本文是针对论文《大流行造成损失的异质性（HETEROGENEITY IN DAMAGES FROM A PANDEMIC）》的一篇论文解析，该论文于2022年11月发表于《国家经济研究局工作论文系列(NBER WORKING PAPER SERIES)》上。该研究作者包括Amy Finkelstein、Geoffrey Kocks、Maria Polyakova、Victoria Udalova。

研究背景

长期以来，美国在人口群体的健康和经济福祉方面表现出惊人的差异，包括地理、教育、收入、种族和民族。COVID-19大流行既是一场健康危机，也是一场经济危机，也不例外。它对社会不同阶层的健康和经济福祉产生了有据可查的不同影响。  从广义上讲，对大流行对不同人口群体的影响差异有两类主要解释。一组解释侧重于对大流行的暴露程度的差异——无论是病毒本身还是它产生的经济收缩。另一个侧重于卫生资本和  人力资本的现有差异，这些差异可能影响以暴露为条件的结果。

理论和假设

我们重点关注美国大流行的前12个月——从2020年3月大流行开始到2021年2月——这段时期是广泛接种疫苗之前的时期。我们将大流行的健康损害定义为12个月全因死亡率相对于基于历史趋势的预期的增加。我们将大流行的经济损害定义为在这12个月里就业与人口比率的平均月下降，同样是相对于预期。我们记录了各州死亡率影响和就业率下降的显著差异，以及行业、职业和收入的差异。经济和健康损害在各州之间不相关;超额死亡率较高的国家不一定有较高的经济损失，反之亦然。相比之下，遭受严重经济损失的行业和职业也会对健康造成严重损害。同样，我们注意到经济和健康损害集中在低收入群体。当我们跨越人口统计群体——特别是种族、民族和受教育程度——我们发现，与现有文献一致，对就业和死亡率的影响集中在同一群体中。特别是，非白人和那些没有大学学位的人经历了更高的超额死亡率和更高的死亡率。我们探讨了暴露于大流行的可观察差异(通过人们生活和工作的地点和方式来衡量)在多大程度上可以解释大流行(经年龄调整)在人口群体中的影响差异。我们发现，即使是这些关于人们如何生活和工作的相对有限的衡量标准，也可以在我们记录的大流行病的不同影响中占相当大的份额。我们的发现也有助于更广泛的文献研究经济条件和健康之间的关系。我们对暴露于病毒的风险和大流行的经济后果之间有多大差异的衡量，可以解释大流行影响的巨大异质性，这有几个重要的局限性。

研究过程，方法，实验和相关数据

我们将大流行的健康损害定义为12个月全因死亡率相对于基于历史趋势的预期的增加。我们将大流行的经济损害定义为在这12个月里就业与人口比率的平均月下降，同样是相对于预期。

一、数据

1. 全因死亡率

我们使用人口普查局版本的社会保障局数字识别(Census Numident)数据库中的2011年1月至2021年2月的死亡率记录。8人口普查包括所有拥有美国社会安全号码(SSN)的人的出生日期和死亡日期(如果死亡)的个人数据。我们将全因死亡率定义为在给定时期内(一个月或12个月期间)死亡的特定群体中死亡的人数除以该群体中在该时期开始时活着的人数。人口普查数据的一个关键优势是，它们对分子和分母提供了内部一致的衡量标准，因为它们不仅记录了任何特定时刻的死者，而且还记录了活着的人。我们将人口普查局的数据与其他人口普查局的数据联系起来，以获得特定年份中每个活着的人的居住地信息，以及种族和民族的记录。我们分析数据的起点是人口普查数据中2011年1月1日还活着的一组个人。我们排除了住址在美国50个州或哥伦比亚特区以外，或年龄在11到99岁范围之外的个人年份。年龄限制较低是因为我们没有2010年以后出生的个人的种族/民族信息(因此在2021年，我们只观察11岁或以上的个人的种族/民族)。年龄上限旨在限制人口普查中历史死亡少计的测量误差。

2.就业与人口比例

我们通过疫情对就业与人口比率的影响来衡量疫情造成的经济损失。我们使用2011年至2021年公开的综合公共使用微数据系列(IPUMS)当前人口调查(CPS)中的自我报告就业数据，该调查协调了CPS不同月份的数据。CPS抽取了大约6万份样本。美国家庭每月(一个成年人回应所有符合条件的家庭成员);连续四个月抽取家庭样本，八个月后再连续四个月抽取家庭样本。我们使用的数据从2011年(即2011年3月- 2012年2月)到2020年(即2020年3月- 2021年2月)。我们将给定月份的就业与人口比率定义为一个定义明确的群体中报告在一周内从事兼职或全职工作的人数，在每月的调查周之前，除以当月同一组的调查总人数。对于每一组，我们将年度就业与人口比率定义为(在当年接受调查的个人中)个人报告他们就业的调查月份的平均比例。因此，我们的年度就业人口比率衡量的是每月的平均就业率，而我们的年度死亡率衡量的是全年的累计死亡率。

二.公式

设Yimt为个体i在t年第m个月的结果的指标变量。对于死亡率分析，这是个体是否在t年第m个月死于任何原因的指标。对于就业分析，它是个体是否在t年第m个月被雇用的指标。对于这两种结果，该指标仅定义在有关的月和年的开始时活着的人。在所有情况下，我们将“年”定义为从3月到2月的12个月;因此，大流行的第一个“年”是2020年3月至2021年2月之间的12个月;我们将其称为t=2020。

我们通过对2011年1月至2021年2月的数据估计以下线性概率模型来衡量大流行的影响:

我们让ρ指数每个群体的不同类别(例如，不同的教育水平，不同的种族/民族群体，不同的州，等等)。类似于完整的估计样本中，我们主要感兴趣的系数是θ，它现在测量结果中特定群体与(特定群体)历史趋势的偏差。Ρ指我们能够弥补一个组相对于参考组在经济和健康损害方面的差距，也使我们能够分别计算每个组的经济和健康损害水平。

三.结论

（一）总损失方面

图1

图1分别显示了2011年至2020年在11-99岁和25-64岁所有人群中观察到的和预测的年死亡率。在过去十年中，这两个年龄组的死亡率普遍稳步上升。对于11-99岁的年龄，死亡率的时间趋势几乎完全是线性的，我们的线性规范很好地捕捉到了这一点。图1显示了25岁至64岁人群中每年就业与人口比率的类似时间模式。在过去的十年里，就业与人口的比率一直在稳步上升，几乎呈完全线性的趋势。

图2

图2中我们使用10岁年龄差探索死亡率和经济损害的差异(附录表C.4);对于经济损失，我们将年龄限制在20-69岁。所有10岁年龄组都经历了统计上显著的年死亡率过高和月平均就业率下降。超额死亡率随年龄增长而单调增加，但所有年龄组的超额死亡率与预测死亡率之比相当相似。在经济损失方面，情况则相反。

（二）根据地点、职业和收入不同造成的损失

1.图3表示经济损害是跨期持续性的，而死亡率损害则不是。

图3

2.图4表示在不同的经济部门，大流行造成的损失也存在很大的异质性，不同行业和职业的健康和经济损失相互关联。

图4

3.图5表示收入对健康和经济的损害也存在异质性。

图5

我们观察到，低收入家庭(年收入低于35000美元)的失业人数在增加，而高收入家庭的失业人数在减少。这种非单调性的部分原因可能是CPS中的家庭收入是在过去一年里计算的，因此会直接受到失业的影响。总体而言，收入较高的个人遭受的经济和健康损失最低。

（三）不同人口群体的损害差异

大流行第一年的健康和经济后果在种族、民族和教育水平方面明显不平等。

图6

图6显示，经济损害(25-64岁)和超额死亡率(11-99岁)在种族和民族群体中普遍呈正相关。受经济打击最严重的群体同时也是超额死亡率最高的群体。

（四）暴露于病毒的群体的损害差异

对于年龄在25岁到64岁之间的人，我们对他们的工作和生活安排进行了测量，我们测量了(每年)健康和经济方面的差异有多大。不同人口群体的损害可以通过(可观察到的)暴露于病毒的可能性和经济限制的差异来解释。我们将分析重点放在三个特定的人口统计学比较上，这些比较具有最大的样本量:非西班牙裔黑人和非西班牙裔白人之间的健康和经济损害差距，西班牙裔和非西班牙裔白人之间的差距，以及没有学士学位的个人和至少拥有学士学位的个人之间的差距。

函数f (a, X)增加了对年龄分布(a)中基于5岁年龄组的差异的调整，以及对不同人口群体中其他协变量(X)的调整。对于f中的所有元素，我们既包括协变量值的指标，也包括它们与t = 2020指标的相互作用，以便考虑到这些协变量对大流行的单独影响。

图7

图7显示了公式4对25-64岁非西班牙裔黑人和白人在健康和经济损害方面差距的估计结果。以将我们的暴露变量的解释力提高10个百分点，但仍然保留大约三分之二的死亡率差距不明;卫生资本和影响暴露条件下健康冲击严重程度的其他因素的未测量差异似乎可能对解释剩余差距的某些原因很重要。

图8

图8表示职业在解释拉美裔与白人之间的经济和死亡率差距方面的重要作用，与特定的职业是一致的，例如那些面对面互动更多、(在仍在工作的人中)接触病毒的风险更大、大流行期间就业率下降更大的职业。

图9

图9表明职业和行业本身在解释不同的经济影响方面也很重要(38.4%的差距由职业解释，26.4%由行业解释)。收入本身可以解释死亡率的三分之一和BA-non-BA差距的一半，而且死亡率在暴露协变量的条件下仍然具有解释力。

不足和下步打算

我们的分解仅限于我们现有的测量方式;有可能通过更丰富的暴露措施，我们可以解释更大比例的不同影响。其次，这些分解是描述性的，不一定是因果关系。第三，我们的结果只涉及大流行的第一年。进一步工作的一个有用方向是，在接种疫苗后的大流行年份，估计健康和经济损害的程度，这些损害在不同人口群体中的差异，以及暴露在解释这些差异中的作用。

结论

我们通过实验表明了大流行第一年不同群体所遭受的经济和健康损害的巨大差异，并探讨了这种异质性在多大程度上可以由接触病毒的差异来解释。我们利用相关的行政和调查数据，我们发现大流行对高全因死亡率和按种族、民族和教育程度划分的就业的影响存在实质性差异;我们还研究了生活安排和工作性质的差异在解释这些差异方面所起的作用。

我们还发现了大流行病造成损害的几种模式。首先，我们发现各州每年的健康和经济损失之间没有相关性。其次，我们发现，在人口和社会经济边缘，健康和经济损害集中在同一群体中。少数族裔群体、没有学士学位的人、家庭收入较低的人、从事服务业和不适合在家工作的人受到的影响最大，无论是在较低的就业水平还是较高的超全因死亡率方面。第三，我们估计地理位置、生活安排和人们工作内容的差异可以解释15%的死亡原因，暴露于病毒和经济收缩的差异在大流行的不同影响中发挥了重要作用。

参考文献：Amy Finkelstein、Geoffrey Kocks、Maria Polyakova、Victoria Udalova (2022). HETEROGENEITY IN DAMAGES FROM A PANDEMIC NBER Working Paper 30658。