Transport Research >

2021 , Vol. 7 >Issue 6: 50 - 60

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2021.06.006

Freight Transportation Demand Forecasting Model for Urban Agglomeration Arterial Road Network: A Case Study of Beijing-Tianjin-Hebei

  • FAN Peng-fei ,
  • SONG Guo-hua ,
  • LEI Xue
Expand
  • Key Laboratory of Transport Industry of Big Data Application Technologies for Comprehensive Transport, Beijing Jiaotong University, Beijing 100044, China

Received date: 2021-05-01

  Online published: 2022-01-19

Copyright

Copyright reserved © 2021
Fold

Abstract

In order to forecast freight demand of urban agglomeration arterial road network based on transportation structure adjustment, taking Beijing-Tianjin-Hebei urban agglomeration as a case study, firstly, the factors affecting freight demand were analyzed by using the basic theory of gray system. Then, a freight demand prediction model was constructed based on the factors, such as population, value added in three main industries, the railway and highway mileage. The test result showed that the average absolute error of model prediction is 5.16%. Secondly, the road freight transportation demand of each city within the urban agglomeration was forecasted separately, and according to this, the transportation structure was adjusted based on the "highway to railway" policy for bulk cargo. Thirdly, the freight transportation demand was distributed and assigned based on the traditional "four-stage method". Finally, the accuracy of the model prediction was tested by the actual observed data from highway observatories, and the result showed that the average absolute error of the assignment result is 14.56%. It means that the proposed method can effectively predict the freight demand of urban agglomeration based on transportation structure adjustment.

Key words： urban agglomeration; freight demand forecast; highway to railway; transportation structure adjustment; four-stage method

Cite this article

FAN Peng-fei , SONG Guo-hua , LEI Xue . Freight Transportation Demand Forecasting Model for Urban Agglomeration Arterial Road Network: A Case Study of Beijing-Tianjin-Hebei[J]. Transport Research, 2021 , 7(6) : 50 -60 . DOI: 10.16503/j.cnki.2095-9931.2021.06.006

0 引言

以特大城市为核心、以若干大城市和中小城市集聚而成的城市群逐步成为我国城镇化发展的新模式。然而城市群交通运输中各种运输方式不平衡、运输结构不合理问题,造成了能源浪费和污染排放。在此背景下,我国以“公转铁”“公转水”为主要手段大力推进运输结构调整[1],而运输结构调整将造成货运需求的显著变化。在城市群货运需求预测中,深入研究运输结构调整背景下的城市群干线网络货运需求变化,对于城市群绿色交通发展和交通干线网络的规划建设具有重要意义。
当前,货运需求预测研究多集中于以运输量历史数据为基础开展的宏观货运需求预测。在货运需求产生机理方面,谢丽蓉等[2]对主要产品产量、原材料进出口量进行了预测分析;冯小虎[3]通过对不同部门之间构成的供需关系研究,分析了货运需求的分布规律。这些方法依赖详尽的产品数据或部门数据,对区域性货运需求预测的适用性不足。在货运需求的预测方法和模型方面,Leontief[4]通过编制投入产出表对货运量进行了预测;Yang[5]研究了基于回归分析法的多种预测模型,并成功应用于区域货运需求预测;Barua等[6]利用机器学习方法预测了国际间的货运需求;Zhang等[7]利用灰色模型预测了北京市货物运输需求和运输结构。这些研究从不同角度提供了货运需求预测的思路,但主要针对国家或地区的宏观预测,对货运需求的空间分布和分配研究不足。考虑货运需求的分布特征,陈百奔[8]将神经网络运用于“四阶段法”,并进行了交通量预测的实例研究,但神经网络对货运需求产生机理的原理性解释较差;贺明光[9]基于结构方程分析得出货运需求总量、方式和分布受产业经济和网络结构影响的结论;黄新婷[10]利用投入产出表建立了一种要素完全分解模型,考虑了产业结构变动对货运需求的影响,但未能对货运需求分布进行量化分析,无法用于分析干线网络的货运需求变化。
可以看出,当前的货运需求预测大多基于历史货运量数据,以宏观区域为研究对象,少有以城市群内部交通小区为对象的需求预测研究。已有模型大多基于投入产出表或计量经济学原理,主要从数理统计的角度探寻趋势性因素作用下宏观货运量的变化规律,对运输结构调整等政策性因素造成的货运需求变化考虑不足,也没有从交通规划角度对需求结构和空间布局开展分析,无法求解交通小区之间的发生吸引量并进行需求分布和分配预测,从而不能满足城市群干线网络交通规划的实际需求。
为解决以上问题,本文将通过对货运需求影响因素的定量研究,首先分析货运需求的产生机理,建立城市群干线网络货运需求预测模型,以京津冀城市群为研究对象进行公路货运需求预测。然后,将大宗货物由公路运输转为铁路运输,完成运输结构调整,开展基于运输结构调整的城市群货运需求预测。接着,基于传统“四阶段法”,利用重力模型和用户平衡法进行城市群货运需求分布与分配研究。最后,利用公路观测站货运数据对货运需求分布与分配结果进行误差分析。

