就业安置政策增加失地农民稳定工作机会了吗——基于特大型城市的数据

陈建伟1 王 轶2

(1.对外经济贸易大学，北京 100029； 2.北京工商大学，北京 100048)

财贸研究 2017.1

就业安置政策增加失地农民稳定工作机会了吗
——基于特大型城市的数据

陈建伟1王 轶2

(1.对外经济贸易大学，北京 100029； 2.北京工商大学，北京 100048)

以中国城镇化速度最快且属于特大型城市的北京地区失地农民为研究对象， 基于2015年的入户调查数据，通过构建一个含内生选择机制的就业安置政策效应评估模型，评估政府就业安置政策效应。研究结果表明:就业安置政策有一定的积极效果；对接受就业安置的失地农民群体，就业安置政策对实现稳定就业的因果效应为0.45。进一步研究发现，虽然政府就业安置政策大幅度提升了失地农民在农林牧渔、餐饮娱乐业、物业管理与保洁等行业的就业概率，即保持了初次就业安置的成功率，但上述行业具有的低稳定性、低保障等特点，导致就业安置政策的长期效果降低。建议政府制定就业安置政策时要考虑失地农民对就业岗位的选择性偏好、就业行业与区域产业结构的结合等，以提高就业安置政策的实施效果。

失地农民；就业安置政策；政策效应评估

一、引言

采取积极的劳动力市场政策，包括直接提供就业岗位和就业信息、提供培训机会、提供就业补贴等，是政府解决社会就业问题的核心。在欧盟成员国内部，积极的劳动力市场政策构成了“欧洲就业战略”(European Employment Strategy)的核心部分。积极的劳动力市场政策是否有效地促进了社会就业，则成为学者关注的重要问题。尽管越来越多的研究开发出科学的方法来评估不同积极就业政策的有效性，然而关于积极就业政策能否有效地降低失业促进就业，以及哪类项目最具发展前景，尚未达成共识(Kluve,2006)。

在劳动力市场发育和城镇化过程中，创造更多的就业岗位成为中国各级政府年度工作的重要目标，其中之一便是针对城镇化过程失地农民的就业安置政策。失地农民的就业问题是随着城镇化推进中政府强制性征地而产生的。根据中国社科院发布的《2011年中国城市发展报告》，中国失地农民的总量每年仍以约300万人的速度递增，预估到2030年将增至1.1亿人左右。《2005年中国就业报告》的调查结果显示，有近41%的失地农民找不到工作。赖德胜等(2013)指出，2009年的调查结果显示，特大型城市失地农民在家待业的比例为14.41%。王轶等(2016a)的研究发现，特大型城市失地农民2015年的就业率已达90.70%，明显高于2008年。为了促进失地农民更好地实现就业和非农转移，各地政府纷纷出台了与征地政策相配套的经济补偿和就业安置政策，政策力度比较大。但是，这些就业安置政策的实施效果如何，目前的研究还比较少，这是本文所要解决的问题。

二、文献综述

目前国内外对征地过程中就业安置政策的因果效应评估文献还比较少。国外由于没有失地农民这一概念，因此学者一般研究就业政策对农民非农就业的影响。Briggs(1997)回顾了美国不同时期实施的就业政策，并对农民非农就业的实施效果进行了分析和说明；Dolowitz(1997)分析了20世纪80年代撒切尔政府开始实施的积极就业政策对个人非农就业的影响；Lanjouw(1999)以印度及一些发展中国家的就业政策案例与非农就业产业的发展为研究基础，分析了区域和全国就业政策对美国区域非农就业行业发展的影响，研究发现，最低工资立法、福利与劳动立法抑制了非农就业部门的发展，不完善的资本市场也加剧了非农部门的就业压力，进而影响了非农就业；Berdegué(2000)考察了亚洲和南美洲的非农就业政策及非农就业发展状况，进而分析了美国非农就业政策的重要性；Radhakrishna(2002)以乌干达为例，指出如果要促进非农就业的增长，解决贫困问题，就需要加大人力资源开发投资，提高人民的就业能力。

