基于就业与住房压力视角：中国劳动力在职教育一个新的解释*

一、引言

　　党的十九届五中全会将“进入创新型国家前列”作为到2035年基本实现社会主义现代化的远景目标之一。“十四五”规划指出，我国现代化建设要坚持创新驱动发展战略，完善国家创新体系。而创新驱动本质上是人才驱动，如何实现经济发展从投资驱动转变为人力资本驱动直接关系到中国能否实现新时代经济的平稳过渡和高质量发展，是确保国家竞争优势的关键。但从中国的人力资本结构来看，低层次人力资本雍塞，高层次人力资本不足（袁富华等，2015）。这意味着，贯彻落实创新发展战略，亟须培育壮大高质量人才队伍。

　　实施九年义务教育制度和高校扩招政策直接推动了我国人力资本稳步积累的态势，但是仅依赖新增劳动力正规教育的提高还不足以应对当前新技术、新产业、新业态、新模式的不断涌现和发展，学历教育并非是造就人才、优化人力资本结构的唯一方式。全球范围内，通过在职培训为新一代工人提供尖端知识和能力，已成为发达经济体应对新一轮产业革命浪潮的重要手段（Morikawa， 2021）。然而，与政府不遗余力地组织职业技能培训、发放职业培训券形成对比的是，中国劳动力参与培训的积极性、参与率并不高（马延伟，2015）。自2020年国家开始试点职业培训券以来，截至2021年末，使用率约为30%。①农民工群体职业培训参与率也呈现下滑的态势，2017年培训参与率为30.6%，比2014年下降了2%。②那么，究竟哪些因素会影响劳动力在职教育培训决策呢？是否存在影响在职教育投资演化的宏观经济因素呢？

　　大量研究结果表明，个人和家庭特征在在职教育培训决策中发挥了重要的作用，但是现有文献大多忽略了与劳动力工作生活密切相关的就业和住房两大宏观经济特征变化对劳动力在职培训的影响。在就业变化方面，我国正逐渐从低成本、低附加值的传统生产方式向依托技术升级驱动高附加值、高生产率的生产模式演进。新技术的发展，如大数据和人工智能等技术的不断进步，已经极大地重塑了人类和机器之间的关系，并重新定义了所需的任务和技能（Huang & Rust， 2018）。新技术的涌现更多表现出技能偏向型技术进步的特点，需要高技能劳动者与之匹配，对劳动力的新知识、新技能提出了更高要求，需要劳动力承担更多的学习成本。这也意味着产业技术复杂度的提高，对在职劳动力而言是一种潜在的就业压力，很可能是影响人力资本积累的重要因素。同时，已然处于高位运行的住房价格，小幅上涨就会给相关利益群体带来重大影响。许多学者关注房价上涨与教育投资决策的关系。例如，房价上涨通过住房财富效应显著增加家庭教育支出（陈永伟等，2014）；房价上涨引发相关行业的就业需求会进一步通过就业概率、预期收入等机制影响适龄青少年的入学决策（Charles et al.， 2018；孙伟增等，2021）。还有学者进一步考察了房价上涨对个体高等教育入学决策的影响是否存在性别差异（张慧慧等，2018；耿峰、秦雪征，2019）。显然，房价上涨是影响人力资本投资的另一重要宏观经济因素。然而，没有实证研究将就业、房价变化与劳动力在职教育培训联系起来。

　　基于此前提，本文试图将人力资本的个体家庭特征影响因素的研究延伸至宏观社会经济环境变化，通过就业和住房双视角，分析产业技术升级带来的就业压力与房价上涨带来的住房压力两大社会经济特征变化对劳动力在职教育培训决策的影响及其影响机制，这无疑加深了对人力资本形成机制的认识和理解。本文进一步探究职业教育资源等人力资本服务的供给能否在在职教育培训投资过程中产生正向调节作用，这有利于设计与产业结构调整和城镇化发展相适应的人力资本发展体系。

二、文献综述与机制分析

　　（一）文献回顾与评述

　　对于劳动力个体而言，在完成正式的学校教育后，人力资本的投资主要发生在工作场所。这种与工作需求直接相关的在职培训，通过知识和技能的积累提高工人的生产力，并最终影响劳动者的未来工资（Becker， 1962）。已有研究普遍发现，在职培训对员工的劳动生产率和工资水平产生了积极的影响（明娟等，2019；Brunello et al.， 2012；Haelermans & Borghans，2012；Lee et al.， 2022），且有利于工作条件的改善以及同事间良好关系的建立（Nguyen et al.， 2021；Fabra & Camisón， 2009）。对于企业而言，在职培训是其获得高素质员工，实现岗位匹配的重要渠道，从而促进了企业生产率（Morikawa， 2021；Liu & Lu， 2016）、创新绩效（王万珺等，2015）、财务绩效（王京等，2020）以及组织绩效（Liao et al.， 2011）的提高。

　　众多学者从不同视角探讨了劳动力在职培训投资的决定因素，性别、受教育程度、年龄、户口性质等个体人口特征会显著影响员工参与培训的可能性。有些学者强调工作经历（Pischke，2001）、职业类型（Salas-Velasco， 2009）、培训意识（吴伟东，2014），所处企业的规模、所有制性质（刘佳纯等，2020）等多种因素对劳动力在职培训参与的影响，也有学者注意到合同的时限、集体谈判能力等劳动关系在现代劳动力在职培训投资过程中的作用（刘冰、陶海青，2008），还有学者聚焦外贸冲击对企业和劳动力的在职教育供给和需求的影响。例如，有研究发现企业开展培训主要是为了达到参与国际市场所需的标准和竞争力水平（Eberhard et al.， 2018）。随着国际贸易的发展，外贸知识更新、产品质量升级和高技能密集型技术的采用是导致员工培训项目增加的主要机制。胡昭玲、聂燕峰（2021）利用跨国数据的实证分析发现，为了应对中国的进口竞争，进口国企业在鼓励员工创新和采用新技术的同时，也加强对员工的培训。

