经济“双循环”背景下中国与国际产业相依结构研究

杜子平，马思宇，王倩文，孙瑞泽

（1.天津科技大学a.经济与管理学院；b.金融工程与风险管理研究中心，天津 300457；2.南方科技大学商学院，广东深圳 518055）

一、引 言

当前我国经济正处于结构转型的关键时期，同时也面临着全球经济衰退、逆全球化与单边主义兴起、地缘政治风险等外在不利因素。为了应对错综复杂的国内外形势变化，习近平总书记作出“加快构建以国内大循环为主体、国内国际双循环相互促进的新发展格局”的战略部署。产业作为畅通国内大循环与国际循环的中观载体，了解中国产业结构现状、促进产业结构持续升级既是打通国内大循环的基础和前提，也是中国参与国际循环的重要纽带，是构建新发展格局的重要保障。完备的产业体系能够保障国民经济的平稳运行和国家在对外发展中的主导地位，是当前我国打造双循环的坚实根基。不同的产业由大大小小的行业共同构成，因此，如何在以国内大循环为主体、国内国际双循环相互促进的新发展格局下，研究中国各行业间相依结构与关联网络，厘清产业发展现状以促进产业结构优化升级，形成具有核心竞争力的现代产业体系，以产业高质量发展带动国内与国际经济的循环互动，成为值得深入探讨的问题。

学术界以往关于经济“双循环”的研究主要集中在以下两个方面：第一，着重分析中国经济双循环的内在逻辑、战略内涵、理论机制、实施路径及政策体系等问题［1-5］；第二，将中国经济双循环作为背景，研究产业布局、外贸发展、投入产出、自贸区和产业数字化等问题［6-11］。已有文献对于经济“双循环”的研究大多是基于经济理论的定性分析，在理论、实证数据和测算方面的深化研究不多，鲜有文献从金融市场角度出发，通过股市行业研究中国产业间相依关系，分析产业间风险传染路径，为产业结构升级提供方向，加快经济“双循环”新发展格局的构建。

以往学者研究金融市场行业间相依关系，多从系统性金融风险角度和投资组合角度出发。国外已有较多文献从金融业与实体行业角度出发研究股票市场行业间的相依关系，值得借鉴［12-13］。国内方面，对于金融市场行业间相依关系的研究最初集中在房地产市场［14］，随着中国经济和金融所处的大环境越来越复杂，国内学者近年来对金融市场行业间相依关系的研究也逐渐增多［15-16］，朱波等学者采用不同方法度量了实体行业与金融业的系统性风险程度和溢出关系［17-20］。但现有研究大多基于金融业与实体行业对金融市场行业间相依关系进行分析，鲜有文献从全行业角度出发研究所有行业间的相依关系。

而从方法上来说，一般对行业相依关系的研究主要从计量方法着手，一些学者通过线性、非线性方法对行业关联度进行描述［21-23］，但基于传统计量方法考察行业间的联动效应，只能从行业两两联动角度出发，无法刻画风险溢出的整体特征，更无法对多行业间的间接风险传导进行度量。因此，一些学者开始把传统计量嵌入到复杂网络当中，更好地反映出风险传染的路径和程度［24-25］，但是关注的往往是行业之间的线性关系，缺乏对相依关系非线性网络的研究。而Copula 函数的非线性特点可以弥补传统线性相依关系上的不足，更为准确地对机构间或市场间的关系进行刻画，同时也能注重尾部极端收益带来的系统性风险。目前，国内外基于R 藤Copula 的应用研究主要集中在两个方面：第一，针对金融市场、行业间相依结构的研究［26-30］；第二，对投资组合优化及风险度量的相关研究［31-33］。但这些研究中，多数研究工作都是局限在两个或者几个典型国家，而在全球层面对金融市场全行业相依结构的研究仍较缺乏，有待深入探索。

