陕西铁路客运需求分析

吧

课程设计

设计题目： 陕西铁路客运需求分析 课程名称： 运输统计与分析 学 院： 交通运输工程学院 专 业： 交通运输 班 级： 交运1102班 学生姓名： 陈 雷 学 号： 201130010214

指导教师： 周和平、柳伍生、李利华、朱灿

==== 2012 /2013学年第二学期====

课程设计（学年论文）任务书

课程名称：运输统计与分析 适用对象：交通运输工程 一、 课程设计（论文）目的

《运输统计与分析》课程设计作为独立的教学环节，是交通运输本科专业的必修课。其目的是，通过本课程设计实践，培养学生理论联系实际思想，加深统计分析基本理论与基本知识的理解，学会收集或调查行业统计数据，切实掌握各种统计分析方法，并能灵活运用统计软件在计算机上实现，正确解释和分析运行结果，培养运用各种统计分析方法解决交通运输领域内实际问题的能力。

二、 课程设计（论文）题目与内容

本课程设计（论文）主要任务为：针对交通运输领域内某一主题，设计调查表调查或查询相关统计数据，根据本课程讲授内容选择一种或多种合适的统计分析方法，运用SPSS建立模型分析问题。题目自拟，但题名一般要包含主题与统计方法。且必须与交通运输相关，选题主题主要包括：

1. 运输市场定位研究 2. 运输需求分析与预测 3. 政策或技术方法实施效果评价 4. 交通行为选择 5. 影响因素分析 6. 聚类分析 7. 服务质量评价 8. 自选

三、 课程设计（论文）基本要求

报告内容原则上不少于8000字，其正文至少包括如下几个方面的内容：

1. 问题背景（问题的提出、必要性与意义，该问题目前常用的分析手段与方法，本设

计采用的方法） 2. 数据采集

（含数据采集方式、描述性分析、统计图表）

说明：调查分析则必须包含调查方案，其它数据原则上必须说明出处。 3. 统计模型与分析

（包含模型原理、SPSS操作步骤、输出结果及分析）

4. 总结

5. 附录 数据清单

四、 课程设计（论文）时间及进度安排

1. 时间:

两周：2012-2013学年第二学期第十九、二十周 2. 进度安排：

确定主题；调查、收集数据：2天 数据分析与预处理、描述性统计分析：2天 分析方法原理及选择：3天 SPSS操作及结果分析：4天 解决实际问题或建议：2天 撰写报告、总结：1天

（此部分同学们可以按照自己设计具体内容，详细安排） 3. 成果提交：

要求独立完成，每人需提交1份打印的设计报告（A4）、word电子文档、数据文件（sav格式）。电子文档文件名为：学号后四位+姓名+题目，先发电子文档给指导老师，经许可后方可打印。最终成果（打印稿1份、电子文档1份）统一交班长汇总并转交指导老师；最终成果提交截止时间为第20周周五。

五、 成绩评定

平时考勤20%，报告撰写规范20%,内容(选题合理、方案可行、分析正确、有创新)60%。 成绩评定实行优秀、良好、中等、及格和不及格五个等级。优秀者人数一般不得超过总人数的20%。

六、 报告格式

课程设计报告装订顺序依次为：封面、课程设计(学年论文)任务书、目录、正文、参考文献、成绩评定表。报告中所有图表应按“章号-图表序号-图表名”（例：图1-1-***频数图）进行编号。具体格式参看实验报告样本。

七、 主要参考资料

1.罗应婷等主编.SPSS统计分析从基础到实践.北京：电子工业出版社，2007年6月； 2.章文波 陈红艳编著.《实用数据统计分析及SPSS12.0应用》.人民出版社，2006年； 3.张文彤.SPSS.11.0统计分析教程.(高级篇).北京希望电子出版社.2002年6月； 4.郝黎仁等.SPSS实用统计分析.中国水利水电出版社.2003年1月。

目 录

1 概述 .............................................................. 1

1.1 研究背景 ................................................... 1 1.2 常用分析方法 ............................................... 2 1.3 本设计采用的分析方法 ....................................... 3 2 数据采集 ........................................................ 4

