核心发现包括：
(1)新冠疫情对公众经济预期造成了显著的负向影响。受访者对2020年一季度全国GDP增长率的中位数预期较其感知的2019年全年GDP增长率下降了1.5-1.7个百分点。
(2)有效控制当地新冠疫情传播，可以显著推动公众经济预期回升。当地新增病例每降低一个标准差（约为107例），受访者对于2020年一季度全国GDP增长率的预测会上调0.29个百分点。尤其是当地新增病例实现“零新增”，会导致受访者对于一季度GDP增长率的预期上调0.72个百分点。
(3)单纯保持“高复工率”并无助于保持或提升公众经济预期。研究团队在第三轮调查中组织的随机对照试验结果表明，以各种形式向受访者提供复工率信息，都不会导致受访者更新自己对于一季度GDP增长率的预测值。
本研究应验了一句老话：“存人失地，人地皆存；存地失人，人地皆失”。
教授简介秦雨教授
目前，全球很多国家都面临着新冠肺炎(COVID-19)的威胁。对于政策制定者来说，新冠来袭，应该先抗疫，还是保开工？
为了尝试回答这个问题，我与合作者们在2020年2月底到3月中旬在全国七个省份(湖北、湖南、四川、广东、辽宁、内蒙古、福建)，对大约1900名微信用户进行了三轮线上追踪调查。
在每一轮调查中，我们请被调查者基于自己当前的判断，对一些经济指标进行预测，包括全国2020年一季度GDP同比增长率、湖北省2020年一季度GDP同比增长、被调查者所在省份2020年一季度GDP同比增长率等。
值得一提的是，我们设立了一个有奖预测环节：全部三轮线上调查结束之后，我们会从每位受访者三轮的所有预测中随机抽取一题，如果受访者该问题的预测和官方发布的一季度实际增幅差距不超过0.2个百分点，则可以获得60元的预测奖励。
这一机制有助于激励受访者按照自己的真实想法来认真地进行GDP预测。第一轮调查在2月29日至3月2日期间进行，第二轮调查在3月6日至3月8日期间进行，第三轮调查在3月12日至3月14日期间进行。
受访者在每轮调查期间登录我们设计的微信小程序进行答题。第一轮到第二轮的样本损失率为17.3%，第二轮到第三轮的样本损失率为18.5%，符合正常追踪调查的样本损失率水平。
我们先来看看大家怎么看今年一季度的GDP增长率。下面的箱式图反映了受访者在预测“2020年一季度全国GDP同比增长率”这个问题时的回答。
除了预测问题，我们还在第一轮调查中询问受访者认为2019年中国GDP的增长率是多少，用来标定其对GDP增长率的感知。
可以明显看到，大家对于今年一季度GDP增长率的预期显著低于他们所认为的2019年全国GDP增长率：处在中位数的受访者认为中国2019年的GDP增长了7%(去年的实际GDP增长率是6.1%)；然而处在中位数的受访者在三轮调查中对2020年一季度全国GDP同比增长率的预测仅为5.5、5.5%和5.3%。
2020年一季度GDP增速预测值
在此基础上，一个更重要的问题是，如何可以恢复公众对经济增长的预期呢？尤其是，先抗疫重要，还是保开工重要？我们利用计量经济学里的固定效应模型，来研究受访者在每两轮之间的预期调整究竟受到疫情变化的影响，还是复工水平的影响。
下图反映了受访者两轮调查中对于全国一季度GDP增长率预测值的调整情况。
全国一季度GDP增长率预测值的调整情况
我们首先把受访者对一季度全国GDP增长率的预测调整和其所在城市在两轮调查期间新冠肺炎新增确诊病例数量结合起来。
控制个人固定效应后(也就是说我们的因果推断是基于同一个受访者的两次修改，而不是基于不同受访者之间的差异性)，我们发现，当地新增病例每降低一个标准差(约为107例)，受访者对于中国一季度GDP增长率的预测会上调0.29个百分点。
我们尤其发现“0新增”对于形成乐观的经济预期非常有效。当地新增病例从非0变成“0新增”，会导致受访者对于中国一季度GDP增长率上调0.72个百分点。
另外，我们还发现受访者对于经济预期的调整只受自己所在城市的新增确诊病例影响，并不受临近城市的新增确诊病例的影响。这可能是因为疫情期间人口流动几乎停滞，所以邻近城市的新增确诊并不会对本地造成威胁。以上分析说明疫情好转对经济预期存在显著的积极影响。
我们下面再来看看复工率是否有类似的作用。我们在第二轮和第三轮调研中请受访者回答他们认为中国现在的复工率大概在什么水平。第二轮大家回答的复工率均值约为42.6%，第三轮的均值是47.0%。
我们在模型里加入个人回答的复工率水平，发现个人认为的复工率水平的变化和其GDP增长预期的调整之间没有显著关系。
在模型中同时放入个人所认为的复工率水平和当地的新增病例数量后，我们发现的新增病例和GDP增长率预测调整之间的因果关系仍然存在，复工率和GDP增长预期的调整之间依旧没有显著关系。
这初步表明，疫情期间复工率的回升对公众经济预期的作用有限。当然，个人对于复工率水平的调整本身也可能受疫情影响，所以上述结果尚不足以建立复工率和GDP增长预期调整之间的因果关系。
为了解决这个问题，我们在第三轮调研中利用随机对照试验(Randomized Controlled Trials)为受访者提供不同版本的复工率信息。清华同衡城士科技和清华大学信息技术研究院利用“网格+大数据+AI”技术，每天统计各城市“商业办公区域人口活跃度”。
该指标反映了63个主要城市(湖北省城市除外)前十大商业办公区当天的活跃人口数与相同区域2019年9月至11月间平均活跃人口数的比率，可以近似理解为该城市当天主要商业办公区的复工率。我们将受访者随机分为五组。
在T0组(基准组)，我们给受访者提供由此方法计算的全国在3月11日(第三轮调查之前的一天)的平均复工率(65.6%)。
在T1-T4组，我们除了T0组的信息，还给受访者提供一些额外的信息：
❍ T1组还会知道这63个城市里复工率最高的城市达到80.7%；
❍ T2组会知道这63个城市里复工率最低的城市达到47.7%；
❍ T3组会知道北京市的复工率为62.2%；
❍ T4组会知道受访者所在的省会城市复工率。
五个组别的划分由电脑随机数决定。受访者在看完信息后可以修改他们对于经济指标的预测。修改后的预测将取代修改前的预测参与抽奖。
下图显示了五组受访者对于中国2020年一季度GDP增长率的第一次和第二次的预测结果。
中国2020年一季度GDP增长率的第一次和第二次的预测结果
我们利用计量模型进行分析，得到以下发现。首先，受访者自己估计的全国复工率与我们提供的平均复工率之间的差值对于其预测修改没有显著影响。其次，这五组受访者在拿到不同信息后对于GDP增长率的修改也没有显著差异。
也就是说，受访者并不会基于复工率来更新自己对于GDP增长率的预测，而且这个结论对于所有的五个组都是成立的。所以，我们的随机对照试验说明，复工率水平，以及不同的提供复工率水平的方式，都不会导致受访者基于此来更新自己对于GDP增长率的预测。
我们的研究希望向各国决策者们传递一个朴素的道理：在疫情蔓延之时，“抗疫成功”比“维持开工”更有助于重塑经济信心！或者套用一句老话：存人失地，人地皆存；存地失人，人地皆失。
希望全球的新冠疫情可以早日得到控制！