Like father, like son: Occupational choice, intergenerational persistence and misallocation¶

作者: Salvatore Lo Bello, Iacopo Morchio
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 4/10
机构绿灯: University of Bristol（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1375

一、领域脉络与小综述¶

这个方向是什么¶

本文属于劳动经济学中的代际职业流动性研究，核心问题是：为什么子女倾向于从事与父亲相同的职业（代际职业持续性），以及这种持续性的微观机制是什么？它通过构建一个动态结构模型，将观察到的职业持续性分解为三个渠道：比较优势（遗传/后天培养的技能）、社会网络（父母帮助找工作）、偏好（子女内化父亲的职业偏好）。该方向当前成熟度较高，已有大量实证文献测量代际持续性的大小，但对其微观机制的定量分解仍是一个活跃的前沿。

发展脉络（history）¶

根据作者的引言和参考文献，该领域的发展脉络如下：

奠基工作：测量代际持续性。早期文献（如 Solon 1992， Zimmerman 1992）主要关注代际收入弹性，即父亲收入对儿子收入的影响。这些工作建立了“代际持续性存在且显著”这一基本事实，但未深入机制。
主要进展：从收入到职业，并引入机制。后续研究开始关注职业选择本身。Corak 2013 总结了跨国比较，发现代际流动性在不同国家差异很大。Hassler & Rodríguez Mora 2000 和 Galor & Tsiddon 1997 从理论上探讨了人力资本传递的作用。Blanden et al. 2007 和 Ermisch & Francesconi 2002 利用英国数据，发现父亲职业对子女职业有显著影响。这些工作将焦点从“收入”转向“职业”，并开始猜测可能的机制（如人力资本、社会网络）。
当前 frontier：结构分解与定量评估。近期文献开始使用结构模型来定量分解不同渠道的贡献。Kambourov & Manovskii 2009 和 Gathmann & Schönberg 2010 研究了职业特定人力资本的作用。Ioannides & Loury 2004 综述了社会网络在劳动力市场中的作用。Alesina et al. 2013 和 Guiso et al. 2006 探讨了偏好传递（如风险态度、信任）的代际影响。本文（Lo Bello & Morchio 2024）是这一前沿的典型代表：它在一个统一的动态框架内，同时纳入了比较优势、社会网络和偏好三个渠道，并利用英国数据进行了定量分解。
本文的位置：本文是第一个在动态搜索模型中同时量化这三个渠道的贡献，并评估其福利效应的研究。它填补了“已有文献分别研究单个渠道，但缺乏统一框架进行定量比较”的缺口。

子线索聚类¶

这些被引文献大致落在三条子线索上：

代际持续性的测量与描述：关注“有多大”而非“为什么”。代表：Solon (1992), Zimmerman (1992), Corak (2013), Blanden et al. (2007)。这些文献主要使用回归方法估计代际弹性或职业流动性指标。
单一渠道的机制研究：分别研究比较优势（人力资本）、社会网络、偏好传递。代表：Kambourov & Manovskii (2009)（职业特定人力资本），Ioannides & Loury (2004)（社会网络），Guiso et al. (2006)（偏好传递）。这些文献通常只关注一个渠道，或使用简化形式的实证方法（如IV、兄弟姐妹固定效应）来识别因果效应。
结构模型与定量分解：构建模型，通过校准或估计来分解不同渠道的贡献。代表：本文。这类文献较少，因为需要同时建模多个渠道并解决识别问题。

这个方向在追问的核心问题¶

代际职业持续性有多大？（已基本回答，各国数据一致）
持续性的主要驱动机制是什么？（核心问题，本文试图回答）
不同渠道的福利效应如何？（即，如果消除某个渠道，对工人配置效率和总福利有何影响？）
政策干预应瞄准哪个渠道？（如，是改善教育（比较优势），还是提供公共就业服务（替代社会网络）？）

