基于灰色关联度的铁路货运量关键影响因子选取方法研究

李 瑞，代明睿，李凤姿

（中国铁道科学研究院 运输及经济研究所，北京 100081）

基于灰色关联度的铁路货运量关键影响因子选取方法研究

李 瑞，代明睿，李凤姿

（中国铁道科学研究院 运输及经济研究所，北京 100081）

影响铁路货运量的因素众多、关系复杂，而且不同因素对于铁路货运量变化的影响程度不同。通过对影响铁路货运量的各方面因素进行分析，从宏观经济、铁路货运市场供需、物流环境3个方面选取具有代表性的、可量化的指标作为货运量影响因子，利用灰色关联度分析模型，求解出各影响因子序列与铁路货运量之间的关联度，并根据关联度排序情况进一步确定影响因子与铁路货运量的紧密程度，从而实现对铁路货运量关键影响因子的筛选。

铁路货运量；灰色关联度；影响因子

在铁路货运市场营销决策过程中，货运量通常是一个重要的影响因素。许多决策模型都是在对铁路货运量变化进行研究的基础上进行构建，而经济形势的变化、铁路货运市场的变动及物流环境的变化等，都会影响铁路货运量的变化。从宏观层面看，国民生产总值 (GDP) 变化 (包括第一、第二产业产值的变化) 与铁路货运量密切相关；从微观层面看，铁路总运量由铁路货运市场中各品类运量组成；从整个物流环境分析，与铁路运输形成竞争关系的其他运输行业运量也影响着铁路货运量[1]。因此，铁路货运量的分析研究，首先应从众多影响因子中筛选出与铁路货运量变化有着较高关联度的因子，通过对关键因子的研究来确定铁路货运量的变化规律；通过减少影响因子的维度降低研究复杂度[2]。为此，利用灰色关联度模型分析铁路货运量与影响因子之间的关联关系，找出影响铁路货运量变化的核心影响因素[3]。关联度差异，进而较为准确地从众多影响因子中筛选出影响货运量的关键因子[5]。

1.2 铁路货运量影响因子的选取

目标特征序列为铁路货运量数据，影响因子序列从宏观经济、铁路货运市场供需、物流环境 3 个方面中选取具有代表性的、可量化的指标作为研究对象。经过筛选，初步确定货运量影响因子[6]如图 1 所示。

图 1 铁路货运量影响因子

1 铁路货运量影响因子的灰色关联度分析

1.1 问题描述

灰色关联度分析是利用灰色关联度模型，对特征序列和影响因子序列进行关联性分析，得到特征序列与影响因子之间的关联度；通过关联度比较，得出特征序列与各项影响因子间的关系。在铁路货运量关键影响因子的选取过程中，铁路货运量历史数据即为模型中的特征序列，其他影响因素的历史数据即为影响因子序列，由目标特征序列和影响因子序列构成的序列空间为灰关联因子空间[4]。

在选取铁路货运量关键影响因子过程中，首先需要确定备选影响因子集。经济变化、市场供需变化、物流行业竞争、国家政策变化等多方面因素都会影响铁路货运量的变化；由于备选影响因子集涉及范围较广，需要初步选出其中的主要因素，然后使用主要因素构建成新的因子集进行分析。在这个过程中，众多因子序列间在量纲和数量级上存在较大差异。通过灰色关联分析过程中的数据无量纲化处理，可以降低各影响因子与铁路货运量之间由于数值单位不同造成的

历史数据表明，铁路货运量主要集中在大宗物资的运输，因而抓住大宗物资运输的核心品类，就可以摸清铁路货运的市场情况[7]。从物流环境变化角度来看，影响铁路货运量变化的一个重要方面，就是其他运输行业的发展状况，因而有必要将与铁路运输有竞争关系的其他运输方式货运量作为研究因子，通过将铁路货运量与公路、水运、航空运输的关联度进行对比，得到铁路货运量与其他运输行业竞争的关系。由于我国电子商务行业发展迅速，快递业务急剧上升，因而将电商物流作为影响铁路货运量的一个因子。

2 铁路货运量关键影响因子选取过程

2.1 研究数据源的确定

选取 2005—2013 年铁路货运量数据作为目标特征序列，变量因子序列数据包括 2005—2013 年宏观经济数据，以及公路、水运、航空货运量及国内快递运输业务量。2005—2013 年国家铁路货运量数据如表 1 所示。宏观经济数据如表 2 所示，其中包括2005—2013 年 GDP、第一产业增加值和第二产业增加值；考虑到第三产业对铁路货运量的影响很小，因而没有将其列为研究对象。2015—2013 年公路、水运、航空货运量及国内快递运输业务量如表 3 所示。

