• 研究背景及数据说明 [page::0][page::1][page::6]

- 瑞士政府投入约0.5% GDP用于ALMPs，涵盖超过半数失业者。
- 样本包含2014-2015年首个失业的个体，区分永久居民（PERM）和临时居民（TEMP）。

• ALMPs项目分类及定义 [page::2][page::5]

- 临时工资补贴（WS）、基础课程（BC）、培训课程（TC）、就业项目（EP）。
- WS通过补偿低于失业补助的短期就业工资激励就业；BC包括求职技巧等短期辅导。

• 估计方法与识别策略 [page::11][page::12][page::13]

- 采用改良因果森林（MCF）估计多重处理效应，结合政策树优化个体项目分配。
- 识别假设包括条件无混淆、共支持性假设及稳定单位处理值假设。

• 中期平均处理效应（ATE）及样本异质性 [page::14][page::15]

- WS项目在第三年显著提升就业时长（PERM样本增加约0.74月，TEMP样本增加约0.98月）和全年收入。
- BC项目持续负面影响就业和收入。
- TC和EP效果总体不显著。

• 群体层面异质性分析 [page::17][page::18][page::19]

- WS项目效果对教育水平较低和来自非欧盟国家者更显著。
- 性别及过往就业经历也影响项目收益，但区域或行业差异较小。

• 个体层面异质性及聚类分析 [page::20][page::21][page::22]

- 个体收益存在显著差异，有部分人群使用WS效果甚佳。
- 通过k-means++对IATEs聚类，识别出不同背景（年龄、国籍、教育、过往收入）对应的受益群体。

• 优化个体项目分配方案 [page::23][page::24][page::25]

- 现行案员分配规则仅略优于随机分配。
- 利用政策树和最佳分数分配方法，显著提升就业月份，增加WS项目分配比例（最多可提升0.5个月）。

• 鲁棒性检验与安慰剂测试 [page::25][page::26][page::27]

- 安慰剂分析表明无明显选择偏差。
- 不同控制组定义下结果稳健。

• 政策建议 [page::28]

- 拓宽临时工资补贴项目覆盖范围，有助于增加失业者就业时间和收入。
- 其他类型项目需重新评估效果与针对群体。

金融研究报告深度分析报告

---

1. 元数据与概览

报告标题： The Heterogeneous Effects of Active Labour Market Policies in Switzerland
作者： Federica Mascolo, Nora Bearth, Fabian Muny, Michael Lechner, Jana Mareckova
发布时间： 2024年11月1日
研究主题： 本文聚焦瑞士积极劳动力市场政策（Active Labour Market Policies, ALMPs）的效果评估，重点研究各种劳动力市场干预措施对失业者就业和收入的影响差异，并探讨如何基于个体差异优化政策分配。
核心论点和目标：

• 利用瑞士详细的行政数据和因果机器学习技术（Modified Causal Forest，MCF），分析四类主流劳动力市场政策（临时工资补贴、基础课程、培训课程、就业项目）对失业期间及三年后就业状况和收入的影响，特别关注这些影响的异质性。

- 结果显示，临时工资补贴（Temporary Wage Subsidy, WS）对就业和收入有微弱正向影响，基础课程（Basic Courses, BC）则表现出负面效果，培训课程和就业项目无显著影响。政策对教育程度较低、非欧盟移民效果更佳。

• 提出基于浅层决策树的优化分配方案，为政策制定者提供可操作的个体分配建议。

本报告结合机器学习方法与丰富的瑞士行政微观数据，首次全面细致地揭示ALMPs在不同群体中的异质作用，并对政策分配策略提供量化建议。[page::0,1,2]

---

2. 逐节深度解读

2.1 摘要与引言

摘要明确了研究背景：瑞士政府通过ALMPs干预失业问题，相关支出占GDP约0.5%。文献中对ALMP效果存在不一致结论，且对不同政策对不同群体异质性了解不足。本文基于从2004到2018年的全国失业者行政数据群体，利用Modified Causal Forest（由Lechner提出的因果机器学习估计器）对四类政策效果（就业与收入）进行评估。除效果评估，还探索政策优化分配问题。
引言部分详细梳理了现有文献，强调文献中关于ALMP的平均效果多为正负参半，效果存在显著异质性，特别是教育程度和移民身份。论文创新点在于使用最新方法和数据对瑞士政策异质性进行全面解析，增加了政策优化建议。[page::0,1,3,4]

