物以类聚？新冠病毒的多样性和传播 印度病例

这里是兴趣系数。接下来，正如所讨论的，我们将自第一次封锁开始（2020年3月25日）到2020年7月26日的时间分为8个周期，每个周期约为15天。前四个周期对应于四个封锁阶段，后四个周期代表解锁阶段。为了检验这些时间段的同质性的含义，我们估计了以下集合的OLS回归方程：国家抽样调查组织将所有地区划分为若干相互排斥和穷尽的行政区，这些行政区在我们的回归中用作固定效应。初始阶段（1和2）更长，因为封锁阶段在开始时持续了2周以上，但后来延长了2周的间隔。这里表示阶段假人。代表1加上期内报告的病例数，是截至滞后期的死亡报告数，在D区。为了评估同质性和感染随时间变化之间的关系，我们检查了其效率。我们的中心假设将种姓和宗教同质性以及较低的经济不平等与一个空间单元中潜在的较慢的感染增长联系起来。正如所说，实现这一目标的根本途径是群体内部的合作和信任，这有助于协调一致的社区行动来应对流行病的蔓延。为了确定同质性或不平等性对报告感染数的因果关系，我们需要考虑潜在的内生性，其中两个主要问题是反向性和省略变量偏差(OVB)，在我们的研究背景下，反向因果关系是可以忽略的。鉴于COVID-19在印度引发的封锁是一个意想不到的冲击，而且只在四小时内通知就开始了，作为对疫情的回应，跨地区在社会、宗教和经济方面的住宅聚集是不可能的。当研究记录了即使在非Covid时代印度区际或州际移民的低水平时，这听起来尤其正确（Munshi Androsenzweig2009；Munshi2016；Rowchowdhury2019)。封锁后，尽管流动性增加了，但这仍然可能比前Covid时期低得多。因此，限制我们从因果角度看待估计的反向因果关系的可能性几乎可以忽略不计。为了控制OVB，我们引入了一系列控制变量，从地区一级的经济状况和城市化到环境卫生和个人卫生实践，以及健康指标和有形基础设施和卫生工作者的可用性等。请注意，在封锁开始前，通过跨区报告的病例数，感染传播机会仍然很高的初始热点已经得到控制。我们认为，这对于解决内生性问题至关重要，因为它控制了印度新冠肺炎疫情中心地区的各种特征。例如，德里、孟买、加尔各答和钦奈等主要大都市占案件总数的一半以上，也是印度城市就业的主要中心。应对新冠肺炎死亡的时间变异潜在健康措施已经通过滞后时期的区级死亡人数得到控制。

鉴于印度的行政结构，每个地区都由一名直接向一个邦的首席部长报告的官僚（地区收集员）管理，在apandemic分配稀缺的行政资源可能对与新冠肺炎相关的伤亡最敏感。此外，引入了区域fixedhttps://www.financialexpress.com/lifestyle/health/COVID-four-metros-account-for-half-all-cases-nationwidetaly-nears-2-4-lakh/1983731/effect来控制各个区域内所有地区可能共有的所有时间不变特征。尽管有这些精心设计的控制变量，人们仍然可以认为回归中忽略了一些潜在的混淆因素，这可能会产生有偏见的估计。为了确保情况不是这样，我们通过(Oster，2019)基于（Altonji,Elder,&Taber,2005）开发的一种策略检查了在考虑OVB后估计数的潜在变化，该策略基于这样一种假设，即对不可观察变量的选择可以通过对可观察变量的选择程度来衡量。为了进一步阐述，考虑下面的回归方程：这里是因变量，表示主要的感兴趣的变量，是控制变量的向量，是从回归中省略的所有未观察到的成分的向量。我们的目的是检验当它的符号相当高时，它的符号的相应变化或是否变化。这里的主要假设是：上面的方程表明，未观察到的分量之间的关系，与观察到的分量之间的相关性成正比（成比例的程度由。有了这个，(Oster，2019)表明，有可能推导出贯穿两个参数的可能范围：和。是一个假设回归的R平方值，它包含了所有可观察到的成分和未观察到的成分，因此是它所能达到的R平方的最大值。