删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于CARR模型的油价冲击与中国基础工业信息溢出效应研究

本站小编 Free考研考试/2021-12-29
郭名媛, 王娜
天津大学管理与经济学部,天津 300072

Information spillover effects of crude oil price shocks on Chinese basic industries according to CARR modeling

GUOMingyuan, WANGNa
College of Management and Economics,Tianjin University,Tianjin 300072,China
收稿日期:2016-04-9
修回日期:2017-04-13
网络出版日期:2017-06-20
版权声明:2017《资源科学》编辑部《资源科学》编辑部
基金资助:国家社会科学基金资助项目（14CTJ012）
作者简介:
-->作者简介:郭名媛,女,天津人,博士,副教授,主要研究方向为低碳经济,金融计量学。E-mail:leu2@163.com



展开

摘要
21世纪初期,原油价格经历了暴涨暴跌的巨幅波动,中国原油消费量同时逐年上涨,国际原油价格波动对中国经济发展的影响成为了关注热点。基础工业是发展工业、尤其是重工业的物质基础,对国民经济发展起着举足轻重的作用。中国的六大基础工业的发展与原油价格息息相关,研究原油价格对中国基础工业的影响十分必要。本文采用CARR模型和CCF检验法,研究了2005年1月4日至2014年7月31日期间油价冲击与中国六大基础工业的信息溢出效应。实证结果表明:①中国电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化六大基础工业均显著地受到原油价格波动的影响;②中国电力及公用事业、钢铁、机械、基础化工与原油价格存在双向均值溢出效应和方差溢出效应;③对于煤炭行业,存在由原油市场到煤炭行业的单向均值溢出效应和单向方差溢出效应;④对于石油石化行业,存在由原油市场到石油石化行业的单向均值溢出效应和双向方差溢出效应;⑤从10个滞后阶数的显著性水平分析,中国基础工业与原油市场之间的信息溢出效应并不是十分稳定。

关键词：CARR模型;CCF检验法;原油价格;基础工业;信息溢出效应;中国
Abstract
At the beginning of the 21st century the crude oil price experienced huge fluctuations and China's crude oil consumption continues to rise. The major concern has shifted to the influence of international crude oil prices fluctuations on China's economic development. The basic industry is the material basis for the development of industry,especially heavy industry,and plays a decisive role in national economic development. China's six basic industrial developments are closely related to crude oil prices. It is necessary to study how crude oil prices affect China's basic industries. Using CARR modeling and CCF tests,we researched the information spillover effects of crude oil price shocks on China's six basic industries （electricity,metallurgy,machinery,fundamental chemicals,coal and petroleum and petrochemical） from January 1st, 2005 to July 31st, 2014. The empirical results show that:①The volatility of crude oil price has significant influences on China's six basic industries;②There are the bidirectional mean and variance spillover effects between Chinese electricity, metallurgy, machinery, fundamental chemicals industries and crude oil price;③There are the unidirectional mean and variance spillover effects running from crude oil prices to coal industry;④There are bidirectional variance information spillover effects and unidirectional mean information spillover effects running from crude oil price to petroleum & petrochemical industry;⑤The information spillover effect is not very stable, seen from the significant level of 10 lags. We conclude that China's basic industrial markets are significantly affected by fluctuations in crude oil prices. In order to compete for crude oil pricing rights and protect China's energy security,it is necessary to establish a Chinese crude oil futures market.

Keywords：CARR Model;CCF test;crude oil price;basic industries;information spillover effects;China

-->0
PDF (676KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
郭名媛, 王娜. 基于CARR模型的油价冲击与中国基础工业信息溢出效应研究[J]. , 2017, 39(6): 1202-1211 https://doi.org/10.18402/resci.2017.06.19
GUO Mingyuan, WANG Na. Information spillover effects of crude oil price shocks on Chinese basic industries according to CARR modeling[J]. 资源科学, 2017, 39(6): 1202-1211 https://doi.org/10.18402/resci.2017.06.19

