第四节运输需求与运量预测
一、运输需求与运输量的关系
需求预测是运输需求分析中的一项重要内容，在与运输有关的各项经济分析、研究和决策中，运输需求预测往往是一项基础性的重要工作，真正做好需求预测也是难度相当大的工作。
在这里必须明确“运输需求”与“运输量”是两个不同的概念。我们已经知道运输需求是社会经济生活在人与货物空间位移方面所提出的有支付能力的需要；而运输量则是指在一定运输供给条件下所能实现的人与货物空间位移量。社会经济活动中的人与货物空间位移是通过运输量的形式反映出来的，运输量可以是公路上的汽车流量、航线上的旅客人数或是铁路列车运送的货物吨数。运输量的大小当然与运输需求的水平有十分密切的关系，但它们不是一回事，运输量本身并不能完全代表社会对运输的需求。运输需求能否实现要取决于运输供给的状况，在运输能力完全满足需求的情况下，运输量就可以基本上反映运输需求。但有时候，特别是在某些国家或地区运输供给严重不足的情况下，运输业完成的运输量仅是社会经济运输需求的一部分，如果增加运输设施、扩大运输能力，被不正常抑制的运输需求就会迅速变成实际的运输量。图6－6是运输需求、运输供给与运输量相互关系的示意图，由该图可以形象地看出，运输需求的真正实现，即运输量形成是受运输供给制约的。
图6－6运输需求、运输供给与运输量的关系
转引自毛保华博士论文《运输设备分阶段协调发展问题研究》，1993年
明确“运输需求”与“运输量”的概念对预测运输需求是很重要的。过去有许多预测工作没有分清运输需求与运输量的区别，在大部分预测过程中主要采用了以过去的历史运输量数据预测未来运输需求的方法，以“运量预测”简单代替运输需求预测，这种概念上的误差当然会影响到预测的准确程度。显然，在运输能力满足需求的情况下，运量预测尚可以代表对运输需求量的预测；而在运输能力严重不足的情况下，不考虑运输能力限制的运量预测结果，就难以反映经济发展对运输的真正需求。
我们不反对或排斥使用“运量预测”的概念和方法，特别是运量预测已在实际经济工作中被很多人接受和应用。我们只是提醒注意需求预测和运量预测这两者之间的区别和在实际经济分析中要注意预测所依据的资料、条件和方法，严格把握它们的经济含义，这一点是非常重要的。
二、运量预测的类别
运量预测的头绪很多，范围很广，根据预测的目的、角度和其他特性，可以把运量预测分为不同的类别。
按照预测的对象，可首先分为货运预测和客运预测。按照预测的层次，又可分为全国运量预测、国民经济各部门运量预测、各地区运量预测和各种运输方式的运量预测。按照预测的内容，还可分为发送量预测、到达量预测、周转量预测和平均运程预测。在各地区的客货发到量确定之后，往往还需要预测各地区的内部运量和各地区之间的交流量，这些交流量还要在不同运输方式之间以及不同运输线路之间进行分配。图6－7是这些预测内容的相互关系示意图。
图6－7运量预测相互关系示意图
从图6－7看出，这些相互联系着的预测内容可以分为总运量预测和客货流预测两个大的部分。其中总运量预测是比较抽象意义上的预测，它只负责从总量上把握全国或部门或地区的客货运输量，包括发到量、周转量以及平均运程，这些预测有时是分货物品名或旅客类别的，有些则是笼统的，其特点是只考虑总量，基本上不涉及具体发到地和具体线路上的客货流。而客货流预测则负责把已预测出的客货运总量，在分析地区间交流的基础上，分配到具体运输方式和运输线路上。客货流预测更接近实际的客货位移。从图上还可以看出，总运量预测与客货流预测之间有交叉的部分。
预测的角度可以是经济管理的综合部门（全国的或地方的），可以是中央或地方的运输主管机构，也可以是各级运输企业。不同的预测角度和出发点，决定了预测结果的不同用途：宏观经济计划、区域发展规划、基建设计与投资安排或是运输生产组织管理。
