اقدامات مهار COVID-19 و بازده بورس: یک تحقیق بین المللی اقتصاد اقتصادی فضایی

از ژانویه سال 2020 Elsevier یک مرکز منابع COVID-19 با اطلاعات رایگان به زبان انگلیسی و ماندارین در مورد رمان Coronavirus Covid-19 ایجاد کرده است. مرکز منابع Covid-19 در وب سایت اخبار و اطلاعات عمومی شرکت Elsevier Connect میزبان است. Elsevier بدین وسیله اجازه می دهد تا تمام تحقیقات مربوط به COVID-19 خود را که در مرکز منابع COVID-19 موجود است-از جمله این محتوای تحقیق-که بلافاصله در مخازن PubMed Central و سایر سرمایه گذاری های عمومی در دسترس است ، مانند پایگاه داده WHO COVID با حقوق برایتحقیقات بدون محدودیت دوباره استفاده و تجزیه و تحلیل به هر شکلی یا به هر وسیله ای با تأیید منبع اصلی. این مجوزها تا زمانی که مرکز منابع COVID-19 فعال باشد ، توسط Elsevier به صورت رایگان اعطا می شود.

خلاصه

ما تأثیر اقدامات فاصله اجتماعی دولت ها را در برابر بیماری جدید Coronavirus 2019 (COVID-19) بررسی می کنیم زیرا این امر در 45 شاخص اصلی بازار سهام منعکس شده است. ما شواهدی از اثرات منفی مستقیم و غیرمستقیم (سرریز) برای دوره اولیه اقدامات مهار (قفل کردن) می یابیم.

1. معرفی

بیماری Coronavirus 2019 (COVID-19) شیوع جهان را شوکه کرد و موج بی سابقه ای از عدم اطمینان در اقتصادهای واقعی و همچنین در بازارهای مالی را به وجود آورد ، زیرا دومی انتظارات اقتصادی را منعکس می کند. نحوه برخورد جامعه بین المللی با شیوع Covid-19 در تاریخ همه گیر بی سابقه است ، به دلیل قفل شدن هماهنگ جهانی که فعالیت اقتصادی را برای چندین ماه محدود می کند و جامعه و بازارهای مالی آسیب دیده است. علاوه بر این ، خطر ابتلا به چندین امواج در آینده قفل از زمان واکسن یا یک درمان مناسب هنوز به طور رسمی اتخاذ نشده است. تا زمانی که یک درمان کارآمد در دسترس نباشد ، عوامل اقتصادی با احتیاط شدید رفتار می کنند ، زیرا ممکن است انتظار داشته باشند که موج رکود اقتصادی برای چندین دوره زمانی ادامه یابد (کوهلشین و همکاران ، 2020).

شیوع COVID-19 بیانگر یک رویداد بین المللی سیستم اقتصادی است و در نتیجه ، بررسی رابطه این رویداد با متغیرهای اقتصادی واقعی و همچنین عملکرد بازار مالی جهانی مهم است. در گذشته ، تلاش های بسیاری برای اندازه گیری تأثیر چنین حوادث اگزوژن ، مانند اپیدمی یا بلایای طبیعی ، بر متغیرهای اقتصادی صورت گرفته است (به عنوان مثال ، نیپانی و واشر ، 2004 ، وانگ و کوتان ، 2013). این بار ، ماهیت همه گیر COVID-19 ممکن است به درک مکانیسم هایی که از طریق آنها ممکن است بر اقتصاد بین المللی و بهزیستی مردم تأثیر بگذارد ، کمک کند. نتایج تحقیقات اقتصادی در مورد بیماری همه گیر اخیر ممکن است برای سیاست گذاران در ریسک و مدیریت از دست دادن رویدادهای احتمالی برون زا در آینده ممکن باشد.

