高等教育溢价变动：就业结构效应还是技能价格效应.pdf

基金项目:国家社会科学基金一般项目“数字技术冲击下劳动就业面临的新问题及对策研究”(19BGL198)。作者简介:薛欣欣,女,山东大学经济学院副教授,从事劳动经济学和教育经济学;辛立国,男,山东大学管理学院副教授,从事劳动经济学和人力资源管理研究。根据蔡昉一系列研究,将 2004 年中国出现劳动力短缺现象到 2010 年劳动年龄人口达到峰值界定为刘易斯转折区间。教育与劳动力市场高等教育溢价变动:就业结构效应还是技能价格效应?薛欣欣1,辛立国2(1.山东大学 经济学院,济南 250100;2.山东大学 管理学院,济南 250100)摘 要:中国高等教育溢价在刘易斯转折前后从上升转为下降,从需求的角度提出,数字信息技术应用过程中对就业机会的改变和岗位工资结构的影响是高等教育溢价变动的重要原因。对此,利用 2010-2018 年中国家庭追踪调查(CFPS)数据,对大学生劳动力的就业结构变动、岗位技能工资结构变动及其对高等教育溢价变动的贡献率进行了研究。研究发现:大学生劳动力在就业结构变动过程中,出现了从高技能岗位向低技能岗位转移的现象,特别是 2012 年以后就业降级的规模超过了就业升级的规模,这是高等教育溢价趋势转变的一个原因。另外,数字信息技术应用过程中,技能工资结构收窄,大学生劳动力就业密集的认知型岗位工资增长放缓,而高中及以下劳动力就业密集的非常规操作型岗位工资增长加快,从而认知技能相对价格下降,成为高等教育溢价趋势转变的另一个原因。RIF 分解表明,高等教育溢价变动的 30%35%来自就业结构调整,65%70%来自岗位技能工资结构变动。关键词:高等教育溢价;数字信息技术;就业结构;技能工资结构中图分类号:F08;G40-054文献标识码:A文章编号:1003-4870(2023)04-0024-11一、引言大学学历劳动力作为高技能人才的代表,其工资溢价(相对于高中及以下学历)自 1990 年起一直处于上升状态(董直庆等1;何亦名2;刘泽云3;姚先国等4)。然而在 2000 年以后,这种快速增长的趋势开始变缓(马光荣等5;杨素红和丁小浩6),特别是经历了刘易斯转折后,高等教育溢价出现了下降趋势。罗楚亮7的研究显示,“大专”相对于“高中”的收益率从 2002 年的23%下降到 2009 年的 16%。蔡昉和都阳8的研究表明,农民工中大学及以上文化程度与高中的工资差别从 2001 年的 25.9%,下降到 2010 年的 16.9%。高等教育溢价变动在刘易斯转折前后形成了一个先升后降的倒 U 形变动轨迹(彭树宏9)。尽管大学学历劳动力的工资优势依然明显,但教育溢价由上升转为下降却意味着原有导致教育溢价不断上涨的因素正发生改变。那么是什么因素的变化引发了教育溢价的下降?部分研究从供给的角度提出,高校扩招是导致高等教育溢价下降的主要原因(马光荣等5;马跃和颜敏10),认为大学生劳动力的快速增长,在加剧了高技能劳动者之间竞争程度的同时,也让低技能劳动者成为相对稀缺的劳动力。另一方面,大学学历劳动者的增多,使得高技能劳动者内部的异质性增加,进而导致雇主以学历作为能力信号的筛选机制失灵,减弱了高等教育的正向信号功能(张宜君11)。诚然,供给总量增长方面的解释提供了溢价变动42一方面的原因,但尚不足以刻画高等教育溢价变动更多具体因素,毕竟教育收益率的高低与大学生具体的就业形式、就业岗位密切相关。如果大学生劳动力在未来几年继续保持相对稳定的增长率,那么针对劳动力需求结构变动方面的分析,则能够提供更多信息,从而可以看清溢价变动与岗位需求(继而大学生在岗位间的流动)所产生的关联。那么刘易斯转折后,需求侧又发生了怎样的变化?刘易斯转折后,引发劳动力市场需求结构变化的一个重要因素是数字信息技术广泛应用。不同于以往,当前技术进步对不同技能劳动者的影响是非线性的,它造成就业结构的分化,即高技能劳动者和低技能劳动者就业需求上升,中等技能劳动者需求相对下降(Acemoglu 和 Autor12)。数字信息技术之所以会对劳动力市场产生分化作用,是因为中等技能劳动者所从事的工作大多是可编码、程序化的常规性劳动,容易被智能信息设备所替代。而高技能劳动者从事的更多是富于创新性、灵活性、分析性非常规化复杂劳动,低技能劳动者多从事具有互动性的非常规化简单劳动,它们都难以被机器设备替代,甚至与机器设备形成补充关系(Autor 等13;Manning14;Goos 和 Manning15)。