公共卫生事件的长期经济影响评估

薛熠　王若翰

摘要：以大型传染病为代表的公共卫生事件不仅在短期冲击总需求，还可能对宏观经济长期发展产生深远影响。本文基于2003年SARS全球性爆发这一公共卫生事件，使用1994-2016年中国地级市数据和Carvalho et al.（2018）的人工反事实 （Artificial counterfactual， ArCo）方法，估计了我国三个主要城市——广州、北京、香港受卫生事件冲击的动态因果效应。本文发现，公共卫生事件对三市GDP增长有显著长期负面影响，对固定资产投资、居民消费、房地产投资、吸引外资、贸易的影响程度存在一定差异。本文从生产率（TFP）损失角度探究了外生事件对经济有长期负面影响的可能机制，并使用上海做进一步安慰剂检验。本文的发现表明公共卫生事件需引起高度重视，为避免生产率下降带来的长期经济损失，政策实施应重视降低资源错配，提高企业创新活力。

关键词：非典（SARS）;公共卫生事件;经济效应评估;因果影响

一、引 言

2003 年初，SARS在中国广东爆发并迅速向全国和全球蔓延，直至2003年6月末，SARS已传播到32个国家和地区，造成8000多例感染和800多例死亡。受SARS蔓延影响，包括香港、广东、北京、天津在内的中国12个省市/地区被世界卫生组织（以下称WHO）列入感染区或旅游警告区清单见WHO公布的SARS旅行建议和局部传播年表https：//www.who.int/csr/don/2003_07_01/en/。。100 多个国家取消了对中国出入境旅游的相关业务，国内交通、旅游、零售等服务需求下降。根据Hai et al.（2004）估算，到2003年底，中国旅游业的损失达到168亿美元，来自外国人的旅游收入将比2002年少50%-60%（约108亿美元），来自国内游客的收入将减少10%（约60亿美元）。2003年4月举行的广交会出口成交额也只有33.12亿美元，远远低于2002年同期的168亿美元（李正全，2003）。

以大型传染病爆发为代表的公共卫生事件会对经济产生持续性影响吗？大量研究证实以降低人员流动、封锁公共社区和交通为主要应对措施的公共卫生事件会产生强烈的短期冲击，但与地震、火灾等灾难性事件相比，公共卫生事件并没有直接破坏基础设施、土地等生产要素，其是否对一个城市发展潜能产生长期影响的结论并不明显。公共卫生事件具有短期效应意味着外生冲击只在较短时间内影响总需求，随着相关防疫措施生效，人员复工复岗，其影响可以被经济秩序恢复快速修正。而长期效应意味着传染病爆发会从经济结构、社会基础、人群共识上造成根本性的影响，甚至在长期内都不能被经济体自我修复。在Ambrus et al.（2020）关于19世纪伦敦霍乱长期效应的研究中发现，在传染病爆发后十年甚至之后的一个世纪里，感染区内外房价差异持续存在并扩大，相当程度地影响了居民贫困程度的空间分布。Almond（2006） 研究了1918年秋季流感大流行时期出生的婴儿情况，发现他们与其他婴儿相比在成长过程中受到更少的教育、身体残疾率更高、收入更低、社会经济地位低、成人加速死亡率更高。

基于此，本文以SARS时期三个主要感染城市广州、北京、香港为对象，以WHO宣布公共卫生事件为外生冲击，评估经济体总产出、消费、投资、吸引外资、贸易等关键经济活动受卫生事件冲击的因果效应。由于SARS时期全国只有少数省市感染严重，且城市之间感染冲击存在较强异质性，难以找到与处理组城市特征相似的潜在对照组，传统面板模型难以获得有效估计。本文采用的Carvalho et al.（2018）的人工反事实 （Artificial counterfactural， ArCo） 框架，基于Hsiao et al.（2012）的面板数据方法，特别适用于处理宏观效应评估中处理组单元唯一，而缺少天然对照组的问題，且在计量估计上更为有效。ArCo方法的基本思想是基于信息准则选出最能准确拟合处理组单元的预测模型，再基于预测模型给出事件后反事实（预测值），反事实与实际观测值之差即为因果效应。

