社会资本对农民工工资的影响机制研究——基于河南省“百县千村”之“整村调查”数据

刘 涛

（河南大学 经济学院，河南 开封 475004）

一、引言及文献回顾

截至2021年，中国农民工数量达2.925亿人（数据来自2021年农民工监测调查报告）。改革开放以来，该群体一直是学界研究和政府关注的重点。在20世纪80年代社会资本的概念被明确提出后，社会资本在劳动力市场中的作用就受到经济学家和社会学家的广泛关注。中国是一个关系型社会，社会关系在经济生活中扮演了重要角色。随着国内各类微观数据库的不断完善，该类研究越来越丰富。现有文献就社会资本对农民工诸如务工工资[1]、就业空间选择[2]、留城意愿[3]、家庭贫困[4]、消费储蓄[5-6]、职业地位[7-8]、工作满意度[9]等诸多方面的影响，进行了大量研究。就研究结论而言，文献对社会资本有助于非农就业机会的获取等形成基本共识[10-12]，但无论是国外还是国内文献对社会资本是否会提升工资收入一直都颇具争议：不少文献指出社会资本对工资水平没有显著影响[13-14]，甚至有负向影响[15-16]；同样有不少文献指出社会资本对农民工收入有正向影响[17-18]。

为什么实证结论有这么大的分歧呢？首先，社会资本是一个非常复杂乃至有些模糊的概念，这给实证研究带来了极大的挑战[19]。目前学界普遍接受的定义有两个：一是Putnam 等提出的“社会资本指能够通过协调行动提高经济效率的社会网络、信任和社会规范”[20]；另一个是Lin提出的“社会资本指嵌入在社会网络中，可由行为者获得并加以利用的社会资源”[21]。Putnam 等和Lin 提出的社会资本概念的差异，主要源于作者的研究视角和关注重点不同：前者更关注社会资本的集体属性，后者则更重视个人视角对社会资本的分析。在劳动力市场的实证研究中，接受前者社会资本概念的文献，一般会采用社会网络的称谓，以强调研究重点是个人层面，而非集体层面的信任和社会规范[1]。Lin提出的概念则侧重个体层面，同时也有很好的外延性：凡是能够影响个体行为或结果的参照群体的特征、行为或结果，都可以被视为嵌入性资源，因此，Lin 提出的概念可以涵盖同群效应（Peer Effects）。如果文献所采纳的社会资本的概念是Lin 提出的，则往往直接使用社会资本的概念①。

如果概念称谓本身尚不足以给实证研究带来困难，当我们把关注点转移到概念内涵时，测度误差问题就难以回避了。以Lin提出的社会资本概念为例：社会资本是嵌入在社会网络中，可由行为者利用或获得的社会资源。假设A与B认识，B与C也认识，A在寻找工作时得到了B的帮助，那么B就是A 的社会资本；但C 在寻找工作时没有得到B 的任何帮助，在研究C寻找工作的问题时，B就不能视为C的社会资本。虽然B既是A的社会关系，也是C的社会关系。此外需要指出，B的社会资本在B帮助A寻找工作的过程中如果起到作用，那么B 的社会资本也被看作A 的社会资本。因此，如果接受Lin 提出的社会资本的概念，那么现有社会资本的实证文献所采用的数据，或多或少都存在测度误差问题。文献中常被用来作为社会资本的代理变量如亲戚、朋友数量，同乡、同事、同学数量或者春节拜年人数、平时通信人数、人情花费等，都很难完全满足社会资本的内涵。

