非认知能力能否缓解过度教育的收入惩罚效应？——基于CFPS2018的实证分析

章亚雯

（华东师范大学 教育学部教育管理学系，上海200062）

一、引言

如今，知识失业、文凭贬值、过度教育的现象已屡见不鲜。近年来，博士排队应聘中小学教师的现象引发了社会的广泛关注，反映了愈演愈烈的过度教育现状。麦可思最新发布的《2019年中国本科生就业报告》蓝皮书显示，近五年来，我国本科毕业生就业率从2015年的92．6%持续缓慢下降到2019年的91%，下降了1．6个百分点。从2017年起，本科毕业生就业率开始低于全国总体就业率和高职高专毕业生就业率，且近两年来差距在逐渐扩大（图1）。与此同时，据教育部统计，2020届高校毕业生规模将达到874万人，同比增加40万人，存在逐年上行压力。

当前日渐突出的大学生就业问题反映了我国劳动力市场上供需失衡的结构性矛盾。一方面，就业市场的饱和、供求关系的失衡、就业压力的上升，使得越来越多的学生不得不为了增强自身的信号而选择牺牲时间成本，继续提升学历，以获得青睐的工作岗位的通行证。而另一方面，雇主追求教育信号，偏好过度消费、炫耀性消费，更加助长了过度教育的倾向。过度教育的持续存在也引起了学术界的关注。

过度教育是指个体的教育水平高于完成特定工作所需的教育水平的情况。［1］过度教育也被称为教育错配、教育不匹配。如果个人收入是劳动生产率的反映，那么员工在过度教育的岗位则意味着他们人力资本的投资不能完全转化为有效的生产力。［2］过度教育反映了资源配置和使用效率低下的问题，也产生了诸多负面影响，如员工工资相对减少、职业满意度较低、健康状况下降等，这也成为学术界一直以来研究的热点问题。

美国教育部教育技术办公室于2013年发布了《提升意志力：21世纪成功的核心要素》的报告，指出意志力等非认知能力是21世纪人才能力结构的重要组成部分，直接决定个体能否完成其远景目标，进而取得成功。非认知能力已成为新一代优秀劳动者所不可或缺的必然要求。

那么，非认知能力是否能够缓解过度教育负面现象提供新的思路？本文尝试在非认知能力与过度教育之间建立联系，通过实证研究检验非认知能力能否缓解过度教育所带来的负面收入效应。

二、理论基础与文献综述

（一）新人力资本理论

近年来，新人力资本理论得到了越来越多的关注。在传统人力资本理论中，“能力”被假设为与生产能力紧密相关的认知能力，非认知能力被忽视，这限制了人力资本理论的解释力及其发展。［3］与此同时，越来越多的经验研究表明，能力的形成是多时期的；先天与后天因素并不能简单划分，而是具有交互影响。［4］以上的特征事实引发了传统人力资本理论的变革。2010年美国经济学年会专门成立了人力资本讨论小组，建立以能力为核心的新人力资本理论框架，从而更好地研究人力资本对个体在经济生活中表现的影响。新人力资本理论更多关注到了个体的非认知能力。非认知能力主要是指情感、意志、性格、动机信念等，具体内容包括自信、自尊、自制、成就动机、对生活的态度等。心理学家也将非认知能力称之为“人格特质”，并开发了许多成熟的测量工具，如被广泛应用的大五人格因素量表（the Big Five Personality Scale）。这也极大推动了经济学领域对新人力资本理论的研究。新人力资本理论的发展为打开不可观测因素的“黑箱”提供了契机，为过度教育研究提供了新的视角。

