一、引言

教育作为社会流动的重要机制以及社会分层的主要维度，一直受到研究者的广泛关注。自1999年以来，中国的高等教育迅速扩张。国家统计局公布的数据显示，普通高校数量从1998年的1 022所增长到2014年的2 529所；普通高校招生人数也由108.4万增长到721.4万(国家统计局，2015)。西方国家的一些研究发现，不论是教育分层的变化趋势还是教育扩张均有利于女性(Hout and Diprete, 2006)，中国也不例外。有资料表明，在中国城市劳动力市场上，男女受教育程度的差异在2001年时已经消失(Zhang，et al.，2005)；相较于男性，女性在大学入学率上自2005年就开始具有优势(Wu and Zhang, 2010)。人力资本理论认为，女性由于婚育等家庭角色的需要，在人力资本(如教育、技能和工作经历)上的投入比男性少。因此，两性在职业发展和收入方面的差距反映的正是对不同人力资本投入支付成本的补偿(Becker，1991)。然而，两性在受教育程度上的趋同甚至反转却没有使劳动力市场的性别差异从此消失。20世纪80年代至今，中国城镇男女劳动参与率和工资差异总体呈逐渐扩大的趋势(王天夫等，2008；Wu and Zhou, 2015)。尽管职业性别隔离程度有所减弱，但依然很高(李汪洋、谢宇，2015)，在蓝领和半蓝领职业中尤为突出(李春玲，2009)。如果教育获得是职业获得的重要影响因素，当男女在受教育程度上的差异消失时，他/她们在劳动力市场上的地位为何没有随之变化？

教育的平等不仅局限于受教育程度。高等教育专业领域的性别隔离是一个重要却没有引起足够重视的方面(Gerber and Cheung, 2008)。专业性别隔离通常是指由于某些社会因素，不同性别的受教育者集中在高等院校的不同专业，从而形成专业分布不均衡的状态。事实上，专业领域的性别隔离现象在许多西方国家都存在：男性多集中在科学、技术、工程和数学(Science，Technology，Engineering & Mathematics，简称STEM)等领域，而女性多集中在人文社科等非STEM领域。¹类似现象在中国大学中也存在(文东茅，2005；甘开鹏，2006)。就读于不同专业的学生在大学期间积累了不同的人力资本，进而影响着他/她们毕业后的职业选择和发展路径(纪月梅、秦蓓，2004；Kim，et al.，2015；Xie and Shauman, 2003)。

关于大学专业对中国大学毕业生劳动力市场地位获得的影响，以往的研究往往关注大学所学专业的性别差异如何影响他/她们毕业后的起薪(申晓梅等，2010)。薪资的支付与个体所从事的职业相关，而从事何种职业又往往与大学所学专业相关(即所谓的“专业对口”)。一个重要但经常被忽视的机制是：男性和女性因为专业选择的不同，在进入劳动力市场前就已经开始分化。相较于人文社科类专业，学习STEM专业的学生更可能进入社会经济地位较高的职业。由于男性有更高的比例选择STEM专业，这种专业分布上的差异使男性有更多的机会进入社会经济地位较高的职业，而女性则更可能进入社会经济地位较低的职业(Gross，1968)。结果，社会经济地位较高的职业(如经理、专业技术人员等)，男性较为集中；社会经济地位较低的职业(如办公室文员、销售员等)，女性较为集中，从而在宏观层面形成了职业的性别隔离现象。在世界范围内，职业的性别构成对劳动力市场的性别收入差异有较强的解释力。在美国，职业性别构成解释了7%~32%的性别收入差异；在欧盟12国，职业性别构成对收入差异的解释力约为25%(European Commission，2002)。在希腊，职业性别构成对性别收入差距的解释力更是高达50%~56%(Karamessini and Ioakimoglou, 2007)。因此，研究职业性别构成的形成机制对深入理解劳动力市场的性别分层来说非常重要。然而不可否认的是，在这一过程中，个体即便是自愿选择，实质上仍受限于社会结构和性别规范。

本文基于“首都大学生成长追踪调查”数据，对大学生初职的性别构成建模，展示了从专业选择的性别差异到职业获得的性别差异的传导机制。接下来，本文将首先梳理有关高等教育扩张、性别不平等与专业隔离的文献；接着对本研究所使用的数据、关键变量和分析策略进行介绍；最后基于建模分析结果进行总结和讨论。

二、高等教育扩张、性别不平等与专业隔离 (一) 高等教育中专业的性别隔离

在西方社会，随着中小学教育的逐渐普及，越来越多的学者开始关注高等教育对社会分层的影响(Shavit，et al.，2007)。豪特和迪普莱特(Hout and Diprete, 2006)研究发现，女性是现代社会中教育扩张的受益者。在高等教育机会供给有限的情况下，大学教育是通向社会经济地位较高的职业的重要途径。然而，随着高等教育逐渐从精英教育向大众教育过渡，大学文凭不断贬值，获得高薪工作的门槛越来越高(Shavit and Kraus, 1990；Van de Werfhorst and Andersen, 2005)。受教育程度对职业分化的解释力越来越弱，中国也是如此(廉思，2009)。20世纪90年代末中国高等教育的迅速扩张，使女性在受教育程度上的劣势开始逆转(Wu and Zhang, 2010)，然而劳动力市场上的性别收入差异却在扩大(Zhang，et al.，2005)。如果通过受教育程度无法标识和区分个体的能力，是否掌握进入高薪、高社会经济地位的职业所需的相关技能就会成为解释个体职业分化的关键。由此，大学专业——作为高等教育中一个重要的横向分层维度(horizontal stratification)，具有至关重要的作用(Gerber and Cheung, 2008)。

