把观点放在前面，这篇文章其实做得蛮规范扎实的。不过，除了切入点可能让大众有些不爽之外，它的实证结果，其实也不能完全支持其在摘要中给出的结论：“intensity of child trafficking increases as an indirect and unintended consequence of improved urban infrastructure”，也就是高速公路建设导致了拐卖儿童犯罪的增加。
这可以当成一篇DID方法的简要科普文。
它直接得到了什么
这篇文章最核心的结果，就是下面这张图。它描述了各个地区在通高速前后上报的儿童失踪案变化情况，横轴的0代表通高速的年份，大于0的数代表通高速后，小于0则是通高速之前。
直观看，这张图显示通高速之前各地儿童失踪案每年变化不大，而在通高速之后，就出现了显著的上升。
对这个结果提出了质疑，认为它可能高估了高速公路的影响。我觉得这里就算考虑高估，最后多半还是可以得到一个显著大于零的系数，更大的问题其实是，这个结果，无论是否存在高估，都不能支持摘要中所提到的结论：高速公路建设导致了拐卖儿童犯罪的增加。要理解这一点，我们得先理解DID。熟悉方法的读者可以直接跳过下面这段。
DID简介
DID，或者叫双重差分Difference in Difference，目前可以说是经济学中最流行的方法了。上至博士乃至资深教授，下至本科生甚至参加竞赛的小学生，都可以掏出Stata跑一把DID，主打一个老少皆宜童叟无欺。我自己给本科生上计量课，也是把DID视作是教学的终点目标，这个都学不会这门课我都不好意思给你过。
而DID如此流行的根源，我觉得主要不是它有多强，而是它实在简单。本质上说，DID是对实验方法的一个模拟。
譬如我们想知道某个药物是否有效，那我们当然不能只观察吃药的人在吃药前后的病情变化情况。病人的免疫系统在这段时间里也可能会起效，那我们就无从判断究竟是免疫系统，还是药物，导致了病情的改善。
我们也不能直接对比现实中吃药的人和不吃药的人的后续病情变化，虽然两者的免疫系统都在生效，但现实中吃药是个理性的选择，也许是那些身体更差的人会选择吃药，而生了病也不吃药的人都是身强体壮的，这样直接对比会让我们低估药物的影响。
因而，现实中我们会自己做实验，确保被试是否吃药不是由自己选择，而是由实验者确定，并随机分组的方式，确保吃药的实验组和不吃药的控制组，在各方面的特征上都是相似的。那么他们最后在病情变化上的差异，就只是因为有没吃药导致的了。
经济学里我们也经常做实验，携程梁总的QJE和Nature就都是拿员工做的实验。
当然，大部分经济学家都没梁总这样的条件，没钱也没权去做实验，大部分经济学研究的话题也不允许做实验。于是经济学家就想，我们是否可以自己在现实中去寻找合适的实验组和控制组进行对比呢？
这个尝试最早可以追溯到Card和Krueger（1994）。他们想讨论1992年新泽西州提高最低工资对当地就业的影响。这里经历政策变化的新泽西州就是我们的实验组，相当于药物实验里吃药的人。我们不能直接观察新泽西州在政策调整前后的就业市场变化，因为后者除了政策外，可能还受同时期宏观波动等其他因素的影响。而Card和Krueger认为，一河之隔的宾夕法尼亚州和新泽西州应当是类似的，任何影响新泽西州的宏观波动，也应当会同时影响到宾夕法尼亚州，因而宾州就可以当成一个天然的控制组。对比两州在政策调整前后的就业变化，我们就能获得政策调整对新泽西州的影响。
这里，我们要做两次差分，第一次差分是在政策调整前后，我们分别获得实验组和控制组在同一时间段前后的就业变化，第二次，是在两组之间，我们获得两组在同一时间段前后变化的差异。因而这个方法叫双重差分，Difference in Difference。
回到论文
而这篇高速公路论文，用的就是DID的方法。当然，各地通高速的时间是有先后的，因而这是个Stagger 渐进DID。所以它会稍微复杂一点，为此它后面也做了Bacon分解之类的工作，
的质疑就来自这里。不过，本质上这还是个DID。在这个DID当中，我们可以将通高速的地区视为实验组，而尚未通高速的地区视为控制组（实际上要稍微复杂一点，不过基于它后面给出的Bacon分解情况，这么理解问题不大）。因而上面那张图的纵轴系数，其实不是实验组随时间的变化，而是实验组和控制组的差异，随时间的变化情况。因而我们观察到的不是通高速的地区儿童拐卖增加了，而是通高速的地区，相比没通的地区，在儿童拐卖的数量上，相对增加了。事实上，在高速公路大扩张的这段时间当中，我们每年的失踪儿童数量是在减少的。
老师的答案里给了张图，我抄过来放在这里。
当然，我们可以争辩说失踪儿童数量的下降可能源于高速公路之外的其他因素。这些因素是实验组和控制组共同经历的，因而我们只有对比实验组和控制组的变化趋势差异，才能真正得到高速公路的影响。就好像在药物实验中，我们必须对比实验组和控制组的差异，才能得到药物的影响。
但这里其实就涉及到DID和真实实验的一个细微差异了。在药物实验中，实验组吃了药，是不会对控制组产生任何影响的。不可能你吃药反倒让我病好。但DID里，有时候这个假设未必成立。通常在DID这样的分析框架下，我们会要求所谓的SUTVA（Stable Unit Treatment Value Assumption）假设，这里面就要求实验组经历的政策变化影响，不会外溢到控制组。
但高速公路扩张真的满足这个条件吗？地区A通高速，不会对地区B产生任何影响？这显然有问题吧。通高速带来的运输成本下降，可能提高了全国整体的经济运行效率，让没通高速的地区也因此收益。而高速网络的扩张，也会改变资源在不同地区间的布局，让人口更多向通高速的地区集聚，这同样会影响到没通高速的地区。
而这两条渠道都可能会影响到本文的结论。比如，有没可能绑架儿童的犯罪团伙会通过某个并不直接参与绑架的老乡或其他社会关系群体搜集信息，物色绑架对象，而通高速的地区会涌入更多的外来人口，犯罪团伙的触角也可能会更多集中在这些地区。这样，即使高速网络的扩张并不改变儿童失踪案的数量，我们也会因为后者地区分布的改变，而观察到实验组与控制组的显著差异。
再往前走一步，甚至即使高速网络的扩张会通过促进经济发展等渠道，平均地减少全国所有地区的儿童失踪案数量，我们还是会看到实验组的儿童失踪案数量显著高于控制组。
因而仅仅看到实验组和控制组的差异，其实我们并不能直接就认为，开通高速，就增加了儿童绑架案的数量。也许通高速并没有改变全国整体的儿童失踪案数量，而只是改变了其分布，也许通高速会减少所有地区的儿童失踪，但在不通高速的地区减少更多。这都能解释本文给出的结果，但又都与摘要给出的结论不同。
归根结底，这篇文章的缺陷是DID这样的reduce form方法所固有的。科学研究就像是盲人摸象，数据只能给我们一个切片，在下结论之前，最好还是能够对这头大象有个整体的理解。