在职培训与学历教育，孰能促进城镇劳动力的个体增收？

方超 黄斌

摘 要： 本文采用北京师范大学收入分配研究院提供的中国家庭收入调查数据（CHIP2007），借鉴并改造工资决定方程，采用传统回归方法与准实验的倾向得分匹配法，估计了培训收益率的净效应，研究发现：（1）传统回归方法揭示了培训收益率、教育收益率、大学教育收益率分别为17%、6.6%与8.3%;（2）Logit模型与平均边际效应的估计结果表明，教育年限、工作经验每上升1年，城镇劳动力的培训参与率可分别提高2%与0.9%，未婚与自我感觉处于健康状态的劳动者则负向影响培训参与率;（3）倾向得分匹配法揭示了培训收益率的取值区间为[10.4%，12.9%]，大学教育收益率的取值区间为[33.8%，36%]，大学教育年收益率约为8.45%～9%;（4）在职培训的经济价值虽低于整体大学教育回报率但却高于学历教育投资，并且忽视自选择偏差将会高估培训的经济价值。

关键词： 在职培训;收益率;人力资本;教育人力资本;大学教育回报率

一、 引言

改革开放四十年，我国教育事业的发展在“中国奇迹”的推动下取得了巨大的成就，两次外生型的教育扩张为我国由人力资源大国走向人力资源强国奠定了坚实的基础。1986年《中国人民共和国义务教育法》的出台，免费并普及了九年制的基础教育，1999年《面向21世纪教育振兴行动计划》的颁布，启动了“后发外生型”的高校扩招政策，基础教育和高等教育改革则极大的提高了国民受教育程度与劳动人口的素质。经典人力资本理论认为，学历教育与在职培训（“干中学”）作为人力资本投资的两种形式，是劳动者实现个体增收的主要途径。学历教育投资在转型改革时期发挥了较强的个体增收效应，教育回报率也随时间趋势的推移而不断上升（李实、丁赛，2003），更为重要的是，教育扩张政策的推行与技能劳动者的过量供给并未降低学历教育的经济价值。

相对于学历教育而言，在职培训能够更为直观、敏锐的捕捉劳动力市场上的需求变化。劳动者是否具有在职培训经历以及接受培训的类型是否与岗位所需密切相关，直接决定了个体的劳动生产率与收入水平（李湘萍、丁小浩，2006）。但是，受到一手或二手微观调研数据可获得性的掣肘，教育经济学界对于在职培训经济价值的讨论相对较少，这就使得我们对于在职培训的经济价值、“干中学”的个体增收效应的认识有待深化，并且也不利于我们厘清学历教育与在职培训，究竟哪种类型的人力资本投资能够更好的增进劳动者的收入水平。鉴于此，本文将采用北京师范大学提供的中国家庭收入调查数据，针对收入反事实构造准实验的实施条件，并在此基础上利用倾向得分匹配法估计培训的经济价值，同时比较在职培训与学历教育个体增收效应的组间差异，以期为十九大提出的提高人民生活水平，实现共同富裕提供信息支撑与决策基础。本文剩余结构安排如下：第二部分回顾既有文献并做出简单述评;第三部分阐述包括模型、方法与数据在内的研究设计;第四部分为实证研究结果的呈現与分析;最后为全文结论与延展讨论。

二、 文献回顾与述评

在职培训是指劳动者在结束学历教育后，为实现人力资本积累的一种投资方式，即阿罗所指的“干中学”或“边干边学”（Arrow，1962）。培训经济价值的早期研究始于雅各布·明瑟提供的工资决定方程，他将个人收入中由学历教育和在职培训贡献的部分予以盘剥，进而得到“干中学”影响劳动者个体增收的“净效应”（Mincer，1962）。Becker（1962）则在此基础上进一步区分了企业为员工所提供培训的类型与动机，认为身处完全竞争性市场中的企业更倾向于为员工提供专有型而非通用型的培训机会。相对于早期研究的概念界定，后期研究则在研究侧重与研究视角上变的愈发细密，并且不断揭示了在职培训的经济、社会价值。经济价值方面，部分研究估计了培训的个体增收效应约为30%，高于8%的大学教育收益率（Haelermans et al，2012）;而社会收益则揭示了为女性劳动者提供有针对性的在职培训能够在一定程度上消除因性别差异导致工作分化（Grnlund，2012）。此外，新近的研究趋势则立足于微观企业的视角，增强了对于在职培训、企业生产率以及工资水平三者联动关系的关注，认为在职培训对于企业生产率的促进作用高于对工资收入的增进效应（De Grip et al，2013;Konings et al，2015）。

