国务院印发《实施就业优先战略"十五五"规划》

在Becker人力资本理论与ALM任务模型框架下，教育供给与人才需求的匹配度是决定结构性失业的关键变量。H1：教育供给与人才需求匹配度每降低1个标准差，结构性失业率上升0.8—1.2个百分点。H2：AI暴露度越高的职业，技能溢价分化越显著，呈现"高技能溢价上升、中等技能溢价下降"的极化特征，其微观机制在于AI替代常规型任务而补充非常规型任务。H3：职业技能培训覆盖面每扩大10%，人岗匹配效率提升3%—5%，且对中等技能群体的边际效应最大——该群体处于替代风险最高且技能可塑性最强的区间。

利用各省份"十四五"至"十五五"期间职业技能培训政策实施强度的时空差异作为外生冲击，构建多期DID模型。以2019年"职业技能提升行动"在各省的推进时间差作为工具变量——该时间差由省级行政审批流程和财政审批周期决定，与当期就业波动无直接关联。识别假定：培训政策推进时间的早晚在条件独立假设下是外生的，通过事件研究法检验事前趋势的平行性，以Cunningham(2021)的交错DID偏误诊断检验处理效应的异质性稳健性。

核心方程为mismatch_it = α + β·training_intensity_it + γ·X_it + μ_i + λ_t + ε_it，其中mismatch为行业-省份层面的人力资本错配指数。进一步构建调节效应模型：skill_premium_it = α + β1·AI_exposure_i + β2·training_it + β3·AI×training_it + γ·controls + ε_it。若β3显著为负，则证明培训政策有效缓解了AI引致的技能溢价分化。标准误在省份层面聚类，采用Wild bootstrap处理聚类数量较少的问题。

核心被解释变量——人力资本错配指数：以行业-职业层面劳动者实际受教育年限与岗位要求教育年限的标准化偏离度度量，参考Hsieh & Klenow(2009)的资源配置扭曲测度框架。核心解释变量——省级培训政策强度：以人均职业技能培训补贴支出与培训人次占就业人口比重的主成分合成。AI暴露度：基于ALM任务评估框架，对各行业岗位的任务内容（常规认知、常规操作、非常规分析、非常规互动四维度）进行专家评分后综合。控制变量包括GDP增速、产业结构、城镇化率与最低工资水平。

（1）替换错配测度方法：采用方差分解法与分位数离散度法替代偏离度法；（2）安慰剂检验：将政策冲击时间随机提前1—3年各1000次，验证处理效应的唯一性，预期伪处理效应的分布以零为中心；（3）排除极端值样本：剔除直辖市与少数民族自治区后重新估计；（4）采用Sun & Abraham(2021)的交错DID异质性稳健估计量替代传统TWFE；（5）Bartik工具变量（份额偏移法）：以各省初始行业结构与全国行业培训增长的交互项作为替代IV。

---

在DMP框架下，劳动力市场匹配函数为m = A·U^α·V^(1-α)，其中A为匹配效率参数，取决于信息不对称程度、搜寻成本和制度摩擦。H1："十五五"就业优先政策（特别是就业创业服务体系的数字化改革与人力资源服务优质高效发展）使匹配效率A年均提升2—3个百分点。H2：匹配效率改善通过降低市场搜寻摩擦，使均衡工资提升1.5%—2%，且低技能与灵活就业群体的工资弹性更大——该类群体从公共服务强化中获益最多。H3：灵活就业与新就业形态的"公共服务强化"降低了非正规就业者向正规部门转换的信息成本与制度壁垒。

以各城市公共就业服务平台的数字化改革时点作为准自然实验——"互联网+就业服务"在各地的推广存在显著的时空差异，最早的先行城市（如杭州、深圳）比最晚跟进城市领先3—5年。构建交错DID模型，并以城市层面的就业服务信息化财政投入金额作为政策强度的连续型处理变量，进行剂量反应分析。识别假定：数字化改革时点的选择主要由城市信息化基础设施条件决定，与当期劳动力市场状况无直接关联，通过平行趋势检验验证。

第一阶段采用SFA估计：m_ct = A_ct·U_ct^α·V_ct^(1-α)·exp(-u_ct)，其中u_ct为非效率项。将非效率项分解为u_ct = u_friction + u_structure + u_institution，分别对应摩擦性、结构性和制度性非效率。第二阶段：ln(wage_ct) = α + β·A_hat_ct + γ·X_ct + μ_c + λ_t + ε_ct。工具变量采用各城市距离数字化先行城市（杭州）的地理距离与全国数字化趋势的交乘项，满足相关性与排他性约束。

