(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam

(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam(Luận án tiến sĩ) Các mô hình toán kinh tế đánh giá suất sinh lời của giáo dục và vai trò phát tín hiệu của giáo dục sau phổ thông Việt Nam

CƠ SỞ LÝ THUYẾT VÀ TỔNG QUAN NGHIÊN CỨU

Khung phân tích của luận án

Phân tích tổng quan cho thấy suất sinh lời của giáo dục, được đo bằng tiền lương, bị chi phối bởi bốn nhóm nhân tố chủ lực: (i) bằng cấp giáo dục và kinh nghiệm làm việc; (ii) yếu tố nhân khẩu học như tuổi, giới tính, khu vực cư trú, sức khỏe, tình trạng hôn nhân và nguồn gốc dân tộc; (iii) các yếu tố vĩ mô gồm loại hình doanh nghiệp, ngành nghề và môi trường làm việc; (iv) vai trò tín hiệu của giáo dục, phản ánh thông tin bất đối xứng trong thị trường lao động Vì thế, các nhóm biến này được tích hợp làm biến độc lập trong các mô hình phân tích định lượng nhằm đánh giá hiệu suất sinh lời của giáo dục sau phổ thông.

Khung phân tích của luận án được mô tả trong Hình 1.3 dưới đây:

Hình 1.3: Khung phân tích của luận án

Nguồn: Nghiên cứu của tác giả

Theo khung phân tích này, luận án xây dựng các mô hình toán kinh tế nhằm đánh giá hiệu suất sinh lời của giáo dục Hiệu suất sinh lời của giáo dục được đo bằng tiền lương của người lao động, và tiền lương được cấu thành từ hai yếu tố chính: năng suất lao động và tín hiệu về năng suất lao động Việc đưa yếu tố tín hiệu vào phân tích, như tổng quan đã chỉ ra, xuất phát từ vấn đề thông tin bất đối xứng giữa người lao động và người sử dụng lao động về năng suất của người lao động, đặc biệt ở thời kỳ đầu của hợp đồng lao động.

Trong nghiên cứu này, các biến độc lập được xem xét có tác động trực tiếp đến năng suất lao động, bao gồm vốn nhân lực, yếu tố nhân khẩu học và các biến liên quan khác như vốn cố định, công nghệ và trình độ đào tạo Vốn nhân lực thể hiện qua trình độ học vấn, kỹ năng và năng lực làm việc của người lao động, giúp giải thích mức độ hiệu quả và khả năng thích nghi với yêu cầu công việc Nhân khẩu học, gồm các yếu tố tuổi tác, giới tính, bằng cấp và kinh nghiệm, ảnh hưởng đến cấu trúc lực lượng lao động và tốc độ tăng năng suất Các biến bổ sung như vốn cố định (đầu tư vào máy móc và thiết bị), trình độ công nghệ và mức độ đổi mới cũng được xem xét để làm rõ tác động tới năng suất Mục tiêu là xác định các yếu tố quyết định năng suất và đề xuất các giải pháp quản trị và chính sách nhằm nâng cao hiệu quả lao động.

Suất sinh lời của giáo dục (Tiền lương)

Các yếu tố vĩ mô

Trong nghiên cứu về năng suất và các yếu tố vĩ mô, giáo dục (đo lường vốn nhân lực) được coi là biến độc lập quan trọng, và yếu tố tín hiệu cũng là mối quan tâm chủ chốt của luận án Quá trình lao động đi kèm với sự giảm dần của sự bất đối xứng thông tin giữa chủ lao động và lao động, khiến vai trò của tín hiệu trong xác định tiền lương ngày càng giảm, và vấn đề này sẽ được luận án kiểm soát trong phân tích ở chương 4.

CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU

Chương này trình bày các phương pháp ước lượng suất sinh lời của giáo dục, bắt đầu với hàm tiền lương Mincer làm nền tảng cho các mô hình kinh tế lượng về tiền lương; tiếp đến là các kỹ thuật điều chỉnh biến nội sinh do lựa chọn ngược—như PSM, mô hình Heckman và Lewbel—thường gặp khi ước lượng hàm tiền lương; cuối cùng là phương pháp phi tham số Kernel, cho phép ước lượng mối quan hệ giữa các biến mà không phụ thuộc vào một dạng hàm cụ thể.

Miner (1958, 1974) là người đầu tiên đưa ra công thức thực nghiệm về tiền lương Trong công thức của ông, tại thời điểm t trong đời một cá nhân, mức lương quan sát được được mô tả như một hàm lõm dựa trên kinh nghiệm của người lao động Giả sử giai đoạn đầu tư cho giáo dục kéo dài S năm và quá trình đào tạo lại công việc giảm tuyến tính theo vòng đời, logarit tiền lương là một hàm bậc hai theo kinh nghiệm làm việc: ln(Y_ti) = a0 + a_S i + a_t2 i + a_t3 i^2 + ε_i Mô hình cho thấy tiền lương tăng nhanh ở những năm đầu sự nghiệp, sau đó chững lại và có xu hướng giảm khi tích lũy kinh nghiệm, phản ánh tác động của giáo dục và đào tạo lên mức lương thực tế.

Trong mô hình thu nhập của người lao động, a0 đại diện cho khả năng tiền lương khởi điểm, a2 là suất sinh lợi của giáo dục (giả định mọi chi phí giáo dục là chi phí cơ hội), và a3 liên quan đến hiệu suất sinh lợi của việc được đào tạo sau khi hoàn thành việc học; Phương trình (2.1) còn được gọi là hàm thu nhập Mincer.

Việc xây dựng hàm thu nhập được Mincer thực hiện như sau:

Gọi C t là chi phí đầu tư cho vốn nhân lực ở năm t Khi đó, tiền lương trong một giai đoạn là:

Giai đoạn đầu tiên là kết quả của việc tối đa hóa đầu tư vào chuyên môn thuần túy và được gọi là đi học; ở đó, giá trị vốn nhân lực tăng theo cấp bậc giáo dục Giai đoạn tiếp theo là sự kết hợp giữa làm việc và đầu tư, còn được gọi là đầu tư sau khi học (PSI - post‑school investment) hoặc đào tạo lại (OJT - on‑the‑job training) Một điểm đáng chú ý ở giai đoạn này là thời gian đầu tư giảm dần, có nghĩa là mỗi năm trôi qua cá nhân sẽ tạo ra ít nguồn lực hơn vì tuổi tác tăng lên.

Trong đó E 0 đại diện cho tiền lương tiềm năng của một cá nhân dựa trên năng lực bẩm sinh

Tương tự: E 2 = E 1 + rC 1 = E 0 + rC 0 + rC 1 (2.3)

Bằng cách đệ quy ta có:

Bởi vì thực tế rất khó có được dữ liệu về số tiền đầu tư vào vốn nhân lực,

E đại diện cho tỷ lệ thu nhập mà một cá nhân chi cho việc đầu tư vào vốn nhân lực; đây là phần trăm thời gian mà cá nhân ấy dành để phát triển vốn nhân lực thông qua học tập, đào tạo và nâng cao kỹ năng Việc liên kết giữa thu nhập và chi tiêu cho vốn nhân lực giúp đo lường mức độ đầu tư của người lao động vào sự phát triển bản thân và khả năng cạnh tranh trên thị trường lao động Thay C_t bằng k_t, ta có một công thức mới thể hiện mối quan hệ này, giúp dễ dàng so sánh và tối ưu hóa nguồn lực dành cho đào tạo và phát triển.

= ∏ + (2.5) Logarit hai vế ta được:

= + ∑ + (2.6) Khi rk i nhỏ thì Ln (1 + rk i ) ≈ rk i Khi đó (2.6) được viết lại như sau:

Trong suốt quá trình đi học, ki bằng 1 với mọi cá nhân vì bản chất của việc học là hoạt động toàn thời gian Tuy nhiên sau khi kết thúc việc học, ki sẽ giảm dần từ 1 xuống 0 theo thời gian làm việc cho đến nghỉ hưu Điều này cho thấy ki có thể chia thành hai phần: (1) thời gian đi học, khi ki bằng 1 với tất cả i; (2) thời gian đi làm và nghỉ hưu, khi ki dần về 0.

, (2) giai đoạn đầu tư sau khi học, trong đó sự đầu tư giảm đơn điệu Như vậy (2.7) có thể viết lại:

Trong mô hình này, r_S biểu thị hiệu suất sinh lợi của việc đi học, tức là mức tăng thu nhập và lợi ích kinh tế từ quá trình giáo dục Ngược lại, r_P đại diện cho hiệu suất sinh lợi của việc đầu tư sau khi đi học, phản ánh lợi nhuận từ các khoản đầu tư vốn và chi phí liên quan đến sự nghiệp sau đào tạo Việc đầu tư sau học được thể hiện trên một khung thời gian liên tục, cho phép phân tích sự biến thiên của lợi nhuận theo thời gian và các yếu tố tác động như thị trường lao động, thời gian làm việc và mức lương.

Mincer thực nghiệm với 4 chi tiết: (2.1) số tiền đầu tư cho đào tạo lại giảm tuyến tính, (2.2) thời gian đầu tư tương đương cho đào tạo lại giảm tuyến tính, (2.3) lũy thừa của số tiền đầu tư cho đào tạo lại giảm tuyến tính, (2.4) lũy thừa thời gian đầu tư tương đương cho đào tạo lại giảm tuyến tính Trong đó lũy thừa thời gian đầu tư tương đương cho đào tạo lại giảm tuyến tính làm hàm được sử dụng nhiều nhất Mincer giả định: k i k 0 k 0 t

= − T (2.9) Trong đó k 0 là đầu tư tương đương về thời gian ở thời điểm ban đầu, và

T là tổng số thời kì đầu tư Thay (2.9) vào (2.8) ta có:

Lương tiềm năng của một người là một hàm bậc hai của số năm kinh nghiệm Tuy nhiên, lương thực tế không bằng lương tiềm năng vì người làm công ăn lương sẽ chi một phần tiền lương để đầu tư Do đó, lương thực tế sẽ được tính bằng hiệu của lương tiềm năng và chi tiêu đầu tư, tức Lương thực tế = Lương tiềm năng − Chi tiêu đầu tư.

