[논문]해운 운임 간 인과관계에 관한 연구

전준우

doi:10.22156/cs4smb.2019.9.12.047

해운 운임 간 인과관계에 관한 연구
A Study on the Causal Relationship Between Shipping Freight Rates 원문보기

융합정보논문지 = Journal of Convergence for Information Technology, v.9 no.12, 2019년, pp.47 - 53

전준우 (성결대학교 동아시아물류학부)

초록
AI-Helper

본 연구의 목적은 VECM 모형(Vector Error Correction Model)을 활용해 해운 운임 간 인과관계를 분석하는 것이다. 분석에 사용된 해운 운임은 BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate), SCFI(Shanghai Containerized Freight Index)다. 분석 기간은 2013년 8월 2일부터 2019년 9월 6일까지이며 주간 데이터를 활용했다. VECM 모형 분석 결과, BDI는 일주일 전의 BDI에 많은 영향을 받는 것으로 분석되었으며, WS의 1% 상승은 일주일 후의 HRCI를 0.022% 상승시키는 것으로 분석되었다. HRCI 1% 상승은 일주일 후의 SCFI를 0.77% 상승시키며, WS는 일주일 전의 WS에 많은 영향을 받는 것으로 나타났다. 본 연구의 분석 결과는 각 해운시장의 해운 운임 예측에 도움을 주며, 이를 활용하여 의사결정자들이 올바른 의사결정을 할 수 있게 도움을 줄 수 있다고 사료된다.

Abstract ▼ AI-Helper

The purpose of the study was to utilize VECM(Vector Error Correction Model) and detect causal relationships among shipping freight rates. Shipping freight rates used in this study were BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate) and SCFI(Shanghai Containerized Freight Index). Using weekly data published since August 2nd, 2013 to September 6th, 2019, it was discovered that BDI and WS were heavily influenced by past week's BDI and WS respectively. VECM also found that one percent increase in WS resulted in 0.022% increase in following week's HRCI data. One percent increase in HRCI affects SCFI by 0.77% on the following week. This study believes that finding may help each shipping market of shipping freight rates estimates, thereby encouraging decision markers to exercise discretion and establish best interest decision.

주제어

표/그림 (5)

표 Table 1. Result of basic statistics
표 Table 2. Result of unit root test(Level variable)
표 Table 3. Result of unit root test (Difference variable)
표 Table 4. Result of cointegration test
표 Table 5. Result of VECM

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

Randers and Göluke[3]와 Veenstra and Franses[4]는 해운 운임 간의 인과관계가 존재한다고 했으며, 이에 본 연구는 해운 운임 간의 인과관계를 파악하는 것을 연구의 목적으로 한다.
Randers and Göluke[3]은 다른 화물의 해운 운임은 시간이 지남에 따라 크게 상관이 있다고 했으며, 이는 항로 간, 선박 간 화물의 대체 가능성이 강하기 때문이라고 설명했다. 이러한 측면에서 본 연구는 해운 운임간 인과관계를 분석하는 것을 연구의 목적으로 했다. 이를 통해 벌크, 컨테이너 해운업계 관계자들은 다른 화물의 해운 운임지수 변동 현황을 파악하여 더욱 용이하게 해운시장을 파악할 수 있을 것이다.

가설 설정

1차 차분 후 BDI와 HRCI는 유의 확률이 0.05보다 작으므로, ‘데이터가 안정적이다’라는 대립가설을 채택한다.
단위근 검정결과 BDI와 HRCI는 유의확률이 0.05 보다 크므로, ‘데이터가 안정적이다’라는 대립가설을 기각하고 ‘안정적이지 않다’라는 귀무가설을 채택한다.
따라서 VECM 모형을 적용해 BDI, HRCI, WS, SCFI 간의 장기적인 관계를 분석한다. 본 연구의 VECM 모형의 적정 시차는 SC가 최소값을 갖는 2로 설정했다.

