第三节
突发冲击的经济影响的测度方法

就研究方法而言，目前对突发冲击的经济影响的测度主要侧重于实证研究。根据实证研究的不同理论基础，可以把目前的实证研究分为三类。

第一类实证研究是以相关研究领域内的经济理论为基础。Skidmore（2001）在莫迪利安尼的生命周期假说模型的基础上进行了改进，往模型中引入了因为自然灾害而导致未来财产损失的可能性，并采用了15个国家的相关数据对居民储蓄率和自然灾害风险之间的关系进行了实证研究。 [1] 文章发现，在控制了影响储蓄率的其他变量的情况下，居民储蓄率和自然灾害导致的损失之间存在正相关关系，显示了人们具有为应对自然灾害而提供自我保险的意识，这也为居民储蓄的预防动机提供了新的佐证。Drakos和Kutan（2003）改进了消费者选择理论模型以分析恐怖主义活动对区域间旅游市场份额的影响。他们发现，恐怖主义活动会导致游客量显著减少，并且在区域间有明显的传染作用，但是更为重要的是，一些国家也会从邻国恐怖风险的提高而导致的游客流入中获益。 [2] Blomberg和Mody（2005）使用双向FDI引力模型量化了暴力活动对国际投资活动的具体影响，他们发现，国内的暴力活动会对国际贸易和国际投资产生负面影响，这些负面影响在发展中国家表现尤为显著。 Yamori和Kobayashi（2002）采用事件分析法具体分析了1995年的神户大地震对日本保险公司股票价格的影响。研究表明，与之前有关旧金山地震和洛杉矶地震的研究结果相反，神户地震导致了日本相关保险公司股票的大幅下跌，但这样的结果和关于美国飓风对保险公司股票影响的研究结论一致。研究还发现，在处理神户地震的相关信息方面，日本的股票市场是非常高效的。 [3]

第二类实证研究则是以相关计量经济学理论为指导对突发事件的经济影响进行测量。Abadie和Dermisi（2006）通过对面板数据的实证分析，得出结论：写字楼的空置率在“9·11”事件以后有所提高，其中三座地标性建筑（the Sears Tower，the Aon Center和the Hancock Center）及其影子区域里的建筑空置率提高幅度更大，这就说明“9·11”事件后上升的恐怖袭击预期对中心商务区的聚集效应有明显的削弱作用。 Aly和Strazicich（2000）采用了埃及1955—1997年、以色列1971—1997年的年度旅游业相关数据为样本，并使用了两次结构突变的LM单位根检验的方法对相关时间序列数据进行检验。结果显示，对两个国家数据的检验都拒绝了原假设，数据不存在单位根，因此恐怖主义活动对旅游业所带来的冲击是短暂的。另外，在结构突变中，1992年的海湾战争的影响最为显著。

第三类实证研究的结论则是建立在问卷调查的基础上。Russett和Slemrod（1992）用个体对1990年4月和10月进行的电话调查的反应研究了储蓄和战争恐惧之间的关系。研究表明，个体对核战争可能性的恐惧水平与成为一个储蓄者（而不是非储蓄者）的可能性之间存在着显著的负相关关系，与实际储蓄的变化以及相对于实际储蓄的储蓄计划之间也有显著的负相关关系。 Slemrod（1988）说明了这样一种现象：若其他决定储蓄率的因素不变，基于问卷调查方法来衡量的一国居民所感受到的对核战争的恐惧与国内私人净储蓄率之间存在着负相关关系。在衡量个体对核战争恐惧的感受时，依据的是盖洛普国际研究机构发起的在各国的调查问卷中的数据。

目前的相关研究重心主要集中于上述第二类研究上，即以相关计量经济学理论为指导，对突发冲击的经济影响进行测度。在此类研究中，比较常见的方法有三种：面板数据计量分析、结构突变计量分析和事件研究法。本节将重点对这三种方法进行介绍，并将之应用于我国实践，对相关突发事件在我国的经济影响进行测度。

一、面板数据计量分析

在关于突发事件经济影响的相关文献中，面板数据计量分析是应用最广的分析方法，大部分的实证研究都会采用此类方法。Auffret（2003）以6个加勒比地区的国家、10个拉丁美洲国家共计16个国家从1970—1999年关于自然灾害的动态面板数据为样本，运用广义矩估计（GMM）进行实证研究，由此得出结论：自然灾害导致产出和投资的实质性减少，还导致国际收支状况的恶化；在消费方面，自然灾害使得消费的整体增长轻微减速，同时，这样的减速主要是因为私人消费的减少，公共消费受到的影响相对较小。 Abadie和Dermisi（2006）的研究结果表明，“9·11”事件使得恐怖袭击预期上升，对中心商务区的聚焦效应有明显的削弱作用。 Bleich（2003）以1993年1月17日—1997年1月16日（北岭地震发生前的1年和发生后的3年）洛杉矶的公寓楼销售数据为样本，分析了北岭地震对洛杉矶居民住房市场资本化率的影响。实证结果显示，地震导致洛杉矶居民住房市场资本化率的整体提高，但是并非所有地区都有相同的变化，震中地区和损失最严重地区周边的增长幅度更大。 [4]

目前的研究主要通过两种方法把突发事件变量引入计量模型，即虚拟变量方法和实际变量方法。所谓虚拟变量方法就是以突发事件的发生时点为界设置虚拟变量，通过对计量模型进行参数估计，以此来测度突发事件的经济影响。Ito和Lee（2004）通过设置虚拟变量的方式分析了“9·11”事件对美国航空需求的影响，结果表明：“9·11”事件在当时造成了超过30%的需求冲击，同时还导致商业航空服务需求大概7.4%的持久性整体下降，这样的结构性需求冲击占到“9·11”事件以后美国国内航空需求下降量的90%以上。 所谓实际变量方法就是采用突发事件的发生次数、造成的经济损失、人员伤亡等数据或者是一些机构编制的综合指数来表示突发事件的发生频度及其强度等指标，通过将这些变量引入模型来估计其对经济的实际影响。Auffret（2003）在以加勒比地区为例分析自然灾害对经济的影响时，是以自然灾害造成的经济损失占当年GDP的比重作为自然灾害变量并引入模型。 Abadie和Gardeazabal（2008）研究在一体化的世界经济中，恐怖主义是如何影响国际投资者作出均衡决策时，将恐怖主义作为破坏性风险引入一个标准的内生增长模型，采用的是世界市场研究中心编制的全球恐怖主义指数，以此表示恐怖主义风险。 [5]

下面我们将采用动态面板模型，以实际变量的形式将自然灾害的面板数据引入模型，研究我国自然灾害对通货膨胀的影响。

（一）我国历年自然灾害损失情况和通货膨胀走势

我国是自然灾害多发且遭受灾害损失严重的国家。从图2-1可以发现，从20世纪90年代开始，我国每年因为自然灾害造成的物资损失整体呈上升趋势，其中1996年和1998年出现两个波峰，因灾损失分别为2 882亿元和3 007.4亿元，这主要是因为这两年我国都出现了大范围、高强度的洪水灾害。1998年以后，自然灾害造成的损失规模相对稳定，每年的因灾损失保持在2 000亿元左右。但从2004年开始呈连续上升势头，2006年因灾损失达到2 528.1亿元，2008年因为南方雪灾和汶川地震造成的严重损失，全年因灾损失更是达到了创纪录的11 752亿元。近几年，由于全球气候变暖，自然灾害呈加剧之势。2009年，全国各类自然灾害造成的直接经济损失达2 523.7亿元，2010年因灾经济损失较2009年有显著增加，全年达5 339.9亿元。

