城市交通客運(yùn)量統(tǒng)計(jì)分析與建模預(yù)測(cè)研究

城市交通客運(yùn)量統(tǒng)計(jì)分析與建模預(yù)測(cè)研究一、摘要：本文針對(duì)山東省各都市近幾年交通運(yùn)輸客運(yùn)量的變化趨勢(shì)，在充分考慮和分析阻礙交通客運(yùn)量的因素之后，就客運(yùn)量和貨運(yùn)周轉(zhuǎn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量之間的有關(guān)性運(yùn)用回來(lái)分析法進(jìn)行分析，研究了交通客運(yùn)量的統(tǒng)計(jì)特點(diǎn)，建立了多元非線性回來(lái)方程，運(yùn)用MATLAB軟件對(duì)方程進(jìn)行求解得到合理的回來(lái)系數(shù)，從而求得非線性回來(lái)方程，并用F檢驗(yàn)法對(duì)有關(guān)性進(jìn)行檢驗(yàn)，求得置信區(qū)間。同時(shí)運(yùn)用SPSS軟件對(duì)交通客運(yùn)量建立時(shí)刻序列模型進(jìn)行求解并求得客運(yùn)量和貨運(yùn)量的推測(cè)值，對(duì)各市交通運(yùn)輸量的阻礙因素進(jìn)行聚類(lèi)分析，并依此為依據(jù)對(duì)交通治理部門(mén)提出合理建議，最后對(duì)交通運(yùn)輸客運(yùn)量和貨運(yùn)量的推測(cè)值的準(zhǔn)確性和可取性經(jīng)行評(píng)判。關(guān)鍵詞：回來(lái)分析MATLABF檢驗(yàn)置信區(qū)間SPSS時(shí)刻序列聚類(lèi)分析推測(cè)值二、咨詢(xún)題的提出：近年來(lái)，隨著我國(guó)社會(huì)經(jīng)濟(jì)的快速進(jìn)展，交通運(yùn)輸客運(yùn)量顯現(xiàn)迅速增長(zhǎng)的趨勢(shì)。受社會(huì)經(jīng)濟(jì)進(jìn)展水平、人口總量、經(jīng)濟(jì)結(jié)構(gòu)、產(chǎn)業(yè)布局以及綜合交通運(yùn)輸網(wǎng)絡(luò)拓展程度等諸多因素的阻礙，交通客運(yùn)量表現(xiàn)隨機(jī)性的復(fù)雜波動(dòng)特點(diǎn)。如何科學(xué)組織運(yùn)力、建立完善的交通體系，進(jìn)一步提升交通運(yùn)輸規(guī)劃與社會(huì)經(jīng)濟(jì)進(jìn)展的習(xí)慣性，提升交通運(yùn)輸設(shè)施的投資和運(yùn)營(yíng)效益，關(guān)于促進(jìn)社會(huì)穩(wěn)固以及構(gòu)建和諧社會(huì)均具有重要意義。三、模型的假設(shè)和符號(hào)系統(tǒng)：（一）、模型的假設(shè)1、假設(shè)山東省人口在以后幾年中健康平穩(wěn)變化，可不能顯現(xiàn)人口老齡化咨詢(xún)題2、假設(shè)山東省經(jīng)濟(jì)水平健康平穩(wěn)進(jìn)展，經(jīng)濟(jì)進(jìn)展趨勢(shì)幾乎不受金融危機(jī)的阻礙3、假設(shè)山東省的經(jīng)濟(jì)結(jié)構(gòu)可不能發(fā)生專(zhuān)門(mén)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(yùn)輸網(wǎng)可不能發(fā)生專(zhuān)門(mén)大的變動(dòng)，即修建地鐵的可能性不大5、假設(shè)都市中的道路狀況十分良好，沒(méi)有房屋拆遷，道路、橋梁的修理和破壞，特定道路的管制通行或者占道，交通事故等阻礙因素6、私家車(chē)、公交車(chē)等不同車(chē)輛同等看待（二）、數(shù)學(xué)符號(hào)的講明y1…………旅客運(yùn)量為因變量y2…………周轉(zhuǎn)量為因變量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Syy…………y的總變差Q-y…………剩余平方和或誤差平方和Yi…………客運(yùn)量和周轉(zhuǎn)量的取值F=U/Q…………F檢驗(yàn)法r…………擬合優(yōu)度r^2=u/Syy=1-Q/Syy四、模型的建立與求解1.客運(yùn)量、貨運(yùn)周轉(zhuǎn)量與總?cè)丝凇⑸a(chǎn)總值、批發(fā)零售量之間的有關(guān)性分析兩個(gè)變量之間的高度有關(guān)關(guān)系,有時(shí)并不是這兩個(gè)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(gè)變量的媒介作用而形成高度有關(guān)。