●                  ●                   ●

去年十月，我有幸收到北京大学中国科学调查中心吴琼老师的邀约，请我撰文分享我与谢宇老师使用中国家庭追踪调查（CFPS）数据研究收入不平等，并成功在顶级期刊发表论文的经历。吴老师希望我结合这段经历探讨我的学术道路，分享一些感悟，并为青年学者提供一些建议。承蒙这一邀请，我无比荣幸，但又有些忐忑。尽管在外界看来，我的学术道路似乎颇为顺利，发表了不少文章，并在一流大学获得了终身教职，但我深知学术生涯漫漫，自己至多是初窥门径，此时谈感悟、提建议，或许为时尚早，难免贻笑大方。然而, 既已应允，我便尽力回顾自己的学术经历，希望能对有志于从事社会科学的年轻学子有所启发。

如今，距离我博士毕业已有十年。回顾过往，我踏上社会学研究的道路，实属机缘巧合。本科时期，我主修数学和物理。大二那年，清华开设了经济学辅修课程，我出于好奇就报名了。辅修经济学给我打开了一个全新的世界。经济学原理、中级微观经济学和中级宏观经济学这三门课程让我耳目一新。作为一名理科生，我从未想到经济学家能够如此娴熟地运用数学工具来描绘市场规律，并构建起一套完整的学科体系。新古典经济学的方程式简洁而优美，宛如牛顿力学一般令人惊叹、令人敬畏。然而，随着我修读更多经济学课程，我逐渐意识到理论与现实之间的鸿沟。新古典经济学的许多定律建立在强假设之上，而这些假设往往缺乏充分的经验支持。当时，李宏彬老师开设的应用微观经济学课程让我深受启发。这门课程让我看到，许多有趣的社会现象可以通过量化方法进行研究，但为什么要受限于那些不切实际的理论框架呢？那时，我对社会学还一无所知，更未意识到应用微观经济学与社会学、人口学之间存在着诸多交汇。

转眼到了大四，我开始准备申请出国读博。出于现实的考量，我最初将目光投向统计学专业，毕竟其就业前景广阔。然而，一次偶然的机会，我在浏览密歇根大学统计学系网站时，看到了谢宇老师的主页，立即被他的研究深深吸引了。记得当时我读到了他刚刚发表的一篇关于“下放”经历对教育获得影响的文章（Xie, Jiang, and Greenman 2008），文中使用了基于兄弟姐妹间比较的固定效应模型。随后，我又下载了他关于中国城镇收入不平等的两篇文章（Xie and Hannum 1996; Hauser and Xie 2005），这些研究运用多层线性模型分析了教育回报和政治资本回报如何受市场化程度的影响。这些文章让我大开眼界：原来量化研究可以如此有趣，统计学竟能如此精巧地应用于社会现象的分析！于是，我鼓起勇气给谢老师发了一封邮件，表达了我对量化社会学的浓厚兴趣，并询问他是否有招收博士生的计划。令我惊喜的是，谢老师很快回复了我，表示我的背景很有趣，并建议我联系清华大学的刘精明老师，以进一步了解量化社会学。

于是，我联系到了刘精明老师。刘老师为人谦和友善，他告诉我谢宇老师是美国社会学领域的顶尖学者，若能跟随他攻读博士，将是非常难得的机会。在了解我的背景和研究兴趣后，刘老师建议我尝试使用最新的中国综合社会调查数据（CGSS 2005）来检验Victor Nee的市场转型理论（Nee 1989）对教育回报和政治资本回报的影响。如果能够得出一些有意义的结果，可以将其写成一篇短文，作为申请博士项目的写作样本。当时，我从未分析过社会调查数据，也没有用英文写过论文，心里并没有十足的把握。然而，这一切让我感到异常兴奋，仿佛谢老师和刘老师为我打开了一扇窗，看到了一个新世界。于是，我迅速下载了CGSS 2005年的数据，自学了多层线性模型和SPSS软件，开始分析市场化程度对收入决定的影响。那段时间，我每天都沉浸在阅读文献、分析数据和写作中，感到无比充实。通过分析，我发现市场化程度与教育回报在省际层面上呈现显著的正相关，而与国有垄断部门的红利则呈现显著的负相关。这些结果似乎比以往的文献更有力地支持了市场转型理论。不到两个月，我完成了初稿，并提交给刘精明老师。刘老师阅读后表示很满意，但也指出了一些表述不够清晰的地方。根据他的建议，我对文章进行了修改，并将其作为写作样本加入了博士申请材料中。

