于長永 王 雯 李 孜

[提要]文章基于CGSS2013年、2015年、2017年和2019年四期混合截面數(shù)據，構建勞動力失業(yè)風險發(fā)生的脆弱性分析框架，采用Ordered Probit回歸模型，實證分析人力資本、勞動保護對勞動力失業(yè)風險的影響。研究發(fā)現(xiàn)，人力資本對勞動力失業(yè)風險的影響，不僅體現(xiàn)在健康狀況和教育程度，還體現(xiàn)在工作經驗和技能培訓。健康狀況越好、教育程度越高、工作經驗越豐富，勞動力的失業(yè)風險越低；參加技能培訓，能夠顯著降低勞動力的失業(yè)風險。勞動保護對勞動力失業(yè)風險有顯著的抑制作用，工作崗位的技術含量越高，擁有該崗位的勞動力的內在保護就越好，勞動力的可替代性就越低，失業(yè)風險也就越低。勞動合同為勞動力就業(yè)安全提供了外在保護，簽訂勞動合同的勞動力失業(yè)風險明顯更低。勞動力的失業(yè)風險呈現(xiàn)出顯著的性別、婚姻狀況、政治面貌差異和代際差異，男性、非在婚、非黨員和40-49歲的勞動力，失業(yè)風險更高?；谏鲜龇治鼋Y論，本文在提高勞動力人力資本、加強勞動力勞動保護和注重勞動力失業(yè)風險的個體差異等方面，提出了具有針對性的政策建議。

一、問題的提出

自德國社會學家貝克(Beck)于1986年首次提出“風險社會”的概念以來[1](P.14-26)，“風險社會”理論逐漸發(fā)展，影響力與日俱增，成為反思現(xiàn)代化、理解社會危機、研究現(xiàn)代社會個體行為與脆弱性的經典理論。吉登斯(Giddens)指出“現(xiàn)代性以前所未有的方式，把我們拋離了所有類型社會秩序的軌道”，“新的現(xiàn)代世界，不是因為它不可避免地駛向災難，而是因為它引入了前人不必面對的危險”[2](P.54-62)。失業(yè)風險是工業(yè)社會的典型風險，并伴隨工業(yè)社會技術進步、服務型經濟發(fā)展和就業(yè)的非標準化、彈性化等變遷而變得更加嚴峻。當前，中國正處于工業(yè)社會向后工業(yè)社會轉型，經濟增長由高速增長向高質量增長轉型的戰(zhàn)略機遇期，深入分析勞動力的失業(yè)風險及其影響因素，對有效防范和化解失業(yè)風險，強化就業(yè)優(yōu)先政策，實現(xiàn)更加充分更高質量的就業(yè)，不斷提升“民生三感”(獲得感、幸福感和安全感)具有重要的理論和現(xiàn)實意義。

回顧相關文獻不難發(fā)現(xiàn)，勞動力失業(yè)風險問題的研究明顯薄弱，不僅針對性文獻較少，而且研究對象、研究內容和研究數(shù)據都存在一定的局限性。已有研究集中在：(1)流動人口的失業(yè)率。陳怡蓁、陸杰華基于2015年流動人口監(jiān)測數(shù)據的研究表明失業(yè)率為2.48%。[3]楊凡等基于2015全國1%人口抽樣調查數(shù)據的研究表明失業(yè)率為4.94%。[4]楊勝利、姚健基于流動人口動態(tài)監(jiān)測數(shù)據的研究表明，2017年省際流動人口失業(yè)率為2.31%。[5](2)勞動力失業(yè)風險的影響因素。Christer研究表明教育、年齡、婚姻和種族對失業(yè)風險有顯著影響。[6]Ilaria研究表明婚姻破裂和工會解散對失業(yè)風險有顯著影響。[7]張艷華、沈琴琴研究表明男性、文化水平較低、年齡較低的農民工就業(yè)穩(wěn)定性較差，工資集體協(xié)商制度會促進農民工就業(yè)穩(wěn)定性。[8]朱若然、陳富貴發(fā)現(xiàn)男性、未婚、教育水平低、自雇就業(yè)比例和工業(yè)產值占比高的地區(qū)，勞動力失業(yè)概率相對較高。[9]徐瑋、楊云彥發(fā)現(xiàn)非農戶籍、家庭化遷移會提高流動人口失業(yè)概率，文化程度和流入地市場規(guī)模會降低流動人口失業(yè)概率。[10]楊凡等指出除了個體特征外，流入地、流出地以及流動過程也會對流動人口失業(yè)風險產生顯著影響。[4]郭榮飛發(fā)現(xiàn)對自己收入不合理的主觀評價會增加工作搜尋的動機進而增大失業(yè)風險。[11]Hannu等學者認為社會階層對失業(yè)風險有顯著影響。[12]楊勝利、姚健認為流動特征、個人特征和制度特征是省際流動人口失業(yè)風險上升的決定因素。[5](3)失業(yè)風險的社會經濟效應，包括儲蓄效應[13]、消費效應[14]和工資效應等。[15]