　　国内关于在职培训投资决策的分析在研究对象上主要聚焦农民工群体。改革开放之后，农民工群体成为新型城镇化的主体。针对农民工技能水平和就业能力普遍较低，难以适应工业化、城镇化和农村劳动力转移就业的需求，国家陆续出台了《2003—2010年全国农民工培训规划》《进一步做好农民工培训工作的指导意见》和《农民工稳就业职业技能培训计划》等文件，将职业培训作为促进农村转移劳动力就业，稳定农民工工作岗位、提高非农收入的重要手段。同时，由于缺乏高质量的调查数据，尤其是缺乏反映中国整体劳动力在职培训情况的微观数据，因此教育经济学、劳动经济学有关在职培训的影响因素研究，在研究对象上大多聚焦农村劳动力或农民工群体（刘三林、明娟，2020；夏怡然，2015；赵正洲等，2012；丁煜等，2011；杨晓军、陈浩，2008）。刘佳纯等（2020），刘冰、陶海青（2008）虽然分别采用广东省和浙江省部分企业的自主调查数据，探讨了城市企业职工在职培训投资决策的影响因素，总体而言，依然无法窥探全国整体劳动力的人力资本升级状况。中国大规模工业化时期低技能依赖型生产方式已经改变，亟须提升效率和产业升级，突破人力资本瓶颈。中国开始探索“新职业培训”③模式，以改善人才供给质量结构，与产业技术创新升级发展相适应。由此可见，需要接受职业培训的群体已从绝大多数农村劳动力转变为全体劳动力，有必要将研究对象延伸至全体劳动力。

　　已有研究关于就业、住房两大宏观经济特征变化对人力资本投资影响的考察如下：一是在就业变化方面，以对外贸易带来的技术冲击和挑战为切入点，将出口技术复杂度（陈维涛等，2014a）、出口企业生产率（陈维涛等，2014b）、出口加工贸易开放度（李坤望等，2014）等作为贸易结构的衡量指标，检验贸易开放带来的技术升级对中国劳动力人力资本投资的影响。由此可见，现有文献大多只关注国际贸易和发达国家技术扩散背景下的人力资本升级，而我国当前经济发展面临结构调整的内在压力，以及国际政治经济风险不确定性和贸易保护主义等外部冲击，技术创新升级是当前经济体系优化升级的根本出路，与产业技术进步引致人力资本匹配升级相关的研究并不充分。二是在住房压力方面，虽然有很多文献关注房价对教育投资决策的影响，但主要围绕适龄人口学历教育参与率与家庭教育支出展开（Charles et al.， 2018；张慧慧等，2018；孙伟增等，2021；耿峰、秦雪征，2019；陈永伟等，2014），对中国劳动力在职教育投资的关注不够。

　　本文的边际贡献在于：第一，在研究视角上，突破目前仅从房价上涨或就业压力单因素理解劳动力市场变迁所导致的人力资本效应，从就业压力和住房压力两方面探讨对人力资本投资的影响及其机理；第二，在影响机制方面，现有文献关于中国劳动力在职培训投资决策演化及影响机制的研究并不充分，本文对产业技术升级和房价上涨对在职培训决策的影响渠道进行讨论，并进一步针对当前我国劳动力培训参与率较低的现实问题，探究培育和壮大人力资本的非物质生产部门的供给，能否化解人力资本投资不足的问题，缓解宏观环境变化对人力资本投资的负面影响，试图对现行的人才培养机制以及公共服务提出优化对策。

　　（二）机制分析

　　实际上，就业压力影响劳动力在职教育投资的根源在于：资本深化带来的偏向型技术进步需要高技能劳动者与之匹配，劳动供给方为满足技术升级下生产任务的技能要求，通过人力资本投资提升自身技能水平，从而胜任新技术环境中的新劳动岗位。董直庆等（2014）、宋冬林等（2010）、卢晶亮（2017）等研究表明，我国技术进步呈现物化和技能偏向双重特征。高技术水平的机器设备使用导致生产复杂度增加，技术进步及物质资本的深化会使部分现有知识和技能失效，同时产生新的知识和技能需求，技能劳动者相对于非技能劳动者在适应复杂生产环境方面有显著优势，因而对其需求更高。具体而言，新技术的发展更容易替代具有可重复性和可编码等特征的常规型工作岗位，从而减少对非技能劳动的需求（Autor， 2003）；同时催生非常规型就业需求，这类岗位通常只有更高水平的人力资本才能胜任。由此可见，技术革新会对人力资本水平提出直接要求。而技术升级引致的就业技能结构变化或就业岗位人力资本标准的改变则充当了促进在职教育投资活动的导向信号。张军等（2018）的实证结果表明，地区高技能劳动力相对需求的上涨会显著促进家庭的人力资本投资。因此，产业技术升级会使高技能劳动力替代低技能就业岗位，并催生高技能工作岗位，高技能劳动力市场需求增加从而激励个人提升教育投资。更重要的是，这种偏向型技术进步会通过收入差距成为直接诱发教育投资行为的工资信号（姜雨、沈志渔，2012）。技术进步引发的技能需求会使技术工人相对于非技术工人的工资急剧增加（Acemoglu， 1999），这意味着掌握新知识和技能带来的预期收益增大，教育变得更有利可图，因而增强了人们教育投资的意愿。中国技术进步朝偏向技能劳动力方向迅猛发展，引致不同类型劳动者报酬分化，对技能溢价的正向效应显著（陆雪琴、文雁兵，2013）。而教育投资可以有效提高个体进入劳动力市场时的技能禀赋，增加技能劳动供给，从而有效地抑制工资不平等现象（Marouani & Nilsson， 2016）。由此可见，技术升级在劳动力市场上诱发了高技能高报酬的信号和预期，随之而来的就是人力资本自发的积累和升级（Acemoglu， 2003；李成友等，2018；李静、楠玉，2017）。虽然工资差距的拉大也会造成人力资本投资能力下降从而降低在职培训的可能，但是产业技术升级对在职培训的综合影响效应最终取决于高技能高报酬的教育预期收益和投资能力受损两种力量的作用。

