2023年至2026年年初，碳酸锂价格从60万元/吨的历史高位大幅下跌至7万元/吨，随后又强势反弹，价格经历了剧烈震荡。本文基于2023年7月至2026年4月A股锂电产业链46家参与碳酸锂期货套保上市公司的面板数据，采用倾向得分匹配-双重差分法（PSM-DID）评估套保对企业经营绩效的影响，并检验产业链异质性的调节作用。本文研究可帮助实体企业构建科学的套保决策体系，并为监管机构完善衍生品市场规则提供参考。

　　[文献回顾与理论分析]

　　在全球能源转型与我国“双碳”战略深入推进的背景下，作为动力电池核心原材料的碳酸锂战略地位日益凸显，也被业界称为“白色石油”。2023年7月21日，广州期货交易所正式推出碳酸锂期货合约，标志着我国新能源金属风险管理进入全新发展阶段。但2023年至2026年年初，碳酸锂价格从60万元/吨的历史高位大幅下跌至7万元/吨的谷底，随后又强势反弹至15万元/吨附近，这给锂电产业链企业带来了巨大的经营压力。

　　套期保值的理论基础源于Holbrook Working（1953年）和Leland Johnson（1960年）的开创性研究。然而现实中的套保决策远比理论复杂，Smith和Stulz（1985年）提出，企业套保行为受到财务约束、信息不对称和管理层风险偏好等多重因素影响。在2024年至2025年的锂盐价格下跌行情中，全产业链企业普遍面临库存减值与利润挤压的双重压力，市场恐慌情绪蔓延进一步引发基差剧烈波动，传统“1∶1静态套保”策略彻底失效。

　　为应对市场波动，已有越来越多的上市公司引入动态套保策略，通过实时监测波动率、基差变化与现货敞口，借助GARCH族模型等工具不断优化最优套保比率（OHR）。Foley等人（2022年）提出，对套保比率进行动态调整为企业在市场动荡中维持经营稳定提供了可能，但该策略的实际效果是否会因企业所处产业链位置不同存在差异，仍有待检验。上游企业可通过空头套保锁定销售价格，下游企业可通过多头套保锁定采购成本，中游加工企业则普遍面临“两头受压”的困境（Tang Min和Zhu Hui，2016年）。此外，Ray Y. Chou（周雨田）等人（2015年）研究表明，过度的保证金占用与套保方向错判会引发流动性危机，而中国锂电企业高库存、高周转的经营特征，也会直接影响套保的实际效果。

　　基于上述背景，本文从三个方面进行探索：一是采用PSM-DID模型，首次在全行业样本下评估参与碳酸锂期货套保对企业ROE及利润波动率的净效应，缓解样本选择偏差与内生性问题；二是检验产业链异质性对套保效果是否存在调节作用；三是引入动态套保比率，验证基于GARCH模型的动态套保策略是否优于传统静态策略，并通过Diebold-Mariano检验对结果进行统计显著性验证。

　　套期保值与企业价值

　　学术界对套期保值与企业价值的关系目前存在两种核心观点。其一认为，税收凸性、财务困境成本、投资不足等各类市场摩擦的存在，使得套期保值能够帮助企业创造价值：Smith和Stulz（1985年）研究表明，套保可通过平滑应税收入降低企业的预期税负；Allayannis和Weston（2001年）也发现，使用外汇衍生品开展套保的企业，托宾Q值平均高出未开展套保的企业4.87%。另一种观点则对此持怀疑态度：Guay和Kothari（2003年）提出，多数企业的衍生品持仓规模相对于企业总市值而言微不足道；Jin和Jorion（2006年）研究发现，套保主要影响利润波动率，并不会对企业价值本身产生作用。这些研究分歧恰恰反映出套保效果具有情境依赖性。

　　动态套保策略的发展

　　传统静态套保假设最优套保比率（OHR）恒定不变，但现货与期货的价格关系实际上具有时变特征。Baillie和Myers（1991年）首次将GARCH模型引入套保比率的估计过程，发现动态套保能够显著降低组合方差；Kroner和Sultan（1993年）提出了BEKK-GARCH模型；Lien（2009年）发现DCC-GARCH模型在样本外预测中表现最优；Alizadeh等人（2008年）则强调，动态套保需要权衡套保比率的调整频率与交易成本。上述研究成果为本文构建动态套保评估框架提供了方法论基础。