綜上所述，已有研究為本文提供了重要基礎，但也存在明顯的不足：(1)較多從失業(yè)率角度，關注宏觀層面“現(xiàn)實”的失業(yè)問題，較少從微觀個體角度關注“潛在”的失業(yè)風險。已有關于失業(yè)風險的研究對象主要集中在流動人口，難以把握勞動力失業(yè)風險的全貌。(2)較多分析人力資本對勞動力失業(yè)風險的影響，鮮有關注勞動保護對勞動力失業(yè)風險的影響。人力資本對勞動力失業(yè)風險的影響主要集中在健康狀況和教育程度，較少涉及“干中學”(工作經驗和技能培訓)。(3)失業(yè)風險測量方法有待拓展，已有研究采用失業(yè)率來反映失業(yè)風險是不夠全面的，因為風險的本質是不確定性，失業(yè)率是一種失業(yè)的確定性事實，用失業(yè)率反映失業(yè)風險難以體現(xiàn)風險的“不確定性”本質。鑒于已有研究存在的不足，本文利用CGSS2013年、2015年、2017年和2019年四期混合截面數(shù)據，實證分析人力資本、勞動保護對勞動力失業(yè)風險的影響，彌補已有研究存在的不足，并為政府有針對性地治理勞動力的失業(yè)風險問題提供經驗依據。

二、數(shù)據來源、概念測量與理論框架

(一)數(shù)據來源

數(shù)據來自中國綜合社會調查(CGSS)，該調查由中國人民大學中國調查與數(shù)據中心實施。調查從2003年開始，目前已經進行12次，但在過去的12次調查中，只有2013年、2015年、2017年和2019年四次調查涵蓋勞動力失業(yè)風險問題，本文使用的數(shù)據正是這四期調查數(shù)據。調查采用多階段分層概率抽樣方法，調查對象為18歲以上的中國居民，調查點涵蓋中國大陸絕大部分省、自治區(qū)、直轄市，其中，2013年、2015年和2019年涵蓋28個省級行政區(qū)，2017年涵蓋30個省級行政區(qū)。從樣本規(guī)?？矗?013年、2015年、2017年和2019年分別獲得有效樣本10206份、10243份、10143份和10243份。根據本文的研究對象，刪除被調查對象不適用、拒絕回答、回答不知道、年齡在60歲以上以及變量有缺失值的樣本，2013年、2015年、2017年和2019年分別獲得有效樣本2517份、1498份、2406份和2173份，以此構建包含8594個有效樣本的混合截面數(shù)據，描述性分析結果見表1。

表1 混合截面數(shù)據的描述統(tǒng)計

從樣本數(shù)據的性別結構看，男性勞動力占55.2%，女性勞動力占44.8%，這與2021年全國第七次人口普查數(shù)據公布的結果，即男性占51.24%、女性占48.76%的全國人口性別結構較為接近；從教育程度看，有2.1%的勞動力沒有上過學，這與全國第七次人口普查中全國2.67%的文盲率也較為接近。①通過比較可以發(fā)現(xiàn)，本文所使用的數(shù)據具有較好的代表性。

