基于DCC－MSV－KMV模型的第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)度量＊

謝 赤，王 彭，楊姣姣，王綱金

（1.湖南大學(xué) 工商管理學(xué)院，湖南 長(zhǎng)沙 410082；2.湖南大學(xué) 金融與投資管理研究中心，湖南 長(zhǎng)沙 410082）

根據(jù)國(guó)家統(tǒng)計(jì)局頒布的《2012年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》數(shù)據(jù)，2012年第三產(chǎn)業(yè)增加值占GDP的比例再創(chuàng)新高，達(dá)到44.6%，第二產(chǎn)業(yè)增加值比例為45.3%，第三產(chǎn)業(yè)已經(jīng)基本與第二產(chǎn)業(yè)持平，對(duì)GDP的貢獻(xiàn)在加大.第三產(chǎn)業(yè)中各個(gè)行業(yè)之間聯(lián)系緊密，尤其是在資金鏈方面，呈現(xiàn)出“一損俱損、一榮俱榮”的效應(yīng).因此，從實(shí)體經(jīng)濟(jì)的視角來(lái)看，第三產(chǎn)業(yè)各行業(yè)間存在較強(qiáng)的風(fēng)險(xiǎn)關(guān)聯(lián)性，而從虛擬經(jīng)濟(jì)的層面觀察，存在“你方唱罷我登場(chǎng)”的行業(yè)輪動(dòng)規(guī)律，而這種行業(yè)輪動(dòng)現(xiàn)象實(shí)際上也映射出第三產(chǎn)業(yè)行業(yè)間的緊密聯(lián)系.鑒于第三產(chǎn)業(yè)面臨的信用風(fēng)險(xiǎn)以及行業(yè)間信用風(fēng)險(xiǎn)傳染效應(yīng)的日益增強(qiáng)，同時(shí)考慮到它對(duì)于國(guó)民經(jīng)濟(jì)的重要性與日俱增，因此對(duì)第三產(chǎn)業(yè)行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng)的深入研究已經(jīng)成為學(xué)界和業(yè)界目前面臨的緊迫課題.考察第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)，一方面有助于進(jìn)一步了解第三產(chǎn)業(yè)實(shí)體經(jīng)濟(jì)的運(yùn)行狀況，提高風(fēng)險(xiǎn)管理效率，有效防止風(fēng)險(xiǎn)擴(kuò)大效應(yīng)，減少連鎖性行業(yè)危機(jī)出現(xiàn)的可能性.另一方面，有利于準(zhǔn)確把握行業(yè)信用風(fēng)險(xiǎn)的傳染機(jī)理，為制定相應(yīng)的政策及進(jìn)行宏觀調(diào)控提供理論基礎(chǔ).

所謂信用風(fēng)險(xiǎn)傳染效應(yīng)，就是一個(gè)債務(wù)人違約對(duì)其他債務(wù)人的影響及其強(qiáng)度.現(xiàn)有的信用風(fēng)險(xiǎn)傳染效應(yīng)研究主要基于簡(jiǎn)約模型，Duffie，Pan和Singleton，Ingleton以及Jarrow和Yu等將聯(lián)合跳躍納入違約過(guò)程中，以違約強(qiáng)度為關(guān)鍵變量構(gòu)建了擴(kuò)展的簡(jiǎn)約模型[1－2].隨后，F(xiàn)rey和 Backhaus認(rèn)為違約過(guò)程服從一個(gè)條件有限狀態(tài) MC（Markov Chain）[3].顯而易見(jiàn)，簡(jiǎn)約模型對(duì)關(guān)鍵變量如違約強(qiáng)度的假定較為嚴(yán)格，因此存在一定的局限性.隨后，諸多學(xué)者對(duì)簡(jiǎn)約模型進(jìn)行了改進(jìn).從市場(chǎng)參與者不完全信息的角度切入，Schoenbucher將Copula函數(shù)與生物研究領(lǐng)域的Frailty Index相結(jié)合，構(gòu)建了信息驅(qū)使的傳染模型[4].基于混合選舉模型均衡分布和交互粒子系統(tǒng)相關(guān)理論，GieseckeI和 Weber建立了信用風(fēng)險(xiǎn)傳染模型，該模型考慮到了動(dòng)態(tài)經(jīng)濟(jì)環(huán)境下的狀態(tài)轉(zhuǎn)換[5].上述研究只從結(jié)果上測(cè)算出違約概率，沒(méi)有反映出違約的根本原因.考慮到宏觀經(jīng)濟(jì)因子的影響，不少學(xué)者如謝赤和徐國(guó)嘏、程嬋娟和鄒海波以及尹航和南靈基于CPV模型將違約現(xiàn)象與宏觀經(jīng)濟(jì)形勢(shì)（或周期）相聯(lián)系[6－8].不難看出，CPV模型依賴于一系列假設(shè).此外，諸多學(xué)者從信用風(fēng)險(xiǎn)相關(guān)性的層面出發(fā)，考察信用風(fēng)險(xiǎn)傳染效應(yīng).如Asai和Mchaelr以及Hui和Zheng建立了一個(gè)DCC－MSV模型，并證實(shí)了該模型能準(zhǔn)確地估計(jì)信用風(fēng)險(xiǎn)間的交叉相關(guān)性[9－10].

