公共衛(wèi)生事件的長期經(jīng)濟影響評估

薛熠　王若翰

摘要：以大型傳染病為代表的公共衛(wèi)生事件不僅在短期沖擊總需求，還可能對宏觀經(jīng)濟長期發(fā)展產(chǎn)生深遠影響。本文基于2003年SARS全球性爆發(fā)這一公共衛(wèi)生事件，使用1994-2016年中國地級市數(shù)據(jù)和Carvalho et al.（2018）的人工反事實 （Artificial counterfactual， ArCo）方法，估計了我國三個主要城市——廣州、北京、香港受衛(wèi)生事件沖擊的動態(tài)因果效應。本文發(fā)現(xiàn)，公共衛(wèi)生事件對三市GDP增長有顯著長期負面影響，對固定資產(chǎn)投資、居民消費、房地產(chǎn)投資、吸引外資、貿(mào)易的影響程度存在一定差異。本文從生產(chǎn)率（TFP）損失角度探究了外生事件對經(jīng)濟有長期負面影響的可能機制，并使用上海做進一步安慰劑檢驗。本文的發(fā)現(xiàn)表明公共衛(wèi)生事件需引起高度重視，為避免生產(chǎn)率下降帶來的長期經(jīng)濟損失，政策實施應重視降低資源錯配，提高企業(yè)創(chuàng)新活力。

關(guān)鍵詞：非典（SARS）;公共衛(wèi)生事件;經(jīng)濟效應評估;因果影響

一、引 言

2003 年初，SARS在中國廣東爆發(fā)并迅速向全國和全球蔓延，直至2003年6月末，SARS已傳播到32個國家和地區(qū)，造成8000多例感染和800多例死亡。受SARS蔓延影響，包括香港、廣東、北京、天津在內(nèi)的中國12個省市/地區(qū)被世界衛(wèi)生組織（以下稱WHO）列入感染區(qū)或旅游警告區(qū)清單見WHO公布的SARS旅行建議和局部傳播年表https：//www.who.int/csr/don/2003_07_01/en/。。100 多個國家取消了對中國出入境旅游的相關(guān)業(yè)務，國內(nèi)交通、旅游、零售等服務需求下降。根據(jù)Hai et al.（2004）估算，到2003年底，中國旅游業(yè)的損失達到168億美元，來自外國人的旅游收入將比2002年少50%-60%（約108億美元），來自國內(nèi)游客的收入將減少10%（約60億美元）。2003年4月舉行的廣交會出口成交額也只有33.12億美元，遠遠低于2002年同期的168億美元（李正全，2003）。

以大型傳染病爆發(fā)為代表的公共衛(wèi)生事件會對經(jīng)濟產(chǎn)生持續(xù)性影響嗎？大量研究證實以降低人員流動、封鎖公共社區(qū)和交通為主要應對措施的公共衛(wèi)生事件會產(chǎn)生強烈的短期沖擊，但與地震、火災等災難性事件相比，公共衛(wèi)生事件并沒有直接破壞基礎設施、土地等生產(chǎn)要素，其是否對一個城市發(fā)展?jié)撃墚a(chǎn)生長期影響的結(jié)論并不明顯。公共衛(wèi)生事件具有短期效應意味著外生沖擊只在較短時間內(nèi)影響總需求，隨著相關(guān)防疫措施生效，人員復工復崗，其影響可以被經(jīng)濟秩序恢復快速修正。而長期效應意味著傳染病爆發(fā)會從經(jīng)濟結(jié)構(gòu)、社會基礎、人群共識上造成根本性的影響，甚至在長期內(nèi)都不能被經(jīng)濟體自我修復。在Ambrus et al.（2020）關(guān)于19世紀倫敦霍亂長期效應的研究中發(fā)現(xiàn)，在傳染病爆發(fā)后十年甚至之后的一個世紀里，感染區(qū)內(nèi)外房價差異持續(xù)存在并擴大，相當程度地影響了居民貧困程度的空間分布。Almond（2006） 研究了1918年秋季流感大流行時期出生的嬰兒情況，發(fā)現(xiàn)他們與其他嬰兒相比在成長過程中受到更少的教育、身體殘疾率更高、收入更低、社會經(jīng)濟地位低、成人加速死亡率更高。

基于此，本文以SARS時期三個主要感染城市廣州、北京、香港為對象，以WHO宣布公共衛(wèi)生事件為外生沖擊，評估經(jīng)濟體總產(chǎn)出、消費、投資、吸引外資、貿(mào)易等關(guān)鍵經(jīng)濟活動受衛(wèi)生事件沖擊的因果效應。由于SARS時期全國只有少數(shù)省市感染嚴重，且城市之間感染沖擊存在較強異質(zhì)性，難以找到與處理組城市特征相似的潛在對照組，傳統(tǒng)面板模型難以獲得有效估計。本文采用的Carvalho et al.（2018）的人工反事實 （Artificial counterfactural， ArCo） 框架，基于Hsiao et al.（2012）的面板數(shù)據(jù)方法，特別適用于處理宏觀效應評估中處理組單元唯一，而缺少天然對照組的問題，且在計量估計上更為有效。ArCo方法的基本思想是基于信息準則選出最能準確擬合處理組單元的預測模型，再基于預測模型給出事件后反事實（預測值），反事實與實際觀測值之差即為因果效應。

