李電生,張騰飛

(中國(guó)海洋大學(xué)經(jīng)濟(jì)學(xué)院，山東 青島 266100)

1 引言

隨著習(xí)總書記“一帶一路”戰(zhàn)略構(gòu)想的提出，港口作為“一帶一路”的核心節(jié)點(diǎn)受到國(guó)內(nèi)外學(xué)者關(guān)注，同時(shí)隨著世界經(jīng)濟(jì)和我國(guó)經(jīng)濟(jì)的深入調(diào)整，我國(guó)經(jīng)濟(jì)從高速增長(zhǎng)逐漸向經(jīng)濟(jì)新常態(tài)發(fā)展轉(zhuǎn)變，港口的發(fā)展也需要相應(yīng)的調(diào)整和轉(zhuǎn)變，傳統(tǒng)的港口投資模式正面臨著潛在風(fēng)險(xiǎn)，港口轉(zhuǎn)型升級(jí)成為必然要求，因此科學(xué)有效地預(yù)測(cè)港口投資風(fēng)險(xiǎn)，對(duì)港口投資和管理有著極其重要的價(jià)值。

風(fēng)險(xiǎn)通常分為內(nèi)生性風(fēng)險(xiǎn)和外生性風(fēng)險(xiǎn)。內(nèi)生性風(fēng)險(xiǎn)是企業(yè)經(jīng)營(yíng)過(guò)程中存在的風(fēng)險(xiǎn)，國(guó)內(nèi)外學(xué)者對(duì)港口的內(nèi)生性風(fēng)險(xiǎn)進(jìn)行了一系列研究，主要從技術(shù)手段、方法模型創(chuàng)新、投資決策、管理經(jīng)營(yíng)等方面進(jìn)行深入研究。比如Frankel[1]分析港口和航運(yùn)項(xiàng)目決策后的風(fēng)險(xiǎn)評(píng)估，充分考慮到需求、成本和技術(shù)的不確定性帶來(lái)的風(fēng)險(xiǎn)，從項(xiàng)目決策后的視角分析風(fēng)險(xiǎn)因素，沒(méi)有分析港口和航運(yùn)在投資之前是否存在風(fēng)險(xiǎn)。van Ham等[2]定性分析港口中存在的風(fēng)險(xiǎn)，通過(guò)設(shè)計(jì)公私合營(yíng)的模式來(lái)規(guī)避港口運(yùn)營(yíng)中的風(fēng)險(xiǎn)。Lam等[3]研究亞洲港口運(yùn)營(yíng)風(fēng)險(xiǎn)，采用風(fēng)險(xiǎn)矩陣得出可能性與嚴(yán)重性的相關(guān)關(guān)系，并對(duì)港口出現(xiàn)不可預(yù)測(cè)風(fēng)險(xiǎn)進(jìn)行分類。Asteris等[4]分析出英國(guó)集裝箱港口市場(chǎng)投資規(guī)模擴(kuò)大，需要根據(jù)市場(chǎng)需求進(jìn)行投資和公平競(jìng)爭(zhēng)，集裝箱港口投資不能只依賴于政府調(diào)控，從市場(chǎng)需求角度降低投資風(fēng)險(xiǎn)。投資行為的發(fā)生導(dǎo)致事件的不確定性，進(jìn)而產(chǎn)生一定的風(fēng)險(xiǎn)，一些學(xué)者從風(fēng)險(xiǎn)事件的根源入手即投資角度，降低風(fēng)險(xiǎn)發(fā)生的概率。比如Koh[5]評(píng)估集裝箱港口投資方案與風(fēng)險(xiǎn)，得出最優(yōu)投資決策，但沒(méi)有從度量投資風(fēng)險(xiǎn)的大小值角度入手。Rodrigue等[6]分析了港口投資風(fēng)險(xiǎn)與技術(shù)、市場(chǎng)以及金融等存在密切內(nèi)在聯(lián)系，并重點(diǎn)從金融化視角研究港口和海運(yùn)中的風(fēng)險(xiǎn)，通過(guò)金融與港口相結(jié)合更好的降低經(jīng)濟(jì)波動(dòng)給港口帶來(lái)的風(fēng)險(xiǎn)。Simkins等[7]分析在港口投資決策中，標(biāo)稱值會(huì)誤導(dǎo)投資決策的制定尤其是在經(jīng)濟(jì)通貨膨脹期，而實(shí)際值才是投資決策的依據(jù)，并能夠降低港口的投資風(fēng)險(xiǎn)。從上面這些文獻(xiàn)可知，對(duì)于港口風(fēng)險(xiǎn)的探討，無(wú)論是采用何種研究方法，還是研究角度變化，港口的風(fēng)險(xiǎn)研究均側(cè)重于經(jīng)營(yíng)、管理等方面，很少涉及宏觀經(jīng)濟(jì)帶來(lái)的外生性風(fēng)險(xiǎn)。

外生性風(fēng)險(xiǎn)是指受宏觀經(jīng)濟(jì)影響較大的系統(tǒng)性風(fēng)險(xiǎn)。改革開放后我國(guó)經(jīng)濟(jì)高速增長(zhǎng)，尤其是加入世界貿(mào)易組織(WTO)后我國(guó)對(duì)外貿(mào)易得到飛速發(fā)展，港口也相應(yīng)的得到快速發(fā)展，港口投資風(fēng)險(xiǎn)沒(méi)有受到業(yè)界和學(xué)者足夠重視。但隨著我國(guó)經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整，經(jīng)濟(jì)高速增長(zhǎng)帶動(dòng)大規(guī)模港口投資時(shí)期已經(jīng)過(guò)去，研究外生性港口投資風(fēng)險(xiǎn)對(duì)推動(dòng)港口轉(zhuǎn)型升級(jí)具有重要的現(xiàn)實(shí)意義。

