疫情影响研究：分析思路与困境突破

陈子韬 张阿城

摘要：新冠疫情的出现和防控对社会经济发展产生重大影响，社会科学研究者应采用科学可行的研究方法，为恢复疫情后正常社会经济秩序做出贡献。本文基于数据资料和分析路径，认为疫情影响存在现状解析、趋势预判、干预实验、模拟仿真四种分析思路。由于研究方法的自身约束和新冠疫情的特殊性，研究存在收集数据资料和应用分析路径的困难，本文建议高度重视描述研究、匹配以往调查、应用新兴技术、汇集专家智慧。

关键词：疫情；研究方法；研究困境

作者陈子韬，上海交通大学国际与公共事务学院博士研究生（上海）；张阿城，上海交通大学国际与公共事务学院博士研究生（上海）

一、引言

新型冠状病毒肺炎疫情（以下简称：新冠疫情）的出现和蔓延已然对中国乃至全球的社会经济发展产生深远影响，成为全球关注的重点。中国政府从2020年1月下旬起自上而下地紧急采取措施，在全国范围内开展疫情防控工作，至2月底全国蔓延趋势已经得到有效控制，为全球新冠疫情防控争取了宝贵时间。虽然中国政府所采用了以阻断隔离为主要思路的传统政策举措，取得了世界瞩目的“战疫”成果，但与此同时也付出了巨大且沉重的“代价”，对社会经济发展、治理体系建设、公众信任培育等方面产生深刻影响。中国政府高度重视科学研究在疫情防控中的作用。科技部从全面部署应对疫情工作时抓紧推进相关科技攻关，并呼吁“科研人员要勇挑重担，全力投入科技攻关任务，把论文写在抗击疫情的第一线”。以国家自然科学基金委、国家社科基金为代表，均设立了新冠疫情的研究专项项目，充分展现出学术界对新冠疫情的关注。自然科学研究者以加速病毒特性研究、疫苗研发等方式为新冠疫情防控工作提供技术支撑，社会科学研究者则可立足自身学科专业，探索新冠疫情及其防控工作对全社会多层度、多维度的影响。

与大型火灾、地震等公共危机事件类似，新冠疫情及其防控可以理解为一场在全国乃至全球开展的大型自然实验。作为重大公共卫生事件，新冠肺炎疫情的扩散主要受人口流动影响，并且从发展到结束之间存在较长的持续期，该特性导致新冠疫情影响的研究与其他类型公共危机事件存在差异。由于病毒类属和传播方式的相似性，新冠疫情与十几年的SARS（非典）具有相似性，目前已有相当数量不同视角和不同方法的SARS疫情对社会经济影响的研究。在经济增长方面，南开大学SARS对经济影响研究课题组（2003）和吕本富和佟仁城（2003）通过量化方法分别关注了SARS对宏观经济增长和行业运行发展的影响。胡罡和欧阳文和（2003）则在梳理经济发展状况的基础上，基于主观经验判断给出了SARS对经济影响的预测。在社会生产方面，国家统计局企业调查总队（2003）以电话调查结果展现了SARS疫情下的企业生产和居民生活状态。在公众心理和行为方面，时勘、范红霞、贾建民等（2003）和高文斌、陈祉妍、王一牛等（2003）分别以问卷调查结果和心理咨询记录为数据来源，以描述统计方式展现了SARS疫情下的影响。在政府行政方面，周运清（2003）和程竹汝和杜莲梅（2003）分别阐述了SARS疫情对政府公信力和政府公共管理的影响。值得注意的是，SARS疫情影响的研究具有延后性，如王天荆和吴业军（2004）、薛刚和孙根年（2008）、张凌云和朱新芝（2010）等均在疫情影响有所“沉淀”后才开展相关研究。SARS疫情影响研究是研究新冠疫情影响的有效参考和重要基础。由于研究者学科专业和分析资料类型的差异，SARS疫情影响的研究在研究内容和分析技术方面呈现出多元性特点，但整体上对研究方法的重视程度相对较低，其中所呈现的分析思路有待归纳提炼，同时经过十余年的发展，也需要将相关分析思路在现有技术和数据基础之上进一步优化。