由上可知，現(xiàn)有研究?jī)H局限于對(duì)兩個(gè)或幾個(gè)緊密相關(guān)的主體進(jìn)行研究，少有學(xué)者從更為廣闊的行業(yè)視角出發(fā)考察第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染.本文結(jié)合KMV模型和DCC－MSV模型，構(gòu)建一個(gè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)度量模型，并基于此量化第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng).

1 模型構(gòu)建

KMV模型認(rèn)為，企業(yè)的信用風(fēng)險(xiǎn)取決于資產(chǎn)價(jià)值、資產(chǎn)風(fēng)險(xiǎn)、杠桿比率等3個(gè)主要因素.應(yīng)用KMV模型估計(jì)某一企業(yè)的違約概率包括以下兩個(gè)步驟.

第一步 估計(jì)企業(yè)的資產(chǎn)價(jià)值和資產(chǎn)價(jià)值波動(dòng)率.

式中：dz為一個(gè)標(biāo)準(zhǔn)的 Wiener過(guò)程；u和u′為漂移參數(shù)；Vf為企業(yè)f的資產(chǎn)價(jià)值；σf為企業(yè)f的資產(chǎn)價(jià)值波動(dòng)率；VE為股權(quán)價(jià)值；σE為股權(quán)價(jià)值波動(dòng)率.式（1）和式（2）假定，企業(yè)的資產(chǎn)價(jià)值和股權(quán)價(jià)值均服從幾何Brown運(yùn)動(dòng).基于Black－Scholes－Merton期權(quán)定價(jià)公式，可將式（2）表示為：

式中，D為債務(wù)面值；r為無(wú)風(fēng)險(xiǎn)利率；T為債務(wù)期限.

基于式（1）～式（6），根據(jù)ITO引理，可推導(dǎo)出資產(chǎn)市場(chǎng)價(jià)值波動(dòng)率和股權(quán)市值波動(dòng)率之間關(guān)系式：

式（7）中：η為企業(yè)f股權(quán)價(jià)值對(duì)資產(chǎn)市值的彈性；dVE／dVf是期權(quán)的Delta值.又由于歐式看漲期權(quán)的Delta值為N（d1），可將式（7）表示為：

基于式（3）和式（8），可以求解出企業(yè)f的資產(chǎn)價(jià)值Vf和資產(chǎn)價(jià)值波動(dòng)率σf.

第二步 計(jì)算企業(yè)違約距離.

假定企業(yè)資產(chǎn)未來(lái)的市場(chǎng)價(jià)值是圍繞資產(chǎn)價(jià)值市值均值的正態(tài)分布，則根據(jù)相關(guān)定義，違約距離可表示為：

式中：DDf表示企業(yè)f的違約距離（本文以其作為企業(yè)f的信用風(fēng)險(xiǎn)的指代變量）；DP表示違約點(diǎn)；E（Vf）表示企業(yè)f資產(chǎn)價(jià)值的期望值.