2.1 数据来源 ................................................... 4 2.2 数据处理 ................................................... 5 2.3 现状分析 ................................................... 8 3 统计模型与分析 .................................................. 9

3.1 因子分析法 ................................................. 9 3.2 时间序列法 ............................................... 10 3.3 曲线拟合法 ............................................... 15 3.4 线性回归分析法 ........................................... 19 3.5 预测值汇总表 ............................................. 24

4 总结 ............................................................ 25

4.1 本设计的主要工作 .......................................... 25 4.2 存在的不足 ................................................ 25

附录 数据清单 ...................................................... 26

1 概述

1.1 研究背景

随着社会的发展，交通运输已成为国民经济正常运行的重要保障条件，也是人们生活不可或缺的支撑。而铁路运输是陆地运输两个基本方式之一，它在整个运输领域中占有重要的地位，并发挥着愈来愈重要的作用。

目前，旅客运输需求是我国铁路客运专线运输组织与经营管理的基础。铁路客运需求是社会经济生活在人的空间位移方面所提出的具有支付能力的需要，有实现位移的愿望和具备支付能力是客运需求的两个必要条件。这些年来我国铁路运输需求也发生了一些变化，产生了新特点：（1）铁路客运总量将快速上升：（2）快捷，便利的铁路客运需求迅速上升：（3）客流结构将发生明显变化。但是，近年来，因为公路和民航运输的崛起，也使得铁路运输的市场占有率下降。与此同时，铁路运输与公路、水运和民航的竞争格局已经形成，各种运输方式之间互相竞争，抢占市场行为日趋白热化。

铁路运输作为最具可持续性及环境友好性的交通运输模式，集中体现和标志 着一个国家的创新能力、综合国力和现代化程度，在保障国民经济正常运转和促进经济社会又好又快发展中起着不可替代的作用。根据《铁路“十一五”规划》，“十一五\年)期间，中国将建设铁路新线17000公里，其中客运专线公里；建设既有线复线8000公里，既有线电气化改造15000公里。2010年，全国铁路营业早程达到9力．公里以上，复线和电气化比例分别达到45％以上，快速客运网总规模达到20000公里以上，“十一五\铁路基建总投资将达12500亿元，是“十五\规模的近4倍。这对于铁路旅客运输创造了新的社会形势，必将

1

推动铁路旅客运输进一步向市场化迈进。

铁路客运需求量增加的原因：一是在中长途途运输上，铁路运输相对公路运输有时间及价格上的优势，同时更为安全，相对于民航运输，则在价格上优势更为突出；二是随着科技的发展，火车几次提速加之高铁的运营使得铁路运输效率提高：三是铁路客运的服务质量得到提高。

选题研究意义：一是可以更好的满足社会需要，按市场需求提供运输能力。二是正确认识铁路客运系统，进一步改善提高其效率。三是增强铁路运输企业竞争力。富有竞争性的市场，迫使铁路运输产品接受市场的检验。因此了解消费需求，分析市场环境，制定和实施有效的营销模式，必将极大提高运输企业素质，改善经营管理，增强应变与竞争能力。

铁路旅客运输必须面向未来，因此对客运需求分析是很有必要的。

1.2 常用分析方法 1.2.1时间序列法：

时间序列回归模型，是考虑事物发展的变化规律，以时间为自变量建立的一种相关模型，它既考虑了事物发展的延续性，又充分考虑到事物的发展受偶然因素的作用而产生的随机变化。 1.2.2因果分析法：

因果分析法是从其它经济指标、社会发展状况与交通量的关系水平进行预测，通过对客运量与社会经济指标的相关关系研究，建立并选择合适的数学模型进行计算，最后对各种预测结果进行汇总、对比、分析和研判，确定远景客运量

1.2.3组合预测：

2

组合预测方法是对同一个问题，采用两种以上不同预测方法的预测。它既可是几种定量方法的组合，也可是几种定性的方法的组合，但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。 1．2.4回归分析法：

回归分析法是指根据预测的相关性原则，找出影响预测目标的各因素，并用数学方法找出这些因素与预测目标之间的函数关系的近似表达，再利用样本数据对其模型估计参数及对模型进行误差检验，一旦模型确定，就可利用模型，根据因素的变化值进行预测。 1.2.5灰色模型预测：

