原文信息：

Patrick Baylis, Severin Borenstein & Edward A. Rubin《When we change the clock, does the clock change us?》NBER 2023

原文链接：

http://www.nber.org/papers/w30999

00

导读

日出为昼、日落为夜，地球的自转运动带来了太阳东升西落现象。世界各地以昼夜交替现象为基础确定日期变化和时间推移。国际经度会议创立了通用的标准时间制度——以180°经线为理论上的日界线，经度每隔15°，地方时相差1小时。幅员辽阔的中美俄三国横跨多个时区，是否统一时区一直是一个争论不休的问题。美国与俄罗斯采取了多时区制，我国由于人口分布的问题采用了统一时区制，以人口密集的“东八区”时间作为统一时间。但时钟时间与自然时间总会存在差异，这种时间差异是否会影响人的行为呢？本篇文章解答了这一问题。

01

引言

协调与其他人的活动时间是社会的一个基本特征，也同时是一个麻烦。个人面临不同的约束，对活动时间有不同的偏好，因此在与他人协调和在个人喜欢的时候参与活动之间不断进行权衡。在一个拥有即时长途通信和高速旅行的现代社会中，活动时间的环境驱动因素的差异，如日出、日落和温度等加剧了协调与个人偏好或环境约束之间的紧张关系。

时钟时间是一个纯粹的名义度量，在理论上，不管它如何与太阳时间同步，保持与经过时间相关的度量变化不需要对行为产生任何影响。时钟时间偏离太阳时间的推动力在很大程度上改变了人类行为的时间，但不清楚当地环境条件在多大程度上限制了这种反应。评估不断变化的时钟时间对能源使用和人类活动的潜在影响，需要更深入地了解时钟时间与太阳时间的偏离方式和程度。本文为这些权衡提供了一个简单的理论模型，并对人类活动时间的三个不同的大规模数据（分别为Twitter的数据、2000年美国人口普查的数据以及来自Safegraph的基于手机的步行交通数据。）集中的权衡程度进行了详细调查。本文是对该主题的首次研究。

理论模型

02

本文通过一个简单的模型来说明个人的竞争性偏好，对位于太阳时间不同但时钟时间相同的地点的两个实体进行分析。在这个例子中，我们将以人作为实体进行讨论。如果自然环境例如光照、温度、湿度是恒定的，那么协调人们之间的活动时间就不太可能在不同地点的人们之间产生系统的偏好错配。但是，由于自然环境的变化，时间在不同地点有系统性的差异，人们对活动时间的偏好也会在不同地点有系统性的差异。

假设个体 i 从特定活动中获得的效用是活动时间偏离个体自己喜欢 t* 的时间的一个递减函数，也是偏离另一个个体j从事活动的时间的一个递减函数。

同样，对个人 j 来说也是如此：

我们假设 f(0)=0，f'>0, f''>0; g(0)=0， g'>0， g''>0，对 i 和 j 来说都是如此。任意假设 ti*>tj*，所以每个人都会在 t=ti* 和t=tj* 之间从事活动。那么，个体 i 对 tj* 的最佳反应由 -f'+g'=0 决定。反之， j 对 i 选择 ti 的最佳反应是 f'-g'=0 。在 f 和 g 的假设下，这就产生了一个 i 的最佳响应函数，该函数与 ti*（ i 的首选时间）的偏差越大，tj 就越远离 ti*。如果 j 在 ti* 行动，那么 i 在 ti* 也会这样做。而当 j 在从 ti* 向tj* 进一步行动时， i 会将他们的活动时间转移到 tj* 。同样地，如果 i 在 tj* 从事活动，那么 j 也会在 tj* 从事活动。而当 i 的行动时间从 tj* 向 ti* 延伸时， j 会将其活动时间向转移到 ti* 。图1说明了每个人的最佳反应和其均衡点，其中 ti*< tie< tje< tj*。这种均衡下， j 非常喜欢在 tj* 附近行活动，而不是在 tj 附近进行。而 i 从更多的协调时间得到相对较高的价值。

