您好、欢迎来到现金彩票网!
当前位置:幸运彩票 > 非计算延迟 >

参保职工真的都反对延迟退休吗?——来自潜分类模型的经验证据

发布时间:2019-05-08 13:34 来源:未知 编辑:admin

  何时退休是每个参保人或劳动者都要做出的抉择,或达到法定年龄正常退休,或提前退休,或延迟退休。退休年龄也对一个国家的基本养老保险、劳动就业等制度影响重大。目前“延迟退休”改革引发热议。然而,在劳动者退休之前,我们并不知道其最终和线年至今,多项针对延迟退休的大型网络调查结果反映,反对延迟退休的受访者占比很高。由于网民对延迟退休不看好、不向往、不满情绪强烈,迫于社会舆论压力,人社部表示暂时搁置延迟退休的思路,仅仅进行学术研究探讨。

  不同的意见认为这些网络调查结果未必能代表民意。上网者中以年轻人居多,愁于找工作的他们自然希望退休的人越多越好,退休时间越早越好。而年长者、有职务的并没有那么强烈地反对延迟退休。从这些数据来看,网络调查是非随机样本,存在较大的选择性偏误;而其它几项社会调查也属于方便样本,又都是小样本,代表性不足。基于这些数据的统计结果或推断结论并不能准确反映我国职工退休意愿或行为的真实情况。从文献检索的结果来看,目前学者们都是在研究被访者延迟退休的意愿(是否愿意或强弱),以及影响这种意愿的因素。这些研究实际上并没有甄别出谁是延迟退休、正常退休或提前退休者。这使得我们至今都无法预知劳动者的真实退休期望,不清楚究竟有多大比例的劳动者接受或反对延迟退休,从而难以供决策者参考借鉴。

  本文基于CLDS2014年全国大样本调查数据,根据“退休”的异质性将其设为分类型潜变量,并使用2个显变量作为其测量指标,进而使用潜分类模型的贝叶斯后验概率对被访者进行识别,归入延迟退休、非延迟退休等2种类型。边际贡献在于提高了测量指标的代表性、减少了测量误差,并提供了一种区分劳动者退休行为的预先识别机制,从而能更准确地计算出赞成或反对延迟退休的实际比例。这些改进有助于进一步提升退休及相关研究工作,并为我国延迟退休改革提供定量经验证据以供决策参考。

  本文主要使用2014年中国劳动力动态调查数据。该调查是由中山大学社会科学调查中心组织实施的一项全国追踪调查,调查内容涵盖城乡劳动力的教育、工作、迁移等众多研究议题。CLDS2014年调查数据中测量延迟退休意愿的问题包括,第一“按照现在的退休制度,您应该在什么年龄退休”、“您认为您的理想退休年龄应该是多少岁”。我们将被访者的理想退休年龄减去法定退休年龄。如果理想退休年龄小于法定退休年龄则视“提前退休”,理想退休年龄等于法定退休年龄视为“正常退休”,理想退休年龄大于法定退休年龄视为“延迟退休”。由此,得到第1个测量指标变量——退休类型(delay_type),取值1、2、3,为分类变量,分别对应提前、正常和延迟退休。第二问题是“您是否赞同延迟退休年龄政策”,回答选项包括“非常赞同”、“比较赞同”、“无所谓”、“比较不赞同”和“非常不赞同”。由此得到第2个测量指标——退休意愿(delay_yes),取值1~5,是有序分类变量。

  已有研究使用的线性回归、logit回归或ordered logit回归模型,实际上是假设样本观测值都属于同质的群体(homogenous group),具有相似特征。但这种假设并不符合现实,观测值实际上具有很强的异质性。这些异质性一直没有得到很好的测量和研究分析。鉴于本文的研究目的是为了识别出延迟退休者,故使用两个分类的潜分类模型(two-latent-class model)。这两个分类为延迟退休者、非延迟退休者。

  表1给出了被解释潜变量的两个指标变量退休类型(delay_type)与退休意愿(delay_yes)的列联表。从列的退休意愿来看,选取1~5(非常不赞同、较不赞同、无所谓、较赞同、非常赞同)的分别为1991、1466、1405、970和280人,其边际概率分别为32.58%、23.99%、22.99%、15.87%和4.58%,较赞同和非常赞同延迟退休的二项合计有20.45%。从行的边际概率来看,在退休类型中,取值为1(提前退休)的有2793人,占45.7%,取值为2(正常退休)的有2729人,占44.65%,而取值为3(延迟退休)的有590人,占9.65%。两个指标反映延迟退休的比例分别为20.45%和9.65%,都要高于网路调查的结果,但二者并不相等。这说明当研究者使用不同的测量指标作为延迟退休的代理变量时,会存在测量误差(有时差别很大)。这就是为什么要使用多个指标(显变量)来测量潜变量(限于问卷变量,本文模型使用2个),再使用潜变量进行研究。因为使用潜变量可以减少测量误差,并能从更多不同的侧面(维度)去反映被研究对象的内涵和全貌。

  表1还对两个指标的相关性进行了检验。退休类型(delay_type)和退休意愿(delay_yes)之间是显著正相关的。这种关联性能否被某一个内在的潜类别变量所解释,使得在经过该潜变量的估计之后能够实现其局部独立性,就是潜类别分析。潜类别分析使得我们可以挖掘出相关的指标变量背后共同的本质属性,在本文就是难以直接观察的被访者的潜在退休偏好。

