趙 霞 李會會

（1.上海對外經(jīng)貿(mào)大學(xué)統(tǒng)計與信息學(xué)院，上海 201620；2.中央財經(jīng)大學(xué)統(tǒng)計與數(shù)學(xué)學(xué)院，北京 100098）

一、引言

經(jīng)濟(jì)政策不確定性(economic policy uncertainty，EPU)是指政策變動本身的難以預(yù)測性、引起政策變動因素的多樣性以及其所產(chǎn)生影響的不確定性等(張禮卿和蔡思穎，2020)。經(jīng)濟(jì)全球化和金融一體化程度進(jìn)一步加深，各經(jīng)濟(jì)體之間的聯(lián)系日益緊密，政策變動對經(jīng)濟(jì)及金融市場的影響越來越顯著，進(jìn)而使得跨國跨市場的外溢風(fēng)險越來越顯著(卜林等，2020；楊子暉等，2020；歐陽艷艷和施養(yǎng)勁，2021)。近年來，頻發(fā)的重大公共危機(jī)事件更加劇了這種相互影響。2017年，我國中央銀行召開金融穩(wěn)定工作會議時提出要將防范跨行業(yè)、跨市場的交叉性金融風(fēng)險作為維護(hù)金融穩(wěn)定的重點領(lǐng)域。探究各經(jīng)濟(jì)體EPU與股市之間尾部風(fēng)險溢出效應(yīng)不僅有助于防范跨境、交叉性風(fēng)險外溢，而且有助于識別各經(jīng)濟(jì)體的股票市場和EPU在網(wǎng)絡(luò)系統(tǒng)中的重要性及其風(fēng)險傳播路徑、范圍和強(qiáng)度等，助力全球金融系統(tǒng)性風(fēng)險外溢的監(jiān)測和預(yù)防。

EPU與股票市場之間的溢出效應(yīng)研究，近年來得到諸多學(xué)者的關(guān)注。陳國進(jìn)等(2014)通過GARCH模型得到股票市場和EPU之間存在顯著的動態(tài)相關(guān)性及雙向波動溢出效應(yīng)的結(jié)論。夏婷和聞岳春(2018)利用混頻模型考察了EPU對股市波動的影響，認(rèn)為EPU是股市波動的因子。Tsai(2017)基于DY溢出指數(shù)分析了中國、日本、歐洲和美國的EPU對全球股票市場的風(fēng)險傳染影響，指出中國的EPU影響力最大。王奇珍等(2018)、He et al.(2020)及卜林等(2020)利用DY溢出指數(shù)探索了EPU和股票市場間的雙向波動溢出效應(yīng)。Wang et al.(2020)基于溢出指數(shù)分析了中美兩國EPU與已實現(xiàn)波動率之間的雙向溢出關(guān)系，并發(fā)現(xiàn)中美兩國EPU對股市的“不利波動”(bad volatility)有較大的影響。Hung(2021)基于DECO-GARCH模型，從長短期的角度研究了EPU與金磚國家股市之間的溢出效應(yīng)，發(fā)現(xiàn)EPU會受到股票價格波動的短期傳遞影響。

上述研究主要利用GARCH模型、DY溢出指數(shù)或廣義方差分解等模型方法進(jìn)行了分析，但僅關(guān)注由波動率引起的風(fēng)險溢出效應(yīng)，沒有考慮到EPU與股票市場整個系統(tǒng)內(nèi)部的關(guān)聯(lián)關(guān)系。復(fù)雜網(wǎng)絡(luò)方法不僅能從整體上分析系統(tǒng)的關(guān)聯(lián)結(jié)構(gòu)，而且可以同時考慮所有變量之間的線性及非線性交互影響。楊子暉等(2020)選擇19個國家(地區(qū))，從收益率信息溢出角度構(gòu)建了全球EPU與金融市場之間的非線性格蘭杰因果關(guān)聯(lián)網(wǎng)絡(luò)，探討了它們之間的系統(tǒng)性風(fēng)險傳染關(guān)系，但格蘭杰因果網(wǎng)絡(luò)僅可以刻畫節(jié)點間的風(fēng)險傳播方向，卻無法傳達(dá)風(fēng)險傳播的強(qiáng)度信息。Xia et al.(2020)和Geng et al.(2021)基于時頻連通網(wǎng)絡(luò)分析了EPU與股票市場及其他市場在不同頻率下的波動溢出效應(yīng)，分別探究了中國EPU與股票市場、美英兩國EPU與股票市場間的波動率帶來的風(fēng)險溢出。綜上，已有的研究都沒有考慮EPU指數(shù)尾部極端風(fēng)險狀況，但實際上尾部極端風(fēng)險的存在已嚴(yán)重影響了宏觀經(jīng)濟(jì)、企業(yè)投資及股票收益等(謝赤等，2021；馬曉文等，2021)。

