海运运价指数研究综述

王逸帆

（南京审计大学，江苏 南京 211899）

一、引言

强国的基础是经济，经济的增长离不开国际贸易，而国际贸易最重要的载体就是海运。海洋运输是国际物流与贸易中最主要的运输形式。联合国贸易和发展理事会的统计结果显示经海上运输的贸易量占全球贸易总量的八成以上，同时海运也承担了全球超过70%的贸易总额。根据《2019 全球海运报告》，2018 年全球海运贸易量已超过110 亿吨（见图1），达历史新高。随着经济全球化和区域经济一体化的不断发展，海洋运输在贸易中扮演着更加重要的角色。

图1 2005—2018 年世界海运贸易总量与世界GDP走势图

海运运价指数是海洋运输价格变动趋势和程度的相对数指标。海运运价指数能够定期、连续地反映海运市场价格水平的动态变化。海运运价指数是航运市场的“晴雨表”，市场行情的好坏可以从运价指数上直观反映，同时也在一定意义上体现了全球经济的兴衰。

海运业按货物种类主要可以分为干散货运输、原油运输和集装箱运输。干散货一般指体积比集装箱大，形状不规则的杂货或者是货物数量相对比较小，达不到集装箱货量的货物；油轮主要承担原油和成品油的运输，将油品加压装进油罐内进行运输；集装箱运输就是将货物装入统一尺寸的箱子内，并加固在甲板上。

波罗的海干散货运价指数（BDI）是由波罗的海航交所编制发布，是反映全球经济活跃度和国际贸易情况的重要指标。波罗的海原油运价指数（BDTI）也是波罗的海交易所发布的运价指数之一，是非常重要的油轮市场指标。上海航运交易所于1998 年发布的中国出口集装箱运价指数CCFI，由于其客观反映了中国集装箱市场状况，逐步成为继BDI 后世界第二大海运运价指数。

国内外对于海运指数的研究已有多年，但对其最新进展的系统整理和回顾尚比较匮乏。在理论层面上，通过对已有研究的总结和整理，有助于发现海运运价指数研究的空白和短板，从而为进一步研究提供方向。从实践层面上，航运公司、船舶中间商或国际贸易公司可以通过综述对海运指数的研究状况有所了解，可以更好理解海运运价指数的变动规律，为制定采购和经营策略、有效降低公司成本提供依据。

二、海运运价指数影响因素

从经济学的角度来看，供需关系是影响价格的直接因素：在货运的需求上扬的情况下，运价上涨，运价指数上升，反之亦然。在海运市场中，运输成本和船舶市场的运力决定了市场供给，经济环境决定了市场的需求。

（一）运输成本因素

运输成本是构成运价的主体，而在海运成本中，油价是重要部分。陈丽芬等（2016）通过对BDI 和燃油价格的因果分析发现：燃油价格的上浮会引起BDI 的增长，且短期内两者存在双向的强因果关系。但从长期来看，两者不存在稳定的均衡关系。Ruan（2016）发现BDI 与原油价格之间不但短期内相关性很强，长期来看也有较弱的相关性，同时存在多重分形性。

俞永丽等（2012）的检验结果显示原油价格与油轮运价之间存在较强的相关性，油价是BDTI 的三阶Granger 原因，而油轮运价的变化不会对油价产生影响。Feier 等（2017）发现原油价格与BDTI 的短期关联度要强于长期关联度，短期内可以根据原油价格的变动情况来调整公司的经营策略。

在集装箱班轮运价中，学者们发现油价与运价之间没有明显的Granger 关系，油价对CCFI 的影响十分有限。深入分析其中的原因，可能是集装箱运输是由船运联盟主导的寡头垄断市场，具有特殊的市场竞争机制，而运价由船运联盟独立控制，所以CCFI 受市场因素的影响可能更大。

波罗的海交易所发布的远期运费协议（FFA）是一种运费风险管理工具，可以近似理解成运费的期货。FFA 提高了航运市场内的信息流通效率，一定程度上规避了运费风险，降低了不必要的运输成本。短期内FFA对航运市场的运价指数都会造成影响，FFA 价格的波动会引起交易活动量的同向变化，当波动增大到一定程度后，为了规避风险，交易量会减少，从而带动指数下跌。我国作为航运大国，FFA 在我国航线的市场效率研究还相对较少。

（二）船舶市场因素

船舶市场一直是航运界的风向标，二手船市场、新船交易市场等则是船舶市场的主体，与运价指数有密切联系。

中日韩三国是世界造船大国，这三国的造船量占全球造船份额的9 成以上，而造船业更是韩国的经济支柱产业。韩国学者Jeon（2017）选取世界排名前十的航运公司来研究船舶订单量与BDI、CCFI 之间的关系。结果发现，欧洲航运公司船舶订单量对BDI 的影响更大，而中日韩三国航运公司订单量对CCFI 的影响比较明显。一些船东为了寻求利润会选择购买现成的二手船，而不是制造周期长的新船。李正宏（2004）验证了BDI与新造船量之间的关联性不是很大。

