李瀅棠，凌笑顏，鄧麗娟

(1.集美大學(xué)航海學(xué)院，福建 廈門 361021；2.廈門海洋職業(yè)技術(shù)學(xué)院,福建 廈門 361001)

0 引言

中國的保稅油資源供應(yīng)嚴(yán)重制約船供油市場發(fā)展，供需矛盾突出，保稅船供油市場規(guī)模達(dá)到1000萬t后，始終沒有實現(xiàn)較大突破。市場規(guī)模和整體經(jīng)濟(jì)發(fā)展水平極不匹配，萬噸進(jìn)出口貨物對應(yīng)的船加油量僅為新加坡的1/33,靠港船舶加油比例偏低，甚至國有大型航運(yùn)企業(yè)超過1/3的用油都在新加坡加注，僅有不足10%的用油量在中國沿海加注。據(jù)國際海事組織(IMO)規(guī)定，自2020年1月1日起全球船用燃料硫含量上限調(diào)整為0.5%，碳排放控制區(qū)內(nèi)燃料硫含量上限調(diào)整為0.1%。這些新規(guī)定將造成全球船用高硫與低硫燃料油需求此消彼長。此項“限硫令”將給全球船用油市場帶來巨大變革。廈門保稅船用燃油供給的發(fā)展處于起步階段，保稅船用燃油的供需格局變化具有隨機(jī)性和模糊性，因此，有必要對廈門保稅船用燃油市場發(fā)展進(jìn)行預(yù)測，并在此基礎(chǔ)上進(jìn)行準(zhǔn)確決策。

我國港口保稅船用燃油需求量與政策息息相關(guān)。寧波港2020年完成保稅油供應(yīng)量472.39萬t，主要原因與舟山港域加大政策供給，釋放政策紅利密切相關(guān)；深圳2020年發(fā)布的《深圳建設(shè)中國特色社會主義先行示范區(qū)綜合改革試點實施方案(2020—2025年)》，對保稅油業(yè)務(wù)進(jìn)行政策改革，大大激發(fā)和增加了深圳港的保稅油需求量。由于我國船用保稅油市場發(fā)展較晚，相應(yīng)數(shù)據(jù)較少，因此，無法對比不同政策對我國船用保稅燃油需求的影響并作出預(yù)測。本文根據(jù)近幾年廈門保稅船用燃油加注數(shù)據(jù)，研究預(yù)測短期內(nèi)、供需均衡下的廈門保稅船用燃油需求量，分析廈門港2016—2020年的保稅油加注量。由于數(shù)據(jù)量較少，許多預(yù)測方法無法使用，而單規(guī)則正態(tài)云模型能夠進(jìn)行數(shù)據(jù)量較少的短期預(yù)測[1]，本文擬構(gòu)建云模型對廈門港的保稅油需求量進(jìn)行短期預(yù)測。

1 廈門保稅船用燃油需求量短期預(yù)測云模型構(gòu)建

1.1 云模型概述

設(shè)U是一個精確數(shù)值表示的定量論域，C是U上的定性概念，如定量值x∈U，且x是C上的一次隨機(jī)實現(xiàn)，x對C的隸屬度μ(x)∈[0,1]是有穩(wěn)定傾向的隨機(jī)數(shù)，μ：U→[0,1]，x∈U，x→μ(x)，則稱x在論域U上的分布為“云”，記做(x，μ(x))，x為一個云滴，是云模型的具體實現(xiàn)[5]。云滴數(shù)量即云圖上的數(shù)據(jù)點的數(shù)量，記做N，也就是云模型實現(xiàn)的次數(shù)。云的三個數(shù)字特征分別為期望Ex、熵En和超熵He，記做A=(Ex,En,He)，主要分布區(qū)間為[Ex-3En,Ex+3En]。期望Ex是樣本均值，在統(tǒng)計數(shù)據(jù)中是最基礎(chǔ)的代表性數(shù)據(jù)；熵En反映數(shù)據(jù)的模糊度，也就是概念所包含的樣本的取值范圍；超熵He是熵En的不確定性度量，表示定性概念的隨機(jī)性和模型的離散程度[6]。

