韓以倫，徐新新

(山東科技大學(xué) 交通學(xué)院，青島 266590)

港口是一帶一路建設(shè)的重要樞紐和重要支點，是全球貿(mào)易的流通載體，是城市成長的主要驅(qū)動力，并日益成為區(qū)域經(jīng)濟(jì)發(fā)展的核心。沿海城市和港口在“一帶一路”建設(shè)的推動下不斷發(fā)展，青島港作為“21世紀(jì)海上絲綢之路”的重要節(jié)點[1]，應(yīng)在新形勢下抓住港口轉(zhuǎn)型升級的有利契機(jī)。青島港只有認(rèn)清現(xiàn)狀，分析面臨的機(jī)遇與挑戰(zhàn)，制定針對性的策略，才能承擔(dān)新的歷史使命，促進(jìn)港口的蓬勃發(fā)展。對港口的貨物吞吐量進(jìn)行預(yù)測和分析是各港口在發(fā)展過程中需要探索的重要內(nèi)容，它對合理進(jìn)行港口發(fā)展規(guī)劃并制定具有針對性的港口發(fā)展戰(zhàn)略具有重要作用。

目前港口貨物吞吐量的預(yù)測模型有很多，比較常見的模型包括指數(shù)平滑模型、時間序列模型、灰色預(yù)測模型及線性回歸模型等，也有學(xué)者運(yùn)用馬爾科夫區(qū)間預(yù)測模型、神經(jīng)網(wǎng)絡(luò)模型、模擬植物生長模型等來對港口貨物吞吐量進(jìn)行預(yù)測。各種模型在港口吞吐量的預(yù)測適用范圍存在一定的差異，對不同的數(shù)據(jù)波動程度的預(yù)測精度也存在一定的差異。由于影響貨物吞吐量的因素較多，在量化影響因素方面具有一定難度，因此采取多元回歸分析和時間序列來科學(xué)合理地選取影響因素，最后運(yùn)用灰色理論來預(yù)測港口貨物吞吐量。

1 模型簡介

1.1 ARIMA模型

ARIMA的基本思想是[2]：所預(yù)測對象的觀測值是按照時間順序取得隨機(jī)數(shù)據(jù)，這些觀測值之間具有一定的依賴性，而這種依賴關(guān)系是某變量的過去變動規(guī)律，利用這個規(guī)律來建立一定的數(shù)學(xué)模型，這個模型一旦被識別后就可以從時間序列的過去值及現(xiàn)在值來預(yù)測未來值。所處理的ARIMA模型若被接受就可以應(yīng)用于時間序列之中從前樣本數(shù)據(jù)、現(xiàn)期數(shù)據(jù)對之后的數(shù)據(jù)進(jìn)行預(yù)測。基于時間序列理論，能夠預(yù)測出一系列相關(guān)的指標(biāo)。時間序列的建模屬于動態(tài)經(jīng)濟(jì)學(xué)的范疇，可以應(yīng)用在非常廣闊的領(lǐng)域內(nèi)，例如應(yīng)用于企業(yè)對未來發(fā)展進(jìn)行預(yù)測。

ARIMA模型，全稱為自回歸積分滑動平均模型。包括移動平均過程(MA)、自回歸過程(AR)、自回歸移動平均過程(ARMA)以及ARIMA過程。其中AR是自回歸，p為自回歸項；MA為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時所做的差分次數(shù)。時間序列建模步驟主要包括：首先，對獲取的序列數(shù)據(jù)繪圖，觀察其是否為平穩(wěn)時間序列；若為平穩(wěn)序列，不需進(jìn)行數(shù)據(jù)處理，倘若為非平穩(wěn)序列，則應(yīng)進(jìn)行d階差分，使其化為平穩(wěn)序列，ARIMA(p,d,q)模型中的d便是差分階數(shù)；其次，求平穩(wěn)序列的自相關(guān)系數(shù)ACF和偏自相關(guān)系數(shù)PACF，并對其自相關(guān)圖和偏自相關(guān)圖進(jìn)行分析，得到p和階q，從而得到ARIMA模型；最后，對所得的ARIMA模型進(jìn)行檢驗。