基于此，本文从金融市场角度出发，选取MSCI指数中中国股市一级行业指数和发达市场一级行业指数为原始数据，通过中国股市一级行业指数研究中国行业现状，以发达市场一级行业指数代表国际行业来研究国际行业现状，研究范围涵盖了国内外所有行业，并首次从全行业角度出发，通过研究中国产业发展现状来推动新发展格局的构建。具体来说，首先，以R 藤Copula 模型为基础工具，研究中国行业间和国际行业间的非线性相依结构，分析国内外行业间的联动性，有效识别系统性重要行业，以便有针对性地对重点行业进行监督管理；其次，将R 藤Copula 与复杂网络模型相结合，通过Copula Glasso方法选择不同的调节因子来构建非线性关联网络，研究中国行业间和国际行业间的网络整体特征，分析行业间的直接或间接传导路径，进一步挖掘中国行业的国内循环和国际循环轨迹；最后，对国内外所有行业进行进一步分类，利用扩展的分块R 藤Copula 方法研究国内外不同产业类别间的相依关系，以此分析中国产业与国际产业的发展现状，为促进国内产业结构升级、加快构建以国内大循环为主体的新发展格局提供有力支撑。

本文剩余部分的结构安排如下：第二部分介绍文中所用基本模型与方法；第三部分对实证结果进行分析，主要包括对中国股市与发达市场行业间相依关系、关联网络以及产业间相依关系进行分析；第四部分提出研究结论与政策建议。

二、模型方法

（一）ARMA-GARCH类模型

本文从金融市场角度出发，研究中国行业与国际行业间的相依关系，需构建R 藤Copula 模型测算行业间的相依关系。金融数据一般都具有尖峰厚尾、自相关性和异方差性特点，但Copula模型描述的是截面相关，故有必要构建合理的边缘分布模型对这些特征进行刻画，去除序列相关性，选取ARMA-GARCH 类模型可实现较好的拟合效果。

为了捕捉股市间存在的非对称效应，采用GJR-GARCH 模型拟合中国和发达市场行业指数的收益率序列，并假定残差服从GED分布，即采用ARMA（1，1）-GJRGARCH（1，1）-GED 模型拟合收益率序列。均值方程、方差方程和残差的分布分别为：

式（1）为均值方程，ri,t、εi,t分别表示变量收益率和残差；式（2）为方差方程表示条件方差；式（3）假设模型的残差服从GED 分布，k表示控制分布尾部薄厚程度的参数。

（二）R藤Copula模型

Copula 函数根据Sklar 定理连接多个收益率的边缘分布构造多元联合分布，边缘分布描述的是每个变量的具体分布，Copula函数描述了变量间的相关性。为了解决高维问题，Bedford和Cooke［34］提出了“藤”方法用于图形建模，利用条件相关随机变量的概率密度分解对多元Copula 构造基于条件Copula的藤蔓模型。

Bedford 和Cooke［35］最早提出R 藤copula，将多元联合密度分解成一系列边缘分布、二元Copula函数和条件Copula 函数的乘积，相较于C 藤和D 藤，R 藤不对变量之间的连接结构做出限制，具有更好的灵活性。

为了介绍R藤的含义，先引入树的概念，一个d维的R藤由(d-1)棵树构成的集合V={T1,…,Td-1}组成，图Ti=(Ni,Ei)(1 ≤i≤d- 1)为一棵树，其中Ni为顶点集，Ei为边集，顶点集N={}v0,v1,…,vk中任意两个顶点都有一条唯一的边相连。如果

（1）对任意一棵树Ti=(Ni,Ei)的任意两个顶点a,b∈Ti，i= 1,…,d- 1，都存在一条路（path）n1,…,nk⊂Ni，使得a=n1,b=nk。

（2）第一棵树T1有顶点集N1={1,…,d}及边集E1。

（3）当j≥2 时，以上一棵树的边集Ei-1作为下一棵树的顶点集Ni。

（4）对i= 2,…,d- 1及{a,b}∈Ei，|a∩b| = 1。记R 藤中一条边为e=(Ce,a,Ce,b|De)，其中Ce,a和Ce,b为该边两端的条件顶点，De为条件集（例如，若e={{1,2},{1,3}}，则Ce,a={1,2}，Ce,b={1,3}，De={1}），与e对应的Copula密度函数为cCe,a,Ce,b|De。

