金融危機前后國際干散貨運輸市場波動特征演變

， ，

(1. 上海海事大學 交通運輸學院， 上海 201306； 2. 上海國際航運研究中心， 上海 200082)

金融危機前后國際干散貨運輸市場波動特征演變

邵斐1，真虹1，韓軍2

(1.上海海事大學交通運輸學院，上海201306； 2.上海國際航運研究中心，上海200082)

基于結構突變模型發現金融危機是導致全球經濟與航運市場發生突變的結構斷點；建立GARCH族模型對國際航運市場在金融危機前后的波動性進行分析。分析結果表明，國際航運市場在金融危機后表現出復蘇周期拉長、預期風險上升、收益下降和利好因素強于利空因素等特征。相關分析有助于深入理解國際航運市場的結構變化，為各方進行收益預估、投資決策及風險控制提供依據。

交通運輸經濟學； 波羅的海干散貨運價指數(BDI)； 外生性結構突變； GARCH模型

Abstract: Based on the structural mutation theory, a discontinuous change in the time series of the BDI is demonstrated, and the volatility characteristics transformation is analyzed by GARCH models. The results indicate that due to the structure mutation, the data generating process of the BDI reflect longer recovery cycle, abnormal leverage effect and unusual risk premium under the post-financial crisis. Therefore, it will be helpful for shipping companies to realize the change on the volatility characteristics of the BDI when making decisions.

Keywords: traffic transport economics; BDI; exogenous structure mutation; GARCH Model

在2008年金融危機之后，干散貨航運市場整體步入低迷期，航運企業對干散貨市場的投資決策變得更為謹慎。波羅的海干散貨運價指數(Baltic Exchange Dry Index，BDI)一直被認為是國際干散貨航運市場的“晴雨表”，能實時反映干散貨市場的運價變化及公司的收益情況，因此研究BDI的歷史波動變化及特征能更好地進行收益預測分析，幫助企業進行風險規避及投資決策。BERG-ANDREASSEN[1]通過ADF(Augmented Dickey-Fuller)檢驗法將常用的傳統市場解釋方法運用到干散貨期租市場分析中；VEENSTRA等[2]通過建立VAR模型佐證干散貨市場的有效性；BATRINCA等[3]通過對BDI建立ARIMA模型找出其時間序列的自回歸性；CHEN等[4]和宮進[5]通過對干散貨運價建立EGARCH模型分析BDI波動的“杠桿效應”；李耀鼎等[6]和陸克從等[7]通過使用GARCH模型族對BDI的波動特點及波動原因進行分析。

上述研究既沒有對金融危機作為外生性突發因素給運價指數內在波動帶來的突變進行論證，也沒有對風險與收益之間的變動關系和波動因素的杠桿性進行結構化的比較分析。因此，這里主要基于結構突變理論和GARCH模型及其改進模型對國際航運市場在金融危機前后的波動特征進行研究，在收益預估、投資決策及風險控制方面為航運企業提供參考。

1 研究方法

1.1 結構突變

PERRON[8]通過對數據生成過程(DGP)提出3種已知突變點時突變的假設檢驗模型(脈沖式突變、漂移項突變、脈沖式和漂移項同時突變)，并以1929年美國股市大崩盤作為油價變動過程的結構突變點進行驗證，發現原始的ADF單位根檢驗方法因沒有考慮結構突變而在檢驗單位根時會將一個存在結構突變點的退勢平穩過程檢驗為單位根過程。

1.2 GARCH模型族

1.2.1GARCH模型

ENGLE[9]針對預測英國通貨膨脹率的時間序列的變量時殘差的條件方差隨時間產生較大波動的現象，提出自回歸條件異方差模型(ARCH模型)。BOLLERSLEV[10]針對條件方差存在滯后預測方差提出廣義自回歸條件異方差模型(GARCH模型)，包括條件均值和條件方差2個設定，基于GARCH模型建立的擬合方程可有效觀察出歷史波動帶來的影響。

1) 均值方程為

yt=xtγ+ut

(1)

2) 條件方差方程為

(2)

