员工复工有没有后感染_复工后有没有助推疫情？一个基于12城市的简单分析

最近恢复工作和防疫控制，已经成为许多地方的一个难题工作的恢复有助于这种流行病吗？提升幅度有多大？我们可能需要城市层面的数据分析。

在之前的“评估疫情对宏观经济影响的方法”中，我们借助于六个发电组的平均日煤耗，从宏观层面检验了劳动报酬率。但在城市层面，没有煤炭消费数据。

在本文中，我们选择了高德公布的城市拥堵延误指数，然后根据农历时间将2020年的城市拥堵延误指数与2019年同期的城市拥堵延误指数进行比较，作为衡量城市工作回报的指标(按工作日调整)然后看看各个城市的工作回报和新冠状病毒新病例数量之间的关系。我们选择的样本是

样本时间:根据农历，从2020年1月17日到1月28日根据公历，从2020年2月10日到2月21日(对应于2019年2月18日至3月1日)

样本城市:12个城市，北京、上海、深圳、广州、成都、重庆、Xi安、杭州、苏州、天津、南京、郑州

让我们先将样本混合在一起，看看这个城市恢复工作和新病例数量之间的关系从下图可以看出，两者总体上呈弱负相关。换句话说，城市的恢复工作越好，新病例就越少。这显然不符合逻辑推理，也不符合当地实际。图

:恢复工作和新病例数

一般来说，如果数据的线性拟合与逻辑推断不一致，这表明数据内部可能存在“异质性”。让我们把城市分开，看看每个城市的工作恢复和疫情情况。

从下图可以看出，复工和新增冠状病毒病例数呈相对明显的城市正相关。此外，以城市拥堵延误指数衡量的复工基本上经历了一个先升后降的过程。图

:城市复工(左轴)和新案例(右轴)

也就是说，春节过后，复工实际上是从一开始就复工，但复工又被压了下去。那么这和流行病有关系吗？根据12个城市的复工和疫情数据，拟合出个体固定效应的面板数据模型。结果如下:

模型结果表明，复工与疫情呈显著正相关

最后，本文使用的模型非常简单，即具有个体效应的面板模型目的是调查恢复工作是否对疫情有显著的促进作用。利用城市层面的数据，工作的恢复由高德发布的城市拥挤指数来近似。

让我们看看这个模型讲述了什么故事首先，我们发现春节过后，全市复工呈现先升后降的现象。然后面板模型结果显示，复工与疫情有显著的正相关关系。因此，

背后的故事可能是，春节过后，当地政府发现重返工作岗位对当地疫情有促进作用，因此采取措施限制重返工作岗位。从这个角度，我们可以理解目前地方政府对重返工作岗位的谨慎态度。

预计要等到当地新病例数连续几天降至零，当地政府才会逐步解除限制