国务院关于印发《实施就业优先战略"十五五"规划》的通知

H1（信号效应）：获得职业技能等级的劳动者因信号筛选机制，可获得较未获证者更高的工资溢价。H2（生产力效应）：技能培训提升边际劳动生产率，企业根据边际产出定价，技能溢价反映真实生产力差异。H3（制度强化效应）："新八级工"制度推广后，技能溢价显著扩大，且该效应在制造业、国企中更为突出。理论模型在Mincer方程中引入技能等级虚拟变量，推导技能投资的内部收益率决定方程，论证制度扩展了技能工资差距的均衡水平。

利用各省份、各行业分批推广"新八级工"制度的政策实验，构建多期DID模型。核心识别假定：在控制个体特征、行业固定效应和省份-年份交互固定效应后，处理组与对照组在制度推广前具有平行工资增长趋势。通过事件研究法检验事前平行趋势，并利用两阶段最小二乘法（2SLS）处理技能等级获取的自选择偏误，工具变量选取个体所在城市培训机构密度和行业技能等级覆盖率。

基础回归方程：ln(Wage)_it = α + β×PostSkill_it + γ×X_it + μ_i + λ_t + ε_it，其中PostSkill_it为个体i在t年是否获得职业技能等级（处理变量），X_it包含教育年限、工作经验及其平方项、性别、户籍、行业与所有制类型。进一步引入PostSkill与PostPolicy（"新八级工"制度实施前后）的交乘项，捕捉制度推广的增量效应。标准误在城市层面聚类。

被解释变量为小时工资对数，剔除极端值后进行1%缩尾处理。核心解释变量包括"是否持有职业技能等级"（二元变量）和"技能等级层次"（序数变量，初级至首席技师六级）。控制变量组涵盖Mincer标准变量、家庭特征（婚姻、子女数）、工作特征（合同类型、工会身份）。数据跨度为2018—2025年，匹配CGSS个体数据与省级宏观变量（最低工资、GDP增长率、产业结构）。

（1）置换DID估计窗口，分别限定为政策前后2年、3年、4年，检验时间窗口敏感性；（2）采用PSM-DID方法，以个体特征倾向得分匹配后重新估计，校正可观测因素差异；（3）安慰剂检验：随机分配处理组并重复1000次，检验真实处理效应是否落在虚假效应分布的尾部；（4）替换被解释变量为年收入对数、月工资对数，确保工资度量方式不影响结论；（5）剔除直辖市样本，排除超大城市劳动力市场特殊性对结论的干扰。

---

H1（信息成本假说）：就业影响评估机制通过制度化信息收集与披露，降低政企之间关于用工需求的不对称信息，减少事后就业调整的摩擦成本。按Coase定理逻辑，当交易成本为零时市场可以实现就业资源的最优配置；现实中交易成本为正，评估机制作为制度安排可降低缔约和监督成本。H2（承诺机制假说）：事前评估形成可置信的就业承诺，约束企业机会主义行为，降低事后劳动纠纷的制度执行成本。H3（协调效率假说）：评估机制嵌入多部门联动框架后，部门间的行政协调成本下降，政策传导效率提升。

采用合成控制法（SCM），以率先出台就业影响评估管理办法的省份（如广东、浙江）作为处理组，利用其他未推行省份的加权组合构造"反事实"对照组。比较处理组与合成对照组在评估机制建立前后，重大投资项目开工后的用工波动、劳动仲裁案件数量和地方就业增长率差异。关键识别假定：评估机制建立前，处理组与合成对照组的就业指标具有相似的时间趋势。

核心方程为：Y_it - Y*_it = τ_it，其中Y_it为处理组的就业结果变量（如季度用工变动率），Y*_it为SCM构造的反事实结果。权重向量W* = argmin ||X_1 - X_0W||，通过最小化处理前预测变量的均方预测误差确定。估计τ_it随时间演变的轨迹，并检验其统计显著性。辅助回归以DID形式检验：Y_it = α + β×PostAssess_it + γ×X_it + δ_i + θ_t + ε_it，其中PostAssess为评估机制是否启动的二元变量。

结果变量包括：项目所在地季度新增就业人数、企业用工变动率（上市公司年报披露的员工人数同比变化）、劳动仲裁案件数（中国裁判文书网劳动纠纷案由统计）、项目审批到开工的时间间隔（代理行政协调成本）。预测变量集包括地区GDP增速、产业结构（第三产业占比）、财政自给率、市场化指数（樊纲指数）。数据跨度2018—2025年省级季度面板。

