李 靜, 王 科

(安徽大學(xué) a.經(jīng)濟(jì)學(xué)院;b.創(chuàng)新發(fā)展戰(zhàn)略研究院,安徽 合肥 230601)

一、引 言

隨著我國經(jīng)濟(jì)的快速發(fā)展與農(nóng)民工群體的不斷壯大,勞動力市場的就業(yè)結(jié)構(gòu)和行業(yè)分布產(chǎn)生了巨大變化。目前農(nóng)民工勞動力總量過剩但局部行業(yè)就業(yè)人數(shù)短缺,說明存在一定的勞動力資源錯配,因此聚焦農(nóng)民工行業(yè)選擇研究具有一定的現(xiàn)實(shí)意義。

國內(nèi)有關(guān)就業(yè)選擇的研究對象多為女性[1-2]、大學(xué)生[3]這些社會特殊群體,研究順序一般為先研究分布情況接著進(jìn)行影響因素分析。有關(guān)農(nóng)民工就業(yè)選擇的文獻(xiàn)大多研究就業(yè)地選擇差異[4],僅有部分文獻(xiàn)關(guān)注到行業(yè)選擇的差異[5-6],考察農(nóng)民工行業(yè)類型選擇的文獻(xiàn)更加少見。

在理性人假說下,農(nóng)民工為了增加自身的收入水平、提高生活滿意度和自我認(rèn)可度,在行業(yè)選擇時應(yīng)當(dāng)傾向于工資較高的行業(yè),工資水平對決策有更顯著的影響?？垫日J(rèn)為個人、家庭、社會特征因素影響勞動力的就業(yè)選擇[6],但個人決策往往受到社會網(wǎng)絡(luò)中其他個體的影響,即同群效應(yīng);魏霄云和史清華通過空間計(jì)量經(jīng)濟(jì)學(xué)的方法證明了這一效應(yīng)對農(nóng)民工的非農(nóng)就業(yè)選擇有顯著影響[7]。任義科等研究發(fā)現(xiàn)農(nóng)民工外出務(wù)工在某種程度上具有盲目性,選擇上具有扎堆趨勢[8]。這一扎堆趨勢體現(xiàn)在行業(yè)選擇上則是農(nóng)民工可能受到區(qū)域內(nèi)從業(yè)人數(shù)較高的行業(yè)影響,存在“盲目跟風(fēng)”這一低效率行為,而非“理性選擇”,非理性的行業(yè)選擇無法給農(nóng)民工帶來穩(wěn)定的收入增長,還直接導(dǎo)致了勞動力市場的行業(yè)分布不均衡。

鑒于此,本文聚焦農(nóng)民工行業(yè)選擇問題,采用混合Logit模型分析農(nóng)民工行業(yè)選擇是“盲目跟風(fēng)”還是“理性選擇”,并基于研究結(jié)論提出針對性建議。本文可能的邊際貢獻(xiàn)在于:從研究視角來看,通過研究行業(yè)類型對農(nóng)民工行業(yè)選擇的影響,考察農(nóng)民工選擇行業(yè)是盲目的還是理性的,從而為優(yōu)化就業(yè)選擇提供建議;在行業(yè)類型劃分標(biāo)準(zhǔn)上,本文在實(shí)證研究中沒有將行業(yè)按照等級、單一標(biāo)準(zhǔn)或者三大產(chǎn)業(yè)劃分,而是以國家衛(wèi)生計(jì)生委中國流動人口動態(tài)監(jiān)測調(diào)查(CMDS)問卷中的行業(yè)劃分標(biāo)準(zhǔn)為基礎(chǔ),將農(nóng)民工行業(yè)類型分成14種(1)CMDS調(diào)查問卷中2012年、2018年分別將農(nóng)民工行業(yè)劃分成15類和21類,本文將就業(yè)人數(shù)過少或工作性質(zhì)類似的行業(yè)加以合并,最終得到14種行業(yè)類型是:采礦、電煤水熱、房地產(chǎn)、建筑、交通運(yùn)輸、居民服務(wù)、農(nóng)林牧漁、批發(fā)零售、制造業(yè)、住宿餐飲、租賃和商務(wù)、科教文衛(wèi)、新興產(chǎn)業(yè)、其他服務(wù)管理業(yè)。;在研究內(nèi)容上,本文在實(shí)證分析時考慮行業(yè)擴(kuò)張的影響,選擇修正后平均工資和行業(yè)結(jié)構(gòu)偏離度作為行業(yè)特征變量。

二、農(nóng)民工行業(yè)分布特征

1.樣本說明與數(shù)據(jù)來源

第一個數(shù)據(jù)集是CMDS數(shù)據(jù)。針對本文主要研究對象農(nóng)民工,篩選得到三組樣本:第一,由于 CMDS 數(shù)據(jù)調(diào)查對象為在流入地居住1個月以上,為了更符合農(nóng)民工的定義,本文剔除了流入時間為調(diào)查本年的、戶口非農(nóng)業(yè)、行業(yè)未知的樣本。2018年的數(shù)據(jù)篩選后剩下81 035個樣本數(shù)據(jù),其中男性有46 258人,女性有34 777人,性別分布較符合全國性別比例水平,并將此數(shù)據(jù)庫命名為CMDS2018a。第二,剔除年齡超過60歲的農(nóng)民工和流入新疆生產(chǎn)建設(shè)兵團(tuán)的特殊農(nóng)民工,得到2018年72 312個樣本數(shù)據(jù),2012年75 616個樣本,分別稱為CMDS2018b、CMDS2012b。第三,將第二步中2018年的寬形數(shù)據(jù)轉(zhuǎn)換為長形數(shù)據(jù)(2)混合Logit模型包含行業(yè)屬性,即自變量會隨每個行業(yè)和個體而變,因此按照多元Logit模型的寬形數(shù)據(jù)排列格式需要轉(zhuǎn)化為長形數(shù)據(jù)格式。,得到1 012 368個樣本數(shù)據(jù),稱之為CMDS2018c。