(二)概念測量

失業(yè)風險測量是一個有爭議的問題。因為，風險的泛在性導致風險概念界定上的困難，人們對如何定義風險的爭議比對怎么度量風險的爭議還要大得多。[16]失業(yè)風險是由“失業(yè)”和“風險”構成的復合概念。失業(yè)有登記失業(yè)和調查失業(yè)之分，但無論哪種失業(yè)，其實質是勞動力在勞動年齡內，既有勞動能力，又有勞動意愿，卻沒有工作的狀態(tài)。風險的本質是不確定性，有廣義和狹義之分。廣義的風險是既有損失可能，又有盈利可能的“投機”風險，狹義的風險是指只有損失可能的“純粹”風險。因此，失業(yè)風險可以界定為失業(yè)問題發(fā)生的不確定性或可能性。

失業(yè)風險的測量，有兩種思路：一是從失業(yè)的定義出發(fā)，來測量失業(yè)風險。有學者用“在上一年底還處于就業(yè)狀態(tài)，但本年度有超過1個月的無工作經歷且找不到新的工作”測量失業(yè)風險。[17]也有學者用“流動人口是否失業(yè)”和“失業(yè)發(fā)生率”測量失業(yè)風險。[18]這種測量思路存在的局限是，是否失業(yè)和失業(yè)率均沒有反映出失業(yè)風險的不確定性本質。二是基于勞動力未來失業(yè)的可能性，來測量失業(yè)風險。袁博把失業(yè)風險操作化為“您認為自己在未來6個月內失業(yè)的可能性有多大”[19]這種測量雖然非常主觀，但它是基于自己所處工作環(huán)境與勞動力市場氛圍的合理判斷，有其合理性。從主觀失業(yè)風險感知的角度研究失業(yè)風險，能較好地探討個體視角的失業(yè)風險問題[20]。

本文采用第二種方法來測量失業(yè)風險。而且類似的測量方法，廣泛應用于幸福經濟學、健康經濟學、風險社會學等領域對幸福感、健康狀況和養(yǎng)老風險的測量。魯元平等學者用“總的來說，您覺得您的生活是否幸?！眮頊y量主觀幸福感。[21]薛新東、劉國恩用“您覺得您的健康狀況怎么樣”來測量健康水平。[22]樂章用“您擔心自己的養(yǎng)老問題嗎”來測量養(yǎng)老風險。[23]上述三個方面雖然測量的問題各不相同，但測量方法是相似的，即都把研究問題操作化為被調查對象的主觀評價。而且，失業(yè)的可能性是一種不確定性事件，這種測量反映了失業(yè)風險的本質特點。因此，本文把失業(yè)風險操作化為“您認為自己在未來6個月內失業(yè)的可能性有多大”，答案設計為“1=完全有可能，2=比較有可能，3=一般，4=不太可能，5=完全不可能”。

(三)理論框架

勞動力失業(yè)風險的影響因素是多元的，如果不能構建一個合理的理論框架，那么，勞動力失業(yè)風險影響因素的分析將顯得盲目和邊界不清。已有研究大多基于人口遷移理論中的“推-拉”理論[18]和城鄉(xiāng)分割與體制分割并存的二元結構理論[19]構建分析框架。這些理論框架在分析勞動力失業(yè)風險的影響因素時有其合理性，因為流入地、流出地和二元分割等這些因素，會影響勞動力就業(yè)崗位的“供給側”，但這些分析框架較多關注的是影響勞動力失業(yè)風險的外在環(huán)境因素，而對影響勞動力失業(yè)風險的內在決定因素關注不夠。勞動力失業(yè)固然受到外部就業(yè)環(huán)境的影響，但決定勞動力失業(yè)風險的根本因素是勞動力的市場競爭能力。勞動力的市場競爭能力，反映了勞動力面對就業(yè)風險沖擊時的韌性(Resilience)。因此，脆弱性分析框架能夠很好地解釋勞動力失業(yè)風險的發(fā)生機制。就業(yè)風險沖擊、人力資本和勞動保護以及個體特征，共同構成勞動力失業(yè)風險發(fā)生的“四位一體”脆弱性分析框架(見圖1)。

