图表：2026年全国城市联合招聘春招提供岗位超1268万个

DMP搜寻匹配模型将劳动力市场视为一个摩擦性匹配过程，匹配效率由匹配函数 m = m(U, V) 刻画，其中U为求职者数量，V为空缺岗位数量。Petrongolo-Pissarides（2001）对匹配函数的跨国实证表明，匹配弹性通常介于0.5至0.7之间，且存在显著的制度依赖。城市联合招聘平台通过降低信息不对称来提升匹配效率，但其效果受城市产业结构和平台数字化水平的调节。据此提出：H1：城市联合招聘平台的匹配效率显著高于个体自发性求职匹配；H2：第三产业占GDP比重越高的城市，招聘平台的匹配弹性越大；H3：平台数字化程度（在线投递占比、智能推荐使用率）正向调节匹配效率。

核心识别挑战有两个层面：其一，匹配效率的跨城市差异可能与未观测的城市特征（如经济发展水平、教育资源禀赋）相关，导致选择性偏误；其二，个体选择参加联合招聘可能存在自选择问题。本文采用双重策略：在城市层面，使用城市互联网基础设施的历史渗透率作为平台数字化的工具变量，满足相关性（历史网络设施决定当前数字化水平）与外生性（历史网络设施与当前就业波动不直接相关）条件；在个体层面，使用Heckman两步法校正求职渠道选择的自选择偏误。

第一阶段，采用随机前沿分析估计匹配前沿：lnH_{ct} = β₀ + β₁·lnU_{ct} + β₂·lnV_{ct} + β₃·T + δ_c + ε_{ct} - u_{ct}，其中H_{ct}为c城市t年成功匹配数，U和V分别为求职者数和岗位数，复合误差项ε_{ct} - u_{ct}中u_{ct}≥0为匹配无效率项。第二阶段，以匹配无效率项u_{ct}为被解释变量，建立多层次模型：u_{ct} = γ₀ + γ₁·IndustryStructure_{ct} + γ₂·Digitization_{ct} + γ₃·HumanCapital_{ct} + W_{ct}·Γ + δ_c + λ_t + ν_{ct}，从城市和年份两个层次分解匹配摩擦的来源。

匹配函数变量：成功匹配数H以招聘会结束后三个月内实际签订劳动合同的数量衡量；求职者量U以参与求职的毕业生人次衡量；岗位空缺量V以用人单位提供的岗位数量衡量。城市特征变量：产业结构以第三产业增加值占GDP比重与赫芬达尔产业集中度指数衡量；数字化程度以城市互联网普及率、在线简历投递占比、平台智能推荐系统点击率构建综合指标；人力资本以城市高校毕业生中本科及以上学历占比衡量。样本覆盖2020-2026年全国所有参与联合招聘的地级及以上城市，共计约280个城市的面板数据。

采用六种稳健性策略：第一，替换匹配函数形式——分别使用Cobb-Douglas和CES函数形式重新估计匹配弹性；第二，改变SFA分布假定——将无效率项的半正态分布替换为截断正态和指数分布；第三，替代招聘渠道对比——使用前程无忧和智联招聘等私营招聘平台的微观数据作为对照，检验公共平台的增量效应；第四，空间自相关检验——纳入Moran's I统计量控制城市间空间溢出效应；第五，排除一线城市——剔除北京、上海、广州、深圳四个超大城市样本，检验结果的普遍性；第六，被解释变量替换——以求职者收到面试邀请的概率替代最终签约率作为匹配效率的代理变量。

---

Coase（1937）指出，企业之所以存在是因为市场交易存在成本，同理，政府主导的公共就业服务平台之所以必要，是因为分散化的劳动力市场交易成本过高。Williamson（1985）进一步将交易成本的来源归纳为资产专用性、不确定性和交易频率三个维度。高校毕业生就业市场具有高度的信息不对称性（Akerlof, 1970）：求职者不了解企业真实需求，企业难以甄别毕业生的真实能力。城市联合招聘通过集中化的信息发布、标准化的简历投递和统一化的面试流程，旨在降低劳动力市场的交易成本。据此提出：H1：参加城市联合招聘的企业，其单次招聘的人均成本显著低于自主招聘渠道；H2：线上线下混合模式在搜寻成本上优于纯线下模式，但在甄别成本上劣于线下深度面试模式；H3：企业重复参与率是交易成本降低的信号——交易成本越低，企业次年再次参加的意愿越强。

