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(duì)宏觀(guān)經(jīng)濟(jì)長(zhǎng)期發(fā)展產(chǎn)生深遠(yuǎn)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(guó)地級(jí)市數(shù)據(jù)和Carvalho et al.（2018）的人工反事實(shí) （Artificial counterfactual， ArCo）方法，估計(jì)了我國(guó)三個(gè)主要城市——廣州、北京、香港受衛(wèi)生事件沖擊的動(dòng)態(tài)因果效應(yīng)。本文發(fā)現(xiàn)，公共衛(wèi)生事件對(duì)三市GDP增長(zhǎng)有顯著長(zhǎng)期負(fù)面影響，對(duì)固定資產(chǎn)投資、居民消費(fèi)、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(duì)經(jīng)濟(jì)有長(zhǎng)期負(fù)面影響的可能機(jī)制，并使用上海做進(jìn)一步安慰劑檢驗(yàn)。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(lái)的長(zhǎng)期經(jīng)濟(jì)損失，政策實(shí)施應(yīng)重視降低資源錯(cuò)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(jì)效應(yīng)評(píng)估;因果影響

一、引 言

2003 年初，SARS在中國(guó)廣東爆發(fā)并迅速向全國(guó)和全球蔓延，直至2003年6月末，SARS已傳播到32個(gè)國(guó)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(guó)12個(gè)省市/地區(qū)被世界衛(wèi)生組織（以下稱(chēng)WHO）列入感染區(qū)或旅游警告區(qū)清單見(jiàn)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(gè)國(guó)家取消了對(duì)中國(guó)出入境旅游的相關(guān)業(yè)務(wù)，國(guó)內(nèi)交通、旅游、零售等服務(wù)需求下降。根據(jù)Hai et al.（2004）估算，到2003年底，中國(guó)旅游業(yè)的損失達(dá)到168億美元，來(lái)自外國(guó)人的旅游收入將比2002年少50%-60%（約108億美元），來(lái)自國(guó)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(huì)出口成交額也只有33.12億美元，遠(yuǎn)遠(yuǎn)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(huì)對(duì)經(jīng)濟(jì)產(chǎn)生持續(xù)性影響嗎？大量研究證實(shí)以降低人員流動(dòng)、封鎖公共社區(qū)和交通為主要應(yīng)對(duì)措施的公共衛(wèi)生事件會(huì)產(chǎn)生強(qiáng)烈的短期沖擊，但與地震、火災(zāi)等災(zāi)難性事件相比，公共衛(wèi)生事件并沒(méi)有直接破壞基礎(chǔ)設(shè)施、土地等生產(chǎn)要素，其是否對(duì)一個(gè)城市發(fā)展?jié)撃墚a(chǎn)生長(zhǎng)期影響的結(jié)論并不明顯。公共衛(wèi)生事件具有短期效應(yīng)意味著外生沖擊只在較短時(shí)間內(nèi)影響總需求，隨著相關(guān)防疫措施生效，人員復(fù)工復(fù)崗，其影響可以被經(jīng)濟(jì)秩序恢復(fù)快速修正。而長(zhǎng)期效應(yīng)意味著傳染病爆發(fā)會(huì)從經(jīng)濟(jì)結(jié)構(gòu)、社會(huì)基礎(chǔ)、人群共識(shí)上造成根本性的影響，甚至在長(zhǎng)期內(nèi)都不能被經(jīng)濟(jì)體自我修復(fù)。在Ambrus et al.（2020）關(guān)于19世紀(jì)倫敦霍亂長(zhǎng)期效應(yīng)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(gè)世紀(jì)里，感染區(qū)內(nèi)外房?jī)r(jià)差異持續(xù)存在并擴(kuò)大，相當(dāng)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(shí)期出生的嬰兒情況，發(fā)現(xiàn)他們與其他嬰兒相比在成長(zhǎng)過(guò)程中受到更少的教育、身體殘疾率更高、收入更低、社會(huì)經(jīng)濟(jì)地位低、成人加速死亡率更高。

基于此，本文以SARS時(shí)期三個(gè)主要感染城市廣州、北京、香港為對(duì)象，以WHO宣布公共衛(wèi)生事件為外生沖擊，評(píng)估經(jīng)濟(jì)體總產(chǎn)出、消費(fèi)、投資、吸引外資、貿(mào)易等關(guān)鍵經(jīng)濟(jì)活動(dòng)受衛(wèi)生事件沖擊的因果效應(yīng)。由于SARS時(shí)期全國(guó)只有少數(shù)省市感染嚴(yán)重，且城市之間感染沖擊存在較強(qiáng)異質(zhì)性，難以找到與處理組城市特征相似的潛在對(duì)照組，傳統(tǒng)面板模型難以獲得有效估計(jì)。本文采用的Carvalho et al.（2018）的人工反事實(shí) （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(guān)效應(yīng)評(píng)估中處理組單元唯一，而缺少天然對(duì)照組的問(wèn)題，且在計(jì)量估計(jì)上更為有效。ArCo方法的基本思想是基于信息準(zhǔn)則選出最能準(zhǔn)確擬合處理組單元的預(yù)測(cè)模型，再基于預(yù)測(cè)模型給出事件后反事實(shí)（預(yù)測(cè)值），反事實(shí)與實(shí)際觀(guān)測(cè)值之差即為因果效應(yīng)。

