第四节　铁路客运量预测

预测是一种预计和推测，即人们利用已经掌握的信息资料和手段，预先推测和判断未来或未知状况的结果。预测过程是在调查研究和科学实验基础上的科学分析。铁路客运量预测就是指利用历史数据和旅客运输市场分析资料，建立适当的预测模型，使用科学的预测方法来推测未来一段时期内，某条铁路线、某一OD流、某铁路局或是整个铁路系统的客运量数据。

前面介绍的旅客运输需求、旅客运输市场调查的方法等内容，可以用来分析客运市场情况，更主要的是用于预测未来的市场发展趋势。铁路客运量预测是客流计划和铁路旅客运输计划的基础，也是铁路新线建设、旧线和技术改造的重要依据。

预测一般分为近期预测、中期预测和远期预测。对于铁路客运量来说，5年以内的预测称为近期预测，5年至10年的预测可视为中期预测，10年以上称为长期预测。

一、铁路客运量预测常用方法

铁路客运量预测方法众多，常用的方法有运输市场调查法、乘车系数法、回归分析法和时间序列法等。随着高速铁路的发展，我国铁路运输能力彻底缓解，针对高速铁路产品设计和开行方案设计的各类OD客运量预测方法的研究和应用也迅速发展。不管何种方法，都可以归纳为定性和定量两类方法。

1.定性预测方法

定性的方法主要是通过社会调查，结合人们的经验加以综合分析比较做出量的直接判断和预测。其优点是简便易行，没有复杂高深的计算，易于普及采用。但它往往易受预测人员经验和认识上的局限，并常有一定的主观片面性。它是目前市场预测中运用最广泛的一类方法，也可用于历史资料不完备情况下的客运量预测。

定性预测法主要包括运输市场调查法、德尔菲法等。

（1）运输市场调查法

运输市场调查法也称为直接归纳法。通过一定时期的资料积累和周到细致的调查工作，可以掌握吸引区内运量变化的大体趋势，运输市场调查法能够得出比较符合实际的预测结果。其操作方法简便、灵活。

如果吸引区范围较大，经济调查的工作量将过于繁重，遗漏和调查数据偏差的情况也难以避免。当市场因素在经济活动中所占比重越来越大的时候，无论客货运都会受很多不确定因素的影响，运输市场调查法的局限性也就比较明显。然而该方法不失为一种相当有效的预测方法，与其他适用的方法相结合，仍然发挥着重要的作用。

（2）德尔菲法

德尔菲法又称专家预测法，是以专家为索取信息对象，采用匿名的方式，通过几轮征询，征求专家的意见和看法，然后进行综合整理和归纳，再反馈给专家，供他们分析判断、提出新的意见和看法。这样通过多次反复，使意见逐步趋于一致。德尔菲法的应用范围十分广泛。

德尔菲法的具体操作过程如下：

①选择专家：预测成败的关键，最好由各方面专家参加，人数一般在10～50人。

②拟定、设计各种调查表：要求简明、清晰。

③预测过程：一般需要3～4轮的反复。

第一轮：提出预测的问题，由专家们提供预测的项目，经过综合整理，编制出预测项目调查表，作为第二轮调查表发给专家。

第二、三轮：请专家对调查表所列出的项目做出评价，并阐明理由；第三轮也可就第二轮中有分歧的意见和问题，进一步征求专家们的意见，然后由评委对专家意见进行统计分析。

第四轮：意见已比较集中，最后整理成为预测结果，写出预测报告书。

德尔菲法操作过程如图3-2-7所示。

从德尔菲法的操作过程中，可以总结出其具有以下优点：

①预测的匿名性，避免权威影响而随大流，能真正表达每一个专家的意见。

②预测的反复性，能够有控地反复多次征询意见。

③预测的收敛性，使意见逐渐趋于一致，能做出统计评估，使定性分析同定量分析结合起来。

2.定量预测方法

定量预测方法是依据必要的统计资料，借用一定的数学模型，对预测对象的未来状态和性质进行测量等方法的总称。可从影响因素入手进行预测，通过分析最主要的影响因素，将其用量化指标反映出来进行预测，主要包括乘车系数法、产值系数法、弹性系数法、回归分析法、系统动力学模型、人工神经网络技术等；也可从时间序列的角度预测，根据历史数据描述数据的变动趋势，并对未来数据进行预测，包括移动平均法、指数平滑法、灰色系统GM（1，1）预测法等；还有一种新趋势，就是将传统的城市客流预测中的四阶段法引入到铁路客运量预测中来。长期以来，我国铁路既有线客运量预测的定量方法有乘车系数法、回归分析法、指数平滑法等。