由于谢宇老师同时在密歇根大学社会学系和统计系任职，他建议我同时申请这两个专业的博士项目，以增加录取机会。最终，在谢老师的推荐下，我成功被密歇根大学统计系录取，并获得了谢老师主持的量化方法项目的奖学金。同年，密歇根大学社会学系录取了程思薇。我们一同来到密歇根大学，成为谢老师教导下的同门，也成为了很好的朋友。如今，程思薇在纽约大学任教，我们依然保持着密切的联系。

来到密歇根大学后，在谢宇老师的建议下，我向研究生院申请将博士项目改为“社会学与统计学联合项目”。这是密歇根大学一项独特的政策，允许博士生将两个已有专业组合，自定义一个博士项目，前提是在两个专业都有指导老师，并且博士论文委员会中至少有两名成员来自每个专业。由于谢宇老师同时在社会学系和统计系任职，他可以同时担任我在这两个系的指导老师。因此，我的申请顺利通过，正式成为“社会学与统计学联合博士生”。

时光飞逝，转眼到了我博士毕业的2015年夏天。彼时，谢老师离开密歇根大学，前往普林斯顿大学就职。经过与谢老师的促膝长谈以及自己的深思熟虑，我决定毕业后选择在谢老师创建的普林斯顿大学当代中国研究中心开展我的博士后研究。这一年，毕业于哈佛大学师从著名学者Gary King 的博士生Brandon Stewart也来到普林斯顿大学担任助理教授。在普林斯顿社会学系的相遇，让我们得以有机会一起进行探讨交流。Brandon有关文本分析的研究尤其拓宽了我的视野，更加让我意想不到的是，自己未来的学术生涯会得益于Brandon以及他的老师Gary King的无私帮助。

当时Brandon得知哈佛大学政府系（即政治学系）正在招聘一位研究量化方法的助理教授，马上便将这一消息告知了我和谢老师，并热情鼓励我申请。不久后，在谢老师和Brandon的推荐下，Gary King教授联系了我，表示对我的研究很感兴趣，并邀请我申请这一职位。当时我感到不胜荣幸，但亦诚惶诚恐。毕竟Gary King是政治学界的泰斗，哈佛大学的University Professor，而我只是一个刚刚毕业且名不见经传的博士生。因为我的研究背景与政治学并无直接关联，我一开始对获得这份工作并不抱太大希望。出于谨慎，我还申请了多个其他职位，主要在社会学领域。其中，耶鲁大学社会学系当年正在招聘一位研究社会分层的学者，招聘负责人Andrew Papachristos在当年的美国社会学年会上与我短暂会面，并鼓励我申请。得益于这些知名学者的鼓励，我在申请职位和准备的过程中非常投入且自信。很快我同时获得了哈佛大学政府系和耶鲁大学社会学系的面试机会。对于这两场面试，我做了充分准备，并根据受众的不同，做了两场不同主题的学术报告。在哈佛的面试中，我展示了我与谢老师合作的一篇关于因果效应异质性的工作论文，反响颇佳；而在耶鲁的面试中，我则介绍了我的博士论文第二章，即关于中国社会流动的研究，也获得了积极评价。很幸运地，我成功获得了这两份工作邀请。最终，考虑到哈佛大学浓厚的量化研究氛围，我选择了哈佛大学政府系。

