一、引 言

防范和化解系統(tǒng)性金融風險是新時代的一大重要任務，尤其是在當前中美關系緊張、世界經濟增長前景充滿不確定性的特殊時期，從宏觀的、整體全局的視角考慮經濟發(fā)展與金融安全問題更具有現實的緊迫性。經濟不確定性不僅會影響到企業(yè)的投資決策行為，而且會引致投資者的風險偏好水平發(fā)生轉變，其結果是導致資產價格的波動性提升，甚至會引發(fā)系統(tǒng)性金融風險的累積乃至爆發(fā)。因此，研究經濟不確定性對系統(tǒng)性金融風險的預警能力具有較強的理論依據和現實意義。

值得指出的是，本文所述的經濟不確定性和目前比較熱點的經濟政策不確定性既有聯系更有不同，經濟不確定性和經濟政策不確定性可能會相互作用，但經濟政策不確定性不僅與經濟基本面有關還取決于決策部門的主觀意志。常用的經濟政策不確定性測度由Baker等

提出，他們采用主流報紙上公布的包含“經濟”“政策”“不確定性”等關鍵詞的新聞數量定量評估經濟政策不確定性，如中國經濟政策不確定性指標是基于南華早報(香港發(fā)行的英文報紙)的新聞關鍵詞所構造。對于政策不確定性及其影響的研究是一大研究熱點，如Alexopoulos和Cohen

、Gulen和Ion

、Bhattacharya等

、Nguyen和Phan

、李鳳羽和楊墨竹

、陳國進等

、夏婷和聞岳春

與胡成春和陳迅

等大量學者研究了經濟政策不確定性對宏觀經濟增長及微觀企業(yè)投資或市場表現的影響。但如前所述，由于兩者的內涵和外延均不同，對于經濟政策不確定的研究不能替代對于經濟不確定性本身的研究。

對于經濟不確定的測度主要有兩種方式：一是采用金融或經濟指標的波動率。如VIX(CBOT波動率指數)常被用來作為經濟不確定性的替代指標，GDP或工業(yè)增加值等實際經濟增長變量序列的GARCH波動率、企業(yè)利潤或全要素生產率的離差或預測分歧也被很多學者用來對經濟不確定性進行衡量。二是由Jurado等

提出的預測不確定性。他們的研究發(fā)現VIX會顯著高估經濟不確定性事件發(fā)生的頻率，因此，提出了一種基于豐富數據環(huán)境下預測準確性的經濟不確定性測度方法，該方法能夠有效衡量美國經濟史上的重大經濟不確定性事件。國內學者馬丹等

與王博等

采用Jurado等

的方法構造了中國經濟不確定性指標，并研究了其對經濟活動的影響，發(fā)現這種測度方法相對波動率不確定性的測度方法穩(wěn)定性更強。

經濟不確定性可能會通過企業(yè)風險承擔水平及投資者情緒兩個渠道對金融市場產生直接的影響，加劇資產價格波動并導致系統(tǒng)性金融風險的積累。在企業(yè)風險承擔水平方面，眾多研究發(fā)現政策不確定性會抑制企業(yè)的投資意愿，同時較高的政策不確定性會降低企業(yè)的研發(fā)支出水平和并購活動，企業(yè)相應持有更多現金以應對未來風險，同時更傾向采取謹慎保守的管理層變更決策。投資者情緒也往往成為經濟不確定性影響系統(tǒng)性金融風險的重要媒介。從投資者個體層面來講，不確定性是影響個體投資者情緒的關鍵因素，進而影響其決策行為；從資本市場層面來講，政策不確定性更多地通過影響投資者對未來風險溢價的預期發(fā)揮作用。Perez-Liston等

與靳光輝等

等研究均發(fā)現，經濟政策不確定性會通過影響投資者情緒加劇金融市場波動，進而導致系統(tǒng)性風險的累積。需要指出的是，這些結論基本上都是基于政策不確定性研究視角的，鮮有文獻研究經濟不確定性對系統(tǒng)性金融風險的作用機制，對于經濟不確定性帶來的后果仍揭示甚少。

目前就兩種采樣方法的效果來看，可以肯定的是在殘山區(qū)水系極不發(fā)育且風成物嚴重干擾的情況下，巖屑代替水系沉積物的化探采樣方法是排除風成干擾物的最有效辦法。

