抑郁傾向?qū)趧邮杖氲挠绊?/h1>
2021-05-10 15:42:56張曉明向迪劉生龍
產(chǎn)業(yè)經(jīng)濟評論 2021年2期
張曉明 向迪 劉生龍
摘 要：本文采用2010年中國家庭調(diào)查數(shù)據(jù)實證檢驗了居民抑郁傾向?qū)趧邮杖氲挠绊懀Y果表明抑郁傾向能顯著降低居民的勞動收入，對個人就業(yè)產(chǎn)生負向影響。為克服個人精神狀況與收入之間的反向因果關系所導致的內(nèi)生性問題，本文使用機器學習方法篩選工具變量，使得工具變量估計結果相比于傳統(tǒng)方法更加精確，進一步驗證了抑郁傾向?qū)€人勞動收入的負向影響。異質(zhì)性分析表明男性個體、位于農(nóng)村地區(qū)的個體、青年個體受到抑郁傾向的影響更為嚴重，收入下降程度更為顯著，而受教育程度的提高則能夠在一定程度上減少抑郁傾向給收入帶來的負面影響。機制分析表明，抑郁傾向通過抑制個人的社交能力與社交意愿、損害個人的勞動能力等方式來影響個人的勞動參與和勞動收入。
關鍵詞：機器學習；勞動收入；工具變量；抑郁傾向
健康作為人力資本的重要組成部分（Mushkin，1962），對人們的勞動和生產(chǎn)行為有著重要的影響。隨著經(jīng)濟的高速發(fā)展和醫(yī)療技術水平的顯著提高，人們的生理健康狀況已經(jīng)得到快速改善，2016年世界新生兒健康預期壽命已增至63.3歲，中國新生兒健康預期壽命增至68.7歲（WHO， 2019）。然而，與樂觀的生理健康前景相對應的，是人們在快節(jié)奏的現(xiàn)代生活中越來越突顯出的心理健康問題，尤其是抑郁癥問題。2017年WHO統(tǒng)計數(shù)據(jù)顯示，全球已有超過3億人患有抑郁癥，相當于世界總人口的4.4%，并且這一數(shù)字仍在不斷增加，其中中國抑郁癥患者約占世界比重的1/5。為了推進健康中國建設，提高人民健康水平，中共中央、國務院于2016年10月25日印發(fā)實施《“健康中國2030”規(guī)劃綱要》（簡稱“綱要”）?！熬V要”中指出健康是促進人的全面發(fā)展的必然要求，是經(jīng)濟社會發(fā)展的基礎條件。在促進心理健康工作方面，要加強對抑郁癥、焦慮癥等常見精神障礙和心理行為問題的干預，加大對重點人群心理問題早期發(fā)現(xiàn)和及時干預力度。
目前學界的相關研究表明，由抑郁癥帶來的身心健康和壽命的損傷會縮短患者的工作時間，降低工作能力及工作效率，進而抑制患者的勞動參與行為，降低患者的勞動收入（Ettner et.al，1997；Frijters et.al， 2010）。此外，抑郁癥作為一種疾病，不僅不利于人力資本的積累，減少勞動力市場上的勞動供給，同時還會引發(fā)治療費用以及間接費用等經(jīng)濟損失。由此可見，關注心理疾病對個人和社會帶來的經(jīng)濟影響是十分重要的。
然而，目前針對抑郁癥對個人和社會的影響的研究多以發(fā)達國家為研究對象，對發(fā)展中國家的研究較少，國內(nèi)關于心理健康狀況對經(jīng)濟效益的影響研究也相對較為缺乏?；诖?，本文采用CFPS2010數(shù)據(jù)，從微觀個體的角度出發(fā)，研究抑郁傾向?qū)€人收入的影響，尤其是對勞動收入的影響，從而對相關領域的研究進行補充。此外，由于個人勞動收入與心理健康之間存在較強的反向因果關系（Hollingshead and Redlich， 2007），為克服內(nèi)生性問題，本文采用工具變量法，并利用LASSO回歸挑選對于個人抑郁傾向影響程度較大的變量作為工具變量，克服了傳統(tǒng)方法通過先驗觀念而非科學方法構造工具變量的弊端，提升了模型的擬合效果，從而提高了研究結論的準確性和科學性。
本文后續(xù)部分的結構安排如下：第二部分介紹已有相關文獻的研究進展，第三部分介紹本研究采用的實證策略與描述性統(tǒng)計結果，第四部分介紹本文的主要實證結果，包括基本模型回歸結果、工具變量回歸結果、LASSO回歸結果和異質(zhì)性分析結果，第五部分為研究結論。
一、文獻綜述
本文的研究主要與兩類文獻相關，一類是分析心理健康狀況對個人勞動收入影響的研究，另一類是利用機器學習方法改善傳統(tǒng)計量方法，將機器學習用于輔助實證分析的相關研究。首先，心理健康與勞動收入相互關系的研究由來已久。早期的文獻集中于研究心理疾病與收入之間的反向相關性，這類文獻的研究表明在收入較低的群體中，產(chǎn)生心理健康問題的風險更高，貧困人群的心理疾病發(fā)病率相對高于非貧困人群（Hollingshead and Redlich， 2007；Holzer et.al， 1986； Bruce et.al， 1991）。近年來，隨著研究方法和技術的不斷提高和豐富，越來越多的文獻側重于考察心理健康對個人和社會的影響。具體來說，Ettner et.al（1997）指出心理疾病使得男性和女性的就業(yè)率降低了11%左右，并主要通過工資效應減少了個人收入。其次，心理疾病顯著縮短了人們的勞動時間，從而帶來了收入上的損失。已有研究表明，重度抑郁癥患病員工每年會損失27.2個工作日（Kessler，et.al，2006）。此外，在持久收入方面，與心理健康的人群相比，患有心理疾病的人群提前退休的風險更高（Doshi et al.， 2008），平均來說，抑郁癥患者的退休年齡比沒有抑郁癥的人要少1.5歲（Karpansalo et.al， 2005），這就使得心理疾病患者的持久收入要相對低于心理健康的群體。
在研究方法上，利用工具變量分離心理健康對勞動收入的影響是學者們常用的方法?，F(xiàn)有文獻中所使用的工具變量可以概括為以下三類：第一類是以研究對象過去的經(jīng)歷或者精神狀況，作為研究對象當期心理健康狀況的工具變量，考察其對研究對象當期的收入及勞動供給的影響。此類工具變量包括：童年時期患有心理疾病的經(jīng)歷（Ettner et al.， 1997；Chatterji et al.， 2007），在接受調(diào)查前三個月的心理健康狀況（Hamilton et al.， 1997），前期的抑郁傾向（高晶晶等，2018）。第二類是以研究對象的父母、親朋好友的健康狀況及經(jīng)歷，作為研究對象自身心理狀況的工具變量進行研究。此類工具變量包括：父母的心理疾病史（Ettner et al.， 1997；Marcotte et al.， 2000），過去一年是否有親密朋友去世（Frijters et.al ，2010）。第三類是與研究對象的心理狀況有關，但不影響其收入和勞動供給的社會和自身因素。此類工具變量包括：宗教信仰（Alexandre and French， 2001；Chatterji et al.， 2007），社會支持（Hamilton et al.， 1997；Alexandre and French， 2001；Ojeda et al.， 2009），體育鍛煉頻率和壓力事件（Hamilton et al.， 1997）。此外，在心理學上，居住流動性已被視為一種緊張的生活事件（Raviv et al.，1990），威脅到兒童的自我概念和自尊（Hendershott， 1989）。不僅如此，住宅的流動性還會導致焦慮、興奮和孤獨，以及較低的長期幸福感，而積極價值刺激的消除會導致緊張和攻擊性（Agnew， 1992；Oishi and Talhelm， 2012）。上述文獻表明，童年時的搬家經(jīng)歷對個人心理健康狀況具有一定的影響，因此，本文將童年時期是否有過搬家經(jīng)歷也作為了一個工具變量進行研究。
除了上述的相關研究外，近年來機器學習方法由于其具有較強的預測性能和泛化性能，被越來越多地應用于計量經(jīng)濟學領域進行實證分析和模型預測。Chernozhukov（2015）使用監(jiān)督學習中的LASSO算法來選擇對于影響結果變量的最重要的協(xié)變量進行控制以得到有效的估計結果。Mullainathan和Spiess（2017）通過對現(xiàn)有的機器學習算法進行介紹，指出其可以被應用于工具變量第一階段的回歸估計中，提高工具變量對被解釋變量的估計能力，從而解決弱工具變量問題。Athey和Wager（2019）利用監(jiān)督學習中的隨機森林方法，即通過有放回的隨機抽樣方式，在每次選擇一定數(shù)量協(xié)變量的情況下構造不同的模型樹，從而實現(xiàn)對平均處理效應的估計，并且對從不同的模型樹中得到的結果進行加和取平均值，即得到政策的平均處理效應異質(zhì)性的估計。Doudchenko和Imbens（2016）將機器學習中的LASSO算法應用于雙重差分過程中，不僅幫助篩選出重要的協(xié)變量，并且與合成控制法相結合，為處理組的每個單元從對照組中選出與之在協(xié)變量方面相匹配的最佳單元組合，通過加權方式構造與處理組最相似的單元集合。作者利用該方法對三篇雙重差分法的經(jīng)典文獻研究結果進行了重新計算，并發(fā)現(xiàn)使用機器學習方法能夠最大限度控制處理組與對照組之間的不平衡性，從而改善了估計結果。Shi et.al.（2020）利用LASSO算法篩選出對于家庭直接碳排放和間接碳排放最重要的影響因素，并指出這種關注“影響大小”而非僅僅關注“是否影響”的結果更有助于為政策制定者提供參考。Belloni（2012）利用LASSO方法篩選出對于法官判決影響程度最大的個人特征變量作為工具變量，顯著改善了工具變量估計性能，提高了工具變量估計結果的準確性和可靠性。
綜上，盡管現(xiàn)有文獻關于健康對個人勞動收入的影響已有較多討論，但仍然存在著一些不足，主要表現(xiàn)為：第一，目前國內(nèi)將健康作為人力資本，考察健康與收入和勞動參與之間的實證關系的研究大多是從生理健康的角度進行，或者只將心理健康作為健康評價指標體系的一個維度加以考察，表明了健康對收入增長以及勞動參與具有正面作用，而直接研究心理健康或者抑郁癥對收入及勞動參與影響情況的文獻相對較少。第二，雖然利用工具變量能在一定程度上緩解由心理健康和收入之間存在的雙向因果關系而導致的內(nèi)生性問題，但是由于影響個人收入的因素眾多而且作用機制復雜，傳統(tǒng)的計量方法不能很好地將眾多影響因素都納入模型中進行研究，在挑選變量方面也缺乏有效的選擇標準，具有一定的主觀性，從而會影響模型的擬合效果，降低結果的準確性和可信性。本文在后續(xù)的實證檢驗過程中，通過LASSO回歸篩選出對于個人抑郁傾向影響能力最強的變量作為工具變量，相比于傳統(tǒng)方法改善了工具變量的估計結果。
二、數(shù)據(jù)和模型
（一）數(shù)據(jù)來源