本文發(fā)現(xiàn)：首先SARS對(duì)廣州、北京、香港三市的長(zhǎng)期實(shí)際經(jīng)濟(jì)增長(zhǎng)具有顯著的負(fù)面影響。2004-2016年GDP實(shí)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(guó)直接投資、貿(mào)易均受到顯著負(fù)面沖擊，2004-2016年平均增速下滑6%-10%;北京受SARS沖擊最為嚴(yán)重，平均來(lái)看，2004-2016年間北京固定投資、外國(guó)直接投資、貿(mào)易增速下降超15%，消費(fèi)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(jì)活動(dòng)受到?jīng)_擊較為溫和，但吸引外資與貿(mào)易受到嚴(yán)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(jìn)一步驗(yàn)證主要城市經(jīng)濟(jì)活動(dòng)下滑確實(shí)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(yàn)。研究發(fā)現(xiàn)，同樣是人口密集的上海市，GDP、投資、消費(fèi)、貿(mào)易等經(jīng)濟(jì)增長(zhǎng)表現(xiàn)與預(yù)測(cè)值無(wú)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(jìn)一步從生產(chǎn)效率角度探究了公共衛(wèi)生事件長(zhǎng)期經(jīng)濟(jì)影響的潛在機(jī)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(zhǎng)顯著下降，降幅分別達(dá)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(rèn)為公共衛(wèi)生事件導(dǎo)致企業(yè)生產(chǎn)率下降的機(jī)制主要來(lái)自?xún)蓚€(gè)方面：資源錯(cuò)配和中小企業(yè)活力下降。首先，公共安全事件提高了社會(huì)群體對(duì)大型傳染病爆發(fā)這種系統(tǒng)性黑天鵝事件的認(rèn)識(shí)，社會(huì)風(fēng)險(xiǎn)厭惡提高，這種結(jié)構(gòu)性社會(huì)群體風(fēng)險(xiǎn)上升引發(fā)大量資源跨地區(qū)跨部門(mén)轉(zhuǎn)移，導(dǎo)致的資源錯(cuò)配成本難以估計(jì)。尤其是在政府和金融部門(mén)出臺(tái)多項(xiàng)寬松財(cái)政、貨幣政策下，保障措施的低效分配進(jìn)一步加劇資源錯(cuò)配。其次，由于防控措施實(shí)施，主要經(jīng)濟(jì)活動(dòng)基本暫停，這對(duì)集中于服務(wù)業(yè)的中小企業(yè)帶來(lái)的生存挑戰(zhàn)尤為顯著。當(dāng)前，中小企業(yè)貢獻(xiàn)我國(guó)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(dòng)力提供就業(yè)崗位。在面臨剛性用工成本和市場(chǎng)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(dòng)下滑必然影響到宏觀(guān)經(jīng)濟(jì)的效率運(yùn)行。為應(yīng)對(duì)公共衛(wèi)生事件可能帶來(lái)的持續(xù)性經(jīng)濟(jì)影響，我們認(rèn)為保障措施實(shí)施不僅要積極有效，更要高度重視企業(yè)生產(chǎn)效率恢復(fù)。一方面，提高財(cái)政貨幣政策透明度，充分發(fā)揮政策的支持和引導(dǎo)作用，提高公眾對(duì)突發(fā)衛(wèi)生事件的認(rèn)識(shí)，以降低公眾恐慌和非理性投機(jī)行為;另一方面，增強(qiáng)對(duì)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(fēng)險(xiǎn)，保護(hù)社會(huì)創(chuàng)新活力。

三、模型設(shè)定和數(shù)據(jù)來(lái)源

（一）模型設(shè)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(duì)處理組單元?jiǎng)討B(tài)因果效應(yīng)實(shí)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(yù)測(cè)與實(shí)際觀(guān)測(cè)差異，評(píng)估公共衛(wèi)生事件對(duì)處理組城市的長(zhǎng)期因影響。模型估計(jì)分為兩步：第一步，使用非處理組數(shù)據(jù)和線(xiàn)性模型篩選出最能擬合處理組城市的預(yù)測(cè)模型。第二步，基于預(yù)測(cè)模型構(gòu)建處理組城市經(jīng)濟(jì)變量反事實(shí)，進(jìn)而評(píng)估事件處理的因果效應(yīng)。

