派智库

摘要：本文以红松和樟子松为研究对象，根据2008～2013年进口原木月度平均价格，分析了价格波动特征；基于非平稳时间序列SARIMA（p，d，q）（P，D，Q）12模型，预测了红松和樟子松的月度价格，以期为分析中国原木市场提供参考。

copyright dedecms

关键词：红松樟子松进口价格SARIMA模型效果检验价格预测

随着“生态、绿色、可持续”的观念深入人心，社会对木材及木制品消费快速增长，2014年中国木材消费总量达到5.39亿立方米。然而，从资源禀赋结构考察，中国是一个森林资源稀缺型国家。据第八次森林资源清查结果显示，中国人均森林面积只有世界水平的25％，用材林中可采面积只有13％（国家林业局，2014）。国内木材供需压力导致中国木材进口快速增长，对外依存度日益升高，进口木材已经成为中国木材供给中的重要组成部分。研究进口原木价格波动特征以及影响因素，对中国木材供应安全具有重要意义。 本文来自织梦

dedecms.com

中国进口原木主要以针叶材为主，主要包括红松和樟子松、白松、辐射松和落叶松等树种。在2003～2014年间，各类针叶原木进口量占比如图1所示。本文选取红松和樟子松作为研究对象，分析其进口价格波动特征。之所以选择红松和樟子松，一是由于该类原木占据中国进口针叶原木第二的比重；二是由于该类原木与中国东北地区国产材材种相似，其价格波动也会对国产材产生较大的影响。

本文来自织梦

一、中国进口原木价格变动 dedecms.com

（一）基于年度数据分析原木进口价格变动

copyright dedecms

从图2可以看出，进口针叶原木量和进口原木总量的走势基本相同，在波动中呈现一定的上升趋势；而阔叶原木的进口增长较为缓慢，波动幅度较小，且其进口量小于针叶原木进口量。具体来看，进口原木总量在2004～2007年间逐年上升，2008年受全球金融危机的影响，进口原木总量出现了大幅度下降，2009年后总体上保持了增长的态势。 内容来自dedecms

在2008～2014年间，原木进口价格呈现了波动性变化。其中，阔叶原木价格稳定增加，针叶原木较阔叶原木进口价格低并呈现显着的年度波动（图3）。中国主要原木进口国为俄罗斯、新西兰、美国等，而红松和樟子松主要从俄罗斯进口。近几年，中国原木进口价格不断走高，2004年进口原木平均单价为106.6美元/立方米，2013年进口原木平均单价达到206.3美元/立方米，十年间进口均价增长近一倍。从原木进口价格走势来看（如图3），大致经历了稳步增长（2004～2008年）、下降（2009年）、缓慢恢复增长（2010～2012年）和再次下降（2013～2014年）四个阶段。

织梦内容管理系统

织梦内容管理系统

（二）基于月度数据分析进口红松和樟子松原木价格变动

dedecms.com

本文来自织梦

根据中国海关贸易数据显示，自2008年1月份以来，红松和樟子松的进口原木价格成波浪型走势。2008年1月的平均价格为124.85美元/立方米，此后呈缓慢上升，直到2009年3月价格突然下降到102.51美元/立方米，随后又呈现出上升趋势。2012年2月达到一个峰值，变为146.32美元/立方米，之后价格再次出现下降，在2012年10月下降为130.98美元/立方米。直到2013年12月，红松和樟子松的价格变化都不大。

内容来自dedecms

二、中国进口原木价格模型构建及预测 copyright dedecms

SARIMA模型在电价、股票指数、汇率、煤炭价格、农产品价格等领域广泛应用，并取得了较好效果，所以本文选用SARIMA模型来研究和预测原木价格。为了使研究具有更贴近现实的指导意义，本文在公布的数据序列基础上计算月均价，所采用的红松和樟子松原木月度平均价格数据是2008年1月至2013年8月之间的68个样本数据。数据利用Eviews6.0软件处理。本文认为，2008年1月到2013年8月的原木价格波动符合季节时间序列模型即SARIMA模型，并用2013年9月到12月问的数据验证模型符合SARIMA模型的结论。因此，本文尝试采用该模型模拟及预测进口的红松和樟子松原木价格，同时将预测结果与实际价格相比较，以评价模型预测的合理性。 内容来自dedecms

（一）数据处理及稳定性检验

根据图4可以对数据序列平稳性进行直观判断，而进口红松和樟子松的月度平均价格在各时期波动较大，即这两类进口原木的进口价格是非平稳的，需转化为平稳性序列。将原价格序列用Pt表示，并对此价格的对数序列进行一阶差分，用Rt表示，即Rt=Pt-Pt-1。本文采用单位根检验法，ADF检验和PP检验结果如表1所示。

