王 茁, 高 璐

(大連科技學(xué)院 交通運輸學(xué)院, 大連 116052)

集裝箱運輸是現(xiàn)代化交通運輸中占比最大的運輸方式,以效率高、安全性好和快速便捷的特點成為運輸國際貨物的首選途徑.我國在近幾年開始大力投資港口、航道,并不斷加大對其投、融資力度,這對集裝箱運輸業(yè)的發(fā)展起到催化作用.加入世貿(mào)組織后,我國水路運輸發(fā)展非常迅猛,對港口進行合理規(guī)劃的重要性逐漸凸顯,而對港口集裝箱吞吐量的準確預(yù)測是順利完成港口規(guī)劃的前提,直接決定其完成質(zhì)量.

1 集裝箱運輸研究概述

1.1 我國港口集裝箱運輸現(xiàn)狀分析

近年來,我國沿海大型港口開始偏向于增加深水泊位的數(shù)量,提高對噸位特別高的運輸貨輪的支持.2013年,深水泊位數(shù)量已經(jīng)達到5 761個,是2003年(361個)的十幾倍[1].同時,我國集裝箱吞吐量長年保持穩(wěn)定增長的狀態(tài).

根據(jù)港口集裝箱吞吐量增長的特點,可以將其分為普通增長型、波動增長型和加速增長型3大類:1) 普通增長型港口,如上海港、天津港、大連港和海口港等,這類港口大都是我國傳統(tǒng)大港,坐落于經(jīng)濟發(fā)達地區(qū),其腹地經(jīng)濟的規(guī)模也往往很大,經(jīng)濟增長趨于平穩(wěn);2) 波動增長型港口,如煙臺港、汕頭港、連云港港等,往往是一些地區(qū)支線港,其規(guī)模較小、易受經(jīng)濟波動及周邊港口競爭等多種影響,波動性更為明顯;3) 加速增長型港口,如深圳港、寧波港、營口港等,多為開展集裝箱業(yè)務(wù)時間比較短暫,但近十年來呈現(xiàn)出加速增長態(tài)勢的港口,這些港口年均增長率都維持在40%以上[2].

1.2 集裝箱吞吐量預(yù)測研究現(xiàn)狀

2 常用預(yù)測分析方法

2.1 時間序列模型預(yù)測算法

時間序列模型預(yù)測算法是指采用歷史數(shù)據(jù)以時間為維度進行建模,借助模型計算出待預(yù)測部分的數(shù)據(jù).該算法基于以下假設(shè):對事物發(fā)展起到影響作用的因素?zé)o論是在過去還是未來,都在持續(xù)地對其造成影響;事物的發(fā)展通常情況下不會出現(xiàn)太大的跳躍式波動,而是循序漸進地發(fā)展[10].常用的時間序列法可分為移動平均法、指數(shù)平滑法和趨勢外推法,其優(yōu)缺點見表1.本文選擇指數(shù)平滑算法對吞吐量進行預(yù)測.

2.2 回歸模型預(yù)測算法

回歸模型預(yù)測算法是一種對事物間相關(guān)關(guān)系進行分析與提煉,并以這些共同點為聯(lián)系建立數(shù)學(xué)模型的預(yù)測方法.根據(jù)回歸模型中變量間的函數(shù)性質(zhì),將待研究事物變化的關(guān)系進行分析來獲得相關(guān)模型.由于該算法擁有較高的可靠性與實用性,經(jīng)常被用在各種工程實踐的預(yù)測問題中.主要包括一元線性回歸、多元線性回歸和非線性回歸3種預(yù)測模型[11].

2.3 灰色模型預(yù)測算法

灰色模型是整個灰色預(yù)測與控制的理論基礎(chǔ)與預(yù)測工具.在對港口集裝箱吞吐量的預(yù)測中,目前采用的灰色模型基本上還停留在最原始的GM(1,1)灰色預(yù)測模型[12],此模型使用范圍廣,預(yù)測精度較高,可用于動態(tài)分析和預(yù)測,在原始信息較少時可以獲得較為精確的預(yù)測值.

2.4 集裝箱吞吐量預(yù)測方法選擇

本文擬用上述3種算法預(yù)測港口集裝箱的吞吐量,在分析與對比的過程中得出每種算法的特點與適合預(yù)測的港口類型.基于大連港歷史數(shù)據(jù)計算得出3種模型的預(yù)測精度,作為衡量預(yù)測方法是否適用于預(yù)測對象的一個重要指標.本文選用預(yù)測誤差的方差和標準差來進行精度測定.預(yù)測誤差的方差及標準差公式分別為

(1)

(2)

3 港口集裝箱吞吐量預(yù)測實證

大連市是東北地區(qū)最大的沿海城市,大連港集裝箱運輸自20世紀80年代后開始進入快速發(fā)展階段.1988年,位于大連港老港區(qū)西側(cè)的雜貨泊位升級改造成第一個集裝箱專用泊位,大幅增加了大連港口的交通能力.隨后在交通部的全國港口規(guī)劃中,大連港被劃定到全國四大深水港之一,成為東北地區(qū)對外貿(mào)易快速發(fā)展的樞紐,開通了歐洲、南非、美東、美西、地中海等5條運輸干線.但從近幾年的統(tǒng)計數(shù)據(jù)來看,大連港在全國集裝箱運輸體系所處的地位呈現(xiàn)出逐年下降的趨勢.

