中国劳动力工资水平影响因素的实证分析

1、调查数据型计量论文写作范文： 中国劳动力工资水平影响因素的实证分析 本文所使用的数据实际为计量经济学：现代观点中的数据。1. 引言获得更高的收入是每个劳动力毕生所追求的目标之一，也是每个人实现自我价值的重要手段。中国的劳动力市场一方面由于人口众多，就业机会不足，表现为劳动力的总量供给过剩，存在供求总量失衡；另一方面，由于中国经济的高速发展和经济结构的战略调整，又存在劳动力市场上存在过多的低素质和未开发的劳动力不能满足高技术和技能的工作岗位的结构性矛盾。所以，就现阶段而言，中国劳动力市场表现出期望就业机会与实际就业机会不匹配、期望个人薪酬与实际工资不匹配两个落差。勿庸置疑，一个劳动力的工资水平不

2、仅与社会的历史文化、经济发展水平和产业结构相适应，也与劳动力的个体特征密切相关。它是社会选择和劳动力的个体特征两个因素交织在一起共同决定的结果。本文将其置于一个统一的研究框架讨论，具体的，基于社会调查数据讨论性别、婚姻、教育背景和工作经历与工资水平之间的定量关系，并对回归方程进行恰当的解释，以期对理解工资水平的形成机制有所启发和帮助。2. 研究框架2.1研究设计本文的研究设计如图1所示：社会选择个体特征性别婚姻教育背景工作经历工资水平自变量因变量图1：本文的研究设计劳动力市场总是存在各种歧视。贝克尔认为，如果某些人因为偏见而自愿放弃利润、工资或所得，那就构成了歧视行为，比如，雇主明知雇佣A为企

3、业所带来的利润大于B所带来的利润，但雇主对A有偏见，所以会放弃利润回报率高的A，而选择利润回报率低的B。按照微观经济学理论，歧视来自于有差别的定价，这时候，雇主有时候不会根据劳动力的生产率来定价，而是根据个人的歧视性偏好来定价，这是对贝克尔理论的扩展。如果某人或社会普遍对某一人群具有歧视性偏好，那么他宁愿用另一群体去代表些群体 百度搜索“劳动力市场 歧视”，通过网络资料获得整理。劳动力市场最常见和普遍的歧视是性别歧视，即在劳动力市场中，人们更愿意雇佣男性劳动力，这种歧视古己有之，中外无别。性别歧视主要来自于三个方面：一是男性与女性的生理差异。虽然中国的女性具有吃苦耐劳、温柔细腻的优良品质，但相

4、较之男性，由于其特殊的生理特点，企业出于安全方面的考虑，一般不会安排其较多的体力劳动，也不安排其单独出差，或者加夜班，用人单位觉得使用女性更加麻烦，造成了女性生理性的就业障碍。二是社会传统文化的影响。尽管建国几十年来中国女性的社会地位发生了巨大的改变，但受几千年男权社会所承袭下来的“男主外、女主内”思想惯性的影响，人们普遍认为在职场中，女性不如男性，职场中的女性就成为天然的弱者。三是女性的生育成本较高。未婚女性工作不久就会面临结婚、生育和哺育等问题，用人单位为此需要付出直接和间接的成本，按照劳动法规定，女性产假期间，工资照发，用人单位不仅需要在此期间照发工资，还要找人顶岗，比较之下，企业宁愿“

5、择男舍女”。基于此，面对同样的工作机会，女性只能接受较低的工资水平 基于我国劳动力市场歧视中性别歧视的几点思考等资料，CNKI题目搜索“性别歧视”。劳动力市场的另一种歧视是婚姻歧视。虽然在笔者力所能及的范围内，无法在理论上获得婚姻状况与工资水平间必然的联系，但在现实中，用人单位的婚姻歧视并不鲜见，比如，近年来在一些国有企业和外资企业中出现的“隐婚族”现象就反映了对婚姻状况的歧视。再比如，2006年之前在国家、地方公务员招考中，有不少职位对报考者婚姻状况进行限制 论大学生就业平等权的法律保护，百度搜索“婚姻歧视 劳动力市场”，CNKI下载。不过，婚姻歧视不仅表现为雇主对对己婚者的歧视，也表现为对

