Financial View
金融视线 | MODERN BUSINESS 现代商业77
绿色债券收益率的波动性研究
董文静
上海大学悉尼工商学院 上海 201899
摘要：在绿色金融不断发展的时代背景下，绿色债券受到越来越多的关注，然而关于绿色债券的实证研究却较为稀缺。本文基于2016年5月～2020年4月的绿色债券收益率数据，通过构建GARCH族模型探究了绿色债券收益率的波动性，并且通过DCC模型分析了多元的波动。实证结果表明，绿色债券的收益率存在波动聚集性和非对称性(杠杆效应)，即绿色债券的收益率波动存在自相关性，而且坏消息比好消息对绿色债券收益率波动的冲击更大。
关键词：绿色债券；波动性；绿色金融
中图分类号:F830.2 文献识别码:A 文章编号:1673-5889(2021)11-0077-05
环和国内国际双循环的新发展格局下，带动杭州、浙江以及整个长三角地区文创产业进一步发展升级有着极为重要的意义。
杭州文博会应取长补短，加快自身的建设和品牌推广，努力创建一个广泛会聚国内外项目、信息、技术、资本、人才和产品的平台，创新思维推动文创产业和相关产业的发展与升级，催化文化创意产业市场化的转化速度。结合展会自身的优势和特点，对如产业链、主承办方、举办场馆进行展开深入的探讨和研究工作，因地制宜规划发展策略，补齐杭州文博会劣势因素，为杭州文博会充分赋能。依靠政府和地方企业发展，深耕区域特色会展领域，打造出既能符合顺应市场规则，也能完成政治性宣传任务的文创类展会品牌，更好地推动中国文化产品和服务走向国际市场，提高我国文化产业的整体实力和竞争力。
参考文献：
[1]李战军，陈昌华.深圳文博会：文化产业发展的“加速器”[J].智库时代,2017(04):61.
[2]胡施展.长三角地区会展合作模式探究[J].哈尔滨商业大学学报(社会科学版),2011(02):28-31.
[3]袁园.文博会促进文化创意产业发展策略[J ].开放导报,2017(04):105-108.
[4]洪振强.我国文化产业博览会的现状、作用及特征[J].江汉大学学报(人文科学版),2011,30(03):12-18.
[5]涂军.集群融合视角下我国城市文化创意产业发展路径[J].长春工程学院学报(社会科学版),2020,21(02):58-61.
[6]麻恬恬.数字化时代政府主导型展会转型升级研究[D].山西大学,2020.作者简介：
刘婷婷，浙江金融职业学院，讲师，硕士研究生，研究方向：会展英语、国际商务礼仪、商务英语。
一、引言
绿色发展与环境保护一直以来都是全球的热点问题。1987年，世界环境与发展委员会出版《我们共同的未来》，吸引了世界各国对绿色经济的关注。2007年，欧洲投资银行(EIB)发行了世界上第一只“气候意识债券”来接受银行贷款的可再生能源和能效项目，为绿色债券时代的开启作铺垫。自2013年以来，全球绿色债券市场开始升温并呈现“爆炸式”增长。2014年，《绿色债券原则》成为国际上多家银行达成的自愿行为守则框架。根据国际通行定义，“绿色债券”是为环境保护、可持续发展或气候减缓和适应项目而开展融资的债券，是近年来国际社会为应对气候环境变化开发的一种新型金融工具，具有清洁、绿色、期限长、成本低等显著特点。
我国的绿色债券发展起步较晚，很多相关的政策制度正在逐步推进。2014年5月8日，中广核风电有限公司发行的国内第一单“碳债券”是中国绿色债券的初步尝试。2015年，中共中央、国务院
好记忆印发的《生态文明体制改革总体方案》首次明确了要建立中国绿色金融体系的顶层设计，中国的金融机构和企业开始发行绿色债券。2016年，全国人大通过的《“十三五”规划纲要》明确提出要“建立绿色金融体系，发展绿色信贷、绿色债券，设立绿色发展基金”，构建绿色金融体系已经上升为国家战略。2016年1月，兴业银行、浦发银行分别获准发行不超过500亿元人民币额度的绿色金融债，这标志着中国国内债券市场的绿色债券发行正式启动。作为创新型项目的直接融资工具，绿色债券的优化融资结构功能也将助推我国金融系统的“绿色革命”。可见，研究绿色债券并推动其发展具有重要的现实意义。
本文其余部分安排如下：第二部分为文献综述，回顾以往文献研究和理论；第三部分为研究方法设计；第四部分为数据与实证结果，说明数据来源并对数据进行分析从而得到实证结果，给出理论解释；第五部分为结论与讨论，总结全文，提出可行性建议。
Financial View
| 金融视线