（二）过度教育的收入效应研究

过度教育与收入之间存在着怎样的因果关系？国外学者对此进行了大量的实证研究。早在1976年，Freeman在《过度教育的美国人》一书中首次提出过度教育现象，指出工人较高的教育水平并没有转化为较高的工资收入。［5］在此之后，许多经验研究证实了过度教育对个人工资的负面影响，表明过度教育工人的工资往往低于适当教育的同龄人。过度教育者获得的经济回报大约是适度教育者的一半到三分之二。［6］与相同教育水平的适当教育工人相比，过度教育的工人受到了工资惩罚。对这一结果的主要解释是，较低的工作要求限制了教育程度过高的工人充分利用其技能，从而使教育回报较低。近年来的研究使用不同的数据库，在计量研究方法上不断完善，进一步验证和补充了上述的主要结论。Mateos-Romero使用PIAAC的数据，分析了17个OECD国家劳动力不匹配对工资的影响，发现过度教育的工资惩罚高达18%。［7］Wu等人利用世界银行的相关调查数据也得到了类似的结果，发现对于同等教育程度的适度教育者而言，过度教育导致劳动者的工资下降18．5%。［8］也有研究从固定效应模型、PSM方法等方面验证了过度教育与收入之间的关系。［9］

国内的相关实证研究起步较晚，多数沿用国外的思路和方法，验证了我国也同样存在过度教育的收入效应。近期的一项研究基于2015年全国3万多高校毕业生数据，测算出我国教育过度、适度与不足对起薪的收益率分别为6．9%，9．6%与－7．8%，对当前年薪的收益率则为5．0%，10．6%与－7．7%。［10］还有学者使用倾向值匹配方法研究了高学历劳动者的教育匹配与收入回报，测得过度教育者的收入损失约为9%。［11］

总之，这些对于过度教育收入效应的研究都得到了较为一致的结论，即过度教育者的收入高于同等工作岗位上的适度教育者，却低于同等学历的适度教育者。这种劳动者因过度教育而承受的收入损失，就是过度教育的收入效应。这一效应有时也被称之为过度教育的工资惩罚效应。

近年来，不少研究者开始关注到个体能力异质性可能带来的估计偏误。Chevalier和Lindley的研究指出，不可观测能力异质性将大大缩小过度教育的工资惩罚效应。［12］颜敏等人利用2010－2014年CFPS的数据，基于固定效应模型的估计结果发现，能力偏误使教育错配的工资效应产生向上偏误，其中过度教育工资惩罚效应由2．1%下降到0．22%。［13］这些研究结果均表明过度教育的收入效应受到个体能力差异的影响，给本研究带来了极大启发。

（三）非认知能力与收入关系的实证研究

早在1975年，舒尔茨便指出，在经济不均衡的环境中，某些与生产技能无直接关联的能力可能会被凸显和强调，他将这种能力称为“处理不均衡状态的能力”。但受限于当时的测量技术，对于非认知能力的经济价值并未作进一步的深入探究。后来，Bowles、Gintis与Osborne在研究中提出了“诱因型偏好”（incentive enhancing preferences）这一概念，用来诠释非认知能力是如何对收入分配产生作用的。［14］Heckman也提出，非认知能力特征作为一种重要的人力资本构成要素，既可以直接通过生产率效应增加劳动收入，也可间接通过影响个人受教育水平、职业选择偏好以及技能形成，提高教育回报率与经验回报率，进而增加工资收入。在他的一项实证研究中，工资收入对非认知能力的变化表现出更强的敏感性。当劳动者整体的非认知能力从25分位上升到75分位时，男性劳动者的工资收入平均增加10%，而女性劳动者的工资收入则能够增加40%。［15］

近年来，国内也陆续对非认知能力与收入之间的因果关系进行了相关实证研究。黄国英和谢宇基于CFPS2010和2012年的数据，通过实证研究发现，非认知能力能够显著解释劳动者的收入差异，且这种解释能力独立于认知能力。［16］盛卫燕和胡秋阳同样利用了CFPS的数据，并参考了黄国英等人构造的非认知能力指标，结果发现非认知能力不仅可以提高低技能劳动收入，还可显著提升技能溢价水平。［17］乐君杰和胡博文利用CFPS2012和2014的数据，基于大五人格模型，同样发现非认知能力对中国劳动者的工资收入具有显著的促进作用，且存在明显的性别差异。进一步地，发现情绪稳定性和宜人性对于女性劳动者更为重要，而尽责性则对男性劳动者影响更大。［18］