圖1 勞動力失業(yè)風險發(fā)生的脆弱性分析框架

從脆弱性角度看，勞動力失業(yè)風險發(fā)生機制的內在邏輯是：勞動力的就業(yè)安全是人力資本、勞動保護和個體特征共同構成的保障體系與就業(yè)風險沖擊相互動態(tài)博弈的結果。勞動力面臨的就業(yè)風險沖擊是客觀存在的，不以人的意志為轉移。假定就業(yè)風險沖擊一定，那么，勞動力的就業(yè)安全是否可期，勞動力是否面臨失業(yè)風險以及面臨的失業(yè)風險大小，關鍵在于由人力資本決定的勞動力市場競爭能力和其擁有的勞動保護的強弱。人力資本越多、勞動保護越強，勞動力面臨就業(yè)沖擊時的韌性就越強、脆弱性就越低，勞動力就越可能有穩(wěn)定的就業(yè)安全預期，勞動力的失業(yè)風險也就越低，反之，勞動力的失業(yè)風險就會越高。人力資本由健康資本、教育資本和“干中學”構成。勞動保護由勞動力的內在保護和外在保護構成，而且這里的內在保護與外在保護均不是一般意義上的勞動環(huán)境、勞動保護設施配備等方面的保護，而是技術保護與制度保護。同時，勞動力的失業(yè)風險也會受到勞動力個體特征的影響。

三、變量選擇、模型構建與實證檢驗

(一)變量選擇

本文的因變量是勞動力的失業(yè)風險，即勞動力未來6個月內失業(yè)的可能性，指標重新賦值為“1=完全不可能，2=不太可能，3=一般，4=比較有可能，5=完全有可能”，取值越大表明失業(yè)風險越大。解釋變量中，人力資本中的健康資本、教育資本和“干中學”，分別用健康狀況、教育程度、工作經驗和技能培訓加以測量。其中，健康狀況用勞動力去年一年是否發(fā)生醫(yī)藥費支出來反映，發(fā)生醫(yī)藥費支出賦值為0，表示健康狀況較差；不發(fā)生醫(yī)藥費支出賦值為1，表示健康狀況較好。教育程度劃分為文盲、小學、初中、高中、大專和本科以上六種，賦值1～6，取值越大表明教育程度越高。工作經驗用勞動力在本單位工作的年數(shù)表示。技能培訓是指過去12個月，是否參加過單位組織的職業(yè)技能培訓，參加過賦值為1，沒有參加過賦值為0。勞動保護中的內在保護，體現(xiàn)在勞動力的技術專有性，用工作崗位的技術含量加以測量；外在保護用勞動力是否簽訂勞動合同加以測量，簽訂勞動合同賦值為1，沒有簽訂賦值為0。個體特征變量中，男性賦值為1，女性賦值為0；已婚賦值為1，未婚、離婚、喪偶賦值為0；中共黨員賦值為1，其他賦值為0。時間變量中，2013年賦值為1，2015年賦值為2，2017年賦值為3，2019年賦值為4，是一個有序變量。變量含義及其描述性統(tǒng)計結果見表2。

表2 變量名稱及其基本情況

從表2中解釋變量和控制變量的變量類型看，年齡、工作經驗是連續(xù)變量；性別、婚姻狀況、政治面貌、健康狀況、技能培訓、勞動合同是虛擬變量；教育程度、技術含量和時間因素是有序多分類變量。在社會科學研究中，由于有序變量比較多，研究者為了統(tǒng)計方便，也常常把有序變量近似看作連續(xù)變量來處理。[24](P.35-37)因此，本文的解釋變量均滿足回歸分析的基本要求。

(二)模型構建

本文的因變量是一個五級有序變量，有多種參數(shù)估計方法。已有研究文獻，一般采用Ordered Probit回歸模型或OLS回歸模型估計參數(shù)。經驗研究表明，只要回歸方程設定正確，將上述五級變量無論視為連續(xù)變量用OLS方法估計，還是將其視為有序變量用Ordered Probit模型估計，兩種估計方法得到估計參數(shù)的影響方向與顯著性水平具有一致性。[25](P.121-123)因此，本文把其視為有序變量，用Ordered Probit回歸模型進行估計。模型設定如下：

