重大風險事件下涉海企業風險溢出效應研究

劉妍,潘晨

(中國海洋大學經濟學院 青島 266100)

0 引言

黨的十八大以來,國家高度重視海洋事業的發展。黨的二十大報告明確指出“發展海洋經濟,保護海洋生態環境,加快建設海洋強國”,海洋經濟成為加快建設海洋強國的重要支撐。近年來,海洋產業與現代金融業加速融合,資本市場持續服務于海洋經濟發展,并成為涉海企業投融資的重要渠道,其健康平穩發展對海洋經濟的高質量增長具有重大意義。然而當前國際環境日趨復雜,重大風險事件頻發,對資本市場造成強烈沖擊,風險在資本市場快速積累并蔓延,最終形成“多米諾骨牌效應”,使更多涉海企業的投融資效率降低,并對這些企業的實際生產經營活動產生不利影響,進而損害海洋產業鏈供應鏈的安全與穩定。因此,研究重大風險事件下涉海企業間的風險溢出特征,把握海洋產業間的風險溢出方向,有助于建立高效的風險防控及預警機制,提升海洋產業鏈供應鏈的韌性和安全水平,推動海洋經濟的高質量增長。

1 文獻綜述

目前有學者已證實不同市場間存在顯著的風險溢出效應,重大風險事件的發生可以增大市場間的風險溢出強度[1],且當重大風險事件與某一市場直接相關時,該市場對其他市場的風險溢出能力顯著增強[2]。隨著社會經濟分工的細化,各行業間的商業交易頻繁,技術關聯不斷加強,風險出現跨行業傳染現象[3]。從供應鏈視角看,位于同一供應鏈上的不同行業的企業在生產活動上具有一定的協同性,因此各企業間也存在相應的風險傳染效應[4-5]。此外,由于業務經營模式及行業信息的同質化,同行業企業間的風險溢出效應也較為顯著[6],風險溢出強度會受到經濟繁榮程度、經濟政策不確定性的影響[7]。

就風險溢出效應的測度方法而言,DY 溢出指數法[8-9]是目前應用最為廣泛的方法。Tsouknidis[10]將溢出指數法首次運用于海洋經濟領域,研究航運市場間的波動溢出效應;Antonakakis等[11]進一步改進DY 溢出指數法,提出基于TVP-VAR 模型的溢出指數計算方法,在這一框架下利用系數矩陣和協方差矩陣的時變特性,可以準確測度任一時點的風險溢出效應。隨著研究的深入,變量間的風險傳染或溢出關系逐漸復雜,因此學者基于復雜網絡理論,利用測算得到的溢出指數構建風險溢出網絡,通過平均聚類系數等指標研究系統風險溢出特性[12-13]。

目前學者對海洋產業的研究主要集中于海洋產業關聯度的測算[14-15],缺少對重大風險事件下涉海企業間風險溢出特征及不同產業板塊間風險溢出效應的研究。因此,本研究的邊際貢獻可能在于:①測度漁業、海油、海運及船舶產業板塊龍頭股間的靜態風險溢出指數,在探討涉海企業間風險溢出強度及方向的同時,深入挖掘不同產業板塊間的風險溢出效應;②通過對涉海企業間的總體溢出指數進行動態刻畫,掌握風險溢出效應的時變特征。同時,分時段構建風險溢出網絡,對比分析網絡連接緊密度在不同階段的變化差異,進而掌握系統風險溢出強度的變化。

