促家政服务业发展 9部门出台19条举措

基于交易成本经济学，家政服务市场存在显著的信息不对称、契约执行难与搜寻成本，导致市场萎缩与服务质量低下。19条政策通过统一合同示范文本、建立信用信息平台、完善职业标准和社保制度，能够降低谈判成本、履约成本与逆向选择风险，从而扩大市场参与并提升匹配效率。据此提出假说：H1：政策实施后，城市家政服务消费投诉率显著下降；H2：家政服务企业注册数量与从业人员规模显著增加；H3：政策效果在事前制度环境较差的城市更强。

采用城市—年度面板数据的双重差分法，将较早或较强落实19条政策的城市作为处理组，其他城市作为对照组。核心识别逻辑是：若制度创新确实降低交易成本，则处理组城市在政策实施后应出现投诉率下降、市场扩容的相对变化。关键识别假定包括：处理组与对照组在政策前具有平行趋势；不存在与政策实施时间高度相关的其他服务业改革；城市层面的制度创新强度外生于市场本身的短期波动。

基准回归模型设定为：Y_ct = α + β Policy_ct + γ X_ct + μ_c + λ_t + ε_ct。其中，Y_ct 为城市c在第t年的交易成本代理变量（如每百家家政企业投诉量、合同纠纷率）或市场发展指标（企业注册数、从业人员数）；Policy_ct 为政策实施强度指数；X_ct 为城市经济发展水平、服务业比重、人口老龄化等控制变量；μ_c 与 λ_t 分别为城市固定效应与年份固定效应。β 为关注系数，预期对投诉率显著为负，对市场规模显著为正。

被解释变量包括家政服务消费投诉率（国家市场监督管理总局12315数据）、家政服务企业密度与就业规模（工商注册与统计年鉴）。核心解释变量为政策实施强度指数，综合合同示范文本发布、信用平台接入、职业标准修订和地方社保试点等维度。控制变量包括人均GDP、第三产业占比、常住人口、老龄化率与女性劳动参与率。样本覆盖2015—2024年约300个地级市年度面板数据。

第一，替换核心被解释变量，将投诉率替换为消费者协会受理量或百度指数中的家政服务负面搜索指数，检验结论是否对测度方式敏感。第二，采用合成控制法对早期试点城市逐一构造合成控制组，排除特定城市趋势的干扰。第三，进行安慰剂检验，随机抽取政策实施城市并重复估计500次，观察伪政策系数分布。第四，控制同期养老服务、托育服务等类似政策，避免政策叠加导致估计偏误。第五，分样本检验东部、中部与西部城市的异质性。

---

根据人力资本与社会保障理论，社会保险能够降低灵活就业者的收入风险、医疗支出不确定性和老年贫困预期，从而提高其劳动参与意愿并延长工作年限。对于家政服务灵活就业者而言，社保参保率提升还可能增强职业认同感，降低离职率并促进技能投资。据此提出：H1：政策试点显著提高了城市家政服务灵活就业人员的社保参保率；H2：参保率提升显著提高了该群体的劳动参与率与月收入；H3：对年龄较大、女性及低技能从业者的正向效应更强。

利用城市层面灵活就业社保补贴或试点政策实施的差异，构建DID模型。进一步采用DDD，将家政服务业灵活就业人员与餐饮、快递等其他服务业灵活就业人员进行对比，以控制行业共同趋势。关键识别假定包括：不同城市、不同行业在政策前具有平行趋势；从业者不会因社保政策而发生大规模跨城市迁移；政策实施时间与地方经济冲击不相关。

个体层面DDD模型为：Y_ijct = α + β1 Treat_c × Post_t + β2 Treat_c × Post_t × Domestic_ij + γ X_ijct + μ_i + λ_t + ε_ijct。其中Y为个体社保参保状态、劳动参与或月收入；Treat_c×Post_t 为城市政策虚拟变量；Domestic_ij 为是否从事家政服务业的指示变量。城市层面模型为：Y_ct = α + β Policy_ct + γ X_ct + μ_c + λ_t + ε_ct。β2 或 β 为核心系数，预期显著为正。

个体层面数据主要来自CFPS 2016、2018、2020年城镇样本，提取从事家政、保洁、养老护理等工作的灵活就业人员，构造社保参保、工作状态、月收入等变量。城市层面数据包括各城市城镇灵活就业人员养老保险、医疗保险参保率，家政服务企业数量与从业人数。控制变量涵盖人均GDP、服务业增加值占比、最低工资标准、城镇失业率与人口老龄化率。样本期为2015—2024年。

