二手船價格市場法評估中的影響因素

杜珂 焦芳芳

【摘 要】 為更全面、更有效地評估二手船價格，梳理現階段二手船交易市場主要船型及主要評估方法對比，指出采用市場法評估二手船價格時應考慮的影響因素。運用人工神經網絡對二手船價格進行預測，并采用子網絡與主網絡相結合的方式對船舶信息進行特征抽取，通過特征聚合的方式輸入到主網絡中。結果表明，采用市場法對交易相對活躍、市場波動性較大的船舶進行價格評估適用性最好，通過人工神經網絡進行價格預測可以避免主觀因素對評估模型的影響。

【關鍵詞】 市場法;二手船;價格評估;人工神經網絡

0 引 言

隨著市場經濟的發展，全球航運業在歷經了約10年運力過剩、貿易量銳減的市場低迷后，逐漸迎來復蘇。新船訂單數量的逐步減少，使得航運市場的供應與需求漸趨平衡。尤其是近年來，我國運力市場調控有所放松，諸多航運企業已著手通過建造新船或購置二手船等途徑增加運力。

由于船舶資產的特殊性，影響二手船價格的因素除了船齡、船上設備等自身損耗因素外，還有不同船型市場運價、期租費率、船舶營運范圍等因素。在實際操作中，船舶價格評估方法的選擇必須與船舶資產評估價值類型相適應，同時也要與評估船舶相適應，而且還會受到可搜集數據和信息資料的制約。因此，梳理針對不同船型的二手船評估影響因素以及探索一種綜合評估方法對現階段具有重要意義。

1 二手船交易市場主要船型

2019年，全球共交易二手船1 238艘、運力萬t，其中：受國際形勢影響，油船交易量漲幅明顯，全年共成交347艘、運力萬t;從年初巴西淡水河谷潰壩到年末澳洲山火肆虐，自然災害持續影響大宗商品貿易，加之中美貿易摩擦升級、我國鐵礦石和煤炭進口需求減少等因素打擊買方信心，散貨船交易需求大幅減少，全年共交易散貨船465艘、運力萬t;集裝箱船交易量維持穩定。

在二手船市場中，占據市場份額較大的貨船船型為散貨船、油船和集裝箱船。近年來，散貨船成交量例較大的船型為好望角型、巴拿馬型、大靈便型和靈便型等。油船成交量較大的船型為超大型、蘇伊士型、阿芙拉型、巴拿馬型和靈便型等。

除上述幾類船型外，二手船交易市場中還有一類“其他船型”，主要是指海洋工程裝備和其他遠洋特種船型。這類船舶船型眾多，建造價格較高，訂制化特征明顯，“一船一價”的情況較為常見。

2 二手船價格主要評估方法對比

現階段對船舶價格評估的方法主要有重置成本法、收益法、市場法和現值法。4種方法都具有一定的合理性，同時也存在各自的缺陷。二手船價格主流評估方法比較見表1。

船舶價格估算不僅要反映市場行情，還要體現出船舶自身的技術特征。成本法只是通過對重置成本的扣減來估價的，并沒有考慮市場行情對船舶價格的影響。收益法是根據船舶在未來使用年限中的收益現值來估價的，由于未來收益具有不確定性，無法準確估算船舶價格。整體來看，只有市場法既考慮了航運市場行情，又結合了影響船舶價格的船舶自身技術特征。市場法的理念符合學術界對于船舶價格評估的發展方向，即從微觀的角度綜合考慮所有影響船舶價格的因素。

不同的船型對應不同的市場，因而應選用不同的評估方法。在二手船交易市場中，除4種主流船型外，還有一些市場規模較小或相對平穩的船舶。本文對國內二手船交易的主要船型及適用評估方法進行總結，見表2。

3 二手船價格市場法評估中的 主要影響因素

從收益角度來看，當舊船在二手市場出售所得的回收凈金額（出售總價格扣除各種手續費、傭金、回扣、稅金和雜費后的收益）遠大于該船繼續營運一定年限的收益與該年限后的殘值的和時，船舶所有人應將舊船投入二手船市場進行交易;當二者凈金額接近時，船舶所有人可以考慮將舊船作為廢船出售拆解，以減少二手船轉售后繼續投入營運對船舶所有人自身帶來的新風險。本文選擇市場相對活躍的油船、散貨船、集裝箱船等常規船型的二手遠洋船交易進行分析，采用市場法進行評估。

