摘要：利用2011年中国社会状况综合调查数据，分析了教育水平对劳动者失业风险的影响，实证结果证明教育水平越高劳动者的失业风险越低，说明我国“民工荒”和“大学生就业难”现象是局部的和短期的，受到诸如摩擦性失业、劳动力市场分割、产业结构等其他因素的影响，而教育对劳动者就业的影响是显著而且正向的。因此，我们仍然需要大力发展教育，通过提高劳动者素质带动产业结构调整，同时通过产业结构调整来充分利用智力资源，此外，要促进劳动力市场的融合以及劳动者之间的自由流动和公平竞争。
关键词：教育；失业风险；民工荒；大学生就业难
中图分类号： F2414文献标识码：A文章编号：1000-4149（2016）01-0089-09
DOI：103969/jissn1000-4149201601010
一、引言
人力资本是对人进行教育、培训、健康保健等方面的投资所形成的凝结在人身上的资本，包括他所拥有的各种知识、技能以及健康素质的总和。在劳动力市场上，失业是市场经济运行中的必然现象，一般来讲，人力资本存量较高的人群容易接受新知识和新技术，容易适应变化的市场环境，就业趋于稳定，而人力资本存量较低的人群失业风险更大。如图1所示，人力资本存量（H）和失业风险U（H）呈负相关关系， U（H）是关于H的单调下降函数，在H1点可导，当H小于H1时，U（H）=1，表示当生产者的人力资本存量为就业的临界点，刚好达到就业，但就业不稳定，失业风险非常大；随着人力资本存量H的增加，失业风险减少，当H达到或超过H*时， 函数U（H）在H*点可导，U（H）风险为0，表示生产者的人力资本存量足够大，无失业风险。
图题图1人力资本存与失业概率的关系
教育水平是人力资本的重要特征，一般来讲，教育水平越高就业概率越高，失业概率越小。然而，我国近年来确实出现了“民工荒”和“大学生就业难”并存的现象，那么是否意味着传统的人力资本理论并不适应我国的国情，教育水平越高失业风险越大吗？不少专家学者从以下四个方面对这种现象进行了研究。第一，从教育的角度看，认为我国各级各类教育发展不平衡，教育与经济社会发展联系不紧密，教育结构与产业结构矛盾是产生大学生就业难的主要原因[2-4]。第二，从产业结构方面看，认为“民工荒与大学生就业难”表面上反映了我国就业供求结构的失衡，而本质上反映了我国产业结构的不合理，我国已经达到和超越刘易斯拐点，但是产业结构还以劳动密集型产业为主，应该发展生产性服务业，促进制造业的升级[5-6]。王志华、董存田测算了我国制造业结构和劳动者素质结构的吻合度，认为我国体能型劳动力的比重要高于劳动密集型产业，出现东部民工荒的原因并不是劳动力供给短缺，而是用工需求增长、惠农政策促进了劳动力返乡、新生代农民工对工作要求提高以及劳动密集型产业向中西部转移造成的，此外，技能型劳动者比重要小于资本密集型产业导致的“技工荒”也是其重要原因。第三，从人口结构看，民工荒的现象更深层次反映的是我国人口结构的变化，劳动年龄人口的比重出现了下降，意味着我国劳动力供给出现了刘易斯拐点[8-9]。第四，从人力资本投资角度看，刘文勇、李国栋从人力资本投资的角度分析，通过大学教育进行的人力资本投资与劳动力需求在“总量上”是没有矛盾的，大学生就业难的主要原因在于毕业生与用人单位在薪酬和技能等方面存在结构性矛盾，而“民工荒”的产生并不能表明我国农村剩余劳动力出现了短缺，而是依靠廉价劳动力来获得利润的劳动密集型产业无法通过增长工资和提高劳动者技能来满足劳动者对自身人力资本存量提升的需求，最终导致劳动者“用脚投票”。
综合以上研究，“民工荒”和“大学生就业难”本质上是劳动力市场中劳动供给和劳动需求之间存在着结构性的矛盾。虽然这些研究都具有一定的客观性和现实意义，但大部分研究都采用的是定性研究方法，只是对现象进行了描述和质性判断，带有较大的主观性。而本文拟采用2011年中国社会状况综合调查（Chinese Social Survey，CSS）数据进行定量研究，客观分析在不同的教育水平下劳动者的失业概率水平，从而对“民工荒”和“大学生就业难”问题进行再研究，进而在研究结论的基础上对我国教育、产业结构、人力资本投资等方面提出合理化建议。
