新冠肺炎疫情对湖北板块股市的影响效应分析——基于事件分析法

The Analysis of COVID-19’s Impact on the Hubei Stock Market—Based on the Event Analysis Method

摘要: 本文应用事件分析法对湖北板块股票市场应对新冠肺炎疫情的市场表现进行了实证研究。结果表明，新冠疫情在短期内对湖北板块股市产生了显著的冲击效应。但由于行业的异质性，疫情对不同行业的影响效应和程度是不同的，其中对旅游餐饮、批发零售、信息技术以及网娱媒体等行业造成的冲击最大，对房地产行业有轻微的冲击效应；相反，医药、运输仓储、制造和金融等行业在此次疫情中保持了较强的抵御能力。本文的研究结果在一定程度上可以为世界各国抗击传染病和恢复经济生产提供参考。

Abstract: This paper is devoted to an empirical study on the market performance of Hubei stock market in response to COVID-19 epidemic by using event analysis method. The results show that COVID-19 has a significant impact on the stock market of Hubei in the short term. Due to the heterogeneity of the industry, the effect and degree of the impact on different industries are different. Among them, tourism & catering, wholesale & retail, information technology and internet entertainment media industry have been caused the greatest impact, and real estate industry has been caused a slight impact. On the contrary, pharmaceutical industry, transportation & storage industry, manufacturing, and financial industry have been resilient to the pandemic. To a certain extent, the research results in this paper can provide references for countries around the world to fight infectious diseases and restore economic production.

1. 引言

随着全球化进程的日益加快和社会的不断发展，突发公共事件愈发频繁。2019年12月，新冠肺炎疫情自武汉开始爆发，并逐渐向全国快速扩散。截至到2020年4月8日武汉解封，全国31个省(区、市)累计确诊病例有81,802例，从扩散面和严重程度来看，新冠疫情已超过2003年的非典；从传染病本身来看，与2003年的SARS病毒相比，新型冠状病毒的传染性更强，传播范围更广，防控难度更大。从以往文献来看，历次重大疫情均对人类社会各个方面产生巨大影响，本次疫情也不例外，人类健康、经济发展面临极大挑战。疫情下，除了人群感染和生产停摆等现实影响之外，反应最为强烈的则是股票市场。股票市场是经济发展的晴雨表，股价变动不仅能够反映经济表现，同时也在一定程度上预示着未来经济发展的趋势。因此，评估和理解新冠疫情对股票市场的影响，具有重要的现实意义。

纵观有关此疫情的相关文献，多数学者均从疫情对经济社会某一方面或某些行业的影响展开研究。具体来看，Liu等人 [1] 研究了新冠疫情对美国原油价格以及原油市场的影响，结果表明疫情对原油市场有显著的负效应；Wu等人 [2] 运用事件分析法探讨了疫情爆发对中国上市旅游股价的影响，结果证明该疫情确实对旅游业带来了短期的负面影响；Sobieralski [3] 分析了新冠疫情对航空业和就业的影响；Ali等人 [4] 研究了新冠疫情对不同金融证券的影响，并比较了我国和其他国家的情况；董渤等人 [5] 分析了新冠疫情对农业生产的影响效应，并给出了相应的应对策略；赵娴等人 [6] 运用事件分析法研究了新冠疫情对我国第三产业的影响效应。

在此背景下，本文以湖北板块股票市场不同行业的样本股票为研究对象，运用事件分析法研究样本股票收益在疫情发生前后不同窗口期内的变化情况，以及疫情发生后各个行业应对疫情的能力。通过以上研究，可以了解股市价格变化，为股民投资决策提供依据，也可以揭示各个行业在疫情发生以来的市场反应，为采取措施应对后续相似重大突发公共事件提供理论支撑和政策建议。

