我国集装箱运输企业运价风险预警机制研究

《我国集装箱运输企业运价风险预警机制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、我国集装箱运输企业运价风险预警机制研究　　【摘要】随着我国出口集装箱运输业的不断发展，集装箱运输企业面临着运价波动风险。文章分析了集装箱运价波动风险产生的原因，并应用时间序列分析中的经典模型ARIMA模型分析了我国出口集装箱运价指数的变动趋势，在集装箱运价走势分析的基础上，依据金融风险预警理论，建立了我国出口集装箱运价风险预警机制模型，为我国集装箱运输企业控制运价风险，提高企业管理经营水平提供了依据。　　【关键词】运价风险；集装箱运价指数；ARIMA模型；预警机制　　引言　　随着我国经济与世界经济联系的日益紧密，作为航运主要产业之一的集装箱运输业将越来越多地受到世界

2、经济的影响，航运风险有不断增大的趋势，在这种情况下，研究和讨论集装箱运价风险预警管理显得十分重要。而集装箱运价指数是反映集装箱运输市场价格的重要手段，中国出口集装箱运价指数（CCFI）由上海航运交易所于1998年4月23日首次编制发布，迄今为止已连续发布了近15年。为了完善中国出口集装箱运价指数体系，上海航运交易所于2009年10月16日推出了新版上海出口集装箱运价指数（SCFI）。目前，上海出口集装箱运价指数已成为反映我国出口集装箱班轮运输市场的风向标，并成为全球首个国际集装箱运价衍生品交易的结算依据。　　目前，多数学者的研究主要集中于对波罗的海运价指数的研究，如

3、KevinCullinane（1992）运用ARMA模型对BFI期货指数进行了研究和预测；杨伟年（1999）运用时间序列分析对国际干散货运价指数的波动性进行了研究；吕靖和陈庆辉（2003）对BDI分别提取了长期趋势项和季节波动项，得到一个符合ARMA模型建模要求的零均值平稳序列。朱剑（2007）利用ARIMA模型对BDI指数的变化趋势进行了建模分析；张页（2010）运用协整理论研究了中国出口集装箱运价指数与航线运价上的相关性。这些研究中，对于新版上海集装箱运价指数趋势研究较少，更是缺乏对我国集装箱运价风险预警机制的研究。　　对于集装箱运价风险预警研究的基础是对集装箱

4、运价走势的准确判断，本文以时间序列分析的经典模型ARIMA模型为工具，建立上海出口集装箱运价指数预测模型，并在上海出口集装箱运价指数走势的基础上，根据金融企业风险预警理论，建立了我国集装箱运价风险预警机制模型，以帮助集装箱运输企业及相关金融机构掌握集装箱运价风险的变化规律，控制集装箱运价风险，在国际航运市场的竞争中占据有利地位。　　一、集装箱运价波动风险　　集装箱运输企业具有投入高、周期长、跨国经营的特征，影响集装箱运输价格的影响因素众多。集装箱运输价格不仅受到集装箱运输企业自身经营状况例如运营成本、管理水平等的影响，还受到世界政治、经济和国际贸易等多方面的影响。由

5、于集装箱运输具有派生性，其产生和发展依赖于其他行业和国际贸易的增长和发展，这就导致了集装箱运输价格的被动性以及对其他相关行业、世界经济贸易发展的依赖性。这些因素综合作用的结果通过集装箱运价波动反映出来，这种波动给集装箱运输企业的收入带来了极大的不确定性。另外，由于国际贸易周期性和季节性的变化，使得作为派生性需求的运输服务也具有周期性波动和季节性波动特征，这给集装箱运输市场价格的预测带来困难。集装箱运输价格有着较大的波动性和不确定性，使得集装箱运输企业处于巨大的经营风险之中。因此，为了控制和防范风险，对于集装箱运输价格的准确预测及相应的风险预警就显得十分重要。　　二、

6、时间序列模型简介　　时间序列分析（TimeSeriesAnalysis）是一种处理动态数据的统计方法，该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律。ARIMA模型全称为自回归移动平均模型（AutoregressiveIntegratedMovingAverageModel，简记为ARIMA），是由博克思（Box）和詹金斯（Jenkins）于70年代初提出的著名时间序列预测方法。该方法简单易行，一般适用于短期预测，时间序列预测一般反映三种实际变化规律：趋势变化、周期性变化、随机性变化。常用的模型有：AR模型、MA模型、ARMA模型、ARIM

7、A模型。AR模型、MA模型和ARMA模型主要用于分析平稳时间序列的典型模型，而ARIMA模型是对于非平稳的时间序列的典型模型。对于上海出口集装箱运价指数的分析预测，本文采用ARIMA模型进行分析研究。　　ARIMA模型的基本思想是将预测对象随时间推移而形成的数据序列视为一个随机序列，用数学模型ARIMA（p，d，q）来近似描述，其结构如下：　　ARIMA模型是差分运算和ARMA模型的组合，由于大量的社会经济数据多为非平稳的时间序列，因此在应用ARIMA模型前，需要对非平稳的时间序列数据通过适当差分；然后对差分后的平稳数据进行ARIMA模型拟合。该方法的基本步骤为