国内从就业政策着手研究再就业的文献也相对较少，以失地农民这个特殊群体为研究对象的政策效应评估文献更加少见。研究就业政策对再就业影响的代表性文献有：国家发改委宏观经济研究院课题组(2004)以再就业群体为研究对象，比较分析了1999—2002年积极就业政策的实施效果；杨伟国(2007)全面分析了中国改革与就业政策转型的关系，以及中国就业政策转型的宏观环境、战略性就业政策、保护性就业政策等内容，并对其实施效果进行了说明；李新宽(2010)基于历史学视角分析了在重商主义时代，英国是如何发挥就业政策的作用来促进本国公民的再就业；赖德胜等(2011)从分析就业政策与下岗失业人员的再就业视角入手，探讨了就业政策对再就业的影响。在研究失地农民的就业政策方面：叶继红(2007)以南京地区失地农民为例，分析了失地农民就业过程中地方政府所采取的相关举措；李倩(2008)认为，解决失地农民生存问题的关键在就业，推动就业的出路在于制订合理的就业安置政策；刘雪梅(2014)从制约农民工就业的制度环节入手，分析了农民工就业面临的问题和制约因素，据此提出提高失地农民就业率的制度性安排；罗凌云等(2014)通过定量分析发现，失地农民的就业保障因素对失地农民职业转型产生了显著影响，因此建议加强失地农民就业保障体系建设，以推进失地农民的二次就业转型；王轶等(2016b)基于北京地区连续跟踪的调查数据，通过构建OLS回归模型，验证了影响失地农民就业质量的关键因素，发现土地补偿政策、失地农民人力资本、求职途径等都会对失地农民的就业产生直接影响。

已有文献主要从区域和国别的视角分析了就业政策对非农就业的影响，研究结果充分支持了不同就业政策对农民非农就业所产生的重要影响，但对就业政策的效应评估文献相对较少。随着中国城市化进程的日益加速，失地农民群体进入了研究者的视野。为此，近几年逐步有部分学者开始关注就业政策对失地农民就业的影响。不过，由于推动失地农民就业没有一个全国性的政策，只有区域性政策，为此少量研究都是基于区域的视角，从人力资本或社会资本展开，研究方法多偏重于定性分析或描述性统计分析。当然，已有研究为本文奠定了坚实的基础，并提供了思路和可供借鉴的方法。但也存在一些问题，如针对失地农民的积极就业政策取得了怎样的总体效果？所有失地农民都从政策中均等受益吗？目前的研究还缺乏共识。因此，需要对政府就业安置政策进行有效的因果效应评估。因果效应评估的可行思路是建立反事实。由于本文不能同时观察到失地农民接受或不接受政府就业安置的就业结果，也就无法直接比较就业安置政策对失地农民就业的影响，因此需要根据样本数据构建反事实模型进行评估。

本文试图通过构建一个含内生选择机制的就业安置政策效应评估模型，通过估算政策的干预效应来回答一个问题：接受政府就业安置是否增加了农民的就业机会？课题组于2015年对中国特大型城市北京地区的失地农民就业状况进行了抽样调查，为本文的评估研究提供了可能。在调查中发现，尽管政府为失地农民提供了就业安置政策，但安置政策对就业的促进效果并不如预期般显著。分析看来，失地农民基于自身人力资本和社会资本等比较优势，在劳动力市场搜寻工作。如果就业安置政策对促进就业有积极作用，失地农民个体接受政策安置的积极性就比较高。因此，失地农民对政策的响应是内生决定的，本文要评估失地农民是否接受政府就业安置对就业结果的影响，就必须要考虑这一内生选择机制。本文的研究也将表明，控制选择性偏差对于准确估计政策效应非常重要。