来了哈佛以后，我主要投身于方法论的研究，聚焦在因果推断领域。事实上，从2010年开始，我就与谢宇老师合作开展因果推断相关的研究，重点关注使用倾向分数方法研究因果效应的异质性。我在哈佛大学求职时的学术报告正是基于这一项目的核心成果，主要探讨如何通过倾向评分的视角来理解和改进James Heckman及其学生Edward Vytlacil提出的边际处理效应（Marginal Treatment Effect, MTE）及相关局部工具变量方法。James Heckman是诺贝尔经济学奖得主，学术成就斐然。他最著名的贡献之一是1979年提出的处理样本选择偏差的方法（Heckman 1979）。Heckman后期的研究同样出色，尤其是2000年后与Vytlacil共同提出的边际处理效应概念，极大地丰富了我们对因果效应异质性的理解。然而，由于这一概念较为抽象且涉及的数学较为复杂，学术界真正理解并欣赏其价值的人并不多。谢宇老师很早就意识到这一方法的重要性，因此在我刚进入博士阶段不久便邀请我加入这一项目。不过由于Heckman和Vytlacil的文章理解难度较大，项目进展一度缓慢。直到2015年，我们终于取得了突破。

具体而言，Heckman和Vytlacil提出的边际处理效应是一个基于多个个体协变量和一个未观测隐变量的多元函数。这一函数刻画了所有可观测和不可观测的因果效应异质性，并且他们证明，只要能估计出这一函数，就可以以其为基础估计所有常见的因果参数，如平均因果效应（ATE）和处理组平均因果效应（ATT）等。我们发现，可以将这一边际处理效应投射到由倾向分数和未观测隐变量构成的二维空间上，从而定义一个新的边际处理效应。这一新的边际处理效应与原始版本一样，可以作为估计常见因果参数的基石，但作为二元函数，它大大简化了分析过程，增强了对可观测异质性和不可观测异质性之间关系的理解，同时也更容易用于政策效应的估计。

2016年，我们完成了文章的初稿。最初，我们将文章投至《美国经济学评论》和《计量经济学》，可惜并没有被接受。随后，我们将文章发送给Heckman和Vytlacil。Heckman当时可能因事务繁忙并未作回复，但Vytlacil给予了积极反馈，表示对我们的工作非常欣赏。在Vytlacil的建议下，我们将文章转投至《政治经济学杂志》（Journal of Political Economy），这是美国经济学的五大顶级期刊之一，而Heckman当时正担任该期刊的主编之一。文章于2016年6月投出后，迟迟未有回音。直到2017年11月，我们终于收到了Heckman的来信。信中，他积极肯定我们的贡献，但也提出了很中肯的批评，并邀请我们根据审稿意见修改后重新提交。最终，这项始于2010年的研究于2019年发表在《政治经济学杂志》上（Zhou and Xie 2019b）。

2019年是我学术发表丰硕的一年。除了这篇关于因果效应异质性的文章外，我还发表了几篇重要的实证研究。其中一篇是之前提到的关于中国社会流动趋势的文章，发表在《美国社会学期刊》上（Zhou and Xie 2019a）；另一篇是我与Geoff  Wodtke合作的关于美国职业阶级间收入分层趋势的文章，发表在《社会力》上（Zhou and Wodtke 2019a）；还有一篇是我独立完成的关于高等教育与代际收入流动关系的文章，发表在《美国社会学评论》上（Zhou 2019b）。众所周知，《美国社会学评论》、《美国社会学期刊》和《社会力》是美国社会学界最具影响力的三大期刊。这几篇发表，尤其是最后一篇，很大地提升了我在美国社会学界的可见度。

这期间的学术成果我认为在某种程度上受益于我当时任职的哈佛大学政府系 。作为一名社会学者，我从政治学的同事们的研究上受益匪浅。很多政治学同事都是非常杰出的学者，和他们在一起工作和交流让我的视野得到了很大的开阔。社会学和政治学一样，都需要扎实的量化研究，二者同根同源但在实践层面却有不同的应用。通过对比这两个学科的量化研究，我得以重新审视不同方法的优势和局限，这对我后来的研究有极大的裨益。在政府系任职期间，我的研究兴趣一直聚焦于社会分层、因果推断以及两者的交叉领域，而非政治学的传统议题，但我的政府系同事们则始终给予我最大程度的帮助和启迪。基于我对社会学的浓烈兴趣，我萌生了回到社会学学术市场的想法，希望寻找一份更契合我研究兴趣的教职。

