大数据作为重要的信息资产，需要通过专业的综合的挖掘和处理才能使其具有强大的决策力、洞察发现力和流程优化能力。随着铁路货运信息化进程的不断推进，大量的货票结构化数据，货运组织、安全监控、货源货流等非结构化数据，形成海量的铁路货运大数据，涵盖铁路货运的承运交付、装卸管理、在途运输、安全管理、设施设备管理等各个环节[1]。因此，通过探讨铁路货运大数据的应用策略，加快铁路货运大数据的充分挖掘和共享，加强铁路货运大数据的综合深度分析，以助力铁路货运生产、经营和安全管理水平提升[2]。

1、铁路货运大数据应用现状

1.1 铁路货运大数据特征

随着我国铁路货运信息化进入快速发展阶段，先后有铁路货车统计系统、货运统计系统、铁路运输设备统计系统和铁路货运列车编组统计信息系统等完成研发投入使用。同时，货运计划管理系统、货运站生产管理系统、集装箱管理信息系统等信息系统不断优化完善，基本完成了铁路货运大数据的积累阶段，为铁路货运大数据发展奠定坚实基础。自实施铁路货运组织改革以来，铁路货运信息系统逐步加入大数据分析功能，初步实现客户画像、货物流向、品类运输等功能的综合分析，辅以铁路货运需求及货物流向的预测；

铁路货运计量安全检测监控系统能够将动态轨道衡、超偏载检测装置和超限检测设备等货运安全检测数据实现集成和共享及综合安全分析研判[3]。依据《铁路信息化总体规划》，明确提出铁路数据服务平台既从各业务系统采集数据，同时又为各系统提供数据交换、数据分析服务功能，为铁路各类数据集中管理、大数据分析提供基础支撑。由于铁路货运大数据由各铁路货运系统积累的历史数据整合而成，铁路货运及相关运营数据在获取、存储、管理、分析需求方面已经超出传统数据库对数据的处理能力，铁路货运大数据具有以下特征。

(1）数据类型多。铁路行业数据主要包括结构化数据和非结构化数据。其中结构化数据主要有交易数据、运输数据、设备台账、统计报表数据等有固定格式和关系的数据；而与之对应的非结构化数据主要包含沿线和车站监控视频文件、实时传感监测数据、语音服务数据和规章制度数据等。铁路货运组织中涉及的铁路货运大数据包含95306电商交易数据，集装箱系统、设备台账、视频监控、基础设施检测数据，以及运输、调度、计划、现车、货票系统等类型，数据类型繁多。

(2）数据增长速度快。2019年，我国铁路货物发送量达到34.4亿t，铁路货运大数据达到上百万条。随着货运设备运转、交易业务的累积变化，以及庞大的编组、发送、在途、到达等物流环节作业量，铁路货运相关数据呈现快速、稳定的增长态势。截至2019年，铁路货运大数据总量已经达到拍字节(PB)级，铁路货运大数据日增长量达到太字节(TB)级，铁路货运大数据增长速度日渐加快[4]。

(3）数据精确度高。铁路货运作为我国货运的主动脉，前端衔接供给方，末端连接需求方，运输过程中与港口转运、公路短驳产生协作关系，外部又与政府部门、行业协会建立日常沟通机制，对数据的精确度具有相对严格的要求。由于铁路采用半军事化管理，数据基本为内部网络采集，采集过程中管理规范严格，大多由专人管理，具有设备统一、格式统一的特点，集安全性、准确性、实时性于一身，铁路货运数据可靠性强，精确度高。

1.2 存在问题

目前，铁路货运大数据处于稳步发展的关键时期，但从铁路货运大数据应用的角度看，铁路货运大数据存在内部数据共享不足、外部数据融合不够、数据分析能力不足等亟需改进的问题，具体如下。

