【《阿坝县公路规模发展预测计算案例》8100字】

阿坝县公路规模发展预测计算案例目录TOC\o"1-3"\h\u30482阿坝县公路规模发展预测计算案例 1164671.1社会经济发展预测 1287861.1.1社会经济现状及目标 168171.1.2社会经济预测 345801.2公路运输需求预测 1567461.2.1客运量预测 1718341.2.2货运量预测 17315731.2.3客运周转量预测 18182881.2.4货运周转量预测 1981831.3公路网发展规模预测 20316951.1.1国土系数法 2092621.1.2公路网规模计算 21293841.4小结 22公路发展规模的预测是公路网布局的重要环节，是公路网布局规划及评价的基础，所以本章重点对阿坝县公路网发展规模进行预测。当然在进行核心预测前，对当地人口、经济这两个基本指标进行预测，并以此为自变量，为后面的预测提供基础。1.1社会经济发展预测1.1.1社会经济现状及目标1.经济现状截至2020年年末，阿坝县的年生产总值达到18.91亿元，其中第一产业占比31.3%，第二产业占比6.0%，第三产业占比60.7%。考虑到2020年疫情原因对社会经济的影响，则分析2019年的经济发展指标，该年阿坝县实现地区生产总值16.6亿元，同比增长6.9%。其中：第一产业实现增加值4.5亿元，增长1.6%；第二产业实现增加值1.1亿元，增长29.1%；第三产业实现增加值11亿元，增长5.7%，三次产业结构比调整为27.1：6.5：66.4。毫无疑问阿坝县确实在社会经济方面取得了巨大的成效，但通过对比阿坝县与阿坝州各县（市）的经济状况不难发现阿坝县的社会经济状况并不理想，具体数据见表3-1。表3-12019年阿坝州各县（市）GDP排名表GDP位次州市县2019年GDP2019年人均GDP1汶川县72.647.052茂县40.601.633马尔康市40.106.574九寨沟县30.331.705理县27.985.736黑水县26.404.337若尔盖县25.901.328松潘县25.251.369小金县24.001.0010金川县20.052.6711阿坝县16.612.1612红原县15.361.0513壤塘县12.202.84合计阿坝州390.084.12根据表中数据可知，阿坝县在所有县（市）中GDP排名第11，且人均GDP达不到阿坝州人均水平，可见阿坝县经济发展状况仍需努力。2.社会经济发展要求和目标据上文分析，阿坝县虽然近几年社会经济实力飞速发展，但其经济实力仍然处于阿坝自治州末位。为了提高其综合实力，在此提出以下发展要求及目标。1）抓产业升级、强经济动能，在提升发展质量上发力。主要表现在推进农业、工业、旅游业和商贸持续稳定发展；2）抓项目建设、强投资驱动，在夯实发展基础上发力。包括推进项目建设，落实要素保障、大力开展项目监管以及努力开展储备争取等相关工作；3）抓金融监管、强财政保障，在强化发展支撑上发力。强化财税保障能力、提升金融发展水平；4）抓改革开放、强创新合作，在激发发展活力上发力。切实推进改革创新、科学编制发展规划、务实推进招商引资、切实强化区域合作；5）抓保障服务、强民生福祉，在汇聚发展合力上发力。均衡发展民族教育、有效提升卫生水平、全面强化社会保障、稳妥推进就业创业、积极发展文体事业；6）抓脱贫攻坚、强乡村振兴，在转化发展重心上发力。巩固脱贫攻坚成果、实施乡村振兴战略；7）抓环境保护、强生态建设，在筑牢发展屏障上发力。加强自然生态保护、加快生态文明建设。1.1.2社会经济预测对于社会经济方面的预测，主要考虑人口和GDP的预测。同时这两个指标也是最基本的指标，是交通需求预测和路网发展规模预测主要可虑的因素。1.预测思路根据阿坝县历年相关数据，处理数据、考虑相关影响因素，并从最客观的角度分析，同时选择多个合适的预测模型，结合当地发展需求进行数学预测，并以预测值均值作为最终的预测结果。2.预测方法1）人口预测（1）一元线性回归模型（UIR）在人口数量预测中有多种方法可供使用，而线性预测模型较为简单、直观，预测结果适中、误差率较小，也比较适合短期预测。其具体的预测模型如下：P式中：P(t)表示第t年的预测值，a和b都是模型参数。根据历史数据，可以使用最小二乘法（OLS）计算出a和b的值。b=a=P(2)马尔萨斯人口增长模型（M-model）马尔萨斯提出的人口的指数预测模型,即Malthus人口增长模型,其基本的含义是随着时间的推移,人口数量呈几何级数增加,即生物总数的变化率与生物总数成正比，该模型可以表示为：dN式中中r为常数。求解可得出Nty=通过数学变换，可以化成线性模型：lny=ln那么根据最小二乘法进行求解，则有：r式中：y表示预测年份总人口，x0表示初始年份总人口，r为人口年增长率，t表示预测年限,2）GDP预测（1）线性回归模型在对GDP进行简单的预测时，可以采用一元线性回归。