摘  要： 以煤炭为例，依托国内物流平台和关联产业数据，对公路大宗货类运量推算方法开展研究。通过提取代表大宗规律性运输需求和零散非规律性运输需求波动序列，建立回归模型，实现了对基于物流平台推算的公路煤炭运量初始序列的修正。从结果看，模型能够比较合理地反映公路煤炭货运量变化的影响因素和波动规律，可为后续完善公路分货类运量测算方法提供借鉴。

关键词： 货运量  煤炭运量  物流平台

一、前言

货运量是反映宏观经济运行情况的重要实物量指标，公路货运量作为各种运输方式中占比最大的部分，目前的日常统计主要局限在总量数据层面，而能够更加全面反映货运需求结构性变化的公路货运量分货类统计基本处于空白状态。同时，在铁路、公路、水路三种货运量主要承载方式中，公路也是唯一一种无法实现分货类月度统计的行业，造成全社会货运量和公路货运量与宏观经济发展关联性研究难以开展，极大地制约了货运量指标在宏观经济决策过程中支撑作用的发挥。近年来随着“互联网+交通”加速融合，具备货物供需匹配撮合、线上交易结算功能的第三方物流平台快速发展，业务量规模持续提高，分货类运输量数据规模已具备了一定的行业代表性，为开展公路货运分货类货运量推算提供了可能。

二、研究现状

公路货运量统计工作的组织方式依各国国情不同存在各自特点。美国的货物运输统计体系是每五年开展一次商品流动调查（CFS）获得貨物运输基础数据，再结合货运分析框架进行推算补充，以及非调查年度的运输量数据及分结构数据。其中商品流动调查是通过对相关行业企业进行分层抽样，以周为单位、调查年度每季度填报一次，通过纸质或电子问卷进行货类、运量、起止点等信息采集，实现对主要产业货运需求的统计。日本的公路运输货物流量调查包含在其完整的一套“汽车运输统计调查”中，调查的对象以在国内进行运输活动的汽车为对象，调查方法采用抽样调查方法，按照都道府县和市町村为单位进行分层随机抽样，通过邮递或在线进行问卷发放和回收，包括了粮食、蔬菜水果、畜产品、煤等超40种货物大类。英国分货类调查则是采用三层的分层抽样调查，即通过车辆行政区划、车辆类型和区域人口比例三个层次进行抽样，通过纸质问卷进行统计汇总分析。货类划分主要包括农产品、煤、金属制品、邮件包裹等20余种货物大类。

国内公路货运量统计主要由交通运输部具体负责，主要经历了三个阶段。改革开放以前，运输生产活动过程均通过“运单”进行调度调控，在这一阶段运输量统计是通过对运单记录的全面调查进行采集的。第二阶段是从改革开放后至2008年，因原有交通运输系统逐级上报的系统内企业运输量代表性逐步下降，1992年由交通运输部和国家统计局联合发布通知规定公路货运量覆盖范围扩展至所有营业性市场主体，由此公路货运量从全面调查正式转为抽样调查。第三阶段是2009年至今，在2008年正式开展全国范围内运输量专项调查后，公路货运量统计逐步转变为定期全面调查和非调查期波动系数推算的模式，即每5年开展一次全面调查，非调查月则通过车辆跟踪调查等方法确定月度波动系数进行全行业公路货运量推算。

此外，国内关于公路货运量统计方法的研究也在持续深化。曹锦文、吴群琪对比了国内外公路运输统计机构设置、指标构成和技术手段之间的差异，认为我国公路货运统计在指标的全面性以及数据来源的广泛性等方面仍有待提升，而这一情况不光在我国，在日本等发达国家公路运输统计中也普遍存在。Kawasaki通过分析日本公路交通统计现状，认为虽然目前公路统计发展已较为成熟，但在公路运输量向宏观经济研究延伸以及新的大数据资源应用等方面仍具有很大的提升空间。王璐等通过灰熵分析方法研究了宏观经济主要指标对公路货运量变化的影响显著性，在此基础上构建了GM（1，N）模型实现了对各主要因素的预测。梁仁鸿和仵思燃通过灰色关联分析模型对公路货运量和主要货类产量间的关联关系开展了研究，在此基础上通过普通最小二乘法（OLS）提出了公路货运量推算的改进思路。刘拥华等通过出口车流量、通行费收入、车货总质量、超限率等信息和空车质量抽样调查数据对基于高速公路通行数据进行高速公路货运量测算进行了研究。

