评估高频公共交通对芝加哥社区就业结果的影响 Fatemeh Noorizadehsalout 和 Amirhossein Vaziri

《Urban Science》：Estimating the Impact of High-Frequency Public Transit on Employment Outcomes in Chicago Neighborhoods Fatemeh Noorizadehsalout and Amirhossein Vaziri

　　摘要：我们利用2019年8月Pace公司在芝加哥地区推出的Pulse Milwaukee线路，估计了高频公交升级对社区劳动力市场结果的因果影响。我们使用了公共数据——Pace的GTFS时刻表（站点/发车间隔）、ACS社区层面的社会经济指标以及LEHD/LODES的工作场所统计数据。通过这些数据，我们构建了一个社区层面的面板，将年度工作场所就业结果与多年家庭结果结合起来，然后实施了一种透明的差异差异设计，将新Pulse站点0.5英里范围内的社区与0.5至2英里范围内的对照组社区在服务开始前后的情况进行比较。我们没有发现可检测的短期效应，但估计每个居民的工作岗位数量有所增加（0.066个；约为治疗前平均水平的14%）。在传统的社区聚类推断下，这一估计结果并不显著（p = 0.073）；因此，我们将其视为提示性而非决定性的证据。我们的结果非常稳健。事件研究估计显示，治疗前的趋势保持平稳，治疗后的收益持续到了第1年和第2年；我们的安慰剂对照组没有产生效应；我们的缓冲区宽度测试显示效应呈单调增强趋势。最后，我们的加权估计结果仍然为正，尽管幅度较小。总之，结果表明，即使居民的就业和收入没有立即发生变化，频率的提升也能将工作岗位重新分配到升级后的线路附近。

1. 引言
公共交通与城市地区的经济机会密切相关。对于许多家庭来说，公共交通是通勤的主要方式。然而，可及性不仅取决于网络覆盖范围，服务频率和可靠性也决定了系统的实际可用性。较短的发车间隔可以减少等待时间并降低通勤的总体成本。尽管如此，关于仅涉及服务频率提升（而不涉及重大基础设施投资）对劳动力市场影响的证据仍然有限，尤其是在美国的公交线路中。大多数现有研究都集中在铁路扩展或资本密集型项目上，而对服务强度的渐进式改进了解较少。本研究正是针对此类升级进行的探讨。分析的重点不是追踪个人的通勤行为或乘客数量，而是工作场所分布的变化。通过工作场所就业数据，我们可以了解企业和工作地点在社区层面的反应。

确定交通投资的因果效应具有挑战性，因为服务变化并不是随机分配的。机构通常会升级网络中已经重要的线路。即使没有这项干预，这些地区也可能遵循不同的经济发展路径。为了解决这个问题，分析采用了准实验框架。具体来说，我们实施了一种差异差异设计，将升级线路附近社区随时间的变化与附近未受处理的社区的变化进行比较。这种方法消除了共同的时间效应，并在平行趋势假设下隔离了服务改进的影响。虽然Pulse Milwaukee线路并非随机选择，但机构文件表明，线路选择主要基于运营考虑因素，包括乘客模式、网络连通性和服务可行性。没有迹象表明对短期社区就业增长的预期在决策中起到了核心作用。

本研究估计了靠近高频公共交通的社区劳动力市场结果的因果效应。分析重点关注工作场所就业集中度、居民就业率和家庭收入中位数。2019年8月Pace公司推出的Pulse Milwaukee线路提供了政策变化的数据。我们将公开可用的GTFS站点数据与美国社区调查（ACS）的估计值以及LEHD工作场所区域特征数据结合起来，构建了一个社区层面的面板。我们采用了差异差异框架，编制了2017年至2022年的年度工作场所就业数据；然而，来自ACS的家庭结果使用的是5年的估计值。因此，我们对家庭结果的基线差异差异设定使用了2015年至2019年（治疗前）与2020年至2022年（治疗后）的两个时期进行比较。我们使用年度LODES数据进行事件研究和稳健性分析。2019年8月标志着Pulse Milwaukee线路的启动。完整的2017年至2022年面板用于事件研究和稳健性分析。因此，2020年至2022年的结果反映了治疗后的情况，而之前的年份则作为治疗前时期。在基线差异差异表中，“治疗后”指的是2022年，在事件研究设定中，我们逐年模拟了治疗后的动态。

本文的一个核心特点是使用透明的差异差异框架来评估仅频率提升的公交效果。分析比较了升级线路步行距离内的社区工作场所就业集中度、居民就业率和收入的变化与附近未受处理社区的变化。所有数据来源都是公开的。这种方法不依赖于专有的路由软件或受限的数据集。

Pulse Milwaukee线路的推出提供了一个明确的政策变化。服务于芝加哥大都会区的郊区公交机构Pace在2019年8月开始运营这条线路，作为其Pulse公交快速交通计划的第一阶段。该线路沿Milwaukee Avenue运行，连接Jefferson Park Transit Center（CTA铁路和Metra的主要换乘点）和Niles的Golf Mill购物中心。该服务引入了有限站点的运营、升级的站点、实时信息以及十分钟的高峰发车间隔。与它补充的本地Route 270线路相比，Pulse线路提供了更高的频率和更可靠的服务。在估计治疗效果之前，我们检查了治疗前的趋势，以验证线路附近的社区在2019年之前是否已经在就业或工作场所集中度上有所不同。缺乏差异性治疗前趋势支持了这种识别策略。

该研究估计了靠近高频公共交通的社区劳动力市场结果的因果效应。分析重点关注工作场所就业集中度、居民就业率和家庭收入中位数。2019年8月Pace公司推出的Pulse Milwaukee线路提供了政策变化的数据。我们将公开可用的GTFS站点数据与美国社区调查（ACS）的估计值以及LEHD工作场所区域特征数据结合起来，构建了一个社区层面的面板。我们采用了差异差异框架，编制了2017年至2022年的年度工作场所就业数据；然而，来自ACS的家庭结果使用的是5年的估计值。因此，我们对家庭结果的基线差异差异设定使用了2015年至2019年（治疗前）与2020年至2022年（治疗后）的两个时期进行比较。我们使用年度LODES数据进行事件研究和稳健性分析。2019年8月标志着Pulse Milwaukee线路的启动。完整的2017年至2022年面板用于事件研究和稳健性分析。因此，2020年至2022年的结果反映了治疗后的情况，而之前的年份则作为治疗前时期。在基线差异差异表中，“治疗后”指的是2022年，在事件研究设定中，我们逐年模拟了治疗后的动态。

本文的一个核心特点是使用透明的差异差异框架来评估仅频率提升的公交效果。分析比较了升级线路步行距离内的社区工作场所就业集中度、居民就业率和收入的变化与附近未受处理社区的变化。所有数据来源都是公开的。这种方法不依赖于专有的路由软件或受限的数据集。

Pulse Milwaukee线路的推出提供了一个明确的政策变化。Pace公司作为服务于芝加哥大都会区的郊区公交机构，于2019年8月开始运营这条线路，作为其Pulse公交快速交通计划的第一阶段。该线路沿Milwaukee Avenue运行，连接Jefferson Park Transit Center（CTA铁路和Metra的主要换乘点）和Niles的Golf Mill购物中心。该服务引入了有限站点的运营、升级的站点、实时信息以及十分钟的高峰发车间隔。与它补充的本地Route 270线路相比，Pulse线路提供了更高的频率和更可靠的服务。在估计治疗效果之前，我们检查了治疗前的趋势，以验证线路附近的社区在2019年之前是否已经在就业或工作场所集中度上有所不同。缺乏差异性治疗前趋势支持了这种识别策略。

该线路穿过住宅区、商业街区和已建立的就业中心，服务对象是一个种族和经济上多样化的群体。重要的是，Pulse线路并没有创建新的公交线路，而是提高了现有线路的服务频率和可靠性。因此，这种处理可以很好地定义为服务强度的变化，而不是基础设施的扩展。新的Pulse站点位置为根据空间邻近性定义处理区和对照区提供了明确的基础。

