基于灰色GM(1,1)模型的“十三五”港口吞吐量预测及趋势分析

张俊华

（沈阳建筑大学，辽宁 沈阳 110168）

基于灰色GM(1,1)模型的“十三五”港口吞吐量预测及趋势分析

张俊华

（沈阳建筑大学，辽宁 沈阳 110168）

通过灰色预测GM(1,1)模型，针对宁波港、上海港等八个吞吐量大港在“十三五”期间的货物吞吐量进行预测。通过计算真实值与预测值间的相对误差率，以平均误差率小于阈值10%为标准，对建立的预测模型进行精度检验。并从“十三五”期间吞吐量增长率、“十三五”末期2020年预测值的排名变化两个方面，对八个港口的吞吐量进行对比分析，反映各自的发展特点。最后对预测结果进行了分析。

港口吞吐量；吞吐量预测；GM(1,1)模型；十三五

1 引言

“十三五”是全面建成小康社会的最后一个五年，也是新常态下的第一个五年。产业结构的优化升级是“十三五”的关键，大力发展现代服务业必然会促进物流运输行业的蓬勃发展。而要实现“十三五”期间的“大物流”发展目标，港口的现代化管理必然是重要的一环。

港口吞吐量的预测是确定港口物流中心规模及其设备数量的重要前提，同时也是港口主管部门和港口物流企业制定相关政策及发展规划的决策根据。港口吞吐量预测的科学合理性直接关系到港口的经营策略、发展战略、港口的布局、泊位选址以及基本设施投资规模等多个重要问题。所以港口吞吐量的预测对于港口现代化管理和可持续发展具有重要意义。

国内外关于港口吞吐量预测的研究主要分为以下三类：

一是基于时间序列分析的港口吞吐量预测。陈宁利用二次指数平滑方法，预测了港口吞吐量[1]。施泽军等提出了灰色模型和十三次指数平滑法基础上的组合预测方法[2]。孙志林等分别采用时间序列分析和马尔科夫链模型，对港口吞吐量进行预测[3]。Xu D利用Box-Jenkins方法模型的时间序列分析方法预测沿海规模以上港口货物吞吐量[4]。Wei H C等将平滑预测和灰色预测两种方法结合，预测港口吞吐量[5]。

二是基于经济计量模型的港口吞吐量预测。匡海波建立了中国沿海港口聚类-VAR分货类吞吐量预测模型[6]。田歆等采用ARMA和VAR等计量经济模型，建立了香港集装箱吞吐量的综合集成预测模型[7]。范莹莹等采用非线性自回归法，对上海港的集装箱吞吐量进行预测[8]。Kang G Q等通过形成机制的多种因素来预测外贸集装箱需求[9]。

三是基于人工智能模型的港口吞吐量预测。陈婷婷等将BP神经网络理论引入港口货物吞吐量的预测中，并对南京港进行实证分析[10]。乐美龙通过遗传规划方法，建立了集装箱吞吐量预测模型[11]。周少龙等建立广义回归神经网络预测模型，具有较好的预测精度[12]。

现有研究已经取得了巨大的进展，但仍存在不足之处：一是现有研究通常针对一个地区或城市的港口吞吐量进行预测，缺乏多个港口吞吐量的预测及对比分析，更没有涉及“十三五”期间多个港口吞吐量的预测及对比关系的研究。二是现有研究中的预测模型存在精度不高、预测结果不可信的现象。

本研究通过灰色预测GM(1,1)模型，对宁波港、上海港等八个吞吐量大港在“十三五”期间的货物吞吐量进行预测。

2 基于GM(1,1)的港口吞吐量预测模型

2.1 GM(1,1)模型的概述

灰色预测模型即为GM(Grey Model)模型，是表示1阶的1个变量的微分方程型的预测模型。GM(l,1)预测模型是将随机的原始时间序列按时间累加形成新的时间序列，根据新的时间序列所显现的规律，利用一阶线性微分方程的解来逼近[13]。灰色预测模型能够利用“少量数据”建模拟合现实的规律，克服了数据少和周期短的缺点[13]。

