3、需求预测的基本概念：区分需求与运量、短期与长期预测、点预测与区间预测
在集装箱需求预测的实际工作中，业务人员经常混淆几个基础概念，导致预测目标设定错误、模型选择失当、结果解读偏差。本章聚焦三组核心区分：需求与运量、短期与长期预测、点预测与区间预测。这三组概念是构建预测体系的基石，直接决定数据采集范围、算法选型、精度评估方式和业务决策逻辑。下面先通过一张概念关系图建立整体认知，再逐一展开。
3.1 需求与运量的本质区别
核心原理
需求是货主基于贸易、生产、库存、销售计划而产生的对集装箱运输服务的潜在意愿，它反映的是市场层面的真实货物流向和规模。运量则是通过港口、铁路、公路、航运等实际完成的集装箱运输量，是需求经过供给能力、运价、服务水平、政策限制等因素过滤后的实现结果。两者之间的差值就是“未满足需求”或“被抑制需求”。
在实际预测中，如果直接用历史运量数据预测未来运量，实际上隐含了一个假设：供给约束长期不变。但港口拥堵、运力短缺、航线调整、运价暴涨暴跌都会打破这一假设。例如2021年全球供应链危机期间，运量数据严重低于真实需求，因为大量货物“想运但运不走”。
判断方法
| 维度 | 需求（Demand） | 运量（Volume） |
|---|---|---|
| 数据来源 | 贸易统计、采购订单、制造业PMI、库存指数 | 港口吞吐量、船公司舱单、铁路/公路运单 |
| 时间属性 | 前瞻性（领先指标） | 滞后性（同步/滞后指标） |
| 受供给影响 | 不受或弱受 | 强受（运力、泊位、堆场、集卡） |
| 预测用途 | 产能规划、航线设计、市场拓展 | 码头作业排程、设备配置、人员排班 |
| 典型偏差 | 偏乐观（含潜在需求） | 偏保守（受实际约束） |
案例拆解：某港口2022年需求-运量偏差分析
某华东港口在2022年初预测全年集装箱吞吐量为2800万TEU，实际完成2650万TEU，偏差5.4%。表面看预测精度尚可，但深入拆解发现：
- 真实需求（基于腹地制造业订单和贸易数据）约为3050万TEU；
- 供给约束：泊位利用率已达92%，堆场周转天数从3天升至5天；
- 价格因素：2022年下半年运价回落，部分货主转向铁路运输（约转移80万TEU）；
- 服务损耗：因船期不准，约120万TEU货物延迟出运或改走其他港口。
复盘结论：如果仅用运量历史数据做时间序列预测，永远无法识别这400万TEU的“需求缺口”。正确的做法是建立需求侧领先指标体系，将制造业新订单、出口金额、采购经理人指数（PMI）等纳入预测模型，再叠加供给约束修正。
3.2 短期预测与长期预测
核心原理
短期预测（通常为1天至3个月）服务于运营决策：船舶靠泊计划、堆场箱区分配、集卡调度、闸口开放数量、人员排班等。长期预测（通常为1年至5年甚至更长）服务于战略决策：新码头投资、泊位扩建、自动化改造、集疏运网络规划、航线网络布局。
两者的方法论差异显著：短期预测依赖高频数据（日度/周度吞吐量、船期表、订舱数据、天气、节假日），常用ARIMA、指数平滑、机器学习回归等；长期预测依赖宏观驱动因子（GDP增速、贸易政策、产业结构转移、人口迁移、区域经济一体化），常用情景分析、计量经济模型、系统动力学等。
操作流程对比
| 维度 | 短期预测（≤3个月） | 长期预测（≥1年） |
|---|---|---|
| 数据频率 | 日/周/月 | 年/季度 |
| 主要方法 | 时间序列、机器学习、订舱数据挖掘 | 情景分析、计量经济、德尔菲法 |
| 预测精度要求 | 高（MAPE通常要求<10%） | 中（允许±15%~20%偏差） |
| 更新频率 | 每周/每日滚动更新 | 每季度/半年修订 |
| 业务响应 | 调整班轮密度、堆场策略 | 投资决策、产能规划 |
| 风险特征 | 随机波动、季节性、节假日效应 | 结构性变化、政策转向、技术替代 |
实战场景：某航运公司短期与长期预测联动