2. 模型设定

2.1. 窗口的界定

运用事件分析法进行研究时，首先要进行事件定义，选定事件日、估计期和事件期，如图1所示。

Figure 1. Event window diagram

图1. 事件窗口示意图

2.2. 模型的选择

2.2.1. 市场模型的建立

事件分析法主要考察特定事件发生后样本股票价格的异常变化(异常收益)，在《事件研究方法综述》 [7] 一文中，将计算预期收益率模型分为三类：平均调整收益率模型、市场指数调整收益率模型、风险调整收益率模型，其中风险调整收益率模型有多种类型，例如市场模型、资本资产定价模型、Fama-French三因子模型、Carhart四因子模型等。由于市场模型最为简单且预测能力与其他复杂模型一样好 [8]，因此本文采用市场模型来进行建模，用估计期窗口的个股收益率与相应的大盘收益率数据进行回归分析，计算各支股票的α_i和β_i，然后将其代入事件期窗口计算正常收益率R_it，计算公式如下：

${\hat{R}}_{it}={\alpha }_i+{\beta }_i\times R_{mt},$

其中R_mt为t时刻大盘收益率。

2.2.2. 计算异常收益率

异常收益率AR (Abnormal Returns)即在事件窗口内，每只股票的实际收益率与正常收益率的差值，异常收益率能够反映该事件的经济影响，计算公式如下：

$A{R}_{it}=R_{it}-{\hat{R}}_{it}.$

2.2.3. 计算累积异常收益率

一般来说，事件分析法是研究事件发生日前后一段时间内的影响效应，因此需要对异常收益率进行加总，即计算累积异常收益率CAR (Cumulative Abnormal Returns)。事件对股票价格在这段时间内的影响是否显著，通过对事件期的累积异常收益率进行统计检验来确定。

股票i在事件窗内各交易日的累积异常收益率用CAR_it来表示，其计算公式如下：

$CA{R}_{it}={\displaystyle \underset{j=t_0}{\overset{t}{\sum }}A{R}_{ij}}.t\in \left(t_0,t_2\right)$

对于N个样本，在事件窗内的平均异常收益率和累积平均异常收益率CAAR (Cumulative Average Abnormal Returns)的计算公式如下：

$\overline{A{R}_t}=\frac{1}{N}{\displaystyle \underset{i=1}{\overset{N}{\sum }}A{R}_{it}},$

$CAAR=\overline{CA{R}_t}=\frac{1}{N}{\displaystyle \underset{i=1}{\overset{N}{\sum }}CA{R}_{it}}=\frac{1}{N}{\displaystyle \underset{i=1}{\overset{N}{\sum }}{\displaystyle \underset{j=t_0}{\overset{t}{\sum }}A{R}_{ij}}},$

其中N为样本股票的个数，t代表事件窗内的各交易日。

2.3. 统计检验

本文选用T检验来检验累积平均异常收益率的统计显著性，检验统计量选取如下：

$T_{\overline{CA{R}_t}}=\frac{\overline{CA{R}_t}}{S\left(\overline{CA{R}_t}\right)/\sqrt{N}}~t\left(N-1\right),$

$S^2\left(\overline{CA{R}_t}\right)=\frac{1}{N-1}{\displaystyle \underset{i=1}{\overset{N}{\sum }}{\left(CA{R}_{it}-\overline{CA{R}_t}\right)}^2},$

其中CAR_t为交易日t的累积平均异常收益率，N为股票的样本数， $T_{\overline{CA{R}_t}}$ 为综合检验中的样本统计量。

3. 数据描述

由于新冠肺炎的复杂性和特殊性，以及人们对它认识的不确定性和渐进性，很难确定其首次发生的时间。通过查阅相关资料获悉，钟南山院士在2020年1月20日宣布新冠肺炎有人传人的现象，因此本文选择将此信息公布作为事件发生，并且把2020年1月20日作为事件发生日。选取2019年8月1日到2019年12月26日为估计期窗口(即事件发生日前的172天到25天)。事件期窗口的设定根据下文不同的需求进行不同的选择。

关于股票价格数据，本文选取了深圳证券交易所的深证综合指数每日收盘价以及湖北板块其中15支代表股票的每日收盘价作为我们的研究对象，这些股票的主营业务涉及餐饮旅游、房地产、运输仓储、医药、批发零售等多个行业，股票信息如下表1 所示。