从而,信息技术的应用使得劳动力市场中中等技能劳动者就业机会相对减少,中等技能岗位工资增长率也趋于下降。大量研究表明(Tzemen 和 Willis16;Salvatori17;Cortes18),大学生更多地分布在常规任务密集的中等技能岗位,是受新一轮技术进步影响较大的群体。中国劳动力市场需求结构是否出现了分化现象,相关研究并未形成一致的观点(屈小博和程杰19;吕世斌和张世伟20;都阳等21),但常规任务密集型岗位的工资增长率的下降(都阳等21),机器人的使用减少了本、专科劳动力、增加了高中及以下劳动力需求(王永钦和董雯22)等现象,已经频繁地被观察到。所以,就业机会分布的变化,以及被替代岗位工资增长率的变化,都可能带来高等教育溢价变动。另一方面,就业机会向技能高低两端转移,促使不同人力资本劳动力在不同技能岗位间再配置。大学生会沿着岗位技能阶梯向上流动,还是向下流动,取决于其技能水平能否与岗位需求相匹配。技能(而非学历)是劳动力市场供需匹配的关键(Akerman 等23)。往往,在新技术应用的初期阶段,创新岗位所要求的专业知识和技能的变动快于现实劳动力市场的技能供给结构变动(Acemoglu 和 Restrepo24),从而容易出现学位在获得时就已经过时的现象(Hardy 等25)。当劳动力技能无法与新技术岗位的需求相匹配时,劳动者只能沿着岗位技能阶梯向下流动,从事低技能工作。这种现象就表现为技能降级或低度化就业(underemployment),它必然也会造成教育溢价下降。蒋帆和张学志26的研究发现,在扩招大学生陆续进入劳动力市场的同时,从事高技能工作的高等教育人口比例却从 2006 年的84.92%下降到 2015 年的 54.13%。这意味着很多大学生可能是以技能降级的方式实现就业的。由此,我们认为,高等教育溢价变动的具体原因可能表现为两方面:一方面大学学历劳动者在不同技能岗位间流动,以技能升级或降级的方式实现就业,从而导致溢价变动;另一方面,就业机会分布变动,导致常规任务密集型岗位工资增长放缓,非常规任务密集型岗位工资增加相对加快,从而改变了高等教育溢价。对此,本文将从需求的角度,针对大学生劳动力的就业结构和技能工资结构两方面,分析大学生劳动力在不同岗位间的就业转移特点和由此带来的工资结构的变动情况,从而分析造成高等教育溢价变动的岗位特征因素,探讨数字信息技术应用对大学生劳动力就业及工资的影响。而从工作任务类型岗位角度分析大学生的就业结构和工资结构变动在国内相关研究中尚不多见,特别是教育溢价与岗位需求之间的关联信息相对缺乏,希望本文的研究对此能够有所贡献。二、大学生劳动力就业结构变动(一)岗位分类及数据来源为了能够体现数字信息技术对劳动力需求结构产生的影响,在岗位分类上我们采用了国际上通用的工作任务法(Job Tasks Approach)。这一方法是按照工作任务所需要的技术类型和对劳动者技能的要求两个维度对工作任务进行分类。如果工作任务是按照既定的设计方案、具有重复性、程序化的特点,则属于常规型(Routine)岗位;反之,如果工作任务需要灵活处理、互动,具有非重复性和不确定性特点,则属于非常规型(Non-routine)岗位。另外一个维度是完成任务时需要认知能力(Cognitive),还是需要操作能力(Manual)。一般来说,前者需要知识的积累,后者则更多地需要体力上的付出。按照这两种属性工作任务可以大体分为四种类型:非常规认知型(Non-routine Cognitive)、常规认知型(Routine Cognitive)、常规操作型(Routine Manual)、非常规操作型(Non-routine Manual),四类岗位在技能要求上依次递减。参考 Autort 和 Dorn27、Acemoglu 和 Restrepo28提出52的具体分类标准,我们将岗位按上述四种类型进行分类。其中,非常规认知型主要包括:负责人、高级管理者、各类专业技术人员等;常规认知型主要包括:销售相关职业、办公管理等;常规操作型主要包括:建筑采掘、安装维修、生产操作、运输设备操作等;非常规操作型主要包括:个人看护、安保、餐饮、保洁、环卫、娱乐服务、导游、交通运输服务人员等。本文使用 2010-2018 年中国家庭追踪调查(ChinaFamily Panel Studies,CFPS)数据进行研究。该数据采用了内隐分层的(implicit stratification)多阶段、多层次、与人口规模成比例的概率抽样方式,覆盖全国(不含港、澳、台)25 个省/市/自治区约占 95%的人口。