教育回报率的性别差异研究，本文主要内容关键词为：回报率论文,差异论文,性别论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一 引言
新中国成立以来，政府大力倡导男女平等，政治上鼓励女性全面参与社会各项活动，在计划体制下，经济上保障男女就业机会平等，实行同工同酬制度，因而性别间工资差异较小。但自20世纪80年代以来的市场经济制度的建设与发展，中国社会出现巨大变革，它对中国女性的劳动参与、就业机会、工资支付等造成了巨大冲击，政府对企业工资设定的管制也越来越弱，企业在工资制定上具有越来越大的自主权。在与社会文化的传统性别观念以及法律法规的不完善等因素的共同作用下，中国性别间的工资差异是呈逐渐扩大趋势（Zhang et al.,2008）。
在研究工资差异决定因素方面，人们一般采用Oaxaca- Blinder分解法（Dougherty，2005）。针对性别工资差异，该方法要求各自估计男性和女性的工资方程（Mincer，1974），Mincer工资方程的表达式为lnW＝Xβ，在后文的分析中，W为小时工资，X表示个体特征的一组变量，包括教育年数、工作经验等，μ表示随机误差项。由OLS基本性质可知，E（u）＝0，因而有：
（3）式右边第一项衡量性别工资差异在多大程度上是由性别间生产力特征差异引起的，第二项表示两类群体在劳动力市场上由于工资支付结构不同所引起的工资差异，一般认为由性别歧视造成。（3）式只是给出了分解的一种表达式，另一种表达式为：
（4）
（3）式与（4）式的区别是，一个选择男性工资支付结构为无歧视状态，另一个是以女性工资支付结构为准，但得出的结果却存在很大的差异。① 这种由于计算次序不同从而导致结果不同的问题，在文献中被称为“权重问题”（index number）。Cotton（1988）和Neumark（1987）分别提出了不同的方法来解决权重问题。Brown等（1980）和Appleton等（1999）在Oaxaca- Blinder分解基础上进行了改进，考虑了部门分割对工资差异的影响。②
不论以上述何种方法来研究工资差异，结果都显示中国城镇劳动力市场上存在着显著的性别歧视现象。③ 在给定工资支付结构偏好男性的情况下，人们一般会认为在人力资本变量、教育和工作经验的回报率方面，男性会高于女性。然而事实上，一些研究表明这一结论对工作经验可能是正确的，但对教育却并不如此。大部分研究表明，女性的教育回报率要高于男性，表1整理了关于性别教育回报率的研究成果，这些研究满足以下三个条件：
（1）使用的数据具有一定的代表性，且是关于城镇居民的样本；（2）工资方程使用的是半对数模型；（3）研究同时报告了男性和女性的教育回报率，或在模型中包含反映教育回报率的性别差异的变量，即性别与教育的交互项。
由于研究者很少报告分性别的教育回报率，大多使用性别混合样本的工资方程，在模型中加入反映性别差异的性别虚拟变量，因而不能提供性别教育回报率差异的信息。即便有研究者反映性别教育回报率差异，但由于该问题并不是主要关注对象，所以作者往往将之省略，未予报告。从我们所找到的有关性别教育回报率差异的研究成果，均毫无例外地显示男性教育回报率低于女性教育回报率。之前有些研究也提到了这一现象（陈良焜、鞠高升，2004；Zhang等，2005），并给出一些解释。④ 但这些解释要么没能进行检验，要么最后发现并不成功。
本文试图解释，为何在中国城镇劳动力市场上存在对妇女歧视的同时，却仍存在着女性教育回报率高于男性的现象。本文的结构安排如下：第二部分为数据的统计性描述；第三部分为教育回报率差异及其解释；第四部分为教育回报率性别差异的其他解释；第五部分为本文的结论。
二 数据统计性描述