第二個數(shù)據(jù)集是2012-2018年中國勞動力動態(tài)調(diào)查(CLDS)數(shù)據(jù)。在研究行業(yè)聚集程度時,考慮到CMDS的流動人口樣本中近七成都是農(nóng)業(yè)戶口,故使用CLDS數(shù)據(jù)考察農(nóng)民工行業(yè)選擇與全體勞動力行業(yè)選擇的差異。

第三個數(shù)據(jù)集是2012-2018年各城市以及行業(yè)數(shù)據(jù)。城市層級的數(shù)據(jù)大多來自《中國城市統(tǒng)計(jì)年鑒》(2012-2018),對于其中部分城市數(shù)據(jù)的缺失,查找《中國統(tǒng)計(jì)年鑒》《中國人口和就業(yè)統(tǒng)計(jì)年鑒》中的數(shù)據(jù)進(jìn)行補(bǔ)充,共得到286個城市數(shù)據(jù)。

2.農(nóng)民工行業(yè)分布情況

研究農(nóng)民工的行業(yè)人數(shù)分布情況以CMDS2018a樣本數(shù)據(jù)為基準(zhǔn),將農(nóng)民工從事的行業(yè)分為21個類型(3)2018年CMDS數(shù)據(jù)庫的行業(yè)類型共21類,分別是:農(nóng)林牧漁,采礦業(yè),制造業(yè),電煤水熱生產(chǎn)供應(yīng),建筑業(yè),批發(fā)零售,交通運(yùn)輸、倉儲和郵政,住宿餐飲業(yè),信息傳輸、 軟件和信息技術(shù)服務(wù),金融業(yè),房地產(chǎn),租賃和商務(wù)服務(wù),科研和技術(shù)服務(wù),水利、環(huán)境和公共設(shè)施管理,居民服務(wù)、修理和其他服務(wù)業(yè),教育,文體和娛樂,公共管理、社會保障和社會組織,國際組織,衛(wèi)生,社會工作。。其中從事批發(fā)零售、制造業(yè)與住宿餐飲業(yè)這三大行業(yè)的農(nóng)民工人數(shù)占據(jù)農(nóng)民工總?cè)藬?shù)的58.07%,這三大行業(yè)中有兩個都屬于第三產(chǎn)業(yè)。

縱觀所有行業(yè)類型,從事第三產(chǎn)業(yè)的農(nóng)民工占到總?cè)藬?shù)71.87%。值得關(guān)注的是,科研技術(shù)服務(wù)業(yè)和金融業(yè)也不乏有農(nóng)民工參與在其中。

從行業(yè)的區(qū)域分布來看,仍從事農(nóng)林牧漁業(yè)的農(nóng)民工主要分布在胡煥庸線以西偏北,那里人口較少土地遼闊,因此一批農(nóng)民工進(jìn)入從事農(nóng)業(yè)生產(chǎn)以彌補(bǔ)當(dāng)?shù)貏趧恿Σ蛔?且87.67%的人學(xué)歷在高中以下;從事第三產(chǎn)業(yè)的農(nóng)民工多分布于廣東,但各省份分布差異不大,且從事第三產(chǎn)業(yè)的農(nóng)民工有37.19%具有高中及以上學(xué)歷;從事第二產(chǎn)業(yè)的農(nóng)民工主要分布在浙江、廣東、江蘇這三大沿海省份,該產(chǎn)業(yè)中具備高中及以上學(xué)歷的農(nóng)民工占比為32.6%。

社會進(jìn)步與城市發(fā)展會帶來新型產(chǎn)業(yè)的出現(xiàn)以及行業(yè)集中趨勢的改變。本文參考段成榮等研究流動人口流入地分布集中程度的量化指標(biāo)計(jì)算方法[9],得到農(nóng)民工行業(yè)分布集中度指數(shù)計(jì)算公式:

(1)

其中:C為農(nóng)民工行業(yè)分布集中程度指數(shù);Ni為農(nóng)民工選擇從事i行業(yè)人口數(shù)占總農(nóng)民工數(shù)的比重;Ti為從事i行業(yè)人口數(shù)占總調(diào)查人口的比重。C的取值范圍在0～1,C值越小且越接近0表示農(nóng)民工的行業(yè)分布越分散,相反,C值越大且越接近1表示農(nóng)民工的行業(yè)分布越集中。

本文使用中國勞動力動態(tài)調(diào)查(CLDS)篩選出農(nóng)民工和非農(nóng)民工群體,計(jì)算得到農(nóng)民工行業(yè)分布情況(4)CLDS數(shù)據(jù)庫的行業(yè)類型共16類,分別是:農(nóng)林牧漁,采掘業(yè),制造業(yè),電力、煤氣及水的生產(chǎn)和供給業(yè),建筑業(yè),地質(zhì)勘查業(yè)、水利管理業(yè),交通運(yùn)輸、倉儲及郵電通信業(yè),批發(fā)和零售貿(mào)易、餐飲業(yè),金融保險(xiǎn)業(yè),房地產(chǎn)業(yè),社會服務(wù)-居民服務(wù)業(yè),衛(wèi)生、體育和社會福利業(yè),教育、文化藝術(shù)和廣播電影電視業(yè),科學(xué)研究和綜合技術(shù)服務(wù)業(yè),國家機(jī)關(guān)、黨政機(jī)關(guān)和社會團(tuán)體,其他行業(yè)。,見表1所列:

表1 2012-2018年農(nóng)民工行業(yè)分布集中度指數(shù) %

可以看到農(nóng)民工集中度指數(shù)一直大于40%,雖然有減少的趨勢但變化不大,說明行業(yè)分布有較明顯的集聚現(xiàn)象,且集聚程度短時間內(nèi)難以緩解。

為了反映農(nóng)民工在不同行業(yè)的聚集程度,借鑒高永輝和溫晶晶的方法[10],使用區(qū)位商(LQi)來分析農(nóng)民工這一特殊人群在各行業(yè)聚集程度大小,同時以2012-2018年的時間維度測量區(qū)位商三次變化情況,計(jì)算公式分別為:

(2)

LQ大于1,說明農(nóng)民工在某一行業(yè)分布較為集中;LQ等于1,說明農(nóng)民工在某一行業(yè)中的人口分布與全體就業(yè)人口在該行業(yè)的分布相同,行業(yè)分布處于均衡狀態(tài);LQ小于1,說明農(nóng)民工在某一行業(yè)中分布不足。其中與1的差距越大,不均衡問題越突出,可能存在農(nóng)民工進(jìn)入行業(yè)壁壘等問題。

根據(jù)式(2)計(jì)算得出2012、2014、2016、2018年共計(jì)16個行業(yè)的區(qū)位商LQ和區(qū)位商變化L。其中,僅衛(wèi)生、體育和社會福利業(yè)的區(qū)位商值從2012到2018年一直維持在合理波動區(qū)間,農(nóng)民工在絕大多數(shù)行業(yè)分布不均衡。2012-2016年制造業(yè)的區(qū)位商值一直保持最大,到了2018年這一地位被房地產(chǎn)業(yè)取代,房地產(chǎn)的區(qū)位商值在2016到2018年間陡升,農(nóng)民工從集中于制造業(yè)轉(zhuǎn)向房地產(chǎn)業(yè),且聚集現(xiàn)象尤為突出。

此外,區(qū)位商變化值在1上下波動穩(wěn)定的行業(yè)有:制造業(yè),交通運(yùn)輸業(yè)、倉儲及郵電通信業(yè),批發(fā)和零售貿(mào)易、餐飲業(yè),社會服務(wù)-居民服務(wù)業(yè),這是大多農(nóng)民工會選擇的傳統(tǒng)行業(yè);在非傳統(tǒng)行業(yè)中金融保險(xiǎn)業(yè)、科技研究和綜合技術(shù)服務(wù)業(yè)的區(qū)位商值有所提高。

三、農(nóng)民工行業(yè)選擇的影響因素

1.變量說明

(1)農(nóng)民工行業(yè)類型 為了較為詳細(xì)地了解農(nóng)民工的總體行業(yè)分布情況,本文把行業(yè)分為14類,詳見表2注解。

表2 變量描述性統(tǒng)計(jì)

(2)行業(yè)特征變量 農(nóng)民工外出務(wù)工是基于經(jīng)濟(jì)理性,因此就業(yè)收入是衡量農(nóng)民工就業(yè)決策行為效用最大化的指標(biāo)。

陳斌開和陳思宇基于2005年全國1%人口抽樣調(diào)查數(shù)據(jù)的實(shí)證研究發(fā)現(xiàn),當(dāng)前城鄉(xiāng)融合中傳統(tǒng)社會資本在低端服務(wù)業(yè)中依然可以發(fā)揮影響,農(nóng)民工通過信任的社會網(wǎng)絡(luò)和社會關(guān)系,顯著提高了進(jìn)入低端服務(wù)業(yè)的概率,帶來了行業(yè)人數(shù)的增加[11]。因此行業(yè)就業(yè)人數(shù)占比可以直接反映農(nóng)民工就業(yè)決策是否存在跟隨和模仿行為。

由于行業(yè)擴(kuò)張會直接導(dǎo)致行業(yè)就業(yè)人數(shù)增加,也會對行業(yè)的平均工資產(chǎn)生不確定的影響,本文選擇行業(yè)的修正工資水平(以行業(yè)產(chǎn)值比為系數(shù)對行業(yè)的年平均工資進(jìn)行加權(quán)處理)、行業(yè)結(jié)構(gòu)偏度(某行業(yè)產(chǎn)值比重/某行業(yè)就業(yè)人數(shù)相對比重-1)這兩個行業(yè)特征變量。

若行業(yè)的修正工資對農(nóng)民工進(jìn)入非農(nóng)行業(yè)概率產(chǎn)生正向影響則認(rèn)為農(nóng)民工行業(yè)決策存在“理性選擇”;若行業(yè)結(jié)構(gòu)偏離度對被解釋變量產(chǎn)生負(fù)面影響則認(rèn)為農(nóng)民工進(jìn)入非農(nóng)行業(yè)存在“盲目跟風(fēng)”。反之,結(jié)論相反。

(3)控制變量 一是個體特征變量?？紤]數(shù)據(jù)可得性,微觀個體特征選擇CMDS問卷。本文將重點(diǎn)討論農(nóng)民工年齡、性別、婚姻情況、受教育年限、家庭平均月支出、進(jìn)城年限、健康、留城意愿。在農(nóng)民工年齡方面,中青年對于工作時長和工作強(qiáng)度承受力更強(qiáng),行業(yè)選擇范圍更廣;中老年因?yàn)樯眢w、家庭等因素對行業(yè)選擇有一定局限性。

高學(xué)歷或較高學(xué)歷農(nóng)民工開始從事高新技術(shù)產(chǎn)業(yè),老一代農(nóng)民工因受教育水平所限只能繼續(xù)留在第一、二產(chǎn)業(yè)。