图1：最佳反应时间的选择和活动的均衡时间

另一种模式可能会约束不同的个人在同一时间行动。例如，第三方可能试图与这些有不同的首选活动时间的个人安排一个单一的活动时间--例如广播电视节目或为一个多地点的公司设定标准化的工作时间。第三方--如广播 公司或雇主--正试图将所有参与者的日程麻烦成本降到最低。在这种情况下，第三方试图选择一个活动时间来最小化成本：

在相同的约束条件下，事件的最佳调度发生在 ti*< topt< tj*。

该模型说明，在均衡状态下，活动的时间将受到影响个人自己喜欢的活动时间的当地因素和协调不同地点活动的价值影响。这意味着，以相同的时钟时间衡量，时区东端的个人可能比时区西端的个人更早参与活动。自己偏好的活动时间与协调价值的相对权重将决定一个时区的活动时间有多大差异。为了验证这一点，本文继续进行实证分析。

数据和实证规范

03

为了给我们用于分析的数据提供一些背景介绍，我们首先介绍一个概念性的估计方程，以i为地点，t为观察到的日期或星期，我们的估计方程为：

SunriseTimeit 是感兴趣的主要变量。对于给定的纬度和给定的日期，它表示 i 地点在 t 日的太阳时间与时钟时间的不同程度。Connectednessi 控制了一个地点与其他具有不同时钟时间的地区的连接程度。φTZ 是一组时区虚拟变量，允许不同时区的活动有不同的基准时钟时间，所以它们可以捕捉到活动是否平均发生在不同时区的不同时钟时间。Xit 是一个用于控制其他因素的向量 ，包括纬度分栏和时间固定效应。

为了适应三种数据集的时间频率和地点，对概念模型进行了相应的修正，在不同的数据集中，代表一个观察值的聚合水平是不同的。

我们使用社交媒体平台Twitter的数据作为全美活动时间的一个衡量标准。对于我们的时间段内的每个日期，即从2014年4月到2019年3月，我们同时计 算该日期的推文的平均时间和包含以下短语的推文的平均时间:"早餐"、"午餐"、"晚餐"、"早上 好 "和 "晚上好"。图2记录了每个短语在一天中的出现情况:

（图2：按时间划分的Twitter短语）

在所有的推文中，活动在一天的中间达到高峰。由于我们下载和使用的所有推文都有地理定位， 我们确定了每条推文发生的县。然后我们按县和日期计算推文的平均时间--以及带有每个活动短语的推文。

第二，本文使用人口普查数据报告的离开时间的平均值作为主要关注变量。与本文研究的其他两个数据集不同，人口普查数据没有时间序列的变化。它们只是一个横截面数据。

第三，为了分析时间测量对人类流动性的影响和地区之间的联系程度，我们使用了SafeGraph的基于手机的步行交通数据。

第四，在活动时间与太阳时间的回归中，一个潜在的影响因素是靠近时区边界的地点的人们可能以某种方式与其他时区的地点相连，并可能转移他们的活动，以便与邻近的时区协调。为了说明这种可能性，我们构建了一组变量，衡量一个时区的居民在其他时区的观察访问比例。具体计算详见原文。

04

太阳时间对活动的影响结果

1. 推特

对于Twitter数据集，我们估计的模型是：

SunriseTimeit 是由县域中心点和日期决定的，φc是时区与纬度仓的固定效应，[Time zone × Lat. bin]c, πt 是日期的固定效应。Mean（Tweettime）ct 是指该县日期的所有推文的平均推文时间，或者包含特定关键短语的推文。我们通过该县的平均推文数量对这一回归进行加权，并按州进行标准误差分组。

第（1）栏的结果表明，位于时区西端的人发出的推文在时钟时间上平均比位于时区东端的人晚0.36小时（22分钟），因为那里的太阳平均提前一小时升起。换句话说，至少在这项活动中，人们调整了他们的行为，略多于具有相同 时钟时间的地点之间的太阳时差的三分之一。这种影响在周末比工作日略大,且与假设一致，即在周末个人更倾向于适应他们的当地环境，而不太倾向于遵循时钟时间，但这种差异在统计学上并不显著。

