本文使用队列 DID 框架来评估个体生命早期接触 RHE 对其青少年教育结果的影响。该策略利用儿童因出生县和时间的随机性而外生暴露于 RHE 的逐县队列变化，将学龄前时期接触的个体与因出生较早而未能有效接触的个体进行比较，并将出生在 RHE 的个体与非 RHE 的个体进行对比。具体而言，本文估计以下回归模型：

其中，下标 i 表示个体，c 表示出生地所在县，b 表示出生队列，p 表示省份。因变量 Yicb 表示个体青少年时期的教育结果，包括受教育年限、初中入学率和高中入学率。Xicb 是个体层面的控制变量，包括性别、民族和房间数。其中，房间数能够刻画家庭的经济表现和人口规模。所有回归设定均包括了出生县固定效应（δc）、出生队列固定效应（λb）和省级出生队列线性趋势（τp × b）。εicb 为随机误差项。标准误在出生县层面聚类，以解释同一县青少年间的结果相关性。

Exposurecb 是 c 县出生的儿童在学龄前（7 岁前）接触到 RHE 的程度。例如，个体在出生县成为RHE 一年后出生，则视为完全接触（Exposurecb = 1），而出生县成为 RHE 时已经 7 岁以上的个体则被定义为完全不接触（Exposurecb = 0）。因此，系数 β 解释了学龄前儿童从完全不接触到完全接触（接触程度从 0 增加到 1）对个体教育结果的影响程度。值得注意的是，RHE 与已有的教育政策不同，定义的受影响队列与不受影响队列并不具有完全的间断性，没有学龄前接触的队列通常在青少年时期接触到该项目。因此，本文对估计结果的解释与 Huang 和 Liu（2023）类似，即以上学后接触 RHE为条件，学龄前儿童接触 RHE 的程度的边际增加对个体教育结果的影响。

识别有效性要求，在未实施 RHE 的情况下，试点县出生的青少年与非试点县出生的青少年的教育结果具有相同的趋势。这一要求面临的第一个挑战是 RHE 试点县的选择是非随机的，改革县与非改革县在 1984 年以前存在系统性差异。对 RHE 而言，这些系统性差异主要体现在小水电的选址条件上，包括坡度、河流密度与径流量等。幸运的是，这些因素在一定时间内的变异很小，式（1）中控制的出生县固定效应有效捕捉了试点县与非试点县之间的选址条件差异，因此 RHE 选择的非随机性担忧并不是本文面临的主要问题。

同时期并发的政策可能是本文识别有效性面临的第二个潜在威胁。本文利用两种方式来缓解这一担忧。第一，利用城市样本重复式（1）的回归。城市儿童与农村儿童面临相同的宏观经济冲击，但由于小水电主要解决农村地区的电力供应短缺问题，他们对 RHE 的接触明显不同①。第二，本文进一步控制了同时期经济政策的影响，包括撤县设区（陈斌开等，2023）、开发区建设（Lu 等，2023；Zhao 和 Qu，2024）和扶贫政策（尹志超和郭沛瑶，2021）的影响，已有研究表明这些政策会影响农村地区的人力资本积累。

1.被解释变量：人力资本水平 

本文用个体的受教育程度来代理人力资本水平。2010年人口普查数据将个体的受教育程度从未上学、小学到研究生分为 7个层次。基于这些分类信息并参考 Bianchi等（2022）、陈斌开等（2023）的研究，本文定义了三个人力资本水平的测量指标，分别是受教育年限、初中入学率和高中入学率。其中，若个体回答其最高受教育程度为初中及以上，则初中入学率取 1，否则取0；若个体回答其最高受教育程度为高中及以上，则高中入学率取 1，否则取 0；受教育年限按各教育阶段学制进行折算。

2.核心解释变量：学龄前儿童（7 岁以前）接触农村电气化的程度

农村电气化试点县数据来自1983 年、1991 年和 1996 年国务院官方发布的第一至三轮农村水电初级电气化试点县名单。附图 1呈现了三轮电气化试点县的空间分布。个体层面的控制变量包括性别、民族和房间数。在机制分析部分，用 2018 年 CFPS 数据获取健康信息，地方财政相关数据来自《全国地市县财政统计资料》。

见推文末尾。

中国深度数据库：让精品数据 得以流动

CNDeepData：Let high-quality data flow without barriers