一、引言

在高等教育普及化不断深入的背景下，我国研究生教育规模实现跨越式增长，正逐步进入质量与结构并重的发展新阶段。其中，硕士研究生教育已成为我国规模最大、与劳动力市场衔接最紧密的高层次人力资本投资形式。据《全国教育事业发展统计公报》，我国硕士研究生招生总数已从2011年的49.46万人增至2024年的118.57万人^[1]。这一扩张既体现了国家战略层面扩大高层次人才供给的明确导向，也反映出社会对硕士研究生学历认可度的持续提升。伴随高等教育学历层次的整体上移，本科学历在劳动力市场中的竞争优势逐渐弱化^[2]。在若干关键行业和领域，硕士研究生学历已成为岗位筛选的重要依据，甚至演变为部分优质职位的“隐性门槛”或基本准入条件^[3]。然而，伴随规模快速扩张，硕士研究生也面临日益严峻的就业压力。一方面，他们需面对与本科生不同的专业技能竞争要求，另一方面，要在科研创新能力等方面与博士生形成差异化定位。这种“向下竞争”与“向上分化”的双重挤压处境，使硕士研究生教育的价值不仅体现在学历层级的提升上，更与劳动力市场的结构性变化直接关联。在这一背景下，硕士研究生教育的经济回报问题逐渐成为社会与学界关注的核心议题。从个体层面看，教育回报率直接影响着学生和家庭的教育投资决策，决定着硕士研究生教育是否具备足够的激励作用；从宏观层面看，硕士研究生教育的回报水平不仅反映人力资本积累与配置的效率，也关系到高等教育扩张政策的可持续性与资源配置的合理性。因此，对硕士研究生教育收益率的科学测算，能够深化对研究生教育与劳动力市场互动机制的理解，为个体教育投资决策与教育政策制定提供实证参考。

基于此，本研究利用中国雇主—雇员匹配数据调查的五期数据(2011-2021年)，对硕士研究生教育的经济回报展开实证检验。通过构建严谨的计量模型，本研究科学测算硕士教育的净收益率，并进一步揭示其背后的作用机制与异质性表现。这一系列分析将为全面理解个体教育投资决策、优化高等教育政策提供系统而严谨的证据。

二、文献综述

教育收益率，又称教育回报率，是指教育投资所带来的收益与其投入成本之间的比值，作为核心测量指标，它被广泛用于评估个体或社会因延长受教育年限而在未来获得的净经济回报^[4]。研究生教育作为高等教育体系中的最高阶段，其经济回报问题也得到国内外部分学者的持续关注。

早期相关研究主要基于明瑟收益方程或内部收益率法，对研究生教育的回报进行宏观估算。Hanoch利用美国1960年人口普查数据，通过多元回归测算出研究生教育的内部收益率约为7%^[5]。Jaeger等指出，美国硕士和博士学位持有者相比本科生存在显著工资溢价，幅度通常在10%至30%之间^[6]。Mitra等的多项研究也一致表明，教育年限与收入呈稳定正相关，且回报率随学历提高而递增^[7]。Yang等基于动态追踪数据发现，1990—2004年间台湾研究生教育的平均工资溢价为6.584%^[8]。国内学者研究也显示，考虑不同资金来源后，公费硕士收益率可达16.6%，自费则为15%，均远高于同期银行存款利率^[9]。为克服传统方法可能存在的内生性与选择偏误，近年研究越来越多地采用更严谨的识别策略。例如，方超等利用中国家庭收入调查(CHIP2019)数据，结合OLS与倾向得分匹配法，估计出研究生学历带来的额外回报介于34.8%至40%之间^[10]。李锋亮等基于2017年北京市科技工作者调查数据，发现研究生教育平均可带来24.6%的收益提升，并进一步揭示了这一回报存在显著的学科与性别异质性^[11]。

在收益率测算的基础上，部分学者也对教育收益的作用机制展开了系统研究。目前来看，相关文献多遵循人力资本理论与信号理论的二元框架：前者强调教育通过知识与技能的积累提升劳动生产率^[12-13]，后者则关注学历作为能力信号在信息不对称的劳动力市场中所发挥的筛选作用^[14-15]。近年来，研究视角逐渐扩展，一些学者尝试引入心理与行为机制，将规则意识、价值观等因素纳入分析框架，从而揭示教育对收入回报的间接效应和调节作用^[16]。然而，上述研究大多集中在整体教育层面，针对硕士研究生教育经济回报影响机制的挖掘仍相对不足。

