“入对行”重要吗？——来自2009-2017年全国高校毕业生就业调查的实证分析

周丽萍，岳昌君

（1.广州大学 教育学院，广东 广州 510006；2.北京大学 教育学院，北京 100871）

一、问题的提出

随着互联网经济和现代服务业的蓬勃发展，我国出现了大量的新业态、新产业和新的商业模式。从1984年仅有13个行业门类、75个大类、310个中类和668个小类扩展到2017年的20个行业门类、97个大类、473个中类、1380个小类，行业门类、大类中类和小类分别增加了7个，22个，163个和712个行业小类，扩展出的新的行业活动主要集中在吸纳了最多高校毕业生就业的第三产业。这意味着，在新的时代背景下，高校毕业生将面临更多的行业选择，而在众多的选择中，“入对行”就显得尤为重要。究竟进入哪些行业才是“入对行”，“入对行”有什么好处，好处有多大，这些问题备受高校毕业生和毕业生家长的关注。

根据《中国统计年鉴》数据计算，按行业分城镇单位就业人员的平均工资的最高值与最低值之比由1990年的1.76∶1上升到2016年的3.64∶1，变异系数由1990年的13.6%上升到2016年的32.74%。[1]不考虑地区因素，金融业的平均工资最高，农林牧渔业的平均工资最低，前者是后者的4.2倍。如果同时考虑地区和行业，北京金融业的平均工资为是辽宁农林牧渔业的平均工资16倍。[2]为了更加生动地凸显“入对行”带来的收入溢价之高，有学者把行业间收入差距与教育投资差异带来的收入差距进行比较，结果发现，与制造业相比，“高收益行业”的计量回归系数大于0.4，而计量回归结果中的总个人教育收益率只有0.067，这意味着制造业的从业者要多受6年教育才能抵上“高收益行业”的工资收入差异。也就是说，接受四年大学本科教育，如果不考虑大学期间的教育直接成本和机会成本，其因受教育年限增加带来的收入水平的提高显著地低于从制造业转移到“高收益行业”工作而提高的收入水平。[3]王天夫等人（2010）[4]的研究发现收入分配决不仅仅是个人层次的因素在起作用，行业因素在收入分配中至关重要，特别在某些垄断行业，诸如金融、房地产、能源交通传输及供应等行业，其整体个人收入高于其他行业。其研究发现，在个人收入的整体差异中，有超过13%的份额是由于行业的不同造成的，这意味着个人能力强并不一定能够保证更高的收入，“入对行”是获得高薪的关键。如此看来，选择似乎高于努力甚至是能力。那究竟实际情况如何，本文将用最新的就业调查数据进行回应。

学界一般根据就业结果的情况来衡量是否“入对行”，而以往的文献中关于就业结果的指标很多，既包括就业落实、起薪、就业地点、就业单位、就业部门、就业岗位等客观性指标，也包括就业满意度、就业匹配度等主观性指标。在这些指标中，起薪和就业满意度是最常使用的主客观指标，本文将起薪和满意度作为衡量“入对行”的指标，如果进入的行业的起薪和就业满意度均显著更高，则认为是“入对行”。本文拟采用2009-2017年高校毕业生就业调查的数据，通过比较行业间就业满意度和起薪的差异来判断进入哪些行业才是“入对行”，并进一步控制毕业生的个人和家庭背景等其他因素的干扰，进一步逼近因为“入对行”而带来的行业选择红利。

二、数据、变量与模型

（一）数据和样本描述

北京大学教育经济研究所于2003年、2005年、2007年、2009年、2011年、2013年、2015年和2017年进行了八次全国高校毕业生的抽样调查数据，每次调查的样本量在两万人左右，截至2017年，北京大学教育学院共调查了约16万名高校毕业生。由于2009年以前的调查未问及行业问题，所以本文采用的数据包括2009、2011、2013、2015和2017年的全国高校毕业生就业抽样调查的数据，其中实证分析部分主要是采用2017年的最新的全国高校毕业生就业抽样调查的数据。2009年至2017年涵盖了整个“十二五”规划期，正是我国经济转型的关键时期。对这一期间的数据进行分析可以很好地反映在产业结构调整背景下高校毕业生行业分布的新特点和新趋势。

