吳建新

（天津濱海綜合發(fā)展研究院天津300452）

基于ALI模型的沿海港口集裝箱吞吐量短期預測分析

吳建新

（天津濱海綜合發(fā)展研究院天津300452）

本文應用自動領先指數(shù)（A LI）模型建立了我國沿海港口集裝箱月度吞吐量的短期預測模型，綜合反映港口發(fā)展、貿(mào)易金融、中國與世界經(jīng)濟對沿海港口集裝箱吞吐量的影響。分析得出的港口集裝箱吞吐量預測結果與實際值較為吻合，實踐證明該模型的短期預測效果要明顯優(yōu)于A R基準模型。

港口集裝箱吞吐量；自動領先指數(shù)；A LI模型；動態(tài)因子

作為經(jīng)濟全球化的重要載體，港口集裝箱物流推動了生產(chǎn)、貿(mào)易與資本運作的全球化，加速了商品、資金在全球范圍內(nèi)的流動和配置，促使各國經(jīng)濟日益相互依賴、緊密聯(lián)系。上海、深圳、天津等我國一些具備天然深水優(yōu)勢、經(jīng)濟腹地廣闊、集疏運系統(tǒng)完備的港口城市已崛起成為國際航運樞紐港口，并逐步成為全球性的綜合物流服務基地、商品物資集散地和金融貿(mào)易中心。

國際金融危機過后，世界經(jīng)濟已進入轉(zhuǎn)折期，我國沿海港口集裝箱吞吐量受外向型經(jīng)濟影響程度更大，走勢存在較多變數(shù)。港口集裝箱吞吐量預測對制訂港口發(fā)展戰(zhàn)略、投資計劃，確定港航企業(yè)經(jīng)營策略，建設集裝箱空箱調(diào)運交易平臺以及調(diào)配城市集疏運系統(tǒng)等都具有重要意義。特別是當前我國沿海集裝箱運輸業(yè)的市場波動日益頻繁，行業(yè)監(jiān)測預警技術研究就顯得更為重要。

現(xiàn)有的港口集裝箱吞吐量預測方法主要有指數(shù)平滑法、灰色預測法、神經(jīng)網(wǎng)絡法等，已有文獻多是針對港口集裝箱的年度數(shù)據(jù)，關注我國集裝箱運輸?shù)拈L期趨勢問題，在國際金融危機持續(xù)影響下，集裝箱運輸業(yè)的短期波動問題更值得人們關注[1]。雖然有一些學者已開始研究集裝箱吞吐量的月度數(shù)據(jù)，但受困于建模工具限制，或僅用時間變量做一元回歸，或利用較少的影響集裝箱月度吞吐量的指標，遺漏了一些其他重要的因變量?？傊?，學界已就存在諸多影響集裝箱吞吐量的因素問題達成共識，從單因素或少量因素入手進行分析將很難剖析影響港口集裝箱吞吐量的機理,從而影響預測的準確性，但建模工具的不完善使目前的預測方法存在變量考慮少、模型不夠精確等需要改進的問題。

向量自回歸模型（VAR）在經(jīng)濟預測領域享有盛名，其注重原始數(shù)據(jù)，較多地應用于高頻數(shù)據(jù)的預測之中。但隨著VAR模型所包含的變量的增多，待估參數(shù)將呈指數(shù)型增長，這使得VAR模型只能控制在較小的規(guī)模上，在一定程度上制約了VAR模型的應用。如周健等雖然選取了16個對影響集裝箱吞吐量的16個因素進行相關性分析，但受觀測數(shù)據(jù)樣本限制，最終只選用4個因素與集裝箱吞吐量進行VAR建模[2]。

