基于二元回归的油耗预测——以凉山州烟草物流为例

何 实，徐 伟，刘 凡，杨龙华，张明聪，何星星

（1.四川省烟草公司凉山州公司，四川 凉山 615000；2.中国烟草总公司四川省公司，四川 成都 610017；3.西华大学 管理学院，四川 成都 610039）

0 引 言

为了实现人类与自然的和谐相处，国家领导人提出了碳达峰碳中和的战略目标，积极践行人类命运共同体的美好愿景。碳达峰碳中和的实现是一项艰苦卓绝的工程，涉及管理方法与路径的更换、落后产能的淘汰、原本赖以维继的流程突然消失等问题，对国家、人民、企业而言是非常大的挑战。但过程虽然艰苦，结果却是全人类受益，所以不管是企业还是个体都应积极加入人与自然和谐发展这一历史进程中，国企更是责无旁贷。

1 油耗预测有关研究

燃油消耗对环境的影响非常直观，无论是汽车、轮船，还是民航客机等[1-3]，这些运载工具在工作过程中都需要消耗大量的燃油，持续不断地向人们居住、工作、娱乐等场所排放碳化物、硫化物等废气废液[4-6]。为了降低其对人们的影响，各个国家不断地优化技术以降低燃油的消耗，同时各领域相关研究人员积极创建各种模型用于预测燃油消耗，以帮助相关组织、企业清晰了解油耗的影响因素及影响程度，有效降低油耗，实现节能减排的目标，体现其社会担当。

牟小辉等[7]指出影响船舶油耗的因素有风速、水向、水深等，使用改进型随机森林模型，利用偏相关分析方法，可以确定各影响要素与油耗之间的相关性排序。陈静杰等[8]指出民航油耗各参数之间存在非线性相关关系，采用离散化的方式处理数据，得到了油耗预测较高的可靠性。何永明等[9]研究高速公路瞬时油耗，发现当速度超过120公里/时的时候，油耗增加比率大于速度增加比率。洪耀球[10]通过对比多种油耗模型，证实多元回归模型可较好地预测船舶油耗。管俊宇等[11]采用灰箱模型建立了船舶的油耗预测模型，用于实现节能减排。

关于油耗预测的研究持续时间较长，从相关研究来看，汽车、轮船、民航是研究的重要对象，而关于油耗预测的模型也多种多样，多是基于研究人员所处行业展开研究，提出了各自的研究模型，丰富了国内油耗预测的理论研究。近十年来随着电商行业的飞速发展，物流的重要性愈发体现出来，尤其京东、顺丰等大型物流平台提出次日达、当日达的目标后，便开始不断改进相关设施，使物流行业愈加繁荣，但也导致整个行业对燃油的需求迅速攀升。烟草物流作为物流行业的一个分支，与其他行业一样，为了更好地满足客户需求，通过设施设备改造，不断提升其配送效率，提出了烟草货物当日达、次日达、最迟收货日等目标。同时作为重要的国有企业，烟草行业必须积极实现“双碳”目标，因此既要满足配送高要求又要践行国企社会担当，对烟草物流来说是不小的挑战。

2 凉山烟草物流油耗现状

当前国家提出了碳中和碳达峰的发展战略，这一战略指引着整个国家的经济发展方向、资源配置要求、转型升级的发展路径，作为国有企业的一份子，烟草物流也应积极践行国家战略。配送是物流核心的环节之一，使用的主要工具是燃油车和新能源汽车。凉山的地理环境与客户所在的地理位置等因素，使得当前凉山烟草物流只能使用燃油车进行配送，因此每个月需要消耗数千升油。作为国家战略的重要推手，降低配送环节的碳排放，即降低汽油、柴油消耗，凉山烟草物流中心当仁不让。为了积极推进碳达峰碳中和的国家战略，掌握当前凉山州物流中心汽油、柴油消耗规律，预测未来消耗量，是一件基础而意义重大的任务。

2.1 配送模式

物流的配送环节可分为直配与中转配两类，核心职能是终端配送，也就是把订单交至客户手中。所谓直配，就是由烟草物流中心直接将客户需求订单配送至零售户手中，配送范围包括西昌市区及市郊区。中转配，即通过中转站或中转点将订单配送至零售户手中。由于凉山州面积很大，在不少县、镇配送后不能当天返回物流中心，所以在当地设置了中转点、中转站，由其负责配送订单至零售户手中。中转配送包括两次配送，首先，根据系统订单装中转车，再配送至需求中转点，也就是说从物流中心配送至中转站，中转车再返回物流中心。其次中转站接受中转车配送卷烟后，根据订单进行二次转车，最终配送到零售户手中。

