船舶市場趨勢預測的三階段模型

蔣元濤， 杜裕， 蔡敏

(上海海事大學 經濟管理學院，上海 201306)

?

船舶市場趨勢預測的三階段模型

蔣元濤， 杜裕， 蔡敏

(上海海事大學 經濟管理學院，上海 201306)

為提高船舶市場趨勢預測的精度，針對以往在神經網絡應用時僅單純改進隱層環節算法的局限性，綜合模糊聚類方法、數據修正和插值算法，對輸入環節的數據進行降維和增量處理，構建船舶市場趨勢預測的三階段模型.首先，利用模糊聚類方法對歷史數據進行分類，降低數據非線性；然后，通過數據修正和插值算法,在不改變數據規律的情況下增加每類數據的數據量；最后，利用處理完畢的數據訓練神經網絡.實例結果證明，三階段模型在船舶市場趨勢預測方面是有效的.

船舶市場； 趨勢預測； 模糊聚類； 神經網絡

0 引 言

船舶是一種特殊的工業產品，其建造周期長、造價昂貴.船舶市場發展趨勢代表船舶所有人和航運企業對航運形勢的預期，對制定船舶工業發展規劃和調整船舶工業結構具有指導意義，其預測精度將會影響決策的科學性和可行性，因此有必要采取科學有效的方法提高船舶市場趨勢的預測精度.在船舶市場趨勢預測方面，實踐界和理論界從不同角度進行過有益探索.實踐界主要基于船舶市場最近一個周期(幾個月或季度)的歷史數據，通過簡單的趨勢外推，勾勒未來可能的發展趨勢[1]；理論界一方面試圖建立復雜的預測模型，另一方面盡可能涵蓋影響船舶市場的各種因素提高預測精度[2].

20世紀70年代末，日本造船學會研究小組(SAJ)曾經針對船舶市場的新船訂單建立一套預測模型，并應用于干散貨船和油船兩大板塊.[3]由于該模型需要的大量數據分散在各個經合組織(OECD)成員國，所以沒有獲得大規模的使用.GEORGE等[4]認為船舶市場的影響因素可以歸為5個方面——勞動力、造船業績、匯率、政府支持和行業結構，并利用其相關數據預測船舶市場未來趨勢.顧平等[5]用模糊綜合評判方法對船舶市場進行定性分析，魏黎等[6]利用模糊識別對船舶市場進行趨勢預測，均取得一定效果.陶永宏等[7]將功效系數法與反向傳播(BackPropagation，BP)神經網絡相結合建立船舶制造風險預測模型.該模型利用功效系數法獲得歷史警情，利用神經網絡訓練，有較高的預測預警能力.王建華等[8]對巴拿馬型船舶航運市場價格波動進行向量自回歸(Vector Auto-Regression，VAR)分析；余思勤等[9]基于市場均衡理論，通過BP神經網絡分析以往30年的船舶市場參數數據，并依此對船舶市場的未來風險進行預測和評估；杜裕等[10]綜合利用模糊聚類與具有外部輸入的非線性自回歸(Nonlinear Auto-Regression with eXogenous inputs, NARX)神經網絡，對船舶市場風險進行預測預警，均取得一定效果.

從以往研究看，由于神經網絡具有擬合非線性函數的優勢[11]，理論界尤其重視該方法在預測領域的應用.但是當數據呈現高度非線性時會導致神經網絡結構異常復雜，反而很難獲得全局最優解.為此，人們針對神經網絡的隱層環節，力圖通過改進搜索算法(例如采用全局搜索能力比較強的遺傳算法、蟻群算法等)，降低神經網絡模型參數的誤差來提高擬合度.然而，當數據呈現高度非線性時該方法仍然存在無法精確定位最優解的問題，特別對船舶市場來說，其涉及到的影響因素可以達到百萬數量級，這使得船舶市場的內在發展規律被嚴重擾動，相關數據的波動非常劇烈[12].而且船舶市場可獲得的數據記載周期僅有最近二十多年，船舶市場預測的難度較大.為此，本文以神經網絡為預測基礎，解決方案不以神經網絡的隱層環節為突破，而是引進模糊聚類方法、數據修正和插值算法[13-14]，對輸入環節的歷史數據進行科學處理：一方面，利用模糊聚類方法對離散歷史數據集合進行合理分類，達到降低數據非線性的目的；另一方面，通過數據修正和插值算法，在不改變數據規律的情況下增加每類數據的數據量，從而提高模型擬合的準確度.應用結果表明，該模型能明顯提高船舶市場趨勢預測的精度，證明所構建的三階段模型是有效的.

