基于神經網絡的船舶市場風險預警研究①

上海海事大學 余思勤 項一葉 劉振

中國造船業自2003年經歷了5年的興旺后，目前面臨著交船難、訂單難等一系列風險，船舶市場開始衰退，風險逐漸積聚。2010年，船舶市場短暫回暖，但在接下來的2011年重新出現新船訂單減少、手持訂單量快速下滑的嚴峻形勢，船舶市場再一次迎來嚴重的風險危機。為了更好的應對風險，對船舶市場進行風險預警研究具有很強的實現緊迫性。從以往的風險預警研究來看，學者們運用人工神經網絡對房地產市場、供應鏈、財務狀況等進行風險預警的研究比較多，但是對造船市場進行風險預警研究的文獻較少。陶永宏、陳定秋和戈錚(2009)對造船行業風險進行過定性分析，尚未開展深入的定量化分析[1]。陶永宏和祁愛琳(2010)將功效系數法與BP神經網絡相結合來衡量我國造船業的風險，采用功效系數法獲得歷史數據警情，用歷史數據訓練模型并檢驗模型的預警能力，并對2011年前的造船業市場進行了風險預警[2]。閆彩良和萬欣(2011)建立了西安房地產預警系統[3]。王楠(2010)利用BP神經網絡對房地產市場進行預警研究[4]。還有其他的學者利用神經網絡分別對農產品和商業銀行進行風險預警的研究[5][6]。本文從船舶市場風險的本質出發，首先從市場均衡的角度分析船舶市場風險的起源，并利用BP神經網絡對船舶市場進行風險預警研究，這將對我國船舶市場風險防范具有一定的指導意義。

1 船舶市場風險預警模型構建和應用

1.1 預警指標選取和警度確定

從市場均衡理論出發，本文選擇造船完工量、新增訂單量及船舶價格指數三個指標作為風險預警的響因素，即市場均衡中的供給、需求和價格三要素。

根據我國船舶市場的現狀，本文采用五級警度進行預警研究，即“巨警、重警、中警、輕警、無警”。巨警代表船舶市場處于低谷階段，風險巨大，新增訂單量、完工量少；重警是指船舶市場風險很大，完工量、新增訂單量和手持訂單量大幅度減少；中警則表明船舶市場風險較大，企業對市場的反應存在滯后性；輕警是指船舶市場風險很小，造船業能基本保持供需平衡；無警則是船舶市場無風險，船舶需求增加，出現供不應求的狀況。本文把各年度的警情值用0至25間的任意整數表示，并采用5分法對各警度預警區間加以定義，預警區間如表1所示。

表1 預警區間

1.2 樣本數據的預處理

風險預警模型所用到的每一個樣本都由輸入和輸出兩部分組成，輸入數據包括1975～2010年的三個指標的數據，每年的輸入對應著輸出，即1976～2011年警情值。將1975～2003年指標作為訓練樣本，將2004～2010年指標作為測試樣本。本文采用專家評分法，對1975～2011年我國造船市場警情評級和打分，如表2所示。

表2 造船市場警情及評分

為了確保BP神經網絡訓練的一致性和穩定性，需要將模型的輸入值進行歸一化處理，即將各指標的輸入值歸化為[0, 1]或者[-1,1]區間的值，本文采用區間[-1, 1]。從樣本數據表2可以看出，三個輸入指標值均不滿足要求，應用Matlab7.8中的mapminmax函數將這三個指標分別進行歸一化處理，得到可用于網絡訓練及測試的樣本數據。

1.3 風險預警模型構建

本風險預警模型基于供給、需求和價格三要素，采用三層BP神經網絡作為預警模型。其中輸入層為每年的警情指標數據，輸入節點數為3個；輸出層是未來一年的警情警度，本文采用專家評分值確定，輸出節點數為1個。網絡模型的隱含層節點數的確定，一般先通過公式計算，確定大致范圍，再在這個結果范圍內找出適合模型的最佳節點數。本文采用公式來計算隱含層節點個數，其中，表示輸入層節點數，表示輸出層節點數，a為1到10之間的常數。逐次改變節點數進行網絡訓練，通過比較訓練的誤差收斂度以及實際輸出值與期望輸出值的誤差大小，發現隱含層節點個數為10個時，網絡的性能最好。將1975年至2003年各年的指標數據作為輸入，將1976年至2004年的造船市場警度作為輸出，借助Matlab 7.8的神經網絡工具箱對模型進行訓練。

1.4 風險預警模型檢驗

為了檢驗經過網絡測試后模型的輸出值是否準確，需要對模型進行檢驗。將測試樣本各指標數據作為網絡的輸入值，通過訓練好的網絡進行模擬和計算，得到輸出值，并將這個輸出值與預先設定好的相比較。如果差異不大，說明所建立的網絡模型能較好的對造船市場進行風險預警，反之，則不能對造船市場進行預警。

將2004～2010年的數據輸入，得出的結果如表3所示。由表3可知，網絡模型的輸出值與預先設定的輸出值所反應的信息是一致的，能夠較準確的給出輸入數據后一年的警情。因此，可以用訓練好的BP神經網絡模型對未來造船市場進行預警。

表3 BP神經網絡模型檢驗

將2011年造船市場的三大指標數據作歸一化處理后，輸入到訓練好的網絡模型中，通過網絡的模擬和計算，模型輸出結果得到2012年的船舶市場風險輸出值為10.9387，警情為中警。

2 結語

本文基于市場均衡理論選擇了造船完工量、新增訂單量及船舶價格指數作為船舶市場風險的影響因素，根據當年的實際情況利用專家評分法確定每年的警度，進而建立了基于BP神經網絡的船舶市場風險預警模型。利用所建立的神經網絡預警模型，在進行擬合訓練的基礎上，檢驗結果證明預警模型能夠較準確的預測未來一年的警情，進而對2012年我國船舶市場警情進行了預測，發現2012年我國船舶市場的情況并不理想，屬于中警。從現實情況可以看到，中國船舶市場經過2010年的短暫回暖后，2011年的船舶市場衰退明顯，2012年迎來船舶市場的嚴峻現實，這和我們的預警情況是一致的。未來針對船舶市場風險的應對策略，不僅要認識到船舶市場風險的長周期性，做好長期應對船舶市場蕭條的思想準備，還需要國家和地方政府在政策上給予大力支持，例如，鼓勵資助國內航運企業淘汰舊船，向國內船廠訂購新船等積極的扶持政策。

[1]陶永宏,陳定秋,戈錚.基于動態利潤模型的人民幣升值對中國造船業影響的分析[J].中國造船,2009(1).

[2]陶永宏,祁愛琳.基于功效系數法與BP神經網絡的造船業風險預警研究[J].中國造船,2010(3).

[3]閆彩良,萬欣.西安市房地產預警系統研究[J].齊齊哈爾大學學報,2011(6).

[4]王楠.基于BP神經網絡的房地產市場預警研究[D].武漢理工大學碩士畢業論文,2010(10).

[5]王川,王克.基于BP神經網絡的我國農產品市場風險預警研究[J].農業經濟問題,2008(增刊).

[6]陳朝暉,張艷芳.基于BP神經網絡的商業銀行風險預警模型研究[J].福建商業高等專科學校學報,2011(2).