行为视角下的疫情分析成因影响与对策综述.docx
- 文档编号:30314154
- 上传时间:2023-08-13
- 格式:DOCX
- 页数:17
- 大小:30.86KB
行为视角下的疫情分析成因影响与对策综述.docx
《行为视角下的疫情分析成因影响与对策综述.docx》由会员分享,可在线阅读,更多相关《行为视角下的疫情分析成因影响与对策综述.docx(17页珍藏版)》请在冰豆网上搜索。
行为视角下的疫情分析成因影响与对策综述
行为视角下的疫情分析:
成因、影响与对策综述
摘要:
本文从流行性传染病特征和医学传染病模型出发,对影响疫情的非理性因素、疫情的直接与间接结果进行文献综述,分析极端事件中的反应不足与过度反应。
在成因上,本文梳理了不完全信息贝叶斯学习和显著性理论等决策行为假说,来理解人们行为背后的信息处理机制和情感作用渠道。
在结果上,疫情及有关政策对经济金融活动的直接影响尚缺准确评估,恐慌情绪与羊群行为、社会信任危机、风险态度转变及异质性信念等疫情间接结果也有待深入研究。
最后,本文基于已有文献和疫情行为分析,对未来学术研究及政策管理提供思路和建议。
一、引言
流行性传染病是现代社会面临的重要挑战之一,容易引发信息不确定性与恐慌情绪,还可能波及全球,需要人们跨区域合作应对。
世界卫生组织报告显示,进入21世纪以来,级别在“全球关注的突发性公共卫生事件"(PublicHealthEmergencyofInternationalConcern,PHEIC)及以上的流行性传染病类灾难事件已有五次SARS(2003),H1N1(2009),脊髓灰质炎(Polio,2014),埃博拉(Ebola,2014)和新冠肺炎(COVID—19,2019)加之1854年霍乱、1918年大流感、1957年H2N2流感和1968年H3N2流感,流行性传染病频繁出现,始终威胁着人类社会的稳定发展。
经济与金融文献对相关议题的研究较为有限,已有研究主要分析了1854年霍乱(Ambrusetal.,2020)1918年大流感(AlmondandMazumder,2005;Almond,2006),1957年H2N2流感(Keogh—Brownetal.,2010),2003年SARS(LeeandMcKibbin,2004;Fan,2013),2009年H1N1(Pasquini—Descompsetal.,2017),2015年MERS(JungandSung,2017)和2019年COVID—19(Fangetal.,2020)等流行性传染病对宏观经济的影响,并对疫情期间各项管理措施进行成本收益分析(Pitmanetal.,2005),宏观经济研究关心流行性传染病对房地产价格、国民生产总值的影响。
例如,Ambrusetal.(2020)研究了1854年霍乱对伦敦房产价格的影响,发现直到现在,霍乱起源地及其附近地区的房产价格仍然显著低于周边区域。
Keogh—Brownetal.(2010)构建宏观模型,估计1957年H2N2流感造成英国第一季度GDP下降3.35%,全年GDP下降0.58%。
公共卫生学者则专注于制定防控措施,并评估各项策略的优劣性。
目前主要应对措施包括病例隔离、家庭隔离、公共场所关闭和交通限制等,学者对2003年SARS(Cooperetal.,2006;Fergusonetal.,2006),2009年H1N1流感(Pasquini—Descompsetal,2017)期间各项措施进行了成本收益分析,但哪种方式最为有效,意见并不统一。
在已有研究中,流行性传染病与其它罕见灾难作用相似,多作为外生冲击,通过死亡概率、死亡人数等因素影响经济。
目前有少量文献从流行性传染病与其它种类罕见灾难的区别出发,深入理解疫情与微观个体行为之间的关系并估计疫情对经济造成的间接影响(LeeandMckibbin,2004),以恐慌情绪为例,Blendonetal.(2004)对加拿大和美国进行了问卷调查,受访者担心感染SARS的负面情绪共造成加拿大10亿加元损失。
