结构性差异的模型估计

二、结构性差异的模型估计

在上一节中我们分别描述了我国教育发展中的几个重要的结构性差异：教育发展的时序性差异（以出生年为标志变量）、性别差异、城乡差异和区域差异。这四个方面的差异与受教育者个人的家庭背景因素，共同构成了我国城乡居民之中受教育年限差异的五个极为重要的来源。

教育社会学，特别是教育获得与社会分层方面的研究，在解释教育结果不平等问题的时候，主要注重的是个体的家庭背景或社会阶层背景对教育获得的影响。作者认为，存在于中国社会城乡居民之中的教育水平差异，有很大一部分可以首先从我国社会的城乡结构、区域结构特征以及性别差异，特别是教育发展的时序性特征等方面得到解释。为此，通过建立一般线性回归模型（OLS），我们可以利用样本数据中标记在个体身上的结构性归属特征来分析个体受教育年限之间的差异。这里，分析的一般模型可表述为：

这里因变量为：

——Y_edu为个体受教育年限，它根据表4-1对个体受教育程度折算；

自变量分别为：

——Male：男性（虚拟变量），以女性为参照；

——Birth：样本个体的出生年，以它表示我国教育发展的时序性；

——UR_j：城乡分组变量。UR_j对城市层级进行了较为详细的区分，它包括：直辖市城市（北京、上海和天津，不包括重庆）、省会城市、地县级城市、城镇、农村五个虚拟变量。模型以“农村”为参照组。

——Sect_k：区域划分（虚拟变量）。根据前面的讨论，我们按照各省、直辖市和自治区平均受教育年限的高低顺序区分了五个区域类型（见表4-2）。模型分析中，我们以第五类区域作为参照类。需要注意的是，此处“一类区域”虽然也指北京、上海、天津三个直辖市，但在区域变量中还包括了直辖市中的城镇和农村地区，而在UR_j变量中只包含“直辖市”城区。

——为常数项；ε为误差项。

（上述四组自变量分别代表个体在四方面结构性特征上的属性。）

表4-3是上述模型的估计结果：

表4-3　个体受教育年限的结构性差异特征

括号中数字为非标准化回归系数的标准误。

从模型分析结果来看，四类结构性差异特征对全国范围内个体之间教育水平的差异有34.2%的解释能力。虽然我们可以根据表4-3中的标准化回归系数的比较来比较各变量之间的相对作用的强弱，但因为区域和城乡差异都是以虚拟变量引入模型的，因此不便于对各类结构性因素的作用大小进行整体性的比较。为此，我们进一步以模型比较方式估计了各类结构性差异因素的独立影响能力。

表4-4　结构性差异因素的独立贡献比较

表4-4是模型比较分析后的结果，偏决定系数表明在控制模型中其他三类因素的影响后，各类结构性因素对个体受教育年限差异的独立解释能力。从偏决定系数和对模型的贡献大小都可以看出，时序性差异因素的解释能力是最强的，在控制模型中其他变量的影响后，它可以独立解释个体受教育年限差异的14.42%，占总体模型解释能力的42.17%。城乡差异因素的独立解释能力次之，为10.54%，占总体模型解释能力的30.83%。性别差异和区域差异对个体受教育年限差异的解释能力相对较弱，分别只有3.3%和2.5%，对总体模型的贡献也相对较小，分别为9.68%和7.34%。

这表明，就四类结构性因素而言，整个国家的教育发展程度对个体之间的受教育年限差异有着更为重要的影响意义。从表4-3中的非标准化回归系数可以直接看出，在控制其他三类结构性因素的影响后，随着时间的向后推移，新的一年里出生的人口都可以比前一年出生的人口平均多获得大约0.1年的受教育机会。这显然与新中国成立后大力提高全民大众之教育文化水平的基本政策有着不可分割的联系。

城乡差异是我国总体人口中受教育年限差异的第二个重要的结构性差异来源。表4-3的非标准化回归系数表明，在受教育年限上，直辖市城市和各省、自治区的省会城市平均比农村地区要高3.16年和3.19年；而地县级城市、城镇，其平均受教育年限分别比农村地区高2.31年和1.66年。同时，我们还可以看到，不同的城市层级之间，平均受教育年限也存在一定的差异。进一步的模型检验表明，除了直辖市城市和省会城市之间不存在平均受教育年限上的差异外，其他各等级城市之间的差异是十分显著的（请看表4-5的检验结果）。它表明城市层级越高，平均受教育年限就越高，与较低层级的城市之间的相对差异就越大。

表4-5　模型1中各城市层级之间、各区域之间的相对差异及显著性检验

第三类结构性差异因素是性别之间的不平衡。从模型估计结果来看，在控制了其他三类因素的影响后，男性受教育年限平均比女性要高1.27年。

第四类结构性因素是区域之间的差异，从模型结果看，一、二、三、四类区域分别比第五类区域的受教育年限大约平均高2.14年、1.96年、1.69年、1.16年。同时，一、二、三、四类区域之间的差异也是显著存在的（见表4-5），区域之间的差异呈梯级分布状态。