基于改進灰色預測模型的港口物流需求預測研究

摘" 要：隨著疫情防控政策的調整，我國外貿行業呈現快速增長態勢。文章基于改進的灰色預測NGMG1，N模型，運用MATLAB軟件，以上海港2013至2022年的集裝箱吞吐量為原始數據，預測未來五年上海港的集裝箱吞吐量，并對改進的灰色NGMG1，N模型預測結果進行精度檢驗，結果顯示該模型預測精度較高。最后基于預測結果，分析上海港未來五年物流需求趨勢向好的主要原因并得出結論。

" 關鍵詞：灰色預測；NGMG1，N模型；港口物流；需求預測

" 中圖分類號：U691" " 文獻標志碼：A" " DOI：10.13714/j.cnki.1002-3100.2024.15.019

Abstract： With the adjustment of epidemic prevention and control policies， China's foreign trade industry has shown a rapid growth trend. Based on the improved grey prediction NGMG1，N model， this paper uses MATLAB software to predict the container throughput of port of Shanghai in the next five years with the container throughput of Port of Shanghai from 2013 to 2022 as the original data， and tests the accuracy of the results of the improved grey prediction NGMG1，N model. The results show that the prediction accuracy of the model is high. Finally， based on the forecast results， the paper analyzes the main reasons for the logistics demand trend of Port of Shanghai to be better in the next five years and draws a conclusion.

Key words： grey prediction; NGMG1，N model; port logistics; demand forecast

0" 引" 言

" 自2019年新冠疫情爆發開始，時隔三年，廣交會重新開啟了新的篇章，向世人交出了一份滿意的答卷；2023年4月18日，國家統計局發布了第一季度的國民經濟運行情況，外貿同比增長4.8%，創下了近四個季度的最高水平，這一轉變展現了我國外貿行業的穩健性。上海港作為中國重要的港口，并且多年來港口吞吐量名列世界前茅，上海港的相關數據可以說是中國乃至世界的外貿晴雨表，所以對上海港的物流需求進行分析極為重要。

" 灰色預測模型是灰色系統理論的一個重要分支。具有一個變量和一個一階差分方程的GM1，1模型，是灰色預測模型的基礎和核心，它是最簡單、使用最廣泛的單變量灰色預測模型。然而，GM1，1的結構簡單且不靈活，其參數需要優化。因此，大量應用程序表明，GM1，1的性能不夠穩定，其模擬和預測錯誤有時不能令人滿意。為了提高灰色預測模型的性能，很多研究者對GM1，1模型從不同的視角進行了優化，如參數優化、結構改進、建模對象擴展等。這些新的灰色預測模型在一定程度上有助于提高GM1，1模型的建模能力，雖然之前的研究增加了灰色預測模型的類型，但它們也導致了灰色模型的低級、簡單的重復。

GM1，1模型只包括一個因變量，外部因素對系統發展趨勢的影響沒有建模。為了解決這一缺陷，后來又提出了一個具有一個因變量和N-1個獨立變量的多變量灰色預測模型，即GM1，N模型。但是，GM1，N模型無法與原始的GM1，1模型兼容。所謂無法兼容，就是當N=1時，GM1，N不能轉換為相應的GM1，1模型。實際上，早期的GM1，N模型本質上并不是預測模型，而是主要用于描述系統特征變量和相關行為變量之間的關系。因此，在許多情況下，GM1，N模型的準確性通常低于GM1，1模型的準確性。為了改善GM1，N模型的結構，將一些結構參數，如插值系數、灰色作用項、時滯后項、虛擬變量和線性校正項添加到GM1，N模型中，然后提出了一些新的GM1，N模型。結構參數的添加在一定程度上提高了GM1，N模型的性能。此外，還使用了各種智能方法來優化GM1，N的參數，如累積生成順序、背景值分部系數和初始條件值、發展系數和灰色作用項目。上述研究的結果在提高多變量灰色預測模型的性能方面發揮了積極作用。然而，這些新的多變量灰色預測模型仍然與GM1，1模型不兼容。直到鄭波等提出了一個具有結構兼容性的新型多變量灰色預測模型，即NGMG1，N模型，解決了這一問題。本文正是基于NGMG1，N模型，利用MATLAB軟件構建模型，對上海港未來五年的集裝箱吞吐量進行預測并對預測結果進行評價，希望在豐富港口物流需求預測方法的同時，也能為上海港制定未來發展港口物流方案提供相對準確的數據支持。

1" NGMG1，N模型構建

1.1" 灰色預測模型的選取和介紹

" 本文運用的是一種具有結構兼容性的新型多變量灰色預測模型，該模型可以與傳統的主流灰色預測模型完全兼容，如GM1，1、NHGM1，1，K、GM1，N和GM0，N，并具有非常好的通用性和普遍性。NGMG1，N模型與傳統的灰色預測模型都是可以針對原始數據有限、原始信息匱乏的研究對象，將沒有明顯規律的原始數據進行累加生成削弱了隨機性的較有規律的新的離散數據，然后通過建立微分方程模型，得到在離散點處的解，經過累減生成的原始數據的近似估計值，從而預測原始數據的后續發展。由于目前對于港口集裝箱吞吐量的影響因素尚不明確，能夠收集到的數據較為有限，并且收集到的數據之間沒有明顯規律，而且關聯程度不高。在這樣一種情況下，選擇灰色預測模型比較適合。