6、未婚者的歧视，其主要原因是雇主对己婚者和未婚者各自不同的假定优点的侧重。对己婚者进行歧视的雇主一般假设未婚者家庭负担较小，工作时间充裕，学习能力及可塑性强。对未婚者进行歧视的雇主则一般假设己婚者责任心较重，做事细心，行事稳重，待人亲和，易给人以安全感和信任感 警惕新型就业歧视，CNKI全文搜索“婚姻歧视”。除了社会选择中的歧视行为会影响到劳动力的工资水平外，劳动力的个体特征也是影响工资水平的重要变量，个体特征是劳动力后天获得的可以改变的个人属性和特点，比如教育背景和工作经历。虽然学历不能代表能力，但毫无疑问，个人教育背景是最重要的个体特征。按照筛选假设理论，雇主总是希望从众多的求职者中选拔有适

7、当能力的人去填补空缺岗位，但问题是，当他与求职者在劳动力市场上相遇时，他并不了解这些人的能力如何，为此，雇主必须凭借求职者发出的信号（简历），了解求职者的能力。人们普遍认为，一个人所能达到的教育水平与其付出的成本有关，能力越高，达到这种教育水平所需要付出的成本也就越低，因此，教育水平越高，则劳动力的能力也就越强，更容易获得高工资 。不过，有调查数据并不完全支持筛选理论，这些调查表明，总体上，工资水平随着学历的增加而增长，但在高学历人群中，硕士在年薪平均值和年薪中位数上全面超过博士 。关于工作经历与工资水平关系的理论阐述一般来自国外人力资本理论的研究文献。其一是贝克尔提出的总体人力资本投资使得人

8、力资本随着经验的积累而提升的观点。他认为，在竞争的劳动力市场前提下，工资等于劳动边际产出价值。因此工资随着劳动边际产出价值的提升而同步提升。其二是滞后补偿激励理论。拉齐尔和阿诺特提出，工资随任期工作经验积累上涨的主要原因是雇主和雇员之间存在“委托-代理”关系。由于雇主难以监督雇员的工作和跳槽行为，通过将雇员任职初期的工资压低在劳动边际贡献价值之下、任职后期以超出劳动边际贡献价值支付的机制设计，激励员工努力工作并在长期中留住有经验的员工 农民工工作经验和工资相互关系的人力资本理论解释，CNKI篇名搜索“工资”+“工作经验”。这一切都意味着拥有更丰富工作经历的人拥有更高的工资水平，不过，实际调查并

9、不尽然。因为工作经历伴随着年龄的增长而增加，有调查表明，劳动力的工资水平随着年龄的增加而增加，到了45岁左右，工资达到极大值，在此之后，工资水平随着年龄的进一步增长而下降 “工资水平”。2.2变量选取本文利用回归分析来验证本文的研究假设。其数据来自于社会调查，该社会调查通过社会调查问卷的形式完成，首先进行了小规模的抽样对调查问卷进行验证，修正完社会调查问卷后，进行了大规模的社会调查。共计发放问卷526份，其中有效问卷526份，调查对象采用了随机的形式，主要是街边行人。我们以对数小时工资（lwage）来表示被调查对象的工资水平，它是本文中的因变量，是被调查对象每小时的获得工资（wage，元/小时

10、）的自然对数。代表社会选择的性别以female表示，它是虚拟变量，当被调查对象为女性时取1，否则为0，根据本文的研究设计，我们预期该变量的与lwage负相关。被调查对象的婚姻状况也用虚拟变量marr表示，己婚者赋值为1，未婚者赋值为0，根据本文的研究设计，我们无法明确确定它与lwage的关系，当雇主对己婚者进行歧视时，符号为负，当雇主对未婚者歧视时，符号为正，当两种歧视均存在时，则取决于哪种歧视占据主导地位。表1 变量的描述性统计量 描述性分析不得不在正文中出现，但对该表必须有一个自我的解读。wageeducexperfemalemarried观测点526526526526526平均值5.90