核心识别挑战在于：选择参加联合招聘的企业可能与未参加的企业存在系统性差异（招聘规模、行业特征、薪酬水平等），直接比较可能导致选择性偏误。本文采用多期DID设计：处理组为2020年后首次参与联合招聘的城市—行业企业群，对照组为同期未参与的企业。关键识别假定为：在政策实施前，处理组与对照组在招聘成本上满足平行趋势。同时，利用城市首次被纳入联合招聘体系的时间作为外生冲击——纳入时间由上级行政安排决定，与单个企业的招聘需求无关，因此满足外生性条件。

基准DID方程：Cost_{ift} = β × JoinEvent_{ct} + γ × X_{ift} + μ_i + λ_t + ε_{ift}，其中Cost_{ift}为企业i在行业f于t年的单次招聘成本（包含搜寻成本、甄别成本和缔约成本），JoinEvent_{ct}为c城市t年是否举办联合招聘活动的二值变量。模式比较模型：Cost_{ift} = α₁ × OnlineOnly_{ct} + α₂ × Hybrid_{ct} + α₃ × OfflineOnly_{ct} + γ × X_{ift} + FE + ε_{ift}，以纯线下模式为基准组，比较三种组织模式的效率差异。进一步引入交易频率变量——企业重复参与次数——检验交易频率对单位交易成本的降低效应。

交易成本的三维测度：搜寻成本以企业从发布岗位到收到首份匹配简历的平均天数与企业的人力资源部门投入工时衡量；甄别成本以企业筛选简历数量与面试人数之比、平均每位候选人的面试时长衡量；缔约成本以从发出录用到签订劳动合同的平均天数与薪资谈判轮次衡量。制度设计变量：在线比以线上投递简历数占总投递量的比重衡量；标准化程度以平台统一简历模板的使用率和面试流程标准化评分衡量。经费数据来自各城市人社局的联合招聘专项经费支出决算报告。

采用五种稳健性策略：第一，替换交易成本测度——将货币化成本替换为时间成本（招聘周期天数），检验结论对成本度量方式的敏感性；第二，安慰剂政策时间——将城市首次纳入联合招聘的时间虚构提前2年，检验处理组与对照组的趋势是否在"伪政策"出现前无差异；第三，倾向得分匹配（PSM）——以企业规模、行业、所有制、历史招聘量为协变量进行近邻匹配，再行DID估计；第四，工具变量法——以城市距离省级就业服务中心的公路里程作为参与联合招聘的工具变量；第五，排除大型企业——剔除500人以上的大型企业（因其自有的招聘渠道和品牌效应可能使联合招聘效果低估），检验中小企业的净效应。

---

Kahneman-Tversky的前景理论揭示了决策者在不确定性下的系统性偏差：锚定效应使个体会过度依赖初始信息（如往届同类专业起薪）作为决策参照；损失厌恶使毕业生对"可能错过更好机会"的恐惧大于"获得当前机会"的效用，导致过度搜索和签约延迟；过度自信使部分毕业生高估自身市场价值而设定不切实际的保留工资。Simon的有限理性模型则指出去，在信息过载和信息不足并存的环境中，决策者倾向于采用"满意原则"而非"最优原则"。据此提出：H1：提供同校同专业往年薪资分布信息可有效校正锚定效应，使期望薪资向市场均衡水平收敛；H2：提示当前岗位的竞争强度（求职人数/岗位数）可降低过度搜索行为，加速求职者的签约决策；H3：三类信息干预的组合效应大于单一干预的效应之和，因为不同偏误的校正存在互补性。

采用随机实地实验的2×2×2析因设计，在城市联合招聘平台的手机端和PC端随机分配求职者进入8个实验组之一。三个干预维度分别为：A（薪资参照信息：是否推送同校同专业毕业生的起薪分布四分位数）、B（竞争度提示：是否显示每个岗位当前的投递竞争比）、C（同辈反馈：是否显示"你的同学中已有X%投递了此类岗位"）。关键识别优势在于随机化消除了自选择问题——由于干预信息在平台登录时以弹窗形式随机发放，接受干预的概率与求职者的个体特征独立，因此组间差异可直接归因于信息干预的因果效应。

意图处理效应（ITT）：Y_i = β₀ + β₁·T_A + β₂·T_B + β₃·T_C + β₄·T_A×T_B + β₅·T_A×T_C + β₆·T_B×T_C + β₇·T_A×T_B×T_C + γ·X_i + ε_i。其中Y_i为结果变量（期望薪资设定、投递简历数量、首次投递到首次面试天数、是否在活动期内签约），T_A、T_B、T_C为三个干预维度的虚拟变量。处理组依从者的局部平均处理效应（LATE）：对于弹出信息但未阅读的求职者（非依从者），以随机分配作为阅读干预的工具变量进行两阶段估计。异质性分析以学历层次、专业大类、生源地类型进行分组回归，识别不同群体对行为干预的响应差异。