灰色预测模型是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法。

1.3 本设计采用的分析方法

本课程设计采用相关分析，因子分析，时间序列法，曲线拟合法，一元及多元线性回归预测法。

3

2 数据采集

2.1 数据来源

本设计所需数据（旅客周转量，总人口，生产总值等）均来自2012年中国

统计年鉴。

表2-1 2007-2011年陕西省相关数据

年度 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 铁路客运旅客周转量总人口 生产总值公路客运量（万人） （亿人公里） (万人) 2670 2497 3231 3601 4370 4848 5218 5008 5411 5614 207.4 207.8 255.5 279.1 294.9 319.5 350.6 342.6 362.6 405.4 3662 3672 3681 3690 3699 3708 3718 3727 3735 3743 （亿元） 2253.39 2587.72 3175.58 3675.66 4523.74 5465.79 6851.32 8169.80 10123.48 12512.30 量（万人） 28663 28159 31763 34780 38606 43555 70566 79033 87457 101062 2.2 数据处理

本课程设计选取陕西省旅客周转量，总人口，生产总值，公路客运量作主要指标。

a旅客周转量，指旅客人数与运送距离的乘积，旅客周转量是制订运输计划和考核运输任务完成情况的主要依据之一。故旅客周转量是一个重要影响因素。

4

b.总人口，作为陕西的消费者，人口数量将对客运量产生影响。

c. 生产总值，国民经济同样会对交通运输业产生重要影响，故选取陕西生产总值作为解释变量之一。

d.公路客运量，作为陆地运输两大基本方式之一，很大程度上，公路运输可替代一部分铁路运输，公路客运量的增加会使铁路客运量减少，故也会对铁路客运量产生影响。

2．2.1数据描述性分析：

处理过程：打开spss软件，在菜单栏中找到“分析—描述统计—探索”，单击出现一个对话框，在对话框中输入变量和数据，点击确定，即可得到最终数据。

表2.2 2-1 描述统计量 铁路客运量 旅客周转量 总人口 生产总值 公路客运量 有效的 N （列表状态） N 10 10 10 10 10 10 极小值 2497 207.4 3662 2253.39 28159 极大值 5614 405.4 3743 12512.30 101062 均值 4246.80 302.540 3703.50 5933.8780 54364.40 标准差 1160.502 66.0281 27.403 3437.17528 27393.521

5

6

图2.2 2-1各变量与铁路客运量关系

7

表2.2 2-2 相关性 Pearson 相关性 铁路客运量 显著性（双侧） N Pearson 相关性 旅客周转量 显著性（双侧） N Pearson 相关性 总人口 显著性（双侧） N Pearson 相关性 生产总值 显著性（双侧） N Pearson 相关性 公路客运量 显著性（双侧） N **. 在 .01 水平（双侧）上显著相关。 10 .980 .000 10 .968 .000 10 .889 .001 10 .875 .001 10 ********铁路客运量 1 旅客周转量 .980 .000 10 1 **总人口 .968 .000 10 .983 .000 ****生产总值 .889 .001 10 .937 .000 10 .959 .000 ******公路客运量 .875 .001 10 .918 .000 10 .946 .000 10 .982 .000 ********10 .983 .000 10 .937 .000 10 .918 .000 10 ******10 1 10 .959 .000 10 .946 .000 10 ****10 1 10 .982 .000 10 **10 1 10

2.3 现状分析

对所研究的地区与行业发展现状进行分析，采用描述性统计方法进行分析。 经过以上数据分析可得：

（1）根据铁路客运量和其他指标的茎叶图，可知铁路客运量总体水平随各指标数量的增加而增加，呈正相关关系。

（2）根据各指标相互相关性表，可知各指标相互Pearson相关性均较强，且均为显著相关。

（3）根据各指标相互相关性表，可以看出铁路客运量并未与公路客运量呈现负相关关系，故不再作讨论。

8

3 统计模型与分析

3.1 因子分析法 3.1.1统计原理

因子分析法：又叫因素分析，就是通过寻找众多变量的公共因素来简化变量中存在复杂关系的一种统计方法，它将多个变量总和为少数几个“因子”以在线原始变量与“因子”之间的相关关系。