1 引言

原油作为人类生产生活的基础能源资料,对经济发展和社会稳定具有十分重要的作用,是人类赖以生存和进步的基础。原油供应短缺不仅仅会制约工业生产,还会对人们日常生活造成极大影响,严重时甚至会引发国家安全问题。近十几年来,全球经济不断发展,原油需求消费量也在不断增加,国际原油市场变得更加复杂多变。除了新兴经济体的原油需求量迅速增涨、金融风险冲击等因素,原油价格还受到原油出口国产量控制、原油工人罢工、原油库存、中东政治地缘问题和自然灾害等因素的影响,大大增加了原油价格波动风险。
经济是由多个行业“有机”组成的,但经济的增长与各个行业的增长并不是完全一致,不同行业对油价波动敏感程度不同,投资者和政策制定者更加关注油价与各个行业的影响关系。因此部分国外****从行业角度研究了油价冲击对不同行业的影响。Faff等研究1983-1996年澳大利亚行业股票回报率对原油价格的敏感性,他们发现原油价格因素仅对部分行业产生影响,其中显著正向影响石油、天然气和多元化资源行业,显著负向影响纸、包装和交通行业[1]。Hammoudeh等研究了油价与美国石油行业股价指数的关系[2]。El-Sharif等研究原油价格与英国石油、天然气行业股权价值的关系,结果表明两者具有高度显著的正向关系[3]。Elyas等采用GARCH（1,1）模型研究了石油收益和收益波动的变化对美国13个行业的股票超额收益和收益波动的影响,发现13个行业中有9个行业显示石油期货收益与行业超额收益存在统计学显著关系[4]。Broadstock等考虑了金属与采矿、石油与天然气、零售、科技、银行等行业与油价冲击的相关性,发现油价冲击对不同行业的影响不同[5]。
改革开放以来,中国经济呈现强劲增长之势,原油消费量不断增加,自1993年起,中国成为原油净进口国,进口数量逐年增加,中国对进口原油依赖程度也越来越大。2003年中国取代日本成为世界第二大原油消费国,2006年中国原油需求量占据全球总原油需求量的9%,2004年中国原油的对外依存度超过40%,2015年中国原油的对外依存度首次超过60%。中国经济发展不可避免地受到原油价格的冲击,因此****开始探究原油价格与中国经济发展的关系。Cong等采用多元VAR模型研究了中国股票市场与原油价格的相互影响关系,实证结果显示除了制造业和一些石油公司,原油价格冲击对中国绝大多数股票市场指数回报率没有影响关系[6]。Nguyen等采用Copula模型研究国际原油价格变动与中国、越南股票市场的关系,发现国际原油价格与越南股票市场存在左尾部相关结构,却与中国不存在尾部相关结构[7]。金洪飞等、杨熹、安瑶等、郭国峰等、刘亮亮等****采用计量模型实证研究发现原油市场与中国股市不存在显著的影响关系[8-12]。究其原因可能是中国股票市场发展较晚、尚不成熟,是一个非有效市场,具有明显的投机成分,股市波动与政府政策紧密相关,股市波动在很大程度上不能反映经济的基本面。
因此,部分国内****开始从行业角度研究油价冲击与中国经济的影响关系。金洪飞等建立双因子模型和AR（1）模型,深入研究国际原油价格与中国14个行业收益率之间的影响关系,结果表明原油价格显著正向影响原油和天然气行业的收益率,显著负向影响汽车及零件行业的收益率,对其他行业没有显著响应[13]。温彬等采用GED-EGARCH（1,1）-M模型分析人民币、国际原油价格以及其他宏观经济因素对中国14个行业收益率的影响,实证结果表明除了食品与饮料、化工制品、零售、科技4个行业之外,国际原油价格变化率对其他10个行业收益率产生显著影响;国际原油价格波动率对卫生和保健、食品和饮料、零售3个行业有显著负向影响,而且影响也是不对称的,国际原油价格波动率对其他行业没有显著响应[14]。李红霞等分析了油价格等宏观经济因素与中国28个行业板块超额收益影响关系,结果表明原油价格的影响力不具有广泛性,原油价格仅微弱地负向影响电器、医药行业和正向影响旅游酒店行业,原油价格对煤炭和原油行业没有显著影响[15]。Li等采用面板协整和Granger因果检验从分行业角度研究原油价格和中国股票市场的长期和短期影响关系[16]。Zhang等、Wang等研究了油价与中国金属、石油化工、农产品、油脂4个行业的影响关系,前者将油价波动分为预期和非预期两个部分,实证发现4个行业均受到油价预期和非预期波动的影响,与石油化工和粮油行业相比,金属和农产品行业没有显著地对油价预期波动作出反应;后者将油价冲击分为正向和负向两个部分,实证结果表明油价冲击对4个行业具有非对称性影响,而且负向油价冲击具有更强的影响力[17,18]。
工业为自身和国民经济其他各个部门提供原材料、燃料和动力,为人民物质文化生活提供工业消费品,是国家财政收入的主要源泉,保障了国家经济自主、政治独立、国防现代化的发展。工业的发展决定着国民经济现代化的速度、规模和水平,在国民经济中起着主导作用。基础工业是发展工业、尤其是重工业的物质基础,是工业发展的核心环节,对国民经济发展起着举足轻重的作用。因此探究原油价格对中国基础工业的影响也是非常必要的。中国基础工业主要包括六大工业。六大基础工业的发展与原油价格息息相关。①油价波动可能导致能源需求在原油和煤炭之间转移,从而对煤炭行业造成影响;②石油是化工制品的主要原材料,以石油为原料的化工产品有近几千种,广泛用于工业、农业和日常生活中,例如,从石油炼制中提取出的甲苯、乙烯、乙炔、丙烯、丁二烯、苯、二甲苯、和萘等八种有机化工基本原料,油价波动对基础化工行业将产生不利影响;③机械产品的生产需要原油提供大量燃料和动力,原油也是机械产品运作的燃料动力,例如,交通运输工具、农用机械、建筑机械等,油价波动会影响机械产品的需求,对机械行业产生影响;④原油作为基础能源物质之一,能为钢铁工业提供大量能源,高油价将不利于钢铁行业发展;⑤石油石化行业主要是通过开采炼制石油,生产销售成品油和石油沥青为主,油价上涨能够增加石油石化行业的利润空间,对石油石化行业产生有利影响;⑥电力、燃气也能够为生产生活提供动力,与石油存在竞争关系,除此之外,目前中国主要是以煤炭火力发电为主,油价波动将可能对电力及公用事业行业造成影响。
鉴于此,本文考虑研究原油市场与中国六大基础工业的影响关系,与研究全部行业相比,前者能够较好地避免行业间交错纵横的关系对实证结果的干扰。本文基于Chou的条件自回归极差模型（Conditional Auto-Regressive Range Model,简称CARR模型）[19]和Cheung等提出的协相关系数检验法（Cross Correlation Function,简称CCF检验法）研究油价冲击与中国基础工业信息溢出效应[20]。

