教育部等八部门联合开展"国聘行动"

根据搜寻-匹配理论（Mortensen & Pissarides, 1994），劳动力市场摩擦的核心来源之一是信息不对称——求职者不知晓空缺岗位，企业难以找到合适的劳动力。政府建立的岗位归集发布机制通过集中、标准化且规模化的信息供给，降低了搜索成本（search cost），理论上将推动Beveridge曲线向内移动——即在给定空缺率下实现更低的失业率。同时，信号发送理论（Spence, 1973）表明，平台提供的标准化岗位信息和精准匹配推送能降低雇佣双方的事前信息不对称，提高匹配质量。

据此提出以下假说：
- H1：国聘平台上线后，城市层面的求职-空缺匹配效率显著提升（Beveridge曲线内移），平均空缺持续时间缩短。
- H2：制造业和服务业占比高的城市，平台效应更强——因为这些行业岗位标准化程度高，信息归集效果更显著。
- H3：平台效应存在"数字鸿沟"异质性：互联网基础设施更好的地区匹配效率提升更明显。

核心识别挑战在于反向因果：就业形势好的城市可能更积极上线平台。为此，本文利用"国聘行动"平台在各城市分批上线的外生时间变异，采用多期DID（Callaway & Sant'Anna, 2021）方法。关键识别假定为：在控制城市固定效应和时间趋势后，平台上线的时点与城市就业形势的不可观测因素不相关。这一假定的合理性在于平台上线进度主要由行政协调和前期信息化建设成熟度决定，而非当期就业波动。此外，以城市历史互联网普及率作为信息平台推广的工具变量，利用其与平台推广的相关性但外生于当期就业波动的特点，进一步缓解内生性。

基准多期DID模型设定为：

Y_{ct} = α + β ⋅ Platform_{ct} + γ X_{ct} + μ_c + λ_t + θ_c ⋅ t + ε_{ct}

其中，Y_{ct} 为城市 c 在月份 t 的劳动力市场匹配效率指标（求人倍率、平均空缺天数等）；Platform_{ct} 为二元处理变量，平台上线当月及之后取 1；μ_c 为城市固定效应，λ_t 为时间固定效应；θ_c ⋅ t 为城市特定线性时间趋势以控制各城市就业趋势的差异。关键参数 β 衡量平台对匹配效率的平均处理效应（ATT），预期符号为正。标准误在城市层面聚类。

被解释变量：（1）匹配效率——以城市月度求人倍率（岗位空缺数/求职人数）除以全国均值构建标准化匹配指数；（2）匹配质量——以高校毕业生专业-岗位对口率（来自教育部就业质量调查）衡量。核心解释变量：Platform_{ct} 二元变量，依据教育部发布的各城市平台上线时间表编码。控制变量：城市GDP增速、第三产业占比、高校毕业生供给量（本地高校应届毕业生人数）、城市互联网普及率、制造业占比。样本区间为2024年1月至2026年12月，覆盖全国地级及以上城市，月度频率。

• 替换被解释变量：以城市失业保险领取人数变化率替代求人倍率作为就业改善的代理变量，检验结论是否对匹配效率的测度方式敏感。
• 异质性处理效应诊断：使用Bacon-Decomp分解检验多期DID中不同处理组之间的"坏比较"问题，计算各处理队列的权重，确保ATT估计不受异质性处理效应驱动。
• 安慰剂检验：将各城市的平台上线时点分别前推6个月和12个月，重新估计DID，预期安慰剂系数不显著，验证处理效应确实来自平台上线而非事前趋势。
• 排除同期政策干扰：手工收集各城市同期出台的其他就业促进政策（如地方性就业补贴、创业扶持），构建政策强度指数作为控制变量加入回归，检验平台效应的独立性。

凯恩斯的有效需求理论指出，就业水平取决于总需求而非单纯的劳动力供给。当经济面临需求不足时，政府通过公共招聘信息和动员企业释放岗位，实质上是从预期管理和需求信号两个渠道产生乘数效应：一方面，大规模"国聘行动"释放的政策信号能稳定企业的用工预期，降低因不确定性导致的招聘延迟（劳动市场滞后效应，Blanchard & Summers, 1986）；另一方面，率先就业的毕业生产生的收入效应会通过消费渠道拉动更多就业岗位。这种"信心渠道"可能在制造业PMI处于荣枯线附近的边际区间尤为显著。

