韓兆洋

HAN Zhaoyang

（國家鐵路局 市場監(jiān)測評價中心，北京 100891）

隨著中歐班列開行線路的增加，中歐班列的網(wǎng)絡(luò)規(guī)模逐步增大，業(yè)務(wù)不斷優(yōu)化，運輸時間短、受氣候條件影響小，運輸成本低等優(yōu)勢越來越突出[1]，運輸成本不斷下降。市場需求分析及需求量預測是常態(tài)化、持續(xù)化運行中歐班列需要重點解決的問題[2]。當前中歐班列在市場需求方面不能做到完全與市場相適應(yīng)，細分市場需求有待加強。因此，構(gòu)建中歐班列市場需求預測模型，分析中歐班列進行市場需求，使中歐班列更好地滿足市場需求，對于中歐班列的健康發(fā)展具有重要意義。

表1 中歐班列運輸主要品類Tab.1 China Railway Express’s main source of goods

1 中歐班列市場需求及影響因素分析

1.1 市場需求

中歐班列運輸產(chǎn)品多種多樣，運輸品類主要有我國生產(chǎn)的汽車、機械電子、信息技術(shù)產(chǎn)品、高檔食品、建筑材料、化妝品等高附加值產(chǎn)品，自歐洲進口的大多是汽車零配件、日用百貨、服裝鞋帽等一些跨境運輸品類[3]。中歐班列運輸主要品類如表1 所示。

隨著我國產(chǎn)業(yè)結(jié)構(gòu)的轉(zhuǎn)型升級，中歐班列中遠期運輸品類也將隨之發(fā)生改變。以武漢為例，作為“長江經(jīng)濟帶”的重要節(jié)點城市，武漢以工業(yè)制造業(yè)大國德國與資源大國俄羅斯為戰(zhàn)略支點，在亞歐國際運輸通道上開設(shè)了15 條中歐班列線路，輻射28 個國家的60 多個城市[4]，是國內(nèi)節(jié)點城市中開行線路數(shù)量最多的城市，班列開行吸引了國內(nèi)外的多家大型企業(yè)布點湖北，并使得中歐班列運輸中2/3 以上的運輸品類來自武漢當?shù)兀净饬四壳爸袣W班列運輸品類不足的局面。

從短期來看，城市是否需要開行中歐班列，是基于其自身城市功能定位、特色產(chǎn)業(yè)結(jié)構(gòu)和區(qū)域經(jīng)濟綜合發(fā)展水平來決定。例如，連云港主要依托中哈物流園，東西雙向運輸我國生產(chǎn)的糧食、食品等品類，實現(xiàn)了每天開行3 列常態(tài)化運行；開行時間最長的重慶主要借助當?shù)刂圃斓男畔⒓夹g(shù)產(chǎn)品與其他電子機械產(chǎn)品為固定貨源，成為運送品類最多，常態(tài)化運營情況最好的開行城市[5]。而中歐班列將分散的品類集結(jié)成集裝箱單元，從而實現(xiàn)高效率，高效益的運輸。針對中歐班列近期發(fā)展現(xiàn)狀，短期內(nèi)的中歐班列市場定位應(yīng)當以機電類、服裝類等普通零散品類為主，主要原因如下。

（1）以普通零散貨物類型打開市場，特定運輸需求少。機電類產(chǎn)品、服裝鞋帽等屬于普通貨物，對運輸載體和運輸過程要求較低，前期投資遠小于貴重物品或冷鏈運輸?shù)忍囟ㄐ枨螽a(chǎn)品的運輸[6]。

（2）集裝箱質(zhì)量輕、體積小，便于裝卸作業(yè)。鐵路集裝箱中心站在空間結(jié)構(gòu)上主要由平面輔助裝卸區(qū)組成，在主要裝卸區(qū)完成裝卸、堆放等主要任務(wù)的同時，大多借助軌道門式起重機[7]。在目前集裝箱中心站基礎(chǔ)建設(shè)的現(xiàn)有條件下，運輸此類物品可滿足裝卸搬運作業(yè)，實現(xiàn)集裝箱內(nèi)空間的充分 利用。