三、研究设计

因果识别是本文需要重点关注的问题。从理论上来说，如果政府积极的就业政策是促进失地农民就业的原因，那么意味着如果没有政府积极的就业政策，失地农民的就业概率将会降低。由于我们不能同时观察到一名接受政策安置的失地农民的就业与非就业状态，因而无法直接估计得到是否接受政策干预下的就业概率。更为重要的是，本文使用的是调查数据，其中失地农民是否选择接受政府的就业安置并不是随机分配，而是个人基于各种条件所做出的优化决策；政府的积极就业政策将使得失地农民面临选择，或者不接受政府安置，或者接受政府安置，不同的选择将导致不同的就业发展路径甚至影响到最终的结果。如何在考虑失地农民是否选择就业安置的条件下，估计接受政策干预所带来的就业概率增加，是本文需要解决的关键核心问题。办法是构建二元抉择和内生转换回归模型，在回归结果的基础上构建反事实模型，估算政策干预的因果效应。

首先，将失地农民个人“是否选择了政府安置就业”作为政策干预变量Ti(Treatment)，接受政策安置为1，否则为0。是否接受政策干预可以表示为：

Ti=1 if γZi+θi>0

Ti=0 if γZi+θi≤0

(1)

定义就业状态的结果变量和结果方程：

(2)

其中：y*0i、y*1i分别表示未接受就业安置和接受就业安置下的就业状态潜变量，决定了观察到的二元就业状态变量y0i、y1i；X0和X1是弱外生性的协变量向量；Z表示失地农民是否选择接受就业安置的影响因素；β0、β1和γ是待估计的参数；μ0i、μ1i和θi是误差项，假定其服从联合正态分布，具有0均值，相关矩阵为：

(3)

其中，ρ0是μ0i和θi之间的相关系数，ρ1是μ1i和θi之间的相关系数，ρ10是μ0i和μ1i之间的相关系数。由于y0i和y1i永远不可能被同时观察到，μ0i和μ1i的联合分布无法识别，ρ10也无法被估计出来。因此，通常的做法是假设ρ10=1。

(4)

其中Φ2是双变量联合正态分布的累积分布函数。

类似地，失地农民选择政府安置就业(T=1)却没有得到积极就业结果(y=0)的概率可以表示为：

(5)

同理，失地农民没有选择政府安置就业(T=0)并获得积极就业结果(y=1)的概率可以表示为：

(6)

失地农民既没有选择政府安置就业(T=0)又没有得到积极就业结果(y=0)的概率可以表示为：

(7)

对于式(1)-(7)所刻画的二元内生选择变量和二元结果变量模型，可以用Lokshin et al.(2011)提出的构建对数似然函数，并利用最大似然法加以估计(具体的对数似然函数略)。

首先考察已经接受政府就业安置的农民群体，本文称之为干预组。可以根据模型回归得到的参数估计结果，计算干预组接受政府就业安置所产生的就业概率，作为其参照的反事实是，如果干预组没有接受政府就业安置所产生的就业概率，二者之差便是接受政府安置就业给失地农民带来的预期就业效应，也称为干预组的干预效应TT(effect of the treatment on the treated)：

(8)

干预组的平均干预效应为：

(9)

接下来考察没有接受政府就业安置的农民群体，本文称之为对照组。同样地，可以根据参数回归结果，计算对照组的干预效应TU(effect of the treatment on the untreated)：

(10)

对照组的平均干预效应为：

(11)

如果随机地从样本总体中抽取出具有观察特征x的失地农民个体，接受就业安置的政策干预，那么就业政策干预所产生的干预效应TE(treatment effect)为：

TE(x)=Pr(T=1,X=x)-Pr(T=0,X=x)=F(X1β1)-F(X0β0)

(12)

平均干预效应为：

(13)