1.2 灰色預(yù)測模型

灰色預(yù)測模型[3]簡稱GM預(yù)測模型，是通過少量的、不完全的信息建立數(shù)學(xué)模型并做出預(yù)測的一種預(yù)測方法，在工業(yè)、農(nóng)業(yè)等眾多領(lǐng)域得到了廣泛應(yīng)用，成功地解決了大量的實際問題?；疑A(yù)測的序列數(shù)據(jù)從表面上看是隨機(jī)的、無章的，但其實質(zhì)卻是有序、有界的，數(shù)據(jù)之間存在一定的潛在規(guī)律，根據(jù)這種規(guī)律，通過數(shù)據(jù)處理，進(jìn)一步發(fā)現(xiàn)與掌握規(guī)律，建立數(shù)學(xué)模型對系統(tǒng)未來實現(xiàn)科學(xué)的定量預(yù)測。

灰色系統(tǒng)理論建模的目的是依據(jù)社會、經(jīng)濟(jì)和技術(shù)等系統(tǒng)的行為特征數(shù)據(jù)找出因素本身或者因素之間的數(shù)學(xué)關(guān)系，從而確定系統(tǒng)的發(fā)展趨勢?；疑到y(tǒng)理論的建模實際上是對生成數(shù)列的建模，而一般數(shù)學(xué)建模方法則用原始的數(shù)列直接建模?；疑A(yù)測的核心模型包括GM(1,1)模型和灰色Verhulst模型，Verhulst模型是在Malthusian線性模型的基礎(chǔ)上加入制約項后演變成的非線性模型,其模型建立過程與GM(1,1)模型相似[4]。建模步驟主要包括：首先，需運(yùn)用累加生成、累減生成等方法對原始數(shù)據(jù)進(jìn)行預(yù)處理，使離散的數(shù)據(jù)顯現(xiàn)出規(guī)律性；其次，對生成的序列建立灰色微分方程，并利用最小二乘法求出相應(yīng)參數(shù)，建立時間響應(yīng)函數(shù)；最后還原模型，進(jìn)行預(yù)測和檢驗。

2 青島港貨物吞吐量預(yù)測過程

青島港位于山東半島南岸的膠州灣內(nèi)，由四大港區(qū)組成，分別是青島老港區(qū)、黃島油港區(qū)、前灣新港區(qū)和董家口港區(qū)。青島港是山東沿海港口群的核心，是國家沿海的主要港口，因地理位置優(yōu)越性成為中韓自貿(mào)區(qū)的重要支撐，是“一帶一路”的重要節(jié)點城市之一，在眾多國家戰(zhàn)略中擔(dān)任重要角色[5]。青島港2016年吞吐量實現(xiàn)歷史性突破，達(dá)到5.003 6億t，同比增長3.3%，集裝箱突破1800萬標(biāo)準(zhǔn)箱，集裝箱裝卸效率和鐵礦石接卸效率繼續(xù)保持世界第一。

對青島港貨物吞吐量進(jìn)行預(yù)測，依據(jù)一定的合理性將所預(yù)測的數(shù)據(jù)作為未來青島港的運(yùn)輸需求量和港口承載力，并對其進(jìn)行分析。首先，青島市幾乎全部進(jìn)出口貿(mào)易活動都是由港口物流運(yùn)輸來承載，因此它與吞吐量具有較大的相關(guān)性，讓其代表青島港口運(yùn)輸?shù)男枨罅浚鳛橐蜃兞縔，選取影響進(jìn)出口貿(mào)易額的六個因素作為自變量X，建立多元回歸方程，處理數(shù)據(jù)之后建立“ARIMA模型”。其次，再利用灰色預(yù)測模型來預(yù)測青島港未來5 a的港口貨物吞吐量，用以代表港口承載力。最后，對預(yù)測結(jié)果的數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)其現(xiàn)有的物流發(fā)展空間與經(jīng)濟(jì)發(fā)展不大相符。期望青島港借助“一帶一路”戰(zhàn)略東風(fēng)，擴(kuò)大港口規(guī)模、完善基礎(chǔ)設(shè)施建設(shè)，調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，為港口物流發(fā)展戰(zhàn)略的制定提供參考依據(jù)。

