中国的工资性别差距及其分解
开篇：润墨网以专业的文秘视角，为您筛选了一篇中国的工资性别差距及其分解范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
*宁光杰，南开大学经济学系，Email:，通讯地址：天津市南开区卫津路94号，邮政编码：300071。本文受南开大学亚洲研究中心2009年课题(AS0916)、南开大学2008年度人文社会科学校内文科青年项目（NKQ08006）和天津市2008年度哲学社会科学规划课题（TJJL08031）的资助。感谢匿名审稿人的宝贵修改意见，文责自负。
① 女性劳动参与率下降的主要原因不在于家庭收入和丈夫收入的提高，而在于劳动力市场状况使女性找到工作困难，这其中包含着对女性的就业歧视。参见姚先国和谭岚（2005）。
摘要 本文运用中国健康与营养调查（CHNS）2006年的数据对劳动者的工资性别差距进行测度和分解，研究发现在控制个人特征和单位特征后，男性劳动者的小时收入比女性劳动者高23.8%，考虑就业选择偏差后的工资性别差距更大一些，达25.2%。由于劳动者特征差异形成的工资差异很小，而且往往是女性由于个人特征占优而有助于缩小差距。差异的更大部分是由收益率差异造成的，这在一定程度上反映了性别歧视的存在。主要表现在工龄方面受到歧视，女性的工龄收益率低或者为负值。进一步考虑选择性偏差和找到工作概率进行分解的结果说明，女性在就业获得方面受到歧视，这会严重影响其与男性劳动者的收入差距。关键词 工资性别差距 歧视 选择偏差
一、 引言
工资的性别差异是各国劳动力市场上普遍存在的现象，但差异大小不同，而且归结为歧视的部分也不同。即使在同一国家，不同经济体制下工资的性别差异也会有较大的变化。在中国的计划经济年代，男女劳动者的收入差距较小；改革开放以来，随着市场化的逐步深入，工资的性别差距却明显扩大了。这种较大的差距是源于平均主义的结束，是男女劳动者实际生产率的真实反映呢？还是由于劳动力市场上性别歧视的抬头？要回答这些问题，对工资性别差距进行分解就有着重要意义，我们要分析收入差距是由个人能力特征差异带来的结果，还是由于相同能力获得不同的收益率的结果。此外，工资差距只反映拥有工作的男女劳动者的收入差距，如果不同性别劳动者就业的概率不同（改革开放以来，我国男女劳动者劳动参与率的差距也在扩大①），在就业雇佣方面存在着性别歧视，找到工作的女性劳动者只是那些更优秀者，则真实的由歧视带来的收入差距会更大一些。
一些学者对中国的工资性别差距问题进行过研究。Gustafasson与Li（2000）运用Oaxaca分解方法研究中国的工资性别差距，发现女性相对于男性的工资比率由1988年的84.4%下降到1995年的82.5%，并且指出只有不到一半的差距可以由特征差异解释，差距主要是由男性的教育回报率较高造成的。Liu等人（2000）利用上海和济南的两个数据库，发现从国有企业、集体企业到私人企业工资性别差距不断加大，但差距主要是由技能方面的原因而非歧视造成的。Hughes与MaurerFazio（2002）发现已婚妇女受到更大的歧视，而高学历的女性受到的歧视较小。此外，职业分割不如所有制分割对工资性别差距的影响大。Zhang等人（2008）则从动态角度分析了中国的工资性别差距问题， 发现女性与男性的工资比例由1988年的86.3%下降到2004年的76.2%。差距的拉大很大程度上归于可观测和不可观测技能的收益率提高，其中歧视的影响不容忽视。
为了更好地对工资性别差距进行全面的分解，有学者考虑了部门选择的问题。王美艳（2005）、Wang与Cai（2008）运用中国社科院人口所五城市的调查数据，使用Brown分解研究工资性别差距，表明工资性别差距主要是由部门内部的工资差距引起的。但在工资决定问题上，他们没有考虑到部门选择偏差问题。葛玉好（2007）运用UHS数据库1988―2001年的数据，考虑了指数基准问题和选择偏差问题，分解的结果也表明部门选择对工资性别差距的影响不大，而部门内的歧视较严重。对于中国男女劳动者就业选择差异和雇主雇佣时的性别歧视问题，Chen与Hamori （2008a）进行了专门研究，但没有将其结合进工资性别差距的分析。Zhang等人（2008）注意到男女就业参与率不同引起的选择偏差问题，其解决方法是用样本期间最低就业率的年份进行调整，但这一方法对于截面数据是不适用的。在另一篇论文中，Chen与Hamori（2008b）运用Heckman 二步法考虑了就业选择偏差问题，并对工资性别差距进行分解，发现不可解释的部分比不考虑选择偏差时小。但在分解过程中，他们没有将就业概率因素纳入。