问卷调查对象是当年的应届毕业生，调查时间是当年的6月份。每次调查都参照我国高等教育的地区结构、学校类型结构、学历结构、专业结构、性别结构等进行抽样，努力使得调查样本具有较好的代表性。在发放问卷时，对每所抽样高校根据毕业生学科门类和学历层次按一定比例发放500～1000份问卷，每所高校调查数据并不能代表该校的毕业生总体，但是对全部调查高校的汇总数据作为全国高校毕业生的样本具有代表性。问卷包括高校毕业生的基本信息、求职过程、就业状况、接受高等教育状况等四部分。表1给出了五次调查的样本数据说明。

表1 五次调查的样本数据说明

续表

（二）变量选取

本文的因变量是就业结果，分别用客观性指标行业起薪和主观性指标工作满意度表示。关键自变量是行业，一共有19分类，以制造业为参照组。除了表示行业的核心变量外，本文还进一步控制高校毕业生的人口统计学特征、家庭背景变量、人力资本变量、求职努力状况和工作特征的等四类变量，以进一步逼近由于行业选择差异带来的就业结果的偏差（表2）。

表2 解释变量及说明

（三）研究方法

1.行业满意度定序逻辑斯特回归分析

本文将建立定序逻辑斯特（Ordered Logistic）回归模型分析行业选择对毕业生的就业满意度的影响，回归方程如下：

其中，因变量为高校毕业生就业满意度，分为“非常满意”、“满意”、“一般”、“不太满意”、“很不满意”，按照从高到低分别赋值5、4、3、2、1。解释变量IND为行业虚拟变量（1表示毕业生属于行业j；0表示不属于）。本文选择制造业作为参照的基准行业，其他行业分别与制造业进行比较。Xj为就业满意度的影响因素，包括人口统计学特征、人力资本、家庭背景、学校背景、求职努力和工作特征。系数λj表示行业j与制造业相比的就业满意度，正（负）号的回归系数表示该行业的行业满意度高（低）于制造业。βj表示解释变量对就业满意度的边际影响，表示解释变量Xj变化一单位对就业满意度变化百分比的影响。系数βj的符号表示该解释变量对就业满意度影响的方向。ε为随机扰动项。

2.收入对数回归方程

本文将使用以下计量回归方程分析行业选择对初职起薪的影响：

本文将采取普通最小二乘法（OLS）进行回归。Y为毕业生的月起薪，单位是人民币元，取其对数值作为被解释变量。解释变量IND为行业虚拟变量（1表示毕业生属于行业j；0表示不属于）。本文选择制造业作为参照的基准行业，其他行业分别与制造业进行比较。Xj为起薪的影响因素，包括人口统计学特征、人力资本、家庭背景、学校背景、求职努力和工作特征。系数λj表示行业j与制造业相比的行业收益，正（负）号的回归系数表示该行业的“行业收益”高（低）于制造业。βj表示解释变量对起薪的边际影响，表示解释变量Xj变化一单位对起薪变化百分比的影响。系数βj的符号表示该解释变量对起薪影响的方向。ε为随机扰动项。

3.倾向值得分匹配模型

收入对数回归方程未能完全控制不可观测能力差异对行业收入差距的影响。为了进一步控制不可观测的人力资本异质性对行业收入差距的影响，本研究采用倾向值得分匹配方法（PSM），匹配出“入对行”和有相似概率“入对行”却未选择进入“对”的行业的两组毕业生群体，通过比较这两组毕业生的工资差异来检验“入对行”带来的收入回报。

倾向值得分匹配方法是一种个体配比方法，可以有效地消除混杂因素造成的选择性偏误。倾向值得分匹配方法的核心思想是利用倾向值得分从对照组中挑选出n个与实验组的个体特征条件相似的个体与实验组的每个个体进行匹配。[5]540-556把PSM方法应用到行业收入差距分析中，可以对有相似概率进入“对”的行业但却没有进入的毕业生与实际上进入了“对”的行业的毕业生的起薪均值进行比较，倾向值得分可以表示为：

其中，Xi表示影响是否进入“对”的行业的变量矩阵，P值可以通过构造Logit模型进行估计。

倾向值得分匹配方法的结果可以直接利用stata软件输出，输出结果包括ATT（参加者平均处理效应）、ATU（未参加者平均处理效应）和ATE（所有个体的平均处理效应）。具体地说，ATT和ATU计算的都是进入“对”的行业的毕业生的收入与未进入的毕业生的收入的均值之差的均值，而ATE表示总体样本的平均处理效应。具体如下面式子所示：