　　大宗商品套保的产业链异质性

　　现有研究尚未充分关注产业链位置对套保效果的影响。Tang Min和Zhu Hui（2016年）基于中国商品期货市场的研究发现，投机者参与会对套保者的交易成本与最终套保效果产生显著影响。在锂电产业链中，上游企业主要面临库存跌价风险，更适合开展空头套保；下游企业主要面临采购成本上涨风险，更适合开展多头套保；中游企业同时面临双向价格波动风险，套保策略也最为复杂。这种产业链层面的异质性，很可能会导致套保效果出现系统性差异。

　　尾部风险与套期保值

　　2008年全球金融危机爆发后，尾部风险管理逐渐成为金融研究的前沿领域。Artzner等人（1999年）确立了在险价值（VaR）和预期损失（ES）的理论地位；Patton等人（2019年）发展出基于分位数回归的尾部风险预测方法；Harris和Shen（2006年）则提出，传统均值-方差套保框架忽略了极端市场条件下的尾部风险。本文将尾部风险指标纳入套保绩效评估体系，以期更全面地反映套保的风险管理效能。

　　[计量经济学框架]

　　基准DID模型

　　本文采用双向固定效应DID模型评估套保政策的净效应，通过比较处理组（参与套保企业）与控制组（未参与套保企业）在政策实施前后的差异变化，控制个体异质性和时间趋势。基准回归方程设定如下：

　　Yit=β0+β1（Treati×Postt）+γXit+αi+λt+εit （1）

　　其中，Yit为企业i在t时期的经营绩效，包括净资产收益率（ROE）和净利润波动率（Volatility）；Treati为套保参与虚拟变量；Postt在2023年7月碳酸锂期货上市后取1；交互项系数β1为核心参数，反映套保政策的净效应；Xit为控制变量，包括企业规模（Size）、资产负债率（Lev）、营业收入增长率（Growth）和产权性质（SOE）；αi和λt分别为个体固定效应和时间固定效应。

　　倾向得分匹配（PSM）

　　DID的有效性依赖于平行趋势假设。由于参与套保的企业可能在规模、盈利能力、风险敞口等方面与未参与企业存在系统性差异，本文先采用PSM缓解样本选择偏差。首先通过Logit模型估计倾向得分：

　　P（Treati=1）=Λ（δ0+δ1Sizei+δ2Levi+

　　δ3Growthi+δ4SOEi+IndustryFE） （2）

　　然后采用1∶1最近邻匹配法，在共同支撑域内为每个处理组企业匹配倾向得分最接近的控制组企业，并要求匹配后所有协变量的标准化偏差均小于10%。

　　产业链异质性模型

　　为检验产业链位置对套保效果的调节作用，在基准模型中引入产业链位置虚拟变量（Upstream、Downstream，中游加工企业为基准组）与核心解释变量的三重交互项：

　　Yit=β0+β1（Treat×Post）it+β2（Chain_Typei×Treat×Post）it+β3Chain_Typei+γXit+αi+λt+εit （3）

　　系数β2反映了上游或下游企业与中游企业在套保效果上的差异。

　　[数据来源与描述性统计]

　　样本选择与数据来源

　　样本为A股锂电产业链上市公司，筛选标准为：（1）属于申万行业分类中的有色金属（锂矿开采）、化工（锂盐加工）或电力设备（锂电池制造）行业；（2）在样本期内持续上市且财务数据完整；（3）在年报或半年报中明确披露衍生品投资信息。我们手工收集了92家公司的数据：财务数据来源于CSMAR，衍生品投资信息通过查阅定期报告获取，碳酸锂期货价格和交易量数据来源于广州期货交易所官网。处理组为46家明确公告并开展碳酸锂期货套保的企业，控制组为通过PSM匹配得到的46家未参与套保企业，样本期为2023年7月21日至2026年4月30日。

　　变量定义

　　被解释变量为ROE（即净利润除以平均净资产）和净利润波动率（由季度净利润标准差年化计算得到）。控制变量包括Size（即总资产的自然对数）、Lev、Growth及SOE。本文按主营业务划分企业所处的产业链位置：上游为锂矿开采与锂盐初加工环节，中游为正负极材料、电解液和隔膜生产环节，下游为动力电池和储能电池制造环节。