本文发现：首先SARS对广州、北京、香港三市的长期实际经济增长具有显著的负面影响。2004-2016年GDP实际增速平均下滑了7.85%、15.83%、3.62%。广州作为SARS主要发源地，固定资产投资、房地产投资、外国直接投资、贸易均受到显著负面冲击，2004-2016年平均增速下滑6%-10%;北京受SARS冲击最为严重，平均来看，2004-2016年间北京固定投资、外国直接投资、贸易增速下降超15%，消费增速下滑超4%，房地产投资增速下降超7%;香港整体经济活动受到冲击较为温和，但吸引外资与贸易受到严重冲击，2004-2016年平均增幅分别下滑9.82%和17.55%，下滑幅度较大。为进一步验证主要城市经济活动下滑确实由SARS冲击产生的，我们以未受到WHO警告的上海市做安慰剂检验。研究发现，同样是人口密集的上海市，GDP、投资、消费、贸易等经济增长表现与预测值无明显差异，上海并未受到卫生事件冲击的显著影响。

本文进一步从生产效率角度探究了公共卫生事件长期经济影响的潜在机制。我们发现，SARS卫生事件后，广州、北京、香港三市以索罗剩余衡量的生产率增长显著下降，降幅分别达到6.47%、8.11%和8.2%，其中香港生产率增速下降持续8年。我们认为公共卫生事件导致企业生产率下降的机制主要来自两个方面：资源错配和中小企业活力下降。首先，公共安全事件提高了社会群体对大型传染病爆发这种系统性黑天鹅事件的认识，社会风险厌恶提高，这种结构性社会群体风险上升引发大量资源跨地区跨部门转移，导致的资源错配成本难以估计。尤其是在政府和金融部门出台多项宽松财政、货币政策下，保障措施的低效分配进一步加剧资源错配。其次，由于防控措施实施，主要经济活动基本暂停，这对集中于服务业的中小企业带来的生存挑战尤为显著。当前，中小企业贡献我国50%以上的税收、60%以上的GDP、70%以上的技术创新成果，为80%以上的城镇劳动力提供就业岗位。在面临刚性用工成本和市场需求不足双重困境下，中小企业大规模停摆和创新活动下滑必然影响到宏观经济的效率运行。为应对公共卫生事件可能带来的持续性经济影响，我们认为保障措施实施不仅要积极有效，更要高度重视企业生产效率恢复。一方面，提高财政货币政策透明度，充分发挥政策的支持和引导作用，提高公众对突发卫生事件的认识，以降低公众恐慌和非理性投机行为;另一方面，增强对中小企业支持力度和政策落地有效性，提高中小企业生存率，降低全城范围的失业风险，保护社会创新活力。

三、模型设定和数据来源

（一）模型设定

Carvalho et al.（2018）的ArCo方法提供了丰富且灵活的模型用于拟合外生冲击对处理组单元动态因果效应实证工具和代码参考Fonseca et al.（2018）。。本文分别以广州、北京、香港三市为处理组城市，基于模型预测与实际观测差异，评估公共卫生事件对处理组城市的长期因影响。模型估计分为两步：第一步，使用非处理组数据和线性模型筛选出最能拟合处理组城市的预测模型。第二步，基于预测模型构建处理组城市经济变量反事实，进而评估事件处理的因果效应。

（二）数据来源

为了应用ArCo框架，我们需要一个包含处理城市和潜在对照组的面板数据。本文使用的内地数据来自中经网统计数据库，时间跨度为1994-2016年，变量包括中国内地287个市辖区的国内生产总值、固定资产投资、消费品零售、房地产开发投资、外商直接投资实际投资、贸易总额。其中外商直接投资实际投资、贸易总额以现价美元计价，其他变量以现价人民币计价。香港相关数据来自世界银行WDI数据库由于数据限制，本文以WDI数据库提供的房地产销售额、最终消费品作为香港房地产开发投资、零售消费品替代指标。，变量均以现价美元计价。为了便于对广州、北京、香港三市的横向比较，本文使用国际清算银行（BIS）提供的美元汇率统一货币单位，再分别用GDP平减指数和CPI对数据进行剔除通货膨胀处理，获得原始变量的人民币实际值GDP平减指数和CPI来自CEIC数据库。我们同样使用了名义人民币数据对文章结论进行稳健性检验。。