MODERN BUSINESS
现代商业78二、文献综述
绿色债券是与绿色金融关系密切的一部分。绿色金融是为了应对气候变化、加强环境保护、提升绿色增长和绿色治理水平，通过金融工具的创新运用为绿色发展提供资金投入的金融活动的总称(俞岚，2016[1])。一些学者认为金融发展随着经济发展水平、经济结构、能源结构和贸易开放等因素的变化而变化，而且从长期来看，金融发展有利于实现产业结构的优化(Claudia等，2010[2]；Wu等，2012[3]；张国兴等，2015[4]；邵汉华等，2017[5]；吴婷婷和肖晓，2018[6])。绿色金融发展则通过绿色信贷、绿色债券等方式支持产业结构优化调整，不仅体现环境保护意识和可持续发展的理念，也为金融行业竞争带来新的利润增长点(Juan等，2013[7]；王玉婧和江航，2017[8])。而且，绿色金融可以推动产业结构的升级、优化能源结构和促进技术创新(李苗苗等，2015[9]；杜莉等，2012[10]；严成樑等，2016[11])。
绿色债券(Green Bond)的定义经历了不断发展的过程。2014年，国际资本市场协会(ICMA)将“绿色债券”定义为“融资资金专项直接或间接用于符合可持续发展要求的气候、环境等绿色项目的债券工具”。2015年，世界银行将绿色债券细分为绿色项目债券、绿色收入债券、绿色用途债券和绿色证券化债券。王修华和刘娜(2016)认为绿色债券是募集资金专项支持绿色产业项目的特殊债券[12]。王遥和徐楠(2016)认为绿色债券是政府、金融机构、工商企业等发行者向投资者发行，承诺按一定利率支付利息并按约定条件偿还本金的债权债务凭证，且募集资金的最终投向应为符合规定条件的绿色项目[13]。
关于绿色债券发展特征的研究，詹小颖(2016)认为我国的绿色债券发展迅猛[14]。我国绿色债券发行自2016年初启动，2016年也是我国贴标绿色债券发展元年，国内贴标绿色债券累计发行53只，发行规模达2052.31亿元，约占同期全球发行总量的33.6%，成为全球最大的绿色发行债券市场。绿色债券的发行主体涵盖金融业、采矿业、电力能源类、水务类、制造业、交通基础业、商业服务及物品类、综合类等8个行业，募集资金主要投放污染防治、生态保护和适应气候变化、资源节约与循环利用、清洁能源与清洁交通等领域。金佳宇和韩立岩(2016)的分析得出绿色债券具有具体绿色投资项目的支撑和公共品属性，而且具有项目透明性、信用评级较高、违约风险相对较低、流动性较好的风险特征[15]。
关于绿色债券收益率及其波动性的研究，徐箫和李勇(2018)得出我国绿色债券市场与传统债券市场一方面在收益率的均值和波动性上存在相互的溢出效应，另一方面在收益率的相关性上则体现出不断下降的特征[16]。杜子平等(2019)得出绿色债券与传统债券指数收益率序列动态相关系数呈现出了一定程度的不稳定性，虽然波动剧烈，但是幅度并不大[17]。Takashi(2020)提出了将绿色度纳入摩根士丹利资本国际(MSCI)和标普绿色债券的建议，并认为绿色债券的投资绩效优于传统债券，但是这种优势会随着时间的推移而减弱[18]。Linh和Toan(2020)首次实证研究投资者关注度与绿色债券市场表现之间关系，发现投资者的注意力会影响绿色债券的收益和波动，但是这种关系是时变的[19]。Clarence等(2020)运用的研究结果表明，除了传统的经济政策支持外，气候承诺可以通过鼓励给可再生能源项目提供更多的绿色债券融资来推动全球减排[20]。
综上所述，绿色债券的发展起源于发达国家，而我国的绿色债券虽然起步晚，但是发展迅猛。从现有的文献中，我们可以得到大量关于绿色债券定义、发展路径等方面的文章，这有利于我们较为全面地认识绿色债券。然而关于绿色债券的实证研究则相对稀缺，
一些用GARCH族模型分析绿色债券的论文大多关注绿色债券收益率的杠杆效应、波动溢出效应以及投资者关注度等方面。因此，本文在现有研究的基础上，不仅通过构建一元的波动模型，而且尝试运用多元的波动模型来分析我国绿色债券收益率的波动性，可以丰富和改进现有的实证研究。
三、研究方法设计(一)实证方法
