中南财经政法大学研究生学报２０２０年第６期
———基于云南省昆明市的因果推断
官令今
（云南大学 经济学院，云南 昆明 ６５０５０４）
摘要：为量化新冠疫情下产业受到的冲击，选取云南省和昆明市的疫情防控措施作为政策实验或处理变量，尝试解决因此次疫情覆盖面广、持续期长而难以确定实验－对照组和冲击时点的问题。以昆明市批发零售和住宿餐饮业为主要研究对象，采用２０１９年１月至２０２０年５月的２３８个样本组成的面板数据，通过ＰＳＭ和ＤＩＤ两种因果推断方法，估计了云南省级和昆明市级两种风险分级防疫措施对上述产业的冲击。结果表明：ＰＳＭ方法得到的处理效应不显著，而ＤＩＤ的方法则显示，云南省风险分级措施对昆明市批发零售和住宿餐饮业的经营情况产生了显著的负向影响。在对结果进行稳健性检验后，对“后疫情”时期稳定和推动批发零售和住宿餐饮业的发展提出了可供参考的政策建议。
关键词：新冠疫情；批发零售业；住宿餐饮业；防控措施；因果推断
２０１９年１２月爆发的新冠疫情从武汉开始快速蔓延至全国。２０２０年１月，国家卫健委开始部署疫情防控工作，随后的一系列限制性疫情防控措施，虽有效地控制了国内疫情的快速蔓延，但也给经济市场带来了很多负面影响。由于民众在疫情防控期间居家隔离，人口流动和市场参与受到了很大限制，批发零售和住宿餐饮等需要频繁现金流维持的行业将会在短期内面临较大的现金流亏空，进而受到较大的冲击。
昆明市是云南省省会城市，其生产总值和财政收入都居云南省中心地位，对云南省经济状况具有代表性意义。批发零售和住宿餐饮业在昆明市产业结构中占据了重要地位。根据２０１９年《昆明统计年鉴》，从三次产业划分角度来看，昆明市批发零售业生产总值占整个昆明市第三产业生产总值的２０．８２％；从消费支出角度来看，昆明市城镇居民和农村居民在餐饮行业的消费支出分别占其可支配收入的１６．８９％和２０．６１％；昆明市作为云南省旅游的主要集散中心，２０１８年全年接待游客１６０５３．４３万人次，庞大的游客量为昆明市住宿餐饮业提供了广阔的市场，这也是住宿餐饮业在昆明市产业结构中居重要地位的原因。
为响应国家卫健委疫情防控工作安排，２０２０年２月１４日，云南省对辖区内１２９个县（市）区进行了风险分级和认定，将各辖区分为五个风险等级，并对高风险和较高风险地区实行严格的疫情防控措施，包括区域封锁、限制人员进出和聚集、关闭当地公共场所等。昆明市紧随云南省风险分级措施，于２月２０日实行了市一级的风险分级措施，将市辖的７区６县１市分为三个风险等级，低风险
地区全面恢复正常生产生活秩序，中高风险地区则施行严格的防疫管控。这两次风险分级措施都不同程度地涉及到昆明市辖区内的所有县（市）区，并预期会对这些县（市）区内的批发零售和住宿餐饮业带来最为直接的影响。从政策评估的视角以因果推断的方式估计这种影响，有助于量化新冠疫情下产业受到的冲击。
一、文献综述
产业是一个中观层面的经济学概念，向下组织微观层面的生产者和消费者，向上将二者联动产生的经济结 作者简介：官令今（１９９５—），男，云南昆明人，云南大学国民经济学专业２０１９级硕士研究生。
果传递到整个宏观经济。疫情对产业影响的传导也遵循自下而上的路径。盛方富和李志萌（２０２０）认为，随着新冠疫情爆发，感知和受影响最直接的是一个个微观行为主体，人们为防范疫情选择自我隔离，导致社会经济
