1. 引言
个税递延型养老保险(Tax-Deferred Pension Product)作为一项创新性的财税激励工具，通过“缴费阶段免税、投资阶段免税、领取阶段征税”(EET)模式，旨在激发个人养老储备动力，优化多层次养老保障体系。其政策逻辑在于将当前税收负担递延至未来，从而提升居民当期可支配收入，理论上可能对消费行为产生显著影响。然而，这种政策工具在撬动养老储蓄的同时，是否真正转化为消费动能？其作用机制如何？对不同收入群体、不同消费结构的影响是否存在异质性？这些问题亟需系统性的学术探究。本文旨在梳理国内外关于个税递延型养老产品对居民消费影响的研究脉络，辨析核心观点与争议焦点，为政策优化与学术深化提供参照。
1.1. 研究背景
截至2023年底，全国60岁及以上人口占比达21.1%，65岁及以上人口占比15.4%。老年抚养比持续攀升，现收现付的基本养老保险制度面临严峻的支付压力，亟需发展强有力的第三支柱个人养老金以分担责任[1]。长期以来，我国养老保障体系呈现“第一支柱(基本养老保险)独大、第二支柱(企业/职业年金)覆盖面窄、第三支柱(个人养老金)发展滞后”的不平衡格局。居民养老过度依赖政府，个人储备意识和能力不足。为激活第三支柱，我国于2018年5月在上海、福建(含厦门)、苏州工业园区启动个人税收递延型商业养老保险试点，标志着制度破冰。2022年11月，《个人养老金实施办法》正式落地，将税优政策推广至全国，缴费上限为每年12,000元，采用EET模式[2]。在内外部复杂环境下，扩大内需、促进消费升级成为国家战略重点。理解个税递延政策如何影响居民(特别是中产阶级)的当期消费意愿和能力，对于评估政策综合效应、精准施策具有重大现实意义。
1.2. 研究意义
1.2.1. 理论意义
深化生命周期理论与行为经济学应用：检验税收(递延)如何影响个体跨期消费/储蓄决策，是验证和拓展生命周期假说(Life-Cycle Hypothesis)的经典场景。同时，政策涉及复杂的跨期选择、心理账户(将“养老钱”与“消费钱”隔离)、默认选项设置等，为行为经济学理论(如前景理论、心理账户理论)在公共政策领域的应用提供丰富案例。
1.2.2. 实践意义
政策评估与优化：为评估个税递延型养老政策的真实效果提供实证依据，助力决策者优化政策设计(如额度设定、领取规则、产品结构、宣传引导)。
引导居民理性财务规划：帮助居民理解参与养老储蓄计划对其当前和未来生活水平(消费能力)的实际影响，促进更科学、更长远的家庭财务规划。
服务扩大内需战略：精准识别政策对消费(特别是可选消费、服务消费)的潜在促进作用，为设计既能保障长远养老、又能兼顾提振当期消费的政策组合提供参考。
2. 文献综述
2.1. 理论机制探讨：储蓄与消费的权衡
生命周期/持久收入假说视角：根据经典理论，理性的个体会平滑一生消费。个税递延通过降低当期税收成本，提高税后收益率，理论上会产生两种效应：
替代效应：未来养老储蓄的实际回报率提高，激励个体将更多当期资源(本可用于消费)转化为养老储蓄，从而可能挤出当期消费[3]。收入效应：税收优惠相当于增加了个人终身总收入(或财富)，可能促进当期和未来的消费。同时，养老储蓄积累增强了未来保障，理论上可降低预防性储蓄动机，释放部分当期消费[4]。
行为经济学视角：自动加入(put-out)等设计能显著提升参与率[5]，但参与者可能并未深思熟虑其对消费的影响，行为反应可能偏离经典模型预测。递延纳税的优惠(如节省的当期税款)可能被部分参与者视为“额外收入”或“意外之财”，更可能用于增加消费[6]。
2.2. 国外实证研究
2.2.1. “挤出消费”论
早期有学者利用微观调查数据(如SIPP，PSID)，通过比较参与者和非参与者的消费差异(控制收入、财富等)，发现养老储蓄(尤其是401(k))的增加主要来源于减少其他形式的储蓄(如普通银行存款)，对消费的直接挤出效应较小[7]。还有学者利用消费数据更丰富的CEX数据，发现IRA供款增加1美元，会显著减少非耐用品和服务消费约50~70美分，支持了显著的消费挤出效应[3]。
2.2.2. “促进消费”或“中性”论
有实证证据更倾向于支持养老储蓄主要替代其他储蓄，对总储蓄的净增加有限，意味着对消费的挤出效应也较小或中性[8]。部分研究关注税收优惠带来的“即时收益感”。指出，退休账户参与者可能将节省的当期税款视为“可消费的收入”，从而短期促进消费[9]。此外税收政策变化(如供款限额调整)的外生冲击研究也发现参与者会增加消费[10]。
2.2.3. 收入异质性
挤出效应在高收入、高净值群体中更小(因其其他储蓄池更大、流动性约束更弱)，甚至可能因财富效应轻微促进消费，但中低收入群体可能因参与计划而面临流动性压力，更易挤出必要消费[11]。年龄与生命周期阶段：临近退休者参与计划的消费挤出效应可能更显著(因时间短，平滑空间小) [12]。年轻人可能因借贷约束和收入预期增长，挤出效应相对较弱或反应不同[13]。
计划设计特征：雇主匹配(视为即时回报)、贷款/困难取款条款的灵活性、默认选项设置等都会显著影响参与决策及其对消费的潜在影响[14]。
2.2.4. 流动性约束视角
部分学者发现养老金参与显著提升家庭总财富(不存在完全替代效应)，但低收入/低教育群体参与率低，且养老金资产挤出了部分流动资产，暗示其可能加剧流动性约束风险[14]。通过对新农保对消费的异质性进一步分析，发现参保显著提升非耐用品消费(尤其医疗、教育)，但低收入、高医疗负担家庭的边际消费倾向更低——流动性约束和未来不确定性削弱政策效果[15]。
2.3. 国内研究进展