随着我国劳动力市场的制度建设不断完善，培训经济价值的国内研究在进入21世纪后逐渐增多。但是，由于农村劳动力或农民工群体是新型城镇化的主体，并且我国政府从2003年起也相继出台了《2003-2010年全国农民工培训规划》、《农村劳动力转移培训计划》等多个文件，旨在切实保障农民工的培训权益，切实提高农村转移劳动力的非农收入水平。因此，教育经济学、劳动经济学界有关培训收益率的研究，在研究对象上大多聚焦于农村劳动力或乡-城流动人口，造成客观上缺乏对城镇劳动力的关注，并且在研究结论上呈现出以下两种特征：

特征一，在职培训能够促进农村劳动力的个体增收，并且具有统计学上的显著意义。王德文等（2008）基于对样本选择偏差的纠正，发现简单培训、短期培训和正规培训均对个体增收有着显著的正向影响。屈小博（2013）利用2011年农民工检测调查数据，基于匹配法的处理效应估计，发现技能培训将农民工的人力资本回报率提高了8.24%。李实、杨修娜（2015）利用CHIP数据的经验研究，发现培训能够将农民工的月工资水平提高6%，并且女性劳动力的培训收益率要高于男性。崔玉平、吴颖（2017）的研究则再度验证了学历教育与在职培训的经济价值，并且得出纯培训的收益率（10.8%）高于纯教育回报率（5.8%）的论断。

特征二，在职培训的个体增收效应并不显著，部分研究甚至发现培训经历负向影响劳动者的个体增收。譬如，王海港等（2009）针对珠三角洲农村职业培训的研究，发现参加职业培训者的处理效应低于其平均处理效应，而平均处理效应又低于未参加职业培训者的处理效应，因而认为职业培训未能发挥应有的作用，不能显著提高农村劳动力的非农收入水平。顾和军（2013）利用中国老年人健康长寿影响因素调查（CLHLS）的数据，利用倾向得分匹配法发现培训经历对农村劳动力的个体增收并不具备统计学上的显著意义。

基于对既有文献的总结与梳理，我们发现学界围绕培训经济价值的讨论业已形成了大量有益的研究经验，并且在不同程度上为推进城乡一体化建设、保障农民工权益等方面提出了切实可行的政策建议。但有关这一选题我们仍然发现以下三处值得深入讨论的地方：第一，在研究对象上可将研究视角向城镇劳动力聚焦，关注在职培训对城镇劳动力个体增收的现实影响，同时可将研究结论与农村劳动力进行横向组间对比。第二，在研究视域上可将在职培训的个体增收效应与学历教育的经济价值，尤其是高校扩招政策推行后的大学教育回报率进行对比，从而能够更为客观的评价两种类型的人力资本投资对人的增值的差异化影响。第三，在研究方法上可用准实验的研究方法取代传统的相关性回归，从而实现培训与个人收入间的因果关系推断。

三、 研究设计

（一） 模型设定

基准模型设定采用明瑟提供的工资决定方程，线性形式如下：lnwagei=α+β1Schi+β2Expi+β3Exp2i+β4Xi+μ

（1）式中，下标i表示城镇劳动力个体，因变量lnwagei为i的月工资的对数形式，自变量Schj、Expi与Exp2i代表i的学历教育年限、工作经验及其平方项，三个核心变量构成了工资决定方程中的人力资本变量（方超、黄斌，2018a）。Xi为一系列影响城镇劳动力收入水平的控制变量，μ则为工资方程的误差项。在方程（1）的基础上，我们对其进行改造，用于测量培训的经济价值：lnwagei=α+β1Trainingi+β2Expi+β3Exp2i+β4Xi+μ

