中國勞動力工資水平影響因素的實證分析

1、調查數(shù)據(jù)型計量論文寫作范文： 中國勞動力工資水平影響因素的實證分析 本文所使用的數(shù)據(jù)實際為計量經濟學：現(xiàn)代觀點中的數(shù)據(jù)。1. 引言獲得更高的收入是每個勞動力畢生所追求的目標之一，也是每個人實現(xiàn)自我價值的重要手段。中國的勞動力市場一方面由于人口眾多，就業(yè)機會不足，表現(xiàn)為勞動力的總量供給過剩，存在供求總量失衡；另一方面，由于中國經濟的高速發(fā)展和經濟結構的戰(zhàn)略調整，又存在勞動力市場上存在過多的低素質和未開發(fā)的勞動力不能滿足高技術和技能的工作崗位的結構性矛盾。所以，就現(xiàn)階段而言，中國勞動力市場表現(xiàn)出期望就業(yè)機會與實際就業(yè)機會不匹配、期望個人薪酬與實際工資不匹配兩個落差。勿庸置疑，一個勞動力的工資水平不

2、僅與社會的歷史文化、經濟發(fā)展水平和產業(yè)結構相適應，也與勞動力的個體特征密切相關。它是社會選擇和勞動力的個體特征兩個因素交織在一起共同決定的結果。本文將其置于一個統(tǒng)一的研究框架討論，具體的，基于社會調查數(shù)據(jù)討論性別、婚姻、教育背景和工作經歷與工資水平之間的定量關系，并對回歸方程進行恰當?shù)慕忉專云趯斫夤べY水平的形成機制有所啟發(fā)和幫助。2. 研究框架2.1研究設計本文的研究設計如圖1所示：社會選擇個體特征性別婚姻教育背景工作經歷工資水平自變量因變量圖1：本文的研究設計勞動力市場總是存在各種歧視。貝克爾認為，如果某些人因為偏見而自愿放棄利潤、工資或所得，那就構成了歧視行為，比如，雇主明知雇傭A為企

3、業(yè)所帶來的利潤大于B所帶來的利潤，但雇主對A有偏見，所以會放棄利潤回報率高的A，而選擇利潤回報率低的B。按照微觀經濟學理論，歧視來自于有差別的定價，這時候，雇主有時候不會根據(jù)勞動力的生產率來定價，而是根據(jù)個人的歧視性偏好來定價，這是對貝克爾理論的擴展。如果某人或社會普遍對某一人群具有歧視性偏好，那么他寧愿用另一群體去代表些群體 百度搜索“勞動力市場 歧視”，通過網絡資料獲得整理。勞動力市場最常見和普遍的歧視是性別歧視，即在勞動力市場中，人們更愿意雇傭男性勞動力，這種歧視古己有之，中外無別。性別歧視主要來自于三個方面：一是男性與女性的生理差異。雖然中國的女性具有吃苦耐勞、溫柔細膩的優(yōu)良品質，但相

4、較之男性，由于其特殊的生理特點，企業(yè)出于安全方面的考慮，一般不會安排其較多的體力勞動，也不安排其單獨出差，或者加夜班，用人單位覺得使用女性更加麻煩，造成了女性生理性的就業(yè)障礙。二是社會傳統(tǒng)文化的影響。盡管建國幾十年來中國女性的社會地位發(fā)生了巨大的改變，但受幾千年男權社會所承襲下來的“男主外、女主內”思想慣性的影響，人們普遍認為在職場中，女性不如男性，職場中的女性就成為天然的弱者。三是女性的生育成本較高。未婚女性工作不久就會面臨結婚、生育和哺育等問題，用人單位為此需要付出直接和間接的成本，按照勞動法規(guī)定，女性產假期間，工資照發(fā)，用人單位不僅需要在此期間照發(fā)工資，還要找人頂崗，比較之下，企業(yè)寧愿“

