方超　黄斌｜高校扩招政策与乡城转移劳动力的教育收益率——基于模糊断点设计的工具变量估计

DOI:10.16298/j.cnki.1004-3667.2021.06.08

摘要

借鉴模糊断点回归研究设计，通过测量大学教育收益率，实证评估了高校扩招政策对乡城转移劳动力工资水平的影响。工具变量的第一阶段回归发现高校扩招政策推动个体受教育程度和工资水平发生向上“跳跃”；第二阶段回归在纠正内生性问题后，发现大学教育能将全体、男性和女性劳动力的工资水平提高19.2、13.1以及33.3个百分点；进一步利用无条件分位数回归发现大学教育的异质性增收特征表现为“V”型曲线，但高校扩招政策客观上扩大了乡城转移劳动力的组内工资差异。实证研究结论有助于从劳动力市场的视角科学评估经济转型时期高校扩招政策的社会经济价值，为推进高等教育高质量发展提供决策基础。

高校扩招政策；乡城转移劳动力；教育收益率；工具变量；政策效果评估

一、引言

自西奥多•舒尔茨提出人力资本理论以后，学历教育在现代经济增长中的生产性与分配性功能愈发受到决策者和学术界的广泛关注。与其他教育层级相比，高等教育一方面与劳动力市场的联系更为紧密，另一方面能够通过供给技能劳动力为绿色创新战略提供人才支撑，因而在塑造教育人力资本的过程中占据着重要地位。但对个体而言，接受大学教育意味着支付货币成本和机会成本，使得经济理性人在做出大学教育决策时，往往以成本-收益分析为基础，那些先天禀赋优越或是能从大学教育中获得高收益的个体更有可能做出大学教育决策，造成大学教育具有“精英导向型”的部分特征。

1998年12月，教育部在《面向21世纪教育振兴行动计划》中提出到“2010年高等教育规模有较大发展，入学率接近15%”的目标，自此拉开了高校扩招政策的序幕。根据全国教育事业发展统计公报提供的数据，普通本专科招生规模由1999年的108.4万人增长到了2019年的914.9万人，高等教育毛入学率由10.5%上升到了51.6%。从某种程度上讲，高校扩招政策客观上放宽了大学教育的配额限制，让更多适龄青年有机会以较低成本接受大学教育，缓解了高等教育的供需矛盾，解决了“上大学难”的问题；但技能劳动力的供给上升也造成了大学教育质量下降、劳动参与率较低以及大学生就业难等一系列社会问题，迫使高等教育不得不回应“读书无用论”“寒门能否出贵子”的社会诘责。鉴于此，本研究基于高校扩招政策提供的自然实验，通过估计大学教育对乡城转移劳动力工资水平的影响效应，一方面能够回应“读书无用论”的社会诘责，另一方面也能为科学评估教育扩张政策的社会经济价值提供信息支撑与决策基础。

近年来，一些转型国家或经济体的教育扩张政策已成为一种全球性趋势，而教育扩张进程也从基础教育向高等教育延展，但高校扩招政策和教育收益率之间的关系尚存分歧。一些研究认为高校扩招政策扩大了高等教育机会供给，让更多适龄青年有机会接受大学教育，但也造成了大学教育收益率的下降，加剧了技能-非技能劳动力的收入差距。另一些研究则持相反的观点，认为高校扩招政策提高了高中参与率和教育年限，加速了劳动者的人力资本积累，对于促进个体增收具有积极意义，还有研究发现大学质量对于工资水平有正向影响。

从研究方法上看，教育与收入的关系常常受到内生性的扰动，导致传统相关性分析无法实现教育收益率的因果性估计。20世纪80年代以来，应用微观计量经济学经历了一场可信性革命，推动工具变量法、倍差法和断点回归设计在微观计量经济学中占据了主导地位。与倍差法和工具变量法相比，断点回归设计由于更接近随机试验，因而在近年的研究中广泛用于教育收益率的因果性估计。如初帅与孟凡强利用断点回归估计出城镇与农村劳动力的教育收益率分别为8%和11%，并且发现高校扩招政策扩大了农村地区的组内收入差距，但刘生龙与胡鞍钢的研究同样采用断点回归的研究设计，却发现城镇劳动力的教育收益率为17.1%，高于农村劳动力的15.9%。

