摘" 要：隨著經(jīng)濟(jì)全球化的發(fā)展，港口作為物流發(fā)展的重要環(huán)節(jié)，港口物流需求已經(jīng)成為港口資源配置規(guī)劃和進(jìn)出口貿(mào)易的重要依據(jù)。為對寧波市港口物流需求進(jìn)行科學(xué)合理的預(yù)測，文章借助SPSS等數(shù)據(jù)分析軟件，使用二次指數(shù)平滑和多元線性回歸分別對其物流需求進(jìn)行預(yù)測，通過對比兩種預(yù)測方法的精度，最后發(fā)現(xiàn)，二次指數(shù)平滑法的預(yù)測精確度要優(yōu)于多元線性回歸法，并通過二次指數(shù)平滑法預(yù)測寧波市未來五年的港口物流需求量。

關(guān)鍵詞：二次指數(shù)平滑；多元線性回歸；港口物流需求預(yù)測

中圖分類號(hào)：F550" " 文獻(xiàn)標(biāo)志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.17.020

Abstract： With the development of economic globalization， as an important part of logistics development， port logistics demand has become an important basis for port resource allocation planning and import and export trade. In order to make a scientific and reasonable forecast of Ningbo Port logistics demand. With the help of data analysis software such as SPSS， this paper uses quadratic exponential smoothing and multiple linear regression to forecast its logistics demand respectively. By comparing the accuracy of the two forecasting methods， it is finally found that the forecasting accuracy of quadratic exponential smoothing is better than that of multiple linear regression， and the port logistics demand of Ningbo in the next five years is predicted by quadratic exponential smoothing.

Key words： second exponential smoothing method; multiple linear regression; port logistics demand forecast

0" 引" 言

港口是國際貿(mào)易物流鏈中的重要節(jié)點(diǎn)，發(fā)揮著綜合交通運(yùn)輸樞紐的角色，是國家經(jīng)濟(jì)社會(huì)發(fā)展的重要戰(zhàn)略資源和支撐[1]。寧波作為世界型港口城市，物流業(yè)一直在經(jīng)濟(jì)發(fā)展中占據(jù)重要地位。作為“第三方利潤源”，隨著經(jīng)濟(jì)發(fā)展的深入，市場競爭方式逐漸從單一的價(jià)格戰(zhàn)轉(zhuǎn)變?yōu)榧夹g(shù)、服務(wù)、管理的多元化競爭。根據(jù)《寧波市國民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和二O三五年遠(yuǎn)景目標(biāo)綱要》可知，寧波充分利用其所擁有的地理優(yōu)勢，積極構(gòu)建以港口物流為主的現(xiàn)代物流產(chǎn)業(yè)體系，目前已基本完成“十三五”物流發(fā)展規(guī)劃目標(biāo)任務(wù)，繼續(xù)為實(shí)現(xiàn)“十四五”時(shí)期物流高質(zhì)量發(fā)展而努力。因此，物流業(yè)對寧波的經(jīng)濟(jì)發(fā)展有重要影響，對寧波市進(jìn)行物流需求預(yù)測可以有助于該市合理運(yùn)用有效資源和制定相關(guān)經(jīng)濟(jì)政策。

胡小建等[2]通過指數(shù)平滑、多元線性回歸和構(gòu)建多元非線性回歸方法對預(yù)測結(jié)果進(jìn)行比較分析。馮丹青等[3]通過考慮負(fù)載需求的時(shí)間因素，結(jié)合改進(jìn)的二次指數(shù)平滑方法對云平臺(tái)的數(shù)字資源進(jìn)行預(yù)測。李思聰?shù)萚4]通過灰色預(yù)測、多元線性回歸及其組合模型預(yù)測農(nóng)產(chǎn)品冷鏈物流的需求量，通過對比分析，得出最優(yōu)的預(yù)測方法。要想精準(zhǔn)的預(yù)測未來的物流需求，選擇合適的需求預(yù)測方法十分重要，二次指數(shù)平滑和多元線性回歸在物流需求預(yù)測中較為常見，本文通過實(shí)例數(shù)據(jù)對兩種方法進(jìn)行比較分析，選擇更為精確的方法。

1" 研究方法

1.1" 二次指數(shù)平滑法

二次指數(shù)平滑是一種對數(shù)據(jù)進(jìn)行兩次指數(shù)平滑的方法。它基本上是使用歷史數(shù)據(jù)的加權(quán)平均值作為未來預(yù)測[5]。通過在不同時(shí)間為觀測值分配不同的權(quán)重，可以改善最近觀測值對預(yù)測的影響，并且可以更改權(quán)重。通過更改平滑指數(shù)的權(quán)重變化率，平滑指數(shù)越小，權(quán)重變化越快，平滑指數(shù)捕獲觀測值的最新趨勢的速度就越快。當(dāng)整個(gè)時(shí)間序列呈近似線性趨勢時(shí)，可以使用二次指數(shù)平滑，具有樣本要求小，計(jì)算簡單，適應(yīng)性高的優(yōu)點(diǎn)。具體步驟為：

（3）通過預(yù)測模型進(jìn)行物流需求量的預(yù)測

在使用指數(shù)平滑法預(yù)測時(shí)，關(guān)鍵點(diǎn)在于α的取值。一般來說，若數(shù)據(jù)的波動(dòng)性較大，α的取值要稍大一點(diǎn)，的值越大，近期數(shù)據(jù)對預(yù)測值的影響就越大；如果數(shù)據(jù)波動(dòng)平穩(wěn)，則α就選擇小一點(diǎn)。當(dāng)考慮原始數(shù)據(jù)的長期發(fā)展規(guī)律，消除季節(jié)性影響因素，α的值一般取0.1～0.3之間；當(dāng)原始數(shù)據(jù)波動(dòng)性較大時(shí)，α一般取0.3～0.5之間；當(dāng)原始數(shù)據(jù)波動(dòng)大發(fā)展趨勢明顯，且想盡快反映時(shí)間序列數(shù)值的變化時(shí)，α一般取06～0.8之間[6]。

