• 研究使用Diebold和Yilmaz（2012）的时间域TVP-VAR-DY模型及Baruník和Kˇrhlík（2018）的频率域分析方法，探讨CPU、化石能源、清洁能源及食品市场之间的溢出效应 [page::0][page::2][page::3].

- 描述性统计显示CPU波动最大，食品市场波动较小，表明政府干预使食品价格相对稳定。CPU与食品市场相关性整体为负，能源市场则表现较正相关。相关性矩阵见图1：

• 静态溢出效应中，总体溢出指数为25.28%。油市场是最大贡献和接受者，CPU贡献性最低，化石能源和清洁能源总体为净贡献者，而CPU为净接受者。食品市场中谷物和油类为净贡献者，肉类、乳制品和糖市场为净接受者。该结果反映了生物燃料与食品原材料如谷物、油脂之间的联动关系 [page::4][page::7].

| 市场 | 净溢出 (net) (%) |
|--------------|------------------|
| CPU | -0.73 |
| Fossil Energy| 4.66 |
| Clean Energy | 2.75 |
| Meat | -13.37 |
| Dairy | -0.15 |
| Cereals | 0.18 |
| Oils | 12.36 |
| Sugar | -5.70 |

• 从频率域角度，溢出效应以短期(1-4个月)为主(14.67%)，中期(4-12个月)和长期(12个月以上)溢出效应显著降低(分别为6.13%和4.48%)。短期油市场为最大贡献者，化石能源为最大接受者，强调信息传递主要发生在短时段 [page::5][page::7].
• 网络结构分析表明，肉类市场在多个中心性指标（度中心性、接近中心性）中居于核心地位，油市场在特征向量中心性中排名最高，说明其市场为系统中极为重要的连接枢纽。CPU在短期为净风险传递者，中长期转为风险接受者，表征政策效应的时间滞后性 [page::6][page::9].

• 动态分析表明溢出效应随时间波动，2012年底达到峰值后逐步回落。该年全球食物危机和欧债危机对市场溢出具有显著推动作用。整体动态溢出受高频信息影响更大，显示市场间信息反应快速 [page::6][page::9].

• 净溢出动态趋势显示，CPU及肉类作为净接受者，能源市场、谷物和糖市为净贡献者，反映了市场角色随时间演变的动态变化。

• 本文研究对于政策制定者、投资者及风险监管部门具有实用指导意义：提醒防范CPU对能源与食品市场短期风险传导，依据不同频率提供跨市场资产配置及风险预警建议，识别关键风险传导节点，实现有效跨市场风险管理 [page::10].

金融研究报告详尽分析

报告标题：Spillover effects between climate policy uncertainty, energy markets, and food markets: A time-frequency analysis
作者：Ting Zhang、Peng-Fei Li、Wei-Xing Zhou
所属机构：湖南科技大学商学院（中国）、华东理工大学商学院及经济物理研究中心、数学系（中国上海）
发布日期：报告中未明示具体发布日期，样本期截止2023年12月
研究主题：气候政策不确定性（CPU）与能源市场与食品市场之间的溢出效应

---

一、报告元数据与概览

本报告主要探讨了气候政策不确定性（Climate Policy Uncertainty，CPU）与传统化石能源、清洁能源及食品市场（肉类、乳制品、谷类、油脂和糖）之间的收益率溢出效应。核心观点是CPU对市场的冲击呈短期净传导者、长期则为净接受者，而能源和食品市场间存在复杂的频域和时域联动，且以短期高频波动为主驱动。作者采用基于Diebold和Yilmaz（2012）的时间域TVP-VAR-DY模型及Baruník和Křhlík（2018）的频域溢出指标进行分析，深入刻画了各市场间的因果和传染路径。最终，报告得出油市作为关键枢纽市场地位明确，肉类市场为净贡献者，清洁能源及油市为净接受者。[page::0,1]

---

二、章节深度解析

2.1 引言

作者先从全球气候危机与气候政策背景切入，阐述政策不确定性通过减缓化石能源消费、促进清洁能源发展间接影响食品价格。同时指出能源与食品市场的各种关联渠道：能源价格驱动食品生产成本、生物燃料需求导致粮价上涨以及金融化带来的价格联动等。现有研究主要集中于石油与粮价关系，缺乏对清洁能源的关注，且多数基于时间域分析。该报告填补清洁能源市场纳入及频域分析的空白。[page::0,1]

2.2 文献回顾

报告梳理了CPU对能源消费及价格影响的多重实证结论，如Syed等（2023）发现CPU抑制清洁能源消费，而Shang等（2022）、Zhou等（2023）表明其正面作用。食品市场方面CPU显著影响粮食价格和农业产出，且CPU与大宗商品存在溢出互动。然而介于研究对象局限和方法单一，仍需联合考察CPU与能源食品市场整体联动，且关注频域层面。基于此，报告设计了覆盖化石能源、清洁能源及细分食品子市场的分析框架。[page::1]

