经济政策不确定性、网络舆情与金融机构系统性风险.pdf

Apr.2023JOURNALOFMANAGEMENTSCIENCES INCHINA2023年4 月Vol.26No.4理第2 6 卷第4 期报学学科管doi:10.19920/ki.jmsc.2023.04.004经济政策不确定性、网络舆情与金融机构系统性风险欧阳资生，陈世丽，杨希特，刘凤根，周学伟（1.湖南师范大学商学院，长沙4 10 0 8 1；2.湖南工商大学财政金融学院，长沙4 10 2 0 5；3.四川大学商学院，成都6 10 0 6 4）摘要：基于4 5家上市金融机构2 0 15年1月至2 0 2 0 年3月的月度数据，从反映系统性风险的极值风险与传染效应两个维度各选取一个指标，即条件在险值差（CoVaR）和吸收比率差（A b s），并利用网络爬虫与文本分析构建金融机构网络奥情指数.然后，采用静态面板与动态面板实证分析经济政策不确定性、网络舆情与金融机构系统性风险之间的关系，考察网络典情的中介效应，并从金融机构的类型和规模层面进行异质性分析.研究结果发现：1）经济政策不确定性对金融机构系统性风险存在显著正向影响，但积极和消极网络舆情对金融机构系统性风险的影响存在差异性;2)网络典情是经济政策不确定性影响金融机构系统性风险的潜在传染渠道；3）网络舆情的中介效应在不同类型和规模的金融机构间存在异质性。关键词：系统性风险；经济政策不确定性；网络舆情；中介效应；异质性中图分类号：F832.5文献标识码：A文章编号：10 0 7-9 8 0 7(2 0 2 3)0 4-0 0 6 2-2 50引言当前，世界处于百年未有之大变局，经济发展面临的不确定性冲击明显增加，系统性风险爆发的概率显著上升.同时，2 0 0 8 年的次贷危机、2 0 11年日本福岛核电站泄漏、2 0 14 年埃博拉病毒肆虐和2020年新冠疫情等重大突发公共事件更是加剧了各个政府的经济政策不确定性.事实上，若经济政策不确定性造成政策效果与目标之间出现偏离，就会对国民经济发展带来不利影响，甚至诱发系统性风险.随着我国金融体系日益成熟，国际国内各个市场间、部门间的关联性也日益紧密与复杂，这使得经济政策不确定性的跨国家、跨部门与跨市场的溢出和传染路径变得难以捉摸.国际金融危机的发生使研究者在一些显性角度研究系统性风险的同时更加关注隐蔽的关联性风险传染.这进一步需要研究政策不确定性通过什么渠道影响系统性风险，从而在风险的传导路径上把握系统性风险的变化.对经济政策不确定性的研究已引起了学术界的浓厚兴趣，并探讨了经济政策不确定性对宏观经济和金融市场走势的影响.Baker等1 首次尝试量化经济政策不确定性，编制了世界主要经济体的经济政策不确定性指数（EconomicPolicyUn-certaintyIndex,EPUI），该指标虽然得到学术界的广泛使用，但其指标设计对发展中国家存在缺陷，如编制中国经济政策不确定指数时，其仅利用了香港南华早报的新闻信息，因而不能全面反映中国经济政策不确定性水平.为此,Huang和Luk2从114 份中国大陆报纸中选取人民日报、北京青年报、广州日报等10 种报纸，对其发表的文章进行文本挖掘，构建了中国经济政策不确定收稿日期：2 0 2 1-0 5-0 4；修订日期：2 0 2 2-0 2-13.基金项目：国家社科基金重点资助项目（2 1ATJ009）；湖南省自然科学基金资助项目（2 0 2 1JJ30196）；湖南省研究生科研创新重点资助项目(CX20201071),作者简介：欧阳资生（19 6 7 一），男，湖南邵阳人，博士，教授，博士生导师。Email：o u y a n g _z s 16 3.c o m欧阳资生等齐政策不确定性网络库情与融机构系统性风险第4 期63性指数.目前已经有诸多学者从理论和实证角度研究政策不确定性如何对宏观经济、股票市场、企业投资、环境污染等变量产生影响，如Pastor和Veronesi3研究发现政府政策的不确定性助长了股价的波动性和关联度.Wen和Zhangl41发现经济政策不确定性的上升将导致地方政府减少环境监督，从而增加工业污染.基于投资者情绪的网络舆情与金融市场有很强的关联性，网络关注度和网络舆情的变动会影响股票的收益率和波动率.统计显示，截至2 0 2 0 年12月，中国网民规模达9.8 9 亿，互联网普及率为70.4%，互联网已成为投资者获取和传播信息的重要渠道，网络舆情作为市场参与主体对市场预期的重要反映载体，包含丰富的市场风险信息，同时其对系统性风险的爆发也具有金融加速器作用.