基于時間序列模型的港口集裝箱吞吐量預測

吳琛

摘 要：針對集裝箱吞吐量進行精準預測，已成為港口發展建設的重要一環。本文以廣州港作為研究對象，選取2010.01-2017.12區間中96組數據作為原始數據。首先分析該時間序列的變動趨勢特征；然后根據原始序列特征選取ARIMA模型進行預測，結果顯示預測數值與實際數值的相對誤差基本控制在10%以內，體現出模型的可靠性和精準性；最后對2019下半年廣州港集裝箱吞吐量進行預測，為港口運營提供參考價值。

關鍵詞：廣州港 集裝箱吞吐量 時間序列 ARIMA模型 預測

1.引言

集裝箱運輸憑借其帶來的規模經濟效益和社會效益，已成為港口運輸的主要方式。當前，港口集裝箱吞吐量作為評價港口綜合能力的重要因素，在港口發展建設中具有重要參考價值，針對港口集裝箱吞吐量預測的研究成為必要。通過提高港口集裝箱吞吐量預測的精確度，從而對港口的常規運營、資源分配、碼頭調度、規劃建設等方面產生積極的作用。

港口集裝箱吞吐量預測方法主要分為多元回歸方法和時間序列分析方法。關于多元回歸方法的研究主要包括：劉逸群等將大連市GDP、貨運總量、東三省和內蒙古GDP之和作為影響因子，對大連港集裝箱吞吐量進行多元回歸預測；劉斌等使用國民生產總值、對外貿易額、港口固定資產投資及利率作為影響因子，對我國港口總吞吐量進行預測。時間序列分析方法主要包括指數平滑法、趨勢外推法以及ARIMA模型等，主要研究有：劉宇璐等通過分析武漢港貨物吞吐量數據的變動趨勢和周期性特征，構建ARIMA預測模型；趙尚威等采用SARIMA和VAR組合預測方法，對中國7大港口進行吞吐量預測，體現出時間序列方法預測具有優勢。

本文將以廣州港為研究對象，通過分析歷年來港口集裝箱吞吐量的數據增長趨勢，運用ARIMA時間序列方法建立預測模型，對廣州港集裝箱吞吐量進行短期預測。

2.趨勢分析

廣州港作為中國港口體系中重要的交通樞紐，是華南地區進行對外貿易的重要口岸，由南沙港、黃埔港、花都港、新塘港等多個港區組成。目前，廣州港集裝箱運輸覆蓋范圍達到80多個國家及地區，涉及300多個世界港口。隨著改革開放和“一帶一路”政策的深入實施，廣州港已經在世界港口排名中穩居前10位，步入世界一流港口的行列。

本文從廣州市港務局官方網站，選取了2010.01-2017.12區間的集裝箱吞吐量數據（如圖1所示，單位：萬TEU），共計96組數據。刻畫的趨勢圖顯示出，廣州港集裝箱吞吐量數據呈現出周期性變化，整體上展現出逐年遞增的趨勢；同時數據呈現出同比增長的趨勢，如2010-2017年間，同月的數據出現明顯的增長態勢。

從圖1的數據可以直觀的看出，港口集裝箱吞吐量數據一般都展現出周期性的特點。普通的線性回歸對周期性的序列刻畫不準確，而時間序列模型中的ARIMA模型可以通過差分方法消除周期性特征，從而提高預測模型的精準度。因此，港口集裝箱吞吐量數據預測可以選取ARIMA模型進行研究。

3.理論支撐

3.1ARIMA模型介紹

ARIMA模型（Autoregressive Integrated Moving Average Model）叫做自回歸移動平均模型，是時間序列分析模型中實用性和預測精度都較好的模型之一。ARIMA模型只觀察真實數據本身且只存在單個變量，不考慮經濟理論依據，通過找出數據序列的自身規律來對數據進行外推預測。此模型存在3種形式：AR模型（Autoregressive Model）、MA模型（Moving Average Model）以及ARMA 模型（Autoregressive Moving Average Model）。使用ARIMA模型的前提是判斷時間序列是否為平穩序列，如果不是則需要差分后才能進行使用。