以上研究的一个缺陷是将不可观测因素解释的部分都视为歧视，事实上，一些不可观测因素也是能力的反映，所以应选择更多的与能力相关的可测量解释变量。现有研究一般将教育水平作为劳动生产率的重要变量，这一做法的问题在于同一教育水平的劳动者其生产率也可能存在较大的差异。为了更好地反映劳动生产率的性别差异，部分学者开始运用企业层面的数据进行性别差距的度量。张莉琴和董晓媛（2005）通过估计男性和女性的生产率函数和工资方程，发现在国有企业男女劳动者之间的工资差异小于生产率差异，而私营企业正好相反。李利英和董晓媛（2008）分析了性别工资差异中的企业效应，在性别工资差异的分解中加入企业效应后，禀赋效应和价格效应所占的比例显著下降。结果发现市场竞争激烈的企业、经常采用计件工资制的企业以及内部职工收入差距较大的企业性别工资差异较大，小规模企业和私有产权比重较大的企业也呈现较大的性别工资差异。
我们认为就业选择及就业获得的性别差异和歧视非常重要，尤其在当前中国的劳动力市场上：女性劳动者获得工作更加困难、劳动参与率大幅度下降。近年，就业选择偏差对工资性别差异的影响已引起学术界的关注，例如Neuman与Oaxaca（2004）、 Kara（2006）、Olivetti与Petrongolo（2008）、Christofides等人（2010）的研究都重点涉及。前两篇论文运用Heckman 二步法解决问题，Olivetti与Petrongolo（2008）运用Probit 模型估计未就业者如果就业能获得的工资来解决偏差问题，Christofides等人（2010）则综合运用了Heckman 二步法和估计未就业者工资的方法。在本文中我们运用Heckman 二步法考虑就业选择偏差，同时分解时也考虑了指数基准问题和就业概率问题。我们运用CHNS2006年的数据进行研究，在解释变量的选择上，我们有反映个人特征和能力的变量，也有反映企业特征的变量，但囿于数据的限制，没有准确到对个人生产率的衡量上。
本文的结构安排如下：第二部分是对数据来源的介绍和统计性描述；第三部分对研究方法和分解模型进行介绍；第四部分是计量回归的结果和讨论；最后，论文进行总结并给出政策含义。
二、 数据来源与统计描述
本文分析的数据来源是由美国北卡罗莱纳大学组织的中国健康和营养调查（CHNS）2006年的数据。虽然该调查的主要目的是了解中国居民的健康和营养状况，但也包含教育、就业和收入的信息，因而这些数据对我们的研究非常有用。2006年的个人调查样本数量为9788个成年人（18周岁以上），但只有2096个被调查者拥有工作和收入的信息。这里明显存在着选择偏差问题，也是我们下面要着重克服的这里我们认为有工作的人是自选择的，用他们的收入分析工资性别差距存在偏差。匿名审稿人提到另一种选择偏差，接受调查并提供就业和收入信息的人是自选择的，有的人有工作也没有提供工作收入等信息。这一偏差的确存在，但在本文中我们无法克服。我们重点克服第一种偏差。。
表1 男性和女性劳动者基本变量均值的描述
资料来源：根据CHNS2006年数据整理计算而得。
表1给出了本文计量分析中男女劳动者基本变量的均值描述，其中1―2列为全部样本的情况，3―4列为26―55岁年龄组劳动者的情况。比较26―55岁年龄组的男女劳动者，是为了更好地反映歧视的真实水平，尤其是考虑到就业歧视和工资歧视的综合情况。因为如果被调查者在26岁之前没有工作和收入，可能由于其在接受教育选择26岁作为分界线，是因为这一年龄是接受完大学本科和硕士研究生教育的大致年龄，而由于我国教育扩张，近年更多的人能够完成本科和硕士生教育。，这时有工作和收入者反而可能是受歧视的一方（例如不给女性受教育机会，让其提前退学参加工作）。另一方面，在中国，女性的法定退休年龄为55岁，低于男性的60岁。因此，为了更好地比较成年男女的工资差异及真实的劳动力市场歧视，我们选择26―55岁这一年龄段作为对比。
这里的小时收入为年收入除以每年的劳动小时数，而年收入为月工资加上月补贴后与工作月数相乘，再加上年奖金。由表中数据可知，男性劳动者的小时收入对数比女性的平均高13.64%。从受教育年限看，女性的平均教育年限比男性高，这与更大样本的数据不太符合。例如根据《中国劳动统计年鉴2006》中男女从业人员中未上过学、小学、初中、高中、大学专科、大本和研究生及以上的比例和每一学历水平的平均教育年限（分别为0年、6年、9年、12年、16年、19年），可以推算出从业人员的平均受教育年限。2005年男性从业人员平均受教育程度为8.664年，女性为7.608年。但近年很多调查和文献都显示中国女性受教育水平高于男性，更有可能接受高等教育，尤其在城镇例如Zhang等人（2008）、李宏彬和张俊森（2008）的结论。。
