《Sage Open》：Asymmetric Contagion Effects and Risk Exposure in the Photovoltaic Industry: Evidence From Dynamic Spillover Analysis
编辑推荐：
本研究考察了光伏(PV)产业链上游、中游和下游环节之间的风险传染效应及其动态演变。研究从静态、动态和网络视角分析风险传导，并进一步评估滞后溢出指标对系统性风险识别的预测内容。主要发现如下：(1)上游环节仍然是基于成本溢出传导的主要来源，通过原材料和中间投入渠道
本研究考察了光伏(PV)产业链上游、中游和下游环节之间的风险传染效应及其动态演变。研究从静态、动态和网络视角分析风险传导，并进一步评估滞后溢出指标对系统性风险识别的预测内容。主要发现如下：(1)上游环节仍然是基于成本溢出传导的主要来源，通过原材料和中间投入渠道对产业链其他环节产生不成比例的影响；(2)中游环节在风险的放大和再分配中占据核心地位，表现出显著的双向传导效应；(3)下游风险溢出表现出异质性。动态分析显示，光伏产业链的总溢出指数呈现出显著的阶段性变化，重大政策和市场扰动显著放大了风险传染。网络分析表明，上游和中游环节在传导网络中占据主导地位，风险传播具有外部冲击下的集中性、非对称性和非线性放大特征。在一期滞后设定下，随机森林(RF)和梯度提升决策树(GBDT)模型显示，滞后溢出指标包含对后续风险状态识别具有经济意义的信息，其中与中游环节相关的滞后正向溢出指标携带最强的预测权重。这些发现丰富了产业链金融风险传导的文献，并为光伏产业的风险管理和政策设计提供了实证见解。
论文解读
一、研究背景与问题提出
随着全球可再生能源需求的持续增长，光伏(PV)产业已成为绿色能源转型的关键组成部分。从2019年至2023年，全球光伏装机容量以年均28%的速度增长，国际能源署(IEA)预计2023年太阳能生产支出约达3800亿美元，首次超过石油生产支出。中国在全球光伏市场中占据主导地位，其太阳能电池板、电池片和硅片的产量分别占全球总产量的80%、85%和97%。然而，光伏产业相对不成熟，相关政策调整增加了行业不确定性，供给不足与产能过剩并存加剧了价格竞争。2019至2023年间，多晶硅、硅片、电池片和组件的价格先升后降，剧烈波动严重削弱了光伏企业的经营业绩和市场估值。由于光伏产业通过垂直关联的生产阶段组织，冲击可能通过生产依赖和资本市场估值从原材料传导至组件、电站和储能环节。尽管金融市场和产业关联中的溢出效应已被广泛研究，但现有光伏研究对溢出如何随产业链上、中、下游位置变化，以及非对称溢出模式如何与后续系统性风险识别相关联的关注有限。
二、研究内容与核心发现
本研究从静态、动态和网络视角全面分析了光伏产业链的风险传染效应，并进一步评估了滞后溢出指标对系统性风险识别的预测能力。研究发现：上游环节是成本型溢出传导的主要来源；中游环节在风险放大和再分配中占据核心地位；下游风险溢出呈现异质性。动态分析显示总溢出指数具有显著的阶段性特征，网络分析揭示了传导的集中性、非对称性和非线性放大特征。此外，一期滞后设定下的随机森林(RF)和梯度提升决策树(GBDT)模型表明，滞后溢出指标对风险状态识别具有预测价值。该研究发表在《Sage Open》期刊。
三、主要技术方法
研究人员采用时间变参数向量自回归(TVP-VAR)模型与广义预测误差方差分解(GFEVD)连接框架，计算溢出至others(TO)、来自others的溢出(FROM)、净溢出(NET)和总连接指数(TCI)。研究样本涵盖2015年1月5日至2025年2月11日期间64家光伏上市公司的日度股票回报数据，其中上游10家、中游35家、下游19家，样本营业收入覆盖A股光伏上市企业总营收的89.96%。此外，采用DCC-GARCH模拟的VaR-CoVaR框架量化企业特定系统性尾部风险贡献(ΔCoVaR)，并运用随机森林(RF)和梯度提升决策树(GBDT)两种集成学习方法构建系统性危机预警机制。