1 城市群货运需求预测模型

与客运需求相比,货运需求更容易受到区域经济发展水平、自然资源和生产力布局等的影响,因此不能简单使用传统的客运需求预测方法开展货运需求预测,而应根据货运需求的自身特点建立合适的预测模型。根据现有研究,货运需求影响因素包括国民经济发展水平、产业结构、自然资源、生产力布局、人口、城镇化水平、交通基础设施建设水平等[11]。

1.1 模型建立

国务院《推进运输结构调整三年行动计划（2018—2020年）》[1]将京津冀及周边地区确定为运输结构调整的重点地区。因此,本文以京津冀城市群为例,选取其2005—2018年各地级市的公路货运量数据以及人口、城镇化率、居民消费水平、社会消费品零售总额、全社会固定投资总额、第一、二、三产业增加值、铁路营业里程、公路通车里程等数据,分析城市群货运需求产生机理并建立预测模型。
灰色关联度分析（Grey Relation Analysis, GRA）是一种针对多因素的分析方法[12],常用于分析灰色系统中各因素受其他因素影响的相对强弱。利用灰色系统基本理论,求解京津冀城市群公路货运量与各影响因素的关联度矩阵（见表1）。
表1 货运需求影响因素关联度矩阵
总人口 城镇人口 城镇单位就业人员
数量		 居民消费水平 人均可支配收入 人均地区生产总值 社会消费品零售总额 全社会固定投资总额 第一产业
增加值		 第二产业增加值 第三产业增加值 工业增加值 建筑业增加值 批发和零售业增加值 交通运输、仓储和邮政业增加值 铁路营业里程 公路通车里程 公路货运量
总人口 1.00
城镇人口 0.99 1.00
城镇单位就业人员数量 0.89 0.85 1.00
居民消费水平 0.57 0.53 0.53 1.00
人均可支配收入 0.83 0.87 0.58 0.44 1.00
人均地区生产总值 0.98 1.00 0.83 0.49 0.89 1.00
社会消费品零售总额 0.98 0.99 0.80 0.52 0.91 1.00 1.00
全社会固定投资总额 0.67 0.62 0.64 0.98 0.51 0.58 0.61 1.00
第一产业增加值 0.41 0.32 0.51 0.87 0.10 0.26 0.27 0.89 1.00
第二产业增加值 0.79 0.73 0.78 0.91 0.52 0.69 0.70 0.96 0.87 1.00
第三产业增加值 0.95 0.96 0.80 0.73 0.87 0.95 0.96 0.79 0.47 0.83 1.00
工业增加值 0.33 0.23 0.47 0.71 0.03 0.17 0.17 0.76 0.90 0.76 0.33 1.00
建筑业增加值 0.46 0.37 0.55 0.81 0.20 0.31 0.33 0.86 0.91 0.84 0.49 0.98 1.00
批发和零售业增加值 0.53 0.45 0.61 0.87 0.25 0.39 0.40 0.91 0.95 0.91 0.57 0.96 0.99 1.00
