高校扩招教育回报率与城镇劳动力的工资差异.docx

高校扩招教育回报率与城镇劳动力的工资差异.docx

《高校扩招教育回报率与城镇劳动力的工资差异.docx》由会员分享，可在线阅读，更多相关《高校扩招教育回报率与城镇劳动力的工资差异.docx（13页珍藏版）》请在冰豆网上搜索。

高校扩招教育回报率与城镇劳动力的工资差异

《高校扩招、教育回报率与城镇劳动力的工资差异》

摘要：

有关工资差异的研究往往以“歧视”为切入点，从劳动力市场分割、职业隔离、性别、年龄以及教育程度出发（孟凡强、熊家财，2015;周春芳、苏群，2018;孟凡强、向晓梅，2019;钟若愚、屈沙，2019），采用均值分解或分布分解的研究方法（杨锦英、马良、方峥、何翠香，2016;苏群、冯波、吴奇峰，2017;章莉、蔡文鑫，2017;周春芳、苏群，2018），检验城镇、城乡劳动力市场上的工资差异，发现构成效应（CompositionEffect）与结构效应（StructureEffect）共同造成了农民工与城镇劳动力在二元经济结构下的“同工不同酬”，TianchengandChangDawei，2018，TheImpactofHigherEducationExpansionEqualityofUrbanandRuralResidents：

BasedonthePerspectiveofReturntoEducationandEntranceOpportunity，AcademicResearch，7.]，WuQifeng，2017，EducationalQualityandUrbanvsRuralRegionalHouseholdRegistrationDiscriminationandTheirRelationshipwithWageDifferentialbetweenUrbanandRuralLabors：

BasedonQuantileRegressionandDecompositionMethod，JournalofMacro-qualityResearch，2.]

方超　黄斌

摘要：

高校扩招政策的经济社会价值是大学教育质量的“风向标”，也是学术界关注的焦点。

利用中国家庭收入调查数据，采用普通最小二乘法与工具变量法、倾向得分匹配法与处理效应模型、无条件分位数回归及其分解的方法，研究城镇劳动力的大学教育回报率及工资差异，从劳动力市场的视角审视高校扩招政策的对大学教育质量的影响，研究发现：

（1）高校扩招政策具有较强的个体增收效应，但基准估计因遗漏变量等内生性问题低估了城镇劳动力的大学教育回报率;

（2）个体大学教育决策具有异质性，利用倾向得分匹配法与处理效应模型进行纠偏后，发现大学教育回报率在101%～116%以及128%～129%之间;（3）大学教育对于收入分布的无条件影响类似于V型曲线，在工资差异中表现出“黏地板效应”，高校扩招政策引致的工资差异则表现为“天花板效应”。

关键词：

高校扩招;教育回报率;工资差异;黏地板效应;天花板效应

一、引言

高校扩招政策是我国现行争议最大的教育制度之一（方超、黄斌，2020）。

教育部在1998年底颁布了《面向21世纪教育振兴行动计划》，提出“积极稳步发展高等教育，高等教育入学率达到11%”（教育部，1998），自此拉开了高校扩招政策的序幕参见我国高等教育历经20余年的外向型发展后，毛入学率业已达到了481%（教育部，2019），即将步入普及化的高等教育发展阶段参见与此同时，如果在教育与劳动力市场之间建立供给-需求关系，高等教育毛入学率的上升意味着教育领域向劳动力市场供给了一批具有大学教育程度的技能劳动力。

据《中国劳动统计年鉴》提供的数据显示，全国具有大学及以上教育程度的技能劳动力的占比由1999年的38%，上升到了2017年的194%，其中，研究生及以上教育程度的高技能劳动力占比达到了08%1999年的统计口径为大专及以上;2018年的统计口径为高等职业教育、大学专科、大学本科、研究生。

。

在高等教育毛入学率与技能劳动力供给持续上升的背景下，科学评估高校扩招政策对于城镇劳动力收入水平以及工资差异的影响具有较强的现实价值。

对学术研究而言，基于事后观测数据的回朔性评估有助于拓展相关选题的学术增量;对政策实践而言，由于高校扩招政策的社会经济价值是大学教育质量的“风向标”，因而高校扩招对教育收益率及工资差异的影响，能够帮助教育决策部门从劳动力市场的视角审视大学教育質量的变化，从而为新时代的高等教育政策调整提供经验证据。