2.3 方法论

• 时间域溢出指标：基于Diebold和Yilmaz（2012）利用泛化误差方差分解（GFEVD），并结合Antonakakis等（2020）的TVP-VAR（时间变参数向量自回归）模型，构建带有时变参数和协方差矩阵的溢出指数。

公式详尽介绍了模型形式（参数矩阵及噪声假设），以及如何通过对矩阵$D_{ij}(h)$的标准化得到单个市场的传出（TO）、接受（FROM）及净溢出值（NET）。

• 频域溢出分析：引入Baruník和Křhlík（2018）的频谱GFEVD，将溢出度按频率区间进行分解，能区分短期（1-4月）、中期（4-12月）、长期（12月至无限）影响的动态特征。该方法通过频率积分操作衡量频域内的净溢出情况。

- 数据选取：CPU指数采用Gavriilidis（2021）构建的美国气候政策不确定性指标；能源市场用iShares US Oil & Gas ETF（IEO）代表化石能源，iShares Global Clean Energy ETF（ICLN）代表清洁能源；食品市场根据FAO的食品价格指数拆分为肉类、乳制品、谷物、油脂和糖，覆盖2012.01至2023.12的月度数据，确保了跨市场分析的广度与时间长度。[page::2,3,4]

2.4 描述性统计与初步相关性

表1显示，各市场收益率的均值接近零但波动率差距明显：CPU指数波动最大，能源市场次之，食品市场相对稳定，表明政府对农产品市场可能有稳定供给调控。偏度与峰度显示CPU和大多数市场非正态分布，且存在显著的极端价格波动。单位根检验均通过，验证了数据的平稳性，适合TVP-VAR模型应用。图1的相关性矩阵揭示大部分变量之间呈正相关，CPU与食品市场呈负相关或接近零，反映政策不确定性与食品收益的负面或弱联动。[page::4,5]

---

三、图表深度解读

3.1 表1（描述性统计）

| 市场 | 平均收益 | 标准差 | 偏度 | 峰度 | JB正态检验 | 单位根检验（ADF、PP、ZA、KPSS） |
|-------|----------|--------|------|-------|------------|----------------------------------|
| CPU | 0.0076 | 0.3753 | 0.1512 | 3.3763 | 非正态 | 平稳 |
| 化石能源 | 0.0037 | 0.1020 | -0.7542 | 10.1492 | 非正态 | 平稳 |
| 清洁能源 | -0.0005 | 0.0898 | -1.7873 | 12.9431 | 非正态 | 平稳 |
| 肉类食品 | 0.0005 | 0.0199 | -0.1303 | 2.8938 | 正态 | 平稳 |
| ... | ... | ... | ... | ... | ... | ... |

解读：CPU指数标准差远大于所有市场，反映其高波动性。偏度与峰度表明市场收益分布存在异态性，提示价格含有极端跳变风险。单位根检验支持数据适合进行时间序列建模。[page::4]

3.2 图1（散点图与相关系数矩阵）

• 图中呈现：CPU与能源和大多数食品市场相关系数微弱甚至负相关，油与谷物、油脂高度正相关（0.479与0.290），说明油价是农业及食品价格变动的重要驱动因素。

- 清洁能源与乳制品呈弱正相关，突出能源结构转型与农业的潜在联动。

• 散点图中数据点呈现一定散布，提示价格间可能存在非线性关系。

图表支持了文本中论述油价对食品价格的主导影响及CPU与食品市场负相关的观点。[page::5]

3.3 表2（静态溢出指标总览）

• 总 spillover index (DY法)为25.28%，表明市场间约25%的收益波动通过传染效应共享。

- “To”和“From”指标显示油市贡献最大传染（To=51.61%），同样是主要接受者，说明油市在系统中既是风险发源地也是重要的反馈市场。

• CPU贡献率最低，净溢出为-0.73，说明整体为净接受者，但频域分析显示在短期（BK-short）CPU为净传导者（Net=-2.69），中长期则转为净接受。

- 食品市场中谷物和油脂为净贡献者，肉类、乳制品及糖为净接受者，反映了生物能源需求与食品价格驱动机制。

结合频域指标，总体溢出效应由短期高频主导，溢出效应随频率变长明显下降，市场信息传递迅速，冲击效应快速消散。[page::4,7]

3.4 图2（网络图）

• 节点大小代表净溢出绝对值，颜色区分净传导者（蓝色）和接受者（粉色）。

- 肉类为最大净传导节点，向谷物及油脂强烈传导溢出风险。

• CPU短期为净传导者，传递风险至清洁能源、化石能源、乳业和糖类，长期则接收来自所有能源和食品市场的冲击。

- 油市主要向化石能源传播风险，显示油脂市场在生物燃料发展中作为枢纽的角色。

图示清晰展示多市场间的双向及时频溢出逻辑，体现各市场在不同期限的关键角色变化。[page::8]