3.1 新造船價格

新造船價格與二手船成交價格有很強的關聯性，作為二手船的一種替代品，新造船價格的上漲會間接抬高二手船的價格。新造船價格既可以反映出宏觀的二手船價格波動趨勢，也可以反映出微觀的每一艘交易船的交易價格。[1]

3.2 船 齡

船齡反映船舶壽命，不同船齡的船舶對應不同的運價水平，進而也會影響二手船的成交價格，船齡越大，影響越顯著。

一般情況下，普通貨船的使用年限為20～30年。在航運市場極度低迷時，部分船舶可能在10～15年的船齡內被拆解;在航運市場極度繁榮時，部分船舶可能使用30年左右。[2]

3.3 船舶的殘值

市場走勢決定了船舶的殘值。技術狀況影響經濟壽命，鋼材價格、船舶市場走勢、環保標準或公約、政府補貼、改裝可能性等都是影響船舶殘值的因素。拆船價格也是船舶殘值的重要組成，其主要受廢鋼價格的影響，同時也受航運市場基本面（可供拆解的船舶數量）、拆船成本（人工、環保要求）等因素影響。

3.4 船舶類型和運力

不同運力的船舶對應不同的運輸市場，不同的貨物類別決定了適合運輸該類別貨物的船舶構造、技術特征，兩者都會影響船舶的市場行情。[3]

3.5 船舶運營和管理成本

期租費率可以體現船舶在運費市場中的受歡迎情況，航運市場運力的供給和全球或區域性的貨運需求等因素，以及地緣政治及社會經濟事件的短期影響也會導致航運市場運費劇烈波動，進而影響二手船價格評估。

另外，船舶航次成本也是影響因素之一。船舶航次成本包括燃油、保險、港口等費用，其中保險費用和港口費用變化相對較小，但燃油成本受國際油價波動影響較大。隨著低硫燃料油、LNG、LPG、甲醇、液氫、液氨等船舶燃料的使用，部分船舶航次成本也受到上述燃料價格波動的影響。

船舶定期檢驗和塢修也是管理成本的重要組成部分。

3.6 船舶建造質量、船旗、船籍國、主尺度和航區

船舶的建造質量會影響船舶的運營，高質量的船舶在營運過程中需要的維護成本更少，出現故障的幾率小。這樣就能增加船舶的正常營運時間，提高航運企業盈利能力，因而船舶價格也更高。

船舶船級種類繁多，不同的船級社所使用的規范、規則不同，對船舶的要求不同，船舶接受法定檢驗的內容也不同。由于政治原因，懸掛某些特定國家船旗的船舶還會遭到一些國家港口拒絕掛靠。對于這類船舶，船旗國對船舶價格的影響明顯。

船舶的主尺度是指船舶的長、寬和型深，以及船舶吃水。船舶主尺度直接影響船舶的適港性和適貨性，最終會因為影響船舶的供需情況而影響船舶價格。

船舶的作業航區分為遮蔽航區、沿海航區、近海航區和無限航區。不同的航區對船舶的結構和其他方面的要求不同，其中無限航區的要求最高，相對而言船舶的造價就會很高。

因此，在對二手船價格進行評估時，需要盡可能多地掌握船舶的各項信息，以便得出符合市場的估值。

4 人工神經網絡的建立

相比于模糊系統、自適應神經模糊推理系統、梯度提升決策樹等模型驅動的價格評估方法，神經網絡采用數據驅動的模式，以大量二手船信息進行訓練，啟發式學習評估模型能夠更好地反映各船舶屬性信息對船舶價格的影響。

4.1 構建樣本

由于二手船交易市場包含各方面的大量信息，為了使神經網絡更有效地進行訓練和預測，應選取具有代表性的船舶信息，防止重復屬性或不相關屬性信息對預測性能的干擾。

本文選擇交易市場相對活躍和市場波動性較大的油船、散貨船、集裝箱船等常規遠洋船型進行研究。根據對二手船估值影響因素的描述，主要考慮船型、船舶特征、船齡、船舶尺寸、運營數據等5種船舶信息作為神經網絡輸入數據。