在实证分析中，我们构建了一个社区层面的面板。公交站点和服务数据来自Pace公司公开可用的GTFS数据，这使我们能够识别出受到升级服务影响的社区。社会经济和劳动力市场指标来自美国社区调查（ACS）和LEHD工作场所区域特征数据。这些来源共同提供了关于收入、就业率、工作场所数量和人口构成的信息。利用这个面板，我们在考虑空间和时间特定因素的同时，估计了Pulse服务对当地经济结果的影响。

为了评估设计的有效性，需要进行几项诊断性检查。我们通过对未接受Pulse升级的线路应用相同的实证策略来进行安慰剂测试。如果模型捕捉到的是更广泛的区域趋势而非服务变化本身，那么在这些安慰剂设置中也会出现类似的效应。我们没有发现这样的模式，这支持了估计效应特定于Pulse线路的解释。

空间溢出效应是另一个需要关注的问题。高频线路可能会影响稍微超出直接步行范围之外的区域。如果将受益于间接影响的附近社区纳入对照组，估计的治疗效果可能会减弱。为了解决这个问题，我们实施了不同的对照定义。在某些设定中，我们排除了距离线路0.5至1英里范围内的社区，并将处理过的社区与更远的区域进行比较。我们还测试了对不同缓冲区宽度的敏感性。这些结果在不同定义下大体一致。

干预的时间与COVID-19大流行期重合。2020年，由于远程工作和特定行业的就业损失，公交机构减少了服务，通勤模式发生了变化。这些干扰可能会减弱或延迟Pulse升级的任何短期效应。因此，我们估计了比较Pulse之前的年份（2018-2019年）与Pulse之后的年份（2021-2022年）的替代方案，排除了最不稳定的大流行时期。因此，应谨慎解释短期内的零结果。

研究结果区分了工作场所层面和家庭层面的结果。我们估计线路附近的工作岗位密度有所增加，尽管这一估计在统计上并不显著。相比之下，我们没有检测到居民就业率或家庭收入中位数的可测量短期效应。仔细解释工作场所岗位密度是很重要的。每个居民的工作岗位数量增加反映了就业地点的变化，并不意味着处理过的社区的居民获得了这些工作岗位。这种效应可能反映了企业的搬迁、行业调整或商业活动的变化。即使居民的就业结果没有变化，企业、物业所有者或来自该地区以外的通勤者也可能受益。

研究结果指向了两个不同的方向。对于家庭结果，我们没有发现2019年至2022年间就业人口比率或家庭收入中位数有显著变化。估计值很小，在统计上与零没有区别。置信区间较宽；因此，在这一短时间内不能排除中等程度的正面或负面效应。然而，在观察到的时间范围内，服务频率的增加似乎并没有转化为居民劳动力市场的可测量改善。

对于工作场所就业来说，我们估计处理过的社区相对于对照组每个居民的工作岗位数量增加了0.0665个，相当于治疗前平均水平的14%左右。由于工作场所就业数据使用的是LODES工作场所区域特征数据，这一估计反映了社区内工作地点的变化。它可能捕捉到了企业的搬迁、机构活动的变化或其他形式的空间重新分配。这本身并不意味着在县或区域层面创造了新的工作岗位。

传统的社区聚类p值约为0.07。这没有达到5%的阈值，但估计的幅度在经济上是有意义的。因此，我们将这一结果视为提示性而非决定性的。这一模式与线路附近工作场所就业集中度的增加一致。同时，它不应被解释为企业搬迁的决定性证据，也不意味着处理过的社区的居民获得了这些工作岗位或在短期内改变了他们的通勤行为。这一估计反映了工作地点的变化，而不一定是持有这些工作岗位的人的变化。

分析有一个重要的局限性。我们没有观察到个人的交通使用情况或起点-终点通勤流量。因此，我们无法确定处理过的社区的居民是否使用了Pulse服务来获取额外的工作岗位，或者升级后通勤模式是否发生了变化。因此，这些发现应被视为工作场所位置变化的证据，而不是个人旅行决策变化的直接证据。

与之前的研究相比，这项研究提供了新的证据，说明了在平行趋势假设下，不涉及重大基础设施投资的高频公交服务升级如何影响社区层面的工作场所和家庭劳动力市场结果。美国关于交通和经济结果的大部分研究都集中在铁路扩展或大型资本项目上。相比之下，我们研究的是一种更为渐进式的变化：在现有路线上引入了高频、有限站点的公交服务。分析完全依赖于公开可用的数据，包括GTFS时刻表和ACS及LODES的就业记录。这种方法表明，即使没有专有的数据集或专门的调查数据，也可以进行仔细的评估。

Pulse Milwaukee线路提供了一个有用的研究环境。Pace公司将其作为其BRT风格计划的第一阶段引入了这条线路。该线路沿Milwaukee Avenue运行7.6英里，从Niles延伸到Chicago。它包括升级的站点和车辆，但主要在混合交通中运行。重要的是，该项目并没有创建新的线路。相反，它为现有的Route 270线路增加了频繁的有限站点服务。该线路已经有了公交服务；Pulse升级代表了频率、可靠性和服务质量的显著提升。这沿着一个固定的地理范围创建了一个清晰的前后对比，治疗依据是距离Milwaukee Avenue的接近程度以及2019年8月的明确开始日期。线路沿线的土地利用包括商业街区和住宅区，没有其他重大的交通或开发项目与之同时发生。这些特点加强了结果的解释。

总体而言，这些发现细化了公平性的讨论。频率的增加并没有立即带来家庭就业或收入的增加，但它确实将工作场所就业集中度向线路方向转移。从更长的时间范围来看，或者与住房政策和劳动力政策相结合，这样的变化可能会给居民带来改善。证据表明存在一种顺序模式：频率的提升可能首先影响工作地点，而家庭层面的影响（如果有的话）则会在之后出现。这项研究探讨了交通文献中的一个更广泛的问题：服务改善是否能够转化为包容性的、短期的经济收益。一种观点认为，在服务不足的地区，更好的交通应该能够通过扩大就业机会来迅速改善就业状况。另一种更为谨慎的观点认为，交通变化主要会影响工作地点的选择，对现有居民的好处不确定，并可能带来分配上的后果。我们的研究结果介于这两种观点之间。Pulse升级与工作场所集中在该走廊的现象有关。同时，我们在研究期间没有观察到居民就业率的增加。这表明，仅靠交通改善可能不足以在短期内改善家庭的劳动力市场状况。如果目标是实现广泛的收益，可能需要配套的政策。尽管如此，从方法论的角度来看，这项研究还表明，频率的提升——无需大规模的基础设施扩建——可以使用公开可用的数据和标准的准实验工具进行评估。即使是相对较小的服务变化，也能在地方经济数据中留下可检测的痕迹。

本文的其余部分组织如下：第2节回顾了有关交通可达性、服务频率和社区劳动力市场结果的相关文献。第3节介绍了Pulse项目的制度背景和走廊选择过程。第4节描述了公共数据来源和街区级面板的数据构建方法。第5节介绍了研究区域、处理组和对照组定义以及汇总统计信息。第6节概述了差异差异框架和识别假设。第7节报告了稳健性和验证检查，包括事件研究估计和安慰剂测试。第8节讨论了研究结果，第9节进行了总结。

