- 相關(guān)推薦
分析港口物流中的文獻評述論文
一、引言
建國以來(lái)，我國港口建設發(fā)展迅速，截至2014年底，我國已擁有國內巷道通航里程12.63萬(wàn)公里，港口擁有生產(chǎn)用碼頭泊位31，705個(gè)。在轉型升級的大背景之下，“一路一帶”戰略的實(shí)施必將會(huì )帶來(lái)新一輪的港口投資建設熱潮。準確把握未來(lái)港口物流需求無(wú)疑是合理規劃港口建設的重要前提。
二、文獻評述
從目前的研究來(lái)看，大致可以分為使用單一預測方法預測和使用組合模型進(jìn)行預測兩類(lèi)。單項預測方法主要包括時(shí)間序列預測法、回歸預測法和人工智能算法預測法三種。
�。ㄒ唬﹩我活A測方法
1、時(shí)間序列預測法。如王再明、王宏波（2005）應用灰色系統預測理論，以GM（1，1）和殘差修正GM（1，1）模型對武漢港貨物吞吐量和集裝箱吞吐量進(jìn)行了中短期的預測，并對集裝箱吞吐量的預測結果進(jìn)行殘差檢驗和殘差修正。發(fā)現修正后的預測精度可達到最優(yōu)的精度等級。張世良、黃躍華（2014）采用GM（1，1）擴展模型對天津港進(jìn)出船舶數量進(jìn)行了預測。陳寧、朱美琪等（2005）采用二次指數平滑對某港口的吞吐量進(jìn)行了預測，發(fā)現二次指數平滑模型比較適合快速成長(cháng)的港口進(jìn)行吞吐量定量預測。李增蔚、葉�。�2015）以寧波-舟山港為例，利用三次指數平滑法對寧波-舟山港的貨物吞吐量進(jìn)行了預測。張家善（2015）認為集裝箱吞吐量是反映一個(gè)港口生產(chǎn)經(jīng)營(yíng)狀況的主要數量指標，并基于趨勢曲線(xiàn)預測理論，以香港為例，通過(guò)建立三次曲線(xiàn)趨勢預測模型，對香港港口集裝箱吞吐量進(jìn)行了預測并取得了較好的預測結果。
時(shí)間序列預測法僅僅利用預測目標歷年數據進(jìn)行預測，因此預測過(guò)程相對簡(jiǎn)單，歷史數據的收集整理工作相應減少。但是，時(shí)間序列預測方法僅僅將時(shí)間作為影響預測目標的因素，忽視了其他真實(shí)影響預測目標的因素，亦無(wú)法有效揭示各影響因素之間的關(guān)系。
2、回歸預測法。陳其超（2013）以重慶市港口為例，分析了社會(huì )經(jīng)濟總量與物流需求之間的關(guān)系，利用重慶市生產(chǎn)總值與重慶港港口吞吐量建立一元線(xiàn)性回歸模型，對重慶市港口物流需求進(jìn)行了預測。王小萃（2007）以上海市為例，選取國內生產(chǎn)總值、第一產(chǎn)業(yè)總值、第二產(chǎn)業(yè)總值、第三產(chǎn)業(yè)總值、零售總額、外貿總額和貨物運輸量建立多元統計回歸模型，對上海市物流需求進(jìn)行了預測研究。彭湖、何民（2015）基于云南省統計數據，建立主成分回歸模型對云南省物流需求進(jìn)行了預測�？锖２ǎ�2009）在分析我國沿海港口貨物吞吐構成及其影響的基礎上，建立向量自回歸（VAR）模型來(lái)對我國沿海港口吞吐量進(jìn)行了預測，提高了預測的精度和準確度。
建立回歸預測模型需要對預測目標及各影響因素之間的相關(guān)關(guān)系進(jìn)行分析，回歸預測模型能夠有效地揭示各影響因素對預測目標的影響程度，便于決策者做出更為明智的決策。但是，回歸預測法是建立在大量歷史數據的基礎上，對歷史數據的質(zhì)量要求較高。此外，現實(shí)應用中，為了簡(jiǎn)便計算，常常采用線(xiàn)性回歸來(lái)進(jìn)行模型構建。然而，各影響因素與預測目標之間的關(guān)系往往非常復雜，而不是簡(jiǎn)單的線(xiàn)性關(guān)系。
