教育、风险与“名校”效应：理论模型与实证分析

赵 凯，赵昕东，张绿原

(华侨大学 统计学院-数量经济研究院， 福建 厦门 361021)

摘 要： 本文在教育投资既能提升个体竞争力(人力资本效应)又能增强个体生产力价值信息(信号效应)的框架下，研究个体在面临未来的就业形势、技术进步、金融动荡等风险时如何进行最优教育投资决策。通过有机融合人力资本理论与信号筛选理论，从理论上证明了教育投资是一种有效规避未来风险的手段，并且在“名校”学习的个体会更有动力加大教育投资、延长受教育时间。随后，本文基于2002及2013年“中国家庭收入调查”数据，通过分位数回归、倾向得分匹配等方法对理论结果进行了实证检验，并证实了个体可通过增加教育投资有效地覆盖未来由失业率升高造成的劳动力市场风险以及由技术进步带来的生产力贬值风险，而且投资“名校”教育的收益会比投资普通大学高出约18.2%。

关键词： 教育投资；风险；信号效应；随机过程

一、引言

教育肩负着为国家现代化建设培养高素质、高层次创新人才的重任，在以经济和科技实力为主要内容的综合国力竞争中起着主导作用。然而，由于教育投资本身具有的“投入大”“周期长”“风险高”等特点，加之近年来人们对教育投资愈演愈烈的热潮引起了人力资本投资的盲目行为，使得大量投资主体未结合个人特点而盲目进行教育投资，从而加剧了个体教育投资回报的不确定性和国家教育资源的浪费等一系列问题。

当前，关于教育投资与风险的研究多基于人力资本理论或信号筛选理论中的一种，这两种理论各具优势但也各有缺陷(见表1)。人力资本理论虽然确立了教育与个体生产率、薪资收入及产出间的递促关系，但该理论往往缺乏对风险的深入考察与分析，比如难以在框架之内引入个体的学习能力风险、劳动力市场的失业风险等。信号筛选理论虽能分析教育投资与风险间的关系，但由于现实中常存在教育投资信息和信号不完备以及教育筛选制度不完善等问题，因而大大降低了对教育投资与风险间关系研究的有效性^[1]。本文将人力资本与信号筛选这两种理论同时作为理论基础，把教育投资可能产生的人力资本积累功能及信号筛选功能有机融入到Williams在1978及1979年的研究框架之中^[2][3]，为探讨教育投资与风险间的关系以及教育异质性信号(“名校”效应)等问题打开了理论突破口。

表 1人力资本理论与信号筛选理论的差异

注：表格内容由作者整理。

基于表1的“教育投资与收益的关系”视角，可以发现：无论是人力资本理论还是信号筛选理论皆认为教育投资与薪资收入之间存在着正相关关系，但不同的是，前者认为教育投资是通过提高劳动生产率的途径来影响和改善个体的薪资收入，而后者则认为教育投资是通过增强个体能力信号来提高个体的薪资收入。^[4][5]本文理论分析的基础是将二者融合，认为教育投资既能如人力资本理论所言，提高人力资本存量，又能如信号筛选理论所述，增强个体正向信号。进一步，针对我国教育体制的多样性以及教育机构水平参差不齐的特点，本文假设个体在不同类型高校(“名校”(1) 本文将“名校”定义为 “985”及“211”院校。 与普通高校)进行教育投资会产生异质性信号，并借此来研究存在异质性的教育投资对各类风险的影响。本文实证部分则以检验理论研究结论为主，结合我国2002年以及2013年“中国家庭收入调查”(CHIP)数据，并利用分位数回归、倾向得分匹配(PSM)等方法，就个体教育投资与不同类型风险之间的关系、个体是否能够通过教育投资方式来覆盖技术贬值以及失业风险、在“名校”接受教育的个体其教育投资收益是否会比在普通高校进行教育投资的个体收益更高等问题进行分析和探讨。本文以理论与实证相结合的方式来研究教育、风险与“名校”效应，不仅有利于厘清教育投资回报与各类风险间的关系，从而避免“盲目投资”“过度投资”等问题的发生，还能为我国当前城镇居民教育高投入与劳动力市场高风险并存的现实状况提供合理解释。

二、文献回顾

国外学者针对教育投资的研究是多方面的，多数认为教育的资源配置功能^[6]、制度功能^[7]以及生产功能^[8][9]作为技术进步的载体，对经济发展具有间接且重要的贡献。部分学者从经济增长角度出发，强调了教育投资的直接和正面作用。^[10][11]国外学界对教育投资与风险间关系的研究以理论分析为主，学者们多采用数学模型来探讨存在收入风险时的最优教育投资问题。^[12]Weiss(1972)理论证明了教育投资与收入风险间存在负向关联，教育投资者的投入水平越高，其收益的风险就越小。^[13]Snow和Warren(1990)对Weiss的理论模型进行了扩展，并证实当个体的风险厌恶偏好呈递减趋势时，为规避未来收益风险增大，个体将选择降低其对教育的投资^[14]。Levhari和Weiss(1974)则利用包含“现在”与“未来”两期的人力资本模型证明个体收入风险会随着教育投资水平的提高而增加。^[15]随后，Kodde(1986)通过引入教育成本对Levhari-Weiss模型进行了扩展，并得到完全相反的结论，即收入风险的增加会导致教育投资水平的提高。^[16]此外，Williams(1978)开创性地采用资产组合模型考察了面对未来收入风险的个体在教育投资、劳动及闲暇中的最优时间分配问题。^[2]而Hartog等(2000)则在Williams投资组合模型基础之上，分析和模拟了教育投资对个体期望收益的影响。^[17]

