教育会扩大流动人口收入差距吗？
于潇，陈世坤
(吉林大学 东北亚研究院，长春 130012)
摘 要： 以人力资本理论为基础，构建广义分位数回归模型(GQR)处理教育内生性问题，采用2015年全国流动人口动态监测调查数据实证分析了教育对流动人口收入差距的影响。研究表明：教育会扩大流动人口总体收入差距；城城流动人口教育回报率的收入分层呈现阶段性变化，教育对城城流动人口中高收入群体的增收作用大于中低收入群体；在乡城流动人口中则呈现相反的结果，教育回报率在低收入群体中更高，排除最高收入组，教育可以缩小乡城流动人口群体的组内收入差距。
关键词： 教育回报率；异质性；广义分位数回归；流动人口
一、引言
伴随改革开放程度不断加深以及社会主义市场经济体制的不断完善，在经济增长与政治体制改革双重作用下，户籍制度不断放松，流动人口群体孕育而生，并逐渐呈现大规模流动趋势。第六次全国人口普查中流动人口总量已超过2.2亿，与第五次全国人口普查相比，增长约1亿人。自2000年我国进入老龄化时代以来，地区适龄劳动人口规模增长逐渐放缓，总和生育率又长期徘徊于2.1的更替水平以下，流动人口便被某些地区视作劳动力的重要补充，由于其对地区税收、消费以及社保的贡献越来越明显，各地方政府也愈发重视对流动人口流动趋势的把握。《中国流动人口发展报告2017》显示，流动人口总量在2011—2017年间呈现先升后降趋势，2014年达到高峰2.53亿后开始逐年下降，这主要受益于户籍制度改革，使得有城市居住意愿的流动人口得以转为永久居民，但这也同时反应了流动人口内部存在社会分化的现实，并且最主要的分化便是收入差距，部分流动人口有足够的经济实力实现永久居住，从漂泊无根型转为落地生根型，而另外一部分则迫于收入原因，仍然只能以流动人口身份居住在不同地区或不断往返于户籍地与常住地之间，在漂泊无根型与落叶归根型之间摇摆不定。
众所周知，流动人口不仅是地区劳动力市场上必不可少的中坚力量，更是我国未来构建创新驱动、绿色增长，完成中国制造2025目标的生力军。一方面，利用微观计量经济方法对流动人口教育回报进行因果推断，明晰教育扩展的异质性始终是教育经济学与劳动经济学领域关注的焦点议题。流动人口的教育回报不但影响劳动力市场整体人力资本投资收益，而且会直接影响相关人力资本的投资决策，关乎劳动力整体素质提升，影响人力资本向更高梯度升级。另一方面，对于流动人口收入差距的探索必然要从其群体内部寻找原因，对于社会资本与物质资本相对稀缺的流动人口群体，以教育扩展为视角，有助于从人力资本角度对流动人口收入差距进行更为细致的理解与阐释。
2.1 内源性细菌的除去 SD大鼠40只，用普通饲料喂养1周。在大鼠饮用水中加入氨苄西林2.4 mg∕mL、链霉素0.5 mg∕mL，除去大鼠口腔内的内源性细菌，连续3 d。第3天用棉签取大鼠口腔唾液，接种在TPY固体培养基上，37℃厌氧培养48 h，观察口腔内细菌生长情况。实验大鼠从第3天开始至实验结束都喂养致龋饲料2000#。
人力资本理论认为，完全竞争市场条件下，收入差距源于人力资本差异，即使在劳动力市场分割条件下，人力资本也依然是收入差距的重要原因之一。人力资本同时兼具生产性功能与配置性功能，既是高收入的来源也是实现阶层跃升的工具。作为培养人力资本最主要的手段，教育不仅代表人力资本最重要的异质性特征，同时也代表了劳动力可能处于的社会阶层。然而，教育提高劳动生产率促进收入水平上升并不等同于改善收入差距。那么，教育是否能够影响流动人口的收入差距？在城乡二元体系中，教育对乡城流动人口与城城流动人口的收入差距的影响又是怎样的？对上述问题的探索性解答有助于理解流动人口群体的内部分化，加快流动人口市民化进程，促进乡村振兴和城乡一体化进程的实施，而且对拓展教育内涵以及构建社会主义和谐社会都具有重要的理论意义和现实意义。
大数据首先肯定会对数据的数量有一个基本的要求，体现在大数据上最关键的能力就是对数据采集发掘的能力，只有将所需要的数据深度、大范围的发掘、采集到才是“大”的直接体现。因此对大数据时代而言，最为直观就是计算机对于数据采集能力的大。
二、文献回顾
广义分位数回归(GQR和IV-GQR)由David Powell于2010年提出，后经修改，于2016年完成，其能妥善解决教育回报中的能力偏差问题[28]。GQR模型将自变量分为两类，一类是处理效应变量也称政策变量，另一类是控制变量也称协变量，区分政策变量和协变量可以将接受政策的低能力个体与不接受政策的高能力个体加以剥离，从而更精确的评估处理效应[29]。因此，GQR模型在克服能力偏差后，测度出的教育对异质性收入群体的无条件边际效应的差异便可说明教育是否能够造成流动人口群体内部的收入差距。GQR模型的数理基础来源于Chernozhukov and Hansen[30-32]，以下是模型理论部分：
第一类研究主要针对异质性群体的教育回报率及其变化趋势，这也是关于教育回报率研究最多的方向。关于异质性群体的划分主要基于户籍差异、性别差异与收入差异。基于城乡户籍差异划分了城镇居民群体与农村居民群体，基于本地外地户籍差异划分了本地人口群体和流动人口群体，基于收入差异则划分了高收入群体与低收入群体。总体结论是教育对我国居民收入有显著的正向影响，平均教育回报率的长期变化趋势是升高，但依然普遍偏低，始终没有超过10%。例如钱争鸣(2009)[1]计算出我国居民平均教育回报率在1989—2006年间由2.24%升至6.4%。李实和丁赛(2003)[2]研究发现我国城镇居民教育回报率从1990年的2.5%上升至1999年的8.4%。方超和罗英姿(2017)[3]测度出农村整体教育回报由 2007 年的3.8%上升到了2013年的7%。流动人口的教育回报率较平均教育回报率更低，并且乡城流动人口的平均教育回报率显著低于城城流动人口。马岩等(2012)[4]测算出我国城乡流动人口年平均教育回报率仅为2%，孙猛和许世存(2018)[5]的研究结果与马岩(2012)[4]的研究结果类似，但是考虑了地区经济因素对教育回报的调节作用，谭静等(2017)[6]的研究结果略高于马岩等(2012)[4]的结果，但是其样本仅限于北京、上海、广州等三个一线城市。有些研究中也将户籍差异与收入差异相结合进行教育回报的研究，如方超和黄斌(2017)[7]研究发现流动人口群体的教育回报率在低收入群体中为2.8%，在高收入群体中为2.2%，于潇和孙悦(2017)[8]研究发现乡城流动人口群体的平均教育回报普遍低于城城流动人口群体，这点与谭静等(2017)[6]的研究结论类似。更进一步的细分则是对上述群体的子群体教育回报进行研究，比较具有代表性的便是研究流动人口群体性别间的教育回报差异，但是对于男性和女性教育回报谁更高，不同研究所得结论并不一致。张兴祥和林迪珊(2014)[9]的研究表明教育对不同性别流动人口收入不存在显著性的影响，也就无法造成流动人口性别间的收入差异。周春芳和苏群(2018)[10]研究发现我国城镇劳动力市场中的性别工资差异在不断扩大，并且这种差异在乡城流动人口中尤为明显，截至2013年，乡城流动人口的性别工资差异已经超过城镇职工。
