研究團隊于2020年2月底至3月中旬，在全國七個省份(湖北、湖南、四川、廣東、遼寧、內蒙古、福建)，針對約1900名微信用戶進行了三輪(兩輪間間隔約一周)線上追蹤調查。

　　核心發現包括：

　　(1)新冠疫情對公眾經濟預期造成了顯著的負向影響。受訪者對2020年一季度全國GDP增長率的中位數預期較其感知的2019年全年GDP增長率下降了1.5-1.7個百分點。

　　(2)有效控制當地新冠疫情傳播，可以顯著推動公眾經濟預期回升。當地新增病例每降低一個標準差（約為107例），受訪者對于2020年一季度全國GDP增長率的預測會上調0.29個百分點。尤其是當地新增病例實現“零新增”，會導致受訪者對于一季度GDP增長率的預期上調0.72個百分點。

　　(3)單純保持“高復工率”并無助于保持或提升公眾經濟預期。研究團隊在第三輪調查中組織的隨機對照試驗結果表明，以各種形式向受訪者提供復工率信息，都不會導致受訪者更新自己對于一季度GDP增長率的預測值。

　　本研究應驗了一句老話：“存人失地，人地皆存；存地失人，人地皆失”。

　　目前，全球很多國家都面臨著新冠肺炎(COVID-19)的威脅。對于政策制定者來說，新冠來襲，應該先抗疫，還是保開工？

　　為了嘗試回答這個問題，我與合作者們在2020年2月底到3月中旬在全國七個省份(湖北、湖南、四川、廣東、遼寧、內蒙古、福建)，對大約1900名微信用戶進行了三輪線上追蹤調查。

　　在每一輪調查中，我們請被調查者基于自己當前的判斷，對一些經濟指標進行預測，包括全國2020年一季度GDP同比增長率、湖北省2020年一季度GDP同比增長、被調查者所在省份2020年一季度GDP同比增長率等。

　　值得一提的是，我們設立了一個有獎預測環節：全部三輪線上調查結束之后，我們會從每位受訪者三輪的所有預測中隨機抽取一題，如果受訪者該問題的預測和官方發布的一季度實際增幅差距不超過0.2個百分點，則可以獲得60元的預測獎勵。

　　這一機制有助于激勵受訪者按照自己的真實想法來認真地進行GDP預測。第一輪調查在2月29日至3月2日期間進行，第二輪調查在3月6日至3月8日期間進行，第三輪調查在3月12日至3月14日期間進行。

　　受訪者在每輪調查期間登錄我們設計的微信小程序進行答題。第一輪到第二輪的樣本損失率為17.3%，第二輪到第三輪的樣本損失率為18.5%，符合正常追蹤調查的樣本損失率水平。

　　我們先來看看大家怎么看今年一季度的GDP增長率。下面的箱式圖反映了受訪者在預測“2020年一季度全國GDP同比增長率”這個問題時的回答。

　　除了預測問題，我們還在第一輪調查中詢問受訪者認為2019年中國GDP的增長率是多少，用來標定其對GDP增長率的感知。

　　可以明顯看到，大家對于今年一季度GDP增長率的預期顯著低于他們所認為的2019年全國GDP增長率：處在中位數的受訪者認為中國2019年的GDP增長了7%(去年的實際GDP增長率是6.1%)；然而處在中位數的受訪者在三輪調查中對2020年一季度全國GDP同比增長率的預測僅為5.5、5.5%和5.3%。

　　在此基礎上，一個更重要的問題是，如何可以恢復公眾對經濟增長的預期呢？尤其是，先抗疫重要，還是保開工重要？我們利用計量經濟學里的固定效應模型，來研究受訪者在每兩輪之間的預期調整究竟受到疫情變化的影響，還是復工水平的影響。

　　下圖反映了受訪者兩輪調查中對于全國一季度GDP增長率預測值的調整情況。

　　我們首先把受訪者對一季度全國GDP增長率的預測調整和其所在城市在兩輪調查期間新冠肺炎新增確診病例數量結合起來。

　　控制個人固定效應后(也就是說我們的因果推斷是基于同一個受訪者的兩次修改，而不是基于不同受訪者之間的差異性)，我們發現，當地新增病例每降低一個標準差(約為107例)，受訪者對于中國一季度GDP增長率的預測會上調0.29個百分點。

