国内联播快讯

基于工作搜寻理论（McCall, 1970），失业者的求职持续期取决于保留工资与工资报价分布的匹配程度。"攻坚行动"通过集中提供职业指导、招聘对接等服务，降低了求职者的信息搜寻成本，理论上应降低保留工资并缩短搜寻时间。根据匹配函数理论（Pissarides, 2000），公共就业服务相当于提高了匹配效率参数，使Beveridge曲线内移。同时，人力资本理论提示，职业指导可能通过信号效应提升毕业生在雇主眼中的生产率预期，从而提高工资报价。

据此提出以下假说：
- H1：攻坚行动覆盖城市中，离校未就业毕业生的求职持续期较非覆盖城市缩短15-25%（负向效应）。
- H2：攻坚行动对就业质量的提升效应存在异质性——对人力资本较低（专科及以下）毕业生的边际效应更大。
- H3：职业指导服务强度（人均服务次数）与就业稳定性（6个月在岗率）之间存在正向剂量-反应关系。

本文利用"攻坚行动"在各城市启动时间和服务强度的外生变异构建多期DID。该行动由人社部统一部署，各城市的具体执行时间和资源投入力度受上级分配影响，相对外生于本地劳动力市场短期波动。核心识别假定为：在攻坚行动启动前，处理组（高服务强度城市）和对照组（低服务强度城市）的毕业生就业趋势满足平行趋势假定。通过事件研究法（event study）直接检验此假定。此外，由于"是否接受就业服务"可能存在自选择（更积极的求职者更可能参与），采用Heckman两步法校正样本选择偏误，第一步用probit估计参与概率，第二步在选择校正后的样本中估计就业结果方程。

基准多期DID模型设定为：

Y_ict = α + β·Treat_c × Post_ct + γ·X_ict + δ·Z_ct + μ_i + λ_t + ε_ict

其中 Y_ict 为城市 c 中个体 i 在时间 t 的就业结果变量（求职持续期、月工资、就业稳定性）；Treat_c 为城市处理组虚拟变量（高服务强度=1）；Post_ct 为城市 c 在攻坚行动启动后的时间虚拟变量；X_ict 为个体特征向量（性别、学历、专业、家庭背景）；Z_ct 为城市宏观经济控制变量（GDP增速、失业率、产业结构）；μ_i 为个体固定效应（或学校固定效应）；λ_t 为时间固定效应。核心参数 β 度量攻坚行动对就业结果的平均处理效应，预期 β<0（求职持续期）或 β>0（工资、稳定性）。

被解释变量：（1）求职持续期——从离校到首次签约的天数，来自CFPS和高校毕业生就业调查；（2）月工资——首份工作的税后月工资取对数；（3）就业稳定性——首次就业后6个月内是否仍在岗的二值变量。核心解释变量：Treat_c × Post_ct 交互项，Treat_c 以各城市人均公共就业服务支出（或人均招聘会场次）中位数为界划分高低强度组。控制变量：个体层面包括性别、年龄、学历层次、专业大类、家庭收入分位数；城市层面包括GDP增速、城镇调查失业率、第三产业占比。数据来源：CFPS 2024-2027轮次、教育部高校毕业生就业质量年度报告、各省人社厅统计公报。样本区间：2023-2027届毕业生，约覆盖300个地级市。

• **平行趋势检验**：采用事件研究法，以行动启动前2年为基准期，检验处理组与对照组在行动前各年的就业趋势差异是否统计显著为零，若前置系数不显著则支持平行趋势假定。
• **安慰剂检验**：将攻坚行动启动时点人为前移1年（虚假处理），重新估计DID系数，预期虚假处理效应不显著；重复500次随机分配处理组进行置换检验，观察真实估计值是否落在随机分布的极端尾部。
• **替换处理组定义**：以连续型服务强度指标（人均职业指导次数）替代二值处理变量，估计剂量-反应模型，检验结论是否对处理组划分方式敏感。
• **排除同期政策干扰**：控制同期实施的"百万见习岗位募集计划"等其他青年就业政策变量，在回归中纳入政策交互项，分离攻坚行动的独立效应。
• **样本选择校正比较**：对比OLS、Heckman两步法和面板固定效应三种估计结果，评估自选择偏误的方向和幅度是否影响核心结论。

