教育的财富异质性回报分析.docx

    教育的财富异质性回报分析    梁银鹤 周建波 董志勇Summary：采用CHIPS 1995年和2002年、CFPS 2010年的微观数据，研究全国财富不平等变动情况，估计教育的财富异质性回报结果发现：个人教育水平对于财富的正向影响大于对于收入的影响异质性分析结果表明，教育回报率在城乡之间和调查年份之间都存在异质性分位数回归的结果表明，教育对财富和收入的影响存在非线性关系，教育信号对于低财富人群有更大影响因此，政府应该加大对于农村和低财富人群的教育投入，以缓解我国财富差距Key：教育;财富不平等;收入不平等;基尼系数：D14;D31   ：A   ：1007-2101（2019）02-0013-08一、引言改革开放后，特别是社会主义市场经济体制确立后，国家鼓励私有产权激发了市场活力，也促进了经济发展个人可以通过自身努力，将自身的人力资本转换为个人收入和财富由于个体之间能力和禀赋的差异，其所得到的经济回报也有不同，居民之间必然存在财富和收入的差距和不平等教育通过改变个人的人力资本，进而影响个人在劳动力市场上的物质性回报和非物质性回报，并且教育也可以通过扩宽个体的投资渠道和投资回报率来影响财產性收入和个人财富[1]。

因此，教育对于财富和收入具有直接和间接的影响那么，在市场化进程逐步推进的过程中，我国1990年代至今的财富和收入不平等变化趋势是什么？教育如何影响财富和收入不平等程度？这个问题的回答对于我国收入分配改革和国家教育政策制定都有重要意义目前关于我国财富不平等程度影响机制的研究，部分是从住房的私有化进程（特别是住房体制改革）的角度进行分析1990年代中后期，我国住房体制改革毫无疑问增加了农村财富，但是也显著扩大了城市和农村地区的财富不平等[2]比如，Porter和Park（2012）研究了住房改革和中国住房市场的代际转移和老年人的幸福度，认为我国1990年代的住房体制改革把房产从单位分给居民，这个不可预期的意外所得随着房产价格的增长，显著影响了财产持有量和被影响的城市居民财富[3]同时，也有学者对遗产机制和家庭财富杠杆等因素进行分析比如，吴卫星等（2016）研究了家庭财务杠杆因素对于不同家庭之间财富差距的影响，发现财富杠杆促使富裕家庭的财富增长更快，这最终导致了家庭财富差距的扩大[4]另外，部分研究从代际人力资本转移进行了分析相关研究认为，人力资本从父母到子女的转移是家户财富和收入能力的非常重要的机制[5]。

Saez and Zucman（2016）认为，财富不平等的增长是由于高收入人群与储蓄不平等的增长[6]Lusardi等（2017）认为金融知识是一个关键的决定因素，金融知识使得个人能够更好地分配一生的资源，并且退休财富不平等的30%至40%是由财务知识造成的[7]本文采用CHIPS 1995年和2002年、CFPS 2010年的微观数据，分析教育对于个人财富和个人收入的影响与以往文献相比，本文主要有以下三点边际贡献第一，以往研究主要采用单年份或者两个年份的数据[8-10]，本文的研究时间是1995年、2002年和2010年，时间跨度大于现有研究，可以对我国1990年代至今的不平等状况进行更为详细的梳理和对比分析，从而研究结果更具有代表性第二，McKinley（1993）侧重于农村样本[8]，Park and Shen（2015）侧重于45岁以上样本[9]，而本文不仅分析城镇和农村样本，并且户主的年龄没有限制第三，以往对于我国财富不平等产生原因的分析主要侧重于住房体制改革的影响分析，虽然1990年代的住房体制改革对于我国的影响非常大，但是住房私有化改革主要影响在事业单位工作的家庭，对其他家庭的影响相对小。