本文所使用的數(shù)據(jù)來自北京大學社會調(diào)查中心的中國家庭跟蹤調(diào)查（CFPS），該調(diào)查反映了中國社會、經(jīng)濟、人口、教育和健康的變遷，為學術研究和公共政策分析提供了可靠的數(shù)據(jù)來源。CFPS樣本覆蓋25個省/市/自治區(qū)，目標樣本規(guī)模為16 000戶，調(diào)查對象包含樣本家戶中的全部成員。該調(diào)查于2010年正式開展訪問，經(jīng)2010年基線調(diào)查界定出來的所有基線家庭成員將成為永久追蹤對象。由于2010年基線調(diào)查中保留的受訪者個人信息較為詳細，因此本文使用CFPS2010年調(diào)查數(shù)據(jù)作為樣本進行分析。此外，本文研究的重點為抑郁傾向?qū)τ趧趧邮杖氲挠绊懀虼耸褂肅FPS2010年成人問卷調(diào)查數(shù)據(jù)并排除60歲及以上的老年全體樣本數(shù)據(jù)。
（二）變量設定
本文的被解釋變量為個人收入，使用個人年度總收入的自然對數(shù)形式表示，為了排除極端值對回歸結果可能造成的影響，本文在1%和99%水平上對樣本進行縮尾處理，以保證回歸結果具有良好的可靠性。
本文的核心解釋變量為受訪者的抑郁得分，CFPS2010調(diào)查問卷使用美國流行病調(diào)查中心開發(fā)的抑郁癥量表CES-D簡化量表對居民抑郁狀況進行衡量，該量表要求受訪者匯報近一個月內(nèi)抑郁相關癥狀的發(fā)生頻率，主要包含六個問題：1.情緒沮喪、郁悶、做什么事都不能振奮；2.精神緊張；3.坐臥不安，難以保持平靜；4.感到未來沒有希望；5.做任何事都感到困難；6.認為生活沒有意義。對于上述六個問題的發(fā)生頻率分別為：1.幾乎每天；2.經(jīng)常；3.一半時間；4.有一些時候；5.從不。在問卷處理過程中，調(diào)查人員將上述抑郁癥狀依據(jù)頻率進行打分，并匯報了使用因子分析輸出的因子得分作為個人抑郁程度的得分，記為變量fdepression，由于因子得分越小通常意味著抑郁程度越嚴重，因此本文在回歸中對fdepression取相反數(shù)得到nfdepression變量，用來表示受訪者的抑郁程度，該指標越大則意味著受訪者的抑郁程度越嚴重。
本文的控制變量包括個人背景與家庭背景兩部分，其中個人背景包括城鄉(xiāng)分類、性別、年齡、民族、教育程度、身體健康狀況，家庭背景包括婚姻狀況、兄弟姐妹數(shù)量、家庭成員數(shù)量、子女數(shù)量、父母是否健在等變量。在回歸中引入上述變量可以控制不同個體之間的差異，實現(xiàn)對核心解釋變量的準確估計。
由于在識別抑郁傾向?qū)趧邮杖氲挠绊懙倪^程中，存在著較強的雙向因果關系，并由此導致OLS估計結果可能存在一定的偏誤，因此，本文在借鑒Belloni et al.（2012）文章的基礎上，將已有文獻中所使用的工具變量全部納入工具變量第一階段回歸中，并使用LASSO回歸進行篩選，保留對于第一階段結果影響最大的工具變量，在一定程度上提高第一階段估計值的準確度，從而提升工具變量的估計結果的可靠程度。
本文的機制變量包括受訪者的自評人際關系得分，受訪者的社交意愿及受訪者的運動能力，這些變量能夠通過影響受訪者的社會關系或者自身勞動能力來影響其收入，其中人際關系得分變量來自問題“您認為自己的人緣有多好”，該問題共有1-5分五個選項，用于受訪者匯報自身的人際關系狀況，得分越高意味著受訪者的自評人際關系越好。受訪者的社交意愿通過受訪者的社交時長來衡量，如果受訪者的社交時長高于平均水平，則認為該受訪者擁有更強烈的社交意愿，反之則認為受訪者的社交意愿相對較弱。受訪者自身的勞動能力通過CFPS2010問卷中關于受訪者運動能力的相關問題進行衡量，包括“雙手是否能夠接觸到頸根”“雙手是否能夠接觸到后腰”“坐一段時間后能否馬上從椅子上起來”“能否撿起地上的書”四個問題，如果受訪者在以上任一問題中的回答結果為“否”，則認為受訪者的運動能力存在一定程度的缺陷，反之則認為受訪者的運動能力正常。
（三）模型與描述性統(tǒng)計
1. 基本回歸模型
3. 主要變量的描述性統(tǒng)計
表1中匯報了本文在回歸過程中使用到的主要變量的描述性統(tǒng)計結果。從個體層面來看，本文使用的樣本中來自城鎮(zhèn)的樣本約為46.0%，男性占比為51.3%，漢族比例達到91.1%，受訪者的平均年齡在39-40歲之間，教育程度為文盲與高中以上的比例分別為21.4%和23.4%，身體質(zhì)量指數(shù)（Body Mass Index）處于良好狀態(tài)的個體占比62.4%；從家庭層面來說，受訪者的已婚率達到86.9%，兄弟姐妹數(shù)量平均為2.77個，家庭成員數(shù)量平均為4.32個，子女數(shù)量平均為1.47個，父親健在的比例為59.3%，母親健在的比例為72.8%。
三、實證結果
（一）基本回歸結果
本文首先利用OLS模型實證檢驗抑郁傾向?qū)τ趥€人收入的影響，并逐步加入控制變量和地區(qū)固定效應，得到如表2所示的基本回歸結果。表2中的（1）列顯示了僅考慮抑郁傾向即CES-D得分的單變量回歸結果，（2）列顯示了加入控制變量后的回歸結果，（3）列顯示了同時加入控制變量及地區(qū)固定效應后的回歸結果。
可以看出，無論是單變量回歸還是加入控制變量及地區(qū)固定效應后的回歸，抑郁傾向?qū)趧邮杖攵季哂酗@著的負向影響。具體來說，表2的（3）列顯示，在控制了性別、年齡等控制變量以及地區(qū)固定效應后，抑郁傾向?qū)?shù)收入的系數(shù)為﹣0.07，這意味著抑郁傾向得分每增加1分，對數(shù)收入會減少0.07，相當于對數(shù)收入的0.02個標準偏移，說明抑郁傾向顯著減少了個人勞動收入。但由于低收入在一定程度上會影響到勞動者的生存境況和生活質(zhì)量、加重勞動者的焦慮情緒和對工作生活的不滿意進而引發(fā)抑郁傾向，即抑郁傾向與收入之間存在雙向因果關系，因而導致基本回歸模型結果存在偏差。為解決這一問題，我們在后續(xù)的分析中利用LASSO方法構造工具變量，排除收入對抑郁傾向的反向因果干擾。此外，從基本回歸結果中還可以看出，控制變量中屬于個人背景的性別、年齡、受教育情況和居住地位于城市還是鄉(xiāng)村以及屬于家庭背景的子女個數(shù)也對收入具有顯著影響。
除了使用勞動收入作為被解釋變量用以識別抑郁傾向的影響外，本文出于回歸的穩(wěn)健性考慮，對被解釋變量進行了變量重設。對個人來說，工作是獲得勞動收入的最重要的途徑，工資也是勞動收入中最重要的部分，因而可以用受訪者是否就業(yè)作為替代變量，利用Logit模型和Probit模型進行回歸分析。相關回歸結果如表3所示。表3中（1）列表示Probit模型單變量回歸結果，（2）列表示Probit模型中加入控制變量和地區(qū)固定效應后的回歸結果。第（3）列為Logit模型單變量回歸結果，第（4）列為Logit模型中加入控制變量和地區(qū)固定效應后的回歸結果。從邊際效應看出，在兩種模型中，抑郁傾向?qū)趧訁⑴c都具有顯著的負影響。抑郁得分每增加一分，個人參與勞動的概率將減少0.034，在考慮到控制變量和地區(qū)固定效應的影響情況下，個人參與勞動的概率將減少0.026。穩(wěn)健性檢驗結果表明抑郁傾向?qū)@著降低個人參與勞動的意愿，因而會對個人收入產(chǎn)生負面影響。這與基本回歸模型的結論一致。說明本文的結論具有穩(wěn)健性，并不隨著變量和模型的改變而變化。
（二）內(nèi)生性問題及識別策略
由于個人情緒狀況與收入之間通常存在著較為明顯的雙向因果關系（羅楚亮，2009；魯元平、王韜，2010），因此在進行抑郁傾向?qū)τ趧趧邮杖氲囊蚬R別時面臨著潛在的內(nèi)生性問題。為了解決此類問題，目前相關研究大都使用工具變量法以得到更為準確的估計結果。前述文獻綜述中對于現(xiàn)有文獻中的工具變量進行了概括，指出童年時期患有心理疾病的經(jīng)歷、在接受調(diào)查前三個月的心理健康狀況、前期的抑郁傾向、父母的心理疾病史、過去一年是否有親密朋友去世、宗教信仰、社會支持、體育鍛煉頻率和壓力事件等均可被用作個人抑郁狀況的工具變量用以衡量。如此眾多的工具變量足以說明目前的實證文獻中關于工具變量的選擇實際上缺乏統(tǒng)一標準。Belloni et al.（2012）在利用機器學習中的LASSO回歸進行工具變量選擇的時候同樣指出，目前實證研究中采用的工具變量大多依靠直覺設立，這種依靠先驗的判斷而非一定的客觀標準來選擇工具變量的方法通常無法保證估計結果的準確度。尤其是在存在較多可供選擇的工具變量時，一些工具變量的估計結果理應優(yōu)于另外一些工具變量的估計結果，然而傳統(tǒng)的計量經(jīng)濟學方法往往對這些工具變量的有效性缺乏衡量的標準。
在進行工具變量回歸時，本文參考Belloni et al.（2012）的做法，對于第一階段進行LASSO回歸，選擇對內(nèi)生解釋變量影響最大的外生變量作為工具變量，以保證本文使用的工具變量具有盡可能好的準確性。具體來說，本文使用的工具變量及相關定義見表4。
值得一提的是，關于社會支持的定義中，Hamilton et al.（1997）和Ojeda et al.（2009）均提到使用一組相關問題加總的方式來匯總計算社會支持得分，但是計算加總得分的方式忽略了不同問題可能對抑郁傾向的影響能力不同的情況，容易使得工具變量的預測能力下降，因此本文利用LASSO方法直接篩選出其中對于抑郁傾向預測能力最強的變量作為工具變量。此外，由于各解釋變量可能并非是與抑郁狀況直接相關，而是通過變量間相互作用的方式才對抑郁狀況產(chǎn)生影響，因此交互項的引入可以擴大工具變量的選擇范圍，在較大程度上提高工具變量第一階段的準確性。圖1和圖2分別表示了在不考慮交乘項以及考慮交乘項時工具變量篩選的結果。根據(jù)前述定義，us值越高，意味著該變量在對抑郁傾向的解釋中越重要，因此本文在工具變量回歸中分別使用圖1和圖2中篩選出來的對抑郁傾向解釋能力最強的外生變量作為工具變量，相關結果匯報在表5中。
表5中的（1）-（3）列是利用已有文獻中的工具變量得到的回歸結果，（4）和（5）列則是使用LASSO方法篩選出的工具變量得到的回歸結果。從回歸結果中可以看出，利用已有文獻中的工具變量進行第一階段回歸時Cragg-F值均小于10，存在弱工具變量問題，從而使得第二階段結構式的估計存在較大的偏差。因此，為了提升工具變量在第一階段的估計性能，本文使用LASSO方法篩選得到外生變量social_2作為工具變量，得到（4）列的估計結果，可以看出第一階段的Cragg-F值得到了顯著提升，達到40.028，同時第二階段結構式估計中參數(shù)的標準差也大大減小，意味著工具變量估計結果的準確度有較大的提升。此外，（4）列的估計結果也表明在克服內(nèi)生性問題的情況下，抑郁傾向依然對個人收入存在顯著的負向影響。在考慮了對單變量進行工具變量篩選后，本文還使用LASSO方法對表4中的11個外生變量及其兩兩交乘項共計66個變量進行篩選，得到變量social_1和social_2的交乘項對抑郁傾向的解釋能力最強，因此本文使用兩者交乘得到的變量social_1_2作為工具變量進行參數(shù)估計，所得到的結果匯報在（5）列中。從中可以看出，在使用第一階段解釋能力更強的工具變量后，抑郁傾向?qū)€人收入的影響依然顯著為負，而第一階段的Cragg-F值得到了進一步的提高，達到48.552，同時第二階段結構式估計中參數(shù)的標準差也相對小于（4）列中的估計結果，因此本文后續(xù)使用交乘變量social_1_2作為工具變量，進行異質(zhì)性分析中的參數(shù)估計。