2 研究方法与数据来源

2.1 CARR模型

国内外****就波动率建模大都采用GARCH族模型,但部分实证研究（Chou[19];程细玉等[21];张苏林[22]等）表明CARR模型在波动率估计和预测方面比GARCH模型具有更好的表现效果。传统GARCH族模型利用了金融资产区间的一个时间点信息（收盘价）,与CARR模型利用两个时间点信息（每日最高价和最低价）相比,存在信息缺失、信息使用量不足,导致估计效率下降问题。传统方差溢出效应大多采用多元GARCH模型,存在参数过多、估计结果收敛性、极大似然函数渐进分布的不确定性等问题,但CCF检验法对单个时间序列变量建立波动模型,有效避免了多元GARCH模型的缺陷,同时还可以作均值、方差-因果检验,研究两变量之间的均值与方差溢出效应。
Chou[19]结合极差与GARCH模型的思想,提出了CARR模型。CARR（p,q）模型为:
Rt=λtεtλt=ω+∑i=1pαiRt-i+∑j=1qβjλt-jεt~iid.f(?)Rt=100(lnPthigh-lnPtlow)（1）
式中 Rt表示在t时期行业板块指数极差或原油连续期货价格的极差,为了避免因极差过小导致数据精确度降低将其扩大100倍; Pthigh和 Ptlow分别表示行业板块指数或原油连续期货价格在t时期的最高价格和最低价格; λt≡E(Rt|It-1), It-1表示第t-1期的信息集合, λt表示给定条件 It-1下的期望极差; εt表示独立同分布的非负随机误差项; f?为随机误差项的分布形式; ω、 αi和 βj为待估参数;p和q为设定的滞后阶数。
模型中的随机误差项可以假设服从指数分布、威布尔分布、广义Gamma分布等分布形式,分别得到ECARR模型（Exponential Conditional Auto-Re-gressive Range Model,简称ECARR）、WCARR模型（Weibull Conditional Auto-Regressive Range Model,简称WCARR）和GCARR模型（Gamma Condi-tional Auto-Regressive Range Model,简称GCARR）。可以采用伪极大似然的估计方法来估计CARR模型中的各个参数,详见文献[19]。

2.2 CCF检验法

本文采用Cheung等提出的CCF检验法来检验原油价格与中国基础工业的均值-因果关系和方差-因果关系,CCF检验法详见文献[20]。

2.3 数据选取与处理

国际原油定价机制经历了原油公司定价、原油输出国组织定价、原油期货定价三个阶段,目前正处于原油期货定价阶段。三个国际基准油价分别是西德克萨斯中质原油（WTI）、北海布伦特原油（BRENT）和中东迪拜原油（DUBAI）连续期货合约结算价。鉴于全球超过65%的原油参考BRENT原油价格进行定价,本文选取国际基准油价北海布伦特原油（BRENT）连续期货合约价格代表原油价格,以中信行业分类标准选取电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化行业板块指数分别代表电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化六大基础工业市场行情,研究时期为2005年1月4日至2014年7月31日。以上数据中的北海布伦特原油（BRENT）连续期货合约价格来源于同花顺iFinD金融数据库,六大行业板块指数数据来源于Wind金融数据库。
由于不同国家或地区的节假日不同,本文对时间错位的数据进行删除处理,调整后得到2295个日数据样本点。北海布伦特原油连续期货表示为BRENT,电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化行业分别表示为EP、ST、MA、FC、CO、PP。描述性统计特征如表1所示。
Table 1
表1
表1BRENT原油价格与六大行业板块指数极差序列的描述性统计结果
Table 1The summary statistic of BRENT crude oil price and six industry sector index ranges
BRENTEPSTMAFCCOPP
均值2.637 32.910 73.162 23.491 33.406 03.674 13.052 9
中位数2.367 72.587 72.650 13.349 53.227 93.236 72.773 4
最大值14.117 313.775 112.729 812.380 312.074 814.088 712.816 5
最小值0.000 00.000 00.000 00.000 00.000 00.000 00.000 0
标准差1.528 91.744 61.941 71.861 31.860 52.006 41.738 1
偏度1.935 51.364 31.235 10.822 50.854 11.076 21.134 1
峰度10.408 85.900 24.690 43.898 93.932 94.297 64.775 4
J-B统计量6 681.714 01 516.279 0856.760 0336.023 2362.245 4604.035 1793.373 3
P值0.000 00.000 00.000 00.000 00.000 00.000 00.000 0