从疫情防治早期起，统筹做好疫情防控和社会经济发展已是防控工作的基本原则之一（吴建南，2020）。在中国新冠疫情已经得到有效控制的当下，恢复社会经济秩序和水平已经成为疫情工作的重点，正是社会科学研究者做出应有贡献的重点阶段。由于社会科学研究的数据缺少自然实验条件，数据收集过程往往不稳定，致使采用科学方法在保障研究结果方面更为重要（伍德里奇，J.M, 2014: 2; 加里·金，罗伯特·基偶汉，悉尼·维巴，2014: 7-8）。社会科学研究者有必要重视分析方法的科学性和系统性，才能讲好新冠疫情影响的“中国故事”，为加快疫情后发展提供支撑。本文聚焦于“疫情影响如何研究”这一问题，具体分为以下三个研究问题：（1）疫情影响可以采用哪些分析思路进行研究？（2）现阶段疫情影响研究中存在何种困境？（3）有哪些突破这些困境的方式？文章后续共三个部分，分别对应三个研究问题。

二、疫情影响研究的分析思路

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, 7-8, 291-293）。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: 3-4, 7-8, 291-293），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，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, 2009:4, 18-19, 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提供证据支撑，两者各有优劣并且具有在分析中互补性（Gertler P J, Martinez S, Premand P, et al., 2016: 3-4, 7-8, 291-293；Gertler P J, Martinez S, Premand P, et al., 2016: 3-4, 7-8, 291-293） 。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: 3-4, 7-8, 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，借助于产生于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

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2845位居民和1321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4231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）和栾惠德（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。

三、疫情影响研究的现实困境

虽然对于疫情影响研究的设计和思路相对明确，但是社会科学研究者在研究实践中会存在一定的现实困难，致使相关实证研究的推进陷入困境。这些困境既有社会科学研究中的共性问题所导致，也有由于新冠疫情影响研究的特殊性所造成。

（一）收集数据资料的困难

1.事实数据

虽然疫情统计数据在国家大力推动下已经实现了动态滚动公开，但是公开的疫情数据相对较为宏观，缺少微观的地方特征。疫情影响的数据区别于疫情数据，涉及政府、企业、公众等多元主体，跨域宏观国家、地方层面以及微观组织、个体层面。由于目前疫情防控仍在进行，在现实条件的约束下，疫情影响的数据收集往往不能按照理想情况进行。

不论是量化数据或是质性数据，收集方式可以分为三类，即实地调研、公开资料、在线收集。（1）实地调研收集方式是以问卷、访谈、观察、体验等形式收集研究所需要的数量或文本资料，由于研究人员能够亲自参与和执行数据资料的采集过程，所收集得到的数据较为细致真实并且能够根据研究问题和研究目的获取所需要的数据。同时，该种数据收集方式能够更加强调与调查对象之间的交互，适合于态度、情感等主观因素的研究。目前以“隔离”为主要思路的新冠疫情防控仍在推进，大规模实地调研与防控工作的思路相悖，除了部分以公众、企业等视角的研究能够采用该种数据收集方法，但其规模需要控制在一定范围内，避免妨碍疫情防控工作。

（2）公开资料收集方式以公开的统计数据、新闻报告为基础，根据自身研究问题进行收集和整合，如社会经济运行数据、公开政策、地方志及相关研究报告等。该种收集方式由于不要求研究人员亲身达到研究现象的实地，比较合适在新冠疫情仍处于防控阶段的当下。但是，二手数据的公布受到发布者的意愿影响，可能存在隐瞒和滞后的情况，导致该种收集方式可能无法获得研究所需要的数据资料，或应对收集得到数据资料的有效性和真实性进行辨别判断。如在对经济增长影响研究中，宏观经济数据的公布周期为月度，且省级和市级地区的公布时间和周期存在差异，目前仍然无法获取相对完备的相关数据；对政府行为影响研究中常采用新闻报道为资料来源，受其公开和传播方式影响，有与现实情况偏离的可能。