目前對(duì)于外生性投資風(fēng)險(xiǎn)研究，主要集中在金融、保險(xiǎn)等領(lǐng)域，與國(guó)家宏觀經(jīng)濟(jì)變化密切相關(guān)，易受到經(jīng)濟(jì)波動(dòng)、政策調(diào)整的影響較大，因此成為風(fēng)險(xiǎn)研究者們的青睞。目前這類文獻(xiàn)研究較多，典型的文獻(xiàn)主要有，Chen[8]研究了經(jīng)濟(jì)周期內(nèi)金融市場(chǎng)的投資問(wèn)題，使用馬爾可夫切換模型預(yù)測(cè)經(jīng)濟(jì)增長(zhǎng)狀態(tài)轉(zhuǎn)折點(diǎn)，為金融市場(chǎng)投資規(guī)避風(fēng)險(xiǎn)。王春峰等[9]針對(duì)現(xiàn)有的風(fēng)險(xiǎn)價(jià)值模型(VaR)計(jì)算中缺陷,創(chuàng)新性地提出了一種基于馬爾科夫鏈蒙特卡洛模擬的VaR計(jì)算方法，以克服傳統(tǒng)蒙特卡洛模擬的高維、靜態(tài)性缺陷，提高風(fēng)險(xiǎn)度量精度，在金融風(fēng)險(xiǎn)預(yù)測(cè)中廣泛應(yīng)用。Siu等[10]將多元馬爾可夫模型運(yùn)用到信用風(fēng)險(xiǎn)度量中，將歷史數(shù)據(jù)納入風(fēng)險(xiǎn)評(píng)級(jí)當(dāng)中，建立了經(jīng)驗(yàn)轉(zhuǎn)換矩陣，得到了預(yù)期度量效果。高金余等[11]通過(guò)馬爾可夫切換模型較好的刻畫了不同時(shí)期股市波動(dòng)的階段性特征。楊繼平等[12]為了更精確估計(jì)結(jié)構(gòu)轉(zhuǎn)換的我國(guó)股市收益率波動(dòng)的特征，把廣義自回歸條件異方差(GARCH)模型及GARCH的三種改進(jìn)模型與馬爾可夫轉(zhuǎn)換模型結(jié)合，最后比較各模型估計(jì)的準(zhǔn)確率。陳守東等[13]在系統(tǒng)性金融風(fēng)險(xiǎn)度量中引入極值理論，采用極端分位數(shù)回歸技術(shù)分析我國(guó)33家上市金融機(jī)構(gòu)對(duì)金融系統(tǒng)風(fēng)險(xiǎn)的影響。Liang Xue等[14]研究信用違約風(fēng)險(xiǎn)中的交易風(fēng)險(xiǎn)，并通過(guò)連接函數(shù)(Copula)分析交易雙方相關(guān)關(guān)系，結(jié)合馬爾可夫模型預(yù)測(cè)違約風(fēng)險(xiǎn)狀態(tài)。

綜上所述，由于金融風(fēng)險(xiǎn)具有發(fā)生頻率高、周期短、與經(jīng)濟(jì)波動(dòng)變化較為明顯等特點(diǎn)而受到廣泛重視，而港口的外生性投資風(fēng)險(xiǎn)具有一定的獨(dú)特性，因具有投資金額大、潛伏性周期長(zhǎng)、受經(jīng)濟(jì)波動(dòng)影響大和短期不易爆發(fā)等特點(diǎn)，因此港口外生性投資風(fēng)險(xiǎn)研究相對(duì)較少。黃杰[15]分析出英國(guó)、美國(guó)以及日本等發(fā)達(dá)國(guó)家的港口投資建設(shè)已經(jīng)進(jìn)入成熟期，這些發(fā)達(dá)國(guó)家大型港口投資項(xiàng)目建設(shè)逐漸減少，國(guó)外學(xué)者對(duì)國(guó)外港口投資風(fēng)險(xiǎn)研究較少。而我國(guó)高度關(guān)注港口對(duì)經(jīng)濟(jì)的貢獻(xiàn)率，忽視經(jīng)濟(jì)發(fā)展水平對(duì)港口規(guī)模需求的約束作用，同時(shí)我國(guó)經(jīng)濟(jì)的高速增長(zhǎng)帶動(dòng)了港口的發(fā)展，使地方政府和港口企業(yè)淡化了港口投資的風(fēng)險(xiǎn)意識(shí)。

國(guó)內(nèi)學(xué)者對(duì)我國(guó)港口的研究主要集中在港口與區(qū)域的互動(dòng)發(fā)展、港口經(jīng)營(yíng)管理以及港口間競(jìng)爭(zhēng)與合作三個(gè)層面。其中港口與區(qū)域協(xié)調(diào)發(fā)展方面的研究文獻(xiàn)有，鐘銘等[16]研究了港口與經(jīng)濟(jì)腹地的協(xié)調(diào)發(fā)展問(wèn)題。王洪青等[17]發(fā)現(xiàn)一元三次非線性方程模型符合寧波港口與腹地間經(jīng)濟(jì)關(guān)系，并且對(duì)腹地經(jīng)濟(jì)貢獻(xiàn)彈性有U型特征。而港口的經(jīng)營(yíng)管理主要側(cè)重在港口效率測(cè)度方面，這類文獻(xiàn)相對(duì)較多，主要的文獻(xiàn)有，李電生等[18]對(duì)港口進(jìn)行效率測(cè)度，解決港口設(shè)施設(shè)備經(jīng)營(yíng)管理問(wèn)題。張小蒂等[19]對(duì)中國(guó)主要港口三個(gè)層次方面進(jìn)行效率測(cè)度，得出投入擁擠與產(chǎn)出不足是港口效率低下主要成因。最后一個(gè)層面是港口間的合作競(jìng)爭(zhēng)，從既有的文獻(xiàn)看合作與競(jìng)爭(zhēng)相輔相成，比如，汪傳旭等[20]采用區(qū)域港口合作競(jìng)爭(zhēng)模型研究了港口協(xié)調(diào)發(fā)展問(wèn)題。丁國(guó)蕾等[21]分析上海港、寧波舟山等九大主要港口，認(rèn)為港口間存在長(zhǎng)期均衡關(guān)系。以上學(xué)者從不同角度和層面研究了港口的發(fā)展問(wèn)題。

