一、內容提要
2020年年初，起源於湖北省武漢市的新型冠狀病毒肺炎疫情，迅速蔓延至全國所有省份，截至2月27日已致全國7.8萬餘人感染，病亡2700餘人。這次新冠肺炎疫情，是新中國成立以來在我國發生的傳播速度最快、感染範圍最廣、防控難度最大的一次重大突發公共衛生事件。疫情不僅嚴重危害國民的身心健康，還因為突然性的“封城”、“閉戶”，在短時期內對國民經濟執行造成一定的衝擊。特別是廣大個體經營者，持續性的閉門休市，已經給千百萬以此為生的家庭造成了嚴重影響。當前，疫情蔓延勢頭得到初步遏制，防控工作取得階段性成效，全國大多數地區在加強疫情防控的同時，也在有序推動復工復產。但是，與積極推動規模以上大企業和大型商超復工復產相比，各地地方政府對推動個體經營戶恢復營業的積極性明顯不高。然而，遍佈城鄉各地的沿街商鋪和流動商販等個體經營戶，不僅是很多家庭賴以維生的重要經濟來源，也是市場經濟執行的微觀基礎和國民經濟發展的毛細血管，對巨集觀經濟的健康發展和穩定執行具有非常重要的意義。2月23日召開的從中央到省、地市和縣各地政府主要負責人均參加的“統籌推進新冠肺炎疫情防控和經濟社會發展工作部署會議”上，習近平總書記專門強調要“解決個體工商戶儘快恢復營業的問題”。2019年12月30日、2020年2月18日的兩次國務院常務會議上，李克強總理也都肯定了個體工商戶、“小店經濟”對經濟可持續發展和實現包容性就業的重要價值。
不過，個體經營戶的重要價值雖然已經得到各界的廣泛認可，但無論是政策界還是學術界，對個體經營戶的具體經營情況卻甚少討論，對全國和各地區的個體經營戶的總量、營業額、結構等，也缺乏更詳細的統計資料，因而難以更深入地研判分析。疫情對個體經營戶的經營到底產生了多大沖擊，也缺乏量化的評估分析。究其原因，就是因為作為一種非正式或半正式的商業活動，沿街商鋪和流動商販等個體經營戶的相關統計比較困難，因此在統計上會或多或少地被遺漏。在上述背景下，本報告利用支付寶旗下的數億級的“碼商”資料和機器學習分析方法，估算了中國個體經營戶的實有規模，然後在此基礎上定量評估了疫情對個體經營戶產生的衝擊，並特別考察了金融科技起到的緩解疫情衝擊的作用。
上述研究成為可能，完全是因為數字經濟和數字金融的深入發展和廣泛滲透。在數字經濟時代，電子支付越來越成為中國人購物消費時的首選。根據中國人民銀行金融消費權益保護局的調研資料，2018年，全國使用電子支付的成年人比例為82.39%；農村地區使用電子支付的成年人比例也達到72.15%。在此大環境下，不僅各種網際網路線上的商業交易是通過網際網路支付等線上支付手段進行的，甚至各類沿街商鋪和流動商販等個體經營戶也是通過支付寶、微信、銀聯支付等機構提供的二維碼支付等電子支付手段來進行收款的，這就為這些個體經營戶留下了重要的資料記錄。而這些資料資訊在這些收單機構內的積累形成的大資料，就可以產生單個資料點所無法產生的價值。例如根據這些收單流水等資訊，收單機構就可以自己或聯合其他放貸機構，向這些被傳統金融機構完全忽略的小店小鋪發放貸款，從而大大擴充套件了傳統金融機構放貸的邊界，有力地促進這些國民經濟毛細血管的成長。而另一方面，這些資料形成一定的積累後，還可以用來幫助我們從較為巨集觀的層面分析這些非正式和半正式商業活動的規模及其在促進國民經濟發展、穩定就業等方面的價值。本報告就是這方面的一個大膽嘗試。
