风险情绪疫情后干预论文

风险情绪疫情后干预论文一.摘要

2020年初爆发的新冠肺炎疫情对全球社会心理产生了深远影响，其中风险情绪的波动尤为显著。本研究聚焦于疫情后时期，通过大规模问卷和深度访谈相结合的方法，对A市和B市两地居民的金融风险情绪变化进行实证分析。研究采用结构方程模型（SEM）对收集到的数据进行分析，重点关注疫情前后风险情绪的动态演变及其影响因素。研究发现，疫情后居民金融风险情绪呈现明显的地域差异和群体分化特征：A市居民因早期封控措施导致的失业率上升，风险情绪显著高于B市；而B市因经济率先复苏，居民风险情绪则表现出快速反弹的趋势。在群体层面，低学历、低收入群体风险情绪波动幅度更大，且对政策干预更为敏感。研究进一步揭示了认知偏差（如损失厌恶）和社交隔离对风险情绪的放大效应。基于实证结果，本研究提出差异化的干预策略：针对高风险群体应加强普惠金融教育，通过信息透明化降低不确定性感知；对于地域差异则需实施精准化财政政策，平衡区域发展差距。研究结论表明，疫情后风险情绪的干预需要结合行为经济学原理与区域经济政策，构建多维度干预体系，为后疫情时代的社会心理稳定提供理论依据和实践参考。

二.关键词

风险情绪；后疫情时代；认知偏差；区域经济政策；普惠金融；心理干预

三.引言

新型冠状病毒肺炎疫情（COVID-19）作为21世纪以来最严重的全球公共卫生危机，不仅对人类生命健康构成威胁，更通过经济衰退、社会隔离和未来预期改变，引发了前所未有的集体心理危机。其中，风险情绪（RiskAversion）的剧烈波动成为衡量社会心理稳定性的重要指标。传统经济学理论认为，风险情绪是个体在不确定情境下规避损失倾向的量化体现，但疫情这一极端事件暴露了风险情绪的动态可塑性及其受宏观环境因素的强烈影响。当突发性、高传染性、高致病性的灾难冲击社会系统时，个体的风险感知阈值会显著降低，表现为对金融、健康、职业等多领域风险的敏感度普遍提升。世界卫生（WHO）在2020年发布的《全球心理健康与COVID-19报告》中特别指出，疫情相关焦虑和抑郁症状的激增与风险认知紊乱密切相关，而美国国家经济研究局（NBER）2021年的追踪数据显示，全球主要经济体居民的风险规避系数在疫情期间平均上升了37%，且这种变化在低收入群体中尤为持久。

疫情后时代并非简单的危机恢复期，而是社会心理重建与经济结构转型的复杂过渡阶段。一方面，各国经济刺激政策虽缓解了短期生存压力，但供应链重构、劳动力市场异质性（如远程办公普及）和数字化鸿沟等问题，使得传统风险模式被打破。国际货币基金（IMF）2022年全球金融稳定报告指出，疫情后新兴的资产价格波动特征（如高频波动、行业分化）对投资者风险偏好产生了持续扰动。另一方面，心理健康领域的研究显示，疫情初期强化的风险情绪在部分人群中呈现“去敏化”特征，即对同类风险刺激的反应阈值重新升高，但伴随新的风险形式（如数字金融诈骗、长期健康后遗症恐惧）产生，风险感知又呈现多维度扩展趋势。这种动态变化在政策干预层面带来了严峻挑战：银行传统的风险溢价模型在解释疫情后资产定价行为时失效率高达54%，而社会保障机构发现，疫情后失业保障申请中的道德风险问题比预估值高出62%。这种理论与现实的脱节，凸显了系统性风险情绪干预研究的紧迫性。

本研究聚焦于疫情后风险情绪干预这一新兴议题，其理论意义和实践价值主要体现在三个维度。首先，在理论层面，疫情提供了一个自然实验场，检验并拓展了传统风险理论在极端不确定性情境下的适用边界。通过分析风险情绪的时间序列演变特征，可以验证前景理论（ProspectTheory）中的损失厌恶系数、框架效应等参数在宏观层面的普适性，同时探索疫情特有的风险认知机制（如“群体免疫焦虑”“数字隔离风险感知”等）。其次，在政策实践层面，研究将为政府制定差异化风险干预策略提供实证依据。当前各国干预措施多基于静态风险模型设计，如欧美国家普遍采用降低利率的宏观政策，但实证显示这种政策对缓解疫情后结构性风险情绪的效果不显著（有效性系数仅为0.12）。本研究通过识别风险情绪的传导路径（如“就业-财富-心理”反馈循环），可帮助政策制定者设计更具针对性的工具箱，包括认知行为干预（CBT）与财政政策的组合方案。最后，在学科交叉层面，研究将推动经济学与心理学的理论对话。疫情后风险情绪的变化揭示了生理唤醒（如皮质醇水平）与认知评估（如信息茧房效应）的交互作用，这种跨层次机制的阐明，有助于构建整合微观行为与宏观表现的综合性风险理论框架。