我把这个想法告诉了谢宇老师和几位关系密切的同事，其中包括Sasha Killewald。Sasha也是谢宇老师在密歇根大学的学生，比我早几年毕业，是我的师姐。她能力很强，四年半就完成了博士学位。在短暂任职于Mathematica 后，她决定重返学术界，拿到了哈佛大学社会学系的教职。在哈佛，她如鱼得水，仅用四年时间就获得了终身教职，晋升为正教授。她晋升的那一年，我刚来到哈佛任教。此后，我们一直保持联系，我还加入了她发起的社会人口学研讨会。当得知我决定重新寻求社会学教职时，她非常高兴，给了我很多宝贵的建议。

不过，令我完全没有料到的是，她把这一消息传达给了哈佛社会学系的同事，并鼎力推荐社会学系直接将我从政府学系挖过去。受Sasha的提议影响，社会学系的资深教授们纷纷认真阅读了我的工作，并表示认可。大概这时，Sasha突然发给我一封邮件，询问我是否有兴趣转到社会学系。我说当然有兴趣了，毕竟，如果能不必搬家、继续留在哈佛并重返社会学界，实在是再理想不过了。不过此时我以为Sasha只是在询问我的意向，未曾意识到社会学系已经在认真考虑我的转系事宜。

没过多久，当时社会学系的系主任Jason Beckfield与政治学系的系主任Jeffry Frieden沟通，提出了让我“转系”的建议。Jeffry Frieden非常开明，认为这一变动对我个人和哈佛社会学系都是幸事。他因此表示赞同。幸运的是，当时负责哈佛文理学院社会科学事务的院长Larry Bobo，也是一位定量研究的社会学者。我猜测他对我的研究比较认可，所以他很快就批准了社会学系的请求。最后，2019年8月底，我还没有来得及提交大部分工作申请时，就收到了文理学院的正式信函，通知我的职位已经从政治学系转到社会学系，并立刻生效。

就这样，我加入了哈佛大学社会学系。在随后的几年里，我全身心投入到社会分层与因果推断的研究中。在因果推断领域，我的研究重心逐渐从因果异质性转向了因果中介分析。因果中介分析旨在揭示机制，探讨一个干预变量如何通过一个或多个中介变量影响结果变量。然而，这一领域存在一个棘手的问题，即干预后混淆（post-treatment confounding）。这一问题指的是，中介变量和结果变量可能同时受到一个干预后出现的混淆变量的影响。在这种情况下，传统的回归或匹配方法无法有效控制混淆变量，因为过度控制会导致干预变量对结果变量的总体效应无法准确被估计。例如，在研究高等教育如何通过提升对公共事务的兴趣来影响政治参与时，社会经济地位可能成为一个干预后混淆变量。一方面，社会经济地位同时影响对公共事务的兴趣和政治参与，从而混淆了两者之间的因果关系，这意味着我们需要控制社会经济地位以准确估计公共事务兴趣对政治参与的影响。另一方面，社会经济地位在很大程度上受高等教育影响，因此作为干预后变量，它不应被控制。为了解决这一问题，我与Geoff Wodtke提出了一套基于回归残差的方法。其核心思想是将干预后混淆变量对干预变量和干预前混淆变量进行回归，提取残差。我们证明，通过控制干预后变量的残差而非变量本身，可以有效估计中介变量对结果变量的影响，同时避免过度控制的问题。我们合作撰写了多篇文章，详细阐述了这一方法在不同情境下的应用，并发表在《政治分析》《皇家统计学会期刊系列A》和《流行病学》等期刊上（Zhou and Wodtke 2019b, 2020; Wodtke, Alaca, Zhou 2020; Wodtke and Zhou 2020）。