早進(jìn)城就業(yè)的那一批農(nóng)民工往往有更強(qiáng)的非認(rèn)知能力[12],所以2012年的CMDS對農(nóng)民工進(jìn)城年限的調(diào)查能在一定程度上補(bǔ)充農(nóng)民工除學(xué)歷以外的人力資本信息。

二是城市特征變量。農(nóng)民工流動的推動因素與經(jīng)濟(jì)水平直接相關(guān),而農(nóng)民工遷入地的人均 GDP(PGDP)可以更為直觀、真實(shí)地反映城市經(jīng)濟(jì)實(shí)力;城市人口規(guī)模(POP),以城市年平均人口數(shù)表示,可以綜合反映某一時期內(nèi)的城市人口規(guī)模;城市財(cái)政支出水平(GOV),以城市一般公共預(yù)算支出與城市GDP的比值表示,該指標(biāo)可以衡量地方政府的經(jīng)濟(jì)影響力。

具體變量說明及描述性統(tǒng)計(jì),見表2所列。

2.計(jì)量模型設(shè)定

新古典經(jīng)濟(jì)學(xué)家從個體理性選擇角度出發(fā)研究勞動力遷移行為,說明該行為可以用量化的數(shù)學(xué)模型(5)以托達(dá)羅為代表的新古典經(jīng)濟(jì)學(xué)的微觀理論從個體理性選擇的角度, 用量化的數(shù)學(xué)模型來解釋勞動力遷移行為。其具體公式的解釋見Theories of international migration:a review and appraisal(Population and Development Review 1993年第3期 )。來解釋。本文的行業(yè)類別為多分類變量,且各個行業(yè)類別是完全對等的,不區(qū)分主要、次要類別,所以可以采用多元Logit回歸模型分析個體微觀特征對農(nóng)民工進(jìn)入行業(yè)的影響,見式(3):

(3)

其中:P(Y=j)代表農(nóng)民工進(jìn)入j行業(yè)的概率;P(Y=1)代表對照組,本文以農(nóng)林牧漁為對照組,故j行業(yè)屬于非農(nóng)行業(yè)(6)本文所指的非農(nóng)行業(yè)是農(nóng)民工在非戶籍所在地從事除農(nóng)林牧漁業(yè)以外的其他所有行業(yè)。;PV代表個體特征變量:年齡、性別、婚姻、家庭月支出、健康狀況、留城意愿;HV代表人力資本變量:受教育年限、進(jìn)城年限;SV代表社會保障:醫(yī)療保險(xiǎn)。

3.基本估計(jì)結(jié)果

基于CMDS2012年和2018年數(shù)據(jù),分別完成對式(3)的回歸,回歸對比結(jié)果見表3所列。

表3 多元Logit模型基本回歸結(jié)果

以農(nóng)林牧漁業(yè)為對照組,整個模型的回歸結(jié)果具有顯著性。首先,除批發(fā)零售和科教文衛(wèi)外,2018年與2012年相比,男性農(nóng)民工勞動力進(jìn)入各非農(nóng)行業(yè)的概率增加,可見農(nóng)民工勞動力市場存在性別歧視。其次,受教育年限對農(nóng)民工進(jìn)入行業(yè)的概率的影響方向會依不同行業(yè)有所不同。從變化趨勢來看,2018年與2012年相比,在不同行業(yè)其影響變化也是各不相同,例如,受教育年限對進(jìn)入電煤水熱的正向影響增加,對房地產(chǎn)的正向影響減小。整體來看,其對農(nóng)民工選擇非農(nóng)行業(yè)的影響系數(shù)很小,故僅從提高農(nóng)民工學(xué)歷水平改善農(nóng)民工勞動力資源配置是遠(yuǎn)遠(yuǎn)不夠的。再次,除采礦業(yè)和其他服務(wù)管理業(yè),2018年與2012年相比,家庭成員數(shù)對農(nóng)民工進(jìn)入各行業(yè)的負(fù)面影響系數(shù)減小,這可能與家庭中女性逐漸進(jìn)入勞動力市場有關(guān)[1],一定程度上反映了農(nóng)民工在努力平衡工作與家庭;最后,家庭平均月支出能反映農(nóng)民工所在家庭的消費(fèi)水平,對農(nóng)民工進(jìn)入各非農(nóng)行業(yè)概率的影響顯著為正,2018年與2012年相比,對不同行業(yè)的影響系數(shù)絕對值變化不同,但影響系數(shù)較其他變量大。因此,在分析農(nóng)民工行業(yè)選擇時,家庭支出水平不容忽視。

標(biāo)準(zhǔn)Logit一般要滿足IIA 假設(shè)(無關(guān)選擇獨(dú)立性假設(shè)),即從樣本中去掉某一獨(dú)立的選擇類別后得到的參數(shù)估計(jì)值一定要是一致的但不一定是有效的,刪除選擇類別后所得的參數(shù)估計(jì)值如果非一致說明刪除的選擇類別和剩下類別之間并非真正獨(dú)立。

本文為了研究行業(yè)選擇類別是否真正獨(dú)立,用Hausman檢驗(yàn)結(jié)果顯示,批發(fā)零售和住宿餐飲這兩個行業(yè)類型拒絕了IIA假設(shè),表明農(nóng)民工行業(yè)的14種選擇并非獨(dú)立的無關(guān)選擇,用標(biāo)準(zhǔn)多元Logit模型研究影響農(nóng)民工行業(yè)選擇的因素不夠合理,故必須采用混合Logit模型。

