中国学者利用CFPS数据发文PNAS：外卖消费与肥胖关联存疑
居然发表PNAS！中国学者用公开免费数据CFPS发文，外卖不一定增肥
摘要
2026年7月，中国学者在《美国国家科学院院刊》（PNAS）发表研究，利用中国家庭追踪调查（CFPS）公开数据，分析外卖消费与体重变化的关系。研究发现，外卖消费与肥胖之间的关联并不显著，挑战了传统认知。该研究基于大规模样本，采用严谨的因果推断方法，为公共卫生政策提供新视角。
AI 主编 · 推荐理由推荐理由
该研究基于权威数据，结论可能影响未来肥胖干预政策及食品监管方向。建议营养健康、公共卫生及食品企业关注，重新评估外卖食品的监管策略。
五维评分
正文
源自风暴统计网：一键统计分析与绘图的网站
第一份是外卖平台的县域覆盖数据。研究团队通过Wayback Machine爬取美团和饿了么的历史覆盖记录，结合招聘数据和新闻报道，重建了2010到2022年每个县域的外卖平台进入时间。
第二份是中国家庭追踪调查（CFPS），这是全国代表性的纵向调查。研究最终纳入了158个县的22,705名18到65岁成年人，追踪时间跨度超过十年。
√观察性研究中进行因果推断
观察性研究中进行因果推断最大的挑战是混杂因素的影响。如果直接比较有平台和没平台的县，得到的差异可能根本不是外卖平台造成的。
为了解决这个问题，研究团队用了一套组合策略。
√第一步：双重差分法（DID）
外卖平台不是在某一年同时进入所有县，而是分批进入的。这就构成了一个“自然实验”。
研究团队利用这一点，采用双重差分法（DID）来估计因果效应。
DID的基本逻辑是比较“平台进入前后”和“有平台 vs 没平台”这两层差异。
具体来说，就是看某个县在平台进入前后，当地居民体重的变化量，再减去同期没有平台进入的县居民体重的变化量。
这个“双重差分”的结果，就是平台进入带来的因果效应。
√第二步：模型设定
在模型设定上，研究控制了个体层面的时变特征（年龄、教育、婚姻、户口、就业），加入了个体固定效应和年份固定效应，并将2012年的县域特征与年份固定效应做交互。
这套设定可以有效排除不随时间变化的个体异质性、全国性宏观冲击，以及县域初始条件差异带来的时间趋势干扰。
√第三步：平行趋势检验
DID成立的一个关键前提是“平行趋势假设”。
即在平台进入之前，处理组和对照组的体重变化趋势应该是平行的，没有系统差异。
如果两组在事前就已经呈现不同的走向，那事后观察到的差异就未必是平台造成的。
研究团队用事件研究法（Event Study）来检验这一点。
以平台进入时间为基准点，把前后每6个月作为一个窗口，分别估计每个窗口的效应。
√第四步：交错DID的稳健处理
各县进入平台的时间不同，这种“交错处理”在传统DID中可能引入偏误。为此，研究团队同时使用了两种更稳健的估计量来交叉验证主结果的可靠性。
√第五步：机制分析
主结果只回答了“是什么”，但没有回答“为什么”。
研究团队进一步分析了两个可能的渠道，饮食变化和时间使用变化。
具体做法是把这两个变量分别作为结局，用同样的DID框架重新跑一遍，分别看低收入组和高收入组在这两个维度上的表现是否出现分化。
平台竞争是否强化效应（比较单平台县和双平台县）、 性别差异（分男女跑回归）、 慢性病风险（将结局换成是否患有体重相关的慢性病）、 代际溢出效应（将结局换成受访者子女的超重状态）。
研究团队首先估算了外卖平台进入对两组人群超重概率的平均影响。
结果发现，在低收入组中，平台进入使超重概率增加了2.3个百分点；在高收入组中，趋势完全相反，超重概率下降了2.2个百分点。
从时间上看，这些效应并非平台一进入就立刻出现，而是大约在平台进入后两年才开始显现，此后持续存在至少四年。
平台进入前的各个时间窗口估计值在统计上均不显著，也没有呈现明显趋势，这验证了平行趋势假设的成立。