其中，N=NT+NU。

四、数据说明、变量设定和描述性统计

(一)数据说明

本研究数据主要来自北京师范大学“实施扩大就业”课题组于2015年对中国特大型城市北京地区的居民所进行的一手调查。调查时间为2015年5—7月份，调查对象为失地农民、城市居民和郊区农民，共计发放问卷3350份，回收有效问卷3220份，占调查总数的96.12%。其中，失地农民431份*问卷中先以有无失地为标准，把样本分为失地农民和非失地居民；然后，按失地农民所在区域把失地农民分为郊区失地农民和中心城区失地农民，将非失地居民按户籍分为郊区农民和城市居民，这样分类主要是便于统计分析。，城市居民2177份，郊区农民612份。删除65岁及以上人口样本和离退休样本，删除就业状态和征地状态记录信息不全的样本，最终得到失地农民有效样本为410个。

2015年的样本获取主要有两条途径：一是课题组选取北京地区近郊的两个重点区域进行入户调查，这两个区域分别为北京房山高教园区和大兴高教园区，其征地面积大，失地农民数量多，就业安置形式多样，在一定程度上能反映北京地区失地农民的整体情况。二是课题组选取5所北京市属高校(1所本科院校、1所独立学院、3所专科院校)中北京地区近郊区县的学生作为随机抽样的对象。原因为：(1)北京市属高校中，北京生源占比高，平均都在70%以上，这样就保证了抽查数据的充足性和随机性；(2)北京地区城镇化发展过程中，近郊区县是重点征地的区域，近郊区县的人群也容易成为失地和半失地人群；(3)调查群体经过简单培训，能理解每一个题项的含义，并准确填写问卷调查内容。

问卷调查方式：为保证调查质量，课题组成立了问卷调查小组，组建了200多人的一线调查队伍。开展调查前，调查组对调查员进行专门培训；为保证调查的顺利进行，问卷上留有课题组的多种联系方式，包括手机、座机、QQ号、飞信等，便于咨询。问卷填写质量保证：为保持调查信息的真实性和准确性，每张调查问卷上都留存了被调查者的联系方式，便于回访；问卷调查和回收实施责任制，要求负责人签字确认；在问卷数据整理与录入时，还成立了专门录入小组，一组录入，一组核对，然后由小组负责人进行抽查，对于不合格问卷做好标记并重新录入，尽可能减少在问卷调查、问卷回收、数据录入等环节出现差错。

在使用北京的数据之前，有必要对北京地区征地配套政策进行简要说明。北京市政府在征地过程中推出了一系列配套政策来保障失地农民的利益，积极的就业政策便是其中重要一环。政府有关部门为失地农民推出的一系列政策包括：提供工作岗位、就业培训、提供用工信息、就业指导等。2004年北京市出台《建设征地补偿安置办法》(市政府148号令)，标志着北京市农地征收补偿安置政策的重大突破。该项政策具有两大核心：一是对失地农民进行经济补偿，包括直接通过货币的形式或者通过建设还建房的形式给予失地农民经济补偿；二是对部分转移劳动力进行就业安置。因为政府是强制征地，所以北京市政府制定了一系列相关政策推动失地农民再就业，主要包括：(1)社会保障。政府通过为失地农民办理户籍等形式为失地农民提供相应的医疗、养老、失业等保障，以此缓解失地农民的就业压力。(2)就业培训。政府通过就业培训等形式，帮助失地农民积累专用人力资本，提高失地农民二次就业的能力。(3)就业推荐。政府征收土地后，与即将入驻的单位进行谈判，通过推荐就业的形式，解决当地失地农民的就业问题。(4)自主择业。失地农民在获得一定经济补偿后，也可以通过劳动力市场自主实现就业。

(二)变量设定

征地行为对农民产生了外生冲击。如果只是失去部分土地，那么征地行为可能会部分地影响到农业人口的劳动力供给决策。因征地而失去部分农业生产用地的家庭，必然有部分劳动力剩余，那么失地农户会向非农生产部门供给劳动力，供给量多少取决于劳动力市场效率和非农就业预期收入。如果农户失去全部农地，那么农户便需要再就业，或者受雇于其他农业生产经营者，或者流向非农生产部门，寻找新的工作机会。然而，征地过程如何影响劳动力供给，目前的文献并没有给出一致结论，失地农民的就业机理更无从得知。一般地，农业人口失去土地，必然会影响到农业人口的劳动供给行为。在失地农民的劳动力流转过程中，政府的政策必然会起到一定的促进作用，农民人力资本和社会资本状况等因素必然要发挥关键性的作用。本文的变量设定如表1所示。