2 理論分析

當前不少學者已證實海洋產業間存在密切關聯[14-15]。例如:漁業產業的發展離不開船舶產業和海洋運輸產業,海洋油氣產業為海洋運輸產業提供動力燃料,間接助力漁業產業的發展。產業間的緊密聯系會促使涉海企業在資本市場的風險關聯進一步加強,導致風險溢出效應顯著提高。不同產業企業間的風險溢出路徑主要有3條:①貿易信貸渠道,即企業間通過應付賬款形成的短期借款。在企業風險溢出網絡中,當某個企業陷入流動性困境時,可能導致與其有密切資金往來的其他產業企業遭遇財務危機,進而導致產業間債務鏈條斷裂,引發風險溢出。②供應鏈渠道,主要涉及產業間的投入產出關系,解釋產業間的技術經濟聯系和依存程度。這種生產技術聯系是風險在產業層面傳播的重要渠道[16],當沖擊起源于某個產業時,通過投入產出傳播,最終形成產業層面的聚合沖擊。③信息渠道。根據特性,信息通常分為理性信息和非理性信息,其產生的沖擊效應是不同的[17]。其中,理性信息效應主要源于相關經濟政策共同信息及龍頭企業異質信息推動形成的投資概念,由“概念相關”帶動“產業關聯”,最終引發產業共振;非理性信息效應是由信息不對稱性及市場主體非理性行為引起的,產業風險通過這類信息渠道相互傳染,最終導致系統性風險溢出。

3 模型構建

3.1 風險溢出指數模型

Antonakakis等[11]基于時變參數向量自回歸模型(TVP-VAR)構建新的時變溢出指數法,該方法在分析企業間風險溢出關系時無須人為設置滾動窗口,不會造成信息損失等情況,很好地克服DY 溢出指數法的缺陷。

N階的TVP-VAR 模型的表現形式為:

式中:yt為N個涉海企業的股票收益波動率;yt-1和yt-p分別為滯后一階和滯后p階的股票收益波動率;a0為截距向量;A1～Ap為系數矩陣;εt為誤差列向量,各向量分量間是獨立同分布的。

令βt=vec(a'0,A'1,…,A'p),xt=I?(1,y't-1,…,y't-p),假設系數βt服從隨機游走過程,則有:

式中:δt～N(0,Ω),即δt服從正態分布。

確定TVP-VAR 模型的表現形式后,運用蒙特卡洛模擬法對時變參數進行估計。隨后根據方差分解預測誤差方差,計算在外部因素干擾條件下,其他變量yj對變量yi的方差貢獻度,即在變量yi的h步預測誤差方差中可由其他變量yj進行解釋的比例即dij h() :

式中:σii為εt的標準差;ei和ej分別為第i個和第j個元素是1的單位向量(i,j=1,…,N且i≠j);為系數矩陣的轉置矩陣。

不同涉海企業的方差貢獻度堆疊形成方差分解矩陣Dij(h)。

企業k接收其他企業的定向風險溢入效應(對應表中的From Others項)為:

式中:dkj為企業k接收企業j的風險溢入指數。

企業k對其他企業的定向風險溢出效應(對應表中To Others項)為:

式中:dik為企業k對企業i的風險溢出指數。

企業k的風險凈溢出效應為:

涉海企業風險溢出系統的總體溢出效應為:

式中:dij為企業i接收企業j的風險溢入指數(企業j對企業i的風險溢出指數)。

本研究將溢出效應分為動態研究和靜態研究。其中,動態研究計算每個時點上的溢出指數及其方向,可以反映總體溢出效應的變化趨勢;靜態研究計算每個時點上的溢出指數經加總求得的平均值,可以反映平均溢出效應。

3.2 風險溢出網絡

本研究以涉海企業作為網絡節點,以兩兩企業間的風險溢出效應表示網絡連邊,并使用風險溢出值作為連邊權重建立風險溢出網絡。指標權重越大,連邊越粗,表明連邊兩端節點間的風險溢出效應越大。風險溢出網絡的拓撲指標包括3個方面。

(1)度。用Ki表示網絡中節點i的度,代表與節點i直接相連的其他節點數。在有向網絡中,出度表示由節點i出發,指向其他節點的所有連邊個數的總和;入度表示由其他節點出發,指向節點i的所有連邊個數的總和。

(2)直徑與平均路徑長度。用Dij表示節點i和節點j之間最短路徑上的邊數,用N表示網絡中的節點數,網絡的直徑是網絡中任意2個節點之間的最大距離D,平均路徑長度L是節點i和節點j之間距離的平均值,則有:

(3)聚類系數。在網絡中,與某個節點聯系密切的其他節點往往不是相互獨立的,其他節點之間也可能存在密切聯系,這種現象被稱為網絡的聚類特征。用Km表示與節點m相連的n個節點之間實際存在的邊數,節點m的聚類系數Cm為:

在風險溢出網絡中,聚類系數越大,表明網絡連接越緊密,涉海企業間的風險流轉效率越高;聚類系數越小,表明網絡連接越稀疏,涉海企業間的風險流轉效率越低。

4 實證分析

4.1 數據來源

本研究依據各大涉海企業的主營業務、市場份額、經營能力等要素,結合“南方財富網”提供的信息,選取屬于漁業、海油、海運及船舶產業板塊的20支龍頭股作為研究對象,采用對數收益率(rt)數據進行涉海企業風險溢出效應研究。龍頭股是行業領域的“風向標”,也是投資者關注行業發展的重要指標,其漲跌往往對同行業板塊其他股票的漲跌起到引導和示范作用,因此本研究選擇龍頭股作為研究樣本具有一定的行業代表性。其中,漁業板塊的龍頭股包括獐子島(a)、開創國際(b)、大湖股份(c)、好當家(d)、中水漁業(e)、國聯水產(f),海油板塊的龍頭股包括中海油服(g)、海油工程(h)、中國海油(i),海運板塊的龍頭股包括中遠海能(j)、中遠海控(k)、中遠海發(l)、寧波海運(m)、招商輪船(n),船舶板塊的龍頭股包括中船科技(o)、中國船舶(p)、中船防務(q)、中國重工(r)、中國動力(s)、天海防務(t)。

本研究選取的樣本區間為2015年1月6日至2022年12月28日,樣本數據范圍涵蓋2015年“股災”、2018年中美貿易摩擦及2022年俄烏沖突等重大風險事件。所有數據均來源于WIND 數據庫。

4.2 數據描述性統計

涉海企業股票對數收益率數據的基本統計性質如表1所示。

表1 涉海企業股票對數收益率數據的描述性統計Table 1 Descriptive statistics of logarithmic rate of return data for the stocks of sea-related enterprises

由表1可以看出:除中遠海控、中船科技、中國動力和中遠海能對數收益率的平均值大于0外,其他涉海企業股票對數收益率的平均值均小于0;從收益波動情況來看,各企業股票對數收益率均存在較大波動,其中天海防務對數收益率的標準差最大,收益波動最劇烈;除中遠海發、寧波海運和中國動力對數收益率右偏外,其他數據序列均左偏,且峰度均大于3,具有明顯的“尖峰厚尾”特征;各企業股票對數收益率的JB統計量均大于臨界值,且伴隨概率(P值)小于1%,表明對數收益率序列在1%置信水平下拒絕服從正態分布的假設。

4.3 風險溢出靜態分析

本研究利用GARCH(1,1)模型提取股票對數收益率的波動率表征涉海企業風險,通過計算全樣本時期各涉海企業間的靜態溢出指數,總體把握風險溢出特征,并根據NET 值確認各涉海企業在風險溢出系統中所扮演的角色,即當NET 值大于0時為風險溢出者,當NET 值小于0 時為風險接收者。值得注意的是,風險溢出指數矩陣不是對稱矩陣,矩陣對角元素表示各企業對自身風險溢出的強度,除對角元素外的行數據表示某企業接收其他企業的風險溢入強度(From 值),除對角元素外的列數據表示某企業對其他企業的風險溢出強度(To值)。涉海企業靜態溢出指數如表2所示。