和自然灾害造成的直接经济损失类似，我国的CPI走势也在九十年代出现历史峰值，之后趋缓并呈现波动上扬的趋势。具体看来，CPI数值的峰值出现在1994年，之后逐年下降并于1998年见底。1998年以后，我国的CPI数值处于波动上扬的态势，从1998年的99.2上升到2007年的104.8。 2008年，我国的CPI数值也相对较高，达到105.9。从图2-1可以看出，两条趋势线除整体走势存在相似之处外，也反映出一些明显的差异信息。1998年左右自然灾害损失达到历史高峰时，CPI数值刚好处于波谷位置；从1998年到2007年，两者虽然都呈现小幅波动上扬的态势，但具体到每次波动上，两者的方向则近似相反；2007—2010年，两者走势较为一致。

本节以下部分将详细分析自然灾害和通货膨胀之间的理论联系，并通过模型实证检验我国自然灾害和通货膨胀之间的数量关系。

（二）自然灾害和通货膨胀的理论联系

自然灾害发生以后，微观经济主体（即个人、家庭和企业）受到的影响最为直接。就个人和家庭而言，自然灾害首先会造成某些家庭的人员伤亡或财物损失，而这是家庭创造收入的必备条件，这些条件受到影响势必会对家庭的未来收入产生影响。个人和家庭也会因此改变自己的收入分配决策，减少消费而增加储蓄。Skidmore（2001）对莫迪利安尼的生命周期假说模型进行了改进，引入了因为自然灾害而导致未来财产损失的可能性，发现在控制了影响储蓄率的其他变量的情况下，居民储蓄率和自然灾害导致的损失之间存在正相关关系。 [6] 就企业而言，直接受灾企业的生产经营活动会受到不利影响，但涉及灾后恢复重建的相关市场需求也会因为自然灾害而得到突然放大。Shelor等（1990）发现，与日本保险公司在该国发生地震时的反应相反，加利福尼亚地震对保险公司的股票价格有显著的正向作用，其解释是投资者对地震后增加的保险需求预期超过了地震会造成的潜在损失。 [7] 当自然灾害的规模、强度、持续时间等达到一定的程度，其影响必然会从个人和家庭的收入分配、企业的投入产出等微观层面，扩展为对宏观经济需求面和供给面的影响。正如已有研究所发现的那样，自然灾害会对宏观经济总产出、消费、投资和进出口等各个方面产生影响。

由于食品价格在我国CPI中的权重较高，CPI因此也会受到自然灾害影响。当农业自然灾害的规模、强度、持续时间达到一定的程度时，其影响必然会从农业部门向非农业部门传导，从而改变家庭的消费决策和企业的投资决策。进而，由家庭和企业等微观层面扩展为对宏观经济需求面和供给面的影响。借鉴郑超愚（2004）的总需求、总供给动态调整模型，在模型中加入农业自然灾害所引起的需求冲击和供给冲击因素 ，得到相关的模型如下：

其中， Y d 和 Y s 分别为总需求和总供给； P 为物价水平； ΔS 和 ΔD 分别表示自然灾害引起的供给冲击和需求冲击。自然灾害发生后，总需求和总供给会出现短暂的调整，假定价格调整是瓦尔拉斯均衡的，则有：

假定原有 Y d 和 Y s 是均衡的，并且不随时间变化；价格预期是适应性的；货币供给在短期内不变。参照郑超愚的推导过程，价格的动态调整过程如（2-6）所示，其中 λ 、 θ >0：

由（2-6）式可知，物价变动主要由价格预期、需求冲击和供给冲击等因素决定。由于农业自然灾害引起的供给冲击为负（农业资本存量受损，粮食产量下降），而需求冲击难以确定，要确定物价变动的方向，需分三种情况来说明：①当需求冲击为正时（ ΔD >0），由于供给冲击为负（ ΔS <0），即有 ΔD - ΔS >0，表现为物价上涨；②当需求冲击为负时（ ΔD <0），如果需求冲击的下降幅度大于供给冲击的下降幅度，即有 ΔD - ΔS <0，表现为物价下降；③当需求冲击为负时（ ΔD <0），如果需求冲击的下降幅度小于供给冲击的下降幅度，即有 ΔD - ΔS >0，表现为物价上涨。根据适应性预期理论，价格预期可以由上期价格替代，表现为价格惯性；而需求冲击和供给冲击都是由自然灾害等外部因素引发。Gordon（1996）提出了三角菲利普斯曲线，认为影响通货膨胀的因素可以归结为需求拉动、成本推动和通货膨胀惯性三类。 由以上的理论分析，农业自然灾害和通货膨胀率、社会总需求以及社会总供给这三者密切联系。

采用Gordon（1996）提出的“三角”模型，即一种菲利普斯曲线的扩展模型，以研究农业自然灾害对我国通货膨胀的影响。“三角”模型省略了菲利普斯曲线通常要考虑的预期和工资因素，将决定通货膨胀的因素归结为三个方面：通货膨胀惯性、超额需求和外部冲击。

其中，因变量 π t 是通货膨胀率， C 是常数项；通货膨胀率的滞后项 π t -1 表示通货膨胀惯性； D t 表示超额需求； z t 表示外部冲击（需求冲击和供给冲击）； e t 为误差项； a （ L ）、 b （ L ）、 c （ L ）分别表示各变量的滞后系数。

（三）基于动态面板数据模型的实证分析

1. 数据说明

本节采用CPI代表（2-7）式中的通货膨胀率 π t ，并用CPI的滞后值代表通货膨胀惯性。（2-7）式中的 D t 用产出比率的对数 代替（ 为潜在产出），也可以用产出缺口GAP t 代替，本节采用产出比率代表超额需求。 z t 表示其他冲击变量，如粮食产量和价格的变化等，本节即在此将自然灾害变量作为其他冲击变量引入模型。由于我国统计数据的可得性限制，本节未能完整收集到我国自然灾害造成的直接经济损失的可用面板数据；另外，我国自然灾害的发生总会对农业生产带来影响，农业的受灾面积可以在一定程度上反映自然灾害的强度。因此，本节将农业受灾面积作为自然灾害变量，并取其对数形式，记为lnSIZE。

分析选取数据为1997—2010年我国（除港、澳、台地区）31个省市自治区的年度面板数据，所有数据均来源于各地区相关年度的统计年鉴。CPI数值作了定基化处理（1997年为100），并用定基化处理的CPI数值对GDP进行了平减，以消除物价变动对GDP的影响。

2. 模型估计

由于我国经济发展的区域差异明显，为了能够更好地估计自然灾害对我国通货膨胀的影响，本节按照国家统计局的划分方式将我国（除港、澳、台地区）分为东部、中部、西部三个区域。东部包括：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西和海南，共12个地区；中部包括：山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北和湖南，共9个地区；西部包括：重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆，共10个地区。分别对全国、东部、中部和西部建立模型：

其中， i =0，1，2，3，分别表示全国、东部、中部和西部地区； t =1，2，3，…， R 表示产出比例的对数；SIZE表示农业受灾面积； v i 表示截面个体差异； u i,t 为随机扰动项。