工龄等于年龄减去受教育年限再减去7假定平均的入学年龄为7岁。，男性劳动者的工龄更长一些。在户籍类型上，我们把城镇户口定义为1，农村户口为0，因而均值越大，说明这一性别中拥有城镇户口的劳动者比例越大，或者对于单个劳动者而言，越有可能是城镇户口。表中显示女性劳动者中拥有城镇户口的比例更高一些。从工作单位的类型看，有8种类型，包括政府部门、国有事业单位和研究所、国有企业、小集体企业（如乡镇所属）、大集体企业（县、市、省所属）、家庭联产承包农业、私营和个体企业、三资企业。我们将前三类定义为1，后五类定义为0，以探讨不同性别劳动者在国有部门就业方面是否存在差异。表1显示男性劳动者在国有部门就业的比例更高。从单位规模来看，我们把100个职工以上的单位定义为1，否则为0，统计显示女性劳动者进入大规模就业单位的比例更高一些。直接用样本中有工作的劳动者与劳动者总数进行比较得到的结果显示，总体找到工作的比率为74.3%，其中男性为83.1%，女性为66.4%。表1中的就业比率是通过选择偏差模型得到的比例，为有工作、有工资信息的劳动者数量/没有工作的劳动者数量和有工作、有工资信息的劳动者数量之和。从就业比率看，男性劳动者明显高于女性劳动者。这些数据为我们下面对工资性别差距分解和歧视问题的探讨提供了思路。
三、 研究方法和模型
首先给出下面的简约的收入回归方程：
ln(wi)=α0+βXi+γZi+εi(1)
ln(wi)是劳动者的小时收入对数。Xi代表一组反映个人特征（例如教育水平、工龄、户口类型）的变量。Zi是一组反映企业特征的变量，包括企业的所有制性质、企业规模等。εi为误差项。具体的回归方程如下：
ln(wage)=α0+β1educ+β2expe+β3expe2+β4gender+β5hukou+γ1unit+γ2unitscale+ε（2）
这里的wage是上一年（2005年）个人的小时收入。educ代表受教育年限，expe是工龄，gender是性别的虚拟变量（男性为1，女性为0），hukou是反映户籍类型的虚拟变量（城镇户口为1，农村户口为0），unit为工作单位的类型，如上所述，我们把政府部门、国有事业单位和研究所、国有企业定义为1，其他类型定义为0，以探讨是否在国有部门就业对工资有显著的影响。unitscale是反映单位规模的虚拟变量，100个职工以上的单位被定义为1，否则为0。我们希望知道单位规模与垄断程度、单位内部的利益群体大小等有关。是否会导致高收入。
要考察工资的性别差距，如果是男女混合总体的回归方程，可以通过设置虚拟变量（例如设男性=1）来考察工资性别差距的大小。但是要探究这一差距产生的原因和进行因素分解，这一方法却不能给出答案。所以要分别对男女分组进行收入回归分析，男女的收入回归方程分别如下：
ln(wm)=αm0+βmXm+γmZm (3)
ln(wf)=αf0+βfXf+γfZf (4)
运用Oaxaca（1973）的分解方法，对公式（3）和（4）相减并整理，得到以下的式子
ln(wm)-ln(wf)D=(αm0-αf0)S+βm(Xm-Xf)+γm(Zm-Zf)E
+(βm-βf)Xf+(γm-γf)ZfP(5)
（5）式等式右边的第一大项S是偏移效应（shift effect），它反映了常数项的不同，也在一定程度上反映了内在的性别歧视。例如“统计歧视”（statistical discrimination），它反映的是由于信息不充分、信息不对称导致用群体特征代替个体特征，从而造成对一部分与群体特征差异较大的个体的歧视。第二大项E常被定义为禀赋效应（endowment effect），它反映了由男女可观测的个人特征和单位特征而导致的工资差异，一般被认为是可以解释的部分。但个人特征并非完全是自我选择的结果，相反，可能是由于歧视带来的结果。例如，正是对女性接受教育的歧视才导致女性受教育年限较低，而较低的教育年限又带来较低的收入。忽略这一影响会导致低估性别歧视的水平，我们在下面要作进一步的检验。单位特征在一定程度上也与歧视有关，例如男性更有可能在高工资的国有垄断部门就业，从而收入会高于女性。第三大项P被定义为价格效应，它指男女收入方程中由于回归系数的差异导致的收入差距，这是反映性别歧视的部分，通常和常数项差异合并，被称为不可解释的部分。这一解释的前提是所有关于生产率的因素都是可观测的，但这一前提假设在现实中并不能完全满足。
以上的OLS估计会面临选择性偏差问题（selection bias，Heckman，1979）。我们只能观察到有工作的个体的工资和收入状况，因而事实上获得的样本是截断的样本（truncated sample），而不是随机的。我们是否能观测到工资收入取决于劳动者的就业决策（选择就业与否、能否找到工作），所以OLS估计会产生有偏的不一致的估计。对于工资性别差距的问题而言，如果女性由于受到歧视更难找到工作，则以上的价格效应会低估真实的歧视水平。
通常解决选择偏差的方法是将收入方程与就业选择方程（是二元选择的形式）联立起来。将Si定义为劳动者有工作还是没有工作，Xi是一组影响这一结果的外生变量。这一回归方程可以表示为：
Si=αgXi+uiSi=1,0 (6)
估计方程（1）和（6）的方法是Heckman提出的两步法。此外，也可以用MLE（maximum likelihood estimation）方法来同时估计方程（1）和（6）。
按照Brown等人（1980）的方法，考虑到获得工作概率差异的收入差距分解方法如下：
pmln(wm)-pfln(wf)Gap=pf-Xf)+γm(Zm-Zf)〗A