در حالی که هنوز عواقب اقتصادی این بیماری همه گیر هنوز به طور کامل تخمین زده نمی شود ، میزان آنها نه تنها به اثرات مستقیم اقدامات قفل بستگی دارد ، بلکه به اثرات سرریز این اقدامات بر روی شرکای تجاری و مالی نیز بستگی دارد. در این یادداشت ، ما به دو رشته ادبیات کمک می کنیم. اولین ادبیات رو به رشد همه گیر رمان Covid-19 و عوارض جانبی آن در بازارهای بین المللی (Al-Awadhi et al. ، 2020 ، Zhang et al. ، 2020 ، Zaremba et al. ، 2020). دوم ادبیات مربوط به سرریزهای بین المللی بورس است. این شیوع فرصتی منحصر به فرد برای ارزیابی تأثیر شوک اگزوژن (بیماری عفونی) در بورس سهام با تخمین تأثیر اقدامات مهار در این بازارها ارائه می دهد.

به منظور ارزیابی سرریزهای اقدامات قفل ، ما دو مکانیسم انتقال جایگزین (کانال های تجارت و مالی) را به خود اختصاص می دهیم ، بنابراین با Boissay و Rungcharoenkitkul (2020) مطابقت دارد که نیاز به درک کانال های انتقال مختلف Covid- را برجسته می کنند. 19 شوک به اقتصاد.

ما از تکنیک های اقتصاد سنجی مکانی استفاده می کنیم تا اثرات مستقیم و غیرمستقیم اقدامات فاصله اجتماعی COVID-19 را به خود اختصاص داده و تأثیر منفی را که دومی در بازارهای بین المللی داشته است ، تجزیه و تحلیل کنیم. به این ترتیب ، ما می توانیم بهتر از تجارت سیاست هایی را که دولت ها باید در تلاش خود برای کنترل میزان همه گیر انجام دهند ، ارزیابی کنیم.

کار ما به دنبال خطوط آسغاریان و همکاران است.(2013) که بازارهای مالی را به طور مشترک و حساسیت به بازار به شوک های برون زا مطالعه می کنند. به بهترین دانش نویسندگان ، این اولین ارزیابی تجربی از اثرات سرریز اقدامات مهار Covid-19 در بازارهای بین المللی است.

2. روش شناسی

ما مدل دوربین مکانی پویا زیر (DSDM) را با اثرات ثابت تخمین می زنیم ، که به ما امکان می دهد تا میزان افزایش وابستگی متقابل بین بازارهای سهام را به حساب آوریم:

s m i t = a + τ s m i i t - 1 + ψ ∑ j = 1 n w ˆ i j s m i j t - 1 + ρ ∑ j = 1 n w ˆ i j s m i j t + β 1 c g r i t + γ 1 ∑ j = 1 n w ˆ i j c g r j t + β 2 c a s i t +γ 2 ∑ j = 1 n w ˆ i j c a s e s j t + μ i + ε i t

در جایی که من یک کشور معین را بیان می کنم ، T یک دوره زمانی خاص را نشان می دهد ، S M I بازده روزانه بورس سهام است ، C G R تغییر نسبی روزانه شاخص ردیاب پاسخ دولت Coronavirus است ، 1 مورد تغییر نسبی روزانه COVID-19 کل موارد است. برای هر میلیون نفر ، μ من اثر خاص کشور است و ε i t اصطلاح خطا است. موارد متغیر در مشخصات ما برای کنترل شدت بیماری همه گیر درج شده است. علاوه بر این ، W ˆ I J عنصر ij TH یک ماتریس وزن استاندارد Row است ، با W ˆ I J = W I J ∑ J W I J ، ∑ j w ˆ i j = 1 و w i j = 0 if i = j. عنصر w i j با توجه به ماتریس تعامل مورد استفاده هر بار تعریف می شود. ماتریس روابط تجاری و ماتریس پیوندهای مالی. به طور خاص ، در مورد ماتریس روابط تجاری 2 w i j = exp o r t s i j + i m p o r t s i j g d p i + g d p j اگر i ≠ j که در آن واردات ، صادرات و تولید ناخالص داخلی به دلار آمریکا بیان شده است ، در حالی که اگر من از سرمایه گذاری مالی دو طرفه در دلارهای ایالات متحده بیان می شود.≠ j ، در مورد ماتریس پیوندهای مالی.

