李强签署国务院令 公布《退役军人就业创业促进条例》

基于 Becker（1957）的歧视理论，雇主对退役军人可能存在统计性歧视——将其服役经历视为与民用岗位技能不匹配的信号，导致退役军人在劳动力市场面临工资惩罚和就业壁垒。《条例》通过强制性的年龄学历放宽和优先招录条款，降低了雇主的筛选成本，相当于向市场发出退役军人人力资本价值的正向信号。同时，根据 Spence（1973）的信号理论，定向公务员岗位和特殊岗位招录为退役军人提供了可信的能力认证，有助于消除信息不对称。

据此提出以下假说：
- H1：《条例》实施后，退役军人的就业概率显著提升（预期提升 3-5 个百分点），且效应主要通过广延边际（新进入劳动力市场者）而非集约边际（已就业者工资增长）实现。
- H2：政策效应在人力资本禀赋较低的群体（农村籍、低学历退役军人）中更强，因为这些群体原本面临的统计性歧视更严重。
- H3：服役满 5 年的高校毕业生退役军人受益最大，因为定向公务员岗位为其提供了最强的信号传递渠道。

《条例》于2026年8月1日全国统一施行，但各省市出台实施细则（如定向岗位数量、年龄放宽幅度、税收优惠力度）的时间存在 1-6 个月的滞后差异，这为多期 DID 提供了理想的外生变异来源。处理组为较早出台细化实施方案的省份，控制组为同期尚未出台细则的省份。关键识别假定：（1）各省实施细则出台时间与该省劳动力市场潜在趋势无关（可通过检验实施细则出台时间与省经济增速、失业率的相关性验证）；（2）处理组与控制组在政策前具有平行趋势（通过事件研究法检验前置系数）；（3）无其他同期重大就业政策差异化地影响退役军人就业。

基准回归模型采用 Callaway & Sant'Anna（2021）的多期 DID 估计量：

ATT(g,t) = E[Y_t - Y_{g-1} | G_g = 1] - E[Y_t - Y_{g-1} | C = 1]

其中 g 为各省实施细则出台时间（cohort），Y_t 为 t 期就业结果变量（就业虚拟变量或月工资对数），G_g = 1 表示该省属于 g 期处理组，C = 1 表示尚未处理的控制组。总体平均处理效应为各 cohort 加权平均。进一步纳入省份固定效应 μ_i、月份固定效应 λ_t 和个体特征控制变量 X_it（年龄、学历、户籍、服役年限）。

为区分广延边际和集约边际，分别以就业参与虚拟变量（Probit 模型）和对数月工资（OLS + Heckman 两步法校正样本选择）作为被解释变量。

被解释变量：（1）就业状态——当前是否处于就业状态（0/1 虚拟变量），来自 CFPS 劳动力模块；（2）月工资收入——对数化月工资（含基本工资和津贴），来自 CMDS 收入问卷；（3）职业稳定性——过去 12 个月内更换工作次数。

核心解释变量：多期处理变量 G_g × Post_t，其中 G_g 为省份 cohort 虚拟变量，Post_t 为该省实施细则出台后的虚拟变量。实施细则出台日期通过各省政府公报和退役军人事务厅官网手工收集整理。

控制变量：个体层面包括年龄、年龄平方、受教育年限、户籍类型（城乡）、服役年限、军种（陆军/海军/空军/武警）；省份层面包括 GDP 增速、城镇调查失业率、第三产业占比。

样本区间：2024年1月—2028年12月（政策前后各 24 个月），月度/季度频率，预计覆盖约 31 个省份、15,000-20,000 名退役军人个体观测。

（1）平行趋势检验：绘制事件研究法系数图，检验政策前各期系数（pre-treatment coefficients）是否统计显著异于零，若前置系数联合不显著（F 检验 p > 0.10）则支持平行趋势假定。

（2）安慰剂检验：将各省实施细则出台时间随机前移 12 个月，以伪处理时点重新估计模型，若伪政策系数不显著（95% 置信区间包含零），则排除预期效应或遗漏变量的干扰。

