李電生,張騰飛

(中國海洋大學(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)受到國內(nèi)外學(xué)者關(guān)注，同時隨著世界經(jīng)濟(jì)和我國經(jīng)濟(jì)的深入調(diào)整，我國經(jīng)濟(jì)從高速增長逐漸向經(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，港口轉(zhuǎn)型升級成為必然要求，因此科學(xué)有效地預(yù)測港口投資風(fēng)險，對港口投資和管理有著極其重要的價值。

風(fēng)險通常分為內(nèi)生性風(fēng)險和外生性風(fēng)險。內(nèi)生性風(fēng)險是企業(yè)經(jīng)營過程中存在的風(fēng)險，國內(nèi)外學(xué)者對港口的內(nèi)生性風(fēng)險進(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)險評估，充分考慮到需求、成本和技術(shù)的不確定性帶來的風(fēng)險，從項(xiàng)目決策后的視角分析風(fēng)險因素，沒有分析港口和航運(yùn)在投資之前是否存在風(fēng)險。van Ham等[2]定性分析港口中存在的風(fēng)險，通過設(shè)計公私合營的模式來規(guī)避港口運(yùn)營中的風(fēng)險。Lam等[3]研究亞洲港口運(yùn)營風(fēng)險，采用風(fēng)險矩陣得出可能性與嚴(yán)重性的相關(guān)關(guān)系，并對港口出現(xiàn)不可預(yù)測風(fēng)險進(jìn)行分類。Asteris等[4]分析出英國集裝箱港口市場投資規(guī)模擴(kuò)大，需要根據(jù)市場需求進(jìn)行投資和公平競爭，集裝箱港口投資不能只依賴于政府調(diào)控，從市場需求角度降低投資風(fēng)險。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，一些學(xué)者從風(fēng)險事件的根源入手即投資角度，降低風(fēng)險發(fā)生的概率。比如Koh[5]評估集裝箱港口投資方案與風(fēng)險，得出最優(yōu)投資決策，但沒有從度量投資風(fēng)險的大小值角度入手。Rodrigue等[6]分析了港口投資風(fēng)險與技術(shù)、市場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，通過金融與港口相結(jié)合更好的降低經(jīng)濟(jì)波動給港口帶來的風(fēng)險。Simkins等[7]分析在港口投資決策中，標(biāo)稱值會誤導(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。從上面這些文獻(xiàn)可知，對于港口風(fēng)險的探討，無論是采用何種研究方法，還是研究角度變化，港口的風(fēng)險研究均側(cè)重于經(jīng)營、管理等方面，很少涉及宏觀經(jīng)濟(jì)帶來的外生性風(fēng)險。

外生性風(fēng)險是指受宏觀經(jīng)濟(jì)影響較大的系統(tǒng)性風(fēng)險。改革開放后我國經(jīng)濟(jì)高速增長，尤其是加入世界貿(mào)易組織(WTO)后我國對外貿(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)險沒有受到業(yè)界和學(xué)者足夠重視。但隨著我國經(jīng)濟(jì)結(jié)構(gòu)的調(diào)整，經(jīng)濟(jì)高速增長帶動大規(guī)模港口投資時期已經(jīng)過去，研究外生性港口投資風(fēng)險對推動港口轉(zhuǎn)型升級具有重要的現(xiàn)實(shí)意義。

目前對于外生性投資風(fēng)險研究，主要集中在金融、保險等領(lǐng)域，與國家宏觀經(jīng)濟(jì)變化密切相關(guān)，易受到經(jīng)濟(jì)波動、政策調(diào)整的影響較大，因此成為風(fēng)險研究者們的青睞。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)金融市場的投資問題，使用馬爾可夫切換模型預(yù)測經(jīng)濟(jì)增長狀態(tài)轉(zhuǎn)折點(diǎn)，為金融市場投資規(guī)避風(fēng)險。王春峰等[9]針對現(xiàn)有的風(fēng)險價值模型(VaR)計算中缺陷,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)險度量精度，在金融風(fēng)險預(yù)測中廣泛應(yīng)用。Siu等[10]將多元馬爾可夫模型運(yùn)用到信用風(fēng)險度量中，將歷史數(shù)據(jù)納入風(fēng)險評級當(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]通過馬爾可夫切換模型較好的刻畫了不同時期股市波動的階段性特征。楊繼平等[12]為了更精確估計結(jié)構(gòu)轉(zhuǎn)換的我國股市收益率波動的特征，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的準(zhǔn)確率。陳守東等[13]在系統(tǒng)性金融風(fēng)險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33家上市金融機(jī)構(gòu)對金融系統(tǒng)風(fēng)險的影響。Liang Xue等[14]研究信用違約風(fēng)險中的交易風(fēng)險，并通過連接函數(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)測違約風(fēng)險狀態(tài)。