11、12.5617.020.480.61中位数4.6512.0013.500.001.00最大值24.9818.0051.001.001.00最小值0.530.001.000.000.00标准差3.692.7713.570.500.49变异系数0.630.220.801.040.80偏 度2.01-0.620.710.08-0.44峰 度7.974.882.361.011.20JB统计量894.62111.4752.8687.6788.52教育背景以educ表示，为了研究问题的方便，我们把劳动力的学历背景转化为受教育年数，比如小学赋值6年，初中赋值9年，依此类推，同时我们还对该变量做了对数化处理（

12、leduc）。按照本文的研究假设，我们预期教育背景与工资水平正相关，当然，由于社会调查完全支持该结论，教育背景与工资水平亦可能呈倒U型，我们需要在实证研究中进行验证。工作经历以exper表示，它是每个受调查对象的工龄，我们同样进行了对数化处理（lexper），按照本文的研究假设，我们依然预期它与工资水平正相关，不过，也有可能为倒U型。我们所建立的一般性模型如式（1）所示，所有变量的描述性统计如表1所示 对于因变量而言，如果在论文中使用wage则一直使用wage，如果使用lwage则一直使用lwage，这样，在描述性统计中展示的也必需是论文中使用的变量，本文为了展示各种不同的模型建模和结果解释，

13、同时使用了两种因变量，学生在自己建模时不足为取。：wage=f(female-,marr?,educ+,exper+)···············（1）或者：lwage=f(female-,marr?,educ+,exper+)3. 实证研究3.1社会选择与工资水平 性别对工资水平的影响如式（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整体上看，female在1%的显著性水平上显著，它的符号也符合我们的预期，并且能够解释整体因变量变异的11.6%，有一定的解释力。式（2）说明，男性被调查对象的平均工资水平为7.099，女性被调查对象的平均工资水平仅为4.587，男女之间的工资水平有较大差异。婚姻对工资水平的影响如式（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%的水平上也是显著的，R2为0.052说明marr可以解释整体因变量变异的5.2%，对因变量的解释力度小于female。注意到marr的符号是正号，它说明雇主更喜欢雇佣已婚者，相比较而言，未婚者的平均工资为4.884元，而己婚者

16、的平均工资为6.614。为了进一步考察性别和婚姻对工资的影响机制，我们估计了式（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）的约束方程，后式考虑了female和marr之间的交叉作用。式（4）中female和marr都是显著的，式（5）除female外，其余变量是显著的。因此，我们删掉式（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）中所有变量都是显著的。我们可以将（4）式和（6）式进行比较，式（6）的A·R2高于式（4），不过，式（6）所表现出的解释力并没有式（4）好，未婚男性和未婚女性的工资水平都是4.844。在式（4）中的未婚男性的平均工资为6.180，未婚女性的平均工资为3.866，己婚女性的平均工资为5.225，己婚男性的工资最高为7.519，基于此，在本文的其

19、后部分，我们将以式（4）为基础进行扩展 从式（4）到式（6）实际上展示了“尝试”过程，其中，式（4）和式（6）都是合理的，因为式（4）的经济性质最好一些，而式（6）的统计性质更好一些，因此，选择哪个模型取决于学生自己的偏好。不过，在文章中实际上根本没有必要展示这个“尝试”过程，下文中的这种“尝试”均省略。从全文来看，式（4）-式（6）毫无必要，因为在这里就是单变量回归。3.2个体特征与工资水平我们根据研究框架构造了式（7）和式（8）来描述了教育背景与工资水平的关系。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）是一个多项式模型，它估计的统计结果明显优于单变量方程式（7），不仅A·R2更高，而且所有的系数在5%的显著性水平都是显著的，显然，式（7）中的常数项是不显著的。但是式（8）的问题在于，它并不符合理论假设，因为它根本不是倒U型，恰恰相反，它表现为正U型。这意味着教育背景的增加在初期会降低劳动力的工资水平，在后期才会提高工资水平。我们无法对此做出恰当的解释。我们数据不支持倒U型的重要原因是，数据中高学历的样本点太少，因为仅有博士的收入低于硕士，其它的，因学历增加而工资增加。我们选择

