1. 引言
男女平等是我国的一项长期基本国策，而性别收入差距问题也一直备受关注，劳动经济学家们认为劳动力市场上性别工资差异一直存在，学界也着重探讨了其现状及演变态势。据世界经济论坛发布的《2023年全球性别差距报告》显示，尽管全球性别平等状况已恢复至疫情前水平，但性别平等的推进步伐已陷入停滞，揭示出性别薪酬不平等问题的严峻性。自上世纪80年代我国经济体制改革启动以来，性别工资差异逐渐凸显并呈扩大态势。针对中国城镇劳动力的深入研究显示，1988年女性薪酬相较于男性低约15.6%，而到了1999年，这一差距已扩大至17.5%。直至2021年，城镇女性劳动者的平均薪酬仅为男性的77.1%，且在不同薪酬水平上，男性均享有超过20%的显著优势，性别薪酬差距问题愈发严峻[1]。城乡二元户籍制度对居民收入造成显著影响，其中，城镇居民与农村居民之间的收入差距尤为突出。特别值得注意的是，农村劳动力市场中的性别差异问题比城市更为严重。据《2021年农村女性经济赋能扫描研究报告》显示，农村女性的收入仅占男性的49.6%。尽管2023年国家统计局数据显示农村劳动力整体收入呈上升趋势，且女性收入增速略高于男性，但男性收入水平依然显著领先，性别收入不平等问题亟待解决。
性别工资差异成因多样，生育乃其中较为关键的影响因素之一。新中国成立以来，我国的生育政策经过了多个发展阶段，如鼓励生育(1949~1952)、节制生育(1953~1979)和严格计划生育(1980~2013)。经过这三个阶段的政策调整后，有效地控制了人口快速增长，但人口结构失衡、性别失衡以及人口老龄化等问题也相继浮现，对经济社会的健康发展构成显著阻碍。为顺应社会变迁，确保人口安全，并持续释放人口红利，我们必须采取有效措施来应对这些挑战。近10年来我国生育政策不断放松，先后实施了“单独二孩”(2013~1014)、“全面二孩”(2015~2021)政策，但全国人口出生率低于预期。2021年5月31日，中共中央政治局会议决议对生育政策进行深度优化，推行夫妻双方可生育三个子女的新政策[2]。然而，自2016年“全面二孩”政策实施至今已逾八载，国家统计局最新数据揭示，2023年我国出生人口为902万，人口出生率降至6.39‰，这一数字创下了自1950年以来的74年历史新低，突显了当前人口结构转变的严峻性。
人口政策的调整并没有达到预期的效果，而放松的生育政策使得女性面临更沉重的养育负担，面临更高的失业风险与更大的性别收入差距。一方面，在追求经济效益最大化的驱动下，企业倾向于控制成本，减少对女性劳动力的雇佣。无论女性是否实际生育，企业常会预设女性生育率上升的情景，为规避潜在的女性生育带来的成本损失，企业会在招聘中增加对男性劳动力的倾向性，从而减少对女性的招聘，使得女性在职场中承担所谓的“生育成本”。另一方面，生育造成的职业中断，对女性职业生涯的稳定性与连续性造成严重影响，造成女性收入下降。受传统性别偏见如“男主外、女主内”的家庭角色分工影响，企业担忧女性生育后需平衡家庭与子女，更易频繁请假、转岗或离职。这造成企业对女性产生“工作效率低下或工作不投入”的刻板印象，进而影响其薪酬水平，使女性收入普遍低于男性，扩大了男女之间工资收入的性别差异。
因此，本文试图探讨在生育政策变迁背景下，子女数量对我国农村劳动力工资收入的性别差异影响，并且用实证分析去验证假设。子女数量对农村劳动力工资收入的性别差异有怎样的影响？这种影响是否存在异质性？伴随着生育政策的调整，工资收入的性别差异变动趋势将如何演变？此为本文核心探讨的问题。
2. 文献综述与理论假设
鉴于性别收入差距现象的普遍性，国内外学者对此进行了长期且深入的探索。改革开放后，我国的性别收入差距问题日益凸显，引起了政策制定者及学术界的极大关注。现有研究发现人力资本的差异[3]、职业性别隔离现象[4]等因素可以部分解释男女收入不平等，而性别歧视[5]等不可解释的因素同样对这种不平等有贡献。除此之外，生育作为影响女性人力资本累积的关键因素，被普遍认为会削弱女性的工资水平[6]，进而加剧性别收入差距，这一观点在学术界已达成广泛共识。
研究普遍认为育龄女性面临严峻的职业问题，具体表现在以下几个方面：一是女性进入劳动力市场困难、职业机会不均等。女性因生儿育女的生理功能和传统观念赋予的更多的育儿责任，严重制约着女性在劳动力市场中的表现[7]。企业在招聘过程中认为，相比聘用男性劳动力而言，聘用女性劳动力会产生额外成本(比如生育保险、产假、抚养孩子可能带来的精力投入)，进而导致女性劳动力获得的就业机会减少[8]。二是生育会导致女性职业间断，造成人力资本的贬值。有学者的研究表明，生育显著地制约了女性的劳动参与率、工作时间及薪资水平，产生了消极影响。生育后，母亲相对父亲而言更易放弃全职工作、转为兼职或退出职场，这种职业中断显著降低了其收入水平，成为女性收入下降的主要原因[9]。生育对女性工资收入产生显著影响。部分女性在生育前会倾向于选择家庭导向的职业，减少教育投资，并在生育后调整劳动决策以适应母亲角色，这一决策导致的收入损失可能持续十余年[10]。此外，预期生育和意外生育同样会对女性工资造成影响，甚至降低其被雇佣的可能性[11]。这些因素共同构成了女性在职场中的挑战。
随着我国人口政策的不断调整，国内学者也逐渐将视线聚焦于子女数量对劳动收入的潜在影响。研究表明，子女数量对劳动力工资收入的影响因个体而异，但普遍而言，女性收入随子女数量增加而显著下降，尤其是生育二孩后，已婚女性工资率明显下降。数据显示，每增加一个子女，女性工资收入平均降低7.4%。相比之下，男性工资收入受子女数量影响较小，部分学者甚至认为子女数量增多反而可能提升男性工资[12] [13]。针对女性，生育子女数量显著影响其工资率随年龄增长的速率。随着子女增多，女性需投入更多时间和精力照料子女，这导致其工作投入减少，工资增长逐渐放缓。同时，基于对家庭及子女的责任感，女性在择业时更重视工作时间、地点及出差频率等，而薪酬往往非首要考量。相较之下，男性在子女数量增多时，经济压力促使其提升劳动供给质量，进而在工作效率和职业晋升方面展现优势，最终推动工资收入的增加[14]。针对不同收入水平的群体，子女数量的增加带来的影响程度也不同。整体而言，子女数量显著减少了各收入水平女性的工资，而对男性的影响则不明显。进一步分析，中低收入女性因子女数量增加而面临的工资冲击更为严重，远超高收入女性群体。生育成本的增加可能促使中低收入女性选择离职或退出劳动力市场[15] [16]。子女数量对两性工资收入的不同影响，将加剧农村劳动力市场工资收入的性别差异。对于男性、女性这种差异化的影响，将会加大农村劳动力市场上工资收入的性别差异。鉴于此，本文提出研究假设1和假设2。
H1：子女数量的增加扩大了我国农村劳动力工资收入的性别差异。
H2：子女数量对农村中低收入女性群体的工资收入削减作用高于农村高收入女性群体。