具體而言，在本報告中，課題組基於支付寶數億量級的二維碼收單工具——“碼商”的資料，利用機器學習等分析方法，估算了中國個體經營戶的總量。就分析的具體思路而言，課題組的一個核心假定是杭州作為支付寶的總部所在地，支付寶的碼商已經對杭州市的個體經營戶基本實現了全覆蓋，即杭州的碼商數量與個體經營戶數量基本等同。基於這一假定，課題組對杭州市的經濟、人口、地理、氣象等特徵與碼商數量之間的關係進行機器學習建模，並進而將杭州市訓練得到的引數“泛化”到其他城市，根據其他城市的上述經濟人口等特徵和上述引數，估算該地區的個體經營戶的總量。在上述建模中，為了更好地解決微觀資料聚合尺度的問題，課題組還將全國劃分為26.7萬個不規則的多邊形——泰森多邊形。根據我們的估算，全國2018年個體經營戶總數量約為9776.4萬戶，比第四次全國經濟普查得到的官方口徑高出54.8%，按該次普查得到的個體經營戶帶動勞動力的平均係數推算，全國個體經營戶實際貢獻的就業量約2.3億人，平均每天產生約2.3億筆交易，全年營業額達13.1萬億元，約佔到全國社會消費品零售總額的三分之一。
在估算出全國和各地區的個體經營戶規模之後，我們進一步定量評估了本次疫情對個體經營戶產生的衝擊。評估的基本邏輯是根據2019年同期以及2020年1月20日前兩週的碼商資料用機器學習演算法來“預測”如果沒有疫情發生，在2020年1月31日（正月初七）-2月14日（正月廿一日）兩週時間內，碼商的總量、交易額等“反事實結果”，然後與2020年這兩週時間內實際發生的商戶量、交易額等進行比較，兩者相差就是疫情這個突發的外生衝擊的真正影響。具體而言，根據我們的估算，在重點疫區湖北省，碼商活躍商戶量和交易額分別下降59.3%和69.7%；而在全國其他地區，活躍商戶量和交易額則分別下降約40%和50%。而在金融科技緩解疫情衝擊、穩定經濟和就業作用的分析中，我們基於我們課題組編制的“北京大學數字普惠金融指數”的底層指標與不同地區碼商資料的匹配和迴歸，發現一個地區金融科技的發展，可以顯著緩解疫情對該地區個體經營戶的衝擊。具體而言，基於數字技術精準發放的貸款每增長1%，疫情帶來的影響平均就減弱2.57%。如果一個地區基於數字技術精準發放的貸款，能從全國的均值發展到杭州的水平，會使得疫情的負面衝擊下降約51%。
基於上述研究結論，課題組提出以下幾個政策建議：第一，劃分疫情風險等級，精準施策，逐步支援個體經營戶有序復業。在疫情爆發初期，各地採取一刀切的防範措施，可以理解。但隨著對疫情認識的逐漸深入，特別是疫情得到初步遏制的新形勢下，各地應該儘快按照中央部署，根據風險等級，做出響應級別的相應調整。各地政府應該在充分防範疫情風險的前提下，為個體經營戶有序復業創造有利條件。第二，採取各種措施，切實降低個體經營戶的經營成本。政府應該在不放鬆疫情防範措施的前提下，保證全國物流的暢通。鼓勵沿街商鋪、批發市場、農貿市場等的物業公司、房地產企業、商場等機構對微型商戶減免疫情期間的攤位費、房租、管理費等費用。而稅務部門則可允許這些機構將減免的租金、攤位費等進行稅前抵扣。對於商業用水、用電價格進行適度調整。第三，將資金直接推送到離個體經營戶最近的金融機構，同時充分發揮數字金融的作用。一些數字金融機構利用移動支付等數字技術，解決了獲客難與風控難的問題，服務了大量的線上、線下個體經營戶。但數字金融機構往往缺乏資金，因此，政府應該通過央行再貸款、專項債及資產證券化等工具把資金推送到直接服務個體經營戶的網路銀行與其它金融機構，同時鼓勵它們通過貸款展期、息費減免等手段幫助個體經營戶維持經營，共度難關。
二、中國個體經營戶總量測算
正式估算之前，需要對個體經營戶的概念進行說明，特別是其與個體工商戶之間的區別和聯絡。粗略來講，所謂個體工商戶，是指按照相關法律法規在工商部門註冊登記過的個體經營戶；而個體經營戶則不僅包含工商註冊的，還包括沒有註冊過，但實際上在從事個體經營行為的商戶。此外，從嚴格定義而言，除線下的沿街商鋪和流動商販等之外，個體經營戶還應該包括在各個網路平臺上開展小額交易的微型商戶，但在本報告中，我們僅考慮線下的個體經營戶，這個範圍與我們的日常用語相吻合。