国内学者关于教育投资与风险的研究以实证分析为主。李雪松和赫克曼(2004)、张车伟(2006)和罗楚亮(2007)等率先对教育投资及回报的内在规律进行了分析^[18-20]，他们将关注点集中在19世纪末到20世纪初的某一时段内，通过分解教育投资收益来研究教育投资的生产性功能和信号功能对个体薪资收入的影响。^[21]此外，学者们还从不同角度就教育投资与不同类型风险间关系进行了探讨。武向荣(2005)从大学毕业生就业风险角度出发，描述了高等教育投资与风险的关系。^[22]钟宇平和雷万鹏(2005)从高中毕业生对各类院校的投资需求角度出发，基于“高教需求调查”数据并运用Logistic回归明晰了各类风险因素对个体的高等教育投资需求的影响。^[23]吉喆(2016)则以个体教育投资的风险与收益的“再认识”为切入点，厘清了教育投资的风险与收益间关系。^[24]另外，学者们还尝试利用各国微观调查数据来估计教育投资的最优水平。杨娟(2008)利用英国儿童发展调查数据库(NCDS)，通过金融期权理论评估了个体教育投资预期收益的不确定性，并进一步估算出个体教育投资的最优选择。^[25]林莞娟等(2014)利用中国健康和营养调查研究数据(CHNS)，探讨了当教育存在比较优势时个体如何选择最大化收入的教育程度。^[26]才国伟和刘剑雄(2014)利用OECD跨国数据，依据世代交替模型估计出当存在收入风险及融资约束时个体的最优教育投资水平。^[27]舒强和张学敏(2013)利用我国2013年的田野调查数据，探讨了教育投资收益风险对个体教育投资决策的影响。^[28]此外，还有部分学者就不同类型教育投资之间的差异进行了对比。杨伟国和唐聪聪(2016)分析和比较了职业应用型院校与非重点普通本科院校的教育回报率差异，该研究一方面证实了教育回报率会随着教育投资的增加而提高，另一方面揭示出在职业教育类学校的教育投资回报比一般非重点普通高等院校的教育回报率要低。^[29]国内学者在理论层面的相关研究多基于Williams的投资组合模型，着重探讨当某一个体面对影响未来收入的不确定性因素时，如何以最优的方式来分配劳动、教育、休闲等在生命周期中所占比重。^[3]赵恒平和闵剑(2005)运用投资组合模型分析和厘清了高等教育投资风险与收益间的关系。^[30]而余长林(2006) 则以资产组合的思想为基础，将劳动者的消费时间分为教育、闲暇和工作三类，着重探讨教育及闲暇对人力资本积累和技术进步的影响及作用。^[31]

综合上述文献可知，无论是实证分析还是理论研究，都从各自不同的角度为教育投资者的投资决策提供了有益参考。然而，从研究结果来看，仍存在人力资本理论与信号筛选理论相互对立、理论研究与实证研究难以契合等问题，尤其是缺乏对个体异质性、投资目标选择以及“名校”效应等问题的深入探讨。此外，随着近年来个体投资者对教育的重视程度不断加强以及对投资风险讨论的不断深入，造成了人们对教育投资的片面认识，认为教育投资仅会给投资者带来风险，以至于遮蔽了教育投资对于覆盖劳动力市场、技术贬值等一系列风险的价值和意义。为此，后文将从微观视角出发，以人力资本理论与信号筛选理论为理论基础，探讨具有经济理性的个体在面对未来失业、技术贬值等风险时如何进行合理的教育投资决策，明晰不同类型的风险与个体教育投资间的关系。

三、理论分析

理论分析框架借鉴Williams(1979)有关人力资本积累与不确定性的研究^[3]，并将信号筛选理论有机融入其中。本部分可能的理论贡献包括以下两方面。其一，教育投资的双重收益。既有研究多关注教育投资的单一收益，即人力资本积累(存量收益)或信号增强(增量收益)，而本研究的基础立足于“教育投资既能提高人力资本存量，又能增强个体的正向信号”。其二，逐步引入各类风险。理论部分并不是直接给出同时包含多种风险的个体生产力约束及跨期预算约束，而是通过逐步引入的方式将个体能力成长风险、技术贬值风险、薪资变化风险以及风险性投资风险纳入到约束条件之中，以便于理解。

(一)模型假设

教育投资作为一种微观层面的人力资本投资行为，存在着多种风险，而这些风险在实践中构成了个体的生产力约束与跨期预算约束。我们逐步引入能力成长风 险(条件1)、技术贬值风险(条件2)、薪资变化风险(条件3)以及风险性投资风险(条件4)。其中，条件1-3描述了个体的生产力约束，而条件4刻画了个体跨期预算约束。

1.生产力约束

条件

(1)

Q (t )表示某一个体在t 期的生产率，λ (t )表示该个体受教育时间占总时间的比例。θ 为能力成长速度或学习效率，随机过程dθ (t )=μ _θ dt +σ _θ dZ (t )可用于衡量能力成长过程中的不确定性，其中μ _θ 表示随机过程的瞬时平均，σ _θ 为瞬时标准误差，Z (t )为标准维纳(Wiener)过程，表示一个均值为零且方差为Δt 的随机向量。条件1表明受教育个体虽无法精确地掌握自己未来的能力成长情况，但却能了解能力成长的均值(μ _θ )及偏差(σ _θ )。条件1主要包涵以下两层含义：首先，由于个体的能力存在差异，因此，即便是具有相同教育程度的个体，其生产率也可能不同，并且个体的学习效率越高，其未来的生产率也就越高；其次，具有相同教育程度和同等学习效率的个体，由于面临的风险不同，其未来的生产率以及薪资水平也会有所不同。根据维纳过程的性质(2) E_t [(dZ )(t )]=0,(dt )²=dZ (t ),[dZ (t )]²=dt +0(dt )μ _θ λ (t )dt ，可推导出教育投资的“人力资本效应其方差为:由于因而可以推断：随着教育投资水平的提高，个体对未来生产率预期的判断会越来越准确，尤其是当个体将全部时间用于受教育时(λ =1)，方差将为零；而当个体完全不进行教育投资时(λ =0)，其生产率将完全随机变化，此时风险达到最高水平。

