今年上半年铁路货运量稳步增长 服务全国统一大市场

根据凯恩斯乘数理论（Keynes, 1936），基础设施投资通过直接需求拉动和间接产业链关联两个渠道产生乘数效应。铁路货运基础设施投资不仅直接创造建筑业就业和产出，更通过降低物流成本、扩大市场辐射范围等渠道，间接促进制造业和服务业的产出扩张。Nakamura & Steinsson（2014）指出，在开放程度较低的区域经济体中，乘数效应更大，因为需求外溢较少。中国各省经济开放度和产业结构差异显著，铁路货运投资的乘数效应应呈现空间异质性。此外，在经济下行期，由于闲置产能较多、利率接近下界，财政乘数理论上更大。

据此提出以下假说：
- H1：铁路货运基础设施投资的区域GDP乘数大于1，且在内陆省份的乘数效应显著大于沿海省份。
- H2：经济下行期（GDP增速低于潜在增速时）铁路货运投资的乘数效应大于经济上行期，存在周期性非对称特征。
- H3：铁路货运投资对物流业和制造业的产出拉动效应强于对服务业的拉动效应，乘数效应的产业传导具有梯度特征。

铁路货运投资与区域经济增长存在显著的反向因果：经济发达地区可能吸引更多铁路投资。本文采用Bartik工具变量策略，以全国铁路货运投资年度增速与各省2000年基期铁路密度的交互项作为各省铁路货运投资的工具变量。其识别逻辑在于：全国铁路投资增速受中央宏观决策驱动，对单个省份而言是外生的；而2000年基期铁路密度反映的是历史禀赋，不受当期经济冲击影响。关键识别假定：（1）排他性约束——Bartik工具变量仅通过影响各省铁路货运投资来影响GDP增长，不存在其他直接传导渠道；（2）基期铁路密度与当期不可观测的经济冲击不相关。此外，采用局部投影法（Jordà, 2005）估计投资的动态乘数路径，避免VAR模型对变量排序的敏感依赖。

基准回归模型设定为：

Y_it = α + β · RI_it + γ · X_it + μ_i + λ_t + ε_it

其中 Y_it 为省份 i 在年份 t 的实际GDP增长率或就业增长率；RI_it 为铁路货运基础设施投资占GDP比重；X_it 为控制变量向量，包括公路投资占比、城镇化率、人力资本存量（人均受教育年限）、对外开放度（进出口/GDP）、政府支出占比；μ_i 为省份固定效应，λ_t 为年份固定效应。核心参数 β 衡量铁路货运投资强度对经济增长的总效应。

为识别因果效应，工具变量第一阶段回归为：

RI_it = π₀ + π₁ · (全国铁路投资增速_t × 基期铁路密度_i) + δ · X_it + μ_i + λ_t + ν_it

动态乘数通过局部投影法估计：Y_{i,t+h} − Y_{i,t-1} = α_h + β_h · RI_it + γ_h · X_it + μ_i + λ_t + ε_{i,t+h}，其中 h = 0, 1, 2, ..., 5 年。

被解释变量：各省实际GDP同比增速（国家统计局，经GDP平减指数调整为不变价）；各省城镇新增就业人数对数（国家统计局）。核心解释变量：各省铁路货运基础设施投资额占GDP比重（国铁集团年报 + 各省统计年鉴），以铁路固定资产投资中的货运设施投资为基准。控制变量：公路投资占GDP比重（交通运输部）、城镇化率（城镇人口/总人口，国家统计局）、人力资本（各省人均受教育年限，人口普查与1%抽样调查）、对外开放度（进出口总额/GDP，海关总署）、政府支出占比（各省财政决算）。Bartik IV构造：全国铁路货运投资年度增速（国铁集团）× 各省2000年铁路营业里程密度（铁路里程/省域面积，历史统计年鉴）。样本区间：2005—2025年，31个省级行政区（不含港澳台），年度频率，共651个观测值。

