2015年-世界发展银行全球_Job_Opportunities_along_the_Rural-Urban_Gradation_and_Female_Labor_Force_Participation_in_India_39页_1mb

报告摘要

详细总结：印度农村-城市梯度中的就业机会与女性劳动力参与率

核心内容

本研究探讨了印度女性劳动力参与率（LFPR）下降的原因，特别是农村地区女性LFPR显著下降的现象。研究指出，传统的供给端解释（如收入提高、家庭支持减少）不足以完全解释这一趋势，强调了需求端因素和城市化进程对女性就业机会的影响。研究还讨论了农村-城市分类在数据测量中的潜在偏差，以及不同就业类型对LFPR的测量方式。

主要观点

女性劳动力参与率下降趋势
- 印度女性LFPR在1999-00至2011-12年间下降了8-10个百分点，远高于男性（3-4个百分点）。
- 女性LFPR下降尤为明显在2004-05年后，且这种下降在不同年龄群体中普遍存在。
- 城市地区女性LFPR一直较低，而农村地区则经历了更显著的下降。
收入效应的局限性
- 尽管农村收入上升可能被认为与女性LFPR下降有关，但实际数据表明，这种收入效应并不能充分解释现象。
- 在2009-10年的大旱期间，农村家庭收入机会减少，但女性LFPR并未上升，反而下降，说明收入效应并非主因。
就业机会的结构性变化
- 农村农业岗位数量大幅减少，而非农业岗位并未相应增加，尤其是适合女性的岗位。
- 女性就业更多集中在农业和非正式岗位，而非农业正规就业机会较少。
- 就业机会的结构变化是理解女性LFPR下降的关键因素。
测量偏差问题
- 城市化进程中，行政上仍被归类为农村的地区（如普查城镇）可能影响数据的准确性。
- 国家样本调查（NSS）使用2001年普查数据作为农村抽样框架，未能反映近年来快速城市化的实际情况。
- 更广泛的失业测量方法（如包括注册求职者和参与MNREGA的人）显示女性LFPR实际更高，说明现有测量标准可能低估了女性的就业参与。
农村-城市梯度分析
- 女性LFPR在农村-城市梯度上呈现出显著的下降趋势，尤其在小型村庄和小城镇。
- 在不同就业定义下（如通常状态和主要状态），女性LFPR差异较大，反映了其更多参与非正式和辅助性工作。
模型与方法
- 本文提出一个包含供给端、需求端和城市化因素的模型，以更全面地解释女性LFPR的变化。
- 模型D被证明是解释女性LFPR下降最全面的模型，因为它考虑了本地就业机会的变化。

关键信息

数据来源：国家样本调查（NSS）和人口普查数据。
就业类型：研究将就业分为四种类型：农民、非农业自雇、非农业正规雇员、所有非正式雇员。
农村-城市梯度分类：将农村地区划分为三个等级（基于人口规模），城市地区划分为三个等级（基于人口规模）。
测量误差：NSS对农村的分类未能及时反映城市化趋势，导致女性LFPR的测量偏差。
政策建议：为了扭转女性LFPR的下降趋势，印度需要创造更多适合女性的就业机会。

就业机会结构的变化

农村农业岗位数量减少，而非农业岗位增长有限，尤其是适合女性的岗位。
在NSS的通常状态定义下，女性LFPR更高，因为该定义包括更多非正式和辅助性工作。
小型村庄和小城镇中，女性LFPR下降尤为显著，说明就业机会的结构性变化在这些地区更为明显。

城市化对农村分类的影响

普查城镇（Census Towns）在行政上仍被归类为农村，但其实际特征更接近城市。
城市化速度远超行政分类的更新速度，导致女性LFPR下降可能被误认为是农村现象，实则与城市化相关。

结论

女性LFPR下降不能简单归因于收入效应，而应考虑本地就业机会的变化和城市化的影响。
现有的测量方法可能低估了女性的就业参与，特别是非正式和辅助性工作。
政策制定者应关注创造更多适合女性的就业机会，以促进女性劳动力参与率的回升。

附录与数据

模型A（供给端）和模型B（考虑区域特征）被用于分析女性LFPR的影响因素。
模型C和模型D分别考虑了行政分类误差和本地就业机会的影响。
数据表明，女性LFPR下降与就业机会的结构性变化密切相关，尤其是在农村-城市梯度的中低层级地区。

参考文献

Goldin (1994), Paxson et al. (2000), Olsen et al. (2006), Chowdhury (2011), Himanshu (2011), Rangarajan et al. (2011), Kannan et al. (2012), Neff et al. (2012), Abraham (2013), Klassen and Peters (2013), Klassen et al. (2013), Rodgers (2012), Chand et al. (2014), Hirway (2012), Li and Rama (forthcoming)。