进一步地，这种影响对于不同地区是否也具有差异性呢？经学者探究，地区经济繁荣与女性生育代价呈正相关。尽管子女数量对男性工资影响在各地均不明显，但对东部和中部地区女性工资收入有显著负效应。具体来说，东部地区女性生育二孩后工资率下降14.1%，而中部和西部地区则分别下降8.61%和6.76%，显示生育对女性工资的影响存在地域性差异。造成这种差异性的原因有多种可能，一是东部地区的生育率总体低于中西部地区，生育子女对其就业的冲击更大；二是东部地区劳动力的学历水平平均来说高于中西部，而学历水平与工资收入也成正向关系；三是东部地区已婚女性员工更倾向于选择全职工作；四是东部地区劳动力的家庭年收入及经济水平远远高于中西部地区[17]。据此提出假设3。
H3：在经济水平越发达的地区，子女数量造成的农村劳动力工资收入的性别差异越大。
基于当前研究，可见工资收入的性别差异已成为广泛关注的议题，文献资源充足。然而，国内针对农村劳动力工资收入性别差异的研究尚显不足。鉴于此，本文聚焦于农村劳动力，结合中国人口政策变迁的背景，运用CGSS跨期数据，深入剖析子女数量对农村劳动力市场工资收入性别差异的具体影响。
3. 数据、变量与模型设计
3.1. 数据来源
鉴于数据的适用性和可获取性，本文的研究数据主要依托中国综合社会调查(CGSS)这一权威数据库。CGSS作为全国范围内最早启动的综合性、连续性学术调研项目，历经多轮调研，积累了丰富的数据资源，确保了数据的连贯性和稳定性。其调研样本覆盖广泛，抽样策略严谨科学，确保了数据的系统性和全面性。CGSS涵盖个体、家庭、社区、社会等多个维度的数据，特别是与女性生育行为紧密相关的生育年龄、子女数量、收入状况等数据，为本研究提供了有力的数据支撑。本文选取了2012年、2015年和2018年的三期截面数据，这些时间节点恰好处于“单独二孩”和“全面二孩”政策实施的关键节点，为探讨生育政策对工资收入性别差异的影响提供了丰富的实证依据。
根据研究目的，对样本进行了如下处理：1) 选择的是18周岁至60周岁的样本；2) 剔除从未工作的样本；3) 剔除了主要变量的缺失值样本。为降低极端值对实证结果的影响，在数据清洗时，本文对工资收入变量实施了1%水平的缩尾处理。经过筛选，最终获得12,112个有效样本，确保分析结果的稳健性。
3.2. 变量描述
3.2.1. 被解释变量
在本文中，采用CGSS问卷中的全年职业/劳动收入，即个体的年度总收入，作为被解释变量。数据处理过程中，首先对极端样本进行了剔除，以确保数据的稳健性。接着，利用2010年的居民消费价格指数(CPI)对数据进行平减处理，旨在消除通货膨胀的影响，使各年份的实际收入水平具有可比性。最后，在实证分析中，对数据进行了对数化处理，以优化模型的拟合效果。
3.2.2. 核心解释变量
本文核心解释变量为子女数量(Children)，即一个育龄女性生育的子女总数。为获取该变量数据，本文依据CGSS历年调查问卷中家庭部分的“您有几个儿子”与“您有几个女儿”两个问题，将被调查者针对这两个问题的回答进行累加，从而计算出每个家庭的子女总数，以此作为研究中的关键解释变量。
3.2.3. 控制变量
人力资本，也称非物质资本，源于对个体的投资，是劳动者所具备的知识、技能与健康等资源的总和，能够为其带来未来收益。人力资本理论主张，教育及培训投入能显著增强个体通过教育累积的人力资本，进而提升个人的经济收益。基于人力资本相关理论以及借鉴前人研究，本文的控制变量涵盖个体与工作特性，旨在全面分析影响因素。
1) 个体特征。个体差异性是影响劳动力工资收入的关键部分，鉴于本文聚焦于农村劳动力，首先选定农村户籍的个体作为研究样本。同时，由于年龄、性别、身体素质、受教育程度高度影响劳动力就业情况，进而影响其工资收入水平，为了确保实证结果的准确性与可靠性，将上述相关变量作为模型的控制变量。此外，婚姻状况会影响农村劳动力尤其是农村女性劳动供给时间，对其工资收入有着较大的影响。同样的，党员身份以及所处地区也对农村劳动力就业和工资收入有着或多或少的影响和关联，将其选作控制变量也可避免遗漏这些变量之后对结果准确性的干扰。
性别(Gender)、民族(Clan)、党员身份(Party)、婚姻状况(Marriage)为虚拟变量，在实际数据处理中，采用分类赋值法。年龄(Age)，本文根据问卷中被访者所回答的出生年份与问卷所访年限的之差计算年龄。健康状况(Education)基于受访人的回答划分为5个选项赋值1~5，地区(Region)则根据不同区域赋值1~4，受教育程度(Education)这一变量根据受教育年限作为量化指标。变量说明如表1所示。
Table 1. Description of variables
表1. 变量说明
变量 |
说明 |
性别 |
男性 = 1，女性 = 0 |
年龄 |
受访年份 − 出生年份 |
党员身份 |
党员 = 1，非党员 = 0 |
民族 |
汉族 = 1，非汉族 = 0 |
受教育程度 |
未受过教育 = 0，小学或私塾 = 6，初中 = 9，普通高中/职业高中/技校/中专 = 12，大专 = 15，本科 = 16，研究生及以上 = 19。 |
健康状况 |
很不健康 = 1，比较不健康 = 2，一般 = 3，比较健康 = 4，很健康 = 5 |
婚姻状况 |
已婚 = 1，其他 = 0 |
地区 |
东部地区 = 1，中部地区 = 2，西部地区 = 3，东北部地区 = 4 |
2) 工作特征。众所周知，在劳动者就业时，工作经验是用人单位考虑是否用人的关键条件，企业往往更偏向于工作经验较多但年龄小的劳动者。可见就业参与状态和工作经验是直接影响收入高低的重要变量，因此将其选为控制变量不可或缺。
在本文中，就业状况(Job)作为关键变量，其赋值依据受访者在问卷中关于工作经历与当前状态的相应回答。具体分为五类：“目前从事非农工作”、“目前务农，曾经有过非农工作”、“目前务农，没有过非农工作”、“目前没有工作，而且只务过农”和“目前没有工作，曾经有过非农工作”五个选项。鉴于本文聚焦于农村劳动力工资收入的性别差异，故将目前从事非农业工作或农业的受访者视为有就业者，并赋予其值1；而其余情况则赋值为0，以区分劳动力市场的参与状态。
工作经验(Experience)变量由于缺乏直接的数据测定，本文借鉴Mincer等(1974)的模型[18]，以“年龄-6-受教育年限”作为工作年限的替代[18]。同时，由于问卷未直接提供受教育年限，本文依据学制将受教育程度转换为相应的年限，以进行深入分析。
3.2.4. 描述性统计
1) 变量的描述性统计
整理数据后，对解释变量、被解释变量及控制变量进行描述性统计，确保变量设定与数据分析的严谨性(见表2)。
Table 2. Descriptive statistics of variables
表2. 变量的描述性统计
变量名称 |
符号 |
观测值 |
均值 |
标准差 |
最小值 |
最大值 |
工资收入对数 |
lnwage |
12,112 |
7.86 |
3.80 |
0 |
12.60474 |
子女数量 |
Children |
12,112 |
1.64 |
0.95 |
0 |
5 |
性别 |
Gender |
12,112 |
0.48 |
0.50 |
0 |
1 |
年龄 |
Age |
12,112 |
42.77 |