表1 廈門港2016—2019年保稅油加注量Tab.1 Filling volume of bonded oil inXiamen port from 2016 to 2019年份Year保稅油加注量Filling volume of bonded oil/萬t201625.79201725.52201833.35201937.68202061.76

1.2 廈門保稅船用燃油需求預(yù)測云模型構(gòu)建

廈門港2016—2020年的保稅油加注量如表1所示。

在供需均衡的條件下，保稅油加注數(shù)據(jù)可以作為需求數(shù)據(jù)，進(jìn)行保稅油需求預(yù)測。

廈門保稅船用燃油需求預(yù)測云模型建立的研究思路及流程如圖1所示。1.2.1 連續(xù)數(shù)據(jù)離散化

云模型是基于定性概念的，因此需要輸入的數(shù)據(jù)為離散型數(shù)據(jù)，需要將保稅油加注量進(jìn)行數(shù)據(jù)離散化處理，轉(zhuǎn)化為定性數(shù)據(jù)。常用的方法包括等距離區(qū)間法和等頻率區(qū)間法，等距離又叫做等寬法，即將數(shù)據(jù)分為相同寬度區(qū)間；等頻法則是按照數(shù)據(jù)的個數(shù)進(jìn)行等分。這兩種方法較為直接，不能更好地體現(xiàn)數(shù)據(jù)的特征。

廈門港自2016開啟保稅油業(yè)務(wù)，積累的歷史數(shù)據(jù)較少，按照普通連續(xù)性數(shù)據(jù)計算概率密度函數(shù)然后進(jìn)行等寬或等頻劃分意義不大，因此，依據(jù)云模型本身的概念特征，從以下兩個方面考慮：1)論域中的元素對定性概念的隸屬度為統(tǒng)計屬性的體現(xiàn)，具有一定的隨機(jī)性；2)從對定性概念的貢獻(xiàn)看，高頻率元素的貢獻(xiàn)高于低頻率元素的貢獻(xiàn)[7]。因此，基于以上兩點，得到以峰值為基點的算法：

(1)

由云發(fā)生器的算法可知，云滴X的統(tǒng)計規(guī)律分析如下：概率密度函數(shù)可表示為

由此可得：

(2)

表達(dá)式是一個沒有解析形式的密度函數(shù)，因此，對任意的x只能通過數(shù)值積分的方法計算相應(yīng)的函數(shù)值[8]。

由于密度函數(shù)沒有表達(dá)式，為繪圖清晰，將區(qū)間步長定為5，根據(jù)式(1)、式(2)，通過Matlab繪出頻率分布函數(shù)f(x)，如圖2所示。

一般來說，概率密度函數(shù)的波峰可定義為云模型的期望值，但由于數(shù)據(jù)量小，將4個數(shù)據(jù)定義為云的期望值En(i=1,2,…)，用于擬合云模型的熵En，從而計算得到分布函數(shù)F(x)。根據(jù)圖2密度函數(shù)圖，得到分布函數(shù)如圖3所示。

分布函數(shù)通過逆向云發(fā)生器繪制綜合云圖，是初始數(shù)據(jù)的云圖反映，如圖4所示。

通過以上概率密度函數(shù)及分布函數(shù)得到云模型的數(shù)字特征值(Ex,En,He),繪出初始云圖,如圖5所示。從圖5可以看出，盡管云變換擬合了原始數(shù)據(jù)的分布，但是云模型之間的關(guān)系較為粗糙，有的云圖重疊度較高，概念相似，因此，需對云模型進(jìn)行基礎(chǔ)概念的躍升。

1.2.2 躍升標(biāo)準(zhǔn)云圖

分析圖5可以發(fā)現(xiàn)，直接繪出云圖的效果并不理想，2016年與2017年的云圖重疊，且各個云圖之間的距離過小。因此，需要將較為粗糙的云模型進(jìn)行標(biāo)準(zhǔn)化處理，使之能夠清晰地反映數(shù)據(jù)之間的關(guān)系，這個過程叫做概念躍升[9]。具體做法是：將數(shù)據(jù)按照特征和性能劃分，使之成為若干關(guān)系較為簡單的塊，每個塊被看作一個粒，這種信息處理的過程叫做信息?；步行畔⒘?。常見的信息躍升方法有三種：1)用戶指定提前確定概念粒度；2)自動躍升，即不預(yù)先指定要躍升的概念粒度，而是根據(jù)泛概念樹的具體情況及人類認(rèn)知的特點，在挖掘過程中自動將概念躍升到合適的概念粒度。在泛概念樹允許的情況下，概念粒度一般取5～9個較為合適；3)人機(jī)交互躍升，指用戶根據(jù)挖掘結(jié)果多次干預(yù)并具體指導(dǎo)概念躍升。