当需要对与测量进行多维度多方面的分析预测时，可以考虑多元线性回归方程。在多元回归方程中，可控变量数值的变化可以影响因变量，通过这种性质，可以实现对因变量的预测，还可以对可控变量进行分析，得出对因变量影响较大的变量，以辨别变量主次，方便后续问题的针对性地处理。多元线性回归的一般方程为：Y其中，xi1、xi2、⋯，xip表示第i次观测变量x1、x2、⋯，xp的取值，Yi为应变量Y的观测值，β1、β2、⋯，βp表示未知参数。εi表示未知数，且假设它们之间均相互独立，同时都遵循同一正态分布N（2）指数函数模型指数函数基本模型为：

y=式中：a1、a2均为常数，y表示预测量，模型的求解可将其转化为lny=lnaARIMA模型也称单整自回归移动平均模型，由Box与Jenkins于20世纪70年代提出，常用于非平稳时间序列的分析和预测，故又称B-J模型。ARIMA（p,d,q）中，AR是自回归，p为自回归项数；MA为移动平均，q为滑动平均项数，d为使之成为平稳序列所做的差分阶数。ARIMA模型建模步骤为：对GDP时间序列图进行初步观察，并作图简单判断该价格序列是否平稳；如果原始序列不平稳，则原始时间序列取对数再进行差分，并对差分后的时间序列进行单位根检验，检验得到平稳的序列；通过AIC和SC确定模型的滞后阶数，对模型进行定阶，并对所建立的模型进行检验，根据验证其拟合优度，确定其是否可行；接着进行残差检验，确定模型是否存在自相关性；最后模型通过检验后，根据建立的模型对GDP进行短期预测和分析[19]。该模型分析求解可通过软件SPSS进行操作。1.预测求解1）人口预测为了更好地进行人口预测，搜集整理了阿坝县2005年-2020年的户籍人口变化，具体数据如下表所示。表3-2-阿坝县2005-2020户籍人口变化年份t户籍人口P年增长率（%）200563196--2006642911.732007672374.582008674930.382009700851.842010732744.552011750392.412012761971.542013774031.582014779330.682015795052.022016804421.182017821492.12201881669-0.58201981614-0.07202080442-1.44（1）一元线性回归模型以2005年为初始年份，即此时t0=2005,①计算中间过程[1t1tP②模型求解b=a=那么预测模型为：P（2）马尔萨斯人口增长模型根据公式，对已有数据取对数如下：表3-3年份人口取对数一览表t20052006200720082009201020112012lnt7.60347.60397.60447.60497.60547.60597.60647.6069lnP11.054011.071211.116011.119811.157511.202011.225811.2411t20132014201520162017201820192020lnt7.60747.60797.60847.60897.60947.60997.61047.6109lnP11.256811.263611.283611.295311.316311.310411.309811.2953根据公式（3-7），计算中间过程：1t−r经过计算，得到：P（3）预测结果分析根据两种模型进行预测，得到的预测结果如表3-4，考虑到结果的合理性，采用均值作为人口预测的最终结果。表3-4人口预测结果一览表年份202120252030UIR84092人89316人95846人M-model90031人98360人109863人均值87061.5人93838人102854.5人2）GDP预测（1）线性回归模型考虑到经济受到诸多因素的影响，并且阿坝县的生产总值与其产业结构有巨大关系，所以这里考虑的影响因素为第一、第二和第三产业收入占比。阿坝县2005-2020的GDP及第一、第二和第三产业占比数据如下表：表3-5阿坝县2005-2020GDP及各产业收入一览表年份GDP（亿元）第一产业占比第二产业占比第三产业占比20052.860.530.1110.35920061.110.5110.1170.37220071.670.4880.1340.37820081.710.5190.070.41120094.430.4680.0970.43520105.170.4350.1390.42620115.820.4320.110.45820126.240.4030.1420.45520137.150.3780.1710.45120147.940.3570.1950.44820159.610.3510.2070.442201610.410.3420.2020.456201710.950.3310.1950.474201811.810.3420.1860.472201916.600.2710.0650.664202018.910.3330.060.607①共线性分析利用SPSS软件对数据进行分析预测求解，首先进行共线性分析，结果如下表：表3-6共线性诊断结果1模型已输入变量已除去变量方法1第三产业占比,第二产业占比b.