《管理世界》（月刊）2020年第5 期摘要：重大突发公共事件所特有的紧迫性与不确定性为全球经济的发展带来了极大的挑战，2020年年初“新型冠状病毒肺炎”疫情的快速蔓延更使得全球股市剧烈震荡。在此背景下，如何准确考察“新冠”疫情等突发公共事件对我国宏观经济与金融市场的冲击影响，有效防范化解系统性金融风险并保障经济平稳运行，已成为影响我国经济发展全局的重大问题。由此，本文基于前沿的因子增广向量自回归模型，首先考察重大突发公共卫生事件对我国宏观经济与金融市场16个部门、共计174 个变量的冲击影响。其次，采用新颖的风险溢出网络方法，研究全球“新冠”疫情事件下，我国金融市场各部门间风险传导关系的动态演变。接着，我们结合美股4 次“熔断”等极端风险事件，考察“疫情之下”国际间金融风险传导的主要源头与溢出途径。最后，本文基于风险结构框架，进一步探讨了该时期全球资本市场的共振关系。在此基础上，我们对完善与“重大突发公共事件”相适应的宏观治理应对机制与风险防范对策提出了相关建议，从而有助于我们“守住不发生系统性金融风险的底线”，维护经济发展和社会稳定大局。关键词：重大突发公共事件 宏观经济冲击 系统性金融风险 治理应对一、引言21世纪以来，突发公共事件在全球各国时有爆发，例如2003年“非典型肺炎”疫情、2004年印尼海啸、2008年汶川“5 · 12”地震、2011年日本大地震及其引发的福岛核电站泄漏、2014年埃博拉病毒肆虐乃至今年被世界卫生组织（World Health Organization ，WHO）宣布为“国际关注的突发公共卫生事件”的“新型冠状病毒肺炎”（下文简称“‘ 新冠’疫情”）疫情等（见图1）。 此类包含了自然灾害、事故灾难、公共卫生事件等在内的突发公共事件严重威胁着世界各国的社会稳定，其所特有的紧迫性与不确定性也为全球经济发展带来了极大的挑战。具体而言，在对受影响地区造成生命财产威胁的同时，此类突发公共事件往往会对经济运行体系产生严重冲击，双向挤压需求端与供给端，加大财政收支压力，对一国乃至全球经济产生持续性的负面影响，进一步加大了宏观经济内外部环境的不确定性，引发恶性循环。重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对*□杨子晖 陈雨恬 张平淼* 本文获得国家社会科学基金重大项目（17ZDA 073）、广东省自然科学基金重点项目（2018B 030311053）、国家自然科学基金创新研究群体项目（71721001）以及国家自然科学基金重大项目（71991474）的资助，在此表示感谢。此外，感谢审稿人提出的宝贵意见，当然文责自负。注：标注“* ”的事件代表其被WHO宣布为“国际关注的突发公共卫生事件”。图1 全球突发公共事件大事记- - 13DOI:10.19744/j.cnki.11-1235/f.2020.0067与此同时，对经济生产活动的冲击极易经由产业链、供应链以及资金链传导至资本市场，致使金融市场出现大幅震荡。例如日经N 225 指数在2011年日本“3 · 11”地震后的两个交易日中连续下跌6.18% 与10.55% 。而随着2020年，“ 新冠”疫情席卷全球，全球资本市场剧烈震荡，我国上证综指在2 月3 日（春节后的首个交易日）达到了7.72% 的巨大跌幅，A 股市场更有超过3000多只股票跌停，而且全球各国股指自3 月起纷纷暴跌，包括加拿大、巴西、韩国、菲律宾等在内的多国股市触发“熔断”，其中，美国股市更是史无前例地在3 月9 日、3 月12日、3月16日以及3 月18日（当地时间）出现了4 次“熔断”。正因如此，各国当局开始致力于完善突发公共事件治理机制与宏观调控水平，以求有效应对突发公共事件、维护宏观经济与金融市场稳定。与此同时，如何在重大突发事件期间，保障经济平稳运行、防范化解金融风险，引起了我国政府的高度重视。中国人民银行在2019年第4 季度的《中国货币政策执行报告》中指出“保持物价水平基本稳定，打好防范化解重大金融风险攻坚战”。 在2020年2 月23日，******总书记在统筹推进新冠肺炎疫情防控和经济社会发展工作部署会议上更是进一步强调，要“防止经济运行滑出合理区间，防止短期冲击演变成趋势性变化”。 由此可见，在当前全球“新冠”疫情快速蔓延的背景下，考察突发公共事件对我国宏观经济部门与金融市场的冲击影响，同时深入剖析突发事件期间，金融风险在我国各行业及全球股票市场间的传导途径、影响力度以及溢出效应具有重要的学术价值与现实意义：它不仅有助于我们完善与“重大突发公共事件”相适应的宏观治理应对机制及风险防范对策，而且有助于避免金融风险产生跨部门、跨市场交叉传导，“ 守住不发生系统性金融风险的底线”，从而维护经济发展和社会稳定大局。突发公共事件除对受影响地区造成直接损害外，其所造成的供应链中断也会使得风险转移至原本未受影响的区域，造成大量直接与间接的经济损失（Worthington ，2008）。 其中，由于宏观经济数据统计难度大、样本频次低，许多学者往往采用干预模型、事件研究法或是自然实验法等方法，对比分析事件前后的宏观经济形势变化，从而考察突发事件对经济的冲击影响。其中，Goh 和Law（2002）基于干预模型考察了1997年亚洲金融危机、1998年中国香港禽流感疫情等事件对其旅游业的影响，研究表明此类公共事件会对旅游业产生显著的负面冲击。Deryugina等（2018）对比了卡特里娜飓风袭击的新奥尔良州以及与其发展程度相似的美国城市，考察这一突发事件对工资收入、就业、婚姻与生育的冲击，发现仅存在暂时的负面影响。Boehm 等（2019）将2011年日本“3 · 11”大地震作为一次准自然实验，探讨其对国际贸易产业链的影响，研究表明日本跨国公司的海外上下游企业均受到了显著的外溢冲击。与宏观经济的相关研究类似，早期文献在考察自然灾害、重大灾难、公共卫生事件等突发公共事件对金融市场的冲击时，也常常采用案例研究法、事件研究法等进行分析（Chesney et al. ，2011）。 如Pacini 和Marlett（2001）基于广义最小二乘法和非参事件研究技术，分析表明具有飓风风险敞口的保险公司对股价有着更积极的反应。Ragin和Halek（2016）使用事件研究法，考察了1970年以来造成最大保险损失的43起灾难，发现保险经纪人在事件当天获得了股票的异常回报。随着现代计量经济学方法的不断发展，相关学者基于前沿的计量模型就突发事件对金融市场的冲击展开深入研究。例如，Bai等（2019）将罕见灾害加入到具有异质企业的一般均衡模型中，发现考虑了突发事件冲击的CAPM 模型对股价的刻画更为准确；Lanfear 等（2019）分析了1990~2017年间美国飓风对股票收益和非流动性的异常扰动，研究显示此类与总消费增长相关的突发事件会对股市产生重大冲击。与此同时，现有研究表明，金融市场在危机事件的冲击下，市场间会产生明显的风险传导，风险溢出效应显著增加（White et al. ，2015）。 因此，在单个金融机构或市场受到冲击时，负面影响会迅速传导至其余机构及市场，引发系统性金融风险（Baruník and Kr ˇehlík ，2018）。 随着国际金融一体化的日益推进，全球资本市场的跨境联系不断增强，各国间显著的联动效应进一步加大了系统性风险的爆发可能（Hartmann et al.，2004）。 此外，股票市场在受到冲击后，可能产生“过度反应”现象，在短期更易出现较大的异常震荡（Lasfer et al. ，2003），加剧了金融系统的脆弱性，也致使金融机构或市场间原有的相互关联在危机后出现突变，从而加大了风险防控的难度（Maggio et al.，2017）。 这在Ballester 等（2016）、Guidolin等（2019）以及Zhang 等（2020）等人的研究中也重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 14《管理世界》（月刊）2020年第5 期获得了经验支持。在国内对于金融风险问题的研究上，我国很多学者也从宏观审慎政策、地方政府债务、极端风险的跨市场传染等角度进行了很好的分析与阐述，其中代表性的包括方意（2016）、刘晓星和张旭（2018）、梁琪和郝毅（2019）、杨子晖等（2019）等人的研究。纵观该领域的研究，现有文献大多考察了地震、飓风等自然灾害对宏观经济的影响，而较少探讨重大公共卫生事件带来的负面冲击。“ 非典”、“ 新冠”疫情等重大突发公共事件对我国经济稳定与社会安全造成了严重威胁。由于此类事件持续时间较短，宏观数据时间跨度也相对较短，容易产生“维度诅咒”（Curse of Dimension ⁃ality ）问题（Marcellino and Sivec，2016）。 因此在使用传统方法进行分析时常常因为数据受限问题，而难以对宏观经济与金融市场受到的冲击展开全面分析（Galariotis et al.，2018）。 此外，现有研究在考察突发公共事件对宏观经济的影响时，大部分采用干预模型、事件研究法或是自然实验法，仅仅进行事件前后的对比分析，很少就突发事件本身对宏观部门的影响进行全面的考察（Deryugina et al.，2018；Boehm et al.，2019）。 随着现代计量研究领域的进一步发展，Bernanke 等（2005）等人构造了因子增广向量自回归模型，能够同时考虑存在相互影响的大量全局变量，从而可以有效刻画大量变量间的作用关系（Abbate et al.，2016）。 与此同时，较之单变量时间序列模型，基于FAVAR模型估计的因子，能够更好地评估信息集与特定变量间的相互影响（Liu et al. ，2017）①。因此，使用FAVAR模型能够有效克服宏观数据类别过多而样本期过短的局限性，从而准确刻画突发公共事件对宏观经济的影响途径与作用力度，为完善特殊时期宏观治理应对机制提供新的思路。最后，大量文献集中在考察经济危机对金融市场的冲击，较少研究就重大公共卫生事件对资本市场的影响进行深入探讨。然而，最新研究表明，此类突发公共事件造成的市场压力，将会使得金融市场间出现明显的风险溢出效应（White et al. ，2015），并导致市场不确定性因素急剧攀升，使得金融机构或市场间原有的相互关联关系发生突变（Maggio et al.，2017）。 而不断增加的不确定性将会提高金融体系的脆弱性，从而增加了金融危机爆发的概率（Dicks and Fulghieri，2019）。有鉴于此，本文采用前沿的因子增广向量自回归模型与风险溢出网络方法（Yang and Zhou，2017；杨子晖、周颖刚，2018），考察“非典”、“ 新冠”疫情此类重大突发公共事件对我国金融市场与宏观经济的冲击与影响。具体而言，首先，我们基于FAVAR模型考察“非典”这一突发公共卫生事件对我国宏观经济与金融市场16个部门、共计174 个变量的冲击影响。在此基础上，本文采用前沿的风险溢出网络，研究“新冠”疫情下，我国金融市场各行业间风险传导关系的动态演变。接着，我们进一步分析了“新冠”疫情爆发期间，国际股票市场间的风险溢出效应，考察其中的风险源头与传导渠道，从而有助于我们未雨绸缪地防范境外输入性风险。最后，本文基于Chen等（2019）的风险结构（Risk Profile ）框架，进一步探讨了该时期全球各市场的共振关系，以客观甄别事件前后各国（地区）间的风险联动关系。二、模型设定、方法说明（一）因子增广向量自回归模型本文借鉴Kamber和Wong（2020），基于Bernanke 等（2005）提出的FAVAR模型，将标准VAR 分析方法与因子分析法相结合，并采用两步估计法（Two-Step Estimation Method ），即采用主成分估计法提取因子，并以因子的形式对信息集中变量包含的信息进行识别。首先构造了一个对经济存在影响的M × 1 维的经济向量Y t ，且该变量可观测，但Y t 无法完全捕获未观测到的变量的相应波动。因此，进一步构造了一个不能被观测到的K × 1 维的因子向量F t ，基于两个向量的联合动态，构建因子增广向量自回归模型：[ F t ，Y t ]'=ϕ（L）[ F t - 1 ，Y t - 1]'+v t （1）其中，有限阶滞后多项式ϕ（L）为模型提供先验限制。v t 为协方差矩阵的误差项，且均值为0 。此外，当ϕ（L）中关联Y t 与F t - 1 的元素为0 时，该模型为标准VAR 模型。由于因子F t 无法观测，因此，设定N × 1 维的信息集X t 与F t 相关：- - 15X t = ΛfF t + ΛyY t + ε t （2）其中，Λf和Λy分别为N × K 及N × M 维的因子负载矩阵，ε t 服从标准正态分布。对于施加先验限制的ϕ（L），有两种估计方法，第一种为两步主成分法（Two-Step Principal Components Ap ⁃proach ），该方法基于非参方法刻画X t 中的因子；第二种则为单步贝叶斯似然估计法（Single-Step Bayesian Like ⁃lihood Approach ）。 研究表明，两种方法估计结果相近，但两步估计法的运算更为便捷，且对模型的假定更少，因此本文采用两步主成分法对FAVAR模型进行估计。具体而言，首先，我们采用X t 的前K + M 个主成分估计因子张成的空间，令其为C^t （F t ，Y t）。 当信息集中包含的信息量较多，即N 较大且主成分数目不少于因子数量时，主成分将由F t 和Y t 共同张成。其中，C^t （F t ，Y t）可由参数的任意线性组合得到，即：C^t （F t ，Y t）= α F t + β Y t （3）其中，F t 表示C^t （F t ，Y t）空间中，Y t 信息不能包括的部分。接着，我们采用标准方法对式（1）进行估计，且允许式（2）中误差项ε t 存在一定程度的自相关。（二）风险溢出网络分析框架本文主要采用Yang和Zhou （2017）、杨子晖和周颖刚（2018）作为风险溢出的研究框架，该方法在Diebold和Yilmaz（2014）的基础上，通过方差分解对不同金融市场（行业、或机构）之间的风险溢出效应进行有效刻画。首先基于N 维VAR （p）过程进行广义预测误差方差分解：（4）其中，Θ 0 为N × N 的单位阵，对任意i ＜0 有Θ i = 0 。此时变量x i 对变量x j 的向前H 期广义预测误差方差θgij（H）可表示为：（5）其中，i ，j = 1 ，2 ，……，N ，σ jj 为残差协方差矩阵∑的第jj 个元素，e i 表示第i 个元素为1 ，其余元素为0 的N × 1维向量，据此定义行业j 到i 的风险溢出效应 为：（6）相应的净溢出效应为：（7）在此基础上，借鉴Yang和Zhou （2017）与杨子晖和周颖刚（2018）的做法，采用递归的预测方差分解方法，分别计算1 期到t - 1 期以及1 期到t 期的风险溢出效应，并通过差分以刻画t 期一个新的扰动（或事件）引起的行业i 到行业j 的溢出变化。据此定义边际净溢出指数（Marginal Net Risk Spillover，MNRS）如下：（8）其中， 为t 时刻信息下行业j 到行业i 与的净溢出强度， 为 的一阶差分，衡量行业j到行业i 的边际溢出强度。若 为正，则表明t 期的新事件加剧了行业i 与行业j 之间的风险净溢出效应，反之则表明风险净溢出效应相应减少。然而，MNRS指标满足 ，各时点内系统中MNRS的总和为0 。因此，为更好地甄别引发风险溢出的重要事件，我们对所有为正的MNRS 指标进行加总，记为总正向边际净溢出指数（Total PositiveMarginal Net Risk Spillover，T P M N R S）。 