与西方类似，中国的高等教育同样存在着严重的专业性别隔离现象。《中国大学生成长报告2015》显示，在首都大学生中，女生就读文学、历史、艺术领域专业的比例均超过65%，分别为75.8%、66.6%和65.3%；而就读理科、工科专业的比例仅分别为37.2%和28.8%(贺光烨，2015)。不同类型的学校在专业设置、学生录取等方面存在差异。与非“211”高校和其他“211”高校相比，北京大学、清华大学和中国人民大学(以下简称北清人)三所精英大学的专业性别隔离程度最高，其标准化相异指数²为37，表明有37.0%的学生需要改变专业才能使男女在专业上的分布相同。北清人三校的性别专业相异指数与其他“211”高校和非“211”高校相比高出近12%。进一步分生源地来看，相较于北京本地生源，外地学生在北清人三校的专业性别隔离程度更高，而北京本地学生在北清人三校的专业性别隔离程度与其他“211”高校相比并无明显差异。原因在于，一方面，首都高校各专业的京外招生名额及比例有所不同，理工科在京外招生名额更多、比例也更高；另一方面，来自京外地区的学生的性别构成也不同，女性比例相对较低。

(二) 从专业选择到职业获得

大量研究表明，大学专业的选择会对个人的职业生涯(如薪酬、职业、行业等)产生重要影响(闵维方等，2006)。专业的选择在很大程度上意味着教育由积累一般人力资本转变为积累专用型人力资本(孟大虎，2005)。大学生从入学就开始接受与其所选专业相关的培训，在校期间不断积累与对口职业相关的人力资本，从而形成路径依赖，使个体可选的职业范围受到限制(纪月梅、秦蓓，2004；Kim，et al.，2015；Xie and Shauman, 2003)。由于专业不同，学生在校期间所接受的训练以及掌握的技能也不同。这种专用技能的性别差异在很大程度上导致两性在职业分布上的差异，进而导致他们在劳动力市场上的收入差异(孟大虎，2005)。文东茅(2005)的研究发现，在中国，毕业于文学、历史、法学、经济学等女生集中的专业的毕业生其平均收入通常比毕业于科学、工程、技术等男生集中的专业的毕业生的平均收入要低。

(三) 传统性别规范下的性别差异

需要提及的是，个体的大学专业选择在很大程度上还受制于传统的性别规范。有研究表明，男性更多地进入理工科专业，而女性更多地选择文史哲等专业，这与两性的专业兴趣相关(Leslie，et al.，2015；Nosek，et al.，2009)，而两性在专业兴趣上的差异深受性别文化的影响。性别社会化使个体从幼年开始就对不同性别属性形成相对固定的看法和观念。就专业选择来讲，男性由于其养家糊口的责任在选择专业时会更注重与专业相关的经济收益和未来可能从事的职业的社会地位；而女性则可能考虑到其照顾家庭的责任而更倾向于选择毕业后容易从事强度较低、环境稳定、时间灵活自由的工作的专业(龚惠香、汪益民，2000；Ceci and Williams, 2010，2011；Ceci，et al.，2009；Charles and Bradley, 2009；Charles，et al.，2014；Nosek，et al.，2009)。在社会价值观念的影响下，对不同性别的社会角色期待建构出了一套生产与再生产的机制。个人在成长过程中逐步通过家庭、学校、同龄人、社会媒体等机制将社会性别期待内化，形成了男女有别的偏好、个人品味和知识积累等(Croson and Gneezy, 2009；Fredricks and Eccles, 2002；Herbert and Stipek, 2005；Jacobs，et al.，2005，2006；Lavy and Sand, 2015；Riegle-Crumb，et al.，2012)。两性在专业分布上的差异在很大程度上受到性别文化的影响，使两性在进入劳动力市场之前就开始分化。在进入劳动力市场后，对于同样接受了大学教育的男性和女性而言，这种专业分布上的性别差异由于路径依赖导致两性在职业获得及收入上的差异。

性别文化对个体成长轨迹的影响一方面通过性别社会化内化为个体的偏好和兴趣，另一方面通过社会对个体的性别角色期待起作用(王金玲，2011)。即便男女受教育程度和专业选择都相同，他/她们仍旧更倾向于进入符合自身性别角色期待的职业。在性别文化的持续影响下，女性更倾向于选择可以兼顾家庭、时间灵活的职业。这些职业往往技术要求低、经济回报也不高。而那些进入了对专业技能要求高、时间灵活度低、经济回报高的以男性为主导的职业的女性，由于偏离了社会对她们的性别角色期待，这部分女性在工作岗位上反而更容易因偏见(negative bias)的影响而处于不利地位(Knobloch-Westerwick，et al.，2013；Moss-Racusin，et al.，2012；Reuben，et al.，2014)，进而导致两性在劳动力市场的收入差异(England，1992)。