四、实证结果
（一）静态分析
研究人员通过估计64家光伏上市公司的企业层面TVP-VAR连接模型发现，上游多晶硅环节表现出显著的自溢出效应(Inc.Own=73.03%)，并通过成本传导机制向下游产生大量外部风险溢出。中游硅片和组件环节呈现显著的净风险输出(Net=85.28%)，是风险传导的核心节点和上游成本信号再分配与放大的主要场所。值得注意的是，玻璃(Net=-13.42)和设备(Net=-30.31)等环节的负净溢出表明这些行业在产业链金融结构中处于相对被动地位。下游电站运营环节中，储能环节呈正净溢出(Net=36.68)，表明其股价正成为主动风险源；而逆变器环节呈负净溢出(Net=-37.3)，对上游波动更为敏感。
（二）动态分析
基于TVP-VAR连接框架的动态分析显示，产业链总溢出指数具有明显的阶段性特征：2016至2018年平均TCI稳定在54.3，2019年后进入持续上升通道，年均增长18.3%。2020年疫情期间负向溢出指数较基准水平激增40.2%，凸显极端事件对风险传染的放大效应。负向溢出强度在政策敏感期(2020年和2023年)达到峰值，其波动性超过正向溢出31.7%。下游环节的风险传导呈现明显滞后模式，2018至2020年负向溢出指数上升39.8%，比上游晚2至3个月达到峰值。
（三）网络分析
研究人员采用尾部阈值过滤方法构建风险传染网络。在95%分位数阈值下，约78%的风险传染集中在最强20%的联系中，核心-边缘结构清晰。上游系统性影响力集中而非分散，中游网络更密集均衡，形成金融枢纽。下游虽然节点占比仅15%，但关键联系(如CND-SHD)的传染强度是上游对应环节的3.2倍，部分节点在压力状态下可从吸收者转变为活跃溢出源。
（四）行业风险分析
通过DCC-GARCH模拟框架计算环节层面ΔCoVaR序列，研究发现不同光伏环节的ΔCoVaR值在2015至2025年间呈现显著时变性和波动性，在2015年结构性改革、2022年贸易紧张和2024年贸易政策扰动等关键时点波动幅度明显增大。上游环节的ΔCoVaR波动显著超过中游和下游，表明风险传导具有非对称性和集中性特征。2019年后整体ΔCoVaR下降，但各环节风险暴露持续上升，表明风险被再分配而非完全消散。
（五）重要性分析
在一期滞后设定下，RF和GBDT的预测性能呈现状态依赖性。RF对Type 0和Type 1的识别率分别为99.0%和94.5%，GBDT对Type 2的识别率为95.2%。特征重要性分析显示，两个模型中Mid (+)均是最重要的预测因子(RF中标准化贡献为0.197，GBDT中为0.246)。GBDT更依赖集中于上中游的正向传导信号，RF则从沿产业链分布的更广泛溢出渠道中提取信息。
五、结论与讨论
研究结论表明，光伏产业系统性风险传导呈现分层分级特征，而非同质化的行业联动模式。发送者/接收者结构具有环节特定性和状态依赖性：上游企业在投入品价格扰动被资本化入市场估值时成为成本型溢出源；中游企业构成最持久的放大枢纽；下游企业通常是上中游扰动的接收者。负向溢出比正向溢出更持久，系统风险暴露集中在核心节点和强联系而非均匀分布。滞后非对称溢出包含风险状态识别的预警信息，RF整体表现更优，GBDT对极端风险状态的识别能力更强。
这些发现表明，溢出效应不能仅用企业间的平均连接或广泛的行业同步来解释，产业链位置决定了冲击是被传导、放大、吸收还是被预期。对监管机构而言，监测应遵循实证识别的传导层级，滞后溢出指标特别是与中游环节相关的指标可作为预警系统的操作输入。对投资者而言，光伏产业内的多元化是有条件的而非自动的，投资组合经理应将时变连接性、净发送者/接收者位置和基于ΔCoVaR的尾部风险信号纳入动态再平衡决策。研究局限性在于样本仅限于2015年前上市且持续可观测的企业，可能低估退市或重组企业在衰退期的困境传播效应，且主要依赖股票市场信息，金融波动对实际产能调整的反馈被解释为机制一致性渠道而非独立识别的企业层面因果效应。