（2）式中，Trainingi表示城镇劳动力i是否具有培训经历，当i具有培训经历时，则有Trainingi=1，反之则有Trainingi=1，因而Trainingi为一个二元哑变量，βi则为培训经济价值的估计量，其他变量与方程（1）相同。我們利用方程（1）估计城镇劳动力的教育回报率与大学教育回报率，利用方程（2）估计培训的经济价值，同时比较在职培训与学历教育经济价值的组间差异。

（二） 估计策略

在方程（2）中，城镇劳动力i是否接受在职培训被设定为外生或随机安排的结果，培训收益率对每一个城镇劳动力而言也是均质的。基于此假定，传统回归方法在技术处理上通常用i接受培训后的实际结果值E[lnwagei|Training=1]，和假设其未接受培训时的结果差值τATT=E（τ|Training=1）=E（lnwage1i|Training=1）-E（lnwage01|Training=1）表示。但在现实世界中，我们无法观测到城镇劳动力i在接受过培训后，却假设其未接受培训时的收入状况，即收入反事实（Counterfactual），也就是说E（lnwagei|Training=1）是无法被观测的。此时，继续利用传统回归方法，将未接受培训个体的结果均值E（lnage01|Training=1）视作接受培训个体的收入反事实将会引致自选择性偏差（Selection Bias），从而偏估培训的经济价值（Heckman，1979）。因为个体是否做出培训决策、实际接受培训并非外生或随机安排的结果，而是受到诸多因素的综合影响，譬如可观测因素中的家庭特征与个体特征，不可观测因素中的培训口味与需求等，因而接受与不接受培训的城镇劳动者，在上述特征上是存在显著差异的。

针对传统回归方法可能造成的选择性偏估，我们将在传统回归的基础上进一步将采用Rosenbaum & Rubin（1985）提供的倾向得分匹配法（Propensity Score Matching，PSM）。倾向得分匹配的研究思路是，为每一个接受培训的城镇劳动力找到一个在可观测特征上近似，但却未接受培训的个体，基于结果均值的比较估计培训的经济价值。倾向得分匹配法的运用需要满足两个假设：假设一，条件独立假设（Conditional Independence Assumption，CIA），是指可观测的特征值既影响了城镇劳动力是否接受培训，又影响了其收入水平，但却不会受到收入水平的反向干预，而将这些特征值控制后，城镇劳动力是否接受培训便类似于随机分配的过程;假设二，共同支撑假设（Common Support Assumption）则要求接受培训的处理组与未接受培训的控制组在倾向得分上有着重叠的支撑区域。满足条件独立与共同支撑假设后，培训的平均处理效应（ATT）便可表述为：ATT=E{E[lnwage1i|Trainingi=1，p（X）]-E[linwage0i|Trainingi=0，p（X）]}

（3）式中，lnwage1i与lnwage0i分别表示城镇劳动力在接受和未接受培训时的月收入情况，Trainingi为是否接受培训的二元哑变量，p（X）表示接受培训的概率值。在技术处理上，为确保平均处理效应估计结果的稳健性，我们将采用k最近邻与近邻匹配，半径（卡尺）匹配，非参数的核匹配以及马氏匹配四种策略估计培训的经济价值。其中，k最近邻的匹配对象为在倾向得分上与接受培训个体最为接近的未接受培训的城镇劳动力，半径匹配则在近邻匹配的基础上，纳入了一个倾向得分差异的最大容忍值，将取值区间内未接受培训的城镇劳动力作为匹配对象，核匹配法则利用了所有未接受培训个体的倾向得分加权值，与接受培训的城镇劳动力进行配对，马氏匹配则采用Adabie & Imbens（2006）提供的异方差稳健标准误的处理办法。

（三） 数据与变量

1.数据

本文所用数据源自北京师范大学收入分配研究院提供的中国家庭收入调查数据（Chinese Household Income Project，CHIP）。迄今为止，中国家庭收入调查共开展了五轮，最新一轮的收入数据为2013年，但该轮调研并未涉及本文最为关心的解释变量，即城镇劳动力是否接受培训，故无法满足本文研究设计的需要，因而我们选用CHIP2007（城镇居民适用卷）估计城镇劳动力接受培训后的个体增收效应。在保留本市/县非农户口、外地非农户口，剔除当前劳动力市场中处于失业状态以及年龄区间在16岁以下与65岁以上的个体后，得到有效样本共计6311个。