新窗口打开
从表1的描述性统计量中可以看出,7个时间序列变量的偏度均大于零,说明其分布不具有对称性;它们的峰度也均大于3 的,说明其分布与正态分布相比具有“厚尾”现象; Jarque-Bera检验显著拒绝了极差无条件正态分布假设,由此可以认为这7个时间序列的分布特征和一般金融资产的分布特征相似,不服从正态分布且存在严重的“尖峰厚尾”现象。

3 结果及分析

3.1 平稳性检验

为了合理地构建模型,有效避免虚假回归问题,本文首先采用ADF单位根检验对BRENT原油价格与六大行业板块指数极差序列平稳性进行分析,选用有常数项、有常数项和趋势项、无常数和趋势项的三种检验形式。表2显示了BRENT原油价格和行业板块指数极差序列的平稳性检验结果,ADF单位根检验的原假设为序列是含有一个单位根的非平稳序列,当ADF统计量大于临界值或P值小于显著性水平时,拒绝原假设,说明序列是平稳的。从ADF检验的结果来看,在有常数项、有常数和趋势项两种检验形式下,P值均小于1%,在无常数和趋势项的检验形式下,P值小于10%。从整体上来看拒绝了原假设,由此可以得出原油价格和行业板块指数极差均是平稳序列。
Table 2
表2
表2BRENT原油价格和六大行业板块指数极差序列的平稳性检验结果
Table 2The results of BRENT crude oil price and six industry sector index ranges unit root test
有常数项有常数和趋势项无常数和趋势项
ADF统计量P值ADF统计量P值ADF统计量P值
BRENT-9.136 60.000 0-9.629 60.000 0-2.376 30.016 9
EP-4.223 60.000 6-5.491 20.000 0-2.040 20.039 7
ST-4.189 60.000 7-5.216 70.000 1-1.979 90.045 7
MA-4.168 30.000 8-6.209 50.000 0-1.815 90.066 1
FC-4.145 30.000 8-6.114 50.000 0-1.843 40.062 2
CO-4.911 20.000 0-6.105 90.000 0-1.995 40.044 1
PP-3.729 80.003 8-7.322 60.000 0-1.691 10.086 0


新窗口打开

3.2 模型估计

在前面的分析中可以认为极差具有尖峰厚尾的特征,本文考虑采用CARR类模型对BRENT原油价格与六大行业板块指数极差序列进行拟合。首先需要确定CARR模型的滞后阶数,参照Chou的CARR模型定阶经验[19],本文确定滞后阶数 p=1，2和 q=1，2。由于极差具有非负性,本文分别建立ECARR、WCARR、GCARR模型拟合原油价格和六大基础工业行业板块指数的极差。模型组合为12种情况:ECARR（1,1）、ECARR（1,2）、ECARR（2,1）、ECARR（2,2）;WCARR（1,1）、WCARR（1,2）、WCARR（2,1）、WCARR（2,2）; GCARR（1,1）、GCARR（1,2）、GCARR（2,1）、GCARR（2,2）。比较参数显著性、最大对数似然值和AIC最小信息准则,选出拟合最优的CARR模型。为了精简内容,表3中只列出每个时间序列变量的最优模型的估计结果。从表3中可以看出,估计的各项参数 ω、 α1、 β1、 β2均大于0,而且 ∑i=1pαj+∑j=1qβj<1,满足CARR模型的收敛条件,保证CARR模型是平稳的。估计的各项参数在统计上均为显著,说明上述最优模型是有效的。
Table 3
表3
表3CARR最优模型估计结果
Table 3The estimation results of the optimal CARR model
最优模型ωα1β1β2γk对数似然值
BRENTGCARR（1,2）0.051 40.248 70.255 10.478 20.682 813.280 9-3 091.109 8
（-0.001 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）
EPWCARR（1,2）0.350 60.405 40.201 80.256 72.724 469.304 8-3 153.890 0
（0.000 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）
STWCARR（1,2）0.299 10.339 40.207 30.347 52.565 7-3 474.610 3
（0.000 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）
MAGCARR（1,1）0.025 00.201 00.792 50.574 126.163 6-3 307.751 4
（-0.008 6）（0.000 0）（0.000 0）（0.000 0）（0.000 0）
FCGCARR（1,2）0.027 00.279 60.452 80.260 80.358 2-3 190.082 2
（-0.021 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）
COGCARR（1,2）0.043 30.201 80.514 40.272 80.460 731.904 1-3 715.699 2
（-0.002 1）（0.000 0）（0.000 0）（-0.000 2）（0.000 0）（0.000 0）
PPWCARR（1,2）0.399 90.415 50.271 40.169 42.637 1-3 355.018 1
（0.000 0）（0.000 0）（0.000 0）（0.000 0）（0.000 0）