+pf+(γm-γf)Zf〗B
+lnwm(pm-p ∧)C+lnwm(p ∧-pf)D （7）
这里，pm和pf分别为男性和女性的实际就业概率，p ∧为非歧视的工作获得概率，也就是女性个人特征被像男性个人特征一样看待时个人特征获得像男性个人特征一样的收益率。的工作获得概率。C项是男性劳动者因特征占优享有较高就业概率而引起的收入差距，D项是女性劳动者因受歧视就业概率低而引起的差距。
在Oaxaca分解中，另外一种分解方法是：
ln(wm)-ln(wf)D=(αm0-αf0)S+βf(Xm-Xf)+γf(Zm-Zf)E
+(βm-βf)Xm+(γm-γf)ZmP （8）
按照（8）式的分解结果与按照（5）式的分解结果会有所不同，这种由于分析次序不同从而导致分析结果不同的问题，在文献中被称为“指数基准”（index number）问题。为了解决指数基准问题，本文运用Appleton et al.（1999）的分解方法，具体如下：
pmln(wm)-pfln(wf)Gap=p*-Xf)+γ(Zm-Zf)〗A
+p*+(γm-γ)Zm〗B+
p*+(γ-γf)Zf〗C
+lnwm(p*m-p*)D+lnwf(p*-p*f)E
+lnwm(pm-p*m)F+lnwf(p*f-pf)G
（9）
其中p*表示无歧视的情况下，个人（男女总体）找到工作的平均概率。p*m为按照男性的个人特征在无歧视的情况下的就业概率，p*f为按照女性的个人特征在无歧视的情况下的就业概率。β和γ为男女总体收入回归方程中的系数。
等式右边第一项A为由于男女个人特征和所处部门不同而造成的工资差距，第二项B为在收入分配上对男性的优惠，表现为解释变量系数的差异，第三项C为在收入分配上对女性的歧视。第四项D为男性因为具有较优的个人特征（教育、工龄）而更有可能获得工作，从而形成的工资差距。第五项E表示女性由于个人特征具有劣势而使获得工作困难，从而形成的工资差距。第六项F表示在就业方面给予男性的优惠，使其获得工作的概率更高，从而获得更高的工资。第七项G表示在就业方面对女性的歧视而形成的工资差距。第一、四、五项之和表示由于个人特征（主要是技能因素）造成的工资差距，基本属于合理的可解释的部分。而第二、三、六、七项之和表示由于市场对女性歧视而造成的工资差距。
四、 计量分析结果及讨论
（一） 收入的决定因素
首先运用最小二乘估计（OLS）方法分析男女劳动者及总体的收入决定因素，具体回归结果见表2。
表2 男女劳动者收入的决定因素（OLS方法）
注：单位性质虚拟变量以政府部门作为对照组，包括国有事业单位和研究所、国有企业、小集体、大集体、家庭联产承包农业、私营和个体企业、三资企业。职业虚拟变量以高级专业技术工作者作为对照组，包括一般专业技术工作者、管理者/行政官员/经理、办公室一般工作人员、农民、渔民、猎人、技术工人或熟练工人、非技术工人或非熟练工人、军官与警官、士兵与警察、司机、服务行业人员、运动员、演员、演奏员。为节省篇幅，这两类虚拟变量的结果在表中没有列出。流动虚拟变量将2004年以后变换工作定义为1，健康虚拟变量将在过去三个月因生病而影响日常生活和工作定义为1。系数后括号内的数字为t统计量，*、**和 ***分别代表系数在10%、5%和1%的水平上显著。
在表2的1―4列是对全部样本的分析，5―8列是对26―55岁年龄组的分析。第1列说明男性的小时工资比女性高23.8%，而第5列说明26―55岁组男性的小时工资比女性高22.4%。可见，把接受教育和法定退休年龄等因素排除，真实的劳动力市场性别歧视会更小一些。第2列和第6列增加了解释变量，在控制了细分的单位性质、职业、流动性以及健康状况后，全部样本的工资性别差距为21.6%，而26―55组的差距为19.9%，说明控制更多的变量（更多地反映工作特征和个人能力）后，真实的性别差距缩小。
在3―4列中由于下面提到的虚拟变量设定引起分解结果差异的问题，在表2中我们对男女收入回归中的单位性质虚拟变量采取与第1列相同的简化方式（国有部门=1），职业的划分因种类太多而没有被考虑，流动和健康两个变量系数不显著也被舍弃。7―8列与此类同。，只有男性组的常数项是显著的，说明在收入上存在对男性的升水，这是性别歧视的结果。也可能与统计性歧视有关，即认为平均来说，男性比女性能力高，男性的较高能力群体特征在收入的常数项中得到体现，使得作为个体的男性从中受益，这对于个人能力与男性相同的女性而言，是一种歧视。从教育收益率看，男女没有太大的差异。需要注意的是，歧视可能表现在女性接受教育的机会不同上。但我们的样本表明女性组的平均受教育年限反而高，这与基本事实不太符合（对更大样本的分析发现，男性受教育年限更长一些，比女性长0.3年Educ=11.393***-0.099***expe+0.300***gender+2.430***hukou, Adjusted R2=0.291, Observation=2013. ），但不会影响其他结果的分析。