R藤Copula联合分布的概率密度函数为：

其中：e为连接随机变量R藤Copula的每条边；e=C(e,a),C(e,b)|D(e)；cCe,a,Ce,b|De为二元Copula的概率密度函数。

由于R 藤对于多元变量的分解是根据变量间的具体关系进行界定的，相较于C藤和D藤事先决定树的结构形状，R 藤的分解规则更符合实际情况。根据Dißmann算法构建R藤，首先捕捉变量间最强的相依关系，第一层树中两两节点之间相依程度的大小用kendall τ值来衡量，在选定的变量间估计二元Copula，通过AIC准则从拟合优度和复杂程度两个方面评价并选择最优Copula类型，然后由最大似然法估计参数。

（三）基于Copula Glasso 方法改进的复杂网络模型

对于高维变量之间的相关关系，直接将变量间的两两相关系数加入预测模型会带来维数灾难，为了全面考虑行业相关系数并充分考虑它们之间的相依结构，本文基于Copula Glasso 方法，对R 藤Copula模型引入不同的调节因子，并基于变量间的Kendall τ系数矩阵建立复杂网络，然后根据网络特征指标描述行业间的关联网络，进一步分析国内外行业间的网络整体特征。

纳入分析的网络特征指标包括两类：第一类是衡量节点特征的指标，即度中心性和接近中心性；第二类是衡量网络整体特征的指标，即聚类系数和平均最短路径长度。其具体含义见表1所列。

表1 复杂网络指标

三、实证分析

本部分将从五个方面对中国与国际行业间相依关系及关联网络进行研究。第一，对样本数据进行描述性统计分析，了解数据的一般特征；第二，构建边缘分布模型，过滤掉数据本身的自相关性和异方差性，构建R藤Copula模型；第三，通过构建R藤Copula 模型研究中国与国际股市行业间的相依关系；第四，通过基于Copula Glasso 方法改进的复杂网络模型分析中国股市与发达市场行业间的关联网络；第五，通过拓展后的分块R 藤Copula 模型分析中国股市与发达市场的产业间相依结构。

（一）数据选取与描述性统计分析

为了刻画中国股市行业与国际股市行业间的相依关系，本文选取MSCI 编制的中国股市一级行业指数研究中国行业间的相依关系，选取发达市场股市一级行业指数作为国际股市行业的代理变量，研究国际行业间相依关系。具体来说，中国股市行业包含房地产（Z地产）、非日常消费品（Z非日常）、日常消费品（Z日常）、能源（Z能源）、金融（Z金融）、医疗保健（Z 医疗）、工业（Z 工业）、信息技术（Z 信息）、原材料（Z 原材料）、通讯服务（Z 通讯）和公用事业（Z公用）共11个一级行业指数，发达市场行业包括能源（F 能源）、原材料（F 原材料）、工业（F 工业）、非日常消费品（F 非日常）、日常消费品（F 日常）、医疗保健（F 医疗）、金融（F 金融）、信息技术（F信息）、电信业务（F电信）和公用事业（F公用）共10个一级行业指数。因为中国股市行业中的房地产行业于2016年8月31日开始构建，所以本文所选样本区间为2016 年8 月31 日—2022 年8 月10 日。所有数据均来源于Wind数据库。

为消除指数衡量单位不同带来的误差，对发达市场一级行业指数进行汇率换算，使得两指数以人民币为统一衡量单位，再对所有数据进行对数差分，得到21 个行业指数的日收益率序列。全样本下各对数收益率序列的基本统计量见表2 所列。由描述性统计结果可见，从均值来看，只有中国的房地产行业、金融行业、通讯服务行业和公用事业行业为负值，国内其他行业和发达市场全部行业均为正值；从偏度和峰度来看，数据具有典型的尖峰厚尾特征，JB 检验的结果也进一步证明了所有数据均不服从正态分布；ERS 检验结果均显著，即各行业对数收益率不存在单位根，序列平稳；据LB检验与LM 检验的结果可知，数据具有显著的自相关性和ARCH效应。