　　描述性统计

　　表1为样本企业产业链分布与特征描述

　　表2为处理组企业主要变量描述性统计

　　表3为碳酸锂期货市场关键指标统计

　　表1显示，处理组和控制组产业链分布较为均衡，中游材料企业最多（各32家），与产业链结构特征相符。表2显示，年化平均ROE从上游12.5%到中游4.2%不等，上游受益资源稀缺性盈利最强，中游因产能过剩利润率最低；净利润波动率中游最高（35.6%），与其双向挤压特征一致；套保强度（期货持仓名义价值与净资产之比）下游最高（32.1%）、中游最低（15.8%）。表3显示，样本期内广州期货交易所多次调整保证金要求，2024年第四季度价格大跌期间，年化波动率升至68.7%，最低保证金比例从7%上调至12%；2025年波动率回落至52.3%，市场逐步消化恐慌情绪。

　　[实证分析与讨论]

　　平行趋势检验与PSM匹配质量

　　平行趋势检验结果显示，在处理期（2023年第三季度）之前，处理组与控制组的ROE和净利润波动率变化趋势不存在显著差异，满足DID方法的使用前提；进入处理期之后，处理组的ROE显著高于控制组，净利润波动率显著低于控制组，初步说明套期保值产生了预期效果。经过PSM匹配，所有协变量的标准化偏差均小于10%，且t检验结果不显著，匹配效果符合要求；剔除落在共同支撑域之外的2家处理组企业后，最终共保留90家样本企业，其中处理组与控制组各45家。

　　基准回归结果

　　表4的基准DID回归结果显示：当以净利润波动率为被解释变量时，交互项系数为-0.183，且在1%水平上显著；加入控制变量后交互项系数为-0.165，在5%水平上显著，说明开展套期保值平均可使企业净利润波动率降低18.3个百分点，其中Size系数显著为负，Lev系数显著为正。当以ROE为被解释变量时，交互项系数为0.021，且在1%水平上显著；加入控制变量后交互项系数为0.018，在10%水平上呈边际显著，说明套期保值平均可使企业ROE提升2.1个百分点。上述结果验证了套期保值在平滑利润波动、提升经营质量方面的积极作用，这一结论与Allayannis和Weston（2001年）的研究发现基本一致。

　　表4为套期保值对企业绩效影响的DID估计结果（*、**、***分别表示在10%、5%、1%水平上显著，括号内为t统计量）

　　产业链异质性分析

　　表5显示，套期保值的绩效存在显著的产业链差异。上游资源企业在现货端因锂价下跌承受了15.2%的利润损失，但空头套期保值在期货端获得了12.21亿元的净盈利，最终综合净利率仅下降2.1个百分点，对冲效率高达86.4%。下游电池企业的套保效果更为出色：现货端利润增长5.4%，多头套期保值获得4.64亿元净盈利，综合净利率提升11.8个百分点，对冲效率为94.7%。只有中游加工企业表现不佳：现货端利润下降8.5%，期货端亏损0.0128亿元，综合净利率下降9.2个百分点，对冲效率为12.5%。这一结果的原因在于，中游加工企业面临的双向价格风险难以通过单纯的期货套保完全对冲，且中游企业本身套保强度最低，仅为15.8%；同时双向套保和基差交易对操作精度要求更高，在基差剧烈波动的时期更容易出现判断失误。整体来看，套保绩效呈现出显著的“微笑曲线”特征，处于不同产业链位置的企业需要结合自身风险敞口特征，选择差异化的套期保值策略。

　　表5为基于产业链位置的异质性分析

　　动态套保策略效果评估

　　静态最优套期保值比率（OHR）基于全样本OLS估计结果为0.72；动态最优套期保值比率则随时间变化，在2024年第四季度波动率飙升阶段升至0.89，在2025年第二季度市场平稳阶段降至0.61。样本内拟合结果显示，动态套保策略的组合方差比静态策略低23.6%；样本外预测采用滚动窗口法开展，动态策略的均方根误差（RMSE）比静态策略低18.4%。在以组合方差作为损失函数的DM检验中，统计量为-2.87，且在1%水平上显著，说明动态套保策略显著优于“一刀切”的静态套保策略，这一结果支持了Baillie和Myers（1991年）、Lien（2009年）的研究结论，也为实体企业搭建量化驱动的动态套保决策系统提供了实证依据。

