刘超群，郭建春，张宁波，罗正斌

（1.江西省交通投资集团有限责任公司项目建设管理公司，江西 南昌 330025；2.江苏中路工程技术研究院有限公司，江苏 南京 210019；3.江西省交通科学研究院有限公司，江西 南昌 330200）

目前，国家政策不断对水运结构和港口建设加强调整以适应现代化运输结构，使得中国水运的发展水平得到大幅提高[1]。随着现代社会经济的快速发展，社会对于水路运输的需求越来越紧迫。“十三五”期间，西江经济带区域尤其是贵港港区快速发展，贵港港口的吞吐量也迅速增长，逐渐形成了港口码头、后方物流节点以及物流园区之间的分工与协作关系，使得港口集疏运带来的货运交通量对港口内部和港口所在城市的影响日益突出。这就需要对港口货运量进行合理预测，使得港区内外的交通网络与其配套发展，为实现港口的高效畅通营造良好的保证[2]。

1 货运量预测的重要性

对于港口来说，衡量发展规模的核心指标是货运量。同时，影响它的因素众多且复杂。通过对各项相关吞吐量影响因素进行综合全面分析，得出较为准确理想的货运量预测结果，并在此基础上对港口布局发展进行规划，是使得港口具有较高竞争能力的保证[3]。

对于港口物流，货运量的预测是确定港口物流中心规模及设备数量、制定相关政策及发展规划的重要前提，预测量的合理性会对港口众多问题产生直接影响。因此，对货运量进行准确预测给港口的现代化管理和可持续发展具有重要意义[4]。

对港口集疏运，货运量的合理预测是保证高效畅通集疏运的重要影响因素。完善的港口集疏运系统可以通过减少装卸货物的时间来提高车船、仓库的周转效率，进而提高物流公司的运营效益。因此，港口集疏运系统的高效畅通对港口发展具有十分重要的作用，它是建立港口与腹地经济一体化的重要环节和港口良性循环发展的关键基础条件。

2 货运量预测方法

目前预测的方法有很多，例如，时间序列平滑预测，趋势外推法，回归预测等单一预测模型，在预测过程中易受到预测方法局限和预测者认知不足的影响，造成预测结果不理想。因此，选择组合预测的方法可以减少单一预测结果带来的不足，使得预测结果更为可靠[5-6]。

本文以2011 到2020 年贵港港的实际吞吐量数据为基本数据，预测贵港港2021 到2026 年的吞吐量。用灰度预测、指数平滑预测和神经网络预测求出2011 到2020 年的预测数据，根据shapley 值法，求出不同预测方法的权重系数，在此基础之上，将上面三种预测得到2021 到2028 年的预测数据进行处理，得到更为准确的货运量预测数据，见表1。

表1 2011～2020 年贵港港货运量实际值

2.1 灰色模型预测

灰度预测模型是通过微分方程的形式反映事物变化发展的连续性，灰色预测是对系统因素间发展趋势的相异程度进行关联分析。首先，处理原始数据得到具有规律性的数据序列；其次，基于上述数据序列建立微分方程模型，实现对预测事物未来发展趋势的预测。采用灰色预测模型，能够预测达到某一特征量的时间，或者未来某一时刻的特征量[7]。

其中：α 称为内生控制灰数。

现构造矩阵B 和向量Yn：

依据预测模型得到预测结果见表2。

表2 2011～2026 年贵港港货运量灰度模型预测值

相对残差Q 检验：Q=0.0189，方差比C 检验：C=0.1111，小误差概率P 检验：P=1。

2.2 指数平滑预测

由于吞吐量随时间序列的变动呈现出二次曲线的趋势，则须采用三次指数平滑法进行预测。三次指数平滑法的预测模型为：

得出预测函数为：

依据预测模型得到预测结果见表3。

表3 2011～2026 年贵港港货运量指数平滑模型预测值

2.3 BP 神经网络预测

BP 网络即反向传播神经网络，基于对样本数据的训练，对网络权值和阈值不断地进行修正，使得误差函数逐渐下降，直到逼近期望输出。BP 网络是一种应用较为普遍的神经网络模型，由输入层、隐层和输出层组成，其网络权值和阈值通过对反传误差函数不断调节，直到误差函数达到极小[8]。

BP 神经网络训练过程包括：首先，网络输出指标历史数据为2011 至2020 年数据，将上述数据组成训练集对网络进行训练，直到误差达到要求。采用滚动预测方法，通过历史数据预测未来某一时刻的值，再将预测数据视为历史数据进行预测，依次循环进行，逐步实现对未来一段时期数据的预测，所得预测结果如表4 所示。

表4 2011～2026 年贵港港货运量bp 神经网络模型预测值

2.4 Shapley 值组合预测

Shapley 值法起源于1953 年，用于解决多人合作问题，主要突出每个成员在合作中的重要性[9]。笔者在组合预测模型中加入Shapley 值法，每个单一预测方法是合作团队中不同成员，不同预测方法产生的误差是团队合作中的最大收益，依据不同成员对团队“贡献”大小，通过所分配的权重反映成员在合作中的重要性。

令E(i)为第i 种预测方法所得预测误差的绝对值平均值，E 为组合预测的误差，可得：

式中：m——样本个数；n——单一预测方数量；E——预测误差总值。

Shapley 值的分配公式为：

式中：

i——组合预测某一个预测模型；

Ei——预测模型误差量（Shapley 值）；

s——包含i 的所有子集；

n——组合中预测模型总数量。

依据计算结果，分配组合预测中各个预测方法的权重，其分配公式为：

根据求得的不同预测模型的权重系数，可以得到2011～2020 年贵港港货运量shapley 值组合预测结果如表6 所示。此时，组合预测的绝对误差均值为1.86%。

表6 2011～2020 年贵港港货运量shapley 值组合预测结果

3 预测结果分析

由表5 和表6 可以看出，预测结果误差由之前单一预测的3.00%、4.16%和2.48%下降到了shapley 值组合预测的1.86%。因为shapley 值预测模型综合了单一模型预测的优势，并且减少了单一模型在预测中的劣势，使得预测的精度得到提高。Shapley 值预测是建立在对策论的基础上，使得在确定单一模型预测权重时有了科学的依据，使得预测的结果更加准确，而且具有现实可操作性，可以在实际中进行推广使用。

4 结论意义

航运作为贵港市发展重点，是广西北部湾经济区开放开发、中国-东盟合作以及面向国际开放开发的重要支柱行业。通过对贵港市未来几年吞吐量预测，可为建设运行高效、保障有力的航运支持保障系统及打造设施现代、功能齐备的西江航运中心等方面的目标夯实基础。准确预测货运量对于港口基础设施的投资和建设以及港口的运营和管理都很重要。本文模型可用于提高货运量预测的准确性，协助日常港口运营和管理活动，还可以应用于能源需求，原油价格和电力负荷预测等时间序列预测问题。