疫情影响研究的分析思路解析

疫情影响研究关注的是疫情本身及其防控举措对于社会经济发展多元主体和多层维度的影响，作为一种影响评估（impact evaluation）的实践，其结果能够为政策制定提供有力的证据，并能够强化问责和资源配置，指导项目设计和政策决策（Gertler P J，Martinez S，Premand P，et al.，2016：3-4）。疫情影响研究具有突出的经验分析或实证分析的特点，虽然疫情影响的复杂性导致因变量存在多样性，如经济增长、公众认知、政府绩效等，不同学科背景的研究者有着不同的感知，但研究存在明确的自变量，即疫情及其防控举措。

疫情影响研究包含影响评价实践中的三类问题，即描述性问题、规范性问题、因果和效果问题（Gertler P J，Martinez S，Premand P，et al.，2016：7），其与描述性和解释性两种研究路径形成对应。前两个问题对应描述性研究，关注特定维度变量在干预开始时间节点后的变化和趋势，虽然研究中并不一定明确出现对照组，但由于所描述的因变量存在情景限定，在进行分析和判断时依然会涉及与特定维度变量的通常认知；后一个问题对应解释性研究，聚焦于自变量与因变量之间的关系，关注疫情及其防控举措对特定维度变量的因果关系，通过寻找合理可靠的对照组并且进行事实和反事实的比较，包括“有—无”比较和“前—后”比较，得出相对可靠的影响程度（Khandker S，B.Koolwal G，Samad H，2009：22-25）。

图1展示了疫情影响的两种假定情况及对应的分析路径，其中Y为研究所关注的特定疫情影响维度，t1为疫情爆发及防控开始的时间节点，t2为研究观测的时间节点。在“（1）正向影响”中，描述路径聚焦于阐述因变量在疫情阶段的变化，即t1至t2阶段中Y1至Y3的变化；解释路径聚焦于因变量疫情阶段的事实状态与该阶段中假定无疫情的反事实状态的差异，即Y3-Y2的数值。在“（2）负向影响”中，疫情的负向影响存在两种可能：一类负向影响程度相对较低，对应于直线I，其中描述路径聚焦于t1至t2阶段中Y1至Y2的变化，解释路径聚焦于Y3-Y2的数值，即反事实结果与事实结果的差距；另一类负向影响程度相对较大，对应于直线II，其中描述路径聚焦于t1至t2阶段中Y1至Y4的变化，解释路径聚焦于Y3-Y4的数值。

图1　疫情影响图例

在具体研究中，数据资料是疫情影响研究的基础，其类型对分析思路具有决定性影响。定性数据和定量数据均能够展现影响程度并提供证据支撑，两者各有优劣并且具有在分析中的互补性（Khandker S，B.Koolwal G，Samad H，2009：18-19；Gertler P J，Martinez S，Premand P，et al.，2016：8）。定性方法和定量方法及其两者混合在影响评估均有所使用，而量和质两种取向的研究在本质上均有趋同性（陈向明，2000：465-469）。虽然疫情影响研究不需要拘泥于数据类型，尤其在相关数据相对有限的当下，但仍然有必要关注数据质量。数据质量是研究结果有效的保障，提升数据质量首先需要关注数据产生的过程（加里·金、罗伯特·基偶汉、悉尼·维巴，2014：21）。影响评估研究需要收集结果数据、中间结果数据、过程数据等多类数据，要求通过保证数据来源有效性等方式在数据收集阶段保证数据质量（Gertler P J，Martinez S，Premand P，et al.，2016：291-293）。除了传统的实地调查、文献资料等方法，大数据、人工智能等新型技术的发展也提供了新的数据收集渠道，除记录数据之外，也能够“创造”出新的数据。以大数据技术为例，借助产生和记录于互联网的大规模、多元化、复杂、长期的分布式数据集合，大数据技术将人类活动进行解析、描述和量化，甚至进行预测和控制，对社会科学研究具有重大影响（刘林平、蒋和超、李潇晓，2016；罗小燕、黄欣荣，2017）。大数据的出现一定程度上克服了传统数据收集方法所存在的观察渗透等障碍，突破了有限数据的质量问题，并且扩展了分析技术的有效性，使得社会科学研究能够更好地实现“预测”的目标（米加宁、章昌平、李大宇，2018）。