• **替换核心解释变量**：以铁路货运里程增量替代铁路货运投资额作为核心解释变量重新估计基准方程，检验结论是否对投资测度方式敏感。预期核心结论不变，但系数值有所调整。
• **安慰剂检验**：将铁路货运投资时点随机前移1-3年构造虚假投资冲击，若虚假冲击的乘数估计值不显著异于零，则表明基准结果不受反向因果驱动。重复500次取估计系数分布，确认真实估计位于分布尾端。
• **排除同期政策干扰**：在回归中同时加入同期高铁开通、高速公路通车等虚拟变量，排除其他交通基础设施投资对乘数估计的混淆效应。若铁路货运投资的乘数效应在控制这些变量后依然显著，则结论稳健。
• **子样本分析**：剔除直辖市和计划单列市（这些地区经济体量大、铁路投资结构特殊），仅以普通省份为样本重新估计，检验结论是否受特殊行政区域驱动。

新经济地理学（Krugman, 1991）表明，运输成本的下降改变了经济活动的空间分布格局——当运输成本降至临界水平以下时，制造业倾向于在市场潜力大的地区集聚。多式联运通过整合铁路干线运输与水运、公路末端配送，大幅降低全程物流成本，使沿线城市获得更强的市场可达性。根据Venables（1996）的上下游产业关联模型，物流效率提升不仅降低现有企业的投入成本，更吸引新的中间品供应商进入，形成产业链上下游协同集聚。Herrendorf等（2014）的结构转型理论指出，运输效率改善加速了劳动力从农业向制造业再向服务业的结构转移。

据此提出以下假说：
- H1：多式联运线路开通显著提高了沿线城市第三产业增加值占GDP比重（预期效应为2-4个百分点），促进产业结构向服务业化转型。
- H2：多式联运对产业结构升级的促进作用通过两条渠道传导——降低物流成本（中介效应占比约40%）和提升供应链效率（中介效应占比约30%），合计解释总效应的70%左右。
- H3：多式联运的产业结构升级效应在中小城市和内陆城市中更为显著，因为这些城市此前面临更高的物流壁垒，边际改善空间更大。

多式联运线路的开通时间在全国范围内存在渐进式差异——不同城市接入多式联运网络的时间点不同，这为多期DID（staggered DID）提供了理想的准自然实验条件。本文将首次接入铁水联运或铁公联运"一网通办"的地级市作为处理组，尚未接入的城市作为对照组。关键识别假定：（1）平行趋势假定——在接入多式联运之前，处理组和对照组城市的产业结构演变趋势不存在系统性差异（通过事件研究法检验）；（2）无预期效应——城市在正式接入前不存在提前调整产业结构的行为。采用Callaway & Sant'Anna（2021）的稳健估计量，解决传统双向固定效应多期DID在处理效应异质性下的偏误问题。

多期DID基准模型设定为：

IS_it = α + β · D_it + γ · X_it + μ_i + λ_t + ε_it

其中 IS_it 为城市 i 在年份 t 的产业结构升级指数（第三产业增加值/GDP 或产业结构高级化指数）；D_it 为处理变量，城市 i 在 t 年已接入多式联运网络取1，否则取0；X_it 为控制变量向量，包括人均GDP对数、固定资产投资/GDP、外商直接投资/GDP、政府科技支出占比、互联网普及率；μ_i 为城市固定效应，λ_t 为年份固定效应。核心参数 β 衡量多式联运对产业结构升级的平均处理效应（ATT）。

中介效应模型采用逐步回归法（Baron & Kenny, 1986）：

M_it = a₀ + a₁ · D_it + a₂ · X_it + μ_i + λ_t + u_it

IS_it = c₀ + c₁ · D_it + c₂ · M_it + c₃ · X_it + μ_i + λ_t + v_it

其中 M_it 为中介变量，分别为物流成本指数（社会物流总费用/GDP）和供应链效率指数（制造业库存周转率）。

被解释变量：产业结构升级指数，以第三产业增加值占GDP比重衡量（国家统计局城市司），辅以产业结构高级化指数（干春晖等，2011方法测算）。核心解释变量：多式联运接入虚拟变量（D_it），根据国铁集团公布的中国多式联运发展联盟成员城市和"一网通办"覆盖范围逐年编码。控制变量：人均GDP对数（国家统计局）、固定资产投资占GDP比重（各省统计年鉴）、FDI占GDP比重（商务部）、政府科技支出占财政支出比重（地方财政决算）、互联网普及率（CNNIC）。中介变量：物流成本以社会物流总费用/GDP衡量（中国物流与采购联合会）、供应链效率以规模以上工业企业产成品库存周转天数衡量（国家统计局）。样本区间：2010—2025年，287个地级及以上城市，年度频率，共约4,592个观测值。

