美国服务业带薪病假政策对工人健康与劳动成果的影响评估（2017-2023）

为解决美国联邦层面缺乏带薪病假（PSL）标准导致的福利覆盖不均问题，研究人员通过《The Shift Project》大样本数据（N=68,930），采用堆叠双重差分模型评估了11个州PSL政策对服务业工人的影响。研究发现PSL政策使工人福利覆盖率提升14个百分点（p<0.001），病中出勤率降低3个百分点（p<0.01），且企业未通过削减工资或福利转嫁成本。该研究为劳动政策与公共卫生的协同效应提供了实证依据。

　　

在美国这个少数未实行联邦带薪病假（Paid Sick Leave, PSL）政策的发达国家，各州自行立法形成的政策拼图导致工人福利覆盖存在显著差异。尤其对于低薪服务业工人而言，缺乏PSL不仅意味着生病时面临收入损失与就业风险，还可能因"带病工作"（presenteeism）加剧传染病传播——这一问题在COVID-19疫情期间尤为凸显。尽管已有研究探讨PSL政策的影响，但多数依赖雇主报告数据或传统双重差分方法，难以准确捕捉政策对工人实际体验的影响。

为突破这些局限，哈佛大学等机构的研究团队利用《The Shift Project》2017-2023年间68,930名服务业工人的独特数据集，采用先进的堆叠双重差分（stacked difference-in-differences）方法，系统评估了11个州PSL政策对工人福利覆盖、健康结局及企业成本转嫁行为的影响。这项发表在《SSM - Population Health》的研究揭示：政策实施使工人PSL覆盖率显著提升14个百分点，病中出勤率下降3个百分点，且企业未通过降低时薪、削减健康保险或加剧排班不稳定性来抵消成本。这些发现为劳动政策改善公共卫生提供了关键证据。

研究团队创新性地构建了多维度评估框架：通过工人自报数据直接测量PSL覆盖率，采用月级政策数据库精准匹配实施时间，并引入州-子实验与时间-子实验固定效应控制混杂因素。针对政策实施的时空异质性，研究采用Callaway和Sant'Anna提出的因果推断方法，解决了传统双重差分模型在交错政策实施场景中的偏差问题。

主要研究发现
Proximate Outcomes
政策实施后，治疗州工人PSL获取概率从46%跃升至62%，显著高于对照州的2%增幅。病中出勤率在治疗州下降12个百分点（85%→73%），降幅显著大于对照州的9个百分点，表明PSL政策独立于疫情行为改变的影响。

Channels of Adjustment
与"成本转嫁"假说相反，政策未导致时薪降低（系数+0.223，p>0.05）、排班不稳定性增加（系数+0.050，p>0.05）或附加福利削减。这与Pichler和Ziebarth的发现一致，但未观察到Maclean等提出的健康保险"挤入效应"。

Downstream Outcomes
尽管政策改善了基础福利覆盖，但对心理健康（Kessler-6量表）、自评健康、睡眠质量等下游指标影响有限，仅工作满意度呈现微弱负向趋势。这提示PSL作为偶发性福利，对工人整体福祉的改善可能需结合工资、排班稳定性等日常因素。

讨论与意义
该研究首次在服务业工人群体中系统验证了PSL政策的"双赢"效应：既提升福利覆盖又未引发企业负面调整。但62%的最终覆盖率低于预期，反映政策执行可能存在雇主违规或工人认知偏差等问题。从公共卫生视角看，3个百分点的病中出勤率降幅虽小，但在流感季或疫情中可能产生显著的疾病传播阻断效应。

研究局限性包括非概率抽样框架的潜在偏差，以及未涵盖市县层级政策的影响。未来研究可结合行政数据验证雇主合规程度，并追踪长期健康影响。这些发现为美国推动联邦PSL立法提供了关键证据，也为其他国家设计阶梯式劳工福利政策提供了参考——特别是在服务业等高风险、低福利行业，针对性政策既能保障工人权益，又能产生积极的公共卫生外溢效应。