另外，技术进步以及知识老化进程的加速，使得一些技能逐渐失去价值甚至变成负累。在条件1的基础之上，我们引入关于技术贬值的随机过程dδ (t )=μ _δ dt +σ _δ dZ (t )，随机参数δ 表示技术贬值率，利用伊藤定理可得：

条件

(2)

个体在决定是否进行教育投资时仅了解当前劳动力市场中的失业率信息。在公式(6)基础之上，通过引入失业率u (t )将劳动力市场风险纳入研究框架。假设失业率遵循维纳过程个体的总时间为1，受教育时间为λ (t )、闲暇时间为l (t )、失业时间为u (t )、工作时间为1-λ (t )-l (t )-u (t )，则有y (t )=[1-λ (t )-l (t )-u (t )]q (t )。此时，个体跨期预算约束为:

条件

(3)

2.跨期预算约束

个体的财富W (t )主要包括消费c (t )、无风险投资和风险性投资三个部分。用X (t )表示t 期风险性投资在当期财富中的占比，y (t )表示t 期的薪资收入，个体未来财富W (t +Δt )则等于当期财富W (t )加上风险性投资收益无风险投资收益γ [1-X (t )]W (t )以及当期薪资收入y (t )，再减去当期消费c (t )，即

条件

(4)

通常情况下，无风险投资收益率等于市场利率γ ，而风险性投资的收益服从维纳过程，即

(5)

其中，μ _s 表示单位时间的平均收益向量，

为单位时间风险性资本收益的方差-协方差(N +4)×N 维矩阵。当Δt →0时，由公式(5)可推导出dP (t )的表达式，再将其代入到公式(4)之中，最终可得t 至t +Δt 期间个体的财富变化量，即

(6)

此外，当个体进行“是否教育投资”的决策时，他们尚不清楚未来劳动力市场的供给情况。因而，在条件2的基础之上，可引入薪资变化的随机过程，利用随机参数ω 描绘劳动力市场薪资水平的分布情况。由于薪资收入水平始终为正，因而该过程应遵循几何布朗运动，即处于完全竞争市场时，个体劳动价值q (t )应等于其生产率与单位收入的乘积q (t )=ωQ (t )，并且满足dq (t )=d (ω )=d [Q (t )]。根据伊藤定理可得：

条件5：

The diplomatic vague language shows the art of diplomatic language.The official could combine flexibility and principle together to make a decent expression.

(7)

(二)效应函数

条件3(公式3)与条件5(公式7)构成了个体的生产力约束和跨期预算约束，个体教育投资的效应函数可记作：

大梁张了张嘴，还是冇言语。我又缓缓地说：“我是个女人，再么样他们不会打我，更不会杀我吧。好男不跟女斗，这老话都说了。”我站起身，转过脸对着大梁，“只能这样了。我明朝一大早就去。早点儿困吧。”

(8)

+[σ _ω +σ _θ λ (t )-σ _δ ]^′dZ (t )

dW =[γW +(1-λ -l -μ _u )q +WX (μ -γ )-c ]

dt +(WXσ _s ^′-σ _u )^′dZ

c (t )≥0，0λ 1，0l 1

公式(8)中的效应函数可分为两部分：前一部分属于“个体决策”(偏好)部分，而后一部分则属于“家庭决策”(遗产函数)部分。B [W (t ),T ]为遗产效应函数(Bequest function)，并且满足根据Bellman最优性原理，个体效应函数最大化问题可转化为：

J (q ,W ,u ,t )=e ^-ρt V (q ,W ,u ,t )

(9)

≡

(10)

(11)

其中，V (q ,W ,u ,t ,T )为间接效应函数，用于描述个体教育投资的最大效应。在个体能力与风险性投资收益不相关的情况下可求得教育投资的均衡表达式:

(12)

(三)均衡分析

1.教育投资释放无差异信号

1.实现源头数据采集的信息化。围绕采油队源头数据采集，建立单油井、单水井的运行参数、投入耗材、产出油量计量的数据自动采集网络，为生产管理提供全面、可靠、准确的没有人工干预的一性资料。针对联合站仪器仪表应用广泛的实际，强化仪器仪表的自动化数据采集。根据生产实际需求，实现大罐计量、原油盘库、管道防泄露在线检测的数据采集、数据远传。

假设间接效应函数V (q ,W ,u ,t ,T )为对数形式：

V (q ,W ,u ,t ,T )=A (t ,T )Ln [B (t ,T )q (t )+W (t )-C (t ,T )u (t )]

将其代入至公式(12)中，整理后可得

以2002年为例，在不考虑教育投资对收入影响的情况下，失业风险每增加1%，收入会降低15.5%；同理可知，在同样不考虑教育投资对收入影响的情况下，技术贬值风险每增加1%，收入则降低2.5%。可见，失业风险及技术贬值风险因素对个体的收入会造成负向影响。此外，从失业风险与教育投资交叉项(edutime *lrisk )的估计系数来看，α ₆实际上描述的是在个体进行教育投资的情况下失业风险对教育投资回报率的边际影响，即

中国银行创新研发基地（新加坡）致力于推动中国银行在区域乃至全球范围内的金融科技研发活动，并为中国银行培养金融科技人才。同时拓展和加强与政府、行业组织、高校和各类相关机构在金融科技领域的对接与合作，主动融入市场创新前沿，促进金融创新领域产、学、研新生态的形成。依托新加坡金融中心优势，创新研发基地将在人才、身份验证、支付、数据管理、应用研究、创新平台管理等方面加快研发和全球合作，全方位支持新加坡金融科技生态圈建设，助力新加坡智慧国愿景实现。

(13)

根据公式(13)可简化为如下形式：

(14)