交通运输、仓储和邮政业增加值 0.32 0.22 0.46 0.71 0.01 0.15 0.15 0.76 0.91 0.75 0.32 1.00 0.98 0.96 1.00
铁路营业里程 0.92 0.95 0.70 0.48 0.96 0.96 0.98 0.55 0.18 0.61 0.93 0.10 0.26 0.32 0.07 1.00
公路通车里程 0.88 0.88 0.78 0.49 0.73 0.87 0.86 0.57 0.35 0.69 0.84 0.27 0.38 0.44 0.26 0.80 1.00
公路货运量 0.96 0.96 0.81 0.46 0.78 0.96 0.95 0.56 0.30 0.70 0.90 0.22 0.33 0.42 0.20 0.90 0.80 1.00
根据表1,公路货运需求受城市群总人口、人均地区生产总值、各产业增加值、公路通车里程、铁路营业里程等因素影响较大。由于各因素之间存在一定的自相关性,因此不能直接用于模型构建。城镇人口与总人口、总人口与人均地区生产总值两组因素之间的相关性如图1所示,可知总人口与城镇人口相关系数为0.984 3;人均地区生产总值与总人口相关系数为0.963 9,均存在明显的线性相关性。
图1 影响因素关系图
针对所有货运需求影响因素进行相关性分析,剔除各影响因素之间的多重线性相关关系后,最终选取城市群总人口、第一、二、三产业增加值、铁路营业里程、公路通车里程6项指标建立货运需求预测模型。首先,利用线性函数、指数函数、幂函数、对数函数分别对各个指标进行函数变换,检验各项指标经过不同函数变换后与公路货运量的拟合优度。然后,将拟合优度最高的函数变换形式作为该指标的最终函数变换形式。最后,将变换后的指标与城市群公路货运量数据进行多元回归,建立京津冀城市群公路货运需求预测模型：
Q r = 10.338 + 0.07 X 1 6 + 7.253 e 0.464 ( X 2 + X 3 ) + 17.44 X 4 0.174 + 0.728 ln X 5 + 0.263 X 6
式（1）中： Q r 为公路货运需求量（亿t）; X 1 为人口（亿人）; X 2 为第一产业增加值（亿元）; X 3 为第二产业增加值（亿元）; X 4 为第三产业增加值（亿元）; X 5 为铁路营业里程（万km）; X 6 为公路通车里程（万km）。
公路货运量与各影响因素之间的相关关系如图 2所示,可知经过函数变换后的各影响因素与公路货运需求均有较强的相关性。货运需求预测模型拟合优度约为0.95,拟合效果较好。在95%的显著性水平下,回归方程、各回归系数均通过显著性检验。
图2 公路货运量与函数变换后各影响因素间的相关关系

1.2 模型检验

为了检验模型的预测效果,将京津冀城市群历史年货运量数据与模型预测数据进行对比检验。由于2019年、2020年货运量数据尚缺,该两年的模型检验由加权平滑时间序列法预测值代替。模型检验结果如图 3所示,除2006年、2015年货运量统计口径发生改变导致预测误差较大外,模型预测最大误差为8.92%,模型预测整体平均绝对误差为5.16%,说明模型预测效果较好。
图3 京津冀城市群公路货运需求预测误差检验

