1. 哈尔滨集装箱中心站运输网络现状分析
内陆型集装箱中心站——哈尔滨铁路国际集装箱中心站位于哈尔滨市香坊区，交通网络发达，公路、铁路等运输业发展迅速，该地区城市密度较大，交通基础设施良好。由于经济发达，该地区的货运量庞大，为了使交通设施能够与该地区的经济发展相匹配，很多城市都不断扩大自己的铁路货运能力，以满足货运量需求。
这一情况致使该地区的大中型中转枢纽节点十分密集，货运运输方式多种多样，但缺乏对货源腹地运输网络的整体规划，致使该地区的运输网络杂乱无章，运输路径与运输方式选择存在问题，浪费了运力，使整体的运输网络成本较高。
本小节将对该运输网络进行优化设计以降低整体网络的运输成本，得到最佳运输方案。
2. 哈尔滨集装箱中心站货源地枢纽信息
哈欧班列货源腹地运输网涉及9个省市，分别为：黑龙江、吉林、辽宁、北京、河北、天津、山东、上海、浙江，其中以黑龙江、辽宁、河北及上海为主要的货源腹地。哈欧班列货物种类以汽车及其配件和生活日用品居多。由于哈尔滨集装箱中心站位于内陆城市，本文只考虑公路、铁路联运，不考虑水运对枢纽城市的影响。表5-13为货源地与枢纽点信息。
表5-13 货源地及枢纽点信息
本小节研究的运输网络中存在多个运输枢纽城市，本小节采用灰色关联度计算来对已知的枢纽点进行重要度排序，排序数据可分为三类：与哈尔滨的距离、该枢纽点与各个货源距离和该枢纽点链接的铁路线个数。
在实际情况中，有些枢纽城市既是货物转运中心，又是货源城市，即该城市在负责把其他城市的货物进行集结运输的同时，自身也有货物发往哈尔滨。因此，这些枢纽城市到自身的距离为0，但为了简便灰色关联度部分的无量纲化过程将这些距离用1来表示，此外本小节中各枢纽点到货源地的距离也以铁路距离为指标。表5-14为枢纽点到货源城市距离（铁路）。
表5-14 枢纽点到货源城市距离（铁路） 单位：km
（数据来源：数据统计年鉴：http://www.yearbookchina.com）
3. 哈欧货源地枢纽选取
枢纽点选取步骤如下。
Step 1：根据表5-14的信息，将各枢纽点到货源地距离、枢纽点到目的地哈尔滨距离、枢纽点连接线路的数据做成矩阵，原始数据整理如下。
Step 2：将上述数据进行无量纲化处理，将图4-1矩阵中的每一列都与第一列做比值，其计算式如下：
Step 3：参考数列选取。参考数列选取标准如下：①尽量使枢纽点到各城市的距离最小；②尽量使枢纽点连接的铁路线更多。综上所述，本小节选择第4列为参考数列，即
Step 4：关联系数计算公式。
式（5-69）求解参数Z，即计算每一列与参考序列的绝对差值；式（5-70）求解参数w，即求解矩阵中与参考序列差值最小的数；式（5-71）求解参数w′，即求解矩阵中与参考序列差值最大的数值；式（5-72）利用上述求得的参数代入公式中求计算关联系数，通常分辨系数ρ取值为0.5。
Step 5：关联度计算。用来反映各评价对象与参考序列的关联关系，称其为关联度，通常采用平均法计算，但平均法的缺陷在于无法反映不同评价指标对不同参考对象的影响，为了更贴切地反映评价指标与评价对象之间的关系，本小节采用熵权法对其进行改进。熵权是反映在确定指标中各评价对象间竞争程度的值，根据评价对象在问题中贡献程度赋值。熵权值计算式如下：
式中，
，
。
式（5-73）得到第j个对象的熵值，再由式（5-74）计算出第j个对象的权重，式（5-75）求得最终的关联度，运行结果如图5-16所示。
图5-16 灰色关联度计算
本小节运用MATLAB软件进行求解，求解结果如表5-15所示。
表5-15 灰色关联度计算结果
如表5-15所示，前5个点与后5个点的关联度相差甚远，因此本小节选取前5个枢纽点（见表5-16）作为运输网络枢纽点的备选集，作为此章节计算的基础数据。
表5-16 选取的枢纽节点
4. 腹地货源运输组织优化模型原始数据分析
1）固定成本
固定成本由线路的投资及运营费用构成，由于无法准确获得每个货运站的精确固定费用，所以本小节将固定费用通过已知的数据进行运算，转化为用固定成本系数cr来代替，即
式中，ki为第i个节点的运输年固定费用投资额；hi为第i个节点的货运量；R表示所有路段集合。