其次，研究视角存在较大差异。以是否关注社会资本的数量和结构特征为准，可以分为两类：一是关注使用社会资本对个体结果的直接影响，而不区分社会资本的数量和结构特征所带来的异质性影响。二是关注社会资本的数量和结构特征，并着重分析社会资本的数量和结构特征所带来的差异性影响②。自美国社会学家Granovetter[22]提出弱关系理论以及Burt[23]提出结构洞理论以来，异质性社会资本对劳动力市场的影响就成为该领域研究的重点。文献基于不同的数据集对社会资本的细分维度有不同的测度方法，这使得横向比较很困难乃至不可比[24]。以国内文献为例：王春超、周先波[25]提出了“整合型”社会资本和“跨越型”社会资本，侧重对个体社会资本的闭合性和开放性特征进行分析，关注“新”“老”社会资本对个体收入的异质性影响。叶静怡、武玲蔚[17]把社会资本分为声望社会资本和权力社会资本，侧重分析社会资本占有社会资源的差异而带来的不同影响。

再次，社会资本通常被认为有较强的内生性，在研究中是否考虑内生性问题对研究结论有显著的影响，甚至得出相反的结论。陈云松、范晓光指出，不同研究视角的内生性来源也不相同：如果关注使用社会资本对工资收入的影响，内生性主要源于自选择；如果关注社会资本的规模（数量）和结构对收入的影响，双向因果、自选择、测度误差等都可能导致内生性[26]。近年，社会资本的内生性问题逐渐得到重视，工具变量法、倾向值匹配法、内生转换模型等计量方法被用来解决实证研究中的估计偏误问题。此外，目前国内多数文献的实证数据属于流入地的调查法所得，该类数据存在严重的样本选择，但是该问题所导致的内生性在文献中尚未得到充分的重视[27]。

二、社会资本对工资的影响机制

Lin 对社会资本的作用机制做过详细的阐述和分析，概括来说主要包括四种途径：传递就业岗位信息、施加影响、增强社会信用和同群效应③。传递信息和同群效应属于间接影响，施加影响和增强社会信用属于直接影响。“打招呼”究竟能有多大的影响主要在于是“谁”打的招呼；社会资本能增加多少社会信用，也主要受社会资本差异的影响。因此，不难发现直接影响是“关系型社会”社会资本作用机制的典型特征，而间接影响则是劳动力市场信息不完备的重要补充。忽视个体社会资本的差异，以“使用社会资本务工”作为核心解释变量的回归分析将会出现严重的自选择问题，进而导致回归结论的可靠性大幅度降低④。但是，如果在个体社会资本相同条件下，分析所得的推论能被经验数据验证，则恰恰可以检验是哪种机制在起主导作用。下文将基于就业岗位信息的传递渠道、类型和务工者信息搜寻能力的差异，就社会资本的影响机制进行分析，并在此基础上提出本文的待检验假说。

（一）就业岗位信息的传递渠道和类型

从企业岗位信息发布的角度看：就业岗位信息可以分为市场信息和非市场信息。市场信息是公开的，任何人通过搜寻均可以获得。非市场信息是非公开的，仅有部分人掌握该类岗位信息。获得非市场岗位信息需要直接或间接认识掌握信息的人，即求职者需通过其社会资本才能获得该类岗位信息。随着我国经济发展和人口结构的转化，劳动力市场特别是农民工的供求关系发生了明显的变化，企业为了招聘适宜的务工者，往往会多渠道发布岗位信息，覆盖范围更广的市场渠道是企业发布岗位信息的主要方式。

市场信息从其覆盖空间范围看可以分为两类：完全市场信息和局部市场信息。完全市场信息指不因求职者居住地的不同而引起搜寻成本显著变化的市场信息。局部市场信息指在特定区域的求职者更易获取的市场信息。一家企业通过报纸发布岗位信息，如果该报纸的流通范围是全国的，那么该信息就属于完全市场信息；如果报纸的流通范围局限于某一省份或某城市，则该信息属于局部市场信息。不同城市的人才市场或劳务市场，虽然所有求职者都可以去，但相对于该城市的本地人或已经在该城市的外地人，其他城市的求职者较难通过该种方式获得岗位信息，因此，该类信息仍可以视为局部市场信息。随着互联网技术的发展和智能手机的普及，互联网已成为各类信息传递的重要途径。严格区分互联网平台发布的岗位信息，是属于全部市场信息还是局部市场信息并不容易。一般而言，互联网平台发布的岗位信息属于哪种类型的市场信息，与发布岗位信息平台的受众面相关：受众面越广的互联网平台所发布的岗位信息越接近完全市场信息。在极端情况下，一些务工者从来不上网搜寻岗位信息，那么对于这些务工者，互联网信息则属于局部市场信息。根据求职者搜寻岗位信息时距离特定区域的远近或搜寻成本的差异，局部市场信息可以细分为近距离信息和远距离信息。社会资本传递不同类型市场岗位信息时，不会因信息类型而有显著成本差异。求职者搜寻信息的成本会因就业岗位信息的类型和求职者搜寻信息的能力出现显著差异。