基于KMV模型行業(yè)內(nèi)樣本公司的違約概率，采用Nguyen的資產(chǎn)賦權(quán)法[11]，構(gòu)建行業(yè)的信用風(fēng)險(xiǎn)指數(shù)，其具體形式為：

式中：Iri為行業(yè)i的行業(yè)信用風(fēng)險(xiǎn)指數(shù)；xf和X分別為行業(yè)i中企業(yè)f的總資產(chǎn)和行業(yè)i所有樣本企業(yè)的資產(chǎn)之和；n為行業(yè)i內(nèi)樣本企業(yè)的數(shù)目；DDf為企業(yè)f的信用風(fēng)險(xiǎn).

基于行業(yè)信用風(fēng)險(xiǎn)指數(shù)，選取DCC－MSV模型構(gòu)建行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)度量模型.其具體形式為：

式（11）為條件均 值 方 程.其 中，Rij，t＝ （Iri，t，Irj，t），t＝1，2，…，T，表示行業(yè)i和j從時(shí)刻t－1～t的樣本條件行業(yè)信用風(fēng)險(xiǎn)指數(shù)；Ωt＝dig（σt），σt＝（σi，t，σj，t）是標(biāo)準(zhǔn)差序列；εt＝（εi，t，εj，t）服從二元正態(tài)分布，其均值為0，方差為At，At的具體形式如式（14）所示，其中，｜ρij，t｜＜1，保證了At為正定矩陣.

式（12）為條件波動(dòng)率方程，μ＝（μi，μj）為2×1維的向量；Φ11和Φ22均為參數(shù)；且lnσ02＝μ，其中σηi2和σηj2均為參數(shù)，這表示ηt服從均值為0且方差為diag（σηi2，σηj2）的正態(tài)分布；εt與ηt服從二元正態(tài)分布，且這兩個(gè)序列獨(dú)立同分布.

式（13）中，ρij，t為i行業(yè)和j行業(yè)在時(shí)刻t的信用風(fēng)險(xiǎn)指數(shù)相關(guān)系數(shù).

qt的定義如式（15）所示.且式（15）中，vt可通過(guò)Fisher變換，保證｜ρ12，t｜＜1.式（16）中，Cij，t為i行業(yè)和j行業(yè)在時(shí)刻t的信用風(fēng)險(xiǎn)傳染效應(yīng).

選取MCMC方法估計(jì)DCC－MSV模型的參數(shù)，有效地解決了多元參數(shù)計(jì)算上的問(wèn)題，提高了計(jì)算的精度和速度.該模型共有9個(gè)參數(shù)，分別為μi，μj，Φ11，Φ22，σηi2，σηj2，ψ0，ψ和σp.令X＝（X1，…，X9）＝（μi，μj，Φ11，Φ22，σηi2，σηj2，ψ0，ψ，σp）.要估計(jì)每個(gè)參數(shù)，需要首先確定每個(gè)參數(shù)的邊緣分布.由于這9個(gè)參數(shù)是相互獨(dú)立的，參數(shù)估計(jì)的基本步驟為：首先給出各參數(shù)的先驗(yàn)分布，然后基于Gibbs抽樣技術(shù)對(duì)9個(gè)參數(shù)進(jìn)行MCMC估計(jì)，得到各參數(shù)的后驗(yàn)分布的估計(jì)結(jié)果.基于Bayes定理，邊緣概率密度函數(shù)可表示為：

本文選取的先驗(yàn)分布為：

2 實(shí)證分析

2.1 數(shù)據(jù)來(lái)源及數(shù)據(jù)分析

2005年4月29 日，中國(guó)證監(jiān)會(huì)開(kāi)始股權(quán)分置改革，至2006年底大多數(shù)上市公司都完成了股權(quán)分置改革.股權(quán)分置改革將對(duì)參與股改的公司績(jī)效產(chǎn)生一定的影響，因此本文以2007－2012年為樣本期間相當(dāng)大部分樣本公司的2012年度年報(bào)尚未公布，本文的樣本期間截止于2012年9月30日，并以樣本期內(nèi)在深、滬兩個(gè)交易所A股市場(chǎng)間有連續(xù)交易記錄的第三產(chǎn)業(yè)上市公司為研究對(duì)象.本文的相關(guān)數(shù)據(jù)來(lái)源于國(guó)泰君安數(shù)據(jù)庫(kù).