早期对上海等试点地区的研究指出试点效果不及预期，主要问题在于覆盖面窄、优惠力度感知不强(尤其中低收入者税轻无感)、流程复杂、产品选择有限。这些因素极大限制了政策对储蓄(进而可能对消费)的实质性影响[16]。部分学者认为部分宏观或模拟研究探讨政策对国民储蓄率的潜在影响。)等认为个税递延型养老产品可能提高私人储蓄率，但针对全国私人养老金制度的研究尚处于起步阶段，需要更长时间积累数据[17]。
2.3.1. 对消费的促进作用
有学者指出参与者参与个人养老金后消费行为未发生明显改变，分析认为主要原因是供款额度相对收入占比较小(年12,000元上限) [18]。在当前经济下行压力加大、居民收入预期不稳、预防性储蓄动机强烈的背景下，强制性的养老储蓄(即使有税优)可能加剧中低收入群体的流动性约束，抑制其当期必要消费，尤其是在缺乏有效借贷或应急机制的情况下[19]。但不少学者认为私人养老金积累有助于提升居民退休后的消费能力和安全感，从全生命周期看可能促进更平衡的消费。但其对当期可选消费、发展型消费(如教育、健康)的长期促进作用有待实证检验[20]。
2.3.2. 收入异质性
研究开始关注不同收入阶层、不同地域、不同年龄群体对政策的反应差异。普遍认为税优政策对边际税率较高的中高收入群体更有吸引力，其消费行为受影响的可能性更大；而低收入群体可能因税收优惠少且流动性压力大而“冷眼旁观”[21]。
3. 实证分析
3.1. 研究设计
3.1.1. 样本来源
本文选取2012年至2022年中国家庭追踪调查(CFPS)，并参考以往多数相关文献对数据的处理方法，对本文所选取的数据进行以下初步整理，删除所需变量缺失的调查样本，本文用于研究的数据均来自于CFPS数据库以及地区统计年鉴，有部分缺失数据需从上市公司的年报中获取。
3.1.2. 变量设定
(1) 被解释变量
本文的被解释变量为家庭消费水平，本文选取一年中家庭总支出取对数来衡量一个家庭的消费水平。
(2) 解释变量
本文的核心解释变量为个人税收商业养老保险，根据中国政府网发布声名可知，在2018年中国在上海市、福建省以及苏州市开启试点，因此本文将处于该试点范围内的调查样本设置为实验组，其他地区样本设置为对照组对个人税收商业养老保险的影响进行衡量。
(3) 控制变量
本文进一步从反映家庭现状以及调查样本所属地区的发展状况选择控制变量。各变量具体定义如表1所示：
Table 1. Variable definitions
表1. 变量定义
变量性质 |
变量名称 |
变量符号 |
衡量方式 |
被解释变量 |
消费水平 |
lncnsume |
家庭年支出取对数 |
解释变量 |
个人税收商业养老保险 |
DID |
处于实验组的样本treat设置为1，否则为0，处于政策实施之前的样本pst设置为0，政策实施之后的样本设置为0，DID = treat * pst |
控制变量 |
年龄 |
age |
受访者年龄 |
性别 |
gender |
受访者性别 |
婚姻状况 |
marriage |
受访者婚姻状况 |
受教育水平 |
edu |
受访者学历水平 |
健康状况 |
health |
受访者身体健康状况 |
城乡 |
rural |
受访者户口类型 |
家庭规模 |
size |
受访者家庭人数 |
家庭资产 |
asset |
受访者家庭净资产 |
地区经济发展水平 |
GDP |
地区人均GDP取对数 |
产业结构指数 |
Ind |
地方第三产业增加值比上第二产业增加值 |
城镇化水平 |
Urban |
地方城镇人口占比 |
分组变量 |
金融素养 |
Fin |
家庭金融资产取对数 |
生存性消费 |
|
包括家庭衣食住行类支出加总取对数 |
发展型消费 |
|
包含家庭教育、健康支出 |
享受型消费 |
|
家庭娱乐性支出 |
3.1.3. 模型设定
为验证本文有关个人税收商业养老保险对消费水平影响的理论分析，本文构建双向固定模型(3-1)进行实证检验。
(3-1)
其中lncnsume为本文的被解释变量，代表着消费水平，DID为本文的解释变量，代表着个人税收商业养老保险政策，Cntrls代指本文的全部控制变量，考虑到不同年份有关地区以及个人发展现状不易、不同个人的发展方向不一，本文为了控制不同个体和不同年份对模型回归结果的影响差异，进一步加入了年份(Year)和行业(Pid)虚拟变量进行控制，以上变量的具体衡量方式与前文中描述保持一致。
3.2. 实证结果分析
3.2.1. 描述性统计
本文依据收入水平将样本划分为高收入群体与低收入群体，并分别进行描述性统计分析。如表2、表3显示，在高收入群体中，消费能力的最小值为6.217，最大值为15.45，均值为11.10；在低收入群体中，消费能力的最小值为0，最大值为14.47，均值为10.21。由此可见，高收入群体整体消费能力高于低收入群体，且差异主要集中于消费能力的最低水平，即高收入群体的消费底线显著高于低收入群体。总体而言，该政策在当前阶段的覆盖范围仍存在结构性不均衡，其惠及对象偏向高收入群体。
Table 2. Descriptive statistics of high-income groups
表2. 高收入群体描述性统计
variable |
N |
min |
max |
mean |
sd |
p25 |
p50 |
p75 |
lncnsume |
27,384 |
6.217 |
15.45 |
11.10 |
0.855 |
10.60 |
11.11 |
11.63 |
DID |
27,384 |
0 |
1 |
0.0470 |
0.211 |
0 |
0 |
0 |
age |
27,384 |
16 |
95 |
48.32 |