　　在住房压力方面，高房价与劳动力在职培训投资关系可从房价与消费关系、房价与劳动力流动关系两个渠道理解房价对在职培训投资的影响。一是从房价与消费关系视角来看，房价上涨对消费（包括教育投资）的综合影响取决于正的财富效应与负的挤出效应的净效应。一方面，房价变化使得居民住房财富发生剧烈变动，通过“兑付的财富效应”“未兑付的财富效应”“流动性约束”三种方式对有房居民消费产生正向影响。兑付的财富效应是指房屋所有者通过变现房产兑现房价上涨带来的房产增值收益，对消费的影响最直接（何兴强、杨锐锋，2019）；未兑付的财富效应则是指房价上涨提高了住房财富上涨的预期，有房家庭即使不变现房产，感知到更为富有，也会由此增加消费（Compbell & Cocco， 2007）；流动性约束则是指基于房产的抵押再融资功能，抵押增值的房产获得更高额度的贷款，缓解流动性约束（Cloyne et al.， 2019）。另一方面，房价上涨对教育投资的挤出主要来源于预算约束效应和替代效应的负向影响。前者体现在高房价导致无房居民的居住成本上升，在收入不变的情况下挤出非住房消费；后者则是指计划购房者为买房极力储蓄，从而对消费形成长期挤出效应（李江一，2017）；同时，若居民预期房价持续上涨，房地产投资回报率较高，已有住房消费者转而投机购房，从而对其他消费产生排挤（黄静、屠梅曾，2009）。如果房价上涨导致正向财富效应大于负向挤出效应，则房价上涨会增加在职教育培训投资；反之，如果正向财富效应小于负向挤出效应，房价上涨则会抑制在职教育培训投资。二是从房价与劳动力流动引致区域劳动力市场就业结构调整视角来看，高房价会直接通过人口流动的方式影响地区劳动力供给结构，进而影响劳动力在职培训选择。房价上升会导致普通劳动力的流出和技术人才的聚集，使地区劳动力供给结构偏向高技能劳动力（张平、张鹏鹏，2016），激励劳动力提高在职教育培训投入。综上所述，房价上涨对劳动力在职培训投资决策的综合影响取决于多种效应的相互作用。

三、数据来源、变量介绍和实证策略

　　（一）数据来源

　　本文所用数据为中国家庭追踪调查（China Family Panel Studies， CFPS）2012年和2014年的调查数据。中国家庭追踪调查是北京大学中国社会科学调查中心在全国范围内开展的一项大规模、多学科的社会跟踪调查项目，全面收集中国居民包括经济活动、教育成果等在内的诸多信息。CFPS于2010年正式开展调查，除了对2010年基线调查界定的基础成员进行追踪，每年还会对新加入的家庭成员进行访问。每隔2年调查一次，当前已进行到第五轮调查（CFPS2020）。

　　基于本文的研究目的，本文仅采用了2012年和2014年两年的数据。原因在于2010年、2016年关于非学历教育的调查在问题设置上有所不同，2018年和2020年则没有调查非学历教育的信息。虽然可用数据仅两年，但是作为一项研究中国家庭及个体发展的大型追踪调查项目，CFPS数据对于本文研究有如下优势：第一，CFPS样本覆盖全国25个省、市、自治区，覆盖全国95%的人口。被调查对象不仅包含农村劳动力，还包含城镇劳动力，具有较好的全国代表性，可以充分反映中国整体劳动力情况。第二，在已公开的微观数据库中，仅CFPS数据较好地记录了个体非学历培训的参与情况，为研究个人在职培训的整体情况以及异质性研究提供了更为详实、准确的数据基础。对已公开的其他调查数据的梳理发现，中国家庭收入项目调查（ Chinese Household Income Project Survey， CHIP）仅2007年涉及城镇劳动力的培训情况，难以适用当前经济及人力资本发展形势；中国劳动力动态调查（China Labor-force Dynamics Survey，CLDS）则主要是针对“至少5天的专业技术培训”参与情况的调查，对其他在职培训种类，例如业务技能培训、管理能力培训等鲜有涉及或未给出详细定义划分。

　　（二）变量选取

　　1. 被解释变量

　　在职教育培训参与选择。CFPS对个人的非学历的培训（进修）情况进行了详细的调查，并定义“非学历的培训（进修）指的是国家正式的学历教育以外的、不授予学位的各种培训（进修），而且，这些培训（进修）必须是出于工作或学习的需要，能够提高个人工作、学习能力”。由于本文主要关注16—64岁的劳动力群体，因此非学历的培训（进修）的回答反映了劳动力的在职教育培训情况。我们将“是否参与在职教育培训”作为本文回归的被解释变量。

　　2. 核心解释变量

　　一是城市产业技术复杂度，它反映了劳动力所面对的就业技术难度或压力。本文借鉴周茂等（2018）的方法，利用中国工业企业数据库中的总产值数据、法国国际展望与信息研究中心（CEPII ）网站提供的出口产品的技术复杂度数据，计算城市层面的制造业技术复杂度来度量城市的就业压力：