第(2)栏的结果表明，当一个人发推文时，一个县与其他时区的联系并没有明显的变化。事实上 ，我们希望这个系数的符号是负的，因为与“更晚”(更东)时区的人有更大的联系会使人更早地 从事以当地时间衡量的活动。这与周末的点估计值一致，但与工作日的估计值不一致。

2. 人口普查数据

对于人口普查数据的分析，我们对每个CBG（人口调查区组）都有一个单一的观察，表明受访者在3月的最后一周通常出发去上班的平均时间。与Twitter数据一样，我们通过纬度来控制时区，估计模型如下：

估计结果如表2所示：

第（1）栏的结果与Twitter的数据的估计结果非常一致，表明人们对时钟时间的偏移略高于时钟时间和太阳时间之间差异的三分之一。第(2)栏表明，连接性对活动时间有统计学上的重大影响，但不是本文所预期的符号。例如，正号表明，与自己时区以东的地方有更大的联系，会使人在一天中较晚离开工作岗位，以当地的时钟时间来衡量。然而，这种影响被估计得相当小，而且没有非常精确的估计。

3. 人流

人流数据的估计模型为：

表3中的结果再次表明，人们对太阳时间有明显的适应性，而不是纯粹遵循时钟时间，但在这种情况下，估计的效果略低于Twitter或人口普查数据结果的一半。第(1)栏的上半部分表明，在一个时区西端的人比在该时区东端的人平均晚9分钟去类似的兴趣点。有点令人惊讶的是，这种影响在工作日和周末几乎是一样的。

和以前一样，加入连接性变量并没有使太阳时间的影响发生很大的变化。然而，对于周末，连接性确实有一个预期的负号的统计意义上的影响，这意味着与更东边时区的人有更强的连通性会使人 在当地时钟时间上更早地运作。然而，这种影响仍然相当小。该系数表明，平均偏移连接度从第 25百分位值到第75百分位值的变化会使访问一个POI的时间调整2.2分钟。

05

适应太阳时间的异质性

实证分析中本文只控制了非常基本的异质性:日期、地点和与其他地点的连接性。然而，还存在关于地点和观察到的活动的特征的更详细的信息。对于每个CBG，我们知道一些可能影响对太阳时间适应程度的人口统计学变量。在推特数据集中，我们也有来自推特内容的信息。而在人流数据集中，我们知道与POI相关的业务或活动。图3显示了对日出时间影响的单独估计，数据集沿着不同的维度分割。顶部面板显示了美国大陆人口加权纬度中位数以北和以南地区的结果。下一个面板区分了夏季和冬季，在这里我们没有看到一致的模式或统计学上的显著差异。之后一次区分了农村和城市、户内外运动、劳动力人口

比例以及推特中的推文短语。

06

结论

监管者经常没有考虑到被监管实体在面对规则变化时重新优化的动机，政策制定者继续讨论替代方案时，几乎没有认识到社会成员将如何应对。本文已经证明，人们并不是忽略了环境因素，纯粹按照时钟时间运作。个人和公司确实系统地改变了他们的行为，以应对时钟时间标准的变化。同时，时钟时间在人类活动中确实起着主导作用，甚至对于那些非常受阳光和天气影响的活动也是如此。不同人口统计学特征和活动类型对太阳时间的适应缺乏明确的模式，表明这种适应比起初看起来更加细微。

Abstract

In this paper, we examine the effect of computer-assisted learning on students’ long-term development. We explore the implementation of the “largest ed-tech intervention in the world to date,” which connected China’s best teachers to more than 100 million rural students through satellite internet. We find evidence that exposure to the program improved students’ academic achievement, labor performance, and computer usage. We observe these effects up to ten years after program implementation. These findings indicate that education technology can have long lasting positive effects on a variety of outcomes and can be effective in reducing the rural–urban education gap.

转自：“香樟经济学术圈”微信公众号

如有侵权，请联系本站删除！