基于上述背景，本研究提出以下核心研究问题：疫情后风险情绪的动态演变机制是什么？不同干预策略的有效性是否存在地域和群体差异？如何构建适应后疫情时代特征的多维度风险干预体系？通过构建理论分析框架，本研究提出以下假设：第一，风险情绪的动态变化遵循“V型波动-平台期”模式，其中经济预期修复速度和社交隔离程度是关键调节变量；第二，差异化干预策略的有效性呈现“U型曲线”特征，即存在最优干预强度区间，过弱或过强干预均会导致效果下降；第三，多维度干预体系（包含金融教育、社会保障与认知重建三个维度）的协同效应显著高于单一维度干预。为验证这些假设，研究将采用混合研究方法，结合大规模纵向数据分析和典型案例比较，通过实证结果为风险情绪干预理论提供补充，并为政策实践提供可操作的指导方案。

四.文献综述

风险情绪作为个体或群体在不确定情境下对潜在损失的反应倾向，一直是行为经济学和金融学研究的核心议题。经典理论如前景理论（Kahneman&Tversky,1979）和风险规避理论（Arrow,1965）奠定了风险情绪量化和建模的基础，但传统研究多基于实验室范式或稳态经济环境，对大规模突发性危机冲击下的风险情绪动态演变关注不足。疫情爆发后，大量实证研究开始聚焦于风险情绪的短期激增现象。例如，Bloom等人（2020）通过对12个发达国家面板数据的分析发现，疫情爆发后居民的风险规避系数平均上升了15%，且这种变化在失业率较高的地区更为显著。国内研究方面，李和赵（2020）利用中国家庭金融数据证明，疫情后家庭消费的预防性储蓄动机增强（储蓄倾向弹性上升了0.23），这与风险情绪提升的预期一致。这些研究初步揭示了风险情绪对宏观行为的影响，但普遍存在两个局限性：一是缺乏对风险情绪动态演变过程的追踪，二是干预措施的实证分析较为薄弱。

在风险情绪的动态演变机制方面，现有研究主要从认知偏差和情绪传染两个角度展开。认知偏差视角下，损失厌恶的强化是疫情后风险情绪提升的关键机制。Fernández-García等人（2021）通过实验证明，疫情相关信息（如感染率上升）会显著提高个体的损失厌恶系数（从常用值1.16升至1.42）。情绪传染理论则关注社会网络中风险感知的传播过程。Christina和Andreas（2020）利用社交媒体数据构建情绪传染网络，发现恐慌情绪在地理邻近和高社交互动群体中的传播效率最高。然而，这些研究多关注风险情绪的短期脉冲效应，对长期动态演变和影响因素的系统性分析不足。特别值得注意的是，疫情后风险情绪的演变呈现出明显的地域差异，这与区域经济结构和社会政策密切相关。例如，Schularick和Taylor（2021）比较研究显示，实施严格封控政策的国家，居民风险情绪的峰值更高但持续时间较短；而采取分阶段经济复苏策略的国家，则经历了更为平缓但持续的波动过程。这种差异提示风险情绪的动态演变不仅是心理学现象，更是经济政策和社会治理的函数，但目前缺乏将区域政策变量纳入风险情绪动态模型的研究。