表2 涉海企業靜態溢出指數Table 2 Static spillover index of sea-related enterprises

結果顯示,自2015年以來,各涉海企業間存在較為顯著的風險溢出效應,但溢出方向及強度存在差異。①涉海企業對同屬產業板塊企業的風險溢出強度均最大,如獐子島(a)對同屬漁業產業板塊的開創國際(b)、大湖股份(c)、好當家(d)、中水漁業(e)和國聯水產(f)的溢出強度最大,分別為5.8%、5.6%、6.6%、5.3%、6.3%。②從To值和From 值序列可以看出,屬于船舶產業板塊的中國重工(r)在涉海企業風險溢出系統中表現“活躍”,風險溢出總值(101.5%)和溢入總值(79.8%)均最大,其中對中國船舶(p)的風險溢出強度最大(11.1%),同時接收來自中國船舶(p)的風險溢入強度(10.6%)也最大。③從NET 值來看,同屬產業板塊的企業在風險溢出系統中扮演的角色并非一致,如同屬船舶產業板塊的中船科技(o)、中國船舶(p)、中船防務(q)及中國重工(r)的風險溢出凈值大于0,在系統中的定位為風險凈溢出者,而中國動力(s)和天海防務(t)在系統中的定位則為風險凈接收者。

為進一步分析海洋產業板塊間的風險溢出效應,本研究對涉海企業間的風險溢出指數按產業板塊進行劃分,并進行加權平均處理,得到海洋產業板塊間風險溢出的方向及強度(表3)。由表3可以看出:①各產業板塊與其他產業板塊間的風險溢出及溢入強度存在差異。具體來看,漁業產業對船舶產業的風險溢出強度(2.63%)最大,同時接收來自船舶產業的風險溢入強度(2.98%)也最大;海油產業及海運產業之間存在密切的風險關聯,二者互為風險溢出及風險溢入強度最大的產業;船舶產業對海油產業的風險溢出強度(3.49%)最大,同時接收來自海油產業的風險溢入強度(3.29%)也最大。③漁業及海運產業的NET值小于0,在系統中扮演風險凈接收者的角色;海油及船舶產業的NET值大于0,在系統中為風險凈溢出者。

表3 海洋產業板塊間的風險溢出結果Table 3 Risk spillover results between marin industry segments

4.4 風險溢出動態分析

靜態溢出指數反映全樣本期間的平均溢出效應,而不能刻畫溢出效應的時變特征,因此本研究通過計算涉海企業間的動態溢出指數,對系統風險的總體溢出效應進行動態分析。涉海企業系統風險的總體溢出指數時變如圖1所示。結果顯示,涉海企業間風險的總體溢出效應顯著,溢出總值始終位于55%以上,且隨時間的變化波動,并存在一定的周期性特征。其中,2016年、2018年和2020年的總體溢出指數出現較為顯著的直線式上升趨勢,風險溢出效應在短時間內快速提升至較高水平;2015年、2019年和2022年的總體溢出指數也存在小幅跳躍式上升趨勢。這些變化特征均與某些風險事件的發生密切相關,風險事件可能經信息傳導等渠道在涉海企業間形成強大的“多米諾骨牌效應”,使總體風險溢出效應顯著增強。

圖1 涉海企業系統風險的總體溢出指數時變Fig.1 The time-varying overall spillover index of systemic risk in sea-related enterprises

(1)2015年年中涉海企業系統風險的總體溢出指數在短時間內由65%左右提高至70%以上,呈現小幅跳躍式上升趨勢。這是因為2015年我國發生“股災”,從6月開始股市經歷4輪暴跌,恐慌情緒的持續性積累對海洋產業產生較大的影響,為風險蔓延提供足夠動力,使涉海企業系統風險的總體溢出效應顯著提升。

(2)2016年“南海仲裁案”事件持續發酵,美國和菲律賓在南海問題上不斷挑釁中國,嚴重侵犯中國海洋權益,涉海企業風險快速積累并蔓延,使總體風險溢出效應直線爬升至較高水平。隨著中菲兩國針對南海問題進行有效磋商,相關分歧得到管控,涉海企業系統的風險溢出效應逐步降低。

(3)2018年中美貿易摩擦影響我國對外貿易的發展。一方面,海產品關稅的提升制約我國漁業產業的發展[18];另一方面,海運是中美貿易的重要運輸方式,貿易摩擦對我國外貿集裝箱運輸需求和沿海港口集裝箱吞吐量產生不利影響。基于此,我國涉海企業系統的風險溢出效應出現直線式大幅上升趨勢。