该指数越高，则意味该事件引发的风险溢出效应越大：（9）在此基础上，分别定义单个行业i 在市场中受到的总边际净溢出效应（Total Marginal Net Risk Spillover ，TMNRS） 与行业j 在市场中产生的总边际净溢出效应 为：（10）xt= Θ( L )ut=∑i = 0∞Θiut - idHi j={ }σ- 1j j ∑h = 0H - 1( )ei'Θh∑ej2{ } ∑h = 0H - 1( )ei'Θh∑Θh'eiR SHi ←jR SHi ←j= dHi jN R SHi ←j= R SHi ←j- R SHj ←iM N R SHt , i ←j= N R SHt , i ←j- N R SHt - 1 , i ←j= ( R SHt , i ←j- R SHt , j ←i) - ( R SHt - 1 , i ←j- R SHt - 1 , j ←i)N R SHt , i ←jM N R SHt , i ←jN R SHt , i ←jM N R SHt , i ←jM N R SHt , i ←j= - M N R SHt , j ←iT P M N R SHt=∑M N RSHt, i ←j> 0M N R SHt , i ←jT M N R SHI N , t , iT M N R SHO U T , t , jT M N R SHI N , t , i= M N R SHt , i ←· ∙=∑j ≠ iM N R SHt , i ←j=∑j ≠ i( N R SHt , i ←j- N R SHt - 1 , i ←j)重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 16《管理世界》（月刊）2020年第5 期（11）由此，我们可构建如下边际净溢出矩阵：此外，我们还采用Chen等（2019）提出的风险结构相似度矩阵，对不同金融市场在风险事件中的共振关系进行刻画。具体而言，市场 j 处于困境时，市场i 的条件期望损失为：CoESij ，t （a）= E [ Yi ，t| Y j ，t ＜VaR j ，t （a）] （12）为研究不同冲击来源下，各国股票市场之间的总体关联程度，本文参考 Chen等（2019）的研究，计算各国股市的风险结构，并据此构建全球的风险结构关联网络。具体而言，在每个时点t ，本文对各股票市场计算了风险结构向量X i ，t ={ CoESij ，t } j =1，……，N ，再通过计算各市场风险结构的相似程度来衡量不同股票市场之间的关联程度。即得到了各市场的风险结构向量之间剔除均值后的余弦相似度：（13）与皮尔逊相关系数类似，这一风险结构相似度主要用于衡量不同市场在不同极端事件下期望收益变化的相似程度。其中，对于任意一对股票市场（i ，j），若它们标准化后的风险结构向量始终保持同向变动，则ρ ij ，t 将接近于1 。而若（i ，j）的风险结构不相关甚至呈反向变动，得到的ρ ij ，t 将接近于0 或转变为负数。因此，这一指标能较好地反映某时段内不同市场在各类极端冲击下的风险共振（或风险分担）关系。在此基础上，采用Chen等（2019）提出的非对称断点方法，对风险结构相似度分为强正相关、无显著相关以及强负相关3 类，并剔除无显著相关的关联，从而重点关注显著关联的市场。（三）数据说明本文分别就“非典”与“新冠”疫情对我国宏观经济及金融市场的影响展开深入分析，样本区间分别为2002年11月~2003 年8 月以及2014年12月31日~2020 年3 月18日。数据来源均为中经网及Wind数据库。在“非典疫情”的样本中，本文构造了 16个信息集，从而对我国宏观经济与金融市场进行了全面地刻画，类别包括了经济景气程度、消费者信心、消费、消费者物价指数、生产价格指数、工业产出、投资、进口、出口、交通运输、利率、货币、一般公共预算支出、一般公共预算收入以及股票市场、汇率市场，共计174 个指标②。此外，分别以第一例病例发病和最后一位病人出院作为“非典”这一突发公共卫生事件的起始与结束日期，样本区间为2002年11月~2003 年8 月。需要说明的是，我们整理了中国国务院卫生部新闻办公室每日发布的“非典”疫情数据，以每日新增确诊人数的月度平均值作为该事件严重程度的代理变量。其中，由于相关数据自2003年4 月19日起面向社会公布，公众在此之前仅知悉此事件，因此，本文将第一例病例发病的2002年11月16日~2003 年4 月18日的代理变量取值为1③。本文分别以表1 的样本股指、布伦特原油期货日结算价作为全球股票市场以及国际原油市场的代表变量，样本区间均为2014年12月31日~2020 年3 月18日。而在“新冠疫情”样本中，为了准确考察“新冠”期间金融市场间的风险关联情况，本文基于Wind一级行ρij,t=XTi.tXj,t/ (  Xi,t   Xj,t), j ≠ i , i =1,……,N,t= 1,……,TTMNRSHIN,tTMNRSHOUT,tMNRSHt, 1←2MNRSHt, 1← N ∑i≠ 1MNRSHt, 1← iMNRSHt, 2←1MNRSHt, 2← N ∑i≠ 2MNRSHt, 2← iMNRSHt,N ←1MNRSHt,N ←2 ∑i≠ NMNRSHt,N ←i∑i≠ 1MNRSHt,i ←1 ∑i≠ 2MNRSHt,i ←2 ∑i≠ NMNRSHt,i ←Nx 1x 2……x Nx 10……x 20………………………………x N……0编号12345678910中国内地中国香港韩国新加坡日本印度澳大利亚俄罗斯法国德国区域亚太亚太亚太亚太亚太亚太亚太欧洲欧洲欧洲选用指数上证综指恒生指数KS11指数STI 指数日经225 指数SENSEX30 指数澳洲标普200 指数RTS 指数CAC40 指数GDAX 指数编号111213141516171819西班牙意大利荷兰英国美国加拿大墨西哥巴西阿根廷区域欧洲欧洲欧洲欧洲美洲美洲美洲美洲美洲选用指数IBEX35 指数意大利指数AEX 指数富时100 指数标普500 指数多伦多300 指数MXX指数IBOVESPA 指数MERV 指数表1 样本市场与股指选用TMNRSHOUT,t,j=MNRSHt,· ←j=∑i≠ jMNRSHt,i ←j=∑i≠ j( NRSHt,i ←j-NRSHt-1 ,i ←j)--17国家(地区) 国家(地区)业分类标准，分别选取了能源、材料、工业、可选消费、日常消费、医疗保健、金融、信息技术、电信服务、公用事业以及房地产指数的日度收益率作为国内各行业的代表变量。三、实证结果与分析（一）重大突发公共事件对宏观部门及金融市场的影响分析首先，本文采用因子增广向量自回归模型，考察突发公共卫生事件对我国宏观经济与金融市场的影响。与Bernanke 等（2005）的研究相一致，根据敏感性分析确定宏观经济与金融市场各信息集的共同因子。在此基础上，我们以2003年“非典型肺炎”疫情（下称“非典”疫情）这一突发公共事件为例，分别研究了16个信息集的因子在该事件冲击下的脉冲响应。同时，为了便于识别，我们用灰色阴影区域标识其对应的90% 置信区间，并将结果展示于图2 。由图2 ，我们可以清楚地发现，长期来看，该事件并未对我国经济发展态势产生持续影响，图2（a）中经济景气程度未出现显著下滑，宏观经济总体企稳。同时，图2（f）、（ g）、（ h）与（i）一致表明，2002年11月至2003年8 月间，我国投资、工业产出以及进出口贸易部门并未受到显著冲击。此外，在短期内，该事件对我国部分宏观经济部门造成了冲击，图2（b）与（c）表明，在事件初期，我国居民的消费信心及消费均受到了明显的负向影响，这意味着在此类突发事件发生时，其特有的不确定性与急剧扩散性使得消费者信心遭受相应冲击，易引发恐慌情绪与悲观预期，致使消费意愿下降，从而抑制国内消费需求。与此同时，图2（m）进一步显示，与大部分部门及市场不同，一般公共预算支出在事件冲击下出现了明显的正向联动。此外，我们由图2（o）、（ p）可图2 宏观部门与金融市场对新增确诊人数的脉冲响应重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 18《管理世界》（月刊）2020年第5 期知，对金融市场而言，股市总体走势平稳，未出现明显波动，而汇率市场则受到了阶段性的负面冲击。接着，本文进一步分析了这一事件对宏观经济部门及金融市场各变量的具体影响情况④。图3（d）表明，经济景气先行指数在事件初期呈现显著的下行趋势，随即，（b）与（c）的宏观景气预警指数、一致指数也出现了短暂的回落态势，但3 个指标均在阶段性承压后迅速回复至稳态水平，并且冲击随着时间段推移也变得不显著。这表明在2002~ 2003年间，我国经济正处于周期性上行阶段⑤，突发冲击的影响较为有限。相关的研究表明，消费者信心作为公众心理的代表变量，能够有效衡量投资者情绪，是预测商业周期高峰与低谷的良好指标（Lemmon and Portniaguina ，2006；Jang and Sacht，2019）。 同时，消费者信心的强弱对总消费的所有组成部分均有普遍的影响，对经济的实时监测、经济理论及经济政策有效性的检验也具有重要意义（Lahiri et al. ，2016）。 因此，我们同样考察了消费者预期指数与满意指数在事件冲击下的脉冲响应情况，并将结果在图4 中画出。由图4 ，我们可以发现，在事件突发初期，两个指数均快速下跌，达到了- 0.45的冲击强度，并直至3 个月后才开始逐步消退，且冲击变得不显著。除此之外，消费预期指数往往用于衡量未来经济生活变化的消费预期，而信心程度则代表消费者对当前经济生活的评价，图4（b）与（c）显示，二者在事件期间走势基本一致。这意味着，在此类公共突发事件中，消费者当期与预期的信心易受到显著的负面影响，消费意愿明显减弱，但事件的不利影响不具持续性，在突发事件进入缓解与消退阶段后，消费者情绪逐渐恢复，预期指数迅速回落至稳态水平，市场预期随之转好。与此同时，图5 清楚地表明，消费在短期内也受到了较大的负面冲击。受早期统计口径所限，2002~ 2003年间的社会消费品零售总额数据仅按消费形态划分为批发和零售业、住宿和餐饮业、以及其他行业三大板块。其中，住宿和餐饮业对“非典”疫情的敏感性较高，是易受外部冲击的薄弱环节，图5（c）中的影响强度高达- 0.75。其次为批发和零售业，冲击力度为- 0.70。与此相对应，随着我国经济的不断快速发展，住宿餐饮业的当季增加图3 经济景气对新增确诊人数的脉冲响应图4 消费信心对新增确诊人数的脉冲响应图5 消费对新增确诊人数的脉冲响应- - 19值由2002年12月的652.1 亿元攀升至2019年末的5071.2 亿元，批发和零售业也由14635.5 亿元增加至26795.9亿元，增幅分别达677% 和83% ，在国民经济体系中占据了更为重要的地位。在现阶段应对此类公共事件造成的冲击时，我们应“充分认识促进中小企业发展的重要性”⑥，及时出台针对性的扶持政策，并向相关行业提供相应的信贷资金倾斜，同时结合“消费券”等方式来“刺激消费、扩大内需”，维护经济发展和社会稳定大局。此外，图6 显示，2002年11月~ 2003年8 月期间，全国居民消费价格指数受到了显著的正向影响。其中，该事件对中药、西药以及医疗服务业CPI 指数的影响力度较大，强度在0.28~ 0.40间不等。图6（e）与（d）显示，旅游、租房行业由于恐慌情绪蔓延，市场需求下降，价格指数分别受到了- 0.48和- 0.29的负面冲击。此外，在初期交通停滞、消费意愿减弱等因素作用下，鲜果行业的消费出现了短暂下跌，但在事件后期，由于消费反弹压力涌现，影响强度由- 0.35攀升至0.36，并在9 个月后趋于稳态。值得注意的是，在该重大公共卫生事件爆发前的2001年1 月~ 2002年10月间，我国CPI 同比指数的均值约为- 0.32，通货膨胀压力较小，因此尽管“非典”在一定程度上推动了CPI 指数的上升，但总体而言，我国物价在此次突发公共事件期间依旧呈现短暂且平缓的低位回升态势。在图6 的基础上，我们进一步考察了PPI 指数的动态变化情况。图7（a）表明，受企业停工、经济活动需求下降等因素影响，生产价格指数受到了明显的负面影响，总体冲击力度达到了- 0.20，加工业产品、生活资料、食品以及一般日用品等指数也面临程度不一的下行压力。相关研究表明，我国上游生产要素对下游消费商品价格存在显著的价格传递效应（莫万贵等，2019），因此可能使得需求端的价格在后期出现大幅波动，在一定程度上加剧了物价波动隐患，提高了宏观调控的难度。因此，我们在应对公共突发事件的冲击时，除需在爆发初期加大政策支持力度外，更应在事件后期完善物价监控机制，确保粮食与副食品供应安全，以保障市场供应和物价基本稳定，为经济社会平稳发展提供安全保障。与此同时，“ 非典”疫情对我国交通运输业产生了显著的负面影响，冲击强度为- 0.60。其中，国家统计局数据显示，2002年11月~ 2003年8 月间，我国客运量较同期锐减7.40% ，其中运输人数占比98.41% 的铁路、公路客运量分别减少9.19% 和7.23% ，共计10.171 亿人次。图8（f）显示，铁路客运量的脉冲响应函数高达- 0.78。此外，由图8（b），我们可以清楚地发现，在该突发公共事件对我国公路、水路、民航货运量均出现明显负面影响时，铁路货运量则受到了0.38的正向冲击。这主要是由于突发公共卫生事件期间，医疗物资与后勤物资的物流运送需求大幅上涨，使得铁路货运量相应增加。在上述分析基础上，我们同样探讨了货币供应在此期间的动态变化，与图2（k）中利率这一货币工具的分析结果一致，图9 表明，“ 非典”疫情没有对M 0 、M 1 以及M 2 造成显著的负面冲击。2003年5 月19日，中国人民图6 CPI 指数对新增确诊人数的脉冲响应重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 20《管理世界》（月刊）2020年第5 期图7 PPI 指数对新增确诊人数的脉冲响应图8 交通运输对新增确诊人数的脉冲响应- - 21银行发布《中国人民银行关于应对非典型肺炎影响全力做好当前货币信贷工作的意见》，意见指出，应当“保持货币信贷总量适度增长，防止货币信贷出现大幅波动”。 由此可见，我国货币政策在此期间总体较为稳健，流动性水平仍维持合理充裕，经济整体处于周期性上行阶段。此外，自2003年4 月23日，国务院成立防治非典指挥部、中央财政调拨3.1 亿元建设第一阶段应急反应机制以及设立20亿元的非典防治基金后，地方各级财政也大幅增加公共预算支出，安排防治经费。图10清楚地表明，该事件对我国一般公共预算支出的总体作用强度达到了0.27。其中，受“非典”严重冲击的广东、北京、内蒙等地更是分别高达0.38、0.30与0.50。与此同时，多省市也出台了大量扶持政策，一般公共预算支出均受到了显著的正向影响，例如北京市政府在2003年5 月21日出台了20项“非典”时期的扶持政策，对部分行业的国有及集体企业职工借支基本生活费、采用财政贴息及补助等方式加大对现代制造业的支持力度等，为有效控制“非典”疫情、保障人民健康及经济稳定运行发挥了重要作用。由此可见，在此类重大突发公共卫生事件期间，我国应当充分发挥财政调控作用，完善应急管理财政政策体系，以充分、有效地对冲重大突发事件对经济运行造成的负面冲击。在上文对宏观经济展开分析的基础上，本文进一步考察这一事件对我国资本市场的影响。由图11，可以图9 货币对新增确诊人数的脉冲响应图10 一般公共预算支出对新增确诊人数的脉冲响应重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 22《管理世界》（月刊）2020年第5 期清楚地发现，“ 非典”疫情对我国股票市场各行业冲击并不显著。但值得注意的是，在“非典”疫情发生的2002~2003年间，我国经济正处于高速增长阶段，存在较大的风险缓冲空间，因此股票市场并未出现剧烈震荡。但近年来，我国经济步入“新常态”，企业杠杆率不断攀升，实体经济部门杠杆率由2002年末的137.4% 攀升至2019年的245.4% ，易引发金融风险集聚。与此同时，随着经济结构的不断优化，我国金融行业已成为了关系我国经济发展的重要环节。与此相对应，互联网金融、数字金融、地产金融等新型金融业态快速发展，新三板挂牌公司数量急剧增加，“ 沪港通”、“ 深港通”纷纷落地，而我国金融监管领域仍存在相对缺失或滞后的现象，金融风险隐患也随之进一步增加。因此，在现阶段应对此类突发风险事件时，监管机构应当及时监测、防范资本市场的异常波动，加大对交叉金融风险的防范力度，建立并完善金融监管协调机制，及时推动重大突发公共事件期间相应政策的落地，维护金融市场稳定发展。与此同时，图12表明，2002年11月起爆发的这一重大公共卫生事件对汇率市场造成了明显的不利冲击。图12（a）显示，该公共事件对我国汇率市场负面冲击的最大力度为- 0.29，且较之其他部门，负面影响衰减速度较慢，事件的不利影响在6 个月后才开始逐步消退。