李强主持召开国务院常务会议 听取关于做好就业工作汇报 审议通过《实施就业优先战略"十五五"规划》等

Blanchard & Tirole（2000）的劳动力市场制度理论指出，就业保护与市场灵活性之间存在权衡。中国就业优先战略中的「灵活就业健康发展」和「新就业形态」体现了在传统雇佣模式之外拓展就业空间的思路。搜索引擎-匹配模型（Mortensen & Pissarides, 1994）预测，当经济中存在多种就业形态时，匹配效率取决于信息传递质量和制度摩擦。就业优先战略通过「完善就业创业服务体系」降低搜寻摩擦。

据此提出以下假说：
- H1：就业优先战略强化后（政策试点省份），青年（22-30岁）的就业率提高2-3个百分点。
- H2：政策效应在专业-岗位匹配度方面更为显著——匹配度提高幅度（5-8个百分点）大于就业率的提升，说明政策主要改善了匹配质量而非数量。
- H3：灵活就业参与率提高的同时，劳动者社保覆盖率未呈现同等幅度改善，暗示新就业形态的劳动保障仍是薄弱环节。

各省在细化和落实就业优先战略的力度上存在差异（一般公共预算中的就业补助支出占比、职业技能培训人次/就业人口），构成强度DID。以省级财政的「就业补助支出占一般公共预算支出比」作为政策强度的连续变量。个体面板固定效应消去不随时间变化的个人特征。PSM-DID以年龄、学历、专业、户籍等匹配处理组和对照组。

强度DID：EmploymentOutcome_{ipt} = α + β·EmploymentSubsidy_{pt} + γ·X_{ipt} + μ_i + λ_t + ε_{ipt}，其中 EmploymentSubsidy_{pt} 为省 p 在 t 年的就业补助支出强度。个体固定效应模型消去 μ_i。事件研究法估计动态处理效应。

被解释变量：就业状态（CFPS成人问卷）、专业-岗位匹配度（自报+客观编码）、月收入对数。核心解释变量：省级就业补助支出占一般公共预算支出比重（财政部决算）。控制变量：年龄、性别、学历、专业大类、户籍类型、家庭背景。样本量：CFPS 2016-2025五轮追踪数据中22-30岁青年约5000人×5轮=25000观测值。

• 替换处理变量：以各省「职业技能培训人次/就业人口」替代就业补助支出强度。
• 排除经济发达省份：仅用中西部省份子样本，检验结论是否仅由东部富裕省份驱动。
• 以「15-24岁青年失业率」（国家统计局）作为省级加总的替代被解释变量。
• Bacon-Decomp分解检验异质性处理效应。

Acemoglu & Autor（2011）的任务模型将工作分解为常规任务（routine）和非常规任务（non-routine），预测技术进步替代常规任务、补充非常规任务。新型工业化的三个方向——智能化（AI、机器人替代常规体力+脑力任务）、绿色化（催生新能源、碳管理等高技能岗位）、融合化（跨行业整合需要综合技能）——对技能的需求结构应呈现差异化影响。Goos, Manning & Salomons（2014）在欧洲数据中发现的就业极化（中等技能岗位缩减）可能在中国制造业中加速显现。

据此提出以下假说：
- H1：新型工业化推进程度每提高1个标准差，制造业高技能工人占比提高2-3个百分点，中等技能占比下降1-2个百分点（就业极化）。
- H2：智能化的技能替代效应（常规任务缩减）大于绿色化和融合化的技能创造效应——净效应为中等技能就业下降。
- H3：东部沿海制造业大省的技能极化速度显著快于中西部省份。

以行业层面的机器人安装密度（IFR数据）和数字化投资强度（上市公司年报中数字化相关资本支出占比）作为技术变革的外生度量。各省的暴露程度由其初始的制造业行业结构决定（Bartik思路）。行业层面的技术变革由全球技术进步和国内产业政策驱动，对单个省的劳动力而言可视为外生冲击。

省-行业层面的就业技能结构变化：ΔSkillShare_{pht} = α + β₁·RobotDensity_{h,t-1} + β₂·DigitalInvestment_{h,t-1} + γ·X_{pht} + μ_{ph} + λ_t + ε_{pht}。β₁ < 0 表示机器人替代中等技能工人。通过各省初始行业份额加权行业层面的技术变革构造Bartik IV。