为防止样本结构性偏差,减小抽样误差,CFPS 采用性别、年龄、城乡三个变量对成人和少儿样本数据进行完全事后分层调整,并在历轮调查中保持相对稳定的主体内容,保证了数据的代表性。数据包含了劳动力的职业(10 大类,28 个中类,116个小类)、行业(20 个分类)、工资、教育等方面的相关信息。研究中,选取了劳动力市场中 1660 岁有工资收入的非农劳动力群体作为观测样本。总样本容量为38 384,其中非常规认知、常规认知、常规操作、非常规操作岗位的样本量分别为 7477、8436、14 488、7983。各年工资收入均以 2010 年为基期进行价格指数平减。分析过程中的主要变量包括:小时工资(根据月工资和月工作小时数计算)、工作岗位(根据 ISCO-88 职业分类四级编码信息将岗位分为非常规认知、常规认知、常规操作、非常规操作四类)、学历(分为大学及以上和高中及以下)、受教育年限、潜在工作经验(年龄-受教育年限-6)、城乡、性别、地区(东、中、西)、所有制、产业。表 1 是四类岗位的工资水平和人力资本水平。从表中可以看出,非常规认知、常规认知、常规操作、非常规操作岗位在工资水平、教育年限上依次递减,与岗位的技能要求相一致,技能越高,工资水平越高,对劳动力的人力资本要求也越高。表 1不同岗位小时工资及劳动力受教育年限岗位2010 年2012 年2014 年2016 年2018 年小时工资(元)教育年限(年)小时工资(元)教育年限(年)小时工资(元)教育年限(年)小时工资(元)教育年限(年)小时工资(元)教育年限(年)非常规认知13.7113.0620.3813.4721.6913.7323.2914.0423.7914.06常规认知9.3411.2311.0511.5016.6311.9216.2811.9717.4612.27常规操作7.908.348.408.3116.438.8414.739.0916.149.19非常规操作7.328.427.348.3013.018.6612.838.9712.909.16平均9.269.8310.729.7916.6310.3916.4110.8317.6810.98 数据来源:如无特殊说明,表格数据均根据 CFPS 数据计算整理。具体分类根据 ISCO-88 职业分类四级编码标准,并结合 Goos 等29提供的常规任务指数(RTI)进行。由于数据中研究生的样本量相对较少(每年平均在 4060 左右),不具有代表性,故将研究生与本科生合并为一组进行讨论。(二)大学生就业结构变动表 2 是 2010-2018 年我国劳动力就业比例及岗位分布。可以看出,劳动力市场中大学生比例在逐年提高,从 2010、2012 年的不到 20%提高到 2018 年的近30%,与此相对应,高中及以下学历就业比重则从 80%左右下降到 70%。这既体现了市场人力资本的优化,也意味着出现了大学生对高中及以下劳动力的替代。从岗位分布上看,80%大学生分布在认知类岗位,70%高中及以下劳动力则主要集中在操作类岗位。为了能够观察大学生就业岗位转移行为,我们根据不同学历、不同岗位劳动力就业比例变化,将就业结构变动进行如下分解:Sjt=gSgtjg+gjgtSgt(1)其中,Sjt表示t期j类岗位就业比例变动,Sgt表示t期g学历组就业比例变动,jg表示g学历组分布在j类岗位相对比例,jgt表示t期g学历组在j类型岗位分布比例变动。等式右边第一项衡量的是各岗位就业分布不变的情况下,由于劳动力学历构成变化引起就业份额变动,具体而言是大学及以上学历与高中及以下学历相对比例变化,带来的就业结构的变化,我们将其称为组间(不同学历组)构成效应;第二项衡量的是学历构成不变情况下,由于劳动力在岗位间流动再配置带来的岗位分布变动,我们将其称为组内再配置效应。表 3为就业结构变动的分解结果。考虑到大学教育的异质性,我们进一步将大学生劳动力划分为“本科及以上”和“专科”,与高中及以下学历组进行对比分析。