教育水平對失業風險影響的實證研究

馬艷林??

摘要：利用2011年中國社會狀況綜合調查數據，分析了教育水平對勞動者失業風險的影響，實證結果證明教育水平越高勞動者的失業風險越低，說明我國“民工荒”和“大學生就業難”現象是局部的和短期的，受到諸如摩擦性失業、勞動力市場分割、產業結構等其他因素的影響，而教育對勞動者就業的影響是顯著而且正向的。因此，我們仍然需要大力發展教育，通過提高勞動者素質帶動產業結構調整，同時通過產業結構調整來充分利用智力資源，此外，要促進勞動力市場的融合以及勞動者之間的自由流動和公平競爭。

關鍵詞：教育；失業風險；民工荒；大學生就業難

中圖分類號： F2414文獻標識碼：A文章編號：1000-4149（2016）01-0089-09

DOI：103969/jissn1000-4149201601010

一、引言

人力資本是對人進行教育、培訓、健康保健等方面的投資所形成的凝結在人身上的資本，包括他所擁有的各種知識、技能以及健康素質的總和。在勞動力市場上，失業是市場經濟運行中的必然現象，一般來講，人力資本存量較高的人群容易接受新知識和新技術，容易適應變化的市場環境，就業趨于穩定，而人力資本存量較低的人群失業風險更大。如圖1所示，人力資本存量（H）和失業風險U（H）呈負相關關系， U（H）是關于H的單調下降函數，在H1點可導，當H小于H1時，U（H）=1，表示當生產者的人力資本存量為就業的臨界點，剛好達到就業，但就業不穩定，失業風險非常大；隨著人力資本存量H的增加，失業風險減少，當H達到或超過H*時， 函數U（H）在H*點可導，U（H）風險為0，表示生產者的人力資本存量足夠大，無失業風險。

圖題圖1人力資本存與失業概率的關系

教育水平是人力資本的重要特征，一般來講，教育水平越高就業概率越高，失業概率越小。然而，我國近年來確實出現了“民工荒”和“大學生就業難”并存的現象，那么是否意味著傳統的人力資本理論并不適應我國的國情，教育水平越高失業風險越大嗎？不少專家學者從以下四個方面對這種現象進行了研究。第一，從教育的角度看，認為我國各級各類教育發展不平衡，教育與經濟社會發展聯系不緊密，教育結構與產業結構矛盾是產生大學生就業難的主要原因[2-4]。第二，從產業結構方面看，認為“民工荒與大學生就業難”表面上反映了我國就業供求結構的失衡，而本質上反映了我國產業結構的不合理，我國已經達到和超越劉易斯拐點，但是產業結構還以勞動密集型產業為主，應該發展生產性服務業，促進制造業的升級[5-6]。王志華、董存田測算了我國制造業結構和勞動者素質結構的吻合度，認為我國體能型勞動力的比重要高于勞動密集型產業，出現東部民工荒的原因并不是勞動力供給短缺，而是用工需求增長、惠農政策促進了勞動力返鄉、新生代農民工對工作要求提高以及勞動密集型產業向中西部轉移造成的，此外，技能型勞動者比重要小于資本密集型產業導致的“技工荒”也是其重要原因。第三，從人口結構看，民工荒的現象更深層次反映的是我國人口結構的變化，勞動年齡人口的比重出現了下降，意味著我國勞動力供給出現了劉易斯拐點[8-9]。第四，從人力資本投資角度看，劉文勇、李國棟從人力資本投資的角度分析，通過大學教育進行的人力資本投資與勞動力需求在“總量上”是沒有矛盾的，大學生就業難的主要原因在于畢業生與用人單位在薪酬和技能等方面存在結構性矛盾，而“民工荒”的產生并不能表明我國農村剩余勞動力出現了短缺，而是依靠廉價勞動力來獲得利潤的勞動密集型產業無法通過增長工資和提高勞動者技能來滿足勞動者對自身人力資本存量提升的需求，最終導致勞動者“用腳投票”。

綜合以上研究，“民工荒”和“大學生就業難”本質上是勞動力市場中勞動供給和勞動需求之間存在著結構性的矛盾。雖然這些研究都具有一定的客觀性和現實意義，但大部分研究都采用的是定性研究方法，只是對現象進行了描述和質性判斷，帶有較大的主觀性。而本文擬采用2011年中國社會狀況綜合調查（Chinese Social Survey，CSS）數據進行定量研究，客觀分析在不同的教育水平下勞動者的失業概率水平，從而對“民工荒”和“大學生就業難”問題進行再研究，進而在研究結論的基礎上對我國教育、產業結構、人力資本投資等方面提出合理化建議。

