人力资本、劳动保护与劳动力的失业风险
——基于CGSS四期混合截面数据的实证分析

于长永 王 雯 李 孜

[提要]文章基于CGSS2013年、2015年、2017年和2019年四期混合截面数据，构建劳动力失业风险发生的脆弱性分析框架，采用Ordered Probit回归模型，实证分析人力资本、劳动保护对劳动力失业风险的影响。研究发现，人力资本对劳动力失业风险的影响，不仅体现在健康状况和教育程度，还体现在工作经验和技能培训。健康状况越好、教育程度越高、工作经验越丰富，劳动力的失业风险越低；参加技能培训，能够显著降低劳动力的失业风险。劳动保护对劳动力失业风险有显著的抑制作用，工作岗位的技术含量越高，拥有该岗位的劳动力的内在保护就越好，劳动力的可替代性就越低，失业风险也就越低。劳动合同为劳动力就业安全提供了外在保护，签订劳动合同的劳动力失业风险明显更低。劳动力的失业风险呈现出显著的性别、婚姻状况、政治面貌差异和代际差异，男性、非在婚、非党员和40-49岁的劳动力，失业风险更高。基于上述分析结论，本文在提高劳动力人力资本、加强劳动力劳动保护和注重劳动力失业风险的个体差异等方面，提出了具有针对性的政策建议。

一、问题的提出

自德国社会学家贝克(Beck)于1986年首次提出“风险社会”的概念以来[1](P.14-26)，“风险社会”理论逐渐发展，影响力与日俱增，成为反思现代化、理解社会危机、研究现代社会个体行为与脆弱性的经典理论。吉登斯(Giddens)指出“现代性以前所未有的方式，把我们抛离了所有类型社会秩序的轨道”，“新的现代世界，不是因为它不可避免地驶向灾难，而是因为它引入了前人不必面对的危险”[2](P.54-62)。失业风险是工业社会的典型风险，并伴随工业社会技术进步、服务型经济发展和就业的非标准化、弹性化等变迁而变得更加严峻。当前，中国正处于工业社会向后工业社会转型，经济增长由高速增长向高质量增长转型的战略机遇期，深入分析劳动力的失业风险及其影响因素，对有效防范和化解失业风险，强化就业优先政策，实现更加充分更高质量的就业，不断提升“民生三感”(获得感、幸福感和安全感)具有重要的理论和现实意义。

回顾相关文献不难发现，劳动力失业风险问题的研究明显薄弱，不仅针对性文献较少，而且研究对象、研究内容和研究数据都存在一定的局限性。已有研究集中在：(1)流动人口的失业率。陈怡蓁、陆杰华基于2015年流动人口监测数据的研究表明失业率为2.48%。[3]杨凡等基于2015全国1%人口抽样调查数据的研究表明失业率为4.94%。[4]杨胜利、姚健基于流动人口动态监测数据的研究表明，2017年省际流动人口失业率为2.31%。[5](2)劳动力失业风险的影响因素。Christer研究表明教育、年龄、婚姻和种族对失业风险有显著影响。[6]Ilaria研究表明婚姻破裂和工会解散对失业风险有显著影响。[7]张艳华、沈琴琴研究表明男性、文化水平较低、年龄较低的农民工就业稳定性较差，工资集体协商制度会促进农民工就业稳定性。[8]朱若然、陈富贵发现男性、未婚、教育水平低、自雇就业比例和工业产值占比高的地区，劳动力失业概率相对较高。[9]徐玮、杨云彦发现非农户籍、家庭化迁移会提高流动人口失业概率，文化程度和流入地市场规模会降低流动人口失业概率。[10]杨凡等指出除了个体特征外，流入地、流出地以及流动过程也会对流动人口失业风险产生显著影响。[4]郭荣飞发现对自己收入不合理的主观评价会增加工作搜寻的动机进而增大失业风险。[11]Hannu等学者认为社会阶层对失业风险有显著影响。[12]杨胜利、姚健认为流动特征、个人特征和制度特征是省际流动人口失业风险上升的决定因素。[5](3)失业风险的社会经济效应，包括储蓄效应[13]、消费效应[14]和工资效应等。[15]

