陳浩

【摘 要】 為彌補(bǔ)單一模型預(yù)測(cè)方法的不足，以廣州港集裝箱吞吐量歷史數(shù)據(jù)為依據(jù)，分析集裝箱吞吐量的主要影響因素，分別采用時(shí)間序列模型、Eviews多元線性回歸模型對(duì)2018―2022年廣州港的集裝箱吞吐量進(jìn)行預(yù)測(cè)。比較組合加權(quán)方法對(duì)預(yù)測(cè)結(jié)果的預(yù)測(cè)，結(jié)果表明：組合模型預(yù)測(cè)法能夠提高預(yù)測(cè)的準(zhǔn)確性，減小預(yù)測(cè)誤差。

【關(guān)鍵詞】 廣州港；集裝箱吞吐量；時(shí)間序列；多元線性回歸模型；組合預(yù)測(cè)

0 引 言

隨著“十三五”規(guī)劃的實(shí)施以及“一帶一路”倡議的推廣，港口集裝箱業(yè)務(wù)發(fā)展將迎來(lái)黃金時(shí)期，廣州港集裝箱吞吐量在2017年首次突破萬(wàn)TEU。廣州港是華南地區(qū)集裝箱樞紐港，準(zhǔn)確預(yù)測(cè)其集裝箱吞吐量有著重大的研究意義。

目前大多數(shù)學(xué)者在港口吞吐量預(yù)測(cè)中主要采用定性和定量?jī)煞N方法，其中定量預(yù)測(cè)法主要包括時(shí)間序列趨勢(shì)外推、多元線性回歸分析、灰色預(yù)測(cè)、指數(shù)平滑和彈性系數(shù)等。沈旻[1]采用三次指數(shù)平滑法和灰色預(yù)測(cè)法GM（1，1）進(jìn)行了吞吐量預(yù)測(cè)；高鳳姣等[2]建立兩個(gè)不同的多元線性回歸模型分別對(duì)上海港集裝箱吞吐量進(jìn)行預(yù)測(cè)；朱小檬等[3]采用時(shí)間序列與因果關(guān)系結(jié)合法進(jìn)行吞吐量中長(zhǎng)期預(yù)測(cè)；劉長(zhǎng)儉等[4]認(rèn)為時(shí)間序列法宜采用近期歷史數(shù)據(jù)進(jìn)行短期預(yù)測(cè)較為準(zhǔn)確。

本文分別采用時(shí)間序列模型和Eviews多元線性回歸模型對(duì)廣州港集裝箱吞吐量進(jìn)行預(yù)測(cè)。根據(jù)兩種預(yù)測(cè)模型的特點(diǎn)，利用平均加權(quán)法對(duì)兩種模型進(jìn)行組合預(yù)測(cè)，彌補(bǔ)單一預(yù)測(cè)方法的不足，使得預(yù)測(cè)結(jié)果更加接近實(shí)際發(fā)生量。

1 基于時(shí)間序列的預(yù)測(cè)

1.1 模型的選擇與分析

時(shí)間序列法在總結(jié)事物的過(guò)去和現(xiàn)在的發(fā)展規(guī)律基礎(chǔ)上，利用趨勢(shì)外推法預(yù)測(cè)未來(lái)事物的發(fā)展趨勢(shì)。根據(jù)資料統(tǒng)計(jì)，近年廣州港集裝箱吞吐量呈整體穩(wěn)定的發(fā)展趨勢(shì)，在“十三五”期間腹地經(jīng)濟(jì)結(jié)構(gòu)基本不變、經(jīng)濟(jì)平穩(wěn)增長(zhǎng)的環(huán)境下，利用時(shí)間序列法的基本假設(shè)成立，時(shí)間序列法對(duì)中短期內(nèi)集裝箱吞吐量的預(yù)測(cè)較為理想。

為了初步確定時(shí)間序列與歷年吞吐量是否符合線性相關(guān)，對(duì)2011―2016年廣州港集裝箱吞吐量數(shù)據(jù)（見表1）作散點(diǎn)分析（見圖1）。結(jié)果表明，近年廣州港集裝箱吞吐量呈近似的線性增長(zhǎng)趨勢(shì)。

從圖1可以看出，2011―2016年廣州港集裝箱吞吐量總體保持增長(zhǎng)趨勢(shì)，可近似認(rèn)為保持線性增長(zhǎng)趨勢(shì)，符合基于時(shí)間序列法對(duì)近期廣州港集裝箱吞吐量的預(yù)測(cè)。

