• 供应链网络中心性的核心假设及测量方法 [page::1]

- 中心性通过经济交易网络特征向量中心度衡量，反映行业与其他部门的经济联系程度。
- 使用美国BEA提供的社会核算矩阵（SAM）建立行业间贸易网络，涵盖包括工业和政府等多个部门。

• 中心性与股票收益率的显著正相关关系 [page::2][page::3]

- 1983-2007年期间，中心性最高的行业平均月度收益率高于最低行业约27个基点。
- 中心性较高的行业主要分布于服务业、批发零售及运输等经济核心部门。

• 行业中心性与行业特征的双重排序分析 [page::3][page::4]

- 通过规模、供应商集中度、客户集中度对行业分组，发现中心性与收益的正相关性在小规模行业及供应商高度集中的行业中更为显著。
- 表4总结双重排序投资组合中高中心性与供应链集中度相关的收益溢价。

• 中心性因子（CMP）与市场风险敞口的关系 [page::5][page::6]

| 因子 | 平均月收益率 | 标准差 | 相关性(与市场超额收益) |
|-----------|------------|---------|----------------------|
| CMP | 0.17% | 2.75% | +显著相关 |
| 市场超额收益| 0.65% | 较高 | 自身 |
- CMP投资组合收益显著且与市场因子、规模因子显著相关，独立解释了一部分系统性风险。
- 两阶段横截面回归显示CMP因子显著，改善市场贝塔的测量，减少误定价情况。

• 中心性与宏观经济风险的相关性检验 [page::7]

- CMP与未来12个月人均非耐用品消费增长显著正相关。
- 无明显证据表明CMP与经济衰退或宏观经济不确定性直接相关。

• 冲击通过供应链网络的传播及时滞效应 [page::8][page::9][page::10]

| 距离类型 | 最近收益滞后效应 | 过去收益滞后效应 |
|----------|----------------|----------------|
| 近距离行业 | 显著正相关 (+34bps 边际效应) | 适中 |
| 远距离行业 | 无显著短期效应 | 12个月滞后正相关 (+25bps 边际效应) |
- 经济冲击首先影响供应链网络中距离较近的行业，波及远距离行业存在时间滞后，证实信息沿客户-供应商链波浪式传播。

报告详细分析报告——《供应链网络中心性如何影响股票收益？》

---

一、元数据与概览（引言与报告概览）

报告标题：招商定量·琢璞系列| 供应链网络中心性如何影响股票收益？
作者：招商定量任瞳团队
发布机构：招商证券
发布日期：2022年7月12日
研究主题：基于供应链网络角度，探讨行业在供应链网络中的“中心性”对股票收益和系统性风险的影响，重点分析行业的供应链位置如何解释其市场风险贝塔的差异以及经济冲击在行业间的传递。

核心论点：

• 行业在供应链网络中的中心性与对应股票回报率呈正相关，中心行业的股票收益明显高于非中心行业。

- 网络中心性不仅能解释行业股票的高回报，也能解释其承担的更高市场风险（市场贝塔更大）。

• 股票回报动态反映了经济冲击在供应链网络中随着时间扩散的机制，即中心性强的行业更快地响应经济冲击，同时经济冲击从近距离行业向远距离行业逐步延迟传递。

- 文章提出以“中心性”构建的CMP（Centerality Market Premium）因子，能捕捉其他传统风险因子无法解释的系统性风险新维度。

作者想传递的主要信息：传统资产定价模型中市场风险贝塔被视为外生变量，而该研究以行业供应链的经济关系为微观基础，从实体经济的网络结构解释市场风险差异。这为理解系统风险的本质提供了宏观与微观结合的新思路，也强调了考虑行业间经济基本面联系的重要性，有利于资产风险的更精准识别与投资组合构建。[page::0]

---

二、逐节深度解读

1. 引言

报告开篇回顾了资产风险贝塔在经典资产定价理论中的地位及缺陷，多位学者尝试将贝塔与生产和投资的经济基本面相关联，但大多数模型视贝塔为外生变量。本文依托Kenneth R. Ahern的研究，以行业间供应链网络为视角，创新地提出“网络中心性”作为贝塔的内生经济基础。通过构建涵盖500个细分行业的实证供应链交易网络，计算行业所在经济体系中的中心性，作者发现中心性高的行业在1983-2007年期间拥有显著更高的股票回报，且该因素能解释行业市场风险的异质性。文章还观察到，经济冲击以波浪状在网络中传播：核心行业更快反应并受到冲击，外围行业受冲击的滞后时间更长。该研究填补了市场风险机制宏观解释的空白，强调资产风险应基于资产与整体经济的协方差而非孤立性指标。[page::0]

