|
信息能力”这两个因素。我们仍使用未分离“获取信息能力差异”影响，即未做“残差处理” 295 的高考分数作为考生“受教育成果”的代理变量，而将考生的城乡属性与高考分数的乘积项 作为反映“获取信息能力差异”的变量，进而同时考察“受教育成果”和“获取信息能力” 这两个因素对专业选择的影响。其他变量的选择与Probit 模型1 相同，我们建立如下方程， 记为Probit 模型2： 1 0 1 2 3 4 1 ( ) i i i i i i i i D =Φ− P =β +β PF+β SC +β SC ⋅LO +β SE +ε （3） 300 其中D1、PF、SE 的定义与方程（2）相同， SC 为考生的高考分数，LO 的定义与方程 （1）相同，SC·LO 为考生高考分数与城乡属性的乘积项。 表6 影响考生分数及专业选择的多元回归(Probit 模型)分析结果 Probit 模型1（D1） Probit 模型2（D1） 常数项 -0.603759*** -16.57594*** PF 0.200645* 0.23349*** WI9 - - LO 0.140891* - SE 0.281051*** 0.271278*** SC - 0.29538*** RE_SC 0.032753*** - SC·LO - 0.000307** D2 - - D3 - - 注：***代表在1%的水平上显著，**代表在5%的水平上显著，*代表在10%的水平上显著。 305 对于Probit 模型1，从表5 的第3 列的回归结果可知，LO 的系数出现了我们所预期的 正号，并且结果在10%的置信水平上显著，使本文的假设2 得到了验证，即农村与城镇考 生获取信息能力的差异，会导致学生选择专业的差异，城镇考生会更容易进入较好的专业。 处理后的高考分数RE_SC 的系数在1%的置信水平上显著为正，证实了高分数更有利于进 310 入热门的专业，这与常规理解是吻合的。 对于Probit 模型2，从表5 的第4 列的回归结果可知，SC 与LO 乘积项的系数出现了预 期的正号，并且结果在5%的置信水平上显著，这意味着在同样的高考分数下，城镇（农村） 考生比农村（城镇）考生相对更容易（难）选择热门专业，即，城镇（农村）考生具有更强 （弱）的信息获取能力。同时，未处理的高考分数SC 的系数在1%置信水平上显著为正， 315 也证实了更高的高考分数更有利于进入热门的专业。 此外，为了进一步分析在表4 中“热门程度”较高的学院在多元回归模型中可能揭示出 的特征，我们选取了除去特殊政策或学院性质原因外，热度最高的四个学院作为研究对象， 分别是：通信与信息工程学院、微电子与固体电子学院、电子信息工程学院、计算机科学与 9 WI 代表志愿，在样本数据中WI 指的是进入该高校考生的学校志愿，由于进入该高校的考生绝大多数都 是第一志愿，所以当把WI 作为解释变量代入方程时，这一强势变量会把其他解释变量衡量的因素吸走， 使得我们无法考察其他因素带来的影响。因此，在本文的回归方程中，没有使用志愿作为解释变量。 工程学院，具体研究方法以通信与信息工程学院为例。通信与信息工程学院是公认该校最热 320 门的学院，其热门程度也在上文的热门学院考生的城乡属性分析中有体现。但当我们仅以学 院热度为被解释变量，录取学生中城镇考生占总数的比例减去农村考生占总数的比例 MINUS 为解释变量进行单变量分析时，发现结果并不显著。为了考察在控制诸多因素后， 考生的城乡属性和高考分数对进入通信与信息工程学院的影响是否显著，我们采取两种处理 方法：第一，我们继续使用方程（2），只将其中D1 的定义改变，考生进入通信与信息工 325 程学院，D1 取1，否则取0，特别需要说明的是，其他三个热门程度较高的学院也取0。第 二，我们继续使用方程（3），只将其中D1 的定义改变，考生进入通信与信息工程学院， D1 取1，否则取0，其他三个热门程度较高的学院也取0。在单独研究微电子与固体电子学 院时，则在考生进入微电子与固体电子学院时D1 取1，进入其他学院，包括进入通信与信 息工程学院、电子信息工程学院、计算机科学与工程学院都取0。在单独研究电子信息工程 330 学院、计算机科学与工程学院也采用这种定义方式。四个学院的回归结果见表7. 表7 四个热度较高学院Probit 模型回归分析 学院 通信与信息工程 微电子与固体电子电子信息工程 计算机科学与工程 模型类别 模型1 模型2 模型1 模型2 模型1 模型2 模型1 模型2 C -0.96*** -29.5*** -1.1*** -16*** -0.5*** -14.3*** -1.1*** -1.98 PF 0.220 0.222 -0.087 -0.087 0.086 0.086 0.108 0.439 SEX -0.213 -2.13 0.325* 0.324* -0.249* -0.250* 0.011 0.952 RE_SC 0.05*** - 0.03*** - 0.03*** - 0.0021 - LO 0.5*** - 0.172 - 0.3*** - 0.32*** - SC·LO 0.0009*** - 0.0004* - 0.0006*** - 0.007*** SCORE 0.05*** - 0.03*** - 0.026*** - 0.611 注：***代表在1%的水平上显著，**代表在5%的水平上显著，*代表在10%的水平上显著。