总之，上述研究均验证了非认知能力对收入有显著的正向影响。然而，鲜有研究就非认知能力对于过度教育的收入效应产生何种作用进行相关研究，且多数研究仍在使用5年前甚至更早之前的数据，缺乏时效性，有待更新。那么，作为不可观测能力的重要组成部分，非认知能力是否能够缓解过度教育者受到的工资惩罚？哪些维度的非认知能力有助于缓解过度教育的收入惩罚效应？本文利用当前所能获取的最新数据，对此展开研究。

三、模型、数据及变量

（一）模型设定

Duncan和Hoffman提出的过度教育收入模型（ORU）是衡量过度教育收入效应的经典模型。［19］ORU模型是在明瑟工资方程的基础上发展而来，将劳动者实际受教育程度细分为工作所需教育年限、过度教育年限和教育不足年限。方程形式如下：

其中，lnincome表示年收入对数，Sr为工作所需教育年限，So为过度教育年限，Su为教育不足年限。系数α1表示接受工作要求的教育年限所带来的收益率。系数α2表示相同工作岗位上，过度教育部分的收益率，也就是过度教育者每多增加一年教育年限所带来的收入增长百分比。多数研究表明，α2＞0，即过度教育仍能获得正向的收益，验证了人力资本理论。｜α1－α2｜表示适度教育收益率与过度教育收益率之差，即为过度教育的工资惩罚，也就是在相同教育水平下，相比于教育水平恰好与岗位匹配的劳动者而言，过度教育者每多增加一年的教育所要面临的工资损失。X表示其他影响个体收入的因素，如性别、工作经验、婚姻状况、健康状况、行业、地区等。ε1是模型扰动项。

本文在方程（1）的基础上加入非认知能力，以考察非认知能力对过度教育收入效应的影响，改进的方程如下：

其中，noncognitive表示非认知能力，｜β1－β2｜表示控制非认知能力后，与同等学历的适度教育者相比，过度教育者受到的工资惩罚。若｜β1－β2｜＜｜α1－α2｜，则表明非认知能力能够缓解过度教育承受的收入惩罚，验证本文的研究假设。

最后，为缓解教育错配的测量误差问题，本文选择Verdugo和Verdugo提出的过度教育模型（以下简称VV模型），［20］以检验模型的稳健性。不同于ORU模型，VV模型将过度教育和教育不足作为虚拟变量纳入工资方程，同时将工作所需教育年限（Sr）替换为劳动者实际接受的受教育年限（Sa）。基于研究目的，本文在VV模型的基础上加入了非认知能力变量，方程形式如下：

其中，Sa为实际受教育年限，OE和UE分别为过度教育和教育不足的虚拟变量，表示过度教育或教育不足是否发生。系数γ2符号为负，表示相比于同等学历下的适度教育者，过度教育所要承受的工资下降百分比。在控制非认知能力之后，若γ2绝对值有所减小，则表明非认知能力能够缓解过度教育的收入效应，验证方程（2）的回归估计结果。

（二）数据来源与处理

本研究使用的数据来自于中国家庭追踪调查（China Family Panel Studies，CFPS）2018年的数据。该调查由北京大学中国社会科学调查中心实施，样本覆盖中国大陆25个省、自治区和直辖市，具有全国代表性。CFPS2018调查问卷共有家庭经济问卷、个人问卷和少儿问卷三种主体问卷类型。

本文主要利用CFPS2018个人数据库，该数据库发布于2019年11月，是目前所能获得的最新的中国微观调查数据。数据库既包含详实的个体受教育水平、工资收入、职业特征等变量，也包含了可供观测个体非认知能力的主观态度题项，为本研究提供了可靠的数据资料。