從既有文獻(xiàn)可知，港口投資風(fēng)險(xiǎn)問(wèn)題很少受到學(xué)者關(guān)注，因此這類文獻(xiàn)的研究相對(duì)缺乏，這與港口獨(dú)特的外生性投資風(fēng)險(xiǎn)特點(diǎn)有直接關(guān)系。2016年7月中國(guó)科學(xué)院預(yù)測(cè)科學(xué)研究中心發(fā)布了“2016年全球Top20集裝箱港口預(yù)測(cè)報(bào)告”，報(bào)告分析了集裝箱吞吐量在緩慢增長(zhǎng)的同時(shí)，也指出我國(guó)港口產(chǎn)能過(guò)剩問(wèn)題開始顯現(xiàn)，港口投資風(fēng)險(xiǎn)需引起重視。

本文主要貢獻(xiàn)如下：世界經(jīng)濟(jì)和我國(guó)經(jīng)濟(jì)的深入調(diào)整，港口也從高速增長(zhǎng)逐漸趨近平穩(wěn)，通過(guò)梳理我國(guó)港口研究和發(fā)展過(guò)程，提出了港口產(chǎn)能過(guò)剩引發(fā)外生性投資風(fēng)險(xiǎn)問(wèn)題。由于港口的發(fā)展同中國(guó)經(jīng)濟(jì)發(fā)展相似，呈現(xiàn)非常明顯的非線性發(fā)展特點(diǎn)，這樣采用傳統(tǒng)的單一模型很難刻畫這一現(xiàn)實(shí)問(wèn)題。為此，本文首次構(gòu)造了Logistic生長(zhǎng)方程—馬爾可夫組合模型，通過(guò)Logistic生長(zhǎng)方程生成馬爾可夫模型所需要的狀態(tài)參數(shù)，在此基礎(chǔ)上構(gòu)造風(fēng)險(xiǎn)轉(zhuǎn)移概率矩陣，有效的解決了港口投資風(fēng)險(xiǎn)的測(cè)度問(wèn)題。本文的研究結(jié)果顯示港口投資風(fēng)險(xiǎn)在2016開始顯現(xiàn)，并將持續(xù)較長(zhǎng)一段時(shí)期。表明我國(guó)港口正處在轉(zhuǎn)型升級(jí)的關(guān)鍵時(shí)期，需加快從外延式擴(kuò)張向內(nèi)涵式發(fā)展轉(zhuǎn)變，從粗放式到精細(xì)化管理轉(zhuǎn)變，港口業(yè)務(wù)結(jié)構(gòu)優(yōu)化調(diào)整，碼頭資源重新配置。

2 港口投資風(fēng)險(xiǎn)度量模型的選擇與構(gòu)建

2.1 模型的選擇

目前研究外生性風(fēng)險(xiǎn)的方法主要有網(wǎng)絡(luò)模型、Copula函數(shù)與蒙特卡洛等。隋聰?shù)萚22]通過(guò)網(wǎng)絡(luò)模型研究銀行系統(tǒng)性風(fēng)險(xiǎn)的因素，把違約銀行數(shù)量或違約銀行比率作為衡量風(fēng)險(xiǎn)的指標(biāo)，但在風(fēng)險(xiǎn)度量中缺少系統(tǒng)性的方法。張晨等[23]用Copula函數(shù)度量碳金融市場(chǎng)風(fēng)險(xiǎn)多因子的相關(guān)性，Copula函數(shù)可以描述非線性、非對(duì)稱問(wèn)題，但很難描述隨機(jī)動(dòng)態(tài)過(guò)程，單純用靜態(tài)的相關(guān)性研究問(wèn)題也存在缺陷。吳建華等[24]使用蒙特卡洛方法數(shù)值分析預(yù)期回收率和違約風(fēng)險(xiǎn)之間內(nèi)在關(guān)系，蒙特卡洛方法可以處理某個(gè)隨機(jī)變量的數(shù)學(xué)期望，但仍然存在高維靜態(tài)不足等問(wèn)題。

而馬爾可夫模型處理問(wèn)題時(shí)能較好地刻畫出系統(tǒng)狀態(tài)從一個(gè)階段到另一個(gè)階段的演化發(fā)展過(guò)程，通過(guò)狀態(tài)轉(zhuǎn)移概率矩陣預(yù)測(cè)系統(tǒng)的變化。但馬爾可夫模型在某些問(wèn)題上無(wú)法直接獲得狀態(tài)參數(shù)，需要借助其他模型對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。如Ramchand等[25]通過(guò)SWARCH方法對(duì)數(shù)據(jù)指標(biāo)預(yù)處理，將處理的數(shù)據(jù)序列結(jié)合馬爾可夫模型，并估計(jì)和預(yù)測(cè)股市的波動(dòng)率。羅平等[26]通過(guò)多元回歸模型解決分類變量與連續(xù)變量，與馬爾可夫模型組合確定每一個(gè)土地利用單元轉(zhuǎn)移概率，進(jìn)而實(shí)現(xiàn)對(duì)空間分布的預(yù)測(cè)。張樺等[27]根據(jù)變壓器故障機(jī)理的復(fù)雜性特征，提出馬爾可夫過(guò)程的狀態(tài)評(píng)估模型，運(yùn)用熵權(quán)模糊計(jì)算法量化變壓器設(shè)備風(fēng)險(xiǎn)等級(jí)，構(gòu)造風(fēng)險(xiǎn)評(píng)價(jià)矩陣。上述論文針對(duì)特定的問(wèn)題選取了不同的方法組合，解決了相應(yīng)地問(wèn)題。本文通過(guò)Logistic生長(zhǎng)方程與馬爾可夫模型組合，彌補(bǔ)了馬爾可夫模型的不足。