62表 2劳动力就业比例及岗位分布(单位:%)大学及以上2010 年2012 年2014 年2016 年2018 年就业比例岗位分布就业比例岗位分布就业比例岗位分布就业比例岗位分布就业比例岗位分布非常规认知10.9754.929.6252.1811.0248.8311.2750.1315.0350.38常规认知5.7128.565.6930.877.6834.087.3332.599.4031.48常规操作1.668.291.8710.122.3710.492.039.043.2210.77非常规操作1.648.231.266.831.496.601.858.242.207.37合计19.9810018.4410022.5510022.4910029.84100高中及以下2010 年2012 年2014 年2016 年2018 年就业比例岗位分布就业比例岗位分布就业比例岗位分布就业比例岗位分布就业比例岗位分布非常规认知9.0211.277.298.947.059.108.8011.357.5310.74常规认知14.1517.6913.9317.0715.2619.7117.2122.2114.3820.50常规操作37.6447.0342.4952.0934.3144.2928.2136.3931.9545.53非常规操作19.2124.0117.8621.9020.8326.9023.2930.0516.3023.23合计80.0210081.5610077.4510077.5110070.16100从 2010-2018 年近 10 年就业结构变动来看,认知类岗位就业份额增加,操作类就业份额下降,这种变化主要来自新增大学毕业生更多地配置在认知类岗位(本科及以上在非常规认知、常规认知岗位的组间构成效应分别为4.09和 1.64,专科在两类岗位新增就业份额分别为 1.68 和 1.05),而减少的高中及以下劳动力更多地从操作类岗位退出(高中及以下劳动力在常规操作和非常规操作岗的组间构成效应分别为-4.64 和-2.37)。但从组内再配置来看,大学生劳动力(特别是专科劳动力)更多从非常规认知岗转移到了常规认知和常规操作岗。其中,专科劳动力在非常规认知岗的就业份额下降 1.2 个百分点,本科及以上劳动力下降 0.51 个百分点,相应地,两类大学生劳动力在常规认知岗和常规操作岗分别增长 0.99 和 0.95 个百分点,表现为技能降级的就业现象。而高中及以下劳动力则更多地从操作类岗位转移到了常规认知类岗位,实现了就业升级。这种反差与王永钦和董雯22的发现(即机器人的使用增加了高中及以下劳动力需求)较一致。从不同时期来看,2010-2012 年,就业结构整体表现为常规操作类岗位就业份额增加,其他岗位就业份额减少,这主要来源于规模相对较大的高中及以下劳动力的岗位再配置效应。这一时期,大学生劳动力就业结构变动也表现出了类似的特点,但其内部再配置效应略有不同,其岗位分布从工资分布两端的非常规认知岗位向中等收入的常规岗位转移,就转移份额而言,就业降级的规模略大于就业升级的规模。其中,本科及以上劳动力从收入最高的非常规认知岗转出0.22%,从收入最低的非常规操作岗转出实现就业升级的为 0.19%,二者大体相当。专科劳动力的降级份额为0.26%,升级份额为 0.07%。2012-2014 年,信息技术对就业结构的分化作用开始显现,常规操作岗位就业份额明显下降(下降份额为 7.68 个百分点),受到较大影响的高中及以下劳动力,其常规操作岗位就业下降 8.18 个百分点。大学生劳动力的影响尚不明显,就业结构变动幅度不大,但依然有0.85%(其中本科及以上为 0.15%,专科为 0.7%)的非常规认知岗位就业向其他低技能岗位转移。2014-2016 年,就业结构的分化特征更加明显,总就业结构依然以常规操作岗位就业份额减少为特征(减少份额为 6.43%)。这一时期,由于劳动力学历构成并未发生明显变化,就业结构的变动主要来自组内再配置效应。其中,6.12%高中及以下劳动力从常规操作岗转出,他们中的 3.68%转向收入更高的认知岗,2.44%转向非常规操作岗。本科及以上劳动力就业结构也出现了从常规岗位向非常规岗位转移的分化现象,再配置效应显示,常规认知岗位下降 0.23 个百分点,他们中的 0.13%转移到非常规认知岗位,实现就业升级,但0.1%转移到非常规操作岗位,出现就业降级。而专科劳动力的就业再配置则表现为典型的就业降级,有0.37%的劳动力从其他更高收入岗位转移到收入最低的非常规操作岗。2016-2018 年,人力资本构成出现比较明显的改善,更多大学生劳动力进入市场,形成了对高中及以下劳动力的挤出,表现为大学生劳动力在四类岗位组间72效应均增长的同时,高中及以下劳动力在四类岗位组间效应均下降。