尾部風(fēng)險網(wǎng)絡(luò)是基于尾部風(fēng)險度量和復(fù)雜網(wǎng)絡(luò)構(gòu)建的有向加權(quán)的溢出網(wǎng)絡(luò)，以度量節(jié)點的風(fēng)險強(qiáng)度和傳導(dǎo)方向，目前主流的方法有Copula函數(shù)法、風(fēng)險-Granger因果檢驗法及尾部事件網(wǎng)絡(luò)等。Copula函數(shù)法利用Copula尾相依系數(shù)刻畫金融網(wǎng)絡(luò)“邊”的信息，進(jìn)而構(gòu)建尾部風(fēng)險網(wǎng)絡(luò)（Wang & Huang, 2020；王耀東等, 2021；Chen & Nasekin, 2020；Zhang et al., 2020）。風(fēng)險-Granger因果檢驗法基于格蘭杰因果檢驗和尾部風(fēng)險測度構(gòu)建有向加權(quán)的網(wǎng)絡(luò)（Wang et al., 2017；楊子暉等,2019）。尾部事件網(wǎng)絡(luò)法由H?rdle et al.(2016)首次提出，從尾部相依角度出發(fā)考察風(fēng)險溢出效應(yīng)構(gòu)建的網(wǎng)絡(luò)，該方法更關(guān)注尾部事件驅(qū)動的相互聯(lián)系?？紤]到Adian &Bruunermeier(2016)提出的條件在險價值(CoVaR)在度量尾部風(fēng)險上具有有效性和簡單性的優(yōu)勢(Xu et al.，2021)，黃瑋強(qiáng)等(2019)和葉莉等(2019)在H?rdle et al.(2016)的網(wǎng)絡(luò)構(gòu)建思想和ΔCoVaR基礎(chǔ)上構(gòu)建新的刻畫關(guān)聯(lián)關(guān)系的尾部風(fēng)險網(wǎng)絡(luò)，研究機(jī)構(gòu)之間的尾部風(fēng)險傳染及系統(tǒng)性風(fēng)險貢獻(xiàn)問題。這種方法可以度量節(jié)點之間的風(fēng)險溢出強(qiáng)度、方向及風(fēng)險傳播強(qiáng)度的關(guān)聯(lián)性，更有利于突出風(fēng)險溢出效應(yīng)的傳播路徑與核心節(jié)點。

綜上，目前關(guān)于EPU與股票市場之間溢出效應(yīng)的研究較為豐富，但是基于復(fù)雜網(wǎng)絡(luò)的相關(guān)研究還較少，特別是從EPU尾部極端風(fēng)險溢出角度的研究還欠缺。因此，本文從尾部風(fēng)險網(wǎng)絡(luò)視角，構(gòu)建EPU指數(shù)與股票市場的有向加權(quán)溢出網(wǎng)絡(luò)(溢出系數(shù)網(wǎng)絡(luò)及ΔCoVaR溢出網(wǎng)絡(luò))，探究二者之間極端風(fēng)險溢出的存在性、方向性、強(qiáng)度及社群特征問題，為危機(jī)發(fā)生時相關(guān)金融風(fēng)險管理提供決策參考。本文的研究貢獻(xiàn)主要體現(xiàn)在：同時考慮到EPU指數(shù)和股票市場的尾部極端風(fēng)險，基于復(fù)雜網(wǎng)絡(luò)方法探討EPU與股票市場間的雙向尾部風(fēng)險溢出效應(yīng)，并進(jìn)一步采用社群識別方法探究EPU與股票市場系統(tǒng)內(nèi)潛在的風(fēng)險源和風(fēng)險傳播路徑。

二、研究方法與步驟

(一)網(wǎng)絡(luò)構(gòu)建

(二)溢出系數(shù)網(wǎng)絡(luò)的系統(tǒng)性風(fēng)險指標(biāo)

(三)ΔCoVaR 溢出網(wǎng)絡(luò)的中心性指標(biāo)