船舶的闲置量少就说明市场需求大，运价就存在上涨趋势。这个研究结果也普遍适用于三个运价指数，具体表现为运价指数与船舶闲置量之间存在很强的负相关关系。

通过运价指数与新旧船影响关系的文献可以发现，几乎没有针对这三者结合在一起进行因果关系的定量研究。直到马少辉等（2017）就干散货船订单量、BDI 和二手船交易量之间的关系进行检验分析，发现这三者之间存在长期的均衡关系。

Beenstock 早在1989 年就借鉴了干散货市场的模型，并把它运用到油轮市场中，发现油运运价与新造船量、二手船价格、闲置船舶量之间是存在着动态联系的。当油轮新订单量增加或二手船交易市场利好时，短期可能会带来运价指数上涨，但作用比较微弱。Jane 等（2012）证实了油轮市场中船队规模是影响运价的一个关键因素，不同的船型产生的效果也各有不同，由于较大船舶的交易灵活性，受到市场变化的影响更大。

当航运市场低迷时，船东会将船龄较长的船舶拆解，以平衡市场的供需关系，随着需求的不断增加，指数上扬，短期内拉动整个航运市场。

（三）经济环境因素

航运与金融是国民经济中的重要的产业，两个行业以市场为依托，不断推动着现代经济的发展。林国龙（2013）验证了BDI 与上证指数（SCI）之间存在双向的正相关关系，并且BDI 是影响SCI 的先行指标。王越等（2018）研究了BDTI 与中美石油股指间的相关关系，发现在一定的滞后阶数条件下对中国石油股指的影响更大，随着滞后阶数的增大，波动均有从正向持续性过渡到反持续性的趋势。这也从侧面说明中国的股市相比美国而言还不够成熟，易受其他市场因素的干扰。

反观集装箱市场，SCI 和CCFI 之间的相互影响不大，且影响相关性方向相反。虽然CCFI 与中国股市之间的关联程度很小，但CCFI 依然受到其他宏观经济因素的影响。王英照等（2010）研究结果表明CCFI 与宏观经济景气指数互为Granger 原因，形成正向刺激。当宏观经济不景气时，政府可以通过加强集装箱运输行业发展规模这一方向采取解决方案。在2008 年国际金融危机后，CCFI 对经济环境的反应反超BDI，且对市场中的积极信息表现更加敏感。人民币汇率的变动冲击短期内会对运价指数产生少量同向累积响应，中长期来看有负向的累积。2010 年以来美元的持续贬值导致班轮公司的原料成本和人工成本上升，企业收入也随之减少。我国在国际金融危机期间也通过人民币贬值的手段对航运界进行干预，从而刺激对欧洲与美洲地区的出口销售。

鉴于我国是集装箱生产、加工、制造大国，叶善椿（2020）结合制造业采购经理人指数（PMI）与CCFI进行研究，发现CCFI 与PMI 之间存在长期协整关系，制造业指数对海运指数的波动具有显著影响。

三、海运运价指数的波动规律及周期性

运价指数的波动规律和周期性对于航运和造船、定船等行业的长期战略性决策制订是十分重要的。本文从干散货、油运和集装箱三个市场入手，对三个指数的波动性和周期性相关研究进行综述。

（一）干散货市场

从BDI 时间序列可以发现年初与年末这段时间指数明显处于高位，其余时间指数下降，这一点也预示着BDI 存在一定的季节周期性。王磊等（2011）通过谱分析方法对过去十年的BDI 月度数据进行周期性研究，发现具有三年、一年、半年的周期成分，且半年的周期显著性最高，且从长期来看，航运市场周期有变短的趋势。余方平（2017）发现BDI 还存在一个更长的、约为16 年的长周期,长期来看，BDI 仍不景气，未来有持续下降的趋势，干散货运输市场还处于一个回复过渡期。

分析BDI 产生这种明显周期性的原因，主要是因为10 月到次年3 月左右干散货市场旺季，煤炭和粮食等大宗货物在这段时间内的需求处于高峰，并通过干散货船运输，所以导致冬季的干散货运价指数较高，期间的周期约为半年，而每一年又会有同样的规律，这也就解释了一年的周期。同时航运业的利润高涨和经营亏损交替出现，由此形成了长周期。

（二）油运市场

在油运市场中，BDTI 也存在明显的季节性周期。由于冬季备货储油，年底两个月的油轮运价普遍增长，而1-4 月运价则显著下降，且季节变动在扩张期较高，在收缩期较低。在航运高峰期，各类油运船舶的需求也会激增，但不同的船型运价波动也会有差异，不同船型的波动溢出效应，运费的波动幅度也随着油轮船型的增大而同向增大。