مشخصات در Eq.(1) همچنین به ما امکان می دهد تا تعصب متغیر حذف شده را کنترل کنیم. به طور خاص ، ماهیت پویا حساب های مدل ما برای متغیرهای حذف شده متغیر زمان (به Wooldridge ، 2002 مراجعه کنید) ، در حالی که متغیرهای حذف شده از زمان متغیر از طریق مشخصات اثرات ثابت مدل می شوند (نگاه کنید به Baltagi ، 2005). دو نوع DSDM تخمین زده می شود: یکی با و دیگری بدون تاخیر مکانی تاخیر زمانی متغیر وابسته.

ما برای تخمین مدل مکانی خود از MLE (برآورد حداکثر احتمال) استفاده می کنیم. MLE روش تخمین ارجح برای مشخصات ما است زیرا این مسئله باعث کاهش مشکل درون زا ناشی از درج متغیر اتورگرایی مکانی و متغیر وابسته به زمان تاخیر می شود (Elhorst ، 2005 ، Lee and Yu ، 2010). نیاز به مشخصات مکانی از طریق آزمایش Pesaran برای وابستگی مقطعی مورد آزمایش قرار می گیرد (Pesaran ، 2004). فرضیه تهی استقلال مقطعی برای کلیه متغیرها نشان می دهد که نیاز به مشخصات مکانی (نتایج مربوطه در صورت درخواست در دسترس است).

برای ساخت ماتریس تعامل (W) ، ما دو مکانیسم مختلف همبستگی در بازار را در نظر می گیریم. مکانیسم روابط تجاری ، که براساس آن شرکای تجاری با جریان تجاری شدیدتر ، چرخه های تجاری را با هم همبستگی دارند (Frankel and Rose ، 1998) و میزان ادغام مالی/پیوندهای 3 (همانطور که توسط سرمایه گذاری های مالی دو جانبه هر کشور) انجام می شود. داده های مربوط به ساخت ماتریس روابط تجاری (پیوندهای مالی) از پایگاه داده WITS بانک جهانی (بررسی سرمایه گذاری هماهنگ سهام IMF) برای سال 2018 (2019) بازیابی شد.

3. داده ها و آمار توصیفی

مجموعه داده های مورد استفاده یک پانل متعادل است که از 2 ژانویه تا 8 آوریل 2020 می گذرد. داده های SMI از وب سایت های Investing.com و Finance. yahoo.com بازیابی شد.

همانطور که در بالا ذکر شد ، CGR و موارد در تغییرات نسبی روزانه بیان می شود. 4 داده های مربوط به CGR از پایگاه داده پاسخ دهنده پاسخ دهنده دولت آکسفورد کروناویروس (OXCGRT) (Hale et al. ، 2020) بازیابی شد ، در حالی که موارد مربوط به https://ourworldindata.org/coronavirus. مروری بر داده های مربوط به شاخص ردیاب پاسخگویی دولت Coronavirus در شکل 1 ارائه شده است ، در حالی که آمار توصیفی برای متغیرهای مورد استفاده در مدل ما در جدول 1 گزارش شده است.

شاخص ردیاب پاسخگویی دولت Coronavirus توسط کشور. یادداشت ها: هر نمودار شاخص ردیاب پاسخگویی دولت Coronavirus توسط هر کشور را نشان می دهد. محور افقی ابعاد زمان و محور عمودی شاخص مربوطه را نشان می دهد.