（二）社会资本对岗位信息搜寻能力不同者的影响

为了简化分析，本文做如下假设：（1）市场上有两类务工者：市场岗位信息搜寻能力强和能力弱的务工者。（2）适宜不同能力务工者的岗位集分别为N和M。不同岗位集中的岗位工资分为低工资和高工资两种类型。（3）不同能力务工者均有两种方式获取岗位信息：社会资本提供和自行搜寻。（4）为了便于计算，假设不同岗位集中的高低工资岗位比例相同；不同方式获取的岗位信息所提供的高工资岗位的概率是等可能的。基于此，不同能力的求职者，获得适宜自身人力资本高工资岗位的概率服从超几何分布。从超几何分布概率计算公式可知：

注：M和N表示适宜弱能力和强能力岗位信息搜寻者的岗位集；δ表示岗位集中高工资岗位的比例；Q表示两种岗位信息获取方式得到的岗位信息之和。

从上述概率计算公式可知：在市场上适宜不同信息搜寻能力者的岗位以及相应高工资岗位数量给定的情况下，不同信息搜寻能力者获得高工资岗位的概率主要取决于获得的岗位信息数量。当社会资本提供的岗位信息与自行搜寻的岗位信息重复时，重复部分不会提升务工者获得高工资岗位的概率。鉴于自行搜寻无法获取非市场渠道岗位信息，重合部分主要是市场信息。因此，从信息传递的角度看，社会资本对务工者工资收入的影响，主要在于社会资本传递的市场信息与务工者自行搜寻的岗位信息重复比例是高还是低：重复比越高，社会资本对工资水平的影响就越小；重复比越低，社会资本对工资水平的影响就越大。

使用社会资本与自行搜寻的岗位信息重复比受两方面因素的影响：一方面，务工者自行搜寻的岗位数量占适宜其人力资本岗位集的比重。自行搜寻岗位信息的数量主要受务工者岗位信息搜寻能力的影响。在一定时间和搜寻成本的约束下，岗位信息搜寻能力强的务工者获得的岗位信息数量更多，占其适宜岗位信息集的比重更高，更容易和其社会资本提供的市场岗位信息重复。另一方面，社会资本能够提供多少岗位信息，特别是非市场渠道的岗位信息。本文已经假设不同岗位信息搜寻能力务工者的社会资本结构和质量相当。因此，岗位信息搜寻能力弱的务工者，其工资水平更易受社会资本的影响，而岗位信息搜寻能力强的务工者的工资水平则较少受到社会资本的影响，乃至没有影响。此外，当社会资本提供的岗位信息数量有限时，减少自行搜寻信息的努力程度，将大幅度降低信息搜寻能力强的务工者获取的岗位信息数量，进而导致社会资本对其工资水平产生负向影响。

假说1：信息搜寻能力弱的务工者，工资水平更易受社会资本的影响；信息搜寻能力强的务工者，依赖社会资本务工时，工资水平可能受社会资本的负向影响。

一般而言，距离越近的市场，务工者越容易通过自行搜寻获取岗位信息；距离越远，越不容易获取岗位信息。当务工者通过社会资本获取的市场信息是近距离局部市场信息时，更容易与自行搜寻的岗位信息重复。因此，社会资本对远距离务工者收入影响更大，对近距离务工者收入影响较小或没有显著影响。

