基于ALI模型的沿海港口集裝箱吞吐量短期預(yù)測分析

吳建新

（天津濱海綜合發(fā)展研究院天津300452）

基于ALI模型的沿海港口集裝箱吞吐量短期預(yù)測分析

吳建新

（天津濱海綜合發(fā)展研究院天津300452）

本文應(yīng)用自動領(lǐng)先指數(shù)（A LI）模型建立了我國沿海港口集裝箱月度吞吐量的短期預(yù)測模型，綜合反映港口發(fā)展、貿(mào)易金融、中國與世界經(jīng)濟對沿海港口集裝箱吞吐量的影響。分析得出的港口集裝箱吞吐量預(yù)測結(jié)果與實際值較為吻合，實踐證明該模型的短期預(yù)測效果要明顯優(yōu)于A R基準(zhǔn)模型。

港口集裝箱吞吐量；自動領(lǐng)先指數(shù)；A LI模型；動態(tài)因子

作為經(jīng)濟全球化的重要載體，港口集裝箱物流推動了生產(chǎn)、貿(mào)易與資本運作的全球化，加速了商品、資金在全球范圍內(nèi)的流動和配置，促使各國經(jīng)濟日益相互依賴、緊密聯(lián)系。上海、深圳、天津等我國一些具備天然深水優(yōu)勢、經(jīng)濟腹地廣闊、集疏運系統(tǒng)完備的港口城市已崛起成為國際航運樞紐港口，并逐步成為全球性的綜合物流服務(wù)基地、商品物資集散地和金融貿(mào)易中心。

國際金融危機過后，世界經(jīng)濟已進(jìn)入轉(zhuǎn)折期，我國沿海港口集裝箱吞吐量受外向型經(jīng)濟影響程度更大，走勢存在較多變數(shù)。港口集裝箱吞吐量預(yù)測對制訂港口發(fā)展戰(zhàn)略、投資計劃，確定港航企業(yè)經(jīng)營策略，建設(shè)集裝箱空箱調(diào)運交易平臺以及調(diào)配城市集疏運系統(tǒng)等都具有重要意義。特別是當(dāng)前我國沿海集裝箱運輸業(yè)的市場波動日益頻繁，行業(yè)監(jiān)測預(yù)警技術(shù)研究就顯得更為重要。

現(xiàn)有的港口集裝箱吞吐量預(yù)測方法主要有指數(shù)平滑法、灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)法等，已有文獻(xiàn)多是針對港口集裝箱的年度數(shù)據(jù)，關(guān)注我國集裝箱運輸?shù)拈L期趨勢問題，在國際金融危機持續(xù)影響下，集裝箱運輸業(yè)的短期波動問題更值得人們關(guān)注[1]。雖然有一些學(xué)者已開始研究集裝箱吞吐量的月度數(shù)據(jù)，但受困于建模工具限制，或僅用時間變量做一元回歸，或利用較少的影響集裝箱月度吞吐量的指標(biāo)，遺漏了一些其他重要的因變量。總之，學(xué)界已就存在諸多影響集裝箱吞吐量的因素問題達(dá)成共識，從單因素或少量因素入手進(jìn)行分析將很難剖析影響港口集裝箱吞吐量的機理,從而影響預(yù)測的準(zhǔn)確性，但建模工具的不完善使目前的預(yù)測方法存在變量考慮少、模型不夠精確等需要改進(jìn)的問題。

向量自回歸模型（VAR）在經(jīng)濟預(yù)測領(lǐng)域享有盛名，其注重原始數(shù)據(jù)，較多地應(yīng)用于高頻數(shù)據(jù)的預(yù)測之中。但隨著VAR模型所包含的變量的增多，待估參數(shù)將呈指數(shù)型增長，這使得VAR模型只能控制在較小的規(guī)模上，在一定程度上制約了VAR模型的應(yīng)用。如周健等雖然選取了16個對影響集裝箱吞吐量的16個因素進(jìn)行相關(guān)性分析，但受觀測數(shù)據(jù)樣本限制，最終只選用4個因素與集裝箱吞吐量進(jìn)行VAR建模[2]。

經(jīng)濟變量往往存在周期性波動現(xiàn)象，我國沿海港口集裝箱吞吐量也存在季節(jié)性現(xiàn)象[1]。Camba-Mendez等提出的“自動領(lǐng)先指數(shù)”（Automatic Leading Indicator,ALI）方法[3]，在測算過程中不僅包括了過去計算領(lǐng)先指數(shù)和同步指數(shù)所采用的高頻月度數(shù)據(jù)，而且同時也納入了含缺失數(shù)據(jù)的月度數(shù)據(jù)以及季度數(shù)據(jù)，充分應(yīng)用了相關(guān)信息，極大地提高了模型預(yù)測的準(zhǔn)確度。

