中圖分類號：F552 文獻標志碼：A DOI： 10.13714/j.cnki.1002-3100.2025.08.022

Abstract： Withthecontinuous advancement of global economic integration，ports，servingas thecrucial pilarof domesticand internationallogistics，aregraduallyevolvingtowardsamoreinteligentandrefiedoperationalmodeinthefaceofintensearket competition.Asakeyindicatorforevaluatingtheproductionandoperationalactivitiesofenterprises，thepredictinoftohut' futuredataholdssgnificantimportancefortheformulationofinvestmentplaninganddevelopmentstrategiesofenterprises.Hence， theprecisepredictionofortcargothroughputofersavitalscientificbasisforportlgisticsdevelopmentplanning.TakingYaghou Portasanexaplethisatallyodctssriptivestatialaalstoelasatioarityttnddeltote dataof Yangzhou Portfrom20o9 to023，andultimatelydetermines theARIMAmodel.Subsequently，the modelisemployed to forecasttheportcargothroughputfrom2O24to2025.Thevisualizationandstatisticalresultsdemonstratethatthemodelfitswel， providing a reference for relevant personnel and managers.

Key words： cargo throughput prediction; ARIMA; time series model; Yangzhou Port

0引言

隨著全球經(jīng)濟一體化的不斷發(fā)展，港口作為連接國內(nèi)外市場的重要節(jié)點，其貨物吞吐量直接關(guān)系到國家和地區(qū)的經(jīng)濟發(fā)展。近年來，由于國際貿(mào)易的日益增長和物流體系的不斷完善，港口貨物吞吐量呈現(xiàn)出急速上升的趨勢。然而，這種增長也帶來了諸多挑戰(zhàn)，如港口擁堵、運力不足等問題日益凸顯。國際貿(mào)易政策的變化，包括關(guān)稅的調(diào)整、貿(mào)易協(xié)議的簽署或廢除，對港口貨物吞吐量產(chǎn)生了顯著影響，這使得港口物流跨入一個新的發(fā)展階段。日益加劇的競爭環(huán)境促使港口向智慧化、精細化方向轉(zhuǎn)型和發(fā)展，港口貨物吞吐量一定程度上反映港口建設、運輸能力、經(jīng)濟發(fā)展實力，對港口規(guī)劃建設決策具有重大意義，所以建立科學、合理和準確的港口貨物吞吐量模型能夠給港口的未來發(fā)展提供參考性建議。

戴紅偉等利用MPA-BP神經(jīng)網(wǎng)絡和ARIMA模型對寧波港進行預測，表明MPA優(yōu)化的BP神經(jīng)網(wǎng)絡可以提升預測精度[。柳德才等提出基于改進的灰色預測NGMG1，（N）模型預測上海港未來5年集裝箱吞吐量，顯示精度較高2。曹瑩等提出反向BP神經(jīng)網(wǎng)絡和ARIMA的組合模型，預測天門港精度較高[3]。張聰?shù)忍岢鋈诤项A訓練的港口吞吐量LSTM預測模型，對天津港等15個中大型港口進行預測，能夠有效解決LSTM過擬合問題，整體預測準確率高4。李朝輝等在單一預測模型的基礎上引進了誤差修正Stacking算法及其他組合模型對深圳港進行預測，結(jié)果顯示Stacking的能夠融合其優(yōu)點，增強泛化能力，提高精度減少誤差?？苡钴幍葘⒃夹蛄蟹纸獬删€性核函數(shù)，構(gòu)建DKELM選擇性深度集成的集裝箱吞吐量預測模型，對沿海六大港口進行預測，證實了模型的優(yōu)越性。徐浩帆利用SARIMAX模型提取原始序列中季節(jié)性和趨勢成分，引入貝葉斯優(yōu)化的LSTM網(wǎng)絡，對預測值誤差序列進行修正，提高預測的精度和準確性。

綜上所述，早期的研究多集中在運用傳統(tǒng)的統(tǒng)計方法進行吞吐量預測，如回歸分析、灰色預測等。隨著計算機技術(shù)和數(shù)據(jù)分析方法的不斷進步，國內(nèi)學者開始嘗試將更先進的算法引入港口貨物吞吐量的預測中，多角度的數(shù)據(jù)融合和深度挖掘方法為港口管理者提供了更豐富的決策信息。