（1）乘车系数法

乘车系数法是以总人口和平均乘车率预测旅客发送量的方法。平均乘车率是指旅客乘车总次数与吸引范围内总人口的比值，也即人平均年乘车总次数。这种方法是铁路客运量预测中常用的方法。使用这种方法的关键是运用历史资料做参考，并考虑发展趋势，有时需借鉴发达地区的一些历史指标。其计算公式为：

Qt=Mt×β　　（3-2-1）

式中　　Qt——预测期总运量；

Mt——预测期的总人口；

β——乘车系数。

乘车系数可以根据历史资料和今后可能发生的变化确定。

（2）产值系数法

产值系数法是根据预测期国民经济的总量指标（如工农业总产值、社会总产值、国民生产总值或国民收入等）和每单位产值所引起的客运量去预测总客运量的方法，其计算公式为：

Qt=Mt×β　　（3-2-2）

式中　　Qt——预测期总运量；

Mt——预测期产值指标，万元；

β——产值系数，人/万元。

产值系数法可以用来预测全国的总客运量，也可以预测地区的总客运量，但全国与地区、地区与地区之间，不同总量指标之间以及不同运输方式之间，不同时间之间的产值系数可能存在很大的差别。因此，该方法的关键是要在长期的变化中把握住具体产值系数及其变动趋势。

（3）弹性系数法

弹性系数法是在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化做出预测的一种间接预测方法。在预测应用中，弹性系数法模型常与国内生产总值（GDP）密切相关。弹性系数法认为社会运输需求量与国民经济之间存在弹性变化，通过国民经济的增长率来预测需求量的增长率，进而预测未来运输需求量的情况。其数学模型为：

式中　　 ——未来年第l期的预测值；

Yt——预测对象在当前统计期值；

x′、x——预测对象在过去和未来时间的平均增长率；

l——预测期的时间长度；

q′、q——类比变时在过去、未来的平均增长率。

弹性系数法计算方便，需要的数据少，应用广泛灵活。

（4）回归分析法

回归分析法是根据一个或几个自变量的变化，来预测另一个因变量变动的方向和程度。在预测铁路客运量时，影响它的因素有GDP、人均收入等。回归分析法可以分为一元回归和多元回归分析方法。当所考虑的因素只有一个时，就称为一元回归，否则就称为多元回归。

在通常情况下，一元回归预测比较简单，适用较多，但预测精度受到限制，主要用于中、短期预测。其模型的标准形式为：

Y=a+bx　　（3-2-5）

式中　　Y——预测值，即预测对象所代表的变量；

x——影响因素，即相关变量；

a、b——回归系数。

回归系数a、b计算公式为

式中　　xi，yi——原始观察值；

n——原始数据项数。

上述模型建立后，必须对模型进行检验。只有经检验合格的模型，方可用于实际预测。这种检验通常经过计算相关系数r来进行。r值越大，说明x与y线性相关程度越高。

（5）系统动力学模型

对于铁路运输这一因素众多、关系复杂的大系统来说，用数量方法对其进行定量研究困难很多，大多数定量分析方法难以处理高层次非线性系统，也难以本质地、完整地揭示系统结构与功能的内在关系。系统动力学提供了综合考虑各种因素，并对复杂系统进行分析研究的方法。它以系统论及信息反馈理论为基础，通过观察控制系统动态的功能信息，获得描述系统结构的一般方法，并用因果网络分析和计算机仿真技术，研究系统的控制和决策问题。对于系统建模，系统动力学通过对系统的数据观测和系统构造信息的流程化，给出系统模型、系统行为的因果分析及数据流仿真，达到定量描述系统的信息构造及各种影响因素，从而建立起研究一般复杂系统的动态模型。