鉴于此，本文利用高校扩招政策提供的自然实验，以城镇劳动力为研究对象，利用倾向得分匹配法与处理效应模型纠正由可观测和不可观测异质性引起的内生偏估，利用无条件分位数回归捕捉高校扩招政策的异质性收益特征，并采用FFL分解揭示扩招政策对城镇劳动力工资差异的影响。

全文结构安排如下：

第一部分通过引言提出研究问题;第二部分系统梳理有关教育回报率、高校扩招政策以及工资差异的研究进展;第三部分阐述基准模型与研究方法;第四部分介绍数据、变量及统计描述;第五部分报告基准回归、处理效应模型、倾向得分匹配法、无条件分位数回归及其分解的估计结果;第六部分为全文总结。

二、文献综述

自雅各布·明瑟提出工资决定方程后，明瑟收益率（Mincerianrateofreturn）便被学者广泛用来测量学历教育的经济社会价值。

明瑟收益率又被称为教育回报率或教育收益率（TheReturntoEducation），指的是劳动者接受一年学历教育能够提高收入的百分比。

迄今为止，劳动经济学、教育经济学有关教育回报率的文献可谓不胜枚举，孙志军（2004）、邓峰（2013）以及周金燕（2015）分别从政策解读与研究方法等不同视角对教育回报率的研究进展做了较为全面的研究综述。

本文仅根据研究需要梳理高校扩招、教育回报率以及城镇劳动力工资差异的相关研究。

（一）高校扩招与教育收益率

从高校扩招政策看，大学教育回报率由于受到资本-技能互补（Capital-skillComplementary）和技能偏态型技术进步（Skill-biasedTechnologyChange）的影响存在着上升或下降两种不确定性。

部分研究认为，劳动市场需求应对高等教育供给具有一定的时滞性，高校扩招对劳动力市场的影响表现为渐进增强的过程（Gaoetal.，2015;Kuoetal.，2016），技能劳动力的供给扩张在短期内不会降低大学教育回报率（马汴京、蔡海静、姚先国，2016;余华义、侯玉娟，2019），但可能拉开不同群体的收入差距（初帅、孟凡强，2017;常进雄、阮天成、常大伟，2018）。

同时，也有部分研究指出，高校扩招与技能劳动力的供给上升造成了特定年龄段大学教育回报率下降的现象（Croixetal.，2007;马光荣、纪洋，徐建炜，2017）。

（二）高校扩招与工资差异

有关工资差异的研究往往以“歧视”为切入点，从劳动力市场分割、职业隔离、性别、年龄以及教育程度出发（孟凡强、熊家财，2015;周春芳、苏群，2018;孟凡强、向晓梅，2019;钟若愚、屈沙，2019），采用均值分解或分布分解的研究方法（杨锦英、马良、方峥、何翠香，2016;苏群、冯波、吴奇峰，2017;章莉、蔡文鑫，2017;周春芳、苏群，2018），检验城镇、城乡劳动力市场上的工资差异，发现构成效应（CompositionEffect）与结构效应（StructureEffect）共同造成了农民工与城镇劳动力在二元经济结构下的“同工不同酬”。

（三）研究述评

总的来看，教育经济学、劳动经济学界围绕高校扩招、教育回报率以及城镇劳动力的工资差异业已开展了丰富有益的学术研究，并为深化教育事业改革、完善劳动力市场制度建设提供了宝贵的政策建议，但既有文献仍可从以下三方面进行深度拓展：

第一，有关高校扩招、教育回报率以及工资差异三者关系的研究相对割裂，对于高校扩招政策影响城镇劳动力教育回报率及工资差异的关注稍显不足;第二，有关因果性教育回报率的估计往往受到内生性的掣肘，而内生性问题又可以分为由可观测异质性和不可观测异质性引致的估计偏误（刘泽云，2009），但既有研究在解决内生性问题时，或倚重解决可观测异质性，或倚重解决不可观测异质性;第三，有关工资差异的分解缺乏对高校扩招政策的关注，尤其在分布分解时缺乏采用无条件分位数回归及其分解的研究方法。

