李 航，劉培宏

（中國(guó)民航大學(xué)臨空經(jīng)濟(jì)研究中心，天津300300）

在企業(yè)盈利改善的大環(huán)境下，經(jīng)濟(jì)活動(dòng)日益旺盛，各企業(yè)為謀求自身發(fā)展，對(duì)貨物的運(yùn)輸速度和服務(wù)品質(zhì)要求日益增高，航空物流以其運(yùn)輸速度快、靈活性強(qiáng)的特點(diǎn)滿(mǎn)足了各大企業(yè)的貨運(yùn)服務(wù)需求，使得航空貨郵市場(chǎng)規(guī)模逐步擴(kuò)大。隨著電商、快遞以及冷鏈等現(xiàn)代物流的興起，越來(lái)越多的領(lǐng)域也開(kāi)始關(guān)注航空物流業(yè)，航空物流業(yè)已成為全球國(guó)際化聯(lián)通的主要力量。目前，世界航空物流業(yè)已經(jīng)進(jìn)入供應(yīng)鏈管理的新階段，對(duì)于航空貨郵市場(chǎng)發(fā)展情況精準(zhǔn)、有效地把握將會(huì)助力現(xiàn)代航空物流又好又快地轉(zhuǎn)型升級(jí)。本文為航空貨郵周轉(zhuǎn)量的預(yù)測(cè)引進(jìn)一種新的優(yōu)化組合預(yù)測(cè)模型，通過(guò)預(yù)測(cè)分析，可以更加精準(zhǔn)、系統(tǒng)地明晰航空貨郵市場(chǎng)動(dòng)態(tài)，把握航空物流業(yè)發(fā)展方向。

預(yù)測(cè)是將已有信息進(jìn)行分析，然后通過(guò)構(gòu)建適合的數(shù)理統(tǒng)計(jì)模型，推測(cè)未來(lái)一段時(shí)間某事件是否會(huì)發(fā)生或事件的發(fā)展趨勢(shì)。許多學(xué)者利用不同的預(yù)測(cè)方法對(duì)航空物流業(yè)進(jìn)行預(yù)測(cè)分析［1-4］，這些預(yù)測(cè)方法在本質(zhì)上都是在原始數(shù)據(jù)的基礎(chǔ)上建立擬合模型來(lái)進(jìn)行預(yù)測(cè)，但模型的擬合精度并不完全等同于預(yù)測(cè)精度，傳統(tǒng)的預(yù)測(cè)方法難以滿(mǎn)足復(fù)雜系統(tǒng)的預(yù)測(cè)需求，因而產(chǎn)生的預(yù)測(cè)結(jié)果良莠不齊，不能準(zhǔn)確、全面地反映實(shí)際問(wèn)題，因此，為了進(jìn)一步提高航空貨郵周轉(zhuǎn)量的預(yù)測(cè)精準(zhǔn)度，本文引進(jìn)一種優(yōu)化的組合預(yù)測(cè)模型。