在GARCH模型中，α的值和β的值偏大都會對條件方差的波動產生較大影響。當α偏大時，表示沖擊對條件方差產生的影響較大；當β偏大時，表示條件方差的自回歸持久性較大；當α+β偏大時，表示沖擊對條件方差造成的波動持久性較大。

1.2.2GARCH-M模型

ENGLE等[11]針對預期風險對收益的影響提出ARCH均值回歸模型(ARCH-M模型)，將其運用到GARCH模型中即為GARCH-M模型。均值方程為

yt=xtγ+ρσt+ut

(3)

式(3)中：當ρ>0時，說明預期風險與收益呈正相關關系；當ρ<0時，說明預期風險與收益呈負相關關系。該模型可用于估計預期風險與收益之間的變動關系。

1.2.3EGARCH模型

NELSON通過對條件方差作進一步改進提出EGARCH模型，并對模型的“杠桿效應”進行分析。條件方差方程為

(4)

式(4)中：當γ<0時，市場利空因素對收益波動的影響比利好因素更大；當γ>0時，市場利好因素對收益波動的影響更大；當γ=0時，不同因素的影響關系并無“杠桿效應”。

2 實證研究分析

2.1 數據選取

STOPFORD[12]將國際干散貨市場1741—2008年的歷史劃分為23個增長周期。干散貨運價在2001年美國IT行業泡沫破滅之后步入低位小幅振蕩時期，但從2003年起，隨著我國在全球貿易中地位的不斷提升開始第22個增長周期。因此，選取BDI自2003年以來的日度數據作為研究樣本進行結構突變和GARCH模型族的研究。

2.2 結構突變驗證

隨著2008年金融危機爆發，全球經濟步入整體低迷期。2009年全球發達經濟體的國內生產總值實際增速為-3.59%，全球貿易額的降速達到10.63%。貿易的大幅下降使得全球航運陷入持續低迷的態勢，2009年干散貨單位運力貨物年運輸量驟降13.4%，此后持續下滑，可見金融危機給世界貿易及國際航運市場帶來了巨大影響。因此，這里將金融危機時期作為BDI的一個已知外生性結構突變點進行驗證。

2.2.1BDI時間序列的單位根檢驗

PERRON[8]在其提出的結構突變檢驗中指出，會在ADF統計檢驗中將帶有結構突變點的平穩序列判定為非平穩過程。因此，首先對BDI序列進行ADF單位根檢驗，原假設是式(5)中γ=0，序列存在單位根，BDI的單位根檢驗結果見表1。

(5)

表1 BDI的單位根檢驗結果

根據SIC原則，系統自動選擇2階滯后期:由表1可知，BDI在10%的顯著性水平下接受原假設，即BDI序列為存在單位根的非平穩序列。

2.2.2結構突變假設

根據假設將2008年9月14日作為金融危機的開端(即外生性結構突變點的時間tb)，并提出以下3種不同結構突變類型假設。

(1) 假設一(H1)：BDI(yt)為存在水平均值突變點的隨機游走過程。

yt=μ+aDP+yt-1+ut；

(6)

(2) 假設二(H2)：BDI(yt)為存在斜率突變點的隨機游走過程。

yt=μ+aDL+yt-1+ut；

(7)

(3) 假設三(H3)：BDI(yt)為同時存在斜率和水平均值突變點的隨機游走過程。

yt=μ+aDL+bDP+yt-1+ut；ut～i.i.d.(0,σ2)

(8)

2.2.3結構突變驗證

2.2.3.1 均值結構突變的驗證

通過對BDI及其滯后一階序列與虛擬變量DP進行OLS擬合得式(9)，雖然DP系數沒能通過顯著性檢驗，但由于擬合方程的DW值?1.5，故方程的殘差具有明顯的序列正相關性，且通過殘差的自相關圖觀察出殘差存在二階序列自相關，此時OLS回歸檢驗結果失真。

