• 研究数据涵盖2020年12月至2023年11月期间19个农业、原油、碳排放许可及气候变化期货合约，计算对数收益，数据经检测均显示非正态分布且平稳 [page::3][page::4][page::5]

• 描述性统计结果显示，除咖啡、牛肉、牛奶和大麦外，大多数变量表现为左偏态，且多为尖峰厚尾分布，变量间总体现正相关 [page::5]

• 平均动态连接度表明总连接指数(TCI)为29.38%，其中同时效应贡献为20.43%，滞后效应贡献为8.95%；玉米、大豆粉、小麦为主要净风险传导体，大麦、可可和瘦肉型猪为主要净风险接收体 [page::6]

| 期货合约 | 总连接度(%) | 同时效应(%) | 滞后效应(%) | 净传导度(%) |
|----------|-------------|-------------|-------------|-------------|
| 玉米 | 56.71 | 45.39 | 11.32 | 7.01 |
| 大豆粉 | 56.71 | 45.39 | 11.32 | 5.59 |
| 小麦 | 42.12 | 28.61 | 13.51 | 3.51 |
| 大麦 | 38.41 | 25.07 | 13.34 | -7.73 |
| 可可 | 21.30 | 14.06 | 7.24 | -3.68 |
| 瘦肉型猪 | 26.62 | 23.04 | 3.59 | -3.59 |
| 气候变化 | 22.07 | 20.50 | 1.57 | 1.57 |
| 碳排放许可 | 20.45 | 19.15 | 1.30 | -1.30 |
| 原油 | 37.82 | 37.50 | 0.32 | -0.22 |

• 动态总连接度（TCI）显示，自2021年以来市场溢出水平较高，在俄乌战争初期急剧上升，峰值达28%，此后趋于稳定，且同时效应占主导地位，滞后效应稳定在10%左右 [page::7]

• FROM和TO方向连接度的动态演变揭示，俄乌战争期间原油、气候变化、小麦和大麦的溢出影响显著，显示市场相互冲击加剧；大豆、小麦和大豆油表现出较高的风险接收度和传导度 [page::8][page::9]

• 净方向连接度图中显示，气候变化、玉米、小麦、燕麦、大豆粉及大豆油为净风险溢出体；可可、瘦肉型猪、橙汁和大麦为净风险接收体。原油自2022年11月起由风险接收体转为传导体，碳排放许可风险传导趋势相反 [page::10]

• 净成对方向连接性揭示气候变化显著向原油传导风险，同时气候变化向可可、燕麦和牛奶传导风险，接受来自玉米和大豆油的风险。原油从大豆和大豆粉接受风险，同时向稻米、棉花和咖啡传导风险。瘦肉型猪受大豆、玉米、燕麦、大豆粉和大麦主导的风险影响，大麦受碳排放许可、小麦和玉米影响较大 [page::11][page::12]

• 稳健性检验采用斯皮尔曼、肯德尔相关系数及DY方法估计总连接度，三者显著一致，确认本报告连接性测度的稳健性 [page::12]

• 本文采用$R^{2}$分解连接性方法，不仅识别了即时风险传导，也揭示了滞后效应，对农业、能源及气候相关市场的风险传递机理提供了深刻理解，具备重要的政策及投资指导意义 [page::0][page::6][page::13]

金融研究报告详尽分析报告

1. 元数据与概览

• 报告标题：Contemporaneous and lagged spillovers between agriculture, crude oil, carbon emission allowance, and climate change

- 作者：Yan-Hong Yang, Ying-Hui Shao, Wei-Xing Zhou 等

• 发布机构：上海大学、上海国际商务与经济大学、华东理工大学等多所中国高校

- 发布时间：不明确，文献最新引用至2024年，推测为2024年内近期

• 研究主题：研究农业商品、原油、碳排放配额及气候变化期货市场之间同期与滞后溢出效应，利用$R^2$分解联动性方法分析市场间风险传播机制

- 核心论点简述：本论文通过新颖的$R^2$分解联动性方法，揭示农业与能源、碳排放及气候变化市场之间复杂的冲击传递机制。研究发现总联动指数主要由同期效应驱动，且农业市场中存在异质的风险传播，具体品种如玉米、大豆粕、小麦为主要风险传导方，而大麦、可可、瘦猪则为主要风险接受方。同时气候变化市场对其他市场也展示显著溢出效应。