（3）替换处理变量测度：将"是否出台实施细则"替换为"细则政策强度指数"（综合考虑定向岗位占比、年龄放宽幅度、税收优惠力度三个维度，加权求和为 0-10 分连续变量），检验结论是否对处理变量的测度方式敏感。

（4）排除同期政策干扰：控制同期实施的"稳就业"系列政策（如失业保险稳岗返还、创业担保贷款扩面）的省份覆盖强度，检验退役军人专属政策效应是否可分离。

（5）Bacon 分解：使用 Goodman-Bacon（2021）分解法报告各 2×2 DID 对比的权重，评估是否存在由已处理组作为控制组导致的偏误。

根据 Holmström & Milgrom（1991）的多任务委托代理理论，当中央政府（委托人）向地方政府（代理人）下达包含多项任务的指令时，代理人会将努力集中在易于考核的"硬指标"上而忽视难以量化的"软指标"。《条例》中的就业促进措施恰好包含两类：硬约束措施（如定向公务员岗位数量、基层公务员招考比例）和软约束措施（如"同等条件优先招聘"、"年龄学历可以适当放宽"）。地方政府在执行中面临多任务权衡——经济增长、社会稳定、财政压力等——因此会策略性地选择执行强度。

据此提出以下假说：
- H1：硬约束措施（定向岗位）的执行率显著高于软约束措施（优先招聘），两类措施的执行偏差在 20-30 个百分点以上。
- H2：地方财政压力越大（财政自给率越低），对需要地方财政配套的优待措施（如教育培训资助、创业补贴）执行偏差越大。
- H3：国有企业对退役军人就业优待的执行程度与其高管政治关联强度正相关，但与市场化经营考核压力负相关。

本文采用混合研究方法：首先通过制度文本量化分析将各省实施细则编码为可比较的"制度执行强度指数"，覆盖 5 个维度（定向岗位占比、年龄放宽幅度、学历要求放宽等级、税收优惠力度、创业融资担保额度）；然后利用 31 个省份 2026-2028 年面板数据，以固定效应模型识别财政压力、官员特征、市场化程度等因素对执行偏差的影响。关键识别假定：各省实施细则文本差异反映的是地方执行意愿和能力差异，而非中央对不同省份的差异化授权。通过检验中央政策文本中是否对各省提出差异化要求来验证此假定。

基准回归模型为省级面板固定效应模型：

Deviation_it = α + β₁FiscalPress_it + β₂SOE考核_it + β₃MarketDev_it + γX_it + μ_i + λ_t + ε_it

其中 Deviation_it 为省份 i 在 t 年的制度执行偏差指数（实际执行效果与实施细则规定目标的差距），FiscalPress_it 为财政自给率的倒数（数值越大表示财政压力越大），SOE考核_it 为该省国企经营考核中经济指标权重，MarketDev_it 为樊纲市场化指数。μ_i 和 λ_t 分别为省份和年份固定效应。核心参数 β₁ 预期为正（财政压力加剧执行偏差），β₂ 预期为正（经营考核压力挤出优待执行）。

被解释变量——制度执行偏差指数：通过文本编码法构造。首先收集各省《条例》实施细则文本，按 5 个维度（定向岗位、年龄放宽、学历放宽、税收优惠、创业融资）各编码为 0-5 分的"制度承诺分"；然后收集实际执行数据（定向岗位实际招录人数/计划人数、国企退役军人招聘占比等），计算实际完成率。执行偏差 = 制度承诺分 - 实际完成率标准化分。数据来自北大法宝法律数据库、各省退役军人事务厅年度报告和招聘公告。

核心解释变量：（1）财政压力 = 1 / 财政自给率（一般公共预算收入 / 一般公共预算支出），来自各省统计年鉴；（2）国企经营考核经济指标权重 = 省国资委对国企负责人经营业绩考核中经济效益类指标权重，来自各省国资委文件；（3）市场化程度 = 樊纲中国分省份市场化指数。

控制变量：退役军人数量（各省安置人数）、城镇化率、人均 GDP、省委书记/省长任期、双拥模范城数量。样本区间：2026-2028 年，31 个省份，年度面板。

（1）替换执行偏差测度：将综合执行偏差指数替换为单一维度的"定向岗位完成率"（定向岗位实际招录人数 / 计划招录人数），检验财政压力等核心变量对硬约束措施执行的影响方向是否一致。

