基于季節(jié)調(diào)整模型的我國鐵路客運量波動分析

桂文林，韓兆洲

（1.惠州學(xué)院 數(shù)學(xué)系，廣東 惠州 516007；2.暨南大學(xué) 統(tǒng)計系，廣東 廣州 510632）

基于季節(jié)調(diào)整模型的我國鐵路客運量波動分析

桂文林1，韓兆洲2

（1.惠州學(xué)院 數(shù)學(xué)系，廣東 惠州 516007；2.暨南大學(xué) 統(tǒng)計系，廣東 廣州 510632）

在研究 TRAMO/SEATS季節(jié)調(diào)整模型計算方法的基礎(chǔ)上，基于我國鐵路 2002年1月—2010年 2 月的客運量月度數(shù)據(jù)，應(yīng)用Demetra軟件，通過季節(jié)調(diào)整模型參數(shù)設(shè)置、模型的估計和檢驗，得到 2010 年 3月—2012 年 2 月的鐵路客運量預(yù)測值，并對預(yù)測結(jié)果進行趨勢性和季節(jié)性分析。研究結(jié)果表明，Tramo/Seats 季節(jié)調(diào)整模型的預(yù)測精度較高。

鐵路；TRAMO/SEATS模型；季節(jié)調(diào)整；客運量

由于受諸多主客觀因素影響，鐵路客運量表現(xiàn)出趨勢、季節(jié)和隨機性的復(fù)雜波動特征。季節(jié)調(diào)整模型能夠很好地將時間序列進行分解，并將季節(jié)因素從原序列中剔除后找到變動趨勢特征。因此，通過 TRAMO/SEATS 季節(jié)調(diào)整模型將我國鐵路客運量月度數(shù)據(jù)時間序列進行分解，并用 Demetra 軟件求解，在此基礎(chǔ)上分析鐵路客運量的季節(jié)和趨勢特征，進行科學(xué)預(yù)測。

1 TRAMO/SEATS季節(jié)調(diào)整模型

美國經(jīng)濟學(xué)家于 1919 年首先提出季節(jié)調(diào)整問題，1931 年 Macauley 提出了移動平均比率法，成為季節(jié)調(diào)整方法的基礎(chǔ)。SEATS是最早的基于ARIMA模型的分解時間序列的計算機程序。1994年，Gomez 和 Maravall 將 Tramo 與 SEATS合并，開發(fā)了 TRAMO (具有ARIMA噪音、省略觀察值和異常值的時間序列回歸法)/SEATS (ARIMA時間序列的信號提取法) 程序方法。這是一個包含兩個過程的 ARIMA 模型，首先應(yīng)用 TRAMO 過程預(yù)調(diào)整每個時間序列的數(shù)據(jù)，然后將結(jié)果傳給 SEATS過程獲得季節(jié)成分。Demetra 軟件合并了 X-12-ARIMA和T/S 這兩種季節(jié)調(diào)整方法，是歐洲統(tǒng)計中心支持開發(fā)的用于季節(jié)調(diào)整的特制軟件，操作方便，界面友好。

TRAMAO/SEATS 季節(jié)調(diào)整的一般步驟為：輸入數(shù)據(jù)→原始數(shù)據(jù)對數(shù)處理→在 TRAMO 中觀察時間序列 ARIMA 模型最大似然估計和異常值的特殊影響估計→將線性化序列傳遞給 SEATS→引出各成分的模型→對各成分模型的參數(shù)使用Wiener-Kolmogorov 過濾器進行最小平方誤差估計→重新引入異常值和特殊影響→輸出結(jié)果。

（1）使用 TRAMO 自動識別 ARIMA 模型。首先，通過使用均值擬合乘法AR(1) 和 ARIMA (1，1)，選擇序列一般有季節(jié)部分的差分階數(shù)。然后，選擇并擬合 ARMA 模型。最后，根據(jù) BIC 標準進行選擇。

（2）TRAMO 自動識別異常值。如有必要同時計算其他回歸變量，如交易日變量和復(fù)活節(jié)變量。TRAMO 可以處理4種異常值：水平移動 (LS)、附加異常值 (AO)、暫時變化異常值 (TC) 和更新異常值 (RP)。程序?qū)⒃谶M行離群值探測的樣本區(qū)間內(nèi)，對所有的時間點按照 AO、LS 和 TC 這3種類型假設(shè)逐個進行回歸。如果整個區(qū)間的長度為 n，則需要先后引入 3n 個變量，計算每個時點上各類離群值的 t 統(tǒng)計量，根據(jù)其顯著性判定其是否作為最終的異常值成分加入模型中。所采用的臨界值比常規(guī)的 t 統(tǒng)計量的臨界值大，而且隨樣本容量的增大而增大。交易日修正是對在月度或季節(jié)經(jīng)濟時間序列中循環(huán)發(fā)生的星期幾天數(shù)成分影響的修正。復(fù)活節(jié)影響調(diào)整是由復(fù)活節(jié)引起的經(jīng)濟活動天數(shù)變化的調(diào)整。我國不存在復(fù)活節(jié)，此項不需考慮。