(1）内部数据共享不足。铁路货运的承运受理数据从各个车站开始发送，经由站段到铁路局集团公司，最终传输到中国国家铁路集团有限公司，呈自底向上、层层汇总的“金字塔”形结构，而货物运输数据又是调度部门与生产部门经相互协作而传输完成的，每个部门的统计数据与其他部门的数据具有较强的关联性。目前，铁路内部各信息系统仍按业务和专业划分，各自为政，呈现出基础数据多方维护、数据共享和格式标准不统一、数据碎片化、集成度低的状态，数据利用仍然局限在同一部门，缺乏跨部门、跨业务系统之间的数据综合分析，造成内部数据共享不足的局面。

(2）外部数据融合不够。铁路货运信息系统及其统计分析制度经过多年的发展与完善，已经基本形成一套完整的铁路货运信息收集、汇总、分析体系，而上述指标均为铁路部门自身的经营和运输指标，尚未很好地与其他运输方式的相关指标进行对比，缺乏结合社会宏观经济、产品供需关系及物流行业背景下的综合分析。铁路作为我国主要的运输方式之一，铁路货运量与外部经济和供需形势关系密切，需要综合内外部数据进行分析，才能做到客观准确地制订各阶段的货运计划。

(3）数据分析能力不足。目前，铁路各部门仍然按照业务形式划分成不同信息系统处理各自的数据，注重生产统计和实物量统计，对数据的处理仍然停留在简单汇总的初级阶段，缺乏深度处理数据的能力，无法很好地完成跨专业、跨业务间的综合数据处理和分析。铁路货运大数据分析由于综合数据支撑不足，无法形成涵盖市场需求、运输经营、决策发展的闭合回路，铁路货运大数据分析结果存在局限性、模糊性。

2、铁路货运大数据应用策略分析

2.1 应用目标

铁路货运大数据应紧密围绕货运生产、经营管理和安全管理三大基础工作，厘清铁路货运痛点，结合铁路货运发展趋势，找出铁路货运大数据助力铁路货运的结合点[5]，助力提升货运生产的精细管理、助力提升货运营销的精准对接、提升货运安全的综合保障。

(1）助力提升货运生产的精细管理。传统的货运组织模式的工作重心主要在路网内部运输效率的最大化，而对外部货运市场变化和客户需求响应的适应性相对较弱，主要表现在阶段性、区域性的货运能力与货运需求不匹配，个别区段货运能力无法充分利用，公铁短驳运输环节繁琐不顺畅等方面，铁路货运需要向贴近市场、内外兼顾、科学精细的市场导向型铁路运输组织转变。同时，铁路运输企业由粗放型向精细化、集约型转变，亟需利用铁路货运大数据合理配置运力资源，全面提高铁路货运效率。

(2）助力提升货运营销的精准对接。现有的铁路货运市场营销方式对市场需求采集和分析的能力有限，缺乏有效的市场预测工具，营销决策具有局限性、模糊性和滞后性，尤其是面对灵活高效的公路运输，应对市场竞争和需求波动的方法欠缺，对市场需求的把握能力不足。铁路货运大数据可以充分收集汇总铁路运输、社会生产、社会物流、客户需求等各类数据，围绕货运收益管理和现代化物流服务需求，对各类数据进行深度挖掘分析，可以辅助完成市场需求预测、价格策略制订和货运产品设计，为铁路货运营销工作提供依据和支持。

(3）助力提升货运安全的综合保障。随着我国铁路货运的不断发展，铁路货运安全管理是保证铁路货运稳步发展的基础。铁路货运安全可以利用铁路货运大数据的聚类分析、关联分析、时间序列等技术，围绕铁路货运安全中的人、设备、环境三大因素，对安全事故数据、设备损耗数据、线路环境数据进行数据关联和挖掘分析，逐步掌握作业安全规律、设备损耗规律以及线路灾害对货运安全影响的预测，以规避铁路货运危险因素。

2.2 应用策略

2.2.1 货运生产方面

通过提升货运效率、优化资源配置、完善运输模式，利用铁路货运大数据对货运需求及货运能力综合分析，能够清晰地了解区域内的货源布局及货流规律，同时也能精确地掌握铁路自身的运输能效和设施设备运用情况，实现货运需求与货运能力的科学匹配，达到铁路货运效率的最大化。

