李慧

摘 要：港口貨物吞吐量一定程度上反映港口建設(shè)、運輸能力、經(jīng)濟發(fā)展實力，對港口規(guī)劃建設(shè)決策具有重大意義，而對長江干線主要港口企業(yè)貨物吞吐量的預(yù)測有利于國家對長江干線港口的發(fā)展進行更有效的規(guī)劃建設(shè)、結(jié)構(gòu)調(diào)整等。以長江干線主要港口企業(yè)貨物吞吐量為基礎(chǔ)，梳理貨物吞吐量影響因素，分析各貨種結(jié)構(gòu)并識別出最主要的三類貨種，再基于Holt-Winters算法建立三次指數(shù)平滑預(yù)測模型，對2021年1月至12月貨物吞吐量及變化趨勢進行預(yù)測分析。結(jié)果表明2021年總貨物吞吐量及主要貨種吞吐量均呈現(xiàn)非線性增長態(tài)勢，為未來長江航運發(fā)展提供參考。

關(guān)鍵詞：長江干線;港口企業(yè);貨物吞吐量;預(yù)測模型

中圖分類號：[U6-9]? ? ? ? ? ?文獻標(biāo)識碼：A? ? ? ? ? ? 文章編號：1006—7973（2021）04-0029-04

1前言

近年來，我國經(jīng)濟穩(wěn)步增長，港口作為貿(mào)易活動的流通載體，日益成為區(qū)域經(jīng)濟發(fā)展的核心。而長江干線作為世界上運量最大、運輸最繁忙的通航河流，對促進流域地區(qū)經(jīng)濟協(xié)調(diào)發(fā)展發(fā)揮了重要作用。隨著“一帶一路”、“交通強國”、“長江經(jīng)濟帶發(fā)展”國家戰(zhàn)略的貫徹實施，長江干線運力結(jié)構(gòu)持續(xù)優(yōu)化，運輸保障不斷加強，多式聯(lián)運發(fā)展加快推進，各港口企業(yè)加快推進港口建設(shè)，推動港口高質(zhì)量發(fā)展，長江干線主要港口企業(yè)貨物吞吐量呈增長態(tài)勢，逐漸形成以港口為樞紐的高質(zhì)量綜合立體交通走廊。

港口企業(yè)貨物吞吐量可作為“經(jīng)濟的晴雨表”，不僅體現(xiàn)了港口企業(yè)的經(jīng)營成果，也是港口規(guī)劃建設(shè)、綜合運輸能力的體現(xiàn)。準(zhǔn)確合理預(yù)測長江干線港口企業(yè)貨物吞吐量對調(diào)整企業(yè)規(guī)劃布局、提升企業(yè)運轉(zhuǎn)效率、引導(dǎo)企業(yè)轉(zhuǎn)型升級具有重要的意義，并為政府制定相應(yīng)發(fā)展戰(zhàn)略、掌握長江干線運輸形勢提供參考。

目前，針對貨物吞吐量預(yù)測已有相關(guān)研究。韓以倫等人以青島港為例，充分考慮影響港口貨物吞吐量的因素指標(biāo)，并利用多元回歸模型、時間序列模型和灰色預(yù)測模型，預(yù)測分析了港口吞吐量[1];李廣儒等人以寧波舟山港為例，利用Elman 神經(jīng)網(wǎng)絡(luò)、BP 神經(jīng)網(wǎng)絡(luò)以及 RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測其貨物吞吐量，并對預(yù)測結(jié)果進行分析比較[2];楊思凡等人分析了影響港口貨物吞吐量的相關(guān)因素，結(jié)合多因素和誤差修正的BP神經(jīng)網(wǎng)絡(luò)方法對港口吞吐量進行預(yù)測[3];李長安等人結(jié)合蟻群算法和神經(jīng)網(wǎng)絡(luò)算法，建立高精度的預(yù)測模型，對港口貨物吞吐量進行預(yù)測[4];李穎等人利用 MATLAB工具建立自適應(yīng)濾波算法預(yù)測模型，來預(yù)測未來港口吞吐量[5];殷兆進基于不同類型的內(nèi)河港口項目，利用時間序列法、彈性系數(shù)法等對貨物吞吐量進行預(yù)測和比較分析[6];潘婷結(jié)合二次指數(shù)平滑法和灰色模型預(yù)測法，建立新的加權(quán)組合預(yù)測模型，并以寧波舟山港的貨物吞吐量為例進行實證預(yù)測分析[7];Min Liu等在考慮指數(shù)平滑法的波動率因素基礎(chǔ)上，對港口吞吐量進行預(yù)測[8];MADSEN H采用誤差指標(biāo)分析評價不同神經(jīng)網(wǎng)絡(luò)的預(yù)測性能，選擇最優(yōu)的神經(jīng)網(wǎng)絡(luò)對港口吞吐量進行預(yù)測[9]。

