教育错配对工资的影响:来自CFPS的新证据

来源:用户上传      作者:

　　摘要：从资源配置效率的角度看，教育错配是劳动力资源配置效率低下的一种表现。本文利用中国家庭追踪调查数据研究了中国劳动力市场中的教育错配发生率，并借助异方差构造工具变量的思路估计了教育错配对劳动者工资的影响。研究发现，中国劳动力市场中存在比较普遍的垂直型教育错配现象;随着劳动者教育程度的提高，过度教育的发生率越来越高，在大专学历以上的劳动者当中有50%左右为过度教育;总体过度教育和教育不足发生率分别为37.8%和20%。其他条件相同时，过度教育的劳动者遭受到显著的工资惩罚，平均工资比恰好匹配的劳动者低22.7%;教育不足的劳动者获得一定工资溢价，平均工资比恰好匹配的劳动者高16.5%。
　　关键词：劳动力市场;教育错配;过度教育;教育不足;工资;工具变量;倾向得分匹配
　　文献标识码：A
　　文章编号：1002-2848-2019（03）-0118-11
　　教育错配指劳动者实际接受的教育与所在的工作岗位对教育的要求不匹配，包括垂直型教育错配（vertical mismatch）和水平型教育错配（horizontal mismatch），前者指劳动者的受教育程度与岗位要求的受教育程度有差距，后者是劳动者所学的专业技能与岗位要求的专业技能不同。教育错配无论对社会、企业还是个人都是有成本的[1]，因此相关话题的研究一直是学界的热点。
　　发达国家对教育错配问题的关注起始于20世纪80年代的教育快速扩张以后[1-2]。虽然针对发展中国家教育错配问题的学术研究还比较少，但教育错配的现象却已经很普遍。世界银行近期发布的一份研究报告指出，教育错配在包括中国在内的一些中等收入甚至低收入国家中同样比较普遍，并建议政府进行广泛的政策干预[3]。也有不少学者对中国劳动力市场中是否存在教育错配进行了讨论。总体而言，现有研究对中国劳动力市场是否存在垂直型教育错配这一问题已经有了比较统一的结论，一般认为，中国劳动力市场中的过度教育（over education）发生率大约在30%～45%之间[3-5]。但关于教育错配如何影响劳动者工资的研究还相对缺乏，这和广泛存在的教育错配现象形成了反差。
　　本文进一步探讨中国劳动力市场中的垂直型教育错配（过度教育和教育不足）对劳动者工资的影响。虽然不少文献研究了发达国家劳动力市场中教育错配与工资的关系，但教育错配与工资之间是否存在显著的因果联系一直存在争议。原因在于，教育错配是内生的且常用的内生性处理方法在解决教育错配的内生性时都存在一定不足（详见本文估计策略部分）。为了识别教育错配与劳动者工资之间的因果关系，本文从三个面进行了新的尝试：第一，以往研究未能很好地解决不可观测的能力差异导致的内生性问题，但中国家庭追踪调查（China Family Panel Studies，CFPS）数据中所包含的受访者认知能力测试信息使得本文可以在很大程度上消除能力差异对估计结果的影响;第二，在控制认知能力的基础上，我们进一步借助Lewbel[6-7]的工具变量估计思想解决测量误差及其他原因导致的教育错配内生性问题;第三，本文在稳健性分析中将教育错配当作一种处理（treatment），并用倾向得分匹配（Propensity Score Matching，PSM）估计处理效应，但与标准PSM不同的是，我们不要求教育错配满足条件独立性假定，而是使用最小偏差PSM方法[8]修正标准PSM可能存在的偏误。
　　一、相关文献
　　西方学者对教育错配问题的关注可以追溯到20世纪40年代。20世纪80年代以后发达国家普遍存在的教育错配现象进一步激发了学者们对这一问题的关注。围绕教育错配问题的相关文献大体可分两类：一是从理论上解释教育错配存在的原因;二是分析教育错配导致的各种结果，尤其是教育错配对劳动者工资的影响。
　　（一）教育错配现象的理论解释
