0 引言

2018年9月，国务院办公厅印发《推进运输结构调整三年行动计划(2018—2020年)》，在总体要求中明确提出，全国货物运输结构要明显优化，以推进大宗货物运输“公转铁、公转水”为主攻方向，有力支撑打赢蓝天保卫战。因此各省迅速制订运输结构调整实施方案。2019年3月，黑龙江省交通运输厅、黑龙江省人民政府正式签署加快黑龙江省交通运输发展协议，要求全省各地制订运输结构调整实施方案。我国大宗货物运输结构调整迈入实质性发展阶段，合理预测大宗货物的运输需求情况，是进行运输结构调整方案合理设计、运力调配、运输定价、激励措施制订以及效益评价的前提和关键。

大宗货物通常是指生产量、贸易量、运输量和消费量等比较大的产品，大宗货物运输是指以能源产品、基础原材料和农副产品为流通对象，使用载运工具完成大批量基础性资源的流动过程。当前，大宗货物运输具有长距离、低时效、重载化的运输特征^[1]。目前，国内外对大宗货物的研究主要集中在铁路货运运价、优势运距、运输结构调整等方面，在大宗货物运输需求预测方面的研究较少，多是客运需求预测研究^[2]。本研究以货物产量预测为基础，基于产运系数法进行大宗货物的运输需求预测。目前，国内外学者对于货物产量的预测已经做了大量的研究，王洪平等^[3]运用EMD算法和ARMA模型相结合的方法对我国水泥产量进行了预测。张祺^[4]构建了石油生产量的平均增长率法和灰色预测法组合预测模型。任芳玲等^[5]采用线性回归法和主成分分析模型两种预测模型对石油产量分别进行预测。Piekutowska M.等^[6]采用多元线性回归和人工神经网络两种模型对马铃薯产量进行了预测。Prasad等^[7]应用基于机器学习的随机森林算法来预测印度的棉花产量。袁瑜等^[8]采用Pearson相关系数法等4种方法对国家物流枢纽货运量需求进行预测。

科学预测大宗货物产量是准确进行运输需求分析的前提，以黑龙江省的主要大宗货物品类——粮食为例，进行大宗货物运输需求分析，2016—2018年，粮食在黑龙江省大宗货物的年均产量中占比最大，在大宗货物中更具有代表性。在粮食产量的预测方面，国内外学者进行了大量的研究，分类归纳后大致分为以下几类：

国外预测粮食产量的方法主要有气象产量预测法^[9-11]、遥感技术^[10]和统计动力学模拟法^[11]这3种。它们的预测提前期一般为2个月左右，预测误差为产量的5%~10%，精度较低。国内预测粮食产量的方法主要采用非线性建模预测法，主要包括灰色预测^[12-14]、神经网络和马尔可夫模型等。胡程磊等^[15]综合考虑影响粮食产量的有关因素, 构建出IPSO-BP神经网络的粮食产量预测模型。李晔等^[16]基于河南省2010—2019年小麦产量的数据，不考虑影响小麦产量的因素，建立GM(1, 1)模型、无偏灰色马尔可夫模型和新维无偏灰色马尔可夫模型，并对比3种模型的预测精度。胡雪冰等^[17]基于灰色关联分析模型筛选出对粮食产量产生显著影响的因素，采用GM(1, N)模型对四川省粮食产量和消费量进行预测。