利用教育收益率评估教育扩张政策已成为新近的研究趋势，微观计量研究方法也成为纠正内生性问题的一把“钥匙”，但既有文献尚未以乡城转移劳动力为研究对象，基于模糊断点回归设计评估高校扩招政策的社会经济价值，而这则成为本研究重要的突破口。第一，从公共政策上看，捕捉乡城转移劳动力教育收益率的变化有助于决策者理解劳动力市场的制度变迁，为推动转移劳动力的社会融入提供证据支撑。第二，从教育政策上看，通过估计因果性与异质性教育收益率有助于决策者理解高等教育结果分布的乡城差异，为推进新时代教育事业改革步入更加公平的发展阶段提供决策参考。

二、研究设计

（一）基准模型

实证研究基于明瑟工资决定方程的线性形式构建基准回归模型：

式（1）中，下标i表示劳动者个体；因变量lnwagei为i的月工资对数；Edcui为教育年限，在实际估计中将具有本科（大专）及以上受教育程度劳动力赋值为1，将具有普通高中（职业教育）受教育程度的劳动力赋值为0；Xi为影响教育收益率的一组向量；μi为方程的残差项。对于式（1），本研究采用普通最小二乘法（Ordinary Least Squares, OLS）进行基准估计。

（二）研究方法

1. 因果性教育收益率。与1986年《中华人民共和国义务教育法》相比，《面向21世纪教育振兴行动计划》并不具有法律“强制性”，高校扩招政策对乡城转移劳动力受教育程度的影响主要体现在扩大高等教育机会供给上，个体接受大学教育的概率值并非从0到1的跳跃，故更适宜采用模糊断点回归，两阶段（2SLS）的参数估计则是标准形式。因此，本研究将在基准回归之后，采用两阶段工具变量法（Instrumental Variable，IV）进行估计，首先构造第一阶段选择方程，识别高校扩招政策对乡城转移劳动力受教育程度的影响：

式（2）中，本研究利用精确到月的个体出生日期与高校扩招政策推行日期的差值构造二元工具变量Di，将差值小于等于零的个体赋值为1，表示受到高校扩招政策的干预，将差值大于零的个体赋值为0，表示未受到高校扩招政策干预。

其次，在第一阶段回归的基础上构造第二阶段结果方程（Outcome Equation），估计高校扩招政策的工资收入效应：

式（3）中，Educi的系数β3表示高校扩招政策对工资水平的影响效应。

2. 异质性教育收益率。基准估计与两阶段工具变量法只能提供大学教育对工资水平的均值影响，却无法描述其在不同收入分位点上的异质性增收作用，这就导致研究结论无法有效回应“读书无用论”的社会诘责。鉴于此，本研究将基于无条件分位数回归（Unconditional Quantile Regression, UQR），采用再集中响应函数（Re-centered Influence Function，RIF），进一步捕捉高校扩招政策的异质性影响：

三、数据与变量

（一）研究数据

实证研究采用国家卫生计生委提供的2017年中国流动人口动态监测调查数据（China Migrants Dynamic Survey, CMDS）。CMDS在全国31个省（区、市）和新疆生产建设兵团流动人口较为集中的流入地，采用了分层、多阶段以及与规模成比例的PPS抽样，样本容量近17万，能最大程度保障研究数据的外部有效性。

本研究的研究对象是乡城转移劳动力。根据CMDS的调查特点，代理指标选择在流入地居住一个月（及以上），非本区（县、市）户口的15周岁以上的流动人口。在保留流动人口教育、就业及收入等基本信息后，得到样本有效观测值28935个。

（二）变量处理

1. 因变量。从工资决定方程出发，本研究选择月工资水平作为因变量，在技术处理上将问卷中“您个人上月（上次就业）工资收入/纯收入为多少元？”作为代理指标，并对其做对数处理。

