吳琛

摘 要：針對(duì)集裝箱吞吐量進(jìn)行精準(zhǔn)預(yù)測(cè)，已成為港口發(fā)展建設(shè)的重要一環(huán)。本文以廣州港作為研究對(duì)象，選取2010.01-2017.12區(qū)間中96組數(shù)據(jù)作為原始數(shù)據(jù)。首先分析該時(shí)間序列的變動(dòng)趨勢(shì)特征；然后根據(jù)原始序列特征選取ARIMA模型進(jìn)行預(yù)測(cè)，結(jié)果顯示預(yù)測(cè)數(shù)值與實(shí)際數(shù)值的相對(duì)誤差基本控制在10%以內(nèi)，體現(xiàn)出模型的可靠性和精準(zhǔn)性；最后對(duì)2019下半年廣州港集裝箱吞吐量進(jìn)行預(yù)測(cè)，為港口運(yùn)營(yíng)提供參考價(jià)值。

關(guān)鍵詞：廣州港 集裝箱吞吐量 時(shí)間序列 ARIMA模型 預(yù)測(cè)

1.引言

集裝箱運(yùn)輸憑借其帶來(lái)的規(guī)模經(jīng)濟(jì)效益和社會(huì)效益，已成為港口運(yùn)輸?shù)闹饕绞健．?dāng)前，港口集裝箱吞吐量作為評(píng)價(jià)港口綜合能力的重要因素，在港口發(fā)展建設(shè)中具有重要參考價(jià)值，針對(duì)港口集裝箱吞吐量預(yù)測(cè)的研究成為必要。通過(guò)提高港口集裝箱吞吐量預(yù)測(cè)的精確度，從而對(duì)港口的常規(guī)運(yùn)營(yíng)、資源分配、碼頭調(diào)度、規(guī)劃建設(shè)等方面產(chǎn)生積極的作用。

港口集裝箱吞吐量預(yù)測(cè)方法主要分為多元回歸方法和時(shí)間序列分析方法。關(guān)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(yùn)總量、東三省和內(nèi)蒙古GDP之和作為影響因子，對(duì)大連港集裝箱吞吐量進(jìn)行多元回歸預(yù)測(cè)；劉斌等使用國(guó)民生產(chǎn)總值、對(duì)外貿(mào)易額、港口固定資產(chǎn)投資及利率作為影響因子，對(duì)我國(guó)港口總吞吐量進(jìn)行預(yù)測(cè)。時(shí)間序列分析方法主要包括指數(shù)平滑法、趨勢(shì)外推法以及ARIMA模型等，主要研究有：劉宇璐等通過(guò)分析武漢港貨物吞吐量數(shù)據(jù)的變動(dòng)趨勢(shì)和周期性特征，構(gòu)建ARIMA預(yù)測(cè)模型；趙尚威等采用SARIMA和VAR組合預(yù)測(cè)方法，對(duì)中國(guó)7大港口進(jìn)行吞吐量預(yù)測(cè)，體現(xiàn)出時(shí)間序列方法預(yù)測(cè)具有優(yōu)勢(shì)。

本文將以廣州港為研究對(duì)象，通過(guò)分析歷年來(lái)港口集裝箱吞吐量的數(shù)據(jù)增長(zhǎng)趨勢(shì)，運(yùn)用ARIMA時(shí)間序列方法建立預(yù)測(cè)模型，對(duì)廣州港集裝箱吞吐量進(jìn)行短期預(yù)測(cè)。

2.趨勢(shì)分析

廣州港作為中國(guó)港口體系中重要的交通樞紐，是華南地區(qū)進(jìn)行對(duì)外貿(mào)易的重要口岸，由南沙港、黃埔港、花都港、新塘港等多個(gè)港區(qū)組成。目前，廣州港集裝箱運(yùn)輸覆蓋范圍達(dá)到80多個(gè)國(guó)家及地區(qū)，涉及300多個(gè)世界港口。隨著改革開(kāi)放和“一帶一路”政策的深入實(shí)施，廣州港已經(jīng)在世界港口排名中穩(wěn)居前10位，步入世界一流港口的行列。