組合預(yù)測(cè)，即在預(yù)測(cè)的過(guò)程中，采取兩種或者兩種以上不同的預(yù)測(cè)方法進(jìn)行組合建模，并且根據(jù)相應(yīng)的準(zhǔn)則給不同的預(yù)測(cè)方法分配以合適權(quán)值，最大程度地獲取不同預(yù)測(cè)方法的有效信息，能夠更加全面地解釋實(shí)際值，具有良好的預(yù)測(cè)效果?！敖M合預(yù)測(cè)”思想最早由Bates 和Granger［5］提出，隨后，受到國(guó)內(nèi)外越來(lái)越多研究學(xué)者的青睞。國(guó)外很多學(xué)者為提高預(yù)測(cè)質(zhì)量，在人工神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)因子、廣義最小二乘估計(jì)（GLS）等方法的基礎(chǔ)上進(jìn)行選擇性組合建模，對(duì)時(shí)間序列聚合約束分解后進(jìn)行預(yù)測(cè)［6-8］。Rapach 等［9］在對(duì)股權(quán)溢價(jià)預(yù)測(cè)的研究中發(fā)現(xiàn)個(gè)別模型預(yù)測(cè)存在的不確定性和不穩(wěn)定性會(huì)嚴(yán)重削弱模型的預(yù)測(cè)能力，而組合預(yù)測(cè)合并了來(lái)自眾多經(jīng)濟(jì)變量的信息，能夠大幅降低預(yù)測(cè)波動(dòng)性。國(guó)內(nèi)研究學(xué)者馬永開(kāi)等［10］在對(duì)誤差信息矩陣的理論分析中，證明了一個(gè)非負(fù)權(quán)值的組合問(wèn)題中存在優(yōu)性解的充分且必要條件為誤差信息矩陣主對(duì)角線(xiàn)上的最小值不是其所在行最小值，給出了誤差信息矩陣的判定定理。許多學(xué)者通過(guò)構(gòu)建誘導(dǎo)有序加權(quán)平均（induced ordered weighted average，IOWA）算子組合模型對(duì)鐵路運(yùn)量、旅游業(yè)、電力等領(lǐng)域展開(kāi)分析研究［11-13］，證實(shí)了在復(fù)雜系統(tǒng)的數(shù)據(jù)分析中，IOWA 算子組合模型具有明顯的優(yōu)勢(shì)。基于此，將IOWA 算子組合模型應(yīng)用于航空物流領(lǐng)域的面板數(shù)據(jù)分析中也將會(huì)有很好表現(xiàn)。

結(jié)合國(guó)內(nèi)外研究學(xué)者對(duì)組合預(yù)測(cè)模型的研究成果，本文在對(duì)全球以及中國(guó)航空貨郵周轉(zhuǎn)量預(yù)測(cè)時(shí)，將趨勢(shì)外推法、多項(xiàng)式回歸以及灰色預(yù)測(cè)進(jìn)行組合，在這3 種單項(xiàng)預(yù)測(cè)方法的基礎(chǔ)上建立誤差信息矩陣，減弱某個(gè)誤差較大的方法對(duì)結(jié)果產(chǎn)生的影響，最大程度地獲取3 種方法所提供的有效信息，從而產(chǎn)生了良好的預(yù)測(cè)性能。

一、航空貨郵周轉(zhuǎn)量含義及特點(diǎn)

（一）航空貨郵周轉(zhuǎn)量含義

航空貨郵周轉(zhuǎn)量是航空貨物和航空郵件周轉(zhuǎn)量總和，它既包含了航空運(yùn)輸對(duì)象的重量，也包含了航空運(yùn)輸?shù)木嚯x，因而體現(xiàn)了航空運(yùn)輸工作量，是評(píng)價(jià)航空運(yùn)輸企業(yè)運(yùn)營(yíng)水平高低的重要技術(shù)性指標(biāo)。相比于航空貨運(yùn)量，航空貨郵周轉(zhuǎn)量能更加全面、系統(tǒng)地反映出民航運(yùn)輸企業(yè)的航空運(yùn)輸生產(chǎn)規(guī)模和工作量［14］。通過(guò)航空貨郵周轉(zhuǎn)量，機(jī)場(chǎng)能夠合理有效地對(duì)物流中心、信息系統(tǒng)及關(guān)鍵設(shè)備等資源進(jìn)行規(guī)劃建設(shè)；航空公司能夠合理地規(guī)劃航班數(shù)量、飛行小時(shí)、地勤工作人員數(shù)量及工作時(shí)間，民航管理機(jī)構(gòu)也能及時(shí)有效地進(jìn)行行業(yè)規(guī)劃。航空貨郵周轉(zhuǎn)量是評(píng)價(jià)航空物流業(yè)發(fā)展好壞的一個(gè)重要指標(biāo)，它能夠表示需求量是能夠反映航空貨郵市場(chǎng)需求變動(dòng)情況，所以，利用航空貨郵周轉(zhuǎn)量的面板數(shù)據(jù)進(jìn)行航空貨郵市場(chǎng)需求的有關(guān)分析研究是可行的。