因此，本文从教育的角度分析财富不平等和收入不平等产生的原因，这对于不平等的文献是有益的补充二、数据处理方法和变量定义（一）数据来源本文分别采用中国家庭收入调查（China Household Income Projects，CHIPS）的1995年和2002年数据以及中国家庭追踪调查（China Family Panel Studies，CFPS）的2010年数据采用CFPS 2010数据而不采用CHIPS 2013数据，主要有以下两个原因第一，由于CHIPS 2013的对外公布数据中缺失了房屋价值的变量1，而这个变量在家户的财富中占比非常高，根据Knight和Li（2016）采用CHIPS 2013的研究结果，在全国层面，家户的房屋价值占家户总财富的71.1%[10]如果采用缺失房产财富的调查数据，计算和估计结果的偏误会非常大第二，虽然两个调查的省份有差异，但是在调查方法和财富与收入变量的定义方面，CFPS与CHIPS调查几乎完全一致因此，为了更加精确地估计家户财富水平，参照Li和Wan（2015）的方法[11]，本文采用CFPS 2010年数据对我国2010年家户财富水平进行测度虽然CHIPS 2013的对外公布数据中不包含房屋价值的变量，但是CHIPS 2013的全样本和全变量中应该是包含房屋价值的数据。

比如Knight和Li（2016）采用CHIPS 2013的数据对我国的家户财富水平进行了测度，其中就包含家户房产的数据二）财富变量的定义和处理方法本文将财富定义为家户拥有的所有净资产的当前市场价值，这与Piketty等（2017）的定义一致[12]因此，由于相比较于非人力资本财富，人力资本不能在市场上售卖，本文的财富概念不包含人力资本另外，本文采用Knight and Li（2016）的方法[10]，把家户的财产分为以下七类第一，净房屋价值等于房屋价值减去房屋负债1）对于那些报告了房屋面积，但是没有报告房屋价值的样本，本文先计算得到该县或者市的平均房屋价格，然后通过“该地区平均房屋价格*房屋面积”的方程来对房屋总价值进行估算需要说明的是，虽然这种方法可以解决房屋价值的缺失值问题，但是由于把缺失值用平均值替代，那么样本的波动性就会降低，从而会低估财富的基尼系数2）对于没有房屋所有权，但是报告了房屋面积和房屋价值的样本，我们设定其房屋价值为03）在CFPS调查样本中，对于共有房屋产权的样本，借鉴Knight和Li（2016）的方法[10]，本文认为家户具有50%的产权对其房屋价值进行估算。

4）对于2002年和2010年的调查数据中，房屋每平米价格高于100 000元或者低于10元的样本，采用该县或者市的平均房屋价格对其房屋价值进行重新估算第二，净金融资产1）对于金融资产总价值不等于自报告的总价值的情况，本文以自报告的加总价格为准2）对于拥有某项金融资产，但是没有报告具体金额的样本本文根据该县或者市该项金融资产的平均价值来对其进行估算第三，非房屋负债本文采用非房屋负债单项的加总数据第四，生产性固定资产对于CHIPS数据，本文采用农业和非农业的生产性固定资产（在问卷中报告的）的加总数据;对于CFPS数据，用农业和非农业的固定生产资产的单项数据加总得到第五，消费耐用品本文采用家户有形财产的市场价值，比如私人（非商业）的汽车和其他耐用消费品对于在CHIPS和CFPS的部分数据仅仅公布的家户耐用消费品的件数，但是没有公布单项或者加总的耐用品价值的样本，本文采用以下两种方法进行估算1）CHIPS 1995的城市数据缺失耐用消费品价格或者价值数据，本文采用CHIPS 1995的农村样本建立耐用品总价值与每种消费品数量的回归方程（不含截距项），然后把每种消费品的估计价格与数量进行相乘得到总价值。