此外，近年来随着汇率市场化改革进程的不断推进，我国汇市与全球资本市场的联动日益紧密，因此，在诸如2020年“新冠”疫情等突发公共卫生事件爆发时，我国监管部门需警惕国际市场避险情绪上升、经济不确定性增强等因素引发汇率大幅波动，在保持人民币汇率弹性的同时，应及时、有效地实施必要的宏观审慎管理，维护外汇市场平稳运行。（二）重大突发公共事件冲击下行业间金融风险传导分析自2003年“非典”疫情以来，我国资本市场迅速发展，沪深两市A 股上市公司总数自2003年9 月的1236家，增加至2019年末的3690家，总市值也由40182 亿元攀升至574301亿元，增幅达13倍之多。与此同时，随着世界经济一体化和全球金融混业经营的发展趋势，各金融部门业务逐渐交叉，金融体系日益复杂，国内外的冲击均可能导致我国金融市场剧烈调整，并引发风险共振现象（Risk Co-movement ），加剧潜在的系统性金融风险。2020年2 月3 日，受“新型冠状病毒肺炎”疫情这一重大突发公共卫生事件（下称“新冠”疫情）影响，我国A图11 股票市场对新增确诊人数的脉冲响应- - 23股开盘暴跌，市场恐慌情绪持续上升，当日沪深两市近3000个股跌停，市场震荡剧烈。其中，上证指数开盘暴跌8.73% ，创1997年以来最高开盘跌幅，而可选消费、信息技术等行业的收盘跌幅均逾9% 。因此，为了准确刻画重大突发公共事件对我国股票市场的冲击影响，本文以“新冠”疫情为例，进一步考察了此次突发公共卫生事件下，我国金融市场各部门间的风险传导情况。首先，我们采用递归估计（recursive es ⁃timation）的方法⑦，从动态的视角考察了我国2016年至2020年4 年间各时点的TPMNRS 指数，分析与比较不同风险事件对我国资本市场的冲击影响程度（见图13）。 图13显示，“ 新冠”疫情导致我国股市各行业间产生了图12 外汇市场对新增确诊人数的脉冲响应图13 引发跨行业风险传导的重要事件识别（基于TPMNRS 指数）注：预测期为10天，递归估计基期为2015年1 月5 日~ 2015年12月31日，表2~ 表6 、图14及图15相同，不再赘述。重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 24《管理世界》（月刊）2020年第5 期显著的风险溢出效应。具体而言，2020年2 月3 日，随着上证综指重挫7.72% ，当日的TPMNRS 指数快速攀升，仅次于2016年1 月4 日的“熔断”风险事件。但值得注意的是，“ 新冠”疫情的影响较为短暂，我国金融市场的走势在此后的一月内趋于平稳，TPMNRS 指数恢复低位态势，这意味着该突发公共事件并未对我国金融市场稳定造成持续性影响。在此基础上，本文分别估算了2020年1 月22日~ 2 月4 日，4 个连续交易日内我国各行业间的边际净溢出效应，探讨此次突发公共事件期间金融风险的主要源头与传导路径。我们在表2 中，将各行业在事件期间的总边际净溢出效应进行排序。Panel A表明，1 月22日，各行业间风险联动情况较为平稳，净溢出指数位于0.03~-0.05之间。而随着“新冠”疫情影响的逐步扩散，1 月23日后，我国金融市场各行业间的风险溢出效应均明显增强。其中，信息技术、日常消费、可选消费、金融以及房地产部门的风险传导增量最高，成为了风险边际净输出力度最高的行业。此外，Panel A显示，2 月3 日我国各行业间的边际净溢出效应达到顶峰，金融、信息技术以及日常消费行业的风险净溢出效应高达 2.37、2.31、2.20，风险联动效应大幅增强。与此同时，受“新冠”疫情影响，医疗保健与工业行业受到的溢出效应在2 月3 日显著上升，净溢出指数分别为- 7.11与- 1.35，成为了最主要的风险接受方。此外，2 月4 日，各行业间边际净溢出强度迅速回落，指数均位于- 0.15与0.15间，行业风险溢出水平再次趋于平稳，这进一步表明“新冠”疫情对我国金融市场的影响较为短暂。此外，基于收益率计算的排序分析与基于VaR 指标的结论基本一致。综上所述，表2 中Panel A与B 的结果一致表明，“ 新冠”这一突发公共事件的冲击，使得我国金融市场各部门间的风险传导关系出现了显著变化。其中，金融、房地产、信息技术与日常消费行业在疫情期间的风险输出力度大幅提高，医疗保健、公用事业以及工业则成为了主要的风险接受方。接着，本文进一步对各行业两两交互（pairwise）的边际净溢出效应展开分析，以准确刻画“新冠”期间，金融风险在我国各部门间的传导路径。我们对2016年1 月到2020年2 月的每个交易日展开边际净溢出效应分析，并根据MNRS的绝对值进行排序，对进入第1 个百分位数、第5 个百分位数的边际净溢出效应分别用3 星号（“ *** ”）与2 星号（“ **”）标注，结果列于表3 。可以发现，在2020年1 月22日，由于此次事件的影响尚未完全显现，两种指标下大部分MNRS的估计值未进入第5 个百分位数，各行业运行较为稳定，相互之间的风险传导增量并不显著⑧。然而，在1 月23日（见表3 的Panel A），我国行业间风险的边际净溢出效应出现显著上升，大部分行业对医疗保健、公用事业风险传导的增量均进入第5 个百分位数。随着该事件在春节期间的进一步发酵，2 月3 日，我国各行业间出现了显著的风险溢出效应。Panel B表明，在VaR 与收益率指标下，该交易日分别有43与36个MNRS估计值进入了第1 个百分位数。而且，TMNRSOUT 指数显示，与前文分析相一致，金融、房地产、日常消费以及信息技术为风险的主要输出方，基于VaR 指标计算的指数分别攀升至2.37、1.34、2.20、2.31，远高于1 月22日的0.01、- 0.01、0.00以及- 0.05。与此同时，医疗保健、公用事业、工业等部门则成为了风险主要的接受者。其中，在VaR 指标下，其余部门对医疗保健行业的总边际净溢出效应高达7.11，而1 月22日的TMNRSIN 指数仅为0.02。这意味着，“ 新冠”这一突发公共事件使得金融、日常消费等行业成为我国股票市场中风险传导的主要源头，引发其余部门出现剧烈震荡，其中医疗保健行业更是受到了显著冲击，大幅加剧了我国系统性风险隐患。Panel A：基于VaR 指标2020年1 月22日能源工业电信服务材料金融公用事业日常消费可选消费房地产医疗保健信息技术Panel B：基于Return 指标2020年1 月22日可选消费材料能源电信服务工业公用事业日常消费金融房地产信息技术医疗保健0.030.020.020.010.010.000.000.00- 0.01- 0.02- 0.050.020.020.010.010.010.010.010.01- 0.01- 0.04- 0.052020年1 月23日信息技术房地产日常消费可选消费材料金融公用事业电信服务工业能源医疗保健2020年1 月23日金融电信服务日常消费能源房地产材料可选消费信息技术医疗保健公用事业工业0.230.190.130.100.060.050.00- 0.08- 0.13- 0.22- 0.330.060.040.030.020.00- 0.01- 0.02- 0.02- 0.03- 0.03- 0.042020年2 月3 日金融信息技术日常消费房地产可选消费能源材料公用事业电信服务工业医疗保健2020年2 月3 日金融日常消费电信服务房地产信息技术能源材料可选消费公用事业工业医疗保健2.372.312.201.340.680.230.06- 0.16- 0.58- 1.35- 7.110.370.150.130.110.090.08- 0.05- 0.05- 0.07- 0.12- 0.642020年2 月4 日电信服务工业信息技术能源公用事业材料房地产医疗保健金融可选消费日常消费2020年2 月4 日电信服务医疗保健能源信息技术材料公用事业工业日常消费金融可选消费房地产0.150.060.050.050.040.01- 0.02- 0.03- 0.08- 0.08- 0.150.060.020.020.010.000.00- 0.00- 0.02- 0.03- 0.03- 0.03表2 “新冠”疫情期间国内股市总边际净溢出效应分析注：表2 报道了预测期为10天时各行业对应的总边际净溢出效应TMNRSOUT 。- - 25行业金融材料电信服务房地产工业公用事业可选消费能源日常消费信息技术医疗保健TMNRSOUT金融材料电信服务房地产工业公用事业可选消费能源日常消费信息技术医疗保健TMNRSOUTPanel A：2020年1 月23日VaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnPanel B：2020年2 月3 日VaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturn金融0.000.000.000.000.010.00- 0.010.01**0.010.01**0.000.01**0.000.01**0.02**0.01**0.000.00- 0.010.000.03**0.01**0.050.060.000.000.16***0.03***0.26***0.03***0.24***0.03***0.34***0.04***0.24***0.04***0.07**0.03***0.26***0.04***- 0.020.02***0.03**0.02***0.79***0.08***2.370.37材料0.000.000.000.000.020.00- 0.020.000.020.000.010.00- 0.010.000.03**0.00- 0.010.00- 0.020.000.04**0.000.06- 0.01- 0.16- 0.030.000.000.04**- 0.02- 0.16- 0.020.14***0.01**0.010.00- 0.060.00- 0.02- 0.02- 0.20- 0.02- 0.23- 0.010.68***0.06***0.06- 0.05电信服务- 0.010.00- 0.020.000.000.00- 0.030.000.010.01**0.000.01**- 0.020.01**0.010.00- 0.030.00- 0.020.01**0.03**0.01**- 0.080.04- 0.26- 0.03- 0.040.02***0.000.00- 0.220.000.05**0.03***- 0.030.02***- 0.080.02***- 0.090.00- 0.220.00- 0.220.01**0.53***0.06***- 0.580.13房地产0.01- 0.010.020.000.03**0.000.000.000.03**0.000.020.000.010.000.04**0.000.010.000.000.000.04**0.000.190.00- 0.24- 0.030.16***0.02***0.22***0.000.000.000.29***0.02***0.15***0.02***0.04**0.02***0.09***0.00- 0.110.000.000.000.75***0.07***1.340.11工业- 0.01- 0.01- 0.020.00- 0.01- 0.01- 0.030.000.000.00- 0.010.00- 0.020.000.01- 0.01- 0.03- 0.01- 0.030.000.03**0.00- 0.13- 0.04- 0.34- 0.04- 0.14- 0.01- 0.05- 0.03- 0.29- 0.020.000.00- 0.09- 0.01- 0.21- 0.01- 0.15- 0.02- 0.34- 0.02- 0.37- 0.020.62***0.05***- 1.35- 0.12公用事业0.00- 0.01- 0.010.000.00- 0.01- 0.020.000.010.000.000.00- 0.010.000.02- 0.01- 0.01- 0.01- 0.020.000.03**0.000.00- 0.03- 0.24- 0.04- 0.010.000.03**- 0.02- 0.15- 0.020.09***0.01**0.000.00- 0.070.00- 0.10- 0.02- 0.17- 0.02- 0.19- 0.010.64***0.06***- 0.16- 0.07可选消费0.00- 0.010.010.000.02**- 0.01- 0.010.000.02**0.000.010.000.000.000.04**0.000.000.00- 0.020.000.03**0.000.10- 0.02- 0.07- 0.030.06**0.000.08***- 0.02- 0.04- 0.020.21***0.01**0.07***0.000.000.000.11***- 0.01- 0.19- 0.02- 0.21- 0.020.65***0.06***0.68- 0.05能源- 0.02- 0.01- 0.030.00- 0.010.00- 0.040.00- 0.010.01**- 0.020.01**- 0.040.000.000.00- 0.040.00- 0.030.000.020.00- 0.220.02- 0.26- 0.040.020.02***0.09***0.00- 0.090.000.15***0.02***0.10***0.02***- 0.110.01**0.000.00- 0.19- 0.01- 0.170.000.71***0.06***0.230.08日常消费0.000.000.010.000.03**0.00- 0.010.000.03**0.01**0.010.01**0.000.000.04**0.000.000.00- 0.010.000.03**0.01**0.130.030.02- 0.020.20***0.02***0.22***0.000.11***0.000.34***0.02***0.17***0.02***0.19***0.02***0.19***0.01**0.000.000.010.01**0.76***0.08***2.200.15信息技术0.010.000.020.000.02**- 0.010.000.000.03**0.000.020.000.020.000.03**0.000.010.000.000.000.05**0.000.23- 0.02- 0.03- 0.020.23***0.01**0.22***- 0.010.000.000.37***0.02***0.19***0.01**0.21***0.02***0.17***0.00- 0.01- 0.010.000.000.96***0.08***2.310.09医疗保健- 0.03- 0.01- 0.040.00- 0.03- 0.01- 0.040.00- 0.030.00- 0.030.00- 0.030.00- 0.020.00- 0.03- 0.01- 0.050.000.000.00- 0.33- 0.03- 0.79- 0.08- 0.68- 0.06- 0.53- 0.06- 0.75- 0.07- 0.62- 0.05- 0.64- 0.06- 0.65- 0.06- 0.71- 0.06- 0.76- 0.08- 0.96- 0.080.000.00- 7.11- 0.64TMNRSIN- 0.05- 0.06- 0.060.010.08- 0.04- 0.190.000.130.040.000.03- 0.100.020.22- 0.02- 0.13- 0.03- 0.230.020.330.030.000.00- 2.37- 0.37- 0.060.050.58- 0.13- 1.34- 0.111.350.120.160.07- 0.680.05- 0.23- 0.08- 2.20- 0.15- 2.31- 0.097.110.640.000.00表3 “新冠”疫情期间国内股市两两交互的边际净溢出效应分析此外，Panel C表明，与表2 的结论相类似，我国金融市场在2 月4 日已趋于稳定，行业间的风险净溢出效应迅速减弱，大部分部门的M N R S 估计值均未进入第5 个百分位数。