目前對于長江干線貨物吞吐量結(jié)構(gòu)分析及預(yù)測的研究相對較少，需要進行更深一步的研究。本文梳理長江航務(wù)管理局官網(wǎng)發(fā)布的近5年（2016-2020年）長江干線主要港口企業(yè)每月貨物吞吐量數(shù)據(jù)，分析影響貨物吞吐量的因素，識別分析主要貨類，并基于Holt-Winters算法對2021年的貨物吞吐量及主要貨類吞吐量進行預(yù)測，探究其變化趨勢。

2 長江干線主要港口企業(yè)貨物吞吐量分析

2.1 影響因素分析

政治、經(jīng)濟、社會等宏觀因素和港口建設(shè)、企業(yè)管理等微觀因素，均會對長江干線主要港口企業(yè)貨物吞吐量產(chǎn)生影響。

（1）港口自然地理環(huán)境。港口地理位置、水文氣象條件等均會影響貨物吞吐量。若水深條件不足，則無法滿足大型船舶進出港;若地理位置較差、氣象條件惡劣，將會增加船舶進出港靠離泊時間，也會帶來更大的風(fēng)險。

（2）港口社會政治環(huán)境。國家政治經(jīng)濟大環(huán)境以及政府發(fā)布的鼓勵或限制性政策也都是影響港口吞吐量的因素之一。比如中美貿(mào)易摩擦導(dǎo)致了長江航運外貿(mào)內(nèi)支線運輸需求持續(xù)下滑;新冠疫情影響導(dǎo)致了短期內(nèi)以能源、電力、冶金、石化、建筑等產(chǎn)業(yè)為主的長江干散貨運輸需求明顯下滑，港口物流因復(fù)工推遲運轉(zhuǎn)不暢，部分港口貨物壓港嚴(yán)重;國家環(huán)保政策對散件雜貨吞吐量影響較大，部分港口提質(zhì)改造、搬遷、散改集，朝著多式聯(lián)運，智慧、環(huán)保型港口轉(zhuǎn)型。

（3）港口腹地經(jīng)濟發(fā)展?fàn)顩r。強大的腹地經(jīng)濟實力會帶來密集的航線布置，吸引更多的中轉(zhuǎn)貨物，提高港口吞吐量。

（4）港口建設(shè)和管理水平。高效快速的裝卸設(shè)備與搬運系統(tǒng)、較高的集疏運網(wǎng)絡(luò)能力、健全的安全保障制度與措施、合理的勞動組織、綠色智能一體化的管理服務(wù)水平等均會提高港口碼頭的吞吐能力。

（5）長江航運市場發(fā)展水平。長江航運穩(wěn)步向好的發(fā)展態(tài)勢將推動貨物吞吐量進一步提升。2019年7月，交通運輸部印發(fā)《關(guān)于推進長江航運高質(zhì)量發(fā)展的意見》，提出將長江航運打造成交通強國建設(shè)先行區(qū)、內(nèi)河水運綠色發(fā)展示范區(qū)和高質(zhì)量發(fā)展樣板區(qū)，為推動長江經(jīng)濟帶高質(zhì)量發(fā)展提供堅實支撐和有力保障。同時，長三角三省一市交通運輸主管部門、海事管理機構(gòu)及各港航企業(yè)，建立健全工作機制，形成了上下聯(lián)動、互通有無的工作體系，實現(xiàn)內(nèi)河航道網(wǎng)絡(luò)化、區(qū)域港口一體化、運輸船舶標(biāo)準(zhǔn)化、綠色發(fā)展協(xié)同化、信息資源共享化。并著力打造長江經(jīng)濟帶與“一帶一路”建設(shè)的重要支點與紐帶，建設(shè)面向中國-東盟自由貿(mào)易區(qū)開放的區(qū)域性國際交通樞紐。

2.2 貨種結(jié)構(gòu)分析

長江干線主要港口企業(yè)貨物吞吐量統(tǒng)計貨類與交通運輸部保持一致，包括17類，分別為煤炭及制品，石油、天然所及制品，金屬礦石，鋼鐵，礦建材料，水泥，木材，非金屬礦石，化肥及農(nóng)藥，鹽，糧食，機械、設(shè)備、電器，化工原料及制品，有色金屬，輕工、醫(yī)藥產(chǎn)品，農(nóng)、林、牧、漁業(yè)產(chǎn)品以及其他產(chǎn)品。

