事件背景
2026年7月1日，中國鐵路啟動暑運模式。首3天（7月1-3日）即累計發送旅客3819.9萬人次。鐵路部門預計整個暑運期間將發送10.1億人次、相當於全國人口的1/15在這兩個月內通過鐵路流動。
這不是臨時反應、而是提前部署。鐵路部門在6月底就已調度額外車次、增加站台運力、優化購票系統。
為什麼這很重要？
假設 A（被動模式）：等需求信號來了再加班次。 - 優點：沒有浪費、只在需要時才投入。 - 缺點：反應滯後。購票系統崩潰、月台擁堵、班次不足導致退票潮、消費者轉向自駕或航空。一旦信譽受損、暑假流量永久轉移。
假設 B（主動預測模式）：根據去年同期數據、人口遷移規律、學校放假時間、預測需求、提前投入運力。 - 優點：平滑供給、避免尖峰擁堵、保持客戶粘性。 - 缺點：若預測偏離實際（如疫情、突發事件），會有過剩運力、成本浪費。
鐵路部門選了 B。這背後的邏輯是：在不確定環境下、錯在過度準備優於錯在準備不足。原因很樸素——一旦失去客戶信任、從零重建成本遠高於一個月的過剩運力成本。
核心原則：Goodhart 定律的逆用
經濟學家 Charles Goodhart 有句名言："When a measure becomes a target, it ceases to be a good measure."（當某個指標變成目標、它就不再是好指標）
但這裡的反向應用更有趣：當需求無法被精準測量、目標反而應該是「不讓供給成為瓶頸」、而不是「恰好滿足預測需求」。
換句話說： - 若妳的目標是「最小化成本」→ 就會在需求峰值時失敗。 - 若妳的目標是「最小化失敗風險」→ 就該在不確定下寧可過度投入。
鐵路部門隱含的決策函數是後者。
為什麼暑運特別難預測？
1. 時間聚焦性：全國數億學生同時放假、不像上班日有分散的時間彈性。 2. 地理聚焦性：人們湧向同樣的目的地（旅遊城市、返鄉地點），不是均勻分布。 3. 突發性敏感：天氣、疫情、安全事件都會瞬間改變行為。一旦某天新聞說「某線路擁堵嚴重」，隔天需求可能跌 40%、後天又翻倍。
在這種環境下、期望精準預測無異於天方夜譚。與其猜測需求、不如提前布局足夠的緩衝容量。
實際數字邏輯
- 全年日均旅客：約 1500 萬人次
- 暑運日均預期：約 1390 萬人次（10.1 億 ÷ 72 天）
- 顛峰日預期：約 2000-2500 萬人次
鐵路若按日均準備（1500 萬）、顛峰日將無法承載（短缺 25-40%）。所以提前三個月、各地車輛調度、人員排班、都以「顛峰日 2500 萬」為目標準備。平日有空閒運力、是代價而非浪費。
與其他系統的對比
航空：同樣面臨暑運尖峰、但應對方式不同。航空通常不會提前大幅增加班次（因為成本太高、燃料、空管協調複雜），反而通過「提價」（dynamic pricing）來調節需求——讓願意付更高票價的客戶搭乘、其他客戶被擠出市場。這在利潤優先的邏輯下有效、但損害了公共交通的平等性。
高速公路：免費政策下、國慶 / 暑假期間堵車是常態。沒有價格信號、無法動態調節、結果就是供給永遠不足、無解。
鐵路選了第三條路：用公共投資吸收不確定性、維持服務質量。這是對「基礎設施 = 公共商品」的一種經營哲學。
隱含的權衡
這個決策隱含了一個分配假設：用平日客戶（商務旅客、常旅客）的資源轉移給尖峰客戶（暑假家庭、學生）。平日未必滿員的班次、被視為「為暑運做準備的必要冗餘」、而非浪費。
這在社會效益上是合理的（學生出行、家庭團聚有更高的社會價值？），但在純商業邏輯上是「虧本的」。