綜上所述，由于金融風(fēng)險具有發(fā)生頻率高、周期短、與經(jīng)濟(jì)波動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)險具有一定的獨(dú)特性，因具有投資金額大、潛伏性周期長、受經(jīng)濟(jì)波動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)險研究相對較少。黃杰[15]分析出英國、美國以及日本等發(fā)達(dá)國家的港口投資建設(shè)已經(jīng)進(jìn)入成熟期，這些發(fā)達(dá)國家大型港口投資項(xiàng)目建設(shè)逐漸減少，國外學(xué)者對國外港口投資風(fēng)險研究較少。而我國高度關(guān)注港口對經(jīng)濟(jì)的貢獻(xiàn)率，忽視經(jīng)濟(jì)發(fā)展水平對港口規(guī)模需求的約束作用，同時我國經(jīng)濟(jì)的高速增長帶動了港口的發(fā)展，使地方政府和港口企業(yè)淡化了港口投資的風(fēng)險意識。

國內(nèi)學(xué)者對我國港口的研究主要集中在港口與區(qū)域的互動發(fā)展、港口經(jīng)營管理以及港口間競爭與合作三個層面。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，并且對腹地經(jīng)濟(jì)貢獻(xiàn)彈性有U型特征。而港口的經(jīng)營管理主要側(cè)重在港口效率測度方面，這類文獻(xiàn)相對較多，主要的文獻(xiàn)有，李電生等[18]對港口進(jìn)行效率測度，解決港口設(shè)施設(shè)備經(jīng)營管理問題。張小蒂等[19]對中國主要港口三個層次方面進(jìn)行效率測度，得出投入擁擠與產(chǎn)出不足是港口效率低下主要成因。最后一個層面是港口間的合作競爭，從既有的文獻(xiàn)看合作與競爭相輔相成，比如，汪傳旭等[20]采用區(qū)域港口合作競爭模型研究了港口協(xié)調(diào)發(fā)展問題。丁國蕾等[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)展問題。

從既有文獻(xiàn)可知，港口投資風(fēng)險問題很少受到學(xué)者關(guān)注，因此這類文獻(xiàn)的研究相對缺乏，這與港口獨(dú)特的外生性投資風(fēng)險特點(diǎn)有直接關(guān)系。2016年7月中國科學(xué)院預(yù)測科學(xué)研究中心發(fā)布了“2016年全球Top20集裝箱港口預(yù)測報告”，報告分析了集裝箱吞吐量在緩慢增長的同時，也指出我國港口產(chǎn)能過剩問題開始顯現(xiàn)，港口投資風(fēng)險需引起重視。

本文主要貢獻(xiàn)如下：世界經(jīng)濟(jì)和我國經(jīng)濟(jì)的深入調(diào)整，港口也從高速增長逐漸趨近平穩(wěn)，通過梳理我國港口研究和發(fā)展過程，提出了港口產(chǎn)能過剩引發(fā)外生性投資風(fēng)險問題。由于港口的發(fā)展同中國經(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)問題。為此，本文首次構(gòu)造了Logistic生長方程—馬爾可夫組合模型，通過Logistic生長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)險轉(zhuǎn)移概率矩陣，有效的解決了港口投資風(fēng)險的測度問題。本文的研究結(jié)果顯示港口投資風(fēng)險在2016開始顯現(xiàn)，并將持續(xù)較長一段時期。表明我國港口正處在轉(zhuǎn)型升級的關(guān)鍵時期，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]通過網(wǎng)絡(luò)模型研究銀行系統(tǒng)性風(fēng)險的因素，把違約銀行數(shù)量或違約銀行比率作為衡量風(fēng)險的指標(biāo)，但在風(fēng)險度量中缺少系統(tǒng)性的方法。張晨等[23]用Copula函數(shù)度量碳金融市場風(fēng)險多因子的相關(guān)性，Copula函數(shù)可以描述非線性、非對稱問題，但很難描述隨機(jī)動態(tài)過程，單純用靜態(tài)的相關(guān)性研究問題也存在缺陷。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)險之間內(nèi)在關(guān)系，蒙特卡洛方法可以處理某個隨機(jī)變量的數(shù)學(xué)期望，但仍然存在高維靜態(tài)不足等問題。

