额均下降了50%左右。但此后，活跃商户量和营业额迅速恢复，到阳历3月中已经恢复到反事实估算结果80%左右的水平，之后大体维持在这个水平。课题组还发现，在2月底至3月底全面推进复工复产期间，发放数字消费券的城市，个体经营户的恢复速度更快：杭州市于3月27日通过支付宝发放了16.8亿元消费券，此后一周，杭州地区活跃码商数与反事实估算结果的比例，较其他地区上升了16.9个百分点。
本研究在以下几个方面对现有文献进行了补充。首先，本研究为新冠肺炎疫情对经济影响的研究提供了新思路。据我们了解，本文最早对新冠肺炎疫情对个体经营户的冲击进行了考察。新冠肺炎疫情发生之后，经济学家们已经广泛研究了疫情对经济社会的影响（Atkeson，2020；Eichenbaum et al.，2020；Jones et al.，2020）。与本研究相似的文献主要有：Chen et al.（2020）利用中国银联的大数据，考察了新冠肺炎疫情对线下消费的影响；Baker et al.（2020)考察了美国家庭在消费上如何应对新冠肺炎疫情的冲击。但很少有文献去研究疫情对小微企业，特别是个体经营户这种及其微型的线下商户的冲击。
其次，本文为微型企业的统计监测分析提供了新思路。基于小样本的调查数据，中国学者对中国中小企业在本次疫情中遭受的冲击已经进行了一些研究（朱武祥等，2020）。通过抽样问卷调查开展研究可以得到一些直观的结论，但又存在严重的弊端：其一，在疫情特殊时期，问卷应答率可能不够理想，而且很难核实，而未响应偏差又是影响问卷调查结果科学性的重要因素（Korinek et al.，2007）；其二，问卷调查可能会存在一些主观回答导致的偏差，这也是问卷调查中常见的问题（Kleinjans and Van Soest，2014）。特别是微型企业，相关调查研究更是相对缺失。这一点在发展中国家表现尤甚（Blackburn et al.，2012；Capasso and Jappelli，2013），从而使得财政、货币等宏观调控政策变得更加困难。Restrepo-Echavarria（2014）的研究发现，如果非正式经济的测度比较差，那么在国民经济波动的统计分析中，就会产生误导性的结论。因此，考察疫情对个体经营户的影响，迫切需要更加精准的数据基础，国民级金融科技公司经营中积累的大数据为此创造了条件。
最后，近一段时间以来，通过机器学习构建“反事实结果”和“对照组”，助力因果关系的识别文献越来越多。“反事实结果”的构建是进行外生冲击或某
5
一个政策效果评估的关键。机器学习在预测上的强大能力，使得其可以在这一方面有所助益。例如，Kleinberg et al.（2018）使用伪随机分配，通过机器学习构造反事实结果，来分析法官对罪犯宽大处理的影响。Kumar and Liang（2019）使用每个州级面板数据和最近开发的基于机器学习的综合控制法，构建了美国一个州的对照组，进而考察放松信贷限制对GDP增长的影响。Guo and Zhang（2019）则使用LASSO与elastic net来构造城市的对照组，来考察城市更名对经济增长的影响。Johnson et al.（2019）通过贝叶斯结构时间序列模型使用非转基因作物作为合成对照预测的反事实产量轨迹，研究了非转基因技术对美国玉米产量的影响。
二、个体经营户疫情期间冲击程度与恢复情况
2.1 测算方法
在经济学中，进行外生冲击或某一个政策的效果评估中，一个根本性的问题是，如何进行反事实结果的构建。具体而言，我们只能够观测到受新冠疫情影响的实际情况，而不知道如果疫情没有发生，经济活动的运行情况。为了进行疫情冲击评估，最理想的方式是我们构建出没有新冠疫情的平行世界里，2020年个体经营户的“反事实”经营状况，疫情带来的冲击便是2020实际经营状况与构造出的“反事实”经营状况之差。机器学习方法为计算该“反事实”情况提供了一个可行的思路。具体而言，我们使用机器学习算法，结合2020年疫情前以及2019年和2018年同期春节前后（农历）的数据，“预测”2020年疫情后的数据，因此相当于构造出了一个如果没有疫情发生的“反事实结果”。
具体而言，新冠肺炎可以在人与人之间传播于2020年1月20日首次得到确认，该确认时点可以被视为疫情的一个重要转折点，此后，全国各地逐步进入了被肺炎疫情影响的状态：确诊人数增加，各地开始实施严格的防控政策，各类商业活动受到严重影响。而在1月20日（农历廿六）之前，包含个体经营户在内的经济活力并没有受到明显的影响，可以视为一个典型的春节节前状态。而且，线下商业活动往往在春节前后呈现明显的周期性特征，如果我们能拿2018、2019年春节前后同期的数据建立一个映射关系，那么，在充分控制关键外部变量的前提下，若不存在疫情，2020年春节前后的映射关系应当维持一致。因此，我们将2018和2019年的数据建立起的映射关系应用于2020年的数据，估算出了2020
6
年春节后个体经营户的活跃商户量、营业额等应该具有的“反事实结果”，然后将2020年的实际数据与该“反事实结果”的差值作为疫情对个体经营户产生的真正影响的估计。这一方法在经济学上有坚实的科学基础，对该方法的详细介绍和模型设定等详见本报告的附录。 2.2 总体结果