　　经济学者们从不同的角度对教育错配现象背后的理论原因进行了解释，McGuinness[2，9]对理论文献进行了详细的归纳。按照人力资本理论，追求利润最大化的企业和追求效用最大化的劳动者会充分利用人力资本，劳动力市场达到均衡时工人工资由其边际产出决定。因此，在市场均衡时不会出现教育错配现象。当然，这并不意味着人力资本理论和教育错配现象相矛盾。如果劳动力市场短期内没有达到均衡或教育错配的统计存在误差都会导致教育错配现象产生[2，9]。后期发展起来的一些理论则为教育错配的存在提供了更合理的基础。其中，岗位竞争模型和职业流动理论主要用于解释过度教育现象。岗位竞争模型为过度教育现象长期持续存在提供了解释。该理论强调工作的可获得性，给定工作岗位以后，为了在岗位竞争中能够获胜，劳动者需要更多的教育投资。因此，对于那些最终获得工作的劳动者而言，往往表现出过度教育现象。职业流动理论认为劳动者选择那些对教育要求相对低的工作，可能是因为他们希望获得在职培训的机会或工作经验，从而为以后的职业流动积累必需的技能。对于更为一般的教育错配现象则可以通过分派理论给出合理的解释。分派理论强调工作有工资和非工资多重特征，根据这一理论，教育错配可能是劳动者在多重工作特征中进行权衡与取舍的结果。不过，更多的人认为教育错配是劳动力市场中的结构性不匹配[10]与信息不对称[11]的结果。关于中国劳动力市场中的教育错配现象，也有学者进行了理论解释。胥秋[12]認为，高等教育的结构失衡（包括学科、层次、区域结构的失衡）是导致教育错配的原因。李锋亮等[13]关于中国劳动力市场过度教育的研究结论支持了岗位竞争模型。
　　（二）教育错配与工资关系的经验研究
　　针对发达国家劳动力市场中教育错配与工资关系的研究比较丰富，但教育错配与工资之间是否存在显著的因果联系却一直是个悬而未决的问题。教育错配的内生性问题是识别教育错配如何影响工资的最大困难，并且教育错配存在内生性的可能性很大，因为遗漏的个体能力差异、教育匹配本身的度量误差等因素都会导致教育错配的内生性[1，9]。为了识别教育错配与工资水平间的因果关系，现有的文献主要从固定效应模型[14-16]、工具变量[14，16]和控制个体能力的代理变量[16-17]这三个方面进行了尝试，也有少数文献利用PSM方法识别过度教育与工资之间的因果关系[18]。这些研究大多发现，在发达国家的劳动力市场中，过度教育的劳动者遭受到一定工资惩罚，而教育不足的劳动者享受了一定的工资溢价。 　　关于中国劳动力市场中教育错配与工资关系的研究不多，且都存在不足之处。武向荣等[19-20]的研究发现中国劳动力市场对过度教育的劳动者存在一定的工资惩罚，即过度教育的劳动者的教育回报率低于那些恰好匹配的劳动者的教育回报率。但这些研究的最大不足是没有考虑教育错配的内生性问题，仅仅利用OLS分析了教育错配与工资之间的相关性，相应的结论可能存在严重偏误。Wu等[21]利用世界银行的就业能力与生产力调查数据（Skills Towards Employ Ability and Productivity）研究发现，相对于有相同教育程度且恰好匹配的劳动者而言，过度教育导致劳动者的工资下降了18.5%。但这一研究存在三方面不足：一是没有考虑教育不足问题，对教育错配及其与工资关系的刻画还不全面;二是用父母亲教育、社会经济地位和生活满意度作为过度教育的工具变量有些牵强，因为很难说明能力的遗传不会导致父母亲教育和遗漏的个体能力相关，更难以说明社会经济地位和生活满意度是过度教育的决定因素事实上，该文表5说明工具变量在第一阶段回归中都不显著，且原文也没有详细介绍弱工具变量及过度识别的检验结果。;三是样本量较小，调查范围仅包含昆明市，结果可能不具有全国代表性。颜敏等[22]的研究也考虑了教育错配的内生性问题，且他们的结论与以往的研究有较大差异。