二、集裝箱月度吞吐量ALI模型的建立

一般來講，ALI模型的建立分兩步進(jìn)行,一是用動態(tài)因子模型提取因子，二是用VAR模型對相關(guān)指標(biāo)進(jìn)行預(yù)測[4]，具體可參考文獻(xiàn)[5]中的介紹。

對預(yù)測變量yt，設(shè)n維列向量xt為其解釋變量，通過如下動態(tài)因子模型，可將n個解釋變量壓縮為m個動態(tài)因子ft：

上式中，A(m×m）、B(n×m）為待估系數(shù)矩陣，et為n維擾動向量，ut為m維擾動向量。上述狀態(tài)空間模型可用卡爾曼濾波求解。除觀察法外，Bai和Ng以及Onatski分別發(fā)展了估算因子數(shù)目的定量方法。本文選用上述三種方法分別確定動態(tài)因子數(shù)目，并取其中的最大值確定為動態(tài)因子數(shù)。接下來將上述解得的動態(tài)因子與預(yù)測變量建立向量自回歸模型，然后就可對預(yù)測變量進(jìn)行預(yù)測。

本文選定的預(yù)測目標(biāo)為我國沿海港口集裝箱月度吞吐量，相較于全國港口集裝箱吞吐量指標(biāo)，該指標(biāo)更能反映我國港口經(jīng)濟受全球市場波動的影響。當(dāng)前，我國沿海各地正掀起新一輪港口開發(fā)建設(shè)熱潮，但港口發(fā)展的規(guī)模不能大于市場的需求，或是超過港口城市的基礎(chǔ)設(shè)施承載能力，否則會造成供給過剩。準(zhǔn)確預(yù)測港口集裝箱吞吐量的月度變化，有助于相關(guān)部門提前做好安排調(diào)度，打通交通等節(jié)點問題，避免設(shè)備閑置、資源浪費。港口集裝箱的影響因素很多，傳統(tǒng)預(yù)測方法，考慮變量較少、精度不高。本文針對這些問題，選擇能從高維宏觀經(jīng)濟信息集中提取因子的動態(tài)因子模型，在港口集裝箱吞吐量預(yù)測文獻(xiàn)所選取的指標(biāo)基礎(chǔ)上，本文變量集囊括了更多宏觀經(jīng)濟數(shù)據(jù)，共四大類18個指標(biāo)，詳見表1。

本文所用數(shù)據(jù)均來自Wind資訊金融終端的經(jīng)濟數(shù)據(jù)庫。由于交通部公布的港口月度數(shù)據(jù)不含每年的12月份值，因此分別選擇沿海港口集裝箱吞吐量等四個港口發(fā)展指標(biāo)的月度累計值，通過對其求月度環(huán)比數(shù)據(jù)增量，得到每月的數(shù)據(jù)，初始變換后的這四項主要指標(biāo)的起始日期為2001年3月，其他指標(biāo)的起始日期都要早于這一日期，因此將樣本集的起始日期統(tǒng)一設(shè)定為此日期。

表1　我國港口集裝箱預(yù)測模型的變量選取類型

對原始序列進(jìn)行初始變換后，用ADF方法分別檢驗原始變量序列的平穩(wěn)性。

理論上講，一些宏觀經(jīng)濟存量指標(biāo)存在季節(jié)因素，但求取年同比增長率季節(jié)影響很小，故本文中暫未做相應(yīng)處理。接下來對所有變量進(jìn)行標(biāo)準(zhǔn)化處理，采用的方法是每個指標(biāo)減去其平均值然后再除以標(biāo)準(zhǔn)差。最后，得到的最終樣本集含有1個因變量，17個解釋變量，樣本期從2003年3月至2015年3月。17個解釋變量中，有5個變量含有缺失數(shù)據(jù)或為低頻數(shù)據(jù)，剩余12個解釋變量為不含缺失數(shù)據(jù)的月度變量。

三、實證分析與討論

首先，為了驗證ALI模型的可信度，筆者以樣本期2003年3月至2014年3月進(jìn)行建模，將2014年4月至2015年3月的數(shù)據(jù)用于驗證預(yù)測結(jié)果。數(shù)據(jù)分析利用EViews軟件。按照第2節(jié)介紹的ALI基本原理，分步驟展開論述。

