基于物流平臺的公路煤炭運量測算方法研究

摘? 要： 以煤炭為例，依托國內物流平臺和關聯產業數據，對公路大宗貨類運量推算方法開展研究。通過提取代表大宗規律性運輸需求和零散非規律性運輸需求波動序列，建立回歸模型，實現了對基于物流平臺推算的公路煤炭運量初始序列的修正。從結果看，模型能夠比較合理地反映公路煤炭貨運量變化的影響因素和波動規律，可為后續完善公路分貨類運量測算方法提供借鑒。

關鍵詞： 貨運量? 煤炭運量? 物流平臺

一、前言

貨運量是反映宏觀經濟運行情況的重要實物量指標，公路貨運量作為各種運輸方式中占比最大的部分，目前的日常統計主要局限在總量數據層面，而能夠更加全面反映貨運需求結構性變化的公路貨運量分貨類統計基本處于空白狀態。同時，在鐵路、公路、水路三種貨運量主要承載方式中，公路也是唯一一種無法實現分貨類月度統計的行業，造成全社會貨運量和公路貨運量與宏觀經濟發展關聯性研究難以開展，極大地制約了貨運量指標在宏觀經濟決策過程中支撐作用的發揮。近年來隨著“互聯網+交通”加速融合，具備貨物供需匹配撮合、線上交易結算功能的第三方物流平臺快速發展，業務量規模持續提高，分貨類運輸量數據規模已具備了一定的行業代表性，為開展公路貨運分貨類貨運量推算提供了可能。

二、研究現狀

公路貨運量統計工作的組織方式依各國國情不同存在各自特點。美國的貨物運輸統計體系是每五年開展一次商品流動調查（CFS）獲得貨物運輸基礎數據，再結合貨運分析框架進行推算補充，以及非調查年度的運輸量數據及分結構數據。其中商品流動調查是通過對相關行業企業進行分層抽樣，以周為單位、調查年度每季度填報一次，通過紙質或電子問卷進行貨類、運量、起止點等信息采集，實現對主要產業貨運需求的統計。日本的公路運輸貨物流量調查包含在其完整的一套“汽車運輸統計調查”中，調查的對象以在國內進行運輸活動的汽車為對象，調查方法采用抽樣調查方法，按照都道府縣和市町村為單位進行分層隨機抽樣，通過郵遞或在線進行問卷發放和回收，包括了糧食、蔬菜水果、畜產品、煤等超40種貨物大類。英國分貨類調查則是采用三層的分層抽樣調查，即通過車輛行政區劃、車輛類型和區域人口比例三個層次進行抽樣，通過紙質問卷進行統計匯總分析。貨類劃分主要包括農產品、煤、金屬制品、郵件包裹等20余種貨物大類。

國內公路貨運量統計主要由交通運輸部具體負責，主要經歷了三個階段。改革開放以前，運輸生產活動過程均通過“運單”進行調度調控，在這一階段運輸量統計是通過對運單記錄的全面調查進行采集的。第二階段是從改革開放后至2008年，因原有交通運輸系統逐級上報的系統內企業運輸量代表性逐步下降，1992年由交通運輸部和國家統計局聯合發布通知規定公路貨運量覆蓋范圍擴展至所有營業性市場主體，由此公路貨運量從全面調查正式轉為抽樣調查。第三階段是2009年至今，在2008年正式開展全國范圍內運輸量專項調查后，公路貨運量統計逐步轉變為定期全面調查和非調查期波動系數推算的模式，即每5年開展一次全面調查，非調查月則通過車輛跟蹤調查等方法確定月度波動系數進行全行業公路貨運量推算。

此外，國內關于公路貨運量統計方法的研究也在持續深化。曹錦文、吳群琪對比了國內外公路運輸統計機構設置、指標構成和技術手段之間的差異，認為我國公路貨運統計在指標的全面性以及數據來源的廣泛性等方面仍有待提升，而這一情況不光在我國，在日本等發達國家公路運輸統計中也普遍存在。Kawasaki通過分析日本公路交通統計現狀，認為雖然目前公路統計發展已較為成熟，但在公路運輸量向宏觀經濟研究延伸以及新的大數據資源應用等方面仍具有很大的提升空間。王璐等通過灰熵分析方法研究了宏觀經濟主要指標對公路貨運量變化的影響顯著性，在此基礎上構建了GM（1，N）模型實現了對各主要因素的預測。梁仁鴻和仵思燃通過灰色關聯分析模型對公路貨運量和主要貨類產量間的關聯關系開展了研究，在此基礎上通過普通最小二乘法（OLS）提出了公路貨運量推算的改進思路。劉擁華等通過出口車流量、通行費收入、車貨總質量、超限率等信息和空車質量抽樣調查數據對基于高速公路通行數據進行高速公路貨運量測算進行了研究。