因此,我們絕不能只按照有關(guān)系數(shù)專(zhuān)門(mén)大,就認(rèn)為兩者變量之間有直截了當(dāng)內(nèi)在的線性聯(lián)系。現(xiàn)在要準(zhǔn)確地反映兩個(gè)變量之間的內(nèi)在聯(lián)系,就不能簡(jiǎn)單的運(yùn)算有關(guān)系數(shù),而是需要考慮偏有關(guān)系數(shù)。偏有關(guān)系數(shù)是在對(duì)其他變量的阻礙進(jìn)行操縱的條件下,衡量多個(gè)變量中某兩個(gè)變量之間的線性有關(guān)程度的指標(biāo)。因此,用偏有關(guān)系數(shù)來(lái)描述兩個(gè)變量之間的內(nèi)在線性聯(lián)系會(huì)更合理、更可靠。偏有關(guān)系數(shù)不同于簡(jiǎn)單有關(guān)系數(shù)。在運(yùn)算偏有關(guān)系數(shù)時(shí),需要把握多個(gè)變量的數(shù)據(jù),一方面考慮多個(gè)變量之間可能產(chǎn)生的阻礙,另一方面又采納一定的方法操縱其他變量,專(zhuān)門(mén)考察兩個(gè)特定變量的凈有關(guān)關(guān)系。在多變量有關(guān)的場(chǎng)合,由于變量之間存在錯(cuò)綜復(fù)雜的關(guān)系,因此偏有關(guān)系數(shù)與簡(jiǎn)單有關(guān)系數(shù)在數(shù)值上可能相差專(zhuān)門(mén)大,有時(shí)甚至符號(hào)都可能相反偏有關(guān)系數(shù)的取值與簡(jiǎn)單有關(guān)系數(shù)一樣,有關(guān)系數(shù)絕對(duì)值愈大(愈接近1),表明變量之間的線性有關(guān)程度愈高;有關(guān)系數(shù)絕對(duì)值愈小,表明變量之間的線性有關(guān)程度愈低總收入的與客運(yùn)量的有關(guān)性偏自有關(guān)序列:總收入滯后偏自有關(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(jìn)過(guò)以上的有關(guān)性分析可知在滯后系數(shù)最小的情形下客運(yùn)量與總收入偏自有關(guān)系數(shù)為0.849專(zhuān)門(mén)接近1，且標(biāo)準(zhǔn)誤差為0.189接近0，因此能夠認(rèn)為客運(yùn)量與人口總收入具有高度有關(guān)性。批發(fā)運(yùn)輸量與客運(yùn)量的有關(guān)性偏自有關(guān)Series:批發(fā)運(yùn)輸量LagPartialAutocorrelationStd.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(jìn)過(guò)以上的有關(guān)性分析可知在滯后系數(shù)最小的情形下客運(yùn)量與批發(fā)運(yùn)輸量的偏自有關(guān)系數(shù)為0.879專(zhuān)門(mén)接近1，且標(biāo)準(zhǔn)誤差為0.137接近0，因此能夠認(rèn)為客運(yùn)量與批發(fā)運(yùn)輸量具有高度有關(guān)性?？?cè)丝谂c客運(yùn)量的有關(guān)性偏自有關(guān)Series:總?cè)丝贚agPartialAutocorrelationStd.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(jìn)過(guò)以上的有關(guān)性分析可知在滯后系數(shù)最小的情形下客運(yùn)量與總?cè)丝诘钠杂嘘P(guān)系數(shù)為0.952專(zhuān)門(mén)接近1，且標(biāo)準(zhǔn)誤差為0.128接近0，因此能夠認(rèn)為客運(yùn)量與總?cè)丝诰哂懈叨扔嘘P(guān)性。通過(guò)以上客運(yùn)量、貨運(yùn)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有關(guān)性，即可知總?cè)丝?