Un-Riskiy=αHCiy+βLPiy+γXiy+εiy

上述模型中，Un-Riskiy表示y年第i個勞動力的失業(yè)風險(UnemploymentRisk)，HCiy表示y年第i個勞動力的人力資本(HumanCapital)因素，LPiy表示y年第i個勞動力的勞動保護(LaborProtection)因素，Xiy表示影響勞動力失業(yè)風險的個體特征因素和時間變量，其中，個體特征因素包括性別、年齡、婚姻狀況和政治面貌，時間變量為調查年份。εiy表示隨機擾動項。

(三)實證檢驗

為了清晰地呈現(xiàn)不同類型解釋變量對勞動力失業(yè)風險的影響，本文采用逐步回歸的方法。模型1是個體特征變量對勞動力失業(yè)風險的影響結果，模型2是在控制個體特征變量的基礎上，分析人力資本變量對勞動力失業(yè)風險的影響，模型3是在控制個體特征變量和人力資本變量的基礎上，分析勞動保護因素對勞動力失業(yè)風險的影響。同時，在逐步分析上述不同類型變量對勞動力失業(yè)風險的影響時，把調查年份控制起來，以消除時間因素對勞動力失業(yè)風險的影響，并檢驗解釋變量對勞動力失業(yè)風險的影響隨著時間變化的穩(wěn)定性情況，模型估計結果見表3。從表3的模型估計結果來看，三個模型都通過了顯著性檢驗，其中，模型1解釋了勞動力失業(yè)風險變異的2.6%，模型2解釋了勞動力失業(yè)風險變異的14.9%，模型3解釋了勞動力失業(yè)風險變異的17.9%。這表明在控制個體差異的情況下，人力資本和勞動保護顯著影響勞動力的失業(yè)風險。由于模型3是全樣本回歸，因此，模型3的估計參數(shù)更為準確。

表3 勞動力失業(yè)風險影響因素的參數(shù)估計結果

從個體特征因素對勞動力失業(yè)風險的影響來看，男性勞動力的失業(yè)風險更高，男性勞動力的失業(yè)風險概率比女性勞動力的失業(yè)風險概率高19.6%?？赡艿慕忉屖牵行詣趧恿Ω鼉A向于找到好的工作，對現(xiàn)有工作的不滿意會導致失業(yè)風險增加，而女性勞動力受教育年限較低[26]，更傾向于找到工作，工作期望較低，工資收入水平也較低[27]，因此，女性勞動力的失業(yè)風險較小。已婚的勞動力失業(yè)風險概率更低，已婚勞動力的失業(yè)風險概率是非在婚勞動力失業(yè)風險概率的0.89倍，這與已有的研究結果相一致。[28]政治面貌為中共黨員的勞動力，失業(yè)風險概率更低，其失業(yè)風險概率是其他政治面貌勞動力失業(yè)風險概率的0.77倍。

年齡對勞動力失業(yè)風險的影響，不具有統(tǒng)計學意義。而且，年齡的平方這一變量對勞動力失業(yè)風險的影響也不顯著(P>0.1)，這可以判斷年齡與勞動力失業(yè)風險的“U”型關系并不存在。已有關于流動人口失業(yè)風險影響因素的研究結論，即年齡與失業(yè)風險之間呈“U”型關系[5]，這一結論的普適性有待進一步檢驗。

