基于灰色GM(1,1)模型的“十三五”港口吞吐量預(yù)測及趨勢分析

張俊華

（沈陽建筑大學(xué)，遼寧 沈陽 110168）

基于灰色GM(1,1)模型的“十三五”港口吞吐量預(yù)測及趨勢分析

張俊華

（沈陽建筑大學(xué)，遼寧 沈陽 110168）

通過灰色預(yù)測GM(1,1)模型，針對寧波港、上海港等八個吞吐量大港在“十三五”期間的貨物吞吐量進(jìn)行預(yù)測。通過計算真實值與預(yù)測值間的相對誤差率，以平均誤差率小于閾值10%為標(biāo)準(zhǔn)，對建立的預(yù)測模型進(jìn)行精度檢驗。并從“十三五”期間吞吐量增長率、“十三五”末期2020年預(yù)測值的排名變化兩個方面，對八個港口的吞吐量進(jìn)行對比分析，反映各自的發(fā)展特點。最后對預(yù)測結(jié)果進(jìn)行了分析。

港口吞吐量；吞吐量預(yù)測；GM(1,1)模型；十三五

1 引言

“十三五”是全面建成小康社會的最后一個五年，也是新常態(tài)下的第一個五年。產(chǎn)業(yè)結(jié)構(gòu)的優(yōu)化升級是“十三五”的關(guān)鍵，大力發(fā)展現(xiàn)代服務(wù)業(yè)必然會促進(jìn)物流運輸行業(yè)的蓬勃發(fā)展。而要實現(xiàn)“十三五”期間的“大物流”發(fā)展目標(biāo)，港口的現(xiàn)代化管理必然是重要的一環(huán)。

港口吞吐量的預(yù)測是確定港口物流中心規(guī)模及其設(shè)備數(shù)量的重要前提，同時也是港口主管部門和港口物流企業(yè)制定相關(guān)政策及發(fā)展規(guī)劃的決策根據(jù)。港口吞吐量預(yù)測的科學(xué)合理性直接關(guān)系到港口的經(jīng)營策略、發(fā)展戰(zhàn)略、港口的布局、泊位選址以及基本設(shè)施投資規(guī)模等多個重要問題。所以港口吞吐量的預(yù)測對于港口現(xiàn)代化管理和可持續(xù)發(fā)展具有重要意義。

國內(nèi)外關(guān)于港口吞吐量預(yù)測的研究主要分為以下三類：

一是基于時間序列分析的港口吞吐量預(yù)測。陳寧利用二次指數(shù)平滑方法，預(yù)測了港口吞吐量[1]。施澤軍等提出了灰色模型和十三次指數(shù)平滑法基礎(chǔ)上的組合預(yù)測方法[2]。孫志林等分別采用時間序列分析和馬爾科夫鏈模型，對港口吞吐量進(jìn)行預(yù)測[3]。Xu D利用Box-Jenkins方法模型的時間序列分析方法預(yù)測沿海規(guī)模以上港口貨物吞吐量[4]。Wei H C等將平滑預(yù)測和灰色預(yù)測兩種方法結(jié)合，預(yù)測港口吞吐量[5]。

二是基于經(jīng)濟(jì)計量模型的港口吞吐量預(yù)測。匡海波建立了中國沿海港口聚類-VAR分貨類吞吐量預(yù)測模型[6]。田歆等采用ARMA和VAR等計量經(jīng)濟(jì)模型，建立了香港集裝箱吞吐量的綜合集成預(yù)測模型[7]。范瑩瑩等采用非線性自回歸法，對上海港的集裝箱吞吐量進(jìn)行預(yù)測[8]。Kang G Q等通過形成機(jī)制的多種因素來預(yù)測外貿(mào)集裝箱需求[9]。

三是基于人工智能模型的港口吞吐量預(yù)測。陳婷婷等將BP神經(jīng)網(wǎng)絡(luò)理論引入港口貨物吞吐量的預(yù)測中，并對南京港進(jìn)行實證分析[10]。樂美龍通過遺傳規(guī)劃方法，建立了集裝箱吞吐量預(yù)測模型[11]。周少龍等建立廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，具有較好的預(yù)測精度[12]。