假说2：社会资本对远距离务工者收入影响更大，对近距离务工者影响较小或无显著影响。

三、数据说明和模型设定

（一）数据来源

本文的数据来自河南大学经济学院、中原发展研究院联合组织的“‘百县千村’人口流动信息采集与数据库建设——整村调查项目”。项目于2017年启动，2021 年截止，已经进行了五期数据调研采集。数据库采取分层抽样的方法确定调研地点，以入户调研的方式采集数据。采集的信息分为村情、户情、个人三个层面的数据。村情数据由调研人员与主要村干部交谈获得，主要包括村庄人口、村内企业数、距离县城通勤时间、地形地貌等信息；户情和个人数据则由调研员与被访农户主要家庭成员通过一对一访谈方式采集。如果家庭主要人员在外务工，则由调研人员通过电话或网络等方式联系采集相关数据。个体信息主要包括个人年龄、受教育程度、外出务工渠道、务工经历、现从事职业、是否党员、参与家庭农业经营活动、每年务工月数、每日工作时间等信息；家庭信息主要包括家庭人口数、家庭65岁以上老人数、家庭15岁以下儿童和学生数等信息。

（二）变量选择和描述性统计

被解释变量：务工者每小时的工资收入。不少文献采用务工者年收入或月收入作为被解释变量，但不少农民工每年的务工月数以及每天的工作时间是非常不同的，使用小时工资作为被解释变量可以更为准确地分析各种因素对工资收入的影响程度。

核心解释变量：使用社会资本。使用社会资本指务工者通过其社会资本获取就业信息或介绍工作等方式获取就业岗位。

控制变量：基于理论和实证研究的结论，通常认为农民工工资主要受三个层面因素的影响：个体因素。年龄、受教育年限、工作经验、性别、是否党员、务工地点、行业、参与家庭农业生产情况等。家庭因素。家庭人口数、家庭赡养人数、家庭抚养人数等。村庄因素。村内企业数、村庄地形、村庄距离县城通勤时间等。

因为本文关注农民工的工资收入，企业经营者、创业者以及个体户等以非工资收入为主的务工者不是本文关注的重点，故在样本中剔除。本文对个体务工工资收入做了上下0.5%缩尾处理，剔除了变量中存在缺失值的样本，最终得到一个包含9709个务工者的观察样本。表1提供了本文关键变量的描述性结果。从个体特征看：样本中自行务工者占62.3%，通过社会资本务工者占33%，通过政府组织务工者占4.7%；务工者平均年龄为37.3 岁；男性占比为69.5%；平均受教育年限为9.64年；平均务工年限11.15年；平均现职业从业年限6.73年；党员占比为2.7%；在本乡镇务工的比例为14.2%，在本县务工者占15%；在本市务工者占11%；在本省务工者占18%；在外省务工者占41.8%⑤。从家庭特征看：平均家庭人口规模为4.2 人；每户平均抚养0.63 个15岁以下儿童，赡养0.38个65岁以上的老人。从村庄特征看：平原村庄占比为79.4%，山地村庄占4.9%，丘陵村庄占15.7%；村庄到县城以常用通勤方式需34.86分钟；平均每个村庄有3.97个企业。

表1 变量定义和描述性统计

（三）模型设定和识别策略

1.基准模型

基于研究目的，本文以Mincer（1974）的经典工资方程作为基础[17]，计量模型设定如下：

InWagei=α+βScapitali+δXi+Zi+ηMi+εi

被解释变量InWagei为务工人员小时工资的对数；Scapital 为本文的核心解释变量，使用社会资本务工。α是常数项；X 为个人变量包括受教育程度、工作经验、工作经验平方、现职业从业经验、性别、参与家庭农业生产情况等；Z为家庭变量，包括家庭人口数、家庭儿童数、家庭老人数等；M为村庄变量，包括村庄地形、距离县城通勤时间、村内企业数等；εi为随机干扰项；i代表务工个体。

2.工具变量和TQ模型

虽然本文已尽量把影响工资收入的因素纳入回归模型中，但诸如能力等无法观测的变量仍难免遗漏。解决遗漏变量引起的内生性问题，通常使用工具变量做两阶段OLS 回归解决或减弱估计偏误问题。