" NGMG1，N模型是在原始灰色預測模型中加入因變量滯后項、線性修正項和隨機擾動項，提出一種新的具有良好結構相容性的多變量灰色預測模型。提出者從理論上證明了通過調整和改變模型參數，新模型可以完全兼容主流的單變量和多變量灰色預測模型，在其兼容性上本文不作多的解釋證明。當前國際形勢多變，港口集裝箱吞吐量會受到國際形勢影響，同樣也會受到國內政策影響，防疫政策改變、國外港口時而罷工，各種不確定因素充斥其間，因此需要選擇一個高性能的灰色預測模型。在之前對于灰色預測的研究中，結構參數及其優化方法的多樣性導致了數十個多變量灰色預測模型的生成。盡管增加了灰色預測模型的類型，但是也導致了灰色模型的低級、簡單的重復，同時，也導致用戶選擇合適的多變量灰色預測模型來解決實際問題很麻煩。而NGMG1，N模型不僅具有良好結構相容性，而且加入了因變量滯后項、線性修正項和隨機擾動項，模型的性能也優于其他經典的灰色預測模型，因此，本文采用NGMG1，N模型來預測未來五年上海港的物流需求。

1.2" NGMG1，N模型的構建

2" NGMG1，N模型在物流需求預測中的實際應用

2.1" 上海港近十年集裝箱吞吐量統計

" 本文將以上海港2013至2022年的集裝箱吞吐量為原始數據，預測未來五年上海港的集裝箱吞吐量。根據上海市統計局官網上發布的數據，通過整理得到上海港2013至2022年的集裝箱吞吐量如表1所示。

直觀的觀察數據并不能得出結論，通過圖2可以看出，上海港近十年來的集裝箱吞吐量是上升的，增長速度有快有慢。但是由于數據有限，無法觀察出數據規律，所以本文選擇利用NGMG1，N模型去挖掘有限數據的本質規律。具體的步驟概述如下：

" 第一，可以直接觀察到數據量少而且沒有明顯規律。第二，可以嘗試選擇灰色預測模型去挖掘數據規律，本文選擇NGMG1，N模型。第三，檢驗原始數據是否符合使用灰色預測模型的標準，防止預測以后發現白忙活一場，所以可以先進行級比檢驗，通過檢驗就可以使用灰色預測模型，通不過檢驗可以對原始數據進行平移變換，即在原始數據上同時增加或減少一定數據量，使得其能通過級比檢驗，在灰色模型預測結束后，再將預測數據結果進行平移變換即可。第四，將數據代入NGMG1，N模型進行預測，大致的邏輯順序是構造累加序列制造規律，再利用微分方程擬合新序列，接著用最小二乘法求得未知參數，解出微分方程的結果，得到預測值。第五，需要對NGMG1，N模型預測得到的結果進行評價，評價的方法很多，比如殘差檢驗、級比偏差檢驗等，具體的數據應該視情況而定檢驗評價方式，通過了檢驗說明預測值是可靠的，沒通過檢驗則需要改進模型或者更換模型重新進行分析。以上的詳細步驟主要通過MATLAB軟件進行，大致的步驟整理如圖3所示：

2.2" 基于NGMG1，N模型上海港物流需求預測與評價

在MATLAB軟件中輸入上海港2013至2022年的集裝箱吞吐量數據，運行程序，得到以下結果。

" 首先，進行原始數據的檢驗，得到指標1：光滑比小于0.5的數據占比為77.777 8%；指標2：除去前兩個時期外，光滑比小于0.5的數據占比為100%。評判標準為指標1一般要大于60%，指標2要大于90%，所以該組數據能夠通過級比檢驗，可以利用NGMG1，N模型進行預測。

運行后，得到了原始數據的擬合結果和往后5期數據的預測結果，如圖4所示。

模型的模擬和預測數據越接近真實數據，模型的性能就越好。從圖5中可以清楚地看到，NGMG1，N模型的散點圖與真實數據非常重疊，說明模型的性能很好，模擬和預測數據很接近真實數據。除了直觀的圖形表示，還需要具體的數據運算，對模型進行評價，如圖6所示。

" 可以看到，平均相對殘差為0.014 887，殘差檢驗的結果表明：該模型對原數據的擬合程度很高。平均級比偏差為0.021 801，級比偏差檢驗的結果表明：該模型對原數據的擬合程度也很高。

2.3" 基于NGMG1，N模型上海港物流需求預測結果分析

" 根據NGMG1，N模型的預測結果，可以看出上海港未來五年的物流需求是逐漸上升的，整體趨勢是向好的，主要原因如下：

" 第一，上海港作為中國最大的集裝箱碼頭，也是全球規模最大最先進的自動化碼頭，其國際樞紐的地位早已形成，隨著中國對外經濟的發展，上海港會推進我國由航運大國向航運強國發展發揮巨大地推動作用。

