مسری خطر بین بازارهای کالا و اقتصاد کلان در طول Covid-19: شواهدی از چین

به عنوان مواد اولیه اولیه فعالیت های اقتصادی ، قیمت عمده کالاها تأثیر قابل توجهی در اقتصاد واقعی دارد. با توجه به تأثیر بیماری همه گیر COVID-19 ، قیمت عمده کالاها از سال 2020 به شدت در یک الگوی "V عمیق" در حال نوسان است. بنابراین ، با دقت درک ارتباط خطر بین بازارهای کالا و اقتصاد کلان کلید اصلی جلوگیری از خطر سیستمیک و حفظ آن است. عملکرد صاف اقتصاد. بر اساس مدل MF-VAR ، این مقاله به بررسی آلودگی خطر بین بازارهای کالایی چین و بخشهای کلان اقتصادی از منظر سرریز نوسانات ، با تمرکز بر سرریز خطر و تکامل پویا آن در طول همه گیر COVID-19 و تجزیه و تحلیل عمیقاً مکانیسم انتقالسرریز ریسک بر اساس روش تست علیت با فرکانس مختلط. یافته های ما نشان می دهد که بازارهای کالایی چین صادر کننده خالص از خطر خطر است و همه بخش های کلان اقتصادی دریافت کننده خالص از مسری ریسک هستند. در دوره COVID-19 ، اثر مسری خطر به طور قابل توجهی تشدید شد. نوسانات بازارهای کالا تأثیر منفی طولانی در بخش سرمایه گذاری دارد و باعث تغییر در بخش های کلان اقتصادی مانند کاهش وام های میان مدت و بلند مدت ، کاهش سرعت گردش پول و تضعیف میکرو شده است-تمایل به مصرف فردی. نتایج تجزیه و تحلیل علیت نشان می دهد که ثروت ، نرخ بهره و تأثیرات انتظار در آلودگی خطر بین بازارهای کالا و بخشهای کلان اقتصادی وجود دارد. در حالی که مستقیم یا غیرمستقیم تحت تأثیر بازارهای کالا قرار دارد ، هر بخش کلان اقتصادی نیز بازخورد منفی به بازارهای کالا ایجاد می کند. توضیحات کامل در مورد مسری خطر بین بازارهای کالا و اقتصاد کلان اهمیت مقامات نظارتی را برای بهبود سیاست های کنترل ریسک و تقویت سیستم نظارتی کلان راهنمایی می کند.

کلید واژه ها:

1. معرفی

امور مالی هسته اصلی اقتصاد مدرن است. شوک های بازار مالی به ناچار عملکرد صاف اقتصاد کلان را تهدید می کند. بحران بدهی زیرمجموعه ایالات متحده در سال 2008 باعث تأثیر شدیدی بر سیستم مالی جهان شد ، در حالی که گسترش بیشتر در اقتصاد واقعی باعث ایجاد یک سری واکنش های زنجیره ای شد. داشتن نتیجه نهایی هیچ ریسک مالی سیستمیک برای حفظ عملکرد صاف اقتصاد به یک مشکل اساسی برطرف شده است. با دقت در درک ارتباط ریسک بین بازارهای مالی و اقتصاد واقعی و شناسایی کارآمد مکانیسم انتقال ریسک می تواند به بهبود نظارت "کلان پیشگیرانه" و جلوگیری از ریسک مالی سیستمیک کمک کند.