运用系统动力学方法对客运量进行预测时，先建立客运量发展趋势模型，从国家发展的总体上分析和把握铁路运输系统的结构和关系，按系统发展过程中各种要素的纵向结构层次和横向相互作用，定量地确定系统的发展机制，描述其发展趋势，并就其行为进行系统模拟，以达到运量预测的目的。运量发展趋势模型的功能主要有三大类：

①运量预测，包括运量的产生、满足需求条件、各个变量之间的影响制约关系等。

②政策分析，即通过改变政策变量、参数和外在条件，模拟系统发生的变化，从而进行政策分析。

③结构分析，即通过改变系统的结构（系统的反馈机制），改变某些变量之间的相互制约关系，模拟系统内部结构性的变化及其产生的外部行为。

模型的模拟结果分析由两部分组成。第一部分是基本运行结果及分析；第二部分是政策模拟结果及分析。把不同预测年度的情况作为发展过程中的不同断面来看。

系统动力学模型的不足之处是其参数标定的随意性较大，另外此法只是用死结构模拟活社会，而运输与经济、文化环境的关系是置身于长期、动态和发展之中的，因此易于产生误差。

（6）人工神经网络技术

人工神经网络技术是利用输入数据和输出数据进行基于影响因素建模的方法。它是在研究生物神经系统的启示下发展起来的一种信息处理方法。人工神经网络是由大量的同时也是很简单的处理单元（神经元）广泛地互相连接而形成的复杂网络系统，反映了人脑功能的许多基本特性。神经网络以工程技术手段模拟人脑神经网络的结构与功能特征，利用大量的非线性并行处理器来模拟众多的人脑神经元，用处理器间错综灵活的连接关系来模拟人脑神经元之间的突触行为。因此，人工神经网络是一种大规模的复杂的非线性动力系统，可以表示极其复杂的非线性模型系统。神经网络还是一种并行的计算模型，除了拥有很好的非线性映射能力和很强的自学习、自适应能力及高度的灵活性外，还具有高速运算的能力。数学证明，神经网络可以逼近所有函数，不论这些函数具有怎样的形式。用神经网络建模是通过数据本身的内在联系而建模的，建模过程就是学习过程，因此这是一种归纳思维的方法。神经网络可应用于时序预测、回归分析预测和综合预测。

人工神经网络的应用范围很广，不同的应用要求不同类型的算法，但不论是何种人工神经网络算法，其主要构成部分是一样的。

①基本单元——神经元，也称节点。每个构造网络的神经元模型模拟一个生物神经元，如图3-2-8所示。该神经元单元由多个输入Xi（i=1，2，…，n）和一个输出yi组成。中间状态由输入信号的权和表示。

图中，θ为神经元单元的偏置（阈值），ωji为连接权系数（对于激发状态，ωji取正值，对于抑制状态，ωji取负值），n为输入信号数目，yi为神经元输出，f（）为输出传递函数，有时也称激发或激励函数。一般地说，各神经元的形式可以完全相同，也可以不同。

②短期记忆——节点状态的取值及更新规则。神经元状态的取值一般可以分为两种，即连续取值和离散取值。输出的更新规则也可以分为两类，一类是确定性的函数映射，另一类是状态的随机函数，随机函数以某种概率依赖于状态。

③互联模式。神经网络中由许多神经元互连而形成的互联模式反映了神经网络的结构，它决定着网络的能力。神经网络按拓扑结构可分为分层网络模型和相互联结型网络模型。

④连接权的调整——学习。在网络结构确定后，网络是通过调整网络连接权的强度来实现目标的。连接权的修正过程也称为学习过程。

神经网络按照结构可以分为前向神经网络和反馈神经网络，其中前向神经网络包括感知机和多层前向神经网络。目前应用最广泛的误差反向传播神经网络（BP）就是一种多层前向神经网络。下面简单介绍BP神经网络模型的建立方法。一般地说，建立基于BP神经网络的模型包括以下几个步骤：

①设计网络结构

它包括决定网络的输入层、输出层及隐层的数量，输入和输出的节点数由实际问题决定。据研究，一般采用一层隐层即三层网络已经足够了，因为一个由三层神经元构成的前馈网络可以形成任意复杂的判决区域，即使模式空间的分布出现内齿合状情况，网络也能对模式集进行正确分类。至于隐层节点数的选取尚无理论上的指导，一般根据具体问题凭经验和试验来决定。通常可先从较少的隐层节点数试起，训练网络，并选择合适的准则来评价网络的性能，然后逐渐增加隐层节点数，再重复训练和检验。