綜上所述，中外學者們在經濟不確定性的測度及其影響方面取得了較好的前期研究成果，但仍存在較大的拓展空間和研究空白：一方面，大部分的研究均是利用Baker等

開發(fā)的經濟政策不確定指標，該指標是基于報紙報道的文本挖掘技術，研究內容基本上是經濟政策不確定性及其影響結果，直接從經濟不確定性入手的研究仍顯不足；另一方面，已有的直接研究主要集中在經濟不確定性對宏微觀經濟的影響分析，經濟不確定性能否影響/如何影響系統(tǒng)性金融風險仍然不得而知?；诖?，本文擬借鑒Jurado等

的預測不確定性和Baum等

的GARCH不確定性構建中國的經濟不確定性指數，并研究其對系統(tǒng)性金融風險的影響及途徑。相對于其他研究經濟不確定性的文獻，本文的增量貢獻在于：一方面，基于預測不確定性角度，構造了衡量中國經濟不確定性的有效測度方法，該測度方法的有效性來源于本文變量選取的獨特方式以及較為合理的加權方式，從而保證了該指標能夠比較好地反映中國經濟波動特征、用于經濟形勢的分析和研判；另一方面，本文重點研究了經濟不確定性與系統(tǒng)性金融風險間的關系，為系統(tǒng)性金融風險的預警和防范提供了經驗依據。

二、模型與方法

(一)預測不確定性

1.基本思路

常用來對系統(tǒng)性金融風險進行衡量的指標包括兩大類：聚焦于重要性個體機構對整體貢獻的CoVaR、MES和SRISK等指標；聚焦于系統(tǒng)整體層面風險狀況的測度，尤其是網絡關聯度等相關指標，如信息溢出指數、信息吸收比率以及格蘭杰動態(tài)因果指數等。網絡關聯度指標具有一定的領先性，但是個體機構層面的指標與金融風險尤其是股市暴跌風險契合得更為緊密，因此，本文選擇CoVaR和MES來對系統(tǒng)性金融風險進行衡量。

在各地政府工作報告中幾乎都能見到建設智慧城市的提法，但其中關于智慧城市建設的理念陳舊、內涵模糊，甚至把智慧城市建設等同于城市信息化。將各部門的信息化平臺建設內容套上智慧的外衣就包裝成智慧城市的應用，而忽視應用與智慧城市核心平臺間的聯系。

(1)

如果我們有大量的經濟序列，則可以用式(2)合成經濟不確定性指標，其中，N

為經濟序列的個數；w

為經濟序列的權重，本文分別采用等權重、熵權法和主成分三種方法進行加權：

(2)

采用所有經濟序列的主成分構造信息集I

，主成分分析如式(3)所示，本文借鑒Bai和Ng

與Jurado等

的準則，選取前12個主成分進行分析，即F

包含12個因素，實證結果表明，這12個因子可以解釋所有變量84%的方差。

(3)

(4)

考慮到Jurado等

的研究發(fā)現，向前一期預測與向前多期預測所構造的不確定性指標間在對宏觀經濟的具體預警時差異較小，但是向前多期預測會導致預測偏差的加大，因此，本文僅采用向前一期預測值構造經濟不確定性指標。

國家已經頒布了新的法律法規(guī)，對內部控制工作進行明確的規(guī)定，對于改進工作誤區(qū)有著很大的指導作用，但是提升內部控制工作的科學系與合理性，需要將文件與自己單位工作的實際情況結合起來，讓文件更加具有實踐性與可操作性，不然工作就會出現茫然無措的現象，沒有切入點，在具體的工作中，將文件與本單位的實際情況結合起來，對內部控制工作做出新的指引。在工作中，通過詳細的文件，對行政事業(yè)單位內部控制的相關問題進行分析，規(guī)定內部控制的目標、原則、內容、評價等。

2.彈性網絡建模

式(4)中包含了數目眾多的自變量，Jurado等

、馬丹等

與王博等

通過設定t值閾值來選擇自變量，利用超過閾值的自變量再次進行回歸得到最終的預測模型。這種方法的優(yōu)點是考慮了自變量的組合作用，但是當自變量數目較多或者自變量間高度相關時，可能得不出正確的結論。因此，本文采用彈性網絡回歸來確定自變量的回歸系數。

Inter

=α+γ

Uncer

+βX

+ε

2019年2月U1

短暫突破1.65倍標準差，但是很快回到合理區(qū)間，此時GARCH

仍然處在較低位置。而U1

和GARCH

同時再次突破1.65倍標準差發(fā)生在2020年年初，受新冠肺炎疫情影響，全球經濟近乎停滯，1—2月份中國規(guī)模以上工業(yè)企業(yè)利潤驟降38.3%；第1季度貨物貿易進出口總值比上年同期下降6.4%，其中出口下降11.4%、進口下降0.7%，貿易順差減少80.6%；第1季度中國GDP增速斷崖式下跌至-6.8%。雖然中國政府出臺了一系列擴大消費以及保障復工復產的政策，但是由于歐美疫情的擴散，短期內進出口很難看到好轉的趨勢，經濟不確定性也將繼續(xù)維持高位。