2.2 基于GM(1,1)的预测模型

2.2.1 原始数据的累加。对于级比检验合格的原始数据序列：

式（2）的含义：对前m期的原始数据进行叠加，得到累加数据。

根据式（2）可以生成累加数列：

2.2.2 微分方程的建立与参数求解。对累加数据序列X(1)(m)建立GM(1,1)模型的一阶线性微分方程[13]：

累加数列X(1)(m)是微分方程式(4)的解。其中，a、u是待求参数，将其表示为矩阵形式

在式（5）中，

式（8）的含义：利用估计出的参数a、u和初始时刻的原始数据X(0)(1)，得到微分方程式（4）的解。

2.2.4 原始数列的预测。根据式（8）计算出前m期累加数据的预测值计算原始数据序列的预测值[13]：

式（9）的含义：当期累加数据减去前一期的累加数据等于当期的原始数据。

2.3 误差的计算及模型的精度检验

目的：检验模型预测的精确度，确定建立预测模型的精确度是否满足要求。

思路：采用误差分析法进行模型检验。将模型的还原值Xˆ(0)与原始序列X(0)相比较，求得两序列的差值即为误差，通过计算相对误差来检验模型。

式（10）的含义：通过计算每一期预测值与真实值间的相对误差反映预测模型的预测精度，相对误差越小，说明预测模型的精度越高，预测结果可信度越强。

3 “十三五”期间港口吞吐量的预测实证

3.1 样本的选取及数据来源

（1）样本的选取。本研究选取了宁波港、上海港、天津港、广州港、青岛港、大连港、日照港、营口港等8个港口为实证样本。

样本选取的原因：宁波港、上海港、天津港等8个港口是2014年我国吞吐量排名前八位的规模以上沿海港口[14]，具有现代化的物流管理水平和设备配置。这8个港口是我国创建现代化港口的典范，具有代表性。

对这8个港口进行吞吐量的预测，能够为港口管理部门提供决策依据，使得港口能够根据“十三五”期间的吞吐量预测，提前调整资源配置。

（2）数据的来源。本文针对指标“港口货物吞吐量”进行预测，该指标是指进出港口并经过装卸的货物数量，反映港口的生产能力。

样本数据均来自于2005-2014年中国统计年鉴。8个港口2005-2014年“港口货物吞吐量”的原始数据见表1。

表1 8大港口货物吞吐量的原始数据(单位：万t)

3.2 原始数据的累加

将表1中每一行的数据代入式（2）的右端，得到前m年的数据累加值，见表2。

表2 8大港口货物吞吐量的累加数据(单位：万t)

以宁波港前3年的数据累加值计算为例。将表1第 1行第3-5列的原始数据代入式（2），得到前3年的数据累加值

结果列于表2第1行第5列。

同理，可以计算八个港口货物吞吐量的累加数据，结果见表2。

3.3 参数的求解

（1）矩阵B的求解。以宁波港为例，说明矩阵B的计算过程。

将表2第1行宁波港的累加数据代入式（6），得到矩阵B：

同理，可以计算其他七个港口的矩阵B，这里不一一列出。

（2）矩阵Yn的求解。以宁波港为例，说明矩阵Yn的确定。

根据表1第1行第4-12列的原始数据代入式（7），得到矩阵Yn：

同理，可以得到其他七个港口的矩阵Yn，这里不一一列出。

（3）参数a和u的求解。以宁波港为例，说明参数a和u的计算过程。

将式（11）的矩阵B和式（12）的矩阵Yn代入式（5），估计参数矩阵

则a=-0.087 8，u=39 563.471 8。

同理，可以求得其他7个港口的参数值，见表3。

表3 8大港口的参数拟合值

表4 8大港口货物吞吐量的累加数据预测值 (单位：万t)

3.4 累加数列的预测

以宁波港为例，说明累加数列的预测值计算过程。将表1第1行第3列的x(0)(1)，表3第1行的参数拟合值a=-0.087 8，u=39 563.471 8代入式（8），则累加数列：

结果列于表4第1行。

同理可以得到其他七个港口累加数列的预测值，见表4。

3.5 原始数列的预测

以宁波港为例，说明原始数列的预测值计算过程。

将表4第1行的数据代入式（9），得到：

结果列入表5第1行。

同理可以得到其他7个港口的原始数列预测值，见表5。

3.6 误差的计算及精度检验

对表6第3-12列的相对误差求均值，得到预测模型的平均误差率，见表6第13列。

由表6第13列可知，8个港口的预测模型的平均相对误差率均小于10%，说明预测模型的精度较高，预测值可信。

表5 8大港口货物吞吐量的原始数据预测值(单位：万t)

3.7 “十三五”期间港口货物吞吐量的预测

（1）“十三五”期间港口货物吞吐量累加值的预测。与“3.4累加数列的预测”同理，以宁波港为例进行说明。将表1第1行第3列的x(0)(1)，表3第1行的参数拟合值a=-0.087 8，u=39 563.471 8代入式（8），则2015-2020年，即第11-16年的累加数列：

表6 预测值与真实值的相对误差

结果列入表7第1行。

同理，可以计算其他7个港口的吞吐量累加数列的预测值，见表7。

（2）“十三五”期间港口货物吞吐量的预测。与“3.4累加数列的预测”同理，以宁波港为例进行说明。

将表4第1行第12列的数据、表7第1行的数据代入式（9），得到：

结果列入表8第1行。

同理可以得到其他7个港口在“十三五”期间的货物吞吐量预测值，见表8。

以2005-2020年为横坐标，以货物吞吐量为纵坐标作图，如图1所示。2005-2014年对应的数据为港口货物吞吐量的真实值，2015-2020年对应的数据为港口货物吞吐量的预测值。