在因果中介分析中，除了控制残差，另一种处理干预后变量的方法是将其视为中介变量，直接分析其中介效应。此时，加上原有的中介变量，我们就面临多个中介变量。我最近的研究聚焦于多个有序中介变量场景下的因果中介分析。在这一场景下，我们可以识别一系列路径效应，从而更全面地解析因果机制。在一篇发表于《政治学杂志》的文章中，我与Teppei Yamamoto提出了一种基于回归插补的路径效应估计方法。与其他方法相比，这种回归插补法只需拟合几个关于结果变量的模型，而无需对中介变量或干预变量建模，从而大大简化了分析（Zhou and Yamamoto 2023）。不过，在因果中介领域，我迄今为止最重要的贡献是2022年发表在《皇家统计学会期刊系列B》上的文章（Zhou 2022）。在这篇文章中，我系统阐述了如何基于有效影响函数对路径效应进行非参数估计，并提出了两个多重稳健且非参有效的估计量。与包括回归插补法在内的其他方法相比，这一方法的显著优势在于其最优的统计性质，并且能够与机器学习算法结合，形成去偏差机器学习（debiased machine learning）。去偏差机器学习这个概念是由计量经济学家Victor Chernozhukov及其合作者于2018年提出，其核心思想是利用有效影响函数构建非参有效的估计量，再通过机器学习实现，从而最大限度地减少模型设定偏差对结果的影响。我的这篇文章可以视为去偏差机器学习思想在路径效应估计中的应用与拓展。

与此同时，我将因果中介分析的最新进展与去偏差机器学习的思想相结合，应用于我所关注的社会不平等议题。具体而言，我聚焦于高等教育如何影响劳动力市场中的阶级不平等与种族不平等。换言之，高等教育的回报是否存在异质性？如果存在，是寒门学子还是富家子弟更受益于高等教育？若前者受益更多，高等教育应能缩小阶级差距；反之，则可能加剧不平等。然而，在美国的社会背景下，这一问题尤为复杂，因为进入大学并不等同于获得本科文凭。根据最新统计数据，美国仅有不到三分之二的四年制大学生能在六年内毕业并获得学士学位，且毕业率与社会经济地位及种族显著相关。这意味着，高等教育的参与可能产生分化效应，加剧种族与阶级间在教育获得上的不平等。然而，与此同时，寒门学子和处于弱势地位的少数族裔（如非裔和拉丁裔）可能从学士学位中获益更多。换句话说，学士学位在劳动力市场上的回报可能在这些弱势群体中更为显著。从这个角度来看，高等教育可能具有拉平效应，能够缓解不平等。

为了分离高等教育的分化效应与拉平效应，我引入了因果中介分析的框架，将上大学作为处理变量，获得学士学位作为中介变量，从而将总体效应（即上大学对收入的总影响）分解为四个子效应：（i）大学就读（未获得学士学位）对收入的直接效应，（ii）大学就读后完成学士学位的概率，（iii）完成学士学位对收入的净效应，以及（iv）学士学位完成与其净收入效应之间的协方差。通过这一分解，我们可以分析这些子效应在不同群体中的差异，从而阐明并量化高等教育的分化效应与拉平效应。此外，由于这一分解基于非参数模型，这些子效应可以通过去偏差机器学习进行估计，从而显著减少模型设定偏差与估计误差。

基于这一想法，我撰写了两篇论文。其中一篇由我独作，详细阐述了上述分析框架，并探讨了高等教育如何影响基于阶级出身的收入差距。另一篇与潘光辉（现为牛津大学博士生）合作，聚焦于高等教育在美国如何塑造种族收入差距。这两篇文章分别发表在《社会学方法与研究》和《美国社会学评论》上（Zhou 2024, Zhou and Pan 2023）。

随着这两篇文章的发表，我也迎来了终身教职的评审。在哈佛，终身教职评审对年轻学者一直是一个严峻的考验，其成功率显著低于其他学校。一个重要原因是哈佛不设立终身副教授，因此终身教职与晋升正教授直接挂钩。若学者在评审周期（通常为七年）内未能取得与正教授头衔相匹配的学术成就与影响力，便难以在哈佛获得终身教职。在美国社会学界，如果年轻学者以发表论文（而非专著）为主，顶级期刊的发表就尤为重要。幸运的是，在终身教职评审时，我已有多篇论文发表于顶级期刊，不仅包括《美国社会学评论》和《美国社会学期刊》上的实证研究，也包括发表在经济学与统计学顶级期刊上关于因果推断的方法论研究。考虑到方法论是我的重要研究方向，以及社会学在方法论研究领域相对弱势（与经济学和政治学相比），这些跨学科顶刊的发表显著提升了我在该领域的可见度与可信度。最终，在2023年夏天，我顺利通过了终身教职评审，迎来了学术生涯的新阶段。