三、数据、变量与分析策略 (一) 数据

本文基于“首都大学生成长追踪调查”(Beijing College Student Panel Survey，BCSPS)数据，主要关注大学专业的性别分布如何影响两性进入以男性为主导的职业。研究总体限定为北京市范围内所有教育部直属、其他中央部委或北京市所属非民办大学中的全日制本科生(李路路，2013)。调查总体为2006年和2008年秋季入学的本科生，在2009年分别处于大一和大三。该项目采用多阶段分层抽样方法，对北京15所高校的4 771名大学生进行追踪调查，旨在通过搜集长期追踪数据对大学生在校期间的成长经历以及从学校走向社会的转变过程进行系统的实证研究。首期调查于2009年完成，2010年、2011年、2012年、2013年又分别进行了四次追踪调查。该数据库能够提供丰富的个体信息，供研究者分析当代中国大学生的成长过程及其毕业后在劳动力市场上的表现(吴晓刚，2016)。

本文主要关注两个问题：一是大学生的专业选择，二是专业选择如何影响初职进入。关于专业选择，本文仅用了首期调查的数据。删除变量缺失值后，样本量为4 429。其中，2006级和2008级的学生各占一半左右，分别为48.54%和51.46%。有关初职进入的信息自2011年才开始出现在调查问卷中，且这一变量缺失较多，一方面是因为很多学生毕业后继续读研究生，没有马上就业(李忠路，2016)；另一方面是因为很多学生毕业后没有留京工作，样本流失。为了尽可能填补缺失信息，本文采用差补替换的方式进行处理，最终本研究得到2 214个分析样本。³

(二) 变量

本研究的因变量主要有两个。由于本研究的第一部分是对大学生的专业选择进行分析和预测，因此，第一个因变量为大学专业。该变量是一个分类变量：1.经济学(包括农学)；2.法学(包括哲学、教育学)；3.文学/历史/艺术；4.理科；5.工科(包括医学)；6.管理学。本研究的第二部分是分析大学毕业生进入男性主导职业的决定因素。某职业是否属于男/女性主导职业与职业的性别比密切相关。在这部分的分析中，本文将着眼于大学所学专业，研究大学专业对两性进入男性主导职业的影响。大学专业在此成为关键自变量，初职是否属于男性主导职业则为因变量(1.男性主导职业；0.女性主导职业)。该变量的构建基于两方面信息：第一份工作的类别以及基于该工作类别计算的职业内性别比例。如果职业内的女性比例超过50%，则将其归为女性主导职业；如果女性所占比例小于50%，则归为男性主导职业。最后，本研究所构建的男性主导职业包含：企业经营管理人员、研究开发人员/技术工人、专业技术人员(如工程师、医生、律师、教师等)。在首都大学生成长追踪调查数据中，这三类职业的男性占比分别为53.4%、53.7%和69.9%。上述比例与第六次全国人口普查数据所反映的职业内男性比例基本一致。⁴

大学和专业的选择通常在高考前后填报志愿时已确定。一般来说，影响个体能否上大学、上什么大学以及读什么专业的因素主要包括：家庭背景、高考成绩以及考生的个人特征和动机。家庭背景通过自评家庭综合社会经济地位来测量，该变量为定序变量(1.上层；2.中上层；3.中层；4.中下层；5.下层)。为简洁起见，本文在分析中将其看作连续变量，即分数越高，自评家庭综合社会经济地位越低。尽管家庭综合社会经济地位反映了家庭为子女教育提供经济支持的能力，但布尔迪约(又译布迪厄)(Bourdieu，1989)等学者指出，文化资本的差异对教育不公平的影响更加显著，因为学校不论在招生还是课程设置方面反映的是优势阶级的品味追求和生活惯习(布尔迪约、帕斯隆，2002)。根据被访者对“上大学以前，您家里是否有以下这些东西?”中15个选项的回答，本研究构建了“文化资本”这个变量。本研究首先将其中的每一道题编码为虚拟变量(0=否；1=是)，通过因子分析发现这15个选项背后包含1个潜在因子。根据因子负荷和Cronbia’s alpha可信度检验，本研究进一步发现，用除游戏机之外的14个指标构建因子可以获得最高的信度。因此，本研究将这14个指标进行等权重处理构建了文化资本这个变量，依据该方法所得的文化资本量度的变异为0到1，数值越大表示受访者家庭拥有的文化资本越多。⁵

高考成绩是大学及专业录取的重要标准。由于首都大学生来源地和来源方式(如学生配额、高考分数线、成绩分布等)的多样性，来自不同省份的学生的高考分数不具有可比性。因此，分不同省份和年份，本研究对高考分数进行了标准化。标准化的具体方法如下：首先，用考生分数与一本分数线的差除以一本与二本分数线的差，得到初步标准化的高考成绩(Han and Li, 2009); ⁶然后将标准化后的成绩减去其最小值除以最大最小值之差，再乘以100，使标准化成绩在0到100之间变动。考虑到各学校的资源配置及各专业的招生配比有所不同，本研究控制了学校类型，该变量为三分类变量：1.非“211”院校；2.“211”院校；3.精英学校(北清人三校)(吴晓刚，2016)。受访者自身的特征无论对专业选择还是职业地位的获得而言都很重要。本研究还控制了受访者的入学年份(是否2008年入学)、入学前的户口(是否为北京生源)。它们都被编码为0-1虚拟变量(是=1)。