(5)

當ρ=1時即為套索回歸，當ρ=0為嶺回歸，當ρ≠0即為彈性網絡，借鑒Gu等

的參數設定方式，ρ取值為0.5，以同時考慮LASSO回歸的變量選擇及嶺回歸的變量收縮(實際上，彈性網絡得到的經濟不確定性與LASSO或嶺回歸計算得到的經濟不確定性三者相差不大，相關系數均在0.97以上)。α是正則項的懲罰系數，α越大，目標函數中懲罰項所占權重越高，更多的變量系數會被壓縮到0，反之亦然。本文采用K折交叉驗證法(取K=6)對α值進行自動篩選。

系統(tǒng)性風險測度MES表示單個金融機構對金融系統(tǒng)性風險的邊際貢獻程度，表示當金融機構權值變化1單位而引起市場風險指標ES的變化量，MES值越高表示機構i對金融系統(tǒng)風險的貢獻占比越大。MES可以表示為ES對權值的一階導數，用公式表示為：

(二)GARCH波動不確定性

大量學者采用GARCH波動率來衡量經濟不確定性，但是這些文獻大部分是采用單一或者特定幾個經濟序列來進行研究，本文借鑒Jurado等

豐富數據環(huán)境的思想，用計算預測不確定性的所有經濟序列的GARCH波動率來構造經濟不確定性指標。具體的GARCH模型如式(6)和式(7)所示，其中，式(6)為均值方程，本文采用滯后一階AR(1)模式，式(7)為方差的GARCH(1,1)模型。在構造GARCH波動不確定性復合指標時同樣采用了等權重、熵權法和主成分三種方法。

(6)

(7)

在本文所選的100個經濟指標中，在熵權法中占比最大的10個指標依次是股票成交金額當月同比、M2同比、金融機構存款余額同比、金融機構貸款余額同比、M1同比、中債企業(yè)債到期收益率(1年期AA級)、CPI食品當月同比、中債國債到期收益率(10年)、房地產開發(fā)投資完成額累計同比和PPI生活資料當月同比，工業(yè)增加值等經濟增長指標所占權重較小與其本身波動率較小有關。

(三)系統(tǒng)性金融風險

采用式(1)衡量單個經濟序列在t時刻的經濟不確定性，其中，y

表示第j個經濟序列第t時刻的指標值，E[·]表示期望，I

表示第t時刻的所有信息集，因此，式(1)的含義是第j個經濟序列在t時刻向前h期的預測值與實際值的偏差，即預測誤差。

1.CoVaR

VaR常用來衡量金融機構的資產損失風險，定義為機構資產在一定的置信水平下(如99%)面臨的最大損失額，基本定義為：

(8)

(9)

(10)

2.MES

ES表示單個金融機構在損失超過VaR

時的期望損失，則一般情形下t時刻金融系統(tǒng)的期望損失ES可定義為：

ES

=E

(r

|r

(11)

其中，下標m表示金融系統(tǒng)，i表示金融機構；C表示系統(tǒng)壓力事件。

為了使樣本數據足夠豐富，同時考慮到數據的可得性及時序充分性，本文采用了包括經濟增長、固定資產投資、社會消費、對外貿易、財政收支、價格指數、股市、國債和企業(yè)債收益率、貨幣供給量等宏觀經濟指標72個，以及28個行業(yè)指數作為原始數據?？紤]到數據的可得性，所有指標均是從2005年1月開始。

=E

(r

|r

(12)

本文借鑒Giglio等

的方法，根據計算出的所有金融機構CoVaR和MES，在橫截面上取平均值，則可以得到宏觀的系統(tǒng)性金融風險指標。

三、實證結果分析

(一)經濟不確定性指標構建及動態(tài)分析

首先，利用式(1)—式(5)計算預測經濟不確定性指標，在利用彈性網絡回歸時，自變量顯著次數最多的依次是F8、F5、F3和F2，其中，F8主要載荷是PPI和進出口相關指標，該因子代表中國的制造業(yè)及外貿環(huán)境；F5主要載荷是國債和企業(yè)債到期收益率指標，該因子代表的是資金利率；F3主要載荷是CPI和存貸款利率指標，該因子代表的是物價水平；F2主要載荷是工業(yè)增加值、消費、固定資產和房地產投資，該因子代表國家的經濟增長水平。說明外貿進出口、資金利率、物價水平以及經濟增長對經濟運行穩(wěn)定情況的影響更大。其次，利用式(6)—式(7)計算GARCH經濟不確定性。最后，分別利用等權重法、熵權法和主成分分析法等三種方式加權得到最終的經濟不確定性指標。