本文使用的数据来自于2003年国家统计局城市社会经济调查队（下文简称城调队）每年度进行的“中国城镇住户调查”，城镇数据由城镇居民总体随机抽取构成。我们有北京、辽宁、浙江、四川、广东和陕西六省市城镇样本数据，该数据由11352住户和33619名个体构成。数据提供了年龄、经验、性别、受教育程度、职业、就业部门、工资收入以及家庭状况等丰富信息。由于在下文的研究中采用了Mincer工资方程，按照通常的做法，本文在样本中排除了雇主、自我雇佣者、退休人员、学生以及家务劳动者（Coleman,1993; Mwabu and Schultz,1996）。中国劳动法规定，公民最低工作年龄为16岁，故本文删除了年龄小于16岁的样本。同时，由于大多数工人的退休年龄为60岁，因而大于60岁的群体不包括在内。本文的工资收入包括基本工资、奖金、津贴以及其他劳动收入。在此基础上，除去数据中有缺失的观测值后，样本容量共有16131个，其中男性有8885人，女性有7246人，男女职工在样本中的比重分别为55％和45％。表2报告了本研究的一些关键变量的统计性描述，按性别分类。
2003年城调队数据报告了个体上年工作的月数，上月劳动时间以及年工资收入，根据这一特点，本文的小时工资的计算方式为年工资收入除以一年中工作的月数，再除以上月劳动时间。从表2来看，男性小时工资为8.18元，女性为6.09元，前者高出后者34％左右。
数据中只有关于个体受教育的文化层次，分别为本科（及以上）、大专、高中（中专）、初中、小学及以下。⑤ 在计算受教育年限时上述类别的受教育程度分别按16年、15年、12年、9年、6年计算。从表2看，性别间的受教育程度已相差无几，两者的平均受教育年限分别为12.11年和12.02年。文中的工作经验是按个体第一次参加工作的年份开始计算，数据显示男性的工作经验为22年，女性为18.71年。
性别间在以教育程度和经验衡量的人力资本上相差不大，但性别间在所有制、行业和职业获得方面存在着较大的差异。男性在国有制单位工作的比重为67％，女性只有53％，二者相差14个百分点；在集体所有制单位工作中男性的比重为6％，低于女性的9％；在其他所有制单位工作的，⑥ 男性的比重为28％，大幅低于女性的38％。二者在国有和集体所有制就业分布上存在着较大的差异，说明城镇劳动力市场在所有制获得上存在着某种程度的性别隔离。数据中共包含16种行业，参考岳昌君（2004）的做法，按照各个行业的特点将其合并为5类，分别为：（1）竞争性行业（包括制造业、建筑业、批发零售贸易餐饮业、社会服务业等四个行业）；（2）垄断性行业（包括电力煤气及水的生产和供应业、交通运输仓储和邮电通信业、金融保险业、房地产等四个行业）；（3）事业性行业（包括卫生体育和社会福利业、教育文化艺术及广播电影电视业、科学研究和综合技术服务业等三个行业）；（4）机关团体（国家机关政党机关和社会团体）；（5）其他行业（包括农林牧渔业、采掘业、地质勘察业水利管理业、其他等四个行业）。数据显示男性在垄断性行业的分布上较占优势，比重高达19.6％，而女性的这一比重只有12.2％；在竞争性行业上，女性的分布比重高达56.4％，远高于男性的47.6％。王美艳（2005）使用中国社会科学院人口与劳动经济研究所五城市劳动力调查的数据的研究表明，性别间在行业进入上存在着差异，本文的数据也印证了这一现象。城调队数据将职业分为8类，分别为技术人员、管理人员、办事人员、商业人员、服务人员、农林牧渔劳动者、生产工人及不便分类的其他劳动者，由于数据中农林牧渔劳动者的人数只有26个，占总体样本的0.12％，因此我们将它放人其他劳动者类型中。从职业分布上看，二者在技术人员的分布上相差不大，分别为17.9％和17.2％；性别间在管理人员上的分布差异较大，男性的比重为6.4％而女性只有1.9％；女性在服务人员的比重高达23.8％，远高于男性的9.1％。此外，女性的职业较多地集中在办事人员上，比重为27.7％，男性较多地集中在生产性工人上，比重为31.7％。这与姚先国和黄志岭（2008）采用2002年城调队数据发现的结果相差不大，这一方面说明城镇劳动力市场上仍存在着性别职业隔离，另一方面也说明性别间的职业分布差异在两年间变化不大。