" 第二，上海港配備有最先進的自動化設備，最智能的控制系統，根據實時交通情況規劃最優路線，自動避障，自動導航，創造的效率也是最高的，上海港碼頭晝夜不停作業，也會不停刷新碼頭吞吐量的高效紀錄。

" 第三，隨著防疫政策調整，中國對外對內的貿易活動會逐步復蘇，國家政策的支持，外貿活動會繼續蓬勃發展，物流需求會進一步擴大。

" 第四，物流技術的提升也推動了上海港的物流需求。不僅有先進的自動化技術，還有不斷突破的集裝箱船型，不僅有逐步整合的航線提升效率，還有更立體化的智能防控系統提供安全穩定的環境，這些進步推動著物流需求的擴大。

3" 結論與展望

" 本文基于改進的灰色預測模型NGMG1，N模型，運用MATLAB軟件，以上海港2013至2022年的集裝箱吞吐量為原始數據，預測未來五年上海港的集裝箱吞吐量，并對改進的NGMG1，N模型結果進行殘差檢驗和偏差檢驗，結果證明該模型能較好地預測上海港物流需求量在2023至2027年的發展趨勢。本文根據預測結果分析了物流需求增長的原因，同時本文建立的預測模型能在一定程度上幫助上海港制定未來發展碼頭物流的相關措施方案時，提供相對可靠的數據依據。但是，本文的模型沒有考慮到自變量自身的時滯效應對結果的偏差，參數和結構的改進仍有較大空間，預測結果只是針對集裝箱吞吐量，沒有關注到商品的細致分類，這些都是值得進一步研究的方面。

參考文獻：

[1] 李惠，曾波，周文浩. 基于灰色參數組合優化新模型的生活垃圾清運量預測研究[J]. 中國管理科學，2022，30（4）：96-107.

[2]" ZENG B， DUAN H， ZHOU Y. A new multivariable grey prediction model with structure compatibility[J]. Applied Mathematical Modelling， 2019，75（3）：44-56.

[3]" HUIMIN Z， YAOGUO D， DELING Y， et al. An improved grey multivariable time-delay prediction model with application to the value of high-tech industry[J]. Expert Systems with Applications， 2023，213：23-31.

[4]" LUO D， SUN D. Data-driven structure selection for the grey NGMC1，N model[J]. Grey Systems： Theory and Application， 2021，12（2）：132-147.

[5]" FENGFENG Y， ZENG B， LEAN Y， et al. Prediction of carbon dioxide emissions in China using a novel grey model with multi-parameter combination optimization[J]. Journal of Cleaner Production， 2023（4）：83-92.

[6]" LI S， GONG K， ZENG B， et al. Development of the GM1，1，b model with a trapezoidal possibility function and its application[J]. Grey Systems： Theory and Application， 2021，12（2）：97-105.

[7]nbsp; PINGPING X， LUSHUANG X， YUCHUN L， et al. Forecasting carbon emissions using a multi-variable GM1，N model based on linear time-varying parameters[J]. Journal of Intelligent amp; Fuzzy Systems， 2021，41（6）：163-177.

[8]" ALOK D. Developing a grey forecasting model for the air flowing across the parallel plate duct[J]. Energies， 2022，15（5）：22

-34.

[9]" AKASH S， A R Z， WAGDY A M. Development of grey machine learning models for forecasting of energy consumption， carbon emission and energy generation for the sustainable development of society[J]. Mathematics， 2023，11（6）：27-40.

[10]" ZENG B， MA X， ZHOU M. A new-structure grey verhulst model for China's tight gas production forecasting[J]. Applied Soft Computing Journal， 2020，96（6）：79-92.

[11] 李蒙，劉爽，李艷茹. “十四五”時期上海市居民人均可支配收入預測——基于GM1，1模型[J]. 經濟研究導刊，2022，22（24）：78-80.

[12] 馬娟，馬新，吳文青，等. 具有雙曲余弦項的新型灰色預測模型及其在居民生活能源消費量中的應用[J]. 計算機與數字工程，2022，50（7）：1399-1404，1416.

[13] 李惠，曾波，茍小義，等. 基于統一灰色生成算子的三參數離散灰色預測模型及其應用[J]. 運籌與管理，2022，31（7）：119-123.

[14] 付洪濤，武英濤. 科創型企業價值評估模型的構建與應用研究——基于灰色預測、剩余收益和實物期權模型的綜合框架[J]. 金融管理研究，2021，10（1）：85-103.

[15] 李曄，丁圓蘋. 基于驅動因素控制的線性時變參數DLDGM1，N模型[J]. 中國管理科學，2022，30（3）：221-229.

收稿日期：2023-08-18

作者簡介：柳德才（1973—），男，湖北漢川人，武漢科技大學管理學院，副教授，經濟學博士，碩士生導師，研究方向：金融經濟、物流工程與管理；張世林（1998—），男（回族），湖北潛江人，武漢科技大學管理學院碩士研究生，研究方向：社會物流。

引文格式：柳德才，張世林. 基于改進灰色預測模型的港口物流需求預測研究——以上海港為例[J]. 物流科技，2024，47（15）：75-79.