從人力資本因素對勞動力失業(yè)風險的影響來看，健康狀況、教育程度、工作經驗、技能培訓四個變量對勞動力失業(yè)風險有顯著的負向影響。健康狀況越好，勞動力的失業(yè)風險概率越低。健康狀況較好勞動力的失業(yè)風險概率，是健康狀況較差勞動力失業(yè)風險概率的0.83倍。教育程度越高，勞動力的失業(yè)風險概率越低，教育程度每提升一個水平，勞動力的失業(yè)風險概率將下降18.1%，這一估計結果與已有研究結果相一致。[6]工作經驗越多，勞動力的失業(yè)風險概率越低，工作經驗每增加一年，勞動力的失業(yè)風險概率將降低3.8%?？赡艿慕忉屖?，工作時間越長，工作技能越熟練，工作效率越高，為單位創(chuàng)造的價值越大，在面臨就業(yè)風險沖擊時，被單位辭退的可能性越低，所以失業(yè)風險概率更低。參加技能培訓能夠有效降低勞動力的失業(yè)風險，過去1年沒有參加過單位組織的技能培訓的勞動力，其失業(yè)風險概率是參加技能培訓勞動力失業(yè)風險概率的1.27倍?？赡艿慕忉專阂皇菂⒓勇殬I(yè)技能培訓的勞動力，本身就是相對優(yōu)秀的員工；二是職業(yè)技能培訓提高了勞動力的勞動熟練程度、人力資本含量和就業(yè)競爭力，降低了勞動力的失業(yè)風險。

從勞動保護因素對勞動力失業(yè)風險的影響來看，工作崗位的技術含量和是否簽訂勞動合同對勞動力失業(yè)風險有顯著的負向影響。工作崗位的技術含量越低，勞動力的失業(yè)風險越高，工作崗位技術含量每下降一個等級，勞動力的失業(yè)風險將增加15.8%?？赡艿慕忉屖?，工作崗位的技術含量越高，擁有該崗位的勞動力的內在自我保護就越強，崗位可替代性就越差，相對而言越不可能失業(yè)。勞動合同對勞動力的失業(yè)風險具有顯著的抑制作用，就業(yè)時沒有簽訂勞動合同的勞動力，其失業(yè)風險概率是簽訂勞動合同勞動力失業(yè)風險概率的1.85倍。這說明，勞動合同是有效保護勞動力就業(yè)安全的重要工具。這可能源于兩個方面：一是勞動合同增加了用人單位辭退員工的交易成本，因為勞動合同的有效期限一般會達到1年以上；二是勞動合同增強了用人單位用工行為的規(guī)范性，減少了用人單位辭退員工的隨意性。二者都在一定程度上降低了用人單位辭退員工的概率。因此，勞動合同對勞動力的失業(yè)風險有顯著的負向影響。

(四)穩(wěn)健性檢驗

穩(wěn)健性檢驗是模型估計結果可靠性判斷的內在要求，一般采用方法變換、變量變換和增加新的變量等方式進行檢驗。鑒于數(shù)據的可獲得性和分析的便利性，本文采用解釋變量變換、方法變換和因變量變換三種方式，檢驗模型估計結果的穩(wěn)健性。其中，解釋變量變換是用分組年齡替換年齡和年齡的平方，用時間分類變量替換時間有序變量，并用Ordered Probit回歸模型估計參數(shù)；方法變換是把五級有序因變量看成是連續(xù)變量采用OLS估計參數(shù)；因變量變換是把原來的五級有序因變量轉化為二分類變化用二元Probit回歸模型估計參數(shù)。檢驗結果見表4。

表4 勞動力失業(yè)風險影響因素估計結果穩(wěn)健性的檢驗結果

從模型4、模型5和模型6對各個解釋變量估計參數(shù)的檢驗結果來看，除年齡變量和時間變量的估計結果有差異之外，其他所有解釋變量對勞動力失業(yè)風險的影響都通過了穩(wěn)健性檢驗。這表明，人力資本、勞動保護以及個體特征因素，對勞動力的失業(yè)風險有穩(wěn)定的顯著影響。年齡變量對勞動力失業(yè)風險的影響，體現(xiàn)在勞動力失業(yè)風險的代際差異方面。相對而言，40-49歲勞動力的失業(yè)風險概率明顯更大。