被解释变量：省-行业的高/中/低技能工人就业份额（中国工业企业数据库，以学历和职业分类）。核心解释变量：行业机器人保有密度（IFR、中国机器人产业联盟）、行业数字化投资占比（CSMAR上市公司数据聚合）。工具变量：美国同行业机器人密度（排除中国需求对技术供给的反向因果）。样本区间：2010-2025年。

• 替换技能分类：以职业任务类型（常规/非常规）替代学历分类。
• 替换技术变革度量：以行业专利申请量替代机器人和数字化投资。
• 以中国海关数据中的资本品进口额作为额外IV。
• 剔除2020年（疫情冲击）观测值。

Kornai（1986）的软预算约束理论揭示，当地方政府预期中央将为失败项目兜底时，会产生过度投资的道德风险。国务院常务会议明确要求「防止一哄而上、盲目跟风」，说明决策层意识到未来产业政策面临经典的「潮涌现象」风险（林毅夫, 2007）。制度设计的关键在于：建立硬预算约束（限制地方政府使用财政资金跟风投资）、信息协调（中央发布行业发展指引降低信息不对称）、市场化筛选（让市场而非政府选择优胜者）。

据此提出以下假说：
- H1：出台明确的「未来产业准入标准」（负面清单）的省份，相关行业的新增企业注册数比未出台省份低20-30%，说明准入标准有效抑制了低质量进入。
- H2：中央发布行业发展指引后，地方未来产业规划的行业集中度提高（从分散到聚焦），「一哄而上指数」（同类项目数量的省际变异系数）下降15-20%。
- H3：政府引导基金出资比例上限（如不超过30%）的省份，私募基金对社会资本的撬动倍数（社会资本/政府出资）显著高于无上限约束的省份。

各省未来产业政策的发布时间和治理强度存在显著差异，形成准自然实验。利用各行业在国家层面被列为「未来产业」的时间差异（行业-时间双重变异），结合各省治理机制的差异（省-时间变异），构造三重差分。以各行业的全球技术成熟度（Gartner技术成熟度曲线阶段）作为政策关注度的外生预测变量。

三重差分：Investment_{pht} = α + β·FutureIndustry_{ht} × Governance_{pt} + γ·FutureIndustry_{ht} + δ·Governance_{pt} + θ·X_{pht} + μ_{ph} + μ_{pt} + μ_{ht} + ε_{pht}。β 捕捉治理机制的调节效应（治理好的省份vs治理弱的省份，在未来产业投资上的差异）。

被解释变量：省-行业层面的新增企业注册数（工商登记数据）、上市公司相关资本支出占比。核心解释变量：行业是否被列入国家未来产业目录、省级治理强度指数（由准入标准严格性、补贴上限、信息披露要求等编码合成）。「一哄而上指数」：各省在同一行业同类项目的数量和投资额的离散系数。样本区间：2020-2025年。

• 替换治理度量：以省级政府工作报告中「未来产业」相关论述的审慎性（保守-激进词典）替代制度编码。
• 以各省财政自给率（决定软预算约束的严重程度）与行业未来产业地位的交互项作为替代识别。
• 比较中国、美国和欧盟在同一技术领域的投资节奏差异。
• 排除已有产业优势的地区（如AI强省在AI未来产业上的「真优势投资」）。

Ramey（2011）的财政乘数综述表明，政府投资的产出乘数在不同经济环境下差异显著（0.5-2.0），关键取决于是否存在闲置资源和私人投资的反应。Cumming & MacIntosh（2006）发现政府创投基金在加拿大对私人资本产生了挤出而非撬动效应。在中国情境下，政府投资基金的规模巨大，但乘数效应的实证证据极为匮乏。投资模式——直投（政府直接筛选项目）、母基金参股（委托专业GP管理）、融资担保（不直接出资仅增信）——对私人资本的信号效应和撬动能力应有系统差异。

据此提出以下假说：
- H1：政府投资基金的1年期财政乘数（每1元政府出资带动的社会总投资）为1.2-1.8，低于一般基础设施投资的乘数（1.5-2.5），因股权投资的不确定性更高。
- H2：母基金参股模式的撬动倍数（3-5倍）显著高于直投模式（1-2倍）和融资担保模式（2-3倍）。
- H3：政府投资基金在经济下行期的边际撬动效应大于扩张期（逆周期特征）。