(9)

t檢驗值:1877.988, -0.747 3, 0.412 2。

概率值：0.000 0， 0.454 9， 0.680 2。

R2=0.999,F=1 763 758,DW=0.417 019。

因此,為消除殘差序列相關對模型的影響，需對OLS進行殘差的AR(p)過程修正并得出式(10)和式(11)，但DP的系數仍通不過檢驗，說明BDI序列不存在水平均值突變。

(10)

t檢驗值: 871.992 4, -0.294 258, 1.284 360。

概率值：0.000 0， 0.768 6， 0.199 1。

(11)

t檢驗值: 61.448 74, -18.461 19。

R2=0.999，F=2 617 962，DW=1.985 880。

2.2.3.2 斜率結構突變的驗證

通過對BDI及其滯后一階序列與虛擬變量DL進行OLS擬合得到式(12)，雖然DL系數已通過顯著性檢驗，但由于擬合方程的DW值?1.5，故方程的殘差具有明顯的序列正相關性，且通過殘差的自相關圖觀察出殘差存在兩階序列自相關，此時OLS回歸檢驗結果失真。

(12)

t檢驗值:1 418.087, -2.936 783, 2.703 463。

概率值：0.000 0， 0.003 3， 0.006 9。

R2=0.999，F=1 768 263，DW=0.417 396。

因此，為消除殘差序列相關對模型的影響，需對OLS進行殘差的AR(p)過程修正并得出式(13)和式(14)，DL及方程項的各系數仍然通過檢驗，說明BDI序列為存在斜率發生結構突變(即漂移項結構突變)的單位根過程。

(13)

t檢驗值： 654.897 9， -2.558 505， 2.832 797。

概率值： 0.000 0， 0.010 6， 0.004 6。

(14)

t檢驗值： 61.424 78， -18.457 55。

R2=0.999 6，F=2 623 395，DW=1.985 963。

由于BDI序列已驗證不存在均值結構突變，因此不會存在均值結構突變和斜率結構突變同時存在的現象。由以上證明可知，BDI時間序列是以金融危機時期為結構突變的單位根過程。

2.3 BDI收益波動的GARCH模型族實證

2.3.1數據特征分析

由于BDI序列在金融危機時期存在結構突變點，在金融危機之后其時間序列的數據生成過程(DGP)發生了改變，因此選取金融危機前后的BDI序列分別進行研究。借鑒ENGLE等[11]對金融事件序列的處理方法，考慮連續復合增長率及原數據異方差的問題，采用對數差分對BDI進行處理。

RBDIt=ln(BDIt)-ln(BDIt-1)

(15)

對金融危機前后2個時間段的RBDI的波動特點和分布進行分析，根據時間序列圖(見圖1和圖2)得出RBDI表現出以下特點：

(1) 異方差性，運價收益隨著時間的波動變化很大；

(2) 波動集群性，即方差是容易受到歷史擾動影響。

此外，由RBDI的波動圖(見圖3和圖4)可看出，金融危機后運價指數收益表現出更加明顯的異方差性和波動集群性。

根據金融危機前后2個時間段的RBDI的分布直方圖可發現其均拒絕正態分布的假設，且均具有“尖峰厚尾”的特點，均值部分和尾部的概率比正態分布大，均高于正態分布的峰度3。此外，RBDI采用ADF檢驗后在1%的顯著性水平下接受序列無單位根的檢驗，即RBDI均為平穩序列。

圖1 金融危機前的RBDI序列圖

圖2 金融危機后的RBDI序列圖

圖3 金融危機前的RBDI的統計圖

圖4 金融危機后的RBDI的統計圖

對RBDI進行Q統計量的自相關性檢驗后發現RBDI均表現出二階自相關性，因此對其進行AR(2)回歸分析后得出式(16)和式(17)，對其方差進行ARCH檢驗發現均具有明顯的ARCH效應。

(1) 金融危機前

(16)

t檢驗值： 41.308 02， -10.449 88。

概率值：0.000 0， 0.000 0。

(2) 金融危機后

(17)

t檢驗值：37.982 12， -6.760 315。

概率值：0.000 0， 0.000 0。

2.3.2GARCH模型族建立

2.3.2.1 GARCH(1,1)的建立

在計量經濟領域中，常用GARCH(1,1)對時間序列過程進行解釋，因此首先以GARCH(1,1)為基礎建立GARCH模型族，得出的結果見表2，其中各系數均通過檢驗。

