一种基于BP神经网络的铁路大宗货物运价风险预警判定分析

随着运输市场的竞争愈加激烈，铁路货物运输的发展受到多方制约，为了获取更大的市场份额和利润，需要对货物运价做出实时的风险预警。已有众多学者对该领域进行了研究。魏方<1>研究干散货远洋运价市场波动风险评估，提出长记忆性波动风险评估、极端性波动风险评估、相关性波动风险评估系统方法。钱芳<2>阐述了中国航运市场运价预警机制的框架，并在研究支持向量机模型的基础上，建立中国航运市场运价预警模型架构。朱玉华<3>运用ARIMA模型分析了我国出口集装箱运价指数的变动趋势，并依据金融风险预警理论,建立了我国出口集装箱运价风险预警机制模型。

孙祖妮<4>分析我国铁路运输成本的构成及影响因素，以某铁路运输企业货运成本预测为例，分别用成本动因神经网络预测方法和灰色系统预测方法进行预测。张锁<5>通过以定量分析为主、结合定性分析的方法,建立了基于 VaR-GARCH的风险度量模型,对市场风险进行研究。曹雪玲<6>等人通过分析铁路危险货物运输风险因素，构建铁路危险货物运输风险评价指标体系并应用模糊综合评价法对铁路危险货物运输风险进行评价。张光宇等人<7>进行了铁路货运价格管理系统的设计与开发，为做出合理的运价风险预警提供了参考。

以上风险预警方法均采用各指标的历史数据，因其不能准确反映未来情况，使预警效果较易产生大的偏差。Bowersox和Donald.J <8>带领的研究小组于1999年应用神经网络算法进行物流成本研究，对宏观物流成本进行估算。2003年，Bowersox小组再次采用人工神经网络，以2000年的数据为标准估算国家物流成本<9>。2005年，Alexandre M.等人<10>建立了6层人工神经网络模型。使用神经网络算法既考虑了历史数据，又利用到实时数据，使得输出的数据与期望值更为近似。BP神经网络是应用最广泛的神经网络之一，但目前还较少有使用BP神经网络算法对铁路运价进行风险预警的实例。

1 基于BP神经网络算法的铁路运价风险预警模型

1.1模型构建

本文选用典型的3层BP神经网络结构模型，对大宗货物铁路运输价格的风险进行预警。图1为该模型的拓扑结构。

图中，xi (i=1,2,…,n) 表示输入数据；yj (j=1,2,…,m) 表示输出数据。

（1）确定输入节点数基于BP神经网络算法的铁路运价风险预警模型的输入应该为能全面描述铁路运价风险的影响指标，这些指标来自于宏观经济、运输市场、货主与铁路企业4个方面。

（2）确定输出节点数输出节点的个数对应需要进行风险预警的指标个数。在铁路价格预警中，输出节点个数为1。

（3）确定隐含层节点数关于隐含层节点数的确定问题，实践中常用经验公式来取值，计算公式为： p= m+n+a 其中，p为隐含层节点个数；m为输出层节点个数；n为输入层节点个数；a取1～10之间任意一个常数，当根号内计算结果非整数时，采用四舍五入原则进行运算。

1.2 铁路运价风险预警指标体系的建立

风险预警的主要目的是根据预警指标的变化情况，反映风险的等级，要实现铁路运价风险的合理预警，选择合理的指标十分关键。本文根据铁路货运运营的具体情况以及指标选取原则，从宏观经济、运输市场、货主和铁路企业4个方面选取了21个预警指标，建立的风险预警指标体系如图2所示。

图中将21个指标进行分类标号，与宏观经济相关的4个指标为A类，与运输市场相关的11个指标为B类，与货主相关的4个指标为C类，与铁路企业相关的4个指标为D类，再逐一对每一类编号。

1.3 样本数据归一化

为了消除数据量纲的影响，BP神经网络的信息由输入层向隐含层传送时，需要使用转换函数。为方便对输入信号进行学习，将输入信号进行收敛，本文选取S型函数的正切形式tansig函数作为隐含层节点和输入层节点的激活函数；线性函数Purelin的输入值和输出值可以取任意值，故此处选取线性函数Purelin 作为输出层节点的转换函数。为满足BP神经网络转换函数对数据输入的要求，本文采用Matlab软件对原始数据进行归一化处理，采用的归一化方法为（0，1）标准化法，计算公式为：

其中，Yi 为数据i的归一化结果；xi 为数据i的实际值；xmin、 xmax 分别为该组数据的最小、最大值。

1.4 神经网络训练

在完成上述流程之后，需要对BP神经网络进行训练，其基本步骤如图3所示。

2 案例分析

2.1样本数据的采集

铁路大宗货物运输占全部品类运输的70%以上，而其中煤炭类运输又占到大宗货物品类运输的60% 以上，本文选取煤炭的铁路运输做为案例的主要分析对象。在铁路运输的竞争者中，公路运输最为主要，在800 km以上的中长运输距离中，铁路的竞争优势便开始体现，应该保证铁路运输在这部分市场占有较大的市场份额，故取800 km～1500 km中长距离运输范围进行模型验证。本文选取2015—2017年影响铁路运价的月度指标数据，每月数据为1组，共36组，作为原始样本数据。随机选取其中的27组作为训练数据，剩余9 组作为验证数据。本文对互联网上可获取的资料进行挖掘与整合，采用了来源于国家统计局、国家发改委、中国统计年鉴、中国铁道年鉴及鄂尔多斯煤炭网等的相关数据，涉及宏观经济数据、铁路货运情况数据、公路运价指数及各种车型的公路平均运价等指标。

2.2 预警级别的确定与划分在预测出未来的铁路运价预警指数之后，判断运价的变动是否存在风险，若存在风险需要进一步划分预警级别，使管理人员可根据预警级别制定相应措施。对所选取的各组指标数据划分预警级别，需先确定各组风险预警的综合预警指数。综合考虑煤炭各月的公铁运价比值和运量比值双项指标，来确定当月的经营效果。由于公路煤炭运量数据无法获取，因此将运量比这一指标改为铁路煤炭运量进行分析，而由于二者数量级相差较大，故在之后的分析中应先消除数量级的差异。当煤炭在该月的公铁运价比值较低且运量数据也较低时，则需要进行风险预警。根据上述分析，将以上2指标消除数量级差异后的比值作为综合预警指数，划分风险预警范围，得出各组数据的预警级别如表1所示。

本文预警级别的划分标准为：

（1）若综合预警指数在<0，0.71）范围内，则铁路运输价格预警级别为正常（绿色）；（2）若综合预警指数在<0.71，0.90）范围内，则铁路运输价格预警级别为蓝色风险预警；（3）若综合预警指数在<0.90，1.00）范围内，则铁路运输价格预警级别为黄色风险预警；（4）若综合预警指数在<1.00，1.10）范围内，则铁路运输价格预警级别为橙色风险预警；（5）若综合预警指数≥1.10，则铁路运输价格预警级别为红色风险预警。

2.3 模型运行情况与结果分析

2.3.1 隐含层节点个数的确定

数为21，输出层节点个数为1。由经验公式可以确定隐含层节点个数应该在6～ 15之间，需要经过多次训练确定隐含层节点具体个数，并在训练过程中计算不同网络节点数的训练误差。隐含层的激活函数采用 tansig函数。对网络进行训练，当网络满足设定的期望误差或达到最大训练步数时，训练结束，可得到不同隐含层神经元个数对应的训练所得误差，如表2所示。通过比较可以发现隐含层节点个数为13 时，网络的训练误差最小，所以选定隐含层节点的个数为13个。