13.69 |
38 |
48 |
58 |
age2 |
27,384 |
2.560 |
90.25 |
25.24 |
13.71 |
14.44 |
23.04 |
33.64 |
gender |
27,384 |
0 |
1 |
0.535 |
0.499 |
0 |
1 |
1 |
marriage |
27,384 |
0 |
1 |
0.881 |
0.323 |
1 |
1 |
1 |
edu |
27,384 |
0 |
9 |
2.471 |
1.556 |
1 |
2 |
3 |
health |
27,384 |
1 |
5 |
2.976 |
1.128 |
2 |
3 |
4 |
rural |
27,384 |
0 |
1 |
0.659 |
0.474 |
0 |
1 |
1 |
size |
27,384 |
1 |
12 |
2.843 |
1.385 |
2 |
3 |
4 |
asset |
27,384 |
0 |
18.20 |
12.88 |
1.466 |
12.15 |
12.92 |
13.74 |
GDP |
27,384 |
9.849 |
12.15 |
10.96 |
0.464 |
10.63 |
10.91 |
11.22 |
Ind |
27,384 |
0.611 |
5.283 |
1.371 |
0.606 |
1.061 |
1.244 |
1.455 |
Urban |
27,384 |
0.316 |
0.893 |
0.627 |
0.131 |
0.527 |
0.611 |
0.703 |
Table 3. Descriptive statistics of low-income groups
表3. 低收入群体描述性统计
variable |
N |
min |
max |
mean |
sd |
p25 |
p50 |
p75 |
lncnsume |
25,984 |
0 |
14.47 |
10.21 |
0.901 |
9.671 |
10.25 |
10.77 |
DID |
25,984 |
0 |
1 |
0.00700 |
0.0810 |
0 |
0 |
0 |
age |
25,984 |
16 |
94 |
52.73 |
14.21 |
43 |
52 |
64 |
age2 |
25,984 |
2.560 |
88.36 |
29.83 |
15.03 |
18.49 |
27.04 |
40.96 |
gender |
25,984 |
0 |
1 |
0.548 |
0.498 |
0 |
1 |
1 |
marriage |
25,984 |
0 |
1 |
0.812 |
0.391 |
1 |
1 |
1 |
edu |
25,984 |
0 |
9 |
1.587 |
1.450 |
1 |
1 |
2 |
health |
25,984 |
1 |
5 |
2.755 |
1.257 |
2 |
3 |
4 |
rural |
25,984 |
0 |
1 |
0.828 |
0.378 |
1 |
1 |
1 |
size |
25,984 |
1 |
10 |
2.467 |
1.197 |
2 |
2 |
3 |
asset |
25,984 |
0 |
17.75 |
11.65 |
1.568 |
11.01 |
11.86 |
12.55 |
GDP |
25,984 |
9.849 |
12.15 |
10.69 |
0.381 |
10.42 |
10.69 |
10.91 |
Ind |
25,984 |
0.611 |
5.283 |
1.170 |
0.377 |
0.926 |
1.151 |
1.370 |
Urban |
25,984 |
0.338 |
0.893 |
0.564 |
0.111 |
0.488 |
0.545 |
0.640 |
3.2.2. 相关性分析
模型(3-1)中各变量间的直接相关系数结果如表4所示。从表4可知解释变量个人税收商业养老保险政策DID与被解释变量企业消费水平lncnsume的相关系数为0.177，且在1%的显著性水平上显著，表明个人税收商业养老保险政策与消费水平的直接相关性为正向显著，初步证明了本文的研究假设，即个人税收商业养老保险政策会正向影响消费水平。
各控制变量与被解释变量的相关系数均在不同的显著性水平上显著，证明模型(3-1)中选取的各项控制变量是必要且合理的。但各变量间的相关系数仅代表二者的直接关系，本文将进一步通过后续的实证结果分析验证本文的理论分析。
Table 4. Correlation analysis
表4. 相关性分析
|
lncnsume |
DID |
age |
age2 |
gender |
marrige |
edu |
lncnsume |
1 |
|
|
|
|
|
|
DID |
0.177*** |
1 |
|
|
|
|
|
age |
−0.297*** |
0.048*** |
1 |
|
|
|
|
age2 |
−0.301*** |
0.054*** |
0.986*** |
1 |
|
|
|
gender |
−0.038*** |
0.00200 |
0.100*** |
0.102*** |
1 |
|
|
marrige |
0.162*** |
−0.00500 |
−0.012*** |
−0.060*** |
0.015*** |
1 |
|
edu |
0.349*** |
0.096*** |
−0.308*** |