1相關(guān)理論

1.1時間序列模型

時間序列分析是一種連續(xù)時間內(nèi)數(shù)據(jù)的統(tǒng)計技術(shù)，用來分析有序排列的一系列數(shù)據(jù)點，這些數(shù)據(jù)點一般是在連續(xù)的時間間隔內(nèi)收集，具有連續(xù)性，并且分析旨在揭示隱藏在數(shù)據(jù)背后的特定模式、趨勢、季節(jié)性和周期性等特征。

時間序列分析法是對時間依賴數(shù)據(jù)進行深入剖析的強大工具，該分析方法的核心在于識別數(shù)據(jù)點之間的時間相關(guān)性。通過挖掘這種依賴性，了解早期數(shù)據(jù)如何影響后續(xù)結(jié)果，透徹理解數(shù)據(jù)隨時間演變的軌跡并進行趨勢分析。同時還能檢測確定的時間周期內(nèi)反復出現(xiàn)的數(shù)據(jù)模式，使季節(jié)性因素在預測時得以考慮，除了季節(jié)性外，時間序列分析還能識別數(shù)據(jù)的非固定周期性波動，這一點增加了分析的靈活性和深度。常用的時間序列分析法有移動平均法、指數(shù)平滑法和趨勢外推法。

1.2 ARIMA模型

ARIMA模型，稱為自回歸滑動平均模型，是時間序列預測中的常用模型。這種模型由自回歸、差分整合和移動平均三個部分組成。通過這三個部分，ARIMA模型可以清楚描述數(shù)據(jù)中存在的趨勢、季節(jié)性和周期性等特征。

ARIMA模型需考慮數(shù)據(jù)是否平穩(wěn)，如果數(shù)據(jù)中存在季節(jié)性波動，則應考慮使用更加適合的季節(jié)性SARIMA模型或添加季節(jié)性調(diào)整步驟后再進一步使用ARIMA模型。在運用ARIMA模型時，有效性的確認及參數(shù)調(diào)整往往是一個不斷調(diào)試的過程。預測時需要不斷調(diào)整模型和參數(shù)并通過驗證來提高預測準確性。ARIMA模型的優(yōu)點是在于它能夠處理非平穩(wěn)時間序列數(shù)據(jù)，還能通過差分運算消除數(shù)據(jù)的季節(jié)性影響，使得模型更加準確地描述數(shù)據(jù)的內(nèi)在規(guī)律。

ARIMA模型由3個重要的參數(shù) （ p ， d ， q ） 決定，其中 p 為自回歸系數(shù)，表示序列值滯后 p 階，公式如下。

d 表示時序數(shù)據(jù)為平穩(wěn)序列需要進行 d 次差分， q 為滑動平均系數(shù)，表示誤差項滯后 q 階，公式如下。

其中，ARIMA模型的自相關(guān)函數(shù)體現(xiàn)了序列數(shù)據(jù)相鄰數(shù)據(jù)的相關(guān)性，其數(shù)學公式如下。

偏自相關(guān)函數(shù)是隨機變量去除中間 k - 1 一個值后 和 之間的相關(guān)性，數(shù)學公式如下。

ARIMA建模步驟：首先對原始數(shù)據(jù)進行平穩(wěn)性檢驗，如果不滿足則差分進行處理；然后對平穩(wěn)序列進行ACF和PACF分析，確認 p ， d ， q ；模型估計，檢驗擬合效果；最后殘差白噪聲檢驗，檢驗通過，則進行數(shù)據(jù)預測。

2揚州港口貨物吞吐量預測模型構(gòu)建

2.1數(shù)據(jù)來源

本文所使用數(shù)據(jù)是揚州港口物流相關(guān)指標，包括貨物吞吐量（萬噸）、集裝箱吞吐量（萬噸）、生產(chǎn)用碼頭長度（米）、生產(chǎn)用碼頭個數(shù)（個）等字段，最終通過熵值法確定了港口物流指標中最核心的貨物吞吐量（萬噸）作為被觀測數(shù)據(jù)，時間段為2009—2023年。數(shù)據(jù)來源于《江蘇統(tǒng)計年鑒》及揚州統(tǒng)計局網(wǎng)站。

2.2平穩(wěn)性檢驗

揚州港貨物吞吐量原始序列如圖1所示，明顯可以看出貨物吞吐量呈逐年上升趨勢。進行ACF和PACF檢驗，結(jié)果見圖2及圖3。圖2可以看出數(shù)據(jù)急劇下降并沒有呈現(xiàn)波動，表現(xiàn)為拖尾；圖3則表現(xiàn)在零軸上下波動，為截尾。因此，原始序列為非平穩(wěn)序列。

