基于神经网络的船舶市场风险预警研究①

2012-09-10上海海事大学余思勤项一叶刘振

中国商论 2012年34期

上海海事大学余思勤项一叶刘振

中国造船业自2003年经历了5年的兴旺后，目前面临着交船难、订单难等一系列风险，船舶市场开始衰退，风险逐渐积聚。2010年，船舶市场短暂回暖，但在接下来的2011年重新出现新船订单减少、手持订单量快速下滑的严峻形势，船舶市场再一次迎来严重的风险危机。为了更好的应对风险，对船舶市场进行风险预警研究具有很强的实现紧迫性。从以往的风险预警研究来看，学者们运用人工神经网络对房地产市场、供应链、财务状况等进行风险预警的研究比较多，但是对造船市场进行风险预警研究的文献较少。陶永宏、陈定秋和戈铮(2009)对造船行业风险进行过定性分析，尚未开展深入的定量化分析[1]。陶永宏和祁爱琳(2010)将功效系数法与BP神经网络相结合来衡量我国造船业的风险，采用功效系数法获得历史数据警情，用历史数据训练模型并检验模型的预警能力，并对2011年前的造船业市场进行了风险预警[2]。闫彩良和万欣(2011)建立了西安房地产预警系统[3]。王楠(2010)利用BP神经网络对房地产市场进行预警研究[4]。还有其他的学者利用神经网络分别对农产品和商业银行进行风险预警的研究[5][6]。本文从船舶市场风险的本质出发，首先从市场均衡的角度分析船舶市场风险的起源，并利用BP神经网络对船舶市场进行风险预警研究，这将对我国船舶市场风险防范具有一定的指导意义。

1 船舶市场风险预警模型构建和应用

1.1 预警指标选取和警度确定

从市场均衡理论出发，本文选择造船完工量、新增订单量及船舶价格指数三个指标作为风险预警的响因素，即市场均衡中的供给、需求和价格三要素。

根据我国船舶市场的现状，本文采用五级警度进行预警研究，即“巨警、重警、中警、轻警、无警”。巨警代表船舶市场处于低谷阶段，风险巨大，新增订单量、完工量少；重警是指船舶市场风险很大，完工量、新增订单量和手持订单量大幅度减少；中警则表明船舶市场风险较大，企业对市场的反应存在滞后性；轻警是指船舶市场风险很小，造船业能基本保持供需平衡；无警则是船舶市场无风险，船舶需求增加，出现供不应求的状况。本文把各年度的警情值用0至25间的任意整数表示，并采用5分法对各警度预警区间加以定义，预警区间如表1所示。

表1 预警区间

1.2 样本数据的预处理

风险预警模型所用到的每一个样本都由输入和输出两部分组成，输入数据包括1975～2010年的三个指标的数据，每年的输入对应着输出，即1976～2011年警情值。将1975～2003年指标作为训练样本，将2004～2010年指标作为测试样本。本文采用专家评分法，对1975～2011年我国造船市场警情评级和打分，如表2所示。

表2 造船市场警情及评分

为了确保BP神经网络训练的一致性和稳定性，需要将模型的输入值进行归一化处理，即将各指标的输入值归化为[0, 1]或者[-1,1]区间的值，本文采用区间[-1, 1]。从样本数据表2可以看出，三个输入指标值均不满足要求，应用Matlab7.8中的mapminmax函数将这三个指标分别进行归一化处理，得到可用于网络训练及测试的样本数据。

1.3 风险预警模型构建

本风险预警模型基于供给、需求和价格三要素，采用三层BP神经网络作为预警模型。其中输入层为每年的警情指标数据，输入节点数为3个；输出层是未来一年的警情警度，本文采用专家评分值确定，输出节点数为1个。网络模型的隐含层节点数的确定，一般先通过公式计算，确定大致范围，再在这个结果范围内找出适合模型的最佳节点数。本文采用公式来计算隐含层节点个数，其中，表示输入层节点数，表示输出层节点数，a为1到10之间的常数。逐次改变节点数进行网络训练，通过比较训练的误差收敛度以及实际输出值与期望输出值的误差大小，发现隐含层节点个数为10个时，网络的性能最好。将1975年至2003年各年的指标数据作为输入，将1976年至2004年的造船市场警度作为输出，借助Matlab 7.8的神经网络工具箱对模型进行训练。

1.4 风险预警模型检验

为了检验经过网络测试后模型的输出值是否准确，需要对模型进行检验。将测试样本各指标数据作为网络的输入值，通过训练好的网络进行模拟和计算，得到输出值，并将这个输出值与预先设定好的相比较。如果差异不大，说明所建立的网络模型能较好的对造船市场进行风险预警，反之，则不能对造船市场进行预警。

将2004～2010年的数据输入，得出的结果如表3所示。由表3可知，网络模型的输出值与预先设定的输出值所反应的信息是一致的，能够较准确的给出输入数据后一年的警情。因此，可以用训练好的BP神经网络模型对未来造船市场进行预警。

表3 BP神经网络模型检验

将2011年造船市场的三大指标数据作归一化处理后，输入到训练好的网络模型中，通过网络的模拟和计算，模型输出结果得到2012年的船舶市场风险输出值为10.9387，警情为中警。

2 结语

本文基于市场均衡理论选择了造船完工量、新增订单量及船舶价格指数作为船舶市场风险的影响因素，根据当年的实际情况利用专家评分法确定每年的警度，进而建立了基于BP神经网络的船舶市场风险预警模型。利用所建立的神经网络预警模型，在进行拟合训练的基础上，检验结果证明预警模型能够较准确的预测未来一年的警情，进而对2012年我国船舶市场警情进行了预测，发现2012年我国船舶市场的情况并不理想，属于中警。从现实情况可以看到，中国船舶市场经过2010年的短暂回暖后，2011年的船舶市场衰退明显，2012年迎来船舶市场的严峻现实，这和我们的预警情况是一致的。未来针对船舶市场风险的应对策略，不仅要认识到船舶市场风险的长周期性，做好长期应对船舶市场萧条的思想准备，还需要国家和地方政府在政策上给予大力支持，例如，鼓励资助国内航运企业淘汰旧船，向国内船厂订购新船等积极的扶持政策。