本文發(fā)現(xiàn)：首先SARS對廣州、北京、香港三市的長期實際經(jīng)濟增長具有顯著的負面影響。2004-2016年GDP實際增速平均下滑了7.85%、15.83%、3.62%。廣州作為SARS主要發(fā)源地，固定資產(chǎn)投資、房地產(chǎn)投資、外國直接投資、貿(mào)易均受到顯著負面沖擊，2004-2016年平均增速下滑6%-10%;北京受SARS沖擊最為嚴重，平均來看，2004-2016年間北京固定投資、外國直接投資、貿(mào)易增速下降超15%，消費增速下滑超4%，房地產(chǎn)投資增速下降超7%;香港整體經(jīng)濟活動受到?jīng)_擊較為溫和，但吸引外資與貿(mào)易受到嚴重沖擊，2004-2016年平均增幅分別下滑9.82%和17.55%，下滑幅度較大。為進一步驗證主要城市經(jīng)濟活動下滑確實由SARS沖擊產(chǎn)生的，我們以未受到WHO警告的上海市做安慰劑檢驗。研究發(fā)現(xiàn)，同樣是人口密集的上海市，GDP、投資、消費、貿(mào)易等經(jīng)濟增長表現(xiàn)與預測值無明顯差異，上海并未受到衛(wèi)生事件沖擊的顯著影響。

本文進一步從生產(chǎn)效率角度探究了公共衛(wèi)生事件長期經(jīng)濟影響的潛在機制。我們發(fā)現(xiàn)，SARS衛(wèi)生事件后，廣州、北京、香港三市以索羅剩余衡量的生產(chǎn)率增長顯著下降，降幅分別達到6.47%、8.11%和8.2%，其中香港生產(chǎn)率增速下降持續(xù)8年。我們認為公共衛(wèi)生事件導致企業(yè)生產(chǎn)率下降的機制主要來自兩個方面：資源錯配和中小企業(yè)活力下降。首先，公共安全事件提高了社會群體對大型傳染病爆發(fā)這種系統(tǒng)性黑天鵝事件的認識，社會風險厭惡提高，這種結(jié)構(gòu)性社會群體風險上升引發(fā)大量資源跨地區(qū)跨部門轉(zhuǎn)移，導致的資源錯配成本難以估計。尤其是在政府和金融部門出臺多項寬松財政、貨幣政策下，保障措施的低效分配進一步加劇資源錯配。其次，由于防控措施實施，主要經(jīng)濟活動基本暫停，這對集中于服務業(yè)的中小企業(yè)帶來的生存挑戰(zhàn)尤為顯著。當前，中小企業(yè)貢獻我國50%以上的稅收、60%以上的GDP、70%以上的技術(shù)創(chuàng)新成果，為80%以上的城鎮(zhèn)勞動力提供就業(yè)崗位。在面臨剛性用工成本和市場需求不足雙重困境下，中小企業(yè)大規(guī)模停擺和創(chuàng)新活動下滑必然影響到宏觀經(jīng)濟的效率運行。為應對公共衛(wèi)生事件可能帶來的持續(xù)性經(jīng)濟影響，我們認為保障措施實施不僅要積極有效，更要高度重視企業(yè)生產(chǎn)效率恢復。一方面，提高財政貨幣政策透明度，充分發(fā)揮政策的支持和引導作用，提高公眾對突發(fā)衛(wèi)生事件的認識，以降低公眾恐慌和非理性投機行為;另一方面，增強對中小企業(yè)支持力度和政策落地有效性，提高中小企業(yè)生存率，降低全城范圍的失業(yè)風險，保護社會創(chuàng)新活力。

三、模型設定和數(shù)據(jù)來源

（一）模型設定

Carvalho et al.（2018）的ArCo方法提供了豐富且靈活的模型用于擬合外生沖擊對處理組單元動態(tài)因果效應實證工具和代碼參考Fonseca et al.（2018）。。本文分別以廣州、北京、香港三市為處理組城市，基于模型預測與實際觀測差異，評估公共衛(wèi)生事件對處理組城市的長期因影響。模型估計分為兩步：第一步，使用非處理組數(shù)據(jù)和線性模型篩選出最能擬合處理組城市的預測模型。第二步，基于預測模型構(gòu)建處理組城市經(jīng)濟變量反事實，進而評估事件處理的因果效應。

（二）數(shù)據(jù)來源

為了應用ArCo框架，我們需要一個包含處理城市和潛在對照組的面板數(shù)據(jù)。本文使用的內(nèi)地數(shù)據(jù)來自中經(jīng)網(wǎng)統(tǒng)計數(shù)據(jù)庫，時間跨度為1994-2016年，變量包括中國內(nèi)地287個市轄區(qū)的國內(nèi)生產(chǎn)總值、固定資產(chǎn)投資、消費品零售、房地產(chǎn)開發(fā)投資、外商直接投資實際投資、貿(mào)易總額。其中外商直接投資實際投資、貿(mào)易總額以現(xiàn)價美元計價，其他變量以現(xiàn)價人民幣計價。香港相關(guān)數(shù)據(jù)來自世界銀行WDI數(shù)據(jù)庫由于數(shù)據(jù)限制，本文以WDI數(shù)據(jù)庫提供的房地產(chǎn)銷售額、最終消費品作為香港房地產(chǎn)開發(fā)投資、零售消費品替代指標。，變量均以現(xiàn)價美元計價。為了便于對廣州、北京、香港三市的橫向比較，本文使用國際清算銀行（BIS）提供的美元匯率統(tǒng)一貨幣單位，再分別用GDP平減指數(shù)和CPI對數(shù)據(jù)進行剔除通貨膨脹處理，獲得原始變量的人民幣實際值GDP平減指數(shù)和CPI來自CEIC數(shù)據(jù)庫。我們同樣使用了名義人民幣數(shù)據(jù)對文章結(jié)論進行穩(wěn)健性檢驗。。