、生產(chǎn)總值、批發(fā)零售量是要緊的阻礙因子，對(duì)客運(yùn)量、貨運(yùn)周轉(zhuǎn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量之間的有關(guān)性建立回來(lái)模型，建立多元非線性回來(lái)方程經(jīng)行求解過(guò)程如下：在差不多給定的客運(yùn)量、貨運(yùn)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(yùn)量周轉(zhuǎn)量生產(chǎn)總值批發(fā)零售總?cè)丝?9521196155343.812.72482719605911471771.374.68518819685933542199.343.776086197676146996179.584.4703819841730917058581.5637.977637199233920351642196.53200.938580200821338714186715021.841431.589392建立矩陣方程i=1，2，3，4，5，6利用MATLAB進(jìn)行求解最后得到多元非線性回來(lái)方程分別如下：其中Y1表示客運(yùn)量，Y2表示貨運(yùn)量，得到這兩個(gè)回來(lái)方程用于后面檢驗(yàn)推測(cè)值的準(zhǔn)確度。2.對(duì)客運(yùn)量、貨運(yùn)量、客運(yùn)周轉(zhuǎn)量、貨運(yùn)周轉(zhuǎn)量分別建立時(shí)刻序列模型并依次對(duì)其求解，過(guò)程如下：客運(yùn)總量線性模型匯總RR方調(diào)整R方估量值的標(biāo)準(zhǔn)誤.748.560.55240527.581自變量為年份。ANOVA平方和df均方FSig.回來(lái)121002695288.5371121002695288.53773.671.000殘差95264121420.796581642484852.083總計(jì)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方估量值的標(biāo)準(zhǔn)誤.979.959.959.279自變量為年份。ANOVA平方和df均方FSig.回來(lái)106.9401106.9401369.529.000殘差4.52958.078總計(jì)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(yùn)總量)。貨運(yùn)總量線性模型匯總RR方調(diào)整R方估量值的標(biāo)準(zhǔn)誤.787.619.61346753.030自變量為年份。ANOVA平方和df均方FSig.回來(lái)217073438685.6131217073438685.61399.309.000殘差133336596247.816612185845840.128總計(jì)350410034933.42962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方估量值的標(biāo)準(zhǔn)誤.972.944.943.356自變量為年份。ANOVA平方和df均方FSig.回來(lái)130.1301130.1301027.032.000殘差7.72961.127總計(jì)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)）4.260E+0632.080E+064.205.838因變量為ln(1/貨運(yùn)總量)?？瓦\(yùn)總周轉(zhuǎn)量線性模型匯總RR方調(diào)整R方估量值的標(biāo)準(zhǔn)誤.807.652.64525572.487自變量為年份。回來(lái)67323359190.995167323359190.995102.948.000殘差35967364280.26855653952077.823總計(jì)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)）-3837594.060381589.456-10.057.000Logistic模型匯總RR方調(diào)整R方估量值的標(biāo)準(zhǔn)誤.982.965.964.246自變量為年份。ANOVA平方和df均方FSig.回來(lái)91.902191.9021514.146.000殘差3.33855.061總計(jì)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(yùn)總周轉(zhuǎn)量)。貨運(yùn)周轉(zhuǎn)量線性模型匯總RR方調(diào)整R方估量值的標(biāo)準(zhǔn)誤.702.492.484218912.029自變量為年份?；貋?lái)2739960894672.83312739960894672.83357.175.000殘差2827426115436.9375947922476532.829總計(jì)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方估量值的標(biāo)準(zhǔn)誤.975.951.950.381自變量為年份。ANOVA平方和df均方FSig.