表1 变量设定

正如是否接受教育和培训是基于自身特征做出的优化选择，失地农民是否接受政府安置就业同样如此。如果失地农民即使没有就业安置政策，都能够找到合适的正规工作，那么额外接受就业安置的必要性较低。基于此，结果变量和选择变量可能同时受到未观测变量的影响。后文的分析也将表明，通过选择变量控制选择性偏差对准确估计政策干预效应的重要性。

(三)描述性统计

表2 分组描述性统计

为了说明本文所使用数据的基本情况，也为了从统计均值上表现出本文的因果效应模型具有事实基础，表2中初步报告了政策干预组和政策对照组的统计差异。

从表2来看，对照组获得正规就业*本文所提的正规就业，是指在比较正规的企事业单位，根据劳动法签订了的劳动合同并按照国家规定享受各种劳动保障，能够得到比较稳定的工资式就业。的均值为0.552，略微高于政策干预组的0.543。如果本文没有控制选择性偏差，那很容易从这种相关性直接推论，政策干预组的就业均值低于对照组，就业安置不利于促进失地农民就业。而且，政策干预组失地农民在第1类行业就业的均值为0.554，高于对照组的0.519。直观上，政策干预组的失地农民更可能获得农林牧渔业、餐饮娱乐业、物业管理服务等行业的工作，而这些工作很多是临时工种，就业稳定性不足。实际上，后文的分析将表明，正是因为存在失地农民对就业安置的选择性接受，才使得这种相关性偏离了真实的因果关系。从教育程度的比较来看，两组的平均受教育水平比较接近，对照组的学历层次略高。干预组的健康状况和职业培训状况要好于对照组，职业培训和社会资本方面，政策干预组均值相对更高。政策对照组的具有社会保障的比例更高，而政策干预组的征地年限相对更长、政策供给相对更多。

五、实证分析

根据分析，本文已经设定了具有内生选择性质的内生转换模型，转换方程将失地农民分为两类——选择就业安置的政策干预组和未选择就业安置的政策对照组。对于这一背景的模型，选择简单的最大似然(ML)Heckman两步法probit估计，或者对联立方程进行联立probit估计，得到的结果并不是有效估计量。考虑到结果方程和选择方程误差项之间的相关性，本文使用Lokshin et al.(2011)提出的完全信息最大似然(FIML)进行估计，得到一致有效的估计量。

(一)就业安置政策对失地农民稳定就业的因果效应以失地农民的就业状态为结果变量，对模型(1)和模型(2)回归的完全信息最大似然估计结果报告在表3。

注：***、**、*分别表示在1%、5%和10%的信心水平下显著；括号内报告的是标准差。

根据表3报告的结果，本文不难总结出以下几个结论：

第一，选择方程与结果方程的误差项相关系数ρ1、ρ0在10%的信心水平下显著不等于0，表明存在未观测因素同时影响失地农民是否选择就业安置和就业结果。选择方程误差项与值1结果方程的误差项的相关系数为正，表明存在负选择性偏差，存在未观测因素在促进个体选择政府安置就业的同时，降低了个体的就业概率。这意味着失地农民根据自身的比较优势来选择是否接受就业安置。如果失地农民本身的就业能力比较低且迫切需要工作岗位，更倾向于选择接受就业安置，从而获得工作岗位；如果失地农民本身的就业能力比较强，没有就业安置政策也能获得较为稳定的工作，那么这部分群体可能不会选择就业安置，照样能够实现较好就业，并选择其他方式的补偿。这也证明，如果本文不控制内生选择性机制对结果造成的偏差，则估计结果就是有偏的。