ArCo方法要求數(shù)據(jù)趨勢平穩(wěn)，本文使用變量的1階對數(shù)增長率進行因果效應估計。變量定義見表1。為使每個時間序列有較大截面用于模型估計，最終截取國內(nèi)生產(chǎn)總值增長率（GDP）、固定資產(chǎn)投資增長率（Investment）的時間跨度為1995-2016年;消費品零售（Consumption）、房地產(chǎn)開發(fā)投資增長率（House）、外商直接投資實際投資增長率（FDI）、貿(mào)易總額增長率（Trade）的時間跨度為1997-2016年。

我們選擇地級市作為研究對象。一方面是因為WHO定義感染區(qū)以“省、市”為單位。以地級市為統(tǒng)計單元，可以很好地分離處理組和控制組。另一方面，地級市將一個城市及周邊地區(qū)合并成一個統(tǒng)一的管轄權(quán)，是一個比通常意義上中心城市更大的統(tǒng)計單元。Ke et al.（2017）指出，在較低空間維度下使用聚合（如總量）數(shù)據(jù)來估計因果效應將不可避免地引入個體間的相互作用。根據(jù)這個想法，我們選擇了在中國地級市層面數(shù)據(jù)，以最小化觀測之間的聯(lián)系或相互作用。

（三）處理組與對照組選擇

本文選擇廣州、北京、香港作為處理組單元，分別評估三個城市GDP、消費、投資、貿(mào)易等經(jīng)濟活動受衛(wèi)生事件的影響。其中，廣州為SARS病例首個報告區(qū)，香港和北京分別為死亡人數(shù)最多和確診人數(shù)最多地區(qū)截至2003年 4月 7日廣東省確診1520人，死亡58人;香港確診1755人，死亡298人;北京確診2772人，死亡192人。信息自WHO網(wǎng)站：https：//www.who.int/csr/don/2003_07_01/en/。。

ArCo框架下對照組的選取需滿足2個要求：（1） 對照組應是處理組單元良好的預測指標。（2） 外生事件對照組單元的處理效應是外生的，即對照組城市經(jīng)濟變化應獨立于外生事件沖擊。通常地理距離接近的城市勞動力、生產(chǎn)關(guān)系更為緊密，經(jīng)濟有更強的經(jīng)濟協(xié)同性，因而經(jīng)濟相關(guān)的周邊城市可以成為估計處理效應的良好對照組。但是地理位置接近的城市可能由于更高感染率，自發(fā)減少消費、生產(chǎn)等經(jīng)濟活動，引入內(nèi)生性問題。本文選擇處理組相鄰省份的城市作為潛在對照組選擇香港和北京的潛在對照組時直接選取臨近省份的城市。，以剔除事件沖擊的內(nèi)生影響。這樣，我們假設公共衛(wèi)生事件只在省級層面影響到城市的經(jīng)濟發(fā)展，估計得到的處理效應為局部的。此外，由于SARS期間WHO還將山西、河北、天津、內(nèi)蒙古等地設為感染或旅游警告區(qū)，在對照組城市選擇時，我們同時排除掉這些省份城市。

最終，我們用廣西、福建、湖南、江西的20個地級市作為估計廣州反事實的潛在對照組;用江西、湖南、福建三省的20個地級市作為香港的潛在對照組;用遼寧、山東的20個地級市作為北京的潛在對照組。在PDA模型框架下，為了獲得最佳預測因子，可能會選擇偏遠城市作為因果效應估計的對照組，而ArCo方法允許靈活的估計函數(shù)，僅使用臨近城市數(shù)據(jù)就能較好平衡事件前的擬合優(yōu)度和事件后的預測精度。

表2列出了對照組與處理組城市實際增長變量描述性統(tǒng)計。平均來看，廣州、北京在1995-2016年都維持了較高的經(jīng)濟增速，平均實際GDP增長率分別達11.6%、11.4%，兩市固定資產(chǎn)投資、消費、房地產(chǎn)投資平均增速都維持在10%左右。有趣的是，北京作為非外向型經(jīng)濟城市吸引外資增速達到8.9%，超過廣州的3.3%，雖然波動幅度較大，仍顯現(xiàn)出北京作為首都城市的外資吸引力。相比之下，香港經(jīng)濟發(fā)展略顯滯后，在1995-2016年平均實際GDP增速僅為0.4%，消費、房地產(chǎn)投資增速僅為2%，固定資產(chǎn)甚至出現(xiàn)負增長。吸引外資與貿(mào)易也都不及首都城市，增速分別在7.7%和1.9%。上海作為全國經(jīng)濟中心，GDP、消費、投資等經(jīng)濟指標增長都較為強勁，除吸引外資以外，平均增速都超過10%，吸引外資增速達8.5%。表2最后一組列示了廣州、北京、香港、上海的所有潛在對照組城市的描述性統(tǒng)計，可以看到在未受事件沖擊條件下，對照組城市的經(jīng)濟也較為強勁，GDP、消費、固定資產(chǎn)投資、房地產(chǎn)投資、貿(mào)易總額增速均超10%，吸引外資增速達到8.5%，貿(mào)易平均增速達到10.5%。

四、公共衛(wèi)生事件長期經(jīng)濟效應

（一）事件沖擊的平均處理效應

應用ArCo方法，我們分別對廣州、北京、香港的經(jīng)濟增長指標（GDP、Investment、Consumption、House、FDI、Trade） 進行反事實估計。表3報告了三地GDP及相關(guān)增長指標的實際值和預測值（反事實），同時列示了模型估計的平均處理效應ATE、95%置信區(qū)間以及p值。