2.1 吞吐量相關(guān)數(shù)據(jù)的提取

影響港口吞吐量的因素眾多，包括：經(jīng)濟(jì)環(huán)境、經(jīng)營管理能力、政策環(huán)境、自然地理條件、信息化水平、服務(wù)水平以及創(chuàng)新能力等，港口與城市之間的經(jīng)濟(jì)聯(lián)系密不可分，本文選取能體現(xiàn)港口規(guī)模的顯性因素指標(biāo)作為變量[6]。文中采用多元回歸模型分析各影響因素，包括青島市的對外貿(mào)易進(jìn)出口總額、市生產(chǎn)總值、固定資產(chǎn)投資額、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、實際利用外資以及水運(yùn)運(yùn)輸量，對對外貿(mào)易進(jìn)出口總額和實際利用外資的單位美元統(tǒng)一化為人民幣元，借助于Eviews軟件，最終提取了青島市的固定資產(chǎn)投資、第二產(chǎn)業(yè)產(chǎn)值以及水運(yùn)運(yùn)輸量三個指標(biāo)。最后經(jīng)過多方面的綜合比較和檢驗，確以外貿(mào)易進(jìn)出口總額為因變量的青島港貨物吞吐量預(yù)測模型。表1為1997年～2017年青島市港口吞吐量的相關(guān)數(shù)據(jù)。

表1 1997年～2017年青島市港口吞吐量相關(guān)數(shù)據(jù)Tab. 1 Qingdao Port throughput related data from 1997 to 2017

數(shù)據(jù)來源：青島市統(tǒng)計年鑒(1997年～2017年)。

2.2 多元回歸分析

將青島市的對外貿(mào)易進(jìn)出口總額作為因變量Y，青島市生產(chǎn)總值、固定資產(chǎn)投資額、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、實際利用外資以及水運(yùn)運(yùn)輸量作為六個自變量，分別設(shè)為X1、X2、X3、X4、X5、X6。對這些變量建立多元回歸方程式，從而分析青島市外貿(mào)易進(jìn)出口總額。

設(shè)多元回歸方程為

Y=β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+C

(1)

圖1 最小二乘法估計圖Fig.1 The least square estimation graph

Y=27.349 68X2-34.206 66X3+5.897 021X6+1 547.147

圖2 一元回歸分析圖Fig.2 Univariate regression analysis圖3 二元回歸分析圖Fig.3 Binary regression analysis

圖4 三元回歸分析圖Fig.4 Triple regression analysis圖5 四元回歸分析圖Fig.5 Quadratic regression analysis

2.3 ARIMA模型的預(yù)測

(1)平穩(wěn)性檢驗。

運(yùn)用Eviews軟件對X2、X3、X6三個自變量進(jìn)行數(shù)據(jù)處理[8]，根據(jù)所得的自相關(guān)和偏相關(guān)圖可分析出X6只需將初始序列進(jìn)行“一階差分”就可以顯著平穩(wěn)，為一階單整；X2、X3需將進(jìn)行“二階差分”才可以顯著平穩(wěn)。從圖6、圖7和圖8中的一階和二階差分后的ADF檢驗結(jié)果圖可以觀察到，X2、X3、X6的t統(tǒng)計量分別是：-4.031 895、-3.981 138、-4.179 184，在1%、5%、10%的顯著性水平下都能拒絕原假設(shè)，接受不存在單位根的檢驗，p值都顯著小于0.05，所以可以確定X2、X3的二階單整和X6的一階單整序列可以用于ARIMA模型的構(gòu)建[9]。

圖6 X2二階差分ADF檢驗圖Fig.6 X2 second-order differential ADF test 圖7 X3二階差分ADF檢驗圖Fig.7 X3 second-order differential ADF test 圖8 X6一階差分ADF檢驗圖Fig8 X6 first-order differential ADF test

(2)模型預(yù)測。

觀察X2的自相關(guān)和偏自相關(guān)圖顯示，自相關(guān)系數(shù)在3階超出兩倍標(biāo)準(zhǔn)差外，偏自相關(guān)1階截尾，所以可建立ARIMA((1，2，3),1，1)的模型，經(jīng)過比較其調(diào)整后的R2，ARIMA(1，2，1)為最大，模型最優(yōu)，其參數(shù)估計如圖9所示，用此模型對X2的2018～2022年的值進(jìn)行預(yù)測。