第二类研究主要针对不同教育扩展阶段的教育回报率及其变动趋势，尤其是对高等教育的变动趋势以及接受高等教育与非高等教育后的教育回报率的对比，关于高等教育回报率与非高等教育回报率孰低孰高则没有达成一致结论。Heckman和李雪松(2004)[11]计算出六省城镇青年大学教育的平均回报率为43%，简必希和宁光杰(2013)[12]的研究表明我国在1997—2006年的十年间各教育阶段的平均教育回报率均有显著提高，高中毕业生的教育回报高于大学毕业生，马岩等(2012)[4]发现流动人口初中、高中及以上的教育回报率高于小学及以下的教育回报，马银坡等(2018)[13]对2013—2015年流动人口群体进行研究后，认为教育程度提高后，流动范围越广的个体，就业收入会越高，即受过高等教育的跨省流动人口教育回报高于非高等教育的省内流动人口。
第三类主要是研究政策对教育回报率的影响，典型的研究是高校扩招以及义务教育法对教育回报率的影响。例如邢春冰和李实(2011)[14]利用第五次全国人口普查数据和2005年全国1%人口抽样数据，得出高校扩招使东部地区、城镇家庭的回报率较高，而使得西部地区、农村家庭、少数民族的女性回报较低。刘生龙等(2016)[15]研究发现1986年开始实施的义务教育法有助于提高个体受教育年限及教育回报率。类似研究还有刘生龙和胡鞍钢(2019)[16]，许玲丽等(2012)[17]、邢春冰(2014)[18]、刘生龙和胡鞍钢(2018)[19]、常进雄等(2018)[20]。由于政策法规是对总体适用的，所以并没有相关文献单独讨论高校扩招和义务教育法对流动人口群体教育回报的影响。
在教育-收入关系的基础上，学者们进一步将教育回报率与收入差距相联系，完成了教育-收入-收入差距的延伸。研究教育回报率是否影响收入差距实际是要说明教育回报率在不同收入群体间存在差异。如果教育回报率存在收入分层差异，即高收入群体教育回报率高于低收入群体，则表明教育会扩大收入差距，反之则反是。因此，对该问题的探索主要是对第一类研究的拓展。由于要划分出收入的异质性群体，所以，研究方法普遍选用分位数回归模型，但研究结论却莫衷一是。谭江蓉(2016)[21]通过对全国流动人口数据的分析发现教育回报率的收入分层差异体现为“W型”，最高收入组的教育回报高于最低收入组，教育会扩大收入差距。方超和黄斌(2017)[7]虽然采用CHIP2013的数据得出了与谭江蓉(2016)[21]“W”型相类似的教育回报趋势，但是最高收入组的教育回报低于最低收入组，表明教育会缩小收入差距。郑猛(2017)[22]基于云南省流动人口的研究结论与谭江蓉(2016)[21]相同，表明教育扩展会扩大收入差距，但教育回报的收入分层差异体现为“U型”。杨娟和赵心慧(2018)[23]从教育的价格效应和结构效应入手，也得出了教育扩展会扩大流动人口收入差距的结论。但是上述文章除方超和黄斌(2017)[7]外均忽略了这样一个事实，即个人能力对教育扩展以及工作收入都是有影响的。在估计教育回报率时必须考虑教育变量的内生性问题，也称能力偏差。另外，使用条件分位数回归模型所得结论并不能说明教育与收入之间的因果关系也就无法表明会造成收入差距，原因在于条件分布的低点在无条件分布中可能处于高点[24]。因此，只有在克服能力偏差后，测度出教育对异质性收入群体的无条件边际效应的差异才能从理论意义上证明教育对收入差距的因果影响，而现有文献中并没有提供这类结果。那么，教育对流动人口收入差距的影响到底是怎样的？
本文贡献在于：第一，采用广义分位数回归模型(GQR、IV-GQR)在工具变量框架下考察教育对流动人口收入的无条件边际效应。该模型主要有两个优点：首先可以进行教育回报的无条件分位数的估计，这一点条件分位数回归模型(CQR和IVQR)无法满足，其次可以采用工具变量在无条件分位数框架下进行估计，这一点现有的RIF回归无法满足。综合上述两点，此时教育回报率的收入分层差异便可以表明教育是否改变收入差距。目前国内鲜有文献采用此方法进行这类研究。第二，鉴于流动人口群体普遍存在集聚现象，具有相似生活背景的人交往更加密切，这也造成流动人口的参照系多为“朋友圈”，因此本文也从城乡户籍的二元结构视角将流动人口群体分为乡城流动人口与城城流动人口，然后分析这两组群体中教育扩展对收入差距的影响。
三、估计方法
(一)条件分位数回归模型
自从Koenker and Bassett(1978)[25]提出条件分位数回归模型(QR)以来，因其可以考察自变量对于因变量在扰动项的不同分位点上的影响而广受青睐，但其经济学解释有时基于过多不必要但不能随便删除的个体特征，否则由于遗漏变量，会导致估计的参数有偏或不一致。然而，对于教育政策的制定者而言，有时仅想了解受教育程度对于个人收入的一般边际影响而无论个体的工作经验以及其他特征如何，此时便要应用无条件分位数回归模型。
(二)无条件分位数回归模型
无条件分位数(UQR)方法对QR方法进行了弥补，其中比较有代表性的是Firpo et al.(2009) [26]、Frolich & Melly(2013) [27]等人的工作。前者通过构造再中心化函数(RIF)解决了外生变量的无条件分位数处理效应，但是所有自变量都被当做控制变量，并没有考虑受教育年限的个体差异，而后者的分位数处理效应仅针对二元处理变量。所以上述两种方法也并未能解决能力偏差的问题，而在教育回报率的研究中，个人能力(1) 个人能力指个人的先天能力并且不随时间变化，通常情况下，能力与个人受教育程度和个人收入都是相关的，如果将能力放在扰动项中，不采用代理变量法、工具变量法或固定效应法而直接进行回归分析，则会因内生性产生估计偏误。国外研究中常采用IQ等指标作为能力的代理变量，而应用工具变量法进行估计则是最普遍的做法，工具变量的选择也是教育回报率研究中的闪光点之一，解决能力偏差问题也就是解决内生性问题。 对于受教育程度与个人收入是有影响的，这也是教育变量内生性的来源。
(三)广义分位数回归模型
教育与收入之间的关系一般以教育回报率衡量，在近20年间，对它的研究一直是教育经济学与劳动经济学等诸多领域的热点，教育回报率显著为正并且持续上升的趋势得到了广泛的实证研究支持。在此基础上，相关学者进一步将教育回报与收入差距相联系，旨在从教育扩展角度理解收入差距的形成及影响。本文沿袭这一研究思路，以教育-收入-收入差距这一思路进行文献回顾。随着我国微观调查数据库的建立和完善，国内学者对教育-收入之间的数量关系进行了不断深入的研究，主要分为三类：
假设1：
1A 潜在因变量和单调性：
在τ 中是递增的；
1B 条件独立(Conditional Independence)：对于所有
5.1.1 The experience of crop planting and sustainable use of soil resources with highland barley as core