对（2-8）式动态面板数据模型估计的困难之处在于：方程的右边包含有因变量的滞后值，导致解释变量和随机扰动项相关，而且式（2-8）本身存在横截面相依性。如果直接运用传统处理面板数据的固定效应或是随机效应方法，会导致参数估计的非一致性，产生动态面板偏差，影响模型估计的准确性和适用性。Arellano和Bond（1991）使用所有可能变量的滞后项作为工具变量（工具变量个数多于内生变量个数），称为差分广义矩估计（Difference GMM） [8] ；Arellano和Bover（1995）重新回到初始动态面板方程，使用{ Δy i,t -1 ， Δy i,t -2 ，…}作为 y i,t -1 ，并假定{ y it }趋于某个均衡点 ，{ Δ i,t -1 ， Δ i,t -2 ，…}与 u i 不相关，在这些条件满足以后，可以使用{ Δy i,t -1 ， Δy i,t -2 ，…}作为工具变量对初始方程进行GMM估计，这称为水平广义矩估计（Level GMM） [9] ；Blundell和Bond（1998）则将差分GMM与水平GMM合并，将差分方程与水平方程作为一个整体系统进行GMM估计，这种改进的估计方法称为系统广义矩估计（System GMM）。 [10] 考虑到系统广义矩估计是一种更有效的估计，本文将采用系统广义矩估计对动态面板模型进行估计。

在系统广义矩估计中，方程（2-8）经过一阶差分并结合水平方程进行变换：

在此基础上选取合适的工具变量并产生矩条件方程。在式（2-9）中，需满足： β 1 ≠1；当 t < s 时，解释变量 R i,t 、SIZE i,t 和随机扰动项 u i,s 是不相关的；随机扰动项 u i,s 不存在自相关； E （CPI i ,1 ， ε i,t ）=0（ t =2，3，…， T ）， E （ΔCPI i ,2 ， ε i ,3 ）=0。在此基础上设定矩条件为：

其中， ε = u + v ， X i,t =［ R i,t ，SIZE i,t ］。设 Z i 为所选取的工具变量矩阵，则模型（2-10）的GMM的工具矩阵和权重矩阵分别为：

由（2-9）到（2-11）式，通过GMM估计，可以得到估计参数：

3. 估计结果

动态面板数据估计的前提是数据要具有平稳性，否则会出现估计的“伪回归”问题。因此，在对模型进行估计之前，首先要对模型进行面板单位根检验。为了保证检验结论的可靠性，本部分选用了四种单位根检验方法：Levin-Lin-Chu（2002） [11] 提出的LLC检验；Im-Pesaran-Shin（2003） [12] 提出的IPS检验；Hadri（2000） [13] 的最大似然检验以及Breitung和Das（2005） [14] 提出的Breitung检验。LLC检验、IPS检验和Breitung检验的原假设是“存在单位根，变量是不平稳的”；Hadri检验的原假设是“不存在单位根，变量是平稳的”。从表2-3的检验结果可以看出，所有的变量至少在两种检验之下通过平稳性检验，这说明面板数据具有平稳性，模型估计的结果不存在伪回归问题。

表2-4列出了系统GMM估计的结果。首先，无论是全国、东部、中部还是西部，Wald检验值在5%的显著水平下均拒绝了“方程拟合度较差”的原假设，表明方程拟合度较好。其次，Sargan检验是判断方程所选的工具变量是否有效的一个重要检验，原假设是“方程所选工具变量是有效的”，从表2-4中所反映的结果看，Sargan检验的 P 值都大于0.05，四个方程在5%的显著水平下接受了原假设，表明所选的工具变量是有效的。再次，AR检验的原假设是“扰动项无自相关”，表2-4中的AR（2）的 P 值均大于0.05，在5%的显著水平下接受原假设，表明所选的系统GMM估计方法是适用的。最后，全国、东部、中部和西部的通货膨胀惯性（CPI t -1 ）和超额需求（ R t ）系数均在1%的显著水平下拒绝“系数为零”的原假设，表明通货膨胀惯性、超额需求对当期通货膨胀具有显著的推动作用，而农业自然灾害（SIZE t ）系数只有全国和中部地区通过了 t 检验，东部和西部地区均没有通过 t 检验，这表明全国范围和中部地区的农业自然灾害对通货膨胀产生了显著的影响。

在通货膨胀惯性方面，全国、东部、中部和西部均表明通货膨胀惯性对当期通货膨胀产生较大的正向推动作用，上一期通货膨胀每上升1%会推动当期通货膨胀上涨大约1%，这跟传统的通货膨胀预期理论相符，说明稳定通货膨胀预期对于稳定通货膨胀具有重要的意义，这是货币当局在进行货币调控时总是强调稳定通胀预期的原因所在。在超额需求方面，全国、东部、中部和西部的数据都反映了超额需求和通货膨胀存在显著的正相关。在全国范围内，当期的超额需求每增加1%会推动当期通货膨胀上涨0.04%，这表明超额需求因素并不是推动我国通货膨胀上涨的最主要因素，原因可能是我国家庭最大的消费支出是住房支出，住房消费支出在一定程度上抑制了非住房商品（主要是包含在CPI的商品）的需求，而住房价格并没有包含在CPI当中，因此，超额需求难以推动通货膨胀的上涨。

在农业自然灾害方面，各地区的通货膨胀对农业自然灾害的反应表现出较大的差异性，主要是由各地区的经济发展水平的差异所致。在东部和西部地区，农业自然灾害对通货膨胀没有产生显著影响，而在全国和中部地区表现较为显著。就全国或中部地区而言，农业自然灾害在当期就会对通货膨胀产生影响，原因是东部地区的经济发展水平较高，且主要集中在第二和第三产业，受农业自然灾害的影响相对较小，而中部地区是我国粮食的主产区，在我国农业现代化程度不高的现实情况下，农业仍易遭受自然灾害的影响，因而参数估计较显著。西部地区一方面经济发展水平不高，物价传导效率较低；另一方面粮食生产在农业中的占比相对中部地区较低，以畜牧业、林业为主，受农业自然灾害的影响较小，因而参数估计不显著。

值得特别关注的是，农业自然灾害对通货膨胀的影响并不是正向的，农业自然灾害会对通货膨胀率产生下行压力。全国和中部地区的数据显示，农业自然灾害和通货膨胀存在显著的负相关。就全国而言，农业自然灾害强度每增加1%就会推动当期通货膨胀下降大约0.11%；就中部地区而言，农业自然灾害强度每增加1%就会推动当期通货膨胀下降大约0.71%。这证实了自然灾害影响物价变动的第二种情况，即自然灾害造成的需求冲击为负时，如果需求冲击的下降幅度大于供给的下降幅度，物价将趋于下降，这说明我国自然灾害造成的需求面负面冲击大于供给面负向冲击。之所以如此，可能有几方面的原因：一是我国消费结构所致。我国城镇家庭消费结构中住房消费占据很大的比重，在很大程度上抑制了对非住房商品的需求，外部冲击造成的收入减少更容易表现为需求的下降；另外，农村居民的消费结构中耐用消费品占较大的比重，而这些商品需求弹性较大，农业自然灾害造成的收入下降会引起农村居民消费更大幅度地下降。二是农民收入主要来源于农业，尤其是中部地区，更多来源于粮食作物，农业自然灾害的发生容易造成粮食产量下降，粮食产量下降会降低农民收入，而粮食价格更多由粮食收购和储备体系决定，当期粮食产量下降并不容易对当期供给造成显著影响。三是我国农村社会保障体系还不够完善，农村居民收入当中很大部分用于储蓄，消费需求受到了极大的抑制。当出现农业自然灾害冲击引起收入下降时，农民收入将变得更加不确定，在收入不确定的情况下，农村居民将更倾向增加储蓄减少消费。