三、方法思路

（一）研究思路

近年來，公路貨運線上發布業務量已占到公路貨運量的30%左右，其數據變化已經具備了一定的行業代表性，因此通過主要物流平臺重點貨類變化趨勢來測算全行業公路貨運量變化，已經成為一種較為合理的備選方案。但物流平臺數據也存在一些難以克服的短板。一是物流平臺與公路貨運市場貨類構成存在差異，即物流平臺分貨類運量信息可以視作一個“有偏差”的隨機抽樣數據。二是物流平臺的貨運量、貨類結構占比會不同程度受到平臺企業市場定向開拓影響，造成平臺貨運量總體規模變化與公路貨運量變化趨勢出現偏離，以及部分貨類占比短期內出現躍升，無法準確反映公路貨運市場真實發展態勢。

以煤炭這一貨類作為代表研究物流平臺數據推算可行性，主要出于以下三方面考慮：一是大宗物資運輸是影響貨運量變化的主要因素，煤炭作為其中占比較大的貨類更容易受到宏觀經濟發展影響而出現規律性波動，對于研究經濟運行情況具有更大的意義。二是相對于消費品、設備器材等貨類，煤炭分類標準相對明確，各平臺數據劃分范圍較為一致、數據可比性強、可靠性高，同時在調查期內貨運平臺煤炭貨運量規模相對穩定、未出現階梯型跳躍。三是當前煤炭產量、進口量以及鐵路、水路煤炭運輸量統計相對成熟，同時煤炭運輸量長期以來也形成了相對穩定的規模，在公路貨運量和物流平臺貨運量的占比也相對穩定，可對比參考的指標更加充足，有利于形成更加可靠的推算方案，進而供其他貨類推算參考。

在開展公路煤炭貨運量推算研究過程中，假設公路煤炭貨運量由兩部分構成，一部分是長期協議等規律性運輸需求，另一部分是短期臨時性零散運輸需求，其中長期規律性運輸量與原煤生產、煤炭進口以及鐵路、港口煤炭運輸等可能具有長期的匹配性，而物流平臺煤炭運輸量非規律的波動變化，則更多地反映出短期零散運輸需求的變化規律。

此外，由于公路煤炭貨運量真實數據難以直接觀測，僅有5年一次的貨運量專項調查數據可供參考，而物流平臺煤炭貨運量占比容易受到其他貨類結構性跳躍影響，存在部分偏差。因此在本次研究中，采用了“兩步走”近似修正的思路，力爭獲取公路煤炭貨運量推算的次優結果，即首先通過物流平臺煤炭貨運量占比變化情況作為波動系數，結合2019年9月貨運量專項調查月煤炭占比情況，對其余月份公路貨運量煤炭占比進行推算，得到公路煤炭貨運量月度數據初始序列;第二步通過測算公路煤炭貨運量月度數據初始序列中可以被規律性運輸需求和非規律性運輸需求解釋的部分，通過引入其他相關外部校核指標、降低其對貨運平臺數據波動的依賴性，在一定程度上修正公路煤炭貨運量預期值，降低物流平臺煤炭貨運量占比可能存在的系統偏差。

（二）模型介紹

1公路煤炭貨運量初始占比的確定。推算公路煤炭貨運量初始占比，一個相對合理可行的方案是通過物流平臺煤炭貨運量占比變化作為公路煤炭貨運量占比變化的趨勢判斷依據，而公路煤炭貨運量占比的基準值就是2019年9月專項調查分貨類占比數據，計算方法見式（1）。

rt=r201909×rtr201909式（1）

其中r201909表示基期（2019年9月）公路煤炭貨運量占比，r表示物流平臺煤炭貨運量占比情況。通過公路煤炭貨運量占比初始序列和公路貨運量月度數據可以對公路煤炭運輸量序列進行測算。