输入a.因变量：GDPb.已达到容差=.000限制。表3-7共线性分析诊断结果2模型维度特征值条件指数方差比例（常量）第二产业占比第三产业占比112.8941.000.00.01.002.0965.492.01.69.073.01017.046.99.30.92a.因变量：GDP由输出的图标可知，变量3（即第三产业占比的特征值为0.010，并且条件指数为17.046（大于10），说明存在共线性问题。由排除的变量1可以说明，变量3和变量1存在共线性，并且变量1对模型的影响力没有变量3大，所以系统保留了变量1.②独立性及系数分析分析根据求解，求解模型摘要如下表：表3-7模型摘要一览表模型RR平方调整后的R平方标准估算的错误Durbin-Watson(U)1.945a.892.8761.680871.535a.预测变量：（常量），第三产业占比,第二产业占比b.因变量：GDP根据模型摘要结果，我们可以看到变量的德宾-沃森检验为1.535，正常情况下，该指标应在2.0左右时说明变量相互独立，考虑到偏离状况不是很大，并且已排除共线性最大变量的影响，这里认为结果可以接受。同时，注意到这里的R平方为0.892，即认为该模型可以解释89.2%的GDP变化，所以变量的选取很好，模型建立也不错。③残差正态性问题分析该模型的残差分布图如下：图3-1模型残差分布图根据残差分布图来看，残余分布较随机，虽然有些部分残余与正太分布模型不太匹配，但影响性不大，我们可以把它视为合理。综上所述，此次回归分析结果良好。模型系数输出表如下表所示：表3-8模型系数输出表模型非标准化系数标准系数t显著性共线性统计B标准错误贝塔容许VIF1（常量）-22.8231.272-6.975.000第二产业占比24.6969.001.2622.744.017.9071.103第三产业占比60.0995.793.99110.375.000.9071.103a.因变量：GDP由此可以得到预测模型为：Y注：这里的X2、X根据该模型，要想预测出GDP，得知道X2、X3，这里采用一元线性回归模型对变量X2利用SPSS软件，得出X2、XXX（2）指数函数模型①首先计算中间数据，计算结果如下表所示：表3-9中间数据计算结果一览表年份yxlnyxlnyx20052.8601.050.000.0020061.1111.131.131.0020071.6721.302.604.0020081.7131.311.939.0020094.4341.495.9616.0020105.1751.648.2125.0020115.8261.7610.5736.0020126.2471.8312.8249.0020137.1581.9715.7464.0020147.9492.0718.6581.0020159.61102.2622.63100.00201610.41112.3425.77121.00201710.95122.3928.72144.00201811.81132.4732.10169.00201916.60142.8139.33196.00202018.91152.9444.10225.00合计128.3912030.77272.251240.00②计算自变量与应变量各自的均值：lnyx③计算参数：aln则a综上所述：指数函数模型为：

y=2.7424根据已计算出得模型，对GDP进行预测，如下表：（3）ARIMA模型在确定ARIMA模型参数之前，理应先观察数据是否有季节成分，很显然，这里的GDP数据是按照年份登记的，并且逐年递增，所以没有季节成分，也就没必要进行季节分解。其次，ARIMA模型要求数据序列是平稳序列，这里对数据进行平稳性分析。运用SPSS绘出阿坝县历年GDP时序图。显然该序列基本呈指数增长模型，为非平稳的序列图。图3-2阿坝县GDP数据时序图为使序列平稳化，可以通过对数运算的方式来提取GDP历史数据的指数趋势，记转化后的新样本值为lnGDP图3-3阿坝县lnGDP数据时序图如图可见，lnGDP依然存在显著的线性增长趋势，要使数据变得平稳，需要对其再进行一阶差分，记转化后的新样本值为D（ln图3-4阿坝县D（ln如图可见D（lnGDP）图3-5D（ln如图可见，ACF和偏ACF检验图均为拖尾图，则可以使用ARIMA模型。