如Da等5 采用Google指数衡量投资者注意力.Gargano与Rossi6研究发现更高的投资者网络关注会导致更强的股市波动.欧阳资生等7 认为网络关注度对系统性风险具有显著影响，投资者网络关注度越高，系统性风险水平越高.由此可见，在金融危机时期，网络舆情的传播将促使大量投资者抛售股票，从而使金融市场发生剧烈波动，导致系统性风险迅速上升.现有研究大多聚焦于传统金融学下系统性风险的度量、经济政策不确定性与金融市场关系上，较少涉及到经济政策不确定性是否会通过网络舆情引发系统性风险.在经济政策不确定性上升的时候，往往会引发网络舆情呈现不同程度的波动，可能会引发股市羊群效应，导致投资者集体抛售股票，加剧金融市场的震荡，从而产生系统性风险.因此，经济政策不确定性可能会通过网络舆情对系统性风险产生影响.为了验证上述观点，本文以2 0 15年1月一2 0 2 0 年3月A股上市金融机构为样本，探讨经济政策不确定性是否以及通过何种渠道对金融机构系统性风险产生影响.研究发现：经济政策不确定性的变化会对金融机构系统性风险产生影响，经济政策不确定性越大越易引发金融机构系统性风险.在作用机制方面，研究发现经济政策不确定性通过网络奥情渠道对金融机构系统性风险产生影响，当投资者面临较大的经济政策不确定性时，更可能抛售股票引发羊群效应，从而导致金融市场震荡引发系统性风险.此外，还发现经济政策不确定性对金融机构系统性风险的传导机制会由于金融机构的类型、规模与性质的不同而存在差异.与以往研究相比，本文的边际贡献在于：第一，基于网络舆情，从传导机制的视角讨论了经济政策不确定性、网络舆情与金融机构系统性风险之间的传导渠道,并且为避免结论的单一性，综合选取了反映风险积累的机构极值风险和反映机构风险传染的吸收比率差两个指标作为金融机构系统性风险的测度变量，丰富了学术界对经济政策不确定性、网络舆情与系统性风险之间关系的相关研究.第二，考虑到不同类型的网络舆情可能对金融机构系统性风险的影响存在差异，将网络舆情拆分成积极网络舆情与消极网络奥情，能够更好地从不同角度分析并解释其对系统性风险的影响.第三，考虑到金融机构在面对冲击时所受影响的异质性，从金融机构的类型和规模出发，将45家金融机构进行分组估计，讨论网络奥舆情在不同金融机构中的风险传导异质性，并利用多种方法对实证结果进行稳健性检验，加深了网络舆情对系统性风险作用机制的认识和理解.1文献综述1.1系统性风险的研究系统性风险被认为是金融体系的部分或全部功能受到破坏，从而引发金融服务大规模终止，并可能对实体经济造成严重负面影响的风险【8.Acharya等10 研究发现大多数监管机构更多的是关注个体层面的金融风险，而对于整体层面的系统性风险缺乏一定的监控，从而使整个金融体系极易受到宏观经济的冲击.现有文献主要从系统性风险的成因、传导效应和风险发生后果等方面对其定义进行阐述.对于系统性风险的测度，“在险价值”（Value-at-Risk，Va R）虽然是目前度量金融风险的一个很好指标，但VaR无法对整体的金融风险进行刻画，而且会低估不同金融机构的尾部风险溢出效应1.随着该领域研究的不断发展，“边际期望损失法（MES）”、“条件在险价值法（CoVaR）”以及“条件在险价值差（Co Va R）”等风险测度方法被提出，以测度当理2023年4 月报科学学管64金融市场陷人困境时，个体金融机构对整体金融体系的风险贡献程度，并进一步刻画了系统性风险的整体水平10.12 .然而，CoVaR无法测度超过一定置信水平的潜在损失，因此难以全面的对整个系统面临的系统性风险进行刻画.与此同时，也有学者指出CoVaR被认为更多地从数理统计层面而非金融学角度对系统性风险的成因进行探究13.此外，MES虽充分考虑了金融危机时单个机构的风险情况，但忽略了金融机构的规模大小、杠杆比率等因素，因此在识别金融风险贡献时将会存在一定偏差14 .另外，国内外学者还通过其它多种方法对系统性风险进行度量,如何青等15从金融机构个体风险、金融体系间的联动和传染效应、金融市场的波动性和不稳定性、金融市场的流动性和信用状况4 个层面选取了CoVaR、A b s等14 个代表性指标度量了系统性风险;Brownlees和Engle14采用SRISK衡量金融机构在严重市场衰退下的资本缺口，并将其纳入系统性风险度量指标.