基于二元回歸的油耗預測
——以涼山州煙草物流為例

何 實，徐 偉，劉 凡，楊龍華，張明聰，何星星

（1.四川省煙草公司涼山州公司，四川 涼山 615000；2.中國煙草總公司四川省公司，四川 成都 610017；3.西華大學 管理學院，四川 成都 610039）

0 引 言

為了實現人類與自然的和諧相處，國家領導人提出了碳達峰碳中和的戰略目標，積極踐行人類命運共同體的美好愿景。碳達峰碳中和的實現是一項艱苦卓絕的工程，涉及管理方法與路徑的更換、落后產能的淘汰、原本賴以維繼的流程突然消失等問題，對國家、人民、企業而言是非常大的挑戰。但過程雖然艱苦，結果卻是全人類受益，所以不管是企業還是個體都應積極加入人與自然和諧發展這一歷史進程中，國企更是責無旁貸。

1 油耗預測有關研究

燃油消耗對環境的影響非常直觀，無論是汽車、輪船，還是民航客機等[1-3]，這些運載工具在工作過程中都需要消耗大量的燃油，持續不斷地向人們居住、工作、娛樂等場所排放碳化物、硫化物等廢氣廢液[4-6]。為了降低其對人們的影響，各個國家不斷地優化技術以降低燃油的消耗，同時各領域相關研究人員積極創建各種模型用于預測燃油消耗，以幫助相關組織、企業清晰了解油耗的影響因素及影響程度，有效降低油耗，實現節能減排的目標，體現其社會擔當。

牟小輝等[7]指出影響船舶油耗的因素有風速、水向、水深等，使用改進型隨機森林模型，利用偏相關分析方法，可以確定各影響要素與油耗之間的相關性排序。陳靜杰等[8]指出民航油耗各參數之間存在非線性相關關系，采用離散化的方式處理數據，得到了油耗預測較高的可靠性。何永明等[9]研究高速公路瞬時油耗，發現當速度超過120公里/時的時候，油耗增加比率大于速度增加比率。洪耀球[10]通過對比多種油耗模型，證實多元回歸模型可較好地預測船舶油耗。管俊宇等[11]采用灰箱模型建立了船舶的油耗預測模型，用于實現節能減排。

關于油耗預測的研究持續時間較長，從相關研究來看，汽車、輪船、民航是研究的重要對象，而關于油耗預測的模型也多種多樣，多是基于研究人員所處行業展開研究，提出了各自的研究模型，豐富了國內油耗預測的理論研究。近十年來隨著電商行業的飛速發展，物流的重要性愈發體現出來，尤其京東、順豐等大型物流平臺提出次日達、當日達的目標后，便開始不斷改進相關設施，使物流行業愈加繁榮，但也導致整個行業對燃油的需求迅速攀升。煙草物流作為物流行業的一個分支，與其他行業一樣，為了更好地滿足客戶需求，通過設施設備改造，不斷提升其配送效率，提出了煙草貨物當日達、次日達、最遲收貨日等目標。同時作為重要的國有企業，煙草行業必須積極實現“雙碳”目標，因此既要滿足配送高要求又要踐行國企社會擔當，對煙草物流來說是不小的挑戰。

2 涼山煙草物流油耗現狀

當前國家提出了碳中和碳達峰的發展戰略，這一戰略指引著整個國家的經濟發展方向、資源配置要求、轉型升級的發展路徑，作為國有企業的一份子，煙草物流也應積極踐行國家戰略。配送是物流核心的環節之一，使用的主要工具是燃油車和新能源汽車。涼山的地理環境與客戶所在的地理位置等因素，使得當前涼山煙草物流只能使用燃油車進行配送，因此每個月需要消耗數千升油。作為國家戰略的重要推手，降低配送環節的碳排放，即降低汽油、柴油消耗，涼山煙草物流中心當仁不讓。為了積極推進碳達峰碳中和的國家戰略，掌握當前涼山州物流中心汽油、柴油消耗規律，預測未來消耗量，是一件基礎而意義重大的任務。

2.1 配送模式

物流的配送環節可分為直配與中轉配兩類，核心職能是終端配送，也就是把訂單交至客戶手中。所謂直配，就是由煙草物流中心直接將客戶需求訂單配送至零售戶手中，配送范圍包括西昌市區及市郊區。中轉配，即通過中轉站或中轉點將訂單配送至零售戶手中。由于涼山州面積很大，在不少縣、鎮配送后不能當天返回物流中心，所以在當地設置了中轉點、中轉站，由其負責配送訂單至零售戶手中。中轉配送包括兩次配送，首先，根據系統訂單裝中轉車，再配送至需求中轉點，也就是說從物流中心配送至中轉站，中轉車再返回物流中心。其次中轉站接受中轉車配送卷煙后，根據訂單進行二次轉車，最終配送到零售戶手中。