Y t = (1 − k E t ) t (2.11) Logarit hai vế ta có:

Lấy xấp xỉ Taylor bậc 2 của hàm (1 0 k 0 )

Thay vào (2.13) ta được phương trình (2.1)

Hàm tiền lương Mincer mang đến hai ý nghĩa cơ bản: trước hết, nó cho thấy tiền lương liên quan trực tiếp đến đầu tư vào nguồn nhân lực; nhiều vốn nhân lực hơn ở một cá nhân thường đẩy lương lên, và hệ số của biến học vấn phản ánh mức lợi nhuận từ học tập Thứ hai, hàm này có tính lõm, nghĩa là thu nhập tăng nhanh ở nhóm tuổi trẻ và tốc độ tăng trưởng thu nhập sẽ chậm lại ở nhóm trung niên Ngày nay, hầu hết các hàm tiền lương còn tích hợp nhiều biến bổ sung bên cạnh học vấn và số năm kinh nghiệm mà Mincer đã dùng, bao gồm chủng tộc, giới tính, biến giả khu vực sống, sức khỏe, dân tộc, tình trạng hôn nhân, số con, thành viên công đoàn, và nhiều biến số khác Các biến ngoại sinh này được dùng như biến kiểm soát trong mô hình.

M ộ t s ố v ấ n đề khi s ử dùng hàm ti ề n l ươ ng Mincer

Không đồng nhất do những biến không quan sát được (Unobserved Heterogenity)

Phân tích hồi quy đa biến kết hợp giữa ước lượng đồng thời và điều chỉnh chệch do chọn lọc dựa trên các đặc tính quan sát được của cá nhân ảnh hưởng đến tiền lương Mô hình này thường có các biến quan trọng liên kết với nhau nhưng bị bỏ qua do thiếu dữ liệu về các đặc tính không thể quan sát được Ví dụ, những người có trí thông minh cao có thể có số năm học tập nhiều hơn người khác, nhưng năng lực bẩm sinh cũng tác động tới thu nhập độc lập với trình độ giáo dục Khi người ta có thể học tập lâu hơn, hệ số của biến giáo dục sẽ bị chệch và có xu hướng tăng lên vì hiệu quả của giáo dục còn mang dấu ấn của năng lực bẩm sinh không đo được Do đó, hồi quy dựa trên dữ liệu quan sát được có thể bị chệch do năng lực bẩm sinh không quan sát được của người lao động.

PHƯƠNG PHÁP NGHIÊN CỨU

Hàm tiền lương Mincer

Miner (1958, 1974) là người đầu tiên đưa ra công thức thực nghiệm về tiền lương Trong công thức của ông, tại thời điểm t trong vòng đời của một cá nhân, tiền lương quan sát được có thể được miêu tả như một hàm lõm theo kinh nghiệm làm việc của người lao động Giả sử rằng giai đoạn đầu tư cho giáo dục của một cá nhân là S năm và quá trình đào tạo lại công việc giảm tuyến tính theo vòng đời, thì logarit tiền lương là một hàm bậc hai theo kinh nghiệm làm việc, được biểu diễn bằng ln(Y_it) = a0 + a_S S_i + a_t t_i + a_t2 t_i^2 + ε_i (2.1).

Trong mô hình này, a0 liên quan đến khả năng tiền lương ban đầu, a2 là suất sinh lợi của giáo dục (giả định rằng tất cả các chi phí giáo dục là chi phí cơ hội), và a3 liên quan đến hiệu suất sinh lợi của việc được đào tạo sau khi hoàn thành việc học Phương trình (2.1) còn được gọi là hàm thu nhập Mincer.

Việc xây dựng hàm thu nhập được Mincer thực hiện như sau:

Gọi C t là chi phí đầu tư cho vốn nhân lực ở năm t Khi đó, tiền lương trong một giai đoạn là:

Giai đoạn đầu là kết quả của một giải pháp tối ưu hóa đầu tư vào chuyên môn thuần túy thông qua việc đi học, nơi giá trị vốn nhân lực tăng lên theo cấp bậc giáo dục Giai đoạn sau là khi cá nhân vừa làm việc vừa đầu tư cho kiến thức và kỹ năng, được gọi là đầu tư sau khi học (PSI – post‑school investment) hoặc đào tạo lại (OJT – on‑the‑job training) Một điểm quan trọng ở giai đoạn này là thời gian đầu tư giảm dần, có nghĩa là mỗi năm trôi qua cá nhân sẽ tạo ra ít nguồn lực nhân sự hơn do tuổi tác tăng lên.

Trong đó E 0 đại diện cho tiền lương tiềm năng của một cá nhân dựa trên năng lực bẩm sinh

Tương tự: E 2 = E 1 + rC 1 = E 0 + rC 0 + rC 1 (2.3)

Bằng cách đệ quy ta có:

Bởi vì thực tế rất khó có được dữ liệu về số tiền đầu tư vào vốn nhân lực,

E đại diện cho tỷ lệ thu nhập mà một cá nhân chi cho đầu tư vào vốn nhân lực Tỷ lệ này xấp xỉ phần trăm thời gian mà một cá nhân dành cho các hoạt động nâng cao vốn nhân lực, như học tập, đào tạo và rèn luyện kỹ năng Thay C_t bằng k_t, ta có sự liên hệ giữa chi tiêu và thời gian đầu tư vào vốn nhân lực, cho thấy mức chi tiêu cho giáo dục và phát triển cá nhân phản ánh tiềm năng tăng trưởng thu nhập trong tương lai.

= ∏ + (2.5) Logarit hai vế ta được:

= + ∑ + (2.6) Khi rk i nhỏ thì Ln (1 + rk i ) ≈ rk i Khi đó (2.6) được viết lại như sau:

Trong suốt quá trình học tập, ki được xem bằng 1, vì bản chất của việc học là hoạt động toàn thời gian Sau khi kết thúc quá trình học, ki sẽ giảm dần đến 0 khi cá nhân bắt đầu đi làm và cho tới khi nghỉ hưu Điều này cho thấy ki có thể chia thành hai phần: thời gian đi học, trong đó ki bằng 1 với mọi người; và thời gian đi làm và nghỉ hưu, khi ki giảm dần từ 1 xuống 0 cho tới khi kết thúc sự nghiệp.

, (2) giai đoạn đầu tư sau khi học, trong đó sự đầu tư giảm đơn điệu Như vậy (2.7) có thể viết lại:

Trong đó r_S là hiệu suất sinh lợi của việc đi học, r_P là hiệu suất sinh lợi của việc đầu tư sau khi đi học, và các nguồn đầu tư sau khi học được thể hiện dưới dạng thời gian liên tục, cho thấy sự so sánh giữa lợi ích từ quá trình học tập và lợi ích từ đầu tư theo thời gian.

Trong phân tích Mincer thực nghiệm với 4 chi tiết, (2.1) chi phí đầu tư cho đào tạo lại giảm theo một hàm tuyến tính, (2.2) thời gian đầu tư tương đương cho đào tạo lại cũng giảm tuyến tính, (2.3) lũy thừa của số tiền đầu tư cho đào tạo lại giảm tuyến tính, và (2.4) lũy thừa thời gian đầu tư tương đương cho đào tạo lại giảm tuyến tính; trong đó lũy thừa của thời gian đầu tư tương đương cho đào tạo lại được dùng nhiều nhất để xây dựng hàm mô hình, liên quan đến các giả định của Mincer về các tham số k_i và k_0 thể hiện mối liên hệ giữa đầu tư đào tạo và kết quả kinh tế.

= − T (2.9) Trong đó k 0 là đầu tư tương đương về thời gian ở thời điểm ban đầu, và

T là tổng số thời kì đầu tư Thay (2.9) vào (2.8) ta có:

Tiền lương tiềm năng của một người là một hàm bậc hai của năm kinh nghiệm Tuy nhiên, lương thực tế không bằng lương tiềm năng vì người lao động chi tiêu một phần thu nhập để đầu tư và tiết kiệm Do đó tiền lương thực tế sẽ là: L_thực tế = L_tiềm_năng × (1 − f), với f là tỷ lệ phần trăm thu nhập được dành cho đầu tư/tiết kiệm Khi f tăng, khoảng cách giữa tiềm năng và thực tế mở rộng, ảnh hưởng đến kế hoạch phát triển sự nghiệp và quản lý tài chính.

Y t = (1 − k E t ) t (2.11) Logarit hai vế ta có:

Lấy xấp xỉ Taylor bậc 2 của hàm (1 0 k 0 )

Thay vào (2.13) ta được phương trình (2.1)

Chức năng của hàm tiền lương Mincer đạt được ít nhất hai ý nghĩa cơ bản: Thứ nhất, tiền lương liên quan đến đầu tư vào nguồn nhân lực; càng đầu tư vốn nhân lực cho một cá nhân thì tiền lương càng tăng, và hệ số của biến học vấn phản ánh hiệu quả sinh lợi của học vấn Thứ hai, hàm tiền lương là một hàm lõm, tức là thu nhập tăng nhanh ở nhóm tuổi trẻ và tốc độ tăng trưởng thu nhập giảm dần ở nhóm trung niên Ngày nay hầu hết các hàm tiền lương được mở rộng bằng cách bổ sung nhiều biến ngoài học vấn và số năm kinh nghiệm, như chủng tộc, giới tính, biến giả khu vực sống, tình trạng sức khỏe, dân tộc, tình trạng hôn nhân, số con trong gia đình, thành viên công đoàn và nhiều biến số khác; các biến ngoại sinh này được dùng như biến kiểm soát của mô hình.

