【摘 要】 为改变我国目前在铁矿石及海运价格议价权方面的弱势地位，正确把握市场的发展趋势，争取在铁矿石交易市场的主动权，通过分析铁矿石即期运价的影响因素，建立神经网络模型对其进行分析，提出在铁矿石即期运价的影响因素中，影响力排名依次是波罗的海海岬型船运价指数（BCI）、远期运费协议（FFA）指数和即期租金。
【关键词】 航运；铁矿石；即期运价；FFA；神经网络预测模型
铁矿石运输是国际航运的重要组成部分，约占整个干散货运输市场的30%。我国是全球铁矿石进口第一大国。近年来，国内钢厂在与三大矿山的博弈过程中屡屡受挫，国内航运企业在国际竞争中也往往处于弱势地位。对于在即期市场上做程租的我国航运企业而言，把握最佳的盈利点是至关重要的。以海岬型船为例，仅1美元的运费波动，就可能引起航次总收益20万美元左右的变化。
1 铁矿石运输市场
世界铁矿石资源主要集中在澳大利亚、巴西、中国、俄罗斯等国家。世界主要的铁矿石进口国家和地区见表1。国际铁矿石交易主要有两种方式：长期合同（协议矿）和现货交易（贸易矿）。前者需要一年一议的年度谈判。这种铁矿石价格谈判机制从形成至今已有逾20年的历史。铁矿石谈判的传统是，首先谈成的价格通常被其他钢铁企业和矿山企业接受，而拒绝接受首发价格的矿山企业和钢铁企业只能在现货市场出售或购买铁矿石。
表1 2002―2009年主要铁矿石进口国家和地区的进口量
万t
由于铁矿石贸易具有生产地及消费地比较稳定的特点，所以铁矿石运输航线一般比较固定。根据铁矿石行业的供需特点，将巴西和澳大利亚至欧洲、日本和我国的航线作为运费分析的主要航线。
由于铁矿石运输存在规模效应，所以从事国际铁矿石运输的船队一般规模非常庞大。从船型来看，铁矿石运输的主流船型是超大型散货船、海岬型船和巴拿马型船，在一些地区性的航线上也有部分灵便型船甚至更小吨位的船舶出现。总体上说，海岬型船是铁矿石运输的主力，其运输量约占市场总量的近70%。
2 铁矿石即期海运运价影响因素
影响铁矿石即期海运价格变化的因素大致可归为3类：一是季节性因素；二是突变性因素，如战争发生、铁矿石谈判取得突破、铁矿石进口政策变化等；三是市场各指标（运力、贸易商囤货欲望、装货港压港状况、卸货港即期租金水平、油价、市场气氛、FFA指数等）之间的相互影响，因本文主要研究即期运价，而运力在很短时间内变化很小，故将其剔除。下文以巴西至青岛的铁矿石运输航线为例，选取2011年4月份的数据，对影响铁矿石即期海运运价因素进行分析。
2.1 贸易商囤货欲望
有相当部分的铁矿石贸易采用现货贸易的方式。当贸易商之间就铁矿石现货价格展开博弈时，必然出现不符合常规的囤货和抛货现象，而囤货和抛货将导致船舶所有人与货主之间抢货或抢船的现象，并影响铁矿石即期海运运价。本文以铁矿石现货价格（见图1）来反映贸易商囤货欲望。
数据来源：联合金属网
图1 2011年4月份铁矿石现货价格
2.2 即期租金水平
由于许多航运企业自身并不拥有船队，需要租进船舶，因此租金成本成为其必须考虑的重要因素之一。再者，即期租金水平（见图2）也是对市场情况的反映，在一定程度上影响航运企业的决策。
数据来源：联合金属网
图2 2011年4月份即期租金水平
2.3 市场气氛
随着近年来国际航运业的迅速发展，我国铁矿石进口量持续增加，越来越多的企业进入这一领域，其中不乏一些并不了解市场的经营者。这些经营者在决策时往往随一些船舶经纪人的“口风”或是市场的当前状况作出判断，而这些经营者的盲目行为又可能导致市场上出现不正常的状况，从而影响即期市场的运价。本文采用波罗的海海岬型船运价指数（BCI）（见图3）反映市场气氛。
数据来源：联合金属网
图3 2011年4月份BCI走势
2.4 油 价
17万t级的海岬型船每天消耗重油约60 t。对所有船舶所有人而言，油价的变化（见图4）必然是其考虑的重要因素之一。
数据来源：BUNKER WORLD
图4 2011年4月份油价走势
2.5 FFA市场
远期运费协议（Forward Freight Agreement，FFA）是期货协议的一种。它是买卖双方达成的一种远期运费协议，协议约定具体的航线、价格、数量等，且双方约定在未来某一时点，收取或支付依据波罗的海航运交易所的官方运费指数价格与合同约定价格的运费差额。从本质上说，FFA是一种运费风险管理工具，但时至今日，很多船舶所有人将其作为重要的投资渠道，其市场变化也与实体市场有很大的关联（见图5）。
数据来源：联合金属网
图5 2011年4月份海岬型船FFA日成交量走势
3 神经网络理论
3.1 概 述
