我国不断完善以失能老人照护为重点的基本养老服务体系

根据心理账户理论（Thaler, 1985），个体对不同来源和用途的资金设置非完全可替代的心理标签。养老服务消费补贴的"只能用于养老服务"标签，使该笔补贴进入家庭的"照护专项心理账户"，其边际消费倾向可能不同于等额现金转移。同时，居家/社区养老50%抵扣与机构养老40%抵扣的差异化设计构成框架效应——家庭可能因为居家养老的"折扣更高"而偏好居家养老，即使从照护质量角度机构养老更适宜。

据此提出以下假说：
- H1：养老服务消费补贴的边际照护消费倾向低于等额现金转移——"标签效应"将部分补贴支出限制在了家庭原本不会购买的照护服务上。
- H2：居家养老50%抵扣框架（vs.机构40%）导致原本可能选择机构养老的边际家庭转而选择居家养老——即框架效应改变了照护方式选择，且转移概率在5%以上。
- H3：教育程度更高的家庭对差异化补贴框架的敏感度更低——认知能力减轻了框架效应的行为偏误。

本文使用两个互补的识别策略。第一，利用CHARLS数据中的失能等级评估——失能等级评定基于ADL评分连续变量，达到"中度失能"标准是获得补贴资格的门槛，这为断点回归提供了天然设计。在断点附近，家庭在可观测和不可观测维度上近似随机，补贴资格的局部处理效应可被因果识别。第二，利用CFPS面板数据的面板固定效应消除家庭层面的遗漏变量（如照护文化偏好、孝道观念等），识别补贴政策实施前后同一家庭照护方式选择的组内变化。

基准断点回归模型设定为：

Y_i = α + τ · Above_i + f(Score_i) + δ · Above_i × f(Score_i) + γ X_i + ε_i

其中 Y_i 为家庭照护方式选择（机构=1, 居家=0），Above_i = 1(失能评分 ≥ c) 为是否获得补贴资格的二值变量，f(Score_i) 为评分断点两侧的局部多项式（一阶线性或二阶二次），τ 为补贴资格对机构养老选择的局部平均处理效应（LATE）。带宽由 Calonico-Cattaneo-Titiunik (CCT) 最优带宽选择，辅助使用三角核加权。

• 被解释变量：照护方式——机构养老、居家社区养老、家庭非正式照料（三分类离散变量），基于CHARLS和CFPS的家庭照护安排问卷
• 核心解释变量：补贴资格（ADL评分是否超过中度失能阈值）、补贴抵扣框架（居家50% vs 机构40%的相对价格比）
• 控制变量：老人年龄、性别、婚姻状态、子女数量及居住距离、家庭人均收入、住房面积、所在社区养老服务供给密度
• 数据来源：CHARLS 2018/2020/2023/2025四轮调查、CFPS 2018/2020/2022/2024四轮追踪；各地民政局公开的养老服务消费补贴核销月度统计
• 样本区间：2020—2025年，覆盖28个省份，有效样本约12,000个失能老人家庭

• 替换断点带宽：使用CCT最优带宽、CCT两倍带宽、IK带宽三种方案进行RD估计，检验结果对带宽选择的敏感性。
• 替换行为偏误测度：以家庭的计划使用与实际使用偏差（补贴申领后未实际核销比例）替代照护方式选择作为心理账户效应的替代因变量，检验行为偏误的不同表现形式。
• McCrary密度检验：检验失能评分在断点附近的密度是否连续，排除家庭为获取补贴而操纵评分的可能性。
• 安慰剂断点：将断点前移/后移10%和20%，检验效应是否确实聚焦在实际断点处。

---

根据凯恩斯理论，政府转移支付通过增加居民可支配收入刺激消费，进而通过乘数效应放大对总产出的影响。但与一般性转移支付不同，养老服务消费补贴具有"定向性"——必须用于养老服务消费。这一设计在理论上会改变乘数效应的传导路径：一方面，定向补贴减少了"漏出"（储蓄和进口消费），可能使第一轮消费倾向更高；另一方面，养老服务消费具有较高的劳动密集度和本地化特征，其上游产业链较短，乘数效应可能小于基建投资。