关于收益率波动性的研究，用GARCH族模型。首先，ARCH 模型和GARCH模型研究平稳的数据，不考虑非对称性(杠杆效应)。A R C H 模型和G A R C H 模型的构建基础来源于在一些金融领域，波动性的研究十分重要，而且收益率的波动是随时间变化的，并且体现出波动聚集性，即大波动通常伴随着大波动，小波动通常伴随着小波动。其次，对于波动的非对称性(杠杆效应)，可以通过构建EGARCH模型来研究，并利用信息准则来选择最优的模型。GARCH族模型反映的杠杆效应，表示坏消息通常比好消息对波动的影响更大。最后，对于多元的波动性，即选择绿色债券和其他多个债券进行研究时，可以用DCC模型。该模型可以有效降低参数的维度即减少参数个数，有利于对参数结果作出解释。
咖啡的作用
(二)研究假设与预期结果
1.研究假设
根据现有文献的研究成果和金融计量学理论基础，本文提出以下两点研究假设：
假设1：绿色债券收益率具有波动聚集性。
假设2：绿色债券收益率具有非对称性(杠杆效应)，即坏消息通常比好消息对绿色债券收益率波动性的影响更大。
2.预期结果
根据理论研究和研究假设，本文预期绿色债券收益率的波动性可以由GARCH族模型进行刻画，从而体现出绿色债券收益率的波动聚集性和非对称性(杠杆效应)。
四、数据与实证结果(一)数据来源
本文采用2016年5月～2020年4月的绿色债券收益率数据，以及大型商业银行债券收益率、股份制商业银行债券收益率、城市商业银行债券收益率、农村商业银行和合作银行债券收益率、国债收益率、企业债券收益率、汽车金融公司金融债收益率的数据均来源于中经网统计数据库。
(二)描述性统计
本文采用了绿色债券的2016年5月～2020年4月的收益率数据，得到描述性统计结果如表1所示。其中，绿色债券收益率的最小值为1.4255%，最大值为2.0309%，平均值为1.8051%，标准差为0.1554，偏度(Skewness)的取值为-0.6501，峰度为(Kurtosis)的取值为-0.5230。
表1 描述性统计
指标数值最小值0.0142最大值0.0203平均值0.0181标准差0.1554偏度-0.6501峰度
-0.5230
图1展示了绿色债券收益率的样本密度函数。从图1中可以清楚
Financial View
十八岁那年金融视线 | MODERN BUSINESS 现代商业79
地看到绿色债券收益率的密度函数图呈现出了左偏和接近正态分布的特征。此外，t检验的P值接近0，表明拒绝绿色债券收益率均值为零的原假设，而Jarque-Bera正态性检验(Normality Test)的P值为0.1389则表明无法拒绝绿色债券收益率服从正态分布的原假设。
图1 绿色债券收益率的密度函数
(三)模型的构建
1.ARCH(m)模型与GARCH(m,s)模型
A R C H (m )模型中，t r 是一个带有误差项T t t a 1
}{=的
ARMA(p,q)模型。其中，t t t
a εσ=，而且在已知t-1期信息的条
件下t a 服从均值为0且方差为t
2σ的独立同分布。其表达式如下所
示：
m t m t t a
a
−−+++=2
2
2
1
10ααασ (1)
G A R C H (m ,s )模型中，r t 是一个带有误差项
T
t t a 1}
{=的ARMA(p,q)模型。其中，t t t a εσ=，而且在已知t-1期信息的条
件下t a 服从均值为0且方差为t
2σ的独立同分布。其表达式如下所
示：
j
t s
j j i t m
i i t a −=−=∑∑+++=2
2
1
210σ
βαασ (2)
其中，00>α，0>i α，0j >β，而且
1)(),max(1
<+∑=s m i i i
βα
。
最常见的G A R C H 模型是G A R C H (1,1)模型，即
111
1022
2
−−++=t t t a
σβαασ，其中00>α，01>α，01>β，且
111<+βα。t t a r +=µ，根据模型，可以得到均值µ=)(t r E ，方
差
，偏度为0即是对称的(Symmetric)，峰度
大于3表示“厚尾”。
构建A R C H 模型和G A R C H 模型，需要检验A R C H 效应(A R C H Effect)，即验证波动聚集的特
征。一方面，当ACF缓慢衰减时，我们可以认为ARCH效应存在；另一方面，依据Ljung-Box检验，其原假设是不存在ARCH效应，因此，当统计量Q(m)大于临界值或P 值小于显著性水平α时，我们可以拒绝原假设，认为存在ARCH效应。滞后阶数的选择(Order Selection)可以通过画图判断，当ACF 在m阶截断，则m为最优的滞后阶数。一个更好的阶数选择方式是根据信息准则来判断，即当AIC取最小值时其对应的阶数是最优的。ARCH模型和GARCH模型的好处在于可以体现波动聚集的现象以及金融收益“厚尾”的特征。不足之处在于模型体现出好消息和坏消息具有对称的冲击，但事实上坏消息比好消息的冲击更大，ARCH模型和GARCH模型却无法对这种非对称性加以刻画。