2.变量

基于工资决定方程，本文将因变量设置为城镇劳动力的月收入对数。同时，我们根据城镇劳动力是否接受培训（Training）划分了处理组与控制组，处理组表示具有培训经历（Trainingi=1），而控制组则不具有培训经历（Trainingi=1）。从统计分布中可以看出，有38.48%的城镇劳动力接受过在职培训，而61.52%的城镇劳动力未接受过在职培训。根据表1给出的描述性统计可知，处理组中的月收入对数的均值为7.592，高于控制组中的7.407，并且双t检验在1%水平上显著，表明培训经历显著影响城镇劳动力的月收入水平，具有培训经历者的月收入高于未接受培训者。

教育年限、工作经验及其平方项是本文的核心解释变量。教育年限为问卷中对城镇劳动力接受学历教育年限数的调查，在接受培训的处理组中为12.635年，受教育程度相当于大专或本科一年级的水平，未接受培训的处理组为11.815年，受教育程度相当于高中阶段（普高/职高）的完成阶段，处理组中的受教育程度高于控制组，并且双t检验具有统计学上的显著意义。关于工作经验及其平方项的处理上，我们直接采用了被调查人从事当前工作的时间，而并未采用“工作经验=年龄-教育年限-6”的处理办法。除人力资本变量以外，本文还在工资决定方程中控制了城镇劳动力的年龄、性别、民族、婚姻与健康状况等人口统计学特征。

四、 实证研究及分析

（一） 基准回归结果

基于方程（1）与方程（2），本文首先采用普通最小二乘法（Ordinary Least Square，OLS）与分教育层级回归估计培训对城镇劳动力个体增收的现实影响，同时比较在职培训与学历教育经济价值的组间差异，表2提供了基准回归的估计结果。其中，模型（1）～（4）分别估计了培训的经济价值、教育回报率、引入培训因素的教育回报率以及大学教育回报率。

具体看来，模型（1）在方程（2）的基礎上仅仅考虑了培训的经济价值，而培训经历的参数估计值为0.170，并且在1%水平具备统计学上的显著意义，说明相对于未参与培训的城镇劳动力而言，参加培训显著提高了城镇劳动力的月收入水平，接受培训能够将月收入水平提高17个百分点。模型（2）在方程（1）的基础上仅仅考虑了学历教育的经济价值，而教育年限的参数估计值为0.066，即alnwagei/schi=0.066，表明整体教育回报率为6.6%（e0.066-1）。在模型（3）中我们引入了培训经历，发现教育年限的参数估计值由模型（2）中的0.066下降到了0.063，说明忽略城镇劳动力的培训经历可能造成教育回报率的高估。在模型（4）中，我们根据城镇劳动力的教育年限划分了高中教育阶段（普高/职高）与大学教育（大专及以上受教育程度），旨在估计扩招政策推行后的大学教育回报率。高中教育阶段与大学教育参数估计值分别为0.198与0.530，将大学教育与高中教育阶段的参数估计值相减，得到大学教育回报率为33.2%，当假定大学教育的教育年限数为四年时，得到大学教育年收益率为8.3%。

根据基准回归的估计结果我们能够得到如下推论：城镇劳动力在职培训的经济回报率为17%，高于6.6%的纯教育回报率，并且在引入培训经历等因素后，纯教育回报率进一步下降。同时，将培训的经济价值与大学教育回报率相比后发现，培训收益率虽然低于33.2%的总体大学教育回报率，但却显著高于8.3%的大学年收益率，即高于额外接受一年大学教育能够引致未来收入增长的百分比。

最后，本文对工资决定方程中剩余变量的估计结果做简要汇报，经验及其平方项的估计结果正负相异，一次项为正二次项为负，说明工龄增长的个体增收效应表现为“倒U”型的增长曲线。相对于女性劳动者而言，男性劳动者的培训回报率与教育回报率均高于女性劳动者，未婚状态相对于已婚劳动者而言的工资报酬更低，自我对于健康的感知越高则月收入水平越高。