但实际上,美国和加拿大仅有数百名确诊病例和38名死亡病例。
人们在疫情期间高估了病毒传播概率,恐慌情绪造成较大经济损失。
因此,我们从罕见灾难研究和流行性传染病特征出发,希望借助行为金融学来理解流行性传染病对个体的影响,以期填补文献上的不足。
具体而言,本文研究思路如下:
一是综述罕见灾难类文献,分析流行性传染病与其它罕见灾难的差异,并引入医学传染病模型(SEIR)理解疫情发展;二是讨论影响疫情的非理性因素,依据不完全信息贝叶斯学习
(Gallagher,2014)构建的人类认知机制来分析疫情期间出现的认知型偏误,运用显著性理论(Bordaoetal.,2012)解读疫情期间的情绪型偏误,并讨论地域文化对疫情及管控的作用;三是梳理疫情因客观因素产生的直接影响,并讨论疫情因人们的理性或非理性反应产生的间接影响;四是基于文章内容,对未来学术研究和政策管理提出建议。
根据已有关于疫情的研究,本文认为未来的主要研究内容是:
研究方法上,大数据和新兴技术的兴起为深入研究疫情引发的宏微观现象提供了契机,在疫情相关研究中引用医学专业模型能有效提高研究可靠性。
研究主题上,少有文献从社会整体福利出发综合评估疫情管控措施的直接与间接结果,也少有学者讨论地域特征对疫情进程的影响,挖掘个人主义、家庭关系、宗教信仰等因素的作用具有重要意义。
基于相关文献的梳理与讨论,本文总结政策建议如下:
一是注重早期结论准确性,谨防现存状态偏误、过度自信偏误和可得性偏误对早期判断的影响,及时准确公布灾情信息,引导个体形成正确信念。
二是对于信息处理引发的有意羊群行为,通过提升信息透明度、加强早期信息准确度等方式,可以有效降低锚定效应和可得性偏误对个体信念和决策的影响、抑制恐慌情绪和羊群行为。
三是对于情感因素引发的无意羊群行为,参考点调整和注意力分散是抑制恐慌情绪的合理方式,普及历史疫情进程、各国防控进度等有利于民众将参考点调整至适当位置,减少现存状态偏误和过度自信偏误对个体行为的影响。
四是在风险态度方面,需关注情绪对风险偏好的影响,防止企业和居民行为出现不合理变动。
本文主要贡献如下:
第一,基于已有文献对罕见灾难的研究(DessaintandMatray,2017),我们详细梳理了影响疫情的非理性因素,以及疫情通过非理性渠道对经济金融活动产生的间接影响。
恐慌情绪、社会信任、风险态度以及个体信念等因素可能引发不亚于灾难本身的损失,是罕见灾难类文献的重要研究对象。
但已有文献对人们在疫情中的非理性行为及其间接影响知之甚少。
本文基于罕见灾难类文献,从不完全贝叶斯学习和显著性理论等假说出发,讨论了疫情下人们的行为及其造成的间接影响
第二,本文在文献综述中参考了叙事经济学(NarrativeEconomics)的研究方法,介绍了医学传播模型在行为分析中的应用,并据此构建了恐慌情绪分析框架。
Shiller(2017)在叙事经济学中引入
SIR(Susceptible,Ilnfectious,Recovered)模型,用以分析社会时尚、社会观点的传播过程。
传染性疾病和恐慌情绪在传播动力学方面较为特殊,传统计量模型难以对其进行准确的估计,本文借用Shiller(2017)的分析方法,首先介绍了建立SEIR模型的标准方式,然后根据不同人群在谣言传播过程中的角色差异,构建了用SEIR模型分析恐慌情绪的基本框架,为未来经济金融研究提供参考。
第三,以疫情中的人类行为为背景,梳理个体行为对市场可以产生系统性影响的观点,总结疫情经历可能对个体行为存在长期影响的理论依据。
传统理论认为市场中不应存在人类行为导致的系统性偏误,一是因为错误决策会被理性投资者发现并消除,二是因为行为偏误在人群中随机出现,不同方向的偏误应当在市场均衡过程中相互抵消(Fama,1970),然而在历次灾难中,相关研究显示认知和情绪的影响深深根植在人们决策过程中,信息处理和情感因素造成的系统性误差不可忽视,同时,疫情可能改变人们的风险态度和个体信念,进而形成长期影响。