这表明在短期内，“ 新冠”这一突发事件对我国各部门造成了显著的负面冲击，大幅提高了各部门间风险溢出的强度，长期而言，这一冲击在总体上并未改变我国金融市场平稳运行的整体趋势。但值得注意的是，股票市场中日常消费与可选消费行业依旧受到了一定的风险传导，这意味着消费的整体恢复可能仍需一定缓冲时间。一方面，这可能是由于在供给端，企业存在物流运输受阻、贸易成本增加、现金流紧缺等多方面复工压力；另一方面，也可能在需求端出现消费者信心走低、消费意愿减弱等现象，并经由产业链、供应链以及资金链传导至股票市场，使得消费板块出现显著震荡，其风险更是易通过各行业间的关联传导至其他板块。依据以上两两交互的边际净溢出效应分析结果，我们在图14中展示了“新冠”期间，各行业风险传导的动态演变图。总体而言，基于VaR 与基于收益率指标的风险传导趋势基本一致。其中，图14（a）与（e）显示，1 月22重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 26《管理世界》（月刊）2020年第5 期日，风险净溢出网络较为稀疏，基于VaR 指标的MNRS估计值更是均未进入第10个百分位数，这表明该日我国股票市场各行业运行较为平稳，风险溢出水平没有显著的增加。然而，随着“新冠”疫情的进一步发酵，两种风险净溢出网络的关联密度在1 月23日均明显增加。而图14（c）和（g）清楚地表明，在2 月3 日，行业间大部分关联均进入第1 个百分位数，部门间的风险溢出水平显著增强。其中，金融、日常消费、房地产等部门所在的节点较大，对其他部门的风险传导强度大幅提高。与此同时，行业间的风险净溢出效应在2 月4 日迅速减弱，回复至1 月23日的水平。这充分表明，“ 新冠”疫情对我国金融市场各行业的冲击持续时间较短，负面影响总体可控。（三）重大突发公共事件冲击下国际金融风险传导分析在对我国金融市场造成显著冲击的同时，“ 新冠”这一重大突发公共事件也使得全球股市巨幅震荡，较之2005年卡特里娜飓风、2011年日本大地震等重大突发公共事件，“ 新冠疫情”对美国乃至全球市场造成了范围更图14“新冠”疫情期间国内边际净溢出效应的网络分析注：（1）图中节点越大，表示该部门产生的总边际净溢出效应越强；（2）有向线条由细到粗分别代表表示边际净溢出效应进入第10、第5 与第1 个百分位数。续表3 “新冠”疫情期间国内股市两两交互的边际净溢出效应分析注：*** 与**分别表示边际净溢出效应进入到第1 与第5 个百分位数。行业金融材料电信服务房地产工业公用事业可选消费能源日常消费信息技术医疗保健TMNRSOUTPanelC:2020年2 月4 日VaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturn金融0.000.00- 0.02- 0.01- 0.01- 0.01- 0.020.01**- 0.020.00- 0.020.00- 0.010.00- 0.020.000.000.00- 0.02- 0.010.06**0.00- 0.08- 0.03材料0.020.01**0.000.00- 0.02- 0.010.010.00- 0.010.00- 0.010.000.020.000.000.000.03**0.00- 0.010.00- 0.010.000.010.00电信服务0.010.01**0.020.01**0.000.000.02**0.01**0.02**0.01**0.020.01**0.02**0.01**0.020.01**0.020.01**0.010.01**- 0.020.000.150.06房地产0.02- 0.01- 0.010.00- 0.02- 0.010.000.00- 0.020.00- 0.010.000.010.00- 0.010.000.03**0.00- 0.010.000.000.00- 0.02- 0.03工业0.02**0.000.010.00- 0.02- 0.010.020.000.000.000.010.000.03**0.000.010.000.04**0.000.000.00- 0.050.000.060.00公用事业0.020.000.010.00- 0.02- 0.010.010.00- 0.010.000.000.000.02**0.000.000.000.03**0.000.000.00- 0.020.000.040.00可选消费0.010.00- 0.020.00- 0.02- 0.01- 0.010.00- 0.030.00- 0.020.000.000.00- 0.020.000.020.00- 0.020.000.02**- 0.01- 0.08- 0.03能源0.020.000.000.00- 0.02- 0.010.010.00- 0.010.000.000.000.02**0.000.000.000.04**0.000.000.00- 0.010.01**0.050.02日常消费0.000.00- 0.030.00- 0.02- 0.01- 0.030.00- 0.040.00- 0.030.00- 0.020.00- 0.040.000.000.00- 0.020.000.08***- 0.01- 0.15- 0.02信息技术0.020.01**0.010.00- 0.01- 0.010.010.000.000.000.000.000.020.000.000.000.020.000.000.00- 0.02- 0.010.050.01医疗保健- 0.060.000.010.000.020.000.000.000.05**0.000.02**0.00- 0.020.01**0.01- 0.01- 0.080.01**0.020.01**0.000.00- 0.030.020.080.03- 0.010.00- 0.15- 0.060.020.03- 0.060.00- 0.040.000.080.03- 0.05- 0.020.150.02- 0.05- 0.010.03- 0.020.000.00- - 27广、规模更大、影响更为剧烈的冲击。而在疫情致使全球原油需求疲软的同时，产油国间的博弈更是使得原油价格随之迅速暴跌，引发原油市场与全球资本市场的剧烈震荡。在此背景下，防范境外输入性风险引发跨市场交叉传导成为了我国风险防控的重要环节。因此，在前文分析的基础上，我们进一步采用动态风险溢出的方法，考察2020年3 月9 日~ 3 月18日美国股市4 次“熔断”期间，全球主要金融市场及国际原油市场间风险溢出的动态变化⑨，准确刻画风险的传导方向与影响强度，深入研究疫情期间各国（地区）股票市场间金融风险的传导关系。首先，本文在表4 中分别展示了3 月9 日与3 月12日，美股前两次“熔断”时，各市场的总边际净溢出效应，并按照从大到小进行排列⑩。由Panel A，我们可以清楚地发现，3 月9 日，基于VaR 与收益率的分析结果较为一致，作为美洲的重要产油国，巴西、加拿大等国的金融市场与原油市场共同成为了风险的主要输出者。究其原因，在海外疫情爬升、原油价格疲弱的双重冲击下，布伦特原油期货市场主力合约由 45.27美元/ 桶暴跌至34.36美元/ 桶，跌幅高达24.10% ，巴西、加拿大的股市产生了剧烈波动，指数迅速下调12.17% 与10.31% ，远高于其他市场6.24% 的平均跌幅，进而引发全球金融市场的普遍下行。与此同时，3 月12日，随着“新冠”疫情负面影响的进一步扩散，全球恐慌情绪不断加剧，美股在开盘5 分钟后迅速熔断，加拿大、巴西与美国股票市场跌幅分别达到12.30% 、14.78% 与9.51% ，均对国际金融市场造成了显著影响。Panel B表明，加拿大、巴西与美国的风险净溢出指数居于前列 ，基于VaR 指标测度的溢出强度达到了56.34、40.27以及7.42。此外，表4 显示，在3 月9 日与12日，中国内地与中国香港金融市场的净溢出指数均为负，是风险溢出的主要接受者。这表明，在这一突发公共卫生事件与原油的双重冲击下，境外金融市场易出现剧烈波动，进而对我国资本市场产生冲击，加剧了我国输入性风险的隐患。接着，我们在表5 中对全球各市场两两交互（pairwise）的边际净溢出效应展开分析。其中，Panel A表明，3月9 日原油市场对所有其他市场风险传导的增量均进入了第1 个百分位数，这充分地表明，原油市场的剧烈波动对全球金融市场造成了显著冲击。与此同时，加拿大、巴西股市对大部分市场的MNRS值均为正，而且同样进入到第1 个百分位数，产生了明显的风险溢出效应。此外，TMNRSOUT 指标进一步显示，在3 月9 日当天，原油市场、巴西及加拿大股市对其余市场的边际风险溢出总规模分别达到了29.65、23.33、22.75，处于全球最高水平。此外，基于收益率计算的结果基本一致，原油、巴西与加拿大股票市场的风险净溢出效应仍位于前列，在全球风险输出中占据了主导地位。而在3 月12日，Panel B中基于VaR 的结果所示，与表4 的分析结果相一致，加拿大、巴西、美国的风险溢出强度最高，TMNRSOUT 指数分别达到了56.34、40.27、7.42，美洲市场成为了全球风险传递的中心。其中，巴西对所有其他市场的风险净溢出效应进一步增强，绝大部分MNRS值均进入了第1 个百分位数。加拿大、美国分别对18个与15个境外市场产生显著的风险溢出。基于收益率的结果同样显示，3 月12日，巴西、加拿大与美国是全球资本市场的风险来源地。最后，表5 的结果一致表明，我国内地与香港市场在3 月9 日与12日的TMNRSOUT 指数均为负，且远小于0 。这就充分地表明，在此次国际市场剧烈震荡时，中国在全球系统性金融风险的国际传递链中处于净接受者地位，我国资本市场遭受国际金融市场外溢冲击的可能性也显著增加。其中，Panel B基于VaR 的结果显示，3 月12日，加拿大、印度、美国及巴西对我国内地市场产生了显著的风险传导，净指数分别达到了- 2.07、- 1.67、- 1.65与- 1.30。此外，我国香港市场也对内地市场产生了明显1234567891011121314151617181920Panel A：3 月9 日基于VaR原油巴西加拿大澳大利亚英国新加坡美国墨西哥印度意大利德国中国内地法国西班牙荷兰韩国俄罗斯中国香港日本阿根廷29.6523.3322.7519.4913.3110.114.62.55- 2.83- 4.08- 5.96- 6.87- 7.19- 9.68- 9.68- 11.19- 12.53- 14.19- 18.49- 23.1基于Return加拿大澳大利亚巴西英国原油墨西哥意大利新加坡美国法国德国荷兰西班牙印度韩国阿根廷日本中国内地中国香港俄罗斯3.882.502.432.031.711.591.560.930.680.600.470.270.26- 0.29- 0.81- 1.47- 1.90- 2.35- 3.61- 8.48Panel B：3 月12日基于VaR加拿大巴西原油澳大利亚美国印度意大利英国墨西哥阿根廷西班牙俄罗斯德国新加坡法国韩国荷兰中国内地中国香港日本56.3440.2716.4812.987.425.11.821.40.07- 2.84- 4.31- 6.77- 7.93- 10.32- 13.17- 15.03- 17.68- 20.09- 20.4- 23.34基于Return加拿大巴西美国澳大利亚西班牙意大利英国印度德国墨西哥法国韩国俄罗斯荷兰阿根廷中国内地原油日本新加坡中国香港6.445.815.502.511.751.351.310.600.16- 0.28- 0.72- 1.33- 1.45- 1.68- 1.72- 2.19- 2.98- 3.64- 4.05- 5.40表4 “新冠”疫情期间国际股市边际净溢出总效应分析注：表4 报道了预测期为10天时各市场所产生的总边际净溢出效应TMNRSOUT 。重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 28《管理世界》（月刊）2020年第5 期市场中国内地中国香港韩国新加坡日本印度澳大利亚俄罗斯法国德国西班牙意大利荷兰英国美国加拿大墨西哥巴西阿根廷原油TMNRSOUTPanel A：3 月9 日VaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturn中国内地0.000.00- 2.36- 0.04- 1.07- 0.15- 1.58- 0.26- 0.45- 0.13- 0.85- 0.16- 0.10- 0.14- 0.380.07***0.12**- 0.130.16**- 0.120.08**- 0.120.31***- 0.120.14**- 0.130.43***- 0.140.26**- 0.120.41***- 0.12- 0.35- 0.13- 0.23- 0.15- 0.05- 0.06- 1.37- 0.20- 6.87- 2.35中国香港2.36***0.04**0.000.00- 0.57- 0.29- 2.74- 0.580.05- 0.19- 1.09- 0.30- 1.69- 0.360.14**0.20***- 0.59- 0.15- 0.52- 0.14- 0.40- 0.13- 0.41- 0.16- 0.47- 0.15- 1.17- 0.22- 1.03- 0.16- 1.30- 0.25- 1.33- 0.21- 1.30- 0.240.12**- 0.08- 2.26- 0.22- 14.19- 3.61韩国1.07***0.15***0.57***0.29***0.000.00- 1.92- 0.160.21**0.01- 0.74- 0.10- 1.40- 0.220.31***0.26***- 0.21- 0.08- 0.23- 0.050.02- 0.06- 0.05- 0.09- 0.23- 0.06- 0.89- 0.13- 1.17- 0.02- 1.59- 0.14- 1.78- 0.11- 1.49- 0.160.74***0.01- 2.40- 0.14- 11.19- 0.81新加坡1.58***0.26***2.74***0.58***1.92***0.16***0.000.001.96***0.20***0.90***0.00- 0.46- 0.140.92***0.29***0.62***- 0.060.66***- 0.020.54***- 0.010.39***- 0.080.95***- 0.05- 0.16- 0.120.31***0.13***- 0.94- 0.100.22**- 0.03- 1.05- 0.081.36***0.09***- 2.33- 0.0910.110.93日本0.45***0.13***- 0.050.19***- 0.21- 0.01- 1.96- 0.200.000.00- 0.82- 0.13- 1.90- 0.370.08**0.22***- 0.25- 0.08- 0.26- 0.060.12**- 0.04- 0.46- 0.11- 0.15- 0.08- 1.53- 0.22- 0.990.02**- 1.98- 0.29- 2.75- 0.19- 2.48- 0.29- 0.14- 0.08- 3.21- 0.30- 18.49- 1.90印度0.85***0.16***1.09***0.30***0.74***0.10***- 0.900.000.82***0.13***0.000.00- 0.91- 0.110.58***0.21***0.05- 0.11- 0.03- 0.060.09**- 0.04- 0.06- 0.110.34***- 0.10- 0.36- 0.16- 0.39- 0.06- 1.05- 0.23- 0.46- 0.08- 1.52- 0.130.41***0.00- 2.11- 0.03- 2.83- 0.29澳大利亚0.10**0.14***1.69***0.36***1.40***0.22***0.46***0.14***1.90***0.37***0.91***0.11***0.000.000.98***0.47***2.55***- 