工龄对男性收入的影响符合经典的Mincer方程，而工龄对女性的收入无显著的影响，说明劳动力市场不看重女性劳动者的经验。女性组的户口和单位性质的系数明显高于男性，说明妇女若拥有城镇户籍和在国有部门工作可以减少歧视，这有助于缩小工资性别差距。这与李利英和董晓媛（2008）的结论有些类似，她们发现市场竞争激烈的企业、经常采用计件工资制的企业性别工资差异较大，私有产权比重较大的企业也呈现较大的性别工资差异。在国有部门，由于缺乏激烈的市场竞争，因而能够保证工资性别差距较小。尹志超和甘犁（2009）的研究也表明公共部门的工资性别差距小于非公共部门。但同样存在的问题是，女性可能由于受歧视从而进入国有单位的概率低，logit模型的结果显示男女进入国有部门的概率的确存在差异Unit=-5.047***+0.346***gender+1.609***hukou+0.308***educ, McFadden R2=0.213, Observation=1984.。此外，女性在大规模单位工作不能带来显著的收入提高，而男性则可以，这也可能是性别歧视的表现。
而在7―8列中，只有女性组的常数项是显著的，这可能反映为另一种类型的统计歧视――在收入决定上对于女性群体特征给予更高的权重，而不看重其个人特征，这样即使男女群体的平均能力相同，也会产生歧视，即对高能力女性的歧视。在7―8列中，比较发现男性的教育收益率略高于女性，这在一定程度上反映了性别歧视问题。在26―55岁年龄组中，与男性相反，女性工龄的系数为负，工龄平方的系数为正。如果取男性和女性劳动者工龄的均值计算工龄对收入的总体影响，对于男性而言=0.034×23.572+555.6392×(-0.00059)=0.4736；对于女性而言=-0.031×21.072+444.0292×0.00087=-0.2669。进一步地，如果女性劳动者能够获得像男性一样的工龄收益率，则收入会达到0.034×21.072+444.0292×(-0.00059)=0.4545。所以，工龄对女性收入的影响较小或者是负的由工龄收益方程可知，男性在工龄为28.8年时达到收益最大值，工龄收益基本为正值；女性在17.8年达到工龄收益最小值，工龄收益基本为负值。，即劳动力市场不看重女性劳动者的经验，这是歧视的表现。此外，与女性从事的职业也有关，例如她们大多拥挤在服务业中，而在一些服务业中存在严重的年龄歧视。
用年收入作为被解释变量进行回归，结果发现与男性组相比，女性组劳动时间的回归系数较大，说明延长劳动时间对女性收入提高有好处。西方理论界对工资性别差距有一种解释，认为女性在劳动力市场上就业时间的不连续（时常中断）或者从事非全日制工作是导致其收入低的原因之一，因为经常退出劳动力市场会使其原有人力资本贬值，而且不利于学习新的技能。
上面的最小二乘估计没有考虑到男女就业概率的差异，即如果存在选择性偏差，运用有工作和收入的男性和女性数据来分析工资决定和性别歧视就是有偏的，需要运用选择模型重新对收入方程进行估计。我们运用Heckman两步法来重新估计结果，考虑到就业选择效应，首先用Probit模型估计影响就业选择的因素，解释变量包括教育、性别、户口和工龄，然后通过构建反Mills比率来进行收入方程的估计。具体结果见表3和表4，表3是全部样本的分析，包括男女总体、男性和女性。表4是26―55岁样本的分析。
表3 男女劳动者收入的决定因素（Heckman两步法）
注：系数后括号内的数字为t统计量，Probit模型系数后括号内的数字为z统计量，*、**和 ***分别代表系数在10%、5%和1%的水平上显著。
从表3和表4第1列的结果看，全部样本工资性别差距由OLS方法的23.8%（不包含常数项的结果为24.3%）提高到25.2%，25―55岁样本工资性别差距由OLS方法的22.4%（不包含常数项的结果为23.0%）提高到26.7%，说明由于存在就业歧视，男性比女性更容易找到工作，真实的性别收入差距比表面上看到的更大一些。这一结果与Olivetti与Petrongolo（2008）、Christofides等人（2010）的跨国分析结论一致。例如，在南欧一些男女就业率差距较大的国家，工资性别差距相对较小。如果考虑就业选择偏差，则真实的工资性别差距就会提高，也暗示着实现就业的妇女在素质上高于女性劳动力整体的平均水平。而从反Mills比率来看，系数在大多数情况下均比较显著，表明存在选择性偏差。
表3和表4每列的下半部分为男女找到工作概率影响因素的分析，在表3和表4的第1列中，可以发现男性比女性更有可能找到工作。在第3列和第4列中，比较男女的常数项，发现女性的常数项系数更小，这在一定程度上反映了就业方面的性别歧视。教育水平对提高找到工作概率有帮助，对女性劳动者更加重要（表3中女性教育年限的系数更大）。而工龄越长，找到工作的可能性会增加，但以递减的速度增加（工龄平方的系数为负）。如果单独用工龄作解释变量，其系数为负。拥有城镇户口也有利于找到工作。在表3和表4中工龄对女性找到工作可能性的整体影响不如对男性那么大，说明劳动力市场上不看重女性的工作经验。类似的，Chen与Hamori （2008a）的研究表明提高教育水平、在公共部门寻找工作和年龄在25岁以下都会减少就业的性别歧视。