　　尾部风险改善效果

　　套保显著改善了企业的尾部风险特征：全样本1%VaR从套保前的-12.3%改善至-9.10%，1%ES从-15.6%改善至-11.75%。分产业链看，上游改善幅度最大（从-10.5%至-8.21%），中游最小（从-14.2%至-12.35%），与套保效率的“微笑曲线”特征一致。分位数回归显示，在0.01分位点（极端左尾），套保使企业收益率的下行风险显著降低；在0.05分位点效果仍显著但幅度缩小，表明套保对极端尾部风险的保护作用尤为突出，与Patton等人（2019年）的论述相符。

　　稳健性检验

　　（1）安慰剂检验：将碳酸锂期货上市时间人为提前4个季度，交互项系数不显著，排除了偶然因素和未观测共同冲击的干扰；（2）替换被解释变量：以ROA替换ROE、营业收入波动率替换净利润波动率，核心结论不变；（3）改变样本区间：剔除2024年第四季度极端波动期，套保效果略有减弱但仍显著；（4）替换匹配方法：核匹配与半径匹配的DID估计结果与基准模型高度一致。

　　[结论与建议]

　　本文基于2023年7月至2026年4月A股锂电产业链中46家参与碳酸锂期货套保上市公司的面板数据，采用PSM-DID方法评估了套期保值对企业经营绩效的净效应，检验了产业链异质性的调节作用，并对比了动态套保与静态套保策略的尾部风险管理效果。主要研究发现如下：

　　第一，参与套期保值能够显著改善企业经营绩效：企业净利润波动率平均降低18.3%，净资产收益率（ROE）提升2.1个百分点，且二者均在1%水平上显著，该结论经过稳健性检验后依然成立。

　　第二，产业链位置对套期保值的效果存在显著调节作用，整体呈现“微笑曲线”特征：上游企业空头套保的对冲效率为86.4%，下游企业多头套保的对冲效率为94.7%，而处于中游的“夹心层”企业对冲效率仅为12.5%，甚至在期货端出现亏损，该结论为Tang Min和Zhu Hui（2016年）的研究提供了新的实证证据。

　　第三，动态套期保值的效果显著优于静态套期保值：采用BEKK-GARCH模型得到的动态最优套期保值比率（OHR）可使样本内组合方差降低23.6%，样本外均方根误差（RMSE）降低18.4%，DM检验在1%水平上显著。

　　第四，套期保值能够显著改善尾部风险：1%水平下的风险价值（VaR）从-12.3%优化至-9.10%，1%水平下的期望损失（ES）从-15.6%优化至-11.75%，对极端下行风险的保护效果尤为突出。

　　对实体企业提出三点建议：一是摒弃“拍脑袋”式决策，建立基于GARCH、ECM等量化模型的动态套期保值决策系统，实时监测波动率、基差和现货敞口，并动态调整套期保值比率；二是因“链”制宜，上游环节侧重库存空头套保，下游环节侧重采购多头套保，中游环节引入场外期权、互换等工具构建综合对冲方案；三是将保证金管理与现货敞口严格绑定，设定止损线和风险限额，同时采用VaR、ES等指标全面评估套期保值绩效。

　　本文也存在一定局限性：其一，样本周期仅约3年，结论的长期稳健性有待后续积累数据后进一步检验；其二，本文主要关注套期保值对财务绩效的影响，未来可进一步探究其对企业投资决策、融资约束和创新活动的影响机制；其三，BEKK-GARCH模型在极端市场条件下可能存在设定偏误，后续可引入Copula模型、极值理论（EVT）或机器学习方法，提升尾部风险预测精度；其四，研究对象也可拓展至镍、钴、稀土等其他大宗商品，检验产业链异质性调节作用的普遍性。

　　总而言之，在变幻莫测的大宗商品市场中，套期保值是实体企业构筑“金融防波堤”的重要工具，但其作用的充分发挥，依赖于科学的策略设计、精准的风险识别和严格的内控执行。唯有将量化模型与产业实践相结合，企业才能真正借助期货工具实现管理风险、创造价值的目标。（作者单位：中国工商银行安徽省分行 中国科学技术大学国际金融研究院）