Xây dựng mô hình dự báo lượng hàng container thông qua cảng Cát Lái, Việt Nam

Nội dung text: Xây dựng mô hình dự báo lượng hàng container thông qua cảng Cát Lái, Việt Nam

1. XÂY 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. Phạm Thị Thu Hằng Trường Đại học Hàng hải Việt Nam Tóm tắt: 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. Sau đó sẽ tiến hành thu thập số liệu về lượng hàng container thông qua cảng Cát Lái theo tháng từ năm 2005 đến năm 2015 theo đơn vị TEU (132 quan sát). Trên cơ sở số liệu thu thập, tiến hành phân tích số liệu và chỉ ra số liệu có dạng xu thế và mùa vụ. Từ đó đưa ra các mô hình dự báo có thể áp dụng: thô điều chỉnh xu thế và mùa vụ, san mũ Winter và phương pháp phân tích. Hơn thế nữa, lượng hàng qua cảng có thể biến đổi sai phân bậc 1 để trở thành dữ liệu dừng với các mô hình dự báo có thể sử dụng: thô giản đơn, trung bình giản đơn, trung bình di động, san mũ giản đơn và mô hình ARIMA. Dựa vào chỉ tiêu đo độ chính xác của dự báo RMSE, nghiên cứu đã chọn ra được mô hình dự báo tốt nhất, có sai số nhỏ nhất: đó là mô hình san mũ Holts. Với mô hình lựa chọn sẽ đưa ra được kết quả dự báo lượng hàng container thông qua cảng Cát Lái trong 12 tháng năm 2016, nhận thấy kết quả dự báo so với thực tế có MAPE nhỏ hơn 5%, như vậy mô hình dự báo lựa chọn là phù hợp. Từ khóa:Mô hình dự báo, hàng container thông qua cảng, cảngCát 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 918
2. Giới 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 dự báo định lượng trong ngắn hạn Có thể tổng hợp các mô hình dự báo định lượng được sử dụng trong ngắn hạn bằng bảng sau: 919
3. Bảng 1. Các mô hình dự báo định lượng sử dụng trong ngắn hạn Điều kiện dữ Phương pháp liệu áp dụng TT Mô hình dự báo đối với mô hình 1 Dự báo thô 1.1 Dự báo thô giản đơn ∧ Dữ liệu dừng Y t+1 = Yt 1.2 Dự báo thô điều chỉnh a Điều chỉnh xu thế ∧ Dữ liệu xu Y t+1 = Yt + (Yt - Yt-1) thế ∧ Hoặc: Y t+1 = Yt. b Điều chỉnh mùa vụ ∧ Dữ liệu mùa Y t+1 = Yt-3 vụ ∧ Dữ liệu xu Hoặc: Y t+1 = Yt-3 + thế mùa vụ 2 Dự báo trung bình 2.1. Trung bình giản đơn ∧ 1 n Dữ liệu dừng Y t +1 = ∑Yt t t =1 2.2. Trung bình di động ∧ Dữ liệu dừng Y t+1 = 3 San mũ 3.1. San mũ giản đơn ∧ ∧ Dữ liệu dừng Y t+1 Y t = α.Yt + (1 - α) 3.2. San mũ Holts Ước lượng giá trị trung bình hiện tại: Dữ liệu xu Lt = αYt + (1 - α)(Lt-1 + Tt-1) thế Ước lượng xu thế (độ dốc): Tt = β(Lt - Lt-1) + (1- β)Tt-1 Dự báo ρ giai đoạn trong tương lai: ∧ Y t+P = Lt + pTt 3.3. San mũ Winter Ước lượng giá trị trung bình hiện tại: Dữ liệu xu thế mùa vụ Yt Lt = α + (1 - α)(Lt-1 + Tt-1) St−s Ước lượng xu thế (độ dốc): Tt = β(Lt - Lt-1) + (1- β)Tt-1 Ước lượng giá trị chỉ số mùa: Yt St = γ + (1 - γ)St-s Lt Dự báo ρ giai đoạn trong tương lai: ∧ Y t+P = (Lt + pTt)St-s+p 4 Hàm xu thế Dữ liệu xu thế 920
4. 4.1. Bậc nhất ∧ ∧ ∧ Y t = β 1 + β 2 .t ∧ ∧ ∧ ∧ 4.2. Bậc hai 2 Y t = β 1 + β 2 .t + β 3 .t ∧ ∧ ∧ ∧ ∧ 4.3. Bậc ba 2 3 Y t = β 1 + β 2 .t + β 3 .t + β 4 .t 4.4. Tuyến tính - log ∧ ∧ ∧ Y t = β 1 + β 2 .Ln(t) 4.5. Nghịch đảo ∧ ∧ ∧ Y t = β 1 + β 2 .(1/t) ∧ 2 4.6. Tăng trưởng mũ ∧ ∧ ∧ β +β .t+(σ ) 1 2 2 Y t = e 4.7. Log - tuyến tính ∧ ∧ ∧ Ln(Y )t = β 1 + β 2 .t 5 Phương pháp phân Dữ liệu xu tích 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 Mô hình ARIMA Dữ liệu dừng 6.1. AR(p) Yt = φ  + φ 1.Yt-1 + φ 2.Yt-2 + . + φ p.Yt-p + U t 6.2. MA(q) Y =  + u + φ .u + + φ .u t t 1 t-1 q t-q 6.3. ARMA(p,q) Yt=φ 0+φ 1.Yt-1+φ 2.Yt-2+ .+φ p.Yt-p+ut +φ .u + +φ .u 1 t-1 q t-q 6.4. ARIMA(p,d,q) d(Yt,d) =φ 0+φ 1.Yt-1+φ 2.Yt-2+ .