综上所述，已有研究为本文提供了重要基础，但也存在明显的不足：(1)较多从失业率角度，关注宏观层面“现实”的失业问题，较少从微观个体角度关注“潜在”的失业风险。已有关于失业风险的研究对象主要集中在流动人口，难以把握劳动力失业风险的全貌。(2)较多分析人力资本对劳动力失业风险的影响，鲜有关注劳动保护对劳动力失业风险的影响。人力资本对劳动力失业风险的影响主要集中在健康状况和教育程度，较少涉及“干中学”(工作经验和技能培训)。(3)失业风险测量方法有待拓展，已有研究采用失业率来反映失业风险是不够全面的，因为风险的本质是不确定性，失业率是一种失业的确定性事实，用失业率反映失业风险难以体现风险的“不确定性”本质。鉴于已有研究存在的不足，本文利用CGSS2013年、2015年、2017年和2019年四期混合截面数据，实证分析人力资本、劳动保护对劳动力失业风险的影响，弥补已有研究存在的不足，并为政府有针对性地治理劳动力的失业风险问题提供经验依据。

二、数据来源、概念测量与理论框架

(一)数据来源

数据来自中国综合社会调查(CGSS)，该调查由中国人民大学中国调查与数据中心实施。调查从2003年开始，目前已经进行12次，但在过去的12次调查中，只有2013年、2015年、2017年和2019年四次调查涵盖劳动力失业风险问题，本文使用的数据正是这四期调查数据。调查采用多阶段分层概率抽样方法，调查对象为18岁以上的中国居民，调查点涵盖中国大陆绝大部分省、自治区、直辖市，其中，2013年、2015年和2019年涵盖28个省级行政区，2017年涵盖30个省级行政区。从样本规模看，2013年、2015年、2017年和2019年分别获得有效样本10206份、10243份、10143份和10243份。根据本文的研究对象，删除被调查对象不适用、拒绝回答、回答不知道、年龄在60岁以上以及变量有缺失值的样本，2013年、2015年、2017年和2019年分别获得有效样本2517份、1498份、2406份和2173份，以此构建包含8594个有效样本的混合截面数据，描述性分析结果见表1。

表1 混合截面数据的描述统计

从样本数据的性别结构看，男性劳动力占55.2%，女性劳动力占44.8%，这与2021年全国第七次人口普查数据公布的结果，即男性占51.24%、女性占48.76%的全国人口性别结构较为接近；从教育程度看，有2.1%的劳动力没有上过学，这与全国第七次人口普查中全国2.67%的文盲率也较为接近。①通过比较可以发现，本文所使用的数据具有较好的代表性。

(二)概念测量

失业风险测量是一个有争议的问题。因为，风险的泛在性导致风险概念界定上的困难，人们对如何定义风险的争议比对怎么度量风险的争议还要大得多。[16]失业风险是由“失业”和“风险”构成的复合概念。失业有登记失业和调查失业之分，但无论哪种失业，其实质是劳动力在劳动年龄内，既有劳动能力，又有劳动意愿，却没有工作的状态。风险的本质是不确定性，有广义和狭义之分。广义的风险是既有损失可能，又有盈利可能的“投机”风险，狭义的风险是指只有损失可能的“纯粹”风险。因此，失业风险可以界定为失业问题发生的不确定性或可能性。