2.2 基于Logistic生長(zhǎng)方程的港口吞吐量增長(zhǎng)率預(yù)測(cè)

從我國(guó)GDP增長(zhǎng)趨勢(shì)來(lái)看，經(jīng)濟(jì)發(fā)展水平經(jīng)歷高速增長(zhǎng)后逐漸趨于減緩，最后經(jīng)濟(jì)增長(zhǎng)速度將會(huì)達(dá)到平衡狀態(tài)。這充分說(shuō)明了我國(guó)經(jīng)濟(jì)發(fā)展趨勢(shì)與Logistic生長(zhǎng)模型是相吻合的。與此同時(shí)港口的吞吐量變化與經(jīng)濟(jì)發(fā)展水平密切相關(guān)，其變化趨勢(shì)與我國(guó)經(jīng)濟(jì)發(fā)展水平是相一致。因此用Logistic模型預(yù)測(cè)我國(guó)港口吞吐量變化趨勢(shì)。

1)本文采用Logistic生長(zhǎng)模型研究我國(guó)沿海港口吞吐量增長(zhǎng)率的變化趨勢(shì)。Logistic生長(zhǎng)方程的微分形式為：

(1)

式中z為種群數(shù)量即港口吞吐量增長(zhǎng)率，t為時(shí)間即不同年份，r為港口吞吐量瞬時(shí)增長(zhǎng)率，q為常數(shù)，表示經(jīng)濟(jì)環(huán)境最大容納量。

從Logistic生長(zhǎng)方程的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)可以看出Logistic方程的軌跡是一種s形曲線。同時(shí)港口吞吐量隨著我國(guó)經(jīng)濟(jì)變化也呈現(xiàn)出s曲線特征，即在開始時(shí)港口吞吐量基數(shù)較小，則增長(zhǎng)速度較慢，中間段港口吞吐量基數(shù)達(dá)到一定規(guī)模且整體的生存空間最大，即港口承受能力最大，因此增長(zhǎng)速度較快，末段時(shí)間港口吞吐量達(dá)到環(huán)境最大容量時(shí)候其生存空間減少，因此增長(zhǎng)速度越來(lái)越慢，直至趨近于0，最后達(dá)到平衡狀態(tài)。

為確定Logistic生長(zhǎng)方程中z變量的計(jì)算公式，在這里首先運(yùn)用灰色系統(tǒng)理論的方法確定Logistic模型的參數(shù)，然后再對(duì)Logistic模型的微分形式進(jìn)行求解。

2)以我國(guó)沿海港口吞吐量變化率數(shù)據(jù)為基礎(chǔ)的Logistic模型，首先令a=r,b=r/q將其代入(1)式中，則有：

(2)

按照灰色系統(tǒng)建模的方法則有：

(3)

其中，

B=

(4)

將參數(shù)a，b代入(2)式，解微分方程可得：

z(t)=a·z(1)/(b·z(t0)+(a-b·z(t0))·e-a(t-t0))

(5)

其中z(t)表示t時(shí)間港口吞吐量增長(zhǎng)率，t0表示初始時(shí)間的年份。

離散形式可以表述為：

z(t)=a·z(1)/(b·z(1)+(a-b·z(1))·e-at(i))

(6)

3)精度檢驗(yàn)：常用的精度檢驗(yàn)方法有關(guān)聯(lián)度法和后驗(yàn)差法，本文采用后驗(yàn)差對(duì)模型擬合精度進(jìn)行評(píng)價(jià)，主要通過(guò)后驗(yàn)差比值c與小誤差概率p判斷模型精度。后驗(yàn)差檢驗(yàn)的具體檢驗(yàn)過(guò)程見附錄1：

(7)

②計(jì)算小誤差概率p:

(8)

2.3 基于馬爾可夫模型的風(fēng)險(xiǎn)轉(zhuǎn)移概率矩陣構(gòu)造

主要通過(guò)觀測(cè)港口實(shí)際投資風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)在未來(lái)階段的港口投資風(fēng)險(xiǎn)狀態(tài)發(fā)生概率，為把投資風(fēng)險(xiǎn)定量化處理，這里給出一個(gè)港口投資風(fēng)險(xiǎn)值的定義，即港口投資風(fēng)險(xiǎn)值是港口吞吐量增長(zhǎng)率與港口通過(guò)能力增長(zhǎng)率的比值R。根據(jù)港口投資風(fēng)險(xiǎn)值歷史數(shù)據(jù)的劃分來(lái)構(gòu)造轉(zhuǎn)移概率矩陣。

首先需要Logistic生長(zhǎng)模型預(yù)測(cè)港口吞吐量增長(zhǎng)率，作為給出定義中的投資風(fēng)險(xiǎn)值的一個(gè)變量，通過(guò)Logistic生長(zhǎng)方程生成馬爾可夫模型所需要的狀態(tài)參數(shù)，即 Logistic生長(zhǎng)模型預(yù)測(cè)港口吞吐量增長(zhǎng)率，然后計(jì)算所有觀測(cè)年份與預(yù)測(cè)年份的港口吞吐量增長(zhǎng)率與港口通過(guò)能力增長(zhǎng)率的比值建立投資風(fēng)險(xiǎn)值R。然后需要通過(guò)聚類分析方法將不同年份對(duì)應(yīng)的投資風(fēng)險(xiǎn)值劃分為若干個(gè)不同的風(fēng)險(xiǎn)等級(jí)，最后采用馬爾可夫模型將不同的風(fēng)險(xiǎn)等級(jí)之間狀態(tài)轉(zhuǎn)換過(guò)程構(gòu)造出風(fēng)險(xiǎn)轉(zhuǎn)移概率矩陣。聚類分析方法劃分風(fēng)險(xiǎn)狀態(tài)等級(jí)具體詳見附錄2。

(9)

(10)