基于研究需要，本文将研究对象限定为年龄在16－60岁的非在学、非农受雇人口，每周工作时间不少于35小时，剔除非农散工、职业类别为农、林、牧、渔及不便分类的其他从业群体①这些群体的收入无法完全用受教育水平、工作经验等常规的人力资本指标来预测。。工资收入、受教育水平、工作所需教育水平等本文所关心的主要变量缺失或异常的样本被删除。此外，为避免极端值的干扰，剔除了主要工作年收入最高和最低1%的样本。经过数据处理，最终得到2268个有效样本。

（三）变量选择与处理

1．被解释变量

本文的被解释变量为劳动者的主要工作年收入对数。

2．核心解释变量

本文的核心解释变量为教育匹配情况和非认知能力。

对于教育匹配情况的测度，以往研究一般采用自我评价法、工作分析法和统计测算法（包括平均值法和众数法）。三种方法各有优劣，出于样本可获取性的考虑，本文使用自我评价法，即个体对于自身所处的工作岗位所需要的受教育年限的主观判断。若实际教育年限大于工作所需教育年限，则为过度教育；实际教育年限小于工作所需教育年限，则为教育不足；两者相等为适度教育。CFPS2018问卷中有一题询问“从知识和技能的角度上讲，您认为胜任这份工作实际需要多高的教育程度？”，以此来获得受访者工作所需教育年限。通过与受访者实际受教育年限作比较，获得个体教育匹配情况，并可进一步计算两者之差，测算出过度教育年限或教育不足年限。

对于非认知能力的测量，本文主要依据大五人格的测量框架，［21］从严谨性、外向性、宜人性、开放性和情绪稳定性这五个维度来测量非认知能力。参考李涛、张文稻的做法，［22］本文利用CFPS2018中个体的主观态度题构造非认知能力五个维度的测量指标，并对多个指标的得分取均值，得到该维度的分值。5个维度分值的总和即为非认知能力的总体得分。需要说明的是，除情绪稳定性为4点计分外，其余4个维度的所有题项均被统一为5点计分。

3．控制变量

本文的控制变量包括个人特征、行业特征和地域特征。

个人特征包括性别、工作经验、工作经验的平方、婚姻状况、健康状况等其他影响收入的重要因素。其中，为避免工作经验和工作经验的平方之间的多重共线性，对其进行对中的线性转换，即将工作经验减去其平均值，以减少共线性，获得更为精确的系数估计值。［23］183－185此外，为克服内生性问题，将他人评价的受访者智力水平作为个人能力的代理变量。不少文献中使用词组和数学运算得分作为认知能力，但由于2018年的这部分数据缺失较为严重，故本文选取访员评价的受访者智力水平作为代理变量。

市场中的不完全竞争是导致劳动收入差异的原因之一。劳动力市场分割理论认为，在不同劳动力市场上，教育与收入的关系存在差异。劳动力市场分割既存在于不同行业之间，也存在于地区之间。故本文将行业特征和地域特征也纳入控制变量。将数据集中的18个行业类别按照高等教育程度的劳动力市场、垄断的劳动力市场和竞争的劳动力市场加以划分。［24］254－260高等教育程度的劳动力市场提供的工作岗位主要是行政、管理及各种专业服务，劳动者往往具有较高的教育水平。垄断的劳动力市场往往集中在资本密集型行业，存在内部等级制。而竞争的劳动力市场集中了众多劳动密集型行业，工资低，工作不稳定，晋升空间小。地域特征则按照常规的区域划分方式，将25个省、自治区和直辖市分成华北、东北、华东、中南、西南、西北六大区域。