2. 文献综述
本研究与几项研究相关。首先，它探讨了公共交通可达性如何通过减少空间摩擦来影响劳动力市场结果。其次，它强调了服务频率和可靠性（而不仅仅是网络覆盖范围）决定了交通在实践中的可用性。第三，它为关于快速公交（BRT）类型投资的经济和发展效应的研究做出了贡献。一个更实际的研究方向关注测量方法。最近的研究越来越多地依赖公开可用的GTFS数据和人口普查就业产品（如ACS和LODES），使用准实验方法来评估社区层面的影响。城市劳动力市场经常表现出空间不匹配的现象。低收入和依赖公共交通的工人往往居住在远离合适工作机会的地方。这种分离会限制就业机会并降低收入。大量研究表明，较差的交通可达性与低技能和无车工人的高失业率和低工资有关。改善交通可达性可以扩大可行的求职范围并改善劳动力市场结果[1]。在区域层面，先前的研究发现，更多的交通供应与失业率和贫困率的适度但统计上显著的减少有关[2]。这些发现支持了交通可以缓解城市劳动力市场中的空间摩擦的观点。最近的实证研究提供了更多关于交通可达性与劳动力市场结果之间关系的证据。利用蒙得维的亚的详细可达性数据，先前的研究表明，即使在考虑了个人特征后，拥有更好公共交通通达性的地区的居民面临较低的失业概率[3]。在利马，先前的研究发现，快速公交系统的扩展提高了就业可达性，尽管收益并不均匀[4]。对于远离主干道的低收入家庭来说，收益较小。总的来说，这些研究表明，交通改善可以减少空间摩擦，但可达性的提高并不一定会立即或均匀地带来就业增长。如果目标是实现广泛的收益，可能需要配套的政策。然而，从方法论的角度来看，这项研究还表明，频率的提升——无需大规模基础设施扩建——可以使用公开可用的数据和标准的准实验工具进行评估。即使是相对较小的服务变化，也能在地方经济数据中留下可检测的痕迹。

本文的其余部分组织如下：第2节回顾了有关交通可达性、服务频率和社区劳动力市场结果的相关文献。第3节介绍了Pulse项目的制度背景和走廊选择过程。第4节描述了公共数据来源和街区级面板的数据构建方法。第5节介绍了研究区域、处理组和对照组定义以及汇总统计信息。第6节概述了差异差异框架和识别假设。第7节报告了稳健性和验证检查，包括事件研究估计和安慰剂测试。第8节讨论了研究结果，第9节进行了总结。

2. 文献综述
本研究与几项研究相关。首先，它探讨了公共交通可达性如何通过减少空间摩擦来影响劳动力市场结果。其次，它强调了服务频率和可靠性（而不仅仅是网络覆盖范围）决定了交通在实践中的可用性。第三，它为关于快速公交（BRT）类型投资的经济和发展效应的研究做出了贡献。一个更实际的研究方向关注测量方法。最近的研究越来越多地依赖公开可用的GTFS数据和人口普查就业产品（如ACS和LODES），使用准实验方法来评估社区层面的影响。城市劳动力市场经常表现出空间不匹配的现象。低收入和依赖公共交通的工人往往居住在远离合适工作机会的地方。这种分离会限制就业机会并降低收入。大量研究表明，较差的交通可达性与低技能和无车工人的高失业率和低工资有关。改善交通可达性可以扩大可行的求职范围并改善劳动力市场结果[1]。在区域层面，先前的研究发现，更多的交通供应与失业率和贫困率的适度但统计上显著的减少有关[2]。这些发现支持了交通可以缓解城市劳动力市场中的空间摩擦的观点。最近的实证研究提供了更多关于交通可达性与劳动力市场结果之间关系的证据。利用蒙得维的亚的详细可达性数据，先前的研究表明，即使在考虑了个人特征后，拥有更好公共交通通达性的地区的居民面临较低的失业概率[3]。在利马，先前的研究发现，快速公交系统的扩展提高了就业可达性，尽管收益并不均匀[4]。对于远离主干道的低收入家庭来说，收益较小。这些研究表明，交通改善可以减少空间摩擦，但可达性的提高并不一定会立即或均匀地带来就业增长。

交通的有效成本不仅包括乘车时间，还包括等待时间、换乘不便以及到达时间的不确定性。乘客调查一致认为，频率和可靠性是最重要的服务属性之一[5,6]。不频繁或不可靠的服务会增加感知的旅行成本并抑制使用。相比之下，更一致和更频繁的运营可以提高用户信心并稳定乘客数量[7]。高频公交系统和快速公交投资可以通过降低特定走廊的总体旅行成本来改变城市经济模式。国际证据，特别是来自拉丁美洲城市的证据，记录了显著的总体效应。在波哥大，TransMilenio快速公交系统的引入减少了大量的旅行时间并带来了可测量的经济收益。先前的研究估计，全市福利增加了约3.5%，产出增加了约2.7%（扣除成本后）[8]。这些效应在空间上并不均匀。外围社区获得了更好的就业机会，而中心区域则获得了更大的劳动力池，改变了经济活动的空间分布[9]。像TransMilenio这样的大规模快速公交系统与显著的福利和生产力增长有关。然而，来自其他环境的证据表明，劳动力市场的反应在空间和时间上并不均匀。例如，在利马，快速公交的可达性改善主要集中在主干道附近，但并未为居住在较远地区的低收入居民带来广泛的就业改善[4]。这些发现表明，交通投资通过多个渠道发挥作用——影响工作地点、工人分布和企业行为——并且结果取决于走廊设计、周边土地利用以及是否存在配套政策。来自美国的证据更为复杂，但通常指出，当快速公交走廊与其城市环境良好融合时，会带来局部的发展效应。先前的研究考察了几个美国的快速公交系统，并记录了车站附近的经济发展聚集现象[10]。在他们的样本中，距离快速公交车站0.5英里以内的地区捕获了新办公发展的更大份额[11]。另一个相关的例子来自俄勒冈州的尤金。在EmX快速公交线路引入后，距离车站0.25英里以内的地区即使在整个大都市区失业率下降的时期也经历了就业增长[12]。增长集中在特定行业，包括教育和医疗服务。这些案例表明，即使整体经济条件不佳，快速公交也可以改变车站区域的相对吸引力。名义网络覆盖范围与实际可达性之间的区别对于高频公交系统尤为重要。提高发车间隔和可靠性可以在不进行大规模基础设施投资的情况下改变工人和企业的实际覆盖范围。使用保密的人口普查数据和工具变量策略，先前的研究表明，靠近新开通的快速公交车站的洛杉矶地区就业率和当地就业密度有所增加[13]。他们的结果表明，交通投资可以影响居民的劳动力结果和就业的空间分布。这些效应在具有大量配套发展和长期调整期的庞大都市系统中得到了记录。目前尚不清楚较小规模的频率提升是否能在短期内产生类似的家庭层面影响。其他研究强调，快速公交投资可以通过土地和位置渠道影响当地经济活动。研究11条美国快速公交走廊后发现，住宅财产价值的反应因环境而异，并取决于走廊设计和周边土地利用[14]。他们的结果与快速公交影响活动空间分布而非产生均匀的总体增长一致。在短期内到中期，这些效应主要是重新分配的，特别是在土地使用限制调整的情况下。尽管之前的研究已经考察了铁路扩展和全规模快速公交系统的经济后果（通常涉及专用车道和大量资本投资），但对于不涉及新基础设施的服务频率提升对劳动力市场的影响知之甚少，尤其是在美国郊区的公交走廊中。本研究通过分析现有路线上的频率提升来解决这一空白。研究的重点是街区级的工作场所和家庭结果，使用完全基于公共数据的透明差异差异框架进行估计。