据此提出以下假说：
- H1：养老服务消费补贴的短期边际消费倾向显著高于等额居民现金转移——定向约束减少了跨期替代和跨品类替代。
- H2：养老服务消费补贴的产业链乘数效应约在1.2—1.8之间——即1元补贴带动1.2—1.8元的总产出，主要拉动护理服务、医疗器械、家政服务和社区零售四个上游行业。
- H3：在老龄化程度高于15%的省份，养老服务消费补贴的乘数效应更强——需求侧的基础更大导致供给响应更充分。

本文采用合成控制法（SCM）解决补贴效应识别的核心内生性问题——补贴并非随机分配，中央政府可能优先在老龄化程度高的省份推开。SCM通过加权组合未实施补贴的省份，构造一个与处理省在补贴前特征高度相似的"合成控制组"，以合成组的消费路径作为处理组不实施补贴的反事实。关键识别假定：处理组和合成组在补贴前具有平行趋势；不存在同期其他政策冲击（如社保调整、医保改革）在各省间的差异化影响。

合成控制法的核心是求解最优权重向量 W = (w_2, ..., w_{J+1})′，使得处理组在补贴前（t < T_0）的各预测变量与合成组尽可能一致：

Ŵ = argmin_W ∥ X_1 - X_0 W ∥_V = argmin_W √((X_1 - X_0 W)′ V (X_1 - X_0 W))

其中 X_1 为处理省（K×1）的预测变量向量（补贴前养老服务消费增速、老龄化率、人均GDP、第三产业占比），X_0 为控制省（K×J）的预测变量矩阵，V 为对角权重矩阵（由数据驱动确定各预测变量的相对重要性）。处理效应 ATT_t = Y_{1t} - Σ_{j=2}^{J+1} w_j^* Y_{jt}，对于 t ≥ T_0。

• 被解释变量：省级月度养老服务消费总额（机构养老+居家社区养老服务+康复辅具消费），基于银联刷卡地区汇总数据和各省养老服务企业营收加总
• 处理变量：养老服务消费补贴政策实施状态（二值变量，首次纳入补贴政策的月份记为处理时点）
• 预测变量（用于构造合成控制权重）：补贴前养老服务消费增长率、65岁以上人口占比、人均可支配收入、第三产业占GDP比重、每千名老人养老床位数
• 数据来源：民政部养老服务消费补贴月度核销数据、各省统计年鉴、国家统计局月度服务业统计、银联养老消费刷卡汇总数据
• 样本区间：2023年1月—2026年5月，月度频率，覆盖31个省份

• 置换检验（Placebo Test）：将SCM应用于所有未实施补贴的控制省份，比较处理组的ATT是否显著位于控制省份ATT分布的尾部（p值<0.05），排除偶然因素。
• 排除重点省份：依次剔除老龄化率最高的3个省份和GDP最高/最低的3个省份后重新估计，排除极端案例驱动结论的可能性。
• DID交叉验证：以双向固定效应DID替代SCM重新估计处理效应，检验结果是否对模型设定稳健。
• 投入产出乘数敏感性：分别使用2018年、2020年和2022年三张投入产出表计算产业波及乘数，检验经济结构变化对产业链传导估计的影响。

---

根据Becker (1965)的家庭时间分配模型，个体在劳动市场工作、家庭照料和闲暇之间配置有限的时间。在没有正式照护替代选项时，家庭中有失能老人意味着至少一个成年成员需减少劳动供给以承担照料责任——即"照料惩罚"（Caregiver Penalty）。长护险通过提供正式照护服务的费用保障，降低了家庭照料的时间成本，理论上应"释放"照料者的劳动供给。

据此提出以下假说：
- H1：长护险实施后，失能老人家庭中主要照料者的劳动参与概率提升5—10个百分点，每周劳动时间增加5—10小时——长护险显著释放了家庭照料者的劳动供给。
- H2：上述释放效应在女性照料者中显著大于男性照料者——长护险有助于缓解性别间的"照料惩罚"不对称。
- H3：释放效应在低收入家庭中更强——低收入家庭对照料成本的敏感度更高，长护险的替代效应更大。