二、流行性传染病与SEIR模型
(一)流行性传染病:
信息不确定性、恐慌情绪与全球性
罕见灾难是指尾部风险极高的小概率事件,一旦发生会对人类社会造成巨大威胁(Rietz,1988),主要包括地震(Jackson,1981)、飓风(DessaintandMatray,2017)、洪水(Gallagher,2014)、火山爆发、海啸、山体滑坡和火灾等(Bernileetal.,2016)重大自然灾害,以及经济萧条(KnUpferetal.,2017;MalmendierancNagel,2011)、金融危机(Guisoetal.,2013;韩立岩等,2009)、人类战争(KimandLee,2014;HolmanandSilver,1998),、疾病瘟疫(AlmondandMazumder,2005)等人为因素引发的灾难。
已有文献主要研究了罕见灾难对受灾地区及其邻近地域造成的影响,例如DessaintandMatray(2017)观察了美国飓风对企业管理者的影响,发现未受飓风影响但所在地区邻近灾区的企业,会显著增加现金资产。
然而流行性传染病可能波及全球,1918年大流感在全球广为扩散,造成数千万人死亡。
2003年SARS在全球范围内造成8422人感染,919人丧生。
2009年HIN1成为国际关注的突发公共卫生事件,爆发后不久即被世界卫生组织(WHO)视为最高警戒级别流行病。
同年5月,脊髓灰质炎在亚洲、非洲和中东爆发,威胁多国卫生安全。
2014年埃博拉病毒肆虐西非,在几内亚、利比里亚和塞拉利昂等国造成数千人死亡。
以“人类命运共同体”的视角来重新审视流行性传染病具有重要意义。
制定流行性传染病防控措施、评估各项措施的优劣成为全球公共卫生事务的重中之重。
Pasquini—Descompsetal.(2017)分析了2009年H1N1期间各项措施的成本收益,指出医院隔离、疫苗接种和抗病毒药物储备是较为有效的手段,但关闭学校、扩大社交距离等手段的经济成本较高。
Fergusonetal.(2006)根据1918年大流感、1957年H2N2流感以及2003年SARS的传播特征,结合英国和美国的人口密度及流动数据进行模拟分析,发现如果能在家庭隔离的基础上,为50%的人群提供充足药物并关闭学校等公共设施,则流行性传染病的临床发病率可以降低40%~50%,Zhouetal.(2004)构建离散数学模型模拟了SARS疫情在中国的传播过程,与实际统计数据比对后,发现早期检测和检出率对SARS疫情控制有重要影响。
需要指出的是,在已有研究中,学者往往忽视了流行性传染病对经济造成的间接影响(LeeancMcKibbin,2004),与地震、飓风和洪水等罕见灾难不同,流行性传染病的潜伏期和传染性使其更容易引发信息不确定性和恐慌情绪,例如,2019年新冠肺炎的症状是非特异性的,从无症状到重症肺炎和死亡不等
(1),难以通过临床表现及时识别出患者,同时,较长的潜伏期(Mizumotoetal,2020)造成很难及时发现病毒携带者。
而信息不确定性和恐慌情绪造成的损失并不亚于疫情本身。
2003年SARS疫情期间,Blendonetal.(2004)分别在加拿大安大略省、加拿大安大略省以外地区和美国进行了问卷调查,结果显示,在2003年4月,这三个地区分别有69%、57%和32%的受访者忧心感染SARS,这些负面情绪使得当地餐厅、商店和旅游受到严重冲击,造成加拿大10亿加元损失。
但实际上,截至2003年7月,加拿大全国仅有250名确诊病例和38名死亡病例,美国仅有75名确诊病例,没有死亡病例。
(二)SEIR模型:
疫情预测与恐慌分析
为分析流行性传染病的传播动力学及各类行为对疫情的影响,本文引入医学SEIR模型。
该模型被医学界广泛应用于SARS,COVID—19等疫情的预测过程中(Cooperetal,2006;曹盛力等,2020)。
相比之下,传统经济学文献主要利用线性模型估计疫情及其影响,容易与实际情况形成较大差异。
