方法说明

很多政策看起来重要，但并不一定适合直接做政策评估。一个政策冲击能否使用，关键不在政策名称，而在它能否被转化为可估计的处理变量。

一个好政策冲击的四个条件

• 政策事实清楚：发布日期、实施日期、适用对象和政策范围能够核验；
• 处理组清楚：谁受到政策影响能够在数据中识别；
• 冲击时间清楚：政策何时真正影响样本，而不是只知道文件发布日期；
• 数据合并可行：政策对象能够和企业、城市、行业、产品或个人数据连接。

三类常见识别风险

全国性政策没有自然对照组

全国性政策不能简单写成一个 Post。如果模型中控制年份固定效应，Post 会被吸收；如果不控制年份固定效应，又很难排除宏观趋势。更常见的做法是利用政策前暴露度：

\[ Y_{it}=\alpha+\beta(\operatorname{Exposure}_{i}\times \operatorname{Post}_{t})+X_{it}'\gamma+\mu_{i}+\lambda_{t}+\varepsilon_{it} \]

其中，\(\operatorname{Exposure}_{i}\) 应尽量用政策前信息构造。

试点选择非随机

试点地区通常不是随机产生的。自贸区、低碳城市、大数据试验区、5G 试点等政策，往往选择经济基础更好、治理能力更强或产业条件更成熟的地区。此时需要检查政策前趋势，并考虑匹配、熵平衡、合成控制、城市趋势或更细层面的处理强度。

政策对象和研究样本不在同一层级

政策对象可能是产品、行业、城市或金融机构，但研究样本是企业。这时需要把原始政策冲击映射到研究样本层级：

\[ \operatorname{Exposure}_{i}=\sum_{k}s_{ik,0}\operatorname{Shock}_{k} \]

其中，\(k\) 可以是产品、行业、市场、药品、银行或地区；\(s_{ik,0}\) 是政策前权重。使用政策前权重，是为了避免政策后调整行为反过来污染处理变量。

从政策文件到处理变量

建议按四步处理：

1. Step 1: 明确政策对象。政策到底作用于地区、行业、产品、企业、金融机构，还是个人？
2. Step 2: 找到数据中的对应单位。政策对象能否和城市、企业、产品、药品、行业等数据合并？
3. Step 3: 定义处理变量。使用 0/1 处理变量，还是连续暴露度？
4. Step 4: 检查识别风险。是否存在试点选择、预期效应、政策叠加、处理组内生变化？

推荐等级

等级	含义
A 类	政策事实清楚、处理组较容易定义、已有成熟研究入口
B 类	政策重要，但需要更精细的暴露度或更强数据支持
C 类	政策重要，但更适合背景分析、事件研究或描述性研究

推荐等级不是政策重要性的排序，而是「可操作性」排序。