针对性别间存在的工资差异，我们采用Oaxaca- Blinder方法对其进行分解。⑦ 基于分解的Mincer（1974）工资方程的估计结果见表3的第1、2列。第1列为男性工资方程回归结果，第2列为女性工资方程回归结果，选择的被解释变量为小时工资对数，解释变量为教育年数、工作经验、工作经验的平方以及反映地区的一组虚拟变量（以四川为参照组），包含地区虚拟变量是用来控制地区间的不平衡发展和生活成本差异。计算结果表明，在总体工资差异中，个体生产力特征的差异只解释了12.6％部分，而不可解释部分占了87.4％，一般将不可解释的部分归为歧视。⑧说明城镇劳动力市场中，女性受到较大的歧视。将该结果与表3中第1、2列的报告的结果相对比，我们发现，性别歧视与女性的教育回报率高于男性的现象同时并存。表3显示的男性的教育回报率为10.2％，女性的为12.3％，女性教育回报率高出男性的20％左右。接下来，本文主要的工作在于解释为什么在劳动力市场中存在性别歧视，即工资支付结构不利于女性的条件下，还同时存在女性的教育回报率高于男性的现象。本文提出的假说是，由于劳动力市场中存在性别歧视，女性教育程度的提高能够降低其在劳动力市场中受到的歧视程度，因此教育对女性来讲还能额外通过这一途径提高自身的工资收入，从而使估计出来的教育回报率高于男性。如果该假说成立，将引起另一个问题，即如果不考虑女性教育程度对其受歧视程度影响，将使女性教育回报率的估计产生向上偏误。
三 教育回报率性别差异及其解释
表3第1、2列显示出女性的教育回报率高于男性，只能从数字上说明二者之间存在差异，尚不能判断其差异是否显著。为了检验教育回报率差异在统计上是否显著，我们将男女样本混合，并在方程中加入性别虚拟变量以及教育与性别的交互项，结果放在表3的第3列中。可以发现教育与性别交互项的系数为－0.025，且在1％的水平上统计显著，其与性别变量的联合检验的F统计量为349.01，说明二者的教育回报率的差异在统计上是显著的。此时的女性教育回报率为12.4％，男性的教育回报率为9.9％（12.4％－2.5％）。
为了检验本文上部分提出的教育回报率的性别差异是由于女性教育程度的提高降低其受歧视程度所引起的假说，我们首先按教育程度分类，采用Oaxaca- Blinder分解方法计算各教育程度下工资差异中未解释的部分。⑨ 根据城调队数据特点，将教育分为：小学及以下、初中、高中学历、大专、大学及以上五大类。
表4的第1、2、3列报告了按教育分类的男女平均小时工资对数、调整后的女性小时工资对数。⑩ 表4的第4列为女性调整后的工资与实际工资的差异，该部分即为Oaxaca- Blinder分解方法中未解释的工资差异部分。该列的数值显示，工资差异未解释部分的大小与受教育程度负相关，即女性受教育程度的提高降低了其在市场中受歧视程度，验证了我们上文做出的假定。未解释部分在小学及以下的群体中最大，数值为0.341，随着教育程度的上升，该数值持续下降，到高中组时，其值为0.262，到了大学及以上一组时，缩小到0.128，差不多为小学及以下组的1／3。表中的第5列报告了差异的标准差，每一个标准误相对于同一组的教育水平下的工资差异都较小，说明每一组的差异在统计上都显著异于0。
女性受教育程度的提高能够降低其在市场中受歧视程度的原因在于：第一，高学历的妇女更有能力抵制市场中的歧视，而且高学历也有助于提高她们在女性传统的低收入职业外寻找工作的能力和意愿。第二，根据。Becker（1971）的雇主、顾客和雇员歧视模型，来自雇主、顾客和雇员的歧视偏见都会使女性和其他受歧视群体获得较低的工资和就业预期。教育的改善能够提升个体的修养和品德，减少不道德偏见，而高学历的女性更有可能与这部分高素质的群体共同相处和工作，因此高学历能使她们处在歧视氛围较弱的环境下工作。第三，在统计性别歧视理论模型中，教育是一个较易观察的变量，它向雇主发送了工人的内在能力和对工作态度的信息。女性因为生育、抚养孩子等不得不中断工作退出劳动力市场，降低了雇主对她们生产力和工作稳定性的预期。而女性教育程度的提高，表明她们对工作有更大的偏好，退出劳动力市场的几率更低，中断的时间也会更短，因此将会提高雇主对这类群体工作稳定性的预期，从而降低这部分群体受到的歧视程度（Montgomery and Powell,2003; Dougherty,2005）。