首先，從經(jīng)濟總量（GDP）來看，廣州、北京、香港三地都受到了SARS事件的負面沖擊使用名義數(shù)據(jù)估計得到的主要結(jié)論不變。。表2第4列匯報了2003-2016年廣州、北京、香港實際經(jīng)濟變量增速相較于預測值的平均處理效應。可以看出三市在事件沖擊后GDP增長均顯著下降：廣州實際GDP增速在5%顯著水平下降7.85%、北京和香港實際GDP增速分別在10%和1%顯著水平下降15.85%和3.62%。具體地，根據(jù)廣西、湖南、江西、福建4省對照組城市預測的廣州在2004-2016年GDP增速應為17.29%，而實際增速為10.26%，下降幅度約為7%;由湖南、江西、福建3省20個城市預測的香港GDP增速應為4.15%，而實際增速為0.53%，下降幅度約為3.5%;由遼寧、山東兩省20個城市預測的北京GDP增速應為26.72%，而實際增速為10.88%，下降幅度約為16%。我們的結(jié)果與 Hai et al.（2004）基于“非典”事件研究的結(jié)果具有一致性。Hai et al.（2004）估計，2003年SARS通過乘數(shù)效應給中國經(jīng)濟造成253億美元損失，國內(nèi)生產(chǎn)總值的增長率比沒有發(fā)生SARS時低12個百分點。

其次，從增長驅(qū)動因素來看，三市的消費、投資、貿(mào)易等經(jīng)濟活動都在一定程度上受到事件沖擊的負面影響，但具體影響方面存在差異。從表2第4列平均處理效應看，廣州固定資產(chǎn)投資、房地產(chǎn)投資、外商直接投資、貿(mào)易均受到SARS衛(wèi)生事件顯著的負面沖擊，實際增速相較于預測值分別下滑9.18%、7.73%、7.22%、6.23%，居民消費未受到顯著影響。廣州在SARS爆發(fā)后，吸引外資能力與對外貿(mào)易都到較強沖擊，95%置信區(qū)間上界均低于0，平均實際增速相較于模型預測分別下滑7.72%和6.23%。相比之下，北京對外貿(mào)易受影響程度較輕，但是吸引外資能力受到嚴重削弱。相較于模型預測，北京實際FDI平均增速下降27.83%。香港的吸引外資與對外貿(mào)易均受到嚴重沖擊，實際值相較于理論預測值下滑9.82%和17.55%，但是消費、固定投資、房地產(chǎn)投資并未受到顯著影響。

整體而言，本文結(jié)果能較強反映出SARS對三市經(jīng)濟帶來的實際影響。盡管在2003年非典病例首先出現(xiàn)在廣州地區(qū)，但隨著人員流動和病毒蔓延，北京最后成為SARS爆發(fā)重鎮(zhèn)，成為感染人數(shù)最多地區(qū)，且處于政治安全考慮，衛(wèi)生安全管制更加嚴格，其經(jīng)濟活動被壓縮的程度最深。而北京作為非典型外向型城市，增長驅(qū)動較強程度依靠消費、實體投資與吸引外資投資，對外貿(mào)易對其增長貢獻有限，SARS衛(wèi)生事件并未對其造成強烈沖擊。而廣州和香港均為大型外向型城市，對外經(jīng)濟往來活躍。處于對感染的擔憂，國外投資者或降低對兩市經(jīng)濟前景預期，暫停既有訂單并減少新增訂單，兩市商品與服務進出口貿(mào)易下降，國外直接投資減少。

（二）處理效應時間趨勢

由上文知SARS衛(wèi)生事件對廣州、北京、香港三市GDP增長都具有顯著負面影響但對增長因素的沖擊存在異質(zhì)性。為考察公共衛(wèi)生事件對三地經(jīng)濟發(fā)展的動態(tài)影響及長期效應，我們根據(jù)ArCo擬合數(shù)據(jù)和預測結(jié)果，繪制時間序列，作進一步分析。

1. 廣州處理效應時間趨勢

從圖1分別匯報了廣州市GDP、固定資產(chǎn)、消費、房地產(chǎn)投資、吸引國外直接投資、貿(mào)易總額增速的ArCo估計、預測和實際觀測序列。在每個子圖中， 我們用黑色實線表示全樣本期內(nèi)實際觀測序列，用圓圈標記公共衛(wèi)生事件（2003年）前使用對照組城市數(shù)據(jù)和預測模型估計得到的擬合值，用黑色虛線標記事件后（2003-2016年）基于模型得到的預測值，即反事實。從擬合情況看，選定的潛在對照組能夠很好地擬合廣州GDP及其他增長走勢，表明我們基于LASSO估計的線性期望模型具有良好的擬合精度。