本文的边际贡献值有以下三点：

第一，基于高校扩招政策提供的自然实验开展研究设计，将高校扩招、教育回报率与城镇劳动力的工资差异有机联系起来，并以此作为诊断性指标，衡量大学教育质量的变化;第二，综合采用工具变量法、倾向得分匹配法以及处理效应模型，纠正由可观测异质性和不可观测异质性引致的内生问题，通过因果性教育收益率的估计，旨在实现教育与收入的因果关系推断;第三，关注高校扩招政策引致的工资差异，采用无条件分位数回归捕捉高校扩招政策的异质性收益特征，分解高校扩招政策对工资差异的影响。

三、研究设计

（一）基准模型

基准模型采用Mincer（1974）提供的工资决定方程：

在式

（1）中，wagei表示个体i的对数工资;Educi表示i接受学校教育的年限，β1为明瑟收益率，表示接受一年学校教育能够提高收入的百分比;Zi表示除学校教育因素以外其他影响城镇劳动力工资收入的向量，包括工作经验及其二次项、个体特征以及行业特征等;μi为零均值期望的随机误差项。

（二）研究方法

由于教育选择具有異质性，即使高校扩招政策在一定程度上放宽了大学教育的配额限制，使得某些原本达不到大学门槛的个体获得了大学教育机会，但那些具有比较优势、先天高能力者以及能够获得更高预期收益的个体更有可能接受大学教育（方超、黄斌，2019）。

此时，受到可观测异质性与不可观测异质性的影响，利用普通最小二乘法将偏估城镇劳动力的大学教育回报率。

鉴于此，本文将在基准估计之后，采用倾向得分匹配与处理效应模型，分别纠正由可观测和不可观测异质性引致的估计偏误。

1.倾向得分匹配法

就可观测异质性而言，选择性偏差（SelectionBias）主要体现在两个方面：

第一，由可观测特征导致的自选择问题（SelfSelection）;第二，由处理组（Treated）与控制组（Control）的原始条件差异导致的反事实问题（Counterfactual）。

针对两类问题，本文采用Rosenbaum&Rubin（1985）提供的倾向得分匹配法（PropensityScoreMatching，PSM）予以解决。

PSM在技术处理上分三步进行：

第一，通过匹配再抽样的方式得到处理组与控制组的配对样本，选择协变量并进行平衡性检验;第二，估计倾向分值;第三，利用配对后的样本估计平均处理效应。

在式

（2）（3）（4）中，lnwage1i表示高校扩招样本中接受大学教育者的对数工资;lnwage0i则表示未接受大学教育者的对数工资;X是由可观测特征构成的向量;ATT、ATU、ATE分别表示接受大学教育后的平均处理效应、未接受大学教育的平均处理效应以及平均处理效应。

2.处理效应模型

如前所述，大学教育决策除了受到可观测特征的影响以外，还会受到预期收益等不可观测因素的影响。

鉴于倾向得分匹配无法纠正由不可观测异质性引致的估计偏误，本文将在PSM估计之后，进一步采用处理效应模型（TreatmentEffectModel，TEM）纠正由不可观测异质性造成的估计偏误。

TEM在技术处理上分两步进行，首先需要建立个体大学教育决策的选择方程：

在式（7）中，特征向量δi可以和选择方程中的Xi部分重合，但至少有一个识别变量X1i不在δi中，从而保证结果方程的可识别性。

假定Cov（X1i，μi）=0，识别变量X1i进入第一阶段选择方程，影响个体大学教育决策，但不进入第二阶段结果方程干预个体收入水平。

因此，识别变量在客观上充当了工具变量的作用（邓睿，2019）。

ρμε为选择方程随机误差项μi和结果方程随机误差项εi的相关系数，当ρμε≠0且统计显著时，表明方程受到不可观测异质性的扰动，需要利用TEM进行纠正。

3无条件分位数回归

PSM和TEM仅能基于均值效应评价高校扩招政策的个体增收效果，但政策制定者更关心的是高校扩招政策的异质型收益特征，通过分析大学教育对不同群体的异质性增收效应，决策者能够从收入均等化的视角科学评价高校扩招政策的经济社会价值，从而为深化教育事业改革提供证据支撑。