1.2 建立模型

1.2.1 線性趨勢(shì)外推模型

將時(shí)間序列觀察值分為t個(gè)，依次為（x1，y1），（x2，y2），…，（xt，yt）。設(shè)yi （i=1，2，…，t）為第i期的實(shí)際集裝箱吞吐量，yi為第i期的預(yù)測(cè)集裝箱吞吐量，xi為第i期的時(shí)間序列值。利用直線擬合法的相關(guān)原理建立如下模型：

1.2.2 確立集裝箱吞吐量線性趨勢(shì)外推模型

根據(jù)表1和模型（1），估算廣州港集裝箱吞吐量與時(shí)間序列數(shù)據(jù)之間的參數(shù)，建立如下模型：

yi=95.99 xi 191 670（2）

通過(guò)模型推算出決定系數(shù)R2=0.970 8>0.95，再對(duì)模型結(jié)果進(jìn)行檢驗(yàn)，對(duì)應(yīng)參數(shù)a、b的標(biāo)準(zhǔn)差分別為16 774.33、8.330 9，對(duì)應(yīng)參數(shù)a、b的估計(jì)值分別為 11.426 40、11.522 98。計(jì)算結(jié)果均符合F分布、t分布的對(duì)應(yīng)值，模型檢驗(yàn)通過(guò)。

1.2.3 模型預(yù)測(cè)誤差分析

根據(jù)模型（2）和表1，可以對(duì)2011―2016年廣州集裝箱吞吐量進(jìn)行預(yù)測(cè)。比較歷史數(shù)據(jù)與預(yù)測(cè)結(jié)果可以發(fā)現(xiàn)，確立的趨勢(shì)外推模型能夠較準(zhǔn)確地對(duì)吞吐量進(jìn)行預(yù)測(cè)，預(yù)測(cè)出的誤差值均控制在4%以內(nèi)，保持了較高的精確度。

1.2.4 預(yù)測(cè)值

利用時(shí)間序列模型可對(duì)2018―2022年廣州港集裝箱吞吐量進(jìn)行預(yù)測(cè)，具體預(yù)測(cè)結(jié)果見表3。

2 Eview多元線性回歸模型

2.1 建立多元線性回歸模型

分析多元線性回歸模型須找出有關(guān)影響港口集裝箱吞吐量的主要因素，即通過(guò)主要影響因子對(duì)因變量進(jìn)行預(yù)測(cè)。篩選出3個(gè)主要影響港口集裝箱吞吐量的因子，分別是地區(qū)GDP、外貿(mào)進(jìn)出口額、社會(huì)消費(fèi)品零售額等。針對(duì)以上分析構(gòu)建多元線性回歸模型：

2.2 統(tǒng)計(jì)數(shù)據(jù)來(lái)源

2011―2016年廣州港各主要影響因子統(tǒng)計(jì)數(shù)據(jù)見表4。

2.3 集裝箱吞吐量預(yù)測(cè)模型

根據(jù)表4，結(jié)合模型（3）的有關(guān)原理，構(gòu)建出吞吐量與地區(qū)GDP、外貿(mào)進(jìn)出口額、社會(huì)消費(fèi)品零售額之間的多元線性回歸模型。利用計(jì)量經(jīng)濟(jì)學(xué)統(tǒng)計(jì)軟件Eviews可以分別得到多元線性回歸模型參數(shù) 0、 1、 2、 3。

利用Eviews軟件計(jì)算各參數(shù)的輸出結(jié)果，得到集裝箱吞吐量預(yù)測(cè)模型的具體形式為

2.4 多元線性回歸模型檢驗(yàn)

多元線性回歸模型的校正決定系數(shù)R2為，非常接近1，說(shuō)明擬合度很高；對(duì)回歸模型的參數(shù)進(jìn)行顯著性檢驗(yàn)， 0、 1、 2、 3的檢驗(yàn)結(jié)果分別為 3.661 25、4.710 6、5.722 9、 3.395 5，對(duì)變量m1、m2、m3的作用顯著，建立的多元線性回歸模型通過(guò)檢驗(yàn)。

2.5 預(yù)測(cè)結(jié)果

根據(jù)《廣州市國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十三個(gè)五年規(guī)劃綱要（2016―2020年）》的目標(biāo)值，到2020年廣州市GDP、外貿(mào)進(jìn)出口額、社會(huì)消費(fèi)品零售額將分別達(dá)到26 000億元、11 500億元、11 600億元，從而確定各影響因素的年均增長(zhǎng)率分別為7.5%、6.7%、7.9%。