−0.287*** |
0.021*** |
−0.041*** |
1 |
health |
0.100*** |
−0.017*** |
−0.251*** |
−0.239*** |
0.077*** |
0.017*** |
0.127*** |
rural |
−0.231*** |
−0.083*** |
−0.063*** |
−0.066*** |
0.064*** |
0.024*** |
−0.302*** |
size |
0.141*** |
−0.040*** |
−0.012*** |
−0.056*** |
0.045*** |
0.320*** |
−0.101*** |
asset |
0.488*** |
0.218*** |
−0.098*** |
−0.114*** |
−0.00300 |
0.170*** |
0.274*** |
GDP |
0.305*** |
0.405*** |
0.042*** |
0.063*** |
−0.039*** |
−0.071*** |
0.199*** |
Ind |
0.243*** |
0.373*** |
0.007* |
0.021*** |
−0.00300 |
−0.069*** |
0.172*** |
Urban |
0.269*** |
0.353*** |
0.055*** |
0.074*** |
−0.080*** |
−0.073*** |
0.185*** |
|
health |
rural |
size |
asset |
GDP |
Ind |
Urban |
health |
1 |
|
|
|
|
|
|
rural |
0.019*** |
1 |
|
|
|
|
|
size |
0.015*** |
0.104*** |
1 |
|
|
|
|
asset |
0.087*** |
−0.210*** |
0.128*** |
1 |
|
|
|
GDP |
0.030*** |
−0.124*** |
−0.161*** |
0.310*** |
1 |
|
|
Ind |
0.010** |
−0.142*** |
−0.090*** |
0.218*** |
0.532*** |
1 |
|
Urban |
0.008* |
−0.225*** |
−0.186*** |
0.261*** |
0.877*** |
0.564*** |
1 |
注：表中披露的是Spearman相关系数；***、**、*分别表示在1%、5%和10%的水平上显著。
3.2.3. 多重共线性检验
为防止模型(3-1)中各变量间存在严重的多重共线性问题，导致本文的研究结果有效性存在缺陷，本文进一步对各变量的方差膨胀因子(VIF)进行检验，检验结果如表5所示，可以看到各变量的VIF值最大不超过5，远小于10，证明本文各变量间不存在会对回归结果产生显著影响的严重的多重共线性问题。
Table 5. VIF test
表5. VIF检验
Variable |
VIF |
1/VIF |
Urban |
4.980 |
0.201 |
GDP |
4.900 |
0.204 |
Ind |
1.570 |
0.638 |
edu |
1.360 |
0.737 |
asset |
1.310 |
0.766 |
DID |
1.270 |
0.788 |
rural |
1.250 |
0.801 |
age |
1.240 |
0.804 |
size |
1.190 |
0.841 |
marrige |
1.150 |
0.872 |
health |
1.090 |
0.920 |
gender |
1.050 |
0.956 |
Mean |
VIF |
1.860 |
3.2.4. 基准回归检验
模型(3-1)的回归结果如表6所示，列(1)至列(2)分别展示了控制个体和年份后，加入控制变量前后的回归结果。从表6中可知，解释变量个人税收商业养老保险政策DID对被解释变量企业消费水平lncnsume的回归系数始终为正，且均在1%的显著性水平上显著，即个人税收商业养老保险政策会对消费水平产生显著的促进作用。
Table 6. Benchmark regression test
表6. 基准回归检验
VARIABLES |
(1) lncnsume |
(2) lncnsume |
DID |
0.302*** |
0.213*** |
|
(11.53) |
(7.44) |
age |
|
−0.003 |
|
|
(−0.23) |
gender |
|
0.308* |
|
|
(1.92) |
marrige |
|
0.236*** |
|
|
(10.37) |
edu |
|
0.012** |
|
|
(2.45) |
health |
|
−0.015*** |
|
|
(−3.83) |
rural |
|
−0.015 |
|
|
(−0.96) |
size |
|
0.072*** |
|
|
(17.78) |
asset |
|
0.077*** |
|
|
(20.00) |
GDP |
|
0.198*** |
|
|
(3.61) |
Ind |
|
0.045** |
|
|
(2.48) |
Urban |
|
−0.932*** |
|
|
(−4.61) |
Cnstant |
10.657*** |
7.684*** |
|
(3851.70) |
(9.70) |
|
|
|
bservatins |
53,368 |
53,368 |