5、擇男舍女”?；诖耍鎸ν瑯拥墓ぷ鳈C會，女性只能接受較低的工資水平 基于我國勞動力市場歧視中性別歧視的幾點思考等資料，CNKI題目搜索“性別歧視”。勞動力市場的另一種歧視是婚姻歧視。雖然在筆者力所能及的范圍內，無法在理論上獲得婚姻狀況與工資水平間必然的聯(lián)系，但在現(xiàn)實中，用人單位的婚姻歧視并不鮮見，比如，近年來在一些國有企業(yè)和外資企業(yè)中出現(xiàn)的“隱婚族”現(xiàn)象就反映了對婚姻狀況的歧視。再比如，2006年之前在國家、地方公務員招考中，有不少職位對報考者婚姻狀況進行限制 論大學生就業(yè)平等權的法律保護，百度搜索“婚姻歧視 勞動力市場”，CNKI下載。不過，婚姻歧視不僅表現(xiàn)為雇主對對己婚者的歧視，也表現(xiàn)為對

6、未婚者的歧視，其主要原因是雇主對己婚者和未婚者各自不同的假定優(yōu)點的側重。對己婚者進行歧視的雇主一般假設未婚者家庭負擔較小，工作時間充裕，學習能力及可塑性強。對未婚者進行歧視的雇主則一般假設己婚者責任心較重，做事細心，行事穩(wěn)重，待人親和，易給人以安全感和信任感 警惕新型就業(yè)歧視，CNKI全文搜索“婚姻歧視”。除了社會選擇中的歧視行為會影響到勞動力的工資水平外，勞動力的個體特征也是影響工資水平的重要變量，個體特征是勞動力后天獲得的可以改變的個人屬性和特點，比如教育背景和工作經歷。雖然學歷不能代表能力，但毫無疑問，個人教育背景是最重要的個體特征。按照篩選假設理論，雇主總是希望從眾多的求職者中選拔有適

7、當能力的人去填補空缺崗位，但問題是，當他與求職者在勞動力市場上相遇時，他并不了解這些人的能力如何，為此，雇主必須憑借求職者發(fā)出的信號（簡歷），了解求職者的能力。人們普遍認為，一個人所能達到的教育水平與其付出的成本有關，能力越高，達到這種教育水平所需要付出的成本也就越低，因此，教育水平越高，則勞動力的能力也就越強，更容易獲得高工資 。不過，有調查數(shù)據(jù)并不完全支持篩選理論，這些調查表明，總體上，工資水平隨著學歷的增加而增長，但在高學歷人群中，碩士在年薪平均值和年薪中位數(shù)上全面超過博士 。關于工作經歷與工資水平關系的理論闡述一般來自國外人力資本理論的研究文獻。其一是貝克爾提出的總體人力資本投資使得人

8、力資本隨著經驗的積累而提升的觀點。他認為，在競爭的勞動力市場前提下，工資等于勞動邊際產出價值。因此工資隨著勞動邊際產出價值的提升而同步提升。其二是滯后補償激勵理論。拉齊爾和阿諾特提出，工資隨任期工作經驗積累上漲的主要原因是雇主和雇員之間存在“委托-代理”關系。由于雇主難以監(jiān)督雇員的工作和跳槽行為，通過將雇員任職初期的工資壓低在勞動邊際貢獻價值之下、任職后期以超出勞動邊際貢獻價值支付的機制設計，激勵員工努力工作并在長期中留住有經驗的員工 農民工工作經驗和工資相互關系的人力資本理論解釋，CNKI篇名搜索“工資”+“工作經驗”。這一切都意味著擁有更豐富工作經歷的人擁有更高的工資水平，不過，實際調查并

9、不盡然。因為工作經歷伴隨著年齡的增長而增加，有調查表明，勞動力的工資水平隨著年齡的增加而增加，到了45歲左右，工資達到極大值，在此之后，工資水平隨著年齡的進一步增長而下降 “工資水平”。2.2變量選取本文利用回歸分析來驗證本文的研究假設。其數(shù)據(jù)來自于社會調查，該社會調查通過社會調查問卷的形式完成，首先進行了小規(guī)模的抽樣對調查問卷進行驗證，修正完社會調查問卷后，進行了大規(guī)模的社會調查。共計發(fā)放問卷526份，其中有效問卷526份，調查對象采用了隨機的形式，主要是街邊行人。我們以對數(shù)小時工資（lwage）來表示被調查對象的工資水平，它是本文中的因變量，是被調查對象每小時的獲得工資（wage，元/小時