1.3 货运需求预测

利用所建预测模型对京津冀城市群内部各地级市的长期公路货运需求进行预测。以2017年为现状年,2035年为预测目标年。由于各城市的功能定位、产业结构、地理区位不同,针对城市群整体的货运需求预测模型并不完全适用所有地级市。如对沧州市而言,2019年沧州市常住人口为754.43万人,第一产业增加值为292.6亿元,同比增长2.2%;第二产业增加值为1 430.3亿元,同比增长6.2%;第三产业增加值为1 865.0亿元,同比增长8.2%,虽然沧州市第三产业占比较大,但是沧州市作为京津冀地区的主要港口城市,第三产业中交通运输、仓储和邮政业比重较大,2019年增加值为305.9亿元,增长10.8%,呈现快速增长的趋势,与京津冀地区的整体情况差异较大。因此本文对沧州、秦皇岛、唐山等重点货运城市进行了必要的模型参数调整。
依据《京津冀协同发展规划纲要》[13]《“十三五”时期京津冀国民经济和社会发展规划》[14]《河北省人口发展规划（2018—2035年）》[15]《北京城市总体规划（2016年—2035年）》[16]等相关政策及规划文件获取货运需求相关影响因素的未来年值,预测得到2035年京津冀城市群各地级市的公路货运量如表2和图4所示。
表2 京津冀城市群各地级市公路货运量
城市 现状（2017年）/万t 远期预测（2035年）/万t
北京 19 374.00 30 446.80
天津 34 720.00 51 451.86
石家庄 45 802.00 74 868.62
保定 11 889.00 19 892.57
沧州 24 100.00 41 686.63
承德 4 528.00 7 013.18
邯郸 42 478.90 67 277.14
衡水 5 363.19 9 532.72
廊坊 10 937.00 14 909.02
秦皇岛 6 418.40 10 004.05
唐山 41 340.00 67 344.78
邢台 21 950.00 37 691.39
张家口 13 378.00 25 493.30
河北 228 184.49 435 793.78
京津冀 282 278.49 457 612.05
图4 京津冀城市群各地级市公路货运量柱状图
京津冀城市群现状年公路货运需求总量较大的城市主要有唐山、天津、石家庄和邯郸,其中唐山、天津是京津冀城市群的重点港口城市,公路货运需求分别为4.1亿t和3.5亿t;石家庄市作为河北省省会城市及京津冀地区重要的铁路枢纽城市,货运需求总量为4.6亿t;邯郸市处于冀晋鲁豫4省交界区域,具备较为发达的铁路、公路、航空基础设施,货运需求总量为4.2亿t。
远期2035年,预测京津冀城市群公路货运量将达到45.76亿t,仍然是唐山、石家庄、邯郸的公路货运量较大。此外,沧州、天津、邢台的公路货运需求也将有明显增加。城市群中公路货运需求集中于“3个港口城市、1个省会城市、1个边界城市”的格局不会改变。

2 考虑运输结构调整的货运需求预测

2.1 运输结构调整

运输结构是指铁路、公路、航空、水路、管道不同运输方式完成的运输量比例[17],反映了不同运输方式在综合交通运输体系中的作用、地位和相互关系。京津冀城市群内铁路基础设施条件良好,铁路网密度是长三角的1.6倍,珠三角的2.3倍,但铁路优势明显发挥不足。京津冀城市群近年的货运结构分布如图 5所示,截至2018年底,京津冀城市群公路运输占比达84%,明显高于全国其他地区和国外发达城市群。
图5 京津冀城市群货运结构分布图（公路、铁路、水路）
国务院办公厅2017年发布《推进运输结构调整三年行动计划（2018—2020年）》[1],提出通过3年集中攻坚,确保实现铁路货运量增运8亿t、与公路相比节约1 211万t标准煤、减少二氧化碳排放量2 976万t的目标,发挥铁路在大宗物资运输、长距离运输中的骨干作用。根据现有京津冀城市群各地级市及周边地区的运输结构调整政策文件,本文提出运输结构调整的目标假设为：在2035年的长期规划目标中,所有重点省市完成公路大宗货物运输100%转化为铁路运输[18]。在此目标下,完成运输结构调整后的津京冀城市群公路货运量为37.5亿t,各地级市公路货运量如图 6所示,可以看出大宗货物的重点集疏运城市如唐山市、天津市、沧州市调整前后的货运需求差异较大;完成运输结构调整后,城市群内石家庄市、邯郸市公路货运需求较大。
图6 运输结构调整前后京津冀城市群各地级市2035年公路货运量