總體上，公共衛(wèi)生事件不僅在短期對廣州經(jīng)濟具有負面影響，長期來看也具有顯著的負面效應。圖1（a）顯示，2006年以前，廣州GDP實際增速明顯低于周邊城市估計的預測值，在2003-2004年、2004-2005年和2005-2006年三個時間區(qū)間內(nèi)，廣州實際GDP增速為12.43%、10.57%、18.91%，顯著低于模型預測的29.15%、29.82%、43.73%。盡管之后，廣州實際GDP增速與預測值兩者存在交疊，實際GDP增速有反超趨勢，但在近年差距逐漸擴大。圖1（b）（d）顯示 WHO事件對廣州固定資產(chǎn)投資的影響持續(xù)至2010年，對房地產(chǎn)投資的影響持續(xù)至2013年。根據(jù)模型預測，2003-2010年廣州固定資產(chǎn)投資增速應為23.24%，而實際平均增速僅為11.92%，遠低于模型預測。2003-2013年廣州房地產(chǎn)投資增速相較預測值也大幅下滑，實際增速僅為6.9%，遠低于模型預測的17.02%。圖1（c）顯示的廣州消費品零售未受到衛(wèi)生事件顯著沖擊。圖1（e）顯示廣州吸引外資活動在衛(wèi)生事件沖擊后兩年受到影響尤為明顯，2004年廣州吸引外資實際增速降為負值，僅為-11.13%，而模型預測為49.35%。在2005年之后，廣州吸引外資實際增速與預測值持續(xù)交疊，波動更為平緩，表明廣州作為經(jīng)濟中心城市在吸引外資方面抗風險能力強，對于帶動周邊城市吸引外資發(fā)展具有平滑緩沖作用。廣州外貿(mào)活動也具有類似表現(xiàn)，圖1（f）顯示，廣州貿(mào)易活動增長受到SARS衛(wèi)生事件持續(xù)的負面影響，在金融危機前，即2004-2009時間段，廣州貿(mào)易總額平均實際增速為11.6%，遠低于模型預測值為20.29%。2010年后，廣州貿(mào)易總額實際值與模型預測值差距再次拉大，直至2015年再度有所收斂。

2. 北京處理效應時間趨勢

圖2匯報了北京GDP及相關(guān)增長指標的觀測值、擬合值、反事實的運動表現(xiàn)，可以看出，事件前擬合值基本與觀測重合，模型擬合良好。而在事件沖擊后，我們發(fā)現(xiàn)雖然北京經(jīng)濟增速同樣受到SARS衛(wèi)生事件的負面沖擊，但整體表現(xiàn)與廣州有一定差異。

從圖2（a）北京GDP增速來看，公共衛(wèi)生事件對北京經(jīng)濟增速的抑制作用主要在2006年以后——在SARS爆發(fā)后兩年，北京GDP增速并未受到嚴重沖擊，但隨著時間推移，實際GDP增速逐漸下滑。2006-2015年間，北京GDP實際增速為11.5%，模型預測值為20.58%。與廣州情形類似，我們同樣看到北京GDP波動相較于周邊城市估計得到的預測值更為平穩(wěn)。圖2（b）（d）顯示，北京固定資產(chǎn)投資和房地產(chǎn)投資均在較長時間里受衛(wèi)生事件的持續(xù)沖擊。2003-2008年北京固定資產(chǎn)投資平均增速約為9%，遠低于模型預測的29.31%，盡管2008-2009年期間有所震蕩，2009年之后實際投資與預測值差距擴大，持續(xù)至2016年。類似地， 北京房地產(chǎn)投資在金融危機后出現(xiàn)較強波動。2003-2008年北京房地產(chǎn)投資增速平均為8%，隨著2009年央行四萬億刺激計劃出臺，北京房地產(chǎn)投資增幅出現(xiàn)較大增長，在2009年達到20.7%，超過同期模型預測值9%。圖2（d）可以看出，2009年后，北京房地產(chǎn)實際投資走勢整體引領預測值波動，實際增速的下滑和上漲均先于周邊城市估計的模型預測值，證實了北京作為中心城市，其房地產(chǎn)市場對于輻射地區(qū)房地產(chǎn)的引領作用。在吸引外資方面（圖2（e）），北京受SARS衛(wèi)生事件影響明顯，尤其體現(xiàn)在事件后兩年吸引外資增速驟減上。在2003-2004年北京吸引國外直接投資平均增速降為-28.3%，而根據(jù)遼寧、山東兩省房地產(chǎn)增速估計得到的應為39.88%。在事件沖擊后十余年中，北京吸引外資增速持續(xù)低于模型預測值，并在2016年逐漸收斂，表明公共衛(wèi)生事件對北京吸引外資具有長期負面影響。此外，圖3（f）顯示盡管北京的實際進出口總額與模型預測有一定差異，但整體來看，北京貿(mào)易活動并未受到衛(wèi)生事件的顯著影響，這與北京非外向型經(jīng)濟相一致。

3. 香港地區(qū)處理效應時間趨勢

圖3報告了香港地區(qū)GDP及相關(guān)增長指標的觀測值、擬合值、預測值序列?？梢钥闯?，香港地區(qū)經(jīng)濟增速放緩主要由于SARS衛(wèi)生事件導致的相關(guān)吸引外資下滑與進出口貿(mào)易活動下降，這與廣州表現(xiàn)相一致。但與廣州不同的是，香港消費、固定資產(chǎn)投資、房地產(chǎn)投資等內(nèi)需活動并未受到強烈沖擊。圖3（a）顯示香港GDP在SARS衛(wèi)生事件爆發(fā)后早期受到較明顯抑制，但抑制是持續(xù)期較短，尤其在2008年金融危機后，實際增速與預測值差距逐漸縮小出現(xiàn)相互交錯。2003-2008年香港GDP實際平均增速約為-0.75%，低于預測的9.04%?？梢钥吹?008年以后香港GDP實際增速與預測增速逐漸差距縮小直至無明顯差距。圖3（b）（c）（d）顯示香港固定資產(chǎn)投資、消費、房地產(chǎn)投資增長序列與模型預測無明顯差異。從時序上看，香港固定資產(chǎn)投資雖然在事件后最初兩年實際增長速度低于預測值，但隨時間推移，并未表現(xiàn)出明顯削弱，且相較于周邊城市估計增長，波動更為平緩。而香港的消費、房地產(chǎn)投資甚至在早期略高于模型預測，表明香港的內(nèi)需型經(jīng)濟活動并未受到事件的顯著影響。但是在吸引外資投資和貿(mào)易等外向型經(jīng)濟活動方面（圖3（e）（f）），SARS衛(wèi)生事件給香港造成長期、持續(xù)性的負面沖擊。根據(jù)ArCo模型，香港2003-2016年吸引外資的預測增速為3.78%，而實際增速僅為-0.06%;商品與服務進出口總額預測增速為19%，而實際增速僅為2.21%。盡管衛(wèi)生事件沖擊后，香港維持正的貿(mào)易增長，但仍遠不及基于周邊城市給出的模型預測。