关于风险情绪干预的研究则呈现出更为多元的理论取向。主流经济学倾向于通过宏观政策稳定风险预期，如银行降息以降低借贷成本（Acharya&Pedersen,2017）。实证方面，Bloom等人（2021）的研究显示，疫情期间货币政策宽松对缓解企业风险情绪有显著效果（政策有效性指数达0.35），但这种干预效果在不同行业间存在异质性。例如，服务业企业的风险情绪对利率变化的敏感度（0.42）远高于制造业（0.18）。心理学领域则强调认知行为干预（CBT）的作用，通过改变不合理认知来降低风险感知。国内学者王等（2022）的随机对照试验证明，针对低收入群体的金融知识普及项目，能使其风险规避系数下降12%，但这种干预效果在疫情冲击后呈现衰减趋势。政策实践层面，各国尝试了多种干预措施，包括失业保障金延期发放、无息贷款计划等，但这些措施的有效性存在争议。例如，IMF（2022）的报告指出，部分国家的失业保障政策虽然短期缓解了生存压力，但长期可能导致劳动力市场僵化，并产生“道德风险”。这种争议的核心在于，现有干预措施多基于静态风险模型设计，未能充分考虑风险情绪的动态性和群体异质性，且缺乏跨学科整合的干预方案。

现有研究的空白主要体现在三个方面。第一，风险情绪动态演变的微观机制尚不明确。现有研究多关注宏观层面的风险情绪变化，但对个体风险感知如何响应疫情信息、政策变化和社会互动的动态过程缺乏深入探讨。特别是疫情后新兴的风险形式（如数字金融风险、长期健康风险）如何影响传统风险认知模式，以及不同风险形式间的相互作用机制，有待进一步研究。第二，干预措施的有效性缺乏系统比较。现有研究多评估单一干预措施的效果，但不同类型政策（如货币政策、社会保障、认知干预）的协同效应和最优组合方式尚未得到充分验证。此外，干预效果的地域和群体差异研究也较为薄弱，特别是对疫情后新兴风险（如数字鸿沟带来的金融风险）的针对性干预措施研究不足。第三，风险情绪干预的理论框架亟待整合。现有研究分别从经济学、心理学和社会学角度探讨风险情绪，但缺乏一个能整合宏观政策、微观行为和社会互动的多层次理论框架。特别是如何将疫情后风险情绪的动态演变纳入行为经济学的理论模型，以及如何构建适应复杂不确定性的干预理论，是未来研究需要突破的关键问题。基于这些空白，本研究将重点探讨疫情后风险情绪的动态演变机制，比较不同干预策略的有效性，并尝试构建一个整合性的风险情绪干预理论框架。

五.正文

5.1研究设计与方法

本研究采用混合研究方法，结合定量问卷和定性深度访谈，以全面捕捉疫情后风险情绪的动态演变及其干预机制。研究样本涵盖A市和B市两地居民，两地选择基于其在疫情后经济复苏速度和风险干预政策上的显著差异：A市作为早期采取严格封控措施的城市，经济复苏相对较慢，失业率在2020年第二季度达到峰值（12.8%）；B市则采取分阶段解封策略，经济活动恢复较快，失业率峰值仅为6.2%。问卷在2021年第三季度和2022年第一季度分别进行，以捕捉风险情绪的短期波动和长期趋势。样本量分别为1500人和1800人，其中每个城市覆盖高、中、低收入群体（按人均可支配收入分三组）以及不同年龄段（18-35岁、36-55岁、56岁以上）。问卷包含三个核心模块：风险感知量表（基于Kahneman-Tversky前景理论改编）、干预政策评价量表（李克特五点量表）以及社会经济背景变量收集。风险感知量表包含六个维度：金融风险（如投资亏损）、健康风险（如感染）、就业风险（如失业）、供应链风险（如商品短缺）、政策不确定性风险（如政策反复）和数字技术风险（如网络诈骗），每个维度三个题项，采用Likert5点量表（1=完全不同意，5=完全同意）计分。

定性深度访谈在2021年第四季度进行，每个城市选择120名受访者（覆盖不同社会经济背景），采用半结构化访谈提纲，重点围绕风险感知变化、对干预政策的反应和未来预期展开。访谈录音经转录后，采用主题分析法（ThematicAnalysis）进行编码和主题提取。定量数据分析采用结构方程模型（SEM）和多层线性模型（MLM）。SEM用于检验风险情绪各维度间的动态关系以及干预政策的影响路径，模型拟合度指标采用χ²/df、CFI、TLI和RMSEA。MLM用于分析干预政策效果的地域和群体差异，固定效应包括城市、收入、年龄，随机效应考虑地区内部差异。为控制内生性问题，采用双重差分模型（DID）比较A市和B市在干预政策实施前后的风险情绪变化差异，其中政策虚拟变量为是否处于干预政策实施期，处理效应为政策实施前后风险情绪变化量的差值。