活动停摆，线下人际交互型消费业务首当其冲受到冲击。
［１］
人们线下经济活动的停顿向上传递，就对消费服务型行业产生了较大的影响。特别是春节假期人气本
应火爆的旅游业、交运行业、餐饮业、零售、电影等行业。根据泽平宏观的估算，７天春节假期全国仅电影票房、餐饮零售、旅游市场三个行业直接经济损失就超过１万亿元。李志萌和盛方富（２０２０）进一步从产业层面和行业层面进行了数据收集和预测，就产业层面而言，第三产业受疫情负面影响最为明显；就行业层面而言，环境敏感型、人集聚型的商业贸易、餐饮、住宿等服务消费领
域会最先遭受冲击。
［２］
然而，现有文献分析疫情对产业的影响，很少从量化的角度来考察疫情对各产业的影响程度。大多文献仅停留在探讨疫情对各产业的影响路径，少数文献通过对统计数据的整理和预测，仅宽泛地描述了疫情对各产业造成的冲击。具体来说，崔凤军（
２０２０）阐述了疫情发生后旅游业和电影业受到的损失，并从文旅产业的敏感性角度来论证文旅产业在疫情下受到的重大影响。［３］
王富增（２０２０），李军和金海（２０２０），钟晓燕（２０２０）从市场供需、产业链、产业政策角度阐述了新冠疫情对蔬菜产业、羊肉产业、游轮产业带来的影响。［４］［５］［６］吴婉宁，车路
（
２０２０）收集了电影业在此次疫情后的票房、销售额、影片质量等数据并与往年进行对比，以阐述疫情对电影产业的影响。
［７］
李俊杰和郭言歌（２０２０）收集了民族地区三次产业及细分行业数据，重点预测了疫情对民族地区三次产业和细分行业带来的影响。［８］
蔡春林和何烨（２０２０）收集了较为全面的广东省旅游业数据，并对疫情下广东省旅游业的发展给出了较为全面的判断和分析。
［９］上述考察疫情对产业冲击的研究至多只停留在描述分析阶段，并没有严格地将这种冲击进行建模与量化。杨霞等（
２０２０）的研究可以在方法上给出一定的启示。杨霞等（２０２０）关注的是新冠疫情这一类重大公共卫生事件对中国保险业的影响。受数据可获得性限制，其研究采用的是２００２－２００３年ＳＡＲＳ疫情下２７７个城市５５４组样本，以ＤＩＤ和ＰＳＭ－ＤＩＤ的方法实证检验了以ＳＡＲＳ为代表的重大公共卫生事件对保险需求的影响。结
果表明，ＳＡＲＳ疫情对人身保险需求和财产保险需求均无显著影响，并给出了分析和解释。［１０］
该研究以２００３年
的ＳＡＲＳ疫情为研究对象，并没有直接对本次新冠疫情进行量化分析。此外，目前的研究大多从新冠疫情的发生这一事件入手，试图辨析其对产业冲击的因果效应。但此次新冠疫情几乎覆盖全国，且持续时间长，因此难以从新冠疫情这一事件本身出发确定实验－
对照组，以及一个可靠的冲击时点。本文试图在两个方面进行突破。首先，借鉴杨霞等（２０２０）的方法，但分别采用ＰＳＭ和ＤＩＤ的建模形式，直接对此次新冠疫情的影响进行建模；其次，为了能得到可识别的实验－对照组，以及确定冲击产生的时点，以疫情防控措施而非疫情本身为处理变量，以防控措施发生时点为冲击时点，以被认定为高风险，进而施行了严格疫情防控措施的区域为实验组，其余为对照组，来解决难以确定实验－对照组和冲击时点的问题。
二、模型与方法
