黃 娟，劉雙賢

（四川旅游學(xué)院經(jīng)濟(jì)管理學(xué)院，四川 成都610100）

1 引言

貨運(yùn)量預(yù)測(cè)是港口規(guī)劃過(guò)程中非常關(guān)鍵的環(huán)節(jié)，如何對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行分析，得到期望的參數(shù)和模型；如何發(fā)現(xiàn)各個(gè)變量之間的關(guān)系，準(zhǔn)確預(yù)測(cè)港口未來(lái)的運(yùn)量一直是值得研究的問(wèn)題。

關(guān)于運(yùn)量的預(yù)測(cè)問(wèn)題，現(xiàn)有的預(yù)測(cè)方法包括時(shí)間序列分析方法、灰色預(yù)測(cè)方法、指數(shù)平滑法[1]、KS檢驗(yàn)[2]、重力模型[3-4]等。曾佑新[5]等采用一元線性回歸模型、直線趨勢(shì)模型、自回歸模型、二次指數(shù)平滑法對(duì)中國(guó)鐵路煤炭的運(yùn)量進(jìn)行預(yù)測(cè)，對(duì)四種預(yù)測(cè)模型的誤差進(jìn)行比較與分析；FITE等[6]使用逐步多元線性回歸模型，將貨運(yùn)量與各種經(jīng)濟(jì)指標(biāo)聯(lián)系起來(lái)；RAHIM等[7]通過(guò)用模糊時(shí)間序列和指數(shù)平滑方法提出了一種CPO價(jià)格預(yù)測(cè)方法。

本文基于線性回歸和趨勢(shì)預(yù)測(cè)構(gòu)建組合預(yù)測(cè)模型，通過(guò)R語(yǔ)言篩選剔除自變量，并對(duì)模型進(jìn)行擬合，建立組合預(yù)測(cè)模型。以瀘州市2006—2018年的貨運(yùn)量數(shù)據(jù)為例驗(yàn)證模型的有效性。

2 組合預(yù)測(cè)方法

2.1 線性回歸

線性回歸預(yù)測(cè)方法是屬于因果分析預(yù)測(cè)方法的一種典型方法。主要探究導(dǎo)致運(yùn)量增加的原因與總運(yùn)量之間的關(guān)系，假設(shè)運(yùn)量V1j表示如下：

式（1）中：a為截距；b、c、m、q、k為自變量系數(shù)；X1j為某年城鄉(xiāng)人均消費(fèi)收入；X2j為某年人口總量；X3j為某年城鄉(xiāng)人均消費(fèi)支出；X4j為某年第二產(chǎn)業(yè)的總產(chǎn)值；X5j為某年礦建材料吞吐量。

根據(jù)模型的現(xiàn)實(shí)意義，現(xiàn)有自變量反復(fù)冗雜，需要對(duì)自變量進(jìn)行剔除，對(duì)模型進(jìn)行擬合得到關(guān)于總運(yùn)量的線性模型。

2.2 趨勢(shì)預(yù)測(cè)模型

假設(shè)總運(yùn)量變化情況符合線性趨勢(shì)，則：

式（2）中：V2j為某一年的預(yù)測(cè)總運(yùn)量值；α為截距；β為自變量系數(shù)；Xj為年份；εj為不可測(cè)因素。

2.3 組合預(yù)測(cè)

根據(jù)上述所提出的兩種預(yù)測(cè)方法，可以分別對(duì)總運(yùn)量作出基本合理的預(yù)測(cè)，以兩種預(yù)測(cè)結(jié)果的平均值作為最終預(yù)測(cè)值，如式（3）所示。

3 案例分析

3.1 數(shù)據(jù)說(shuō)明

本文以瀘州市2006—2018年的貨運(yùn)量（公路、水路、鐵路）為基數(shù)數(shù)據(jù)，采用R語(yǔ)言進(jìn)行自變量剔除和模型擬合，基礎(chǔ)數(shù)據(jù)如表1、表2所示。

表1 瀘州市2006—2018年貨運(yùn)量

表2 瀘州市運(yùn)量變化的影響因素

3.2 線性回歸模型擬合與自變量剔除

由現(xiàn)有數(shù)據(jù)可以看出，瀘州市的總運(yùn)量基本隨著年份的增加而均勻增加，受其他因素的影響較小，顯著呈現(xiàn)出線性趨勢(shì)。從模型的精確度的層面來(lái)說(shuō)，選擇線性回歸方法來(lái)對(duì)參數(shù)進(jìn)行標(biāo)定更能夠精確地說(shuō)明運(yùn)量的變化趨勢(shì)。但是在實(shí)際運(yùn)用中，對(duì)某一年度的運(yùn)量進(jìn)行預(yù)測(cè)，實(shí)質(zhì)上是對(duì)某一年度運(yùn)量的影響因素進(jìn)行量化與預(yù)測(cè)，需要特別注意自變量的數(shù)量，以便減小誤差。R語(yǔ)言初步的運(yùn)算結(jié)果如表3所示。

表3 初步運(yùn)算結(jié)果

僅從p值的角度來(lái)看，因數(shù)據(jù)冗雜，模型的擬合程度很低，效果較差。Signif.codes標(biāo)注預(yù)測(cè)變量的顯著性，顯著性依次遞減，p值越小，越顯著，就拒絕原假設(shè)（即系數(shù)為0）。p值越大，將對(duì)應(yīng)的變量從模型中移除。首先對(duì)X4進(jìn)行剔除，運(yùn)算結(jié)果如表4所示。

表4 剔除自變量X4

這一步的運(yùn)算結(jié)果展示中，在自變量部分已經(jīng)出現(xiàn)一個(gè)自變量的p值顯著，說(shuō)明了數(shù)據(jù)之間的相關(guān)性。再依次剔除X5、X1、X2，經(jīng)過(guò)計(jì)算，總運(yùn)量預(yù)測(cè)模型為：

其中：

3.3 趨勢(shì)預(yù)測(cè)

由于這一步采用的是趨勢(shì)預(yù)測(cè)法，因此不涉及自變量剔除的情況，運(yùn)算結(jié)果如表5所示。

表5 計(jì)算結(jié)果

由運(yùn)算結(jié)果可知，截距與自變量X都極為顯著，模型擬合效果非常顯，著總運(yùn)量預(yù)測(cè)模型為：

3.4 組合預(yù)測(cè)

組合預(yù)測(cè)結(jié)果如圖1、表6所示。由預(yù)測(cè)結(jié)果可知，組合預(yù)測(cè)的最大最小相對(duì)誤差分別為11.05%和2.38%，平均相對(duì)誤差為6.04%，平均誤差值為446.61。

圖1 組合預(yù)測(cè)結(jié)果

4 結(jié)論

準(zhǔn)確預(yù)測(cè)貨運(yùn)量是開(kāi)展貨運(yùn)組織工作的關(guān)鍵環(huán)節(jié)，本文基于線性回歸和趨勢(shì)預(yù)測(cè)構(gòu)建的組合預(yù)測(cè)模型計(jì)算簡(jiǎn)單，通過(guò)R語(yǔ)言剔除自變量和模型擬合，平均預(yù)測(cè)相對(duì)誤差為6.04%，適用于波動(dòng)較小的短期貨運(yùn)量預(yù)測(cè)，可為決策者提供參考。