本文使用 Callaway & Sant'Anna (2021) 渐进DID估计量解决三个识别挑战。第一，各城市纳入长护险试点的时间不同，形成交错的准自然实验。第二，传统双向固定效应DID在处理时点交错时面临"负权重"问题（Goodman-Bacon, 2021），而CS-DID通过组别-时间特定ATT的加权平均克服了这一问题。第三，照料者的劳动参与决策存在自选择偏误——劳动能力更强的个体既更可能进入劳动市场又不太可能成为主要照料者。本文使用Heckman两步法校正这一自选择：第一步以家庭中其他成年劳动力数量、老人失能程度和是否与老人同住作为选择方程的解释变量（排他性约束），第二步在劳动参与/工资方程中代入逆Mills比率。

渐进DID的基准组别-时间处理效应为：

ATT(g, t) = E[Y_t(g) - Y_t(∞) | G_g = 1]，对于 t ≥ g

其中 g 为某城市纳入长护险试点的时间（treatment cohort），G_g = 1 表示该城市在时点 g 首次纳入长护险。本文关注的聚合处理效应为：

θ = Σ_g w_g · ATT(g, t) / Σ_g w_g

其中权重 w_g = P(G = g | 处理组) 由各队列的样本量决定。Heckman选择校正的劳动参与方程：Pr(LFP_{it}=1) = Φ(α Z_{it})，工资方程：lnWage_{it} = β LTCI_{it} + γ X_{it} + ρ λ_{it} + μ_i + ε_{it}。

• 被解释变量：劳动参与（二值变量，过去12个月有任何就业=1）、周劳动时间（小时）、对数小时工资（年劳动收入/年劳动小时数）
• 核心解释变量：LTCI_{it}——个体 i 在 t 年所在城市是否已实施长护险（二值变量）
• 控制变量：年龄及平方项、教育年限、婚姻状态、家庭中6岁以下儿童数量、家庭非劳动收入对数、自评健康
• 照料者识别：CFPS中"过去一年是否因照料家中老人而放弃或减少工作"的自我报告，结合家庭代际同住信息构建
• 数据来源：CFPS 2016、2018、2020、2022、2024五轮面板数据；各地长护险试点政策数据库（手工编码49个试点城市+2026年全国推开城市）
• 样本：25—64岁劳动力年龄人口，家庭中有60岁以上老人的子样本，约40,000个个体-年份观测值

• 替换DID估计量：分别使用 Sun & Abraham (2021) 和 dCDH (de Chaisemartin & D'Haultfoeuille, 2020) 估计量替换CS-DID，检验结果对交错处理时点的不同处理方式是否稳健。
• 事件研究法：以各城市长护险实施时点为事件零点，绘制事件研究图，检验事前5年的平行趋势和事后5年的动态处理效应。
• 替换照料者定义：以"与失能老人同住"替代"自我报告为主要照料者"作为照料者识别的替代定义，检验照料者样本定义对结果的影响。
• 三重差分（DDD）：引入"家庭无失能老人"的对照组进行DDD估计——DDD = (处理城市 × 后时点 × 有失能老人) 的三重交互项，排除长护险实施对非照料家庭的劳动供给也产生影响的替代解释。

---

根据North的制度变迁理论，现有制度结构会通过规模经济、学习效应和协调效应产生"锁入"——早期选择的制度形态因为沉没成本和利益集团固化而难以改变。在长护险的案例中，2016年首批15个试点城市（如青岛、上海、成都等）的制度设计——例如青岛的"医保划拨为主"模式、成都的"个人缴费+财政补贴"模式——可能对后来者形成示范和约束。同时，根据政策扩散理论，地方政府的采纳决策受内部因素（老龄化压力、财政能力、医保基金结余）和外部因素（邻近城市的采纳状态、上级政府的政策信号）的双重驱动。

据此提出以下假说：
- H1：一个城市纳入长护险试点的概率随其与最近已试点城市的地理距离减小而增加——区域邻近性是制度扩散的核心机制（邻近效应）。
- H2：后期纳入试点的城市在筹资模式和待遇水平上与早期同省试点城市高度相似（余弦相似度>0.8），反映了省内制度趋同和路径依赖。
- H3：医保基金累计结余充裕（可支付月数>15个月）的城市更倾向于采用"医保划拨"筹资模式——医保基金的"资金可获得性"决定了制度设计的选择空间。