虽然可以有各种选择来计算上的界，但使用广泛的随机实验样本的数据(Oster，2019)提出，有观察到的控制变量的完整模型的平方值在哪里。对于参数，假设观察到的关联程度与被忽略变量的影响一样多，那么在[-1,1]之间（Altonji,Elder,&Taber,2005）；（Mukhopadhyay&Sahoo,2016）。(Oster，2019)提出了两种等效的方法来测试OVB的影响是否在统计上变得不显著。首先，我们检查利息系数是否超过1的阈值。论点是，如果超过1或低于-1，那么在任何一个方向上，与不可观测的关联程度都必须非常高，这可能不是有效的，尤其是在控制了观测到的协变量的稳健集之后。其次，我们检验是否变化根据Oster(2019)，在1.3的边界值允许至少90%的随机实验的影响存活。它的符号如果在区间[-1,1]和。如果符号不变，那么即使有一个非常严格的条件，即与不可观察物的关联程度与与可观察物的关联程度一样高，而且在两个方向上都是如此，无效假设（也可以被拒绝）。我们发现这些条件很好地满足（稍后将示出），确保我们从因果透镜来看估计。4.结果4.1回归我们首先给出了在表2中的等式（1）中概述的三种不同的齐性指数上所报告的情况的自然对数值的回归估计。

为了检验兴趣系数的稳定性水平，我们使用了四种不同的规格。在第一个规范中，与感兴趣的变量分开，我们将该地区封锁开始前报告的病例自然日志和前一段时间的死亡人数以及地区特定的固定记录合并在一起。为此，在规范2中，我们增加了关于获得便利设施的指标，如改进的厕所和主要水源。此外，我们还增加了居住在贫民窟/棚户区的地区家庭份额(HH)以及其前提周围的一般卫生和清洁做法的变量。在规范3中，我们随后控制了经济和人口变量。在本规范中，我们还说明了该地区报告慢性病的个人的份额。在上一个规范中，我们控制以前规定的流动性指标，以及该地区的平均人口密度，以及该地区现有的物质和卫生基础设施。因为它控制了从经济到人口特征的一系列可观察的协变量，以及卫生和健康指标，以及供应方对疫情的反应，这是我们首选的规格，在随后的回归中也使用了这种方法。结果似乎在不同规格之间相当稳定，最终规格（第4栏）的发现表明，在ceteris-paribus的castegroups之间，均匀性增加一个标准差，与报告病例的对数值平均减少约0.18有关。收入基尼系数的结果在性质上是相似的，即不平等的增加与更多的病例有关，尽管其幅度较小，平均效应大小约为0.13，每增加一个标准差，从而强调了不足的重要性。值得注意的是，与宗教同质性的关系在统计上仍然无法区分为零。来自其他协变量组的发现表明了预期的结果，因为我们观察到，封锁前阶段报告的病例和死亡人数与目前报告的病例数显著相关。表2：从2020年7月种姓封锁开始到结束，新冠肺炎病例增长（自然对数）的OLS回归，印度各地区的宗教和经济多样性(1)(2)(3)(4)模型1model2model3model4B/SEB/SEB/SEB/SEB/SEB/SEB/SELO封锁前病例数（2020年3月25日）0.302****0.285***0.205***0.205****(0.056)(0.053)(0.073)(0.075)期间累计死亡对数0.315***0.316***0.265***0.265***(0.042)(0.043)(0.063)(0.059)Z-score HHI 75)Z-score HHI宗教-0.051-0.061-0.024-0.023(0.070)(0.063)(0.054)(0.053)Z-score GINI0.134**0.162***0.1060.129**(0.065)(0.060)(0.067)(0.065)附加区级控制：便利设施、环境卫生和个人卫生人口、经济、长期健康结果、流动性、密度和卫生基础设施区域固定效应常数8.258***8.091***3.3093.382*(0.450)(0.578)(2.137)(1.913)观察值20.7850.7930.8050.807注：作者的计算。***P值<0.01,**P值<0.05,*P值<0.10,标准差对异方差有较强的鲁棒性。为了确保在任何时期没有病例的地区不退出分析，在取自然日志之前，将统一添加到病例中。结果是稳健的相加一个较小的正数。