對(duì)于航空貨郵周轉(zhuǎn)量的預(yù)測(cè)是一個(gè)復(fù)雜的過(guò)程，由于航空物流業(yè)的復(fù)合性和波動(dòng)性，使得航空貨郵周轉(zhuǎn)量的大小受經(jīng)濟(jì)環(huán)境、社會(huì)環(huán)境、自然環(huán)境等多方面的影響，傳統(tǒng)預(yù)測(cè)方法對(duì)于有效信息敏感程度大小不一，往往導(dǎo)致一些有用的信息缺失。然而，組合預(yù)測(cè)模型對(duì)于復(fù)雜系統(tǒng)的預(yù)測(cè)具有明顯的優(yōu)勢(shì)，因此，應(yīng)從多角度出發(fā)，通過(guò)組合建模提高模型關(guān)鍵信息的容量，對(duì)復(fù)雜系統(tǒng)的關(guān)鍵信息進(jìn)行有效捕捉，提高模型處理復(fù)雜系統(tǒng)的能力，從而對(duì)于將來(lái)一段時(shí)間航空貨郵周轉(zhuǎn)量的發(fā)展情況有一個(gè)科學(xué)的估算和合理的判斷，提高決策的水平和效率。

（二）航空貨郵周轉(zhuǎn)量特點(diǎn)

本文從國(guó)際民航組織理事會(huì)以及國(guó)際貨幣基金組織官方網(wǎng)站上選取了2007—2017 年全球及中國(guó)的航空貨郵周轉(zhuǎn)量、國(guó)內(nèi)生產(chǎn)總值（GDP）的面板數(shù)據(jù)，見(jiàn)表1。從表1 可以發(fā)現(xiàn)獲取的面板數(shù)據(jù)具有以下特征：①樣板數(shù)據(jù)均有明顯的增長(zhǎng)趨勢(shì)，部分年份的面板數(shù)據(jù)出現(xiàn)了波動(dòng)的情況；②面板數(shù)據(jù)全為正，可以對(duì)其作對(duì)數(shù)變換。

通過(guò)觀察發(fā)現(xiàn)，2009 年全球航空貨郵周轉(zhuǎn)量明顯不同于其他年份，進(jìn)一步分析，異常值的出現(xiàn)是因?yàn)?008 年的全球性金融危機(jī)所導(dǎo)致的，異常值的存在將會(huì)大幅度地降低數(shù)據(jù)分析及統(tǒng)計(jì)建模的精準(zhǔn)度，造成結(jié)果偏差較大。因此，在全球及中國(guó)航空貨郵周轉(zhuǎn)量開(kāi)始預(yù)測(cè)前需要先進(jìn)行異常值的預(yù)處理，本文以2008 年與2010 年全球航空貨郵周轉(zhuǎn)量的平均值代替原有的2009 年全球航空貨郵周轉(zhuǎn)量異常值。

表1 2007—2017 年全球及中國(guó)面板數(shù)據(jù)

二、航空貨郵周轉(zhuǎn)量組合預(yù)測(cè)分析

本文以全球航空貨郵周轉(zhuǎn)量的計(jì)算步驟為例，鑒于航空貨郵周轉(zhuǎn)量歷史數(shù)據(jù)的線(xiàn)性趨勢(shì)及多因素影響的復(fù)雜性，因此先使用對(duì)于復(fù)雜系統(tǒng)適應(yīng)性較好的3 種預(yù)測(cè)模型進(jìn)行計(jì)算，然后將各個(gè)模型估算的結(jié)果進(jìn)行組合建模。組合模型的步驟和數(shù)學(xué)邏輯如圖1 所示。

（一）單項(xiàng)預(yù)測(cè)模型

1. 趨勢(shì)外推模型

趨勢(shì)外推法又稱(chēng)為趨勢(shì)延伸，作為時(shí)間序列分析中重要模型，它是根據(jù)事物的歷史數(shù)據(jù)以及已有資料，分析事物的發(fā)展?fàn)顩r，進(jìn)一步推斷事物未來(lái)一段時(shí)間發(fā)展趨勢(shì)的一種較常使用的數(shù)據(jù)分析法［15］。本文趨勢(shì)外推模型主要利用指數(shù)曲線(xiàn)建模，通過(guò)一條指數(shù)曲線(xiàn)來(lái)擬合因變量對(duì)于自變量的依賴(lài)關(guān)系，函數(shù)等式兩邊取對(duì)數(shù)，把原模型變成一元線(xiàn)性回歸模型，通過(guò)線(xiàn)性回歸分析思路建立回歸模型，并進(jìn)行預(yù)測(cè)，指數(shù)回歸預(yù)測(cè)模型公式為