R-squared |
0.730 |
0.740 |
Stkcd FE |
YES |
YES |
Year FE |
YES |
YES |
Rbust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
3.2.5. 稳健性检验
为防止极端值对本文结果的影响，本文将模型(3-1)中的样本进行1%的水平上的缩尾，并将样本进行重新回归，回归结果如表7所示，可以看到解释变量个人税收商业养老保险政策DID对被解释变量消费水平lncnsume的回归系数仍为正向，且在1%的显著性水平上显著，证明本文回归结果稳健。
Table 7. Robustness test
表7. 稳健性检验
VARIABLES |
(1) lncnsume |
DID |
0.186*** |
|
(6.76) |
age |
−0.024*** |
|
(−2.66) |
gender |
0.310* |
|
(1.95) |
marriage |
0.211*** |
|
(10.03) |
edu |
0.023*** |
|
(3.53) |
health |
−0.016*** |
|
(−4.14) |
rural |
−0.018 |
|
(−1.23) |
size |
0.074*** |
|
(18.39) |
asset |
0.098*** |
|
(26.89) |
GDP |
0.202*** |
|
(3.75) |
Ind |
0.054** |
|
(2.27) |
Urban |
−0.811*** |
|
(−4.10) |
Cnstant |
8.349*** |
|
(12.19) |
bservatins |
53,368 |
R-squared |
0.747 |
Stkcd FE |
YES |
Year FE |
YES |
Rbust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
3.2.6. 异质性分析
(1) 基于家庭收入的异质性检验
本文根据受访者家庭收入的中位数，将样本细分为高收入组和低收入组，并分别对这两组进行了回归分析。下表详细展示了分组回归的结果：在家庭收入较高的样本组中，个人税收商业养老保险政策(DID)对消费水平(lncnsume)的回归系数显著为正，且达到了1%的显著性水平；相比之下，在家庭收入较低的样本组中，该政策的回归系数为负，但在统计上并不显著。表8清晰地揭示了个人税收商业养老保险政策在促进消费水平提升方面存在显著的收入异质性。具体而言，该政策主要显著地推动了高收入群体的消费水平上升，而对于低收入群体的消费影响则相对微弱，未呈现出明显的统计显著性。
(1) 基于金融素养的异质性检验
本文根据受访者样本的金融素养情况，以其中位数为基准进行分组，并开展了分组回归分析。具体结果如表9所示，在金融素养较高的样本组中，个人税收商业养老保险政策(DID)对被解释变量消费水平(lncnsume)的回归系数呈现正向影响，且在1%的统计水平上显著。这意味着，在金融知识较为丰富的群体中，该政策的实施有效促进了消费水平的提升。然而，在金融素养较低的样本组中，个人税收商业养老保险政策(DID)对消费水平(lncnsume)的回归系数则呈现负向影响，但这一结果并未达到统计显著性水平。这表明，在金融知识相对匮乏的群体中，该政策对消费水平的影响并不明显。综上所述，个人税收商业养老保险政策对消费水平的影响存在显著的金融素养异质性。在金融素养较高的群体中，该政策能够显著促进消费水平的提升；而在金融素养较低的群体中，其影响则相对有限。
Table 8. Heterogeneity analysis based on income level
表8. 基于收入水平的异质性分析
VARIABLES |
(1) lncnsume |
(2) lncnsume |
DID |
0.258*** |
−0.047 |
|
(7.51) |
(−0.61) |
age |
−0.024 |
0.016 |
|
(−0.74) |
(1.14) |
gender |
0.251 |
0.259 |
|
(1.03) |
(0.74) |
marrige |
0.223*** |
0.183*** |
|
(7.01) |
(4.57) |
edu |
0.004 |
0.014** |
|
(0.44) |
(2.10) |
health |
−0.010 |
−0.012* |
|
(−1.61) |
(−1.91) |
rural |
−0.042** |
−0.033 |
|
(−2.17) |
(−0.91) |
size |
0.049*** |
0.078*** |
|
(8.27) |
(10.47) |
asset |
0.079*** |
0.056*** |
|
(13.58) |
(9.21) |
GDP |
0.148* |
0.029 |
|
(1.83) |
(0.28) |
Ind |
0.025 |
0.004 |
|
(1.01) |
(0.11) |
Urban |
−0.439 |
−0.529 |
|
(−1.59) |
(−1.28) |
Cnstant |
9.455*** |
8.171*** |
|
(5.54) |
(6.73) |
|
|
|
bservatins |
23,292 |
21,812 |
R-squared |
0.698 |
0.688 |
Stkcd FE |
YES |
YES |
Year FE |