（二） 培训的经济价值：平均处理效应估计

1.城镇劳动力的培训参与率估计

利用倾向得分匹配法估计培训收益率的“净效应”前，首先需要估计城镇劳动力参与培训的概率值：Trainingi=α+βX+μ

（4）  式中，Trainingi为前述二元哑变量，表示城镇劳动力是否接受培训，X为一系列解释变量。理论上讲，解释变量X所涵盖的影响因素应满足两个条件：第一，影响城镇劳动是否做出培训决策并且影响其月收入水平;第二，不会受到是否参与培训的反向干预，即X应该为接受培训的前定变量。基于对工资决定方程的借鉴，本文中影响城镇劳动是否接受培训的因素包括受教育程度、从事当前工作的时间及其平方项、年龄、性别、民族、婚否与健康状况，表3汇报了基于Logit模型估计的城镇劳动力的培训参与率。由于Logit概率模型的被解释变量为0-1构成的二分变量，参数估计值仅仅能够提供解释变量X在影响城镇劳动力是否做出决策时的方向性信息，而无法给出是否参与培训的概率值，即平均边际效应。为了得到培训参与与否的确切概率值，我们在Logit估计的基础上进一步计算出各变量的平均边际效应，即dy/dx（表3第四列）。

从平均边际效应的估计结果上看，受教育程度对是否做出培训决策具有正向显著的积极影响，教育年限提高一年可将参加在职培训的概率值将提高2个百分点。工作经验及其平方项对于培训参与率的影响正负相异，表明经验增长并非线性提高城镇劳动力的培训参与率，个体在进入职场的初期，出于人职匹配与工作技能锻造的需要，在职培训的需求不断上升，工龄每增长1年，培训参与率将提高0.9个百分点，而这一理由同样也适用于解释年龄变量对培训参与率的消极影响，随着年龄（工龄）的增长，人职匹配与技能锻造的完成，劳动者对培训的需求（口味、偏好）逐渐变为开口向下的减函数。婚姻状况负向影响城镇劳动者的培训参与率，已婚状态无疑承担了更多的家庭责任，包括赡养老人与抚养子女等，因而在个体增收的动机与意愿上可能要强于未婚劳动者，故培训参与率相对于未婚劳动者要高出4.2个百分点。健康状况对培训参与率的影响负向显著，表明自我感觉身心处于不健康或亚健康状态的城镇劳动力参与培训的意愿更强，在参与培训的概率值上相对于自我感觉健康的劳动者要高出5.7个百分点。此外，性别变量显示出女性、汉族劳动者相对于男性、少数民族劳动者有着更高的培训参与率，但估计系数未通过显著性检验。

2.协变量的平衡性检验

基于Logit概率模型对培训参与率的估计，我们进一步利用倾向得分匹配法估计在职培训的经济价值，但在估计平均处理效应前，需要对处理组与参照组中协变量的平衡性进行检验。具体说来，平衡性检验是指具有相同倾向得分的城镇劳动力，在是否选择接受培训上是完全随机分配的。就文本而言，就是指参与/未参与培训的个体应该具备相同的个体特征，即解释变量X在理论上应该是相同的。从图1可知，处理组与控制组在实现数据匹配后的重心，相对于数据匹配前更为拟合、聚拢，并且有着更为宽泛的重叠区间，这就使我们有理由认为，数据匹配能够消除处理组与控制组的个体特征差异，从而为平均处理效应的估计提供便利条件。

基于核密度函数图的刻画，本文将进一步通过偏差削减的百分比来评价协变量的平衡性，表4报告了匹配前后平衡性的检验结果。其中，表4第3、4列分别为处理组（Treated）和控制组（Control）在不同匹配状态下的样本均值，第5列为用百分比表示的偏误削减的幅度，也就是接受培训与未接受培训的城镇劳动力，在月收入对数上的均值差与方差均值的平方根比，第6、7两列则为偏差削减百分比的绝对值和t值。