(四)實證分析步驟

步驟一：網(wǎng)絡(luò)的構(gòu)建。采用分位數(shù)回歸方法計算尾部風(fēng)險測度，并以回歸系數(shù)β及回歸值ΔCoVaR分別構(gòu)造風(fēng)險溢出系數(shù)網(wǎng)絡(luò)及ΔCoVaR溢出網(wǎng)絡(luò)。

步驟二：系統(tǒng)風(fēng)險指數(shù)分析。根據(jù)溢出系數(shù)網(wǎng)絡(luò)的鄰接矩陣計算風(fēng)險貢獻(xiàn)指數(shù)與系統(tǒng)風(fēng)險暴露指數(shù)，直接測算各節(jié)點對風(fēng)險的發(fā)散和吸收強(qiáng)度。

步驟三：溢出網(wǎng)絡(luò)分析。使用極大平面濾波圖(PMFG)對全連接ΔCoVaR網(wǎng)絡(luò)提取關(guān)鍵信息，得到僅包含關(guān)鍵信息的風(fēng)險溢出網(wǎng)絡(luò)結(jié)構(gòu)圖，并根據(jù)網(wǎng)絡(luò)節(jié)點的拓?fù)渲笜?biāo)及結(jié)構(gòu)特征分析EPU和股票市場節(jié)點的風(fēng)險傳導(dǎo)路徑及溢出強(qiáng)度。

步驟四：社群分析。對PMFG過濾后的ΔCoVaR溢出網(wǎng)絡(luò)進(jìn)行社區(qū)識別，進(jìn)一步考察EPU與股票市場系統(tǒng)內(nèi)部的群體關(guān)系，通過識別群體內(nèi)部的核心節(jié)點及其鄰居節(jié)點，判斷可能的風(fēng)險傳染路徑及傳染源。

三、實證結(jié)果

(一)數(shù)據(jù)來源和預(yù)分析

1.股票數(shù)據(jù)來源和預(yù)分析

本文選取2003年1月至2020年10月的EPU指數(shù)與股票收益率的月度數(shù)據(jù)為研究對象?？紤]到各經(jīng)濟(jì)體EPU數(shù)據(jù)區(qū)間長度的一致性及可獲得性，同時參考楊子暉等(2020)，最終選取16個樣本市場及對應(yīng)的股票指數(shù)(見表1)，數(shù)據(jù)來源于Wind數(shù)據(jù)庫。由ADF檢驗知序列不滿足平穩(wěn)性，故對其進(jìn)行對數(shù)差分處理，經(jīng)檢驗得到平穩(wěn)序列{rit}，即rit=log(pit)-log(pi(t-1))，其中，pit為股票i在t時刻的收盤價，rit為股票對數(shù)收益率。

表1 樣本市場與股票指數(shù)選取結(jié)果

對股票數(shù)據(jù)進(jìn)行描述性統(tǒng)計分析發(fā)現(xiàn)：股票收益率序列的偏度小于0，分布呈左偏趨勢，且峰度顯著大于3，具有尖峰厚尾的特點，這說明了本文選擇分位數(shù)回歸方法的合理性。由ADF檢驗可知，各股票收益率序列數(shù)據(jù)均滿足平穩(wěn)性。

2. EPU 及狀態(tài)變量數(shù)據(jù)來源和預(yù)分析

關(guān)于EPU指標(biāo)的度量，Baker et al.(2016)基于文本搜索法構(gòu)建的全球主要經(jīng)濟(jì)體的EPU數(shù)據(jù)，是目前文獻(xiàn)中常用的方法。但是他們在構(gòu)建中國EPU指數(shù)時，僅參考了一份香港的《南華早報》，樣本選取及代表性方面存在不足，于是Huang & Luk(2020)在Baker et al.(2016)基礎(chǔ)上擴(kuò)大樣本量，采用文本分析法構(gòu)建了中國EPU指數(shù)，經(jīng)檢驗結(jié)果具有穩(wěn)健性?；诖?，本文中國EPU指數(shù)參照Huang & Luk(2020)，數(shù)據(jù)來自中國經(jīng)濟(jì)政策不確定性網(wǎng)站(https://economicpolicyuncertaintyinchina.weebly.com/)；其他主要經(jīng)濟(jì)體的EPU指數(shù)參照Baker et al.(2016)，數(shù)據(jù)來自政策不確定性網(wǎng)站(http://www.policyuncertainty.com/)。