제안 방법

공적분 검정을 통해 변수 간의 장기적인 균형 관계는 검정했지만, 그 방향성은 분석하지 못한다. 따라서 VECM 모형을 적용해 BDI, HRCI, WS, SCFI 간의 장기적인 관계를 분석한다. 본 연구의 VECM 모형의 적정 시차는 SC가 최소값을 갖는 2로 설정했다.
본 연구는 해운 실물경기지수인 BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate), SCFI(Shanghai Containerized Freight Index, USWC)를 활용하여 해운 운임 간 인과관계를 분석했다. Randers and Göluke[3]의 해운 운임 간 상관관계가 존재한다고 언급 했으며, Veenstra and Franses[4]의 해운 운임 간 장기적인 관계인 공적분 관계를 밝혀냈다.
해운시장의 특징인 변동성(volatility) 때문에 해운업계는 투자 및 투자 시기에 항상 중요하고 어려운 결정에 직면해 왔다. 이러한 측면에서 본 연구는 해운 실물경기지수인 BDI, HRCI, SCFI, WS를 활용하여 해운 운임 간 인과관계를 분석했다.

대상 데이터

대표적인 항로로는 유럽, 지중해, 미국 서안, 미국 동안 등 15개 항로이다. 본 연구에서는 가장 많은 물동량이 창출되는 미국 서안(USWC)의 컨테이너 운임지수를 사용한다.
해운 운임 간 인과관계를 분석하기 위하여 본 연구에서는 해운 실물경기지수인 BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate), SCFI(Shanghai Containerized Freight Index, USWC)를 활용했다. 분석에 활용된 자료는 2013년 8월 2일부터 2019년 9월 6일까지의 주간 자료이며, 한국선주협회의 자료를 활용했다.

이론/모형

따라서 본 연구에서는 VECM 모델을 적용하기 전에 데이터의 단위근 검정을 ADF(정(Augmented Dickey Fuller)방법을 적용해 검 정했다. ADF 검정을 위한 시차의 수는 Schwartz Information Criteria를 이용해 적용했으며 그 결과는 아래 Table 2와 같다.
따라서 본 연구에서는 VECM 모델을 적용하기 전에 데이터의 단위근 검정을 ADF(정(Augmented Dickey Fuller)방법을 적용해 검 정했다.
이는 BDI, HRCI, WS, SCFI 간에 적어도 1개의 공적분 관계가 존재하는 것을 뜻한다. 변수 간의 장기적인 균형 관계가 있는 것으로 분석되었으므로, 다음 절에서는 VECM 모형을 이용하여 변수 간의 인과관계를 분석한다.
Granger[14]는 데이터가 단위근을 갖고 있더라도, 다른 데이터와의 공적분 관계가 존재한다면, 차분 변수를 활용한 계량적인 분석은 유효하지 않으며, 수준 변수를 활용한 계량분석이 필요하 다고 설명했다. 본 연구에서는 최우도추정법(Maximum Likelihood Estimation)을 활용한 Johansen의 공적분 방법을 적용하여 변수 간의 장기적인 관계를 파악했다. 공적분 검정 결과는 Table 4에 보고했다.
2.1 해운 운임 지수 해운

운임 간의 인과관계를 파악하기 위해 본 연구에서 사용한 해운 운임은 BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate), SCFI(Shanghai Containerized Freight Index)로 실물경기지수를 사용했다.
해운 운임 간 인과관계를 분석하기 위하여 본 연구에서는 해운 실물경기지수인 BDI(Baltic Dry Index), HRCI(Howe Robinson Containership Index), WS(World Scale rate), SCFI(Shanghai Containerized Freight Index, USWC)를 활용했다. 분석에 활용된 자료는 2013년 8월 2일부터 2019년 9월 6일까지의 주간 자료이며, 한국선주협회의 자료를 활용했다.
해운 운임 간 인과관계를 분석하기 위해 본 연구에서는 VAR(Vector Auto Regressive, 벡터자기회귀모형) 모형을 적용한다. VAR은 다변량 자기회귀모형으로 일변량 자기회귀 모형인 AR(Autoregressive Model)모형을 확장한 것이다.