（二）數(shù)據(jù)來(lái)源

為了應(yīng)用ArCo框架，我們需要一個(gè)包含處理城市和潛在對(duì)照組的面板數(shù)據(jù)。本文使用的內(nèi)地?cái)?shù)據(jù)來(lái)自中經(jīng)網(wǎng)統(tǒng)計(jì)數(shù)據(jù)庫(kù)，時(shí)間跨度為1994-2016年，變量包括中國(guó)內(nèi)地287個(gè)市轄區(qū)的國(guó)內(nèi)生產(chǎn)總值、固定資產(chǎn)投資、消費(fèi)品零售、房地產(chǎn)開(kāi)發(fā)投資、外商直接投資實(shí)際投資、貿(mào)易總額。其中外商直接投資實(shí)際投資、貿(mào)易總額以現(xiàn)價(jià)美元計(jì)價(jià)，其他變量以現(xiàn)價(jià)人民幣計(jì)價(jià)。香港相關(guān)數(shù)據(jù)來(lái)自世界銀行WDI數(shù)據(jù)庫(kù)由于數(shù)據(jù)限制，本文以WDI數(shù)據(jù)庫(kù)提供的房地產(chǎn)銷(xiāo)售額、最終消費(fèi)品作為香港房地產(chǎn)開(kāi)發(fā)投資、零售消費(fèi)品替代指標(biāo)。，變量均以現(xiàn)價(jià)美元計(jì)價(jià)。為了便于對(duì)廣州、北京、香港三市的橫向比較，本文使用國(guó)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(duì)數(shù)據(jù)進(jìn)行剔除通貨膨脹處理，獲得原始變量的人民幣實(shí)際值GDP平減指數(shù)和CPI來(lái)自CEIC數(shù)據(jù)庫(kù)。我們同樣使用了名義人民幣數(shù)據(jù)對(duì)文章結(jié)論進(jìn)行穩(wěn)健性檢驗(yàn)。。

ArCo方法要求數(shù)據(jù)趨勢(shì)平穩(wěn)，本文使用變量的1階對(duì)數(shù)增長(zhǎng)率進(jìn)行因果效應(yīng)估計(jì)。變量定義見(jiàn)表1。為使每個(gè)時(shí)間序列有較大截面用于模型估計(jì)，最終截取國(guó)內(nèi)生產(chǎn)總值增長(zhǎng)率（GDP）、固定資產(chǎn)投資增長(zhǎng)率（Investment）的時(shí)間跨度為1995-2016年;消費(fèi)品零售（Consumption）、房地產(chǎn)開(kāi)發(fā)投資增長(zhǎng)率（House）、外商直接投資實(shí)際投資增長(zhǎng)率（FDI）、貿(mào)易總額增長(zhǎng)率（Trade）的時(shí)間跨度為1997-2016年。

我們選擇地級(jí)市作為研究對(duì)象。一方面是因?yàn)閃HO定義感染區(qū)以“省、市”為單位。以地級(jí)市為統(tǒng)計(jì)單元，可以很好地分離處理組和控制組。另一方面，地級(jí)市將一個(gè)城市及周邊地區(qū)合并成一個(gè)統(tǒng)一的管轄權(quán)，是一個(gè)比通常意義上中心城市更大的統(tǒng)計(jì)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(lái)估計(jì)因果效應(yīng)將不可避免地引入個(gè)體間的相互作用。根據(jù)這個(gè)想法，我們選擇了在中國(guó)地級(jí)市層面數(shù)據(jù)，以最小化觀(guān)測(cè)之間的聯(lián)系或相互作用。

（三）處理組與對(duì)照組選擇

本文選擇廣州、北京、香港作為處理組單元，分別評(píng)估三個(gè)城市GDP、消費(fèi)、投資、貿(mào)易等經(jīng)濟(jì)活動(dòng)受衛(wèi)生事件的影響。其中，廣州為SARS病例首個(gè)報(bào)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(duì)照組的選取需滿(mǎn)足2個(gè)要求：（1） 對(duì)照組應(yīng)是處理組單元良好的預(yù)測(cè)指標(biāo)。（2） 外生事件對(duì)照組單元的處理效應(yīng)是外生的，即對(duì)照組城市經(jīng)濟(jì)變化應(yīng)獨(dú)立于外生事件沖擊。通常地理距離接近的城市勞動(dòng)力、生產(chǎn)關(guān)系更為緊密，經(jīng)濟(jì)有更強(qiáng)的經(jīng)濟(jì)協(xié)同性，因而經(jīng)濟(jì)相關(guān)的周邊城市可以成為估計(jì)處理效應(yīng)的良好對(duì)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(fèi)、生產(chǎn)等經(jīng)濟(jì)活動(dòng)，引入內(nèi)生性問(wèn)題。本文選擇處理組相鄰省份的城市作為潛在對(duì)照組選擇香港和北京的潛在對(duì)照組時(shí)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(shè)公共衛(wèi)生事件只在省級(jí)層面影響到城市的經(jīng)濟(jì)發(fā)展，估計(jì)得到的處理效應(yīng)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(shè)為感染或旅游警告區(qū)，在對(duì)照組城市選擇時(shí)，我們同時(shí)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(gè)地級(jí)市作為估計(jì)廣州反事實(shí)的潛在對(duì)照組;用江西、湖南、福建三省的20個(gè)地級(jí)市作為香港的潛在對(duì)照組;用遼寧、山東的20個(gè)地級(jí)市作為北京的潛在對(duì)照組。在PDA模型框架下，為了獲得最佳預(yù)測(cè)因子，可能會(huì)選擇偏遠(yuǎn)城市作為因果效應(yīng)估計(jì)的對(duì)照組，而ArCo方法允許靈活的估計(jì)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(yù)測(cè)精度。