在接下来的一年里，我全身心投入到数据分析中，其中一个重要目标是测算中国家庭收入不平等的程度。在社会科学文献中，衡量收入不平等的方法有多种，但基尼系数是最常用的指标。基尼系数的取值范围为0到1，0表示绝对平等（即所有家庭收入相同），1表示绝对不平等（即一个家庭垄断了所有收入）。在大多数发达国家，家庭收入的基尼系数介于0.2到0.4之间，而美国相对较高，约为0.45。一般认为，基尼系数超过0.4意味着较大的贫富差距，可能引发阶层对立和社会不稳定。在研究初期，我们对当时中国的基尼系数了解甚少。国家统计局最后一次公布家庭收入基尼系数是在2001年（当时为0.41）。在2010年之前，中国也缺乏高质量且具有全国代表性的家庭收入数据供研究者使用。幸运的是，2010年的CFPS基线调查为我们提供了难得的机会。与当时其他全国性社会调查（如中国综合社会调查）不同，CFPS详细记录了受访者家庭在过去一年中不同来源的收入，包括工资奖金、农业生产、企业经营、投资收入和政府转移支付。这使得我们能够相对准确地构建家庭总收入，并测算出2009年中国家庭收入的基尼系数约为0.53。这一数值不仅远高于国家统计局2001年公布的基尼系数（0.41），也超过了所有发达国家的水平，包括美国。

然而，仅凭一年的CFPS数据，我们不敢轻易下定论。值得一提的是，2012年底，西南财经大学的研究团队公布了他们基于2011年中国家庭金融调查（CHFS 2011）测算出的中国家庭收入基尼系数，高达0.61。这一结果不仅远高于当时的官方数据，也显著高于我们使用CFPS数据得出的结果。西南财大的报告在当时引发了广泛关注，其数据显示，中国的收入差距不仅远超美国，甚至接近世界上贫富差距最大的几个国家，如巴西和南非。此后不久，国家统计局于2013年初公布了自2003年以来每年的基尼系数，均在0.48左右，与西南财大的结果存在很大差异。一时间，中国的收入差距问题成为舆论焦点，孰是孰非，尚无定论。

幸运的是，在当时，除了北京大学主持的CFPS和西南财经大学主持的CHFS外，中国已有多个具有全国代表性且相互独立的社会调查数据，包括中国人民大学主持的中国综合社会调查（CGSS）、中山大学主持的中国劳动力动态调查（CLDS），以及国家统计局主持的2005年1%人口抽样调查（即小普查）。为了减少统计误差，更准确地估计中国的基尼系数，我们决定使用七个不同的样本分别进行测算，并采用统一的家庭收入定义，以提供一个相对可信的估计区间。这七个样本包括2005年全国小普查、2010年中国家庭追踪调查（CFPS 2010）、2012年中国家庭追踪调查（CFPS 2012）、2010年中国综合社会调查（CGSS 2010）、2012年中国综合社会调查（CGSS 2012）、2011年中国家庭金融调查（CHFS 2011），以及2012年中国劳动力动态调查（CLDS 2012）。

通过分析这些数据，我们发现，除2005年小普查的基尼系数较低（0.483）外，2010年及以后的六份调查数据都显示中国的基尼系数已超过0.5。值得注意的是，除西南财经大学的CHFS外，其他五份调查得出的基尼系数相当接近，集中在0.53至0.55之间。随后，我们与西南财大的甘犁老师进行了深入交流，探讨数据差异的可能原因。我们推测，CHFS的结果可能与其独特的抽样方式有关。尽管无法断言西南财大的报告高估了中国的基尼系数，但通过分析这七个不同且相对独立的全国样本，我们提供了在当时最为全面的中国家庭收入不平等分析结果。这些结果表明，无论是0.53还是0.61，中国的家庭收入不平等程度都已远超欧美发达国家的水平。

为了更好地诠释这一研究结果，我们进一步搜集了关于中国人均GDP和收入不平等的历史数据，以及世界其他国家最新的人均GDP和基尼系数数据。其中，中国人均GDP的历史数据来源于国家统计局，中国基尼系数的历史数据则来自联合国大学世界发展经济学研究所（UNU-WIDER），而其他国家的数据则取自美国中央情报局发布的《世界各国纪实年鉴》（CIA World Factbook）。通过将我们的分析结果与中国基尼系数的历史数据进行对比，我们清楚地看到自改革开放以来中国的贫富差距的大幅上升。事实上，在20世纪80年代初，中国的基尼系数还不到0.3，位列全球收入分配最为平等的国家之一。放眼全球，正如中国经济奇迹般的增长，这种收入不平等加剧的幅度和速度都非常罕见。