表1報告了經濟不確定性指標間的相關系數矩陣，其中，U1

、U1

、U1

、GARCH

、GARCH

、GARCH

分別表示等權重預測不確定性、熵權法預測不確定性、主成分法預測不確定性、等權重GARCH不確定性、熵權法GARCH不確定性和主成分法GARCH不確定性。除此以外，表中還采用了其他幾種常見的單指標經濟不確定指數，IP

和IP

分別表示用工業(yè)增加值計算的預測不確定性及GARCH不確定性，這也是在實證中應用廣泛的經濟不確定性(實證中常用GDP，但是由于GDP僅為季度數據，因此，也經常用工業(yè)增加值代替GDP)；股票指數的波動率也常用來對不確定性進行衡量，我們選擇了Wind

和Wind

，分別表示用Wind全A指數計算的預測不確定性與GARCH不確定性；最后，我們還選擇了Baker等

基于新聞報紙文本挖掘構建的中國經濟政策不確定性指數EPU?？梢钥吹?，加權方法對不確定性指數的衡量影響不大，無論是U1還是GARCH，對應的三種加權不確定指數間的相關性均極強?；诖髷祿嬙斓腢1和GARCH不確定性與單個指標的不確定性間相關性并不高，且與政策不確定性指數間呈現負向相關關系，說明綜合大量經濟序列的預期不確定性或GARCH不確定性能夠更好地綜合反映經濟狀況，同時所蘊含的信息與經濟政策不確定性是完全不一樣的。預測不確定性和GARCH不確定性內部之間的相關系數較高，而相互之間的相關系數較低。由于熵本身即是對不確定性的一種度量，在熵權法中指標的離散程度越大(即不確定性越高)時，該指標對綜合評價的影響(權重)越大，更為符合本文經濟不確定性的定義，因而接下來我們主要采用基于熵權法的不確定性指標進行研究，同時利用等權法和主成分分析法進行穩(wěn)健性檢驗。

圖1報告了U1

和GARCH

在樣本區(qū)間的走勢圖，其中，實線為U1

的變動趨勢，虛線為GARCH

的變動趨勢。由于計算預測不確定性需要用到一段時期的滾動樣本(本文設定為50個月)，因此，U1

開始的時間為2009年3月。兩條與橫軸相平行的虛線分別表示U1

和GARCH

的1.65倍標準差，其中，上面那條對應的是GARCH

的1.65倍標準差(1.20)，下面那條對應的是U1

的1.65倍標準差(0.67)，超過1.65倍標準差說明經濟面臨著較大的不確定性。從圖1可以看到，U1

和GARCH

在樣本區(qū)間內走勢相關性較強，U1

的波動率相對較高。

2009年3—9月間，兩個不確定性指數均超過了1.65倍標準差，這主要是受到美國次貸危機的發(fā)酵，中國經濟于2008年下半年快速回落，大批農民工返鄉(xiāng)，出口負增長，2008年11月進出口總值同比下降9%，GDP在2008年第4季度下降4個百分點，經濟面臨硬著陸的風險。在此之后，中國政府果斷推出擴大內需、促進經濟平穩(wěn)增長的相關舉措，抑制住了經濟下滑的趨勢，2009年GDP增長9.4%，經濟不確定性指數也發(fā)生了顯著的下降。

2015年1—12月，經濟不確定性指數達到了又一次峰值(GARCH

未超過1.65倍標準差)。2015年是中國經濟運行相對困難的一年，1月份CPI遠低于市場預期，達到2009年11月來最低水平，PPI同比下降4.3%，為2009年來最大跌幅；中國樓市也面臨著硬著陸風險，房價從2014年下半年開始出現了下滑；而股市更是出現了震驚中外的股災，2015年6月15日，上證指數觸及5 178的高點后掉頭向下，出現融資崩盤、千股跌停和指數熔斷頻現，上證指數在2016年初達到2 638的低點，幾近腰斬；整個2015年GDP增幅為6.91%，自1991年以來首次跌破7%。