表2列出了對(duì)照組與處理組城市實(shí)際增長(zhǎng)變量描述性統(tǒng)計(jì)。平均來(lái)看，廣州、北京在1995-2016年都維持了較高的經(jīng)濟(jì)增速，平均實(shí)際GDP增長(zhǎng)率分別達(dá)11.6%、11.4%，兩市固定資產(chǎn)投資、消費(fèi)、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(jì)城市吸引外資增速達(dá)到8.9%，超過(guò)廣州的3.3%，雖然波動(dòng)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(jì)發(fā)展略顯滯后，在1995-2016年平均實(shí)際GDP增速僅為0.4%，消費(fèi)、房地產(chǎn)投資增速僅為2%，固定資產(chǎn)甚至出現(xiàn)負(fù)增長(zhǎng)。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(guó)經(jīng)濟(jì)中心，GDP、消費(fèi)、投資等經(jīng)濟(jì)指標(biāo)增長(zhǎng)都較為強(qiáng)勁，除吸引外資以外，平均增速都超過(guò)10%，吸引外資增速達(dá)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(duì)照組城市的描述性統(tǒng)計(jì)，可以看到在未受事件沖擊條件下，對(duì)照組城市的經(jīng)濟(jì)也較為強(qiáng)勁，GDP、消費(fèi)、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(dá)到8.5%，貿(mào)易平均增速達(dá)到10.5%。

四、公共衛(wèi)生事件長(zhǎng)期經(jīng)濟(jì)效應(yīng)

（一）事件沖擊的平均處理效應(yīng)

應(yīng)用ArCo方法，我們分別對(duì)廣州、北京、香港的經(jīng)濟(jì)增長(zhǎng)指標(biāo)（GDP、Investment、Consumption、House、FDI、Trade） 進(jìn)行反事實(shí)估計(jì)。表3報(bào)告了三地GDP及相關(guān)增長(zhǎng)指標(biāo)的實(shí)際值和預(yù)測(cè)值（反事實(shí)），同時(shí)列示了模型估計(jì)的平均處理效應(yīng)ATE、95%置信區(qū)間以及p值。

首先，從經(jīng)濟(jì)總量（GDP）來(lái)看，廣州、北京、香港三地都受到了SARS事件的負(fù)面沖擊使用名義數(shù)據(jù)估計(jì)得到的主要結(jié)論不變。。表2第4列匯報(bào)了2003-2016年廣州、北京、香港實(shí)際經(jīng)濟(jì)變量增速相較于預(yù)測(cè)值的平均處理效應(yīng)。可以看出三市在事件沖擊后GDP增長(zhǎng)均顯著下降：廣州實(shí)際GDP增速在5%顯著水平下降7.85%、北京和香港實(shí)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(duì)照組城市預(yù)測(cè)的廣州在2004-2016年GDP增速應(yīng)為17.29%，而實(shí)際增速為10.26%，下降幅度約為7%;由湖南、江西、福建3省20個(gè)城市預(yù)測(cè)的香港GDP增速應(yīng)為4.15%，而實(shí)際增速為0.53%，下降幅度約為3.5%;由遼寧、山東兩省20個(gè)城市預(yù)測(cè)的北京GDP增速應(yīng)為26.72%，而實(shí)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(jì)，2003年SARS通過(guò)乘數(shù)效應(yīng)給中國(guó)經(jīng)濟(jì)造成253億美元損失，國(guó)內(nèi)生產(chǎn)總值的增長(zhǎng)率比沒(méi)有發(fā)生SARS時(shí)低12個(gè)百分點(diǎn)。