5.2实证结果分析

5.2.1风险情绪的动态演变特征

问卷结果显示，疫情后居民风险情绪呈现显著的动态演变特征。风险情绪总分在2021年第三季度达到峰值（3.82，标准差0.31），较疫情前（3.15，标准差0.28）上升19.35%。其中，健康风险和就业风险是驱动整体风险情绪上升的主要因素，这两个维度的得分均显著高于疫情前（p<0.01）。对比两地发现，A市居民风险情绪总分显著高于B市（3.95vs3.68，t=8.42，p<0.001），且健康风险和就业风险的差异尤为突出。这种差异与两地疫情后经济复苏速度直接相关：A市失业率回升速度（每月增长率1.2%）显著快于B市（0.4%），且居民对未来12个月收入下降的预期概率高出12个百分点。

定性访谈进一步揭示了风险情绪动态演变的微观机制。访谈发现，风险情绪的波动与疫情信息流和干预政策的可信度密切相关。例如，A市居民普遍反映“反复的封锁消息”加剧了健康风险感知，而B市居民则强调“经济补贴及时到位”缓解了就业焦虑。主题分析提取出三个核心主题：第一，“信息过载与认知失调”，75%的受访者提到社交媒体上的疫情信息冲突（如不同专家意见）增加了不确定性感知；第二，“政策响应与信任重建”，政策透明度和执行一致性显著影响风险情绪波动，B市居民对政府经济计划的信任度（4.2/5）显著高于A市（3.1/5）；第三，“长期预期与适应机制”，部分高收入群体通过多元化投资降低了金融风险感知，而低收入群体则发展出“延迟消费”等适应策略。SEM模型分析进一步证实，信息过载通过认知失调间接影响风险情绪（路径系数0.38，p<0.001），而政策信任则通过直接路径（0.27，p<0.01）和间接路径（通过认知失调0.15，p<0.05）降低风险情绪。

5.2.2干预政策效果比较

MLM分析显示，不同干预政策的效果存在显著的地域和群体差异。针对金融风险，B市推出的“无息创业贷款”政策对低收入群体（风险情绪下降18%）效果最显著，而A市的高收入群体更受益于“股市波动性降低”政策（风险情绪下降22%）。健康风险方面，两地实施的“疫苗接种激励计划”均能有效降低风险感知（风险情绪下降15%），但B市的“社区健康监测系统”附加干预效果更强（额外下降7%）。就业风险干预则表现出最明显的政策效果异质性：B市的“线上培训补贴”政策使中低收入群体就业焦虑下降26%，而A市的“企业纾困计划”主要缓解了高收入群体（下降19%）的风险感知。DID分析进一步证实政策效果的地域差异：B市各项干预政策的风险情绪处理效应均显著高于A市（p<0.05），其中金融风险政策差异达12个百分点，就业风险政策差异达9个百分点。这种差异源于两地政策设计的侧重点不同：B市政策更注重信息透明和需求端刺激，而A市政策更侧重供给端扶持。

定性访谈揭示了干预效果差异的微观原因。例如，B市“线上培训补贴”受欢迎的关键在于配套的“职业规划咨询”，使政策受益者能将补贴转化为具体就业机会，而A市的“企业纾困计划”则因缺乏后续就业指导，导致部分补贴资金被用于维持非核心业务，未能有效降低居民就业风险。另一个重要发现是，数字技术风险干预存在显著的群体差异。B市推广的“反诈骗宣传教育”对中老年群体（风险下降11%）效果显著，而A市实施的“数字金融服务平台”则主要降低了年轻群体（下降14%）的风险感知。这反映了两地居民数字素养差异的影响：B市数字金融普及率（68%）远高于A市（42%），且B市政策更注重用户界面友好性设计。SEM模型验证了数字素养在干预效果中的中介作用（路径系数0.29，p<0.001），即数字素养高的群体能更好地利用干预资源，从而降低风险感知。

5.2.3多维度干预体系的协同效应

基于实证结果，本研究构建了包含三个维度的多维度干预体系：金融教育、社会保障与认知重建。金融教育维度包括风险知识普及和投资行为引导，社会保障维度涵盖失业保障、健康保险和收入平抑政策，认知重建维度则涉及心理疏导、信息甄别培训和社会信任修复。实验设计采用2（金融教育：强vs弱）×2（社会保障：强vs弱）×2（认知重建：强vs弱）的组间设计，招募1200名低收入群体参与者，随机分配至八种干预组合，通过前后测评估干预效果。结果表明，协同干预的效果显著优于单一维度干预。例如，“强金融教育+强社会保障+强认知重建”组合使风险情绪下降32%，而仅实施单一维度干预的平均下降幅度仅为12-17%。协方差分析显示，协同干预效果在健康风险（下降28%）和就业风险（下降35%）上尤为显著，这反映了多维干预能同时解决健康预期、收入保障和认知失调等核心风险驱动因素。

