Mục tiêu của nghiên cứu này nhằm lựa chọn ra được mô hình dự báo tốt nhất cho lượng hàng container thông qua cảng Cát Lái trong ngắn hạn (theo tháng). Nghiên cứu sẽ hệ thống lại các phương pháp và mô hình dự báo định lượng được sử dụng trong dự báo ngắn hạn. Để hiểu rõ hơn mời các bạn cùng tham khảo nội dung chi tiết của bài viết này.
Trang 1XÂY DỰNG MÔ HÌNH DỰ BÁO LƯỢNG HÀNG CONTAINER
THÔNG QUA CẢNG CÁT LÁI, VIỆT NAM FORECASTING MODELS FOR THE CONTAINER CARGO
THROUGHPUT AT CAT LAI PORT OF VIETNAM
ThS.NCS Ph ạ m Th ị Thu H ằ ng
Tr ườ ng Đạ i h ọ c Hàng h ả i Vi ệ t Nam
Tóm tắt:
M ụ c tiêu c ủ a nghiên c ứ u này nh ằ m l ự a ch ọ n ra đượ c mô hình d ự báo t ố t nh ấ t cho
l ượ ng hàng container thông qua c ả ng Cát Lái trong ng ắ n h ạ n (theo tháng) Nghiên c ứ u s ẽ
h ệ th ố ng l ạ i các ph ươ ng pháp và mô hình d ự báo đị nh l ượ ng đượ c s ử d ụ ng trong d ự báo
ng ắ n h ạ n Sau đ ó s ẽ ti ế n hành thu th ậ p s ố li ệ u v ề l ượ ng hàng container thông qua c ả ng Cát Lái theo tháng t ừ n ă m 2005 đế n n ă m 2015 theo đơ n v ị TEU (132 quan sát) Trên c ơ s ở
s ố li ệ u thu th ậ p, ti ế n hành phân tích s ố li ệ u và ch ỉ ra s ố li ệ u có d ạ ng xu th ế và mùa v ụ T ừ
đ ó đư a ra các mô hình d ự báo có th ể áp d ụ ng: thô đ i ề u ch ỉ nh xu th ế và mùa v ụ , san m ũ Winter và ph ươ ng pháp phân tích H ơ n th ế n ữ a, l ượ ng hàng qua c ả ng có th ể bi ế n đổ i sai phân b ậ c 1 để tr ở thành d ữ li ệ u d ừ ng v ớ i các mô hình d ự báo có th ể s ử d ụ ng: thô gi ả n
đơ n, trung bình gi ả n đơ n, trung bình di độ ng, san m ũ gi ả n đơ n và mô hình ARIMA D ự a vào ch ỉ tiêu đ o độ chính xác c ủ a d ự báo RMSE, nghiên c ứ u đ ã ch ọ n ra đượ c mô hình d ự báo t ố t nh ấ t, có sai s ố nh ỏ nh ấ t: đ ó là mô hình san m ũ Holts V ớ i mô hình l ự a ch ọ n s ẽ đư a
ra đượ c k ế t qu ả d ự báo l ượ ng hàng container thông qua c ả ng Cát Lái trong 12 tháng n ă m
2016, nh ậ n th ấ y k ế t qu ả d ự báo so v ớ i th ự c t ế có MAPE nh ỏ h ơ n 5%, nh ư v ậ y mô hình d ự báo l ự a ch ọ n là phù h ợ p
Từ khóa:Mô hình d ự báo, hàng container thông qua c ả ng, c ả ngCát Lái
Abstract:
The purpose of this research is to choose the best forecasting model for container cargo throughput at Cat Lai port in the short term (in months) The study will systematize methods and quantitative forecasting models used in the short-term forecast After that, this study will proceed to collect data on container cargo throughtput at Cat Lai port monthly from 2005 to 2015 in TEU units (132 observation) Based on data collected, it will analyze and show the seasonality and the trend of these data Then some forecasting models can be applied: trend and seasonality adjusted crude, Winter exponential smoothing and analytical methods Moreover, the container cargo throughput at port can