其次，從增長(zhǎng)驅(qū)動(dòng)因素來(lái)看，三市的消費(fèi)、投資、貿(mào)易等經(jīng)濟(jì)活動(dòng)都在一定程度上受到事件沖擊的負(fù)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(yīng)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(fù)面沖擊，實(shí)際增速相較于預(yù)測(cè)值分別下滑9.18%、7.73%、7.22%、6.23%，居民消費(fèi)未受到顯著影響。廣州在SARS爆發(fā)后，吸引外資能力與對(duì)外貿(mào)易都到較強(qiáng)沖擊，95%置信區(qū)間上界均低于0，平均實(shí)際增速相較于模型預(yù)測(cè)分別下滑7.72%和6.23%。相比之下，北京對(duì)外貿(mào)易受影響程度較輕，但是吸引外資能力受到嚴(yán)重削弱。相較于模型預(yù)測(cè)，北京實(shí)際FDI平均增速下降27.83%。香港的吸引外資與對(duì)外貿(mào)易均受到嚴(yán)重沖擊，實(shí)際值相較于理論預(yù)測(cè)值下滑9.82%和17.55%，但是消費(fèi)、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(qiáng)反映出SARS對(duì)三市經(jīng)濟(jì)帶來(lái)的實(shí)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(dòng)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(yán)格，其經(jīng)濟(jì)活動(dòng)被壓縮的程度最深。而北京作為非典型外向型城市，增長(zhǎng)驅(qū)動(dòng)較強(qiáng)程度依靠消費(fèi)、實(shí)體投資與吸引外資投資，對(duì)外貿(mào)易對(duì)其增長(zhǎng)貢獻(xiàn)有限，SARS衛(wèi)生事件并未對(duì)其造成強(qiáng)烈沖擊。而廣州和香港均為大型外向型城市，對(duì)外經(jīng)濟(jì)往來(lái)活躍。處于對(duì)感染的擔(dān)憂(yōu)，國(guó)外投資者或降低對(duì)兩市經(jīng)濟(jì)前景預(yù)期，暫停既有訂單并減少新增訂單，兩市商品與服務(wù)進(jìn)出口貿(mào)易下降，國(guó)外直接投資減少。

（二）處理效應(yīng)時(shí)間趨勢(shì)

由上文知SARS衛(wèi)生事件對(duì)廣州、北京、香港三市GDP增長(zhǎng)都具有顯著負(fù)面影響但對(duì)增長(zhǎng)因素的沖擊存在異質(zhì)性。為考察公共衛(wèi)生事件對(duì)三地經(jīng)濟(jì)發(fā)展的動(dòng)態(tài)影響及長(zhǎng)期效應(yīng)，我們根據(jù)ArCo擬合數(shù)據(jù)和預(yù)測(cè)結(jié)果，繪制時(shí)間序列，作進(jìn)一步分析。

1. 廣州處理效應(yīng)時(shí)間趨勢(shì)

從圖1分別匯報(bào)了廣州市GDP、固定資產(chǎn)、消費(fèi)、房地產(chǎn)投資、吸引國(guó)外直接投資、貿(mào)易總額增速的ArCo估計(jì)、預(yù)測(cè)和實(shí)際觀(guān)測(cè)序列。在每個(gè)子圖中， 我們用黑色實(shí)線(xiàn)表示全樣本期內(nèi)實(shí)際觀(guān)測(cè)序列，用圓圈標(biāo)記公共衛(wèi)生事件（2003年）前使用對(duì)照組城市數(shù)據(jù)和預(yù)測(cè)模型估計(jì)得到的擬合值，用黑色虛線(xiàn)標(biāo)記事件后（2003-2016年）基于模型得到的預(yù)測(cè)值，即反事實(shí)。從擬合情況看，選定的潛在對(duì)照組能夠很好地?cái)M合廣州GDP及其他增長(zhǎng)走勢(shì)，表明我們基于LASSO估計(jì)的線(xiàn)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(duì)廣州經(jīng)濟(jì)具有負(fù)面影響，長(zhǎng)期來(lái)看也具有顯著的負(fù)面效應(yīng)。圖1（a）顯示，2006年以前，廣州GDP實(shí)際增速明顯低于周邊城市估計(jì)的預(yù)測(cè)值，在2003-2004年、2004-2005年和2005-2006年三個(gè)時(shí)間區(qū)間內(nèi)，廣州實(shí)際GDP增速為12.43%、10.57%、18.91%，顯著低于模型預(yù)測(cè)的29.15%、29.82%、43.73%。盡管之后，廣州實(shí)際GDP增速與預(yù)測(cè)值兩者存在交疊，實(shí)際GDP增速有反超趨勢(shì)，但在近年差距逐漸擴(kuò)大。圖1（b）（d）顯示 WHO事件對(duì)廣州固定資產(chǎn)投資的影響持續(xù)至2010年，對(duì)房地產(chǎn)投資的影響持續(xù)至2013年。根據(jù)模型預(yù)測(cè)，2003-2010年廣州固定資產(chǎn)投資增速應(yīng)為23.24%，而實(shí)際平均增速僅為11.92%，遠(yuǎn)低于模型預(yù)測(cè)。2003-2013年廣州房地產(chǎn)投資增速相較預(yù)測(cè)值也大幅下滑，實(shí)際增速僅為6.9%，遠(yuǎn)低于模型預(yù)測(cè)的17.02%。圖1（c）顯示的廣州消費(fèi)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(dòng)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(shí)際增速降為負(fù)值，僅為-11.13%，而模型預(yù)測(cè)為49.35%。在2005年之后，廣州吸引外資實(shí)際增速與預(yù)測(cè)值持續(xù)交疊，波動(dòng)更為平緩，表明廣州作為經(jīng)濟(jì)中心城市在吸引外資方面抗風(fēng)險(xiǎn)能力強(qiáng)，對(duì)于帶動(dòng)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(dòng)也具有類(lèi)似表現(xiàn)，圖1（f）顯示，廣州貿(mào)易活動(dòng)增長(zhǎng)受到SARS衛(wèi)生事件持續(xù)的負(fù)面影響，在金融危機(jī)前，即2004-2009時(shí)間段，廣州貿(mào)易總額平均實(shí)際增速為11.6%，遠(yuǎn)低于模型預(yù)測(cè)值為20.29%。2010年后，廣州貿(mào)易總額實(shí)際值與模型預(yù)測(cè)值差距再次拉大，直至2015年再度有所收斂。