第一，采用事件研究法检验政策前的平行趋势，并观察政策动态效应。第二，使用倾向得分匹配—双重差分（PSM-DID）重新匹配处理组与对照组城市，缓解样本选择偏误。第三，将对照组替换为未受政策直接影响的教育培训、美容美发等服务业，检验行业可比性。第四，控制城市层面数字经济渗透率，排除平台经济对灵活就业的同期冲击。第五，剔除直辖市样本，避免超大城市的特殊性影响结论。

---

发展经济学中的结构转型理论指出，随着收入增长，经济体会从制造业向服务业转移，居民消费也从商品主导转向服务主导。家政服务市场的发展通过替代家庭无偿劳动，释放家庭成员尤其是女性的劳动时间，使其能够参与市场就业并增加服务消费，从而加速服务化进程。据此提出：H1：家政服务供给越充足的城市，居民服务消费占比越高；H2：家政服务发展显著提升已婚女性的劳动参与率；H3：家政服务业扩张推动城市第三产业比重上升。

由于家政服务供给与居民服务消费、女性就业之间可能存在反向因果关系，本文采用城市层面的政策实施强度作为家政服务供给的工具变量。政策强度主要通过影响企业进入、从业人员培训和信用环境来改变服务供给，而不直接作用于家庭消费决策。关键识别假定包括：工具变量与误差项不相关，即政策强度仅通过家政服务供给影响结果；工具变量具有足够解释力，即政策强度显著影响家政企业数量与就业规模。

家庭层面模型为：Y_hct = α + β DomesticSupply_ct + γ X_hct + μ_c + λ_t + ε_hct。其中Y_hct 为家庭服务消费占比或女性劳动参与状态；DomesticSupply_ct 为城市家政服务供给指标。两阶段最小二乘法（2SLS）第一阶段为：DomesticSupply_ct = π PolicyIntensity_ct + ρ X_ct + μ_c + λ_t + v_ct。城市层面产业结构模型为：TertiaryShare_ct = α + β DomesticSupply_ct + γ X_ct + μ_c + λ_t + ε_ct。

被解释变量包括家庭服务消费支出占比（CFPS/CHIP）、女性劳动参与率（16—55岁城镇女性）以及城市第三产业增加值占GDP比重。核心解释变量为城市家政服务供给，可用家政服务企业密度、从业人员占比或综合指数度量。工具变量为19条政策实施强度指数，综合地方政策响应、信用平台接入、培训认证推进和社保试点等因素。控制变量包括家庭收入、户主教育、少儿抚养比、老年抚养比、城市人均GDP和人口规模。样本期为2015—2024年。

第一，使用Bartik式工具变量，将全国家政服务业增长趋势与城市基期产业结构的交互项作为工具变量，排除地方特定冲击。第二，替换家政服务供给测度，分别使用企业注册数、从业人员数和家庭服务消费价格指数，观察结果稳健性。第三，剔除北京、上海、广州、深圳等超大城市，避免一线城市服务业高度发达带来的混淆效应。第四，控制数字平台渗透率，排除互联网平台对家政服务供给与消费的同期影响。第五，分收入组别检验，确认服务消费升级效应是否主要集中在中高收入家庭。

---

凯恩斯理论认为，在经济存在闲置资源时，政府增加对服务消费和培训的支出能够通过乘数效应带动总收入和就业多倍增长。新凯恩斯主义进一步指出，由于价格和工资粘性，需求侧刺激在短期具有更强的实际效应，尤其在经济下行期资源闲置严重时乘数更大。据此提出：H1：家政服务财政支出对区域GDP具有显著正向短期乘数；H2：对居民消费和城镇就业的乘数同样为正；H3：在经济增速较低、失业率较高时期，财政乘数和就业乘数更大。

采用省级面板数据的局部投影法或SVAR模型识别财政支出的动态效应。SVAR中按财政支出、居民消费、GDP、城镇就业的递归顺序进行Cholesky分解，假设当期GDP和就业不会对财政支出产生反向影响。局部投影法则通过工具变量法处理潜在的内生性，工具变量可选择中央财政转移支付中明确用于家政服务发展的部分或事前预算安排。关键识别假定是财政支出冲击在控制宏观经济变量后外生。