女性受教育程度与其受歧视程度之间的负相关关系，反映了教育程度对女性来讲，除了直接增加其自身生产力增加工资作用外，还可以通过减少歧视程度来缩小性别间的工资差异。这蕴含着女性的教育回报率将高于男性，因为教育对女性的作用，除了与男性一样增加生产力外，还有着因降低其在市场中受到的歧视程度而增加工资的作用。如果我们控制教育对女性的这一作用变量，那么性别间的教育回报率差异将可能缩小，甚至消失。为了验证这一假说，本文在原始数据中生成一个反映教育程度对妇女歧视程度影响的变量UE。具体的做法是，我们首先计算各个教育水平下的妇女歧视程度，并将计算出来的歧视程度赋值到女性职工相对应的各个教育水平上（比如女性教育程度为小学及以下的，其相应的UE值为0.341），而男性全部设定为0（因为假定男性的工资支付结构代表无歧视状态下的市场支付结构）。(11)
表3的第4列报告了含有UE变量的回归结果。(12) 对比表3中的1与4列，或3与4列，表明是否考虑UE变量，对男性的教育回报率毫无影响，男性的教育回报率始终为10％左右（在第1列中显示的男性教育回报率为10.2％，第3列显示的教育回报率为12.41％－2.5％＝9.9％，第4列显示男性教育回报率为9.8％，此时反映性别教育回报率差异的变量的系数只有－0.006，且在统计上完全不显著）。是否考虑UE变量，对女性的教育回报率具有重大影响，对比表3中的第2列与4列或3列与4列可以发现，女性的教育回报率由未考虑UE时的12.5％左右下降到考虑UE作用时的10％，下降的幅度等于原先未考虑UE时，女性与男性教育回报率差异的大小。这说明了女性高于男性的教育回报率是由于女性受教育程度的提高起到了降低其受歧视程度的作用。
四 教育回报率性别差异的其他解释
（一）自选择问题
男性几乎全部参与就业，而劳动力市场会选择更有才能的女性成为劳动者，劳动力市场上的自选择问题可能使估计出来的女性回报率高于男性。为检验该假说，本文采用Heckman两步法来解决样本选择性偏差问题。其基本思想是：
第一步，利用所有样本数据（包括参加和未参加劳动的样本数据）就劳动参与行为进行：Probit模型估计，其模型形式为：
表5的第1列重复表4的第3列，表5的第2列报告了在纠正样本选择偏差后，教育回报率和反映性别间教育回报率差异变量的估计值。我们发现控制了样本选择性偏差后，估计值与OLS的估计值基本相同，女性的教育回报率略微上升为13.0％，男性的教育回报率几乎不变为10.1％，性别间教育回报率的差异仍为2.9％，且在统计上仍然非常显著。可是一旦考虑教育对性别歧视程度的影响，即在方程中加入UE变量后，女性的教育回报率下降到跟男性一样，只有10.1％，性别与教育交互项变量的系数下降到－0.002，且在统计上不显著，见表4第3列。这一结果使我们上文的结论更具稳健性。
前面自选择模型包含了男女样本，事实上男性劳动者的自选择问题可能不存在，惟一应该考虑的是女性劳动者的自选择问题，而用男女混合样本考虑自选择问题，可能在某种程度上掩盖了自选择对女性的影响。因而，表5的第4列单独报告了女性的自选择模型的回归结果，选取劳动参与识别模型的变量与上边一样。我们发现考虑自选择模型后，女性的教育回报率还略有上升。(13) 对比第2、4列回归结果，可以认为劳动参与自选择问题对性别教育回报率差异的解释极为有限。
（二）工作特征差异问题
性别教育回报率差异的另一个可能的原因是存在补偿效应，即女性虽然进入的是低工资收入的部门，但这些低收入部门的教育回报率可能较高。