本文选取“使用社会资本”的工具变量为：村庄在外务工人数（取对数值）和村庄距最近城市的距离两个变量。工具变量需要满足两个条件——外生性和相关性。首先，看本文工具变量的相关性。农民外出打工基本上是一种“候鸟式”的方式，每年往返于打工地和家乡之间。这样一种方式使得异地之间的信息，甚至只要通过外出者的家庭就可以在村内进行传递。因此一个村子在外务工人数的多少会影响信息传递的数量，进而影响个体是否选择社会资本务工。村庄距离城市的距离会通过影响个体搜寻信息的成本，进而影响个体是否使用社会资本务工。其次，工具变量需满足外生性的条件。村庄距离城市的距离是“自然”形成的，其外生性自不必言。村庄外出务工人数除了前文相关性所述的信息，是否还有其他途径影响个体务工收入的途径？在中国，经常会看到同村的人往往集聚于同一城市或区域，从事相同或类似的行业。出现该种情况，除了同村务工者之间交流信息或“打招呼”介绍的方式所致，即本文所述的使用社会资本务工。还存在一种可能——同群效应，即打工者到某地务工或从事某一行业不是因为同村其他人介绍或提供信息，而是因为打工者看到同乡到某地或从事某种行业有不错的收入，而到某地务工或从事了某行业。消除或降低同群效应所带来的内生性问题，可以通过在回归模型中加入务工地点和从事行业的控制变量，本文在回归中已经加入了相应的控制变量，同村外出务工人数已没有其他途径影响个体务工收入，故满足外生性的要求。当然，上述两个变量是否满足工具变量的要求，本文将通过不可识别检验、弱工具变量检验以及过度识别检验来进行检验。此外，本文除了在2SLS回归时使用异方差稳健标准误外，也将用对异方差更不敏感的GMM方法以及对弱工具变量不敏感的有限信息最大似然法LIML分别作回归。

陈云松、范晓光曾对社会资本的劳动力市场效应的内生性问题做过详细的回顾，并指出当核心解释变量为“使用社会资本”时，内生性主要源于自选择[26]。解决自选择导致的内生性问题比较合适的计量方法是建立基于处理模型和实质模型的联立方程组。因个体使用社会资本务工不是随机选择的，往往是基于其社会资本的数量和结构以及自身能力等因素做出的选择，忽视上述因素将导致回归结果出现偏误。构建处理效应模型的关键是要找到一个影响处理变量但不影响被解释变量的变量，该变量也被称为处理变量的工具变量，这一点和2SLS非常相似。两者的区别在于TQ模型第一阶段是做Probit回归，而2SLS回归中第一阶段是做OLS回归。本文中处理变量为使用社会资本务工。前文已经指出同村外出务工人数是一个合适的工具变量，即该变量会影响个体是否使用社会资本务工，但不会直接影响务工收入。因此本文将以该变量作为实质模型中不出现，但出现在处理方程中的变量⑥。

3.识别策略

前文基于务工者岗位信息搜寻能力的差异指出：在社会资本规模和结构相当的情况下，信息搜寻能力弱的务工者工资收入更易受社会资本的影响；岗位信息搜寻能力强的务工者如果依赖社会资本务工，其工资收入可能受到负向影响。但“能力”是一个比较模糊且很难全面准确观察的变量，无法直接基于能力分组，对待检验假说进行检验。考虑到一些可观测变量，或多或少与能力有一定的相关性，比如：考虑到网络搜索信息能力可能与年龄有关，本文将依据务工者年龄做分组回归；考虑到务工者学习能力的差异以及因受教育程度不同而导致的能力差异，本文将依据务工者学历做分组回归；考虑到收入是个体综合能力的体现，本文将依据务工者收入做分组回归；而针对远距离务工者更易受到使用社会资本影响的假说，本文将基于务工者的工作地点做分组回归。