综上，疫情影响研究的分析思路可以从资料数据和分析路径两个维度进行划分，共包含4种，具体如表1所示。其中，资料数据指用于分析疫情影响的基本材料，包括但不限于统计数据、访谈记录、政策文本、专家评价、新闻报道等，可以划分为事实数据和推演数据两类，前者指反应现实情况的数据，后者为基于现实情况推演得到的数据；分析路径指对于疫情影响资料数据的处理思路以及分析结果的呈现方式，可以划分为描述路径和解释路径，前者聚焦于疫情阶段内特定维度的状态及变化，后者聚焦于特定维度在不同对象群组或疫情前后的差异水平。

表1　疫情影响研究分析思路的分类(www.xing528.com)

根据“数据—路径”分类，四类分析思路具有不同的特征，适合于不同问题的研究。

（1）“现状解析”是基于事实数据的描述路径，指通过挖掘事实数据资料，基于量化或质性的方式描述出特定维度在特定阶段中的状态，以呈现疫情的影响。该思路适合于利用已有的资料或特殊调查的资料，包括实验室实验数据、描述疫情及防控对策特定维度的数据变化程度，如企业生存、居民生活、政府行为等。例如，国家统计局企业调查总队（2003）以233个城市的2 845位居民和1 321家企业为样本，展现了“非典”对生产和生活的影响（国家统计局企业调查总队，2003）。时勘、范红霞、贾建民等（2003）基于全国17个城市的4 231名市民的问卷调查结果，展现了民众对SARS对信息的风险认知和心理行为。王健和韩康（2003）基于自身判断，阐述了“非典”对经济增长、就业、物价、国际收支的消极影响。耿曙和胡玉松（2011）展示了上海基层社区的“抗非”过程，并基于此分析了突发事件中的国家—社会关系。

（2）“趋势预判”是基于推演数据的描述路径，指基于既定的事实数据，通过模型拟合、专家判断等方式，得到特定维度的未来发展趋势，以呈现疫情对特定维度变化的影响。该思路适用于宏观层面的研究，判断疫情下特定社会维度的发展态势，如疫情对经济增长、股市波动、行业发展等，在微观个体层面的适用性较低。例如，吕本富和佟仁城（2003）通过建立行业交易周期、行业消费决策周期和行业交易转移指数模型，并基于SARS对各行业运行的影响机理，推导出SARS对各行业的伤害程度。胡罡和欧阳文和（2003）梳理了中国经济发展的现实情况，基于经验给出了SARS对中国经济影响的预测判断。

（3）“干预实验”是基于事实数据的对比路径，通过寻找或设置对照群组，形成多组或前后的对比，以差异表现疫情影响的程度。可以将疫情看成对各个领域的一种外生冲击，尤其是在全国“一盘棋”的严厉防控举措下，通过疫情“前—后”对比的思路，较好地可以识别疫情影响的净效应。该思路的使用范围较广，且获得的结果有效性更强，但在实际操作中受到数据有限性的约束较强。例如，王天荆和吴业军（2004）、栾惠德（2009）采用时间序列数据，分别探讨了SARS对深证成指数和旅游业发展的影响。Agüero和Beleche（2017）采用DID方法分析了2009年H1N1对墨西哥健康行为的影响，综合应用了“前—后”和“有—无”对比的思路。

（4）“模拟仿真”是以现实情况为基础构建虚拟环境，借助计算机仿真技术来研究特定事务之间的内在关系，通过引入和调整系统参数和初始条件，不断重复运行模拟仿真模型，并对比相关结果，以此展现疫情的影响。该方式能够适用于大部分内容的研究，但其准确性受到数据和技术的约束较大。例如，南开大学SARS对经济影响研究课题组（2003）基于投入产出模型，设计了124个产业部门包括居民消费、政府消费和出口三类需求的模拟方案，设定差异化的SARS冲击，得到了对各行业的乐观估计、中间估计、悲观估计三个模拟结果。陈之强和马祖军（2011）构建了重大传染病的扩散模型，并基于系统动力学仿真比较分析了差异化防控情形下的系统演化结果，并归纳其发展规律。