而“碼商”之所以能為本研究提供基礎性資料，首先是因為“碼商”的定位和服務物件與個體經營戶高度重合。例如，“碼商”基本上都是用個人的名義註冊，這與個體經營戶不區分經營實體與經營人的特點高度契合，這樣就排除了那些大型商超、連鎖店等大型商業機構，這些大型商業機構往往以公司名義註冊和收款，這部分業務由支付寶中不同於碼商的其他部門負責。而統計也顯示，碼商的營業額也普遍不高，99%的碼商通過支付寶收款的年營業額在40萬元之下，也與我們理解的個體經營戶的規模高度一致。其次，個體經營戶也有很強的積極性去註冊、使用碼商，這也是一個非常重要的前提。實際上，開通碼商非常方便，只需要通過手機簡單申請即可即時生成；而且這個商戶也有很強的激勵開通碼商，因為使用收錢碼而不是平常的收款二維碼，可以減擴音現手續費。最後，我們刪去了那些交易不活躍、無法確定經營區域範圍的碼商，這樣就保證了納入研究樣本碼商後面確實是一個日常性經營的商戶，而不是一種偶爾嚐鮮的個人使用者。
2.1 測算方法
為對個體經營戶的規模進行科學估算，我們必須對其基本特徵進行一番考察：首先，線下與微型兩個基本特徵決定其服務物件往往是其經營場所附近的人群，因此他們的商業特徵也與其所在地在的周圍環境密切相關。其次，由於資料限制，我們目前只能基於支付寶這一家機構的支付工具積累的資料進行估算，而支付寶在全國不同城市的推廣程度不同：在其總部所在地杭州市，覆蓋率已經非常高。假定碼商在杭州已經實現了對個體經營戶的全覆蓋，是我們開展估算工作的一個基本假定。
此外，為了解決資料聚合中的尺度問題，我們以全國銀行網點為中心點，構造了一種被稱為“泰森多邊形”的不規則形狀。最終，課題組一共獲得中國內地266793個銀行網點（距離過近的銀行網點有所合併），並基於此構建泰森多邊形，將內地31省（直轄市、自治區，以下簡稱“省”）進行了網格化分割。圖1展示了杭州市西湖區經過網格化處理後的結果，每一個紅點就是一個銀行網點，細線便代表泰森多邊形的邊界。杭州市西湖區是一個很好的視覺化樣例，因為一方面它的東北區域是密集的城市商業區，銀行網點密集；另一方面南部東部存在面積廣大的風景區，只有山坳中的小鎮，從而銀行網點就稀疏一些。這一密一疏恰恰展現了基於銀行網點的泰森多邊形對不同商業活躍環境的自調節能力，從而達到了我們預期中的效果。
注：中圖為研究者自繪，藍點代表餐館，位置資訊來抓取自高德；左右圖擷取自谷歌地圖。二者形狀上的差距系不同投影方式造成。
2.2 資料說明
確定好度量尺度後，我們需要將相關資料在這一層面進行彙總聚合。首先，為了儘可能地做到精確的估計，螞蟻金服研究院的資料科學家提取了2018年脫敏清理後的“碼商”資料，在前述泰森多邊形層面進行聚合，從而獲得了26.7萬個多邊形*12個月的皮膚資料。主要資料包括商戶量、交易額、服務人數、交易次數、以及按照碼商註冊人資訊劃分的一些分屬性子樣本資料，如年齡24歲以下碼商、年齡55歲以上碼商、女性碼商，外省人碼商，等等。上述資料通過螞蟻金服開發的研究開放平臺“數巢實驗室”與課題組獲取的其他外部資料進行匹配，從而在保護資料安全的前提下，使得相關學術研究成為可能。
同時，為了更好地刻畫泰森多邊形內的碼商與該多邊形的人口、經濟、地理等特徵之間的關係，課題組儘可能多地獲取了很多外部資料：
首先，我們通過API從高德地圖中獲取了約3500萬個興趣點的資料。興趣點是一個地理資訊系統的概念，簡單而言，一切可以在高德地圖檢索到的商店、飯店、學校等實體，都可以稱為一個興趣點。我們共獲取了與本研究相關的18個一級分類（如商店、飯店）、224個二級分類（如飯店可以分為中餐館、西餐店）、554個三級分類（如中餐館可以分為北京菜、魯菜）興趣點。與碼商資料的聚合方式一樣，我們將這些興趣點在泰森多邊形層面上進行聚合。
