基于季節(jié)分解法的防城港港貨物吞吐量預(yù)測及分析

劉明英 翁世洲 賀依婷

【摘 要】 為準(zhǔn)確預(yù)測防城港港口貨物吞吐量，為經(jīng)濟發(fā)展提供重要信息，依據(jù)防城港港2011―2016年的貨物吞吐量數(shù)據(jù)，運用剔除了季節(jié)因素影響的時間序列分析方法建立數(shù)學(xué)模型用于預(yù)測防城港港貨物吞吐量，并將預(yù)測結(jié)果與實際數(shù)據(jù)對照以驗證數(shù)學(xué)模型的有效性，進而對防城港港2018―2021年的貨物吞吐量進行預(yù)測，預(yù)測結(jié)果為防城港港貨物吞吐量將穩(wěn)步增長，根據(jù)預(yù)測結(jié)果為防城港港的發(fā)展規(guī)劃提出建議。

【關(guān)鍵詞】 防城港港;貨物吞吐量;季節(jié)分析;時間序列分析法

0 引 言

隨著經(jīng)濟全球化進程加快，國際貿(mào)易量越來越大，港口是國際貿(mào)易貨物運輸?shù)闹匾h(huán)節(jié)。對港口貨物吞吐量進行科學(xué)預(yù)測，有利于港口城市經(jīng)濟及世界經(jīng)濟發(fā)展。預(yù)測港口貨物吞吐量是港口規(guī)劃決策工作的基礎(chǔ)，在規(guī)劃決策前期尤為重要。我國沿海12個主樞紐港之一的防城港港，與220多個國際港口通航，預(yù)測防城港港貨物吞吐量可為防城港市乃至北部灣經(jīng)濟圈經(jīng)濟發(fā)展提供重要信息。

1 防城港港發(fā)展前景

防城港港現(xiàn)有包括25個生產(chǎn)性泊位在內(nèi)的29個作業(yè)泊位（其中深水泊位14個），集裝箱通過能力25萬TEU[1]，碼頭倉儲面積超過180萬m2。未來在我國華南地區(qū)將會形成以香港國際樞紐港為中心，涵蓋廣州南沙港、深圳鹽田國際港、北部灣港區(qū)的港口群。[2] 防城港港將逐漸顯現(xiàn)以下優(yōu)勢：

從地理區(qū)位條件看，防城港位于我國海岸線西南部，與東盟國家水陸相連，擁有國家級口岸5個。防城港港與相鄰的欽州港、北海港組成北部灣進出口貿(mào)易港群。借助良好地理位置和國家政策支持，防城港港未來可以發(fā)展成為我國西南地區(qū)貨物吞吐量最多的港口。

從交通運輸條件看，防城港港目前已基本形成海運、鐵路及公路運輸為一體的綜合交通運輸體系。海上運輸方面，防城港港與多個國家開通了集裝箱航線，與越南等國開通了客運航線;鐵路運輸方面，防城港已開通了防城港―南寧、南寧―昆明等線路，而作為西南出海大通道組成部分的南寧―昆明線聯(lián)結(jié)云南、貴州、廣西，并且直通防城港港碼頭[3];公路運輸方面，防城港港周圍建有四通八達的公路網(wǎng)絡(luò)，主干公路與分支公路縱橫交錯，公路運輸條件優(yōu)越。

2 貨物吞吐量預(yù)測方法及適用性

2.1 預(yù)測方法

港口貨物吞吐量的預(yù)測方法分為定性分析法和定量分析法，由于定性分析法存在一定的不確定性，因而在實際中較少運用。

定量分析法主要有因果分析法、組合預(yù)測法和時間序列法等，常用的時間序列法有移動平均法、指數(shù)平滑法、灰色預(yù)測法等。在使用定量分析法預(yù)測貨物吞吐量方面，國外學(xué)者已經(jīng)有一些研究成果，例如：LEDOUX[4]認為貨物吞吐量與物流需求存在一定關(guān)系，其研究在港口貨物吞吐量預(yù)測方面具有前沿性;MEERSMAN[5]以貨物吞吐量為基礎(chǔ)分析港口擴建及投資，指出市場競爭、港口建設(shè)及規(guī)劃情況等影響港口貨物吞吐量的因素，為分析影響貨物吞吐量的因素提供參考;BULUT[6]研究時間序列的季節(jié)性影響，提出基于模糊時間序列預(yù)測季節(jié)性模糊邏輯的綜合預(yù)測方法，其方法具有較大可行性。

國內(nèi)學(xué)者也對貨物吞吐量預(yù)測方法進行了研究。鄧聚龍[7]提出的灰色理論被中外學(xué)者廣泛應(yīng)用。鄭燕玲[8]以寧波舟山港為例，預(yù)測分析港口貨物吞吐量，并通過算例論證了方法的可行性。

2.2 預(yù)測適用性分析

不同研究方法在研究方向上存在差別，影響港口貨物吞吐量預(yù)測的因素大多不可量化，數(shù)據(jù)收集和整理難度大。防城港港數(shù)據(jù)統(tǒng)計不完善，缺乏科學(xué)統(tǒng)計指標(biāo)，無法獲取大樣本數(shù)據(jù)。因為數(shù)據(jù)受季節(jié)因素影響較大，所以本文采用剔除季節(jié)因素的時間序列分析法預(yù)測模型來預(yù)測防城港港的貨物吞吐量。