1C 样本选择(Selection)：D =ω (Z ,X ,V ),ω 为未知函数，V 为随机向量；
1D 排序相似性(Rank Similarity)：对于所有
生态环境治理，需要资金、技术和人才，可对农村尤其是经济欠发达地区的农村来说，这些必备条件看上去样样不足。《行动计划》的目标任务如何确保实现？苏克敬表示，《行动计划》制定了六大保障措施，包括加强组织领导、完善经济政策、加强村民自治、培育市场主体、加大投入力度、强化监督工作等方面。比如，完善经济政策，就包括了深入推进农业水价综合改革、建立污水垃圾处理农户缴费制度等。
1E 可观测到的随机向量：Y D ，D ,X ,Z 。
在假设1A和1B中， 表示处理效应变量取不同值时的潜在因变量(potential outcome)，反事实分布中需要对其进行估计。假设1A中，Y d 是政策变量d 与结构误差项
的函数(2) 
为协变量，U d 为条件分位数模型中的结构误差项，λ d (·)表示函数关系。。对协变量X 而言不要求外生于
与X 没有明确的函数关系。假设1C中，类似于选择方程，起到纠正选择偏差的作用，并且当V 和相关时，可采用工具变量法进行参数估计。假设1D中，允许个体在收入分布中的排序基于处理效应变量而变化。基于假设1，有如下定理1：
定理1：在假设1成立的条件下，对于每一个τ
(0,1)，
P [Y ≤q (D ,τ )∣X ,Z ]=P [Y ≤q (D ,τ )∣X ]
(1)
P [Y ≤q (D ,τ )]=τ
(2)
方程(2)也可以被写成
E {P [Y ≤q (D ,τ )∣X ]} =τ
方程(2)主要表明，平均来说，Y ≤q (D ,τ )的无条件概率是τ ，或者可以解释为Y ≤q (D ,τ )的概率基于协变量而变化，但是平均等于τ 。定理1中以协变量X 为条件的含义是对于协变量X，条件概率P [Y ≤q (D ,τ )∣X ,Z ]的值不必是固定不变的。
根据定理1可得如下推论1：
推论1：在假设1成立的条件下，对于每一个τ(0,1)，
E {Z [1(Y ≤q (D ,τ ))-P [Y ≤q (D ,τ )∣X ]]}=0
(3)
E [1(Y ≤q (D ,τ ))-τ ]=0
(4)
假设2：
2A：线性分位数(Linear Quantiles)：对于所有d ，都有
2B：条件概率函数
不过那是两月前的事了。两月前一朵换了岗位，从那时开始，两人的牌局进展得没那么顺畅了。一朵变得忸怩起来，总是借口加班，说财务方面自己不熟悉，要学的地方太多。每天满脑子都是数字，一点打牌的心情也没有。
David Powell引入Chernozhukov & Hansen(2013)[32]中的结构分位数方程推导出GQR模型。通过d值和U *～U (0,1)，在给定政策变量情况下，SQF定义了潜在因变量的分位数函数，即Y d =d ′β (U *)。这个式子假定Y d 与d 的数量关系是U *决定的。在本文中，U *代表了个体的控制变量，Y d 为潜在收入，d 为受教育年限，表明收入与受教育年限的关系，即教育回报率是依据个体特征而变化的，从而起到纠正自选择偏差的作用。在给定政策变量与协变量的情况下，SQF计算了因变量分位数的同时产生相应的反事实分布，协变量 在估计SQF方程中十分有用，但并不直接进入SQF。
在假设2下，GQR的样本矩条件如下：
(5)
(6)
在估计δ(τ)时，采用极大似然估计法：
(7)
5.教育对乡城组流动人口收入差距的影响具有复杂性。乡城流动人口样本中，GQR模型与GQR-IV-1模型所估计的教育回报率均随着收入升高呈现N型变化，纠正能力偏差后最高教育回报率(17.8%)出现在最高收入组，最低教育回报率(5.2%)则出现在中等收入群体中，最高与最低相差12.6%。中高收入组(q50和q70)回报率基本一致，但都低于低收入组(q10和q30)，表明教育对乡城低收入流动人口群体的回报更高，教育可以缩小乡城流动人口群体的中高收入组与低收入组的收入差距，但是无法缩小与最高收入群体的收入差距。
3.工具变量广义分位数回归GQR-IV-1显示教育会扩大流动人口收入差距。估计结果是在解决内生性问题的基础上计算的，结果表明，各分位点的系数明显呈现单调递增的变化趋势，教育回报率随着收入水平的提高而上升，教育回报率的最低点出现在收入最低10%的流动人口中，教育回报率为4.6%，最高点则出现在收入最高10%的流动人口中，教育回报率为11.9%，最高点与最低点相差7.3%，表明教育会扩大流动人口的收入差距。一方面，教育产生的人力资本累积效应不断扩大收入分布两端的最低、最高收入群体的组间工资差距。另一方面，教育回报产生的马太效应也说明相对于高收入群体，低收入群体进行教育投资的动力可能是不足的，因为可预期的教育回报率并不能够升高到弥补收入差距。但是从10%最低收入群体的教育回报率数值看，4.6%仍高于一般一年期投资收益，这种教育投资也是值得的。在GQR-IV-1模型中，教育回报率单调递增的变化趋势是区别于GQR模型的“M”型变化趋势的，更显著区别于QR模型与IVQR模型的估计结果，这也说明了我国的教育会导致不同流动人口收入群体之间出现收入差距扩大的事实。
h i (b ，δ )≡
本文列出了标准分位数回归模型(QR)、工具变量标准分位数模型(IVQR)、广义分位数回归模型(GQR)与工具变量一般分位数模型(GQR-IV)对不同收入人群教育回报率的估计结果，如表4所示：
则广义矩估计的表达式如下：
完善的体制是建筑施工企业成本管控工作有效开展的重要保障，对此，广大建筑施工企业必须尽快结合自身发展情况对成本管控体制进行完善。在具体实施的过程中，除了要做好事中控制外，还要加强事前预测和事后分析，对成本编制、资金使用、财务收支以及施工中产生的数据进行严格的把关，及时发现并解决遇到的问题，最大程度的控制成本的不合理消耗，实现对成本的有效管控。
四、数据来源和变量说明
(一)数据来源
本文数据来自于“2015年全国流动人口卫生计生动态监测调查”，该调查始于2009年，最初仅在北京、上海、深圳、太原、成都等五城市开展流动人口动态监测试点工作。发展至2015年，该调查的取样范围涵盖全国31个省市自治区直辖市，433个监测网点，内容主要涉及流动人口生存发展状况、迁移特征、就业收入等，调查目标总体为全国在调查时点前一个月来到本地居住、非本区(县、市)户口且2015年5月年龄在15周岁及以上的流入人口，军人和学生不属于调查对象，总调查样本量为20.6万，扣除新疆建设兵团的调查个体，总样本量为20.4万。
(二)变量说明
1.因变量与自变量
如图5(c)所示,设网络中包含50个节点,那么网络的拓扑状态信息包含在50×50像素的灰度图像内,状态图中每个像素点代表节点对间的链路,像素颜色深浅对应该链路的连接总时长,黑色表示0,白色表示切片时长T,灰色是时长在0～T之间的一个值.