本文從廣州市港務(wù)局官方網(wǎng)站，選取了2010.01-2017.12區(qū)間的集裝箱吞吐量數(shù)據(jù)（如圖1所示，單位：萬(wàn)TEU），共計(jì)96組數(shù)據(jù)?？坍嫷内厔?shì)圖顯示出，廣州港集裝箱吞吐量數(shù)據(jù)呈現(xiàn)出周期性變化，整體上展現(xiàn)出逐年遞增的趨勢(shì)；同時(shí)數(shù)據(jù)呈現(xiàn)出同比增長(zhǎng)的趨勢(shì)，如2010-2017年間，同月的數(shù)據(jù)出現(xiàn)明顯的增長(zhǎng)態(tài)勢(shì)。

從圖1的數(shù)據(jù)可以直觀的看出，港口集裝箱吞吐量數(shù)據(jù)一般都展現(xiàn)出周期性的特點(diǎn)。普通的線性回歸對(duì)周期性的序列刻畫不準(zhǔn)確，而時(shí)間序列模型中的ARIMA模型可以通過(guò)差分方法消除周期性特征，從而提高預(yù)測(cè)模型的精準(zhǔn)度。因此，港口集裝箱吞吐量數(shù)據(jù)預(yù)測(cè)可以選取ARIMA模型進(jìn)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(dòng)平均模型，是時(shí)間序列分析模型中實(shí)用性和預(yù)測(cè)精度都較好的模型之一。ARIMA模型只觀察真實(shí)數(shù)據(jù)本身且只存在單個(gè)變量，不考慮經(jīng)濟(jì)理論依據(jù)，通過(guò)找出數(shù)據(jù)序列的自身規(guī)律來(lái)對(duì)數(shù)據(jù)進(jìn)行外推預(yù)測(cè)。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(shí)間序列是否為平穩(wěn)序列，如果不是則需要差分后才能進(jìn)行使用。

3.2建模步驟

步驟一：時(shí)間序列平穩(wěn)性檢驗(yàn)。通常采用ADF（Augmented Dickey-Fuller）單位根檢驗(yàn)法，通過(guò)檢驗(yàn)則為平穩(wěn)序列，未通過(guò)則需要進(jìn)行差分轉(zhuǎn)換為平穩(wěn)序列。

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

步驟三：對(duì)建立的ARIMA模型進(jìn)行殘差序列相關(guān)性檢驗(yàn)。若通過(guò)檢驗(yàn)，可以比較模型的檢驗(yàn)參數(shù)來(lái)選擇最優(yōu)模型；若未通過(guò)檢驗(yàn)，則返回步驟二，繼續(xù)估計(jì)模型參數(shù)。

步驟四：利用最優(yōu)模型進(jìn)行預(yù)測(cè)。

4.構(gòu)建ARIMA預(yù)測(cè)模型

下面以廣州港2010-2017年的96組數(shù)據(jù)作為觀察數(shù)據(jù)，在操作系統(tǒng)為Windows10的電腦上運(yùn)用EViews8.0軟件構(gòu)建ARIMA（p， d， q）模型。首先按照步驟一對(duì)該序列的平穩(wěn)性進(jìn)行ADF檢驗(yàn)，發(fā)現(xiàn)原序列為非平穩(wěn)序列，一階差分處理后ADF檢驗(yàn)通過(guò)。接著進(jìn)行步驟二的操作，借助于EViews生成的自相關(guān)函數(shù)圖和偏自相關(guān)函數(shù)圖形（如圖2所示），來(lái)估計(jì)p和q的值。通過(guò)觀察，可以發(fā)現(xiàn)自相關(guān)函數(shù)圖形表現(xiàn)為“拖尾”現(xiàn)象，偏自相關(guān)函數(shù)圖形表現(xiàn)為11期后“截尾”，則p、d、q的取值分別為11、1、0，構(gòu)建ARIMA（11，1，0）模型。最后對(duì)構(gòu)建的模型進(jìn)行殘差序列相關(guān)性檢驗(yàn)，主要檢驗(yàn)參數(shù)如表1所示：