失业风险的测量，有两种思路：一是从失业的定义出发，来测量失业风险。有学者用“在上一年底还处于就业状态，但本年度有超过1个月的无工作经历且找不到新的工作”测量失业风险。[17]也有学者用“流动人口是否失业”和“失业发生率”测量失业风险。[18]这种测量思路存在的局限是，是否失业和失业率均没有反映出失业风险的不确定性本质。二是基于劳动力未来失业的可能性，来测量失业风险。袁博把失业风险操作化为“您认为自己在未来6个月内失业的可能性有多大”[19]这种测量虽然非常主观，但它是基于自己所处工作环境与劳动力市场氛围的合理判断，有其合理性。从主观失业风险感知的角度研究失业风险，能较好地探讨个体视角的失业风险问题[20]。

本文采用第二种方法来测量失业风险。而且类似的测量方法，广泛应用于幸福经济学、健康经济学、风险社会学等领域对幸福感、健康状况和养老风险的测量。鲁元平等学者用“总的来说，您觉得您的生活是否幸福”来测量主观幸福感。[21]薛新东、刘国恩用“您觉得您的健康状况怎么样”来测量健康水平。[22]乐章用“您担心自己的养老问题吗”来测量养老风险。[23]上述三个方面虽然测量的问题各不相同，但测量方法是相似的，即都把研究问题操作化为被调查对象的主观评价。而且，失业的可能性是一种不确定性事件，这种测量反映了失业风险的本质特点。因此，本文把失业风险操作化为“您认为自己在未来6个月内失业的可能性有多大”，答案设计为“1=完全有可能，2=比较有可能，3=一般，4=不太可能，5=完全不可能”。

(三)理论框架

劳动力失业风险的影响因素是多元的，如果不能构建一个合理的理论框架，那么，劳动力失业风险影响因素的分析将显得盲目和边界不清。已有研究大多基于人口迁移理论中的“推-拉”理论[18]和城乡分割与体制分割并存的二元结构理论[19]构建分析框架。这些理论框架在分析劳动力失业风险的影响因素时有其合理性，因为流入地、流出地和二元分割等这些因素，会影响劳动力就业岗位的“供给侧”，但这些分析框架较多关注的是影响劳动力失业风险的外在环境因素，而对影响劳动力失业风险的内在决定因素关注不够。劳动力失业固然受到外部就业环境的影响，但决定劳动力失业风险的根本因素是劳动力的市场竞争能力。劳动力的市场竞争能力，反映了劳动力面对就业风险冲击时的韧性(Resilience)。因此，脆弱性分析框架能够很好地解释劳动力失业风险的发生机制。就业风险冲击、人力资本和劳动保护以及个体特征，共同构成劳动力失业风险发生的“四位一体”脆弱性分析框架(见图1)。

图1 劳动力失业风险发生的脆弱性分析框架

从脆弱性角度看，劳动力失业风险发生机制的内在逻辑是：劳动力的就业安全是人力资本、劳动保护和个体特征共同构成的保障体系与就业风险冲击相互动态博弈的结果。劳动力面临的就业风险冲击是客观存在的，不以人的意志为转移。假定就业风险冲击一定，那么，劳动力的就业安全是否可期，劳动力是否面临失业风险以及面临的失业风险大小，关键在于由人力资本决定的劳动力市场竞争能力和其拥有的劳动保护的强弱。人力资本越多、劳动保护越强，劳动力面临就业冲击时的韧性就越强、脆弱性就越低，劳动力就越可能有稳定的就业安全预期，劳动力的失业风险也就越低，反之，劳动力的失业风险就会越高。人力资本由健康资本、教育资本和“干中学”构成。劳动保护由劳动力的内在保护和外在保护构成，而且这里的内在保护与外在保护均不是一般意义上的劳动环境、劳动保护设施配备等方面的保护，而是技术保护与制度保护。同时，劳动力的失业风险也会受到劳动力个体特征的影响。