其中，Di是衡量是否进入“对”的行业的虚拟变量，Di＝1表示第i个毕业生进入了“对”的行业；N1＝∑iDi表示进入“对”的行业的毕业生人数；yi表示第i个进入“对”的行业的学生的收入变量值表示未进入“对”的行业的毕业生的收入变量均值。

其中，N0＝∑j（1-Dj）表示未进入“对”的行业的毕业生人数表示进入“对”的行业的毕业生的收入变量均值，yj表示未进入“对”的行业的毕业生的收入变量均值。

其中，N＝N0+N1，如果Di＝1，则；如果Di＝0，则

三、描述统计分析

（一）行业分布变化趋势

如表3所示，在2009-2017年间，按行业类型划分，高校毕业生的就业分布存在以下特点：第一，金融业就业比例存在明显上升趋势，从2009年的6.3%上升至2015年的15.2%，成为毕业生就业占比最大的行业，2017年略微下降，为12.9%，但仍然稳居第一。第二，进入IT业的平均比例都在10%以上，2015年和2017年的占比都位居第二位。第三，制造业比例存在明显下降趋势，从2009年的18.2%下降至2015年的10.4%，六年间下降了7.8个百分点，之后略有上升，升至2017年的11.2%。但是我国经济发展仍处于工业化阶段，以制造业为主的第二产业是就业规模增长幅度最大的产业，而毕业生理想中的国家机关、事业单位、金融和IT业的增长幅度却比较有限。[6]因此，制造业就业比例的下降需要引起高度重视。第四，教育行业占比波动较大，但占比一直较高。数据表明，新兴行业（金融和IT业）成为高校毕业生最主要的行业选择。

表3 高校毕业生行业分布的趋势变化 （单位%）

续表

（二）行业间满意度差异

如表4所示，行业满意度之间存在差异，但是行业间满意度差异较小。以2017年数据为例，19个行业按照满意度由高到低的排列顺序依次为：（1）采矿业83.1分；（2）电力、煤气和水的生产和供应业82.4分；（3）公共管理与社会组织81.1分；（4）农林牧渔80.2分；（5）交通运输、仓储和邮政78.5分；（6）科学研究、技术服务、地质勘查77.3分；（7）文化体育娱乐77.1分；（8）金融业76.8分；（9）教育76.7分；（10）信息传输、计算机服务、软件业76.1分；（11）房地产75.9分；（12）水利环境公共设施管理75.7分；（13）制造业75.5分；（14）建筑业75.3分；（15）住宿餐饮73.8分；（16）居民服务73.7分；（17）租赁和商务服务业73.1分；（18）批发零售72.9分；（19）卫生、社会保障与福利72.1分。数据表明，最高满意度行业与最低满意度行业比值为1.15，行业之间的满意度差异并不大。偏国有性质的行业满意度较高，传统低端服务业的满意度较低。其中采矿业的就业满意度最高，主要基于以下两个原因：第一，采矿业是非常重要的行业，中石油、中石化、中海油、神华集团、五矿集团等采矿业中的一些重要企业对毕业生的就业吸引力很大。第二，在某些地区，采矿业的收入名列前茅，根据2015年《中国统计年鉴》的数据显示，在甘肃、青海、宁夏、新疆等省（自治区），采矿业是收入最高的行业，在山西、陕西、内蒙古等省份，采矿业收入均排在第三位。[7]

2009-2017年间，每个行业的就业满意度都有上升，但是上升幅度存在较大差异。采矿业、金融业、公共管理与社会组织以及电力、煤气和水的生产和供应业等偏国有性质的行业的就业满意度始终较高，但是上升幅度较小。住宿餐饮、文化体育娱乐和批发零售等传统服务业的就业满意度排在后列，但是上升幅度较大。另外，与前两年调查数据相比，最近三年调查的行业间的满意度差异存在缩减趋势，从2009和2011年的1.35和1.39下降至2013年的1.16和2015以及2017年的1.15。