本文变量分为因变量与自变量两类，自变量又分为政策变量(核心解释变量)和协变量两类，针对能力偏差(内生性问题)，政策变量又有其相对应的工具变量。因变量为流动人口个人月收入的对数值，个人月收入是个人每月现金收入以及单位包吃、包住所折算的货币收入总和。政策变量为个人受教育年限，将未上过学、小学、初中、高中/中专、大专、本科和硕士研究生及以上分别赋值为0年、6年、9年、12年、15年、16年以及19年。协变量主要依据生命周期假说、人力资本理论以及劳动力市场分割理论进行选择，分为四大类，即人力资本指标、制度约束指标、生命周期指标以及人口特征指标。人力资本指标中除受教育年限为政策变量外，在外流动时间和本地滞留时间均为协变量；制度约束指标主要为户籍性质与现居住地情况；生命周期指标中主要依据“倒U型”特征而纳入流动人口年龄与年龄平方项，保留年龄在60岁(含)以下的男性样本以及50岁(含)以下的女性样本；人口特征指标主要包括婚姻状况、性别和代别等变量。
2.工具变量
在教育回报率的研究中，由于扰动项中存在与受教育程度相关的不可观测的个体能力，造成估计系数有偏或不一致，因此解决内生性问题十分关键。解决方法主要有代理变量法、工具变量法和固定效应法。代理变量法需要寻找“个人能力”的代理变量，固定效应法通常需要双胞胎数据，借以控制基因差异和家庭背景等体现个人能力的因素[33]，而各国微观数据集大多不满足上述要求，故普遍采用工具变量法进行估计。
在我国，受教育程度的工具变量选择空间有限，吴要武(2010)[34]使用“全国1%人口抽样调查”数据，发现出生季度虽然在美国是弱工具变量，但是在中国，出生季度却是个强工具变量，原因是能够进入高中阶段继续学习的人数占队列人口总数的50%以下，所以出生季度对教育变异的影响很大。但是Bound and Jaeger(1996)[35]却提出质疑，因为从社会生物学与精神生物学的角度而言，出生季度与家庭背景是相关的，而家庭背景与能力又有着千丝万缕的联系。郭冬梅等(2014)[36]采用“2006 年中国健康与营养调查数据”，发现配偶的受教育年限是本人受教育年限的强工具变量，而个体的出生季度则是弱工具变量。通常认为配偶的受教育年限与本人的受教育年限是相关的，并且与本人能力关系不大，因此配偶受教育年限是合适的工具变量。同时，在流动人口群体中，已婚者占比接近80%，能够形成对总体的代表性。总之，在经济学界，寻找个体受教育年限的工具变量依然是一个比较活跃的课题，至今没有一个受教育年限的工具变量是完美的。
结合上述国内外文献以及本文数据，选定配偶受教育年限(IV-1)、出生在第四季度(IV-2)、出生在前三季度(IV-3)、出生在第四季度与配偶受教育年限(IV-4)、出生在前三个季度与配偶受教育年限(IV-5)等五种变量作为本文所使用的工具变量(3) 本文所用数据中，父母的受教育程度完整填写的只占总样本量的1/6，缺失值较多，另外父母的受教育程度被认为与个人能力密切相关，所以本文不将父母的受教育年限作为工具变量。 。变量的描述性统计见表1和表2：
表 1变量说明
资料来源：采用2015年全国流动人口动态监测数据整理所得。
表 2城城流动人口与乡城流动人口的描述性统计
注：数据来源为2015年中国流动人口动态监测数据，经过数据处理后，乡城流动人口样本容量为143619，城城流动人口样本容量为24363；T检验表示乡城流动人口与城城流动人口的比较结果。
表2中显示，城城流动人口的月收入均值为5192.00元，而乡城流动人口的月收入均值为4060.40元，显著低于城城流动人口。人力资本积累中，城城流动人口的平均受教育年限为12.62年，相应配偶受教育年限为11.98年，双方基本具备高中/中职的文化水平，而乡城流动人口的平均受教育年限为9.57年，配偶受教育年限为9.19年，基本仅具有初中文化水平。无论是城城流动人口还是乡城流动人口，本人与配偶之间的受教育程度均是高度相关的，但是配偶平均受教育年限小于本人受教育年限，反映出在现今时代背景下，大多数流动人口的择偶观是找到学历稍低于自己的伴侣。年龄方面，城城流动人口要略高于乡城流动人口，这可能是城城流动人口受教育时间较长导致流出时间较晚造成的，而在外流动时间略低于后者，本地滞留时间却略高于后者的情况则表明城城流动人口的流动意愿比乡城流动人口流动意愿低。城城流动人口人力资本丰厚，更易于获得城市劳动力市场的青睐，从而使得在当地居住时间延长，最后转为迁移并定居在当地。总之，城城流动人口与乡城流动人口属于两类具有差异性的人口群体，城城流动人口的月收入显著高于乡城流动人口，其本人和配偶的受教育年限高度相关，前者的人力资本积累相对后者也更加丰厚，但城城流动人口的流动意愿相对乡城流动人口低。
五、实证结果
(一)结合GQR模型的Mincer方程参数估计
国际上估计教育回报率主要采用Mincer方程，包括标准Mincer方程形式(式8)和扩展Mincer方程形式(式9)两种，本文结合GQR模型，采用改进Mincer方程形式(式10)，设定如下：
推荐理由:在《老照片》陆续出版20年之余，编辑了这套温情系列图书。其中有些文章从已刊《老照片》中精心挑选适合青少年读者阅读的温暖篇章，文字质朴平实，感情自然真挚。还有一些文章，按照《老照片》的一贯格调，另约稿、辑录了众多名家的作品。冀望与更多的青少年读者一起成长，通过共同翻看《老照片》，开阔阅读视野，增长人生阅历，增添人文情怀。
(8)
(9)
S LnY (τ ︳d )
控制孕妈妈的体重增加速度首先控制饮食，也就是控制营养的摄入。说到营养，首先要控制的就是能量摄入，能量不是营养素，但营养素为人体提供能量，所以控制住总能量就等于控制住了总营养素。但是能量是看不见摸不着的东西，怎么才能知道能量是不是够呢？其实很简单：看体重！
(10)