• 主要贡献：

- 创新应用$R^2$分解法划分即时和滞后风险传递
- 深化农业商品价格影响因素分析
- 细致剖析不同农产品响应波动，助力风险管理决策

• 报告结构：方法论、数据说明、实证结果及稳健性检验、结论等部分组成[page::0,1]

---

2. 逐节深度解读

2.1 摘要与引言

• 摘要强调采用了$R^2$分解连接性模型，区分同期与滞后影响，揭示了农业、原油、碳排放配额及气候变化市场之间的多维度风险传递特征。

- 引言部分指出气候变化与极端天气作为农业风险重要外部冲击，其与碳排放及能源市场的关联复杂，形成多市场系统性风险。鉴于市场间高度互联，研究此类溢出效应对风险评估、价格预测及投资组合管理具有重要意义[page::0]

2.2 文献回顾与方法论介绍

• 介绍了当前各类研究采用的风险传递工具：如DCC-GARCH、CoVaR、TVP-VAR-DY、Quantile VAR等，进一步引用Balli等（2023）和Naeem等（2024）提出的$R^2$分解联动性方法，强调该方法能够明确分离同期与滞后风险传递成分，且兼顾数据标准化[page::1]。

- 方法论核心：基于多变量向量自回归模型（VAR(p)），结合主成分分析，实现受变量对自变量解释力的$R^2$分解，构建包括同期$(TCI^C)$与滞后$(TCI^L)$的总联动指标(TCI)及定向传播指标(TO, FROM, NET)，明确每个市场的风险传导和接收角色[page::2,3]。

• 详细推导了计算过程，包括$\pmb{y}_t$ 的VAR模型设定、R平方的矩阵分解与联动性指标定义，确保理解模型的理论基础[page::2,3]。

2.3 数据介绍

• 样本包括2020年12月15日至2023年11月30日，覆盖19个农业、原油、碳配额及气候变化相关期货品种，数据关于日收盘价格，采用对数收益率处理，数据来源于Wind与彭博。

- 具体品种横跨ICE、CBOT、CME、澳洲证券交易所等，涵盖棉花、糖、咖啡、猪肉、牛肉等多角度农产品和气候相关指数。

• 变量描述统计表明多数品种数据偏态显著，呈现峭度较高，且均为非正态且平稳序列，肯德尔等级相关分析显示大部分变量间多为正相关，反映联动性基础条件[page::3,4,5]。

---

3. 图表深度解读

3.1 图1：各品种收益率走势

• 该图由19个子图组成，展示各品种日收益率序列，变化无明显系统性趋势，但存在突发性较大波动，尤其在样本初期和局部受事件驱动时波动剧烈[page::4]。

- 例如“OilB”（布伦特原油）和“CarE”（碳排放配额）的波动波峰明显，设有蓝色虚线标示2022年初重要事件节点（推测是俄罗斯-乌克兰战争爆发），突出影响市场波动。图形反映市场存在短期冲击效应与较大波动风险。

3.2 表1：描述性统计及检验

• 统计量包括均值、方差、偏度、峰度及若干单位根和平稳性检验（JB, ERS, ADF, PP检验），从统计学维度确认数据非正态、平稳的属性，为VAR模型应用的前提提供有效支撑。