根據(jù)模型（4），結(jié)合各影響因素的年均增長(zhǎng)率，可得到多元線性回歸模型的預(yù)測(cè)值，見表5。

3 組合模型的建立與分析

3.1 確定組合模型預(yù)測(cè)方法

單一的預(yù)測(cè)模型通常存在局限性，往往會(huì)出現(xiàn)偏差。采用組合模型預(yù)測(cè)方法可以彌補(bǔ)單一模型預(yù)測(cè)方法的不足，提高預(yù)測(cè)結(jié)果的準(zhǔn)確性。因此，根據(jù)上述基于時(shí)間序列的趨勢(shì)外推模型與多元線性回歸模型建立組合預(yù)測(cè)方法，對(duì)廣州港集裝箱吞吐量進(jìn)行預(yù)測(cè)。

3.2 建立組合預(yù)測(cè)模型

基于時(shí)間序列的趨勢(shì)外推模型與多元線性回歸模型是從不同角度對(duì)港口集裝箱吞吐量進(jìn)行預(yù)測(cè)的，由于兩種模型的預(yù)測(cè)結(jié)果各有優(yōu)缺點(diǎn)，因此在組合預(yù)測(cè)中對(duì)以上兩種預(yù)測(cè)模型采用平均分配各占50%權(quán)重的方法，對(duì)廣州港集裝箱吞吐量進(jìn)行預(yù)測(cè)研究。

3.3 結(jié)果分析

2017年廣州港實(shí)際完成集裝箱吞吐量為2 037萬(wàn)TEU，到2020年廣州港集裝箱吞吐量目標(biāo)值為2 500萬(wàn)TEU。2017年、2020年集裝箱吞吐量綜合預(yù)測(cè)值見表6。

對(duì)比分析2017、2020年廣州港集裝箱吞吐量的實(shí)際發(fā)生值、規(guī)劃值與組合預(yù)測(cè)值可以發(fā)現(xiàn)，組合預(yù)測(cè)方法更加科學(xué)合理。雖然采用組合預(yù)測(cè)方法會(huì)增加預(yù)測(cè)的復(fù)雜性和工作量，但通過(guò)加權(quán)平均處理，并綜合以上2種方法的優(yōu)點(diǎn)，能夠得到較為理想的預(yù)測(cè)效果。

3.4 2018―2022年廣州港集裝箱吞吐量預(yù)測(cè)

利用時(shí)間序列趨勢(shì)外推模型、多元線性回歸模型及組合預(yù)測(cè)模型可以分別預(yù)測(cè)得到2018―2022年廣州港集裝箱吞吐量，見表7。

4 結(jié) 語(yǔ)

組合模型預(yù)測(cè)法汲取了時(shí)間序列趨勢(shì)外推模型和多元線性回歸模型的優(yōu)點(diǎn)，通過(guò)平均加權(quán)的方法，彌補(bǔ)了兩種預(yù)測(cè)模型的不足，進(jìn)一步提高預(yù)測(cè)精度，較好地預(yù)測(cè)了2018―2022年廣州港集裝箱吞吐量的預(yù)測(cè)值，并得到以下結(jié)論：

（1）基于時(shí)間序列的趨勢(shì)外推模型是一種簡(jiǎn)單、高效的集裝箱吞吐量預(yù)測(cè)方法。港口集裝箱吞吐量受到當(dāng)?shù)卣摺⒏沟亟?jīng)濟(jì)、港口自身?xiàng)l件等多方面條件的影響，因此筆者認(rèn)為時(shí)間序列法對(duì)于遠(yuǎn)期預(yù)測(cè)可能會(huì)出現(xiàn)偏離實(shí)際較多的情況。

（2）多元線性回歸模型的建立需要從眾多影響集裝箱吞吐量的因素中篩選自變量。由于篩選影響因子的選取角度存在差異，因而準(zhǔn)確找出影響集裝箱吞吐量的因子成為提高預(yù)測(cè)精度的關(guān)鍵，否則將會(huì)影響預(yù)測(cè)結(jié)果。

參考文獻(xiàn)：

[1] 沈旻.港口集裝箱吞吐量預(yù)測(cè)方法若干研究[D].上海：上海海運(yùn)學(xué)院，2001.

[2] 高鳳姣，石小法.上海港口集裝箱吞吐量影響因素分析[J].物流技術(shù)，2009（9）：77-80.

[3] 朱小檬，欒維新，朱義勝.基于時(shí)間序列-因果關(guān)系結(jié)合法的中國(guó)海港集裝箱吞吐量中長(zhǎng)期預(yù)測(cè)[J].大連海事大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2014（5）：1-5.

[4] 劉長(zhǎng)儉，張慶年.基于時(shí)間序列BP神經(jīng)網(wǎng)絡(luò)的集裝箱吞吐量動(dòng)態(tài)預(yù)測(cè)[J].水運(yùn)工程，2007（1）：4-7，11.