10、）的自然對數(shù)。代表社會選擇的性別以female表示，它是虛擬變量，當被調查對象為女性時取1，否則為0，根據(jù)本文的研究設計，我們預期該變量的與lwage負相關。被調查對象的婚姻狀況也用虛擬變量marr表示，己婚者賦值為1，未婚者賦值為0，根據(jù)本文的研究設計，我們無法明確確定它與lwage的關系，當雇主對己婚者進行歧視時，符號為負，當雇主對未婚者歧視時，符號為正，當兩種歧視均存在時，則取決于哪種歧視占據(jù)主導地位。表1 變量的描述性統(tǒng)計量 描述性分析不得不在正文中出現(xiàn)，但對該表必須有一個自我的解讀。wageeducexperfemalemarried觀測點526526526526526平均值5.90

11、12.5617.020.480.61中位數(shù)4.6512.0013.500.001.00最大值24.9818.0051.001.001.00最小值0.530.001.000.000.00標準差3.692.7713.570.500.49變異系數(shù)0.630.220.801.040.80偏 度2.01-0.620.710.08-0.44峰 度7.974.882.361.011.20JB統(tǒng)計量894.62111.4752.8687.6788.52教育背景以educ表示，為了研究問題的方便，我們把勞動力的學歷背景轉化為受教育年數(shù)，比如小學賦值6年，初中賦值9年，依此類推，同時我們還對該變量做了對數(shù)化處理（

12、leduc）。按照本文的研究假設，我們預期教育背景與工資水平正相關，當然，由于社會調查完全支持該結論，教育背景與工資水平亦可能呈倒U型，我們需要在實證研究中進行驗證。工作經歷以exper表示，它是每個受調查對象的工齡，我們同樣進行了對數(shù)化處理（lexper），按照本文的研究假設，我們依然預期它與工資水平正相關，不過，也有可能為倒U型。我們所建立的一般性模型如式（1）所示，所有變量的描述性統(tǒng)計如表1所示 對于因變量而言，如果在論文中使用wage則一直使用wage，如果使用lwage則一直使用lwage，這樣，在描述性統(tǒng)計中展示的也必需是論文中使用的變量，本文為了展示各種不同的模型建模和結果解釋，

13、同時使用了兩種因變量，學生在自己建模時不足為取。：wage=f(female-,marr?,educ+,exper+)···············（1）或者：lwage=f(female-,marr?,educ+,exper+)3. 實證研究3.1社會選擇與工資水平 性別對工資水平的影響如式（2）所示： Wage=7.099-2.512female+e········

14、;········（2） (0.210) (0.303)N=526 R2=0.116 A·R2=0.114 F=68.537 PF=0.000 Pe-jb=0.000整體上看，female在1%的顯著性水平上顯著，它的符號也符合我們的預期，并且能夠解釋整體因變量變異的11.6%，有一定的解釋力。式（2）說明，男性被調查對象的平均工資水平為7.099，女性被調查對象的平均工資水平僅為4.587，男女之間的工資水平有較大差異。婚姻對工資水平的影響如式（3）所示：Wage=4.844+1.730marr+e&#

15、183;···············（3） (0.251) (0.321)N=526 R2=0.052 A·R2=0.051 F=28.951 PF=0.000 Pe-jb=0.000在式（3）中，marr在1%的水平上也是顯著的，R2為0.052說明marr可以解釋整體因變量變異的5.2%，對因變量的解釋力度小于female。注意到marr的符號是正號，它說明雇主更喜歡雇傭已婚者，相比較而言，未婚者的平均工資為4.884元，而己婚者

16、的平均工資為6.614。為了進一步考察性別和婚姻對工資的影響機制，我們估計了式（4）和式（5）：Wage=6.180-2.294female+1.339marr+e················（4） (0.296) (0.302) (0.310)N=526 R2=0.146 A·R2=0.143 F=44.778 PF=0.000 Pe-jb=0.000Wage=5.168-0.556female+2.815marr-2.

