許菁 賈亞茹 趙東婕

摘要：隨著現(xiàn)代中國(guó)“新四大發(fā)明”之一高鐵的問世，使得國(guó)人出行的方式與手段日趨多元化，在生活中的長(zhǎng)途旅行不再局限于民航這一種方式價(jià)格稍貴的出行方式，而中短途旅行也不僅限于長(zhǎng)途客車這種并不十分舒適的方法。在此基礎(chǔ)上，人們的出行不再一味追求“到達(dá)”這一個(gè)目的，對(duì)于出行方式的合理化選擇更加看重。而近年來由于國(guó)人旅行熱潮的掀起以及假期時(shí)間集中的原因，導(dǎo)致假期高速公路“大堵車”的情況頻頻出現(xiàn)?；谝陨犀F(xiàn)狀，高鐵的發(fā)展在一定程度上減緩了普通客車的運(yùn)行壓力，也減弱了高速公路的運(yùn)行壓力。

對(duì)于第一問，通過搜集資料數(shù)據(jù)，找到能夠反映高鐵運(yùn)行與開通情況以及高速公路客流壓力的相關(guān)指標(biāo)，通過相關(guān)性分析以及可視化手段，初步判斷兩者之間是否存在著某種聯(lián)系;進(jìn)而通過調(diào)查典型路段的指標(biāo)數(shù)據(jù)，對(duì)于長(zhǎng)途、中途和短途路段的高鐵與公路關(guān)系進(jìn)行分類研究，通過引入擠出效應(yīng)的概念，利用閾值回歸的方法，結(jié)合可視化圖表分析，進(jìn)一步得出高鐵開通對(duì)于高速公路壓力的緩解的模型。從而發(fā)現(xiàn)，在中長(zhǎng)途運(yùn)輸中高鐵對(duì)于高速公路的擠出效應(yīng)最為明顯，而由于短途公路運(yùn)輸方式的靈活性，這種效應(yīng)在短途運(yùn)輸中并不顯著。

對(duì)于第二問，隨著出行方式的多元化，市場(chǎng)中出行方式所對(duì)應(yīng)的目標(biāo)群體變得更加明確。在已知客運(yùn)需求的基礎(chǔ)上通過對(duì)用戶出行方式選擇進(jìn)行建模，進(jìn)一步精準(zhǔn)預(yù)測(cè)未來的高鐵客運(yùn)量，并根據(jù)各地以及臨接站點(diǎn)之間線路的客流量分析，選擇樞紐型鐵路站點(diǎn)，搜集并處理相關(guān)數(shù)據(jù)指標(biāo)，利用混合遺傳算法的約束條件以及影響因素，求解出當(dāng)?shù)乜土鞯臏?zhǔn)確判斷以及分析。再結(jié)合復(fù)雜網(wǎng)絡(luò)以及圖論對(duì)站點(diǎn)與站點(diǎn)、站點(diǎn)之間鐵路客流圖的分流問題構(gòu)建模型進(jìn)行分析，通過分析具體某一條線路上站的分布情況，進(jìn)而給出該地高鐵線路配置數(shù)目合理分布的最優(yōu)解。

關(guān)鍵詞：閾值回歸分析;logit模型;層次分析;混合遺傳算法;車站分流網(wǎng)絡(luò)

一、問題重述

隨著人們生活質(zhì)量的不斷提高，幾乎每家都擁有了私家車，這也就造成了每當(dāng)節(jié)假日來臨，高速公路就會(huì)出現(xiàn)擁堵情況的原因之一。但是隨著中國(guó)現(xiàn)代“新四大發(fā)明”之一的高鐵迅猛發(fā)展，給人們的出行帶來了極大的便利，因此原圖履行的人民也逐漸將高鐵作為自己出行的首選交通工具，高鐵的修建一方面能夠緩解普通列車的壓力，另一方面對(duì)高速公路的運(yùn)行也起到了減壓的作用。

請(qǐng)你搜集相關(guān)資料，完成以下兩個(gè)問題

（1）高鐵的開通，一部分人們變回選擇高鐵出行，從而會(huì)使得高速公路的車輛有所減少，請(qǐng)你選取合適的指標(biāo)，分析高鐵的開通對(duì)該高速公路的車輛通行壓力是否有所減緩，并分析是否顯著。

（2）高鐵既便捷，又舒適，但是相對(duì)于普通列車出行價(jià)格相對(duì)昂貴，因此不同地域的人出行方式的選擇將會(huì)有所差異，請(qǐng)你選擇發(fā)展不同的城市，嘗試給出你所選城市高鐵配置的最佳數(shù)量。

二、問題分析

2.1 問題一分析

對(duì)于問題一，通過搜集相關(guān)統(tǒng)計(jì)數(shù)據(jù)，篩選出合適的指標(biāo)，用來描述高鐵的開通情況以及反映高速公路客流擁擠程度。進(jìn)而對(duì)數(shù)據(jù)進(jìn)行整理，通過可視化以及相關(guān)性分析的方法，確定這些指標(biāo)確實(shí)存在著某種關(guān)系（相關(guān)性的強(qiáng)弱以及正負(fù)相關(guān)情況），進(jìn)而驗(yàn)證高鐵的開通的確對(duì)相應(yīng)高速公路的車輛通行壓力有所減緩。

根據(jù)相關(guān)性分析結(jié)論，對(duì)于國(guó)內(nèi)長(zhǎng)途、中途以及短途路段的高速高鐵數(shù)據(jù)進(jìn)行進(jìn)一步整合分析，利用通過引入闊值回歸模型來分析高鐵對(duì)高速公路運(yùn)輸客流的影響，主要針對(duì)三個(gè)時(shí)間段的路程進(jìn)行研究，分別為高鐵運(yùn)行4小時(shí)內(nèi)、4-8小時(shí)、8-12小時(shí)。通過以北京-太原、上海-溫州、北京-上海、廣州-鄭州、成都-武漢、廣州-重慶這些路段來分析高鐵開通前后對(duì)民航客流量的影響。

通過模型結(jié)果本文得出高速鐵路的開通對(duì)于航空客運(yùn)具有負(fù)面的擠出效應(yīng)，并且該擠出效應(yīng)根據(jù)耗費(fèi)時(shí)間的長(zhǎng)短在不同的路段上有不同的表現(xiàn)。中長(zhǎng)途運(yùn)輸中的擠出作用最為明顯。短途客運(yùn)中，航空運(yùn)輸顯示了自身的優(yōu)勢(shì)，高鐵的出現(xiàn)對(duì)其沒有任何影響甚至出現(xiàn)了短途公路運(yùn)輸客運(yùn)量在高鐵出現(xiàn)之后仍然大幅增長(zhǎng)的情況。