（三）異質(zhì)性分析
在中共中央、國務院于2016年頒布實施的《“健康中國2030”規(guī)劃綱要》中，明確提出“要堅持共建共享、全民健康……突出解決好婦女兒童、老年人、殘疾人、流動人口、低收入人群等重點人群的健康問題”。通常來說，個人背景往往決定了個體受抑郁傾向的影響程度，而了解不同群體對于抑郁問題的敏感程度，有利于更加準確地制定相關政策，用以針對特定人群開展社會保障工作。
由于生活環(huán)境和工作背景不同，城市勞動者與農(nóng)村勞動者在勞動收入（羅楚亮等，2018；陳浩等，2016）和社會保障等方面存在差異，受心理疾病和抑郁傾向影響的可能性和程度也存在差異。考慮到這一點，本文對抑郁傾向?qū)€人勞動收入的城鄉(xiāng)異質(zhì)性效應進行了檢驗，表6顯示了分析結果?？梢钥闯?，無論是城市樣本還是農(nóng)村樣本，抑郁傾向?qū)κ杖刖a(chǎn)生顯著的負面影響。對于城市樣本，抑郁傾向每增加1分，對數(shù)收入將減少1.531，相當于對數(shù)收入的0.210個標準偏移，而對于農(nóng)村樣本，抑郁傾向每增加1分，對數(shù)收入將減少2.376，相當于對數(shù)收入的0.326個標準偏移。因此，抑郁傾向?qū)κ杖氲呢撓蛴绊懺谵r(nóng)村居民身上更加明顯，一個可能的解釋是，相對于城市居民，農(nóng)村居民對于個人的心理健康狀況給予的關注更少，當面臨心理健康問題時難以通過有效途徑減少其對個人生活產(chǎn)生的負面影響，因而會使得其抑郁傾向?qū)κ杖刖哂懈黠@的負面影響。
此外，受“男主外，女主內(nèi)”的傳統(tǒng)觀念的影響，在目前的社會勞動分工中，男性從事的工作多為外向型的，需要更多地進入到社會環(huán)境中或者與外界建立更多的聯(lián)系，而女性則更多地承擔了照顧家庭的責任，在擇業(yè)時也會考慮到兼顧家庭的需要。工作屬性的不同導致了男性和女性的勞動收入受抑郁傾向的影響存在差異。表7中顯示了抑郁傾向?qū)趧邮杖胗绊懙男詣e異質(zhì)性分析結果。結果顯示，抑郁傾向?qū)δ行詷颖镜氖杖刖哂酗@著的負面影響，抑郁傾向每增加1分，男性對數(shù)收入將減少1.860，相當于對數(shù)收入的0.255個標準偏移，而對女性樣本的收入的影響則相對較弱，這與高晶晶等學者（2018）的研究結果一致。出現(xiàn)這種現(xiàn)象的原因在于，平均來說，男性要承擔養(yǎng)家糊口的重任，比女性承受的工作壓力更大，且工作屬性決定了男性的社交需求也更大，因此其勞動受抑郁傾向的影響也更顯著，所以勞動收入下降更大。
在出現(xiàn)抑郁傾向時及時察覺并采取有效的措施，對避免和緩解抑郁傾向?qū)ψ陨碓斐傻牟焕绊懢哂兄匾饔?。而通常情況下，受教育程度越高的勞動者，其知識儲備和獲取知識的能力相對也越高。抑郁傾向?qū)Σ煌芙逃降膭趧诱叩挠绊懣赡艽嬖诓町?。同時，受教育程度較高的勞動者，其從事的工作多為腦力勞動，而受教育程度越低的勞動者，其從事的勞動多為體力勞動，抑郁傾向?qū)δX力勞動和體力勞動的影響也可能存在差異。因而本文按照是否具有高中學歷，將全體樣本分成了高中以下學歷和高中及以上兩組，考察抑郁傾向?qū)Σ煌芙逃降膭趧诱呤杖氲挠绊懙牟町?。?顯示了分析結果。從結果來看，抑郁傾向?qū)Ω咧幸韵聦W歷的人群的收入具有顯著的負效應，抑郁傾向得分每增加1分，對數(shù)收入減少2.428，相當于對數(shù)收入的0.333個標準偏移，而抑郁傾向?qū)Ω咧屑耙陨蠈W歷人群的收入并無顯著影響。上述結果說明抑郁傾向?qū)w力勞動的影響更為顯著，且高中及以上學歷人群由于受教育程度更高，能夠更及時地察覺到自己存在抑郁傾向，并且能夠更主動和更有效地采取恰當?shù)拇胧缱晕遗沤饣蛘邔で笮睦磲t(yī)生的幫助等，降低抑郁傾向?qū)€人勞動能力和勞動收入的影響。
由于不同年齡階段的勞動者成長環(huán)境不同、在社會勞動中的分工不同，因此受抑郁傾向的影響應當也會存在差異。面對抑郁癥人群逐漸向低齡化發(fā)展的趨勢，分析其對不同年齡段群體的勞動收入影響具有十分重要的意義。本文以44歲為分界線，將全樣本分為44歲及以下的青年組和44歲以上的中老年組，考察了抑郁傾向?qū)Σ煌挲g階段的勞動者收入的影響，如表9所示。抑郁傾向?qū)δ挲g在44歲及以下的青年組具有顯著的負面效應，抑郁傾向得分每增加1分，對數(shù)收入減少2.589，相當于對數(shù)收入的0.355個標準偏移，而對年齡在44歲以上的中老年組則沒有顯著的影響。這可能是因為與父輩相比，青年一代雖然擁有優(yōu)越的生活條件和成長環(huán)境，但在急速變遷的時代其面臨的風險和不確定性也隨之增加，在難以形成有效舒緩機制的情況下，其受抑郁傾向的影響更為顯著。
（四）機制分析
已有的研究結果表明，抑郁傾向主要通過兩種途徑影響個人勞動收入：其一，抑郁傾向作為一種心理疾病，會對患者的精神狀況及身體狀況產(chǎn)生影響。由心理健康問題導致的缺勤會影響員工的工作進展和工作質(zhì)量，長期欠佳的精神狀況也會影響員工的工作能力和處理日常事務的能力，降低員工的決策能力和溝通能力，從而導致效率損失，并導致勞動收入下降（Lerner et.al， 2005； Goetzel et.al， 2002； Evans-Lacko， 2016）。其二，抑郁傾向會導致心情沮喪，加深對現(xiàn)實生活的失望和不滿，降低患者的社交意愿和能力，并通過影響患者的社交關系進而影響患者的勞動供給行為與勞動收入（Mullahy and Sindelar， 1993；Souvik B. et.al， 2017）。
為進一步考察和驗證抑郁傾向?qū)€人勞動收入的影響機制，在參考已有研究的基礎上，本文選用了受訪者的自評人際關系得分、受訪者的社交意愿及受訪者的運動能力三個變量作為機制變量進行回歸分析。其中，自評人際關系得分、社交意愿可通過影響受訪者的社交關系網(wǎng)絡和所擁有的社會資本狀況來影響受訪者的勞動收入，受訪者的運動能力則直接通過影響受訪者的勞動能力來影響其收入。
表10的（1）列顯示了抑郁傾向?qū)κ茉L者自評人際關系得分的回歸結果。（2）列顯示了抑郁傾向?qū)κ茉L者社交意愿的回歸結果，（3）列顯示了抑郁傾向?qū)κ茉L者運動能力的回歸結果?？梢钥闯觯钟魞A向與受訪者的自評人際關系得分、社交意愿具有顯著的負相關關系，與缺乏運動能力具有顯著的正相關關系。說明抑郁傾向越高，受訪者的自評人際關系得分越低，社交意愿也越低，而運動能力的受損程度也越高。由于抑郁傾向會使得人們對自身及他人抱有消極態(tài)度，加深自卑感及對人際交往的恐懼感，從而影響人們的社交關系網(wǎng)絡以及社會資本的形成與積累，同時，當抑郁傾向加重時會影響到人們的身體機能，從而降低人們的運動和勞動能力。在上述社會資本與勞動能力受到雙重損害的情況下，抑郁傾向會使得個人的勞動收入出現(xiàn)顯著下降。此外，從回歸結果的顯著性水平還可以看出，抑郁傾向?qū)ψ栽u人際關系得分和運動能力的影響都在1%的水平上顯著，而對社交意愿的影響只在10%的水平上顯著，說明相比于社交意愿，抑郁傾向影響人們的人際關系和運動能力進而影響到勞動收入是更為主要和顯著的傳導機制。
四、結 論
運用2010年中國家庭追蹤調(diào)查數(shù)據(jù)，本文就抑郁傾向?qū)趧邮杖氲挠绊懻归_研究，以便更精確地了解和把握當下日益突出的抑郁癥問題對個人和社會產(chǎn)生的影響。結果顯示，抑郁傾向顯著地降低了個人的勞動收入。同時，在使用勞動參與替代勞動收入運用Proit和Logit兩種模型進行穩(wěn)健性檢驗時，結果與基本回歸結果一致，即抑郁傾向顯著降低了個人的勞動參與狀況，說明本文的研究結論不隨解釋變量和模型設定的變化而改變。此外，為了克服勞動收入與抑郁傾向之間潛在的雙向因果關系帶來的內(nèi)生性問題，本文使用LASSO回歸方法篩選工具變量，相比于傳統(tǒng)的工具變量法得到了更為準確、精確度更高的因果識別結果。在異質(zhì)性分析方面，本文從城鄉(xiāng)、性別、年齡和受教育情況四個方面來討論，從而保證本文的結果能夠?qū)σ钟魞A向的異質(zhì)性效應得到比較全面的探索。從城鄉(xiāng)差異來看，抑郁傾向城鄉(xiāng)居民的收入的影響都顯著為負，但對農(nóng)村居民的影響程度更大。從性別差異來看，抑郁傾向?qū)δ行允杖氲挠绊戯@著為負，而對女性收入的影響則相對較小。從年齡差異來看，抑郁傾向?qū)η嗄耆后w收入的影響顯著為負，對中老年群體收入的影響并不顯著。從受教育情況差異來看，抑郁傾向?qū)Ω咧幸韵碌牡蛯W歷群體具有顯著的影響，而對高中及以上學歷的相對高學歷群體并沒有顯著的影響。出現(xiàn)上述差異的原因主要是，不同類型的個體所面臨的壓力、成長環(huán)境和承受能力、社交需求狀況以及緩解和控制抑郁傾向方面的能力存在差異，從而導致了抑郁傾向?qū)€體收入的影響程度存在著一定的差別。
綜上，在中國經(jīng)濟高速增長的過程中，心理健康狀況仍然對個人的勞動參與和工作收入產(chǎn)生著明顯的影響。在參考國家《“健康中國2030”規(guī)劃綱要》的基礎上，本文認為政府應當高度重視抑郁傾向?qū)€人和社會帶來的不利影響，加大全民心理健康科普宣傳力度，加強對抑郁癥、焦慮癥等常見精神障礙和心理行為問題的干預，加大對重點人群心理問題早期發(fā)現(xiàn)和及時干預力度，積極幫助和引導具有抑郁傾向的人們降低和擺脫抑郁帶來的困擾和危害，尤其需要重點關注農(nóng)村居民以及受教育程度較低的青年群體，從而在全面建成小康社會的新時期，防止由于抑郁傾向而導致的貧困問題的發(fā)生，切實提升人民群眾的幸福感，使人民群眾充分享受到高質(zhì)量的生活。此外，對于罹患抑郁癥等心理疾病的相關人群，也應當建立起較為長效和針對性的醫(yī)療保障、社會保障機制，加強市級統(tǒng)籌，制度設計以控制抑郁癥治療費用上漲（付明衛(wèi)等，2020），減輕抑郁傾向?qū)€人帶來的經(jīng)濟壓力，從而大幅提高全民健康水平。
參考文獻
[1] 陳浩，孫斌棟. 工資水平、就業(yè)機會與人口流動——基于分位數(shù)回歸的實證分析[J].產(chǎn)業(yè)經(jīng)濟評論，2016（05）：105-115.