尹栋（2013）利用谱分析法对BDTI 周期进行了计算，发现有两个明显的周期，并处于同等主要的程度，一个约为一年半，另一个约为两年半。通过周期划分，可以判断从2014 年开始，指数会有一个短期的小幅上涨，从实际情况来看也印证了作者的猜测。

对于长期趋势，张倩等（2019）基于EMD 将BDTI进行分解和重构，形成三个新的时间序列，并发现BDTI 长期呈下降趋势。目前航运市场衰退，再加上船舶设计运营中的技术创新降低了船舶公司的运营成本，直接导致了运费降低，油运运价总体始终在低位徘徊，一些航运公司的利润逐渐减少，甚至出现了连年亏损的情况。

近些年来，国际情势复杂，国家之间的摩擦时有发生，而油运指数对这样的市场信息反应最为敏感，从最近BDTI 波动情况就可以反应这种现象。

（三）集装箱市场

集装箱服务需求作为一种衍生需求，受世界的经济活动影响较大，短期波动比较频繁。陈丽江（2005）发现CCFI 具有和世界经济波动周期相一致的4 年周期，这也从侧面印证了CCFI 受世界经济影响因素较大。

汤霞等（2017）基于经验模态分解方法也得出CCFI 存在一个约4 年的周期，同时提出还有一个大约一年的小周期，并伴随着明显的季节性成分。具体表现为每年的高峰出现在秋季的10 月前后，西方国家由于感恩节、圣诞节等重大节日的临近，需求激增，大量商品要从中国进口，集装箱运价也水涨船高。集装箱运输的低谷则是春季的3 月前后，国外在经过年底消费潮之后，软性需求急速下降，同时受国内春节影响，绝大部门企业停业休假，导致生产放缓，供需双方同时下降，集装箱运价也来到了一年之中的低谷。随着国内企业的恢复生产以及外部需求趋于稳定，运价又有所提升，恢复正常水平。

受到政府政策和市场环境影响，集装箱市场长期处于运力过剩的状态，CCFI 长期趋势过程中呈现下降的状态，全球经济周期加剧了CCFI 的波动。

综合现有研究，可以发现三大指数都存在一定的季节性周期特征，但表现出来的波动周期各不相同，其中基本都存在一个一年左右的季节性循环且和航运业以及宏观经济环境的兴衰周期存在一定的联系。运价指数的长期趋势都会存在不同程度的下跌，全球航运行情也仍处在低谷但在慢慢爬升的阶段。

四、海运运价指数的预测

（一）线性时间序列方法

传统线性时间序列模型只利用运价指数自身的历史信息来预测将来的变动趋势。范永辉（2014）基于EGARCH 模型对BDI 四种船型的运价指数进行短期预测，发现相对误差均控制在5%内。Tsioumas 等（2017）提出了包含中国钢铁产量、干散货船队、干散货经济气候指数的多元VAR 模型预测BDI，精度比ARIMA模型提高了近5%。周洁（2017）选取205 个月度BDI数据对向量自回归模型（VAR）、向量误差修正模型（VEM）、误差修正模型（ECM）这三个模型进行预测对比，发现VEM 对干散货航运市场的预测精度最佳。

冯文文等（2018）把过去7 年油运市场BDTI 周度数据作为样本，对最后三个月数据进行预测仿真，提出了基于柯尔莫哥洛夫前向方程的改进均值回归预测模型，相比传统均值不变的预测模型相对误差降低了3 个百分点。Jafari（2018）对5 年的BDTI 日度数据和周度数据分别进行ARIMA 建模预测，结果样本内的预测均方根误差较低，但样本外误差明显变大；而周度数据在样本内误差就很大，模型参考价值较小。

集装箱市场中，王思远等（2016）在GARCH 模型基础上，选取了过去15 年的周度数据预测未来3 个月的指数，对CCFI 建立AR-GARCH-M 模型进行深入分析，发现基于最大似然估计法的模型在样本内的拟合优度较好，而基于马尔可夫链蒙特卡罗算法估计模型的样本外预测能力更强。Munim 等（2016）把ARIMA 和ARCH 模型进行了组合来研究CCFI 的动态变化，但均方根误差都比较大，两种线性模型的组合预测效果也并不理想。

