《Journal of Management Science and Engineering》：Estimating the impact of emergencies on BCI: An EEMD-based analysis method
编辑推荐：
波罗的海好望角型指数（BCI）反映了主要干散货大宗商品的运费波动，并且对突发事件引发的冲击高度敏感。这些突发事件在影响强度和持续时间上存在显著差异，即使同一类别内的突发事件也会产生异质性的BCI响应，而仅凭类别分类或基于频率的分析无法充分捕捉这些响应。在本文中
波罗的海好望角型指数（BCI）反映了主要干散货大宗商品的运费波动，并且对突发事件引发的冲击高度敏感。这些突发事件在影响强度和持续时间上存在显著差异，即使同一类别内的突发事件也会产生异质性的BCI响应，而仅凭类别分类或基于频率的分析无法充分捕捉这些响应。在本文中，研究人员将突发事件进一步区分为显著事件和重要事件。研究人员开发了一种基于集成经验模态分解（EEMD）的事件导向框架，该框架将分解扩展到基于频率的动态之外，通过明确整合事件响应表征来补充现有研究。通过应用精细到粗糙重构、符号序列程序和定积分来量化累积效应，该方法能够基于显著事件和重要事件的分类测量反馈方向、反馈时间、个体波动周期和波动幅度，并揭示航线级运费响应如何聚合为指数级波动。研究展示了以下发现：（1）BCI的波动主要由短期市场波动构成，这些波动源于供需失衡以及重要事件、显著事件和内在长期趋势的影响。（2）BCI对显著事件和负反馈事件的反馈时间更短。（3）重要事件的个体波动周期更短，平均为34个交易日。（4）在显著事件下，BCI在低频模式中波动更大。这些发现有助于企业和政府部门管理由BCI波动产生的风险，同时增强BCI的预测和预警能力，从而为经济安全做出贡献。
**论文解读文章**
**研究背景与问题**
干散货航运市场是国际贸易和国民经济运行的核心。2023年，海运贸易占全球贸易的86%，其中干散货约占44%，干散货运费波动显著影响物流成本、商品价格、供应链稳定性以及国家经济安全。波罗的海好望角型指数（Baltic Capesize Index, BCI）作为衡量铁矿石、煤炭等主要干散货大宗商品运费的关键指标，由多条构成航线的运费加权计算得出，每日由波罗的海交易所发布。然而，BCI具有高度波动性，例如2020年初曾跌至负值。这种极端波动源于突发事件（如贸易争端、自然灾害、突发公共卫生事件）的冲击，这些冲击使BCI时间序列呈现非平稳和非线性特征。不同突发事件在影响强度和持续时间上差异显著，即使同一类别内的突发事件也可能对BCI产生异质性的影响，表现为反馈方向、反馈时间、个体波动周期和波动幅度的不同。现有研究多基于事件类别分类或频率域分析，难以充分捕捉这种异质性。因此，有必要进一步根据影响强度将突发事件区分为显著事件（significant events）和重要事件（important events），并开发一种能同时刻画事件响应特征和航线级到指数级传导机制的分析框架。
**研究内容与结论**
研究人员提出了一种基于集成经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）的事件导向分析框架，用于估计突发事件对BCI的影响。该框架将分解扩展到频率域动态之外，通过精细到粗糙重构（Fine-to-coarse Reconstruction）将本征模态函数（Intrinsic Mode Functions, IMFs）合成为具有统一经济意义的高频分量（代表重要事件和短期供需失衡）和低频分量（代表显著事件），并利用符号序列程序和定积分量化反馈方向、反馈时间、个体波动周期和波动幅度。研究选取2017年12月21日至2022年2月16日的日度BCI数据（共1035个有效观测值）及其五条构成航线的运费数据，数据来源为克拉克森数据库（Clarkson database），同时结合中国国家统计局（NBS）和贸易地图（Trade Map）数据库的贸易数据。研究识别了2018-2022年间9个代表性突发事件，将其分为显著事件和重要事件，并分析了航线级运费响应如何累积为指数级波动。主要结论包括：（1）BCI波动主要由短期市场波动（重要事件和供需失衡）、显著事件和长期趋势共同构成；（2）BCI对显著事件和负反馈事件的反馈时间更短（显著事件0-4个交易日，重要事件3-19个交易日）；（3）重要事件的个体波动周期平均约34个交易日，显著事件则约164个交易日；（4）显著事件下BCI低频模式波动幅度更大（约1049-1844），重要事件高频模式波动幅度较小（约224-1011）。此外，研究还揭示了航线级异质性：例如，中澳贸易争端因影响核心铁矿石航线C10_14而成为显著事件，而中美贸易争端因影响煤炭航线C16且具有强替代性而成为重要事件。
**关键技术方法**
研究人员主要采用以下方法：①集成经验模态分解（EEMD）：将非平稳非线性BCI时间序列自适应分解为多个本征模态函数（IMFs），并通过添加白噪声克服模态混叠问题；②精细到粗糙重构：对IMFs进行t检验，将高频IMFs（IMF1-IMF4）重构为高频分量（代表重要事件），将低频IMFs（IMF5-IMF8）重构为低频分量（代表显著事件），并提取长期趋势项；③符号序列转换：基于2σ原则将BCI波动状态分为剧烈上升（R）、普通上升（r）、普通下降（d）、剧烈下降（D）四类，用于识别反馈方向和反馈时间；④定积分与权重计算：对每条航线日波动幅度曲线进行积分，结合BCI权重系数计算各航线对BCI波动的累积贡献，从而确定主导事件和主导航线。样本数据来源为克拉克森数据库（2017.12.21-2022.2.16），中国钢铁产量数据来自中国国家统计局，铁矿石、煤炭等贸易数据来自贸易地图数据库。