注:γ为韦布尔分布和广义Gamma分布的待估参数;k为广义Gamma分布的待估参数;括号内为p值。
新窗口打开
为了比较CARR模型和GARCH模型的优劣,本文采用GARCH（p,q）、TARCH（p,q）、EGARCH（p,q）和GARCH-M（p,q）模型对2005年1月4日至2014年7月31日行业板块指数和BRENT原油连续期货价格的日收益率数据进行建模。GARCH模型的滞后阶数的选取原则与CARR模型一致。本文确定模型的滞后阶数 p=1,2和 q=1,2,并假设GARCH、TARCH、EGARCH和GARCH-M模型的条件残差项 εt服从正态分布（N）、t分布（t）和广义误差分布（GED）。为了精简内容,表4中只列出每个时间序列变量的最优GARCH模型的估计结果。
Table 4
表4
表4GARCH最优模型估计结果
Table 4The estimation results of the optimal GARCH model
最优模型ca1a1mb1b1对数似然值
BRENTEGARCH（1,1）-t-0.068 40.095 1-0.036 40.995 5-4 436.440 0
（0.000 0）（0.000 0）（0.000 2）（0.000 0）
COGARCH（1,1）-N0.040 50.035 10.958 3-5 169.080 0
（0.001 7）（0.000 0）（0.000 0）
EPGARCH（1,1）-t0.025 90.060 60.931 8-4 229.190 0
（0.010 9）（0.000 0）（0.000 0）
FCGARCH（2,2）-t0.144 60.074 50.086 5-0.077 20.883 3-4 580.280 0
（0.001 5）（0.000 0）（0.000 0）（0.000 9）（0.000 0）
MAGARCH（1,1）-t0.041 00.046 20.944 5-4 658.160 0
（0.018 6）（0.000 0）（0.000 0）
PPGARCH（1,1）-t0.030 10.048 80.943 4-4 377.100 0
（0.014 5）（0.000 0）（0.000 0）
STTARCH（1,1）-N0.014 90.037 7-0.014 10.966 0-4 633.750 0
（0.000 2）（0.000 0）（0.003 4）（0.000 0）

注:表格中c表示方差方程中的常数系数;a1和a2表示ARCH项系数;b1和b2表示GARCH项系数;m表示TARCH和EGARCH模型的杠杆系数;括号内为p值。
新窗口打开
从表3和表4可以看到,每个时间序列变量的最优CARR模型的对数似然值均大于其最优GARCH类模型的对数似然值。根据参数显著性及最大似然值准则,说明CARR模型均优于GARCH类模型。

3.3 CCF检验

根据CARR模型估计的残差序列,计算Cheung等[20]提出的两个统计量 Tr^εη(k)和 Tr^uv(k),检验原油价格与中国基础工业的均值-因果关系和方差-因果关系。参照Nakajima [23]的假设检验,本文也采用双边检验,滞后阶数k=1,2,…,10。
表5（见第1208页）给出了BRENT原油连续期货价格与电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化六大行业板块指数的均值Granger因果关系和方差Granger因果关系检验结果。
Table 5
表5
表5BRENT原油价格与六大行业板块指数的均值、方差-Granger因果关系检验结果
Table 5The results of mean and variance Granger casualty test of BRENT crude oil price and six industry sector index
均值-因果检验方差-因果检验均值-因果检验方差-因果检验
kEP→BRENTBRENT→EPEP→BRENTBRENT→EPST→BRENTBRENT→STST→BRENTBRENT→ST
01.905 8*1.905 8*1.422 21.422 20.938 60.938 61.048 71.048 7
10.656 02.581 0***0.440 52.844 4***0.933 81.695 1*0.469 32.092 6**
20.196 3-0.632 10.383 1-0.612 90.253 8-0.713 50.210 7-0.426 2
31.853 2*0.641 71.589 80.608 11.565 80.162 81.278 50.517 2
40.804 5-0.526 70.272 9-1.106 10.593 8-0.114 90.205 9-0.799 7
50.134 12.791 7***0.330 42.533 1-0.857 11.968 1**-0.814 01.987 2
61.642 50.301 70.680 0-0.162 82.006 40.507 62.145 3**0.541 1
7-0.134 1-1.034 30.186 8-0.014 40.244 2-1.771 8*0.713 5-1.877 1*
81.585 00.569 82.475 7**0.225 11.992 0**0.354 42.830 0***0.086 2
90.387 90.148 40.258 6-0.110 1-0.258 6-0.392 7-0.450 1-0.038 3
100.301 7-0.287 3-0.105 3-0.502 80.268 20.047 9-0.249 0-0.536 3
均值-因果检验方差-因果检验均值-因果检验方差-因果检验
kMA→BRENTBRENT→MAMA→BRENTBRENT→MAFC→BRENTBRENT→FCFC→BRENTBRENT→FC
01.120 51.120 50.584 20.584 21.149 21.149 20.632 10.632 1
10.493 22.370 3**0.340 02.341 6**0.402 22.446 9***0.014 42.509 2**
2-0.478 90.972 1-0.258 60.981 6-0.335 2-0.502 8-0.249 0-0.431 0
32.260 2**-0.536 31.834 0*-0.569 82.700 7***1.034 32.480 5**0.838 0
41.134 90.186 81.034 3-0.335 21.082 2-1.000 80.727 9-1.465 3
5-0.866 71.273 70.177 21.728 7*-0.249 01.728 7*-0.081 41.340 8
61.513 2-0.507 60.981 6-0.282 51.594 6-0.210 70.905 0-0.239 4
7-0.555 5-1.867 5*-0.660 8-1.618 50.890 7-1.819 6*0.703 9-1.589 8
80.708 7-0.589 01.115 7-0.646 50.560 30.555 50.823 60.627 3
90.119 70.186 8-0.210 70.076 60.459 7-0.014 40.397 4-0.186 8
10-0.225 1-0.541 1-0.804 5-1.201 9-0.038 3-0.383 1-0.512 4-0.670 4
均值-因果检验方差-因果检验均值-因果检验方差-因果检验
kCO→BRENTBRENT→COCO→BRENTBRENT→COPP→BRENTBRENT→PPPP→BRENTBRENT→PP
00.282 50.282 50.933 80.933 81.110 91.110 90.823 60.823 6
11.393 53.701 5***1.221 16.828 4***0.105 32.547 5**-0.023 92.279 3**
20.229 81.953 7*-0.043 11.326 41.240 2-1.115 71.091 8-1.273 7
30.023 90.272 9-0.440 50.086 21.278 51.494 01.034 31.359 9
41.422 2-0.493 20.545 9-1.149 20.708 70.014 40.201 1-0.799 7
5-1.192 31.474 9-1.326 40.689 5-1.292 91.221 1-0.727 90.852 4
61.149 20.545 91.359 90.340 01.613 70.383 11.134 9-0.062 3
70.502 8-0.205 90.234 6-0.038 30.962 5-0.751 82.178 8**-0.775 7
8-0.110 10.287 30.062 30.703 91.340 8-0.287 31.958 5*-0.589 0
9-0.028 70.732 6-0.823 60.742 20.986 40.411 80.545 9-0.229 8
10-0.584 2-1.321 6-1.034 3-1.225 9-0.684 8-0.885 9-1.043 9-1.106 1