4. 结论

本节将农业自然灾害变量引入“三角”模型中，首次尝试运用动态面板模型实证分析农业自然灾害对我国通货膨胀的影响。为了区分我国区域发展的差异性，分别对全国、东部、中部和西部进行实证分析。结果表明：在通货膨胀的影响因素中，通货膨胀惯性对当期通货膨胀有显著的推动作用，上期通货膨胀每上涨1%会推动当期通货膨胀上涨大约1%；超额需求虽然对当期通货膨胀有显著影响，但影响程度小于通货膨胀惯性，当期超额需求每增加1%会推动当期通货膨胀上涨0.04%；东部和西部地区的农业自然灾害对该地区的通货膨胀影响不显著，全国和中部地区的农业自然灾害对该地区的通货膨胀产生了显著的影响；就全国和中部地区而言，农业自然灾害对当期通货膨胀有显著的负向冲击，表现为农业自然灾害强度每增加1%，当期通货膨胀分别下降0.11%和0.71%，农业自然灾害会降低当期的通货膨胀水平。

由此可见，相比起供给面的紧缩作用，农业自然灾害对我国的需求面的紧缩作用更大，表现为农业自然灾害降低当期的通货膨胀水平。因此，政府部门应高度重视农业自然灾害造成的负面影响，尤其在由投资驱动向消费驱动转型的过程中，要充分重视突发性冲击对消费需求的抑制作用。首先，应根据各地区农业生产的特点，采取不同的应对措施，尤其是中部地区的产粮大省，政府要加大对农业抗灾的投入，减少自然灾害对农业生产的影响；其次，要加大应对农业自然灾害风险的补贴力度，提高农业自然灾害保险的保费，增强农户抵御农业自然灾害的能力，保障农户收入的稳定性；最后，要不断调整和优化各地区的农业结构，改变农村居民收入过多依赖农业，尤其是粮食作物的局面，多渠道地增加农民收入。

二、结构突变计量分析

结构突变计量分析的主要作用在于分析突发事件的发生对经济的影响是长期的还是暂时的。其主要原理是时间序列数据的平稳性，如果时间序列数据平稳，则突发事件所带来冲击的影响是短暂的，反之则是长期的；其核心方法是对相关时间序列数据作单位根检验，以确定数据是否平稳。Aly和Strazicich（2002）采用了埃及1955—1997年、以色列1971—1997年的年度旅游业相关数据为样本，并使用了两次结构突变的LM单位根检验的方法对相关时间序列数据进行检验。 结果表明，恐怖主义对旅游业带来的冲击是短暂的，在结构突变中，1992年海湾战争的影响最为显著。

结构突变理论将金融危机、石油危机、恐怖袭击等重大经济环境变化视为一种外生冲击，考察其是否使得时间序列的数据生产过程发生了改变。结构突变发生时点已知时，称其为外生性结构突变点。结构突变可能发生在截距项，可能发生在时间趋势项，也可能在两者同时发生。若发生了结构突变的是单位根过程，则称为具有结构突变的单位根过程。

Perron（1989）将1929年大萧条和1973年石油危机作为对美国经济时间序列的冲击，认为大萧条使得美国经济水平降低（均值突变），而石油危机使其增长率降低（斜率突变），并运用假设突变时点已知的方法检验了14个单位根过程，认为其中有11个为结构突变的趋势稳定。 他针对突变点已知的结构突变提出了三种模型：截距突变的冲击模型A、斜率突变的增长率模型B、截距与斜率都有突变的模型C。

模型A： y t = β 0 + δt + β 1 D t + u t

这一模型称为冲击（Crash）模型，这是因为结构变化之后， y t 的均值轨迹不再返回结构变化之前的均值轨迹。

模型B： y t = β 0 + δ 1 t + δ 2 t *+ u t

当 t ≤ t b 时， t * =0；当 t > t b 时， t * = t - t b ，其中 t b 是突发事件的发生时间。突变发生在斜率而截距不变的模型B，由于斜率反映增长率，因此也被称为变化的增长率模型。当截距和斜率同时具有结构突变时，对应的模型为：

模型C： y t = β 0 + β 1 D t + δ 1 t + δ 2 t *+ u t

对于模型A、B、C，原假设和备择假设为：

H 0 ： u t ～ I （1） H 1 ： u t ～ I （0）

当接受 H 0 时， y t 为结构突变的单位根过程；而接受 H 1 时， y t 为结构突变的趋势平稳过程。对于单位根过程（差分平稳），每个随机冲击都具有长记忆性；对于结构突变的趋势平稳过程，随机冲击只具有有限记忆能力，其影响会很快消失，也就是说冲击引起的对趋势的偏离只是暂时的。

（一）样本说明

为了识别突发事件对中国证券市场不同行业板块的冲击程度，本节选用上海证券交易所（简称“沪市”）行业分类指数周收盘价格对数的时间序列为样本进行实证分析，样本数据为：上证工业股指数、商业股指数、地产股指数、公用事业股指数以及综合股指数从1993年6月4日到2009年3月27日的828个周收盘价格对数，并以周五收盘价为检验对象。数据来源为香港大学中国金融研究中心和深圳国泰安信息技术有限公司联合开发的CSMAR中国证券市场交易数据库。上海证券交易所对上市公司按其所属行业分成五大类别：工业类、商业类、房地产业类、公用事业类、综合业类，并自1993年6月1日起选取在上海证券交易所挂牌上市的各行业全部上市股票（包括A股和B股）开始编制和发布行业分类股指数，包括工业股指数（GY）、商业股指数（SY）、地产股指数（DC）、公用事业股指数（GS）、综合股指数（ZH），上证行业分类指数反映了该行业的景气状况及其股价的整体变动状况。本节使用LGY表示工业股指数对数；LSY表示商业股指数对数；LDC表示地产股指数对数；LGS表示公用事业股指数对数；LZH表示综合股指数对数。

（二）结构突变点的单位根检验

我们首先绘制各行业股指对数波动图，用阴影标记出“1998年长江流域特大洪涝灾害”（简称“98特大洪水”）和SARS疫情发生的时间段，用直线表示各行业股指对数在样本区间内的波动趋势（如图2-2至图2-6所示）。

从图2-2至图2-6我们可以直观看出：第一，不同种类的突发事件对各行业股指的波动影响是不一样的。“98特大洪水”发生后，所有行业股指都呈现下跌行情，而SARS疫情发生后除商业类股指和地产类股指外其他行业股指均呈现上下波动的趋势。我们认为这与突发事件发生的时间长度有密切关系，表2-5给出了“98特大洪水”和SARS疫情事态发展的全过程，从表中可以看出“98特大洪水”从1998年7月2日长江第一次洪峰开始到1998年9月2日长江水位全线回落历时仅八周，而SARS疫情从2002年11月16日广东佛山发现第一起病例开始到2003年7月5日世界卫生组织宣告解除SARS疫情警报历经近三个季度。突发事件发生后，股市价格将进行自行调整，随着时间的推移，冲击的影响将逐渐减小，冲击过程不具有长记忆性。从图形上看，GY、SY、DC、GS、ZH股指价格在SARS爆发后的前八周里也呈现下跌行情，但在两个月后经过大盘重新调整，各行业股指都回归到正常波动趋势。

第二，突发事件发生后，行业股指的趋势发展各不相同，以98特大洪水为例，在洪水发生后LGY、LSY、LGS、LZH趋势项都发生明显改变（增长速度提高），其中沪市工业股指数一度突破1 700点，我们认为灾后重建效应在其中起到了一定的推动作用。