（3）在线收集方式主要借助互联网对研究所需要的数据资料，包括在线问卷调查、在线访谈以及大数据方法。该种收集方式一定程度上综合了前两种方式的特点，能够相对自主地获取各类疫情相关数据资料，且不要求研究人员前往调研实地，包括新闻报告、媒体文章以及用户行为记录等相关记录数据，以及通过问卷或访谈得到的调查数据。但是，由于该种方式要求数据通过互联网渠道获得，研究对象会被局限于互联网及其用户，导致研究受到一定的限制。需要注意的是，大数据方法在进行疫情影响研究中需要加强对于学术伦理的关注，如开展企业经营、公众行为态度、人口流动等数据进行收集时，需要加强数据安全和隐私保护的理念。

2.推演数据

对于推演数据而言，由于新冠疫情在爆发规模、传播速度、防控力度方面均处于高水平，其所造成的影响具有相当的复杂性、综合性和系统性，基于已有数据资料计算推演所得到的“新”数据资料在有效性方面存在一定的局限。例如，在研究疫情对行业发展的影响中，由于行业发展受到行业特征、生产要素供给、市场需求的直接影响，以及受到公众舆论、国际环境等因素的间接影响，疫情所造成的影响机制复杂且综合，通过量化模型推演得到的影响趋势结果可能存在偏误，通过专家判断的趋势结果则受专家的知识结构和主观性的影响。同时，该思路对推演数据、模型构建等要求较高，目前能够应对的研究问题主要集中于宏观层面，组织、个人等微观层面的研究则一定程度上受到限制，如在疫情对公众认知、居民行为等方面的影响中，推演数据的获取难度极大。值得注意的是，不论是通过专家判断或是模型拟合得到的推演数据，均对分析技术有较高的要求，因此为保证推演数据的准确有效，疫情对特定领域的影响及机理分析需要专业知识和分析技术的有效匹配。

（二）应用分析路径的困难

1.描述路径

描述路径的核心在于呈现疫情影响的现实状态和可能趋势，整体应用的难度较低，其中困难主要在于有效研究结果所要求的分析能力较高，以及数据有限性导致研究结论的解释范围相对有限。

由于整体对于数据的要求相对较低，描述路径适合应用于揭示疫情对特定维度影响的探索性研究或预测研究中。如在研究疫情对于特定微观企业存续影响的研究中，可以采用个案描述的方式，基于在线访谈记录等数据资料呈现企业在疫情下的生存情况。虽然该种思路相对易于执行，但是整体而言对于研究者的科学研究素质要求较高，尤其在新冠疫情已经造成系统性影响的情况下，需要对相关领域有较为深刻的理解，才能对材料进行合理的处理和呈现。如在疫情对经济增长影响的相关研究中，采用事实数据的研究需要对于特定地区的经济结构和发展模式具有较为深刻的理解，才能在研究中通过描述数据水平得出相关结论；采用推演数据的研究需要设计科学合理的判断机制，给出疫情下经济增长的变化趋势，并通过专家判断、模型拟合等方式保障其有效性。

同时，由于受到数据的约束，相关研究在选取研究对象时可能存在一定的约束，所选研究对象难以反映出全体的特征。如在疫情下公众行为和认知的研究，虽然问卷调查或在线调查方式能够保证数据具有一定的覆盖率，但受限于抽样框的设计，所反映出的内容仅能够代表抽样群体的特征，而非疫情对全体公众的影响。因此，在采用描述路径进行探讨了，需要重视对于现实问题的揭示，并且重视分析结果的使用范围和对象层次。

2.解释路径

解释路径更加关注疫情影响的作用机制即因果关系，但疫情影响具有复杂性、综合性和复杂性，并且可能存在周期性和滞后性，使得解释路径在数据的规模、质量、连贯性等方面有更高的要求，约束了该路径在实践中的应用。同时，值得注意的是，由于疫情影响的作用可能并非是线性的，尤其是对于经济增长、社会稳定等宏观因素，研究实践中需要谨慎对待研究发现的原因解释，有必要系统综合地考虑疫情影响的作用机制，因而其对于数据支持的要求更高。