2.2 瑞士ALMP制度与政策分类（第2节）

瑞士劳动市场呈联邦制，2014至2018年失业率约4.8%。ALMP实施由地区就业办公室执行，失业者需满足社保缴纳条件方可获得失业金，最长24个月。失业金领取者必须主动找工作，并可能被分配至多种政策项目。
主要评估项目包括：

• 基础课程（BC）：短期入门性准备课程（如求职技能培训）

- 培训课程（TC）：语音、计算机及专项职业培训

• 就业项目（EP）：无薪职位，多在公共机构或非营利性组织提供，规避与常规市场竞争

- 临时工资补贴（WS）：补贴接受低于失业金的有偿工作，鼓励重返正规就业市场
另有“其他项目（OP）”，因样本限制本文未纳入。
政策设计包括限制WS工资标准以避免市场扭曲，且案例管理者基于个体特征分配项目。[page::2,4,5]

2.3 数据来源与样本构成（第3节）

使用瑞士行政数据，2014年1月至2015年6月首次失业且满足条件的失业者为研究对象。

• 样本排除若干特殊群体：年轻（<25岁）避免教育选择建模，年长（>55岁）避免退休异质，伤残领取养老金者等。

- 区分两大子样本：永久居民（瑞士公民及持永久居留权者，PERM，113,329人），临时居民（持临时居留证B，TEMP，34,229人）。

• 以首次加入政策项目作为处理，未参加者作为对照组。控制假起始日期伪造方法解决动态分配中的选择偏差。

- 结果显示50%以上失业者六个月内参加项目，WS项目规模最大（约25%）。两样本间项目分配比例无显著差异。

• 变量涵盖社会经济特征、就业历史、地区经济指标、案件管理员评估及制裁历史。

本节为后续估计提供了详尽变量和样本背景，也说明了因样本和制度局限带来的偏差控制策略。[page::6,7,8,9,10]

2.4 经济计量框架与估计方法（第4节）

• 利用潜在结果框架（Rubin, 1974），定义多处理因果效应，关注个体化平均处理效应（IATE）、组平均处理效应（GATE）及其平衡版本（BGATE）、总体平均处理效应（ATE）等。

- 运用Modified Causal Forest（MCF），提升针对多处理情况的异质效应估计精度，同时解决选择偏差早期分裂问题。估计过程包括样本分割、赋权、效应估计。

• 借助最优政策学习框架（Zhou等，2023）建立政策函数π，学习根据特征选择最优项目分配，提高总福利。

- 识别策略基于条件独立性假设（详列多项可观测混杂变量，涵盖案件管理者决策信息），公共支持条件采用随机森林估计处理倾向并执行修剪，SUTVA假设合理，协变量为预先时点测量。

• 政策树以浅层决策树形式构建，兼顾解释性与计算效率，结合容量约束模拟现实分配。

该节阐释先进机器学习因果推断方法在多政策处理下的应用，及政策优化框架的数学支撑。合理的设定和假设尽可能缓解了观测数据中的偏倚。[page::11,12,13,14]

2.5 实证结果分析（第5节）

2.5.1 平均处理效应（ATE）

• 所有政策初期均存在明显锁定效应（lock-in effect），参与者短期内就业和收入下降（图1显示前3个月各项目就业月数下降幅度，WS下降最小），之后部分反弹。

- 3年累计数据（表3）显示，WS为唯一在就业方面显著正效应项目（PERM样本3年就业提高约0.74个月，第三年收入增加CHF 2059），但收入总体未完全抵消锁定成本，说明强就业广度但强度不足。

• BC和其他项目表现为长期负面或无效应，TC与EP无显著效果。在TEMP样本中，多数政策就业效果稍好，且第三年均有部分正效应，WS优势依旧明显。

- 观察与随机分配的效应差异显示当前案件分配略优于随机，但仍有潜在改进空间。
这一部分验证了WS项目的相对有效性及锁定效应的普遍存在，表明政策设计或执行仍需优化。[page::14,15,16]