②设计网络拓扑

对于多层前向神经网络而言，标准的连接方式就是每一层的每个节点直接与下一层的每个节点相连，当然也可以采用部分连接方式，即节点的输出只与下一层的某几个节点相连。除了标准连接外，相隔的层也可以跳跃连接，如从输入层的节点到输出层的节点直接相连。BP三层的神经网络拓扑结构如图3-2-9所示。

③准备输入数据

将样本数据分为两部分：一部分用来构成训练网络的训练样本，另一部分用来检验网络的性能，做检验样本。不论是哪种样本都必须用同样的比例进行转换，即分别对不同的样本进行正则归一化，以便不同度量衡的输入值之间关系的比较。

④学习训练网络

神经网络的学习算法可分为三类：有监督的学习方法、无监督的学习方法和强化学习方法。有监督的学习方法要求同时给出输入和正确的输出。网络根据当前与所要求目标输出的差来进行网络调整，使网络做出正确的反映。这类算法中最著名的就是带隐含层的网络误差反向传播BP算法。该方法的学习过程由正向传播和反向传播两阶段组成。第一阶段在正向传播开始时，所有连接权系数随机地置以较小初值，取-0.1～+0.1之间的随机数，选取样本集中的某一样本的输入（模式p）作输入层，转向处理隐含层单元，并在输出层得到该模式对应的输出值。每一神经元的状态只影响下一层神经元的状态。此时输出值与期望值Yi一般存在较大误差，误差E用平方型目标函数表示，其中为输出节点i的实际输出，Yi为期望输出。若输出层不能得到期望的输出，则需要通过误差乱反向传播，调整模式p的各层神经元权值和阈值的变化量，此过程反复进行直至完成对模式集中的所有模式的计算。

多层前向神经网络的权值修改类型可以分为两种，一种是串行方式，另一种是并行方式。串行方式每次迭代按预定方式或随机方式只修改一个权值，而预定方式可以依据多种准则，比较实用的是按误差绝对值最大准则修改权位。并行方式是每次迭代按预定方式或随机方式同时修改几个权值，产生这一轮训练的权值和阈值Δωji。修正网络中各神经元的权值和阈值后，网络重新按照前向传递方式得到输出，实际输出值与期望值比较，根据误差又产生新的一轮的权值和阈值的修正。正向传递过程和反向传递过程循环往复，直至最终的ω所确定的网络能在最小二乘意义上逼近所对应的映射关系f。

在对网络进行训练时，一般是将网络在全部训练样本上的输出误差的平方值作为修改权重的依据，即：

式中　　 ——第i个输出节点对样本k的输出；

Yik——第i个输出节点对样本k的期望输出；

有时每输入一个样本就计算相应的输出误差，然后修改一次权重，直到系统平均误差E收敛。此时便得到了对应样本模式集的网络系数，完成了学习过程。

⑤评价网络性能

完成对网络的训练后，将连接权值固定，这时的网络就是一个分析预测模型，可以用检验样本对该模型的性能进行检验和评价。

BP神经网络综合预测模型（回归预测模型和时间序列预测模型相结合）已在铁路总公司的统计中心等部门使用，客货运量预测值较接近实际。BP神经网络算法流程如图3-2-10所示。

实际应用表明，成熟的BP神经网络模型与传统模型相比，能更全面考虑各种因素对交通运输的影响，并具有良好的收敛性，能够保证满意的映射精度，是目前预测客运量较为理想的模型。

（7）移动平均法

移动平均法是取预测对象最近一组实际值的平均值作为预测值的方法。所谓“平均”，指计算算术平均数，“移动”是指参与平均的实际值随预测期的推进而不断更新，且每次参与平均的实际值个数相同。移动平均的实质是使原始数列中异常大或异常小的历史数据被修匀，尽可能消除数列图形上的大峰大谷。一次移动平均值的计算公式为：