(1）提升货运效率。通过汇总各货运通道及各场站的能力及利用率、货车运用效率、装卸作业效率等相关数据，摸清铁路网及区域运输能效情况并进行数据模型构建。构建数据模型后，利用铁路货运大数据挖掘请求车、兑现率监测数据，及时组织货车排空，压缩货车中转停时，并分析列车区间运行时间与运行图的偏离规律，优化运行图标尺，提高列车运行的正点率，最终实现货运能力的智能分配和运输方案智能优化，提升运输组织效率[6]。

(2）优化资源配置。利用铁路货运大数据对物流基地及货场利用率进行分析，提出停限办理或者生产组织调整建议，逐步实现区域性货运组织集中化的格局，降低用工成本和营运成本。对于货运量持续降低的区段，通过车次合并、压缩列车开行频率等方式减少运力供给，反之则增加运力投放，以实现货运资源的优化配置。铁路货运大数据还可以用于不同等级运输产品的作业组织标准的梳理分析，以此优化载运工具及工作人员等资源分配，提供优质优价、运输时限不同的定制化和个性化服务。

(3）完善运输模式。利用铁路货运大数据分析市场需求和货源变化，以市场需求为导向优化铁路货运组织。在安排施工计划前，深入分析近年来枢纽干线的阶段运输需求规律，最大限度减少施工对旺季运输的干扰。针对煤炭主产区与下游电厂、钢厂、化工厂的固定运输需求，利用铁路货运大数据结合企业需求变化和历史运输兑现率，进一步提升大宗直达班列的开行比例和班次，稳定大宗基础货源，掌握零散白货物流运输规律，做好支线集结方案，进一步优化集装箱班列“干支结合，枢纽集散”的组织方式，促进批量零散白货选择铁路运输。

2.2.2 货运营销方面

随着铁路货运能力的不断释放，铁路货运市场将逐步由“卖方市场”转向“买方市场”，货运市场竞争将更加激烈，挖掘市场需求将成为未来货运经营工作的关键。通过完善营销体系、优化价格策略、加强协同合作、稳固大宗货源，将铁路货运大数据运用到货运营销中去，促进铁路货运健康发展。

(1）完善营销体系。铁路货运营销人员除需要掌握内部运输数据外，还需要了解经济运行数据、货运市场趋势分析、价格预测、上下游企业的产运需及库存、港口的海铁联运需求、装卸能力、公路物流基地的公铁联运需求、流向及短驳价格等一系列数据。铁路货运营销人员利用铁路货运大数据将上述数据收集汇总与挖掘分析，凭借铁路货运大数据模型建立起科学完善的经营指标体系，把握规律、设计产品、制订规划，最终形成涵盖市场需求、运输经营、决策发展的营销体系。

(2）优化价格策略。通过构建科学的定价模型，利用大数据技术采集公路、水运、管道等运输方式价格，实时掌握货流信息、客户信息、运力信息及物流市场相关信息[7]。通过分区域、分方向、分品类、分客户、分季节的成本测算和价格比对，调整运价方案及模型中的参数，建立灵活高效的定价机制，逐步实现“需求低迷时抓增量，需求旺盛时段抓收入，运力紧张区段抓效益，运力宽松区段抓份额”，不断提升铁路货运经营品质。

(3）加强协同合作。利用铁路货运大数据将供应链中的供给端、需求端和物流端不同主体间的数据共享融合，能够提高供应链总体效率，通过优化物流方案，压缩大宗商品库存，降低企业总体成本。供给端产品出库前，铁路部门提前掌握其产品产运销及流向信息，超前安排空车及运输方案，物流端接入物流信息，及时转换运输方式，需求端提前掌握上游生产及在途产品到达信息，进一步压缩库存等。通过优化生产周期、压缩时间成本和库存成本，控制上下游企业总体成本。

