• 研究方法创新 [page::0][page::1][page::4][page::5][page::6][page::7]：

- 采用Lange和Papageorgiou(2020)的非参数识别方法，避免传统Cobb-Douglas匹配函数的形式限制。
- 利用非参数方法同时恢复时间变化的匹配效率与匹配弹性。
- 将S¸ahin等(2014)的匹配失配指数拓展为非参数版本，并用数学程序与均衡约束（MPEC）方法求解。

• 匹配效率总体趋势与弹性 [page::9][page::10][page::11]：

- 匹配效率（相对于1972年标准化）整体呈下降趋势，特别是2015年后显著下滑。
- 失业者的匹配弹性介于0.5至0.9之间，符合国际和日本以往研究。
- 职位匹配弹性较不稳定，2010年后明显下降，2020年甚至出现负弹性，反映COVID-19对劳动市场结构的冲击。

• 全职与兼职劳动力市场分解分析 [page::10][page::11][page::20]：

- 全职岗位失业者和职位数量波动较大，兼职较平稳。
- 两者匹配效率均呈下降趋势，疫情后两者均受影响明显。
- 匹配弹性波动，兼职弹性波动较大，显示兼职市场对宏观冲击更敏感。

• 地区和职业层面匹配效率与弹性异质性 [page::21][page::22][page::23][page::24][page::25][page::26]：

- 地区间匹配效率差异明显，农村地区波动更大且效率更高，城市地区更稳定但效率较低。
- 职业层面匹配效率差异更大，初级产业工作（农业、矿业等）匹配效率普遍较高。
- 地区及职业层面匹配弹性波动范围较大，职业弹性远超地区范围，表明匹配异质性在职业层面更为显著。

• 非参数匹配失配指数结果 [page::12][page::27]：

- 地域失配指数平均约为0.3，存在季节性周期波动，显著高于以往运用Cobb-Douglas模型的结果。
- 职业失配指数持续上升，最高达到0.6，表明职业技能匹配失调问题更加严重，传统方法低估了失配水平。

• 数据与计算实现 [page::7][page::8][page::6]：

- 利用日本厚生劳动省Hello Work月度就业服务报告，1972年至2024年，细分全职、兼职、各地区及职业类别。
- 采用核密度估计恢复条件分布，使用数学规划与均衡约束(MPEC)方法求解最优失业者分配及失配指数。

• 结论 [page::12][page::13]：

- 日本劳动市场匹配效率呈下降趋势，COVID-19等近期冲击显著影响匹配弹性及效率。
- 职业层面的匹配失配显著高于地域层面，并且传统Cobb-Douglas模型低估了失配程度。
- 该创新非参数方法为理解和制定针对劳动力市场结构性问题的政策提供新视角。

报告全面分析报告

---

一、元数据与概览

• 报告标题：Nonparametric Estimation of Matching Efficiency and Mismatch in Labor Markets via Public Employment Security Offices in Japan, 1972-2024

- 作者：Suguru Otani

• 发布机构与版本日期：

- 第一版：2024年7月31日
- 当前版本（完整版）：2024年12月31日

• 主题：日本劳动力市场中匹配效率与错配的非参数估计，特别聚焦通过日本公共就业安定所（Hello Work）的数据，分析1972年至2024年间的趋势与变化。

- 核心论点与结论：
- 采用Lange和Papageorgiou（2020）提出的非参数识别方法，对日本劳动力市场匹配效率和弹性进行估计。
- 发现匹配效率呈现长期下降趋势，反映在就业和求职成功率的降低上。
- 匹配弹性方面，对失业者的弹性在0.5-0.9区间，接近文献已有研究；对职位空缺的弹性则更加波动，介于-0.4到0.4之间。
- 通过非参数方法扩展了Şahin等（2014）的错配指数，发现职位按职业的错配更严重，且传统Cobb-Douglas错配指数存在低估问题。
- COVID-19疫情和市场结构变化对匹配效率和错配均产生显著影响。

作者希望传达的主要信息是，采用非参数方法能够更真实地捕捉日本劳动力市场匹配功能的动态特征及错配程度，为政策制定和理论研究提供更精确的实证依据。[page::0,1,2]

---

二、逐节深度解读

1. 引言（Introduction）

• 关键论点：

- 劳动力市场匹配效率和错配的理解对于解析失业动态至关重要，但日本劳动力市场相关研究相对匮乏。
- 传统匹配函数估计普遍基于强假设性函数形式（如Cobb-Douglas），这些假设缺乏理论和实证支持，可能导致估计偏误。
- Lange和Papageorgiou（2020）提出的非参数识别方法能克服这些限制，首次将此方法应用于日本数据。
- 结合非参数方法拓展错配指数，设计计算方法（MPEC）来估计日本分地区、分职业的错配情况。

