朱玉華，趙剛

(上海海事大學(xué)交通運輸學(xué)院，上海 201306)

0 引言

中國出口集裝箱運價指數(shù)(China Containerized Freight Index，CCFI)是全球唯一的集裝箱運價指數(shù)，目前已成為反映我國集裝箱航運市場狀況的重要指標(biāo).研究CCFI的波動規(guī)律，可為企業(yè)和政府掌握集裝箱運輸市場變化規(guī)律提供重要的決策依據(jù).

目前，國內(nèi)外學(xué)者主要針對波羅的海干散貨運價指數(shù)的波動性進(jìn)行研究，對集裝箱運價指數(shù)的波動研究較少.VEENSTRA等［1］應(yīng)用向量自回歸(Vector Auto－Regressive，VAR)模型對干散貨運價指數(shù)進(jìn)行分析;宮進(jìn)［2］對波羅的海運價指數(shù)收益率的季節(jié)效應(yīng)進(jìn)行研究;李序穎等［3］對我國交通貨物運輸量進(jìn)行時間序列分析;王軍等［4］利用廣義自回歸條件異方差(Generalized Auto－Regressive Conditional Heteroskedasticity，GARCH)等模型研究世界原油運價的波動特征;陸克從［5］利用自回歸條件異方差(Auto－Regressive Conditional Heteroskedasticity，ARCH)模型研究波羅的海好望角型船運價指數(shù)波動情況;張頁［6］運用協(xié)整理論研究CCFI與相應(yīng)航線運價的相關(guān)性;劉翠蓮等［7］利用ARCH族模型對我國沿海煤炭運價指數(shù)的波動性進(jìn)行研究;林國龍等［8］應(yīng)用CF濾波方法研究干散貨航運市場的周期性趨勢.關(guān)于ARCH族模型的研究，WEIGEND等［9］于1993 年首次提出自回歸(Auto－Regressive，AR)模型;ENGLE［10］應(yīng)用ARCH模型研究通貨膨脹率建模問 題;BOLLERSLEV 提 出 GARCH 模 型［11］和TARCH 模 型［12］;在 TARCH 模 型 的 基 礎(chǔ) 上，NELSON［13］提出指數(shù) GARCH(EGARCH)模型;DING 等［14］提出 ARCH(APARCH)偏冪模型.本文重點利用ARCH族模型研究CCFI的波動規(guī)律，包括CCFI收益率序列的平穩(wěn)性、異方差性和波動特征，為提高我國出口集裝箱運輸市場預(yù)測的可靠性提供重要參考.

1 基于ARCH族模型的序列波動性研究方法

1.1 ARCH 模型

ENGLE于1982年引入條件方差的概念分析方差變化的原因，并提出ARCH模型，指出金融時間序列{yt}的條件方差{ht}會隨時間變化，因而可視{ ht}為條件均值方程隨機(jī)誤差項{μt}滯后項的函數(shù)，即收益率波動取決于以往的消息.AR(p)－ARCH(q)模型表示為

式中:α1，α2，…，αq，ω 為待估參數(shù);{μt}服從q階的ARCH過程.由式(1)可知:對i期預(yù)期收益的變動對當(dāng)期波動度的影響由αi決定，q值反映μt的某一波動情況持續(xù)的時間，因此該模型能夠反映市場的波動聚集性.

1.2 GARCH 模型

GARCH(p，q)模型基本表達(dá)式為

式中:α反映前一期的波動情況，其大小反映市場變化引起的序列波動性大小;β大小反映前一期的波動對序列影響的持續(xù)時間長短.雖然GARCH模型能夠解決高階ARCH模型的擬合問題，但不能反映時間序列波動的非對稱效應(yīng)(即杠桿效應(yīng)).

1.3 EGARCH 模型

EGARCH模型可以反映波動度對好、壞消息的非對稱影響，用方程表示為

2 數(shù)據(jù)的選取及實證研究

2.1 數(shù)據(jù)的選取與處理

選取上海航運交易所發(fā)布的CCFI，樣本區(qū)間為2000年1月7日至2012年8月31日的周數(shù)據(jù)，共得到586個觀測值，利用EViews 6.0對相關(guān)數(shù)據(jù)進(jìn)行處理.CCFI走勢見圖1.

圖1 CCFI走勢

從圖1中可以看出，CCFI周數(shù)據(jù)波動幅度比較大，且呈不規(guī)則的鋸齒狀波動，最高點(1335點)與最低點(763點)相差近1倍，尤其是2008年以來CCFI經(jīng)歷兩次前所未有的大振幅.為了研究CCFI收益率的波動情況，本文以CCFI相鄰周的價格指數(shù)對數(shù)的1階差分作為CCFI的收益率.設(shè)差分后的CCFI收益率為RCCFIt，t時刻CCFI價格指數(shù)為ICCFIt，則 RCCFIt=ln ICCFIt－ ln ICCFIt－1，從而得到 CCFI收益率序列{RCCFI}，見圖2.