船舶信息選擇及原理見表3，其中，對于船型、建造國以及船級社等非數值類型的信息，采用序號的方式進行表達。同時，為了防止因各維度數值差異過大對訓練造成影響，對訓練樣本的各個維度進行歸一化處理。

相比于基于神經網絡進行二手船價格評估的方法，市場法采用更多類別的信息從多方面對船舶進行描述，在去除冗余信息的同時盡可能保留與價格評估相關的信息，一個訓練樣本包含一個18維的船舶信息向量x以及一個1維的價格真值y。

4.2 網絡結構

從多個層面對船舶信息進行建模，并根據屬性之間的相關程度將信息分為船型信息（xt）、船齡信息（xa）、船舶身份信息（xd）、船舶尺寸信息（xs）以及船舶運營信息（xq）。由于同一分類信息相關性較強而各類別之間信息的相關性較弱，首先通過多個子網絡對各類別信息進行特征提取，再通過特征聚合的方式輸入到主網絡中。二手船估值網絡結構見圖1。

各子網絡為包含一層隱含層的感知模型，隱含層的節點個數均為6。主網絡為包含3層隱含層的多層感知模型，各隱含層的節點個數為32、16、8。

由于船型信息、船齡信息的維度為1，所以無需通過子網絡進行特征提取，可直接輸入到主網絡中;因此，主網絡輸入特征的維度為20。

網絡的輸出為1維向量，表示二手船價格評估的預測值y'為

式中：w為權重，b為偏置項，f為非線性激活函數，下標為所在主網絡隱含層序號;⊕表示為串聯操作。

式（1）表示輸入特征x經過3個隱含層，得到預測值y';式（2）表示主網絡特征x是3個子網絡輸出特征的聚合;式（3）、式（4）、式（5）分別為船舶身份特征子網絡、船舶尺寸特征子網絡以及船舶運營信息子網絡提取的特征。

真實值與預測值的歐氏距離為損失函數L，即：

主網絡與子網絡采用聯合訓練的方式，通過最小化損失函數，從而實現對各權重和偏置項的優化。本網絡選擇ReLU作為激活函數，其表達形式為

相比于Sigmoid函數，ReLU函數可以緩解Sigmoid函數反向傳播時出現的梯度消失的情況。ReLU函數會使響應值為負數的神經元的輸出為0，增加了網絡的稀疏性，減少了參數之間互相依存的關系，緩解過擬合現象的發生。

目前市場上二手船成交信息的透明度遠不及二手車、二手房產等交易信息，國內外還沒有完全公開的二手船交易信息獲取途徑，一些大型船舶交易所及研究機構在提供此類數據時實行收費服務。

5 結 語

船舶所有人通過二手船交易可以避免船舶進入和退出市場時的障礙，從而提高船舶的競爭力。二手船市場是國際航運市場的重要組成部分，在國際航運市場中占有重要地位，對航運市場起著重要的運力平衡作用。

市場法對交易相對活躍、市場波動性較大的船舶進行價格評估的適用性最好，在原始數據充足的情況下，通過人工神經網絡進行二手船價格預測可以避免主觀因素對評估模型的影響。在變量選取過程中，由于模型要模擬的是每一艘交易船舶的成交價格，因而所選擇的每一個變量必須與該交易緊密相關。本文對人工神經網絡進行改進，通過多個子網絡對各類別信息進行特征提取，再通過特征聚合的方式輸入到主網絡中，避免了因不同維度之間相關性較弱而對網絡訓練造成影響，同時能夠最大程度地保留船舶的各項信息特征，在實際評估過程中具有重要意義。

參考文獻：

[1] 張樹帆，張弦. BP神經網絡在二手船評估中的應用[J].中國資產評估，2015（11）：21-25.

[2] 羅福才. 船舶資產評估研究[D].大連：大連理工大學，2011.

[3] 肖啟俊，張延猛. 基于BP神經網絡的二手船價格評估研究[J].船舶工程，2013（2）：100-103.