M ộ t s ố v ấ n đề khi s ử dùng hàm ti ề n l ươ ng Mincer

Không đồng nhất do những biến không quan sát được (Unobserved Heterogenity)

Phân tích hồi quy đa biến với ước lượng đồng thời và điều chỉnh chệch dựa trên các đặc tính quan sát được của người lao động là phương pháp chủ đạo để hiểu ảnh hưởng của các yếu tố cá nhân tới tiền lương Vấn đề phổ biến là các biến quan trọng kết hợp nhưng bị bỏ qua do thiếu dữ liệu về các đặc tính không quan sát được Ví dụ, những người thông minh có thể có nhiều năm học tập hơn người khác, nhưng năng lực bẩm sinh cũng tác động tới thu nhập độc lập với học vấn Nếu càng có thể học tập lâu hơn, hệ số của biến giáo dục có xu hướng bị chệch và tăng lên bởi phần lợi ích của giáo dục còn chứa đựng yếu tố năng lực bẩm sinh không đo được Do đó, mô hình hồi quy sử dụng dữ liệu cá nhân bỏ qua năng lực bẩm sinh không quan sát được sẽ dẫn tới chệch lệch kết quả và ước lượng sai lệch.

Việc ước lượng chệch phần lớn bắt nguồn từ sự lựa chọn mẫu, vì dữ liệu dùng cho ước lượng không đủ ngẫu nhiên Nhiều nghiên cứu đánh giá thấp khoảng cách tiền lương theo giới tính vì có tỷ lệ phụ nữ tham gia thị trường lao động thấp hơn nam giới Nếu mẫu phụ nữ tham gia thị trường lao động là ngẫu nhiên thì ước lượng chệch sẽ không xảy ra khi so sánh tiền lương giữa nam và nữ Tuy nhiên, có thể nghi ngờ rằng việc phụ nữ đi làm không phải là ngẫu nhiên, vì một người chỉ làm việc khi mức lương đề nghị cao hơn mức lương kỳ vọng Do đó, nếu bao gồm cả những người làm việc ở mức lương kỳ vọng dưới ngưỡng thì sự khác biệt về tiền lương giữa nam và nữ sẽ lớn hơn.

Phương pháp ước lượng điểm thiên hướng (propensity score method)

2.2.1 V ấ n đề khi đ ánh giá s ự tác độ ng c ủ a m ộ t ch ươ ng trình Ở cấp độ cá nhân chúng ta quan sát đầu ra của thị trường lao động của những người được đào tạo và những người không nhận được đào tạo Để biết được hiệu quả của việc đào tạo về một cá nhân tham gia chúng ta phải so sánh đầu ra với cá nhân không tham gia chương trình Tuy nhiên thực tế chỉ có một đầu ra được quan sát, và được gọi là đầu ra thực tế hay còn gọi là đầu ra của những cá nhân được tác động bởi chương trình Và đầu ra không thực tế là kết quả của cá nhân tham gia và không nhận được sự tác động của chương trình Đầu ra này không thể quan sát được và đây là vấn đề của việc ước lượng, do đó một trong những khó khăn của đánh giá chương trình đó là dữ liệu thiếu

Can thiệp của một chính sách không tác động lên mọi người theo cùng một cách; có sự không đồng nhất về phản ứng giữa các cá nhân, tạo ra hai câu hỏi cần giải quyết khi đánh giá tác động: thứ nhất là tác động lên một cá nhân được chọn ngẫu nhiên từ tổng thể (ATE – average treatment effect), thứ hai là tác động lên những người thực sự tham gia chương trình (ATET – average effect of treatment on the treated) Hai tác động này sẽ giống nhau nếu phản hồi của từng cá nhân là như nhau, nhưng thực tế sự đa dạng giữa các cá nhân khiến kết quả đo lường khác nhau Ví dụ về một chương trình tự nguyện cho thấy những người tình nguyện có thể khác tổng thể về lợi ích kỳ vọng từ chương trình, vì họ nhận thấy lợi ích từ sự tham gia và sẽ tham gia trước.

Việc ước lượng tác động cho những người tham gia so với những người không tham gia liên quan tới hai tham số chính: ATET (tác động trung bình trên người tham gia) và ATE (tác động trung bình trên toàn mẫu) ATET cho thấy lợi ích trung bình của sự tham gia, trong khi ATE liên quan tới việc mở rộng chương trình bắt buộc và đánh giá tác động khi áp dụng rộng rãi; do đó nhà hoạch định chính sách cần nhận thức được sự khác biệt về tác động của chương trình với hai lý do Thứ nhất, khi so sánh các kết quả nghiên cứu, người đọc cần nhận thấy tác động của chương trình mà nghiên cứu đang xét; nếu lợi ích kỳ vọng lớn nhất đang ở mức tham gia, ATE có thể nhỏ hơn ATET Thứ hai, các câu hỏi chính sách khác nhau được giải quyết bởi tác động khác nhau: ATET có thể trả lời liệu chương trình có nên thực hiện hay không dựa trên việc lợi ích trung bình cho người tham gia so với chi phí mà mỗi người bỏ ra; khi mở rộng cho toàn bộ mẫu, ATE được dùng để tính toán sự tác động không đồng đều và đánh giá tính khả thi của một chương trình bắt buộc Để làm rõ, ta có thể xem xét một chương trình đào tạo tự nguyện, trong đó đánh giá hiệu quả bằng cách so sánh kết quả giữa người tham gia và người không tham gia; tác động của chương trình được đặc trưng bởi hai quá trình: quyết định tham gia và quá trình xác định công việc (đầu ra), và quan trọng là nhận diện được các đặc tính quan sát được và không quan sát được có thể tác động như thế nào.

Vấn đề cốt lõi là sự lựa chọn chệch sẽ tăng lên khi các yếu tố tham gia chương trình liên quan đến quá trình xác định thành công trong tìm kiếm việc làm Sự lựa chọn chệch là hệ quả trực tiếp của việc tham gia chương trình tác động lên đầu ra Mối liên hệ giữa hai quá trình có thể được ước lượng dựa trên các đặc điểm có thể quan sát được, và do đó sự chệch có thể được giảm thiểu bằng cách đưa vào các biến liên quan trong phương trình giải thích kết quả đầu ra Tuy nhiên, ở một số trường hợp, các đặc tính không quan sát được vẫn ảnh hưởng đến quá trình tham gia và đồng thời ảnh hưởng tới đầu ra của chương trình, tạo ra lệch cần được xử lý.

Trong thực tế, việc tìm các nhóm có thể so sánh có cùng đặc điểm là khó khăn, nên thường thấy rằng những người tham gia chương trình có đặc điểm khác với những người không tham gia, cho thấy sự lựa chọn tham gia là nội sinh Vấn đề nội sinh không mất đi hoàn toàn ngay cả khi các đặc điểm quan sát được được kiểm soát, vì các đặc điểm không quan sát được có mối liên hệ chặt chẽ với việc tham gia và các đặc điểm có thể quan sát được Ví dụ, năng lực và động lực cao làm tăng khả năng tham gia các chương trình đào tạo và đồng thời thúc đẩy người tham gia trình độ học vấn cao hơn và thể hiện năng lực trên thị trường lao động Trong trường hợp này, so sánh đơn giản giữa người tham gia và người không tham gia hoặc một hồi quy giản đơn không kiểm soát nội sinh sẽ dẫn đến ước lượng hiệu quả chương trình không chính xác Khi các đặc điểm không quan sát được gắn liền với các đặc điểm có thể quan sát được, một so sánh giản đơn có thể khiến chương trình bị đánh giá quá cao về hiệu quả.

2.2.2 Ph ươ ng pháp ướ c l ượ ng đ i ể m thiên h ướ ng PSM

Việc lựa chọn tham gia chương trình hoặc làm thuê được xem như hai trạng thái khác nhau: tham gia hay không tham gia Để đánh giá đúng tác động của chương trình, điều kiện cần thiết là sự tham gia phải hoàn toàn ngẫu nhiên Tuy nhiên, trong hầu hết các nghiên cứu kinh tế - xã hội, tham gia hay không tham gia chương trình thường không là ngẫu nhiên mà gặp hiện tượng chọn ngược, ví dụ nhiều người chọn tự làm vì không đủ năng lực để được tuyển dụng hoặc họ có tính cách thích thử thách và muốn tự mình làm việc Sự lựa chọn không ngẫu nhiên này có thể làm sai lệch ước lượng tác động của chương trình Một trong những biện pháp giảm thiểu vấn đề này là sử dụng phương pháp PSM Ý tưởng của PSM là xây dựng một nhóm quan sát những người không tham gia (nhóm control) nhưng có đặc tính giống với những người tham gia (nhóm treated), sau đó so sánh sự khác biệt giữa các cá thể trong nhóm control với các đối ứng cùng đặc tính trong nhóm treated để rút ra kết luận về tác động của chương trình.

Phương pháp PSM dựa trên giả định:

Giả định 1 cho rằng tồn tại một tập các biến X có các đặc tính quan sát được và X không bị ảnh hưởng bởi chương trình (treatment) Sự khác biệt giữa nhóm tham gia chương trình và nhóm không tham gia được cho là xuất phát từ các đặc tính quan sát được, chứ không phải từ tác động của chương trình Với các đặc tính này, việc tham gia hay không tham gia chương trình được xem là ngẫu nhiên Đồng thời, giả định này cho thấy những người có cùng đặc tính X có xác suất tham gia chương trình (hoặc không tham gia) nằm trong khoảng 0 < P(T = 1 | X) < 1, với T là biến nhị phân 0-1 cho biết người lao động có tham gia chương trình hay không.