综上所述，现有研究在一定程度上为硕士研究生教育的经济价值提供了理论依据与实证支持，但与其他学历层级教育收益率研究的丰富成果相比，针对硕士研究生教育经济回报的系统性分析仍显薄弱。与此同时，由于数据维度的局限，现有研究往往难以有效控制个体能力等潜在内生偏误，导致收益率估计结果的准确性不足，且对教育收益的作用机制亦缺乏深入探讨。在研究生教育规模化扩张与劳动力市场结构深刻变迁的双重背景下，现有研究缺乏结合劳动力市场实际的系统性分析。这不仅使得现有研究在解释硕士教育收益的具体渠道方面存在一定局限，也在一定程度上限制了相关结论对教育政策与人才培养实践的指导价值。基于此，本研究拟利用2011—2021年五期雇主—雇员匹配数据，在明瑟方程及其扩展模型框架下，引入AIPW方法以缓解样本选择偏差与潜在内生性偏误，从而科学测算研究生教育的收益率。在此基础上，本研究进一步结合企业层面数据，对作用机制进行实证检验与异质性分析，以期为全面理解硕士教育的经济价值提供系统而严谨的经验证据。

三、研究设计 (一) 模型与方法

1. 明瑟方程

本研究使用明瑟方程来对硕士研究生教育收益率展开测度，基本明瑟方程模型设定如下：

$Y=C+\alpha M i+\beta_1 {Expi}+\beta_2 {Exp}^2 i+\mu i$

其中，Y为个体i的收入对数，Mi表示其是否接受过硕士研究生教育，Expi为工作经验，Exp²i为工作经验的平方项，μi为误差项。参数α即为硕士研究生教育收益率，表示硕士研究生教育相对于大学本科教育的经济收益率。

在此基础上，本研究引入控制变量构建扩展明瑟方程，以剔除其他可能影响收入的因素：

$Y=C+\alpha M i+\beta_1 {Expi}+\beta_2 exp 2 i+\gamma Z i+\mu i$

在扩展明瑟方程模型中，Y表示个体的收入水平，Mi为硕士研究生教育的二分变量，Exp、Exp²分别表示工作经验与工作经验的平方项，Zi表示与个体i相关联的控制变量向量α、β、γ分别为硕士研究生教育、工作经验与控制变量的待估计系数。C表示常数项，μi表示随机扰动项。

2. 增强逆概率加权

明瑟方程能够较好地用于测算教育收益率，但其难以消除样本自选择带来的选择偏误^[17]。具体到本研究中，硕士研究生群体本身已历经多重筛选，往往拥有更高的能力水平与更丰富的社会资源，这种“先天差异”使得单纯依靠回归难以准确剥离教育本身的真实效应，从而导致估计偏误。且由于现有的大规模调研数据多为事后观测，难以找到既具相关性又满足外生性要求的断点或工具变量来进行因果推断^[18]。因此，为进一步确保实证结果的可靠性，本研究拟采取增强逆概率加权(Augmented Inverse Probability Weighting, AIPW)方法，在“反事实”框架下综合利用加权倾向得分方法和回归方法消除选择偏差。该方法结合了基于回归的估计量和逆概率加权(IPW) 估计量的属性，是一种“双重稳健”的方法^[19]，该方法比传统的倾向得分匹配或回归调整方法更具鲁棒性^[20]。

$\begin{gathered}\tau_{A I P W}^{\wedge}=\frac{1}{N} \sum\limits_{i=1}^n\left\{\mu^{\wedge(1)}\left(X_i\right)-\mu^{\wedge(0)}\left(X_i\right)+\right. \\ \left.\frac{M_i}{e^{\wedge}\left(X_i\right)}\left[Y_i-\mu^{\wedge(1)}\left(X_i\right)\right]\right\}- \\ \frac{\left(1-M_i\right)}{1-e^{\wedge}\left(X_i\right)}+\left[Y_i-\mu^{\wedge(0)}\left(X_i\right)\right]\end{gathered}$

模型整体分两个部分，前部分μ^∧(1)(X_i)-μ^∧(0)(X_i)是回归预测，主要是基于协变量预测处理组和对照组的潜在结果差异。后部分是逆概率加权调整，通过倾向得分加权残差项，修正回归模型可能的设定误差。Yi代表个体i的观测结果(对数收入)；Mi是处理组的二元变量，取值为1表示个体接受硕士研究生教育，取值为0表示个体接受过大学本科教育；Xi是处理组的协变量，e^∧(Xi)表示个体i获得接受硕士研究生教育的倾向得分。当倾向得分e^∧(Xi) 趋近于0，模型对这些个体的加权会增大，从而有助于处理组与对照组之间的平衡，减少选择性偏误的影响。