某国际班轮公司运营亚洲-欧洲航线，需要同时做两类预测：
- 短期（6周滚动）：基于订舱系统实时数据、历史舱位利用率、目的港库存水平，预测每周货量。模型采用“订舱转化率+季节性指数修正”，MAPE控制在8%以内。输出结果直接用于决定是否临时加挂港口、调整航速（慢速航行以节省燃油）或释放额外舱位。
- 长期（3年）：基于中欧贸易协定变化、欧洲消费趋势、东南亚制造业转移速度，构建三个情景——基准情景（年增长3%）、乐观情景（5%）、悲观情景（1%）。每个情景对应不同的运力投放计划：乐观时订购新船，悲观时推迟租约续签。
关键经验：短期预测的误差会累积到长期预测中。如果连续6个月短期预测都偏高2%，长期预测的基准情景就需要下调。因此建议建立“短期预测误差追踪机制”，每季度将实际值与短期预测值对比，将系统性偏差反馈到长期模型中。
3.3 点预测与区间预测
核心原理
点预测给出一个单一数值，例如“下月吞吐量为120万TEU”。区间预测给出一个范围及置信水平，例如“有90%的把握下月吞吐量在115万~125万TEU之间”。区间预测的价值在于量化不确定性，为风险决策提供依据。
在集装箱业务中，点预测适合确定性较高的场景（如未来1-2周的吞吐量），区间预测适合不确定性较高的场景（如旺季高峰月、政策调整期、极端天气影响期）。区间预测的宽度反映了预测者对未来的信心程度——区间越窄，信心越高。
构建方法
- 基于残差标准差：对时间序列模型，计算历史预测残差的标准差σ，则95%置信区间约为“点预测 ± 1.96σ”。
- 分位数回归：直接预测10%、50%、90%分位数，适合非对称分布。
- 蒙特卡洛模拟：对关键输入参数（如GDP增速、油价、汇率）设定概率分布，重复模拟1000次，取结果分布的分位数。
- 情景加权：将乐观、基准、悲观三个情景分别赋予概率（如30%/50%/20%），加权得到区间。
案例拆解：某码头旺季区间预测
某华南码头需预测10月国庆黄金周后的吞吐量。历史数据显示10月是传统旺季，但受台风和工厂假期影响波动较大。
- 点预测：基于5年历史平均增长率和当前订舱趋势，得出10月吞吐量为85万TEU。
- 区间预测：考虑三个风险因素——台风概率（30%概率导致3天停工，影响约4万TEU）、工厂假期延长（20%概率减少2万TEU）、临时加班船（15%概率增加3万TEU）。
- 计算结果：80%置信区间为78万~90万TEU。
码头运营团队据此制定弹性方案：按85万TEU配置人力和设备，同时预留10%的临时工和可调用堆场空间，以应对区间上限；与船公司协商，若低于区间下限则优先安排船舶维修保养。最终实际完成86.5万TEU，落在区间内。
3.4 三组概念的综合应用框架
在实际预测体系中，三组概念不是孤立的，而是组合使用：
| 业务场景 | 需求/运量 | 短期/长期 | 点/区间 | 典型输出 |
|---|---|---|---|---|
| 码头周度作业计划 | 运量 | 短期（1-2周） | 点预测为主 | 每日吞吐量、堆场周转率 |
| 船公司航线舱位分配 | 需求 | 短期（4-8周） | 区间预测 | 各航段舱位利用率区间 |
| 港口扩建投资论证 | 需求 | 长期（5-10年） | 情景区间 | 不同情景下的吞吐量区间 |
| 运价调整决策 | 需求+运量 | 短期（1-3个月） | 区间预测 | 供需缺口区间 |
3.5 总结复盘
本章的核心要点可归纳为：
- 需求≠运量：需求是潜在意愿，运量是实际结果，两者之间的缺口是供给约束、价格因素和服务损耗造成的。预测时需明确目标，并建立需求侧领先指标体系。
- 短期预测≠长期预测：短期重运营、重高频数据、重精度；长期重战略、重宏观驱动、重情景分析。两者需要联动，短期误差要反馈到长期模型中。
- 点预测≠区间预测：点预测给出单一数值，区间预测给出不确定性范围。业务决策中应优先使用区间预测，尤其是面对旺季、政策调整、极端天气等高风险场景。