叢叢　李俊輝

摘要：采用多元線性回歸模型分析了農(nóng)村客運(yùn)需求的影響因素，找到主要因素，利用這些因素建立回歸預(yù)測(cè)模型，對(duì)中國(guó)農(nóng)村客運(yùn)需求進(jìn)行了短期預(yù)測(cè)，為中國(guó)公路客運(yùn)的發(fā)展規(guī)劃提供參考。

關(guān)鍵詞：多元線性回歸;農(nóng)村客運(yùn);需求預(yù)測(cè);多元線性回歸模型

中圖分類號(hào)：U492.4

文獻(xiàn)標(biāo)識(shí)碼：A

DOI： 10.15913/j.cnki.kjycx.2019.11.057

農(nóng)村公路客運(yùn)量與地區(qū)生產(chǎn)總值、農(nóng)林牧漁業(yè)總產(chǎn)值、公路通車?yán)锍?、城鄉(xiāng)人口、城鄉(xiāng)收入相關(guān)性都較高，因此可以以這幾個(gè)因素作為自變量，將農(nóng)村公路客運(yùn)量作為因變量，建立多元回歸模型，用GM（1，1）模型預(yù)測(cè)自變量未來(lái)三年的數(shù)值，帶人多元線性回歸模型，則可以得到未來(lái)三年的農(nóng)村公路客運(yùn)量。

1 多元線性回歸模型參數(shù)的確定

基于Excel數(shù)據(jù)分析工具箱的多元線性回歸模型各項(xiàng)參數(shù)的計(jì)算非常復(fù)雜，目前可以通過(guò)Matlab工具箱或者Excel數(shù)據(jù)分析工具箱進(jìn)行求解，這里運(yùn)用Excel數(shù)據(jù)分析工具箱進(jìn)行求解。首先確定旅客周轉(zhuǎn)量為因變量y，Xl為地區(qū)生產(chǎn)總值，X2為農(nóng)林牧漁業(yè)總產(chǎn)值，X3為公路通車?yán)锍?，X4為城鄉(xiāng)人口，x5為城鄉(xiāng)收入.函數(shù)關(guān)系式為：

y=β0+β1x1l+β2x2+…+β5x5

（l）

某縣歷年客運(yùn)量相關(guān)因素?cái)?shù)據(jù)如表1所示。根據(jù)表1，運(yùn)用Excel數(shù)據(jù)分析工具箱中的回歸功能進(jìn)行分析。

通過(guò)對(duì)表1進(jìn)行回歸分析，得到表2、表3、表4各項(xiàng)數(shù)據(jù)。表2中R Square表示R2，R2的計(jì)算值為0.999 998 71，非常接近1，說(shuō)明回歸平面擬合程度很高。

從表3可以看出，SignificanceF約為0.001 9，小于顯著水平約束0.05，說(shuō)明回歸方程回歸效果顯著。

表4中Coefficients列表顯示多元線性回歸模型中各項(xiàng)參數(shù)值，最終得到的回歸方程為：

y= - 344 488.404 9 - 0.010 569 154x1+0.037 768 105x2+73.758 442 36x3+2 022.070 026x4-0.895 088 77lxs （2）

將表1中2017年數(shù)據(jù)代人式（2）進(jìn)行計(jì)算，得到2017年客運(yùn)需求量預(yù)測(cè)值為67 281.200 04，對(duì)比實(shí)際值67 280，誤差為0.001 783 612%，準(zhǔn)確度較高。

2 利用GM（1，1）模型得到各影響因素的預(yù)測(cè)值

根據(jù)GM（1，1）模型利用表1中三年的地區(qū)生產(chǎn)總值、農(nóng)林牧漁業(yè)總產(chǎn)值、公路通車?yán)锍獭⒊青l(xiāng)人口、城鄉(xiāng)收入數(shù)據(jù)進(jìn)行預(yù)測(cè)。

通過(guò)Matlab程序進(jìn)行計(jì)算，得到各影響因素的預(yù)測(cè)值如表5所示，數(shù)據(jù)擬合和預(yù)測(cè)曲線如圖1所示。

3 結(jié)論

通過(guò)上述分析，確定影響農(nóng)村公路客運(yùn)量的主要因素有地區(qū)生產(chǎn)總值、農(nóng)林牧漁業(yè)總產(chǎn)值、公路通車?yán)锍獭⒊青l(xiāng)人口、城鄉(xiāng)收入，確定的多元線性回歸模型，計(jì)算得到該縣2020年、2021年和2022年農(nóng)村公路客運(yùn)量的預(yù)測(cè)值分別為68 982萬(wàn)人千米、70 594萬(wàn)人千米、72 002萬(wàn)人千米，預(yù)測(cè)結(jié)果顯示農(nóng)村客運(yùn)需求在未來(lái)五年呈逐年增長(zhǎng)的趨勢(shì)。

參考文獻(xiàn)：

[1]王彬.基于灰色回歸組合模型的鐵路客運(yùn)量預(yù)測(cè)研究[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2017，31（ 11）：231-234.

[2] MILOS Milenkovic， LIBOR Svadlenka， VLASTIMILMelichar.SARIMA modelling approach for railwaypassenger flow forecasting[J].Transport， 2015（ 10）：1-8.

[3]王春輝，周生路，吳紹華，等.基于多元線性回歸模型和灰色關(guān)聯(lián)分析的江蘇省糧食產(chǎn)量預(yù)測(cè)[J].南京師大學(xué)報(bào)（自然科學(xué)版），2014，37 （4）： 105-109.