被解释变量：城市层面月均匹配效率（成功匹配数除以岗位空缺与求职人数的几何平均），在职职工平均工资。解释变量：就业服务信息化指数，以在线岗位数占比、线上匹配成功率和数字平台用户覆盖率通过主成分分析合成。非效率分解依据：摩擦性（求职者与岗位地理距离中位数）、结构性（行业-职业错配指数）、制度性（户籍限制指数与社保可携带性障碍的加权值）。控制变量包括城市GDP、人力资本水平、产业结构和最低工资标准。

（1）替换匹配函数形式：在Cobb-Douglas与CES两种函数设定下分别估计，比较匹配效率参数的一致性；（2）Beveridge曲线结构性断点检验：采用Bai-Perron多重断点检测，判断匹配效率变化是趋势性改善还是周期性波动；（3）排除一线和新一线城市样本后重新估计，检验结论对城市规模的敏感性；（4）动态面板Arellano-Bond估计以处理工资调整惯性与内生性问题；（5）空间杜宾模型控制邻近城市就业政策的外部性空间溢出效应。

---

在Holmström-Milgrom多任务代理框架下，当地方政府同时面临经济增长与就业促进两项任务时，由于增长指标的信号噪声比更高（GDP更易观测且考核权重更大），地方政府的努力将向增长任务倾斜，产生"就业努力的挤出效应"。H1：就业目标被纳入地方官员考核"硬约束"指标后，地方财政就业支出占一般公共预算比重显著提高0.3—0.5个百分点。H2：存在"就业-增长"多任务替代效应——当省级经济增长目标高于全国均值1个百分点时，就业支出占比下降0.1—0.2个百分点。H3："宏观政策就业协同性"制度——即事前就业影响评估——降低了部门间政策冲突的发生概率。

利用各省份将"城镇新增就业"纳入政府绩效考核体系的时间差异构建渐进DID模型。以省份初始财政自给率与全国就业考核改革趋势的交互项作为工具变量——财政自给率影响考核改革的合规成本，但不由当期就业状况决定。识别假定：考核指标纳入时间的主要决定因素是行政传统和改革批次安排，而非当期就业压力。通过动态DID的事件研究检验，确认处理组与对照组在改革前的就业支出趋势无显著差异。

employ_fiscal_ct = α + β1·assess_ct + β2·growth_pressure_ct + β3·assess×growth_pressure_ct + θ·X_ct + μ_c + λ_t + ε_ct。其中assess为考核硬约束哑变量，growth_pressure为增长压力（省GDP增速目标与全国均值之差）。交互项系数β3衡量多任务代理困境的程度——若β3显著为负，则证实增长压力削弱了就业考核的效果。进一步构建政策文本相似度指数，以cosine similarity度量省级就业规划与中央规划的制度耦合度。

被解释变量：省级财政就业补助支出占一般公共预算支出的比重、城镇新增就业人数完成率。核心解释变量：就业考核硬约束哑变量、经济增长压力（省GDP增长目标与全国平均目标的偏离度）。制度协同指数：基于省级政策文本中"就业""产业""财政""货币""社保"等关键词的共现网络密度，采用text2vec计算语义相似度。控制变量：财政自给率、转移支付依赖度、城镇登记失业率、第三产业GDP占比。

（1）替换考核约束测度：采用省政府工作报告中"就业"词频占总词频的比重作为连续型处理变量；（2）控制同期其他改革干扰——将"放管服"改革指数与营商环境优化指数纳入控制变量；（3）采用合成控制法对每个处理组省份逐一构建反事实路径；（4）排除省级党政主要领导更替年份的样本，控制政治周期效应；（5）使用Callaway & Sant'Anna(2021)的交错DID异质性稳健估计量克服TWFE的负权重问题。

---

AI对就业的影响通过三个渠道传导：替代效应（自动化取代常规认知与操作任务）、补偿效应（生产率提升扩大产出规模从而增加劳动力需求）、创造效应（AI催生新任务、新职业和新业态，扩大就业边界）。H1：AI暴露度每提高1个标准差，行业就业总量在短期（1—2年）内下降0.5%—1%，但中期（3—5年）受补偿效应与创造效应驱动，净效应回升至增长0.3%—0.8%。H2：服务业AI暴露度的就业创造弹性（0.6—0.9）显著高于制造业（0.2—0.4），因服务业任务互补性更强。H3："稳岗扩容提质行动"中的技能培训补贴每提高10%，AI对就业的负向冲击弹性降低15%—20%。

以行业层面的工业机器人渗透率（IFR安装量/行业就业人数）作为AI技术扩散的代理变量。核心内生性挑战在于：高增长行业可能同时扩大就业和增加机器人采用。为此采用行业层面Bartik工具变量——以美国同行业的AI暴露度指数（基于Brynjolfsson et al.的AI适宜性评估）乘以中国行业机器人安装的初始份额，生成预测值。识别假定：美国行业的技术可行性仅通过中国同行业的技术采用渠道影响中国就业，而非通过贸易、投资等其他渠道。

