城城流动人口教育回报率研究

侯 力

（吉林大学 东北亚研究中心，吉林 长春 130012）

一、引言

改革开放以来我国人口在地区间的流动趋势不断加强。2020 年第七次中国人口普查数据显示全国流动人口达到3.76亿，人口城镇化率达到63.89%，［1］说明人口的流动性仍在不断增强。一方面，乡村人口仍在以年均提高1 个百分点的速度加快向城市流动，受户籍等方面制度的制约，大量进城务工人员成为我国流动人口的主体；另一方面，城城流动人口规模不断扩大，在全部流动人口中所占比重呈上升态势，由2013年的14.44%提高至2018年的15.84%，各年度平均受教育年限分布在12.3～13.2年之间，6年平均水平为12.9年，高于流动人口总体10.1年和乡城流动人口9.6年的平均水平①根据中国流动人口动态监测调查数据2013-2018 年数据计算。城城流动人口是指流动人口中现居住地在城市且户口性质为非农业和非农转居的人口。。随着户籍制度改革深入推进，人口向大城市和城市群核心城市流动的特征会日益显著。总体来看，人口在城市间流动会表现出多元性特征。这种多元性体现在劳动力结构和流向特征等方面，它与地区经济发展潜力以及产业结构关系密切。

获得更高的收入是人口流动就业的重要原因。教育与个体收入增长具有密切关系，一般认为受教育年限增加与个体收入增长呈正向关系。［2］经验研究指出城市人均受教育水平高于农村①2019年全国劳动力人口平均受教育年限为10.5年，其中城镇为11.4年，乡村为9.1年，分别较1985年提升了4.4年、3.2年和3.6年。，［3］大城市人均受教育水平高于小城市②根据2015年人口1%抽样调查数据计算，大城市人均受教育年限为9.785年，小城市为8.465年，大城市较小城市高1.32年。，［4］这意味着通常情况下城市教育回报率高于农村，［5］大城市平均教育回报率要高于中小城市。［6］同时，也有研究指出流动人口平均受教育水平高于农村居民平均受教育水平，教育回报率也高于农村教育回报率，但仍低于城镇平均水平。［7-8］因此，为了追求更高的教育回报，人口必然不断由农村向城市流动、由欠发达小城市向发达大城市流动。教育回报通常需要通过就业来实现。［9］国际相关研究表明同公有部门相比，私有部门具有相对较高的教育个人收益率。［10］我国不同行业部门、不同所有制类型企业也存在教育回报率的差异。［11］因此，考察我国流动人口教育回报率，需要综合考虑受教育水平、制度影响以及就业特征等多方面因素。

有研究显示城城流动人口教育回报率高于乡城流动人口。［12］一方面，城城流动人口平均受教育水平较高，在发达的城市地区具有更强的人力资本学习效应，这会在一定程度上提高其教育回报率；另一方面，城城流动人口也面临就业特征造成的教育回报率差异并受到一些制度性因素的不利影响，这也可能导致部分城城流动人口教育回报率相对偏低。那么，受教育水平高于城镇平均水平的城城流动人口，在不同规模城市就业，能否实现相对较高的教育回报率，并且在这一过程中，就业发挥着什么样的作用，人口受教育水平是否会对城城流动人口在流入城市的就业选择产生影响，正是本文拟探讨的主要问题。

二、文献回顾

教育回报率一直以来受到学术界的普遍关注。20世纪50年代末美国经济学家提出个体收入与教育具有密切关系，［13］关注教育年限每增加一年所能带来收入增长的百分比。20 世纪80 年代中期以来中国教育回报率问题受到国内外学者的关注。已有研究虽然是应用不同微观调查数据库展开，但其得出的基本结论是比较一致的。改革开放初期中国教育回报率很低，甚至为负值，［14］表现出农村高于城镇的特征。［15］城市改革启动后中国城镇平均教育回报率逐步提高，但整体上偏低，直到21世纪初期才基本达到国际平均水平。［9］［11］此后，中国城镇平均教育回报率保持了稳定增长态势，随学历教育层次提升而递增，［16-17］但不同层次教育回报率差异在不断扩大。［18］同时，工作经验的积累以及职业培训所带来的技能的提升也对个体收入增长产生正向影响，［19-20］但其在长期内对提高劳动力收入的作用会逐步减弱。［16］