3.1.2操作步骤

点击【分析】/【降维】/【因子分析】，弹出窗口，选择铁路客运量，旅客周转量，总人口，生产总值，年份作为变量，【抽取】选择主成分，单击【确定】，生出结果。

3.1.3 输出结果分析

表3.1 3-1 公因子方差 铁路客运量 旅客周转量 总人口 生产总值 年份 初始 1.000 1.000 1.000 1.000 1.000 提取 .951 .983 .993 .929 .995 铁路客运量 旅客周转量 总人口 生产总值 年份 表3.1 3-2 成份矩阵 成份 1 .975 .992 .997 .964 .998 a提取方法：主成份分析。 提取方法 :主成份。 a. 已提取了 1 个成份。

9

表3.1 3-3解释的总方差

成份 合计 1 2 3 4 初始特征值 方差的 % 97.052 2.344 .372 .230 .002 累积 % 97.052 合计 提取平方和载入 方差的 % 97.052 累积 % 97.052 4.853 .117 .019 .011 8.233E-005 4.853 99.397 99.769 99.998 100.000

5 提取方法：主成份分析。

由上表分析可知，提取主成分1个，利用公式可生成一个新变量Z，即主权重。

Z=0.975*铁路客运量+0.992*旅客周转量+0.997*总人口+0.964*生产总值+0.998*年份 3.2 时间序列法 3.2.1统计原理

从统计意义上讲，时间序列是将一个变量在不同时间上的不同数值按时间先后排列而成的数列。从数学意义上讲，设Xt（t∈T）是一个随机过程，Xt（i=1，2，??，n）是在Xt在时刻i对过程Xt的观察值，则称Xt为一次样本实现，也就是一个时间序列。从系统意义上讲，时间序列就是某一系统在不同时间（地点、条件等）的响应。

10

3.2.2 SPSS操作步骤

说明SPSS操作步骤，如果涉及到统计量、图表以及相关参数选择，并须予以说明。

①按分析——预测----创建模型 打开创建模型对话框

②在左侧源变量框中选择铁路客运量，旅客周转量，总人口，生产总值，作为因变量，将其送入因变量框，选择年份作为自变量，将其送入自变量框。在方法一框中选择ARIMA，并设置条件中模型的几个值分别为2、1、2，然后点继续。接着在统计表选项中选中显示预测值、拟合优度等选项。

③然后将模型框中选择多种方法进行拟合，并点击“确定”按钮，如图所示。

11

3.2.3 输出结果分析

对输出结果进行详细分析，给出主要结论。

表3.2 3-1 模型描述 铁路客运量 旅客周转量 模型 ID 总人口 生产总值 模型_3 模型_4 ARIMA(2,1,2) ARIMA(2,1,2) 模型_1 模型_2 模型类型 ARIMA(2,1,2) ARIMA(2,1,2)

12

表3.2 3-2 模型拟合 拟合统计量 均值 SE 最小值 最大值 5 平稳的 R .544 方 R 方 RMSE MAPE MaxAPE MAE MaxAE 正态化的 8.718 BIC 表3.2 3-3 模型统计量 模型 预测变量数 模型拟合统计量 R 方 铁路客运量-模型_1 旅客周转量-模型_2 总人口-模型_3 生产总值-模型_4 1 1 1 1 .923 .939 1.000 .998 Ljung-Box Q(18) 统计量 . . . . DF 0 0 0 0 Sig. . . . . 0 0 0 0 离群值数 5.990 .607 13.857 .607 .607 2.420 10.205 13.530 13.857 13.857 .965 .040 .923 1.000 .923 .651 .008 .019 .295 .688 .923 .651 .008 .019 .295 .688 .927 .968 .999 1.000 1.000 .333 .237 .949 .237 .237 .255 .495 .882 .949 .949 10 25 百分位 50 75 90 95 192.819 229.473 3.282 10.373 2.573 9.959 .651 490.787 .008 6.139 6.603 139.919 431.935 490.787 490.787 .712 1.925 3.491 5.644 6.139 6.139 23.889 .019 23.889 .295 226.323 .688 596.516 8.792 20.402 23.889 91.508 106.703 224.017 277.204 3.166 69.708 201.651 226.323 226.323 6.865 149.431 515.753 596.516 596.516