be changed to become the first order stationarity with the forecasting models can be used: simple crude, simple average, moving average, single exponential smoothing and ARIMA models With RMSE, the indicator to measure the accuracy of the forecasting models, the research choosed the smallest error and the best forcasting model: Holts exponential smoothing method This method will be used to foecast container cargo throughput at Cat Lai Port from January to December in 2016 Comparing forecasting value with actual data, MAPE is less than 5%, so Holts method is appropriate
Key words: forecasting model, container cargo throughput, Cat Lai port
Trang 2Giới thiệu chung về cảng Cát Lái
Cảng Cát Lái hiện là cảng container quốc tế lớn và hiện đại nhất Việt Nam Cảng Cát Lái hiện nay có tổng diện tích 120 hecta , chiều dài cầu tàu 1.411 m (8 bến), với cơ sở
vật chất và trang thiết bị hiện đại; hệ thống quản lý, khai thác container hiện đại: phần
mềm TOP-X, TOPO của RBS (Australia) cùng hệ thống phần cứng đồng bộ cho phép quản
lý container theo thời gian thực, tối ưu hóa năng lực khai thác cảng, giảm thời gian giao
nhận hàng, tạo nhiều tiện ích cho khách hàng… Cảng Cát Lái luôn là chọn lựa số một của các khách hàng trong giao nhận hàng hóa tại khu vực các tỉnh phía Nam, Việt Nam
Theo nguồn số liệu thống kê từ phòng khai thác của Cảng,nhận thấy nếu như sản
lượng hàng container từ giai đoạn 1991 đến 2000 không có sự biến động nhiều, thì từ năm
2001 đến năm 2015 thì sản lượng hàng container thông qua cảng tăng nhanh chóng, với tốc
độ tăng bình quân là 16,8% và đặc biệt tăng nhanh nhất trong năm 2007 (tăng 28,1% so
với năm 2006)
Hình 1. Đồ thị biểu diễn lượng hàng container thông qua Cảng Cát Lái,
giai đoạn 1991-2015
Trong công tác quản lý, khai thác cảng biển nói chung và cảng container nói riêng,
để lập kế hoạch tác nghiệp từng tháng cho công tác xếp dỡ ở cảng, một yếu tố đầu vào quan trọng nhất là số liệu dự báo về lượng hàng thông qua cảng trong tháng lập kế hoạch Chính vì vậy, việc xây dựng được mô hình dự báo ngắn hạn một cách chính xác nhất lượng hàng container thông qua cảng theo từng tháng, theo đơn vị TEU, trong năm kế hoạch là
một yêu cầu cấp thiết hiện nay ở các cảng container nói chung và cảng Cát Lái nói riêng
2 Nội dung nghiên cứu
2.1 Các mô hình d ự báo đị nh l ượ ng trong ng ắ n h ạ n
Có thể tổng hợp các mô hình dự báo định lượng được sử dụng trong ngắn hạn bằng ả
Trang 3Bảng 1 Các mô hình dự báo định lượng sử dụng trong ngắn hạn
Điều kiện dữ
liệu áp dụng
đối với mô
hình
1 Dự báo thô
1.1 Dự báo thô giản đơn
1
+
∧
t
Y = Yt
