基于双重差分法的政策效应异质性驱动因素评估框架：以费城含糖饮料税为例

《Health Services and Outcomes Research Methodology》：A causal framework for evaluating drivers of policy effect heterogeneity using difference-in-differences

本研究针对传统政策评估工具难以识别效应异质性驱动因素的问题，提出了一个基于反事实框架的因果推断方法。研究人员通过构建连续暴露变量的双重差分（DiD）设计，开发了平均驱动效应（ADT）和平均无混杂驱动处理效应（ADUTT）等新估计量，成功量化了费城饮料税效应中跨境购物可达性、价格竞争和商店级价格传递的贡献。该框架为政策优化提供了因果机制层面的证据支持。

　　

当费城在2017年1月实施每盎司1.5美分的含糖饮料税时，政策效果出现了显著差异：虽然总体销量下降51%，但近三分之一的降幅被周边非税区的跨境购物所抵消。这种异质性现象引发了深层次思考——究竟是哪些因素在驱动政策效果的空间分异？传统政策评估方法如双重差分法（Difference-in-Differences, DiD）虽能估计平均处理效应，却难以揭示异质性背后的因果机制。

现有研究通常采用亚组分析或线性双向固定效应模型（Two-Way Fixed Effects, TWFE）探索异质性来源，但这些方法存在明显局限。前者容易受到混杂因素干扰，后者则依赖参数假设，都无法准确区分观察到的差异是源于目标驱动因素还是其他混杂变量。特别是在费城饮料税案例中，商店到边界的距离、周边价格竞争程度和商店级价格传递率等因素相互交织，且与邮政编码级别的社会经济地位等混杂因素相关，使得因果识别更加复杂。

为解决这一方法论难题，研究者提出了一个创新的因果框架，将政策效应异质性问题转化为可验证的反事实实验。该框架的核心思想是通过假设性干预（hypothetical interventions）来分离特定驱动因素的贡献。例如，可以设想所有费城商店被固定在与非税区特定距离的位置，或强制设定统一的价格竞争水平，进而比较在这种理想化场景下的政策效果。

研究方法上，作者基于最新发展的连续暴露变量DiD估计方法，构建了三个关键因果估计量：平均处理效应（Average Treatment Effect on the Treated, ATT）衡量政策整体效果；平均驱动效应（Average Driver Effect on the Treated, ADT）刻画政策效果随驱动因素水平变化的曲线；平均无混杂驱动处理效应（Average Driver-Unconfounded Treatment Effect on the Treated, ADUTT）则模拟驱动因素随机分配时的政策效果。通过相对效应驱动分配（Relative Effect of Driver Assignment, REDA）指标，可量化驱动因素非随机分配对政策效果的扭曲程度。

技术方法上，研究采用半参数双重稳健估计量，使用超级学习器（SuperLearner）整合高自适应LASSO（HAL）、广义加性模型（GAM）和贝叶斯加性回归树（BART）等机器学习算法拟合干扰函数。针对空间相关性，采用加权分块bootstrap法进行统计推断。数据来源于信息资源公司（IRI）的销售记录，涵盖140个费城药店和123个对照药店，分析时段为税前后各13个4周周期。

跨境购物可达性的驱动作用

通过估计边界距离的ADT曲线发现，政策效果在4英里范围内呈现显著衰减，超出此距离后趋于稳定。具体而言，位于2英里处的商店销量下降3.39万盎司，而5英里处降幅减少1.61万盎司（95%CI[6.6,25.5]），证实跨境购物是重要的异质性来源。安慰剂检验显示预处理期曲线平坦，支持了平行趋势假设。

价格竞争机制的量化分析

经济竞争的ADT曲线显示，当周边价格差达到1.5美分/盎司（即税率本身）时效应趋于稳定。在竞争程度最低的分位数（0.2美分/盎司）处政策效果不显著（-3.1千盎司，95%CI[-11.4,5.2]），而最高分位数（2.1美分/盎司）的降幅达2.49万盎司，表明价格差异放大政策效果。与未调整混杂的估计相比，本研究的曲线更平滑合理，凸显了因果推断的必要性。

价格传递行为的影响评估

通过联合驱动因素D_i=(P_i,h_i1(ρ₁))的ADUTT估计发现，若价格变化随机分配，政策效果应为-25.0千盎司（95%CI[-28.7,-21.4]），较实际ATT（-22.5千盎司）更强。REDA指标为-11.1%（95%CI[-23.2%,1.1%]），说明商店基于预期销售损失的价格调整策略削弱了政策潜在效果。

研究结论强调，该方法框架成功将相关性证据提升至因果机制层面，证实跨境购物和价格竞争是费城饮料税效应空间分异的核心驱动因素。政策含义在于：为最大化消费减少目标，需配套措施确保价格传递的一致性；对于拟实施类似政策的地区，应预先评估地理可达性和市场竞争结构。尽管依赖平行趋势等假设，但通过灵活的机器学习估计和空间bootstrap推断，显著提升了异质性驱动因素评估的稳健性。该框架可拓展至疫苗接种、枪支管制等公共政策评估领域，为理解政策效果的差异化提供通用方法论支持。