0 là người không tham gia chương trình

Giả định 2: Đầu ra độc lập với việc tham gia hay không tham gia chương trình theo các đặc tính của X Trên thực tế có nhiều biến X dẫn đến khó khăn trong việc quy định tất cả các đặc tính có liên quan Rosenbaum và Rubin (1983) đề xuất giải pháp: nếu đầu ra độc lập với tham gia chương trình theo các đặc tính X thì đầu ra cũng độc lập với chương trình theo điều kiện P(T=1|X), xác suất này được gọi là điểm thiên hướng (propensity score) Các cá nhân có thể được lựa chọn dựa trên thiên hướng P(T=1|X) của chương trình thay vì dựa trên X, từ đó giảm sai lệch và cải thiện khả năng so sánh giữa nhóm tham gia và nhóm không tham gia trong các nghiên cứu quan sát.

Với hai điều kiện trên, phương pháp PSM đánh giá tác động của chương trình thông ước lượng tham số ATT (average treatment effect on treated)

Về thực nghiệm, công thức ATT được tính toán bởi công thức sau:

Trong nghiên cứu này, N là nhóm người tham gia chương trình và n là tổng số người tham gia Mi là nhóm người không tham gia chương trình có điểm thiên hướng tương xứng với điểm thiên hướng của người thứ i trong nhóm tham gia, và mi là số người thuộc nhóm Mi.

Với mỗi cá thể i thuộc nhóm N, có nhiều phương pháp để lựa chọn nhóm

Mi tương ứng, bao gồm các phương pháp như: 1 chọn 1, phương pháp điểm gần nhất, phương pháp compa,

Phương pháp điểm gần nhất (nearest neighbor matching) là kỹ thuật ghép đôi trong phân tích tác động, nơi với mỗi quan sát bị tác động i ta chọn một quan sát không tham gia chương trình j có các đặc tính gần nhất Quá trình này được thực hiện bằng cách tối thiểu hóa khoảng cách giữa hai vector đặc trưng P_i và P_j, được đo bằng chuẩn khoảng cách min ||P_i − P_j|| Các đặc tính được biểu diễn dưới dạng covariates P, và mục tiêu là ghép đôi các quan sát sao cho nhóm xử lý và nhóm đối chứng có mức độ tương đồng cao nhất để ước lượng tác động một cách khách quan Có thể ghép một đối chứng cho mỗi quan sát xử lý hoặc ghép với nhiều đối chứng, có thay thế hay không thay thế, và có thể kết hợp các biện pháp như caliper để giới hạn phạm vi ghép.

+ Phương pháp compa (Radius matching): với mỗi quán sát được tác động i , lựa chọn ra quán sát không tham gia chương trình j rơi vào một bán kính r

Phương pháp kết hợp hạt nhân (Kernel matching) gán cho mỗi quan sát được tác động i một tập hợp quan sát không tham gia chương trình thông qua trọng số tỷ lệ nghịch với khoảng cách giữa quan sát bị tác động và các quan sát trong nhóm đối chứng; trọng số này được xác định bằng một hàm hạt (kernel) để thể hiện mức độ tương đồng giữa các quan sát Mục đích là ghép từng quan sát bị tác động với các quan sát đối chứng có mức độ đồng nhất cao, từ đó ước lượng tác động điều trị một cách chính xác và cân bằng hơn.

Với sự kết hợp dựa trên điểm thiên hướng, trọng số được tính toán bởi công thức:

∑ h được gọi là hệ số băng thông (bandwidth)

2.2.3 Ư u nh ượ c đ i ể m c ủ a ph ươ ng pháp PSM

PSM có hai nhược điểm chính trong phân tích thực nghiệm: thứ nhất là yêu cầu giả thiết độc lập có điều kiện; khi tham gia chương trình là ngẫu nhiên, cần thấy rằng những cá nhân tham gia và không tham gia giống nhau về cả đặc điểm quan sát được và không quan sát được Thứ hai, trong khi PSM chỉ ước lượng tác động của chương trình cho một số cá nhân trong số những người không nhận được tác động, tham gia chương trình ngẫu nhiên đảm bảo có sự hỗ trợ trên toàn bộ mẫu Những giới hạn này khiến các kỹ thuật thực nghiệm khác rõ ràng hơn PSM, và PSM không thể trả lời các câu hỏi liên quan đến phân phối ảnh hưởng của chương trình, ví dụ như phần trăm những người tham gia hưởng lợi Ưu điểm của PSM là nó phần nào giải quyết được vấn đề nội sinh trong việc lựa chọn tham gia chương trình và nó không đòi hỏi các giả định như hàm hồi qui thông thường; hàm hồi quy cổ điển thường gắn một hình thức mối quan hệ (thường là tuyến tính) mà có thể không đúng với lý thuyết kinh tế hoặc dữ liệu.

Phương pháp Heckman ước lượng mô hình với biến nội sinh

Việc tham gia hay không tham gia khu vực lao động được xem như quyết định của người lao động về việc tham gia một chương trình cụ thể Vì vậy, hàm tiền lương dành cho người lao động tham gia chương trình được xác định dựa trên các yếu tố liên quan đến chương trình và quá trình làm việc của họ Các yếu tố này có thể gồm mức lương cơ bản, phụ cấp, thưởng hiệu suất, thâm niên và các chế độ đãi ngộ đi kèm, nhằm đảm bảo người lao động nhận được mức thu nhập phản ánh cam kết và đóng góp của họ.

W ti = X i γ t +ε ti (2.16) Đối với người lao động không tham gia chương trình:

Trong mô hình này, ε_{ti} và ε_{ni} là sai số ngẫu nhiên được giả định là độc lập với X_i Đặt T_i = 1 khi người lao động tham gia chương trình, và T_i = 0 khi không tham gia Do đó mức lương của người lao động được xác định bởi W_i = T_i W_{ti} + (1 − T_i) W_{ni}, tức là nếu tham gia thì lương bị chi phối bởi mức lương tiềm năng của nhóm được điều trị W_{ti}, còn nếu không tham gia thì lương bằng mức lương tiềm năng của nhóm không được điều trị W_{ni}.

Việc tham gia hay không tham gia chương trình không phải ngẫu nhiên và tồn tại vấn đề biến nội sinh, khiến việc đánh giá tác động của chương trình trở nên thiếu khách quan nếu không được xử lý Vì vậy để ước lượng tác động một cách trung thực, cần tính đến vấn đề nội sinh và áp dụng các phương pháp nhận diện phù hợp cùng dữ liệu tin cậy Ta có thể xem xét vấn đề này theo các cách tiếp cận như so sánh với nhóm đối chứng tương tự và điều chỉnh bằng các biến số kiểm soát, nhằm tách biệt tác động thực sự của chương trình khỏi các yếu tố nhiễu liên quan đến lựa chọn tham gia.

Gọi C i là chi phí của việc tham gia chương trình, khi đó:

Trong đó: S i là các biến ngoại sinh độc lập với ( ,ε ε ε ti ni , ci ) , S i có thể là các biến X i

Giả định các cá nhân đều muốn tối đa hóa tiền lương Khi đó quyết định tham gia chương trình sẽ là:

Với ε i =ε ti −ε ni −ε ci , Z i là vecto các nhân tố chứa trong X S i , i

Mô hình hàm tiền lương gộp của người lao động làm thuê và tự làm:

Trong đó η_i = T_i t_i ε + (1 − T_i) ε_{ni} Sự tác động của chương trình đối với từng cá nhân được đánh giá bằng hiệu ứng W_{ti} − W_{ni}, và α được định nghĩa là α_t − α_n Sự tác động trung bình của chương trình lên mỗi cá nhân tham gia một cách ngẫu nhiên được biểu thị bởi mức ảnh hưởng trung bình lên toàn bộ nhóm tham gia.

Giả thiết E{η_i | X_i, T_i} = 0 (điều kiện (2.22)) cho phép ước lượng α bằng OLS Điều kiện cần thiết để điều kiện này đúng là σ_te = σ_ne = 0, cho thấy các yếu tố không quan sát được của tiền lương không liên quan đến quyết định tham gia chương trình, tức T_i là ngoại sinh với tiền lương Trong trường hợp (2.22) không xảy ra, cần xem xét vấn đề nội sinh của việc lựa chọn chương trình Để ước lượng α và giải quyết vấn đề biến nội sinh, Heckman (1979) đề xuất phương pháp CF (control function) Phương pháp này dựa trên trung bình có điều kiện của W_i được cho bởi T_i và Z_i.

Có thể tóm tắt phương pháp CF như sau: dùng mô hình probit để tính xác suất tham gia hay không tham gia chương trình, từ đó ước lượng π̂; dựa trên π̂, ước lượng λ ở công thức (2.25); sau đó ước lượng hàm tiền lương và xem λ như một biến trong hàm tiền lương để phân tích ảnh hưởng của λ lên mức lương.

Phương pháp Lewbels với vấn đề nội sinh

Một phương pháp được Lewbels (JBIS 2012) giới thiệu nhằm xác định tham số cấu trúc trong mô hình hồi quy khi gặp vấn đề nội sinh hoặc thiếu thông tin đo được Phương pháp này cho phép ước lượng tham số cấu trúc một cách tin cậy dù có nội sinh và dữ liệu thiếu, bằng cách khai thác đặc điểm của sai số và các biến phụ trợ không đo được Nhờ đó, kết quả ước lượng tham số cấu trúc trở nên khả thi và tăng tính tin cậy của các kết luận về mối quan hệ giữa biến phụ thuộc và các biến giải thích Phương pháp này phù hợp với các nghiên cứu thực nghiệm nơi có thông tin hạn chế và nội sinh có thể làm sai lệch kết quả.