2公路煤炭非規律性運輸需求變化趨勢的測算。公路煤炭非規律性運輸需求主要以零散運輸需求變化為主，由于國內煤炭運輸通常要經由鐵路、公路、水路中的一種或多種運輸方式共同完成，公路煤炭運輸主要與原煤產量、煤炭進口量、鐵路煤炭發送量以及港口煤炭吞吐量等指標密切相關，因此公路煤炭長期規律性運輸需求與上述指標存在直接或間接的關聯關系。非規律性零散、偶發運輸需求則不直接或間接衍生自煤炭干線運輸，通常與上述指標關聯較弱，因此通過測算物流平臺煤炭非規律性貨運量規模變化，即測算物流平臺煤炭運量不依賴上述關聯指標波動的殘差序列，將可以有效反映公路煤炭非規律性運量的變化趨勢。為了確保序列平穩性，首先對各指標進行差分，得到的模型如式（2）：

dxt=α1×dProt+α2×dRailt+α3×dPortt+c+ut

ut～N（0，σ2）式（2）

其中，xt表示第t期物流平臺煤炭運量，Prot表示原煤運輸規模，由原煤產量和煤炭進口量組成，Railt表示全國鐵路煤炭發送量，Portt表示全國港口煤炭一次下水量，用以代表水路煤炭運輸規模變化，c為常數項，ut為物流平臺煤炭貨運量殘差、即非規律性運輸需求變化量。

3公路煤炭規律性運輸需求測算及初始運量修正。這一過程主要是通過規律性運輸需求變化和非規律性運輸需求變化序列構建一套相對穩定的對應關系，實現對公路煤炭運量變化量的量化測算，同時降低物流平臺貨類數據波動性對公路分貨類運輸量數據的影響。其中，規律性運輸需求主要表現為與原煤產量、煤炭進口量、鐵路煤炭發送量以及港口煤炭吞吐量等指標存在關聯關系的運輸量變化，非規律性運輸需求趨勢變化由物流平臺隨機波動序列表征。根據這一思路可以構建的公路煤炭貨運量推算模型如式（3）：

dxt=β1×dProt+β2×dRailt+β3×dPortt+β4×ut+c+εt

εt～N（0，τ2）式（3）

其中，xt表示第t期公路煤炭運量，εt為公路煤炭貨運量殘差序列。

四、實證分析

（一）數據基本情況

由于物流平臺是近幾年新出現的業態模式，綜合包括滿幫集團在內的國內10家代表性物流平臺企業數據情況分析，本文選取2019年1月至2020年6月數據開展分析。一方面2019年以來物流平臺訂單量、貨運量、用戶數等指標逐步從以往爆發式跳躍發展進入平穩發展階段，數據結構相對穩定、數據規范性也逐步提高;另一方面也是在確保數據可靠性和可用性基礎上，兼顧時間序列長度。數據來源方面，公路貨運量月度數據、港口煤炭吞吐量、2019年9月專項調查月公路煤炭貨運量和部分典型物流平臺發布的煤炭運量數據來自交通運輸部，鐵路煤炭發送量來自鐵路統計月報，煤炭進口量來自海關總署。

從物流平臺煤炭貨運量、煤炭總運輸需求規模、鐵路和代表水路煤炭運輸的港口下水量數據相關性來看，物流平臺煤炭貨運量變化與煤炭總需求變化相關性較高，而鐵路和港口煤炭運輸相關性較高，這與當前我國煤炭運輸格局吻合。目前我國煤炭除坑口發電消耗外，大部分煤炭還是需要依賴鐵路、公路、水路等貨物運輸方式，而即便通過鐵路、水路進行煤炭運輸，大多也需要公路運輸的銜接、短駁，因此煤炭運輸大部分都需要公路不同程度的參與，因此物流平臺煤炭貨運量與煤炭總運輸需求量走勢較為接近;鐵路煤炭運輸主要以“三西”地區煤炭的西煤東運為主，鐵路煤炭運輸量與北方港口下水量關聯更為密切，因此以北方港口煤炭下水量為主的港口煤炭一次下水量與鐵路煤炭發送量具有較高的一致性。公路煤炭運輸與鐵路、水路煤炭運輸之間既存在相互依存也存在相互替代，因此呈現出相對較低的相關性（見表1）。

在進行模型參數估計前，首先對上述指標以及公路煤炭貨運量初始序列進行平穩性檢驗（見表2），在95%的置信水平下，ADF檢驗顯示各指標一階差分后的數據均拒絕具有單位根的原假設，即具有顯著的平穩性。

（二）模型參數估計結果

在此基礎上，通過Eviews軟件對物流平臺煤炭貨運量與煤

炭總運輸需求規模以及鐵路、港口煤炭運輸生產情況建立參數估計模型，用以提取代表非規律性、零散煤炭運輸需求波動變化序列。從模型初步估計結果看，港口煤炭一次下水量差分序列參數t統計量無法顯著拒絕零假設，一方面，由于港口煤炭運輸與鐵路煤炭運輸相似度較高、造成二者解釋能力存在重疊;另一方面，港口煤炭既包含了鐵路煤炭運輸對公路的負向分流部分，也包含了內外貿煤炭增長帶來的公路運輸需求正向拉動部分，兩種作用相互疊加，造成了港口煤炭運輸生產變化與公路煤炭運輸需求變化的穩定性稍弱，因此在后續模型估計過程中將其剔除并獲得回歸殘差序列，最終得到的模型估計結果如表3所示：