        [sophct=joutputjct×prodyj,97joutputjct]                    （1）

　　其中，下标 j、c、t分别代表行业、城市和年份，prodyj,97为1997年行业 j的技术复杂度。为计算该指标，首先，统一行业代码，将样本期的行业代码与《国民经济行业分类》（GB/T 4754-2002）相统一；将1997年产品层面技术复杂度指标对应的 海关编码（6位产品代码）与《国民经济行业分类》（GB/T 4754-2002）匹配。④然后，计算行业 j 的技术复杂度（prodyj,97）。具体而言，在4位数行业内部进行产品复杂度指标的简单平均。最后，利用中国工业企业数据库的工业总产值数据（outputjct）计算每个城市的制造业生产结构，以各行业产值占工业总产值的比重为权重对prodyj,97 进行加权平均，从而构造出城市层面的制造业产业技术复杂度指标。

　　二是住房价格水平。城市层面房价数据综合了《中国城市统计年鉴》《中国区域经济统计年鉴》等，根据地级及以上城市的住宅商品房销售额和销售面积，计算住房平均价格作为基准回归中的实际住房价格变量。此外，在稳健性检验中采用相对房价的定义，即实际住房平均价格与所在城市平均家庭年收入的比值，衡量住房可负担能力，体现了劳动力所面对的住房压力。

　　3. 控制变量

　　个人在职培训参与决策方程中的控制变量如下：一是劳动力个体特征和家庭人口特征变量，主要包括劳动力个体年龄、年龄二次项、性别、婚姻状况、教育程度、是否失业、个人收入、健康状况、工作性质、家庭规模、16岁以下孩子数量、60岁以上老人数量。二是家庭资产变量，主要包括家庭的住房财富和非住房财富，即家庭住房价值、家庭非住房价值、是否拥有两套及以上住房变量。其中家庭住房价值是指家庭拥有住房现值，家庭非住房价值为家庭总资产与家庭住房价值的差值。三是地区哑变量和地区特征变量。为了控制地区因素对回归结果的影响，控制变量还包括城市哑变量、城市人口规模、城市职工平均工资、人均国内产生总值（GDP）、第二产业占就业人口比例。四是年度哑变量，以此控制时间趋势的影响。

　　表1为描述性统计结果。经过数据清洗、城市数据匹配、居民消费价格指数（Consumer Price Index， CPI）调整后，本文得到了2012年和2014年8363个劳动力个体构成的两期平衡面板数据，共16726个观测值。在本文使用的样本中，约9.9%的受访者有过在职培训经历；对于在职培训的种类而言，参与职业技能培训的受访者约为2.3%，参与业务及管理培训的受访者约为7.1%。由此可以看出，大多数劳动者并没有参与在职培训，劳动力在职培训的参与水平不高，这也从侧面反映了中国劳动者在完成学历教育以后，对职后人力资本投资不足。表2进一步比较了在职培训和非在职培训样本的特征差异。参与在职培训劳动力的年龄要显著低于未参与在职培训劳动力的年龄，约小4岁。参与培训样本中农业户口劳动力的比例要显著低于未参与培训样本中农业户口劳动力的比例，城市户口劳动力参与在职培训的概率可能要高于农业户口劳动力。从受教育程度来看，参与培训样本中高中学历和大学学历劳动力占比要显著高于未参与培训样本中的高中学历和大学学历劳动力占比。就工作性质来看，受雇于非农户的个人、组织、企业或单位的劳动者会比从事其他经营活动的劳动者参与在职培训的比例高，有52.7%参与培训的受访者受雇于非农户的个人、组织、企业或单位。值得注意的是，培训参与者与未参与者之间在个人收入和家庭财富上存在着显著差异。参与培训者的平均个人年收入约为2.7万元，比未参与培训者高出约1.6万元。未参与培训的个体，其家庭住房财富平均现值为29.268万，比参与培训者低约31万元，两者之间差异明显。

　　（三）计量模型

　　本文研究限定于局部的劳动力市场，检验本地产业技术复杂度、房价水平对劳动力在职培训参与决策的影响，构建如下模型：

      [Trainingict=β0+β1lnsophct+β2lnhpricect+X'ictα+Z'ctδ+γc+γt+εict]                                 （2）

　　其中，Trainingict为虚拟变量，表示城市c劳动力i在t年是否参与在职培训，如果参与培训则为1，如果没有参与培训则为0。lnsophct表示城市c在t年的产业技术复杂度对数，反映产业升级背景下的技术和就业难度。lnhpricect表示城市c在t年的住房平均价格对数。劳动力个体和家庭层面的控制变量Xict主要包括劳动力年龄、年龄二次项、性别、婚姻状况、户口性质、教育程度、收入水平、就业状况、身体状况、工作性质、家庭人口数量及结构、家庭财富。城市层面控制变量Zct主要包括城市人口规模、工资水平、第二产业占就业人口比例、人均GDP。γc为城市固定效应。γt为年份固定效应。εict为随机干扰项。

　　由于本文采用的是两期平衡面板数据，出于控制那些不随时间变化的个体层面遗漏变量的影响以及简化回归的考虑，基准回归采用线性面板固定效应模型，并采用稳健标准误解决二元因变量带来的异方差问题。在稳健性检验中，我们还运用了Probit模型以及Logit模型进行回归。

四、主要结果

　　（一）基准回归

　　表3第1列的房价和产业技术复杂度估计系数表明，房价上涨抑制个体参与在职培训，而产业技术复杂度的上升则激励个体参与在职培训，产业技术复杂度系数不显著。然而，这一结果并未控制劳动力个人特征、家庭特征以及城市宏观经济特征的影响，可能是伪回归。第2列和第3列显示，随着不同类别的控制变量加入，模型拟合优度R2不断提升，控制变量的加入是合适的；剔除控制变量对劳动力参与在职培训行为的影响，房价与产业技术复杂度对劳动力在职培训参与选择的影响方向及其显著性，并不因控制变量的加入而发生显著改变。第3列展示了在控制个人特征、家庭特征、城市特征、年份和城市固定效应后，房价、产业技术升级对个人在职教育投资选择的影响，以第3列作为基本估计结果。

