论文部分内容阅读
引言：中海集运自2004年上市以来，已成为国际班轮运输市场的主导力量。本文通过对中海集运集装箱运输业务相关数据指标的整理和归纳，借助VAR模型及 Eviews求解对其运量进行预测，得出未来几年中海集运集装箱运输业务呈稳步提升趋势的结论。
中海集装箱运输股份有限公司（以下简称“中海集运”）成立于1997年，截至2013年12月31日，中海集运拥有148艘船舶，整体运载能力超过61万标箱，位居世界前10大班轮公司之列，近80条国际、国内集装箱航线遍布全球100多个国家。年轻的船队使中海集运具有交货快、效率高、成本低的竞争优势。
企业欲想在复杂多变的市场竞争环境中长期生存发展，必须有明确的自我定位和未来预期。本文以中海集运未来运量预测为核心，结合其企业特点，形成短期的中海集运发展评价。
一、集装箱运量预测与指标数据选取
集装箱运量首先受贸易市场影响，易得航线上贸易量和投资规模是左右该航线运量的重要因素。但由于中海集运航线众多，若想得到精确的数据和相应预测值工作量繁重，因而本次研究尝试选取了4个集装箱运量的同步指标，以期更为客观的对运量进行预测。四个指标包括三个企业内部指标，依次为运营成本，营业收入，船队规模，和一个航运市场指标——国内规模以上港口集装箱吞吐量。
以半年为度量进行数据的量取，得到原始数据表格如下。
二、 VAR模型预测集装箱运量
1、VAR模型介绍
向量自回归模型（VAR）通过把单变量自回归模型（AR）变成多元时间序列，成为适合预测多个相关时间序列的模型之一。
由经验得，宏观的经济数据通常都是非平稳时间序列，而非平稳的时间序列会导致严重的伪回归。所以建模之前需要对每个时间序列进行一次单根检验。单根检验的结果显示了集装箱运量，营业收入，船队规模、国内规模以上港口集装箱吞吐量的时间序列均是不平稳的，因此要进行一阶差分。结果发现，集装箱运量，营业收入，船队规模的时间序列具有一阶平稳性，国内规模以上港口集装箱吞吐量具有二阶平稳性。因此可以建立VAR模型。
2、确认VAR模型的滞后阶数
通过滞后结构中的滞后标准发现滞后二阶相对较优，即选择VAR（2）。
表2-1 VAR滞后阶数标准指标
Lag LogL LR FPE AIC SC HQ
0 -1578.887 NA 4.22e+62 158.3887 158.6376 158.4373
1 -1509.377 97.31427 5.41e+60 153.9377 155.4313 154.2292
2 -1456.665 47.44069* 6.10e+59* 151.1665* 153.9047* 151.7010*
3、进行Johansen Cointegration Test
判断要应用VAR（无约束模型）还是限制性的向量误差校正模型（VECM）。
能否进行Johansen Cointegration Test需要满足两个条件：
1）时间序列需要在level水平非平稳；
2）经过一阶差分之后变为平稳；
否则不能进行Johansen Cointergration Test，此时只能用VAR（无约束模型）。
由unit root test 可得，上述四个序列均满足第一个条件，但国内规模以上港口集装箱吞吐量一阶后并不平稳，只能使用VAR模型。单位根检验（unit root test）在此不作赘述。
4、对无约束的VAR模型（滞后阶数为2），进行适用性评估
如果条件满足LM检验（序列不相关），无异方差，残差正态分布三个条件，说明所建立的VAR模型可行。
1）LM检验：
表2-2 LM检验
Null Hypothesis： no serial correlation at lag order
Date： 06/11/14 Time： 21：24
Sample： 2003S1 2013S2
Included observations： 18
Lags LM-Stat Prob
1 13.58451 0.6296
2 17.98753 0.3246
3 20.17470 0.2125
4 12.08265 0.7383
5 14.52037 0.5600
6 16.22595 0.4373
7 18.66513 0.2864
8 15.15394 0.5134
9 18.94122 0.2717
10 10.96500 0.8116
11 31.21619 0.0126
12 17.80743 0.3353
Probs from chi-square with 16 df.
