吴琛

摘 要：针对集装箱吞吐量进行精準预测，已成为港口发展建设的重要一环。本文以广州港作为研究对象，选取2010.01-2017.12区间中96组数据作为原始数据。首先分析该时间序列的变动趋势特征；然后根据原始序列特征选取ARIMA模型进行预测，结果显示预测数值与实际数值的相对误差基本控制在10%以内，体现出模型的可靠性和精准性；最后对2019下半年广州港集装箱吞吐量进行预测，为港口运营提供参考价值。

关键词：广州港 集装箱吞吐量 时间序列 ARIMA模型 预测

1.引言

集装箱运输凭借其带来的规模经济效益和社会效益，已成为港口运输的主要方式。当前，港口集装箱吞吐量作为评价港口综合能力的重要因素，在港口发展建设中具有重要参考价值，针对港口集装箱吞吐量预测的研究成为必要。通过提高港口集装箱吞吐量预测的精确度，从而对港口的常规运营、资源分配、码头调度、规划建设等方面产生积极的作用。

港口集装箱吞吐量预测方法主要分为多元回归方法和时间序列分析方法。关于多元回归方法的研究主要包括：刘逸群等将大连市GDP、货运总量、东三省和内蒙古GDP之和作为影响因子，对大连港集装箱吞吐量进行多元回归预测；刘斌等使用国民生产总值、对外贸易额、港口固定资产投资及利率作为影响因子，对我国港口总吞吐量进行预测。时间序列分析方法主要包括指数平滑法、趋势外推法以及ARIMA模型等，主要研究有：刘宇璐等通过分析武汉港货物吞吐量数据的变动趋势和周期性特征，构建ARIMA预测模型；赵尚威等采用SARIMA和VAR组合预测方法，对中国7大港口进行吞吐量预测，体现出时间序列方法预测具有优势。

本文将以广州港为研究对象，通过分析历年来港口集装箱吞吐量的数据增长趋势，运用ARIMA时间序列方法建立预测模型，对广州港集装箱吞吐量进行短期预测。

2.趋势分析

广州港作为中国港口体系中重要的交通枢纽，是华南地区进行对外贸易的重要口岸，由南沙港、黄埔港、花都港、新塘港等多个港区组成。目前，广州港集装箱运输覆盖范围达到80多个国家及地区，涉及300多个世界港口。随着改革开放和“一带一路”政策的深入实施，广州港已经在世界港口排名中稳居前10位，步入世界一流港口的行列。

本文从广州市港务局官方网站，选取了2010.01-2017.12区间的集装箱吞吐量数据（如图1所示，单位：万TEU），共计96组数据。刻画的趋势图显示出，广州港集装箱吞吐量数据呈现出周期性变化，整体上展现出逐年递增的趋势；同时数据呈现出同比增长的趋势，如2010-2017年间，同月的数据出现明显的增长态势。

从图1的数据可以直观的看出，港口集装箱吞吐量数据一般都展现出周期性的特点。普通的线性回归对周期性的序列刻画不准确，而时间序列模型中的ARIMA模型可以通过差分方法消除周期性特征，从而提高预测模型的精准度。因此，港口集装箱吞吐量数据预测可以选取ARIMA模型进行研究。

3.理论支撑

3.1ARIMA模型介绍

ARIMA模型（Autoregressive Integrated Moving Average Model）叫做自回归移动平均模型，是时间序列分析模型中实用性和预测精度都较好的模型之一。ARIMA模型只观察真实数据本身且只存在单个变量，不考虑经济理论依据，通过找出数据序列的自身规律来对数据进行外推预测。此模型存在3种形式：AR模型（Autoregressive Model）、MA模型（Moving Average Model）以及ARMA 模型（Autoregressive Moving Average Model）。使用ARIMA模型的前提是判断时间序列是否为平稳序列，如果不是则需要差分后才能进行使用。

3.2建模步骤

步骤一：时间序列平稳性检验。通常采用ADF（Augmented Dickey-Fuller）单位根检验法，通过检验则为平稳序列，未通过则需要进行差分转换为平稳序列。

步骤二：ARIMA（p， d， q）模型参数的估计。ARIMA模型中的p与q分别表示AR和MA部分的阶数，d表示序列的单整阶数（差分次数）。

步骤三：对建立的ARIMA模型进行残差序列相关性检验。若通过检验，可以比较模型的检验参数来选择最优模型；若未通过检验，则返回步骤二，继续估计模型参数。

步骤四：利用最优模型进行预测。

4.构建ARIMA预测模型

下面以广州港2010-2017年的96组数据作为观察数据，在操作系统为Windows10的电脑上运用EViews8.0软件构建ARIMA（p， d， q）模型。首先按照步骤一对该序列的平稳性进行ADF检验，发现原序列为非平稳序列，一阶差分处理后ADF检验通过。接着进行步骤二的操作，借助于EViews生成的自相关函数图和偏自相关函数图形（如图2所示），来估计p和q的值。通过观察，可以发现自相关函数图形表现为“拖尾”现象，偏自相关函数图形表现为11期后“截尾”，则p、d、q的取值分别为11、1、0，构建ARIMA（11，1，0）模型。最后对构建的模型进行残差序列相关性检验，主要检验参数如表1所示：

调整R2表示模型的拟合程度，取值介于0-1之间，数值越大代表拟合效果越好；AIC和SC都是信息准则，对于拟合的模型而言，其数值越小越好；拟合出的模型不存在残差序列相关性。拟合模型的残差图如图3所示。

通过观察残差图，拟合ARIMA模型的结果值与实际值基本吻合，预测的相对误差绝大多数处在10%以内，体现出本文构建的集装箱吞吐量预测模型的精准度和可靠性。因此，经过一次差分转换后，最终拟合的ARIMA模型的结果为：

根据拟合出的模型，利用已有的实际数据，对广州港2019年下半年6个月份的集装箱吞吐量进行预测，预测结果如表2所示：

预测结果显示，2019下半年广州港全年集装箱吞吐量预计为1122.47万TEU，相较于2018年下半年941.56万TEU的数据，同比增长19%，显示出广州港将继续保持稳步增长态势。根据预测结果，建议在集装箱货物运输高峰期和低谷期时，通过积极的资源分配、码头调度、规划建设等工作，来满足港口集装箱运输需求。

5.结论

本文以广州港作为研究对象，使用2010.01-2017.12区间96组数据，分析其集装箱吞吐量数据的变动趋势特征，构建了ARIMA预测模型。模型结果显示，预测数值与实际数值的相对误差基本控制在10%以内，从而证明模型的有效性和精确性。基于时间序列分析，本文构建的模型对各个港口集装箱预测具有很强的普适性。最后，运用构建的ARIMA预测模型对广州港2019下半年的集装箱吞吐量进行短期预测，相信能够对广州港的发展建设、日常运营、规划布局提供一定的参考意义。

参考文献：

[1]刘宇璐，陈冬林.基于ARIMA模型的武汉港货物吞吐量预测研究[J].中国水运，2016（10）： 45-47.

[2]刘婷，林连.港口装箱吞吐量预测方法研究[J].苏州科技学院学报（工程技术版），2011，24（4）：44-46.

[3]刘斌，邱国栋，刘超.集装箱港口吞吐量线性回归模型[J].大連海事大学学报，2003，29（2）：27-30.

[4]赵尚威，周建红.中国港口集装箱吞吐量预测：基于组合时间序列[J].系统科学与数学，2018，38（2）：210-219.

[5]马慧慧，郭庆然，丁翠翠.EViews统计分析与应用（第3版） [M].电子工业出版社，2016.