主要被解释变量：锚定偏差以期望薪资与市场薪资（该城市该专业该学历的招聘薪资中位数）之差衡量；过度搜索以投递简历数量超过实际面试数量的倍数衡量；签约延迟以首次投递简历到首次签约的天数衡量。干预信息的构造：薪资参照信息来自上一年度同平台同一城市同一专业层次的录用薪资行政数据；竞争度提示为实时计算的每个岗位的投递人数/招聘人数；同辈反馈为当日同校同专业求职者的投递行业分布。实验总样本量预计约13,000名求职者（1352.4万人次参与量的1%抽样），以Cohen d=0.2的最小效应量和80%统计功效计算，每组约需1,600人。

采用五种稳健性策略：第一，安慰剂干预——设立一个"推送中性信息（如招聘会温馨提示）"的对照组，排除"收到任何信息都会改变行为"的Hawthorne效应；第二，分时段检验——将实验分为招聘季前期、中期、后期三个时段，检验干预效应的时间稳定性；第三，多重假设检验校正——使用Bonferroni和Holm-Bonferroni校正以控制假发现率（FDR），避免多重比较的I类错误膨胀；第四，交叉验证——以智联招聘等私营平台的类似RCT结果的元分析效应量与本实验比较，检验结论的外部有效性；第五，因果森林（Causal Forest）分析——利用Athey-Imbens（2016）的因果机器学习方法识别异质性处理效应，识别对干预最敏感的求职者子群体特征。

---

Lewis的二元经济模型描述了劳动力从传统部门向现代部门转移的结构转型过程，但转型成功的前提是现代部门的技能需求与劳动力的技能供给相匹配。Hidalgo-Hausmann的产品空间理论进一步指出，一国产业升级的路径受限于其现有的能力禀赋（包括人力资本类型与水平），能力禀赋与目标产业之间的"距离"决定了转型的难度。Acemoglu的技能偏向性技术变革假说则指出，技术进步会增加对高技能劳动力的相对需求，而人力资本供给的调整速度滞后于技术变革的速度，由此产生技能错配。据此提出：H1：联合招聘中岗位技能需求与求职者技能供给的错配在人工智能、半导体等战略性新兴产业中最为严重；H2：中西部城市的技能错配程度显著高于东部沿海城市，反映了人力资本空间分布的失衡；H3：高校专业设置与地方主导产业之间的课程匹配度越低，该城市高校毕业生本地就业率越低。

技能错配的识别面临两个层次的挑战：其一，错配是均衡现象还是非均衡现象？劳动力市场的供需缺口可能仅仅反映短期调整摩擦，而非深层次的结构性问题。本文通过技能错配的持续性检验加以区分——若错配在连续多年中持续存在且未见收敛趋势，则判定为结构性错配。其二，空间相关性干扰——邻近城市的劳动力市场存在溢出效应，忽略空间依赖会导致估计偏误。采用空间杜宾模型（SDM）控制因变量和自变量的空间滞后项，以Moran's I检验空间自相关强度，使用极大似然法（MLE）进行估计。

技能错配指数：SM_{ci} = 1 - Σ_{k} min(S_{ck}, D_{ik}) / max(S_{ck}, D_{ik})，其中S_{ck}为c城市k类技能（按学历层次×专业大类划分）的供给占比，D_{ik}为i行业对k类技能的需求占比。空间杜宾模型：SM_{ct} = ρ·W·SM_{ct} + β₁·EduStructure_{ct} + β₂·IndStructure_{ct} + θ₁·W·EduStructure_{ct} + θ₂·W·IndStructure_{ct} + γ·Controls_{ct} + ε_{ct}，其中W为地理距离倒数权重矩阵。偏离份额分析：将各城市就业增长分解为国家增长份额、产业结构效应和区域竞争效应三个成分，其中产业结构效应与区位竞争效应的差值即为空间错配的量化贡献。

技能划分维度：学历层次取4个级别（高职高专、本科、硕士、博士），专业大类按教育部12个学科门类划分（工学细分为电子信息、机械、材料等8个子类），共构建32个技能类别。产业分类按国民经济行业分类（GB/T 4754）的中类2位码，进一步按技术密集度分为高技术、中技术、低技术三类。岗位技能需求以招聘信息中的学历要求和专业要求文本进行NLP编码；劳动供给技能以全国1%人口抽样调查的就业人口学历—专业矩阵为基准。数据跨度为2018-2026年的城市—行业—技能三维面板。