基于内生增长理论（Romer, 1990），知识积累是长期经济增长的核心引擎，而科研效率直接决定知识生产速率。AI作为通用目的技术（Bresnahan & Trajtenberg, 1995），具有广泛适用性和创新互补性——AI赋能科研可加速假说生成、实验设计、数据分析等环节，降低知识生产的边际成本，从而提升科研产出的全要素生产率。根据知识生产函数框架（Griliches, 1979），AI投入可视为研发资本存量的新组成部分，其对TFP的贡献取决于与现有科研人力资本的互补程度。

据此提出以下假说：
- H1：AI赋能科研方案实施后，北京地区科研机构的TFP增速较合成控制组提高2-4个百分点（正向处理效应）。
- H2：AI赋能科研的TFP提升效应存在学科异质性——数据密集型学科（生物信息、材料科学）的效应大于理论主导型学科。
- H3：AI赋能科研具有空间溢出效应——北京的政策冲击对京津冀及周边省份的科研TFP产生正向辐射。

本文利用北京AI赋能科研方案的实施作为准自然实验。该方案于2026年7月1日在北京率先启动，其他省市尚未出台类似政策，形成了处理组-对照组的时间-空间变异。采用合成控制法（Abadie et al., 2010）构造"反事实北京"——以未实施类似政策的其他省市的加权组合模拟北京若无该方案时的TFP走势。关键识别假定：（1）合成控制组在政策前与北京的TFP趋势高度拟合；（2）政策实施期间无其他仅影响北京的重大科研政策冲击。辅以DID框架进行交叉验证，并利用空间杜宾模型检验地理溢出效应。

（1）合成控制法：设北京为处理单元 j=1，对照组为 J 个未实施AI科研方案的省市。合成北京的权重向量 W* = argmin_W ||X_1 - X_0·W|| 使政策前拟合误差最小化，处理效应为 α_1t = Y_1t - Y_0t·W*。

（2）DID模型：TFP_it = α + β·Treat_i × Post_t + γ·X_it + μ_i + λ_t + ε_it，其中 Treat_i 为北京（=1）或其他省市（=0），Post_t 为方案实施后虚拟变量，X_it 为控制变量（R&D经费、研究人员数、高校数量等）。

（3）空间杜宾模型：TFP_it = ρ·W·TFP_it + β·AI_it + θ·W·AI_it + γ·X_it + μ_i + λ_t + ε_it，W 为地理邻接权重矩阵，ρ 为空间自回归系数，θ 捕获AI投入的空间溢出效应。

被解释变量：科研机构TFP——以DEA-Malmquist指数法测算各省市科研投入（R&D经费、研究人员全时当量）与产出（SCI/CSSCI论文数、发明专利授权数、技术合同成交额）的全要素生产率变动指数。核心解释变量：AI赋能科研政策虚拟变量（Treat × Post），以及连续型AI科研投入指标（AI领域R&D经费占比、AI科研平台数量）。控制变量：人均GDP、高等教育毛入学率、互联网普及率、政府科技支出占财政比重。数据来源：中国科学技术统计年鉴、国家统计局、Web of Science、CNKI。样本区间：2020-2030年，31个省市年度面板数据，政策前6年（2020-2025）用于合成控制拟合。

• **合成控制拟合度检验**：计算政策前RMSPE（均方预测误差），进行排列检验（permutation test）——依次将每个对照省市假设为处理组，若北京的處理效應/政策前RMSPE比值在所有单元中最大，则结论稳健。
• **安慰剂检验**：将政策时点前移至2023年（虚假处理），估计虚假处理效应，预期不显著；同时以非AI领域科研产出（如人文社科论文数）作为伪结果变量，检验是否存在虚假效应。
• **替换TFP测算方法**：分别以OP法、LP法和SFA法重新测算科研TFP，检验核心结论是否对TFP测算方法敏感。
• **排除同期政策干扰**：控制同期实施的"新质生产力"相关政策、"东数西算"工程等变量，在DID中纳入政策交互项，确保AI科研方案的独立效应。
• **替换空间权重矩阵**：以经济距离权重（人均GDP差异的倒数）替代地理邻接权重，检验溢出效应结论是否对空间关系定义方式敏感。

基于交易成本理论（Williamson, 1985），食品安全监管本质上是降低消费者与生产者之间信息不对称所引发的交易成本。抽检队伍扩容直接提升了监管的"监测密度"——增加抽检频次和覆盖面，提高了企业违规被查处的概率，从而改变了企业违规的预期成本。根据Stigler-Peltzman监管理论，监管的有效性取决于监测概率和惩罚力度的组合。同时，快速检测方法的引入降低了单次抽检的边际成本，使同等预算下可实施更多抽检，产生"技术赋能监管"的效应。从信息经济学角度（Akerlof, 1970），更强的监管信号能缓解食品市场的"柠檬问题"，使高质量企业获得市场溢价，形成质量升级的正向激励。