(4)根據海洋災害公報數據,2019年風暴潮、海浪、綠潮等自然災害的發生威脅我國沿海經濟社會的發展,并對海洋生態環境造成極大的破壞,直接經濟損失超過近10年的平均值。海洋災害的巨大破壞力影響涉海企業在資本市場的收益,使系統性風險持續性積累,風險溢出效應一直維持在較高水平,直至2019年下旬才降到70%以下。

(5)2020年新冠疫情暴發,人們對冷鏈海鮮產品存在抵觸情緒,對漁業、海運等海洋產業產生沖擊,進一步加速涉海企業間的風險傳播。隨著國家對疫情形勢的有效控制,各行業開始有秩序地恢復生產,人們對冷鏈海鮮產品的抵觸情緒日益消退,涉海企業系統風險的總體溢出效應逐漸下降。

(6)2022年俄烏沖突使國際原油價格上漲,海油企業風險快速積累,此外航線被迫停運或改變,對海運產業產生較大影響[19],海運企業風險提高。海洋產業之間的高度關聯使這些風險迅速擴散至其他產業板塊,導致涉海企業間的風險溢出效應顯著提高。

4.5 涉海企業風險溢出網絡

本研究已基于TVP-VAR 模型的溢出指數法,分別對涉海企業、產業板塊間的風險溢出方向及強度進行靜態分析,并通過動態分析掌握涉海企業間總體溢出指數的時變特征。在此基礎上,本研究基于復雜網絡理論,以各涉海企業作為原節點或目標節點,以測算得到的風險溢出指數作為連邊權重,分時段構建風險溢出網絡,以空間維度表示涉海企業間的風險溢出效應,并選取拓撲指標對網絡特征進行分析。

4.5.1 基于閾值法的風險溢出網絡

本研究將涉海企業風險溢出值在不同階段的平均值作為閾值,對風險溢出信息進行篩選后建立風險溢出網絡,以突出網絡的主要特征。2015 年(“股災”)、2016 年(“南海仲裁案”)、2017 年(無重大風險事件)、2018年(中美貿易摩擦)、2019年(海洋自然災害)、2020年(新冠疫情)、2021年(無重大風險事件)及2022年(俄烏沖突)的涉海企業風險溢出網絡如圖2所示。其中,網絡中的箭頭指向表示風險溢出方向;連邊反映風險溢出強度,連邊越粗表明風險溢出強度越大,連邊越細表明風險溢出強度越小。由風險溢出網絡可以直觀看出,最粗連邊所連接的企業屬于相同的產業板塊,再次印證同屬產業板塊企業間的風險溢出強度最大這一結論。

圖2 涉海企業風險溢出網絡Fig.2 Risk spillover network of sea-related enterprises

4.5.2 風險溢出網絡的拓撲特征

風險溢出網絡的拓撲特征如表4所示。

表4 風險溢出網絡的拓撲特征Table 4 The topological characteristics of risk spillover network

由表4可以看出:①風險溢出網絡的平均聚類系數在不同階段存在較大差異。2015年、2016年、2018年、2019年、2020 年和2022 年的平均聚類系數大于2017年和2021年,表明相較于無重大風險事件發生時期,風險溢出網絡在重大風險事件發生時期的連接更為緊密,涉海企業間的風險流轉效率更高。②涉海企業間的風險溢出效應在不同重大風險事件發生時期也存在差異。2016年的平均聚類系數最大,風險溢出網絡的連接最為緊密,表明“南海仲裁案”事件發生時期涉海企業間的風險流轉效率最高;2019年的平均聚類系數因海洋自然災害在所有年份中位列第二;2018年中美貿易摩擦發生時期的平均聚類系數較低,表明相較于其他重大風險事件發生時期,風險溢出網絡在此階段的連接最為稀疏,涉海企業間的風險流轉效率最低。