1.求動態(tài)因子數(shù)目

由于不論是采取主成分分析的方法，還是Bai-Ng或Onatski的方法，所用于提取動態(tài)因子數(shù)目的數(shù)據(jù)集都是相同頻率的，因此用12個不含缺失數(shù)據(jù)的月度變量組成數(shù)據(jù)集，并分別用三種方法確定因子數(shù)目為7個、7個、5個。其中主成分法選取因子個數(shù)的依據(jù)為使得方差累積貢獻(xiàn)率達(dá)到85%以上，該原則能夠確保從選取的解釋變量中提取盡可能多的信息。因此選取三種方法確定的最大因子數(shù)7作為該樣本集的動態(tài)因子數(shù)目。

表2　ALI模型與AR模型向前12期的RMSE值比較

2.求解狀態(tài)空間模型

由于狀態(tài)空間模型允許混頻數(shù)據(jù)以及數(shù)據(jù)含缺失值，將7個因子及其相應(yīng)的一階滯后變量確定為狀態(tài)空間模型的狀態(tài)方程，將17個解釋變量與7個因子分別組成的17個回歸方程確定為狀態(tài)空間模型的量測方程，因子的初值選為主成分分析法確定的7個主成分。用卡爾曼濾波算法迭代求解，最終得到該樣本數(shù)據(jù)集的7個動態(tài)因子。

3.VAR模型預(yù)測

將上步得到的7個動態(tài)因子與經(jīng)數(shù)據(jù)變換后的沿海港口集裝箱吞吐量變量建立向量自回歸模型，經(jīng)綜合考慮AIC和SC信息準(zhǔn)則，確定VAR模型的滯后階數(shù)為2。以上述VAR模型進(jìn)行12期預(yù)測，模型的靜態(tài)擬合與動態(tài)預(yù)測結(jié)果如圖1所示。

圖1　ALI模型的擬合與預(yù)測效果

為比較ALI模型的預(yù)測效果，對經(jīng)過平穩(wěn)性與標(biāo)準(zhǔn)化變換后的沿海港口集裝箱吞吐量變量建立AR模型，經(jīng)模型滯后階數(shù)檢驗，選定AR（5）模型，用RMSE作為衡量模型預(yù)測效果的指標(biāo)，對于從2014年4月的向前12期預(yù)測，兩個模型的表現(xiàn)列于表2中。

從表2中可以清楚地看出，在6個月以內(nèi)預(yù)測期中，ALI模型的預(yù)測效果要明顯優(yōu)于AR基準(zhǔn)模型，6個月以上期限兩者的預(yù)測效果則難分伯仲。

本文采用自動領(lǐng)先指數(shù)模型這一短期預(yù)測領(lǐng)域內(nèi)的最新方法，對我國沿海港口集裝箱吞吐量月度數(shù)據(jù)進(jìn)行了預(yù)測。模型經(jīng)驗證擬合程度較高，預(yù)測值與真實值在短期內(nèi)較為吻合，短期預(yù)測效果要明顯優(yōu)于AR基準(zhǔn)模型?，F(xiàn)階段我國沿海港口集裝箱運量日益受到多方面因素影響，建議相關(guān)部門和企業(yè)結(jié)合ALI等模型的預(yù)測結(jié)果，密切關(guān)注相關(guān)指標(biāo)變化，提早進(jìn)行針對性研究，以便適時果斷地采取應(yīng)對措施。

[1]朱吉雙.我國沿海港口集裝箱吞吐量的季節(jié)性及其調(diào)整方法[J].中國水運,2010(11).

[2]周健,鄭莉,武麗.我國月度集裝箱吞吐量集成預(yù)測——基于SARIMA、PDL和VAR模型的實證[J].中國水運,2013(3).

[3]Camba-Mendez,G.Et al.An Automatic Leading Indicator of EconomicActivity:ForecastingGDPGrowthforEuropean Countries[J].Econometrics Journal,2001(4).

[4]何新華.中國需警惕高通貨膨脹突現(xiàn)[A].何新華,劉世國.世界經(jīng)濟解讀：2010—危機、對策與效果[C].北京：中國財政經(jīng)濟出版社,2010.

[5]吳建新.港口月度集裝箱吞吐量預(yù)測研究[J].城市, 2015(12).

責(zé)任編輯：張明