第三，地产类股指受突发事件冲击影响较大，或者说相对于其他行业类股指而言，地产类股指对突发事件冲击更为敏感。从图2-4我们可以看出，“98特大洪水”、SARS疫情发生以后地产类股指的下跌状况持续时间最长。我们认为地产类股指相对较为敏感，受外在环境影响较大。相对其他行业类股指而言，突发事件的冲击使地产类股指短期波动时间更长，短暂波动之后的调整更迟缓，且灾后重建效应几乎不存在。

第四，“98特大洪水”对GY、SY、DC、GS、ZH类股指均冲击较大，整个洪水灾害持续过程中，所有股指都呈下跌趋势，因此，我们将“98特大洪水”定义为该五类行业股指的外生冲击结构突变点来考察；而SARS疫情仅使SY、DC类行业股指在整个疫情期间呈现下跌趋势，其他类行业股指受冲击影响不大，因此，我们将SARS疫情定义为SY、DC类行业股指的外生冲击结构突变点来考察。

我们先结合沪市五大类股指对数波动趋势图，从Perron（1989）的三个结构突变模型里挑选出适合研究突发事件对股市影响的结构突变模型。 [15] 本节认为选用模型C（趋势项和漂移项都存在结构突变）最为合理：一方面，从沪市五大类股指对数波动趋势图（图2-2至图2-6）来看，股市对突发事件冲击作用的长期记忆效果不明显，更没有任何冲击效果的迹象，因此不选用模型A；另一方面，突发事件的冲击作用具有不确定性，既有可能使趋势直线的截距项发生改变，也有可能使趋势直线的斜率项发生改变，还可能使截距项和斜率项两者同时发生改变，因此，不能选用模型B。

此处使用外生结构突变点单位根检验方法重点在于识别冲击作用，没有识别冲击类型，原因是我们认为宏观经济变量一般属于随机趋势非平稳序列和退势平稳序列，稳定性较强易识别冲击类型。而股指波动属于随机游走过程，波动性强不易识别冲击类型。首先考察98特大洪水的外生突变点，对样本数据进行回归分析，所用的计量软件为Eviews 6.0。预先设定突变点：令 t b =1998.7.2，定义虚拟变量：当 t > t b 时， D t =1；否则， D t =0。时间趋势项起点为1993.6.4，即1993.6.4时， b =1。

表2-6是回归后的检验结果。根据外生结构突变点单位根检验方法，再对以上回归结果的残差项 u t 进行ADF检验。

表2-7是ADF的检验结果，检验结果表明：对 t b =1998.7.2，各行业股指ADF均小于临界值，拒绝原假设，所以 u t ～ I （0），即98特大洪水的发生对沪市五大行业板块产生了冲击作用，存在结构性突变点。

用同样的方法我们再来对SARS事件进行检验，根据上文的理论推导：SARS疫情的发生对LSY和LDC有明显冲击作用，因而此处我们对LSY和LDC做外生结构突变点的检验。同样先设定突变点 t b =2008.11.16，定义虚拟变量：当 t > t b 时， D t =1；否则， D t =0。时间趋势项起点为1993.6.4，即1993.6.4时， b =1，检验结果如表2-8所示。

再对以上模型 C 回归结果的 u t 分别做ADF检验，结果如表2-9所示。

检验结果表明：对 t b =2002.11.16，SY及DC股指ADF均小于临界值，拒绝原假设，所以 u t ～ I （0），即SARS事件的发生对沪市商业类股指和地产类股指产生了冲击作用，存在外生结构性突变点。

以上的实证分析采用外生结构突变点的单位根检验方法，检验了98特大洪水和SARS疫情对沪市五大行业分类股指周收盘价格对数的时间序列的冲击作用。检验结果表明，突发事件对沪市分类行业股指存在冲击作用，表现为短期内行业股指价格波动会紧随突发事件的发展而波动。通过研究我们发现，98特大洪水和SARS疫情对股市的冲击程度不同，这与事件持续时间的长短有密切关系：特大洪水历时八周，八周内行业股指下跌趋势明显，而SARS疫情历时约三个季度，三个季度里沪市各行业股指并未均呈现下跌趋势，而是在经过约为八周的短暂下跌后就逐步回归到正常波动的路径，紧随突发事件发展波动的趋势不再明显。这充分表明股市波动对突发事件的冲击作用不具有长期记忆效果。

进一步，我们还发现，突发事件对股市的冲击作用与重大政策性事件对股市的冲击作用不同。重大政策事件，如印花税下调等会对股市产生长期的影响，使股票价格的趋势项（增长率）产生变动。而我们的研究表明突发事件的发生只会在短期内影响沪市五大类股指对数时间序列的截距项和斜率项，既不产生冲击效果，也不会造成长期趋势项的改变。

此外，股市存在灾后重建效应，即突发事件发生后，受益于灾后重建效应的行业股指会率先反弹。工业类股指、商业类股指、公共事业类股指和综合类股指表现尤为明显。在经过短期下跌后，受灾后重建效应影响明显的行业类股指会率先上涨，这给投资者提供了灾后短线操作的经验支持。

三、事件研究法

在研究突发事件对股票市场的影响时，事件研究法也是一个常用的方法。这种方法在分析短期影响方面有其突出的优势，但在分析长期影响上则可信度不高，因此应用事件研究法进行的相关分析大多也都得出了突发事件对股票收益存在短期影响的结论。Sprecher和Pertl（1983） [16] 研究了公司重大损失对公司股票收益的影响，文章中对重大事件的定义虽然并没有局限于突发事件，但是其界定的范围是发生可能性小且损失重大的事件，应该说突发事件也是其中的一类事件，所以本节对研究突发事件对公司股票收益的影响具有开创意义。文章采用事件研究法进行实证分析，结果表明，重大损失对公司股票收益有一个整体性的负面影响，这和有效市场假说是一致的，另外，这种损失影响是短暂的，一般在损失公告日当天发生影响并持续两天。Lamb（1995）综合运用了事件研究法和横截面分析法进行实证研究，并得出结论：Andrew飓风对损失暴露的财产责任保险公司的股票价格产生了显著的负面影响，而无损失暴露的保险公司的股票价格则没有显著的反应。 [17] 市场高效地反映了飓风所产生的信息，并依据保险公司保险业务在受灾地区的介入程度作了不同的反应。Yamori和Kobayashi（2002）采用事件研究法具体分析了1995年的神户大地震对日本保险公司股票价格的影响。 [18] 研究表明，与之前有关旧金山地震和洛杉矶地震的研究结果相反，神户地震导致日本相关保险公司股票的大幅下跌，但这样的结果和关于美国飓风对保险公司股票影响的研究结论一致。

事件研究法同样是以有效市场假说为前提的，也就是说，股票价格会及时迅速地反映新信息，可表示为：

其中 P i,t +1 表示股票 i 在时间 t +1时的价格， ϕ t 表示在时间 t 的有效信息集， E 表示期望。式（2-12）表示，在市场均衡条件下，以信息集 ϕ t 为基础的时间 t +1的股票期望价格和实际价格之间的期望差异为零。在实证研究中，通常用股票的收益率代替股票价格，故式（2-12）可表示为：

其中 R i,t +1 表示股票 i 在时间 t +1时的收益率，其他字母意义不变。在上述假设下，估计式（2-14）：

其中， R i,t 表示股票 i 在时间 t 的收益率， R m,t 表示市场指数在时间t的收益率， ε i,t 是随机扰动项。通过对式（2-14）的估计来提取特定事件对股票收益的影响，这种影响会反映在式（2-14）的回归残差中，具体形式为式（2-15）：

