인공신경망(ANN) 모델을 활용한 상해 컨테이너 운임지수 예측

인공신경망(ANN) 모델을 활용하여 상하이 컨테이너 운임지수를 예측합니다. 인공신경망(ANN) 모델을 활용하여 상하이 컨테이너 운임지수를 예측합니다.

연구의 배경 및 목적

연구의 범위 및 방법

연구의 구성

제2장 컨테이너 해운 시장 현황 및 상품 지수. 제2장 컨테이너 해운 시장 현황 및 상품 지수.

Fig. 1 연구의 구성

컨테이너 해운 시장 현황

세계 컨테이너선 선복량 추세

이처럼 대부분의 선사들은 선복량을 늘려 선대 규모를 늘려 컨테이너선 시장에서 시장점유율과 경쟁력을 확보하기 위한 수단으로 활용하고 있다. 그러나 Cullinane et al(2000)은 컨테이너 해운 규모의 경제가 단기간 동안만 원가 경쟁력을 허용할 뿐이며, 많은 사람들의 모방 전략으로 인해 전 세계적으로 지속 가능한 경쟁 우위는 실현 가능하지 않다고 예측했습니다. 경쟁자.

Fig. 2 세계 컨테이너선 선복량 추세(1997년 ~ 2017년)

세계 컨테이너 물동량 추세

반면, 선박 용량은 계속해서 증가하고 있습니다. 이러한 현상은 과잉공급 현상으로 컨테이너 해운시장의 수요와 공급의 불균형을 의미한다.

Table 3 세계 컨테이너 물동량(1999년 ~ 2017년)

세계 주요 선사 얼라이언스 개편 및 M&A 추진 현황

경쟁우위를 확보하고 수익을 증대시키기 위해 선사들은 생산능력 확보와 경쟁력 제고를 위해 제휴를 맺었습니다. 기존 5개 동맹이 3개 동맹으로 통합되면서 점차 과점체제가 강화됐다.

Fig. 3 Global Alliance 개편

컨테이너 해운시장 관련 지수

이 지수에는 해상 화물과 일반 화물이 포함되며 수출 화물을 기준으로 합니다. 주식회사에서 발표하는 컨테이너선 용선료 지수입니다. Contex는 독일 함부르크 선박중개인 협회(VHSS)가 발행하는 용선료 지수입니다.

Table 7 세계 컨테이선 시장 주요 관련 지수

선행연구 고찰

SCFI 종합지수의 예측오차 분산을 설명하는데 가장 큰 비중을 차지하는 변수는 오더북 변수였다. 김석환(2017)은 컨테이너 해운사의 운임 결정에 영향을 미치는 요인에 대한 문헌연구와 설문조사를 바탕으로 변수를 선정하고, 각 변수와 실제 컨테이너 운임과의 관계를 조사한 결과, 본 연구를 위해 수집되었다. 수행됩니다. 연구 결과, 실제 해운 데이터와 벙커비용 및 용선비용 지수인 클락슨지수와 타임차터지수와의 상관관계를 설명하는 요인은 발견되지 않았다.

분석방법론

ARIMA(Auto-regressive Integrated Moving Average)

정상성을 확인하는 것이 중요한 이유는 일반적으로 선형 확률 ​​과정이 무작위 표본 공간에서 시계열 값을 선택하여 구현된다고 간주되기 때문입니다. 즉, 유한한 수의 관측된 시계열 데이터를 가지고 추정을 하려면 그래프를 단순화하는 가정이 필연적으로 필요합니다. 따라서 일반적으로 피팅 후 나타나는 ACF 감소 결과와 PCAF + 적합도 값을 살펴보고 유효한 모델을 지속적으로 사용하는 것이 필요합니다.