据此提出以下假说：
- H1："国聘行动"每产生1个直接招聘岗位，将额外带动0.3-0.6个间接就业岗位（即就业乘数约1.3-1.6）。
- H2：该乘数在经济下行期（制造业PMI < 50）显著大于经济扩张期，呈现逆周期特征。
- H3：政策信号效应（企业用工预期改善）强于直接岗位效应，占总效应的50%以上。

核心挑战是将"国聘行动"的政策效应从同期其他经济因素的就业影响中分离。本文采用局部投影法（Jordà, 2005），以"国聘行动"月度岗位发布数量的外生变动作为政策冲击，估计其对随后1-6个月就业率的动态脉冲响应。同时构建合成控制法（SCM），以未参与"国聘行动"重点推进的省份作为控制池，基于GDP增速、产业结构、高校毕业生规模等预测变量构建反事实就业轨迹。关键识别假定：在控制宏观经济变量后，"国聘行动"月度岗位发布数量的变动与就业的不可观测冲击不相关。由于岗位发布节奏主要由行政动员和前期筹备决定而非当期就业变化，这一假定较为合理。

局部投影法基准方程设定为：

y_{p,t+h} - y_{p,t-1} = α_h + β_h ⋅ Shock_{p,t} + Σ_{j=1}^{k} γ_{j,h} ⋅ Z_{p,t-j} + μ_{p,h} + λ_{t,h} + ε_{p,t,h}

其中，y_{p,t} 为省份 p 在月份 t 的高校毕业生就业率；Shock_{p,t} 为"国聘行动"在该省当月新增归集岗位数（对数化）；h = 1, 2, …, 6 为预测期数；Z 为控制变量向量，包括GDP增速、PMI、产业结构等。β_h 即为第 h 期的动态乘数，预期 β_h > 0 且随时间衰减。省份固定效应 μ_{p,h} 吸收不随时间变化的地区特征，时间固定效应 λ_{t,h} 吸收全国性冲击。

被解释变量：省级月度高校毕业生就业率——以"已签订就业协议人数/应届毕业生总人数"计算，数据来自教育部和人社部联合发布的就业统计月报。核心解释变量：省级月度"国聘行动"岗位归集数量的自然对数，来自国家大学生就业服务平台后台统计。控制变量：省级GDP同比增速（经X-12-ARIMA季节调整）、省级制造业PMI、第三产业占比、应届毕业生人数增长率。样本期为2025年5月至2026年12月，共20个月，覆盖31个省（自治区、直辖市），月度频率，共620个观测值。

• 替换政策冲击变量：以平台岗位投递量（而非归集量）作为政策冲击的代理变量，检验乘数效应的估计是否对冲击测度方式敏感。
• 改变预测窗口：将局部投影法的最大预测期从6个月延长至12个月，检验乘数效应的持续时间，考察是否存在"政策退出后的就业回撤"现象。
• 排除"抢跑效应"：将重点推进省份的政策冲击时点前推3个月作为安慰剂，预期安慰剂系数不显著，验证不存在预期驱动的抢跑行为。
• 控制货币政策和财政政策：在控制变量中加入M2同比增速和省级财政支出增速，排除同期的总量政策对就业的叠加影响。

交易成本经济学（Williamson, 1985）认为，交易成本（搜索成本、议价成本、执行成本）是影响市场效率的关键制度变量。在劳动力市场中，毕业生与企业之间的匹配面临三重交易成本：信息搜索成本（双方互相寻找）、合约标准化成本（岗位描述模糊导致的不匹配风险）和信任成本（企业真实性存疑）。"国聘行动"的制度设计——集中归集岗位信息、要求明确招聘条件和人数、以政府信用背书企业资质——理论上分别针对这三类成本进行制度性降低。