再配置效应显示,高中及以下劳动力再次从其他岗位向常规操作岗位转移,大学生劳动力在常规认知类岗位就业份额继续下降 0.31 个百分点,在常规操作岗位增长0.54个百分点。从就业结构的变动可以看出,近几年(特别是 2012年以后)中国劳动力市场分化的特征已逐渐显现,一方面,高中及以下劳动力不断从常规操作岗向工资分布更高和更低的认知岗和非常规操作岗位转移,另一方面,大学生劳动力不断从常规认知岗,向工资分布更高和更低的非常规认知岗和操作岗位转移。需要引起重视的是,在岗位转移过程中,大学生劳动力(特别是专科劳动力)有较大比例转移到了低技能岗位,以技能降级的方式实现就业。高中及以下劳动力却有较大比例转移到了更高收入岗位。这两种相反的市场结果必然会带来高等教育溢价的下降。表 3劳动力就业结构变动2010-2018 年全部本科及以上专科高中及以下总效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置非常规认知2.584.66-2.083.584.09-0.510.481.68-1.2-1.48-1.11-0.37常规认知3.910.952.962.11.640.461.591.050.530.23-1.741.97常规操作-4.13-4.03-0.110.710.20.510.850.410.44-5.69-4.64-1.05非常规操作-2.36-1.58-0.770.030.48-0.450.530.30.23-2.91-2.37-0.552010-2012 年全部本科及以上专科高中及以下总效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置非常规认知-3.08-0.71-2.37-0.76-0.55-0.22-0.59-0.33-0.26-1.730.17-1.9常规认知-0.25-0.16-0.090.02-0.220.25-0.04-0.210.17-0.230.27-0.51常规操作5.060.624.450.14-0.030.160.07-0.080.154.850.724.13非常规操作-1.730.25-1.98-0.26-0.06-0.19-0.12-0.06-0.07-1.350.37-1.722012-2014 年全部本科及以上专科高中及以下总效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置非常规认知1.151.87-0.721.231.37-0.150.160.86-0.7-0.24-0.370.12常规认知3.340.552.790.930.650.271.070.60.471.34-0.72.04常规操作-7.68-1.77-5.910.070.12-0.050.430.250.18-8.18-2.14-6.04非常规操作3.2-0.643.840.030.11-0.080.20.150.052.97-0.93.872014-2016 年全部本科及以上专科高中及以下总效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置非常规认知2.010.181.830.790.660.13-0.52-0.48-0.041.750.011.74常规认知1.59-0.051.650.120.35-0.23-0.47-0.42-0.061.950.011.94常规操作-6.43-0.09-6.340.120.050.06-0.45-0.17-0.28-6.10.03-6.12非常规操作2.82-0.042.860.090.050.040.28-0.10.372.460.022.442016-2018 年全部本科及以上专科高中及以下总效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置组效应组间构成组内再配置非常规认知2.52.93-0.432.332.37-0.031.431.40.03-1.26-0.83-0.43常规认知-0.770.74-1.511.031.16-0.131.041.22-0.18-2.83-1.63-1.2常规操作4.92-2.046.960.390.210.170.80.420.373.74-2.676.41非常规操作-6.65-1.63-5.010.170.18-0.010.180.4-0.22-6.99-2.21-4.7882三、岗位工资结构变动及高等教育溢价不同任务类型岗位的工资结构,反映的是不同任务技能的相对回报率,假如大学生劳动力在认知技能具有比较优势,高中及以下劳动力在操作技能具有比较优势,那么认知技能相对回报率的提高会扩大高等教育溢价,反之,操作技能回报率的提高则会缩小高等教育溢价。