而馬爾可夫模型處理問題時能較好地刻畫出系統(tǒng)狀態(tài)從一個階段到另一個階段的演化發(fā)展過程，通過狀態(tài)轉(zhuǎn)移概率矩陣預(yù)測系統(tǒng)的變化。但馬爾可夫模型在某些問題上無法直接獲得狀態(tài)參數(shù)，需要借助其他模型對原始數(shù)據(jù)進(jìn)行預(yù)處理。如Ramchand等[25]通過SWARCH方法對數(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，并估計和預(yù)測股市的波動率。羅平等[26]通過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土地利用單元轉(zhuǎn)移概率，進(jìn)而實(shí)現(xiàn)對空間分布的預(yù)測。張樺等[27]根據(jù)變壓器故障機(jī)理的復(fù)雜性特征，提出馬爾可夫過程的狀態(tài)評估模型，運(yùn)用熵權(quán)模糊計算法量化變壓器設(shè)備風(fēng)險等級，構(gòu)造風(fēng)險評價矩陣。上述論文針對特定的問題選取了不同的方法組合，解決了相應(yīng)地問題。本文通過Logistic生長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生長方程的港口吞吐量增長率預(yù)測

從我國GDP增長趨勢來看，經(jīng)濟(jì)發(fā)展水平經(jīng)歷高速增長后逐漸趨于減緩，最后經(jīng)濟(jì)增長速度將會達(dá)到平衡狀態(tài)。這充分說明了我國經(jīng)濟(jì)發(fā)展趨勢與Logistic生長模型是相吻合的。與此同時港口的吞吐量變化與經(jīng)濟(jì)發(fā)展水平密切相關(guān)，其變化趨勢與我國經(jīng)濟(jì)發(fā)展水平是相一致。因此用Logistic模型預(yù)測我國港口吞吐量變化趨勢。

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

(1)

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

從Logistic生長方程的一階導(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。同時港口吞吐量隨著我國經(jīng)濟(jì)變化也呈現(xiàn)出s曲線特征，即在開始時港口吞吐量基數(shù)較小，則增長速度較慢，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，因此增長速度較快，末段時間港口吞吐量達(dá)到環(huán)境最大容量時候其生存空間減少，因此增長速度越來越慢，直至趨近于0，最后達(dá)到平衡狀態(tài)。

為確定Logistic生長方程中z變量的計算公式，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Logistic模型的微分形式進(jìn)行求解。

2)以我國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時間港口吞吐量增長率，t0表示初始時間的年份。

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)差對模型擬合精度進(jìn)行評價，主要通過后驗(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)過程見附錄1：

(7)

②計算小誤差概率p:

(8)

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

主要通過觀測港口實(shí)際投資風(fēng)險狀態(tài)預(yù)測在未來階段的港口投資風(fēng)險狀態(tài)發(fā)生概率，為把投資風(fēng)險定量化處理，這里給出一個港口投資風(fēng)險值的定義，即港口投資風(fēng)險值是港口吞吐量增長率與港口通過能力增長率的比值R。根據(jù)港口投資風(fēng)險值歷史數(shù)據(jù)的劃分來構(gòu)造轉(zhuǎn)移概率矩陣。

首先需要Logistic生長模型預(yù)測港口吞吐量增長率，作為給出定義中的投資風(fēng)險值的一個變量，通過Logistic生長方程生成馬爾可夫模型所需要的狀態(tài)參數(shù)，即 Logistic生長模型預(yù)測港口吞吐量增長率，然后計算所有觀測年份與預(yù)測年份的港口吞吐量增長率與港口通過能力增長率的比值建立投資風(fēng)險值R。然后需要通過聚類分析方法將不同年份對應(yīng)的投資風(fēng)險值劃分為若干個不同的風(fēng)險等級，最后采用馬爾可夫模型將不同的風(fēng)險等級之間狀態(tài)轉(zhuǎn)換過程構(gòu)造出風(fēng)險轉(zhuǎn)移概率矩陣。聚類分析方法劃分風(fēng)險狀態(tài)等級具體詳見附錄2。

(9)

(10)

其中港口投資風(fēng)險轉(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)險度量值R來衡量港口投資風(fēng)險所處狀態(tài)程度，港口風(fēng)險度量值R是指港口吞吐量增長率與港口通過能力增長率的比值，比值R越大表明港口吞吐量增長速度大于港口通過能力增長速度，港口投資風(fēng)險越小，反之越大。其中港口通過能力與港口吞吐量數(shù)據(jù)獲取來源于《交通部沿海港口通過能力核查報告》和《中國交通信息統(tǒng)計中心》。