圖1 IOWA 算子組合預(yù)測(cè)模型的步驟和數(shù)學(xué)邏輯圖

其中：m、n 為待定參數(shù)；t 為時(shí)間。對(duì)方程的兩邊分別取對(duì)數(shù)：

函數(shù)變換：

轉(zhuǎn)換為一元一次函數(shù)：

通過(guò)計(jì)算求得M=5.1145，n=0.0215，則可求得m=166.4242，指數(shù)曲線(xiàn)模型為

經(jīng)計(jì)算得到其檢驗(yàn)數(shù)R2=0.8669，意思是用自變量可解釋因變量變差的86.69%，說(shuō)明該模型對(duì)實(shí)際值的估計(jì)較好，趨勢(shì)外推預(yù)測(cè)值見(jiàn)表2。

2. 多項(xiàng)式回歸模型

多項(xiàng)式回歸屬于線(xiàn)性回歸模型中的一種，它的優(yōu)勢(shì)在于可增加自變量的高次方的項(xiàng)數(shù)，進(jìn)而逐步逼近實(shí)際值，直到預(yù)測(cè)效果滿(mǎn)意為止。在經(jīng)濟(jì)發(fā)展過(guò)程中，國(guó)民經(jīng)濟(jì)發(fā)展水平高低直接影響航空貨郵市場(chǎng)需求的變化，進(jìn)而引起航空貨郵業(yè)務(wù)規(guī)模的擴(kuò)大或縮小。因此，本文將全球GDP 作為自變量、全球航空貨郵周轉(zhuǎn)量作為因變量構(gòu)建一元多項(xiàng)式回歸，通過(guò)引入更高次方，增大設(shè)立模型的自由度，增強(qiáng)模型容量及擬合數(shù)據(jù)能力，從而可以進(jìn)一步降低誤差，多項(xiàng)式回歸公式為

利用待定系數(shù)法求得：

一元三次多項(xiàng)式函數(shù)為

其中：xt為全球GDP；t=1，2，…，n。

經(jīng)計(jì)算得到其檢驗(yàn)數(shù)R2=0.9006，意思是用自變量可解釋因變量變差的90.06%，說(shuō)明該模型對(duì)實(shí)際值的估計(jì)較好，多項(xiàng)式回歸預(yù)測(cè)值見(jiàn)表2。

3. 灰色預(yù)測(cè)模型

灰色系統(tǒng)理論是對(duì)灰色系統(tǒng)進(jìn)行分析研究和決策控制的理論［16］。在灰色系統(tǒng)中，有些信息已知，有些信息未知，各個(gè)要素之間存在不確定性聯(lián)系，利用數(shù)據(jù)處理的方法去探求數(shù)據(jù)間的聯(lián)系，找出其中存在的關(guān)系。灰色預(yù)測(cè)就是利用少量、不完整的數(shù)據(jù)，通過(guò)數(shù)學(xué)建模的方法來(lái)對(duì)灰色系統(tǒng)做出的預(yù)測(cè)，它的優(yōu)勢(shì)在于需要的時(shí)間序列較短、面板數(shù)據(jù)較少，對(duì)于信息不完整的系統(tǒng)分析與建模效果較好。

微分形式：

其中：a、b 是待識(shí)別的灰色常數(shù)。預(yù)測(cè)公式：

殘差檢驗(yàn)公式：

如果對(duì)所有的 ||ε(k) ＜0.1，認(rèn)為達(dá)到較高要求，如果對(duì)于所有的 ||ε(k) ＜0.2，則認(rèn)為達(dá)到一般要求。

計(jì)算求得a=-0.0233，b=166.09，R2=0.8462，表明用自變量可解釋因變量變差的84.62%，殘差檢驗(yàn)所有的 ||ε(k) ＜0.1，認(rèn)為達(dá)到較高要求，通過(guò)結(jié)果可以清晰地看出，對(duì)于單調(diào)變化的序列灰色預(yù)測(cè)精確度較高，但是對(duì)明顯波動(dòng)的數(shù)列而言，灰色預(yù)測(cè)的精確度相對(duì)比較低，灰色預(yù)測(cè)值見(jiàn)表2。