3. 制度背景：Pulse项目和走廊选择
Pace推出了Pulse项目，作为一项旨在改善芝加哥地区主要干道沿线公交服务的系统级努力。该项目侧重于运营变化，而不是土地使用改革或短期经济发展。官方材料将Pulse描述为一种增加频率、提高可靠性、减少旅行时间和改善乘客体验的方法。策略是通过添加品牌化、有限站点的服务来升级现有路线，这些服务可以相对较快且成本适中地实施[15,16]。经过多年的规划，Milwaukee Avenue走廊被选为第一条Pulse线路。Pace的文件指出，走廊选择基于服务相关标准，包括当前和预期的乘客数量、网络连通性、运营可行性以及当地支持[16,17]。早期的规划研究评估了一系列潜在的走廊。Milwaukee利益相关者参与计划指出，最初考虑了24条走廊，其中Milwaukee被确定为短期网络内的第一条干线快速公交（ART）走廊。选择过程是结构化的，并非在2019年启动前临时决定的[17]。长期规划文件支持这一解释。2009年的ART可行性研究概述了走廊选择标准，包括现有乘客数量、预期需求、区域连通性、潜在的旅行时间节省以及机构和社区支持[18]。Pace董事会在Pulse服务开始前十多年就批准了Milwaukee以及其他几条走廊的实施。2009年的ART实施计划还强调，Milwaukee Avenue沿线强大的基线乘客数量降低了实施风险，将该走廊描述为一个高使用率的通勤路线，预计可靠性和速度的提高将立即带来服务效益。规划文件并未表明选择Milwaukee走廊是因为预期短期内社区就业或收入的增加。公共材料通常强调改善就业和目的地的可达性，但这指的是乘客的移动性收益，而不是走廊本身预期的就业创造。区域规划报告也将Pulse Milwaukee置于更长期的土地使用和交通协调工作中。然而，它们并未将走廊选择描述为基于近期就业增长的预测[19,20,21]。综合来看，这一制度背景表明，选择Milwaukee走廊是基于运营原因——现有的高乘客数量、网络连通性和战略重要性——而不是随机分配的。实证策略并不假设随机放置。相反，识别依赖于比较Milwaukee走廊附近街区与邻近对照街区的平行趋势框架。我们通过预处理趋势分析和安慰剂测试来补充这种方法。因此，所得估计应被视为重大服务提升后走廊层面就业重新分配的证据，而不是外生政策冲击的确定性因果效应。

4. 数据
本研究结合了几个公开可用的数据集，以考察交通服务提升前后社区层面的就业和收入情况。数据分为四类：交通服务信息、人口和社会经济特征、就业记录以及地理参考文件。交通服务使用通用交通馈送规范（GTFS）数据进行测量，该数据提供了时刻表、站点位置和路线信息。这些数据允许精确地绘制站点位置、公交车运行频率以及服务变化的时间。在这项分析中，GTFS数据用于记录Pulse走廊上的服务频率变化，并根据与Pulse站点的接近程度定义处理区域。使用GTFS数据使得分析可以用可复制的代码进行，而无需专有软件。经济结果来自两个主要公共来源。美国社区调查（ACS）提供了街区级别的就业人口比率、家庭收入中位数、车辆可用性和人口构成等指标。这些数据以滚动五年的估计值形式报告，因此反映了多年平均值而非单一年份的值。按工作场所位置划分的就业数据使用人口普查局的纵向雇主-家庭动态数据（LODES Workplace Area Characteristics文件）进行测量。LODES提供了普查区块级别的年度就业计数，可以汇总到街区。这些数据集共同构建了一个街区级面板，将交通服务变化与随时间变化的当地经济结果联系起来。