（3）降低貨源不足的運輸風險。中歐班列仍然處在發(fā)展的初期階段，相對于海運的成本較高，費時比空運高，國內(nèi)貨源分散不一并且國外回程班列的滿載率一直不高[8]。因此，初期將目標市場定位在普通零散貨物，有助于減小運輸風險。隨著我國不斷優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)，加快推進“一帶一路”倡議的實施與建設(shè)，中歐班列也將更好地打造自身運輸平臺，發(fā)展新的跨大陸橋運輸方式。

1.2 影響因素分析

1.2.1 主要影響因素

中歐班列的需求量受多種因素的綜合影響，對于中歐班列的運量模型的構(gòu)建，不能同時考慮到全部的影響因素，因而需要對影響因素進行分析，確定主要影響因素。根據(jù)國內(nèi)學者對中歐班列的運量影響因素的分析主要有以下影響因素。

（1）國內(nèi)生產(chǎn)總值。國內(nèi)生產(chǎn)總值反映該地區(qū)經(jīng)濟發(fā)展水平的好壞，國內(nèi)經(jīng)濟發(fā)展水平與對外貿(mào)易總額密切相關(guān)。一般來說，國內(nèi)經(jīng)濟發(fā)展水平越高，對外貿(mào)易總額越高。因此，國內(nèi)生產(chǎn)總值與對外貿(mào)易總額、中歐班列市場需求量呈現(xiàn)正相關(guān) 關(guān)系。

（2）對歐盟地區(qū)進出口貿(mào)易額。國內(nèi)出口歐洲貨物主要通過海運、航運、鐵路運輸，或者多式聯(lián)運的運輸方式。集裝箱作為海運或者鐵路運輸?shù)闹匾d體，與外貿(mào)進出口額密切相關(guān)。近年來，隨著外貿(mào)進出口額的增加，中歐班列的運量也在增加。因此，可以根據(jù)對歐盟地區(qū)進出口貿(mào)易額變化衡量中歐班列市場需求量的變化。

（3）全國集裝箱出口數(shù)量。我國集裝箱運輸市場整體勢態(tài)良好，自2011 年以來，國內(nèi)主要港口集裝箱吞吐量逐漸呈現(xiàn)較大幅度增長的態(tài)勢，沿海港口和內(nèi)陸港口吞吐量穩(wěn)步增加。這反映出中歐班列的需求量也在不斷上升，因而全國集裝箱出口數(shù)量與中歐班列市場需求量的關(guān)系應(yīng)當為正相關(guān)。

（4）交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資。交通運輸是我國進行產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型與經(jīng)濟持續(xù)性發(fā)展的基本需求和先決條件，也是我國開展互聯(lián)合作的重要紐帶，完整全面的交通運輸路網(wǎng)投資建設(shè)在擴大國際經(jīng)濟貿(mào)易合作中發(fā)揮著重要作用，因而在一定程度上也對中歐班列的市場需求量有著影響。

（5）中國出口集裝箱運價指數(shù)(歐洲航線)。中國出口集裝箱運價指數(shù)(CCFI)，能夠全面客觀地反映出我國集裝箱航海運輸市場相關(guān)價格變化趨勢，不僅包括綜合運價指數(shù)，還包括東亞、東南亞、澳大利亞、歐洲、美洲等多地區(qū)與國家的11條分航線的運價指數(shù)，是國內(nèi)機構(gòu)對航運集裝箱市場做出實時調(diào)控及國外市場了解中國出口集裝箱運輸?shù)摹扒缬瓯怼薄?/p>

1.2.2 影響因素殘差分析

選取2011—2017 年的國內(nèi)生產(chǎn)總值、對歐盟地區(qū)進出口貿(mào)易額、全國集裝箱出口數(shù)量、交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資及中國出口集裝箱運價指數(shù)(歐洲航線) 5 個影響因素作為樣本數(shù)據(jù)。

在對中歐班列需求量做預測前，首先應(yīng)當對5個影響因素做殘差分析。進行殘差分析主要作用就是確定影響因素擬合度，從而檢查擬合的好壞，以及檢查相關(guān)因素是否對結(jié)果產(chǎn)生影響。通過Matlab建模得出殘差分析圖，觀察每個因素對需求量的影響，即殘差點的分布越靠近于0，擬合程度越高，該種因素對中歐班列需求量的影響越大。

