流動人口高等教育回報率的代際差異
——來自CMDS的證據

王秀芝 張雨婷

一、引言

教育是提高人力資本的重要途徑，是促進人類全面發展和實現經濟持續增長的源泉和動力。改革開放以來，伴隨著市場轉型和經濟高速發展，我國高等教育的毛入學率已從1995年的8%上升至2021年的57.8%，15歲及以上人口的平均受教育年限也從2010年的9.08年提高至2020年的9.91年。

高校擴招以來，有關我國高等教育回報率的研究也紛紛展開。有學者認為，越來越多的大學生使得我國高等教育回報率存在兩種變化：一方面，伴隨越來越多的高學歷、高技能群體的出現，高技能勞動者供給上升，當勞動力市場的高技能勞動者供過于求時，高技能勞動者收入下降，高、低技能勞動者收入差距縮小，從而導致高技能勞動者教育回報率的進一步下降。另一方面，由于高技能勞動者需求增加，抵消了供給增加帶來的影響從而使回報率保持穩定甚至有所升高〔1〕。根據傳統人力資本理論，人力資本的積累是實現經濟發展的重要途徑，知識和技能的提升可以促進生產效率的上升，個人收入與受教育程度成正比〔2〕。作為人力資本投資的主要形式，教育一直被認為是促進經濟增長〔3〕、提高收入水平〔4〕、縮小收入差距〔5〕的有效手段。

已有文獻使用不同來源數據，從多個視角、利用各類實證方法對我國教育回報率進行了探究。部分學者基于我國教育回報率的代際差異〔6〕、性別差異〔7-10〕、地區差異〔11-12〕、城鄉差異〔13-15〕，以及城鎮勞動力〔16-18〕或農村勞動力〔19〕等視角展開研究。一些學者基于大學擴招這一自然事件，利用擴招前后不同組數據對高等教育回報率的變化進行實證研究，如姚先國(2014)等基于1998-2009年中國城鎮住戶調查數據〔20〕，使用雙重差分和三重差分方法估計我國擴招政策對大學生畢業后收入的干預效應；劉生龍(2016)等利用斷點回歸方法驗證了高等教育與就業和收入的因果關系〔21〕。還有一些學者基于某一特定年份數據對教育回報率展開不同視角的探究，如郝翠紅(2017)等運用2014年中國流動人口動態監測調查數據對不同年代流動群體在各教育階段教育回報率的估計結果顯示〔22〕，高等教育回報率顯著高出其他教育階段。也有學者基于多個年份數據對教育回報率的長期變動趨勢及特征進行研究，如劉澤云(2015)使用CHIP數據的估計表明〔23〕，1988—2007年間我國高等教育回報率呈上升趨勢；常進雄(2013)等使用CHNS數據的分析顯示〔24〕，擴招對大學畢業生工資和教育回報率的負面影響有限，在擴招背景下，上大學仍是不錯的選擇。然而，隨著我國高等教育普及化及民眾人力資本的普遍提升，收入與受教育程度之間的正相關關系受到質疑。社會上不乏關于大學生“就業難”“高分低能”，甚至“大學生不如農民工”“讀書無用論”等一系列觀點〔25〕。有學者提出，盡管勞動力市場對高素質人才需求提高，但由于學歷結構調整與市場需求不匹配，導致高等教育的勞動力市場面臨“就業難”〔26〕。也有研究發現，大學生數量的增加使得大學文憑逐漸從農村通往城鎮的“通行證”變為“敲門磚”，高等教育帶來的收益優勢也會下降〔27〕。

可以看出，有關高等教育回報率的研究眾多，其研究數據和方法也日益豐富。現有文獻從不同視角、使用不同的數據和方法探討了我國高等教育回報問題，但是現有研究還存在若干不足：從研究對象來看，對流動人口高等教育回報率的研究還較少；從研究視角來看，只有較少研究關注我國高等教育群體教育回報率的代際差異，尤其是從微觀個體層面考察不同年代大學生高等教育回報率發展和差異的研究更是鳳毛麟角。從流動人口及不同地區高等教育回報率代際差異視角的研究仍有待微觀大樣本數據的證明。