　　根据表3第3列回归结果，地区房价和产业技术升级对劳动力参与在职教育培训概率产生了异质性影响。房价变量的系数为-0.1079且在5%水平上显著，表明在控制其他因素时，房价对劳动力在职教育培训参与概率的净效应显著为负，且房价上升1%将导致劳动力在职教育培训参与概率下降约0.11%。由此看来，高房价的挤出效应占主导性作用。房价上涨过快，人们发现接受了更多的教育之后自己依然买不起房，由此降低对教育的预期回报率，从而减少对于教育和知识的追求（宋弘、罗长远，2021）。产业技术复杂度变量的系数为0.1812并在5%水平上显著，即产业技术复杂度上升1%将导致劳动力在职教育培训参与概率上升约0.18%。地区产业技术升级促使劳动者增加在职教育培训以实现技能与技术互补，这也验证了在中国经济转型升级的背景下，我国从偏向丰裕的低技能劳动力的技术方式逐渐转变为偏向原本稀缺要素的技术进步，引致人力资本的升级（李静、楠玉，2017）。进一步地，考虑到产业技术升级对劳动力参与在职培训的正向效应可能会受到房价的影响，第4列考察了房价与产业技术升级交乘项的影响。房价与产业技术复杂度变量交乘项的系数估计显示，产业技术升级对在职培训参与率的影响效应会随着房价的上涨而下降。整体而言，高房价削弱了技术复杂度上升对劳动力在职培训投资的正向激励。这说明高房价不仅会直接挤出教育投资，还可能通过增加实体经济成本、挤出制造业投资等方式抑制城市产业技术升级（陈斌开等，2015），进而抑制人力资本水平提升。

　　此外，主要控制变量的回归系数与预期吻合。首先，从个体特征变量的估计结果来看，在其他条件不变的情况下，农业户口劳动者获得在职培训的概率比非农户口劳动者低4.41%，这也与我国农民工及农民职业培训普及率偏低的现实一致。其次，相比初中及以下受教育程度的劳动者，大专及以上学历劳动者在职教育培训参与度更低，其参与在职培训的概率比初中及以下学历劳动者低19%。一般来讲，非技能劳动者相对于技能劳动者，面临更大的失业风险和永久性收入冲击，因此教育程度较低的劳动者迫切希望通过在职培训提升自身技能水平，从而满足新技术环境下的技能要求。从工作性质来看，受雇于非农户的个人、组织、企业或单位的劳动者比从事其他经营活动的劳动者参与在职培训的概率高。另外，家庭特征对个体是否选择参与在职培训的影响不显著，这说明个体在职培训参与决策主要与其个人技能禀赋和工作性质等个人特征相关，受家庭特征影响较小。

　　（二）稳健性检验

　　一是改变计量模型进行稳健性检验。基准回归结果是基于二元因变量的数据连续性的特征进行回归得到的，本文进一步运用固定效应Probit、Logit模型（Cruz-Gonzalez et al.， 2017）进行稳健性检验。表4即为模型改变后房价、产业技术复杂度与劳动力在职培训参与的回归结果。其中第1列和第2列分别为运用FE-Probit模型、FE-Logit模型的估计结果。回归结果依然表示，房价上涨降低了劳动力在职培训参与的概率，而产业技术升级激励劳动者继续进行人力资本投资，参与在职培训的概率提高。

　　二是改变关键变量度量方法的稳健性检验。一方面，考虑到房价收入比指标体现了居民的住房可支付能力，在稳健性检验中，本文进一步用劳动力现居城市住宅平均价格除以城市平均家庭年收入得到相对住房市场价格（hp_inc），以衡量住房负担。另一方面，在基准回归中，产业技术复杂度指标构建过程涉及产业结构的测度，用产业总产值来计算，而在稳健性检验中用从业人数表征产业产出规模重新计算城市产业技术复杂度变量（lnsoph2）进行回归。表4第3列所示，改变房价、产业技术复杂度度量方法的稳健性检验结果表明，替换自变量度量方法后，房价和产业技术升级对个人在职培训参与决策影响的估计结果并未发生明显变化。

　　三是去除移居样本的稳健性检验。在个人教育投资决策中，房价、产业技术升级水平较高的城市往往能提供更优质的公共服务资源和更多的工作岗位，可能存在个体为了获得更好的教育资源或者就业机会而选择移居到房价更高、产业升级水平较高的城市，那么这部分迁移样本的存在可能会导致回归结果不一致。CFPS没有直接的问题来区分流动人口，但调查户籍所在地和现居住地差异可以方便本文识别流动人口。根据户口属地属性有无改变，可以将这些劳动力分为两类：本地劳动力和流动劳动力。⑥本地居民是指持有本区县户口的家户。流动人口是指居住在本区县，但并不具有本区县户口的人群。去除样本中户口不在现居地的样本重新进行回归作为稳健性检验，如表4第4列所示，去除移居样本之后，房价对劳动者参与在职培训可能性有负向影响，而产业技术复杂度的上升对在职培训参与有正向促进作用。两者对在职培训参与依然呈现异质性影响。

