影響航運經營管理之關鍵因素，除海上風險之外，最主要有(1)海運市場風 險(Freight market risk)、(2)燃料價格風險(Bunker price risk)、(3)利率風險(Interest rate risk)與(4)幣值風險(Currency risk)等四項。成功的船東須了解收益之不確定性 較成本之不確定性重要，能掌握不確定因素者即是贏家，然而航運市場風險是風 險最重要的部分。運費與租金深受航運市場船貨供需之影響，極度不易掌握，若 可預先安排與估算，並有效分析航運市場與運價之變化，當可增加航次利潤。
傳統時間序列模式太強調精確數字的預測資料展現，並有太多不合實際的假 設；而模糊時間序列模式針對歷史資料多種屬性進行探討，證明了有較佳的預測 能力，能提供更為穩定的判斷。
２．１ 海運運價市場分析
Bendall and Stent【13】指出，航運公司須面對高度競爭的環境，通常是在 不確定情況下進行策略性決策。同時航運是服務性產業，會隨全球貿易需求與型 態而變動。由於市場之不確定性，航運間或取決於不可預知的變動因素，對其航 運收益必有重大影響。當景氣繁榮時，運價連帶上升；反之，當景氣蕭條時，船 東須面對運價下挫局面。因此，航運事業之經營，有必要作好策略性規劃，管理 的意義即是在不確定性下作決策。
溫珮伶【4】先探討海運市場運價決定機制及影響因素，其後以 GARCH(1,1) 模型結合自我迴歸項，進行海運價格間的交互影響效果實證分析，以及分析海運 價格與其他影響海運價格的重要經濟變數之間的交互影響。研究結果發現，油 價、煤價及鋼價等原物料價格皆會影響到海運市場BPI、BCI 的價格，原物料價 格上漲時，運價也會隨之上揚，此意謂原物料的需求會推動海運需求量。從研究 實證中得知，海運價格BPI、BCI 的不確定性高，且運價的變動率均會受自身前 期影響，此說明了儘管影響海運市場價格之因素雖無法正確預測，然前期運價在 經營者制定決策時亦為一重要的經濟因素。
陳永順【2】提出散裝乾貨船無固定航線或限定區域，且營運大多形成單向 有貨、回程無貨的現象，貨載流向長期易受新興工業化國家發展、新礦區開發及 主要原料供需國家政策改變等產生結構變動。影響因素可能有重疊出現或甚至交 互效應影響，導致引發投資人心理作用，過度反應。由於船噸供給與需求量不易 以模型量化來估計預測，故迄今仍無法找到合適的計量模型供市場預測價格，市 場投資者大多以簡單相對程度判定市場可能走勢與上漲或下跌程度來協助擬定 投資決策。雖然依貨載型態需求將市場區分為三種大小型態船舶，包括海岬型船
市場、巴拿馬極限型船市場與超極限型船市場，此三型船市場價格行情變動相差 某一定程度時，彼此會產生替代效果，因此價格變動受到牽制或拉引作用。
海運市場依船舶營運型態分類可分為：定期船運輸與不定期船運輸。定期船 運輸是指船舶運輸有固定航線、固定靠泊港口、固定費率表，以提供眾多託運人 服務，運輸服務業者扮演公共運送人角色，目前多半是指貨櫃船運輸型態。不定 期船運輸是指在船東以追求市場最高利潤為導向下，不限定航線或貨載而選擇出 最佳營運操作與最佳船舶配置，ㄧ般將船舶當作商品化並視現在及未來市場的條 件，在船舶租傭船市場訂定私人合約，在此情況下，不定期船運輸型態具有多元 化且高度彈性，營運管理與經營策略與定期船運輸截然不同，也因市場價格差異 的特性，而導致業務行銷與交易型態不同。
散裝船是以租約為主要經營模式，方式有空船租賃、論時傭船、論程傭船及 長期合約四種為主。空船租賃是租船人擁有絕對的控制權，須負擔所有費用，但 基於風險考量，船東一般不願意，因此現在較少看到。論時傭船是指船東在一定 期間內，將船舶出租，報價方式是依船舶大小以每日若干美元計算。論程傭船是 船東將船舶的全部或部分空間出租，來運送承租人所託運的貨物，報價方式是依 貨物種類，以每噸若干美元計價。長期合約是船東與租船人雙方事先簽訂長期合 約，期間為1 年或1 年以上，甚至可長達3年，依不同的租約方式而有所不同，
簡易分為現貨價及合約價。
陳澄隆【3】曾彙整歸納定期海運及散裝海運業有以下相同的經營特性：
1.資本密集性：龐大的沉沒成本，固定成本高且回收期長，故進入障礙高，公司 負債比率高，利率之波動亦會影響航商之獲利。
2.全球性產業：為跨國性產業，國際性色彩濃厚，各海運公司競爭激烈，全球經 濟景氣興衰、原物料價格之高低、天候、匯率及船噸供需等因素均與航商之營 運息息相關。
3.完全競爭：國際性的物流服務業，相同航線上有多家同業競爭，且面臨空運、
陸運業者的競爭，使得海運業者均為價格接受者，無單一訂價能力。且在散 裝海運市場中，所運送之貨物多為低價的初級產品，託運人對運價的負擔能力 低。
4.景氣循環：海運產業通常會循不景氣、衰退、持平、向榮、過熱之軌跡反覆 演變，大致二至三年為一小週期，五至七年為一大週期。其週期常受天候、
戰爭、政治及經濟等影響。