• 论述逻辑与假设：

- 定义匹配函数为招聘数量与求职者和招聘者数量及其寻找效率的函数。
- 强调非参数方法无需预设匹配函数形式，能分离匹配效率与弹性，减少估计偏误。
- 该方法允许动态的匹配效率变化，反映真实的市场演化。

• 关键数据与比较：

- 日本匹配弹性0.5-0.9，符合包括Petrongolo和Pissarides（2001）在内的国际研究。
- 匹配弹性对职位空缺较为波动，并且存在负值，这暗示结构性市场变化。

• 贡献：

- 结合非参数匹配函数估计与错配指数，填补日本劳动力市场错配动态长期量化的空缺。[page::0,1,2]

2. 相关文献综述（Related Literature）

• 三大文献贡献：

1. 非参数估计匹配效率，补充日本传统基于Cobb-Douglas匹配函数估计的不足。
2. 拓展并改进Şahin等基于Cobb-Douglas错配指数的方法，允许匹配效率动态变化。
3. 研究COVID-19疫情对匹配效率和错配的影响，填补疫情影响实证分析空白。

• 对比过去文献的统一假设，强调本研究放宽了函数形式和匹配效率独立性假设，提升估计准确性和灵活度。[page::2,3]

3. 模型（Model）

3.1 非参数匹配函数模型

• 基于搜索模型的匹配函数 $mt(\cdot, \cdot)$，考虑时间变化的匹配效率 $At$，失业者和职位空缺作为自变量。

- 关键假设：
- 匹配效率 $A$ 与职位空缺 $V$ 对失业者数量 $U$ 条件下独立，即 $A \perp V | U$。
- 匹配函数满足等权益回报（CRS）。

• 运用Matzkin（2003）的非参数识别框架获知匹配函数及匹配效率的分布，归一化 $A$ 以独立标定。

- 主要处理了匹配效率的内生性和函数形式误设问题。[page::4]

3.2 非参数错配指数构建

• 定义错配为劳动力配置偏离社会最优（社会计划者最大化总雇佣人数）造成的雇佣损失。

- 设计优化问题，约束边际匹配贡献（匹配函数对失业者偏导数）在所有子市场均衡，符合计划分配原则。

• 不同于Cobb-Douglas错配指数，此处无解析式，采用MPEC（数学规划含均衡约束）方法数值求解。

- 错配指数定义为实际雇佣数量与最优雇佣数量偏离的1减比值，反映因错配损失的比例。[page::5,6]

4. 估计方法和数据（Estimation and Data）

估计过程

• 利用条件分布函数估计匹配效率分布函数。

- 采用核密度加权法估计条件分布以适应有限样本。

• 通过逆函数应用恢复匹配效率 $A_t$ 和匹配函数。

- LASSO回归用于推断匹配函数对失业和职位的弹性，解决变量选择和多重共线性问题。

• MPEC方法解决无解析式的错配优化问题，实现劳动力最优分配。

数据来源

• 主要使用Hello Work官方公布的岗位空缺、求职人数和匹配成功数等月度数据。

- 时间跨度1972.01至2024.04，为目前最长且最连贯的系列数据。

• 数据细分为全职与兼职，且可按地区（47个都道府县）及职业（67类）做分市场分析。

- 剔除新毕业生数据，避免教育系统变动造成结构偏差。

• COVID-19期间数据完整，有助衡量疫情对匹配效率和错配的影响。[page::7,8]