（1）置换检验（Placebo test）：将处理组标签随机分配给其他省份，重复SCM估计，检验真实处理效应是否显著高于随机置换产生的效应分布；（2）双重差分法交叉验证：对同一数据施加传统双向固定效应DID，比较两种方法的估计方向和显著性；（3）剔除同期其他就业政策干扰：控制"稳岗返还"、以工代赈等并行政策的实施强度；（4）替换时间窗口：将政策启动时间前后各平移1个季度，检验对事件时间的敏感性；（5）因变量替换：以城市层面的求人倍率（岗位需求/求职人数）替代用工变动率。

---

H1（有效需求假说）：财政支出扩张通过乘数效应刺激总需求，带动就业增长；货币宽松通过降低企业融资成本加速投资扩张，进一步扩大劳动力需求；两者协同产生大于单独作用的就业创造效应。按照Keynes就业理论，就业量由有效需求决定，三重政策联动的实质是同时从政府购买、私人投资和消费三个渠道扩张有效需求。H2（非对称假说）：经济下行期三重协同的就业乘数大于上行期，因衰退期间私人投资对利率的弹性降低而财政支出的挤入效应增强。H3（结构性假说）：三重协同对制造业就业的拉动小于服务业，因为服务业的就业-产出弹性更高。

构建包含财政支出增速、M2增速、就业人数增速、GDP增速、CPI的5变量SVAR系统。采用短期符号约束进行识别：正向财政冲击非负影响GDP与就业，正向货币冲击非负影响GDP与就业、非正影响利率。通过脉冲响应函数刻画两种政策冲击分别及联合作用于就业的动态传导路径，利用方差分解量化各政策冲击对就业波动的贡献率。关键假定：政策冲击与同期其他结构冲击正交。

SVAR模型形式：A×Y_t = B(L)×Y_{t-1} + ε_t，其中Y_t = [Δln(G_t), Δln(M2_t), Δln(L_t), Δln(GDP_t), CPI_t]'。A为同期约束矩阵，施加如下约束：财政支出增速不受同期其他变量影响（财政决策时滞）；M2增速不受同期财政支出影响但受自身冲击影响；就业增速受同期财政、货币和产出影响。ε_t为结构冲击向量，满足E(ε_t)=0，E(ε_t ε_t')=I。使用2005Q1—2025Q4季度数据，滞后阶数由AIC准则确定。

财政政策变量采用一般公共预算支出同比增速（剔除季节性后经X-12-ARIMA调整）。货币政策变量采用M2同比增速。就业变量采用城镇新增就业人数同比增速，并辅以城镇调查失业率作为替代度量。控制变量包括全球经济政策不确定性指数（EPU）、贸易开放度。样本覆盖2005Q1至2025Q4，重点比较"十五五"开局前后的动态变化。

（1）替换财政政策度量为中央+地方赤字率，替代一般公共预算支出；（2）替换货币政策度量为社会融资规模存量增速，替代M2增速；（3）采用贝叶斯VAR（BVAR）重新估计，设定Minnesota先验以约束参数空间，降低过拟合风险；（4）分样本估计：将样本划分为经济上行期（2010—2019）和下行期（2020—2025），检验参数稳定性；（5）滚动窗口估计：以10年期滚动窗口逐期估计，观察乘数效应的时变特征。

---

H1（目标权衡假说）：地方政府在增长目标与就业目标之间存在权衡，增长压力越大，就业政策执行力度越弱。在多任务委托代理框架下，当经济增长的考核权重高于就业时，地方政府会将更多资源配置于增长导向型政策而非就业导向型政策。H2（央地一致性假说）：中央对就业的强调程度越高（如出台国家级就业规划），地方对就业目标的响应越积极，但响应程度随地方财政压力和增长目标刚性而递减。H3（空间溢出假说）：邻近地区就业政策执行力度增强对本地区形成正向空间溢出（标尺竞争机制），但也可能导致就业资源的跨区域虹吸效应。

核心变量"地方就业政策执行强度"以地方政府工作报告中就业相关关键词（就业、失业、技能培训、创业、稳岗等）的TF-IDF加权词频度量。采用双向固定效应模型，控制省份固定效应与年份固定效应，引入中央就业政策强度（以国务院层面就业相关文件年度数量或全国性就业规划发布与否度量）与地方特征变量的交互项，识别央地博弈的结构性因素。进一步构建空间权重矩阵（经济距离矩阵与地理相邻矩阵），估计就业政策执行的空间溢出效应。