綜上所述，臍血瘦素、IGF-1、血脂水平的降低均與胎兒生長受限有關，且這一過程與母血IGF-1、血脂水平的降低有關，瘦素、IGF-1、血脂水平的相互影響可能共同參與調控胎兒生長發(fā)育過程。

總體來看，本文所構造的經濟不確定性指標能夠較好地對經濟形勢進行判斷，三個峰值依次與次貸危機、2015年經濟下滑及2020年初的新冠肺炎疫情帶來的經濟不確定很好地契合在一起。

在教學《蝸牛的獎杯》這篇寓言時，我向學生出示了一幅“飛行比賽圖”，讓學生通過畫面來感受，雖然畫面上只有蝸牛、蜻蜓、蜜蜂、蝴蝶，但也正因為只有這簡單事物使畫面更具空間感，留給學生無限的想象空間。因此，我引導學生借畫面進行聯想。學生在想象的過程中激發(fā)了興趣，提高了感悟能力，為進一步理解課文奠定基礎。這樣，借助圖畫激發(fā)了學生的想象，呈現在學生頭腦里的不只是畫面上的形象，而是透過書中的插圖感受到了畫中之情、畫外之音。

我們在式(13)的基礎上檢驗式(14)和式(15)以考察投資者情緒或企業(yè)投資的中介作用：

(二)經濟不確定性與系統(tǒng)性金融風險的相關性分析

經濟不確定性能夠較好地反映經濟形勢，那么對系統(tǒng)性金融風險是否也會產生顯著影響？本部分首先通過跨期相關分析來檢驗兩者之間的關系，表2報告了檢驗結果，其中，Panel A是經濟不確定性與CoVaR的跨期相關系數，Panel B是經濟不確定性與MES的跨期相關系數。第1列中“-6”表示經濟不確定性領先CoVaR或MES六期(即6個月)，“0”表示經濟不確定性與CoVaR或MES同期，“6”表示經濟不確定性滯后CoVaR或MES六期(即6個月)，其他以此類推。

結合響應曲面實驗設計，對單因素實驗結果進行分析，選擇合理的發(fā)酵時間，并對其pH值與培養(yǎng)溫度、發(fā)酵時間等進行分析，獲得正確的大豆油脂提取響應變量。在實驗中利用Minitab軟件配合Box-Behnken原理實施響應面設計分析，然后對微生物發(fā)酵法條件下所提取的大豆油脂工藝進行有效處理[8-10]。最后基于實驗因素水平的有效選取，例如在-1水平下實驗時間為16h、pH值為3，最終的大豆油脂測量提取溫度為34℃。本實驗中專門選取了15個實驗點，其中有12個為析因點，3個為零點，結合零點展開3次實驗，并執(zhí)行誤差估計計算，可獲得響應曲面實驗結果。

Panel A的結果顯示，經濟不確定性對系統(tǒng)性金融風險具有較強的領先性。首先觀察預測不確定性，無論是U1

、U1

還是U1

，均對CoVaR存在著顯著的領先關系，表現在從“-6”至“-1”期的相關系數均顯著為正，同時CoVaR對U1卻幾乎不存在領先關系，僅對U1

和U1

存在著2期的領先關系，說明用U1對CoVaR進行預測時內生性問題的影響很小甚至可以忽略。GARCH波動不確定性則無論是在領先還是滯后期數，均與CoVaR顯著正相關。這一方面說明，經濟不確定性與系統(tǒng)性金融風險間存在著緊密的聯系，當經濟不確定性較高時，系統(tǒng)性金融風險往往也很高；另一方面，說明用U1來對系統(tǒng)性金融風險進行分析時效果會更好，而GARCH不確定性與CoVaR間可能存在著較強的內生性。Panel B對MES的分析結果與Panel A類似，說明我們對兩者跨期相關性的檢驗結果是穩(wěn)健的。

(三)回歸分析

為了更進一步檢驗經濟不確定性對系統(tǒng)性金融風險的預測能力，我們建立如下回歸模型：

CoVaR

=α+γUncer

+βX

+ε

(13)

其中，X

為控制變量，借鑒Jurado等

與王春麗和胡玲

等的研究，包括工業(yè)增加值(IP)、固定資產投資(Invest)、進出口(I/E)、消費(Comsume)、CPI、M2和股票市場收益率(Stock)等，均取滯后一期；Uncer

是滯后n期的經濟不確定性，回歸方程中n取1、3、6和12，分別表示對下個月、下個季度、半年后或一年后系統(tǒng)性金融風險的預測；ε

為預測偏差。

(四)作用機制分析

經濟不確定性可能通過投資者情緒及企業(yè)投資兩個渠道對宏觀經濟產生影響，因此，本部分檢驗這兩個渠道是否同樣是經濟不確定性影響系統(tǒng)性金融風險的途徑。對于投資者情緒(Sent)，我們借鑒Baker和Wurgler