Fig. 15 안정적 시계열 및 비안정적 시계열

자기회귀모형

상관분석은 단순선형회귀분석에 선행해야 하는 분석방법이다. 상관분석은 두 정량변수 사이의 선형 관계를 분석합니다. 두 정량변수 사이의 상관계수가 높을 경우, 한 변수는 다른 변수의 일차방정식으로 표현될 수 있습니다.

Fig. 17 Durbin-Watson 검정의 구간별 판정

인공신경망 모형

시그모이드 함수는 다음 공식으로 정의할 수 있습니다. 단일 레이어 ANN은 뉴런으로 구성된 레이어가 하나만 있음을 의미합니다. 다중 계층 ANN은 뉴런으로 구성된 두 개 이상의 레이어를 포함하는 ANN을 나타냅니다.

Table 11 생물학적 신경망과 인공신경망 구성요소 비교

이중계절형 Holt-Winters 모형

이중 계절성 홀트-윈터 모델의 초기값은 식 (10)으로 표현됩니다. Taylor(2003)는 수정된 이중계절 홀트-겨울 모델을 제안했습니다. 4장 인공 신경망을 사용하여 SCFI 예측 모델 구축.

예측 요인 선정

• SCFI(Shanghai containerized Freight Index)
• HRCI(Howe Robinson Containership index)
• Bunker 380CST Index
• U.S. Dollar Index

실제로 벙커가격 하락은 선사들에게 긍정적인 영향과 부정적인 영향을 동시에 준다. 매출의 30%를 벙커비용으로 지출하는 정기선사의 경우 벙커가격 하락으로 비용은 낮아지기는 했지만 오히려 운임과 용선료도 하락했다. 따라서 본 연구에서는 선박연료의 주요 종류인 380CST를 기준으로 6개 권역 16개 항만 평균 벙커가격인 380CST 벙커지수(380CST Bunker Index)가 화물을 결정하는 중요한 요소로 판단되어 사용하였다. 비율 지수.

Fig. 29 SCFI 추이(2009.10 ~ 2018.9) 4.1.2 HRCI(Howe Robinson Containership index)

표 18은 본 연구에서 예측변수로 사용된 변수인 SCFI, HRCI, US Dollar Index 및 Bunker 380 CST Index 간의 상관관계를 보여줍니다. 종속변수인 SCFI와 독립변수인 HRCI 사이에는 거의 무시할 수 있는 선형관계가 나타나고, 종속변수인 SCFI와 독립변수인 HRCI, US Dollar Index 사이에는 뚜렷한 음의 선형관계가 나타난다. 변수 간 ​​관계의 선형성을 조사한 산점도는 그림 33에 나와 있습니다.

Fig. 33 예측요인 산점도

최적 인공신경망 예측 모형 구축

오차함수로는 SSE(Sum of Squared Errors)를 사용하였고, 인공신경망 알고리즘은 가중치를 갖는 탄력적 역전파를 사용하였다. 최적의 인공신경망 모델을 도출하기 위해 위에서 언급한 하이퍼파라미터뿐만 아니라 학습계수인 학습률(Learning Rate)과 오차 부분 도출의 임계값인 임계값(Threshold)을 정지 기준으로 조정하였다. 하이퍼 매개변수 최적의 인공 신경망 구성 정규화 방법 Min-Max [0, 1].

Table 19 인공신경망 예측 모형 학습결과

최적 인공신경망 모형을 통한 예측 수행

연구결과 및 시사점

별칭이 있고 활성화 함수는 시그모이드 함수이며 알고리즘은 탄력적 역전파를 사용합니다. 예측 결과, 최고값은 1,010포인트, 최저값은 992포인트로 예측돼 일시적으로 소폭 상승세를 보였지만 전체적으로는 지속적인 하락세를 나타냈다.

연구의 한계점 및 향후 연구방향

인공 신경망(ANN) 모델을 사용하여 건화물 운송 요금을 예측합니다. 컨테이너 해상운임과 화물운임 결정요인과의 상관관계에 관한 연구. 국제해운시장의 정기선 운임 결정요인에 관한 연구.