2. 核心假设与样本选择

核心假设：行业的“真实市场贝塔”部分由其在跨部门贸易网络中的中心性决定。
假设包含三个关键前提：

• 部门层面冲击会积累成宏观经济级别的冲击，

- 部门间的贸易联系是这些冲击在经济中传播的路径，

• 这些冲击不会通过多样化被完全抵消。

样本选择：利用美国经济分析局（BEA）公布的社会核算矩阵（SAM），整合1982至2002年5个时间点的投入产出表（IO表）和国民收入账（NIPA），通过交易流量构建跨经济部门的贸易网络。SAM数据涵盖公司、政府、家庭、资本及国外部门的交易流，使网络能够囊盖经济循环的全貌。

网络中心性测度：基于网络邻接矩阵的主特征向量定义的“特征向量中心性”（Eigenvector Centrality）作为核心指标。理由包括：

• 冲击传播不局限于最短路径，排斥了接近度和中介中心度，

- 允许反馈效应，反映一个节点不仅自身的连接数，还要考虑其邻节点的中心性。
这保证了中心性能真实体现经济网络中行业的重要性和它们对冲击传递的影响力。[page::1]

3. 实证检验

3.1 中心性与股票收益率

• 中心性统计特征：1997年数据（表1、图1）显示整个网络部门与拥有可交易股票的部门在中心性上有细微差异，股票市场部门略偏向中心，分布偏斜反映网络结构的非均匀性。
• 单变量回归（图2）：行业中心性对数化后与各行业平均月收益呈显著正相关，中心性较高的服务业、批发零售和运输业显示更高收益，机械制造业等外围行业收益较低。
• 按中心性五分位分组分析（表2）：最高五分之一中心行业的杠杆和无杠杆平均月度杠杆收益率分别高出最低五分之一5%-10%，统计显著。此外，高中心性行业一般市值更大，具有更集中的客户和供应商结构。
• 双重排序投资组合研究（表3、4）：按照行业公司规模、客户/供应商集中度与中心性进行九组细分。结果表明，中心性与收益的正相关关系在小市值行业中更为显著，同时供应商和客户集中度的增加，伴随着中心性的提高，股票收益显著增长，显示中心性与行业内集中度及规模存在复杂交互作用。[page::2][page::3][page::4]

3.2 中心性与市场风险

• 构建CMP因子：高中心性行业（最高三分之一）月收益减去低中心性行业（最低三分之一）的收益，股票均为市值加权。
• CMP与经典风险因子的统计特征（表5）：CMP月均收益约17bps，标准差2.75%，与市场超额收益（RM-RF）及规模因子SMB正相关，与价值因子HML负相关，显示与小盘和成长型股票风险特征一致。
• 两阶段横截面回归检验（表6）：

- 第一阶段估计CMP与25个规模-账面市值投资组合的时间序列回归系数；
- 第二阶段用这些贝塔系数回归横截面超额收益；
- 结果显示CMP系数显著正且独立于其他因子，市场贝塔调整后更为显著，阿尔法下降，HML因子变得不显著。
这表明CMP因子捕捉了标准因子未涵盖的市场风险维度，提供更有效的市场风险敞口测量。

• 宏观经济风险暴露（表7）验证CMP因子与未来消费增长显著正相关，而与经济衰退及宏观不确定性无明显关联，进一步体现了供应链中心性行业对经济基本面的敏感度和风险承担。[page::5][page::6][page::7]

3.3 冲击在不同距离行业的扩散

• 研究冲击沿供应链网络的时间和空间传递机制，使用Dijkstra算法计算行业间路径距离（行业供应关系强度的倒数），定义近距离（小于第25百分位）与远距离（大于第75百分位）行业。
• 构造回归模型，分析行业收益与其近距离和远距离行业滞后收益的关系（表8、9）。

- 发现近距离行业的近期（1-3个月）滞后收益对当前收益有显著正向影响，远距离行业则无明显影响；
- 远距离行业的收益在较远滞后期（10-12个月）对当前收益有显著影响，体现冲击在网络中存在传播滞后。