各变量的定义及说明见表1。

表1 变量的定义及说明

四、实证结果分析

（一）描述性统计——我国劳动力市场教育匹配现状

表2统计了当前我国劳动力市场教育匹配的总体情况以及按性别、受教育程度、行业、地区进行分组后的不同群体的教育匹配差异。

表2 我国教育匹配情况

从总体上看，当前我国过度教育发生率为41．98%，适度教育发生率为45．86%，另有12．17%的样本存在教育不足的情况。过度教育发生率已接近适度教育发生率，可见教育错配情况较为严重。

在性别方面，男性的过度教育发生率（42．73%）高于女性（41．02%），卡方检验p值为0．049＜0．05，可见过度教育发生率在性别上存在显著差异。

在受教育程度方面，过度教育发生率随着教育水平的提高呈总体上升趋势，不同受教育程度群体间的过度教育发生率存在极其显著的差异。除未上过学的群体不存在过度教育的情况外，小学学历群体的过度教育发生率最低，为40．31%。而过度教育情况最为严重的发生在研究生群体中，其过度教育发生率为57．14%，即超过半数的研究生存在高才低就的情况。

在行业方面，高等教育程度的劳动力市场中适度教育发生率最高（54．01%），过度教育发生率最低（32．68%）。由于高等教育程度的劳动力市场提供的工作岗位多数专业性较强，对高技能、高学历人才需求较大，故劳动者实际学历与工作岗位要求的相匹配的情况较多。

在地区方面，华东地区是过度教育发生率最高的地区，其次是东北、中南等地。过度教育发生率最低的是西北地区，该地区也是教育不足的高发地。教育匹配的区域差异表明，过度教育发生率与区域经济发展水平有着密切的关系。华东地区作为经济发达地区，集聚了大量高新技术产业和支柱产业，对优秀人才形成虹吸效应，知识劳动力供给大于需求，故更容易发生劳动者通过过度教育提升自身信号的现象。

（二）模型回归结果

1．过度教育的收入效应及整体非认知能力对其的影响

本文基于ORU模型对过度教育的收入效应以及非认知能力对其的影响进行OLS回归估计，结果如表3所示。

表3 过度教育的收入效应及非认知能力对其的影响（ORU模型）

模型1是控制了个人特征的ORU模型。工作所需教育年限、过度教育年限和教育不足年限三者的回归系数均在1%水平上显著。其中，过度教育年限的系数显著为正，表明劳动者接受超出其工作岗位所需的教育仍可帮助其获得每年2．7%的教育收益。验证了人力资本理论，即增加受教育年限能够提高自身人力资本，进而获得更高的经济回报。但过度教育回报率（2．7%）显著低于适度教育回报率（5．43%），表明过度教育的收入低于同等学历的适度教育者受到一定的收入惩罚。

模型2、模型3进一步控制了行业特征和地域特征。在其他影响因素不变的情况下，垄断行业中的劳动者收入显著高于竞争行业中的劳动者，验证了劳动力市场中存在的行业壁垒。华东地区劳动者的收入显著高于西北地区，呈现明显的分割特征。模型3在控制了所有解释变量后，3个教育年限前的回归系数进一步下降，说明劳动力市场分割下教育对收入的影响作用进一步减弱。过度教育收益率为2．12%，仍低于4．88%的适度教育收益率，过度教育者将面临每年2．76%的收入惩罚（4．88%－2．12%）。

模型4在模型3的基础上加入了本文的核心解释变量——非认知能力（五个细分维度的加总值）。在控制其他因素不变的情况下，非认知能力总体上对收入有显著的正向影响，为劳动者带来2．75%的收益率。相应地，工作所需教育年限和过度教育年限的回归系数均有明显的下降，说明教育对收入的影响实际上部分由非认知能力的差异带来的。经计算发现，在相同的教育水平下，过度教育者每增加一年教育所受到的收入惩罚为2．72%（4．59%－1．87%），小于模型3计算出的2．76%的收入惩罚。这一结果表明，非认知能力能够缩小过度教育与适度教育收益率之间的差距，缓解过度教育的工资惩罚效应。