2.3 模型的建立

季節(jié)分析方法[9]是時間序列分析法的一種，通過確定季節(jié)指數(shù)來表示各年的季節(jié)因素，描述各年的季節(jié)變動情況，步驟是：

（1）確定季節(jié)指數(shù)并分離季節(jié)因素;

（2）建立預(yù)測模型并進行預(yù)測;

（3）計算預(yù)測值。

3 防城港港貨物吞吐量預(yù)測實例驗證

3.1 確定季節(jié)指數(shù)并分離季節(jié)因素

2011―2016年防城港港貨物吞吐量見表1。

2011―2016年防城港港貨物吞吐量的中心化移動平均值及其比值計算過程見表2。

為計算比值的平均值和季節(jié)指數(shù)，將表2中的比值按季度重新進行排列，結(jié)果見表3。

為反映防城港港貨物吞吐量的季節(jié)變動情況，根據(jù)表3數(shù)據(jù)，將季節(jié)指數(shù)繪制成趨勢圖，分離季節(jié)因素后的防城港港貨物吞吐量季節(jié)變動及趨勢見圖1。由圖1可知，每年貨物吞吐量最多的是第四季度，最少的是第一季度，且具有明顯的線性趨勢。因此，可以使用一元線性模型來預(yù)測未來5年的各季度港口貨物吞吐量。

將貨物吞吐量原始數(shù)據(jù)除以季節(jié)指數(shù)，即可得分離季節(jié)因素后的序列，見表4。

3.2 時間序列回歸預(yù)測

使用SPSS軟件，將表4中數(shù)據(jù)代入分離季節(jié)因素的線性預(yù)測回歸方程，可求得各季度預(yù)測值為

k=b0 + b1 k=2 255.462 7 + 33.697 8 k

式中：b0、b1 均為回歸方程參數(shù)。

將k代入上式即得分離季節(jié)性因素后的各期預(yù)測值，再乘以季節(jié)指數(shù)S可得最終預(yù)測值。對比最終預(yù)測值與原始值得到預(yù)測誤差。擬合誤差均在15%以內(nèi)，其中最高為12.06%，最低僅為0.13%，預(yù)測效果較好。

例如，預(yù)測第23期即2016年第三季度不含季節(jié)因素的港口貨物吞吐量，將k=23代入趨勢方程，得Yk= + 33.697 8 ？23=（萬t）;含有季節(jié)性因素的港口貨物吞吐量最終預(yù)測值為 ？1.004 4=3 043.75（萬t）。

2016―2021年各季度防城港港貨物吞吐量的預(yù)測值見表5，預(yù)測值與實際值對比結(jié)果見圖2，可見預(yù)測值與實際值及趨勢較吻合。

3.3 分 析

原始數(shù)據(jù)波動較大，在建模初期需要進行處理。將上述數(shù)學(xué)模型運用于防城港港貨物吞吐量預(yù)測，對防城港港近22個季度的貨物吞吐量進行分析，經(jīng)過計算得出一組具有明顯增長趨勢的預(yù)測數(shù)據(jù)。將預(yù)測數(shù)據(jù)與原始數(shù)據(jù)進行對比，誤差在允許范圍內(nèi)，故本文提出的預(yù)測方法適用于預(yù)測防城港港貨物吞吐量。

4 結(jié) 語

本文通過建立數(shù)學(xué)模型對防城港港貨物吞吐量進行預(yù)測，通過與實例數(shù)據(jù)比對驗證了數(shù)學(xué)模型的有效性。預(yù)測結(jié)果是防城港港的貨物吞吐量將穩(wěn)步增長，建議防城港港加強基礎(chǔ)設(shè)施建設(shè)，完善交通網(wǎng)絡(luò);提高管理水平，延伸附加服務(wù);把握政策機遇，適時調(diào)整港口建設(shè)戰(zhàn)略，以應(yīng)對未來不斷增長的貨物吞吐量。

參考文獻：

[1] 陳宇.廣西防城港港口物流發(fā)展與展望[J].沿海企業(yè)與科技，2008（12）：106-107，105.

[2] 周迎春.防城港集裝箱運輸競爭力評估與吞吐量預(yù)測[D].上海海事大學(xué)，2007.

[3] 百度文庫.防城港區(qū)位優(yōu)勢[DB/OL].（2018-06-30）[2018- 11-10]https：//wenku.baidu.com/view/62c7ce031ed9ad51f11 df252.html

[4]? LEDOUX C.An Urban Traffic Flow Model Integration Neural Networks[J].Transportation Research Part C：Emerging Technologies， 1997（5）：287-300.

[5] MEERDMAN H M A.Port Investments in an Uncertain Environment[J]. Rresearch in Tansportation Economics， 2005（13）：279-298.

[6] BULUT E.Modeling seasonality using the fuzzy integrated logical forecasting （FILF）approach[J].Expert Systems with Applications， 2014（4）：1806-1812.

[7] 鄧聚龍.灰色控制系統(tǒng)[J].華中工學(xué)院學(xué)報，1982（03）：9-18.

[8] 鄭燕玲.寧波舟山港集裝箱吞吐量灰色預(yù)測分析[J].中國水運（下半月刊），2011（2）：26-27，30.

[9]賈俊平.統(tǒng)計學(xué)[M].北京：中國人民大學(xué)出版社，2016：343-348.