11.01 |
18 |
60 |
党员身份 |
Party |
12,112 |
0.04 |
0.20 |
0 |
1 |
民族 |
Clan |
12,112 |
0.90 |
0.30 |
0 |
1 |
受教育程度 |
Education |
12,112 |
7.87 |
3.80 |
0 |
19 |
健康状况 |
Health |
12,112 |
3.69 |
1.07 |
1 |
5 |
就业状况 |
Job |
12,112 |
0.79 |
0.41 |
0 |
1 |
工作经验 |
Experience |
12,112 |
28.90 |
13.09 |
0 |
54 |
婚姻状况 |
Marriage |
12,112 |
0.86 |
0.34 |
0 |
1 |
地区 |
Region |
12,112 |
2.31 |
1.01 |
1 |
4 |
变量相关性分析详见表3，以验证其关联性。
由表3可知，子女数量与农村劳动力收入对数相关性为−0.126，性别、婚姻状况与农村劳动力收入对数相关性分别为0.317和−0.021，说明是否男性与月收入显著正相关，婚姻状况和子女数量与居民月收入显著负相关。由于工作经验与年龄高度相关，为避免实证结果不准确，在回归中保留工作经验变量，剔除年龄变量。
为确保模型选择的准确性以及避免变量多重共线性对实证分析结果造成干扰，本研究在回归分析前对变量进行了共线性检验，具体结果参见表4。
Table 3. Correlation analysis of variables
表3. 变量相关性分析
|
lnwage |
Children |
Age |
Gender |
Clan |
Party |
Education |
lnwage |
1 |
|
|
|
|
|
|
Children |
−0.126*** |
1 |
|
|
|
|
|
Age |
−0.139*** |
0.499*** |
1 |
|
|
|
|
Gender |
0.317*** |
−0.090*** |
0.016* |
1 |
|
|
|
Clan |
0.017* |
−0.052*** |
0.00900 |
0.0150 |
1 |
|
|
Party |
0.062*** |
−0.0140 |
0.00300 |
0.105*** |
−0.00700 |
1 |
|
Education |
0.204*** |
−0.336*** |
−0.425*** |
0.182*** |
0.069*** |
0.168*** |
1 |
Job |
0.528*** |
−0.043*** |
−0.040*** |
0.224*** |
−0.0140 |
0.056*** |
0.085*** |
Experience |
−0.176*** |
0.518*** |
0.965*** |
−0.039*** |
−0.0120 |
−0.046*** |
−0.648*** |
Marriage |
−0.021** |
0.399*** |
0.267*** |
−0.078*** |
0.00300 |
0.00100 |
−0.140*** |
Region |
−0.038*** |
0.025*** |
0.066*** |
0.00200 |
−0.165*** |
−0.019** |
−0.141*** |
|
Job |
Experience |
Marriage |
Region |
|
|
|
Job |
1 |
|
|
|
|
|
|
Experience |
−0.058*** |
1 |
|
|
|
|
|
Marriage |
0.00400 |
0.265*** |
1 |
|
|
|
|
Region |
−0.028*** |
0.097*** |
0.035*** |
1 |
|
|
|
注：***、**、*分别表示在1%、5%、10%的水平下显著，下表同。
Table 4. Multicollinearity test of variables
表4. 变量多重共线性检验
变量 |
VIF |
1/VIF |
Experience (工作经验) |
2.300 |
0.435 |
Education (受教育程度) |
1.890 |
0.530 |
Children (子女数量) |
1.530 |
0.652 |
Marriage (婚姻状况) |
1.210 |
0.827 |
Health (健康状况) |
1.170 |
0.853 |
Gender (性别) |
1.120 |
0.893 |
Job (就业状况) |
1.070 |
0.939 |
Region (地区) |
1.060 |
0.946 |
Party (党员身份) |
1.040 |
0.959 |
Clan (民族) |
1.040 |
0.962 |
均值 |
VIF |
1.340 |
根据表4中的VIF检验结果可知，所有变量的VIF值均小于10，且其倒数(1/VIF)均超过0.1，这表明各变量间不存在多重共线性问题。
2) 数据的描述性统计
通过表5和图1对2012年、2015年和2018年农村劳动力的性别工资收入均值及子女数量均值进行了详尽的描述性统计分析。观察表4可得出，从2012年至2018年，无论男性还是女性，全样本的工资收入均值均呈现出稳步上升的现象。这也间接反映了随着经济的蓬勃发展，农村劳动力市场的薪酬水平也在逐步提高。然而，在性别维度上，有一个值得注意的现象：男性的平均工资收入增速显著快于女性。这一趋势暗示了农村劳动力市场上工资收入的性别差异的逐步扩大，这也需要我们进一步深入探讨和研究。
Table 5. Descriptive statistical analysis of gender wage income of rural labor force
表5. 农村劳动力性别工资收入的描述性统计分析
年份 |
平均工资收入(元) |
全样本 |
男性 |
女性 |
2012年 |
14495.61 |
19836.58 |
9019.659 |
2015年 |
20335.82 |
28095.99 |
13355.51 |
2018年 |
28612.6 |
39476.14 |
19273.42 |
根据图1的数据分析，不难发现从2012年到2018年，农村整体样本家庭的子女数量呈现出一个相对平缓的下降趋势。具体而言，2012年每户家庭平均拥有1.7个子女，到了2015年这一数字减少至1.63个，而到了2018年，进一步减少至1.62个。这种变化可能归因于经济水平的提升和教育机会的扩大，促使农村居民逐渐摒弃了“多子多福、重男轻女”的传统观念。然而，值得注意的是，2015年全国全面放开二孩政策后，尽管政策允许，但农村家庭的新增子女数量并未显著增加，反而有所减少，这可能与宽松的生育政策间接导致女性就业环境的恶化，使得女性生育意愿受到抑制有关。
