夏凱亮，侯 劍

中國集裝箱出口運價綜合指數與上證指數的聯動分析

夏凱亮，侯 劍

為探究中國集裝箱運輸市場的波動規(guī)律，以研究上證指數與中國集裝箱出口運價綜合指數聯動為基礎，探究中國金融市場與集裝箱運輸市場之間的聯動關系和聯動機制。以2005年1月—2017年1月的中國集裝箱出口運價指數的周數據（由上海航運交易所研制頒布，記作CCFI）與上證綜指（Shanghai Composite Index，記作SCI）中的收盤價的周度數據為基礎，用ADF檢驗法檢驗數據的平穩(wěn)性；用Johansen檢驗法檢驗數據的協(xié)整關系；再在數據滿足平穩(wěn)性的基礎上，用Granger因果檢驗方法探索上證指數與中國集裝箱出口運價綜合指數之間的因果關系。最后通過建立GARCH模型，檢驗金融指數與運價指數之間的溢出效應及其相關性影響程度。最后，結合數據分析結果，構建集裝箱海上運輸價格與金融市場之間的聯動機制。研究表明:上證指數對中國集裝箱出口運價指數有直接的影響，而中國集裝箱出口運價指數對上證指數無直接的影響；CCFI與SCI都存在顯著的自相關；CCFI與SCI都有ARCH效應，并且波動對外來的影響是逐漸減小的；SCI對CCFI的影響較小且綜合影響為正相關，CCFI對SCI的影響較小但綜合影響為負相關。

出口運價指數；溢出效應；聯動機制

一、引言

中國集裝箱出口運價指數是中國集裝箱出口運輸市場某個時期的運價與基期的運價的比值，可作為反映集裝箱航運市場變動趨勢的“晴雨表”，揭示整個航運市場的供需態(tài)勢。上證指數是上海證券交易所編制的，以在上海證券交易所掛牌上市的全部股票為對象，以各自的發(fā)行量為權數的綜合。一定程度上，上證指數揭示了中國和世界經濟的走勢,確切反映了中國經濟與世界航運市場的變化狀況。研究這二者之間的影響關系以及聯動機制，有利于探究中國的集裝箱運輸市場與金融市場之間的關系，對探究中國集裝箱運輸市場的波動規(guī)律有一定的指導意義。

國內關于航運運價指數的研究不少，主要集中于研究波羅的海干散貨運價指數和中國集裝箱出口運價指數。劉斌等通過單位根檢驗、協(xié)整關系檢驗和Granger因果關系分析得出波羅的海干散貨船運價指數與上證綜指是正相關關系。馬敏等選用向量自回歸模型（VAR）對波羅的海運價指數與中國干散貨貿易的關系進行實證分析，得出中國的干散貨貿易對BDI指數的影響有限，但BDI指數在一定程度上可以預見中國干散貨貿易量的變動。范永輝等對BDI日收益率序列的基本統(tǒng)計量特征進行了分析，基于GARCH模型對BDI日收益率進行了預測。張晨琛等基于相關系數、ADF檢驗和Granger因果檢驗，研究原油運輸指數、BDI指數、上證綜合指數和道瓊斯指數的聯動關系，發(fā)現中國的經濟更容易受到外界的影響。張穎梅等建立中國集裝箱出口運價指數影響因素時變參數模型，進行動態(tài)彈性分析，研究發(fā)現CCFI對外貿出口額的敏感度降低，對原油和鐵礦石等原材料價格的敏感度變強，對新造集裝箱船價格最為敏感。李宗龍等建立五類隨機波動模型分析了中國出口集裝箱運價指數的波動性，研究表明在杠桿SV下指數表現出更大的波動特性且波動的可預測性較強；在DIC準則下，Leverage-SV在綜合刻畫中國出口集裝箱運價指數波動性最優(yōu)。王冰燦等建立GRNN神經網絡模型對中國集裝箱出口運價指數進行仿真并預測，結果顯示短期預測較為符合。朱玉華等基于廣義自回歸條件異方差模型（GARCH）描述CCFI波動的敏感性、集聚性和非對稱性，研究表明CCFI收益率序列滿足平穩(wěn)性，集裝箱運價波動具有反杠桿效應。王思遠等基于Griddy-Gibbs抽樣MCMC算法建立貝葉斯AR-GARCH模型，利用WinBugs軟件基于MH算法進行貝葉斯參數估計，結果表明，運價指數的波動具有較強的持續(xù)性，并不存在“風險溢價”和“杠桿效應”。林鵬分析中國集裝箱出口運價指數的序列特征，并建立均值-波動率的ARIMA-GARCH模型，結果顯示CCFI中長期會受到國內CPI指數的顯著影響和人民幣匯率明顯的反向波動影響。胡寧華選取幾個影響CCFI比較重要的因素，采用相關的經濟理論和計量經濟統(tǒng)計方法進行實證分析。李序穎利用協(xié)整理論及Granger因果檢驗研究中國集裝箱出口運價指數與波羅的海干散貨運價的關系，并對這兩者的收益序列及其波動幅度進行建模，結果顯示CCFI與BDI具有協(xié)整關系,而且CCFI周收益率是BDI周收益率的Granger原因。