ArCo方法要求数据趋势平稳，本文使用变量的1阶对数增长率进行因果效应估计。变量定义见表1。为使每个时间序列有较大截面用于模型估计，最终截取国内生产总值增长率（GDP）、固定资产投资增长率（Investment）的时间跨度为1995-2016年;消费品零售（Consumption）、房地产开发投资增长率（House）、外商直接投资实际投资增长率（FDI）、贸易总额增长率（Trade）的时间跨度为1997-2016年。

我们选择地级市作为研究对象。一方面是因为WHO定义感染区以“省、市”为单位。以地级市为统计单元，可以很好地分离处理组和控制组。另一方面，地级市将一个城市及周边地区合并成一个统一的管辖权，是一个比通常意义上中心城市更大的统计单元。Ke et al.（2017）指出，在较低空间维度下使用聚合（如总量）数据来估计因果效应将不可避免地引入个体间的相互作用。根据这个想法，我们选择了在中国地级市层面数据，以最小化观测之间的联系或相互作用。

（三）处理组与对照组选择

本文选择广州、北京、香港作为处理组单元，分别评估三个城市GDP、消费、投资、贸易等经济活动受卫生事件的影响。其中，广州为SARS病例首个报告区，香港和北京分别为死亡人数最多和确诊人数最多地区截至2003年 4月 7日广东省确诊1520人，死亡58人;香港确诊1755人，死亡298人;北京确诊2772人，死亡192人。信息自WHO网站：https：//www.who.int/csr/don/2003_07_01/en/。。

ArCo框架下对照组的选取需满足2个要求：（1） 对照组应是处理组单元良好的预测指标。（2） 外生事件对照组单元的处理效应是外生的，即对照组城市经济变化应独立于外生事件冲击。通常地理距离接近的城市劳动力、生产关系更为紧密，经济有更强的经济协同性，因而经济相关的周边城市可以成为估计处理效应的良好对照组。但是地理位置接近的城市可能由于更高感染率，自发减少消费、生产等经济活动，引入内生性问题。本文选择处理组相邻省份的城市作为潜在对照组选择香港和北京的潜在对照组时直接选取临近省份的城市。，以剔除事件冲击的内生影响。这样，我们假设公共卫生事件只在省级层面影响到城市的经济发展，估计得到的处理效应为局部的。此外，由于SARS期间WHO还将山西、河北、天津、内蒙古等地设为感染或旅游警告区，在对照组城市选择时，我们同时排除掉这些省份城市。

最终，我们用广西、福建、湖南、江西的20个地级市作为估计广州反事实的潜在对照组;用江西、湖南、福建三省的20个地级市作为香港的潜在对照组;用辽宁、山东的20个地级市作为北京的潜在对照组。在PDA模型框架下，为了获得最佳预测因子，可能会选择偏远城市作为因果效应估计的对照组，而ArCo方法允许灵活的估计函数，仅使用临近城市数据就能较好平衡事件前的拟合优度和事件后的预测精度。

表2列出了对照组与处理组城市实际增长变量描述性统计。平均来看，广州、北京在1995-2016年都维持了较高的经济增速，平均实际GDP增长率分别达11.6%、11.4%，两市固定资产投资、消费、房地产投资平均增速都维持在10%左右。有趣的是，北京作为非外向型经济城市吸引外资增速达到8.9%，超过广州的3.3%，虽然波动幅度较大，仍显现出北京作为首都城市的外资吸引力。相比之下，香港经济发展略显滞后，在1995-2016年平均实际GDP增速仅为0.4%，消费、房地产投资增速仅为2%，固定资产甚至出现负增长。吸引外资与贸易也都不及首都城市，增速分别在7.7%和1.9%。上海作为全国经济中心，GDP、消费、投资等经济指标增长都较为强劲，除吸引外资以外，平均增速都超过10%，吸引外资增速达8.5%。表2最后一组列示了广州、北京、香港、上海的所有潜在对照组城市的描述性统计，可以看到在未受事件冲击条件下，对照组城市的经济也较为强劲，GDP、消费、固定资产投资、房地产投资、贸易总额增速均超10%，吸引外资增速达到8.5%，贸易平均增速达到10.5%。