Dữ liệu dừng 1.2 Dự báo thô điều
chỉnh
1
+
∧
t
Y = Yt + (Yt - Yt-1)
Hoặc: + 1
∧
t
Y = Yt
Dữ liệu xu thế
1
+
∧
t
Y = Yt-3
Hoặc: + 1
∧
t
Y = Yt-3 +
Dữ liệu mùa
vụ
Dữ liệu xu thế mùa vụ
2 Dự báo trung bình
2.1 Trung bình giản đơn
∑
= +
∧
= n
t t
t
Y
1 1
2.2 Trung bình di động
1
+
∧
t
Y =
Dữ liệu dừng
3 San mũ
3.1 San mũ giản đơn
1
+
∧
t
Y = α.Yt + (1 - α)Y t
3.2 San mũ Holts Ước lượng giá trị trung bình hiện tại:
Lt = αYt + (1 - α)(Lt-1 + Tt-1)
Ước lượng xu thế (độ dốc):
Tt = β(Lt - Lt-1) + (1- β)Tt-1
Dự báo ρ giai đoạn trong tương lai:
P t
Y +
∧ = Lt + pTt
Dữ liệu xu thế
3.3 San mũ Winter Ước lượng giá trị trung bình hiện tại:
Lt = α
s t
t
S
Y
− + (1 - α)(Lt-1 + Tt-1)
Ước lượng xu thế (độ dốc):
Tt = β(Lt - Lt-1) + (1- β)Tt-1
Ước lượng giá trị chỉ số mùa:
St = γ
t
t
L
Y
+ (1 - γ)St-s
Dự báo ρ giai đoạn trong tương lai:
P t
Y +
∧ = (Lt + pTt)St-s+p
Dữ liệu xu thế mùa vụ
thế
Trang 44.1 Bậc nhất
t
Y
∧ = 1
∧
β + 2
∧
β t 4.2 Bậc hai
t
Y
∧ = 1
∧
β + 2
∧
β t + 3
∧
β t2 4.3 Bậc ba
t
Y
∧ = 1
∧
β + 2
∧
β t + 3
∧
β t2 + 4
∧
β t3 4.4 Tuyến tính - log
t
Y
∧ = 1
∧
β + 2
∧
β Ln(t) 4.5 Nghịch đảo
t
Y
∧ = 1
∧
β + 2
∧
β (1/t) 4.6 Tăng trưởng mũ
) 2 ( 2 2 1
∧
∧
∧ + +
∧
= β β t σ
Y
4.7 Log - tuyến tính
t
Y Ln
∧ ) ( = 1
∧
β + 2
∧
β t
5 Phương pháp phân
tích
Dữ liệu xu thế, mùa vụ 5.1 Mô hình nhân tính Yt = Tr.Cl.Sn.Ir
5.2 Mô hình cộng tính Yt = Tr + Cl + Sn + Ir
6.1 AR(p) Yt = φ + φ1.Yt-1 + φ2.Yt-2 + …… + φp.Yt-p +
Ut
6.2 MA(q) Yt = + ut + φ1.ut-1+ + φq.ut-q
6.3 ARMA(p,q) Yt=φ0+φ1.Yt-1+φ2.Yt-2+…….+φp.Yt-p+ut
+φ1.ut-1+ +φq.ut-q
6.4 ARIMA(p,d,q) d(Yt,d) =φ0+φ1.Yt-1+φ2.Yt-2+…….+φp.Yt-p+ut
+φ1.ut-1+ +φq.ut-q
Dữ liệu dừng sai phân bậc d
2.2 L ự a ch ọ n mô hình d ự báo l ượ ng hàng container thông qua c ả ng Cát Lái theo tháng
2.2.1 Các b ướ c ti ế n hành l ự a ch ọ n mô hình d ự báo l ượ ng hàng container thông qua c ả ng Cát Lái theo tháng
a Thu th ậ p s ố li ệ u
Số liệu cần thu thập chính là lượng hàng container thông qua cảng Cát Lái theo tháng theo đơn vị TEU (QCATLAI) Theo nguồn số liệu của phòng khai thác của cảng Cát Lái, ta có bảng số liệu sau:
B ả ng 2 Lượng hàng container thông qua cảng Cát Lái theo tháng
từ năm 2005 đến năm 2015
Đơn vị: TEU
Tháng
2005
(05)
2006 (06)
2007 (07)
2008 (08)
2009 (09)
2010 (10)
2011 (11)
2012 (12)
2013 (13)
2014 (14)
2015 (15)
1 94177 105817 135538 165193 149685 217717 228718 195823 275418 293384 333847
2 66097 74267 95125 135398 131175 151324 147146 185508 170217 198795 246661
3 102589 115269 147644 146816 192312 204039 222628 242579 271589 310544 320562
Trang 55 113489 127516 163331 156573 218730 217165 224980 241696 266937 287849 312565
6 114150 128258 164281 177088 205156 217539 213312 237828 272326 310172 328146