从平稳化处理过程可知，序列进行一阶差分之后是平稳的，那么ARIMA（p,d,q）模型中的d=1。，通过不断试验和对模型的筛选，并比较AIC的值和观察模型参数的显著性，最终确定最优模型中的两个参数，有p=2,q=2,即最佳模型为ARIMA（2，1，2）。使用ARIMA（2，1，2）模型对GDP数据的对数（lnGDP）进行拟合函数，拟合结果如表3-10、图3-6：表3-10模型统计信息表模型预测变量个数模型拟合度统计信息Ljung-BoxQ(18)界外值数平稳的R方R方统计DF显著性GDP-模型_11.405.979.0.0图3-6ARIMA（2，1，2）模型拟合图根据结果显示，R的平方达到0.979，可见拟合程度很好。采用该模型，利用SPSS求解，预测结果为：2021年阿坝县年生产总值将达到22.22亿；2025年将达到41.47亿；而2030年将达到97.17亿综合以上方法，进行分析预测值，具体表格如下：表3-11阿坝县GDP预测分析一览表年份观测值/亿元多元回归幂函数ARIMA预测值相对误差预测值相对误差预测值相对误差20052.8620061.112.250.281.100.001.170.0220071.671.140.151.500.051.480.0520081.714.020.081.950.071.980.0720094.434.910.114.470.014.310.0320105.175.800.125.040.024.820.0720115.826.690.155.700.025.760.0120126.247.580.226.440.036.340.0220137.158.470.197.270.027.20.0120147.949.360.188.210.037.980.0120159.6110.250.079.280.039.260.04201610.4111.140.0710.480.0110.590.02201710.9512.030.1011.840.0812.250.12201811.8112.920.0911.380.1311.050.10201916.6011.810.1715.110.0914.960.10202018.9114.700.2217.070.1018.40.032021--15.59--19.28--22.22--2025--19.15--31.40--41.47--2030--21.60--57.76--97.17--误差均值0.150.050.05由此表可见，后两者的相对误差较小，并且后两者的增长呈类似指数增长，考虑到阿坝县目前处在发展阶段，未来GDP增长应该呈快速增长到缓慢增长，所以采取保守估计，取三种方法的预测值均值作为阿坝县GDP的预测值。GDP预测值如下：表3-12阿坝县GDP预测结果表年份202120252030GDP预测值/亿元19.0317330.6739859.510721.2公路运输需求预测公路交通需求预测是进行公路发展规划的基础,对完善城市公路网建设、提高公路的通行能力有重要作用。公路运输需求预测一般以往年数据为基准，进行一定的模型建立，由此进行预测工作。一般采取的预测方法有：弹性系数法、指数平滑法、多元回归法以及组合预测法。对于本次研究，考虑到人口和GDP对运输量的影响，这里建立以运输量为因变量、人口和GDP为自变量的多元线性回归模型。阿坝县2005-2020的公路运输量数据如下表所示：表3-13阿坝县2005-2020公路运输需求数据一览表年份客运量/万人货运量/万吨客运周转量/万人公里货运周转量/万吨公里20001.251.14960.92440.3120011.481.431020.07520.3720021.562.181120.39810.4520031.412.791032.51960.7320041.521.431180.021410.5920051.671.451268.281120.3420061.621.501290.791044.1620074.011.511491.341051.2420085.511.661646.141161.9920096.371.902177.781259.1320106.564.042141.001322.0720117.324.572237.691446.19201215.369.162305.611741.20201316.239.212347.091992.71201416.0710.592341.862367.11201516.8511.282438.762587.02201617.3412.192480.612691.08201718.0812.972677.312819.88201818.2514.032707.902996.61201919.6214.682786.363221.56202017.5614.372575.882754.381.2.1客运量预测根据已有数据，以人口、GDP为自变量，客运量为因变量，进行模型的拟合，使用SPSS软件进行多元线性回归模型分析、拟合。