再分析表3和表4的上半部分。整体看，教育和户口的收益率与表2相比有所提高，因为它们也对找到工作的概率产生影响。从男女教育收益率的比较看，总样本中男性的教育收益率略高于女性，而26―55岁组中则是女性的教育收益率略高一些，这一结果与表2有所不同。户口对收入的作用本身是社会地位歧视的表现，但也可能与人力资本有关，例如城镇户口的劳动者更了解现代经济活动。如表2类似，表3和表4中工龄对女性收入无显著的影响。单位性质和单位规模的系数和表2的分析相比，没有大的改变。
此外，还需考虑不同性别劳动者进入不同所有制部门、不同职业概率的不同，如果男女进入概率存在很大差异，且收入存在部门和职业分割，则这一分析就有意义。以进入国有部门为例，运用logit模型分析进入国有部门与否的回归方程如下：
Unit=-5.047***+0.346***gender+1.609***hukou+0.308***educ
Observations=1984，McFadden R2=0.213
上式表明男性更有可能进入国有部门李荻等（2005）对国有部门就业问题进行专门分析，在考虑发现户主、非劳动收入、经验、学历、第一产业、退休在职比、省虚拟变量等因素后，发现1988年男性在国有部门就业的概率比女性高8.6个百分点，2000年这个差别为4.3个百分点。在联合考虑个人选择和国有部门准入后，结果没有太大改变。。但女性一旦能够进入到国有部门，就会有较大的收入提高，因为如前所述，女性组的单位性质的回归系数较高。
对于职业进入也是如此。有人认为不同的职业需要的生产率不同，职业的差异可以反映劳动生产率的差异，也有人认为这是歧视的结果。歧视导致女性劳动者大量涌入低收入的职业，形成职业拥挤。以进入服务业与否为例，logit回归方程如下：
Occup10=1.105***-0.998***gender+0.128hukou-0.226***educ
Observations=1938，McFadden R2=0.082
这表明女性而非男性更有可能从事低工资的服务业。同样，杜凤莲（2005）通过多元logit模型分析发现我国存在性别的职业分割。
（二） 工资性别差距的分解
首先运用公式（5）的Oaxaca分解方法、根据表2的男女简约收入回归结果进行分解，结果见表5。全部样本中男女的小时收入对数值分别是1.866和1.642，相差0.224。对于26―55岁组，男女的小时收入对数值分别是1.889和1.669，差距为0.22。我们要对这一差距的形成原因进行分析。
从表5可以发现，特征差异只能解释性别工资差异的很小部分，两组的份额都没有超过0.01，且在26―55岁组是女性因特征占优而能获得更高的收入。收益率差异解释的部分较大，这说明了歧视的存在，尤其在工龄上的歧视很明显。在教育方面，26―55岁组的性别歧视比较明显，主要在于女性教育收益率低于男性。在户口和单位性质方面有反向歧视，即女性的收益率更高一些。常数项反映固有的歧视，它占的比重较大。常数项与收益率差异解释的部分通常可以合并，统一归为不可解释的部分或歧视。表5合并的结果发现两组的总和都为0.314，这证明了歧视的严重性。最后进一步与特征差异解释的部分合计的总和与真实的收入差距之间有出入，我们将之间的差距归为其他不可观测因素作用的结果（误差项）。
在分解过程中，虚拟变量对照组的不同设定会引起分解结果的不同（Oaxaca and Ransom，1999）。但不可解释部分的总和不会改变，改变的只是这个虚拟变量收益率差异解释的部分（价格效应）。如果明确知道对照组，则不会引起太大的误解。我们对26―55岁组重新设置虚拟变量的对照组，如户口（农村=1）、所有制（非国有=1）、企业规模（100人以下=1），然后进行回归分解，并将其列入表5与原来的结果对比Meng与Zhang（2001）、Wang与Cai（2008）的做法是设置不同的虚拟变量、多做几次，然后取平均。我们没有取平均，而是将两次结果作对比。，证明了这一点其他人的论文中也验证了这一结论，如Oaxaca与Ransom（1999）、Fortin等人（2010）。：特征差异解释的部分没有变化，只有户口、单位性质和单位规模收益率差异解释的部分以及常数项发生改变，合并后的不可解释部分基本没有改变相差0.001是由于计算数据四舍五入造成的。。所以，这里我们不对单个的解释变量（尤其是虚拟变量）对工资性别差异的影响做过多具体分析，而将重点放在价格效应总体（与常数项合并）的说明，以分析整体的歧视问题。