13

表3.2 3-4预测 模型 预测 铁路客运量-模型_1 UCL LCL 预测 旅客周转量-模型_2 UCL LCL 预测 总人口-模型_3 UCL LCL 预测 生产总值-模型_4 UCL LCL 2012 6069 7432 4706 432.4 497.7 367.0 3751 3753 3749 14890.14 15553.71 14226.57 2013 6140 7844 4436 450.2 520.3 380.2 3760 3762 3757 17355.16 18080.65 16629.67 2014 6557 8523 4592 475.2 547.1 403.3 3768 3770 3765 19991.25 20719.40 19263.10 2015 6593 8690 4496 504.1 575.8 432.4 3775 3778 3773 22909.62 23688.13 22131.12 2016 6973 9178 4768 531.0 604.1 458.0 3783 3785 3780 26174.32 26965.97 25382.68 对于每个模型，预测都在请求的预测时间段范围内的最后一个非缺失值之后开始，在所有预测值的非缺失值都可用的最后一个时间段或请求预测时间段的结束日期（以较早者为准）结束。

14

图3.2 3-1时间与各变量关系图

由上述的表格以及图像可以得出上述六个变量与年份的时间序列分析的拟合度较高，均大大0.8，说明这个预测值的准确度较好。其中，总人口数的R方的值为1.0，说明总人口数与年份的预测值最为准确。

3.3. 曲线拟合预测法 3.3.1 统计原理

曲线估计用在因变量与自变量与一个已知或未知的的曲线或者非线性函数关系相联系的情况下，在很多情况下有两个相关的变量，用户希望用其中一个变量对另一个变量进行预测，但是又不能马上根据记录数据确定一种最佳模型，此

15

时可以用曲线估计在众多回归模型中建立一个既简单又比较适合的模型。

3.3.2 spss操作步骤

①按分析——回归----曲线估计 打开曲线估计对话框

②在左侧源变量框中选择铁路客运运量作为因变量，将其送入因变量框，选择生产总值为自变量，将其送入自变量框。

③然后将模型框中选择多种方法进行拟合，并点击“确定”按钮，如图所示

3.3.3 输出结果及分析

表3.3 3-1 模型描述 模型名称 因变量 1 MOD_5 铁路客运量

16

1 2 方程 3 4 自变量 常数 其值在图中标记为观测值的变量 用于在方程中输入项的容差 对数 二次 三次 S 生产总值 包含 未指定 .0001 aa. 该模型要求所有非缺失值为正数。 表3.3 3-2 个案处理摘要 个案总数 已排除的个案 已预测的个案 新创建的个案 a表3.3 3-3 变量处理摘要 N 15 5 0 0 正值数 零的个数 负值数 用户自定义缺失 缺失值数 系统缺失 5 5 铁路客运量 10 0 0 0 生产总值 10 0 0 0 因变量 自变量 变量 a. 从分析中排除任何变量中带有缺失值的个案。

表3.3 3-4 模型汇总和参数估计值 因变量: 铁路客运量 方程 R 方 对数 F 模型汇总 df1 1 df2 8 Sig. 常数 参数估计值 b1 b2 b3 .927 100.998 .000 -12100.778 1914.858 .000 681.333 二次 三次 S .951 67.552 .977 86.110 .956 174.724 2 3 1 7 6 8 -4.646E-00 .960 5 1.957 -0.000203 7.171E-009 .000 -1075.650 .000 8.850 -2353.583 自变量为 生产总值。

17

图3.3 3-1 生产总值与铁路客运量关系图

从以上数据可以得知，以生产总值为自变量，铁路客运量为因变量，得到对数，二次，三次，S曲线的拟合度都很好，其中三次曲线R^2=0.977最高，故用三次曲线拟合预测，其拟合方程为：

Y ? -1075.650 ? 1.957*X - 0.000203*X^2 ? 7.171E-009*X^3其中，X为未来几年生产总值，Y为铁路客运量。 根据上面预测未来几年的生产总值，得到： 年份 2012 2013 5827.14 2014 6281.22 2015 6977.47 2016 7972.24 铁路客运量（Y1） 5558.88