2.2 货运需求分布与分配

本文利用重力模型法进行货运需求分布预测。该方法考虑了不同交通小区之间的阻抗大小和吸引强度[19],且计算相对简便,参数容易标定[20]。模型中,当现状货运交通量为零时,计算主要以地区的发生、吸引为基础;当现状货运交通量不为零时,主要以地区趋势出行为基础[21]。重力模型法的公式表达为：
q ij = k O i α D j β f ( c ij )
f ( c ij ) = c ij - r
式（2）~式（3）中： q ij 为小区 i 与小区 j 之间的OD交通量; k , r 为待标定参数; α , β 为系数; O i 为小区 i 的交通发生量; D j 为小区 j 的交通吸引量; f ( c ij ) 为阻抗函数; c ij 为小区 i 与小区 j 之间的阻抗。
本文以京津冀城市群现状年的货运需求分布为基础,以交通小区之间的运输距离和运输时间作为阻抗,利用重力模型法对预测得到的2035年货运需求分布进行预测。交通分布与分配预测需要建立交通小区和路网。在考虑京津冀城市群未来年公路建设规划的前提下,建立京津冀城市群等级公路地理数据文件并添加路网相关属性。以不打破行政区边界为原则,综合考虑城市群现状年路网疏密度、城市群区域定位、交通小区经济社会属性等因素,本文共划定交通小区58个,其中京津冀城市群内部小区54个,一般由3~5个相邻县级单位组成;城市群外部小区4个,主要按照城市群外各省地理位置划分。以京津冀城市群2017年公路收费站卡口数据得到的路网流量进行OD反推,以2017年京津冀城市群公路货运量为总量,对OD反推结果进行校核,得到京津冀城市群现状年公路货运分布及发生吸引量。将各小区预测年公路货运量拆分为发生量与吸引量,利用重力模型法开展分布预测,得到京津冀城市群2035年公路货运分布如图 7所示,可知城市群内部公路货运量较大的运输通道均为短距离,主要集中于北京、天津、石家庄、邯郸等城市周围。远期2035年,受城市群产业经济的发展和运输结构调整两方面的影响,京津冀城市群公路货运需求进一步增加,其中中长距离及部分大宗货物的货运需求将转为铁路运输,公路运输的平均运距将会缩小。城市群内北京、天津、石家庄等货运枢纽的集散能力增加,秦皇岛、沧州、唐山等大宗货物集散港口的公路货运需求将明显减少。
图7 京津冀城市群2035年公路货运需求分布
本文基于现状路网属性,考虑远期规划路网的变化,将货运需求预测结果按照用户均衡法（User Equilibrium）[20]进行交通分配。分配预测结果如图8所示,城市群重要的货运通道如京津、京保石、京唐秦公路货运需求进一步增加。城市群公路货运需求集中于北京、天津、石家庄、邯郸周围。
图8 京津冀城市群公路货运分配图