由此可見，擠出效應(yīng)與耗費(fèi)時(shí)間（或出行距離）成反比，中長(zhǎng)途客運(yùn)高鐵對(duì)公路客運(yùn)的擠出較大，特別是在一些地形復(fù)雜的區(qū)域（如山區(qū)等），高鐵的相對(duì)運(yùn)輸距離小于客車的公路運(yùn)輸距離，高鐵的運(yùn)斤速度增加，高鐵對(duì)于公路客運(yùn)的優(yōu)勢(shì)更加突出。但隨著高鐵運(yùn)輸時(shí)間的減短，短途公路客運(yùn)的靈活性優(yōu)勢(shì)開始顯現(xiàn)出來，擠出效應(yīng)逐漸減弱。

2.2 問題二分析

針對(duì)問題二高鐵配置數(shù)量的求解，由于結(jié)果需要得到具體的配置數(shù)值，則需要對(duì)具體的城市作分析，故此選擇了三個(gè)發(fā)展不同的市級(jí)城市，分別為西安、蘭州和寶雞，則問題轉(zhuǎn)變?yōu)閷?duì)這三個(gè)城市的高鐵配置數(shù)量的求解。配置數(shù)量的目的需要實(shí)現(xiàn)減壓高速壓力同時(shí)并實(shí)現(xiàn)對(duì)配置資金的節(jié)約和綜合利潤(rùn)的最大化，則需求解出最優(yōu)的配置數(shù)量，此問題便轉(zhuǎn)化為最優(yōu)化問題。

對(duì)于優(yōu)化問題，采用了混合遺傳算法，即將遺傳算法的全局搜索能力與模擬退火算法的局部搜索能力結(jié)合起來，在遍歷性過程中提高尋找最優(yōu)結(jié)果的效率;求解過程中，根據(jù)現(xiàn)實(shí)問題建立出相應(yīng)的條件約束，并確定對(duì)應(yīng)的最優(yōu)化函數(shù)，接下來便可進(jìn)行模擬實(shí)驗(yàn)，由于模擬實(shí)驗(yàn)需要各種約束對(duì)應(yīng)的數(shù)據(jù)，則需要對(duì)所需數(shù)據(jù)進(jìn)行獲取，此處獲取方式有調(diào)查問卷和網(wǎng)絡(luò)查詢;對(duì)于高鐵建設(shè)，需要考慮到人口數(shù)量的增長(zhǎng)性，故需要預(yù)測(cè)未來幾年內(nèi)的出行人數(shù)的數(shù)目，故此處添加了logit預(yù)測(cè)模型，并通過其對(duì)三個(gè)城市的未來數(shù)據(jù)進(jìn)行了預(yù)測(cè)。

在獲取到各種數(shù)據(jù)之后，進(jìn)行模型模擬仿真實(shí)驗(yàn)，并得出相應(yīng)城市對(duì)應(yīng)的高鐵配置最優(yōu)數(shù)量。由于高鐵數(shù)量只是理想化的數(shù)值，終需施工建設(shè)，為檢驗(yàn)數(shù)量結(jié)果的正確性，便對(duì)目的城市作出了路網(wǎng)模型，模擬得出新增路線對(duì)客運(yùn)量分擔(dān)流的效果，并根據(jù)分擔(dān)流得到最優(yōu)數(shù)目的合理性與實(shí)際性。

三、符號(hào)說明

四、模型假設(shè)

1、假設(shè)模型所選相關(guān)因素即為全部影響因素（其他指標(biāo)影響忽略不計(jì)）;

2、假設(shè)所有影響因素相互獨(dú)立;

3、假設(shè)閾值回歸模型中的閾值變量是已知的;

五、模型的建立與求解

5.1 模型一的建立

根據(jù)問題背景，結(jié)合現(xiàn)實(shí)情況，通過搜集全國(guó)高鐵以及高速年鑒數(shù)據(jù)，初步采用Pearson相關(guān)性分析的方法，兩個(gè)變量X、Y的Pearson相關(guān)性定義如下：

其中，相關(guān)系數(shù)的絕對(duì)值越大，相關(guān)性越強(qiáng);反之則越弱。通常情況下通過以下取值范圍判斷變量的相關(guān)強(qiáng)度：相關(guān)系數(shù)為0.8-1.0則為極強(qiáng)相關(guān)，0.6-0.8為強(qiáng)相關(guān)，0.4-0.6為中等程度相關(guān)，0.2-0.4為弱相關(guān)，0.0-0.2為極弱相關(guān)或無相關(guān)。將原數(shù)據(jù)進(jìn)行可視化如下圖所示：

可以初步觀察到，當(dāng)高鐵建設(shè)日益發(fā)展（里程數(shù)增加）時(shí)，高速的客流量正在逐年下降，呈負(fù)相關(guān)關(guān)系。

為了判斷高鐵的出現(xiàn)對(duì)公路客流量的具體影響，采用閾值轉(zhuǎn)換模型，以選取的具體某段高鐵的通車時(shí)間作為閾值參數(shù)，分析高鐵出現(xiàn)前后的情況。采用閾值回歸模型[1]。該模型提出時(shí)主要分析動(dòng)態(tài)面板模型中的閾值影響，重點(diǎn)介紹其估計(jì)與檢驗(yàn)的方法。閾值回歸模型強(qiáng)調(diào)特別的樣本值可以根據(jù)觀測(cè)變量的不同分為不同的類別。該模型包括最小二乘法、用來形成參數(shù)直線區(qū)間而衍生出來的漸進(jìn)分布理論以及用來估計(jì)閾值影響顯著性的boostrap方法。

在估計(jì)γ的過程中，為了防止閾值將樣本分割過于幾段從而造成某個(gè)結(jié)構(gòu)包含的樣本數(shù)量過小，可以設(shè)定每個(gè)結(jié)構(gòu)中的樣本占總樣本量的最小比例（如1%或5%），也可以直接通過設(shè)定每個(gè)結(jié)構(gòu)樣本數(shù)量的最小值（5或10）來實(shí)現(xiàn)。

一旦γ被估計(jì)出來了買就可以估計(jì)出斜率系數(shù) ，殘差向量為 ，殘差方差為：

在閾值模型匯總主要存在兩個(gè)問題：第一個(gè)問題時(shí)檢驗(yàn)情況數(shù)，即檢驗(yàn)閾值的具體情況;第二個(gè)問題時(shí)對(duì)閾值變量的選擇。由假設(shè)三可知，閾值變量是已知的，則不收閾值影響的原假設(shè)可以通過線性約束表示為：