本文采用事件史分析（EHA）识别制度采纳的驱动因素。核心识别逻辑为：在离散时间框架下，一个城市在时间 t 采纳长护险的概率（风险率）取决于其时变协变量。Cox比例风险模型为半参数估计——不假定基准风险函数 h_0(t) 的形式，允许采纳的概率随时间灵活变化，同时估计各协变量对采纳风险的比例效应。

此外，本文以"官员交流网络"作为邻近扩散机制的工具变量——若一个城市的医保局/民政局主官曾任职于已试点城市，则其采纳概率更高（信息传递和学习渠道），而这与城市自身的结构性特征（老龄化、财政能力）不直接相关。以官员交流变量作为"邻近已试点城市的数量"的工具变量，缓解邻近效应中的遗漏变量问题。

Cox比例风险模型的基准形式为：

h_i(t | X_i(t)) = h_0(t) · exp(β_1 · NeighborAdopt_i(t) + β_2 · Aging_i(t) + β_3 · Fiscal_i(t) + β_4 · FundBalance_i(t) + γ Z_i(t))

其中 h_i(t) 为城市 i 在时间 t 仍未采纳长护险的条件下在 t 时期采纳的条件概率（风险率），h_0(t) 为未指定的基准风险函数。NeighborAdopt_i(t) 为城市 i 所在省内或300km范围内已试点城市数量的时变变量，exp(β_1) 为风险比——邻近已试点城市数量每增加1个，采纳风险的变化倍数。

• 被解释变量：采纳事件——城市首次纳入长护险试点的年份（事件=1，在此之前为0，采纳后退出风险集）
• 核心解释变量：（1）邻近采纳变量——上一年末该城市300km范围内和省内的已试点城市数量；（2）制度距离变量——该城市与已试点城市之间的筹资模式和待遇水平相似度（余弦相似度）
• 时变控制变量：城市65岁以上人口占比、一般公共预算收入、城镇职工医保基金累计结余可支付月数、人均GDP对数、市委书记/市长特征（年龄、任期、是否有上级任职经历）
• 数据来源：49个试点城市的全部长护险政策文件（政府网站手工编码，包含筹资比例、待遇标准、服务目录、经办方式4个维度共28个指标）；《中国城市统计年鉴》；各地医保基金运行报告；官员履历数据库
• 样本区间：2016—2026年，地级及以上城市（省会+计划单列市+地级市），年频率

• 替换扩散网络定义：分别以"省内已试点城市数量"和"300km范围内已试点城市数量"作为邻近扩散的替代测度，检验空间尺度对扩散机制估计的影响。
• 竞争风险模型：将"纳入省级试点"和"纳入国家级试点"作为两种相互竞争的采纳事件，使用Fine-Gray竞争风险模型替代Cox模型，检验采纳路径的分化。
• 排除直辖市和计划单列市：剔除政治级别和财政自主权显著不同的15个城市后重新估计，检验行政级别对制度采纳的干扰。
• fsQCA稳健性分析：以模糊集定性比较分析替代事件史分析，检验各条件因素的不同组合（而非单一因素的边际效应）是否共同导致制度采纳——补充"净效应"观之外的条件组态视角。

---

在发展中经济体跨域中等收入陷阱的过程中，内需扩大和消费驱动增长是关键。中国居民高储蓄率的一个重要根源是"养老焦虑"导致的预防性储蓄——家庭预期未来面临巨大的养老和照护支出不确定性，因此选择减少当前消费以积累预防性储蓄。社会化照护体系的建立——包括长期护理保险和养老服务消费补贴——通过降低家庭面临的"照护支出不确定性"，理论上应降低预防性储蓄动机，释放消费潜力。