据此提出以下假说：
- H1："国聘行动"上线后，毕业生平均求职周期缩短20%-30%，企业单次招聘成本降低15%-25%（交易成本显著下降）。
- H2：岗位信息标准化（招聘条件明确度、薪酬透明度）对交易成本降低的贡献大于岗位归集数量（信息量）（即"信息质量"效应强于"信息数量"效应）。
- H3：政府信用背书（平台准入审核）对中小企业招聘的促进作用大于大型企业——因为中小企业面临更高的信任成本。

核心识别挑战有二：一是制度效应与就业市场自然回暖的分离，二是不同制度要素之间高度相关（多重共线性）。本文利用"国聘行动"各项制度要素（集中发布、精准推送、专场招聘、信用背书）在不同城市的逐步引入序列作为准自然实验，采用渐进DID方法。对于多重共线性问题，通过结构方程模型（SEM）将各制度要素设为潜变量"制度效率"的测量指标，估计制度效率对交易成本和就业结果的综合效应，再通过效应分解识别各要素的独立贡献。关键识别假定：制度要素在不同城市的引入时点与当地就业市场的短期波动不相关——这一假定的合理性在于引入时点主要由技术系统部署和行政协调决定。

基准模型为两阶段SEM框架：

第一阶段（测量模型）：
InstitutionIndex_{ct} = λ_1 ⋅ InfoAggregation_{ct} + λ_2 ⋅ Standardization_{ct} + λ_3 ⋅ MatchPrecision_{ct} + λ_4 ⋅ CreditEndorse_{ct} + δ_c

第二阶段（结构方程）：
SearchCost_{ct} = α_1 ⋅ InstitutionIndex_{ct} + γ_1 X_{ct} + μ_c + ε1_{ct}
Employment_{ct} = α_2 ⋅ InstitutionIndex_{ct} + β ⋅ SearchCost_{ct} + γ_2 X_{ct} + μ_c + ε2_{ct}

其中，InstitutionIndex 为由四个制度要素测度的潜变量，SearchCost 为交易成本（毕业生求职周期和企业招聘成本），Employment 为就业结果。关键参数 β 衡量交易成本对就业结果的边际效应，α_2 衡量制度通过降低交易成本之外的直接效应。预期 α_1 < 0（制度降低交易成本），β < 0（交易成本低则就业率高）。

被解释变量：毕业生求职周期（从开始求职到签订就业协议的月数）和企业单次招聘成本（发布岗位到录用的总花费，含发布费、筛选费、面试费等），来自教育部的毕业生就业追踪调查和企业端的招聘成本问卷。制度要素测度：（1）信息归集量——平台城市月均归集岗位数；（2）标准化程度——以NLP文本分析编码的"岗位条件明确度指数"（0-100：是否明确学历、专业、薪酬、工作地点）；（3）匹配精准度——基于用户行为数据的推荐点击率；（4）信用背书——平台审核通过的企业占比。样本期为2025年5月至2026年12月，覆盖50个重点城市，月度频率。

• 替换制度测度方式：以平台岗位信息的"按条件搜索可得率"（即某岗位能否通过特定关键词检索到）替代文本标准化指数，检验制度变量测度方式对结论的敏感性。
• 排除选择性偏差：使用Heckman两步法——第一步以probit模型估计企业参与平台的概率（基于企业规模、行业、所有制），第二步将逆米尔斯比率加入回归，纠正参与平台企业的自选择问题。
• 分时段子样本检验：将样本分为政策推行初期（前3个月）和成熟期（后3个月），检验制度效应是否随执行深度增强或衰减，排除"新奇效应"驱动的短期假象。
• 替换交易成本测度：以企业对平台满意度评分（Likert量表）和毕业生对匹配满意度的主观评价替代客观搜索成本指标，验证结论在主客观测度下的一致性。

多部门联合发文是中国公共政策的重要特征，但其执行效率存在理论争议。从政治经济学视角看，"国聘行动"涉及教育部（主管高校）、人社部（主管劳动力市场）、国资委（主管国有企业用人）等八个部门，每个部门拥有独特的行政资源和政策工具，但同时也面临预算约束和部门利益。根据周黎安（2007）的行政发包制理论，地方政府在"国聘行动+城市产业专场"中的执行力度取决于上级考核压力和地方官员的晋升激励。同时，集体行动的逻辑（Olson, 1965）预测：部门越多，搭便车（free-riding）的动机越强，因为联合行动的成果难以在各参与部门之间清晰归因。