Table 1. 15 stocks information in Hubei plate

表1. 湖北板块15支股票信息

本文所采用的数据取自tushare财经数据包，对获取的数据做如下预处理得到其对数收益率

其中P_it是t时刻股票指数i的价格。

4. 实证结果与分析

4.1. 研究假设

为了研究新冠肺炎疫情对湖北板块股票的影响效应是否显著，我们提出如下假设检验：

无效假设H₀：新冠肺炎疫情对湖北板块股票市场无显著影响；

备择假设H₁：新冠肺炎疫情对湖北板块股票市场有显著影响。

4.2. 新冠肺炎疫情对湖北板块股市的总体影响

将获取的股票数据导入Stata统计软件，计算在(–15, 15)事件窗内每日湖北板块股票累积平均异常收益率、T统计量以及p值，数据预处理以及事件分析法程序见附录，计算结果如表2所示。

Table 2. The daily CAAR, T statistics and p-value in the (–15, 15) event window

表2. (–15, 15)事件窗内每日CAAR、T统计量及p值

^*表示在5%的置信水平下显著；^**表示在1%的置信水平下显著。

由表2的结果可以看出，自新冠疫情发生以来，样本股票的累积平均异常收益率均为负值，并且从疫情发生的第二个交易日到第十五个交易日累积平均异常收益率对应的p值均小于0.05，说明此次疫情确实对湖北板块股市产生了显著的冲击效应。通过比较p值的大小可以发现越靠近事件发生日，其相应的p值越小，即越临近事件发生日，疫情的发生对股票市场的影响显著性越强。同时可以看到，在疫情发生前的15个交易日，样本股票的累积平均异常收益率也均为负值，这可能是由于媒体对不明肺炎的报道给股市造成恐慌的一种反射。但其相应的p值大部分都大于0.05，说明疫情的发生对于疫情发生前的股市没有显著影响。

4.3. 新冠肺炎疫情对长期和短期市场的影响

上一小节就疫情的发生对样本股票产生的影响进行了总体分析，为探求新冠疫情的发生在短期和长期的影响效应及程度，本文将事件窗口进行如下设定：(–30, 0)，(–20, 0)，(–10, 0)，(0, 10)，(0, 20)，(0, 30)，通过调整事件窗口，得到不同事件窗口下湖北板块股票在疫情发生前后的市场反应。结果如表3所示：

Table 3. CAAR, T statistics and p-value under different event windows

表3. 不同事件窗口下的CAAR、T统计量以及p值

^*表示在5%的置信水平下显著；^**表示在1%的置信水平下显著。

从表3可以看出，在疫情发生当天的累积平均异常收益率为−0.0024，p值为0.3042，远大于0.05，说明疫情的发生对当日湖北板块股市没有产生显著的消极影响，原因可能是由于股价的滞后性。观察疫情发生前10天、20天、30天内的累积平均异常收益率的p值，均大于0.05，说明新冠肺炎发生对事前窗口也没有显著影响；观察疫情发生后的10天和20天，累积平均异常收益率对应的p值分别为0.0003和0.0045，均小于0.05，说明疫情发生后的20天内，疫情对湖北板块股市产生了显著的冲击效应，并且越接近事件日，显著性越强；事件发生后的30天内，累积平均异常收益为0.0263，为正值，说明股市在经历短期的波动之后正在逐步恢复。

为了更好地观察累积平均异常收益率随着窗口期变动的变化规律，将窗口期31个交易日的个股累积平均异常收益率进行计算，得到的结果如图2所示。

观察图2可以看出，疫情发生前十五个交易日内，全样本的累积平均异常收益率几乎均为负值，从上图的走势可以看出收益率仅有小幅下滑趋势。原因可能是新闻媒体对于不明肺炎的报道导致市场的恐慌，使得股市有轻微的波动。当钟南山院士明确提出人传人以后的第一个交易日，累积平均异常收益率略微下降，到第二个交易日，累积平均异常收益率出现断崖式下跌，并且在之后的十五个交易日内，累积平均异常收益率较之前一直保持较低水平，说明疫情的发生给股市带来了巨大的负效应，并且持续一段时间不能回归正常水平，进一步反映了新冠肺炎疫情对股市的巨大冲击，这个结果与之前的分析结果是一致的。

Figure 2. Daily CAAR for window period (–15,15)