[2] 付明衛(wèi)，王普鶴，趙嘉珩，朱恒鵬. 市級統(tǒng)籌、制度設計與醫(yī)?？刭M[J]. 產(chǎn)業(yè)經(jīng)濟評論，2020（06）：53-69.
[3] 高晶晶，朱逸杉，王霞. 抑郁傾向?qū)χ袊欣夏耆后w勞動參與的影響——基于CHARLS面板數(shù)據(jù)的實證分析[J]. 勞動經(jīng)濟研究，2018，6（1）：63-80.
[4] 羅楚亮，曹思未. 地區(qū)差距與中國居民收入差距（2002-2013）[J].產(chǎn)業(yè)經(jīng)濟評論，2018（03）：35-53.
[5] 羅楚亮. 絕對收入、相對收入與主觀幸福感——來自中國城鄉(xiāng)住戶調(diào)查數(shù)據(jù)的經(jīng)驗分析[J].財經(jīng)研究， 2009，35（11）：79-91.
[6] 魯元平，王韜. 主觀幸福感影響因素研究評述[J].經(jīng)濟學動態(tài)，2010（5）：125-130.
[7] Agnew R. Foundation for A General Strain Theory of Crime and Delinquency[J]. Criminology， 1992， 30（1）， 47-88.
[8] Alexandre P， Michael F. Labor Supply of Poor Residents in Metropolitan Miami， Florida： The Role of Depression and The Co-morbid Effects of Substance Use[J]. Journal of Mental Health Policy Economics， 2001， 4（4）， 161-173.
[9] Athey S， Wager S. Estimating Treatment Effects with Causal Forests： An Application. [J]， arXiv preprint， 2019， arXiv：2001.09887.
[10] Banerjee S， Chatterji P， Lahiri K. Effects of Psychiatric Disorders on Labor Market Outcomes： A Latent Variable Approach Using Multiple Clinical Indicators[J]. Health Economics， 2015， 26： 184-205
[11] Belloni A， Chen D， Chernozhukov V， et al. Sparse Models and Methods for Optimal Instruments with An Application to Eminent Domain[J]. Econometric， 2012， 80（6）： 2369-2429.
[12] Bruce M， Takeuchi DT ， Leaf P. Poverty and Psychiatric Status： Longitudinal Evidence From the New Haven Epidemiologic Catchment Area Study[J]. Arch Gen Psychiatry， 1991， 48（5）：470-474.
[13] Chatterji P ， Margarita a， Lu M， et al. Psychiatric Disorders and Labor Market Outcomes： Evidence from the National Latino and Asian American Study[J]. Health Economics， 2007，16（10） ：1069-1690.
[14] Chernozhukov V， Hansen C， SPINDLER M. Valid Post-Selection and Post-Regularization Inference： An Elementary， General Approach[J]. Annual Review of Economics， 2015， 7（1）：649-688.
[15] Doshi J， Cen L， Daniel P. Depression and Retirement in Late Middle-Aged U.S. Workers[J]. Health Services Research， 2008， 43（2）： 693-713.
[16] Doudchenko N， Imbens G. Balancing， Regression， Difference-In-Differences and Synthetic Control Methods： A Synthesis[J]. Nber Working Papers， 2016.
[17] Ettner S， Richard G， Ronald C. The Impact of Psychiatric Disorders on Labor Market Outcomes[J]. Industrial and Labor Relations Review， 1997， 51（1）： 64–81.
[18] Evans-Lacko S， Knapp M. Global patterns of workplace productivity for people with depression： absenteeism and presenteeism costs across eight diverse countries[J]. Soc Psychiatry Psychiatr Epidemiol， 2016， 51（11）：1525-1537.
[19] Frijters P， Johnston D， Shields M. Mental Health and Labour Market Participation： Evidence from IV Panel Data Models[J]. IZA Discussion Papers， 2010.
[20] Goetzel R， Ozminkowski R， Sederer L， et al. The business case for quality mental health services： Why employers should care about the mental health and well-being of their employees[J]. Journal of Occupational & Environmental Medicine， 2002， 44（4）：320-330.
[21] Hamilton V， Merrigan P， Dufresne E. Down and out： estimating the relationship between mental health and unemployment[J]. Health Economics， 1997， 6（4）：397-406.
[22] Hendershott A. Residential Mobility， Social Support， and Adolescent Self-Concept[J]. Adolescence， 1989， 24（93）：217-232.
[23] Hollingshead A， Redlich F. Social Class and Mental Illness： A Community Study[J]. American Journal of Public Health， 2007， 97（10）：1756-1757.
[24] Holzer C， Shea B， Swanson J， et al. The increased risk for specific psychiatric disorders among persons of low socioeconomic status[J]. The American journal of social psychiatry， 1986， 6（4）：259-271.
[25] Karpansalo M， Kauhanen J， LAKKA T， et al. Depression and early retirement： prospective population based study in middle aged men[J]. J Epidemiol Community Health， 2005， 59（1）：70-74.
[26] Kessler R， Akiskal H， Ames M， et al. Prevalence and Effects of Mood Disorders on Work Performance in a Nationally Representative Sample of U.S. Workers[J]. American Journal of Psychiatry， 2006， 163（9）：1561-1568.
[27] Lerner D， Adler D， Chang H， et al. Unemployment， Job Retention， and Productivity Loss Among Employees With Depression[J]. Psychiatric Services， 2005， 55（12）：1371-1378.
[28] Marcotte D， Wilcox-Gok V， Redmon D. The Labor Market Effects of Mental Illness： The Case of Affective Disorders[J]. Research in Human Capital & Development， 2000， 13：181-210.
[29] Mullahy J， Sindelar J. Alcoholism， work and income[J]. Journal of Labor Economics， 1993， 11： 494–520.
[30] Mullainathan S， Spiess J. Machine Learning： An Applied Econometric Approach[J]. Journal of Economic Perspectives， 2017， 31（2）：87-106.
[31] Mushkin S. Health as an Investment[J]. Journal of Political Economy， 1962， 70（5）： 129-157.
[32] Oishi S， Talhelm T. Residential Mobility： What Psychological Research Reveals[J]. Current Directions in Psychological Science， 2012， 21（6）：425-430.
[33] Ojeda V， Richard G， Thomas G， et al. Mental Illness， Nativity， Gender and Labor Supply[J]. Health Economics， 2009， 19（4）： 396-421.
[34] Raviv A， Keinan G， Yehuda A， et al. Moving as A Stressful Life Event for Adolescents[J]. Journal of Community Psychology， 1990， 18（2）： 130–140.
[35] Shi X， Wang K， Cheong T， et al. Prioritizing driving factors of household carbon emissions： An application of the LASSO model with survey data[J]. Energy Economics， 2020， 92： 1-13.
[36] World Health Organizaiton. World Health Statistics 2019： Monitoring health for the SDGs[R]. Geneva： WHO， 2019.
The Effect of Depression on Labor Income： Instrumental Variable Identification Based on LASSO Regression XIAOMING ZHANG
（School of Public Policy & Management， Tsinghua University）
DI XIANG
（School of Economics， University of Chinese Academy of Social Sciences）
SHENGLONG LIU
（Institute for China Study， Tsinghua University）
Abstract： This paper uses the data from China Family Panel Studies 2010（CFPS 2010） to empirically test the impact of residents depression tendency on labor income. The results show that depression tendency can significantly reduce residents labor income， and has a negative impact on individual employment. In order to solve the endogenous problem caused by the reverse causal relationship between personal mental status and income， this paper uses machine learning method to screen instrumental variables， which makes the estimation results of instrumental variables more accurate than traditional methods， and further verifies the negative impact of depression tendency on personal labor income. Heterogeneity analysis shows that male individuals， individuals in rural areas and young individuals are more seriously affected by depression tendency， and the decline of income is more significant. The improvement of education level can reduce the negative impact of depression tendency on income to a certain extent. Mechanism analysis shows that depressive tendency affects personal labor participation and income by inhibiting personal social ability and willingness and damaging personal labor ability.