基准方程为Δln(emp_it) = α + β·Δln(robot_it) + γ·X_it + μ_i + λ_t + ε_it。中介效应三步法：第一步检验AI对产业结构高级化指数的影响（a路径）；第二步检验产业结构变化对就业的影响（b路径）；第三步加入中介变量后检验AI对就业的直接效应（c'路径）是否减弱或消失。Bootstrap法（1000次）检验间接效应a×b的显著性。调节效应模型纳入robot×training_capacity的交互项。

被解释变量：行业层面就业总量与分技能层级（高、中、低）的就业增长率。核心解释变量：行业机器人渗透率（IFR工业机器人存量/行业就业总人数），以及基于NLP从中国专利文本中提取的AI相关发明专利占比作为替代测度。中介变量：产业结构高级化指数（行业研发强度、高技能劳动力占比、数字化投入占比的主成分）。调节变量：行业人均职业技能培训经费投入（来自上市公司年报附注）。控制变量：行业增加值增速、出口依存度、FDI占比、行业集中度（HHI指数）。

（1）替换AI暴露度测度：采用中国AI专利占比替代IFR机器人渗透率，检验两种测度结果的一致性；（2）分位数回归：检验AI对不同就业规模分位点行业的异质性影响；（3）排除出口导向型行业（出口占比>30%），以控制全球价值链因素的混淆效应；（4）系统GMM替代差分GMM处理弱工具变量问题与动态面板偏误；（5）反事实模拟：假设中国AI采用速度为全球平均水平，计算就业效应的差异，评估中国加速AI采用情景下的就业风险。

---

在晋升锦标赛框架下，经济增长是更容易观测且权重更高的考核指标，就业促进的努力可能被增长导向的资源配置所挤出。H1：当省级经济增长目标设定高于全国平均水平时，该省财政就业支出占比显著低于增长目标保守的省份——"增长挤压就业"的资源配置效应约为0.2—0.4个百分点。H2：中央就业督查压力（以国务院就业工作专项督查次数衡量）显著提高省级就业政策执行力度，但其效果在督查后6—12个月内衰减。H3："依附性遵从"假说——财政自给率越低的省份，对中央就业转移支付的依赖度越高，其就业政策执行与中央意图的一致性越强。

采用断点回归设计(RDD)，以省级经济增长目标与全国平均目标的差值作为分配变量（running variable），在差值等于零的邻域内识别增长压力对就业支出的局部平均处理效应(LATE)。识别假定：省份在阈值附近无法精确操控其增长目标与全国平均值的相对位置——因为全国平均值由所有省份共同决定，单个省份的操控空间极小。以国务院就业督查周期作为补充的外生冲击，验证断点估计的稳健性。McCrary检验确认分配变量在阈值处的连续性。

模糊RDD方程：employ_fiscal_ct = α + τ·D_ct + β1·(growth_gap_ct) + β2·D×growth_gap_ct + ε_ct，其中D = 1(growth_gap_ct > 0)表示增长目标高于全国均值的处理组。第一阶段以D作为执行就业考核力度的工具变量。空间杜宾模型同时设置：employ_ct = ρ·W·employ_ct + β·X_ct + θ·W·X_ct + ε_ct，其中W为地理邻接矩阵（或经济距离矩阵），捕捉省份间就业政策的横向策略互动——邻近省份就业支出增加是否引发本省的竞争性模仿或搭便车行为。

被解释变量：省级财政就业补助支出占一般公共预算支出比重、城镇新增就业人数目标完成率。核心解释变量——增长压力：省级GDP增长目标与当年全国加权平均增长目标的差值。中央督查强度：国务院就业工作专项督查的年均次数。文本变量：基于NLP对政府工作报告进行分词，计算"就业"相关词频（就业、失业、创业、培训、帮扶等）占全文总词频的比重，以及"就业-增长"词频比率。控制变量：财政自给率、中央转移支付依赖度、城镇化率、登记失业率、人均GDP。

（1）替换RDD带宽：分别采用CCT、IK和CV三种数据驱动的最优带宽方法，验证断点估计的敏感性；（2）替换空间权重矩阵：从地理邻接矩阵替换为经济距离矩阵（以人均GDP差距加权）和劳动力流动矩阵（以人口迁移网络加权）；（3）排除计划单列市和副省级城市样本，检验行政层级对结论的干扰；（4）采用差分GMM与系统GMM处理就业支出序列相关的内生性问题；（5）工具变量策略：以同省份相邻地级市的增长目标均值作为本地增长目标的工具变量，利用横向策略互动中的外生变异识别因果效应。

---