摘要：
为提高船舶市场趋势预测的精度，针对以往在神经网络应用时仅单纯改进隐层环节算法的局限性，综合模糊聚类方法、数据修正和插值算法，对输入环节的数据进行降维和增量处理，构建船舶市场趋势预测的三阶段模型.首先，利用模糊聚类方法对历史数据进行分类，降低数据非线性；然后，通过数据修正和插值算法，在不改变数据规律的情况下增加每类数据的数据量；最后，利用处理完毕的数据训练神经网络.实例结果证明，三阶段模型在船舶市场趋势预测方面是有效的.
关键词：
船舶市场； 趋势预测； 模糊聚类； 神经网络
中图分类号： F407.474； F222.3
文献标志码： A
Threestage model of ship market trend prediction
JIANG Yuantao， DU Yu， CAI Min
（School of Economics & Management， Shanghai Maritime Univ.， Shanghai 201306， China）
Abstract：
In order to improve the prediction accuracy of ship market trend， in view of the limitation that the neural network is simply used to improve the algorithm in the hidden layer， the reduction of data dimension and the increase of the data amount are carried out in the input layer by the fuzzy clustering method， data correction and interpolation algorithm， and a threestage model of ship market trend prediction is constructed. First， the fuzzy clustering method is used to classify the historical data to reduce the nonlinearity of data. Then， through the data correction and interpolation algorithm， the amounts of various types of data increase without changing data regularity. Finally， the neural network is trained by the processed data. The application results show that the threestage model is effective in the ship market trend prediction.
Key words：
ship market； trend prediction； fuzzy clustering； neural network
收稿日期： 20141014
修回日期： 20150123
基金项目： 上海市教育委员会科研创新项目（12YZ117）；上海市科学技术委员会软科学研究重点项目（14692105200）
0引言
船舶是一种特殊的工业产品，其建造周期长、造价昂贵.船舶市场发展趋势代表船舶所有人和航运企业对航运形势的预期，对制定船舶工业发展规划和调整船舶工业结构具有指导意义，其预测精度将会影响决策的科学性和可行性，因此有必要采取科学有效的方法提高船舶市场趋势的预测精度.在船舶市场趋势预测方面，实践界和理论界从不同角度进行过有益探索.实践界主要基于船舶市场最近一个周期（几个月或季度）的历史数据，通过简单的趋势外推，勾勒未来可能的发展趋势；理论界一方面试图建立复杂的预测模型，另一方面尽可能涵盖影响船舶市场的各种因素提高预测精度.