式中　　 ——第t期的一次移动平均值，该值可作为下一期的预测值；

Xt-i+1——第t-i+1期的实际值；

t——时序数；

n——移动平均值的跨越期数。

为取得更好的效果，对一次平均预测值计算移动平均数，称为二次移动平均法。二次移动平均值的计算公式为：

式中　　 ——第t期的二次移动平均值。

二次移动平均值与一次移动平均值一样，都存在滞后现象，一般通过建立二次移动平均预测模型进行预测。其模型如下：

式中　　 ——第t+l期的预测值；

t——本期；

l——本期到预测期的间隔数。

（8）指数平滑法

指数平滑法的原理就是通过对历史观察值进行加权处理，平滑掉部分随机信息，并根据观察值的表现趋势，建立一定模型，据此对预测对象做出预测。指数平滑法包括一次指数平滑、二次指数平滑和三次指数平滑。其中，一次指数平滑计算公式为：

式中　　 期的预测运输量；

Yt——t期的实际运输量；

α——平滑系数（0≤α≤1）；

——t期的预测运输量。

平滑系数越小，说明近期数据对预测值影响越小，预测得到的结果会比较平稳；反之，则近期数据对预测值的影响大，远期数据对预测值的影响小。

α取值问题的确定有两种方法：一是由经验确定，若统计资料实际值的长期趋势为接近稳定的常数，应取居中的值（一般取0.4～0.6）；若统计资料实际值呈明显的季节性波动（即波动大），则应取较大的值（一般取0.6～0.9），使近期的实际值在指数平滑之中有较大的作用，从而使近期的实际值能迅速反映在未来的预测值中；若统计资料实际值长期趋势变动较缓慢（即波动小），则应取较小的值（一般取0.1～0.4），使远期资料值的特征也能反映在指数平滑中。二是实验法，选择几个不同的值进行试算，取其平均误差小者进行预测。

（9）灰色预测法

灰色预测法是一种对既含有已知信息又含有不确定信息的系统进行预测的方法，即对在一定范围内变化的、与时间有关的灰色过程进行预测。灰色预测通过鉴别系统因素之间发展趋势的相异程度，进行关联分析，并对原始数据进行生产处理来寻找系统变动的规律，生产有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。

（10）四阶段法

该方法是将传统的城市客流预测中的四阶段法引入铁路客运量预测中，以完善铁路的客运量预测体系，使得从宏观客运总量预测到局部微观预测都得以在一个模型框架中有效实现。但是由于该方法源于城市道路交通系统，其适用条件及范围较为贴切于城市交通，因此在区域交通预测中还存在诸多关键性技术问题亟须解决，如重力模型中的阻抗因子选定与标定，交通区域的划分与界定、铁路网分配技术的完善与改进等。

四阶段预测，其主要过程包括：①运量生成，分析各地的旅客发送总量；②运量分布，分析客流在空间上的分布及起终点；③方式划分，主要分析旅客在空间运输时的方式选择；④运量分配，主要分析客流在不同路网上的径路走向。该方法在应用时，根据实际情况的不同有以下几类流程，如图3-2-11所示。

①运量生成预测

基本思路是：首先由路网规划的社会经济发展预测模型等完成运量生成预测的基础工作，即确定路网中主要运量发生和吸引的OD节点；分析和预测社会经济发展水平对运量生成影响的主要因素。在此基础上，分析区域社会经济活动与区域交通运输之间的关系，采用统计分析等手段建立运量预测模型，并通过实际分析和检验，判断预测模型的可信度。一般，采用土地利用模型来预测节点运量生成。

②运量分布预测

基本思路：在运输需求（即发生和吸引运量）的基础上，将某一节点的发生和吸引的运输总量，分别依据一定的条件和规划，分配给其他各个节点，并构成一个分布矩阵（Tij），见表3-2-8。

常用的运量分布预测方法可分为两类，即增长系数法和综合模型法。

增长系数法以平均增长系数法、Frator法和Furness法等为主。其基本上依赖于路网基年各节点间运量分布情况（即基年OD矩阵），并按基年运量的分布比例将预测年（或规划年）的出行发生量和吸引量分布到路网中。这种方法适用于中短期发展规划中的宏观运量、交通量的分布预测。

重力模型是综合模型法中的一种。其效仿牛顿万有引力定律的原理，认为区域间的运量与区域各自的交通发生量和吸引量在广义上成正比关系，而与各区域间的交通阻抗（交通距离、时间、费用等）广义上成反比关系。

