城市交通客運量統(tǒng)計分析與建模預(yù)測研究

1、Evaluation Warning: The document was created with Spire.Doc for .NET.城市交通客運量統(tǒng)計分析與建模預(yù)測研究城市交通客運量統(tǒng)計分析與建模預(yù)測研究一、摘要：本文針對山東省各城市近幾年交通運輸客運量的變化趨勢，在充分考慮和分析影響交通客運量的因素之后，就客運量和貨運周轉(zhuǎn)量與總?cè)丝凇⑸a(chǎn)總值、批發(fā)零售量之間的相關(guān)性運用回歸分析法進行分析，研究了交通客運量的統(tǒng)計特征，建立了多元非線性回歸方程，運用MATLAB軟件對方程進行求解得到合理的回歸系數(shù)，從而求得非線性回歸方程，并用F檢驗法對相關(guān)性進行檢驗，求得置信區(qū)間。同時運用SPSS軟件對交

2、通客運量建立時間序列模型進行求解并求得客運量和貨運量的預(yù)測值，對各市交通運輸量的影響因素進行聚類分析，并依此為依據(jù)對交通管理部門提出合理建議，最后對交通運輸客運量和貨運量的預(yù)測值的準(zhǔn)確性和可取性經(jīng)行評價。關(guān)鍵詞：回歸分析 MATLABF檢驗置信區(qū)間 SPSS 時間序列 聚類分析 預(yù)測值二、問題的提出：近年來，隨著我國社會經(jīng)濟的快速發(fā)展，交通運輸客運量出現(xiàn)迅速增長的趨勢。受社會經(jīng)濟發(fā)展水平、人口總量、經(jīng)濟結(jié)構(gòu)、產(chǎn)業(yè)布局以及綜合交通運輸網(wǎng)絡(luò)拓展程度等諸多因素的影響，交通客運量表現(xiàn)隨機性的復(fù)雜波動特征。如何科學(xué)組織運力、建立完善的交通體系，進一步提高交通運輸規(guī)劃與社會經(jīng)濟發(fā)展的適應(yīng)性，提高交通運輸設(shè)

3、施的投資和運營效益，對于促進社會穩(wěn)定以及構(gòu)建和諧社會均具有重要意義。三、模型的假設(shè)和符號系統(tǒng)：（一）、模型的假設(shè)1、假設(shè)山東省人口在未來幾年中健康平穩(wěn)變化，不會出現(xiàn)人口老齡化問題2、假設(shè)山東省經(jīng)濟水平健康平穩(wěn)發(fā)展，經(jīng)濟發(fā)展趨勢幾乎不受金融危機的影響3、假設(shè)山東省的經(jīng)濟結(jié)構(gòu)不會發(fā)生很大的調(diào)整與變化，即產(chǎn)業(yè)結(jié)構(gòu)變化不大4、假設(shè)山東省交通運輸網(wǎng)不會發(fā)生很大的變動，即修建地鐵的可能性不大5、假設(shè)城市中的道路狀況十分良好，沒有房屋拆遷，道路、橋梁的維修和破壞，特定道路的管制通行或者占道，交通事故等影響因素6、私家車、公交車等不同車輛同等看待（二）、數(shù)學(xué)符號的說明y1 旅客運量為因變量 y2周轉(zhuǎn)量為因變量

4、x1自變量總?cè)丝趚2自變量批發(fā)零售為x3自變量生產(chǎn)總值為 Syyy的總變差Q-y剩余平方和或誤差平方和Yi客運量和周轉(zhuǎn)量的取值 F=U/QF檢驗法r擬合優(yōu)度r2=u/Syy=1-Q/Syy四、模型的建立與求解1.客運量、貨運周轉(zhuǎn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量之間的相關(guān)性分析兩個變量之間的高度相關(guān)關(guān)系,有時并不是這兩個變量本身的內(nèi)在聯(lián)系所決定的,它完全可能由另外一個變量的媒介作用而形成高度相關(guān)。所以,我們絕不能只根據(jù)相關(guān)系數(shù)很大,就認(rèn)為兩者變量之間有直接內(nèi)在的線性聯(lián)系。此時要準(zhǔn)確地反映兩個變量之間的內(nèi)在聯(lián)系,就不能簡單的計算相關(guān)系數(shù),而是需要考慮偏相關(guān)系數(shù)。偏相關(guān)系數(shù)是在對其他變量的影響進行控