二、模型方法與數據來源

1. 模型方法

本文模擬的是教育水平對失業概率的影響，模型的因變量是一個二分類變量，即失業和就業兩種情況，因此適用離散響應模型。離散響應模型討論的是自變量的變動對因變量取值的概率的影響，對于因變量只有兩種選擇的模型又叫二值響應模型，即要估計公式（1）的系數。

P（y=1|x）=G（x，β）=p（x）（1）

這一問題的解決依賴于我們對p（x）的具體設定，其中p（x）是非線性形式，如果G（x，β）為標準正態分布，則該模型被稱為Probit模型，如公式（2）：

P（y=1|x）=G（x，β）=Φ（x′β）=x′β-∞Φ（t）dt

（2）

如果G（x，β）為“邏輯分布”，則該模型被稱為Logit模型，如公式（3）：

P（y=1|x）=G（x，β）Λ（x）=exp（x′β）1+exp（x′β）（3）

由于Probit和Logit模型的邊際效應、準R2和“優勢比”與Probit模型幾乎等價，且標準正態分布沒有解析表達式而邏輯分布有，所以通常計算Logit比Probit更方便。p（x）是非線性形式，可以用最大擬然法（MLE）進行估計。若P≡P（y=1|x），則1-P=P（y=0|x），由于P=exp（x′b）[]1+exp（x′β），1-P=1[]1+exp（x′β），故：

p[]1-p=exp（x′β），ln[p[]1-p]=x′β（4）

其中，p/（1-p）被稱為“優勢比（odds ratio）”，而估計量β∧在MLE表示的是x每增加一個單位引起的“對數優勢比”的邊際變化。

2. 數據來源和變量描述

本文采用的2011年中國社會狀況綜合調查數據。中國社會狀況綜合調查是中國社會科學院社會學研究所發起的一項全國范圍內的大型連續性抽樣調查項目。2011 年為第三期調查，2011 年的調查在全國 25 個省/自治區的城鄉區域以及 5 座城市的市區開展，調查范圍涉及 472個村、居委會（SSU）。調查規模為7036個家庭，數據內容涵蓋勞動就業、家庭及社會生活、社會態度等方面。2011 年度調查的執行周期為 2011 年 7 月 1 日至 2011 年 10 月 1 日。

（1） 變量說明。就業狀況為模型的因變量，自變量為不同的教育水平，此外要加入對就業產生影響的控制變量。一般來說包括人力資本因素，如工作經驗、健康狀況、性別等；家庭因素，如是否結婚、未成年的孩子數量等；制度和環境因素，如戶籍情況、來本地居住時間；經濟發展因素，如地處農村還是城鎮、該地區的人均GDP等。

就業狀況：為因變量，未就業=1、就業=0。2011年CSS調查數據中就業人口是指為其自身和家庭的收入或收益而勞動，即使調查日前一周只工作了一個小時也算。而在未就業的人口中，有正在上學的人，有料理家務未打算工作的人，有因為健康狀況未工作的人，有因為單位破產、改制、下崗、內退、辭退等原因未工作的人，還有正在找工作還未找到工作的失業人口。總體來講，未就業的人口可以分為失業人口和退出勞動力市場的人口兩種，其中失業的人是指調查日前一周沒有工作，想工作、能工作，并正在積極尋找工作的人。退出勞動力市場的人口有很大一部分是勞動力市場中失去尋找工作信心的“沮喪者”，但他們還有找工作的愿望，有可能隨時進入勞動力市場。為了消除不確定因素對勞動力市場的影響和簡化研究，本文對“失業”的定義擴大到所有未就業的人口。

教育程度：分為6個層次。未上學、小學=1；初中=2；高中、中專、職高技校=3；大學專科=4；大學本科=5；研究生=6。

年齡：根據就業特征，考慮到部分人群離退休后二次就業以及部分職業（包括農業）沒有就業年齡限制，因此將樣本年齡限制在17-67歲（調查對象最低年齡為17歲），最后得到的樣本總數為6094。基本按5歲一個跨度對年齡進行分組：17-19歲、20-24歲、25-29歲、30-34歲、35-39歲、40-44歲、45-49歲、50-54歲、55-59歲、60-64歲、65-67歲。通過年齡組之間的比較，可以了解各年齡組失業風險的大小。