在行为机制上，研究团队检验了两个渠道。
第一个是饮食，研究团队发现，在平台进入后，低收入人群的油炸食品消费显著增加，高收入人群反而减少。
第二个是时间使用，两组人群在平台进入后每周家务时间都减少了大约一小时，但省下来的时间去向不同。
低收入人群主要投入到了娱乐，每周增加约0.73小时，高收入人群则用于体育锻炼，每周增加约0.65小时。
在延伸分析中，研究团队还检验了平台竞争是否强化效应。
在两家平台同时运营的县域，低收入组超重上升和高收入组超重下降的效应都比单平台县更加显著。
在性别差异上，效应在男性身上比在女性身上更明显。
但这并非因为女性受影响更小，事实上女性BMI的绝对变化更大，只是因为女性基线BMI更低，即使变化幅度大，跨越超重阈值的概率反而更小。
在慢性病风险上，平台进入后低收入人群的高血压、糖尿病等体重相关疾病风险上升，高收入人群下降。
但效应不是在当年立刻出现，而是在滞后两年后才变得显著，那些与体重关系较弱或潜伏期较长的疾病未受到显著影响。
最后，平台进入显著增加了低收入家庭中学龄儿童的超重风险，高收入家庭的儿童则未受显著影响。
说明平台带来的健康分化不只局限于当代人，还可能通过家庭饮食环境和生活习惯的传递，渗透到下一代。
综上所述，外卖平台进入对超重的影响因社会经济地位而异，低收入人群超重风险上升，高收入人群超重风险下降，这一分化通过饮食选择和时间使用两个渠道发挥作用，并进一步延伸至慢性病风险和代际健康。
老郑小评
这篇文章用的方法其实不复杂，核心就是双重差分（DID）。有意思的地方在三个处理细节上。
一个是交错DID的处理。各县进入平台的时间不一样，有早有晚。
早几年计量文献专门讨论过这种情况，传统双向固定效应可能会产生偏误，尤其是当处理效应随时间变化的时候。
研究团队没有回避这个问题，直接用了两种稳健估计量来做交叉验证。这个做法在实证文章里不算标配，但能主动做这一步，说明方法学上是有意识的。
平行趋势检验也是，DID的有效性高度依赖这个前提，平台进入之前，处理组和对照组的体重趋势要平行。
研究团队用事件研究法把每6个月切一个窗口，事前各期估计值都不显著。从统计检验的角度看，这个结果支持了平行趋势的假设。
但需要注意，不显著不等于平行，这是假设检验的天然局限。
样本量足够大时微小差异也会显著，样本量不够时实质差异也可能不显著。本研究的样本量是够的，所以这个结果有一定说服力，但理解上还是得有这层分寸。
最后是机制分析。研究团队把饮食和时间使用分别当作结局变量，用同样的DID框架去跑，观察两组人在这些中间变量上是否出现分化。
这个做法在实证文献里很常见，但它本质上只是在检验平台进入与中间变量变化之间的关联，并不等同于对因果路径的正式分解。
真正的因果中介分析需要额外的假设，本研究没有做这一步。
所以就方法而言，这篇文章做得规范，该检验的检验了，该稳健的稳健了。但结果如何解读，其中的边界我们要明确。
关于郑老师团队及公众号
学统计就找郑老师团队，我们有全面的医学统计课程！
1.医院临床数据分析课程
临床试验（RCT）研究设计与数据分析；临床预测模型和基于R语言/Python的机器学习方法在临床预测模型中的应用（附赠全套代码）；医院回顾性数据与真实世界临床研究，涵盖目标模拟试验（模拟RCT)、缺失数据填补下真实世界研究、倾向性评分方法（包括倾向性得分匹配、逆概率加权，重叠加权）等
2.纵向数据分析课程
3.公共数据库挖掘与分析课程
NHANES（美国国家健康和营养检查）公共数据库、GBD（全球疾病负担）公共数据库、七大老年健康数据库挖掘与分析课程；孟德尔随机化方法快速发表SCI初级班、高级班以及进阶攻略：整合网络药理学&单细胞测序
4.其他课程
需以上统计课程，请联系郑老师团队（微信：aq566665）