混合 Logit模型為Logit模型的積分式,與之前模型不同的是:當(dāng)個體選擇某一行業(yè)的某一個變量發(fā)生變化時,選擇其他行業(yè)類型的概率變化的百分比取決于各自行業(yè)類型的變量和分布函數(shù), 因此概率變化并不相同,所以該模型克服了Logit模型比值無關(guān)性的缺陷,它放松了多元Logit模型的IIA假設(shè)。

4.“盲目跟風(fēng)”還是“理性選擇”

混合Logit模型中必須包含隨方案而變的屬性,因此本節(jié)加入2018年行業(yè)特征變量進(jìn)行混合Logit回歸,并根據(jù)行業(yè)特征對農(nóng)民工行業(yè)選擇的影響來判斷農(nóng)民工就業(yè)決策是否理性。

選擇的農(nóng)民工行業(yè)特征指標(biāo)(TV)有:行業(yè)產(chǎn)值比重(某行業(yè)增加值/國內(nèi)生產(chǎn)總值)、就業(yè)人數(shù)相對比重(某行業(yè)就業(yè)人數(shù)/當(dāng)?shù)厮行袠I(yè)就業(yè)人數(shù))、行業(yè)平均工資(7)綜合考慮行業(yè)的區(qū)域差異性和數(shù)據(jù)真實(shí)可得性,本文默認(rèn)全國各省份的行業(yè)產(chǎn)值比重相同,而各行業(yè)的就業(yè)人員人數(shù)相對比重和平均工資按照不同省份取值不同?！吨袊y(tǒng)計(jì)年鑒》私營單位各行業(yè)的就業(yè)人數(shù)不全,本文用各省份非私營企業(yè)的就業(yè)人員數(shù)和平均工資反映行業(yè)特征。等。行業(yè)產(chǎn)值比重在一定程度上反映了行業(yè)生產(chǎn)總規(guī)模和總水平。行業(yè)擴(kuò)張即行業(yè)的生產(chǎn)總規(guī)模增加,會影響行業(yè)的勞動力需求,進(jìn)而影響就業(yè)人數(shù)和平均工資。

為避免回歸結(jié)果涉及多重共線性等問題,本文引入 “行業(yè)結(jié)構(gòu)偏離度”[13]這一指標(biāo),它可以判斷行業(yè)結(jié)構(gòu)與農(nóng)民工就業(yè)結(jié)構(gòu)是否達(dá)到平衡狀態(tài)。

當(dāng)行業(yè)結(jié)構(gòu)偏離度越接近零,說明該行業(yè)的行業(yè)結(jié)構(gòu)與農(nóng)民工就業(yè)結(jié)構(gòu)越接近平衡狀態(tài),即越合理;當(dāng)行業(yè)結(jié)構(gòu)偏離度大于零,說明該行業(yè)農(nóng)民工供給數(shù)量不足;當(dāng)行業(yè)結(jié)構(gòu)偏離度小于零,說明農(nóng)民工供給過多。在行業(yè)產(chǎn)值一定的情況下,行業(yè)的結(jié)構(gòu)偏離度與就業(yè)人數(shù)相對比重呈反比關(guān)系,因此,若行業(yè)的結(jié)構(gòu)偏離度對農(nóng)民進(jìn)入各非農(nóng)行業(yè)的概率產(chǎn)生負(fù)向影響,則就業(yè)人數(shù)比重對其具有正向影響,此時可以認(rèn)為農(nóng)民工進(jìn)入非農(nóng)行業(yè)存在“盲目跟風(fēng)”。行業(yè)平均工資受到行業(yè)擴(kuò)張的影響是不確定的,因此本文采用全國行業(yè)產(chǎn)值比為權(quán)重系數(shù)對行業(yè)的年平均工資進(jìn)行加權(quán)處理得到修正后的行業(yè)平均工資,記作行業(yè)修正工資,若行業(yè)修正工資對農(nóng)民工進(jìn)入非農(nóng)行業(yè)概率產(chǎn)生正向影響則認(rèn)為農(nóng)民工行業(yè)決策存在“理性選擇”。

本節(jié)將基準(zhǔn)回歸中個體微觀特征作為控制變量,以行業(yè)修正工資對數(shù)和行業(yè)的結(jié)構(gòu)偏離度作為解釋變量,設(shè)計(jì)數(shù)學(xué)模型研究行業(yè)特征對農(nóng)民工行業(yè)選擇的影響:

(4)

其中:TV代表行業(yè)特征變量,即修正后的行業(yè)平均工資、行業(yè)結(jié)構(gòu)偏離度;其余變量與式(3)意義相同?；旌螸ogit回歸結(jié)果見表4所列。

表4 混合Logit模型回歸結(jié)果

實(shí)證分析結(jié)果顯示控制變量的影響方向與多元Logit基礎(chǔ)回歸基本相同。兩個行業(yè)特征變量作為解釋變量對被解釋變量都有顯著的影響,修正后的行業(yè)年平均工資對數(shù)的影響系數(shù)大于0,說明行業(yè)工資的增加會增加農(nóng)民工進(jìn)入該行業(yè)的概率,農(nóng)民工趨向流入工資水平增加的行業(yè),這是符合“理性選擇”定義的。但是,行業(yè)的結(jié)構(gòu)偏離度的影響系數(shù)小于0,回歸結(jié)果可以解釋為某行業(yè)的就業(yè)人數(shù)比重增加就會導(dǎo)致農(nóng)民工選擇該行業(yè)的概率提高,這恰恰符合了“盲目跟風(fēng)”的定義。雖然農(nóng)民工越來越依靠自主力量和本地朋友來找到合適的工作[14],但仍有一定比重的農(nóng)民工是依靠家人、親戚、同鄉(xiāng)和同學(xué),這導(dǎo)致就業(yè)信息獲取渠道的局限性,在同群效應(yīng)下農(nóng)民工容易同時進(jìn)入就業(yè)人數(shù)增加的行業(yè)?；貧w結(jié)果得到農(nóng)民工選擇行業(yè)保持一定理性是符合現(xiàn)實(shí)情況的,但考慮到一些就業(yè)人數(shù)較多的行業(yè)能提供農(nóng)民工更好的工資報(bào)酬,因此工資水平的正向影響結(jié)果可能與行業(yè)就業(yè)人數(shù)對農(nóng)民工進(jìn)入行業(yè)的正影響有關(guān)。另外,“賺快錢”的思想加劇了農(nóng)民工行業(yè)決策的同群效應(yīng),隨波逐流地進(jìn)入時下從業(yè)人數(shù)較多的行業(yè)分一杯羹,這也能解釋2018年大量農(nóng)民工從制造業(yè)集中轉(zhuǎn)向房地產(chǎn)行業(yè)的現(xiàn)象。綜上所述,農(nóng)民工的就業(yè)選擇存在“盲目跟風(fēng)”現(xiàn)象。