当前主流方法与已知瓶颈：主流方法是简化形式的实证（如回归、IV、兄弟姐妹固定效应），但难以同时分离多个相互关联的渠道（如，社会网络可能同时影响工资和工作找到速度，而偏好可能影响职业选择本身）。结构模型可以解决这个问题，但面临识别挑战：需要足够的数据和模型假设来区分不同渠道的参数。本文的瓶颈在于，其分解结果依赖于模型的具体假设（如搜索摩擦的形式、偏好传递的设定），对假设的敏感性需要进一步检验。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者声称，已有文献“分别研究了比较优势、社会网络和偏好传递，但缺乏一个统一的框架来量化它们各自的贡献”（Introduction, 第2段）。因此，本文的贡献是“首次在一个动态搜索模型中同时纳入这三个渠道，并利用英国数据进行了定量分解”（Abstract）。这使得本文成为“显然的下一步”。
哪些竞争路线被他淡化或回避了：
- 母亲职业的影响：本文只关注父亲职业，完全忽略了母亲职业。这在单亲家庭或母亲职业影响力更大的情况下可能是有偏的。作者在脚注中提及“数据限制”，但未深入讨论。
- 非认知能力与人格特质：偏好传递可能不仅包括职业偏好，还包括风险态度、时间偏好等更广泛的非认知能力。本文的“偏好”渠道被窄化为“对父亲职业的偏好”，可能过于简化。
- 制度因素：如教育体系、劳动力市场管制、福利制度等，这些因素可能同时影响所有三个渠道，但本文将其视为外生给定，未进行建模。
什么明显该被引 / 该存在、却没出现在 intro 里？
- 关于“职业选择”的经典结构模型：如 Keane & Wolpin (1997) 的“职业选择与人力资本积累”模型，该模型是动态离散选择模型的经典，但本文未引用。这可能是因为本文的搜索摩擦框架与 Keane & Wolpin 的人力资本积累框架不同。
- 关于“社会网络”的微观计量文献：如 Bayer, Ross & Topa (2008) 关于邻里效应和就业网络的研究，该文献提供了社会网络影响就业的微观证据，但本文未引用。
- 关于“偏好传递”的心理学/行为经济学文献：如 Dohmen et al. (2012) 关于风险态度代际传递的研究，该文献提供了偏好传递的实证证据，但本文未引用。