注:*、**和***分别表示在10%、5%和1%水平上显著。
新窗口打开
表5的均值-Granger因果检验结果表明,原油市场与电力及公共事业、钢铁、机械、基础化工行业具有双向均值Granger因果关系,原油市场与煤炭、石油石化行业之间具有从原油市场到煤炭、石油石化行业单向均值Granger因果关系。说明原油市场与电力及公共事业、钢铁、机械、基础化工行业存在双向均值溢出效应,原油市场到煤炭、石油石化行业存在单向均值溢出效应。
表5的方差-Granger因果检验结果表明,原油市场与电力及公共事业、钢铁、机械、基础化工、石油石化行业具有双向方差Granger因果关系,原油市场与煤炭行业之间具有从原油市场到煤炭行业单向方差Granger因果关系。说明原油市场与电力及公共事业、钢铁、机械、基础化工、石油石化行业存在双向方差溢出效应,原油市场到煤炭行业存在单向方差溢出效应。
从10个滞后阶数显著性水平结果来看,绝大多数检验结果仅其中一到二个滞后阶数拒绝原假设,而且显著性水平主要集中在10%和5%,表明原油市场与中国基础工业的Granger因果关系检验结果并不十分稳定。检验均表明,由原油市场到6个行业均存在信息溢出效应,说明中国基础工业市场显著受到国际原油价格的影响,这些行业股票收益和波动率会因油价的变动而变动,原油价格对中国基础工业起到信息先导作用,同时对投资者也起到预警功能。根据股票现金流贴现模型可以认为,股票价格是未来现金流的贴现值。原油作为一种基础物质资源,油价的变动会影响公司的生产成本、利润空间和盈利水平,从而改变公司未来现金流,对股票价格造成影响。有效验证了原油是“工业生产的血液”,是一个国家经济发展的基本驱动力的观点。
在均值-Granger因果检验中,对于石油石化行业,只存在由原油市场到石油石化行业的单向均值溢出效应,这可能与国内成品油定价机制有关。2000年6月份开始,国家发改委规定,国内成品油价格完全与国际市场的接轨,即国内成品油价格随国际市场油价变化相应调整,主要参照新加坡、鹿特丹、纽约三地石油市场价格调整国内成品油价格。国内成品油定价机制规定国内油价完全依据国际市场油价变动而变动,导致国际油价对国内石油石化行业起着主导作用。尽管中国的原油定价权缺失,但中国作为国际第二大原油消费国,根据需求与供给经济模型,中国原油需求量的变动可能对国际原油价格造成一定程度的影响,验证了石油石化行业与原油市场的双向方差溢出效应。
电力及公用事业、钢铁、机械、基础化工行业与原油市场存在双向均值溢出效应和双向方差溢出效应,可能是因为原油市场与这4个行业受到一些共同因素的影响。原油市场与4个行业并不是直接上下游关系,原油市场与4个行业的信息溢出效应可能会受到共同的中间行业影响,例如石油石化,原油从开采到使用,需要经过冶炼加工,石油石化是原油市场的最重要的冶炼加工行业,是原油市场的直接下游行业;同时石油石化行业为电力及公共事业、钢铁、机械、基础化工行业提供能源原料,是电力及公共事业、钢铁、机械、基础化工行业的上游行业。石油石化行业市场的波动会对原油市场和电力及公共事业、钢铁、机械、基础化工行业市场造成影响,这与实证结果中石油石化行业与原油市场存在双向方差溢出效应的结论相呼应。
对于煤炭行业,仅存在由原油市场到煤炭行业的单向均值溢出效应和单向方差溢出效应,可能受到中国的能源消费结构和“少油”资源禀赋特征的影响。原油与煤炭同属于基础能源物质,在一定程度上具有相互替代关系。根据2006年BP能源数据统计,中国煤炭储存量在世界排行第三,仅次于美国和俄罗斯;中国石油储存量在世界排行十;相比之下,中国煤炭储存量更加丰富。尽管中国石油的需求量不断增加,由于中国资源禀赋差异,中国能源消费结构中以煤炭为主,占70%左右,石油在中国能源消费所占比重较低,不到20%。原油比煤炭具有使用效率高、更清洁的特点,原油受到市场的更多青睐。当原油价格上涨时,市场可能被迫使用煤炭替代原油,造成煤炭价格上涨,导致原油市场对煤炭行业造成影响。由于煤炭是中国的主流能源消费资源和中国“少油”禀赋特征,市场难以因煤炭价格变动而改变原油需求量,从而影响原油价格。