現(xiàn)有研究已經(jīng)取得了巨大的進(jìn)展，但仍存在不足之處：一是現(xiàn)有研究通常針對一個地區(qū)或城市的港口吞吐量進(jìn)行預(yù)測，缺乏多個港口吞吐量的預(yù)測及對比分析，更沒有涉及“十三五”期間多個港口吞吐量的預(yù)測及對比關(guān)系的研究。二是現(xiàn)有研究中的預(yù)測模型存在精度不高、預(yù)測結(jié)果不可信的現(xiàn)象。

本研究通過灰色預(yù)測GM(1,1)模型，對寧波港、上海港等八個吞吐量大港在“十三五”期間的貨物吞吐量進(jìn)行預(yù)測。

2 基于GM(1,1)的港口吞吐量預(yù)測模型

2.1 GM(1,1)模型的概述

灰色預(yù)測模型即為GM(Grey Model)模型，是表示1階的1個變量的微分方程型的預(yù)測模型。GM(l,1)預(yù)測模型是將隨機(jī)的原始時間序列按時間累加形成新的時間序列，根據(jù)新的時間序列所顯現(xiàn)的規(guī)律，利用一階線性微分方程的解來逼近[13]。灰色預(yù)測模型能夠利用“少量數(shù)據(jù)”建模擬合現(xiàn)實的規(guī)律，克服了數(shù)據(jù)少和周期短的缺點[13]。

2.2 基于GM(1,1)的預(yù)測模型

2.2.1 原始數(shù)據(jù)的累加。對于級比檢驗合格的原始數(shù)據(jù)序列：

式（2）的含義：對前m期的原始數(shù)據(jù)進(jìn)行疊加，得到累加數(shù)據(jù)。

根據(jù)式（2）可以生成累加數(shù)列：

2.2.2 微分方程的建立與參數(shù)求解。對累加數(shù)據(jù)序列X(1)(m)建立GM(1,1)模型的一階線性微分方程[13]：

累加數(shù)列X(1)(m)是微分方程式(4)的解。其中，a、u是待求參數(shù)，將其表示為矩陣形式

在式（5）中，

式（8）的含義：利用估計出的參數(shù)a、u和初始時刻的原始數(shù)據(jù)X(0)(1)，得到微分方程式（4）的解。

2.2.4 原始數(shù)列的預(yù)測。根據(jù)式（8）計算出前m期累加數(shù)據(jù)的預(yù)測值計算原始數(shù)據(jù)序列的預(yù)測值[13]：

式（9）的含義：當(dāng)期累加數(shù)據(jù)減去前一期的累加數(shù)據(jù)等于當(dāng)期的原始數(shù)據(jù)。

2.3 誤差的計算及模型的精度檢驗

目的：檢驗?zāi)Ｐ皖A(yù)測的精確度，確定建立預(yù)測模型的精確度是否滿足要求。

思路：采用誤差分析法進(jìn)行模型檢驗。將模型的還原值X?(0)與原始序列X(0)相比較，求得兩序列的差值即為誤差，通過計算相對誤差來檢驗?zāi)Ｐ汀?/p>

式（10）的含義：通過計算每一期預(yù)測值與真實值間的相對誤差反映預(yù)測模型的預(yù)測精度，相對誤差越小，說明預(yù)測模型的精度越高，預(yù)測結(jié)果可信度越強(qiáng)。

3 “十三五”期間港口吞吐量的預(yù)測實證

3.1 樣本的選取及數(shù)據(jù)來源

（1）樣本的選取。本研究選取了寧波港、上海港、天津港、廣州港、青島港、大連港、日照港、營口港等8個港口為實證樣本。

樣本選取的原因：寧波港、上海港、天津港等8個港口是2014年我國吞吐量排名前八位的規(guī)模以上沿海港口[14]，具有現(xiàn)代化的物流管理水平和設(shè)備配置。這8個港口是我國創(chuàng)建現(xiàn)代化港口的典范，具有代表性。

對這8個港口進(jìn)行吞吐量的預(yù)測，能夠為港口管理部門提供決策依據(jù)，使得港口能夠根據(jù)“十三五”期間的吞吐量預(yù)測，提前調(diào)整資源配置。