不论是学习还是工作，个体对自己学习能力以及工作能力的判断、学习或工作的积极性，均会对个体的教育和职业获得产生进一步的影响。基于问卷中的一般自我效能感量表，本研究构建了自我效能变量(Jerusalem and Schwarzer, 1992)。一般自我效能感量表包括10个问题(1.如果我尽力去做，我总是能够解决难题的；2.即使别人反对我，我仍有办法取得我想要的东西；3.对我来说，坚持理想和达成目标是轻而易举的；4.我自信能够有效地应付任何突如其来的事情；5.以我的才智，我一定能够应付意料之外的情况；6.如果我付出必要的努力，我一定能够解决大多数难题；7.我能冷静地面对困难，因为我依赖自己处理问题的能力；8.面对一个难题时，我通常能找到几个解决办法；9.有麻烦的时候，我通常能想到一些应付的方法；10.无论什么事在我身上发生，我都能够应付自如)。每个问题对应4个选项(1.完全不符合；2.勉强符合；3.比较符合；4.完全符合)。对该量表进行简单求和，数值越大表示自我效能感越强。

(三) 分析策略

根据前文的论述，大学毕业生初职获得的性别差异受到大学专业的影响。以女性为例，大学专业对初职获得的影响表现为：女性选择了女生占多数的专业后更有可能进入女性主导的职业，但是如果女性选择了男生占多数的专业，她们也会有更大的机会进入男性主导的职业。在这一过程中，大学期间的专业训练以及通过专业训练所掌握的技能对初职获得的影响尤为重要。此外，传统性别文化也间接发挥作用，表现为女性即便选择了男生占多数的专业，毕业后还是更有可能进入女性主导的职业。

本研究的主体包括两部分，一是就影响不同性别的大学生专业选择的因素进行建模，二是分析大学专业如何影响初职获得。

首先是对大学生的专业选择进行建模。由于大学专业为一系列独立互斥的类别，本研究运用多分类逻辑斯蒂回归模型对专业选择进行预测，模型如下：

$ \begin{array}{l} \log\frac{{{\pi _{ij}}}}{{{\pi _{iJ}}}} = {\alpha _j} + {\beta _j}{X_i}\\ \left( {j = 1,2, \ldots ,J - 1} \right) \end{array} $

(1)

其中，π_ij为选择专业j的概率，π_iJ为选择专业J(参照组)的概率，那么$\log\frac{{{\pi _{ij}}}}{{{\pi _{iJ}}}} $表示选择专业j相对于专业J的对数发生比(log odds)。以文学/历史/艺术专业为参照组，所有回归系数都是专业j相对参照专业J得出的。α_j为常数项，X_i表示分析所涉及的i个自变量，β_j为自变量的回归系数。⁷

基于分性别的多分类逻辑斯蒂回归结果，本研究进一步构建了不同性别的虚拟专业分布，即用另一群体(如男性)的专业选择模型和本群体(如女性)的自变量特征分布重新预测本群体的专业分布。该方法可以规避个体不可观测特征对大学专业选择的影响，假定具有相同特征的个体进入同一专业的概率相同。就性别而言，本研究可以基于男性和女性样本计算出他/她们各自的虚拟状态，即可以利用男性专业预测矩阵和女性实际的自变量特征分布，计算出女性的虚拟专业分布，反之亦然。因此，对不同性别群体而言，本研究可以基于另外一方的专业决定模型，重新计算出样本进入各专业的概率。概率计算公式如下：

$ \begin{array}{c} {P_{ij}} = prob({\rm{majo}}{{\rm{r}}_j}) = \frac{{{e^{{X_i}{\hat \pi _j}}}}}{{\sum\nolimits_{k = 1}^J {{e^{{X_i}{\hat \pi _j}}}} }}\\ (i = 1, \cdots ,I;j = 1, \cdots ,J) \end{array} $

(2)

与之前一致，X_i为影响专业选择的自变量，$\hat \pi _j $为另一群体的专业选择模型的参数估计。在计算女性虚拟专业分布时，所用的$\hat \pi _j $是男性专业选择模型的参数估计；同样，在计算男性虚拟专业分布时，所用的$\hat \pi _j $是女性专业选择模型的参数估计。换言之，若影响女性专业选择的因素以及强度与男性一样时，她们的专业分布会是什么样。简言之，本研究在这里展现的是在去性别文化(或者无差异性别文化)条件下两性各自的专业分布情况。⁸然后进一步看在虚拟专业分布下，两性初职获得的情况。本研究首先用二分类逻辑斯蒂回归模型预测样本初职是否为男性主导的职业(即企业经营管理人员、技术工人和专业技术人员)。模型如下：

$ \begin{array}{c} \log\frac{{{\eta _i}}}{{1 - {\eta _i}}} = {\gamma _0} + {\delta _1}Female + {\delta _{2j}}Majo{r_j} + {\delta _i}{X_i}\\ \left( {i = 3, \ldots ,I;{\rm{ }}j = 1, \ldots ,J} \right) \end{array} $