其次，為了獲得與泰森多邊形粒度儘量相匹配的巨集觀資料，我們使用了500米精度的夜晚燈光亮度資料，1公里級別的人口柵格資料，以及30米精度的高程（可簡單認為是海拔）資料。夜晚燈光資料來自美國國家大氣與海洋局公佈的VIIRS資料，使用的是2018年的年度資料。由於這一代衛星的過境時間是凌晨1:30，更多的是衡量城市建設和24小時運轉的重工業。人口資料來自哥倫比亞大學提供的，結合了衛星遙感和普查資料推算，原始資料的顆粒度為1公里柵格，為進行匹配，我們進行了簡單平均的超解析度處理，時間為2015年，這已經是能夠找到的最新年份人口資料。高程資料則主要用來生成一些衡量該區域地理崎嶇程度的變數，這顯然也是一個影響個體經營戶服務周邊人群便利程度的重要指標。
再次，由於個體經營戶對於天氣情況極為敏感，特別是夜間經濟受到氣溫的影響尤其明顯，故而我們使用了來自歐洲中期天氣預報中心的氣象資料，主要包含氣溫、風力、溼度與降水量，資料精度為約25公里的柵格。此外，空氣質量也可能對線下商戶活躍程度有所影響，故而我們獲取了中國大陸境內1400餘個空氣監測點資料，包括空氣質量指數（AQI）以及PM2.5、PM10、SO2、CO、NO2、O3等單項汙染物濃度資料。
最後，為了衡量金融科技環境對於個體經營戶的影響，我們提取了我們課題組2019年編制的“北京大學數字金融普惠指數”的底層指標（取自然對數後進行標準化）。這些底層資料相較於指數化後的結果，可以更加清晰地衡量每個分項指標的影響力，同時也可以對影響的尺度進行清晰的量化解釋。
2.3 機器學習演算法
本小節介紹我們利用碼商資料，估算個體經營戶總規模的基本假設和機器學習演算法。首先需要解決的一個矛盾是，如何使用我們可以獲取的支付寶碼商資料（記作Y），估算個體經營戶的總規模（記作Z）。為了建立特徵變數（X），即燈光、人口、地理、氣象、空氣質量等變數，與不可觀測的Z變數之間的對應關係，我們首先需要找到Y與Z之間的聯絡。
在很多地方，個體經營戶的數量與規模與碼商的數量與規模顯然存在一定的差異。但是作為螞蟻金服與阿里巴巴的總部所在地，同時擁有較高網際網路滲透率的杭州市，卻為我們提供了一個理想的樣本。在杭州市，碼商對個體經營戶的滲透率已經非常高，絕大多數個體經營戶都使用支付寶作為支付方式，即在杭州市，碼商數量已經約等於個體經營戶的數量。因此，通過下述演算法邏輯就可以通過全國各地碼商的規模來估算個體經營戶的規模：以杭州市3075個泰森多邊形為訓練集，訓練出特徵變數X與個體經營戶（Z，在杭州同時就是Y）之間的統計關係，進而泛化到其他城市：利用其他城市各個多邊形的特徵變數X和訓練得到的引數，估算出該城市各個多邊形對應的個體經營戶Z等指標。
關於機器學習演算法，我們最終選取的是梯度下降樹（Gradient Boosting Decision Tree，GBDT）迴歸。對於具體的訓練過程，我們首先將訓練集資料進行9：1的劃分，預留10%樣本作為最後的測試集，然後對於90%的訓練資料，進一步拆分為4：1的訓練集和驗證集。以交叉驗證的方式尋找最優的超引數組合，獲取最優引數後，在最終10%的測試集樣本中進行最終的準確度測試，以抑制過擬合的問題。根據上述方法構建的機器學習演算法，訓練後的模型預測能力的R2 可以達到0.9以上。最後，以訓練得到的最優的、在測試集達到準確度要求的超引數組合，在杭州全部的3075個多邊形樣本上進行重新擬合，然後得到的引數即為我們最後模型泛化時使用的引數。
2.4 基本估算結果