表4 2009-2017年高校毕业生行业满意度变化

续表

（三）行业间起薪差异

如表5所示，行业间平均起薪存在较大差异，IT、金融和房地产等新兴服务业的收入较高。以2017年数据为例，19个行业按照平均起薪由高到低的排列顺序依次为：（1）IT业为6220元；（2）科学研究、技术服务、地质勘查为5947元；（3）金融业为5657元；（4）文化体育娱乐为5108元；（5）水利环境公共设施管理为5038元；（6）电力、煤气和水的生产和供应业为5006元；（7）公共管理与社会组织为4982元；（8）房地产为4900元；（9）租赁和商务服务业为4829元；（10）教育为4723元；（11）交通运输、仓储和邮政为4351元；（12）制造业为4256元；（13）卫生、社会保障与福利为4202元；（14）建筑业为3950元；（15）农林牧渔为3874元；（16）采矿业为3864元；（17）批发零售为3846元；（18）住宿餐饮为3608元。（19）居民服务为3370元；数据表明，IT类、科技类和金融类行业是高校毕业生起薪最高的三大行业。

2009-2017年间，各行业的平均收入均存在上升趋势，尤其是IT、金融和房地产等新兴服务业，不仅收入水平排在前列，而且收入增幅也比较大。制造业和建筑业等工业领域以及住宿餐饮、批发零售和居民服务等传统低端服务业的收入水平始终较低，而且收入增幅空间很小。在行业间收入差距变化趋势上，经历了先下降再上升的变化趋势。最高行业收入和最低行业收入的比值先从2009年的2.08下降至2011年的1.52最低点，然后再上升至2015年的1.89，2017年又降至1.85。

表5 2009-2017年高校毕业生行业起薪变化

续表

（四）综合起薪和满意度的行业四分类

如图1所示，利用2017年调查数据，以行业起薪由高到低的排名作为横轴，以行业满意度由高到低的排名作为纵轴，根据四象限划分法可以将19类行业划分为四类：第一类是在第一象限的高薪高满意度行业（7个），包括金融业，IT业，教育，科学研究、技术服务、地质勘查，公共管理与社会组织，电力、煤气和水的生产和供应业和文化体育娱乐；第二类是第二象限的低薪高满意度行业（3个），包括采矿业，农林牧渔，交通运输、仓储和邮政业；第三类是第三象限的低薪低满意度行业（7个），包括制造业，建筑业，居民服务，住宿餐饮，批发零售，“卫生、社会保障与福利”；第四类是第四象限的高薪低满意度行业（3个），包括房地产，水利环境公共设施管理，租赁和商务服务业。数据表明，毕业生热衷进入的行业，诸如金融、IT、公共管理与社会组织和教育等行业，是起薪和满意度较高的行业，同时也是目前吸纳最多高校毕业生的行业。结果说明，在行业间就业结果存在显著差异的情况下，毕业生在行业进入上存在优先序，毕业生最热衷进入“对”的行业，也就是就业量大、收入高、满意度高的新兴服务业。

虽然前面的描述统计分析结果显示行业间的就业结果存在差异，但是并不可以表明完全是因为“入对行”带来的差异，造成这些差异的因素是多元的，比如行业间的毕业生求职努力和策略等方面的差异可能导致行业间的就业结果差异，也有可能是因为“对”的人（能力高）集中在“对”的行业上带来的就业结果的差异。在新业态、新经济和新的商业模式不断涌现的今天，毕业生面临着各种各样的行业选择，究竟是否选择高于努力甚至能力呢？这需要进一步使用模型进行分析给予回应。本文拟采用2009-2017年高校毕业生就业调查的数据，通过收入对数模型和定序Logit模型，在控制行业间的毕业生的人口统计学特征、家庭背景、人力资本、院校特征、求职状况和工作特征差异带来的干扰的前提下，计算行业间收益指数和满意度指数，通过比较行业间就业满意度和起薪的差异以进一步判断进入哪些行业才是“入对行”，以及“入对行”可以带来多大的行业选择红利。