4.教育会显著扩大城城组流动人口的收入差距，对高收入群体的增收作用大于中低收入群体。城城流动人口样本中，如表5所示，GQR模型所估计的教育回报率随着收入升高呈现M型变化，教育回报率的最高值出现在较高收入群体中，最低值出现在中等收入群体中，最高与最低相差7.4%，教育明显拉大中等收入与较高收入群体的收入差距。采用工具变量估计后，教育回报率依旧呈现M型变化，估计结果具有一定的稳健性，但是最高值与最低值扩大至11.2%，教育对最低收入人群的作用也不再显著，这是由于在最低收入群体中餐饮、保洁及商业服务人员占比高(48.93%)导致的，这类中低端劳动力市场对城市劳动力受教育年限的要求并不高，导致教育的要素报酬效应并不能充分发挥。总体而言，教育对高收入群体的增收作用大于中低收入群体，教育会扩大城城流动人口群体的收入差距。
(二)工具变量有效性与弱工具变量检验
识别工具变量有效性过程中， IV-3、IV-4、IV-5等三种情况为过度识别情况，只要使用最优GMM方法估计模型的参数，就可以对过度识别模型中工具变量的有效性进行检验，通常应用Hansen检验，也称过度识别约束(OIR)检验进行处理。IV-1与IV-2两种情况为恰好识别情况，无法判断工具变量的有效性，通常只根据理论进行分析。
排除无效工具变量后，进行弱工具变量检验，关于弱工具变量的正式检验广泛采用的是Stock & Yogo(2005)[37]的方法，但是该方法要求回归误差服从高斯分布并且为独立同分布，因此本文采取Pflueger.et.al(2015)[38]的方法进行弱工具变量检验，该方法可以在异方差与序列相关的条件下判断工具变量的强弱。检验结果如表3所示：
表 3工具变量有效性与强弱性检验
检验结果表明，在过度识别模型中，IV-5中至少存有一个无效的工具变量，IV-3、IV-4均是有效的工具变量，但是IV-3的P值与10%的显著性水平较接近，应谨慎对待其估计结果。采用Pflueger.et.al(2015)[38]的方法判断出IV-2为弱工具变量，后文也无需对其进行IV-GQR估计，因此实际中仅采用IV-1、IV-3、IV-4作为工具变量。
(三)教育回报率的收入分层差异
上式最后一项是方程(7)所反映的最大似然函数的得分，f (·)代表概率密度函数。h i 样本矩定义如下：
1.标准分位数回归模型QR中，教育回报率并未随着收入分位点的提高而发生明显变化。q10表示收入的10%分位点，q90表示收入的90%分位点，教育回报率相等，均为0.032，而q30、q50、q70的回归系数相差无几，为0.026～0.028之间，教育回报率的收入分层并不明显，教育并不能显著扩大收入差距。使用配偶受教育年限作为工具变量的IVQR模型估计结果略高于QR模型，但趋势十分相似。如果仅凭QR模型与IVQR模型则表明教育在不同收入群体间的回报率基本相同，但是这两个模型中的收入分布为条件收入分布而不是无条件收入分布，条件收入分布的低点可能在无条件收入分布中处于高点，而要想说明教育回报率的收入分层差异，则要使用无条件分位数回归的方法。
表 4流动人口总体教育回报率的收入分层估计
注：***、**、*分别代表在1%、5%、10%的显著性水平下显著；表中所有系数均是教育回报率的系数，括号中为相应分位点系数的标准误；q10表示收入的10%分位点，q30等依次类推。
2.广义分位数回归模型GQR中，教育回报率呈现M型趋势。q30与q70的教育回报率高于其他分位点的教育回报率，q10为0.016表明受教育年限每提高1年，劳动收入提高1.6%，即教育回报率为1.6%，为五个分位点中的最低点，而教育回报率的最高点出现在q70处，教育回报率为17.2%，教育回报率的最低点与最高点之间相差15.6%。该项估计结果与QR、IVQR模型估计结果明显不同，呈现有升有降的“M”型变化趋势，这个结果也与谭江蓉(2016)和方超、黄斌(2017)的“W”型结论完全不一样。原因在于上述学者研究中采用的是条件分位数模型的回归方法，估计结果并不能表示教育对收入的无条件边际影响。另外，教育回报率反映劳动力市场对教育人才需求的状况，在低收入劳动力市场中，其所从事的工作对教育年限应该是不敏感的，即多一年或者少一年并不影响对于该项工作的胜任能力，这样多增加一年的教育年限对收入的影响便有限，教育回报率是较小的。而对于中高收入群体，其所从事工作的技能门槛较高，多增加一年的教育可能带来知识或者技能的质的飞跃，从而提升收入，使得教育回报大幅增高，所以从计量理论与经济理论分析，“M”型要比“W”型更符合现实状况。
在安装管线后，投用仪表前，应使用试漏液对各个管线接头处试漏，氮气吹扫管线如果漏气，空气中的氧气会对测量值造成干扰。
地基沉降主要是指地基表面下沉的状况，导致其发生的主要原因就是在地基土层上部施加了过多的附加应力，从而导致土壤进一步被压密。一般的地基基础下沉不会产生很大的安全问题，但是过大的地面沉降就会严重威胁人们的安全，同时还会导致建筑物无法使用，导致经济损失[1]。
工具变量广义分位数回归GQR-IV-3中采用出生在第一季度、出生在第二季度、出生在第三季度等三个虚拟变量作为个体受教育年限的工具变量，教育回报率基本呈现单调下降的趋势，但教育回报率的系数明显不符合经济学意义，最高教育回报率高达2500%，正如前文中所指出的一样，虽然工具变量通过了有效性与强弱性的检验，但是其与临界值非常接近，所以仍应十分谨慎，模型结果也印证了当初的猜测，并且受教育年限为连续型随机变量，退一步说，也是多元变量，以二元变量代替多元变量的过程会损失许多有用的个体信息，基于此，也应从经济理论和统计检验等多方面考虑后才能够谨慎应用。
工具变量广义分位数回归GQR-IV-4中采用配偶受教育年限和个体出生在第四季度作为工具变量，与GQR-IV-1模型相比，多加入了个体的出生季度，结果显示除收入中位数群体的教育回报率有所差异外，其余群体的教育回报率并无较大差别，依旧是高分位点的教育回报率大于低分位点的教育回报率，教育扩大了不同收入人群的收入差异，对高收入人群的增收效果更加显著。由前文可知，乡城流动人口与城城流动人口具有二元体制的结构性差异，因此下文对这两组人群的教育回报分别估计。