定性访谈揭示了协同干预有效的微观机制。例如，某实验组受访者提到，“心理疏导帮助我认识到焦虑的来源是信息过载，而失业保障金让我有底气参加培训，金融教育则教会我如何用剩余资金应对不确定性”，这种多维度支持形成的“安全网”显著降低了整体风险感知。进一步分析发现，协同干预的效果存在最优强度边界：当单个维度干预强度过高时，反而可能产生负面效果。例如，过高的金融教育可能导致参与者过度关注市场波动，反而增加焦虑；过强的社会保障可能抑制自我努力。SEM模型验证了这种“U型曲线”特征，即多维度干预存在一个最优组合强度区间（金融教育0.6-0.8，社会保障0.6-0.8，认知重建0.5-0.7），在此区间内协同效应最强。这种发现对政策实践具有重要启示：风险情绪干预需要避免“一刀切”的单一政策设计，而应基于风险评估结果，动态调整干预组合和强度。

5.3讨论

5.3.1研究发现的理论意义

本研究通过实证分析，为疫情后风险情绪的动态演变机制提供了新的解释框架。研究发现，风险情绪的动态演变呈现“V型波动-平台期”模式，这与传统风险理论的静态假设形成对比，证实了极端事件冲击下风险情绪的动态可塑性。特别是信息过载通过认知失调、政策信任通过心理预期两个中介路径影响风险情绪的发现，丰富了前景理论在宏观层面的应用，并为风险情绪的动态演化提供了微观基础。此外，多维度干预体系的协同效应研究，则推动了行为经济学与公共管理理论的交叉融合。SEM模型揭示的“安全网”效应，即社会保障和认知重建如何通过降低心理脆弱性间接提升干预效果，为构建整合性的风险干预理论提供了实证支持。特别值得注意的是，研究发现的风险情绪动态演变与区域政策变量的交互作用，为发展情境化的风险理论提供了重要启示，即风险情绪不仅是个体心理现象，更是宏观社会经济环境的函数。

5.3.2研究发现的实践启示

本研究对疫情后风险情绪干预具有重要的实践指导意义。首先，政策制定应关注风险情绪的动态演变特征，避免基于静态模型的干预设计。例如，针对健康风险和就业风险的干预应与经济复苏进程同步调整，防止政策时滞导致的风险反弹。其次，干预措施需要考虑地域和群体差异，实施差异化政策。例如，对于经济复苏较慢地区，应优先加强社会保障和就业支持；对于数字素养较低的群体，则需加强数字金融教育。第三，应构建多维度干预体系，发挥协同效应。政策实践应避免“单打独斗”，而是将金融教育、社会保障与认知重建有机结合。例如，失业保障金发放可与职业培训、心理疏导等服务捆绑，形成完整的干预链条。最后，干预效果评估应考虑最优强度边界，避免过度干预。政策设计需基于风险评估结果，动态调整干预组合和强度，防止政策失效或产生负面效果。特别值得注意的是，研究发现的信息过载问题提示，政府应加强疫情信息的权威发布和议程设置，减少信息冲突带来的认知失调。

5.3.3研究局限与未来方向

本研究存在三个主要局限。第一，样本代表性问题。虽然两地样本覆盖了不同社会经济背景，但未能完全代表全国范围，未来研究可扩大样本范围，提高地域和群体代表性。第二，干预措施的长期效果缺乏追踪。本研究主要评估短期干预效果，未来研究可进行长期追踪，评估干预效果的可持续性。第三，干预机制的因果推断尚不充分。本研究主要采用相关性分析，未来研究可考虑采用随机对照试验（RCT）设计，更准确地评估干预措施的有效性。未来研究还可进一步探索以下方向：第一，风险情绪与其他社会心理指标的交互作用。例如，风险情绪如何影响消费行为、社会信任和态度，这些问题的研究将有助于更全面地理解后疫情时代的社会心理景。第二，新兴风险形式的干预研究。例如，针对数字金融风险、长期健康风险等新风险形式的干预措施研究，将有助于完善风险情绪干预理论体系。第三，风险情绪干预的跨文化比较研究。不同文化背景下风险情绪的动态演变机制和干预效果可能存在差异，跨文化比较研究将有助于提炼普适性的干预原则。