第二，就选择方程的回归结果来看，职业培训和政治面貌的回归结果显著为正，健康状况的回归结果为正，教育程度的回归结果为负但不显著。这表明，不同类型的人力资本和社会资本对失地农民就业安置的选择影响不同。教育程度越高的劳动者，在劳动力市场独立找工作的能力越强，因此接受政府就业安置的意愿可能越低。而健康、职业培训和政治面貌等特征尽管有助于提升就业能力，接受政府就业安置可能会更有利于发挥职业培训、健康等因素的积极作用。

第三，就结果方程来看，政策干预组和政策对照组之间的回归结果存在一定的差异。与对照组相比，政策干预组教育程度对实现稳定就业的积极作用相对较低。这也印证了选择方程的回归结果，教育程度较高的失地农民，因为就业能力较强，不接受政府就业安置状态下也能够实现同等的稳定就业。另外，不论是干预组还是对照组的回归结果，工作经验的回归结果显著为正，表明工作经验对获得稳定就业的重要意义。

表4 就业安置政策对失地农民稳定就业的因果效应

注：括号内报告的是标准误差。

得到选择方程和结果方程的回归系数之后，本文可以根据模型(8)—(13)估计平均干预效应,结果报告在表4。

表5 就业安置政策选择与就业行业内生转换模型回归结果

注：***、**、*分别表示在1%、5%和10%的信心水平下显著；括号内报告的是标准差。

根据表4，干预组平均干预效应为0.450，对于已经接受就业安置政策的失地农民而言，如果不接受政府的就业安置，那么实现稳定就业的概率将会降低45%。未干预组的平均干预效应为-0.088，对于没有接受就业安置政策的失地农民而言，如果接受政府的就业安置，其实现稳定就业的概率会降低8.8%。总体平均干预效应为0.210，如果失地农民随机地被安排接受政府就业安置，那么获得稳定就业的概率会上升21%。由此可见，就业安置政策对失地农民实现稳定就业具有积极的促进作用。如果不控制选择性偏差，根据表2报告的结果，干预组和对照组的正式就业机会差距为-0.009(0.543-0.552=-0.009)。而本文得到的平均干预效应为正，由此可见控制选择性偏差，对于准确估算因果效应非常重要。

(二)就业安置政策对失地农民就业行业的因果效应

以失地农民的就业行业(第1类行业)为结果变量，对模型(1)和模型(2)回归的完全信息最大似然估计结果报告在表5。

表5中报告的选择方程回归结果与表3所报告的大致相同。误差项相关系数分别为-0.646、-0.553，在10%的信心水平下显著，表明存在选择性偏差。但是，由于选择方程与不同结果方程误差项的相关系数存在差异，因此表5中的结果也有一些不同于表3的地方，其中之一便是对失地农民提供的各项积极政策的回归系数显著性。政府就业安置所提供的岗位，较多地集中在职业门槛较低的行业，比如物业管理、保洁、合作种植业等岗位。对于那些因失去土地而需要非农工作机会的农村劳动力，政府提供的就业安置恰当地满足了他们的需求。因此，选择方程的回归结果显示出更倾向于选择政府就业安置的失地农民群体所具备的特征，即教育水平较低但身体健康、具有职业培训经历、党员群体等。而政府提供的积极就业政策，都有助于失地农民更加愿意接受政府就业安置。

表5报告的就业行业回归结果显示，具有较高教育程度、较长工作经验或政治面貌为党员的失地农民不倾向于选择第1类行业就业，而健康、职业培训的影响却相反。为了更好地分析就业安置政策对就业行业选择的因果效应，本文在表6中报告了各组的平均干预效应。