相关研究表明,人工智能及其他自动化技术,在对常规任务型劳动进行替代的同时,降低了此类技能的回报率(Acemoglu 和 Restrepo24;都阳等21)。工作任务的去常规化会导致岗位间技能回报率的极化,即中等技能岗位回报率下降,高技能和低技能岗位回报率上升(Autor 和 Dorn27)。由于大学生劳动力和高中及以下劳动力在岗位分布上既存在系统性的差别,又存在大量重合,岗位工资结构的变化又会给高等教育溢价带来怎样的影响?对此,我们将对岗位工资结构和高等教育溢价进行估计。(一)模型及变量基础模型如下:lnwage=0+joccupj+Z+u(2)lnwage=0+1college+X+(3)式(2)和式(3)分别是岗位工资结构模型和高等教育溢价模型,其中,lnwage为小时工资对数,occupj为j类岗位虚拟变量,college为学历虚拟变量,“大学及以上”取值为 1,否则为 0,X和Z为其他控制变量。反映的是不同岗位的相对技能回报率,1反映的是高等教育溢价。上述模型处理效应的一致估计需要满足非混淆假设(Unconfoundedness Assumption),即控制个体特征后,不同组别(学历、岗位)的工资收入必须与分组方法相互独立。但显然,教育选择和岗位选择,继而工资水平,均会受到不可观测因素(如能力、偏好等)的影响,从而产生选择偏差,导致不一致的估计量。为解决这一问题,我们使用基于分组处理效应的 RIF 回归的方法进行参数估计(Firpo 和 Pinto30;Fernando31)。RIF 回归估计的是 X 变量分布的微小变化引起的Y 分布统计值的变化,又被称为 X 的非条件偏效应(Firpo 等32)。而基于分组处理的 RIF 函数则是根据各组别个体特征分布,构造反事实特征分布,并经过分配权重调整后,实现因变量非条件分布,从而满足非混淆假设。其具体思想表述如下:一般 RIF 回归模型可以表述为:RIFyi,v(Fy)=X+i,E(i)=0(4)其中,v(Fy)为y分布的相关统计量。对(4)式求非条件期望可得:v(Fy)=ERIFyi,v(Fy)=EX+Ei=X(5)经分配权重调整后的RIF函数可以表示为:TRIFy,v(FY1)+(1-T)RIFy,v(FY0)=b0+b1T+(6)其中,T为分类变量,FYk为经权重调整后的非条件反事实估计,k(X)=P(T=k)P(T=k|X=x)表示权重。所以分组变量的系数b1反映的是两个组别相关统计量的差别。由此可以看出,反事实分布的获得,通过再分配权重的调整,去除了可能存在的内生选择偏差问题。其计算过程相当于,首先获得得分倾向P(X)的非参数估计,然后将其代入权重(X)的表达式获得(X)的一致估计量,再通过目标函数最小化得到反事实分布统计值。本文 RIF 回归过程中的分配权重调整分别使用mlogit 模型和 logit 模型获取权重。mlogit 模型用于岗位工资结构模型权重估计,以四类岗位为因变量,解释变量包括:学历(college)、经验及其平方项、城乡、性别、地区(东、中、西)、所有制、产业,这些变量也是工资结构模型的控制变量(Z)。logit 模型用于高等教育溢价模型的权重估计,解释变量包括:岗位(occup)、经验及其平方项、城乡、性别、地区(东、中、西)、所有制、产业,也即高等教育溢价模型的控制变量(X)。(二)岗位工资结构和高等教育溢价 RIF 回归结果表 4 是岗位工资结构和高等教育溢价的 RIF 回归结果,第一栏报告的是对包括任务岗位的所有变量进行控制下的高等教育溢价;第二栏是进一步将大学分为本科及以上和专科后的教育溢价;第三栏是控制了学历和其他变量下的岗位工资结构,以非常规操作岗作为参照组。从高等教育溢价来看,在控制岗位特征后,2010 年到 2012 年高等教育溢价依然呈现上升趋势,2012 年出现峰值,之后在波动中趋于下降。在进一步划分本科及以上和专科学历层次后(第二栏)我们发现,高等教育溢价下降的主体是专科学历劳动力,与高中及以下劳动力相比,其工资优势从 2012 年的 39.5%,不断缩小到 2018 年的 22.1%。本科及以上劳动力,在 2012 年以后也有所下降,但幅度不大,2014 年以后呈现缓慢回升趋势。