表2 各單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)值

（二）組合預(yù)測(cè)模型

1. IOWA 算子組合預(yù)測(cè)模型

IOWA（誘導(dǎo)有序加權(quán)平均）算子組合預(yù)測(cè)模型是通過(guò)引進(jìn)IOWA 算子，以不同模型的估計(jì)值與實(shí)際值逼近程度由高到低的次序給與權(quán)值，構(gòu)建誤差信息矩陣，以實(shí)際值與排序序列誤差平方和最小為條件組建新的預(yù)測(cè)模型。

非線(xiàn)性規(guī)劃模型：

E 是誤差信息矩陣：

其中：j 為第j 種單項(xiàng)預(yù)測(cè)模型；t 為第t 期，t=1，2，…，n。

IOWA 算子組合模型并不是所有條件下都適用，它具有一定使用條件和范圍，它能夠進(jìn)行預(yù)測(cè)的前提條件是誤差信息矩陣E 的主對(duì)角線(xiàn)上的最小值不是其所在行的最小值，否則將會(huì)出現(xiàn)冗余的情況，造成最后的權(quán)重系數(shù)只有1 和0，即存在冗余的單項(xiàng)預(yù)測(cè)方法，它們對(duì)于最終的預(yù)測(cè)結(jié)果不會(huì)提供任何的有用信息。

絕對(duì)百分比誤差（absolute percentage error，APE）能夠評(píng)價(jià)各時(shí)間節(jié)點(diǎn)的擬合精確度，計(jì)算公式如下：

其中：y 是實(shí)際值；y*是預(yù)測(cè)值。

在各個(gè)時(shí)間節(jié)點(diǎn)t 上將各個(gè)單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)值以APE 從小到大的順序重新進(jìn)行排序，得到新的預(yù)測(cè)值矩陣：

重排序列見(jiàn)表3。

2. 組合預(yù)測(cè)模型的實(shí)現(xiàn)

對(duì)模型進(jìn)行MATLAB 規(guī)劃求解，得到誤差信息矩陣E：

根據(jù)IOWA 算子組合模型的適用范圍可知，本文中構(gòu)建的模型具有優(yōu)性權(quán)重系數(shù)，沒(méi)有預(yù)測(cè)方法冗余情況出現(xiàn)。

計(jì)算得到賦權(quán)矩陣：

將每個(gè)時(shí)間節(jié)點(diǎn)的單項(xiàng)預(yù)測(cè)值按照APE 從小到大的次序重新排序并進(jìn)行加權(quán)計(jì)算，計(jì)算得到全球航空貨郵周轉(zhuǎn)量歷年的估計(jì)值以及APE 見(jiàn)表3。

表3 重新排序單項(xiàng)預(yù)測(cè)值和組合預(yù)測(cè)值

3. 預(yù)測(cè)效果評(píng)價(jià)

為評(píng)定優(yōu)化組合模型的預(yù)測(cè)性能，文章選取了以下5 種誤差評(píng)價(jià)指標(biāo)作為評(píng)判依據(jù)。平方和誤差：

均方誤差：

平均絕對(duì)誤差：

絕對(duì)百分比誤差平均值：

均方百分比誤差：

其中：x 為實(shí)際值；x?為預(yù)測(cè)值；i=1，2，…，n。

通過(guò)計(jì)算求得各項(xiàng)指標(biāo)見(jiàn)表4。根據(jù)表4 可以看出，IOWA 算子組合模型的誤差是最小的，說(shuō)明該模型的估計(jì)值最接近實(shí)際情況，結(jié)合表2 和表3 各個(gè)時(shí)間節(jié)點(diǎn)的APE，可以看到，組合預(yù)測(cè)模型的歷年APE 都小于3.5%，并且僅有兩個(gè)時(shí)間節(jié)點(diǎn)超過(guò)3%，說(shuō)明該模型能夠有效地減弱預(yù)測(cè)誤差，具備良好的預(yù)測(cè)性能。