Trong khuôn khổ bài toán này, cho Y1 và Y2 là hai biến nội sinh được quan sát, X là vector các biến phụ thuộc nội sinh được quan sát và ε = (ε1, ε2) là sai số không quan sát được Xét một mô hình cấu trúc có dạng sau:

Hệ này là tam giác khi γ 2 = 0 (hoặc khi γ 1 = 0) Ngược lại hệ này sẽ hoàn toàn đồng thời Các sai số ε ε 1 , 2 có thể tương quan với nhau

Giả định yếu tố ngoại sinh được cho là phù hợp, E(εX) = 0, nên dạng rút gọn của mô hình được xác định Tuy nhiên, nếu thiếu các điều kiện nhận dạng, các hệ số cấu trúc sẽ không được xác định Những hạn chế này thường liên quan đến việc đặt các giả thiết xác định cho β1 hoặc β2 bằng 0, và trong các trường hợp như vậy, phương pháp biến công cụ (IV) sẽ được sử dụng để nhận dạng tham số.

Trong nhiều trường hợp ứng dụng, công dụng của một công cụ chỉ gián tiếp ảnh hưởng đến biến phản hồi rất khó để xây dựng

Cách xác định trong cách tiếp cận của Lewbels đạt được bằng việc hạn chế các mối tương quan của εε 'với X

Trong mô hình cấu trúc, các tham số sẽ không được xác định khi giả định sai số có phương sai thay đổi chuẩn (E(εε^T|X) là một ma trận hằng số) được áp dụng Tuy nhiên, khi phương sai sai số thay đổi chuẩn liên quan đến ít nhất một vài thành phần của X, việc xác định tham số có thể được đạt được bằng các phương pháp phù hợp nhằm xử lý heteroscedasticity và mô hình hóa ma trận hiệp phương sai phụ thuộc vào X.

Trong một hệ hoàn toàn đồng thời, giả sử cov( , X ε 2 j ) ≠ 0 với j = 1, 2 và cov(Z, ε ε1 2 ) ≠ 0, cho Z quan sát được thì ta có thể xác định được các tham số cấu trúc của mô hình Chú ý rằng Z có thể là một tập con của X, vì vậy không có một thông tin bên ngoài nào của mô hình trên là bắt buộc.

Khẳng định quan trong nhất mà cov(Z,ε ε 1 2 ) 0 = sẽ tự động được thõa mãn nếu các quy trình sai số không trung bình là độc lập có điều kiện:

1 2 | Z 0 ε ⊥ε = Tuy nhiên sự độc lập này không thực sự cần thiết

Mô hình nhân tố đơn không quan sát được

Một lớp các mô hình thõa mãn những khẳng định dựa trên cơ sở của phương pháp Lewbels là trong đó phương trình tương quan sai số chéo bởi vì một thừa số chung không quan sát được:

Trong đó U V V , , 1 2 không quan sát được, không tương quan với X và không tương quan có điều kiện với nhau khi phụ thuộc X V V , 1 2 là các sai số đặc trưng, với U là một biến bị bỏ đi mà có thể ảnh hưởng trực tiếp đến cả Y Y 1 , 2

Cơ sở chung này bao gồm cả trường hợp sai số đo cổ điển, khi γ1 = 0 và α2 = 1 Trong trường hợp này, thừa số chung không quan sát được và U là một sai số đo xuất hiện trên cả Y2.

Những mô hình này còn bao gồm cách xử lý khi biến bị bỏ đi gây ra sai lệch và kết quả ước lượng không chính xác Ví dụ, trong các hệ phương trình về tiền lương và giáo dục, yếu tố không quan sát được có thể đại diện cho năng lực và khả năng của một cá nhân, ảnh hưởng đến cả mức giáo dục và năng suất lao động Để khắc phục sai số đo hoặc biến bị bỏ sót, người ta đặt ra các giả thiết nhận diện và các hạn chế nhằm cung cấp công cụ ước lượng đáng tin cậy Giả sử không có công cụ bổ sung sẵn có và coi Z là một vector các biến nội sinh quan sát được (có thể là một vector con của X hoặc chính X) Giả sử X không tương quan với một tập hợp các sai số U, V và Z không tương quan với các thành phần sai số liên quan đến U, V, đồng thời Z có liên hệ với X; khi đó Z có thể được dùng như công cụ để nhận diện và ước lượng tác động của X lên Y, từ đó giảm thiểu sai lệch do biến nội sinh và sai số đo.

V 2 (hay trong một hệ đồng thời, với V 1 2 )

Với những khẳng định này, có thể thấy rằng: cov(Z,ε ε1 2 ) 0 = (2.30)

2 cov(Z, V ) 0 2 = (2.31) thì phương pháp này được sử dụng

Tuy nhiên những sai số không thực sự có từ một mô hình thừa số của dạng này; nó có thể là các điều kiện:

Trong khuôn khổ bài viết, điều kiện E[X_j ε_j] = 0 và Cov(Z, ε_j^2) = 0 đảm bảo các nhận định về liên hệ giữa Z, X và ε vẫn đúng ngay cả khi ε có biến thiên phương sai Cách xác định sẽ luôn đạt được bất kể Z có phải là một véc-tơ con của X hay không Ước lượng cho hệ phương trình đơn được trình bày chi tiết, giúp người đọc dễ dàng áp dụng vào thực tế khi biến ngẫu nhiên ε thay đổi về phương sai.

Trong một số trường hợp, việc áp dụng tiếp cận bằng biến công cụ cho một phương trình đơn thuần có thể gặp khó khăn do thiếu công cụ phù hợp hoặc gặp phải các hạn chế Phương trình phụ hoặc hồi quy bậc một có thể được dùng để cung cấp các thành phần cần thiết cho phương pháp Lewbel, giúp nhận diện và ước lượng các tham số khi không có công cụ đo lường trực tiếp.

Nói một cách đơn giản nhất về cách tiếp cận này, các công cụ được tạo ra có thể xây dựng từ phần dư của các phương trình phụ và được nhân với mỗi biến nội sinh, sau đó đưa về dạng trung bình trung tâm để tối ưu hóa tính khả thi và hiệu quả của quá trình phân tích.

Trong hồi quy bậc một, ε là một vector dư của mỗi biến phụ thuộc nội sinh, được tính từ toàn bộ các biến phụ thuộc ngoại sinh và bao gồm cả vector hằng số.

Phần dư hồi quy phụ có hiệp phương sai bằng 0 với mỗi biến phụ thuộc được dùng để tạo nên chúng, cho thấy kỳ vọng của các công cụ được tạo ra sẽ bằng 0 Tuy nhiên, tích của mỗi phần dư với biến phụ thuộc trung tâm sẽ không bằng 0 và sẽ chứa các thành phần đáng kể nếu có một bằng chứng rõ ràng về phương sai thay đổi tỉ lệ với các biến phụ thuộc Khi tỉ lệ phương sai thay đổi trong quy trình sai số càng lớn thì sự tương quan giữa các công cụ được tạo ra với các biến nội sinh, vốn là biến hồi quy phụ thuộc trong hồi quy phụ, càng cao.

Phương pháp phi tham số hồi quy Kernel

Giả sử rằng nghiên cứu mối quan hệ giữa một biến phụ thuộc Y và một biến giải thích X :

Trong mô hình này, m_X(X) là một hàm phụ thuộc vào biến X Với cách tiếp cận tham số, m(·) được xem như một dạng cấu trúc hàm cụ thể, cho phép ước lượng các tham số để khớp với dữ liệu Ví dụ, m(·) có thể là một hàm số tuyến tính, chẳng hạn m(X) = aX + b, với các tham số a và b được ước lượng từ dữ liệu.

Các phương pháp tham số như OLS, ML, GMM có thể được áp dụng để ước lượng giới hạn Các ước lượng cho β1 và β2 từ cách tiếp cận tham số thường dễ diễn tả Tuy nhiên nếu m(.) không cụ thể thì công thức ước lượng sẽ khác biệt và mâu thuẫn, dẫn đến kết luận sai lệch và các hệ quả không chính xác Trong nhiều trường hợp, đặt một dạng hàm cụ thể cho m(.) có thể khó khăn, vì vậy một cách tiếp cận phi tham số là một lựa chọn tốt Một trong các phương pháp phi tham số được sử dụng là hồi quy Kernel để ước lượng (2.35) Đây là một cách tiếp cận hiện đại dựa trên cơ sở hàm Kernel.

Trong đó f_{Y|X}(y|x) là hàm mật độ của Y phụ thuộc vào X Phương pháp hồi quy Kernel là một phương pháp phi tham số, không dựa trên giả định tham số nào về phân phối của Y, mà dùng hàm mật độ Kernel để ước lượng hàm hồi quy theo công thức (2.35) Phương pháp này cho phép ước lượng mối quan hệ giữa Y và X một cách linh hoạt mà không cần xác định trước một mô hình tham số, phù hợp với các mối quan hệ phi tuyến và dữ liệu thực tế.

Một vài hàm Kernel trong hồi quy gồm có: Hàm Epanechnikov

Với 1( z ≤ 1) là hàm đặc trưng hoặc Kernel thông thường:

= cho các biến liên tục, và Aitchison hay Aitken cho biến cố định danh

Trong hồi quy Kernel, hai phương pháp thông dụng nhất là phương pháp hằng số địa phương và phương pháp tuyến tính địa phương Phương pháp hằng số địa phương được phát biểu bởi Nadaraya (1964) và Watson (1964), và được biết đến dưới tên N-W (Nadaraya–Watson).

Trong đó K_h(·) là hàm mật độ Kernel với băng thông h Dưới các điều kiện chuẩn của Kernel, Nadaraya (1964) chứng minh rằng công thức ước lượng (2.38) là một ước lượng nhất quán cho m_x(·) Tuy nhiên, ước lượng này thường bị lệch ở biên và tại những vùng phân phối không đồng đều.