5、制的條件下,衡量多個變量中某兩個變量之間的線性相關(guān)程度的指標(biāo)。所以,用偏相關(guān)系數(shù)來描述兩個變量之間的內(nèi)在線性聯(lián)系會更合理、更可靠。偏相關(guān)系數(shù)不同于簡單相關(guān)系數(shù)。在計算偏相關(guān)系數(shù)時,需要掌握多個變量的數(shù)據(jù),一方面考慮多個變量之間可能產(chǎn)生的影響,另一方面又采用一定的方法控制其他變量,專門考察兩個特定變量的凈相關(guān)關(guān)系。在多變量相關(guān)的場合,由于變量之間存在錯綜復(fù)雜的關(guān)系,因此偏相關(guān)系數(shù)與簡單相關(guān)系數(shù)在數(shù)值上可能相差很大,有時甚至符號都可能相反偏相關(guān)系數(shù)的取值與簡單相關(guān)系數(shù)一樣,相關(guān)系數(shù)絕對值愈大(愈接近1) ,表明變量之間的線性相關(guān)程度愈高;相關(guān)系數(shù)絕對值愈小,表明變量之間的線性相關(guān)程度愈低總收入的與

6、客運量的相關(guān)性偏自相關(guān)序列: 總收入滯后偏自相關(guān)標(biāo)準(zhǔn)誤差1.849.1892-.020.1893-.038.1894-.060.1895-.034.1896-.022.1897-.034.1898-.035.1899-.041.18910-.043.18911-.025.18912-.040.18913-.039.18914-.056.18915-.073.18916-.071.189進過以上的相關(guān)性分析可知在滯后系數(shù)最小的情況下客運量與總收入偏自相關(guān)系數(shù)為0.849很接近1，且標(biāo)準(zhǔn)誤差為0.189接近0，因此可以認(rèn)為客運量與人口總收入具有高度相關(guān)性。批發(fā)運輸量與客運量的相關(guān)性偏自相關(guān)Seri

7、es: 批發(fā)運輸量LagPartial AutocorrelationStd. Error1.879.1372-.033.1373-.025.1374.014.1375-.012.1376-.042.1377-.058.1378-.049.1379-.034.13710-.017.13711.016.13712.024.13713-.013.13714-.006.13715-.011.13716-.017.137進過以上的相關(guān)性分析可知在滯后系數(shù)最小的情況下客運量與批發(fā)運輸量的偏自相關(guān)系數(shù)為0.879很接近1，且標(biāo)準(zhǔn)誤差為0.137接近0，因此可以認(rèn)為客運量與批發(fā)運輸量具有高度相關(guān)性。總?cè)丝谂c

8、客運量的相關(guān)性偏自相關(guān)Series: 總?cè)丝贚agPartial AutocorrelationStd. Error1.952.1282.005.1283-.019.1284-.016.1285-.020.1286-.024.1287-.014.1288-.031.1289-.052.12810-.090.12811-.040.12812-.020.12813-.017.12814-.048.12815-.033.12816-.025.128進過以上的相關(guān)性分析可知在滯后系數(shù)最小的情況下客運量與總?cè)丝诘钠韵嚓P(guān)系數(shù)為0.952很接近1，且標(biāo)準(zhǔn)誤差為0.128接近0，因此可以認(rèn)為客運量與總?cè)丝诰?/p>

9、有高度相關(guān)性。經(jīng)過以上客運量、貨運周轉(zhuǎn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量之間的性關(guān)系分析可知他們之間有高度相關(guān)性，即可知總?cè)丝?、生產(chǎn)總值、批發(fā)零售量是主要的影響因子，對客運量、貨運周轉(zhuǎn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量之間的相關(guān)性建立回歸模型，建立多元非線性回歸方程經(jīng)行求解過程如下：在已經(jīng)給定的客運量、貨運周轉(zhuǎn)量、總?cè)丝?、生產(chǎn)總值、批發(fā)零售量的表中，依據(jù)圖像的分布規(guī)律的合理性選取六組數(shù)據(jù)如下表：年份客運量周轉(zhuǎn)量生產(chǎn)總值批發(fā)零售總?cè)丝?9521196155343.812.72482719605911471771.374.68518819685933542199.343.776086197676146