성능/효과

022% 상승시키는 효과를 갖는다. BDI 변동률은 HRCI에 1주일 전에는 양의 영향 을, 2주일 전에는 음의 영향을 주는 것으로 나타났다.
분석 결과를 요약하면 다음과 같다. BDI는 일주일 전의 BDI에 많은 영향을 받는 것으로 분석되었으며, WS의 1% 상승은 일주일 후의 HRCI를 0.022% 상승시키는 것으로 분석되었다. HRCI 1% 상승은 일주일 후의 SCFI를 0.
77% 상승시키는 효과를 갖는 것으로 분석되었다. BDI의 변동률은 SCFI에 음의 영향을 주는 것으로 분석되었으며, WS의 변동률은 SCFI에 음의 영향을 주는 것으로 분석되었다.
022% 상승시키는 것으로 분석되었다. HRCI 1% 상승은 일주일 후의 SCFI를 0.77% 상승시키며, WS는 일주일 전의 WS에 많은 영향을 받는 것으로 나타났다.
HRCI 변화율은 WS의 1주일 전의 계수가 0.022로 가장 큰 것으로 분석되었으며, WS의 변동률이 HRCI에 양(+)의 영향을 미치는 것으로 나타났다. 즉, WS의 1% 상승은 2주일 후에 HRCI를 0.
643% 상승시키는 효과를 갖는다. HRCI는 BDI에 1주일 전에는 양의 영향을 미치는 것으로 분석되었으나, 2주일 전에는 음(-)의 영향을 미치는 것으로 분석되었다. SCFI는 두 시차 모두 BDI에 양의 영향을 주는 것으로 분석되었다.
770으로 가장 큰 것으로 분석되었으며, HRCI의 변동률은 SCFI에 양(+)의 영향을 미치는 것으로 나타났다. HRCI의 1% 상승은 SCFI가 0.77% 상승시키는 효과를 갖는 것으로 분석되었다. BDI의 변동률은 SCFI에 음의 영향을 주는 것으로 분석되었으며, WS의 변동률은 SCFI에 음의 영향을 주는 것으로 분석되었다.
BDI의 변동률은 1주일 전에는 음의 영향을, 2주일 전에는 양의 영향을 미치는 것으로 나타났다. HRCI의 변동률은 WS에 음의 영향을 미치며, SCFI의 변동률은 WS에 양의 영향을 미치는 것으로 분석되었다.
첨도(Kurtosis)는 HRCI, SCFI는 3보다 작아 정규분포보다 더 완만한 분포이며, BDI, WS는 3보다 크므로 정규분포보다 더 뾰족한 분포이다. Jarque-Bera를 이용한 정규성 검정 결과, BDI, HRCI, SCFI, WS 모두 유의수준이 99% 수준에서 정규분포를 따르고 있다.
HRCI는 BDI에 1주일 전에는 양의 영향을 미치는 것으로 분석되었으나, 2주일 전에는 음(-)의 영향을 미치는 것으로 분석되었다. SCFI는 두 시차 모두 BDI에 양의 영향을 주는 것으로 분석되었다. WS 또한 두 시차 모두 BDI에 양의 영향을 미치고 있다.
SCFI의 변동률은 HRCI에 미비한 영향을 미쳤으며, WS 의 변동률은 HRCI에 1주일 전에는 0.022, 2주일 전에는 0.011로 양의 영향을 미치는 것으로 분석되었다. SCFI의 변화율은 1주일 전의 HRCI가 0.
011로 양의 영향을 미치는 것으로 분석되었다. SCFI의 변화율은 1주일 전의 HRCI가 0.770으로 가장 큰 것으로 분석되었으며, HRCI의 변동률은 SCFI에 양(+)의 영향을 미치는 것으로 나타났다. HRCI의 1% 상승은 SCFI가 0.
공적분 분석 결과 5% 유의수준에서 ‘공적분 관계가 있다’라는 대립가설을 채택하는 것으로 나타났다.
본 연구의 분석 결과 BDI의 변화율은 자체 과거 변수가 상당한 영향을 미치고 있는 것으로 나타났다. 해운시장 참여자들은 해운 시황의 기대수준(좋고 나쁨)으로 설명할 수 있는 시장 정서가 존재한다[15].
본 연구의 분석 결과 SCFI 변화율에는 일주일 전의 HRCI 지수가 0.770으로 큰 영향을 미치는 것으로 분석되었다. 수요인 물동량이 증가하면, 공급인 컨테이너 선박이 필요하여 용선량이 늘어 HRCI가 증가하게 되고, HRCI가 컨테이너 운임지수인 SCFI에 큰 영향을 미치는 것으로 볼 수 있다.
작금의 해운시장의 투자는 성공적이지 못해 선박 공급과잉의 문제를 초래했다. 본 연구의 분석 결과는 각 해운시장의 해운 운임 예측에 도움을 주며, 이를 활용하여 의사결정자들이 올바른 의사결정을 할 수 있게 도움을 줄 수 있다고 사료된다.
483으로 분석되었으며, 이는 WS의 변화율은 자체 과거 변수에 많은 영향을 받는 것을 의미한다. 추정 결과에 의하면 WS의 1% 상승은 1주일 후의 WS에 -0.483%만큼 하락 시키는 효과를 갖는 것으로 분석되었다. BDI의 변동률은 1주일 전에는 음의 영향을, 2주일 전에는 양의 영향을 미치는 것으로 나타났다.
이는 BDI의 변화율은 자체 과거 변수가 상당한 영향을 미치고 있는 것을 뜻하며, 양(+)의 영향을 미치는 것으로 나타났다. 추정 결과에 의하면, BDI의 1% 상승은 1주일 후에 0.643% 상승시키는 효과를 갖는다. HRCI는 BDI에 1주일 전에는 양의 영향을 미치는 것으로 분석되었으나, 2주일 전에는 음(-)의 영향을 미치는 것으로 분석되었다.