18

3.4 线性回归分析法 3.4.1 统计原理

回归分析主要的任务是在考察变量直接的数量依存关系的基础上，通过一定的数学表达式将这种关系描述出来，进而确定一个活几个变量（自变量）对另一个变量（因变量）的影响程度。

一元线性回归方程反应一个因变量与一个自变量之间的线性关系，当直线方程y?ax?b的a和b确定时，即为一元回归线性方程。

多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。多元回归分析是研究多个变量之间关系的回归分析方法, 按因变量和自变量的数量对应关系可划分为一个因变量对多个自变量的回归分析(简称为“一对多”回归分析)及多个因变量对多个自变量的回归分析(简称为“多对多”回归分析), 按回归模型类型可划分为线性回归分析和非线性回归分析。

经过相关分析后，在直角坐标系中将大量数据绘制成散点图，这些点不在一条直线上，但可以从中找到一条合适的直线，使各散点到这条直线的纵向距离之和最小，这条直线就是回归直线，这条直线的方程叫做直线回归方程。

3.4.2 SPSS操作步骤

第一步：按分析→回归→线性 打开线性回归对话框

第二步：在左侧源变量框中选择铁路客运量作为因变量，将其选入因变量框，选择作YEAR为自变量，将其选入自变量框，然后点击“确定”按钮，得到输出文档如图所示

19

第三步，完成一元线性回归分析后，进行多元线性回归分析，选择铁路客运量，总人口，生产总值，旅客周转量作为因变量，将其选入因变量框，选择作YEAR为自变量，将其选入自变量框，然后点击“确定”按钮，

3.4.3 输出结果及分析 （一）一元线性回归分析

表3.4 3-1 输入／移去的变量 模型 1 输入的变量 YEAR, periodic a. 因变量: 铁路客运量 b. 已输入所有请求的变量。 ba移去的变量 方法 not . 输入

表3.4 3-2 模型汇总 模型

R R 方 20

调整 R 方 标准 估计的误差

1 .966 a.934 .925 317.245 a. 预测变量: (常量), YEAR, not periodic。 R^2=0.934

表3.4 3-3 Anova 模型 回归 1 残差 总计 平方和 11315720.194 805157.406 12120877.600 df 1 8 均方 11315720.194 F 112.432 Sig. .000 ba 100644.676 9 a. 因变量: 铁路客运量 b. 预测变量: (常量), YEAR, not periodic。 通过了F检验，拟合度很好 Sig=0.000

表3.3 3-4 系数 模型 非标准化系数 B (常量) 1 YEAR, not periodic a. 因变量: 铁路客运量 370.352 34.928 .966 10.603 .000 -738863.515 标准 误差 标准系数 试用版 -10.543 .000 t Sig. a 70082.250 故回归方程为： Y1?370.352X -7.38863.515 其中X为年份，Y1为铁路客运量

铁路客运量预测如下： 年份（X） 2012 2013 6655.061 2014 7025.413 2015 7395.765 2016 7766.117 铁路客运量（Y1） 6284.709

用相同的操作步骤得到未来五年陕西省旅客周转量，总人口，生产总值如下：

Y2?21.456X -42748.438 其中X为年份，Y2为旅客周转量

旅客周转量预测如下：

21

年份（X） 2012 2013 442.49 2014 463.946 2015 485.402 2016 506.858 旅客周转量（Y2） 421.034

Y3?9.048X -14452.285 其中X为年份，Y3为总人口

总人口预测如下： 年份（X） 总人口（Y3）

2012 3752.291 2013 3761.339 2014 3770.387 2015 3779.435 2016 3788.483 Y4?1094.064*X -2189306.511 其中X为年份，Y4为生产总值

生产总值预测如下： 年份（X） 2012 2013 2014 2015 2016 生产总值（Y4） 11950.257 13044.321 14138.385 15232.449 16326.513

22

（二）多元线性回归预测：

表3.4 3-5 输入／移去的变量 模型 输入的变量 生产总值, 旅客周转量, 总人口, 1 YEAR, periodic a. 因变量: 铁路客运量 b. 已输入所有请求的变量。 ba移去的变量 方法 . 输入 not