二、模型方法与数据来源
1. 模型方法
本文模拟的是教育水平对失业概率的影响，模型的因变量是一个二分类变量，即失业和就业两种情况，因此适用离散响应模型。离散响应模型讨论的是自变量的变动对因变量取值的概率的影响，对于因变量只有两种选择的模型又叫二值响应模型，即要估计公式（1）的系数。
P（y=1|x）=G（x，β）=p（x）（1）
这一问题的解决依赖于我们对p（x）的具体设定，其中p（x）是非线性形式，如果G（x，β）为标准正态分布，则该模型被称为Probit模型，如公式（2）：
P（y=1|x）=G（x，β）=Φ（x′β）=x′β-∞Φ（t）dt
（2）
如果G（x，β）为“逻辑分布”，则该模型被称为Logit模型，如公式（3）：
P（y=1|x）=G（x，β）Λ（x）=exp（x′β）1+exp（x′β）（3）
由于Probit和Logit模型的边际效应、准R2和“优势比”与Probit模型几乎等价，且标准正态分布没有解析表达式而逻辑分布有，所以通常计算Logit比Probit更方便。p（x）是非线性形式，可以用最大拟然法（MLE）进行估计。若P≡P（y=1|x），则1-P=P（y=0|x），由于P=exp（x′b）[]1+exp（x′β），1-P=1[]1+exp（x′β），故：
p[]1-p=exp（x′β），ln[p[]1-p]=x′β（4）
其中，p/（1-p）被称为“优势比（odds ratio）”，而估计量β∧在MLE表示的是x每增加一个单位引起的“对数优势比”的边际变化。 2. 数据来源和变量描述
本文采用的2011年中国社会状况综合调查数据。中国社会状况综合调查是中国社会科学院社会学研究所发起的一项全国范围内的大型连续性抽样调查项目。2011 年为第三期调查，2011 年的调查在全国 25 个省/自治区的城乡区域以及 5 座城市的市区开展，调查范围涉及 472个村、居委会（SSU）。调查规模为7036个家庭，数据内容涵盖劳动就业、家庭及社会生活、社会态度等方面。2011 年度调查的执行周期为 2011 年 7 月 1 日至 2011 年 10 月 1 日。
（1） 变量说明。就业状况为模型的因变量，自变量为不同的教育水平，此外要加入对就业产生影响的控制变量。一般来说包括人力资本因素，如工作经验、健康状况、性别等；家庭因素，如是否结婚、未成年的孩子数量等；制度和环境因素，如户籍情况、来本地居住时间；经济发展因素，如地处农村还是城镇、该地区的人均GDP等。
就业状况：为因变量，未就业=1、就业=0。2011年CSS调查数据中就业人口是指为其自身和家庭的收入或收益而劳动，即使调查日前一周只工作了一个小时也算。而在未就业的人口中，有正在上学的人，有料理家务未打算工作的人，有因为健康状况未工作的人，有因为单位破产、改制、下岗、内退、辞退等原因未工作的人，还有正在找工作还未找到工作的失业人口。总体来讲，未就业的人口可以分为失业人口和退出劳动力市场的人口两种，其中失业的人是指调查日前一周没有工作，想工作、能工作，并正在积极寻找工作的人。退出劳动力市场的人口有很大一部分是劳动力市场中失去寻找工作信心的“沮丧者”，但他们还有找工作的愿望，有可能随时进入劳动力市场。为了消除不确定因素对劳动力市场的影响和简化研究，本文对“失业”的定义扩大到所有未就业的人口。
教育程度：分为6个层次。未上学、小学=1；初中=2；高中、中专、职高技校=3；大学专科=4；大学本科=5；研究生=6。
年龄：根据就业特征，考虑到部分人群离退休后二次就业以及部分职业（包括农业）没有就业年龄限制，因此将样本年龄限制在17-67岁（调查对象最低年龄为17岁），最后得到的样本总数为6094。基本按5岁一个跨度对年龄进行分组：17-19岁、20-24岁、25-29岁、30-34岁、35-39岁、40-44岁、45-49岁、50-54岁、55-59岁、60-64岁、65-67岁。通过年龄组之间的比较，可以了解各年龄组失业风险的大小。
工作经验：从第一次参加工作开始计算，缺失项用年龄-受教育年限计算。