本文分别使用ＰＳＭ和ＤＩＤ两种因果推断的方法，考察新冠疫情防控措施对昆明市批发零售和住宿餐饮业的冲击，目的在于从政策实验的视角，识别云南省级层面和昆明市级层面的两次疫情防控风险分级措施对昆明市批发零售和住宿餐饮业的影响。
（一）ＰＳＭ模型
ＰＳＭ的方法更适用于在截面数据中估计处理效应，或者将面板数据作为截面数据来处理。其本质上是寻与实验组尽可能相似的对照组样本，借助Ｐｒｏｂｉｔ或Ｌｏｇｉｔ的方法，将协变量的信息通过倾向得分（ｐ－ｓｃｏｒｅ）刻画，再根据倾向得分对实验组和对照组进行匹配，最后计算匹配后样本的平均处理效应。其中，处理组的平均处理效应ＡＴＴ的估计值表达为：
ＡＴＴ＾＝１Ｎｔ
∑ｉ：Ｄ＝１（ｙｉ－ｙ＾
０ｉ
）（１）
由于云南省和昆明市在２０２０年２月都采取了疫情风险分级防控措施，故在ＰＳＭ方法中，将这两个风险分级防控措施都视为“一刀切”的政策，即在政策施行后对昆明市辖区内所有的县（市）区都产生了影响，从而将面板数据作为截面数据加以处理。
为了以截面数据的形式应用ＰＳＭ估计疫情防控措施对昆明市批发零售和住宿餐饮业的冲击，将样本
数据按政策发生时点前后分为两组，政策发生前为对照组，政策发生后为实验组。倾向得分采用Ｌｏｇｉｔ模型估计，匹配方法采用常用的卡尺匹配。由于新冠疫情发生至今时间跨度较短，预期样本量较小，故采用“一对四”卡尺匹配，以减小样本量较少对估计结果带来的影响。
（二）ＤＩＤ模型
ＤＩＤ的方法适用于面板数据，主要用于评估政策发生前后的处理效应。该方法的优点是能够避免可能存
在的内生性问题。参考杨霞等（２０２０）的研究，［１０］
设定如下两期ＤＩＤ模型：
Ｙｉｔ＝α０＋α１Ｇｉｔ＋α２Ｄｉｔ＋α３ＧｉｔＤｉｔ＋∑αｊＸｉｔ＋εｉｔ
（２）
其中，Ｙｉｔ为被解释变量，代表昆明市批发零售和住宿餐饮业的经营状况。Ｇｉｔ和Ｄｉｔ
分别为实验分组变量和实验分期变量。由于两次风险分级措施对昆明市辖区都进行了不同的风险等级
划分，进而施行了不同力度的疫情防控政策，因此，以风险分级措施划定的风险等级来区分实验组和对照组变量，就有了可行性。对实验分组变量，Ｇｉｔ＝１，表明该市辖区在疫情风险分级措施中因风险评级较高而受到较为严格的人口出行和流动限制，从而作为实验组；Ｇｉｔ＝０，表明该市辖区风险评级较低而未受到十分严格的限制，从而作为对照组。对实验分期变量，Ｄｉｔ＝１代表２０２０年２月及其之后的数据；Ｄｉｔ＝０代表２０２０年２月之前的数据。此外，Ｘｉｔ为模型协变量，εｉｔ为随机扰动项。据此，ＤＩＤ模型中处理组的平均处理效应ＡＴＴ的估计就可以表达为：
ＡＴＴ＝｛Ｅ（Ｙｉ１│Ｇｉ＝１）－Ｅ（Ｙｉ０│Ｇｉ＝１）｝－｛Ｅ（Ｙｉ１│Ｇｉ＝０）－Ｅ（Ｙｉ０│Ｇｉ＝
０）｝（３）
三、数据和变量
（一）数据来源
本文数据取自昆明市统计局发布的２０１９年１月至２０２０年５月的《昆明市国民经济主要指标》，该数据集为月度面板数据，记录了昆明市国民经济发展的重要进度指标。其中，主要指标采用了各县（市）区社会消费品零售总额、各县（市）区地区生产总值和各县（市）区财政收入三组数据。
（二）变量选择