本研究數(shù)據(jù)較少，因此采用第3種方法，得到5個表示保稅油加注量的標(biāo)準(zhǔn)云模型，如圖6所示。

云模型的數(shù)字特征如下表2所示，相鄰的云模型有部分重疊。

表2 標(biāo)準(zhǔn)云模型的數(shù)字特征

1.2.3 隸屬度判定

在云模型中，隸屬度可以用于判斷該數(shù)值屬于哪個概念層次，而常用的隸屬度判定方法包括隨機(jī)判定法和極大判定法。隨機(jī)判定法是依據(jù)屬性值對概念集中所有概念的隸屬程度比例關(guān)系，在隸屬程度大的前幾名中隨機(jī)選擇隸屬概念，當(dāng)屬性值對某一概念的隸屬程度大，那么被選擇的概率也隨之增大；極大判定法是依據(jù)屬性值對概念集中所有概念的隸屬程度的大小，選擇最大隸屬度的概念作為隸屬概念[10]。

考慮到本研究數(shù)據(jù)較少，隨機(jī)性差，因此選擇極大判定法，發(fā)生器原理如圖7所示。其中，CG表示正態(tài)云發(fā)生器。

在表示不同云模型時，既有“較低”“低”“較高”等定性詞語，也有云模型的數(shù)字特征值，那么在預(yù)測中如何實現(xiàn)定性語言值到定量數(shù)值的轉(zhuǎn)換仍然是關(guān)鍵問題。對數(shù)值型屬性的論域劃分來說，從數(shù)字定量轉(zhuǎn)換為定性描述能夠較好地反映出屬性值在論域中的不確定性分布[11]。

采用云變化進(jìn)行數(shù)值型屬性的離散化，所得到的定性概念可以反映論域中屬性值的實際分布，并能通過概念躍升獲得不同層次的關(guān)聯(lián)規(guī)則。采用定性語言值代替精確數(shù)值表示支持度和置信度域值[12]。依據(jù)上述方法，對于給定的云表示的支持度軟域值(0.05)和置信度軟域值(0.45)以時間為規(guī)則前件，以保稅油加注量為規(guī)則后件，在一定的概念粒度上，產(chǎn)生5個滿足支持度和置信度的關(guān)聯(lián)規(guī)則，也就是用i表示屬性概念的第i個語言值，如“1”表示：保稅油需求量較低。

1.3 基于云模型的2020年廈門保稅船用燃油需求量預(yù)測

根據(jù)關(guān)聯(lián)挖掘算法[4]，變量可分為布爾型和數(shù)值型。布爾型關(guān)聯(lián)規(guī)則處理的數(shù)據(jù)是離散的，通過數(shù)據(jù)分類顯示變量之間的關(guān)系；數(shù)值型則是對數(shù)值型字段處理。在本研究中，數(shù)據(jù)使用于布爾型關(guān)聯(lián)規(guī)則，將轉(zhuǎn)化后的保稅油供應(yīng)量屬性表轉(zhuǎn)化為布爾型數(shù)據(jù)庫，如表3所示。

一條定性規(guī)則的形式化描述可以為ifathenb。其中，a、b為語言值表示的對象，其定性規(guī)則如圖8所示。

表3 布爾型屬性表Tab.3 Boolean attribute table較低Lower低Low中等Medium較高Higher高High1000001000001000001000001Ca(Ex-a,En-a,He-a)Cb(Ex-b,En-b,He-b)CGaCGbμU圖8單規(guī)則生成器Fig.8Singlerulegenerator(y,μ)