另外，為了能更直接地反映各預(yù)測(cè)模型的擬合效果，本文將各個(gè)預(yù)測(cè)模型的預(yù)測(cè)值與全球航空貨郵周轉(zhuǎn)量的實(shí)際值構(gòu)建折線(xiàn)圖，其擬合結(jié)果如圖2 所示。

表4 各預(yù)測(cè)模型預(yù)測(cè)效果指標(biāo)對(duì)比

圖2 各預(yù)測(cè)模型折線(xiàn)圖

從圖2 可以看出，相比于其他預(yù)測(cè)模型，IOWA 算子組合預(yù)測(cè)模型對(duì)面板數(shù)據(jù)的擬合更好，更逼近實(shí)際值。進(jìn)一步通過(guò)組合預(yù)測(cè)的方法預(yù)測(cè)2018 年全球航空貨郵周轉(zhuǎn)量，然后以2018 年全球航空貨郵周轉(zhuǎn)量的實(shí)際值做進(jìn)一步的檢驗(yàn)，檢驗(yàn)發(fā)現(xiàn)估計(jì)值與實(shí)際值的相對(duì)誤差僅有4.72%，說(shuō)明此模型能夠較為精確地反映出面板數(shù)據(jù)未來(lái)的發(fā)展情況。

綜上所述，組合預(yù)測(cè)模型可以充分地捕捉各個(gè)單項(xiàng)預(yù)測(cè)模型中的有用信息，減弱某個(gè)誤差較大的估計(jì)值對(duì)最終結(jié)果造成的影響，能夠較大幅度降低誤差，更加準(zhǔn)確、全面地反映實(shí)際情況。

4. 組合預(yù)測(cè)模型的應(yīng)用

對(duì)于2019—2022 年單項(xiàng)預(yù)測(cè)模型APE 的計(jì)算，本文主要是通過(guò)移動(dòng)平均的方法，用各單項(xiàng)預(yù)測(cè)模型的前4 期平均APE 來(lái)顯示該時(shí)間節(jié)點(diǎn)的預(yù)測(cè)精準(zhǔn)度的大小，將2019—2022 年單項(xiàng)模型預(yù)測(cè)值按照APE 由小到大重新排序，將各時(shí)間節(jié)點(diǎn)的單項(xiàng)模型的預(yù)測(cè)值按照APE 由小到大賦權(quán)，計(jì)算2019—2022 年全球和中國(guó)航空貨郵周轉(zhuǎn)量的估計(jì)值見(jiàn)表5。

表5 2019—2022 年航空貨郵周轉(zhuǎn)量預(yù)測(cè)

三、結(jié)果分析及討論

從表1 和圖2 的面板數(shù)據(jù)分析發(fā)現(xiàn)，2007—2017 年全球航空貨郵周轉(zhuǎn)量總體保持增長(zhǎng)態(tài)勢(shì)，局部產(chǎn)生波動(dòng)，2008—2009 年出現(xiàn)大幅度降低；2007—2017 年中國(guó)航空貨郵周轉(zhuǎn)量總體保持較快增長(zhǎng)，局部出現(xiàn)波動(dòng)，2008—2009 年增長(zhǎng)停滯，2009—2010 年大幅增長(zhǎng)，增長(zhǎng)速度達(dá)到10 年內(nèi)頂峰。

分析波動(dòng)原因，2008 年美國(guó)次貸危機(jī)在一定程度上影響了全球的經(jīng)濟(jì)，全球貿(mào)易緊張關(guān)系及其不確定性或產(chǎn)生下拉效應(yīng)，經(jīng)濟(jì)形勢(shì)的好壞與航空物流的發(fā)展是息息相關(guān)的，經(jīng)濟(jì)下滑對(duì)航空物流造成了不小沖擊，直接導(dǎo)致全球航空貨郵市場(chǎng)需求大幅降低；中國(guó)雖然受全球經(jīng)濟(jì)危機(jī)一定程度的影響，航空貨郵市場(chǎng)衰退跡象顯現(xiàn)，以至收縮國(guó)際貨運(yùn)航線(xiàn)，集中運(yùn)營(yíng)國(guó)內(nèi)市場(chǎng)，規(guī)避?chē)?guó)際航空貨郵市場(chǎng)風(fēng)險(xiǎn)沖擊，然而次年受亞太地區(qū)經(jīng)濟(jì)復(fù)蘇的影響，中國(guó)航空貨郵市場(chǎng)迅速回暖，從而使航空貨郵業(yè)務(wù)量大幅增多，周轉(zhuǎn)量大幅回升。