(3)

其中，η_i为进入男性主导职业的概率，Female和Major_j为分析的主要自变量，δ₁和δ_2j分别为变量对应的回归系数，其他控制变量为X_i。为检验专业选择对不同性别的大学毕业生进入男性主导职业的影响，本研究比较了公式(3)在控制Major_j前后δ₁的变化。

为了显示专业选择的性别差异可以在多大程度上解释男女大学毕业后的初职获得，本研究根据公式(3)分别对男性和女性进行估计，基于该估计结果，本研究进一步采用了非线性模型的Blinder-Oaxaca分解方法(Bauer and Sinning, 2008)。与基于线性模型的传统分解方法类似，基于非线性模型的Blinder-Oaxaca分解也是将两个群组在因变量上的差异分解为可观测的特征差异和估计系数的差异(Bauer and Sinning, 2008)。在本研究中，该公式可具体表达为：

$ \begin{align} \mathit{\Delta} ^{NL}_F =& \{ {E_{\beta F}}({Y_{iF}}|{X_{iF}}) - {E_{\beta F}}({Y_{iM}}|{X_{iM}})\} \\ &+ \{ {E_{\beta F}}({Y_{iM}}|{X_{iM}}) - {E_{\beta M}}({Y_{iM}}|{X_{iM}})\} \end{align} $

(4)

其中，E_βF(Y_iF|X_iF)为女大学毕业生进入男性主导职业的条件期望，E_βM(Y_iM|X_iM)则是男大学毕业生进入男性主导职业的条件期望。E_βF(Y_iM|X_iM)为男大学毕业生基于女大学毕业生的自变量回归系数估计所得的男性主导职业的条件期望。变更参照组后可以得到以下公式：

$ \begin{align} \mathit{\Delta} ^{NL}_M = &\left\{ {{E_{\beta M}}\left( {{Y_{iF}}|{X_{iF}}} \right) - {E_{\beta M}}\left( {{Y_{iM}}|{X_{iM}}} \right)} \right\}\\ &+ \{ {E_{\beta F}}({Y_{iF}}|{X_{iF}}) - {E_{\beta M}}({Y_{iF}}|{X_{iF}})\} \end{align} $

(5)

关于公式(4)和(5)，等式右侧第一部分表示由男女大学毕业生的个体特征差异导致的两性在从事男性主导职业上的差异，第二部分表示由男女大学毕业生在所估计系数上的差异所引起的两性在从事男性主导职业上的差异。为了说明专业选择差异对进入男性主导职业的解释力，本研究对未控制专业和控制专业影响后的模型进行了分解，然后比较观测特征差异解释百分比的变化。

最后，为了直观展示专业对初职类别的影响，本研究利用计算所得的男女虚拟专业分布，结合样本自身的初职获得矩阵，进一步计算了虚拟专业分布下样本进入男性主导职业的概率。

四、研究发现 (一) 大学生的专业选择 1. 描述性统计

首先，本文对不同性别群体的大学专业分布进行了描述。表 1为基于2009年首期调查数据的描述性统计结果。总体来看，在BCSPS样本中，就读工科专业的学生最多，占总体的38.5%；其次是管理学、文学/历史/艺术、理科，比例均超过10%，比例最低的是经济学和法学，分别为7.32%和6.11%。分性别来看，不同性别群体在专业分布上存在很大差异，男生主要集中在工科和理科，仅这两类专业就占所有男生样本的69.5%。相对而言，女生的专业分布较为平均：就读管理学、文学/历史/艺术专业的比例较高，分别占女生样本的24.30%和24.91%；就读工科专业的女生也不在少数，大约占女生样本的22.61%。就学校类型来讲，女生就读于非“211”院校的比例较高(41.65%)，男生就读于“211”院校的比例较高(41.23%)。进一步看家庭背景，相较于男生，女生的家庭条件更好，她们的家庭综合社会经济地位更高，家庭文化资本也更多。女生为北京生源的比例较高，大学入学前为农村户口的比例较低。标准化后的高考成绩男生比女生略高，这可以在一定程度上解释为什么男性更多地进入了“211”院校。

2. 多分类逻辑斯蒂回归模型预测大学生的专业选择

表 2为多分类逻辑斯蒂回归模型的分析结果。在这里，参照组为文学/历史/艺术专业。模型1为基础模型，仅纳入了性别及其他个体层次的自变量。在控制了其他个体特征之后，相较于文学/历史/艺术专业，女性进入其他专业的可能性均低于男性，其中，女性进入工科专业的可能性最低，其相对发生比率比男性低86.6%(1-e^-2.013)。女性就读理科专业的相对发生比率比男性低80.1%(1-e^-1.616)，进入管理学、法学、经济学专业的相对发生比率比男性分别低47.3%(1-e^-0.640)、49.0%(1-e^-0.673)和32.4%(1-e^-0.392)。

考虑到不同类型的学校在专业设置上的差异，模型2在模型1的基础上加入了学校类型。结果显示，进一步纳入学校类型变量后，女性进入除文学/历史/艺术之外的专业的劣势并没有减弱(除法学专业外)，甚至在一定程度上有所增加，一个可能的原因是两性在不同类型的学校中的分布存在差异(见表 1)。