高等教育不僅是個人的人力資本投資，更是進一步縮小收入差距的有效途徑。改革開放以來，我國流動人口規模不斷上升，而隨著產業結構的升級，對流動人口的勞動技能和人力資本提出了更高要求。誠然，高等教育普及同樣提高了流動人口的平均受教育水平，那么隨著我國高等教育的不斷發展，不同年代流動人口的高等教育回報是否存在差異？不同年代大學生由于所處時代的差異，接受的知識與技能不同，那么伴隨時間的推進，各年代流動人口教育回報率會有變化嗎？

基于此，本文使用2010年和2018年我國流動人口動態監測調查兩期數據，探究在我國高等教育快速發展和經濟持續轉型過程中，不同年代流動人口高等教育回報率的變化。同時，考慮到區域間經濟與社會發展存在不平衡，可能對教育回報率產生影響，本文將進一步探討不同地區流動人口高等教育回報率的代際差異及變化特征，以期為不同地區吸引人才提供實證依據。

二、數據說明與描述統計

1.數據說明

本文數據來自國家衛生健康委的“中國流動人口動態監測調查(China Migrants Dynamic Survey，CMDS)”。該調查自2009年起開展，覆蓋全國31個省(區、市)和新疆生產建設兵團，調查對象為15周歲及以上、在流入地居住時間達一個月及以上且非本區(縣、市)戶口的流入人口，調查內容包括流動人口的基本信息、流動范圍、家庭成員、就業、收支和居住等相關信息，每年的樣本量近20萬戶。本文選取2010年和2018年兩期數據，總樣本量分別為122670個和152000個。

樣本選擇上主要考慮以下幾個方面：第一，研究僅考慮高中及以上學歷者。若研究中涵蓋中小學群體得到的高等教育回報率含義并不清晰，因為接受高等教育的群體必然接受過中小學基礎教育，即高等教育回報率一定程度上也涵蓋了中小學的回報率。第二，研究對象僅包括有勞動能力且在職的個體(工具變量回歸除外)，剔除了“喪失勞動能力”“退休”“失業”等無法獲得收入者。第三，鑒于實證分析將使用配偶受教育程度作為工具變量，研究對象僅限于本人已婚且有配偶的個體。第四，研究使用Mincer收入方程估計教育回報率，其中收入采用工資性收入，故進一步剔除職業為雇主和自營勞動者的觀測值。第五，本文使用“上月工資收入”代理收入水平(1)選用“上月工資收入”作為代理變量的說明：“上月工資收入”變量是年度數據，中國流動人口動態監測調查數據(CMDS)自2009年起已調查了10年，在每個調查年份，如2018年，一年中只進行1次調查，調查過程中對受訪者進行詢問“您個人上個月(或上次就業)收入為多少？”因此，上月工資收入這一變量是年度數據，即被抽樣的這位受訪者在被訪問的這一年的具體一天之前的一個月的工資收入，可以理解為，用受訪者某個月份的工資收入來衡量其收入水平，而這個月份是隨機抽查的，所以具有代表性。，同時為減小異常值的干擾將收入取對數。在此基礎上，根據出生年份將研究對象劃分為50-60后(2)由于50-60后流動人口樣本量太小，所以將兩個年代數據合并為一組進行分析。、70后、80后三個組別。考慮到教育的收益具有一定延遲效應，本文未對90后流動人口展開研究。

2.樣本的描述統計分析

本文主要變量的描述統計如表1所示。數據顯示，樣本中大專學歷群體從2010年的18%上升到2018年的28%，增長了10個百分點(詳見表1)。

表1 主要變量的描述統計

東部地區樣本量較大，中、西部地區樣本量較少，但東部地區高等教育流動人口有下降趨勢，西部地區則呈上升趨勢。流動家庭規模呈上升趨勢，2010年人均流動家庭規模為2.87人，2018年上升到3.13人。代際分組上，年輕代流動人口占比遠高于年長代群體。