對2016年至2020年各貨種吞吐量進行分析，可得出煤炭及制品、金屬礦石和礦建材料吞吐量排名前三。圖1中金屬礦石吞吐量位于峰值，圖2（以2020年為例）金屬礦石所占面積最大，故各貨種中金屬礦石吞吐量最大。分析2016年至2020年各貨種吞吐量，得出煤炭及制品吞吐量占比15%-21%，金屬礦石吞吐量占比25%-35%，礦建材料吞吐量占比5%-15%。

2016年至2020年，長江干線主要港口企業(yè)排名前三的主要貨種吞吐量月度走勢如圖3所示，其中，金屬礦石和礦建材料吞吐量呈現(xiàn)總體增長趨勢，煤炭及制品吞吐量在2020年有所下滑，主要源于國內(nèi)能源結(jié)構(gòu)不斷優(yōu)化，新能源替換，疊加社會用電量不及2019年，蒙華鐵路分流影響，煤炭及制品吞吐量下降。近5年來，長江干線各港口企業(yè)不斷優(yōu)化工藝提升裝卸效率，優(yōu)化船貨配置，拓展物流項目，提升整體的綜合效益。2020年新冠肺炎疫情突如其來，長江主要港口吞吐量短期明顯受到?jīng)_擊，但隨國內(nèi)外經(jīng)濟逐步恢復(fù)，總體上表現(xiàn)為“快速恢復(fù)、韌性十足、總量微跌、結(jié)構(gòu)分化”。

3 三次指數(shù)平滑（Holt-Winters算法）概述

3.1 指數(shù)平滑法選擇

指數(shù)平滑法通過對觀測值賦予不同權(quán)數(shù)加權(quán)得到預(yù)測值，應(yīng)用廣泛的主要包括一次指數(shù)平滑、二次指數(shù)平滑、三次指數(shù)平滑。

一次指數(shù)平滑適用于沒有明顯的上升或下降趨勢、波動不大的水平型時序數(shù)據(jù)的預(yù)測，對于非穩(wěn)定性數(shù)據(jù)的預(yù)測往往會產(chǎn)生較大的系統(tǒng)誤差;二次指數(shù)平滑是在一次指數(shù)平滑值基礎(chǔ)上建立預(yù)測的數(shù)學(xué)模型，再一次進行指數(shù)平滑確定預(yù)測值，適用于呈直線趨勢變化的時間數(shù)列預(yù)測;對于非線性特征的數(shù)列預(yù)測，則采用三次指數(shù)平滑法，通過求解平滑系數(shù)、建立預(yù)測模型來進行中短期預(yù)測，可以分析并延襲歷史數(shù)據(jù)所呈現(xiàn)的波動性和周期性。

長江干線主要港口企業(yè)貨物吞吐量數(shù)據(jù)表現(xiàn)為不平穩(wěn)和非線性特性，故采用三次指數(shù)平滑法進行預(yù)測。

3.2 Holt-Winters算法

三次指數(shù)平滑法主要基于Holt-Winters算法， 如下：

基年為t年，預(yù)測未來T期的值：

式中， 為加權(quán)系數(shù)（平滑系數(shù)）， 為第t周期的一次指數(shù)平滑值，為第t周期的二次指數(shù)平滑值，為第t周期的三次指數(shù)平滑值，為第t周期的實際值，為以t年為基年、預(yù)測周期為T的預(yù)測值，、、均為預(yù)測公式的參數(shù)。

平滑系數(shù)的選取對預(yù)測值的大小有較大影響，應(yīng)根據(jù)數(shù)列變化特性選取適合的平滑系數(shù)。若數(shù)列變化較穩(wěn)定，雖有小幅波動但長期變化趨勢不大時，取0.1～0.3，以體現(xiàn)歷史數(shù)據(jù)的影響;若數(shù)列變化波動較大，且長期變化趨勢也較大時，取0.7～0.9，以體現(xiàn)近期數(shù)據(jù)的作用。如圖4所示，長江干線主要港口企業(yè)2016年至2020年貨物吞吐量數(shù)據(jù)波動較大，長期變化趨勢也較大，預(yù)測時取為0.7。