家庭出身对专业选择具有重要影响。在模型3中，本研究进一步纳入了家庭背景的相关变量——自评家庭综合社会经济地位和文化资本——来分析家庭背景对专业选择的性别差异的解释力。相较于模型2，女性进入理工科、管理学、经济和法学专业相比文学/历史/艺术专业的劣势仅略有减少。相较于文学/历史/艺术专业，女性选择就读理科专业的相对发生比率比男性低79.3%(1-e^-1.575)，选择就读工学专业的相对发生比率比男性低86.3%(1-e^-1.991)。家庭文化资本是影响大学生专业选择的一个重要因素。家庭文化资本具有优势的个体更可能选择文学/历史/艺术专业，而选择理科和工科专业的可能性较低。分性别来看，家庭文化资本对女性专业选择的影响更大(Hu and Wu, 2017)。⁹

3. 虚拟专业分布

上述分析结果表明，在控制了学校、家庭和个体特征因素的影响后，两性在专业选择上的差异仍旧显著。有研究认为，性别差异很大程度上是传统性别文化传播和延续的结果(Okamoto and England, 1999)。即便男性和女性除性别以外的其他特征都一样，他/她们仍旧可能主动或被动地选择不同的专业。为了分析性别文化的影响，笔者进行了以下设想，如果女性可以按男性选择专业的模式进行选择，她们的专业分布会如何?同样，如果男性按照女性选择专业的模式进行选择，他们的专业分布又会如何呢？以上设想基于这样一个假设：对于从同一总体中随机抽取的两个个体而言，如果他/她们所有的特征都一样，那么他/她们选择同一专业的概率也应该一样。倘若这两个个体除性别之外的其他特征都一样，但他/她们选择同一专业的概率却相差甚远，那么这种差异可能源于与性别相关联的不可观测的因素，比如，性别文化。本文比较的是，女性实际的专业分布与这些女性如果是男性的话，基于她原有的特征所构成的虚拟专业分布，由同样的方法可获得男性的虚拟专业分布。分性别的大学专业虚拟分布呈现在表 3中。

从表 3中可以发现，不论男女，当用对方的专业选择模型的参数估计模拟自身的专业选择后，其虚拟专业分布与实际观测到的相差较大。就女性而言，如果按照男性专业选择预测矩阵进行估计，其就读理学专业的比例会增加53.9%，而就读工科专业的可能性会增加1.18倍；就读文学/历史/艺术专业的比例会降低63.0%，就读管理学专业的比例会减少36.3%。对男性而言，如果以女性专业选择预测矩阵进行估计，其就读理学专业的比例会减少30.2%，就读工科专业的比例会减少49.7%，而就读文学/历史/艺术专业的比例则是原来的2.89倍，就读管理学专业的比例则会增加60.0%。这种实际与虚拟的专业分布的巨大差异可能在一定程度上反映了不可观测的性别文化对个体的潜在影响。这种影响会贯穿个体生命历程始终，通过性别社会化的过程部分内化为个体的偏好，影响个体的专业选择，进而影响着我们所观察到的现实与虚拟的反差。

(二) 初职进入 1. 描述性统计

在本部分的分析中，大学专业成为关键自变量，用以分析其对初职类别的影响，具体地说，即大学专业对样本进入男性主导职业的影响。表 4为初职数据的描述性统计。与女大学毕业生(49.37%)相比，男大学毕业生(68.33%)进入以男性为主导的职业的比例更高。在这部分大学毕业生样本中，工科学生占比最高，为35.09%；其次为管理学，为23.44%。从学校类型来看，来自非“211”院校的本科生毕业后直接工作的比例更高，而来自北清人三所精英大学的本科生毕业后直接就业的比例最低。这可能与精英大学的本科生毕业后大多选择继续深造(包括海外留学)有关。在该样本中，北京生源的比例为37.58%，比基线数据的比例(30.01%)更高，在一定程度上反映了来自北京以外地区的本科生就业压力大、就业难的困境，很多人可能选择在京外就业。

2. 职业地位获得的二分类逻辑斯蒂回归结果

本研究首先对所有样本进行回归分析，然后再分性别进行回归。表 5为运用二分类逻辑斯蒂回归模型分析的进入男性主导职业的影响因素。模型1为基础模型，结果显示，女性进入男性主导职业的发生比率比男性低53.37%(1-e^-0.763)。模型2进一步控制了大学专业的影响，可以发现，女性进入男性主导职业的劣势大大减弱，回归系数从模型1的-0.763变为模型2的-0.418。女性进入男性主导职业的发生比率比男性仅低34.61%(1-e^-0.418)。就专业的影响而言，与毕业于文学/历史/艺术专业的毕业生相比，理工科专业的毕业生更有可能进入男性主导的职业(工程技术类专业人员)。在控制了其他变量后，理工科专业的毕业生进入男性主导职业的发生比率分别是文学/历史/艺术专业毕业生的2.40和3.72倍。法学专业的毕业生进入这些职业的发生比率也不低，比文学/历史/艺术专业的毕业生高出了76.5%(1-e^0.568)，但这一优势仅适用于男性样本，对女性并无显著影响。两性进入男性主导职业的差异在很大程度上可以解释两性在劳动力市场上的收入差异。¹⁰