10、996179.584.4703819841730917058581.5637.977637199233920351642196.53200.938580200821338714186715021.841431.589392建立矩陣方程i=1，2，3，4，5，6利用MATLAB進行求解最后得到多元非線性回歸方程分別如下：其中Y1表示客運量，Y2表示貨運量，得到這兩個回歸方程用于后面檢驗預(yù)測值的準(zhǔn)確度。2.對客運量、貨運量、客運周轉(zhuǎn)量、貨運周轉(zhuǎn)量分別建立時間序列模型并依次對其求解，過程如下：客運總量線性模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.748.560.55240527.581自變量為年份

11、。ANOVA平方和df均方FSig.回歸121002695288.5371121002695288.53773.671.000殘差95264121420.796581642484852.083總計216266816709.33359自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份2593.114302.117.7488.583.000（常數(shù)）-5098230.900598667.144-8.516.000Logisti模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.979.959.959.279自變量為年份。ANOVA平方和df均方FSig.回歸106.9401106.940

12、1369.529.000殘差4.52958.078總計111.46959自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份.926.002.376480.056.000（常數(shù)）1.346E+0625.556E+062.242.809因變量為 ln(1 / 客運總量)。貨運總量線性模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.787.619.61346753.030自變量為年份。ANOVA平方和df均方FSig.回歸217073438685.6131217073438685.61399.309.000殘差133336596247.816612185845840.128總計350

13、410034933.42962自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份3228.032323.925.7879.965.000（常數(shù)）-6337731.204641398.273-9.881.000Logistic模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.972.944.943.356自變量為年份。ANOVA平方和df均方FSig.回歸130.1301130.1301027.032.000殘差7.72961.127總計137.85962自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份.924.002.378405.479.000（常數(shù)）4.

14、260E+0632.080E+064.205.838因變量為 ln(1 / 貨運總量)?？瓦\總周轉(zhuǎn)量線性模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.807.652.64525572.487自變量為年份?；貧w67323359190.995167323359190.995102.948.000殘差35967364280.26855653952077.823總計103290723471.26356自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份1953.323192.515.80710.146.000（常數(shù)）-3837594.060381589.456-10.057.000Lo

15、gistic模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.982.965.964.246自變量為年份。ANOVA平方和df均方FSig.回歸91.902191.9021514.146.000殘差3.33855.061總計95.24056自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份.930.002.374539.175.000（常數(shù)）8.382E+0573.081E+058.272.787因變量為 ln(1 / 客運總周轉(zhuǎn)量)。貨運周轉(zhuǎn)量線性模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.702.492.484218912.029自變量為年份。回歸2739960894672.

16、83312739960894672.83357.175.000殘差2827426115436.9375947922476532.829總計5567387010109.77060自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份11509.9431522.196.7027.561.000（常數(shù)）-22623364.5723014502.812-7.505.000Logistic模型匯總RR 方調(diào)整 R 方估計值的標(biāo)準(zhǔn)誤.975.951.950.381自變量為年份。ANOVA平方和df均方FSig.回歸166.7511166.7511149.005.000殘差8.56259.1

17、45總計175.31460自變量為年份。系數(shù)未標(biāo)準(zhǔn)化系數(shù)標(biāo)準(zhǔn)化系數(shù)tSig.B標(biāo)準(zhǔn)誤Beta年份.914.002.377377.508.000（常數(shù)）3.845E+0722.017E+073.191.849因變量為 ln(1 / 貨運周轉(zhuǎn)量)。五、交通客運量變化趨勢的預(yù)測基于時間序列模型運用時間序列分析法對山東省總的客運量和周轉(zhuǎn)量以及其他各地客運量和周轉(zhuǎn)量的變化趨勢經(jīng)行預(yù)測，過程如下：（一）運用時間序列分析法對山東省交通客運量和周轉(zhuǎn)量的預(yù)測如下：客運量單位：(萬)Model201220132014201520162017客運總量-模型_1Forecast27695430624033862337