大連港2013—2017年吞吐量數(shù)據(jù)見表2.采用這些數(shù)據(jù)對2018年港口吞吐量進行預(yù)測,港口吞吐量包括進出口及轉(zhuǎn)口數(shù)據(jù).

2)對于內(nèi)雨帶的傳播機制而言,通過諧波分析發(fā)現(xiàn),和重力波、Rossby波以及混合波均沒有關(guān)系,內(nèi)雨帶的可能發(fā)展機制可能是由垂直風(fēng)切變引起次級環(huán)流,其逆切變區(qū)低層的出流使得內(nèi)雨帶徑向向外運動,而低層的水平風(fēng)場和變形場會使得其形成其螺旋結(jié)構(gòu)。

表2 大連港2013—2017年吞吐量數(shù)據(jù)Table 2 Throughput data of Dalian port from 2013 to 2017 萬TEU①

3.1 基于時間序列模型的預(yù)測結(jié)果分析

以2013—2016年數(shù)據(jù)作為原始數(shù)據(jù),采用指數(shù)平滑算法對大連港集裝箱貨運吞吐量進行預(yù)測.一次指數(shù)平滑法預(yù)測模型為

(3)

二次指數(shù)平滑法預(yù)測模型為

(4)

其中

(5)

由于港口集裝箱吞吐量易受季節(jié)影響產(chǎn)生較大的波動,所以選擇平滑系數(shù)α=0.9.將2013年1月的集裝箱吞吐量周期記為t=1,計算預(yù)測序列S(1)值和S(2)值,見表3.

表3 時間序列模型一次與二次指數(shù)平滑值Table 3 First and second exponential smoothing values of time series model

圖1 基于時間序列模型預(yù)測算法的港口集裝箱吞吐量預(yù)測結(jié)果Fig.1 Prediction results of port container throughout based on time series prediction algorithm model

由圖1可知,當(dāng)港口集裝箱吞吐量受多種因素影響而呈現(xiàn)出較大波動時,時間序列預(yù)測法不能很準確地預(yù)測到這種變化,此時預(yù)測結(jié)果誤差較大.時間序列模型的預(yù)測精度測定值見表4,由表中數(shù)據(jù)計算可知,時間序列模型MSE=37 525.689 170,SDE=193.715 485.

表4 時間序列模型預(yù)測精度Table 4 Prediction accuracy of time series model

3.2 基于回歸模型的預(yù)測結(jié)果分析

y=2 622.952+23.520x

對回歸方程的擬合度進行分析,得出預(yù)測模型的總平方和SST=6 055 331.25,回歸平方和SSR=5 699 224.948 437,判定系數(shù)R2=0.941 191,由于只考慮大連港吞吐量一個因素,方程的擬合精度較差.在信息較少的情況下可以用灰色模型以得到更為精確的結(jié)果,或者通過篩選出更多影響因素構(gòu)建多元線性回歸方程來獲得更高精度.

對回歸方程模型做顯著性檢驗,計算得到預(yù)測模型F值為11.14,在顯著性水平α=0.005時臨界值Fα為12.78,故認為吞吐量與時間存在某種線性關(guān)系.利用回歸方程對2018年港口集裝箱吞吐量進行預(yù)測,結(jié)果如圖2所示.

圖2 基于回歸模型預(yù)測算法的港口集裝箱吞吐量預(yù)測結(jié)果Fig.2 Prediction results of port container throughput based on regression model prediction algorithm

由于只用時間作為唯一的自變量,預(yù)測精度不高,所以當(dāng)實際數(shù)據(jù)遇到季節(jié)、政治或經(jīng)濟危機等其他影響因素時,一元線性回歸模型的精度就會下降.此時最好分析一些其他可能的影響因素,如煙臺港港口集裝箱吞吐量、大連當(dāng)月GDP總值或全國GDP總值等,以便得到更為精確的預(yù)測模型.回歸預(yù)測模型的精度測定值見表5,可知回歸預(yù)測MSE=36 827.521 670,SDE=191.904 981.