20世纪70年代末，日本造船学会研究小组（SAJ）曾经针对船舶市场的新船订单建立一套预测模型，并应用于干散货船和油船两大板块.由于该模型需要的大量数据分散在各个经合组织（OECD）成员国，所以没有获得大规模的使用.GEORGE等认为船舶市场的影响因素可以归为5个方面――劳动力、造船业绩、汇率、政府支持和行业结构，并利用其相关数据预测船舶市场未来趋势.顾平等用模糊综合评判方法对船舶市场进行定性分析，魏黎等利用模糊识别对船舶市场进行趋势预测，均取得一定效果.陶永宏等将功效系数法与反向传播（BackPropagation，BP）神经网络相结合建立船舶制造风险预测模型.该模型利用功效系数法获得历史警情，利用神经网络训练，有较高的预测预警能力.王建华等对巴拿马型船舶航运市场价格波动进行向量自回归（Vector AutoRegression，VAR）分析；余思勤等基于市场均衡理论，通过BP神经网络分析以往30年的船舶市场参数数据，并依此对船舶市场的未来风险进行预测和评估；杜裕等综合利用模糊聚类与具有外部输入的非线性自回归（Nonlinear AutoRegression with eXogenous inputs， NARX）神经网络，对船舶市场风险进行预测预警，均取得一定效果. 从以往研究看，由于神经网络具有拟合非线性函数的优势，理论界尤其重视该方法在预测领域的应用.但是当数据呈现高度非线性时会导致神经网络结构异常复杂，反而很难获得全局最优解.为此，人们针对神经网络的隐层环节，力图通过改进搜索算法（例如采用全局搜索能力比较强的遗传算法、蚁群算法等），降低神经网络模型参数的误差来提高拟合度.然而，当数据呈现高度非线性时该方法仍然存在无法精确定位最优解的问题，特别对船舶市场来说，其涉及到的影响因素可以达到百万数量级，这使得船舶市场的内在发展规律被严重扰动，相关数据的波动非常剧烈.而且船舶市场可获得的数据记载周期仅有最近二十多年，船舶市场预测的难度较大.为此，本文以神经网络为预测基础，解决方案不以神经网络的隐层环节为突破，而是引进模糊聚类方法、数据修正和插值算法，对输入环节的历史数据进行科学处理：一方面，利用模糊聚类方法对离散历史数据集合进行合理分类，达到降低数据非线性的目的；另一方面，通过数据修正和插值算法，在不改变数据规律的情况下增加每类数据的数据量，从而提高模型拟合的准确度.应用结果表明，该模型能明显提高船舶市场趋势预测的精度，证明所构建的三阶段模型是有效的.
2三阶段模型应用
以中国船舶市场趋势预测为实例验证三阶段模型的有效性，主要利用所构建的三阶段模型对新船价格、新船订单量和新船完工量进行趋势预测，以客观评估船舶市场未来趋势.首先利用阶段一提出的模糊分类方法，对1975―2013年的数据进行分类，得到5类模糊聚类数据，分别是1975―1987年数据，1988―1997年数据，1998―2003年数据，
2004―2007年数据和2008―2013年数据.由于2008―2013年的数据靠近当前，故利用这组数据进行网络训练并预测未来的市场趋势，其中2008―2011年历史数据作为训练数据，2012和2013年的数据用作
模型检验.表1是2008―2011年历史数据经过插值
之后的结果，可以发现原先4年的4组数据增加到13组.
经过多次调试和修改参数，得出神经网络训练在使用隐藏节点为30，延迟为4时效果较好.训练后的网络结构采用两层NARX神经网络实现船舶市场的新船订单量、新船价格和新船完工量转换.最终训练误差为6×10-20，满足要求，这说明训练的神经网络能够反映关系映射.使用训练好的神经网络对2012和2013年船舶市场的三个参数进行预测，结果见表2.为与直接使用神经网络预警的模型进行比较，进一步把没有进行模糊聚类和数据插值的参数数据直接使用神经网络进行训练后预测，结果见表3.
对比表2和3的结果可以看出：利用分类和插值后的训练数据预测未来一年（2012年）的新船价格、新船订单量和新船完工量，其预测误差分别为2.32%，0.44%和4.84%，显示出很高的预测精度，而未分类训练数据的预测误差分别为26.89%，69.42%和70.92%，预测误差大大超出容忍范围；在预测未来两年（到2013年）的新船价格、新船订单量和新船完工量时，利用处理后训练数据的预测误差分别为1.67%，35.14%和37.72%，除新船价格外，新船订单量和新船完工量的预测效果不甚理想，而未分类训练数据的预测误差分别是13.03%，82.53%和52.80%，可以说已完全失去预测价值.
以上对比说明：本文所提出的三阶段模型在预测短中期（一年）船舶市场趋势时具有较高的精度，在预测中长期（两年）船舶市场趋势时只能在某些指标方面表现良好；利用未处理的数据进行船舶市场趋势预测，无论是短中期趋势还是中长期趋势，预测效果都不理想.