工作经验平方：一个人经验越丰富，他的失业概率越低，但随着经验增加，失业概率减少的幅度并不是一个常数，应该是递减的，因此使用了经验的平方做自变量。
性别：女性=1、男性=0。
婚姻：已婚=1、未婚=0。
未成年子女数量：一般来讲，未成年子女特别是6岁以下子女会影响母亲的就业，但在中国，一般家庭有孩子后，上一代人会参与未成年子女的抚养，而且有孩子的家庭就业的迫切性更高，因此需要进一步考察未成年子女对失业概率的影响。
户籍：农业户口=1、非农户口=0。
来本地居住时间：按年计算，不满整年的进1年。
地区：农村=1、城镇=0。
所在省（直辖市）人均GDP：本文采用所在省（直辖市）的人均GDP表示当地经济发展水平。
（2） 变量描述。各变量的描述性特征如表1所示。
（3） 失业概率与教育水平的独立性检验。通过对6094个样本的观察（见表2），教育水平为1、2、3者的失业概率要显然高于教育水平为4、5、6者，从直觉上失业概率与教育水平存在一定的失联。为了更加明确地了解这种关联度的正负，进一步做了相关关联系数的检验。检验结果如表2所示，皮尔逊卡方值和似然比卡方值分别为1248159、1252713，P值都小于0001，即可以在1%的显著性水平上拒绝原假设，也即一个人有工作与否与他受教育的水平是相互依赖的。而且Cramer’s V=01431，gamma=00562，Kendall’s taub=00306，这些系数都是显著为正，说明失业概率与教育水平存在显著的正相关。
三、实证过程与模拟结果
1模拟分析过程
本文采用逐步回归分析方法，将变量教育水平、经验、经验平方、年龄、性别、婚姻、未成年子女数
量、户籍、来本地居住时间、地区、所占省市人均GDP分步骤纳入方程进行Logit回归分析，将教育水平分组以及年龄分组作哑变量处理，所有分类变量的参照组均为第一组或取值为0的变量，表3是逐步模拟估计4个模型，分别将人力资本因素、家庭因素、制度环境因素和经济发展因素逐步纳入方程。
2模拟结果
四个模型样本数量均为6094个，模型的拟合程度较好，P值均小于00000，表示回归有显著的统计意义。模型的因变量均为是否就业，由于在模型中逐步加入更多的控制变量，模型的拟合度也在逐步升高，表示控制变量与因变量之间存在较强的关系。表4模型1中，只有教育水平、工作、工作经验、年龄和性别作为自变量，模拟结果显示大学专科、研究生、工作经验的平方、年龄在35-39岁、40-44岁这些条件对失业概率并没有显著的影响，因此模拟结果并不理想。在模型2中增加了家庭特征变量婚姻和未成年子女数量后，发现婚姻状况和未成年子女数量对失业概率有很显著的影响，P值均小于0001，同时也增加了大学本科的显著度。模型3增加了制度环境特征变量户籍和来本地居住的时间，这两个变量对失业概率也存在显著的影响，P值均小于0001，而且大学本科和研究生的显著度也提高了。最后在模型4中增加了经济发展特征变量地区（农村/城镇）和所在省（直辖市）人均GDP，地区（农村/城镇）对失业概率的影响显著，P小于0001，所在省（直辖市）人均GDP的P值为0198，对失业概率的影响不大。此外，除了教育水平3（高中、中专、职高技校）（P=0749）、工作经验的平方（P=0459）、年龄在40-44岁（P=0595）、婚姻（P=02）对失业概率的影响不太显著外，其他各变量都对失业概率有显著的影响。 回归系数即概率模型中自变量的系数，表明的是自变量对因变量作用的方向和程度，系数为正表示失业概率增加，系数为负表示失业概率减少，系数的大小表明对失业概率的影响程度。从模型4可见，教育水平的5个哑变量初中，高中、中专、职高技校，大学专科，大学本科，研究生的系数依次为0299、00419、-0919、-1532、-1836，初中和高中、中专、职高技校系数为正，说明这两个教育水平对失业概率的影响为正，即失业风险在增加，大学专科、大学本科、研究生的系数为负，说明对失业概率的影响为负，且系数数值依次增大，说明教育水平越高，失业概率越低，这与我们的基础理论和直觉一致，即受教育程度越高，失业概率越低。