這里分別用帶X、Y條件的云來構(gòu)造單條定性規(guī)則。CGa表示對應(yīng)輸出平面語言值a的帶X條件的云對象；CGb表示對應(yīng)輸出平面語言值b的帶Y條件的云對象。當(dāng)輸入平面的某一特定輸入U時，CGa隨機(jī)產(chǎn)生一個μ值，反映對應(yīng)規(guī)則下的激活輕度，并控制CGb輸出一個隨機(jī)云滴drop(y,μ)，通過這種結(jié)構(gòu)實現(xiàn)了對不確定性的繼承和傳遞。

將2019年云模型數(shù)字特征輸入模型后，得到2020年的預(yù)測值為58.67萬t,與2020年實際值61.76萬t相比，云模型預(yù)測誤差為5%，用該模型對廈門保稅船用燃油需求進(jìn)行預(yù)測具有可行性。

2 云模型與Logistic回歸預(yù)測模型比較分析

2.1 廈門保稅船用燃油需求Logistic回歸預(yù)測模型構(gòu)建

廈門保稅船用燃油需求Logistic回歸預(yù)測模型建立的研究思路及流程如圖9所示。

1)相關(guān)因素選取及相關(guān)性檢驗

構(gòu)建Logistic預(yù)測模型初始數(shù)據(jù)需要滿足三個條件[15]：1)兩個變量之間是線性關(guān)系，都是連續(xù)數(shù)據(jù)；2)兩個變量的總體是正態(tài)分布，或接近正態(tài)的單峰分布；3)兩個變量的觀測值是成對的，每對觀測值之間相互獨立。常用的相關(guān)性研究方法包括皮爾遜法、肯德爾法和斯皮爾曼三種。

本研究選取外貿(mào)集裝箱吞吐量、集裝箱吞吐量、廈門GDP三個對廈門保稅船用燃油需求量有較大影響的因素，作為輸入變量，通過分析三個指標(biāo)的相關(guān)數(shù)據(jù)，條件1)和條件3)均滿足，并進(jìn)行一致性檢驗，表4為正態(tài)檢驗結(jié)果。

表4 正態(tài)性檢驗

本研究的相關(guān)指標(biāo)均滿足正態(tài)性檢驗結(jié)果，適合用皮爾遜法、肯德爾法和斯皮爾曼相關(guān)性分析。進(jìn)一步計算得到，皮爾遜相關(guān)性分析表明外貿(mào)集裝箱吞吐量與保稅油供應(yīng)量在0.05級別的雙尾檢驗上，相關(guān)性為0.895，顯著相關(guān)性?？纤栂嚓P(guān)性分析表明各指標(biāo)與保稅油供應(yīng)量無相關(guān)性。斯皮爾曼相關(guān)性分析與集裝箱吞吐量在0.05級別的雙尾檢驗上，相關(guān)性為0.9顯著，相關(guān)性顯著性為0.037；與廈門GDP在0.05級別的雙尾檢驗上，相關(guān)性顯著，相關(guān)性為0.9，顯著性為0.037。

2)相關(guān)因素指標(biāo)預(yù)測值計算

首先確定內(nèi)稟增長率和增長極限容量，計算結(jié)果如表5所示。

表5 內(nèi)稟增長率和增長極限容量

其中，樂觀增長極限是按照2016-2019年間各指標(biāo)的最高增長率計算得到，悲觀增長極限是按照2016—2019年間各指標(biāo)的最低增長率計算得到。

將三項指標(biāo)分別輸入模型，得到偽R2、標(biāo)準(zhǔn)誤差、卡方值及顯著性水平。R2為對回歸關(guān)系的解釋百分比，偽R2是針對多元邏輯回歸模型的方差解讀，不同模型解釋比例不同，經(jīng)計算得到McFadden的R2為0.26、Cox-Snell的R2為0.32、Nagelkerke的R2為0.93，均能滿足偽R2要求。其他指標(biāo)如表6所示。

表6 Logistic模型的參數(shù)擬合

根據(jù)各項統(tǒng)計指標(biāo)顯示，該模型具有較高的準(zhǔn)度和精度，能夠較好地擬合需要預(yù)測的變量。

2.2 基于Logistic回歸預(yù)測模型的2020年廈門保稅船用燃油需求量預(yù)測

選擇外貿(mào)集裝箱吞吐量、集裝箱吞吐量、廈門GDP三個指標(biāo)，采用多因素動態(tài)生成系數(shù)法，依據(jù)相關(guān)性大小，得出預(yù)測廈門港保稅油的供應(yīng)量的計算公式如下：