**研究结果**
**5.1 时间序列分解结果**
通过EEMD将BCI原序列分解为8个IMFs和1个残差项。统计分析显示，IMF1-IMF4对应短期波动，IMF5-IMF8对应中短期波动。其中IMF5-IMF7与原始序列的相关系数较高（0.39-0.63），方差贡献率较大（7.16%-21.03%），表明低频IMFs更能捕捉BCI的主要波动。
**5.2 分解后重构结果**
应用精细到粗糙重构，将IMF1-IMF4合成为高频分量（代表短期市场波动和重要事件），IMF5-IMF8合成为低频分量（代表显著事件），并提取长期趋势项。低频分量与原始序列的相关系数为0.74，方差贡献率为68.39%，远高于高频分量（0.33和10.40%），表明显著事件是BCI波动的主导因素。
**5.3 突发事件分类为重要事件或显著事件**
通过分析每个事件窗口内高频和低频分量的方差占比和相关系数，以及各航线累积效应对BCI的贡献，将突发事件匹配到主导模式。例如，中澳贸易争端（Event-9）主导航线C10_14与低频分量对应，被归类为显著事件；中美贸易争端（Event-4）主要影响航线C16，与高频分量对应，被归类为重要事件。
**5.4 重要事件和显著事件对BCI波动模式的影响**
（1）BCI对显著事件反馈时间更短（0-4个交易日），对重要事件反馈时间较长（3-19个交易日）；（2）负反馈事件（如贸易冲突）的反馈时间（0-13天）短于正反馈事件（10-19天）；（3）显著事件个体波动周期更长（平均164个交易日），重要事件较短（平均34个交易日）；（4）显著事件低频模式波动幅度更大（1049-1844），重要事件高频模式波动幅度较小（224-1011）。
**5.5 突发事件中BCI构成航线运费与BCI波动模式的关系**
通过计算各航线在上升或下降波段内的累积效应，发现：（1）中澳贸易争端因影响核心航线C10_14（铁矿石运输）而成为显著事件，中美贸易争端影响C16（煤炭运输）且替代性强，成为重要事件；（2）正反馈事件中C16航线累积效应较小，反馈时间较长；（3）巴西淡水河谷尾矿坝溃坝事件对C9_14、C14、C16航线影响深远，成为显著事件，而巴西暴雨影响短暂，成为重要事件；（4）澳大利亚维罗妮卡气旋对C10_14航线扰动强于达米安气旋，造成更大的BCI波动幅度和更短的反馈时间。
**5.6 无标度性质检验**
通过分析BCI原序列、高频分量和低频分量在不同时间尺度（Δt=1-26个交易日）下符号序列中R、r、d、D出现次数的幂律关系，发现各符号序列均满足幂律分布，且幂律指数稳定，验证了符号序列转换的有效性。
**讨论与结论**
讨论部分指出，该框架通过区分显著事件和重要事件，为船东、租家和分析师评估冲击的持续性和强度提供了结构化工具，有助于优化租船和船队部署决策。识别航线级累积效应有助于市场监管者和指数用户明确特定突发事件下主导BCI波动的航线，从而进行更有针对性的风险监控和预警。精细到粗糙重构的低频和高频分量表示有助于分离结构性事件驱动波动与短暂市场噪声，支持更稳健的预测和套期保值策略。研究结论部分翻译如下：
**6. 结论**
估计突发事件对BCI的影响面临显著挑战，因为突发事件在强度和持续时间上具有异质性影响模式。因此，有必要对突发事件进行分类，识别显著事件和重要事件的影响模式，并阐明航线级对突发事件的响应如何传导和聚合为指数级波动。
本研究提出了一种基于EEMD的分析框架来估计突发事件对BCI的影响。从多尺度分解和事件导向分析的角度，研究人员应用精细到粗糙重构算法合成了具有统一经济意义的IMFs，并构建了符号序列和时间窗口程序来量化BCI的反馈方向、反馈时间、个体波动周期和波动幅度。研究人员利用2018-2022年间的9个代表性突发事件检验了该框架的有效性，并通过定积分和指数权重计算了各构成航线对BCI波动的累积效应。所提出的方法能够将突发事件分类为显著事件和重要事件，提供了识别BCI在不同突发事件下异质性影响模式的结构化工具，并阐明了航线级运费响应如何传导和聚合为指数级波动。
从实践角度看，该框架为好望角型航运市场的参与者提供了若干启示。首先，根据反馈方向、反馈时间、个体波动周期和波动幅度区分显著事件与重要事件，使船东、租家和分析师能够更准确地评估冲击的持久性和强度，从而改善短期租船和船队部署决策。其次，航线级累积效应的识别使市场监管者和指数用户更清楚地了解特定突发事件下哪些构成航线主导BCI波动，有助于更精准的风险监控和预警。此外，基于精细到粗糙重构的低频分量和高频分量表示允许从业者将结构性事件驱动波动与短暂市场噪声分离，从而支持干散货航运市场中更稳健的预测和套期保值策略。
未来应进一步研究：将事件诱发的低频分量整合到操作性的BCI预测模型中，考察不同干散货板块间的跨指数传染，以及利用基于AIS的船舶运动数据更精确地量化突发事件期间吨海里需求和船队部署的变化。