2.3 结果校验

本文基于传统“四阶段法”,对京津冀城市群远期货运需求进行了预测研究。虽然在货运需求总量预测过程中依据城市群历史货运量及时间序列预测值对模型预测进行了误差分析,但在交通分配过程中,路网的最终分配结果还会受到分配模型选择、路网阻抗等多种因素的影响。为了检验货运分配预测结果的准确性,有必要依据实际路网流量对预测结果进行校验。
本文选取城市群公路网共计680余个观测站中的43个观测站进行货运需求预测结果校验研究,观测站位置如图9所示,各观测站站点信息如表4所示。将各观测站观测到的2017年各车型流量数据,依据对应车型的标准载重,换算为该观测站的年货运总量,据此对模型预测分配到路段的货运量进行误差分析。
Q = ∑ m i · V i
图9 公路校验观测站位置分布
表3 公路校验观测站站点信息
观测站
序号		 观测站
名称		 路线类型 行政区划名称
1 黄马路海子角村东 普通省道 北京市大兴区
2 密关路沙河铁桥 普通省道 北京市密云县
3 高碑店 国家高速 河北省保定市高碑店市
4 清苑 国家高速 河北省保定市清苑县
5 雄县互通 国家高速 河北省保定市雄县
6 保沧互通 国家高速 河北省沧州市沧县
7 沧州北 国家高速 河北省沧州市沧县
8 西胡庄 普通国道 河北省沧州市黄骅市
9 子牙新河特大桥 国家高速 河北省沧州市青县
10 任丘南互通 国家高速 河北省沧州市任丘市
11 肃宁互通 国家高速 河北省沧州市肃宁县
12 三岔口 普通国道 河北省承德市双滦区
13 大名互通 国家高速 河北省邯郸市大名县
14 马庄 普通省道 河北省邯郸市峰峰矿区
15 西王封 普通国道 河北省邯郸市广平县
16 大广互通 省级高速 河北省邯郸市广平县
17 邱县服务区 国家高速 河北省邯郸市邱县
18 滹沱河特大桥 国家高速 河北省衡水市饶阳县
19 深州互通 国家高速 河北省衡水市深州市
20 黄石互通 国家高速 河北省衡水市深州市
21 衡水服务区 国家高速 河北省衡水市桃城区
22 康仙庄 普通国道 河北省廊坊市霸州市
23 冀津主线站 国家高速 河北省廊坊市霸州市
24 固安互通 国家高速 河北省廊坊市固安县
25 永定河特大桥 国家高速 河北省廊坊市固安县
26 香河主线站 国家高速 河北省廊坊市香河县
27 蔡各庄 普通国道 河北省秦皇岛市北戴河区
28 垒头 普通省道 河北省石家庄市辛集市
29 石正路道班 普通国道 河北省石家庄市长安区
30 天津主线站 国家高速 河北省唐山市丰南区
31 唐曹互通 省级高速 河北省唐山市丰南区
32 京哈互通 省级高速 河北省唐山市开平区
33 滦县服务区 国家高速 河北省唐山市滦县
34 鸦鸿桥收费站 国家高速 河北省唐山市玉田县
35 南宫 国家高速 河北省邢台市南宫市
36 青银互通 国家高速 河北省邢台市南宫市
37 三张村 县道 河北省邢台市南和县
38 宁晋 国家高速 河北省邢台市宁晋县
39 唐坊 普通国道 河北省张家口市赤城县
40 宣化 国家高速 河北省张家口市宣化区
41 长深K1008+900 国家高速 天津市
42 京哈K66+100 国家高速 天津市
43 京哈K95+550 国家高速 天津市
式（4）中： Q 为观测站的年货运量（万t）; m i 为车型 i 的标准载重（t/辆）; V i 为车型 i 的年交通量（万辆）。
公路货运分配校验结果如图10所示。可以看出,除京哈K66+100、京哈K95+550等少数几个观测站误差超过30%之外,多数观测站误差均在20%以内,所有观测站的平均绝对误差为14.56%。
图10 公路货运分配校验结果

3 结论

本文基于货运需求产生机理,建立了城市群货运需求预测模型,通过调整模型参数对不同地级市进行了货运需求预测,同时以大宗货物“公转铁”为主要方式研究了运输结构调整政策引起的货运需求变化,结合交通规划传统“四阶段法”,以京津冀城市群为例进行了考虑运输结构调整的城市群干线网络货运需求预测,并得出如下结论：
（1）利用灰色系统基本理论对社会经济生活中货运需求影响因素之间的相关性进行分析,结果表明城市群人口、第一、二、三产业增加值、铁路营业里程、公路通车里程对公路货运需求影响较大。
（2）建立了城市群货运需求预测模型,并利用实际货运量数据对模型进行检验,检验结果表明,模型预测平均绝对误差为5.16%,模型预测精度较高。
（3）对京津冀城市群进行总体和各地级市的公路货运需求预测,得出2035年京津冀城市群公路货运需求为45.76亿t。
（4）结合我国运输结构调整目标,将大宗货物由公路运输转为铁路运输,完成运输结构调整,预测得到2035年京津冀城市群运输结构调整后公路货运需求为37.5亿t。
（5）基于传统“四阶段法”,利用重力模型法和用户平衡法则,对城市群干线网络货运需求分布与分配进行了预测,并利用公路观测站数据对分配结果进行校验。结果表明,模型预测结果分配至路网的平均绝对误差为14.56%,表明模型预测结果较为准确。
因受数据准确性和时效性的影响,本研究暂未考虑运输结构调整政策中大宗货物“公转水”及其对其他货物中长距离运输需求的影响。后续研究将进一步剖析其他政策性因素对城市群干线网络货运需求的影响,并建立相关数学模型进行量化分析。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
国务院办公厅. 国务院办公厅关于印发《推进运输结构调整三年行动计划(2018—2020年)》的通知[EB/OL]. (2018-10-09)[2021-03-20]. http://www.gov.cn/zhengce/content/2018-10/09/content_5328817.htm.