從時間因素對勞動力失業(yè)風險的影響來看，結合表3和表4的統(tǒng)計結果可以判斷，勞動力的失業(yè)風險并不是隨著時間的推移而呈現(xiàn)出持續(xù)不斷的增加趨勢，而只是在不同年份表現(xiàn)出一定的差異而已，這不僅與國家經濟形勢的波動趨勢相一致，也與近8年來中國登記失業(yè)率波動幅度較小的變動趨勢基本一致。2013年到2020年，城鎮(zhèn)登記失業(yè)率在3.62%～4.24%之間波動。②相對而言，2013年勞動力的失業(yè)風險較低，2017年勞動力的失業(yè)風險較高，2015年和2019年勞動力的失業(yè)風險沒有表現(xiàn)出顯著差異。其中，2017年勞動力的失業(yè)風險概率比2019年勞動力的失業(yè)風險概率高13.88%，而2013年勞動力的失業(yè)風險概率比2019年勞動力的失業(yè)風險概率低12.8%。在控制時間因素的情況下，影響勞動力失業(yè)風險解釋變量的顯著性水平和影響方向并未發(fā)生明顯的變化，這也表明解釋變量對勞動力失業(yè)風險的影響具有穩(wěn)定性。

四、結論與啟示

基于上述分析，本文的研究結論如下：(1)人力資本對勞動力的失業(yè)風險有顯著的負向影響。人力資本對勞動力失業(yè)風險的影響，不僅體現(xiàn)在健康狀況和教育程度，還體現(xiàn)在工作經驗和技能培訓。健康狀況越好、教育程度越高、工作時間越長、參加技能培訓的勞動力，失業(yè)風險明顯更低。(2)勞動保護因素對勞動力的失業(yè)風險有顯著的抑制作用。勞動保護包括內在保護和外在保護兩個方面。內在保護體現(xiàn)在工作崗位的技術含量，工作崗位技術含量越高，勞動力的內在自我保護就越好，崗位可替代性就越低，失業(yè)風險就越低；外在保護體現(xiàn)在勞動合同對勞動力失業(yè)風險的抑制作用，簽訂勞動合同的勞動力，失業(yè)風險明顯更低。(3)勞動力的失業(yè)風險呈現(xiàn)出顯著的個體差異，女性、已婚和政治面貌為中共黨員的勞動力，失業(yè)風險更低；勞動力失業(yè)風險的代際差異顯著，40-49歲之間的勞動力失業(yè)風險更大。

基于上述研究結論，站在降低勞動力失業(yè)風險、實現(xiàn)更加充分和更高質量就業(yè)的角度，本文的政策啟示有如下幾個方面。

首先，從提高勞動力人力資本的角度看，政策啟示有四：一是政府應大力推動《健康中國行動(2019-2030)》落地生效，加強國民健康教育，提高勞動力的健康資本。二是員工個人應減少輕易跳槽、更換工作的頻率，通過工作年限的積累提高對單位的忠誠度和工作經驗，降低失業(yè)風險。三是鼓勵和引導企業(yè)開展常規(guī)化的職業(yè)技能培訓，既能夠提高勞動力的生產效率，又可以降低勞動力的失業(yè)風險，起到“一舉兩得”的效果。四是大力普及學歷教育。當前我國勞動力教育年限明顯較短，聯(lián)合國開發(fā)計劃署2018年《人類發(fā)展指數(shù)和指標》提供的數(shù)據表明，2017年世界各國25歲及以上成年人平均受教育年限前100名國家中，中國為7.8年，僅比突尼斯(7.2年)、科威特(7.3年)和泰國(7.6年)三個國家略高③。女性勞動力受教育年限更低，勞動力動態(tài)調查數(shù)據顯示，女性勞動力的平均受教育年限比男性低0.7年④。因此，加快普及學歷教育，提高勞動力的受教育程度，將有效降低勞動力的失業(yè)風險。

