《Frontiers in Marine Science》：A resilient forecasting approach of China’s export container freight index under geopolitical shocks based on a multi-factor screening and multi-model comparison
编辑推荐：
引言：地缘政治冲击可导致中国出口集装箱运价指数（China Containerized Freight Index，CCFI）产生非线性与非平稳波动，对常规预测方法构成挑战。本研究评估了不同模型在市场稳定期与极端波动期的预测韧性。方法：研究人员构建了涵盖宏观经
引言：地缘政治冲击可导致中国出口集装箱运价指数（China Containerized Freight Index，CCFI）产生非线性与非平稳波动，对常规预测方法构成挑战。本研究评估了不同模型在市场稳定期与极端波动期的预测韧性。方法：研究人员构建了涵盖宏观经济、供需、成本与市场关联四个维度的18个潜在影响因子体系，通过Pearson与Spearman相关分析、显著性检验及方差膨胀因子（Variance Inflation Factor，VIF）诊断的多阶段筛选程序，识别出8个核心因子：美国工业生产指数、美国消费者价格指数、波罗的海干散货运价指数（Baltic Dry Index，BDI）、美元利率、布伦特原油价格、中国消费者价格指数、二手集装箱船价格指数及新集装箱船订单量。在统一框架下比较自回归积分滑动平均模型（Autoregressive Integrated Moving Average，ARIMA）、随机森林（Random Forest）、极端梯度提升（eXtreme Gradient Boosting，XGBoost）与长短期记忆网络（Long Short-Term Memory，LSTM）。2010–2025年样本划分为平静期（2010–2019）与极端波动期（2020–2025）。结果：平静期内LSTM预测表现与ARIMAX及树模型相当；极端波动期LSTM的均方误差（Mean Squared Error，MSE）为45596.30、平均绝对误差（Mean Absolute Error，MAE）为180.24、均方根误差（Root Mean Squared Error，RMSE）为213.53、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）为15.98%，其R2最接近于零。Diebold–Mariano检验显示极端波动期LSTM显著优于ARIMA，相对于随机森林与XGBoost的优势未持续显著。讨论：当CCFI动态受非线性非平稳地缘政治冲击扰动时，LSTM较传统线性模型展现更强预测韧性，其门控机制有助于表征时间依赖与冲击后调整；但其对树模型的优势并非无条件，可能依赖样本划分、特征构造与超参数设置。研究为航运公司冲突感知航线调整与政府机构地缘政治压力测试提供实践支撑。
研究背景方面，近年来全球地缘政治持续动荡，区域武装冲突、红海危机等战略通道封锁及经济制裁对国际航运网络产生前所未有的非线性冲击。作为全球供应链核心载体的集装箱航运业，其中国出口集装箱运价指数（China Containerized Freight Index，CCFI）波动不仅反映供需失衡，还向全球贸易成本与产业链稳定性传导级联效应。既有研究多将地缘政治风险（Geopolitical Risk，GPR）等作为外生变量，未能充分揭示其与宏观、供需、成本因素在人为突发冲击下的交互机制。同时，CCFI预测研究存在两方面不足：一是缺乏系统指标体与科学筛选流程，变量选取碎片化；二是模型比较限于同类模型，缺乏对极端波动期的针对性验证，全样本平均误差评价掩盖了危机期模型脆弱性。为此，研究人员在《Frontiers in Marine Science》发表该研究，旨在构建地缘政治冲击下CCFI的韧性预测框架。
关键技术方法上，研究人员采用2010年1月至2025年12月共192个月度观测样本，来源包括Clarkson、国家统计局、NYMEX及Iacoviello等公开数据库。因子筛选依次经过Pearson与Spearman双相关系数门槛（|r|≥0.2）、t检验（α=0.1）显著性过滤、VIF共线性诊断（VIF≤20）三阶段，从18个候选变量提炼8个核心因子。预测模型统一对比ARIMA、随机森林、XGBoost与LSTM四类跨类型模型，并将样本按平静期（2010–2019）与极端波动期（2020–2025，含疫情、红海危机、俄乌冲突）分段验证，采用MSE、MAE、RMSE、MAPE与R2及Diebold–Mariano检验评估性能。
研究结果部分，引言指出地缘政治冲击通过供应链中断、绕航成本、能源价格、运力调整与市场预期等多渠道改变CCFI的时间依赖结构。基本理论知识节阐明双相关系数筛选兼顾线性与单调非线性关联，t检验排除随机相关，VIF消除冗余共线性；ARIMA捕捉线性自相关，随机森林与XGBoost处理非线性但难捕长期时序依赖，LSTM借助遗忘门、输入门、输出门与细胞状态选择性记忆历史信息。CCFI四维潜在因子选择节依宏观经济（CPI_CN、CPI_USA、IPI_CN、IPI_USA、PMI_CN）、供需（CNPI、CSPI、CO、CD、EX_CN、IM_CN）、成本（BZ、WTI、IR_USD、CNY/USD）与市关联（BDI、GPR、GEPU）组织18变量。数据与样本节报告192条月度数据经线性插值补缺失、统一时间索引，未做标准化；描述统计显示CCFI均值1048.267、标准差529.804，ADF检验表明CCFI等非平稳、IPI_CN等平稳。核心因子筛选节经三阶段后保留美国工业生产指数、美国消费者价格指数、BDI、美元利率、布伦特原油价格、中国消费者价格指数、二手集装箱船价格指数、新集装箱船订单共8因子。多模型构建与训练节在统一窗口分别训练四模型。跨期性能比较节显示平静期四模型误差接近，极端波动期LSTM的MSE=45596.30、MAE=180.24、RMSE=213.53、MAPE=15.98%，R2最接近0，Diebold–Mariano检验确认LSTM显著优于ARIMA，对随机森林与XGBoost优势不恒显著。
讨论与结论翻译部分，研究人员指出LSTM在CCFI受非线性非平稳地缘政治冲击扰动时比传统线性模型具备更高预测韧性，其门控机制可表征时序依赖与冲击后调整；但相对树模型优势非无条件，受样本划分、特征构造与超参数影响。理论贡献在于将运价形成机制与预测韧性关联，从全样本平均误差评价拓展至冲击导向的预测稳健性。实践上支持航运公司冲突感知动态航线调整与实时班期恢复，以及政府机构地缘政治压力测试平台。研究局限未断言LSTM全面优于机器学习，未来可拓展混合模型与高频数据。