[2]
谢雨蓉, 罗仁坚. 以大类货运需求分析把握未来货运量增长趋势[J]. 综合运输, 2009(9):65-70.

[3]
冯小虎. 基于运输通道的货运交通需求预测理论方法研究[D]. 西安:长安大学, 2011.

[4]
LEONTIEF W. Domestic production and foreign trade; the American capital position re-examined[J]. Proceedings of the American Philosophical Society, 1953,97(4):332-349.

[5]
YANG Y D. Development of the regional freight transportation demand prediction models based on the regression analysis methods[J]. Neurocomputing, 2015,158:42-47.

[6]
BARUA L, ZOU B, ZHOU Y. Machine learning for international freight transportation management: A comprehensive review[J]. Research in Transportation Business & Management, 2020,34(4):100453.1-100453.11.

[7]
ZHANG H, ZHU J, ZHOU L. Research on logistics demand forecasting and transportation structure of Beijing based on grey prediction model[J]. Science Journal of Applied Mathematics and Statistics, 2015,3(3):144.

[8]
陈百奔. 基于神经网络的四阶段预测法在交通量预测中的应用研究[D]. 武汉:武汉理工大学, 2011.

[9]
贺明光. 基于结构方程模型的区域通道货运需求分析及预测[D]. 北京:北京交通大学, 2015.

[10]
黄新婷. 产业结构变动对交通运输需求的影响预测及实证分析[D]. 西安:长安大学, 2016.

[11]
刘昱岗, 周本钰. 公路货运需求灰色-组合预测方法研究[J]. 公路工程, 2013,38(1):111-115.

[12]
刘思峰, 蔡华, 杨英杰, 等. 灰色关联分析模型研究进展[J]. 系统工程理论与实践, 2013,33(8):2041-2046.

[13]
国务院办公厅. 京津冀协同发展规划纲要[Z]. 北京:国务院办公厅, 2015.

[14]
国家发展和改革委员会. “十三五”时期京津冀国民经济和社会发展规划[Z]. 北京:国家发展和改革委员会, 2016.

[15]
河北省人民政府. 河北省人口发展规划(2018—2035年)[Z]. 河北:河北省人民政府, 2018.

[16]
北京市人民政府. 北京城市总体规划(2016年—2035年)[Z]. 北京:北京市人民政府, 2017.

[17]
冯文波. 我国运输结构优化调整影响因素与策略研究[J]. 铁道运输与经济, 2019,41(9):18-23.

[18]
WANG C J, DUCRUET C. Transport corridors and regional balance in China: the case of coal trade and logistics[J]. Journal of Transport Geography, 2014,40:3-16.

[19]
詹燕, 李硕. 重力模型在交通分布预测中的应用[J]. 湖南交通科技, 2000(2):65-66,71.

[20]
章锡俏, 王守恒, 孟祥海. 基于经济增长的高速公路诱增交通量预测[J]. 哈尔滨工业大学学报, 2007,39(10):1618-1620.

[21]
程俊龙, 李娟. 基于改进型重力模型的诱增交通量预测研究[J]. 公路, 2019,64(1):171-175.

Options
Outlines

/

〈 〉