本文對ΔCoVaR求解時所選擇的狀態(tài)變量為4個宏觀經(jīng)濟(jì)變量（匯率、進(jìn)口額、出口額和工業(yè)生產(chǎn)指數(shù)）和1個全球性EPU指數(shù)。全球性EPU指數(shù)選自Baker et al.(2016)一文，宏觀變量數(shù)據(jù)來源于Wind數(shù)據(jù)庫。為消除量綱，對狀態(tài)變量進(jìn)行標(biāo)準(zhǔn)化處理。

本文對所有EPU指數(shù)數(shù)據(jù)均進(jìn)行對數(shù)差分預(yù)處理，經(jīng)ADF檢驗知：處理后的各數(shù)據(jù)均為平穩(wěn)序列。

(二)基于溢出系數(shù)網(wǎng)絡(luò)的系統(tǒng)性風(fēng)險指數(shù)分析

根據(jù)步驟一，首先以分位數(shù)回歸系數(shù)β為尾部風(fēng)險網(wǎng)絡(luò)的邊權(quán)重構(gòu)建風(fēng)險溢出系數(shù)矩陣，并將回歸系數(shù)不顯著的邊權(quán)重定義為0，且不考慮自反溢出效應(yīng)。然后根據(jù)步驟二及式(3)～(8)，計算系統(tǒng)風(fēng)險貢獻(xiàn)指數(shù)和系統(tǒng)風(fēng)險暴露指數(shù)得到各節(jié)點的系統(tǒng)性風(fēng)險指數(shù)排名，進(jìn)而甄別溢出系數(shù)網(wǎng)絡(luò)中的關(guān)鍵節(jié)點，具體見表2和表3。

表2 系統(tǒng)風(fēng)險指數(shù)排名結(jié)果

表3 EPU(或股票市場)平均系統(tǒng)風(fēng)險指數(shù)結(jié)果

分析表2可以發(fā)現(xiàn)：

(1)股票市場節(jié)點的尾部極端風(fēng)險傳播能力更強(qiáng)。系統(tǒng)風(fēng)險貢獻(xiàn)指數(shù)排名前16位的均是股票市場節(jié)點，EPU節(jié)點排名相對靠后，但各節(jié)點的貢獻(xiàn)指數(shù)差距不明顯。在系統(tǒng)貢獻(xiàn)指數(shù)中，瑞典(7.84)、印度(7.70)、俄羅斯(7.08)、法國(6.91)及日本(6.87)的股票市場節(jié)點排名均位于前列。這說明：危機(jī)極易通過這些經(jīng)濟(jì)體的股票市場得以快速傳播，而EPU的風(fēng)險傳播能力較弱。

(2)EPU節(jié)點的尾部風(fēng)險吸收強(qiáng)度更大。在系統(tǒng)風(fēng)險暴露指數(shù)中，EPU節(jié)點排名均在前16位，表現(xiàn)出對風(fēng)險的吸收狀態(tài)，且第5位之后的暴露指數(shù)明顯小于前4位；系統(tǒng)風(fēng)險暴露指數(shù)排名前5位的有：俄羅斯(14.09)、中國香港(8.49)、巴西(8.16)、澳大利亞(7.04)及印度(6.84)。這說明：EPU節(jié)點較容易使風(fēng)險快速積聚，當(dāng)危機(jī)來臨時風(fēng)險極易通過這些經(jīng)濟(jì)體EPU的變化得以快速聚集；而且股票市場的風(fēng)險聚集能力相對較弱。

(3)俄羅斯對尾部風(fēng)險的發(fā)散和吸收能力都表現(xiàn)出較明顯的優(yōu)勢。俄羅斯的股票市場和EPU節(jié)點的系統(tǒng)貢獻(xiàn)指數(shù)和暴露指數(shù)都位于前列。俄羅斯自然資源豐富，與國際能源市場密切相關(guān)，特別是國際原油價格的波動顯著影響著俄羅斯金融市場的穩(wěn)定；同時，在經(jīng)濟(jì)一體化背景下其生活工業(yè)用品更多依賴于進(jìn)口，所以其風(fēng)險傳播能力和吸收能力都比較強(qiáng)。