這個(gè)假設(shè)表示閾值變量無影響。在H0的假設(shè)下，原模型等價(jià)于線性模型。模型變?yōu)椋?/p>

通過（11）式減去均值后變?yōu)椋?/p>

回歸參數(shù)β1通過OLS估計(jì)，估計(jì)值為 ，殘差記為 ，殘差平方和記為 ，H0的近似似然比檢驗(yàn)的F統(tǒng)計(jì)量為：

這里 是指對(duì) 的收斂估計(jì)。F1的漸進(jìn)分布是不標(biāo)準(zhǔn)的，而且嚴(yán)格服從卡方分布。通過boostrap方法來模擬F1統(tǒng)計(jì)量的漸進(jìn)分布，該方法的主要原理及步驟敘述如下：

1）將xit和qit看作已知，并在重復(fù)的boostrap樣本中保持不變?；貧w殘差 組合成為 ，樣本 作為實(shí)證分布并運(yùn)用boostrap方法;

2）有重復(fù)地從實(shí)證分布中取出n個(gè)值作為一個(gè)樣本，將這些樣本作為H0假設(shè)下的boostrap樣本。在零假設(shè)方程（12）下估計(jì)樣本并計(jì)算似然比統(tǒng)計(jì)量F1;

3）將這個(gè)過程重復(fù)大量次數(shù)（如1000次），得到1000個(gè)統(tǒng)計(jì)量F1的值，將其按照順序進(jìn)行排列，就可以得到各個(gè)分位點(diǎn)的臨界值，進(jìn)而計(jì)算估計(jì)統(tǒng)計(jì)量超過實(shí)際值的比率，從而得到在假設(shè)H0下統(tǒng)計(jì)量F1的漸進(jìn)值p;

4）如果p值小于預(yù)定的臨界值，則拒絕無閾值影響的原假設(shè)。

如果F1相關(guān)的p值拒絕了線性假設(shè)，那接下來就可以判斷是一個(gè)還是兩個(gè)閾值，該似然比檢驗(yàn)的F統(tǒng)計(jì)量如下：

這里 和 是指在三種情況下模型的閾值估計(jì)， 是指相應(yīng)的殘差平方和。相應(yīng)的似然比同級(jí)量記為F3定義如下：

這里 指四種情況三種臨街模型中的殘差平方和。

公路、鐵路和民航是當(dāng)前中國(guó)居民出行的三大交通方式，其中民航客運(yùn)主要以短途為主，而中短途旅行的競(jìng)爭(zhēng)主要集中在鐵路和公路兩個(gè)領(lǐng)域。高鐵的運(yùn)行速度為200-350km/h，而公路運(yùn)輸?shù)乃俣纫话銥?0-120km/h，二者的運(yùn)輸速度存在較大的差異，因此有必要深入分析二者之間的替代和互補(bǔ)的效應(yīng)，以高速公路的客運(yùn)量作為被解釋變量，以鐵路客運(yùn)量作為解釋變量，高鐵的出現(xiàn)時(shí)間作為閾值來分析高鐵的出現(xiàn)對(duì)公路客運(yùn)壓力的緩解情況。基于閾值轉(zhuǎn)換模型基本原理建立模型如下：

其中，Git表示某路段公路客運(yùn)量的同比增長(zhǎng)率，Rit表示運(yùn)段鐵路客運(yùn)量同比增長(zhǎng)率，t為時(shí)間參數(shù)，γi為閾值參數(shù)，εit表示擾動(dòng)項(xiàng)。

在速度保持不變的情況下，運(yùn)輸距離與運(yùn)輸時(shí)間有著基本恒定的正相關(guān)關(guān)系，而時(shí)間是影響人們出行的直接因素。因此，主要針對(duì)三個(gè)時(shí)間段進(jìn)行研究，分別為高鐵運(yùn)行4小時(shí)以內(nèi)、4-8小時(shí)以及8-12小時(shí)。截止2014年底，中國(guó)高鐵已經(jīng)覆蓋主要大眾城市為突出分析的代表性，4小時(shí)以內(nèi)的公路客運(yùn)主要集中在較大城市，故對(duì)應(yīng)高鐵的分析也應(yīng)該相應(yīng)地聚焦這些城市，所以選取北京到太原、上海到溫州兩個(gè)運(yùn)段作為分析對(duì)象;4-8小時(shí)運(yùn)段的分析屬于較長(zhǎng)時(shí)間的運(yùn)輸，結(jié)合高鐵的運(yùn)行速度，該種情況的運(yùn)輸主要存在于跨度較大、橫亙南北的城市，故選擇北京到上海、廣州到鄭州兩個(gè)運(yùn)段作為分析對(duì)象;而對(duì)于8-12個(gè)小時(shí)的運(yùn)輸時(shí)間，相應(yīng)高鐵運(yùn)行距離應(yīng)為2000-3000公里，然而受地理環(huán)境的影響，高鐵的速度在地形復(fù)雜的地區(qū)（尤其是山地）中并不高，因此這種客運(yùn)主要發(fā)生在我國(guó)東西貫通的線路中，最終選取成都到武漢、廣州到重慶兩個(gè)運(yùn)段作為分析對(duì)象。通過搜集相關(guān)數(shù)據(jù)，我國(guó)高速鐵路建成情況如附錄1所示。

5.2 模型一求解

根據(jù)公式（1），可以得出如表5.1所示相關(guān)性結(jié)果如下：

則可以得出，高鐵的開通運(yùn)行情況與公路客流確實(shí)存在強(qiáng)負(fù)相關(guān)的結(jié)果。

5.2.1 短途分析

根據(jù)高鐵運(yùn)行時(shí)間，兩個(gè)運(yùn)段——北京到太原、上海到溫州的高鐵客運(yùn)進(jìn)行分析，其對(duì)應(yīng)公路客運(yùn)情況如圖5.2所示：

如圖所示，自2001年到2009年，北京到太原、上海到溫州的公路客運(yùn)均保持較高的增長(zhǎng)速度，北京到太原段在2004年同比增長(zhǎng)速度甚至達(dá)到100%，上海到溫州段較為穩(wěn)定的增長(zhǎng)。三個(gè)運(yùn)段客運(yùn)量自2009年后均有不同程度的下降——自2009年初，北京到太原段開始下滑;2010年，廣州到武漢段下滑。這與表5.1中所列高鐵通車時(shí)間基本相符，但由于2008年全球次貸危機(jī)等因素影響的可能性，并不能以此確定客運(yùn)量的下滑主要來源于高鐵開通的影響。北京到太原段高鐵客運(yùn)量同比增長(zhǎng)率如圖5.3（a）所示：