• 该实证支持经济冲击通过客户-供应商链条进行波浪状扩散的假设，核心行业承受和传递风险更为迅速，外围行业的反应相对滞后。[page::8][page::9][page::10]

---

三、图表深度解读

图1：部门中心性的实证分布（取对数）

图表展示了1997年产业网络中心性指标的分布情况，呈右偏分布表明绝大多数行业处于低或中等中心位置，少数行业高度中心。此分布体现经济网络连接的非均匀性，核心行业在贸易流量和经济联系中占据显著位置。这种分布性结构为后续中心性的分类与比较提供基础。[page::2]

图2：供应链网络中心性与行业股票平均收益极坐标图

该极坐标图中，行业按大类分区，每个点代表具体行业，点距圆心表示行业中心性（越近代表越中心），颜色深浅反映1998-2002年月平均股票收益率（越浅代表越高）。视觉上明显呈现中心性高（靠近圆心）行业对应较高收益，外围行业普遍低收益，且不同大类行业中心性分布差异明显，如服务业高中心，而机械制造则相对外围。该图直观展示中心性与股票收益的正相关关系及行业异质性。[page::3]

表2：按中心性分组的行业收益及特征

表中分五组列明中心性不同的行业对应的股票月均收益、公司规模与客户/供应商集中度数据。高中心性组行业不仅月均回报显著高于低中心性组（1.96% vs 1.69%杠杆收益），且通常拥有更大市值和更集中供应商客户。这一统计显著差异支持中心性与风险补偿返回正相关的主张，且提示行业结构与风险特征的内在耦合关系。[page::4]

表3与表4：双重排序的投资组合分析

表3列出了行业按中心性与公司规模、客户及供应商集中度双重排序的具体名单示例，展示了不同组合的行业分布。表4统计这九个分类投资组合的等权和价值加权收益，确认了中心性对收益的正向影响主要集中在小规模行业与供应商高度集中的行业中，强调了多因素交互对收益与风险影响的复杂性。[page::4]

表5：风险因子及中心性描述性统计和相关系数

表5呈现CMP因子与传统FF三因子及动量因子的收益均值、标准差及相关性。结果显示CMP因子回报显著正且与市场超额收益和规模因子正相关，价值因子负相关，特征与中小盘和成长股风险属性一致。CMP因子统计性质表明其能把握市场风险中传统因子无法全部覆盖的结构化风险。[page::5]

表6：两阶段横截面回归结果

表6的回归显示，CMP因子贝塔正且显著，且纳入CMP因子后，市场贝塔系数上升，平均误差减少，表明CMP因子提升了对系统风险的解释能力。该验证强化了中心性在捕捉市场风险敞口中的作用，CMP因子成为估值和风险管理中的有效辅助工具。[page::6]

表7：消费与宏观经济风险暴露

该表通过多元回归展示CMP因子与未来消费增长的显著正相关性，控制衰退和宏观不确定因素后依然成立，显示中心行业股票收益更容易受到实际经济活动的影响，且经济周期关键变量不影响这种关系，反映中心性是风险暴露的微观基础。[page::7]

表8与表9：回报冲击在近距离和远距离行业的扩散

表8分多滞后期揭示近距离行业收益对目标行业当前收益具有迅速且显著的正影响，而远距离行业显示明显延迟效应。表9的双重差分进一步量化了这种时间和空间差异，强化了供应链网络结构对风险传递时效和规模的塑造作用，为动态资产配置与风险管理提供重要见解。[page::8][page::9]

---

四、估值分析

报告中未直接涉及具体公司估值模型和目标价，核心聚焦于基于供应链网络中心性的系统性风险与股票收益的关系研究与因子构建。CMP因子作为新的风险因子是整个报告的估值核心突破，作者通过实证检验（如双重排序投资组合及两阶段回归）证明其在解释横截面股票收益的有效性。

此外，常规估值技术（如CAPM、FF三因子模型）作为对照，其对风险解释能力有所不足，CMP因子对市场风险敞口的补充验证了基于经济网络微观结构的风险定价新方向。此模型强调对供应链中心性认识将有助于完善传统估值框架。[page::6]