2. 工具变量。借鉴模糊断点回归设计利用驱动变量（Running Variable）判断个体是否受到高校扩招政策处理的思路，本研究在构造工具变量时根据《中华人民共和国义务教育法》规定的法定入学年龄，结合高校扩招对适龄青年的影响范围，将1981年9月定义为政策干预的临界点（Cutoff），1981年9月之后出生的个体越过驱动变量的临界点，受到高校扩招政策的处理，反之则未受到政策处理。

3. 处理变量。为识别高校扩招对乡城转移劳动力工资水平的影响效应，需要根据个体受教育程度设定处理变量。本研究将受教育层级为大学专科、大学本科、研究生的个体赋值为1，表示具有大学及以上受教育程度，将受教育层级为高中或中专的个体赋值为0，表示不具有大学受教育程度。

4. 协变量。理论上讲，协变量或控制变量应选择个体受教育程度的前定变量，但囿于数据的可获得性，本研究仅在工资决定方程的基础上，选择工作经验及其平方项、性别、民族、婚姻、政治面貌以及行业性质等可观测变量。

（三）统计描述

表1给出了所涉变量的基本统计描述，处理组为具有大学及以上受教育程度的个体，控制组则是高中或中专受教育程度的个体。从因变量上看，处理组的月工资对数为8.489，高于全样本的8.391和控制组的8.296，双侧t检验在1%水平上统计显著。

经验与经验的平方项衡量了除学历教育外的人力资本积累情况，代理指标选择了乡城转移劳动力从事当前工作的时间，处理组的工作经验为4.6年，比控制组的4.3年高出了0.3年。在其他控制变量方面，男性、汉族、农业户籍、已婚状态、具有党员身份以及进入垄断行业的个体在处理组与控制组中的样本分布为55%和60.9%、92.8%和93.6%、47.9%和75%、20.6%和13.1%、27.3%和8.9%、31.2%和11.3%。

四、实证分析

（一）基准回归

表2基于普通最小二乘法汇报了基准估计结果。其中，方程（2）和方程（3）在方程（1）的基础上纳入了控制变量与聚类到省的固定效应；方程（4）和方程（5）为男性和女性的分样本回归估计。全样本方面，处理变量的参数估计值由方程（1）中的0.243上升到方程（3）中的0.249，表明忽视可观测特征将会低估乡城转移劳动力的大学教育收益率。

分样本方面，处理变量的参数估计值在方程（4）和方程（5）中分别为0.245和0.246，表明男性和女性大学教育收益率分别为24.5%和24.6%，男性比女性大学教育收益率低0.1个百分点。假定大学教育的学制为四年，全样本、男性和女性大学教育年收益率分别为6.225%、6.125%以及6.15%，其含义可以理解为相对于普通高中或中专受教育程度，额外接受一年大学教育能将全样本、男性、女性的月工资水平提高6.225、6.125以及6.15个百分点。

根据方程（3）对控制变量的估计结果做简要汇报：人力资本变量方面，经验及其平方项的估计结果正负相异，符合加里•贝克尔提供的年龄-收益曲线的倒U型特征。个体特征与行业特征方面，男性、汉族、非农户籍、已婚劳动力、非垄断行业的流动人口，比女性、少数民族、农业户籍、未婚劳动力以及垄断行业者分别高出29.9、10.4、10.6、9.7以及5.6个百分点，政治面貌的参数估计结果并不显著。

（二）工具变量估计

1. 第一阶段回归。工具变量估计首先在式（2）的基础上检验高校扩招政策对个体受教育程度的影响，表3报告了第一阶段回归结果。其中，第二、三、四列分别报告了全样本、男性与女性分样本的第一阶段回归。从诊断性指标上看，各样本的F值分别为685.50、436.03以及254.46，F检验值远大于10，显示出工具变量为强工具变量，不存在弱工具变量的风险。具体看来，工具变量的参数估计值在全样本、男性和女性分样本中分别为0.180、0.181以及0.182，表明高校扩招政策可将各群体的大学教育参与率分别提高18、18.1以及18.2个百分点，显示出高校扩招政策具有极强的教育功能，显著提高了个体受教育程度。