表 5城城流动人口与乡城流动人口教育回报率异质性的估计
注：***、**、*分别代表在1%、5%、10%的显著性水平下显著；表中所有系数均是教育回报率的系数，括号中为相应分位点系数的标准误 。
式(10)中，S LnY (τ ︳d )代表个人总收入的对数值的结构分位数函数SQF，edu 代表个人受教育年限，
为协变量并不直接进入SQF，是个体异质性的来源之一，Ud为条件分位数模型中的结构误差项， λd(·)表示函数关系。式(10)是GQR模型估计教育回报率的线性形式，其可以基于个体异质性判断教育回报率异质性，系数β 即表示收入的无条件分位数下的教育回报率，系数β 的变化表示不同收入人群的教育回报率的变化，从而说明教育对各收入群体收入差异的异质性影响。下文首先判断工具变量的有效性与强弱性，然后在QR、IVQR、GQR与IV-GQR的框架体系下计算教育回报率。
其中系数b 不一定等于真实处理效应的系数β (τ )，会针对不同的参数b 估计δ (b ，τ )，方程(7)暗含一个二元选择模型，即
采用广义矩估计(GMM)方法对GQR估计量进行估计，矩条件由如下向量构成：
六、结论与讨论
本文使用2015年全国流动人口动态监测调查数据，采用广义分位数回归(GQR)与工具变量广义分位数回归(IV-GQR)方法，在应用工具变量解决内生性问题的基础上对流动人口总体、乡城流动人口以及城城流动人口等不同收入群体的教育回报率进行了估计，籍以说明教育对流动人口收入差距的影响。研究发现：
第一，城城流动人口与乡城流动人口属于两类差异性明显的群体，城城流动人口的月收入显著高于乡城流动人口，本人和配偶的受教育年限高度相关，配偶受教育年限是个体受教育程度的强工具变量，而本人出生季度是弱工具变量，城城组流动人口的人力资本积累相对乡城组更加丰厚，但流动意愿较乡城组流动人口低。
“电子商务概论”涉及计算机、法律、商务管理、物流、市场营销等方面，知识面广且不深入。目前，教师多是以传统的讲授方式上课，按部就班地为学生介绍，不能将理论教学和实践教学有机地相结合，也不能最大限度地调动学生的学习积极性，更无法培养学生的创新意识和创新能力。
第二，教育对不同收入人群均有正向回报率，但不同收入人群的教育回报率呈现明显的差异化特征，即教育回报率存在收入分层差异。纠正能力偏差后，教育回报率呈现马太效应，即越富有的人，教育回报率越高，教育会不断扩大流动人口总体的收入差距。城城流动人口教育回报率的收入分层呈现阶段性变化，教育对城城流动人口的高收入群体的增收作用大于中低收入群体，在乡城流动人口中则呈现相反的结果，教育对于低收入群体的回报更高，排除最高收入组，教育可以缩小乡城流动人口群体的组内收入差距。
第三，低收入乡城组流动人口的教育回报率大于相应分位点城城组流动人口的教育回报率。这可由企业用人的筛选机制与教育的社会化理论进行解释。实际生活中，收入低的劳动者多从事餐饮、保洁等服务性行业，对于经营者而言，更注重劳动力吃苦耐劳等个人特质而不是其认知技能，因此具备基本教育水平的乡城组流动人口更受青睐。
第四，中等收入和较高收入城城组流动人口的教育回报率大于相同收入分位点乡城组流动人口的教育回报率。这主要是由于技能偏向型技术进步导致的，在中等收入和较高收入城城组中，高等教育学历人员占比较高，生产率提高会引致企业对这类高学历技术型劳动力的需求增长，由此产生技能溢价、教育回报率提高，进而引发劳动力收入出现结构性变化。
通过对比城城流动人口与乡城流动人口的研究结果可知，教育回报率在两类群体间具有结构性差异，城城流动人口教育回报率的收入分层呈现阶段性变化，教育的要素报酬效应在城城流动人口的中高收入群体中更能发挥作用，教育对城城流动人口的高收入群体的增收作用大于中低收入群体，教育会扩大群体的收入差距。而在乡城流动人口中则呈现相反的结果，教育对于低收入群体的回报更高，排除最高收入组，教育可以缩小乡城流动人口群体的组内收入差距。
值得注意的有两点， 第一，最低收入乡城组流动人口的教育回报率大于对相应分位点城城组流动人口的教育回报率。一方面，乡城流动人口与城城流动人口是存在数量性差异的。在城市劳动力市场，乡城流动人口数量庞大，约占整个流动人口的85%，企业用人时筛选成本高昂，一般会依据乡城流动人口的教育水平进行初步筛选，更愿意雇佣具有一定教育水平的农村劳动力加以培训，这样可以缩减培训成本，教育在其中起到表征个人基本能力的信号功能。另一方面，与人力资本理论不同，教育的社会化理论认为某些职业所要求的认知技能水平并不高，雇主更重视劳动者是否具有合适的个性品质等非认知技能，比如是否吃苦耐劳、是否遵守规范。乡城组低收入人口中，44.28%的流动人口从事餐饮家政等服务，非认知技能在工作中的重要性要高于认知技能水平，乡城组人口在吃苦耐劳方面具有优势，因此与城城组流动人口相比，餐饮家政等服务业企业可能更愿意雇佣具有基本教育水平的农村劳动力。
电子信息系统控制要求运用电子信息技术手段建立控制系统，减少和消除内部人为控制的影响，确保内部控制的有效实施，同时要加强对电子信息系统开发与维护、数据输入与输出、文件储存与保管、网络安全等方面的控制。