2.非对称的GARCH模型
非对称的GARCH模型可以检验波动的杆杆效应(Leverage Effect)，即坏消息比好消息具有更大的冲击。我们可以通过构建EGARCH模型来检验波动的非对称性(杠杆效应)。
EGARCH模型的表达式如下所示：
园本教研(3)
其中，t t
a r +=µ，t t t a εσ=，而且在已知t -1期
信息的条件下t a 服从均值为0且方差为t 2
σ的独立同分布
，
。当EGARCH模型中的0<α
时，我们可以
得到杠杆效应的存在。
构建非对称的G A R C H 模型，需要检验A R C H 效应和杠杆效应，通过信息冲击曲线(News Impact Curve)，我们可以度量正的或负的信息冲击(Information Shock)如何影响波动性。非对称的信息冲击曲线中左侧比右侧更加陡峭则体现出杠杆效应。
3.多元的GARCH模型
在多元的GARCH模型中，由于DCC模型仅需估计两个参数，显著地降低了维度，避免了参数过多带来的“维度诅咒”问题，我
们可以根据DCC的估计结果来分析多元的波动。
Engle(2002)提出的DCC模型事先对每个资产收益率估计一元的G A R C H 模型
。
，其中
n
i ,,2,1 =。一元的
GARCH(1,1)模型如下所示：
1,1-,,2−++=t i i t i i i t i i h b a h εω (4)
其中，i µ，i a ，i b 是常数，0>i a ，0>i b ，1<+i i b a 。
令
，根据
可以估计出α和β。相关系数阵2/1-t t 2/1t t }{}{Q diag Q Q diag R −=。−
Q 常数是n n ×是维t ε的非条件协方差矩阵(Unconditional Covariance
Matrix)，
=t n t
t
h h h Q diag ,,2,1t 000000}{ ，α和β是常
数。0|Q |t >。可以推出0>α，0>β。当数据平稳时，可以得到1<+βα。构建DCC模型需要先明确一元的GARCH模型，然
后估计DCC(1,1)模型，最后检验残差的ARCH效应。
(四)实证结果
1.GARCH模型的实证结果
根据信息准则A I C ，我们可以对债券收益率建模的A R M A 模型中选择最优的滞后阶数。由于MA模型中AIC最小的模型是M A (7)，其A I C =-61.7665，而A R M A 模型中A I C 最小的模型是ARMA(1,1)，其AIC=-67.0457，而且这个值比MA模型的AIC值更小。所以，在构建ARCH和GARCH模型时，我们可以先对债券收益率构建ARMA(1,1)模型。其表达式可以写成式(5)。式(5)的结果表示当t-1期的收益率增加1个百分点，t期的收益率会增加0.9689个百分点，而t-1期的信息冲击会使得t期的收益率减少0.5924个百分点。
Financial View | 金融视线
MODERN BUSINESS
现代商业80
11t 0.5924-9689.07700.1r −−+=t t a r (5)
由于ARCH模型的AIC=-0.8901，为了对绿色债券收益率的波动构建更优的模型，我们拟合了GARCH模型。我们先根据之前得到的ARMA(1,1)模型，做Ljung-Box检验可以得到P值接近0，说明存在ARCH效应。然后，绘制残差平方的ACF和PACF，如图2所示。图中的ACF和PACF均缓慢衰减，故可以用GARCH(1,1)建模。当设置为正态分布时，GARCH模型的AIC=-0.9060；当设置为偏学生t分布时，AIC进一步减小至-0.9277。
图2 残差平方的ACF与PACF
因此，ARMA(1,1)+GARCH(1,1)模型(偏学生t分布)为最优的GARCH模型。根据表2中模型的估计结果，其表达式可以写成：
11
22
2
0.6097-0.7165−−+=t t t a
σσ (6)
该模型的估计结果表示当t -1期表示绿色债券收益率的ARMA(1,1)模型的误差项增加1个百分点时，t期的收益率波动会减少0.7165个百分点；当t-1期的绿色债券收益率波动增加1个百分点时，t期的收益率波动会增加0.6097个百分点。图3显示了该模型的样本分位数和理论分位数的点重合度很高，说明该模型的拟合情况非常好。