其中 和 分别为 α i 和 β i 的最小二乘估计。这里选取截至突发事件发生的前10天、跨度为30周的日数据来进行回归估计，然后用得到的 和 在突发事件发生前10天和发生后20天这个时间跨度内来计算残差。

如果要研究某个事件对n只股票的影响时，还要计算平均残差式（2-16）：

最后有三种指数用来评价股票收益受突发事件的影响程度，分别为CAR（Cumulative Average Residual）、PPI（Pettit Performance Index）、API（Abnormal Performance Index）。计算方法如下：

为了说明如何运用事件研究法来分析突发冲击对经济的影响，本节选用2011年3月11日发生的日本大地震这一突发冲击，来具体分析其对我国股市的影响。

（一）引言

日本作为亚洲第二大经济体，频繁遭受自然灾害的侵袭。2011年3月11日，日本东北部的宫城、岩手、福岛及茨城等地区发生了里氏9.0级大地震，并引发了次生灾害（海啸）。受此强震的影响，亚洲股市当日全线下跌，其中日经225指数下跌1.72%，新加坡海峡时报指数下跌1.04%，印尼雅加达综合指数下跌1.27%，香港恒生指数下跌1.55%。 日本地震也严重冲击了我国的A股市场，上证综指当日较前一交易日下跌23.34点，跌幅达0.79%；深证成指下跌156.84点，跌幅为1.21%。受后续核泄漏的影响，东京股市3月14日与15日再次大幅下挫，14日日经指数下跌6.2%；15日日经指数又下跌10.55%。沪深股市在15日也双双下跌，上证综指下跌41.37点，跌幅为1.41%；深证成指下跌252.97点，下跌1.95%。

随着近年来我国同日本的贸易和投资往来越来越紧密，日本在我国经济发展中所发挥的作用逐年增大。虽然近几年，日本对华投资在减少，但中国仍是日本对外直接投资的主要目标国。在日本经济同中国经济变得日益紧密的背景下，日本经济的任何风吹草动都会对我国经济造成很大的影响，而这又将在很大程度上改变投资者的预期。很多实证研究表明，股票价格会对未预料到的自然灾害作出迅速而剧烈的反应。股票价格很大程度上反映了投资者对未来收益的预期，投资者预期的改变会引发股市剧烈的波动（Javid，2007） 。由于此次地震的突然发生，迅速传播的正面和负面消息冲击了投资者对A股市场未来收益的预期，投资者策略应对发生改变，进而影响到中国股市。

关于地震对股市的影响的研究可以追溯到20世纪90年代，这时期的研究多集中于地震对房地产和保险公司市值的影响方面。在地震对房地产市值的影响方面，他们运用事件研究法检测了1989年旧金山大地震对房地产行业的影响，实证表明地震会降低房地产市值（Shelor等，1990） [19] 。在地震对保险公司市值的影响方面，学界并没有形成统一的观点。部分学者认为地震对房地产的正面冲击大于负面冲击，地震有利于提高保险公司的市值（Shelor等，1992 [20] ；Aiuppa等，1993 [21] ；Lamb和Kennedy，1997 [22] ）。另外一些学者认为地震对保险公司会造成较大的负面冲击（Aiuppa和Krueger，1995 [23] ；Yamori和Kobayashi，2002 [24] ）。早期的有关地震影响的研究，大多采用事件研究法，多集中于地震对个别行业（主要包括保险业和房地产行业）的影响，对股市的整体影响鲜有提及，研究更多考虑的是地震对股票异常收益的影响，但没有考虑导致各公司之间异常收益差异的影响因素。

近期有关地震影响的研究得到了扩展，有三种发展趋势。第一种趋势是将事件估计模型同ARCH模型相结合，既考虑地震对股票异常收益的影响，也考虑地震对股市的波动性影响。Javid（2007）扩展了事件研究法，运用CAPM模型（主要衡量股票的异常收益率）同ARCH、GARCH模型（主要衡量股票的波动性）相结合的方法，研究了巴基斯坦北部克什米尔地区地震对卡拉奇股票交易的影响。 第二种趋势是扩展地震研究的视角，克服只研究地震这一类自然灾害的局限性。Worthington（2008）将地震包含到自然灾害事件中，以研究自然灾害（包括地震）对澳大利亚股票市场的影响。 [25] 第三种趋势是在事件研究法的基础上进行扩展，以考虑其他变量对异常收益率的影响。现有的研究主要从地震本身的角度来增加变量，如地震的级数、地震造成的人员伤亡数、地震造成的经济损失、地震影响的范围等（Yang等，2008） [26] 。国内的研究主要集中在第三种趋势上：徐承红等（2010）对地震后震区的主要城市进行问卷调查获取一手数据，检验了汶川地震对房地产市场带来的冲击。 郭幽兰等（2011）在事件研究法的基础上加入了企业规模、捐赠、公告次序、回应方式等变量，就灾害事件中管理层的回应方式对股价的影响进行了实证研究。

纵观国内外相关文献，总体归纳起来有以下几点不足：第一，研究所涵盖的样本不够全面，之前的研究或者集中于一两个行业，或者集中于十几个行业，而没有涵盖股票市场上的大多数行业；第二，研究方法大多停留在事件研究这个层面，未研究公司微观层面同受冲击程度的联系；第三，没有考虑股票市场的总体影响，以前的研究更多的是考虑行业的影响，而对股票市场的总体影响考虑较少；第四，没有跳出国境，以前的研究都围绕一国地震对该国股票市场的影响，没有尝试研究他国地震灾害对本国股市的影响。

本节选取的样本覆盖面更广，基本涵盖了A股市场的大部分行业，通过将事件研究同聚类分析相结合的方法来分析日本地震对我国A股市场的影响。研究思路主要包括三个方面：运用统计描述来分析日本地震对我国A股市场的整体影响；运用聚类分析法来分析公司的性质同其遭受地震冲击程度存在的关系；运用实证分析来考察影响上市公司抗冲击能力的主要因素。

（二）样本选取与研究步骤

1. 样本选取：本节选取了沪深A股市场共1 784家上市公司（其中沪市782家，深市1 002家，剔除了ST股、未完成上市公司股权分置改革的股票和新上市交易的股票）、上证综合指数以及深证成分指数作为研究样本，能更全面地考察日本地震对我国A股市场的影响。所有的数据均来自巨灵金融数据库（2010年3月2日至2011年5月9日的日交易数据）。

2. 事件研究步骤：第一步，确定估计窗口。我们以2010年3月2日至日本地震发生前5日作为估计窗口，并选取不同的子窗口，以提高事件窗口的清洁度。运用上市公司的正常收益与市场组合收益之间的模型 r i,t = β i ,0 + β i ,1 r m,t + ε i,t 来估计出参数 β i ,0 和 β i ,1 。其中， r i,t =ln（ p i,t ）-ln（ p i,t -1 ）， r m,t =ln（ p m,t ）-ln（ p m,t -1 ），通过对沪深A股共1 784家上市公司的日股票价格求自然对数差分，可以得到每家上市公司的日收益率；运用同样的方法再分别得到上证综合指数和深证成分指数的日收益率。在此基础上，以2010年3月2日—2011年3月6日为估计窗口，并选取其中的5个子窗口进行试验，以确保估计结果的稳健性。经过Stata软件的循环回归运算，分别得出每家上市公司对应的估计方程，并在5%的置信度水平上整体通过了 T 检验与 F 检验。