후속연구

본 연구의 한계점은 해운 운임 간 인과관계를 분석함에 있어 각 해운 운임의 수요와 공급을 고려하지 못한 점이다. 향후 연구에서는 수요인 건화물 물동량, 컨테이너 물동량, 탱커 물동량과 공급인 건화물선, 컨테이너선, 탱커를 추가하여 분석할 필요가 있다.
수요인 물동량이 증가하면, 공급인 컨테이너 선박이 필요하여 용선량이 늘어 HRCI가 증가하게 되고, HRCI가 컨테이너 운임지수인 SCFI에 큰 영향을 미치는 것으로 볼 수 있다. 이러한 인과관계를 고려한다면 추후 연구에서 물동량을 분석에 포함한 연구가 필요하다.
이러한 측면에서 본 연구는 해운 운임간 인과관계를 분석하는 것을 연구의 목적으로 했다. 이를 통해 벌크, 컨테이너 해운업계 관계자들은 다른 화물의 해운 운임지수 변동 현황을 파악하여 더욱 용이하게 해운시장을 파악할 수 있을 것이다.
본 연구의 한계점은 해운 운임 간 인과관계를 분석함에 있어 각 해운 운임의 수요와 공급을 고려하지 못한 점이다. 향후 연구에서는 수요인 건화물 물동량, 컨테이너 물동량, 탱커 물동량과 공급인 건화물선, 컨테이너선, 탱커를 추가하여 분석할 필요가 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	해운 산업의 주요한 특징은 무엇인가?	2008년 금융 위기 이전의 원자재산업은 높은 변동성 (Volatility)을 보였으며, 변동성은 특히 해운 산업의 주요한 특징이다[1]. 이러한 높은 변동성 때문에 해운 산업은 해운시장의 호황 또는 불황의 기대 수준으로 설명할 수 있는 일반적인 시장 정서가 있다.
	VECM 모형을 활용해 해운 운임 간 인과관계를 분석한 결과는?	분석 기간은 2013년 8월 2일부터 2019년 9월 6일까지이며 주간 데이터를 활용했다. VECM 모형 분석 결과, BDI는 일주일 전의 BDI에 많은 영향을 받는 것으로 분석되었으며, WS의 1% 상승은 일주일 후의 HRCI를 0.022% 상승시키는 것으로 분석되었다. HRCI 1% 상승은 일주일 후의 SCFI를 0.77% 상승시키며, WS는 일주일 전의 WS에 많은 영향을 받는 것으로 나타났다. 본 연구의 분석 결과는 각 해운시장의 해운 운임 예측에 도움을 주며, 이를 활용하여 의사결정자들이 올바른 의사결정을 할 수 있게 도움을 줄 수 있다고 사료된다.
	BDI는 무엇인가?	BDI는 건화물 운임지수로 런던의 발틱해운거래소가 발표한다. 철광석, 곡물, 시멘트, 석탄 등 산업의 원자재로 사용되는 화물의 운임지수이기 때문에 세계 경제 상황을 판단할 수 있는 운임지수이다.