式中的固定费用系数cr会随着每个节点的固定成本不同而改变，比较符合实际情况。本小节可以通过数据统计年鉴获得每个节点的年运输费用及该节点的年货运量，只采用两种运输方式，所以用交通投资额
来表示单位运量下的公路、铁路交通投资额，再将其转为每箱的固定费用系数cr（元），如表5-17所示。
表5-17 每个节点的固定费用系数cr(www.daowen.com)
最终的固定成本是通过求解运输网络布局来得到每条路径的固定费用，该固定费用为该条路径上节点固定费用的加和，再将这些线路的固定费用进行加和求得。
2）中转成本
由前文可知，中转成本为
，其中qj为第j个枢纽点的单位中转费，通过统计年鉴可查得枢纽节点的年中转量Qj（t）以及年中转费用Fj（元），再将比值转为一个集装箱的中转费用qj（元/t），计算铁路枢纽的中转费用，按1TEU=20 t（见表5-18）。
表5-18 枢纽点中转费用
哈欧班列运输网络是一个动态网络，在实际情况中，每个中转枢纽点时时刻刻在随着新的货物流入网络而产生新的货物中转量，由于每个货源点的货物流入运输网络的时间是连续的，且这些货源点的货物流入关系相互独立，无法断定一批货物的确切中转量，所以为了更加贴合这一情况，本小节采用随机赋值的方法确定中转货运量D。
3）参数数据
在实际运输过程中，由于不断有新的货物流入运输网络，也有新的货物流出运输网络，这是一个动态过程，而且每个货源点发货时间也不一致，导致不可能统计出货物流入网络的数量，鉴于这种情况，本小节根据哈欧班列年货运量以一定比例取值作为本运输网络的总集装箱量。为方便计算，本小节将2016年的集装箱货运总量缩减10倍，并四舍五入取值，得本批次的集装箱总量为1 000 TEU。具体数据如表5-19~表5-23所示。
图5-17为义乌中欧班列2014年初至2017年第一季度的年货运量。
表5-19 模型参数
表5-20 货源点到枢纽点运价表
（续表）
（续表）
（铁路运价来源：12306货运查询，公路运价来源：http://www.51yunli.com）
表5-21 货源点到目的点的运价表
表5-22 枢纽点到目的点价格信息
（上述两表数据为铁路运价来源：12306货运查询，公路运价来源：http://www.51yunli.com）
表5-23 模型计算结果
图5-17 义乌中欧班列2014年初至2017年第一季度的年货运量
4）计算结果
本小节运用MATLAB对模型进行求解，求解结果如表5-23所示。
5. 结果对比分析
本小节的研究目的在于对哈欧货源腹地运输网络进行优化设计，以解决其运输网络由于缺少整体规划而产生的运输方式选择无序，运输路径繁杂以及该地区枢纽节点过于密集的现象。本小节对运输网络的优化设计是通过调整网络中的枢纽节点来实现的，该方法不同于传统的网络枢纽确定方法，本小节重点是对货源腹地的网络枢纽节点进行了筛选，再以筛选的网络枢纽点为基础，通过模型进一步调整枢纽点，并确定货物的运输方式以及运输路径。
为了方便对比传统的运输网络优化方法，本书将哈欧货源网络全部枢纽节点信息带入到本书的网络模型中，同样采用本书的方法进行计算。该情况下需要添加的数据值如表5-24~表5-26所示。（货源点到枢纽点运价表中筛选后的枢纽点不再重复列出。）
表5-24 所有哈欧货源地枢纽点中转费用
表5-25 货源点到其余枢纽点运价表
（续表）
（续表）
（铁路运价来源：12306货运查询，公路运价来源：http://www.51yunli.com）
表5-26 网络运输优化算法结果分析
传统的网络优化设计通常是将运输网络建立在所有的枢纽点上，并不进行枢纽点的筛选，然后通过对运输网络构建模型并求解来确定最终的枢纽城市。由结果可知，本小节先对枢纽点进行筛选，限定了枢纽点的选取范围，进一步界定最终解的范围，使腹地运输网络设计较传统的运输网络设计更能降低成本，更大程度地利用较少枢纽点进行线路及运输方式的分配，节约了社会资源，间接地说明了本小节腹地货源运输网络优化方式的优越性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