根据上式可知，教育投资均衡λ ^*可分解为A、B和C三个组成部分：A是由个体风险容忍度和预期风险收益构成的投机部分；B是教育投资对未来技术贬值风险的覆盖；C为教育投资对未来失业风险的覆盖。

结论1：个体通过教育投资可有效地覆盖技术贬值风险以及失业风险。

一场看似无法避免的悲剧，却又消弭于无形之中，而用的方法却异常简单，似不合情理，但仔细一想，却又合情合理，回过头来一看，这个故事所体现的正是一种简单的智慧。人生的实质就是在不断地解决问题，而解决问题的方法却有千千万万，就如同那沙滩上的沙砾，一望无际。但总起来说只有两类：将问题简单化或复杂化。面对难题，智者只是将思维稍稍转了一下弯，绕过障碍，就能取得“山重水复疑无路，柳暗花明又一村”的效果；而普通人却是向这个难题发起无用的冲击，最后身陷绝境，进退不得，抱憾终生。

证明：(1)与能力较低的个体j 相比，能力较高的个体i 更容易跟随技术进步的步伐(θ _i >θ _j )，这使其技术的贬值率相对较低(δ _i <δ _j )。个体的能力与技术贬值存在负相关关系(ρ _θδ <0)，由此可得即教育投资可以有效地覆盖未来由技术进步造成的生产力贬值风险。(2)在劳动力市场中，能力成长速度快(或学习效率高)的个体会更容易找到工作，因此，个体的能力与失业率之间会存在负相关关系(ρ _θu <0)，由此可得即教育投资可覆盖未来的劳动力市场风险。

进而，通过回归系数α ₆与α ₇分别考察失业风险及技术贬值风险对教育投资回报率的影响，即

针对中国教育体制的多样性以及教育机构水平参差不齐等特点，假设个体在不同类型高校进行教育投资会产生异质性信号，并借此来研究存在异质性的教育投资对各类风险的影响。通常，重点高校的毕业生在劳动力市场中凭借“名校”优势会比普通高校的毕业生更容易找到合适的工作。这是由于“名校”投资的门槛相对较高，雇主会认为名校毕业生的综合素质和能力相对较高，因此，个体在“名校”进行教育投资时往往会产生高质量的信号。在原有生产力约束(条件3)基础之上，引入信号质量参数φ ∈[0,1](3) 值越大说明“名校效应”越强，产生的信号质量越高 ，可得具有信号质量差异特征的生产力约束，即

条件

(15)

基于个体教育投资的效应函数(公式8)，并结合个体跨期预算约束(条件5)以及包含信号质量差异的个体生产力约束(条件6)，可推导出个体的教育投资均衡，即

本研究特地区选取我院于2015年4月至2016年4月期间需进行输血治疗患者200例作为研究对象,每组100例,实验组中女性68例,男性32例,年龄(18-67)岁,平均年龄(58.2±3.2)岁。对照组中女性69例,男性33例,年龄(20-68)岁,平均年龄(59.5±3.3)岁。两组在基本资料的比较上,经统计学处理,无显著性差异,具有可比性。

(16)

结论2：在“名校”接受教育的个体往往更有动机加大教育投资、延长受教育的时间；“名校”释放出的高质量信号能够有效降低由技术贬值和失业这两类不确定因素给教育投资带来的风险。

证明：(1)

高泌乳素血症主要表现为泌乳,一般出现在非妊娠期与非哺乳期,分泌的乳汁多为水样或浆液状,通常只有在挤压下才有乳汁流出,严重者会自行流出;但泌乳的量与泌乳素水平无变化。临床上可有多种原因导致该疾病的发生,治疗目标一般为抑制泌乳素的分泌,恢复患者正常的月经与排卵,从而减少乳汁的分泌[5]。主要治疗药物为麦角碱衍生物,同时使用辅助的促排卵药物,基本都是从小剂量开始,逐渐增加剂量。

1.习近平新时代中国特色社会主义思想是中华民族优秀传统文化的升华。习近平非常看重中国传统文化的广博与深厚，总以典雅蕴藉的经典名句来传达思想，他指出中华优秀传统文化是我们的重要思想源泉，是中国最深厚的文化软实力。俄罗斯教授塔夫罗夫斯基在《习近平：正圆中国梦》一书中指出：“中国梦充满着儒家思想的精神，是对传统世界观的升华。”[3]新加坡《联合早报》报道，习近平在推崇儒家文化的同时，也向外界表明他的“文化观”：中国优秀传统文化是解决人类共同难题的思想库，他维护文明的多样性，尊重文化的差异，注重学习借鉴及创新与传承相结合。

四、实证分析

实证部分以检验理论结论为主。首先，就“个体教育投资与不同类型风险的关系”“个体是否能够通过教育投资来覆盖技术贬值风险以及失业风险”等问题进行探讨；其次，利用PSM方法将隐藏在观测数据中的随机化实验样本寻找出来，研究个体进行“名校”教育投资是否会比一般的教育投资的收益更高。

(一)教育投资与风险关系

表4结果显示，失业风险对个体教育投资回报率的作用随收入的增加呈现逐渐减弱的趋势，低收入群体通过增加教育投资来规避劳动力市场风险的效果显然要强于高收入群体。然而，技术贬值风险对教育投资回报率的作用在各年的表现却并不相同：2002年显现出“正U型”的变化趋势；而在2013年则表现出随分位点提高而不断增强的趋势。这说明在不同时期、不同的收入群体中，教育投资在覆盖技术贬值风险的效率方面存在差异，高收入群体始终能够通过教育投资较为有效地规避技术贬值风险。总体来看，分位数回归结果与前文OLS估计结果基本保持一致，二者得以相互印证，从而体现出研究结论具有较好的稳健性。另外，结合两个年份的分位数回归结果来看，性别对低收入个体的影响较强而对高收入者影响较小，说明高收入水平的工作对个体的性别歧视程度相对较轻。此外，工作经验对低收入者收入的贡献略高于中高收入者，因而低收入者在工作的初期可通过增加自身工作经验来缩小与中高收入者的收入差距。