0.012.38***0.09***1.51***0.03**1.51***- 0.023.13***0.09***1.01***0.011.32***0.52***- 0.580.22***0.28**- 0.01- 0.94- 0.121.21***0.05**- 1.34- 0.1619.492.50俄罗斯0.38***- 0.07- 0.14- 0.20- 0.31- 0.26- 0.92- 0.29- 0.08- 0.22- 0.58- 0.21- 0.98- 0.470.000.00- 0.73- 0.23- 0.70- 0.21- 0.51- 0.28- 0.76- 0.27- 0.65- 0.27- 1.01- 0.33- 0.74- 0.520.10**- 0.57- 0.86- 0.64- 2.51- 1.040.02- 0.53- 1.54- 1.87- 12.53- 8.48法国- 0.120.13***0.59***0.15***0.21**0.08***- 0.620.06***0.25**0.08***- 0.050.11***- 2.550.010.73***0.23***0.000.000.17**- 0.040.52***- 0.06- 0.01- 0.13- 0.080.00- 1.83- 0.18- 1.20- 0.15- 2.50- 0.24- 0.21- 0.04- 0.640.09***1.58***0.21***- 1.410.28***- 7.190.60德国- 0.160.12***0.52***0.14***0.23**0.05**- 0.660.02**0.26**0.06**0.030.06***- 2.38- 0.090.70***0.21***- 0.170.04**0.000.000.37***- 0.03- 0.13- 0.09- 0.210.03**- 1.66- 0.15- 1.16- 0.15- 2.37- 0.220.23**- 0.05- 0.490.07***1.58***0.18***- 0.500.28***- 5.960.47西班牙- 0.080.12***0.40***0.13***- 0.020.06***- 0.540.01- 0.120.04**- 0.090.04**- 1.51- 0.030.51***0.28***- 0.520.06**- 0.370.03**0.000.00- 0.66- 0.07- 0.470.04**- 1.51- 0.11- 1.16- 0.14- 1.38- 0.27- 0.72- 0.10- 0.99- 0.050.76***0.13***- 1.210.09***- 9.680.26意大利- 0.310.12***0.41***0.16***0.050.09***- 0.390.08***0.46***0.11***0.06**0.11***- 1.510.02**0.76***0.27***0.010.13***0.13**0.09***0.66***0.07***0.000.000.000.11***- 1.52- 0.04- 1.10- 0.08- 1.91- 0.17- 0.150.00- 0.900.09***1.51***0.20***- 0.330.21***- 4.081.56荷兰- 0.140.13***0.47***0.15***0.23**0.06**- 0.950.05**0.15**0.08***- 0.340.10***- 3.13- 0.090.65***0.27***0.08**0.000.21**- 0.030.47***- 0.040.00- 0.110.000.00- 1.98- 0.21- 1.20- 0.17- 3.12- 0.30- 0.27- 0.07- 0.840.05**1.70***0.19***- 1.660.22***- 9.680.27英国- 0.430.14***1.17***0.22***0.89***0.13***0.16**0.12***1.53***0.22***0.36***0.16***- 1.01- 0.011.01***0.33***1.83***0.18***1.66***0.15***1.51***0.11***1.52***0.04**1.98***0.21***0.000.000.31***- 0.07- 1.24- 0.220.76***- 0.04- 0.330.022.23***0.18***- 0.620.16***13.312.03美国- 0.260.12***1.03***0.16***1.17***0.02**- 0.31- 0.130.99***- 0.020.39***0.06***- 1.32- 0.520.74***0.52***1.20***0.15***1.16***0.15***1.16***0.14***1.10***0.08***1.20***0.17***- 0.310.07***0.000.00- 1.11- 0.26- 0.25- 0.11- 2.05- 0.161.81***0.09***- 1.750.13***4.600.68加拿大- 0.410.12***1.30***0.25***1.59***0.14***0.94***0.10***1.98***0.29***1.05***0.23***0.58***- 0.22- 0.100.57***2.50***0.24***2.37***0.22***1.38***0.27***1.91***0.17***3.12***0.30***1.24***0.22***1.11***0.26***0.000.001.97***0.13***- 1.550.10***2.26***0.28***- 0.520.24***22.753.88墨西哥0.35***0.13***1.33***0.21***1.78***0.11***- 0.220.03**2.75***0.19***0.46***0.08***- 0.280.010.86***0.64***0.21**0.04**- 0.230.05**0.72***0.10***0.15**0.000.27**0.07***- 0.760.04**0.25**0.11***- 1.97- 0.130.000.00- 1.83- 0.201.34***0.10***- 2.64- 0.012.551.59巴西0.23**0.15***1.30***0.24***1.49***0.16***1.05***0.08***2.48***0.29***1.52***0.13***0.94***0.12***2.51***1.04***0.64***- 0.090.49***- 0.070.99***0.05**0.90***- 0.090.84***- 0.050.33***- 0.022.05***0.16***1.55***- 0.101.83***0.20***0.000.002.58***0.23***- 0.390.0023.332.43阿根廷0.050.06***- 0.120.08***- 0.74- 0.01- 1.36- 0.090.14**0.08***- 0.410.00- 1.21- 0.05- 0.020.53***- 1.58- 0.21- 1.58- 0.18- 0.76- 0.13- 1.51- 0.20- 1.70- 0.19- 2.23- 0.18- 1.81- 0.09- 2.26- 0.28- 1.34- 0.10- 2.58- 0.230.000.00- 2.06- 0.29- 23.10- 1.47原油1.37***0.20***2.26***0.22***2.40***0.14***2.33***0.09***3.21***0.30***2.11***0.03**1.34***0.16***1.54***1.87***1.41***- 0.280.50***- 0.281.21***- 0.090.33***- 0.211.66***- 0.220.62***- 0.161.75***- 0.130.52***- 0.242.64***0.010.39***0.002.06***0.29***0.000.0029.651.71TMNRSIN6.872.3514.193.6111.190.81- 10.11- 0.9318.491.902.830.29- 19.49- 2.5012.538.487.19- 0.605.96- 0.479.68- 0.264.08- 1.569.68- 0.27- 13.31- 2.03- 4.60- 0.68- 22.75- 3.88- 2.55- 1.59- 23.33- 2.4323.101.47- 29.65- 1.71表5 “新冠”疫情期间国际股市两两交互的边际净溢出效应分析的风险净溢出效应，基于VaR 与基于收益率的边际净溢出效应均进入到第 5（或第1）个百分位数，在一定程度上成为境外风险冲击中国内地金融市场的渠道。结合以上两两交互的边际净溢出效应的分析结果，本文在图15中展示了3 月9 日及3 月12日间，全球金融风险传导情况。此外，为了更直观地考察各股市的风险随着疫情发展的动态演变，我们在图15（a）中画出了美国第一次“熔断”前一周的风险传导图。图15（a）表明，在3 月2 日，各金融市场间风险净溢出程度较低，其中，我国由于在早期受“新冠”疫情影响较大，存在一定的风险输出。而随着“新冠疫情”成为全球重大公共卫生事件，各国（地区）金融市场间风险溢出效应显著增加。图15（b）与（c）显示，各市场间进入第1 个百分位数的连线（深色有向连线）明显变密，而我国内地市场也随着国内局势的稳定逐步转变为风险接受者。美国、加拿大以及巴西的节点相对较大，指向其他节点的箭头数量也较多，这表明美洲市场的净溢出强度高，且受其影响资本市场数目较多。值得注意的是，随着“新冠”疫情在欧洲的大范围扩散，欧洲市场也对大部分其他国家（地区）产生了明显的风险传导。- - 29注：*** 与**分别表示边际净溢出效应进入到第1 与第5 个百分位数。市场中国内地中国香港韩国新加坡日本印度澳大利亚俄罗斯法国德国西班牙意大利荷兰英国美国加拿大墨西哥巴西阿根廷原油TMNRSOUTPanel B：3 月12日VaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturnVaRReturn中国内地0.00-0.28-0.23-0.74-0.19-0.79-0.20-0.08-0.15-1.67-0.26-1.16-0.13-0.38-0.12-1.39-0.05-1.57-0.07-1.22-0.06-1.58-0.08-1.36-0.06-1.62-0.07-1.65-0.12-2.07-0.05-0.67-0.10-1.30-0.16-0.05-0.52-0.03-20.09-2.19中国香港0.28**0.23***0.00-1.00-0.38-0.50-0.240.26**-0.21-2.49-0.77-1.50-0.47-0.27-0.23-0.97-0.23-1.10-0.25-1.17-0.30-1.38-0.28-0.71-0.21-1.30-0.31-1.57-0.42-3.08-0.49-0.91-0.21-2.05-0.49-0.04-0.10-0.90-0.02-20.40-5.40韩国0.74***0.19***1.00***0.38***0.000.06**0.15***0.63***0.08***-2.00-0.36-1.22-0.26-0.480.04**-0.52-0.05-0.87-0.06-0.67-0.12-0.99-0.11-0.390.01-1.04-0.13-1.57-0.36-3.54-0.42-0.92-0.04-2.63-0.360.16**0.02-0.800.08***-15.03-1.33新加坡0.79***0.20***0.50***0.24***-0.06-0.150.000.37***-0.05-1.62-0.56-1.30-0.49-0.55-0.11-0.18-0.18-0.20-0.31-0.28-0.70-0.240.03-0.14-0.66-0.27-0.81-0.47-2.73-0.62-0.34-0.16-2.36-0.560.23**-0.06-0.410.03**-10.32-4.05日本0.08**0.15***-0.260.21***-0.63-0.08-0.370.05**0.00-2.10-0.43-1.40-0.48-0.27-0.10- 0.93- 0.15-1.29-0.18-1.98-0.26-1.90-0.25-0.62-0.11-1.56-0.29-1.32-0.39-3.65-0.60-1.19-0.15-2.69-0.53-0.08-0.06-1.160.02**-23.34-3.64印度1.67***0.26***2.49***0.77***2.00***0.36***1.62***0.56***2.10***0.43***0.000.05-0.141.12***0.13***0.79***0.000.29***0.010.20**-0.11-0.40-0.081.45***0.10***0.44***-0.12-0.22-0.55-4.31-0.86-0.060.07***-2.69-0.460.10**0.08***-1.530.16***5.100.60澳大利亚1.16***0.13***1.50***0.47***1.22***0.26***1.30***0.49***1.40***0.48***-0.050.14***0.001.07***0.37***1.92***0.17***1.65***0.18***0.86***0.000.64***0.06***2.32***0.34***1.14***0.11***0.77***-0.24-2.56-0.400. 