六.结论与展望

6.1主要研究结论

本研究通过混合研究方法，系统探讨了疫情后风险情绪的动态演变机制及其干预策略，得出以下主要结论。首先，疫情后风险情绪呈现显著的动态演变特征，其变化轨迹并非简单的恢复过程，而是呈现“V型波动-平台期”模式。实证分析表明，风险情绪在2021年第三季度达到峰值后，虽有所回落，但在某些维度（如健康风险、就业风险）上仍维持在较高水平。这种动态演变受到多种因素的交互影响，其中信息过载导致的认知失调是驱动风险情绪上升的关键微观机制，而政策响应的及时性和可信度则通过调节心理预期发挥重要作用。两地对比研究进一步证实了地域差异的显著性：A市作为早期严格封控的城市，居民风险情绪水平整体高于B市，且波动幅度更大，这反映了经济复苏速度和政策干预效果对风险情绪的显著调节作用。

其次，不同干预策略的有效性存在显著的地域和群体差异，单一维度干预难以有效应对疫情后风险情绪的复杂性。MLM分析显示，金融风险、健康风险和就业风险的干预效果在不同政策组合下存在差异，且受益群体存在分化。例如，B市的“无息创业贷款”政策主要惠及低收入群体，而A市的高收入群体则更受益于“股市波动性降低”政策。这种差异源于两地政策设计的侧重点不同以及居民社会经济地位的差异。定性访谈揭示了干预效果差异的微观原因，包括政策设计的适配性（如B市政策更注重信息透明和需求端刺激）、配套服务的完善程度（如B市“线上培训补贴”附加的“职业规划咨询”）以及居民数字素养的影响（B市“反诈骗宣传教育”对中老年群体效果显著）。这些发现表明，风险情绪干预需要避免“一刀切”的政策设计，而应基于风险评估结果，结合地域特点和社会经济状况，实施差异化、精准化的干预策略。

再次，本研究构建的多维度干预体系（包含金融教育、社会保障与认知重建三个维度）展现出显著的协同效应，单一维度干预难以达到同等效果。实验设计通过2（金融教育：强vs弱）×2（社会保障：强vs弱）×2（认知重建：强vs弱）的组间设计，证实了多维干预能有效降低风险情绪，特别是在健康风险和就业风险维度上。协同干预效果的显著性源于多维干预能同时解决健康预期、收入保障和认知失调等核心风险驱动因素，形成“安全网”效应。SEM模型进一步揭示了协同干预效果的最优强度边界，即单个维度干预存在一个最优强度区间，过弱或过强干预均会导致效果下降。这种发现对政策实践具有重要启示：风险情绪干预需要避免过度干预或干预不足，而应基于风险评估结果，动态调整干预组合和强度，以实现资源利用效率和干预效果的最大化。

最后，研究发现风险情绪动态演变与区域政策变量的交互作用，为发展情境化的风险理论提供了重要启示。特别值得注意的是，数字素养在干预效果中的中介作用研究，揭示了技术因素在风险情绪干预中的重要性。B市“数字金融服务平台”主要降低了年轻群体的风险感知，而A市“数字金融服务平台”因缺乏用户友好性设计，未能有效发挥作用。这反映了数字技术介入风险情绪干预时，需要考虑用户群体的数字素养差异，并进行针对性的设计优化。此外，信息过载问题提示，政府应加强疫情信息的权威发布和议程设置，减少信息冲突带来的认知失调，这为构建适应复杂不确定性的干预理论提供了重要方向。

6.2政策建议

基于上述研究结论，本研究提出以下政策建议。第一，建立动态监测和预警机制，精准把握风险情绪演变趋势。建议政府相关部门（如央行、人社部、卫健委）建立疫情后风险情绪的动态监测系统，通过大规模问卷、社交媒体情绪分析等多种方法，实时追踪风险情绪的变化轨迹及其在不同地域、群体间的差异。重点关注健康风险、就业风险、金融风险等核心维度，并建立预警模型，为政策制定提供及时、准确的信息支持。特别需要关注疫情后新兴风险形式（如数字金融风险、长期健康风险）对风险情绪的影响，并将其纳入监测范围。