圖2 CCFI收益率序列

2.2 CCFI收益率序列的基本統(tǒng)計特征

應(yīng)用EViews 6.0可以得到{RCCFI}的基本統(tǒng)計特征，見表1.

表1 {RCCFI}序列的基本統(tǒng)計特征

由表1可見，{RCCFI}具有以下特征:(1)收益率序列具有波動集群的特征;(2)收益率的均值為正值，表明在樣本區(qū)間內(nèi)集裝箱運輸業(yè)總體平均收益為盈利;(3)偏度系數(shù)大于0，表明收益率序列的非對稱性，且為右偏;(4)峰度系數(shù)大于3，表明收益率序列的尖峰厚尾特征;(5)JB統(tǒng)計量的尾概率為0，表明收益率序列拒絕正態(tài)分布的原假設(shè).

2.3 CCFI收益率序列的平穩(wěn)性檢驗

對{RCCFI}采用 Augmented Dickey－Fuller(ADF)單位根檢驗，結(jié)果見表2.

表2 {RCCFI}序列ADF檢驗結(jié)果

從檢驗結(jié)果看，單位根檢驗的Mackinnon臨界值分別為 －3.441357，－2.866287，－2.569358，t統(tǒng)計量為－10.376820，均小于相應(yīng)的臨界值，從而拒絕原假設(shè)，表明{RCCFI}不存在單位根，是平穩(wěn)序列.

2.4 均值模型確定和殘差序列的ARCH效應(yīng)分析

利用LBQ(Ljung－Box Q)法對{RCCFI}進(jìn)行自相關(guān)性檢驗，結(jié)果見表3.

表3 CCFI收益率序列的LBQ檢驗

由表3可知，隨著滯后期的增加，LBQ對應(yīng)的相伴概率都近似為0，由此拒絕各收益率序列不存在自相關(guān)性的假設(shè)，認(rèn)為{RCCFI}存在自相關(guān).通過對CCFI收益率序列自相關(guān)函數(shù)及偏自相關(guān)函數(shù)截尾性和拖尾性的考察，可以判定自回歸和移動平均的階數(shù)，進(jìn)而確定擬合模型的基本形式.用EViews 6.0分別計算{RCCFI}的偏自相關(guān)、自相關(guān)系數(shù)，發(fā)現(xiàn){RCCFI}的偏自相關(guān)函數(shù)表現(xiàn)為3步截尾，而自相關(guān)系數(shù)表現(xiàn)為拖尾，由此判定{RCCFI}為AR(3)過程.建立序列{RCCFI}的AR(3)模型如下:

為檢驗擬合方程的殘差序列是否具有異方差性，對{RCCFI}用普通最小二乘法估計，所得各項系數(shù)見表4.

表4 擬合方程系數(shù)

由表4可知，AR(1)的系數(shù)β1沒有顯著性，說明 RCCFIt－1對 RCCFIt的貢獻(xiàn)度不顯著.剔除AR(1)項后重新擬合均值方程，結(jié)果見表5.

表5 重新擬合方程系數(shù)

由表5可知，方程各項系數(shù)都已通過顯著性檢驗，可以得到擬合方程

R2=0.056，對數(shù)似然值 =1625.063，AIC值 =－5.577537，SC 值= －5.562532.

{RCCFI}回歸方程的殘差見圖3.從圖3中可發(fā)現(xiàn)，序列具有波動集聚效應(yīng)，可以判斷CCFI具有異方差性.對{RCCFI}回歸方程的殘差項序列進(jìn)行ARCH效應(yīng)檢驗，結(jié)果見表6.

圖3 {RCCFI}回歸方程的殘差

表6 {RCCFI}回歸方程的殘差項序列的ARCH效應(yīng)檢驗結(jié)果

由表6可知，{RCCFI}殘差序列的各檢驗統(tǒng)計量的相伴概率全都小于5%的臨界值，表明該序列具有高階的ARCH效應(yīng).

2.5 CCFI的GARCH分析

由于{RCCFI}序列回歸方程的殘差項具有異方差性，且具有高階ARCH效應(yīng)，用ARCH模型對序列進(jìn)行擬合需設(shè)定較大的滯后階數(shù)，因此可用GARCH模型替代原來的ARCH模型.運用AIC和SC準(zhǔn)則確定GARCH的階數(shù)，結(jié)果見表7.