宫晓莉等16 运用方差分解网络方法对我国上市金融机构建立信息溢出网络，由此鉴别风险传染中的系统重要性金融机构.欧阳资生和周学伟17 采用分位数对分位数方法研究系统性风险对宏观经济的溢出效应.周开国等18 基于格兰杰因果关系定义了总体关联性用于刻画系统性金融风险，并结合广义方差分解方法分析了不同市场间的风险传染机制.王纲金等19 通过TENET模型构建尾部风险溢出网络，从系统整体、部门行业、机构个体三个层面对网络关联性展开实证分析.欧阳资生等2 0】从频域视角出发，探讨了金融机构间的长短期关联性，1.2经济政策不确定性与金融风险的关系研究由于国际金融危机的爆发和一系列重大公共突发事件的发生，越来越多的学者开始关注经济政策不确定性与系统性风险的关系.现有文献对经济政策不确定性的研究主要从以下角度展开。第一，经济政策不确定性指标构建的研究.主要通过以宏观经济变量的二阶矩、利用非经济虚拟变量作为代理变量和基于报纸覆盖率等三种方法来测度经济政策不确定性.第二，经济政策不确定性与宏观经济及微观企业风险承担.如Nalban和Smadu21研究发现不确定性冲击是宏观经济波动的重要来源之一.不少学者的研究表明,政府经济政策存在着一定程度上的不确定性并有可能成为新的经济波动源2 2】.第三，经济政策不确定性对风险传染效应与溢出效应的研究.如方意2 3 通过构建包含银行破产机制和去杠杆机制的资产负债表直接关联网络模型，研究了在机构高度关联之下的四种风险传染渠道.杨子晖等2 4 研究发现存在“股票市场一经济政策不确定性一外汇市场”的传染路径1.3网络舆情与系统性风险关系的研究网络舆情与金融市场有很强的关联性，网络关注度和网络舆情的变动会影响股票的收益率和波动率.如杨晓兰等2 5 研究发现好的奥论导向会明显提高股市的收益率，张科等2 6 研究发现投资者情绪对股票收益率具有预测作用.事实上，网络舆情对系统性风险起着推波助澜作用，金融危机时期，网络舆情对系统性风险的影响以投资者为媒介，股市往往会发生羊群效应，积极的网络舆情信息让投资者对股价变动趋势呈乐观态度，消极的网络舆情的传播促使大量投资者抛售股票，使系统性风险迅速增大，这意味着将网络舆情引入系统性风险的研究中有着重要意义.如汪昌云和武佳薇2 7 将媒体语气作为正负面投资者情绪代理变量，从个股层面检验投资者情绪对IPO抑价率的影响.李双琦等2 8 发现考虑投资者情绪因素后能够提高资产定价效率.熊熊等2 9 发现投资意见能够通过股吧帖子阅读量得以传播识别.Ang等30 通过研究投资者在社交媒体上发表的评论，发现从社交媒体中提取的预测信息比提案公告回报、传统媒体报道、分析师报告和机构投资者对拟议收购的反应等所捕获的预测信息更多.Wang等31 借助复杂网络方法研究金融机构间的投资者情绪关联和收益率关联，发现危机时期投资者情绪网络的关联性会显著上升.Qiao等32 研究发现经济政策不确定性会影响投资者情绪，进而使投资者倾向于规避风险资产。系统性风险的发生是金融市场各类小风险的聚集，往往需要经历一定的时间累积，在一个关键时点由一个特定事件引起并迅速蔓延至整个金融体系.投资者面对收集到的股市舆情信息，将结合已有信息及自身经验做出反应，由于个体投资者具有很强的协同情绪，从而导致很强的非理性投资行为.投资者在做出决定时易趋于群体一致，引欧阳资生等济政策不确定性、网络舆情独机构系统性风险第4 期65起股价的剧烈变动，严重时导致金融市场动荡，发生系统性风险.综上，学者们在系统性风险领域做了大量研究.而现有研究大多考察经济政策不确定性对于宏观经济的影响机理或将经济政策不确定性作为一个影响渠道考察系统性风险对其他要素的影响，直接考察其对系统性风险影响机理的文献较少.那么经济政策不确定性是否会影响系统性风险呢？如果答案是肯定的，其潜在影响渠道是什么？该动机下系统性风险呈现什么样的状态？显然，对这些问题的回答不仅有助于加深对系统性风险的理解，对防范和化解重大风险同样具有重要的理论和现实意义，2理论分析现有研究大多侧重于经济政策不确定性对系统性风险的直接作用，较少关注其作用机制.本节主要从宏观和微观两方面分析经济政策不确定性影响金融机构系统性风险的作用机制.图1中列出了经济政策不确定性影响金融机构系统性风险的理论分析框架经济政策不确定性的变化，将对宏观经济运行和金融市场发展产生重要影响，并通过影响市场基本面诱发系统性风险，具体影响路径包括实体经济、资本价格、金融市场和投资机会等3.34 .