需要說明的是,平均聚類系數與平均路徑長度在理論上成反比,即當平均聚類系數越大時,平均路徑長度越小。而本研究結果顯示2016年的平均聚類系數最大,但其平均路徑長度并非最小,原因可能在于當涉海企業間的聯系更為密切時,原先并未直接相連的企業直接相連,進而使平均路徑長度變得更大。但從總體上看,涉海企業風險溢出網絡的平均聚類系數仍與平均路徑長度成反比,具有“小世界”的特征。

出度和入度是衡量網絡節點重要性的指標。節點出度越大,表明由該節點指向其他節點的連邊個數的總和越大,即風險對外直接溢出的渠道越多且溢出的范圍越大;節點入度越大,表明由其他節點指向該節點的連邊個數的總和越大,即潛在的風險來源范圍越大。節點總度是入度和出度之和,總度越大表明節點在網絡中的影響力越大,風險溢入及溢出的渠道越多,對系統風險溢出的貢獻度越高。本研究將同屬產業板塊的涉海企業總度的加權平均值作為產業板塊總度,結果如表5所示。

表5 產業板塊總度Table 5 Overall results of industrial segments

由表5可以看出,不同年份各產業板塊的總度存在較大差異。2015年“股災”發生時期,海油及海運產業板塊的總度最大;2016 年“南海仲裁案”和2017年無重大風險事件發生時期,船舶產業板塊的總度最大;2018年中美貿易摩擦、2020年新冠疫情和2021年無重大風險事件發生時期,海運產業板塊的總度最大;2019年海洋自然災害發生時期,漁業產業板塊的總度最大;2022年俄烏沖突發生時期,海油產業板塊的總度最大。總度最大的產業板塊為整個網絡的風險蔓延提供更多的渠道,對系統風險溢出的貢獻度最高。

5 結語

本研究選用漁業、海油、海運及船舶產業板塊的龍頭股作為研究對象,利用GARCH(1,1)模型提取股票對數收益率的波動率代表涉海企業風險,并運用基于TVP-VAR 模型的溢出指數法對涉海企業間的風險溢出效應進行靜態測算和動態測算,深入挖掘涉海企業間的風險溢出特點以及時變特征。此外,基于閾值法分時段構建風險溢出網絡,對比分析網絡拓撲特征在不同階段的變化。主要得到4點結論:①涉海企業對同屬產業板塊企業的風險溢出強度最大;②漁業及海運產業是風險凈接收者,海油及船舶產業則為風險凈溢出者;③風險溢出效應具有時變特征,涉海企業的總體風險溢出指數在重大風險事件沖擊下會呈現顯著上升趨勢;④相較于無重大風險事件發生時期,風險溢出網絡在重大風險事件發生時期的平均聚類系數更大,表明涉海企業在網絡中的連接更為緊密,風險流轉效率更高。基于研究結論,本研究提出3點政策建議。

(1)隨著近年來重大風險事件的頻繁發生,緊急避險情緒和產業收益走勢的不確定性威脅涉海企業的穩步發展,海洋產業間的關聯會使資本市場的風險進一步蔓延并加劇系統傳播。因此,涉海企業應重點推進建立風險預警機制,完善多渠道融資體系,避免因資本市場收益波動而發生融資危機,從而對企業實際經營產生不利影響。

(2)監管部門可以根據不同涉海企業風險溢出的方向及貢獻度制定具有針對性的風險管理措施,如對漁業及海運產業板塊的涉海企業重點建立風險防御機制,對海油及船舶產業板塊的涉海企業重點建立風險隔離機制,同時加大對同屬產業板塊企業間的風險防范力度。此外,在完善海洋產業鏈供應鏈時,應建立并執行嚴密的信息披露流程,由統一部門負責信息披露工作,確保企業風險信息披露的準確性。

(3)涉海企業投資者應避免“將雞蛋放于同一個籃子里”,應合理分配對不同產業板塊涉海企業的投資資金,從而降低在重大風險事件沖擊下因資產價格波動而造成的投資損失。