高等教育回报率的性别差异研究

李 祺，段依然

(郑州大学 商学院，河南 郑州 450001)

教育对劳动力收入改善起至关重要的作用，政府一直在不遗余力地发展教育事业。近年来，劳动力工资定价逐步市场化，在劳动力市场还没有充分完善，无法准确传递个人能力信号时，性别会成为企业预判劳动者能力的便捷途径，进而引发性别歧视问题，导致女性工资收入较低。李雁(2014)研究了影响我国教育回报率的因素，认为我国在教育回报率过低的同时还存在过度教育现象[1]。这说明在追求教育水平的同时，不能忽略教育公平和就业引导，我国劳动力市场仍需完善。目前我国性别工资差异较为明显，学界认为差异产生的原因有人力资本特征差异和性别歧视两方面。

国内有关教育回报率与工资性别差异的研究主要是采用明瑟工资方程进行收入函数回归分析，并进行分解。现有文献大多着眼于某一特定地区或行业的微观数据进行教育回报率分析，或采用时间序列数据对教育收益率的变化进行研究，针对高等教育教育回报率的研究较少。近年来我国研究性别收入差距的文献很多，方法及侧重点各有不同。袁晓燕(2012)运用CHNS2006数据研究性别回报率差异，采用Oaxaca-Blinder分解法，结论是人力资本特征造成的工资差异为37.87%，性别歧视造成的工资差异为62. 13%[2]。彭竞(2011)采用CGSS(2006)数据，通过Brown分解法分行业考察高等教育回报率性别差异，发现女性的高等教育回报率普遍高于男性，但女性的高等教育回报率在四类行业中依次递减，进而得出随着行业的进入门槛与收入水平的提高，高等教育对于女性收入的增长作用减弱的结论[3]。王美艳(2005)从行业获得方面研究工资差异，认为性别工资差异主要是由行业内工资差异引起的[4]。黄志岭(2010)等考察了农村迁移劳动力性别工资差异，结论是80.7%为不可解释部分，主因是歧视，19.3%是人力资本特征差异所体现的可解释部分[5]。姚轮轮和张莉琴(2013)对中国农村居民教育回报率进行了研究，得出男性教育回报率明显高于女性，且2004-2009年间随着年份增长，性别因素导致的教育回报率差距越来越大[6]。李得元和李兴绪(2015)采用2012年世界银行STEP住户调查数据中昆明市的数据，得出男性教育回报率低于女性的结论，且随着女性学历的提升，教育回报率的性别差异减少的结论[7]。高梦滔和张颖(2007)运用中国城市贫困监测数据库中三个西部城市的居民数据进行研究，发现高收入行业中女性教育回报率比男性低，低收入行业中女性教育回报率则较高[8]。陈良焜和鞠高升(2004)运用1996-2000年数据，按年份分组进行明瑟方程回归，得出明瑟教育收益率逐年提高的结论，并研究了总的教育收益率的值没有落在分性别回归的教育收益率之间的原因[9]。

1 数据来源及描述性统计

数据来自2013年中国综合社会调查(CGSS)，该数据是目前可以获取的比较新的具有全国代表性的微观数据。选取收入、工作经验、性别、学历、健康状况、行业类型、父母受教育程度、民族、婚姻状况、党员等变量进行数据分析，剔除没有劳动收入或劳动收入缺失的、年龄小于16岁或大于60岁的部分和变量信息缺失的样本。

表1相关变量的描述性统计

说明：研究样本只包括16～60岁之间处于工作状态的高中及以上学历者。

2 模型的建立、回归及分析

2.1 模型建立

利用stata14.0软件，在基本的明瑟方程模型的基础上加入性别和学历虚拟变量，用于分析高等教育不同学历下不同性别的明瑟收益率，并通过增加与工资相关的其它虚拟变量及性别和教育交互项对明瑟工资方程进行补充。

分性别估计男性与女性的明瑟工资方程，补充后的明瑟工资方程如下：

lnWm= α + β1mD + β2mB + β3mexp + β4mexp2+ ΣλimXim+ ε

(1)

lnWf= α + β1fD + β2fB + β3fexp + β4fexp2+ ΣλifXif+ ε

(2)

按性别将样本分为两组，下标m代表男性，f代表女性。式(1)(2)中lnW 为小时工资的对数，α为常数项，D与B是代表教育程度的虚拟变量，分别表示大专学历与本科学历，对照组为高中学历；β1与β2分别代表相对于高中学历、专科学历与本科学历的教育回报率；exp代表工作经验，单位为年，exp2为工作经验年数的平方，引入平方值是为了反映工作经验与收入的非线性关系；β3与 β4为工作经验及其平方的回归系数；Xi是一系列可能影响工资收入的虚拟变量，包括是否为汉族、是否有配偶、是否为党员、所处的行业与地区、父母教育程度等，λi代表各虚拟变量的回归系数；ε为随机误差项。