根据表4提供的平衡性检验结果，我们发现，除了工作经验与婚姻变量的偏误存在上升以外，其他协边量的偏误在数据平衡后均实现了不同幅度的削减。其中，城镇劳动力的受教育程度实现了最大幅度的削减，偏误降幅达到了93.6%，而偏误削减幅度最小的变量则为性别变量，削减幅度为44.7%。总体上看，协变量在数据匹配后的t值下降、p值变大，并且在统计上均不显著，说明无法拒绝处理组与控制组在个体特征的分布上存在显著差异的原假设，也就是说通过数据匹配消除了接受与未接受培训的城镇劳动力，在可观测个体特征上的差异，因而是否做出培训决策以及实际接受培训便可视为随机分配的过程，从而满足条件独立假设，而图2刻画的倾向得分的共同取值范围则满足了共同支撑假设。

3.平均处理效应估计

在协变量平衡性检验的基础上，我们利用前述五种匹配策略：K最近邻匹配、K近邻匹配、半径（卡尺）匹配、非参数的核匹配以及异方差稳健标准误的马氏匹配估计培训收益率的平均处理效应。其中，K最近邻与近邻匹配分别采取了一对一与一对四，即令K=1和K=4的识别策略;半径匹配则令卡尺Radius=0.01，也就是选择了在半径“不太远”的半径范围内进行配对识别;核匹配则默认了核函数的带宽值为0.06，表5报告了平均处理效应的估计结果。

根据表5给出的估计结果可知，处理组中具有培训经历的城镇劳动力在五种配对策略下的月工资的对数收入，均高于不具有培训经历的控制组，处理组与控制组的组间差值（Difference），也就是平均处理效应（ATT）的参数估计值全都在1%水平上显著，一方面表明相对于不具有培训经历的城镇劳动力而言，接受培训能够显著促进个体收入水平的增长，另一方面也说明本文的实证研究;结论具有稳健性。从平均处理效应的参数估计值上看，K最近邻匹配、K近邻匹配、半径匹配、核匹配以及马氏匹配的估计系数分别为0.104、0.124、0.120、0.129以及0.115，即培训收益率在各配对策略下分别为10.4%、124%、12%、12.9%以及11.5%。将不同配对策略下的培训收益率进行整理，我们发现，相对于不具有培训经历的劳动者而言，接受培训对月收入提高的增长效应落入了[10.4%，12.9%]的取值区间内。此外，将平均处理效应的取值区间与基准回归的估计结果进行对比后不难发现，忽视个体特征等可观测变量将会引致选择性偏差，而选择性偏差将会高估培训的经济价值。

为了回答本文提出的研究问题：在职培训与学历教育究竟哪一方能够更好的促进城镇劳动力收入水平的增长，我们利用与培训收益率相同的估计策略，估计了接受大学教育后的平均处理效应。根据表6提供的估计结果可知，处理组的城镇劳动力接受了大学教育，因而在月工资上要高于未接受大学教育的控制组，说明作为学历教育最高层级的大学教育（含硕博士）能够有效的促进城镇劳动力的个体增收，平均处理效應在K最近邻匹配、K近邻匹配、半径匹配、核匹配与马氏匹配中分别为0.338、0.359、0358、0.360以及0.340，也就是说大学教育的总体收益率在各匹配策略中分别为33.8%、35.9%、358%、36%以及34%。通过进一步整理后发现，大学教育的个体增收效应落入了[33.8%，36%]的取值区间内，当对大学教育年限做出四年的统一假定后，得到大学教育年收益率约为8.45%～9%，估计结果既与基准回归的参数估计值大体相当，也与既有研究对城镇劳动力大学教育净收益的估计基本保持一致（方超、黄斌，2018b）。因此，对比培训收益率与大学教育收益率的平均处理效应后，我们发现培训的经济价值在整体上低于大学教育收益率，但高于大学教育的年收益率。

五、 结论与讨论

（一） 研究结论

本文利用北京师范大学收入分配研究院提供的中国家庭收入调查（CHIP2007），基于对工资决定方程的借鉴与改造，在事后观测数据的基础上分别采用了传统回归方法与准实验的倾向得分匹配法，估计了城镇劳动力接受在职培训后的经济报偿，同时将在职培训与学历教育的经济价值进行了横向比较，重点探讨了培训与大学教育个体增收效应的组间差异，结果发现：