4 结论与讨论

4.1 结论

本文采用CARR模型[19]和CCF检验法[20],研究了2005年1月4日至2014年7月31日期间油价冲击与中国电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化六大基础工业的方差溢出效应。结论如下:
（1）中国电力及公用事业、钢铁、机械、基础化工、煤炭、石油石化六大基础工业均显著地受到原油价格波动的影响;。
（2）中国电力及公用事业、钢铁、机械、基础化工与原油价格存在双向均值溢出效应和方差溢出效应。
（3）对于煤炭行业,存在由原油市场到煤炭行业的单向均值溢出效应和单向方差溢出效应。
（4）对于石油石化行业,存在由原油市场到石油石化行业的单向均值溢出效应和双向方差溢出效应。
（5）从10个滞后阶数的显著性水平分析,中国基础工业与原油市场之间的信息溢出效应并不是十分稳定。

4.2 讨论

本文的实证结论与现存的相关文献存在较大差异,温彬等的实证结果表明除了卫生和保健、食品和饮料、零售3个行业之外,国际原油价格波动率对其他行业没有显著响应[14];李红霞等研究发现原油价格改变不具有广泛的影响力,仅影响电器、医药和旅游酒店板块[15]; Zhang等、Wang等均发现中国的金属、石油化工、农产品、粮油4个基础行业显著受油价波动影响[17,18]。造成差异结论的原因可能是行业划分标准、研究时期、样本数据频率、研究方法等存在不同。温彬等[14]和李红霞等[15]的数据样本分别采用周和月数据;Zhang等、Wang等及本文均采用的是日数据,数据频率越高,信息包含更多[17,18]。与温彬等和李红霞等[14,15]相比,Zhang等、Wang等[17,18]及本文的样本时期较新。温彬等的14个行业股票指数采用的是道琼斯第一财经中国600行业领先指数划分标准[14];李红霞等的行业股价指数采用的是国泰君安大智慧交易系统划分沪深股票市场而成的28个行业板块指数[15];本文的六大基础工业采用的是中信行业划分标准。选择不同的行业划分标准可能会造成结论存在差异。
尽管从行业角度研究油价冲击与中国经济关系的相关文献结论存在较大差异,从本文研究结论可以看出,从行业角度研究原油价格与中国经济的影响关系比从中国整体股票市场角度研究更有意义。
The authors have declared that no competing interests exist.

参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]Faff R W,Brailsford T J.Oil price risk and the Australian stock market
[J]. Journal of Energy Finance & Development,1999,4(1):69-87. [本文引用: 1]
[2]Hammoudeh S,Dibooglu S,Aleisa E.Relationships among US oil prices and oil industry equity indices
[J]. International Review of Economics & Finance,2004,13(4):427-453. [本文引用: 1]
[3]El-Sharif I,Brown D,Burton B,et al.Evidence on the nature and extent of the relationship between oil prices and equity values in the UK
[J]. Energy Economic,2005,27(6):819-830. [本文引用: 1]
[4]Elyasiani E,Mansur I,Odusami B.Oil price shocks and industry stock returns
[J]. Energy Economics,2011,33(5):966-974. [本文引用: 1]
[5]Broadstock D C,Filis G.Oil price shocks and stock market returns:New evidence from the United States and China
[J]. Journal of International Financial Markets,Institutions and Money,2014,33:417-433. [本文引用: 1]
[6]Cong R G,Wei Y M,Jiao J L.Relationships between oil price shocks and stock market:An empirical analysis from China
[J]. Energy Policy,2008,36(9):3544-3553. [本文引用: 1]
[7]Nguyen C C,Bhatti M I.Copula model dependency between oil prices and stock markets:Evidence from China and Vietnam
[J]. Journal of International Financial Markets,Institutions and Money,2012,22(4):758-773. [本文引用: 1]
[8]金洪飞,金荦. 原油价格与股票市场的溢出效应-基于中美数据的比较分析
[J]. 金融研究,2008,29(2):83-97. [本文引用: 1]

[Jin H F,Jin L.Spillover effects of crude oil price and stock market:A com-parative analysis based on China and America data
[J]. Journal of Financial Research,2008,29(2):83-97.] [本文引用: 1]
[9]杨熹. 中美股票市场与原油价格的溢出效应研究
[J]. 时代金融,2011,32(7):78-78.