综合分析上述文献可知，国外预测粮食产量的方法精度较低。非线性建模预测中的马尔可夫预测法仅适用于随机现象的数学模型，即：在已知现有情况的条件下，系统未来时刻的情况只与现在有关，而与过去的历史无直接关系，不适用于本研究采用历史数据来预测未来产量的情况。BP神经网络需要大量数据来保证预测的准确性，不适合本研究中的小样本数据情况。目前，GM(1, 1)模型已广泛应用于各种领域的预测^[18-19]，预测精度较高，理论性强，计算方便，无需像其他预测方法那样需要大量且规律性强的数据，符合本研究的影响因素数据量小的特点；当不考虑影响因素而直接对粮食产量进行预测时，相对于线性建模预测法，它的精确度更高。MLP神经网络虽然每个单元的功能简单，但是大量简单单元的并性活动使其对信息的处理能力增强。此外MLP神经网络可直接应用SPSS软件完成数据预测，相对于其他神经网络，这种方法更简单易行。因此，本研究采用GM(1, 1)-MLP神经网络模型，将GM(1, 1)模型与MLP神经网络模型进行组合，先应用GM(1, 1)模型来对每个影响因素进行单独预测，得到未来年份精度较高的影响因素数据，再应用MLP神经网络预测粮食产量。

在科学预测大宗货物产量的基础上，在产量与运输需求量之间搭建合理的转换关系，才能得到较为准确的大宗货物运输需求情况。产运系数是一定时期内全社会(或地区) 某种产品的运输量对生产量的比率^[20]。货物生产后的主要去向分为两类：(1)本地消费；(2)运往外地市场，产生运输需求。对于大宗货物，其发送量与生产总量的比值(即产运系数)在一定时期内总是比较稳定的。因此，本研究根据大宗货物特征，首先建立大宗货物影响因素的GM(1, 1)预测模型，再建立MLP神经网络预测大宗货物产量，形成GM(1, 1)-MLP神经网络预测模型；在此基础上，采用产运系数搭建大宗货物产量与运输量之间的关系，进行大宗货物运输需求预测。

1 大宗货物运输需求预测方法

运用产运系数进行运输需求预测的基本思路如图 1所示。

1.1 大宗货物产量预测模型构建

应用GM(1, 1)模型对影响大宗货物产量的各个因素进行单独预测，再基于影响因素历史数据及预测数据，应用MLP神经网络模型对大宗货物的产量进行预测。

(1) 大宗货物影响因素GM(1, 1)预测模型

灰色预测模型预测的一般步骤如下：

① 一阶累加生成

设有变量为x⁽⁰⁾的原始非负数据序列如式(1)所示：

(1)

则x⁽⁰⁾的一阶累加生成序列如式(2)所示：

(2)

式中，。

② 构建数据矩阵B和常数项Y如式(3)~(4)所示：

(3)

(4)

③ 利用最小二乘法解灰参数如式(5)所示：

(5)

④ 建立灰色预测模型, GM(1, 1)模型的白化形式方程如式(6)所示：

(6)

将求得的a，b代入式(6)并求该方程，得到GM(1, 1)预测模型如式(7)~(8)所示：

(7)

(8)

式中，为预测值；X⁰的时间响应式为：，t=1, 2，…, n。

(2) 大宗货物产量的MLP神经网络预测模型

多层感知器(MLP，Multilayer Perceptron) 是一种基于神经网络算法的模型。神经网络(Neural Network)算法是模拟人类大脑神经系统的学习过程。多层感知器如图 2所示，包含输入层、隐含层、输出层。将每个输入节点都通过一个加权的链连接到输出节点，这个加权的链用来模拟神经元间神经链连接的强度，像人的神经系统一样，训练一个多层感知器模型就相当于不断调整链的权值，直到能拟合训练数据的输入输出关系为止。MLP神经网络具有处理线性不可分问题的能力，不同层的节点数量以及隐含层层数决定了网络参数的规模。具有模型清晰、结构简单、计算量小等优点^[21]，通过学习和训练可以较好地反映黑龙江省粮食产量的未来趋势。

多层感知器模型对输入x₁，x₂，…，x_n进行加权求和后，输入激活函数—双曲正切函数:

(9)

输出值即为大宗货物的产量预测值，如式(10)所示:

(10)

1.2 大宗货物产运系数确定

产运系数是一定时期内全社会(或地区) 某种产品的运输量对生产量之比率，计算如式(11)所示：

(11)

