摘" 要：武漢港作為我國中部地區(qū)最重要的交通樞紐之一，對我國港口物流發(fā)展具有極其重要的影響，而對武漢港的貨物吞吐量進(jìn)行物流需求預(yù)測是其物流發(fā)展規(guī)劃的重要組成部分。文章以單項(xiàng)預(yù)測模型為基礎(chǔ)，將ARIMA模型、二次指數(shù)平滑法以及灰色預(yù)測模型組合起來，建立了變權(quán)組合預(yù)測模型進(jìn)行物流需求預(yù)測。經(jīng)過分析比較后，發(fā)現(xiàn)變權(quán)組合預(yù)測模型的合理性和預(yù)測準(zhǔn)確度比單項(xiàng)預(yù)測模型更好。同時觀察到武漢港未來的貨物吞吐量將會穩(wěn)中向好增長，并對武漢港物流發(fā)展提出相應(yīng)的建議。

關(guān)鍵詞：港口物流預(yù)測；變權(quán)組合預(yù)測；ARIMA模型；灰色預(yù)測；二次指數(shù)平滑法

中圖分類號：U691" " 文獻(xiàn)標(biāo)志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.17.018

Abstract： As one of the most important transportation hubs in the central region of China， Wuhan Port has an important impact on the development of port logistics in China， and logistics demand forecasting for the cargo throughput of Wuhan Port is an important part of its logistics development planning. Based on a single forecasting model， the article combines ARIMA model， quadratic exponential smoothing method and gray forecasting model， and establishes a variable-weight combination forecasting model for logistics demand forecasting. After analyzing and comparing， it is found that the rationality and prediction accuracy of the variable-weight combination prediction model is better than the single-item prediction model. Meanwhile， it is observed that the cargo throughput of Wuhan Port will grow steadily in the future， and corresponding suggestions are put forward for the logistics development of Wuhan Port.

Key words： port logistics forecasting; variable weight combination forecasting; ARIMA model; gray forecasting; quadratic exponential smoothing method

0" 引" 言

武漢市作為華中地區(qū)的最大城市之一，承擔(dān)著交通樞紐的重要作用，其中武漢港作為長江黃金水道的核心尤為關(guān)鍵。在習(xí)近平總書記上任之初，總書記曾在湖北進(jìn)行港口和水路航運(yùn)的考察視察工作，且自第十八次全國代表大會以來，我國以更加廣闊和具有深度的視角上對港口進(jìn)行規(guī)劃和設(shè)計(jì)，以謀求航運(yùn)強(qiáng)國的建設(shè)，證明港口在我國的現(xiàn)代化強(qiáng)國進(jìn)程中發(fā)揮著重要的作用。在港口的現(xiàn)代化發(fā)展中，物流是其中關(guān)鍵的一部分，研究物流的發(fā)展規(guī)律能為港口發(fā)展提供指導(dǎo)方向，而物流需求預(yù)測就是其中最重要的方法之一。基于以上的考慮，本文對武漢港的港口貨物吞吐量進(jìn)行物流需求預(yù)測，以盡可能避免港口現(xiàn)代化發(fā)展所出現(xiàn)的問題，促進(jìn)我國港口物流穩(wěn)中向好發(fā)展，從而達(dá)到可持續(xù)發(fā)展的目的。

有關(guān)物流需求預(yù)測的研究中，學(xué)者們大多運(yùn)用定量方法進(jìn)行研究。其中部分學(xué)者運(yùn)用單項(xiàng)預(yù)測方法進(jìn)行研究：孫楊等[1]運(yùn)用灰色預(yù)測模型對寧夏居民健康素養(yǎng)水平現(xiàn)狀進(jìn)行預(yù)測；楊麒等[2]和王勝源等[3]分別用指數(shù)平滑法對珠海市和上海市的物流需求開展預(yù)測分析；Yang[4]通過BP神經(jīng)網(wǎng)絡(luò)模型對數(shù)個中國海港進(jìn)行吞吐量預(yù)測；王慧[5]運(yùn)用ARIMA模型對新疆建筑業(yè)人力資源開展了預(yù)測研究；馮大衛(wèi)[6]對海南省物流業(yè)與第一產(chǎn)業(yè)以多元回歸模型進(jìn)行分析。單項(xiàng)預(yù)測模型具有諸多局限性，因此亦有許多學(xué)者在不同領(lǐng)域運(yùn)用組合預(yù)測模型開展研究工作：武亞鵬等[7]、田珂[8]、呂欣曼等[9]、郭宇辰等[10]以及王瓏迪等[11]分別在物流、軍事、環(huán)境等不同領(lǐng)域以組合預(yù)測的方法對各自領(lǐng)域中的問題展開預(yù)測研究，這足以說明組合預(yù)測模型的普適性。