其中港口投資風(fēng)險(xiǎn)轉(zhuǎn)移概率具有以下性質(zhì)：

(11)

(12)

3 實(shí)證分析

本文采用風(fēng)險(xiǎn)度量值R來(lái)衡量港口投資風(fēng)險(xiǎn)所處狀態(tài)程度，港口風(fēng)險(xiǎn)度量值R是指港口吞吐量增長(zhǎng)率與港口通過(guò)能力增長(zhǎng)率的比值，比值R越大表明港口吞吐量增長(zhǎng)速度大于港口通過(guò)能力增長(zhǎng)速度，港口投資風(fēng)險(xiǎn)越小，反之越大。其中港口通過(guò)能力與港口吞吐量數(shù)據(jù)獲取來(lái)源于《交通部沿海港口通過(guò)能力核查報(bào)告》和《中國(guó)交通信息統(tǒng)計(jì)中心》。

s(t)=a·s(1)/(b·s(1)+(a-b·s(1)·e-at(i))。

整理出的預(yù)測(cè)吞吐量增長(zhǎng)率函數(shù)形式為：

s(i)=0.0291/(0.2544/e(0.2646·t(i))+0.0102)其Matlab編程得到預(yù)測(cè)結(jié)果如圖1，及港口吞吐量變化預(yù)測(cè)如圖2所示。

圖1 港口吞吐量年增長(zhǎng)率預(yù)測(cè)

圖2 港口吞吐量年增長(zhǎng)值預(yù)測(cè)

運(yùn)用后驗(yàn)差檢驗(yàn)法對(duì)港口吞吐量增長(zhǎng)率的擬合結(jié)果進(jìn)行檢驗(yàn)，得到檢驗(yàn)參數(shù)c小于0.35 ，p大于0.95對(duì)照表6，說(shuō)明擬合精度較高，應(yīng)用Logistic生長(zhǎng)模型具有較高可靠性；從圖1中我們可以看出：吞吐量增長(zhǎng)率經(jīng)歷2001至2004年和2007至2011年兩個(gè)階段高速增長(zhǎng)后，在2013年之后一段時(shí)間增長(zhǎng)率一直趨于下降，逐步達(dá)到平衡狀態(tài)，這和我國(guó)經(jīng)濟(jì)發(fā)展過(guò)程總體是相適應(yīng)的。從圖2可以得出：港口吞吐量增長(zhǎng)具有s型曲線特征，從2000到2014年增長(zhǎng)較快，然而在經(jīng)歷高速增長(zhǎng)后達(dá)到一個(gè)接近飽和的狀態(tài)，此時(shí)2015年后吞吐量變化將會(huì)比較穩(wěn)定。

根據(jù)交通部統(tǒng)計(jì)年鑒計(jì)算1985—2014年數(shù)據(jù)與2015—2017年預(yù)測(cè)數(shù)據(jù)，最后確定1985至2017年的投資風(fēng)險(xiǎn)值，將風(fēng)險(xiǎn)值大小用聚類劃分狀態(tài)，根據(jù)需要確定分類數(shù)，系統(tǒng)自動(dòng)確定初始聚類中心，迭代27次達(dá)到收斂標(biāo)準(zhǔn)，確定最終聚類中心以及聚類分級(jí)標(biāo)準(zhǔn)，自動(dòng)形成六個(gè)等級(jí)標(biāo)準(zhǔn)，1代表風(fēng)險(xiǎn)等級(jí)最低，6代表風(fēng)險(xiǎn)等級(jí)最高，如表1所示。先計(jì)算投資風(fēng)險(xiǎn)值R，再進(jìn)行狀態(tài)劃分，最后確定樣本數(shù)據(jù)的狀態(tài)等級(jí)，由于投資風(fēng)險(xiǎn)值與風(fēng)險(xiǎn)狀態(tài)等級(jí)可以合并在同一張表中，故把投資風(fēng)險(xiǎn)狀態(tài)分級(jí)標(biāo)準(zhǔn)作為表1，為了清楚表達(dá)不同年份的投資風(fēng)險(xiǎn)值處在何種風(fēng)險(xiǎn)狀態(tài)，構(gòu)建表2。

表1 投資風(fēng)險(xiǎn)狀態(tài)分級(jí)標(biāo)準(zhǔn)

表2 1985-2017年我國(guó)沿海港口投資風(fēng)險(xiǎn)值、風(fēng)險(xiǎn)狀態(tài)等級(jí)

數(shù)據(jù)來(lái)源：交通部沿海港口通過(guò)能力核查報(bào)告。

表3 2014年港口投資風(fēng)險(xiǎn)狀態(tài)等級(jí)的預(yù)測(cè)

通過(guò)實(shí)際觀測(cè)數(shù)據(jù)以及預(yù)測(cè)數(shù)據(jù)進(jìn)行計(jì)算，并構(gòu)造系統(tǒng)六步狀態(tài)轉(zhuǎn)移概率矩陣，矩陣各元素都是非負(fù)的，并且各行元素之和等于1，各元素用概率表示，在一定條件下是互相轉(zhuǎn)移的，其中位于矩陣中第i行與第j列交叉點(diǎn)上的元素是所得概率，根據(jù)馬爾可夫模型六步轉(zhuǎn)移概率矩陣計(jì)算結(jié)果如下所示(結(jié)果保留兩位小數(shù))。