尽管运用标准明瑟收入模型研究所得出的结论基本认为教育回报率呈不断上升态势，但如果考虑个体特征、就业特征等方面的因素，教育回报率则有不同程度的下降。［21-22］这表明教育对于收入的影响在很大程度上是由职业、行业以及就业单位与方式决定的，即要通过劳动力就业选择来实现。［23］从理论上说，那些市场化程度较高且竞争力较强的部门通常对劳动力的学历和生产率具有较高的要求，高学历和高生产率使他们能够获得更高的收入。［24］我国城镇不同性质的就业部门，教育收益率存在着明显的差异。［5］［25］

另外，人口不断向大城市流动，主要是因为大城市具有更高的劳动生产率，在大城市就业能够获得更高的收入；同时高素质劳动力在大城市集聚，不仅能够获得更高的私人教育回报率，而且能够产生人力资本外部性，即通过与他人交流与互动形成知识溢出效应，每个人就能从其他人教育水平的提高获益，从而使个人收入进一步提高。不仅如此，高素质劳动力在大城市集聚也能够为低技能劳动力带来更多的就业机会，通过技能互补性，带动低技能劳动力提高生产率，从而提高整体教育回报率。［4］有研究显示城市人口规模大及高技能劳动力多将促进城市平均劳动力工资水平的提高，流动人口教育回报率也相对较高。［2］［26］而农民工教育回报率也表现出区域和城市差异性，即在东部沿海地区和发达的大城市更高。［6］［27-28］

已有研究围绕教育回报率变动及区域差异、行业与部门教育回报率差异等展开并不断深入。近年来对于流动人口教育回报率的研究不断增加，较为普遍的结论是流动人口教育回报率低于城镇人口平均教育回报率但高于乡村人口平均教育回报率，城城流动人口教育回报率高于乡城流动人口教育回报率，同时也有研究指出城市流动人口受教育水平不断提高，使其高等教育回报率高于本地劳动力。［29-30］但总的来看，关于城城流动人口教育回报率，目前的研究仍较为有限。本文拟综合考虑上述因素，运用2013-2018 年中国流动人口动态监测调查数据，专门研究学历教育和工作经验对城城流动人口收入增长的影响，分析其城市异质性和区域异质性以及时序上的变动，同时考虑就业特征在教育回报中的贡献，进一步探讨受教育水平如何影响城城流动人口的就业选择。

三、流动人口教育回报率及异质性分析

本文使用中国流动人口动态监测调查数据（CMDS），分析2018年受教育年限和工作经验对城城流动人口个体收入增长的影响及其异质性以及2013-2018 年城城流动人口教育回报率的变动。根据研究需要，选取年龄为15-60 岁、户口性质为非农业和非农转居、流动原因为务工/工作和经商的就业人口作为研究对象，对存在异常值或缺失值的样本进行删除处理，最终获得有效研究样本。通过以上处理，2013-2018年有效研究样本数量分别为19 696个、20 976个、18 240个、15 799个、15 274个、15 258个。

（一）模型设定

根据Mincer 收入方程，个体工资收入是学历教育、工作经验等多种因素共同作用的结果。本文以城城流动人口受教育年限代表教育水平，并借鉴已有研究方法，以个体年龄减去受教育年限，再减去6年学龄前时间，计算工作经验。在此基础上，控制就业行业、职业等工作特征、个体特征、流入时长以及流动范围等流动特征，展开实证分析。实证模型为：

lnincomei为个体收入的对数；edui为个体的受教育年限，系数β1为个体教育回报率，本文重点关注该系数变化；expi为个体的工作经验，是个体工作经验的二次项，用以检验工作经验对收入的非线性影响；Xi为一组包括性别、婚姻状况、户口性质、流动时长、流动范围、就业行业、就业职业、就业单位性质、就业身份、城市规模等级以及区域在内的控制变量；εi为随机误差项。

本部分拟运用OLS 方法，分析2018年城市间流动人口受教育年限对其收入的影响，并在此基础上，探讨其城市异质性和区域异质性以及在时间上的变动特征。

（二）变量说明及描述性统计分析

本文的被解释变量为个体收入，即个人上个月或上次就业的月纯收入，取自然对数。2013-2018 年城城流动人口收入对数的均值分别为8.08、8.22、8.34、8.34、8.43、8.53，呈不断增加趋势。