传染性疾病疫情预测模型主要有Sl模型、SIS模型、SIR模型和SEIR模型等(Hethcote,2000;AndersonandMay,1992),在这些模型中,S(Susceptibles)代表易感者、1(Infected)代表感染者,R(Removed或
Resistances)代表康复者或已死亡患者(以下简称康复者),表示可从传染人群样本中删去的部分,E(Exposed)代表潜伏者,代表已感染疾病但还未出现明显症状的患者。
S1模型刻画了易感人群s逐渐感染的过程;SIS模型进一步考虑了感染者康复后反复感染的动态过程;SIR模型则认为感染者具有一定康复或死亡概率,会逐渐退出传播样本SEIR模型则是考虑了上述四类人群的综合模型
因此,本文以SEIR模型为例进行介绍:
假定社会中共有N(N—S+E+l+R)个人,易感者S接触到感染者或潜伏者E后,分别按照c,和c2的概率转换为潜伏者E,潜伏者E每日以w的概率转化为感染者1,感染者每日以r的概率转变为康复者R,此外,潜伏者E和感染者每日接触的易感者人数分别为m和m2,则建立如下微分方程:
dSdt=-m1c1ISN-m2c2ESN
(1)dEdt=m1c1ISN-WE+m2c2ESN
(2)dldt=wE-rl(3)
dRdt=rl(4
此外Shiller(207)用SIR模型分析了社会时尚、社会观点在人群中的传播过程,可以借鉴这一方法,研究谣言、恐慌情绪在疫情中的形成和传播过程,本文将在后文中对此进行介绍。
三、影响疫情的非理性因素
(一)不完全信息贝叶斯学习和显著性理论
人们在不同类罕见灾难中的行为各不相同,但很多决策行为背后具有相同的理论根源,从罕见灾难文献出发分析人们在流行性传染病疫情中的行为,能帮助我们理解人们的决策逻辑,更好地应对未来类似事件。
本部分梳理已有文献对罕见灾难中人们决策行为的研究,试图通过信息处理和情感因素两个角度理解人们行为背后的原因。
首先是信息处理方式。
不完全信息贝叶斯模型可以模拟人们在不确定性和特殊事件中更新期望的过程(Gallagher,2014)被学者用于分析人们在罕见灾难中的学习过程(DeGroot,1970),在该模型中,人们学习与先验信念不同的信息,然后更新自己的信念。
例如,Davis(2004)在研究健康风险对房地产价格的影响时,采用了贝叶斯模型刻画人们对健康风险估计。
张国威和李有祥(2003)提出在不完全信息条件下,可以将贝叶斯主观概率的保险精算方法和效用函数定价法作为SARS保险的定价理论框架。
其次是情感因素。
传统研究将人们视为有限理性,进而分析各种行为(Simon,1956),但行为学研究表明情绪是影响人们决策的重要因素(Zajonc,1980;Slovicetal.,2007),会使人们只关注信息的某些部分,忽视所有选项并直接做出选择(Shafiretal.,193)。
对此,显著性理论认为人们对信息的注意力主要集中在其显著部分,决策过程中其余信息的作用小于显著信息部分(TaylorandThompson,1982Bordaloetal.,2012)
(二)决策行为理论与非理性因素
疫情爆发前,人们常反应不足,低估灾难的发生概率及严重程度,甘于承担极端风险(ErevandBarron,2005),这在历次疫情中多有出现,如2009年至2010年H1N1病毒在美国造成超过6000万人感染,1.2万人丧生
(2),但疫情初期美国认为H1N1不足以拉响警报。
疫情爆发后,又屡屡出现过度反应,滋生恐慌情绪和羊群行为,如2003年SARS期间和2019年新冠肺炎期间发生的某些抢购风潮等。
从行为金融学的角度来看,各类行为偏误的存在是人们在疫情初期反应不足、疫情爆发后过度反应的重要原因。
行为偏误可以分为两类(Pompian,2011):
一是认知型偏误,由个体认知缺陷造成的行为偏误,包括锚定效应和可得性偏误等。
认知型偏误较容易通过改善信息环境、提升认知能力等方式进行修正。
二是情绪型偏误,主要源自个体的行动或直觉,并非是个体有意识地反应,包括损失厌恶、后悔厌恶和现在状态偏误等类型。