P=(W×pw/rw)×(T×pt/rt)×(G×pg/rg)×R。

(6)

其中:P為廈門港保稅油供應(yīng)量；W為外貿(mào)集裝箱吞吐量；T為集裝箱吞吐量；G為廈門市GDP；pi是對應(yīng)指標(biāo)的比例系數(shù)；ri為對應(yīng)指標(biāo)的相關(guān)性系數(shù)；R為綜合系數(shù)。為減少誤差，比例系數(shù)需綜合指標(biāo)歷史資料及相關(guān)性確定，確定比例系數(shù)后輸入模型進(jìn)行預(yù)測；而相關(guān)系數(shù)則根據(jù)相關(guān)性分析得到。

內(nèi)稟增長率rw=0.815 6，rp=0.902 5，rg=1.400 1；并分別計算偽R2值：McFadden的R2為0.26;Cox-Snell的R2為0.32;Nagelkerke的R2為0.93，均能滿足要求。且標(biāo)準(zhǔn)誤差dw=0.012 6，dp=0.002 8，dg=0.001 3；卡方值kw=64.65，kp=32.18，kg=87.32；顯著性水平pw<0.000 1，pp<0.000 1，pg<0.000 1。因此可認(rèn)為該模型具有較高的準(zhǔn)度和精度，能夠較好地擬合需要預(yù)測的變量。將數(shù)值輸入模型，得到2020年廈門港保稅油需求量的預(yù)測值為52.5萬t。

2.3 預(yù)測模型對比分析

本文將時間作為規(guī)則前件的輸入，將保稅油加注量作為規(guī)則后件輸出，實現(xiàn)基于時間序列的不確定性推理，得到2020年廈門港保稅油需求量的預(yù)測結(jié)果，如圖10所示。其中：L1為真實值；L2為云模型得出的保稅油需求量預(yù)測值Ex；L3為通過Logistic得出的預(yù)測值。云模型對2020年的預(yù)測值為58.67萬t，誤差為5%；Logistic模型的預(yù)測值為52.5萬t，誤差為15%。因此，可以認(rèn)為在數(shù)據(jù)量小的情況下，云模型相較于Logistic模型具有更強(qiáng)的精度。

由于云模型相較于Logistic模型具有更高的精度，本文選取云模型預(yù)測2021年廈門保稅船用燃油需求量。將2020年云模型數(shù)字特征輸入云模型后,計算得到2021年廈門保稅船用燃油需求量的預(yù)測值為72.85萬t。

3 結(jié)論與展望

1)初始數(shù)據(jù)連續(xù)化后進(jìn)行關(guān)聯(lián)性論證，繪出初始云圖，利用概念云圖進(jìn)行數(shù)據(jù)躍升，得到標(biāo)準(zhǔn)云圖。通過極大判定法和正態(tài)云發(fā)生器計算隸屬度，將數(shù)據(jù)輸入單規(guī)則生成器得到2020年預(yù)測值。與2020年實際值相比，云模型預(yù)測誤差為5%。該結(jié)果證明云模型對廈門保稅船用燃油供應(yīng)的短期預(yù)測具有可行性。

2)選擇外貿(mào)集裝箱吞吐量、集裝箱吞吐量、廈門GDP三個指標(biāo)，構(gòu)建Logistic回歸預(yù)測模型。根據(jù)各項統(tǒng)計指標(biāo)顯示，該模型具有較高的準(zhǔn)度和精度，能夠較好地擬合需要預(yù)測的變量。此方法對廈門保稅船用燃油供應(yīng)量的預(yù)測具有一定的可行性。

3)短期預(yù)測中，對廈門保稅船用燃油供應(yīng)量的預(yù)測，云模型比Logistic回歸預(yù)測模型更精準(zhǔn)，采用云模型進(jìn)行預(yù)測，2021年廈門保稅船用燃油供應(yīng)量為72.85萬t。

4)政策對保稅油需求有較大的影響。今后將進(jìn)一步收集相關(guān)政策信息，積累足夠的保稅油加注數(shù)據(jù)，基于Scenario的研究方法，針對不同的政策腳本，預(yù)測船舶交通的保稅船用燃油的需求量。