2.5.2 组间效应异质性（GATE/BGATE）

• 对教育、性别、国籍、过往就业情况等关键变量拆分效应后发现，WS对低教育水平和非欧盟移民效果最佳，高学历者和瑞士本地居民收益较低。

- 教育异质性在BGATE调整后依然显著，说明非教育因素如语言能力等也影响政策效果。

• 性别无明显差异，行业同样无显著影响。

- TEMP样本中教育高者反倒收益更大，提示不同居民群体存在不同机制。

• BC和EP的异质性更为显著，如BC与低收入者关系密切，EP对男性负面更明显。

图2和后附表详细展示异质性贡献变量，结果与国际文献尤其是比利时研究相符，强调定制化政策必要性。[page::17,18,19,20]

2.5.3 个人层面效应异质性（IATE）

• 个体化处理效应存在巨大变异，个别受益者效应极大，同时存在负面效应个体，比如WS效应范围涵盖[-0.5, +1]个月就业和[-5000, +10000]瑞郎收入变化（图3-4）。

- 采用k-means++聚类，根据个体IATE划分群体后，发现：
- WS受益者多为年龄较大、非瑞士籍、高薪资个体；
- BC与EP更有利于年轻、低教育、非瑞士籍女性；
- TC则更惠及年轻、高教者。

• TEMP样本呈现不同趋势，女性受益少，且过往就业更长者受益更多。

这一发现凸显平均效应的局限性，强调政策制定需顾及个体异质性。[page::20,21,22]

2.5.4 政策模拟与分配优化

• 利用预测的IATEs及政策树模拟现有案件分配、随机、最佳分配及容量限制分配。

- 结果显示当前案件分配略优于随机，但较远低于最佳分配，推荐大幅提升WS分配比例，通过政策树分配优化可提升就业约半个月。

• 容量约束限制了提升空间，但通过扩展WS容量，模拟显示PERM样本就业可增0.2个月，TEMP样本提升更大。

- 政策树结构清晰，便于解释和推广，同时兼顾政策容量限制。

• 推荐循序渐进扩大WS项目规模，注意避免劳动市场扭曲风险。

详见表5、附录中政策树图示。[page::23,24,25]

2.6 稳健性检验（第6节）

• 设计“未来项目影响过去就业”的安慰剂测试，结果显示无统计学意义的影响，支持条件独立假设的合理性，表明结果非因选择偏差所致。

- 另用不基于伪起始日期、而以失业起始时间计算的结果亦保持一致，虽效应略低但符号与解释一致。
两项检验有效增强结论的可信度。[page::25,26,27]

---

3. 图表深度解读

图1：36个月就业和收入ATE趋势图

展现各项目相较不参与者的平均效应随时间的动态变化。锁定效应表现为初期大幅负向冲击，WS缓和最明显。86个月后WS就职和收入均逐步回升并显著为正，其他项目未能显著反弹。形态直观体现了项目短期牺牲换中期收益的特征。支持WS是唯一中期有效项目。（见 page::15）

表3：3年总累计ATE及第三年ATE

分为PERM与TEMP样本，两时段数据齐备。结果显示参与WS3年累计就业显著增加约0.74月至1个月不等，收入增加CHF 2,059至3,226，且统计学显著；而BC显著负向，其他无效或负向。3年数据捕捉了锁定效应成本和后期效益回升，有助综合评价政策表现。[page::16]

图2：BGATE vs ATE差异分析

细分教育、出生地等群体，直观展示政策对不同背景群体的效应异质。图形中教育低者、非欧盟移民群体效益高于整体，瑞士本地者效益相对较低，且均在置信区间外显著。此图有效强调分层定向政策价值。[page::18,19]

图3-4：IATE排序与分布

个体层面处理效应呈宽泛分布，显示正负效应并存，政策效益并非平均一致。聚类分析进一步揭示不同类型的受益群体，为精准政策制定提供数据支持。图4对比不同项目效应密度，反映不等效应特点和量级差异，WS波动范围最大。[page::20,21]

表4与表5：聚类分组与政策模拟分配

表4明确受益最多与最少组社会经济特征，如年龄、国籍、薪资水平差异，表5政策模拟结果显示最佳分配显著提升就业时间，浅层及深层政策树提供可解释分配规则，具备推广价值，支持扩大WS分配量的政策建议。[page::22,23,24]

图73-74（附录图示）：政策树可视化

通过二叉树结构展现用以决策的关键特征及门限（例如失业率、教育水平、过去收入），叶节点标识推荐项目，实现透明、易理解的政策分配机制。[page::73,74]