18、4430414024457804UCL364892449594538900636795745644867463LCL205954200235200114202867207542213704ForecastModel201820192020客運總量-模型_1Forecast506214559743618932UCL100424311580831331255LCL221132229708239376對于每個模型，預(yù)測的范圍要求估計期間的最后一個非缺失，去年同期非缺失的所有預(yù)測值或要求預(yù)測期的結(jié)束日期結(jié)束后開始，（以較早者為準(zhǔn)）?？瓦\總量的觀測值、合適值、置信區(qū)間上、下值、預(yù)測值表客運周轉(zhuǎn)量的預(yù)測F

19、orecastModel201220132014201520162017客運總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446ForecastModel20122013201420

20、1520162017客運總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446客運周轉(zhuǎn)量的觀測值、合適值、置信區(qū)間上、下值、預(yù)測值表（二）運用時間序列分析法對山東省其他各城市交通客運量

21、和周轉(zhuǎn)量的預(yù)測：Model年份201120122013201420152016濟南-模型_1Forecast10302101029902970195019301UCL119841179211600114081121611024LCL862084128203799477867577青島-模型_2Forecast205062050620506205062050620506UCL248442484424844248442484424844LCL161681616816168161681616816168淄博-模型_3Forecast122339756727848012323-154UCL175781

22、731416536154901427512938LCL68892197-1979-5888-9628-13246東營-模型_4Forecast225120881925176215991436UCL280328682881286528332787LCL1699130796965836584濟寧-模型_5Forecast23791798121663452-529UCL327730672770242920591669LCL1482528-339-1161-1955-2728濰坊-模型_6Forecast379434483102275724112065UCL8566138002019927602358

23、9644998LCL-977-6903-13994-22089-31075-40869煙臺-模型_7Forecast98827817575236871621-444UCL173651840018713186531835517887LCL2399-2766-7210-11280-15112-18774日照-模型_8Forecast228922892289228922892289UCL413649005487598264186812LCL442-322-909-1404-1840-2234威海-模型_9Forecast22901139-12-1163-2313-3464UCL94221122512

24、340131001363314004LCL-4841-8946-12364-15425-18260-20933德州-模型_10Forecast1396921446-29-504-979UCL269435764721609576739437LCL97-1735-3830-6153-8681-11395聊城-模型_11Forecast1108441-225-892-1558-2225UCL343137273799375536373467LCL-1216-2845-4250-5539-6754-7916臨沂-模型_12Forecast192-2108-4409-6710-9011-11311UCL9

25、5521112811803120101191911616LCL-9168-15345-20621-25430-29940-34239ForecastModel201120122013201420152016菏澤-模型_13Forecast452-938-2327-3717-5106-6496UCL553762546481645462655961LCL-4634-8130-11136-13888-16478-18953濱州-模型_14Forecast852406-40-487-933-1380UCL29112475203816021166730LCL-1206-1663-2119-2576-30

26、33-3489棗莊-模型_15Forecast340929682528208816471207UCL644460045565512546864246LCL374-68-509-950-1391-1833運用聚類分析方法對其他城市的情況經(jīng)行分析如下：被聚類的對象常常是多個要素構(gòu)成的。不同要素的數(shù)據(jù)往往具有不同的單位和量綱，其數(shù)值的變異可能是很大的，這就會對分類結(jié)果產(chǎn)生影響。因此當(dāng)分類要素的對象確定之后，在進行聚類分析之前，首先要對聚類要素進行數(shù)據(jù)處理。在聚類分析中，常用的聚類要素的數(shù)據(jù)處理方法有如下幾種: 這種標(biāo)準(zhǔn)化方法所得到的新數(shù)據(jù)滿足標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化，即由這種標(biāo)準(zhǔn)化方法所得到的新數(shù)據(jù)，各要素的平