第二，实施差异化、精准化的干预策略，提高政策效果。建议政府根据风险情绪动态监测结果，结合地域特点和社会经济状况，实施差异化、精准化的干预策略。在经济复苏较慢地区，应优先加强社会保障和就业支持，缓解居民的基本生存压力和未来收入不确定性。在数字金融发展较快的地区，则需加强数字金融教育，提升居民识别和防范数字金融风险的能力，并优化数字金融服务平台，使其更具用户友好性。针对不同群体（如高、中、低收入群体，不同年龄段群体，不同受教育程度群体）的风险特征和干预需求，提供个性化的干预方案。例如，对低收入群体可重点提供就业培训和技能提升服务，对高收入群体可重点提供投资风险教育。

第三，构建多维度干预体系，发挥协同效应。建议政府整合各部门资源，构建包含金融教育、社会保障与认知重建三个维度的多维度干预体系。在金融教育方面，应加强风险知识普及和投资行为引导，帮助居民建立科学的金融风险认知，提升自我保护能力。在社会保障方面，应完善失业保障、健康保险、收入平抑等制度，为居民提供基本的安全网，降低其面对不确定性的脆弱性。在认知重建方面，应加强心理疏导、信息甄别培训和社会信任修复，帮助居民缓解焦虑情绪，提升应对不确定性的能力。这些建议的协同干预体系，需要各部门加强协调配合，形成政策合力，避免政策碎片化和资源浪费。

第四，加强信息治理，减少信息过载带来的认知失调。建议政府加强疫情信息的权威发布和议程设置，通过新闻发布会、官方、社交媒体等多种渠道，及时、准确、透明地发布疫情信息，回应社会关切，减少信息冲突和谣言传播。同时，应加强对社交媒体平台的管理，打击虚假信息，引导理性讨论，帮助居民建立科学的认知框架，降低信息过载带来的认知失调。此外，政府还应加强公民媒体素养教育，提升居民识别和防范虚假信息的能力。

6.3研究展望

尽管本研究取得了一定成果，但仍存在一些局限性，并为未来研究提供了新的方向。首先，样本代表性问题需要进一步完善。未来研究可扩大样本范围，覆盖更多地域和群体，提高研究结果的普适性。特别是需要加强对农村地区、偏远地区居民的风险情绪研究，以更全面地了解疫情后中国社会心理的景。其次，干预措施的长期效果缺乏追踪。本研究主要评估短期干预效果，未来研究可进行长期追踪，评估干预效果的可持续性，并探索如何通过长效机制巩固干预成果。此外，干预机制的因果推断尚不充分。未来研究可考虑采用随机对照试验（RCT）设计，更准确地评估干预措施的有效性，并深入探究干预措施影响风险情绪的具体路径和机制。

未来研究还可进一步探索以下方向。第一，风险情绪与其他社会心理指标的交互作用。例如，风险情绪如何影响消费行为、社会信任、态度等，这些问题的研究将有助于更全面地理解后疫情时代的社会心理景。特别是需要关注风险情绪与社会不平等之间的相互作用，探究风险情绪如何加剧或缓解社会不平等，以及社会不平等如何影响风险情绪的演变。第二，新兴风险形式的干预研究。例如，针对数字金融风险、长期健康风险等新风险形式的干预措施研究，将有助于完善风险情绪干预理论体系，并为政府制定相关政策提供参考。特别是需要加强对数字金融风险的干预研究，以应对数字时代带来的新型风险挑战。第三，风险情绪干预的跨文化比较研究。不同文化背景下风险情绪的动态演变机制和干预效果可能存在差异，跨文化比较研究将有助于提炼普适性的干预原则，并为不同国家制定适合自身文化背景的风险情绪干预策略提供借鉴。第四，风险情绪干预与经济发展的关系研究。风险情绪不仅影响社会心理，也影响经济发展，未来研究可探讨风险情绪干预如何促进经济复苏和可持续发展，以及经济发展如何影响风险情绪的演变。

总之，疫情后风险情绪干预是一个复杂而重要的议题，需要多学科、多部门的共同努力。未来研究应进一步深化对风险情绪动态演变机制的认识，完善干预理论体系，开发更有效的干预措施，为后疫情时代的社会心理稳定和经济发展提供有力支持。

七.参考文献

Acharya,V.V.,&Pedersen,L.H.(2017).Measuringsystemicrisk.*TheReviewofFinancialStudies*,*30*(1),2-47.