4.1. 通用交通馈送规范（GTFS）——Pace Bus
分析中使用的第一个数据集是Pace Suburban Bus发布的通用交通馈送规范（GTFS）。GTFS提供了关于交通路线、时刻表和站点位置的详细信息，这些信息以大多数美国交通机构使用的标准化格式提供[22]。文件包括每个站点的地理坐标、路线-站点关系和预定到达时间。我们使用这些数据来识别Pulse Milwaukee线路，该线路于2019年8月开始运营，并提取沿Milwaukee Avenue的新有限站点、高频车站的位置。位于至少一个Pulse站点0.5英里范围内的普查区域被归类为处理组。4.2. 美国社区调查（ACS）—5年估计为了衡量社区的社会经济状况，我们使用了美国人口普查局提供的美国社区调查（ACS）5年估计数据[23]。ACS是一项年度滚动调查，提供了详细的区域级信息。使用5年估计数据是因为它们能为小范围地理区域提供更稳定的统计数据。我们将2015-2019年的ACS数据视为处理前时期，2020-2022年的数据视为处理后时期。从这些文件中，我们提取了就业人口比率、家庭收入中位数、车辆拥有情况、教育水平以及种族和族裔构成。就业人口比率是针对16岁及以上的个体定义的；因此，儿童被排除在外。由于ACS的结果是多年平均值而非年度观察值，所以我们采用两期差异法来分析家庭就业和收入。这些结果反映了不同时期的中长期差异，而非每年的变化。4.3. 纵向雇主-家庭动态（LEHD）—LODEST为了补充ACS数据，我们使用了美国人口普查局与各州劳工机构合作制作的LEHD起源-目的地就业统计（LODESs）[24]。LODES提供了按普查区块划分的年度就业数据，这些数据既按工作场所位置也按工人居住地报告。分析中重点关注两个组成部分：工作场所区域特征（WACs）文件报告了每个区块内的工作岗位数量，而居住区域特征（RACs）文件报告了每个区块内就业居民的数量。我们将这些区块级数据汇总到普查区域级别，并构建了其他指标，包括工作场所就业密度和替代就业比率。由于LODES数据是每年更新的，因此可以逐年分析Pulse干预措施带来的就业变化。4.4. TIGER/Line Shapefiles—美国人口普查局为了定义地理边界并将交通站点与普查区域关联起来，我们使用了美国人口普查局的TIGER/Line shapefiles。这些shapefiles提供了普查区域、区块组和县的官方地理定义。我们使用芝加哥大都会区的区块级文件来绘制Pulse站点的位置，并确定哪些区域位于0.5英里的缓冲区内（处理组），哪些位于0.5-2英里的环形区域内（对照组）。空间匹配是通过GIS软件（如QGIS 3.28）进行的。这一过程产生了用于实证分析的处理指标。5. 描述性统计本节描述了分析中使用的实证环境和数据。我们首先定义了Pulse Milwaukee走廊上的处理组和对照组区域。位于Pulse站点0.5英里范围内的普查区域被归类为处理组，而0.5至2英里之间的区域作为对照组。然后，我们描述了如何结合四个公共数据集——Pace GTFS文件、TIGER/Line区块shapefiles、ACS 5年估计数据和LEHD LODES就业数据来构建区块级面板。通过这些来源，我们创建了主要结果变量，包括就业人口比率和家庭收入中位数。我们还整理了人口控制变量，如车辆拥有情况、教育水平和种族构成。就业人口比率是针对16岁及以上的个体定义的；因此，儿童被排除在外。由于ACS的结果是多年平均值而非年度观察值，家庭就业和收入分析采用了两期差异法。这些结果反映了不同时期的中长期差异，而非每年的变化。4.3. 纵向雇主-家庭动态（LEHD）—LODEST为了补充ACS数据，我们使用了美国人口普查局与各州劳工机构合作制作的LEHD起源-目的地就业统计（LODESs）[24]。LODES提供了按普查区块划分的年度就业数据，这些数据既按工作场所位置也按工人居住地报告。分析中重点关注两个组成部分：工作场所区域特征（WACs）文件报告了每个区块内的工作岗位数量，而居住区域特征（RACs）文件报告了每个区块内就业居民的数量。我们将这些区块级数据汇总到普查区域级别，并构建了其他指标，包括工作场所就业密度和替代就业比率。由于LODES数据是每年更新的，因此可以逐年分析Pulse干预措施带来的就业变化。4.4. TIGER/Line Shapefiles—美国人口普查局为了定义地理边界并将交通站点与普查区域关联起来，我们使用了美国人口普查局的TIGER/Line shapefiles。这些shapefiles提供了普查区域、区块组和县的官方地理定义。我们使用芝加哥大都会区的区块级文件来绘制Pulse站点的位置，并确定哪些区域位于0.5英里的缓冲区内（处理组），哪些位于0.5-2英里的环形区域内（对照组）。空间匹配是通过GIS软件（如QGIS 3.28）进行的。这一过程产生了实证分析中使用的处理指标。5. 描述性统计本节描述了分析中使用的实证环境和数据。我们首先定义了Pulse Milwaukee走廊上的处理组和对照组区域。位于Pulse站点0.5英里范围内的普查区域被归类为处理组，而0.5至2英里之间的区域作为对照组。然后，我们描述了如何结合四个公共数据集——Pace GTFS文件、TIGER/Line区块shapefiles、ACS 5年估计数据和LEHD LODES就业数据来构建区块级面板。从这些来源，我们创建了主要结果变量，包括就业人口比率和家庭收入中位数。我们还整理了人口控制变量，如车辆拥有情况、教育水平和种族构成。地图确认了Pulse站点与普查区域之间的空间关系。描述性统计比较了处理组和对照组在处理前的特征，显示基线差异很小。地图和描述性统计共同记录了处理的地理定义以及两组在干预前的相似性，为差异分析提供了背景。图1显示了Cook县内29个Pulse Milwaukee站点，这些站点以红色点标示在普查区域边界上。这些站点沿着Milwaukee Avenue从Jefferson Park Transit Center延伸到Niles的Golf Mill Center，形成了一条线性走廊。站点周围的0.5英里缓冲区包括26个处理组区域。周围的0.5-2英里环形区域包含68个对照组区域。图1. Pulse Milwaukee线路走廊和站点。红色圆圈标记了Pulse站点；阴影区域代表用于定义处理组普查区域的0.5英里缓冲区。表1展示了处理前的描述性统计。处理组和对照组在大多数观察特征上相似。处理组的就业人口比率为95.8%，对照组为96.0%。处理组家庭收入中位数为83,200美元，对照组为82,100美元。没有车辆的家庭比例仅相差0.3个百分点（9.2%对9.5%）。教育水平和种族构成也相当：40.9%对42.3%受过大学教育，64.8%对59.3%为白人，1.8%对2.3%为黑人。表1. 处理前对照组普查区域的描述性统计（ACS 2015-2019）。一个显著的差异出现在基线工作场所就业密度上。使用LODES工作场所区域特征数据，处理组每居民的工作岗位平均数为0.533个，对照组为0.465个，相差约15%。差异法估计不要求基线水平完全相同，但要求在没有处理的情况下趋势平行。因此，我们检查了处理前的事件研究系数以评估这一假设的合理性（图2）。图2. 相对于处理年份的事件研究系数。点表示点估计值；垂直条形表示95%置信区间。表2报告了处理前对照组普查区域的Welch双样本t检验。在表1中显示的所有基线变量上，我们未能拒绝均值相等的假设。七个指标的双侧p值均超过0.14——就业人口比率、家庭收入中位数、无车辆家庭比例、受过大学教育的人口比例、白人人口比例和每居民的工作岗位数量——大多数p值均高于0.50。表2. 处理前对照组普查区域的Welch双样本t检验（??control =68, ??treated =26）。差异幅度很小。就业率相差0.2个百分点，收入中位数相差不到1,100美元，无车辆家庭比例相差0.3个百分点。最大的观察差异是白人人口比例相差5.5个百分点，但p值为0.14。总体而言，处理组和对照组的基线特征非常相似。这种相似性支持了研究设计的可信度，因为它减少了后续差异分析可能反映的是预先存在的经济或人口差异而非服务升级的影响。6. 模型我们将处理单元定义为位于提供高频服务（高峰时段发车间隔小于10分钟）的Pulse站点0.5英里范围内的普查区域。处理始于2019年8月，即Pulse Milwaukee线路开始运营的时候。对照组是那些距离任何Pulse站点0.5至2英里范围内的区域，在处理前特征上与处理组相似。使用0.5英里的阈值作为暴露的基线定义，因为这在美国交通规划中通常被用作步行可达性的代理指标，大约相当于10分钟的步行距离[25,26]。我们将这个距离视为一种实际惯例，而不是严格的行为界限。在基线设定中，对照组包括距离Pulse站点0.5至2英里范围内的区域。在其他设定中，我们调整了对照组范围，以确保处理组和对照组在空间上保持分离。我们还测试了对不同处理半径的敏感性，包括0.25英里和0.75英里，并在稳健性部分报告了这些结果。如果服务改进产生了超出0.5英里半径的溢出效应，一些对照组区域可能会部分受益于升级。在这种情况下，估计的处理效应将会减弱至接近零。因此，基线估计应被视为保守的。让模型组成部分定义如下：???????：结果变量，包括工作场所就业密度（每居民的工作岗位数量）以及居民结果，如就业率和家庭收入中位数；????：处理指标（如果区块i靠近高频站点则为1）；?????????????：处理后年份的指示器；???????：随时间变化的控制变量（例如，车辆拥有情况、种族、教育水平）；????：普查区域固定效应；????：年份固定效应。回归方程为 ???????=??+???(????×?????????????)+??????????+????+????+??????? 差异法假设在没有干预的情况下，处理组和对照组会遵循相似的趋势，从而识别Pulse Milwaukee升级对???????的影响。该框架遵循[27]中描述的标准潜在结果方法。对于来自ACS的家庭结果，估计量比较了两个多年期间的变化，而不是年度变化。在这些设定中，年份固定效应对应于ACS的报告期，而不是单个日历年份。分析比较了距离Pulse站点0.5英里范围内的区块与0.5至2英里范围内的附近区块的工作岗位数量、就业人口比率和家庭收入中位数的变化。目的是隔离服务升级的效果。识别基于平行趋势假设：如果没有Pulse干预，处理组和对照组的结果会类似发展。如第3节所讨论的，走廊选择反映了运营和乘客数量的考虑，而不是预期的社区就业增长。因此，实证策略依赖于平行趋势，而不是随机分配。模型包括区块和年份固定效应，以吸收所有时间不变的社区属性和常见的宏观冲击，并控制了可观察到的随时间变化的因素，如无车辆家庭比例、教育水平和种族构成。种族作为标准的社区级控制变量，反映了交通可达性和劳动力市场的持续空间差异，而不是作为异质性的主要维度。区块间的年龄结构差异通过区块固定效应吸收，并通过随时间变化的人口控制变量进一步处理；因此，识别基于区块内的时间变化，而不是人口构成的横截面差异。LODES的工作场所就业结果是按年度计算的，而ACS的家庭结果是使用5年估计值得出的多年平均值；因此，2020年的数据汇总了疫情前的月份和COVID-19相关中断开始后的时期。因此，2020年的估计值应谨慎解读，主要视为过渡期，而不是纯粹的处理后效果。分析涵盖了2017年至2022年的年度观察数据，2019年被视为部分暴露年份，2020-2022年被归类为处理后时期。在基线差异表中，“post”指的是2022年；在事件研究设定中，我们逐年模拟处理后动态。表3中处理后的系数为^?? =0.066，集群稳健标准误差为0.0367?(?? =1.81)。由于因变量是每居民的工作岗位数量，这个估计意味着在Pulse Milwaukee开始运营后，0.5英里步行范围内的区块平均每居民增加了0.066个工作岗位。鉴于处理前的平均值为每居民约0.46个工作岗位，这个点估计值对应于当地工作场所密度增加了14%（0.0665/0.465 ≈0.14）。这个估计反映了工作场所就业的空间集中变化，不应解释为处理组居民填补了这些工作岗位或经历了就业结果的改善。表3. 每居民工作岗位数量的差异法估计（聚类标准误差）。统计上，这一效应具有边际显著性：双侧p值为0.073，因此在10%的水平上拒绝了无影响的零假设，但在5%的水平上没有拒绝。95%置信区间范围为?0.0064至+0.1394。这个区间排除了较大的负面影响，并表明每居民的工作岗位数量上限约为+0.14（相对于基线增加了约30%）。总体而言，处理组和对照组的基线特征非常相似。这种相似性支持了研究设计的可信度，因为它减少了后续差异分析可能反映的是预先存在的经济或人口差异而非服务升级的影响。6. 模型我们将处理单元定义为位于提供高频服务（高峰时段发车间隔小于10分钟）的Pulse站点0.5英里范围内的普查区域。处理始于2019年8月，即Pulse Milwaukee线路开始运营的时候。对照组是那些距离任何Pulse站点0.5至2英里范围内的区域，在处理前特征上与处理组相似。使用0.5英里的阈值作为暴露的基线定义，因为它在美国交通规划中通常被用作步行可达性的代理指标，大约相当于10分钟的步行距离[25,26]。我们将这个距离视为一种实际惯例，而不是严格的行为界限。在基线设定中，对照组包括距离Pulse站点0.5至2英里范围内的区域。在其他设定中，我们调整了对照组范围，以确保处理组和对照组在空间上保持分离。我们还测试了对不同处理半径的敏感性，包括0.25英里和0.75英里，并在稳健性部分报告了这些结果。如果服务改进产生了超出0.5英里半径的溢出效应，一些对照组区域可能会部分受益于升级。在这种情况下，估计的处理效应将会减弱至接近零。因此，基线估计应被视为保守的。让模型组成部分定义如下：???????：结果变量，包括工作场所就业密度（每居民的工作岗位数量）以及居民结果，如就业率和家庭收入中位数；????：处理指标（如果区块i靠近高频站点则为1）；?????????????：处理后年份的指示器；???????：随时间变化的控制变量（例如，车辆拥有情况、种族、教育水平）；????：普查区域固定效应；????：年份固定效应。回归方程为 ???????=??+???(????×?????????????)+??????????+????+????+??????? 差异法假设在没有干预的情况下，处理组和对照组会遵循相似的趋势。该框架遵循[27]中描述的标准潜在结果方法。对于来自ACS的家庭结果，估计量比较了两个多年期间的变化，而不是年度变化。在这些设定中，年份固定效应对应于ACS的报告期，而不是单个日历年份。分析比较了距离Pulse站点0.5英里范围内的区块与0.5至2英里范围内的附近区块的工作岗位数量、就业人口比率和家庭收入中位数的变化。目标是隔离服务升级的效果。识别基于平行趋势假设：如果没有Pulse干预，处理组和对照组的结果会类似发展。如第3节所讨论的，走廊选择反映了运营和乘客数量的考虑，而不是预期的社区就业增长。因此，实证策略依赖于平行趋势，而不是随机分配。模型包括区块和年份固定效应，以吸收所有时间不变的社区属性和常见的宏观冲击，并控制了可观察到的随时间变化的因素，如无车辆家庭比例、教育水平和种族构成。种族作为标准的社区级控制变量，反映了交通可达性和劳动力市场的持续空间差异，而不是作为异质性的主要维度。区块间的年龄结构差异通过区块固定效应吸收，并通过随时间变化的人口控制变量进一步处理；因此，识别基于区块内的时间变化，而不是人口构成的横截面差异。LODES的工作场所就业结果是按年度计算的，而ACS的家庭结果是使用5年估计值得出的多年平均值；因此，2020年的数据汇总了疫情前的月份和COVID-19相关中断开始后的时期。因此，2020年的估计值应谨慎解读，主要视为过渡期，而不是纯粹的处理后效果。分析涵盖了2017年至2022年的年度观察数据，2019年被视为部分暴露年份，2020-2022年被归类为处理后时期。在基线差异表中，“post”指的是2022年；在事件研究设定中，我们逐年模拟处理后动态。表3中处理后的系数为^?? =0.066，集群稳健标准误差为0.0367?(?? =1.81)。由于因变量是每居民的工作岗位数量，这个估计意味着在Pulse Milwaukee开始运营后，0.5英里步行范围内的区块平均每居民增加了0.066个工作岗位。鉴于处理前的平均值为每居民约0.46个工作岗位，这个点估计值对应于当地工作场所密度增加了14%（0.0665/0.465 ≈0.14）。这个估计反映了工作场所就业的空间集中变化，不应解释为处理组居民填补了这些工作岗位或经历了就业结果的改善。表3. 每居民工作岗位数量的差异法估计（聚类标准误差）。统计上，这一效应具有边际显著性：双侧p值为0.073，因此在10%的水平上拒绝了无影响的零假设，但在5%的水平上没有拒绝。95%置信区间范围为?0.0064至+0.1394。这个区间排除了较大的负面影响，并表明每居民的工作岗位数量上限约为+0.14（相对于基线增加了约30%），表明任何真实的正面效应可能在零到十几个百分点之间。由于我们的主要结果是工作场所就业密度（每居民的工作岗位数量），这些估计值应解释为走廊附近工作场所就业位置的变化。分析没有衡量县级的净岗位创造情况，也没有衡量处理组居民是否填补了额外的工作岗位。表4中的两个额外差异法设定确认Pulse Milwaukee频率升级尚未转化为居民家庭的可测量收益。当家庭收入中位数是结果变量时，处理后系数为—USD 2540（标准误差USD 3967），双侧p值为0.52，95%置信区间为—USD 10,430至+USD 5345。在实际应用中，数据排除了收入效应超过治疗前平均值约±12%的可能性。同样，就业与人口比的回归估计值为-0.007（标准误0.010；p=0.47），置信区间为-2.7%到+1.2%。这两个点估计值都很小，标准误相对于估计效应来说较大，而且稳健的F统计量表明控制变量对区域内变化的解释作用很小。结合之前的工作密度结果，这些证据表明，尽管该走廊已经开始吸引工作场所，但在服务改善后的三年内，这种变化尚未体现在居民就业率或中位数收入上。表4显示了家庭结果的差异-差异（DiD）估计。由于治疗是在普查区域层面分配的，所有统计推断都在区域层面进行聚类。分析共包括了94个区域（26个处理组，68个对照组）。为了解决在有限样本中，当治疗在集群层面分配且处理组相对较小时，传统集群稳健推断可能敏感的问题，我们在区域层面补充了受限野生集群自助法（wild cluster bootstrap）推断[28]。我们在表5中同时报告了传统的聚类p值和野生集群自助法p值，以便透明地展示结果。表5显示了使用传统聚类和野生集群自助法得出的处理效应。受限野生集群自助法通过假设“处理后”系数为零来进行推断，在此限制下估计模型，并从受限拟合中获取区域层面的残差。在每次自助法重复中，我们为每个区域随机抽取一个权重（在该区域内保持不变），将这些权重乘以残差以生成与零假设一致的伪结果，然后基于伪数据重新估计原始的DiD模型。重复此过程多次（?? =9999次）可以得到处理后t统计量的经验零分布，从中计算出自助法p值，即产生至少与观察到的统计量一样极端的重复次数所占的比例。传统集群稳健推断使用渐近正态（或t）近似，随着集群数量的增加，这种近似变得更为准确。在我们的案例中，由于治疗是在集群（区域）层面分配的，并且处理组相对较小，这种近似在有限样本中可能过于保守或不精确。受限野生集群自助法则通过对集群层面残差进行重新加权来构建检验统计量的参考分布。当集群分配导致依赖性时，这种方法通常能提供更可靠的尺寸控制。在我们的应用中，两种方法得出的点估计和t统计量相同；差异仅在于p值的计算方式。点估计值没有变化，但在比较传统聚类p值和受限野生集群自助法p值时，推断结果有所不同。对于每个居民的工作岗位数量，估计效应为?? =0.0665（t =1.81），传统聚类p值为0.073，野生自助法p值为0.011；而在两种方法下，收入和就业率效应在统计上都无法与零区分开来。在这种应用中，自助法得出的p值比传统聚类推断更小。由于这些方法在有限样本中可能存在差异，我们为了透明性而同时报告了两种方法的结果。

