基于季节分解法的防城港港货物吞吐量预测及分析

刘明英 翁世洲 贺依婷

【摘 要】 为准确预测防城港港口货物吞吐量，为经济发展提供重要信息，依据防城港港2011―2016年的货物吞吐量数据，运用剔除了季节因素影响的时间序列分析方法建立数学模型用于预测防城港港货物吞吐量，并将预测结果与实际数据对照以验证数学模型的有效性，进而对防城港港2018―2021年的货物吞吐量进行预测，预测结果为防城港港货物吞吐量将稳步增长，根据预测结果为防城港港的发展规划提出建议。

【关键词】 防城港港;货物吞吐量;季节分析;时间序列分析法

0 引 言

随着经济全球化进程加快，国际贸易量越来越大，港口是国际贸易货物运输的重要环节。对港口货物吞吐量进行科学预测，有利于港口城市经济及世界经济发展。预测港口货物吞吐量是港口规划决策工作的基础，在规划决策前期尤为重要。我国沿海12个主枢纽港之一的防城港港，与220多个国际港口通航，预测防城港港货物吞吐量可为防城港市乃至北部湾经济圈经济发展提供重要信息。

1 防城港港发展前景

防城港港现有包括25个生产性泊位在内的29个作业泊位（其中深水泊位14个），集装箱通过能力25万TEU[1]，码头仓储面积超过180万m2。未来在我国华南地区将会形成以香港国际枢纽港为中心，涵盖广州南沙港、深圳盐田国际港、北部湾港区的港口群。[2] 防城港港将逐渐显现以下优势：

从地理区位条件看，防城港位于我国海岸线西南部，与东盟国家水陆相连，拥有国家级口岸5个。防城港港与相邻的钦州港、北海港组成北部湾进出口贸易港群。借助良好地理位置和国家政策支持，防城港港未来可以发展成为我国西南地区货物吞吐量最多的港口。

从交通运输条件看，防城港港目前已基本形成海运、铁路及公路运输为一体的综合交通运输体系。海上运输方面，防城港港与多个国家开通了集装箱航线，与越南等国开通了客运航线;铁路运输方面，防城港已开通了防城港―南宁、南宁―昆明等线路，而作为西南出海大通道组成部分的南宁―昆明线联结云南、贵州、广西，并且直通防城港港码头[3];公路运输方面，防城港港周围建有四通八达的公路网络，主干公路与分支公路纵横交错，公路运输条件优越。

2 货物吞吐量预测方法及适用性

2.1 预测方法

港口货物吞吐量的预测方法分为定性分析法和定量分析法，由于定性分析法存在一定的不确定性，因而在实际中较少运用。

定量分析法主要有因果分析法、组合预测法和时间序列法等，常用的时间序列法有移动平均法、指数平滑法、灰色预测法等。在使用定量分析法预测货物吞吐量方面，国外学者已经有一些研究成果，例如：LEDOUX[4]认为货物吞吐量与物流需求存在一定关系，其研究在港口货物吞吐量预测方面具有前沿性;MEERSMAN[5]以货物吞吐量为基础分析港口扩建及投资，指出市场竞争、港口建设及规划情况等影响港口货物吞吐量的因素，为分析影响货物吞吐量的因素提供参考;BULUT[6]研究时间序列的季节性影响，提出基于模糊时间序列预测季节性模糊逻辑的综合预测方法，其方法具有较大可行性。

国内学者也对货物吞吐量预测方法进行了研究。邓聚龙[7]提出的灰色理论被中外学者广泛应用。郑燕玲[8]以宁波舟山港为例，预测分析港口货物吞吐量，并通过算例论证了方法的可行性。

2.2 预测适用性分析

不同研究方法在研究方向上存在差别，影响港口货物吞吐量预测的因素大多不可量化，数据收集和整理难度大。防城港港数据统计不完善，缺乏科学统计指标，无法获取大样本数据。因为数据受季节因素影响较大，所以本文采用剔除季节因素的时间序列分析法预测模型来预测防城港港的货物吞吐量。