本文的核心解释变量为受教育年限。受教育年限是将受访者填报的选项，按未上过学为0年、小学为6年、初中为9年、高中或中专为12年、大专为15 年、本科为16 年、研究生为19 年折算。2013-2018 年平均受教育年限的均值呈现不断提高特征，由12.27 年提高至13.23 年，基本相当于高中毕业水平（见表1）。

表1 2013-2018年主要变量描述统计（%、年）

本文的重要控制变量是工作经验。按照前述工作经验估算方法，结果显示2013-2018年工作经验均值在15.68～16.69年之间。

一般控制变量：第一，流动时长由本次流动到流入地时间计算，是连续变量，呈现出增加特征，其均值由4.39 年增至6.09 年。第二，其余控制变量包括性别、婚姻、户口性质、流动范围①这四个分类变量界定如下：性别：男性=1，女性=2；婚姻：未婚=1，已婚=2，离婚和丧偶=3；户口性质：非农业=1，非农转居=2；流动范围：跨省流动=1，省内流动=2。、城市等级②按照2014 年城市等级分类标准，以《中国城市建设统计年鉴》中城区人口与城区暂住人口之和作为基数，将城市等级界定为：特大及以上规模城市（城区人口超过500万）=1，大城市（城区人口在100～500万之间）=2，中小城市（城区人口小于100万）=3。、区域③区域按传统经济区域标准划分为四大类，界定为：东部（10省区市）=1，中部（6省区）=2，西部（12省区市）=3，东北（3省）=4。、就业特征（含行业、职业、单位及身份）④就业行业：农林牧渔业=1，工业=2，建筑业=3，生产性服务业=4，生活性服务业=5，公共管理=6；就业职业：党政机关事业单位及办事人员=1，专业技术人员=2，服务业人员=3，生产人员及其他=4；就业单位：机关事业单位=1，国有集体股份联营企业=2，独资合资企业=3，个体私营企业及其他=4；就业身份：雇员=1，雇主=2，自营劳动者及其他=3。，均为分类变量⑤实证分析中，以最高序号者为参照组。。其中男性、已婚人口比例较大；跨省流动人口接近或略超过50%；户口性质方面，2014 年后逐步开始出现非农转居户口类型，从当年的1.70%提高至2018 年的14.88%；在区域和城市分布方面，东部地区流动人口比例超过50%，西部次之，超过20%，特大及以上规模城市流动人口比例最高，大城市次之，均超过30%；从就业特征看，主要是以服务业、个体私营企业、雇员为主。

（三）实证分析结果

1.2018 年城城流动人口教育回报率研究

对2018 年数据做回归分析，从明瑟方程核心变量开始，逐步引入控制变量，建立4 个回归模型。即模型（a）包含受教育年限、工作经验和工作经验二次项，估计结果中如果工作经验二次项为负值，则代表工作经验对于收入增长具有非线性影响，呈倒U型；模型（b）引入个体特征和流动特征作为控制变量；模型（c）进一步引入就业特征变量作为控制变量；模型（d）引入城市和区域特征变量作为控制变量。由此观察受教育年限对个体收入增长的影响以及在引入更多控制变量后，个体教育回报率是否稳健（见表2）。

表2 2018年教育对城城流动人口收入增长的影响回归结果

表2 估计结果显示无论是只包含明瑟方程核心变量，还是引入不同特征的控制变量，个体的教育回报率均是显著的。综合来看，城城流动人口受教育年限每增加1 年，个体收入增加4.91%～7.30%。同时，模型（a）表明个体工作经验对收入存在显著的非线性影响，呈“倒U”型。个体工作经验对收入的影响，会先增长，然后下降，与经典明瑟方程的结论一致。

另外，表2 模型（b）、模型（c）和模型（d）的估计结果表明各控制变量对收入增长的影响表现为：第一，个体特征方面，相对于女性城城流动人口，男性收入更高；第二，流动特征方面，流动时长对个体收入的影响显著为正；相对于省内城城流动人口，跨省流动人口收入更高；第三，就业特征方面，相对于参照组，只有农林牧渔业、服务业从业人员的收入没有显著的统计差异，机关事业单位从业人员、雇员的收入更低，表现为显著负向影响，其余均表现为显著正向影响；第四，城市和区域特征方面，相对于中小城市，特大及以上规模城市和大城市的收入均显著更高，相对于东北地区，东部城城流动个体的收入最高，而中部和西部则显著低于东北地区。