第二步，确定事件窗口。以日本地震发生日至事后14日（即2011年3月11日—29日）作为事件窗口，并求出每家上市公司的单日冲击，可运用模型AR i,t = r i,t - β i ,0 - β i ,1 r m,t 求解。运用第一步求出的8 920个估计方程，分别对每家公司进行异常收益预测。具体计算方法是将震后14日每日的实际收益率减去预测的收益率，即可得到每家上市公司震后14日的异常收益。由于我们对每家公司分别进行5次估计，因而每家公司在震后14日每一交易对应有5个异常收益率，在这里我们不列举出计算结果。

第三步：横向加总。在第二步基础上，对每家上市公司每一交易日的5个异常收益率运用模型 进行横向加总，并求出平均异常收益率。平均异常收益率保证了异常收益率的稳健性。由于选用了5个估计窗口进行估计，因而，可以确保事件窗口具有较高的清洁度，在较大程度上排除了其他事件对日本地震事件窗口的影响。

第四步，纵向加总及 T 检验。将地震发生日及事后14日的超额收益率进行累加，可得到地震的总冲击水平，运用模型 进行加总。对上市公司震后14日单日异常收益率分别进行 T 检验，有的单日异常收益率通过了 T 检验；有的没有通过，在统计上表现不明显。为了考察14日的总体影响的显著性，需要对14日的异常收益率进行加总并进行检验。加总后的1 784家上市公司的总异常收益率的 T 值为-3.674，其对应的 P 值小于0.05，在5%的置信水平下拒绝了上市公司整体异常收益率为0的假设，表明加总后的异常收益率在统计上显著。

（三）日本地震对A股市场整体影响的统计描述

将沪深两市共1 784家上市公司的相关数据输入Stata 11中，按照累积异常收益率的正负分别求出正向冲击和负向冲击的均值。表2-10给出了沪深两市上市公司的总体冲击表现。

从表2-10可以看出，在日本地震发生后14日的累积影响中，有989家上市公司的累积异常收益率为负，均值为-0.066；有795家上市公司的累积异常收益率为正，均值为0.062。从方差上看，负向冲击的方差大于正向冲击的方差，这表明遭受负面影响的公司的冲击表现差异较大，遭受正面影响的公司的冲击表现较为接近。从总体影响来看，1 784家上市公司的均值为-0.0086，且偏度也为负值，这说明日本地震对我国A股市场的影响表现出非对称性特点，负面影响程度大于正面影响程度。综合分析可以得出，日本地震对我国A股市场的总体影响为负。

（四）聚类变量选取

日本地震发生后，在A股上市的公司呈现出不同的冲击反应。由于各上市公司的性质有较大的差异（主要是盈利能力、资本结构、公司规模、流通股本和所有权性质等），其抵御冲击的能力也各不相同，因而对日本地震所表现出的冲击反应也不同。本节将选取以下财务指标，运用聚类分析法来考察公司的性质同地震冲击大小的关系。

1. 盈利能力。上市公司在遭受外部冲击时，盈利能力是衡量其抵御外部冲击能力的一个重要指标。衡量公司盈利能力的指标有：净资产收益率（ROE）、总资产报酬率（ROA）、销售净利率和销售毛利率等。净资产收益率反映的是一定时期公司净利润与公司权益的比率，是上司公司盈利能力的核心指标，能较好地反映公司基本面同股票价格的关系。因而，选取净资产收益率能更好地反映公司盈利能力与抗冲击能力的关系。

2. 资本结构。公司的资本结构由债务融资与股权融资构成，按照债务融资规模同股权融资规模的比例，可划分为偏债务型、偏股权型和平衡型三种资本结构。MM理论认为，考虑所得税的存在，企业价值将随着负债比例的提高而提高，负债比例越高，企业价值越大；而代理理论认为，负债筹资会带来代理成本和监督成本，减少负债有利于企业价值的提高。由于大地震会对企业的价值评价造成影响，因而资本结构会在一定程度上影响上市公司的抗冲击能力。权益乘数（EM）表示总资产与股东权益的倍数关系，是衡量公司资本结构的一个重要指标，权益乘数越大，公司资本结构越偏向负债型。本节选取权益乘数来衡量上市的公司的资本结构。

3. 公司规模。尽管规模不是衡量公司经营能力强弱的一个必然指标，但是公司规模在一定程度上是经营能力的一个反映，公司规模在很大程度上影响着其抗击外部冲击的能力。2003年5月，国家统计局制定了《统计上大中小型企业划分办法（暂行）》，以三个指标作为企业规模的划分标准，即“从业人员数”“销售额”和“资产总额”。本节选用上市公司的营业收入作为销售额的替代指标，来衡量上市公司的规模。

4. 流通股本。流通股是上市公司能够在二级市场上自由交易、流通的股票，股票价格的波动是在股票交易和流通过程中产生的，因此流通股本比总股本更能反映投资者投资策略变动所引起的股价波动。在遭受地震等自然灾害冲击时，投资者对各家公司未来收益率的预期会发生改变，进而改变持股策略，从而引起股票价格发生异常波动。流通A股是衡量A股市场流通股本的一个重要指标，本节选取该指标来衡量流通股本。

5. 股权性质。我国的上市公司按照股权性质，可以分为国有股和非国有股公司。国有股与非国有股公司哪一个抵御外部冲击的能力更强，目前还没有形成定论，本节尝试性地将股权性质加入到聚类分析中，考察不同股权性质的公司对地震冲击所作出的反应有何差异。本节用前十大股东的持股比例来衡量上市公司的股权性质。

（五）基于公司性质的聚类分析

聚类分析（cluster analysis）是基于变量的相异性将样本分成不同组或类的方法，主要包括两种聚类方法：分割方法（partition）和层次方法（hierarchical）。分割方法是按照事先设定的标准将主变量的样本划分为不重合的组。本节使用 K 均值方法分别按照上市公司的盈利能力、规模、股权性质、资本结构和流通股本等对累积异常收益率进行聚类分割。由于累积异常收益在聚类分割后，会受到正负相抵的影响，其均值的显著性会大大降低，因而，在聚类分析时，要对累积异常收益率求绝对值。利用K-means聚类分割方法，我们得到了不同组的公司遭受日本地震冲击的差异程度，如表2-11所示。

由表2-11所见，不同性质的公司对日本地震的影响表现出较大的差异。总体而言，盈利能力强、规模较大、股权性质为国有、资本结构偏债务型和流通盘大的公司，其抗击日本地震冲击的能力较强，反之则弱。从盈利能力来看，盈利能力强的公司，其地震冲击均值为0.0642；盈利能力弱的公司，其地震冲击均值为0.0641，盈利能力强的公司遭受地震影响的程度小于盈利能力弱的公司。从公司规模来看，规模大、中、小公司所对应的地震冲击均值分别为0.0583，0.0615和0.07，这表明规模大的公司，其遭受地震冲击的影响小于规模小的公司。从股权性质来看，国有与非国有公司的地震冲击均值分别为0.064和0.065，国有公司遭受地震影响程度小于非国有公司。从资本结构方面看，偏债务型、平衡型和偏股权型公司的冲击均值分别为0.034，0.062和0.065，债务比例越高的公司，其遭受地震冲击的影响越小。从流通股本来看，大流通股、中流通股和小流通股的公司，其冲击均值分别为0.053，0.065和0.066，表明流通股本较大的公司遭受地震冲击的影响小于流通股较小的公司。