圖2中給出了根據上述方法測算的中國個體經營戶的幾個關鍵數值。具體而言，中國個體經營戶總量約為9776.5萬戶，比第四次全國經濟普查統計到的2018年全國個體經營戶6295.9萬戶，多出54.8%。而同樣根據第四次全國經濟普查的資料，每個個體經營戶平均對應2.37個從業人員，因此一個相對粗糙的估算結果是，全國個體經營戶牽扯著約2.3億人的就業問題。根據中國統計年鑑，2018年全國勞動力人口共計8.06億人，因此，個體經營戶從業人員就佔到了全國勞動力人口的28.8%。
此外，全國個體經營戶2018年全年營業額約為13.1萬億元，與之相對應的一個數值是社會消費品零售總額，2018年全國社會消費品零售總額的規模為38.1萬億元人民幣，因此個體經營戶商戶與社會消費品零售總額之比約為34.4%。不過，這裡需要強調的是，雖然這些個體經營戶在統計上會被或多或少地遺漏，但它們畢竟也是整個市場經濟中的活躍參與者和重要環節，它們上下游的貨物、服務均與其他商業形態發生關係，而這些商業形態則會更有可能被納入正規的統計。故而，我們進行的核算結果，並不能說是對於原有統計數字的全新補充。上述營業額統計，究竟有多少已在統計部門正式統計當中，有多少被正式統計所遺漏，限於官方公開的統計資料細節缺失，此一問題暫時無法嚴謹探究。
最後，全國個體經營戶全年產生的總交易筆數約為839億筆，即平均每天2.3億筆。一個形象化的理解便是：平均每天每六個中國人裡便有一個人和個體經營戶發生過交易，這大體也符合我們的生活常識。
圖2：中國個體經營戶關鍵資料
通過上述對中國個體經營戶規模的的估算，我們可以得到以下幾點重要結論：首先，個體經營戶規模龐大，支撐著近億個家庭，數億人口的生計，承載著人們對美好生活嚮往的物質基礎。其次，單個個體經營戶規模雖然微小，但是總量巨大，是我國商業體系和市場經濟的重要組成部分，個體經營戶的健康執行，對上游工廠和批發商意義重大。最後，個體經營戶在以極高的頻率與廣大民眾發生著非常密切的關聯，構成了國民經濟執行的毛細血管，為千家萬戶提供服務，為社會注入活力。總而言之，規模龐大的個體經營戶上關國民經濟的健康執行，下涉千家萬戶的柴米油鹽，具有非常重要戰略意義。
更多關於個體經營戶分佈特點與影響因素的分析，限於篇幅與主題，在本篇報告就不再詳細展開了，有興趣的讀者可以關注我們課題組對中國個體經營戶的後續系列化的研究報告。
三、新冠疫情對個體經營戶衝擊的定量評估
3.1 估算方法
在經濟學中，進行外生衝擊或某一個政策的效果的評估中，一個根本性的問題是，如何進行反事實構建。具體而言，我們只能夠觀測到受新冠疫情影響的實際資料，而不知道如果疫情沒有發生，經濟資料將會是什麼樣子。為了進行疫情衝擊評估，最理想的方式是我們構建一個沒有新冠疫情的2020年個體經營戶經營狀況的“反事實結果”，那麼疫情帶來的衝擊便是商戶2020實際經營規模與反事實構造出的2020經營規模之差。因此，現在的核心問題便是如何計算一個合理的沒有疫情發生的2020的“反事實結果”。機器學習方法為此提供了一種思路。具體而言，使用機器學習演算法，利用疫情之前的資料，來“預測”一個2020年春節後的資料，由於只使用了疫情前的資料，因此相當於構造出了一個如果沒有疫情發生的“反事實結果”。使用機器學習演算法構造反事實結果，進而進行因果推斷的思路，已經成為經濟學實證研究的最新趨勢。
具體而言，機器學習演算法的構建策略與前文對個體經營戶總規模的測算非常類似。2020年1月20日可以視為疫情的一個重要轉折點，該日後，全國各地逐步進入了被肺炎疫情影響的狀態：確診人數增加，更嚴格的管理政策隨之到來，個體經營戶經營受到嚴重影響。而在1月20日（農曆廿六）之前，包含線下商業活動在內的經濟活力並沒有受到明顯的影響，可以視為一個典型的春節節前狀態。而線下商業活動往往在春節前後呈現明顯的週期性特徵，如果我們能拿2019年春節前後同期的資料建立一個對映關係，那麼，在控制足夠外部變數的前提下，若不存在疫情，2020年春節前後的對映關係應當維持一致。