從圖中可以看出，在2008年之前北京-太原段高速客運(yùn)量基本維持在正增長(zhǎng)，高鐵出現(xiàn)之前的鐵路增長(zhǎng)起伏波動(dòng)較大。2008年之后高鐵客運(yùn)量呈曲折上漲的態(tài)勢(shì)，而鐵路的發(fā)展仍保持穩(wěn)定上漲，但增長(zhǎng)峰值并沒有超過2008年前的增長(zhǎng)峰值。圖（b）反映了近年來上海-溫州段的高鐵與高速客運(yùn)量同比增長(zhǎng)率的情況，可以看出，自2008年后，高鐵的增長(zhǎng)率基本遠(yuǎn)超高速增長(zhǎng)率，且高速正增長(zhǎng)了在2008年之后逐漸趨于零，即不再增長(zhǎng)。由此看出，短途旅行情況下高鐵的開通對(duì)于高速客流量的影響并不顯著，甚至在高鐵出現(xiàn)后，高速客流量依舊呈現(xiàn)出增長(zhǎng)的情況。

通過基與閾值轉(zhuǎn)化模型檢驗(yàn)方法，首先對(duì)各運(yùn)段航空客運(yùn)量增長(zhǎng)率進(jìn)行非線性檢驗(yàn)，原假設(shè)H0：α1 = β1，置信度為95%，當(dāng)P值小于5%時(shí)，拒絕原假設(shè)。表5.3為各運(yùn)段通過統(tǒng)計(jì)量F1檢驗(yàn)結(jié)果，計(jì)算得到北京到太原、上海到溫州的P值分別為2.24%、17.5%、，北京到太原的P值小于5%臨界值，原假設(shè)被拒絕;而上海-溫州運(yùn)段的F1統(tǒng)計(jì)量值較大，P值超過5%臨界值，原假設(shè)成立，該回歸無閾值轉(zhuǎn)換，為線性回歸。運(yùn)用bootstrap方法，將時(shí)間參數(shù)依次作為估計(jì)值代入進(jìn)行OLS回歸，估計(jì)值為140，分別對(duì)應(yīng)日期2012年2月和2012年4月，基本與表3-9所陳述的各段高鐵開通時(shí)間相匹配。高鐵開通對(duì)于上海到溫州的公路客運(yùn)量增長(zhǎng)幾乎沒有影響，主要原因是兩地之間距離較近，而高速鐵路乘坐復(fù)雜且票價(jià)更貴，對(duì)比公路客運(yùn)沒有明顯的優(yōu)勢(shì)。

上海到溫州段參數(shù)估計(jì)結(jié)果如表5.4所示，其中αi1、βi1分別為轉(zhuǎn)換前后的鐵路客運(yùn)量同比增長(zhǎng)率的回歸系數(shù)，SSR為回歸殘差平方和。

鐵路客運(yùn)同比增長(zhǎng)率Rit的回歸系數(shù)轉(zhuǎn)換前后分別為1.38、1.38和1.25、1.31，鐵路客運(yùn)與航空客運(yùn)的發(fā)展顯示出強(qiáng)正相關(guān)特征，閾值轉(zhuǎn)換前后沒有太大的變化。而上海到溫州公路客運(yùn)段的發(fā)展基本不受高鐵開通的影響，保持強(qiáng)勢(shì)發(fā)展勢(shì)頭，這一定程度上源于兩地的經(jīng)濟(jì)交流，但主要原因是時(shí)間因素對(duì)于高鐵客運(yùn)形成的的競(jìng)爭(zhēng)壁壘。綜合北京到太原段的回歸結(jié)果來看，雖然該段公路客運(yùn)的發(fā)展在高鐵出現(xiàn)前后呈現(xiàn)非線性特征，但是前后回歸系數(shù)并沒有明顯的差別，這表明對(duì)于短途客運(yùn)而言，高速公路客運(yùn)對(duì)高鐵客運(yùn)依然保持著較強(qiáng)的競(jìng)爭(zhēng)力。在短途客運(yùn)方面高鐵對(duì)高速客運(yùn)存在擠出效應(yīng)，但其作用效果已經(jīng)沒有那么明顯。

5.2.2 中途分析

以高鐵運(yùn)輸時(shí)間4小時(shí)到8小時(shí)為運(yùn)輸節(jié)點(diǎn)，選取北京到上海、廣州到鄭州的公路運(yùn)輸狀況作為分析對(duì)象。選取數(shù)據(jù)為2001年1月至2014年12月月度數(shù)據(jù)。兩個(gè)運(yùn)段的高速公路客運(yùn)表現(xiàn)如圖5.5所示。

通過觀察兩個(gè)運(yùn)段的高速公路客運(yùn)表現(xiàn)，北京到上海的客運(yùn)量遠(yuǎn)遠(yuǎn)高于其他運(yùn)段的客運(yùn)量，2010年之前，北京到上海的客運(yùn)量保持高速增長(zhǎng)態(tài)勢(shì);2010年之后，客運(yùn)量處于穩(wěn)定波動(dòng)階段，并沒有太大漲幅。廣州到鄭州的公路客運(yùn)量上漲持續(xù)到2011年，之后開始緩慢下跌。

非常明顯的是，在2008年高速的增長(zhǎng)出現(xiàn)了非常明顯的波動(dòng)，并在2008年后的2013年出現(xiàn)了增長(zhǎng)率的最低谷。而鐵路自2011年增長(zhǎng)的最低谷后一直呈現(xiàn)出穩(wěn)步增長(zhǎng)的態(tài)勢(shì)，并與于2012年后的增長(zhǎng)率一直高于公路增長(zhǎng)。作為中國(guó)最大的兩個(gè)城市，兩地之間的公路客運(yùn)量不但數(shù)量遠(yuǎn)遠(yuǎn)超出其他路段，而且顯現(xiàn)出較好的穩(wěn)定性。圖（b）反映出的廣州到鄭州段客運(yùn)情況整體增長(zhǎng)率偏低，但鐵路增長(zhǎng)在2003到2005以及2010到2014之后都超過高速的增長(zhǎng)，高速增長(zhǎng)持續(xù)波動(dòng)，并在2010年出現(xiàn)了增長(zhǎng)的最低谷。

基于閾值轉(zhuǎn)化模型檢驗(yàn)方法，首先對(duì)各運(yùn)段航空客運(yùn)量増長(zhǎng)率進(jìn)行非線性檢驗(yàn)，原假設(shè)H0：α2=β2，置信度為95%，當(dāng)P值小于5%時(shí)，拒絕原假設(shè)。表5.5通過F1統(tǒng)計(jì)檢驗(yàn)結(jié)果，計(jì)算的背景到上海、廣州到鄭州的P值分別為2.33%和0.32%，均小于5%臨界值，原假設(shè)拒絕，兩個(gè)回歸均存在閾值，為非線性回歸。運(yùn)用boostrap方法，將時(shí)間參數(shù)依次作為估計(jì)值帶入進(jìn)行OLS回歸，各殘差平方和排序的閾值γ4、γ5，估計(jì)值分別為130和138，分別對(duì)應(yīng)日期2011年10月和2012年6月，與附錄中記錄各段高鐵開通時(shí)間相匹配。