根据表3和表4的男女收入决定方程，运用公式（5）的分解结果见表6，这里的回归系数是考虑到就业选择偏差、运用Heckman两步法得到的，收入回归方程中没有常数项。考虑选择性偏差之后，我们不能对观察到的性别工资差距直接进行分解，而应该对纠正了选择偏差之后的工资差距进行分解公式为男女收入对数差减去男女的反 Mills 比率之差。。全部样本克服选择偏差后的收入差距为0.11，26―55岁组为0.26。
在表6中，从个人特征整体看，女性在个人特征上反而比男性更优越，因而起到减少工资差距的作用，但特征的解释作用依然不大。差距主要来自收益率的差异，分别解释了0.271和0.397，说明歧视很严重。工龄的作用仍是主要的，尤其对于26―55岁组更是如此。女性的教育年限更高，26―55岁组女性教育的收益率更高一些，这些都起到缩小收入差距的作用。就业的单位性质和户口都有利于减少歧视，甚至会出现反向歧视。另外，考虑指数基准问题，我们对全部样本按照
ln(wm)-ln(wf)D=β(Xm-Xf)E+(βm-β)Xm+(β-βf)XfP进行分解，得到的禀赋效应为0.009，在收入分配上对男性的优惠为0.087，对女性的歧视为0.173，合计为0.269，与表6中的结果相同。
表5 男女劳动者收入差距的分解（OLS方法）
下面进一步考虑找到工作概率的不同进行收入差距分解。根据表3和表4可知，前一个样本量为没有工作的劳动者数量和有工作、有工资信息的劳动者数量之和。后一个样本量为有工作、有工资信息的劳动者数量。用后者与前者相比，得到全部样本中获得当前工作的比例为39.52%，其中男性为47.14%，女性为31.59%。26―55岁获得当前工作的比率为54.04%，其中男性为67.89%，女性为41.48%。可见，男性找到工作的概率明显高于女性。
对于全部样本，运用公式（9）进行分解。首先根据表3的Probit回归数据，计算的找到工作的概率分别为：
p*=-1.642+0.091×11.208+0.086×21.991-0.00226×600.48+0.305×0.717=0.131
p*m=-1.642+0.091×11.11+0.086×23.588-0.00226×678.99+0.305×0.694=0.075
p*f=-1.642+0.091×11.362+0.086×19.503-0.00226×478.412+0.305×0.754=0.218
pm=-1.224+0.054×11.11+0.115×23.588-0.00275×678.99+0.206×0.694=0.364
pf=-1.993+0.112×11.362+0.078×19.503-0.00243×478.412+0.49×0.754=0.007
对应于公式（9），通过计算可以得到第一项为0.001，第二项为0.011，第三项为0.023，第四项为-0.105，第五项为-0.143，第六项为0.539，第七项为0.345，合计为0.672。按照找到工作概率计算的工资差距应为0.364×1.866-0.007×1.642=0.668。
对于26―55岁组的收入差距进行分解，根据表4的Probit回归数据，计算的找到工作的概率分别为：
p*=-1.582+0.139×11.268+0.030×22.568-0.001×582.383+0.362×0.743=0.348
p*m=-1.582+0.139×11.216+0.03×23.572-0.001×631.124+0.362×0.715=0.312
p*f=-1.582+0.139×11.346+0.03×21.072-0.001×509.763+0.362×0.784=0.401
pm=-1.302+0.131×11.216+0.041×23.572-0.00107×631.124+0.232×0.715=0.624
pf=-1.89+0.131×11.346+0.049×21.072-0.00185×509.763+0.575×0.784=0.137
运用公式（9），七项的分解结果分别为-0.003、0.054、0.083、-0.068、-0.088、0.589和0.441，合计为1.007。按照找到工作概率计算的工资差距应为0.624×1.889-0.137×1.669=0.950。
从两组结果来看，第一、四、五项为由于个人能力原因导致的收入差距，它基本为负，说明女性因能力占优能够缩小与男性的收入差距。歧视表现为第二、三、六、七项，这些项都为正的，由就业方面的歧视引起的工资差距较大，特别是对男性的就业优惠引起的差距（分别为0.539和0.589），可以说性别歧视主要表现为就业歧视。而在就业获得上，主要是由于偏见或统计性歧视导致男性的常数项较高。在实现就业后的收入分配方面的歧视虽然存在，但相对于就业歧视而言并不大。
五、 总结性评论