表6 就业安置政策对失地农民就业行业的因果效应

注：括号内报告的是标准误差。

根据表6报告的结果，就业安置较大地提升了失地农民在第1类行业(农林牧渔、餐饮娱乐业、物业管理和保洁业)的就业概率。政策干预组的平均干预效应为0.316，表明接受就业安置的失地农民，如果不接受就业安置，那么在该类行业就业的概率将降低31.6%；政策对照组的平均干预效应为0.329，表明没有接受就业安置的失地农民，如果接受就业安置，那么在第1类行业就业的概率将提高32.9%；如果失地农民随机地接受政府的就业安置政策，那么在第1类行业就业的概率将提高32.3%。

六、结论和讨论

本文通过构建二元选择和内生转换模型，基于模型回归结果估算反事实概率，有效评估了政府就业安置政策对失地农民获得稳定就业的因果效应，以及政府就业安置政策对失地农民流向农林牧渔、餐饮、物业管理、保洁等第1类行业就业的因果效应。实证分析表明：总体上，政府对失地农民的就业安置政策取得了一定的积极政策效果。对于接受就业安置的这部分失地农民群体，就业安置政策对实现稳定就业的因果效应为0.45。然而，在控制选择性偏差的基础上，因果效应降低为0.21。由于存在负的选择性偏差，随机状态下政策干预的平均因果效应要低于干预组的平均因果效应。进一步的分析发现，政府就业安置政策大幅度提升了失地农民在农林牧渔、餐饮娱乐业、物业管理与保洁等行业的就业概率。由于这些行业通常具有低稳定性、低保障等方面的特点，即使初次就业安置成功，也不能够保证岗位的持续时间，从而导致就业安置政策的长期效果降低。

本文的政策启示如下：首先，在解决失地农民的就业问题时，应结合失地农民年龄特点和就业偏好，提供更多的选择性机会。一般来说，年龄偏大的失地农民，技能少，对第一产业存在偏好，那么在安置就业过程中，尽可能安置到现代农业、保洁业和低端服务行业就业；对于年轻的失地农民，学习技能快，学历相对较高，可以安置到高端服务业、运输性等行业就业。符合失地农民就业的选择性偏好将能大大提高失地农民的就业机会，保障失地农民就业安置政策的有效落实。其次，完善失地农民的社会保障体系，包括养老保险、医疗保险、重大疾病保险和失业保险等。让失地农民无论在哪个行业工作，其生活和医疗都是有保障的，从而解决失地农民的后顾之忧，降低失地农民的就业压力和经济压力，稳定失地农民就业队伍。其三，加强失地农民技能培训，提供失地农民的就业能力。针对不同的就业群体，开展形式多样的职业技能培训，包括开展继续教育、学历教育、短期和长期的培训等，让失地农民通过培训提高自己的就业技能，融入开放地的就业市场，增加主动选择的就业机会。其四，做好失地农民的职业发展规划工作。任何行业都有其发展的机会，失地农民在低端就业行业中如何发展、如何规划等，都离不开职业规划，因此在失地农民就业的低端行业，应充分发挥人事部门和工会的作用，做好失地农民的职业发展规划，帮助失地农民快速成长。其五，切实提高失地农民的就业待遇。失地农民为区域城镇化的发展做出了贡献，因此在安置失地农民就业过程中，要提高失地农民的就业待遇，制定完善的工资增长机制，消除性别歧视和工作歧视，为失地农民的稳定就业提供保障。

国家发改委宏观经济研究院课题组. 2004. 再就业政策效果的评价与建议[J]. 经济学动态(8):41-44.

赖德胜,李长安,孟大虎. 2013. 实施扩大就业的发展战略研究[M]. 北京:人民出版社.

赖德胜,孟大虎,李长安. 2011. 中国就业政策评价:1998—2008[J]. 北京师范大学学报(社会科学版)(3):110-124.

李倩. 2008. 我国被征地农民就业安置政策变迁及其评价[J]. 人口与经济(S1):1-3.

李新宽. 2010. 英国重商主义就业政策简析[J]. 东北师大学报(哲学社会科学版)(6):76-80.

刘雪梅. 2014. 新型城镇化进程中农村劳动力转移就业政策研究[J]. 宏观经济研究(2):81-86.