YES |
YES |
Rbust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
Table 9. Heterogeneity analysis based on financial literacy
表9. 基于金融素养的异质性分析
VARIABLES |
(1) lncnsume |
(2) lncnsume |
DID |
0.391*** |
−0.050 |
|
(9.77) |
(−0.80) |
age |
0.015 |
0.001 |
|
(0.43) |
(0.04) |
gender |
0.131 |
0.240 |
|
(0.48) |
(0.72) |
marrige |
0.245*** |
0.163*** |
|
(7.24) |
(3.75) |
edu |
0.013 |
0.009 |
|
(1.12) |
(1.32) |
health |
−0.013** |
−0.018*** |
|
(−2.06) |
(−2.67) |
rural |
−0.021 |
−0.064* |
|
(−1.01) |
(−1.80) |
size |
0.065*** |
0.071*** |
|
(10.62) |
(9.94) |
asset |
0.133*** |
0.054*** |
|
(18.68) |
(9.47) |
GDP |
0.071 |
0.280** |
|
(0.90) |
(2.49) |
Ind |
0.004 |
−0.025 |
|
(0.17) |
(−0.60) |
Urban |
−0.201 |
−1.455*** |
|
(−0.73) |
(−3.18) |
Cnstant |
7.401*** |
7.151*** |
|
(4.03) |
(5.33) |
|
|
|
bservatins |
21,968 |
20,653 |
R-squared |
0.775 |
0.724 |
Stkcd FE |
YES |
YES |
Year FE |
YES |
YES |
Rbust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
(2) 基于不同消费的异质性检验
本文针对不同消费类型进行了异质性分析，具体做法是对被解释变量进行替换，并得出了以下结果，如表10所示：个人税收商业养老保险政策(DID)对生存型消费的影响为负向，但这一结果并未达到统计显著性水平。这可能意味着，该政策并未显著改变受访者在基本生活消费方面的支出模式。对于发展型消费，个人税收商业养老保险政策(DID)的影响为正，但同样未达到统计显著性。这表明，尽管政策可能
Table 10. Heterogeneity analysis based on different incomes
表10. 基于不同收入的异质性分析
VARIABLES |
(1) 生存性消费 |
(2) 发展型消费 |
(3) 娱乐性消费 |
DID |
−0.007 |
0.120 |
0.282** |
|
(−0.25) |
(0.73) |
(2.00) |
age |
−0.007 |
0.003 |
−0.078 |
|
(−0.49) |
(0.06) |
(−1.26) |
gender |
0.240 |
−0.069 |
−0.242 |
|
(1.57) |
(−0.06) |
(−0.25) |
marrige |
0.300*** |
0.092 |
0.205** |
|
(13.27) |
(0.87) |
(2.12) |
edu |
0.012** |
0.016 |
0.029 |
|
(2.15) |
(0.80) |
(1.62) |
health |
−0.017*** |
−0.021 |
−0.011 |
|
(−4.40) |
(−1.07) |
(−0.63) |
rural |
−0.013 |
−0.066 |
−0.271*** |
|
(−0.84) |
(−0.74) |
(−3.57) |
size |
0.060*** |
0.413*** |
0.300*** |
|
(14.82) |
(18.66) |
(15.64) |
asset |
0.077*** |
0.095*** |
0.143*** |
|
(18.15) |
(6.41) |
(10.45) |
GDP |
0.251*** |
−0.393 |
−0.062 |
|
(4.65) |
(−1.27) |
(−0.23) |
Ind |
0.030 |
−0.323*** |
−0.184** |
|
(1.63) |
(−2.84) |
(−2.05) |
Urban |
−0.940*** |
0.886 |
−0.974 |
|
(−4.74) |
(0.77) |
(−0.99) |
Cnstant |
7.091*** |
6.104 |
8.313** |
|
(7.98) |
(1.42) |
(2.04) |
bservatins |
53,368 |
53,368 |
53,368 |
R-squared |
0.722 |
0.671 |
0.683 |
Stkcd FE |
YES |
YES |
YES |
Year FE |
YES |
YES |
YES |
Rbust t-statistics in parentheses. ***p < 0.01, **p < 0.05, *p < 0.1.