2.2 配送車輛配置

如表1所示，共有7個品牌的終端配送車輛，每個品牌配送總容量也各不相同，福特全順、依維柯、五十鈴是數量最多的品牌車輛。從容量數據看，福特全順配送總容量最高達到7 548.69m3，排名第二是依維柯，配送總容量為5 455.36 m3，排名第三為五十鈴，配送總容量為4 598.33m3。除去這些主要車輛外，還有干線配送車輛，即從物流中心向各中轉站配送卷煙訂單，因為采用整籠車運輸，其單車容積與終端配送車單車容積相差較大。

表1 涼山配送車輛型號

此外，依據車輛所有權歸屬問題可將配送方式分為自配與外包兩種：自配即所有權歸屬于物流中心和中轉站；外包即車輛為第三方專業的配送公司。物流中心通過與第三方簽訂配送合同，商定配送數量、配送時間、配送價格等要素，降低配送壓力。雖然外包一定程度上降低了配送過程中的控制力度，但是相比之下配送效率更高、配送成本更低，外包優勢明顯。

2.3 配送線路

如上所述，涼山州分為直配與中轉配兩種配送模式，每種模式下因對應區域的面積、地理條件、道路水平、客戶數量存在差異，導致對應的線路數量也有著較大差異。目前直配共有74條配送線路，中轉配送有108條線路，直配與中轉線路相比，直配區域集中在西昌市及近郊，客戶相對集中且數量多，因此配送線路比中轉配線路更加復雜。影響配送線路的主要因素之一是每天客戶需求差異大，而且客戶位置變化也大；二是中轉配送主要在涼山州其余區縣，占地面積大、山路多、人口相對較少，因此路線設計較為簡單，這兩個因素使得直配與中轉線路數量存在較大的差異。

2.4 油料消耗

從油耗來看，目前主要使用的是汽油和柴油兩大類，近5年油耗數據如圖1所示。從圖1中可以看出，2017—2021年每年配送里程有較大的差異，且油耗與配送里程明顯正相關。具體來看2017年配送里程數最大，油耗也最高，而2019年配送里程最短，油耗也最低。也就是說通過觀察油耗與配送里程發現，二者之間高度相關。

圖1 2017—2021 年油耗消耗趨勢圖

每年制定下一年的油料預算采取算術平均的預測方式，即用上一年的平均油耗，作為下一年的消耗標準，再乘以預估的里程，得出油料預算值。

此外，不管是外包還是自配，油耗費用、車輛保養、維修等費用結算方式都一致，皆采取實報實銷的形式，憑發票報銷車輛工作過程中產生的費用。

3 油耗預測存在的問題

3.1 預測模型科學性不足

目前采用的預測方式的核心是由上一年度平均值與相關管理人員依據歷史消耗數據的經驗得出，從歷史預測結果來看，多數情況預測誤差相對較大也是因為在預測過程中預測的不是油耗，而是以費用為預測對象，因此誤差明顯會更大。因為油價波動性大，時漲時跌，到底采取哪一個油價作為油耗費用的計價標準更準確，各物流中心莫衷一是。

3.2 油耗預測不準確

用算數平均值數據預測下一年的油耗預測值誤差較大，從2017—2021年5年的里程數據來看，每年都存在明顯的差異。通過分析涼山州客戶數量的變化、年銷售量的變化，可知變化幅度相對較小，由此可以推斷涼山州每年的配送總里程大致相當，但是從實際配送數據來看，每年的配送里程差異明顯，說明如果使用上一年平均值×下一年預估配送里程作為預算值，會產生非常大的誤差，造成油料預測結果的不準確。

4 基于回歸分析的油耗模型構建

回歸分析用于研究兩類變量是否存在線性關系，通過計算R系數值，判定兩類變量之間關系的強弱程度，相關系數取值范圍介于-1～1之間。當R絕對值取值位于0.8～1之間，表明變量之間是強相關；若絕對值取值在0.5～0.8之間是中相關；絕對值取值范圍在0～0.5之間，表明變量為弱相關。

4.1 模型影響因素

第一，眾所周知，油耗與配送里程高度相關，因此配送里程是油耗模型非常重要的一個影響因素；第二，配送車輛自身屬性，如排氣量、載重、自重等；第三，路況，高速公路、省道、縣道修建規格上的差異，以及車輛往來的數量，都是路況的組成部分，不同路況的油耗差異明顯；第四，氣候條件及溫度差異，對油耗也有明顯的影響，涼山州海拔與成都相差不大，所以氣壓與溫度對油耗差異的影響不大，因此忽略該因素帶來的影響；第五，銷量與車輛數量呈正相關，銷量越高車輛越多，反之亦然；第六，客戶數量尤其是客戶分布對于油耗影響很大，如果客戶分布集中，那么此區域油耗就較低，如果呈現廣而散的分布，則油耗就高。