2）对于CFPS 2010數据，本文采用城镇住户调查数据（UHS）估计出该年耐用消费品的平均价格，然后再估算家户耐用消费品的总价值第六，农村土地价值由于农村土地价值没有准确的数据，所以本文采用Li and Wan（2015）的方法进行估算[11]，具体方法如下一亩水地等于两亩旱地;家户农业净收入等于农业收入减去生产成本基于净农业收入的25%来自于土地，并且土地的回报率为25%（McKinley，1993）[8]本文计算的土地价值为家户净农业收入的25/8另外，由于我国的城市家户不拥有土地，因此，本文设定城市家户的土地价值为0第七，其他资产，主要包含不属于以上的资产类别本文主要变量的描述统计见表1三）实证策略本文主要研究教育对于个人财富和个人收入的影响，估计方程为ln_wealthijt=？琢+？茁*edu_yearijt+？酌*Xijt+？鬃j+？浊t+？着ijtln_incomeijt=？琢+？茁*edu_yearijt+？酌*Xijt+？鬃j+？浊t+？着ijt（1）其中，回归部分的被解释变量为CPI调整后的人均财富和CPI调整后的人均收入由于财富和收入的值比较大，为了估计结果的可读性和部分消除异方差问题，本文对人均财富和人均收入进行了对数化处理。

并且，本文也采用未进行CPI调整的人均财富和人均收入作为被解释变量进行了分析，估计结果与已有结果差异不大另外，本文对于所有回归结果都进行了以下三点处理第一，为了控制个体特征X对于结果的影响，在回归中额外控制了城镇与农村的虚拟变量和户主的年龄和性别第二，为了剔除地区异质性对估计结果的影响，在所有回归中均控制了地区（市县）固定效应？鬃j，并且所有回归结果的标准误都采用地区层面cluster处理第三，由于本文的研究年份为1995—2010年，年份跨度很大，因此，所有回归结果也都控制了调查年份固定效应？浊t不过，对于以上方程的估计，可能存在反向因果、遗漏变量和测量误差等内生性问题第一，反向因果问题由于本文的调查样本为户主及其配偶，这部分人群已经成家立业，基本完成了学业那么，个人财富水平变化很难影响十几年前（甚至几十年前）的个人最高受教育程度因此，个人受教育程度与个人财富之间不存在反向因果的问题第二，遗漏变量和测量误差的问题对于遗漏变量问题最直接的解决方法是工具变量法，比如采用所在地区的平均受教育年限[13]、农民所在村庄到附近初中的时间[14]作为个人受教育程度的工具变量但是，这两个变量可能与地区层面的遗漏变量（比如，经商文化）相关，这会导致工具变量必须满足的“排他性假设”不成立。

另外，根据Angrist等[15]，在样本之间具有较大差异的情况下，工具变量估计的结果可能只是“顺从者”（compliers）的处理效应，这只占很小的比例，从而会导致估计结果不能很好的估计出整体影响因此，本文认为代理变量的估计结果可能比工具变量更加稳健另外，本文在控制变量中，控制了个人特征，以及地区与时间层面的固定效应，以控制个体异质性和随地区与时间不变因素的影响三、财富与收入的不平等趋势分析由于本文对于缺失值和异常值的处理方法与Knight和Li（2016）不同[10]，因此，本文计算的财富和收入值与其有差异不过，本文更加侧重于趋势分析，具体数值的微小差异对于结果的分析没有太大影响由图1可知，我国1995年、2002年和2010年财富和收入的基尼系数情况主要有以下三个特点第一，从图1中的收入和财富洛伦兹曲线可以发现，1995年、2002—2010年，收入和财富的洛伦兹曲线都逐渐向右侧倾斜，这说明收入和财富的不平等程度都有增大的趋势并且，财富洛伦兹曲线向右侧倾斜的程度要高于收入洛伦兹曲线，这也说明，从1995—2010年，我国居民的财富不平等程度要高于收入不平等程度第二，在1995年和2002年，财富基尼系数增加量小于收入的基尼系数。

这可能是由于在20世纪90年代，财富作为一个存量的变量，在房产价格变化不是非常快的情况下，收入增长主要靠储蓄增长;而收入作为流量的变量，会随着经济发展相对迅速地做出调整从2002—2010年，收入不平等趋势得到有效缓解第三，2002—2010。