表2 全样本各对数收益率序列基本统计量分析

（二）边缘分布建模

因本文要使用R 藤Copula 模型研究中国股市与发达市场行业间的相依结构，而Copula 模型描述的是截面相关，所以考虑各行业收益率序列存在尖峰、厚尾、有偏、自相关性、异方差性等典型特征，有必要构建合理的边缘分布模型对这些特征进行刻画，去除序列相关性，故选取ARMAGARCH 类模型构建边缘分布。收益率序列ARMA（1，1）-GJRGARCH（1，1）-GED 模型的拟合结果见表3 所列。其中，LB 检验和LM 检验结果均不显著，接受原假设，即拟合后的残差为白噪声，不再存在自相关性和ARCH 效应，边缘分布建模效果良好，可进一步构建R 藤Copula模型。

表3 全样本各对数收益率序列边缘分布的参数估计

（三）中国股市和发达市场行业间相依结构分析

1.中国股市行业间相依结构

中国股市行业R 藤Copula 模型的参数估计结果见表4前10行所列。中国股市11个一级行业的Kendall τ系数值均大于0，表明11个行业间存在正向联动关系，且工业行业与原材料行业的联动关系最强，Kendall τ 系数值为0.63；非日常消费行业与金融行业、公用事业行业与工业行业的联动关系最弱，Kendall τ系数值均为0.45。这是由于原材料行业作为上游行业，为工业行业提供各种生产所需的材料，且两者均为国民经济中的基础性行业，与国民日常生活息息相关，使得两者在各方面都紧密相连，具有最强的行业关联性。从尾部相依性上看，工业行业与原材料行业间的尾部相依性最大，为0.50；而金融行业与房地产行业间的尾部相依性最小，为0.26；但整体上看，各行业间均具有一定的尾部相依性。

表4 中国股市和发达市场21个一级行业的R藤Copula第一棵树估计结果

此外，如图1 所示，中国股市的11 个行业通过工业行业和非日常消费行业相连，形成完整的产业链。具体来说，工业行业作为基础性行业，与之相关联的上下游行业众多；非日常消费行业涉及各类民生产业，包括耐用消费品、纺织服装与珠宝和休闲服务等，覆盖面广，与工业行业同为行业系统中的关键性行业。

图1 国内行业间R藤Copula第一棵树树图

2.发达市场行业间相依结构

发达市场行业R 藤Copula 模型的参数估计结果见表4 第12—20 行所列。具体来说，发达市场10 个一级行业间均存在显著的正向关联，但是其Kendall τ 系数的数值整体偏小，也就是说相较于发达市场股市行业，中国股市行业的正向联动关系更强。具体来说，仍是工业行业与原材料行业在发达市场行业中的关联性最强，为0.60；信息技术行业与医疗保健行业的关联性最弱，为0.41。从尾部相依性上看，工业行业和原材料行业具有显著的上尾相依性，高达0.68；非日常消费行业和工业行业、信息技术行业的尾部相依性同样超出0.60，在一个相对较高的水平；但金融行业与能源行业、日常消费行业与医疗保健行业、信息技术行业与医疗保健行业的尾部相依性则明显低于其他行业间的尾部相依性，不足0.30。综合来说，发达市场各行业间尾部相依程度明显强于中国各行业。此外，如图2所示，与国内行业相同，发达市场各行业仍通过工业行业与非日常消费行业使各行业连接在一起。但相较于国内各行业，发达市场各行业间的相依结构更偏向链式分布，接近D 藤结构，这说明与国内相比，国外的产业链长度有所增加，产业结构更加成熟。