在分性别回归的基础上建立总的明瑟回归方程，用于分析教育水平通过性别对劳动收入产生的影响：

lnW = α + β1D +β2B +β3exp +β4exp2+ΣλiXi + 性别*教育+ε

(3)

式(3)的性别*教育交互项中包含性别这一虚拟变量，男性为1，女性为0。

2.2 回归分析结果

由表2，各组方程的p值均通过了显著性检验(此处不再列出，仅标记显著性水平)，模型整体拟合优度合理。模型的回归结果显著，与教育相关的两个虚拟变量的系数为正，与实际相符，表明劳动力接受高等教育对工资收入有正向影响。同时，性别与教育的交互项均为正且显著，说明性别通过教育对劳动收入的影响是显著的。

说明：①括号内为t值，***表示在1%的水平上显著；**表示在5%的水平上显著。②回归方程中有4个健康状况虚拟变量、15个行业类型虚拟变量、27个省份虚拟变量、6个父母教育程度虚拟变量、民族虚拟变量、婚姻状况虚拟变量、党员虚拟变量作为控制变量，在此不再列出。③选取的数据为16～60岁之间处于工作状态的高中及以上学历者。④性别*教育指总体回归方程中包含了性别与教育的交互项。

对于男性与女性的明瑟方程回归系数β1m、β2m、β1f、β2f进行t检验，针对假设H1:β1m=0.1719、H2:β2m=0.3182、H3:β1f=0.1452、H4:β2f=0.3853，给定显著性水平为0.05，结果显示假设H1、H2、H3、H4应当被拒绝，也就是说，男性的明瑟方程回归系数与女性明瑟方程回归的系数差异显著。

2.3 稳健性检验

CGSS数据中关于收入的指标有两个，一是个人全年总收入，二是个人全年劳动收入。教育回报率可以通过男性与女性的性别工资差异衡量，故拟采用个人全年劳动收入作为因变量。为了使结果更稳健，分别以个人全年总收入、个人全年劳动收入为因变量进行辅助回归，结果个人全年劳动收入回归得出的模型的可决系数(R2)大于个人全年总收入的，并且模型中各变量对工资的解释力度更大，故采用个人全年劳动收入。本文还将行业、地区、家庭背景等虚拟变量与性别做了交互处理，产生了几十个交互项，回归结果显示R2更小，且交互项系数大多不显著，但方程整体显著且系数均与表2中回归结果相近，说明性别这一虚拟变量通过教育可以对劳动收入作出较好解释。

2.4 高等教育回报率计算及分析

为了更合理地分析高等教育年均教育回报率，分别计算本科和大专的年均高等教育回报率，其中大专教育的年均高等教育回报率=大专教育回报率(β1)/3，本科教育的年均高等教育回报率=本科教育回报率(β2)/4。

从表3可看出，伴随着学历提高教育回报率总体上是上升的。大专教育年均教育回报率女性高于男性，差异不明显；本科教育年均教育回报率男性高于女性，且差异较明显。可见，随着高等教育学历层次的提高，男性的高等教育回报率涨幅大于女性，即男性接受高等教育的边际收益率高于女性。

从表4可看出，本科学历男性和女性的收入明显大于大专学历人员的收入，男女工资差异的绝对值随着学历提升加大。这与表3中男性的高等教育回报率涨幅大于女性的结果一致。

男性接受高等教育的边际收益率整体上高于女性，一个可能的原因是行业获得机会不同。姚先国和黄志岭(2008)指出，从部门分类的角度看，男性相对于女性会更高比例地进入一些收入较高的部门，比如垄断、机关部门，而女性进入其他行业的比例高于男性[10]。彭竞(2011)将所用数据按照工资从低到高分为四个行业，发现受过同等高等教育的女性和男性，女性劳动者进入收入较低行业的比例高于男性，进入收入较高行业的比例低于男性；高收入行业对女性的进入门槛要求可能更高，女性进入的多是进入门槛低的行业，相应的工资水平较低。另一个可能的原因是本文选取的数据排除了低层次教育中男女收入差距较大的样本，导致得出的明瑟收益率更加纯粹地体现了工资收入差距中性别原因导致的不平等现象。以整体城镇居民为样本研究，结论是女性的明瑟收益率高于男性，李晓康(2011)认为主要原因是低学历女性的收入远远低于男性，这导致教育水平较高的女性的收入与男性相比虽然存在相当程度的差异，但由于与高学历相对照的低学历的收入和收益率数值低，所以以边际收入衡量的明瑟收益率远远高于男性[11]。