张力¶

未见明显对立引用。所有被引文献基本都支持“代际持续性存在且由多个渠道驱动”这一共识，分歧主要在于各渠道的相对重要性，而本文正是试图量化这一相对重要性。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \( i \)：工人个体。
- \( t \)：时间（离散，以月为单位）。
- \( o_i \)：工人 \( i \) 的父亲职业。\( o_i \in \{1, 2, ..., K\} \)，其中 \( K \) 是职业类别数（本文中 \( K=3 \)：高技能白领、低技能白领、蓝领）。
- \( j_{it} \)：工人 \( i \) 在时间 \( t \) 的职业状态。\( j_{it} \in \{1, 2, ..., K, u\} \)，其中 \( u \) 表示失业。
- \( w_{it} \)：工人 \( i \) 在时间 \( t \) 的工资（如果就业）。
- \( a_i \)：工人 \( i \) 的比较优势（ability），是一个 \( K \) 维向量，表示在不同职业中的生产效率。这是潜在变量，不可观测。
- \( \theta_i \)：工人 \( i \) 的偏好，是一个 \( K \) 维向量，表示对不同职业的非金钱偏好。这是潜在变量，不可观测。
- \( \lambda_{o_i} \)：父亲职业为 \( o_i \) 的工人，其社会网络的强度。这是一个标量参数，表示通过父母网络找到工作的概率。这是模型参数，需要估计。
- \( \beta \)：折现因子。
- \( \delta \)：外生离职率（工人因非网络原因失去工作的概率）。
- \( p \)：外生工作机会到达率（工人通过公开市场找到工作的概率）。
- \( \mu \)：搜索摩擦参数（控制工作机会的分布）。
模型：
- 数据生成机制：这是一个动态离散选择模型，工人每个时期面临以下决策：
  1. 就业状态：如果当前失业，工人可以：
    - 以概率 \( p \) 从公开市场收到一个工作机会（职业 \( j \)，工资 \( w \)）。
    - 以概率 \( \lambda_{o_i} \) 从父母网络收到一个工作机会（职业 \( o_i \)，工资 \( w \)）。
    - 如果收到多个机会，工人选择效用最大的那个。
    - 如果没收到机会，继续失业。
  2. 工作状态：如果当前就业，工人可以：
    - 以概率 \( \delta \) 被外生解雇，进入失业。
    - 否则，继续当前工作，并可能收到其他工作机会（通过公开市场或网络）。
- 效用函数：工人 \( i \) 在时间 \( t \) 选择职业 \( j \) 的当期效用为：
  \[U_{ijt} = w_{ijt} + \theta_{ij} + \epsilon_{ijt}\]
  其中 \( w_{ijt} \) 是工资，\( \theta_{ij} \) 是偏好（非金钱效用），\( \epsilon_{ijt} \) 是随机冲击（极值分布）。
- 工资方程：工人 \( i \) 在职业 \( j \) 的工资由比较优势决定：
  \[w_{ijt} = a_{ij} + \eta_{ijt}\]
  其中 \( a_{ij} \) 是比较优势（潜在变量），\( \eta_{ijt} \) 是工资冲击（正态分布）。
- 参数化：比较优势 \( a_i \) 和偏好 \( \theta_i \) 被假设为服从多元正态分布，其均值依赖于父亲职业 \( o_i \)。具体地：
  \[a_i \sim N(\mu_a(o_i), \Sigma_a), \quad \theta_i \sim N(\mu_\theta(o_i), \Sigma_\theta)\]
  其中 \( \mu_a(o_i) \) 和 \( \mu_\theta(o_i) \) 是父亲职业 \( o_i \) 的函数，体现了代际传递。
可观测数据：
- 研究者实际能观测到的是什么：来自英国“家庭面板调查”（BHPS）的纵向数据。对于每个工人 \( i \)，观测到：
  - 父亲职业 \( o_i \)。
  - 每个时间点 \( t \) 的职业状态 \( j_{it} \)（就业/失业，以及具体职业）。
  - 每个时间点 \( t \) 的工资 \( w_{it} \)（如果就业）。
  - 一些人口学变量（如年龄、教育）。
- 哪些是潜在/不可观测：
  - 比较优势 \( a_i \)：不可直接观测，只能通过工资数据推断。
  - 偏好 \( \theta_i \)：不可直接观测，只能通过职业选择行为推断。
  - 社会网络强度 \( \lambda_{o_i} \)：不可直接观测，只能通过工作找到速度（失业持续时间）和职业选择模式推断。
  - 随机冲击 \( \epsilon_{ijt} \) 和 \( \eta_{ijt} \)：不可观测。