참고문헌 (16)

B. Geman. (1984). Shipping investment in recession. Institute of Shipping Economics Bremen.
J. W. Jeon & G. T. Yeo. (2017). Study of the Optimal Timing of Container Ship Orders Considering the Uncertain Shipping Environment. The Asian Journal of Shipping and Logistics, 33(2), 85-93. DOI : 10.1016/j.ajsl.2017.06.006

상세보기
J. Randers. & U. Goluke. (2007). Forecasting turning points in shipping freight rates: lessons from 30 years of practical effort. System Dynamics Review, 23(23), 253-284.

상세보기
A. W. Veenstra & P. H. Franses. (1997). A co-integration approach to forecasting freight rates in the dry bulk shipping sector. Transportation Research Part A: policy and practice, 31(6), 447-458.

상세보기
M. G. Kavussanos. & A. H. Alizadeh-M. (2001). Seasonality patterns in dry bulk shipping spot and time charter freight rates. Transportation Research Part E: Logistics and Transportation Review, 37(6), 443-467. DOI : 10.1016/S1366-5545(01)00004-7

상세보기
G. Dikos. H. S. Marcus, M. P. Papadatos. & V. Papakonstantinou. (2006). Niver lines: a system-dynamics approach to tanker freight modeling. Interfaces, 36(4), 326-341.

상세보기
F. Papailias. D. D. Thomakos & J. Liu, (2017). The Baltic Dry Index: cyclicalities, forecasting and hedging strategies. Empirical Economics, 52(1), 255-282.

상세보기
C. Chiste.. & G. Van Vuuren. (2014). Investigating the cyclical behaviour of the dry bulk shipping market. Maritime Policy & Management, 41(1), 1-19.

상세보기
H. K. Kim., K. D. Sung, J. W. Jeon & G. T. Yeo. (2016). Analysis of the Relationship Between Freight Index and Shipping Company's Stock Price Index, The Journal of Digital Policy & Management, 14(6), 157-165.
H. S. Kim & M. H. Jang, (2013). Analysis of Asymmetric Long-run Equilibrium between Bunker Price and BDI(Baltic Dry-bulk Index). Journal of Korea Port Economic Association, 28(2), 63-79.
H. S. Kim & Y. S. Oh. (2012). Empirical Approaches to Testing the Relationship Between Stock Price and BDI. The Journal of the Korean Association of Shipping Studies, 28(4), 687-702.
J. Angelopoulos. O. Duru. & C. Chlomoudis. (2016). Spectral dynamics of dry cargo shipping markets. theory of long waves-fact or artifac. International Journal of Transport Economics. 43(2), 224-227.
R. F. Engle & C. W. Granger. (1987) Co-integration and Error Correction: Representation, Estimation and Testing. Econometrica, 55, 251-276. DOI : 10.2307/1913236

상세보기
C. W. Granger. (1988). Some recent development in a concept of causality. Journal of econometrics, 39(2), 199-211. DOI : 10.1016/0304-4076(88)90045-0

상세보기
H. Geman. & W. O. Geman. (2012). Shipping markets and freight rates: an analysis of the Baltic Dry Index. The Journal of Alternative Investments, 15(1), 98-109. DOI : abs/10.3905/jai.201

상세보기
R. Scarsi. (2007). The bulk shipping business: market cycles and shipowners' biases. Maritime Policy & Management, 34(6), 577-590.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증