這就是我們利用2019年同期（按農曆算）資料和2020春節前資料，構造2020年春節後如果沒有疫情發生的“反事實結果”的基本思路。模型的訓練樣本為2019年的資料，具體而言，2019年1月18日到1月31日（農曆廿六）的碼商資料，以及上述外部獲取的經濟、人口、地理等資料，為特徵變數；2019年2月11日（正月初七）到2月24日的碼商資料為響應變數。使用上述響應變數和特徵變數，在全國26.7萬個泰森多邊形的尺度上，進行機器學習演算法訓練。演算法的選擇、訓練方式與前文類似，最終預測準確率在90%以上。之後，將上述訓練得到的引數，泛化到2020年，從而根據2020年1月7日至1月20日的碼商資料，以及其他外部特徵資料，就可以構造出如果沒有疫情的發生，2020年春節後應該具有的“反事實結果”。
3.2 全國總體衝擊情況
全國層面的整體衝擊情況如圖3所示。在全國的總體層面上看，受疫情影響，在正月初七後的兩個星期時間內，活躍的個體經營戶減少了40.4%，而營業額則降低了52.4%。結合前文關於個體經營戶總體規模的推算，疫情使得這兩週內的活躍商戶量減少約3949.7萬戶，減少營業額約2640億元人民幣，涉及0.92億的就業人員，而且不同於大企業職工，小鋪小店如果沒有營業，這些就業人員基本就沒有“工資”。疫情對於線下微型商業的衝擊相當巨大。
圖3：疫情的總體衝擊情況
3.3 疫情衝擊的異質性分析
疫情嚴重程度的異質性：湖北之外疫情衝擊程度並不隨疫情嚴重程度而更加嚴重。為了進一步考察不同地區疫情嚴重程度不同時，個體經營戶所遭遇的衝擊幅度是否有明顯的差異，例如是否疫情越嚴重，對個體經營戶的衝擊就越嚴重，我們將內地31個省的疫情按照其感染病例數劃分為五個等級，進行分別評估。劃分後的疫情等級圖如圖4所示。
圖4：全國疫情按確診病例數的疫情等級劃分
資料來源：丁香園，2020年2月16日。
圖5報告了分疫情等級的疫情衝擊評估估計。從中可以看出：湖北省作為疫情最嚴重地區，疫情對個體經營戶造成了嚴重的衝擊：視窗期內湖北省活躍個體經營戶下降59.3%，營業額下降69.7%；而對於其他等級的地區，圖5則顯示，疫情對個體經營戶的衝擊並沒有非常明顯的差異，特別是並沒有出現疫情越嚴重，衝擊越嚴重的證據：其他地區視窗期內活躍商戶下降約40%，交易額下降約50%。這樣的結果，也在情理之中，疫情發生後，由於對疫情認識還不成熟，疫情形勢還存在較大的不確定性，各地迅速啟動了一級響應，對疫情的防控措施異常嚴厲，且高度一致。而在節後的復工復產中，雖然國務院將春節假期延長至2月2日，但由於疫情形勢依然嚴峻，各地推動復工復產的節奏均較慢。受上述因素影響，雖然各地疫情各有不同，但各地管制政策高度統一，從而導致疫情對湖北以外各地區個體經營戶的衝擊幅度大體相同。隨著對疫情認識的更加深入，各地根據疫情嚴重程度，切實採取分類施策後，疫情衝擊的恢復有望出現差異化的步伐。
圖5：疫情等級與疫情衝擊程度
四、金融科技在緩解疫情中的作用
在定量評估疫情對個體經營戶衝擊之後，我們來考察一下金融科技在緩解疫情衝擊中的作用。之所以進行這樣的的分析，是因為規模極其微小的個體經營戶，基本都不在傳統金融機構的服務範圍。但金融科技機構，憑藉其經營中獲得的海量資料積累，通過精準放貸，也許可以緩解疫情對個體經營戶的衝擊。為此，我們將上述26.7萬個泰森多邊形資料與我們課題組在2019年編制的“北京大學數字普惠金融指數”的底層指標進行了匹配。對於數字普惠金融指數，我們使用的是2018年2800多個縣域（縣、縣級市、市轄區）資料，具體使用的指標則為信貸指標。研究設計上，被解釋變數為疫情衝擊的緩解程度，具體為log(疫情資料）- log(構建的反事實資料）；而核心解釋變數為某縣域的金融科技發展水平，也取對數。其他控制變數如上文所述。這樣迴歸係數就反映了金融科技對疫情衝擊的緩解程度，具體含義為當前業務每增長1%，疫情的衝擊將減少多少。