罗凌云,胡仕勇. 2014. 就业保障因素对失地农民职业转型的影响研究[J]. 农村经济(8):1-9.

王轶,石丹淅. 2016b. 失地农民就业质量的演进:基于北京地区的跟踪调查数据[J]. 经济经纬(4):32-37.

王轶,王琦. 2016a. 新常态背景下特大城市失地农民的就业问题研究[J]. 当代财经(5):3-12.

杨伟国. 2007. 转型中的中国就业政策[M]. 北京:中国劳动社会保障出版社.

叶继红. 2007. 失地农民就业的类型、路径与政府引导:以南京市为例[J]. 经济经纬(5):115-117.

AAKVIK A, HECKMAN J J, VYTLACIL E J. 2000. Treatment effects for discrete outcomes when responses to treatment vary among observationally identical persons: an application to Norwegian [R]. NBER Technical Working Paper No. 262.

BERDEGUE J, REARDON T, ESCOBAR G, et al. 2000. Policies to promote non-farm rural employment in Latin America [R]. London:Overseas Development Institute, Natural Resource Perspectives, No.55.

BRIGGS V M Jr . 1997. Institutional barriers to effective employment policy: the case of the United States [DB/OL]. http://digitalcommons.ilr.cornell.edu/briggsIV/10/.

DOLOWITZ D P. 1997. British employment policy in the 1980s: learning from the American experience [J]. Governance, 10(1):23-42.

KLUVE J. 2006. The effectiveness of European active labor market policy [R]. IZA Discussion Paper No. 2018.

LANJOUW P. 1999. The rural non-farm sector:a note on policy options [R]. Amsterdam: Development Economics Research Group, The World Bank.

LOKSHIN M, NEWSON R B. 2011. Impact of interventions on discrete outcomes: maximum likelihood estimation of the binary choice models with binary endogenous regressors [J]. Stata Journal, 11(3):368-385.

RADHAKRISHNA R. 2002. Agricultural growth, employment and poverty: a policy perspective [J]. Economic and Political Weekly, 37(3):243-250.

(责任编辑 彭 江)

Do Job Placement Policies Increase Employment Stability of Landless Peasants? Evidence from the Municipal Survey Data

CHEN JianWei1WANG Yi2

(1.University of International Business and Economics, Beijing 100029;2.Beijing Technology and Business University, Beijing 100048)

Based on a survey data in 2015 in Beijing, where the speed of urbanization is the fastest as a giant city, this paper has estimated the treatment effect of job placement policies with self-selection and endogenous switching. It shows that there are positive effects on employment stability. For those peasants who have accepted job placement, the average treatment effect on treated is 0.45. Furthermore, this study finds that the employment probability has been largely enhanced in traditional sectors, such as farming, forestry, animal husbandly and fishery, catering and entertainment, property management and cleaning. That is to say, the policies have successful helped landless peasants find jobs for the first time. However, due to the unstable and low security nature of these jobs, the long term effects have been decreased. It is recommended that the selected preference and the combination of industrial structure with regional structure should be concerned when making the job placement policies to enhance the effect of the implementation of policies.

landless peasant; job placement policy; policy impact evaluation

2016-12-11

陈建伟(1985-)，男，湖南茶陵人，博士，对外经济贸易大学教育与开放经济研究中心讲师。 王 轶(1970-)，男，河南信阳人，博士，北京工商大学学报编辑部主任，副研究员。

教育部人文社会科学研究规划基金项目“我国城镇化进程失地农民的就业问题研究” (14YJA790057)；北京市教育委员会科研计划人文社科面上项目“北京地区城镇化进程中失地农民的就业问题研究”(SM201410011007)；国家社会科学基金重大项目“构建和谐劳动关系研究”(12&ZD094)。

F241.4；C976.7

A

1001-6260(2017)01-0048-10

10.19337/j.cnki.34-1093/f.2017.01.005