92表 42010-2018 年岗位工资结构和高等教育溢价2010 年2012 年2014 年2016 年2018 年含岗位控制变量大学及以上0.362*(0.070)0.425*(0.078)0.304*(0.032)0.299*(0.049)0.303*(0.030)RIF 均值1.9622.1462.5372.5502.638F 值49.26*42.65*40.13*27.39*61.96*高等教育溢价含岗位控制变量本科及以上0.508*(0.110)0.559*(0.073)0.412*(0.032)0.431*(0.051)0.473*(0.040)专科0.323*(0.083)0.395*(0.087)0.258*(0.038)0.235*(0.058)0.221*(0.033)RIF 均值1.9622.1462.5372.5502.638F 值47.78*45.05*47.45*30.20*67.58*非常规认知0.384*(0.050)0.703*(0.057)0.419*(0.040)0.357*(0.044)0.354*(0.032)岗位工资结构常规认知0.114*(0.039)0.321*(0.042)0.168*(0.029)0.176*(0.037)0.217*(0.027)常规操作0.098*(0.037)0.232*(0.040)0.159*(0.034)0.077(0.049)0.156*(0.037)RIF 均值1.9262.0452.5132.5452.646F 值36.26*54.78*33.9*25.99*49.91*观测值53307882730237127531 注:括号内为稳健标准误;*p0.01,*p0.05,*p0.1;下表同。为了更加明确教育溢价与岗位工资结构的关系,我们进一步观察岗位工资结构的变动(第三栏)。在其他变量不变的情况下,岗位相对工资水平反映的是不同类型岗位技能的相对回报率。从回归结果可以看出,非常规认知技能回报率最高,其次是常规认知和常规操作,回报率最低的是非常规操作技能。2010-2012年,所有岗位的技能回报率均出现上升,特别是非常规认知岗位,其相对于非常规操作岗位的回报率从 38.4%提高到 70.3%,由于大学生劳动力更多地分布在非常规认知岗,这种变化可能导致了 2012 年高等教育溢价的上升。2012 年之后工资结构趋于收窄,各岗位相对于非常规操作岗的工资差距缩小。从回归结果上可以看出,非常规认知和常规认知技能相对回报率从 2012 年相差 38.2%,逐渐下降到 2018 年相差 13.7%,而常规认知和常规操作技能相对回报率更加接近,从 2012 年相差 8%,下降到 2014 年相差 0.9%,后又提高到 2018 年6%的差别。由于这种相对的变化趋势无法反映四类岗位的实际增长速度,为了更直观地体现四类岗位技能回报的变动,我们以 RIF 均值作为非常规操作岗工资增长率的代理变量,在此基础上计算其他四类岗位的相应的技能回报率(见图 1)。图 1 可以看出,2012-2014 年四类岗位技能回报率都在增长,不过操作技能回报率增长更快,特别是非常规操作技能,由此压缩了岗位工资结构。所以这一时期高等教育溢价的下降更多来自操作技能回报率相对较快的增长。2014-2016年最明显的变动体现在常规操作技能回报率的下降。2016-2018 年各岗位技能回报率都处于上升状态,常规操作和常规认知技能有着更快的增长率,这种变化可能是专科工资溢价下降,本科及以上工资溢价缓慢上升的原因。综合来看,岗位工资结构的变动并未出现典型的分化状态,2012 年后非常规认知岗工资增长放缓,非常规操作岗增长相对较快,从而使得工资结构整体收窄。从非常规认知岗相对工资水平在 2012 年以后不断下降的趋势可以看出,非常规认知技能回报率的增长慢于非常规操作技能,这是高等教育溢价下降的一个原因。另外,常规认知和常规操作技能回报率的差距相对较小,在一定程度上也降低了高等教育溢价,而这二者在技能回报率上的接近应当与智能、自动化设备对劳动力的替代有关系。图 1 岗位技能回报四、就业结构效应与技能价格效应贡献率估计为了能够看清岗位劳动力转移和岗位工资变动对高等教育溢价影响的程度,我们针对不同年份溢价变动,采用 RIF 分解的方法分析两类因素的贡献率。