四、公共卫生事件长期经济效应

（一）事件冲击的平均处理效应

应用ArCo方法，我們分别对广州、北京、香港的经济增长指标（GDP、Investment、Consumption、House、FDI、Trade） 进行反事实估计。表3报告了三地GDP及相关增长指标的实际值和预测值（反事实），同时列示了模型估计的平均处理效应ATE、95%置信区间以及p值。

首先，从经济总量（GDP）来看，广州、北京、香港三地都受到了SARS事件的负面冲击使用名义数据估计得到的主要结论不变。。表2第4列汇报了2003-2016年广州、北京、香港实际经济变量增速相较于预测值的平均处理效应。可以看出三市在事件冲击后GDP增长均显著下降：广州实际GDP增速在5%显著水平下降7.85%、北京和香港实际GDP增速分别在10%和1%显著水平下降15.85%和3.62%。具体地，根据广西、湖南、江西、福建4省对照组城市预测的广州在2004-2016年GDP增速应为17.29%，而实际增速为10.26%，下降幅度约为7%;由湖南、江西、福建3省20个城市预测的香港GDP增速应为4.15%，而实际增速为0.53%，下降幅度约为3.5%;由辽宁、山东两省20个城市预测的北京GDP增速应为26.72%，而实际增速为10.88%，下降幅度约为16%。我们的结果与 Hai et al.（2004）基于“非典”事件研究的结果具有一致性。Hai et al.（2004）估计，2003年SARS通过乘数效应给中国经济造成253亿美元损失，国内生产总值的增长率比没有发生SARS时低12个百分点。

其次，从增长驱动因素来看，三市的消费、投资、贸易等经济活动都在一定程度上受到事件冲击的负面影响，但具体影响方面存在差异。从表2第4列平均处理效应看，广州固定资产投资、房地产投资、外商直接投资、贸易均受到SARS卫生事件显著的负面冲击，实际增速相较于预测值分别下滑9.18%、7.73%、7.22%、6.23%，居民消费未受到显著影响。广州在SARS爆发后，吸引外资能力与对外贸易都到较强冲击，95%置信区间上界均低于0，平均实际增速相较于模型预测分别下滑7.72%和6.23%。相比之下，北京对外贸易受影响程度较轻，但是吸引外资能力受到严重削弱。相较于模型预测，北京实际FDI平均增速下降27.83%。香港的吸引外资与对外贸易均受到严重冲击，实际值相较于理论预测值下滑9.82%和17.55%，但是消费、固定投资、房地产投资并未受到显著影响。

整体而言，本文结果能较强反映出SARS对三市经济带来的实际影响。尽管在2003年非典病例首先出现在广州地区，但随着人员流动和病毒蔓延，北京最后成为SARS爆发重镇，成为感染人数最多地区，且处于政治安全考慮，卫生安全管制更加严格，其经济活动被压缩的程度最深。而北京作为非典型外向型城市，增长驱动较强程度依靠消费、实体投资与吸引外资投资，对外贸易对其增长贡献有限，SARS卫生事件并未对其造成强烈冲击。而广州和香港均为大型外向型城市，对外经济往来活跃。处于对感染的担忧，国外投资者或降低对两市经济前景预期，暂停既有订单并减少新增订单，两市商品与服务进出口贸易下降，国外直接投资减少。