2. 北京處理效應(yīng)時(shí)間趨勢(shì)

圖2匯報(bào)了北京GDP及相關(guān)增長(zhǎng)指標(biāo)的觀(guān)測(cè)值、擬合值、反事實(shí)的運(yùn)動(dòng)表現(xiàn)，可以看出，事件前擬合值基本與觀(guān)測(cè)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(jì)增速同樣受到SARS衛(wèi)生事件的負(fù)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(lái)看，公共衛(wèi)生事件對(duì)北京經(jīng)濟(jì)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(yán)重沖擊，但隨著時(shí)間推移，實(shí)際GDP增速逐漸下滑。2006-2015年間，北京GDP實(shí)際增速為11.5%，模型預(yù)測(cè)值為20.58%。與廣州情形類(lèi)似，我們同樣看到北京GDP波動(dòng)相較于周邊城市估計(jì)得到的預(yù)測(cè)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(zhǎng)時(shí)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(yuǎn)低于模型預(yù)測(cè)的29.31%，盡管2008-2009年期間有所震蕩，2009年之后實(shí)際投資與預(yù)測(cè)值差距擴(kuò)大，持續(xù)至2016年。類(lèi)似地， 北京房地產(chǎn)投資在金融危機(jī)后出現(xiàn)較強(qiáng)波動(dòng)。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(wàn)億刺激計(jì)劃出臺(tái)，北京房地產(chǎn)投資增幅出現(xiàn)較大增長(zhǎng)，在2009年達(dá)到20.7%，超過(guò)同期模型預(yù)測(cè)值9%。圖2（d）可以看出，2009年后，北京房地產(chǎn)實(shí)際投資走勢(shì)整體引領(lǐng)預(yù)測(cè)值波動(dòng)，實(shí)際增速的下滑和上漲均先于周邊城市估計(jì)的模型預(yù)測(cè)值，證實(shí)了北京作為中心城市，其房地產(chǎn)市場(chǎng)對(duì)于輻射地區(qū)房地產(chǎn)的引領(lǐng)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(guó)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(jì)得到的應(yīng)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(yù)測(cè)值，并在2016年逐漸收斂，表明公共衛(wèi)生事件對(duì)北京吸引外資具有長(zhǎng)期負(fù)面影響。此外，圖3（f）顯示盡管北京的實(shí)際進(jìn)出口總額與模型預(yù)測(cè)有一定差異，但整體來(lái)看，北京貿(mào)易活動(dòng)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(jì)相一致。

3. 香港地區(qū)處理效應(yīng)時(shí)間趨勢(shì)