需要注意的是，回归系数并不能反映各自变量对失业概率的实际作用大小，优势比更能反映自变量对因变量失业概率的实际作用大小。如教育水平为初中的系数是0299，OR值是1349，代表自变量变化使因变量发生比发生变化的倍数，也就是说初中学历失业概率发生比（因变量发生除以不发生的比率）是参照组（未上学、小学）的1349倍，高中、中专和职高技校的失业概率是未上学和小学学历的1043倍，大学专科的失业概率相对于未上学和小学则降低了601%，大学本科降低了784%，研究生降低了841%。因此，从实证结果看，随着教育水平的提高，失业风险在降低，且当教育水平达到大学专科以上时，失业概率显著降低，这与人力资本理论是相符的。
从工作经验来看，工作经验的系数为负，即随着工作经验的增加，失业概率减少。但随着经验增加，失业概率减少的幅度并没有呈现递减的规律，即工作经验的平方并不显著。
从年龄来看，参照16-19岁，20-24岁、25-29岁、30-34岁、35-39岁组的系数为负，即失业概率在减少，且失业概率发生比分别减少了401%、776%、733%和477%；40-44岁年龄组对失业概率的影响并不显著；而45-49岁、50-54岁、55-59岁、60-64岁、65-67岁组的系数均为正，说明失业概率相对16-19岁组在增加，且失业概率发生比分别为16-19岁组的362倍、1955倍、7445倍、4264倍、10961倍。因此可以看到，年龄对失业概率的影响非常显著，20-39岁组的失业概率最小，此后，随着年龄的增加失业概率逐步增加。
从性别来看，女性失业概率大于男性，失业发生比是男性的3015倍。
从家庭状况来看，婚姻对失业概率的影响并不显著，而未成年子女数对失业概率的影响在1%的水平下十分显著，但是也可以看到，第一个子女的抚养对就业的影响更大，但随着未成年子女数量的增加，失业概率是减少的。
户籍对失业的影响在1%的水平下也非常显著，农业户籍相对于非农户籍的失业概率在减少，失业发生比减少了457%。从户籍上看，“农民工”的失业概率较“非农”户籍的人口要低很多，可能的解释是，一方面适合“农民工”的工作岗位更多，另一方面是“农民工”对工作的要求更低，更容易找到满意的工作。
从到本地居住的时间来看，对失业的影响在1%的水平下显著，且随着到本地居住的时间延长，
失业概率逐渐减少，这与我们的常识也是吻合的。
此外，从当地的发展状况看，相对于城镇地区，农村地区的失业概率是减少的，失业概率减少了643%。也就是说城镇地区的失业概率要高，这其中主要的原因是留在农村地区的人口只要从事农业劳动就不被视为失业，那么就有很大部分的隐形失业存在；而该地区的经济发展水平即人均GDP指标对失业的影响并不显著。
四、研究结论
通过对不同教育水平失业风险概率的分析，证实了随着教育水平的提高失业概率是逐步降低的，这与传统的人力资本理论是相一致的。而我国出现的“大学生就业难”和“民工荒”并存的现象又该如何解释呢？本文将从以下三个方面加以分析和说明。
1. “概率”与“频率”
我们说概率是理论上对可能性的定量描述，是用理论、模型推导出来的；频率是实验、统计中实际发生的事件次数与总事件相比。频率往往会与概率有偏差，但是概率应该是频率在大样本容量时的极限，因此，可以把频率理解为“实际概率”。我国目前出现的“民工荒”和“大学生就业难”实际上是一定时期和一定地域范围内的特定现象，也就是说这种现象可能是局域的或者暂时的。比如在大学生毕业季寻找工作的时候，近千万的大学生一起涌向劳动力市场，大量劳动力被市场消化需要一定的时间，继而产生“摩擦性失业”，这是由于劳动力市场的动态属性、信息不对称或者某些劳动和就业制度造成的，随着时间的推移，摩擦性失业逐渐消失，大学生就业问题也逐步得到解决。同样，“民工荒”现象往往容易出现在春节后或者产业调整和转移的时候，也具有很强的时间特征和地区特征，难以反映劳动力市场的长期特征和全局特征。大范围的调查数据和足够的样本更能说明劳动力市场的现状和本质，因此，从实证结果看，我国目前的劳动力市场仍然是教育水平越高的劳动力失业概率越低。