• **事件研究法检验平行趋势**：以多式联运接入当年为基准期（t=0），估计接入前1-5年各年份虚拟变量的系数，若接入前系数不显著异于零，则平行趋势假定成立，排除处理组和对照组事前趋势分化的可能。
• **安慰剂检验**：随机指定城市虚假接入年份（500次模拟），构造虚假DID估计量的分布。若真实ATT估计值位于虚假分布的极端尾部（p<0.05），则表明基准结果非随机噪声所致。
• **排除高铁干扰**：在回归中控制城市是否开通高铁的虚拟变量及高铁开通年限，排除高铁对产业结构升级的同期影响。铁路多式联运主要影响货运而非客运，因此分离高铁效应后可更准确地识别货运物流的结构升级效应。
• **替换被解释变量**：以制造业增加值占比、生产性服务业就业占比等替代指标重新估计，检验产业结构升级结论是否对指标选取敏感。

交易成本经济学（Williamson, 1985）认为，当交易涉及资产专用性高、交易频率高且不确定性大的场景时，制度设计对降低交易成本至关重要。中国多式联运此前面临的核心制度障碍在于：铁路、公路、水运三种运输方式分属不同管理体系，存在"分段计价、分段保险、分段监管"的制度分割，每次跨方式转运都产生额外的搜寻成本（寻找对接方）、谈判成本（重新议价签约）和执行成本（货损争议处理）。"一网通办"制度通过统一电子单据、互认检验结果和一体化结算平台，实质性地降低了上述三类交易成本。Aoki（2001）的制度互补性理论指出，当互补性制度同时改革时，改革效果具有超可加性——"一网通办"同时整合了信息制度、合同制度和监管制度，其综合效应大于各单项改革之和。

据此提出以下假说：
- H1：实施"一网通办"的城市/线路，多式联运物流成本（每吨公里费用）下降10-15%，其中交易成本节约贡献约占总降幅的40%以上。
- H2："一网通办"对物流成本的降低效应在资产专用性较高的线路（如铁水联运涉及专用码头设施的线路）上更为显著，因为高资产专用性线路此前的交易成本更高，改革空间更大。
- H3：制度改革的收益分配并非均等——物流企业利润率上升幅度大于制造业客户的采购成本降幅，因为物流企业在议价中占据信息优势地位。

"一网通办"制度改革的推进采取了渐进式策略：2020年首先在6个港口城市试点铁水联运"一网通办"，2022年扩展至铁公联运并覆盖更多城市，2024-2025年进一步扩大至全国主要物流枢纽。这种渐进式推广为多期DID提供了理想的准自然实验条件。本文利用不同城市/港口接入"一网通办"系统的时间差异来识别制度改革的因果效应。关键识别假定：（1）不同城市接入时序的外生性——接入时间主要由基础设施条件和行政审批进度决定，而非由当地物流成本水平驱动（通过检验接入时间与基期物流成本的相关性来验证）；（2）不存在显著的溢出效应——一个城市接入"一网通办"不会显著影响相邻未接入城市的物流成本（通过空间自相关检验验证）。采用Callaway & Sant'Anna（2021）估计量处理异质性处理效应问题。

基准回归模型设定为：

LC_jt = α + β · Policy_jt + γ · Z_jt + μ_j + λ_t + ε_jt

其中 LC_jt 为城市/港口 j 在年份 t 的多式联运物流成本指标（每吨公里综合费用对数或社会物流总费用/GDP）；Policy_jt 为制度变量，城市 j 在 t 年已实施"一网通办"取1，否则取0；Z_jt 为控制变量向量，包括港口吞吐量对数、铁路货运量对数、公路密度、人均GDP对数、信息化水平指数；μ_j 为城市/港口固定效应，λ_t 为年份固定效应。核心参数 β 衡量"一网通办"制度改革对物流成本的处理效应。

交易成本分解模型：将总物流成本分解为运输成本（与距离、重量相关的纯技术成本）和交易成本（与制度摩擦相关的协调、议价和合同执行成本），利用结构方程模型估计"一网通办"对两类成本的差异化影响。