他们的思路是利用固定效应消除遗漏的个体特征差异，再用三个不同的方法测算过度教育，并用其中的两种作为另一种的工具变量（依赖的假定是不同测算方法的测量误差不相关）。然而，他们仅在混合OLS和随机效应模型下发现了教育错配对工资有显著影响，而固定效应和工具变量估计都表明教育错配对工资没有显著影响。此外，颜敏等[22]的研究在识别方法上也存在一些不足。首先，教育匹配情况在时间维度上不存在或很少存在变异，这会导致固定效应模型存在很大偏误，因此除非有比较合适的样本保证教育匹配情况有足够大的变异，一般情况下固定效应模型不太适合此类问题的研究[9，14-15];其次，仅把过度教育当作内生变量，但教育不足和岗位的教育要求都是内生变量[9]，所以他们的估计可能仍然存在严重偏误。
　　总体而言，虽然现有的文献对中国劳动市场中的教育错配问题及其对工资的影响进行了有价值的探讨，但研究结论并不统一，研究方法还存在一些完善和改进的空间。与这些研究相比，本文主要是在识别教育错配和工资的因果关系上做了边际贡献，是对上述研究的进一步扩展。
　　二、计量模型及估计方法
　　（一）模型设定
　　ORU模型[23]是研究教育错配与工资关系的基本模型。根据这一模型，我们将个体实际获得的教育水平（AE）分解为岗位要求的教育水平（RE）、过度教育（OE）和教育不足（UE）三部分：
　　对于任何个体而言，OE和UE都是非负的并且最多只有一个大于0。OE=UE=0表示教育程度和工作要求恰好匹配的个体;OE=0且UE>0表示教育程度低于工作要求的个体;OE>0且UE=0表示教育程度高于工作要求的个体。根据式（1）可对标准的Mincer方程做简单的修改得到如下的工资决定方程：
　　其中，ε是误差项，[WTHX]X是除了教育之外其他可观测到的工资影响因素（含常数项），如年龄、性别、健康状况、婚姻状况等。此外，根据解释教育错配现象的人力资本理论、岗位竞争理论、分派理论和职业流动理论，[WTHX]X还应该包含个体能力差异因素、工作特征以及职业流动等因素。我们关心的是βr、βo、βu的大小。对于那些恰好匹配的劳动者而言，βr反映的就是常规教育回报率大小。对于过度教育的个体而言，βr和βo共同决定了他的教育回报率，其中，βr反映的是工作要求的那部分教育的回报率，βo反映的是超过工作要求的那部分教育的回报率。对于教育不足的个体而言，教育回报率由βr和βu共同决定，βu反映的是低于工作要求的那部分教育的回报率。根据相关研究的经验，一般而言，βr和βo大于0，βu小于0。大多数研究都发现，超过工作要求的那部分教育仍然给劳动者带来一定回报，但回报率小于工作要求的那部分教育的回报率，即0<βo<βr。因此，βr-βo的大小可以反映劳动力市场对过度教育的惩罚。
　　（二）估计策略
　　式（2）的最大障碍是教育匹配可能是内生的。然而，常用的内生性解决方法在研究教育匹配问题上都有一定不足。首先，教育匹配情况在时间维度上不存在或很少存在变异，这会导致固定效应模型存在很大偏误。因此，除非有比较合适的样本，一般情况下固定效应模型不太适合此类问题的研究[9，14-15]。其次，和教育有关的变量一般也与工资有关，很难找到满足排除性约束的变量作为教育匹配的工具变量[14，16]。式（2）的工具变量估计更是困难，因为RE、OE和UE通常都是内生的[9]，所以我们至少需要寻找3个有效的工具变量，这是一件极为困难的事。
　　综合这些因素以及本文的数据特征，本文利用Lewbel[6-7]的方法识别教育错配与工资的因果关系。为此，我们考虑如下教育匹配决定方程：
　　最后，我们参照Wu等[21]的做法，用是否存在过度教育和教育不足的虚拟变量代替OE和UE重新估计式（2）。他们认为利用虚拟变量代替ORU模型中的OE可以一定程度上消除测量误差的影响。使用虚拟变量也意味着我们可以将过度教育的劳动者视为处理组，恰好匹配的劳动者视为控制組，因此，除了上述参数估计方法外，我们还可以使用PSM方法对处理效应进行非参估计。不同的是，我们采用最小偏差PSM方法[8]修正PSM的偏误。原因在于，标准的PSM方法依赖的关键假定是条件独立性（conditional independence assumption），即给定可观测的因素后教育错配是随机的，但教育错配可能和不可观测因素有关，因此条件独立性假定可能不成立。
