推文人 | 陈宇 

 

推文来源：Marc Fabel. (2021). Maternity Leave and Children’s Health Outcomes in the Long-term. Journal of Health Economics, 76, 102431

 

链接：https://www.sciencedirect.com/science/article/pii/S0167629621000163?via%3Dihub

 

DOI: https://doi.org/10.1016/j.jhealeco.2021.102431

 

01 前言

 

为什么人的健康会产生差异？这是健康经济学家一直在试图理解和回答的问题。我们普遍的认为直接收入、教育水平、医疗可及性以及生命早期事件等会对个体健康产生影响。本篇论文就从母亲享受产假的角度出发，为个体生命周期的健康差异提供了新的视角和证据。

 

产假最初的目的在于保护劳动力市场中的女性，然而，经济学家们逐渐意识到产假对于孩子的长期发展也有显著且重要的促进作用。德国在1979年5月开始将产假从两个月延长到了六个月，这里的产假是从孩子出生的那一天开始计算的。本文就利用这次政策改革，结合1995-2014年的德国医院行政数据，研究发现了16-35岁的年龄段中，受到政策影响的孩子，其生命周期的健康水平会更好。

 

本文的意向性分析（ITT, Intended-to-Treat）结果表明，受到政策影响的孩子住院的次数会显著减少。该影响主要是由男性孩子推动的，且在20多岁后会显得更强。根据住院的诊断分类信息，本文发现精神和行为障碍疾病（MBDs, Mental and Behavioral Disorders）可以解释三分之一的住院次数减少，随着年龄的增长这个解释能力可以达到二分之一。

 

据我所知，国务院在2019年就发布了《关于促进3岁以下婴幼儿照护服务发展的指导意见》，鼓励各地开展产后假、育儿假的试行。在当前我国鼓励生育的大背景下，如何在婴儿初生时期给予其更多的照料陪护，关乎到我国未来十几年甚至几十年的人力资本积累，希望此文能够提供一定的经验参考。

 

02 数据与识别策略

 

本文使用的数据为德国1995-2014年的医院诊断数据，它覆盖了每个年度在德国任何医院或医疗机构出院的所有病人，数据来源于联邦统计局的研究数据中心。

 

主要的被解释变量为每千人住院次数。同时，作者使用从WHO获得的疾病分类代码ICD-9和ICD-10（ICD, International Statistical Classification of Diseases and Related Health Problems），分别计算了不同疾病类别的每千人住院数。图1展示了 0-35岁各年龄分段诊断数排名前五的疾病类别，可以看到在15-35岁间，被诊断出MBDs的占比是最高的（35.7万例），其次为受伤等外伤（31万例）以及消化系统疾病（26万例）。

图1 不同年龄段诊断前五的疾病类别

 

由于政策规定在1979年5月1日及以后生育的在职母亲就可以享受新政策，我们很容易可以想到通过断点回归设计（RDD）比较在该日期前后出生的孩子的健康水平。然而，数据上我们只能把出生日期精确到月份，所以精确度问题会导致结果有较大偏误。同时，已有大量文献阐明了出生的季节与儿童长期发展的关系，因此，作者认为单纯的使用月度加总并不能很好的消除出生的季节性影响。考虑到上述的问题，作者选择了使用双重差分（DID）的识别策略。以下是主要的模型设定：

为了剔除潜在的季节性影响，作者将在1979年政策实施月前后月份出生的孩子的健康差异与1978年对应月份出生孩子的健康差异进行比较。具体的，作者将在1977年11月至1978年4月和1978年11月至1979年4月出生的队列设置为政策改革前的控制组和处理组，1978年5月至1978年10月和1979年5月至1979年10月出生的队列设置为政策改革后的控制组和处理组。考虑到不同年龄人群的成熟度有差异，因此作者将控制组从t期向前推移到t+1期，只比较年龄相同的出生队列。举例来说，在1995年，处理组的年龄为16岁，但是控制组中是不存在16岁的样本的，因此，作者首先剔除了这一年的处理组样本。同样的道理，作者还剔除了2014年的控制组样本。图2为处理组和控制组在政策改革前与住院有关的变量的趋势，可以看到处理组和控制组在政策改革前的趋势是基本一致的。

图2 政策实施前的处理组和控制组

 

03 主要结论

 

延长产假对住院次数的DID估计结果如图3展示。PanelA的结果基于1995- 2014年pooleddata，各列表示将样本限制在cutoff附近的不同窗口。除了第四列之外的结果均表明政策改革会显著的降低1.8~2.57次住院。PanelB中分年龄段的回归结果虽然在17-21岁和22-26岁并不显著，但是在27-31岁和32-35岁中的显著结果说明政策的影响可能是随着年龄增长而增强的。作者将样本按性别分组回归后发现男性受政策的影响相较女性更大且更加稳健。

图 3 政策影响的ITT分析

 

为了进一步探究是何种类型的疾病导致了住院数的显著下降，作者分别对13种疾病分类进行回归分析。图4中的结果说明了MBDs在很大程度上可以解释整体住院次数的下降。在列1的基准回归中，MBDs基本能够解释接近1/3的住院数下降。随着年龄的增长，尤其市在32-35岁年龄区间，MBDs能够解释1/2的住院数下降。

图 4 按疾病分类的回归分析

 