为进一步揭示专业的重要性，本研究进行了Blinder-Oaxaca分解。如表 6所示，Omega=1和Omega=0是分别以女性回归方程系数为基准和以男性回归方程系数为基准的分解结果。两性进入男性主导职业的对数发生比总差异为-0.19。在控制专业变量前，男女的特征差异仅分别解释了12.64%(以女性为基准)和21.36%(以男性为基准)的两性进入男性主导职业的差异。而在控制了专业后，该百分比分别增加到42.26%(以女性为基准)和60.92%(以男性为基准)。经过估算，专业选择上的差异分别解释了29.62%(以女性为基准)和39.56%(以男性为基准)的进入男性主导职业的性别差异。总之，大学生毕业后进入男性主导职业的性别差异，有相当一部分可以用专业分布差异来解释。

3. 假定专业分布相同的情况下男性主导职业获得的性别差异

本研究进一步假设，若男女生除性别之外的其他特征相同且进入同一专业学习的概率也相同，那么他/她们毕业后初职类别的性别差异又如何呢？基于两性虚拟的专业分布，结合本研究所估计的个体初职获得方程，本文对两性进入男性主导职业的可能性重新进行了预测(具体步骤如本文分析策略部分所述)。以男性专业选择的模型为基准来计算女性的虚拟专业分布。结果显示，如果女性的专业分布与男性相同，她们进入男性主导职业的比例会由原来的49.4%增加到63.8%，比实际观察得到的比例增加了29.2%(图 1右侧)；而以女性专业选择的模型为基准来计算男性的虚拟专业分布，可以发现，如果男性的专业分布与女性相同，他们进入男性主导职业的平均比例会由原来的68.3%下降到59.0%(图 1左侧)。可见，在不改变两性初职获得模式的情况下，仅基于两性可观测特征调整他/她们的专业分布，其进入男性主导职业的性别差异就会大大不同。因此，所学专业的差异对毕业后两性从事不同的职业具有很大影响。更进一步讲，初职获得的性别差异会转化为收入差异，使两性在初入劳动力市场时就开始分化。

五、结论与讨论

高等教育的扩张大大缩小了两性受教育机会以及受教育程度的差异。在这种情况下，高等教育的水平分化和分层显得尤为重要。专业选择意味着教育由通用性转向专用性。进入大学后，由于不同专业在知识结构、课程设置、课外实践上的差异，导致学生所具备的专业技术能力有所不同，由此形成由专业选择所导致的专用性人力资本积累的差异，从而潜在地限定了大学毕业生的职业选择与职业流动。本文基于首都大学生成长追踪调查数据对大学生的初职获得进行了研究。结果表明，在控制了学校类型、家庭背景、高考分数、自身的人口学特征以及自我效能感后，男女大学生在专业选择上仍存在显著差异：男性更多地集中在理工科，而女性更多地集中在文学/历史/艺术专业。两性在专业选择上的差异确实会转化为他/她们初入劳动力市场时的职业获得差异。相较于男性，女性进入社会经济地位较高的男性主导职业的概率更低。在控制了大学专业后，女性的这一劣势便大大减少。从个体层面来看，是否进入男/女性主导职业影响着个体的职业地位；从宏观层面来看，个体是否进入男/女性主导职业直接影响着职业内部的性别构成，形成了我们所观察到的职业性别隔离现象。

大量实证研究表明，职业的性别隔离是劳动力市场上两性收入差距的重要影响因素之一(European Commission，2002；Karamessini and Ioakimoglu, 2007；Levanon and Grusky, 2016)。通常，男性集中的职业收入高、福利好，而女性集中的职业收入低、福利差。针对这个问题，传统的性别研究过于强调女性职业的贬值，而忽略了劳动力市场上的专业技能和职业匹配问题(李骏，2016)。专业选择为两性在劳动力市场中的职业分布差异提供了一个重要的解释机制。

不可否认，两性在专业选择、职业选择等方面的差异在相当程度上受到经济、文化和社会等一系列因素的影响。不论是高等教育还是职业，宏观层面的性别隔离现象都是历史、文化和社会发展综合作用的结果。由于社会在观念、规范甚至制度层面上对男女的定位和期待不同，长期的性别社会化使两性在偏好、兴趣以及价值观等方面产生差异。性别社会化贯穿人的整个生命历程，个体既是性别社会化的对象也是性别社会化的实践者。就本研究而言，无论是专业选择还是职业选择，即便个体是自愿的，其意愿仍受到社会结构和性别规范的影响。因此，性别社会化为人们分析现代社会的性别不平等问题提供了一个重要的视角(Corcoran and Courant, 1985；Crompton and Harris, 1998a，1998b)。