Key Words： machine learning； labor income； instrumental variable； depression
〔執(zhí)行編輯：劉自敏〕
猜你喜歡
考慮勞動收入風險的多階段投資組合研究工業(yè)技術經(jīng)濟(2020年10期)2020-10-12 07:15:22 基于詞典與機器學習的中文微博情感分析電子技術與軟件工程(2016年22期)2016-12-26 21:36:42 基于機器學習的圖像特征提取技術在圖像版權保護中的應用科技創(chuàng)新與應用(2016年31期)2016-12-03 03:33:48 基于網(wǎng)絡搜索數(shù)據(jù)的平遙旅游客流量預測分析時代金融(2016年27期)2016-11-25 17:51:36 前綴字母為特征在維吾爾語文本情感分類中的研究科教導刊(2016年26期)2016-11-15 20:19:33 基于支持向量機的金融數(shù)據(jù)分析研究科學與財富(2016年28期)2016-10-14 21:19:17 機器學習理論在高中自主學習中的應用科教導刊·電子版(2016年10期)2016-06-02 18:04:11 市民化與個人勞動收入:外部性視角浙江大學學報(人文社會科學版)預印本(2016年4期)2016-02-28 12:13:50 資源誤配置對中國勞動收入份額的影響華南農(nóng)業(yè)大學學報(社會科學版)(2015年3期)2016-01-11 11:46:27 經(jīng)濟全球化對我國勞動收入份額影響機制研究——基于面板數(shù)據(jù)模型黨政干部學刊(2015年7期)2015-12-24 03:30:29
張曉明 向迪 劉生龍
摘 要：本文采用2010年中國家庭調(diào)查數(shù)據(jù)實證檢驗了居民抑郁傾向?qū)趧邮杖氲挠绊懀Y果表明抑郁傾向能顯著降低居民的勞動收入，對個人就業(yè)產(chǎn)生負向影響。為克服個人精神狀況與收入之間的反向因果關系所導致的內(nèi)生性問題，本文使用機器學習方法篩選工具變量，使得工具變量估計結果相比于傳統(tǒng)方法更加精確，進一步驗證了抑郁傾向?qū)€人勞動收入的負向影響。異質(zhì)性分析表明男性個體、位于農(nóng)村地區(qū)的個體、青年個體受到抑郁傾向的影響更為嚴重，收入下降程度更為顯著，而受教育程度的提高則能夠在一定程度上減少抑郁傾向給收入帶來的負面影響。機制分析表明，抑郁傾向通過抑制個人的社交能力與社交意愿、損害個人的勞動能力等方式來影響個人的勞動參與和勞動收入。
關鍵詞：機器學習；勞動收入；工具變量；抑郁傾向
健康作為人力資本的重要組成部分（Mushkin，1962），對人們的勞動和生產(chǎn)行為有著重要的影響。隨著經(jīng)濟的高速發(fā)展和醫(yī)療技術水平的顯著提高，人們的生理健康狀況已經(jīng)得到快速改善，2016年世界新生兒健康預期壽命已增至63.3歲，中國新生兒健康預期壽命增至68.7歲（WHO， 2019）。然而，與樂觀的生理健康前景相對應的，是人們在快節(jié)奏的現(xiàn)代生活中越來越突顯出的心理健康問題，尤其是抑郁癥問題。2017年WHO統(tǒng)計數(shù)據(jù)顯示，全球已有超過3億人患有抑郁癥，相當于世界總人口的4.4%，并且這一數(shù)字仍在不斷增加，其中中國抑郁癥患者約占世界比重的1/5。為了推進健康中國建設，提高人民健康水平，中共中央、國務院于2016年10月25日印發(fā)實施《“健康中國2030”規(guī)劃綱要》（簡稱“綱要”）?！熬V要”中指出健康是促進人的全面發(fā)展的必然要求，是經(jīng)濟社會發(fā)展的基礎條件。在促進心理健康工作方面，要加強對抑郁癥、焦慮癥等常見精神障礙和心理行為問題的干預，加大對重點人群心理問題早期發(fā)現(xiàn)和及時干預力度。
目前學界的相關研究表明，由抑郁癥帶來的身心健康和壽命的損傷會縮短患者的工作時間，降低工作能力及工作效率，進而抑制患者的勞動參與行為，降低患者的勞動收入（Ettner et.al，1997；Frijters et.al， 2010）。此外，抑郁癥作為一種疾病，不僅不利于人力資本的積累，減少勞動力市場上的勞動供給，同時還會引發(fā)治療費用以及間接費用等經(jīng)濟損失。由此可見，關注心理疾病對個人和社會帶來的經(jīng)濟影響是十分重要的。
然而，目前針對抑郁癥對個人和社會的影響的研究多以發(fā)達國家為研究對象，對發(fā)展中國家的研究較少，國內(nèi)關于心理健康狀況對經(jīng)濟效益的影響研究也相對較為缺乏?；诖?，本文采用CFPS2010數(shù)據(jù)，從微觀個體的角度出發(fā)，研究抑郁傾向?qū)€人收入的影響，尤其是對勞動收入的影響，從而對相關領域的研究進行補充。此外，由于個人勞動收入與心理健康之間存在較強的反向因果關系（Hollingshead and Redlich， 2007），為克服內(nèi)生性問題，本文采用工具變量法，并利用LASSO回歸挑選對于個人抑郁傾向影響程度較大的變量作為工具變量，克服了傳統(tǒng)方法通過先驗觀念而非科學方法構造工具變量的弊端，提升了模型的擬合效果，從而提高了研究結論的準確性和科學性。
本文后續(xù)部分的結構安排如下：第二部分介紹已有相關文獻的研究進展，第三部分介紹本研究采用的實證策略與描述性統(tǒng)計結果，第四部分介紹本文的主要實證結果，包括基本模型回歸結果、工具變量回歸結果、LASSO回歸結果和異質(zhì)性分析結果，第五部分為研究結論。
一、文獻綜述
本文的研究主要與兩類文獻相關，一類是分析心理健康狀況對個人勞動收入影響的研究，另一類是利用機器學習方法改善傳統(tǒng)計量方法，將機器學習用于輔助實證分析的相關研究。首先，心理健康與勞動收入相互關系的研究由來已久。早期的文獻集中于研究心理疾病與收入之間的反向相關性，這類文獻的研究表明在收入較低的群體中，產(chǎn)生心理健康問題的風險更高，貧困人群的心理疾病發(fā)病率相對高于非貧困人群（Hollingshead and Redlich， 2007；Holzer et.al， 1986； Bruce et.al， 1991）。近年來，隨著研究方法和技術的不斷提高和豐富，越來越多的文獻側重于考察心理健康對個人和社會的影響。具體來說，Ettner et.al（1997）指出心理疾病使得男性和女性的就業(yè)率降低了11%左右，并主要通過工資效應減少了個人收入。其次，心理疾病顯著縮短了人們的勞動時間，從而帶來了收入上的損失。已有研究表明，重度抑郁癥患病員工每年會損失27.2個工作日（Kessler，et.al，2006）。此外，在持久收入方面，與心理健康的人群相比，患有心理疾病的人群提前退休的風險更高（Doshi et al.， 2008），平均來說，抑郁癥患者的退休年齡比沒有抑郁癥的人要少1.5歲（Karpansalo et.al， 2005），這就使得心理疾病患者的持久收入要相對低于心理健康的群體。
在研究方法上，利用工具變量分離心理健康對勞動收入的影響是學者們常用的方法?，F(xiàn)有文獻中所使用的工具變量可以概括為以下三類：第一類是以研究對象過去的經(jīng)歷或者精神狀況，作為研究對象當期心理健康狀況的工具變量，考察其對研究對象當期的收入及勞動供給的影響。此類工具變量包括：童年時期患有心理疾病的經(jīng)歷（Ettner et al.， 1997；Chatterji et al.， 2007），在接受調(diào)查前三個月的心理健康狀況（Hamilton et al.， 1997），前期的抑郁傾向（高晶晶等，2018）。第二類是以研究對象的父母、親朋好友的健康狀況及經(jīng)歷，作為研究對象自身心理狀況的工具變量進行研究。此類工具變量包括：父母的心理疾病史（Ettner et al.， 1997；Marcotte et al.， 2000），過去一年是否有親密朋友去世（Frijters et.al ，2010）。第三類是與研究對象的心理狀況有關，但不影響其收入和勞動供給的社會和自身因素。此類工具變量包括：宗教信仰（Alexandre and French， 2001；Chatterji et al.， 2007），社會支持（Hamilton et al.， 1997；Alexandre and French， 2001；Ojeda et al.， 2009），體育鍛煉頻率和壓力事件（Hamilton et al.， 1997）。此外，在心理學上，居住流動性已被視為一種緊張的生活事件（Raviv et al.，1990），威脅到兒童的自我概念和自尊（Hendershott， 1989）。不僅如此，住宅的流動性還會導致焦慮、興奮和孤獨，以及較低的長期幸福感，而積極價值刺激的消除會導致緊張和攻擊性（Agnew， 1992；Oishi and Talhelm， 2012）。上述文獻表明，童年時的搬家經(jīng)歷對個人心理健康狀況具有一定的影響，因此，本文將童年時期是否有過搬家經(jīng)歷也作為了一個工具變量進行研究。
除了上述的相關研究外，近年來機器學習方法由于其具有較強的預測性能和泛化性能，被越來越多地應用于計量經(jīng)濟學領域進行實證分析和模型預測。Chernozhukov（2015）使用監(jiān)督學習中的LASSO算法來選擇對于影響結果變量的最重要的協(xié)變量進行控制以得到有效的估計結果。Mullainathan和Spiess（2017）通過對現(xiàn)有的機器學習算法進行介紹，指出其可以被應用于工具變量第一階段的回歸估計中，提高工具變量對被解釋變量的估計能力，從而解決弱工具變量問題。Athey和Wager（2019）利用監(jiān)督學習中的隨機森林方法，即通過有放回的隨機抽樣方式，在每次選擇一定數(shù)量協(xié)變量的情況下構造不同的模型樹，從而實現(xiàn)對平均處理效應的估計，并且對從不同的模型樹中得到的結果進行加和取平均值，即得到政策的平均處理效應異質(zhì)性的估計。Doudchenko和Imbens（2016）將機器學習中的LASSO算法應用于雙重差分過程中，不僅幫助篩選出重要的協(xié)變量，并且與合成控制法相結合，為處理組的每個單元從對照組中選出與之在協(xié)變量方面相匹配的最佳單元組合，通過加權方式構造與處理組最相似的單元集合。作者利用該方法對三篇雙重差分法的經(jīng)典文獻研究結果進行了重新計算，并發(fā)現(xiàn)使用機器學習方法能夠最大限度控制處理組與對照組之間的不平衡性，從而改善了估計結果。Shi et.al.（2020）利用LASSO算法篩選出對于家庭直接碳排放和間接碳排放最重要的影響因素，并指出這種關注“影響大小”而非僅僅關注“是否影響”的結果更有助于為政策制定者提供參考。Belloni（2012）利用LASSO方法篩選出對于法官判決影響程度最大的個人特征變量作為工具變量，顯著改善了工具變量估計性能，提高了工具變量估計結果的準確性和可靠性。