根據(jù)投資風(fēng)險(xiǎn)六步狀態(tài)轉(zhuǎn)移概率矩陣，通過(guò)加權(quán)馬爾可夫模型預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的投資風(fēng)險(xiǎn)狀態(tài)空間。針對(duì)每一年的風(fēng)險(xiǎn)狀態(tài)等級(jí)，都相對(duì)應(yīng)的存在不同的風(fēng)險(xiǎn)相互轉(zhuǎn)移概率值，但六步轉(zhuǎn)移概率值為1，正如表3所示。為了預(yù)測(cè)某一年的風(fēng)險(xiǎn)概率，需要該年之前的六年風(fēng)險(xiǎn)狀態(tài)等級(jí)數(shù)據(jù)作基礎(chǔ)，而預(yù)測(cè)該年的風(fēng)險(xiǎn)狀態(tài)理論上只存在這六種情況，所以在此把權(quán)重系數(shù)設(shè)置為六種可能狀態(tài)概率的平均值即權(quán)重系數(shù)約為0.17。對(duì)2014年實(shí)際風(fēng)險(xiǎn)狀態(tài)進(jìn)行驗(yàn)證以及2020年、2025年的風(fēng)險(xiǎn)狀態(tài)預(yù)測(cè)，計(jì)算結(jié)果如表3、4、5所示。

表3分析得出結(jié)論，i=0.46時(shí)加權(quán)概率值最大，此時(shí)對(duì)應(yīng)的風(fēng)險(xiǎn)狀態(tài)等級(jí)為5，即加權(quán)馬爾可夫模型預(yù)測(cè)2014年的風(fēng)險(xiǎn)狀態(tài)與實(shí)際觀測(cè)的風(fēng)險(xiǎn)狀態(tài)(表2所示)相一致，表明了馬爾可夫模型預(yù)測(cè)結(jié)果具有較高的可靠性和穩(wěn)定性。由馬爾可夫模型確定的等級(jí)標(biāo)準(zhǔn)，其等級(jí)數(shù)值越大代表風(fēng)險(xiǎn)越大，同樣由表4和5分析可知，2020和2025年港口投資風(fēng)險(xiǎn)狀態(tài)等級(jí)分別為6級(jí)和5級(jí)，表明具有相對(duì)較高的投資風(fēng)險(xiǎn)。

表4 2020年港口投資風(fēng)險(xiǎn)狀態(tài)等級(jí)的預(yù)測(cè)

表5 2025年港口投資風(fēng)險(xiǎn)狀態(tài)等級(jí)的預(yù)測(cè)

表6 擬合精度等級(jí)

同理可以預(yù)測(cè)出2018—2025年的風(fēng)險(xiǎn)狀態(tài)等級(jí)依次為5、5、6、5、3、3、4、5，如圖3所示。從圖3可以看出，未來(lái)我國(guó)港口投資風(fēng)險(xiǎn)的整體形式居高不下，由于港口投資屬于重資產(chǎn)項(xiàng)目回收期較長(zhǎng)，目前繼續(xù)對(duì)港口投資必然存在很大風(fēng)險(xiǎn)。

造成港口投資風(fēng)險(xiǎn)居高不下的原因有：2005—2008年之間，隨著經(jīng)濟(jì)的飛速發(fā)展，港口碼頭的建設(shè)進(jìn)入新的高潮，港口吞吐量通過(guò)能力年均增長(zhǎng)率為0.16，而港口實(shí)際吞吐量年均增長(zhǎng)率為0.12，同比高出4個(gè)百分點(diǎn)，這種較大力度的港口投資建設(shè)，給港口的發(fā)展埋下了風(fēng)險(xiǎn)隱患。由于2008年金融危機(jī)的爆發(fā)，港口在2009與2010年港口投資建設(shè)出現(xiàn)短暫的調(diào)整，港口通過(guò)能力增長(zhǎng)率與吞吐量實(shí)際增長(zhǎng)率基本平衡。

受金融危機(jī)的影響，政府出臺(tái)了一系列刺激經(jīng)濟(jì)的措施，并取得了一定的效果，在2011—2014年港口投資建設(shè)又達(dá)到了一個(gè)新的高度，通過(guò)能力增長(zhǎng)率高出實(shí)際吞吐量增長(zhǎng)率2個(gè)百分點(diǎn)，并且在建和規(guī)劃審批中的港口碼頭泊位100多個(gè)，同比增長(zhǎng)2.5個(gè)百分點(diǎn)，造成了港口事實(shí)上的產(chǎn)能過(guò)剩。經(jīng)濟(jì)新常態(tài)下，隨著“三去一降一補(bǔ)”、“供給側(cè)改革”等政策的出臺(tái)，我國(guó)經(jīng)濟(jì)一直處在下行期，受經(jīng)濟(jì)波動(dòng)影響較大的港口業(yè)面臨發(fā)展瓶頸，低附加價(jià)值的大宗物資貿(mào)易量大幅下滑，鐵礦石、煤炭等主要貨種旺季不旺，其港口吞吐量必然增長(zhǎng)緩慢，一些大宗商品依賴程度較大的北方港口，全年出現(xiàn)了負(fù)增長(zhǎng)，直接影響了整體港口貨物吞吐量，2015年全年吞吐量?jī)H增長(zhǎng)1.1%，較去年縮水4.6個(gè)百分點(diǎn)，其中煤炭及其制品吞吐量增長(zhǎng)率為負(fù)7.3%。隨著國(guó)家推行創(chuàng)新發(fā)展機(jī)制，以高新技術(shù)產(chǎn)品、機(jī)電產(chǎn)品等高附加值的集裝箱吞吐量增長(zhǎng)較快，2015年集裝箱吞吐量增長(zhǎng)4.1%，但集裝箱吞吐量只占港口總吞吐量的19%，大幅下滑的煤炭、鐵礦石等大宗貨物占港口總吞吐量的58%，同時(shí)這些高附加值的貨物具有體積小、重量輕、價(jià)值大的特點(diǎn)，所以造成港口吞吐量的規(guī)模很難增長(zhǎng)，并且開始出現(xiàn)下降態(tài)勢(shì)。