表7 {RCCFI}序列的GARCH分析

由表7可知，GARCH(3，3)模型的AIC值最小，GARCH(1，1)模型的 SC值最小.由于 GARCH(1，1)形式精簡，且數(shù)據(jù)處理后發(fā)現(xiàn)實際得到的效果與GARCH(3，3)模型相近，因此本文用 GARCH(1，1)模型進(jìn)行建模并深入分析CCFI波動的特征.構(gòu)建模型結(jié)構(gòu)如下:

通過擬合，整理得到CCFI收益率序列的均值方程和方差方程

各參數(shù)值及具體數(shù)據(jù)見表8.

表8 GARCH(1，1)參數(shù)估計結(jié)果

R2=0.054720，對數(shù)似然值 =1651.028，AIC值=－5.656454，SC值=－5.618941.在條件方差方程中，參數(shù)估計的Z統(tǒng)計量非常顯著，其相應(yīng)的概率值也非常小，說明這些參數(shù)估計都是顯著的，而且這些參數(shù)值都大于0，滿足條件方程非負(fù)要求.ARCH項和GARCH項的系數(shù)估計值之和α+β=0.631667 ＜1，證明 GARCH(1，1)為平穩(wěn)過程，滿足參數(shù)約束條件;對數(shù)似然值有所增加，AIC值和SC值均變小，說明GARCH(1，1)模型可很好地擬合CCFI收益率序列.

2.6 我國集裝箱運輸市場的波動特征分析

對CCFI收益率序列建立GARCH模型后，為了更好地分析CCFI的時變特征，可以獲得對應(yīng)的條件方差時序圖，見圖4.

圖4 {RCCFI}序列條件方差時序

從圖4可見，條件方差存在極端值現(xiàn)象，即條件方差在某時刻附近的漲跌幅度都很大，短期內(nèi)出現(xiàn)暴漲暴跌的情況.從條件方差序列的對比可以看出，序列漲跌的極值主要集中在5個區(qū)段，對應(yīng)的時間分別是2003年1月至2003年6月，2004年9月至2005年3月，2007年9月至2008年3月，2009年12月至2010年6月，2012年1月至2012年6月.通過回顧當(dāng)期CCFI，可以發(fā)現(xiàn)導(dǎo)致異常波動的原因.

(1)2003年1月至2003年6月.2003年初，亞洲地區(qū)發(fā)生非典疫情，受其影響，我國的對外進(jìn)出口貿(mào)易受到較大沖擊.我國集裝箱出口主要有紡織服裝、輕工藝產(chǎn)品、日用品等，非典發(fā)生后，相關(guān)貿(mào)易企業(yè)在組織貨源上受阻，導(dǎo)致商品出口供應(yīng)鏈脫節(jié).非典期間，各地都強(qiáng)化對人員進(jìn)出的控制，直接影響企業(yè)員工的招收和企業(yè)的生產(chǎn).另外，國際社會也對我國進(jìn)出口貨物加大檢驗檢疫力度，使得我國的集裝箱進(jìn)出口貿(mào)易受到一定的影響.

(2)2004年9月至2005年3月.2004年國際經(jīng)濟(jì)環(huán)境較好，我國經(jīng)濟(jì)繼續(xù)保持快速增長勢頭，增速達(dá)9.7%左右，這是我國經(jīng)濟(jì)自1997年以來同期的最高增速.經(jīng)濟(jì)快速增長帶來對交通的旺盛需求，集裝箱吞吐量呈現(xiàn)出大幅增長的良好態(tài)勢.這一時期，全球集裝箱運輸市場包括太平洋航線、亞歐航線和大西洋航線等3大主干航線市場貨量需求旺盛，船公司艙位利用率總體較高，運價也在年初基礎(chǔ)上有一定幅度的上漲，給承運人帶來豐厚的收益.

(3)2007年9月至2008年3月.2007年2月，美國爆發(fā)次貸危機(jī)，并逐漸演變成全球金融危機(jī)，之后迅速向金融領(lǐng)域以外的其他實體經(jīng)濟(jì)傳播，最終升級為全球經(jīng)濟(jì)危機(jī).經(jīng)濟(jì)危機(jī)導(dǎo)致市場流動性嚴(yán)重短缺，投資和消費信心受挫，我國出口產(chǎn)品增長放緩，貨量下滑，艙位利用率降低，國際集裝箱運輸市場進(jìn)出口箱量與往年相比明顯減少.另外，金融危機(jī)導(dǎo)致美元貶值，觸發(fā)國際原油價格飆升，并直接或間接地刺激各種商品和原材料的交易價格上漲，且美元貶值直接促使人民幣升值，導(dǎo)致我國出口貿(mào)易的價格競爭力進(jìn)一步降低，對我國出口集裝箱運輸需求下降.