---

4. 估值分析

本报告为劳动力市场政策评估，不涉及单纯财务估值模型，而是基于因果机器学习框架估计政策“价值”（即就业和收入等社会经济效果）的增益。使用Modified Causal Forest估计ITE（个体异质性效应）和政策树寻找优化分配策略，类似于最优政策学习模型。其主要“估值”方法基于最大化长期就业月数（效用最大化）而非传统金融估值。该方法充分考虑了多重政策处理、多样异质效应及容量限制，在效果价值量化及优化配置方面具有先进性和实用性。[page::11,12,13,14,23]

---

5. 风险因素评估

报告识别并讨论的主要风险包括：

• 选择偏差风险： 尽管控制大量潜在混杂变量，仍可能存在未观测因素（如个性、社交网络）影响效应估计。作者通过丰富变量、安慰剂测试及选择倾向修剪减少该风险。

- 动态分配机制偏差： 因为政策项目随时间动态分配，采用伪启动日期法进行调整，但该方法不完美，控制组仍可能含较快就业者，导致估计偏差保守。未来建议使用Van den Berg & Vikström（2022）提出的动态方法。

• 政策放大风险： 报告建议扩大WS分配规模，但也警告需防控劳动力市场扭曲或企业不公平竞争问题，强调渐进式推广兼持续监管的必要。

- 数据与区分限制风险： 低参与率导致某些项目需合并分类，难以评估小规模定制项目效果。
综上政策效果和优化建议均基于合理但不无挑战的假设，风险提示务实详尽。[page::4,5,7,12,25,28]

---

6. 批判性视角与细微差别

• 研究依赖丰富但结构性定性限制的行政数据，缺乏对个性或网络的测量，尽管作者引用文献认为影响有限，但这依然是因果识别的潜在薄弱点。

- 伪起始日期法虽提供了解决方案，但并非动态分配的真正理想方法，可能对估计产生保守偏差。

• 程序合并可能掩盖部分项目内部异质性或特殊子项目效果。

- 虽然政策树模型提供解释性，但深度增加虽提升效果，却减少了简单性，实践中推广需权衡。

• 对TEMP样本异质性不显著主要因样本量限制，未来研究中需扩大数据覆盖。

- 结论侧重WS，显现其他项目效果平淡，可能影响资金分配与政策多样化追求的平衡。[page::7,12,28]

---

7. 结论性综合

本研究系统性评估了瑞士ALMPs的效用，利用长时段行政面板数据结合先进的因果机器学习方法取得以下核心发现：

• 所有项目短期均出现锁定效应，但近三年内WS项目显著提升就业月数和累计收入，其他项目效果黯淡甚至负面。

- 低教育水平和非欧盟移民群体对WS等项目受益更大，显示异质性显著，政策分配中应优先考虑这些特征。

• 通过个体层面处理效应估计，揭示了个体间效果的巨大波动，为精准分配及个性化方案设计提供实证基础。

- 模拟政策分配表明现有分配机制虽较随机分配优越，但距离最优仍有提升空间，特别是合理增加WS参与比例能带来显著就业增效。

• 稳健性测试和安慰剂分析支持研究结果的有效性和可信度。

- 报告提出的浅层政策树分配规则兼顾可解释性与效率，能辅助实际政策设计决策。
该研究不仅补充和更新了瑞士ALMP成效评估文献，也为其他国家类似政策的评估和优化提供范式，强调利用现代因果机器学习技术突破传统评估模式的潜力。

图表深度洞见总结

• 图1和表3揭示锁定效应及WS项目的相对优势。

- 图2细分人口特征，指明政策差异性收益的关键指标。

• 图3-4及表4用个体IATEs及聚类方式深入刻画各类群体对项目的差异化响应。

- 表5及附录73、74页政策树则为实施层面提供了直观可行的规则框架。

综上，报告体现了严谨的因果推断与机器学习方法在劳动力市场政策评估中的领先应用，针对瑞士具体环境提出精细且可落地的政策优化建议，具有较强的实践指导意义和方法论示范价值。[page::0-28,73-74]

---

参考文献

报告附录详细列出了相关理论和实证文献，涵盖劳动力市场政策、因果机器学习、政策学习算法等，奠定了研究的坚实学术基础。

---

注： 本分析所有结论均通过文中具体章节和页码引用标注，确保溯源透明、准确。

报告