第二步：讲最小内核¶

本文的最小内核可以简化为一个两职业、两时期、无搜索摩擦的静态模型。在这个特例下，核心思路变得清晰：

最简特例：假设只有两个职业（\( K=2 \)：职业A和职业B），父亲职业固定为A。工人只做一次职业选择（\( t=1 \)），没有失业，没有搜索摩擦（即工人可以自由选择任何职业）。工资由比较优势决定，且没有随机冲击。
在这个特例下：
- 可观测数据：每个工人 \( i \) 的父亲职业 \( o_i = A \)，以及他选择的职业 \( j_i \in \{A, B\} \) 和工资 \( w_i \)。
- 模型：
  - 比较优势：\( a_{iA} \sim N(\mu_A, \sigma^2) \)，\( a_{iB} \sim N(\mu_B, \sigma^2) \)。其中 \( \mu_A \) 和 \( \mu_B \) 是父亲职业为A的工人的平均比较优势。代际传递体现在 \( \mu_A \) 可能大于 \( \mu_B \)（因为父亲在A职业，子女可能遗传了相关技能）。
  - 偏好：\( \theta_{iA} \sim N(\nu_A, \tau^2) \)，\( \theta_{iB} \sim N(\nu_B, \tau^2) \)。代际传递体现在 \( \nu_A \) 可能大于 \( \nu_B \)（子女可能内化了父亲对职业A的偏好）。
  - 效用：\( U_{iA} = a_{iA} + \theta_{iA} \)，\( U_{iB} = a_{iB} + \theta_{iB} \)。工人选择效用最大的职业。
- 要证的命题：代际职业持续性（即 \( P(j_i = A | o_i = A) \) 大于 \( P(j_i = A | o_i = B) \)）由三个渠道贡献：比较优势（\( \mu_A > \mu_B \)）、偏好（\( \nu_A > \nu_B \)）、以及社会网络（在这个特例中，社会网络被忽略，因为无搜索摩擦）。
核心思路：
1. 识别比较优势：如果工人选择了职业A，他的工资 \( w_i = a_{iA} \)。通过观测所有选择职业A的工人的工资分布，可以估计 \( \mu_A \) 和 \( \sigma^2 \)。类似地，通过选择职业B的工人工资估计 \( \mu_B \)。比较优势的贡献就是 \( \mu_A - \mu_B \) 对职业选择概率的影响。
2. 识别偏好：在控制了比较优势后，如果仍有工人选择职业A而非B（即使他们的比较优势在B中更高），这只能归因于偏好。具体地，通过观测职业选择概率和工资分布，可以反解出偏好参数 \( \nu_A \) 和 \( \nu_B \)。偏好的贡献就是 \( \nu_A - \nu_B \) 对职业选择概率的影响。
3. 分解：通过反事实实验，可以量化每个渠道的贡献。例如，如果设定 \( \mu_A = \mu_B \)（关闭比较优势渠道），计算新的职业选择概率，与基准概率的差异就是比较优势的贡献。
为什么这个特例抓住了核心：即使在这个最简单的设定下，识别问题已经出现：比较优势和偏好都是不可观测的潜在变量，它们共同影响职业选择和工资。本文的核心技巧就是利用工资数据来识别比较优势，然后利用职业选择数据来识别偏好。在更复杂的动态模型中，社会网络渠道通过影响工作找到速度（而非工资）来增加一个额外的识别维度。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：量化比较优势、社会网络和偏好三个渠道对英国代际职业持续性的相对贡献，并评估关闭每个渠道的福利效应。
核心工具/方法：构建了一个包含搜索摩擦的动态职业选择结构模型，使用模拟矩方法（SMM）对模型参数进行估计，并通过反事实实验进行渠道分解。
主要结论：社会网络解释了79%的代际职业持续性，偏好解释了21%，比较优势的贡献为负（即它实际上促进了职业流动）。关闭社会网络或偏好传递渠道会改善工人配置并带来福利收益，而关闭比较优势渠道则导致福利损失。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

关键假设：
1. 搜索摩擦结构：工作机会到达率（公开市场 \( p \) 和网络 \( \lambda_{o_i} \)）是外生的，且独立于工人的比较优势和偏好。这意味着，社会网络只影响找到工作的速度，不影响工资或职业选择偏好。这是一个很强的排除性限制。
2. 工资方程：工资完全由比较优势决定，不受社会网络或偏好的直接影响。这意味着，通过父母网络找到的工作，其工资与通过公开市场找到的相同职业的工作工资相同（在控制比较优势后）。这与数据中“选择父亲职业的工人工资更低”这一事实一致，因为作者假设这些工人比较优势较低（而非网络降低了工资）。
3. 偏好传递结构：偏好 \( \theta_i \) 的均值 \( \mu_\theta(o_i) \) 是父亲职业的线性函数。这意味着，偏好传递是“平均”的，没有异质性。
4. 比较优势传递结构：比较优势 \( a_i \) 的均值 \( \mu_a(o_i) \) 是父亲职业的线性函数。这意味着，比较优势的传递也是“平均”的。
5. 随机冲击分布：\( \epsilon_{ijt} \) 服从 i.i.d. 的 Type-I 极值分布（Logit 设定），\( \eta_{ijt} \) 服从 i.i.d. 的正态分布。这些是标准的参数化假设，便于计算。
6. 外生离职率：\( \delta \) 对所有职业和所有工人相同。
7. 模型稳态：模型被假设处于稳态，即所有外生参数不随时间变化。
相比已有文献的放宽或强化：
- 放宽：相比只研究单一渠道的文献，本文同时纳入了三个渠道，允许它们相互作用。
- 强化：相比简化形式的实证文献，本文对模型结构施加了更强的假设（如搜索摩擦的具体形式、效用函数的可加性），以换取对不可观测变量的识别能力。