45***0.03**-1.74-0.430.27**0.09***-0.360.23***12.982.51俄罗斯0.38***0.12***0.27**0.23***0.48***-0.040.55***0.11***0.27**0.10***-1.12-0.13-1.07-0.370.00-0.51-0.03-0.66-0.09-0.94-0.13-1.07-0.12-0.040.01-0.22-0.08-0.09-0.42-1.78-0.500.12**-0.02-1.94-0.57-0.010.07***0.63***0.39***-6.77-1.45法国1.39***0.05**0.97***0.23***0.52***0.05**0.18**0.18***0.93***0.15***-0.790.00-1.92-0.170.51***0.03**0.00-0.48-0.11-0.88-0.25-1.23-0.190.27**0.03**-1.48-0.21-1.40-0.32-4.84-0.41-0.28-0.02-2.89-0.040.030.16***-1.800.12***-13.17-0.72德国1.57***0.07***1.10***0.25***0.87***0.06***0.18**0.20***1.29***0.18***-0.29-0.01-1.65-0.180.66***0.09***0.48***0.11***0.00-0.20-0.14-0.82-0.090.76***0.14***-0.99-0.13-1.12-0.29-4.78-0.37-0.240.02-2.70-0.03-0.070.16***-1.970.14***-7.930.16西班牙1.22***0.06***1.17***0.30***0.67***0.12***0.31***0.28***1.98***0.26***-0.200.11***-0.860.000.94***0.13***0.88***0.25***0.20**0.14***0.00-0.480.05**1.12***0.27***-0.95-0.01-0.98-0.21-4.41-0.33-0.260.04**-2.77-0.030.050.18***-1.920.13***-4.311.75意大利1.58***0.08***1.38***0.28***0.99***0.11***0.70***0.24***1.90***0.25***0.40***0.08***-0.64-0.061.07***0.12***1.23***0.19***0.82***0.09***0.48***-0.050.001.47***0.20***-0.41-0.03-0.77- 0.20-4.00-0.30-0.090.04**-2.55-0.010.020.18***-1.760.14***1.821.35荷兰1.36***0.06**0.71***0.21***0.39***-0.01-0.030.14***0.62***0.11***-1.45-0.10-2.32-0.340.04-0.01-0.27-0.03-0.76-0.14-1.12-0.27-1.47-0.200.00-1.75-0.27-1.46-0.38-5.08-0.52-0.38-0.05-3.00-0.130.020.13***-1.750.12***-17.68-1.68英国1.62***0.07***1.30***0.31***1.04***0.13***0.66***0.27***1.56***0.29***-0.440.12***-1.14-0.110.22**0.08***1.48***0.21***0.99***0.13***0.95***0.010.41***0.03**1.75***0.27***0.00-0.28-0.29-4.30-0.380.09**0.01-2.76-0.15-0.050.14***-1.700.16***1.401.31美国1.65***0.12***1.57***0.42***1.57***0.36***0.81***0.47***1.32***0.39***0.22**0.55***-0.770.24***0.09**0.42***1.40***0.32***1.12***0.29***0.98***0.21***0.77***0.20***1.46***0.38***0.28**0.29***0.00-2.740.11***0.45***0.23***-2.48-0.080.39***0.25***-0.670.32***7.425.50加拿大2.07***0.05**3.08***0.49***3.54***0.42***2.73***0.62***3.65***0.60***4.31***0.86***2.56***0.40***1.78***0.50***4.84***0.41***4.78***0.37***4.41***0.33***4.00***0.30***5.08***0.52***4.30***0.38***2.74***-0.110.002.05***0.18***-0.21-0.050.39***0.12***0.24**0.06**56.346.44墨西哥0.67***0.10***0.91***0.21***0.92***0.04**0.34***0.16***1.19***0.15***0.06**-0.07-0.45-0.03-0.120.020.28**0.02**0.24**-0.020.26**-0.040.09**-0.040.38***0.05**-0.09-0.01-0.45-0.23-2.05-0.180.00-1.97-0.610.32***0.06**-0.470.15***0.07-0.28巴西1.30***0.16***2.05***0.49***2.63***0.36***2.36***0.56***2.69***0.53***2.69***0.46***1.74***0.43***1.94***0.57***2.89***0.04**2.70***0.03**2.77***0.03**2.55***0.013.00***0.13***2.76***0.15***2.48***0.08***0.21**0.05**1.97***0.61***0.000.67***0.48***0.88***0.64***40.275.81阿根廷0.05**0.040.10***-0.16-0.02-0.230.06***0.08**0.06***-0.10-0.08-0.27-0.090.01-0.07-0.03-0.160.07**-0.16-0.05-0.18-0.02-0.18-0.02-0.130.05-0.14-0.39-0.25-0.39-0.12-0.32-0.06-0.67-0.480.00-0.500.12***-2.84-1.72原油0.52***0.03**0.90***0.020.80***-0.080.41***-0.031.16***-0.021.53***-0.160.36***-0.23-0.63-0.391.80***-0.121.97***-0.141.92***-0.131.76***-0.141.75***-0.121.70***-0.160.67***-0.32-0.24-0.060.47***-0.15-0.88-0.640.50***-0.120.0016.48-2.98TMNRSIN20.092.1920.405.4015.031.3310.324.0523.343.64-5.10-0.60-12.98-2.516.771.4513.170.727.93-0.164.31-1.75-1.82-1.3517.681.68-1.40-1.31-7.42-5.50-56.34-6.44-0.070.28-40.27-5.812.841.72-16.482.98续表5 “新冠”疫情期间国际股市两两交互的边际净溢出效应分析图15“新冠”疫情期间国际边际净溢出的网络分析注：（1）图中节点越大，表示该市场产生的总边际净溢出效应越强；（2）浅色与深色有向线条分别代表边际净溢出效应进入第 5 与第1 百分位数；（3）节点颜色由浅到深分别代表美洲、欧洲以及亚洲区域的国家(地区) 。重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控--30《管理世界》（月刊）2020年第5 期（四）重大突发公共事件下国际金融风险结构关联分析在上述研究的基础上，本文从风险共振（风险分担）的视角，进一步考察了“新冠”这一突发事件对国际金融市场间风险关联的影响。具体而言，我们基于Chen等（2019）的风险结构框架，对全球各主要金融市场间的风险结构联动进行刻画，并在表6 中展示了各市场的风险结构相似度矩阵。首先，由表6 我们可以清楚地发现，在“新冠”这一突发事件的冲击下，全球市场间产生了明显的风险联动，而欧洲市场内部更是存在极为显著的同期风险共振现象。表6 显示，中国内地、中国香港、日本、韩国、新加坡等亚洲市场间的关联度位于 0.23~0.93之间，这表明亚洲市场间存在一定的风险联动关系。与此同时，美洲各股票市场也存在0.66~ 0.99不等的相互关联。值得注意的是，法国、德国、英国、西班牙、意大利与荷兰等国间的关联甚至达到0.94~ 1.00，这就表明欧洲金融市场间存在极为显著的风险共振乃至一体化现象。与此相对应地，3 月12日，德国DAX 指数、法国巴黎CAC 40指数、英国伦敦富时100 指数以及泛欧斯托克600 指数均大幅下跌，跌幅分别高达12.24% 、12.28% 、10.87% 以及11.24% 。因此，“ 新冠”疫情等突发公共事件造成的影响可能在各欧洲市场间共振放大，进而迅速扩散至全球，显著加剧了国际市场所面临的风险冲击。与此同时，我们进一步考察了“新冠”疫情期间，全球风险结构相似度的层次关系，结果见图16。其中，我们分别用不同的线段连接风险结构高度接近、更容易出现风险共振的各个市场。图16显示，在疫情期间，美洲与欧洲国家间存在较强的风险结构同质性，在外部冲击下的表现可能存在明显的相似性。与此同时，与表6市场中国内地中国香港韩国新加坡日本印度澳大利亚俄罗斯法国德国西班牙意大利荷兰英国美国加拿大墨西哥巴西阿根廷平均中国内地0.000.730.650.860.440.230.57- 0.660.000.000.000.000.000.000.410.300.250.330.630.26中国香港0.730.000.880.930.600.710.900.000.630.600.540.560.600.650.840.820.730.840.960.69韩国0.650.880.000.810.890.460.630.000.540.540.400.450.580.590.550.600.680.600.840.59新加坡0.860.930.810.000.580.450.78- 0.550.340.300.230.280.330.380.660.620.630.650.930.51日本0.440.600.890.580.000.000.22- 0.380.310.330.000.220.400.370.000.240.520.240.610.31印度0.230.710.460.450.000.000.900.460.870.850.910.860.800.850.960.950.630.950.620.69澳大利亚0.570.900.630.780.220.900.000.000.720.670.700.680.640.710.980.930.680.950.850.70俄罗斯- 0.660.000.00- 0.55- 0.380.460.000.000.550.580.660.610.530.510.000.300.000.24- 0.290.14法国0.000.630.540.340.310.870.720.550.001.000.980.990.991.000.790.910.830.880.630.72德国0.000.600.540.300.330.850.670.581.000.000.980.990.990.990.750.880.800.850.590.70西班牙0.000.540.400.230.000.910.700.660.980.980.000.980.940.950.800.890.710.870.520.67意大利0.000.560.450.280.220.860.680.610.990.990.980.000.980.990.760.900.820.850.570.69荷兰0.000.600.580.330.400.800.640.530.990.990.940.980.000.990.700.860.860.820.620.70英国0.000.650.590.380.370.850.710.511.000.990.950.990.990.000.770.910.870.870.660.72美国0.410.840.550.660.000.960.980.000.790.750.800.760.700.770.000.960.660.980.780.69加拿大0.300.820.600.620.240.950.930.300.910.880.890.900.860.910.960.000.830.990.800.76墨西哥0.250.730.680.630.520.630.680.000.830.800.710.820.860.870.660.830.000.780.830.67巴西0.330.840.600.650.240.950.950.240.880.850.870.850.820.870.980.990.780.000.820.75阿根廷0.630.960.840.930.610.620.85- 0.290.630.590.520.570.620.660.780.800.830.820.000.66表6 “新冠”疫情期间国际金融风险结构关联分析图16“新冠”疫情期间国际金融风险结构聚类分析注：（1）连接处的纵轴值表示新连接的两类市场间的距离，距离越小则表明两类市场的风险结构越接近，更易出现风险共振现象，距离越大则表示两类市场之间存在较强的风险结构异质性。（2）使用不同线段连接的市场之间风险结构关联较为紧密，容易产生风险共振。- - 31的结论相一致，较之亚洲与美洲市场，欧洲各金融市场间连接处的纵轴值最低，这表明此类市场的风险结构极为接近。此外，亚洲市场的风险结构也较为相似，在受到外部冲击时，我国内地市场与中国香港、新加坡等市场易出现明显的风险联动与共振的现象。四、结论与建议本文对“非典”疫情的分析结果显示，该突发公共事件对我国消费、生产价格指数、交通运输等宏观经济部门造成了阶段性的负面冲击，同时也对消费价格指数、一般公共预算支出产生了显著的正向影响。其中，在初期，此类突发事件特有的不确定性与急剧扩散性使得消费者信心遭受冲击，交通运输严重受阻，从而易引发恐慌情绪与悲观预期，使得消费意愿大幅减弱、CPI 指数也随之快速上扬。直至突发事件进入缓解与消退阶段后，消费者情绪逐渐恢复，预期指数回落至稳态水平，市场预期随之转好。与此同时，这一突发公共事件对我国汇率市场的不利影响相对持久，在6 个月后才开始逐步消退。随着现阶段我国经济增速放缓、上市企业杠杆率不断攀升、国际金融市场频繁震荡，各金融部门、市场间的关联更为紧密，此类重大突发公共事件将进一步加大我国金融风险防控的难度与挑战。由此，本文考察了2020年“新冠”疫情对我国股票市场的冲击情况，深入分析疫情期间金融市场各部门间的风险传导。结果显示，该事件在春节后的首个交易日（2020年2 月3 日），对我国各部门造成了显著的负面冲击，大幅提高了各部门之间的风险共振与风险溢出效应，并使得风险传导途径产生显著变化。其中，金融、房地产、信息技术与日常消费行业在事件期间的风险输出力度大幅提高，医疗保健、公用事业以及工业板块则成为了主要的风险接受方。这表明由于“新冠”此类突发公共卫生事件的特殊性，医疗保健、公用事业受疫情冲击较小，同时，得益于较为完善的工业体系，我国工业部门具备一定的抗风险能力，因此上述部门的风险溢出效应均不显著。然而，该事件除了致使消费需求疲软外，更是使得产业链与供应链出现“累积效应”，对下游各部门的资金链产生显著的风险冲击，引发中小企业比例较高的日常消费业剧烈震荡，金融部门风险陡升，易对其他行业产生跨部门传导，大大加剧了系统性金融风险隐患。但总体而言，该事件对金融市场的冲击较为短暂，我国股市在2 月4 日已趋于稳定，随着国内疫情防控形势持续向好，各部门走势在此后的一月内较为平稳，风险的净溢出指数恢复低位运行的趋势。在此之后，“新冠”疫情在世界范围内不断蔓延，全球恐慌情绪日益加剧，各股市均出现了巨幅震荡。美国、巴西、加拿大、墨西哥等多国股市暴跌，数次出现大面积“熔断”现象。由此，我们对疫情期间各国（地区）股票市场间金融风险的传导机制展开深入分析，研究表明，在海外疫情爬升、原油价格疲弱的双重冲击下，境外金融市场易出现剧烈波动，美国、巴西与加拿大等国成为了全球资本市场的风险来源方。其中，美国股市更是史无前例地在出现了四次“熔断”，巴西股市也在3 月10日~3月16日连续6 个交易日内五次触发“熔断”机制。而由于“新冠”疫情在欧洲的大范围扩散，欧洲市场的金融风险也对大部分国家（地区）产生了明显的跨市场传导。此外，在事件进一步扩散期间，我国内地市场也随着国内局势的稳定逐步转变为风险接受者，遭受外溢冲击的可能性显著增加。而我国香港市场也对内地市场产生了明显的风险净溢出效应，在一定程度上可能成为境外风险冲击中国内地金融系统的渠道。在此基础上，我们进一步考察了“新冠”这一突发事件对国际市场的风险关联的冲击影响。研究结果表明，亚太市场间存在一定的风险联动关系，我国内地市场与中国香港、新加坡等市场的风险结构较为接近，在受到外部冲击时易出现明显的风险共振现象。而美洲各股票市场也存在0.66~0.99不等的相互关联。与此同时，法国、德国、英国、西班牙等国间的关联达到了0.94~1.00，欧洲金融市场间存在极为显著的风险共振乃至一体化现象。因此，在“新冠”疫情等突发公共事件对单个市场产生显著冲击，使其剧烈震荡后，风险可能快速传导至与其风险结构相似的市场，并在各市场间共振放大，进而迅速扩散至全球，显著加剧了国际市场所面临的潜在风险。