(4)2009年12月至2010年6月.2003年以來，世界經(jīng)濟(jì)進(jìn)入快速發(fā)展時期，我國的經(jīng)濟(jì)貿(mào)易也一直保持繁榮和發(fā)展;受世界經(jīng)濟(jì)和我國經(jīng)濟(jì)貿(mào)易快速發(fā)展、市場需求旺盛的刺激，我國的集裝箱進(jìn)出口業(yè)務(wù)進(jìn)入高速發(fā)展的繁榮期.2008年國際金融危機(jī)給世界經(jīng)濟(jì)造成巨大影響，我國的集裝箱進(jìn)出口業(yè)務(wù)量也開始大幅萎縮.危機(jī)發(fā)生以后，各國采取一系列促進(jìn)經(jīng)濟(jì)增長的措施，經(jīng)過一年多的努力，2009年12月至2010年6月間集裝箱進(jìn)出口貿(mào)易量有一定回升，主要航線的運價也得到一定上漲.

(5)2012年1月至2012年6月.2012年初，國際集裝箱運輸市場并未像干散貨和油運市場一樣低迷，在許多國家節(jié)后逐步恢復(fù)開工和貨主提前出貨等因素的影響下，集裝箱貨量呈現(xiàn)逐步回暖態(tài)勢.航運公司的平均艙位利用率從年初的70%左右上升到一季度末的90%左右.主要航線運價觸底反彈，運價上漲幅度明顯，其中歐洲航線上漲幅度較大，平均上漲約700美元/TEU.二季度，受美國經(jīng)濟(jì)復(fù)蘇和旺季效應(yīng)影響，貨量基本保持穩(wěn)定，航線運價和運量都穩(wěn)步增長.

從以上分析可知，集裝箱班輪運價受世界宏觀經(jīng)濟(jì)波動、運輸市場需求供給、國際貿(mào)易等因素影響較大.這是因為集裝箱班輪運輸需求是國際貿(mào)易的派生需求:當(dāng)國際貿(mào)易繁榮、貨源充足時，班輪運價就升高;反之，運價就降低.集裝箱運價結(jié)構(gòu)主要包括集裝箱運輸成本、稅金和利潤，在這些因素中運輸成本所占比重最大，它主要受國際油價、港口費用等影響，是引起集裝箱運價長期變化的原因.集裝箱運價短期巨幅波動主要是受世界宏觀經(jīng)濟(jì)波動、運輸市場的需求供給和國際貿(mào)易狀況變化等因素所引起的.

2.7 CCFI波動的非對稱性分析

為了反映集裝箱運輸市場的非對稱性，在上文GARCH(1，1)的基礎(chǔ)上選用EGARCH模型對CCFI收益率序列表現(xiàn)出的波動性進(jìn)行分析.EGARCH(1，1)模型建立如下:

通過擬合，整理得到CCFI收益率序列的均值方程和方差方程

R2=0.053448，對數(shù)似然值 =1649.896，AIC值=－5.649126，SC值=－5.604110.從以上數(shù)據(jù)可以發(fā)現(xiàn)，γ=0.104221＞0，說明CCFI收益率序列具有杠桿效應(yīng)，且對市場“利好”消息的敏感程度大于“利空”消息.當(dāng)集裝箱運輸市場出現(xiàn)“利好”消息時，杠桿效應(yīng)參數(shù)α+γ=0.253023+0.104221=0.357244，即“利好”消息會給收益率條件方差帶來0.357244倍的沖擊;當(dāng)集裝箱運輸市場出現(xiàn)“利空”消息時，杠桿效應(yīng)參數(shù) α－γ=0.253023－0.104221=0.148802，即“利空”消息會給收益率條件方差帶來0.148802倍的沖擊.對于我國出口集裝箱運價市場而言，“利好”消息比等量的“利空”消息產(chǎn)生的沖擊更大，具有反杠桿效應(yīng).

由于國際集裝箱班輪運輸業(yè)是資本密集型、技術(shù)密集型行業(yè)，班輪運輸企業(yè)進(jìn)入和退出的門檻較高，集裝箱班輪運輸市場具有寡頭壟斷的市場結(jié)構(gòu)特征.因此，在該市場中集裝箱班輪運輸價格主要由較大的班輪公司或者聯(lián)盟主導(dǎo)，規(guī)模較小的航運公司一般只能采取從價策略，當(dāng)“利好”消息出現(xiàn)時，起主導(dǎo)地位的大型班輪公司或者聯(lián)盟會迅速作出反應(yīng)，推高班輪運價以獲得最大利潤;當(dāng)“利空”消息出現(xiàn)時，他們則常常采取措施抵制市場不利因素帶來的沖擊，減緩運價下跌的速度，減少運輸損失，由此導(dǎo)致集裝箱運價市場的反杠桿效應(yīng).