结果是稳健的，用三天和七天的滚动平均数代替每个周期的每日报告病例。详细的表格可根据要求提供。接下来，我们使用我们通过前面概述的方程（2）考虑的8个周期中的每个周期结束时的区级报告病例数进行了一个合并OLS回归。通过同质性指数和周期假体的相互作用，这使我们能够检验我们主要感兴趣的变量对报告的感染性病例数随时间变化的异质性简化。图5显示了这些交互项的边际影响，控制了前面讨论的潜在混杂因素。请注意，在第4期结束时，政府授权的锁定结束，解锁程序开始。回归的结果表明了一个有趣的模式。我们观察到，在4个封锁阶段的每个阶段，种姓线上都有更高的同质性的边际增量收益。到封锁阶段4结束时，我们发现通过HHI种姓群体的不均一性增加一个标准差，导致报告病例的算术值平均下降0.53。然而，封锁后，这种关系开始减弱，到第7个时期结束时，我们没有观察到更高种姓群体的同质性带来额外的收益（见图5的(a)小组）。正如通过图5的(b)小组观察到的那样，我们没有发现宗教遗传性与跨时间感染数量之间的显著关系。对于经济不平等，发现更平等的地区与较低的报告病例数量有关，通过这种关系，在封锁的第三阶段结束前仍然很强，但在封锁的第四阶段结束时完全消失。在解锁期（期间：5至8)，较高经济均衡性的边际收益在统计上仍然无法区分为零。图5：COVID-19病例在4个封锁期和4个解锁期的OLS回归增长（自然对数）的相关变量系数，直到2020年7月26日结束(a)HHI种姓群体的期间系数(b)HHI宗教的期间系数(c)基尼指数的期间系数（HH消费）注：这些系数来自完全控制方案，如上文模型2所述，置信度为95%。x=4的垂直线意味着全国封锁的结束（2020年5月31日至5月31日）。为了确保在任何时期没有病例的地区不会退出分析，在取自然日志之前，在病例中添加了Unity。结果对较小的正数相加具有鲁棒性。结果稳健，以3天和7天的滚动平均值代替每个时期的每日报告病例。4.2计算OVB，我们感兴趣的变量在阻止COVID19感染报告病例的增长方面有多有效？种姓群体或经济领域的多样性会导致更高的病例数吗？正如前面所说的，我们在回归中包括了一系列控制协变量，这些协变量占了跨地区病例数的大部分变化。关于在地区一级进行的测试数量的信息是不可用的，但区域固定效应以及周期假人已经被纳入模型。如果一个区域内的地区的测试在时间上没有系统的变化，那么通过差异测试数，固定效应将占很大一部分。请注意，与图5对应的回归中的相关r平方值被观察到为0.75，这表明因变量中75%的变化已经通过回归中使用的控制变量集被考虑在内。

在这种程度上，我们认为wecan是通过因果透镜来看待推论的。然而，由于人们仍然可能会争论一些忽略的变量会偏向我们的估计，我们使用了由(Oster，2019)开发的基于（Altonji,Elder,&Taber,2005）的策略，该策略估计主要利益系数的界限，假设对不可观察项的选择程度可以通过前面解释的对可观察项的选择来确定。这项工作的结果载于表3。对于发现在10%或更低水平上具有统计意义的交互系数，需要远高于1才能使其归零(Oster，2019)。正如前面所说，这是不太可能的，尤其是因为我们已经控制了一系列协变量，这些协变量也可能解释了许多不可观察的因素。然而，即使我们假设非可观测的原因混杂因变量的程度与通过观察到的协变量解释的程度成正比，同质性在种姓方面的重大影响以及通过基尼系数与经济不平等有关的重大影响得到了保留，并没有消失。