差分-in-差分法（DID）在最低工资政策效果中的实证分析.docxVIP

差分-in-差分法（DID）在最低工资政策效果中的实证分析

一、引言

最低工资政策作为调节劳动力市场分配、保障劳动者基本权益的重要工具，一直是公共政策研究的核心议题。其效果评估不仅关系到政策目标的实现程度，更直接影响着企业用工成本、居民收入分配格局乃至宏观经济运行。然而，政策效果的科学测算面临诸多挑战：如何区分政策影响与其他经济社会因素的干扰？如何量化政策实施前后的动态变化？这些问题需要借助严谨的计量方法与实证分析工具。

差分-in-差分法（Difference-in-Differences，简称DID）作为因果推断领域的经典方法，恰好为解决此类问题提供了有效路径。该方法通过构造“处理组”与“对照组”的双重差分，能够有效控制时间趋势与个体异质性，识别政策的净效应。近年来，随着最低工资政策在各国（地区）的频繁调整，DID方法因其逻辑简洁、结果直观的特点，逐渐成为该领域实证研究的主流工具。本文将围绕DID方法在最低工资政策效果评估中的应用展开系统分析，探究其理论逻辑、实证操作与结论启示。

二、差分-in-差分法的理论逻辑与适用性分析

（一）DID方法的核心思想与基本假设

DID方法的核心思想可概括为“双重差分”：首先计算处理组在政策实施前后的差异（一阶差分），再计算对照组在同一时间段内的差异（另一阶差分），最后通过两个差分的差值（双重差分）得到政策的净效应。这一过程的关键在于通过对照组的引入，剔除时间趋势对处理组的影响，从而分离出政策本身的效果。

具体而言，假设政策在时间T点对部分样本（处理组G=1）生效，未受影响的样本为对照组（G=0）。设Y为被解释变量（如就业水平或工资收入），则处理组的一阶差分为(Y_{1,T}Y_{1,T-1})，对照组的一阶差分为(Y_{0,T}Y_{0,T-1})，政策效应即为两者的差值：(Y_{1,T}Y_{1,T-1})(Y_{0,T}Y_{0,T-1})。这一计算逻辑隐含了两个关键假设：一是“平行趋势假设”，即处理组与对照组在政策实施前的变化趋势一致；二是“政策外生性”，即政策实施与样本的其他特征无关，不存在自选择问题。

（二）最低工资政策与DID方法的适配性

最低工资政策的特点与DID方法的适用条件高度契合，主要体现在以下三方面：

其一，政策具有明确的“时间-空间”边界。最低工资标准通常以行政区域为单位调整（如某省份提高标准，相邻省份未调整），或在特定时间点生效（如某年份1月1日起执行新标准），这为构造“处理组-对照组”提供了天然条件。例如，可将提高最低工资的省份作为处理组，未调整的相邻省份作为对照组；或按政策生效时间将样本分为“政策前”与“政策后”两个阶段。

其二，政策影响具有可观测性。最低工资政策的直接目标是提升低收入劳动者的工资水平，间接影响可能涉及企业用工规模、就业结构（如全职转兼职）、产品价格等。这些结果变量（如平均小时工资、就业人数）均可通过劳动力调查、企业统计报表等数据进行量化，为DID模型提供了丰富的被解释变量。

其三，政策外生性较强。最低工资标准的调整通常由政府基于经济发展水平、物价指数等宏观指标决策，与单个企业或劳动者的微观行为关联较小。这种外生性降低了“政策选择偏差”风险，使得处理组与对照组的划分更接近随机实验，满足DID方法对“外生性”的要求。

三、DID方法在最低工资政策效果中的实证应用

（一）数据选择与变量定义

实证研究的数据来源需兼顾覆盖范围与指标精度。通常可选取多期劳动力市场调查数据（如家庭追踪调查、企业用工普查），样本需同时包含政策调整地区（处理组）与未调整地区（对照组），时间跨度需覆盖政策实施前后若干期（如政策前3年、政策后3年），以满足“前-后”对比与“组间”对比的需求。

变量设计需围绕政策目标与潜在影响展开：

被解释变量：核心变量包括劳动者小时工资（反映政策对收入的直接影响）、就业人数（反映政策对用工规模的间接影响）、兼职比例（反映就业结构变化）等；

解释变量：关键变量为“政策虚拟变量”（G×T，其中G=1表示处理组，G=0表示对照组；T=1表示政策后时期，T=0表示政策前时期）；

控制变量：需纳入可能影响结果的混杂因素，如地区经济增长率、物价指数、行业结构、劳动者年龄与教育水平等，以控制个体异质性与时间趋势。

（二）模型设定与平行趋势检验

DID模型的基本形式可表示为：

Y_{it}=α+β(G_i×T_t)+γG_i+δT_t+X_{it}θ+ε_{it}

其中，Y_{it}为个体i在时间t的结果变量；G_i为处理组虚拟变量（处理组=1，对照组=0）；T_t为时间虚拟变量（政策后=1，政策前=0）；G_i×T_t为核心解释变量，其系数β即为政策的净效应；X_{it}为控制变量矩阵；ε_{it}为随机误差项。

模型有效性