圖3報(bào)告了香港地區(qū)GDP及相關(guān)增長(zhǎng)指標(biāo)的觀(guān)測(cè)值、擬合值、預(yù)測(cè)值序列?？梢钥闯?，香港地區(qū)經(jīng)濟(jì)增速放緩主要由于SARS衛(wèi)生事件導(dǎo)致的相關(guān)吸引外資下滑與進(jìn)出口貿(mào)易活動(dòng)下降，這與廣州表現(xiàn)相一致。但與廣州不同的是，香港消費(fèi)、固定資產(chǎn)投資、房地產(chǎn)投資等內(nèi)需活動(dòng)并未受到強(qiáng)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(jī)后，實(shí)際增速與預(yù)測(cè)值差距逐漸縮小出現(xiàn)相互交錯(cuò)。2003-2008年香港GDP實(shí)際平均增速約為-0.75%，低于預(yù)測(cè)的9.04%?？梢钥吹?008年以后香港GDP實(shí)際增速與預(yù)測(cè)增速逐漸差距縮小直至無(wú)明顯差距。圖3（b）（c）（d）顯示香港固定資產(chǎn)投資、消費(fèi)、房地產(chǎn)投資增長(zhǎng)序列與模型預(yù)測(cè)無(wú)明顯差異。從時(shí)序上看，香港固定資產(chǎn)投資雖然在事件后最初兩年實(shí)際增長(zhǎng)速度低于預(yù)測(cè)值，但隨時(shí)間推移，并未表現(xiàn)出明顯削弱，且相較于周邊城市估計(jì)增長(zhǎng)，波動(dòng)更為平緩。而香港的消費(fèi)、房地產(chǎn)投資甚至在早期略高于模型預(yù)測(cè)，表明香港的內(nèi)需型經(jīng)濟(jì)活動(dòng)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(jì)活動(dòng)方面（圖3（e）（f）），SARS衛(wèi)生事件給香港造成長(zhǎng)期、持續(xù)性的負(fù)面沖擊。根據(jù)ArCo模型，香港2003-2016年吸引外資的預(yù)測(cè)增速為3.78%，而實(shí)際增速僅為-0.06%;商品與服務(wù)進(jìn)出口總額預(yù)測(cè)增速為19%，而實(shí)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(zhǎng)，但仍遠(yuǎn)不及基于周邊城市給出的模型預(yù)測(cè)。

（三） 安慰劑（Placebo）檢驗(yàn)——以上海為例

為進(jìn)一步說(shuō)明SARS衛(wèi)生事件確實(shí)對(duì)當(dāng)?shù)亟?jīng)濟(jì)具有因果效應(yīng)，我們進(jìn)一步以上海市作為處理組進(jìn)行安慰劑檢驗(yàn)。上海在經(jīng)濟(jì)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(yīng)對(duì)及時(shí)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(shí)造成城市經(jīng)濟(jì)下滑提供了很好的安慰劑檢驗(yàn)場(chǎng)景。

我們用上海周邊三省江蘇、浙江、江西的20個(gè)城市GDP及相關(guān)增長(zhǎng)指標(biāo)擬合上海2003年以前數(shù)據(jù)，進(jìn)而預(yù)測(cè)了事件后上海經(jīng)濟(jì)增長(zhǎng)表現(xiàn)。擬合值、預(yù)測(cè)值、處理效應(yīng)均值、95%置信區(qū)間以及p值列示在表4中?？梢钥闯?，在SARS衛(wèi)生事件后，上海GDP增長(zhǎng)、固定投資增長(zhǎng)、零售消費(fèi)品增長(zhǎng)、房地產(chǎn)投資增長(zhǎng)、吸引外資投資增長(zhǎng)、貿(mào)易總額增長(zhǎng)的長(zhǎng)期均值并未受到明顯影響，處理效應(yīng)p值均在0.1以上。

圖4進(jìn)一步展示了SARS衛(wèi)生事件對(duì)上海各項(xiàng)經(jīng)濟(jì)指標(biāo)的動(dòng)態(tài)影響?？梢钥闯龉烙?jì)模型能夠很好擬合事件前香港GDP、投資消費(fèi)等經(jīng)濟(jì)表現(xiàn)，而從2013年之后的預(yù)測(cè)值與實(shí)際值的差距來(lái)看，SARS衛(wèi)生事件無(wú)論是在短期還是長(zhǎng)期對(duì)上海都沒(méi)有顯著影響。隨時(shí)間推移，根據(jù)上海周邊20城市GDP增長(zhǎng)估計(jì)得到的預(yù)測(cè)值與上海實(shí)際GDP增長(zhǎng)表現(xiàn)保持較一致的協(xié)同運(yùn)動(dòng)關(guān)系。從增長(zhǎng)驅(qū)動(dòng)因素看，在圖4（b）（c）（f）中，上海的實(shí)際固定資產(chǎn)投資、消費(fèi)以及對(duì)外貿(mào)易實(shí)際增長(zhǎng)也與模型預(yù)測(cè)值差異較小，且保持一致運(yùn)動(dòng)關(guān)系，而在房地產(chǎn)投資與吸引國(guó)外投資方面，則有一定波動(dòng)圖4（d）（e）。綜上，Placebo檢驗(yàn)結(jié)果表明本文主要結(jié)果不完全是由時(shí)間、所選擇的建模方式等因素驅(qū)動(dòng)的，而是事件本身導(dǎo)致的因果效應(yīng)。