27、均值為0，標(biāo)準(zhǔn)差為1，即有極大值標(biāo)準(zhǔn)化，即極差的標(biāo)準(zhǔn)化，即經(jīng)過這種標(biāo)準(zhǔn)化所得的新數(shù)據(jù)，各要素的極大值為1，極小值為0，其余的數(shù)值均在0與1之間。直接聚類法原理先把各個分類對象單獨視為一類，然后根據(jù)距離最小的原則，依次選出一對分類對象，并成新類。如果其中一個分類對象已歸于一類，則把另一個也歸入該類；如果一對分類對象正好屬于已歸的兩類，則把這兩類并為一類。每一次歸并，都劃去該對象所在的列與列序相同的行。經(jīng)過m-1次就可以把全部分類對象歸為一類，這樣就可以根據(jù)歸并的先后順序作出聚類譜系圖。這是k均值聚類最終聚類中心表Final Cluster CentersCluster（簇）12濟南11863.6

28、711398.88青島20224.3320877.09淄博36461.9818931.63東營3940.992639.00濟寧8516.325497.70濰坊20605.896008.25煙臺31332.2514617.75日照4031.363882.75威海15085.164472.13德州9591.833532.88聊城8268.722611.50臨沂23841.524293.75菏澤14904.073370.00濱州5658.292703.38棗莊6780.345593.09下表是基于施瓦茲貝葉斯準(zhǔn)則的兩步聚類發(fā)得到表其他因素對交通客運量及貨運量的影響(四)其他因素對交通客運量及貨運量的

29、影響及在這些因子的影響下交通客運量和貨運量的預(yù)測值：預(yù)測大致分為三步：系統(tǒng)分析客運輸量歷史和現(xiàn)狀，分析確定未來旅客平均行程延長或縮短的趨勢及其影響因素，尋求數(shù)量上變化的趨勢，掌握預(yù)測計算用的數(shù)據(jù)和成因；調(diào)查了解預(yù)測期內(nèi)分析引起未來客運輸量因素變化的趨勢；采用多種方法進行預(yù)測，綜合比較，確定預(yù)測運輸量的速度和規(guī)模，力求提高預(yù)測的準(zhǔn)確性和及時性。計算運輸量 運輸量預(yù)測的計算方法基本上分為生產(chǎn)和運輸比例關(guān)系法以及數(shù)理統(tǒng)計法兩類?？瓦\量和旅客周轉(zhuǎn)量預(yù)測的具體計算方法又各有差異。并估計這些因素對未來客運量增長速度的影響程度。 按生產(chǎn)和運輸?shù)谋壤P(guān)系法計算方法分為四種：按主要工農(nóng)業(yè)產(chǎn)品計算的運輸系數(shù)法。根

30、據(jù)報告期和預(yù)測期主要工農(nóng)業(yè)產(chǎn)品生產(chǎn)量和運輸系數(shù)的變化確定貨運量。運輸系數(shù)是工農(nóng)業(yè)產(chǎn)品的生產(chǎn)量和運輸量的比值，采用這種方法的關(guān)鍵是要分析掌握引起運輸系數(shù)變化的主要因素。再根據(jù)人口發(fā)展的預(yù)測，都可引起運輸系數(shù)的變化。計算公式是： Y=XK 式中Y為預(yù)測的貨運量;X為主要第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)未來量；K為主要第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)未來運輸系數(shù)。按第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)計算的運輸系數(shù)法。根據(jù)報告期和預(yù)測期工農(nóng)業(yè)總產(chǎn)值中第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)和運輸系數(shù)變化確定貨運量。第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)產(chǎn)值運輸系數(shù)變化的趨勢，按預(yù)測期第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)增長速度和產(chǎn)值運輸系數(shù)，推算未來的貨運量。再根據(jù)預(yù)