（三） 安慰劑（Placebo）檢驗——以上海為例

為進一步說明SARS衛(wèi)生事件確實對當?shù)亟?jīng)濟具有因果效應，我們進一步以上海市作為處理組進行安慰劑檢驗。上海在經(jīng)濟發(fā)展、人口密集度等方面與廣州、香港、北京三地具有相似特征，但由于應對及時并未被WHO列入感染區(qū)清單。這為我們分析SARS公共衛(wèi)生事件是否確實造成城市經(jīng)濟下滑提供了很好的安慰劑檢驗場景。

我們用上海周邊三省江蘇、浙江、江西的20個城市GDP及相關(guān)增長指標擬合上海2003年以前數(shù)據(jù)，進而預測了事件后上海經(jīng)濟增長表現(xiàn)。擬合值、預測值、處理效應均值、95%置信區(qū)間以及p值列示在表4中?？梢钥闯觯赟ARS衛(wèi)生事件后，上海GDP增長、固定投資增長、零售消費品增長、房地產(chǎn)投資增長、吸引外資投資增長、貿(mào)易總額增長的長期均值并未受到明顯影響，處理效應p值均在0.1以上。

圖4進一步展示了SARS衛(wèi)生事件對上海各項經(jīng)濟指標的動態(tài)影響。可以看出估計模型能夠很好擬合事件前香港GDP、投資消費等經(jīng)濟表現(xiàn)，而從2013年之后的預測值與實際值的差距來看，SARS衛(wèi)生事件無論是在短期還是長期對上海都沒有顯著影響。隨時間推移，根據(jù)上海周邊20城市GDP增長估計得到的預測值與上海實際GDP增長表現(xiàn)保持較一致的協(xié)同運動關(guān)系。從增長驅(qū)動因素看，在圖4（b）（c）（f）中，上海的實際固定資產(chǎn)投資、消費以及對外貿(mào)易實際增長也與模型預測值差異較小，且保持一致運動關(guān)系，而在房地產(chǎn)投資與吸引國外投資方面，則有一定波動圖4（d）（e）。綜上，Placebo檢驗結(jié)果表明本文主要結(jié)果不完全是由時間、所選擇的建模方式等因素驅(qū)動的，而是事件本身導致的因果效應。

五、長期影響機制

（一）生產(chǎn)效率機制

前文結(jié)果顯示SARS這類大型傳染病不僅在短期內(nèi)造成經(jīng)濟增速下滑，而且會在長期拖累經(jīng)濟增長。經(jīng)濟長期低于潛在增長水平，表明公共衛(wèi)生事件產(chǎn)生的負面沖擊可能已經(jīng)超過了經(jīng)濟的自我修復能力，經(jīng)濟效率出現(xiàn)持續(xù)性下滑。在本節(jié)，我們從生產(chǎn)率損失這個角度，研究SARS衛(wèi)生事件對經(jīng)濟的長期負面影響的潛在機制。

我們使用索洛余值作為生產(chǎn)效率測度指標，間接驗證公共衛(wèi)生事件確實對經(jīng)濟的長期增長潛能產(chǎn)生影響。我們首先基于C-D（Cobb-Douglas）生產(chǎn)函數(shù)的索洛（Solow）余值來計算各地級市的生產(chǎn)率增長率，然后應用ArCo方法對廣州、北京、香港TFP增長率進行因果效應檢驗，探討衛(wèi)生事件對生產(chǎn)效率的動態(tài)影響，之后以上海為處理組進行安慰劑檢驗。

其中 a 為廣義生產(chǎn)效率平均增長速度 （TFP）; y 為產(chǎn)出的年平均增長速度; k 為資金的年平均增長速度;l為勞動的年平均增長速度。根據(jù)式（6），我們使用OLS回歸模型分別估計了樣本內(nèi)每個城市的索洛余值增長率ai（i=1..N），得到各個城市的生產(chǎn)率增長率測度。我們使用GDP對數(shù)增長率為y的測度指標，固定資產(chǎn)投資對數(shù)增長率為k的測度指標，城鎮(zhèn)勞動力人數(shù)對數(shù)增長率為l的測度指標。基于ArCo方法，我們得到了公共衛(wèi)生事件對廣州、北京、香港三市生產(chǎn)率影響的動態(tài)和長期因果效應。類似地，以上海為安慰劑檢驗處理組。

表5顯示三市生產(chǎn)率增長均受到SARS衛(wèi)生事件的顯著負面影響，2003-2016年廣州和北京TFP平均增速在10%置信水平上下降6.47%和8.11%，香港TFP增速下降了8.2%，且在1%置信水平上顯著。結(jié)合三市GDP增速下滑結(jié)果來看，廣州、北京由于生產(chǎn)效率損失（TFP）導致的經(jīng)濟損失比重較低，而香港TFP增速下滑程度超過了GDP，表明香港經(jīng)濟增長損失很大程度來源于經(jīng)濟效率的下降。相較之下，上海TFP增速未受到時間的顯著沖擊，因果效應檢驗p值高于0.1。

參考文獻：

[1] 董曉松，2016：《重大自然災害應急指揮協(xié)調(diào)機制構(gòu)建》，《理論與改革》。[Dong Xiaosong， 2016， Construction of Emergency Command and Coordination Mechanism for Major Natural Disasters， Theory and Reform， 5.]