綜上，盡管現(xiàn)有文獻關于健康對個人勞動收入的影響已有較多討論，但仍然存在著一些不足，主要表現(xiàn)為：第一，目前國內(nèi)將健康作為人力資本，考察健康與收入和勞動參與之間的實證關系的研究大多是從生理健康的角度進行，或者只將心理健康作為健康評價指標體系的一個維度加以考察，表明了健康對收入增長以及勞動參與具有正面作用，而直接研究心理健康或者抑郁癥對收入及勞動參與影響情況的文獻相對較少。第二，雖然利用工具變量能在一定程度上緩解由心理健康和收入之間存在的雙向因果關系而導致的內(nèi)生性問題，但是由于影響個人收入的因素眾多而且作用機制復雜，傳統(tǒng)的計量方法不能很好地將眾多影響因素都納入模型中進行研究，在挑選變量方面也缺乏有效的選擇標準，具有一定的主觀性，從而會影響模型的擬合效果，降低結果的準確性和可信性。本文在后續(xù)的實證檢驗過程中，通過LASSO回歸篩選出對于個人抑郁傾向影響能力最強的變量作為工具變量，相比于傳統(tǒng)方法改善了工具變量的估計結果。
二、數(shù)據(jù)和模型
（一）數(shù)據(jù)來源
本文所使用的數(shù)據(jù)來自北京大學社會調(diào)查中心的中國家庭跟蹤調(diào)查（CFPS），該調(diào)查反映了中國社會、經(jīng)濟、人口、教育和健康的變遷，為學術研究和公共政策分析提供了可靠的數(shù)據(jù)來源。CFPS樣本覆蓋25個省/市/自治區(qū)，目標樣本規(guī)模為16 000戶，調(diào)查對象包含樣本家戶中的全部成員。該調(diào)查于2010年正式開展訪問，經(jīng)2010年基線調(diào)查界定出來的所有基線家庭成員將成為永久追蹤對象。由于2010年基線調(diào)查中保留的受訪者個人信息較為詳細，因此本文使用CFPS2010年調(diào)查數(shù)據(jù)作為樣本進行分析。此外，本文研究的重點為抑郁傾向?qū)τ趧趧邮杖氲挠绊懀虼耸褂肅FPS2010年成人問卷調(diào)查數(shù)據(jù)并排除60歲及以上的老年全體樣本數(shù)據(jù)。
（二）變量設定
本文的被解釋變量為個人收入，使用個人年度總收入的自然對數(shù)形式表示，為了排除極端值對回歸結果可能造成的影響，本文在1%和99%水平上對樣本進行縮尾處理，以保證回歸結果具有良好的可靠性。
本文的核心解釋變量為受訪者的抑郁得分，CFPS2010調(diào)查問卷使用美國流行病調(diào)查中心開發(fā)的抑郁癥量表CES-D簡化量表對居民抑郁狀況進行衡量，該量表要求受訪者匯報近一個月內(nèi)抑郁相關癥狀的發(fā)生頻率，主要包含六個問題：1.情緒沮喪、郁悶、做什么事都不能振奮；2.精神緊張；3.坐臥不安，難以保持平靜；4.感到未來沒有希望；5.做任何事都感到困難；6.認為生活沒有意義。對于上述六個問題的發(fā)生頻率分別為：1.幾乎每天；2.經(jīng)常；3.一半時間；4.有一些時候；5.從不。在問卷處理過程中，調(diào)查人員將上述抑郁癥狀依據(jù)頻率進行打分，并匯報了使用因子分析輸出的因子得分作為個人抑郁程度的得分，記為變量fdepression，由于因子得分越小通常意味著抑郁程度越嚴重，因此本文在回歸中對fdepression取相反數(shù)得到nfdepression變量，用來表示受訪者的抑郁程度，該指標越大則意味著受訪者的抑郁程度越嚴重。
本文的控制變量包括個人背景與家庭背景兩部分，其中個人背景包括城鄉(xiāng)分類、性別、年齡、民族、教育程度、身體健康狀況，家庭背景包括婚姻狀況、兄弟姐妹數(shù)量、家庭成員數(shù)量、子女數(shù)量、父母是否健在等變量。在回歸中引入上述變量可以控制不同個體之間的差異，實現(xiàn)對核心解釋變量的準確估計。
由于在識別抑郁傾向?qū)趧邮杖氲挠绊懙倪^程中，存在著較強的雙向因果關系，并由此導致OLS估計結果可能存在一定的偏誤，因此，本文在借鑒Belloni et al.（2012）文章的基礎上，將已有文獻中所使用的工具變量全部納入工具變量第一階段回歸中，并使用LASSO回歸進行篩選，保留對于第一階段結果影響最大的工具變量，在一定程度上提高第一階段估計值的準確度，從而提升工具變量的估計結果的可靠程度。
本文的機制變量包括受訪者的自評人際關系得分，受訪者的社交意愿及受訪者的運動能力，這些變量能夠通過影響受訪者的社會關系或者自身勞動能力來影響其收入，其中人際關系得分變量來自問題“您認為自己的人緣有多好”，該問題共有1-5分五個選項，用于受訪者匯報自身的人際關系狀況，得分越高意味著受訪者的自評人際關系越好。受訪者的社交意愿通過受訪者的社交時長來衡量，如果受訪者的社交時長高于平均水平，則認為該受訪者擁有更強烈的社交意愿，反之則認為受訪者的社交意愿相對較弱。受訪者自身的勞動能力通過CFPS2010問卷中關于受訪者運動能力的相關問題進行衡量，包括“雙手是否能夠接觸到頸根”“雙手是否能夠接觸到后腰”“坐一段時間后能否馬上從椅子上起來”“能否撿起地上的書”四個問題，如果受訪者在以上任一問題中的回答結果為“否”，則認為受訪者的運動能力存在一定程度的缺陷，反之則認為受訪者的運動能力正常。
（三）模型與描述性統(tǒng)計
1. 基本回歸模型
3. 主要變量的描述性統(tǒng)計
表1中匯報了本文在回歸過程中使用到的主要變量的描述性統(tǒng)計結果。從個體層面來看，本文使用的樣本中來自城鎮(zhèn)的樣本約為46.0%，男性占比為51.3%，漢族比例達到91.1%，受訪者的平均年齡在39-40歲之間，教育程度為文盲與高中以上的比例分別為21.4%和23.4%，身體質(zhì)量指數(shù)（Body Mass Index）處于良好狀態(tài)的個體占比62.4%；從家庭層面來說，受訪者的已婚率達到86.9%，兄弟姐妹數(shù)量平均為2.77個，家庭成員數(shù)量平均為4.32個，子女數(shù)量平均為1.47個，父親健在的比例為59.3%，母親健在的比例為72.8%。
三、實證結果
（一）基本回歸結果
本文首先利用OLS模型實證檢驗抑郁傾向?qū)τ趥€人收入的影響，并逐步加入控制變量和地區(qū)固定效應，得到如表2所示的基本回歸結果。表2中的（1）列顯示了僅考慮抑郁傾向即CES-D得分的單變量回歸結果，（2）列顯示了加入控制變量后的回歸結果，（3）列顯示了同時加入控制變量及地區(qū)固定效應后的回歸結果。
可以看出，無論是單變量回歸還是加入控制變量及地區(qū)固定效應后的回歸，抑郁傾向?qū)趧邮杖攵季哂酗@著的負向影響。具體來說，表2的（3）列顯示，在控制了性別、年齡等控制變量以及地區(qū)固定效應后，抑郁傾向?qū)?shù)收入的系數(shù)為﹣0.07，這意味著抑郁傾向得分每增加1分，對數(shù)收入會減少0.07，相當于對數(shù)收入的0.02個標準偏移，說明抑郁傾向顯著減少了個人勞動收入。但由于低收入在一定程度上會影響到勞動者的生存境況和生活質(zhì)量、加重勞動者的焦慮情緒和對工作生活的不滿意進而引發(fā)抑郁傾向，即抑郁傾向與收入之間存在雙向因果關系，因而導致基本回歸模型結果存在偏差。為解決這一問題，我們在后續(xù)的分析中利用LASSO方法構造工具變量，排除收入對抑郁傾向的反向因果干擾。此外，從基本回歸結果中還可以看出，控制變量中屬于個人背景的性別、年齡、受教育情況和居住地位于城市還是鄉(xiāng)村以及屬于家庭背景的子女個數(shù)也對收入具有顯著影響。
除了使用勞動收入作為被解釋變量用以識別抑郁傾向的影響外，本文出于回歸的穩(wěn)健性考慮，對被解釋變量進行了變量重設。對個人來說，工作是獲得勞動收入的最重要的途徑，工資也是勞動收入中最重要的部分，因而可以用受訪者是否就業(yè)作為替代變量，利用Logit模型和Probit模型進行回歸分析。相關回歸結果如表3所示。表3中（1）列表示Probit模型單變量回歸結果，（2）列表示Probit模型中加入控制變量和地區(qū)固定效應后的回歸結果。第（3）列為Logit模型單變量回歸結果，第（4）列為Logit模型中加入控制變量和地區(qū)固定效應后的回歸結果。從邊際效應看出，在兩種模型中，抑郁傾向?qū)趧訁⑴c都具有顯著的負影響。抑郁得分每增加一分，個人參與勞動的概率將減少0.034，在考慮到控制變量和地區(qū)固定效應的影響情況下，個人參與勞動的概率將減少0.026。穩(wěn)健性檢驗結果表明抑郁傾向?qū)@著降低個人參與勞動的意愿，因而會對個人收入產(chǎn)生負面影響。這與基本回歸模型的結論一致。說明本文的結論具有穩(wěn)健性，并不隨著變量和模型的改變而變化。
（二）內(nèi)生性問題及識別策略
由于個人情緒狀況與收入之間通常存在著較為明顯的雙向因果關系（羅楚亮，2009；魯元平、王韜，2010），因此在進行抑郁傾向?qū)τ趧趧邮杖氲囊蚬R別時面臨著潛在的內(nèi)生性問題。為了解決此類問題，目前相關研究大都使用工具變量法以得到更為準確的估計結果。前述文獻綜述中對于現(xiàn)有文獻中的工具變量進行了概括，指出童年時期患有心理疾病的經(jīng)歷、在接受調(diào)查前三個月的心理健康狀況、前期的抑郁傾向、父母的心理疾病史、過去一年是否有親密朋友去世、宗教信仰、社會支持、體育鍛煉頻率和壓力事件等均可被用作個人抑郁狀況的工具變量用以衡量。如此眾多的工具變量足以說明目前的實證文獻中關于工具變量的選擇實際上缺乏統(tǒng)一標準。Belloni et al.（2012）在利用機器學習中的LASSO回歸進行工具變量選擇的時候同樣指出，目前實證研究中采用的工具變量大多依靠直覺設立，這種依靠先驗的判斷而非一定的客觀標準來選擇工具變量的方法通常無法保證估計結果的準確度。尤其是在存在較多可供選擇的工具變量時，一些工具變量的估計結果理應優(yōu)于另外一些工具變量的估計結果，然而傳統(tǒng)的計量經(jīng)濟學方法往往對這些工具變量的有效性缺乏衡量的標準。
在進行工具變量回歸時，本文參考Belloni et al.（2012）的做法，對于第一階段進行LASSO回歸，選擇對內(nèi)生解釋變量影響最大的外生變量作為工具變量，以保證本文使用的工具變量具有盡可能好的準確性。具體來說，本文使用的工具變量及相關定義見表4。
值得一提的是，關于社會支持的定義中，Hamilton et al.（1997）和Ojeda et al.（2009）均提到使用一組相關問題加總的方式來匯總計算社會支持得分，但是計算加總得分的方式忽略了不同問題可能對抑郁傾向的影響能力不同的情況，容易使得工具變量的預測能力下降，因此本文利用LASSO方法直接篩選出其中對于抑郁傾向預測能力最強的變量作為工具變量。此外，由于各解釋變量可能并非是與抑郁狀況直接相關，而是通過變量間相互作用的方式才對抑郁狀況產(chǎn)生影響，因此交互項的引入可以擴大工具變量的選擇范圍，在較大程度上提高工具變量第一階段的準確性。圖1和圖2分別表示了在不考慮交乘項以及考慮交乘項時工具變量篩選的結果。根據(jù)前述定義，us值越高，意味著該變量在對抑郁傾向的解釋中越重要，因此本文在工具變量回歸中分別使用圖1和圖2中篩選出來的對抑郁傾向解釋能力最強的外生變量作為工具變量，相關結果匯報在表5中。