本文將在現(xiàn)有研究的基礎(chǔ)上，將ARIMA模型、二次指數(shù)平滑法以及灰色預(yù)測模型結(jié)合，構(gòu)建變權(quán)組合預(yù)測模型，對武漢港2023—2027年的年度貨物吞吐量進(jìn)行物流需求預(yù)測，為武漢港未來的物流發(fā)展提供參考和建議。

1" 單項(xiàng)預(yù)測模型分析

1.1" 武漢港貨物吞吐量數(shù)據(jù)統(tǒng)計(jì)

根據(jù)中國第三產(chǎn)業(yè)數(shù)據(jù)庫的實(shí)際數(shù)據(jù)，本文選取2013—2022年武漢港年度貨物吞吐量作為物流需求預(yù)測指標(biāo)，具體實(shí)際數(shù)據(jù)如圖1所示。

1.2" 二次指數(shù)平滑法預(yù)測模型分析

二次指數(shù)平滑法是時間序列平滑預(yù)測法的其中一種方法。二次指數(shù)平滑法是一種非常有效且易用的短期預(yù)測方法，其最大的特點(diǎn)就是只需要很少的數(shù)據(jù)就可以連續(xù)的進(jìn)行預(yù)測工作。根據(jù)二次指數(shù)平滑法的計(jì)算原則，本文選取0.8作為指數(shù)平滑系數(shù)α的值，對2013—2022年武漢港年度貨物吞吐量進(jìn)行預(yù)測。具體模型建立步驟如下：

經(jīng)過上述步驟的計(jì)算，武漢港貨物吞吐量的實(shí)際值、預(yù)測值和絕對誤差如表1所示。當(dāng)α=0.8時，MSE（均誤方差）為960 321.57，由于選取0.8作為指數(shù)平滑系數(shù)具有一定的主觀性，因此需要對不同的指數(shù)平滑系數(shù)α進(jìn)行運(yùn)算，以尋求最優(yōu)α值。經(jīng)過計(jì)算，發(fā)現(xiàn)α=0.5時，MSE（均誤方差）為862 261.61，其值最小，為最優(yōu)預(yù)測結(jié)果。因此，運(yùn)用最優(yōu)指數(shù)平滑系數(shù)α=0.5再次進(jìn)行運(yùn)算，所得結(jié)果如表2所示。

因此，選用0.5作為指數(shù)平滑系數(shù)α的值誤差最小，以二次指數(shù)平滑法預(yù)測后5期，即2023—2027年的武漢港貨物吞吐量，具體數(shù)據(jù)如表3所示。

1.3" 灰色預(yù)測模型分析

灰色預(yù)測模型是指一種對灰色信息系統(tǒng)進(jìn)行預(yù)測工作的一類模型。目前最令人熟知的灰色預(yù)測模型就是GM1，1模型，本文正是運(yùn)用GM1，1灰色預(yù)測模型對2013—2022年的武漢港進(jìn)行物流需求預(yù)測。具體模型建立步驟如下：

1.4" ARIMA預(yù)測模型分析

ARIMA模型的全稱為自回歸差分移動平均模型，是一種在時間序列法中較為常見的模型，因此本文亦采用ARIMA模型對武漢港2013年至2022年的貨物吞吐量進(jìn)行預(yù)測。ARIMA模型的基本表達(dá)式如下：

ARIMA（p，d，q）=AR（p）+I（d）+MA（q）

式中：ARIMA模型可看作是AR模型ARp和MA模型MAq的直接結(jié)合，并且考慮到時間序列是非平穩(wěn)的，從而進(jìn)行差分處理，也就是Id部分。ARIMA模型通常運(yùn)用ADF檢驗(yàn)、自相關(guān)圖和偏自相關(guān)圖來確定模型中的的p，d，q取值。本文以2013年至2022年的武漢港貨物吞吐量作為基礎(chǔ)數(shù)據(jù)，運(yùn)用SPSS和Eviews軟件對ARIMA模型進(jìn)行運(yùn)算，具體過程如下。

（1）為保證模型擬合度，需進(jìn)行ADF檢驗(yàn)分析，即單位根檢驗(yàn)來確定檢驗(yàn)平穩(wěn)性。經(jīng)過計(jì)算，檢驗(yàn)結(jié)果為：ADF檢驗(yàn)的T統(tǒng)計(jì)量為-1.930，P值為0.318，1%、5%、10%臨界值分別為-5.354、-3.646、-2.901。P

