基于湖北省产业经济结构条件下的域内货运量预测

（武汉理工大学 交通学院，湖北 武汉 430063）

1 引言

货运量是货物出行交通量的派生需求，不仅与最终产品的重量或体积相关，还与中间产品生产和销售的组织、运输方式的选择以及运输组织效率等多种因素有关，而区域经济发展水平与最终产品的产品结构、中间产品的生产和销售组织、运输组织效率等因素有着密切的关系。因此，区域经济发展与域内货运量密切相关。

2 湖北省经济发展及产业结构

湖北省位于长江中游，东临安徽，南接江西、湖南，西连重庆，西北与陕西接壤，北与河南毗邻，地理位置优越，交通条件便利[1]。省会武汉历来被称为“九省通衢”之地，是中国内陆最大的水陆空交通枢纽，是中国经济地理的“心脏”，具有承东启西、沟通南北、维系四方的作用，是中国四大综合枢纽之一，也是“长江经济带战略”和“一带一路战略”重要节点城市。

湖北省是我国中部、长江中游最重要的省份之一，经济发达，交通便利，具有较强的经济辐射力和凝聚力。2002-2016年湖北省货运量、经济发展相关历史数据见表1。由表1可以看出，近15年湖北省各项数据均呈现增长趋势，经济增长速度稳定，增长活力趋于增强，湖北省GDP十五年内增长约6.7倍，全国增长5.2倍，而人口数量从2002年的5 672万人增长到2016年5 885万人，增长3.8%，远低于同期全国人口增速，人均GDP位于前列。三大产业均取得突破式发展，产业结构趋于合理。进出口贸易总额和基础设施建设稳步增长，受益于此，人民生活水平持续改善，居民收入不断攀升，促进了消费市场运行，增幅总体呈逐年提高态势。湖北省经济产业结构条件下货运需求发展态势如何，对湖北省交通基础设施建设及综合交通规划具有重要的指导作用。

表1 2002-2016年湖北省货运量、经济发展相关历史数据

3 湖北省域内货运量预测

3.1 基于主成分分析法的RBF神经网络模型构建

货运量属于派生需求，它是由经济发展本身带来的。经济发展水平决定货运量，货运需求的大小在一定程度上反映了经济发展水平的高低。因此，可以利用经济指标和货运量之间的映射关系建立模型，实现经济发展和货运量之间的转换，从而达到预测目的[2]。

主成分分析算法，主要达到了降维的目的；RBF神经网络是通过建立人工神经网络模拟数据之间的关系[3]。将主成分分析法和RBF神经网络结合，就是指先对数据进行主成分分析，将数据降维，由多个变量降维到少数几个主成分，同时数据还能表达原始的信息。对数据进行降维处理就意味着改变了神经网络的输入节点：原始数据有多个输入节点，经过主成分分析之后，输入节点改变为少数几个主成分。输入节点的减少，简化了神经网络的结构，也简化了RBF神经网络的收敛速度，有利于提高预测精度。

3.2 货运量预测

为了能定量分析所选取的指标数据对于预测具有现实意义，从相关性分析的角度来进行计算。本文借助SPSS软件计算湖北省货运量与其他指标的相关性，见表2。

表2 货运量与其他指标相关系数表

由表2可知，所有的相关性系数r均大于0.95，这表明湖北省货运量与其他经济产业结构指标之间存在显著性相关。由于各个数据指标之间存在巨大的差异，并且量纲不统一，在运用模型预测前，需要对原始数据进行归一化处理，结果见表3。

将表3数据代入SPSS软件，通过因子分析，进行主成分分析。经过计算，取样足够度的Kaiser-Meyer-Olkin度量数值为0.786，当KMO的检验结果大于0.6时，说明适合进行主成分分析[4]。并且第一主成分的特征值为9.847，方差贡献率为98.472%，已经大于80%，因此只提取第一个主成分，各成分得分系数见表4。

将主成分分析之后的结果作为RBF神经网络的输入端，建立RBF神经网络，进行货运量预测。输入端有一个节点，为一个主成分，输出端为一个节点，为下一年的货运量，即本年度的经济产业结构的指标数据和下一年度的货运量作为一组样本。设输入端、输出端分别为P、T：

表3 归一化数据

表4 主成分得分系数矩阵

本文使用MATLAB进行RBF神经网络计算，令目标精度goal=0.001，拓展常数spread=3，通过对隐含节点为2至4所计算的误差结果检验网络性能，拟合精度使用均方差MSE进行检验，显示结果如图1所示。