　　三、数据及变量
　　本文的数据来自中国家庭追踪调查的城市居民子样本。这套数据的基线调查始于2010年，随后分别在2012、2014和2016年进行了追踪调查。使用这套数据研究教育错配问题有三个优点：第一，从2014年的调查开始，调查问卷新增受访者所从事工作的教育要求问题，这可以帮助我们确定受访者是否存在教育错配;第二，这套调查数据对受访者的认知能力进行了测试，通过控制认知能力差异可以帮助我们在很大程度上缓解式（2）中的遗漏变量偏误问题;第三，CFPS是一个全国性的调查，样本更具有代表性。 　　本文的核心变量是教育匹配情况。现有文献中常见的教育匹配测度方法有主观评价法、经验统计法和岗位评价法，每种方法都有各自的优缺点，McGuinness等[1]对不同测度方法的差异做了比较详细的对比。在经验分析中具体使用何种测度方法主要是根据数据的可获得性。在2014年的调查中，受访者需要根据自己的主要工作情况回答：“从知识和技能的角度上讲，您/你认为胜任这份工作实际需要多高的教育程度？”我们利用这一问题和受访者的实际教育程度相比，判断受访者是否存在教育错配，如果受访者回答的岗位要求教育程度大于受访者实际的教育水平，我们就将其定义为教育不足的劳动者，反之，则定义为过度教育的劳动者，当受访者的受教育程度和岗位要求的教育程度相同时，将其定义为恰好匹配。虽然2016年的调查也询问了相同问题，但本文只使用了2014年的截面数据。我们没有使用面板数据的最主要原因是受访者的教育匹配情况几乎在两年间没有变异。例如，在我们能够成功匹配的2646位受访者中（不考虑收入信息缺失），有2071位在两年间没有工作变动，在575位工作有变动的受访者中，仅有246位的教育匹配情况发生变化。因此，总体而言，在成功匹配的样本中只有9.3%（246/2646）的样本发生教育匹配变化。这正是以往多个研究[9，14-15]认为不适合用固定效应模型研究该问题的关键原因本文没有使用面板数据的另外两个重要原因是2016年的收入信息缺失较多并且2016年的认知能力测试分数与2014年不可比，而这两个变量都是本文的关键变量。事实上，考虑收入信息和其他变量缺失的情况下，我们只成功匹配了546位受访者，但利用这一面板数据估计并没有得到非常稳健可靠的结论。。表1是本文的变量定义及描述性统计。
　　本文的被解释变量是受访者的工资收入，根据问卷中的信息，我们用受访者从主要工作中获得的年工资收入表示。我们将样本限定为年龄在16—60岁并且在职的受访者。工资收入、教育、工作对教育程度的要求以及其他解释变量信息缺失的受访者被剔除。为了避免离群值的干扰，进一步剔除了工资收入最高1%和最低1%的样本。此外，岗位的教育要求问题仅对从事非农工作的受雇人员询问，所以本文的样本中不包含自营、从事农业工作的受雇人员等。最终，我们得到4673个观察值。
　　图1统计了不同教育程度的劳动者当中，教育错配发生率情况以及总体教育错配发生率情况。图1表明，随着教育程度的提高，过度教育的劳动者占比越来越高，在大专以上的劳动者当中有50%左右为过度教育。平均而言，在我国劳动力市场中过度教育的发生率大约为37.8%。这和现有文献统计出的中国劳动力市场过度教育发生率是比较吻合的[3-5，21]。教育不足现象虽然在现有的文献中较少被关注，但这种错配同样存在，不过教育不足的发生率较低，且主要集中在高中以下的劳动者当中。总体的教育不足发生率不到20%。