（二）处理效应时间趋势

由上文知SARS卫生事件对广州、北京、香港三市GDP增长都具有显著负面影响但对增长因素的冲击存在异质性。为考察公共卫生事件对三地经济发展的动态影响及长期效应，我们根据ArCo拟合数据和预测结果，绘制时间序列，作进一步分析。

1. 广州处理效应时间趋势

从图1分别汇报了广州市GDP、固定资产、消费、房地产投资、吸引国外直接投资、贸易总额增速的ArCo估计、预测和实际观测序列。在每个子图中， 我们用黑色实线表示全样本期内实际观测序列，用圆圈标记公共卫生事件（2003年）前使用对照组城市数据和预测模型估计得到的拟合值，用黑色虚线标记事件后（2003-2016年）基于模型得到的预测值，即反事实。从拟合情况看，选定的潜在对照组能够很好地拟合广州GDP及其他增长走势，表明我们基于LASSO估计的线性期望模型具有良好的拟合精度。

总体上，公共卫生事件不仅在短期对广州经济具有负面影响，长期来看也具有显著的负面效应。图1（a）显示，2006年以前，广州GDP实际增速明显低于周边城市估计的预测值，在2003-2004年、2004-2005年和2005-2006年三个时间区间内，广州实际GDP增速为12.43%、10.57%、18.91%，显著低于模型预测的29.15%、29.82%、43.73%。尽管之后，广州实际GDP增速与预测值两者存在交叠，实际GDP增速有反超趋势，但在近年差距逐渐扩大。图1（b）（d）显示 WHO事件对广州固定资产投资的影响持续至2010年，对房地产投资的影响持续至2013年。根据模型预测，2003-2010年广州固定资产投资增速应为23.24%，而实际平均增速仅为11.92%，远低于模型预测。2003-2013年广州房地产投资增速相较预测值也大幅下滑，实际增速仅为6.9%，远低于模型预测的17.02%。图1（c）显示的广州消费品零售未受到卫生事件显著冲击。图1（e）显示广州吸引外资活动在卫生事件冲击后两年受到影响尤为明显，2004年广州吸引外资实际增速降为负值，仅为-11.13%，而模型预测为49.35%。在2005年之后，广州吸引外资实际增速与预测值持续交叠，波动更为平缓，表明广州作为经济中心城市在吸引外资方面抗风险能力强，对于带动周边城市吸引外资发展具有平滑缓冲作用。广州外贸活动也具有类似表现，图1（f）显示，广州贸易活动增长受到SARS卫生事件持续的负面影响，在金融危机前，即2004-2009时间段，广州贸易总额平均实际增速为11.6%，远低于模型预测值为20.29%。2010年后，广州贸易总额实际值与模型预测值差距再次拉大，直至2015年再度有所收敛。

2. 北京处理效应时间趋势

图2汇报了北京GDP及相关增长指标的观测值、拟合值、反事实的运动表现，可以看出，事件前拟合值基本与观测重合，模型拟合良好。而在事件冲击后，我们发现虽然北京经济增速同样受到SARS卫生事件的负面冲击，但整体表现与广州有一定差异。

从图2（a）北京GDP增速来看，公共卫生事件对北京经济增速的抑制作用主要在2006年以后——在SARS爆发后两年，北京GDP增速并未受到严重冲击，但随着时间推移，实际GDP增速逐渐下滑。2006-2015年间，北京GDP实际增速为11.5%，模型预测值为20.58%。与广州情形类似，我们同样看到北京GDP波动相较于周边城市估计得到的预测值更为平稳。图2（b）（d）显示，北京固定资产投资和房地产投资均在较长时间里受卫生事件的持续冲击。2003-2008年北京固定资产投资平均增速约为9%，远低于模型预测的29.31%，尽管2008-2009年期间有所震荡，2009年之后实际投资与预测值差距扩大，持续至2016年。类似地， 北京房地产投资在金融危机后出现较强波动。2003-2008年北京房地产投资增速平均为8%，随着2009年央行四万亿刺激计划出台，北京房地产投资增幅出现较大增长，在2009年达到20.7%，超过同期模型预测值9%。图2（d）可以看出，2009年后，北京房地产实际投资走势整体引领预测值波动，实际增速的下滑和上涨均先于周边城市估计的模型预测值，证实了北京作为中心城市，其房地产市场对于辐射地区房地产的引领作用。在吸引外资方面（图2（e）），北京受SARS卫生事件影响明显，尤其体现在事件后两年吸引外资增速骤减上。在2003-2004年北京吸引国外直接投资平均增速降为-28.3%，而根据辽宁、山东两省房地产增速估计得到的应为39.88%。在事件冲击后十余年中，北京吸引外资增速持续低于模型预测值，并在2016年逐渐收敛，表明公共卫生事件对北京吸引外资具有长期负面影响。此外，图3（f）显示尽管北京的实际进出口总额与模型预测有一定差异，但整体来看，北京贸易活动并未受到卫生事件的显著影响，这与北京非外向型经济相一致。