回來(lái)166.7511166.7511149.005.000殘差8.56259.145總計(jì)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(yùn)周轉(zhuǎn)量)。。五、交通客運(yùn)量變化趨勢(shì)的推測(cè)基于時(shí)刻序列模型運(yùn)用時(shí)刻序列分析法對(duì)山東省總的客運(yùn)量和周轉(zhuǎn)量以及其他各地客運(yùn)量和周轉(zhuǎn)量的變化趨勢(shì)經(jīng)行推測(cè)，過(guò)程如下：（一）運(yùn)用時(shí)刻序列分析法對(duì)山東省交通客運(yùn)量和周轉(zhuǎn)量的推測(cè)如下：客運(yùn)量單位：(萬(wàn))Model201220132014201520162017客運(yùn)總量-模型_1Forecast276954306240338623374430414024457804UCL364892449594538900636795745644867463LCL205954200235200114202867207542213704ForecastModel201820192020客運(yùn)總量-模型_1Forecast506214559743618932UCL100424311580831331255LCL221132229708239376關(guān)于每個(gè)模型，推測(cè)的范疇要求估量期間的最后一個(gè)非缺失，去年同期非缺失的所有推測(cè)值或要求推測(cè)期的終止日期終止后開(kāi)始，（以較早者為準(zhǔn)）?？瓦\(yùn)總量的觀測(cè)值、合適值、置信區(qū)間上、下值、推測(cè)值表客運(yùn)周轉(zhuǎn)量的推測(cè)ForecastModel201220132014201520162017客運(yùn)總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運(yùn)總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446ForecastModel201220132014201520162017客運(yùn)總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運(yùn)總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446客運(yùn)周轉(zhuǎn)量的觀測(cè)值、合適值、置信區(qū)間上、下值、推測(cè)值表（二）運(yùn)用時(shí)刻序列分析法對(duì)山東省其他各都市交通客運(yùn)量和周轉(zhuǎn)量的推測(cè)：Model年份201120122013201420152016濟(jì)南-模型_1Forecast10302101029902970195019301UCL119841179211600114081121611024LCL862084128203799477867577青島-模型_2Forecast205062050620506205062050620506UCL248442484424844248442484424844LCL161681616816168161681616816168淄博-模型_3Forecast122339756727848012323-154UCL175781731416536154901427512938LCL68892197-1979-5888-9628-13246東營(yíng)-模型_4Forecast225120881925176215991436UCL280328682881286528332787LCL1699130796965836584濟(jì)寧-模型_5Forecast23791798121663452-529UCL327730672770242920591669LCL1482528-339-1161-1955-2728濰坊-模型_6Forecast379434483102275724112065UCL85661380020199276023589644998LCL-977-6903-13994-22089-31075-40869煙臺(tái)-模型_7Forecast98827817575236871621-444UCL173651840018713186531835517887LCL2399-2766-7210-11280-15112-18774日照-模型_8Forecast228922892289228922892289UCL413649005487598264186812LCL442-322-909-1404-1840-2234威海-模型_9Forecast22901139-12-1163-2313-3464UCL94221122512340131001