[2] 樊綱，2003：《縱論SARS對房地產(chǎn)經(jīng)濟的影響》，《規(guī)劃師》第S1期。[Fan Gang， 2003， Discussion on the Impact of SARS on Real Estate Economy， Management World， Planners， S1.]

[3] 樊杰，2004：《中小企業(yè)技術(shù)創(chuàng)新與區(qū)域經(jīng)濟發(fā)展》，《中國地理學會 2004 年學術(shù)年會暨海峽兩岸地理學術(shù)研討會論文摘要集》。[Fan Jie， 2004， The Small and Medium-sized enterprise Technological Innovation and the Development of the Regional Economies， Abstracts of papers of 2004 Annual Conference of the Geographical Society of China and Cross-strait Geography Symposium.]

[4] 韓兆洲，金懷玉，2003：《SARS對中國經(jīng)濟增長影響的統(tǒng)計分析》，《經(jīng)濟前沿》第7期。[Han Zhaozhou and Jin Huaiyu， 2003， Statistical Analysis of the Impact of SARS on Chinas Economic Growth， The Economic Frontier， 7.]

[5] 李鋒、孫根年，2006：《基于旅游本底線法 （TBLM） 的旅游危機事件研究——以 2003 年 “SARS” 事件為例》，《人文地理》第4期。[Li Feng and Sun Gennian， 2006， Research on Tourism Unexpected Crisis On The Basis OF Tourism Background Line Method （TBLM） ——A Case Study of "SARS" Event in 2003，Human Geography， 4.]

[6] 李正全，2003：《SARS 影響國民經(jīng)濟的短期與長期分析》，《經(jīng)濟科學》 第3期。[Li Zhengquan， 2003， Analysis of Short-term and Long-term Impact of SARS on National Economy， Economic Science， 3.]

[7] 呂煒，2003：《后SARS時期：經(jīng)濟影響與政策取向》，《財經(jīng)問題研究》第9期。[Lv Wei， 2003， Post SARS Period： Economic Impact and Policy Option， Research on Financial and Economic Issues，9.]

[8] 莫于川，2003：《非典危機啟示之一： 應重視行政指導措施在公共危機管理中的適當運用》，《理論與改革》。[Mo Yuchuan， 2003， One of the Revelations of SARS Crisis： We Should Attach Importance to the Proper Application of Administrative Guidance in Public Crisis Management， Theory and Reform， 5.]

[9] 聶輝華、賈瑞雪，2011：《中國制造業(yè)企業(yè)生產(chǎn)率與資源誤置》，《世界經(jīng)濟》 第 7期。[Nie Huihua and Jia Ruixue， 2011， Chinas Manufacturing Companies Productivity and Resources Misallocation， The Journal of World Economy， 7.]

[10]伍志文，2003：《SARS對金融業(yè)的沖擊路徑及其影響初探》，《財經(jīng)研究》第8期。[Wu Zhiwen， 2003， An Elementary Analysis on the Shock Route of SARS on Finance and Its Effects， Journal of Finance and Economics， 8.]

[11]張凌云，朱新芝，2010：《社會實驗： 旅游業(yè)對地區(qū)國民經(jīng)濟影響測度的一種簡易方法——以 “非典” 時期的北京為例》，《旅游學刊》第6期。[Zhang Lingyun and Zhu Xinzhi， 2010， Social Experiment： A Simple Way to Measure the Impact of Tourism Industry on Regional National Economy， Tourism Tribune，6.]

[12]Adda， J.， 2016， Economic Activity and the Spread of Viral Diseases： Evidence from High Frequency Data. The Quarterly Journal of Economics， 131（2）： 891-941.

[13]Almond， D. ，2006， Is the 1918 Influenza Pandemic over？ Long-term Effects of in Utero Influenza Exposure in the post-1940 US Population. Journal of Political Economy， 114（4）： 672-712.

[14]Ambrus， A.， E. Field and R. Gonzalez， 2020， Loss in the Time of Cholera： Long-run Impact of a Disease Epidemic on the Urban Landscape. American Economic Review， 110（2）： 475-525.

[15]Angrist， J. D.， G. W. Imbens， and D. B. Rubin， 1996， Identification of Causal Effects Using Instrumental Variables. Journal of the American Statistical Association， 91（434）： 444-455.

[16]Belloni， A.， V. Chernozhukov and C. Hansen， 2014， Inference on Treatment Effects after Selection among High-dimensional Controls. The Review of Economic Studies， 81（2）： 608-650.

[17]Beutels， P.， N. Jia， Q. Y. Zhou， R. Smith， W. C. Cao and S. J. De Vlas， 2009，The Economic Impact of SARS in Beijing， China. Tropical Medicine and International Health， 14， 85-91.

[18]Brandt， L.， J. Van Biesebroeck and Y. Zhang， 2012， Creative Accounting or Creative Destruction？ Firm-level Productivity Growth in Chinese Manufacturing. Journal of Development Economics， 97（2）： 339-351.

[19]Bosworth， B.， and S. M. Collins， 2008， Accounting for Growth： Comparing China and India. Journal of Economic Perspectives， 22（1）： 45-66.

[20]Bresnahan， T. and A. Gambardella， 2004， Building High-tech Clusters： Silicon Valley and Beyond. Cambridge University Press.