图1 按起薪和满意度分类的行业四象限图

四、实证分析结果

（一）行业间满意度实证分析结果

本文利用北京大学教育学院进行的2009-2017年的跨年高校毕业生就业调查抽查数据，利用方程（1）对已确定单位的高校毕业生的就业满意度的影响因素进行了回归分析。本文将上述回归结果中各个行业虚拟变量的系数定义为“行业满意度指数”，为了便于比较，本文按系数分布特点将19类行业划分为3大类。将回归系数显著大于0的行业定义为“高满意度行业”；将和制造业没有显著性差异的行业定义为“中等满意度行业”（包括制造业）；将回归系数显著小于0的行业定义为“低满意度行业”，并将对照组制造业的“行业满意度指数”赋值为0。如表6所示，从最新数据2017年调查分析结果看，“高满意度行业”有2个：电力、煤气和水的生产和供应业和文化体育娱乐，剩下的16个行业和制造业的就业满意度均无显著性差异。从时间序列趋势看，2009-2017年间，传统服务业（批发零售、住宿餐饮、居民服务、租赁和商务服务业）的“行业满意度指数”普遍较低，采矿业，电力、煤气和水的生产和供应业等偏国有性质的行业的“行业满意度指数”相对较高，剩余的绝大部分行业和制造业的就业满意度没有显著性差异。这说明，行业间的满意度差异相对较小，由于“入行”偏差带来的就业满意度偏差较小，行业因素并不是影响就业满意度的重要因素。

表6 2009-2017年高校毕业生行业满意度指数

（二）行业间收益指数比较分析结果

本文利用北京大学教育学院进行的2009-2017年的跨年高校毕业生就业调查抽查数据，继续利用方程（2）对已确定单位的高校毕业生的起薪差异进行了回归分析。本文将上述回归结果中各个行业虚拟变量的系数定义为“行业收益指数”，[8]为了便于比较，本文按系数分布特点将19类行业划分为3大类。将回归系数显著大于0的行业定义为“高收益行业”；将和制造业没有显著性差异的行业定义为“中收益行业”（包括制造业）；将回归系数显著小于0的行业定义为“低收益行业”，并将对照组制造业的“行业收益指数”赋值为0。

如表7所示，从最新的2017年调查分析结果看，“高收益行业”包括5个行业，分别为：IT业、金融业、房地产，科学研究、技术服务、地质勘查和文化体育娱乐，“低收益行业”有2个，为农林牧渔和卫生、社会保障与福利。剩余的11个行业和制造业的起薪均没有显著性差异。“行业收益指数”最高的是IT业，即IT业的平均收入比制造业高大约12%，而回归结果中个人教育收益率仅为11%，这说明“入对行”带来的收入溢价要比多接受一年教育带来的收入溢价高。

从时间序列趋势看，新兴服务业（IT业和金融业）的“行业收益指数”始终保持在较高水平，而建筑业、居民服务和卫生、社会保障与福利的“行业收益指数”始终处于低位。“电力、煤气和水的生产和供应业”和“交通运输、仓储和邮政”等偏国有垄断性行业的“行业受益指数”存在下坡趋势。从2011～2015年看，行业间收益差距存在扩大趋势。2011年最高收益行业（IT业）平均收入比制造业高5.1%，2013年高11.1%，2015年高15.9%，但在2017年出现下滑趋势，降至12%。

表7 2009-2017年高校毕业生行业收益指数

（三）分职业类型比较行业间收益指数差异

2009-2017年的实证分析结论表明，行业间的满意度差异相对较小，但是行业间的收入差距显著存在，且最近六年在总体上呈现扩大趋势。因此，本文将重点进一步集中在行业间的收入差距上。由于行业下面细分成不同类型职业，既有管理技术类职业，又有非管理技术类的职业。而不同行业的不同职业以及对于同一行业的不同职业对求职者的要求不同，提供给员工的薪酬福利也不同。为了进一步确认行业间的收入是否存在显著差异，本文将进一步根据职业类型将总样本分别划分成管理技术类职业和非管理技术类职业两组子样本，进行分样本比较研究。

借鉴杨中超，岳昌君（2016）[9]对于职业类型的分类方法，将国家机关、党群组织和事业单位管理人员，企业管理人员，专业技术人员这三种职业类型定义为管理技术类职业，将办事人员和有关人员，商业和服务人员，农、林、牧、渔、水利业生产人员，生产、运输设备操作人员及有关人员定义为非管理技术类职业。如表4所示，从总体看，63.08%的毕业生都是从事管理技术类职业，36.92%毕业生从事非管理技术类职业。分行业看，从事管理技术类职位占比最多的三个行业从高至低排列分别是公共管理与社会组织（80.72%）、建筑业（75.18%）、电煤和水生产供应业（70.98%），新兴服务业和其他服务业占比较低，平均占比不到60%。