7. 稳健性检验
为了增强我们实证发现的可信度，并确保它们不是由特定模型假设驱动的，我们进行了一系列稳健性和验证检验。这些检验包括对治疗区域的替代定义、使用虚假治疗走廊的安慰剂分析、人口加权回归以及事件研究（平行趋势）分析。平行趋势检验明确检查了在引入Pulse Milwaukee服务之前，处理组和对照组区域是否发展相似。此外，由于我们的研究时间窗口包括了COVID-19大流行的开始，我们承认这一前所未有的冲击可能影响了2020年及以后的就业动态，可能会与观察到的效应相互作用或部分混淆这些效应。事件研究规范估计了Pulse Milwaukee启动前后的年度特定处理效应，提供了对处理前趋势和处理后时机的动态评估。我们在基线分析中使用的相同区域样本（2018-2022年间观察到的93个区域；465个区域-年份观测值）上估计模型，包括区域和年份固定效应，控制了随时间变化的区域特征（零车辆比例、大学比例、白人比例、黑人比例），并在区域层面使用集群标准误。表6报告了系数估计值，图2将这些估计值与95%置信区间一起绘制出来。表6显示了事件研究系数：基线规范。2018年相对于省略的基线年份（2019年）的处理前系数基本上为零（0.0007，?? =0.960），没有证据表明存在差异性处理前趋势。2020年的同时期估计值为正，但不具有统计显著性（0.0160，??=0.394），这与COVID-19过渡期一致。相比之下，2021年和2022年的处理后效应变得更大且具有统计显著性：每个居民的工作岗位数量估计增加分别为0.0632（?? =0.031）和0.0635（?? =0.024）。图2直观地显示了同样的模式：处理前的估计值平坦，2020年的系数较小且不精确，随后几年工作密度明显上升。总体而言，事件研究结果支持处理前存在平行趋势的合理性，并表明工作密度效应在第一个大流行年后出现并持续到处理后的年份。我们在图2中以视觉方式展示了事件研究结果，并在表6中报告了相应的系数，这些结果共同提供了对处理前趋势和处理后动态的透明评估。估计值没有显示出Pulse Milwaukee启动前的差异性趋势，因为处理前的领先系数接近零且统计上不显著。处理后的系数在2021年和2022年为正且具有统计显著性，表明在工作场所频率升级后工作场所密度上升。尽管如此，我们仍谨慎解释这些数值，因为2020年是COVID-19的过渡年份，而且工作场所密度反映的是工作地点而非净就业创造。