　　图2统计了不同教育水平上的教育不足人员、恰好匹配人员以及过度教育人员的平均对数工资情况。从图2中我们可以初步观察教育错配对劳动者工资收入的影响。首先，无论教育匹配情况如何，总体而言，劳动者的工资收入随着教育程度的提高而上升，说明即便是存在教育錯配，劳动者也仍然可以从额外的教育投资中获得一定的回报。其次，对于过度教育的劳动者而言，他们的平均教育回报率低于那些教育程度相同但恰好匹配的劳动者，说明过度教育的劳动者有可能遭受到一定的工资惩罚。例如，一个本科毕业生工作在只需要大专学历的岗位上，即便是他的工资比他那些具有大专学历的同事更高，但他的工资很可能依然低于在需要本科学历的岗位上的工资。最后，对于教育不足的劳动者而言，他们的平均教育回报率高于那些教育程度相同但恰好匹配的劳动者，说明教育不足的劳动者有可能获得了一定程度的工资溢价。例如，一个大专毕业生在一个需要本科学历的岗位上工作，即便是他的工资比他那些具有本科学历的同事更低，但由于身边的同事都是本科毕业并且推动了整个企业的生产率上升，低学历的劳动者依然有可能因这种溢出效应而获得工资溢价。当然，这些工资差异有可能来自补偿性工资差异、劳动者自身的特征差异等。接下来我们将探讨教育错配是否和工资之间存在因果关系，尤其是过度教育惩罚是否真的存在。
　　四、经验分析
　　（一）基本结果
　　为了更精确地估计教育错配对工资的影响，我们对式（2）进行了估计，表2汇报了核心变量的系数估计结果。第（1）列没有控制其他解释变量，用于考察不同教育匹配情况下的劳动者平均对数工资差异。结果表明，对于恰好匹配的劳动者而言，教育年限每增加一年，工资增加3.1%，而对于过度教育的劳动者而言，超过岗位要求的那部分教育年限虽然有正的教育回报（OE系数显著大于0），但回报率小于恰好匹配时的教育回报率（OE系数小于RE系数）。对于那些教育不足的劳动者而言，教育欠缺有可能导致他们的工资相对于恰好匹配的劳动者更低，但效应非常小且不显著。需要强调的是，这一结果和图2是一致的。图2是给定劳动者的实际教育水平比较不同教育匹配情况下的劳动者工资差异。而表2估计的是给定岗位教育要求的条件下不同教育匹配情况的劳动者工资差异，其结果表明，在岗位教育要求相同的情况下，那些教育不足的劳动者和恰好匹配的劳动者的工资没有显著差异，这正好说明教育不足的劳动者（相对那些教育水平相同但恰好匹配的劳动者）获得了超额的教育回报。
　　按照人力资本理论对教育错配现象的解释，第（1）列的估计结果有可能是劳动者之间存在教育之外的其他人力资本差异导致的。为此，第（2）列进一步控制了劳动者的个体特征差异，包括年龄、性别、婚姻状况、健康状况、身高和体重等。结果表明，除了UE的系数显著性发生变化外，其他系数大小以及RE和OE的系数大小及显著性都未发生明显变化。这在一定程度上说明人力资本理论不适合用于解释中国劳动力市场的教育错配现象。为了进一步证实这一结论，第（3）列进一步控制了个体的认知能力差异。我们发现，认知能力确实是影响工资的重要因素，教育回报率也发生比较明显的变化，但并没有改变我们的核心结论。第（4）列进一步控制了地区效应，用于考察地区间的工资差异以及人口流动对工资的潜在影响。按照岗位竞争模型、分派理论以及职业流动理论，教育错配以及由此产生的工资差异可能与工作特征差异有关。因此，我们在第（5）列进一步加入了工作特征变量，包括职业类型、行业类型、工作满意度、劳动合同签订情况、工作场所、工作安全情况、领导职务情况、晋升情况以及晋升预期等。工作特征差异确实增强了模型对工资差异的解释力，但仍然不影响本文的主要结论。综合以上结论，我们认为，现有的用于解释教育错配的理论都无法完全解释我国劳动力市场的教育错配现象。 　　最后，现有的研究都认为，教育错配的测量误差和遗漏变量等潜在问题可能导致教育错配是内生的，因此，直接用OLS估计式（2）得到的结果可能存在偏误。第（6）列用工具变量估计思路重新估计了式（2）并控制全部解释变量。IV估计的Hayashi’s C统计量为7.800，在5%的水平上显著异于0，说明有理由相信教育错配变量是内生的。Hansen’s J统计量为39.42（P值为0.240），说明模型的工具变量不存在过度识别。IV估计结果表明，UE的系数仍然很小且不显著，OE的系数仍然显著为正且小于RE的系数。因此，IV估计也没有改变本文的结论，即过度教育的劳动者确实遭受过度教育惩罚，而教育不足的劳动者获得了超额的教育回报。这和一些国际研究结论是类似的[1]。
