我國集裝箱運輸企業運價風險預警機制研究

【摘 要】 隨著我國出口集裝箱運輸業的不斷發展，集裝箱運輸企業面臨著運價波動風險。文章分析了集裝箱運價波動風險產生的原因，并應用時間序列分析中的經典模型ARIMA模型分析了我國出口集裝箱運價指數的變動趨勢，在集裝箱運價走勢分析的基礎上，依據金融風險預警理論，建立了我國出口集裝箱運價風險預警機制模型，為我國集裝箱運輸企業控制運價風險，提高企業管理經營水平提供了依據。

【關鍵詞】 運價風險； 集裝箱運價指數； ARIMA模型； 預警機制

引 言

隨著我國經濟與世界經濟聯系的日益緊密，作為航運主要產業之一的集裝箱運輸業將越來越多地受到世界經濟的影響，航運風險有不斷增大的趨勢，在這種情況下，研究和討論集裝箱運價風險預警管理顯得十分重要。而集裝箱運價指數是反映集裝箱運輸市場價格的重要手段，中國出口集裝箱運價指數（CCFI）由上海航運交易所于1998年4月23日首次編制發布，迄今為止已連續發布了近15年。為了完善中國出口集裝箱運價指數體系，上海航運交易所于2009年10月16日推出了新版上海出口集裝箱運價指數（SCFI）。目前，上海出口集裝箱運價指數已成為反映我國出口集裝箱班輪運輸市場的風向標，并成為全球首個國際集裝箱運價衍生品交易的結算依據。

目前，多數學者的研究主要集中于對波羅的海運價指數的研究，如Kevin Cullinane（1992）運用ARMA模型對BFI期貨指數進行了研究和預測；楊偉年（1999）運用時間序列分析對國際干散貨運價指數的波動性進行了研究；呂靖和陳慶輝（2003）對BDI分別提取了長期趨勢項和季節波動項，得到一個符合ARMA模型建模要求的零均值平穩序列。朱劍（2007）利用ARIMA模型對BDI指數的變化趨勢進行了建模分析；張頁（2010）運用協整理論研究了中國出口集裝箱運價指數與航線運價上的相關性。這些研究中，對于新版上海集裝箱運價指數趨勢研究較少，更是缺乏對我國集裝箱運價風險預警機制的研究。

對于集裝箱運價風險預警研究的基礎是對集裝箱運價走勢的準確判斷，本文以時間序列分析的經典模型ARIMA模型為工具，建立上海出口集裝箱運價指數預測模型，并在上海出口集裝箱運價指數走勢的基礎上，根據金融企業風險預警理論，建立了我國集裝箱運價風險預警機制模型，以幫助集裝箱運輸企業及相關金融機構掌握集裝箱運價風險的變化規律，控制集裝箱運價風險，在國際航運市場的競爭中占據有利地位。

一、集裝箱運價波動風險

集裝箱運輸企業具有投入高、周期長、跨國經營的特征，影響集裝箱運輸價格的影響因素眾多。集裝箱運輸價格不僅受到集裝箱運輸企業自身經營狀況例如運營成本、管理水平等的影響，還受到世界政治、經濟和國際貿易等多方面的影響。由于集裝箱運輸具有派生性，其產生和發展依賴于其他行業和國際貿易的增長和發展，這就導致了集裝箱運輸價格的被動性以及對其他相關行業、世界經濟貿易發展的依賴性。這些因素綜合作用的結果通過集裝箱運價波動反映出來，這種波動給集裝箱運輸企業的收入帶來了極大的不確定性。另外，由于國際貿易周期性和季節性的變化，使得作為派生性需求的運輸服務也具有周期性波動和季節性波動特征，這給集裝箱運輸市場價格的預測帶來困難。集裝箱運輸價格有著較大的波動性和不確定性，使得集裝箱運輸企業處于巨大的經營風險之中。因此，為了控制和防范風險，對于集裝箱運輸價格的準確預測及相應的風險預警就顯得十分重要。