雖然許多研究人員對中國集裝箱運價指數與其他指數之間的關系以及CCFI本身的波動和預測做了深入研究，但是探究中國集裝箱出口運價指數與上證指數的聯動關系的研究較少尚屬空白。因此，結合兩個指數數據的非線性時間序列特點，在平穩(wěn)性與協(xié)整關系檢驗的基礎上，進行Granger因果檢驗并建立GARCH模型研究二者之間的聯動關系。

二、數據的選取

本文選取2005年1月7日至2017年3月31日的CCFI和SCI的周數據。在對數據進行時間的匹配整理后，各選取611個周數據。其中CCFI數據來源于克拉克森海運情報網如圖1所示；SCI來自同花順的數據報告，如圖2所示（圖1、圖2以及下文的實證都是使用 Eviews8.0）。

圖1 2005年1月—2017年3月CCFI走勢

圖2 2005年1月—2017年3月SCI走勢

三、實證分析

由圖1、圖2所示，CCFI和SCI數據都是非線性時間序列。為防止數據非平穩(wěn)需要差分，所以用ΔCCFI表示CCFI的一階差分，ΔSCI表示SCI的一階差分，Δ表示差分算子。

本文選用Granger因果檢驗CCFI與SCI之間的關系，再結合數據的自相關關系用ARCH模型檢驗二者的溢出效應以及用GARCH模型檢驗二者之間的綜合影響。數據的平穩(wěn)性或者同階單整且通過了協(xié)整檢驗是Granger因果檢驗和GARCH模型的前提，單位根檢驗又是協(xié)整檢驗的基礎，所以下面按照上文的倒序進行檢驗分析。

（一）單位根檢驗

單位根檢驗主要包括Philips-Perron檢驗、DF檢驗和ADF檢驗，本文采用Dickey-Fuller的ADF單位根檢驗。檢驗的一般方法為：yt=μ+αt+βyt-1+ut，其中 μ、α 和是參數 y0=0，ut～IID(0,σ2)，為白噪聲。判定的標準是將變量的ADF統(tǒng)計量與1%、β5%和10%置信水平下的臨界值比較：若ADF統(tǒng)計量小于各顯著水平下的臨界值，則該時間序列沒有單位根，是平穩(wěn)序列；反之是非平穩(wěn)序列。分別對CCFI和SCI以及各自的一階差分做單位根檢驗，結果如表1所示。

表1 序列的ADF單位根檢驗

檢驗結果顯示，CCFI和SCI的ADF統(tǒng)計量都大于臨界值，而ΔCCFI與ΔSCI的ADF統(tǒng)計量都小于臨界值。表明原序列是非平穩(wěn)的，不能對變量進行簡單的回歸方法分析，可能出現偽回歸；但是一階差分后都是平穩(wěn)的，都是一階單整，可以繼續(xù)協(xié)整關系檢驗。

（二）協(xié)整關系檢驗

因為數據非平穩(wěn)，所以必須用協(xié)整關系檢驗兩個變量之間是否存在長期的穩(wěn)定關系。本文采用基于向量自回歸VAR(P)模型的Johansen協(xié)整檢驗。進行檢驗前最重要的是模型的最優(yōu)滯后階數，這里使用赤池信息準則（AIC）和施瓦茨（SC）準則確定最優(yōu)滯后階數。原則是從1開始增加滯后階數的過程中，使AIC和SC值同時最小的滯后階數即為最優(yōu)滯后階數。對原數據建立VAR模型，不同滯后階數對應的AIC與SC如表2所示。

表2 AIC與SC

注：選取了關鍵部分的值

從上表中可以看到，AIC和SC分別在滯后階數為4和3時最小，所以還需要用LR統(tǒng)計量來確定。經計算比較最優(yōu)滯后階數為4。由于協(xié)整檢驗是對無約束VAR模型，因此協(xié)整檢驗選擇的滯后階數應該為無約束VAR模型的最優(yōu)滯后階數減1，所以為3。