对促进受访者在教育、培训、健康等发展型消费方面有一定的积极作用，但这种影响并不明显。然而，对于娱乐型消费，个人税收商业养老保险政策(DID)的影响显著为正，且在1%的统计水平上显著。这显示出，该政策在激发受访者娱乐消费方面的潜力较大，能够显著提高其娱乐消费水平。综上所述，个人税收商业养老保险政策对不同类型的消费具有不同的影响。虽然政策对生存型和发展型消费的影响不显著，但对娱乐型消费具有显著的促进作用。
4. 结论与建议
4.1. 研究结论
4.1.1. 政策对消费的促进作用显著且稳健，核心机制为可支配收入释放
基于2012~2022年中国家庭追踪调查(CFPS)数据，采用双重差分法(DID)的基准回归结果显示，个税递延型养老保险政策对居民消费水平的回归系数为0.213，且在1%的统计水平上显著，这表明该政策能显著提升居民消费水平。从作用机制来看，政策通过“缴费阶段免税、投资阶段免税、领取阶段征税”(EET)的税收优惠模式，有效降低了居民当期税收负担，释放了部分可支配收入，进而激活了消费动能。为验证结论的可靠性，本文开展了一系列稳健性检验。在1%水平上对样本进行缩尾处理后重新回归，政策对消费水平的回归系数为0.186，仍在1%统计水平显著；平行趋势检验结果显示，政策实施前(Prek)的回归系数均不显著，而政策实施当期(Current)和后期(Psth)的回归系数显著为正，证明政策实施前后对照组与实验组的消费趋势具有一致性，政策效果并非由其他时间趋势因素干扰；安慰剂检验通过500次随机设定政策冲击时间，结果显示估计系数呈正态分布且集中在0附近，排除了其他不可观测因素对实证结果的显著影响。综合来看，个税递延型养老保险政策促进居民消费的结论具有较强稳健性。
4.1.2. 政策效果异质性突出，三重分化特征明显
从收入维度分析，政策效果呈现显著的收入分层差异。将样本按家庭收入中位数划分为高收入组与低收入组后发现，高收入组中政策对消费水平的回归系数为0.258，在1%统计水平显著，表明政策能有效促进高收入群体消费；而低收入组中政策回归系数为−0.047，且未通过统计显著性检验，意味着政策对低收入群体消费无显著正向影响，甚至存在微弱负向趋势。这一差异源于高收入群体边际税率更高，税收优惠带来的实际收益更明显，且其流动性约束较弱，参与政策后仍有充足资金用于消费；低收入群体则因边际税率低、税收优惠感知不强，同时面临较强的流动性约束，有限收入优先用于基本生活开支，难以通过政策释放消费潜力。
4.1.3. 制度设计存在短板，制约政策效能充分发挥
从政策覆盖范围来看，试点阶段仅在上海、福建(含厦门)、苏州工业园区开展，全国层面推广时间较晚(2022年11月)，导致样本中受政策影响的DID样本占比仅为2.7%，政策覆盖广度不足，难以充分发挥对整体居民消费的拉动作用。在群体普惠性方面，低收入群体参与率极低(样本中低收入群体受政策影响比例仅为0.07%)，政策未能有效覆盖这一庞大群体，既削弱了政策促进消费的整体效果，也不利于缩小不同收入群体间的消费差距。同时，金融素养壁垒使得低金融素养群体难以有效参与政策，进一步加剧了政策受益群体的局限性。从政策设计细节来看，每年12,000元的缴费上限虽能满足部分中低收入群体的缴费能力，但对于高收入群体而言，该上限难以充分发挥其养老储蓄与税收筹划需求，限制了政策对高收入群体消费的进一步拉动作用；此外，政策在流动性安排上较为严格，缺乏针对居民紧急资金需求的灵活提取机制，可能导致部分居民因担心资金流动性问题而不愿参与政策，间接影响政策对消费的促进效果。
在金融素养维度，政策效果同样存在明显分化。以金融素养中位数为分组标准，高金融素养组的政策回归系数为0.391，在1%统计水平显著，说明高金融素养群体能充分理解政策的税收优惠逻辑与长期养老保障价值，更愿意参与政策并将释放的可支配收入转化为消费；低金融素养组的政策回归系数为−0.050，未通过统计显著性检验，由于该群体对金融产品的认知不足，难以准确评估政策收益与风险，参与意愿较低，政策对其消费的拉动作用自然受限。从消费结构维度观察，政策对不同类型消费的影响存在差异。具体而言，政策对娱乐型消费的回归系数为0.282，在5%统计水平显著，表明政策能显著刺激居民在娱乐、休闲等非必需消费领域的支出；对生存型消费(衣食住行等基本生活消费)的回归系数为−0.007，未通过统计显著性检验，说明政策不会改变居民在基本生活保障方面的消费支出模式；对发展型消费(教育、健康等提升个人能力与生活质量的消费)的回归系数为0.120，但未达到统计显著性标准，反映政策对发展型消费有一定正向带动趋势，但效果尚不明显。这种结构差异的原因在于，政策释放的可支配收入属于“增量资金”，居民更倾向于将其用于弹性较大的娱乐型消费，而生存型消费具有刚性特征，发展型消费则受长期消费规划、教育医疗资源可及性等其他因素制约，政策的短期拉动效果有限。