Figure 1. Statistical chart of mean number of children
图1. 子女数量均值统计图
3.3. 实证模型设计
为了探究子女数量对农村劳动力工资收入的性别差异影响，本文先依据工资和收入决定模型构建了以下基础模型：
(1)
其中，
代表工资收入的对数，
代表子女数量，
为影响工资收入的控制变量，
表示误差项，β表示子女数量对工资收入的影响估计系数。随后，为增强实证结果的可靠性，并深入探究子女数量对农村劳动力工资收入的性别差异具体存在怎样的影响，本文进一步采用分位数回归方法进行更为全面的分析。该方法旨在系统剖析在工资收入分布的不同阶段，子女数量对性别工资水平的差异化影响。通过此种方式，我们能够更精确地把握子女数量对性别工资差异的具体作用机制。分位数回归模型可表示为：
(2)
在公式(2)中引入条件分位数概念，
代表了在
已定的条件下与分位数Q相关联的数值。这一方法可根据研究设计和需求，灵活选择不同分位数进行回归估计。为确保研究的全面性和可靠性，本文参照现有文献的广泛实践，选用了三个代表性的分位数进行回归分析，即25% (0.25)分位数、中位数(0.5分位数)以及75% (0.75)分位数。
4. 实证分析
4.1. 子女数量对农村劳动力工资收入性别差异的总影响
Table 6. OLS regression results on the effect of the number of children on the gender gap of rural labor force wage income (based on the full sample)
表6. 子女数量对农村劳动力工资收入性别差异影响OLS回归结果(基于全样本)
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.130*** |
−0.038 |
−0.244*** |
|
(−3.56) |
(−0.93) |
(−4.12) |
Party |
−0.029 |
−0.013 |
−0.008 |
|
(−0.20) |
(−0.10) |
(−0.03) |
Gender |
1.455*** |
- |
- |
|
(24.64) |
|
|
Clan |
0.142 |
0.128 |
0.151 |
|
(1.51) |
(1.20) |
(1.01) |
Education |
0.059*** |
0.038*** |
0.069*** |
|
(5.86) |
(3.21) |
(4.34) |
Job |
4.327*** |
3.297*** |
4.733*** |
|
(61.69) |
(33.12) |
(48.27) |
Experience |
−0.020*** |
−0.031*** |
−0.013** |
|
(−6.30) |
(−8.54) |
(−2.48) |
Marriage |
0.396*** |
0.657*** |
0.203 |
|
(4.44) |
(6.61) |
(1.36) |
Health |
0.260*** |
0.336*** |
0.230*** |
|
(9.20) |
(10.36) |
(5.14) |
Region |
−0.001 |
−0.128*** |
0.109** |
|
(−0.02) |
(−4.05) |
(2.36) |
Constant |
2.668*** |
5.165*** |
2.309*** |
|
(11.53) |
(18.97) |
(6.10) |
N |
12,112 |
5822 |
6290 |
r2_a |
0.348 |
0.253 |
0.294 |
F |
648.2 |
220.4 |
292.1 |
在表6中，详细报告了针对全样本组、女性样本组和男性样本组的基准工资回归模型的估计结果。首先，根据表6的数据显示，全样本组中子女数量的系数为−1.30，且在1%的显著性水平下显著，这表明子女数量与性别工资收入之间存在着显著的负向关系。具体而言，每增加一个子女，男性和女性的整体工资收入将减少13%。进一步分析，在男性样本组中，子女数量的系数为−0.038，但在统计上并不显著，这意味着子女数量的增加对农村男性工资收入的影响并不明显。然而，在女性样本组中，子女数量的系数为−0.244，且在1%的显著性水平下显著，表明子女数量的增加会显著降低农村女性的工资收入，降幅高达24.4%。
综上所述，子女数量的增加对农村劳动力个体的工资收入具有总体上的负面影响，但这一影响在男性和女性之间存在显著差异。特别是，对于农村女性而言，子女数量的增加对其工资收入的冲击尤为显著。这种差异化的影响显然会扩大农村劳动力工资收入的性别差异，进而验证了假设1。
从控制变量上来看，性别与工资收入之间存在显著的正向关联，这凸显了男性在农村劳动力市场中的优势地位，男性身份有助于个体取得更高水平的性别工资收入。此外，个体的受教育程度亦与性别工资收入呈显著正相关，即受教育程度的提升将促进性别工资收入的增加。而工作经验和就业状况与工资收入显著相关，但工作经验越多不利于提升工资收入，就农村劳动力就业具体情况而言，工作经验越多意味着年龄越大，进而影响收入的提升。
4.2. 子女数量对农村劳动力工资收入性别差异影响的异质性分析
4.2.1. 不同收入群体差异
为了深入剖析子女数量对农村劳动力工资收入的影响差异，特别是针对不同收入水平的劳动力群体，本文进一步采用了分位数回归法，对整体样本进行了详尽的回归分析。
表7详细展示了全样本情况下，子女数量对性别工资收入影响的分位数回归结果。可以看出，在全样本的0.25分位数，即低收入群体中，子女数量的增加与性别工资收入之间存在显著的负相关关系。这意味着，对于农村低收入群体而言，生育子女数量的上升将对其工资收入产生较大的负向影响。进一步对比男性与女性样本组，发现在各分位点上，子女数量对女性工资收入的影响均显著大于男性。特别在男性样本组中，子女数量主要对低收入群体产生显著影响；而在女性样本组中，子女数量的增加不仅对低收入群体和中低收入群体有显著影响，且在各分位点上的估计结果均呈现显著性。这一发现表明，中低收入农村女性在面临生育时，由于生育子女数量的增加，其收入受到的冲击更为严重，这导致她们在面临冲击时选择退出劳动力市场，转而将精力投入到家庭和子女的照料中的可能性更大。
综上所述，子女数量对农村女性工资收入的削减作用在各分位点上均显著高于男性，从而验证了假设2。这一发现对于理解农村劳动力市场中工资收入的性别差异和生育决策具有重要意义。
Table 7. Quantile regression results of the effect of the number of children on the gender gap in rural labor wage income (based on the overall sample)
表7. 子女数量对农村劳动力工资收入的性别差异影响分位数回归结果(基于整体样本)
|
全样本 |
全样本 |