图2 国际行业间R藤Copula第一棵树树图

3.中国股市与发达市场行业间相依结构

中国股市行业与发达市场行业共21个变量的R 藤Copula 模型参数估计结果见表4 所列。其中，中国股市的原材料行业与发达市场的原材料行业间的相依性最弱，为0.14。此外，如图3所示，国内外行业各自聚集，泾渭分明，以国内外原材料行业为桥梁，左边为中国各行业相依结构，右边为国际各行业相依结构，共同构成国内外全行业相依结构。其中，国内外原材料行业作为国内行业系统与国外行业系统中关联性最强的两个行业，需要格外关注。

图3 国内外全行业R藤Copula第一棵树树图

（四）中国股市和发达市场行业间关联网络分析

为进一步研究中国股市与发达市场行业间的传导路径，更好地分析国内国际产业循环的运行方式，本文将R 藤Copula 与复杂网络模型相结合，通过Copula Glasso 方法选择不同的调节因子来构建复杂网络。文中主要对最低调节因子（0.1）、最高调节因子（0.9）和行业分离前后的网络图进行分析，研究国内股市一级行业间的关联网络、发达市场一级行业间的关联网络以及中国与发达市场股市一级行业间的关联网络，并分析其具有代表性的网络指标，更深入地揭示行业间关联网络的特征。

1.中国股市行业间关联网络

如图4所示，当调节因子为0.1时，各行业间的关联网络为一个整体，关联非常密切，没有行业被孤立出来，但不能有效识别系统性重要行业。继续加大调节因子，当调节因子为0.7时，可以明显看出金融行业、房地产行业和公用事业行业均处于网络边缘地带，有脱离整个行业系统的趋势，而信息技术行业、工业行业、非日常消费行业和原材料行业则相对占据重要地位。当调节因子为0.8 时，金融行业和房地产行业自成一体，与其他行业不再关联；公用事业行业也脱离整体，自成一脉；而在网络主体中，工业行业、原材料行业、信息技术行业和非日常消费行业占据主体地位。当调节因子最大（0.9）时，非日常消费行业、工业行业和信息技术行业仍占主导地位，其他行业均边缘化，这说明非日常消费行业、工业行业和信息技术行业为中国行业系统中的三个重点行业。

图4 不同调节因子下中国股市行业关联网络

从衡量网络结构中节点特征的指标来看（度中心性和接近中心性），不论何种调节因子情况下，排在前四位的基本是非日常消费行业、工业行业、原材料行业和信息技术行业，而房地产行业和公用事业行业基本排在最后两位。从衡量网络整体特征的指标来看，平均最短路径长度比较稳定，在1～2 之间，也就是平均来说，某个行业与其他行业的关系需要通过另外的一到两个行业来连接，说明行业间的关联较为紧密，一个行业发生变动很容易影响到其他行业。关联网络的聚类系数则是在0.3～1 之间，大体上呈现随着调节因子增大而逐渐减小的趋势，但网络的整体聚集一直保持在一个较高的水平。

2.发达市场行业间关联网络

如图5所示，当调节因子为0.1时，发达市场各行业均与其他行业紧密相连。当调节因子为0.7时，公用事业行业明显被边缘化，仅与日常消费行业堪堪相连，能源行业同样如此；工业行业、非日常消费行业、金融行业、原材料行业则相对占据重要地位。当调节因子为0.8 时，公用事业行业和日常消费行业与主体分离，互相依存；医疗保健行业与能源行业也同主体相分离，各为一体；金融行业、工业行业、非日常消费行业、原材料行业仍在网络中占据重要地位。当调节因子为0.9时，仅金融行业、原材料行业、工业行业、非日常消费行业与信息技术行业互相连接，且金融行业、原材料行业、工业行业占据主要地位，与其他行业不相关联。与国内相同，发达市场工业行业和原材料行业均为行业系统中的重要行业，但是，国内行业中，信息技术行业更为重要，金融行业则在高调节因子下被边缘化；而发达市场行业中，金融行业则取代信息技术行业成为三大重点行业之一，信息技术行业虽仍未脱离主体，但较之金融行业的重要性仍有不足。