北京到上海、廣州到鄭州的參數(shù)估計(jì)結(jié)果如表5.8所示，其中αi1、βi1分別為轉(zhuǎn)換前后的鐵路客運(yùn)量同比增長(zhǎng)率的回歸系數(shù)，SSR為回歸殘差平方和。

關(guān)于鐵路客運(yùn)同比增長(zhǎng)率的回歸系數(shù)轉(zhuǎn)換前后分別為0.56、0.62和0.38、0.26，由此可以判斷高速公路客運(yùn)與鐵路客運(yùn)的相關(guān)關(guān)系與短程回歸結(jié)果類似，依然保持正相關(guān)，但是具體轉(zhuǎn)換前后的比較，廣州到鄭州的回歸系數(shù)絕對(duì)值降幅為58%，北京到上海的回歸系數(shù)絕對(duì)之降幅分別為34%，整體上相對(duì)于短途降幅變?nèi)酰黠@以看出廣州到鄭州的降幅更為劇烈。這一方面體現(xiàn)出中途高速公路客運(yùn)與鐵路客運(yùn)受經(jīng)濟(jì)增長(zhǎng)的共同驅(qū)動(dòng)，競(jìng)爭(zhēng)關(guān)系相于短途運(yùn)輸不太明顯，高鐵出現(xiàn)對(duì)于二者的競(jìng)爭(zhēng)影響相對(duì)較小，因此轉(zhuǎn)換前后回歸系數(shù)估計(jì)值降幅不大，另一方面，發(fā)達(dá)城市之間的高速公路客運(yùn)需求較為穩(wěn)定，廣州到鄭州的高速公路客運(yùn)受鐵路運(yùn)輸?shù)挠绊戄^北京到上海兩個(gè)運(yùn)段大，回歸系數(shù)絕對(duì)值降低比較明顯。

5.2.3 長(zhǎng)途分析

長(zhǎng)途客運(yùn)的分析主要針對(duì)高鐵運(yùn)輸時(shí)間為8小時(shí)以上的運(yùn)段，由于這部分時(shí)長(zhǎng)的客運(yùn)大多晝夜間運(yùn)行，與航空運(yùn)輸?shù)臅r(shí)長(zhǎng)差距明顯，在更多方面影響旅客的出行選擇。研究指標(biāo)選取成都到武漢、廣州到重慶兩個(gè)運(yùn)段。成都到武漢、廣州到重慶的公路客運(yùn)量具體情況如圖5.6所示。

成都到武漢和成都到南京公路客運(yùn)發(fā)展情況基本相似，2007年之前基本保持持續(xù)發(fā)展，在2007年中旬小幅下挫之后，2008年迅速恢復(fù)增長(zhǎng)勢(shì)頭，并持續(xù)到2011年。在2011年之后增速變緩，成都到南京的公路客運(yùn)量略高于成都到武漢的客運(yùn)量，兩段公路客運(yùn)維持小幅上漲至2014年末，但其發(fā)展勢(shì)頭己遠(yuǎn)不如前。廣州到重慶的公路客運(yùn)量遠(yuǎn)遠(yuǎn)超過另外兩個(gè)運(yùn)段的客運(yùn)量，這可能與兩個(gè)城市的經(jīng)濟(jì)總量和地理位置相關(guān)。綜合來看，從2001年到2014年，除偶爾小幅波動(dòng)外，基本保持強(qiáng)勁的增長(zhǎng)態(tài)勢(shì)，似乎并未受到其他因素的影響而有所遲滯。

成都到武漢路段客運(yùn)量同比增長(zhǎng)率如圖5.7（a）所示。2002年，公路段段客運(yùn)量增長(zhǎng)率短暫下跌為負(fù)，之后在2003年迅速反彈，并保持平均30%以上的增長(zhǎng)速度直到2006年末，增長(zhǎng)速度平穩(wěn)。2007年迅速下跌至負(fù)20%水平，但在2008年重新恢復(fù)增長(zhǎng)，最高達(dá)到50%以上。2010年-2014年，公路段客運(yùn)量同比增長(zhǎng)率逐漸下跌，但基本維持正增長(zhǎng)。成都到武漢距離1146.2公里，公路段客運(yùn)耗時(shí)約12.45小時(shí)，離鐵開通后運(yùn)行時(shí)間9.4小時(shí)，兩者相差3.05小時(shí)。成都到武漢地形復(fù)雜，雖然直線距離不長(zhǎng)，但是高速運(yùn)行路線比較曲折，速度較慢，耗費(fèi)時(shí)間較長(zhǎng)，導(dǎo)致高速發(fā)展受阻，高鐵繼續(xù)平穩(wěn)發(fā)展。

廣州到重慶公路段客運(yùn)量同比增長(zhǎng)率如上圖（b）所示，2002年增長(zhǎng)速度短時(shí)期內(nèi)為負(fù)的25%，之后迅速反彈，2003年達(dá)到峰值50%。2004年之后基本保持平穩(wěn)發(fā)展，2007年增長(zhǎng)率下跌至零，但2008年恢復(fù)增長(zhǎng)，并保持10%增長(zhǎng)水平至2014年。整體發(fā)展平穩(wěn)，無明顯下跌。廣州到重慶距離13.4公里，公路客運(yùn)耗時(shí)15小時(shí)，高鐵開通后運(yùn)行時(shí)間11小時(shí)，兩者相差4小時(shí)。重慶作為貫通東西部地區(qū)重要樞紐，自身經(jīng)濟(jì)實(shí)力較強(qiáng)，與廣州的客流量均高于平均水平，廣州到重慶的公路客運(yùn)持續(xù)保持高速發(fā)展。

表5.7為各運(yùn)段通過統(tǒng)計(jì)量F1檢驗(yàn)結(jié)果，計(jì)算得到成都到武漢、廣州到重慶的P值分別為1.7%、1.34%，均小于5%臨界值，原假設(shè)被拒絕，兩個(gè)回歸均存在闊值，為非線性回歸，估計(jì)值分別為122、124，分別對(duì)應(yīng)日期2011年8月，基本與附錄中記錄各段高鐵開通時(shí)間相吻合。

成都到武漢、廣州到重慶的參數(shù)估計(jì)結(jié)果如表5.8所示，其中αi1、βi1分別為轉(zhuǎn)換前后的鐵路客運(yùn)量同比增長(zhǎng)率的回歸系數(shù)，SSR為回歸殘差平方和。