　　我們尤其發現“0新增”對于形成樂觀的經濟預期非常有效。當地新增病例從非0變成“0新增”，會導致受訪者對于中國一季度GDP增長率上調0.72個百分點。

　　另外，我們還發現受訪者對于經濟預期的調整只受自己所在城市的新增確診病例影響，并不受臨近城市的新增確診病例的影響。這可能是因為疫情期間人口流動幾乎停滯，所以鄰近城市的新增確診并不會對本地造成威脅。以上分析說明疫情好轉對經濟預期存在顯著的積極影響。

　　我們下面再來看看復工率是否有類似的作用。我們在第二輪和第三輪調研中請受訪者回答他們認為中國現在的復工率大概在什么水平。第二輪大家回答的復工率均值約為42.6%，第三輪的均值是47.0%。

　　我們在模型里加入個人回答的復工率水平，發現個人認為的復工率水平的變化和其GDP增長預期的調整之間沒有顯著關系。

　　在模型中同時放入個人所認為的復工率水平和當地的新增病例數量后，我們發現的新增病例和GDP增長率預測調整之間的因果關系仍然存在，復工率和GDP增長預期的調整之間依舊沒有顯著關系。

　　這初步表明，疫情期間復工率的回升對公眾經濟預期的作用有限。當然，個人對于復工率水平的調整本身也可能受疫情影響，所以上述結果尚不足以建立復工率和GDP增長預期調整之間的因果關系。

    為了解決這個問題，我們在第三輪調研中利用隨機對照試驗(Randomized Controlled Trials)為受訪者提供不同版本的復工率信息。清華同衡城士科技和清華大學信息技術研究院利用“網格+大數據+AI”技術，每天統計各城市“商業辦公區域人口活躍度”。

　　該指標反映了63個主要城市(湖北省城市除外)前十大商業辦公區當天的活躍人口數與相同區域2019年9月至11月間平均活躍人口數的比率，可以近似理解為該城市當天主要商業辦公區的復工率。我們將受訪者隨機分為五組。

　　在T0組(基準組)，我們給受訪者提供由此方法計算的全國在3月11日(第三輪調查之前的一天)的平均復工率(65.6%)。

　　在T1-T4組，我們除了T0組的信息，還給受訪者提供一些額外的信息：

　　? T1組還會知道這63個城市里復工率最高的城市達到80.7%；

　　? T2組會知道這63個城市里復工率最低的城市達到47.7%；

　　? T3組會知道北京市的復工率為62.2%；

　　? T4組會知道受訪者所在的省會城市復工率。

　　五個組別的劃分由電腦隨機數決定。受訪者在看完信息后可以修改他們對于經濟指標的預測。修改后的預測將取代修改前的預測參與抽獎。

　　下圖顯示了五組受訪者對于中國2020年一季度GDP增長率的第一次和第二次的預測結果。

　　我們利用計量模型進行分析，得到以下發現。首先，受訪者自己估計的全國復工率與我們提供的平均復工率之間的差值對于其預測修改沒有顯著影響。其次，這五組受訪者在拿到不同信息后對于GDP增長率的修改也沒有顯著差異。

　　也就是說，受訪者并不會基于復工率來更新自己對于GDP增長率的預測，而且這個結論對于所有的五個組都是成立的。所以，我們的隨機對照試驗說明，復工率水平，以及不同的提供復工率水平的方式，都不會導致受訪者基于此來更新自己對于GDP增長率的預測。

　　我們的研究希望向各國決策者們傳遞一個樸素的道理：在疫情蔓延之時，“抗疫成功”比“維持開工”更有助于重塑經濟信心！或者套用一句老話：存人失地，人地皆存；存地失人，人地皆失。

　　希望全球的新冠疫情可以早日得到控制！

文章轉自香樟經濟學術圈，2020年4月2日

原題為“研究｜新冠來襲，應該先抗疫，還是保開工？”