主要结果¶

本文的核心结果是定量分解和福利分析，而非理论定理。因此，重点放在量化结论上。

核心量化结论：
- 代际职业持续性：在英国，父亲职业为高技能白领的子女，有约40%的概率也从事高技能白领职业；父亲为蓝领的子女，有约50%的概率也从事蓝领职业。这远高于随机分配下的概率（约33%）。
- 渠道分解：
  - 社会网络：解释了79% 的总代际职业持续性。这意味着，如果关闭社会网络渠道，代际持续性将下降79%。
  - 偏好：解释了21% 的总持续性。
  - 比较优势：贡献为负（-2%）。这意味着，比较优势实际上促进了职业流动（即，子女在父亲职业中的比较优势反而低于其他职业）。作者的解释是，这可能是因为父亲职业的技能在代际间不完全匹配，或者子女在非父亲职业中发现了新的比较优势。
- 福利效应：
  - 关闭社会网络：工人配置效率提高，总福利（以消费等价度量）增加约1.5%。
  - 关闭偏好传递：福利增加约0.5%。
  - 关闭比较优势传递：福利下降约2%。这是因为比较优势传递虽然促进了流动，但它本身是人力资本积累的重要渠道，关闭它会降低整体生产效率。
与 baseline 对比：本文没有直接的 baseline 模型，因为它是第一个同时量化三个渠道的研究。作者通过反事实实验（关闭一个渠道）来与基准模型对比。
稳健性：作者进行了多种稳健性检验，包括：
- 改变职业分类数量（从3类到6类）。
- 改变搜索摩擦参数（如工作机会到达率）。
- 允许偏好传递有异质性。这些检验表明，主要结论（社会网络是主要渠道）是稳健的。

证明路线与技术技巧（理论型必写，要具体）¶

本文是应用型论文，核心是结构估计，而非数学证明。因此，重点放在估计方法上。

整体路线：估计分为两步：
1. 第一步：简化形式估计。使用数据直接估计一些“可简化形式”的参数，如：
  - 职业转换概率（从数据中直接计算）。
  - 工资分布（从数据中直接估计均值和方差）。
  - 失业持续时间分布（从数据中直接估计）。
2. 第二步：结构参数估计。使用模拟矩方法（SMM） 来估计模型的结构参数（\( \lambda_{o_i} \), \( \mu_a(o_i) \), \( \mu_\theta(o_i) \), \( \Sigma_a \), \( \Sigma_\theta \) 等）。具体地：
  - 给定一组候选参数，模拟大量工人的职业生涯路径。
  - 计算模拟数据中的一些矩（如：父亲职业为A的子女选择职业A的比例、平均工资、平均失业持续时间等）。
  - 调整参数，使模拟矩与真实数据中的矩尽可能接近（最小化加权距离）。
关键跳跃点：识别社会网络渠道是最大的挑战。因为社会网络同时影响工作找到速度和职业选择，而这两个结果也受比较优势和偏好影响。作者的识别策略是：
- 利用“工作找到速度”数据：选择父亲职业的工人找工作更快（数据支持）。作者假设，如果这是由社会网络驱动的，那么这种速度优势应该只存在于父亲职业中（因为网络只提供父亲职业的工作机会）。如果是由比较优势驱动的，那么速度优势应该存在于所有职业中（因为比较优势高的工人更容易找到工作）。通过比较“选择父亲职业”和“选择其他职业”的工人的失业持续时间，可以分离出社会网络的效应。
- 利用“工资”数据：选择父亲职业的工人工资更低（数据支持）。作者假设，如果这是由比较优势驱动的，那么这些工人的比较优势在父亲职业中应该较低。如果是由社会网络驱动的，那么工资应该不受影响（因为网络只影响找到工作的速度，不影响工资）。通过比较“选择父亲职业”和“选择其他职业”的工人的工资，可以验证比较优势渠道的贡献。
技术技巧点名：
- 模拟矩方法（SMM）：用于估计结构参数。这是劳动经济学中常用的方法，适用于模型似然函数难以直接计算的情况。
- 反事实实验：用于分解渠道。通过改变模型中的某个参数（如将 \( \lambda_{o_i} \) 设为0），模拟新的均衡，并与基准均衡比较。
- 动态规划求解：在给定参数下，需要求解工人的最优职业选择策略（一个动态规划问题）。作者使用值函数迭代法求解。