3 結(jié)論

綜合運用ARCH族模型對我國出口集裝箱運輸市場的波動性進(jìn)行評價分析，主要結(jié)論如下:

(1)CCFI收益率序列的基本統(tǒng)計特征表明該序列不服從正態(tài)分布，具有金融時間序列的尖峰厚尾和集聚性特征，且具有異方差性，市場波動性大.

(2)GARCH(1，1)模型能夠較好地擬合CCFI的波動特征，能夠反映CCFI的敏感性和持續(xù)性.CCFI受外部沖擊敏感度較強(qiáng)，沖擊作用效果持續(xù)時間長.集裝箱運輸企業(yè)在面臨運價波動風(fēng)險時，不能被動應(yīng)付集裝箱運價波動的影響，在正確把握集裝箱運價走勢和波動的基礎(chǔ)上，應(yīng)該積極利用我國正在培育和發(fā)展的航運衍生品市場，主動進(jìn)行集裝箱運價的衍生品交易，對集裝箱運價波動風(fēng)險進(jìn)行有效管理和控制.

(3)EGARCH(1，1)模型能較好地捕捉“利好”“利空”消息對我國集裝箱運輸市場價格變化的反映程度，指出我國出口集裝箱運輸市場波動具有非對稱效應(yīng)，市場對“利好”消息比較敏感，表現(xiàn)為反杠桿效應(yīng)，這主要是由集裝箱運輸市場的寡頭壟斷結(jié)構(gòu)特點決定的.集裝箱班輪運輸企業(yè)需要準(zhǔn)確及時地掌握集裝箱運輸市場信息，分析市場變化趨勢，根據(jù)集裝箱運價的波動情況，把握時機(jī)、及時調(diào)整本企業(yè)的運力或者優(yōu)化航線網(wǎng)絡(luò)結(jié)構(gòu)，提高對集裝箱運輸市場的駕馭能力.

［1］VEENSTRA A W，F(xiàn)RANSES P H.A co－integration approach to forecasting freight rates in the dry bulk shipping sector［J］.Transportation Res，1997，31(6):447－458.

［2］宮進(jìn).國際干散貨運價風(fēng)險相關(guān)問題的實證研究［D］.上海:上海海事大學(xué)，2001.

［3］李序穎，岳丹，顧嵐.我國交通貨物運輸量的時間分析［J］.系統(tǒng)工程理論與實踐，2005，25(1):49－51.

［4］王軍，張麗娜.基于廣義自回歸條件異方差模型的世界原油運價風(fēng)險分析［J］.上海海事大學(xué)學(xué)報，2011，32(2):20－24.

［5］陸克從.波羅的海好望角型船運價指數(shù)波動分析［J］.上海海事大學(xué)學(xué)報，2008，29(4):29－33.

［6］張頁.中國出口集裝箱運價指數(shù)與實際運價相關(guān)分析［J］.中國航海，2010，33(2):96－100.

［7］劉翠蓮，劉健美，楊娟，等.基于ARCH模型的沿海煤炭運價指數(shù)波動性評價［J］.武漢理工大學(xué)學(xué)報:交通科學(xué)與工程版，2012，36(3):445－449.

［8］林國龍，陳言誠.基于CF濾波的國際干散貨航運市場周期性分析［J］.上海海事大學(xué)學(xué)報，2012，33(3):69－74.

［9］WEIGEND A S，GERSHENFELD N A.Time series prediction:forecasting the future and understanding the past［M］//Reading，MA:Addison－Welsley，1993.

［10］ENGLE R F.Autoregressive conditional heteroskedasticity with estimate of the variance of United Kingdom inflation［J］.Econometrica，1982，50:987－1007.

［11］BOLLERSLEV T.Generalized autoregression conditional heteroskedasticity［J］.J Econometrics，1986，31:307－327.

［12］BOLLERSLEV T.Conditionally heteroskedastic time series model for speculative prices and rates of return［J］.Rev Econ ＆ Stat，1987，69:542－547.

［13］NELSON D B.Conditional heteroskedasticity in asset returns:a new approach［J］.Econometrica，1991，59:347－370.

［14］DING Z，GRANGER C W J，ENGLE R F.A long memory property of stock market returns and a new model［J］.J Empirical Finance，1993(1):83－106.