2.异质性分析

本部分利用2018年数据样本观察城城流动人口教育回报率的城市异质性和区域异质性。

在不同类型城市和区域，城城流动人口收入对数均值分布在8.23～8.75之间，体现出随经济发展程度和城市规模变动的基本规律。受教育年限，特大及以上规模城市显著高于其他城市，达到13.87年，大城市也超过13 年；东部地区显著超过其他区域，达到13.67 年。工作经验均值分布在15.39～19.46年之间，发达地区和规模较大城市中，城城流动人口工作经验均值相对较小主要是因为其平均受教育年限更长，个体人力资本更多体现在其受教育年限上面。流动特征方面，流动时长在5～7 年之间，其中特大及以上规模城市和中小城市、东部地区和东北地区流动人口此次流入就业时间相对较长。跨省流动人口分布差异性较大，表现出明显的以发达地区和城市为主的特征，其中，特大及以上规模城市跨省流动人口占比最高，达76.68%，东部地区次之，跨省流动人口占比也超过76%，中部地区最低，跨省流动人口占比仅略高于20%（见表3）。

表3 2018年各类区域和城市主要变量描述统计

以2018 年城城流动人口数据为样本，分析教育对收入增长影响的城市异质性和区域异质性。鉴于对总体样本分析的结果，在异质性分析中只做了两个步骤的回归分析，建立两个回归模型。其中模型（a）仅包含个体受教育年限、工作经验和工作经验的二次项，模型（c）引入其他控制变量，由此观察受教育年限和工作经验对收入增长影响在不同城市和区域之间的差异。主要估计结果如表4和表5所示，由于篇幅有限，除核心解释变量外，表4和表5仅给出了主要控制变量结果。

表4 基于2018年样本的教育对城城流动人口收入增长影响的城市异质性分析

表5 基于2018年样本的教育对城城流动人口收入增长影响的区域异质性分析

首先，观察城市异质性，对2018 年特大及以上规模城市、大城市和中小城市数据做回归分析。第一，仅包含明瑟方程核心变量时三类城市均表现出教育对收入增长的显著正向影响，即受教育年限每增加1 年，特大及以上规模城市流动个体收入增加10.16%，明显高于其他类型城市流动个体收入增加程度，并且随城市规模等级下降而下降；第二，引入更多控制变量后三类城市仍然均表现为教育对收入增长的正向显著影响，教育回报率仍是特大及以上规模城市显著较高，并随城市规模下降而下降。另外，对其他控制变量的估计结果显示，相对于参照组，三类城市均表现为男性和跨省流动群体的收入显著较高，而流动时长仅在特大及以上规模城市表现出对收入的显著正向影响。

其次，观察区域异质性，对2018 年东部地区、中部地区、西部地区和东北地区数据做回归分析。第一，仅保留明瑟方程核心变量时四大区域均表现出教育对收入增长的显著正向影响，教育回报率由高到低分别为东部、东北、西部和中部，其中，东部地区教育回报率显著高于其他区域；第二，引入更多控制变量后四个区域仍存在教育对收入增长的显著正向影响，教育回报率的区域分布特征与此前一致。另外，对其他控制变量的估计结果显示，相对于参照组，四大区域均表现为男性和跨省流动群体的收入显著更高，而流动时长在东部表现为对收入增长的显著正向影响，在西部则表现为对收入增长的显著负向影响。

综上可见，城城流动人口教育对收入增长的影响具有较为显著的城市异质性和区域异质性。越是较高层级的城市越能够对要素的流动和配置提供更有效的途径和载体；越是发达的区域越能够为要素流动与配置提供更好的环境。当然，教育对城城流动人口收入增长影响的区域异质性表现出一定程度的复杂性，主要是除东部地区以外，其他三个区域教育回报率水平与各区域受教育年限平均水平呈相反的趋势，即受教育年限平均水平最低的东北地区，其教育回报率相对更高，西部次之，这可能与各区域产业结构与就业结构有关。