全样本 |
男性 |
男性 |
男性 |
女性 |
女性 |
女性 |
变量 |
0.25 |
0.5 |
0.75 |
0.25 |
0.5 |
0.75 |
0.25 |
0.5 |
0.75 |
Children |
−0.0722*** |
−0.0842*** |
−0.0609*** |
−0.0512* |
−0.0367 |
−0.0407 |
−0.0496*** |
−0.137*** |
−0.0762*** |
|
(0.0159) |
(0.0191) |
(0.0159) |
(0.0265) |
(0.0242) |
(0.0268) |
(0.0150) |
(0.0221) |
(0.0210) |
Party |
0.0445 |
0.0552 |
0.0115 |
−0.0563 |
0.0637 |
0.0677 |
0.0864 |
0.150 |
−0.111 |
|
(0.0515) |
(0.0798) |
(0.0527) |
(0.0829) |
(0.0772) |
(0.0712) |
(0.184) |
(0.182) |
(0.114) |
Gender |
0.825*** |
0.684*** |
0.544*** |
- |
- |
- |
- |
- |
- |
|
(0.0410) |
(0.0341) |
(0.0223) |
|
|
|
|
|
|
Clan |
0.222*** |
0.301*** |
0.278*** |
0.298*** |
0.268*** |
0.223*** |
0.0563 |
0.336*** |
0.282*** |
|
(0.0358) |
(0.0460) |
(0.0569) |
(0.0511) |
(0.0587) |
(0.0637) |
(0.0367) |
(0.0626) |
(0.0753) |
Education |
0.0503*** |
0.0483*** |
0.0536*** |
0.0405*** |
0.0415*** |
0.0455*** |
0.0213** |
0.0429*** |
0.0601*** |
|
(0.00542) |
(0.00566) |
(0.00475) |
(0.00640) |
(0.00575) |
(0.00574) |
(0.00867) |
(0.00754) |
(0.00707) |
Job |
8.415*** |
8.305*** |
0.782*** |
8.384*** |
1.126*** |
0.512*** |
8.051*** |
8.651*** |
1.051*** |
|
(0.0333) |
(0.0838) |
(0.0401) |
(0.0660) |
(0.139) |
(0.0657) |
(0.0547) |
(0.0916) |
(0.111) |
Experience |
−0.0143*** |
−0.0200*** |
−0.0186*** |
−0.0276*** |
−0.0249*** |
−0.0195*** |
−0.000516 |
−0.0138*** |
−0.0185*** |
|
(0.00153) |
(0.00119) |
(0.000934) |
(0.00171) |
(0.00146) |
(0.00163) |
(0.00125) |
(0.00368) |
(0.00268) |
Marriage |
0.213*** |
0.140*** |
0.202*** |
0.481*** |
0.326*** |
0.258*** |
−0.0596 |
−0.0933 |
0.0972 |
|
(0.0659) |
(0.0456) |
(0.0337) |
(0.0845) |
(0.0509) |
(0.0361) |
(0.0782) |
(0.0825) |
(0.0749) |
Health |
0.172*** |
0.176*** |
0.160*** |
0.201*** |
0.217*** |
0.170*** |
0.0374* |
0.107*** |
0.171*** |
|
(0.0114) |
(0.0114) |
(0.00833) |
(0.0155) |
(0.0182) |
(0.0174) |
(0.0210) |
(0.0265) |
(0.0306) |
Region |
−0.122*** |
−0.112*** |
−0.145*** |
−0.193*** |
−0.168*** |
−0.155*** |
−0.00491 |
−0.0739*** |
−0.124*** |
|
(0.0199) |
(0.0118) |
(0.00754) |
(0.0136) |
(0.0168) |
(0.0104) |
(0.00994) |
(0.0209) |
(0.0261) |
Constant |
−0.739*** |
0.381*** |
8.588*** |
0.336** |
8.169*** |
9.425*** |
−0.207* |
0.383 |
8.329*** |
|
(0.133) |
(0.100) |
(0.0702) |
(0.165) |
(0.184) |
(0.102) |
(0.108) |
(0.237) |
(0.332) |
N |
12,112 |
12,112 |
12,112 |
5822 |
5822 |
5822 |
6290 |
6290 |
6290 |
4.2.2. 区域差异
前文分析揭示了子女数量变化对农村劳动力工资收入的性别差异的加剧效应，但其是否具有区域异质性仍需深入探究。为此，本文依据样本的地域归属，将其细分为东部、中部、西部和东北地区，并分别进行了回归分析。表8~11详细展示了这四个区域中子女数量对性别工资收入影响的估计结果，旨在揭示潜在的区域差异。
Table 8. OLS regression results of the effect of the number of children in the eastern region on the gender gap of rural labor wage income
表8. 东部地区子女数量对农村劳动力工资收入的性别差异影响OLS回归结果
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.188*** |
−0.032 |
−0.349*** |
|
(−2.73) |
(−0.43) |
(−3.06) |
Party |
−0.040 |
0.032 |
−0.188 |
|
(−0.16) |
(0.14) |
(−0.35) |
Gender |
1.480*** |
- |
- |
|
(13.40) |
|
|
Clan |
0.059 |
−0.319 |
0.304 |
|