本文利用北京大学教育学院进行的2009-2017年的高校毕业生就业调查抽查数据，继续利用方程（2）分别对已确定单位从事管理技术类职业和从事非管理技术类职业的高校毕业生的起薪差异进行了回归分析。由于控制变量输出结果与前面研究结果类似，限于篇幅，在此省略控制变量的输出结果，结果如表8所示，在管理技术类职业的样本中，从最新数据2017年调查分析结果看，“高收益行业”包括7个行业，分别为：IT业、金融业、房地产、电力、煤气和水的生产和供应业，住宿餐饮、科学研究、技术服务、地质勘查和文化体育娱乐。“低收益行业”只有一个，为卫生、社会保障与福利。剩余的10个行业与制造业的收益均没有显著性差异。“行业收益指数”最高的是IT业，达0.163，即IT业的平均收入比制造业高大约16.3%；“行业收益指数”最低的是卫生、社会保障与福利，为-0.195，即住宿餐饮业的平均收入比制造业低大约19.5%。而回归结果中个人教育收益率仅为10.3%，这说明同等条件下，从事IT和房地产行业的管理技术类岗位的收益率比多接受一年教育的收益还高。

从时间序列趋势看，新兴服务业（IT业和金融业）的“行业收益指数”始终保持在较高水平，行业收益指数几乎都维持在10%以上，尤其是IT行业，平均收益指数在15%以上。而农林牧渔、建筑业、居民服务和卫生、社会保障与福利的“行业收益指数”始终处于低位。从2011～2015年看，行业间收益差距存在扩大趋势。2011年最高收益行业（IT业）平均收入比制造业高13.7%，2013年高14.7%，2015年高18.7%，2017年出现下滑趋势，降至16.3%。

在非管理技术类职业的样本中，从最新数据2017年调查分析结果看，除了农林牧渔行业的收益显著低于制造业外，剩余的17个行业和制造业的收益没有显著性差异。这说明，如果你从事的是低层次的职位，不管在哪个行业，收入水平普遍较低，差异不大。但因为过半的高校毕业生都是在管理技术类职位上工作，因此“入对行”与否对收入的影响还是很大的。

从时间序列趋势看，从事非管理技术类职业的毕业生在行业间的收入指数分布呈现收敛趋势，从早期的金融、“电力、煤气和水的生产和供应业”和教育行业的收益指数显著高于制造业，住宿餐饮、居民服务、“卫生、社会保障与福利”和文化体育娱乐等行业的收益指数显著低于制造业的分化状态逐步演变为2017年的绝大部分行业和制造业的行业收益没有显著性差别的收敛状态。

比较管理技术职业类和非管理技术类职业子样本的行业间收益指数可以发现，管理技术类职业样本中的行业间收益指数差异化程度更加明显，而在非管理技术类职业子样本，愈来愈多行业与制造业在起薪上不存在显著性差异。这说明在竞争日益激烈的劳动力市场，职业本身要求劳动者应具备的技术水平和管理能力是至关重要的。“入对行”确实会带来显著的收入溢价，但是其产生收入溢价的条件发生了变化，从过去只要“入对行”就可以产生收入溢价逐步转变为需要可以从事和胜任管理技术类职位的人“入对行”才可以产生收入溢价。总而言之，要想获得高薪，需要先变成“对的人”，然后才是“入对行”。

表8 分职业类型比较的行业收益指数

（四）“入对行”带来多大溢价

前面的实证研究发现，IT和金融业是起薪显著更高，满意度也比较好的行业，我们把这两大行业归类为新兴服务业，将进入新兴服务业的毕业生定义为“入对行”。下面通过倾向值得分匹配（PSM）的方法，通过匹配出一组在人口统计学特征、家庭背景、人力资本和工作特征等方面与“入对行”的毕业生条件相似的毕业生作为控制组，通过观察这两组毕业生在行业起薪上的差异来探究“入对行”带来的收入回报。结果如表9所示，“一对一”和“一对四”近邻匹配分析结果均表明，“入对行”的毕业生比没有“入对行”的毕业生的工资起薪显著更高，收入溢价高达9%-10.2%，即假设毕业生平均月薪为5000元，各方面条件相似的毕业生仅仅因为“入对行”可以获得显著高出500元的起薪。