根據(jù)中國(guó)證監(jiān)會(huì)公布的《上市公司行業(yè)分類指引》和《2012年4季度上市公司行業(yè)分類結(jié)果》，排除涉及領(lǐng)域較繁雜以及主營(yíng)業(yè)務(wù)不突出的行業(yè)，同時(shí)考慮到各行業(yè)中上市公司數(shù)量，本文選擇交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)（F）、信息技術(shù)業(yè)（G）、批發(fā)和零售貿(mào)易業(yè)（H）、房地產(chǎn)業(yè)（J）以及社會(huì)服務(wù)業(yè)（K）等5個(gè)行業(yè)為研究對(duì)象，以考查這5個(gè)行業(yè)之間的信用風(fēng)險(xiǎn)傳染效應(yīng).表1為行業(yè)信用風(fēng)險(xiǎn)指數(shù)的描述性統(tǒng)計(jì)結(jié)果.由此看出，H行業(yè)，也就是批發(fā)和零售貿(mào)易業(yè)的信用風(fēng)險(xiǎn)最高，其違約距離的均值為－3.41e－05，而K行業(yè)，即社會(huì)服務(wù)業(yè)的信用風(fēng)險(xiǎn)最低.從信用風(fēng)險(xiǎn)的波動(dòng)來(lái)看，G行業(yè)和K行業(yè)的標(biāo)準(zhǔn)差較大.

表1 行業(yè)信用風(fēng)險(xiǎn)描述性統(tǒng)計(jì)Tab.1 Descriptive statistics of industry credit risk

表2所列為F，G，H，J和K等5個(gè)行業(yè)的行業(yè)信用風(fēng)險(xiǎn)指數(shù)序列的單位根檢驗(yàn)結(jié)果.由此可知，F(xiàn)，G，H，J和K行業(yè)信用風(fēng)險(xiǎn)指數(shù)ADF檢驗(yàn)的1%臨界值分別為－3.452 9，－3.452 9，－3.452 9，－3.452 7和－3.452 7.如表2所示各行業(yè)信用風(fēng)險(xiǎn)指數(shù)序列在1%的顯著性水平下均是非平穩(wěn)序列，而其一階差分序列均是平穩(wěn)序列.

表2 行業(yè)信用風(fēng)險(xiǎn)指數(shù)序列ADF平穩(wěn)性檢驗(yàn)結(jié)果Tab.2 ADF test results of industry credit risk indexes

2.2 DCC－MSV的參數(shù)估計(jì)

DCC－MSV模型參數(shù)的估計(jì)結(jié)果如表3所示.不難發(fā)現(xiàn)各個(gè)參數(shù)估計(jì)值的標(biāo)準(zhǔn)差均較小，故可以初步判定樣本路徑是收斂的，參數(shù)估計(jì)結(jié)果是合理的.

2.3 第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)分析

圖1為樣本期內(nèi)第三產(chǎn)業(yè)中5個(gè)行業(yè)之間信用風(fēng)險(xiǎn)傳染效應(yīng)時(shí)序圖，其中CGH表示G與H行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng).總體來(lái)看，F(xiàn)，G，H，J和K等5個(gè)行業(yè)之間的信用風(fēng)險(xiǎn)傳染效應(yīng)均大于0.5，這證實(shí)了第三產(chǎn)業(yè)各行業(yè)之間信用風(fēng)險(xiǎn)傳染程度較強(qiáng).其中，F(xiàn)與G行業(yè)、F與H行業(yè)、F與J行業(yè)、F與K行業(yè)、G與H行業(yè)、G與J行業(yè)、G與K行業(yè)、H與J行業(yè)、H與K行業(yè)、J與K行業(yè)之間信用風(fēng)險(xiǎn)傳染效應(yīng)變動(dòng)區(qū)間依次為：[0.85，0.89]，[0.65，0.85]，[0.76，0.84]，[0.66，0.78]，[0.65，0.75]，[0.7，0.85]，[0.55，0.85]，[0.6，0.85]，[0.85，0.9]以及[0.6，0.9].整個(gè)樣本期內(nèi)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)都呈現(xiàn)震蕩上行的趨勢(shì)，說(shuō)明這段時(shí)間內(nèi)第三產(chǎn)業(yè)各行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)增強(qiáng).這可能是由于：受金融危機(jī)、歐債危機(jī)等影響[12]，中國(guó)宏觀經(jīng)濟(jì)氛圍偏冷，加上第三產(chǎn)業(yè)內(nèi)部結(jié)構(gòu)不合理，極易受整體大環(huán)境影響.因此第三產(chǎn)業(yè)出現(xiàn)了一定程度的衰退；從虛擬經(jīng)濟(jì)的層面來(lái)看，金融市場(chǎng)震蕩下行，各行業(yè)的信用風(fēng)險(xiǎn)普遍上升，且受外部危機(jī)影響，各行業(yè)間的關(guān)聯(lián)性加強(qiáng)，因此出現(xiàn)連鎖性行業(yè)危機(jī)的可能性增大.