從X3的自相關(guān)和偏自相關(guān)圖可以觀察到，自相關(guān)系數(shù)在滯后三階歸于零，偏自相關(guān)滯后一階四階歸于零，在ARIMA(p，d，q)模型中，p值取1,2,3，q取1,2,3,4，因此得到模型ARIMA((1,2,3)，2，(1,2,3,4))，經(jīng)過比較其調(diào)整后的R2，ARIMA(2，2，4)為最大，模型最優(yōu)，其參數(shù)估計如圖10所示，用此模型對X3的2018～2022年的值進(jìn)行預(yù)測。

圖9 X2的模型參數(shù)估計圖Fig.9 Model parameter estimation of X2圖10 X3的模型參數(shù)估計圖Fig.10 Model parameter estimation of X3圖11 X6的模型參數(shù)估計圖Fig.11 Model parameter estimation of X6

表2 X2、X3、X6及Y序列預(yù)測結(jié)果表Tab.2 X2, X3, X6 and Y sequence prediction results

觀察X6的自相關(guān)和偏自相關(guān)圖顯示，自相關(guān)系數(shù)在2階超出兩倍標(biāo)準(zhǔn)差外，偏自相關(guān)4階截尾，所以可建立ARIMA((1，2)，1，(1,2,3,4))的模型，經(jīng)過比較其調(diào)整后的R2，ARIMA(2，1，4)為最大，模型最優(yōu)，其參數(shù)估計如圖11所示，用此模型對X6的2018～2022年的值進(jìn)行預(yù)測。

運(yùn)用ARIMA模型對X2、X3、X6三個序列近五年的數(shù)據(jù)進(jìn)行預(yù)測，并帶入多元回歸方程：Y=27.349 68X2-34.206 66X3+5.897 021X6+1 547.147，預(yù)測數(shù)據(jù)如表2所示。

2.4 GM模型在吞吐量預(yù)測中的應(yīng)用

圖12 青島港貨物吞吐量的曲線圖Fig.12 Qingdao Port cargo throughput curve

觀察圖12可以發(fā)現(xiàn)，青島港近20 a的貨物吞吐量的變化趨勢是呈現(xiàn)指數(shù)遞增的，這種趨勢與GM預(yù)測模型的還原時間響應(yīng)函數(shù)的指數(shù)形式是一致的，因此利用灰色預(yù)測模型對青島港貨物吞吐量進(jìn)行預(yù)測具有一定的可行性[10]。利用灰色模型中的GM(1,1)和Verhulst模型相組合對青島港貨物吞吐量進(jìn)行實踐預(yù)測的具體步驟如下：

(1)對原序列X0做一次累加或累減生成。

由1997～2017年青島港口吞吐量相關(guān)數(shù)據(jù)表可知，貨物吞吐量原始序列為：

X0=(6 943；7 043.5；7 282；8 660.71；10 422.9；12 251.6；14 090；16 265；18 678；22 415；26 502; 30 029；31 668.4；35 012；37 971；41 464.82；45 613；47 782；45 895；50 036；51 786)

GM(1,1)和Verhulst模型分別經(jīng)過一次累加和一次累減減生成X1和X2：

X1=(6 943；13 986.5；21 268.5；29 929.21；40 352.11；52 603.71；66 693.71；82 958.71；101 636.71；124 051.71；150 553.71；180 582.71；212 251.11；247 263.11；285 234.11；326 698.93；372 311.93；420 093.93；465 988.93；516 024.93；567 810.93)

X2=(100.5；238.5；1 378.7；1 762.19；1 828.7；1 838.4；2 175；2 413；3 737；4 087；3 527；1 639.4；3 343.6；2 959；3 493.82；4 148.18；2 169；-1 887；4 141；1 750)

(2)對X0進(jìn)行準(zhǔn)光滑性的檢驗。

GM(1,1)和Verhulst模型經(jīng)過計算得出光滑比為：

p(k)=( 1.014 5；0.520 6；0.407 2；0.348 3；0.303 6；0.267 9；0.243 9；0.225 1；0.220 5；0.213 6；0.199 5；0.175 4；0.165 0；0.153 6；0.145 4；0.139 6；0.128 3；0.109 2；0.107 4 ；0.100 4)；