2.3 模型識別

對原始序列進行二階差分后，結(jié)果見圖4。然后進行ACF和PACF檢驗，如圖5及圖6所示。從圖5和圖6可以看出，差分后的ACF和PACF均為0階拖尾，所以2階差分后的序列為平穩(wěn)序列， p = 0 ， q = 0 ， d = 2 。

2.4模型估計

由于原始數(shù)據(jù)為貨物吞吐量（萬噸）為年度數(shù)據(jù)，已經(jīng)排除了季節(jié)性影響，所以不需要做季節(jié)性分析。根據(jù)模型識別中確定的參數(shù)建模ARIMA（0，2，0），運用SPSS27進行建模，擬合效果如圖7，模型擬合效果良好。同時，根據(jù)SPSS27內(nèi)置專家建模器，自動建模，擬合效果如圖8。通過比對兩個擬合圖，以及兩者的模型擬合統(tǒng)計量，發(fā)現(xiàn)自建模型平穩(wěn)的R方值更高，因此，選用自建模型ARIMA（O，2，0）。

2.5 殘差白噪聲檢驗

選擇最終模型后，還需要對殘差項進行白噪聲檢驗。如果殘差項存在自相關(guān)，則需要不斷重新建模并重復前面的步驟，直至殘差為白噪聲。殘差白噪聲ACF、PACF檢驗如圖9所示。根據(jù)檢驗圖可以看出，差分后的自相關(guān)系數(shù)和偏相關(guān)系數(shù)全部落在置信區(qū)間內(nèi)，并且越來越接近于零，表明擬合后的殘差項為白噪聲序列，無需繼續(xù)建模。

2.6數(shù)據(jù)預測

根據(jù)模型對2024—2025年揚州港口貨物吞吐量進行預測，預測結(jié)果見表1、圖10。

3結(jié)束語

本文運用ARIMA模型對揚州港2024—2025年貨物吞吐量進行預測，從模型擬合結(jié)果看比較良好。ARIMA的邏輯還是基于時間序列分析法的研究，通過構(gòu)建有效、實用的ARIMA預測模型，為港口貨物吞吐量的預測和規(guī)劃提供了新的思路和方法，也可以進一步拓展時間序列分析法的應用領(lǐng)域，優(yōu)化模型算法，同時結(jié)合其他方法模型綜合分析，以此來提高預測精度和穩(wěn)定性，為港口物流行業(yè)的發(fā)展貢獻更多的智慧和力量。

未來研究中，我們將進一步完善數(shù)據(jù)收集渠道，同時加強對數(shù)據(jù)的預處理，提高數(shù)據(jù)質(zhì)量和完整性，以期獲得更準確的預測結(jié)果。還可以將現(xiàn)有模型與其他模型混合與集成，將ARIMA模型與其他時間序列模型相結(jié)合，或與非線性模型結(jié)合，如支持向量機（SVM）和人工神經(jīng)網(wǎng)絡（ANN）相集成，提高模型在各種情境下的預測穩(wěn)健性。

參考文獻：

[1]戴紅偉，王博文．基于MPA-BP神經(jīng)網(wǎng)絡和ARIMA 模型的港口貨物吞吐量預測[J]．大連海事大學學報，2024（8）：1-12.

[2]柳德才，張世林．基于改進灰色預測模型的港口物流需求預測研究——以上海港為例[J]．物流科技，2024，47（15）：75-79.

[3]曹瑩，陳旭，張躍博，等．基于ARIMA—BP神經(jīng)網(wǎng)絡組合預測的港口吞吐量預測[J]．物流技術(shù)，2023，42（12）：84-91.

[4]張聰，許浩然，詹煒，等．融合預訓練的港口吞吐量LSTM預測模型[J]．科學技術(shù)與工程，2023，23（32）：13910-13916.

[5]李朝輝，殷銘，王曉倩，等．誤差修正 Stacking 算法在港口吞吐量預測中的應用[J]．計算機仿真，2022，39（2）：512-517.

[6]寇宇軒，李思涵，劉敦虎，等．基于DKELM 選擇性深度集成的集裝箱吞吐量預測模型研究[J]．中國管理科學，2024（7）：1-25.

[7]徐浩帆．貝葉斯優(yōu)化下SARIMAX和LSTM模型在日照港貨物吞吐量預測中的應用[J]．物流工程與管理，2024，46（4）：24-28.