表2 GARCH模型的估计结果系数
标准差AR1-0.7165***0.0000MA1 1.0000***0.0000Alpha 0.7165*0.0605Beta 0.6097***0.0000Skew
-0.1000***
0.5366
注：*和***分别表示在10%和1%的显著性水平下显著。
图3 GARCH模型的QQ Plot
2.非对称GARCH模型的实证结果
当构建 A R M A (1,1)+E G A R C H (1,1)模型(正态分布)时，A l p h a =-0.3293，且在1%的显著性水平下显著，表示存在杠杆效应，A I C =-1.7915。进一步考虑学生t 分布，得到Alpha=-0.6261，且在1%的显著性水平下显著，表示存在杠杆效应，A I C =-1.6987，比正态分布下的E G A R C H 模型具有更大的AIC值，故ARMA(1,1)+EGARCH(1,1)模型(正态分布)是最优的非对称GARCH模型，估计结果见表3，其QQ Plot如图4所示。
ARMA(1,1)+EGARCH(1,1)模型(正态分布)的表达式可以写成：
(7)
其中，
，t a +=9327.1r t ，t t t a εσ=，在已知
t-1期信息的条件下t a 服从均值为0且方差为t 2
σ的独立同分布。该模型表示当1-t a 或1-t ε大于0时，例如11-=t ε
，则它对
的影响为αεα
=−||1t 即-0.3293；当1-t a 或1-t ε小于0时，例如
1-1-=t ε
，则它对
的影响为α
εα
-||-1=−t 即0.3293。因
此，该模型刻画出了商业指数收益率波动的非对称性，表明坏消息的冲击比好消息的冲击更大。
表3 EGARCH模型的估计结果
系数
标准差μ 1.9127***0.0000AR1 1.0000***0.0000MA1-0.6145***0.0000Omega -1.1966***0.0000Alpha -0.3293***0.0000Beta 0.7539***0.0000Gamma
-1.0605***
0.0000
注：***表示在1%的显著性水平下显著。
图4 EGARCH模型的QQ Plot
3.多元GARCH模型的实证结果
通过构建Engle(2002)方法的DCC模型(学生t分布)，得到估计结果如表4所示。
表4 DCC模型的估计结果
系数
标准差α
0.0500*0.0286β
0.5739***
0.1624
注：*和***分别表示在10%和1%的显著性水平下显著。
DCC模型的表达式可以分别写成：
Financial View
金融视线 | MODERN BUSINESS
现代商业
81
111t 5739.0'0500.03761.0−−−−
++=t t t Q Q Q εε (8)其中，3761.05739.0-0500.0-1-1==−βα，()',,,1-81-21-11-t t t t εεεε =，
Q 是n n ×维t
ε的非条件协方差矩阵。然后，检验ARCH效应，得到P
值=0.7534，故接受不存在ARCH效应的原假设，说明构建的DCC 模型比较好。此外，该多元波动模型的系数比一元GARCH模型的系数更小，表明仅包含绿色债券的收益率波动存在更大的ARCH效应。
五、结论与讨论
本文基于2016年5月～2020年4月的绿色债券收益率数据，通过构建GARCH族模型探究了绿色债券收益率的波动性，并且通过DCC模型分析了多元的波动。具体结论有以下三点：
贴膏药游戏第一，绿色债券的收益率存在波动聚集性。当t-1期表示绿色债券收益率的ARMA(1,1)模型的误差项增加1个百分点时，t期的收益率波动会减少0.7165个百分点；当t-1期的绿色债券收益率波动增加1个百分点时，t期的收益率波动会增加0.6097个百分点。
第二，绿色债券的收益率存在波动的非对称性(杠杆效应)。这表示坏消息比好消息对绿色债券收益率的波动具有更大的冲击。
第三，多元波动模型的系数比GARCH模型的系数更小，表明仅包含绿色债券的收益率波动存在更大的ARCH效应。
总而言之，绿色债券的收益率近期存在缓慢上涨的趋势，其波动性存在波动聚集性和非对称性(杠杆效应)。随着绿色金融的不断发展，绿色债券在学术领域将会有更高的关注度。不仅是理论分析这种顶层设计的制度框架，而且应当有更多的实证分析来探究绿色债券等领域的发展规律，助力绿色金融的发展创新。