其次，從加強勞動力勞動保護的角度看，政策啟示有二：一是加快推動普通本科高等教育的職業(yè)化轉型。學歷教育固然重要，但從勞動力就業(yè)安全的角度看，職業(yè)教育能夠有效促進勞動力適應高技術含量的就業(yè)崗位，降低工作崗位的可替代性，進而起到降低勞動力失業(yè)風險的作用。因此，國家應該積極落實《國家職業(yè)教育改革實施方案》(〔2019〕4號)，細化工作目標，加快普通本科高等教育向職業(yè)技能教育轉變的步伐。二是加強企業(yè)勞動合同簽訂行為監(jiān)管，規(guī)范企業(yè)的用工行為。四期調查數(shù)據的總體結果顯示：勞動力就業(yè)中簽訂勞動合同的比例平均只有57.1%，還有超過40%的勞動力雖然已經就業(yè)但是沒有簽訂任何形式的勞動合同，這為單位隨意辭退員工提供了便利條件，大大降低了勞動力的就業(yè)穩(wěn)定性，增加了勞動力的失業(yè)風險。為了降低勞動力的失業(yè)風險，政府有關部門應當加強勞動力就業(yè)市場中的勞動合同簽訂行為監(jiān)管，規(guī)范企業(yè)的用工行為。這既可以有效保護勞動力的就業(yè)權益，也能有效降低勞動力失業(yè)風險對社會穩(wěn)定和經濟發(fā)展的沖擊。

第三，從勞動力個體特征的角度看，政策啟示有二：一是就業(yè)促進政策制定，應當注重勞動力的個體差異。40-49歲之間的勞動力，失業(yè)風險更大。因此，政府有關部門在分配有限的就業(yè)促進資源時，優(yōu)先用于解決40-49歲之間勞動力的就業(yè)問題，能夠起到事半功倍的就業(yè)促進效果。二是深入了解勞動力失業(yè)風險個體差異背后的內在動機。實證分析表明，男性、非在婚(未婚、離異和喪偶)和政治面貌為一般群眾的勞動力，失業(yè)風險更高。那么，是什么原因造成具有這些特點的勞動力失業(yè)風險更高，是值得重視的，因為勞動力的失業(yè)風險既包括主動型的失業(yè)風險，也包括被動型的失業(yè)風險，被動型的失業(yè)風險才是就業(yè)促進政策應當關注的重點。例如男性勞動力可能更傾向于找到好工作，這種動機下的失業(yè)風險并不可怕，因為這種失業(yè)風險會隨著勞動力期望的調整而得以消弭。

本文存在的不足之處在于：(1)勞動力的官方統(tǒng)計口徑是16周歲以上有勞動能力、參加或要求參加社會經濟活動的人口，由于調查設計原因，CGSS調查對象是18歲以上的人口，本文基于失業(yè)概念的勞動力統(tǒng)計口徑為18-59歲，統(tǒng)計口徑明顯更窄。(2)失業(yè)風險的測量方法較為主觀，這雖然在失業(yè)風險測量方法上體現(xiàn)出一定的新意，但也不可避免存在測量誤差問題。(3)樣本規(guī)模相對較小，盡管本文使用的混合截面數(shù)據樣本量接近9000，但每一年的樣本量只有2000左右，難免存在樣本代表性不夠的問題。(4)由于最新的樣本調查時間截止到2019年，建立模型得到的結論盡管在較短時間內(如3年內)基本成立，但較長時間內，中國人口和勞動力數(shù)量面臨較大變化，技術進步如人工智能的發(fā)展日新月異，模型得到的結論能否成立需進一步驗證。有關學者和政府決策部門在借鑒本文的研究結論與政策建議時，這些問題不可忽視。

注釋：

①《第七次全國人口普查公報》，中華人民共和國中央人民政府官網，http://www.gov.cn/guoqing/2021-05/13/content_5606149.htm，2021年5月11日。

②《2013-2020年度人力資源和社會保障事業(yè)發(fā)展統(tǒng)計公報》，中華人民共和國人力資源和社會保障部官網，http://www.mohrss.gov.cn/SYrlzyhshbzb/zwgk/szrs/tjgb/，2021年7月26日。

③數(shù)據來源： “Human Developmentt Indicatitors and Indices:2018 Statistical Update”，United Nations Development Programme，http://hdr.undp.org/en/content/human-development-indices-and-indicators-2018-statistical-update-chinese，2018年10月1日。

④數(shù)據來源：《我國勞動力平均受教育年限為9.28年》，中華人民共和國教育部官網，http：//www.moe.gov.cn/jyb_xwfb/s5147/201512/t20151207_223334.html，2015年12月7日。