据此提出以下假说：
- H1：抽检队伍扩容后，该省食品抽检不合格率下降10-20%（威慑效应）。
- H2：监管能力提升对食品企业的合规成本产生显著正向影响，但大企业合规成本增幅小于小企业（规模异质性）。
- H3：快速检测方法覆盖率是监管能力提升→违规率下降传导渠道中的关键中介变量。

本文利用各省市场监管局落实"扩容提质增效行动"的进度差异构建多期DID。各省的抽检队伍扩编速度和快检设备采购进度受地方财政能力和行政效率影响，形成了准自然实验式的外生变异。核心识别假定：（1）扩容进度快的省份与慢的省份在行动前食品安全趋势满足平行趋势；（2）扩容进度不受当期食品安全状况的反向因果驱动（即不是"因为问题多才扩容"）。为排除反向因果，以各省行动前的财政预算编制数和编制核准数作为抽检队伍扩容的工具变量——编制由上级提前核定，不受短期食品安全事件影响。

基准多期DID模型：

ViolationRate_pt = α + β·Expand_pt + γ·X_pt + μ_p + λ_t + ε_pt

其中 ViolationRate_pt 为省份 p 在时间 t 的食品抽检不合格率；Expand_pt 为抽检队伍扩容强度指标（人均抽检批次或快检设备覆盖率）；X_pt 为控制变量（人均GDP、城镇化率、食品工业产值、人口密度）；μ_p 为省份固定效应；λ_t 为时间固定效应。核心参数 β 度量监管能力提升对食品安全的因果效应，预期 β<0。

中介效应模型：Expand_pt → QuickTest_pt → ViolationRate_pt，检验快速检测覆盖率（QuickTest）是否显著中介了扩容→违规率下降的传导路径。

被解释变量：食品抽检不合格率——各省每万批次抽检中不合格批次占比，来自国家市场监管总局食品抽检公告。核心解释变量：（1）抽检队伍扩容强度——各省食品抽检人员编制增长率（相比基期）；（2）快检覆盖率——快速检测设备配备率（快检设备数/抽检站点数）。控制变量：人均GDP、城镇化率、食品工业企业数量、食品工业产值、人口密度、各省市场监管经费支出。中介变量：快速检测覆盖率、抽检频次（每企业年均抽检次数）。数据来源：国家市场监管总局年度抽检公告（2022-2028）、中国食品工业统计年鉴、各省市场监管局年报。样本：31个省市 × 7年 = 217个观测值。

• **平行趋势检验**：事件研究法检验扩容高强度省份与低强度省份在行动前各年的违规率趋势差异，预期前置系数不显著。
• **工具变量估计**：以各省行动前编制核准数（由上级核定，外生于当期食品安全状况）作为抽检队伍扩容的IV，进行2SLS估计，比较OLS与IV估计结果的一致性。
• **安慰剂检验**：以非食品类产品（工业品、农资）质量抽检不合格率作为伪结果变量，检验食品抽检扩容是否产生虚假的溢出效应——预期不显著。
• **企业层面异质性分析**：利用CSMAR食品行业上市公司数据，按企业规模（大/中/小）分组估计合规成本效应，验证H2的规模异质性假说。
• **排除同期政策干扰**：控制同期实施的"食品安全放心工程"等其他食品监管政策的虚拟变量，确保扩容行动的独立效应。

基于凯恩斯乘数理论（Keynes, 1936），基础设施投资通过直接创造建筑就业和材料需求产生第一轮收入效应，随后通过边际消费倾向引发连锁消费支出，形成乘数放大。新凯恩斯框架（Christiano et al., 2005）进一步指出，在经济 slack 较大的地区（如欠发达边境地区），乘数效应更大——因为资源闲置程度高，新增需求不易引发通胀挤出。中老铁路作为大型跨境基础设施，其运营期通过降低运输成本、扩大贸易规模产生持续性拉动效应，形成"基础设施外部性"（Hulten, 1996）。