Phương pháp tuyến tính địa phương do Li và Racine (2004) đề xuất nhằm khắc phục sai lệch (bias) của phương pháp Nadaraya–Watson (N-W) Ý tưởng chủ đạo là tại một lân cận quanh X0, Y được ước lượng như một hàm tuyến tính của X trong lân cận đó thay vì coi Y là hằng số như trong N-W Trong khuôn khổ này, ước lượng tại X0 được xác định bằng cách khớp một mô hình tuyến tính địa phương với trọng số dựa trên khoảng cách, sau đó đánh giá tại X0; cách làm này giảm bias ở biên và cải thiện hiệu suất ước lượng so với N-W, đặc biệt với mẫu nhỏ hoặc khi X nằm ở biên Các tham số của mô hình như bậc của tuyến tính và bề rộng của lân cận được tối ưu hóa thông qua các tiêu chí như cross-validation hoặc tối ưu hóa tổng sai số để cân bằng bias và variance.

Cụ thể hơn, tại mỗi điểm x ta tìm được các vecto hệ số α( ), ( ) x β x sao cho:

Trong đó tổng được lấy trên các x i : x i − x ≤ h với băng thông cho trước h

CHƯƠNG 3 THỰC TRẠNG VỀ GIÁO DỤC SAU PHỔ THÔNG

VÀ THỊ TRƯỜNG LAO ĐỘNG VIỆT NAM

Thực trạng về giáo dục sau phổ thông Việt Nam

3.1.1 Quy mô và m ạ ng l ướ i c ơ s ở giáo d ụ c sau ph ổ thông

Đến năm 2017, cả nước có 319.5 nghìn sinh viên tốt nghiệp đại học, tăng 4.6% so với năm 2016 Trong năm học 2016-2017, học sinh tốt nghiệp THPT vào đại học, cao đẳng chiếm khoảng 41%; vào cao đẳng nghề và trung cấp khoảng 23%; học nghề tại trung tâm đào tạo nghề khoảng 13%; đi làm khoảng 10%.

Bảng 3.1: Giáo dục đại học

Số giáo viên (Nghìn người)

Số sinh viên (Nghìn người)

Số sinh viên tốt nghiệp (Nghìn người)

Nguồn: Niên giám thống kê năm 2017

Quy mô đào tạo thạc sĩ là 105.801 (tăng 12.8% so với năm học 2015-

Quy mô đào tạo tiến sĩ năm 2016 đạt 15.112 người, tăng 21% so với năm học 2015-2016 Tuy nhiên, quy mô đào tạo tiến sĩ tại các viện NCKH có xu hướng giảm; đến tháng 6/2017, các Viện NCKH mới tuyển được khoảng 38% chỉ tiêu đã đăng ký Chỉ số Phát triển con người (HDI) của nước ta đã có những tiến bộ đáng kể theo bảng xếp hạng của Chương trình Phát triển Liên hợp quốc, với HDI đạt 0.688 và xếp hạng thứ 109/174 quốc gia trong những năm gần đây.

2000, 0.666 xếp thứ 116 trong số 188 quốc gia năm 2015

Bảng 3.2: Giáo dục nghề nghiệp

Số cơ sở GDNN (Cơ sở)

Số giáo viên (Nghìn người)

Số học sinh, sinh viên tốt nghiệp (Nghìn người)

Phân theo loại hình - By type

Ngoài công lập - Non-public 514,0 692,4

Nguồn: Niên giám thống kê năm 2017 3.1.2 So sánh t ỷ l ệ đ i h ọ c trong giáo d ụ c c ủ a Vi ệ t Nam và trên th ế gi ớ i

Năm 2014, trong cuộc so sánh 4 tỷ lệ đi học từ trước tiểu học đến đại học, Việt Nam đạt thành tựu cao nhất ở Tỷ lệ Đi học Tiểu học, với PEGER lên tới 109% PEGER (Pre-Primary Education Gross Enrolment Ratio) được đánh giá ở mức khá so với các nước trên thế giới; so với 8 nước châu Á, Việt Nam chỉ kém Hàn Quốc (103%) và vượt xa các nước còn lại.

Bảng 3.3: Tỷ lệ Đi học Tiểu học

Nước Lào Campuchia Việt Nam Indonesia Nhật Trung Quốc Hàn Quốc

Nguồn: Ngân hàng thế giới

Eight Asian countries are featured for their Tertiary Education Gross Enrolment Ratio (TEGER) and global rankings in 2014, as shown in the small table below and ordered from highest to lowest TEGER indicates the proportion of the tertiary-age population enrolled in or having completed tertiary education, making it a key metric of higher education participation The table provides a concise, SEO-friendly snapshot of how these economies compared on the world stage in 2014, enabling quick cross-country comparisons and benchmarking.

Bảng 3.4: Tỷ lệ Đi học đại học

Quốc Nhật Indonesia Philippines Trung

Nguồn: Ngân hàng thế giới

Việt Nam đạt tỷ lệ đi học đại học TEGER 25%, thuộc nhóm thấp nhất thế giới So với Hy Lạp đứng đầu với 117% và Seychelles cùng Malawi ở mức 1% – những con số cho thấy Việt Nam vẫn ở dưới mức trung bình toàn cầu Trong tám nước châu Á, không có nước nào đạt được tỷ lệ đi học cao nhất thế giới, nhưng trong nhóm này Hàn Quốc và Nhật Bản dẫn đầu ở cả bốn chỉ số đi học được xem xét.

3.1.3 T ổ ng quan v ề đầ u t ư cho giáo d ụ c và đ ào t ạ o

Luật giáo dục 2005 (sửa đổi 2010) khẳng định phát triển giáo dục là quốc sách hàng đầu nhằm nâng cao dân trí, đào tạo nhân lực và bồi dưỡng nhân tài Điều 13 nhấn mạnh đầu tư cho giáo dục là đầu tư phát triển; Nhà nước ưu tiên cấp ngân sách cho giáo dục và khuyến khích bảo hộ quyền và lợi ích hợp pháp của các tổ chức và cá nhân trong và ngoài nước tham gia đầu tư, trong đó ngân sách Nhà nước giữ vai trò chủ yếu trong tổng nguồn lực đầu tư cho giáo dục.

Trong năm 2015, tổng nguồn NSNN dành cho giáo dục, đào tạo đạt 224.826 tỷ đồng, chiếm khoảng 20% tổng chi NSNN Chi thường xuyên cho giáo dục đào tạo năm 2015 là 184.070 tỷ đồng Theo đó, dự toán chi từ ngân sách địa phương (NSĐP) là 152.000 tỷ đồng để thực hiện nhiệm vụ giáo dục địa phương; chi từ ngân sách trung ương (NSTW) là 32.070 tỷ đồng.

Tổng chi từ ngân sách nhà nước Trung ương (NSTW) là 32.017 tỷ đồng, trong đó 10.398 tỷ đồng được bố trí để hỗ trợ hoạt động thường xuyên của các cơ sở giáo dục đào tạo thuộc các bộ, cơ quan trung ương Chi đầu tư phát triển giáo dục, đào tạo năm 2015 là 33.756 tỷ đồng; trong đó chi của NSTW là 14.096 tỷ đồng và chi NSĐP là 19.660 tỷ đồng.

Trong khu vực, Việt Nam có tỷ lệ chi tiêu công cho giáo dục trên GDP cao hơn nhiều nước, thậm chí so với các nước có trình độ phát triển kinh tế cao hơn như Singapore (3.2% năm 2010), Malaysia (5.1%), Thái Lan (3.8%), và Hàn Quốc (5.2% năm 2011) Tính theo GDP, chi tiêu từ nguồn lực nhà nước cho giáo dục, đào tạo ở Việt Nam khá cao so với các nước khu vực được so sánh Số liệu hình 3.1 cho thấy chi tiêu công cho giáo dục, đào tạo trên GDP của Việt Nam năm 2012 đạt 6.3%, cao hơn rất nhiều so với các nước có cùng trình độ phát triển.

Hình 3.1: Chi cho giáo dục, đào tạo đối với tổng chi tiêu công của Việt Nam với một số nước khu vực (%)

Nguồn: Ngân hàng Thế giới

Ngoài ưu tiên chi tiêu ngân sách cho giáo dục, Chính phủ còn thực hiện nhiều chính sách hỗ trợ nhằm tăng cường cơ hội tiếp cận và nâng cao chất lượng giáo dục, như miễn, giảm học phí và hỗ trợ chi phí cho học sinh, sinh viên nghèo; cấp kinh phí hỗ trợ phát triển giáo dục mầm non; đầu tư phát triển giáo dục đối với con em đồng bào dân tộc thiểu số ở vùng sâu, vùng xa; đồng thời có học bổng và hỗ trợ phương tiện, đồ dùng học tập cho người khuyết tật.

Chương trình Tín dụng ưu đãi dành cho sinh viên thông qua Ngân hàng Chính sách xã hội đã tạo điều kiện cho hàng triệu học sinh, sinh viên thuộc hộ nghèo, hộ cận nghèo và hoàn cảnh khó khăn vay vốn học tập và lập nghiệp Tính đến năm 2016, tổng doanh số cho vay của chương trình đạt trên 56 nghìn tỷ đồng, tổng dư nợ gần 21 nghìn tỷ đồng và có trên 3,3 triệu lượt học sinh, sinh viên được vay vốn học tập và lập nghiệp.

Hạn mức cho vay đối với sinh viên đã được điều chỉnh tăng theo từng năm, từ 8 triệu đồng/sinh viên/năm vào năm 2008 lên 11 triệu đồng/sinh viên/năm hiện nay Đồng thời, lãi suất cho vay được điều chỉnh giảm từ 0,65%/tháng xuống còn 0,55%/tháng, nhằm đáp ứng nhu cầu thực tế của sinh viên và điều kiện kinh tế - xã hội hiện nay.