为了验证我们的差异-差异设计没有简单地捕捉到虚假的空间或时间噪声，我们使用芝加哥Halsted街划出的“安慰剂走廊”进行了伪造测试。我们从OpenStreetMap下载Halsted街的中心线，将其重新投影到伊利诺伊州平面图上，并在两侧各创建0.5英里的缓冲区。任何与这个缓冲区相交的Cook县普查区域都被标记为“处理安慰剂”=1。因为Halsted街从未接受过Pulse Milwaukee BRT升级，所以如果这些安慰剂区域与县内其他区域之间存在差异，则表明模型设定有误。在运行回归之前，我们确认没有缓冲区域与我们的真实治疗走廊重叠（图3），并且安慰剂标志与其它地方使用的区域集合完全匹配，确保了固定的效应维度和聚类结构的一致性。然后我们重新估计基线模型——相同的控制变量、区域和年份固定效应，以及双向聚类标准误——用处理安慰剂×处理后的交互项替换了真实的交互项。一个正确设定的模型应该能够恢复出一个与零统计上无法区分的系数。因此，主要结果不是由特定位置的冲击或与Pulse项目无关的全县范围趋势驱动的。由于工作场所密度是根据LODES工作场所特征（工作场所数量）构建的，每个居民的工作岗位数量的变化可能反映了工作在附近区域的重新分配、企业更替或工作场所位置的报告/分类变化，而不是净就业创造。为了减少附近重新定位对比较组的影响，我们使用环形控制定义重新估计了基线DiD，排除了紧邻处理缓冲区的区域。这些检验澄清了解释：我们的工作场所估计最好理解为走廊层面的工作场所集中度变化，我们并不声称有净就业创造。图3显示了Cook县的研究和安慰剂走廊。该图显示了处理过的Pulse Milwaukee线路（红色）和安慰剂Pulse Halsted走廊（棕色）及其0.5英里的缓冲区。这一可视化确认了在稳健性检验中使用的真实治疗区和安慰剂治疗区的空间分离。表7确认，在Halsted街周围标记0.5英里缓冲区为“处理”没有产生可检测的效应：安慰剂交互系数为-0.042（标准误0.060），95%置信区间较宽[?0.159, 0.075]，p值为0.48。所有控制变量同样在统计上不显著。当治疗是虚构的时没有可测量的变化，这加强了我们实证设计的有效性，并表明沿Pulse Milwaukee走廊观察到的工作密度增加不是由巧合的空间模式或未观察到的全县范围冲击驱动的。基线人口统计差异（包括年龄结构）在很大程度上是时间不变的，并被区域固定效应吸收了，因此人口构成不太可能解释安慰剂结果的零值。表7显示了安慰剂走廊伪造测试（Halsted街，0.5英里缓冲区）。稳健性要求我们的发现不依赖于对“处理”的单一、任意定义。因此，我们三次重新构建了处理标志——使用1/4英里、1/2英里（基线）和3/4英里的缓冲区围绕Pulse站点——并每次重新估计相同的DiD规范。对于每个不同的治疗半径，我们重新定义了控制环，使其开始于处理半径之外（环形设计），以确保处理组和对照组区域在规范上是分离的。如果Pulse升级确实增加了附近区域的使用者数量，那么随着我们包含仍然可能受到影响的区域，点估计值应该会增加（或至少不会下降）。这些缓冲区宽度和环形设计是有意保守的：如果溢出效应影响到附近区域，排除更接近的控制区域可以减少污染，并增强我们对估计效应不会被夸大的信心。表8显示，在每种缓冲区选择下，处理效应都是正的，并且随着半径的扩大而变得更大和更显著。四分之一英里的缓冲区产生的效应较小且在统计上不显著（?? ≈0.04；?? =0.36），这并不令人惊讶，因为它只捕捉到了最内层的步行可达范围，几乎没有额外的增长空间。将半径扩大到基线的一半英里时，估计值几乎翻倍（?? ≈0.07），显著性水平也提高了（?? ≈0.07）。三分之四英里的缓冲区使系数增加到大约0.08，并超过了5%的阈值（?? ≈0.03）。这种单调增加正是我们预期的，因为如果效益随距离增加，这与观察到的转移模式和 feeder-bus 连接一致。由于积极效应持续存在并且随着处理区域的扩大而增强，我们可以确信我们的主要结果不是由过于狭窄的地理定义造成的。表8显示，在每种缓冲区选择下，处理效应都是正的。为了检验结果是否依赖于观测数据的汇总方式，我们使用人口权重重新估计了规范，这将估计量从区域平均值转变为居民平均值。标准误在两种规范中都是按区域聚类的。人口权重是根据治疗前的区域人口（ACS 5年数据）构建的。对于每个GEOID，ACS人口数据被合并到区域-年份面板中，并广播到该区域的所有年份。因为这些是代表性权重（而不是逆方差权重），我们继续使用稳健/聚类标准误，而不是依赖基于模型的WLS方差公式。结果见表9。表9显示了主要DiD与人口加权DiD（双向FE；按区域聚类）的比较。人口加权估计值仍然是正的，但比未加权的基线值小且不显著（?? =0.0497 vs. 0.0665；95%置信区间重叠）。这种模式与人口平均估计量一致。无论采用哪种加权方案，符号和数量级都是稳定的，表明主要结果不是由任意选择的区域平均方式驱动的；未加权的双向FE估计值仍然是我们的主要规范，而加权规范则作为稳健性检验，表明效应是持续的，尽管在跨人口平均时不显著。

8. 讨论
我们的发现揭示了公交服务升级后经济影响的时间顺序。在短期内（启动后的头1-2年，大约2019-2021年），我们观察到位于Pulse走廊区域的工作岗位数量相对于对照区域有所增加——基本上，处理区域内的本地工作场所密度（每个居民的工作岗位数量）高于对照组。这种模式与服务升级后走廊附近工作场所就业密度的增加是一致的；然而，根据现有数据，我们无法区分净就业创造与就业的空间重新分配、企业更替，或是工作场所位置的报告/分类变化，这与更好的交通设施能够吸引工作场所（例如，受益于员工或客户便利性的零售、办公或服务行业）的观点相符。由于附近的对照区域也可能经历适度的可达性提升，因此对走廊效应的估计应被视为频率升级实际影响的下限。重要的是，这种响应并不需要当地居民立即增加公共交通使用量；企业可能会根据服务频率、可靠性和可见性的改善来调整其位置或扩张决策，甚至在这些变化发生之前。值得注意的是，2020年是我们年度数据中的一个过渡年份，它结合了疫情前的月份和COVID-19的爆发；与此一致的是，我们在2020年本身并未观察到统计学上显著的效果，而积极的工作场所位置效应主要出现在2021-2022年，随着情况稳定下来。