3、人工智能算法。沈浩、黃洪瓊（2015）基于對上海洋山港船舶流量的調研，建立了支持向量機預測模型（SVM），并利用粒子群算法對模型進(jìn)行了參數優(yōu)化，通過(guò)實(shí)證證明了該模型的優(yōu)越性和可行性。郝勇、王怡（2014）利用徑向基函數（RBF）神經(jīng)網(wǎng)絡(luò )模型對蕪湖港港口船舶流量進(jìn)行預測，為了克服RBF網(wǎng)絡(luò )在參數選取上的缺陷，利用遺傳算法進(jìn)行了改進(jìn)，使得改進(jìn)后的網(wǎng)絡(luò )計算量小，識別速度快，預測誤差小。劉枚蓮、朱美華（2012）將外貿進(jìn)出口總量、第一產(chǎn)業(yè)總值和第三產(chǎn)業(yè)總值作為BP神經(jīng)網(wǎng)絡(luò )的輸入，港口吞吐量作為BP神經(jīng)網(wǎng)絡(luò )的輸出建立BP神經(jīng)網(wǎng)絡(luò )預測模型，并對廣西西部灣港口進(jìn)行了預測。盧少華（2006）則將遺傳規劃應用到吞吐量預測上，揭示了我國沿海港口吞吐量與GDP之間的關(guān)系以及發(fā)展趨勢。
利用人工智能算法進(jìn)行預測，能夠有效處理各影響因素與預測目標之間非線(xiàn)性的關(guān)系。但是，人工智能算法也存在著(zhù)一定的缺陷，如預測模型無(wú)法直觀(guān)地體現出各影響因素對預測目標的影響程度；理論上無(wú)法保證預測模型的泛化能力，使得預測結果不穩定；訓練樣本過(guò)多易于陷入“過(guò)學(xué)習”，而樣本量過(guò)少則難以保證預測的精度。
�。ǘ┙M合預測方法。上述預測方法各有其自身的優(yōu)缺點(diǎn)和適用范圍，為了提高預測精度，組合模型被越來(lái)越多地應用于港口物流預測。黃安強、肖進(jìn)等（2011）提出了一種基于情境知識的組合預測方法（CFMIK）來(lái)對港口集裝箱吞吐量進(jìn)行預測，發(fā)現CFMIK的預測表現優(yōu)于單一的預測模型。柳艷姣、肖青（2006）分別采用了時(shí)間序列的三次指數平滑法、改進(jìn)的GM（1，1）殘差模型以及組合預測方法對某港的集裝箱吞吐量進(jìn)行了探討，并對未來(lái)幾年某港集裝箱吞吐量進(jìn)行了預測，結果證明：組合預測模型融合了前兩種預測方法的優(yōu)點(diǎn)。孫志林、盧雅倩（2012）分別采用TSA和馬爾科夫鏈進(jìn)行預測，將TSA與馬爾科夫鏈校正模型相結合，進(jìn)行港口吞吐量預測。王巖（2013）將回歸分析與灰色預測理論集合起來(lái)，分別使用回歸分析、灰色預測及組合模型對秦皇島港口吞吐量進(jìn)行預測，發(fā)現組合模型能夠有效地降低預測誤差，提高預測精度。陳經(jīng)海（2013碩）則將灰色GM（1，1）模型與三次指數平滑模型結合起來(lái)，在分析了青島港口集裝箱海鐵聯(lián)運的效益基礎上，對運量進(jìn)行預測，從而提高了預測的精確度。萬(wàn)福來(lái)（2012）為克服數據貧乏和數據非線(xiàn)性的困難，將灰色理論與神經(jīng)網(wǎng)絡(luò )算法相結合，分析了影響港口物流需求的五方面因素，并以此為基礎對天津港口物流需求進(jìn)行了預測。
三、總結
1、從研究對象來(lái)看，現有文獻對港口物流的研究中，從全國范圍或區域范圍研究的較多，針對具體港口進(jìn)行研究的較少。在針對具體港口進(jìn)行的研究中，多集中于大型港口物流的研究，對中小型港口的港口物流發(fā)展研究較少。
2、從研究方法上來(lái)看，現有大多數文獻采用的方法為計量經(jīng)濟學(xué)方法，如回歸分析、相關(guān)性檢驗等，此外還有傳統的數據包絡(luò )分析、灰色預測模型等，研究方法片面，需要進(jìn)行改善。
【分析港口物流中的文獻評述論文】相關(guān)文章：
港口物流論文07-17
港口物流論文優(yōu)選(13篇)07-20
物流論文參考文獻07-03
醫學(xué)文獻評述的寫(xiě)作10-03
我國港口物流的特點(diǎn)和發(fā)展趨勢論文07-29
關(guān)于自然力理論的文獻評述08-03