图5 不同调节因子下发达市场行业关联网络

从节点特征来看，发达市场行业关联网络中，金融行业、工业行业、原材料行业、信息技术行业和非日常消费行业不论在何种调节因子下，均占有重要地位，而能源行业和公用事业行业均排在最后两位，与其他行业的关联性较弱。而从网络整体特征来看，同国内类似，平均最短路径长度比较稳定，在1～2 左右，但整体比国内低；网络的聚类系数在0.5～1 之间，整体高于国内行业的关联网络。也就是说，发达市场的行业关联网络与国内相比，网络的整体关联度更高，聚集性更强。

3.中国股市与发达市场行业间关联网络

如图6所示，当调节因子为0.1时，中国股市与发达市场21 个行业间关联紧密，但发达市场的公用事业行业和日常消费行业明显处于边缘位置。当调节因子为0.5时，虽然21个行业已明显分为中国股市与发达市场两个子块，但是两者之间仍具有紧密的联系。而当调节因子为0.6 时，两个系统之间已经没有关联。当调节因子为0.9 时，中国的金融行业和房地产行业脱离国内行业系统；而国外的公用事业行业、能源行业、日常消费行业和医疗保健行业也脱离发达市场的行业系统，其中日常消费行业与公用事业行业相互依存。

图6 不同调节因子下国内外全行业关联网络

从节点特征来看，与上文研究相同，国内行业中，非日常消费行业、工业行业、信息技术行业和原材料行业为系统性重要行业，而房地产行业、金融行业和公用事业行业与其他行业的关联性较低。而发达市场行业中，金融行业、非日常消费行业、工业行业和原材料行业为系统性重要行业，公用事业行业和能源行业与其他行业的关联性较低。从网络整体特征来看，平均最短路径长度虽仍在1～2 之间，但比中国行业关联网络和发达市场行业关联网络要偏低；网络的聚类系数在0.5～1之间，处于一个较高的网络聚集水平，相比国内和国外的行业关联网络偏高。且相比国内和国外的行业关联网络均是在0.8 的调节因子下才有行业脱离整体，国内外21 个行业的关联网络则在0.6的调节因子下就已有行业脱离网络主体。这说明在探究国内外所有行业传导路径的过程中，国内国外行业掺杂在一起，相互影响，使得行业间传导路径变得更为复杂，导致行业脱离主体的情况提前出现。

（五）中国股市和发达市场产业间相依结构分析

首先，基于产业分类相关理论知识、R藤Copula树图和不同调节因子下的行业关联网络，进一步对行业进行分类，将国内外21个一级行业分为8个产业，具体见表5所列。其中，虚拟产业代表以金融业为主的虚拟经济；民生产业、传统产业和新兴产业共同构成实体经济。民生产业与居民日常生活息息相关，代表着居民的主要消费；传统产业以工业行业为主，代表着国内的传统生产力；新兴产业以信息技术行业和通讯服务行业为主，代表着国内的创新能力与关键技术。其次，分别对国内4个产业、国外4个产业、国内外8个产业做分块Copula，对国内外的产业间相依结构进行深入研究，为促进产业结构升级、实现国内国际双循环提供理论支撑。

表5 中国股市与发达市场产业集群分类结果

1.中国股市产业间相依结构

由表6可知，中国股市各产业间Kendall τ系数均大于0，说明产业间存在显著的正向联动。其中，民生产业与传统产业间相依性最强，为0.53；虚拟产业与民生产业间相依性最弱，为0.43。产业内部中，仍是工业行业与原材料行业相依性最强，为0.63；非日常消费行业与公用事业行业相依性最弱，为0.39。此外，如图7 所示，中国4 个产业间的树图如伞状，为C 藤结构，各产业间以民生产业为中心节点，向其他产业散布而去，使各产业间间接相互关联。民生产业包括日常消费行业、非日常消费行业、医疗保健行业和公用事业行业，涵盖居民日常生活的方方面面，与其他产业直接相关。