經(jīng)濟(jì)深度調(diào)整導(dǎo)致港口投資風(fēng)險(xiǎn)在2016年后逐漸顯現(xiàn)出來(lái)，使得投資回收期與投資風(fēng)險(xiǎn)發(fā)生期相一致，投資風(fēng)險(xiǎn)會(huì)在較長(zhǎng)一段時(shí)間內(nèi)存在。而通過(guò)本文預(yù)測(cè)的未來(lái)投資風(fēng)險(xiǎn)狀態(tài)等級(jí)都處在3至6級(jí)之間，這里認(rèn)為風(fēng)險(xiǎn)等級(jí)達(dá)到4級(jí)以上即視為具有較高的投資風(fēng)險(xiǎn)。值得注意的是，未來(lái)我國(guó)需要適當(dāng)降低港口建設(shè)規(guī)模，港口投資風(fēng)險(xiǎn)才會(huì)逐步地降低。

圖3 2015—2025年港口投資風(fēng)險(xiǎn)狀態(tài)等級(jí)

4 結(jié)語(yǔ)

本文首先應(yīng)用Logistic生長(zhǎng)模型預(yù)測(cè)港口吞吐量增長(zhǎng)率，然后計(jì)算港口吞吐量增長(zhǎng)率與港口綜合通過(guò)能力增長(zhǎng)率比值，建立港口投資風(fēng)險(xiǎn)值R，最后通過(guò)馬爾可夫模型模擬預(yù)測(cè)港口投資風(fēng)險(xiǎn)的轉(zhuǎn)移概率，使得投資風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果具有較強(qiáng)的科學(xué)性和準(zhǔn)確度。Logistic生長(zhǎng)模型預(yù)測(cè)港口吞吐量增長(zhǎng)率一直趨于下降，與我國(guó)轉(zhuǎn)型時(shí)期的經(jīng)濟(jì)發(fā)展要求同步，通過(guò)馬爾可夫模型預(yù)測(cè)出未來(lái)港口投資風(fēng)險(xiǎn)轉(zhuǎn)移到風(fēng)險(xiǎn)等級(jí)較高的狀態(tài)，表明我國(guó)港口投資目前存在巨大的潛在風(fēng)險(xiǎn)。由于大型港口投資項(xiàng)目建設(shè)期和回收期較長(zhǎng)，投資規(guī)模大短期內(nèi)難以回收的特點(diǎn)，同時(shí)我國(guó)又處在轉(zhuǎn)型時(shí)期，盡管進(jìn)出口仍在小幅增長(zhǎng)，但在2016年后風(fēng)險(xiǎn)會(huì)突顯出來(lái)，因此現(xiàn)在對(duì)港口投資需慎重而行。

改革開放后我國(guó)港口承載力從嚴(yán)重不足變?yōu)榛緷M足經(jīng)濟(jì)需求，到現(xiàn)在經(jīng)濟(jì)發(fā)展放緩港口建設(shè)出現(xiàn)過(guò)剩，對(duì)港口規(guī)模和數(shù)量過(guò)度擴(kuò)張只能導(dǎo)致資源嚴(yán)重浪費(fèi)和加劇港口間惡性競(jìng)爭(zhēng)，片面關(guān)注港口建設(shè)規(guī)模對(duì)經(jīng)濟(jì)總量的貢獻(xiàn)率，忽視我國(guó)經(jīng)濟(jì)發(fā)展水平對(duì)港口建設(shè)規(guī)模的需求度，從而加大對(duì)港口投資過(guò)剩調(diào)控的難度。基于實(shí)證分析結(jié)果，本文形成以下政策建議：1當(dāng)前對(duì)港口建設(shè)發(fā)展模式已經(jīng)不可持續(xù)，那么港口未來(lái)發(fā)展方向需要從外延式擴(kuò)張向內(nèi)涵式發(fā)展道路轉(zhuǎn)變，更多通過(guò)市場(chǎng)配置手段實(shí)現(xiàn)港口資源整合與協(xié)同發(fā)展，2貨種結(jié)構(gòu)與經(jīng)營(yíng)水平之間關(guān)系不協(xié)調(diào)，導(dǎo)致吞吐量與經(jīng)濟(jì)效益嚴(yán)重脫節(jié)，優(yōu)化港口業(yè)務(wù)結(jié)構(gòu)，重新配置港口碼頭資源，3港口間也需要進(jìn)一步形成分工明確，喂給港、支線港和樞紐港層次合理的發(fā)展體系，進(jìn)而提升我國(guó)港口綜合效率和國(guó)際競(jìng)爭(zhēng)力。

附錄1

本文采用后驗(yàn)差法對(duì)模型擬合精度進(jìn)行評(píng)價(jià)，后驗(yàn)差檢驗(yàn)的原理如下：

設(shè)e(i)為原始數(shù)據(jù)列z0(i)與擬合數(shù)據(jù)列z1(i)的殘差，即e(i)=z0(i)-z1(i)。

(7)

式中z1為原始序列均方差，z2為殘差序列均方差。

(8)

通過(guò)后驗(yàn)差比值c和小誤差概率p，判斷模型的預(yù)測(cè)精度，c和p值獲取源于鄧聚龍的《灰色預(yù)測(cè)與決策》。預(yù)測(cè)精度等級(jí)如下表6所示。

附錄2

系統(tǒng)狀態(tài)即風(fēng)險(xiǎn)值劃分方法主要有樣本方差、相對(duì)誤差和聚類，方差和相對(duì)誤差劃分港口投資風(fēng)險(xiǎn)狀態(tài)與實(shí)際狀態(tài)相差較大，聚類分析既能將相似性較高樣本聚集又能克服與實(shí)際狀態(tài)相差較大的弊端，聚類分析劃分風(fēng)險(xiǎn)狀態(tài)標(biāo)準(zhǔn)比樣本差劃分風(fēng)險(xiǎn)狀態(tài)標(biāo)準(zhǔn)更加合理。因此本文采用聚類分析方法劃分港口風(fēng)險(xiǎn)分級(jí)狀態(tài)。

聚類分析是把研究對(duì)象按照性質(zhì)相似聚為一類，性質(zhì)差異較大聚在不同的類，建立在樣本“距離”基礎(chǔ)上的表示方法。因此投資風(fēng)險(xiǎn)值“距離”較近的聚為一類，風(fēng)險(xiǎn)值“距離”較遠(yuǎn)的聚在不同類。K-均值聚類適用于對(duì)港口歷年的投資風(fēng)險(xiǎn)數(shù)據(jù)進(jìn)行有效的聚類，合理劃分出風(fēng)險(xiǎn)值的狀態(tài)等級(jí)。

[1] Frankel E G. Port or shipping project appraisal under risk[J]. Maritime Policy &Management, 1989, 16(3): 213-221.