3. 香港地区处理效应时间趋势

图3报告了香港地区GDP及相关增长指标的观测值、拟合值、预测值序列。可以看出，香港地区经济增速放缓主要由于SARS卫生事件导致的相关吸引外资下滑与进出口贸易活动下降，这与广州表现相一致。但与广州不同的是，香港消费、固定资产投资、房地产投资等内需活动并未受到强烈冲击。图3（a）显示香港GDP在SARS卫生事件爆发后早期受到较明显抑制，但抑制是持续期较短，尤其在2008年金融危机后，实际增速与预测值差距逐渐缩小出现相互交错。2003-2008年香港GDP实际平均增速约为-0.75%，低于预测的9.04%。可以看到2008年以后香港GDP实际增速与预测增速逐渐差距缩小直至无明显差距。图3（b）（c）（d）显示香港固定资产投资、消费、房地产投资增长序列与模型预测无明显差异。从时序上看，香港固定资产投资虽然在事件后最初两年实际增长速度低于预测值，但随时间推移，并未表现出明显削弱，且相较于周边城市估计增长，波动更为平缓。而香港的消费、房地产投资甚至在早期略高于模型预测，表明香港的内需型经济活动并未受到事件的显著影响。但是在吸引外资投资和贸易等外向型经济活动方面（图3（e）（f）），SARS卫生事件给香港造成长期、持续性的负面冲击。根据ArCo模型，香港2003-2016年吸引外资的预测增速为3.78%，而实际增速仅为-0.06%;商品与服务进出口总额预测增速为19%，而实际增速仅为2.21%。尽管卫生事件冲击后，香港维持正的贸易增长，但仍远不及基于周边城市给出的模型预测。

（三） 安慰剂（Placebo）检验——以上海为例

为进一步说明SARS卫生事件确实对当地经济具有因果效应，我们进一步以上海市作为处理组进行安慰剂检验。上海在经济发展、人口密集度等方面与广州、香港、北京三地具有相似特征，但由于應对及时并未被WHO列入感染区清单。这为我们分析SARS公共卫生事件是否确实造成城市经济下滑提供了很好的安慰剂检验场景。

我们用上海周边三省江苏、浙江、江西的20个城市GDP及相关增长指标拟合上海2003年以前数据，进而预测了事件后上海经济增长表现。拟合值、预测值、处理效应均值、95%置信区间以及p值列示在表4中。可以看出，在SARS卫生事件后，上海GDP增长、固定投资增长、零售消费品增长、房地产投资增长、吸引外资投资增长、贸易总额增长的长期均值并未受到明显影响，处理效应p值均在0.1以上。

图4进一步展示了SARS卫生事件对上海各项经济指标的动态影响。可以看出估计模型能够很好拟合事件前香港GDP、投资消费等经济表现，而从2013年之后的预测值与实际值的差距来看，SARS卫生事件无论是在短期还是长期对上海都没有显著影响。随时间推移，根据上海周边20城市GDP增长估计得到的预测值与上海实际GDP增长表现保持较一致的协同运动关系。从增长驱动因素看，在图4（b）（c）（f）中，上海的实际固定资产投资、消费以及对外贸易实际增长也与模型预测值差异较小，且保持一致运动关系，而在房地产投资与吸引国外投资方面，则有一定波动图4（d）（e）。综上，Placebo检验结果表明本文主要结果不完全是由时间、所选择的建模方式等因素驱动的，而是事件本身导致的因果效应。