（3）TRAMO 將線性化序列傳遞給 SEATS 做實際的分解。首先，SEATS 估計模型被分解為未觀察成分的譜密度函數(shù)，假設(shè)這些未觀察成分為正交的。其次，SEATS 估計趨勢周期和經(jīng)季節(jié)調(diào)整的參數(shù)。被觀察的序列需向前預(yù)測和向后估計，需使用 Wiener-Kolmogorov 過濾器。然后，異常值和特殊影響被重新引入成分中。TRAMO/SEATS 使用默認2年 (最小8個周期) 的預(yù)測長度。

2 我國鐵路客運量因素分解和預(yù)測的實證研究

2.1 基礎(chǔ)數(shù)據(jù)

鐵路客貨運量具有明顯的線性趨勢和季節(jié)性特征，適合應(yīng)用 TRAMO/SEATS 模型進行擬合。2002年1月—2010 年2月鐵路客運量月度數(shù)據(jù)如表1所示，在此基礎(chǔ)上對其趨勢和季節(jié)特征進行具體分析和預(yù)測。

2.2 Tramo/Seats 季節(jié)調(diào)整模型參數(shù)設(shè)置

（1）對數(shù)變換的參數(shù)設(shè)置。選擇 Pretest，即預(yù)檢驗數(shù)據(jù)是否適用于對數(shù)變換。如果初始時間序列中含有零或負值，則不能實施對數(shù)變換。

（2）日歷效應(yīng)修正的參數(shù)設(shè)置。①交易日修正。由于客運量在工作日 (星期一—星期五) 之間和工作日與休息日之間存在區(qū)別，并且是否閏年也影響經(jīng)濟活動的活躍性，因此選擇 Trading days&Leap-year (7 個回歸變量)。此外，選擇預(yù)檢驗是否需要交易日 (工作日) 效應(yīng)修正，允許 Demetra 根據(jù)季節(jié)調(diào)整質(zhì)量減少交易日回歸變量。②國家法定假日修正。每年的勞動節(jié)、國慶節(jié)和元旦可能對經(jīng)濟活動產(chǎn)生影響，在 TRAMO/SEATS 程序中可進行假日影響的具體日期設(shè)置和調(diào)整。

（3）異常值及外部變量的參數(shù)設(shè)置。異常值、外部變量、偏差修正、趨勢平滑的參數(shù)設(shè)置，以及ARIMA 模型、均值修正和實踐序列尾部預(yù)測的參數(shù)設(shè)置均為默認選擇。

2.3 模型的估計和檢驗

2.3.1 模型的預(yù)調(diào)整

對模型采用精確極大似然估計方法進行估計，預(yù)調(diào)整檢驗結(jié)果如表2所示。通過預(yù)調(diào)整可知模型通過檢驗。

表 2 我國鐵路客運量預(yù)調(diào)整模型的檢驗

（1）我國鐵路客運量變動適合于加法模型，即認為時間序列波動的幅度與時間序列的水平不顯著相關(guān)，計算時無需進行對數(shù)變換。

（2）滿足 ARIMA 模型的殘差服從均值為0的正態(tài)分布，無需進行均值修正。

（3）模型未檢測出7個交易回歸變量的影響，其他交易日和閏年的回歸變量影響也不顯著。表明工作日內(nèi)部、工作日與非工作日之間，以及是否閏年對客運量的波動無顯著影響。

（4）鐵路客運量數(shù)據(jù)中檢測出的顯著異常值是2003 年5月，其異常值屬于暫時變化和更新異常值(TC)。2003 年5月前后正是北京和香港 SARS 疫情最為嚴重的時期，對我國鐵路客運量產(chǎn)生較大的負面影響，此時客運量為典型的偏小異常值。該異常值影響的回歸系數(shù)為 -0.479 3。

（5）ARIMA 模型選擇中，經(jīng)過模型識別和比較選擇，模型是季節(jié)調(diào)整中最簡便、最強健的 (011)(011) 的 ARIMA 模型，表示經(jīng)過1次規(guī)則性差分和1次季節(jié)差分后，該序列成為具有一階規(guī)則性移動平均項和一階季節(jié)移動平均項的平穩(wěn)序列。