17、861female*marr+e······（5） (0.361) (0.474) (0.436) (0.608)N=526 R2=0.181 A·R2=0.176 F=38.451 PF=0.000 Pe-jb=0.000式（4）是式（5）的約束方程，后式考慮了female和marr之間的交叉作用。式（4）中female和marr都是顯著的，式（5）除female外，其余變量是顯著的。因此，我們刪掉式（5）中的female，形成式（6）：Wage=4.844+3.139marr-3.417female*marr+e

18、3;·····（6） (0.234) (0.338) (0.381)N=526 R2=0.179 A·R2=0.176 F=56.944 PF=0.000 Pe-jb=0.000式（6）中所有變量都是顯著的。我們可以將（4）式和（6）式進行比較，式（6）的A·R2高于式（4），不過，式（6）所表現(xiàn)出的解釋力并沒有式（4）好，未婚男性和未婚女性的工資水平都是4.844。在式（4）中的未婚男性的平均工資為6.180，未婚女性的平均工資為3.866，己婚女性的平均工資為5.225，己婚男性的工資最高為7.519，基于此，在本文的其

19、后部分，我們將以式（4）為基礎進行擴展 從式（4）到式（6）實際上展示了“嘗試”過程，其中，式（4）和式（6）都是合理的，因為式（4）的經濟性質最好一些，而式（6）的統(tǒng)計性質更好一些，因此，選擇哪個模型取決于學生自己的偏好。不過，在文章中實際上根本沒有必要展示這個“嘗試”過程，下文中的這種“嘗試”均省略。從全文來看，式（4）-式（6）毫無必要，因為在這里就是單變量回歸。3.2個體特征與工資水平我們根據(jù)研究框架構造了式（7）和式（8）來描述了教育背景與工資水平的關系。Wage=-0.905+0.541educ+e·······

20、·········（7） (0.685) (0.053)N=526 R2=0.165 A·R2=0.163 F=103.363 PF=0.000 Pe-jb=0.000Wage=5.408-0.607educ+0.049educ2+e················（8） (1.459) (0.241) (0.010)N=526 R2=0

21、.201 A·R2=0.198 F=65.793 PF=0.000 Pe-jb=0.000式（8）是一個多項式模型，它估計的統(tǒng)計結果明顯優(yōu)于單變量方程式（7），不僅A·R2更高，而且所有的系數(shù)在5%的顯著性水平都是顯著的，顯然，式（7）中的常數(shù)項是不顯著的。但是式（8）的問題在于，它并不符合理論假設，因為它根本不是倒U型，恰恰相反，它表現(xiàn)為正U型。這意味著教育背景的增加在初期會降低勞動力的工資水平，在后期才會提高工資水平。我們無法對此做出恰當?shù)慕忉?。我們?shù)據(jù)不支持倒U型的重要原因是，數(shù)據(jù)中高學歷的樣本點太少，因為僅有博士的收入低于碩士，其它的，因學歷增加而工資增加。我們選擇

22、式（7）來描述教育背景和工資水平，該式說明，當受教育經歷每增加一年時，工資增加0.541元/小時，當然，我們也注意到，式（7）中的常數(shù)項是無意義的。式（9）和式（10）也是我們根據(jù)研究框架構造的，描述工作經歷和工資水平關系的方程式。Wage=5.373+0.031exper+e··················（9） (0.257) (0.012)N=526 R2=0.013 A·R2=0.010 F=6

23、.766 PF=0.000 Pe-jb=0.000Wage=3.725+0.298exper-0.006exper2+e················（10） (0.346) (0.041) (0.001)N=526 R2=0.093 A·R2=0.089 F=26.740 PF=0.000 Pe-jb=0.000式（9）和式（10）在統(tǒng)計上都是顯著的，符號也符合我們的預期，尤其是是式（10），它說明工作經歷和工資水平之間表

24、現(xiàn)倒U型，勞動力在工作24-25年時（-b/2a）出現(xiàn)轉折，在此之前，工作經歷與工資水平之間是正相關，在此之后，工作經歷與工資水平之間負相關。注意到式（10）的A·R2遠高于式（9），我們認為式（10）比式（9）更能體現(xiàn)為工作經歷與工資水平之間的關系。3.3整體回歸我們共有四個自變量，根據(jù)單變量回歸結果，式（2）、（3）、（7）和（10）是描述單個自變量與因變量的最優(yōu)方程。而且，教育背景對工資差異的解釋力度最大（16.5%），性別次之，再次之是婚姻和工作經歷。我們以教育背景為基礎通過逐步回歸法 我們采用的是逐步回歸法，即是以一個單變量方程為基礎逐漸加了其它變量，在各種可能的組合均嘗試