人工神经网络，简称神经网络，是一种包括许多简单的非线性计算单元或联结点的非线性动力系统，是用大量简单的处理单元广泛联结组成的复杂网络。它是模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络通过调整内部大量节点之间相互联结的关系达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入―输出数据，分析掌握两者之间的规律，并根据这些规律用新的输入数据推算输出结果。这种学习分析的过程被称为“训练”。
神经网络在结构上可划分为输入层、隐藏层和输出层（见图6）。输入层的节点对应预测变量，输出层的节点对应目标变量。在输入层和输出层之间是隐藏层（对神经网络使用者来说不可见），隐藏层的层数和每层节点的个数决定神经网络的复杂度。
图6 神经网络结构
因为铁矿石即期海运价格是多种因素共同作用的结果，其形成机制是非线性系统，具有高度的复杂性，所以选择神经网络这种学习能力强、能够较好拟合非线性系统的方法进行预测。在现有的数据条件下，以铁矿石即期海运价格和其影响因素为学习样本，通过神经网络预测铁矿石未来的即期海运价格。
3.2 实现步骤
以巴西至青岛铁矿石运输航线为例，具体研究步骤如下：（1）样本的选取和预处理，即根据研究目标，选取训练样本和检验样本；（2）确定神经网络结构，包括与输出变量(铁矿石即期海运运价)相关的输入变量(影响因素)的选取、隐层数和隐层节点数的选取、响应函数的确定、训练算法和参数的选取等；（3）把样本数据输入神经网络，计算网络输出值，与实际输出值相比较，使用选定的网络训练算法，以一定的规则修改网络的联结权值，反复计算误差和修改权值，直到误差控制在一定范围内，输入检验样本，判断检验结果；（4）还原处理及结果分析，对样本结果进行还原处理得到实际值，如果训练误差在允许范围内，而且网络泛化能力较好，就可以利用训练好的神经网络预测未来铁矿石即期海运价格。
4 利用神经网络预测铁矿石即期海运运价
4.1 数据的选择
基于上文对铁矿石即期海运运价影响因素的分析，本模型选取海岬船型的即期租金水平、BCI、油价、铁矿石现货价格、海岬型船FFA成交量等5个指标为主要影响因素，选择巴西至青岛航线2011年4月份的运价及其影响因素共14组数据（节假日及周末未有统计）。其中，选取10组为训练样本，3组为检验样本，1组为预测样本（见表2），神经网络经过训练后根据建立的网络模式预测4月28日的运费价格。所有数据处理由SPSS 17.0完成。
表2 2011年4月份巴西至青岛航线铁矿石即期运价
及其影响因素统计数据
4.2 预测的实现
首先对数据作随机化和标准化处理，建立神经网络：首层为输入层，输入变量是铁矿石即期海运价格的影响因素；中间层为隐藏层，每个隐藏单元的值都是输入因素的函数；最后为输出层，输出对应的铁矿石即期海运运价预测值。经处理后得到神经网络结构如图7：
图7 神经网络结构
4.3 预测结果和评价
神经网络经过培训学习后在神经网络结构之下得到分析和预测结果（见表3）。
表3 各变量的重要性
表4 预测值和实际值美元/t
根据表4数据，得到预测值和实际值的散点图和残差图（见图8）以分析神经网络的精确度。
图8 预测值和实际值的散点图和残差图
5 结 论
通过上述分析得出以下结论：
（1）影响因素 对铁矿石即期运价的影响因素中，按影响程度排序依次是BCI，FFA成交量和即期租金，影响权重分别为28.3%，25.9%和25.5%，油价和铁矿石价格对即期运价的影响较小。BCI，FFA成交量和即期租金都在很大程度上反映航运市场参与者对于未来市场的预期。从神经网络的分析结果来看，即期市场也在很大程度上受到远期因素的影响。在这3个影响因素中，尤其应关注FFA对即期海运价格的作用。FFA市场对现货市场有一定的引领作用。据克拉克森统计，至少85%的海岬型船经营者参与FFA交易或根据该市场状况作出决策，大部分租家则根据FFA市场状况经营现货。FFA除具备规避风险的作用之外，近年来更成为船舶所有人和租家进行投资的重要渠道。
（2）预测效果 由图8可以看出，神经网络经训练之后得到的预测值与铁矿石即期海运价格的真实值非常接近，残差图反映出最大残差约为0.03，即最大误差率仅为0.17%。而神经网络预测出4月28日运费为美元/t，当日实际运费为美元/t，误差为 美元/t，误差率为0.092%。可见，神经网络对于预测铁矿石即期海运运价的精度比较高。
由于铁矿石即期海运价格的形成机制非常复杂，除本文所列的五大影响因素外，还有突发性的因素如战争的发生、海运政策的变化、自然灾害的发生等，这些不可测因素的存在增加运价预测的实际难度。