表3：潜在遗漏变量biasHHI种姓群体基尼系数（HH消费）系数（控制）系数（未控制）β=0与系数（控制）系数（未控制）β=0与3月25日-4月14日0.075-0.379-0.4530.459***0.47816.376154月-3月-0.171*-0.6440.8850.361***0.4477.76945月-17日-0.356***-0.8381.6910.168**0.3242.707185月-5月31日-0.525***-1.0082.325-0.0155.187-0.2201 6月14日-0.293***-0.8051.356-0.0430.124-0.77415 6月28日-0.182**-0.7340.8160.0090.1460.18829 6月12日-0.047-0.6400.2060.0840.1932.02113 7月26日-7月26日-0.020-0.608-0.0850.08000.1742.218注：作者计算。***P-值<0.01,**P-值<0.05,*P-值<0.10。非控制系数是对目标变量的回归结果。受控系数来自假设的回归，其中来自所有观察变量的最终回归。通过用户编写的Stata命令psacalc(Oster，2016)获得的结果。我们认为，这些发现在识别目标群体以扩大依从性诱导行动方面具有相当大的意义。我们的发现表明，在所有社会凝聚力的衡量标准中，种姓异质性仍然是与宗教和收入相关的封锁期间感染传播的持续负面预测因素。此外，更高种姓同质性的影响似乎随着封锁的后续阶段而成倍增加。只有在封锁解除后，种姓群体凝聚力的收益才开始下降。在这里，人们可能会争辩说，由于持续两个多月的全国性罢工，尽管有集体利益，但由于生计中断和经济福祉下降而产生的相关私人成本导致了类似种姓群体中社会关系的削弱（Ahmed et al.2020；Lancet，2020)。顺便说一句，研究表明，随着时间的推移，私人对COVID-9非药物协议的依从性下降，如保持社交距离和戴口罩，这可能是由于疲劳和经济成本（Brisceseet.al.，2020年；Das et al.，2020年）。为了使用周期数据补充我们的发现，我们还运行了pooledOLS回归，获取每日感染病例数的数据。在这里，我们不是周期假人，而是合并日常假人，并检查与我们主要变量的日常互动系数。根据布拉瓦特尼克治理学院的研究，印度被发现是世界上所有主要国家中封锁最严格的（https://www.bsg.ox.ac.uk/research/research-projects/coronavirusgovernment-respons-tracker）（2020年9月30日访问）。

图6给出了回归的估计值。这些发现表明了我们早先得到的类似推论。种姓同质性的收益似乎平均在封锁的每一天都有所增加，但封锁后的影响大小被发现随着时间的推移而减小。经济平等在封锁的最初阶段也有一些明显的收益，但效果似乎随着时间的推移而减弱。图6：使用2020年3月25日至7月26日的每日数据，从COVID-19病例的OLS增长回归（自然对数）中获得的感兴趣变量系数注：基于作者的计算4.3稳健性检查我们运行了一系列稳健性检查，以确保我们的推断是稳健的。(i)香农的熵度量首先，我们考虑香农的多样性熵度量(SEM)，而不是castegroup和宗教同质性的HHI指数。这个度量值的范围从零到无穷大，越大的值意味着越大的多样性(Frenken，2004)。在数学上，这可以表示为每个群体在总体人口中所占的份额，这些群体可以分为相互排斥的群体。结果如图7所示。HHI的范围在0到1之间，较高的值表示较高的均匀性，SEM的范围在0到无穷大，较高的值表示较大的多样性。因此，尽管HHI和SEM是反相关的，但它们的系数并不直接可比。然而，结果表明，兴趣与多样性的测量之间的关系。请注意，在一些地区，许多群体可能不存在，这将使他们在人口中的比例为零。因此，这些地区退出了分析。为了验证这不是驱动我们的发现，我们重新估计模型使用异质性的HHI为子集的区域，可以计算SEM。我们能够确定兴趣关系是稳健的，可以根据要求提供发现。图7：截至2020年7月26日底，在4个封锁期和4个解锁期，COVID-19病例的OLS增长（自然对数）回归中的兴趣变量系数（使用香农多样性指数）注：系数来自完全控制方案，如模型2所述，置信度为95%。x=4的垂直线意味着全国封锁的结束（2020年5月31日至5月31日）。为了确保在任何时期没有病例的地区不会退出分析，在取自然日志之前，在病例中添加了Unity。结果对加上较小的正数是稳健的。结果是稳健的，三天和七天的滚动平均值取代了每个时期的每日报告病例。（二）与非首都地区的回归数据表明，较大的城市是经济活动较高和移民流入较多的集群。因此，它们可能会驱动我们的结果。尽管我们在规范中充分控制了这些特征，但作为稳健性检查，我们删除了包含一个州首府的地区，并在印度所有邦中用非首都地区重新估计模型。