به عنوان بخش مهمی از بازارهای مالی ، بازارهای کالاها انواع عوامل تولید و مواد اولیه مورد نیاز برای توسعه اقتصادی را پوشش می دهند و شاخص های قیمت کالاهای آنها می تواند به طور دقیق بازتاب عرضه و تقاضای بازار باشد که از نزدیک با اقتصاد کلان مرتبط است. با پیشرفت اقتصاد چین ، چین به تدریج به بزرگترین مصرف کننده بسیاری از کالاها ، از جمله نفت خام و سویا تبدیل شده است. با توجه به تأثیر بیماری همه گیر COVID-19 ، قیمت کالاها از سال 2020 به شدت در الگوی "V عمیق" در حال نوسان است. شورای دولتی چین سه شماره را برای قیمت کالاها ارائه داد: نیاز به تقویت تنظیم بازار ، تضمین عرضه و اطمینان از ثباتقیمت. Banerjee (2021) [1] در مورد آلودگی ریسک بین چین و شرکای اصلی تجاری آن در بازارهای آتی در طول همه گیر COVID-19 بررسی شد و همبستگی معنی داری را نشان داد. با دقت درک ارتباط خطر بین بازارهای کالا و اقتصاد کلان به کلید حفظ عملکرد پایدار اقتصاد تبدیل شده است. بنابراین ، این مقاله بازارهای کالایی چین و بخشهای کلان اقتصادی را به عنوان اشیاء تحقیق برای انجام یک مطالعه دو طرفه در مورد آلودگی خطر بین آنها و کشف کامل مسیرهای انتقال ریسک انتخاب می کند.

با توجه گسترده به نظریه ریسک مالی سیستمیک، روش های اندازه گیری ریسک مالی سیستمیک به سرعت بهبود یافته است. روش های اندازه گیری ریسک سیستمی موجود عمدتاً به سه دسته تقسیم می شوند: روش های اندازه گیری ریسک بر اساس زیان مورد انتظار، از جمله زیان مورد انتظار نهایی (MES)، زیان مورد انتظار سیستمی (SES)، و SRISK [2،3،4]. روش های مبتنی بر ارزش در معرض خطر، از جمله ارزش مشروط در معرض خطر (CoVaR) و △CoVaR [5،6،7]؛و روش های اندازه گیری ریسک از منظر احتمال نکول مؤسسات مالی [8،9]. روش های فوق می توانند ریسک فردی را اندازه گیری کنند اما مسیر انتقال آن را نادیده می گیرند. دیبولد و یلماز (2012) [10] روشی را بر اساس تجزیه واریانس خطای پیش بینی تعمیم یافته پیشنهاد کردند و سرریزهای خطر را از منظر توپولوژی شبکه مورد بررسی قرار دادند [11،12]. لیو و همکاران(2021) [13] از این روش برای بررسی سرریز ریسک در میان 16 بازار سهام عمده در طول همه گیری COVID-19 استفاده کرد. این روش می تواند جهت، مقیاس و شدت سرریزهای ریسک را به دقت اندازه گیری کند، که به ما کمک می کند تا بازارهای مهم را به دقت شناسایی کنیم و به درک کلی از ریسک سیستمیک دست یابیم. از آنجایی که بازارهای مالی دارای سرایت ریسک قوی بین آنها و اقتصاد واقعی هستند، بررسی پیوندهای ریسک از دیدگاه تجربی امروزه به موضوع داغ تحقیقات تبدیل شده است.

اثر چرخه ای اقتصاد واقعی و بازارهای مالی آنها را طنین انداز می کند [14]، به این معنی که سرریز ریسک بین آنها دو طرفه است: از یک طرف، نوسانات در اقتصاد واقعی به بازارهای مالی مختلف منتقل می شود، و یکضعیف بودن اقتصاد واقعی باعث کاهش انتظارات سرمایه گذاری سرمایه گذاران می شود و شوک های بازار سرمایه و افزایش انباشت ریسک سیستمی را در پی خواهد داشت [15]. مطالعات نشان داده اند که تغییرات در بسیاری از متغیرهای کلان مانند نرخ بهره، تولید، عرضه پول، نرخ تورم و تعدیل سیاست های کلان می تواند شوک های نوسانی در بازارهای مالی داشته باشد [16،17،18،19]. از سوی دیگر، نوسانات بازارهای مالی می تواند باعث افزایش ریسک سیستمی شود و شوک های عدم قطعیت ناشی از انقباض بازار مالی می تواند منجر به کاهش تقاضای مصرف کننده و افزایش شکاف اعتباری شود که بر اقتصاد واقعی تأثیر منفی می گذارد [20،21،22،23].