31、測期的收入增長速度，計算公式是YMAE(1+A)T+BF(1+B)T+CG(1+C)T 式中M為預(yù)測期前一年實際工農(nóng)業(yè)總產(chǎn)值；A、B、C分別為預(yù)測期前一年實際工農(nóng)業(yè)總產(chǎn)值中第一產(chǎn)業(yè)、第二產(chǎn)業(yè)和重工業(yè)的比重;E、F、G分別為第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)運輸系數(shù);A、B、C分別為第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)值的平均增長速度;T為預(yù)測期的年限。根據(jù)預(yù)測期經(jīng)濟發(fā)展情況尋求未來的客運彈性比值。計算出主要工農(nóng)業(yè)產(chǎn)品的貨運量 Y1=P(1+n)tK 式中Y1為預(yù)測的貨物周轉(zhuǎn)量；P為報告期基礎(chǔ)年度的貨物周轉(zhuǎn)量；n為預(yù)測期工農(nóng)業(yè)總產(chǎn)值平均年增長速度；t為預(yù)測期年限；K為預(yù)測期的運輸彈性比值。按數(shù)理統(tǒng)計法計算也分為趨勢外

32、延法和回歸分析法兩種，其基本原理與貨運量的預(yù)測相同?？瓦\量預(yù)測的計算方法 按生產(chǎn)和運輸比例關(guān)系法計算方法分為三種：按國民收入增長同客運量增長之間客運彈性比值計算?？瓦\彈性比值表示國民收入每增長1,客運量增長的百分?jǐn)?shù)。根據(jù)預(yù)測期經(jīng)濟發(fā)展情況尋求未來的客運彈性比值，再根據(jù)預(yù)測期的國民收入增長速度，推算未來客運量。計算公式為： NR(1+m)tK1 式中N為預(yù)測的客運量，R為基礎(chǔ)年度的客運量;預(yù)測值ForecastModel20122013201420152016生產(chǎn)總值-模型_1Forecast51820.0358965.4267006.8576106.4186423.89UCL60604.487

33、7192.7996276.11118191.23143424.89LCL44027.6744175.6944982.2646408.2248380.06第一產(chǎn)業(yè)-模型_2Forecast4342.454745.255185.405666.396191.98UCL5339.906336.077365.758472.519679.80LCL3491.793474.713529.233622.783744.08第二產(chǎn)業(yè)-模型_3Forecast26574.5329153.1031731.6734310.2336888.80UCL27156.4630272.9733485.7736783.354015

34、7.10LCL25992.6128033.2329977.5631837.1133620.50工業(yè)-模型_4Forecast23460.7225668.2927875.8530083.4232290.99UCL24027.0226750.4629565.4732461.1835429.42LCL22894.4224586.1226186.2327705.6629152.55ForecastModel2017201820192020生產(chǎn)總值-模型_1Forecast98131.58111421.17126508.51143637.82UCL172565.48206290.70245372.962

35、90692.85LCL50842.6053764.7657135.3960958.51第一產(chǎn)業(yè)-模型_2Forecast6766.347393.968079.808829.26UCL11006.0612468.5014084.5715872.63LCL3888.104052.414235.864438.07第二產(chǎn)業(yè)-模型_3Forecast39467.3642045.9344624.4947203.06UCL43600.4747108.3650676.5954301.72LCL35334.2536983.4938572.3940104.39工業(yè)-模型_4Forecast34498.563670

36、6.1238913.6941121.26UCL38464.0041560.0444713.6147921.42LCL30533.1131852.2033113.7734321.10殘差自相關(guān)函數(shù)ACF圖殘差不分自相關(guān)函數(shù)PACF圖各產(chǎn)業(yè)未來預(yù)測值預(yù)測客運周轉(zhuǎn)量在預(yù)測客運量的基礎(chǔ)上進一步測算旅客周轉(zhuǎn)量是客運量與旅客平均行程的乘積。根據(jù)上述客運量的預(yù)測，分析確定未來旅客平均行程延長或縮短的趨勢及其影響因素，測定未來旅客平均行程,預(yù)測旅客周轉(zhuǎn)量其原理和預(yù)測客運量的彈性比值法相同。計算公式是： N1R1(1+m)tK2 式中N1為預(yù)測的旅客周轉(zhuǎn)量； R1為報告期基礎(chǔ)年度的旅客周轉(zhuǎn)量；m為預(yù)測期國民收入

37、平均年增長速度；t為預(yù)測期年限；K2為預(yù)測期的運輸彈性比值。 按數(shù)理統(tǒng)計法，舍掉特殊性，找出一般趨勢殘差自相關(guān)和殘差部分自相關(guān)表。ForecastModel201220132014201520162017客運總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL

38、620964707678804119LCL151522156657162446ForecastModel201220132014201520162017客運總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL15152

39、2156657162446預(yù)測客運量R為報告期基礎(chǔ)年度的客運量;m為預(yù)測期國民收入平均年增長速度；t為預(yù)測期年限；K1為預(yù)測期的客運彈性比值。計算公式為：NLS 式中L為預(yù)測期末人口數(shù)；S為預(yù)測期末的平均乘坐率。 按生產(chǎn)和運輸比例關(guān)系法計算方法有兩種：客運量的預(yù)測表Model201220132014201520162017客運總量-模型_1Forecast276954306240338623374430414024457804UCL364892449594538900636795745644867463LCL205954200235200114202867207542213704Forecas

40、tModel201820192020客運總量-模型_1Forecast506214559743618932UCL100424311580831331255LCL221132229708239376客運總量的觀測值、合適值、置信區(qū)間上、下值、預(yù)測值表六、交通客運量和貨運量的預(yù)測分析1、人口生產(chǎn)總值對交通客運量確實有很大影響，通過分析可知，隨著人口生產(chǎn)總值的增長，交通客運量也在增長。到2020年，從2012年的客運量為276954增加到2020年的6189322、總?cè)丝跀?shù)量在模型中表現(xiàn)出與被解釋變量有很高的相關(guān)關(guān)系，通過回歸分析法計算可知，二者的擬合度是很高的。這是符合常識的，因為數(shù)據(jù)不統(tǒng)一的因素

41、居民的交通習(xí)慣和其他交通工具的選擇也可能影響客運量，但這些因素我們沒有考慮到。總?cè)丝趶?012年的 9829 增加到2020年的9967 。隨著城市經(jīng)濟的發(fā)展，尤其是農(nóng)村打工族的遷徙，使得城市外來人口增多，從而導(dǎo)致客運量的大大增加，尤其在節(jié)假日，外來務(wù)工人員返鄉(xiāng)時總?cè)丝趯瓦\量的影響最為突出。但是各個城市的客運量是在下降的，有的城市甚至還出現(xiàn)了負(fù)增長的趨勢，說明私家車越來越多。3、批發(fā)零售對客運量的影響也較大，批發(fā)零售從2012年 2614.62 增加到2020年的 3797.66 ?？梢苑治鲭S著生活水平的提高，隨著經(jīng)濟的發(fā)展，為了適應(yīng)人們生活的快節(jié)奏，批發(fā)零售貿(mào)易餐飲業(yè)的出現(xiàn)，解決了人們因為

42、工作壓力大而對付餐飲的問題。批發(fā)零售餐飲業(yè)在逐漸增加的同時客運量也在增加，尤其是到工作日的上下班時間，客運量更是在此時增加的更快，也就是說，批發(fā)零售餐飲業(yè)對客運量的影響在工作日上下班時間尤為突出。 4、客運周轉(zhuǎn)量是指在一定時期內(nèi)運送旅客數(shù)量與平均運距的乘積。由此定義可知，客運周轉(zhuǎn)量與旅客數(shù)量，即總?cè)丝诘臄?shù)量大大相關(guān)。隨著外來人口進入城市打工或者是搬遷，尤其是外省或者是農(nóng)村的人口的遷入，導(dǎo)致平均運距的增加，尤其在返鄉(xiāng)時，從而必然導(dǎo)致客運周轉(zhuǎn)量的增加?？瓦\周轉(zhuǎn)量從2012年的189186 增加到2020年的 391423 而總?cè)丝趶?012年的 9829 增加到2020年的 10512 從數(shù)據(jù)也可