与此同时，通过将中国的历史趋势与世界其他国家的经济发展水平和基尼系数进行比较，我们也揭示了中国发展轨迹的独特性。在谢宇老师2012年与Arland Thornton、王广州、赖庆合作的一篇文章中，他们发现，大多数中国民众认为收入不平等的加剧是经济发展的必然结果，甚至是经济增长的必要代价 (Xie et al. 2012)。这一观点在经济学中也有理论支持，即著名的库兹涅兹曲线（Kuznets curve）。该曲线指出，经济发展与收入不平等之间的关系可能呈现倒U形：在城镇化和工业化的早期阶段，不平等会首先上升，随后在后期阶段逐渐下降。当我们利用来自CIA World Factbook的人均GDP和收入不平等的跨国数据进行分析时，确实观察到了这一预期的倒U形关系。

那么，中国近年来的发展轨迹是否遵循了库兹涅兹曲线所描述的倒U形关系的上升阶段呢？我们的研究发现，在相同的经济发展水平下，中国的基尼系数增长速度远快于从跨国数据估计的回归线所预测的速度。具体而言，当中国的人均GDP在2002年达到2866美元、基尼系数达到0.45 后，这一系数并未如理论预期那样趋于稳定或下降，而是继续攀升，并越过了回归线。这表明，在过去三十年中，中国的收入不平等与经济发展之间的关系呈现出一种独特的模式：收入不平等的增长速度远超国际比较所显示的预期水平。

接下来，我们着手检验谢宇老师提出的第二个命题，即中国的不平等在很大程度上由集体中介因素驱动。为了检验这一命题，我们利用2010年中国家庭追踪调查（CFPS）数据，并通过简单的回归分析，衡量了个人、家庭和结构因素对收入不平等的解释力。为了提供一个比较的视角，我们还对2010年美国人口调查三月补充样本（CPS March Supplement）进行了平行分析，以考察中美两国在收入不平等成因上的差异。

具体而言，我们对每个国家分析了家庭收入不平等程度与五个解释变量之间的关系：（1）地区，（2）城乡类型，（3）教育，（4）种族/民族，以及（5）家庭结构。为了评估这些因素对收入不平等的相对重要性，我们首先构建了一个简单线性回归模型，以家庭收入的对数为因变量，以上述五个解释变量之一为自变量。基于该模型，我们使用对数收入的方差来衡量收入不平等。当收入遵循对数正态分布时，这一测量与基尼系数呈严格单调关系（Allison 1978）。与基尼系数相比，对数方差的优势在于它可以轻松分解为组间和组内成分，其中组间成分可以通过回归模型的决定系数（R²）来表示。由于我们每次只纳入一个因素作为预测收入的自变量，因此将这些R² 称为二元R²。

通过分析这些二元R²，我们发现，与美国相比，中国的收入不平等更多地被地区差异和城乡差距所解释。具体而言，中国的省际差异解释了约12%的总体收入不平等，而美国的州际差异仅占总体不平等程度的不到2%。同样，中国的城乡差距对总体不平等的贡献超过10%，而在美国，这一因素的影响几乎可以忽略不计。与此相反，家庭结构在美国的作用更为显著，能够解释总体不平等的12%以上，而在中国，这一比例仅为2%。这一差异主要源于美国单亲家庭比例较高，而这些家庭的收入通常显著低于其他家庭类型。此外，教育在两国都扮演了重要角色：在中国和美国，家庭户主的教育程度均能解释约15%的收入不平等。