7 121931 137001 175480 175175 218352 224755 221138 254382 289624 320899 321889
8 111232 124980 160082 167082 214300 230142 233739 253155 277767 316361 313357
9 109255 122759 157237 170097 201311 211752 209274 245571 263327 304145 312578
10 105754 118824 152198 178292 211294 216316 222436 250589 284169 317263 322813
11 111871 125698 161002 180704 204832 218814 217863 255814 276314 313643 334208
12 123257 138491 177388 203389 206272 232530 233622 265773 292015 341430 344718
b Phân tích s ố li ệ u
Biều diễn số liệu trên đồ thị, ta nhận thấy số liệu có xu hướng tăng qua các năm, và trong mỗi năm có sự lên xuống lặp lại nên nghi ngờ chuỗi số liệu là chuỗi xu thế và mùa
vụ:
50,000 100,000 150,000 200,000 250,000 300,000 350,000
05 06 07 08 09 10 11 12 13 14 15
QCATLAI
Hình 2 Đồ thị biểu diễn lượng hàng container thông qua cảng Cát Lái theo tháng
(QCATLAI) từ năm 2005 đến năm 2015
Tiến hành kiểm định nghiệm đơn vị ADF, nhận thấy ADF = 0,159075 lớn hơn giá
trị tới hạn (-3,486084) ở mức ý nghĩa 1% do vậy đây là dữ liệu xu thế
Tiến hành kiểm định mùa vụ Kruscal-Wallis, nhận thấy với mô hình cộng tính và
mô hình nhân tính thì thống kê Kruscal - Wallis = 0,00001 nên có thể kết luận đây là dữ
liệu mùa vụ
c L ự a ch ọ n mô hình d ự báo
Nhận thấy lượng hàng container thông qua cảngCát Lái là chuỗi xu thế mùa vụ nên các mô hình dự báo ngắn hạn áp dụng với chuỗi xu thế mùa vụ là:
- Dự báo thô điều chỉnh xu thế mùa vụ;
- Dự báo san mũ Winter;
- Dự báo bằng phương pháp phân tích
Tiến hành tính toán các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế mùa vụ và san mũ Winter ta thu được kết quả sau:
Trang 6Bảng 3 Các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế mùa vụ
và san mũ Winter
TT Phương pháp
1 Thôđiều chỉnh
(Các ch ỉ tiêu MAE, MAPE, MPE, MSE và RMSE là các ch ỉ tiêu đ o độ chính xác
c ủ a mô hình d ự báo, các ch ỉ tiêu càng bé thì độ chính xác c ủ a mô hình càng cao)
So sánh RMSE để lựa chọn mô hình dự báo Trong hai mô hình thì mô hình
dự báo san mũ Winter là tốt nhất
Đối vớidự báo bằng phương pháp phân tích, ta tiến hành các bước sau:
+ Bước 1: Tách yếu tố mùa vụ và phân rã thành phần xu hướng và chu kì để chuỗi dữ liệu còn xu hướng
50,000
100,000
150,000
200,000
250,000
300,000
350,000
05 06 07 08 09 10 11 12 13 14 15
QCATLAI QCATLAISA
-40,000 -20,000 0 20,000 40,000
50,000 100,000 150,000 200,000 250,000 300,000 350,000
Hodrick-Prescott Filter (lambda=14400)
Hình 3 Hiệu chỉnh mùa vụ
dạng tích
Hình 4 Phân rã thành phần xu hướng
và chu kỳ bằng lọc HP
Nhận thấy lượng hàng container thông qua cảngCát Lái theo đơn vị teu theo tháng (QCATLAI) sau khi hiệu chỉnh yếu tố mùa vụ (QCATLAISA) và tách yếu tố chu kỳ (QCATLAI1 - đường màu đỏ) có dạng chuỗi dữ liệu xu thếtuyến tính