表9 对新兴服务业和非新兴服务业收入差距的PSM分析结果

倾向值得分匹配后的样本须满足“条件独立性假设”才能证明倾向值得分匹配模型估计有效，“一对一匹配”和“一对四匹配”平衡检验结果表明，匹配前匹配变量的标准化偏差分布于-30%到-40%之间，匹配后所有匹配变量的标准化偏差降到-10至10%以内，这说明匹配效果较好，进入新兴服务业的毕业生与未进入新兴服务业的毕业生没有显著的系统差异。

五、结论与讨论

第一，行业间满意度和起薪分布的描述性分析结果表明，行业间的满意度差异很小，行业间的就业结果差异主要体现在起薪上，且行业间起薪差距呈现扩大趋势。具体地说，在起薪上，IT、金融和房地产等新兴服务业的起薪不仅最高，而且最近几年的起薪上升幅度也最大，垄断行业和体制内性质的教育和政府管理部门以及传统的服务行业的起薪较低，上升幅度也较小。在行业间就业结果存在显著差异的情况下，毕业生在行业进入上存在优先序，毕业生最热衷进入“对”的行业，也就是就业量大、收入高、满意度高的新兴服务业。

第二，行业间满意度指数和收益指数分析结果表明，在控制了其他因素的条件下，新兴服务业（IT业和金融业）的“行业收益指数”在2009-2017年间始终保持在较高水平，而“电力、煤气和水的生产和供应业”和“交通运输、仓储和邮政”等垄断性行业的“行业受益指数”存在下坡趋势，行业间收益差距存在扩大趋势。在满意度上，除了传统服务业（批发零售、住宿餐饮、居民服务、租赁和商务服务业）的“行业满意度指数”普遍较低之外，其他行业和制造业的就业满意度没有显著性差异，行业间的满意度指数差异很小。

第三，分职业类型比较行业间的收益指数差异发现，管理技术类职业样本中的行业间收益指数差异化程度更加明显，而在非管理技术类职业子样本中，愈来愈多行业与制造业在起薪上不存在显著性差异，不存在收入溢价。这说明以往只要“入对行”就可获得高薪的日子已经一去不复返，在竞争日益激烈的劳动力市场，职业本身要求劳动者应具备的技术水平和管理能力至关重要。“入对行”确实会带来显著的收入溢价，但前提是需要先变成“对的人”，即具备一定的专业技术水平和管理能力的人才，才能享受“入对行”带来的红利。

第四，IT和金融业是起薪和满意度均较高的行业，假设进入以上两类行业定义为“入对行”，倾向值得分匹配模型结论发现，对于条件相似的两组毕业生而言，“入对行”的毕业生比没有“入对行”的毕业生的工资起薪显著高9%-10.2%，即假设毕业生平均月薪为5000元，则“入对行”的毕业生的起薪显著更高500元。

本文说明，纵然“入对行”存在选择红利，但是必须先成为“对的人”。因此，高校毕业生应该努力提高自身的人力资本水平，使自己具备“一技之长”，提高自身的管理协调能力，使自己成为劳动力市场中“对的人”，只有这样才有机会收获因为行业选择而带来的收入溢价。另一方面，毕业生也应该理性选择行业，避免仅仅考虑行业薪资福利单方面的就业因素，而应该综合自身的优势、兴趣和专业学科背景作出行业选择。研究结果显示，进入新兴服务业的高校毕业生占比持续扩大，进入制造业的毕业生占比显著下降。越来越多的毕业生从工业流向高收入的现代新兴服务业。究其原因，在本质上是因为当前制造业提供的适合毕业生就业的岗位不足。30%的制造业内部产业属于劳动密集型产业，但超过90%的与制造业相关的专业毕业生指向非劳动密集型产业的工作。[10]另外，制造业的行业薪资不具备吸引力，因此越来越多的毕业生转移到高收入的服务业。薪资作为毕业生就业选择的一种风向标，一定程度上引导着毕业生的行业选择去向。随着越来越多优秀的毕业生纷纷挤入高薪高满意度的“对”的行业，在行业间人力资本累积效应和人力资本外部性的双重作用下，会进一步加剧行业间的收入差距的分化程度，导致行业间收入的“马太效应”和高校毕业生行业选择的“拥挤现象”，从而引发高层次人力资源在行业间的配置失衡。