3.2013 -2018年城城流动人口教育回报率变动研究

本部分拟进一步观察受教育年限对收入增长影响在时序上的变动。

以2013-2018 年城城流动人口数据作为六个独立的样本进行实证分析。对每个样本均做两个步骤的回归分析并建立两个回归模型，即模型（a）仅包含明瑟方程核心变量，模型（d）引入其他控制变量，由此观察受教育年限和工作经验对收入增长影响在时序上的变动，主要估计结果由表6所示。

表6 2013-2018年教育对城城流动人口收入增长影响的主要变量回归结果

分别对2013-2018年数据做回归分析。第一，仅保留明瑟方程核心变量时各年度受教育年限对收入均表现为显著正向影响。同时，城城流动人口的教育回报率在2013-2017 年间呈上升态势，在2018 年略有下降。第二，引入更多控制变量后各年度受教育年限对收入仍然存在显著正向影响，个体教育回报率的时序特征没有变化。在主要控制变量中，相对于参照组，各年度均表现出男性和跨省流动群体的收入显著较高，而流动时长在2013年、2016年、2017年和2018年对个体收入有显著正向影响。

综合以上关于不同年份受教育年限对城城流动人口收入增长影响的实证分析，可见城城流动人口的教育回报率随着城市经济的不断发展而增长，但是在2018 年城城流动人口的教育回报率有所下降。城市发展的放缓是导致城城流动人口教育回报率开始下降的可能因素。城市作为现代经济发展的载体，其发展速度和发展质量必然关系流动人口的微观福利。近年来，各个城市都在进行“抢人大战”，但是各个城市在关注吸引人口流入的同时，也应当努力通过城市的发展提高城城流动人口的教育回报率，增进其微观福利。

四、进一步分析

就业是个体获得收入的重要来源，也是个体获得教育回报的载体。个体在进入劳动力市场后会根据自身条件选择职业和身份，这将对其收入产生重要影响，进而在一定程度上影响其教育回报率。那么，劳动力在自身受教育水平和个体条件下，如何做出就业职业和就业身份选择，同时对于不同规模城市，其选择是否有所差异，这是本部分拟探讨的内容。下文拟运用多元Logit 回归模型，进一步分析城城流动人口受教育水平对其就业选择的影响。

（一）模型与变量说明

研究受教育年限对就业职业选择影响的多项Logit模型为：

πij是个体i选择j就业职业的概率，J个就业职业分别为党政机关事业单位及办事人员、专业技术人员、服务业人员、生产人员及其他职业四种类型。参照组是生产人员及其他职业。yi是个体回答的就业职业类型，edui是个体的受教育年限，Xi是一组控制变量，具体包括年龄、性别、婚姻状况、户口性质、流动时长、流动范围以及城市规模等级。γ表示控制变量相应系数向量。

研究受教育年限对个体就业身份选择影响时的模型与此模型一致，就业身份选项包括雇主、雇员、自营劳动者及其他就业身份，参照组为其他就业身份。

（二）描述性统计分析

本部分被解释变量分别为就业职业和就业身份，均为分类变量。城城流动人口就业职业主要分布在专业技术人员、服务业人员和生产人员，占比在92.40%～93.03%之间；就业身份主要为雇员和自营职业者，占比在90.84%～91.78%之间（见表7）。

表7 2018年各类城市不同就业特征分布与受教育年限描述统计（%、年）

核心解释变量为受教育年限，计量方法与前文相同。根据具有上述就业特征的流动人口在各类城市的主要分布，观察其平均受教育年限，可以发现在各自的群体中均处于中等偏上水平，而在不同规模城市基本处于高中或接近高中毕业的水平，即特大及以上规模城市为12.72-12.77年，大城市为11.85-11.95 年，而中小城市为11.31-11.43 年，流动人口平均受教育年限随城市等级下降而下降，中小城市内部差异最大。

控制变量主要考虑年龄、性别、婚姻、户口性质等个体特征以及流动时长、流动范围等流动特征。

（三）实证结果分析

以2018 年城城流动人口数据为样本分析受教育年限对就业选择的影响，所选取的参照变量与前文一致。主要是从总体和城市两个大的维度，即总体加上三个规模城市，对2大类5项就业特征分别展开分析。实证分析因为数据量较大，限于篇幅，仅通过表8显示部分主要变量的估计结果。