[Yang X.Study on spillover effects of stock market and crude oil price in China and America
[J]. Times Finance,2011,32(7):78-78.]
[10]安瑶,谢龄洪. 原油价格对中国股市走势影响的实证研究
[J]. 现代经济信息,2011,26(2):1-1.

[An Y,Xie L H.Empirical study on the impact of oil price on China's stock market
[J]. Modern Economic Information,2011,26(2):1-1.]
[11]郭国峰,郑召锋. 国际能源价格波动对中国股市的影响-基于计量模型的实证检验
[J]. 中国工业经济,2011,29(6):26-35.

[Guo Y F,Zheng Z F.Effect of Chinese stock market to the volatility of international energy-based on empirical econometric model
[J]. China Industrial Economics,2011,29(6):26-35.]
[12]刘亮亮. 国际石油市场与中国股市间的波动率溢出分析-基于CCF检验法[D]
. 杭州:浙江工商大学,2012. [本文引用: 1]

[Liu L L.Volatility Spillovers between Global Oil Prices and Stock Market Returns in China-Based on the CCF Test Method[D]. Hangzhou:Zhe-jiang
Gongshang University,2012.] [本文引用: 1]
[13]金洪飞,金荦. 国际原油价格对中国股票市场的影响-基于行业数据的经验分析
[J]. 金融研究,2010,31(2):173-187. [本文引用: 1]

[Jin H F,Jin L.The impact of international crude oil price on China's stock market:An empirical analysis based on industry data
[J]. Journal of Financial Research,2010,31(2):173-187.] [本文引用: 1]
[14]温彬,刘淳,金洪飞. 宏观经济因素对中国行业股票收益率的影响
[J]. 财贸经济,2011,32(6):51-59. [本文引用: 5]

[Wen B,Liu C,Jin H F.The impact of macroeconomic factors on China's industry stock returns
[J]. Finance & Trade Economics,2011,32(6):51-59.] [本文引用: 5]
[15]李红霞,傅强. 能源价格冲击、宏观经济因素与行业股价决定-来自中国上市公司28个行业板块的经验证据
[J]. 山西财经大学学报,2011,33(6):11-19. [本文引用: 5]

[Li H X,Fu Q.Energy price shocks,macroeconomic factors and determination of industry stock returns-empirical evidence from listed companies in Chinese stock market
[J]. Journal of Shanxi University of Finance and Economics,2011,33(6):11-19.] [本文引用: 5]
[16]Li S F,Zhu H M,Yu K M.Oil prices and stock market in China:A sector analysis using panel cointegration with multiple breaks
[J]. Energy Economics,2012,34(6):1951-1958. [本文引用: 1]
[17]Zhang C G,Chen X Q.The impact of global oil price shocks on China’s bulk commodity markets and fundamental industries
[J]. Energy Policy,2014,66:32-41. [本文引用: 4]
[18]Wang X,Zhang C G.The impacts of global oil price shocks on China's fundamental industries
[J]. Energy Policy,2014,68:394-402. [本文引用: 4]
[19]Chou Y T.Forecasting financial volatilities with extreme values:The Conditional Autoregressive Range (CARR)model
[J]. Journal of Money,Credit,and Banking,2005,37(3):561-582. [本文引用: 5]
[20]Cheung Y W,Ng L K.A causality-in- variance test and its appli-cation to financial market prices
[J]. Journal of Econometrics,1996,72(1-2):33-48. [本文引用: 4]
[21]程细玉,夏天. 金融市场波动性CARR 类模型与GARCH 类模型的比较研究
[J]. 数学的实践与认识,2009,39(13):12-18. [本文引用: 1]

[Cheng X Y,Xia T.The comparative study between the CARR model and the GARCH race models on the volatility of the financial market
[J]. Mathematics in Practice and Theory,2009,39(13):12-18.] [本文引用: 1]
[22]张苏林. 我国黄金现货波动率预测能力分析-基于GARCH模型与CARR模型的比较
[J]. 金融理论与实践,2011,33(8):47-50. [本文引用: 1]

[Zhang S L.Analysis on the forecasting ability of China's gold spot volatility-based on the comparison of GARCH model and CARR model
[J]. Financial Theory & Practice,2011,33(8):47-50.] [本文引用: 1]
[23]Nakajima T,Hamori S.Testing causal relationships between wholesale electricity prices and primary energy prices
[J]. Energy Policy,2013,62(11):869-877. [本文引用: 1]
相关话题/基础 检验 石油 市场 工业

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.