میز 1

یادداشت ها: کشورهایی که در تجزیه و تحلیل ما موجود است به شرح زیر است: آرژانتین ، برزیل ، کانادا ، مکزیک ، ایالات متحده ، نیجریه ، اتریش ، بلژیک ، استونی ، فنلاند ، فرانسه ، آلمان ، ایسلند ، ایرلند ، ایتالیا ، یونان ، مجارستان ، بلغارستان ، هلند ، هلند ،نروژ ، لهستان ، پرتغال ، رومانی ، روسیه ، صربستان ، اسلواکی ، اسلوونی ، اسپانیا ، سوئد ، سوئیس ، ترکیه ، انگلیس ، چین ، هند ، اندونزی ، ژاپن ، کره ، مالزی ، پاکستان ، فیلیپین ، سنگاپور ، تایلند ، امارات متحدهاسترالیا.

از آنجا که ما در طی یک دوره زمانی کوتاه از یک مجموعه داده فرکانس بالا استفاده می کنیم ، ما برای سایر عوامل جهانی و اصول کلان اقتصادی (عدم دسترسی به داده ها و مشکلات واریانس صفر) کنترل نمی کنیم. 5

4. نتایج و بحث

نتایج تخمین ما (جدول 2) نشان می دهد که رابطه منفی بین بازده بازار سهام و تغییر در شدت اقدامات مهار Covid-19 (ستون های 2 تا 5). به طور خاص ، افزایش شدت مداخلات غیر دارویی COVID-19 در یک کشور خاص منجر به کاهش بازده بازار سهام در همان کشور (اثرات مستقیم و بلند مدت) می شود. علاوه بر این ، یافته های ما وجود اثرات سرریز منفی را نشان می دهد ، زیرا افزایش شدت پاسخ دولت در یک کشور معین منجر به کاهش بازده بازار سهام در کشورهای به هم پیوسته (اثرات غیرمستقیم کوتاه و بلند مدت) می شود. در کل ، اثرات سرریز اثرات مستقیم را تکمیل می کند ، بنابراین تأثیر منفی اقدامات قفل بر عملکرد بازار سهام را تشدید می کند. به طور خاص ، یافته های ما نشان می دهد که افزایش 10 درصدی در تغییر نسبی شاخص سختگیرانه منجر به کاهش بین 0. 2 ٪ و 0. 5 ٪ در بازده بورس (میانگین اثرات کل) می شود. نتایج فوق برای هر چهار مشخصات و صرف نظر از اندازه گیری پیوند در نظر گرفته شده است. با این حال ، در این مرحله ، لازم به ذکر است که اثرات تخمین زده شده غیرمستقیم (سرریز) فقط به دلیل روابط تجاری و پیوندهای مالی بین کشورها بلکه اثرات همبستگی جهانی سهام 6 (Asgharian et al. ، 2013 ، فقط سرریز نمی شود.).

جدول 2

بازده شاخص بازار سهام و پاسخ دولت Coronavirus.

یادداشت ها: logl: log-pseudolikeliردیف آخر آمار آزمون نسبت احتمال را برای آزمایش محدودیت عامل مشترک گزارش می دهد (به Florax et al. ، 2003 مراجعه کنید). عدم رد فرضیه تهی نشانگر یک مدل خطای فضایی (SEM) است که در یک مدل دوربین فضایی (SDM) توخالی شده است (یعنی H 0: γ = - ρ β). بر اساس نتایج ، محدودیت عامل مشترک برای کلیه مشخصات حاکی از برتری SDM رد می شود. نتایج رگرسیون در Stata با استفاده از دستو ر-xsmle- تولید شد (بلوتی و همکاران ، 2017). اثر کوتاه کوتاه مستقیم Cgr برابر با t r (s 1) ∕ n است که در آن s 1 = [i-ρ w]-1 [β 1 i + γ 1 w] ، من یک ماتریس هویت N × N است و N استتعداد کشورها است ؛اثر کل کوتاه با N-1 Z N ′ S 1 Z N برابر است ، جایی که z n یک بردار N × 1 با هر عنصر برابر با یک است. اثر غیرمستقیم کوتاه مدت برابر با تفاوت بین کل و اثر مستقیم است. اثر مستقیم ، کل و غیرمستقیم طولانی مدت به طور مشابه تعریف شده است ، اما به جای ماتریس S 1 ، ما از s 2 = [(1-τ) i-(ρ + ψ) w]-1 [β 1 i + γ 1 استفاده می کنیم. w]اثرات مربوطه برای موارد به روشی مشابه تعریف شده است (برای یک درمان دقیق تر ، به Lesage and Pace ، 2009 مراجعه کنید). خطاهای استاندارد مقاوم در پرانتز گزارش شده است.