[21]Carvalho， C.， R. Masini and M. C. Medeiros， 2018， Arco： an Artificial Counterfactual Approach for High-dimensional Panel Time-series Data. Journal of Econometrics， 207（2）： 352-380.

[22]Chou， J.， N. F. Kuo and S. L. Peng， 2004， Potential Impacts of the SARS Outbreak on Taiwan's Economy. Asian Economic Papers， 3（1）： 84-99.

[23]Conley， T. G. and C. R. Taber， 2011， Inference with “Difference in Differences” with a Small Number of Policy Changes. The Review of Economics and Statistics， 93（1）： 113-125.

[24]Fan， E. X. ，2003， SARS： Economic Impacts and Implications.

[25]Fonseca， Y. R.， R. P. Masini， M. C. Medeiros and G. F. Vasconcelos， 2018， Arco： An Package to Estimate Artificial Counterfactuals. The R Journal， 10（1）： 91-108.

[26]Hai W.， Z. Zhao， J. Wang and Z. G. Hou， 2004， The Short-term Impact of SARS on the Chinese Economy. Asian Economic Papers.，3（1）：57-61.

[27]Hanna， D. and Y. Huang， 2004， The Impact of SARS on Asian Economies. Asian Economic Papers， 3（1）： 102-112.

[28]Heckman， J. J. and E. Vytlacil， 2005，Structural Equations， Treatment Effects and Econometric Policy Evaluation . Econometrica， 73（3）： 669-738.

[29]Hsiao， C.， H. Steve Ching and S. Ki Wan， 2012， A Panel Data Approach for Program Evaluation： Measuring the Benefits of Political and Economic Integration of Hong Kong with Mainland China. Journal of Applied Econometrics， 27（5）： 705-740.

[30]Hsieh， C. T. and P. J. Klenow， 2009， Misallocation and Manufacturing TFP in China and India. The Quarterly Journal of Economics， 124（4）： 1403-1448.

[31]Ke， X.， H. Chen， Y. Hong and C. Hsiao， 2017， Do China's High-speed-rail Projects Promote local Economy？—New Evidence from a Panel Data Approach. China Economic Review， 44： 203-226.

[32]Keogh-Brown， M. R. and R. D. Smith， 2008， The Economic Impact of SARS： How does the Reality Match the Predictions？Health Policy， 88（1）： 110-120.

[33]Lee， J. W. and W. J. McKibbin， 2004， Estimating the Global Economic Costs of SARS. In Learning from SARS： Preparing for the Next Disease Outbreak： Workshop Summary （p. 92）. Washington， DC： National Academies Press.

[34]Li， T.， Y. Dong， ?X. Jia and Z. Wang， 2018. More Entrepreneur Innovation and Less Labor Conflicts-empirical Evidence from China Employer-employee Survey. International Journal of Conflict Management， 29（5）：617-639.

[35]McKercher B. and K. Chon， 2004， The Over-reaction to SARS and the Collapse of Asian Tourism. Annals of Tourism Research.;31（3）：716-9.

[36]Qian， Q. and Y. Chen， 2011， SME， Technological Innovation and Regional Environment： The case of Guangdong， China. Procedia Earth and Planetary Science， 2： 327-333.

[37]Shi， Z. and J. Huang， 2009， Forward-Selected Panel Data Approach for Program Evaluation. ArXiv Preprint ArXiv：1908.05894.

[38]Siu， A. and Y. R. Wong， 2004， Economic Impact of SARS： The Case of Hong Kong. Asian Economic Papers， 3（1）： 62-83.

[39]Song， Z.， K. Storesletten and F. Zilibotti， 2011， Growing like China. American Economic Review， 101（1）： 196-233.

[40]Wan， S. K.， Y. Xie and C. Hsiao， 2018， Panel Data Approach vs Synthetic Control Method. Economics letters， 164： 121-123.

[41]Wang， W. and S. Ruan， 2004， Simulating the SARS Outbreak in Beijing with limited Data. Journal of Theoretical Biology， 227（3）： 369-379.

[42]Yang， H. Y. and K. H. Chen， 2009， A General Equilibrium Analysis of the Economic Impact of a Tourism Crisis： A Case Study of the SARS Epidemic in Taiwan. Journal of Policy Research in Tourism， Leisure and Events， 1（1）： 37-60.

[43]Zeng， B.， R. W. Carter and T. De Lacy ， 2005， Short-term Perturbations and Tourism Effects： The Case of SARS in China. Current Issues in Tourism， 8（4）： 306-322.

Abstract：Public health events represented by the outbreaks of major infectious diseases can have short-run serious impact on the local economic development， while long-run ones are not rare either. Based on the event of the global outbreak of SARS in 2003， this paper assesses the dynamic causal impact of this major infectious disease on three large cities in China， namely Guangzhou， Hong Kong and Beijing， by using the Artificial Counterfactual Framework of Carvalho et al. （2018） and the data of prefecture-level Chinese cities from 1994 to 2016. It is found that this public health event has significant negative impact on their local economic development and that the impact varies with the growth components there， such as investment， consumption， property investment， FDI and trade. Attempts are made to explore the mechanism underlying the negative economic impact from the perspective of productivity， and to perform a placebo examination with Shanghai. The results show that， in order to avoid economic stagnation caused by the productivity loss， policy makers need to attach great importance to alleviating resource misallocation and innovation reduction.

Key Words：Severe Acute Respiratory Syndrome （SARS）; Public Health Event; Economic Impact Evaluation; Causality Impact

責任編輯 鄧 悅