(一)RIF 分解通过 RIF 回归,可以得到以下两个组别分布统计值的表达式:v1=ERIF(y,v(FY|T=1)=X11(7)v0=ERIF(y,v(FY|T=0)=X00(8)尽管v1的反事实分布不可观测,但RIF回归可以通过观察到的T=0 组的分布乘上再分配权重,近似地拟合出T=1 组的反事实分布,计算方法如下式:03FCY=FY|X,T=0dFX|T=1FY|X,T=0dFX|T=0(X)(9)由此,可以得到反事实分布统计值:vC=ERIFy,v(FCY)=XCC(10)进一步分解得:v=X1(1-C)+(X1-XC)C+(XC-X0)0+XC(C-0)(11)其中,第一项为纯工资结构效应,第二项为权重分配误差,这两项之和构成总工资结构效应;第三项为纯特征效应,第四项为模型设定误差,这两项之和构成总特征效应(Fernando,202032)。这一部分,我们旨在分析不同年份高等教育溢价变动中,就业结构变动和岗位技能工资结构变动的贡献份额,因此具体回归分解模型如下:lnwageit=t+3j=1jtoccupijt+4j=1jtcollegeijtoccupijt+tXit+t(12)式中t表示不同年份,为岗位工资结构(参照组为非常规操作岗),为岗位内高等教育溢价,X为其他控制变量,包括:城乡、性别、地区、所有制、产业。不同年份工资变动的分解可表示为:v=ERIF(lnwage,v(FT=1)-ERIF(lnwage,v(FT=0)=occupj1(j1-jC)+(occupj1-occupjC)jC+(occupjC-occupj0)j0+occupjC(jC-j0)+collegej1occupj1(j1-jC)+(collegej1occupj1-collegejCoccupjC)jC+(collegejCoccupjC-collegej0occupj0)j0+collegejCoccupjC(jC-j0)+X1(1-C)+(X1-XC)C+(XC-X0)0+XC(C-0)(13)式(13)的前四大项的和即为不同年份平均工资变动中由岗位分布和岗位工资结构变动带来的变动(贡献),在控制了其他变量的情况下,这一部分反映的就是大学及以上组和高中及以下组工资差异的时间变动,也即高等教育溢价的时间变动。它又可以分为岗位间工资结构变动引发的高等教育溢价变动(第一大项),高中及以下劳动力岗位分布变动引发的工资差异变动(第二大项),岗位内溢价变动引发的工资差异变动(第三大项),以及大学生劳动力岗位分布变动引发的工资差异变动(第四大项)。(二)RIF 分解结果考虑到数字信息技术对劳动力需求的影响是一个潜移默化的长期过程,这种影响需要从一个宏观的视角进行探讨。根据 全球数字经济竞争力发展报告(2017)对中国数字经济发展阶段的划分,2003-2012年是数字经济高速发展时期,2013 年以后进入成熟期,数字经济开始影响个体的生产和生活。因此,分解过程中我们将样本数据分成 2010-2012 年和 2014-2018年两个阶段,观察数字经济普遍应用后对高等教育溢价产生的整体影响。通过对 2010-2012 年和 2014-2018 年两个阶段数据的回归分解(表 5),我们发现:整体上,第一,与 2010-2012 年相比,2014-2018年高等教育溢价平均值下降了 4.19%,纯特征效应和纯工资结构效应均为负值,意味着高等教育溢价下降既存在就业降级因素,也存在相对技能回报率下降因素,后者具有更大的影响(贡献率为 65%70%)。第二,从不同劳动力群体看,教育溢价的下降主来自专科劳动力岗位内教育溢价的缩小,以及岗位间技能工资差异的缩小,这两个因素分别导致高等教育溢价下降0.17%和 5.91%。而本科及以上劳动力教育溢价较2012 年之前提高了 1.89%。从具体的岗位和学历层次看,第一,2012 年之后与之前相比,本科及以上的教育溢价在非常规认知岗、常规认知岗、常规操作岗均有所提高,并且技能要求越高的岗位,教育溢价的涨幅越大(三类岗位溢价分别上涨1.348%、0.498%、0.109%)。其原因主要来自岗位内技能价格的提高,经再分配权重调整后的工资结构效应显示,三类岗位技能价格提高分别带动高等教育溢价提高 1.818%、0.776%和 0.074%。相应地,本科及以上劳动力在非常规操作岗不具有技能优势,他们在这一岗位技能价格的下降,使教育溢价下降 0.033%。需要引起关注的是,从就业结构看,2014-2018 年本科及以上劳动力在非常规认知岗和常规认知岗的就业比例均低于 2012 年以前,从而导致教育溢价分别下降 0.