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

整理出的預(yù)測吞吐量增長率函數(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)測結(jié)果如圖1，及港口吞吐量變化預(yù)測如圖2所示。

圖1 港口吞吐量年增長率預(yù)測

圖2 港口吞吐量年增長值預(yù)測

運(yùn)用后驗(yàn)差檢驗(yàn)法對港口吞吐量增長率的擬合結(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對照表6，說明擬合精度較高，應(yīng)用Logistic生長模型具有較高可靠性；從圖1中我們可以看出：吞吐量增長率經(jīng)歷2001至2004年和2007至2011年兩個階段高速增長后，在2013年之后一段時間增長率一直趨于下降，逐步達(dá)到平衡狀態(tài)，這和我國經(jīng)濟(jì)發(fā)展過程總體是相適應(yīng)的。從圖2可以得出：港口吞吐量增長具有s型曲線特征，從2000到2014年增長較快，然而在經(jīng)歷高速增長后達(dá)到一個接近飽和的狀態(tài)，此時2015年后吞吐量變化將會比較穩(wěn)定。

根據(jù)交通部統(tǒng)計年鑒計算1985—2014年數(shù)據(jù)與2015—2017年預(yù)測數(shù)據(jù)，最后確定1985至2017年的投資風(fēng)險值，將風(fēng)險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標(biāo)準(zhǔn)，自動形成六個等級標(biāo)準(zhǔn)，1代表風(fēng)險等級最低，6代表風(fēng)險等級最高，如表1所示。先計算投資風(fēng)險值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，由于投資風(fēng)險值與風(fēng)險狀態(tài)等級可以合并在同一張表中，故把投資風(fēng)險狀態(tài)分級標(biāo)準(zhǔn)作為表1，為了清楚表達(dá)不同年份的投資風(fēng)險值處在何種風(fēng)險狀態(tài)，構(gòu)建表2。

表1 投資風(fēng)險狀態(tài)分級標(biāo)準(zhǔn)

表2 1985-2017年我國沿海港口投資風(fēng)險值、風(fēng)險狀態(tài)等級

數(shù)據(jù)來源：交通部沿海港口通過能力核查報告。

表3 2014年港口投資風(fēng)險狀態(tài)等級的預(yù)測

通過實(shí)際觀測數(shù)據(jù)以及預(yù)測數(shù)據(jù)進(jìn)行計算，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)險六步狀態(tài)轉(zhuǎn)移概率矩陣，通過加權(quán)馬爾可夫模型預(yù)測未來一段時間內(nèi)的投資風(fēng)險狀態(tài)空間。針對每一年的風(fēng)險狀態(tài)等級，都相對應(yīng)的存在不同的風(fēng)險相互轉(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)測某一年的風(fēng)險概率，需要該年之前的六年風(fēng)險狀態(tài)等級數(shù)據(jù)作基礎(chǔ)，而預(yù)測該年的風(fēng)險狀態(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2014年實(shí)際風(fēng)險狀態(tài)進(jìn)行驗(yàn)證以及2020年、2025年的風(fēng)險狀態(tài)預(yù)測，計算結(jié)果如表3、4、5所示。

表3分析得出結(jié)論，i=0.46時加權(quán)概率值最大，此時對應(yīng)的風(fēng)險狀態(tài)等級為5，即加權(quán)馬爾可夫模型預(yù)測2014年的風(fēng)險狀態(tài)與實(shí)際觀測的風(fēng)險狀態(tài)(表2所示)相一致，表明了馬爾可夫模型預(yù)測結(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標(biāo)準(zhǔn)，其等級數(shù)值越大代表風(fēng)險越大，同樣由表4和5分析可知，2020和2025年港口投資風(fēng)險狀態(tài)等級分別為6級和5級，表明具有相對較高的投資風(fēng)險。

表4 2020年港口投資風(fēng)險狀態(tài)等級的預(yù)測

表5 2025年港口投資風(fēng)險狀態(tài)等級的預(yù)測

表6 擬合精度等級

同理可以預(yù)測出2018—2025年的風(fēng)險狀態(tài)等級依次為5、5、6、5、3、3、4、5，如圖3所示。從圖3可以看出，未來我國港口投資風(fēng)險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，目前繼續(xù)對港口投資必然存在很大風(fēng)險。

造成港口投資風(fēng)險居高不下的原因有：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，港口吞吐量通過能力年均增長率為0.16，而港口實(shí)際吞吐量年均增長率為0.12，同比高出4個百分點(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，港口通過能力增長率與吞吐量實(shí)際增長率基本平衡。