本文的被解释变量取昆明市各县（市）区社会消费品零售额，以反映各市辖区批发零售和住宿餐饮业的经营状况。社会消费品零售总额指企业（单位、个体户）通过交易直接售给个人、社会集团非生产、非经营用的实物商品金额，以及提供餐饮服务所取得的收入金额。从统计角度来说，该指标统计的主要对象是从事商品零售活动的批发和零售业、住宿和餐饮业法人企业与个体经营户，以及其他行业法人单位附营的从事消费品零售活动的批发和零售业、住宿餐饮业产业活动单位。其中，限额以上的实施全面调查，限额以下的实施抽样调查。由于该指标原始情况下是累计值，故将其逐月差分，进行了月度化处理，将处理后得到的社会消费品零售额（亿元）作为被解释变量，命名为ｒ
ｓ（ｒｅｔａｉｌｓａｌｅｓ）。根据刘睿（２０１５）的研究，一个地区社会消费品零售总额的活跃程度受到经济发展程度、财政收入的影
响，［１１］故本文选取了昆明市各县（市）区地区生产总值和各县（市）区财政收入，作为模型的协变量。其中，由
于地区生产总值只报告季度数据，本文对其做了月度平均化处理，并将累计值进行了逐月差分，将得到的各县（市）区ＧＤＰ（亿元）命名为ｇｄｐ。区财政收入同样只报告累计值，本文对其进行了逐月差分，将得到的各县（市）区财政收入（亿元）命名为ｆ
ｒ（ｆｉｎａｎｃｉａｌｒｅｖｅｎｕｅ）。由于习惯上会在计量模型中对产出、收入等指标取对数处理，故本文进一步将上述各县（市）区ＧＤＰ（亿元）和各县（市）区财政收入（亿元）分别取其对数，命名为ｌ
ｎｇｄｐ和ｌｎｆｒ。
对实验期而言，由于云南省风险分级措施和昆明市风险分级措施都是在２０２０年２月开始实行，因此，本文将２０２０年２月视为政策施行的时点，将实验期变量命名为ｔ。ｔ＝１，代表２０２０年２月及其之后的数据；ｔ＝０，代表２０２０年２月之前的数据。变量ｔ在ＰＳＭ模型中作为处理变量，以区分处理组和对照组，ｔ＝１，代表ＰＳＭ模型中的处理组；ｔ＝０，代表ＰＳＭ模型中的对照组。而在ＤＩＤ模型中，变量即式（２）模型中的实验分期变量Ｄ
ｉｔ
。
此外，由于ＤＩＤ模型采用面板数据，还需要进一步考虑ＤＩＤ模型的实验组和对照组。云南省风险分级措施对昆明市７区６县１市的风险等级划分与昆明市风险分级措施的划分是不一致的，两个政策措施对昆明市所辖的县（市）区风险等级进行了不同的判定。因此，本文分别根据云南省的风险分级
措施和昆明市的风险分级措施设置了两对实验－对照组，将按云南省风险分级措施（云南规则）设置的实验－对照组命名为ｔｒｅａｔｅｄ１，将按昆明市风险分级措施（昆明规则）设置的实验－对照组命名为ｔｒｅａｔｅｄ２，两个变量的取值均是实验组取１，对照组取０。具体分组情况如表１所示：
表１ 两对实验－对照组分组情况 县（市）区五华盘龙官渡西山东川呈贡晋宁
云南各地州疫情最新消息ｔｒｅａｔｅｄ１１１１１１００
ｔｒｅａｔｅｄ２１１１１０１０
县（市）区富民宜良石林嵩明禄劝寻甸安宁
ｔｒｅａｔｅｄ１０００００１１
ｔｒｅａｔｅｄ２０００１０１１以上介绍的所有变量的统计描述归纳在了表２中：
表２ 变量统计描述
变量名变量符号样本量均值标准差被解释变量社会消费品零售额ｒｓ２３８１７．２６４５２０．６９１０９
协变量
各县（市）区ＧＤＰｇｄｐ２３８３８．２９４１３９．４９１３３各县（市）区财政收入ｆｒ２３８１．８３８６１３１．５７６５４９对数ＧＤＰｌｎｇｄｐ２３８３．１１６０８２１．０４２３０６对数财政收入ｌｎｆｒ２３８０．１７１６７７１０．９９２２０１６