采用六种稳健性策略：第一，替换空间权重矩阵——将地理距离权重替换为经济距离权重（以城市间GDP差异的倒数）、高铁通勤时间权重，检验空间效应的稳定性；第二，改变技能错配测度——以相对教育错配法（实际受教育年限—职业平均受教育年限）替代技能分类匹配法；第三，排除摩擦性错配——以错配指数的一阶自回归系数衡量持续性，仅保留连续三年以上错配的观测值重新估计；第四，变换行业分类层次——将行业中类2位码替换为门类1位码和细分4位码，检验行业划分粒度的影响；第五，工具变量——以城市改革开放以来国家重点大学布局的历史数据作为当前人力资本供给的工具变量；第六，反事实模拟——运用O*NET技能需求数据库的中国职业映射，模拟不同假设的专业结构调整方案下技能错配的改善程度。

---

周黎安的晋升锦标赛理论认为，中国地方官员在以GDP增长为核心的晋升竞争下，倾向于将资源集中于能够快速产生经济增长信号的领域。就业治理虽然也被纳入政绩考核指标体系，但其权重相对较低且效果显现周期较长，因此地方政府在就业政策的执行上可能存在"选择性重视"：当就业不影响社会稳定底线时投入不足，当就业压力达到政治红线时才集中资源应对。Oates的分权定理则指出，地方政府在提供地方性公共服务方面具有信息优势，但前提是地方的激励结构与该公共服务的产出目标一致。据此提出：H1：城市经济增长压力越大（GDP增速低于省平均水平），其联合招聘活动的人均经费投入越低；H2：市委书记距离65岁提名年龄线越近，其任期内的就业政策执行力度越强（晋升冲刺效应）；H3：中央就业专项转移支付每增加1个百分点，地方配套资金增加超过1个百分点，存在"资金杠杆效应"而非完全替代效应。

核心识别难题在于：就业政策执行力度既可能是央地关系的因变量，也可能反向影响央地关系（执行好的城市获得更多中央资源，形成正反馈）。此外，地方政府就业投入与当地就业状况之间存在双向因果。本文采用三重策略：其一，以市委书记的任期年龄约束作为就业政策执行力度的工具变量——官员年龄接近提拔年龄界限时的行为变化与当地就业市场的短期基本面无关；其二，以中央就业专项转移支付中按公式分配的部分（非竞争性部分）作为外生变异来源；其三，利用中央环保督察等外部冲击事件（分散了地方政府的注意力资源）作为就业政策执行力度下降的外生来源。

基准模型：EPII_{ct} = β₁·GDP_Pressure_{ct} + β₂·AgeIncentive_{ct} + β₃·CentralTransfer_{ct} + γ·Z_{ct} + μ_c + λ_t + ε_{ct}，其中EPII_{ct}为c城市t年的就业政策执行力度指数，GDP_Pressure以城市GDP增速与省内均值之差衡量，AgeIncentive以市委书记是否进入"晋升冲刺窗口"（距离提名年龄上限≤2年）的二值变量衡量。中介效应模型：Outcome_{ct}（招聘会企业参与率、岗位—求职者匹配率）= α·EPII_{ct} + γ·Z_{ct} + ε_{ct}；EPII_{ct} = β·CentralTransfer_{ct} + δ·LocalRevenue_{ct} + γ·Z_{ct} + ε_{ct}，以识别"中央资金→地方执行→市场结果"的完整传导链。

就业政策执行力度指数（EPII）由三个维度合成：资源投入维度（人均联合招聘经费支出、招聘会场次数/万人高校毕业生）、组织动员维度（用人单位参与率、平台数字化功能完备性评分）、产出效果维度（岗位—求职者匹配率、活动结束后三个月内实际签约率）。官员晋升激励变量以手工整理的全国地级市市委书记数据库为基础，包括年龄、任期、前任去向（晋升/平调/退休）等信息。中央转移支付数据来自财政部各年度《中央对地方转移支付决算表》中的就业补助资金科目。政策文本分析以各城市政府工作报告中"就业""高校毕业生""人才"等关键词的词频占比衡量中央政策的本地化嵌入程度。

采用六种稳健性策略：第一，替换官员激励变量——将年龄约束替换为任期年限与市委书记是否具有共青团或高校工作经历等政治关联指标；第二，变换EPII的合成方法——将等权重合成替换为主成分分析法和熵权法，检验指数构建对结论的影响；第三，排除副省级城市——副省级城市在行政级别和资源获取上与非副省级城市存在本质差异，剔除后重新估计；第四，空间安慰剂——将相邻城市的地方官员特征随机置换后重新估计，预期空间溢出效应不改变核心结论；第五，动态GMM估计——采用系统GMM处理EPII的序列自相关和滞后被解释变量引入的内生性；第六，省级层面的安慰剂——以省级就业政策文本的"表态型"关键词（非实际投入型）替代实际执行力度指数，预期此类"表态"与就业市场实际结果无显著关联。

---