据此提出以下假说：
- H1：长护险实施后，有失能老人的家庭的储蓄率下降2—4个百分点——社会化照护体系的建立显著降低了家庭的预防性储蓄动机。
- H2：上述储蓄率下降效应通过"预期照护支出不确定性降低"渠道传导——中介变量（预期未来5年照护支出的主观不确定性评分）在DID估计中介导了50%以上的总效应。
- H3：养老服务社会化对高收入家庭储蓄率的降低效应更强——高收入家庭更容易将"养老焦虑"从实际照护需求转化为预防性储蓄，社会化照护"解放"了这部分过度储蓄。

本文面临双重识别挑战。第一，长护险的实施本身可能受地方经济发展水平的影响——经济发达、储蓄率本来就在下降的城市更可能推动长护险，导致高估其储蓄降低效应。第二，家庭储蓄行为受大量不可观测因素（风险偏好、家庭文化、永久性收入预期）的影响。为解决第一个问题，本文使用城市层面"官员是否曾在早期长护险试点城市任职"作为长护险实施时点的工具变量——这一变量通过政策扩散的信息渠道影响长护险采纳，但不直接影响家庭储蓄行为。为解决第二个问题，本文利用CHFS的家庭面板数据进行个体固定效应估计，消除家庭不变特征（如长期风险偏好）的遗漏变量偏误。

基准DID-IV两阶段模型设定为：

第一阶段（城市层面）：LTCI_{ct} = π_0 + π_1 · OfficialExposure_{ct} + π_2 W_{ct} + ν_c + τ_t + η_{ct}

第二阶段（家庭层面）：SaveRate_{ict} = β_0 + β_1 · LTCÎ_{ct} + β_2 X_{ict} + μ_i + λ_t + ε_{ict}

中介效应检验：Uncertainty_{ict} = α_0 + α_1 · LTCÎ_{ct} + α_2 X_{ict} + μ_i + λ_t + u_{ict}（α_1 < 0，验证"不确定性下降"渠道）；SaveRate_{ict} = γ_0 + γ_1 · LTCÎ_{ct} + γ_2 · Uncertainty_{ict} + γ_3 X_{ict} + μ_i + λ_t + v_{ict}（γ_2 > 0, γ_1 < α_1，验证部分中介）。

• 被解释变量：家庭储蓄率——（家庭可支配收入-消费支出）/可支配收入，基于CHFS和CFPS的家庭收支模块
• 核心解释变量：LTCI_{ct}——城市c在t年是否已实施长护险（二值变量），IV为官员曾任职已试点城市的年限
• 中介变量：预期照护支出不确定性——CHFS/CFPS中"您预期未来5年家庭养老和医疗支出的不确定性程度"（1-5级Likert量表）
• 控制变量：家庭规模、老年人占比、户主年龄及平方项、教育年限对数、家庭总资产对数、是否有住房贷款、所在城市平均房价对数
• 数据来源：CHFS 2015、2017、2019、2021、2023、2025六轮调查（约40,000户/轮）；CFPS 2016—2024五轮（约15,000户/轮）；各地长护险试点政策数据库；58同城家政保姆月度价格城市面板
• 样本：家庭中有60岁以上成员的家庭子样本，约20,000个家庭，100,000个家庭-年份观测值

1. 替换储蓄率定义：分别以"储蓄率 = (收入-消费-房贷)/收入"（扣除房贷后的可支配储蓄率）和"金融资产净增量/收入"（流量储蓄率）替代基准储蓄率指标，检验储蓄行为的不同度量方式对结论的影响。
2. 替换工具变量：分别以"同省其他城市的平均长护险采纳率"和"城市距离最近已试点城市的距离（对数公里）"作为替代IV，检验工具变量选择对2SLS估计的敏感性。
3. 排除沿海省份：剔除上海、江苏、浙江、广东四省市的样本后重新估计，检验结论是否由沿海发达地区的储蓄率自然下降趋势驱动。
4. Sobel-Goodman中介检验：以Sobel-Goodman检验的Z统计量替代Baron-Kenny逐步回归法检验中介效应，提供中介效应占比的正式统计推断。
---
date: 2026-06-12
field: 国际贸易 — 贸易与关税
source: https://tv.cctv.com/2026/06/12/VIDE81blwzh2shM33oAvtAwM260612.shtml
topics_count: 5
---