通過分析影響油耗的因素發現，車輛屬性、路況、銷量、客戶數量及分布最終都可以通過配送里程體現出來。排氣量高、自重大，且載重與銷量存在緊密關系，因此同樣的路程油耗更高；路況的好與壞、客戶的數量和分布與路程息息相關，是里程的核心組成部分。因此在列舉了多種影響因素后，可以發現最終應該把多要素聚類為行駛里程與銷量關鍵要素，因此油耗預測模型可以將油耗作為因變量，行駛里程、銷量作為自變量，通過回歸分析，建立配送里程與油耗之間的函數關系。

4.2 模型構建

4.2.1 數據選取

上述分析指出，行駛里程是關鍵的影響變量，因此選取涼山州2017—2021年5年的數據，共60個月的行駛里程數據與油耗數據，構成2*60的數據分析矩陣，確保數據的充足性，若是數據量不足，再適度予以補充。

4.2.2 模型參數檢驗

使用SPSS，將涼山州近5年油耗數據進行線性回歸分析，其分析結果如下（此處油耗不是費用數據，而是燃油的消耗數量）。

模型構建過程中，采用輸入的方法，將月銷量、配送月總里程全部輸入作為自變量，沒有刪除的變量，通過計算構成多元線性回歸模型1，如表2所示。

表2 變量輸入/除去表

如表3所示，計算出調整后的R2=1，說明油耗和路程、月銷量完全正相關。分析ANOVA表檢驗結果，也證明油耗與路程之間呈完全正相關。如表4所示，回歸平方和與總計平方和相等，都為129 284 622.500，殘差平方和為0，表明回歸平方和能夠完全解釋自變量與因變量之間的關系。

表3 相關系數表

4.2.3 多元回歸模型

原假設：配送月總里程、月銷量與油耗不顯著相關；備選假設：配送月總里程、月銷量與油耗顯著相關。

如表5所示，常量、配送月總里程、月銷量在95%置信區間，其顯著性值P=0，因此拒絕原假設，接受備選假設，即配送月總里程、月銷量與油耗顯著相關，與R2=1顯著正相關的結論一致。

表5 模型系數表

如表5所示，油耗多元線性回歸模型中，常量值=-2.400E-6，配送路線月總里程系數=0.140，月銷量系數=7.269E-11，意味著油耗=（-2.400E-6）+0.14*配送月總里程+（7.269E-11）*月銷量。膨脹因子VIF=1.389，表明常量與配送里程之間不存在線性相關關系，變量與變量之間的影響較小，用此模型預測未來燃油消耗的準確性高。

5 模型應用

使用多元回歸分析方法構建涼山州的油耗模型，首先可以預測未來油耗，尤其是相關系數R=1，屬于完全正相關，預測精度非常高。通過未來幾年的銷量預測，與2020年、2021年銷量相差不大，而且客戶數量相對穩定，意味著配送范圍不會出現大幅度波動，配送里程變化也不會太大，因此可以做到較精準的預測。其次，預測可以精準至每個月，因此可以將實際消耗與預測消耗進行對比，評價配送過程中的油耗，并且通過預測數據加大對外包方的控制力度，進一步提升配送效率；同時，還可以通過油耗預測數據，分析配送過程中不同路線、不同時期的油耗，做到內在對比，外在比優，指導降低油耗，實現節能環保的戰略目標。

6 研究結論與不足

配送里程與油耗本就正相關，只是相關性大小不得而知，如果道路狀況特別復雜，那么相關性計算難度就會隨之提升，因而本文通過搜集涼山州5年共60個月的配送里程數據以及每個月的實際銷量，構建了油耗預測回歸模型。該模型可預測涼山州的油料消耗，不僅優化了油料消耗，還提高了油耗預測精度。如果其他市采用同樣的方法預測油耗，只有變化較小，才能獲得相對準確的結果。

本研究還有許多需要改進優化的地方，比如在研究過程中，為了更好地體現不同路程對油耗的影響，應將直配與中轉配的路程分開研究。直配區域地勢平緩，客戶集中；而中轉配區域山高路遠，與直配區域有顯著差異，若二者出現變化，將導致油耗模型發生變化，預測結果出現較大偏差，油耗優化價值降低，更談不上降低碳排放了，因此還需要進一步研究地理環境限制對油耗的影響，并有效降低碳排放。同時，本文基于涼山州的配送數據進行分析，眾所周知涼山州的地理地貌比其他市州要復雜得多，既有平原又有高山，中轉配送的地理環境更加復雜，這些影響配送里程的基礎要素差異大，使得涼山州的模型適用范圍十分有限，很難推廣至其他市，但是如果存在與涼山州相似的地理狀況，那么借鑒意義將隨之增強。