(二) 数据选择与变量设定

本研究选用的数据为“中国企业雇主—雇员匹配数据追踪调查”(CMEELS)数据。CMEELS是一项由中国人民大学劳动人事学院数据中心开展的长期跟踪调查项目，为开展针对中国企业特征、人力资本发展、劳动力市场表现等诸多研究主题提供微观数据基础。该数据不仅涵盖企业发展层面的详细数据，还在个体层面提供了员工性别、年龄、学历、就业状态、劳动收入等有效数据，且具有丰富的研究生群体样本，为本研究提供了良好的数据支撑。本研究在保留受教育水平为大学本科与硕士研究生^①样本的基础上，删除部分异常值数据，最终保留了6490个样本，其中本科生5902人，硕士研究生588人。参考宋扬等人^[21]的研究，本研究以每小时工资收入的对数作为因变量，以更好地反映劳动力的均衡价格水平。相比月薪或年薪，采用小时工资能够更准确地剔除工作时长差异的影响，使得不同工时安排下的收入水平具有可比性，从而更合理地衡量教育对个体劳动生产率和经济回报的影响^[22]。受教育水平是本研究的核心解释变量，主要通过二元虚拟变量进行设置，硕士研究生教育设置为1，大学本科教育为0。为有效控制其他因素对个体收入水平的影响，本研究在参照现有相关研究的经验与方法的同时也充分考虑数据自身特点，引入了多类控制变量，由此对模型设定进行了进一步优化。具体而言，将工作经验及其平方项作为人力资本变量，以捕捉经验对工资收入的非线性效应；将性别、户籍、民族、婚姻状况、政治面貌及14岁时家庭经济状况纳入个人特征变量；将行业、企业所有制、职业等级纳入职业特征变量，以反映不同岗位和企业环境对收入的影响。在此基础上，本研究进一步纳入包括本科就读高校层次和综合成绩排名在内的教育背景变量，在一定程度上控制样本个体能力和教育背景差异所造成的影响。对于行业等分类变量，均采用虚拟变量处理并设定基准组，从而保证控制变量系数具有可解释性，并提升核心解释变量估计结果的稳健性。

四、实证分析 (一) 明瑟方程回归结果

表 1报告了硕士研究生教育对个体收入回报的基准OLS回归结果。核心解释变量为“是否接受过硕士研究生教育”，被解释变量为个体对数收入。通过逐步回归策略，模型依次控制了宏观结构性因素(地区、时间固定效应)、人力资本要素、个体属性、职业特征与教育背景变量。结果显示，随着控制变量的逐步引入，模型的解释力R²由0.139上升至0.239，说明控制变量的纳入有效改善了对不同学历群体收入差异的解释效果。

基准回归结果(见表 1)显示，硕士研究生教育对劳动力个体收入具有显著正向影响，并在不同模型设定下保持稳健。列(1)中，仅控制产业、地区及年份固定效应时，硕士研究生教育的参数估计值为0.220，并在1%显著性水平下显著。随着控制变量逐步加入，系数虽有所下降，但始终保持统计显著性。列(2)在纳入教育年限与工作经验后，系数值并未出现明显下降，表明人力资本因素不足以完全解释学历溢价。列(3)进一步引入性别、婚姻状况、户籍等个体特征后，系数降至0.196，说明部分收入差异可归因于个体属性。列(4)在加入职业特征后，系数进一步下降至0.164，凸显职业特征对个体收入的影响。最终，列(5)在加入教育背景相关的变量后，系数仍维持在0.139，且高度显著，表明教育背景对收入差距具有一定影响，但硕士学历本身的正向效应仍独立存在。

整体来看，即便在较为全面的控制条件下，硕士研究生教育与收入之间的正向关系仍然稳健。虽然人力资本、个体属性、职业特征及本科教育背景等因素能够部分解释收入差异，但仍有相当比例的效应无法被观测变量解释，体现了硕士研究生教育的独立“学历溢价”。这一实证结果从个体层面为教育投资提供了实证支持：在高等教育普及化背景下，攻读硕士学位仍可能为劳动者带来显著且持续的经济回报。