式中，K为该品类一定时期内大宗货物的产运系数；A为一定时期内该品类货物相应的运输量；P为某地区一定时期内某类大宗货物的产量。

通过统计数据计算某类大宗货物每年的产运系数，分析其变化率，最终确定该类大宗货物的产运系数。

1.3 大宗货物运输需求分析

根据产运系数定义可知，大宗货物的运输量为产量与产运系数的乘积，即根据1.1确定的大宗货物预测值和1.2确定的产运系数，确定该类大宗货物的运输量预测值，计算如式(12)所示：

(12)

2 粮食产量预测

大宗货物品类众多，包括木材、原油、煤炭、粮食等。其中，黑龙江省粮食最具代表性，2016—2018年的年均产量在黑龙江省大宗货物的年均产量中占比最大，而且，黑龙江省作为我国最大的商品粮基地，粮食产品运输到全国各地，因此，粮食是黑龙江省大宗货物运输结构调整的首选对象。进行粮食的运输需求预测对于黑龙江省大宗货物运输需求的研究具有更大的借鉴意义。因此本研究选择以粮食为例，进行大宗货物运输需求的分析预测，为黑龙江省大宗货物运输结构调整提供决策依据。

2.1 粮食产量影响因素分析及预测

(1) 粮食产量影响因素

综合考虑影响粮食产量且具有农业意义的因素^[22-23]，最终选取化肥施用量、农村用电量、农业机械总动力和粮食作物播种面积这4个影响因素，根据《黑龙江省统计年鉴(2011—2020)》，相关统计数据见表 1。

(2) 预测结果

灰色关联度，是根据因素之间发展趋势的相似或相异程度，作为衡量因素间关联程度的一种方法。应用灰色建模软件7.0运算得到黑龙江省2010—2019年粮食产量有关的各影响因素的灰色相对关联度，运算结果在合理范围，见表 2。

应用离散GM(1, 1)模型，基于表 1中2010—2019年黑龙江省化肥施用量、农村用电量、农业机械总动力和粮食作物播种面积的调研数据，应用灰色建模软件7.0运算得到2021—2030年各影响因素的预测值，见表 3。

2.2 粮食产量预测

(1) GM(1, 1)-MLP模型预测

黑龙江省2010—2019年粮食产量数据见表 4。

运用MLP(多层感知器)神经网络模型对黑龙江省的粮食产量进行预测，应用SPSS26.0软件，采用表 1~4中的调研数据和计算数据，运算得到黑龙江省2021—2030年粮食产量的预测值，见表 5。

(2) GM(1, 1)模型预测

为了验证GM(1, 1)-MLP模型的预测精度，特设置对照组GM(1, 1)模型对黑龙江省的粮食产量进行预测。应用GM(1, 1)模型得到黑龙江省2021—2030年粮食产量的预测值，见表 6。

2.3 结果分析

黑龙江省2010—2019年粮食产量的预测值以及绝对误差率见表 7和图 3。

应用GM(1, 1)模型和GM(1, 1)-MLP模型对于黑龙江省2021—2030年的粮食产量进行预测，由表 5和表 6可知，两种预测模型得出的结果都表明2021—2030年黑龙江省的粮食产量将一直处于上升趋势。由表 7可知，应用GM(1, 1)模型进行预测得到2010—2019年黑龙江省粮食预测产量的平均绝对误差率为2.91%，应用GM(1, 1)-MLP模型进行预测得到2010—2019年黑龙江省粮食产量预测值的平均绝对误差率为1.23%，与GM(1, 1)模型相比，该模型粮食产量预测精度提高了1.68%，从图 3中可知，GM(1, 1)-MLP模型的预测结果与实际产量更加贴合，GM(1, 1)-MLP模型的预测产量曲线符合黑龙江省粮食产量波动的实际情况，更适用于黑龙江省的粮食产量预测工作。因此，本研究依据GM(1, 1)-MLP模型的预测结果进行运输需求的分析。