四、回归结果分析

（一）基准回归结果

模型1表示较自行务工，使用社会资本和政府组织务工对工资的影响；模型2—4则依次加入个体变量、家庭变量和村庄变量等控制变量，回归时均使用了异方差稳健标准误。表2汇报了回归结果。

表2 使用社会资本对工资收入的影响（OLS）

在控制相关变量的情况下：较自行务工，使用社会资本务工将提高务工者4.8%的工资收入，并在1%的显著性水平上显著，而政府组织务工与自行务工的工资收入无显著差异。其他变量的回归结果与经济理论推论和现有文献的研究结论颇为一致。具体如下：

个体变量。个体受教育程度、性别、务工经历、从事职业、务工地点、参与家庭农业生产情况等因素均对工资收入水平有显著影响。其中，年龄、务工经历和现职从业年限对工资收入的影响均呈现倒U形，即工资收入开始随着年龄、务工经历和现职业从业年限的增长而增长，但是到了一定的时间点，上述因素对工资收入的影响则由正向影响转为负向影响。这反映出多数农民工从事的工作对其体力、精力等与年龄相关的因素有较高的要求，而技能的提升难以抵消因年龄增长导致的负向影响。家庭变量对务工者的小时工资收入均没有显著影响，这可能源于本文的被解释变量是小时工资收入而非年收入，家庭变量比如抚养未成年人数和赡养老人数可能会影响务工者的工作时间但不会影响其工作效率。村庄变量。村内企业数量对工资收入呈现负向影响但仅在10%的显著性水平上显著，同时系数很小，仅为0.001。这表明村内企业量的增多虽可能提升务工者非农就业的概率，但企业很难给予务工者更高的工资。丘陵和山地村庄的务工者的工资收入较平原村庄务工者的工资收入低6.5%和4.2%，均在5%水平上显著。这表明地理环境所带来的市场隔离效应仍然是影响工资收入的一个重要因素。

（二）内生性问题：工具变量和TQ模型

使用工具变量的前提是存在内生解释变量。通过对使用社会资本是否内生解释变量的内生性检验：统计量为5.709，其P值为1.69%，在5%的显著性水平上拒绝“使用社会资本”不是内生解释变量的假设。不可识别检验的Kleibergen-Paap rk LM统计量的P 值为0.0000，强烈拒绝不可识别的原假设。过度识别检验：服从分布的C统计量为0.328对应的P值为0.566，无法拒绝两个工具变量是外生解释变量的原假设。弱工具变量检验：如果在结构方程中对内生解释变量的显著性水平进行“名义显著性水平”为5%的沃尔德检验，假如可以接受“真实显著性水平”不超过10%，对应的临界值为19.93，本文中其最小特征值统计量为28.505，故可以拒绝工具变量是弱工具变量的原假设。因此，本文选取的工具变量符合工具变量的条件。

表3 汇报了回归结果。无论是2SLS、GMM、LIML 等方法还是TQ 模型，回归结果均显示使用社会资本对工资收入有正向影响，且都在5%以上的显著性水平上显著。与OLS 回归中使用社会资本对工资收入的影响相比，2SLS 和TQ 模型的回归结果显示，使用社会资本对工资收入的影响程度显著变大了。导致这种情况的原因：能力强的务工者会尽可能地自己搜寻岗位信息来获取高工资的岗位，与使用社会资本呈负相关关系；而能力和使用社会资本对收入又是正相关关系。遗漏能力变量会使得OLS回归低估使用社会资本对工资收入的影响，在缓解或解决了内生性问题后，使用社会资本的系数就会变大。当考虑了遗漏变量和自选择可能导致内生性的情况下，回归结果依然显示使用社会资本对工资收入有正向影响。