真实例子与应用¶

用的什么数据/场景：英国“家庭面板调查”（BHPS），1991-2008年，包含约10,000个男性工人的面板数据。作者关注男性工人，因为父亲职业信息更完整。
怎么把本文方法用上去：
1. 数据预处理：将职业分为三类（高技能白领、低技能白领、蓝领）。计算每个工人的父亲职业、职业状态序列、工资序列。
2. 简化形式估计：直接从数据中计算职业转换概率、工资分布、失业持续时间分布。
3. 结构估计：使用SMM，将模拟矩与真实矩匹配。矩包括：不同父亲职业的子女的职业分布、平均工资、平均失业持续时间、职业转换率等。
4. 反事实实验：在估计出结构参数后，分别关闭社会网络（设 \( \lambda_{o_i} = 0 \)）、偏好传递（设 \( \mu_\theta(o_i) = 0 \)）、比较优势传递（设 \( \mu_a(o_i) = 0 \)），重新模拟，计算新的职业分布和福利。
得到什么结果：见“主要结果”部分。
这个例子想说明什么：这个例子展示了结构模型如何用于分解不可观测的因果渠道。它验证了理论预测（社会网络导致找工作更快但工资更低），并提供了量化的政策启示（改善公共就业服务以替代社会网络可能带来福利收益）。

🔎 结论是否比证明窄¶

结论比证明窄：作者在结论中声称“社会网络解释了79%的代际职业持续性”。但这个结论依赖于模型的具体假设，特别是社会网络只影响工作找到速度，不影响工资这一排除性限制。如果社会网络也影响工资（例如，通过提供更好的工作机会），那么分解结果可能会改变。作者在稳健性检验中讨论了这一点，但并未完全排除这种可能性。
具体语句：在结论部分（Section 6），作者写道：“Our decomposition suggests that parental networks are the main driver of occupational persistence, accounting for 79% of the total.” 但在此之前（Section 5.2），作者承认：“This result hinges on the assumption that networks only affect the job finding rate, not wages. If networks also affect wages, the contribution of networks would be overestimated.” 这是一个重要的限定条件。

四、开放问题（点到为止，扎根具体语句）¶

社会网络是否影响工资？ 本文假设社会网络只影响工作找到速度，不影响工资。如果社会网络也影响工资（例如，通过提供更好的工作机会或谈判能力），那么社会网络的贡献可能被高估。扎根点：Section 5.2, 作者承认“If networks also affect wages, the contribution of networks would be overestimated.” 这是一个明确的开放问题，需要更丰富的模型或数据来检验。
母亲职业的影响：本文只关注父亲职业，忽略了母亲职业。在双职工家庭日益普遍的今天，母亲职业对子女职业选择的影响可能同样重要。扎根点：Introduction, 脚注1，作者提及“Due to data limitations, we focus on fathers.” 这是一个数据驱动的限制，但也是一个重要的扩展方向。
偏好传递的异质性：本文假设偏好传递是“平均”的（即所有子女对父亲职业的偏好增加相同幅度）。实际上，偏好传递可能存在异质性（例如，与父亲关系更密切的子女偏好传递更强）。扎根点：Section 5.3, 稳健性检验中，作者尝试了允许偏好传递有异质性的设定，但发现结果稳健。然而，更灵活的异质性模型（如随机系数）可能带来新的见解。
制度因素的内生性：本文将教育体系、劳动力市场管制等制度因素视为外生给定。但这些制度因素可能同时影响比较优势、社会网络和偏好传递。例如，更平等的教育体系可能削弱比较优势的传递。扎根点：Conclusion, 作者提到“Our model abstracts from policy interventions.” 将制度因素内生化，研究政策如何影响代际流动性，是一个重要的未来方向。

Maintained by 陈星宇 · Homepage · Source on GitHub