的方法，利用主成分分析法從封閉式基金折溢價率、市場波動率、換手率和市盈率等指標中提取出共同的情緒成分；對于企業(yè)投資(ComInv)，我們采用所有股份制公司固定資產投資完成額同比數據來表示，同時，考慮到經濟不確定性不一定能夠立刻對企業(yè)投資產生影響，我們還選擇了長江商學院企業(yè)投資前瞻指數(InvFor)來進行檢驗，該指數是根據問卷調查得到的企業(yè)對未來投資的預判，能夠反映企業(yè)的投資預期。

微電網本質上是一種社區(qū)終端綜合能源系統(tǒng),是集成各種分布式能源和負載的能實現自我控制、保護和管理的小型發(fā)配電自治系統(tǒng)。社區(qū)能源系統(tǒng)如圖1所示。

在移動化和碎片化消費漸成趨勢的當下，新出現的移動音頻資源為人們的教育、學習、求知、娛樂活動帶來巨大的價值，作為承擔著作為文獻中心、知識中心、文化中心和情報中心職責的高校圖書館，更需要重視移動音頻資源的開發(fā)與利用，在產業(yè)鏈上、中、下游中探索對移動音頻內容資源開發(fā)利用的應對之道。

彈性網絡回歸是一種機器學習模型，使用 L1、L2正則項對線性回歸模型的參數進行懲罰，學習到一個只有少量參數是非零稀疏的模型，該模型既保留了LASSO回歸對變量的篩選功能，又保持嶺回歸的正則性質(變量系數的壓縮)，在變量數目較多或變量間共線性較強時表現極為突出。Zou 和Hastie

的研究提出彈性網絡，并用理論和實際數據的數值實驗對比了三種正則化方法的優(yōu)劣，結果證明彈性網絡的表現總是優(yōu)于LASSO，大部分時候優(yōu)于嶺回歸。其損失函數為：

液壓標定裝置是由4臺液壓千斤頂、1只油箱、1臺油泵、1臺多通路換向閥以及連接各設備的油管組成，在換向閥上安裝1臺壓力變送器，用于檢測千斤頂對秤體所施加的壓力。換向閥是1個四路出油，另外四路回油的裝置，以保證加載在4個稱重傳感器上的壓力一致[9]。

(14)

Risk

=α+γ

Uncer

+φInter

+βX

+ε

在紛繁復雜的設計領域堅守內心對設計的原則，在闊步向前的發(fā)展進程中不失強硬與血性，這是吳濱以及全新一代路虎發(fā)現各自對外圓內方的解讀與踐行。

1.3.1 帶教質量的監(jiān)管?？剖?guī)Ы特撠熑艘罁剖医虒W計劃，每周定期檢查臨床實習帶教實施情況，并對實習醫(yī)師進行考核，考核內容包括教學查房、基本病史詢問、基礎體格檢查技能、病歷書寫、實習學生對疾病理論掌握情況等，并對考核內容進行打分或劃分等級。

(15)

其中，Risk是系統(tǒng)性金融風險，用CoVaR和MES衡量；Inter是中介變量，包括Sent、ComInv和InvFor。通過γ

、γ

和φ的顯著性來判斷變量的中介效應，當γ

和φ均顯著時，若γ

(不)顯著，則說明中介變量部分(完全)中介了經濟不確定性對系統(tǒng)性金融風險的影響；但若γ

和φ至少有一個不顯著，應采用Sobel Z統(tǒng)計量判斷中介效應是否存在。

表4報告了模型(14)的檢驗結果，其中，Panel A是U1不確定性的回歸結果，Panel B是GARCH不確定性的回歸結果，第1列和第4列是投資者情緒作為因變量的回歸結果，第2列、第3列、第5列和第6列是企業(yè)投資作為因變量的回歸結果?？梢钥吹?，兩個不確定性指數對投資者情緒的回歸系數均在1%水平下顯著，但是只有GARCH不確定性對企業(yè)投資的回歸系數顯著，其對ComInv的回歸系數顯著為正，但是對InvFor的回歸系數顯著為負，這可能是由于投資具有連續(xù)性，經濟不確定性的提高并不會立刻導致企業(yè)投資下降，但是會導致投資預期降低，與前文陳述相一致。