三、变量选择、模型构建与实证检验

(一)变量选择

本文的因变量是劳动力的失业风险，即劳动力未来6个月内失业的可能性，指标重新赋值为“1=完全不可能，2=不太可能，3=一般，4=比较有可能，5=完全有可能”，取值越大表明失业风险越大。解释变量中，人力资本中的健康资本、教育资本和“干中学”，分别用健康状况、教育程度、工作经验和技能培训加以测量。其中，健康状况用劳动力去年一年是否发生医药费支出来反映，发生医药费支出赋值为0，表示健康状况较差；不发生医药费支出赋值为1，表示健康状况较好。教育程度划分为文盲、小学、初中、高中、大专和本科以上六种，赋值1～6，取值越大表明教育程度越高。工作经验用劳动力在本单位工作的年数表示。技能培训是指过去12个月，是否参加过单位组织的职业技能培训，参加过赋值为1，没有参加过赋值为0。劳动保护中的内在保护，体现在劳动力的技术专有性，用工作岗位的技术含量加以测量；外在保护用劳动力是否签订劳动合同加以测量，签订劳动合同赋值为1，没有签订赋值为0。个体特征变量中，男性赋值为1，女性赋值为0；已婚赋值为1，未婚、离婚、丧偶赋值为0；中共党员赋值为1，其他赋值为0。时间变量中，2013年赋值为1，2015年赋值为2，2017年赋值为3，2019年赋值为4，是一个有序变量。变量含义及其描述性统计结果见表2。

表2 变量名称及其基本情况

从表2中解释变量和控制变量的变量类型看，年龄、工作经验是连续变量；性别、婚姻状况、政治面貌、健康状况、技能培训、劳动合同是虚拟变量；教育程度、技术含量和时间因素是有序多分类变量。在社会科学研究中，由于有序变量比较多，研究者为了统计方便，也常常把有序变量近似看作连续变量来处理。[24](P.35-37)因此，本文的解释变量均满足回归分析的基本要求。

(二)模型构建

本文的因变量是一个五级有序变量，有多种参数估计方法。已有研究文献，一般采用Ordered Probit回归模型或OLS回归模型估计参数。经验研究表明，只要回归方程设定正确，将上述五级变量无论视为连续变量用OLS方法估计，还是将其视为有序变量用Ordered Probit模型估计，两种估计方法得到估计参数的影响方向与显著性水平具有一致性。[25](P.121-123)因此，本文把其视为有序变量，用Ordered Probit回归模型进行估计。模型设定如下：

Un-Riskiy=αHCiy+βLPiy+γXiy+εiy

上述模型中，Un-Riskiy表示y年第i个劳动力的失业风险(UnemploymentRisk)，HCiy表示y年第i个劳动力的人力资本(HumanCapital)因素，LPiy表示y年第i个劳动力的劳动保护(LaborProtection)因素，Xiy表示影响劳动力失业风险的个体特征因素和时间变量，其中，个体特征因素包括性别、年龄、婚姻状况和政治面貌，时间变量为调查年份。εiy表示随机扰动项。

(三)实证检验

为了清晰地呈现不同类型解释变量对劳动力失业风险的影响，本文采用逐步回归的方法。模型1是个体特征变量对劳动力失业风险的影响结果，模型2是在控制个体特征变量的基础上，分析人力资本变量对劳动力失业风险的影响，模型3是在控制个体特征变量和人力资本变量的基础上，分析劳动保护因素对劳动力失业风险的影响。同时，在逐步分析上述不同类型变量对劳动力失业风险的影响时，把调查年份控制起来，以消除时间因素对劳动力失业风险的影响，并检验解释变量对劳动力失业风险的影响随着时间变化的稳定性情况，模型估计结果见表3。从表3的模型估计结果来看，三个模型都通过了显著性检验，其中，模型1解释了劳动力失业风险变异的2.6%，模型2解释了劳动力失业风险变异的14.9%，模型3解释了劳动力失业风险变异的17.9%。这表明在控制个体差异的情况下，人力资本和劳动保护显著影响劳动力的失业风险。由于模型3是全样本回归，因此，模型3的估计参数更为准确。