[2] van Ham H, KoppenjanJ. Building public-private partnerships: Assessing and ma-naging risks in port development[J]. PublicManagement Review, 2001, 3(4): 593-616.

[3] Lam J S L, Su S. Disruption risks and mitigation strategies: An analysis of Asian ports[J]. Maritime Policy& Management, 2015, 42(5): 415-435.

[4] Asteris M, Collins A. UK container port investment and competition: Impediments to the market[J]. Transport Reviews, 2010,30(2): 163-178.

[5] Koh Y K. Optimal investment priority in container port development[J]. Maritime Policy & Management, 2001, 28(2): 109-123.

[6] Rodrigue J P, Notteboom T, Pallis A. The financialization of the port and terminal industry: Revisitingrisk and embeddeness[J].Maritime Policy & Management,2011,38(2):191-213.

[7] Simkins Z S, Stewart R D.Factoring a real value of cargo in port investment a-nd funding decisions[J]. Maritime Policy &Management, 2015, 42(7): 712-728.

[8] Chen M. The use of the interest rate spread for forecasting business cycle turning points and asset allocation: A Markov switch approach[R]. Working Paper, 2000.

[9] 王春峰, 萬(wàn)海輝, 李剛. 基于MCMC的金融市場(chǎng)風(fēng)險(xiǎn)VaR的估計(jì)[J]. 管理科學(xué)學(xué)報(bào),2000, 3(2): 54-61.

[10] Siu T K, Ching W K, Fung S E, et al. On a multivariate Markov chain model for credit risk measurement[J]. Quantitative Finance, 2005, 5(6): 543-556.

[11] 高金余, 陳翔. 馬爾可夫切換模型及其在中國(guó)股市中的應(yīng)用[J]. 中國(guó)管理科學(xué), 2007, 15(6): 20-25.

[12] 楊繼平, 張春會(huì). 基于馬爾可夫狀態(tài)轉(zhuǎn)換模型的滬深股市波動(dòng)率的估計(jì)[J]. 中國(guó)管理科學(xué), 2013, 21(2): 42-48.

[13] 陳守東, 王妍. 我國(guó)金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險(xiǎn)評(píng)估—基于極端分位數(shù)回歸技術(shù)的風(fēng)險(xiǎn)度量[J]. 中國(guó)管理科學(xué), 2014, 22(7):10-17.

[14] Liang Xue, Dong Yinghui. A Markov chain copula model for credit default swa-ps with bilateral counterparty risk[J]. Communications in Statistics Theory and Meth-ods, 2014,43(3): 498-514.

[15] 黃杰. 沿海港口吞吐量與國(guó)民經(jīng)濟(jì)關(guān)系研究[D]. 大連：大連海事大學(xué)博士論文, 2011.

[16] 鐘銘, 吳艷云, 欒維新. 港口物流與城市經(jīng)濟(jì)協(xié)同度模型[J]. 大連海事大學(xué)學(xué)報(bào), 2011, 37(1): 80-82.

[17] 王洪青, 祁春節(jié), 劉歡. 港口對(duì)腹地經(jīng)濟(jì)貢獻(xiàn)彈性的U型曲線及其理論解釋[J].地域研究與開發(fā), 2013, 32(2): 22-26.

[18] 李電生, 員麗芬. 港口群物流系統(tǒng)效率評(píng)價(jià)[J]. 北京交通大學(xué)學(xué)報(bào), 2010, 9(2): 42-47.

[19] 張小蒂, 鄧娟. 中國(guó)港口效率測(cè)度及提升研究[J]. 浙江大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版), 2013, 43(4): 39-51.

[20] 汪傳旭, 崔建新. 長(zhǎng)江三角洲港口群物流系統(tǒng)動(dòng)力學(xué)分析模型[J]. 交通運(yùn)輸工程學(xué)報(bào),2007, 7(5): 77-83.

[21] 丁國(guó)蕾,劉云嘯,王曉光. 長(zhǎng)江三角洲主要港口間的協(xié)調(diào)發(fā)展機(jī)制[J]. 城市發(fā)展研究,2016, 23(3): 64-71.

[22] 隋聰, 譚照林, 王宗堯. 基于網(wǎng)絡(luò)視角的銀行業(yè)系統(tǒng)性風(fēng)險(xiǎn)度量方法[J]. 中國(guó)管理科學(xué), 2016, 24(5):54-64.

[23] 張晨, 楊玉, 張濤. 基于Copula模型的商業(yè)銀行碳金融市場(chǎng)風(fēng)險(xiǎn)整合度量[J].中國(guó)管理科學(xué), 2015, 23(4): 61-69.

[24] 吳建華, 王新軍. 內(nèi)生性回收率與信用風(fēng)險(xiǎn)違約度量研究[J].中國(guó)管理科學(xué), 2016, 24(1): 1-10.

[25] Ramchand L, Susmel R. Variance and covariances of international stock returns: The international capital asset pricing model revisited[J]. Journal of International Financial Markets, 1998, 8(1): 39-57.

[26] 羅平, 姜仁榮, 李紅旮, 等. 基于空間Logistic和Markov模型集成的區(qū)域土地利用演化方法研究[J]. 中國(guó)土地科學(xué), 2010, 24(1): 31-36.

[27] 張樺, 魏本剛, 李可軍, 等. 基于變壓器馬爾可夫狀態(tài)評(píng)估模型和熵權(quán)模糊評(píng)價(jià)法的風(fēng)險(xiǎn)評(píng)估技術(shù)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(5): 134-140.