王敬凯知道，在警察毫不放松、步步紧逼的情况下，犯罪分子多半会采取避重就轻的态度逃避自己的罪行。他相信，李桂明会顺着他给搭的梯子往下走的，因此他不再说话，只是装作有所期待的样子看着李桂明。

研究中使用的数据主要来自北京师范大学中国收入分配研究院2002、2013年“中国家庭收入调查(CHIP)”(4) 该数据的调查范围包括城镇、农村住户以及流动人口，其中2002年数据包含119098个观察值，2013年的调查样本总量为61162人，是中国关于居民薪资收入调查最为权威的数据之一。 。考虑到农村劳动者通常没有正式工作记录，并且与农村劳动者收入相关的变量存在严重缺失，本研究选取CHIP中城镇居民的相关数据作为分析样本：2002年的城镇居民样本量为20632人，2013年为19887人。此外，为尽可能减轻“低质量”观测样本给研究带来的干扰，我们对研究样本进行了如下处理：首先，将分析样本限定在被调查期间拥有正式工作和收入的个体，排除了2002年与2013年末属非就业状态个体(5) 根据CHIP的《问卷指导手册》，“非就业状态个体”包括机关事业单位离退休人员、企业及其他单位退休人员、失业或待业人员、家务劳动者、在产假或哺乳假的妇女、在长病假中的人员以及其他不工作不上学的人员。 及在校学生；其次，剔除了由调查和录入失误导致的明显不符合事实的数据样本，最终得到2002年的样本量10150人，2013年样本量9435人。

2.模型构建与变量设定

由于CHIP调查数据中缺乏与劳动者教育成本有关的字段，因而难以满足使用教育投资内部收益率方法的要求。明瑟方程则可将个体的教育投资年限视为教育投资，有益于研究教育投资与风险的关系。明瑟方程的扩展形式如下所示：

(17)

上式以取对数后的个体收入(lnincome )作为被解释变量，将教育投资年限(6) 本文在其余部分以教育投资代表教育投资年限。 (edutime )、工作经验(exp )及其平方项(exp ²)作为主要解释变量，并通过引入性别(gender ，男性为0，女性为1)、政治面貌(party ，党员为1，非党员为0)、婚姻状况(marriage ，已婚为1，未婚或离婚为0)、所属地区(7) 所属地区(Q (t ))为按照被调查城镇居民所在地区划分的分类变量。在估计过程中将地区t 这一分类变量转换为地区虚拟变量(东部λ (t )与中部θ )。其中，东部包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省(市)；中部包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西等10个省(区)。(region 包含east 和mid 两个虚拟变量)等控制变量(X _i )来消除个体特征对收入的影响。为避免风险性投资在估计过程中产生的干扰，个体收入(income )通过基本工资、奖金、津贴和其他与劳动相关的收入总和来计算，不包括物质资本收入及转移性收入。工作经验(exp )通过“年龄减去教育投资年限再减去6年”的计算方法获得。失业风险根据2003年和2014年各地区《统计年鉴》相关数据计算而得，以个体所在地区当年的失业率作为失业风险指标(lrisk )。由于技术进步以及知识老化进程的加速，使得一些技能逐渐失去价值甚至变成负累，因而本文采用“当年发明专利授权数变动率”作为衡量技术贬值风险的代理指标(trisk )，原因有二。 其一，发明专利与技术进步存在密切的联系，发明专利数的增加是技术进步的重要基础和必要环节，而发明专利数的变动率则可刻画技术进步的速度。通常，技术进步速度越快，技术贬值风险越高。^[32]其二，发明专利与知识老化存在关联。发明专利数增长的越快，越会加速传统知识的老化进程，造成技术型人力资本的贬值，从而加大了市场中的技术贬值风险。值得注意的是，由于上述风险度量采用宏观指标而教育投资变量使用的是微观数据，不适宜研究二者的直接关系，因而须构造风险变量与教育投资变量的交互项，并将其纳入扩展明瑟方程之中。具体来看，利用教育投资(edutime ) 对公式(17)进行一阶求导，可得教育投资对收入的边际效应(marginal effect，ME)，即教育投资回报率

2.教育投资释放异质性信号

山东男篮是CBA有名的网红球队，山东球迷和一大批自媒体作者拿着放大镜来观察和分析山东男篮，一有点风吹草动，在山东这边就是疾风暴雨，正反两种舆论肯定是要激烈交锋。

3.统计描述

研究样本的描述性统计如表2所示。2002年中国城镇居民年平均收入为12153.860元，伴随近十年经济的高速增长，2013年人均年收入增至28684.690元，与此同时，标准差也由8937.437升至29401.150，这表明中国经济在高速发展同时引起了城镇居民贫富差距的进一步扩大。鉴于收入水平差异性较大、尺度较宽等特点，分析过程中将采用对数化处理。对数化处理的好处在于：一方面在不改变其本身性质的基础上减小变量的差异并压缩变量的尺度；另一方面有利于构造教育投资回报率。失业风险的均值由2002年3.863下降至2013年的3.071，说明我国整体失业率有所下降，劳动者所面临的劳动力市场风险降低；技术贬值风险均值由10.330下降至4.280，表明近年技术进步速率趋缓，技术贬值的情况有所缓解。此外，通过比较教育投资年限发现，与2002年相比，2013年城镇居民的受教育程度普遍提高，但个体受教育程度的差异却有所加剧。

表 2描述性统计

注：表格内容由作者整理

4.OLS回归分析

根据不同年份以及是否引入风险指标及其与教育投资的交叉项来构建OLS回归模型。模型1至模型4(参见表3)的估计结果皆表明个体的教育投资对收入具有显著的正向作用。与2002年相比，2013年的教育投资回报率有所降低，这主要是因为经过12年的教育发展，我国劳动者的受教育程度普遍有所提升，高学历的劳动力供给增速过快使得教育回报攀升乏力。模型2与模型4考虑了失业风险与技术贬值风险因素，根据公式(17)，失业风险lrisk 对收入(取对数)的边际影响表示为：