表3 劳动力失业风险影响因素的参数估计结果

从个体特征因素对劳动力失业风险的影响来看，男性劳动力的失业风险更高，男性劳动力的失业风险概率比女性劳动力的失业风险概率高19.6%。可能的解释是，男性劳动力更倾向于找到好的工作，对现有工作的不满意会导致失业风险增加，而女性劳动力受教育年限较低[26]，更倾向于找到工作，工作期望较低，工资收入水平也较低[27]，因此，女性劳动力的失业风险较小。已婚的劳动力失业风险概率更低，已婚劳动力的失业风险概率是非在婚劳动力失业风险概率的0.89倍，这与已有的研究结果相一致。[28]政治面貌为中共党员的劳动力，失业风险概率更低，其失业风险概率是其他政治面貌劳动力失业风险概率的0.77倍。

年龄对劳动力失业风险的影响，不具有统计学意义。而且，年龄的平方这一变量对劳动力失业风险的影响也不显著(P>0.1)，这可以判断年龄与劳动力失业风险的“U”型关系并不存在。已有关于流动人口失业风险影响因素的研究结论，即年龄与失业风险之间呈“U”型关系[5]，这一结论的普适性有待进一步检验。

从人力资本因素对劳动力失业风险的影响来看，健康状况、教育程度、工作经验、技能培训四个变量对劳动力失业风险有显著的负向影响。健康状况越好，劳动力的失业风险概率越低。健康状况较好劳动力的失业风险概率，是健康状况较差劳动力失业风险概率的0.83倍。教育程度越高，劳动力的失业风险概率越低，教育程度每提升一个水平，劳动力的失业风险概率将下降18.1%，这一估计结果与已有研究结果相一致。[6]工作经验越多，劳动力的失业风险概率越低，工作经验每增加一年，劳动力的失业风险概率将降低3.8%。可能的解释是，工作时间越长，工作技能越熟练，工作效率越高，为单位创造的价值越大，在面临就业风险冲击时，被单位辞退的可能性越低，所以失业风险概率更低。参加技能培训能够有效降低劳动力的失业风险，过去1年没有参加过单位组织的技能培训的劳动力，其失业风险概率是参加技能培训劳动力失业风险概率的1.27倍。可能的解释：一是参加职业技能培训的劳动力，本身就是相对优秀的员工；二是职业技能培训提高了劳动力的劳动熟练程度、人力资本含量和就业竞争力，降低了劳动力的失业风险。

从劳动保护因素对劳动力失业风险的影响来看，工作岗位的技术含量和是否签订劳动合同对劳动力失业风险有显著的负向影响。工作岗位的技术含量越低，劳动力的失业风险越高，工作岗位技术含量每下降一个等级，劳动力的失业风险将增加15.8%。可能的解释是，工作岗位的技术含量越高，拥有该岗位的劳动力的内在自我保护就越强，岗位可替代性就越差，相对而言越不可能失业。劳动合同对劳动力的失业风险具有显著的抑制作用，就业时没有签订劳动合同的劳动力，其失业风险概率是签订劳动合同劳动力失业风险概率的1.85倍。这说明，劳动合同是有效保护劳动力就业安全的重要工具。这可能源于两个方面：一是劳动合同增加了用人单位辞退员工的交易成本，因为劳动合同的有效期限一般会达到1年以上；二是劳动合同增强了用人单位用工行为的规范性，减少了用人单位辞退员工的随意性。二者都在一定程度上降低了用人单位辞退员工的概率。因此，劳动合同对劳动力的失业风险有显著的负向影响。

(四)稳健性检验

稳健性检验是模型估计结果可靠性判断的内在要求，一般采用方法变换、变量变换和增加新的变量等方式进行检验。鉴于数据的可获得性和分析的便利性，本文采用解释变量变换、方法变换和因变量变换三种方式，检验模型估计结果的稳健性。其中，解释变量变换是用分组年龄替换年龄和年龄的平方，用时间分类变量替换时间有序变量，并用Ordered Probit回归模型估计参数；方法变换是把五级有序因变量看成是连续变量采用OLS估计参数；因变量变换是把原来的五级有序因变量转化为二分类变化用二元Probit回归模型估计参数。检验结果见表4。