（二）非线性回归方法

线性模型不能很好解释非线性时间序列问题中的非平稳特性，越来越多的学者开始探索新方法，同时也取得了许多成果。

神经网络算法作为非线性预测方法的一个典型代表，由于其拥有很好的非线性逼近能力，受到学者的青睐。曾庆成（2004）利用神经网络对BDI 分别进行短期和中长期预测，发现对于未来一周的日度预测能高效判断涨跌状态，对月度数据的预测误差率也可以保持在1%左右。董良才等（2010）针对BDI 指数的预测，发现运用模糊神经网络模型在仿真过程中的效果更佳，且模糊神经网络模型在泛化能力上也更出色。Gordon（2013）通过小波神经网络对BDTI 进行多个时间区间的预测，发现对20 个交易日的预测较差，60 和120 个交易日的预测在前期较好，后期误差明显增大。连晔（2010）选取BDTI 采用BP 神经网络模型来刻画指数中的非线性因素，除了2008 年金融风暴期间预测误差稍大，总体来看中长期的预测效果要远优于ARIMA 模型。刘娜（2006）和李宗龙（2013）分别采用RBF 神经网络模型与广义回归神经网络（GRNN）模型，利用局部逼近的特点对CCFI 进行短期预测，但是与传统神经网络模型预测效果相比，没有太大改进。

神经网络容易出现训练过度或训练不足的情况，并且它的性能依赖于它的网络参数。针对神经网络方法存在的不足，韩倩倩等（2014）使用遗传算法对超参数进行优化，然后建立了小波变换与支持向量机（SVM）相结合的BDI 预测模型，短期预测结果表明该混合模型的均方根误差小于VAR 模型和神经网络。Duru（2010）采用双变量模糊时间序列方法对BDI 过去八年的月度数据进行实证研究，该方法相比传统预测方法误差率更接近白噪声的零方差标准，其平均误差能控制在1%之内，效率明显高于线性模型。

Eslami 等（2016）利用一种自适应遗传算法的混合预测模型，把船队生产力、原油价格、燃料价格三个常见因素作为变量加入BDTI 预测模型中，预测性能相比于单一模型得到了显著提高。Hee（2018）对过去240个月的BDTI 数据建立ARIMA-SVM 模型，混合模型效率提升，同时对于单一模型的预测能力也进行了比较，发现ARIMA 模型对BDTI 的短期预测能力优于机器学习模型人工神经网络和支持向量机。

葛颖恩（2019）提出了一种将动态波动网络技术与人工智能算法（DFN-AI）的混合预测方法，对日度、周度、月度的BDI 数据分别进行了预测，发现这种方法的高效预测精度不受样本选取长度和时间粒度的影响。汤霞（2020）基于变分模态分解（VMD）提取出不同频的CCFI 数据，结合人工神经网络和SVM 多尺度组合预测模型对指数进行集成预测，预测精度明显优于ANN、SVM 等单一模型和EMD 组合模型。

综上可以发现，在运价指数中，往往非线性因素影响要大于线性因素。针对指数的短期预测，线性模型精度较为满意，但预测周期变长时，传统线性模型无法胜任，非线性预测模型的效果要远优于线性模型，目前最新的研究成果趋于兼顾短期与长期的预测精度。组合预测模型的效果在大部分情况下都优于单一模型，模型之间的优势互补可以削弱单一模型的内生不足。另外从指数类型方面来看，CCFI 的预测研究数量和模型复杂度相比BDI、BDTI 都存在较大的差距，未来对CCFI 的预测研究仍存在很大的空间。

五、总结与展望

本文从海运干散货运输、油轮运输和集装箱运输入手，结合BDI、BDTI、CCFI 三个国际权威海运运价指数，针对运价指数的影响因素、指数波动周期性和指数的预测方法三个研究领域的研究成果进行了归纳性综述。

航运市场的供需关系是影响运价的最直接因素，运输成本和船舶市场的运力决定了市场供给，经济环境决定了市场的需求。三大航运指数都存在波动性和周期性但表现各不相同，但都和航运业以及宏观经济环境的兴衰周期存在一定的联系。时间序列线性回归模型和非线性回归模型是研究运价指数预测的主要方法，前者更加适合数据较少，预测周期较短的研究，非线性回归则更适合数据多的长期预测。另外模型的组合创新也是研究方法的趋势。

随着环保的相关政策深入航运业，类似于低硫附加税（LSS）这些航运附加费也成为影响海运运价的一个因素，对于油价敏感的干散货市场和油轮市场可以以此为研究切入点。而集装箱运输由于其完全垄断的市场环境，油价的影响有限，控制价格的三大集装箱航运联盟是一个可行的研究方向；由于运价是由多条航线上的运价根据权重组成，同一指数的不同航线的波动性和周期性可能也有所差异，甚至完全不同，本文也没有深入探究；对于运价指数的预测方法，对预测模型中的解释变量没有进行深入归纳，今后的研究可以对这些内容进一步完善。由于CCFI 相对BDI 和BDTI 发布时间较短，理论和实证研究数量较少，而随着中国综合国力的不断增强，“中国因素”起到的作用将越来越明显，亟需把更多目光聚焦国内运价指数，促进我国以及国际航运的健康、稳定发展。