43、以得到，客運周轉(zhuǎn)量在增加，而總?cè)丝诘臄?shù)量也在增長。七、回歸模型的檢驗相關(guān)性分析：在相關(guān)分析中,通常利用兩個變量之間的簡單相關(guān)系數(shù)和一個變量與多個變量之間的復(fù)相關(guān)系數(shù)來分析或測定這些變量之間的線性相關(guān)程度,并據(jù)此進行線性回歸分析、預(yù)測和控制等。相關(guān)系數(shù)r 絕對值愈大(愈接近1) ,表明變量之間的線性相關(guān)程度愈高;相關(guān)系數(shù)絕對值愈小,表明變量之間的線性相關(guān)程度愈低。相關(guān)系數(shù)為零時,表明變量之間不存在線性相關(guān)關(guān)系。因此,人們通常利用相關(guān)系數(shù)的大小來解釋變量間相互關(guān)系的大小，下面進行交通客運量、貨運量與總?cè)丝凇⑸a(chǎn)總值、批發(fā)零售量的相關(guān)性分析：（1）可決系數(shù)與調(diào)整的可決系數(shù)在多元線性回歸方程中，也可以

44、向一元線性回歸模型那樣，用可決系數(shù)來衡量樣本回歸線對樣本觀測值的擬合程度。Syy表示y的總變差上式描述了一個因變量y的某次觀測值yi與這個因變量的平均值的偏差平方和，它的大小描述了這n個數(shù)據(jù)的分散程度，記作 。因為所以即要想求就要先求Q和U又有Q-y的剩余平方和為 或誤差平方和；先求客運量，經(jīng)有關(guān)數(shù)據(jù)帶入Yi表示客運量和周轉(zhuǎn)量的取值。Yi上的冒代表多元線性回歸模型 本題中的多元線性回歸模型為客運量時下標(biāo)為0的系數(shù)為0，下標(biāo)為1的系數(shù)為0.3478 下標(biāo)為2的系數(shù)為0.0551 下標(biāo)為3的系數(shù)為0.0048周轉(zhuǎn)量時下標(biāo)為0的系數(shù)為0 下標(biāo)為1的系數(shù)為0.3350 下標(biāo)為2的系數(shù)為0.0548下標(biāo)

45、為3的系數(shù)為0.0048X1i的取值為 每8年取一次值將值代入可得 客運量時Q=1221434604 周轉(zhuǎn)量時 Q=792461034.8（2）U-y的回歸平方和y的平均值 將值代入可得 客運量時U=562514596 周轉(zhuǎn)量時 U=553374823.3所以求Syy 客運量時Syy=718517421.6 周轉(zhuǎn)量時Syy=792473830.2檢驗方法是用F檢驗法，檢驗統(tǒng)計量是F=U/Q客運量時 F=0.4605 周轉(zhuǎn)量時F=0.6983總平方和可以分解為回歸平方和與殘差平方和的和，回歸平方和反映了總平方和中有樣本回歸線解釋的部分；殘差平方反映總平方和中不能由樣本回歸線解釋的部分，其值越大，

46、表明用回歸方程解釋樣本誤差越大。當(dāng)r越接近于1時，剩余平方和Q(a,b)的值越接近于0，即回歸模型描述y與x的關(guān)系的近似程度越好，對于一元線性回歸而言，表示y與x的關(guān)系越接近于線性；當(dāng)r=1時，Q(a,b)=0，此時即每一個理論值都等于對應(yīng)的實際值，回歸直線通過每一個數(shù)據(jù)點，這種情況稱為完全線性相關(guān)，r越接近于0，y與x的關(guān)系與線性關(guān)系相差就越遠，甚至根本不能用所得到的回歸方程來描述，當(dāng)r=0時，稱為完全無線性相關(guān)。 r表示擬合優(yōu)度r2=u/Syy=1-Q/Syy客運量時 r2=0.78 周轉(zhuǎn)量時r2=0.70經(jīng)過以上的擬合優(yōu)度系數(shù)可知利用回歸方程檢驗解釋樣本誤差很小，即剩余平方和Q(a,b)的值越接近于0，也即回歸模型描述y與x的關(guān)系的近似程度最好，所以先前建立的回歸模型是比較合理準(zhǔn)確的。八、模型評價1、回歸分析法在分析多因素模型時，更加簡單和方便；這樣就可大大減少我們的工作量，然我們在整個比賽過程中工作量沒那么大 2、運用回歸模型，只要采用的模型和數(shù)據(jù)相同，