類似地，對公路初始煤炭貨運量差分序列進行模型參數估計，港口煤炭生產指標同樣存在參數不顯著的情況，在對包括煤炭總運輸需求規模、鐵路煤炭發送量在內的規律性變化和代表非規律性變化的物流平臺煤炭運量殘差序列進行OLS估計，得到的結果如表4所示：

從模型估計結果看，煤炭運輸需求規模每增加1噸，可以帶動公路煤炭貨運量約22噸，這與公路在煤炭運輸中承擔兩端“最后一公里”、部分干線運輸以及鐵水中轉作用一致;鐵路煤炭運量每增長1噸，將對公路煤炭運量造成幾乎等量的分流;物流平臺非規律性、零散煤炭運量對公路貨運市場煤炭零散運輸需求的放大比例在41倍左右。此外，常數項為負值表明隨著特高壓發電等技術逐步成熟、坑口發電量將逐步提高，加之公路運輸環保整治力度加大，在煤炭運輸總體需求不變的情況下，公路煤炭貨運量將總體呈現緩慢下降的態勢。

通過公路煤炭貨運量差分擬合序列和2019年9月專項調查公路煤炭貨運量，可以計算得出各月公路煤炭貨運量的推算值。從占比情況看，2019年1月以來，公路煤炭貨運量占公路貨運量比重在10%左右，且春節期間受工廠停工、生活消費品運輸需求增加等因素影響，占比明顯下降。此后，隨著生產活動恢復，占比逐步提高，并在三季度達到全年的峰值水平。進入四季度隨著冬季到來、生產活動逐步趨緩，煤炭占比呈現下降態勢。2020年受疫情影響，生活生產秩序均受到了明顯影響，但隨著疫情防控和復工復產取得明顯成果，煤炭貨運量占比已出現小幅回升，但尚未達到2019年同期水平。圖1對推算出的公路煤炭貨運量占比與物流平臺煤炭占比情況進行了比較，從結果看，公路煤炭貨運量占比總體要高于物流平臺占比，這與煤炭運輸以大宗、長期合同運輸特點一致，物流平臺以小規模、分散運輸需求撮合為主，因此大宗貨類占比普遍偏低。通過本文提出的基于規律性和非規律性運輸需求測算得到的公路煤炭貨運量占比與物流平臺大數據監測情況仍能保持總體一致。本文提出的方法對后續進一步開展公路貨運量分貨類數據測算具有一定的參考意義。

五、結論

本文利用物流平臺貨類占比對大宗貨類運輸量的初始占比進行測算，并得出對應貨類的初始月度運輸量。在此基礎上，對初始序列按照大宗、規律性運輸量和零散、非規律性運輸量進行拆分并構建回歸模型，修正初始運輸量序列。其中規律性運輸量變化趨勢主要依靠相應產品產量、鐵路水路對應貨類運輸量等行業關聯指標進行表征，非規律性運輸量波動特點則主要依靠物流平臺的非規律性波動來表征。從模型結果來看，推算出的公路煤炭貨運量占比變化與經濟發展特征以及物流平臺監測數據變化規律較為一致，具有一定的合理性。參數估計結果表明煤炭運輸需求規模和物流平臺非規律性煤炭運輸需求變化都會對公路煤炭運量形成正向傳導，放大比例分別為22倍（2K2]和41倍，而鐵路煤炭貨運量會對公路形成幾乎等量的分流。

參考文獻：

＼[1＼][ZK（#]曹錦文，吳群琪完善我國公路運輸統計制度體系的國際借鑒＼[J＼]統計與決策，2011（06）

＼[2＼]Kawasaki ShigeruThe Challenges of Transportation/traffic Statistics in Japan and Directions for the Future＼[J＼]International Association of Traffic and Safety Sciences Research，2015（39）

＼[3＼]王璐，吳群琪，熊銳公路貨物運輸發展影響因素分析及預測＼[J＼]統計與決策，2015（20）

＼[4＼]梁仁鴻，仵思燃公路貨物運輸量統計新試行方案問題及完善思路研究＼[J＼]公路交通科技，2018（07）

＼[5＼]劉擁華，孫靜怡，何民，賈利民，莊文君高速公路貨物運輸量統計方法＼[J＼]公路交通科技，2012（29）[ZK）]

（梁鴻旭，交通運輸部科學研究院）