◎宋长利 林木西 靳廉洁

一、辽宁内贸粮食对外运输格局

上世纪80年代以来，在工业化、城镇化的影响下长江三角洲、珠江三角洲等传统粮食主要生产区域转变为主要销售区域，粮食生产布局逐渐由南往北发展。东北三省、内蒙古、山东等粮食主产省区，粮食产量占全国总产量的比重达到四分之三以上。其中，东北三省成为名副其实的“大粮仓”，玉米、大豆等主要粮食作物源源不断运往全国各地，逐渐形成了北粮南运的格局。水路运输由于营运成本的巨大优势，在北粮南运中占有重要战略地位。目前，辽宁锦州港、大连港、丹东港、营口港、葫芦岛港等5大港口是北粮南运的重要口岸，承接了大量南来北往的粮食运输工作。图1为2010/2014/2017年度辽宁主要内贸出港粮食运量情况。从图中可以看出玉米是辽宁粮食内贸出港的最主要品种，物流量远超大豆、大米、小麦其他三种作物。从趋势看大连港运输量趋于下降，营口港、锦州港、葫芦岛港运输量上涨明显。

图1 2010/2014/2017年度辽宁主要内贸出港粮食运量（单位：万吨）

切实把握粮食出港物流量的工作意义重大，对国民经济的发展有决定性作用。粮食出港物流量涉及到粮食仓储、加工和经营贸易，对企业的储藏、加工、贸易流通的数量、后期的粮食价格走势有深远影响。进而影响到未来粮食的生产、加工等工作的平稳运行。本文以辽宁锦州港的玉米运输为例，进行月度内贸出港物流量预测。

辽宁锦州港是北粮南运物流通道上的一个重要出港口岸，连续多年成为内贸粮装船下水第一港。锦州港位于渤海西北部，是400公里海岸线上唯一全面对外开放的国际商港。虽地处北方，但冬季冻而不封。全年营运有效时间为365天。作为内蒙古东部粮食、煤炭资源和未来蒙古国资源唯一的出海口，战略地位十分重要。锦州港已发展成为以石油、煤炭、粮食等大宗散货和集装箱运输为主，内外贸结合、工商运并举的多功能、综合性港口，拥有32个营运泊位，年吞吐能力近亿吨。锦州港粮食运输具有得天独厚的区位优势。锦州港背靠东北三省和内蒙古四大粮食主产区，公路运输辐射周边400公里产区，火车运输辐射东北三省及内蒙古自治区全境，粮食运到锦州港的物流成本远远低于其他港口。这些因素叠加，形成了锦州港北粮南运的“洼地效应”。锦州港1990年通航时出港的第一艘船就是运粮船。历经多年年，锦州港粮食物流设施不断完善，散粮一次性仓储能力达到80万吨，带动港口外仓储能力110万吨，全部实现“四散化”作业，运输方式以散粮运输和集装箱运输为主。

二、支持向量机预测原理

应用支持向量机（SVM）模型进行预测的基本原理是将样本数据映射到高维特征空间，通过标定最优回归超平面将原问题转化为二次规划的最优求解［7-9］。

通过转换求解可得：

三、实证分析

1.数据搜集

为进行预测工作我们需要搜集锦州港内贸出港玉米物流量的历史数据作为训练数据库。首先我们可以得到2010年-2017年8年间锦州港出港玉米物流量主要呈现波动上升态势，虽然总体上升态势较为缓慢但年平均物流量可以较为明显的得到此结论。其次，从数据波动情况我们可以看出不同年分、月份玉米出港数量差别波动较为明显，个别年份出港物流量在一年之中的不同月份可能相差3倍以上甚至更多。因此，从预测角度来看，对于未来月份出港量的预测具有较大难度。综上，从技术角度我们可以得到锦州港玉米出港物流量的普遍规律及开展预测工作的具体难点。

2. SVM的训练

SVM是一种机器学习方法，其重要步骤是在预测前需对模型依据已有数据库进行训练。通过训练比较我们得到利用预测目标月份前连续40个月度吞吐量数据作为输入，后续5个月的数据作为输出的训练方式获得的SVM对吞吐量原始序列具有最好的拟合效果。以平均相对误差（MAPE）来评判模型的有效性。

开始阶段将训练组数据作为数据库SVM进行训练，在训练过程中，试算不同的核函数以及SVM模型中相对应的参数 和 ，则得到具有不同核函数及参数配置的SVM模型。对于训练得到的SVM模型，均需使用用检验组数据进行预测水平检验。检验时，将检验组相对应的连续的5个月度吞吐量指标输入到当前的SVM中，则模型会给出一组拟合值，计算拟合值与相应实际值间的偏差，判断当前选取的核函数和参数配置是否为较好。当偏差达到最小值，得到一组最优的核函数和参数值，相应得到一个可用于本研究的SVM模型。

3.指标预测与结果分析

SVM主要构成参数 、 以及核函数的选择是对预测模型精度影响最大的重要参考指标。截止目前的研究，并没有学者认可的统一有效方式来确定核函数及内部参数值如何选取。对于大多数研究者，一般是经过枚举试算的方法来进行参数的标定及核函数的选取。在本文中通过试算方案类比，我们认为选取径向基核函数可以得到类比其他核函数更精准的预测精度，这一核函数在预测模型中也经常被其他研究者选取。应用网格搜索法我们标定参数 和 的最优值为（0.108，0.007）。

选取2017年5-9月为预测目标区间预测精度可以达到最优。带入2017年5月前40个月的玉米出港物流量进行训练，得到2017年5-9月营口港的玉米预测内贸出港物流量。预测所得数据与实际物流量对比如图2所示（实际值数据标签在标记点右侧，预测值在标记点左侧）。

四、结论与展望

图2 玉米出港物流量预测数据与实际值对比图

本文首先从宏观角度分析了辽宁地区内贸海运出港粮食的构成及变化趋势。其次就辽宁省出港粮食作物中比重最大的玉米出港物流量以锦州港为例进行了预测。预测结果与实际值比较平均误差为8.1%，预测值与实际值的相关系数为68%。本文预测结果的相对误差较低，但与其他预测类指标比较相关系数并不好。主要原因是从月度历史数据看，锦州港玉米出港物流量的波动幅度较大，拐点较多，对于以月为单位的数据进行预测客观上存在一定困难。后续作者考虑参考其他混合预测方法对本文内容加以改进，期待开发得到精确性更高的模型。