+φ p.Yt-p+ut Dữ liệu dừng +φ .u + +φ .u sai phân bậc d 1 t-1 q t-q 2.2. Lựa chọn mô hình dự báo lượng hàng container thông qua cảng Cát Lái theo tháng 2.2.1. Các bước tiến hành lựa chọn mô hình dự báo lượng hàng container thông qua cảng Cát Lái theo tháng a. Thu thập số liệu 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: Bảng 2. Lượng hàng container thông qua cảng Cát Lái theo tháng từ năm 2005 đến năm 2015 Đơn vị: TEU 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 Tháng (05) (06) (07) (08) (09) (10) (11) (12) (13) (14) (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 4 107376 120647 154532 160993 203996 217204 222708 235597 254897 301587 327761 921
5. 5 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 số liệu 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: QCATLAI 350,000 300,000 250,000 200,000 150,000 100,000 50,000 05 06 07 08 09 10 11 12 13 14 15 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. Lựa chọn mô hình dự 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: 922
6. Bảng 3. Các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế mùa vụ và san mũ Winter Phương pháp TT MAE MAPE MPE MSE RMSE dự báo 1 Thôđiều chỉnh 26.930,04 0,131619 0,073315 1.303.281.278 36.100,99 xu thế mùa vụ 2 San mũ Winter 10.566,31 (Các chỉ tiêu MAE, MAPE, MPE, MSE và RMSE là các chỉ tiêu đo độ chính xác của mô hình dự báo, các chỉ tiêu càng bé thì độ chính xác của 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 350,000 Hodrick-Prescott Filter (lambda=14400) 350,000 300,000 300,000 250,000 250,000 40,000 200,000 150,000 200,000 20,000 100,000 150,000 0 50,000 -20,000 100,000 -40,000 50,000 05 06 07 08 09 10 11 12 13 14 15 05 06 07 08 09 10 11 12 13 14 15 QCATLAISA Trend Cycle QCATLAI QCATLAISA Hình 3. Hiệu chỉnh mùa vụ Hình 4. Phân rã thành phần xu hướng dạng tích 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. QCATLAI1 350,000 300,000 250,000 200,000 150,000 100,000 50,000 05 06 07 08 09 10 11 12 13 14 15 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: 923
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: Bảng 4. Các chỉ tiêu đo độ chính xác của dự báo thô điều chỉnh xu thế, san mũ Holt và hàm xu thế Phương pháp TT MAE MAPE MPE MSE RMSE dự báo 1 Thô điều chỉnh xu thế 20,437667 9,73E-05 8,77E-06 645,45 25,40585 2 San mũ Holt 25,21479 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: QCATLAIt = QCATLAISAt.Snt (MH1) QCATLAISAt = QCATLAI1t + a QCATLAI1t+p = QCATLAI1t + (QCATLAI1t - QCATLAI11t-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: 924
8. Bảng 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 Phương pháp TT MAE MAPE MPE MSE RMSE dự báo 1 Thô giản đơn 16.847,82 0,914662 0,28766 5,86E+08 24.199,76 2 Trung bình giản 9.683,05 -0,01526 0,76459 1,92E+08 13.856,75 đơn 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 13.736,77 đơn 5 ARIMA AR(1) 9.705,86 1,5297 13.763,64 AR(2) 9.608,09 1,5337 13.686,46 MA(1) 9.776,32 1,5749 13.818,83 ARMA(2,1) 9.759,21 1,4756 13.815,31 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): DQCATLAISAt+1 = (DQCATLAISAt-1 + DQCATLAISAt)/2 (MH2) So sánh MH1 và MH2, MH1 có các chỉ tiêu bé hơn nên để dự báo ta chọn MH1. 2.3. Dự 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 Lượng hàng thực MAPE (%) Tháng Lượng hàng dự báo tế 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 372.278 925
9. 8/2016 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 dự báo lượng hàng container thông qua cảng 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 thể được 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 tế lượng, Trường Đại học Kinh tế quốc dân, năm 2012. [2] TS Nguyễn Khắc Minh, Các phương pháp phân tích và dự báo trong kinh tế, 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. 926