（2）排除竞争性解释：控制各省退役军人上访率和社会稳定压力指标，检验执行偏差是否主要由财政逻辑（而非维稳逻辑）驱动。

（3）断点回归验证：利用"双拥模范城"评选作为外生激励——获评城市面临更强的政治激励执行优待政策——以评选得分门槛构造模糊断点回归（Fuzzy RD），检验政治激励对执行偏差的因果效应。

（4）案例比较研究：选取执行偏差最大和最小的各 2 个省份进行深度访谈和过程追踪，验证计量分析识别的机制是否在微观层面可观察。

根据 Evans & Jovanovic（1989）的流动性约束创业模型，潜在创业者因初始财富不足而面临信贷配给，导致创业投资低于最优水平。《条例》同时提供税收减免（降低创业运营成本）和信贷扶持（缓解初始资本约束），两类政策工具作用于创业决策的不同阶段：信贷扶持缓解创业进入的流动性约束（extensive margin），税收减免提升已创业者的经营现金流和扩大再生产能力（intensive margin）。根据 Stiglitz & Weiss（1981）的信贷配给理论，当信息不对称严重时，单纯的利率补贴可能被银行的风险甄别机制所抵消，因此信贷扶持的有效性取决于担保机制的设计。

据此提出以下假说：
- H1：信贷扶持政策对退役军人创业进入率（新注册企业数）的边际效应大于税收优惠政策，因为流动性约束是创业进入的主要障碍。
- H2：税收优惠政策对已创业企业的雇佣规模扩张效应大于信贷扶持政策，因为持续的经营现金流降低更直接地促进劳动需求。
- H3：两类政策存在正向互补效应——同时享受税收减免和信贷担保的企业，其存活率和雇佣增长显著高于仅享受单一政策的企业。

利用各省在《条例》框架下出台的实施细则差异构造准自然实验：（1）税收优惠维度——各省对退役军人创业企业的增值税减免幅度、所得税减免期限存在差异（例如部分省份在国家基础上额外减免地方分享部分）；（2）信贷扶持维度——各省退役军人创业担保贷款额度上限、担保基金规模、贷款利率贴息比例存在差异。将政策强度构造为连续处理变量（税收优惠力度指数和信贷扶持力度指数），利用省级变异识别政策效应。工具变量选择：以各省退役军人事务部门年度预算增速作为政策执行强度的 IV——预算增速影响政策执行力度，但不直接影响个体创业结果（排他性约束），其相关性来自预算充裕度与政策推广力度的正向关系。

基准模型为包含交互项的 DID 框架：

Y_ijt = α + β₁TaxIntensity_jt + β₂CreditIntensity_jt + β₃(Tax × Credit)_jt + γX_ijt + μ_i + δ_j + λ_t + ε_ijt

其中 Y_ijt 为个体 i 在省份 j、时间 t 的创业结果（创业进入虚拟变量、企业雇佣人数对数、企业营业收入对数或存活虚拟变量），TaxIntensity_jt 为省份 j 的税收优惠力度指数（0-10 分），CreditIntensity_jt 为信贷扶持力度指数（0-10 分），交互项系数 β₃ 衡量两类政策的互补（β₃ > 0）或替代（β₃ < 0）效应。μ_i 为行业固定效应，δ_j 为省份固定效应，λ_t 为时间固定效应。

对于创业进入决策（广延边际），采用 Probit 模型；对于雇佣规模和营业收入（集约边际），采用 OLS + Heckman 样本选择校正。

被解释变量：（1）创业进入——当年是否新注册企业（0/1），来自工商总局企业注册数据，以退役军人为法定代表人或股东的企业为处理组；（2）雇佣规模——企业年末在职员工人数的对数，来自企业年报数据；（3）企业存活——注册后第 12/24/36 个月是否仍在经营（非注销/吊销状态）；（4）营业收入——年度营业收入对数（经 CPI 平减）。