第一阶段回归中参与估计的协变量应该是影响个体受教育程度的前定变量，但囿于研究数据的有限性，笔者只能在工资决定方程的基础上选择相应的协变量进行估计，因而在结果汇报中只对性别、民族、户籍的参数估计值做简要说明：女性与非农户籍相对于男性和农业户籍的大学教育参与率要分别高出4.3和26个百分点，表明高校扩招政策在机会分配上更多地向城镇居民倾斜，体现出制度本身具有“精英导向型”的特征，符合最大维持不平等和有效维持不平等理论。民族变量的估计结果虽然为正数，但估计结果不显著，因而能够部分反映高等教育机会相对公平的分布在汉族和少数民族之间，是民族帮扶政策的现实写照。

此外，为了直观反映工具变量构造的有效性，笔者借鉴模糊断点回归设计的处理办法，利用图形检验断点前后乡城转移劳动力大学教育参与率和月工资水平的跳跃情况。理论上讲，如果高校扩招政策能够提高转移劳动力的受教育程度和工资水平，那么在截断点前后的大学教育参与率和工资水平将会产生明显的向上“跳跃”。在图1中，垂直虚线表示截断点两侧未受到和受到高校扩招政策干预的个体，散点表示每个月出生的个体接受大学教育的概率值，曲线为大学教育与出生月份之间的lowess拟合曲线，左图与右图分别刻画了转移劳动力的大学教育参与率和月工资水平在越过截断点后存在明显的向上“跳跃”，从而在图形层面上验证了工具变量构造的有效性。

2. 第二阶段回归。为确保估计结果的稳健性，第二阶段回归在式（3）的基础上综合采用两阶段（2SLS）和两步最优（GMM）进行估计，表4汇报了全样本、男性和女性分样本的回归结果，从整体上看，两阶段和两步最优估计的结果基本一致，处理变量的参数估计结果在全样本、男性分样本以及女性分样本中分别为0.192、0.131、0.333，表明全样本、男性和女性大学教育收益率为19.2%、13.1%以及33.3%，假定大学教育为四年学制时，额外接受一年大学教育能将个体工资水平提高4.8、3.725以及8.25个百分点。相对于普通高中（中专）教育而言，接受大学教育具有较强的个体增收效应，因而仍然是一项有效的教育人力资本投资形式。

最后，将工具变量与基准回归的估计结果进行对比后，笔者发现与理论预期相一致的是，利用工具变量法估计的大学教育收益率低于普通最小二乘法。究其原因，在于教育与收入的关系受到内生性的扰动，当模型存在遗漏变量时，普通最小二乘法对于教育收益率的处理效应将会给出向上估计，即高估大学教育的个体增收效应，如果不纠正内生性造成的估计偏误，就无法为科学评估公共教育政策的社会经济价值提供信息支撑，而这也是将因果推断研究方法运用到教育领域的意义所在。

（三）无条件分位数估计

在因果性教育收益率估计的基础上，本节利用无条件分位数回归进行异质性分析。与有条件分位数回归相比，无条件分位数回归放宽了可观测特征相似的研究假设，因而估计结果具有更强的现实适切性，表5在自举抽样1000次后报告了无条件分位数估计结果。其中，τ=0.1、0.25、0.5、0.75、0.9分别表示转移劳动力在低、中低、中位数、中高以及高分位点上的工资水平。

处理变量在各工资分位点上的参数估计值分别为0.231、0.097、0.172、0.312以及0.435，参数估计值在1%水平上具有统计显著性，表明相对于控制组而言，接受大学教育的处理组在工资水平上要分别高出23.1、9.7、17.2、31.2以及43.5个百分点。从异质性特征上看，处理变量的参数估计值随工资分位点的上升呈现出先下降再上升的“V”型曲线，大学教育对于高分位点具有最强的个体增收效应，高分位点上的工资水平（0.435）高于低分位点（0.231），显示出高校扩招政策客观上扩大了乡城转移劳动力在低-高工资分位点上的组内工资差异。

对其他参与估计的协变量做出如下汇报：经验及其平方项的估计结果在各分位点上正负相异；男性工资水平在各分位点上高于女性，性别工资水平随工资分位点的上升呈现出“下降-上升-再下降”的倒“N”型曲线；汉族、非农户籍、已婚劳动力的工资水平高于少数民族、农业户籍与未婚劳动力，供职于非垄断行业的工资水平高于垄断行业，体现出经济转型时期我国劳动力市场的制度建设不断完善，部门工资水平与市场的联系更为紧密。

