COVID：人员流动增加了多少新冠病例？| 唧唧堂论文解析

picture from Internet 解析作者 | 唧唧堂经济金融学写作小组： 战战 审校| 唧唧堂经济金融学写作小组：绵绵 编辑 | 悠悠

专栏介绍

长按二维码直接进入专栏

本文为唧唧堂《新冠病毒主题论文导读专栏》内一篇论文解析，唧唧堂将在本专栏收录发布所有新冠病毒主题的经济金融社会心理等社科类论文解析导读。

本专栏论文收录无截止时限，现已有超100篇NBER工作论文解析中，未来唧唧堂将源源不断把发现的新冠病毒主题论文放入本专栏，期待各位研究人的关注与订阅。点击了解专栏！

唧唧堂现招募更多经济金融研究人加入写作小组，以更快完成本专栏内容的解析产出。点击加入写作小组！

本文是对《人员流动增加了多少新冠病例？来自纽约和美国其他四个城市的证据（How Much does COVID-19 Increase with Mobility? Evidence from New York and Four Other U.S. Cities, Working Paper No. 27519）》的解析，该论文于2020年7月发表于NBER工作论文系列中，并于2020年10月进行了修改。该研究作者包括Edward L. Glaeser，Caitlin Gorback和Stephen J. Redding。

背景和问题

限制人员流动对减少新冠传播有用吗？如何评价为对抗新冠肺炎疫情而实行封城或其它人员流动限制政策？回答上述问题的主要挑战是，如何用数字来估计人员流动限制在减少疾病传播方面的有效性。本文从广义上定义“人员流动”：工人离开家或通过地铁旋转门。为了衡量工人是否离开家，本文将地理位置精细到邮政编码所在地级别，每个邮编地为一个基本单位。利用美国五个城市的邮编地级别数据，本文实证分析了人员流动对新冠传播的影响。

数据来源

每日新增病例数和累计病例数来源于公共卫生部门。人员流动的数据来源有两个:第一个来源是由SafeGraph提供的手机移动数据，当使用SafeGraph数据时，解释变量%Tripsi表示离开邮编i地的人数的百分比变化;第二个来源是由大都会交通管理局（Metropolitan Transit Authority，MTA）提供的纽约市地铁旋转门数据，当使用地铁旋转门数据时，解释变量%Tripsi表示邮编i地地铁入口人数的百分比变化。工具变量的数据来源于美国社区调查（ACS）。控制变量中，各邮编地的非裔美国人比例、年龄中位数、收入中位数也来源于美国社区调查。最后，在纽约市的面板数据中，本文控制了警务部门就业数：通过贝尔（2020年）提出的信息自由法请求，获得了截至2016年警官居住地点的数据。

研究设计

工具变量

本文构建了两个工具变量，分别是2018年邮编i地的基本产业人员比例（ShareEssentiali）和远程办公人员比例（ShareTeleworki）。从工具相关性来看，一个地区的基本产业人员比例会与该地区的人员流动正相关，一个地区的远程办公人员比例会与该地区的人员流动负相关。从工具外生性来看，2018年的基本产业人员比例或远程办公人员比例是外生于新冠病例数的。

回归模型

方程（1）是横截面数据的基准回归模型，方程（1.1）和（1.2）是横截面数据的工具变量回归模型。其中，ln(TotalCasesPCi)表示邮编i地的人均总病例数的对数；%Tripsi表示人员流动的百分比变化，用SafeGraph的手机移动数据衡量；Cityc表示控制变量城市固定效应；IVi表示工具变量。系数β可以解释为准弹性：100×β是人员流动每下降一个百分点，人均总病例数减少的百分比。

方程（2）是纽约市面板数据的基准回归模型，方程（2.1）和（2.2）是纽约市面板数据的工具变量回归模型。其中，ln(NewCasesPCit)表示第t周邮编i地的人均新增病例数的对数，%Tripsi,t2表示两周前人员流动的百分比变化，用SafeGraph的手机移动数据（表3）或地铁旋转门数据(表4)衡量；zipi表示邮编地固定效应，weekt表示周固定效应，IVi表示工具变量。系数β可以解释为准弹性：100×β是人员流动每下降一个百分点，人均新增病例数减少的百分比。

研究结果

表1报告了横截面数据的回归结果，样本包括亚特兰大、波士顿、芝加哥、纽约和费城五个城市。因变量是邮编i地的人均总病例数。（1）-（5）列为方程（1）的回归结果，（6）—（7）列为方程（1.2）的回归结果。第（1）列的回归仅控制了城市固定效应和医疗卫生部门就业数，第（2）（3）（4）列的回归在第（1）列的基础上分别加入非裔美国人的人口百分比%AfAm、年龄ln(Age)、收入ln(Inci)这三个主要控制变量之一，第（5）列的回归包括上述所有控制变量。第（5）列表明，人员流动每降低10个百分点，人均总病例数将减少7%。第（6）列和第（7）列的回归都包括了工具变量，第（6）列的回归仅控制城市固定效应和医疗卫生部门就业数，第（7）列的回归包括所有控制变量。（6）（7）两列的回归系数都比（1）—（5）列的回归系数更大，说明加入工具变量之后，人员流动的系数变大了。第（7）列表明，人员流动每降低10个百分点，人均总病例数将减少25%。

表2分别报告了横截面数据中各城市的回归结果。第（1）列的因变量是邮编i地的人均死亡率，样本为纽约市样本，第（2）—（6）列的因变量为邮编i地的人均总病例数，样本分别为纽约、亚特兰大、波士顿、芝加哥和费城的样本。Panel A和Panel B是方程（1）的回归结果，Panel C是方程（1.2）的回归结果。Panel A的回归仅控制了医疗卫生部门就业数，Panel B的回归在Panel A的基础上加入了非裔美国人的人口百分比%AfAm、年龄ln(Age)、收入ln(Inci)这三个人口统计学控制变量。Panel C的回归在Panel B的基础上加入了工具变量。在波士顿、纽约和费城，Panel A和Panel C中的回归系数较大且在统计上是显著的，说明在这些东海岸城市中，人员流动与新冠传播之间有着密切的联系。而在亚特兰大和芝加哥，回归系数非常小而且还不显著。表2表明了影响的空间异质性：人员流动对东海岸城市的影响更大。