表4 劳动力失业风险影响因素估计结果稳健性的检验结果

从模型4、模型5和模型6对各个解释变量估计参数的检验结果来看，除年龄变量和时间变量的估计结果有差异之外，其他所有解释变量对劳动力失业风险的影响都通过了稳健性检验。这表明，人力资本、劳动保护以及个体特征因素，对劳动力的失业风险有稳定的显著影响。年龄变量对劳动力失业风险的影响，体现在劳动力失业风险的代际差异方面。相对而言，40-49岁劳动力的失业风险概率明显更大。

从时间因素对劳动力失业风险的影响来看，结合表3和表4的统计结果可以判断，劳动力的失业风险并不是随着时间的推移而呈现出持续不断的增加趋势，而只是在不同年份表现出一定的差异而已，这不仅与国家经济形势的波动趋势相一致，也与近8年来中国登记失业率波动幅度较小的变动趋势基本一致。2013年到2020年，城镇登记失业率在3.62%～4.24%之间波动。②相对而言，2013年劳动力的失业风险较低，2017年劳动力的失业风险较高，2015年和2019年劳动力的失业风险没有表现出显著差异。其中，2017年劳动力的失业风险概率比2019年劳动力的失业风险概率高13.88%，而2013年劳动力的失业风险概率比2019年劳动力的失业风险概率低12.8%。在控制时间因素的情况下，影响劳动力失业风险解释变量的显著性水平和影响方向并未发生明显的变化，这也表明解释变量对劳动力失业风险的影响具有稳定性。

四、结论与启示

基于上述分析，本文的研究结论如下：(1)人力资本对劳动力的失业风险有显著的负向影响。人力资本对劳动力失业风险的影响，不仅体现在健康状况和教育程度，还体现在工作经验和技能培训。健康状况越好、教育程度越高、工作时间越长、参加技能培训的劳动力，失业风险明显更低。(2)劳动保护因素对劳动力的失业风险有显著的抑制作用。劳动保护包括内在保护和外在保护两个方面。内在保护体现在工作岗位的技术含量，工作岗位技术含量越高，劳动力的内在自我保护就越好，岗位可替代性就越低，失业风险就越低；外在保护体现在劳动合同对劳动力失业风险的抑制作用，签订劳动合同的劳动力，失业风险明显更低。(3)劳动力的失业风险呈现出显著的个体差异，女性、已婚和政治面貌为中共党员的劳动力，失业风险更低；劳动力失业风险的代际差异显著，40-49岁之间的劳动力失业风险更大。

基于上述研究结论，站在降低劳动力失业风险、实现更加充分和更高质量就业的角度，本文的政策启示有如下几个方面。

首先，从提高劳动力人力资本的角度看，政策启示有四：一是政府应大力推动《健康中国行动(2019-2030)》落地生效，加强国民健康教育，提高劳动力的健康资本。二是员工个人应减少轻易跳槽、更换工作的频率，通过工作年限的积累提高对单位的忠诚度和工作经验，降低失业风险。三是鼓励和引导企业开展常规化的职业技能培训，既能够提高劳动力的生产效率，又可以降低劳动力的失业风险，起到“一举两得”的效果。四是大力普及学历教育。当前我国劳动力教育年限明显较短，联合国开发计划署2018年《人类发展指数和指标》提供的数据表明，2017年世界各国25岁及以上成年人平均受教育年限前100名国家中，中国为7.8年，仅比突尼斯(7.2年)、科威特(7.3年)和泰国(7.6年)三个国家略高③。女性劳动力受教育年限更低，劳动力动态调查数据显示，女性劳动力的平均受教育年限比男性低0.7年④。因此，加快普及学历教育，提高劳动力的受教育程度，将有效降低劳动力的失业风险。