由此可见，“防范金融市场异常波动，防控输入性风险”仍然是现阶段我国维护金融市场的安全与稳定所面临的重大挑战。重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控--32《管理世界》（月刊）2020年第5 期基于以上的研究结论，针对完善特殊时期宏观治理应对机制与风险防范对策，本文提出如下建议。（1）长期坚持“促消费、扩内需”的基本政策，促进消费扩容提质与潜力释放。研究表明，在突发公共事件冲击下，受供给端与需求端双重作用，消费行业易出现显著的下行压力，对住宿餐饮业、批发和零售业以及其他产业均产生明显的负面冲击。与此同时，各中小企业由此可能产生的资金链断裂与资产质量恶化现象，将进一步影响居民就业与收入，致使失业率攀升、国民收入减少，从而抑制了消费需求增长，加大经济下行压力。此外，据中国国家统计局数据显示，2019年我国最终消费支出对GDP 增长的贡献率为57.80% ，较之2018年的65.90% 略有下滑，消费增长乏力问题隐现。在此背景下，为了应对突发公共事件的严重冲击，我们应当将“促消费、扩内需”作为长期坚持的基本政策，结合“消费券”等方式提振居民消费，进一步改善消费预期和消费环境，扩大有效需求，确保“六保”目标实现���，保障我国经济运行在合理区间。（2）加强对中小企业的金融支持，进一步拓宽直接融资渠道。本文研究结果进一步显示，中小企业占比较大的住宿餐饮业对冲击的敏感性较高，是极易受到外部冲击的薄弱环节。而2002年12月~ 2019年末，我国住宿餐饮业当季增加值增幅高达677% ，在国民经济体系中占据了更为重要的地位。与此同时，现阶段我国中小企业过度依赖银行信贷资金的现象依然较为严重，相关数据显示���，在2019年9 月，我国中小企业通过银行等间接融资的比重高达82% ，直接融资比例仅为18% 。因此，在此类突发性公共事件期间，随着我国中小企业融资与用工压力的不断加大，应当在加强金融支持外，加大“疫情防控”的相关债券的发行力度，进一步拓宽直接融资渠道，并加快推动疫情期间信贷扶持政策的落地。（3）综合使用出口信保等政策性工具，防范跨国企业产业链外移风险。基于“非典”疫情的研究表明，在重大突发公共事件时期，生产价格指数和交通运输会受到明显的负面冲击。而随着经济全球化进程的日益加快，蔓延全球的“新冠”疫情致使中国、美国、日本、印度、柬埔寨等地的工厂大范围停工，同时意大利、俄罗斯等多国切断了部分乃至全部公共交通，严重冲击了制造业与服务业的全球供应链，也在一定程度上推动了跨国公司产业链的分散化趋势。由此可见，在各国经济高度相互依存的现阶段，我们必须综合使用出口信保等政策性工具，加强外贸企业的风险保障，同时可依托云计算、大数据、工业物联网等新技术打造线上外贸平台，进一步推动企业有序恢复生产生活秩序，防范跨国企业产业链外移风险。（4）提高资金使用效率与财政赤字率，同时确保财政可持续发展。研究表明，为了应对突发公共事件导致的消费疲软、预期下滑，同时充分保障物流运送、维持市场供应与物价基本稳定等，一般公共预算支出会随着事件的冲击而显著增加。截至2020年3 月21日，我国各级财政已安排“新冠”疫情防控资金1218亿元，而2020年一季度的财政收入也在突发公共事件的冲击下受到了阶段性的影响，增幅有所放缓，导致财政收支缺口进一步加大。有鉴于此，为了做好较长时间应对外部环境变化准备、确保财政可持续发展，我们需加强疫情防控专用资金监管、敦促银行等金融服务机构提高贷后管理水平，从而切实提高资金使用效率外，也可通过发行国债、地方政府专项债券等方式适当地、阶段性提高财政赤字率，保证积极的财政政策的可持续性。（5）加强金融协调监管机制，针对性防控重点行业金融风险。对我国行业间风险溢出效应的分析发现，突发公共事件的冲击会使得我国金融市场各部门间的风险传导途径产生显著变化。在短期内，我国行业间风险的边际净溢出效应也会出现明显上升。此外，金融资产价格的剧烈调整也会经由财富效应进一步“挫伤”居民消费，进而冲击经济基本面。因此，我们应当加强金融协调监管机制，实时监测突发公共事件发生时各行业风险的动态变化，重点监控金融、房地产等主要的风险输出部门，加强对房地产投资信托、房地产债券以及房地产股本等新型金融模式的监管力度，避免风险由关联网络中的薄弱环节向其他部门发生跨部门、跨行业传导，防范系统性金融风险，维护金融市场的安全与稳定。（6）加强外汇资产负债管理，避免国际风险外溢冲击。本文的分析结果表明，“ 非典”疫情使得我国外汇市场受到了阶段性冲击。而“新冠”疫情期间，巴西、加拿大、英国与美国等成为了全球资本市场风险的主要来源，对全球金融市场均产生了明显的溢出效应，也对我国股市产生了风险传导，美国、巴西、加拿大等多国的数次熔断更是大大提高了全球金融系统的脆弱性。同时，我国内地市场与中国香港、新加坡等市场结构相似，易- - 33出现明显的风险共振现象，大大加剧了输入性风险的隐患。因此，现阶段我们应当重点关注并防控来自美国、加拿大、巴西等系统性重要国家的风险冲击，在推进“粤港澳大湾区发展战略”的同时，防范由“香港→内地资本市场”的输入性金融风险。此外，在此类重大突发公共事件期间，随着全球金融市场脆弱性攀升，部分国家主权信用和汇率进一步承压，我国必须加强外汇资产负债管理，平衡跨境资本流动，充分缓释“境外输入性金融风险”。（7）最后值得注意是，尽管本文研究发现，“ 非典”这一突发公共卫生事件并未改变我国经济长期向好的基本面，但在短期内还是对我国相关的宏观经济部门产生了显著的负面冲击，而且2020年的“新冠”疫情更是引发了国内金融市场、以及全球股市出现大范围的风险联动。同时，需要进一步指出的是，“ 新冠”疫情的影响范围更广，持续时间更长久，并对全球产业链、供应链以及资金链均造成严重的冲击，引发了全国乃至世界范围内的生产经营活动停滞，全球贸易量急剧下滑。而我国出现了改革开放以来的首次经济负增长，2020年一季度初步核算的国内生产总值同比下降6.8% 。这就意味着，我们若不及时采取有效措施应对诸如“新冠”等“黑天鹅”事件造成的负面影响、乃至经济短期下行压力，将极有可能因资本市场的剧烈震荡而引发系统性金融风险，并使得经济增速大幅放缓，甚至造成经济萧条的局面。因此，我们必须对此保持高度审慎的态度，在采取措施防止重大突发公共卫生事件影响进一步蔓延的同时，加大宏观调控力度，防止实体经济持续下滑、防控国内外金融风险交叉传导，缓解突发公共事件对我国宏观经济与金融市场造成持续性的冲击。（作者单位：中山大学岭南学院。责任编辑：李逸飞）注释①在此基础上，许多学者纷纷使用FAVAR模型对货币政策、通货膨胀等宏观经济问题展开深入研究（Herrera and Rangaraju，2019；Kamber and Wong，2020）。②受篇幅所限，各信息集中的具体指标以备索方式提供。③官方公布的确诊人数作为公众了解突发公共卫生事件的重要变量，在一定程度上代表着该事件的影响强度。在中国国务院卫生部新闻办公室每日发布相关数据前，本文假定居民均仅知悉此事，因此我们用1 作为代理变量，而采用其他固定数值得到的分析结论依然稳健。④由于篇幅限制，本文在此并未列出所有的分析结果，感兴趣的读者可以向作者索取。⑤中国国家统计局公布的数据显示，中国2003年四季度GDP 增速分别为11.1% 、9.1% 、10.0% 以及10.0% ，仅在二季度放缓2 个百分点，第三与第四季度的经济上行趋势并未改变。⑥2018年8 月20日，国务院促进中小企业发展工作领导小组第一次会议强调“要充分认识促进中小企业发展的重要性”。⑦递归估计基期为2015年1 月5 日~ 2015年12月31日，终期为2015年1 月5 日~ 2020年2 月28日。⑧为了节省篇幅，2020年1 月22日的分析结果没有报道，以备索的方式提供。⑨递归估计基期为2015年1 月5 日~ 2015年12月31日，终期为2015年1 月5 日~ 2020年3 月18日。⑩由于篇幅限制，本文未列出3 月16日与3 月18日两次“熔断”的分析结果，其余结果以备索的形式提供。��� 2020年4 月17日中央政治局会议指出要“保居民就业、保基本民生、保市场主体、保粮食能源安全、保产业链供应链稳定、保基层运转”。��� 由国务院发展研究中心产业经济研究部部长赵昌文在 2019年11月25日2019资本市场服务中小企业国际研讨会上指出。参考文献（1）方意：《系统性风险的传染渠道与度量研究——兼论宏观审慎政策实施》，《 管理世界》，2016年第8 期。（2）梁琪、郝毅：《地方政府债务置换与宏观经济风险缓释研究》，《 经济研究》，2019年第4 期。（3）刘晓星、张旭：《中央银行的实时时变偏好行为研究》，《 经济研究》，2018年第10期。（4）莫万贵、袁佳、魏磊、高海燕：《中国结构性通缩中的周期性与结构性问题》，《 金融研究》，2019年第3 期。（5）杨子晖、陈雨恬、陈里璇：《极端金融风险的有效测度与非线性传染》，《 经济研究》，2019年第5 期。（6）杨子晖、周颖刚：《全球系统性金融风险溢出与外部冲击》，《 中国社会科学》，2018年第12期。（7）Abbate ，A. ，Eickmeier，S. ，Lemke ，W. and Marcellino，M.，2016，“ The Changing International Transmission of Financial Shocks：Evi⁃dence from a Classical Time-varying FAVAR ”，Journal of Money，Credit and Banking ，Vol.48，pp.573~ 601.（8）Bai，H. ，Hou，K. ，Kung，H. ，Li ，E. X. and Zhang ，L. ，2019，“ The CAPM Strikes Back？An Equilibrium Model with Disasters”，Jour ⁃nal of Financial Economics，Vol.131 ，pp.269~ 298.（9）Ballester，L. ，Casu ，B. and González-Urteaga，A. ，2016，“ Bank Fragility and Contagion：Evidence from the Bank CDS Market”，Jour ⁃nal of Empirical Finance，Vol.38，pp.394~ 416.（10）Baruník，J. and K r ˇehlík ，T. ，2018，“ Measuring the Frequency Dynamics of Financial Connectedness and Systemic Risk”，Journal ofFinancial Econometrics，Vol.16，pp.271~ 296.（11）Bernanke ，B. S.，Boivin，J. and Eliasz，P. ，2005，“ Measuring the Effects of Monetary Policy ：a Factor-Augmented Vector Autoregres⁃重大突发公共事件下的宏观经济冲击、金融风险传导与治理应对疫情影响与防控- - 34《管理世界》（月刊）2020年第5 期sive （FAVAR）Approach ”，The Quarterly Journal of Economics，Vol.120 ，pp.387~ 422.（12）Boehm ，C. E.，Flaaen ，A. and Pandalai-Nayar，N. ，2019，“ Input Linkages and the Transmission of Shocks ：Firm-level Evidence fromthe 2011Tōhoku Earthquake ”，Review of Economics and Statistics ，Vol.101 ，pp.60~ 75.（13）Chen，C. Y. H. ，Härdle ，W. K. and Okhrin，Y. ，2019，“ Tail Event Driven Networks of SIFIs”，Journal of Econometrics ，Vol. 208 ，pp.282~ 298.（14）Chesney，M.，Reshetar，G. and Karaman ，M.，2011，“ The Impact of Terrorism on Financial Markets ：An Empirical Study”，Journal ofBanking and Finance ，Vol.35，pp.253~ 267.（15）Deryugina，T. ，Kawano，L. and Levitt，S. ，2018，“ The Economic Impact of Hurricane Katrina on its Victims ：Evidence from Individu⁃al Tax Returns”，American Economic Journal: Applied Economics，Vol.10，pp.202~ 33.（16）Di Maggio，M.，Kermani，A. and Song，Z. ，2017，“ The Value of Trading Relations in Turbulent Times”，Journal of Financial Econom ⁃ics ，Vol.124 ，pp.266~ 284.（17）Dicks，D. L. and Fulghieri，P. ，2019，“ Uncertainty Aversion and Systemic Risk ”，Journal of Political Economy ，Vol. 127 ，pp.1118~1155.（18）Diebold，F. X. and Yılmaz，K. ，2014，“ On the Network Topology of Variance Decompositions ：Measuring the Connectedness of Finan⁃cial Firms”，Journal of Econometrics ，Vol.182 ，pp.119~ 134.（19）Galariotis ，E. ，Makrichoriti ，P. and Spyrou ，S. ，2018，“ The Impact of Conventional and Unconventional Monetary Policy on Expecta ⁃tions and Sentiment”，Journal of Banking and Finance，Vol.86，pp.1~ 20.（20）Goh，C. and Law ，R. ，2002，“ Modeling and Forecasting Tourism Demand for Arrivals with Stochastic Nonstationary Seasonality andIntervention ”，Tourism management ，Vol.23，pp.499~ 510.（21）Guidolin，M.，Hansen ，E. and Pedio，M.，2019，“ Cross-asset Contagion in the Financial Crisis ：A Bayesian Time-varying ParameterApproach ”，Journal of Financial Markets ，Vol.45，pp.83~ 114.（22）Hartmann ，P. ，Straetmans，S. and Vries，C. D.，2004，“ Asset Market Linkages in Crisis Periods”，Review of Economics and Statistics，Vol.86，pp.313~ 326.（23）Herrera，A. M. and Rangaraju，S. K.，2019，“ The Quantitative Effects of Tax Foresight ：Not all States are Equal ”，Journal of Econom ⁃ic Dynamics and Control ，Vol.107 ，pp.1~ 34.