確定了最優(yōu)滯后階數，繼續(xù)做協(xié)整關系檢驗。原假設為沒有協(xié)整關系，備選假設為有M個協(xié)整關系，M為協(xié)整向量的個數。Eviews檢驗結果如表3所示，可以看出CCFI與SCI至少存在一個協(xié)整關系。

表3 CCFI與SCI的協(xié)整關系（滯后期為3）

（三）格蘭杰因果分析

Granger因果檢驗是2003年諾貝爾經濟學獎得主克萊夫·格蘭杰（Clive W.J.Granger）開創(chuàng)的，專門分析經濟變量之間是否真的存在因果關系。這種因果關系的定義如下：如果一個變量X有助于預測變量Y，而變量Y對預測變量X沒有幫助，則X是Y的Ganger原因。所用的檢驗模型為：

式中c表示常數項，m和n分別是y和x的最大滯后期，ut是白噪聲。根據檢驗模型，就是要檢驗β1=β2=……=βn=0，可以用F檢驗完成。Granger因果檢驗也對滯后期敏感，會直接影響得出的結果，一般滯后期越大越好。根據前人的研究結果，選擇滯后期的有效方法是根據AIC值、SC值、HQ準則以及似然比檢驗確定，在5%的置信水平下確定的滯后期為6。所處理的數據為周數據，因此滯后階數為4大概對應1個月，滯后階數為6大概對應1.5個月。

確定了滯后期，帶入到Eviews中得出的結果如表4所示?？梢园l(fā)現，原假設“SCI不是CCFI的Granger原因”的P值為0.0242，在5%的置信水平下可以拒絕原假設；原假設“CCFI不是SCI的Granger原因”的P值為0.8706，在5%的置信水平下不可以拒絕原假設。綜合這兩點可以得出SCI是導致CCFI變化的Granger原因，而CCFI不是導致SCI變化的Granger原因。也就是說上證指數對中國集裝箱出口運價指數有直接的影響，而中國集裝箱出口運價指數對上證指數無直接的影響。

表4 CCFI與BDI的Granger因果檢驗結果

四、兩者的溢出效應和相關關系檢驗

上文通過Granger分析得出SCI對CCFI有直接影響，而CCFI對SCI并無直接的影響。為得出具體的聯動關系，需要進一步分析兩者的溢出效應。溢出效應指某項活動不僅會帶來該活動預期的效果，而且同時又會對社會產生的影響。換句話說，溢出效應就是某項活動的外部收益，而且是參與活動的主體無法獲得的收益。

（一）建立GARCH模型

通過閱讀文獻發(fā)現，研究兩個變量之間的溢出效應較為成熟和準確的是多元GARCH模型，基本結構如下：

yt=(y1t，y2t，…，y(N-1)t,yNt)’表示 N 維的向量隨機過程；xt(θ)表示參數θ的值函數，通常情況為多元ARMA模型；σt表示到t時刻為止的信息生成的代數。GARCH模型包括多種形式，包括GARCH-M和ARCH等，主要是圍繞變量之間的相關性從不同角度研究變量之間的關系。

（二）自相關檢驗

數據的自相關檢驗可以研究數據變化受趨勢因素與隨機因素的影響，本文采用DW檢驗數據的自相關性。為研究數據受到外來因素的影響，也需要分析數據的殘差的自相關性。用軟件生成殘差的平方項數列后，直接使用軟件進行自相關檢驗。檢驗結果顯示，CCFI與SCI都存在顯著的自相關，而且兩者的殘差的平方項序列也都存在明顯的自相關。這表明CCFI與SCI前值的變化或者趨勢對未來數值的影響,相較于外來因素帶來的影響，前者較大。

（三）二元的GARCH模型估計

為檢驗CCFI與SCI是否具有溢出效應，也就是檢驗是否具有ARCH效應。ARCH效應就是當期擾動項的條件方差大小依賴于它的過去回歸擾動波動大小，反映金融序列波動的“群集現象”或“聚類現象”，這里用ARCH-LM檢驗ARCH效應。ARCH-LM檢驗的輔助回歸方程是殘差平方的一個AR(q)過程，方程如下：

檢驗殘差序列是否存在ARCH效應，原假設為：α1=α2=α3=α4=……=αq(表示不存在ARCH效應)，備擇假設為：α1，α2，α3，……，αq不全為 0（表示存在 ARCH 效應）。CCFI與SCI的輸出結果為表5與表6所示，在5%的置信水平下可以拒絕原假設，表明CCFI與SCI都有ARCH效應。