图2和图3分别汇报了2019和2020年个体经营户活跃商户量和营业额的实际值以及预测值。观察图2和图3，我们可以得出以下两点结论：第一，2019年春节后的码商商户量与营业额的实际值与预测值均高度重合，这说明本研究所使用的机器学习算法，能较好地预测2019年春节后码商的活跃商户量和营业额。实际上本研究使用的机器学习算法在样本外测试集中的拟合程度R2超过了0.9（具体详见附录中的表7）。第二，2020年的码商活跃商户量的预测值与2019年实际值基本重合，但码商营业额的预测值较2019年的实际值有较大的增长。这说明随着数字金融的逐渐推广，码商在覆盖广度上逐渐开始收敛，因此预测到的2020年商户量较2019年没有显著增长，但在使用深度上，如果没有疫情的发生，2020年较2019年还有较大的增长空间。这一结论与我们之前基于蚂蚁集团多指标数据构建的“数字普惠金融指数”得到的结论是吻合的（郭峰等，2020）：随着数字金融的推广，数字金融的发展越来越依赖于使用深度，而不是覆盖广度。
图2: 2019与2020年的码商活跃商户量实际值与预测值
注：①横坐标为1月20日后（前）的第N周，其中第1周包含了1月21日至1月30日10天，其他均为7天的窗口；②纵坐标的数字是标准化后的码商活跃商户量，以2019年的1月4日-1月10日的商户量为100；③变量“2019年实际”和“2020年实际”“分别代表2019年和2020年码商的实际活跃商户量，而
7
“2019年预测”和“2020年预测”分别代表根据机器学习算法预测的2019年和2020年码商的活跃商户量；④两条虚线分别代表1月20日和2月27日，这两个日期之间是个体经营户受冲击最严重的几周。
图3: 2019与2020年的码商营业额实际值与预测值
注：①横坐标为1月20日后（前）的第N周，其中第1周包含了1月21日至1月30日10天，其他均为7天的窗口；②纵坐标的数字是标准化后的码商营业额，以2019年的1月4日-1月10日的营业额为100；③变量“2019年实际”和“2020年实际”分别代表2019年和2020年实际的码商营业额，而“2019年预测”和“2020年预测”分别代表根据机器学习算法预测的2019年和2020年码商营业额；④两条虚线分别代表1月20日和2月27日，这两个日期之间是个体经营户受冲击最严重的几周。
图2和图3显示，2020年实际的码商活跃商户量与营业额较预测值大幅下降，二者的对比初步展现了疫情对中国个体经营户的短期冲击程度和个体经营户之后的恢复进度。为了更直观地刻画个体经营户在疫情期间遭受的冲击程度和随后的恢复进度，我们在图4中汇报了2020年码商活跃商户量与营业额的实际值与反事实预测值之间的比值。从图4中可以看出，疫情对个体经营户的影响在时间上呈“V”型2，并且可以分为三个阶段。
第一阶段（1月21-1月30日，农历腊月廿七-正月初六）。在这一时期，疫
情对个体经营户冲击尚不太明显。我们认为原因可能主要有以下三点：首先，全国范围内的全民动员、居家防疫，在各地的具体执行有一定时滞；其次，春节前后十天，本来就是很多个体经营户关门休息的时间，此时的商业活动下降中叠加了周期性因素，疫情冲击尚未完全体现；最后，居家防疫动员后，民众需要超额采买一些生活必需品，这一“囤货”效应在短期内会抵消一部分疫情的冲击，这
2
如果从每周、每天的时间颗粒度上看，疫情对中国个体经营户的冲击是一个U型分布，因为疫情对个体经营户的严重冲击持续了3-4周的时间，但站在全年的角度看，冲击仍然是短暂的，反弹的速度很快，因此用V型分布来形容疫情对个体经营户的冲击更为贴切。
8
一点结论与国外疫情相关的研究一致（Baker et al.，2020）。
第二阶段（1月31日-2月27日）。这个阶段个体经营户经受了最严重的冲
击。疫情对个体经营户活跃商户量和营业额冲击幅度在这段时间大约维持在50%左右的水平，即此一阶段个体经营户活跃商户量和营业额是如果没有疫情发生的“反事实结果”的一半左右。这一时期大概持续了3-4周。
第三阶段（2月底-3月底）。随着中国本地疫情传播得到基本控制，中央开
始大力推动复工复产，各地也陆续开始解除一级响应。个体经营的恢复速度非常快，到3月中就已经恢复到估算的反事实结果的80%。但由于社交距离政策仍在延续，且面临较大的防境外输入的压力，因此各地个体经营户在恢复到预测值的80%后，在一段时间内没能持续回升。不过，如图3所示，截止3月底，2020年个体经营户营业额已经与去年同期水平相当。
图4:码商活跃商户量与营业额的受冲击程度和恢复进度
注:①横坐标为1月20日后的第N周，其中第1周包含了1月21日至1月30日10天，其他均为7天的窗口；②纵坐标的数字2020年码商活跃商户量（交易额）与机器学习算法预测出的反事实结果的比值；③虚线代表1月21-2月27日，这一周开始，各地逐渐解除一级响应。
上述结果是基于2020年实际值与反事实预测值的比例进行的分析，就冲击的总体规模而言，我们也可以进行一个粗略的估算。在我们课题组2020年2月底发布的关于个体经营户研究的第一篇报告中，我们估算的2018年中国个体经营户总量约为9776.5万户，涉及约2.3亿人的就业3。根据这一估算结果，结合
3
根据第四次全国经济普查的数据，每个个体经营户平均对应2.37个从业人员。
9
相关推荐：
loading