50,000 100,000 150,000 200,000 250,000 300,000 350,000
05 06 07 08 09 10 11 12 13 14 15
QCATLAI1
Hình 5 Đồ thị biểu diễn lượng hàng container thông qua cảng Cát Lái theo đơn vị
TEU đã điều chỉnh mùa vụ và chu kỳ (QCATLAI1)
+ Bước 2: Lựa chọn phương pháp dự báo QCATLAI1
Đối với chuỗi dữ liệu xu thế thì các phương pháp dự báo ngắn hạn áp dụng là:
Trang 7- Dự báo thô điều chỉnh xu thế;
- Dự báo san mũ Holts;
- Dự báo bằng hàm xu thế (xu thế tuyến tính)
Tiến hành tính toán các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế, san mũ Holt và dự báo bằng hàm xu thế ta thu được kết quả sau:
B ả ng 4. Các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế,
san mũ Holt và hàm xu thế
TT Phương pháp
1 Thô điều chỉnh
xu thế 20,437667 9,73E-05 8,77E-06 645,45 25,40585
3 Mô hình xu thế 3.858,403 0,01757 4.699,542
Tiến hành so sánh RMSE của 3 phương pháp: dự báo thô điều chỉnh xu thế mùa vụ,
dự báo san mũ Winter, dự báo bằng phương pháp phân tích thì phương pháp dự báo bằng san mũ Holts có RMSE là nhỏ nhất nên ta lựa chọn mô hình dự báo lượng hàng container thông qua cảng Cát Lái theo tháng, theo đơn vị TEU:
QCATLAI t = QCATLAISA t Sn t (MH1)
QCATLAISA t = QCATLAI1 t + a
QCATLAI1 t+p = QCATLAI1 t + (QCATLAI1 t - QCATLAI11 t-1 ).p
Trong đó: t là thứ tự thời gian
p là tầm xa của dự báo
Snt (nhân tố mùa - kết quả từ phần mềm Eviews)
a (nhân tố chu kỳ - kết quả từ phần mềm Eviews)
Ngoài ra, có thể biển đổi QCATLAISA (lượng hàng container thông qua cảngCát Lái theo đơn vị TEU đã hiệu chỉnh mùa vụ) bằng cách lấy sai phân bậc nhất thành D(QCATLAISA), kiểm định nghiệm đơn vị ADF,ta thấy ADF=-12,20497 nhỏ hơn giá trị
tới hạn (-3,381623) ở mức ý nghĩa 1% do vậy đây là dữ liệu dừng
Các mô hình dự báo ngắn hạn áp dụng với chuỗi dừng là:
- Dự báo thô giản đơn;
- Dự báo trung bình giản đơn;
- Dự báo trung bình di động;
- Dự báo san mũ giản đơn;
- Dự báo ARIMA
Tiến hành tính toán các chỉ tiêu đo độ chính xác của các phương pháp dự báo ta thu được kết quả sau:
Trang 8Bảng 5 Các chỉ tiêu đo độ chính xác của dự báo thô giản đơn, trung bình giản đơn,
trung bình di động, san mũ giản đơn và Arima
TT Phương pháp
1 Thô giản đơn 16.847,82 0,914662 0,28766 5,86E+08 24.199,76
2 Trung bình giản
đơn
9.683,05 -0,01526 0,76459 1,92E+08 13.856,75
3 Trung bình di
động
k = 2 8.489,21 0,4609 0,145 1,5E+08 12.146,69
k = 3 17.902,82 1,3741 0,276 5,9E+08 24.392,14
4 San mũ giản
đơn
13.736,77
5 ARIMA
Tiến hành so sánh RMSE của 5 phương pháp: dự báo thô giản đơn, dự báo trung bình giản đơn, dự báo trung bình di động, dự báo san mũ giản đơn, dự báo bằng phương pháp ARIMA thì phương pháp dự báo trung bình di động có RMSE là nhỏ nhất nên ta lựa