　　（二）稳健性分析
　　1.错配虚拟变量
　　部分学者在估计教育错配对工资的影响时用是否存在教育错配的虚拟变量代替标准ORU模型中相应的变量[21，24]。这样处理的好处是可以在一定程度上缓解教育错配的测量误差问题[21]。合并式（1）和式（2）可以得到
　　式（9）是式（2）的恒等变形，但式（9）直接控制了受访者的教育程度AE。将式（9）中的过度教育程度OE和教育不足UE替换为是否存在过度教育和教育不足的虚拟变量可以得到如下方程：
　　其中，D1=1（OE>0），D2=1（UE>0）均为虚拟变量，分别表示是否存在过度教育和教育不足。根据以往的研究结论[14]以及表2中的估计结果，我们预期δ2<0、δ3>0。虽然使用虚拟变量代替教育错配的程度可以在一定程度上缓解教育错配的测量误差，但式（10）的OLS估计仍然有可能是有偏的。首先，δ1反映的是恰好匹配的劳动者的平均教育回报率，所有关于教育回报率的研究都无法回避教育年限的内生性问题。其次，两个反映教育错配的虚拟变量仍然可能会因为遗漏个人能力因素而成为内生变量。所以式（10）的估计同样至少需要三个有效的工具变量。因此，我们仍然使用Lewbel[6]的方法估计式（10）。虽然，该研究针对的是连续型的内生变量，但其在随后的研究中实证了这一思路同样适用于像式（10）这样包含离散型内生变量的模型[7]。表3是利用教育错配的虚拟变量替代ORU模型中的教育错配程度之后得到的估计结果。
　　如表3所示，过度教育虚拟变量和教育不足虚拟变量的系数符号是符合我们预期的，并且两个变量的系数都显著异于0，而且个人特征变量、认知能力以及工作特征变量的控制都对估计结果影响不大。这些结果都进一步印证了表2中的结论。IV估计的系数显著性有所下降，但系数的符号仍然是符合预期的。结果表明，平均而言，在教育程度相同的情况下，过度教育劳动者的工资比恰好匹配的劳动者的工资低22.7%，而教育不足劳动者的工资比恰好匹配劳动者的工资高16.5%，即劳动力市场对过度教育有一定惩罚，而教育不足却有一定的工资溢价。这一结论和表2的结论是相符合的，但更直接地展示出图2观察到的现象。此外，IV估计的外生性检验结果在1%的水平上显著，拒绝了教育年限、过度教育虚拟变量、教育不足虚拟变量是外生变量的假定。过度识别检验的Hansen’s J统计量虽然较大，但依然在常规的显著性水平上不显著，说明IV估计没有明显的过度识别问题。因此，我们认为IV估计的结果更加可靠。最后，本文得到的工资惩罚效应略高于Wu等[21]18.5%的结论。不同的是，本文还同时证实了教育不足的劳动者存在工资溢价。
　　2.倾向得分匹配估计
　　在式（10）的启发下，我们可进一步利用PSM方法估计教育错配对劳动者工资的影响。具体而言，我们可以将过度教育或教育不足的劳动者作为处理组，将恰好匹配的劳动者作为控制组再用PSM估计错配的处理效应。
　　我们分别估计过度教育和教育不足两种处理效应，控制组均为恰好匹配的劳动者。图3的左右两边分别是两种处理效应中的控制组和处理組的倾向得分核密度分布。从图3可以直观地看出，共同支撑（common support）假定是成立的。当然，为了保证结果的可靠性，我们删除了处理组中得分高于控制组最高分的个体以及控制组中得分低于处理组最低分的个体。