因此，数量相当的学术研究采用了Koenker&Bassett（1978）提供的条件期望分位数回归捕捉高校扩招或大学教育的异质型收益特征，但该方法仅能刻画自变量影响因变量变化的有条件影响，无法为自变量无条件影响因变量的变化提供合理的解释。

鉴于此，本文将采用Firpoetal.（2009）提供的无条件分位数回归（UnconditionalQuantileRegression），捕捉高校扩招政策对于城镇劳动力工资收入的无条件影响：

在式（8）中，β表示高校扩招政策Di的边际变化对Qτ分位点上工资收入的边际影响，利用式（8）即可得到高校扩招政策对于收入分布的无条件影响。

4.无条件分位数分解

劳动经济学有关工资差异的研究始于Oaxaca-Blinder（1973）提出的均值分解，分解方法也从均值分解逐步扩展到了分布分解，郭继强、姜俪、陆利丽（2011）曾对不同分解方法进行了全面的文献梳理。

根据异质性的研究需要，本文基于再集中相应函数（RecenteredInfluenceFunction，RIF），采用FFL分解城镇劳动力的工资差异。

在技术处理方面，我们利用Firpoetal.（2007）与Fortinetal.（2011）提供的权重重置法（ReweightingFunction），构建工资分布的反事实框架，将工资差异分解为能够被可观测特征所解释的构成效应（CompositionEffect）以及不能被可观测特征所解释的歧视，即结构效应（StructureEffect），通过RIF进行回归分解：

四、数据与变量

（一）数据

实证研究采用北京师范大学收入分配研究院与国家统计局联合开展的中国家庭收入调查数据（ChinaHouseholdIncomeProject，CHIP）。

中国家庭收入调查在1989年、1996年、2003年、2008年以及2014年开展了五轮入户调查，数据涵盖城、乡以及乡-城转移人口的基本特征、就业收入及社会保障等方面的信息，满足本文的研究需要。

同时，中国家庭收入调查数据已成为研究我国劳动者收入水平的重要研究数据之一。

本文采用中国住户收入项目在2014年开展的入户收入调查（CHIP2014城镇住户调查）。

CHIP2014城镇住户调查问卷在第一部分与第二部分搜集了住户成员的个人情况及2013年的就业情况，基本涵盖本文研究设计所需的各项信息。

在剔除缺失值、农业户籍（含其他）、未就业的个体以后，最终样本包含3897个观测值。

（二）变量

1.因变量。

根据工资决定方程的设置，城镇劳动力的工资水平是本文的因变量，我们选择调查问卷中城镇劳动力2013年的收入总额（工资性或经营性）作为统计指标，并将其做对数处理。

2.工具变量、识别变量。

基于高校扩招政策提供的自然实验，我们将《面向21世纪教育振兴行动计划》定义为高校扩招的政策起点，该政策于1998年12月启动，理论上对1999年的大学招生构成影响。

但考虑到政策效果可能出现的时滞，我们将政策生效的时间放宽到2000年。

根据政策生效时间，本文进一步将1983年9月定义为政策干预的截断点（Cutoff），将截断点前后10年（19729～19929）、年龄在22～42周岁的个体定义为高校扩招政策样本，在变量处理时将精确到月份的个体出生日期与政策干预月份相减，将取值小于等于0的个体赋值为1并定义为政策干预组，将取值大于0的个体赋值为0并定义为未受政策干预组，通过对政策干预变量的二元設置完成了工具变量和识别变量的技术处理。

3.处理变量。

在PSM中需要设定处理变量方能估计大学教育回报率的平均处理效应，本文将教育年限在12年及以上的个体定义为处理组（D1i），表示接受大学教育的城镇劳动力;将教育年限在12年以下的个体定义为控制组（D0i），表示未接受大学教育的控制组。