据此提出以下假说：
- H1：市委书记处于晋升关键期（年龄<55岁、任期第3-4年）的城市，"国聘行动"岗位归集数量和招聘活动举办场次显著更多。
- H2：产业与"十五五"规划重点方向匹配度高的城市（制造业强市），其执行力度强于服务业为主的城市，因为政策与地方产业结构存在利益一致性。
- H3：参与部门数量越多，各部门平均行政资源投入越低（搭便车效应），整体政策效果呈现边际递减。

核心挑战是内生性：产业基础好的城市本身就既有良好的就业前景，又可能更积极执行政策。本文采用工具变量策略：以官员年龄是否处于"晋升窗口期"（地方主政官员年龄距退休年限还有3年以上且不满一届）作为政策执行力度的工具变量——该变量通过晋升激励影响执行力度，但与城市固有的就业市场条件不直接相关。此外，通过空间杜宾模型检验政策执行是否因邻近城市的示范效应（竞争性模仿）而增强，排除单纯的"城市禀赋决定论"。关键识别假定：官员晋升窗口期与城市就业的基本面不相关，仅通过政策执行力度的渠道影响就业结果。

基准面板固定效应模型：

PolicyIntensity_{ct} = α + β_1 ⋅ PromotionWindow_{ct} + β_2 ⋅ IndustryMatch_{ct} + β_3 ⋅ (PromotionWindow_{ct} × IndustryMatch_{ct}) + γ X_{ct} + μ_c + λ_t + ε_{ct}

其中，PolicyIntensity_{ct} 为城市 c 在月份 t 的政策执行力度（岗位归集数量对数、专场招聘活动次数）；PromotionWindow_{ct} 为官员晋升窗口期虚拟变量（地方主官年龄45-54岁且任期2-4年为1）；IndustryMatch_{ct} 为城市产业结构与"十五五"重点产业方向的匹配度（以产业相似度指数衡量，0-100）。交互项 β_3 检验晋升激励与产业匹配的协同效应。X_{ct} 为城市控制变量（GDP、财政自给率、高校毕业生规模）。

被解释变量：政策执行力度——（1）城市月度岗位归集数量（取对数）；（2）城市月度专场招聘活动举办次数；（3）政策文件出台数量（NLP编码各城市落实通知中的具体措施条款数量）。核心解释变量：（1）PromotionWindow——基于手工收集的地方主政官员（市委书记）履历数据编码，包括年龄、任期年限、前任去向；（2）IndustryMatch——以城市制造业/服务业细分行业占比向量与"十五五"规划重点产业方向向量的余弦相似度衡量。数据来源：官员履历来自CSMAR和公开资料，城市经济数据来自国家统计局和Wind，政策文件来自各级人社部门网站。样本覆盖全国地级及以上城市，月度频率，2025年5月至2026年12月。

• 替换晋升激励变量：以"前任市委书记是否获得晋升"（晋升=1，平调或退休=0）替代晋升窗口期虚拟变量，检验主政官员激励的替代测度对结论的影响。
• 排除省会的驱动效应：将省会城市和计划单列市从样本中剔除，检验结论是否由行政级别更高的城市驱动，验证结论对普通地级市的适用性。
• 工具变量替换：以官员是否具有"中央部委工作经历"作为政策执行力度的替代工具变量（部委经历有助于对接上级政策资源），检验IV估计的敏感性。
• 排除产业政策的同期影响：手工收集各城市同期的产业扶持政策力度（以财政产业支出占比衡量），加入回归控制变量，排除产业政策与就业政策的混淆效应。