363314004LCL-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_12Forecast192-2108-4409-6710-9011-11311UCL95521112811803120101191911616LCL-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-1206-1663-2119-2576-3033-3489棗莊-模型_15Forecast340929682528208816471207UCL644460045565512546864246LCL374-68-509-950-1391-1833運(yùn)用聚類(lèi)分析方法對(duì)其他都市的情形經(jīng)行分析如下：被聚類(lèi)的對(duì)象常常是多個(gè)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)值的變異可能是專(zhuān)門(mén)大的，這就會(huì)對(duì)分類(lèi)結(jié)果產(chǎn)生阻礙。因此當(dāng)分類(lèi)要素的對(duì)象確定之后，在進(jìn)行聚類(lèi)分析之前，第一要對(duì)聚類(lèi)要素進(jìn)行數(shù)據(jù)處理。在聚類(lèi)分析中，常用的聚類(lèi)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(mǎn)足②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)，各要素的平均值為0，標(biāo)準(zhǔn)差為1，即有③極大值標(biāo)準(zhǔn)化，即④極差的標(biāo)準(zhǔn)化，即通過(guò)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。直截了當(dāng)聚類(lèi)法原理先把各個(gè)分類(lèi)對(duì)象單獨(dú)視為一類(lèi)，然后按照距離最小的原則，依次選出一對(duì)分類(lèi)對(duì)象，并成新類(lèi)。如果其中一個(gè)分類(lèi)對(duì)象已歸于一類(lèi)，則把另一個(gè)也歸入該類(lèi)；如果一對(duì)分類(lèi)對(duì)象正好屬于已歸的兩類(lèi)，則把這兩類(lèi)并為一類(lèi)。每一次歸并，都劃去該對(duì)象所在的列與列序相同的行。通過(guò)m-1次就能夠把全部分類(lèi)對(duì)象歸為一類(lèi)，如此就能夠按照歸并的先后順序作出聚類(lèi)譜系圖。這是k—均值聚類(lèi)最終聚類(lèi)中心表FinalClusterCentersCluster（簇）12濟(jì)南11863.6711398.88青島20224.3320877.09淄博36461.9818931.63東營(yíng)3940.992639.00濟(jì)寧8516.325497.70濰坊20605.896008.25煙臺(tái)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(lèi)發(fā)得到表

其他因素對(duì)交通客運(yùn)量及貨運(yùn)量的阻礙(四)其他因素對(duì)交通客運(yùn)量及貨運(yùn)量的阻礙及在這些因子的阻礙下交通客運(yùn)量和貨運(yùn)量的推測(cè)值：推測(cè)大致分為三步：系統(tǒng)分析客運(yùn)輸量歷史和現(xiàn)狀，分析確定以后旅客平均行程延長(zhǎng)或縮短的趨勢(shì)及其阻礙因素，尋求數(shù)量上變化的趨勢(shì)，把握推測(cè)運(yùn)算用的數(shù)據(jù)和成因；②調(diào)查了解推測(cè)期內(nèi)分析引起以后客運(yùn)輸量因素變化的趨勢(shì)；③采納多種方法進(jìn)行推測(cè)，綜合比較，確定推測(cè)運(yùn)輸量的速度和規(guī)模，力求提升推測(cè)的準(zhǔn)確性和及時(shí)性。運(yùn)算運(yùn)輸量運(yùn)輸量推測(cè)的運(yùn)算方法差不多上分為生產(chǎn)和運(yùn)輸比例關(guān)系法以及數(shù)理統(tǒng)計(jì)法兩類(lèi)。客運(yùn)量和旅客周轉(zhuǎn)量推測(cè)的具體運(yùn)算方法又各有差異。并估量這些因素對(duì)以后客運(yùn)量增長(zhǎng)速度的阻礙程度。按生產(chǎn)和運(yùn)輸?shù)谋壤P(guān)系法運(yùn)算方法分為四種：①按要緊工農(nóng)業(yè)產(chǎn)品運(yùn)算的運(yùn)輸系數(shù)法。