如Wu等35 研究发现经济政策不确定性可能会降低信贷分配的效率,从而增加机构的脆弱性，导致金融机构系统性风险也相应增加.也有文献表明不确定性可能会通过对利率的影响促使银行承担更高风险.由于金融机构在高度不确定的时期减少投资，信贷需求下降往往会压低金融机构贷款利率.与此同时，金融机构在不确定时期面临巨大不利冲击的可能性更大，导致投资者要求金融机构提供更高的融资溢价，从而推高融资成本36 网络奥情模糊性厌恶非理性渠道经济政策风险感知迎合渠道金融机构不确定性系统性风险非理性预期股权融资渠道实体经济资本价格金融市场投资机会基本面因素图1理论分析框架图Fig.1 Theoretical analysis framework同时，由于不同投资者在获取信息的数量、交易风格、知识背景、资金管理能力等各个方面存在差异,大部分投资者的风险水平意识较低,因此在面临经济政策不确定性时，对投资收益和波动的预期异质化,且难以做出相应的决策，容易产生负面情绪从而增大网络舆情，特别是在面临突变的经济政策时，更容易发生重大网络奥情，最终对市场稳定和金融机构行为产生短期和长期冲击.中国股票市场以散户为主，这使得投资者间存在较高的异质性，加大了网络舆情的长短期冲击强度37.38 .因此,经济政策不确定性的改变在微观层面造成了不确定性因素，加速了网络奥情的蔓延，从而间接影响金融机构的运行,加大金融风险的传染强度.已有研究表明，经济政策不确定性对投资者情绪有显著的负效应39 .经济政策不确定性影响网络舆情的作用机制主要有风险感知、模糊性厌恶和非理性预期机制.一是风险感知机制，经济政策不确定性会使投资者加大对金融资产的风险评估，进而导致风险感知的增加，投资者对金融市场未来经济的合理预期变得难以把控，使得报学学理科管2023年4 月66情绪被持续放大，从而增大了网络奥情4 0 1.二是模糊性厌恶机制，投资者对于不确定性或者模糊的事物通常会表现出厌恶情绪，从而在信息缺失下影响网络舆情，因此投资者会在信息更加充分的情况下再对投资做出决定4 1.三是非理性预期机制，当面临重大经济政策不确定性时，投资者容易发生集体恐慌，从而导致金融机构股价剧烈波动.当单一市场发生危机时，投资者基于理性预期，会对持有的资产组合进行再分配，投资者的非理性预期导致网络舆情持续扩大，甚至诱发金融机构系统性风险在金融各部门和机构间的扩散4 2 .金融机构在受到网络舆情的影响后，会通过以下三个渠道影响金融机构系统性风险.具体而言，一是网络舆情的传导会通过金融机构的非理性渠道影响金融机构的风险承担4 3.网络奥情在二级市场传播并影响金融机构，导致金融机构对市场出现非理性判断，使金融机构的业务扩展速度严重超出金融机构的实际承受能力，进而加大金融机构系统性风险.当网络奥情与金融机构管理者对市场预期产生矛盾时，金融机构管理者很难把控网络舆情，更多是被动分享网络舆情.因此，金融机构预期更易受到网络舆情影响.二是金融机构对网络舆情的迎合渠道.银行、保险公司和证券公司等金融机构作为一类特殊的上市公司，其经营行为很有可能受到网络舆情影响.在网络奥舆情表现积极时，金融机构对未来有更大的期望，为提高股权价值，金融机构经营者可能会迎合网络舆情预期，采取激进的投资行为，从而放大金融机构系统性风险4 4 .三是股权融资渠道，网络舆情使金融机构出于谨慎动机，通过风险管理间接降低投融资规模，使股票价格发生偏离，影响金融机构增发新股的股权融资成本，进而影响机构的投资行为4 5.因此，网络奥情对金融机构资产价值的预期可能会影响金融机构在股权市场和债券市场的融资成本，促使金融机构管理层改变融资规模和业务，从而影响金融机构系统性风险.3指标构建与方法说明3.1指标构建与变量选取3.1.1金融机构系统性风险指标借鉴Adrian 和 Brunnermeier12 与 Giglio等4 6 对系统性风险的度量方法,构建金融机构极值风险CoVaR与传染效应Abs两个指标，将其作为金融机构系统性风险的度量指标.考虑到金融时间序列的动态相关性，采用DCC-GARCH模型来估计CoVaR，具体思路如下.假设金融机构i和金融市场i的收益服从二元正态分布，即2pio,o(Xi,X.)N(1)(c.)其中p，分别表示动态条件相关系数和条件标准差.根据正态分布的性质，在金融机构处于损失状态时，金融市场的损失服从正态分布X Ix;N(X,diP,(1-(pi)(d.)(2)根据CoVaR的定义，可以得出P.p,o,/cVaRCoVaRj.