③运输方式选择预测

运输方式选择或方式分担预测的实质是出行者或货主选择运输方式或选择运输服务的问题。由于对运输服务选择的不同假设和依据，从而形成了两类运输方式选择模型：

a.依据用户效用极大化原则，或广义出行费用最小的原则，假设效用或广义出行费用是一定概率分布的随机数，由此导出效用极大化运输方式选择模型，如Logit模型等。

b.假设出行者依据相应服务属性最佳值的综合效益作为选择运输方式的标准，由此导出了运输方式服务属性相对值的广义重力模型。

④运量分配预测

运量分配预测就是在交通网的各个节点对之间的总OD运量给定的条件下，确定该交通网中具体弧段上的交通流量的问题。运量分配方法很多，主要由平衡分配和非平衡分配方法。

以上介绍的几种预测方法均可用于铁路客运量的预测，有时候也需要几种方法的不同组合使用，使得预测结果更为准确。

二、高速铁路客运量预测特点

目前我国的铁路客运量由既有线与高速铁路共同承担。我国高速铁路建设基本分成两类：一类是与既有线并行的高速铁路，另一类是城际高速铁路。不同类型的线路，其面对的客运市场竞争环境和竞争条件特点各异，其预测方法选择及应考虑的因素均有一定差异。

1.与既有线并行的高速铁路

这一类型的高速铁路的特点是建在相对成熟的客运通道上，站在铁路层面其竞争对象是航空和公路，从铁路内部看，既有线与高速铁路既是分流竞争、又是合作的关系，如京沪高铁、京广高铁均属于这样类型的高速铁路。

与民航、公路相比，由于在速度、价格和服务上具有优势，高速铁路吸引了部分其他运输方式的客流，增大了铁路客运量，扩大了铁路市场份额。另外，这种高速铁路与其既有线分工协作，承担了大部分的中长距离、区域城际之间高密度、有高运输质量要求的高端客流，而既有线承担剩余客流。

因而，进行此类线路的客运量预测时，应该在考虑与其他运输方式竞争的情况下，充分考虑高速铁路与既有线的合理分流，构成最有竞争力的铁路客运产品体系。

2.城际高速铁路

这种高速铁路出现在都市圈内，如长三角地区的沪宁城际、沪杭城际和京津唐的京津城际等。

这一类型的高速铁路，主要承担短途的高密度客流，实现了公交化的运营模式。其主要竞争对象是公路运输。它的特点是促进所经过区域城市的可持续发展，并大幅激发了“同城化”的城间通勤客流。因此，在进行客流预测时，应该重点关注公路转移的客流以及区域内由于产业布局调整而诱发的城间通勤客流。

三、客运量预测案例

如前所述，在实际运用中对铁路客运量预测必须综合考虑到客运市场供需及市场环境等方面因素，选择适当的方法，科学处理客运需求、客运量以及基础数据和竞争条件之间的联系。其基本思路是遵循客运量预测的原理和方法，根据预测目标和问题特点区别分类，提高精度，降低风险，为编制客车开行方案和运行图提供科学依据。

下面以某条高速铁路全线开通运营前期，某铁路局管内客流量预测为例，介绍铁路旅客运输量预测的方法应用。该案例中采用如图3-2-12所示，客运量预测思路。

1.客流OD点归并

管内客流是指客流的始发和终到站均在铁路局管内的客流。经过对各站间客流分析，可以将该高铁线在本局管内客流OD点集见表3-2-9。

2.计算铁路历史客运需求量

长期以来，铁路能力是属于紧缺资源，铁路客运量只是实现了的客运需求。当运输能力释放后，运输需求会有跳跃性增长，所以在处理铁路历史客流时必须考虑到这一背景问题。本案例采用了引用“能力匹配因子”的方法处理。

能力匹配因子是指两站间各类客运产品所完成的客流量与其在站间的运能（席位）的比值。其值反映站间列车开行方案与实际承担客流的匹配合理程度，也可反映出站间客流对列车等级的偏好程度。

本案例中铁路客运能力匹配因子取各类产品的客座利用率，根据铁路局提供的各等级列车、各席别产品客座利用率资料及2009～2011年各OD站间铁路历史客运需求量都可计算出各OD的历史客运需求量。计算结果见表3-2-10。