2. 劳动力市场分割对不同教育水平劳动力失业概率的影响
农民工和大学生实际上处于两个完全分割的劳动力市场中。这种分割不同于城乡分割、地区分割、行业分割、单位分割等劳动力市场的横向分割，它本质上是一种纵向的分割，也称为“技术分割”，是由于劳动职业等级的客观界限和劳动者素质和受教育程度不同产生的差异造成的劳动力市场自然的分割。大学生往往是在工资高、工作稳定、工作条件好、就业保障好并有较多晋升机会的主要劳动力市场寻找工作，而农民工则主要在收入较低、工作条件差、工作不稳定、就业保障不完备、培训和晋升机会少的次级劳动力市场就业。前者由于大学生数量的增多和新增就业机会增加缓慢之间的矛盾造成了主要劳动力市场的竞争激烈。而后者由于农村剩余劳动力的逐渐减少和劳动密集型产业不断发展之间的矛盾造成了次级劳动力市场的劳动力短缺现象。“民工荒”和“大学生就业难”现象本质上反映的是两个劳动力市场的劳动供求关系发生的变化，由于这两个市场的长期分割，劳动者不能根据市场变化自由流动从而无法使得劳动供求结构达到新的平衡。 3. 其他因素对失业风险的影响
实证结果说明较高的教育水平对就业产生显著和正向的影响，但劳动力能否就业除了受到教育水平的影响外，还受到其他多种因素的影响，比如工作经验、年龄、未成年人子女数、户籍、来本地居住时间以及当地的宏观经济条件和特征等。因此，我们在分析“民工荒”和“大学生就业难”现象时，要综合劳动者个人人力资本存量、家庭因素等微观条件以及地区经济发展状况、产业发展状况、人口结构、就业和劳动力市场制度和政策等宏观经济条件来判断这种现象产生的原因，而不能盲目怀疑人力资本投资对个人就业和社会经济发展的作用。
五、政策建议
2011年中国社会状况综合调查数据的实证研究证明，劳动者受教育水平越高失业风险越低，人力资本投资对劳动者就业的促进作用是显著而正向的。2012年我国的大学毛入学率仅为267%，而美国、加拿大、韩国均超过90%，发达国家平均在50%以上，这说明我国劳动者素质还有待于进一步的提高（注：数据来源自世界银行数据库，wwwworldbankorg/）。首先，大力发展教育仍然是我国基本国策的重中之重，通过劳动者素质的提高可以带动产业的升级和发展。其次，大力发展知识、技术和资金密集型产业，可以为大学生等高素质的劳动者创造更多的就业机会，利用好这些智力资源。最后，打破户籍和学历的就业分割，提高次级劳动力市场的劳动保障水平，增加培训和晋升的机会，促进主要劳动力市场和次级劳动市场的融合，使得劳动力流动更为自由，市场竞争更加公平。
参考文献：
[1]王金营. 浅析人力资本、职业选择与失业风险[J]. 人口学刊，2001（4）：7-10.
[2]丁元竹. 正确认识当前“大学生就业难”问题[J]. 宏观经济研究，2003（3）：3-6，28.
[3]王远博. 大学生失业的经济学原因探讨[J]. 经济问题探索，2005（2）：64-66.
[4]王h，李化树. 基于“民工荒”和“大学生就业难”现象的教育透视[J]. 华北水利水电学院学报（社科版），2011（5）：182-184.
[5]余东华，范思远. 生产性服务业发展、制造业升级与就业结构优化――“民工荒与大学生就业难”的解释与出路[J]. 财经科学，2011（2）：61-68.
[6]苏剑，盛磊. 刘易斯拐点、大学生就业难和“民工荒”问题研究[J]. 广东商学院学报，2010（3）：4-8.
[7]王志华，董存田. 我国制造业结构与劳动力素质结构吻合度分析――兼论“民工荒”、“技工荒”与大学生就业难问题[J]. 人口与经济，2012（5）：1-7.
[8]蔡P. 人口转变、人口红利与刘易斯转折点[J]. 经济研究，2010（4）：4-13.
[9]王朝明，马斌. 中国“民工荒”与经济结构调整――基于刘易斯―托达罗理论模型的综合解释[J]. 河北经贸大学学报，2011（6）：64-70.
[10]刘文勇，李国栋. 以人力资本投资角度对“大学生就业难”与“民工荒”现象的分析[J]. 思想政治教育研究，2005（6）：22-24.