- 绝大多数品种具有负偏度和肥尾分布（峭度大于（3），异常值风险较高），这提示金融风险的非对称性和极端事件的可能性，模型须兼顾此类风险特征[page::5]。

3.3 图2：肯德尔等级相关矩阵

• 展示所有变量两两之间的散点图及对应的肯德尔相关系数，普遍为正相关，且多在统计显著性水平上显著，显示市场间风险传递和价格联动的基础[page::5]。

3.4 表2：动态平均联动性指标

• 表中详细列出19个市场各自的TO（传出）、FROM（传入）和NET（净向外传导）联动性指标，括号内标明同期与滞后分解。总体联动指数(TCI)为29.38%，同期贡献占主导（20.43%），说明风险传递的即时性强于滞后。

- 玉米（Corn）是最大净传导源（7.01%），其次是大豆粕（Soym）和小麦（Wheal），这些品种因生物燃料需求、水资源高敏感性和全球粮食链重要性成为系统风险发散节点。

• 反之，大麦（Barl）、可可（Cocoa）和瘦猪（Lhog）为净受害者。气候变化指数（CliC）也是风险净输出者（1.57%），而原油（OilB）和碳排放配额（CarE）则为风险净接收者。

- 数据还显示农业内部不同品种间存在复杂的互溢出，如大麦大量接收来自小麦的滞后溢出（3.95%），玉米与小麦风险相互影响显著。此外，原油与农业市场联系与文献一致，支持油价对农业价格的影响假设[page::6,7]。

3.5 图3：动态总联动指数

• 该图展示动态TCI的时间序列，整体趋势反映出2021年以来的疫情影响逐步减弱、随后俄乌战争爆发导致联动性骤升，在2023年6月达到高峰约28%，之后趋于稳定在25%左右。

- 同期效应几乎完全驱动TCI走势，滞后效应维持在较低约10%，且在危机时段略有提升。整体显示市场风险即时反应特性强，具有空间挥发性和事件敏感性[page::7]。

3.6 图4与图5：FROM与TO定向联动性

• 图4（FROM）反映各品种承受的风险传入度，俄乌战争时原油、气候变化、小麦与大麦波动显著，显示这些市场遭受更高外部冲击。大豆及其相关产品的FROM联动性最高，说明其对外部影响更为敏感。

- 图5（TO）揭示各品种对外传导程度，战争期间原油、碳排放配额、气候变化、小麦、大麦等市场对外冲击加剧。相对而言，乳制品、咖啡等对外传导波动较小，部分品种表现稳定，反映不同市场传导渠道的异质性[page::8,9]。

3.7 图6：净总定向联动性

• 图表汇总净传导角色的动态演变。玉米、小麦、燕麦、大豆粕及大豆油为净传导者，表现为持续向市场输出风险。大麦、可可、橙汁及瘦猪为净风险接受者。

- 玉米等品种有时段显示净风险输出极值，显示其市场影响力的动态变化。原油由风险接受者向传导者转变，碳排放配额则趋向相反，反映碳市场风险角色复杂且时变[page::10]。

3.8 图7：净对净定向联动网络

• 图示多对多风险溢出关系，突出气候变化期货对多个农业及能源品种的净传导作用，特别早期对原油影响大，可可、燕麦、乳制品净接受风险。

- 玉米和大豆粕持续向多市场传导风险，原油同时接收来自大豆的冲击，对水稻、棉花、咖啡输出风险。饲料类品种瘦猪主要被多种农业品种影响。

• 这些精细关系支持了表2的定向联动测度[page::11,12]。

3.9 图8：网络连通性分析

• 通过网络节点颜色及连线形态展现交易品种风险传递格局。碳排放配额、大麦、稻米为主要风险净接受市场；玉米和小麦则为主要风险净输出市场。

- 网络结构显示大麦和小麦市场的高联动性及强滞后连通，有利于识别系统重要节点和潜在风险集中市场[page::12]。

3.10 图9：稳健性检验

• 替代相关系数（Spearman、Kendall）及传统杜贝尔-伊尔曼(DY)方法结果均与主方法（Pearson及$R^2$分解）基本吻合，验证了所测联动性动态的稳健性。说明采用$R^2$分解联动性指标具备良好统计性质和实证适用性[page::12]。