原假设是序列不相关。由Prob的值均大于0.05，即不能拒绝原假设，所以满足序列都是不相关的条件。
2）异方差检验
表2-3 异方差检验
VAR Residual Heteroskedasticity Tests： No Cross Terms （only levels and squares）
Date： 06/11/14 Time： 21：26
Sample： 2003S1 2013S2 Included observations： 18
Joint test：
Chi-sq df Prob.
166.0740 160 0.3548
Individual components：
Dependent R-squared F（16，1） Prob. Chi-sq（16） Prob.
res1*res1 0.982739 3.558376 0.3967 17.68930 0.3424
res2*res2 0.851911 0.359544 0.8852 15.33440 0.5003
res3*res3 0.842577 0.334519 0.8969 15.16638 0.5125
res4*res4 0.999534 134.0752 0.0678 17.99161 0.3244
res2*res1 0.963035 1.628268 0.5553 17.33462 0.3643
res3*res1 0.921911 0.737874 0.7386 16.59441 0.4123
res3*res2 0.948331 1.147119 0.6357 17.06995 0.3811
res4*res1 0.996154 16.18814 0.1931 17.93077 0.3280
res4*res2 0.953558 1.283263 0.6096 17.16404 0.3751
res4*res3 0.980294 3.109112 0.4215 17.64529 0.3451
同上，不能拒绝原假设，即满足无异方差。
3）正态分布检验
表2-4 正态分布检验
VAR Residual Normality Tests
Orthogonalization： Cholesky （Lutkepohl）
Null Hypothesis： residuals are multivariate normal
Date： 06/11/14 Time： 21：29
Sample： 2003S1 2013S2
Included observations： 18
Component Skewness Chi-sq df Prob.
1 -0.803066 1.934745 1 0.1642
2 -0.498374 0.745131 1 0.3880
3 1.087243 3.546294 1 0.0597
4 -0.074324 0.016572 1 0.8976
Joint 6.242742 4 0.1817
Component Kurtosis Chi-sq df Prob.
1 2.887985 0.009411 1 0.9227
2 1.955821 0.817733 1 0.3658
3 4.358613 1.384372 1 0.2394
4 2.166964 0.520462 1 0.4706
Joint 2.731977 4 0.6036
Component Jarque-Bera df Prob.
1 1.944156 2 0.3783
2 1.562864 2 0.4578
3 4.930666 2 0.0850
4 0.537034 2 0.7645
Joint 8.974720 8 0.3444
原假设残差符合正态分布，Prob数值大于0.05，不能拒绝原假设。
通过以上三个检验，我们可以判定VAR模型（滞后阶数为2）的模型是Best Fit Regression Model（最佳拟合回归模型）。因此，模型VAR（2）适合对2003年-2013年的集装箱运量做出预测。
5、VAR（2）模型的应用实算
（此处省去VAR模型的具体公式）
下图是运用VAR（2）的预测结果，其中2014上、下半年分别是4081630TEU、4363557TEU， 2015年上半年为4393405TEU。
图2-1 VAR（2）模型预测集装箱运量
三、总结
本文以中海集运2003～2013年每半年指标数据为基础，建立VAR模型对中海集运未来集装箱运量进行预测，并得出2014年全年和2015年上半年的集装箱运量预测结果。可以看出，中海集运在积极调整战略发展政策、优化船队结构、调整2014年上半年营运策略的基础上，短期集装箱运输量将稳步提升，企业长期发展前景看好。
参考文献
[1]李鹏. 中海集运太平洋航线集装箱运输市场对策研究[D].大连海事大学，2010.
[2]隋军. 中海集装箱运输股份有限公司发展战略研究[D].大连海事大学，2008.
[3]刘翌. 中海集运发展战略研究[D].天津大学，2009.