表2 RBDI的GARCH模型

2.3.2.2 GARCH-M的建立

根據在GARCH(1,1)的基礎上建立的GARCH-M模型(見表3)可觀測RBDI預期風險與收益之間的浮動關系，用以幫助航運企業進行有效的風險管理和更好的投資決策。

表3 RBDI的GARCH-M模型

以上GARCH-M模型中各系數均通過顯著性檢驗，觀察發現金融危機之后ρ<0,出現了與一般收益不同(ρ>0)的現象，因此可認為金融危機之后干散貨航運市場出現了預期風險上升而收益反而下降的現象，不存在風險溢價的情況。雖然所有船型均在金融危機之后因市場低迷而出現運價普遍走低的現象，但不同船型的收益受到的影響程度不同。從海岬型船金融危機前后期租租金(以1 a期租為例，下同)來看，金融危機前海岬型船租金主要集中在2萬美元/d，而在金融危機之后主要集中在12 500美元/d；從大靈便型船金融危機后的租金分布水平來看，租金收入同樣集中在12 500美元/d。由此可看出,在干散貨航運市場上海岬型船的平均期望收益在金融危機之后已逐漸與大靈便型船趨同，風險與收益開始出現反向增長的現象。

2.3.2.3 EGARCH的建立

為更好地對干散貨市場的利好、利空因素帶來的影響進行研究，在GARCH(1,1)的基礎上建立EGARCH模型(見表4)，以便發現2種因素帶來的“杠桿效應”。

以上EGARCH模型中各系數均通過顯著性檢驗，而在金融危機之后條件方差方程中的β>0,與一般收益序列不同，表明金融危機之后干散貨市場的利好因素帶來的影響比利空因素大。雖然金融危機之后航運市場整體低迷，但也受到以我國市場為主的各方面利好因素的刺激，干散貨航運市場運價相應產生一系列“小高峰”。2009—2010年期間我國提出的4萬億投資計劃項目建設大力帶動我國基建項目的投資，推動了我國鐵礦石進口量的大幅增長，BDI一度突破4 000點。2010年末開始，我國房地產業高速發展，房屋施工面積及新開工面積同比大幅上漲，國內鋼材價格得到有效支撐，港口進口礦庫存開始大量增加，干散貨船運價也出現小幅上漲。2013年因市場被普遍看好會在后期回暖，船舶所有人紛紛開始“抄底”訂造新船；大型貨主也看到投資機會，為降低成本開始創建自有船隊，市場迎來又一“小高峰”。2015年以來，干散貨航運市場因我國經濟轉型升級的“新常態”化發展，市場整體需求低迷。此外，受原油和鋼材價格下跌及鋼廠的低庫存策略等因素影響，BDI持續走低，但由于運價整體持續低谷波動，下探空間和力度均不大。此外，運價波動對利好因素的敏感性較強，2016年3月底開始BDI受鋼材價格上漲、鋼廠復產和貨幣政策寬松等短期利好因素影響，波動幅度明顯較大，出現近一個月的持續上漲現象。

表4 RBDI的EGARCH模型

3 結束語

通過對BDI波動進行分析，驗證了國際航運市場在金融危機時期確實出現了外生性因素帶來的漂移項結構突變，并發現了其對我國因素和金融危機的不同記憶性特征。雖然金融危機帶來的沖擊較為持久，且市場中的高風險可能更多地意味著低收益的出現，但就目前運價持續在低谷波動的情況而言，利好因素帶來的波動力度相較利空因素更為顯著。因此，航運企業應積極關注以我國“一帶一路”為例的利好政策的實施；在目前風險與收益不成正比的情況下不能盲目追求高風險高收益，可集中關注以Ultramax和Kamsarmax等船型為主的低能耗新興船型的投資。

[1] BERG-ANDREASSEN J A. The Relationship Between Period and Spot Rates in International Maritime Markets[J]. Maritime Policy & Management, 1997, 24(4):335-350.