表5中的（1）-（3）列是利用已有文獻中的工具變量得到的回歸結果，（4）和（5）列則是使用LASSO方法篩選出的工具變量得到的回歸結果。從回歸結果中可以看出，利用已有文獻中的工具變量進行第一階段回歸時Cragg-F值均小于10，存在弱工具變量問題，從而使得第二階段結構式的估計存在較大的偏差。因此，為了提升工具變量在第一階段的估計性能，本文使用LASSO方法篩選得到外生變量social_2作為工具變量，得到（4）列的估計結果，可以看出第一階段的Cragg-F值得到了顯著提升，達到40.028，同時第二階段結構式估計中參數(shù)的標準差也大大減小，意味著工具變量估計結果的準確度有較大的提升。此外，（4）列的估計結果也表明在克服內(nèi)生性問題的情況下，抑郁傾向依然對個人收入存在顯著的負向影響。在考慮了對單變量進行工具變量篩選后，本文還使用LASSO方法對表4中的11個外生變量及其兩兩交乘項共計66個變量進行篩選，得到變量social_1和social_2的交乘項對抑郁傾向的解釋能力最強，因此本文使用兩者交乘得到的變量social_1_2作為工具變量進行參數(shù)估計，所得到的結果匯報在（5）列中。從中可以看出，在使用第一階段解釋能力更強的工具變量后，抑郁傾向?qū)€人收入的影響依然顯著為負，而第一階段的Cragg-F值得到了進一步的提高，達到48.552，同時第二階段結構式估計中參數(shù)的標準差也相對小于（4）列中的估計結果，因此本文后續(xù)使用交乘變量social_1_2作為工具變量，進行異質(zhì)性分析中的參數(shù)估計。
（三）異質(zhì)性分析
在中共中央、國務院于2016年頒布實施的《“健康中國2030”規(guī)劃綱要》中，明確提出“要堅持共建共享、全民健康……突出解決好婦女兒童、老年人、殘疾人、流動人口、低收入人群等重點人群的健康問題”。通常來說，個人背景往往決定了個體受抑郁傾向的影響程度，而了解不同群體對于抑郁問題的敏感程度，有利于更加準確地制定相關政策，用以針對特定人群開展社會保障工作。
由于生活環(huán)境和工作背景不同，城市勞動者與農(nóng)村勞動者在勞動收入（羅楚亮等，2018；陳浩等，2016）和社會保障等方面存在差異，受心理疾病和抑郁傾向影響的可能性和程度也存在差異。考慮到這一點，本文對抑郁傾向?qū)€人勞動收入的城鄉(xiāng)異質(zhì)性效應進行了檢驗，表6顯示了分析結果?？梢钥闯?，無論是城市樣本還是農(nóng)村樣本，抑郁傾向?qū)κ杖刖a(chǎn)生顯著的負面影響。對于城市樣本，抑郁傾向每增加1分，對數(shù)收入將減少1.531，相當于對數(shù)收入的0.210個標準偏移，而對于農(nóng)村樣本，抑郁傾向每增加1分，對數(shù)收入將減少2.376，相當于對數(shù)收入的0.326個標準偏移。因此，抑郁傾向?qū)κ杖氲呢撓蛴绊懺谵r(nóng)村居民身上更加明顯，一個可能的解釋是，相對于城市居民，農(nóng)村居民對于個人的心理健康狀況給予的關注更少，當面臨心理健康問題時難以通過有效途徑減少其對個人生活產(chǎn)生的負面影響，因而會使得其抑郁傾向?qū)κ杖刖哂懈黠@的負面影響。
此外，受“男主外，女主內(nèi)”的傳統(tǒng)觀念的影響，在目前的社會勞動分工中，男性從事的工作多為外向型的，需要更多地進入到社會環(huán)境中或者與外界建立更多的聯(lián)系，而女性則更多地承擔了照顧家庭的責任，在擇業(yè)時也會考慮到兼顧家庭的需要。工作屬性的不同導致了男性和女性的勞動收入受抑郁傾向的影響存在差異。表7中顯示了抑郁傾向?qū)趧邮杖胗绊懙男詣e異質(zhì)性分析結果。結果顯示，抑郁傾向?qū)δ行詷颖镜氖杖刖哂酗@著的負面影響，抑郁傾向每增加1分，男性對數(shù)收入將減少1.860，相當于對數(shù)收入的0.255個標準偏移，而對女性樣本的收入的影響則相對較弱，這與高晶晶等學者（2018）的研究結果一致。出現(xiàn)這種現(xiàn)象的原因在于，平均來說，男性要承擔養(yǎng)家糊口的重任，比女性承受的工作壓力更大，且工作屬性決定了男性的社交需求也更大，因此其勞動受抑郁傾向的影響也更顯著，所以勞動收入下降更大。
在出現(xiàn)抑郁傾向時及時察覺并采取有效的措施，對避免和緩解抑郁傾向?qū)ψ陨碓斐傻牟焕绊懢哂兄匾饔?。而通常情況下，受教育程度越高的勞動者，其知識儲備和獲取知識的能力相對也越高。抑郁傾向?qū)Σ煌芙逃降膭趧诱叩挠绊懣赡艽嬖诓町?。同時，受教育程度較高的勞動者，其從事的工作多為腦力勞動，而受教育程度越低的勞動者，其從事的勞動多為體力勞動，抑郁傾向?qū)δX力勞動和體力勞動的影響也可能存在差異。因而本文按照是否具有高中學歷，將全體樣本分成了高中以下學歷和高中及以上兩組，考察抑郁傾向?qū)Σ煌芙逃降膭趧诱呤杖氲挠绊懙牟町?。?顯示了分析結果。從結果來看，抑郁傾向?qū)Ω咧幸韵聦W歷的人群的收入具有顯著的負效應，抑郁傾向得分每增加1分，對數(shù)收入減少2.428，相當于對數(shù)收入的0.333個標準偏移，而抑郁傾向?qū)Ω咧屑耙陨蠈W歷人群的收入并無顯著影響。上述結果說明抑郁傾向?qū)w力勞動的影響更為顯著，且高中及以上學歷人群由于受教育程度更高，能夠更及時地察覺到自己存在抑郁傾向，并且能夠更主動和更有效地采取恰當?shù)拇胧缱晕遗沤饣蛘邔で笮睦磲t(yī)生的幫助等，降低抑郁傾向?qū)€人勞動能力和勞動收入的影響。
由于不同年齡階段的勞動者成長環(huán)境不同、在社會勞動中的分工不同，因此受抑郁傾向的影響應當也會存在差異。面對抑郁癥人群逐漸向低齡化發(fā)展的趨勢，分析其對不同年齡段群體的勞動收入影響具有十分重要的意義。本文以44歲為分界線，將全樣本分為44歲及以下的青年組和44歲以上的中老年組，考察了抑郁傾向?qū)Σ煌挲g階段的勞動者收入的影響，如表9所示。抑郁傾向?qū)δ挲g在44歲及以下的青年組具有顯著的負面效應，抑郁傾向得分每增加1分，對數(shù)收入減少2.589，相當于對數(shù)收入的0.355個標準偏移，而對年齡在44歲以上的中老年組則沒有顯著的影響。這可能是因為與父輩相比，青年一代雖然擁有優(yōu)越的生活條件和成長環(huán)境，但在急速變遷的時代其面臨的風險和不確定性也隨之增加，在難以形成有效舒緩機制的情況下，其受抑郁傾向的影響更為顯著。
（四）機制分析
已有的研究結果表明，抑郁傾向主要通過兩種途徑影響個人勞動收入：其一，抑郁傾向作為一種心理疾病，會對患者的精神狀況及身體狀況產(chǎn)生影響。由心理健康問題導致的缺勤會影響員工的工作進展和工作質(zhì)量，長期欠佳的精神狀況也會影響員工的工作能力和處理日常事務的能力，降低員工的決策能力和溝通能力，從而導致效率損失，并導致勞動收入下降（Lerner et.al， 2005； Goetzel et.al， 2002； Evans-Lacko， 2016）。其二，抑郁傾向會導致心情沮喪，加深對現(xiàn)實生活的失望和不滿，降低患者的社交意愿和能力，并通過影響患者的社交關系進而影響患者的勞動供給行為與勞動收入（Mullahy and Sindelar， 1993；Souvik B. et.al， 2017）。
為進一步考察和驗證抑郁傾向?qū)€人勞動收入的影響機制，在參考已有研究的基礎上，本文選用了受訪者的自評人際關系得分、受訪者的社交意愿及受訪者的運動能力三個變量作為機制變量進行回歸分析。其中，自評人際關系得分、社交意愿可通過影響受訪者的社交關系網(wǎng)絡和所擁有的社會資本狀況來影響受訪者的勞動收入，受訪者的運動能力則直接通過影響受訪者的勞動能力來影響其收入。
表10的（1）列顯示了抑郁傾向?qū)κ茉L者自評人際關系得分的回歸結果。（2）列顯示了抑郁傾向?qū)κ茉L者社交意愿的回歸結果，（3）列顯示了抑郁傾向?qū)κ茉L者運動能力的回歸結果?？梢钥闯觯钟魞A向與受訪者的自評人際關系得分、社交意愿具有顯著的負相關關系，與缺乏運動能力具有顯著的正相關關系。說明抑郁傾向越高，受訪者的自評人際關系得分越低，社交意愿也越低，而運動能力的受損程度也越高。由于抑郁傾向會使得人們對自身及他人抱有消極態(tài)度，加深自卑感及對人際交往的恐懼感，從而影響人們的社交關系網(wǎng)絡以及社會資本的形成與積累，同時，當抑郁傾向加重時會影響到人們的身體機能，從而降低人們的運動和勞動能力。在上述社會資本與勞動能力受到雙重損害的情況下，抑郁傾向會使得個人的勞動收入出現(xiàn)顯著下降。此外，從回歸結果的顯著性水平還可以看出，抑郁傾向?qū)ψ栽u人際關系得分和運動能力的影響都在1%的水平上顯著，而對社交意愿的影響只在10%的水平上顯著，說明相比于社交意愿，抑郁傾向影響人們的人際關系和運動能力進而影響到勞動收入是更為主要和顯著的傳導機制。
四、結 論
運用2010年中國家庭追蹤調(diào)查數(shù)據(jù)，本文就抑郁傾向?qū)趧邮杖氲挠绊懻归_研究，以便更精確地了解和把握當下日益突出的抑郁癥問題對個人和社會產(chǎn)生的影響。結果顯示，抑郁傾向顯著地降低了個人的勞動收入。同時，在使用勞動參與替代勞動收入運用Proit和Logit兩種模型進行穩(wěn)健性檢驗時，結果與基本回歸結果一致，即抑郁傾向顯著降低了個人的勞動參與狀況，說明本文的研究結論不隨解釋變量和模型設定的變化而改變。此外，為了克服勞動收入與抑郁傾向之間潛在的雙向因果關系帶來的內(nèi)生性問題，本文使用LASSO回歸方法篩選工具變量，相比于傳統(tǒng)的工具變量法得到了更為準確、精確度更高的因果識別結果。在異質(zhì)性分析方面，本文從城鄉(xiāng)、性別、年齡和受教育情況四個方面來討論，從而保證本文的結果能夠?qū)σ钟魞A向的異質(zhì)性效應得到比較全面的探索。從城鄉(xiāng)差異來看，抑郁傾向城鄉(xiāng)居民的收入的影響都顯著為負，但對農(nóng)村居民的影響程度更大。從性別差異來看，抑郁傾向?qū)δ行允杖氲挠绊戯@著為負，而對女性收入的影響則相對較小。從年齡差異來看，抑郁傾向?qū)η嗄耆后w收入的影響顯著為負，對中老年群體收入的影響并不顯著。從受教育情況差異來看，抑郁傾向?qū)Ω咧幸韵碌牡蛯W歷群體具有顯著的影響，而對高中及以上學歷的相對高學歷群體并沒有顯著的影響。出現(xiàn)上述差異的原因主要是，不同類型的個體所面臨的壓力、成長環(huán)境和承受能力、社交需求狀況以及緩解和控制抑郁傾向方面的能力存在差異，從而導致了抑郁傾向?qū)€體收入的影響程度存在著一定的差別。
綜上，在中國經(jīng)濟高速增長的過程中，心理健康狀況仍然對個人的勞動參與和工作收入產(chǎn)生著明顯的影響。在參考國家《“健康中國2030”規(guī)劃綱要》的基礎上，本文認為政府應當高度重視抑郁傾向?qū)€人和社會帶來的不利影響，加大全民心理健康科普宣傳力度，加強對抑郁癥、焦慮癥等常見精神障礙和心理行為問題的干預，加大對重點人群心理問題早期發(fā)現(xiàn)和及時干預力度，積極幫助和引導具有抑郁傾向的人們降低和擺脫抑郁帶來的困擾和危害，尤其需要重點關注農(nóng)村居民以及受教育程度較低的青年群體，從而在全面建成小康社會的新時期，防止由于抑郁傾向而導致的貧困問題的發(fā)生，切實提升人民群眾的幸福感，使人民群眾充分享受到高質(zhì)量的生活。此外，對于罹患抑郁癥等心理疾病的相關人群，也應當建立起較為長效和針對性的醫(yī)療保障、社會保障機制，加強市級統(tǒng)籌，制度設計以控制抑郁癥治療費用上漲（付明衛(wèi)等，2020），減輕抑郁傾向?qū)€人帶來的經(jīng)濟壓力，從而大幅提高全民健康水平。
參考文獻
[1] 陳浩，孫斌棟. 工資水平、就業(yè)機會與人口流動——基于分位數(shù)回歸的實證分析[J].產(chǎn)業(yè)經(jīng)濟評論，2016（05）：105-115.