对于现实数据，解释路径需要使用对比实验的方式展现疫情的影响程度和方式，如“有-无”对比、“前-后”对比以及两者综合的倍差法（DID）等。新冠疫情的爆发具有突发性，在短时间内覆盖全国，并且自上而下的防控全国铺开，致使研究中难以找到未发生疫情及防控的横向对照组，即难以进行“有-无”对比及倍差法分析。虽然研究者能够通过特定方式收集得到疫情中特定变量的数据资料，如公众认知、行业发展、政府行为等，但是除少数存在长期公开的数据外，比较难以找到可靠对比数据，使得“前-后”对比方法所能够应用的特定疫情影响领域存在限制。同时，由于在疫情防控正在推进的当下，暂时无法收集得到疫情及防控结束后或相对较长时期的数据，目前难以应用对比路径分析疫情影响的滞后性和周期性。

对于推演数据，解释路径需要通过对比模拟环境中不同参数设置下的结果差异，以此判断疫情的影响，其难点在于模拟环境的构建。模拟环境构架要求对疫情影响的机制有着较高的认识，要求已有相对较为成熟的研究，或研究人员对特定领域有较高的理解，尤其本次新冠疫情影响具有综合性和复杂性的特点。如疫情对于宏观经济增长影响的研究中，模拟环境的构建需要基于宏观经济增长的影响因素以及疫情对这些因素的影响程度，同时需要厘清各因素之间的相互影响。同时，模拟环境的构建需要有大量基础数据的投入才能保证仿真模拟结果的准确性，要求研究人员在特定领域有相对长期的数据积累。

四、展望：突破现有困境的建议

本文梳理了疫情影响研究的设计方式，总结出事实和推演两种资料数据以及描述和解释两种分析路径，并提出现状解析、趋势预判、干预实验、模拟仿真四种分析思路，希望为社会科学研究者开展相关研究提供借鉴。结合疫情影响研究的相关实践，本文同时指出疫情在数据资料和分析路径两个方面均存在一定的困境，其原因包括研究方法的局限，以及新冠疫情和目前时期的特殊性。

在疫情控制仍在继续的当下，国内外部分社会科学研究者开始对新冠疫情影响开展了研究。Tian, H., Liu等（2020）回顾了中国新冠疫情爆发后五十天内的封闭控制措施，并以数据描述了防控的效果。Baldwin和Di Mauro（2020）汇编了14篇新冠疫情影响的专家评论，多数基于历史数据、专家判断等方式以及少数基于情景设置等预测方法，从贸易、银行、金融、货币政策等不同方面阐述了疫情的经济影响。Atkeson（2020）通过构建模型和历史数据，在不同疫情情境设定下，粗略预估了美国新冠疫情的经济影响。蒋和平、杨东群、郭超然（2020）和祝坤福、高翔、杨翠红等（2020）基于公开数据，分别阐述了新冠疫情对中国农业和中国产业链的影响。张夏恒（2020）通过面向116家企业的问卷调查结果，展现了疫情对中国小微企业的影响。通过梳理已公开的相关研究成果，多数研究在历史数据的基础上采用了描述路径，以现状描述和趋势分析为主，但是相关研究中尚未应用解释路径，一定程度上验证了该路径应用的现实困难，并且多数研究聚焦于经济、行业等宏观层面，缺少其他领域和个体层面的探讨。为了进一步丰富和深化新冠疫情影响研究，建议可以重点关注以下四个方面：

第一，重视现状描述，强调分类归纳。在疫情发展和防控的各个阶段，社会科学研究中都应当关注并揭示疫情对自身研究领域的影响，为政策调整提供依据。虽然描述研究在因果解释方面相对较弱，但是其分析技术门槛较低，能够在数据资料相对有限的条件下，依托研究者的知识和经验，相对有效地揭示疫情影响的现实状况和可能趋势。建议社会科学研究者关注并收集日度、月度等短期数据，重视横向比较和分类归纳的分析方法，以此展现疫情对特定维度的影响。