1 三階段預測模型構建

根據市場機制理論，供給、需求和價格之間具有相互影響的緊密關系，是衡量市場是否健康運行的關鍵指標.[15]因此，本文以船舶市場的3個重要參數——價格(新船價格)、需求(新船訂單量)和供給(新船完工量)為數據分析對象.船舶市場趨勢預測三階段模型的重點環節是對以上輸入數據進行處理.三階段模型的具體步驟如下.

1.1 船舶市場數據的模糊聚類(階段一)

(1)對離散數據集合進行分類，集合元素的特性可以由m個指標表達，ci1,ci2,…，cim,i=1,2,…,n，則原始數據矩陣為

(1)

(2)對數據矩陣進行平移-標準差變換，得

(2)

(3)為求得相似系數法，利用夾角余弦法建立相似矩陣R，其中：

(3)

(4)聚類.以式(2)所求得的n階模糊相似矩陣為基礎，計算其傳遞閉包t(R)，這里用平方法進行計算.針對改造后的n階模糊等價矩陣，讓λ由大變小，從而得到動態過程的聚類結果.進一步基于實際的市場情況計算λ值，經過歷史數據的聚類把船舶市場的歷史行情劃分為低風險、中風險和高風險.

1.2 船舶市場分類數據的修正和插值(階段二)

1.2.1 數據修正

船舶市場在多種因素的相互影響下，根據特定的規律發展演化.隨著市場環境變化速度的加快，特別是新技術、新決策的應用，越新的數據表現出越高的參考價值.而以往在利用神經網絡基于歷史數據進行預測訓練時，注重依賴過去而不是現在，因此，本文在不改變數值變化特征的情況下，對某類時期比較久的數據參考近期的數據進行修正，具體算法如下：

假定模糊聚類后的某類數據在時間序列范圍內有n年原始數據，記為φn，假設這n年的新船訂單量分別用A1，…，An表示，新船價格分別用B1，…，Bn表示，新船完工量分別用C1，…，Cn表示，從φn中取靠近當前的m(m≤n/2)年歷史數據，即

(4)

(5)

(6)

(7)

1.2.2 數據插值

經過分類和修正之后的某類數據記為Sn，

(8)

其中：sd1，…，sdn表示各年新船訂單量；sp1，…，spn表示各年船舶價格；ss1，…，ssn表示各年新船完工量.

1.3 處理后數據的神經網絡訓練(階段三)

處理后的船舶市場三類參數是時間序列數據，因此提出用NARX神經網絡進行趨勢預測。該方法由線性ARX模型發展而來，屬于封閉的動態神經網絡，通過把普通的動態神經網絡結果反饋到輸入層以影響和改變網絡結構，從而實現網絡的逐步調整.[16]本文所用的NARX模型可以定義為

(9)

式(9)中的F(·)是用神經網絡模擬的非線性模糊函數，每一個y的輸出都指向原神經網絡層的輸入，并作為下一次輸出的調整參數，從而完成對神經網絡的調整.由于數據會在時間序列上不斷遞進，因此式(9)能夠體現神經網絡時間序列實現與函數模擬功能的數據關聯性建模思想.借助MATLAB神經網絡工具箱中的時間序列預測可視化工具，進行神經網絡的構建和參數調整、訓練及仿真.