其次，从加强劳动力劳动保护的角度看，政策启示有二：一是加快推动普通本科高等教育的职业化转型。学历教育固然重要，但从劳动力就业安全的角度看，职业教育能够有效促进劳动力适应高技术含量的就业岗位，降低工作岗位的可替代性，进而起到降低劳动力失业风险的作用。因此，国家应该积极落实《国家职业教育改革实施方案》(〔2019〕4号)，细化工作目标，加快普通本科高等教育向职业技能教育转变的步伐。二是加强企业劳动合同签订行为监管，规范企业的用工行为。四期调查数据的总体结果显示：劳动力就业中签订劳动合同的比例平均只有57.1%，还有超过40%的劳动力虽然已经就业但是没有签订任何形式的劳动合同，这为单位随意辞退员工提供了便利条件，大大降低了劳动力的就业稳定性，增加了劳动力的失业风险。为了降低劳动力的失业风险，政府有关部门应当加强劳动力就业市场中的劳动合同签订行为监管，规范企业的用工行为。这既可以有效保护劳动力的就业权益，也能有效降低劳动力失业风险对社会稳定和经济发展的冲击。

第三，从劳动力个体特征的角度看，政策启示有二：一是就业促进政策制定，应当注重劳动力的个体差异。40-49岁之间的劳动力，失业风险更大。因此，政府有关部门在分配有限的就业促进资源时，优先用于解决40-49岁之间劳动力的就业问题，能够起到事半功倍的就业促进效果。二是深入了解劳动力失业风险个体差异背后的内在动机。实证分析表明，男性、非在婚(未婚、离异和丧偶)和政治面貌为一般群众的劳动力，失业风险更高。那么，是什么原因造成具有这些特点的劳动力失业风险更高，是值得重视的，因为劳动力的失业风险既包括主动型的失业风险，也包括被动型的失业风险，被动型的失业风险才是就业促进政策应当关注的重点。例如男性劳动力可能更倾向于找到好工作，这种动机下的失业风险并不可怕，因为这种失业风险会随着劳动力期望的调整而得以消弭。

本文存在的不足之处在于：(1)劳动力的官方统计口径是16周岁以上有劳动能力、参加或要求参加社会经济活动的人口，由于调查设计原因，CGSS调查对象是18岁以上的人口，本文基于失业概念的劳动力统计口径为18-59岁，统计口径明显更窄。(2)失业风险的测量方法较为主观，这虽然在失业风险测量方法上体现出一定的新意，但也不可避免存在测量误差问题。(3)样本规模相对较小，尽管本文使用的混合截面数据样本量接近9000，但每一年的样本量只有2000左右，难免存在样本代表性不够的问题。(4)由于最新的样本调查时间截止到2019年，建立模型得到的结论尽管在较短时间内(如3年内)基本成立，但较长时间内，中国人口和劳动力数量面临较大变化，技术进步如人工智能的发展日新月异，模型得到的结论能否成立需进一步验证。有关学者和政府决策部门在借鉴本文的研究结论与政策建议时，这些问题不可忽视。

注释：

①《第七次全国人口普查公报》，中华人民共和国中央人民政府官网，http://www.gov.cn/guoqing/2021-05/13/content_5606149.htm，2021年5月11日。

②《2013-2020年度人力资源和社会保障事业发展统计公报》，中华人民共和国人力资源和社会保障部官网，http://www.mohrss.gov.cn/SYrlzyhshbzb/zwgk/szrs/tjgb/，2021年7月26日。

③数据来源： “Human Developmentt Indicatitors and Indices:2018 Statistical Update”，United Nations Development Programme，http://hdr.undp.org/en/content/human-development-indices-and-indicators-2018-statistical-update-chinese，2018年10月1日。

④数据来源：《我国劳动力平均受教育年限为9.28年》，中华人民共和国教育部官网，http：//www.moe.gov.cn/jyb_xwfb/s5147/201512/t20151207_223334.html，2015年12月7日。