2.2 配送车辆配置

如表1所示，共有7个品牌的终端配送车辆，每个品牌配送总容量也各不相同，福特全顺、依维柯、五十铃是数量最多的品牌车辆。从容量数据看，福特全顺配送总容量最高达到7 548.69m3，排名第二是依维柯，配送总容量为5 455.36 m3，排名第三为五十铃，配送总容量为4 598.33m3。除去这些主要车辆外，还有干线配送车辆，即从物流中心向各中转站配送卷烟订单，因为采用整笼车运输，其单车容积与终端配送车单车容积相差较大。

表1 凉山配送车辆型号

此外，依据车辆所有权归属问题可将配送方式分为自配与外包两种：自配即所有权归属于物流中心和中转站；外包即车辆为第三方专业的配送公司。物流中心通过与第三方签订配送合同，商定配送数量、配送时间、配送价格等要素，降低配送压力。虽然外包一定程度上降低了配送过程中的控制力度，但是相比之下配送效率更高、配送成本更低，外包优势明显。

2.3 配送线路

如上所述，凉山州分为直配与中转配两种配送模式，每种模式下因对应区域的面积、地理条件、道路水平、客户数量存在差异，导致对应的线路数量也有着较大差异。目前直配共有74条配送线路，中转配送有108条线路，直配与中转线路相比，直配区域集中在西昌市及近郊，客户相对集中且数量多，因此配送线路比中转配线路更加复杂。影响配送线路的主要因素之一是每天客户需求差异大，而且客户位置变化也大；二是中转配送主要在凉山州其余区县，占地面积大、山路多、人口相对较少，因此路线设计较为简单，这两个因素使得直配与中转线路数量存在较大的差异。

2.4 油料消耗

从油耗来看，目前主要使用的是汽油和柴油两大类，近5年油耗数据如图1所示。从图1中可以看出，2017—2021年每年配送里程有较大的差异，且油耗与配送里程明显正相关。具体来看2017年配送里程数最大，油耗也最高，而2019年配送里程最短，油耗也最低。也就是说通过观察油耗与配送里程发现，二者之间高度相关。

图1 2017—2021 年油耗消耗趋势图

每年制定下一年的油料预算采取算术平均的预测方式，即用上一年的平均油耗，作为下一年的消耗标准，再乘以预估的里程，得出油料预算值。

此外，不管是外包还是自配，油耗费用、车辆保养、维修等费用结算方式都一致，皆采取实报实销的形式，凭发票报销车辆工作过程中产生的费用。

3 油耗预测存在的问题

3.1 预测模型科学性不足

目前采用的预测方式的核心是由上一年度平均值与相关管理人员依据历史消耗数据的经验得出，从历史预测结果来看，多数情况预测误差相对较大也是因为在预测过程中预测的不是油耗，而是以费用为预测对象，因此误差明显会更大。因为油价波动性大，时涨时跌，到底采取哪一个油价作为油耗费用的计价标准更准确，各物流中心莫衷一是。

3.2 油耗预测不准确

用算数平均值数据预测下一年的油耗预测值误差较大，从2017—2021年5年的里程数据来看，每年都存在明显的差异。通过分析凉山州客户数量的变化、年销售量的变化，可知变化幅度相对较小，由此可以推断凉山州每年的配送总里程大致相当，但是从实际配送数据来看，每年的配送里程差异明显，说明如果使用上一年平均值×下一年预估配送里程作为预算值，会产生非常大的误差，造成油料预测结果的不准确。

4 基于回归分析的油耗模型构建

回归分析用于研究两类变量是否存在线性关系，通过计算R系数值，判定两类变量之间关系的强弱程度，相关系数取值范围介于-1～1之间。当R绝对值取值位于0.8～1之间，表明变量之间是强相关；若绝对值取值在0.5～0.8之间是中相关；绝对值取值范围在0～0.5之间，表明变量为弱相关。

4.1 模型影响因素

第一，众所周知，油耗与配送里程高度相关，因此配送里程是油耗模型非常重要的一个影响因素；第二，配送车辆自身属性，如排气量、载重、自重等；第三，路况，高速公路、省道、县道修建规格上的差异，以及车辆往来的数量，都是路况的组成部分，不同路况的油耗差异明显；第四，气候条件及温度差异，对油耗也有明显的影响，凉山州海拔与成都相差不大，所以气压与温度对油耗差异的影响不大，因此忽略该因素带来的影响；第五，销量与车辆数量呈正相关，销量越高车辆越多，反之亦然；第六，客户数量尤其是客户分布对于油耗影响很大，如果客户分布集中，那么此区域油耗就较低，如果呈现广而散的分布，则油耗就高。