[4]隋军，王彬. 中海集运竞争环境分析及应对策略[J]. 世界海运，2008，03：1-3.
[5]中海集装箱运输运输有限公司2013年年度报告.
（作者单位：上海交通大学 ）
中海集装箱运输股份有限公司（以下简称“中海集运”）成立于1997年，截至2013年12月31日，中海集运拥有148艘船舶，整体运载能力超过61万标箱，位居世界前10大班轮公司之列，近80条国际、国内集装箱航线遍布全球100多个国家。年轻的船队使中海集运具有交货快、效率高、成本低的竞争优势。
企业欲想在复杂多变的市场竞争环境中长期生存发展，必须有明确的自我定位和未来预期。本文以中海集运未来运量预测为核心，结合其企业特点，形成短期的中海集运发展评价。
一、集装箱运量预测与指标数据选取
集装箱运量首先受贸易市场影响，易得航线上贸易量和投资规模是左右该航线运量的重要因素。但由于中海集运航线众多，若想得到精确的数据和相应预测值工作量繁重，因而本次研究尝试选取了4个集装箱运量的同步指标，以期更为客观的对运量进行预测。四个指标包括三个企业内部指标，依次为运营成本，营业收入，船队规模，和一个航运市场指标——国内规模以上港口集装箱吞吐量。
以半年为度量进行数据的量取，得到原始数据表格如下。
二、 VAR模型预测集装箱运量
1、VAR模型介绍
向量自回归模型（VAR）通过把单变量自回归模型（AR）变成多元时间序列，成为适合预测多个相关时间序列的模型之一。
由经验得，宏观的经济数据通常都是非平稳时间序列，而非平稳的时间序列会导致严重的伪回归。所以建模之前需要对每个时间序列进行一次单根检验。单根检验的结果显示了集装箱运量，营业收入，船队规模、国内规模以上港口集装箱吞吐量的时间序列均是不平稳的，因此要进行一阶差分。结果发现，集装箱运量，营业收入，船队规模的时间序列具有一阶平稳性，国内规模以上港口集装箱吞吐量具有二阶平稳性。因此可以建立VAR模型。
2、确认VAR模型的滞后阶数
通过滞后结构中的滞后标准发现滞后二阶相对较优，即选择VAR（2）。
表2-1 VAR滞后阶数标准指标
Lag LogL LR FPE AIC SC HQ
0 -1578.887 NA 4.22e+62 158.3887 158.6376 158.4373
1 -1509.377 97.31427 5.41e+60 153.9377 155.4313 154.2292
2 -1456.665 47.44069* 6.10e+59* 151.1665* 153.9047* 151.7010*
3、进行Johansen Cointegration Test
判断要应用VAR（无约束模型）还是限制性的向量误差校正模型（VECM）。
能否进行Johansen Cointegration Test需要满足两个条件：
1）时间序列需要在level水平非平稳；
2）经过一阶差分之后变为平稳；
否则不能进行Johansen Cointergration Test，此时只能用VAR（无约束模型）。
由unit root test 可得，上述四个序列均满足第一个条件，但国内规模以上港口集装箱吞吐量一阶后并不平稳，只能使用VAR模型。单位根检验（unit root test）在此不作赘述。
4、对无约束的VAR模型（滞后阶数为2），进行适用性评估
如果条件满足LM检验（序列不相关），无异方差，残差正态分布三个条件，说明所建立的VAR模型可行。
1）LM检验：
表2-2 LM检验
Null Hypothesis： no serial correlation at lag order
Date： 06/11/14 Time： 21：24
Sample： 2003S1 2013S2
Included observations： 18
Lags LM-Stat Prob
1 13.58451 0.6296
2 17.98753 0.3246
3 20.17470 0.2125
4 12.08265 0.7383
5 14.52037 0.5600
6 16.22595 0.4373
7 18.66513 0.2864
8 15.15394 0.5134
9 18.94122 0.2717
10 10.96500 0.8116
11 31.21619 0.0126
12 17.80743 0.3353
Probs from chi-square with 16 df.