4.2. 政策建议
4.2.1. 构建分层税收激励与补贴体系，增强政策公平性与普惠性
针对不同收入群体设计差异化税收抵扣比例，对于年收入低于12万元的中低收入群体，将其个税递延型养老保险缴费的税前抵扣比例从现行的10%提高至20%，通过加大税收优惠力度，提升该群体的政策参与意愿与实际收益；对于年收入12~30万元的中等收入群体，维持10%~15%的抵扣比例，平衡其养老储蓄与消费需求；对于年收入超过30万元的高收入群体，将抵扣比例设定为8%~10%，避免政策过度向高收入群体倾斜。同时，建立缴费上限动态调整机制，以全国居民人均可支配收入增速为基准，每2年对缴费上限进行一次调整，计算公式为“当年缴费上限 = 上一年缴费上限 × (1 + 全国居民人均可支配收入增速)”，确保缴费上限与居民收入增长水平相匹配，充分满足不同收入群体的养老储蓄需求。为解决低收入群体税收优惠感知不强的问题，设立低收入群体专项财政补贴。对于年收入低于6万元的低收入群体，若其每年缴纳个税递延型养老保险保费达到3000元及以上，给予每年500~1000元的财政补贴，补贴资金直接注入其养老保险账户；对于农村低收入群体、低保家庭等特殊低收入群体，补贴标准提高至1000~1500元，且补贴申请与城乡居民低保、农村养老保险等政策衔接，简化申请流程，通过“一站式”服务实现补贴自动发放。此外，鼓励企业为低收入员工缴纳个税递延型养老保险保费，企业缴费部分可享受企业所得税额外抵扣优惠，抵扣比例为企业缴费金额的50%，最高抵扣限额不超过企业年度应纳税所得额的5%，以此激励企业参与，助力低收入群体参与政策。
4.2.2. 优化政策参与流程与产品设计，降低参与门槛与流动性约束
简化政策参与操作流程，依托社保卡建立“一人一账户”的个税递延型养老保险统一账户体系，居民通过国家政务服务平台、社保APP等线上渠道即可完成账户开户、保费缴纳、税收抵扣申报等全流程操作，无需前往金融机构线下办理。同时，实现个税申报系统与养老保险账户系统的数据互通，自动计算居民缴费金额对应的税收抵扣额度，无需居民手动申报，减少操作环节与时间成本。对于不熟悉线上操作的老年群体、农村群体等，在社区服务中心、农村信用社等设立线下服务站点，配备专门工作人员提供操作指导与代办服务。创新养老保险产品的流动性设计，在保障养老资金长期储备功能的前提下，允许居民在特定紧急情况下申请部分资金提取。具体而言，居民因重大疾病(参照国家医保目录中的重大疾病范围)、失业超过6个月、遭遇自然灾害或意外事故导致家庭财产重大损失等情形，可申请提取账户资金的30%，单次提取金额不超过5万元，且每2年最多提取1次。提取资金时仅需提供医院诊断证明、失业登记证明、灾害事故证明等相关材料，审核通过后3个工作日内完成资金到账，且对提取部分仅按当期税率征收个人所得税，不额外收取罚金。此外，推出“个税递延型养老保险 + 应急贷款”联动产品，居民在账户资金积累达到一定规模(如1万元)后，可凭借账户资产向合作金融机构申请应急贷款，贷款额度不超过账户资产的50%，贷款利率按同期LPR (贷款市场报价利率)下调10%执行，贷款期限最长1年，缓解居民短期流动性压力。
4.2.3. 实施精准化金融教育与宣传推广，提升居民政策认知水平
开展社区下沉式金融教育工程，联合银行、保险公司、证券公司等金融机构，在城市社区、农村村委会设立“金融教育服务站”，每月开展1~2次个税递延型养老保险专题培训。培训内容根据不同群体需求定制，针对低收入群体，重点讲解政策的税收优惠计算方式、财政补贴政策、参与流程等实用内容；针对高金融素养群体，深入解读政策的长期养老规划价值、投资收益计算、与其他金融产品的搭配策略等；针对老年群体，采用通俗易懂的语言与案例，讲解政策对退休后生活质量的保障作用、资金领取规则等。同时，制作图文并茂的宣传手册、短视频、动画等宣传材料，在社区公告栏、微信公众号、短视频平台等渠道发布，扩大宣传覆盖面。建立政策宣传“政企社”联动机制，政府部门负责制定宣传规划与标准，通过官方媒体发布政策解读、典型案例等权威信息；金融机构利用网点柜台、手机APP、客服热线等渠道，向客户精准推送政策信息，为客户提供一对一的政策咨询服务；社区组织志愿者开展入户宣传活动，尤其是针对农村地区、老年群体等宣传薄弱区域，上门讲解政策内容，协助居民完成政策参与操作。
5. 结语
个税递延型养老保险政策具备提振消费的潜力，但其效能释放需突破当前“高收入偏好”与“金融素养壁垒”的双重桎梏。通过分层激励、流动性松绑与产品创新三重改革，可构建“养老储备–当期消费–终身福祉”的良性循环，最终实现应对老龄化与扩大内需的战略协同。
基金项目
西南民族大学经济学院研究生创新型项目。