第二，中等收入和较高收入城城组流动人口的教育回报率大于相同收入分位点乡城组流动人口的教育回报率。这是因为我国劳动生产率是伴随技术进步而不断提高的，通常学历与技能高低是有密切联系的，接受高等教育的劳动力相对于未接受高等教育的劳动力更容易掌握先进技术，技能偏向型技术进步会增加高学历、高技能型劳动力相对于低学历、低技能型劳动力的边际产出。因此，生产率提高引致企业对技术型劳动力的需求增长，由此产生技能溢价、教育回报率提高，劳动力收入便出现结构性变化，即组间教育回报率、工资差距逐步扩大。乡城流动人口中等收入和较高收入组别仍以高中及以下学历人员为主，占比始终保持在91%至92%之间，职业多为生产建筑安装类，占比始终保持在30%以上，而与之相比，城城组流动人口中，较高收入和最高收入组高中学历及以下人员仅占40%～60%，大专及以上学历占比在40%～50%之间，本科学历占比维持在20%～30%之间，这种受教育程度上的优势一方面会转变成相应的人力资本，另一方面增加劳动力吸收新知识的能力，二者结合使劳动力素质不断提高，逐渐过渡为各种技能型人才，这一过程中技术进步更偏向高技能劳动力，即技术进步对城城组高学历流动人口的劳动生产率提升更有效，进而导致教育对中等、较高收入城城组流动人口的增收效应高于乡城组流动人口。
教育造成的流动人口收入差距应该如何看待？这种收入差距何时能够缩小？库兹涅茨和陈宗胜分别在私有制和公有制经济体制基础上得出了收入分配的“倒U”理论，认为前工业文明向工业文明过渡的经济增长早期阶段，收入差距会迅速扩大，短暂稳定后，经济增长后期阶段会逐渐缩小。在经济发展的初级阶段，传统农业经济占主导地位，经济中的产业、行业、专业、职业具有简单化和单一化特点，所需求的劳动力具有同质性，劳动生产率差别较小。因此，劳动力技能差别决定的收入差距也必定较低，但是随着经济中第二、三产业的发展，多数经济活动越来越以信息技术作为基础驱动力，劳动力需求随之多样化和复杂化，劳动力的异质性需求也突出表现为对高技能型劳动力需求的日益增多，而仅具有初级、次级教育程度的体力劳动者受自身教育程度以及知识技能的影响，劳动生产率必然低于受教育程度较高的技能型劳动力。因此，教育所造成的收入差距必然会逐步扩大，即我国流动人口因教育程度不同而导致收入差距不断扩大的现象便属于此阶段，但这是经济发展过程中的正常现象，是劳动力市场对人力资本升级和劳动力结构不断调整与优化的客观反应。
进一步分析，除劳动生产率外，不同发展阶段上的产业构成、日益细化的专业分工和不断改革的教育体制造成的对技能型劳动力的供需变化亦会改变流动人口间的收入差距。在经济发展的起步阶段，经济中存在劳动力过剩，技能型劳动力的绝对数量和需求均较少，劳动力间的收入差距较为平均，劳动力供求状况对收入差距也不会有较大影响。在经济加速发展阶段，工业化水平持续提高会加速各产业、各行业走纵向专业化发展道路，熟练劳动力和高技能型劳动力需求增加，但教育扩展仍然受较低经济水平制约，人才匮乏，高技能型劳动力由于供不应求会获得高技能溢价，而低技能劳动力仍处于过剩状态，收入不变，因此收入差距会因劳动供求状况的影响而渐趋增大。在后工业化时期，经济发展达到更高阶段，一方面技术扩散会平抑各行业、各产业间的劳动生产率差异，另一方面由于经济发展水平提高，高等教育门槛下降，劳动力整体向高阶人力资本梯度迈进，技能培训更加普遍化，高技能劳动力供给逐渐增加，短缺现象得以缓解，加之老龄化以及低生育率导致适龄劳动力数量不断降低，由此低技能型劳动力与高技能型劳动力的供求重新平衡会促使收入差距呈现不断收敛的态势。因此，在工业化和城市化进程中，流动人口收入差距的缩小要结合劳动生产率、劳动供需和教育扩展三方面，统筹结合，尤其要改善流动人口的教育扩展状况，增加该群体的教育培训年限和质量，间接增加技能型劳动力的输出，虽然短期内这一过程不可避免造成收入差距的扩大，但从长期看，不但有利于人力资本的梯度升级也有利于收入差距的缩小。
对于我国来说，本文有如下的政策含义和启示：第一，教育回报率存在收入分层差异，流动人口不同收入群体间所表现出教育回报率递增的马太效应说明了教育在逐渐增大流动人口总体的收入差距。但目前我国仍处于并将长期处于社会主义初级阶段的基本国情没有变，社会生产力仍需要各项专业人才去发展，政府在鼓励各收入阶层接受教育的同时应适当向低收入流动群体倾斜，并不断完善收入分配机制。第二，乡城组与城城组流动人口的构成以及教育回报率的结构性差异暗含着户籍制度对于乡村人力资本积累的负面影响。由于城市偏向型政策，乡村在教育基础设施建设等方面的落后往往会导致农村户籍学生的人力资本累积不足、就业质量较城市低。第三，党的十九大提出乡村振兴战略，农村人力资本储备是乡村振兴的基石。然而，研究表明，乡城组面临高等教育人才储备不足的状况，城城流动人口较高收入组劳动力中，受过高等教育的人数比例较高，而在农村劳动力中绝大部分人口则处于高中学历以下，初中学历为主的状态，并且在城市劳动力市场中，乡城组中等收入和较高收入组教育回报明显低于城城组流动人口，长此以往，农村户籍群体对教育投资的积极性会不足。这就要求未来一段时间必须转变农村教育内涵与提升农村教育质量，改善农村基础教育薄弱引发的人力资本投资积极性降低、受教育年限普遍不高的境况。在城市人力资本培养体系日臻完善的当下，应从政策体系方面向农村教育事业予以倾斜，籍以消除城乡教育资源分布不均衡造成的劳动力市场人力资本分割的状态，完成乡村振兴与城乡一体化的战略目标。
参 考 文 献
[1]钱争鸣，易莹莹．中国教育收益率统计估计与分析[J]．统计研究，2009(7) : 43-48．
[2]李实,丁赛. 中国城镇教育收益率的长期变动趋势[J]. 中国社会科学,2003(6):58-72，206.
[3]方超,罗英姿.中国农村居民的教育回报及其变动趋势研究——兼论农村地区人力资本梯度升级的现实意义[J].南京农业大学学报(社会科学版),2017,17(3):74-85，157.
[4]马岩,杨军,蔡金阳,王晓兵,侯麟科.我国城乡流动人口教育回报率研究[J].人口学刊,2012(2):64-73.
[5]孙猛,许世存.流动人口就业收入的禀赋效应与地区效应分析[J].人口学刊,2018,40(6):52-61.
[6]谭静,余静文,李小龙.流动人口教育回报率的城乡户籍差异及其原因研究——来自2012年北京、上海、广州流动人口动态监测的经验证据[J].中国农村观察,2017(1):82-96，142-143.