F與G行業(yè)、F與H行業(yè)、F與J行業(yè)、F與K行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng)較顯著.這可能是因?yàn)椋鹤鳛榛A(chǔ)設(shè)施和基礎(chǔ)產(chǎn)業(yè)，交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)（F）對(duì)G，H，J及K的影響比較顯著，當(dāng)F行業(yè)的信用風(fēng)險(xiǎn)水平比較高時(shí)，危機(jī)易波及其它相關(guān)行業(yè)，產(chǎn)生較強(qiáng)的信用風(fēng)險(xiǎn)放大效應(yīng).H與K行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng)顯著，這可能是因?yàn)镠與K行業(yè)之間存在較強(qiáng)的關(guān)聯(lián)性，K行業(yè)主要涉及物流、旅游等方面，這些方面與批發(fā)與零售貿(mào)易業(yè)聯(lián)系緊密，這兩個(gè)行業(yè)之間很可能存在較強(qiáng)的信用風(fēng)險(xiǎn)放大效應(yīng).J與K行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng)較顯著，可能的原因是：一方面，這兩個(gè)行業(yè)都受到F行業(yè)影響，具有共同的信用風(fēng)險(xiǎn)傳染影響因素；另一方面，這兩個(gè)行業(yè)本身存在較強(qiáng)的關(guān)聯(lián)性.

表3 DCC－MSV模型參數(shù)估計(jì)結(jié)果Tab.3 Parameter estimates results of DCC－MSV model

圖1 各行業(yè)間信用風(fēng)險(xiǎn)傳染效應(yīng)時(shí)序圖Fig.1 Timing diagram of the credit risk contagion effects between industries

3 結(jié) 論

構(gòu)建了一個(gè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng)度量模型，并考查了中國(guó)第三產(chǎn)業(yè)中5個(gè)行業(yè)之間的信用風(fēng)險(xiǎn)傳染效應(yīng).研究得到如下結(jié)論：

F，G，H，J及K這5個(gè)行業(yè)兩兩間的信用風(fēng)險(xiǎn)傳染效應(yīng)均大于0.5，證實(shí)各行業(yè)之間信用風(fēng)險(xiǎn)傳染非常顯著.這可能是因?yàn)椋旱谌a(chǎn)業(yè)內(nèi)部結(jié)構(gòu)不合理，各行業(yè)間存在較強(qiáng)的關(guān)聯(lián)性.在樣本期內(nèi)，信用風(fēng)險(xiǎn)傳染效應(yīng)呈現(xiàn)出震蕩上行的大致趨勢(shì)，反映各行業(yè)信用風(fēng)險(xiǎn)傳染程度在不斷加強(qiáng).可能的原因是由于受不利的宏觀氛圍影響，第三產(chǎn)業(yè)各行業(yè)信用風(fēng)險(xiǎn)上升，且各行業(yè)間關(guān)聯(lián)性強(qiáng).