關(guān)于鐵路客運(yùn)同比增長(zhǎng)率Rit的閾值系數(shù)轉(zhuǎn)換前后分別為0.93、2.57和0.37、0.37，同樣降幅較大，閾值轉(zhuǎn)換前后，公路客運(yùn)同比增長(zhǎng)率與鐵路運(yùn)輸同比增長(zhǎng)率之間的回歸系數(shù)絕對(duì)值變小，凸顯了隨著高鐵的出現(xiàn)，高鐵規(guī)模和高鐵密度的提高，較快的運(yùn)行速度已經(jīng)對(duì)該高速公路客運(yùn)產(chǎn)生了較強(qiáng)的替代作用。值得注意的是，長(zhǎng)途公路客運(yùn)同比增長(zhǎng)率與鐵路運(yùn)輸同比增長(zhǎng)率之間存在明顯的正相關(guān)關(guān)系。

基于以上模型求解可以得出，高鐵對(duì)于高速公路客運(yùn)的壓力可以起到一定額緩解作用。這種緩解效果主要體現(xiàn)在中長(zhǎng)途的出行中，而對(duì)于短途出行，由于價(jià)格、靈活性等因素的影響，這種緩解作用并不是十分明顯。但是由于在同一經(jīng)濟(jì)體下，受益于經(jīng)濟(jì)增長(zhǎng)的推動(dòng)，促進(jìn)了客流量的迅猛増長(zhǎng)，無論是鐵路客運(yùn)還是高速公路客運(yùn)都有著較好的發(fā)展時(shí)機(jī)。旅客出行會(huì)根據(jù)自身需求綜合這兩種甚至更多種交通方式[3]。

5.3 模型二建立

在目前大力發(fā)展高速鐵路建設(shè)的潮流下，通過問題一模型的建立與求解，基本發(fā)現(xiàn)了高速鐵路與高速公路在客流運(yùn)輸上的競(jìng)爭(zhēng)關(guān)系，為了進(jìn)一步探索不同旅客出行方式選擇的更深層關(guān)系，結(jié)合旅客出行選擇理論，即旅客出行的利益最大化——經(jīng)濟(jì)型K、安全性Q、舒適性C、方便性TC、快捷性T、準(zhǔn)時(shí)性，得出不停運(yùn)輸方式在客流競(jìng)爭(zhēng)時(shí)的競(jìng)爭(zhēng)因子的計(jì)算[4]：

其中U1表示不同運(yùn)輸方式之間的競(jìng)爭(zhēng)因子，θi為不同影響因素的權(quán)重大小。因此通過量化不同的影響因素因子，可以得出不同運(yùn)輸方式之間的競(jìng)爭(zhēng)因子的大小。

利用logit預(yù)測(cè)模型對(duì)于不同出行方式的客流量進(jìn)行分擔(dān)預(yù)測(cè)。結(jié)社每種運(yùn)輸方式的選擇由k種不同因素X影響，由假設(shè)二可知各因素為相互獨(dú)立的，則對(duì)于N個(gè)旅客進(jìn)行建?？傻寐每瓦x擇出行方式的似然函數(shù)為：

其中 為函數(shù)的系數(shù)，在求估計(jì)值時(shí)對(duì)式3.23求對(duì)數(shù)，舍去函數(shù)的常數(shù)項(xiàng)，化簡(jiǎn)得：

根據(jù)加法原則的效用函數(shù)模型進(jìn)行計(jì)算，可得用函數(shù)影響因子值如下表所示：

普鐵和公路運(yùn)輸?shù)男в煤瘮?shù)影響因素的相關(guān)屬性標(biāo)準(zhǔn)統(tǒng)計(jì)如表5.9所示：

將相關(guān)數(shù)據(jù)代入系數(shù)計(jì)算公式（19）得到六大影響因素的系數(shù)值如表5.10所示：

為了說明問題的準(zhǔn)確性，我們選取西北地區(qū)較為不發(fā)達(dá)的城市寶雞、二線城市蘭州、以及新一線城市西安進(jìn)行分析。利用層次分析方法對(duì)西安寶雞-寶蘭客運(yùn)各段進(jìn)行分析，確定出行個(gè)體在選擇出行方式的主要影響因素，得出主要的影響為出行方便性、經(jīng)濟(jì)型、快速性和安全性，其重要程度分別為0.344、0.195、0.226、0.235，證明權(quán)重分析結(jié)果正確。

2017年的7月9日寶蘭客運(yùn)專線開通，增加了兩地之間的第三種運(yùn)輸方式，分擔(dān)了兩地之間的大量旅客運(yùn)輸，此外還有一部分的客運(yùn)量被私家車占有。，目前該區(qū)間的客流量及市場(chǎng)競(jìng)爭(zhēng)現(xiàn)狀如表5.11所示：

通過對(duì)兩地之間四種不同的交通運(yùn)輸方式進(jìn)行分析，可以得出，在兩地之間最快的出行方式為寶蘭高速鐵路，運(yùn)費(fèi)最省的出行方式為隴海線出行。

客運(yùn)以及高鐵專線情況如下圖所示：

寶蘭客運(yùn)專線起始于陜西省寶雞市，途徑甘肅省天水市、定西市終于甘肅省蘭州市，沿途設(shè)有南岔站、天水南站、秦安站、通渭站、定西北站、榆中站、蘭州西站。寶蘭客運(yùn)專線開行以后，由于蘭州地區(qū)和天水地區(qū)的高速鐵路尚未組網(wǎng)，日均開行列車對(duì)數(shù)較少，開行的列車對(duì)數(shù)為44對(duì)，其中包含通過列車。列車在蘭州西站的發(fā)車時(shí)間范圍為：最早一趟車為早上6：45分，最晚一趟車為晚上19：45，開行列車有八輛編組和16輛編組兩種類型，其中八輛編組的列車定員為586人，16輛編組的列車定員為1172人，一等座票價(jià)為99元、二等座票價(jià)為83元。

對(duì)其運(yùn)輸通道的客流預(yù)測(cè)采用重力預(yù)測(cè)模型：

其中α、β、θ為模型中用到的參數(shù)。

5.4 模型二求解

根據(jù)路段運(yùn)營(yíng)的實(shí)際情況，運(yùn)用最大似然分析方法，對(duì)重力模型中的參數(shù)計(jì)算如表5.13所示：

將上表數(shù)據(jù)使用F檢驗(yàn)和t檢驗(yàn)得到相關(guān)參數(shù)為：

將搜集到的西安-寶雞-蘭州的經(jīng)濟(jì)指標(biāo)帶入到式（18）算得客流量為：

為了更加準(zhǔn)確的預(yù)測(cè)，對(duì)旅客采用了行為調(diào)查和意向調(diào)查兩種方法（調(diào)查問卷見附錄2），調(diào)查結(jié)果的統(tǒng)計(jì)數(shù)據(jù)如下表5.16和5.17所示：