五、长期影响机制

（一）生产效率机制

前文结果显示SARS这类大型传染病不仅在短期内造成经济增速下滑，而且会在长期拖累经济增长。经济长期低于潜在增长水平，表明公共卫生事件产生的负面冲击可能已经超过了经济的自我修复能力，经济效率出现持续性下滑。在本节，我们从生产率损失这个角度，研究SARS卫生事件对经济的长期负面影响的潜在机制。

我们使用索洛余值作为生产效率测度指标，间接验证公共卫生事件确实对经济的长期增长潜能产生影响。我们首先基于C-D（Cobb-Douglas）生产函数的索洛（Solow）余值来计算各地级市的生产率增长率，然后应用ArCo方法对广州、北京、香港TFP增长率进行因果效应检验，探讨卫生事件对生产效率的动态影响，之后以上海为处理组进行安慰剂检验。

其中 a 为广义生产效率平均增长速度 （TFP）; y 为产出的年平均增长速度; k 为资金的年平均增长速度;l为劳动的年平均增长速度。根据式（6），我们使用OLS回归模型分别估计了样本内每个城市的索洛余值增长率ai（i=1..N），得到各个城市的生产率增长率测度。我们使用GDP对数增长率为y的测度指标，固定资产投资对数增长率为k的测度指标，城镇劳动力人数对数增长率为l的测度指标。基于ArCo方法，我们得到了公共卫生事件对广州、北京、香港三市生产率影响的动态和长期因果效应。类似地，以上海为安慰剂检验处理组。

表5显示三市生产率增长均受到SARS卫生事件的显著负面影响，2003-2016年广州和北京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%置信水平上显著。结合三市GDP增速下滑结果来看，广州、北京由于生产效率损失（TFP）导致的经济损失比重较低，而香港TFP增速下滑程度超过了GDP，表明香港经济增长损失很大程度来源于经济效率的下降。相较之下，上海TFP增速未受到时间的显著冲击，因果效应检验p值高于0.1。

参考文献：

[1] 董晓松，2016：《重大自然灾害应急指挥协调机制构建》，《理论与改革》。[Dong Xiaosong， 2016， Construction of Emergency Command and Coordination Mechanism for Major Natural Disasters， Theory and Reform， 5.]

[2] 樊纲，2003：《纵论SARS对房地产经济的影响》，《规划师》第S1期。[Fan Gang， 2003， Discussion on the Impact of SARS on Real Estate Economy， Management World， Planners， S1.]

[3] 樊杰，2004：《中小企业技术创新与区域经济发展》，《中国地理学会 2004 年学术年会暨海峡两岸地理学术研讨会论文摘要集》。[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] 韩兆洲，金怀玉，2003：《SARS对中国经济增长影响的統计分析》，《经济前沿》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] 李锋、孙根年，2006：《基于旅游本底线法 （TBLM） 的旅游危机事件研究——以 2003 年 “SARS” 事件为例》，《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 影响国民经济的短期与长期分析》，《经济科学》 第3期。[Li Zhengquan， 2003， Analysis of Short-term and Long-term Impact of SARS on National Economy， Economic Science， 3.]

[7] 吕炜，2003：《后SARS时期：经济影响与政策取向》，《财经问题研究》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：《非典危机启示之一：
应重视行政指导措施在公共危机管理中的适当运用》，《理论与改革》。[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] 聂辉华、贾瑞雪，2011：《中国制造业企业生产率与资源误置》，《世界经济》 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对金融业的冲击路径及其影响初探》，《财经研究》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]张凌云，朱新芝，2010：《社会实验：
旅游业对地区国民经济影响测度的一种简易方法——以 “非典” 时期的北京为例》，《旅游学刊》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

責任编辑 邓 悦