ＰＳＭ处理变量／ＤＩＤ实验分期ｔ２３８０．２３５２９４１０．４２５０７６５ＤＩＤ实验分组
云南规则ｔｒｅａｔｅｄ１２３８０．５０．５０１０５３７
昆明规则ｔｒｅａｔｅｄ２２３８０．５７１４２８６０．４９５９１４６
四、实证部分
（一）实证结果
由于本文采用ＰＳＭ和ＤＩＤ两种方法对政策效应加以评估，故本文的实证结果也分为ＰＳＭ模型和ＤＩＤ模型两个部分。
１．ＰＳＭ模型实证结果：
以变量ｔ＝１为实验组，ｔ＝０为对照组，分别以ｇｄｐ、ｆｒ和ｌｎｇｄｐ、ｌｎｆｒ为协变量，进行了一对四卡尺匹配，计算结果如表３、表４所示：
表３ 以ｇｄｐ、ｆｒ为协变量的ＰＳＭ Ｌｏｇｉｓｔｉｃ回归准Ｒ２＝０．０１５３ｔ系数标准误差Ｐ值
ｇｄｐ０．００８２１６９０．００５７１７０．１５１
ｆｒ－０．３０４０１５０．１６１１３５４０．０５９
＿ｃｏｎｓ－０．９６３６６０５０．２３３０７８８０．０００
（ｂ）处理效应 变量样本ＴｒｅａｔｅｄＣｏｎｔｒｏｌｓＤｉｆｆｅｒｅｎｃｅ标准误差ｔ值
ｒｓ不匹配１５．５３０８０３５１７．７９７９３９６－２．２６７１３６０７３．１６５１０９３７－０．７２ＡＴＴ１５．５３０８０３５１５．５４６０９８２－．０１５２９４６９１３．０１９４１０６６－０．０１
ＡＴＵ１６．６１３５３４５１５．５４７００４２－１．０６６５３０２７．．
ＡＴＥ－．８１０５７７２５７．．
表４ 以ｌｎｇｄｐ、ｆｒ为协变量的ＰＳＭ
（ａ）Ｌｏｇｉｓｔｉｃ回归结果 Ｌｏｇｉｓｔｉｃ回归准Ｒ２＝０．０４２２ｔ系数标准误差Ｐ值
ｌｎｇｄｐ０．７９５６２４１０．２７１３１５７０．００３
ｌｎｆｒ－０．８９９４０１３０．２８５０６６７０．００２
＿ｃｏｎｓ－３．５７１３９９０．８５６７６３５０．０００
（ｂ）处理效应 变量样本ＴｒｅａｔｅｄＣｏｎｔｒｏｌｓＤｉｆｆｅｒｅｎｃｅ标准误差ｔ值
ｒｓ不匹配１５．５３０８０３５１７．７９７９３９６－２．２６７１３６０７３．１６５１０９３７－０．７２ＡＴＴ１５．７３３９０９１５．２３８２００１０．４９５７０８９６３３．３５６０７３５７０．１５
ＡＴＵ１８．６２３１２１２１５．２３１５４５４－３．３９１５７５８．．
ＡＴＥ－２．４１９７５４６１．．
从表３、表４的结果可见，在不同的协变量形式下，ＰＳＭ方法得到的处理效应都是十分不显著的。反观两个为得到倾向得分而进行的Ｌｏｇｉｓｔｉｃ回归，其准都非常小，表现出实验组和对照组的匹配本身并不良好。本文认为，在协变量不充分，样本量较小的情况下，采用ＰＳＭ的方法估计疫情防控措施的处理效应，其结果是不合意的。只有在扩大样本量，增加可获得的协变量信息后，才能改善ＰＳＭ方法的估计效果。
２．ＤＩＤ模型实证结果：
由于云南省级层面和昆明市级层面都对昆明市辖区采取了不同的风险分级措施，故分两次应用ＤＩＤ方法，估计疫情防控措施两对实验－对照组ｔｒｅａｔｅｄ１（云南规则）和ｔｒｅａｔｅｄ２（昆明规则）的处理效应。由于分别采用ｇｄｐ、ｆｒ和ｌｎｇｄｐ、ｌｎｆｒ作为协变量进行估计所得到的结果相似，故下文仅报告以ｌｎｇｄｐ、ｌｎｆｒ为协变量时的估计结果。
发布评论