[2] 付明衛(wèi)，王普鶴，趙嘉珩，朱恒鵬. 市級統(tǒng)籌、制度設計與醫(yī)?？刭M[J]. 產(chǎn)業(yè)經(jīng)濟評論，2020（06）：53-69.
[3] 高晶晶，朱逸杉，王霞. 抑郁傾向?qū)χ袊欣夏耆后w勞動參與的影響——基于CHARLS面板數(shù)據(jù)的實證分析[J]. 勞動經(jīng)濟研究，2018，6（1）：63-80.
[4] 羅楚亮，曹思未. 地區(qū)差距與中國居民收入差距（2002-2013）[J].產(chǎn)業(yè)經(jīng)濟評論，2018（03）：35-53.
[5] 羅楚亮. 絕對收入、相對收入與主觀幸福感——來自中國城鄉(xiāng)住戶調(diào)查數(shù)據(jù)的經(jīng)驗分析[J].財經(jīng)研究， 2009，35（11）：79-91.
[6] 魯元平，王韜. 主觀幸福感影響因素研究評述[J].經(jīng)濟學動態(tài)，2010（5）：125-130.
[7] Agnew R. Foundation for A General Strain Theory of Crime and Delinquency[J]. Criminology， 1992， 30（1）， 47-88.
[8] Alexandre P， Michael F. Labor Supply of Poor Residents in Metropolitan Miami， Florida： The Role of Depression and The Co-morbid Effects of Substance Use[J]. Journal of Mental Health Policy Economics， 2001， 4（4）， 161-173.
[9] Athey S， Wager S. Estimating Treatment Effects with Causal Forests： An Application. [J]， arXiv preprint， 2019， arXiv：2001.09887.
[10] Banerjee S， Chatterji P， Lahiri K. Effects of Psychiatric Disorders on Labor Market Outcomes： A Latent Variable Approach Using Multiple Clinical Indicators[J]. Health Economics， 2015， 26： 184-205
[11] Belloni A， Chen D， Chernozhukov V， et al. Sparse Models and Methods for Optimal Instruments with An Application to Eminent Domain[J]. Econometric， 2012， 80（6）： 2369-2429.
[12] Bruce M， Takeuchi DT ， Leaf P. Poverty and Psychiatric Status： Longitudinal Evidence From the New Haven Epidemiologic Catchment Area Study[J]. Arch Gen Psychiatry， 1991， 48（5）：470-474.
[13] Chatterji P ， Margarita a， Lu M， et al. Psychiatric Disorders and Labor Market Outcomes： Evidence from the National Latino and Asian American Study[J]. Health Economics， 2007，16（10） ：1069-1690.
[14] Chernozhukov V， Hansen C， SPINDLER M. Valid Post-Selection and Post-Regularization Inference： An Elementary， General Approach[J]. Annual Review of Economics， 2015， 7（1）：649-688.
[15] Doshi J， Cen L， Daniel P. Depression and Retirement in Late Middle-Aged U.S. Workers[J]. Health Services Research， 2008， 43（2）： 693-713.
[16] Doudchenko N， Imbens G. Balancing， Regression， Difference-In-Differences and Synthetic Control Methods： A Synthesis[J]. Nber Working Papers， 2016.
[17] Ettner S， Richard G， Ronald C. The Impact of Psychiatric Disorders on Labor Market Outcomes[J]. Industrial and Labor Relations Review， 1997， 51（1）： 64–81.
[18] Evans-Lacko S， Knapp M. Global patterns of workplace productivity for people with depression： absenteeism and presenteeism costs across eight diverse countries[J]. Soc Psychiatry Psychiatr Epidemiol， 2016， 51（11）：1525-1537.
[19] Frijters P， Johnston D， Shields M. Mental Health and Labour Market Participation： Evidence from IV Panel Data Models[J]. IZA Discussion Papers， 2010.
[20] Goetzel R， Ozminkowski R， Sederer L， et al. The business case for quality mental health services： Why employers should care about the mental health and well-being of their employees[J]. Journal of Occupational & Environmental Medicine， 2002， 44（4）：320-330.
[21] Hamilton V， Merrigan P， Dufresne E. Down and out： estimating the relationship between mental health and unemployment[J]. Health Economics， 1997， 6（4）：397-406.
[22] Hendershott A. Residential Mobility， Social Support， and Adolescent Self-Concept[J]. Adolescence， 1989， 24（93）：217-232.
[23] Hollingshead A， Redlich F. Social Class and Mental Illness： A Community Study[J]. American Journal of Public Health， 2007， 97（10）：1756-1757.
[24] Holzer C， Shea B， Swanson J， et al. The increased risk for specific psychiatric disorders among persons of low socioeconomic status[J]. The American journal of social psychiatry， 1986， 6（4）：259-271.
[25] Karpansalo M， Kauhanen J， LAKKA T， et al. Depression and early retirement： prospective population based study in middle aged men[J]. J Epidemiol Community Health， 2005， 59（1）：70-74.
[26] Kessler R， Akiskal H， Ames M， et al. Prevalence and Effects of Mood Disorders on Work Performance in a Nationally Representative Sample of U.S. Workers[J]. American Journal of Psychiatry， 2006， 163（9）：1561-1568.
[27] Lerner D， Adler D， Chang H， et al. Unemployment， Job Retention， and Productivity Loss Among Employees With Depression[J]. Psychiatric Services， 2005， 55（12）：1371-1378.
[28] Marcotte D， Wilcox-Gok V， Redmon D. The Labor Market Effects of Mental Illness： The Case of Affective Disorders[J]. Research in Human Capital & Development， 2000， 13：181-210.
[29] Mullahy J， Sindelar J. Alcoholism， work and income[J]. Journal of Labor Economics， 1993， 11： 494–520.
[30] Mullainathan S， Spiess J. Machine Learning： An Applied Econometric Approach[J]. Journal of Economic Perspectives， 2017， 31（2）：87-106.
[31] Mushkin S. Health as an Investment[J]. Journal of Political Economy， 1962， 70（5）： 129-157.
[32] Oishi S， Talhelm T. Residential Mobility： What Psychological Research Reveals[J]. Current Directions in Psychological Science， 2012， 21（6）：425-430.
[33] Ojeda V， Richard G， Thomas G， et al. Mental Illness， Nativity， Gender and Labor Supply[J]. Health Economics， 2009， 19（4）： 396-421.
[34] Raviv A， Keinan G， Yehuda A， et al. Moving as A Stressful Life Event for Adolescents[J]. Journal of Community Psychology， 1990， 18（2）： 130–140.
[35] Shi X， Wang K， Cheong T， et al. Prioritizing driving factors of household carbon emissions： An application of the LASSO model with survey data[J]. Energy Economics， 2020， 92： 1-13.
[36] World Health Organizaiton. World Health Statistics 2019： Monitoring health for the SDGs[R]. Geneva： WHO， 2019.
The Effect of Depression on Labor Income： Instrumental Variable Identification Based on LASSO Regression XIAOMING ZHANG
（School of Public Policy & Management， Tsinghua University）
DI XIANG
（School of Economics， University of Chinese Academy of Social Sciences）
SHENGLONG LIU
（Institute for China Study， Tsinghua University）
Abstract： This paper uses the data from China Family Panel Studies 2010（CFPS 2010） to empirically test the impact of residents depression tendency on labor income. The results show that depression tendency can significantly reduce residents labor income， and has a negative impact on individual employment. In order to solve the endogenous problem caused by the reverse causal relationship between personal mental status and income， this paper uses machine learning method to screen instrumental variables， which makes the estimation results of instrumental variables more accurate than traditional methods， and further verifies the negative impact of depression tendency on personal labor income. Heterogeneity analysis shows that male individuals， individuals in rural areas and young individuals are more seriously affected by depression tendency， and the decline of income is more significant. The improvement of education level can reduce the negative impact of depression tendency on income to a certain extent. Mechanism analysis shows that depressive tendency affects personal labor participation and income by inhibiting personal social ability and willingness and damaging personal labor ability.
Key Words： machine learning； labor income； instrumental variable； depression
〔執(zhí)行編輯：劉自敏〕
猜你喜歡
工業(yè)技術經(jīng)濟(2020年10期)2020-10-12 07:15:22
電子技術與軟件工程(2016年22期)2016-12-26 21:36:42
科技創(chuàng)新與應用(2016年31期)2016-12-03 03:33:48
時代金融(2016年27期)2016-11-25 17:51:36
科教導刊(2016年26期)2016-11-15 20:19:33
科學與財富(2016年28期)2016-10-14 21:19:17
科教導刊·電子版(2016年10期)2016-06-02 18:04:11
浙江大學學報(人文社會科學版)預印本(2016年4期)2016-02-28 12:13:50
華南農(nóng)業(yè)大學學報(社會科學版)(2015年3期)2016-01-11 11:46:27
黨政干部學刊(2015年7期)2015-12-24 03:30:29