这是因为这些具有州府的地区很可能是一个州内的主要热点。图8展示了调查结果，表明我们也能够用这个地区的子样本复制我们的结果。图8：OLS回归对COVID-19病例在4个封锁期和4个解锁期的增长（自然对数）感兴趣的变量系数，截至2020年7月26日底，印度所有邦的非首都区(a)HHI种姓群体(b)HHI宗教(c)Gini指数（HH消费）的期间系数注：这些系数来自完全控制方案，如模型2所述，置信度为95%。x=4的垂直线意味着全国封锁的结束（2020年5月31日至5月31日）。为了确保在任何时期没有病例的地区不会退出分析，在取自然日志之前，在病例中添加了Unity。结果对加上较小的正数是稳健的。结果是稳健的，三天和七天的滚动平均值取代了每个时期的每日报告病例。详细的表格可根据要求提供。4.4进一步分析解除锁定的影响我们认为，种姓界限上的社会凝聚力，以及在较小程度上的经济平等，以及其他因素，可以是随着时间的推移遏制新冠肺炎感染病例增长的关键。这一点在封锁阶段尤其明显，因为我们发现，随着时间的推移，种姓之间的同质性越来越大，经济平等的回报越来越高，至少在政府授权全国封锁的早期阶段是这样。由于解锁是在2020年5月31日之后开始的，图4表明，经济平等没有明显的收益，或者即使有收益，在统计上可以与零区分开来，影响大小也更小。那么，政府在强制封锁后解锁经济是否起到了改变种姓等级同质性或经济平等影响的作用？随着经济的解锁，较低多样性的回报是否会侵蚀？我们使用以下回归模型来检验这一点：这看起来与等式（2）相同，唯一的区别是引入了一个解锁假体，而不是周期假体。“unlock”假人在5到8期间取值为1，在1到4期间取值为0。请注意，与前面的情况一样，这种回归控制了滞后时期的死亡人数，以及前面包括的其他混杂因素。表4中的回归结果表明，在种姓同质性较高的地区，解锁后死亡人数有积极和显著的上升。换句话说，一旦经济解锁过程开始，高种姓同质性通过较低感染病例获得的边际收益似乎会被稀释，这导致种姓同质性每增加一个标准差，报告病例数的对数值就会增加约0.61。请注意，即使在解锁期的最初阶段，这种同质性与报告病例之间的相关性仍然是负的，并具有统计学意义。交互作用的正数表明，通过种姓作用的社会凝聚力的影响在政府的初始解锁过程之后显著降低。有趣的是，这种关系似乎并不适用于宗教同质性或经济不平等，因为我们观察到它们相应的交互作用系数在统计上是不显著的。

如前所述，这些发现的含义表明，种姓的社会凝聚力似乎与全国范围内严格封锁的强制性威慑措施相一致。不过在解锁过程中，这种凝聚力可能会在大规模经济中断后减弱，这导致即使是在同质性较高的地区病例也会增加，尽管这需要进一步的研究来确定确切的合理性4：截至2020年7月底的两个时期（封锁和解锁）新冠肺炎病例对数的OLS回归关于异质性和消费不等式的度量(1)(2)(3)(4)模型1model2model3model4b/seb/seb/seb/seb/封锁前病例的选择0.231****0.237***0.237***0.231***0.231***(0.065)(0.066)(0.066)(0.065)(0.054)(0.055)(0.054)Z-score HHI