被解释变量：多式联运物流成本，以三个维度衡量——（1）每吨公里综合运价（国铁集团运价数据 + 公路运价指数加权计算）；（2）社会物流总费用占GDP比重（中国物流与采购联合会）；（3）物流行业上市公司营业成本率（营业成本/营业收入，CSMAR）。核心解释变量："一网通办"政策虚拟变量，根据国铁集团和交通运输部公布的各批次覆盖城市/港口名单逐年编码。控制变量：港口货物吞吐量对数（交通运输部）、铁路货运量对数（国铁集团）、公路密度（公路里程/省域面积，交通运输部）、人均GDP对数（国家统计局）、信息化水平（互联网宽带接入端口数/万人，工信部）。交易成本代理变量：以物流行业上市公司的管理费用率（管理费用/营业收入）和应收账款周转天数作为交易成本的微观代理指标。样本区间：2015—2025年，50个主要港口城市和铁路货运枢纽城市，年度频率，共550个观测值。

• **Bacon分解检验**：对多期DID的TWFE估计量进行Goodman-Bacon（2021）分解，识别不同2×2对比组（先处理vs后处理、先处理vs永不处理、后处理vs永不处理）对总体估计的贡献权重，确保结论不主要由"先处理vs后处理"的有偏对比驱动。
• **排除同期其他物流改革干扰**：在回归中加入同期国家物流枢纽建设、货运价格市场化改革等政策虚拟变量，检验"一网通办"的独立效应是否依然显著。若控制其他改革后核心系数变化不超过20%，则结论稳健。
• **替换交易成本测度**：分别使用物流企业管理费用率、应收账款周转天数、合同诉讼案件数（司法大数据）作为交易成本的替代代理变量，检验制度改革对交易成本降低的结论是否在不同测度方式下一致成立。
• **异质性处理效应的分布检验**：利用Sun & Abraham（2021）的交互加权估计量（IW estimator），估计各队列（cohort）的处理效应，检验不同批次接入城市的处理效应是否存在显著差异，排除负权重问题。

劳动需求理论（Hamermesh, 1993）指出，企业的劳动需求是产品需求和要素价格的函数。中欧班列的开通降低了沿线城市的国际贸易物流成本，扩大了本地产品的市场辐射范围，从而增加产品需求——通过产出效应（output effect）扩大劳动需求。同时，根据Roback（1982）的空间均衡模型，物流条件改善提高了城市的实际工资吸引力，可能引发劳动力流入和人口再分布。然而，Autor等（2013）的贸易与就业研究表明，贸易冲击对不同技能劳动者的影响具有异质性——可贸易部门扩张增加高技能劳动力需求，而低技能劳动者可能面临进口竞争压力。中欧班列作为出口通道，其就业效应应存在技能偏向性。

据此提出以下假说：
- H1：中欧班列开通使沿线城市的城镇就业人数增长3-5%，其中物流业和出口导向型制造业的就业增长最为显著。
- H2：中欧班列对工资的影响具有技能偏向性——高技能劳动者（大专及以上）工资增长幅度显著高于低技能劳动者（高中及以下），工资差距扩大2-3个百分点。
- H3：中欧班列的就业创造效应存在"虹吸效应"——沿线城市的就业增长部分来自对非沿线相邻城市劳动力的吸引，表现为非沿线城市就业增速相对下降。

中欧班列自2011年首列（渝新欧）开通以来，各城市接入班列网络的时间存在显著的时序差异：2011年重庆首发，2012-2014年成都、郑州、武汉等城市相继开通，2016年后义乌、西安、长沙等城市陆续加入，2020年后覆盖范围进一步扩大。这种渐进式开通为多期DID提供了准自然实验条件。但需注意自选择问题：班列线路的开通城市并非随机选取，而是经济基础较好、外贸需求较大的城市优先获批。本文采用Heckman两步法进行校正：第一步以probit模型估计城市进入班列网络的概率（基于基期经济规模、外贸依存度、铁路基础设施等变量），计算逆米尔斯比率（IMR）；第二步将IMR纳入就业回归方程校正自选择偏误。关键识别假定：（1）控制可观测特征和IMR后，班列开通时间的变异可视为外生；（2）不存在严重的预期效应——企业在班列开通前不会提前调整雇佣规模。

Heckman选择模型的第一阶段（选择方程）：

P(S_i = 1) = Φ(δ₀ + δ₁ · EconSize_i0 + δ₂ · TradeOpen_i0 + δ₃ · RailInfra_i0 + δ₄ · Policy_i0)