核心解释变量：（1）税收优惠力度指数——综合增值税减免比例、所得税减免年限、地方附加减免项三个维度加权求和（0-10 分），数据来自各省税务局实施细则；（2）信贷扶持力度指数——综合担保贷款额度上限、贴息比例、担保基金规模三个维度加权求和（0-10 分），数据来自各省退役军人事务厅和人民银行分支机构。

控制变量：个体层面包括年龄、学历、服役年限、户籍类型；省份层面包括 GDP 增速、营商环境指数、金融业增加值占比、创业活跃度（每万人新注册企业数）。样本区间：2025年1月—2028年12月，季度面板。

（1）工具变量法：以各省退役军人事务部门年度预算增速作为税收优惠力度和信贷扶持力度的工具变量，进行 2SLS 估计，检验 OLS 估计是否存在因遗漏变量或反向因果导致的偏误；报告第一阶段 F 统计量和过度识别检验。

（2）PSM-DID：以企业特征（注册资本、行业、所在地）进行倾向得分匹配，为高政策强度省份的企业匹配低政策强度省份的可比企业，在匹配样本上重新估计 DID 模型，减少选择性偏误。

（3）排除其他创业政策干扰：控制同期实施的其他群体创业扶持政策（大学生创业补贴、农民工返乡创业支持），在模型中加入这些政策与退役军人政策的交互项，检验估计效应是否可归因于退役军人专属政策。

（4）异质性分析：按行业（制造业 vs. 服务业 vs. 数字经济）、企业规模（微型 vs. 小型）、地区（东部 vs. 中西部）分样本估计，揭示政策乘数的结构性差异。

根据林毅夫和李志赟（2004）的国有企业政策性负担理论，国有企业承担着政府赋予的就业安置、社会稳定等非经济目标，这些政策性负担偏离了利润最大化原则，导致经营效率损失。《条例》要求国企对退役军人放宽年龄学历条件并优先招录，本质上是将退役军人安置的公共职能部分转移给国企。然而，根据 Kornai（1986）的软预算约束理论，国企因承担政策性负担而获得的政府隐性补贴（如财政补贴、信贷优惠）可能部分甚至完全抵消效率损失，使得政策负担的净效应取决于效率损失与资源补偿的相对大小。同时，政治关联程度不同的国企面临差异化的政策执行压力和补偿预期。

据此提出以下假说：
- H1：《条例》实施后，退役军人招聘比例较高的国企在短期（1-2 年）内人均劳动生产率下降，但下降幅度受政府隐性补贴的正向调节。
- H2：政治关联程度更高的国企（高管具有人大代表/政协委员身份或曾任政府官员）承担更多的退役军人招聘配额，但同时获得更多的财政补贴和信贷资源，净绩效效应不显著或为正。
- H3：处于竞争性行业的国企比垄断性行业的国企受到更大的绩效冲击，因为竞争性行业中效率损失更难通过定价权转嫁。

核心识别挑战在于退役军人招聘配额的内生性——国企招聘退役军人的数量可能与企业绩效相关（绩效好的企业更有能力承担政策性负担）。识别策略分两步：第一步，利用各省政府工作报告中退役军人就业相关表述的词频强度构造"地方政治压力指数"，作为国企退役军人招聘强度的工具变量——地方政府对退役军人就业的重视程度影响辖区内国企的招聘配额（相关性），但不直接影响个别国企的经营绩效（排他性，因为政府工作报告表述是宏观政治信号而非针对特定企业的干预）。第二步，以政治关联虚拟变量（高管是否有政府/人大/政协背景）作为调节变量，分析政治关联对政策负担-绩效关系的调节效应。关键识别假定：地方政府工作报告中退役军人表述强度与该辖区内特定国企的潜在绩效趋势不相关。

基准模型为包含工具变量的固定效应面板模型：

Productivity_ijt = α + β₁VeteranHire_ijt + β₂(VeteranHire × PolConn)_ijt + β₃(VeteranHire × Competition)_jt + γX_ijt + μ_i + δ_j + λ_t + ε_ijt