为了检验这一假说，我们在前面简单的Mincer工资方程中分别加入所有制、行业、职业等变量，方程回归中，所有制以国有单位为参照组，行业以竞争性行业为参照组，职业以生产工人为参照组。由于受过良好教育的工人更容易进入高收入的就业部门，即存在正选择效应，加入所有制、行业和职业变量后将会降低教育的估计系数（Zhang et al.,2005）。Zhao（2002）发现工人在选择进入不同所有制企业时存在着正选择效应，受教育水平较高的劳动者一般选择进入国有或外资企业。
表6的第1列仍重复表3中的第3列，第2、4、6列报告了在Mincer工资方程中分别加入所有制、行业、职业虚拟变量后的回归结果，第8列则包含了所有这些变量。
正如我们所预料的那样，当加入与工作特征相关的变量后，教育回报率下降了。加入所有制变量，使女性和男性的教育回报率各自下降了2.2个和2.0个百分点；加入行业虚拟变量后，与加入所有制变量产生的效果比较接近，使两类群体的教育回报率分别下降了2.4个和2.0个百分点；加入职业虚拟变量后，教育回报率产生显著变化，它使得两类群体的教育回报率分别下降了3.9个和3.5个百分点；当控制所有这些与工作特征相关的变量后，两类群体的教育回报率缩小了近1／3，分别下降了4.8个和4.3个百分点。虽然加入与工作特征相关的变量后，使反映两类群体教育回报率差异的变量（性别与教育的交互项）的系数绝对值在下降，但相对值却一直保持不变，显示女性教育回报率在所有方程中均高出男性20％左右，且仍在1％的水平上统计显著。
表6的3、5、7、9列为在各自前一列模型的基础上加入UE变量，加入UE变量后，所有模型中反映性别教育回报率差异的变量的系数变得微不足道，其绝对值最低的只有0.0001，最高的也只有0.001，而且在统计上都完全不显著，女性教育回报率回落到男性教育回报率的水平上。表中第3列显示男女回报率为8.0％与第2列中显示男性教育回报率为8.1％，第5列显示的男女回报率为7.8％与第4列显示的男性教育回报率为8.0％，第7列显示的男女回报率为6.5％与第6列显示的男性教育回报率6.5％，第9列显示男女教育回报率为5.6％与第8列显示的男性教育回报率5.7％，都极为接近，完全可以忽略不计。
上面的回归结论表明，即使考虑了与工作特征相关的变量后，虽然由于正向选择的存在，使男女教育回报率都不同程度地下降了，而且两者之间的差异在绝对值上缩小了，但性别间教育回报率的相对差异却一直保持在20％左右。说明在中国城镇劳动力市场上，工作特征的性别差异无法解释性别间教育回报率的差异。一旦在模型中控制住反映教育与性别歧视程度关系的变量后，性别间的教育回报率差异消失，这进一步印证了我们前面的论断。
五 结论
中国城镇劳动力市场上存在着性别歧视，市场工资支付结构更加偏好男性。然而，许多学者采用不同数据的研究却发现女性教育回报率要显著高于男性。本文使用的2003年城镇住户调查数据也得到了相同结果，性别间教育回报率相差2.4％，且在统计上高度显著。
本文提出了一个假说：女性教育程度的提高，降低了其在劳动力市场中受到的歧视程度，正是由于教育对女性这一特有的作用，使得尽管劳动力市场中存在性别歧视现象，但是女性的教育回报率仍然高于男性。
为了验证这一假说，首先，我们按教育层次分类，计算了各个教育层次下工资差异未解释的部分，我们发现教育程度越高，工资差异未解释部分就越少，从而验证了女性教育程度提高降低了其受歧视程度的假说。其次，我们构造了一个反映教育与性别歧视之间关系的变量，当方程中考虑这一变量时，教育回报率性别间的差异消失了，女性教育回报率与男性教育回报率一致。
我们还对性别间教育回报率差异的其他解释进行了检验，比如劳动参与自选择、性别间工作特征差异等问题，发现这些都无法解释性别间的教育回报率差异，而一旦在这些基础上考虑妇女教育程度与歧视之间的关系后，性别间教育回报率的差异消失，这一结果，进一步论证了本文提出的假说。