二、時間序列模型簡介

時間序列分析（Time Series Analysis）是一種處理動態數據的統計方法，該方法基于隨機過程理論和數理統計學方法，研究隨機數據序列所遵從的統計規律。ARIMA模型全稱為自回歸移動平均模型（Autoregressive Integrated Moving Average Model，簡記為ARIMA），是由博克思（Box）和詹金斯（Jenkins）于70年代初提出的著名時間序列預測方法。該方法簡單易行，一般適用于短期預測，時間序列預測一般反映三種實際變化規律：趨勢變化、周期性變化、隨機性變化。常用的模型有：AR模型、MA模型、ARMA模型、ARIMA模型。AR模型、MA模型和ARMA模型主要用于分析平穩時間序列的典型模型，而ARIMA模型是對于非平穩的時間序列的典型模型。對于上海出口集裝箱運價指數的分析預測，本文采用ARIMA模型進行分析研究。

ARIMA模型的基本思想是將預測對象隨時間推移而形成的數據序列視為一個隨機序列，用數學模型ARIMA（p，d，q）來近似描述，其結構如下：

ARIMA模型是差分運算和ARMA模型的組合，由于大量的社會經濟數據多為非平穩的時間序列，因此在應用ARIMA模型前，需要對非平穩的時間序列數據通過適當差分；然后對差分后的平穩數據進行ARIMA模型擬合。該方法的基本步驟為：模型的識別；模型中參數的估計；模型的檢驗及優選。

（一）模型的識別

利用自相關分析和偏自相關分析等方法，分析時間序列的隨機性、平穩性和季節性，根據樣本數據提出一組值得考慮的模型，包括模型的類型和階數。如果數據不平穩，需要對數據進行差分，然后根據差分后平穩數據序列的自相關系數（ACF）和偏自相關系數（PACF）值選擇適當的階數。

（二）模型的參數估計

根據樣本數據，用最小二乘法等對已選出的模型進行估計，估計出p個自回歸系數？準1，？準2…？準p，q個移動平均參數θ1，θ2…θq等參數。

（三）模型的檢驗和優選

檢驗每個模型的殘差序列？著t是否為白噪聲序列，若為白噪聲序列，則模型檢驗通過。在所有通過檢驗的擬合模型中，根據模型的AIC、BIC準則作為優選標準選擇最優模型。

三、實證分析

（一）數據選取與處理

本文選取上海出口集裝箱運價指數（SCFI）2010年11月到2012年5月共80個數據進行分析，利用eviews6.0軟件對相關數據進行處理。觀察原始數據的走勢圖（見圖1），初步判斷上海出口集裝箱運價指數時間序列為非平穩的時間序列。

對原數據序列一階差分后的數據序列進行ADF單位根檢驗，ADF檢驗結果見表1?？芍蛄衶SCFI}的ADF值大于1%的臨界值，所以無法拒絕不存在單位根的原假設，也就是說該序列為非平穩序列；而一階差分序列{dSCFI}的ADF值小于1%的顯著水平下的臨界值，所以拒絕差分變量含有單位根的原假設，即{dSCFI}序列是平穩的，記為I（1）過程，可以對該序列進行建模分析。

（二）建立預測模型

由于{SCFI}序列的一階差分序列為平穩性序列，本文采用ARIMA（p，1，q）模型對{dSCFI}序列進行擬合。其中，P為自回歸階數，q為移動平均階數，p值和q值取決于樣本的自相關系數（ACF）和偏相關系數（PACF）。{dSCFI}序列的自相關和偏自相關的圖形，如圖2所示。

從自相關圖的ACF值看，4階以后函數值明顯趨于0，呈現拖尾性，故q可取4；從偏自相關圖PACF值看，第4階、8階、9階、10階顯著不為零，因此可以考慮p取4，8，9或10。所以可以考慮4個備選模型：ARIMA（4，1，4）、ARIMA（8，1，4）、ARIMA（9，1，4）和ARIMA（10，1，4）。