　　表4汇报了几种常用匹配方法下的处理组平均处理效应（Average Treatment Effect on the Treated，ATT）和平均处理效应（Average Treatment Effect，ATE）的估计结果。近邻匹配、核匹配、局部线性匹配以及半径匹配都是常用的标准匹配方法。这些方法都依赖条件独立性，即给定可观察到的因素之后，劳动者是否存在过度教育（或教育不足）是随机的。由于劳动者的教育错配情况可能与未观察到的个体特征有关，所以条件独立性假定有可能不成立。为此，我们使用最小偏差方法[8]进一步修正可能存在的估计偏误。利用PSM估计得到的过度教育工资惩罚效应和教育不足工资溢价效应与前面利用参数回归方法得到的对应结论略有差异，其中过度教育的工资惩罚效应大约在10%左右，教育不足的工资溢价效应大约在8%左右。但是总体而言，PSM估计结果都进一步证实了过度教育的劳动者遭受到显著的工资惩罚效应，而教育不足的劳动者却获得显著的工资溢价我们还对每种估计方法做了平衡性检验，结果都说明处理组与控制组的匹配效果较好，但限于控制变量较多导致平衡性检验的详细结果篇幅太大，故未在文中汇报。。
　　五、结论
　　教育错配是世界各国劳动力市场中比较普遍的现象，甚至在低收入国家的劳动力市场中也存在严重的教育错配问题。从资源配置效率的角度来看，教育错配无疑是劳动力资源配置效率低下的一种表现。本文利用2014年的CFPS数据分析了中国劳动力市场中的教育错配发生率，并重点考查了教育错配对劳动者工资的影响。实证结果表明，中国劳动力市场中存在比较普遍的垂直型教育错配现象。随着劳动者教育程度的提高，过度教育的发生率越来越高，在大专以上（本科和研究生）的劳动者当中有50%左右为过度教育。平均而言，我国劳动力市场中过度教育的发生率大约为37.8%。教育不足的发生率在低学历劳动者当中较多，整个劳动力市场的教育不足发生率在20%左右。 　　為了更加准确地估计教育错配对劳动者工资的影响，本文使用工具变量方法[6-7]和最小偏差PSM方法[8]解决教育错配的内生性问题。本文的ORU模型估计结果表明，过度教育的劳动者遭受了一定程度的工资惩罚，在岗位的教育要求相同的情况下，过度教育的劳动者从额外的教育投资中获得的回报率较低。平均而言，在劳动者教育程度相同的情况下，过度教育的劳动者的平均工资比恰好匹配的劳动者的平均工资低22.7%。然而，教育不足的劳动者却得到一定程度的工资溢价，在岗位的教育要求相同的情况下，教育不足的劳动者的教育回报率并没有明显低于那些恰好匹配的劳动者的教育回报率。这导致教育不足的劳动者的平均工资比那些具有相同教育程度但恰好匹配的劳动者的平均工资高16.5%。此外，本文的实证分析还表明，人力资本理论、岗位竞争模型、分派理论和职业流动理论都不能充分解释中国劳动力市场的教育错配现象。如何解释中国劳动力市场中的教育错配现象仍然是一个有待进一步研究的问题。
　　上述结论表明，虽然教育和技能培训被视为促进经济发展的重要因素，但教育本身并不能保证劳动者获得恰好匹配的工作，较高的过度教育发生率意味着劳动力市场未能提供足够多的工作岗位以充分利用潜在的人力资源，这无论对劳动者本身还是对企业都是有成本的。教育错配也有可能意味着通识型教育对劳动者的技能培养不能很好地和劳动力市场匹配。因此，解决教育错配问题需要从需求和供给两个方面着手。在需求方向面，应该进一步加强劳动力市场建设，推进劳动力市场改革，完善就业服务体系和人才流动机制。在供给方面，应该大力发展职业教育;全面提高高等教育质量，优化学科专业、类型、层次结构，扩大应用型、复合型、技能型人才培养规模;加快发展继续教育。
　　参考文献：
　　[1] McGuinness S， Pouliakas K， Redmond P. Skills mismatch： Concepts measurement and policy approaches[J]. Journal of Economic Surveys， 2018， 32（4）： 985-1015.