-Xip;o,(3)一X,-Xipio./o,因为N(0,1),且 VaR,1-(p.)qt厂-（g）；,因此可得出CoVaR的计算方法为CoVaRi vaR.=(g)./1-(pi)+q，td-(q)p:.(4)在此基础上得出CoVaR的计算公式为ACoVaRili=CoVaRilVaR,-CoVaRi.vaRo.(5)9,t9,t9,t对于传染效应指标Abs，计算方法为AAbs=Abs(M)short-Abs(M)long(6)式（6)中Abs（M）为吸收比率，short与long均表示滚动窗口，short取值为2 2（对应一个月的交易日），long取值为2 52（对应一年的交易日），Abs（M）反映在N个金融机构收益率的方差协方差矩阵中，能被前M个主成分解释的比率，计算方法为MNAbs(M)=Var(PC,)/ZVar(PC,)(7)i=1i=1其中N表示原始的变量总数（本文为4 5），M表示根据原始变量提取出来的主成分个数，PC，表示从N个金融机构中所提取的主成分.在计算其第4 期67欧阳资生等济政策不确定性、网络莲情三融机构系统性风险Abs（M）后再取月度平均即得Abs的月度值.在系统性风险测度指标计算时，利用各家金融机构的股票月对数收益率测算其风险，采用沪深30 0 指数的月对数收益率来衡量金融市场的月收益率.3.1.2网络奥情指标目前构建网络舆情指数的一个重要方法就是通过爬虫技术爬取相关网站（比如微博、股吧、twitter等)的信息来构建.参照欧阳资生等4 7 做法，通过爬虫技术收集2 0 15年1月至2 0 2 0 年3月我国4 5家上市金融机构在东方财富网股吧论坛的评论数据（包括帖子标题、点击量、发帖用户名、回复数以及帖子内容等），总计数据4 8 0 余万条，根据评论数据构建网络奥情指标的具体做法如下.首先，对爬取的评论数据进行数据清洗，主要包括去广告贴、重复贴以及重复的单词和句子。其次，借助词库和Viterbi算法对清洗后的评论数据进行文本分词.本文构建的词库以汪昌云和武佳薇2 7 、You等4 8 构建的词库为基础，添加了jieba词库、股吧常用语、股市术语和搜狗金融词库等.由于中文词汇语义丰富多变，并不能完全包含所有的词语，因此对词库中包含的词语根据词频大小进行切分，而对词库中没有的词汇，则采用Viterbi算法计算其分词的最大概率路径.再以分词后的评论数据为基础，参考股市术语以及股吧情感词典得出本文最终的情感词典，最后，根据情感词典构建最终的网络舆情指标.根据整理出的金融情感词库将网络舆情分为正面舆情、中性舆情和负面舆情，即对股吧评论数据分别计算正向、负向和中性词汇的数量，并且设定不同的情感值，正向情感词为1，负向情感词为-1,中性情感词为0.此外，若情感词前存在否定词，则情感倾向发生改变，将该条评论的情感权重设定为1，当存在“太”、“无比”等强程度副词时，权重设定为2，存在“仅仅”“有点”等弱程度副词时权重设定为0.5.由此得出第i个金融机构在第t个月内的网络舆情指数NPO.=MP+M+Mr.(8)中MWixih,tET表示类型为cEikeK(pos,neu,negl的股吧评论在第t个月内的加权数量之和,其中i表示第i个金融机构，T表示整个时间集（即2 0 15年1月至2 0 2 0 年3月），k表示第t个月内的每个评论，K表示在第t个月内的评论总数；pos表示正向词汇，neu表示中性词汇，neg表示负向词汇，Wi表示每条评论的正向、中性和负向词汇，i，代表每条评论的权重信息.最后，借助虚拟变量并根据计算出的网络舆情指数得到积极网络舆情与消极网络舆情，即NPO i,NPO i,OPNPOi,.(9)Lo,NPOi.,0NPO i.,NPO i.随机效应 混合回归，而传染效应中混合回归固定效应 随机效应.表3中列出了两种风险测度指标的最优估计结果.根据表3的静态回归结果可以发现：不管是机构极值风险还是传染效应，经济政策不确定性回归系数均在1%水平下显著，说明经济政策不确定性会对金融机构系统性风险产生显著影响，并且其系数显著为正，进一步说明经济政策不确定性对金融机构系统性风险会产生正向影响，即经济政策不确定性越高，金融机构系统性风险也就越高.除此之外，根据表3还可以发现积极网络舆情的回归系数在1%水平下显著，说明积极网络舆情会对金融机构系统性风险产生显著影响，具体来说积极网络舆情越高，金融机理学管报学科2023年4 月70构系统性风险就越低，这可能是因为当市场处于积极网络舆情时，投资者对未来股市持乐观态度，增加股票投资，使金融市场更具流动性，从而使系统性金融风险发生的概率降低；另一方面，当面临较大的经济政策不确定性时，即使投资者处于积极情绪时，投资者也极可能变得谨慎，减少投资行为，避免资产损失，从而使得市场波动变小，系统性风险发生的概率降低.