=0.318gt;0.1，不能拒絕原假設(shè)，序列不平穩(wěn)。對序列進(jìn)行一階差分再進(jìn)行ADF檢驗(yàn)。一階差分后數(shù)據(jù)ADF檢驗(yàn)結(jié)果顯示P=0.069lt;0.1，有高于90%的把握拒絕原假設(shè)，此時序列平穩(wěn)。因此，ARIMAp，d，q模型中d=1，詳細(xì)數(shù)據(jù)如表6所示。

（2）在ARIMAp，d，q模型中，確定為平穩(wěn)時間序列后，需對平穩(wěn)時間序列分別求得其自相關(guān)系數(shù)ACF和偏自相關(guān)系數(shù)PACF，通過對自相關(guān)圖和偏自相關(guān)圖的分析，得到最佳的階層p和階數(shù)q。利用SPSS軟件進(jìn)行計(jì)算，得出自回歸階數(shù)p值為0，移動平均階數(shù)q值為0。即可確定ARIMA模型類別為ARIMA0，1，0。

（3）確定為ARIMA0，1，0模型后，需要進(jìn)行殘差檢驗(yàn)，若檢驗(yàn)?zāi)Ｐ蜌埐钍前自肼曅蛄?，則檢驗(yàn)通過，可以通過該模型進(jìn)行預(yù)測。通過Eviews軟件對

ARIMA0，1，0模型進(jìn)行分析可知，Q6的P值為0.879遠(yuǎn)大于0.1，則在0.1的顯著性水平下不能拒絕原假設(shè)，該ARIMA0，1，0模型的殘差是白噪聲序列，符合模型建立的要求。根據(jù)模型預(yù)測2013年至2022年的貨物吞吐量，并向后預(yù)測5期，結(jié)果如表7所示。

1.5" 單項(xiàng)預(yù)測模型結(jié)果對比

通過對二次指數(shù)平滑法、灰色預(yù)測模型和ARIMA模型的計(jì)算，以2013—2022年武漢港年度貨物吞吐量作為基礎(chǔ)數(shù)據(jù)，分析比較2023—2027年武漢港貨物吞吐量的預(yù)測值，結(jié)果如表8所示。

觀察表8可知，盡管三種單項(xiàng)預(yù)測模型的預(yù)測結(jié)果較為接近，但是仍有不小的誤差，例如2025年和2026年的預(yù)測值誤差就較為明顯。因此，為了保證預(yù)測的精度，本文采用構(gòu)建變權(quán)組合預(yù)測模型對武漢港貨物吞吐量進(jìn)行物流需求預(yù)測。

2" 變權(quán)組合預(yù)測模型分析

2.1" 變權(quán)組合預(yù)測模型建立

單項(xiàng)預(yù)測模型在不同的情況下會有各自的局限性，因此本文構(gòu)建由二次指數(shù)平滑法、灰色預(yù)測模型和ARIMA模型組成的變權(quán)組合預(yù)測模型，以期更準(zhǔn)確進(jìn)行物流需求預(yù)測。變權(quán)組合預(yù)測模型是通過賦予不同的權(quán)重來計(jì)算需求預(yù)測的組合模型，本文采用方差倒數(shù)加權(quán)法對各個單項(xiàng)預(yù)測模型進(jìn)行賦權(quán)，基本過程如下。

2.2" 單項(xiàng)和變權(quán)組合預(yù)測結(jié)果對比

以2013—2022年的武漢港的貨物吞吐量作為數(shù)據(jù)分析對象，計(jì)算上述變權(quán)組合預(yù)測模型，并且與前文二次指數(shù)平滑法、灰色預(yù)測模型和ARIMA模型這三個單項(xiàng)預(yù)測模型進(jìn)行對比，結(jié)果如表9所示。

觀察表9可知，變權(quán)組合預(yù)測預(yù)測模型的年平均誤差率3.61%顯著低于單項(xiàng)預(yù)測模型的8.7%、4.14%和5.57%，由此可見，變權(quán)組合預(yù)測模型相比于單項(xiàng)預(yù)測模型更具有準(zhǔn)確度。因此運(yùn)用變權(quán)組合預(yù)測模型計(jì)算可得，向后預(yù)測5期即預(yù)測2023

—2027年武漢港貨物吞吐量，所得結(jié)果如表10所示。同時，將三種單項(xiàng)預(yù)測模型的預(yù)測結(jié)果與變權(quán)組合預(yù)測模型進(jìn)行對比，分析變權(quán)組合預(yù)測模型的穩(wěn)健性和可行性，如圖2所示。

由表10和圖2可知，四種模型下2023—2027年武漢港貨物吞吐量均呈上升趨勢，并且變權(quán)組合預(yù)測模型融合了三種單項(xiàng)預(yù)測模型的優(yōu)點(diǎn)，增長趨勢更為科學(xué)且符合實(shí)際。由此可知，未來5年武漢港的港口物流將會平穩(wěn)增長，順應(yīng)港口物流現(xiàn)代化的潮流穩(wěn)步前行。

