疫情背景下物流企業間極端風險溢出效應研究
——以順豐控股和圓通速遞為例

曾從豪（南京林業大學 經濟管理學院，江蘇 南京 210037）

0 引言

物流概念在國外已有近百年的發展史，日本從美國引用了PD（Physical Distribution）概念，并用日文“物流”代替，我國如今日常使用的“物流”一詞，便是從日文翻譯而來。

1978 年11 月，原國家物資總局副局長陶立同志率領由17 人組成的中國物資工作考察團前往日本學習生產資料管理和流通情況，并出版和發行了《外國和港澳地區物資管理考察》一書。1979 年10 月，日本物的流通協會副會長十時昌、東京大學教授林周二等人組成的日本物的流通協會物流訪華團，在我國北京、上海、成都等多地進行學術講演，詳細介紹了國外物流發展現狀以及物流管理經驗，在我國引起強烈反響，“物流”一詞也因此在國內迅速傳播開來。1988 年，我國設立物資部，開展了物資運輸的專項行動。1992 年，小平同志在南巡講話中表示，要建立社會主義市場經濟體制、拓展物流外包、提高物流管理水平，引進國外的物流思想、技術和模式，最終達到讓中國的物流企業走上正軌的目標。與此同時，民營物流企業也在快速發展，國有物流企業向現代物流企業轉變，國有和民營兩方形成了新格局。21 世紀初，我國正式加入WTO。隨著改革開放進程的加快，現代物流也隨之進入了“新紀元”。近15 年來，我國物流業發展極其迅猛，覆蓋范圍急劇擴大，包括了以順豐、韻達等為代表的快遞業，以美團、達達等為代表的即時速送業，以百世、招商為代表的倉儲業。作為經濟大國，中國的物流市場十分龐大，到2018 年為止，我國第三方物流規模就已經達到了2 400 億美元，位居世界前列。物流已經是市場經濟的重要一環，連接著各行各業，聯通著千家萬戶，是加快經濟發展、保障民生建設的重要內容。

然而，隨著“新冠肺炎”疫情不斷蔓延，全國各地的鐵路、公路、水路、民航運輸都受到了嚴重的影響。我國也開始出臺限制國外航班、輪船、旅客等的入境和登陸，這次突然發生的“黑天鵝”事件，給我國物流行業帶來了空前的影響。疫情的巨大沖擊下，市場需求降低，客戶訂單減少，生產活動受限，市場競爭加劇，各企業都面臨著盈利困難、收益下降的局面，同時，由于終端零售市場的需求急劇下降，導致進出口貿易受到限制，總體利潤下降。而采取隔離、限制人員流動等措施，會使工作效率下降，使得運輸和物流成本也隨之進一步升高。

一方面，物流企業因復工推遲而出現的人力和運力短缺，導致人力和時間成本上升；另一方面，在多數省份實施交通管制以后，由于道路規劃的限制，導致了跨省的車輛繞行費用的提高，而且由于貨運量的減少，導致了空駛率的提高，使得單車的運輸費用也隨之升高。綜上，疫情的反復使得物流企業面對的風險加劇，因此，研究物流企業間的風險溢出效應對物流企業的風險防范有著重要意義。

1 計量模型

1.1 CoVar 模型。CoVaR 這個概念來源于VaR，它的經濟意義是指一個企業發生風險時，另一個企業因此而承擔的總體風險價值。VaR 表示在某一置信水平下，一個機構可能會遭受的最大損失，VaR 一般表達式為：Prob（ΔP ＞Va R）=1-T，而CoVaR 一般表達式則為：機構i 在機構j 發生風險的情況下所承擔的總體風險是其中機構i 本身的自由風險為VaRi，剝離其自由風險后采用增量來表示機構j 給機構i 帶來的風險，表達式：

1.2 DCC-GARCH 模型。DCC-GARCH 模型是Engle 將CCC-GARCH 模型常數相關假設進行改進得到的動態條件相關GARCH模型，主要用于描述不同變量間動態變化關系和相互影響，可以較好刻畫時變非線性相關關系，其一般步驟是先計算單變量GARCH 模型，后通過所得參數計算多變量間的相關系數ρ。GARCH 模型（以GARCH（1,1）為例）一般表達式如下：