同时，消极网络舆情的回归系数显著为负，但由于消极网络舆情本身定义为小于0 的数，因此当市场处在消极网络舆情状态时，投资者情绪越消极，金融机构系统性风险就越大.表3静态面板模型回归结果Table 3 Static panel model regression results变量ACoVaRAAbs0.057.5*0.058.9*0.015 3*0.015 9*In EPU(19.01)(19.46)(3.37)(3.50)-0.001 2*-0.001 1*PNPO(-4.47)(-2.77)-0.000 4*-0.000 6*NNPO(-1.83)(-1.80)0.848 9*0.901 7*0.857 6*0.907 4*In CPI(7.25)(7.67)(4.87)(5.14)0.030.30.034 9-0.2593*-0.266 1*lnMECI(1.08)(1.24)(-6.17)(6.33)-0.000 20.00220.019.9*0.019 9*ln CCI(0.03)(0.42)(2.56)(2.49)-0.053 4*-0.051 6*-0.0236*-0.020 6*In JCK(13.18)(12.76)(-4.26)(3.78)-0.048 1*-0.044 6*0.001 00.001 0Size(-10.66)(-9.95)(1.45)(1.45)0.789 8*0.760 6*-0.078 5*-0.087 9*BLeu(12.12)(11.62)(1.70)(-1.91)0.130 2*0.117 6*-0.0707-0.0851*Turn(4.01)(11.62)(-1.59)(-1.92)2.239 4*2.1066*0.468 9*0.3870*Constant(17.72)(16.88)(2.95)(2.44)注：括号中的值为t统计量，下同.此外,经济政策不确定性与金融机构系统性风险间可能存在反向因果关系而产生内生性问题.基于此，引人工具变量法来解决模型的这一内生性问题.考虑到中美两国宏观经济政策具有较强的联动性，且美国经济政策不确定性并不直接影响中国金融系统性风险，因此参考顾夏铭等51，选取美国经济政策不确定性指数作为中国经济政策不确定性指数的工具变量，以缓解内生性问题带来的结果偏差.表4 给出了相应的2 SLS回归结果.从表4 可知，借助工具变量法，从第二阶段的回归结果可以看出，美国经济政策不确定性对中国金融机构系统性风险具有显著正向影响，且均在1%水平下显著，说明实证结果能避免反向因果所带来的内生性问题.第4 期欧阳资生等：经济政策不确定性、网络舆情与金融机构系统性风险71表4 工具变量法Table 4 Instrumental variable method(1)(2)(1)(2)(1)(2)(1)(2)变量第一阶段第二阶段第一阶段第二阶段第一阶段第二阶段第一阶段第二阶段lnEPUACoVaRInEPUACoVaRInEPUAAbsInEPUAAbs0.337 3*0.3469*0.337 3*0.3469*In EPUusA(34.00)(35.21)(34.00)(35.21)0.0228*0.025 83*0.02683*0.028 4*InEPU(4.02)(4.68)(3.18)(3.48)0.012 1*-0.0018*-0.0121*-0.0009*PNPO(-8.38)(-6.05)(-8.38)(-2.14)-0.012 6*0.000 7*-0.012 6*-0.0005NNPO(-10.12)(-2.84)(10.12)(-1.33)-0.88800.606 83*-0.44410.6595*-0.88800.962 6*0.44410.991 8*nCPI(-1.40)(4.89)(-0.70)(5.35)(-1.40)(5.24)(-0.70)(5.43)-2.0999*-0.110.8*2.0291*-0.107 1*-2.099 9*-0.2299*-2.0291*-0.226 4*InMECI(-14.65)(3.62)(14.19)(-3.51)(-14.65)(-5.07)(-14.19)(-5.01)0.163 