表5報告了模型(15)的檢驗結果以及Sobel Z中介效應檢驗結果。

課堂導入是課程開展的關鍵環(huán)節(jié)，良好的課堂導入可以瞬間將學生的注意力吸引到課堂上，激發(fā)學生學習興趣，調動學生學習積極性，因此，在小學信息技術教學中，教師要進行課堂導入方式的優(yōu)化，創(chuàng)新課堂導入，在課程開始階段就捕獲學生的興趣。教師可以聯系學生的生活實際，通過一些生活案例實現課堂導入。

從表5可知，當采用CoVaR衡量系統(tǒng)性金融風險、U1衡量經濟不確定性時，投資者情緒起到了完全中介效應，而企業(yè)投資卻不存在中介效應；當用MES衡量系統(tǒng)性金融風險、U1衡量經濟不確定性時，投資者情緒和企業(yè)投資的中介效應均不顯著。當用CoVaR衡量系統(tǒng)性金融風險、GARCH不確定性衡量經濟不確定性時，投資者情緒及企業(yè)投資都起到了部分中介效應；但當用MES衡量系統(tǒng)性金融風險、GARCH不確定性衡量經濟不確定性時，只有投資預期起到了部分中介效應?？傮w而言，投資者情緒和企業(yè)投資都在經濟不確定性影響系統(tǒng)性金融風險起到一定的中介效應，只是作用大小和顯著性在采用不同的系統(tǒng)性風險和經濟不確定衡量指標時存在著一定差異。在采用等權或主成分經濟不確定性的分析結果中相一致(限于篇幅，結果未列出)。綜合來看，當經濟不確定性提高時，會帶來投資者情緒的上升以及企業(yè)未來投資水平的降低，并進而帶來系統(tǒng)性金融風險的顯著上升。

本文對邊坡內的變形開裂原因及可能的滑動類型進行分析，對邊坡內出現民房開裂、路面塌陷、地裂縫等不良地質災害的部位進行現階段計算和評估，在汛期暴雨情況下，不良地質現象加劇，應及時治理，防止開裂等進一步加劇。

四、結論與啟示

本文采用2005年1月至2020年3月的72個宏觀經濟序列及28個行業(yè)指數序列的月數據，分別借鑒Jurado等

與Baum等

的方法構造了U1預測不確定性及GARCH不確定性，進而采用等權重、熵權法和主成分三種方法得到復合U1和GARCH不確定性指標，并考察了經濟不確定性對系統(tǒng)性金融風險的影響及作用機制。研究結果表明：第一，U1不確定性和GARCH不確定性顯著正相關，U1不確定指標在2009年、2015年以及2020年初達到了三個峰值，分別與次貸危機、2015年經濟下滑及股災，以及2020年初的新冠肺炎疫情相契合；GARCH不確定性在2009年和2020年初也出現了同樣的信號，但是在2015年時并沒有突破其1.65倍標準差。第二，經濟不確定性對系統(tǒng)性金融風險具有顯著的預測能力， U1比GARCH不確定性的預測能力更強，U1的預測能力能夠提前12個月以上，GARCH不確定性的預測能力僅能提前6個月左右。第三，投資者情緒和企業(yè)投資都在經濟不確定性影響系統(tǒng)性金融風險的過程中起到了一定的中介作用，只是作用的大小和顯著性在采用不同的系統(tǒng)性風險和經濟不確定衡量指標時存在著一定差異。

本文的研究結論是對經濟增長及系統(tǒng)性金融風險理論的有力補充，同時也具有較強的實踐指導意義：第一，隨著世界經濟面臨的不確定性越來越高，如2020年初新冠肺炎疫情直接導致全球經濟停滯，在未來一段時期內由于新冠肺炎疫情的不確定性仍然存在，全球經濟復蘇步伐緩慢。因此，構造經濟不確定性指標并進行實時監(jiān)控是極有必要的，當經濟不確定程度較高的時候，采用逆周期的財政和貨幣調控政策能夠防止經濟增長面臨過大波動甚至停滯風險。第二，相對于單一指數構造的不確定性指標，利用大數據環(huán)境復合多個經濟指標構造的不確定指標具有更強的穩(wěn)定性，且預測準確性更高。得益于當今世界信息渠道越來越多，數據量越來越大，我們可以利用更多的變量和數據來整合更多的信息，同時還可以應用到一些以前無法使用的另類數據，如互聯網搜索或社交信息、衛(wèi)星數據等，從而可以對經濟不確定性進行更準確有效的衡量。第三，近些年來中國面臨著資產泡沫不斷膨脹、地方債務高企的問題，系統(tǒng)性金融風險累積得越來越大，防范和化解系統(tǒng)性風險成為當前各種宏觀經濟政策的重要前提和目標，鑒于經濟不確定性對系統(tǒng)性金融風險有顯著的預測能力(提前半年到一年)，監(jiān)測經濟不確定性指標體系并在經濟不確定性突破閾值時，采取適當措施防止系統(tǒng)性金融風險事件的爆發(fā)有助于對系統(tǒng)性金融風險的防范和化解。

[1] Baker, S.R., Bloom, N., Davis, S.J.Measuring Economic Policy Uncertainty[J].The Quarterly Journal of Economics, 2016, 131(4): 1593-1636.

