我国铁路运货量时间序列预测时间序列论文

来源:用户上传      作者:

　　【摘要】铁路运货量作为货运市场体系中的重要统计指标，本文基于1949-2017年我国铁路运货量的数据，利用ARIMA模型，对我国未来几年的铁路运货量进行了定量预测。预测结果显示：未来几年铁路运货量将会呈现下降趋势。
　　【关键词】时间序列 铁路运货量 平稳性 ARIMA模型 预测
　　
　　一、研究背景
　　铁路货运长久以来依托大宗货物运输市场。大宗货物的中长距离运输历来是铁路货运的强项，目前在铁路承运的货物中，能源、冶炼、建材等大宗物资占有相当大的比重。大宗物资的货运需求将持续旺盛，也为铁路货运的增长提供了充足的货源。也同时促进了铁路运输的不断提高以及进步，呈现出近几年的提高。
　　二、ARIMA模型的基本思想及数学模型
　　ARMA（p，q）模型，它是一类常用的随机时序模型，它是一种精度较高的时间序列预测方法。ARMA（p，q）模型有三种基本类型：自回归（AR）模型、移动平均（MA）模型以及自回归移动平均（ARMA）模型。
　　三、我国货物运输量的ARIMA（p，q）模型
　　1、模型的选择及平稳化处理
　　本文的数据来自王燕编著的第四版应用时间序列分析的非平稳序列的随机分析和中国统计年鉴，原始数据见附录。从1949年至2017年共69个数据。
　　通过铁路运货量的相关数据，可以看出其自相关系数衰减到零的速度非常慢，满足非平稳判定的条件，所以可以判定原序列是非平稳的。
　　2、原序列ADF检验
　　为了完全验证原序列为非平稳的，进一步对其做ADF检验。
　　由于时间序列均值没有系统变化、方差没有系统变化，且严格消除周期性变化的平稳序列才具有研究的价值，因此考虑对该模型做差分处理获取平稳序列。
　　3、原序列一阶差分ADF检验
　　由于y序列显著非平稳，现对其一阶差分序列进行ADF检验和差分处理。
　　从一阶差分序列的时序图，可以清清楚楚地看出一阶差分后的序列是平稳的，可以采用ARMA（p，q）模型进行分析。
　　4、模型预测
　　对模型进行动态预测与静态预测：
　　从图中可以看到，静态预测方法得到的预测值波动性要大;同时，方差比例的下降也表明较好的模拟了实际序列的波动，Theil不相等系数为0.474，其中协方差比例为0.7699，表明模型的预测结果较理想。
　　5、模型拟合结果
　　通过模型的拟合以及根据模型进行预测，因此，可以看出近几年我国铁路运货量可能会出现下降的趋势。
　　四、总结与建议
　　未来几年我国铁路运货量可能会出现下降的趋势，对我国铁路货运量的快速发展提出以下建议：精细化;铁路货运改革是一个面对市场化的复杂过程，铁路作为一个承担部分公益性运输的企业，需針对市场需求及货流构成进行完善的调研分析，合理制定运输策略、完善铁路运输部门与物流及社会的信息共享半台，使我国的铁路货运网络能够最大程度的发挥其便捷、载运量大的优势，为我国经济社会的进步发展添砖加瓦。
　　参考文献：
　　[1]王燕.应用时间序列分析[M].北京：中国人民大学出版社，2002.9.
　　[2]窦隋权.铁路货运市场现状及发展策略分析.铁道货运，2007（5）：14-17.
转载注明来源:https://www.xzbu.com/2/view-15070757.htm