3 回归结果的进一步分解

采用Oaxaca-Blinder分解法对性别工资差异进行定量分解，考察禀赋差异等对性别工资差异的影响。Oaxaca-Blinder分解法基于OLS回归方程将性别工资差异分解为两部分，一部分可以被男女两组样本的人力资本特征差异所解释，如两组样本在受教育程度、工作经验等方面的差异导致的工资差异被认为是合理差异；另一部分则是两组样本在回归时不同的回报率，即各变量系数的差异造成的，这部分差异是工资差异中不可解释的部分，被认为是不合理部分，主要是由性别歧视引起的[12]。

表5 Oaxaca-Blinder分解结果

由表5，人力资本特征造成的差异为-0.0161492，占总差异的-5.79%，这体现了“逆差异”效应，说明虽然女性样本的人力资本特征比男性样本的人力资本特征优秀，但无法抵消性别歧视带来的差异。这与范璐(2012)[13]的结论一致。同时，人力资本特征不可解释部分为0.295243，占总差异的105.79%，不可解释差异有很多原因，通常认为大部分是由性别歧视造成的。在可解释部分中，教育项数值为-0.0245062，占比151.75%，即教育差别对性别工资的影响。可以看出，只看教育项时逆差异效应更为明显，也就是说，教育变量提升女大学生人力资本特征的效果部分地被行业、地区、家庭背景等变量抵消了。在不可解释部分中，教育项数值为0.029366，可解释部分为0.295243，教育项占比9.95%，这个比例体现的是教育回报率差别对性别工资的影响，即前文明瑟工资方程式(1)(2)中教育这一虚拟变量的回归系数的不同所导致的男女工资差别。除教育之外，行业、地区、家庭背景等变量也对不可解释部分数据造成了正向影响，即这些变量共同体现出了性别歧视等不可解释原因造成的性别工资差异。

本文做的分解针对的是高等教育范围内教育回报率的性别差异，与其他采用了教育程度分布较广泛的样本的研究相比表现出的性别歧视程度更高。如袁晓燕(2012)指出工资差异中由性别歧视原因造成的占62.13%；黄志岭(2010)认为性别歧视造成的占80.7%。在异质性较小的数据中，逆差异效应往往体现得较为明显。如曲兆鹏(2016)考察了大学生起薪数据，数据同质性强，在分析中除运用Oaxaca-Blinder分解方法外，还采用了匹配分解结果的方法，也出现了显著的“逆差异”效应，即女大学生的人力资本特征更具有优势，但这种优势被系数特征的巨大差异抵消了，计算得出的女性大学毕业生遭受的歧视程度被低估21%[14]；袁霓(2005)分别用阿普尔顿(Appleton)方法、奥克萨克(Oaxaca)和纽曼克(Neumark)方法对不同所有制部门男女收入差异进行了分解，结果中的不可解释部分均为负值[15]。

4 结论

4.1 主要结论

本文采用CGSS数据，应用明瑟方程和Oaxaca-Blinder分解法研究高等教育回报率的性别差异，得出以下结论：第一，在高等教育劳动力市场上存在明显的性别工资差异，高中以上学历的就业者中男性的工资高于女性。第二，在高等教育范围内，无论男女，学历提升都会导致教育回报率提高，教育回报率总体上随着教育水平的提高而增加。第三，用明瑟收益率衡量高等教育的教育回报率，发现大专教育年均教育回报率女性大于男性，本科教育年均教育回报率男性大于女性。第四，随着高等教育学历层次的提高，男性高等教育回报率涨幅大于女性，也就是说，在接受更高层次的高等教育时男性的边际教育回报率大于女性。第五，在高等教育性别工资差异中，由性别歧视等原因造成的不可解释部分的差异达105.79%，说明虽然接受过高等教育的高学历劳动力基本代表了劳动力市场上的高技能劳动力，但用人单位对女性存在歧视。

4.2 存在的不足

本研究尚存在一些不足：一是未详细分析产生教育回报率差异的行业分类原因，未来可对男性、女性行业获得或行业准入门槛差异进行研究。二是未能将本科以上学历进行细分，如分为本科学历和研究生学历。三是结论未排除样本的自选择效应，即没有排除样本认为自己将教育进行收益化的能力比常人高，所以选择接受更多的教育的可能性。四是未能明确在不同年龄段、学历甚至家庭状况下，男女劳动者在工作稳定程度、晋升空间等方面是否有系统性差异。