分析港口物流中的文獻評述論文

分析港口物流中的文獻評述論文

　　一、引言

　　建國以來，我國港口建設(shè)發(fā)展迅速，截至2014年底，我國已擁有國內(nèi)巷道通航里程12.63萬公里，港口擁有生產(chǎn)用碼頭泊位31，705個。在轉(zhuǎn)型升級的大背景之下，“一路一帶”戰(zhàn)略的實施必將會帶來新一輪的港口投資建設(shè)熱潮。準確把握未來港口物流需求無疑是合理規(guī)劃港口建設(shè)的重要前提。

　　二、文獻評述

　　從目前的研究來看，大致可以分為使用單一預測方法預測和使用組合模型進行預測兩類。單項預測方法主要包括時間序列預測法、回歸預測法和人工智能算法預測法三種。

　　（一）單一預測方法

　　1、時間序列預測法。如王再明、王宏波（2005）應用灰色系統(tǒng)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行了中短期的預測，并對集裝箱吞吐量的預測結(jié)果進行殘差檢驗和殘差修正。發(fā)現(xiàn)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出船舶數(shù)量進行了預測。陳寧、朱美琪等（2005）采用二次指數(shù)平滑對某港口的吞吐量進行了預測，發(fā)現(xiàn)二次指數(shù)平滑模型比較適合快速成長的港口進行吞吐量定量預測。李增蔚、葉俊（2015）以寧波-舟山港為例，利用三次指數(shù)平滑法對寧波-舟山港的貨物吞吐量進行了預測。張家善（2015）認為集裝箱吞吐量是反映一個港口生產(chǎn)經(jīng)營狀況的主要數(shù)量指標，并基于趨勢曲線預測理論，以香港為例，通過建立三次曲線趨勢預測模型，對香港港口集裝箱吞吐量進行了預測并取得了較好的預測結(jié)果。

　　時間序列預測法僅僅利用預測目標歷年數(shù)據(jù)進行預測，因此預測過程相對簡單，歷史數(shù)據(jù)的收集整理工作相應減少。但是，時間序列預測方法僅僅將時間作為影響預測目標的因素，忽視了其他真實影響預測目標的因素，亦無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性回歸模型，對重慶市港口物流需求進行了預測。王小萃（2007）以上海市為例，選取國內(nèi)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(mào)總額和貨物運輸量建立多元統(tǒng)計回歸模型，對上海市物流需求進行了預測研究。彭湖、何民（2015）基于云南省統(tǒng)計數(shù)據(jù)，建立主成分回歸模型對云南省物流需求進行了預測。匡海波（2009）在分析我國沿海港口貨物吞吐構(gòu)成及其影響的基礎(chǔ)上，建立向量自回歸（VAR）模型來對我國沿海港口吞吐量進行了預測，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(shù)據(jù)的基礎(chǔ)上，對歷史數(shù)據(jù)的質(zhì)量要求較高。此外，現(xiàn)實應用中，為了簡便計算，常常采用線性回歸來進行模型構(gòu)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，而不是簡單的線性關(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(diào)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行了參數(shù)優(yōu)化，通過實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(shù)（RBF）神經(jīng)網(wǎng)絡(luò)模型對蕪湖港港口船舶流量進行預測，為了克服RBF網(wǎng)絡(luò)在參數(shù)選取上的缺陷，利用遺傳算法進行了改進，使得改進后的網(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(mào)進出口總量、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行了預測。盧少華（2006）則將遺傳規(guī)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行預測，能夠有效處理各影響因素與預測目標之間非線性的關(guān)系。但是，人工智能算法也存在著一定的缺陷，如預測模型無法直觀地體現(xiàn)出各影響因素對預測目標的影響程度；理論上無法保證預測模型的泛化能力，使得預測結(jié)果不穩(wěn)定；訓練樣本過多易于陷入“過學習”，而樣本量過少則難以保證預測的精度。

　　（二）組合預測方法。上述預測方法各有其自身的優(yōu)缺點和適用范圍，為了提高預測精度，組合模型被越來越多地應用于港口物流預測。黃安強、肖進等（2011）提出了一種基于情境知識的組合預測方法（CFMIK）來對港口集裝箱吞吐量進行預測，發(fā)現(xiàn)CFMIK的預測表現(xiàn)優(yōu)于單一的預測模型。柳艷姣、肖青（2006）分別采用了時間序列的三次指數(shù)平滑法、改進的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行了探討，并對未來幾年某港集裝箱吞吐量進行了預測，結(jié)果證明：組合預測模型融合了前兩種預測方法的優(yōu)點。孫志林、盧雅倩（2012）分別采用TSA和馬爾科夫鏈進行預測，將TSA與馬爾科夫鏈校正模型相結(jié)合，進行港口吞吐量預測。王巖（2013）將回歸分析與灰色預測理論集合起來，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行預測，發(fā)現(xiàn)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(shù)平滑模型結(jié)合起來，在分析了青島港口集裝箱海鐵聯(lián)運的效益基礎(chǔ)上，對運量進行預測，從而提高了預測的精確度。萬福來（2012）為克服數(shù)據(jù)貧乏和數(shù)據(jù)非線性的困難，將灰色理論與神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，分析了影響港口物流需求的五方面因素，并以此為基礎(chǔ)對天津港口物流需求進行了預測。

　　三、總結(jié)

　　1、從研究對象來看，現(xiàn)有文獻對港口物流的研究中，從全國范圍或區(qū)域范圍研究的較多，針對具體港口進行研究的較少。在針對具體港口進行的研究中，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、從研究方法上來看，現(xiàn)有大多數(shù)文獻采用的方法為計量經(jīng)濟學方法，如回歸分析、相關(guān)性檢驗等，此外還有傳統(tǒng)的數(shù)據(jù)包絡(luò)分析、灰色預測模型等，研究方法片面，需要進行改善。

【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

MBA論文寫作中參考文獻的格式要求分析07-28

醫(yī)學文獻評述的寫作10-03

學位論文寫作中的文獻綜述06-22

物流專業(yè)論文參考文獻范例06-08

我國港口物流的特點和發(fā)展趨勢論文07-29

關(guān)于自然力理論的文獻評述08-03

物流管理專業(yè)論文參考文獻10-21