chọn mô hình dự báo cho sai phân bậc 1 của lượng hàng thông qua container thông qua
cảng Tân Cảng - Cát Lái theo đơn vị teu theo tháng là mô hình trung bình di động (k = 2):
DQCATLAISA t+1 = (DQCATLAISA t-1 + DQCATLAISA t )/2 (MH2)
So sánh MH1 và MH2, MH1 có các chỉ tiêu bé hơn nên để dự báo ta chọn MH1
2.3 D ự báo
Dưới sự hỗ trợ của phần mềm Eviews, với mô hình dự báo bằng san mũ Holts đã
chọn, ta có bảng kết quà dự báo lượng hàng container thông qua cảng Cát lái trong 12 tháng trong năm 2016 và năm 2017 như sau:
Bảng 6 Dự báo lượng hàng container thông qua cảng Cát Lái trong năm 2016 và
năm 2017bằng mô hình san mũ Holts
Tháng Lượng hàng
dự báo
Lượng hàng thực
tế
MAPE (%) Tháng Lượng hàng
dự báo 1/2016 337.247 335.025 0,663234 1/2017 380.361 2/2016 233.647 224.198 4,214578 2/2017 280.498 3/2016 344.313 338.765 1,637713 3/2017 367.950 4/2016 351.721 348.747 0,852746 4/2017 375.619 5/2016 336.633 328.284 2,543212 5/2017 360.672 6/2016 352.306 347.694 1,326504 6/2017 376.458 7/2016 347.082 335.137 3,564321 7/2017 372.278
Trang 98/2016 337.517 321.489 4,985632 8/2017 361.687 9/2016 335.545 325.079 3,219473 9/2017 358.526 10/2016 346.073 342.695 0,985673 10/2017 369.349 11/2016 357.525 352.779 1,345217 11/2017 380.860 12/2016 369.572 361.176 2,324567 12/2017 394.447
3 Kết luận
Tóm lại, nghiên cứu “Mô hình d ự báo l ượ ng hàng container thông qua c ả ng Cát Lái” đã giới thiệu sơ lược về cảng Cát Lái, hệ thống lại về mặt lý thuyết các mô hình dự báo định lượng áp dụng trong dự báo ngắn hạn, trên cơ sở đó thu thập và tiến hành phân tích số liệu về lượng hàng container thông qua cảng Cát lái theo tháng từ năm 2005 đến
năm 2015, chỉ ra được các mô hình dự báo có thể được áp dụng đối với dạng dữ liệu này
Dựa vào chỉ tiêu MAPE đã lựa chọn được mô hình dự báo tốt nhất: Mô hình san mũ Holts
Mô hình này được sử dụng để dự báo lượng hàng container thông qua cảng Cát Lái từ tháng 1 đến tháng 12 năm 2016 So sánh với số liệu thực tế, nhận thấy sai số rất nhỏ, nên
mô hình này hoàn toàn phù hợp, có thểđược sử dụng để dự báo cho lượng hàng đến cảng theo tháng trong năm 2017 và các năm tiếp theo Trên cơ sở đó, giúp cảng Cát Lái có thể xây dựng được kế hoạch tác nghiệp xếp dỡtheo từng tháng trong các năm tớimột cách hiệu
quả nhất
TÀI LIỆU THAM KHẢO
[1]GS.TS Nguyễn Quang Dong, TS Nguyễn Thị Minh, Giáo trình Kinh t ế l ượ ng, Trường
Đại học Kinh tế quốc dân, năm 2012
[2] TS Nguyễn Khắc Minh, Các ph ươ ng pháp phân tích và d ự báo trong kinh t ế, Trường
Đại học Kinh tế quốc dân, năm 2009
[3] Chaman L.Jain and George CS.Wang, Regression Analysis Modeling and Forecasting,
2003
[4] Robert Pindyck, Daniel Rubinfeld, Econometric Models and Economic Forecasts,
2007