進一步分析不同地區各年代不同受教育水平流動人口的收入水平(詳見表1)。整體上，2010年至2018年，各代際間收入的上升趨勢顯著。受教育水平越高，收入也越高。2010年，在較低學歷組(高中學歷)，年輕代流動人口的收入相對較高；在較高學歷組(大專及以上)，70后收入相對較高。2018年，東部地區較高學歷水平的70后群體收入最高，但中西部地區則是50-60后群體。從地區差異來看，各年代流動人口的收入水平從東部到西部整體上呈遞減趨勢，但值得注意的是，2018年西部地區70后較高學歷組的收入開始出現高于同年代中部地區(詳見表2)。數據表明，我國流動人口收入水平存在代際差異及地區差異。

表2 不同年代流動人口的收入對數

三、基本模型與計量結果分析

基于拓展的Mincer收入方程，我們對不同年代流動人口高等教育回報率進行估計，設定模型如下：

ln Incomeij=β0j+ β1j*Hij+∑βijXij+εij

(1)

式中，Income為流動人口的工資性收入；H為流動人口高等教育虛擬變量，受過高等教育的流動人口賦值為1，未受過高等教育(即最高學歷為高中)的賦值為0；X為控制變量，借鑒劉澤云(2015)的方法〔28〕，僅考慮不被個人高等教育經歷影響的控制變量，不考慮研究對象的職業和行業等，避免因工作差異導致高等教育回報率的估計偏差，本文使用的控制變量包括年齡、性別、地區、戶籍與流動時長；ε為隨機誤差項，i指不同的研究個體，j代表研究個體所處的不同年代，即50-60后、70后、80后三個組別。

使用模型(1)進行最小二乘估計，結果詳見表3。

回歸結果顯示，不同年代流動人口的高等教育回報率在地區之間、城鄉之間和不同性別之間均存在差異。其中，男性的高等教育回報率高于女性，相較于年輕代群體，年長代的男性性別優勢更甚；城鎮戶口可以顯著增加收入，但戶籍優勢開始減弱；流動時長大部分顯著，但影響甚微；在各年份不同年代組別中，中部地區流動人口收入顯著低于東部地區，西部地區流動人口收入盡管也顯著低于東部地區，但整體上與中部地區差距逐漸縮小甚至有超過中部地區的態勢。

研究發現，不同年份各代際流動人口高等教育對收入的正向影響都在1%水平上顯著，表明相對于高中學歷群體，接受過高等教育的流動人口收入更高，估計結果與描述性統計分析基本一致。從2010年到2018年，50-60后的高等教育回報率上升14個百分點，80后上升4個百分點，70后則呈下降態勢。2010年，流動人口高等教育回報率隨年齡減少整體呈倒U型的發展趨勢，70后流動人口的高等教育回報率最高，其次為50-60后，80后最低。至2018年，高等教育回報優勢從70后轉移到50-60后。整體而言，年長代流動人口的高等教育回報優勢顯著高于年輕代。

四、遺漏變量與樣本選擇性偏差的處理

在使用OLS對模型(1)進行估計時可能存在遺漏變量偏誤和樣本選擇偏差問題。首先考慮遺漏變量偏誤問題。影響工資性收入的相關變量同時也影響受教育程度，導致OLS估計結果無法反映是否接受高等教育與工資性收入的因果性影響。工具變量法是解決該問題的常用方法，可以利用一個與主體是否受過高等教育相關但與主體畢業后工資性收入無關的變量。國內外在研究教育回報率時，工具變量的選擇有所不同。Angrist(1991)〔29〕和Bound(1995)〔30〕先后使用出生季度作為工具變量進行教育回報率的估計，但由于發達國家對義務教育的要求與我國不同，該工具變量并不適用于本文。邢春冰(2014)等利用2005年和2011年大樣本微觀數據〔31〕，選用人均移動電話數和人均本地固定電話數作為教育回報的工具變量，結果顯示兩種工具變量對教育回報在5%的水平上顯著，但估計結果并不理想。也有學者運用父母雙方以及配偶的受教育年限作為工具變量〔32-33〕，結果表明在運用配偶和父母的受教育年限作為工具變量后的估計值顯著高于普通最小二乘估計。結合已有研究及數據可及性，本文選用配偶是否受過高等教育作為工具變量。一方面，樣本數據中，相較于配偶的教育水平，父母教育水平的樣本量較小；另一方面，夫妻雙方的受教育程度有較強的匹配性和相關性〔34〕，是一個強工具變量〔35〕。由此，選用配偶教育水平作為工具變量后，主體是否接受高等教育表示如下：