图7 中国股市产业相依结构

表6 中国股市各产业及产业内部第一棵树结果

2.发达市场产业间相依结构

由表7 可知，发达市场产业间Kendall τ 系数依旧均大于0，产业间存在正向联动关系。其中，仍是民生产业与传统产业间相依性最强，为0.46；传统产业与虚拟产业间相依性最弱，为0.36。产业内部中，仍是传统产业中的工业行业与原材料行业相依性最强，为0.58；非日常消费行业与医疗保健行业相依性最弱，为0.40。此外，如图8所示，发达市场产业间的树图为链条模式，符合D 藤结构，产业与产业之间依次连接，形成完整的产业链条。

图8 发达市场产业相依结构

表7 发达市场各产业及产业内部第一棵树结果

3.中国股市与发达市场产业间相依结构

由表8可知，中国的虚拟产业与发达市场的传统产业间Kendall τ 系数值最小，为0.23，明显小于国内国外其他产业间的Kendall τ系数值。此外，如图9 所示，国内国外产业间各自聚集，具有较强的独立性，通过中国的虚拟产业与发达市场的传统产业相互连接在一起，形成完整的产业相依结构。

图9 国内外全产业相依结构

表8 中国股市和发达市场各产业及产业内部第一棵树结果

四、结 论

本文从金融市场角度出发，对国内外全行业相依结构进行研究。首先采用ARMA-GARCH 类模型对收益率数据进行拟合，接着通过R藤Copula模型和基于Copula Glasso 方法进一步拓展的复杂网络模型对中国行业与发达市场行业的非线性相依结构和非线性关联网络进行研究，并进一步对行业进行分类，通过分块R藤Copula方法分析国内外产业间的相依关系，所得结论如下：

第一，从行业相依性来看，无论是中国还是发达市场，其行业间均存在显著的正向相依关系，其中工业行业与原材料行业相依性最强，且均通过工业行业和非日常消费行业将各行业连通起来，形成完整的全行业相依结构；此外，国内国外行业系统各自聚集，彼此泾渭分明，通过国内外原材料行业连接起来，构成全行业相依结构；从尾部相依性来看，发达市场行业的尾部相依性明显强于国内。我国目前占主导地位的仍是以工业行业、原材料行业为首的传统行业，但在非接触经济时代的新发展格局下，传统产业必须全面践行供给侧结构性改革，延伸每一产业链的前向关联和后向关联，提升产业抵御市场风险的能力。

第二，从行业关联网络来看，0.1调节因子下的中国行业关联网络和发达市场行业关联网络均结构密集，各行业间存在复杂的关联性；而随着调节因子的增大，行业间关联性通过筛选逐渐减小，甚至部分行业脱离网络主体，但系统性重要行业也随之清晰；国内行业中，信息技术行业、工业行业、非日常消费行业和原材料行业在关联网络中占主导地位，金融行业、房地产行业和公用事业行业最早脱离主体；而在发达市场行业中，金融行业取代信息技术行业，与工业行业、非日常消费行业和原材料行业成为系统性重要行业，信息技术行业虽仍不可小觑，但重要性较之国内明显减弱。在国内产业关联网络中，虚拟产业与实体产业的关联性明显弱于其他产业间，因此，应尽快促进以金融业为主的虚拟产业与实体产业融合，以此推动产业结构优化升级，形成具有核心竞争力的现代产业体系，以产业高质量发展带动国内与国际经济的循环互动。

第三，从产业相依性来看，传统产业和民生产业在国内外所有产业中占据重要地位；国内产业中，民生产业作为关键产业，与其他产业相连，形成伞状产业结构；相比国内，国外各产业间产业结构发生变化，呈链式产业结构；与全行业相依结构类似，国内国外产业间也是各自聚集，具有高独立性，并通过中国的虚拟产业与发达市场的传统产业相连，形成国内国际共同的产业结构。目前我国新兴产业的重要性仍显不足，应继续大力实施“数字+”战略，挖掘产业发展新动能，以数字化变革推动产业链供应链优化升级。