其中 Productivity_ijt 为企业 i（省份 j）在 t 年的人均劳动生产率（营业收入/员工人数，对数化），VeteranHire_ijt 为退役军人招聘比例（退役军人新招聘人数/总新招聘人数），PolConn_ijt 为政治关联虚拟变量，Competition_jt 为行业竞争度（赫芬达尔指数或行业利润率离散度）。由于 VeteranHire 可能内生，第一阶段以地方政治压力指数（政府工作报告词频）作为 IV 进行 2SLS 估计。

被解释变量：人均劳动生产率 = ln(营业收入 / 年末员工人数)，来自 CSMAR/Wind 国企财务数据库。稳健性检验中替换为总资产收益率（ROA）和全要素生产率（OP 方法估算）。

核心解释变量：退役军人招聘比例 = 当年新招聘退役军人人数 / 当年新招聘总人数。数据手工收集自国资委官网、各省国资委网站公布的国企招聘公告，以及上市公司社会责任报告中的退役军人雇佣披露。

工具变量：地方政治压力指数 = 该省政府工作报告中"退役军人""就业创业""安置""优待"等关键词出现频次 / 报告总词数 × 10000，数据来自各省政府工作报告全文文本。

调节变量：（1）政治关联 = 企业董事长或总经理是否具有人大代表/政协委员身份或曾任厅局级及以上政府官员（0/1 虚拟变量），来自 CSMAR 高管背景数据库；（2）行业竞争度 = 四位码行业赫芬达尔指数，来自工业企业数据库。

控制变量：企业规模（总资产对数）、资产负债率、企业年龄、国有股权比例、所属行业、省份 GDP 增速。样本区间：2024-2028 年，年度面板，预计覆盖约 2,000 家地方国企和央企子公司。

（1）替换工具变量：以该省退役军人占总人口比例作为替代 IV（退役军人比例影响地方政府安置压力，但不直接影响特定国企绩效），检验 IV 估计结论是否对工具变量选择敏感。报告第一阶段 F 统计量和 Hansen J 检验。

（2）安慰剂检验：以《条例》实施前（2024-2025 年）的国企退役军人招聘比例作为伪处理变量，检验伪处理变量是否对未来绩效有预测作用——若系数不显著则排除反向因果（绩效好的企业主动多招退役军人）。

（3）区分央企与地方国企：分样本估计，检验央企（受中央直接管辖、政治负担更大但资源补偿更充裕）与地方国企（受地方管辖、补偿能力有限）的差异化响应，验证软预算约束假说。

（4）排除同期改革干扰：控制同期实施的国企改革三年行动（2023-2025）中涉及的混合所有制改革、职业经理人制度等因素，确保估计效应来自退役军人招聘配额而非其他国企改革。

根据 Schultz（1961）和 Becker（1964）的人力资本理论，教育投资的回报率取决于人力资本积累对劳动生产率的提升效应。退役军人的特殊性在于其服役期间积累的人力资本具有高度异质性：一部分为军事专用性人力资本（武器操作、战斗技能），在民用劳动力市场几乎没有直接价值；另一部分为可迁移人力资本（领导力、纪律性、团队协作、危机处理能力），在民用领域具有潜在高回报但需要补充性民用技能才能激活。《条例》规定的学历教育优待和资助政策，本质上是为退役军人提供"人力资本桥梁"——通过补充民用知识和技能，激活可迁移人力资本的价值，实现军事经验向民用生产力的转化。

据此提出以下假说：
- H1：参加学历教育（专升本、考研等）的退役军人，其退役后 3-5 年的收入增长率比未参加者高 15-25 个百分点，且效应主要通过职业层级跃迁（从蓝领到白领）而非同行业内工资增长实现。
- H2：军事人力资本的民用转化回报率与服役期间获得的"可迁移技能"强度正相关——担任管理/技术岗位的退役军人比战斗岗位退役军人的教育回报率更高。
- H3：教育培训政策的长期效应在经济发展水平较低地区更强，因为这些地区的劳动力市场中学历信号的稀缺性更高，教育对就业匹配的改善更显著。