（2）數(shù)據(jù)的來源。本文針對指標(biāo)“港口貨物吞吐量”進(jìn)行預(yù)測，該指標(biāo)是指進(jìn)出港口并經(jīng)過裝卸的貨物數(shù)量，反映港口的生產(chǎn)能力。

樣本數(shù)據(jù)均來自于2005-2014年中國統(tǒng)計年鑒。8個港口2005-2014年“港口貨物吞吐量”的原始數(shù)據(jù)見表1。

表1 8大港口貨物吞吐量的原始數(shù)據(jù)(單位：萬t)

3.2 原始數(shù)據(jù)的累加

將表1中每一行的數(shù)據(jù)代入式（2）的右端，得到前m年的數(shù)據(jù)累加值，見表2。

表2 8大港口貨物吞吐量的累加數(shù)據(jù)(單位：萬t)

以寧波港前3年的數(shù)據(jù)累加值計算為例。將表1第 1行第3-5列的原始數(shù)據(jù)代入式（2），得到前3年的數(shù)據(jù)累加值

結(jié)果列于表2第1行第5列。

同理，可以計算八個港口貨物吞吐量的累加數(shù)據(jù)，結(jié)果見表2。

3.3 參數(shù)的求解

（1）矩陣B的求解。以寧波港為例，說明矩陣B的計算過程。

將表2第1行寧波港的累加數(shù)據(jù)代入式（6），得到矩陣B：

同理，可以計算其他七個港口的矩陣B，這里不一一列出。

（2）矩陣Yn的求解。以寧波港為例，說明矩陣Yn的確定。

根據(jù)表1第1行第4-12列的原始數(shù)據(jù)代入式（7），得到矩陣Yn：

同理，可以得到其他七個港口的矩陣Yn，這里不一一列出。

（3）參數(shù)a和u的求解。以寧波港為例，說明參數(shù)a和u的計算過程。

將式（11）的矩陣B和式（12）的矩陣Yn代入式（5），估計參數(shù)矩陣

則a=-0.087 8，u=39 563.471 8。

同理，可以求得其他7個港口的參數(shù)值，見表3。

表3 8大港口的參數(shù)擬合值

表4 8大港口貨物吞吐量的累加數(shù)據(jù)預(yù)測值 (單位：萬t)

3.4 累加數(shù)列的預(yù)測

以寧波港為例，說明累加數(shù)列的預(yù)測值計算過程。將表1第1行第3列的x(0)(1)，表3第1行的參數(shù)擬合值a=-0.087 8，u=39 563.471 8代入式（8），則累加數(shù)列：

結(jié)果列于表4第1行。

同理可以得到其他七個港口累加數(shù)列的預(yù)測值，見表4。

3.5 原始數(shù)列的預(yù)測

以寧波港為例，說明原始數(shù)列的預(yù)測值計算過程。

將表4第1行的數(shù)據(jù)代入式（9），得到：

結(jié)果列入表5第1行。

同理可以得到其他7個港口的原始數(shù)列預(yù)測值，見表5。

3.6 誤差的計算及精度檢驗

對表6第3-12列的相對誤差求均值，得到預(yù)測模型的平均誤差率，見表6第13列。

由表6第13列可知，8個港口的預(yù)測模型的平均相對誤差率均小于10%，說明預(yù)測模型的精度較高，預(yù)測值可信。

表5 8大港口貨物吞吐量的原始數(shù)據(jù)預(yù)測值(單位：萬t)

3.7 “十三五”期間港口貨物吞吐量的預(yù)測

（1）“十三五”期間港口貨物吞吐量累加值的預(yù)測。與“3.4累加數(shù)列的預(yù)測”同理，以寧波港為例進(jìn)行說明。將表1第1行第3列的x(0)(1)，表3第1行的參數(shù)擬合值a=-0.087 8，u=39 563.471 8代入式（8），則2015-2020年，即第11-16年的累加數(shù)列：

