基于“交通—经济”大系统环境下交通投资预测研究-

论文导读：控制参数为0.001，学习12下一页
摘要：交通基础设施实质上是一个非线性的动态复杂系统，这意味着在研究交通基础设施投资预测时，不能局限于交通自身的封闭系统，而是要把它放在“交通—经济”大系统环境下，综合考虑内部和外部影响因素的共同作用。文章通过对影响交通投资因素的定性分析，建立了影响交通投资的层次结构模型，并根据该模型构建了基于BP神经网络的预测模型。结果表明，该预测模型能够较全面地考虑多种因素对交通投资的影响，预测效果较好。
关键词：“交通—经济”大系统；交通投资；BP神经网络；预测
作为一种人类社会发展的先行资本，交通基础设施的投资与建设成为了实现经济增长的重要先决条件。由于建设周期长、投资大，造成影响交通投资的因素十分广泛而复杂，因此在研究交通投资预测时，国内许多学者增加了影响交通投资的相关因素。匡敏、胡思继等人选取了铁路市场份额、铁路货运量、港口货物吞吐量、基本建设投资、GDP、第二产业比重、原煤产量、钢产量8个指标作为铁路运输的影响因素，运用BP神经网络对铁路运输进行了预测。方庚明运用多元回归方法，建立了包括经济、人口、政策影响客运量发展相关因素在内的客运量源于：7彩论文网毕业论文致谢词www.7ctime.com
发展预测模型。温爱华、李松选取了GDP、公路运营里程、公路货运量、铁路运营里程、铁路复线比例、铁路货物周转量、铁路货运量、铁路运输从业人员8个指标作为影响铁路货运量的因素，基于GRNN模型对其进行了预测。王文莉、杨俊红采用灰色理论对影响铁路客运量的因素，即GDP、人口、居民平均消费水平、工业增加值、社会消费品零售总额、公路客运量、民航客运量、旅客列车旅行速度进行分析，采用动态分辨系数的灰色关联分析法实现影响因素的优化选择。
关于交通方面的预测方法较多，常用的有回归分析法、时间序列法、灰色模型预测法等，他们都需要建立函数模型才能实现预测。而且通过这些方法所建立的模型，不能全面地反映所预测动态数据内在结构的复杂性和非线性，容易丢失信息。近年来，随着神经网络技术的发展，部分学者尝试利用神经网络进行交通量的预测，构建了多种模型，并取得了一定成就。与传统的预测模型相比，神经网络模型不需要建立函数模型，有较强的自适应性和学习性，具有建立分段非线性模型的能力，对于交通基础设施这个复杂的系统来说，运用神经网络模型进行预测是一种有效的方法。
由于交通投资是一个复杂的系统工程，影响投资的因素较多，而且每个因素也会随着环境的变化而变化，因此为了全面、科学、本质地反映交通投资的变化，本文在前人研究的基础上，构建在“交通—经济”大系统环境下影响交通投资的层次结构模型，运用BP神经网络模型进行预测。

一、 交通基础设施投资影响因素层次结构模型

交通基础设施投资规模是由交通基础设施可供量和需求量共同决定的，而影响交通投资规模的可供量和需求量又涉及到社会生产与生活的方方面面，由此决定了交通投资预测是一个复杂的非线性系统。本文将影响交通投资的因素分成三大类：一类是交通基础设施自身内部的因素，主要包括交通供给与需求；第二类是经济社会因素，如GDP、产业结构状况、人均消费、人口等；第三类是经济体系的外部因素，如资源、环境、地理条件等。根据层次分析法指标体系建立的方法，将交通基础设施投资作为目标层，交通基础设施供给系统、需求系统、经济社会系统和资源系统作为准则层，影响因素作为指标层，构建在“交通—经济”大系统环境下交通基础设施投资影响因素层次结构模型（见图1）。

二、 建立交通基础设施投资的BP神经网络预测模型

1. BP神经网络的基本结构。BP神经网络是一种多层前馈神经网路，其采用误差反向传播学习算法。它由输入层、隐含层和输出层构成，通过有指导的学习方式进行训练和学习，将神经元的激活值从输入层经各个隐含层向输出层传播，在输出层的各个神经元获得网络的实际输出响应。通过比较输出层各个神经元的实际输出与期望输出，获得二者之间的误差，然后按照减少误差的方向，从输出层经过各个隐含层并逐层修正各个连接权值，最后回到输入层。这种过程不断重复进行，直到误差降低，至可以接受的范围，学习训练过程也就随之结束。通常情况下，由于训练样本有限，一般强调选择能达到要求的最小网络。因此，本文所构建的交通投资BP神经网络预测模型的其网络拓扑结构见图2所示。
2. 建立预测模型。训练对于神经网络模型的建立是至关重要的，训练结果的好坏将会影响神经网络模型的拟合与预测效果。因此，我们在训练时要考虑到预测，而不是一味地追求高拟合度，要注意整个模型拟合与预测的一致性。
基于这个目的，本文以同一年份的交通投资总额、铁路投资额、公路投资额、水运投资额、航空投资额、管道投资额、客运量、客运周转量、货运量、货运周转量、GDP、其他基础设施投资、非基础设施投资、人均消费、人口、能源消耗总量16个指标作为一个神经元。利用1980年～2009年的数据作为输入量，2010年的数据作为输出量进行网络训练；同时利用1979年～2008年的数据作为输入，2009年的数据作为输出对网络的性能进行测试，验证模型是否可靠。由于隐含层神经元的确定是根据问题的要求和输入、输出单元的多少，本文经过反复测试，确定隐含层节点数设为5比较合理。因此，本文的预测模型网络结构采用30-5-1结构，即输入层有30个神经元，隐含层有5个神经元，输出层有1个神经元，也是说用前30年数据作为学习样本，后1年的数据作为预测效果检验样本。

