我国沿海规模以上港口货物吞吐量实证分析及预测.docVIP

我国沿海规模以上港口货物吞吐量实证分析及预测[摘 要]科学的港口货物吞吐量预测结果可为国家安排港口生产和规划未来建设提供重要依据。本文以1999年至2009年我国沿海规模以上港口货物吞吐量的月度数据为基础,利用时间序列的建模方法,构建了ARIMA季节乘积模型,对2010年前三季度货物吞吐量做出短期预测,并给出结果分析和建议。 [关键词]沿海规模以上港口 货物吞吐量 ARIMA 预测 我国是海运大国,也是港口大国。改革开放以来,我国外贸进出口总量增加,航运得到高速发展,随着经济全球化的进一步加速,我国口岸物流规模迅速扩大,现已形成沿海、沿江水运、航空和内陆边境全方位开放的立体化口岸体系。[2] 口岸作为国家对外开放的窗口、外贸进出口的通道,其发展状况直接影响着国家的经济发展及国际形象,而其中沿海港口更是一国经济发展的重要基础设施和内外贸物资集散枢纽。[3]又由于货物吞吐量是衡量港口生产经营状况的重要指标之一,所以研究我国沿海港口货物吞吐量有着极为重要的现实意义。 研究港口货物吞吐量方法较多,如时间序列模型、灰色模型、神经网络模型和回归模型等。考虑到我国进出口总量的逐年增加以及季节对港口业的影响,且出于对预测精度的要求,本文选择使用时间序列分析方法对我国沿海规模以上港口货物吞吐量进行实证分析及预测。 一.数据来源及模型初选 1.1 数据来源 本文中1999年至2008年各月数据来源于历年《中国统计年鉴》所公布的我国沿海规模以上港口货物吞吐量数据,2009年1月至11月各月数据来源于中国交通运输部公布的统计公报。其中1999年1月至2009年8月的数据用来构建模型,2009年9月至11月的数据用来检验模型预测能力。所使用的软件为SPSS 18.0专业统计软件。 1.2 模型初选 港口吞吐量的数据通常会呈现出上升趋势以及季节性变化的特点,如果对其进行季度性的短期预测,可以考虑采用Winters模型和ARIMA模型。 尝试使用Winters加法模型对原始序列进行预测,但经SPSS计算发现,用以平滑模型平稳性、趋势性和季节性的三个方程中,仅一个方程的初始参数通过参数检验,另外两个均不通过参数检验,可见无法使用Winters模型来准确分析和预测本文的时间序列,所以考虑改用ARIMA模型。 二.构建模型 2.1 数据预处理 对原始数据作序列图(如图一)可以看出,原始数据的时间序列是非平稳的,既存在趋势性又存在季节性,需要将其平稳化才能构建模型。 现对数据进行一阶差分和12步季节差分,经处理后,数据得到了较好的平稳化,但序列图显示仍存在一定的异方差,为消除异方差对分析的影响,在上一步基础上对差分后的数据取对数,得到新的序列图(如图二)。此时,异方差被基本消除,数据呈现较好的平稳性。 ■ 对经过一阶对数差分和12步季节差后的时间序列进行纯随机性检验,序列显示出显著的短期相关性,在各阶延迟下LB检验统计量的P值均小于0.05,所以能以95%的把握拒绝序列纯随机的原假设(其自相关图,偏自相关图如下)。因而可以认为处理后的货物吞吐量序列属于非白噪声序列,该序列不仅可以视为平稳序列, 而且还蕴含着值得提取的信息,可以继续建模。 ■ 2.2模型识别及定阶 由于序列经过一阶对数差分后,趋势基本消除,经过一阶季节差分后,季节性基本消除,所以本文选用乘积季节模型■。 由处理后数据的自相关图和偏自相关图可以看出,延迟1阶的自相关系数和偏自相关系数均在2倍标准差范围之外,之后阶数的相关系数则以95%的概率在2倍标准差范围之内波动,另外自相关图显示了截尾性,偏自相关图显示了一定程度的拖尾性。根据以上判断,尝试分别构建ARIMA(0,1,0)(0,1,1)、ARIMA(0,1,1)(0,1,1)、ARIMA(1,1,1)(0,1,1)、ARIMA(1,1,0)(0,1,1)、ARIMA(0,1,1)(1,1,1)、ARIMA(0,1,1)(1,1,0)、ARIMA(0,1,1)(0,1,0)模型,并对其进行参数检验和残差白噪声检验,以选择合适的模型。经SPSS计算,现将以上7个模型的拟合结果整理如下: ■ 以上检验结果表明ARIMA(0,1,1)(0,1,1)、ARIMA(1,1,0)(0,1,1)、ARIMA(0,1,1)(1,1,0)这三个模型的参数检验和残差白噪声检验均通过,说明这三个拟合模型显著有效。判断一个模型的优劣,通常要看其预测误差是否较小。现利用上述三个模型分别预测2009年9月-11月我国沿海规模以上港口货物吞吐量,并将其预测值与实际值比较,利用公式■分别计算均方误差,依次得0.0115、0.0130、0.0025。由MS