5. 实证结果（Empirical Results）

5.1 匹配效率与弹性估计的假设检验

• 验证匹配效率与职位空缺对失业者数量条件独立性，发现整体数据相关性极低，个别数据略有离群值影响，影响有限。

- 图1残差散点图支撑独立性近似合理假设。

5.2 1972-2023年全局趋势（图2）

• 失业人数和职位空缺总体呈波动上升趋势，劳动力市场紧张程度（V/U）波动显著。

- 雇佣数经历20世纪末的多次起伏，21世纪后期有显著下降趋势，尤其2015年以后匹配效率下滑明显。

• 匹配效率（归一化至1972年）整体下降，趋势与工作和雇主发现率下降吻合。

- 失业弹性稳定在0.5-0.9内，符合全球主要研究范围。

• 职位空缺弹性波动较大，2010年以后出现负值，可能反映COVID-19疫情及结构性变化导致职位扩张反而降低匹配效率。

- 匹配效率与市场紧张度正相关，未控制匹配效率将导致空缺弹性估计偏误。

5.3 分职工种分解趋势（图3,4）

• 全职失业与职位数量波动更大，兼职趋势更平缓且呈稳步上升。

- 全职雇佣数自2008年金融危机后大幅下降，兼职雇佣数稳中有升。

• 全职匹配效率范围更宽，兼职相对稳定且下降幅度相对较小。

- 全职对失业弹性波动减少并趋于稳定，兼职弹性不稳且波动显著，表明兼职劳动力市场对经济冲击更敏感。

• 匹配效率与市场指标正相关主要由全职劳动力市场驱动。

5.4 地区层面匹配效率与弹性（图5-7）

• 日本47个都道府县匹配效率差异显著，东北和中部等农村地区波动大且效率较高，东京等大城市稳定但效率较低，提示地区经济结构及市场条件影响匹配质量。

- 匹配弹性对失业者大致在0.6-0.8，对空缺则为0.05-0.3，表现出地域异质性。

5.5 职业层面匹配效率与弹性（图8-10）

• 从行业角度看，初级及二级产业（农业、建筑等）匹配效率显著高于第三产业（服务、管理等）。

- 职业间匹配效率水平和波动性差异巨大，反映技能需求和供给结构差异。

• 弹性范围显著广泛，特别是职位空缺弹性，部分职业弹性高达6.0，表明职业市场中匹配状态更复杂，也更脆弱。

5.6 错配指数（图11）

• 地理错配指数平均约为0.3，高于此前Cobb-Douglas估计结果（0.05-0.25）。

- 职业错配更为严重，指数攀升至0.6，同样大大高于先前估计。

• 错配指数呈现明显的季节性波动（地理维度）和长期上升趋势（职业维度）。

- 2020年后错配显著加剧，疫情加速了职业技能匹配的失衡，可能由数字化转型和行业结构调整引发。

5.7 结论摘要

• 匹配效率显著下降且波动大，匹配弹性具有异质性且时间变化明显。

- 采用非参数方法修正传统模型潜在偏误，测出更高的错配水平，强调错配对失业和市场效率的消极影响。

• 匹配效率下降可能源于政府平台外私营部门匹配机会增加，导致政府统计平台匹配能力表面下降。

- 职业错配远比地理错配影响更大，政策设计应重点关注技能结构和职业培训。

• COVID-19对匹配效率及错配均造成较大扰动，提示在疫情后劳动市场仍需重点关注匹配机制的恢复与提升。[page::9-13]