為了與上文更好地對應，我們將回歸結果依然以繪圖的方式呈現。圖6報告了全國樣本的迴歸結果以及疫情不同等級地區的分樣本回歸結果（由於西藏和青海兩省的資料太少，迴歸結果不夠穩健，因此沒有報告這兩個省份的迴歸結果），圖中的數值即上述迴歸方程的係數。圖6的結果表明，基於數字技術精準釋放的信貸的發展可以起到緩解疫情衝擊的作用。全國總體而言，基於數字技術精準釋放的信貸每增長1%，疫情的衝擊幅度就下降2.57%。為了對金融科技的這個緩解作用有更直觀的感受，我們比較了基於數字技術精準釋放的信貸發展水平較好的代表性城市杭州市與全國平均發展水平之間的發展差異，據此可以得到如下結論：如果一個地區的基於數字技術精準釋放的信貸發展水平可以從全國平均水平上升到杭州市的發展水平，則可以使得疫情衝擊幅度下降約51%，即疫情的衝擊強度減弱約一半。
疫情不同等級的迴歸結果則表明，數字金融對疫情衝擊緩解作用跟疫情嚴重程度似乎沒有特別大的關係。這再次證實了上文的結果：疫情衝擊程度跟疫情嚴重程度沒有關係，而跟疫情引發的管制程度有關。
圖6：疫情不同等級地區的網際網路信貸對疫情衝擊的緩解作用
五、政策建議
經過全國各界的共同努力，目前疫情蔓延勢頭得到初步遏制，防控工作已經進入一手抓防疫，一手抓生產的階段。為了在做好防疫工作的同時，有序推動復工復產，幾乎每一層級的政府，每一個部門，都已經出臺或正在積極謀劃出臺相關的扶持政策，以緩解疫情衝擊，穩經濟、穩就業、保民生。而有效的扶持政策，有賴於對疫情衝擊的科學認識，特別是對疫情衝擊的定量評估。根據我們上文關於全國個體經營戶規模以及疫情衝擊的定量評估取得的結論，課題組認為以下幾方面的問題，各地政府在制定相應扶持政策時，應該給予充分的考慮：
第一，劃分疫情風險等級，精準施策，逐步支援個體經營戶有序復業。在疫情爆發初期，各地採取一刀切的防範措施，可以理解。但隨著對疫情認識的逐漸深入，特別是疫情得到初步遏制的新形勢下，各地應該儘快按照中央部署，根據風險等級，做出響應級別的相應調整，避免疫情衝擊從短期需求衝擊長期化為供給衝擊。各地政府應該在充分防範疫情風險的前提下，為個體經營戶有序復業創造有利條件，同時鼓勵、支援它們通過線上+線下的方式，擴大外賣業務，進一步降低風險。
第二，採取各種措施，切實降低個體經營戶的經營成本。政府應該在不放鬆疫情防範措施的前提下，保證全國物流的暢通。同時，對於有固定營業場所的個體經營戶，其最大的成本往往就是店鋪租金，政府可以出臺政策，鼓勵沿街商鋪、批發市場、農貿市場等的物業公司、房地產企業、商場等機構對微型商戶減免疫情期間的攤位費、房租、管理費等費用。而稅務部門則可允許這些機構將減免的租金、攤位費等進行稅前抵扣。對重點農副產品的採購、運輸等也可以考慮提供補貼，切實降低商戶的進貨成本，這也有助於緩解通脹壓力。對於商業用水、用電價格進行適度調整。
第三，將資金直接推送到離個體經營者最近的金融機構，同時充分發揮數字金融的作用。個體經營者不容易獲得金融服務，主要還是因為金融機構缺少渠道與抓手。一些數字金融機構利用移動支付等數字技術，解決了獲客難與風控難的問題，服務了大量的線上、線下個體經營戶。但數字金融機構往往缺乏資金，因此，政府應該通過央行再貸款、專項債及資產證券化等工具把資金推送到直接服務個體經營戶的網路銀行與其它金融機構，同時鼓勵它們通過貸款展期、息費減免等手段幫助個體經營戶維持經營，共度難關。
來自：中國個體經營戶總量測算與新冠疫情衝擊評估 ——兼論金融科技“穩經濟”的價值