對(duì)于航空貨郵市場(chǎng)的未來(lái)展望，通過(guò)得到的計(jì)算結(jié)果分析，未來(lái)4 年，全球航空貨郵周轉(zhuǎn)量將保持平均每年3.59%的增長(zhǎng)率，中國(guó)的航空貨郵周轉(zhuǎn)量則保持每年8.78%的高速增長(zhǎng)勢(shì)頭，約是全球增速的2.45 倍，以?xún)?yōu)于全球的增長(zhǎng)速度，在全球航空物流市場(chǎng)整體增速放緩的格局中表現(xiàn)搶眼，前景可期。通過(guò)計(jì)算，預(yù)計(jì)到2020 年，全球航空貨郵周轉(zhuǎn)量將會(huì)達(dá)到2350 億噸公里，中國(guó)航空貨郵周轉(zhuǎn)量將突破300 億噸公里，未來(lái)中國(guó)經(jīng)濟(jì)的發(fā)展對(duì)于航空物流業(yè)的依賴(lài)程度越來(lái)越高，尤其是在中國(guó)“一帶一路”倡議等實(shí)施下，為中國(guó)航空物流崛起創(chuàng)造了優(yōu)越政策支撐，推動(dòng)行業(yè)又好又快發(fā)展，使中國(guó)成為推動(dòng)全球航空物流業(yè)發(fā)展的主要驅(qū)動(dòng)力之一。

然而，相比于航空物流業(yè)發(fā)展程度較高的歐美發(fā)達(dá)國(guó)家，中國(guó)航空物流業(yè)發(fā)展程度依舊較低，各種效率低下的突出問(wèn)題沒(méi)有得到有效解決。第一，受全球宏觀經(jīng)濟(jì)形勢(shì)不景氣的影響，航空貨運(yùn)價(jià)格水平持續(xù)低迷，貨運(yùn)方式進(jìn)一步從空運(yùn)向海運(yùn)轉(zhuǎn)移；第二，雖然政府鼓勵(lì)民間資本進(jìn)入民用航空領(lǐng)域，但政府管制仍然嚴(yán)格，市場(chǎng)準(zhǔn)入門(mén)檻較高；第三，中央控股三大航空公司一直處于壟斷地位，當(dāng)行業(yè)景氣指數(shù)下降時(shí)，航空公司應(yīng)對(duì)風(fēng)險(xiǎn)的能力不足，不能獲得穩(wěn)定持續(xù)的盈利；第四，我國(guó)航空物流行業(yè)信息化程度依然低下，標(biāo)準(zhǔn)不統(tǒng)一、信息共享不足以及信息安全等問(wèn)題突出，制約了我國(guó)航空物流的崛起。

未來(lái)幾年全球航空物流業(yè)總體疲軟的態(tài)勢(shì)仍會(huì)持續(xù)，面對(duì)競(jìng)爭(zhēng)日益激烈的市場(chǎng)環(huán)境，需要我們審時(shí)度勢(shì)的把握未來(lái)航空物流業(yè)發(fā)展的三大方向：①航空貨運(yùn)與快遞物流融合；②傳統(tǒng)航空公司轉(zhuǎn)型航空物流綜合服務(wù)商；③航空物流智能化、信息化。