(0.18) |
(−0.87) |
(0.56) |
Education |
0.106*** |
0.041* |
0.144*** |
|
(5.39) |
(1.83) |
(4.52) |
Job |
5.240*** |
4.060*** |
5.547*** |
|
(37.10) |
(19.35) |
(28.41) |
Experience |
−0.010 |
−0.028*** |
0.004 |
|
(−1.63) |
(−4.32) |
(0.34) |
Marriage |
0.421*** |
0.891*** |
0.044 |
|
(2.66) |
(5.10) |
(0.17) |
Health |
0.198*** |
0.268*** |
0.166* |
|
(3.44) |
(4.26) |
(1.78) |
Constant |
1.783*** |
4.903*** |
1.331 |
|
(3.46) |
(8.45) |
(1.56) |
N |
3321 |
1629 |
1692 |
r2_a |
0.424 |
0.270 |
0.382 |
F |
272.6 |
76.30 |
131.4 |
Table 9. OLS regression results of the effect of the number of children in the central region on the gender gap of rural labor wage income
表9. 中部地区子女数量对农村劳动力工资收入的性别差异影响OLS回归结果
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.140* |
−0.032 |
−0.247** |
|
(−1.91) |
(−0.38) |
(−2.12) |
Party |
−0.078 |
−0.330 |
0.890 |
|
(−0.26) |
(−1.19) |
(1.27) |
Gender |
1.595*** |
- |
- |
|
(13.12) |
|
|
Clan |
0.225 |
−0.257 |
0.540 |
|
(0.93) |
(−0.84) |
(1.50) |
Education |
0.039* |
0.008 |
0.044 |
|
(1.89) |
(0.32) |
(1.41) |
Job |
4.386*** |
3.246*** |
4.832*** |
|
(32.31) |
(15.93) |
(26.34) |
Experience |
−0.027*** |
−0.027*** |
−0.030*** |
|
(−4.14) |
(−3.48) |
(−3.00) |
Marriage |
0.342* |
0.474** |
0.232 |
|
(1.80) |
(2.12) |
(0.76) |
Health |
0.200*** |
0.336*** |
0.126 |
|
(3.43) |
(4.72) |
(1.43) |
Constant |
2.890*** |
5.393*** |
2.928*** |
|
(6.34) |
(9.40) |
(4.07) |
N |
3346 |
1559 |
1787 |
r2_a |
0.347 |
0.189 |
0.296 |
F |
198.2 |
46.52 |
94.69 |
Table 10. OLS regression results of the effect of the number of children in western region on the gender gap of rural labor wage income
表10. 西部地区子女数量对农村劳动力工资收入的性别差异影响OLS回归结果
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.050 |
−0.031 |
−0.090 |
|
(−0.81) |
(−0.45) |
(−0.91) |
Party |
−0.212 |
0.086 |
−0.797 |
|
(−0.89) |
(0.38) |
(−1.63) |
Gender |
1.426*** |
- |
- |
|
(14.35) |
|
|
Clan |
0.033 |
0.206 |
−0.117 |
|
(0.29) |
(1.60) |
(−0.64) |
Education |
0.047*** |
0.061*** |
0.050* |
|
(2.92) |
(3.22) |
(1.96) |
Job |
3.668*** |
2.721*** |
4.120*** |
|
(30.01) |
(16.73) |
(23.43) |
Experience |
−0.011* |
−0.027*** |
0.003 |
|
(−1.96) |
(−4.36) |
(0.31) |
Marriage |
0.392** |
0.504*** |
0.576** |
|
(2.57) |
(3.11) |
(2.09) |
Health |
0.280*** |
0.288*** |
0.313*** |
|
(6.20) |
(5.63) |
(4.35) |
Constant |
2.901*** |
5.210*** |
2.059*** |
|
(8.77) |
(13.68) |
(3.65) |
N |
3734 |
1776 |
1958 |
r2_a |
0.280 |
0.212 |
0.227 |
F |
162.6 |
60.74 |
72.72 |
Table 11. OLS regression results of the effect of the number of children in northeast region on the gender gap of rural labor wage income
表11. 东北地区子女数量对农村劳动力工资收入的性别差异影响OLS回归结果
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
0.083 |
0.092 |
0.032 |
|
(0.70) |
(0.67) |
(0.16) |
Party |
0.380 |
0.137 |
1.614 |
|
(0.83) |
(0.35) |
(1.07) |
Gender |
1.204*** |
- |
- |
|
(7.26) |
|
|
Clan |
0.439 |
0.209 |
0.678 |
|
(1.43) |
(0.62) |
(1.30) |
Education |
0.009 |
0.035 |
−0.008 |
|
(0.29) |
(0.92) |
(−0.16) |
Job |