表5 CCFI的檢驗

表6 SCI的檢驗

因為存在ARCH效應，所以重新用GARCH重新進行估計，Eviews輸出結果如表7所示。首先，CCFI與SCI的P值都是小于1%，是顯著的，表明兩個序列都有較強的波動集簇性。然后，CCFI與SCI的決定系數的絕對值都大于1，顯示出兩個序列的波動都受到各自歷史數據的影響。最后，結合前面的因果檢驗，從決定系數可以看出，SCI對CCFI的影響較小且綜合影響為正相關，CCFI對SCI的影響較小但綜合影響為負相關。

表7 GARCH-M(1,1)檢驗

（四）聯動機制分析

綜合以上分析，得出CCFI與SCI的聯動機制，如圖3所示。結合上述分析以及筆者的知識，CCFI與SCI的溢出效應可能主要體現在以下幾點：首先是上文檢驗得出CCFI與SCI都存在自相關，都會受到各自歷史數據的影響。其次是CCFI與SCI之間的溢出效應，我認為SCI對CCFI的溢出效應主要體現在實體經濟的發(fā)展、船舶融資、船舶保險和造船的信貸優(yōu)惠程度；CCFI對SCI的溢出效應主要體現在集裝箱船運力供給和集裝箱運輸市場競爭等方面。最后是SCI對CCFI的綜合影響為正相關，而CCFI對SCI的綜合影響為負相關。

圖3 CCFI與SCI的聯動機制

五、結束語

本文主要運用Granger因果檢驗判別中國集裝箱出口運價指數（CCFI）與上證綜指（SCI）的因果關系，并結合數據的特點構建GARCH模型，用ARCH-LM檢驗CCFI與SCI之間的溢出效應，最后用GARCH-M分析得出兩者之間的相關性，總結以上分析結合實際得出二者之間的聯動機制。分析海運貨物的市場與相應的航運市場的關系是未來的研究方向。

[1]陳麗江,余思勤.中國出口集裝箱運價指數述評[J].中國水運,2004,3(2):11-12.

[2]劉斌,劉超,萬眾,劉霄宇.BDI指數與上證綜指的相關性[J].大連海事大學學報,2010,4(3):35-38.

[3]馬敏,郝玉柱.波羅的海運價指數與中國干散貨貿易相關性實證研究[J].中國儲運,2016,4(2):103-108.

[4]范永輝,邢玉偉,楊華龍.基于GARCH模型的波羅的海干散貨運價指數預測[J].數學的實踐與認識,2015,6(7):42-47.

[5]張晨琛,滕玉.BDI與股票市場指數的聯動性研究[J].金融觀察,2016,4(8):103-105.

[6]張穎梅,甘愛平.中國出口集裝箱運價指數動態(tài)彈性分析[J].集裝箱化,2011,6(6):6-10.

[7]李宗龍,谷佳音.中國出口集裝箱運價指數的波動性研究——基于SV類模型的比較分析[J].中國商貿,2013,6(18):122-123.

[8]李宗龍,王冰燦.基于GRNN的中國出口集裝箱運價指數預測[J].中國商貿,2013,9(21):147-149.

[9]朱玉華,趙剛.基于ARCH族模型的中國出口集裝箱運價指數波動特征[J].上海海事大學學報,2013,10(3):48-59.

[10]王思遠,余思勤,潘靜靜.基于MCMC算法AR-GARCH模型中國出口集裝箱運價指數波動性研究[J].交通運輸系統(tǒng)工程與信息,2016,7(3):28-34.

[11]林鵬.中國出口集裝箱運價指數的宏觀經濟影響因素分析[J].現代商業(yè),2014,6(8):184-187.

[12]胡寧華.中國出口集裝箱運價指數相關影響因素的實證分析[J].中國水運,2010,5(3):54-55.

[13]李序穎.中國出口集裝箱運價指數與波羅的海干散貨運價指數的實證分析[J].數理統(tǒng)計與管理,2005,6(7):314-317.

[14]克拉克森海運情報網.https://sin.clarksons.net.

F253.9

A

1008-4428（2017）11-49-04

夏凱亮，男，江蘇泰州人，上海海事大學經濟管理學院產業(yè)經濟學研究生，研究方向：港口、海運經濟與金融；侯劍，男，山東臨沂人，上海海事大學經濟管理學院副教授、博士，研究方向：港口、海運經濟與金融。