第二，匹配以往调查，实现前后对比。对比是展现疫情影响的直接方式，由于宏观数据资料的追踪性，疫情对如经济增长、产业结构等宏观变量影响研究的可行性相对较高。但是由于新冠疫情的突发性以及封闭式的防控举措，大部分社会科学研究者在短期内难以组织社会调查，以实现“前-后”对比的分析路径。在此情况下，建议关注已有公开社会调查结果，关注居民感知、政府信任、生活水平等变量，通过解析相关调查的抽样框，设计并开展疫情中或疫情后的社会调查，实现调查群体的匹配，以便通过对比方式，解释疫情在微观维度的影响。

第三，应用新兴技术，培育合作团队。目前的疫情防控降低了实地调查的可行性，同时相关数据尚未公开，对疫情影响研究中的数据收集形成了较大阻碍，但并未能阻碍信息技术的使用和互联网资源的开放。建议社会科学研究者重视如大数据、人工智能等新型技术在疫情影响研究中的应用，尤其是在数据收集和分析处理的环节，以研究团队为形式，形成特定领域专家和大数据分析技术人员的合作，提升整体技术能力，以获取精确的数据资料和有效的分析结果。值得注意的是，大数据、人工智能等技术依然依赖于互联网，导致研究对象和数据收集过程存在一定的局限，需要在分析过程和结论中加以重视。

第四，汇集专家智慧，突出群策群力。疫情影响具有突出的综合性和系统性，在特定领域中的影响可能受到多种因素影响。虽然模拟仿真或自然实验的方法具有较高的客观性，但多是在疫情发展中后期陆续开展。相对而言，特定领域的专家对于自身所在领域有深刻理解，能够对疫情影响有相对清晰的感知。建议社会科学研究者重视专家判断在疫情影响研究中的重要性，开展德尔菲方法、层次分析法等专家群体决策法，辨析或者预测疫情对特定领域的影响，在具有较高可操作性的同时，也能够避免单个或少数专家判断的主观偏向。

本文对疫情影响研究的思路进行了梳理，呼吁社会科学研究者在国家号召下加强疫情相关研究的同时，重视研究设计和研究方法的科学性。希望在未来面对类似的影响研究时，本文对于研究思路的梳理和分类亦能有所借鉴。

引用标识：陈子韬,张阿城.疫情影响研究：分析思路与困境突破[M]//吴建南.城市治理研究(第五卷).上海：上海交通大学出版社，2020.

参考文献

[1] 程竹汝, 杜莲梅. 论SARS事件对中国政治的影响[J]. 政治与法律, 2003(6): 2-6.

[2] 陈向明. 质的研究方法与社会科学研究[M]. 教育科学出版社, 2000: 465-469.

[3] 陈之强, 马祖军. 人工干扰下重大传染病扩散演化的仿真研究——以SARS为例[J]. 西南交通大学学报（社会科学版）, 2011, 12(4): 131-136.

[4] 国家统计局企业调查总队. “SARS”对生产、生活的影响[J]. 中国统计, 2003(7): 59-60.

[5] 高文斌, 陈祉妍, 王一牛等. SARS疫情期间公众心态影响及变化趋势分析[J]. 中国心理卫生杂志, 2003(9): 594-596.

[6] 耿曙, 胡玉松. 突发事件中的国家——社会关系 上海基层社区“抗非”考察[J]. 社会, 2011, 31(6): 41-73.

[7] 胡罡, 欧阳文和. SARS对中国经济及经济环境影响的预测[J]. 求索, 2003(4): 50-51+137.

[8] 加里·金, 罗伯特·基偶汉, 悉尼·维巴. 社会科学中的研究设计[M]. 陈硕, 译. 上海:格致出版社;上海人民出版社, 2014: 7-8.