既然作者发现MBDs是导致住院率下降的主要根源所在，同时MBDs也是在15-35岁年龄段中十分常见的疾病，作者自然而然的想要进一步探索MBDs是否在性别上也存在一定的异质性。图5的结果不出意外的向我们展示了，政策的实施对于女性的MBDs几乎没有任何影响，而对于男性的影响是十分显著的。整体上而言，政策改革可以使得男性的住院次数下降约1.2次。在分年龄段分析中，对于27-31岁和32-35岁的男性分别降低了1.5次和3.5次住院。

图5 不同性别的MBDs

 

04 稳健性分析

 

在这一部分，作者主要通过改变指标计算方式、新的回归设计以及安慰剂检验来验证主要结论的稳健性。图6的稳健性分析结果表明了前文无论是总样本还是分样本的结果均是稳健的。在2、3列计算每千人的住院次数时，作者变换了计算分母（人口数量）的方式。第2列中，作者使用样本中某月出生的人数占该年出生人数的比例作为权重调整了实际人口数。举例来说，为了计算在1979年5月出生的人有多少人在2014年还活着，作者以样本中birthin May1979/birth in 1979的比例为权重，乘以用2014年观测到的1979年的总出生人口。而第3列中，作者使用劳动力市场区域（LMR, Labor Market Regions）来计算人口数。第4、5列分别为使用三重差分估计以及增加新的控制组。第6、7列分别在时间和地区上虚拟了政策实施，结果均为不显著。

图6 稳健性分析

 

05 机制讨论

 

由于产假的改革，在职母亲在生育后会推迟她们回归工作岗位的时间，这在一定程度上增加了更多的育儿时间。根据以往的研究，城市的女性劳动参与率会远高于农村女性。相较于农村，城市中有更多的母亲可以享受到该政策的优惠。因此，作者期望能够看到政策在城市中的影响更大。图7的结果证明了作者的猜测。

 

然而，仅仅看到城乡之间的差异还不足以作为机制来解释政策对健康的影响。因此，作者接下来试图从照料质量、父母健康差异以及家庭收入变化来解释其中的机制。

 

首先，在职母亲由于政策改革得到了更长的产假期，从而婴儿被母乳喂养的可能性更高且时间更长。有关母乳喂养的优势已经有大量的文献说明，一方面是孩子的健康水平，如更低的慢性病发生率、更好的心理健康水平等(Ruhm, 2000; Victora et al., 2016; Oddy et al., 2010; Falk and Kosse, 2016)。另一方面，母乳喂养对孩子的认知能力、教育和收入等也有积极的促进作用（Albagli and Rau, 2018; Victora et al., 2015）。

图7 机制分析

 

其次，作者还认为政策会通过促进母亲的健康水平来影响孩子的健康。已有文献发现，更高的女性就业会导致更低的女性身体和心理健康水平（Chatterji and Markowitz, 2005; Chatterji et al., 2013）。鉴于此，Bütikofer et al.（2021）发现挪威1977年的产假改革促进了母亲的健康水平，如BMI指数、血压和吸烟行为等。总的来说，现在已有一定的文献在讨论延长产假对母亲健康的积极影响，从而促进孩子的健康水平。

 

最后，家庭收入的增加也可能是政策影响孩子健康的潜在机制之一。如果是完全收入替代且没有挤出无薪休假，延长带薪休假对家庭收入是没有任何影响的。相反的，减少无薪休假会增加女性收入。现存已有大量的文献讨论了家庭收入对孩子认知水平和健康的积极影响。而本文讨论的德国1979年产假政策改革，平均意义上会增加工作女性的收入，尤其是在工资分布在最底层的女性工作者。家庭收入的增加扩展了家庭的预算约束，父母就更可能在孩子的照料上投资更多，从而对孩子的健康水平产生促进作用。

 

06 结束语

 

本文的研究基于医院行政数据，优点在于我们能够看到相对调查数据来说更多更细致的疾病分类数据，在往后我们还可继续尝试探索是否在其他疾病上也存在影响。

 

使用这种行政数据已经是我们做实证研究的一个大趋势，但是其缺陷在于单个数据库往往会缺少更丰富细致的个体层面变量。将多个行政数据结合使用或许是解决这个问题的最优选择之一，如Chetty et al.(2014)研究了教师素质对学生的长期影响，其中作者就将某地区官方的学生层面信息与税务部门的行政数据结合，从而不仅能观测到教师对学生成绩的影响，还能持续跟踪学生未来几十年的工资收入以及税收等。

 

Chetty, Raj, John N. Friedman, and Jonah E. Rockoff. 2014. "Measuring the Impacts of Teachers I: Evaluating Bias in Teacher Value-Added Estimates." American Economic Review, 104 (9): 2593-2632.

 

Abstract

 

This paper assesses the impact of the length of maternity leave on children's health outcomes in the long-run. My quasi-experimental design evaluates an expansion in maternity leave coverage from two to six months, which occurred in the Federal Republic of Germany in 1979. The expansion came into effect after a sharp cutoff date and significantly increased the time working mothers stayed at home with their newborns during the first six months after childbirth. Using this cutoff date as a source of exogenous variation, I exploit German hospital registry data, which contains detailed information on the universe of inpatients’ diagnoses from 1995–2014. By tracking the health of treated and control children from age 16 up to age 35, this study provides new insights into the trajectory of health differentials over the life-cycle. I find that the legislative change generated positive long-term health effects: My intention-to-treat estimates show that children born after the implementation of the reform experience fewer hospital admissions and are less likely to be diagnosed with mental and behavioral disorders.