按照?qǐng)?bào)告期和推測(cè)期要緊工農(nóng)業(yè)產(chǎn)品生產(chǎn)量和運(yùn)輸系數(shù)的變化確定貨運(yùn)量。運(yùn)輸系數(shù)是工農(nóng)業(yè)產(chǎn)品的生產(chǎn)量和運(yùn)輸量的比值，采納這種方法的關(guān)鍵是要分析把握引起運(yùn)輸系數(shù)變化的要緊因素。再按照人口進(jìn)展的推測(cè)，都可引起運(yùn)輸系數(shù)的變化。運(yùn)算公式是：Y=∑XK式中Y為推測(cè)的貨運(yùn)量;X為要緊第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)以后量；K為要緊第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)以后運(yùn)輸系數(shù)。按第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)運(yùn)算的運(yùn)輸系數(shù)法。按照?qǐng)?bào)告期和推測(cè)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(yùn)輸系數(shù)變化確定貨運(yùn)量。第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)產(chǎn)值運(yùn)輸系數(shù)變化的趨勢(shì)，按推測(cè)期第一產(chǎn)業(yè)，第二產(chǎn)業(yè)，工業(yè)增長(zhǎng)速度和產(chǎn)值運(yùn)輸系數(shù)，推算以后的貨運(yùn)量。再按照推測(cè)期的收入增長(zhǎng)速度，運(yùn)算公式是Y＝M[AE(1+A)T+BF(1+B)T+CG(1+C)T]式中M為推測(cè)期前一年實(shí)際工農(nóng)業(yè)總產(chǎn)值；A、B、C分別為推測(cè)期前一年實(shí)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(yùn)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(zhǎng)速度;T為推測(cè)期的年限。按照推測(cè)期經(jīng)濟(jì)進(jìn)展情形尋求以后的客運(yùn)彈性比值。運(yùn)算出要緊工農(nóng)業(yè)產(chǎn)品的貨運(yùn)量Y1=P(1+n)tK式中Y1為推測(cè)的物資周轉(zhuǎn)量；P為報(bào)告期基礎(chǔ)年度的物資周轉(zhuǎn)量；n為推測(cè)期工農(nóng)業(yè)總產(chǎn)值平均年增長(zhǎng)速度；t為推測(cè)期年限；K為推測(cè)期的運(yùn)輸彈性比值。按數(shù)理統(tǒng)計(jì)法運(yùn)算也分為趨勢(shì)外延法和回來(lái)分析法兩種，其差不多原理與貨運(yùn)量的推測(cè)相同?？瓦\(yùn)量推測(cè)的運(yùn)算方法按生產(chǎn)和運(yùn)輸比例關(guān)系法運(yùn)算方法分為三種：①按國(guó)民收入增長(zhǎng)同客運(yùn)量增長(zhǎng)之間客運(yùn)彈性比值運(yùn)算?？瓦\(yùn)彈性比值表示國(guó)民收入每增長(zhǎng)1％,客運(yùn)量增長(zhǎng)的百分?jǐn)?shù)。按照推測(cè)期經(jīng)濟(jì)進(jìn)展情形尋求以后的客運(yùn)彈性比值，再按照推測(cè)期的國(guó)民收入增長(zhǎng)速度，推算以后客運(yùn)量。運(yùn)算公式為：N＝R(1+m)tK1式中N為推測(cè)的客運(yùn)量，R為基礎(chǔ)年度的客運(yùn)量;推測(cè)值ForecastModel20122013201420152016生產(chǎn)總值-模型_1Forecast51820.0358965.4267006.8576106.4186423.89UCL60604.4877192.7996276.11118191.23143424.89LCL44027.6744175.6944982.2646408.2248380.06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_3Forecast26574.5329153.1031731.6734310.2336888.80UCL27156.4630272.9733485.7736783.3540157.10LCL25992.6128033.2329977.5631837.1133620.50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