四、城市特征對農(nóng)民工行業(yè)選擇的影響

在上述回歸中考慮了個體差異,將個體微觀特征變量作為控制變量。其實(shí),我國城市之間在物價水平、生活成本、經(jīng)濟(jì)發(fā)展水平等方面存在較大差異,許多學(xué)者研究流動人口區(qū)域分布時發(fā)現(xiàn)人口較為集中在東南沿海經(jīng)濟(jì)發(fā)達(dá)城市[15]。因?yàn)榧彝ハM(fèi)水平會受到所在城市經(jīng)濟(jì)水平的影響,所以農(nóng)民工作為遷移個體在選擇遷移和進(jìn)入行業(yè)過程中會考慮凈收益值。本文通過設(shè)置城市特征變量city與部分個體微觀變量的交互項(xiàng)來完成城市異質(zhì)性分析,具體模型設(shè)計(jì)如下:

Logit(Pi/1)=β0+β1PV+β2HV+β3SV+β4TV+β5city+β6PV×city+

β7HV×city+β8TV×city+ε(j=1,2,3,…,14)

(5)

加入的城市特征變量分別是:城市人均GDP(PGDP)、城市年平均人口數(shù)(POP)、城市財(cái)政支出水平(GOV)、城市一般公共預(yù)算支出/城市GDP(8)各行業(yè)數(shù)據(jù)來自《中國統(tǒng)計(jì)年鑒》和《中國人口和就業(yè)統(tǒng)計(jì)年鑒》。城市經(jīng)濟(jì)數(shù)據(jù)來自2018年《中國城市統(tǒng)計(jì)年鑒》,對于部分城市缺失的人均GDP值參考城市所在省的全省人均GDP ,少數(shù)民族自治州不在城市統(tǒng)計(jì)數(shù)據(jù)范圍內(nèi)故進(jìn)行城市異質(zhì)性分析時刪去該部分樣本,最后樣本涉及直轄市、地級市共計(jì)286個。。式(5)中城市特征變量的具體操作是:一是行業(yè)修正工資水平除以城市人均GDP得到新的行業(yè)平均工資水平;二是年齡、受教育年限、家庭成員數(shù)與家庭月支出分別與城市人均GDP對數(shù)相乘得到新的微觀個體變量;三是城市特征變量作為控制變量加入回歸。異質(zhì)性回歸結(jié)果見表5所列:

表5 城市特征對農(nóng)民工行業(yè)選擇的影響

以農(nóng)林牧漁業(yè)為對照組,其他個體控制變量系數(shù)與式(4)回歸結(jié)果正負(fù)性相同,由于篇幅限制未展現(xiàn)。經(jīng)過城市異質(zhì)性處理過的微觀個體變量:年齡、受教育年限、家庭成員數(shù)與家庭月支出,也和式(4)回歸結(jié)果有著相同的影響方向。城市財(cái)政支出水平對農(nóng)民工進(jìn)入行業(yè)概率的影響,在電煤水熱和采礦業(yè)的影響為正,其余非農(nóng)行業(yè)影響為負(fù),即城市一般公共預(yù)算支出占城市GDP比重越大,地方政府對地方經(jīng)濟(jì)引導(dǎo)作用越強(qiáng),農(nóng)民工進(jìn)入電煤水熱和采礦業(yè)的概率就會增加,進(jìn)入其余非農(nóng)行業(yè)的概率則降低?？赡艿脑蚴且?yàn)槌鞘幸话愎差A(yù)算支出多用于電煤水熱和采礦業(yè),這兩個行業(yè)的擴(kuò)張導(dǎo)致了就業(yè)需求增加,進(jìn)入其就業(yè)的概率提高。城市人口規(guī)模對農(nóng)民工進(jìn)入電煤水熱和采礦業(yè)概率的影響為負(fù),進(jìn)入其他非農(nóng)行業(yè)概率為正,可能的原因?yàn)槿丝谝?guī)模越大的城市,電煤水熱和采礦業(yè)的產(chǎn)業(yè)占比越低,往往大力發(fā)展其他高附加值行業(yè),如新興產(chǎn)業(yè),因此城市人口規(guī)模對新興產(chǎn)業(yè)的影響系數(shù)最大。城市人均GDP對農(nóng)民工進(jìn)入制造業(yè)產(chǎn)生正向影響,卻對進(jìn)入其余非農(nóng)行業(yè)產(chǎn)生負(fù)面影響,產(chǎn)生差異的原因可能是:制造業(yè)屬于勞動密集型產(chǎn)業(yè),城市人均GDP水平越高即城市的經(jīng)濟(jì)發(fā)展水平越高,制造業(yè)越發(fā)達(dá),例如,我國東部及南部沿海發(fā)達(dá)城市的小商品、服裝制造蓬勃發(fā)展,對勞動力的需求較大,農(nóng)民工進(jìn)入制造業(yè)的概率隨之提高。然而,城市經(jīng)濟(jì)越發(fā)達(dá),農(nóng)民工進(jìn)入其他行業(yè)的概率降低主要?dú)w因于城市勞動力市場的戶籍歧視,城市雇主更偏向選擇城鎮(zhèn)勞動力群體。