SG-0.477***0.307***0.307***0.332***0.332***(0.054)*(0.095)(0.069)(0.069)(0.095)Z-得分HHI宗教0.0100.0090.0120.039(0.056)(0.076)(0.056)(0.073)Z-得分GINI0.115**0.116**0.164**0.110(0.056)(0.056)(0.077)(0.076)解锁（基数：封锁）2.007***2.053***2.052****2.005***(0.168)(0.174)(0.174)(0.169)解锁#Z-得分HHI SG0.606***Nana0.614****(0.105)解锁#Z-得分HHI宗教Na0.004Na-0.058 NA(0.095)NA(0.089)解锁#Z-得分Gininana-0.0940.008纳纳(0.108)(0.105)额外的区级控制：便利设施，环境卫生和个人卫生人口、经济、长期健康结果流动性、密度和卫生基础设施区域固定效应常数0.041-0.201-0.2000.047(1.756)(1.778)(1.778)(1.757)观察值20.7600.7500.7500.760注：作者的计算，***P-值<0.01，**P-值<0.05，*P-值<0.10，标准误差在地区一级聚类。尽管如此，种姓同质性的影响在更有可能与更高的社会关系和更强的个人关系的协调相关的地区可能会为将经济考虑与社会凝聚力隔离开来提供一些见解。由于印度农村更有可能以这些特征为特征，我们研究了在后解锁时期，通过种姓同质性获得的收益是否在城市化程度较低的地区保持不变（Banerjee B.,1986）。为了证明这一点，我们研究了在城市化水平不同的地区解锁的不同影响。为了理解这一点，我们创建了一个虚拟变量，对于居住在城市地区的人口比例低于百分比的地区，该变量的值为1，对于居住在城市地区的人口比例大于或等于k%的地区，该变量的值为0。我们在回归中使用了这个，如下所示：这里是我们的兴趣系数。图9，它给出了不同水平的发现，确切地表明了我们的假设。在城市化水平较低的地区，即使在解锁过程后，种姓同质性较高的边际收益似乎也不会保持不变，但即使在封锁后，在减少报告的新冠肺炎病例方面也显示出积极的影响。有趣的是，在农村人口超过90%和80%的地区，种姓同质性对解锁起始的影响与报告病例数呈显著负相关，前者的影响大小大于后者。这强调了更高的社会凝聚力和人际关系的重要性。通过强大的种姓网络采取协调行动可能发挥重要作用，无法确保感染人数的低增长。

观察到这一点，即使在解除锁定过程开始的时期也是如此，潜在的流动性随着遵守流行病协议（如他人之间的社交距离）的可能性增加而增加。图9：系数与农村人口分享和解除锁定的下限（对于种姓群体）形成了感兴趣的变量的三方相互作用。注：系数来自完全控制方案，如模型4所述，置信度为95%。如果数据来自全国封锁结束之前的期间，解锁假人取值0，如果解锁之后取值1。5。政策含义本文的主要发现可以通过三个重要结果来概括。首先，我们发现castegroup的同质性对遏制新冠肺炎在印度的传播有重要影响。然而，宗教分裂的作用有限。此外，我们发现收入不平等对新冠肺炎病例的增长产生不利影响，在更不平等的地区，病例增长往往更快。因此，我们的结果强调了强大的社区凝聚力的重要性，主要通过种姓群体发挥作用，其次通过经济亲和力发挥作用，以确保社会有益的遵守。维持社区规范的一个主要挑战来自随后封锁阶段造成的经济困难。这些可能会加剧违反合规规范的经济需求。显然，在放松强制封锁的这些阶段后，通过凝聚力获得的收益似乎会减弱。在此背景下，本文首先强调了强有力的社会保护和再分配的重要性，这是疫情期间需要加强的一个重要环节，不仅是缓解经济困难的一个步骤，也是通过持续的社区协调来阻止感染的传播。最后，种姓群体同质性的影响在城市化程度较低的地区更加突出，即使在取消流动限制后，这种影响仍在继续。本文的研究结果表明，社会分裂的不同维度的相对重要性随城市化程度的不同而不同。在城市化程度较低的地区，社区凝聚力可能由社会认同主导。农村地区的人有一个相对有限的社会网络，但这种网络与城市化家庭有更多的联系，但社会联系更弱（Sato&Zenou,2015）。