其中 S_i 为城市 i 是否进入班列网络的虚拟变量，EconSize_i0、TradeOpen_i0、RailInfra_i0 分别为基期经济规模、外贸依存度和铁路基础设施水平，Policy_i0 为政策扶持虚拟变量。

第二阶段（结果方程，多期DID）：

Emp_it = α + β · Train_it + γ · X_it + θ · IMR_i + μ_i + λ_t + ε_it

其中 Emp_it 为城市 i 在年份 t 的就业指标（城镇就业人数对数、分行业就业人数对数、平均工资对数）；Train_it 为处理变量（城市 i 在 t 年已开通中欧班列取1，否则取0）；X_it 为控制变量向量；IMR_i 为第一阶段计算的逆米尔斯比率；μ_i 和 λ_t 分别为城市和年份固定效应。核心参数 β 衡量中欧班列开通对就业的因果效应。

就业结构方程：

ShareKit = α + β · Train_it + γ · X_it + θ · IMR_i + μ_i + λ_t + ε_it

其中 ShareKit 为高技能就业占比或服务业就业占比，用以检验就业结构重塑效应。

被解释变量：（1）城镇单位就业人数对数（国家统计局，衡量就业广延边际）；（2）城镇单位在岗职工平均工资对数（国家统计局，衡量集约边际）；（3）高技能就业占比（大专及以上学历就业者/总就业者，人口普查与1%抽样 + 城市统计年鉴估算）；（4）制造业就业占比和服务业就业占比（国家统计局行业就业结构数据）。核心解释变量：中欧班列开通虚拟变量，根据国铁集团公布的各城市班列线路开通时间逐年编码。控制变量：人均GDP对数、城镇化率、高等教育在校生数/万人口、FDI/GDP、政府教育支出占比、互联网普及率。工具变量/选择变量（Heckman第一阶段）：基期GDP总量（2010年）、进出口总额/GDP、铁路货运站数量、是否为国家物流枢纽城市。样本区间：2010—2025年，287个地级及以上城市，年度频率，微观层面辅以CFPS/CHFS数据（2010-2024年追踪样本）。

• **事件研究法检验平行趋势**：估计中欧班列开通前1-5年各期虚拟变量的系数，若开通前系数不显著异于零且不存在显著趋势，则平行趋势假定成立。同时检验开通后1-5年的动态效应路径，观察就业效应是即时显现还是逐步累积。
• **空间溢出效应检验**：在回归中加入相邻城市是否开通班列的空间滞后项（W · Train_it），检验班列开通对相邻非沿线城市是否存在"虹吸效应"（系数显著为负）或"溢出效应"（系数显著为正）。使用空间杜宾模型（SDM）进行系统检验。
• **替换就业测度**：以城镇新增就业人数（流量指标）替代城镇就业总人数（存量指标）、以夜间灯光数据代理就业活动强度（Henderson等，2012），检验就业效应结论是否对不同测度方式敏感。
• **排除替代解释**：在回归中控制同期"一带一路"政策虚拟变量、自贸区设立虚拟变量等，排除其他对外开放政策对就业的同期影响，确保识别的是中欧班列的独立就业效应。

搜寻与匹配理论（Diamond, 1971; Mortensen & Pissarides, 1994）表明，在分散市场中，买卖双方的搜寻摩擦导致价格离散和资源错配——同一商品在不同交易中的价格存在显著差异，部分卖方获取超额利润。传统铁路货运市场中，货主需通过多层中介（货运代理、物流公司）获取运力资源，信息不对称导致价格加成和匹配低效。95306平台作为数字化双边市场（Rochet & Tirole, 2003），通过汇聚供需信息、标准化交易流程和提供信用评价机制，实质性地降低了搜寻成本和信息不对称。根据Akerlof（1970）的"柠檬市场"理论，信息透明度提高将压缩低质量中介的生存空间，推动市场向高效均衡收敛。

据此提出以下假说：
- H1：95306平台使用后，铁路货运线路运价的价格离散度（变异系数）下降20-30%，市场趋向"一价定律"。
- H2：平台的供需匹配效率随入驻货车数量增加而提升（网络外部性），但当货车数量超过临界规模后，匹配效率的边际提升递减，呈现凹函数特征。
- H3：95306平台的"直连"模式对传统货运中介产生替代效应——平台推广后，沿线城市货运代理企业数量下降10-15%，但存活中介企业转向提供增值服务（如仓储、保险），平均利润率不降反升。