表3.4 3-6 模型汇总 模型 1 R .988 aR 方 .976 调整 R 方 标准 估计的误差 .957 239.883 a. 预测变量: (常量), 生产总值, 旅客周转量, 总人口, YEAR, not periodic。

23

表3.4 3-6 Anova 模型 回归 1 残差 总计 平方和 11833158.226 287719.374 12120877.600 df 4 5 均方 2958289.556 F 51.409 Sig. .000 ba 57543.875 9 a. 因变量: 铁路客运量 b. 预测变量: (常量), 生产总值, 旅客周转量, 总人口, YEAR, not periodic。 表3.4 3-7 系数 模型 B (常量) YEAR, not periodic 1 旅客周转量 总人口 生产总值 a. 因变量: 铁路客运量 -2090879.703 1219.865 11.816 -95.809 -.216 非标准化系数 标准 误差 标准系数 试用版 -.606 3.183 .672 -2.262 -.639 .580 1.559 -.458 -1.421 .571 .587 .180 .666 .214 t Sig. a 3447464.243 2103.478 7.577 209.389 .152

可得多元线性回归方程：

Y?1219.865*X1?11.816*X2-95.809*X3-0.216*X4-2090879.703其

中X1为年份，X2为旅客周转量，X3为总人口，X4为生产总值 陕西省未来5年铁路客运量预测如下： 年份（X） 铁路客运量（Y）

2012 2013 2014 7119.49 2015 7489.49 2016 7859.88 6379.11 6749.30 3.5 预测值汇总表

24

表3.5 3-1各年预测值汇总 2012 2013 2014 2015 2016 一元线性回归 6284.709 6655.061 7025.413 7395.765 7766.117 多元线性回归 6379.11 6749.30 7119.49 7489.49 7859.88 时间序列预测 6069 6140 6557 6593 6973 曲线拟合预测 5558.88 5827.14 6281.22 6977.47 7972.24

25

4.总结

4.1本设计的主要工作

未来，面对中国13亿人口的旅客运输市场，铁路、公路、民航客运竞争越来越激烈，根据中国铁路客运的现状分析，铁路客运要实现增运增收，必须发展稳定中长途客运市场，积极开发短途客运市场。而铁路运输的竞争对手首先是公路运输，其次是航空运输。因此，铁路要想稳固和开拓市场，保持所处战略集团中的领先地位，必须坚持改革的方向，开放市场，引进竞争，充分发挥产业的吸引力，开发新的运输产品，提供比公路、民航运输更高的顾客认可价值。

铁路旅客运输的服务对象是人，旅客运输的流量是动态的、波动的。这个动态性和波动性有其自身的规律，但不是一成不变的。流量、行程不会年复一年地按同一比例增减，它受多种因素影响呈波动状态。

客运总量是判断一个地方交通运输发展的主要依据。准确且合理的对客运总量进行预测能分析未来交通运输发展的大体趋势，并制定相应合适的发展措施。

4.2 存在的不足

1.三个预测的方法中未进行残差的分析，以后需要加强检验。同时可以采用组合分析的方法，是预测的结果最优化；

2.没有充分的考虑到各种可能的因素，应尽量多选取几个指标，本课程设计只选取了4个指标，范围不够广，导致研究领域较为狭隘；

3.多元线性回归中，未能及时剔除非显著性相关的变量，导致结果不准，以后需要加强改善。

26

附录 数据清单

年度 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 铁路客运旅客周转量总人口 生产总值公路客运量（万人） （亿人公里） (万人) 2670 2497 3231 3601 4370 4848 5218 5008 5411 5614 207.4 207.8 255.5 279.1 294.9 319.5 350.6 342.6 362.6 405.4 3662 3672 3681 3690 3699 3708 3718 3727 3735 3743 （亿元） 2253.39 2587.72 3175.58 3675.66 4523.74 5465.79 6851.32 8169.80 10123.48 12512.30 量（万人） 28663 28159 31763 34780 38606 43555 70566 79033 87457 101062

27

※※※※※※※※※※※※※※※※※※※※※※※※※※※※※

成绩评定表

指导教师评语： 成绩：

指导教师签名：

28

本文来源：https://www.bwwdw.com/article/id73.html