需要指出的是，本研究仍存在不足之处。一方面，大学毕业生初职的职业性别比与劳动力市场中的职业总体性别比并不完全一致。相对而言，大学生毕业后从事的大多是非体力劳动，其初职性别比相较于职业总体性别比更加均衡。西方有关职业性别隔离的研究表明，在同等情况下，相较于男性，女性进入经济回报率更高的男性主导职业的概率较低，而进入收入较低的女性主导职业的概率更高(Levanon and Grusky, 2016；Marini，1989；Treiman and Hartmann, 1981)。即便女性进入了男性主导职业，尤其是专业技术类的职业，在她们有家庭和孩子之后，也更容易偏离专业技术类职业的发展轨迹，或从事兼职，或转而进入对专业技术要求较低、时间更灵活的职业，或退出劳动力市场。从个体生命历程的角度来看，职业内的性别比例会随着生命历程而愈发两极化。因此，本文分析的大学专业对初职类别影响的估计仅是一种保守估计。

另一方面，专业选择的调查对象是已经就读于大学的群体，其信息的填答基于受访者的回溯，并非严格意义上的“选择”。准确地说，这里的专业选择应该是专业分布。即便如此，专业分布的形成同样源于个体选择。尽管两者在概念上存在差异，却高度相关。因此，在缺少真正的“选择”数据的情况下，研究专业分布的性别差异也非常重要。此外，由于数据的限制，本研究无法对不同专业内学科设置等因素的影响进行实证分析；而学科设置的差异主要影响的是专业课程、专业技能的传授，这种差异会影响到该专业的学生可能掌握的相关技能，进而影响到不同专业的大学生毕业后从事的工作类型。本文的分析结果表明，毕业于理工科的学生进入男性主导职业的概率更高，因此，两性进入男性主导职业的差异在很大程度上是因为女性选择理工科专业的比例更低，而非全然来自劳动力市场对女性的歧视。而女性相对集中的职业收入较低在一定程度上也是因为这些职业对专业性技能的要求较低。不过，两性在专业分布以及进入男性主导职业上的差异有很大一部分是由不可观测因素造成的，从实际专业分布和职业获得与虚拟专业分布和职业获得的差异中可以明显看出这一点。在文中，我们认为这种差异与性别社会化相关。但需要提及的是，正是由于这些不可观测因素的不确定性，我们很难在“性别不平等”和“性别差异”之间划出一条清晰的分界线。性别问题的复杂性需要学界进一步的探讨与研究。

注释：

1.有关STEM教育的文献回顾请见谢宇等学者的研究(Xie，et al.，2015)。

2.标准化相异指数(Standardized Dissimilarity Index)是测量专业性别隔离程度的一个重要指标。在文中，该指标是基于来自3种学校类型的70个专业的近59万大学生所构建，详见(贺光烨，2015)。

3.该调查数据在2011年和2012年都有第一份工作的类别记录，但是那时尤其是2008级的大学生刚刚毕业还有相当一部分人尚未找到工作，从而造成初职信息缺失。为了尽量填补缺失，本研究首先对那些在工作性质选项中填写“其他”的样本进行处理，根据“其他”的具体类别重新进行归类。另外，2011年之后的调查问卷中有关于当前工作类别的记录，对于这些信息本研究通过逆向替换的形式进行填补，即如果第一份工作的类别数据缺失，本研究先用2013年的工作类别替换，然后比较2013年和2012年的相关信息。如果2012年工作类别的数据没有缺失，本研究再将其替换为2012年的数据，以此推断第一份工作的信息。

4.一方面BCSPS只询问了职业大类，因此在与六普数据进行比较时，职业也只能按照大类计算比例。需要指出的是，如果将职业按小类划分可能会与目前的比例存在差异，因为大类内部也可能包含分别由女性和男性主导的细分职业。

5.因子分析的结果显示，所有因子确实可以用一个因子代替(特征值大于1的只有一个)，且该因子可以捕捉到所有指标变异的69.87%。此外，为了检验该因子的信度，本研究也进行了相应的reliability检验。结果显示，除游戏机之外的其他14个选项构建的因子最好，Cronbia’s alpha高达0.89，表明用这14个指标构建的因子具有非常高的信度(结果在此未展示，感兴趣的读者可联系作者索取)。

6.具体计算公式为：标准化的CEE分数=(考生分数-一本线)/(一本线-二本线)。其中，各省的文理分数线是分别计算的。

7.就职业获得而言，有初职信息的毕业生必然曾经受雇，那么在分析初职获得时就会存在样本选择性问题。考虑到并不是所有大学毕业生都打算工作，即便打算工作也未必能马上找到工作，即便找到工作也并不一定能够留在北京，本研究进一步控制了个体流失的概率。该流失概率与工作概率相关性较高，因此通过控制流失概率可以在一定程度上对样本的选择性问题进行调整，避免过分拟合。流失概率是通过拟合二分类逻辑斯蒂模型计算得出，其中因变量为是否流失(1=有流失；0=未流失)，自变量包括是否为女性、是否2008年入学、是否为北京户口、大学专业、学校类型、数据轮次等(结果在此未显示)。

8.当个体特征控制得足够多时，个体不可观测特征的影响在很大程度上反映的是性别社会化的影响。因此，这里我们将虚拟专业分布称之为去性别文化(或者无差异性别文化)下的专业分布情况。

9.结果未显示，感兴趣的读者可联系作者索取。

10.结果未显示，感兴趣的读者可以联系作者索取。

11.图 1中95%的置信区间通过p±sd(p)得出，通过该式计算的男性观测值的置信区间上限稍微超过1，为1.027。