3.预测社会客运需求量

社会需求量是全社会产生的客运需求总量，每种运输方式和客运产品按其市场竞争力赢得相应的份额，即各类客运产品的分担率，它与出行者各类自然属性有关。研究社会历史客运需求量，一般运用各运输方式或全国的历史统计数据完成。在得到全社会客运需求的基础上，本案例采用弹性系数法预测客运需求量。具体处理时，考虑到在未来运输能力不受限制的情况下，社会客运需求主要受到经济水平与消费水平影响，在此参考我国GDP增长规律确定其客运需求的平均增长率，即可得到铁路局该通道各OD间社会中客运需求量。根据客运需求预测模型最终得近期（2012～2015年）局管内各OD间社会客运需求量预测见表3-2-11。

4.铁路局管内铁路客运产品分担率计算

在获得未来年度社会客运需求的情况下，铁路各OD间所能承担的客运量即与其所呈现给市场的产品结构及各类型产品的市场竞争力有关，因此可以从铁路所能提供的产品类型及其对市场的吸引程度，推演铁路各类客运产品的市场分担率和客运量。

本案例对运输方式的经济性、快速性、方便性、安全性和舒适性进行了量化处理，并对旅客进行市场调查，基于旅客出行意愿结果，构建了广义费用模型对运输方式分担率进行预测。考虑到出行者在选择出行时由于对各项费用信息的获取存在不对称性，导致对某类因素的高估或低判，在出行选择时并不是按照广义费用最低的原则选择出行方式。因此，需要根据旅客出行意愿的调查结果，采用模糊评价的方法对广义费用的计算结果进行修正、分析。

广义费用考虑因素包括经济性、快速性、方便性、舒适性、安全性等五个服务特性，其计算公式为：

Cn=En+Fn+Nn+Mn

式中　　Cn——第n种客运产品的广义费用；

En——第n种客运产品的费用；

Fn——第n种客运产品的旅行时间换算费用；

Nn——第n种客运产品的方便性换算费用；

Mn——第n种客运产品的舒适性与安全性换算费用。

需要说明的是，在处理广义费用计算时各项参数处理是影响预测成败和科学性的关键因素，尤其是舒适性、便捷性和快速性所涉及的时间价值等都是有个性化和主观性的指数，应该进行细致分析和合理取值。

本案例中，经济性通过各种客运产品的票价来衡量；快速性则通过门到门的时间消耗与时间价值一起衡量；方便性的量化指标主要考虑购票时间、平均中转时间两个因素，也与时间价值相关；对舒适性和安全性的定量处理采用了一种较为客观的费用比对方式，充分利用客流调查结果，分析计算得到各种运输产品对硬座的舒适和安全性的相对广义费用，较客观地反映旅客对舒适性和安全性的总体认识。

本案例结合管内客流（中、短途）的特点，运用市场调查的方法系统研究各类需求市场对客运产品的选择偏好。其需求子市场按旅客收入水平划分为五个子市场（1000元以下、1000～1999元、2000～2999元、3000～4999元、5000元以上），在该出行距离条件下，铁路可提供的客运产品类型有硬座（既有线产品）、动座（动车组列车）和高软（高速列车）三种类型，其竞争者主要考虑汽车。另外，考虑到未来年度社会经济增长会影响到客运需求结构的变化（收入的整体水平结构），即可预测出未来年度各OD间不同客运产品的分担率，见表3-2-12。

5.铁路客运量预测

根据社会总客运需求量和客运产品的分担率可以求出未来年各OD间铁路客运量为：

式中　　i，j——分别代表客流的出发和终列车站；

——i站至j站的铁路客运量；

——i站至j站的社会客运总量；

bk——第k种客运产品的分担率。

根据社会客运量预测值和各类客运产品分担率预测值，即可求得未来年该铁路局在该客运通道的管内OD间铁路客运量，见表3-2-13。

续上表

续上表

以上以某铁路的一条客运通道为例，介绍了铁路客运量预测的方法。在铁路客运量预测中，需要准确的历史数据和科学的预测方法，这样预测出来的数据才能更贴切未来铁路客运量的发展。