断点回归设计在高校扩招对就业影响的研究.docxVIP

断点回归设计在高校扩招对就业影响的研究

一、引言

高校扩招是我国高等教育发展进程中的重要政策转折。自某一关键年份起，高等教育毛入学率从个位数跃升至两位数，越来越多的青年获得接受高等教育的机会。这一政策在提升国民素质、推动教育公平的同时，也引发了社会对其就业效应的广泛讨论：扩招带来的大学生数量激增，是否会导致“学历贬值”？高校毕业生的就业质量、行业分布、薪资水平是否因扩招出现结构性变化？回答这些问题，需要科学的因果推断方法支撑。

断点回归设计（RegressionDiscontinuityDesign，简称RDD）作为近年来计量经济学中广泛应用的因果识别工具，恰好能为这类政策评估提供严谨的分析框架。其核心思想是利用政策实施的“断点”（如时间节点、分数阈值等）将研究对象划分为“处理组”与“对照组”，通过比较断点附近群体的差异，近似模拟随机实验环境，从而识别政策的真实效应。高校扩招政策通常具有明确的时间断点（如某一年份招生计划大幅增加）或区域/分数断点（如某地区因政策倾斜扩大招生规模），这为RDD的应用提供了天然场景。本文将系统探讨断点回归设计在高校扩招就业影响研究中的应用逻辑、关键环节与实证价值。

二、断点回归设计与高校扩招研究的适配性分析

（一）断点回归设计的核心逻辑与优势

断点回归设计的核心在于“利用政策突变点构造准自然实验”。现实中，许多政策并非随机分配，而是基于某个可观测变量（称为“驱动变量”）的阈值实施——例如，贫困生补助以家庭收入为阈值，奖学金以考试分数为阈值。当驱动变量超过或低于某个临界值时，个体被分配到“处理组”（接受政策干预）；反之则属于“对照组”（未接受干预）。由于驱动变量在断点附近的分布是连续的，理论上断点两侧的个体在其他特征上应无显著差异，因此两组结果变量的差异可归因于政策本身。

相较于传统回归分析，RDD的优势在于其“准实验”属性，能有效解决内生性问题。例如，直接比较扩招前后毕业生的就业数据时，可能存在“时间趋势”干扰（如经济周期变化）；而RDD通过聚焦断点附近的小范围样本，可将时间趋势、个体特征等混杂因素的影响降到最低，从而更准确地识别扩招的净效应。此外，RDD对数据要求相对灵活，无需严格的随机分组，只需存在明确的政策断点和连续的驱动变量，这为分析历史政策提供了便利。

（二）高校扩招政策的断点特征

高校扩招政策的“断点”主要体现在两个维度：时间断点与空间/分数断点。

时间断点是最常见的形式。例如，某一关键年份国家出台扩招政策，规定该年及之后入学的大学生规模较之前显著扩大。此时，“入学年份”即为驱动变量，该年份为断点，前一年入学的学生为对照组，当年及之后入学的为处理组。这种断点的优势在于政策实施时间明确，数据（如入学年份、毕业时间、就业数据）易于收集和匹配。

空间或分数断点则多见于区域差异化政策或特殊招生计划。例如，某省份为提升高等教育普及度，规定省内某分数线以下的考生可额外获得扩招名额；或某高校对特定地区（如教育资源薄弱地区）扩大招生规模。此时，“高考分数”或“户籍所在地”成为驱动变量，对应的分数线或区域边界即为断点。这类断点的优势在于能控制区域经济、文化等固定效应，更精准地分析扩招对特定群体的影响。

（三）就业影响研究的关键变量选择

在应用RDD分析高校扩招的就业影响时，需明确三类关键变量：驱动变量、处理变量与结果变量。

驱动变量是政策实施的依据，如前所述的“入学年份”“高考分数”等，需满足在断点附近连续分布的假设（即个体无法精确操控驱动变量跨越断点）。例如，若学生能通过复读刻意调整入学年份以获取扩招资格，则驱动变量的连续性被破坏，RDD的有效性将受到质疑。

处理变量是“是否接受扩招”，即个体是否属于扩招后的学生群体。

结果变量是研究关注的就业指标，包括但不限于就业率（毕业半年内找到工作的比例）、就业质量（如起薪水平、签订正式劳动合同的比例）、行业匹配度（所学专业与就业岗位的相关性）、职业发展潜力（如入职三年内晋升频率）等。这些变量需与驱动变量、处理变量在时间或空间上可对应，例如，跟踪扩招后毕业生的就业数据需至少覆盖其毕业时间点。

三、断点回归设计在高校扩招就业研究中的应用流程

（一）断点选择与数据准备

断点选择需遵循“政策外生性”原则，即断点的确定应独立于个体特征和结果变量。例如，选择国家层面的扩招起始年份作为断点时，需确认该年份的选择并非因当年学生就业形势或经济状况触发，而是基于教育规划目标（如“提升高等教育毛入学率至xx%”）。若断点存在人为操控（如为应对某一年的就业压力临时扩大招生），则可能引入内生性偏差。

数据准备阶段需重点收集三类数据：驱动变量数据（如学生入学年份、高考分数）、处理变量数据（如扩招政策覆盖的具体年份或分数段）、结果变量数据（如毕业生就业调查数据、社保缴纳记录）。为确保R