将建立的基于主成分分析法的RBF神经网络模型预测2003-2016年的货运量，并与实际的货运量相比，得到的结果如图2所示。

图1 不同隐含节点数的RBF神经网络预测模型拟合精度

图2 基于主成分分析的RBF神经网络预测拟合图

从图2可以直观地看出，基于主成分分析法RBF神经网络预测值与实际值之间基本重合，误差较小。经计算得到基于主成分分析法的RBF神经网络预测模型结果的MAPE值等于6.5%，属于高精度预测。

4 湖北省产业经济发展对货运量的影响

根据表1统计数据，对湖北省GDP、第一产业、第二产业、第三产业和同期货运量作对数处理（如图3所示），分析湖北省经济及产业结构变化对货运量的影响。

从图3趋势图可以看出，自2002年开始，湖北省GDP、第一产业、第二产业、第三产业总值以及货运量呈现稳定上升趋势，货运量变化趋势与GDP变化趋势的相关程度很高。以2008年为例，湖北省GDP首次突破万亿，这主要得益于高关联度的产业集群。2008年在湖北省6个千亿元产业集群中，除了纺织受经济危机影响只有700亿元外，汽车、石化、钢铁、食品、电子信息产业销售收入均超过千亿元，其中钢铁、汽车、石化行业表现突出。同时，新兴“千亿”产业集群的开发建设促进了制造业竞争力的迅速提升。受到扩大内需和拉动装备制造业的政策措施的影响，2008年湖北省货运量也出现明显增幅。

图3 湖北省经济发展与货运量趋势图

部分年份也会出现货运量和GDP增长速度不一的情况。从图3中可以看出，2002至2012年，湖北省货运量增长趋势以及增长幅度与GDP相当，而2012至2016年间货运量虽然保持着增长的趋势，但增长幅度较之前年份有所降低，曲线逐渐变得平缓，而湖北省GDP依然保持着稳定的增长，货运量增速小于GDP增速，其主要原因在于GDP内部结构发生了变化，即产业结构发生了变化。从图4可以看出，三大产业都呈现非均衡增长，就增速而言，第二产业平均增速较大，尤其是2008至2012年间，第三产业次之，第一产业最小。不难看出，近15年湖北省仍以第二产业为主导产业，2011及2012年占比超过50%，但随着湖北省产业优化升级等调整政策措施的施行，第三产业得到迅猛发展。

从总量上看，湖北省单位GDP货运量（即货运量与GDP的比值，万t/亿元）呈现总体下降的趋势（如图5所示），即单位GDP所产生的货运量逐渐减少，究其原因，一方面，湖北省加快产业结构调整步伐，在大力发展工业的同时，现代物流、金融、旅游、信息、文化等服务业快速发展，居民收入、社会消费品零售总额及其增速超过全国平均水平。另一方面大力培育战略性新兴产业，高能耗高物耗的产业发展受到制约，从而导致单位GDP产生的货运量逐年下降。

图4 三产业占比趋势

图5 湖北省单位GDP的货运量趋势

5 结语

本文对湖北省近15年的经济发展情况分析后，建立基于主成分分析法的RBF神经网络模型，以此模型通过经济发展指标数据预测货运量，经实证此模型属于高精度预测，说明经济发展与货运量之间存在一定的内在联系。通过对湖北省近15年GDP、货运量、三产业占比趋势以及单位GDP货运量等趋势进行分析后，得出经济总量与域内货运量息息相关，一方面经济总量的上升会促进货运量的增长，另一方面货运量也受着经济总量内部结构即产业结构的影响，随着湖北省第一产业比重的减少，第三产业比重的逐步增大，单位GDP所产生的货运量会持续下落，反映产业结构调整后，单位GDP产生的货运量的附加值持续提高，扭转了过去粗放式发展单纯追求规模忽视质量的状况，经济运行质量得到进一步提高。

本文研究湖北省经济发展产业调整对域内货运量的影响，研究结论对湖北省制定货物运输发展规划具有积极的参考作用。

[1]桑慧茹,王丽学,陈韶明,等.基于主成分分析的RBF神经网络在需水预测中的应用[J].水电能源科学,2017,35(7):58-61.

[2]马云龙.基于主成分分析的RBF神经网络预测算法及其应用[D].长春:吉林大学,2015.

[3]蒋林利.基于主成分分析和RBF神经网络的公路货运量预测模型[J].长春教育学院学报,2013,29(4):68-69.

[4]方智勇.中部崛起背景下湖北经济发展现状及地位分析[J].湖北成人教育学院学报,2009,15(1):62-63.