如果涉及到多變量，則涉及到矩陣和協方差概念，公式如下：

其中：為Ht條件協方差矩陣，Dt為條件標準差組成的對角矩陣，Rt為動態相關系數矩陣，Qt為協方差矩陣，Q*為經過殘差標準化后的無條件協方差矩陣，為Qt的對角矩陣。

兩變量間動態相關系數可以表示為：

1.3 DCC-GARCH-CoVaR 模型。在計算出前文DCC-GARCH 模型中動態相關系數情況下，VaR 和CoVaR 的表達式可以分別表示為：

其中：Q（q）為置信水平為1-q 時機構i 收益率所符合的分布下的q 分位數值，ρij,t為t 時刻下兩變量間動態條件相關系數。

2 實證研究

2.1 樣本選擇及描述性統計分析。本文主要選擇了順豐控股和圓通速遞兩只股票日收盤價作為研究對象，原因是順豐控股和圓通速遞在我國物流公司里最具代表性。樣本的起始日期是2021 年1 月1 日，截止日期是2022 年6 月30 日，所有數據均來自于新浪財經網站。在實證研究之前，先將原數據進行預處理，定義股票交易收益率為Rt=ln（Pt/Pt-1），其中：Rt表示當期收益率，Pt表示當日股票收盤價格，Pt-1表示前一日股票收盤價格。用這個方法計算收益率主要優點有：主要考察價格變動率，避免了波動性問題；計算復利時可以將其直接相加，便于直觀地感受一段時間內的收益。

通過Eviews 繪制樣本期間兩支股票收益率趨勢圖，并觀察其走勢。

圖1 描繪了兩支股票的收益率序列，從圖1 中可以看出，順豐控股和圓通速遞的股票收益率均在-0.1 和0.1 區間波動，且呈現出波動聚集特征，即高波動率和低波動率各自聚集在某一時間段。從波動幅度來看，圓通速遞的收益率明顯更為劇烈，即圓通速遞在股票市場表現更為活躍，風險也更大。

圖1 順豐控股和圓通速遞股票收益率時間序列圖

對兩支股票收益率序列進行描述性統計，結果如表1 所示。從均值來看，兩支股票收益率均為正。標準差通常被用于衡量數據波動程度，從標準差來看，圓通速遞的標準差更大，表明圓通速遞股價波動更劇烈，市場風險更大。偏度用于衡量數據的偏斜方向和偏斜程度，當偏度大于0 時，長尾在右，說明數據中位于平均值右側的數據居多，從偏度來看，順豐控股和圓通速遞收益率序列長尾均在右邊。峰度是一個對比特征量，對比對象為正態分布，它研究的是數據概率密度曲線分布在均值處的高低，當峰度大于3 時，則數據對于正態分布相對陡峭，存在尖峰厚尾特征，其出現極端值的概率也更大，如表1 顯示，兩支股票收益率序列的峰度均大于3，即都存在尖峰厚尾特征。從J-B 檢驗結果可以看出，兩支股票收益率序列都在0.1 的顯著性水平下拒絕原假設，即都呈現非正態分布。

表1 順豐控股和圓通速遞股票收益率序列描述性統計

2.2 實證分析

2.2.1 平穩性檢驗。平穩性檢驗是檢驗序列是否平穩，如果存在單位根，會使得回歸分析中出現偽回歸。當時間數多于截面數時，需要先進性平穩性檢驗。故本文使用常規的ADF 檢驗方法對兩支股票收益率序列平穩性進行檢驗。結果如表2 所示：

表2 順豐控股和圓通速遞股票收益率序列ADF 檢驗結果

從表2 可以看出，順豐控股和圓通速遞收益率序列ADF 統計值均小于1%顯著性水平下的臨界值，即兩個序列是平穩的，可以對其構建GARCH 模型。

2.2.2 ARMA-GARCH 模型估計結果。本文使用R 軟件并基于AIC 信息原則，篩選順豐控股和圓通速遞收益率序列的最優ARMA 滯后階數，對于平穩的收益率序列進行ARMA（p,q）模型定階。建立GARCH 模型的前提是殘差項的平方存在自相關性，因此本文先提取ARIMA 模型的殘差進行LB 檢驗，防止影響下文結果，結果如表3 所示。

