断点回归设计在最低工资政策效应研究中的应用.docxVIP

断点回归设计在最低工资政策效应研究中的应用

一、引言

最低工资政策作为劳动力市场最直接的干预手段之一，其核心目标是通过设定工资下限保障劳动者权益、缩小收入差距，同时可能对企业用工成本、就业规模甚至区域经济活力产生复杂影响。如何科学评估政策效应，是政策制定者优化标准、调整覆盖范围的关键依据。传统研究方法如普通最小二乘法（OLS）易受内生性干扰，双重差分法（DID）依赖严格的“平行趋势”假设，而断点回归设计（RegressionDiscontinuityDesign,RDD）凭借其“准实验”特性，通过捕捉政策实施的“断点”特征，能够更精准地识别最低工资政策与经济变量间的因果关系，逐渐成为该领域研究的重要工具。本文将系统探讨断点回归设计在最低工资政策效应研究中的应用逻辑、实施路径与实践价值。

二、断点回归设计的核心逻辑与政策评估适用性

（一）断点回归设计的基本原理

断点回归设计的核心思想是利用某个“临界值”（即断点）将研究对象划分为处理组与控制组：当某个连续变量（称为驱动变量或分配变量）超过断点时，个体被纳入政策覆盖范围（处理组）；未超过时则不被覆盖（控制组）。由于驱动变量在断点附近的分布是随机的（或近似随机），处理组与控制组在断点附近的差异可归因于政策干预，从而避免了传统方法中因选择偏差导致的估计偏误。例如，若某地区规定企业员工人数超过100人需执行新的最低工资标准，则“员工人数100人”即为断点，员工人数99人与101人的企业在断点附近的特征高度相似，其后续经济指标的差异可视为政策效应。

（二）相较于传统方法的优势

与其他政策评估方法相比，断点回归设计在最低工资研究中具有独特优势。首先，其“准实验”属性降低了内生性要求。传统回归模型中，企业是否受政策影响可能与企业规模、行业特征等变量相关（如大企业更可能主动提高工资），导致“自选择偏差”；而RDD通过断点强制划分处理组与控制组，驱动变量（如员工人数、企业注册时间）在断点附近的分布近似随机，可视为自然实验。其次，RDD的“局部平均处理效应”（LATE）更贴合政策评估需求。最低工资政策的实际影响可能因企业规模、区域经济水平而异，RDD聚焦断点附近的“边际企业”，其估计结果更能反映政策对“最可能受影响群体”的真实效应，为政策调整提供更直接的参考。

（三）与最低工资政策特征的适配性

最低工资政策天然具备适合RDD应用的“断点”特征。一方面，政策覆盖范围常基于明确的临界值划分，如企业员工人数、行业类型（如制造业与服务业执行不同标准）、区域经济指标（如县域GDP水平）等，这些临界值为驱动变量的选择提供了明确依据。另一方面，政策效应的“局部性”与RDD的估计逻辑高度契合：最低工资上调对大型企业的影响可能被规模效应稀释，而对中小微企业（断点附近的企业）的冲击更显著，RDD通过聚焦这些“边际企业”，能更敏锐地捕捉政策的真实效果。

三、断点回归设计在最低工资研究中的实施路径

（一）驱动变量与断点的选择

驱动变量的选择是RDD应用的基础，需满足两个关键条件：一是与政策覆盖规则直接相关，二是在断点附近呈连续分布（无人为操纵）。在最低工资研究中，常见的驱动变量包括：

企业规模指标：如员工人数、年营业额等。例如某地区规定员工人数超过50人的企业需执行更高最低工资标准，“50人”即为断点。

时间变量：若政策分阶段实施（如某年某月起新注册企业执行新标准），则“注册时间”可作为驱动变量，断点为政策生效日。

区域经济指标：部分地区会根据县域人均收入划分不同工资标准，“人均收入临界值”即为断点。

选择驱动变量时需注意避免“操纵”风险。例如，若企业为规避高工资标准而刻意控制员工人数（如将51人拆分为两家25人的企业），则断点附近的样本分布会出现“密度跳跃”，导致估计偏误。研究者需通过“密度检验”（如绘制驱动变量的频数分布图）验证断点两侧样本分布是否连续。

（二）数据收集与样本筛选

数据收集需覆盖驱动变量、政策干预变量（是否受政策影响）及结果变量（如就业人数、平均工资、企业利润），同时需收集可能影响结果的协变量（如企业年龄、行业类型、区域失业率）。在样本筛选中，“带宽”的确定是关键环节。带宽指断点前后保留的样本范围（如员工人数45-55人的企业），过窄的带宽会导致样本量不足、估计效率降低，过宽的带宽则可能引入更多混杂因素（如员工人数30人与70人的企业存在本质差异）。实践中，研究者通常采用交叉验证法或数据驱动的带宽选择方法（如最优带宽公式），并通过敏感性分析（尝试不同带宽）检验结果稳健性。

（三）模型设定与效应估计

RDD的模型设定需体现驱动变量在断点处的“跳跃”。基本模型可表示为：结果变量=α+β×处理变量+γ×驱动变量+δ×驱动变量×处理变量+ε。其中，处理变量是0-1变量（超过断点为1），驱动变量与处理变量的