نتیجه قابل توجه تجزیه و تحلیل ما این است که اثرات سرریز بزرگتر از اثرات مستقیم است. اگرچه این ممکن است ضد انعطاف پذیر به نظر برسد ، اما غیر معمول نیست زیرا تجمعی بر روی بسیاری از واحدهای مقطعی (حتی در صورت میانگین) ممکن است منجر به اثرات بزرگی شود (به Lesage and Dominguez ، 2012 مراجعه کنید). ماهیت وابستگی های متقابل (سرریزهای بازار مالی) در تحلیل ما این نتیجه را بیشتر پشتیبانی می کند. با این حال ، برای بررسی بیشتر استحکام یافته های فوق ، ما مدل خود را به استثنای چین و ایالات متحده دوباره ارزیابی کردیم. نتایج ، که در صورت درخواست در دسترس است ، نشان می دهد که هیچ تغییر کیفی در برآوردهای ما وجود ندارد (اثرات غیرمستقیم هنوز بزرگتر از اثرات مستقیم هستند).

5- نتیجه گیری

در این مطالعه ، ما از تکنیک های اقتصاد سنجی فضایی برای برآورد تأثیر اقدامات مهار COVID-19 در 45 شاخص بازار سهام استفاده می کنیم. نتایج حاکی از آن است که بازده بورس سهام و شدت اقدامات قفل شدن با منفی مرتبط است. بررسی تأثیر همه گیر COVID-19 در تعدادی از زمینه ها مانند اعتماد اجتماعی و هزینه های معامله همزمان ، تأمین اجتماعی ، هزینه های سرمایه و ثبات سیاسی می تواند به عنوان مباحث برای تحقیقات آینده در نظر گرفته شود (بررسی اولیه برنامه های تحقیقاتی احتمالی آینده به طور گستردهبحث در گودل ، 2020).

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

ما از دو داور ناشناس بخاطر نظرات و پیشنهادات مفید سپاسگزاریم. تمام اشتباهات باقی مانده برای خودمان است.

پانویسها و منابع

1 مقادیر این شاخص از 0 (بدون اقدامات قفل در محل) تا 100 (کل قفل) متغیر است.

2 ما از فرمول پیشنهادی فرانکل و رز (1998) استفاده می کنیم.

3 تنظیم سرمایه گذاران از قرار گرفتن در معرض اوراق بهادار در یک بازار منجر به انتقال شوک های ایدیوسنکراتیک به بازار دیگر می شود (Kodres and Pritsker ، 2002).

4 از تغییر نسبی نقطه میانی (Δ x ∕ x ¯) به منظور جلوگیری از مشکلات مربوط به تغییرات درصد نامحدود در هنگام اقدامات قفل شدن (موارد COVID-19) برای اولین بار استفاده شد (اولین بار ظاهر می شود).

5 نرخ ارز تنها استثناء است. با این حال ، گنجاندن نرخ ارز در مشخصات ما نتایج کیفی ما را تغییر نمی دهد.

6 اگرچه اثرات همبستگی جهانی را می توان با کنترل عواملی که در سطح جهانی سهام در سطح جهانی حرکت می کنند (مانند شاخص نوسانات CBOE و قیمت روغن) جدا شود ، اما ماهیت ثابت این عوامل ، همراه با ماهیت مجموعه داده های ما اجازه نمی دهدما آنها را در مشخصات خود قرار می دهیم.