---

4. 估值分析

• 本文未涉及传统的企业估值或资产估值，焦点聚集于市场间风险扩散及联动的测量与分析。其估值贡献体现在提出并应用新颖的$R^2$分解联动性框架，区别同期与滞后效果，提供金融风险监控和传递动态的精细刻画。

---

5. 风险因素评估

• 识别的风险因素包括：

- 农业品种间的不均衡风险溢出，如玉米、大豆粕和小麦对系统其他部分的风险传导
- 气候变化市场作为风险源，影响农业及能源市场
- 国际突发事件（如俄乌战争）引发联动风险急剧上升
- 碳排放配额和原油市场周期性角色转换带来的传导不确定性

• 对应影响：风险快速传播可能引发市场系统性风险提升，农业生产的不确定性增加，碳市场价格波动加剧等。政策建议聚焦实时风险监测，实施差异化风险管理策略，尤其针对重要风险源品种[page::6,7,13]。

---

6. 批判性视角与细微差别

• 报告基于高频金融数据、VAR模型及$R^2$分解方法，方法论严谨，数据全面，但存在以下需注意细节：

- 多市场联动和非线性关系复杂度较高，$R^2$分解虽区分同期与滞后，但难免遗漏更高阶非线性效应或结构性断点影响。
- 农产品期货受季节性、气候周期等因素影响，数据截面较短（约3年），是否涵盖足够多气候周期尚有待考量。
- 没有深入讨论模型参数选择对结果稳定性的敏感度，比如VAR滞后阶数、主成分数选择标准可能影响联动性解析。
- 虽设稳健性检验，但对更多模型设定变更（如高阶VAR、非线性模型）验证有限，未来研究可拓展。

• 综上，尽管报告结论务实可靠，但需结合其他复杂风险建模方法补充验证[page::12,13]。

---

7. 结论性综合

本报告利用$R^2$分解联动性方法，深入分析了农业商品、原油、碳排放配额及气候变化期货市场间的风险传递机制。研究揭示：

• 总体联动性核心在同期效应(占70%)，滞后效应次之(约30%)，即时风险共振是主导市场风险动态的关键。

- 农业内部风险传递高度异质：玉米、小麦、大豆粕是净风险传导主导者，表明这些品种不仅自身承担风险，还加剧了其他市场波动。

• 大麦、可可及瘦猪等为主要风险净接受体，显示其在风险传递网中的脆弱角色。

- 气候变化市场具备较强溢出效应，尤其对碳市场、乳制品和部分谷物产生较大影响，同时受到能源市场来回反馈。

• 地缘政治事件（俄乌战争）成为市场溢出波动的关键触发器，导致联动性显著上升。

- 图表分析细致揭示了19个未来品种间复杂且时变的风险网络，提供了动态风险管理视角。

• 稳健性验证显示模型和指标对替代相关系数及传统方法均表现一致，结论可靠。

政策含义方面，鉴于同期溢出效应突出，建议加强市场的实时监控与快速应对，特别针对主要风险传导农产品采取更激进的套期保值和风险缓释措施。同时强化气候适应型农业技术和政策措施，以应对多元风险源的叠加影响。

综上，本研究为理解并管理多市场动态风险传递提供了有效的理论框架和实证工具，对投资者、风险管理者及政策制定者均具有重要指导价值[page::0-13]。

---

总结

本文深刻揭示了农业商品期货市场与能源、碳排放及气候变化市场间的同期与滞后风险溢出机制，确认了市场间的复杂联动性特征，尤其强调同期效应主导风险流动，玉米、大豆粕、小麦为核心风险传导者，气候变化市场也为不可忽视的溢出源。通过多个统计检验和动态分析，为风险管理实践与政策设计提供依据。未来研究可进一步探讨金融技术创新对农业市场风险传递的影响以及非线性、多周期影响机制。

报告