Hij=δijSij+ΣβijXij+eij

(2)

式中，H為高等教育虛擬變量；S為配偶高等教育虛擬變量，S取1表示配偶受過高等教育，S取0表示配偶最高學歷為高中；其他含義同模型(1)。方程(2)即一階段回歸，將其代入回歸方程(1)，得到二階段回歸模型(3)：

ln Incomeij=α0jHij+ΣβijXij+εij

(3)

第二個問題是樣本選擇偏差問題。Heckman(1990)認為在估計過程中，僅能估計到正處于工作狀態有收入群體的教育回報率，但忽略了因身體殘疾、退休或者僅從事家務工作等群體的收入情況，進而導致估計結果有偏差〔36〕。本文進一步采用Heckman兩步法進行樣本選擇偏差的糾正。先利用全部樣本檢驗樣本的選擇性偏差問題(包括未就業群體)，將是否參與工作設置為二值選擇模型：

P(workij=1|Zij)=Φ(Zijγij)workij=0，1

(4)

將計算出的逆米爾斯比率代入式(2)和式(3)，使用有工資性收入的樣本進行工具變量分析。將逆米爾斯比率和式(4)中所有影響主體是否就業的變量Z作為解釋變量，重新進行工具變量一階段回歸，得出式(5)：

(5)

將式(5)代入式(3)，重新進行工具變量的二階段回歸，具體結果如式(6)：

(6)

其中，α為糾偏后的高等教育回報率；ij含義同式(1)，式(6)即解決遺漏變量偏誤與樣本選擇性偏差后的Heckman-IV模型。

采用Hausman檢驗來確認本文中是否存在內生性問題，結果顯示，p值小于5%，拒絕主體是否接受高等教育是外生變量的原假設，即研究中主體是否接受高等教育為內生變量。進一步基于式(5)和式(6)使用配偶教育水平作為工具變量，進行Heckman-IV估計的結果見表4。

表4 不同年代流動人口高等教育回報率的Heckman-IV估計

糾正樣本選擇偏差及內生性問題后的回歸結果顯示，前述兩個年份的Heckman-IV結果均高于OLS估計。在2010年樣本中，三個代際的高等教育回報率分別為68%、47%、27.3%，高出OLS回歸結果44、14和9.3個百分點，50-60后群體占據2010年高等教育回報率的“制高點”。至2018年，整體上三個代際仍是50-60后占據高位，但三個代際的高等教育回報率變動存在差異。其中，50-60后盡管仍居“高位”，但相較于2010年下降了3.2個百分點，70后與80后分別有不同程度的上升，年輕代80后群體的高等教育回報率從2010年的27.3%上升至37.3%，上升10個百分點，升幅最大。可以看出，我國流動人口高等教育回報率各代際間差異呈收斂態勢。在地區差異上，中西部地區的高等教育回報依舊處于劣勢，尤其是年輕代流動人口。

五、穩健性檢驗與異質性分析

1.穩健性檢驗

接下來，為檢驗本研究估計結果的穩健性，我們進一步做了兩組分析，來證明高等教育流動人口的代際差異。

首先，在對高等教育回報率進行估計時，一般不考慮自我雇傭樣本，因為自我雇傭者的收入受諸多因素干擾，并不適用于Mincer收入方程進行教育回報估計。但本研究使用的我國流動人口動態監測調查數據中，關于就業身份為“自營勞動者”以及“雇主”的樣本占比較高。所以本文參考劉澤云(2015)的研究，就自我雇傭者對研究估計結果是否產生影響，做進一步的分樣本回歸：樣本一，研究重新加入自我雇傭樣本，并將有勞動性收入的自我雇傭樣本視為參與勞動力市場(work=1)；樣本二，同樣加入自我雇傭樣本，但將其視為未參與勞動力市場；樣本三，即表4的樣本，未考慮自我雇傭樣本。其中，樣本一和樣本二采用同樣的估計方法與控制變量以及利用配偶是否接受高等教育做工具變量進行回歸估計，結果發現三類樣本估計結果大致相同(3)限于文章篇幅，具體分析結果在文中略去，如有需要可聯系作者索取。。