局部投影基准方程为：Y_{i,t+h} − Y_{i,t−1} = α_i^h + β^h G_{it} + γ X_{it} + λ_t + ε_{i,t+h}，其中Y为GDP、居民消费或就业的对数差分，G_{it}为省级家政服务财政支出冲击，h为预测期。财政乘数可计算为 β^h 乘以支出占GDP比重后的累积效应。SVAR模型则可写成：B Y_t = Γ_0 + Γ_1 Y_{t−1} + … + Γ_p Y_{t−p} + u_t，变量顺序为[G, C, GDP, E]。

核心解释变量为省级财政支出中用于家政服务培训、消费券补贴、信用平台建设与养老托幼融合的科目金额，经GDP平减指数调整为实际值。被解释变量包括实际GDP、社会消费品零售总额中的服务消费部分以及城镇就业人员数。控制变量包括固定资产投资、出口总额、广义货币M2增速和工业增加值增速。数据主要来自国家统计局、财政部预算执行报告和省级统计年鉴，频率为年度，样本期2015—2024年。

第一，使用与家政服务无关的其他民生支出作为安慰剂变量，检验估计结果是否由一般性财政扩张驱动。第二，剔除2020—2022年新冠疫情特殊时期，避免异常冲击影响乘数估计。第三，使用时变局部投影法或门槛模型检验经济下行期与正常期的乘数差异。第四，在SVAR中尝试不同的变量排序，评估结论对递归假定的敏感性。第五，将分析下沉至地级市面板，若数据可得，进一步验证省级结论。

---

行为经济学认为，消费者在面对高度信息不对称的家政服务市场时，容易依赖简单启发式规则，并对负面信息产生损失厌恶，导致市场交易量不足和优质劳动者被逆向选择淘汰。信用信息平台通过提供可验证的信用评分、服务记录和投诉信息，能够减少消费者的认知负担、锚定其信任预期，并放大高信用劳动者的信号优势。据此提出：H1：信用平台上线显著降低城市家政服务投诉率与价格离散度；H2：平台上线显著提升家政服务市场交易量；H3：高信用评分劳动者获得更高的就业概率与工资溢价；H4：在照护老人、婴幼儿等高风险服务领域，消费者信任改善效应更强。

采用交错DID设计，利用各城市接入商务部家政服务信用信息平台的时间差异，比较上线前后处理组城市与尚未上线城市在市场表现上的差异。为缓解异质性处理效应带来的偏误，可进一步使用合成DID或Callaway-Sant'Anna分组平均处理效应估计。关键识别假定包括：平台上线时间不依赖于城市家政市场的事后趋势；其他城市未同时推出功能高度重叠的信用平台；上线城市的信用数据质量具有可比性。

城市层面基准模型为：Y_ct = α + β Platform_ct + γ X_ct + μ_c + λ_t + ε_ct。其中Y_ct 为投诉率、平均服务价格、价格标准差或交易活跃度指标；Platform_ct 为城市c在t年是否上线信用信息平台的虚拟变量；X_ct 为控制变量。劳动者层面模型为：Y_i = α + β CreditScore_i + γ X_i + λ_c + ε_i，其中Y_i 为就业状态或小时工资，CreditScore_i 为平台记录的信用评分，λ_c 为城市固定效应。

平台上线时间通过商务部公告和地方新闻报道手工整理。城市层面结果变量包括每千家家政企业投诉量（12315数据）、家政服务平均小时工资与价格离散度（来自平台公开报价或城市价格调查）、交易活跃度（百度指数或平台订单量代理）。劳动者层面数据可利用商务部平台公开的信用评分分布以及CFPS/CHARLS中相关职业从业者信息。控制变量包括城市人均GDP、老龄化率、女性劳动参与率、数字基础设施水平和教育水平。样本期为2016—2024年。

第一，采用合成双重差分法（Synthetic DID）处理多期交错的平台上线，减少对特定对照城市的依赖。第二，进行安慰剂检验，随机生成平台上线时间并重复估计，构造伪系数分布以判断真实效应是否显著。第三，使用不同投诉数据来源（如中国消费者协会投诉系统）替换12315数据，验证投诉率结论。第四，限制样本为平台上线前已具备一定家政服务市场规模的城市，排除从零起步的极端情形。第五，分服务类型（保洁、育儿、养老、护理）检验消费者信任改善的异质性，验证H4。