經(jīng)濟變量往往存在周期性波動現(xiàn)象，我國沿海港口集裝箱吞吐量也存在季節(jié)性現(xiàn)象[1]。Camba-Mendez等提出的“自動領先指數(shù)”（Automatic Leading Indicator,ALI）方法[3]，在測算過程中不僅包括了過去計算領先指數(shù)和同步指數(shù)所采用的高頻月度數(shù)據(jù)，而且同時也納入了含缺失數(shù)據(jù)的月度數(shù)據(jù)以及季度數(shù)據(jù)，充分應用了相關信息，極大地提高了模型預測的準確度。

二、集裝箱月度吞吐量ALI模型的建立

一般來講，ALI模型的建立分兩步進行,一是用動態(tài)因子模型提取因子，二是用VAR模型對相關指標進行預測[4]，具體可參考文獻[5]中的介紹。

對預測變量yt，設n維列向量xt為其解釋變量，通過如下動態(tài)因子模型，可將n個解釋變量壓縮為m個動態(tài)因子ft：

上式中，A(m×m）、B(n×m）為待估系數(shù)矩陣，et為n維擾動向量，ut為m維擾動向量。上述狀態(tài)空間模型可用卡爾曼濾波求解。除觀察法外，Bai和Ng以及Onatski分別發(fā)展了估算因子數(shù)目的定量方法。本文選用上述三種方法分別確定動態(tài)因子數(shù)目，并取其中的最大值確定為動態(tài)因子數(shù)。接下來將上述解得的動態(tài)因子與預測變量建立向量自回歸模型，然后就可對預測變量進行預測。

本文選定的預測目標為我國沿海港口集裝箱月度吞吐量，相較于全國港口集裝箱吞吐量指標，該指標更能反映我國港口經(jīng)濟受全球市場波動的影響。當前，我國沿海各地正掀起新一輪港口開發(fā)建設熱潮，但港口發(fā)展的規(guī)模不能大于市場的需求，或是超過港口城市的基礎設施承載能力，否則會造成供給過剩。準確預測港口集裝箱吞吐量的月度變化，有助于相關部門提前做好安排調(diào)度，打通交通等節(jié)點問題，避免設備閑置、資源浪費。港口集裝箱的影響因素很多，傳統(tǒng)預測方法，考慮變量較少、精度不高。本文針對這些問題，選擇能從高維宏觀經(jīng)濟信息集中提取因子的動態(tài)因子模型，在港口集裝箱吞吐量預測文獻所選取的指標基礎上，本文變量集囊括了更多宏觀經(jīng)濟數(shù)據(jù)，共四大類18個指標，詳見表1。

本文所用數(shù)據(jù)均來自Wind資訊金融終端的經(jīng)濟數(shù)據(jù)庫。由于交通部公布的港口月度數(shù)據(jù)不含每年的12月份值，因此分別選擇沿海港口集裝箱吞吐量等四個港口發(fā)展指標的月度累計值，通過對其求月度環(huán)比數(shù)據(jù)增量，得到每月的數(shù)據(jù)，初始變換后的這四項主要指標的起始日期為2001年3月，其他指標的起始日期都要早于這一日期，因此將樣本集的起始日期統(tǒng)一設定為此日期。

表1　我國港口集裝箱預測模型的變量選取類型

對原始序列進行初始變換后，用ADF方法分別檢驗原始變量序列的平穩(wěn)性。

理論上講，一些宏觀經(jīng)濟存量指標存在季節(jié)因素，但求取年同比增長率季節(jié)影響很小，故本文中暫未做相應處理。接下來對所有變量進行標準化處理，采用的方法是每個指標減去其平均值然后再除以標準差。最后，得到的最終樣本集含有1個因變量，17個解釋變量，樣本期從2003年3月至2015年3月。17個解釋變量中，有5個變量含有缺失數(shù)據(jù)或為低頻數(shù)據(jù)，剩余12個解釋變量為不含缺失數(shù)據(jù)的月度變量。

三、實證分析與討論

首先，為了驗證ALI模型的可信度，筆者以樣本期2003年3月至2014年3月進行建模，將2014年4月至2015年3月的數(shù)據(jù)用于驗證預測結果。數(shù)據(jù)分析利用EViews軟件。按照第2節(jié)介紹的ALI基本原理，分步驟展開論述。