工作經驗：從第一次參加工作開始計算，缺失項用年齡-受教育年限計算。

工作經驗平方：一個人經驗越豐富，他的失業概率越低，但隨著經驗增加，失業概率減少的幅度并不是一個常數，應該是遞減的，因此使用了經驗的平方做自變量。

性別：女性=1、男性=0。

婚姻：已婚=1、未婚=0。

未成年子女數量：一般來講，未成年子女特別是6歲以下子女會影響母親的就業，但在中國，一般家庭有孩子后，上一代人會參與未成年子女的撫養，而且有孩子的家庭就業的迫切性更高，因此需要進一步考察未成年子女對失業概率的影響。

戶籍：農業戶口=1、非農戶口=0。

來本地居住時間：按年計算，不滿整年的進1年。

地區：農村=1、城鎮=0。

所在省（直轄市）人均GDP：本文采用所在省（直轄市）的人均GDP表示當地經濟發展水平。

（2） 變量描述。各變量的描述性特征如表1所示。

（3） 失業概率與教育水平的獨立性檢驗。通過對6094個樣本的觀察（見表2），教育水平為1、2、3者的失業概率要顯然高于教育水平為4、5、6者，從直覺上失業概率與教育水平存在一定的失聯。為了更加明確地了解這種關聯度的正負，進一步做了相關關聯系數的檢驗。檢驗結果如表2所示，皮爾遜卡方值和似然比卡方值分別為1248159、1252713，P值都小于0001，即可以在1%的顯著性水平上拒絕原假設，也即一個人有工作與否與他受教育的水平是相互依賴的。而且Cramers V=01431，gamma=00562，Kendalls taub=00306，這些系數都是顯著為正，說明失業概率與教育水平存在顯著的正相關。

三、實證過程與模擬結果

1模擬分析過程

本文采用逐步回歸分析方法，將變量教育水平、經驗、經驗平方、年齡、性別、婚姻、未成年子女數

量、戶籍、來本地居住時間、地區、所占省市人均GDP分步驟納入方程進行Logit回歸分析，將教育水平分組以及年齡分組作啞變量處理，所有分類變量的參照組均為第一組或取值為0的變量，表3是逐步模擬估計4個模型，分別將人力資本因素、家庭因素、制度環境因素和經濟發展因素逐步納入方程。

2模擬結果

四個模型樣本數量均為6094個，模型的擬合程度較好，P值均小于00000，表示回歸有顯著的統計意義。模型的因變量均為是否就業，由于在模型中逐步加入更多的控制變量，模型的擬合度也在逐步升高，表示控制變量與因變量之間存在較強的關系。表4模型1中，只有教育水平、工作、工作經驗、年齡和性別作為自變量，模擬結果顯示大學專科、研究生、工作經驗的平方、年齡在35-39歲、40-44歲這些條件對失業概率并沒有顯著的影響，因此模擬結果并不理想。在模型2中增加了家庭特征變量婚姻和未成年子女數量后，發現婚姻狀況和未成年子女數量對失業概率有很顯著的影響，P值均小于0001，同時也增加了大學本科的顯著度。模型3增加了制度環境特征變量戶籍和來本地居住的時間，這兩個變量對失業概率也存在顯著的影響，P值均小于0001，而且大學本科和研究生的顯著度也提高了。最后在模型4中增加了經濟發展特征變量地區（農村/城鎮）和所在省（直轄市）人均GDP，地區（農村/城鎮）對失業概率的影響顯著，P小于0001，所在省（直轄市）人均GDP的P值為0198，對失業概率的影響不大。此外，除了教育水平3（高中、中專、職高技校）（P=0749）、工作經驗的平方（P=0459）、年齡在40-44歲（P=0595）、婚姻（P=02）對失業概率的影響不太顯著外，其他各變量都對失業概率有顯著的影響。

回歸系數即概率模型中自變量的系數，表明的是自變量對因變量作用的方向和程度，系數為正表示失業概率增加，系數為負表示失業概率減少，系數的大小表明對失業概率的影響程度。從模型4可見，教育水平的5個啞變量初中，高中、中專、職高技校，大學專科，大學本科，研究生的系數依次為0299、00419、-0919、-1532、-1836，初中和高中、中專、職高技校系數為正，說明這兩個教育水平對失業概率的影響為正，即失業風險在增加，大學專科、大學本科、研究生的系數為負，說明對失業概率的影響為負，且系數數值依次增大，說明教育水平越高，失業概率越低，這與我們的基礎理論和直覺一致，即受教育程度越高，失業概率越低。需要注意的是，回歸系數并不能反映各自變量對失業概率的實際作用大小，優勢比更能反映自變量對因變量失業概率的實際作用大小。如教育水平為初中的系數是0299，OR值是1349，代表自變量變化使因變量發生比發生變化的倍數，也就是說初中學歷失業概率發生比（因變量發生除以不發生的比率）是參照組（未上學、小學）的1349倍，高中、中專和職高技校的失業概率是未上學和小學學歷的1043倍，大學專科的失業概率相對于未上學和小學則降低了601%，大學本科降低了784%，研究生降低了841%。因此，從實證結果看，隨著教育水平的提高，失業風險在降低，且當教育水平達到大學專科以上時，失業概率顯著降低，這與人力資本理論是相符的。