据此提出以下假说：
- H1：中老铁路开通后，沿线边境县的GDP增速较合成控制组提高3-5个百分点，对应乘数约为1.5-2.0（即每1元铁路投资带动1.5-2元GDP增量）。
- H2：铁路乘数在经济欠发达边境县（人均GDP低于全国中位数）显著大于较发达地区——slack 越大、乘数越大。
- H3：铁路运营对物流业和边境贸易的拉动效应通过投入产出关联传导至制造业和服务业，间接就业创造约为直接就业的1.5-2倍。

本文利用中老铁路（2021年12月开通）的外生地理变异构建合成控制法。铁路线路走向由工程技术和地缘政治因素决定，非沿线县的经济特征所驱动，具有较好的外生性。以中老铁路中国段沿线县级市（如磨憨、景洪、普洱等）为处理组，以未受铁路直接影响的类似边境县为对照组池（donor pool），构造合成控制组。关键识别假定：（1）合成控制组在铁路开通前与处理组的GDP和就业趋势高度吻合；（2）无其他仅影响沿线县的重大政策冲击。辅以局部投影法（Jordà, 2005）估计铁路开通后各年的动态处理效应，避免DID仅给出平均效应的局限。

（1）合成控制法：设沿线县 j 为处理单元，以 J 个非沿线边境县的加权组合构造反事实。权重 W* 通过最小化政策前GDP增速的拟合误差获得。处理效应为 α_jt = Y_jt - Σ w*_j·Y_jt，即实际GDP与合成GDP之差。

（2）局部投影法（动态乘数）：

ΔY_it+h - ΔY_it-1 = β_h·Rail_i × Post_t + γ·X_it + μ_i + λ_t + ε_it，h = 0, 1, 2, ..., 5

其中 β_h 为铁路开通后第 h 年的累积处理效应。动态乘数定义为 M_h = β_h / ΔInvest_i，即每单位铁路投资在 h 年后产生的GDP增量。

（3）乘数计算：M = ΔGDP / ΔI_railway，其中 ΔGDP 为合成控制法估计的GDP增量，ΔI_railway 为铁路投资额。

被解释变量：（1）县级GDP增速——不变价GDP同比增速（国家统计局县级统计年鉴）；（2）就业人数——年末从业人员数，区分第一/二/三产业。核心解释变量：Rail_i × Post_t 交互项，Rail_i 为是否中老铁路沿线县（=1），Post_t 为2022年及以后（=1）。控制变量：固定资产投资增速、财政支出增速、人口自然增长率、公路里程密度、人均受教育年限。铁路投资变量：各县铁路段建设投资额（中国铁路总公司、发改委批复文件）。样本：处理组为沿线5-8个县级单元，对照组池为云南/广西/贵州约80个非沿线边境县。样本期：2015-2028年，年度面板。

• **合成控制拟合度检验**：报告政策前RMSPE，进行排列检验——依次假设donor pool中每个县为处理组，若沿线县的处理效应/RMSPE比值在所有排列中最大，结论稳健。
• **安慰剂检验**：（a）时间安慰剂——将铁路开通时点虚假前移至2018年，估计虚假处理效应，预期不显著；（b）空间安慰剂——以非中老铁路沿线的其他边境铁路（如南昆铁路）沿线县为虚假处理组，检验是否存在类似效应。
• **替换对照组池**：分别以（a）仅云南省内非沿线县、（b）云南+广西+贵州全部非沿线县、（c）全国非边境县为donor pool构造合成控制组，检验结论对对照组选择的敏感性。
• **排除同期政策干扰**：控制"一带一路"框架下同期实施的其他边境基建项目（如公路口岸升级）的虚拟变量，分离铁路的独立乘数效应。
• **投入产出表验证**：利用云南省投入产出表（2020/2025基准表）计算铁路运输业的产出乘数和就业乘数，与实证估计的乘数进行交叉验证。

基于贸易成本理论（Anderson & van Wincoop, 2004），双边贸易量取决于"冰山贸易成本"τ_ij——包括运输成本、关税、时间成本和信息成本。中老铁路的开通直接削减了运输成本和时间成本两个分量，相当于降低了 τ_ij，理论上应导致双边贸易量的显著增长（引力模型预测的贸易弹性约为 -3 到 -5）。同时，贸易成本下降对高运输成本敏感型商品（体积大、重量大的制成品）的影响更大，从而推动出口商品结构从低附加值的初级产品向高附加值的制成品升级。从市场一体化角度（Engel & Rogers, 1996），运输成本下降应缩小两地同类商品的价格差异（"一价定律"趋近），标志着区域市场一体化程度提升。