三、方法思路

（一）研究思路

近年来，公路货运线上发布业务量已占到公路货运量的30%左右，其数据变化已经具备了一定的行业代表性，因此通过主要物流平台重点货类变化趋势来测算全行业公路货运量变化，已经成为一种较为合理的备选方案。但物流平台数据也存在一些难以克服的短板。一是物流平台与公路货运市场货类构成存在差异，即物流平台分货类运量信息可以视作一个“有偏差”的随机抽样数据。二是物流平台的货运量、货类结构占比会不同程度受到平台企业市场定向开拓影响，造成平台货运量总体规模变化与公路货运量变化趋势出现偏离，以及部分货类占比短期内出现跃升，无法准确反映公路货运市场真实发展态势。

以煤炭这一货类作为代表研究物流平台数据推算可行性，主要出于以下三方面考虑：一是大宗物资运输是影响货运量变化的主要因素，煤炭作为其中占比较大的货类更容易受到宏观经济发展影响而出现规律性波动，对于研究经济运行情况具有更大的意义。二是相对于消费品、设备器材等货类，煤炭分类标准相对明确，各平台数据划分范围较为一致、数据可比性强、可靠性高，同时在调查期内货运平台煤炭货运量规模相对稳定、未出现阶梯型跳跃。三是当前煤炭产量、进口量以及铁路、水路煤炭运输量统计相对成熟，同时煤炭运输量长期以来也形成了相对稳定的规模，在公路货运量和物流平台货运量的占比也相对稳定，可对比参考的指标更加充足，有利于形成更加可靠的推算方案，进而供其他货类推算参考。

在开展公路煤炭货运量推算研究过程中，假设公路煤炭货运量由两部分构成，一部分是长期协议等规律性运输需求，另一部分是短期临时性零散运输需求，其中长期规律性运输量与原煤生产、煤炭进口以及铁路、港口煤炭运输等可能具有长期的匹配性，而物流平台煤炭运输量非规律的波动变化，则更多地反映出短期零散运输需求的变化规律。

此外，由于公路煤炭货运量真实数据难以直接观测，仅有5年一次的货运量专项调查数据可供参考，而物流平台煤炭货运量占比容易受到其他货类结构性跳跃影响，存在部分偏差。因此在本次研究中，采用了“两步走”近似修正的思路，力争获取公路煤炭货运量推算的次优结果，即首先通过物流平台煤炭货运量占比变化情况作为波动系数，结合2019年9月货运量专项调查月煤炭占比情况，对其余月份公路货运量煤炭占比进行推算，得到公路煤炭货运量月度数据初始序列;第二步通过测算公路煤炭货运量月度数据初始序列中可以被规律性运输需求和非规律性运输需求解释的部分，通过引入其他相关外部校核指标、降低其对货运平台数据波动的依赖性，在一定程度上修正公路煤炭货运量预期值，降低物流平台煤炭货运量占比可能存在的系统偏差。

（二）模型介绍

1公路煤炭货运量初始占比的确定。推算公路煤炭货运量初始占比，一个相对合理可行的方案是通过物流平台煤炭货运量占比变化作为公路煤炭货运量占比变化的趋势判断依据，而公路煤炭货运量占比的基准值就是2019年9月专项调查分货类占比数据，计算方法见式（1）。

rt=r201909×rtr201909式（1）

其中r201909表示基期（2019年9月）公路煤炭货运量占比，r表示物流平台煤炭货运量占比情况。通过公路煤炭货运量占比初始序列和公路货运量月度数据可以对公路煤炭运输量序列进行测算。