本文综合利用三种识别策略来克服内生性问题。第一，利用95306平台在各铁路局集团公司推广的时序差异（2020年首先在部分铁路局试点，2022-2024年逐步推广至全路），构造渐进DID来估计平台化对运价离散度的因果效应。第二，利用平台入驻货车数量的外生变动（如平台促销活动期间的集中注册潮）作为匹配效率方程的工具变量，识别网络外部性的因果效应。第三，构建结构化搜寻匹配模型，利用平台运营数据进行结构参数估计（货主搜寻成本、中介加价率、匹配弹性），通过模型校准量化平台引入前后的福利变化。关键识别假定：（1）平台推广时序的外生性——各铁路局接入平台的先后顺序主要由技术准备程度决定，而非由当地货运市场效率水平驱动；（2）促销注册潮不影响货运市场的供需基本面。

价格离散度回归模型：

Disp_lt = α + β · Platform_lt + γ · Z_lt + μ_l + λ_t + ε_lt

其中 Disp_lt 为线路 l 在年份 t 的运价离散度（运价的变异系数 = 标准差/均值，或四分位距/中位数）；Platform_lt 为平台渗透率变量（线路 l 在 t 年通过95306平台完成的货运订单占比）；Z_lt 为控制变量，包括线路距离、货物品类集中度、季节性波动、竞争线路数量；μ_l 为线路固定效应，λ_t 为年份固定效应。核心参数 β 衡量平台化对价格离散度的影响，预期显著为负。

匹配函数估计采用Cobb-Douglas形式：

M_lt = A · S_lt^α · D_lt^β · e^{γ · Platform_lt}

其中 M_lt 为线路 l 在 t 年的成功匹配量，S_lt 为货车供给量（95306平台入驻车辆数），D_lt 为货运需求量（订单发布量），Platform_lt 为平台渗透率。取对数后线性化估计。

结构模型：构建包含货主、货车司机和中介三方参与者的搜寻匹配模型。货主以速率 λ_D 发布需求，司机以速率 λ_S 搜寻订单，中介以加价率 m 提供匹配服务。平台引入后，货主和司机的搜寻成本分别从 c_D 降至 c_D'，从 c_S 降至 c_S'（c' < c）。通过估计模型参数并模拟平台引入前后的均衡状态，量化福利变化。

被解释变量：（1）运价离散度——各线路运价的变异系数（同一线路不同交易的运价标准差/均值，95306平台交易数据）；（2）匹配效率——从订单发布到成功匹配的平均时间（小时，95306平台日志数据）；（3）中介替代效应——各城市货运代理企业注册数量和注销数量（工商登记数据，国家企业信用信息公示系统）。核心解释变量：95306平台渗透率（平台订单量/线路总货运订单量，国铁集团），或平台入驻货车数量对数。控制变量：线路距离（公里）、货物品类虚拟变量（煤炭、矿石、粮食、集装箱等）、线路竞争程度（平行线路数量）、季节虚拟变量、燃油价格指数（国家发改委）。结构模型参数估计使用95306平台的订单级微观数据（脱敏后），包括每笔交易的起止时间、运价、货物品类、匹配方式（平台直连vs中介转派）。样本区间：2019—2025年，50条主要铁路货运线路，月度/年度频率。

• **替换价格离散度测度**：以四分位距/中位数替代变异系数作为被解释变量，以Theil指数衡量跨线路价格差异，检验平台对价格收敛的结论是否对不同离散度指标敏感。预期不同测度下核心结论一致。
• **控制货物品类异质性**：不同货物品类的运价形成机制不同（如煤炭运价受政府指导，集装箱运价市场化程度较高），分品类子样本回归检验平台效应是否在各类货物中一致存在。若市场化定价品类的平台效应更强，则进一步验证信息透明度改善的核心机制。
• **排除需求冲击干扰**：在匹配效率回归中加入货运需求量的高阶项和宏观经济景气指数，排除需求波动对匹配时间的混淆效应。以"双十一"期间平台促销带来的注册量激增作为工具变量重新估计匹配函数，检验网络外部性结论的因果性。
• **反事实模拟检验**：利用结构模型估计的参数，模拟"若无95306平台"的反事实均衡——估算传统中介市场下的搜寻成本、价格加成和匹配效率，与平台实际运营数据对比，量化平台的净福利效应。