计量方法与数据描述
（一）计量方法
为了全面衡量部门和户籍制度对福利分层的影响，笔者用是否参加养老、医疗、失业和工伤保险衡量不同人群的社会福利水平，用Probit模型进行检验。回归方程为：
Probit(Insurancei=1)
=β0+β1Pbulici+β2Urbani+β3Publici·Urbani+βX+μi
其中，Insurancei代表个体i的社会保险状况，Insurancei=1为参加了社会保险；Pbulici为个体i所处部门，Pbulici=1为处于公共部门；Urbani为户籍状况，Urbani=1表示个体i为城镇人口。Publici·Urbani为交互项，衡量部门和户籍制度的交互效应。X为控制变量，包括劳动者性别、婚姻状况、年龄、年龄平方项、教育水平、工作经验、经验的平方项、职业、行业和城市虚拟变量。
由于劳动者在不同部门的工作可能具有选择效应，因此普通Probit模型估计会有内生性问题，从而造成有偏的结果。因此，笔者将劳动者的福利的获得分为两个连续过程：第一步是是否进入公共部门，第二步是在公共部门内是否获得相应福利。因此，需要首先估计劳动者是否进入公共部门的因素，估计方程为：
Probit(Publici=1)=βX+γNetworki
其中，βX为劳动者的个人特征变量，Networki为家庭的社会网络，其中包括父母工作是否处于公共部门、一年中帮助自己的人数，这里以社会网络为工具变量控制部门选择的内生性问题。从上式中计算得到反mills比率：
代入回归方程（1）中，最终的估计方程为：
之后，根据Sinning等（2008）提出的非线性回归模型分解。
对于非线性模型Yig=βXig+εigg=（A，B），
Blinder-Oaxaca分解应为：
ΔA=EβA(YiA|XiA)-EβA(YiB|XiB)+EβA(YiB|XiB)-EβB(YiB|XiB)
ΔB=EβB(YiA|XiA)-EβB(YiB|XiB)+EβA(YiA|XiA)-EβB(YiA|XiA)
右边第一项为两组由于特征值不同而导致的差异，第二项为由于系数不同导致的差异。(https://www.daowen.com)
非线性分解的一般化形式为：
其中，β*为系数βA和βB的加权平均值，即
β*=ΩβA+(I-Ω)βB
Ω为加权矩阵，I为单位矩阵。所以，上式的一般化分解形式可写为：
因此，加权矩阵Ω的不同取值将得到不同的结果。Reimer（1983）将其设定为标量矩阵，假设Ω=0.5I，部分对比将加权矩阵设定为Ω=s I，s为主要组别的相对样本大小。
非线性分解的另一问题，是不同基准组别的选取可能会对结果造成影响。因此，我们将用不同的加权矩阵和基准组进行分解，检验结果的稳健性。
（二）数据描述
为了全面分析部门和户籍制度在福利分层中的作用，笔者采用CHIP 2007年家庭收入调查数据。这一数据包括城市、农村和流动人口三个子样本，全面考察了中国劳动者教育、工作、收入、社会福利等方面的情况。由于需要度量户籍制度的影响，笔者选取城市和流动人口两个子样本，并按照城市代码进行合并。样本共包含14699个城镇人口、8446个流动人口；剔除掉变量的缺失值以及处于非劳动年龄[2]的样本后，可得到5736个城镇劳动者、5125个流动人口的样本。
在劳动者福利方面，笔者选取养老保险、医疗保险、失业保险和工伤保险来分别衡量，劳动者加入上述保险则取1，否则取0。由于中国的社会保障正处于由单位保障制向国家—社会统筹制变迁的过程，社会保障覆盖面、给付标准等方面均不健全，所以是否参与社会保障可以作为福利分层的重要指标。
另外，笔者划分了劳动者的部门和户籍差异。在部门方面，将党政机关、国有企事业单位、国有独资企业和国有控股企业作为公共部门，民办企事业单位、集体企业、私营及其他企业作为非公共部门。同时，根据CHIP 2007的问卷设计，城市劳动者为城镇户籍，流动人口为农村户籍。
控制变量方面，笔者选取了劳动者性别、婚姻状况、年龄、年龄的平方项、教育程度、工作经验、经验的平方项、工作培训、契约性质，以及劳动者所处职业、行业和城市虚拟变量，控制可观测因素的影响。
表5.11为主要变量的描述统计。
表5.11 主要变量的统计描述
① 具体包括党政机关负责人、专业技术人员、办事人员、制造业工人、服务人员、私营企业主和其他职业。
② 具体包括农林牧渔、工业和建筑、交通运输仓储、计算机软件业、批发零售、住宿餐饮、金融房地产、商务服务、科教文卫、公共管理及其他行业。