2公路煤炭非规律性运输需求变化趋势的测算。公路煤炭非规律性运输需求主要以零散运输需求变化为主，由于国内煤炭运输通常要经由铁路、公路、水路中的一种或多种运输方式共同完成，公路煤炭运输主要与原煤产量、煤炭进口量、铁路煤炭发送量以及港口煤炭吞吐量等指标密切相关，因此公路煤炭长期规律性运输需求与上述指标存在直接或间接的关联关系。非规律性零散、偶发运输需求则不直接或间接衍生自煤炭干线运输，通常与上述指标关联较弱，因此通过测算物流平台煤炭非规律性货运量规模变化，即测算物流平台煤炭运量不依赖上述关联指标波动的残差序列，将可以有效反映公路煤炭非规律性运量的变化趋势。为了确保序列平稳性，首先对各指标进行差分，得到的模型如式（2）：

dxt=α1×dProt+α2×dRailt+α3×dPortt+c+ut

ut～N（0，σ2）式（2）

其中，xt表示第t期物流平台煤炭运量，Prot表示原煤运输规模，由原煤产量和煤炭进口量组成，Railt表示全国铁路煤炭发送量，Portt表示全国港口煤炭一次下水量，用以代表水路煤炭运输规模变化，c为常数项，ut为物流平台煤炭货运量残差、即非规律性运输需求变化量。

3公路煤炭规律性运输需求测算及初始运量修正。这一过程主要是通过规律性运输需求变化和非规律性运输需求变化序列构建一套相对稳定的对应关系，实现对公路煤炭运量变化量的量化测算，同时降低物流平台货类数据波动性对公路分货类运输量数据的影响。其中，规律性运输需求主要表现为与原煤产量、煤炭进口量、铁路煤炭发送量以及港口煤炭吞吐量等指标存在关联关系的运输量变化，非规律性运输需求趋势变化由物流平台随机波动序列表征。根据这一思路可以构建的公路煤炭货运量推算模型如式（3）：

dxt=β1×dProt+β2×dRailt+β3×dPortt+β4×ut+c+εt

εt～N（0，τ2）式（3）

其中，xt表示第t期公路煤炭运量，εt为公路煤炭货运量残差序列。

四、实证分析

（一）数据基本情况

由于物流平台是近几年新出现的业态模式，综合包括满帮集团在内的国内10家代表性物流平台企业数据情况分析，本文选取2019年1月至2020年6月数据开展分析。一方面2019年以来物流平台订单量、货运量、用户数等指标逐步从以往爆发式跳跃发展进入平稳发展阶段，数据结构相对稳定、数据规范性也逐步提高;另一方面也是在确保数据可靠性和可用性基础上，兼顾时间序列长度。数据来源方面，公路货运量月度数据、港口煤炭吞吐量、2019年9月专项调查月公路煤炭货运量和部分典型物流平台发布的煤炭运量数据来自交通运输部，铁路煤炭发送量来自铁路统计月报，煤炭进口量来自海关总署。

从物流平台煤炭货运量、煤炭总运输需求规模、铁路和代表水路煤炭运输的港口下水量数据相关性来看，物流平台煤炭货运量变化与煤炭总需求变化相关性较高，而铁路和港口煤炭运输相关性较高，这与当前我国煤炭运输格局吻合。目前我国煤炭除坑口发电消耗外，大部分煤炭还是需要依赖铁路、公路、水路等货物运输方式，而即便通过铁路、水路进行煤炭运输，大多也需要公路运输的衔接、短驳，因此煤炭运输大部分都需要公路不同程度的参与，因此物流平台煤炭货运量与煤炭总运输需求量走势较为接近;铁路煤炭运输主要以“三西”地区煤炭的西煤东运为主，铁路煤炭运输量与北方港口下水量关联更为密切，因此以北方港口煤炭下水量为主的港口煤炭一次下水量与铁路煤炭发送量具有较高的一致性。公路煤炭运输与铁路、水路煤炭运输之间既存在相互依存也存在相互替代，因此呈现出相对较低的相关性（见表1）。

在进行模型参数估计前，首先对上述指标以及公路煤炭货运量初始序列进行平稳性检验（见表2），在95%的置信水平下，ADF检验显示各指标一阶差分后的数据均拒绝具有单位根的原假设，即具有显著的平稳性。

（二）模型参数估计结果

在此基础上，通过Eviews软件对物流平台煤炭货运量與煤

炭总运输需求规模以及铁路、港口煤炭运输生产情况建立参数估计模型，用以提取代表非规律性、零散煤炭运输需求波动变化序列。从模型初步估计结果看，港口煤炭一次下水量差分序列参数t统计量无法显著拒绝零假设，一方面，由于港口煤炭运输与铁路煤炭运输相似度较高、造成二者解释能力存在重叠;另一方面，港口煤炭既包含了铁路煤炭运输对公路的负向分流部分，也包含了内外贸煤炭增长带来的公路运输需求正向拉动部分，两种作用相互叠加，造成了港口煤炭运输生产变化与公路煤炭运输需求变化的稳定性稍弱，因此在后续模型估计过程中将其剔除并获得回归残差序列，最终得到的模型估计结果如表3所示：