基准方程：EmployIntensity_it = α + β₁×CentralSignal_t + β₂×GrowthPressure_it + β₃×(CentralSignal_t × GrowthPressure_it) + γ×X_it + μ_i + λ_t + ε_it。其中EmployIntensity为地方就业政策执行强度，CentralSignal为中央就业政策信号强度，GrowthPressure为地方GDP增长目标偏离潜力的程度。空间杜宾模型扩展：EmployIntensity_it = ρ×W×EmployIntensity_it + β×X_it + θ×W×X_it + μ_i + λ_t + ε_it，其中W为标准化空间权重矩阵。

被解释变量为省级就业政策执行强度（基于政府工作报告NLP文本分析构造的0-100标准化得分）。核心解释变量：中央就业信号强度（以国务院年度就业相关发文数量和"就业"一词在中央经济工作会议公报中的出现频次加权构造）；增长压力（以省级GDP目标增速与全国均值之差度量，正值越大压力越大）。控制变量包括财政自给率、转移支付依赖度、城镇化率、市委书记任期（代理晋升激励）。数据为2006—2025年31个省份年度面板。

（1）替换文本分析方法：改用BERT预训练模型进行语义层面的政策强度分类，替代TF-IDF词频方法；（2）替换空间权重矩阵：分别使用地理邻接矩阵、GDP加权矩阵和人口流动矩阵进行空间回归，检验空间效应的敏感性；（3）工具变量法：以省级党委书记是否具有中央部委工作经历作为中央偏好感知强度的工具变量，处理内生性；（4）排除政策叠加效应：控制同时期"双创"政策、"稳就业"专项行动等其他就业相关政策的虚拟变量；（5）子样本剔除：依次剔除直辖市、经济特区省份，检验结论的普遍适用性。

---

H1（任务替代假说）：AI应用强度越高，routine task密集型职业（如数据录入、基础客服、流水线操作）的就业份额下降越快。H2（技能互补假说）：AI应用提升abstract task密集型职业（如研发、管理、数据分析）的劳动生产率与就业需求，扩大高技能劳动力需求。H3（新岗位创造假说）：AI应用的就业创造效应在服务业和新兴产业中更显著，催生"人机协同"新职业形态，部分抵消替代效应。H4（结构性转型假说）：AI加速劳动力从制造业向服务业、从低技能向高技能的结构转型过程，但转型速度取决于人力资本供给弹性。

以行业层面的AI专利存量和工业机器人进口数据构造行业AI应用强度指标。核心识别挑战是AI应用的内生性——技术领先行业天然具有不同的就业趋势。采用两阶段估计：（1）以Bartik工具变量法构造行业层面的外生AI冲击——利用美国行业AI应用强度（同期但与中国行业构成外生）与中国行业初始就业份额交乘；（2）利用工业机器人进口关税变化作为中国制造业AI采用强度的工具变量。关键假定：美国AI技术发展与中国特定行业的劳动力市场结果不直接相关，仅通过中国AI采用路径影响。

基准方程：Δln(Emp_ijt) = α + β₁×AI_Intensity_jt + β₂×(AI_Intensity_jt × TaskRoutine_j) + γ×X_jt + δ_j + λ_t + ε_jt。其中Δln(Emp_ijt)为行业j中职业组i的就业增长率变化，AI_Intensity_jt为行业j的AI应用强度，TaskRoutine_j为行业j的任务常规化指数（基于Acemoglu-Autor职业任务测度方法构造）。引入AI_Intensity与技能层次的交互项，检验分层效应。工具变量第一阶段：AI_Intensity_jt = π₀ + π₁×Bartik_IV_jt + π₂×Z_jt + ν_jt。

被解释变量：行业-职业层面的就业增长率（2010—2025年期间分5年间隔）。核心解释变量AI_Intensity：以行业每万名员工拥有的AI相关专利数量（主分类号G06N、G06F）和工业机器人进口存量加权构造。工具变量：中美AI技术差距加权交乘项（美国同行业AI专利存量 × 中国基期行业就业结构）。任务常规化指数基于O*NET数据库的中国职业映射构造。控制变量：行业资本密集度、出口依存度、外资占比、研发强度。数据覆盖制造业（GB/T 2位码）和服务业门类。

（1）替换AI度量方式：以行业AI相关软件著作权登记数和AI领域风险投资额为替代指标，避免单一专利指标偏差；（2）改变行业分类层级：使用3位码细分行业替代2位码粗分行业，检验聚合偏误；（3）利用2022年ChatGPT发布作为自然实验时点，以生成式AI对不同职业的暴露指数（Felten et al., 2023方法）重新估计AI的就业效应；（4）采用动态面板系统GMM估计，纳入滞后被解释变量，捕捉就业调整的惯性特征；（5）排除同时期贸易冲击的影响，将中国对美出口关税变化作为控制变量纳入模型。