五、结论与政策建议

（一）结论

第一，利用普通最小二乘法进行基准估计后，发现与普通高中教育相比，接受大学教育能将全体、男性和女性的月工资提高24.9、24.5和24.6个百分点，大学教育对女性具有更强的个体增收效应。

第二，利用精确到月的个体出生日期与高校扩招政策推行日期的差值构造了工具变量，在第一阶段回归中发现高校扩招政策推动乡城转移劳动力的受教育程度和工资水平发生明显的向上“跳跃”，大学扩招将全体、男性和女性大学教育参与率分别提升18、18.1以及18.2个百分点。

第三，利用工具变量法进行因果性教育收益率估计时，发现接受大学教育能将全体、男性和女性工资水平提高19.2、13.1以及33.3个百分点，基准估计由于无法处理模型中的遗漏变量，从而高估了全样本和男性劳动力的大学教育收益率。

第四，利用无条件分位数回归进行异质性分析时，发现处理变量随工资分位点的上升呈现出先下降再上升的“V”型曲线，大学教育对高分位点的上个体增收效应高于低分位点，显示出高校扩招政策客观上扩大了低-高分位点上的组内工资差异。

（二）政策建议

首先，本研究的结论否定了“读书无用论”，有效支持了大学教育仍然是一项有用的教育人力资本投资形式。但与既有研究所不同，本研究在事后观测数据的基础上，充分借鉴了模糊断点回归研究设计，通过教育收益率的因果性估计，从劳动力市场的视角科学评估了经济转型时期高校扩招政策的社会经济价值，为学术界或决策者科学评价公共教育政策提供一个可能的实现路径。同时，研究结论显示出高等教育内涵式发展与稳步扩大规模并不矛盾，目前仍然存在“稳中求进”的上升空间，继续提高毛入学率，推动高等教育发展迈入普及化阶段并不会降低乡城转移劳动力的大学教育溢价。

其次，通过教育收益率的异质性分析不难发现，高校扩招的政策福利部分向高收入群体倾斜，客观上扩大了低-高收入群体的组内工资差异，这就要求高等教育变革应更加注重大学教育机会在不同群体间的均衡分布，保障乡城转移劳动力，尤其是低收入群体平等地享有优质大学教育资源，切断大学教育机会对于适龄青少年家庭经济文化背景的阶层依附性，通过扩大优质大学教育的机会供给，提升低收入群体的大学教育层次，实现收敛组内收入差距的目的。

最后，本研究在现有数据条件下虽然借鉴了模糊断点回归的研究设计，但无法计算出高校扩招政策的最优窗宽，导致在第二阶段结果方程中未能完全遵循断点回归的“规定动作”，当然这并不表示工具变量法无法实现教育与乡城转移劳动力工资水平的因果关系推断，只能反映出断点回归研究设计对于微观研究数据有着极高的要求，在未来数据条件允许的情况下，笔者将进一步推进既有研究，以期从研究方法上形成有益的学术增量。

【本文系2020年度江苏省社会科学基金课题“流动人口视角下经济转型时期教育扩张政策的收入分配效应研究”（20JYC007）、南京财经大学2020年度高等教育及改革发展重点课题“教育扩张政策的收入分配效应研究”（GJGF202006）、南京财经大学2020年度学位与研究生教育一般课题“基于问题导向的《人力资本理论前沿》研究生教学改革研究”（Y20008）的研究成果】

作者

方　超，南京财经大学公共管理学院讲师，江苏南京　210023

黄　斌，南京财经大学公共管理学院教授，江苏南京　210023

《中国高教研究》2021年第6期“研究与探索”栏目

中国高教研究

微信公众号｜zggjyj1985

投稿平台｜http://editor.cahe.edu.cn/

中国高等教育学会

学术立会 服务兴会 规范办会 创新强会

微信号 : zggdjyxhwx

网址：https://www.cahe.edu.cn/