图2. 窗口期(–15,15)的每日CAAR

4.4. 新冠疫情对不同行业的影响效应分析

通过以上分析可以证明新冠肺炎的发生确实对湖北板块全样本股票在短期内产生了显著的冲击效应，为了更清晰地比较疫情的发生对哪些行业的冲击较大，故将这些股票在第20个交易日的累积异常收益率进行了汇总，见表4和图3。

Table 4. CAR of each stock on the 20th trading day

表4. 各支股票第20个交易日的CAR

^*表示在5%的置信水平下显著；^**表示在1%的置信水平下显著。

Figure 3. CAR comparison of each stock on the 20^th trading day

图3. 各支股票第20个交易日的CAR对比

以上结果表明，新冠肺炎疫情对湖北板块股票市场各行业的影响存在不一致性关系，其中对宜昌交运、华中数控、汉商集团、健民集团、长江证券股票产生了显著的正效应，健民集团股票的正效应最大，其次是宜昌交运，这两支股票分别属于医药制造和运输仓储行业；对三特索道、南国置业、盛天网络、农尚环境、海特生物、当代明诚、中百控股、湖北能源、福星股份这九支股票产生了显著的负效应，其中影响较大的是三特索道和中百控股以及盛天网络和当代明诚，这四支股票分别所属旅游餐饮、批发零售以及网娱媒体行业，包括南国置业和福星股份在内的房地产行业也受到轻微影响。出现这一结果的原因大致可以归结为以下三点：一是疫情与各行业的相关性；二是疫情发生以后省内的人员流动受限性；三是疫情发生以后的复工复产难以实现。

5. 结论

本文采用事件分析方法，以湖北板块股票市场为研究对象，用经验的方式探讨了新冠肺炎疫情的爆发对股票市场在短期内的冲击效应，及其对各行业股票价格的影响。研究结果表明：1) 新冠疫情的发生对湖北板块股票市场整体产生了显著的冲击效应。2) 疫情发生后20个交易日内，对股票的冲击最大，20个交易日之后，股票市场慢慢恢复。3) 就行业来看，疫情对旅游餐饮等娱乐服务行业冲击最大，对医药制造行业等有一定的积极影响。

股票市场是经济的晴雨表，在一定程度上反映了一个国家或者一个地区经济的整体状况。本次疫情对湖北省经济造成的影响是沉重的，不过这个冲击是短暂的，回顾这一整年，湖北省的经济“满血复活”，以上讨论的严重受挫的旅游餐饮等娱乐服务行业逐步回归正轨。本文的结论也可以为世界各国抗击传染病和恢复经济生产提供参考。

附录

事件分析法Stata部分代码

-------------------------数据预处理---------------------------------

setlinesize 200

capture erase marketfile.dta

capture erase security_id.dta

capture erase security_returns.dta

foreach file in marketfilesecurity_idsecurity_returns{

xls2dta:import excel using `file'.xlsx, firstrow

}

qui{

foreach file in marketfilesecurity_idsecurity_returns{

use `file'.dta,clear

genmarketid = 1

save `c(pwd)'\\`file'.dta, replace

}

}

qui{

usemarketfile.dta,clear

gen SMB = 0

gen HML = 0

genrisk_free_rate = 0

save `c(pwd)'\marketfile.dta,replace

}

qui{

foreach file in marketfilesecurity_idsecurity_returns{

use `c(pwd)'\\`file'.dta,clear

foreachvar of varlist _all{

local x : type `var'

local x2=substr(`x',1,3)

if `x2' == str{

dis 1

}

else{

dis 0

}

}

}

}

---------------------事件研究法--------------------------

use `c(pwd)'\security_id.dta ,clear

eventstudy2stockid Date using security_returns , ret(sreturn) evwlb(-10) evwub(10) ///

mod(FM) marketfile(marketfile) mar(mreturn) idmar(marketid) ///

car1LB(0) car1UB(15)///

car2LB(0) car2UB(20)///

car3LB(-15) car3UB(15)///

car4LB(-20) car4UB(20)///

eswlb(-30) eswub(-30) factor1(SMB) factor2(HML) risk(risk_free_rate) replace