五、長(zhǎng)期影響機(jī)制

（一）生產(chǎn)效率機(jī)制

前文結(jié)果顯示SARS這類(lèi)大型傳染病不僅在短期內(nèi)造成經(jīng)濟(jì)增速下滑，而且會(huì)在長(zhǎng)期拖累經(jīng)濟(jì)增長(zhǎng)。經(jīng)濟(jì)長(zhǎng)期低于潛在增長(zhǎng)水平，表明公共衛(wèi)生事件產(chǎn)生的負(fù)面沖擊可能已經(jīng)超過(guò)了經(jīng)濟(jì)的自我修復(fù)能力，經(jīng)濟(jì)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(gè)角度，研究SARS衛(wèi)生事件對(duì)經(jīng)濟(jì)的長(zhǎng)期負(fù)面影響的潛在機(jī)制。

我們使用索洛余值作為生產(chǎn)效率測(cè)度指標(biāo)，間接驗(yàn)證公共衛(wèi)生事件確實(shí)對(duì)經(jīng)濟(jì)的長(zhǎng)期增長(zhǎng)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(lái)計(jì)算各地級(jí)市的生產(chǎn)率增長(zhǎng)率，然后應(yīng)用ArCo方法對(duì)廣州、北京、香港TFP增長(zhǎng)率進(jìn)行因果效應(yīng)檢驗(yàn)，探討衛(wèi)生事件對(duì)生產(chǎn)效率的動(dòng)態(tài)影響，之后以上海為處理組進(jìn)行安慰劑檢驗(yàn)。

其中 a 為廣義生產(chǎn)效率平均增長(zhǎng)速度 （TFP）; y 為產(chǎn)出的年平均增長(zhǎng)速度; k 為資金的年平均增長(zhǎng)速度;l為勞動(dòng)的年平均增長(zhǎng)速度。根據(jù)式（6），我們使用OLS回歸模型分別估計(jì)了樣本內(nèi)每個(gè)城市的索洛余值增長(zhǎng)率ai（i=1..N），得到各個(gè)城市的生產(chǎn)率增長(zhǎng)率測(cè)度。我們使用GDP對(duì)數(shù)增長(zhǎng)率為y的測(cè)度指標(biāo)，固定資產(chǎn)投資對(duì)數(shù)增長(zhǎng)率為k的測(cè)度指標(biāo)，城鎮(zhèn)勞動(dòng)力人數(shù)對(duì)數(shù)增長(zhǎng)率為l的測(cè)度指標(biāo)?；贏rCo方法，我們得到了公共衛(wèi)生事件對(duì)廣州、北京、香港三市生產(chǎn)率影響的動(dòng)態(tài)和長(zhǎng)期因果效應(yīng)。類(lèi)似地，以上海為安慰劑檢驗(yàn)處理組。

表5顯示三市生產(chǎn)率增長(zhǎng)均受到SARS衛(wèi)生事件的顯著負(fù)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(lái)看，廣州、北京由于生產(chǎn)效率損失（TFP）導(dǎo)致的經(jīng)濟(jì)損失比重較低，而香港TFP增速下滑程度超過(guò)了GDP，表明香港經(jīng)濟(jì)增長(zhǎng)損失很大程度來(lái)源于經(jīng)濟(jì)效率的下降。相較之下，上海TFP增速未受到時(shí)間的顯著沖擊，因果效應(yīng)檢驗(yàn)p值高于0.1。

參考文獻(xiàn)：

[1] 董曉松，2016：《重大自然災(zāi)害應(yīng)急指揮協(xié)調(diào)機(jī)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(duì)房地產(chǎn)經(jīng)濟(jì)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(jì)發(fā)展》，《中國(guó)地理學(xué)會(huì) 2004 年學(xué)術(shù)年會(huì)暨海峽兩岸地理學(xué)術(shù)研討會(huì)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(duì)中國(guó)經(jīng)濟(jì)增長(zhǎng)影響的統(tǒng)計(jì)分析》，《經(jīng)濟(jì)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(xiàn)法 （TBLM） 的旅游危機(jī)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(guó)民經(jīng)濟(jì)的短期與長(zhǎng)期分析》，《經(jīng)濟(jì)科學(xué)》 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(shí)期：經(jīng)濟(jì)影響與政策取向》，《財(cái)經(jīng)問(wèn)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(jī)啟示之一： 應(yīng)重視行政指導(dǎo)措施在公共危機(jī)管理中的適當(dāng)運(yùn)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(guó)制造業(yè)企業(yè)生產(chǎn)率與資源誤置》，《世界經(jīng)濟(jì)》 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(duì)金融業(yè)的沖擊路徑及其影響初探》，《財(cái)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(huì)實(shí)驗(yàn)： 旅游業(yè)對(duì)地區(qū)國(guó)民經(jīng)濟(jì)影響測(cè)度的一種簡(jiǎn)易方法——以 “非典” 時(shí)期的北京為例》，《旅游學(xué)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(zé)任編輯 鄧 悅