25、后，形成最終的方程。另一種比較實用的逐步回歸是先對所有自變量進行回歸，再逐漸刪除不顯著變量，同學們可以嘗試?？疾熳兞块g的多元回歸方程。最終的估計結果如表2所示：表2：工資水平的整體回歸（因變量：lwage）模型模型模型模型模型模型模型常數(shù)-0.216-0.040-0.315-0.960*-0.927*-0.919*-0.960*(0.202)(0.237)(0.197)(0.205)(0.207)(0.208)0.246leduc0.808*0.737*0.788*0.904*0.891*0.930*0.904*(0.080)(0.094)(0.078)(0.078)(0.079)(0.077

26、)0.096female-0.387*-1.014*-0.352*-0.368*-0.361*-0.357*-0.368*(0.040)(0.445)(0.039)(0.037)(0.037)(0.037)0.037leduc*female0.250(0.177)marr0.217*0.0580.075*(0.040)(0.044)(0.043)lexper0.323*0.295*0.141*0.323*(0.068)(0.071)(0.020)0.063lexper2-0.041*-0.037*-0.041*(0.016)(0.016)0.015N524524524524524524524R

27、20.2810.2830.3190.3820.3840.3780.382A·R20.2780.2790.3150.3770.3780.3730.377F101.66068.57281.25580.20564.60578.86380.205PF0.0000.0000.0000.0000.0000.0000.000Pe-jb0.0060.0120.0010.0010.0010.0030.001注：（1）括號里的數(shù)值為標準差；（2）*、*、*分別表示在1%、5%、10%水平上顯著。表2一共給出7個模型。模型是由leduc和female共同建立起來的雙變量模型， 注意到這兩個變量在1%的顯著

28、性水平上顯著的，而且相比單變量模型，雙變量模型A·R2有了顯著的提高。于是，我們嘗試的構造了leduc和female的交叉效應模型，形成了模型，不過，這個交叉項并不顯著，而且模型和模型的A·R2并無太大差異，所以，我們再以模型為基礎，增加其它變量。我們首先在模型中添加了marr變量，形成模型，然后在模型中增加lexper和lexper2形成模型，最后同時將marr和lexper以及l(fā)exper2添加在模型中形成了模型。注意到模型和模型中的所有變量都是顯著的，但在模型中的marr是不顯著的，因為marr在單變量式（3）中是顯著的 任何變量，在單變量方程中顯著，則在多變量方程中

29、一般也顯著，反之則反是。如果在單變量方程中顯著，在多變量方程中不顯著，則更需要討論。，所以我們懷疑marr在模型中不顯著是lexper引起的，于量，我們嘗試著刪除了變量lexper2形成了模型（根據(jù)式（9），lexper的單變量也是有意義的），顯然，模型中marr在10%的水平上是顯著的?，F(xiàn)在，我們有模型、模型和模型 如果同學覺得模型最好，也可以說的過去，闡述的角度在于，該模型體現(xiàn)了四個變量影響。模型顯著是最優(yōu)的，雖然該模型中并不包含marr，但它的A·R2為最高的0.377，所有自變量能夠解釋因變量變異的37.7%，模型的A·R2不僅比模型略小，而且marr是弱顯著的。綜觀我們建立的所有模型，模型基本是穩(wěn)定的。因為和前面的所有模型相比，模型中變量的系數(shù)是相當穩(wěn)定的，而且符合預期，尤其是leduc和female這兩個變量 在3.1和3.2節(jié)我們用的因變量和自變量都沒有取對數(shù)，學生請自行嘗試估計lwage分別對leduc和female的單變量模型，并比較它們和模型的系數(shù)?，F(xiàn)在，我們對模型進行檢驗，在檢驗的過程中，我們也要回答為什么marr不應被添加到最終決定的方程中。我們僅進行多重共線性檢驗和異方差檢驗，不考慮序列相關檢驗，因為本數(shù)據(jù)組