現(xiàn)代航空物流在我國(guó)目前屬于起步發(fā)展階段，在開(kāi)放和競(jìng)爭(zhēng)的格局作用下，應(yīng)通過(guò)各方的通力合作，共同促進(jìn)我國(guó)航空物流的發(fā)展。國(guó)家應(yīng)該制定和完善相應(yīng)的航空物流產(chǎn)業(yè)政策，加快促進(jìn)航空物流標(biāo)準(zhǔn)化的實(shí)施，將航空物流業(yè)的發(fā)展作為深化民航供給側(cè)結(jié)構(gòu)性改革的重要內(nèi)容；吸引外資和民營(yíng)資本，擴(kuò)大我國(guó)航空貨郵市場(chǎng)融資形式；加大全貨機(jī)的投放比例，提高航空貨郵載運(yùn)水平和效率；進(jìn)一步完善航空物流產(chǎn)業(yè)的整合、運(yùn)營(yíng)及可持續(xù)發(fā)展。航空物流企業(yè)應(yīng)重點(diǎn)加強(qiáng)信息、航線(xiàn)、貨運(yùn)代理等網(wǎng)絡(luò)的建設(shè)工作，完善自身企業(yè)部門(mén)基礎(chǔ)設(shè)施；拓展航空貨郵服務(wù)到價(jià)值鏈的前端，著力打通其中的產(chǎn)、供、銷(xiāo)、配等節(jié)點(diǎn)；利用大數(shù)據(jù)分析及云計(jì)算等最先進(jìn)的技術(shù)，以客戶(hù)需求為出發(fā)點(diǎn)，著重解決航空物流企業(yè)競(jìng)爭(zhēng)力弱以及外部環(huán)境制約問(wèn)題。

四、結(jié)語(yǔ)

對(duì)于航空貨郵周轉(zhuǎn)量的精準(zhǔn)預(yù)測(cè)，有利于決策者準(zhǔn)確的了解航空貨郵市場(chǎng)的現(xiàn)狀及未來(lái)趨勢(shì)，及時(shí)制定相應(yīng)的發(fā)展策略，更加精確地統(tǒng)籌優(yōu)化與航空物流相關(guān)的固定資產(chǎn)投資、飛機(jī)的有效使用率以及與航空運(yùn)輸相關(guān)的生產(chǎn)活動(dòng)，加速航空物流的現(xiàn)代化進(jìn)程，更好地服務(wù)于中國(guó)經(jīng)濟(jì)的轉(zhuǎn)型升級(jí)。

（1）從近年來(lái)學(xué)術(shù)文獻(xiàn)對(duì)航空物流預(yù)測(cè)的研究中，針對(duì)各種預(yù)測(cè)方法的缺陷與不足，選取了誤差相對(duì)較小的3 種方法，構(gòu)造優(yōu)化IOWA 算子組合模型，對(duì)各個(gè)預(yù)測(cè)模型中的有效信息高效捕捉，提高了模型的信息容量。

（2）對(duì)于誤差信息矩陣進(jìn)一步研究，分析了IOWA 算子組合預(yù)測(cè)模型的適用范圍，并且對(duì)出現(xiàn)冗余情況做了進(jìn)一步探究，避免冗余情況出現(xiàn)將有效地解決了無(wú)效的方法對(duì)組合模型的干擾。

（3）在構(gòu)建的組合預(yù)測(cè)模型的基礎(chǔ)上對(duì)未來(lái)4 年全球及中國(guó)的航空貨郵周轉(zhuǎn)量預(yù)測(cè)，探究現(xiàn)階段中國(guó)航空物流業(yè)面臨的缺陷及不足，提出相應(yīng)建議和參考。

然而，航空貨郵市場(chǎng)是一個(gè)相對(duì)動(dòng)態(tài)的系統(tǒng)，由于文章篇幅的限制，本文對(duì)于航空貨郵市場(chǎng)的預(yù)測(cè)是以假設(shè)其所處的運(yùn)行環(huán)境結(jié)構(gòu)不變?yōu)榍疤?，并未考慮一些突發(fā)結(jié)構(gòu)改變（如政治文化影響、經(jīng)濟(jì)波動(dòng)及替代運(yùn)輸工具的發(fā)展等）對(duì)其造成不同程度的影響，具有一定的局限性和不足。在接下來(lái)的研究方向?qū)⑹侨绾翁幚磉@些突變因素對(duì)預(yù)測(cè)結(jié)果產(chǎn)生的影響，通過(guò)定性與定量相結(jié)合的方法進(jìn)一步優(yōu)化航空貨郵周轉(zhuǎn)量預(yù)測(cè)結(jié)果。