表8 2018年教育对城城流动人口就业选择影响的回归结果

续表8

第一，就业职业回归结果分析。分别对总体和三类城市各就业职业数据样本做回归分析。估计结果显示：受教育年限对于就业职业选择的影响，除大城市服务业人员职业类别外，相较于生产人员及其他就业职业类型，受教育年限提高都显著影响了个体的职业类别选择。在所有具有显著影响的结果中，相较于生产人员及其他职业类别，受教育年限增加会提高个体选择党政机关事业单位及办事人员职业类别和专业技术人员职业类别的概率，会降低个体选择服务业人员职业类别的概率。前者选择概率增加的程度在53.3%～72.6%之间且在大城市和中小城市较高；后者选择概率下降的程度在2.4%～3.4%之间，不同规模城市间差别不大。

第二，就业身份回归结果分析。分别对总体和三类城市各就业身份数据样本做回归分析。估计结果显示：相较于自营劳动者及其他就业身份，受教育年限对于劳动者就业身份选择影响显著。相较于自营劳动者及其他就业身份，个体受教育年限增加会显著增加其选择雇员就业身份和雇主就业身份的概率，即个体受教育年限每增加1 年，会使雇员就业身份的选择概率增加18.3%～31.5%，使雇主就业身份的选择概率增加10.5%～14.7%，整体上是随着城市规模扩大，选择概率增加的程度越高，并均表现为更倾向于选择雇员职业身份。

综合来看，无论是对于全部流动人口还是对于各类城市流动人口，相较于生产人员及其他职业类型，受教育年限提高都会增加选择党政机关事业单位及办事人员和专业技术人员的概率，这样的职业部门往往具有较高的门槛，但工资水平也相对较高并且在大城市和中小城市该特征相对更加显著，这可能是因为更大规模城市中，劳动力，特别是高素质劳动力对于就业职业具有更加多样化的选择。同时，在就业身份选择上，城市规模越大，相较于自营劳动者及其他职业身份，对于雇员的倾向越强，获取更高的工资是其实现教育对收入增长影响的重要途径。

五、结论

本文利用2013-2018年中国流动人口动态监测调查数据，探讨城城流动人口受教育年限对收入的影响及其城市异质性和区域异质性，并观察其在时序上的变动。进而，基于教育回报需要以就业为载体、同时不同就业特征对收入增长存在差异性影响的经验，进一步探究受教育水平对就业选择的影响，试图观察就业通道在教育回报变动中的作用。研究得出以下主要结论：

首先，教育对城城流动人口的收入具有正向影响。分别对2013-2018年城城流动人口数据进行分析，估算受教育年限对其收入的影响。实证结果显示，仅考虑明瑟方程核心变量时城城流动人口的受教育年限对收入有显著正向影响，工作经验对于收入具有非线性影响，呈现先升后降的特征，与经典明瑟方程结论一致。在逐步引入个体特征和流动特征、就业特征、城市和区域特征等控制变量之后城城流动人口的受教育年限对收入的影响仍显著为正。

第二，教育对城城流动人口收入增长具有城市异质性和区域异质性。运用2018 年数据进行实证分析，估计结果显示不同规模城市的教育回报率均显著大于0，且随城市规模变大，城城流动人口的教育回报率也在上升。不同区域的教育回报率均显著大于0，且相较来看，城城流动人口的教育回报率在东部地区高于其他地区，东北地区次之。

第三，教育回报率在时序变动方面，总体上表现为不断上升。2013-2017 年城城流动人口教育回报率呈总体上升态势，2018年略有下降。

第四，教育对于就业选择具有重要影响，并且在大城市层面的各项特征更为突出。受教育水平提升会相应地增加流动人口进入具有一定门槛但工资水平较高的职业，同时城市规模大，对成为雇员的倾向增强，以期通过获得更高工资增加收入。

上述研究表明城市规模对于人口收入增长具有重要作用，而人口向大城市流动是提高教育回报的重要且有效途径。为此，要尽快打破限制大城市发展和现代化都市圈建设的障碍，加快推动户籍制度改革和土地要素市场化改革，实现人口等要素合理流动和有效高效配置。