_1Forecast98131.58111421.17126508.51143637.82UCL172565.48206290.70245372.96290692.85LCL50842.6053764.7657135.3960958.51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_4Forecast34498.5636706.1238913.6941121.26UCL38464.0041560.0444713.6147921.42LCL30533.1131852.2033113.7734321.10殘差自有關(guān)函數(shù)ACF圖殘差不分自有關(guān)函數(shù)PACF圖各產(chǎn)業(yè)以后推測(cè)值推測(cè)客運(yùn)周轉(zhuǎn)量在推測(cè)客運(yùn)量的基礎(chǔ)上進(jìn)一步測(cè)算旅客周轉(zhuǎn)量是客運(yùn)量與旅客平均行程的乘積。按照上述客運(yùn)量的推測(cè)，分析確定以后旅客平均行程延長(zhǎng)或縮短的趨勢(shì)及其阻礙因素，測(cè)定以后旅客平均行程,推測(cè)旅客周轉(zhuǎn)量其原理和推測(cè)客運(yùn)量的彈性比值法相同。運(yùn)算公式是：N1＝R1(1+m)tK2式中N1為推測(cè)的旅客周轉(zhuǎn)量；R1為報(bào)告期基礎(chǔ)年度的旅客周轉(zhuǎn)量；m為推測(cè)期國(guó)民收入平均年增長(zhǎng)速度；t為推測(cè)期年限；K2為推測(cè)期的運(yùn)輸彈性比值。按數(shù)理統(tǒng)計(jì)法，舍掉專(zhuān)門(mén)性，找出一樣趨勢(shì)殘差自有關(guān)和殘差部分自有關(guān)表。ForecastModel201220132014201520162017客運(yùn)總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運(yùn)總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446ForecastModel201220132014201520162017客運(yùn)總周轉(zhuǎn)量-模型_1Forecast189186207186226897248484272125298015UCL244800296746350592408737472492542905LCL143639139618139241140724143437147088ForecastModel201820192020客運(yùn)總周轉(zhuǎn)量-模型_1Forecast326368357419391423UCL620964707678804119LCL151522156657162446推測(cè)客運(yùn)量R為報(bào)告期基礎(chǔ)年度的客運(yùn)量;m為推測(cè)期國(guó)民收入平均年增長(zhǎng)速度；t為推測(cè)期年限；K1為推測(cè)期的客運(yùn)彈性比值。運(yùn)算公式為：N＝LS式中L為推測(cè)期末人口數(shù)；S為推測(cè)期末的平均乘坐率。按生產(chǎn)和運(yùn)輸比例關(guān)系法運(yùn)算方法有兩種：客運(yùn)量的推測(cè)表Model201220132014201520162017客運(yùn)總量-模型_1Forecast276954306240338623374430414024457804UCL364892449594538900636795745644867463LCL205954200235200114202867207542213704ForecastModel201820192020客運(yùn)總量-模型_1Forecast506214559743618932UCL100424311580831331255LCL221132229708239376客運(yùn)總量的觀測(cè)值、合適值、置信區(qū)間上、下值、推測(cè)值表六、交通客運(yùn)量和貨運(yùn)量的推測(cè)分析1、人口生產(chǎn)總值對(duì)交通客運(yùn)量確實(shí)有專(zhuān)門(mén)大阻礙，通過(guò)分析可知，隨著人口生產(chǎn)總值的增長(zhǎng)，交通客運(yùn)量也在增長(zhǎng)。到2020年，從2012年的客運(yùn)量為276954增加到2020年的6189322、總?cè)丝跀?shù)量在模型中表現(xiàn)出與被講明變量有專(zhuān)門(mén)高的有關(guān)關(guān)系，通過(guò)回來(lái)分析法運(yùn)算可知，二者的擬合度是專(zhuān)門(mén)高的。