表 1 2005—2013 年国家铁路货运量数据

表 2 2005—2013 年宏观经济数据 亿元

表 3 2005—2013 年公路、水运、航空货运量及国内快递运输业务量

2.2 灰色关联度计算

在特征序列 (货运量数据) 和影响因子序列 (即与货运量变化相关的其他参考序列) 数据确定后，用数列 x0代表国家铁路货运量，数列 x1为 GDP，x2为第一产业增加值，x3为第二产业增加值，x4为煤炭运量，x5为钢铁及有色金属运量，x6为金属矿石运量，x7为粮食运量，x8为公路货运量，x9为水路货运量，x10为民航货运量，x11为全年快递业务量。进行灰色关联度计算的主要步骤如下。

（2）求序列差。

表 4 初始值序列

式中：Δi(k) 为整个灰关联因子空间上第 k 点相对于的差值。

（3）求灰关联因子空间中的两级最大差与最小差。

式中：M 为两级最大差；m 为两级最小差。

（4）计算关联系数。

式中：γ(0,i)(k) 为 xi对于 x0在第 k 点上的关联系数；ξ为分辨系数，用于削弱当 M 过大时关联系数失真的影响。在计算过程中，ξ 取值一般为 0.5，因而 γ(0,i)(k) =，其中。

（5）计算关联度。

式中：γi为灰关联因子空间中影响因子序列 xi对于特征序列 x0的关联度。

经过上述步骤计算，可以得出目标特征序列铁路货运量与其影响因子之间的关联度，它代表关键因子对铁路货运量的影响程度。灰色关联度如表 5 所示。

表 5 灰色关联度

2.3 结果分析

通常认为关联度大于 0.9 的因子与目标特征序列非常密切；关联度大于 0.75 的因子有较好的关联性，可以作为关键因子；关联度在 0.6～0.75 之间的因子与目标特征需求的关联性一般，可以根据实际研究需要有选择地将其确定为关键因子；0.6 以下为较弱关联度因子，不作为关键因子。从上述结果来看，影响铁路货运量的关键影响因子包括第二产业增加值、煤炭运量、钢铁及有色金属运量、金属矿石运量、水运运量。如果扩大关键因子范围，可以将公路货运量、粮食运量、第一产业增加值纳入考虑。

3 结束语

通过灰色关联度分析，可以从特征序列的众多影响因子中提取出关键影响因子。将铁路货运量作为特征研究对象，利用灰色关联度分析模型，从多角度对铁路货运量影响因子进行分析挖掘，找到影响铁路货运量的关键因素，为后续有关铁路货运量的分析研究，包括货运量预测、预警等提供研究基础[8]。

[1] 安 迪. 铁路货运量影响因素分析及对策研究[J]. 铁道货运，2014，32(10)：41-46.

[2] 张 宪. 基于 Matlab 的铁路内部因素与货运量的灰色关联分析[J]. 交通科技与经济，2015(2)：38-40.

[3] 于 泳. 试析影响中国铁路货运量的主要因素[J]. 物流科技，2003(6)：37-39.

[4] 王 栋，米国际. 基于灰色关联和 BP 神经网络的铁路货运量预测方法[J]. 江南大学学报：自然科学版，2015(1)：80-84.

[5] 保鲁昆，辛 灵，鲍晶晶. 基于供需关系的铁路货运需求预测[J]. 交通科技与经济，2007(2)：99-101.

[6] 崔淑华，王 娜，胡亚南.基于主成分分析的公路货运量预测影响因素研究[J]. 森林工程，2005(5)：65-67.

[7] 崔艳萍，肖 睿. 铁路运输能力研究综述[J]. 铁道运输与经济，2015，37(6)：20-26.

[8] 姜 琪. 中国铁路运输业发展困境与有效竞争研究[J]. 中国物价，2013(6)：22-24.

责任编辑：金 颖

1004-2024(2015)11-0011-04

：U294.1+3

：B

10.16669/j.cnki.issn.1004-2024.2015.11.03

2015-11-16

中国铁路总公司科技研究开发计划课题(2014X009-G)