從工作經驗來看，工作經驗的系數為負，即隨著工作經驗的增加，失業概率減少。但隨著經驗增加，失業概率減少的幅度并沒有呈現遞減的規律，即工作經驗的平方并不顯著。

從年齡來看，參照16-19歲，20-24歲、25-29歲、30-34歲、35-39歲組的系數為負，即失業概率在減少，且失業概率發生比分別減少了401%、776%、733%和477%；40-44歲年齡組對失業概率的影響并不顯著；而45-49歲、50-54歲、55-59歲、60-64歲、65-67歲組的系數均為正，說明失業概率相對16-19歲組在增加，且失業概率發生比分別為16-19歲組的362倍、1955倍、7445倍、4264倍、10961倍。因此可以看到，年齡對失業概率的影響非常顯著，20-39歲組的失業概率最小，此后，隨著年齡的增加失業概率逐步增加。

從性別來看，女性失業概率大于男性，失業發生比是男性的3015倍。

從家庭狀況來看，婚姻對失業概率的影響并不顯著，而未成年子女數對失業概率的影響在1%的水平下十分顯著，但是也可以看到，第一個子女的撫養對就業的影響更大，但隨著未成年子女數量的增加，失業概率是減少的。

戶籍對失業的影響在1%的水平下也非常顯著，農業戶籍相對于非農戶籍的失業概率在減少，失業發生比減少了457%。從戶籍上看，“農民工”的失業概率較“非農”戶籍的人口要低很多，可能的解釋是，一方面適合“農民工”的工作崗位更多，另一方面是“農民工”對工作的要求更低，更容易找到滿意的工作。

從到本地居住的時間來看，對失業的影響在1%的水平下顯著，且隨著到本地居住的時間延長，

失業概率逐漸減少，這與我們的常識也是吻合的。

此外，從當地的發展狀況看，相對于城鎮地區，農村地區的失業概率是減少的，失業概率減少了643%。也就是說城鎮地區的失業概率要高，這其中主要的原因是留在農村地區的人口只要從事農業勞動就不被視為失業，那么就有很大部分的隱形失業存在；而該地區的經濟發展水平即人均GDP指標對失業的影響并不顯著。

四、研究結論

通過對不同教育水平失業風險概率的分析，證實了隨著教育水平的提高失業概率是逐步降低的，這與傳統的人力資本理論是相一致的。而我國出現的“大學生就業難”和“民工荒”并存的現象又該如何解釋呢？本文將從以下三個方面加以分析和說明。

1. “概率”與“頻率”

我們說概率是理論上對可能性的定量描述，是用理論、模型推導出來的；頻率是實驗、統計中實際發生的事件次數與總事件相比。頻率往往會與概率有偏差，但是概率應該是頻率在大樣本容量時的極限，因此，可以把頻率理解為“實際概率”。我國目前出現的“民工荒”和“大學生就業難”實際上是一定時期和一定地域范圍內的特定現象，也就是說這種現象可能是局域的或者暫時的。比如在大學生畢業季尋找工作的時候，近千萬的大學生一起涌向勞動力市場，大量勞動力被市場消化需要一定的時間，繼而產生“摩擦性失業”，這是由于勞動力市場的動態屬性、信息不對稱或者某些勞動和就業制度造成的，隨著時間的推移，摩擦性失業逐漸消失，大學生就業問題也逐步得到解決。同樣，“民工荒”現象往往容易出現在春節后或者產業調整和轉移的時候，也具有很強的時間特征和地區特征，難以反映勞動力市場的長期特征和全局特征。大范圍的調查數據和足夠的樣本更能說明勞動力市場的現狀和本質，因此，從實證結果看，我國目前的勞動力市場仍然是教育水平越高的勞動力失業概率越低。