第一，利用普通最小二乘法估计出城镇劳动力的培训收益率为17%，高于6.6%的纯教育收益率，而在引入培训经历后，纯教育回报率则进一步下降到了6.3%，表明忽视培训经历将会高估纯教育回报率;利用分教育层级回归发现，整体大学教育回报率与年回报率分别为33.2%与8.3%。基准回归的估计结果显示出培训的经济价值高于包括大学教育在内的学历教育的价值，但低于总体大学教育回报率。

第二，基于Logit二值选择模型以及平均边际效应的计算，发现受教育程度与工作经验正向影响培训参与率。教育年限与工龄每增长1年可将城镇劳动力的培训参与率提高2%与0.9%。婚姻与健康程度则负向影响培训参与率，未婚、健康劳动者的培训参与率相对于已婚、不健康或者亚健康的劳动者要分别低出4.2与5.7个百分点。

第三，利用准实验的倾向得分匹配法，基于协变量的平衡性检验，通过K最近邻匹配、K近邻匹配、半径匹配、核匹配与马氏匹配对平均处理效应的估计，发现城镇劳动力的培训收益率落入了[10.4%，12.9%]的取值区间内，揭示了自选择偏差将会高估在职培训的经济价值;大学教育收益率则落入了[33.8%，36%]的取值区间，相应的年收益约为8.45%～9%，验证了基准回归结果的稳健性，同时也回应了本文的研究问题，即培训收益率高于大学教育年收益率但却低于整体大学教育收益率。

（二） 延展讨论

本文利用准实验的倾向得分匹配法估计了培训的经济价值，纠正了在传统回归方法下可能面临的由可观测特征值造成的选择性偏差。但是，城镇劳动力是否做出培训决策以及是否接受培训还可能由不可观测特征值，譬如先天禀赋、个人能力等因素所决定。然而，本文所用的匹配法则无法纠正由不可观测特征值引致的内生性偏估。因此，如何进一步剔除不可观测特征值的扰动，纠正内生性偏估，实现在职培训与个体增收间的因果关系推断，将是我们下一阶段的研究重点。此外，本文的研究结论同样具有一定的政策意涵。有鉴于在职培训的经济价值高于学历教育投资，因而政府可以站在需求侧的角度，有针对性的向城镇低收入个人或家庭供给多种形式的培训机会，切实利用培训供给这种社会服务的形式，有效提高城镇低收入家庭的收入水平，助力精准扶贫的加速实现。

参考文献：

[1] 崔玉平、吴颖，2017：《教育培训对苏州市农民工收入的影响——教育培训经济收益率的再检验》，《教育与经济》第2期。[Cui Yuping and Wu Ying，The Impact of Education and Training on Migrant Workers Income in Suzhou——A Reexamination on Rate of Return of Education and Training，Education & Economy，2.]

[2] 方超、黄斌，2018：《工资收入视角下的城镇居民的教育回报》，《城市问题》第6期。[Fang Chao and Huang Bin，The Education Return for Urban Residents from the Perspective of Wage Income，Urban Problems，6.]

[3] 方超、黄斌，2018：《高校扩招、教育质量与城镇劳动力的大学教育回报率——基于倾向得分匹配法的准实验研究》，《国家教育行政学院学报》第12期。[Fang Chao and Huang Bin，University Enrollment Expansion，Education Quality and Rate Return on University Education of Urban Labor Force：A Quasi-experimental Study Based on PSM，Journal of National Academy of Educational Administration，12.]

[4] 顾和军，2013：《职业培训对农村劳动力工资收入的影响》，《华南农业大学学报（社会科学版）》第3期。[Gu Hejun，The Effect of Vocational Training on Wage of Rural Workers，Journal of South China Agricultural University（Social Science Edition），3.]

[5] 李实、丁赛，2003：《中国城镇教育收益率的长期变动趋势》，《中国社会科学》第6期。[Li Shi and Ding Sai，Long-term Chang in Private Returns to Education in Urban China，Social Science in China，6].