Bảng 3.5: Cơ cấu chi NSNN cho giáo dục, đào tạo (%)

Chi xây dựng cơ bản 23,1 17,1 18,4 18 17,7 18,1

Bảng 3.5 cho thấy tỷ lệ chi thường xuyên chiếm khoảng 82% tổng chi NSNN dành cho giáo dục và đào tạo; trong chi thường xuyên, chi cho con người chiếm khoảng 80% tổng chi, phần còn lại dành cho hoạt động dạy học và nâng cao chất lượng chương trình giáo dục; đầu tư xây dựng cơ bản vẫn ở mức thấp so với nhu cầu nâng cao cơ sở vật chất trường học, mua sắm thiết bị dạy học và phòng thí nghiệm.

Bảng 3.6: Cơ cấu NSNN theo các cấp học (%)

Cộng chi giáo dục mầm non và giáo dục phổ thông

Giáo dục đào tạo khác 3,7 3,8 3,6 3,6 3,6

Nguồn: Actionaid (2016), Chi tiêu cho y tế giáo dục và giao thông công cộng ở một số tỉnh tại Việt Nam, Một số quan sát và khuyến nghị

Chi tiêu dành cho dạy nghề, trung cấp, cao đẳng và đại học chiếm khoảng 30% tổng chi cho giáo dục, trong đó chi cho đào tạo cao đẳng và đại học trên 12% Năm 2010, tỷ lệ chi ngân sách trên mỗi sinh viên đại học ở Việt Nam ở mức gần 40% thu nhập bình quân đầu người, trong khi ở Hoa Kỳ là 21%, Singapore 28%, Hàn Quốc 13%, Nhật Bản 25%, cho thấy mức ưu tiên mà Chính phủ Việt Nam dành cho giáo dục khá lớn so với khả năng tài chính của quốc gia.

Thực trạng về thị trường lao động Việt Nam

Trong năm 2016, ngành LĐ, TB & XH đã huy động nguồn lực trong nước và quốc tế để thực hiện đồng bộ các nhiệm vụ, hầu hết các chỉ tiêu của năm đều đạt và vượt kế hoạch Các nhiệm vụ phát triển thị trường lao động, tạo việc làm, đào tạo nghề, nâng cao chất lượng nguồn nhân lực, giảm nghèo và đảm bảo an sinh xã hội được triển khai đồng bộ và hiệu quả Trong lĩnh vực lao động – việc làm, năm 2016 đã giải quyết việc làm cho khoảng 1.641 nghìn người, vượt 2,5% so với kế hoạch và tăng 1% so với năm 2015; tỷ lệ thất nghiệp của lao động trong độ tuổi là 2,30%, trong đó khu vực thành thị là 3,18% và khu vực nông thôn là 1,86%.

Tính đến 31/12/2016, cả nước có 13,103 triệu người tham gia bảo hiểm xã hội, chiếm 24.1% lực lượng lao động, và gần 11 triệu người tham gia bảo hiểm thất nghiệp Theo báo cáo của các địa phương, năm 2016 có 574.310 người nộp hồ sơ hưởng trợ cấp thất nghiệp, tăng 12.06% so với cùng kỳ năm 2015; 877.718 lượt người được tư vấn, giới thiệu việc làm; và 27.642 người được hỗ trợ học nghề, tỷ lệ lao động qua đào tạo khoảng 53%.

3.2.1 L ự c l ượ ng lao độ ng theo nhóm tu ổ i

Bảng 3.7 thể hiện lực lượng lao động theo nhóm tuổi: lao động ở độ tuổi 15–19 có xu hướng giảm dần theo các năm 2010–2017 Nhóm tuổi này chủ yếu gồm lao động chưa qua đào tạo hoặc chưa có bằng cấp, tuy nhiên trong bối cảnh gần đây yêu cầu về lao động có tay nghề cao ngày càng tăng nên số lao động chưa có tay nghề được thu hẹp Ngược lại, số lượng lao động từ 24 tuổi trở lên tăng qua các năm; đây là nhóm được xem là có tay nghề, có kinh nghiệm làm việc và có trình độ giáo dục cao hơn.

Bảng 3.7: LLLĐ chia theo nhóm tuổi ( Đơ n v ị : nghìn)

Nguồn: Niên giám thống kê năm 2017 3.2.2 L ự c l ượ ng lao độ ng theo khu v ự c thành th ị nông thôn

Theo bảng 3.8 cho thấy số lượng lao động ở khu vực đã tăng lên đáng kể theo các năm Khu vực thành thị là nơi tập trung lao động có tay nghề cao và có thể đạt được mức lương cao hơn khu vực nông thôn Mặc dù số lượng lao động khu vực thành thị đã tăng nhanh gần đây, lao động khu vực nông thôn vẫn chiếm tỉ trọng lớn hơn.

Bảng 3.8: LLLĐ chia theo khu vực thành thị nông thôn ( Đơ n v ị nghìn)

Năm Thành thị Nông thôn

LLLĐ Cơ cấu dân số (%) LLLĐ Cơ cấu dân số (%)

3.2.3 L ự c l ượ ng lao độ ng theo gi ớ i tính

Bảng 3.9 cho thấy lao động nam tăng đều đặn từ năm 2010 đến năm 2017, chiếm một phần đáng kể trong cơ cấu dân số Cụ thể, tỷ lệ này lần lượt là 58.9% (2010), 59.9% (2011) và 60.3% (2012); các năm tiếp theo, từ 2014 đến 2017, tiếp tục ghi nhận xu hướng tăng lên, cho thấy sự gia tăng liên tục của lao động nam trong cơ cấu dân số.

2017 có giảm theo tỉ lệ %, cụ thể là 60.4% cho năm 2013, cùng tỉ lệ với năm

2014, 60.2% cho năm 2015, 60 % cho năm 2016, và 2017 cũng ở tỉ lệ này

Bảng 3.9: LLLĐ chia theo giới tính ( Đơ n v ị nghìn) Năm

Nguồn: Niên giám thống kê năm 2017 3.2.4 L ự c l ượ ng lao độ ng theo trình độ đượ c đ ào t ạ o

Bảng 3.10 cho thấy tỷ lệ lao động được đào tạo từ năm 2010 đến năm 2017 tăng liên tục, từ 14.6% năm 2010 lên 21.4% năm 2017, cho thấy xã hội ngày càng có nhu cầu lao động có tay nghề cao Đào tạo ở các cấp nghề, trung cấp chuyên nghiệp và cao đẳng cũng tăng qua các năm Đặc biệt, đối với bậc đại học trở lên, tỷ lệ lao động được đào tạo nghề tăng nhanh từ năm 2010 đến 2017, với các mức tương ứng 5.7% (2010), 6.1% (2011), 6.4% (2012), 6.9% (2013), 7.6% (2014), 8.5% (2015), 9% (2016) và 9.3% (2017).

Bảng 3.10: LLLĐ chia theo trình độ được đào tạo (%)

Cao đẳng 1.7 1.7 1.9 2.0 2.1 2.5 2.7 2.7 Đại học trở lên 5.7 6.1 6.4 6.9 7.6 8.5 9.0 9.3

Nguồn: Niên giám thống kê năm 2017 3.2.5 T ỷ l ệ th ấ t nghi ệ p

Hình 3.2 cho thấy tỉ lệ thất nghiệp ở khu vực thành thị cao hơn so với khu vực nông thôn, và xu hướng này có sự điều chỉnh giảm qua các năm Cụ thể, tỉ lệ thất nghiệp ghi nhận 4.29% vào năm 2010 và giảm xuống 3.4% ở năm kế tiếp.

2014, 3.37% cho năm 2015, 3.23% cho năm 2016 và 3.185% là của năm 2017 Tỉ lệ này tương ứng cho khu vực nông thôn là 2.3%, 1.495, 1.82%, 1.845% và 1.78%

Năm 2010 được xem là thời kỳ khủng hoảng kinh tế, khi thị trường lao động chịu sức ép lớn và tuyển dụng trở nên khắt khe hơn, khiến tỉ lệ thất nghiệp tăng cao ở cả khu vực thành thị lẫn nông thôn Đến khi kinh tế dần phục hồi, nhu cầu tuyển dụng được cải thiện và tỉ lệ thất nghiệp bắt đầu giảm, phản ánh sự chuyển biến tích cực của thị trường lao động trong cả hai khu vực.

Hình 3.2 Tỉ lệ thất nghiệp phân theo khu vực thành thị và nông thôn

Hình 3.3 cho thấy tỉ lệ thất nghiệp của lao động nam là khá cao so với toàn bộ lao động và lao động nữ trong nhưng năm 2010 đến 2013, tỉ lệ này có giảm so với những năm 2014 đến 2017 và khá cân bằng so với tỉ lệ thất nghiệp của toàn bộ lao động và lao động nữ

Hình 3.3 Tỉ lệ thất nghiệp phân theo giới tính người lao động

Thực trạng về thu nhập người lao động

3.3.1 Thu nh ậ p bình quân đầ u ng ườ i n ă m 2010

Thu nhập bình quân đầu người theo tháng năm 2010 tăng theo cấp độ giáo dục giáo dục, trong đó nhóm có trình độ THPT có mức thu nhập là 1780.406 nghìn đồng/tháng, sơ cấp nghề là 2087.322 nghìn đồng/tháng, THCN và TC nghề là 2305.423 nghìn đồng/tháng, CĐ và CĐ nghề là 2733.618 nghìn đồng/tháng và nhóm đại học là 3341.443 nghìn đồng/tháng Năm 2010 lao động làm thuê có thu nhập cao hơn lao động tự làm ở tất cả các cấp độ giáo dục

THPT S ơ c ấ p ngh ề THCN, TC nghề CĐ, CĐ nghề Đại học THPT

Hình 3.4: Thu nhập bình quân đầu người theo tháng của lao động làm thuê và tự làm theo trình độ giáo dục năm 2010 (đơn vị: nghìn đồng)

Nguồn: Tính toán của tác giả từ số liệu Điều tra mức sống dân cư năm 2010

Bảng 3.11 cho thấy thu nhập bình quân đầu người ở hai khu vực thành thị và nông thôn, với năm 2010 thu nhập tại khu vực thành thị tăng theo trình độ giáo dục và lao động có trình độ đại học được trả lương cao hơn nhiều so với các nhóm khác vì khu vực này tập trung nhiều ngành nghề đòi hỏi kỹ năng cao Ở khu vực nông thôn, thu nhập bình quân đầu người thấp hơn thành thị và mức chênh lệch tiền lương giữa các cấp độ giáo dục ở nông thôn ít rõ ràng hơn Chênh lệch thu nhập giữa lao động làm thuê và lao động tự làm tăng theo các cấp độ giáo dục cho cả hai khu vực thành thị và nông thôn.