根据表3中的模型2估计结果可知，失业风险每增加1%，教育投资回报就会提升0.5%；类似方式，技术贬值风险每增加1%，教育投资回报率则提高2.2%。与此同时，基于2013年的数据样本(模型4)，可得相似结论。由此推断：个体可通过增加自身的教育投资有效覆盖失业及技术贬值风险。

此外，表3结果还证实：工作经验对个体的收入具有显著的正向作用，其作用效果在2013年要强于2002年，并且个体收入与工作经验呈现倒U型变化趋势；已婚及党员身份对个体的收入同样具有显著的正向作用，但与2002年相比，其作用效果在2013年大幅降低。这说明用人单位已越来越重视个体的工作经验而逐渐淡化对婚姻状况及政治面貌的要求，我国劳动力市场机制得到了进一步完善。然而，在相同条件下，女性劳动者的收入相较于男性，收入依然偏低，并且男性与女性间的收入差距正在扩大，该结果与薛进军和高晓淳(2011)的研究结论一致，我国劳动力市场中仍存在“性别歧视”现象。^[33]除此之外，我国地区收入差异依旧明显，地理区位与薪资收入间存在较强的关联。

5.分位数回归分析

2. 平均处理效应

表 3 OLS估计结果

注：***、**、*分别表示1%、5%、10%显著性水平；()内为标准误。

1.数据来源与样本选择

说到大白兔，很多人的印象都是儿时记忆中那甜甜的奶糖香，而就在今年这个老字号糖果开始玩起跨界来，做起了美妆。2018年9月20日，59岁的大白兔与56岁国民美妆品牌“美加净”共同推出奶糖味的润唇膏，在电商渠道发售后，第一批920支奶糖味润唇膏，仅仅半秒时间内就被抢购一空。

表 4分位数回归结果

注：***、**、*分别表示1%、5%、10%显著性水平；( )内为标准误。

(二)“名校”效应

本节主要对理论部分的“教育投资释放异质性信号”进行实证探讨。截至目前，仅有2013年CHIP数据对个体进行了“大学毕业院校类型”的调查和统计，我们选取已就业且曾接受过高等教育的观测样本，通过研究个体在“名校”进行教育投资是否会比在普通高校的投资回报更高，来检验教育投资是否会释放出异质性信号、“名校”效应是否真实存在。参考CHIP问卷指导手册，以首次获得的大学学历为准，将毕业院校在985工程及211工程院校名单内的个体定义为“名校”教育投资者。在分析过程中，由于仅能观察到一种干预状态(“名校”教育投资或者非名校教育投资)下的结果，因而需利用倾向得分匹配法将隐藏在观测数据中的随机化实验样本寻找出来。换言之，在控制组(非名校教育投资者)中寻找与干预组(“名校”教育投资者)特征相似的个体进行匹配，从而用控制组个体的结果来估计干预组个体的反事实结果。另外，由于研究中涉及的失业风险以及技术贬值风险皆为外生变量且均以宏观数据为基础进行构建，并不会影响个体的教育选择，因而不会存在内生性问题。“名校”效应研究中的干预变量为“是否在‘名校’进行教育”，结果变量为“对数收入”。

1. 计算倾向得分值

首先，定义“名校”教育投资虚拟变量D ={0,1}，若个体i 在“名校”进行教育投资，则为处理组D =1；若在普通高校(非名校)进行教育投资，则为控制组D =0。倾向得分匹配在这里指的是个体进行“名校”教育的条件概率：p (X )=Pr[D =1|X ]=Ε[D |X ]，其中p 为个体投资“名校”教育的概率，即倾向得分值，X 为影响个体进行“名校”教育投资的变量向量组合。由于倾向得分无法直接通过观测获得，因此需利用Logit概率模型进行倾向得分计算：

国际市场：国际氮肥价格持续上涨，市场供应量增加，其中中国销售3万吨大颗粒尿素；欧洲、巴西、印度和美国季节性需求到来，贸易商采购较为积极。国际磷肥价格高位平稳运行，印度采购因卢比大幅贬值放缓，东南亚采购需求减弱，中国供货价仍维持稳定。国际钾肥价格总体维持高位，因中国、印度钾肥大合同尚未签订，东南亚各国钾肥市场价格涨跌互现。

PS(X_i)=p(X_i)=Pr (D_i=1|X_i)=Λ (βX_i)

从表2看出，多西环素、阿莫西林、恩诺沙星、氟苯尼考4种抗菌药物对质控菌ATCC®25922的MIC值均在CLSI规定的允许范围内。根据药物敏感性判定标准发现，鼠伤寒沙门菌sh2034对多西环素耐药，对恩诺沙星中介，对阿莫西林、氟苯尼考敏感。

=Λ (β₀+β₁edutime+β₂exp+β₃exp²+

β₄gender+β₅marriage+β₆party)

(18)

其中，PS 为第i 个个体进行“名校”教育投资的倾向得分，Λ (.)为逻辑分布的累积分函数，β 为影响个体进行“名校”教育投资变量组的系数向量。根据Imbens和Rubin(2015)，对结果变量有重要影响的控制变量，无论是否与干预变量有关系，均应引入并作为匹配的依据。^[34]由于前文OLS及分位数回归结果皆证实性别、婚姻状况、政治面貌等与结果变量(对数收入)存在显著关联，因而应将这些因素作为匹配依据。

考虑到OLS回归仅能从均值角度解释教育投资对失业风险以及技术贬值风险的覆盖，本节将利用分位数回归模型就不同分位点处个体教育投资和风险的关系进行分析。选择0.25、0.5、0.75这三个具有代表性的分位点，估计结果如表4所示。