---

五、风险因素评估

文章提出的风险点主要包括：

• 供应链网络结构变动风险：实证基于美国1982-2007年期间的固定网络结构与经济联系，现实中供应链快速变化可能弱化中心性的预测力。

- 经济冲击传递复杂性：假设部门间冲击可随贸易联系传递且不可通过多样化抵消，但实际中某些风险可能被资本市场多样化或政策干预降低。

• 模型外推的市场差异风险：该研究基于美国市场数据推断，报告中特别提示中国及其他市场制度、结构差异可能导致结论不完全适用。

- 统计与测度局限：中心性的测度依赖SAM样本与特征向量中心性，可能受数据划分、行业定义等影响，模型未能考虑异质化市场行为及非线性风险传递。

报告虽未详细给出缓解策略，但提醒投资者关注供应链结构变化和宏观经济环境的动态演化风险。风险提示明确提醒不要将美国研究结论直接机械运用到中国市场。[page::0][page::12]

---

六、批判性视角与细微差别

• 模型假设较强：核心假设隐含经济冲击能通过贸易网络完全且有效传递，且投资者对相关信息的滞后反应有规律，这对现实市场的复杂性可能过于理想化，尤其忽视了金融市场其他风险传递渠道。

- 数据时效性与覆盖面限制：研究样本仅覆盖1983-2007年，美国经济与股市环境可能与当前全球化、数字化环境存在差异，这限制了模型对当下市场的解释力。

• 忽视部分市场因素：CMP因子部分与传统因子（如SMB）存在一定相关性，且HML因子作用下降，暗示中心性解释部分规模和价值风险，但构建的CMP因子对非供应链相关风险因素的覆盖度尚需进一步探讨。

- 内生性与因果性难辨：中心性与股票收益的关系是否具有因果性尚无完全验证，中心行业因市场地位吸引更多资本，也可能引发更高回报，备择解释需关注。

总的来看，报告结构严密，数据详实，推断谨慎，但需注意假设的理想性和市场适用性的限制。[page::1][page::6]

---

七、结论性综合

综上所述，招商定量任瞳团队基于Kenneth R. Ahern《Network Centrality and the Cross Section of Stock Returns》一文，对供应链网络中的行业中心性如何驱动股票收益和市场风险进行了系统分析，提供了以下核心洞见：

• 供应链网络中心性显著正向影响股票收益，且高中心性行业股票具有更高的预期收益，表明供应链位置是风险补偿的重要来源。

- 中心性构建的CMP因子丰富和完善了传统市场风险因子框架，对系统性风险的捕捉及解释能力优于单一市值或账面市值因子，成为行业层面衡量市场风险的有效工具。

• 经济冲击通过客户-供应商网络以波浪状传播，反映出行业收益对近距离冲击反应更快，远距离冲击反应滞后，为理解行业间风险溢出提供微观机制说明。

- 宏观经济检验表明中心性高的行业对未来消费增长较为敏感，反映其面临更大经济风险暴露。

• 实证验证基于复杂的SAM数据和特征向量中心性计算，辅以双重排序、两阶段横截面回归与动态扩散模型，条理清晰，可信度高。

该研究在资产定价领域提出了以实体经济供应链网络为基础的系统性风险测量新范式，强调了经济结构与产业联系对金融风险的深远影响。尽管模型基于美国数据且假设理想，但其理论和实证框架值得其他市场和学者借鉴，尤其是对中国等新兴市场的研究提示了良好方向。未来研究应进一步探讨中心性动态变化及多维风险因素的综合作用。

报告整体立场积极，推荐深入关注产业链和供应链位置对股票风险与收益的影响，对于基于基本面的量化投资策略提供了新的因子设计思路。投资者应警惕研究结果因市场差异带来的不确定性，并结合宏观环境审慎应用。本报告为理解和运用供应链中心性在系统性风险管理中的价值提供了完整且系统的视角。[page::12]

---

结语

本报告详细解读并剖析了招商证券任瞳团队的研究成果，对于供应链网络中心性如何在股票收益与风险中发挥关键作用给出了全面而深入的分析。通过跨学科方法结合经济网络分析、资产定价理论与实证金融，报告强化了理解系统性风险的新视角，为量化投资及风险管理提供了重要的理论与实证支持。

---

参考标注

- [page::0],[page::1],[page::2],[page::3],[page::4],[page::5],[page::6],[page::7],[page::8],[page::9],[page::10],[page::12]

报告