织梦好，好织梦

内容来自dedecms

从表1中可以看出，原序列有单位根，所以是非平稳序列。将原价格序列进行一阶差分后，一阶差分序列不存在单位根，说明一阶差分序列平稳，原序列为一阶单整。原序列自相关和偏自相关，如图5所示，相关图和偏自相关图不是呈线性衰减趋势，而是近似在变化周期的整倍数时点上出现绝对值相当大的峰值并呈振荡式变化，所以可以考虑建立季节性ARIMA模型。

织梦好，好织梦

（二）模型的构建

织梦内容管理系统

当时间序列中有明显的时间趋势和季节性变化时，单纯使用ARIMA模型进行分析往往会使预测不理想。这时只有将ARIMA模型和随机季节模型组合成季节时间序列模型即SARIMA模型，才能较好地描述该时间序列。根据序列图5，我们选择ARIMA（2，1，2）、ARIMA（9，1，9）、SARIMA（2，1，2）*（0，1，0）12和SARIMA（2，1，2）*（1，1，1）12进行检验。模型拟合和信息准则情况如表2所示，根据模型拟合和信息准则情况，选择SARIMA（2，1，2）*（1，1，1）12。

dedecms.com

内容来自dedecms

该SARIMA模型的红松和樟子松的价格序列模型如下： 织梦好，好织梦

其中，L是滞后算子，ut是白噪音序列，△△12Pt代表趋势性（非季节性）差分和季节性差分都为1，且季节性差分为12期，从结果可知，参数全部具有显着性。我们对残差序列进行检验，通过原木价格序列残差的自相关和偏自相关图可知模型的残差值较小，残差的自相关值和偏相关值基本上在置信区间内，近似于白噪声序列，显示出符合平稳数据的特征。因此，残差序列是白噪声过程。模型的检验效果比较好，所以可以诊断该模型是可行的，可用于预测红松和樟子松原木的进口价格。

本文来自织梦

（三）效果检验及进一步预测

利用上述SARIMA（2，1，2）*（1，1，1）12模型对2013年9～12月间进口红松和樟子松的价格进行预测，并与实际值相比较，对SARIMA（2，1，2）*（1，1，1）12模型效果进行验证。预测结果与实际结果见表3。

本文来自织梦

织梦内容管理系统

从表3可以看出，预测值与实际值的绝对差异较小，说明模型预测的效果较好。而预测相对差异的绝对值（预测值对实际值偏离的绝对数除以平均价格的实际值）在7％范围内波动，与实际值偏差很小。经过验证，SARIMA（2，1，2）*（1，1，1）12模型预测是比较准确的。

本文来自织梦

在此基础上，我们对2014年1～4月的进口红松和樟子松原木的平均价格进行预测，结果见表4。预测结果显示，2014年1～4月的进口红松和樟子松原木价格较2013年有一定程度的下滑，这与SARIMA模型具有一定的时间趋势和季节性变化有关。

内容来自dedecms

三、结论及建议

内容来自dedecms

总体而言，在分析和预测红松和樟子松价格上应用SARIMA模型是恰当的。调整之后的数据具有相对平稳性，适合用SARIMA模型进行预测和分析，平均相对误差和均方根误差均在可控范围内，能够通过稳定性检验，预测结果具有有效性，能够较为准确地预测价格变动趋势。

从原木进口价格变动来看，中国进口原木的月度价格表现出了较大幅度的波动。进口木材价格的波动一方面受到国际木材市场变动的影响，另一方面也跟国内进口行为有关。中国木材进口商规模小、数量多，彼此之间信息不通，对外竞相哄抬进口价格，增加了进口木材价格波动的频率。未来，应该进一步规范木材进口行为，形成木材进口整体优势，以降低木材进口价格波动的幅度。 织梦内容管理系统

参考文献： 织梦好，好织梦

[1]唐帅，宋维明.中国原木进口价格波动及影响因素的实证研究[J].价格月刊，2013（4）. 本文来自织梦

[2]张晓丽，张大红.中国原木进口价格波动影响因素分析[J].价格理论与实践，2012（12）.

copyright dedecms

[3]赵喜仓，周作杰.基于SARIMA模型的中国季度GDP时间序列分析与预测[J].统计与决策，2010（22）. copyright dedecms

[4]李德杰.基于EMD的中国木材价格波动的影响因素分析[D].北京林业大学，2014. copyright dedecms

[5]肖龙阶，仲伟俊.基于ARIMA模型的中国石油价格预测分析[J].南京航空航天大学学报（社会科学版），2009（4）. copyright dedecms

[6]程宝栋，宋维明.中国进口俄罗斯木材结构分析[J].世界经济研究，2005（1）. 内容来自dedecms