3" 武漢港物流發(fā)展建議

雖然武漢港的物流系統(tǒng)已經(jīng)較為完善，但是仍有一定的改進(jìn)空間：（1）發(fā)揮中部地區(qū)的優(yōu)勢，加強(qiáng)對周邊地區(qū)的輻射。武漢作為華中地區(qū)的新一線城市，具有很大的物流業(yè)發(fā)展?jié)摿?。所以武漢市應(yīng)該加強(qiáng)港口與城市內(nèi)其他部分的聯(lián)系與合作，同時也應(yīng)該與周邊的沿河城市進(jìn)行物流業(yè)務(wù)上的分工和合作，充分發(fā)揮長江黃金水道的中心優(yōu)勢，從而令各個中部城市協(xié)調(diào)、協(xié)同發(fā)展。（2）進(jìn)一步優(yōu)化物流成本并提升物流效率。武漢港的管理人員應(yīng)該通過一系列方案和計(jì)劃來降低成本提高效率。例如：通過引入高科技人才和高新設(shè)備來推進(jìn)港口的數(shù)字化、智能化轉(zhuǎn)型；降低港口船只的集裝箱收費(fèi)標(biāo)準(zhǔn)，以達(dá)到犧牲少量利益換取長遠(yuǎn)發(fā)展的作用；在流通環(huán)節(jié)、中轉(zhuǎn)環(huán)節(jié)和裝卸環(huán)節(jié)進(jìn)行人員和行動的優(yōu)化，提升效率。

4" 結(jié)束語

在物流現(xiàn)代化和港口物流高速發(fā)展的時代背景下，本文利用單項(xiàng)預(yù)測模型和變權(quán)預(yù)測模型對武漢港貨物吞吐量進(jìn)行物流需求預(yù)測，發(fā)現(xiàn)變權(quán)組合預(yù)測更為精準(zhǔn)，武漢港的貨物吞吐量逐年提升，經(jīng)濟(jì)逐步發(fā)展。在武漢港未來的發(fā)展中，政府及統(tǒng)計(jì)部門需要更加深入的進(jìn)行調(diào)查和研究，以確保數(shù)據(jù)的真實(shí)可信，從而為定量預(yù)測分析提供精準(zhǔn)的數(shù)據(jù)保證，理論結(jié)合實(shí)際，促進(jìn)武漢港的港口物流順應(yīng)現(xiàn)代化潮流迅速發(fā)展。

參考文獻(xiàn)：

[1] 孫楊，王維成，郎穎，等. 基于灰色預(yù)測模型的寧夏居民健康素養(yǎng)水平發(fā)展趨勢分析[J]. 中國健康教育，2023，39（4）：315-317，341.

[2] 楊麒，張志清. 基于BP神經(jīng)網(wǎng)絡(luò)法和二次指數(shù)平滑法的珠海市物流需求預(yù)測比較分析[J]. 物流科技，2022，45（15）：27-32.

[3] 王勝源，朱芷童. 基于時間序列的上海市物流需求預(yù)測分析[J]. 物流科技，2022，45（18）：50-54.

[4]" YANG D. Logistics demand forecast model for port import and export in coastal area[J]. Journal of Coastal Research， 2020，103：678-681.

[5] 王慧. 基于ARIMA模型的新疆建筑業(yè)人力資源需求預(yù)測[J]. 房地產(chǎn)世界，2022（15）：26-28.

[6] 馮大衛(wèi). 基于多元回歸的海南省物流業(yè)與第一產(chǎn)業(yè)的實(shí)證分析[J]. 物流科技，2023，46（19）：94-98.

[7] 武亞鵬，李慧穎，李婷，等. 基于多模型組合的物流需求預(yù)測分析——以武漢市為例[J]. 物流技術(shù)，2022，41（6）：60-63.

[8] 田珂. 基于組合模型高精度預(yù)測彈丸徑向速度的方法[J]. 彈道學(xué)報(bào)，2022，34（3）：49-57.

[9] 呂欣曼，殷克東，李雪梅. 灰色多元變權(quán)組合預(yù)測模型及其應(yīng)用[J]. 統(tǒng)計(jì)與決策，2022，38（14）：25-29.

[10] 郭宇辰，加鶴萍，余濤，等. 基于CNN-LSTM組合模型的碳價(jià)預(yù)測方法[J]. 科技管理研究，2023，43（11）：200-206.

[11] 王瓏迪，何超，李加強(qiáng)，等. 基于組合模型的高原環(huán)境GDI汽油車排放預(yù)測[J]. 車用發(fā)動機(jī)，2023（2）：67-72.