采用两种互补的识别策略：（1）PSM-DID——以"是否参加退役后学历教育"为处理变量，利用倾向得分匹配为参训退役军人在未参训群体中匹配可比对照组（匹配变量包括年龄、学历、服役年限、军种、户籍、退役前收入），然后在匹配样本上实施 DID 估计，比较参训与未参训群体在退役后各期的收入差距变化。关键识别假定：在控制可观测特征后，参训与未参训选择与不可观测的潜在收入趋势无关（条件独立假定）。（2）断点回归——部分省份对退役军人学历教育资助设有服役年限门槛（如"服役满 X 年方可申请全额资助"），利用此门槛构造模糊断点回归，以门槛附近的退役军人作为近似随机分配的样本。

（一）PSM-DID 模型：

ln(Wage_it) = α + β₁Train_i × Post_t + β₂Train_i + β₃Post_t + γX_it + μ_p + λ_t + ε_it

其中 Train_i 为退役后是否参加学历教育虚拟变量（经 PSM 匹配），Post_t 为退役后第 k 年虚拟变量（k = 1, 2, 3, 4, 5），交互项系数 β₁ 为 DID 估计量，衡量教育培训对收入增长的因果效应。μ_p 为省份固定效应，X_it 为时变控制变量。

（二）模糊断点回归（Fuzzy RD）：

ln(Wage_i) = α + β₁Ŝcholar_i + f(ServiceYears_i - c) + γX_i + ε_i

其中 Ŝcholar_i 为获得学历教育资助的概率（第一阶段以服役年限是否达到门槛 c 作为 IV），ServiceYears_i - c 为服役年限与门槛的距离（多项式控制），β₁ 为局部平均处理效应（LATE）。

被解释变量：（1）对数月工资收入——来自 CFPS 收入模块或 CLDS 工资问卷，以退役后各年度实际收入（经 CPI 平减）的对数值度量；（2）职业层级——根据《中华人民共和国职业分类大典》将职业编码为 1-5 级层级变量（1 = 低技能体力劳动，5 = 高级管理/专业技术）；（3）就业稳定性——退役后累计换工作次数或当前工作持续时长。

核心解释变量：（1）学历教育参与虚拟变量——退役后 3 年内是否参加专升本/考研/成人高等教育（0/1），数据来自 CFPS 教育模块和各省教育考试院成考录取数据；（2）教育资助获得虚拟变量——是否获得退役军人学历教育专项资助（0/1），用于 RD 设计。

控制变量：年龄、年龄平方、退役前最高学历、服役年限、军种（陆军/海军/空军/武警）、服役期间岗位类型（管理/技术/战斗/后勤）、户籍类型（城乡）、退役安置方式（自主就业/政府安排工作）、所在省份。

样本区间：2020-2028 年（覆盖《条例》实施前后），年度面板，预计跟踪 8,000-12,000 名退役军人。CFPS 和 CLDS 均有退役军人标识变量可供筛选。

（1）替换匹配方法：将倾向得分匹配替换为协变量平衡检验（CEM 粗化精确匹配）或熵平衡法（Entropy Balancing），检验教育培训回报率的估计是否对匹配方法敏感。

（2）RD 设计检验：（a）断点处密度检验（McCrary test），验证服役年限在门槛附近是否存在操纵（如士兵为获取资助而延长服役）；（b）控制变量在断点处的连续性检验，验证不可观测特征在门槛两侧是否平衡；（c）替换多项式阶数（线性 vs. 二次 vs. 三次），检验 RD 估计的带宽敏感性。

（3）排除替代解释：控制退役后是否参加政府安排的职业技能培训（非学历教育），分离学历教育的独立效应；控制退役安置地区经济增速和就业市场景气度，排除宏观经济环境的混淆效应。

（4）长期动态效应追踪：利用事件研究法绘制退役后 1-8 年各年的教育培训回报系数，观察效应是否持续增强（人力资本积累的长期复利效应）还是逐步衰减（技能过时），为政策长期评估提供依据。

（5）异质性分析：按服役岗位类型（管理/技术 vs. 战斗）、退役前学历（高中及以下 vs. 大专及以上）、安置地区（东部 vs. 中西部）分样本估计，识别政策效果最大的目标群体，为精准施策提供依据。