參與調(diào)查的旅客中，旅客在選擇出行方式時(shí)，對(duì)不同的影響因素重視程度不同，本次調(diào)查過程中對(duì)五個(gè)方面的指標(biāo)對(duì)旅客進(jìn)行了問詢，五個(gè)指標(biāo)分別為安全性、快速性、舒適性、方便性及出行票價(jià)。

（1）對(duì)統(tǒng)計(jì)結(jié)果進(jìn)行分析計(jì)算，得到旅客心中對(duì)高速鐵路出行的安全性滿意度為1，對(duì)高速公路出行的安全性滿意度為0.65。

（2）經(jīng)濟(jì)型方面，由于高速鐵路與高速公路出行方式的費(fèi)用價(jià)格相差并不是很大，所以旅客出行時(shí)對(duì)高速鐵路的經(jīng)濟(jì)型滿意度為1，對(duì)高速公路出行的經(jīng)濟(jì)型滿意度為0.95。

（3）快速性方面，選擇寶蘭高鐵出行時(shí)出行時(shí)間為lh20min，高速公路出行時(shí)間為4h。旅客對(duì)高速鐵路的方便性的滿意度為1，對(duì)高速公路出行的方便性的滿意度為0.34。

（4）在旅客出行的舒適性和方便性方面，對(duì)蘭州天水區(qū)間的情況運(yùn)用計(jì)算發(fā)的方法統(tǒng)計(jì)情況具體如表5.18所示。

（5）穩(wěn)定性方面，是指旅客出行的穩(wěn)定性，高速鐵路的市場(chǎng)分擔(dān)率里面有一部分客流出行選擇高速鐵路穩(wěn)定不變。

綜上，得出對(duì)影響旅客選擇出行方式的不同影響因素滿意度和權(quán)重值如表5.18所示：

采用上文的高速鐵路和高速公路各自的效用函數(shù)，計(jì)算相應(yīng)的效用值，其計(jì)算過程如下所示：

高鐵效用值：

V1=1×1×（0.92×0.13+1×0.63+0.85×0.14+0.95×0.1） ×1×1=0.9638

高速效用值：

V1=0.65×1×（0.64×0.13+0.5×0.53+0.75×0.19+0.7×0.15） ×1×1=0.1939

由此，解得客流量最終分流結(jié)果為：

5.5 模型三建立

基于模型二中各站客流量的預(yù)測(cè)結(jié)果，依據(jù)各站鐵路分布圖建立模型，旨在解決基于旅客全出行過程構(gòu)建的網(wǎng)絡(luò)，求解網(wǎng)絡(luò)范圍內(nèi)所有 OD對(duì)的路徑及網(wǎng)絡(luò)中客流在網(wǎng)絡(luò)中的分布情況。引入混合遺傳算法，建立模型約束——流量守恒約束（流量守恒約束是指網(wǎng)絡(luò)中每個(gè)節(jié)點(diǎn)流入客流量等于流出的客流量。流量守恒能夠避免發(fā)生丟流、添流和串流的現(xiàn)象）和能力約束[5]。為使整個(gè)鐵路網(wǎng)輸送所有車流所消耗的廣義費(fèi)用最小，并盡可能使各線路利用率達(dá)到平均，建立鐵路網(wǎng)車流徑路優(yōu)化模型三如下所示：

其中式（19）、（20）本別表示目標(biāo)函數(shù)：車流在路網(wǎng)上的廣義費(fèi)用最小以及能力利用率最大的路段最小化，式（23）、（24）、（25）分別表示約束條件：車流的不可分割性、路段能力的限制以及車站能力的限制。

用混合遺傳算法求解鐵路網(wǎng)車流分配問題時(shí)，需根據(jù)解的性質(zhì)設(shè)計(jì)合適的編碼方式——直觀的表現(xiàn)問題的解以及盡量滿足模型中的約束?；谏鲜龇治?，采用0-1整數(shù)編碼如下圖所示：

染色體長(zhǎng)度為所有車流所對(duì)應(yīng)的可行徑路數(shù)的數(shù)量之和;若第i支車流的可選徑路數(shù)為li，則該車流所占的碼位長(zhǎng)度為li;在第i支車流徑路集代表的基因片段中，若數(shù)字為1，則表示車流i選擇該基因位點(diǎn)所代表的徑路;鑒于約束條件（25），每支車流的徑路集所代表的基因片段中，有且僅有一個(gè)基因位點(diǎn)取值為1。染色體由各支車流對(duì)應(yīng)的徑路集順序排列，即表示一種可能的鐵路網(wǎng)車流分配方案。

5.6 模型三求解

應(yīng)用混合遺傳算法求解步驟及方法如下：

步驟1：設(shè)定各參數(shù)，種群大小popsize，交叉概率調(diào)整參數(shù)分別為pc1、pc2，變異概率調(diào)整參數(shù)分別為pm1、pm2，最大迭代次數(shù)Maxgen，初始溫度ts，溫度衰減參數(shù)α;

步驟2：按照前文染色體編碼方式生成初始種群pop，當(dāng)前代數(shù)n←l;

步驟3：計(jì)算當(dāng)前種群中各染色體適應(yīng)度，選擇最優(yōu)個(gè)體直接進(jìn)入下一代，剩余個(gè)體進(jìn)行輪盤賭隨機(jī)選擇;

步驟4：根據(jù)下式計(jì)算得到的交叉概率，對(duì)種群進(jìn)行一致性交叉操作;

步驟5：根據(jù)下式計(jì)算得到的變異概率，對(duì)種群進(jìn)行變異操作;

步驟6：在子代種群隨機(jī)選擇一個(gè)染色體生成其鄰域解，按式（13）對(duì)兩者進(jìn)行選擇，更新當(dāng)前迭代次數(shù)n←n+1;

步驟7：算法終止判定，若n≤Maxgen，轉(zhuǎn)步驟3循環(huán)計(jì)算，否則輸出當(dāng)前種群中最優(yōu)染色體，并解碼為最優(yōu)車流分配方案。

對(duì)于西安-寶雞-蘭州各段鐵路分布情況簡(jiǎn)化后的路網(wǎng)結(jié)構(gòu)如圖5.22所示，圖中有20個(gè)節(jié)點(diǎn)車站、29個(gè)路段。令所有車站的改編能力均為b=2000，各路段的權(quán)重（里程、走行時(shí)間、費(fèi)用綜合值）、能力參數(shù)值以及各支車流OD流量均采用文獻(xiàn)[6]中所用數(shù)據(jù)。