3 运输需求预测及运输结构分析 3.1 产运系数确定

以黑龙江省粮食为例，进行大宗货物运输需求预测。根据《黑龙江统计年鉴(2018—2020)》和《中国农村统计年鉴》，获取2017—2019年黑龙江省常住人口数量、粮食总产量以及常住人口城镇化率，城镇、农村居民人均粮食消费量等数据，据此可计算得出当年黑龙江省粮食总消费量，而粮食运输量约为当年粮食产量和消费量的差值，因此，可确定每年的粮食运输量。

将黑龙江省的粮食产量及运输量代入式(11)，可得出黑龙江省粮食的产运系数。2017—2019年黑龙江省粮食产运系数及相关数据见表 8。

由表 8可知，黑龙江省粮食总消费量相对稳定，即本地需求量是相对稳定的，发送量与生产总量存在一定正相关性，因此黑龙江省粮食的产运系数稳定。由此，取2017—2019年产运系数的平均值为黑龙江省粮食产运系数，即为93.59%。

3.2 粮食运输需求预测

根据3.1确定的黑龙江省粮食产运系数，结合2021—2030年黑龙江省粮食产量预测值，根据式(12)得出黑龙江省粮食2021—2030年的运输需求预测值，见图 4。

由图 4可知，黑龙江省的粮食运输需求在2021—2030年将持续增长，仍是黑龙江省大宗货物运输对象的主要构成。积极调整粮食运输结构，对于优化黑龙江省大宗货物运输结构具有重要作用，充分发挥不同运输方式在粮食运输中的比较优势，提升大宗货物综合运输系统运行效率，兼顾成本、环保、质量等多目标，真正实现降本增效。

3.3 粮食运输结构分析

根据哈尔滨铁路局、国家统计局的统计数据，2019—2021年黑龙江省粮食运输情况见表 9。

由表 9可知，2019—2021年黑龙江省粮食总运输量持续上升，但粮食的铁路运输量逐年下降，即黑龙江省粮食的铁路运输占比下降，与黑龙江省推进大宗货物运输结构调整目标不一致，需对粮食运输结构进行优化。结合黑龙江省粮食主产区布局、交通运输基础设施建设情况以及粮食运输需求发展态势，推进粮食运输“公转铁”为运输结构调整主攻方向，即中长距离的粮食运输需求转向铁路运输，公路运输定位于短距离运输，以及铁路运输两端的短驳分拨，实现公铁联运，解决粮食运输中“最后一公里”的问题。各种运输方式之间合理分工、相互配合，强调运输方式间信息的共享沟通，提供运输价格查询、线上预约、货物在途状态、定位跟踪等信息服务，提升货物运输服务水平，使得综合运输体系更加合理，实现社会经济高质量、可持续发展。

4 结论

针对大宗货物运输需求预测的复杂性，本研究建立了GM(1, 1)-MLP神经网络模型进行大宗货物产量预测，结合产运系数实现运输需求预测，并以黑龙江省粮食为例，应用实际数据进行验证，得出以下结论。

(1) 粮食产量预测采用GM(1, 1)-MLP神经网络模型，比GM(1, 1)模型的预测精度更高。与GM(1, 1)模型相比，建立的GM(1, 1)-MLP神经网络模型粮食产量预测精度提高了1.68%。

(2) 黑龙江省粮食总消费量相对稳定，粮食发送量与生产总量存在一定正相关性，黑龙江省粮食的产运系数稳定；采用产运系数搭建粮食产量与运输量之间的关系，进行粮食运输需求预测具有可行性。

(3) 黑龙江省粮食运输需求将持续增长，仍是黑龙江省大宗货物运输对象的主要构成部分，积极调整粮食运输结构，对于优化黑龙江省大宗货物运输结构具有重要作用。

(4) 黑龙江粮食运输结构调整以“公转铁”为主攻方向，中长距离的干线粮食运输转向铁路运输，公路运输作为铁路运输两端的短驳分拨，实现公铁联运，运输方式间合理分工，提升运输服务水平，充分发挥综合运输体系优势，提升系统运行效率。