3.2建模步驟

步驟一：時間序列平穩性檢驗。通常采用ADF（Augmented Dickey-Fuller）單位根檢驗法，通過檢驗則為平穩序列，未通過則需要進行差分轉換為平穩序列。

步驟二：ARIMA（p， d， q）模型參數的估計。ARIMA模型中的p與q分別表示AR和MA部分的階數，d表示序列的單整階數（差分次數）。

步驟三：對建立的ARIMA模型進行殘差序列相關性檢驗。若通過檢驗，可以比較模型的檢驗參數來選擇最優模型；若未通過檢驗，則返回步驟二，繼續估計模型參數。

步驟四：利用最優模型進行預測。

4.構建ARIMA預測模型

下面以廣州港2010-2017年的96組數據作為觀察數據，在操作系統為Windows10的電腦上運用EViews8.0軟件構建ARIMA（p， d， q）模型。首先按照步驟一對該序列的平穩性進行ADF檢驗，發現原序列為非平穩序列，一階差分處理后ADF檢驗通過。接著進行步驟二的操作，借助于EViews生成的自相關函數圖和偏自相關函數圖形（如圖2所示），來估計p和q的值。通過觀察，可以發現自相關函數圖形表現為“拖尾”現象，偏自相關函數圖形表現為11期后“截尾”，則p、d、q的取值分別為11、1、0，構建ARIMA（11，1，0）模型。最后對構建的模型進行殘差序列相關性檢驗，主要檢驗參數如表1所示：

調整R2表示模型的擬合程度，取值介于0-1之間，數值越大代表擬合效果越好；AIC和SC都是信息準則，對于擬合的模型而言，其數值越小越好；擬合出的模型不存在殘差序列相關性。擬合模型的殘差圖如圖3所示。

通過觀察殘差圖，擬合ARIMA模型的結果值與實際值基本吻合，預測的相對誤差絕大多數處在10%以內，體現出本文構建的集裝箱吞吐量預測模型的精準度和可靠性。因此，經過一次差分轉換后，最終擬合的ARIMA模型的結果為：

根據擬合出的模型，利用已有的實際數據，對廣州港2019年下半年6個月份的集裝箱吞吐量進行預測，預測結果如表2所示：

預測結果顯示，2019下半年廣州港全年集裝箱吞吐量預計為1122.47萬TEU，相較于2018年下半年941.56萬TEU的數據，同比增長19%，顯示出廣州港將繼續保持穩步增長態勢。根據預測結果，建議在集裝箱貨物運輸高峰期和低谷期時，通過積極的資源分配、碼頭調度、規劃建設等工作，來滿足港口集裝箱運輸需求。

5.結論

本文以廣州港作為研究對象，使用2010.01-2017.12區間96組數據，分析其集裝箱吞吐量數據的變動趨勢特征，構建了ARIMA預測模型。模型結果顯示，預測數值與實際數值的相對誤差基本控制在10%以內，從而證明模型的有效性和精確性。基于時間序列分析，本文構建的模型對各個港口集裝箱預測具有很強的普適性。最后，運用構建的ARIMA預測模型對廣州港2019下半年的集裝箱吞吐量進行短期預測，相信能夠對廣州港的發展建設、日常運營、規劃布局提供一定的參考意義。

參考文獻：

[1]劉宇璐，陳冬林.基于ARIMA模型的武漢港貨物吞吐量預測研究[J].中國水運，2016（10）： 45-47.

[2]劉婷，林連.港口裝箱吞吐量預測方法研究[J].蘇州科技學院學報（工程技術版），2011，24（4）：44-46.

[3]劉斌，邱國棟，劉超.集裝箱港口吞吐量線性回歸模型[J].大連海事大學學報，2003，29（2）：27-30.

[4]趙尚威，周建紅.中國港口集裝箱吞吐量預測：基于組合時間序列[J].系統科學與數學，2018，38（2）：210-219.

[5]馬慧慧，郭慶然，丁翠翠.EViews統計分析與應用（第3版） [M].電子工業出版社，2016.