1.求動態(tài)因子數(shù)目

由于不論是采取主成分分析的方法，還是Bai-Ng或Onatski的方法，所用于提取動態(tài)因子數(shù)目的數(shù)據(jù)集都是相同頻率的，因此用12個不含缺失數(shù)據(jù)的月度變量組成數(shù)據(jù)集，并分別用三種方法確定因子數(shù)目為7個、7個、5個。其中主成分法選取因子個數(shù)的依據(jù)為使得方差累積貢獻率達到85%以上，該原則能夠確保從選取的解釋變量中提取盡可能多的信息。因此選取三種方法確定的最大因子數(shù)7作為該樣本集的動態(tài)因子數(shù)目。

表2　ALI模型與AR模型向前12期的RMSE值比較

2.求解狀態(tài)空間模型

由于狀態(tài)空間模型允許混頻數(shù)據(jù)以及數(shù)據(jù)含缺失值，將7個因子及其相應的一階滯后變量確定為狀態(tài)空間模型的狀態(tài)方程，將17個解釋變量與7個因子分別組成的17個回歸方程確定為狀態(tài)空間模型的量測方程，因子的初值選為主成分分析法確定的7個主成分。用卡爾曼濾波算法迭代求解，最終得到該樣本數(shù)據(jù)集的7個動態(tài)因子。

3.VAR模型預測

將上步得到的7個動態(tài)因子與經(jīng)數(shù)據(jù)變換后的沿海港口集裝箱吞吐量變量建立向量自回歸模型，經(jīng)綜合考慮AIC和SC信息準則，確定VAR模型的滯后階數(shù)為2。以上述VAR模型進行12期預測，模型的靜態(tài)擬合與動態(tài)預測結果如圖1所示。

圖1　ALI模型的擬合與預測效果

為比較ALI模型的預測效果，對經(jīng)過平穩(wěn)性與標準化變換后的沿海港口集裝箱吞吐量變量建立AR模型，經(jīng)模型滯后階數(shù)檢驗，選定AR（5）模型，用RMSE作為衡量模型預測效果的指標，對于從2014年4月的向前12期預測，兩個模型的表現(xiàn)列于表2中。

從表2中可以清楚地看出，在6個月以內(nèi)預測期中，ALI模型的預測效果要明顯優(yōu)于AR基準模型，6個月以上期限兩者的預測效果則難分伯仲。

本文采用自動領先指數(shù)模型這一短期預測領域內(nèi)的最新方法，對我國沿海港口集裝箱吞吐量月度數(shù)據(jù)進行了預測。模型經(jīng)驗證擬合程度較高，預測值與真實值在短期內(nèi)較為吻合，短期預測效果要明顯優(yōu)于AR基準模型?，F(xiàn)階段我國沿海港口集裝箱運量日益受到多方面因素影響，建議相關部門和企業(yè)結合ALI等模型的預測結果，密切關注相關指標變化，提早進行針對性研究，以便適時果斷地采取應對措施。

[1]朱吉雙.我國沿海港口集裝箱吞吐量的季節(jié)性及其調(diào)整方法[J].中國水運,2010(11).

[2]周健,鄭莉,武麗.我國月度集裝箱吞吐量集成預測——基于SARIMA、PDL和VAR模型的實證[J].中國水運,2013(3).

[3]Camba-Mendez,G.Et al.An Automatic Leading Indicator of EconomicActivity:ForecastingGDPGrowthforEuropean Countries[J].Econometrics Journal,2001(4).

[4]何新華.中國需警惕高通貨膨脹突現(xiàn)[A].何新華,劉世國.世界經(jīng)濟解讀：2010—危機、對策與效果[C].北京：中國財政經(jīng)濟出版社,2010.

[5]吳建新.港口月度集裝箱吞吐量預測研究[J].城市, 2015(12).

責任編輯：張明