3.797*** |
3.500*** |
3.928*** |
|
(20.12) |
(13.85) |
(14.20) |
Experience |
−0.030*** |
−0.035*** |
−0.025 |
|
(−3.15) |
(−3.27) |
(−1.56) |
Marriage |
0.192 |
0.533* |
−0.174 |
|
(0.73) |
(1.84) |
(−0.38) |
Health |
0.396*** |
0.439*** |
0.385*** |
|
(5.11) |
(4.91) |
(3.04) |
Constant |
3.146*** |
4.281*** |
3.263*** |
|
(4.79) |
(5.65) |
(2.97) |
N |
1578 |
787 |
791 |
r2_a |
0.320 |
0.319 |
0.238 |
F |
83.42 |
47.10 |
31.87 |
综上所述，子女数量对性别工资收入的影响在不同地区呈现差异性。全样本分析显示，东部和中部地区子女数量显著减少工资收入；男性样本分析则表明，该影响在四个地区均不显著；而女性样本分析揭示，东部和中部地区女性工资收入因子女数量显著下降，但在西部和东北地区则无显著影响。这一结果支持了假设3，即经济发展程度较高的地区，子女数量对工资收入的性别差异的影响更为显著。
4.3. 子女数量对农村劳动力工资收入的性别差异影响的趋势判断
为探究子女数量对农村劳动力工资收入的性别差异影响的变动趋势，本文也分别采用了2012、2015、2018年的CGSS数据进行了回归分析。表12~14分别显示了各年份子女数量对工资收入性别差异的影响结果。
Table 12. OLS regression results on the effect of the number of children on the gender gap of rural labor wage income (2012)
表12. 子女数量对农村劳动力工资收入的性别差异影响OLS回归结果(2012年)
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.117** |
−0.044 |
−0.226** |
|
(−2.28) |
(−0.80) |
(−2.57) |
Gender |
1.244*** |
- |
- |
|
(15.05) |
|
|
Education |
0.060*** |
0.053*** |
0.062*** |
|
(4.26) |
(3.29) |
(2.66) |
Job |
5.222*** |
4.026*** |
5.664*** |
|
(49.59) |
(27.22) |
(37.93) |
Experience |
−0.023*** |
−0.031*** |
−0.017** |
|
(−4.96) |
(−6.37) |
(−2.22) |
Marriage |
0.322** |
0.653*** |
0.103 |
|
(2.55) |
(4.65) |
(0.49) |
Constant |
2.197*** |
4.250*** |
2.122*** |
|
(6.87) |
(11.43) |
(3.97) |
N |
4087 |
2069 |
2018 |
r2_a |
0.471 |
0.365 |
0.431 |
F |
364.6 |
133.2 |
170.8 |
经过对表12~14的深入分析，发现子女数量在2012年和2018年对农村劳动力性别工资收入产生了显著的负面影响，但2015年的结果并未显示出显著影响。进一步观察，子女数量对农村男性工资收入的影响在2012年至2018年间均不显著；与之相反，其对农村女性工资收入的影响则较为显著，具体表现为2012年、2015年和2018年农村女性工资收入分别下降了22.6%、22.3%和29.2%。这种对两性工资收入的差异化影响，无疑加剧了农村劳动力市场上工资收入性别不平等的现状。
Table 13. OLS regression results on the effect of the number of children on the gender gap in rural labor wage income (2015)
表13. 子女数量对农村劳动力工资收入的性别差异影响OLS回归结果(2015年)
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.084 |
0.007 |
−0.223** |
|
(−1.26) |
(0.09) |
(−2.10) |
Gender |
1.668*** |
- |
- |
|
(14.79) |
|
|
Education |
0.043** |
0.030 |
0.039 |
|
(2.19) |
(1.26) |
(1.27) |
Job |
3.892*** |
2.811*** |
4.344*** |
|
(29.90) |
(15.37) |
(23.89) |
Experience |
−0.009 |
−0.021*** |
−0.004 |
|
(−1.52) |
(−3.07) |
(−0.37) |
Marriage |
0.371** |
0.930*** |
−0.262 |
|
(2.13) |
(4.81) |
(−0.88) |
Constant |
2.292*** |
4.954*** |
2.338*** |
|
(5.16) |
(9.42) |
(3.22) |
N |
3837 |
1817 |
2020 |
r2_a |
0.293 |
0.186 |
0.237 |
F |
159.8 |
47.20 |
70.54 |
在对比了2012年至2018年这三年的数据后，可以观察到2015年的结果呈现出了独特的现象。在整体样本和男性样本中，虽然子女数量对工资收入的影响并不显著，但值得注意的是，男性工资收入受到的影响由2012年的负向转变为正向，这可能反映了某些社会或经济因素的微妙变化。而对于女性样本，尽管子女数量对工资收入的负向影响依然显著，但相较2012年，这一影响有所减弱。纵观不同年份的数据，可以看到子女数量对性别工资收入的影响呈现出一定的波动性。在2012年和2018年的整体样本分析中，子女数量均显著降低了农村劳动力的工资收入，特别是农村女性的工资收入下降幅度在22.3%至29.2%之间。然而，在2015年，尽管子女数量对性别工资收入的影响未达显著水平，但其对工资收入的潜在影响不可忽视。考虑到2014年多地开始实施“单独二孩”政策，以及2015年全国范围内推广的“全面二孩”政策，推测这些政策可能导致了研究样本中子女数量的增加。同时，政府为鼓励二胎政策而推出的补贴政策也可能在一定程度上影响了工资收入。