(4)中國內(nèi)地EPU和股票市場節(jié)點的系統(tǒng)風(fēng)險貢獻(xiàn)指數(shù)和暴露指數(shù)都處于中游位置。說明其風(fēng)險傳播和接受能力都處于中游狀態(tài)，這與中國內(nèi)地股票市場的“政策市”特征有關(guān)，嚴(yán)格的政策及機(jī)制約束會在一定程度上抑制風(fēng)險的傳遞，且其監(jiān)管體系及市場規(guī)則與其他市場存在差異，也進(jìn)一步影響節(jié)點的溢出水平。中國香港的系統(tǒng)性風(fēng)險指數(shù)相較于中國內(nèi)地，排名更靠前，特別是在系統(tǒng)性風(fēng)險暴露指數(shù)中排名第二，這與中國香港作為國際金融中心，金融市場相對更完善且資金流動性更強(qiáng)等因素有極大關(guān)系。

由表3可知，所有EPU節(jié)點之間的系統(tǒng)風(fēng)險暴露指數(shù)占整個網(wǎng)絡(luò)系統(tǒng)的97.4%，說明EPU節(jié)點在風(fēng)險吸收強(qiáng)度上的絕對優(yōu)勢，而股票市場節(jié)點在系統(tǒng)貢獻(xiàn)指數(shù)的占比為53.4%，略大于EPU節(jié)點，從中可以發(fā)現(xiàn)EPU和股票市場之間在風(fēng)險的溢出上表現(xiàn)出較強(qiáng)的雙向溢出效應(yīng)。

(三)基于ΔCoVaR 溢出網(wǎng)絡(luò)的風(fēng)險溢出效應(yīng)分析

本部分首先利用PMFG過濾算法對ΔCoVaR全連接網(wǎng)絡(luò)提取關(guān)鍵信息，將溢出強(qiáng)度不明顯的剔除，僅保留呈現(xiàn)關(guān)鍵風(fēng)險溢出的路徑。

1. EPU 與股票市場的ΔCoVaR 溢出網(wǎng)絡(luò)結(jié)構(gòu)分析

根據(jù)步驟三，使用PMFG算法對全連接網(wǎng)絡(luò)提取關(guān)鍵信息，將經(jīng)過PMFG過濾后的ΔCoVaR矩陣?yán)L制溢出網(wǎng)絡(luò)結(jié)構(gòu)圖（見圖1）。其中，節(jié)點大小與節(jié)點的出度成比例，網(wǎng)絡(luò)邊的粗細(xì)刻畫節(jié)點間溢出強(qiáng)度大小，深藍(lán)、淺藍(lán)及紫色分別代表美洲、歐洲及亞太區(qū)域經(jīng)濟(jì)體，①出于紙印版識別考慮，圖1中按順時針方向，R_OMXPI 至 R_RTS 和 E_Swedish 至E_Russia 為淺藍(lán)色節(jié)點，代表歐洲經(jīng)濟(jì)體；R_AORD 至R_SHZ 和 E_Australia 至 E_China 為紫色節(jié)點，代表亞太區(qū)域經(jīng)濟(jì)體；其余的為深藍(lán)色，代表美洲經(jīng)濟(jì)體。節(jié)點的相關(guān)參數(shù)結(jié)果見表4～表6。

圖1 EPU 和股票市場的風(fēng)險溢出網(wǎng)絡(luò)

表4 EPU 與股票市場溢出網(wǎng)絡(luò)的節(jié)點中心性指標(biāo)分析結(jié)果

表5 不同區(qū)域下EPU 與股票市場的節(jié)點中心性結(jié)果

表6 全球EPU 與股票市場總特征結(jié)果

由圖1發(fā)現(xiàn)：(1)股票市場節(jié)點的連邊相較于EPU節(jié)點更稀疏，說明股票市場與其他節(jié)點尾部風(fēng)險的關(guān)聯(lián)強(qiáng)度較弱，使其在PMFG算法過濾時被剔除。(2)每個節(jié)點既是箭頭的指向方，也是箭頭的指出方，顯然在該系統(tǒng)中風(fēng)險并非是單向流動，而是復(fù)雜的雙向流動網(wǎng)絡(luò)，即EPU與股票市場存在雙向的尾部風(fēng)險溢出效應(yīng)。(3)EPU節(jié)點普遍比股票市場的節(jié)點大，且EPU節(jié)點中箭頭指向自身的邊居多，而股票市場節(jié)點的規(guī)律剛好相反。同時，EPU節(jié)點相較于股票市場節(jié)點更大，且各經(jīng)濟(jì)體間的EPU節(jié)點大小存在明顯差異；而股票市場的節(jié)點大小更加均衡，說明了EPU的極端風(fēng)險存在顯著異質(zhì)性。