受金融危機(jī)的影響，政府出臺了一系列刺激經(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)到了一個新的高度，通過能力增長率高出實(shí)際吞吐量增長率2個百分點(diǎn)，并且在建和規(guī)劃審批中的港口碼頭泊位100多個，同比增長2.5個百分點(diǎn)，造成了港口事實(shí)上的產(chǎn)能過剩。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，我國經(jīng)濟(jì)一直處在下行期，受經(jīng)濟(jì)波動影響較大的港口業(yè)面臨發(fā)展瓶頸，低附加價值的大宗物資貿(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，直接影響了整體港口貨物吞吐量，2015年全年吞吐量僅增長1.1%，較去年縮水4.6個百分點(diǎn)，其中煤炭及其制品吞吐量增長率為負(fù)7.3%。隨著國家推行創(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較快，2015年集裝箱吞吐量增長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%，同時這些高附加值的貨物具有體積小、重量輕、價值大的特點(diǎn)，所以造成港口吞吐量的規(guī)模很難增長，并且開始出現(xiàn)下降態(tài)勢。

經(jīng)濟(jì)深度調(diào)整導(dǎo)致港口投資風(fēng)險在2016年后逐漸顯現(xiàn)出來，使得投資回收期與投資風(fēng)險發(fā)生期相一致，投資風(fēng)險會在較長一段時間內(nèi)存在。而通過本文預(yù)測的未來投資風(fēng)險狀態(tài)等級都處在3至6級之間，這里認(rèn)為風(fēng)險等級達(dá)到4級以上即視為具有較高的投資風(fēng)險。值得注意的是，未來我國需要適當(dāng)降低港口建設(shè)規(guī)模，港口投資風(fēng)險才會逐步地降低。

圖3 2015—2025年港口投資風(fēng)險狀態(tài)等級

4 結(jié)語

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

改革開放后我國港口承載力從嚴(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)過剩，對港口規(guī)模和數(shù)量過度擴(kuò)張只能導(dǎo)致資源嚴(yán)重浪費(fèi)和加劇港口間惡性競爭，片面關(guān)注港口建設(shè)規(guī)模對經(jīng)濟(jì)總量的貢獻(xiàn)率，忽視我國經(jīng)濟(jì)發(fā)展水平對港口建設(shè)規(guī)模的需求度，從而加大對港口投資過剩調(diào)控的難度?；趯?shí)證分析結(jié)果，本文形成以下政策建議：1當(dāng)前對港口建設(shè)發(fā)展模式已經(jīng)不可持續(xù)，那么港口未來發(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，更多通過市場配置手段實(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)而提升我國港口綜合效率和國際競爭力。

附錄1

本文采用后驗(yàn)差法對模型擬合精度進(jìn)行評價，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)

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

附錄2

系統(tǒng)狀態(tài)即風(fēng)險值劃分方法主要有樣本方差、相對誤差和聚類，方差和相對誤差劃分港口投資風(fēng)險狀態(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)險狀態(tài)標(biāo)準(zhǔn)比樣本差劃分風(fēng)險狀態(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)險分級狀態(tài)。

聚類分析是把研究對象按照性質(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)險值“距離”較近的聚為一類，風(fēng)險值“距離”較遠(yuǎn)的聚在不同類。K-均值聚類適用于對港口歷年的投資風(fēng)險數(shù)據(jù)進(jìn)行有效的聚類，合理劃分出風(fēng)險值的狀態(tài)等級。

[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, 萬海輝, 李剛. 基于MCMC的金融市場風(fēng)險VaR的估計[J]. 管理科學(xué)學(xué)報,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股市中的應(yīng)用[J]. 中國管理科學(xué), 2007, 15(6): 20-25.

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

[13] 陳守東, 王妍. 我國金融機(jī)構(gòu)的系統(tǒng)性金融風(fēng)險評估—基于極端分位數(shù)回歸技術(shù)的風(fēng)險度量[J]. 中國管理科學(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, 2011, 37(1): 80-82.

[17] 王洪青, 祁春節(jié), 劉歡. 港口對腹地經(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)效率評價[J]. 北京交通大學(xué)學(xué)報, 2010, 9(2): 42-47.

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

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

[21] 丁國蕾,劉云嘯,王曉光. 長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)險度量方法[J]. 中國管理科學(xué), 2016, 24(5):54-64.

[23] 張晨, 楊玉, 張濤. 基于Copula模型的商業(yè)銀行碳金融市場風(fēng)險整合度量[J].中國管理科學(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)險違約度量研究[J].中國管理科學(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)評估模型和熵權(quán)模糊評價法的風(fēng)險評估技術(shù)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2016, 44(5): 134-140.