表3 使用社会资本对工资收入的影响：2SLS、GMM、LIML和TQ

（三）分年龄、受教育程度回归结果

表4 中，模型10—12 汇报了不同年龄段务工者使用社会资本对其工资收入的影响。中年组（31—50 岁）和中老年组（51—64 岁）的回归结果显示：在控制相关变量的情况下，较自行务工，使用社会资本中年组务工者工资提高5.9%，中老年组务工者工资提高7.1%，均在1%的水平上显著。较自行务工，青年组务工者使用社会资本务工，其工资收入并未有显著区别。出现这样的结果可能源于：随着互联网技术的快速发展以及智能手机的普及，互联网已经成为包括岗位信息在内的各类信息传递的重要途径。青年人互联网的使用频率和利用网络搜寻信息的能力要强于中老年人，也更易通过网络获取岗位信息。前文已经指出当个体能够获取较多的岗位信息时，使用社会资本对工资收入的影响就越小或没有显著影响。

表4 中，模型13—16 汇报了不同受教育水平群体，使用社会资本对工资收入的影响。在控制相关变量的情况下，较自行务工，小学组务工者使用社会资本工资提高7.2%；初中组务工者使用社会资本工资提高6.3%；高中组务工者使用社会资本务工对工资无显著影响；较为出乎意料的一点是使用社会资本对大学学历者务工收入出现显著且程度较大的负向影响。大学及以上务工者使用社会资本务工工资反而降低19.60%⑦。根据样本数据，在1083个大学及以上学历务工者中，仅有65人通过使用社会资本务工，占比仅为6%，远低于全样本使用社会资本务工33%的比例。这表明绝大多数的高学历务工者会努力在市场上搜寻岗位信息，而不会过度依赖社会资本务工。正如待检验假说1，过度依赖社会资本务工，对于高能力务工者工资可能带来负向影响。

表4 使用社会资本对不同年龄段和受教育程度务工者工资收入的影响（OLS）

需要指出的一点是，基准回归结果显示：家在山地和丘陵地区的务工者收入显著低于家在平原地区的务工者收入。这表明因地理环境带来的“市场隔离”并没有完全随交通通信等基础设施的改进而彻底改变。但令人高兴的一点是，地理环境的影响会因务工者的受教育程度而下降，大学学历者已经不再受地理因素的影响了。

（四）分工资水平回归结果

个体工资水平是一个人综合能力的体现，使用社会资本的影响是否随工资水平的高低而出现不同呢？考虑到前文回归中，都着重考虑了使用社会资本对均值工资的影响。分析使用社会资本对不同收入群体的影响，将采用分位数回归。分位数回归不易受极端值影响，结果也更加稳健。表5 汇报了分位数回归的结果：10分位和25分位的低工资务工者使用社会资本对工资有显著影响，分别提高工资7.4%和5.1%，均在1%的显著性水平上显著。对于75和90分位的高工资群体，较自行务工，使用社会资本对工资没有显著影响。50 分位的中等工资群体，较自行务工，使用社会资本对工资的影响无论是显著性还是实际影响都不明显。

表5 使用社会资本对不同务工工资收入的分位数回归结果

（五）分距离回归结果

前文指出局部市场岗位信息会因距离远近对务工者搜寻成本产生影响。当务工者通过社会资本获取的市场信息是近距离局部市场信息时，更容易与自行搜寻的岗位信息重复。因此，近距离务工时，使用社会资本不易对收入产生影响，远距离务工时则会因社会资本提供的岗位信息不易与自行搜寻信息重复，使用社会资本务工会对务工收入产生影响。表6汇报了回归结果：较自行务工，使用社会资本务工对在本地、本县、本市务工者的工资没有显著影响，对在外省务工者的工资有显著正向影响。较自行务工，使用社会资本会使在外省务工者的工资提高4.4%，在1%的水平上显著。对市外省内的务工者，使用社会资本务工工资提高3.6%，但仅在10%的显著性水平上显著。考虑到本省务工主要是在郑州务工，务工者很少在郑州以外的河南其他地市务工，而郑州作为省会城市是河南各类媒体关注的重点，务工者比较容易通过各类信息渠道如报纸、网络和电视等，搜寻到岗位信息。