2.3.2 鐵路客運量模型的檢驗

鐵路客運量模型的檢驗結(jié)果如表3所示，表明模型通過了所有的檢驗。

（1）鐵路客運量季節(jié)調(diào)整質(zhì)量為 1.819，模型在合理區(qū)間內(nèi)，調(diào)整質(zhì)量較好。

（2）模型的異常值比例為 1.02%，在小于 5% 的合理范圍內(nèi)。

（3）模型殘差的均值接近 0，并通過0 均值檢驗。正態(tài)性檢驗表明，殘差符合正態(tài)分布。偏度和峰度檢驗表明，模型殘差的分布對稱，且沒有峰值。

（4）殘差檢驗的 Ljung-Box 統(tǒng)計量表明，殘差及殘差的平方不具有顯著的自相關(guān)性，殘差中不隱含線性和非線性結(jié)構(gòu)。殘差檢驗的 Box-Pierce 統(tǒng)計量表明，殘差及殘差平方不具有顯著的季節(jié)自相關(guān)性，殘差中不隱含季節(jié)線性和非線性結(jié)構(gòu)。DW 檢驗統(tǒng)計量也表明，殘差不存在一階自相關(guān)。

（5）ARIMA 模型的擬合標準表明，模型 AIC和 BIC 準則的值都很小，分別為 -235.08 和 -5.62，可見模型具有較好的擬合效果。

表3 我國鐵路客運量季節(jié)調(diào)整模型的檢驗

2.4 預(yù)測結(jié)果分析

模型通過檢驗后，對 2010 年3月—2012 年2月的客運量進行預(yù)測，如表4和圖 2、圖3所示。由此可見，未來2年內(nèi)鐵路客運量的趨勢和季節(jié)特征沒有顯著的變化。計算得到的我國鐵路客運量模型預(yù)測平均絕對百分比誤差 (MAPE) 為 3.755%，模型的預(yù)測精確度較高。

2.4.1 趨勢性分析

（1）鐵路客運量在 2002 年1月—2010 年2月有上升的接近線性的發(fā)展趨勢，從2007 年8月開始，上升趨勢有所減緩。

（2）鐵路客運量因 SARS 事件發(fā)生暫時脫離趨勢的波動，但很快得到恢復(fù)。

（3）2002 年1月—2010 年2月，鐵路客運量由0.78 億人增加到 1.42 億人，增長率為 82.05%。趨勢性由 0.804 增加到 1.287，增長率為 60.05%。

2.4.2 季節(jié)性分析

剔除趨勢因素后，鐵路客運量的季節(jié)特征為每年2月客運量第一次達到高峰，其季節(jié)成分的平均數(shù)為 0.096；每年6月客運量第一次達到低谷，其季節(jié)成分的平均數(shù)為-0.084；在此期間的5月客運量有小幅上升波動，此時季節(jié)成分的平均數(shù)為 0.003；每年8月客運量第二次迎來高峰，季節(jié)成分平均數(shù)為 0.174；每年 12 月是客運量的第二次低谷，季節(jié)成分平均數(shù)為 -0.150；在此期間的 10月，客運量有小幅上升波動，此時季節(jié)成分平均數(shù)為 0.014。第二次客運量高峰高于第一次，第二次低谷比第一次低谷更低。下半年客運量的波動要比上半年更大。

表4 我國鐵路客運量趨勢、季節(jié)性和客運量預(yù)測

3 結(jié)束語

目前，國內(nèi)對具有趨勢和季節(jié)特征的鐵路月度客運量預(yù)測的常用方法是 Holt-Winters 模型，本研究在國內(nèi)首次將 Tramo/Seats 季節(jié)調(diào)整模型應(yīng)用于客運量預(yù)測領(lǐng)域，與 Holt-Winters 模型相比，季節(jié)調(diào)整模型引入了預(yù)調(diào)整模塊，對交易日、異常值等進行預(yù)調(diào)整，使因素分解更精確；分析了客運量歷史和將來的趨勢、季節(jié)特征，而 Holt-Winters模型只能得到末期的上述特征。研究結(jié)果表明，模型的預(yù)測精度較高。在研究中未涉及有關(guān)移動假日的預(yù)調(diào)整，如春節(jié)效應(yīng)等，還有待進一步研究。

Analysis on Fluctuation of Passenger Traf fi c Volume based on Seasonal Adjustment Model in China

GUI Wen-lin1, HAN Zhao-zhou2

（1. Maths Dept, Huizhou University, Huizhou 516007, Guangdong, China; 2. Statistics Dept, Jinan University,Guangzhou 510632, Guangdong, China）

Based on studying the calculation method of TRAMO/SEATS seasonal adjustment model and the monthly data of railway passenger traffic volume in 2002.1-2010.2 in China, by using the Demetra software, the forecast value of railway passenger traf fi c volume in 2010.3-2012.2 was achieved through the parameter setup, evaluation and inspection of the seasonal adjustment model. Then the paper makes trend and seasonal analysis on the forecast results.The results show that the TRAMO/SEATS seasonal adjustment model has higher forecast precision.

Railway; TRAMO/SEATS Model;Seasonal Adjustment; Passenger Traf fi c Volume

1003-1421(2011)02-0078-05

U293.1

A

2010-07-20

2010-08-31

廣東省哲學(xué)社會科學(xué)基金(09E-04)；廣東省自然科學(xué)基金(9151051501000066)

責(zé)任編輯：付建飛