其次，研究替換了原工具變量，用配偶的受教育年限作為個人是否接受高等教育的工具變量，同樣，與樣本三采用相同的估計方法與控制變量進行回歸估計。估計結果同樣表明，使用不同工具變量的估計結果基本一致。

2.不同年代流動人口高等教育回報率的地區差異

為進一步探究各年代流動人口高等教育回報率的地區差異，本文分地區對不同群體的高等教育回報率進行最小二乘估計，并用Heckman-IV解決回歸中樣本選擇性偏差和遺漏變量偏誤問題，探究地區間各代際流動人口高等教育回報率的差異，結果詳見表5。

從表5可得，上述兩年數據均表明：Heckman-IV的估計結果均高于OLS估計，且流動人口高等教育回報率的地區差異仍然存在，除個別年份個別代際外，東部地區各代際的回報率最高，其次是西部地區，中部地區最低；中、西部地區年輕代流動人口的高等教育回報率上升顯著。其中，2018年數據顯示，中、西部地區70后、80后群體的高等教育回報率超過50后與60后。從代際視角來看，我國各地區年長代高等教育回報率的絕對優勢不再，年輕代80后群體的高等教育回報率上升較快。從2010年至2018年，東、中、西部80后流動人口的高等教育回報率分別從38%、28%和30%上升至42%、37%與37%，分別上升4、9、7個百分點。整體上，區域間高等教育回報率差異也呈收斂態勢。

六、結論與討論

本文基于2010年和2018年中國流動人口動態監測調查數據，建立Mincer收入方程，利用Heckman兩步法和工具變量法，對各年代流動人口的高等教育回報率進行了估計。研究發現，不同年份各年代群體的高等教育回報率優勢顯著，但存在代際差異，在解決遺漏變量偏誤與選擇性偏差問題后，三個代際的高等教育回報率分別從2010年的68%、47%、27.3%變動為2018年的64.8%、51.9%、37.3%(詳見表4)，總體而言三個代際的高等教育回報率表現為50-60后最高、70后次之、80后最低。盡管年長代高等教育回報率仍在制高點，但這并不意味著“大學生越來越不值錢”。一方面，高校擴張政策實施以來，年輕代中高等教育群體所占比重上升，其高等教育回報率較年長代低屬于正常現象；另一方面，從2010年到2018年，50-60后流動人口高等教育回報率有所下降，70后、80后的回報率均有不同程度上升，代際差異逐漸縮小，呈收斂態勢。

此外，流動人口高等教育回報率的地區差異仍然顯著。在對我國不同年代群體進行地區間的分樣本回歸后發現，中西部地區流動人口高等教育回報率仍處于較低水平，但西部地區整體上優于中部地區，一定程度上表明我國西部地區近些年的人才引進政策取得一定成效。同時，年輕代群體的高等教育回報率上升顯著，兩期數據的實證結果表明，我國東、中、西部地區80后流動人口高等教育回報率分別從38%、28%、30%上升至42%、37%與37%(詳見表5)，中西部年輕代群體教育回報率上升更多。整體上，我國區域間各代際流動人口高等教育回報率的差異呈收斂態勢。這意味著高學歷人口的地區間流動可以起到縮小收入差距的作用。

收入是影響人口和勞動力遷移的重要因素之一，本文的發現表明，高學歷人口在追求收入提高而選擇流動的過程中，也起到了縮小地區收入差距的作用。高等教育不僅對個體而言是一種必要且有價值的投資，更是進一步縮小我國區域差距的有效途徑，讀大學并非無用，高等教育作為重要的人力資本投資依然不容忽視。在各地紛紛出臺各項人才引進政策的情況下，中西部地區更應該重視人才、尊重人才，吸引更多高學歷人才流入。