结果如下：表3-14客运量预测模型摘要表模型RR平方调整后的R平方标准估算的错误Durbin-Watson(U)1.950a.903.8882.100361.217a.预测变量：（常量），人口,GDPb.因变量：客运量表3-15客运量预测模型结果一览表模型非标准化系数标准系数t显著性共线性统计B标准错误贝塔容许VIF1（常量）-48.9819.635-5.084.000GDP.203.198.1541.028.322.3311.023人口7.9301.452.8205.460.000.3311.023a.因变量：客运量由结果可见，R平方为0.903，模型拟合较好，这里得到关于客运量的预测模型为：Y式中：XGDP—GDP的预测值/亿元；X1.2.2货运量预测根据已有数据，以人口、GDP为自变量，客运量为因变量，进行模型的拟合，使用SPSS软件进行多元线性回归模型分析、拟合。结果如下：表3-16货运量预测模型摘要表模型RR平方调整后的R平方标准估算的错误Durbin-Watson(U)1.956a.913.9001.427311.002a.预测变量：（常量），人口,GDPb.因变量：货运量表3-17货运量预测模型结果一览表模型非标准化系数标准系数t显著性共线性统计B标准错误贝塔容许VIF1（常量）-21.9806.548-1.357.005GDP.462.134.4891.440.004.3311.023人口1.568.987.5141.615.003.3311.023a.因变量：货运量由结果可见，R平方为0.913，模型拟合较好，这里得到关于货运量的预测模型为：Y1.2.3客运周转量预测根据已有数据，以人口、GDP为自变量，客运周转量为因变量，进行模型的拟合，使用SPSS软件进行多元线性回归模型分析、拟合。结果如下：表3-18客运周转量预测模型摘要表模型RR平方调整后的R平方标准估算的错误Durbin-Watson(U)1.972a.945.937124.095481.246a.预测变量：（常量），人口,GDPb.因变量：客运周转量表3-19客运周转量预测模型结果一览表模型非标准化系数标准系数t显著性共线性统计B标准错误贝塔容许VIF1（常量）-3379.101569.264-5.936.000GDP-.52111.677-.005-.045.965.3311.023人口741.35085.813.9768.662.000.3311.023a.因变量：客运周转量由结果可见，R平方为0.945，模型拟合较好，得到关于客运量的预测模型为：Y1.2.4货运周转量预测根据已有数据，以人口、GDP为自变量，客运周转量为因变量，进行模型的拟合，使用SPSS软件进行多元线性回归模型分析、拟合。结果如下：表3-20货运周转量预测模型摘要表模型RR平方调整后的R平方标准估算的错误Durbin-Watson(U)1.955a.912.898251.76629.756a.预测变量：（常量），人口,GDPb.因变量：货运周转量表3-21货运周转量预测模型结果一览表模型非标准化系数标准系数t显著性共线性统计B标准错误贝塔容许VIF1（常量）-3766.0361154.929-1.261.006GDP71.65721.691.4331.025.010.3311.023人口689.828174.099.5671.962.002.3311.023a.因变量：货运周转量由结果可见，R平方为0.912,模型拟合较好，因此得到关于客运量的预测模型为：Y综合以上，得到交通需求预测量，见表3-22：表3-22公路交通需求预测结果一览表年份客运/万人货运/万吨客运周转/万人公里货运周转/万吨公里202121.9217.883082.703601.47202531.6625.673580.374905.18203044.6642.214235.587591.511.3公路网发展规模预测公路网规模是指公路网的总里程和公路网的技术等级结构，是公路交通发展的重要体现指标。规模的大小首先取决于公路网未来的交通需求和地区经济发展的状况，同时又受到公路建设资金的约束。合理的公路网规模是这三者之间的协调统一，公路网合理规模与结构的确定主要用到的研究分析方法有连通度法（网络结点模型法）、国土系数法、统计预测法和公路网密度类比分析法等，每一方法都有各自的优缺点和适用条件。本文采用国土系数法对公路网总里程进行预测。1.1.1国土系数法国土系