表6 使用社会资本对不同务工地点工资收入的回归结果

本节依据与能力相关的各类可观测变量以及务工距离，分别作了回归分析，结论正如前文在假设个体社会资本规模和结构相当情况下所指出的那样：社会资本对务工者工资的影响会因其岗位搜寻能力的差异呈现显著的异质性影响，社会资本主要通过传递信息影响农民工的工资水平。

五、结论及启示

与现有文献侧重考察异质性社会资本对农民工收入的影响不同，本文侧重考察了使用社会资本对农民工工资的影响机制，并基于河南大学中原发展研究院2017—2021年的整村调研数据，实证检验了使用社会资本对工资的影响机制。具体结论和启示如下：

具体结论：第一，无论是基准模型还是考虑了内生性的2SLS 和TQ 模型，回归结果均显示使用社会资本对农民工的工资收入有显著正向影响。第二，社会资本主要通过传递岗位信息的方式间接影响农民工工资。岗位信息搜寻能力越弱的务工者，其工资收入越易受到社会资本的影响；岗位信息搜寻能力越强的务工者，其工资收入越不易受到社会资本的影响，过度依赖社会资本务工可能对其工资收入产生负向影响。第三，社会资本对远距离务工影响更大，对近距离务工影响较小或没有显著影响。第四，在其他条件相同的情况下，丘陵和山地村庄务工者的工资收入显著低于平原村庄的务工者。虽然近十几年，通信、交通等基础设施已经有了长足的发展，但地理环境导致的市场隔离仍然是影响个体收入的重要因素。但是该因素会随着个体受教育程度的提高而减弱。

启示：第一，为岗位信息搜寻能力弱的农民工群体提供更多的岗位信息有助于提高该群体的工资收入；第二，相较于提供近距离岗位信息，提供远距离岗位信息更有利于工资收入的提高；第三，农村高学历务工者应尽力搜寻岗位信息，依赖社会资本务工可能大幅度降低工资收入；第四，进一步提高农民工的受教育水平，特别是山地、丘陵地区农民工的受教育水平，有利于克服地理环境导致的市场隔离对个体收入的负向影响。

注释：

①在现有文献中，社会资本也常被称为社会网、社会网络、社会网络资本、社会关系或关系等，称谓的不同或许源于作者的学术背景或国情。早期，中国学者更习惯于用“关系”而非社会资本或社会网络，在与国外学术交流不断加深的背景下，目前更多使用社会网络或社会资本的概念。本文采用Lin提出的社会资本概念。

②该类研究又可以细分为两小类：一是基于“使用的社会网络”的数量和结构，二是基于“潜在社会网络”的数量和结构。

③施加影响指当求职者的社会资本处在重要的位置或社会地位上时，可以对招聘企业（或代理人）直接施加影响，进而影响求职者是否被雇佣或安排待遇更好的岗位。增强社会信用指当求职者的社会资本在可能被招聘企业利用时，会使得招聘企业给予求职者自身能力之上的岗位或待遇。具体见：林南著、张磊译：《社会资本——关于社会结构与行动的理论》，上海人民出版社，2004年，第19-20页。

④个人社会资本数量和结构的差异是自选择产生的重要影响因素，但不是唯一的因素。即使不同个体的社会资本完全一样，个体能力差异也同样会引起自选择。

⑤本地指务工者户籍所在的乡镇；本县：除本乡镇之外，本县范围之内空间；本市：除本县外，本市市域范围之内的空间；本省：除本市之外，本省范围之内的空间；外省：本省之外的其他省份。

⑥处理效应模型的基本原理详见陈强：《高级计量经济学及STATA应用》第二版，高等教育出版社，2014年。

⑦当被解释变量y 取对数值，解释变量为虚拟变量时，虚拟变量的系数乘以100可以解释为：y在保持其他因素不变时的百分数差异。但需要指出的是，只有当虚拟变量前的系数小于0.1时，直接相乘得到的百分数差异才会比较准确；当系数大于0.1 时，需要更为精确的计算方法。当虚拟变量系数小于0.1 时，本文用直接相乘的方法解释差异；当系数大于0.1时则采用精确的计算方法。