　　（三）异质性分析

　　进一步考虑劳动力个体异质性和城市异质性在劳动者在职教育培训参与决策影响中的作用。在劳动力个体异质性方面，区分不同劳动者受教育水平、不同住房财富水平样本。表5第1列和第2列为不同受教育水平的劳动力子样本回归结果。结果显示，对于具有高中及以上学历的群体而言，产业技术复杂度提高对高学历劳动者参与在职培训决策的影响不明显，而对于初中及以下受教育程度的劳动者而言，其在职教育培训参与会受到产业技术升级的正向影响。这说明，即使生产环节复杂化或工作难度提高，高学历者以其技能禀赋可以完全与就业变化相适应，他们对在职培训的需求较少；而低技能劳动者的知识水平与技能水平有限，为了与更高的产业技术水平适配，减少由于工作替代导致失业的可能性，他们提高了对在职培训回报的预期，参与在职培训受到激励。根据前文的机制分析，房价对在职培训投资的综合影响是由正的财富效应和负的挤出效应相互作用而实现的，面临房价上涨，不同住房财富居民之间的教育投资决策出现分化。本文根据住房财富水平三分位数划分低、中、高住房财富组。表5第3列和第4列分别为低住房财富和高住房财富劳动力子样本回归结果。结果表明，房价上涨显著抑制低住房财富劳动力参与在职培训，但不会影响高住房财富劳动力在职教育培训决策。这与已有研究结果相一致，对于无房产以及住房价值极低的劳动力，受制于预算约束，住房支付负担的增加会压缩非住房消费（邓健、张玉新，2011）。而住房财富很高的家庭往往不会受到教育投资的信贷约束，住房财富不会影响其教育支出（陈永伟等，2014）。

　　在城市差异方面，本文主要关注城市规模分类特征。根据2014年《关于调整城市规模划分标准的通知》，将城市划分为两类：超大及特大城市、大中小城市。表5第5列和第6列的回归结果显示，超大及特大城市的劳动者，其在职教育培训参与显著受到房价上涨的影响。这说明，在房价高企的超大及特大城市，劳动力在选择是否参与培训时对房价上涨更敏感，住房成本的提高会显著挤出个人教育投资。而在其他城市，房价相对较低，住房不可负担性相对较小，劳动力在职教育培训激励更多是来自工作压力的变化。

　　在职教育培训按内容划分为两类：职业技术培训和业务管理培训。其中，职业技术培训包括职业资格培训或实用技能培训，此类培训旨在提高劳动者的工作实操能力。业务管理培训则包括业务技能培训和管理能力培训。其中，业务技能培训是指岗位晋升和转岗时的培训，管理能力培训是指企业管理培训和人力资本管理培训。表5第7列和第8列的回归结果表明：房价上涨对职业技术培训和业务管理培训参与率均有负向影响，这说明高房价对在职教育培训投资的挤出不因非学历教育类别的不同而改变。产业技术升级对劳动力参与职业技术培训有显著的促进作用，这反映了技术进步驱动下技术复杂程度的上升需要与技能劳动力形成动态适配关系，直接推动了劳动者加强职业技术等实操培训的需求，以在更复杂与灵敏的操作中保持优势。而就业压力对于业务管理培训没有显著影响，可能业务管理培训侧重于提高部分特定劳动力群体，例如管理者和换岗者的组织能力和业务能力，往往是基于工作性质和岗位变动的需要而被动参与培训，因此生产环节技术复杂度的改变可能对其影响并不明显。

       （四）拓展分析：公共服务的调节效应

　　微观基础的人力资本投入水平，受宏观结构的人力资本供给水平制约（李静等，2019），那么，人力资本供给渠道的畅通，即提供优质的人力资本公共产品和服务，能否改善劳动力在职教育培训发展不充分的情况呢？本文拓展分析重点关注与人力资本积累密切相关的地区教育资源和职业技术教育培训资源⑤的供给情况能否在在职教育培训投资过程中产生正向调节作用。表6显示，人均教育支出对高房价的在职教育培训投资挤出效应有正向调节作用，但统计上不显著。整体教育支出水平的提高和职业技术培训资源的增加强化了产业升级对劳动力在职教育投资的正向效应。这意味地区可获取的教育资源的改善在一定程度上可以减少房价带来的负向影响，还可以加速实现制造业产业升级和人力资本的深度融合。

五、 结语

　　本文在当前劳动力就业压力和住房压力上涨并行的背景下，基于影响劳动力在职教育培训的因素，提出产业技术升级和住房价格持续上涨将对劳动力参与在职教育培训行为产生影响。使用具有全国代表性的中国家庭追踪数据，验证了随着产业技术复杂度的提高，劳动力参与在职教育培训的可能性会上升，而房价的上涨则会降低劳动力参与在职教育培训的概率，并弱化技术升级对劳动力在职培训参与的激励作用。本文从消费关系、劳动力流动、劳动力匹配等多视角讨论了就业压力和住房压力对劳动力在职培训影响的可能解释，认为产业技术复杂度提升带来的就业压力上涨导致地区劳动力就业偏向高技能劳动力，对低技能劳动力产生了较大冲击，高技能高报酬的信号和预期成为激励劳动力参与在职教育培训的主要力量。而房价上涨对劳动力在职教育投资产生了挤出效应，使得房价上涨与劳动力在职教育培训之间呈现负向关系。此外，地区优质的人力资本公共产品和服务的供给在一定程度上能够改善房价上涨对劳动力在职教育培训的挤出，职业技术教育资源的可得性则进一步强化了产业技术升级对人力资本升级的激励作用。