5.季節性：散裝海運貨物以煤、鐵礦砂以及穀物等原物料為主。由於北半球主要 穀物出口國收割季節在春、秋兩季，而南美洲與澳洲的穀物、煤集中於3 月出 口，因此傳統海運旺季為每年10 月至次年4 月。定期海運貨物以半成品、成 品為主，其運量的季節性變化亦相當大，貨源的不穩定性影響了海運業者的經
營狀況。
1.船隊規模擴大：Clarkson Research Studies 市場研究部預測市場上的散裝船船噸 將快速增加。雖然交付船噸增加，短期仍然供不應求，以致新船、二手船價格
心理學以及控制等方面的領域；直到Q Song, B.S Chissom【21】建構以模糊關係 預測模糊時間序列的模式，將模糊理論套入了預測的領域。
Q Song, B.S Chissom【21】以 Zadeh【20】之模糊理論為基礎，針對歷史性
的時間序列資料提出新的預測方法，定義了模糊時間序列模型的基本架構，並以 美國 Alabama 大學註冊資料為例，說明預測模式建構的流程與方法；並提出針 對非時變性【22】以及時變性【23】資料的模糊相關性矩陣的建立步驟，並提出 了高階次影響因素觀念和反模糊化的運算方式。
S.M Chen【24】簡化 Q Song, B.S Chissom【21】【22】【23】所提出的模糊相 關性矩陣的建立步驟，改以簡單的數學計算式代替複雜的Max-Min 組成運算式，
並提出模糊邏輯關係群聚(fuzzy logical relationship group)的觀念，證實模式準確 度優於Q Song, B.S Chissom【23】所建立的模式。
J.R Hwang, S.M Chen, C.H Lee【14】提出先以差分方式使歷史資料穩定的方 法，先預測未來變動量而非直接預測值，再將預測之變動量與前期值相加後得預 測值；建構之模糊相關性矩陣區分為window basis 以及 operation matrix，使模糊 相關性矩陣更為合理化，且運算時間更有效率，預測準確度也優於文獻模式【23】
【24】。
K Huarng【15】提出兩種啟發式模式改良 S.M Chen【24】的模式，由歷史 資料的上升以及下降關係建立啟發式的模糊邏輯關係群聚；一為單純由上升以及 下降的關係建立兩個前後期模糊邏輯關係群聚；令一加入了門檻值設定，上升以 及下降的程度必須要超過門檻值才認定顯著，進而建立三個前後期模糊邏輯關係 群聚。並針對過往文獻對於區間分隔過於武斷而提出兩種有效的分區方式【16】：
Distribution based 和 Average based，說明區間分隔太大會造成無波動趨勢性的模 糊時間序列，無法得知歷史資料的變動趨勢，使預測準確度下降；而區間分隔太 小會導致與模糊時間序列的本意有牴觸，且預測結果說明，區間分隔越小，預測 準確度會越趨準確的說法並不成立。
H.K Yu【12】認為歷史資料中重複出現的模糊邏輯關係應進行加權的處理，
並根據模糊邏輯關係出現的頻次以及順序給於適當的權重，讓在反模糊化資料時 能充分表現出歷史資料所提供的資訊，並使用 K Huarng【16】所提出的兩種區 間分隔方法建構模式。
C.H Cheng, J.R Chang, C.A Yeh【6】認為文獻中對於區間分隔等長的設定無 法有說服力，且使用模糊時間序列文獻中從未使用的梯形隸屬函數去模糊化歷史 資料；提出Minimize entropy principle approach(MEPA)用於找出適當的區間分隔 中點，形成不等長的區間分隔；Trapezoid fuzzification approach(TFA)為不同於以 往文獻皆使用三角隸屬函數的方式，使各區間分隔內不僅僅一值的隸屬度為1；
K Huarng, Tiffany H.K Yu【19】亦提出一種使區間分隔不等長的方式，將區間長 度隨一比例逐漸增大，認定同一變動值在不同區間範圍內的效力不相等。
K Huarng, Tiffany H.K Yu【18】引入纇神經網路到模糊時間序列的預測模式 中，使用纇神經網路非線性的結構，運用回朔繁殖的方式進行預測，資料模糊關 係皆為一對一，中間的隱藏層僅僅分兩點。
S.T Li, Y.C Cheng【26】認為 S.M Chen【24】所提出的模糊邏輯關係群聚是 造成預測的不確定性因素，因而提出使用回朔追蹤系統去建立唯一且確定的模糊 邏輯關係，證明了歷史資料如要架構確定性模糊時間序列模式的最大階次以及最 小階次；且異於 K Huarng【16】的結論，此模式之區間分隔越小，預測準確度 會越趨準確。
C.H Cheng, T.L Chen, H.J Teoh, C.H Chiang【7】導入修正模式的概念以修正 模糊時間序列的缺點。延續了C.H Wang, L.C Hsu【8】以及 H.K Yu【12】的概 念，對區間分隔後分區進行再分區處理以及對模糊邏輯關係出現的頻次給於適當
C.H Cheng, T.L Chen, H.J Teoh, C.H Chiang【7】導入修正模式的概念以修正 模糊時間序列的缺點。延續了C.H Wang, L.C Hsu【8】以及 H.K Yu【12】的概 念，對區間分隔後分區進行再分區處理以及對模糊邏輯關係出現的頻次給於適當