另一方面，走廊内的家庭结果——如居民就业率和平均收入——在同一时间段内与对照组相比没有立即上升。简单来说，Pulse走廊附近的工作场所就业密度增加了，而居民的就业率和中位数家庭收入在研究期间没有显著变化。这种工作场所影响与居民影响之间的差异与一些关于交通可达性和工作场所位置响应的先前预期相符（例如[8,10]）。一种解释是，工作场所活动的响应速度比家庭结果更快；其他解释包括企业跨邻近区域的重新定位、企业构成的变化，或是工作场所位置数据的测量/报告变化。我们的设计不允许我们在这几种机制之间做出判断——例如，企业可能会通过在交通枢纽附近扩大运营来吸引更多客户或员工——而居民的结果可能会滞后（人们可能不会立即找到新工作，或者需要获取技能才能获得这些工作，或者如果新工作吸引了新移民，他们可能会面临竞争）。我们研究的短期结果是：工作场所首先做出反应，而家庭就业保持平稳——这为关于交通和公平发展的辩论提供了实证细节。它表明，仅靠频繁的公交服务，在没有其他变化的情况下，可能不会立即改变现有低收入居民的命运（至少在一两年内不会）。短期内，工作场所就业密度的增加似乎并没有转化为对现有居民的可衡量收益。现有数据无法让我们确定哪些群体最终从这种就业重新分配中受益。这与其他情境的证据一致。例如，对波哥大BRT的研究发现，就业倾向于集中在交通改善的区域[8]（在可到达的中心位置有更多的工作），而人口迁移（人们为了利用交通而搬家）则较慢，并受到住房供应的限制。作者指出，如果没有政策允许在交通丰富的地区建造更多住房，交通投资的初始收益更多地惠及了企业和现有房产所有者。我们的发现在小规模上反映了这一模式——Pulse走廊见证了当地就业的增加（对该地区经济有益），但将其转化为当地居民的改善结果可能需要更多时间或补充政策。

需要强调的是，这些都是短期影响。随着服务成为常态并且更多乘客使用它，我们可能会后来发现走廊居民的劳动力参与度或收入有所增加（即，如果交通使以前失业的人能够找到工作，或者鼓励更多人搬到该社区）。然而，鉴于COVID-19大流行造成的中断以及使用年度结果数据，早期证据指向了一个由我们的发现所暗示的顺序：首先，可达性的变化影响了工作场所的位置，随后才可能影响社区的社会经济特征。

9. 结论与政策含义

本研究的结果具有几个政策含义。这些含义仅作为建议性指导，因为我们的数据仅识别了走廊级别的工作场所就业密度变化，但没有测量净就业创造、工人来源或通勤行为。由于我们的数据无法区分就业创造和空间重新分配，这些含义应被视为将走廊级别的可达性变化转化为家庭层面收益的机制，而不是基于观察到的就业增长的直接处方。首先，如果像Pulse这样的频繁公交服务与短期内工作场所就业密度的增加有关，那么仅仅升级交通并不是改善居民就业或收入水平的灵丹妙药。对公平发展感兴趣的交通机构和城市规划者应考虑采取互补策略，以放大交通对当地社区的好处。例如，可以调整土地使用和分区政策，与新公交车站附近的更高密度或混合收入住房和商业发展相结合，使更多人（特别是依赖交通的工人）能够住在交通附近并从事新吸引的工作。以芝加哥为例，走廊沿线的市政当局可以鼓励在Pulse站点周围的填充开发或适应性再利用物业（有时称为“支持交通的发展”）。先前的研究表明，在某些情况下，互补的土地使用政策可以放大与可达性相关的福利收益。在波哥大BRT研究中，一项模拟显示，如果城市放宽土地使用限制，允许在可达性提高的区域建造更多住房，交通系统的福利收益将提高约25%（并且部分基础设施成本可以通过土地价值捕获来回收）。这表明，交通+支持住房的政策可以产生比单独交通更大的经济效益。

其次，为了直接惠及当地工人，机构可以实施或合作开展与交通相关的工作力计划。一个想法是确保居民具备竞争附近工作所需的技能和信息。另一个更直接的干预措施是为求职者和低收入工人提供交通补贴或降低票价，使他们能够真正享受到改善的服务。在这方面有令人鼓舞的证据：华盛顿特区的一项随机试点项目在求职期间为低收入求职者提供了每月约50美元的交通补贴，显著提高了他们的就业前景[1]。接受交通援助的人申请了更多的工作（尤其是在更远的地区），在6周内找到工作的概率高出9个百分点，平均失业天数也比未接受补贴的人少13天。外部证据表明，交通补贴和求职支持可以改善低收入求职者的就业结果；在我们的情境中，如果政策目标是将走廊级别的可达性变化转化为家庭层面的收益，这些类型的计划是可行的补充措施。在Pulse的背景下，一个政策示例可以与当地雇主合作，为员工提供折扣交通通行证，或沿线路提供包括交通费用援助的工作培训计划。

另一个含义涉及交通网络的整合。Pulse Milwaukee线确实与其他交通系统相连（它在南端服务于CTA的Jefferson Park站，与Blue Line ‘L’和Metra铁路相连，并与各种当地公交线路相连）。然而，票价系统或时间表的差异可能成为障碍。改善整合的政策——如统一的票价媒介（以便从Pace到CTA的换乘在时间窗口内无缝或免费）或定时换乘枢纽——可以增加乘客数量，并将Pulse吸引的工作机会扩展到其他依赖交通的社区的居民。换句话说，连通性和整合可以放大任何单一线路的效果。对大型交通系统的研究表明， feeder buses和综合服务可以产生更高的乘客数量和福利收益[8]。对于Pulse来说，确保来自相邻社区（不在Milwaukee Ave上）的人能够轻松连接到该服务（通过协调的 feeder buses或安全的自行车/步行路径）可以帮助将好处扩展到走廊之外，可能吸引更多的就业和发展。

从研究的角度来看，这项研究强调了开放数据和可复制方法在交通评估中的价值。我们展示了通过使用GTFS和ACS、LODES等联邦数据集，可以相当细致地分析走廊级别的干预措施。未来，研究人员可以在几个方面扩展这项工作。一种扩展是纳入更丰富的可达性指标——例如，计算在Pulse服务前后，一个区域的平均居民可以通过交通在45分钟内到达多少个工作场所。这可以使用基于GTFS的旅行时间计算来执行，针对多个起点和终点（本质上创建了一个比单纯计算附近工作数量更详细的连通性度量）。另一种扩展是研究溢出效应：Pulse走廊外的区域是否也因为邻近性而经历了一些变化（也许就业或交通使用略有增加）？通过建模影响随距离的渐变，可以了解公交改善的好处能传播多远。此外，鉴于疫情的破坏性影响，观察更长的时间范围将很有价值。随着我们度过COVID-19的急性期，2022年、2023年及以后的数据可能会显示Pulse线路是否最终影响了居民的居住选择（例如，走廊附近的人口或人口结构是否发生了变化？），或者当地人的就业收益是否开始滞后出现。可能只有在几年后（并且交通乘客模式恢复正常后），才会出现诸如较低的汽车拥有率或更高的交通通勤率等变化。通过更长的时间面板监测这些趋势，将有助于了解交通改善的动态效应——区分即时影响和延迟影响。

总之，文献和我们的发现表明，提高交通频率和可靠性可以与当地经济地理的变化相关联，但要实现公平的结果，支持性政策是必不可少的。通过将服务升级与积极的措施（在土地使用、可负担性和劳动力发展方面）相结合，城市可以帮助创造条件，使可达性收益更有可能转化为家庭层面的改善；然而，在我们的数据中，家庭就业和收入效应在治疗后的一段时间内还无法检测到。这种整体方法在研究和实践中越来越被认识到对于使交通投资成为包容性经济增长的催化剂至关重要。芝加哥Pulse案例为这一讨论提供了新的证据，说明了交通优先策略的潜力和局限性，并指出了弥合交通可达性和就业结果之间剩余差距所需的综合解决方案。