利用公式(18)计算出倾向得分PS (X _i )后，可进一步探讨处理组与控制组的平均处理效应(ATT)，即“名校”教育投资对个体薪资收入的净影响。ATT的计算方式为：

ATT =Ε[lnincome _1i -lnincome _0i |D _i =1]

=Ε[Ε[lnincome _1i -lnincome _0i |D _i ,p (X _i )]]

=Ε[Ε[lnincome _1i |D _i =1,p (X _i )]

-Ε[lnincome _0i |D _i =0,p (X _i )]|D _i =1]

(19)

其中，lnincome _1i 和lnincome _0i 分别表示个体在进行“名校”教育投资和普通高校教育投资这两种情况下薪资收入的对数。若ATT估计值在统计上显著，则表明个体的“名校”教育投资对其收入提升具有明显的促进作用。

倾向得分匹配重叠假定保证了处理组与控制组的倾向得分取值范围具有相同的部分。通常情况下，为获得高质量的匹配，应保留倾向得分重叠部分的个体。表5描述了利用“一对一”最邻近匹配法计算出的共同取值情况，可以发现仅有2个非共同取值，即仅存在两个样本未重叠，匹配效果较好。

表 5共同取值情况描述

随后，引入结果变量(对数收入)，并分别采用邻近匹配、半径匹配、核匹配等多种匹配实施方案进行因果效应估计，结果如表6所示。

表 6“名校”教育投资效应

注：***、**、*分别表示1%、5%、10%显著性水平。

结果显示，在接受大学教育的群体中，进行“名校”教育投资的个体的收入相较于普通高校教育投资者的收入实际高出约18.2%(基于“一对一”最邻近匹配)。倘若不对劳动者个体特征进行匹配而直接进行计算，两者间的差异将会达到29.8%，比匹配处理后的效应高出约10%。为进一步验证结果的稳健性，表6还展示了利用最邻近匹配(一对四)、卡尺匹配、核匹配、局部线性回归等匹配方案得到的估计结果。研究发现多数匹配方法估计出的ATT值均在18%左右，与最邻近匹配(一对一)方法计算出的结果十分相近，从而验证了研究结果具有较强的稳健性。

五、结论与启示

个体对教育投资与风险认识越深刻，就越能有效规避风险，进而避免盲目投资，提升教育投资回报率。本文有机结合人力资本理论与信号筛选理论，从理论与实证两个层面探讨了教育投资、风险以及“名校”效应。在教育的人力资本积累功能和信号功能互补共融的基础上，本文首先理论探讨了各类不确定因素(如，技术贬值、失业等)如何影响个体的教育投资决策，从理论上证明了教育投资是一种规避劳动力市场风险、技术贬值风险的有效方式，并针对人力资本理论和信号筛选理论都无法解释的关于中国家庭对子女教育高投入与劳动力市场高风险并存这一问题进行了理论诠释。此外，理论研究还证明“名校”中的个体更有动机加大教育投资、延长受教育时间，而“名校”所释放的高质量信号能够有效降低由技术贬值和失业这两类不确定因素给教育投资带来的风险。随后，本文以2002、2013年发布的“中国家庭收入调查”以及各年《统计年鉴》为数据基础，通过OLS回归、分位数回归、倾向得分匹配等方法，实证分析了个体教育投资是否可有效覆盖技术贬值风险和失业风险，以及个体在“名校”与普通高校进行教育投资对其收益的影响及两者间的差异，从而验证了教育投资与各类风险间的正相关关系以及“名校”带来的高质量信号有益于提高教育投资收益的理论结果。

根据理论与实证研究结论，本文从政府及高校两个层面给出如下启示：

(一)政府层面

首先，分割教育时间以规避风险。可借鉴组合投资的方式对教育时间进行分割，一方面，逐步引入“高等教育再选择”制度，使教育投资者能够有机会重新选择适合自身发展的专业及院校，让其教育投资更具针对性，从而达到规避劳动力市场风险的目的；另一方面，搭建高校与企业的合作平台，让企业员工有机会重返高校进行在职培训，增强教育投资的目的性，从而为规避技术贬值风险提供有力保障。其次，优化教育成本分担以增强信号。在保证国家投入的基础上，逐步引入社会和民间资本，为高校可持续发展提供稳定的资金环境，通过优化高等教育成本分担机制来推动我国高等教育均衡发展，提高教育投资者的平均素质，从整体上增强我国教育的高质量信号。

(二)高校层面

首先，高校应进一步加强与社会的联系，构建和优化高校人才培养与劳动力市场需求间的信息互通机制，及时根据市场人才需求变化对专业设置和教学模式进行调整，从而达到强化教育投资的人力资本积累功能和信号功能的目的。其次，在政策指引下，高校教育应与企业培训相结合。一方面，有针对性地培养企业所需要的专门性和特殊性人才，为规避教育投资者未来可能面临的劳动力市场风险提供保障；另一方面，通过校企合作培养，缓解个体教育投资者与企业间的信息不对称问题，从而进一步完善教育的信号功能。

参 考 文 献

[1] Banerjee A V, Newman A F. Occupational Choice and the Process of Development[J]. Journal of Political Economy,1993,101(2):274-298.

[2]Williams J T. Risk, human capital and the investor’ss portfolio[J]. Journal of Business,1978,51(1):65-89.

[3]Williams J T.Uncertainty and the Accumulation of Human Capital over the Life Cycle[J].Journal of Business,1979,52(4):521-548.

[4]Riley J G. Information, Screening and Human Capital[J].American Economic Review, 1976,66(2):254-260.

[5]Riley J G. Testing the Educational Screening Hypothesis[J].Journal of Political Economy,1979,87(5):227-252.

[6]Solow R.A Contribution to the Theory of Economic Growth[J].Quarterly Journal of Economics,1956,70(1):65-94.