退休欢送会主持词
参考文献：
[1]俞岚.绿色金融发展与创新研究[J].经济问题,2016(01):78-81.[2]张国兴，张振华，刘鹏，刘明星.我国碳排放增长率的运行机理及预测[J].中国管理科学,2015,23(12):86-93.方法论有哪些
[3]邵汉华，刘耀彬.金融发展与碳排放的非线性关系研究——基于面板平滑转换模型的实证检验[J].软科学,2017,31(05):80-84.[4]吴婷婷，肖晓.供给侧结构性改革视角下中国绿色金融体系的构建研究[J].西南金融,2018(01):3-11.
[5]王玉婧，江航翔.以绿色金融助推低碳产业发展的路径分析[J].武汉金融,2017(04):54-56.
[6]李苗苗，肖洪钧，赵爽.金融发展、技术创新与经济增长的关系研究——基于中国的省市面板数据[J ].中国管理科学,2015,23(02):162-169.
[7]杜莉，李博.利用碳金融体系推动产业结构的调整和升级[J].经济学家,2012(06):45-52.
[8]严成樑，李涛，兰伟.金融发展、创新与二氧化碳排放[J].金融研究,2016(01):14-30.蹀躞
[9]王修华，刘娜.我国绿色金融可持续发展的长效机制探索[J].理论探索,2016(04):99-105.
[10]王遥，徐楠.中国绿色债券发展及中外标准比较研究[J].金融论
坛,2016,21(02):29-38.
[11]詹小颖.绿色债券发展的国际经验及我国的对策[J].经济纵横,2016(08):119-124.
[12]金佳宇，韩立岩.国际绿色债券的发展趋势与风险特征[J].国际金融研究,2016(11):36-44.
[13]徐箫，李勇.绿色债券市场收益率溢出效应研究[J].时代金融,2018(35):170-171.
[14]杜子平，张文静，提爱梅.国际绿色债券指数间联动性研究——基于DCC-GARCH模型的实证分析[J].价格理论与实践,2019(11):74-77.
[15]Claudia S,Belizza JR,Leticia O.Energy consumption and related CO2 emissions in five Latin American countries: Changes from 1990 to 2006 and perspectives[J].Energy,2010,36(6):3629-3638.
[16]Wu F,Fan LW,Zhou P,Zhou DQ.Industrial energy efficiency with CO2 emissions in China: A nonparametric analysis[J].Energy Policy,2012,49:164-172.
[17]Juan CGP,Takaaki F,Toshihiko N.Analysis of CO 2 emissions reduction potential in condary production and mi-fabrication of non-ferrous metals[J].Energy Policy,2013,52:328-341.
[18]Takashi K.Are green bonds environmentally friendly and good performing asts?[J].Energy Economics,2020,88:1-17.
[19]Linh P,Toan LDH.How does investor attention influence the green bond market?[J].Finance Rearch Letters,2020,35:1-7.
[20]Clarence T,Alexander RK,Shunsuke M.Policy targets behind green bonds for renewable energy: Do climate commitments matter?[J].Technological Forecasting & Social Change,2020,157:1-10.作者简介：
董文静，上海大学悉尼工商学院，在读硕士研究生，研究方向：金融学。