解釋變量中行業(yè)結(jié)構(gòu)偏離度的影響系數(shù)變小,但仍保持顯著的負(fù)向影響,故行業(yè)的就業(yè)人數(shù)比重增加就會導(dǎo)致農(nóng)民工選擇該行業(yè)的概率提高,符合本文“盲目跟風(fēng)”的定義。解釋變量中的修正工資/PGDP作為新的行業(yè)平均工資水平,能反映行業(yè)工資水平對農(nóng)民工進(jìn)入行業(yè)概率的影響,從結(jié)果系數(shù)顯著為負(fù)可以得出:考慮城市經(jīng)濟(jì)水平異質(zhì)性后,農(nóng)民工行業(yè)選擇不再存在“理性選擇”。可能的原因:一是行業(yè)工資水平考慮了城市經(jīng)濟(jì)水平差異性后更接近農(nóng)民工實(shí)際工資,二是城市經(jīng)濟(jì)水平越發(fā)達(dá),就業(yè)信息就越發(fā)“鋪天蓋地”,農(nóng)民工難以理性分辨這些信息,導(dǎo)致在行業(yè)選擇時更加“盲目跟風(fēng)”。綜上所述,城市異質(zhì)性分析下農(nóng)民工就業(yè)選擇存在顯著的“盲目跟風(fēng)”現(xiàn)象且不存在“理性選擇”。因此沒有考慮城市異質(zhì)性的混合Logit模型可能會誤判行業(yè)工資對行業(yè)選擇概率的影響,現(xiàn)實(shí)中農(nóng)民工行業(yè)選擇的“盲目跟風(fēng)”現(xiàn)象可能更為嚴(yán)重。

五、穩(wěn)健性檢驗(yàn)及內(nèi)生性處理

1.穩(wěn)健性檢驗(yàn)

為檢驗(yàn)式(4)回歸結(jié)果的穩(wěn)健性,本文從替換解釋變量角度,進(jìn)一步驗(yàn)證行業(yè)的平均工資和就業(yè)人數(shù)占比對農(nóng)民工就業(yè)決策行為的影響,穩(wěn)健性檢驗(yàn)結(jié)果見表6所列。

表6 穩(wěn)健性檢驗(yàn)

第一,考慮到就業(yè)比重對農(nóng)民工行業(yè)選擇的影響具有一定的滯后性,為了得到穩(wěn)健性結(jié)果,本文用前三年各省各行業(yè)就業(yè)人數(shù)比重的平均值代入行業(yè)結(jié)構(gòu)偏離度公式,回歸的實(shí)證結(jié)果見表6模型(1)。結(jié)構(gòu)偏離度的回歸系數(shù)符號和顯著性與式(4)回歸結(jié)果一致,表明結(jié)果較為穩(wěn)健。說明以當(dāng)年就業(yè)比衡量就業(yè)選擇存在誤差,會使得回歸系數(shù)偏大,該模型回歸得到的行業(yè)工資水平的正向影響系數(shù)較大,進(jìn)一步說明農(nóng)民工行業(yè)選擇時可能存在更多的“理性選擇”。

第二,行業(yè)特征分析中所在省份各行業(yè)就業(yè)比重與個人行業(yè)選擇之間存在反向因果關(guān)系,農(nóng)民工行業(yè)選擇會直接影響行業(yè)比重變化,所以考慮到內(nèi)生性問題,本文用行業(yè)法人單位占比替代就業(yè)人數(shù)占比,計(jì)算行業(yè)的結(jié)構(gòu)偏離度?；貧w結(jié)果見表6模型(2),其對行業(yè)選擇的影響方向和顯著性與式(4)回歸相比沒有發(fā)生改變,只是結(jié)構(gòu)偏離度的影響系數(shù)絕對值變小。一方面,行業(yè)的法人單位比重不能等同于就業(yè)比重,不同法人單位的就業(yè)人員規(guī)模不同,對于勞動密集型行業(yè),法人單位比例增長率遠(yuǎn)小于就業(yè)人數(shù)增長率;另一方面可能是各行業(yè)就業(yè)比重與個人選擇的反向因果關(guān)系導(dǎo)致之前的回歸系數(shù)較大。

第三,原本的混合Logit回歸中利用各省份行業(yè)平均工資水平衡量行業(yè)收入對農(nóng)民工影響,實(shí)際上不同家庭對于收入高低的衡量標(biāo)準(zhǔn)有差異。表6模型(3)報(bào)告了相對工資水平(修正后的行業(yè)平均工資水平/家庭月支出水平)代替修正后的行業(yè)平均工資,得到各影響因素系數(shù)在方向、顯著性和大小上都與替代前完全一致,說明行業(yè)平均工資水平對不同家境農(nóng)民工影響程度相似,行業(yè)工資水平依然是農(nóng)民工在就業(yè)決策時考慮的重要因素。綜上所述,以上穩(wěn)健性分析結(jié)果表明式(4)回歸結(jié)果穩(wěn)健。