[6] 李實、杨修娜，2015：《我国农民工培训效果分析》，《北京师范大学学报（社会科学版）》第6期。[Li Shi and Yang Xiuna，The Effect of Training for Rural Migrants，Journal of Beijing Normal University（Social Sciences），6.]

[7] 李湘萍、丁小浩，2006：《企业在职培训的私人投资收益分析》，《教育与经济》第4期。[Li Xiangping and Ding Xiaohao，An Analysis of Employees Return of On-The-Gob Training Investment in Private Sector，Education & Economy，4.]

[8] 屈小博，2013：《培训对农民工人力资本收益贡献的净效应——基于平均处理效应的估计》，《中国农村经济》第8期。[Qu Xiaobo，The Net Effect of Contribution of Training to the Return of Human Capital Investment in Rural Migrant Workers——An Estimation with Average Effect of Treatment on the Treated，Chinese Rural Economy，8.]

[9] 王德文、蔡昉、张国庆，2008：《农村迁移劳动力就业与工资决定：教育与培训的重要性》，《经济学（季刊）》第4期。[Wang Dewen，Cai Fang and Zhang Guoqing，Employment and Wage Determination of Rural Migrant Workers：The Role of Education and Training，China Economic Quarterly，4.]

[10]王海港、黄少安、李琴、罗凤金，2009：《职业技能培训对农村居民非农收入的影响》，《经济研究》第9期。[Wang Haigang，Huang Shaoan，Li Qin and Luo Fengjin，The Effect of Vocational Training on Non-farming Incomes，Economic Research Journal，9，]

[11]Abadie，A.，and G. Imbens.，2006，Large Sample Properties of Matching Estimators for Average Treatment Effect， Econometrica，74（1）：235-267.

[12]Arrow，K.J. ，1962，The Economic Implications of Learning by Doing， The Review of Economic Studies，29（3）：155-173.

[13]Becker，G.S.，1962，Investment in Human Capital：A Theoretical Analysis， The Journal of Political Economy，70（5）：9-49.

[14]De Grip，A. and J. Sauermann ，2013，The Effect of Training on Productivity：The Transfer of On-The-Gob Training from Perspective of Economics， Educational Research Review，8：28-36.

[15]Grnlund，A.，2012，On-The-Gob Training-A Mechanism for Segregation？Examining the Relationship between Gender，Occupation，and On-The-Gob Training Investments， European Sociological Review，28（3）：408-420.

[16]Haelermans，C. and L. Borghans，2012，Wage Effects of On-The-Gob Training：A Meta Analysis， British Journal of Industrial Relations，50（3）：502-528.

[17]Heckman，J.J.，1979，Sample Selection Bias as a Specification Error， Econometrica，47（1）：153-161.

[18]Konings，J. and S. Vanormelingen，2015，The Impact of Training on Productivity and Wages：Firm-level Evidence， Review of Economics and Statistucs，97（2）：485-497.

[19]Mincer，J.，1962，On-The-Job Training：Cost，Return and Some Implication， Journal of Political Economy，70（5）：60-79.

Abstract： This paper based on the CHIP2007 provided by the survey of income of residents in China， drawing lessons from and reforming the wage determination equation， estimating the net effect of training return rate by traditional regression method and quasi-experimental research of PSM. It is indicated that（1）The traditional regression method reveals that the rates of return on training， education and university education are 17%， 6.6% and 8.3%; （2）The model of Logit and average marginal effect show that the probability of urban labor force participating in training can be increased by 2% and 0.9% for every one year's increase in education and work experience， while unmarried and self-perceived workers in a healthy state negatively affect the training participation rate; （3）The PSM reveals that the range of return on training and university are [10.4%， 12.9%] and [33.8%， 36%]， while the annual return on university education is about 8.45%～9%; （4）Although the economic value of on-the-job training is lower than the overall rate of return on University education， it is higher than the investment in education， Ignoring self-selection bias will overestimate the economic value of training.

Key Words： On-The-Job Training; Rate of Return; Human Capital; Educational Human Capital; Return on University Education

責任编辑 叶 青