本文运用中国健康与营养调查（CHNS）2006年的数据对劳动者的工资性别差距进行测度和分解，研究发现在控制个人特征和单位特征后，男性劳动者的小时收入比女性劳动者高20%多，考虑就业选择偏差后的工资性别差距更大一些。由于劳动者特征差异形成的工资差异较小，而且往往是女性由于个人特征占优而有助于缩小差距。差异的更大部分是由收益率差异造成的，这在一定程度上反映了性别歧视的存在。主要表现在工龄方面受到歧视，女性的工龄收益率低或者为负值。进一步考虑选择性偏差和找到工作概率进行分解的结果说明，女性在就业获得方面受到歧视，会严重影响其与男性劳动者的收入差距。论文的政策含义是各方要为妇女就业获得创造有利的条件，减少对女性的就业歧视。同时，要重视女性劳动者的经验性技能。
我们要对研究结果保持应有的谨慎，本文因样本数量有限的关系，对有的问题的解释力不强，因而论文的意义更多体现在方法论上。此外，我们也不能将所有未被个人特征解释的工资差额都归为歧视，因为数据的限制使得我们不能包含更多的反映个人生产率或能力的变量。最后，本文只考虑了男女劳动者找到工作概率的差异，而不同所有制部门进入概率和职业拥挤问题没有得到很好的解决、以纳入统一的工资差距分解过程。这些问题有待我们继续研究。
参考文献
Appleton, S., J. Hoddinott and P. Krishnan, 1999, “The Gender Wage Gap in Three African Countries,” Economic Development and Cultural Change, 47(2), 289312.
Brown, R. S., M. Moon and B. S. Zoloth, 1980, “Incorporating Occupational Attainment in Studies of MaleFemale Earnings Differentials,” Journal of Human Resources, 33(1), 328.
Chen, G. and S. Hamori, 2008a, “Do Chinese Employers Discriminate against Females When Hiring Employees,” 2008 International Symposium on Contemporary Labor Economics, WISE, Xiamen University, Dec 2008.
Chen, G. and S. Hamori, 2008b, “An Empirical Analysis of Gender Wage Differentials in Urban China,” Kobe University Economic Review, 54, 2534.
Christofides, L. N., A. Polycarpou and K.Vrachimis, 2010, “The Gender Wage Gaps, ‘Sticky Floors’ and ‘Glass Ceilings’ of the European Union,” IZA Discussion Paper, No.5044.
Fortin, N., T. Lemieux and S. Firpo, 2010, “Decomposition Methods in Economics,” NBER Working Paper, No.16045.
Gustafasson, B. and S. Li, 2000, “Economic Transformation and the Gender Earnings Gap in Urban China,” Journal of Population Economics, 13(2), 305329.
Heckman, J., 1979, “Sample Selection Bias as a Specification Error,” Econometrica, 47(1), 153162.
Hughes, J. and M. MaurerFazio, 2002, “Effects of Marriage, Education, and Occupation on the Female/Male Wage Gap in China,” Pacific Economic Review, 7(1), 137156.
Kara, O., 2006, “Occupational Gender Wage Discrimination in Turkey,” Journal of Economic Studies, 33(2), 130143.
Liu, P. W., X. Meng and J. Zhang, 2000, “Sectoral Gender Wage Differences and Discrimination in the Transitional Chinese Economy,” Journal of Population Economics, 13(2), 331352.
“本文中所涉及到的图表、公式、注解等请以PDF格式阅读”