  LCM的估计结果主要是两种参数:潜类别概率(latent class probabilities)和条件概率。使用STATA15.0对本文LCM模型估计之后得到的条件概率和潜类别概率如表2所示:

  表2报告了各个指标的条件概率。从这些条件概率可以看出,“非延迟退休”显然是被访者最主要的选择,而“延迟退休”在t=1这一类的A只有0.1%(i=3)和B的5.6%(j=4和j=5),而在t=2这一类的A只有23.2%(i=3)和在B的41.4%(j=4和j=5)。

  表2还报告了两个潜类别的概率。它代表了各个潜类别的相对大小,规模越大的潜类别代表在潜变量中具有较重要的地位,类似于因素分析中的方差解释百分比。表2中,t=1占58.5%、t=2占41.5%,代表了各自解释2个指标变异量(方差)的比重。t=1这一类解释了超过1半的方差,但t=2的解释力也超过了40%。这说明采用分类型潜变量是有必要的,而不能像传统回归分析那样假设被访者属于同质的群体。

  图1还将表2的条件概率用折线图的方式进行了展示,也可以看出两类群体在各个指标的回答结果上的差异是比较分明的,而不能混为一体。图2还展示了两类潜类别的正态概率图。从图2可知,非延迟退休者的u1=0.415,而延迟退休者的u2=0.585,二者之间的区别较为明显。这也说明采用基于异质型群体假设的潜分类模型是合理的,可以提高类别变量的分析质量和价值,能更好地揭示出退休现象本身的关系,挖掘出退休潜类别背后隐藏的实证意义。

  潜类别模型估计出来之后,下一步的工作就是将所有的观测值个体归入适当的潜类别之中,来说明观测值的后验类别属性,即识别出非延迟退休者、延迟退休者。根据之前模型的极大似然迭代估计结果,算出每一个单元格的后验概率,看被访者在哪一组的后验概率最高,来确定他/她的归类,直至完成所有观测值的分类。结果如表3所示:

  具体而言,如果在某一类的后验概率大于0.5,就将该观测值归入某类别。本文的指标变量A共有3个选项,指标B共有5个选项,故二者的组合一共有15种选择。表3中,被访者回答结果是(A1,B1),属于第1类的后验概率为0.969,属于第2类的后验概率为0.031,故而回答结果是这个组合的被访者会被归入第1类,即非延迟退休者,共有1238人,占全部观测值的20.26%。以此类推,最后被归入第1类非延迟退休者的组合有(A1,B1)、(A1,B2)、(A1,B3)、(A2,B1)、(A2,B2)。表3中共有3792人,占全部观测值的62.04%。而回答结果是(A1,B4)、(A1,B5)、(A2,B3)、(A2,B4)、(A2,B5)、(A3,B1)、(A3,B2)、(A3,B3)、(A3,B4)、(A3,B5)这10种的则被归入第2类,即延迟退休者。表3中共有2320人,占37.95%。也就是说,根据后验概率,被访者属于非延迟退休者(提前或正常)有62.04%,属于第2类延迟退休的占37.95%。可见,赞成或选择延迟退休的比例要远高于人民网、中国青年报等媒体的网络调查结果,甚至高于搜狐网的问卷调查结果(同意24.65%)。这说明网络调查的结果是严重有偏的。延迟退休年龄的改革并非“千夫所指”,而有超过1/3的被调查者是潜在的延迟退休者。在劳动者中,高学历者受教育时间长、进入劳动力市场的时间短,推迟退休的意愿相应会比较强烈,过早退休会浪费高质量的人力资源。另外,职务较高、收入高、家庭经济负担重等职工也有很大一部分是潜在的延迟退休者。

  本文遵从样本观测值异质性的客观事实,使用潜分类模型对被访者进行识别归类。被解释变量“退休”为分类型潜变量,并使用两个显变量指标来对其进行测量,分别为取值1~3的退休类型delay_type和取值1~5的退休意愿delay_yes。对潜分类模型进行估计之后,发现第1类、第2类两种分类可以分别解释变量方差的58.5%和41.5%。之后对各个观测值计算其后验概率来完成每一个观测值的归类。最后发现非延迟退休者(含提前、正常)占62.04%,而赞成延迟退休者占37.95%。这说明网络调查的结果是严重有偏的。延迟退休年龄的改革并非“千夫所指”,而有超过1/3的被调查者是潜在的延迟退休者。

  从本文的潜分类模型估计结果可知,尽管延迟退休年龄并非“千夫所指”,但也有60%左右的劳动者反对。这意味着延迟退休改革不能“一刀切”,也不能简单地依靠“行政命令”强制推动。我们认为应通过发挥养老保险制度的经济激励作用来达到延迟退休的目的。具体而言,养老金待遇的计算和发放必须严格遵从“精算平衡”机制,按精算平衡削减提前退休者的养老金待遇,降低养老金待遇年度调整比例,消除养老金待遇调整过快导致的“倒挂”问题,最大程度减除对提前退休者的扭曲性奖励;同时,按精算平衡原则提高延迟退休者的养老金待遇,还可以给予额外的延迟奖励。

  阳义南,华南理工大学教授、博士生导师,管理学博士,经济学博士后,研究方向:养老金金融、老龄经济学;肖建华,华南理工大学公共管理学院硕士研究生。

http://link100.net/feijisuanyanchi/159.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有