5*0.009 2*-0.1175*-0.011 2*0.163 5*0.022 6*-0.117 5*0.022 6*In CCI(-5.98)(-1.70)(4.17)(-2.00)(5.98)(2.80)(4.17)(2.72)-0.279 5*-0.061 8*-0.277 6*-0.059 9*-0.279 5*-0.032 4*-0.277 6*-0.031 5*InJCK(-13.23)(-14.38)(-13.22)(14.01)(-13.23)(-5.09)(-13.22)(-4.97)-0.471 0*-0.053 5*-0.430 1*-0.047 8*0.471 0*0.025 5*-0.430 1*0.0287*Size(-18.44)(-11.45)(-16.98)(-10.39)(-18.44)(3.68)(-16.98)(4.21)5.517 7*0.880.3*4.922.9*0.823 1*5.5177*0.491 7*4.922 9*-0.527 2*BLeu(15.62)(13.00)(13.88)(12.14)(15.62)(4.90)(13.88)(5.25)0.547 3*0.137 5*0.440 5*0.118 3*0.547 3*-0.003 60.440 5*-0.0134Turn(3.17)(4.14)(2.58)(3.57)(3.17)(-0.07)(2.58)(0.27)N2.7902.7902.7902.7902.7902.7902.7902.790AdjR?0.4220.3470.4280.3450.4220.0460.4280.0444.3金融机构系统性风险的动态影响分析静态面板回归虽能从数量上分析变量之间的影响程度，但由于某些个体的行为会受到过去行为的影响，静态面板模型并不能准确捕捉这种关系，因此在某些情况下静态面板回归并不具有强大的解释力.基于此，引人动态面板模型,即式（12）展开进一步讨论分析.这时将系统性风险的滞后项作为解释变量，利用DGMM（差分GMM）与SGMM（系统GMM）模型，分析经济政策不确定性、网络舆情对金融机构系统性风险的动态影响.根据表5动态回归结果的AR（p）检验值可以发现，上述模型均满足扰动项的差分存在一阶自相关而二阶不存在自相关，因此不能拒绝扰动项无自相关的假设.另外，运用DGMM与SGMM时均借助了工具变量进行分析，因此使用Sargan检验来检验工具变量的有效性，根据表5的Sar-gan检验可知，所有模型的Sargan检验P值均大于0.1，说明不能拒绝“所有工具变量都有效”的原假设.除此之外，系统性风险的滞后项回归系数均显著,说明系统性风险存在惯性作用,因此使用动态面板分析系统性风险与各变量之间的关系是合理的.根据表5的回归结果分析，得知：第一，机构极值风险与传染效应均会受到过去两期系统性风险的影响，即金融机构系统性风理报学科2023年4 月学管72险存在惯性作用.第二，从SCMM与DGMM两个模型的估计结果可知,经济政策不确定性会对金融机构系统性风险产生显著的正向影响，即经济政策不确定越高，系统性风险也就越高；而网络奥情的回归结果显示,其回归系数均在1%显著性水平下显著为负，这说明积极网络舆情越高，系统性风险就越小，而消极网络舆情越高，系统性风险就越高.其原因是：根据式(9)和式（10)可知，积极网络舆情定义为正，消极网络舆情定义为负，因此当积极网络舆情作为解释变量，其回归系数为负时对系统性风险存在负向影响，即：积极网络舆情越高，系统性风险越小.而当消极网络舆情作为解释变量时，其回归系数为负，但由于消极网络舆情本身数值为负，因此最终导致消极网络舆情对系统性风险存在正向影响，即投资者越消极，NNPO值越小，对系统性风险的影响就越大.同时，还可以发现，不管是从影响方向还是影响程度来看，积极网络舆情与消极网络舆情对金融机构系统性风险的影响均存在差异性，具体表现为：1）不管是Co Va R 还是Abs，都存在积极网络奥情的影响为负，而消极网络舆情的影响为正，即影响方向不一致.其成因为积极网络舆情会使投资者对市场呈乐观态度，因此市场的波动会较小，此时机构极值风险与风险传染发生的概率也较小，即：积极网络舆情对系统性风险的影响为负.