2. 勞動力市場分割對不同教育水平勞動力失業概率的影響

農民工和大學生實際上處于兩個完全分割的勞動力市場中。這種分割不同于城鄉分割、地區分割、行業分割、單位分割等勞動力市場的橫向分割，它本質上是一種縱向的分割，也稱為“技術分割”，是由于勞動職業等級的客觀界限和勞動者素質和受教育程度不同產生的差異造成的勞動力市場自然的分割。大學生往往是在工資高、工作穩定、工作條件好、就業保障好并有較多晉升機會的主要勞動力市場尋找工作，而農民工則主要在收入較低、工作條件差、工作不穩定、就業保障不完備、培訓和晉升機會少的次級勞動力市場就業。前者由于大學生數量的增多和新增就業機會增加緩慢之間的矛盾造成了主要勞動力市場的競爭激烈。而后者由于農村剩余勞動力的逐漸減少和勞動密集型產業不斷發展之間的矛盾造成了次級勞動力市場的勞動力短缺現象。“民工荒”和“大學生就業難”現象本質上反映的是兩個勞動力市場的勞動供求關系發生的變化，由于這兩個市場的長期分割，勞動者不能根據市場變化自由流動從而無法使得勞動供求結構達到新的平衡。

3. 其他因素對失業風險的影響

實證結果說明較高的教育水平對就業產生顯著和正向的影響，但勞動力能否就業除了受到教育水平的影響外，還受到其他多種因素的影響，比如工作經驗、年齡、未成年人子女數、戶籍、來本地居住時間以及當地的宏觀經濟條件和特征等。因此，我們在分析“民工荒”和“大學生就業難”現象時，要綜合勞動者個人人力資本存量、家庭因素等微觀條件以及地區經濟發展狀況、產業發展狀況、人口結構、就業和勞動力市場制度和政策等宏觀經濟條件來判斷這種現象產生的原因，而不能盲目懷疑人力資本投資對個人就業和社會經濟發展的作用。

五、政策建議

2011年中國社會狀況綜合調查數據的實證研究證明，勞動者受教育水平越高失業風險越低，人力資本投資對勞動者就業的促進作用是顯著而正向的。2012年我國的大學毛入學率僅為267%，而美國、加拿大、韓國均超過90%，發達國家平均在50%以上，這說明我國勞動者素質還有待于進一步的提高（注：數據來源自世界銀行數據庫，wwwworldbankorg/）。首先，大力發展教育仍然是我國基本國策的重中之重，通過勞動者素質的提高可以帶動產業的升級和發展。其次，大力發展知識、技術和資金密集型產業，可以為大學生等高素質的勞動者創造更多的就業機會，利用好這些智力資源。最后，打破戶籍和學歷的就業分割，提高次級勞動力市場的勞動保障水平，增加培訓和晉升的機會，促進主要勞動力市場和次級勞動市場的融合，使得勞動力流動更為自由，市場競爭更加公平。

參考文獻：

[1]王金營. 淺析人力資本、職業選擇與失業風險[J]. 人口學刊，2001（4）：7-10.

[2]丁元竹. 正確認識當前“大學生就業難”問題[J]. 宏觀經濟研究，2003（3）：3-6，28.

[3]王遠博. 大學生失業的經濟學原因探討[J]. 經濟問題探索，2005（2）：64-66.

[4]王玥，李化樹. 基于“民工荒”和“大學生就業難”現象的教育透視[J]. 華北水利水電學院學報（社科版），2011（5）：182-184.

[5]余東華，范思遠. 生產性服務業發展、制造業升級與就業結構優化——“民工荒與大學生就業難”的解釋與出路[J]. 財經科學，2011（2）：61-68.

[6]蘇劍，盛磊. 劉易斯拐點、大學生就業難和“民工荒”問題研究[J]. 廣東商學院學報，2010（3）：4-8.

[7]王志華，董存田. 我國制造業結構與勞動力素質結構吻合度分析——兼論“民工荒”、“技工荒”與大學生就業難問題[J]. 人口與經濟，2012（5）：1-7.

[8]蔡昉. 人口轉變、人口紅利與劉易斯轉折點[J]. 經濟研究，2010（4）：4-13.

[9]王朝明，馬斌. 中國“民工荒”與經濟結構調整——基于劉易斯—托達羅理論模型的綜合解釋[J]. 河北經貿大學學報，2011（6）：64-70.

[10]劉文勇，李國棟. 以人力資本投資角度對“大學生就業難”與“民工荒”現象的分析[J]. 思想政治教育研究，2005（6）：22-24.

[責任編輯責任編輯武玉，方志]