类似地，对公路初始煤炭货运量差分序列进行模型参数估计，港口煤炭生产指标同样存在参数不显著的情况，在对包括煤炭总运输需求规模、铁路煤炭发送量在内的规律性变化和代表非规律性变化的物流平臺煤炭运量残差序列进行OLS估计，得到的结果如表4所示：

从模型估计结果看，煤炭运输需求规模每增加1吨，可以带动公路煤炭货运量约22吨，这与公路在煤炭运输中承担两端“最后一公里”、部分干线运输以及铁水中转作用一致;铁路煤炭运量每增长1吨，将对公路煤炭运量造成几乎等量的分流;物流平台非规律性、零散煤炭运量对公路货运市场煤炭零散运输需求的放大比例在41倍左右。此外，常数项为负值表明随着特高压发电等技术逐步成熟、坑口发电量将逐步提高，加之公路运输环保整治力度加大，在煤炭运输总体需求不变的情况下，公路煤炭货运量将总体呈现缓慢下降的态势。

通过公路煤炭货运量差分拟合序列和2019年9月专项调查公路煤炭货运量，可以计算得出各月公路煤炭货运量的推算值。从占比情况看，2019年1月以来，公路煤炭货运量占公路货运量比重在10%左右，且春节期间受工厂停工、生活消费品运输需求增加等因素影响，占比明显下降。此后，随着生产活动恢复，占比逐步提高，并在三季度达到全年的峰值水平。进入四季度随着冬季到来、生产活动逐步趋缓，煤炭占比呈现下降态势。2020年受疫情影响，生活生产秩序均受到了明显影响，但随着疫情防控和复工复产取得明显成果，煤炭货运量占比已出现小幅回升，但尚未达到2019年同期水平。图1对推算出的公路煤炭货运量占比与物流平台煤炭占比情况进行了比较，从结果看，公路煤炭货运量占比总体要高于物流平台占比，这与煤炭运输以大宗、长期合同运输特点一致，物流平台以小规模、分散运输需求撮合为主，因此大宗货类占比普遍偏低。通过本文提出的基于规律性和非规律性运输需求测算得到的公路煤炭货运量占比与物流平台大数据监测情况仍能保持总体一致。本文提出的方法对后续进一步开展公路货运量分货类数据测算具有一定的参考意义。

五、结论

本文利用物流平台货类占比对大宗货类运输量的初始占比进行测算，并得出对应货类的初始月度运输量。在此基础上，对初始序列按照大宗、规律性运输量和零散、非规律性运输量进行拆分并构建回归模型，修正初始运输量序列。其中规律性运输量变化趋势主要依靠相应产品产量、铁路水路对应货类运输量等行业关联指标进行表征，非规律性运输量波动特点则主要依靠物流平台的非规律性波动来表征。从模型结果来看，推算出的公路煤炭货运量占比变化与经济发展特征以及物流平台监测数据变化规律较为一致，具有一定的合理性。参数估计结果表明煤炭运输需求规模和物流平台非规律性煤炭运输需求变化都会对公路煤炭运量形成正向传导，放大比例分别为22倍（2K2]和41倍，而铁路煤炭货运量会对公路形成几乎等量的分流。

参考文献：

＼[1＼][ZK（#]曹锦文，吴群琪完善我国公路运输统计制度体系的国际借鉴＼[J＼]统计与决策，2011（06）

＼[2＼]Kawasaki ShigeruThe Challenges of Transportation/traffic Statistics in Japan and Directions for the Future＼[J＼]International Association of Traffic and Safety Sciences Research，2015（39）

＼[3＼]王璐，吴群琪，熊锐公路货物运输发展影响因素分析及预测＼[J＼]统计与决策，2015（20）

＼[4＼]梁仁鸿，仵思燃公路货物运输量统计新试行方案问题及完善思路研究＼[J＼]公路交通科技，2018（07）

＼[5＼]刘拥华，孙静怡，何民，贾利民，庄文君高速公路货物运输量统计方法＼[J＼]公路交通科技，2012（29）[ZK）]

（梁鸿旭，交通运输部科学研究院）