原假设是序列不相关。由Prob的值均大于0.05，即不能拒绝原假设，所以满足序列都是不相关的条件。
2）异方差检验
表2-3 异方差检验
VAR Residual Heteroskedasticity Tests： No Cross Terms （only levels and squares）
Date： 06/11/14 Time： 21：26
Sample： 2003S1 2013S2 Included observations： 18
Joint test：
Chi-sq df Prob.
166.0740 160 0.3548
Individual components：
Dependent R-squared F（16，1） Prob. Chi-sq（16） Prob.
res1*res1 0.982739 3.558376 0.3967 17.68930 0.3424
res2*res2 0.851911 0.359544 0.8852 15.33440 0.5003
res3*res3 0.842577 0.334519 0.8969 15.16638 0.5125
res4*res4 0.999534 134.0752 0.0678 17.99161 0.3244
res2*res1 0.963035 1.628268 0.5553 17.33462 0.3643
res3*res1 0.921911 0.737874 0.7386 16.59441 0.4123
res3*res2 0.948331 1.147119 0.6357 17.06995 0.3811
res4*res1 0.996154 16.18814 0.1931 17.93077 0.3280
res4*res2 0.953558 1.283263 0.6096 17.16404 0.3751
res4*res3 0.980294 3.109112 0.4215 17.64529 0.3451
同上，不能拒绝原假设，即满足无异方差。
3）正态分布检验
表2-4 正态分布检验
VAR Residual Normality Tests
Orthogonalization： Cholesky （Lutkepohl）
Null Hypothesis： residuals are multivariate normal
Date： 06/11/14 Time： 21：29
Sample： 2003S1 2013S2
Included observations： 18
Component Skewness Chi-sq df Prob.
1 -0.803066 1.934745 1 0.1642
2 -0.498374 0.745131 1 0.3880
3 1.087243 3.546294 1 0.0597
4 -0.074324 0.016572 1 0.8976
Joint 6.242742 4 0.1817
Component Kurtosis Chi-sq df Prob.
1 2.887985 0.009411 1 0.9227
2 1.955821 0.817733 1 0.3658
3 4.358613 1.384372 1 0.2394
4 2.166964 0.520462 1 0.4706
Joint 2.731977 4 0.6036
Component Jarque-Bera df Prob.
1 1.944156 2 0.3783
2 1.562864 2 0.4578
3 4.930666 2 0.0850
4 0.537034 2 0.7645
Joint 8.974720 8 0.3444
原假设残差符合正态分布，Prob数值大于0.05，不能拒绝原假设。
通过以上三个检验，我们可以判定VAR模型（滞后阶数为2）的模型是Best Fit Regression Model（最佳拟合回归模型）。因此，模型VAR（2）适合对2003年-2013年的集装箱运量做出预测。
5、VAR（2）模型的应用实算
（此处省去VAR模型的具体公式）
下图是运用VAR（2）的预测结果，其中2014上、下半年分别是4081630TEU、4363557TEU， 2015年上半年为4393405TEU。
图2-1 VAR（2）模型预测集装箱运量
三、总结
本文以中海集运2003～2013年每半年指标数据为基础，建立VAR模型对中海集运未来集装箱运量进行预测，并得出2014年全年和2015年上半年的集装箱运量预测结果。可以看出，中海集运在积极调整战略发展政策、优化船队结构、调整2014年上半年营运策略的基础上，短期集装箱运输量将稳步提升，企业长期发展前景看好。
参考文献
[1]李鹏. 中海集运太平洋航线集装箱运输市场对策研究[D].大连海事大学，2010.
[2]隋军. 中海集装箱运输股份有限公司发展战略研究[D].大连海事大学，2008.
[3]刘翌. 中海集运发展战略研究[D].天津大学，2009.
[4]隋军，王彬. 中海集运竞争环境分析及应对策略[J]. 世界海运，2008，03：1-3.
[5]中海集装箱运输运输有限公司2013年年度报告.
（作者单位：上海交通大学 ）