3.8 “十三五”期间港口货物吞吐量的预测结果分析

根据表8中“十三五”期间8个港口的货物吞吐量预测值，可以计算得到每个港口在“十三五”期间的增长率，见表8第9列所示。

根据表8第8列的2020年预测值，对8个港口的货物吞吐量进行排序，结果如表8第10列。

根据表8第8列的2020年预测值和第9列的增长率可以得到以下结论：

（1）营口港的货物吞吐量在“十三五”期间增长率预计为最大14.95%，说明营口港的吞吐能力在“十三五”期间增长势头最强。到“十三五”末期2020年预计达到84 449.51万t，由2014年排名第8位(最后一位)上升四位，预计到2020年排名第4位。

（2）广州港的货物吞吐量在“十三五”期间增长率较低，预计为5.27%，说明广州港的吞吐能力在“十三五”期间增长势头缓慢。到“十三五”末期2020年预计达到67 407.67万t，由2014年排名第4位下降四位，预计到2020年排名第8位(最后一位)。

（3）宁波港、上海港、天津港的货物吞吐量在“十三五”末期2020年预计排名不变，仍为前三位的货物吞吐量大港。其中，上海港“十三五”期间的增长率预计为最小5.27%，说明上海港口货物吞吐能力在“十三五”期间虽然排名不变，但增长势头最弱。

（4）日照港的货物吞吐量在“十三五”期间增长率虽然较大，为14.05%，但“十三五”末期2020年排名仅上升1位。

（5）青岛港、大连港的货物吞吐量在“十三五”期间增长平稳，且“十三五”末期2020年排名变化不大，青岛港的排名不变，大连港的排名下降一位。

图1 2005-2020年8大港口货物吞吐量的预测趋势

4 结论

4.1 主要结论

（1）营口港的货物吞吐量在“十三五”期间增长率预计为最大14.95%，说明营口港的吞吐能力在“十三五”期间增长势头最强。到“十三五”末期2020年预计达到84 449.51万t，由2014年排名第8位(最后一位)上升四位，预计到2020年排名第4位。

（2）广州港的货物吞吐量在“十三五”期间增长率较低、预计为5.27%，说明广州港的吞吐能力在“十三五”期间增长势头缓慢。到“十三五”末期2020年预计达到67 407.67万t，由2014年排名第4位下降四位，预计到2020年排名第8位(最后一位)。

（3）宁波港、上海港、天津港的货物吞吐量在“十三五”末期2020年预计排名不变，仍为前三位的货物吞吐量大港。其中，上海港“十三五”期间的增长率预计为最小5.27%，说明上海港口货物吞吐能力在“十三五”期间虽然排名不变，但增长势头最弱。

4.2 创新与特色

表7 “十三五”期间港口货物吞吐量的累加值预测 (单位：万t)

表8 “十三五”期间港口货物吞吐量的预测 (单位：万t)

（1）本研究通过灰色预测GM(1,1)模型，针对宁波港、上海港等8个吞吐量大港在“十三五”期间的货物吞吐量进行预测。从“十三五”期间吞吐量增长率、“十三五”末期2020年预测值的排名变化程度，对8个港口的吞吐量进行对比分析，反映各自的发展特点。改变了现有研究缺乏多个地区港口“十三五”期间的吞吐量预测及对比分析。

（2）通过计算真实值与预测值间的相对误差率，以平均误差率小于阈值10%为标准，对建立的预测模型进行精度检验，改变了现有研究中预测模型存在的精度不高、预测结果不可信现象。

[1]陈宁,朱美琪,余珍文.基于对数二次指数平滑的港口吞吐量预测[J].武汉理工大学学报,2005,(9):77-79.

[2]施泽军,李凯.基于灰色模型和指数平滑法的集装箱吞吐量预测[J].重庆交通大学学报(自然科学版),2008,(2):302-304, 332.

[3]孙志林,卢雅倩,黄赛花.港口吞吐量的马氏链-时序分析预测[J].浙江大学学报(工学版),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.中国沿海港口吞吐量预测模型研究[J].科研管理, 2009,(3):187-192.

[7]田歆,曹志刚,骆家伟,等.基于TEI@I方法论的香港集装箱吞吐量预测方法[J].运筹与管理,2009,(4):82-89.

[8]范莹莹,余思勤.基于NARX神经网络的港口集装箱吞吐量预测[J].上海海事大学学报,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]陈婷婷,陈漪翊.基于BP神经网络的港口货物吞吐量预测[J].计算机与现代化,2009,(10):4-5,9.

[11]乐美龙,方奕.基于遗传规划方法的集装箱吞吐量预测[J].上海交通大学学报,2003,(8):1 246-1 250.

[12]周少龙,周锋.基于时间序列的港口货物吞吐量GRNN预测模型[J].上海海事大学学报,2011,(1):70-73.

[13]刘思峰,党报国,方志耕.灰色系统理论及其应用(第三版)[M].北京:科学出版社,2004.

[14]中国经济信息网.中经网统计数据库[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

辽宁省科技厅重大推广项目“中俄高新技术转化基地项目”(z2115007)

张俊华（1962-），女，副研究员，研究方向：物流管理、创新与创业管理。