2.內(nèi)生性問題處理

雖然本文考慮了微觀個體特征、城市特征等各種控制變量,盡可能地避免截面數(shù)據(jù)由于遺漏變量所導(dǎo)致的估計(jì)偏誤,但仍遺漏了各城市產(chǎn)業(yè)發(fā)展偏好、未來貼現(xiàn)的個人偏好等這類難以測度的變量。除此以外,CMDS數(shù)據(jù)庫調(diào)查變量的局限性所導(dǎo)致遺漏了微觀個體人力資本、社交活動等,最終難以排除存在遺漏變量導(dǎo)致內(nèi)生性估計(jì)偏誤的可能性。為此本文參照王偉同等的做法[16],用可觀測變量度量未觀測變量帶來偏誤的可能性,進(jìn)一步消除遺漏變量可能帶來的內(nèi)生性問題。在此考慮兩個不同控制集合的回歸,第一個回歸僅控制有限的控制集,第二個回歸控制所有可能的控制集。將第一個回歸估計(jì)的核心解釋變量系數(shù)記為βR,第二個回歸估計(jì)的核心解釋變量系數(shù)記為βF。構(gòu)造如下指數(shù):

(6)

從分母來看,指數(shù)δ大小與(βR-βF)成反比。βR與βF之間的差異越小,可觀測變量的解釋能力越強(qiáng),其可能的偏誤問題對估計(jì)結(jié)果的影響就越小,即相對于可觀測的變量,不可觀測變量就需要更強(qiáng)的解釋能力才能對整體效應(yīng)產(chǎn)生影響。(βR-βF)越小,δ越大,未觀測變量帶來偏誤的可能性就越低;從分子來看,βF越大,δ越大,表明已經(jīng)控制的所有控制集具有很強(qiáng)的解釋力,不可觀測變量對估計(jì)結(jié)果造成偏誤的可能性就越小。

本文選取了四種有限集和一個全集來構(gòu)造該指數(shù)。有限集包括:一是僅控制城市特征變量;二是僅控制個體層面中除了家庭人數(shù)和家庭月支出以外的性別、年齡、受教育年限等微觀個體變量;三是僅控制個體層面中家庭人數(shù)及家庭月支出;四是僅控制包括家庭特征以內(nèi)的所有個體層面的變量。一個全集為式(5)中控制的所有變量。結(jié)果見表7所列:

表7 用可觀測變量度量未觀測變量的偏誤程度

結(jié)果顯示的四個值的數(shù)值范圍為3.878～36.410,均值為12.805。若未觀測變量可以對本文估計(jì)結(jié)果產(chǎn)生偏誤,則其解釋能力平均超過12倍,最少要是已選擇的控制變量的3.9倍,本文前面的分析已經(jīng)考慮了各城市和個體特征變量,因此我們有理由相信本文由未觀測變量造成估計(jì)偏誤的可能性是很小的,也可以基本排除估計(jì)結(jié)果因遺漏變量而出現(xiàn)估計(jì)偏誤的可能,表明之前的結(jié)論是可信的。

六、主要結(jié)論與政策建議

本文利用全國流動人口調(diào)查數(shù)據(jù)分析農(nóng)民工就業(yè)的選擇決策問題,主要結(jié)論如下:一是隨著社會現(xiàn)代化發(fā)展和農(nóng)民工自身素質(zhì)的提高,受教育年限對農(nóng)民工就業(yè)決策的影響減小,農(nóng)民工逐步進(jìn)入新興產(chǎn)業(yè)甚至高新技術(shù)行業(yè)。二是擇業(yè)的“盲目跟風(fēng)”現(xiàn)象存在于農(nóng)民工行業(yè)選擇中,導(dǎo)致農(nóng)民工的行業(yè)分布高集聚。三是考慮城市異質(zhì)性后發(fā)現(xiàn)農(nóng)民工就業(yè)選擇不僅存在“盲目跟風(fēng)”,同時缺乏“理性選擇”,引導(dǎo)農(nóng)民工理性就業(yè)刻不容緩。農(nóng)民工所在城市經(jīng)濟(jì)水平,會對農(nóng)民工進(jìn)入制造業(yè)以外的非農(nóng)行業(yè)產(chǎn)生負(fù)向影響。

結(jié)合本文研究結(jié)論,提出以下政策建議:第一,政府應(yīng)鼓勵企業(yè)為農(nóng)民工提供更多就業(yè)機(jī)會。可給予那些為農(nóng)民工提供優(yōu)質(zhì)崗位的企業(yè)稅收優(yōu)惠政策或獎勵,要求國有企業(yè)雇傭一定數(shù)量的農(nóng)民工等。此外,行業(yè)主管部門應(yīng)加強(qiáng)行業(yè)監(jiān)管,避免企業(yè)拖欠農(nóng)民工工資事件的發(fā)生。第二,政府應(yīng)做好就業(yè)信息公開,拓寬農(nóng)民工的就業(yè)信息獲取渠道。以行政區(qū)或街道為單位,相關(guān)部門可以定期為農(nóng)民工提供就業(yè)指導(dǎo)和培訓(xùn)。培訓(xùn)內(nèi)容可結(jié)合農(nóng)民工需求,解決農(nóng)民工困惑,引導(dǎo)農(nóng)民工理性地進(jìn)行行業(yè)選擇。除了線下培訓(xùn)外還可以利用互聯(lián)網(wǎng)拓寬招聘信息公開渠道,安排相關(guān)人員定期、定點(diǎn)進(jìn)行信息推送,降低農(nóng)民工獲取招聘信息的難度。第三,政府應(yīng)做好宣傳工作并提供政策保障。宣傳農(nóng)民工為城市經(jīng)濟(jì)、社會發(fā)展所做的貢獻(xiàn);深入推進(jìn)戶籍制度改革,避免城市落戶政策“隱性門檻”等問題。