如表3 所示，p 值均不顯著，即殘差項不存在自相關性，接下來繼續對殘差項的平方進行LB 檢驗，結果如表4 所示。

表3 殘差項LB 檢驗結果

表4 殘差項平方LB 檢驗結果

如表4 所示，p 值顯著，接受原假設，即殘差項的平方存在自相關性，可以對其構建GARCH 模型。

根據R 軟件auto.arima 函數結果，對順豐控股和圓通速遞收益率序列都構建ARMA（0,0）-GARCH（1,1）模型，估計結果如表5 所示：

表5 單變量GARCH 模型估計結果

α 表示短期內股票對市場上新信息的敏感程度，（α+β）表示股票長期波動性趨勢的持續性。從表5 可以看出，順豐控股和圓通速遞收益率序列模型參數均為正，且（α+β）值均小于1，滿足模型的約束條件。從顯著性上來看，除順豐控股的α 值在0.05 的顯著性水平下顯著外，其他參數均在0.01 的顯著性水平下顯著。從（α+β）值來看，兩支股票均比較接近1，說明所構造的GARCH 模型擬合情況較好。

2.2.3 DCC-GARCH 模型估計結果。根據前文所構建的ARMA-GARCH 模型，對順豐控股和圓通速遞收益率序列構建DCC-GARCH 模型，模型估計結果如表6 所示。

從表6 可以看出，DCC-GARCH 模型估計參數均為正數，且滿足（α+β）值小于1 的約束條件，參數在0.05 顯著性水平下顯著。從結果來看，α 值越小，說明滯后一期的殘差乘積對動態相關系數的影響越不明顯，β 值越接近于1，說明前一期對兩支股票的收益率序列相關系數影響越大，且兩支股票的相關系數持續性較強。表6 結果顯示，DCC-GARCH 模型估計的α 值較小，說明順豐控股和圓通速遞收益率序列動態相關系數受滯后一期的標準化殘差乘積影響很小，而β 值較大，說明二者相關系數具有較強的持續性。二者動態相關系數時序圖如圖2 所示。

表6 DCC-GARCH 模型估計結果

圖2 順豐控股和圓通速遞收益率序列動態相關系數時序圖

2.2.4 實證結果分析。從上文DCC-GARCH 模型所得到的結果，并結合ΔCoVar 計算公式，采用5%分位數水平對樣本期間順豐控股和圓通速遞收益率序列極端風險溢出效應進行量化，得到二者間ΔCoVar 結果如圖3 所示：

圖3 順豐控股和圓通速遞收益率序列極端風險溢出效應

圖3 給出了，當極端風險發生時，順豐控股和圓通速遞間動態風險變化情況，從溢出水平上來看，順豐控股對圓通速遞的風險溢出水平大于圓通速遞對順豐控股的風險溢出水平。這意味著，當物流市場發生風險事件時，順豐控股對于圓通速遞的風險傳染程度更高。觀察兩條曲線走勢可以發現，順豐控股對圓通速遞的風險溢出水平波動范圍更大，整體溢出值在0 到0.062的范圍內波動，這說明了當順豐控股受到風險沖擊時，更加容易快速做出反應，并向市場其他企業傳播風險。相比下，圓通速遞對市場的風險傳染速度相對較慢。

具體分析兩支股票風險溢出情況可知，溢出值在大部分時間較為穩定，在0 到0.04 的范圍內小幅度波動，主要在2020 年2 月、2020 年9 月和2022 年1 月達到峰值，分別為0.05、0.05 和0.06，其原因可能在于，2020 年2 月，國內疫情處于開端，也是傳染風險最大的階段，政府對于物流的限制，導致了國內物流企業風險激增；2021 年9 月，中國物流與采購聯合會公布的國內物流業景氣指數為54%，同比上升了4.5 個百分點，物流行業內有“金九銀十”的規律，并隨著中秋、國慶兩節的來臨，物流需求趨旺，業務活躍，扭轉了連續四個月回落的走勢，物流企業業務激增；2022 年1 月，受到疫情影響區域、領域供給短缺，物流供需結構性失衡加劇，物流服務價格波動明顯增大，加劇了物流業間風險傳遞。而通過觀察圖3 可以看出，順豐控股和圓通速遞收益率序列極端風險溢出效應在2022 年3 月至5 月，均有較大波動幅度，結合國內疫情分析，以上海、蘇州為代表的華東地區，均呈現出情況嚴重、持續時間較長的疫情反復，這些經濟發達的地區物流倉儲庫房和場站在疫情下停止運轉了，整個分揀工作因此就無法完成，對物流業的沖擊是非常明顯的。