[2] VEENSTRA A W, FRANSES P H. A Co-Integration Approach to Forecasting Freight Rates in the Dry Bulk Shipping Sector[J]. Transportation Research Part A Policy & Practice, 1997, 31(6):447-458.

[3] BATRINCA G I, COJANU G, SURUGIU I. Application of Autoregressive Models for Forecasting the Baltic Exchange Dry Index[J]. Constanta Maritime University Annals, 2013, 20(20): 205-208.

[4] CHEN Yungshun, WANG Shiutung. The Empirical Evidence of the Leverage Effect on Volatility in International Bulk Shipping Market[J]. Maritime Policy & Management, 2004, 31(2):109-124.

[5] 宮進. 國際干散貨運價風險相關問題的實證研究[D]. 上海: 上海海運學院, 2001:53-63.

[6] 李耀鼎, 宗蓓華. 國際干散貨運價波動與隨機游走檢驗[J]. 大連海事大學學報, 2006, 49(4): 5-10.

[7] 陸克從, 趙剛, 胡佳驊. ARCH族模型在干散貨運價指數分析中的應用[J]. 系統工程, 2008, 25(9): 50-56.

[8] PERRON P. The Great Crash, the Oil Price Shock and Unit Root Hypothesis[J]. Econometrica, 1989, 57(6):1361-1401.

[9] ENGLE R F. Autoregressive Conditional Heteroskedasticity With Estimates of the Variance of U.K. Inflation[J]. Econometrica, 1982, 50:987-1007.

[10] BOLLERSLEV T. Generalized Autoregressive Conditional Heteroskedasticity[J]. Journal of Econometrics, 1986:307-327.

[11] ENGLE R F, ROBINS R P. Estimating Time Varying Risk Premia in the Term Structure: The Arch-M Model[J]. Econometrica, 1987, 55(2): 391-407.

[12] STOPFORD M. Maritime Economics[M]. Routledge, 1997.

[13] CAMPBELL J Y, LO A W, MACKINLAY A C. The Econometrics of Financial Markets[M]. Princetion: Princeton University Press, 1997:559-562.

[14] ENGLE R, MUSTAFA C. Implied ARCH Models from Options Prices[J]. Journal of Econometrics, 1992, 52(1-2):289-311.

[15] TVEDT J. A New Perspective on Price Dynamics of the Dry Bulk Market[J]. Maritime Policy & Management, 2003, 30(3): 221-230.

[16] 張曉峒. 計量經濟學基礎[M]. 天津：南開大學出版社, 2001:158-181.

[17] 武佩劍, 陳永平. 波羅的海干散貨運價指數波動規律及對我國的啟示——國際干散貨運輸市場走勢的晴雨表[J]. 價格理論與實踐, 2010, 29(11): 50-51.

[18] 楊華龍, 劉金霞, 范永輝. 波羅的海干散貨運價指數波動性研究[J]. 中國航海, 2011, 34(3): 84-88.

[19] 翟海杰, 李序穎. 不同分布的GARCH族模型的波羅的海干散貨運價指數波動率[J]. 上海海事大學學報, 2009, 30(3): 59-64.

[20] 李晶, 王婷婷. 波羅的海干散貨運價指數波動研究——基于ARMA-GARCH模型的分析[J]. 價格理論與實踐, 2015, 36(1): 82-84.

Evolution of Volatility of International Dry Bulk Shipping Market Under Influence of Financial Crisis

SHAOFei1,ZHENHong1,HANJun2

(1. College of Transportation and Communications, Shanghai Maritime University, Shanghai 201306, China;2. Shanghai International Shipping Institute, Shanghai 200082, China)

1000-4653(2016)04-0123-06

F550.5

A

2016-08-11

邵 斐(1995—)，女，江西九江人，碩士生，研究方向為國際航運現代化管理與航運經濟。E-mail:shaofeis@126.com 真 虹(1958—)，男，上海人，博士生導師，博士，研究方向為交通運輸規劃與管理。E-mail:shzhenhong@gmail.com