通過eviews6.0軟件，得到這個模型的AIC參數值和殘差檢驗，如表2所示。

從表2可以看出，四組ARIMA模型均通過殘差檢驗，而ARIMA（4，1，4）模型AIC值較低，因此可以選用ARIMA（4，1，4）模型作為預測模型，模型具體表達式為：

（三）預測結果分析

應用ARIMA（4，1，4）模型，對2010年11月至2012年5月上海出口集裝箱運價指數預測值和實際值進行比較，發現預測模型的Theil不平衡系數為0.0128，偏差和方差百分比均接近于零，協方差百分比為0.997，接近于1，說明預測效果比較好。預測效果如圖3所示。

四、基于集裝箱運價走勢分析的我國出口集裝箱運價風險預警機制

集裝箱運價風險預警機制是集裝箱運輸企業運價風險控制的核心，為了更好地控制集裝箱運輸企業的運價風險，根據金融風險管理的相關理論，本文把集裝箱運價風險預警機制的基本程序表述為：集裝箱運價走勢監控、集裝箱運價風險識別、集裝箱運價風險度量、集裝箱運價風險判別和集裝箱運價風險管理決策五個階段，如圖4所示。

集裝箱運價走勢監控是對集裝箱運價的趨勢變化情況進行全程監督，及時發現集裝箱運價波動情況，為識別集裝箱運價風險提供依據。

集裝箱運價風險識別就是對潛在的各種集裝箱運價風險進行系統歸類和全面分析，以確定其性質和特征，包括運價風險發生的因素、形式、影響程度、作用方式以及性質等。

集裝箱運價風險度量是在集裝箱運價風險識別的基礎上，進一步對集裝箱運價風險進行度量與監測，包括集裝箱運價風險發生的概率以及相應風險程度。集裝箱運價風險的度量需要建立集裝箱運價風險測度指標體系。

集裝箱運價風險判別就是根據集裝箱運價風險度量的結果，判斷集裝箱運價風險的類型和程度，判斷集裝箱運價風險是否在系統可接受的風險程度內。

集裝箱運價風險管理決策是根據集裝箱運價風險判別的結果，如果集裝箱運價風險在系統正常的風險范圍內，則繼續進行集裝箱運價風險正常監控；如果集裝箱運價風險已經超過系統正常范圍，則企業需要立即啟動集裝箱運價風險的危機處理機制，解除危機，使得集裝箱運價風險處在系統可接受的范圍內。

五、結語

集裝箱運輸業是高風險、高收益行業，如何降低經營風險一直是集裝箱運輸企業十分關心的課題。本文在分析時間序列模型ARIMA預測模型的基礎上，以新版上海出口集裝箱運價指數序列為基礎，通過對該序列的平穩性分析、差分處理、自相關偏相關系數計算、ARIMA建模、參數估計、假設檢驗及模型預測等研究了集裝箱運價指數的走勢。結果顯示，ARIMA（4，1，4）模型能很好地擬合上海出口集裝箱運價指數波動情況，能夠較為準確地判斷集裝箱運價走勢，并在準確監控集裝箱運價走勢的基礎上，提出了集裝箱運價風險預警機制模型，通過對集裝箱運價風險的監控、識別、度量、判斷及管理決策，幫助集裝箱運輸企業利用好集裝箱運價指數，降低企業經營風險。

【參考文獻】

[1] Batchelor，Alizadeh，Visvikis. Forecasting spot and forward prices in the international freight market[J].International Journal of Forecasting，2007（23）：101-114.

[2] 楊偉年.國際干散貨運價波動研究[D].上海：上海海運學院學位論文，1999.

[3] 呂靖，陳慶輝.海運價格指數的波動規律[J].大連海事大學學報，2003（1）：1-4.

[4] 朱劍.干散貨遠期運費市場功能實證研究[D].上海：上海交通大學學位論文，2007.

[5] 張頁.中國出口集裝箱運價指數與實際運價相關分析[J].中國航海，2010（6）： 96-100.

[6] G.E.P.Box，G.N.Jenkins and G.C.Reinsel. 時間序列分析預測與控制[M].顧嵐，主譯.北京：中國統計出版社，1997.