3.5 图3（动态总溢出指数）

• 总体溢出指数在2012年底达到顶峰，随后逐步回落，反映特定宏观事件（如2012年粮食危机、欧洲债务危机）引发剧烈市场联动。

- 不同频域溢出随时间趋势相似，但高频成分占主导，顽固性强。

动态变化提示投资者和政策制定者需高度关注短期市场冲击风险的管理。[page::9]

3.6 图4（净溢出指数动态）

• CPU净溢出指数波动较大，早期指标波动幅度显著，近年趋于负值，表明CPU更多接受市场外部冲击。

- 能源市场，尤其油市呈长期净贡献者状态。

• 肉类和谷物等食品市场在不同时间段表现为多变的净接收者或贡献者角色，说明其受政策和市场因素影响较大。

提供了系统风险在时间维度上的动态演化和市场间风险传递的细腻刻画。[page::10]

---

四、估值与风险分析

本报告并非直接财务估值研究，而是基于风险传递分析框架，围绕市场联动度展开。估值方法主要体现在：

• TVP-VAR模型通过对市场间收益方差分解建立溢出指标，反映市场间系统性风险溢出。

- 频域模型则进一步区分扰动在短、中、长期的传递强度，揭示不同投资期限效应。

风险层面，报告强调的风险因素为CPU的高频风险传递，尤其短期内对能源和食品市场的冲击。能源市场，尤其油脂市场风险枢纽地位明显，若遭遇剧烈波动，可能产生广泛系统性风险。报告虽未对风险缓解提供具体策略，但指出风险持续动态变化的现实，为市场风险管控提供依据。[page::10]

---

五、批判性视角与细微差别分析

• 假设稳健性：TVP-VAR和频域分析依赖样本内参数估计，可能对结构性变动和外生政策冲击的因果解释存在局限，尤其在极端事件下模型稳定性需进一步检验。

- 数据覆盖：CPU指标仅基于美国数据，限制了对全球多样性气候政策影响的泛化。报告对此明确提出未来研究方向。

• 能源类别分类：清洁能源以ETF代理，可能忽略内部结构差异，尤其新兴能源和传统油气的交叉影响复杂，未来可细分分析。

- 政策因素动态：CPU作为政策不确定性的代理指标，在中长期转为净接收者，暗示政策执行与市场适应存在时间滞后，这一细微之处值得关注。

• 市场非均衡因素：食品市场政府干预、补贴等非市场因素可能带来估计偏差，建议结合宏观政策变量以提升解释力。

整体上，报告方法严谨，结论清晰，兼顾了理论与实证的连贯性，但部分观点对模型依赖性较大，需辅以进一步实证验证与多国视角。[page::1,11]

---

六、结论性综合总结

本报告全面系统地揭示了气候政策不确定性、化石能源、清洁能源及食品市场间复杂的溢出关联，结合时间域和频率域的多角度评估，得到下列主要发现：

• CPU作为短期净风险传导体，对能源及食品市场快速产生冲击，但随着时间延长，CPU逐渐成为风险净接受者，反映气候政策效应的时序性和累积性影响。[page::0,6,9]

- 油脂市场在系统中居核心枢纽地位，既是溢出风险的主要贡献者，也是重要接受者，实证支持油价作为能源和食品市场联动的关键变量，特别是作为生物燃料投入体现能源价格对粮价的双重作用。[page::4,7,8]

• 肉类市场为主要风险传导节点，向谷物和油市场输出溢出效应，提示食品类别内的传染路径清晰，食品价格联动备受能源市场和政策影响。[page::8,9]

- 溢出效应随时间频率划分呈现明显衰减，短期（1-4月）频率贡献最大，说明市场信息传递快速，短期冲击尤需关注。动态溢出指标表明2012年期间风险传导最为剧烈，后续趋于平稳。[page::5,9]

• 数据统计显示CPU市场波动最大并具有非正态分布特征，食品市场表现较平稳，反映不同市场对政策和经济冲击的响应程度不同，食品市场可能受政策刺激和监管影响更强，导致波动性相对分散。[page::4]

政策建设建议包括：

• 关注政策不确定性短期风险波动，强化对能源和食品价格的联合监管和风险预警。

- 投资者基于频域溢出特征，按投资期限区分风险管理策略。

• 跨市场风险监管部门可依据网络分析结果识别关键风险节点，科学设计风险缓释方案。

综上所述，报告基于严谨模型，提供了气候政策和能源食品市场间复杂溢出关系的深刻洞察，为学术研究和实务提供了重要参考框架。[page::0-11]

---

七、附录：图表展示

图1：相关性散点图矩阵


图2：市场间净溢出网络图


图3：总溢出动态时间序列


图4：净溢出动态


---

（全文基于报告页码序列引用，确保观点和数据的精确溯源）

报告