1.2" 多元線性回歸模型

回歸分析是以系統(tǒng)變量的歷史數(shù)據(jù)為基礎(chǔ)，運(yùn)用相關(guān)的數(shù)理統(tǒng)計(jì)方法進(jìn)行回歸建模，確定系統(tǒng)中自變量之間的數(shù)量因果關(guān)系，然后根據(jù)回歸結(jié)果得出估計(jì)系統(tǒng)未來發(fā)展趨勢的函數(shù)模型和預(yù)測方法[7]。在現(xiàn)實(shí)生活中，物流需求的影響因素往往受多個(gè)因素的影響，為了深入分析影響物流需求量的因素，需要構(gòu)建量化分析模型，則多元線性回歸模型可以很好的滿足此要求。具體如下：

（1）擬合度檢驗(yàn)。

（2）德賓沃森檢驗(yàn)，亦稱為D-W檢驗(yàn)。D-W檢驗(yàn)是用來檢驗(yàn)樣本之間是否相互獨(dú)立。一般認(rèn)為D-W的值接近于2則認(rèn)為樣本之間獨(dú)立性較強(qiáng)。在實(shí)際中，若D-W值在1.5～2.5之間，通常認(rèn)為樣本數(shù)據(jù)是可行的，否則，樣本數(shù)據(jù)會(huì)影響回歸方程的準(zhǔn)確性和穩(wěn)定性，需要重新選擇樣本。

（3）方差膨脹因子，簡稱VIF。VIF表示多重共線性的嚴(yán)重程度，用來檢驗(yàn)回歸模型是否呈現(xiàn)共線性，其中共線性表示因變量之間存在高度相關(guān)的關(guān)系。一般認(rèn)為VIF的值不超過5。

（4）回歸方程的顯著性檢驗(yàn)。用來檢驗(yàn)自變量對因變量的影響程度，用來判斷自變量是否留在回歸方程中。一般來說，顯著性的值不超過0.005。

2" 寧波市物流需求預(yù)測建模

2.1" 基礎(chǔ)數(shù)據(jù)

2.2" 指數(shù)平滑預(yù)測法

2.3" 多元線性回歸預(yù)測法

通過式（9）對寧波市2013年至2021年的港域貨運(yùn)吞吐量進(jìn)行預(yù)測，得到的預(yù)測值與實(shí)際值和相對誤差如表8所示。從表中可以看出，預(yù)測數(shù)據(jù)的相對誤差控制在20%以內(nèi)，則可判斷該預(yù)測結(jié)果可靠。

3" 結(jié)果分析

將兩種方法得到的預(yù)測數(shù)據(jù)進(jìn)行比較分析，得出最優(yōu)的預(yù)測方法，并將相關(guān)數(shù)據(jù)展示如表9所示。

為了使對比結(jié)果更加直觀，將寧波市港域貨運(yùn)吞吐量實(shí)際值與兩種方法的預(yù)測值用圖2展示。通過圖2的對比可以發(fā)現(xiàn)，無論是二次指數(shù)平滑還是多元線性回歸，與真實(shí)數(shù)據(jù)都存在一定的誤差，但綜合對比發(fā)現(xiàn)，二次指數(shù)平滑法在預(yù)測數(shù)據(jù)時(shí)數(shù)據(jù)的滯后性更小，預(yù)測的結(jié)果更為準(zhǔn)確。所以選取二次指數(shù)平滑法對寧波市未來五年的港域貨運(yùn)吞吐量進(jìn)行預(yù)測，根據(jù)式（8）得到2022—2026年的預(yù)測結(jié)果如表10所示。

參考文獻(xiàn)：

[1] 尹志凌. 寧波港口物流服務(wù)創(chuàng)新現(xiàn)狀及發(fā)展對策[J]. 中國水運(yùn)，2020（10）：101-103.

[2] 胡小建，張美艷，盧林. 物流需求預(yù)測模型構(gòu)建[J]. 統(tǒng)計(jì)與決策，2017（19）：185-188.

[3] 馮丹青，吳智博. 云平臺(tái)下資源需求預(yù)測方法的研究[J]. 智能計(jì)算機(jī)與應(yīng)用，2021，11（8）：1-5.

[4] 李思聰，葉靜. 基于灰色回歸模型的農(nóng)產(chǎn)品冷鏈物流需求分析及預(yù)測[J]. 公路交通科技，2022，39（5）：166-174.

[5] 崔雨欣. 基于Lasso-BP神經(jīng)網(wǎng)絡(luò)的河北省物流需求預(yù)測研究[D]. 石家莊：河北經(jīng)貿(mào)大學(xué)，2019.

[6] 李鋼，陳自然，田偉，等. 應(yīng)用二次指數(shù)平滑法的光柵信號(hào)細(xì)分方法研究[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2018，32（2）：86-92，236.

[7] 劉炯. 基于多元線性回歸的物流需求預(yù)測分析——以安徽省為例[J]. 四川文理學(xué)院學(xué)報(bào)，2022，32（2）：51-58.

[8] 張彥萌. 基于組合模型的我國能源需求預(yù)測研究[D]. 延安：延安大學(xué)，2021.