按照预测期间的长短，还可以分为短期预测、中期预测和长期预测。假如以年作为预测的时间单位，一般1～5年可称为短期预测，5～10年为中期预测，10年以上则属于长期预测。另外，有时根据需要还要做一年内各季度、月甚至旬的运量预测。
三、预测方法
对运量进行经济预测，大致有三类方法：
⒈从时间序列的角度对运量进行预测
经济发展过程中，经济变量遵循的发展规律常常表现出延续性，很多运输需求变化呈较强的趋势性。因此可以采用时间数列趋势外推的方法对运量进行预测。即，根据运量从过去到现在的运动变化规律，推测未来运量。这种方法的主要优点是需要数据少、简便，只要所研究的运量时间数列其趋势没有大的波动，预测效果较好。
这类方法的缺点是无法反映出运量变化的原因，对于由于影响运量变化的外部因素变化，如调整经济政策和发展速度而引起的运输需求的变动无法反映。
时间序列趋势外推的方法很多，其关键是趋势的识别与拟合是否准确。常用的方法有：⑴移动平均法；⑵指数平滑法；⑶月度比例系数法；⑷鲍克斯─詹
金斯法（Box－Jenkins法）；⑸普查Ⅱ法（CensusⅡ法）；⑹随机时间序列预测模型（其中包括：ARMA自回归移动平均模型、AR自回归模型和MA移动平均模型）。
移动平均法是借助移动平均数修匀资料数据的变动，以描述其趋势的方法。用该种方法修匀原始时间数列比较客观，也比较容易从中看出变动趋势。但数列两端的值无法进行修匀计算，因此每一次移动平均都会使数列变短，影响更进一步的观察。
指数平滑法也称作时间数列的指数平滑法，它也是通过修匀历史数据中的随机成分去预测未来。但它所用的修匀方法与移动平均法不同，它引入了人为确定的系数，可以体现不同时期因素在预测中所占的权数。根据原始数列分布的情况，可以分别建立线性指数平滑方程（二次平滑）或非线性指数平滑方程（三次平滑）。指数平滑法应用比较广泛。
月度比例系数法的基本思路是运量的月度波动具有一定的循环特征和规律性。因此，可以通过这种规律性的把握，去预测未来月份的客货运量。
鲍克斯─詹克斯（Box－Jenkins)法，也称为自回归分析方法。它是通过分析时间数列的不同自相关系数来选择适当的预测模型。当时间数列内的数值在某一固定间隔期具有较高的相关系时，就可以应用自回归模型进行预测。
普查Ⅱ法（CensusⅡ法）是由美国商业部普查局开发的，其基础是对移动平均之比的典型分解方法。经过大量计算，将时间数列分解成趋势、循环、季节及不规则变动四项，用于预测。
随机时间序列预测模型是把时间序列作为随机变量的序列加以处理，认为时间序列是依赖时间t的一组变量，其中，单个时间序列值的出现具有不确定性，但整个时间序列却具有固有的统计规律性。研究这些规律，进行简化，建立时间序列模型，可用于预测。对于平稳序列，主要有三类模型，即自回归移动平均（Auto Regressive Moving Average)模型，简称ARMA模型；自回归模型（Auto Regressive)简称AR模型；移动平均（Moving Average)模型，简称MA 模型。对于非平稳时间数列，需用差分法使原序列平稳化。建立随机时间序列模型一般需要较深的数学知识和较多的历史统计数据，方法较复杂，但由于它在短期预测方面有较强的精度，因而得到广泛应用。
⒉从影响因素入手对运量进行预测
在经济发展过程中，经济变量之间不是孤立的，而是存在着相互依存的关系。影响总运输需求的主要因素前面第二节中已经谈过。但具体的预测目标类型、范围是不同的，必须细致地分析其最主要的影响因素，设法将其用量化指标反映出来。通过对过去和现在的指标数据进行分析研究，可以找出运输需求与相关经济量的关系，用于对运量进行预测。