(二) 基于AIPW模型的反事实检验

基准回归结果显示，硕士研究生群体相较于本科学历群体的收入水平更高。然而，这一结果可能受到个体自选择的影响，即能力较强或家庭背景更优的个体更可能继续攻读研究生，从而导致估计偏差。为缓解这一问题，本研究借鉴路自愿^[23]与汪润泉^[24]等的思路，采用增强逆概率加权(AIPW)方法，以修正样本自选择带来的偏差，并提升估计的稳健性。AIPW方法具有“双重稳健性”的特征，即在倾向得分模型或结果模型的任一设定正确时，均可得到一致的平均处理效应(ATE)估计^[25]，适用于高维协变量的情境。此外，本研究对核心协变量进行了加权前后比较。结果显示，处理组(接受硕士研究生教育)与对照组(接受大学本科教育)起初在多项特征(政治面貌、家庭经济水平、本科院校层次等)上存在明显差异，提示原始样本存在选择性偏差。经AIPW加权调整后，各协变量间的差异显著减小，标准化均值差和方差比均接近理想值，说明加权后样本在特征分布上基本实现平衡，为后续稳健估计研究生教育收益提供了可靠基础。

表 3呈现了基于AIPW模型的估计结果。该方法通过构建个体接受硕士研究生教育的倾向得分模型与收入结果回归模型，并结合加权与校正，实现双重稳健估计，从而在协变量维度上实现处理组(接受硕士研究生教育)与对照组(未接受硕士研究生教育)的可比性，有效剥离混杂因素的干扰。模型输出的对照组潜在结果均值(POmean)为3.060，该值代表"若所有样本均未接受硕士研究生教育，其收入对数的平均水平"。结合平均处理效应(ATE)估计值可知，接受硕士研究生教育可使个体收入对数平均提升0.164。这表明，在控制核心协变量及选择性偏差后，硕士研究生教育仍对个体收入水平产生稳健的正向影响，进一步体现了教育投资所带来的实质性经济收益。

五、进一步讨论 (一) 机制分析

前文的实证结果表明，硕士研究生教育与个体收入之间存在显著的正向关系，但这一发现尚不足以揭示其内在逻辑。既有研究多从人力资本理论与信号理论的视角解释教育收益的形成机制^[26]，本研究将在此基础上，结合硕士生教育的特征，进一步探讨其背后的具体作用路径。

1. 人力资本效应

人力资本理论的核心观点是，教育通过提升个体人力资本存量，增强其生产效率与市场竞争力，进而转化为收入回报。相较于本科教育，硕士研究生教育不仅在基础学科知识上进行强化，更强调“领域深耕”、问题解决能力及学术或职业专项训练，从而形成与高端劳动力市场需求匹配的人力资本优势。这种优势的稀缺性与高价值性，是推动收入提升的关键前提。根据前文的实证研究结果，在控制了一系列可观测变量后，硕士生学历群体与本科生学历群体之间仍存在显著且稳定的工资差距，这部分“无法被解释”的收入差异通常被归因于劳动力市场对高学历员工的能力预期溢价和学历偏好^[27]。硕士研究生教育不仅意味着更长的受教育年限，更代表在专业能力、创新素质和问题解决能力等方面的综合性人力资本优势。因此，相较于本科学历者，硕士学历者在劳动力市场中展现出更强的独特性与稀缺性，从而形成更为持续的收入增长优势^[28]。

2. 高质量就业机会

人力资本理论揭示了教育提升个体生产力的本质，而信号理论则强调教育在劳动力市场中的筛选功能与作用。硕士研究生教育的经济回报，部分正是通过其强大的信号作用，为毕业生打开高质量就业机会通道而实现的。借鉴周广肃等人^[29]的研究，本研究将管理岗位与专业技术岗位界定为高质量就业。Sobel检验结果表明，硕士研究生教育显著提高了个体进入专业技术岗或管理岗的概率，而高质量就业又对工资收入产生了显著的正向作用。进一步的路径分析显示，高质量就业在硕士研究生教育转化为经济收益的过程中发挥了显著的部分中介效应。Bootstrap检验(500次自助抽样)结果进一步验证了这一结论。由此可见，硕士研究生学历不仅为个体跨越高质量岗位的准入门槛提供资质支撑，同时，高质量岗位所伴随的薪酬水平、福利保障与职业发展空间，也能够持续放大教育投资所带来的收入效应。

3. 专业匹配

专业匹配机制从岗位适配的视角，为教育收益提供了另一重要解释。实证研究结果表明，硕士研究生教育与专业匹配之间存在显著的正向关联，同时专业匹配对毕业生的工资收入也表现出明显的促进作用。具体而言，学用不匹配会显著降低高校毕业生的收入水平^[30]，而专业匹配则通过多个路径提升个体的经济回报：一方面减少因能力未被充分利用而造成的资源浪费，另一方面提升在岗工作绩效，并在职业发展过程中帮助个体进入更高层次的工作环境，从而增强个体与职业环境之间的正向互动^[31]。这种有效的互动使得教育阶段所积累的知识、技能与能力更充分地转化为实际的经济收益^[32]。通过Sobel检验与Bootstrap方法的双重验证，本研究进一步证实职业匹配在硕士研究生教育与经济收益之间承担了显著的部分中介作用，凸显了高匹配度岗位在强化高等教育，尤其是研究生教育收入效应中的关键机制。