本部分根据不完全贝叶斯学习模型对人类认知机制的解释,分析历次疫情期间出现的主要认知型偏误,并运用显著性理论,对情绪型偏误进行分析。
1.知偏:
不全信叶斯学习
面对前所未知的流行性传染病,人们没有与之相关的准确信念。
因此我们参照Gaoetal.(2019)的方式,通过不完全信息贝叶斯模型模拟人们在疫情中的信息学习过程。
模型如下以表示个体初始信念服从均值为bo、方差为0的正态分布;代表个体在间所获得的新信息,服从均值为0、方差为02的正态分布。
个体在时间形成的新信念s—f+t。
以b代表初始信念为的个体在获取坎新信息后的后验期望,根据贝叶斯法则可得:
bt=bt-1+gt(st-bt-1),gt=10E00+t(5
(5)式展示了初始信念和新信息对后验预期的影响方式。
个体初始信念的准确性越弱,即00越大,新信息对个体后验预期的影响越大。
这表明在面对未知流行性传染病带来的高度不确定性时,新信息会变得尤为重要(Payzan—LeNestour,2018),在行为金融学中,锚定效应和可得性偏误分别讨论了初始信念和信息可得性对个体决策行为的影响。
锚定效应是指人们在决策过程中易以最初信息为基础调整估计,高初始值容易造成估计偏高,反之出现估计偏低(TverskyandKahneman,1974)的现象。
不完全贝叶斯模型同样显示,个人经验对信息处理具有重要影响(ErevandRoth,1998),早期信息对信念的影响大于后期信息。
在信息变动相同的情况下,随着增大,新信息对个体预期的影响逐渐降低。
锚定效应导致人们在不确定下避免做出极端的判断和选择,倾向于从锚定点开始逐步调整(SimonsonandTversky,1992;Teigen,1983),如祝继高等(2017)发现在汶川地震和雅安地震中,同业捐赠金额、以往捐赠金额等因素会持续影响企业捐赠情况。
在疫情爆发初期,人们倾向于以正常时期为“锚”进行决策,进而出现反应不足。
可得性偏误是指由于记忆力或知识存在局限,人们倾向于根据易得信息进行决策(Tverskyand
Kahneman,1973)的现象。
事件的曝光程度、人们的相关记忆、事件的画面感和有关专家的判断等因素,都会影响人们对事件发生概率和严重程度的判断(Lichtensteinetal.,1978;Botzenetal.,2015),当疫情中出现的新信息超出个体先验期望b—时,个体对于疫情未来发展的判断会出现升级,反之,当新信息低于个体先验期望时,个体疫情预期降低。
但疫情初期,往往受医学研究、技术水平等因素限制,医疗和媒体部门难以立刻传递准确信息,依据不完全信息贝叶斯模型,新信息的波动性0越大,对个体后验预期b的影响越小。
因此,可得性偏误使人们难以及时反应,倾向于维持原状。
2情绪型偏误:
显著性理论
情感因素对人们在疫情爆发前的反应不足以及爆发后的过度反应具有重要解释力。
研究发现,情绪会影响人们的信息关注区域,致使相同信息引发不同决策。
人们会通过比较信息的实际情况与参考点来判断信息的显著程度,并主要依据其中显著程度较高的部分进行决策(Bordaloetal.,2012,2013),已有研究通常利用预期模型计算估计值,然后以之为参考点寻找信息的显著部分(Bordaloetal.,2012),发现人们在心情低落时倾向于关注负面信息(Isen,2001),在情绪高涨时倾向于关注正面信息(ForgasandBower,1987)
疫情爆发前,乐观情绪导致疫情信息受到忽视,不足以成为改变个体决策的显著信息。
人们在维持现状与改变之间,倾向于选择维持现状(SamuelsonandZeckhauser,1988),导致现存状态偏误,并因这一选择陷
入“先知偏误”中,对未选项给予更负面的评价,在证据模糊不清时倾向于寻找支撑自身观点的证据,主动忽略和自身观点不同的证据(Gilovich,1991;Lordetal,1979),使得初始选择在较长时间内得以维持。
