现有研究主要基于两种方法来预测新船订单量。一种是基于传统时间序列和线性回归模型。例如，李根等采用自回归移动平均(ARMA)模型对世界集装箱船订单量的短期发展趋势进行了预测。魏黎等利用线性回归方程模拟船舶市场系统因素之间的关系，使用模糊模式识别来模拟船舶市场新船需求量的变化。
第二种预测方法是基于非线性的机器学习技术，如神经网络、灰色预测模型、模糊预测理论等;例如，樊乙澄和蒋元涛等利用自回归反馈神经网络对船舶市场进行了短期预测。戴宝印和谭家华从手持订单量出发，借助改进后的灰色预测模型，对我国造船行业做了一个简单预测。高攀和田剑在分析江苏省船舶订单现状的基础上，建立船舶订单GM 预测模型，对江苏省手持船舶订单进行预测。戴宝印借助层次分析法和BP神经网络，对2009年我国造船行业手持订单进行预测。白雪在分析油船订单量波动特征的基础上，利用灰色拓扑预测模型对油船新接订单总量进行了预测。Yu等分别利用灰色系统、支持向量机和人工神经网络以及组合预测模型对船舶新签订单进行了预测，并对预测结果进行了比较分析。
虽然这些文献对造船订单预测的研究做出显著的贡献，但也有明显的不足之处。第一，大多研究局限于造船订单量时间序列本身，而忽略了其外部影响因素，这必将限制其预测精度的进一步提高。第二，少数研究考虑了一些外部影响因素，但没有对这些影响因素与造船订单量的因果关系进行严格的统计检验。由于造船订单量及相关经济变量时间序列的非平稳性，在没有严格因果关系测试下进行的简单回归建模会带来不具有统计意义的结果，甚至产生伪显著参数的出现，从而造成造船订单的未来预测产生严重的偏差。本文基于边限协整方法与格兰杰因果关系检验，分析了与干散货船订单量有关的主要因果影响因素，进一步建立误差修正预测模型，提高了预测精度，弥补了己有研究的不足。