2.3 模型的建立

季节分析方法[9]是时间序列分析法的一种，通过确定季节指数来表示各年的季节因素，描述各年的季节变动情况，步骤是：

（1）确定季节指数并分离季节因素;

（2）建立预测模型并进行预测;

（3）计算预测值。

3 防城港港货物吞吐量预测实例验证

3.1 确定季节指数并分离季节因素

2011―2016年防城港港貨物吞吐量见表1。

2011―2016年防城港港货物吞吐量的中心化移动平均值及其比值计算过程见表2。

为计算比值的平均值和季节指数，将表2中的比值按季度重新进行排列，结果见表3。

为反映防城港港货物吞吐量的季节变动情况，根据表3数据，将季节指数绘制成趋势图，分离季节因素后的防城港港货物吞吐量季节变动及趋势见图1。由图1可知，每年货物吞吐量最多的是第四季度，最少的是第一季度，且具有明显的线性趋势。因此，可以使用一元线性模型来预测未来5年的各季度港口货物吞吐量。

将货物吞吐量原始数据除以季节指数，即可得分离季节因素后的序列，见表4。

3.2 时间序列回归预测

使用SPSS软件，将表4中数据代入分离季节因素的线性预测回归方程，可求得各季度预测值为

k=b0 + b1 k=2 255.462 7 + 33.697 8 k

式中：b0、b1 均为回归方程参数。

将k代入上式即得分离季节性因素后的各期预测值，再乘以季节指数S可得最终预测值。对比最终预测值与原始值得到预测误差。拟合误差均在15%以内，其中最高为12.06%，最低仅为0.13%，预测效果较好。

例如，预测第23期即2016年第三季度不含季节因素的港口货物吞吐量，将k=23代入趋势方程，得Yk= + 33.697 8 ？23=（万t）;含有季节性因素的港口货物吞吐量最终预测值为 ？1.004 4=3 043.75（万t）。

2016―2021年各季度防城港港货物吞吐量的预测值见表5，预测值与实际值对比结果见图2，可见预测值与实际值及趋势较吻合。

3.3 分 析

原始数据波动较大，在建模初期需要进行处理。将上述数学模型运用于防城港港货物吞吐量预测，对防城港港近22個季度的货物吞吐量进行分析，经过计算得出一组具有明显增长趋势的预测数据。将预测数据与原始数据进行对比，误差在允许范围内，故本文提出的预测方法适用于预测防城港港货物吞吐量。

4 结 语

本文通过建立数学模型对防城港港货物吞吐量进行预测，通过与实例数据比对验证了数学模型的有效性。预测结果是防城港港的货物吞吐量将稳步增长，建议防城港港加强基础设施建设，完善交通网络;提高管理水平，延伸附加服务;把握政策机遇，适时调整港口建设战略，以应对未来不断增长的货物吞吐量。

参考文献：

[1] 陈宇.广西防城港港口物流发展与展望[J].沿海企业与科技，2008（12）：106-107，105.

[2] 周迎春.防城港集装箱运输竞争力评估与吞吐量预测[D].上海海事大学，2007.

[3] 百度文库.防城港区位优势[DB/OL].（2018-06-30）[2018- 11-10]https：//wenku.baidu.com/view/62c7ce031ed9ad51f11 df252.html

[4]  LEDOUX C.An Urban Traffic Flow Model Integration Neural Networks[J].Transportation Research Part C：Emerging Technologies， 1997（5）：287-300.

[5] MEERDMAN H M A.Port Investments in an Uncertain Environment[J]. Rresearch in Tansportation Economics， 2005（13）：279-298.

[6] BULUT E.Modeling seasonality using the fuzzy integrated logical forecasting （FILF）approach[J].Expert Systems with Applications， 2014（4）：1806-1812.

[7] 邓聚龙.灰色控制系统[J].华中工学院学报，1982（03）：9-18.

[8] 郑燕玲.宁波舟山港集装箱吞吐量灰色预测分析[J].中国水运（下半月刊），2011（2）：26-27，30.

[9]贾俊平.统计学[M].北京：中国人民大学出版社，2016：343-348.