可知，當(dāng)k>2時可以滿足準(zhǔn)光滑條件。

(3)生成緊鄰均值序列。

對序列X1和X2進(jìn)行緊鄰均值生成，經(jīng)過計算得：

Z1=(10 460；17 630；25 600；35 140；46 480；59 650；74 830；92 300；11 280；137 300；165 570；196 420；229 760；266 250；305 970；349 510；396 200；443 040；491 010；541 920)

Z2=(6 993.25；7 162.75；7 971.355；9 541.805；11 337.25；13 170.8；15 177.5；17 471.5；20 546.5；24 458.5；28 265.5；30 848.7；33 340.2；36 491.5；39 717.91；43 538.91；46 697.5；46 838.5；47 965.5；50 911)

(4)建立灰色微分方程。

GM(1,1)通過最小二乘法求得參數(shù)a，b，即：a=-0.089 529 755 148 312 7；b=10 147.019 625 676 0。

Verhulst模型通過最小二乘法求得參數(shù)a，b，即：a=-0.207 208 928 497 967；b=-3.425 921 010 981 54e-06。

(5)求時間響應(yīng)函數(shù)并得到還原模型。

GM(1,1)模型：

時間響應(yīng)函數(shù)為：X1(k+1) =(X0(1)+113 336.841)e0.089 529 755 148 312 7k-113 336.841

還原時間響應(yīng)函數(shù)：X0(k+1)=(1-e0.089 529 755 148 312 7k)(X0(1)+113 336.841)e0.089 529 755 148 312 7k

Verhulst模型：

時間響應(yīng)函數(shù)為：X1(k+1) =(X0(1)+94 326.816)e-0.207 208 928 497 967k-94 326.816

還原時間響應(yīng)函數(shù)：X0(k+1)=(1-e-0.207 208 928 497 967k)(X0(1)+943 26.816)e-0.207 208 928 497 967k

(6)預(yù)測貨物吞吐量。

對預(yù)測模型進(jìn)行檢驗：GM(1,1)和Verhulst模型的絕對誤差標(biāo)準(zhǔn)差分別為為2 260.571和1 236.841，方差比分別為c=0.145 12<0.35和c=0.126 373 7<0.35，依據(jù)灰色模型的精度評定要求可知c<0.35時精度等級為一級，因此兩種模型預(yù)測效果較好。

通過還原時間響應(yīng)函數(shù)得到還原值及預(yù)測值，預(yù)測值見表3。

(7)灰色組合模型預(yù)測貨物吞吐量。

在此采用方差倒數(shù)法來確定GM(1,1)和Verhulst模型在組合中所占的權(quán)重即，對誤差平方和小的模型賦以高權(quán)重，求得ω1=0.127，ω2=0.873。三種模型的港口吞吐量預(yù)測值及預(yù)測誤差如表3所示，可以發(fā)現(xiàn)灰色組合模型的平均預(yù)測誤差要小于兩個單一模型，所以最終的吞吐量預(yù)測采用灰色組合模型。

表3 預(yù)測結(jié)果與精度對比表Tab.3 Comparison of forecast results and precision

圖13為三種預(yù)測模型的吞吐量預(yù)測擬合曲線圖，可以看出GM(1,1)模型前期預(yù)測值偏小，后期預(yù)測值偏大，吞吐量增速過快；而灰色Verhulst模型前期預(yù)測值稍大，后期增速稍慢；灰色組合預(yù)測模型克服了兩種單一模型的缺點，總體擬合效果較好，優(yōu)于單一模型。表4為2018～2022年青島港貨物吞吐量預(yù)測值。