22、式（7）来描述教育背景和工资水平，该式说明，当受教育经历每增加一年时，工资增加0.541元/小时，当然，我们也注意到，式（7）中的常数项是无意义的。式（9）和式（10）也是我们根据研究框架构造的，描述工作经历和工资水平关系的方程式。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）在统计上都是显著的，符号也符合我们的预期，尤其是是式（10），它说明工作经历和工资水平之间表

24、现倒U型，劳动力在工作24-25年时（-b/2a）出现转折，在此之前，工作经历与工资水平之间是正相关，在此之后，工作经历与工资水平之间负相关。注意到式（10）的A·R2远高于式（9），我们认为式（10）比式（9）更能体现为工作经历与工资水平之间的关系。3.3整体回归我们共有四个自变量，根据单变量回归结果，式（2）、（3）、（7）和（10）是描述单个自变量与因变量的最优方程。而且，教育背景对工资差异的解释力度最大（16.5%），性别次之，再次之是婚姻和工作经历。我们以教育背景为基础通过逐步回归法 我们采用的是逐步回归法，即是以一个单变量方程为基础逐渐加了其它变量，在各种可能的组合均尝试

25、后，形成最终的方程。另一种比较实用的逐步回归是先对所有自变量进行回归，再逐渐删除不显著变量，同学们可以尝试。考察变量间的多元回归方程。最终的估计结果如表2所示：表2：工资水平的整体回归（因变量：lwage）模型模型模型模型模型模型模型常数-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）括号里的数值为标准差；（2）*、*、*分别表示在1%、5%、10%水平上显著。表2一共给出7个模型。模型是由leduc和female共同建立起来的双变量模型， 注意到这两个变量在1%的显著

28、性水平上显著的，而且相比单变量模型，双变量模型A·R2有了显著的提高。于是，我们尝试的构造了leduc和female的交叉效应模型，形成了模型，不过，这个交叉项并不显著，而且模型和模型的A·R2并无太大差异，所以，我们再以模型为基础，增加其它变量。我们首先在模型中添加了marr变量，形成模型，然后在模型中增加lexper和lexper2形成模型，最后同时将marr和lexper以及lexper2添加在模型中形成了模型。注意到模型和模型中的所有变量都是显著的，但在模型中的marr是不显著的，因为marr在单变量式（3）中是显著的 任何变量，在单变量方程中显著，则在多变量方程中

29、一般也显著，反之则反是。如果在单变量方程中显著，在多变量方程中不显著，则更需要讨论。，所以我们怀疑marr在模型中不显著是lexper引起的，于量，我们尝试着删除了变量lexper2形成了模型（根据式（9），lexper的单变量也是有意义的），显然，模型中marr在10%的水平上是显著的。现在，我们有模型、模型和模型 如果同学觉得模型最好，也可以说的过去，阐述的角度在于，该模型体现了四个变量影响。模型显著是最优的，虽然该模型中并不包含marr，但它的A·R2为最高的0.377，所有自变量能够解释因变量变异的37.7%，模型的A·R2不仅比模型略小，而且marr是弱显著的。综观我们建立的所有模型，模型基本是稳定的。因为和前面的所有模型相比，模型中变量的系数是相当稳定的，而且符合预期，尤其是leduc和female这两个变量 在3.1和3.2节我们用的因变量和自变量都没有取对数，学生请自行尝试估计lwage分别对leduc和female的单变量模型，并比较它们和模型的系数。现在，我们对模型进行检验，在检验的过程中，我们也要回答为什么marr不应被添加到最终决定的方程中。我们仅进行多重共线性检验和异方差检验，不考虑序列相关检验，因为本数据组