4長江干線主要港口企業(yè)貨物吞吐量預(yù)測

通過長江航務(wù)管理局官網(wǎng)發(fā)布的長江干線主要港口企業(yè)生產(chǎn)動態(tài)，收集了2016年至2020年每月的主要港口企業(yè)貨物吞吐量數(shù)據(jù)（共60期），并構(gòu)建基于Holt-Winters算法的預(yù)測模型進行分析。

4.1 總吞吐量預(yù)測

如圖5所示，2016年至2021年長江干線主要港口企業(yè)貨物吞吐量整體呈現(xiàn)非線性增長態(tài)勢，2021年呈現(xiàn)震蕩波動格局，預(yù)計全年吞吐量同比增長13.05%。其中2月受春節(jié)影響，長江干線主要港口企業(yè)生產(chǎn)呈下滑態(tài)勢，吞吐量將有所下降，處于全年最低谷;3月開始回暖并逐月增長;6-7月小幅下滑;8-12月回歸到平穩(wěn)增長的軌道。

4.2 主要貨種吞吐量預(yù)測

如圖6所示，2016年至2021年煤炭、金屬礦石、礦建材料吞吐量整體均呈現(xiàn)非線性增長態(tài)勢，2021年吞吐量呈現(xiàn)震蕩波動格局，預(yù)計煤炭、金屬礦石、礦建材料吞吐量同比分別增長12.03%、10.28%、25.82%。

2021年，預(yù)計煤炭及制品吞吐量1-12月穩(wěn)定波動，變化幅度較小，基本保持穩(wěn)定的生產(chǎn)態(tài)勢;金屬礦石吞吐量1季度先增后降，4-5月小幅增長，6-7月小幅下滑，8-11月保持平穩(wěn)波動，12月小幅增長;礦建材料吞吐量1-2月下滑，3-4月逐月回暖，5-6月小幅下滑，7-11月保持平穩(wěn)增長，12月再次小幅下滑。

5結(jié)語

本文基于2016年至2020年60期長江干線主要港口企業(yè)貨物吞吐量數(shù)據(jù)，分析了貨物吞吐量影響因素和各貨種結(jié)構(gòu)，識別出主要的三類貨種，即煤炭、金屬礦石和礦建材料。再利用三次指數(shù)平滑（Holt-Winters算法）對2021年總貨物吞吐量及主要貨種吞吐量進行預(yù)測，得出2021年每月的吞吐量預(yù)測值及變化趨勢。結(jié)果表明，2021年總貨物吞吐量和主要貨種吞吐量均將呈現(xiàn)震蕩波動格局，整體保持非線性增長態(tài)勢。

參考文獻：

[1] 韓以倫， 徐新新. 基于ARIMA和GM模型的青島港貨物吞吐量預(yù)測研究[J]. 水道港口， 2019， 40（2）： 241-248.

[2] 李廣儒， 朱慶輝. 基于Elman神經(jīng)網(wǎng)絡(luò)的港口貨物吞吐量預(yù)測[J]. 重慶交通大學(xué)學(xué)報（自然科學(xué)版）， 2020， 39（6）： 8-12.

[3] 楊思凡， 魏夢， 丁蓉. 基于多因素選擇和誤差修正的 BP 神經(jīng)網(wǎng)絡(luò)港口貨物吞吐量預(yù)測[J]. 價值工程， 2020，39（18）： 68-71.

[4] 李長安， 盧雪琴， 吳忠強， 等. 基于蟻群算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的港口吞吐量預(yù)測[J]. 計量學(xué)報， 2020，41（11）： 1398-1403.

[5] 李穎， 付金宇， 張照億， 等. 基于自適應(yīng)濾波改進算法的大連港吞吐量預(yù)測[J]. 重慶交通大學(xué)學(xué)報（自然科學(xué)版）， 2020， 39（4）： 36-40.

[6] 殷兆進. 內(nèi)河港口工程項目可行性研究階段貨物吞吐量預(yù)測方法[J]. 水運管理， 2019，41（11）： 12-15.

[7] 潘婷. 寧波舟山港貨物吞吐量預(yù)測分析與思考[D]. 舟山： 浙江海洋大學(xué)， 2019.

[8] Min L， James W. Taylor， Wei-Chong Ch. Further empirical evidence on the forecasting of volatility with smooth transition exponential smoothing [J]. Economic Modelling， 2020.

[9] MADSEN H， PINSON P， KARINIOTAKIS G. Standardizing the performance evaluation of short term wind power prediction models [J]. Wind Engineering， 2005， 29（6）： 475-489.