换句话说，城市的互动更频繁，但联系在本质上是自愿的，而在农村地区，这种联系主要基于社会规范和亲属关系（White&Guest,2003）。研究还发现，生活在城市地区的人不太可能参与集体行动(Bovaird、Van Ryzin、Loeffler&Parrado，2014)。我们认为，在其他因素中，农村地区的互动性质和社区结构是通过更好的社会凝聚力在同质性和感染传播之间建立更强关系的有利原因。重要的是，我们仍然观察到，即使在部分取消流动限制的解锁期，社区效应在农村地区继续显示出显著的韧性，尽管其影响在更城市化的地区被发现消失了。鉴于事实，新冠肺炎病例继续在印度传播，这些可能性为健康干预开辟了许多政策途径。首先，相对于同质地区，政府应该优先考虑社会异质地区，因为它们可能更脆弱，拥有较低的社会资本来应对感染增长。我们的发现提供了一个基础，以确定和分区的局部地区为社会同质和异质块。

可以优先考虑对异质群体进行医疗干预和收入支持，以弥补已经薄弱的社区凝聚力，作为对流行病的短期和中期反应。其次，在相对同质的地区，随着经济逐步开放，现有的社会联系越来越弱，可能会采取加强社区网络的策略。一个可能的渠道可以是通过社区渠道分散卫生干预，让社区参与更多。研究表明，对社区的积极看法可以增强私人对流行病的遵守行为（Das et al.2020)。通过来自同一社区的工作人员提供符合社区相关性的干预和教育信息可能被证明是重要的。这些政策的有效性，如果得到实施，将是未来研究的一个重要领域。结论：遏制感染的增长需要社区内强大的社会凝聚力和联系，这在多样化和异质性的背景下可能是困难的。这种环境造成障碍，无法实现信任与合作，而这种信任与合作是在大流行病期间采取协调一致的社区行动所必需的。使用地区一级新冠肺炎感染的高频数据，我们发现种姓的社会同质性在确保印度新冠肺炎病例的较低增长方面发挥了重要作用。在全国范围内的封锁期间，社会凝聚力在阻止感染的增长方面发挥了重要作用。然而，在启动可能导致更高流动性的解锁过程后，边际收益似乎减弱了。重要的是，社区效应继续在农村地区显示出显着的复原力，即使在解锁期，尽管其效应在更城市化的地区被发现消失。由于我们已经考虑了广泛的潜在混淆因素，我们有理由相信，我们的估计揭示了社区凝聚力对通过协调遵守传播的感染的影响。在我们考虑了潜在的不可观察的选择之后，这一点变得更加有力，这可能会抵消种姓群体同质性的积极影响。我们的分析表明，种姓差异地区和在某种程度上经济不平等地区最容易受到感染增长的影响，政府必须优先应对这些地区，同时扩大其应急能力。在相对同质的地区，我们强调社区加强努力。尽管我们的发现很有力，但我们的论文仍未探讨基于种姓的异质性在印度变得重要的确切机制。我们建议将此作为未来研究的重要议程。参考文献A.A.A.A.Ferrara.E.L.(2005)。种族多样性和经济表现。经济文学杂志，43（3）,762-800。A.Alesina,Baqir,R.和Easterly,W.（1999）。公共产品和种族分裂。经济学季刊，114(4)((4))，1243-1284。Altonji,J.G.,Elder,T.E.,&Taber,C.R.（2005）。观察变量与未观察变量的选择：天主教学校效能评估。《政治经济学学报》，第113（1）,151-184.阿什尔，S.，托拜厄斯，L.，松浦，R.，Novosad,P.（2020）.新冠肺炎数据资源。Banerjee,A.,Iyer,L.和Somanathan,R.（2005）。RuralIndia的历史、社会分裂和公共产品。《欧洲经济协会学报》，3(2-3)，639-647.班纳吉，B.(1986)。从农村到城市的迁移和城市劳动力市场：德里的案例研究。新德里：喜马拉雅出版社。Bosancianu,C.,Dionne,K.Y.,Hilbig,H.,Humphreys,M.,Sampada,K.C.,Lieber,N.,&Scacco,A.（2020年，6月16日）。新冠肺炎死亡率的政治和社会相关性。