发展经济学的核心议题之一是人力资本的有效配置如何驱动结构转型与增长。Nelson & Phelps（1966）指出，人力资本不仅是生产要素，更是技术吸收和创新的前提条件。当高校毕业生大量集中于低技能服务业岗位，而制造业和战略性新兴产业面临"招工难"时，人力资本错配将拖累TFP增长。"国聘行动+城市产业专场"的机制本质上是一种人力资本配置的"定向引导"——通过将城市产业结构信息与毕业生供给信息进行空间和行业匹配，降低人力资本错配程度。根据Lewis-Kuznets结构转型理论，劳动力从低生产率部门向高生产率部门的转移本身就是经济增长的核心动力。

据此提出以下假说：
- H1："城市产业专场"实施后，高校毕业生进入制造业和战略性新兴产业的就业占比提高3-5个百分点，且增幅在城市产业结构与该产业匹配度高的地区更为显著。
- H2：教育-职业错配指数（专业不对口率）在"国聘行动"实施后降低2-3个百分点，人力资本配置改善对城市TFP的弹性约为0.1-0.2。
- H3：人力资本配置改善的增长效应在中等收入城市（人均GDP在5-8万元区间）最为显著——这些城市正处于产业升级的关键期，对高技能劳动力的"门槛需求"最为迫切。

核心识别挑战是反向因果：制造业发达的城市自然吸引更多毕业生进入制造业，而非政策使然。本文采用Bartik工具变量法（Bartik, 1991）：以全国各行业的就业增长率（排除本省后）与城市初始行业结构的交乘项作为该城市产业需求冲击的工具变量。该IV反映了城市面临的"外生产业需求"——全国趋势对当地的拉动——与政策执行力度相关（产业需求越强的城市越积极举办"产业专场"），但不直接受本城市毕业生就业行为的影响。此外，利用"城市产业专场"在不同城市的错时实施作为DID的第二个识别维度，通过双向固定效应剔除城市和时间的不可观测异质性。

基准DID模型：

Y_{c,i,t} = α + β ⋅ Treat_{c,t} + γ ⋅ (Treat_{c,t} × IndMatch_{c,i}) + δ X_{c,i,t} + μ_c + λ_t + θ_i + ε_{c,i,t}

其中，Y_{c,i,t} 为城市 c 行业 i 在时间 t 的高校毕业生就业占比；Treat_{c,t} 为"城市产业专场"举办的虚拟变量；IndMatch_{c,i} 为城市 c 在行业 i 的初始比较优势（以区位熵衡量）；交互项系数 γ 衡量定向匹配的差异化效应——即与城市产业结构匹配的行业是否获得了更多毕业生流入。预期 γ > 0，验证政策的方向性引导有效。

第二阶段再以城市TFP（Levinson-Petrin方法测算）为被解释变量，以教育-职业错配指数为核心解释变量，估计错配改善对TFP的弹性。

被解释变量：（1）高校毕业生行业流向——以各城市分行业新就业毕业生人数占该城市毕业生总就业人数的比例衡量；（2）教育-职业错配指数——基于教育部就业质量调查中的"专业-岗位对口率"和薪酬数据，以Verdugo & Verdugo（1989）方法区分"过度教育"和"教育不足"。核心解释变量：Treat_{c,t} 为"城市产业专场"举办虚拟变量，IndMatch_{c,i} 为城市-行业区位熵（LQ = 城市该行业就业占比/全国该行业就业占比）。TFP测算使用中国工业企业数据库的Levinson-Petrin（2003）方法，以中间投入作为生产率的代理变量。样本期为2024-2026年，覆盖全国地级城市，分行业面板。

• 替换错配测度方法：以Kiker et al.（1997）的主观评价法（毕业生自评岗位与学历匹配度）替代客观测度（薪酬-学历比较法），检验人力资本错配指标对结论的敏感性。
• 替换TFP测算方法：以Olley-Pakes（1996）方法和Ackerberg-Caves-Frazer（2015）方法替代LP方法测算TFP，重新估计错配改善对TFP的弹性，确保结论不受生产率测算方法的影响。
• 排除一线城市的驱动效应：剔除北上广深四个一线城市——这些城市本身是高技能劳动力的天然集中地，排除后检验结论在普通二三四线城市的适用性。
• 安慰剂行业检验：随机分配"产业专场"标签给实际未举办专场的行业，重复估计1000次，构建安慰剂分布，检验真实估计系数是否落于分布的95%分位数之外。