[2] Alexopoulos, M., Cohen, J.The Media Is the Measure: Technical Change and Employment: 1909-1949[J].Review of Economics and Statistics, 2016, 98(4): 792-810.

[3] Gulen, H., Ion, M.Policy Uncertainty and Corporate Investment[J].Review of Financial Studies, 2016, 29(1): 523-564.

[4] Bhattacharya, U., Hsu, P.H., Tian, X., et al.What Affects Innovation More: Policy or Policy Uncertainty?[J].Journal of Financial and Quantitative Analysis, 2017, 52(5): 1869-1901.

[5] Nguyen, N.H., Phan, H.V.Policy Uncertainty and Mergers and Acquisitions[J].Journal of Financial and Quantitative Analysis, 2017, 52(2): 613-644.

[6] 李鳳羽，楊墨竹.經濟政策不確定性會抑制企業(yè)投資嗎?[J].金融研究，2015，(4): 115-129.

[7] 陳國進，張潤澤，趙向琴.經濟政策不確定性與股票風險特征[J].管理科學學報，2018，(4)：1-27.

[8] 夏婷，聞岳春.經濟不確定性是股市波動的因子嗎?——基于GARCH-MIDAS模型的分析[J].中國管理科學，2018，(12)：1-11.

[9] 胡成春，陳迅.經濟政策不確定性、宏觀經濟與資產價格波動——基于TVAR模型及溢出指數的實證分析[J].中國管理科學，2020，(11)：61-70.

[10] Jurado, K., Sydney, C., Ng, S.Measuring Uncertainty[J].The American Economic Review, 2015, 105(3): 1177-1216.

[11] 馬丹，何雅興，翁作義.大維不可觀測變量的中國宏觀經濟不確定性測度研究[J].統(tǒng)計研究，2018,(10)：44-57.

[12] 王博，李力，郝大鵬.貨幣政策不確定性、違約風險與宏觀經濟波動[J].經濟研究，2019,(3)：119-134.

[13] Perez-Liston, D., Huerta, D., Haq, S.Does Investor Sentiment Impact the Returns and Volatility of Islamic Equities?[J].Journal of Economics & Finance, 2016, 40(3): 421-437.

[14] 靳光輝，劉志遠，花貴如.政策不確定性、投資者情緒與企業(yè)投資——基于戰(zhàn)略性新興產業(yè)的實證研究[J].中央財經大學學報，2016,(5)：60-69.

[15] Baum, C.F., Caglayan, M., Ozkan, N., et al.The Impact of Macroeconomic Uncertainty on Non-Financial Firms Demand for Liquidity[J].Review of Financial Economics, 2006, 15(4): 289-304.

[16] Bai, J., Ng, S.Confidence Intervals for Diffusion Index Forecasts and Inference for Factor-Augmented Regressions[J].Econometrica, 2006, 74(4): 1133-1150.

[17] Zou, H., Hastie, T.Regularization and Variable Selection via the Elastic Net[J].Journal of the Royal Statistical Society, Series B: Statistical Methodology, 2005, 67(2):301-320.

[18] Gu, S., Kelly, B., Xiu, D.Empirical Asset Pricing via Machine Learning[J].Review of Financial Studies, 2020, 33(5): 2223-2273.

[19] Adrian, T., Brunnermeier, M.K.CoVaR[J].The American Economic Review, 2016, 106(7): 1705-1741.

[20] Giglio, S., Kelly, B., Pruitt, S.Systemic Risk and the Macroeconomy: An Empirical Evaluation[J].Journal of Financial Economics, 2016, 119(3): 457-471.

[21] 王春麗，胡玲.基于馬爾科夫區(qū)制轉移模型的中國金融風險預警研究[J].金融研究，2014,(9)：99-115.

[22] Baker, M., Wurgler, J.Investor Sentiment and the Cross-Section of Stock Returns[J].The Journal of Finance, 2006, 61(4): 1645-1680.