[7]Nelson R,Phelps E.Investment in Humans,Technology Diffusion and Economic Growth[J].American Economic Review,1966,56(1/2):69-75.

[8] Romer P M.Endogenous Technological Change[J]. Journal of Political Economy, 1990, 98(5):71-102.

[9]Aghion P,Howitt P.Endogenous Growth Theory[M].MIT Press,Cambridge,1998.

[10]Lucas R.On the Mechanics of Economic Development[J].Journal of Monetary Economics,1988,22(1):3-42.

[11]Mankiw G, Romer P, Weil D. A Contribution to the Empirics of Economics Growth[J]. Quarterly Journal of Economics,1992,107(2):407-437.

[12]Olson L, Shefrin H W M. Optimal Investment in Schooling When Incomes Are Risky[J]. Journal of Political Economy,1979,87(3):522-539.

[13]Weiss Y. The Risk Element in Occupational and Educational Choices[J]. Journal of Political Economy,1972,80(6):1203-1213.

[14]Snow A,Warren R S.Human Capital Investment and Labor Supply under Uncertainty[J].International Economic Review,1990,31(1):195-206.

[15]Levhari D, Weiss Y.The Effect of Risk on the Investment in Human Capital[J]. American Economic Review,1974,64(6):950-963.

[16]Kodde D A.Uncertainty and the Demand for Education[J].The Review of Economics and Statistics,1986,68(3):460-467.

[17]Hartog J,Ophem H V,Bajdechi S M. Simulating the Risk of Investment in Human Capital[J].Education Economics,2007,15(3):259-275.

[19]张车伟.人力资本回报率变化与收入差距:“马太效应”及其政策含义[J].经济研究, 2006(12):59-70.

[20]罗楚亮.城镇居民教育收益率及其分布特征[J].经济研究,2007(6):119-130.

[21]李锋亮, Morgan W J, 陈晓宇. 绝对教育年限与相对教育位置的收入效应——对教育生产性功能和信号功能检验[J].中国人口科学,2008(1):67-73.

[22]武向荣.大学毕业生就业风险和职业选择[J].当代教育论坛,2005(6):90-92.

[23]钟宇平,雷万鹏.风险偏好对个人高等教育需求影响的实证研究——以高中生对农业、林业和师范院校需求为例[J].高等教育研究,2005(1):19-24.

[24]吉喆.问题域的重构:个体教育投资风险——收益再认识[J].当代教育科学, 2016(23):21-25.

[25]杨娟.不确定条件下的最优选择——基于期权模型的实证研究[J].北京师范大学学报(社会科学版),2008(4):117-128.

[26]林莞娟,王辉,周晓露.教育的自选择与比较优势研究:基于中国的实证分析[J].经济科学,2014(1):75-89.

[27]才国伟,刘剑雄.收入风险、融资约束与人力资本积累——公共教育投资的作用[J]. 经济研究,2014(7):67-80.

[28]舒强,张学敏.农民工家庭子女高等教育个人投资的收益风险[J].高等教育研究, 2013(12):50-59.

[29]杨伟国,唐聪聪.非重点普通本科院校与高职院校的教育回报率比较研究[J].中国人口科学,2016(4):16-25.

[30]赵恒平,闵剑.高等教育个人投资风险研究[J].武汉理工大学学报(社会科学版),2005(12):123-125.

[31]余长林.教育、闲暇与经济增长——理论模型与经验分析[J].南开经济研究，2006(1):88-100.

[32]Acs Z J , Audretsch D B . Patents as a Measure of Innovative Activity[J]. Kyklos, 1989,42(2):171-180.

[33]薛进军,高晓淳.再论教育对收入增长与分配的影响[J].中国人口科学,2011(2):2-13.

[34]Imbens G W, Rubin D B. Causal Inference for Statistics,Social, and Biomedical Sciences: An Introduction[M]. Cambridge University Press,2015.

Education ,Risk and “Elite Schools ”Effect ：Theoretical Model and Empirical Analysis

Kai Zhao,Xindong Zhao,Lvyuan Zhang

(School of Statistics-Institute for Quantitative Economics ,Huaqiao University ,Xiamen ,361021 )

Abstract :This paper studies how the individual being confronted with the risks on employment, technological progress and financial turmoil, decides the optimal education investment, in the framework of individual’s competitiveness (human capital effect) and individual productivity information value (signal effect) ameliorated by education investment. Through the combination of human capital theory and signal screeningtheory, the theoretical part of this paper proves that the education investment is an effective way to avoid future risks, and the individuals studying in “Elite Schools” will be more motivated to increase investment in education and extend the education time. Therewith, the theoretical results are verified by means of quantile regression, propensity score matching and other methods based on the data of “China Household Income Survey” in 2002 and 2013. It is confirmed that individuals can effectively cover future labor market risks caused by rising unemployment rate and productivity depreciation risk caused by technological progress by increasing investment in education, and the investment in “Elite Schools” education will be about 18.2 percent higher than that of investment in ordinary universities.

Key words :education investment; risk; signal effect; stochastic process

中图分类号： G459； F830

文献标识码： A

文章编号： 1003-4870( 2019) 05-0018-12

收稿日期： 2018-10-25

基金项目： 国家自然科学基金面上项目“中国人口老龄化进程与劳动生产率:检验、预测与政策选择”(71573093)。

作者简介： 赵凯，男，华侨大学统计学院-数量经济研究院副教授、硕士生导师，法国曼恩大学经济学博士，研究方向为数量经济与数理统计；赵昕东，男，华侨大学统计学院-数量经济研究院教授、博士生导师，吉林大学经济学博士、澳大利亚La Trobe大学统计学博士，研究方向为经济计量及经济政策分析；张绿原，男，华侨大学统计学院研究生，研究方向为经济统计。

责任编辑 叶庆娜

标签：教育投资论文;  风险论文;  信号效应论文;  随机过程论文;  华侨大学统计学院-数量经济研究院论文;