通过分析影响油耗的因素发现，车辆属性、路况、销量、客户数量及分布最终都可以通过配送里程体现出来。排气量高、自重大，且载重与销量存在紧密关系，因此同样的路程油耗更高；路况的好与坏、客户的数量和分布与路程息息相关，是里程的核心组成部分。因此在列举了多种影响因素后，可以发现最终应该把多要素聚类为行驶里程与销量关键要素，因此油耗预测模型可以将油耗作为因变量，行驶里程、销量作为自变量，通过回归分析，建立配送里程与油耗之间的函数关系。

4.2 模型构建

4.2.1 数据选取

上述分析指出，行驶里程是关键的影响变量，因此选取凉山州2017—2021年5年的数据，共60个月的行驶里程数据与油耗数据，构成2*60的数据分析矩阵，确保数据的充足性，若是数据量不足，再适度予以补充。

4.2.2 模型参数检验

使用SPSS，将凉山州近5年油耗数据进行线性回归分析，其分析结果如下（此处油耗不是费用数据，而是燃油的消耗数量）。

模型构建过程中，采用输入的方法，将月销量、配送月总里程全部输入作为自变量，没有删除的变量，通过计算构成多元线性回归模型1，如表2所示。

表2 变量输入/除去表

如表3所示，计算出调整后的R2=1，说明油耗和路程、月销量完全正相关。分析ANOVA表检验结果，也证明油耗与路程之间呈完全正相关。如表4所示，回归平方和与总计平方和相等，都为129 284 622.500，残差平方和为0，表明回归平方和能够完全解释自变量与因变量之间的关系。

表3 相关系数表

4.2.3 多元回归模型

原假设：配送月总里程、月销量与油耗不显著相关；备选假设：配送月总里程、月销量与油耗显著相关。

如表5所示，常量、配送月总里程、月销量在95%置信区间，其显著性值P=0，因此拒绝原假设，接受备选假设，即配送月总里程、月销量与油耗显著相关，与R2=1显著正相关的结论一致。

表5 模型系数表

如表5所示，油耗多元线性回归模型中，常量值=-2.400E-6，配送路线月总里程系数=0.140，月销量系数=7.269E-11，意味着油耗=（-2.400E-6）+0.14*配送月总里程+（7.269E-11）*月销量。膨胀因子VIF=1.389，表明常量与配送里程之间不存在线性相关关系，变量与变量之间的影响较小，用此模型预测未来燃油消耗的准确性高。

5 模型应用

使用多元回归分析方法构建凉山州的油耗模型，首先可以预测未来油耗，尤其是相关系数R=1，属于完全正相关，预测精度非常高。通过未来几年的销量预测，与2020年、2021年销量相差不大，而且客户数量相对稳定，意味着配送范围不会出现大幅度波动，配送里程变化也不会太大，因此可以做到较精准的预测。其次，预测可以精准至每个月，因此可以将实际消耗与预测消耗进行对比，评价配送过程中的油耗，并且通过预测数据加大对外包方的控制力度，进一步提升配送效率；同时，还可以通过油耗预测数据，分析配送过程中不同路线、不同时期的油耗，做到内在对比，外在比优，指导降低油耗，实现节能环保的战略目标。

6 研究结论与不足

配送里程与油耗本就正相关，只是相关性大小不得而知，如果道路状况特别复杂，那么相关性计算难度就会随之提升，因而本文通过搜集凉山州5年共60个月的配送里程数据以及每个月的实际销量，构建了油耗预测回归模型。该模型可预测凉山州的油料消耗，不仅优化了油料消耗，还提高了油耗预测精度。如果其他市采用同样的方法预测油耗，只有变化较小，才能获得相对准确的结果。

本研究还有许多需要改进优化的地方，比如在研究过程中，为了更好地体现不同路程对油耗的影响，应将直配与中转配的路程分开研究。直配区域地势平缓，客户集中；而中转配区域山高路远，与直配区域有显著差异，若二者出现变化，将导致油耗模型发生变化，预测结果出现较大偏差，油耗优化价值降低，更谈不上降低碳排放了，因此还需要进一步研究地理环境限制对油耗的影响，并有效降低碳排放。同时，本文基于凉山州的配送数据进行分析，众所周知凉山州的地理地貌比其他市州要复杂得多，既有平原又有高山，中转配送的地理环境更加复杂，这些影响配送里程的基础要素差异大，使得凉山州的模型适用范围十分有限，很难推广至其他市，但是如果存在与凉山州相似的地理状况，那么借鉴意义将随之增强。