基于分层贝叶斯模型的日本劳动者福祉影响因素分析：工作环境与健康行为的COVID-19大流行前后对比研究

《Healthcare Analytics》：An analytical study of worker well-being and COVID-19 impact using Bayesian panel modeling

本研究针对COVID-19大流行对日本劳动者福祉的影响机制问题，研究人员采用分层贝叶斯模型分析日本家庭追踪调查（JHPS）数据，系统探讨了工作环境特征、健康行为模式与主观福祉的关联性。研究发现远程办公（telework/WFH）和规律运动（regular exercise）对福祉提升具有显著正向效应，而吸烟（tobacco）和离职意愿（will to quit）则呈现负向关联。该研究为后疫情时代的工作场所健康政策制定提供了实证依据，发表于《Healthcare Analytics》。

　　

在全球化与数字化交织的当代社会，劳动者的心理健康与主观福祉已成为衡量社会健康发展的重要指标。特别是在COVID-19大流行这一全球性公共卫生危机背景下，工作模式的颠覆性变革（如远程办公的普及）与生活方式的被迫调整，对各国劳动者的心理状态产生了深远影响。日本作为工作时间长、职场文化独特的发达国家，其劳动者福祉问题更显突出。传统研究多采用横截面数据或简单回归模型，难以捕捉个体异质性与时间动态性的交互作用，且对疫情前后影响因素的对比分析较为缺乏。

为系统探究日本劳动者福祉的影响机制，特别是COVID-19大流行带来的结构性变化，研究人员在《Healthcare Analytics》上发表了基于日本家庭追踪调查（JHPS）数据的创新研究。该研究巧妙运用分层贝叶斯模型，对2014-2023年间1,406名劳动者的13,275条追踪数据进行了深入分析。通过构建包含108个解释变量的综合模型，研究不仅揭示了工作环境特征与健康行为对福祉的长期影响，还首次实现了疫情前后影响因素的对比评估。

本研究主要采用分层贝叶斯建模技术，结合马尔可夫链蒙特卡洛（MCMC）抽样方法进行参数估计。数据来源于日本家庭追踪调查（JHPS）的劳动者样本，包含2014-2023年的不平衡面板数据。模型构建中采用了辅助变量抽样（ASIS）算法提升计算效率，并运用shrinkage先验处理高维参数估计问题。

4.1. 数据

研究采用日本家庭追踪调查（JHPS）2014-2023年数据，最终样本包含1,406名劳动者的13,275条观测值。变量体系涵盖人口学特征、工作状况、健康行为等维度，特别纳入了疫情相关的政策变量。数据预处理采用最近邻插补法处理缺失值，确保样本代表性。

4.2. 结果

贝叶斯估计结果显示，远程办公（系数=0.0927）和规律运动（系数=0.0416）对福祉有显著正向影响。相反，吸烟（系数=-0.0153）和离职意愿（系数=-0.0648）呈现负向关联。疫情后时期（2021-2023）的年份虚拟变量系数表明，大流行对福祉产生了持续性负面影响。职业类型中，管理人员相较于其他职业群体显示出更高的福祉水平（系数=0.1665）。

5. 讨论

研究发现验证了工作弹性与健康行为对劳动者福祉的关键作用，为后疫情时代的职场政策提供了重要启示。方法学上，分层贝叶斯模型的有效性在处理纵向数据异质性方面得到证实。未来研究可进一步探索不同劳动者亚群的异质性反应，为精准化干预提供依据。

该研究的政策意义在于提示企业管理者：推行远程办公等柔性工作制度、鼓励员工健康行为，可能成为提升组织效能的新路径。同时，公共卫生部门应关注吸烟等健康风险行为的心理影响，制定综合性的职场健康促进策略。