2．各维度非认知能力对过度教育收入效应的影响

进一步地，在控制了个人、行业和地域特征后，本文将非认知能力的五个维度分别纳入模型中，以探究哪些维度的非认知能力有助于缓解过度教育的收入效应，结果如表4所示。

表4 各维度非认知能力对过度教育的收入效应的影响

由回归结果可知，严谨性和外向性前的回归系数分别在1%和5%的水平上显著为正，表明这两个维度对个体收入有显著的正向影响。在严谨性维度上，劳动者每提升一个等级，收入增长8．35%。在外向性维度上，劳动者每提升一个等级，收入增长6．65%。可见单个维度的收入效应均要高于非认知能力加总值。

而对比模型3可以发现，非认知能力细分维度对过度教育收入效应的影响也要大于加总值。具体而言，加入严谨性后，过度教育的收益率从21．2%上升为21．4%，过度教育者承受的收入惩罚则从2．76%下降至2．7%。加入外向性后，过度教育的收益率从21．2%上升为21．6%，而收入惩罚则从2．76%下降至2．69%（4．85%－2．16%）。可见在非认知能力的5个细分维度中，严谨性和外向性有助于缓解过度教育的收入效应。过度教育者越富有进取心和责任心、越善于人际交往，其所接受到的收入惩罚也将相应减少。

（三）稳健性检验

本文使用VV模型进行稳健性检验（表5）。VV模型将过度教育和教育不足的虚拟变量纳入模型，同时将ORU模型中的工作所需教育年限替换为实际教育年限。过度教育虚拟变量前的回归系数表示相同教育水平下，过度教育对收益产生的负向影响。

表5 过度教育虚拟变量估计结果（VV模型）

比较模型10和模型11可以看到，在控制了非认知能力后，过度教育虚拟变量前的系数绝对值从0．157下降到0．154，表明相同教育水平下，过度教育者与适度教育者的收益率差距从15．7%缩小到15．4%。这与前文ORU模型的结论一致，即非认知能力能够缓解过度教育的收入惩罚。

五、结论与讨论

本文基于CFPS2018的微观调查数据，分析了我国劳动力市场教育匹配现状，并重点研究了非认知能力对过度教育的收入效应的影响。实证结果表明，在控制其他因素不变的情况下，非认知能力能够解释个体工资的差异，缩小同等学历下适度教育者与过度教育者之间的收益率差距，缓解过度教育的收入惩罚。换言之，非认知能力高的劳动者受到过度教育收入效应的影响要小于非认知能力低者。在非认知能力的5个细分维度中，严谨性和外向性有助于缓解过度教育的收入效应。过度教育者越富有进取心和责任心、越善于人际交往，其所接受到的收入惩罚也将相应减少。根据上述研究结论，本文提出如下建议：

第一，引导个体发展非认知能力。有学者指出，我国长期面临结构性失业问题，非认知技能的提升应作为应届大学生就业培训的核心，这是因为非认知技能投资的可替代性更高，后期投资的效果更好”。［25］从本文的研究结论看，提升自身的非认知能力，尤其是注重培养对待工作的认真态度，在工作上保持持续的努力程度，提升人际交往能力，从而在同类群体中占领优势，减少因过度教育带来的收入损失。

第二，优化高校学科专业结构和人才培养模式。高校应立足经济社会发展需求和人才培养目标，在课程体系、专业设置等方面进行供给侧改革，提高课程建设和教育教学质量，鼓励学生将专业知识与应用实践相结合，全面提升他们的知识转化能力和综合能力，为市场提供更多复合型、综合型人才。

第三，转变用人单位观念，关注劳动者的非认知人力资本。部分单位在招聘时刻意提高学历门槛，使其高出岗位实际所需水平，从而加剧劳动力市场过度教育程度，降低过度教育者收入。在关注专业能力之外，用人单位应当关注劳动者的非认知人力资本，结合岗位实际需求进行综合考虑后再做出聘用决策。