空间双重差分模型：突破传统政策评估的边界
在经济学和公共政策研究中，准确评估政策干预效果一直是学者和实践者面临的重大挑战。传统双重差分模型(DID)作为因果推断的黄金标准，近年来却频频遭遇\”水土不服\”——当政策效应像涟漪一样在空间扩散时，传统方法往往高估或低估真实影响。想象一下：某城市推出新能源汽车补贴政策，不仅改变了本地购车选择，还通过示范效应影响了周边城市消费者的决策。这种\”溢出效应\”正是传统DID模型难以捕捉的盲区。
空间双重差分模型(Spatial DID)的诞生，标志着政策评估方法的重要进化。它巧妙融合了空间计量经济学与因果推断框架，如同给研究者装上了\”空间显微镜\”，能够清晰观测政策效应在地理网络中的传导路径。对于分析环境规制、区域经济政策、公共卫生干预等具有明显空间依赖性的议题，这套方法提供了前所未有的分析精度。
1. 传统DID模型的空间困境
传统双重差分模型建立在两个关键假设之上：平行趋势假设（干预前实验组与对照组变化趋势一致）和非干扰假设（一个单位的干预不影响其他单位结果）。当研究对象存在地理邻近性或社会网络关联时，第二个假设往往被现实击碎。
以长三角地区大气污染联防联控政策评估为例。若仅用传统DID比较实施城市与非实施城市的PM2.5浓度变化，会忽略三个关键空间效应：
这些机制导致传统DID估计产生严重偏误。我们的模拟数据显示，在存在中度空间依赖(ρ=0.4)时，传统方法会使政策效果被高估达32%。
提示：莫兰指数(Moran\’s I)是检验空间自相关的首选工具，其计算公式为：
spatgsa y, weights(w) moran