三、 应用BP神经网络进行交通基础设施投资的预测

1. 样本数据处理与归一化。为了提高网络训练的学习效率和收敛速度，在数据进入神经网络进行训练和检验样本之前，本文对所选取的16个指标的数据进行归一化处理。本文采用min-max规范化方法，将数据处理为区间〔0， 1〕之间的数据。由于数据量庞大，采用MATLAB

7.0实现归一化处理。

2. BP神经网络训练设计。本文设定BP神经网络的各训练参数为：最大训练步数为10 000步，网络训练后达到的目标精度控制参数为0.001，学习论文导读：是把它放在“交通—经济”大系统中。实证研究证明，BP神经网络预测模型比传统预测模型更能较全面地反映在大系统环境下各种因素对交通投资的非线性的映射关系，预测精度高，效果比较满意。参考文献：1.匡敏，胡思继，邢培昱，武旭.基于国民经济大系统下的铁路货物运输量预测方法的研究.北方交通大学学报（社会科学版），2003，
率为0.01，将样本模式计算器和训练次数计算器都置为1，误差E置为0。采用MATLAB7.0神经网络工具箱的函数trainbpx（）来完成整个模型建立与仿真。3. 网络训练与结果分析。为了缩短学习时间，本文利用LM数值优化法来实现反传算法，网络经过2918步训练后达到设定的均方误差值0.001，训练效果良好。根据上述算法和步骤，训练好的BP神经网络的回测结果表1。
从表1中可以看出，2009年交通基础设施投资相关指标回测结果相对误差在1%～6%之间浮动，虽然有些指标有点偏大，但是总体来说结果还是令人满意的。由此，利用网络结构30-5-1的结构，逐年迭代下去，预测2011年～2020年交通基础投资的相关数据。
总体上来看，2011年到2020年我国的经济增长呈快速上升趋势，年均增长率为12.34%，而交通基础设施投资年均增长率为6.53%。与1978年～2010年经济增长与交通投资年均增长率相比，经济增长增加了2.7个百分点，而交通基础设施投资减少了8.47个百分点，说明未来10年我国的经济增长将改变原有的靠投资拉动的粗放型经济增长方式，国家将加强对交通投资的宏观调控。另外，交通投资的波动较小，缓慢上升，说明交通基础设施仍然是国家投资的重点（见图3所示）。
从交通各种运输方式的投资来看，都随着经济的增长呈现上升趋势，铁路、公路、水运、航空、管道年均增长率为4.96%、5.74%、6.79%、6.98%、21.93%，管道运输基本建设投资增长最快。从所占交通基础设施投资比率来看，铁路与公路投资比率波动较大，从2017年以后，所占比率开始下降，水运、航空、管道投资比率一直保持平稳趋势（见图4、图5所示）。总体上看，摘自：7彩论文网毕业论文答辩流程www.7ctime.com
公路与铁路仍然是国家投资的重点。
从交通运输客运量与客运转量来看，随着经济增长呈快速上升趋势，年均增长率为6.37%、6.71%。同样，货运量与货运周转量也呈快速上升趋势，年均增长率为5.9%、6.63%（见图6、图7所示）。与交通基础设施投资年均增长率相比，交通需求仍然大于交通供给，交通基础设施投资仍将满足不了经济快速发展。
四、 结论
交通基础设施投资实质上是一个复杂的动态系统，它受到各种各样复杂因素的影响。因此，在研究交通基础设施投资的具体情况，除了要考虑自身内部的各种因素的变化，还要考虑其他多种因素共同的作用。由于每个与交通基础设施密切相关的影响因素随着环境的变化不断地发生变化，这就决定了研究交通基础设施投资预测时，不能基于交通基础设施投资的自身封闭系统，而是把它放在“交通—经济”大系统中。实证研究证明，BP神经网络预测模型比传统预测模型更能较全面地反映在大系统环境下各种因素对交通投资的非线性的映射关系，预测精度高，效果比较满意。
参考文献：
1. 匡敏，胡思继，邢培昱，武旭.基于国民经济大系统下的铁路货物运输量预测方法的研究.北方交通大学学报（社会科学版），2003，2（4）：21-24.
2. 方庚明.基于多元线性回归的公路客运量发展预测模型.工程与建设，2011，25（2）：164-166.
3. 温爱华，李松.基于广义回归神经网络的铁路货运量预测.铁道运输与经济，2011，33（2）：88-91.
4. 王文莉，杨俊红.基于灰色理论的铁路客运量预测影响因素优化.微电子学与计算机，2011，28（10）：164-172.
5. 李驰宇，李远富，梁东.基于人工神经网络的交通运量预测.交通标准化，2005，（8）：130-132.
6. 王维国，张静静.基于BP神经网络的货运量预测方法.物流技术，2005，（7）：58-59.
7. 陈福贵，李远富.基于BP神经网络的铁路货运量预测.铁道货运，2005，（9）：15-17.
8. 国家统计局.中国统计年鉴（2011），北京：中国统计出版社，2011.
基金项目：高速磁浮交通系统在我国综合运输体系中的地位和作用（项目号：40011012201005）。
作者简介：宗刚，北京工业大学经济与管理学院常务副院长、教授、博士生导师；任蓉，北京工业大学经济与管理学院博士生；孙玮，北京工业大学经济与管理学院博士生。
收稿日期：2012-06-15。