---

三、图表深度解读

图1：残差散点图（页面9）

• 显示匹配效率残差对失业残差的散点，整体无明显系统性相关，支持匹配效率与职位独立假设。

- 个别全职、兼职数据存在少量异常点，但不构成严重偏误。

图2：1972-2024年月度全局数据（页面18）

• 2(a)显示失业数、职位空缺和市场紧张度波动涨跌细节，失业波动更大。

- 2(b)雇佣总量显示多期波峰和谷底，2000年代后续下降。

• 2(c)失业与职位之间散点未呈现常规贝弗里奇曲线拟合，但呈现右移，匹配难度增加。

- 2(d)工作和职位发现率长期下降。

• 2(e)匹配效率下降明显，2015年后尤甚，说明匹配质量恶化。

- 2(f)匹配弹性弹性趋势，失业弹性稳定，职位弹性波动甚至出现负值，隐含市场效率丧失。

• 2(g,h)匹配效率与市场紧张度及发现率的正相关性证明忽略匹配效率的估计会产生系统性偏差。

图3,4：分工时全职兼职趋势（页面19-20）

• 全兼职指标趋势分明，兼职数量上升趋势更为显著。

- 匹配效率相比全职，兼职表现出更稳健，但波动同样存在。

• 相关散点图强调全职市场对匹配效率和市场指标的影响主导作用。

图5-7：地区匹配效率与弹性（月度，2012-2024，页面21-23）

• 地区间效率差距明显，东北等地区效率高于东京（可达两倍），但波动剧烈。

- 弹性数值区间宽但呈整体稳定，体现区域经济和就业结构多样性。

图8-10：职业匹配效率与弹性（月度，2012-2024，页面24-26）

• 不同职业匹配效率跨度巨大，技术类与生产类匹配效率较高，服务行业较低。

- 弹性差异显著，职位空缺弹性变动范围尤其大，凸显职业市场的复杂性。

图11：非参数错配指数（页面27）

• 地区错配指数呈现明显季节波动，指数值较高波动范围0.05至0.5以上，整体趋升。

- 职业错配指数稳步上升，最高接近0.6，远超传统文献估计，说明职业技能错配加剧。

图12：年度匹配效率趋势补充（日层面对比，页面28）

• 年度水平数据验证月度结果，确保结论稳健性。

---

四、估值分析

本报告不涉及传统财务估值方法，但采用非参数统计方法估计匹配函数与错配指数，其估计规模和解释能力远强于传统Cobb-Douglas模型，视为“模型估值”。

• 非参数识别采用统计分布逆向恢复匹配效率及函数形态，不强制固定位弹性，有效放宽限制。

- 均衡约束优化（MPEC）实现错配指数计算，较Cobb-Douglas模式更灵活，体现时间-空间异质影响。

• 匹配弹性和效率估计具备高度动态性，提升了对劳动力市场状态的准确评估。

---

五、风险因素评估

报告未显式罗列风险因素条目，但可依据讨论内容辨识潜在风险：

• 模型设定风险：

- 条件独立假设 $A \perp V | U$ 的可能微小偏差，如全职兼职极少数异常残差点。
- 非参数估计对样本大小和数据质量敏感，尤其在分地域职业细分时。

• 数据局限风险：

- Hello Work数据覆盖政府匹配平台，未完全捕捉私营或线上平台的匹配活动，存在数据偏倚。
- 就业市场结构快速变化（如疫情影响、数字化转型），可能导致指标滞后。

• 外部事件冲击风险：

- COVID-19及其他突发经济冲击使匹配机制非稳态，短期匹配弹性出现异常负值，需谨慎解释。

• 政策实施风险：

- 错配递增暗示可能需要针对性培训与匹配政策，但实际政策效果需进一步实证验证。

报告虽未针对这些风险提供缓解策略，但提出未来研究方向及模型扩展空间，例如考虑政府搬迁成本、非参数匹配效率的更精细建模等。

---

六、批判性视角与细微差别

• 作者创新应用非参数方法有效化解了传统计量方法的假设偏误，提高了匹配效率和错配的动态表达能力。

- 报告显示匹配弹性关于职位空缺出现负值或较大波动，虽反映了结构变化，例如疫情冲击，但该结果也可能来源于模型设定或数据异常，需进一步稳健性检验。

• 非参数方法依赖足够大样本及平稳数据分布，但日本劳动市场实际经历多次结构性变革（经济泡沫破裂、人口老龄化、疫情等），对稳定性假设构成挑战，部分结论可能受限。

- 地区与职业匹配效率差异显著，提示模型是否充分考虑了区域经济异质性和技能层次分布差异需要关注，某些聚合分析结论可能掩盖细微差异。

• COVID-19后匹配效率下降及错配增加呼应全球趋势，但是否能完全归因于疫情及政府平台匹配机会外溢还需更多证据支持。

整体报告论证严谨，数据详实，方法新颖，结论具有较高参考价值，但在极端情况和模型假设下仍存一定不确定性，建议关注未来研究的进一步验证。[page::9-13]

---

七、结论性综合

本研究首次将Lange和Papageorgiou（2020）的非参数匹配函数估计方法应用于日本政府公共就业安定所数据，拓展了对匹配效率与劳动力错配的深刻理解。主要结论如下：

• 匹配效率持续下降且波动频繁，尤其2015年后显著下滑，解释了就业与职位匹配成功率的同步下降。此现象部分源于政府平台外匹配机会增加，反映劳动力市场动态结构性转变。

• 匹配弹性对失业者相对稳定（0.5-0.9），对职位空缺弹性波动大且呈现负值，揭示在特定时期（尤其疫情期间），增加职位空缺不一定带来匹配增量，提示结构性不匹配和市场效率丧失风险。

• 错配指数在地区和职业维度均明显高于传统Cobb-Douglas估计，职业层面错配更为严重，且错配正呈上升趋势。这显示日本劳动力市场面临技能与职位需求错配不断深化的问题。
• 地域与职业异质性特征鲜明，农村地区匹配效率更高且波动大，职业技能差异对匹配效率与弹性影响显著，政策调节需区别对待不同区域和产业。
• 新冠疫情对匹配效率与错配影响深远，加速技能错配并且攀高错配指数，凸显后疫情时代人力资本与就业匹配机制的改革迫切性。

以上结论为劳动力市场政策设计、职业培训规划及就业服务优化提供了科学依据。报告全面结合详尽时间序列与分市场数据，采用最先进非参数统计技术，为理解日本乃至类似经济体的劳动市场匹配与错配状况提供了重要实证支撑。

---

重要图表示意附录

图1 残差散点（独立性检验）


图2 1972-2024年月度全局趋势


图3 全职与兼职趋势对比


图4 全职与兼职匹配效率与弹性


图5 地区匹配效率示意


图6 地区匹配弹性（对失业）


图7 地区匹配弹性（对职位空缺）


图8 职业匹配效率示意


图9 职业匹配弹性（对失业）


图10 职业匹配弹性（对职位空缺）


图11 非参数错配指数趋势


图12 年度数据补充趋势


---

（全文分析基于报告原文内容和数据，[page::0-28]）

报告