這是符合常識(shí)的，因?yàn)閿?shù)據(jù)不統(tǒng)一的因素居民的交通習(xí)慣和其他交通工具的選擇也可能阻礙客運(yùn)量，但這些因素我們沒(méi)有考慮到?？?cè)丝趶?012年的9829增加到2020年的9967。隨著都市經(jīng)濟(jì)的進(jìn)展，專(zhuān)門(mén)是農(nóng)村打工族的遷徙，使得都市外來(lái)人口增多，從而導(dǎo)致客運(yùn)量的大大增加，專(zhuān)門(mén)在節(jié)假日，外來(lái)務(wù)工人員返鄉(xiāng)時(shí)總?cè)丝趯?duì)客運(yùn)量的阻礙最為突出。然而各個(gè)都市的客運(yùn)量是在下降的，有的都市甚至還顯現(xiàn)了負(fù)增長(zhǎng)的趨勢(shì)，講明私家車(chē)越來(lái)越多。3、批發(fā)零售對(duì)客運(yùn)量的阻礙也較大，批發(fā)零售從2012年2614.62增加到2020年的3797.66。能夠分析隨著生活水平的提升，隨著經(jīng)濟(jì)的進(jìn)展，為了習(xí)慣人們生活的快節(jié)奏，批發(fā)零售貿(mào)易餐飲業(yè)的顯現(xiàn)，解決了人們因?yàn)楣ぷ鲏毫Υ蠖鴳?yīng)付餐飲的咨詢(xún)題。批發(fā)零售餐飲業(yè)在逐步增加的同時(shí)客運(yùn)量也在增加，專(zhuān)門(mén)是到工作日的上下班時(shí)刻，客運(yùn)量更是在現(xiàn)在增加的更快，也確實(shí)是講，批發(fā)零售餐飲業(yè)對(duì)客運(yùn)量的阻礙在工作日上下班時(shí)刻尤為突出。4、客運(yùn)周轉(zhuǎn)量是指在一定時(shí)期內(nèi)運(yùn)送旅客數(shù)量與平均運(yùn)距的乘積。由此定義可知，客運(yùn)周轉(zhuǎn)量與旅客數(shù)量，即總?cè)丝诘臄?shù)量大大有關(guān)。隨著外來(lái)人口進(jìn)入都市打工或者是搬遷，專(zhuān)門(mén)是外省或者是農(nóng)村的人口的遷入，導(dǎo)致平均運(yùn)距的增加，專(zhuān)門(mén)在返鄉(xiāng)時(shí)，從而必定導(dǎo)致客運(yùn)周轉(zhuǎn)量的增加?？瓦\(yùn)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)也能夠得到，客運(yùn)周轉(zhuǎn)量在增加，而總?cè)丝诘臄?shù)量也在增長(zhǎng)。七、回來(lái)模型的檢驗(yàn)有關(guān)性分析：在有關(guān)分析中,通常利用兩個(gè)變量之間的簡(jiǎn)單有關(guān)系數(shù)和一個(gè)變量與多個(gè)變量之間的復(fù)有關(guān)系數(shù)來(lái)分析或測(cè)定這些變量之間的線性有關(guān)程度,并據(jù)此進(jìn)行線性回來(lái)分析、推測(cè)和操縱等。有關(guān)系數(shù)r絕對(duì)值愈大(愈接近1),表明變量之間的線性有關(guān)程度愈高;有關(guān)系數(shù)絕對(duì)值愈小,表明變量之間的線性有關(guān)程度愈低。有關(guān)系數(shù)為零時(shí),表明變量之間不存在線性有關(guān)關(guān)系。因此,人們通常利用有關(guān)系數(shù)的大小來(lái)講明變量間相互關(guān)系的大小，下面進(jìn)行交通客運(yùn)量、貨運(yùn)量與總?cè)丝?、生產(chǎn)總值、批發(fā)零售量的有關(guān)性分析：（1）可決系數(shù)與調(diào)整的可決系數(shù)在多元線性回來(lái)方程中，也能夠向一元線性回來(lái)模型那樣，用可決系數(shù)來(lái)衡量樣本回來(lái)線對(duì)樣本觀測(cè)值的擬合程度。Syy表示y的總變差上式描述了一個(gè)因變量y的某次觀測(cè)值yi與那個(gè)因變量的平均值的偏差平方和，它的大小描述了這n個(gè)數(shù)據(jù)的分散程度，記作。因?yàn)橐虼思匆肭缶鸵惹驫和U又有Q-y的剩余平方和為或誤差平方和；先求客運(yùn)量，經(jīng)有關(guān)數(shù)據(jù)帶入Yi表示客運(yùn)量和周轉(zhuǎn)量的取值。Yi上的冒代表多元線性回來(lái)模型本題中的多元線性回來(lái)模型為客運(yùn)量時(shí)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(shí)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)為3的系數(shù)為0.0048X1i的取值為每8年取