一、引言
在经济全球化的背景下，世界经济所处环境复杂多变，各种重大突发公共卫生事件频发，给各国经济带来巨大震荡，同时将对经济的负面影响通过供应链、产业链等传导至金融市场，使得金融市场同样面临巨大挑战。近年来网络舆情亦成为研究金融市场变化的重要因素。基于突发公共卫生事件频发，经济金融冲击不断，亟需建立完善且全面的宏观审慎和风险防控体系，因此本文针对突发公共卫生事件、网络舆情和系统性金融风险这三者进行相关实证研究，探讨系统性金融风险的影响因素，以期为投资者和决策者提供参考。
二、指标选取与计量模型
（一）数据说明及指标选择
1.样本选择。本文选取银行34家、证券36家、保险5家金融收益数据，数据区间为2020年1月10日至2021年5月31日。
2.新冠疫情指数。本文参照蓝波和庄雷(2021)的研究[30]，用国内新增人数、新增境外输入人数、治愈人数、死亡人数和治愈人数的加权平均数来构造新冠疫情指数，用于衡量中国新冠疫情的严重程度。
3.系统性金融风险指标。本文选择采用DCC-GARCH模型估计CoVaR。
4.控制变量的选择。选取居民消费价格指数(CPI)、投资者信心指数(CCI)、市净率(PB)、换手率(Turn)、流动性指标(Liq)5个指标作为控制变量。
5.网络舆情指标。利用网络爬虫技术收集了2020年1月10日至2021年5月31日75家上市金融机构的股吧评论数据，利用金融词典度量网络舆情。
三、实证结果分析
为了消除金融机构间的个体差异与时间差异，本文选用双向固定效应模型进行分析，其模型估计结果如下表1所示。
表1 模型估计结果
根据表1的估计结果，可得出以下几个结论：
第一，系统性金融风险值会受到过去值的显著正向影响，并且这一结论在不同分位点与整体回归中均成立。
第二，在低分位点与中分位点时，新冠疫情对系统性金融风险主要存在抑制作用，高分位点新冠疫情对系统性金融风险存在促进作用，而整体回归时新冠疫情对系统性金融风险的影响不存在统计显著性。
第三，积极网络舆情会抑制系统性金融风险。
第四，在整体回归与中、低分位点时，消极网络舆情对系统性金融风险存在抑制作用，而在高分位点对系统性金融风险值存在促进作用。
四、研究结论
本文认为对于系统性金融风险的监管应制定差异化的的政策，当面临外部冲击时，既要保持银行业既有的风险监管措施，也要对非银行类金融机构制定有效的风险监管，并且在极端条件下，应尤其注重网络舆情的监管，避免消极网络舆情在投资者间的持续蔓延，引发投资者的非理性行为增加股市的异常波动，从而发生更严重的风险。
参考文献
[1] 杨冕,袁亦宁,肖尧.公共卫生事件对企业出口的影响：以SARS疫情为例[J].世界经济研究,2021(06):92-105+137.
[2] Jordá, scar, Singh S R, Taylor A M. Longer-run economic consequences of pandemics[J]. CEPR Discussion Papers,2020.
[3] Barro R J, José F. Ursúa, Weng J. The Coronavirus and the Great Influenza Pandemic: Lessons from the "Spanish Flu" for the Coronavirus's Potential Effects on Mortality and Economic Activity[J]. NBER Working Papers, 2020.
[4] Baker S R, Bloom N, Davis S J, Kost K J, Sammon M C, Viratyosin T. The unprecedented stock market impact of COVID-19[R]. National Bureau of Economic Research, 2020.
[5] Ouyang Z S, Huang Y, Jia Y, Luo C Q. Measuring systemic risk contagion effect of the banking industry in china: a directed network approach[J]. Emerging Markets Finance and Trade. 2020(6): 1312-1335.
[6] 宫晓莉,熊熊,张维.我国金融机构系统性风险度量与外溢效应研究[J].管理世界,2020,36(08):65-83.
[7] 熊熊,许克维,沈德华.投资者情绪与期货市场功能——基于沪深300股指期货的研究[J].系统工程理论与实践,2020,40(09):2252-2268.
[8] Li Yuze et al. The role of news sentiment in oil futures returns and volatility forecasting: Data-decomposition based deep learning approach[J]. Energy Economics, 2021, 95.
[9] 欧阳资生,杨希特,黄颖.嵌入网络舆情指数的中国金融机构系统性风险传染效应研究[J/OL].中国管理科学:1-13[2021-07-06].
张俊生,汤晓建,李广众.预防性监管能够抑制股价崩盘风险吗?——基于交易所年报问询函的研究[J].管理科学学报,2018,21(10):112-126.
作者简介：廖琳琳（1998—），女，汉族，四川眉山市人，学历：硕士在读，研究方向：金融风险管理与机器学习，单位：湖南工商大学理学院。