具體網(wǎng)絡(luò)中各節(jié)點的度中心性及特征向量中心性指標(biāo)見表4。

節(jié)點的出度和入度刻畫了節(jié)點在風(fēng)險傳遞中的作用和重要性，特征向量中心性不僅考慮了自身節(jié)點對風(fēng)險的傳染，同時也將其鄰居節(jié)點的重要性關(guān)聯(lián)關(guān)系考慮在內(nèi)，在一定程度上刻畫了風(fēng)險的傳播范圍。結(jié)合表4的結(jié)果，可以發(fā)現(xiàn)：

(1)EPU節(jié)點的度中心性和特征向量中心性更占據(jù)優(yōu)勢。以上三種中心性指標(biāo)中排名前5位的節(jié)點均是EPU節(jié)點，說明EPU節(jié)點在風(fēng)險傳播強(qiáng)度、范圍即中心化程度上都處于較高水平，這與系統(tǒng)風(fēng)險貢獻(xiàn)指數(shù)和系統(tǒng)風(fēng)險暴露指數(shù)的結(jié)果有所不同。原因在于：股票市場節(jié)點與其他節(jié)點間尾部風(fēng)險的關(guān)聯(lián)性不突出，在ΔCoVaR溢出網(wǎng)絡(luò)中經(jīng)由PMFG算法將部分表現(xiàn)較弱的邊剔除，且風(fēng)險貢獻(xiàn)指數(shù)中股票市場和EPU節(jié)點的取值本就較為接近。經(jīng)濟(jì)政策的宏觀調(diào)控對本國及他國的資本市場、貨幣市場及外匯市場等均有明顯的外溢沖擊，EPU在其與股市之間風(fēng)險傳導(dǎo)中扮演著越來越重要的角色。

(2)發(fā)達(dá)國家或地區(qū)的風(fēng)險發(fā)散能力更強(qiáng)，但有些發(fā)展中國家或地區(qū)也會同時存在較大的風(fēng)險發(fā)散及吸收能力，如俄羅斯和印度。這說明影響節(jié)點溢出強(qiáng)度的因素是多元的。俄羅斯雖然是發(fā)展中國家，但是其具有較高的國際地位，擁有豐富的石油和天然氣能源；而印度具有得天獨厚的地理位置，地處印度洋航線的中間，是南亞影響最大的國家。澳大利亞、法國、印度、美國及日本的EPU對風(fēng)險的溢出最大，俄羅斯、中國香港、巴西、印度及澳大利亞的EPU對風(fēng)險的吸收能力最強(qiáng)，俄羅斯、中國香港、澳大利亞、印度及法國的EPU風(fēng)險傳播范圍更大且具有更重要的地位。

(3)比較表2和表4可以發(fā)現(xiàn)：系統(tǒng)性暴露指數(shù)排名與ΔCoVaR溢出網(wǎng)絡(luò)節(jié)點的入度排名幾乎一致，說明吸收能力強(qiáng)的節(jié)點同時具備較大的入度，即在危機(jī)來臨時，排名靠前的節(jié)點更能使風(fēng)險快速聚集，進(jìn)而可能引發(fā)整個網(wǎng)絡(luò)系統(tǒng)的危機(jī)。但是，系統(tǒng)性風(fēng)險貢獻(xiàn)指數(shù)排名靠前的節(jié)點與ΔCoVaR溢出網(wǎng)絡(luò)出度結(jié)果有較大出入，可能的原因是：PMFG過濾使得連接強(qiáng)度較弱的連邊刪除，導(dǎo)致關(guān)鍵性節(jié)點的排名變化。

為了綜合分析不同區(qū)域內(nèi)EPU與股票市場對風(fēng)險的總體表現(xiàn)，進(jìn)一步對表4數(shù)據(jù)進(jìn)行分區(qū)域整理，得到表5和表6。

分析表5和表6，可以得出如下結(jié)論：

(1)在表5每個區(qū)域內(nèi)，EPU尾部風(fēng)險的傳播強(qiáng)度及范圍都展現(xiàn)出較強(qiáng)的能力，特別是風(fēng)險的吸收能力，EPU節(jié)點遠(yuǎn)超股票市場節(jié)點，這是因為EPU節(jié)點不僅會受到股票市場的風(fēng)險外溢沖擊，同時其他經(jīng)濟(jì)體的政策變動、宏觀調(diào)整也會造成一國政策的不確定性增強(qiáng)。