　　基于以上结论，可得到如下启示：考虑到人口数量红利已经结束，早期低技能依赖型生产方式难以维系，而中国经济当前转向以产业升级为目标的高质量发展阶段，由劳动和资本密集型产业向技术和知识密集型产业升级，内在地要求人力资本结构优化。虽然产业技术升级增加了就业风险和工作难度，在一定程度上是一种“就业压力”，但是这种压力对于劳动者来说更多的是化为了动力，实现了产业技术升级与人力资本自发积累的动态演进。同时，在产业升级的过程中，高房价影响了劳动者住房的支付能力，带来了住房压力，显著地挤出了劳动力在职培训参与，抵消了产业技术升级引致人力资本升级效果，是阻碍人力资本积累的重要因素。因此，重点在于合理设计适应产业升级和城市化发展的人力资本职业教育体系。以技术升级为路径指向，推进产业结构调整的同时，形成人才培养供需体系与产业创新体系的有效衔接。不仅要通过学历教育培育新人才，提升人力资本水平，更要关注对人力资本的合理配置，出台有利于劳动力职业生涯规划的就业制度，优化职业教育与培训政策体系，提高技能人才培养效率，优化人力资本多层次供给渠道，从而确保人才总量和结构层次始终与中国产业升级进程相适应，这是高质量发展的根本。此外，针对房价上涨抵消了部分产业升级对劳动力在职培训的激励作用，政府应制定科学的住房供给政策，比如将高级技师等高技术劳动者纳入人才住房政策体系。同时，通过提供优质的人力资本服务缓解房价上涨对在职教育培训的挤出，尤其对于中低技能劳动者，免费为其提供技能培训，围绕现代化开放型产业体系规划的发展需求，助力中低技能劳动者提升技能，为产业技术队伍的不断壮大积蓄后备力量。

　　当然，本文的研究仍存在一些不足之处。例如，限于数据的可得性，本文的流动劳动力样本极其稀少，结果更多反映了本地劳动力的在职教育培训决策，而教育投入和人力资源在城乡和地区间的空间分布本身就影响着教育回报，进而影响教育决策。也就是说，劳动力的流动性特征对劳动力在职教育培训的参与有很大的影响，而这部分是我们无法观测到的。另外，在机制分析中，受数据所限，无法揭示产业升级和房价对技能溢价或工资差异的影响，这部分是影响教育预期收益的重要内容。

　　*本文系教育部哲学社会科学研究重大攻关项目“建立健全住房基础性制度和房地产市场平稳健康发展长效机制研究”（项目编号：19JZD012），中央高校基本科研业务费专项资金项目“社会治理现代化与房地产市场治理模式创新”的阶段性成果。