Table 14. OLS regression results on the effect of the number of children on the gender gap in rural labor wage income (2018)
表14. 子女数量对农村劳动力工资收入的性别差异影响OLS回归结果(2018年)
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.185*** |
−0.068 |
−0.292*** |
|
(−2.68) |
(−0.84) |
(−2.66) |
Gender |
1.504*** |
- |
- |
|
(13.80) |
|
|
Education |
0.057*** |
0.022 |
0.082*** |
|
(3.14) |
(1.00) |
(2.89) |
Job |
4.092*** |
3.324*** |
4.386*** |
|
(32.69) |
(18.31) |
(25.39) |
Experience |
−0.033*** |
−0.043*** |
−0.024*** |
|
(−5.58) |
(−6.35) |
(−2.58) |
Marriage |
0.535*** |
0.511*** |
0.638** |
|
(3.35) |
(2.82) |
(2.41) |
Constant |
3.379*** |
6.087*** |
2.579*** |
|
(7.90) |
(11.99) |
(3.73) |
N |
4188 |
1936 |
2252 |
r2_a |
0.328 |
0.258 |
0.266 |
F |
205.6 |
75.75 |
91.45 |
5. 稳健性检验
为验证结果的稳健性，本文缩小了观测样本容量。考虑到年龄对就业、生育和收入的重要影响，剔除了25岁以下、55岁以上的样本。由于本文主要研究的是子女数量对工资收入产生的影响，因此剔除了未就业和子女数量大于3的特殊样本，并进一步展开实证分析，以验证结论的稳健性。由表15可知，结果与前述分析基本吻合，表明了本文实证分析的稳健性。
Table 15. Robustness test results
表15. 稳健性检验结果
变量 |
(1) 全样本 |
(2) 男性 |
(3) 女性 |
Children |
−0.144*** |
−0.066 |
−0.251*** |
|
(−3.44) |
(−1.55) |
(−3.26) |
Party |
0.093 |
0.090 |
0.178 |
|
(0.68) |
(0.78) |
(0.53) |
Gender |
1.164*** |
- |
- |
|
(20.25) |
|
|
Clan |
0.140 |
0.236** |
0.031 |
|
(1.49) |
(2.38) |
(0.19) |
Education |
0.089*** |
0.055*** |
0.111*** |
|
(8.45) |
(4.83) |
(6.01) |
Experience |
−0.014*** |
−0.018*** |
−0.009 |
|
(−3.61) |
(−4.75) |
(−1.35) |
Marriage |
0.331*** |
0.458*** |
0.038 |
|
(3.27) |
(4.60) |
(0.19) |
Health |
0.251*** |
0.208*** |
0.287*** |
|
(8.60) |
(6.76) |
(5.65) |
Region |
−0.140*** |
−0.168*** |
−0.098* |
|
(−4.95) |
(−5.92) |
(−1.90) |
Constant |
7.258*** |
8.761*** |
7.292*** |
|
(29.24) |
(33.89) |
(15.99) |
N |
7629 |
4061 |
3568 |
r2_a |
0.127 |
0.0707 |
0.0614 |
F |
124.7 |
39.59 |
30.18 |
6. 结论及建议
从实证分析结果看，子女数量的增长对农村女性收入具有显著且长远的负向影响，然而对农村男性收入的影响却并不显著。此外，随着经济的持续增长和教育水平的普遍提高，农村女性可能会基于对生育影响劳动力市场回报的考量，选择推迟或减少生育，这无疑会对人口政策调整的预期效果产生削弱作用。国家目前出台的生育政策大都聚焦于促进子女数量的增长，但对于养育孩子所需的时间、精力以及经济成本并未给予充分的政策支持和保障。即便女性尚未结婚或生育，企业在考虑其潜在成本时，也往往会在就业、晋升和待遇等方面对她们进行不公平的对待。相反，男性则较少受到此类影响。这种性别差异在经济发达地区尤为突出，因为发达地区的教育、医疗等育儿成本更高，生育后女性在职场上面临的挑战也更为严峻。这将不利于缩小农村劳动力市场上存在的工资收入的性别差异。基于现有分析，本文从三个方面提出缩小农村劳动力工资收入性别差异的建议。
第一，加强思想教育，强化性别平等观念。多年来，我国尤其是农村地区受“男主外、女主内”和“重男轻女”的传统思想影响，使得农村女性地位低下，其付出得不到重视。农村女性通常要为奉养父母公婆、养育子女而付出大量时间精力，而男性则相反。这种观念上的不平等对农村女性的教育、就业等有着严重的负面影响。要从根源上解决这种观念上的问题，一方面需要政府在政策层面上采取措施，保证职场性别平等，切实保护劳动力市场中女性的合法权益；另一方面需要转变家庭角色观念，提倡和鼓励男女共同分担家庭责任，减轻农村女性家庭和工作中的矛盾。
第二，健全生育全程服务制度，减轻农村女性生育负担。一是可对雇佣和为农村女性员工购买生育保险的用人单位进行补贴或税收减免，减少用人单位由于女性员工生育带来的用工偏见，营造公平的就业环境。二是针对农村育龄女性推出特定的个人可购买的生育保险或生育津贴，从产检、住院、生产等全程保障农村妇女的权益，缓解农村女性生育过程中面临的经济压力。尤其是前文分析时东部、中部地区女性受到的生育冲击更大，因此要更加重视和保障相应地区企业就业制度和工资分配制度的公平公正。三是完善农村公共服务及配套设施，构建完善的托育设施，以缓解农村女性育儿压力，通过鼓励村、社区、单位增设托儿所、幼儿园及婴儿照料机构，同时为一定年龄段的儿童提供“幼儿补贴”，以帮助女性减轻育儿负担，提高农村女性劳动供给时间，减少由于生育子女导致的职业中断预期，进而提高农村女性收入。
第三，加强对中低收入育龄农村女性群体的政策帮扶力度。中低收入育龄农村女性群体受生育带来的收入削减影响较大，可能是由于其学历水平低、工作技能缺乏，在受到生育带来的收入冲击后重新就业的难度较高且选择有限。政府应深化对中低收入农村女性群体的扶持，涵盖再就业技能培养、定向岗位提供以及育儿关怀等多维度措施。
基金项目
西南民族大学2024年研究生创新型科研项目“成渝地区女性数字素养与就业联动关系的调查研究”(项目编号：YCYB2024149)。