表6 預(yù)測值與真實值的相對誤差

結(jié)果列入表7第1行。

同理，可以計算其他7個港口的吞吐量累加數(shù)列的預(yù)測值，見表7。

（2）“十三五”期間港口貨物吞吐量的預(yù)測。與“3.4累加數(shù)列的預(yù)測”同理，以寧波港為例進(jìn)行說明。

將表4第1行第12列的數(shù)據(jù)、表7第1行的數(shù)據(jù)代入式（9），得到：

結(jié)果列入表8第1行。

同理可以得到其他7個港口在“十三五”期間的貨物吞吐量預(yù)測值，見表8。

以2005-2020年為橫坐標(biāo)，以貨物吞吐量為縱坐標(biāo)作圖，如圖1所示。2005-2014年對應(yīng)的數(shù)據(jù)為港口貨物吞吐量的真實值，2015-2020年對應(yīng)的數(shù)據(jù)為港口貨物吞吐量的預(yù)測值。

3.8 “十三五”期間港口貨物吞吐量的預(yù)測結(jié)果分析

根據(jù)表8中“十三五”期間8個港口的貨物吞吐量預(yù)測值，可以計算得到每個港口在“十三五”期間的增長率，見表8第9列所示。

根據(jù)表8第8列的2020年預(yù)測值，對8個港口的貨物吞吐量進(jìn)行排序，結(jié)果如表8第10列。

根據(jù)表8第8列的2020年預(yù)測值和第9列的增長率可以得到以下結(jié)論：

（1）營口港的貨物吞吐量在“十三五”期間增長率預(yù)計為最大14.95%，說明營口港的吞吐能力在“十三五”期間增長勢頭最強(qiáng)。到“十三五”末期2020年預(yù)計達(dá)到84 449.51萬t，由2014年排名第8位(最后一位)上升四位，預(yù)計到2020年排名第4位。

（2）廣州港的貨物吞吐量在“十三五”期間增長率較低，預(yù)計為5.27%，說明廣州港的吞吐能力在“十三五”期間增長勢頭緩慢。到“十三五”末期2020年預(yù)計達(dá)到67 407.67萬t，由2014年排名第4位下降四位，預(yù)計到2020年排名第8位(最后一位)。

（3）寧波港、上海港、天津港的貨物吞吐量在“十三五”末期2020年預(yù)計排名不變，仍為前三位的貨物吞吐量大港。其中，上海港“十三五”期間的增長率預(yù)計為最小5.27%，說明上海港口貨物吞吐能力在“十三五”期間雖然排名不變，但增長勢頭最弱。

（4）日照港的貨物吞吐量在“十三五”期間增長率雖然較大，為14.05%，但“十三五”末期2020年排名僅上升1位。

（5）青島港、大連港的貨物吞吐量在“十三五”期間增長平穩(wěn)，且“十三五”末期2020年排名變化不大，青島港的排名不變，大連港的排名下降一位。

圖1 2005-2020年8大港口貨物吞吐量的預(yù)測趨勢

4 結(jié)論

4.1 主要結(jié)論

（1）營口港的貨物吞吐量在“十三五”期間增長率預(yù)計為最大14.95%，說明營口港的吞吐能力在“十三五”期間增長勢頭最強(qiáng)。到“十三五”末期2020年預(yù)計達(dá)到84 449.51萬t，由2014年排名第8位(最后一位)上升四位，預(yù)計到2020年排名第4位。

（2）廣州港的貨物吞吐量在“十三五”期間增長率較低、預(yù)計為5.27%，說明廣州港的吞吐能力在“十三五”期間增長勢頭緩慢。到“十三五”末期2020年預(yù)計達(dá)到67 407.67萬t，由2014年排名第4位下降四位，預(yù)計到2020年排名第8位(最后一位)。

（3）寧波港、上海港、天津港的貨物吞吐量在“十三五”末期2020年預(yù)計排名不變，仍為前三位的貨物吞吐量大港。其中，上海港“十三五”期間的增長率預(yù)計為最小5.27%，說明上海港口貨物吞吐能力在“十三五”期間雖然排名不變，但增長勢頭最弱。

4.2 創(chuàng)新與特色

表7 “十三五”期間港口貨物吞吐量的累加值預(yù)測 (單位：萬t)

表8 “十三五”期間港口貨物吞吐量的預(yù)測 (單位：萬t)

（1）本研究通過灰色預(yù)測GM(1,1)模型，針對寧波港、上海港等8個吞吐量大港在“十三五”期間的貨物吞吐量進(jìn)行預(yù)測。從“十三五”期間吞吐量增長率、“十三五”末期2020年預(yù)測值的排名變化程度，對8個港口的吞吐量進(jìn)行對比分析，反映各自的發(fā)展特點。改變了現(xiàn)有研究缺乏多個地區(qū)港口“十三五”期間的吞吐量預(yù)測及對比分析。