模型1 代表上 文所定义的Probit 模型1，模型二代表Probit 模型2。 335 通信与信息工程学院的回归结果分析如下。在模型1 中，从表7 的第2 列的回归结果我 们可以发现，LO 和RE_SC 的系数都在1%的置信水平上显著为正。这是符合我们预期的， 即考生的城乡属性和高考分数对进入通信与信息工程学院的影响显著，这也一定程度上反映 了通信与信息工程学院是该校最热门学院。在模型2 中，从表7 第3 列的回归结果我们可以 340 发现，SC 和SC·LO 的系数在1%的置信水平上显著为正，其中SC·LO 的系数相较全样 本结果显著性更强，也印证了城镇考生在最热门专业中的显著优势。 微电子与固体电子学院的回归结果分析如下。在模型1 中，从表7 的第4 列的回归结果 我们可以发现，LO 和RE_SC 的系数都在1%的置信水平上显著为正。RE_SC 的系数都在 1%的置信水平上显著为正，这是符合我们预期的。但城乡属性LO 的系数并不显著，同样 345 在模型2 中，分数依然是在1%的置信水平上显著为正，但是交叉乘积项SC·LO 在10%的 置信水平上显著，横向对比其他学院的回归结果，显著性较低。我们访问了在微电子与固体 电子学院的同学，再结合自身报考时的经历，得出如下可能的原因。对于广大报考志愿的考 生来说，微电子与固体电子学院所开设的专业属于听起来很好但是不知道具体研究方向和就 业前景的专业，而历年各专业的录取分数线却是较为公开的信息，因此很多分数较高，但是 350 还不足以被通信与信息工程学院录取的同学报考了微电子与固体电子学院。所以在这种报考 动机下，城乡属性这一因素就被弱化，在模型中体现为解释变量中由于城乡属性带来的增量 差异较小，因此RE_SC 和SC·LO 的显著性不强。 电子信息工程学院的回归结果分析如下。从表7 的第6、第7 列可以发现，RE_SC、LO、 SC·LO、SCORE 的系数都在1%的置信水平上显著为正。这是符合我们预期的，即考生的 355 城乡属性和高考分数对进入电子信息工程学院的影响显著，这也反映出电子信息工程学院是 该校的老牌热门学院。 计算机科学与工程学院的回归结果分析如下。从表7 的第8 列可以发现，LO 的系数在 1%的置信水平上显著为正，但RE_SC 的系数并不显著。同样在模型2 中，SC·LO 的系数 在1%的置信水平上显著为正，但SCORE 的系数并不显著，即对于进入计算机科学与工程 360 学院来说，城乡属性的影响较为显著，但是高考分数的影响并不显著，结合我们自身报考的 经历和走访计算机科学与工程学院的同学，我们得出如下可能的原因。第一，计算机学院的 LO 因素十分显著，是由于计算机在十年前热门过，现在虽不是十分热门，但信息已被较多 揭示，而当信息获取相同时，城镇考生由于又有更好的受教育成果，因此LO 显著。第二， 计算机学院高考分数的因素不显著，在信息揭露较强的前提下（包括课程内容、就业前景等）， 365 兴趣成了较重要的一个因素，毕竟如果考生对计算机领域不感兴趣，在学习过程中会很痛苦。 又由于我们的样本都是已经被录取的学生，分数不够的学生不在此列，因此排除了有兴趣而 分数不够的情况，即分数较低对于录取该学院的影响。另一方面，即使是分数高，足够报考 更热门的学院，但也可能该考生是个计算机迷而选择了计算机科学与工程学院。结合这两个 方面考虑，分数这一因素所带来的影响就不显著了。而从表4 热门学院的考生来源比例的结 370 果来看，城镇考生的比例甚至高于通信，由于城镇考生接触电脑的机会更多，也更容易培养 兴趣，某种程度上验证了上述兴趣使然的假设。同时此结果也说明了在表4 中，计算机科学 与工程学院的热度排在“第四”，城镇考生比例却高于“前三名”的学院。 综上所述，在四个热度较高学院的Probit 模型回归分析中，通信与信息工程学院和电子 信息工程学院的回归结果都符合预期，即考生的城乡属性和高考分数对进入热门专业的影响 375 显著。而虽然微电子与固体电子学院和计算机科学与工程学院的回归结果与预期有出入，但 是结合这两个学院的特点，我们依然能够找到较为合理的解释。即在四个热度较高学院Probit 模型的分别回归分析中，我们也能够得到考生的城乡属性和高考分数对进入热门专业的影响 显著的结论。 我们之前所验证假设1 的结论是城镇考生由于享有更多的教育资源，因而有着更好的受 380 教育成果，而更好的受教育成果反映为更高的高考分数。在Probit 模型中，则反映为更有利 于进入热门专业。因此，从这个角度来看，高考这个选拔制度还是公平的，虽然城镇考生更 丰富的社会资源和更畅通的信息渠道有助于他们选到好专业，但是他们确实也有自己的高分 作为保障。而教育的不平等恰恰体现在这个公平的选拔之前，教育资源分配的不均衡导致城 乡类别不同的考生所接受教育的过程不同，从而导致了他们在进入高考这场公平的竞争前， 385 在某种程度上已经输在了起跑线上。 4 主要结论和启示 本文对中国教育不平等的现象进行实证研究，数据来源于四川省某“985”高校2009 年入学新生，共4754 个样本。通过基于数据统计处理的实证分析，我们在前人研究结果的 基础上，结合自身作为本科生的体会，从数据分析中得到结果。首先通过描述性统计发现在 390 全国范围内和在四川省内，虽然农村考生高考分数的均值和中位数都略高于城镇考生，但这 学术论文网Tag： |