上述研究结论的政策含义有：首先，政府应该加强劳动立法和监督的执行力度来消除劳动力市场中的性别歧视现象，保障女性享有平等的就业权利和同工同酬权利，这是缩小性别工资差异的重要途径。其次，本文发现女性教育程度的提高会降低其在劳动力市场中受到的歧视程度，说明接受教育对女性来讲比男性更加重要，它除了具有与对男性一样增加生产力功能外，还可通过改善其在劳动力市场中的地位，降低其在市场中受到的歧视程度，缩小性别间工资差异。因此，在劳动力市场上，除了以行政和法律方式干预来消除市场性别歧视以缩小性别工资差异外，还应该注重加强女性受教育程度以提高其人力资本水平。最后，本文的研究表明，劳动力市场中性别歧视更多的发生在低学历妇女群体中，我们在制定相关政策的时候，对于这部分群体要给予特别的关注和保护。
截稿：2009年3月
注释：
① 选择不同的基准计算出来的歧视程度会有很大的差异：一项关于美国种族工资差异研究显示，不同权重下计算出来的歧视程度相差46.9％（Cotton，1988）；一项关于美国教授群体的性别收入差异研究显示，不同权重下计算出来的歧视程度相差达68％（Appleton et al.,1999）。
② 上述提到研究工资差异方法的详细介绍，有兴趣的读者可参考葛玉好（2007）。
③ 采用Blinder- Oaxaca方法研究性别工资差异的有：Gustafsson和Li（2000）；采用Cotton分解方法的有：Liu等（2000）；采用Neumark分解方法的有：Ng（2004）；采用Brown分解方法的有：王美艳（2005）、姚先国与黄志岭（2008）；采用Appleton分解方法的有：葛玉好（2007）。
④ 比如陈良焜、鞠高升（2004）认为这是由于女性上学的机会成本比男性低，低教育水平的女性收入绝对值低于男性的缘故；Zhang等（2005）认为可能是由于在估计女性的教育回报率中存在自选择问题。
⑤ 原始数据的教育层次在小学以下的包括未上过学和上过扫盲班两类，但这两类的样本加总只有28个，只占总体样本的0.17％，因此将它们归到小学类；本科以上的还有研究生，但数目也很少只占0.38％，所以也将它归到本科类。
⑥ 指私营企业、个体企业、外资企业和中外合资企业等各种类型的企业。
⑦ Oaxaca- Blinder分解方法存在权重问题，本文以男性工资支付结构作为基组，这主要是考虑到女性承担主要的家庭责任，尤其需要抚养和照看孩子，中途退出劳动力市场，因此男性的工资支付结构会更真实地反映市场工资支付结构。
⑧ 本文计算出来的歧视程度高于先前一些研究结果（Ng，2004；姚先国、黄志岭，2008；葛玉好，2007），这是因为本文在Mincer工资方程中只控制了教育和工作经验，未控制与工作特征相关的变量。Blinder（1973）指出方程中控制的变量越多，性别差异可解释的部分就越大。至于在方程中该控制哪些变量才是适当的，文献对此并没有一个明确的共识，当然这也不是本文关注的重点，本文主要的工作是在控制相同变量的前提下，对比各教育水平下的歧视程度。
⑨ 由于分组的原因，有些组样本较少，因而本章只能采用Oaxaca- Blinder分解方法，而不能采用Brown等（1980）以考虑职业分割的影响。
⑩ 即假定女性拥有男性的工资支付结构时，其将获得的工资支付，表达式为
，工资方程中，控制的自变量包括工作经验、工作经验平方以及地区虚拟变量。
(11) 该变量的构造方法参考（Dougherty，2005）。
(12) 由于反映性别特征的虚拟变量与UE和性别与教育的交互项两个变量存在高度相关性，其与二者的相关系数分别－0.950和0.951，考虑到多重共线性问题，方程未包含性别虚拟变量。
(13) 本文发现自选模型估计出来的教育回报率高于OLS回归的结果，与李晓华（2007）和钟甫宁、刘华（2007）的研究结果相一致。
标签：回报率论文; 性别歧视论文; 工资结构论文; 样本容量论文; 统计模型论文; 群体行为论文; 解释变量论文; 投资论文;