4.协变量。

参与估计的协变量包括工作经验及其平方项、性别、民族、婚姻、家庭规模、政治面貌、健康状况与行业性质。

（三）统计描述

表1汇报了所涉变量的基本统计信息。

处理组为受到政策干预的城镇劳动力，观测值为1360个，控制组为未受到政策干预的城镇劳动力，观测值为2537个。

从核心变量上看，控制组的对数工资和工作经验分别为10434和188年，高于处理组的10224和77年，处理组的教育年限达到了135年，相对于控制组的127年高出了08年。

五、实证研究

本章将依次估计教育收益率的均值效应、异质型收益特征并在此基础上分解由高校扩招政策引致的工资差异。

第一节将在未匹配样本的基础上，采用普通最小二乘法与工具变量法进行基准估计;第二节将匹配原始样本，确定参与估计的协变量及其形式，检验样本的平衡性，采用PSM估计大学教育的平均处理效应;第三节将采用TEM纠正不可观测异质性造成的估计偏误;第四节将采用无条件分位数回归检验大学教育对整体收入分布的无条件影响;第五节将采用FFL分解扩招政策引致的工资差异。

（一）基准估计与解释

表2汇报了普通最小二乘法（OLS）与工具变量法（IV）的基准估计结果，方程

（1）与方程

（2）为利用OLS对城镇劳动力教育回报率与大学教育回报率的估计，方程（3）与方程（4）则为利用两阶段（2SLS）估计的教育回报率与大学教育回报率因篇幅有限，本文仅给出第二阶段估计结果。

。

从OLS的估计结果上看，教育年限的估计值为0101（P

工具变量估计方面，方程（3）与方程（4）中的第一阶段F值分别为50774与65070，满足第一阶段F值高于10的“大拇指”法则，表明高校扩招政策的外生性拒绝存在弱工具变量的可能本文仅采用高校扩招政策作为工具变量，故文中报告未提供过度识别的检验结果。

。

从估计结果看，城镇劳动力的教育回报率为10%，与OLS估计结果基本一致，但大学教育回报率却达到了686%，年回报率为172%，相比OLS估计高出了66个百分点，表明内生性问题导致OLS低估了城镇劳动力的大学教育回报率，这与既有文献的结果基本一致。

根据表2提供的回归结果，对参与估计的协变量进行简要汇报：

工作经验及平方项是工资决定方程中的人力资本变量，正负各异的估计结果显示出经验积累在个体生命周期内对工资收入的影响表现为先上升再下降的倒U型过程，符合年龄-收益曲线（方超、黄斌，2017）;男性和汉族劳动力教育回报率、大学教育回报率高于女性和少数民族;自评身体健康状况良好有利于个体增收，但家庭兄弟姊妹数量抑制了个体收入水平的增长，符合资源稀释理论（ResourcesDilutionModel）和同胞竞争效应（SiblingCompetitionEffect）;婚姻状况、政治面貌以及行业性质对工资收入的影响不具有统计显著性。

（二）倾向得分估计

1.平衡性检验

基于倾向得分估计的处理步骤，本节借鉴Imbens（2015）提供的筛选办法，确定参与估计的协变量及其形式在stata15中利用psestimate命令进行估计，确定参与估计的协变量包括：

经验及其平方项、行业性质、政治面貌、婚姻、性别、经验平方项与经验平方项的交叉项、性别与婚姻的交叉项、经验平方与经验的交叉项、婚姻与经验平方的交叉项。

，然后通过处理组与控制组的标准化偏差减少情况进行平衡性检验。

同时，为了直观反映匹配后的整体平衡性，我们利用卡尺匹配绘制了城镇劳动力工资收入的核密度函数图。

从图1中可以看出，样本匹配虽然折损了部分观测值，但匹配后的样本更为聚拢且大部分观测值落入了共同取值区间内，表明样本整体的平衡性较好匹配样本中的观测值为3897个，处理组与控制组落入共同取值范围内的观测值为3267个。

。

图1核密度函数图

表3基于卡尺匹配检验了参与估计协变量的平衡性，通过对比处理组与控制组的标准化偏差发现，所有协变量的标准化偏差在匹配后均有所下降，基本满足偏差削减幅度小于10%的检验要求。