(2)在表6的總體表現(xiàn)中，EPU的出度、入度及特征向量中心性均大于股票市場，說明在整個系統(tǒng)中EPU節(jié)點的尾部風(fēng)險傳播強(qiáng)度、傳播范圍及中心化程度均強(qiáng)于股票市場。

(3)橫向觀察表5和表6中EPU與股票市場各自的出度與入度取值之差，可以發(fā)現(xiàn)：EPU整體扮演著風(fēng)險吸收者角色，而股票市場扮演著風(fēng)險發(fā)散者角色。EPU的特征向量中心性指標(biāo)顯著大于股票市場，表示EPU節(jié)點在網(wǎng)絡(luò)系統(tǒng)中占據(jù)重要位置，具有更大的風(fēng)險傳播范圍。極端事件發(fā)生時，政策在其中起著重要的平衡作用，突增的EPU對經(jīng)濟(jì)及股市波動帶來沖擊，同時，政策調(diào)整也有利于股票市場回歸正常。

2.社群分析

根據(jù)步驟四，考慮到溢出效應(yīng)歸根結(jié)底源于各節(jié)點之間的某種相關(guān)性聯(lián)系，選用隨機(jī)游走、自旋玻璃及中間中心度三種不同社群模型探究EPU與股票市場溢出網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，采用基于模塊化比率的ratio熱圖及模塊化Q指標(biāo)對社群效果對比評價，分析各經(jīng)濟(jì)體的緊密度及層次劃分，為精準(zhǔn)風(fēng)險監(jiān)測提供思路。隨機(jī)游走、自旋玻璃和中間中心度這三種不同社群模型的模塊化Q指標(biāo)分別為0.283、0.294和0.286，三種模型下的社群劃分情況及對應(yīng)ratio熱圖結(jié)果見圖2～圖4。

圖2 隨機(jī)游走模型的社區(qū)劃分及ratio 熱圖

圖3 自旋玻璃模型的社區(qū)劃分及ratio 熱圖

圖4 中間中心度模型的社區(qū)劃分及ratio 熱圖

由模塊化Q指標(biāo)值可以發(fā)現(xiàn)：相比隨機(jī)游走模型，中間中心度模型和自旋玻璃模型的分群效果更優(yōu)，其中自旋玻璃模型的表現(xiàn)最優(yōu)。自旋玻璃模型將所有網(wǎng)絡(luò)節(jié)點分為三個社群，包含兩個EPU節(jié)點社群和一個股票市場社群，觀察三個社群內(nèi)節(jié)點的分布情況，可以發(fā)現(xiàn)：

(1)節(jié)點所屬區(qū)域與是否發(fā)達(dá)經(jīng)濟(jì)體無明顯關(guān)系，但每個社群內(nèi)均存在類似“聚類中心”的節(jié)點，如“E_Brazil”“E_Russia”“E_HK”及“E_India”。這說明各經(jīng)濟(jì)體之間尾部風(fēng)險關(guān)聯(lián)性存在差異，依賴性較強(qiáng)的經(jīng)濟(jì)體，在系統(tǒng)中風(fēng)險傳導(dǎo)里扮演重要角色。比如：巴西與俄羅斯是輸出型的資源型經(jīng)濟(jì)體，中國香港是國際貿(mào)易樞紐，它們的EPU不僅在社群內(nèi)是關(guān)鍵節(jié)點，與其他社群的節(jié)點也保持著密切聯(lián)系；而印度僅在社群內(nèi)處于中心位置，對其他社群節(jié)點的關(guān)聯(lián)性較弱。

(2)社群分析可以刻畫出EPU和股票市場網(wǎng)絡(luò)的異質(zhì)性，即同類節(jié)點更容易出現(xiàn)在同一群體內(nèi)部，所謂“物以類聚”，但跨社群的溢出也不能忽視，如巴西和俄羅斯的EPU節(jié)點，雖然它們屬于不同社群，但其存在大量跨社群的連邊(即彩圖中紅色的連邊)，因此，這類節(jié)點更容易造成較大范圍的風(fēng)險外溢和沖擊。