参考文献：

陈斌开等，2015，《住房价格、资源错配与中国工业企业生产率》，载《世界经济》第4期。

陈维涛等，2014a，《出口技术复杂度、劳动力市场分割与中国的人力资本投资》，载《管理世界》第2期。

陈维涛等，2014b，《地区出口企业生产率、二元劳动力市场与中国的人力资本积累》，载《经济研究》第1期。

陈永伟等，2014，《住房财富、信贷约束与城镇家庭教育开支——来自CFPS2010数据的证据》，载《经济研究》增刊第1期。

邓健、张玉新，2011，《房价波动对居民消费的影响机制》，载《管理世界》第4期。

丁煜等，2011，《农民工参加职业技能培训的影响因素分析》，载《人口学刊》第3期。

董直庆等，2014，《技能溢价：基于技术进步方向的解释》，载《中国社会科学》第10期。

耿峰、秦雪征，2019，《女性教育优势：基于房价上涨对子代教育支出影响的分析》，载《财经研究》第4期。

何兴强、杨锐锋，2019，《房价收入比与家庭消费——基于房产财富效应的视角》，载《经济研究》第12期。

胡昭玲、聂燕峰，2021，《中国出口会影响进口国企业在职培训吗？——来自转型经济体的经验证据》，载《国际商务研究》第2期。

黄静、屠梅曾，2009，《房地产财富与消费：来自于家庭微观调查数据的证据》，载《管理世界》第7期。

姜雨、沈志渔，2012，《技术选择与人力资本的动态适配及其政策含义》，载《经济管理》第7期。

李成友等，2018，《要素禀赋、工资差距与人力资本形成》，载《经济研究》第10期。

李江一，2017，《“房奴效应”导致居民消费低迷了吗？》，载《经济学（季刊）》第1期。

李静等，2019，《提高企业技术应用效率 加强人力资本建设》，载《中国社会科学》第6期。

李静、楠玉，2017，《人力资本匹配、产业技术选择与产业动态比较优势转化》，载《宏观质量研究》第4期。

李坤望等，2014，《对外贸易、劳动力市场分割与中国人力资本投资》，载《世界经济》第3期。

刘冰、陶海青，2008，《人口特征、劳动关系对在职培训影响的实证分析》，载《中国人口科学》第6期。

刘佳纯等，2020，《产业升级驱动下技术工人获得了更多的在职培训吗？来自珠三角地区雇主-雇员匹配数据的实证分析》，载《中国人力资源开发》第10期。

刘三林、明娟，2020，《农民工在职技能培训的决定因素——来自雇主和雇员匹配调查的证据》，载《经济与管理》第6期。

卢晶亮，2017，《资本积累与技能工资差距——来自中国的经验证据》，载《经济学（季刊）》第2期。

陆雪琴、文雁兵，2013，《偏向型技术进步、技能结构与溢价逆转——基于中国省级面板数据的经验研究》，载《中国工业经济》第10期。

马延伟，2015，《当前我国职工培训的问题与对策》，载《教育研究》第11期。

明娟等，2019，《农民工在职培训的影响效应分析——基于佛山市雇主-雇员匹配调查数据》，载《湖南农业大学学报（社会科学版）》第2期。

宋冬林等，2010，《技能偏向型技术进步存在吗？——来自中国的经验证据》，载《经济研究》第5期。

宋弘、罗长远，2021，《高房价会扭曲公众的价值观吗？——基于中国家庭追踪调查（CFPS）的实证分析》，载《经济学（季刊）》第5期。

孙伟增等，2021，《房价上涨与教育选择：财富效应还是就业冲击？》，载《经济科学》第3期。

王京等，2020，《在职培训会影响企业价值吗？——来自我国A股上市企业的经验证据》，载《经济科学》第1期。

王万珺等，2015，《在职培训、研发投入与企业创新》，载《经济与管理研究》第12期。

吴伟东，2014，《劳动者的在职培训意识及其影响因素分析——基于上海等十个城市的问卷调查》，载《暨南学报（哲学社会科学版）》第11期。

夏怡然，2015，《农民工的在职培训需求及其异质性——基于职业选择行为的经验研究》，载《世界经济文汇》第2期。

杨晓军、陈浩，2008，《农民工就业培训的投资决策模型及实证分析》，载《中国人口科学》第6期。

袁富华等，2015，《长期经济增长过程中的人力资本结构——兼论中国人力资本梯度升级问题》，载《经济学动态》第5期。

张慧慧等，2018，《房价上涨可以解释高等教育升学率的性别差异吗？》，载《世界经济文汇》第4期。

张军等，2018，《劳动力市场分割的技能偏向如何影响家庭人力资本投资》，载《中国工业经济》第8期。

张平、张鹏鹏，2016，《房价、劳动力异质性与产业结构升级》，载《当代经济科学》第2期。

赵正洲等，2012，《返乡农民工参与职业技能培训的影响因素分析——基于河南、湖北、湖南3省35个市（县）的调查》，载《教育与经济》第4期。

周茂等，2018，《地区产业升级与劳动收入份额：基于合成工具变量的估计》，载《经济研究》第11期。

Acemoglu, Daron, 1999, “Changes in Unemployment and Wage Inequality: An Alternative Theory and Some Evidence,” American Economic Review, Vol. 89, No. 5, pp. 1259-1278.

Acemoglu, Daron, 2003, “Why do New Technologies Complement Skill? Directed Technical Change and Wage Inequality,” Quarterly Journal of Economics, Vol. 113, No. 4, pp. 1055-1089.

Autor, David H. et al., 2003, “The Skill Content of Recent Technological Change: An Empirical Exploration,” The Quarterly Journal of Economics, Vol. 118, No. 4, pp. 1279-1333.

Becker, Gary S., 1962, “Investment in Human Capital: A Theoretical Analysis,” Journal of Political Economy, Vol. 70, No. 5, pp. 9-49.

Brunello, Giorgio et al., 2012, “Training Subsidies and the Wage Returns to Continuing Vocational Training: Evidence from Italian Regions,” Labour Economics, Vol. 19, No. 3, pp. 361-372.

Campbell, John Y. & Joao F. Cocco, 2007, “How do House Prices Affect Consumption? Evidence from Micro Data,” Journal of Monetary Economics, Vol. 54, No. 3, pp. 591-621.

Charles, Kerwin Kofi et al., 2018, “Housing Booms and Busts, Labor Market Opportunities, and College Attendance,” American Economic Review, Vol. 108, No. 10, pp. 2947-2994.

Cloyne, James et al., 2019, “The Effect of House Prices on Household Borrowing: A New Approach,” American Economic Review, Vol. 109, No. 6, pp. 2104-2136.

Eberhard, Juan et al., 2018, “The On-the-Job Training Decision in Latin America,” IDB Publications (Working Papers) 8661, Inter-American Development Bank.

Fabra, M. Eugenia & Cesar Camisón, 2009, “Direct and Indirect Effects of Education on Job Satisfaction: A Structural Equation Model for the Spanish Case,” Economics of Education Review, Vol. 28, No. 5, pp. 600-610.

Haelermans, Carla & Lex Borghans, 2012, “Wage Effects of On-the-Job Training: A Meta-Analysis,” British Journal of Industrial Relations, Vol. 50, No. 3, pp. 502-528.

Huang, Ming-Hui & Roland T. Rust, 2018, “Artificial Intelligence in Service,” Journal of Service Research, Vol. 21, No. 2, pp. 155-172.

Lee, Jong-Wha et al., 2022, “Can Older Workers Stay Productive? The Role of ICT Skills and Training,” Journal of Asian Economics, Vol. 79, 101438.

Liao, Tung-Shan et al., 2011, “The Role of the Market in Transforming Training and Knowledge to Superior Performance: Evidence from the Australian Manufacturing Sector,” International Journal of Human Resource Management, Vol. 22, No. 2, pp. 376-394.

Liu, Qing & Ruosi Lu, 2016, “On-the-job Training and Productivity: Firm-level Evidence from a Large Developing Country,” China Economic Review, Vol. 40, pp. 254-264.

Cruz-Gonzalez, Mario et al., 2017, “Bias Corrections for Probit and Logit Models with Two-way Fixed Effects,” Stata Journal, Vol. 17, No. 3, pp. 517-545.

Marouani, Mohamed A. & Björn Nilsson, 2016, “The Labor Market Effects of Skill-biased Technological Change in Malaysia,” Economic Modelling, Vol. 57, pp. 55-75；

Morikawa, Masayuki, 2021, “Employer-provided Training and Productivity: Evidence from a Panel of Japanese Firms,” Journal of the Japanese and International Economies, Vol. 61, 101150.

Nguyen, Thanh Quy et al., 2021, “Do Workers Benefit from On-the-job Training? New Evidence from Matched Employer-employee Data,” Finance Research Letters, Vol. 40, 101664.

Pischke, Jörn-Steffen, 2001, “Continuous Training in Germany,” Journal of Population Economics, Vol. 14, No. 3, pp. 523-548.

Salas-Velasco, Manuel, 2009, “Beyond Lectures and Tutorials: Formal On-the-job Training Received by Young European University Graduates,” Research in Economics, Vol. 63, No. 3, pp. 200-211.