設(shè)置混合遺傳算法參數(shù)如下：種群大小popsize=50，交叉概率調(diào)整參數(shù)分別為pc1=0.9、pc2=0.6，變異概率調(diào)整參數(shù)分別為pm1=0.1、pm2=0.01，最大迭代次數(shù)Maxgen=500，初始溫度ts=999，溫度衰減參數(shù)α=0.87[7]。通過仿真計(jì)算出的最優(yōu)染色體編碼為：

popbest=[10|10|010|0100|0010|001|001|010000|100|00010|010|100|01|01000|10|100|001]由此解碼出的徑路選擇方案如表5.21所示。

在此分配方案中，整個(gè)鐵路網(wǎng)系統(tǒng)中車流的廣義消耗為17784670，能力最高路段5→6利用率為92.3%。根據(jù)以上結(jié)果，得出西安、寶雞、蘭州線路最優(yōu)線路配置結(jié)果為：

六、模型的評(píng)價(jià)與推廣

6.1 模型評(píng)價(jià)

對(duì)于高鐵開通對(duì)高速公路通行壓力是否有所減緩，本文通過使用閾值回歸模型對(duì)高鐵對(duì)高速的影響程度進(jìn)行了分析，并通過短中長(zhǎng)三種路程的長(zhǎng)度分別進(jìn)行了相應(yīng)的影響分析，得到：短程影響不是很明顯，中途有相應(yīng)的影響，長(zhǎng)途有明顯的影響。

根據(jù)問題一的分析結(jié)果，結(jié)合實(shí)際情況，可以看出閾值回歸模型有著較好的評(píng)價(jià)效果，直觀的展示出了現(xiàn)實(shí)中高鐵開通對(duì)高速公路的影響，并能將影響因素分而治之，最終得到相應(yīng)的評(píng)價(jià)結(jié)果，并能將各種因素的評(píng)價(jià)結(jié)果進(jìn)行相應(yīng)的結(jié)合分析得到最終的影響評(píng)價(jià);另外閾值回歸模型的建模結(jié)合了閾值限制與回歸分析，在數(shù)據(jù)規(guī)律的基礎(chǔ)上附加了現(xiàn)實(shí)約束閾值，使得得到的評(píng)價(jià)結(jié)果即具有數(shù)據(jù)的發(fā)展規(guī)律性又含有現(xiàn)實(shí)性的真實(shí)約束，使得此模型更具有實(shí)際的應(yīng)用意義以及更強(qiáng)的說服力。

對(duì)發(fā)展不同城市進(jìn)行高鐵最佳數(shù)量的配置，本文采用了混合遺傳優(yōu)化算法對(duì)配置數(shù)目進(jìn)行優(yōu)化，并結(jié)合logit預(yù)測(cè)模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后通過高鐵路網(wǎng)模型建設(shè)得到最優(yōu)道路數(shù)對(duì)應(yīng)的客運(yùn)量分擔(dān)率，驗(yàn)證的最優(yōu)道路數(shù)的可行性。

問題二的logit預(yù)測(cè)模型對(duì)未來人口出行數(shù)據(jù)進(jìn)行了預(yù)測(cè)，為后續(xù)的優(yōu)化模型做了數(shù)據(jù)支撐，使得優(yōu)化結(jié)果具有前瞻性;混合遺傳優(yōu)化算法將遺傳算法的全局搜索能力與模擬退火算法的局部搜索能力相結(jié)合，在保證結(jié)果的正確性的前提下又提升了計(jì)算過程的效率，使得數(shù)據(jù)規(guī)模影響的誤差降到了最低，并得到了相應(yīng)的優(yōu)化解;在得到最佳高鐵配置數(shù)目之后，本文使用路網(wǎng)模型建設(shè)模擬了城市對(duì)應(yīng)高鐵道路的分擔(dān)率的變化，進(jìn)一步的驗(yàn)證了優(yōu)化結(jié)果的可行性和正確性。

綜上，兩個(gè)問題的模型考慮周全，在數(shù)據(jù)準(zhǔn)備上具備完整性和正確性，在模型建立上具有科學(xué)性和可行性，在驗(yàn)證上具有實(shí)際性和準(zhǔn)確性，得到的相應(yīng)結(jié)論具有細(xì)致性和支撐性以及正確性。

6.2 模型推廣

閾值回歸模型，在問題一中分析出了高鐵開通對(duì)高速公路的車輛通行壓力是否具有影響，以及影響因素的各種分類展示。則相應(yīng)的公司或政府可使用此模型得到對(duì)公司業(yè)績(jī)影響因素的評(píng)測(cè)以及各因素對(duì)業(yè)績(jī)影響的大小，在得到相應(yīng)的影響因素的信息后，可對(duì)公司的相應(yīng)政策的進(jìn)行合理的調(diào)整，以在工作減壓的同時(shí)保證利潤(rùn)的最大化。

混合遺傳優(yōu)化算法，在問題二中結(jié)合數(shù)據(jù)的支撐模擬得到了各城市的高鐵配置最佳數(shù)目，并通過高鐵路網(wǎng)驗(yàn)證了各道路客運(yùn)量分擔(dān)率，得到了結(jié)果的可行性和最優(yōu)性。

使用此模型，對(duì)于高鐵建設(shè)的意義重大，由于此模型考慮到了高鐵建設(shè)的成本、減壓作用、人們出行偏好等各種影響因素，在各種因素的結(jié)合之下得到相應(yīng)的最優(yōu)建設(shè)道路數(shù)目，減少了資金的消耗量，降低了公路的通行壓力，避免了道路的閑置可能性，并得到了利潤(rùn)的最大化。故此模型十分適用于公司或政府對(duì)于工程量的規(guī)劃，值得采用。

參考文獻(xiàn)

[1]劉漢中.閾值自回歸模型參數(shù)估計(jì)的小樣本性質(zhì)研究[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2009（10）：112-124.

[2]梁鐘方.高速鐵路對(duì)民航客運(yùn)的影響分析[D].山東大學(xué)，2016.

[3]李曉偉，王煒.高鐵競(jìng)爭(zhēng)下高速公路客運(yùn)選擇行為與發(fā)展策略[J].鐵道科學(xué)與工程學(xué)報(bào)，2018，15（03）：574-580.

[4]李強(qiáng).高速鐵路開行對(duì)區(qū)域高速公路旅客運(yùn)輸?shù)挠绊懷芯縖D].蘭州交通大學(xué)，2018.

[5]王文憲，陳釘均，陳皓.混合遺傳算法在鐵路網(wǎng)車流分配中的應(yīng)用[J].計(jì)算機(jī)仿真，2015，32（04）：129-132+153.

[6]喬國(guó)會(huì).鐵路網(wǎng)車流優(yōu)化分配模型研究與綜合算例分析[D].北京交通大學(xué)，2008.

[7]邢文訓(xùn)，謝金星.現(xiàn)代優(yōu)化計(jì)算方法[M].北京：清華大學(xué)出版社，2005.