而出现消极网络舆情时，投资者恐慌情绪会持续蔓延，为避免遭受损失会将资产转移至风险较低的市场，因此导致市场波动增大，进而导致风险积累与风险传染发生的概率也增加，即：消极网络舆情对系统性风险影响为正.2）从回归系数的大小来看，积极网络奥情与消极网络舆情的回归系数不相同，即影响程度不一致，也说明其影响存在差异性.事实上，投资者对于利好消息与不利消息的反应存在差异,因此对于系统性风险的影响程度也会存在差异.进一步地，对比表3与表5可以发现：积极和消极网络舆情回归系数在静态面板与动态面板GMM估计中回归系数均显著，这说明积极和消极网络舆情对金融机构系统性风险的影响既有静态影响也有动态影响.表5CMM估计结果Table 5 GMM estimation resultsACoVaRAAbs变量DGMMSGMMDGMMSGMMDGMMSGMMDGMMSGMM0.578 3*0.5911*0.579.4*0.602.2*-0.495 7*-0.498 1*-0.5012*-0.507 5*LISYS(108.31)(114.02)(102.94)(70.14)(932.22)(370.43)(-600.75)(285.41)0.010.3*0.028 0*0.013 4*0.046 4*-0.249 5*-0.247 6*-0.251 3*-0.251 0*L2.SYS(3.36)(11.17)(5.67)(11.54)(356.37)(-171.19)(-207.97)(104.44)0.025 8*0.022.9*0.026 1*0.026 5*0.012 0*0.011 6*0.011 4*0.0109*In EPU(59.57)(44.46)(55.80)(51.52)(42.21)(27.54)(32.70)(13.21)-0.000 5*-0.000 8*-0.001 4*-0.002 4*PNPO(-6.28)(9.90)(-20.17)(-23.00)-0.000 1*0.0001*-0.002 0*0.003 4*NNPO(3.08)(-3.16)(-30.63)(-34.52)1.092 0*1.017 9*1.084 5*1.101 8*0.767 7*0.724 1*0.795 9*0.770 4*In CPI(42.90)(44.68)(29.67)(74.46)(161.19)(78.82)(115.18)(36.21)-0.104 9*-0.086 2*-0.104 7*-0.105 9*-0.3188*-0.3293*-0.304 5*-0.306 4*InMECI(-77.20)(41.80)(-57.05)(-34.25)(-376.33)(-228.45)(212.20)(-89.78)-0.011 4*-0.005 4*-0.012 4*-0.002 2*0.052.5*0.061 1*0.061 8*0.076 8*InCCI(12.84)(-7.23)(19.05)(-3.17)(157.43)(95.07)(132.47)(125.23)-0.047 9*-0.043 8*0.047 1*-0.040 6*-0.053 6*-0.053 9*-0.05633*-0.0587*In JCK(-66.80)(-45.42)(40.65)(-66.50)(-241.00)(134.60)(-177.81)(98.08)第4 期欧阳资生等：经济政策不确定性、网络莲情与融机构系统性风险73续表5Table5ContinuesACoVaRAAbs变量DGMMSGMMDCMMSGMMDGMMSCMMDGMMSGMM0.038 5*-0.008 1*0.036 7*-0.003 70.007 3*0.007 1*0.019 7*0.0129*Size(13.20)(-6.96)(-12.75)(0.88)(1.92)(-1.92)(2.90)(3.13)0.831 8*0.745 6*0.826 6*0.474 6*-1.617 1*-1.942 2*-1.807 3*-2.304 4*BLeu(20.19)(20.26)(23.82)(5.51)(-14.68)(16.41)(-16.81)(20.20)-0.0358*-0.013 9*-0.0438*0.0565*-0.049 2*0.012.4-0.053 7*0.016 2Turn(9.76)(-2.07)(-12.14)(6.59)(-7.53)(0.70)(-4.07)(1.01)1.995 1*1.1051*1.9319*0.944