【经典回顾】促就业政策评估：多种DID串起故事

01 引言

就业是民生之本、发展之基。过去几十年来，我国不断克服阶段性矛盾，努力实现充分就业。譬如，70年代末实行的“三结合”就业方针有效解决了知青返城待业问题，90年代末的税费减免和培训补贴等政策成功应对了国企职工的“下岗潮”。

当前，我国同样将促就业放在了突出位置，近来发布的《关于实施就业优先战略促进高质量充分就业的意见》部署了未来一段时间内的就业促进工作。实际上，如何促进就业增长、提升就业质量，也是世界各国政策实践中的核心议题。在此背景下，评估公共政策的就业促进成效，已成为当代经济学各相关领域的重要问题。

在这篇发表于JUE上的Insight短文中，经济学家Robert Calvert Jump和Adam Scavette

评估了英国一项地区性公共服务与就业促进政策，分析地方就业及居民收入受到的影响。

作者发现，

该政策促进了当地居民就业，但略微降低了居民平均收入。

本文的实证方法使用思路十分值得一提。作者们

将多种双重差分方法融入文章叙事逻辑之中

：先以标准DID估计受到政策处理的影响，再以广义DID探究每单位支出的影响，并用合成DID增强因果解释可信度，最后又使用空间DID分析政策的溢出效应。出于兴趣，我们会在推文对应部分介绍提出这一空间DID方法的文章（Delgado and Florax，2015）。

英格兰的地区振兴

02

本文评估的政策是

英格兰的“社区更新基金”

（Neighbourhood Renewal Fund，NRF）。NRF于2001年开始实施，共计投入约30亿英镑，旨在调动地方政府、公共机构和社会组织，共同参与振兴英格兰最贫困的88个地区。2008年之后，NRF被“就业社区基金”（Working Neighbourhood Fund）取代。

NRF目标地区的选定主要基于各地区的多重剥夺指数（Index of Multiple Deprivation，IMD）。这一指标依据各地区在收入、就业、健康、教育、住房和服务这六个领域的评分排名进行计算。最终识别出81个最贫困地区。此外，又按照1998年本地剥夺指数（Index of Local Deprivation）识别出其他7个最贫困地区。

NRF基金按各落后地区的居民数量进行分配。据英国社区与地方部于2006年的估算，

资金中约19%投入教育，19%用于社区安全，16%投入卫生事业，12%用于促进就业

，其余用于环境、成本削减、管理活动等。其中，用于促进就业的资金主要用于

增加劳动力供给

，例如为失业工人提供指导和培训。

为评估政策效果，本文主要使用由英国国家统计局提供的居民就业人数、自由职业者数量、周平均收入等数据。其中，就业人数和自由职业者数量数据来自1999/00至2003/4的“本地劳动力调查”（Local Area Labour Force Survey），以及2004/5至2007/8的“年度人口调查”（Annual Population Survey），而周平均收入数据来自“年度工作时长和工资调查”（Annual Survey of Hours and Earnings）。

03 政策效果：就业和收入

文章首先使用标准DID估计收到“社区更新基金”（NRF）对于该地居民就业人数、自由职业者数量、周平均收入的影响。结果发现，

这些地区就业人数上升2.47%

（在中位规模地区约为1900人），

自由职业者增加8.2%

（在中位规模地区约为800人），

但周平均收入下降 1.18%。

进一步，文章又将处理变量改为“人均收到的NRF金额”，并使用广义DID进行估计。结果表明，

人均NRF每增加1英镑，当地员工数增加0.14%，自由职业者增加0.25%，平均每周收入减少0.05%。

影响规模与标准DID得到的基本一致。

此外，处理组与对照组之间存在一定系统性差异，结果变量潜在趋势有可能并不平行。因此，作者进一步使用合成DID，将对照组的处理前结果在单位和时间两个维度上进行加权，使之与处理组结果变量在事前大致平行，以此加强结果因果解释的可信度。图2对比了

基准DID与合成DID的估计结果

，二者基本一致。

上述结果表明，“社区更新基金”能够促进当地就业，同时会鼓励居民以自由职业者身份进入劳动力市场。此外，居民平均收入略微下降。由于NRF中促进就业的资金主要是面向居民而非企业（例如为失业工人提供咨询与培训），

居民平均收入的下降或许能够体现政策对于劳动力供给端的影响。

此外，作者又研究了“社区更新基金”对于社会福利申领人和岗位数量的影响。结果发现，当地领取社会福利的居民人数降低了20%到40%。然而奇怪的是，虽然就业人数显著上升，但是当地工作岗位却未见增加。

“来自邻居”的溢出效应

04

政策促进了当地居民就业，当地工作岗位数量却未见明显增加，作者认为其中一个原因

可能是部分新增就业居民到接壤地区就业

，即政策效果存在空间溢出效应。此时便违反了DID的个体处理稳定性假定（Stable Unit Treatment Value Assumption，SUTVA），威胁到了系数的因果解释。

就此作者使用了Delgado 和Florax（2015）提出的包含空间交互的DID，估计“社区更新基金”对本地的直接影响，以及收到基金的接壤地区带来的溢出效应。

Delgado 和Florax（2015）提出的空间DID十分简洁直观，他们通过一个空间邻近度矩阵（spatial proximity matrix）W，在基准DID的基础上将空间相互作用（spatial interactions）纳入模型中，以识别每个地区受接壤地区政策溢出的程度。

加入空间相互作用的DID模型能够分离出直接（“来自自己”）和间接（“来自邻居”）这两s种处理效应

，模型具体如下：

图3展示了使用此空间DID对“社区更新基金”效果的估计结果，浅色估计值是分离出来的间接效应。结果表明，政策对就业相关变量存在统计上并不显著的正向间接效应。从置信区间的相对大小可以看出，这一系数的估计不够精确，因此

并不能排除溢出效应的存在。

此外，当地工作岗位数量没有增加，也不存在空间溢出效应，但前述结果却表明居民就业人数确实有所增加。针对这一现象，作者认为可能是兼有多份工作的人数减少了，或者更多居民在小企业中找到了工作，而提供工作岗位数据的“年度商业统计”（Annual Business Inquiry）并未统计这部分岗位。但是文章并未就此给出进一步的证据。

05 讨论

本文运用多种DID方法逐步评估政策促就业成效，首先用标准DID表明投入资金确实促进了当地就业，再用合成DID确保结果稳健，接着用广义DID细致评估每英镑投入的效果，最后使用空间DID ，发现政策可能促进邻地居民就业，但可能由于统计功效不足，溢出效应并不显著。文章最后留下了居民就业增加但岗位数不见增长的故事缺口，算是本文的美中不足。

值得一提的是，

政策潜在的溢出效应是因果推断中的一个重要挑战。

由于政策目标的空间关系，其交互作用可能影响因果效应的识别与估计。而空间因果推断通过放宽个体处理稳定性假定（SUTVA）等方式可实现更准确的估计，感兴趣的读者可阅读Akbari等（2023）对空间因果推断的系统梳理。

此外，虽然本文的实证证据表明“地区导向性政策”（place-based policies）能够显著增加本地劳动力供给，促进就业增长，但正如作者所说，

本文政策的目标地区处于都市圈或周边区域，而在相对偏远的地区，工人接受就业指导和培训后，可能仍然无法找到工作。

因此，此类地区需要侧重于稳岗扩岗以吸纳就业，同时将完善就业支持体系作为配套手段。