　　[2] McGuinness S. Overeducation in the labour market[J]. Journal of Economic Surveys， 2006， 20（3）： 387-418.
　　[3] Handel M J， Alexandria V， Puerta M L S. Accounting for mismatch in low-and middle-income countries： Measurement， magnitudes， and explanations[M]. Directions in Development. Washington， DC： World Bank， 2016： 37-78.
　　[4] 缪宇环. 我国过度教育现状及其影响因素探究[J]. 统计研究， 2013（7）： 48-54.
　　[5] 颜敏， 王维国. 中国过度教育现状及其演变——来自微观数据的证据[J]. 山西财经大学学报， 2017（3）： 15-29.
　　[6] Lewbel A. Using heteroscedasticity to identify and estimate mismeasured and endogenous regressor models[J]. Journal of Business & Economic Statistics， 2012， 30（1）： 67-80.
　　[7] Lewbel A. Identification and estimation using heteroscedasticity without instruments： The binary endogenous regressor case[J]. Economics Letters， 2018， 165： 10-12.
　　[8] Millimet D L， Tchernis R. Estimation of treatment effects without an exclusion restriction： With an application to the analysis of the school breakfast program[J]. Journal of Applied Econometrics， 2013， 28（6）： 982-1017.
　　[9] Leuven E， Oosterbeek H. Overeducation and mismatch in the labour market[C]∥ Hanushek E， Machin S， Woessmann L. Handbook of the Economics of Education （Volume 4）. Elsevier， 2011： 283-326.
　　[10]Carroll D， Tani M. Over-education of recent higher education graduates： New Australian panel evidence[J]. Economics of Education Review， 2013， 32： 207-218.
　　[11]Carroll D， Tani M. Job search as a determinant of graduate over-education： Evidence from Australia[J]. Education Economics， 2015， 23（5）： 631-644. 　　[12]胥秋. 从过度教育现象看我国高等教育的结构失衡[J]. 高教发展与评估， 2006（1）： 10-13.
　　[13]李锋亮， 岳昌君， 侯龙龙. 过度教育与教育的信号功能[J]. 经济学（季刊）， 2009（2）： 569-582.
　　[14]Korpi T， Tahlin M. Educational mismatch， wages， and wage growth： Overeducation in Sweden， 1974—2000[J]. Labour Economics， 2009， 16（2）： 183-193.
　　[15]Mavromaras K， McGuinnes S， O’Leary N， et al. Job mismatches and labour market outcomes： Panel evidence on university graduates[J]. Economic Record， 2013， 89（286）： 382-395.
　　[16]Kleibrink J. Inept or badly matched？—Effects of educational mismatch in the labor market[J]. Labour， 2016， 30（1）： 88-108.
　　[17]Montt G. Field-of-sudy mismatch and overqualification： Labour market correlates and their wage penalty[J]. Iza Journal of Labor Economics， 2017， 6（1）： 2-22.
　　[18]Lamo A， Messina J. Formal education， mismatch and wages after transition： Assessing the impact of unobserved heterogeneity using matching estimators[J]. Economics of Education Review， 2010， 29（6）： 1086-1099.
　　[19]武向榮. 过度教育的经验研究——基于对3家企业的调查[J]. 教育与经济， 2005（2）： 4-8.
　　[20]Ren W， Miller P W. Changes over time in the return to education in urban China： Conventional and ORU estimates[J]. China Economic Review， 2012， 23（1）： 154-169.
　　[21]Wu Na， Wang Qunyong. Wage penalty of overeducation： New micro-evidence from China[J]. China Economic Review， 2018， 50： 206-217.
　　[22]颜敏， 王维国. 教育错配对工资的惩罚效应——来自中国微观面板数据的证据[J]. 财经研究， 2018（3）： 84-96.
　　[23]Duncan G， Hoffmann S. The incidence and wage effects of overeducation[J]. Economics of Education Review， 1981， 1（1）： 75-86.
　　[24]Li I W， Miller P W. Overeducation and earnings in the Australian graduate labour market： An application of the Vahey model[J]. Education Economics， 2015， 23（1）： 63-83.
转载注明来源:https://www.xzbu.com/2/view-14871353.htm