表5 回歸模型預(yù)測精度Table 5 Prediction accuracy of regression model

3.3 基于灰色模型的預(yù)測結(jié)果分析

將2013—2016年數(shù)據(jù)作為原始數(shù)據(jù),構(gòu)建原始數(shù)列x(0),并求出其一階累加值,將新生成的一階累加數(shù)列命名為x(1).對于累加序列x(1),建立微分方程模型為

采用Matlab進行矩陣計算,得出a=-0.007 0,u=2 701.8,故微分方程結(jié)果為

由微分方程可得G(1,1)預(yù)測模型為

采用灰色模型所得的預(yù)測值如圖3所示.

圖3 基于灰色模型預(yù)測算法的港口集裝箱吞吐量預(yù)測結(jié)果Fig.3 Prediction results of port container throughput based on grey prediction model prediction algorithm

由圖可知,灰色模型的預(yù)測結(jié)果與真實值相比波動更小,數(shù)據(jù)出現(xiàn)波動時的預(yù)測效果比前兩種線性模型好.說明灰色模型在已知信息較少時也可以較為準確的得出預(yù)測值,雖然計算過程較為煩瑣,但是模型的精確度更高,故灰色模型較適合對港口集裝箱吞吐量進行預(yù)測.

3.4 3種預(yù)測模型預(yù)測結(jié)果比較

將3種模型的預(yù)測值與實際值對比分析如圖4所示.從圖4可以看出,時間序列預(yù)測模型與線性回歸預(yù)測模型所得出的結(jié)果接近為一條直線,說明兩者預(yù)測結(jié)果相近.由于集裝箱吞吐量的值易受季節(jié)、經(jīng)濟情況與腹地經(jīng)濟發(fā)展等因素影響,其實際值往往波動較大,并不能很好地用線性關(guān)系擬合.而灰色模型采用對實際值做一階累加后求微分方程的方法建模,在獲取信息較少時,比其他線性模型相比具有更高的精度.將3種模型的精度進行對比,見表6,差值越小,說明精度越高.由表6數(shù)據(jù)可知灰色模型的預(yù)測值精度最好.

表6 3種模型精度值Table 6 Precision values of the three models

圖4 3種預(yù)測模型算法預(yù)測結(jié)果Fig.4 Prediction results of three prediction model algorithms

對比分析時間序列模型、回歸模型和灰色模型3種預(yù)測模型的預(yù)測結(jié)果可以發(fā)現(xiàn):1) 對于港口運量增長較為平穩(wěn)的普通增長型港口,3種預(yù)測模型都能取得很好的預(yù)測效果,其中,灰色模型只需較少的數(shù)據(jù)便可以達到很高的預(yù)測精度,回歸模型需要的數(shù)據(jù)較多,但是可以很好地處理轉(zhuǎn)折點的問題,但對數(shù)據(jù)要求較為苛刻;2) 對于加速增長型港口,由于數(shù)據(jù)增長較快,基于平均值的時間序列模型會出現(xiàn)較大的誤差,其他2種模型更適用于這類港口的預(yù)測,其中灰色模型的樣本不建議選的過長,可能會對預(yù)測精度起到不好的影響,多元回歸模型在建立過程中尋找解釋變量可能會更加困難,很多經(jīng)濟變量并不與港口的集裝箱運量線性相關(guān);3) 對于波動增長型的港口,傳統(tǒng)的時間序列模型和回歸模型沒有辦法考慮非量化因素的影響,而灰色模型對這種影響的判斷也較弱,會出現(xiàn)較大的誤差.此時采用RBF神經(jīng)網(wǎng)絡(luò)模型等基于神經(jīng)網(wǎng)絡(luò)與聚類分析的算法可能會有更好的效果.

基于上述實驗結(jié)果可知,雖然大連港是平穩(wěn)的普通增長型港口,但當(dāng)港口集裝箱吞吐量出現(xiàn)較大波動時,時間序列預(yù)測法誤差較大,故本研究采用回歸模型和灰色模型對大連港未來五年集裝箱吞吐量進行預(yù)測,結(jié)果如圖5所示,可以看出大連港未來五年集裝箱吞吐量總體為上升趨勢,且其吞吐量增長速度依舊在逐漸加快.整體吞吐量沒有出現(xiàn)較大波動,繼續(xù)向著平穩(wěn)的方向發(fā)展.

圖5 大連港未來五年集裝箱吞吐量預(yù)測結(jié)果Fig.5 Prediction results of container throughput in Dalian port in next five years

4 結(jié) 語

本文在介紹集裝箱吞吐量預(yù)測算法與理論的基礎(chǔ)上,運用時間序列模型、回歸模型與灰色模型3種方法對大連港集裝箱吞吐量進行預(yù)測,通過對3種預(yù)測模型進行誤差分析,得出3種模型適用的港口類型、研究結(jié)果為相關(guān)管理人員提供了一定的參考.