F與其他行業(yè)間的信用風(fēng)險(xiǎn)傳染效應(yīng)比較明顯.這可能是因?yàn)椋鹤鳛榛A(chǔ)設(shè)施和基礎(chǔ)產(chǎn)業(yè)，交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)（F）對(duì)其它行業(yè)影響較大，發(fā)生信用風(fēng)險(xiǎn)危機(jī)放大化的可能性較大；行業(yè)之間關(guān)聯(lián)性比較強(qiáng).

由此看出，中國(guó)第三產(chǎn)業(yè)內(nèi)部結(jié)構(gòu)不夠合理，易受外部危機(jī)影響，因此產(chǎn)業(yè)內(nèi)部結(jié)構(gòu)調(diào)整和優(yōu)化已成為一個(gè)亟待解決的難題.本文工作還存在待改進(jìn)的地方，后續(xù)研究將嘗試考慮結(jié)構(gòu)變化時(shí)點(diǎn)，考慮不同狀態(tài)條件下第三產(chǎn)業(yè)行業(yè)信用風(fēng)險(xiǎn)傳染效應(yīng).

[1] DUFFIE D，PAN J，SINGLETON K.Transform analysis and asset pricing for affine Jump－diffusions[J].Econometrica，2000，68（6）：1343－1376.

[2] JARROW R，YU F.Counterparty risk and the pricing of defaultable securities[J].The Journal of Finance，2001，56（5）：1765－1799.

[3] FREY R，BACKHAUS J.Pricing and hedging of portfolio credit derivatives with interacting default intensities[J].International Journal of Theoretical and Applied Finance，2008，11（6）：611－634.

[4] SCHOEBUCHER P.Information－driven default contagion[R].Zurich：ETH Working Paper，2003.

[5] 謝赤，徐國(guó)嘏.銀行信用風(fēng)險(xiǎn)度量CreditMetrics模型與CPV模型比較研究[J].湖南大學(xué)學(xué)報(bào)：自然科學(xué)版，2006，33（2）：135－137.XIE Chi，XU Guo－gu.Study on internal credit risk measurement models for commercial banks in china[J].Journal of Hunan University：Natural Sciences，2006，33（2）：135－137.（In Chinese）

[6] 程嬋娟，鄒海波.CPV模型在銀行貸款違約概率計(jì)算中的應(yīng)用研究[J].當(dāng)代經(jīng)濟(jì)科學(xué)，2009，（5）：15－20.CHENG Chan－juan，ZOU Hai－bo.Toward the application of CPV model in the calculation of loan default probability[J].Modern Economic Science，2009，（5）：15－20.（In Chinese）

[7] 尹航，南靈.我國(guó)商業(yè)銀行房地產(chǎn)信貸風(fēng)險(xiǎn)相關(guān)因素分析－－基于CPV信用風(fēng)險(xiǎn)度量模型[J].金融經(jīng)濟(jì)，2010，（7）：86－87.YIN Hang，NAN Ling.Commercial banks'real estate credit risk related factors analysis in China[J].Finance ＆ Economy，2010，（7）：86－87.（In Chinese）

[8] JOSHUA C C，KROESE D.Efficient estimation of large portfolio loss probabilities in t－copula models[J].European Journal of Operational Research，2010，205（2）：361－367.

[9] ASAI M，MCHAELR M.The structure of dynamic correlations in multivariate stochastic volatility models[J].Journal of Econometrics，2009，150（2）：182－192.

[10] HUI E，ZHENG X.The dynamic correlation and volatility of real estate price and rental：an application of MSV model[J].Applied Economics，2012，44（23）：2985－2995.

[11] NGUYEN R.Macroeconomic factors and Japan's industry risk[J].Journal of Multinational Financial Management，2007，17（2）：173－185.

[12] 張欣，崔日明.政府支出能規(guī)避對(duì)外貿(mào)易風(fēng)險(xiǎn)嗎？——來(lái)自“靈貓六國(guó)”的經(jīng)驗(yàn)證據(jù)[J].經(jīng)濟(jì)數(shù)學(xué)，2012，29（3）：51－55.ZHANG Xin，CUI Ri－ming.Can government expenditure evade trade risk？—Evidence from “CIVETS”[J].Journal of Quantitative Economics，2012，29（3）：51－55.（In Chinese）