（六）结论

本节探讨了日本地震对中国A股市场的影响，主要包括两方面的内容：日本地震对中国A股市场的整体影响；不同性质的公司所表现出的地震冲击差异。从实证研究结果中我们可以得出以下一些有意义的结论：

第一，从宏观层面看，此次地震对我国A股市场造成了一定的冲击，既有正面冲击，也有负面冲击，总体来看，负面冲击大于正面冲击。在负面冲击方面，日本地震对我国进口造成很大的影响，主要集中在汽车、钢铁、半导体、电子元件等行业；在正面冲击方面，日本的灾后重建对我国的基建相关行业带来了有利的影响，促进了钢铁、建材和建筑工程服务等行业对日出口的增加；另外，投资者预期改变会带来正、反两方面的影响，投资者的风险偏好特征决定了股市正、反两方面的影响。要提高我国股票市场抵御诸如日本大地震等外部冲击的能力，需要不断完善我国的贸易结构、产业结构，积极引导投资者进行理性投资；一方面，需要完善我国的贸易结构和产业结构，通过产业结构升级带动贸易结构由垂直型转化为水平型，从基本面上不断完善我国股票市场；另一方面，需要积极引导投资者进行理性投资，投资者面对风险的偏好和态度在很大程度上影响着股票价格，尤其在面对外部冲击时，投资者的理性投资能起到稳定股市的作用。

第二，从微观层面看，此次地震对不同性质的公司造成的影响表现出较大的差异。就盈利能力而言，盈利能力强的公司遭受的地震冲击小于盈利能力弱的公司；就公司规模而言，规模大的公司遭受的地震冲击小于规模小的公司；就股权性质而言，国有公司遭受的地震冲击小于非国有公司；就资本结构而言，偏债务型的公司遭受的地震冲击小于平衡型和偏股权型的公司，平衡型的公司遭受的地震冲击又小于偏股权型的公司；就流通股本而言，流通股本大的公司遭受的地震冲击小于流通股本小的公司。

[1] Skidmore, M., 2001, "Risk, natural disasters and household savings in a life cycle model", Japan and the World Economy, Vol.13, No.1, pp.15—34.

[2] Drakos, K., A. M. Kutan, 2003, "Regional effects of terrorism on tourism in three mediterranean countries", Journal of Conflict Resolution, Vol.47, No.5, pp.621—641.

[3] Yamori, N. and T. Kobayashi, 2002, "Do Japanese insurers benefit from a catastrophic event? Market reactions to the 1995 Hanshin-Awaji earthquake", Journal of the Japanese and International Economies , Vol.16, No.1, pp.92—108.

[4] Bleich, D., 2003, "The reaction of multifamily capitalization rates to natural disasters", Journal of Real Estate Research, Vol.25, No.2, pp.133—144.

[5] Abadie, A. and J. Gardeazabal, 2008, "Terrorism and the world economy", European Economic Review , Vol.52, No.1, pp.1—27.

[6] Skidmore, M., 2001, "Risk, natural disasters and household savings in a life cycle model", Japan and the World Economy , Vol.13, No.1, pp.15—34.

[7] Shelor, R. M., D. C. Anderson and M. L. Cross, 1990, "The impact of the California earthquake on real estate firms' stock value", Journal of Real Estate Research , Vol.5, No.3, pp.335—400.

[8] Arellano, Manuel & Bond, Stephen, 1991, "Some tests of Specification for panel data: monte carlo evidence and an application to employment equations", Review of Econovnic studies , Wiley Blackwell, Vol.58, No.2, pp.77—97.

[9] Arellano, M. and O. Bover, 1995, "Another look at the instrumental variable estimation of error-components models", Journal of Econometrics , Vol.68, pp.29—51.

[10] Blundell R. & S. Bond, 1998, "Initial conditions and moment restrictions in dynamic panel data models", Journal of Econometrics , Vol.87, No.1, pp.115—143.

[11] Levin, A., Lin, Chien-Fu and James-Chu, Chia-shang, 2002, "Unit root tests in panel data: asymptotic and finite-sample properties", Journal of Econometrics , Vol.108, No.1, pp.1—24.

[12] Im, kyung So, M. Hashem Pesaran and Y. shin, 2003, "Testing for unit roots in heterogeneons panels", Journal of Economics , No.115, pp.53—74.

[13] Hadri, Kaddour, 2000, "Testing for stationarity in heterogeneous panel data", Journal of Econometrics , Royal Economic Society, Vol.3, No.2, pp.148—161.

[14] Breitung, J. and S. Das, 2005, "Panel unit root tests under cross-sectional dependence", Statistica Neerlandica , No.59, pp.414—433.

[15] Perron, P., 1989, "The great crash, the oil price shock, and the unit root hypothesis", Journal of Econometrica, Vol.57, No.6, pp.1361—1401.

[16] Sprecher, C. R. and M. A. Pertl, 1983, "Large losses, risk management and stock prices", The Journal of Risk and Insurance , Vol.50, No.1, pp.107—117.

[17] Lamb, R. P., 1995, "An exposure-based analysis of property-liability insurer stock values around Hurricane Andrew", The Journal of Risk and Insurance , Vol.62, No.1, pp.111—123.

[18] Yamori, N. and T. Kobayashi, 2002, "Do Japanese insurers benefit from a catastrophic event? Market reactions to the 1995 Hanshin-Awaji earthquake", Journal of the Japanese and International Economies , Vol.16, No.1, pp.92—108.

[19] Shelor, R. M., D. C. Anderson and M. L. Cross, 1990, "The impact of the California earthquake on real estate firms' stock value", Journal of Real Estate Research , Vol.5, No.3, pp.335—400.

[20] Shelor, R. M., D. C. Anderson and M. L. Cross, 1992, "Gaining from loss: property-liability insurer stock values in the aftermath of the 1989 California earthquake", Journal of Risk and Insurance , Vol.5, No.3, pp.476—488.

[21] Aiuppa, T. A., R. J. Carney, and T. M. Krueger, 1993, "An examination of insurance stock prices following the 1989 Loma Prieta earthquake", Journal of Insurance Issues and Practices , Vol.16, No.1, pp.1—14.

[22] Lamb, R. P., W. F. Kennedy, 1997, "Insurer stock prices and market efficiency around the Los Angeles earthquake", Journal of Insurance Issues , Vol.18, No.1, pp.1—13.

[23] Aiuppa, T. A. and T. M. Krueger, 1995, "Insurance stock prices following the 1994 Los Angeles earthquake", Journal of Insurance Issues , Vol.18, No.2, pp.1—13.

[24] Yamori, N. and T. Kobayashi, 2002, "Do Japanese insurers benefit from a catastrophic event? Market reactions to the 1995 Hanshin-Awaji earthquake", Journal of the Japanese and International Economies , Vol.16, No.1, pp.92—108.

[25] Worthington, A. C., 2008, "The impact of natural events and disasters on the Australian stock market: a GARCH—M analysis of storms, floods, cyclones, earthquakes and bushfires", Global Business and Economics Review , Vol.10, No.1, pp.1—10.

[26] Yang, C. C., M. Wang and X. Chen, 2008, "Catastrophe effects on stock markets and catastrophe risk securitization", Journal of Risk Finance , Vol.9, No.3, pp.232—243. bYrn09/jEbb+mui0ZRv/AlAcyNyIo4ba3N5GcDGfRWnw4Vwi9YxjAQISgD+vznLt