（2）通過計算真實值與預(yù)測值間的相對誤差率，以平均誤差率小于閾值10%為標(biāo)準(zhǔn)，對建立的預(yù)測模型進(jìn)行精度檢驗，改變了現(xiàn)有研究中預(yù)測模型存在的精度不高、預(yù)測結(jié)果不可信現(xiàn)象。

[1]陳寧,朱美琪,余珍文.基于對數(shù)二次指數(shù)平滑的港口吞吐量預(yù)測[J].武漢理工大學(xué)學(xué)報,2005,(9):77-79.

[2]施澤軍,李凱.基于灰色模型和指數(shù)平滑法的集裝箱吞吐量預(yù)測[J].重慶交通大學(xué)學(xué)報(自然科學(xué)版),2008,(2):302-304, 332.

[3]孫志林,盧雅倩,黃賽花.港口吞吐量的馬氏鏈-時序分析預(yù)測[J].浙江大學(xué)學(xué)報(工學(xué)版),2012,(7):1 289-1 294.

[4]Xu D.Box-Jenkins method's application in handling capacity forecast in China coastal above designated scale[J].Special Zone Economy,2014,(3):69.

[5]Wei H C,Xie R H.Forecast and Analysis of the Port Cargo Throughput in Guangdong Province[J].Logistics Engineering &Management,2012,(3):41-44.

[6]匡海波.中國沿海港口吞吐量預(yù)測模型研究[J].科研管理, 2009,(3):187-192.

[7]田歆,曹志剛,駱家偉,等.基于TEI@I方法論的香港集裝箱吞吐量預(yù)測方法[J].運籌與管理,2009,(4):82-89.

[8]范瑩瑩,余思勤.基于NARX神經(jīng)網(wǎng)絡(luò)的港口集裝箱吞吐量預(yù)測[J].上海海事大學(xué)學(xué)報,2015,(4):1-5.

[9]Kang G Q,Dai J S,Wang T,et al.The Research of Port Container Logistics Demand Forecasting Method[J].Logistics Engineering&Management,2011,(10).

[10]陳婷婷,陳漪翊.基于BP神經(jīng)網(wǎng)絡(luò)的港口貨物吞吐量預(yù)測[J].計算機(jī)與現(xiàn)代化,2009,(10):4-5,9.

[11]樂美龍,方奕.基于遺傳規(guī)劃方法的集裝箱吞吐量預(yù)測[J].上海交通大學(xué)學(xué)報,2003,(8):1 246-1 250.

[12]周少龍,周鋒.基于時間序列的港口貨物吞吐量GRNN預(yù)測模型[J].上海海事大學(xué)學(xué)報,2011,(1):70-73.

[13]劉思峰,黨報國,方志耕.灰色系統(tǒng)理論及其應(yīng)用(第三版)[M].北京:科學(xué)出版社,2004.

[14]中國經(jīng)濟(jì)信息網(wǎng).中經(jīng)網(wǎng)統(tǒng)計數(shù)據(jù)庫[EB/OL].2016.

Trend Forecasting and Analysis of Harbor Throughput in“Thirteenth-five”Period Based on Grey GM(1,1)

Zhang Junhua
(Shenyang Jianzhu University,Liaoyang 110168,China)

In this paper,using grey GM(1,1),we forecast the cargo throughput of eight major harbors in the"thirteenth-five planning" period and then tested the accuracy of the forecasting model by the relative error between the actual value and the forecast result.Next based on throughput growth rate and predicted ranking by the year 2020,we compared the eight harbors,elaborated on their respective development characteristics and at the end,analyzed the forecasting result.

harbor throughput;throughput forecasting;GM(1,1);thirteenth-five

F224.0;U652.1+4

A

1005-152X(2017)02-0065-06

10.3969/j.issn.1005-152X.2017.02.016

2017-01-08

遼寧省科技廳重大推廣項目“中俄高新技術(shù)轉(zhuǎn)化基地項目”(z2115007)

張俊華（1962-），女，副研究員，研究方向：物流管理、創(chuàng)新與創(chuàng)業(yè)管理。