3结论
船舶市场受到多方面因素的影响，人们很难正确把握其未来的发展趋势，本文提出船舶市场趋势预测的三阶段模型，综合利用模糊聚类、数据插值和神经网络方法对衡量船舶市场的三类指标――新船价格、新船订单量和新船完工量的历史数据进行建模和应用分析，所构建的模型也可以应用在船舶市场其他因素以及其他行业市场的趋势预测.本文的研究结论体现在两个方面.
（1）由于船舶价格昂贵以及市场趋势的不确定性，船舶制造企业、船舶所有人和航运企业以及证券分析人员都非常关注船舶市场趋势的预测问题.但是最近二十多年船舶市场反复兴盛、衰退给行业主体带来巨大损失，这说明在预测船舶市场趋势方面仍然面临很大挑战.目前，实践界经常利用趋势外推法预测季度之内的市场趋势，鉴于市场的惯性特点该方法比较有效，但是当面临半年、一年甚至多年趋势预测时就需要更加复杂的预测模型.为此，理论界构建各种复杂的预测模型进行积极尝试，并取得一些成果，其中以神经网络预测模型最常见.
（2）船舶市场具有高度非线性、多维度因素影响的特点，市场行情表现出来就是不确定性高、波动大而且很难预测.本文把船舶市场趋势预测划分成三个阶段，实现降低非线性、提高数据量的目的.案例应用结果表明，虽然所构建的三阶段模型在船舶市场中长期趋势预测方面不甚理想，但是在短中期趋势预测方面比传统方法有效.同时，该方法可以进一步推广，例如应用在船舶市场其他要素短中期预测以及其他行业市场趋势预测方面.
参考文献：
[1]李源， 秦琦， 祁斌， 等. 2013年世界船舶市场评述与未来展望[J]. 船舶， 2014（1）： 112.
[2]明洁， 丁锐锋. 影响当前船舶供求市场的因素探析[J]. 船舶物资与市场， 2008（2）： 1820.
[3]魏黎. 世界船舶市场变化规律研究及走势预测[D]. 镇江： 江苏科技大学， 2007.
[4]GEORGE B， GARRARD I. The business of shipbuilding[M]. London and HongKong： LLP， 1999： 1115.
[5]顾平， 姚慧丽. 船舶市场的模糊综合评判[J]. 造船技术， 1999（4）： 14.
[6]魏黎， 林滨， 杨尚领. 基于模糊模式识别的船舶市场预测模型[J]. 中国造船， 2008（2）： 135140.
[7]陶永宏， 祁爱琳. 基于功效系数法与BP神经网络的造船业风险预警研究[J].中国造船， 2010（3）： 191198.
[8]王建华， 吕靖， 谭威， 等. 巴拿马型船舶航运市场价格波动的VAR模型分析[J]. 上海海事大学学报， 2009， 30（2）： 7883.
[9]余思勤， 项一叶， 刘振. 基于神经网络的船舶市场风险预警研究[J]. 中国商贸， 2012（12）： 9293.
[10]杜裕， 蒋元涛. 基于模糊聚类与NARX神经网络的船舶市场两阶段风险预警模型研究[J]. 物流科技， 2013（8）： 812.
[11]BARNARD E. Optimization for training neural nets[J]. IEEE Trans on Neural Networks， 1992， 3（2）： 232240.
[12]姚祖洪. 国际干散货航运市场研究[D]. 上海： 上海海运学院， 2003.
[13]郭冲， 方泉根， 胡甚平， 等. 港口水域风险评估结论一致性分析模型[J]. 上海海事大学学报， 2012， 33（1）： 1619.
[14]严伟， 杨露， 黄有方， 等. 基于神经网络的集装箱码头泊位分配聚类分析[J]. 上海海事大学学报， 2013， 34（3）： 813.
[15]王川， 王克. 基于BP神经网络的我国农产品市场风险预警研究[J]. 农业经济问题， 2008（S1）： 152156.
[16]李明， 杨汉生， 杨成梧， 等. 一种改进的NARX回归神经网络[J]. 智能控制技术， 2006， 28（4）： 69.