(4）稳固大宗货源。在大宗货物运输中，公路承担了大量的长途运输任务，铁路运输低成本、低能耗的优势未能充分发挥。为此，需要在稳定煤炭运输的基础上，大力挖掘其它大宗货物点到点运输需求，增加适合大宗货物运输的优质产品[8]。通过收集铁路、公路、港口等物流枢纽间的货运大数据，构建对不同运输方式的品类、流向、运量、运价区间的分析模型，挖掘各枢纽间的物流关系，筛选出包含重去重回的主要节点，测算运输成本，设计干支线和集疏运方案，初步形成“点到点”直达班列意向，针对发到企业产需周期、运输需求，最终固化作业流程、价格体系、开行周期，签订量价互保的三方运输协议，实施大宗货物快速直达班列运输方案。

2.2.3 安全管理方面

铁路货运大数据通过对海量货运的数据分析做出模型预测，而安全管理的核心是通过案例分析到达预防为主。基于货运安全所涉及的人、设备、环境三大要素，以铁路货运大数据作为依托，可以建立包含大数据综合安全互控、大数据货运设备监控和大数据事故识别预防的联防联控的铁路货运安全管理体系。

(1）大数据综合安全互控。铁路各个部门为了确保安全，研发相应的安全系统，应用于相应部门的安全监控和管理，蕴含包括铁路货运中实时的线路质量、施工区段监测、超限货物装载信息等大量其他部门需要的安全数据。铁路货运大数据可以将公共的安全数据进行提取，共享到各个部门，建立行车安全与设备风险动态预警模型，构建大数据综合安全互控体系。

(2）大数据货运设备监控。大数据货运设备监控体系结合设备传感监测技术，实时收集汇总货车、集装箱、装卸机具等移动设备的运用状态，利用历史设备故障大数据，开展货运设备关键部件失效规律及模式之间的关联性分析，将基于铁路货运大数据专业分析后的参数嵌入业务系统，如果出现临界或异常数据，可以及时发现移动设备存在的安全隐患，从而采取预防措施，实现货运设备状态的实时监控。

(3）大数据事故识别预防。通过对铁路货运大数据进行分析，结合图像识别、物联网监测技术以及深度学习算法，可以实现事故识别及预防，有效避免事故发生。铁路货运大数据将货运历史安全事故录入系统，分析事故的原因，利用监测技术，实时采集关键点的操作数据和环境数据，形成大数据事故识别预防系统，避免铁路事故的再次发生。

3、结束语

铁路货运大数据是铁路货运的重要组成部分，对掌握货运需求、把握市场趋势、创新运输产品、改善货运服务质量、提高货运效率、保障货运安全具有重要意义。随着云计算及第5代通信技术(5G)的快速发展，铁路货运大数据的运算及传输等技术难题得以有效破解，为铁路货运大数据的发展奠定坚实基础。铁路货运大数据应用需要紧密围绕货运生产、经营管理和安全管理等方面，充分发挥铁路货运大数据优势，有效破解铁路货运症结，全面提升铁路货运生产、经营和安全管理水平。

参考文献：

[1]王喆,马小宁.铁路大数据应用规划及实施策略研究[J].铁路计算机应用,2018,27(9):44-47.

[2]董鹏月.法治视角下基于大数据技术的铁路货运思考[J].中国高新技术企业,2017(12):175-176.

[3]史天运,刘军,李平,等.铁路大数据平台总体方案及关键技术研究[J].铁路计算机应用,2016,25(9):1-6.

[4]靳继红,刘淑芝.大数据在铁路货运信息系统中的应用框架探讨[J].电脑知识与技术,2015(13):5-6.

[5]王涛.“大数据”背景下铁路运输发展策略探讨[J].物流技术,2016,35(8):9-11.

[6]伍峰.基于大数据技术的铁路货运价格策略应用研究[J].铁道货运,2019,37(7):6-11.

[7]田锐,刘俊,贺义勇.铁路行车安全信息系统设计探讨[J].铁道运输与经济,2015,37(5):32-37.

[8]王同军.中国铁路大数据应用顶层设计研究与实践[J].中国铁路,2017(1):8-16.

李斌.铁路货运大数据应用策略探讨[J].铁道货运,2020,38(05):28-32.