据此提出以下假说：
- H1：中老铁路开通使中老双边贸易的冰山贸易成本 τ 下降20-35%，对应贸易量增长40-80%（贸易弹性约-3至-5）。
- H2：铁路开通对高运输成本敏感型商品（机电产品、建材）的贸易促进效应大于低敏感型商品（电子产品、服装），推动出口结构升级。
- H3：铁路开通后，中老边境地区同质商品的价格差异缩小15-25%，市场一体化程度提升。

本文利用中老铁路2021年12月开通的时间变异和中老 vs. 中国-其他东盟国家的截面变异构建DID。以中国-老挝双边贸易为处理组，以中国-越南、中国-柬埔寨等未经铁路直接连通的双边贸易为对照组。关键识别假定：中老铁路的修建时间由工程和地缘政治因素决定，外生于双边贸易的短期波动；对照组国家在铁路开通前后未经历仅影响其与中国的特殊贸易冲击。采用结构引力模型（Anderson & van Wincoop, 2003）进行结构性估计，获得贸易成本削减的量化度量。辅以"价格差异法"——比较铁路开通前后中老边境同质商品（如水泥、钢材、大米）的价格差异变化，检验市场一体化效应。

（1）结构引力模型（PPML估计）：

X_ijt = exp[β₁·Rail_ijt + β₂·ln(Dist_ij) + α_ij + λ_t + ε_ijt]

其中 X_ijt 为国家 i 向国家 j 在时间 t 的出口额；Rail_ijt 为 i-j 之间是否有铁路直连的虚拟变量（中老铁路2022年起=1）；Dist_ij 为双边距离；α_ij 为国家对固定效应；λ_t 为时间固定效应。PPML（泊松伪最大似然）估计处理零贸易流量和异方差问题。核心参数 β₁ 度量铁路对贸易量的因果效应，τ 的削减幅度由 exp(β₁) - 1 推算。

（2）DID模型（商品层面）：

ln(Export_kt) = α + β·HighCost_k × Post_t + γ·X_kt + μ_k + λ_t + ε_kt

其中 HighCost_k 为商品 k 的运输成本敏感度（体积/价值比），Post_t 为铁路开通后虚拟变量。β 度量铁路对高运输敏感度商品的差异化促进效应。

（3）价格差异法：ΔP_t = P_China_t - P_Laos_t，检验铁路开通后 ΔP 是否显著收敛。

被解释变量：（1）双边贸易额——UN Comtrade HS6位码层面的中国对东盟各国出口额，取对数；（2）出口商品结构——制成品占比（SITC 5-8类商品出口额/总出口额）；（3）价格差异——中老边境同类商品的零售价格差（海关价格数据）。核心解释变量：Rail_ijt 为中老铁路直连虚拟变量（2022年起中国-老挝=1，其他=0）。控制变量：双边GDP乘积、人口乘积、是否接壤、是否有FTA、汇率、关税税率。运输成本敏感度：以商品的体积/价值比（立方米/美元）度量。数据来源：UN Comtrade、海关总署、世界银行WITS关税数据库、中国铁路总公司。样本：中国-东盟10国 × HS6位码商品 × 2015-2028年。

1. 替换对照组：分别以（a）中国-越南、（b）中国-柬埔寨、（c）中国-全部东盟（除老挝）为对照组重新估计DID，检验结论是否对对照组选择敏感。
2. 安慰剂检验：（a）将铁路开通时点虚假前移至2019年，估计虚假处理效应，预期不显著；（b）以中国-蒙古双边贸易（无铁路直连）为虚假处理组进行安慰剂检验。
3. 替换估计方法：比较PPML、OLS（对数线性化）和负二项回归的估计结果，确认β₁的符号和显著性在不同估计方法下一致。
4. 排除FTA干扰：RCEP于2022年生效（与铁路开通同期），在模型中纳入FTA虚拟变量和关税税率变量，分离铁路降低运输成本的独立效应与关税减让的贸易促进效应。
5. 子样本检验：按商品类别（初级产品/中间品/最终品）分组估计，验证H2的异质性假说——高运输敏感度商品的贸易促进效应更强。
---
date: 2026-07-02
field: 国际贸易 — 贸易与关税
source: https://tv.cctv.com/2026/07/02/VIDEznzTcs6dMSyFQMPpH0co260702.shtml
topics_count: 5
---