در بازارهای مالی که با سهام و اوراق قرضه سروکار دارند، یک رابطه سرریز ریسک دو طرفه بین بازارهای کالایی و اقتصاد کلان وجود دارد. عدم تعادل بین عرضه و تقاضا ناشی از رشد اقتصادی و کمبود سطح نقدینگی می تواند قیمت کالاها را بالا ببرد [24،25]. متغیرهای کلان مانند نرخ بهره، نرخ ارز، سیاست پولی و سطح قیمت می توانند به طور موثری نوسان قیمت کالاها را توضیح دهند و حرکت قیمت را پیش بینی کنند [26،27،28]. مطالعات در مورد تأثیر قیمت کالاها بر نوسانات کلان اقتصادی تمایل دارند بر تأثیر برخی از قیمت های بین المللی کالاها مانند قیمت نفت تمرکز کنند. مطالعات نشان داده است که نوسانات قیمت کالاها، به عنوان یک شوک خارجی قیمت، می تواند تأثیر معکوس بر عوامل کلان داشته باشد [29،30،31،32]. بنابراین، قیمت کالاها می تواند به عنوان شاخص اولیه عملکرد اقتصادی برای نظارت بر اقتصاد کلان مورد استفاده قرار گیرد.

هنگامی که این تحقیق شامل بخش های کلان است ، اغلب نگه داشتن فرکانس داده های اقتصاد کلان با داده های مالی دشوار است و اطلاعات داده های مالی با فرکانس بالا اغلب کلید شناسایی شوک های کلان اقتصادی از بازارهای مالی است. به منظور برآورده کردن قوام فرکانس داده ، مطالعات سنتی اغلب فرکانس داده های فرکانس بالا را به داده های با فرکانس پایین با درون یابی ، جمع بندی یا روش جایگزینی کاهش می دهد [33،34،35] ، که می تواند منجر به از بین رفتن از دست دادن شوداطلاعات بالقوه مفید در داده های با فرکانس بالا [36] و در نتیجه منجر به تعصب در نتیجه گیری می شود. Ghysels و همکاران.(2016) [37] در آخرین تحقیقات خود ، یک مدل وکتور فرکانس مختلط (MF-VAR) را پیشنهاد کرد ، که با انجام تجزیه واریانس خطای پیش بینی ، داده ها را در فرکانس های مختلف بازسازی می کند تا بدون در نظر گرفتن تخمین متغیرهای بالقوه ، از دست دادن اطلاعات کاهش یابد. به طور مؤثر غلبه بر کاستی های روشهای فرکانس مخلوط سنتی مانند معادلات پل و مدل نمونه گیری داده های مختلط (MIDAS). بر اساس مدل MF-VAR ، Cotter و همکاران.(2017) [20] بیشتر روش شاخص شاخص فرکانس مخلوط را در ترکیب با روش تجزیه و تحلیل توپولوژی شبکه برای تحقق کمیت دقیق اثرات سرریز خطر در بین متغیرهای فرکانس مختلف پیشنهاد کرد. بر این اساس ، ژائو و وانگ (2018) [38] تأثیرات سرریز متغیر زمان بین اقتصاد واقعی ، بازار سهام و بازار اوراق بهادار در چین را مورد تجزیه و تحلیل قرار دادند و دریافتند که اثرات سرریز در برابر حوادث شدید ، به ویژه در بحران مالی آسیب پذیر است. بشریانگ (2020) [39] رابطه انسداد ریسک بین بازار سهام چین ، بازارهای ارزی و اقتصاد کلان را با استفاده از مدل فرکانس مختلط و مدل فرکانس مشترک در همان زمان تجزیه و تحلیل کرد و دریافت که مدل فرکانس مختلط از نظر تخمین برتر استبشر