通過Matlab 對樣本數(shù)據(jù)進行分析并進行殘差分析，在國內(nèi)生產(chǎn)總值、對歐盟地區(qū)進出口貿(mào)易額、全國集裝箱出口數(shù)量、交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資以及中國出口集裝箱運價指數(shù)(歐洲航線)5 個影響因素的影響下，得到?jīng)Q定系數(shù)的數(shù)值為0.964 2，殘差分析圖如圖1 所示。圖1 中橫坐標表示影響因素，縱坐標表示殘差值，豎線的長度表示置信區(qū)間，圓圈表示殘差點。

圖1 殘差分析圖Fig.1 Residual analysis

從圖1 可以看出，每條豎線均在零點兩側(cè)，即置信區(qū)間包含零點，圓圈緊密地分布在零點兩側(cè)，即殘差數(shù)值小，模型能較好地符合原始數(shù)據(jù)，即這5 個因素切實影響著中歐班列的市場需求量，可以用來對2019—2025 年的需求量進行預測仿真。

2 中歐班列市場需求量預測及仿真實證

2.1 預測仿真模型構(gòu)建

中歐班列市場需求量預測仿真模型構(gòu)建，主要基于BP 神經(jīng)網(wǎng)絡(luò)，通過模擬生物神經(jīng)網(wǎng)絡(luò)，將外部的信息輸入，利用神經(jīng)元的傳播作用，輸入到隱含層中，之后再經(jīng)過隱含層神經(jīng)元進行計算，傳遞到輸出層，計算誤差，如誤差達不到要求，則誤差反向傳播。這一過程的作用是通過連續(xù)地調(diào)整閾值及權(quán)值，使得誤差逐步減小。該種算法在收斂速度、精確度和尋找全局最優(yōu)點方面都具有較強優(yōu)勢，同時利用神經(jīng)網(wǎng)絡(luò)對訓練樣本進行學習，可以減少由于人的主觀性而引起的評價誤差，使得評價系統(tǒng)更加客觀實用，因而采用BP 神經(jīng)網(wǎng)絡(luò)對中歐班列市場需求量進行預測仿真[9]，步驟如下。

（1）確定輸入和輸出向量。將分析出的5 種影響因素作為輸入向量，可確定網(wǎng)絡(luò)輸入層結(jié)點數(shù)為5。關(guān)于隱含層的層數(shù)，通過多次測試，比較結(jié)果，采用收斂速度較快的每層200 個隱含結(jié)點的單隱含層網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的輸出為與5 種影響因素同年的中歐班列需求量，即輸出層含1 個結(jié)點，隱含層采用tansig 函數(shù)，輸出層采用purelin 函數(shù)，BP 神經(jīng)網(wǎng)絡(luò)仿真模型如圖2 所示，圖中W為輸入向量，b為神經(jīng)元的偏置。

（2）確定初始條件。選取2011—2017 年的 5 個影響需求量的因素數(shù)據(jù)為網(wǎng)絡(luò)的訓練集，即將5 個影響因素的歷年數(shù)據(jù)作為輸入集合，將同年中歐班列需求量與之相對應(yīng)的集合作為導師集合，在網(wǎng)絡(luò)通過穩(wěn)定訓練之后，即可預測2019 年的市場需求量。輸入/輸出向量初始條件如表2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)仿真模型Fig.2 BP neural network simulation model

表2 輸入/輸出向量初始條件Tab.2 Input/output vector initial condition

（3）輸入值的歸一化處理。由于各影響因素之間的數(shù)量級差異過大，如果不通過歸一化處理會導致因數(shù)據(jù)數(shù)值差異較大，網(wǎng)絡(luò)權(quán)系數(shù)的量級相差過大，最終影響到網(wǎng)絡(luò)映射精度和自學習的收斂性，因而需要對輸入量初始值進行歸一化處理。使用線性轉(zhuǎn)換算法對各個影響因素的原始數(shù)據(jù)進行處理，計算公式為