四、結(jié)論與建議

本文從尾部風(fēng)險網(wǎng)絡(luò)角度，基于分位回歸系數(shù)與尾部風(fēng)險測度值分別構(gòu)建了溢出系數(shù)網(wǎng)絡(luò)和ΔCoVaR溢出網(wǎng)絡(luò)，考察全球EPU和股票市場的雙向溢出效應(yīng)，并進(jìn)一步分析節(jié)點之間溢出效應(yīng)的社群關(guān)系。本文研究發(fā)現(xiàn)：(1)EPU和股票市場存在顯著的非對稱雙向尾部風(fēng)險溢出效應(yīng)，且EPU節(jié)點對風(fēng)險的傳播范圍及強(qiáng)度大于股票市場。在網(wǎng)絡(luò)系統(tǒng)中，關(guān)鍵性節(jié)點多是一些經(jīng)濟(jì)體的EPU，如“E_Brazil”“E_Russia”“E_HK”及“E_India”等。(2)在溢出系數(shù)網(wǎng)絡(luò)中，EPU節(jié)點更易成為尾部風(fēng)險的承擔(dān)者，而股票市場表現(xiàn)為顯著的風(fēng)險傳播來源；而在ΔCoVaR溢出網(wǎng)絡(luò)中，EPU在風(fēng)險傳播及風(fēng)險承擔(dān)上具有更顯著的表現(xiàn)，且各經(jīng)濟(jì)體EPU節(jié)點的溢出存在顯著的異質(zhì)性，說明了EPU在金融市場風(fēng)險傳染過程中具有不可忽視的作用，且其風(fēng)險溢出的強(qiáng)度很可能會強(qiáng)于股票市場。(3)全球EPU和股票市場網(wǎng)絡(luò)系統(tǒng)存在社群“聚類”現(xiàn)象，每個類內(nèi)部均依靠“聚類中心”連接成“牽一發(fā)而動全身”的密切整體，這些聚類中心實質(zhì)上正是極易產(chǎn)生風(fēng)險發(fā)散的風(fēng)險源，通過分層次、分區(qū)域方式可以為精準(zhǔn)風(fēng)險防控提供思路。

基于上述分析及結(jié)論，本文提出如下政策建議：

(1)鑒于EPU與股票市場之間存在雙向溢出效應(yīng)，對我國這一“政策市”而言，需要更加關(guān)注各國之間的經(jīng)濟(jì)往來、政策變化及金融市場變動，特別是澳大利亞、法國、印度、美國等風(fēng)險溢出較高的經(jīng)濟(jì)體和俄羅斯、澳大利亞等風(fēng)險傳播范圍廣且風(fēng)險吸收強(qiáng)的經(jīng)濟(jì)體。保持政策的透明性、連貫性及持續(xù)性，可以一定程度上避免由政策發(fā)布實施引起的危機(jī)。

(2)EPU尾部風(fēng)險的跨國影響越來越顯著，特別是俄羅斯、巴西、中國香港及澳大利亞等經(jīng)濟(jì)體。對所有經(jīng)濟(jì)體而言，在穩(wěn)定金融市場與經(jīng)濟(jì)發(fā)展上，EPU都是重要的因素，所以政府不僅要多層次、全方位監(jiān)控風(fēng)險，而且更應(yīng)了解其根源，以防患于未然。同時，建議將EPU納入我國宏觀審慎防控指標(biāo)體系中，以進(jìn)一步監(jiān)督系統(tǒng)性風(fēng)險的傳播路徑，做到更精準(zhǔn)的風(fēng)險預(yù)測及防控。

(3)EPU及股票市場節(jié)點之間存在社群現(xiàn)象，說明風(fēng)險溢出網(wǎng)絡(luò)中存在顯著的風(fēng)險核心，亦即存在風(fēng)險傳播源或風(fēng)險聚集點，且不同風(fēng)險網(wǎng)絡(luò)的結(jié)果存在差異。因此，在風(fēng)險管控中，需考慮不同風(fēng)險類型帶來的影響。具體的風(fēng)險防控策略可針對不同風(fēng)險類型、不同地區(qū)、不同時期進(jìn)行動態(tài)風(fēng)險評估，及時識別重要性風(fēng)險節(jié)點，了解其“風(fēng)險圈”，有的放矢地分層次進(jìn)行風(fēng)險監(jiān)控，有效監(jiān)控風(fēng)險外溢。