（24）Jang ，T. S. and Sacht，S. ，2019，“ Forecast Heuristics ，Consumer Expectations and New-keynesian Macroeconomics ：a Horse Race ”，Journal of Economic Behavior and Organization ，forthcoming.（25）Kamber，G. and Wong，B. ，2020，“ Global Factors and Trend Inflation”，Journal of International Economics，forthcoming.（26）Lahiri，K. ，Monokroussos，G. and Zhao，Y. ，2016，“ Forecasting Consumption：The Role of Consumer Confidence in Real Time withMany Predictors”，Journal of Applied Econometrics ，Vol.31，pp.1254~ 1275.（27）Lanfear ，M. G.，Lioui，A. and Siebert ，M. G.，2019，“ Market Anomalies and Disaster Risk ：Evidence from Extreme Weather Events”，Journal of Financial Markets ，Vol.46，pp.100477.（28）Lasfer，M. A.，Melnik ，A. and Thomas，D. C.，2003，“ Short-term Reaction of Stock Markets in Stressful Circumstances ”，Journal ofBanking and Finance ，Vol.27，pp.1959~ 1977.（29）Lemmon，M. and Portniaguina，E. ，2006. ，“ Consumer Confidence and Asset Prices：Some Empirical Evidence”，The Review of Finan⁃cial Studies ，Vol.19，pp.1499~ 1529.（30）Liu，Z. ，Spiegel ，M. M. and Tai，A. ，2017，“ Measuring the Effects of Dollar Appreciation on Asia ：A FAVAR Approach”，Journal ofInternational Money and Finance ，Vol.74，pp.353~ 370.（31）Marcellino，M. and Sivec，V. ，2016，“ Monetary，Fiscal and Oil Shocks：Evidence Based on Mixed Frequency Structural FAVARs ”，Journal of Econometrics ，Vol.193 ，pp.335~ 348.（32）Pacini，C. and Marlett ，D. C.，2001，“ The Market Valuation and Trading Volume Effects of the Creation of the Florida Hurricane Ca ⁃tastrophe Fund on Property-liability Insurers ”，Journal of Business Finance and Accounting ，Vol.28，pp.407~ 445.（33）Ragin，M. A. and Halek，M.，2016，“ Market Expectations Following Catastrophes：An Examination of Insurance Broker Returns ”，Journal of Risk and Insurance，Vol.83，pp.849~ 876.（34）White，H. ，Kim ，T. H. and Manganelli ，S. ，2015，“ VAR for VaR ：Measuring Tail Dependence Using Multivariate Regression Quan⁃tiles ”，Journal of Econometrics ，Vol.187 ，pp.169~ 188.（35）Worthington ，A. C.，2008，“ The Impact of Natural Events and Disasters on the Australian Stock Market ：A GARCH-M Analysis ofStorms ，Floods ，Cyclones，Earthquakes and Bushfires ”，Global Business and Economics Review ，Vol.10，pp.1（36）Yang，Z. and Zhou，Y. ，2017，“ Quantitative Easing and Volatility Spillovers across Countries and Asset Classes”，Management Sci⁃ence ，Vol.63，pp.333~ 354.（37）Zhang，W.，Zhuang ，X. ，Lu，Y. and Wang，J. ，2020，“ Spatial Linkage of Volatility Spillovers and its Explanation across G 20StockMarkets：A Network Framework”，International Review of Financial Analysis，forthcoming .- - 35Macroeconomic Shock, Financial Risk Transmission and GovernanceResponse to Major Public EmergenciesYang Zihui, Chen Yutian and Zhang Pingmiao（Lingnan College, Sun Yat-sen University）Summary: With the rapid spread of COVID- 19in early 2020, investigating the impact of public emergencies onChina's economic and further analyze the transmission channels, impact it has become extremely essential to investi⁃gate and spillover effects of financial risks among various sectors in China, as well as global stock markets.Firstly, the existing literature mainly focus on the impact of nature disasters such as earthquakes and hurricaneson the macro economy, ignoring public health emergencies. Secondly, the short durationofmajor public emergencies maylimit the time span of macro data, and finally generates the “Curse of dimension ”problem（Marcellino and Sivec, 2016 ）.Therefore, it is difficult to conduct a comprehensive analysis of the impact of these emergencies（Galariotis et al., 2018 ）.Moreover, current research only conduct comparative analysis before and after the emergency, rarely investigating theimpact of the emergency itself on the macro sectors （Boehm et al., 2019 ）. Besides, Bernanke et al. （2005 ）constructedfactor augmented vector autoregressive （FAVAR）model, which can analyze a large number of highly interacted globalvariables at the same time （Abbate et al., 2016 ）, overcoming the limitations of macro data. Finally, the existing studiespay little attention to the impact of major public health emergencies on the capital market. However, the latest researchshows that public emergencies will cause obvious risk spillover effects （White et al., 2015 ）, lead to a sharp rise in marketuncertainty increase the vulnerability of the financial system （Dicks and Fulghieri, 2019）.In this study, we use FAVAR modelto investigate the impact of the SARS on 16sectors of China's macroeconom ⁃ic and financial markets, with a total of 174 variables. Moreover, this paper uses risk spillover network method tostudy the dynamic evolution of the risk transmissionfinancial sectors in China during the outbreak of the COVID-19.Then, we further analyze the risk spillover effect in the international stock market. Finally, based on the risk profileframework of Chen et al. （2019）, this paper explores the co-movement of the global markets during this period.The main conclusions of this paper are as follows.（1）The COVID-19caused a significant negative impact onvarious departments in China on February 3rd, 2020.The risk output of finance, real estate, information technologyand daily consumer industries increased significantly during the emergency, while the health care, public utilities andindustrial sectors became the main risk recipients. （2）Due to the COVID-19, the United States, Brazil, and Canadabecame the sources of risk in the global market, while financial risks of the European market also affected most mar⁃kets. （3）During the epidemic period, co-movement widely existed inside the Asia-Pacific markets. And the intensityof integration and co-movement inside the European financial market has significantly increased. （4）The SARScaused significant negative effects on China's macro economy in the short term. And the impact of the COVID- 19iswider and lasts longer, so we must maintain a much more cautious attitude.Finally, six policy implications are put forwards as follows.（1）We should adhere to the basic of“promoting con ⁃sumption and expanding domestic demand”for a long time; （2）Further expand the direct financing channels so as tostrengthen the financial support for small and medium-sized enterprises; （3）The government should use export creditinsurance and other policy tools to support the development of transnational enterprises; （4）In addition, we should im ⁃prove the efficiency of the use of funds and the rate of fiscal deficit, while ensuring the sustainable development of fi⁃nance; （5）It is very necessary for government to strengthen the financial coordination and supervision mechanism toprevent and control the financial risks of key sectors; （6）We should also improve the management of foreign exchangeassets and liabilities to avoid the impact of international risk spillover.Keywords: public emergency, macro-economics, systemic financial risk, governance responsesJEL Classification : C 32, G 01, G 18- - II