[7]方超,黄斌.城乡一体化进程中我国流动人口的教育回报与工资收入差距的分解[J].教育科学,2017,33(6):8-16.
[8]于潇,孙悦.城镇与农村流动人口的收入差异——基于2015年全国流动人口动态监测数据的分位数回归分析[J].人口研究,2017,41(1):84-97.
[9]张兴祥,林迪珊.外来务工人员收入与教育回报率的性别差异研究[J].北京大学教育评论,2014,12(3):121-140，192.
[10]周春芳,苏群.二元结构下我国城镇劳动力市场中的性别工资差异研究[J].南方经济,2018(7):96-112.
[11]李雪松,詹姆斯·赫克曼. 选择偏差、比较优势与教育的异质性回报∶基于中国微观数据的实证研究[J]. 经济研究,2004(4):91-99，116.
[12]简必希,宁光杰. 教育异质性回报的对比研究[J]. 经济研究,2013,48(2):83-95.
[13]马银坡,陈体标,史清华.人口流动:就业与收入的区域差异[J].农业经济问题,2018(5):80-91.
[14]邢春冰,李实.扩招“大跃进”、教育机会与大学毕业生就业[J].经济学(季刊),2011,10(4):1187-1208.
[15]刘生龙,周绍杰,胡鞍钢.义务教育法与中国城镇教育回报率:基于断点回归设计[J].经济研究,2016,51(2):154-167.
[16]刘生龙,胡鞍钢.效率与公平:高校扩招与高等教育回报的分位数处理效应[J].学术研究,2019(4):72-84，177.
[17]许玲丽,李雪松,周亚虹.中国高等教育扩招效应的实证分析——基于边际处理效应(MTE)的研究[J].数量经济技术经济研究,2012,29(11):116-129，160.
[18]邢春冰.教育扩展、迁移与城乡教育差距——以大学扩招为例[J].经济学(季刊),2014,13(1):207-232.
[19]刘生龙,胡鞍钢.大学教育回报:基于大学扩招的自然实验[J].劳动经济研究,2018,6(4):48-70.
[20]常进雄,阮天成,常大伟.扩招对我国城乡教育平等的影响研究——基于大学教育回报率与大学入学机会的视角[J].学术研究,2018(7):78-86.
[21]谭江蓉.乡城流动人口的收入分层与人力资本回报[J].农业经济问题,2016,37(2):59-66，111.
[22]郑猛.教育扩张下流动人口教育收益率与收入差距[J].教育与经济,2017(5):48-60.
[23]杨娟,赵心慧.教育对不同户籍流动人口收入差距的影响[J].北京工商大学学报(社会科学版),2018,33(5):103-115，126.
[24]邢春冰.分位回归、教育回报率与收入差距[J].统计研究,2008(5):43-49.
[25]Koenker R, Bassett G.. Regression Quantiles[J]. Econometrica, 1978, 46(1):33-50.
[26]Firpo S, Fortin N M, Lemieux T. Unconditional Quantile Regressions[J]. Econometrica, 2009, 77(3):953-973.
[27]Markus F, Blaise M. Unconditional Quantile Treatment Effects Under Endogeneity[J]. Journal of Business & Economic Statistics, 2013, 31(3):346-357.
[28]Powell D. Quantile Treatment Effects in the Presence of Covariates[EB/OL].(2016-06-01)[2018-10-21]. https://works.bepress.com/david_powell/4/.
[29]朱平芳,邸俊鹏.无条件分位数处理效应方法及其应用[J].数量经济技术经济研究,2017,34(2):139-155.
[30]Chernozhukov V, Hansen C. An IV Model of Quantile Treatment Effects[J]. Econometrica, 2005, 73(1):245-261.
[31]Chernozhukov V, Hansen C. Instrumental Variable Quantile Regression: A Robust Inference Approach [J]. Journal of Econometrics, 2008, 142(1):379-398.
[32]Chernozhukov V, Hansen C. Quantile Models with Endogeneity[J]. Annual Review of Economics, 2013, 5(1):57-81.
[33]Ashenfelter O, Rouse C. Income, Schooling, and Ability: Evidence from A New Sample of Identical Twins[J]. Quarterly Journal of Economics, 1998, 113(1):253-284.
[34]吴要武.寻找阿基米德的“杠杆”——“出生季度”是个弱工具变量吗?[J].经济学(季刊),2010,9(2):661-686.
[35]Bound J, Jaeger D A.On the Validity of Season of Birth as an Instrument in Wage Equations: A Comment on Angrist & Krueger's “Does Compulsory School Attendance Affect Schooling and Earning? ”[EB/OL].(1996-01-01)[2018-10-21].https://www.nber.org/papers/w5835.
[36]郭冬梅,胡毅,林建浩.我国正规就业者的教育收益率[J].统计研究,2014,31(8):19-23.
[37]Donald W K, Andrews, Stock J H, Yogo M. Identification and Inference for Econometric Models: Essays in Honor of Thomas Rothenberg[M].Cambridge Univ. Press:Cambridge,2005:80-108.
[38]Pflueger C E, Wang S. A Robust Test for Weak Instruments in Stata[J].Stata Journal,2015,15(1):216-225.
Will Education Widen the Income Gap of the Floating Population ?
Xiao Yu ，Shikun Chen
(Northeast Asian Studies College ，Jilin University ，Changchun ，Jilin ，130012 )
Abstract :Based on the theory of human capital, this paper constructs a general quantile regression model (GQR) to correct the ability deviation. The impact of education on the income gap of floating population is empirically analyzed by using the data of the national dynamic monitoring survey of floating population in 2015. The research shows that education will widen the overall income gap of the floating population; the income stratification of the educational return rate of the floating population in urban areas shows a periodic change, and the effect of education on the high-income group of the floating population in urban areas is greater than that of the middle-low-income group; the opposite result is shown in the rural-urban floating population, and the educational return is greater in the low-income group. Excluding the highest income group, education can narrow the income gap within the group of rural-urban migrant population.
Key words :return to education; heterogeneity; generalized quantile regression; floating population
中图分类号： F08； G40-054
文献标识码： A
文章编号： 1003-4870( 2019) 05-0030-13
收稿日期： 2018-11-26
基金项目： 国家社会科学基金一般项目“粤港澳大湾区人口集聚及其经济增长效应研究”(项目号：18BRK024)。
作者简介： 于潇，男，吉林大学东北亚研究院教授，博士生导师，研究方向为人口经济学、劳动经济学；陈世坤，男，吉林大学东北亚研究院博士研究生，研究方向为教育经济学、劳动经济学。
责任编辑 张河森
标签：教育回报率论文; 异质性论文; 广义分位数回归论文; 流动人口论文; 吉林大学东北亚研究院论文;