[9] 加里·金, 罗伯特·基偶汉, 悉尼·维巴. 社会科学中的研究设计[M]. 陈硕, 译. 上海:格致出版社; 上海人民出版社, 2014: 21.

[10] 蒋和平, 杨东群, 郭超然. 新冠肺炎疫情对我国农业发展的影响与应对举措[J]. 改革, 2020(3): 5-13.

[11] 栾惠德. 外部冲击与旅游业的发展:以“SARS”为例[J]. 统计与信息论坛, 2009, 24(1): 66-69.

[12] 刘林平, 蒋和超, 李潇晓. 规律与因果:大数据对社会科学研究冲击之反思——以社会学为例[J]. 社会科学, 2016(9): 67-80.

[13] 罗小燕, 黄欣荣. 社会科学研究的大数据方法[J]. 系统科学学报,  2017(4): 11-14+46.

[14] 吕本富, 佟仁城. SARS的经济影响分析方法研究[J]. 数量经济技术经济研究, 2003(7): 59-63.

[15] 米加宁, 章昌平, 李大宇等. 第四研究范式:大数据驱动的社会科学研究转型[J]. 学海, 2018(2): 11-27.

[16] 南开大学SARS对经济影响研究课题组. SARS对中国经济的影响与对策[J]. 南开学报, 2003(4): 1-5.

[17] 时勘, 范红霞, 贾建民等. 中国民众对SARS信息的风险认知及心理行为[J]. 心理学报, 2003(4): 546-554.

[18] 王天荆, 吴业军. SARS疫情对深证成指影响的时间序列模型[J]. 统计与决策, 2004(1): 6-7.

[19] 王健, 韩康. 宏观调控政策协调:正视“SARS”对宏观经济的影响[J]. 中国行政管理, 2003(7): 12-16.

[20] 吴建南. 区域分级分类:大国应急治理的关键一招[J]. 科学学研究, 2020, 38(3): 390-391.

[21] 伍德里奇, J.M. 计量经济学导论:现代观点（第5版）（经济科学译丛）[M]. 北京:中国人民大学出版社, 2014: 2.

[22] 薛刚, 孙根年. 2003年SARS对国内旅游影响的后评价——基于本底趋势线的31个省、市、自治区客流量损失的估算[J]. 经济地理, 2008, 28(6):1059-1063.

[23] 张凌云, 朱新芝. 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[J]. 旅游学刊, 2010, 25(6): 32-36.

[24] 周运清. SARS危机对中国政府及其公信力的影响[J]. 武汉大学学报（社会科学版）, 2003(4): 398-399.

[25] 祝坤福, 高翔, 杨翠红等. 新冠肺炎疫情对全球生产体系的冲击和我国产业链加速外移的风险分析[J]. 中国科学院院刊, 2020, 35(3): 283-288.

[26] 张夏恒. 新冠肺炎疫情对我国中小微企业的影响及应对[J]. 中国流通经济, 2020, 34(3): 26-34.

[27] Atkeson A. What will be the economic impact of COVID-19 in the US? Rough estimates of disease scenarios[R]. National Bureau of Economic Research, 2020.

[28] Agüero J M, Beleche T. Health shocks and their long-lasting impact on health behaviors: evidence from the 2009 H1N1 pandemic in Mexico[J]. Journal of Health Economics, 2017, 54: 40-55.

[29] Baldwin R, di Mauro B W. Economics in the Time of COVID-19[M]. London: Centre for Economic Policy Research, 2020.

[30] Gertler P J, Martinez S, Premand P, et al. Impact evaluation in practice[M]. The World Bank, 2016:3-4, 7-8, 291-293.

[31] Khandker S, B. Koolwal G, Samad H. Handbook on impact evaluation: quantitative methods and practices[M]. The World Bank, 2009:4, 18-19, 22-25.

[32] Tian, H., Liu, et al. An investigation of transmission control measures during the first 50 days of the covid-19 epidemic in China[J]. Science, 2020: eabb6105.