基于组合预测的货运量预测＊

黄 娟，刘双贤

（四川旅游学院经济管理学院，四川 成都610100）

1 引言

货运量预测是港口规划过程中非常关键的环节，如何对现有数据进行分析，得到期望的参数和模型；如何发现各个变量之间的关系，准确预测港口未来的运量一直是值得研究的问题。

关于运量的预测问题，现有的预测方法包括时间序列分析方法、灰色预测方法、指数平滑法[1]、KS检验[2]、重力模型[3-4]等。曾佑新[5]等采用一元线性回归模型、直线趋势模型、自回归模型、二次指数平滑法对中国铁路煤炭的运量进行预测，对四种预测模型的误差进行比较与分析；FITE等[6]使用逐步多元线性回归模型，将货运量与各种经济指标联系起来；RAHIM等[7]通过用模糊时间序列和指数平滑方法提出了一种CPO价格预测方法。

本文基于线性回归和趋势预测构建组合预测模型，通过R语言筛选剔除自变量，并对模型进行拟合，建立组合预测模型。以泸州市2006—2018年的货运量数据为例验证模型的有效性。

2 组合预测方法

2.1 线性回归

线性回归预测方法是属于因果分析预测方法的一种典型方法。主要探究导致运量增加的原因与总运量之间的关系，假设运量V1j表示如下：

式（1）中：a为截距；b、c、m、q、k为自变量系数；X1j为某年城乡人均消费收入；X2j为某年人口总量；X3j为某年城乡人均消费支出；X4j为某年第二产业的总产值；X5j为某年矿建材料吞吐量。

根据模型的现实意义，现有自变量反复冗杂，需要对自变量进行剔除，对模型进行拟合得到关于总运量的线性模型。

2.2 趋势预测模型

假设总运量变化情况符合线性趋势，则：

式（2）中：V2j为某一年的预测总运量值；α为截距；β为自变量系数；Xj为年份；εj为不可测因素。

2.3 组合预测

根据上述所提出的两种预测方法，可以分别对总运量作出基本合理的预测，以两种预测结果的平均值作为最终预测值，如式（3）所示。

3 案例分析

3.1 数据说明

本文以泸州市2006—2018年的货运量（公路、水路、铁路）为基数数据，采用R语言进行自变量剔除和模型拟合，基础数据如表1、表2所示。

表1 泸州市2006—2018年货运量

表2 泸州市运量变化的影响因素

3.2 线性回归模型拟合与自变量剔除

由现有数据可以看出，泸州市的总运量基本随着年份的增加而均匀增加，受其他因素的影响较小，显著呈现出线性趋势。从模型的精确度的层面来说，选择线性回归方法来对参数进行标定更能够精确地说明运量的变化趋势。但是在实际运用中，对某一年度的运量进行预测，实质上是对某一年度运量的影响因素进行量化与预测，需要特别注意自变量的数量，以便减小误差。R语言初步的运算结果如表3所示。

表3 初步运算结果

仅从p值的角度来看，因数据冗杂，模型的拟合程度很低，效果较差。Signif.codes标注预测变量的显著性，显著性依次递减，p值越小，越显著，就拒绝原假设（即系数为0）。p值越大，将对应的变量从模型中移除。首先对X4进行剔除，运算结果如表4所示。

表4 剔除自变量X4

这一步的运算结果展示中，在自变量部分已经出现一个自变量的p值显著，说明了数据之间的相关性。再依次剔除X5、X1、X2，经过计算，总运量预测模型为：

其中：

3.3 趋势预测

由于这一步采用的是趋势预测法，因此不涉及自变量剔除的情况，运算结果如表5所示。

表5 计算结果

由运算结果可知，截距与自变量X都极为显著，模型拟合效果非常显，著总运量预测模型为：

3.4 组合预测

组合预测结果如图1、表6所示。由预测结果可知，组合预测的最大最小相对误差分别为11.05%和2.38%，平均相对误差为6.04%，平均误差值为446.61。

图1 组合预测结果

4 结论

准确预测货运量是开展货运组织工作的关键环节，本文基于线性回归和趋势预测构建的组合预测模型计算简单，通过R语言剔除自变量和模型拟合，平均预测相对误差为6.04%，适用于波动较小的短期货运量预测，可为决策者提供参考。