(二) 异质性分析

为进一步探讨研究生教育收益在不同劳动力市场环境下的差异性，本研究基于企业类型和行业类别进行了分组回归分析。结果显示，在不同企业类型中，硕士研究生群体均表现出显著的收入优势，其中在国有/集体企业(0.176^***)和股份制企业(0.124^**)中效果最为稳健，在私营企业亦呈现出正向且显著的溢价(0.146^*)，说明接受硕士研究生教育在各类企业均能有效提升个体收入水平，但在产权结构相对规范、岗位晋升机制较为完善的国有及股份制企业中，其优势体现得更加显著。此外，本研究进一步选取了人数较多、代表性较强的行业进行分组回归。从行业维度来看，硕士研究生教育的收入效应在信息技术服务业(0.245^***)中最为突出，制造业(0.169^**)与科研、技术服务业(0.133^*)亦呈现出显著溢价，而批发、零售业(0.133)则未达到统计显著水平。这一结果表明，硕士研究生教育的经济回报在知识密集型与技术密集型行业中更为明显，而在劳动密集型或低技能要求行业中则相对有限。不同企业类型与行业背景下的分组回归结果显示，硕士研究生教育的经济回报存在明显差异，反映出教育收益受到企业性质、行业技能要求与知识密集程度的制度性差异影响。

六、结论与启示

本研究基于2011—2021年雇主—雇员匹配五期调查数据，运用明瑟方程扩展模型对硕士研究生教育的收益率进行了系统评估，并引入AIPW模型有效处理了潜在的选择性偏误，增强了估计结果的稳健性。在此基础上，本研究进一步从机制路径与异质性维度对教育收益的形成过程进行了深入探讨，主要结论如下：

首先，本研究基于大规模劳动力调查数据，采用明瑟扩展方程及AIPW模型进行实证检验，证实硕士研究生教育能够带来显著的经济回报。基准回归与处理选择性偏误的稳健性估计均显示，硕士学历对个体收入存在稳健且高度显著的正向影响，表明研究生教育不仅是人力资本深化的重要途径，也切实构成了收入分配中的结构性优势。其次，机制分析表明，硕士教育的收益实现依赖于多维因素的综合作用。一方面，通过系统性的科研训练与专业知识深化，硕士研究生形成了高度专业化、难以替代的人力资本优势；另一方面，硕士学历作为有效的能力信号，显著提高了劳动者进入专业技术类、管理类等高阶岗位的可能性，并通过提升专业与岗位的匹配质量，减少能力错配带来的效率损失，从而更充分地实现教育积累的经济价值。最后，异质性分析进一步揭示，教育回报显著受制于制度环境与行业特征。硕士学历在国有/集体企业中回报率更高，反映出体制内岗位对学历信号的制度性溢价；而在知识与技术密集型行业(如信息技术服务)中回报尤为突出，则体现了市场化部门对高技能人力资本的高效定价能力。这表明，个体教育收益的实现在一定程度上会受到劳动力市场的制度结构、行业属性与资源配置逻辑的影响。

在人才强国战略驱动和研究生教育规模持续扩张的背景下，本研究具有重要的政策启示。为切实推动研究生教育高质量发展，本研究提出以下建议：首先，教育主管部门与研究生培养单位应强化对毕业生的长期跟踪与回报评估，建立健全毕业生发展跟踪反馈机制，以此为依据科学引导专业结构优化与培养质量提升。其次，要更注重教育资源的结构性优化，强化研究生教育的差异化功能定位，引导高校立足区域产业发展路径、技术创新能力和生源结构，科学设定人才培养目标，积极探索“复合型、交叉型、实践型”导向的研究生项目，避免无序同质化扩张。同时，从需求侧入手，积极推动用人单位转型升级，扩大高技能、高附加值岗位供给，提升高层次人才的社会吸纳能力与价值转化效率，实现学历扩张与产业升级之间的良性互动，避免高学历人群“结构性过剩”与“阶段性失配”。

注释：

① 由于所用数据并未明确区分硕士生与博士生，因此本研究通过受教育水平为研究生以及受教育年限的双重筛选，确定了硕士研究生样本。