2 三階段模型應用

以中國船舶市場趨勢預測為實例驗證三階段模型的有效性，主要利用所構建的三階段模型對新船價格、新船訂單量和新船完工量進行趨勢預測，以客觀評估船舶市場未來趨勢.首先利用階段一提出的模糊分類方法，對1975—2013年的數據進行分類，得到5類模糊聚類數據，分別是1975—1987年數據，1988—1997年數據，1998—2003年數據，2004—2007年數據和2008—2013年數據.由于2008—2013年的數據靠近當前，故利用這組數據進行網絡訓練并預測未來的市場趨勢，其中2008—2011年歷史數據作為訓練數據，2012和2013年的數據用作模型檢驗.表1是2008—2011年歷史數據經過插值之后的結果，可以發現原先4年的4組數據增加到13組.

表1 2008—2011年船舶市場數據

經過多次調試和修改參數，得出神經網絡訓練在使用隱藏節點為30，延遲為4時效果較好.訓練后的網絡結構采用兩層NARX神經網絡實現船舶市場的新船訂單量、新船價格和新船完工量轉換.最終訓練誤差為6×10-20，滿足要求，這說明訓練的神經網絡能夠反映關系映射.使用訓練好的神經網絡對2012和2013年船舶市場的三個參數進行預測，結果見表2.為與直接使用神經網絡預警的模型進行比較，進一步把沒有進行模糊聚類和數據插值的參數數據直接使用神經網絡進行訓練后預測，結果見表3.

表2 數據處理后的預測結果和誤差

表3 數據未處理的預測結果和誤差

對比表2和3的結果可以看出：利用分類和插值后的訓練數據預測未來一年(2012年)的新船價格、新船訂單量和新船完工量，其預測誤差分別為2.32%，0.44%和4.84%，顯示出很高的預測精度，而未分類訓練數據的預測誤差分別為26.89%，69.42%和70.92%，預測誤差大大超出容忍范圍；在預測未來兩年(到2013年)的新船價格、新船訂單量和新船完工量時，利用處理后訓練數據的預測誤差分別為1.67%，35.14%和37.72%，除新船價格外，新船訂單量和新船完工量的預測效果不甚理想，而未分類訓練數據的預測誤差分別是13.03%，82.53%和52.80%，可以說已完全失去預測價值.

以上對比說明：本文所提出的三階段模型在預測短中期(一年)船舶市場趨勢時具有較高的精度，在預測中長期(兩年)船舶市場趨勢時只能在某些指標方面表現良好；利用未處理的數據進行船舶市場趨勢預測，無論是短中期趨勢還是中長期趨勢，預測效果都不理想.

3 結 論

船舶市場受到多方面因素的影響，人們很難正確把握其未來的發展趨勢，本文提出船舶市場趨勢預測的三階段模型，綜合利用模糊聚類、數據插值和神經網絡方法對衡量船舶市場的三類指標——新船價格、新船訂單量和新船完工量的歷史數據進行建模和應用分析，所構建的模型也可以應用在船舶市場其他因素以及其他行業市場的趨勢預測.本文的研究結論體現在兩個方面.

(1)由于船舶價格昂貴以及市場趨勢的不確定性，船舶制造企業、船舶所有人和航運企業以及證券分析人員都非常關注船舶市場趨勢的預測問題.但是最近二十多年船舶市場反復興盛、衰退給行業主體帶來巨大損失，這說明在預測船舶市場趨勢方面仍然面臨很大挑戰.目前，實踐界經常利用趨勢外推法預測季度之內的市場趨勢，鑒于市場的慣性特點該方法比較有效，但是當面臨半年、一年甚至多年趨勢預測時就需要更加復雜的預測模型.為此，理論界構建各種復雜的預測模型進行積極嘗試，并取得一些成果，其中以神經網絡預測模型最常見.

(2)船舶市場具有高度非線性、多維度因素影響的特點，市場行情表現出來就是不確定性高、波動大而且很難預測.本文把船舶市場趨勢預測劃分成三個階段，實現降低非線性、提高數據量的目的.案例應用結果表明，雖然所構建的三階段模型在船舶市場中長期趨勢預測方面不甚理想，但是在短中期趨勢預測方面比傳統方法有效.同時，該方法可以進一步推廣，例如應用在船舶市場其他要素短中期預測以及其他行業市場趨勢預測方面.