مشاهده می شود که پیوند ریسک بین اقتصاد کلان و بازارهای مالی توجه بسیاری از محققان را به خود جلب کرده است ، اما در حال حاضر ، بیشتر مطالعات در مورد کالاها بر روی انرژی و انواع فلزی متمرکز شده است و بیشتر آنها مطالعات یک طرفه با آنها هستندکالاها یا یک عامل کلان اقتصادی مانند ارز یا نرخ بهره به عنوان موضوع. تعداد کمی از مقالات یک تجزیه و تحلیل سیستماتیک و چند بعدی در جهت و مقیاس سرریز خطر انجام داده اند ، و توضیحات خاصی در مورد مکانیسم انتقال خطر وجود دارد. بنابراین ، این مقاله شاخص کالای CFCI چین و متغیرهای کلان اقتصادی را به عنوان اشیاء تحقیق انتخاب کرده و از مدل MF-VAR استفاده شده است تا به طور سیستماتیک رابطه مسری ریسک و تکامل پویا بین بازارهای کالایی چین و بخش های کلان اقتصادی را از منظر Spillover Valatility بازی کند. یک قانون در هشدار اولیه اقتصادی و ارائه منابع برای تدوین سیاست های اقتصادی مربوطه و بهبود سیستم مدیریت ریسک موجود.

در مقایسه با ادبیات ذکر شده ، نوآوری های این مقاله عبارتند از: اولا ، ما شاخص های چند بخشی مانند مصرف ، سرمایه گذاری ، وام ، نرخ بهره و ارز را در نظر می گیریم تا درک کاملی از ارتباطات ریسک بین اقتصاد کلان و بازارهای کالا ایجاد شود. ثانیا ، ما از مدل MF-VAR برای حل "نفرین ابعاد" داده های فرکانس مختلط استفاده می کنیم ، و روش های فرکانس مختلط و فرکانس مشترک به طور همزمان برای مطالعه تجربی رابطه انطباق خطر و مکانیسم انتقال ریسک استفاده می شود تا شکل بگیردیک مقایسه؛سوم ، تکامل پویا از بیماری ریسک بین بازارهای کالا و بخشهای کلان اقتصادی در طول همه گیر COVID-19 با ترکیب نمودارهای شبکه و پاسخ های ضربه ای بررسی شده است.

2. روش تحقیق و توضیحات داده ها

2. 1ساخت شاخص سرریز فرکانس مختلط

در این مقاله از مدل MF-VAR برای ساخت متغیرهای فرکانس مختلف استفاده می شود. اول ، یک سری وکتور فرکانس مخلوط KX- بعدی ساخته شده است ، حاوی k_L H= kx - k_Lسری با فرکانس بالا ؛هر دوره زمانی با فرکانس بالا معادل متر در هر دوره زمانی با فرکانس پایین ، KX ≡ (MK_H +K_L) (به عنوان مثال ، M در هنگام تطبیق داده های هفتگی با داده های ماهانه 4 است). وقتی k_H>1 ، متغیرهای با فرکانس بالا مطابق با فواصل زمانی متغیرهای با فرکانس پایین برای ساخت سری زمانی چند بعدی زیر همسان و انباشته می شوند:

X H ، I (τ L) = [x H ، I (τ L ، 1) ، ⋅ ⋅ ⋅ ، x H ، I (τ L ، M)] ′

جایی که x h ، i (τ l ، j) ، j = 1 ، ⋯ ، m داده های با فرکانس بالا را مشاهده می کند که برای متغیر فرکانس بالا در مقیاس زمانی با فرکانس پایین τ l مشاهده می شود. ما k را جمع می کنیم_Lتوالی با فرکانس پایین بعدی مشاهدات با فرکانس پایین با K_Hتوالی فرکانس بالایی با فرکانس بالا به یک وکتور مخلوط کردن K X-بعد X (τ L):