Bảng 3.11: Thu nhập bình quân đầu người theo tháng chia theo trình độ giáo dục, thành thị, nông thôn năm 2010 (đơn vị: nghìn đồng)

Trình độ giáo dục THPT Sơ cấp nghề THCN, TC nghề

CĐ, CĐ nghề Đại học

Theo bảng 3.12, thu nhập bình quân của nam giới vượt lên so với nữ giới ở mọi mức trình độ giáo dục Thu nhập bình quân tăng theo trình độ học vấn, cho thấy mức học cao hơn đồng nghĩa với mức thu nhập cao hơn Cả lao động nam và nữ đều có sự chênh lệch thu nhập giữa làm thuê và tự làm, và mức chênh lệch này càng lớn ở các mức giáo dục cao hơn, đặc biệt ở nhóm có trình độ đại học.

Bảng 3.12: Thu nhập bình quân đầu người theo tháng chia theo trình độ giáo dục, nam, nữ năm 2010 (đơn vị: nghìn đồng)

Hình 3.5 cho thấy năm 2010, thu nhập bình quân đầu người tăng lên theo số năm kinh nghiệm của lao động Nhóm có dưới 3 năm kinh nghiệm có chênh lệch thu nhập giữa lao động làm thuê và tự làm cao hơn so với nhóm 3–8 năm kinh nghiệm Nguyên nhân là ngoài việc cung cấp vốn nhân lực, giáo dục còn đóng vai trò tín hiệu cho nhóm lao động có ít năm kinh nghiệm.

Hình 3.5: Thu nhập bình quân đầu người theo tháng của lao động làm thuê và tự làm theo năm kinh nghiệm năm 2010 (đơn vị: nghìn đồng)

3.3.2 Thu nh ậ p bình quân đầ u ng ườ i n ă m 2014

Thu nhập bình quân đầu người năm 2014 tăng theo cấp độ giáo dục và cao hơn so với năm 2010 Thu nhập bình quân theo tháng của lao động được phân theo trình độ và dao động từ THPT đến đại học: THPT 3764.37 nghìn đồng, sơ cấp nghề 4199.02 nghìn đồng, THCN và TC nghề 4246.151 nghìn đồng, cao đẳng 4584.357 nghìn đồng và đại học 5448.74 nghìn đồng Chênh lệch thu nhập giữa lao động làm thuê và lao động tự làm vẫn còn khá lớn, đặc biệt ở nhóm trình độ đại học.

Hình 3.6: Thu nhập bình quân đầu người theo tháng của lao động làm thuê và tự làm theo trình độ giáo dục năm 2014 (đơn vị: nghìn đồng)

Thu nhập bình quân đầu người khu vực thành thị và nông thôn năm

Vào năm 2014, thu nhập bình quân theo trình độ giáo dục tăng lên và khu vực thành thị cho thấy mức tăng cao hơn nông thôn Chênh lệch tiền lương giữa lao động làm thuê và tự làm tăng theo trình độ giáo dục trong năm 2014, và khoảng cách này còn cao hơn so với năm 2010, đặc biệt ở nhóm có trình độ đại học Năm 2010 là năm khủng hoảng kinh tế, khiến người sử dụng lao động trả lương khắt khe hơn so với năm 2014 khi nền kinh tế đang phục hồi.

Bảng 3.13: Thu nhập bình quân đầu người theo tháng chia theo trình độ giáo dục, thành thị, nông thôn năm 2014 (đơn vị: nghìn đồng)

Theo bảng 3.14, thu nhập của lao động nam năm 2014 tăng theo trình độ giáo dục; lao động nam làm thuê có mức lương cao hơn tự làm một cách đáng kể, tuy nhiên sự chênh lệch này so với năm 2010 không khác biệt nhiều Đối với lao động nữ năm 2014, thu nhập bình quân cũng tăng theo cấp độ giáo dục, trong đó nhóm có trình độ đại học có mức lương khác biệt nhiều hơn so với các nhóm giáo dục còn lại Tương tự như lao động nam, lao động nữ làm thuê có tiền lương cao hơn lao động nữ tự làm ở mọi trình độ giáo dục.

Bảng 3.14: Thu nhập bình quân đầu người theo tháng chia theo trình độ giáo dục, nam, nữ năm 2014 (đơn vị: nghìn đồng)

Trình độ giáo dục THPT Sơ cấp nghề THCN, TC nghề CĐ, CĐ nghề Đại học

Trong năm 2014, thu nhập bình quân của lao động làm thuê cao hơn thu nhập của lao động tự làm ở nhóm dưới 3 năm kinh nghiệm Chênh lệch này tiếp tục nới rộng ở nhóm 3–8 năm kinh nghiệm và chỉ được thu hẹp khi số năm kinh nghiệm vượt quá 8 năm Có thể nhận định ngoài vai trò cung cấp vốn cho nguồn nhân lực, giáo dục còn đóng vai trò là tín hiệu của thị trường lao động; thời gian phát tín hiệu của năm 2014 kéo dài hơn năm 2010, một năm được xem là khủng hoảng kinh tế.

Hình 3.7: Thu nhập bình quân đầu người theo tháng của lao động làm thuê và tự làm theo năm kinh nghiệm năm 2014 (đơn vị: nghìn đồng)

Chương 3 trình bày về thực trạng giáo dục sau phổ thông, thực trạng thị trường lao động, thực trạng về tiền lương, thu nhập của người lao động gắn kết với các đặc tính khác Mục tiêu chương 3 cung cấp một cái nhìn khái quát về mối quan hệ giữa giáo dục sau phổ thông và tiền lương, thu nhập trước khi đi vào ước lượng hiệu suất sinh lời của giáo dục sau phổ thông

Vào năm 2010, vai trò phát tín hiệu của giáo dục đối với nhóm có dưới 3 năm kinh nghiệm thể hiện qua hệ số biến Employed dương và có ý nghĩa thống kê Chênh lệch tiền lương giữa lao động làm thuê và tự làm do tín hiệu giáo dục là 124,29% (= (e^{0.8077706} − 1) × 100%) Đối với nhóm có trên 3 năm kinh nghiệm, vai trò phát tín hiệu của giáo dục không còn ý nghĩa Như vậy, vai trò phát tín hiệu của giáo dục trong giai đoạn 2014 được cho là dài hơn so với năm 2010, thời kỳ khủng hoảng kinh tế.

Về vai trò cung cấp nguồn nhân lực của giáo dục, không có sự khác biệt về tiền lương giữa các bậc giáo dục với bậc THPT đối với nhóm 1 Điều này cho thấy mọi cấp độ giáo dục đều đóng góp vào nguồn nhân lực cho nền kinh tế một cách cân bằng, và mức lương ở nhóm 1 không bị phân biệt theo cấp học Đối với nhóm 1, sự đồng nhất về mức lương giữa các bậc giáo dục nhấn mạnh mục tiêu đào tạo là phát triển kỹ năng và kiến thức phù hợp với nhu cầu thị trường lao động, thay vì phân biệt theo cấp học, từ đó thúc đẩy sự công bằng và cơ hội nghề nghiệp cho người học.

Phân tích theo Phụ lục 6 cho thấy mức lương của người lao động có trình độ sơ cấp nghề, trung cấp nghề và trung cấp chuyên nghiệp, cũng như cao đẳng nghề và cao đẳng, đại học lần lượt cao hơn nhóm THPT là 13.57%, 16.33%, 18.55% và 24.34% Chênh lệch này đối với lao động thuộc nhóm 3 lần lượt là 21.12%, 16.62%, 16.64% và 26.63%.

Năm 2010, vai trò phát tín hiệu của giáo dục ở khu vực thành thị được thể hiện rõ với lao động dưới 3 năm kinh nghiệm, khi tiền lương của người làm thuê cao hơn lao động tự làm 1.09 lần; đối với lao động trên 3 năm kinh nghiệm, vai trò này không còn nữa Về vai trò cung cấp vốn nhân lực, lao động có bằng đại học có tiền lương cao hơn lao động tốt nghiệp THPT khoảng 0.63 lần trong nhóm.

1 Lao động có bằng cấp cao đẳng và đại học có tiền lương cao hơn THPT lần lượt là 0.31 lần và 0.93 lần ở nhóm 2 Đối với nhóm 3 lao động sơ cấp nghề, trung cấp nghề, cao đẳng và đại học có mức lương cao hơn THPT lần lượt là 0.35, 0.14, 0.44 và 0.9 lần (Phụ lục 7)

Ở khu vực nông thôn năm 2010, vai trò phát tín hiệu của giáo dục thể hiện rõ ở nhóm 1 và nhóm 2; hệ số Employed của hai nhóm này dương và có ý nghĩa thống kê, với mức lương của lao động làm thuê cao hơn tự làm lần lượt là 2.96 và 1.8 lần Vai trò phát tín hiệu không còn ở nhóm 3, lúc này người sử dụng lao động trả lương theo năng lực thực sự; nhóm sơ cấp nghề, trung cấp và cao đẳng có mức lương cao hơn nhóm lao động tốt nghiệp THPT lần lượt là 0.5 lần, 0.24 lần và 0.4 lần (Phụ lục 8).

MÔ HÌNH VÀ CÁC KẾT QUẢ NGHIÊN CỨU

Định dạng
Số trang	171
Dung lượng	8,62 MB