圖13 模型預(yù)測曲線擬合圖Fig.13 Curve fitting of model prediction

2018年2019年2020年2021年2022年56 602.37358 232.12559 803.61961 342.04662 872.74

3 青島港吞吐量預(yù)測結(jié)果分析

通過對青島市近20 a的進(jìn)出口貿(mào)易總額與貨物吞吐量進(jìn)行對比分析，發(fā)現(xiàn)盡管在總量變化上有一定差異，但兩者增速趨勢大致相符，相關(guān)性較大。對青島港的運(yùn)輸需求量進(jìn)行分析，青島市進(jìn)出口貿(mào)易總額的預(yù)測采用了多元回歸模型和ARIMA模型相結(jié)合的方法。對其單位進(jìn)行了統(tǒng)一化處理為單位/人民幣元，從預(yù)測結(jié)果可以看出，預(yù)測數(shù)據(jù)雖然存在一定差異，但與實際值相比誤差較小，在合理范圍內(nèi)，接受預(yù)測結(jié)果。從剔除三個自變量后的多元回歸方程來看，方程中各自變量的系數(shù)代表了各自對因變量的影響狀況，可以看出：青島市固定資產(chǎn)投資(X2)對進(jìn)出口貿(mào)易影響最大，它以貨幣量表示對港口設(shè)施投建資產(chǎn)，對港口運(yùn)輸?shù)陌l(fā)展提供了堅實的保證；青島市第二產(chǎn)業(yè)產(chǎn)值(X3)以及水運(yùn)運(yùn)輸量(X6)對青島市港口運(yùn)輸需求量有必然影響。由2018～2022年的進(jìn)出口貿(mào)易總額的預(yù)測值可以推斷出青島市進(jìn)出口貿(mào)易經(jīng)濟(jì)狀態(tài)有較大的發(fā)展?jié)摿?，能為青島港港口運(yùn)輸提供相當(dāng)?shù)男枨笫袌霰ＷC。

通過對近20 a的青島市國內(nèi)生產(chǎn)總值發(fā)展趨勢來看，總量呈級數(shù)增長，增速變化平緩波動較小，因此為港口吞吐量的增長提供了堅實的保障。對青島港的港口承載力進(jìn)行分析，通過對青島港近20 a的貨物吞吐量進(jìn)行灰色預(yù)測，可以從預(yù)測值中看出港口吞吐量不斷增加，增長速度呈現(xiàn)指數(shù)型，預(yù)測結(jié)果比較可信。青島港在現(xiàn)行經(jīng)濟(jì)增長處于“三期疊加”時期，結(jié)構(gòu)性矛盾突出的情況下，實際吞吐量仍保持較快增長。在《山東省沿海港口布局規(guī)劃》中明確提到貨物吞吐量在2020年和2030年的預(yù)達(dá)成目標(biāo)分別為5.4億～5.6億t以及7億～7.3億t，從預(yù)測曲線圖和預(yù)測數(shù)據(jù)表中可知灰色組合模型預(yù)測結(jié)果是比較準(zhǔn)確的，和規(guī)劃的預(yù)期目標(biāo)大體一致，因此較可信。吞吐量預(yù)測值較高，因此青島港的港口承載力建設(shè)水平有待提高，未來港口的發(fā)展必定需要投入大量資金以服務(wù)于青島市整體經(jīng)濟(jì)發(fā)展。

根據(jù)對青島市進(jìn)出口貿(mào)易總額以及港口吞吐量這兩方面的預(yù)測結(jié)論可以發(fā)現(xiàn)：未來青島市港口物流服務(wù)需求量較大，增長態(tài)勢明顯，青島市港口運(yùn)輸需求有充足的市場保證，運(yùn)輸能力有一定的發(fā)展空間。青島港有堅實的腹地經(jīng)濟(jì)予以支持，借助“一帶一路”，并能得到各種有利政策的支持，導(dǎo)致現(xiàn)在的承載能力與未來的需求量之間存在著一定的缺口，當(dāng)前對港口物流的投資建設(shè)與實際經(jīng)貿(mào)增長并不相符。因此，應(yīng)加強(qiáng)基礎(chǔ)設(shè)施的投入建設(shè)，適當(dāng)擴(kuò)大其吞吐能力，保證港口運(yùn)輸服務(wù)供給總量平衡，促進(jìn)經(jīng)貿(mào)又好又快發(fā)展。

4 結(jié)論

青島港吞吐量2017年位列全國第七，增速為1.6%，采用合理的數(shù)學(xué)模型對其未來吞吐量進(jìn)行預(yù)測對港口發(fā)展具有重要價值。本文采用時間序列模型和灰色預(yù)測模型分別對青島港的運(yùn)輸需求量以及港口承載力進(jìn)行預(yù)測分析，取得了較好的效果。青島港應(yīng)積極配合國家“一帶一路”倡議，依據(jù)所預(yù)測的港口吞吐量以及自身特色找到適合自己的發(fā)展策略，努力建設(shè)區(qū)域性國際航運(yùn)中心和區(qū)域性國際物流中心的核心載體。