以政府投资基金设立时间的省份-年份差异作为外生冲击——基金的设立时点受省级财政状况和政治周期驱动，与本地私人投资需求的短期波动不完全同步。局部投影法（Jordà, 2005）估计基金出资冲击后逐期的累积投资和就业响应。以省级一般公共预算收入增长率作为政府基金出资规模的工具变量。

局部投影法：y_{p,t+h} - y_{p,t-1} = α_h + β_h·ΔGovFund_{pt} + γ_h·X_{pt} + μ_p^h + λ_t^h + ε_{p,t+h}，h=0,...,12（季度）。β_h 的序列累加即为 h 季度的累积乘数。母基金 vs. 直投的乘数比较通过交互项实现。

被解释变量：省级季度社会总投资（固定资产投资 + PE/VC投资）、省级季度就业人数。核心解释变量：省级政府投资基金季度出资额（财政部 + 投中/清科数据）。变量区分直投、母基金参股、融资担保三种模式。控制变量：M2增速、省级GDP增速、贷款基准利率。样本区间：2015Q1-2025Q4。

• 替换乘数估计方法：以Blanchard-Perotti SVAR替代局部投影法。
• 替换IV：以相邻省份的政府基金出资均值作为IV（空间相关性）。
• 仅用制造业投资子样本，排除房地产和基建投资对乘数估计的干扰。
• 以地级市面板替代省级面板，增加样本量和识别变异。

Holmström & Milgrom（1991）的多任务模型预测，当代理人（地方政府）面临多个不可完全替代的任务时，其努力分配取决于各任务在考核体系中的权重。退役军人就业安置是「软指标」——只要不发生群体性事件即不触发问责；而征兵动员是「硬指标」——完不成则有明确惩罚。这种激励不对称导致地方政府有动机将资源从就业安置转向其他高权重任务。财政分权（Oates, 1972）进一步意味着财政能力弱的地方政府安置能力更差。

据此提出以下假说：
- H1：在其他条件相同的情况下，省级财政退役军人事务支出每增加10%，退役军人就业安置率提高3-5%。
- H2：征兵任务完成压力大的省份（征兵人口基数扩大的年份），退役军人就业安置率系统性下降2-3个百分点（跨任务挤出效应）。
- H3：省级政府工作报告中「退役军人」相关词频每提高1个标准差，下一年安置就业率提高1-2个百分点（注意力驱动的政策执行改善）。

以各省「退役军人人口占总劳动年龄人口的比例」（2000年人口普查基线×全国退役率）作为当前退役军人事务支出的工具变量——历史退役军人人口比例影响财政支出的基线需求（相关性），但基线人口比例由二十年前的军事动员历史决定，与当期地方经济条件不直接相关（外生性）。征兵压力以「当年新兵征集任务数/适龄人口」度量，由国防动员需求（中央决定）驱动。

2SLS：一阶段：VeteransExpenditure_{pt} = θ·VeteransShare_p^{2000} + δ·ConscriptionPressure_{pt} + η·X_{pt} + ν_{pt}。二阶段：EmploymentRate_{pt} = α + β·VeteransExpenditure_{pt} + γ·ConscriptionPressure_{pt} + φ·Controls + μ_p + λ_t + ε_{pt}。β > 0 表示财政投入有效。γ < 0 表示跨任务挤出效应。

被解释变量：省级退役军人就业安置率（安置就业人数/当年接收退役军人总数，退役军人事务部统计公报）。核心解释变量：省级财政退役军人事务支出对数。IV：2000年退役军人人口占比 × 全国退役率。控制变量：省级人均GDP、财政自给率、城镇化率。样本区间：2018-2025年（退役军人事务部成立后），31省×8年。

• 替换IV：以各省「革命老区县数量」替代历史退役军人占比作为IV（革命老区参军率更高）。
• 替换被解释变量：以退役军人创业担保贷款发放率替代安置就业率。
• 子样本仅包含兵源大省（山东、河南、四川等），检验结论是否由少数大省驱动。
• 空间相关性检验：加入邻省安置率的空间滞后项，检验是否存在「竞优」或「竞次」互动。

---