調(diào)整R2表示模型的擬合程度，取值介于0-1之間，數(shù)值越大代表擬合效果越好；AIC和SC都是信息準(zhǔn)則，對(duì)于擬合的模型而言，其數(shù)值越小越好；擬合出的模型不存在殘差序列相關(guān)性。擬合模型的殘差圖如圖3所示。

通過(guò)觀察殘差圖，擬合ARIMA模型的結(jié)果值與實(shí)際值基本吻合，預(yù)測(cè)的相對(duì)誤差絕大多數(shù)處在10%以內(nèi)，體現(xiàn)出本文構(gòu)建的集裝箱吞吐量預(yù)測(cè)模型的精準(zhǔn)度和可靠性。因此，經(jīng)過(guò)一次差分轉(zhuǎn)換后，最終擬合的ARIMA模型的結(jié)果為：

根據(jù)擬合出的模型，利用已有的實(shí)際數(shù)據(jù)，對(duì)廣州港2019年下半年6個(gè)月份的集裝箱吞吐量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示：

預(yù)測(cè)結(jié)果顯示，2019下半年廣州港全年集裝箱吞吐量預(yù)計(jì)為1122.47萬(wàn)TEU，相較于2018年下半年941.56萬(wàn)TEU的數(shù)據(jù)，同比增長(zhǎng)19%，顯示出廣州港將繼續(xù)保持穩(wěn)步增長(zhǎng)態(tài)勢(shì)。根據(jù)預(yù)測(cè)結(jié)果，建議在集裝箱貨物運(yùn)輸高峰期和低谷期時(shí)，通過(guò)積極的資源分配、碼頭調(diào)度、規(guī)劃建設(shè)等工作，來(lái)滿足港口集裝箱運(yùn)輸需求。

5.結(jié)論

本文以廣州港作為研究對(duì)象，使用2010.01-2017.12區(qū)間96組數(shù)據(jù)，分析其集裝箱吞吐量數(shù)據(jù)的變動(dòng)趨勢(shì)特征，構(gòu)建了ARIMA預(yù)測(cè)模型。模型結(jié)果顯示，預(yù)測(cè)數(shù)值與實(shí)際數(shù)值的相對(duì)誤差基本控制在10%以內(nèi)，從而證明模型的有效性和精確性?；跁r(shí)間序列分析，本文構(gòu)建的模型對(duì)各個(gè)港口集裝箱預(yù)測(cè)具有很強(qiáng)的普適性。最后，運(yùn)用構(gòu)建的ARIMA預(yù)測(cè)模型對(duì)廣州港2019下半年的集裝箱吞吐量進(jìn)行短期預(yù)測(cè)，相信能夠?qū)V州港的發(fā)展建設(shè)、日常運(yùn)營(yíng)、規(guī)劃布局提供一定的參考意義。

參考文獻(xiàn)：

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

[2]劉婷，林連.港口裝箱吞吐量預(yù)測(cè)方法研究[J].蘇州科技學(xué)院學(xué)報(bào)（工程技術(shù)版），2011，24（4）：44-46.

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

[4]趙尚威，周建紅.中國(guó)港口集裝箱吞吐量預(yù)測(cè)：基于組合時(shí)間序列[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2018，38（2）：210-219.

[5]馬慧慧，郭慶然，丁翠翠.EViews統(tǒng)計(jì)分析與應(yīng)用（第3版） [M].電子工業(yè)出版社，2016.