[1]李源, 秦琦, 祁斌, 等. 2013年世界船舶市場評述與未來展望[J]. 船舶, 2014(1): 1-12.

[2]明潔, 丁銳鋒. 影響當前船舶供求市場的因素探析[J]. 船舶物資與市場, 2008(2): 18-20.

[3]魏黎. 世界船舶市場變化規律研究及走勢預測[D]. 鎮江: 江蘇科技大學, 2007.

[4]GEORGE B, GARRARD I. The business of shipbuilding[M]. London and HongKong: LLP, 1999: 11-15.

[5]顧平, 姚慧麗. 船舶市場的模糊綜合評判[J]. 造船技術, 1999(4): 1-4.

[6]魏黎, 林濱, 楊尚領. 基于模糊模式識別的船舶市場預測模型[J]. 中國造船, 2008(2): 135-140.

[7]陶永宏, 祁愛琳. 基于功效系數法與BP神經網絡的造船業風險預警研究[J].中國造船, 2010(3): 191-198.

[8]王建華, 呂靖, 譚威, 等. 巴拿馬型船舶航運市場價格波動的VAR模型分析[J]. 上海海事大學學報, 2009, 30(2): 78-83.

[9]余思勤, 項一葉, 劉振. 基于神經網絡的船舶市場風險預警研究[J]. 中國商貿, 2012(12): 92-93.

[10]杜裕, 蔣元濤. 基于模糊聚類與NARX神經網絡的船舶市場兩階段風險預警模型研究[J]. 物流科技, 2013(8): 8-12.

[11]BARNARD E. Optimization for training neural nets[J]. IEEE Trans on Neural Networks, 1992, 3(2): 232-240.

[12]姚祖洪. 國際干散貨航運市場研究[D]. 上海: 上海海運學院, 2003.

[13]郭沖, 方泉根, 胡甚平, 等. 港口水域風險評估結論一致性分析模型[J]. 上海海事大學學報, 2012, 33(1): 16-19.

[14]嚴偉, 楊露, 黃有方, 等. 基于神經網絡的集裝箱碼頭泊位分配聚類分析[J]. 上海海事大學學報, 2013, 34(3): 8-13.

[15]王川, 王克. 基于BP神經網絡的我國農產品市場風險預警研究[J]. 農業經濟問題, 2008(S1): 152-156.

[16]李明, 楊漢生, 楊成梧, 等. 一種改進的NARX回歸神經網絡[J]. 智能控制技術, 2006, 28(4): 6-9.

(編輯 賈裙平)

Three-stage model of ship market trend prediction

JIANG Yuantao, DU Yu, CAI Min

(School of Economics & Management, Shanghai Maritime Univ., Shanghai 201306, China)

In order to improve the prediction accuracy of ship market trend, in view of the limitation that the neural network is simply used to improve the algorithm in the hidden layer, the reduction of data dimension and the increase of the data amount are carried out in the input layer by the fuzzy clustering method, data correction and interpolation algorithm, and a three-stage model of ship market trend prediction is constructed. First, the fuzzy clustering method is used to classify the historical data to reduce the nonlinearity of data. Then, through the data correction and interpolation algorithm, the amounts of various types of data increase without changing data regularity. Finally, the neural network is trained by the processed data. The application results show that the three-stage model is effective in the ship market trend prediction.

ship market; trend prediction; fuzzy clustering; neural network

10.13340/j.jsmu.2015.02.014

1672-9498(2015)02-0074-05

2014-10-14

2015-01-23

上海市教育委員會科研創新項目(12YZ117)；上海市科學技術委員會軟科學研究重點項目(14692105200)

蔣元濤(1975—)，男，山東泰安人，副教授，碩導，博士，研究方向為船舶市場評估與航運管理，(E-mail)jiangyt@shmtu.edu.cn

F407.474; F222.3

A