式中：y為輸入值歸一化后的值；x為輸入值；min (x)為x的最小值；max (x)為x的最大值。

在Matlab 中采用premnmx，postmnmx，tramnmx 3 個函數(shù)實現(xiàn)歸一化處理。輸入向量歸一化處理值如表3 所示。

表3 輸入向量歸一化處理值Tab.3 Input vector normalized value

通過對初始值進行歸一化處理，統(tǒng)一數(shù)據(jù)量級，確保預測精度。在預測完成之后只需要在Matlab 中使用mapminmax 函數(shù)就能夠“反歸一化”，得到最初的數(shù)據(jù)向量。

2.2 預測及仿真實證

將2011—2017 年的國內(nèi)生產(chǎn)總值、對歐盟地區(qū)進出口貿(mào)易額、全國集裝箱出口數(shù)量、交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資及中國出口集裝箱運價指數(shù)(歐洲航線)5 個影響因素作為輸入向量。

基于中歐班列需求量預測具有互動反饋性的特點，在預測2019—2025 年中歐班列的需求量之前，首先確定將2019—2025 年的預測輸入向量值作為其預測指標；然后，建立BP 神經(jīng)網(wǎng)絡(luò)模型，將2011—2016 年5 種影響因素的值作為輸入向量以2017 年的數(shù)據(jù)作為輸出向量，對網(wǎng)絡(luò)進行訓練，便可對2019—2025 年的國內(nèi)生產(chǎn)總值、對歐盟地區(qū)進出口貿(mào)易額、全國集裝箱出口數(shù)量、交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資及中國出口集裝箱運價指數(shù)(歐洲航線)做出預測，輸入向量預測值如表4 所示。

表4 輸入向量預測值Tab.4 Input vector predictive value

將輸入向量預測值進行歸一化處理，統(tǒng)一輸入向量量級與精度，輸入向量預測值歸一化處理如表5 所示。

將中歐班列需求影響因素指標中各年的數(shù)值作為穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)的輸入，精度設(shè)置為0.000 04，進行訓練參數(shù)設(shè)計。

通過BP 神經(jīng)網(wǎng)絡(luò)的學習與訓練得到2019—2025 年中歐班列的需求量預測值，中歐班列需求量預測值如表6 所示。

表5 輸入向量預測值歸一化處理Tab.5 Input vector predictive value normalization

表6 中歐班列需求量預測值Tab.6 Predictive value of China Railway Express demand

將采用Matlab 仿真得到的預測結(jié)果，通過平滑曲線進行線性擬合，得出2011—2025 年中歐班列市場需求量的動態(tài)仿真圖，中歐班列市場需求量動態(tài)仿真如圖3 所示。

圖3 中歐班列市場需求量動態(tài)仿真圖Fig.3 China Railway Express market demand dynamic simulation

通過BP 神經(jīng)網(wǎng)絡(luò)仿真，對2011—2025 年5 種影響因素，即輸入向量的學習，輸出2011—2025 年的中歐班列需求值，誤差值控制在7.5%以內(nèi)，較為精準地預測了中歐班列未來的發(fā)展趨勢。根據(jù)預測仿真的擬合程度、需求量預測誤差程度等可以分析得出所選影響因素的合理性，擬合程度越高、誤差越小，證明所選因素對需求量影響程度越高。從上述仿真分析中，結(jié)合中歐班列實際運營情況，得出宏觀經(jīng)濟貿(mào)易環(huán)境與航海運輸價格指數(shù)對中歐班列的需求量有著至關(guān)重要的影響作用。

3 結(jié)束語

隨著國家提出“交通強國，鐵路先行”，以及“一帶一路”倡議的不斷深入實施，中國與歐盟國家間的經(jīng)貿(mào)合作日趨活躍，兩地間的市場需求量不斷增長，這些客觀因素促進了中歐班列的飛速發(fā)展。中歐班列必將不斷提高其運行質(zhì)量，以便讓中歐班列沿線地區(qū)的人民及更多客戶共享“一帶一路”的發(fā)展成果，為推動中歐班列發(fā)展提供了決策依據(jù)，有效促進“一帶一路”建設(shè)，推進中歐班列的高頻化、常態(tài)化的運營和發(fā)展。