疫情爆发后,负面信息与疫情发生前的正常生活形成参照,成为显著信息(ForgasandBower,1987),引发过度反应。
人们在信息关注方面的缺陷也间接引发了过度自信偏误。
过度自信主要包括两种类型,一是高估私有信息的准确性,二是高估自身能力。
研究发现,不确定性程度越高,人们越容易出现过度自信(Johnsonand
Fowler,2011),在金融市场中,过度自信是投资者产生过度交易的重要原因,产生的高额交易费用严重损害了投资者收益(Odean,1999;BarberandOdean,2000;Barberetal.,2009,也是导致股票价格泡沫的原因之一(吴卫星等,2006),在疫情初期,疫情严重程度尚未凸显,人们很容易高估私有信息的准确性以及自身对未知灾难的应对能力,从而导致过度自信现象和反应不足。
(三)地域文化:
集体主义和个人主义
不同文化背景下居民行为存在显著差异,这对病毒传播具有重要影响,也对疫情管理工作提出了差异化要求。
以集体主义和个人主义为例,集体主义文化注重整体利益提倡奉献和社会稳定(Greif,1994;:
GorodnichenkoandRoland,2015),而个人主义文化主张个人利益,追求自由和个人成就(Schwarz,1994;Hofstede,2001)。
在流行性传染病防控过程中,集体主义文化地区更好的组织性使潜伏者接触人数大大降低,而美国、意大利和法国等地区更崇尚个人主义,管控效果可能不佳,面临更高的道德风险。
Eichenbaumetal.(2020)以SIR模型为基础构建宏观预测模型,发现若感染者不完全承担其决策后果,即防疫情况较依赖个人道德水准时,竞争性均衡无法实现社会最优。
因此在流行性传染病疫情期间,个人主义文化可能会成为疫情防控的阻碍,个体道德风险会对大量普通居民、医护人员造成影响,个人的瞒报误报以及轻视风险将增加他人的健康风险。
四、疫情的直接与间接影响
疫情可能因客观因素对经济金融活动产生直接影响,也可能因决策主体的理性或非理性反应形成间接冲击。
已有文献中,直接影响被定义为不通过其它因素产生的结果,间接影响则描述了变量通过中介渠道产生的作用(Pearl,2013)。
学者估计直接影响的方式较为一致,通常假定或控制其它因素不变,然后观测理论或实证模型中自变量与因变量的关系(LeeandMcKibbin,2004;:
HannaandHuang,2004),估计间接影响的方式繁多,主要包括比较直接影响与整体影响差异(Pearl,2000)、分析未受直接影响的邻近地区样本(DessaintandMatray,2017)以及分组考察以往经历对当前行为的影响(Gaoetal.,2019)
我们将假定其它因素不变,从客观角度观察疫情对经济金融活动影响的研究视为直接影响研究;将进一步放宽假设,从行为视角(理性或非理性)讨论疫情通过恐慌情绪、个体信念等中介渠道影响经济金融活动的研究视为间接影响研究。
(一)直接影响
1.经济冲击
已有文献广泛讨论了疫情对经济发展的影响并主要集中在两个方面:
一是测算疫情产生的直接经济损失。
例如,估计2003年SARS给中国带来的损失约为当年中国GDP的0.5%(HannaandHuang,2004),在全球范围内造成的损失为300—1000亿美元(Keogh—BrownandSmith,2008),Fanetal.(2016)梳理已有文献,指出流行性传染病每年造成的经济损失与全球气候变暖相近,占全球收入的0.4—1.0%,其中全球流行性疾病造成的损失约占95%,McKibbinandSidorenko(2006)认为疫情主要通过劳动力供给、商业成本、消费者偏好和国家风险评级四个渠道影响宏观经济,采用G—Cubed模型分析发现1968年H3N2流感,约造成全球
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 行为 视角 疫情 分析 成因 影响 对策 综述
![提示](https://static.bdocx.com/images/bang_tan.gif)