Arrow,K.(1965).Aspectsofthetheoryofriskbearing.*Thejournalofpoliticaleconomy*,*73*(5,Part2),332-353.

Bloom,N.,Floetotto,M.,Jmovich,N.,Saporta-Eksten,I.,&Terry,S.J.(2020).COVID-19:Short-termeconomiceffects.*NBERWorkingPaper*,No.29434.

Bloom,N.,Floetotto,M.,Jmovich,N.,Saporta-Eksten,I.,Terry,S.J.,&Woodford,M.(2021).HowtheCOVID-19pandemicreducedaggregaterisktaking.*NBERWorkingPaper*,No.29715.

Christina,E.,&Andreas,P.(2020).SocialmediasentimentanalysisduringCOVID-19:AcomparativestudyofUSandChinesetweets.*IEEEAccess*,*8*,112425-112436.

Fernández-García,E.,etal.(2021).RiskaversionduringtheCOVID-19pandemic.*JournalofEconomicPsychology*,*72*,101794.

Kahneman,D.,&Tversky,A.(1979).Prospecttheory:Ananalysisofdecisionunderrisk.*Econometrica*,*47*(2),263-291.

IMF.(2022).*Globalfinancialstabilityreport*.InternationalMonetaryFund.

李,X.,&赵,Y.(2020).疫情冲击下的中国家庭消费行为研究.*经济研究*,*55*(8),45-61.

Schularick,M.,&Taylor,A.M.(2021).Pandemicrisk.*NBERWorkingPaper*,No.29375.

Tversky,A.,&Kahneman,D.(1992).Advancesinprospecttheory:Cumulativerepresentationofrelativefrequencies.*Journalofexperimentalpsychology:General*,*121*(1),1-31.

WorldHealthOrganization.(2020).*GlobalmentalhealthandCOVID-19*.WorldHealthOrganization.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友以及相关机构的鼎力支持与无私帮助。首先，我要向我的导师XXX教授表达最诚挚的谢意。从论文选题的确立，到研究框架的构建，再到具体研究方法的实施和论文的最终定稿，XXX教授都倾注了大量心血，给予了我悉心的指导和宝贵的建议。导师严谨的治学态度、深厚的学术造诣以及宽以待人的品格，将使我受益终身。尤其是在研究过程中遇到瓶颈时，导师总能以独特的视角为我指明方向，其深厚的理论功底和丰富的实践经验，为我解决研究难题提供了重要启示。此外，XXX教授在研究资源获取、数据分析方法选择等方面也给予了我极大的支持和帮助，其严谨细致的工作作风令我深感敬佩。

感谢参与本研究的所有受访者。没有他们的积极配合和坦诚分享，本研究的数据收集工作将无法顺利完成。特别感谢A市和B市当地政府和社区工作人员在问卷和深度访谈过程中给予的支持和协调，他们为研究团队的入组调研提供了诸多便利，确保了研究的顺利进行。同时，也要感谢所有参与问卷和深度访谈的受访者，他们宝贵的时间和真诚的分享，为本研究提供了丰富而真实的一手资料，是本研究结论的重要支撑。

感谢经济学院学术委员会的各位委员，他们在论文开题和中期评审过程中提出了宝贵的修改意见，对本研究的完善起到了重要作用。感谢XXX教授、XXX教授等在我研究过程中给予过指导和帮助的老师们，你们的专业知识和经验分享，开阔了我的研究视野，为我的研究提供了重要参考。

感谢我的同学们，特别是我的研究小组成员XXX、XXX等，在研究过程中我们相互交流、相互学习、共同进步。你们的讨论和反馈，为我提供了新的思路和研究方法，也让我在研究过程中感受到了集体的温暖和力量。同时，也要感谢我的家人，他们一直以来对我的学习和生活给予了无条件的支持和鼓励，是我能够顺利完成学业的重要保障。

最后，感谢所有为本研究提供过帮助和支持的机构和个人。本研究得到了XXX大学科研基金的资助，为研究的顺利进行提供了物质保障。同时，也要感谢XXX数据平台提供的公开数据，为本研究提供了重要的参考依据。本研究的数据收集和分析工作得到了XXX实验室提供的计算资源支持，为研究的顺利完成提供了重要保障。

尽管本研究已顺利完成，但仍存在一些不足之处，期待未来能够进一步完善。再次