同时，t检验的结果表明协变量在匹配后均不显著，因而不能拒绝处理组与控制组之间不存在显著差异的原假设，满足平衡性检验的要求。

2.大学教育的平均处理效应

最近邻匹配、近邻匹配、卡尺匹配、非参数的核匹配以及马氏匹配是学界利用PSM进行反事实估计时常用的估计策略。

为保证处理效应的稳健估计，本小节将综合采用上述策略估计接受大学教育的平均处理效应（ATT）、未接受大学教育的平均处理效应（ATU）以及平均处理效应（ATE）PSM在技术处理上应该首先利用Logit模型估计个体大学教育决策，但鉴于此部分内容与TEM的第一阶段估计重合，为节省篇幅本文将在TEM第一阶段的选择方程中予以报告。

根据表4提供的估计结果可以发现，接受大学教育者、未接受大学教育者以及平均处理效应在五种估计策略中基本一致，参数估计值均在1%水平上具有统计显著性卡尺匹配的范围是001;核匹配默认了核函数及带宽;马氏匹配选择了异方差稳健标准误的估计方法。

。

同时，为了进一步识别偏差和选择性偏差对大学教育处理效应、平均处理效应的扰动，我们还在表4中纳入了OLS的估计结果。

通过比较OLS与ATE、ATT的参数估计值不难发现，OLS相对于真实处理效应给出了向下估计，基准估计由于并未涉及自选择问题而低估了大学教育的处理效应OLS仅起到与PSM的比较作用，因而本文仅给出了大学教育的参数估计值。

。

从参数估计值看，ATT在五种估计策略下分别为0452、0454、0462、0443以及0403，将参数估计值横向整理后得到城镇劳动力大学教育回报率落入[0403，0462]的取值区间，进而计算出大学教育年回报率在101%～116%之间，表明额外接受一年大学教育能将城镇劳动力的工资收入提高101到116个百分点，这一估计结果低于IV估计中的172%。

进一步分析ATT、ATU、ATE的参数估计发现ATU>ATE>ATT，表明未接受大学教育的城镇劳动力如果做出大学教育决策并实际接受大学教育将能显著提高工资收入。

（三）处理效应估计

个体大学教育决策除了受到可观测特征的影响以外，还会受到诸如预期收益、教育偏好等不可观测因素的影响。

鉴于此，本节将采用TEM纠正大学教育回报率中由不可观测异质性引致的估计偏误，表5呈现了两步法（Two-step）与极大似然法（MLE）估计结果。

在TEM中，无论是两步法还是极大似然估计，诊断性指标hazard_lambada（λ）和athrho（ρ）均通过了10%水平的显著性检验，表明城镇劳动力的教育年限为内生变量，模型存在由不可观测异质性造成的内生性问题。

从第一阶段选择方程的估计结果看，系数与平均边际效应dydx的方向与显著性较为一致，表明方程具有较好的拟合性。

但要指出的是，本文对于个体大学教育决策的考察以工资决定方程为基础，所涉协变量为城镇劳动力工资收入的前定变量，不能完全体现个体大学教育决策的影响因素，因而参数估计结果仅能作为有限的参考。

具体看来，高校扩招政策作为TEM的识别变量，参数估计值与平均边际效应显著为负，表明高校扩招并未提高城镇劳动力的大学教育决策，造成这一现象的可能原因有二：

一是工资决定方程未提供大学教育决策的前定变量，造成选择方程不能准确识别高校扩招政策的外生冲击;二是高校扩招政策使得人们对大学教育预期收益的判断发生了变化，认为未来收益不足以“支付”当期的决策成本，从而放弃接受大学教育。

其他变量方面，男性大学教育参与率比女性高出23个百分点，汉族大学教育参与率高于少数民族，但估计结果不具有统计显著性。

从第二阶段结果方程的估计結果看，两步法与最大似然法的估计结果基本一致，大学教育处理效应在两步法中为0515（P

（四）无条件分位数估计

表6报告了利用再集中响应函数（RIF）估计的大学教育对于城镇劳动力工资收入的无条件影响。

从参数估计结果上看，大学教育在经典五分位点上，即低收入分位点（QR_10）、中低收入分