简单回归模型的一个局限性在于它一次只能考虑一个因素。我们知道，不同的收入决定因素之间往往存在相关性，因此它们会共享统计解释力。在中国，城镇地区的居民教育水平通常高于农村地区，而沿海发达地区的居民教育水平也普遍高于内陆欠发达地区。因此，不同解释变量的二元R²可能会相互重叠，导致结果混淆。为了验证上述发现的稳健性，我们进一步采用了多元线性回归方法。具体而言，我们首先将对数收入对五个解释变量（地区、城乡类型、教育、种族/族裔和家庭结构）同时进行回归。然后，我们依次从完整模型中排除一个自变量，并重新估计受限的回归模型，从而得到五个辅助模型。为了评估某一变量的独特贡献，我们计算了部分R²（partial R²），即在控制其他因素的情况下，某一变量对对数收入剩余方差的解释比例。

通过这项分析，我们发现大多数部分R²明显小于相应的二元R²，这表明不同收入决定因素之间确实存在相关性，且共享了一定的解释力。然而，中国和美国之间的主要差异依然显著：（1）与美国相比，中国的不平等主要由地区差异和城乡差距驱动；（2）与中国相比，美国的不平等更受家庭结构和家庭户主种族/族裔的影响；（3）家庭户主的教育水平在预测中美两国的家庭收入中均起到了重要作用。

由此可见，尽管在2010年前后，中国的收入不平等已达到非常高的水平，但这很大程度上可归因于两个结构性力量：显著的地区差异和巨大的城乡差距。例如，就基尼系数而言，中国的贫富差距已显著高于美国。然而，在控制地区和城乡这两个因素后，两国的残余不平等程度非常接近。这意味着，中美之间的不平等差异几乎完全源于中国地区间和城乡间的发展不均衡。

在完成这些分析后，谢宇老师与我在2013年完成了文章的初稿。经过多次修改，我们将其投递至《科学》杂志，希望借助这一平台提升文章的影响力。遗憾的是，投稿仅几天后，《科学》编辑部便以“受众过窄”为由婉拒了我们的文章。此后，我们转投《美国国家科学院院刊》（PNAS）。因为谢宇老师是美国科学院院士，每年可向该期刊贡献两篇文章，因此我们将这篇文章作为院士贡献文提交。与其他投稿一样，院士贡献文也需经过严格的同行评议，但作者可以推荐审稿人。我们当时推荐了David Grusky和Andrew Walder。David Grusky是美国社会分层领域的顶尖学者，其编纂的《社会分层》是美国众多社会学系博士生资格考试的必读书目；而Andrew Walder则是中国研究领域的权威，在新中国的政治、国家与社会关系以及社会分层流动等领域均有卓越建树。幸运的是，两位审稿人都很欣赏我们的文章，并提出了不少建设性意见。

其中，Andrew Walder在审稿中指出，我们文章的两个主要发现——近三十年中国收入不平等的大幅上升以及集体中介机制（尤其是地区和城乡差异）的重要作用——并非有必然的因果关系。换言之，尽管当前中国的不平等在很大程度上可以由地区和城乡差异解释，但自改革开放以来不平等的加剧未必完全由这些差异的扩大所导致。事实上，改革开放初期的数据就已显示中国的地区和城乡差异非常显著，尽管当时总体不平等程度较低。David Grusky也提出了类似的疑问，并建议我们在后续研究中深入分析趋势，探究导致中国收入不平等快速上升的具体因素。由于篇幅限制，我们未能在文章中纳入这一分析，但在结尾部分特别强调，中国的地区和城乡差异并非新现象，尽管它们解释了当前相当一部分收入差异，但这些差异未必是近年来贫富分化的主要原因。

在采纳了两位审稿人的其他意见后，我们对文章进行了小幅修改，并重新提交至《美国国家科学院院刊》编辑部。然而，编辑部并未立即接受这篇文章。一位编委会成员坚持认为，在考虑购买力平价（PPP）差异后，中国的城乡和地区间差异不应如此显著，因此基尼系数在调整后应大幅降低。为此，我们利用物价数据进行了两轮补充分析，最终说服了这位编委会成员这个命题并不成立。因为中国地区和城乡间的收入差异远大于物价差异，购买力平价调整并不会显著改变我们的结论。最终，我们的文章于2014年5月顺利发表，题为“Income Inequality in Today’s China” （Xie and Zhou 2014）。

发表后，这篇文章迅速在推特等社交媒体上引发了广泛关注，彭博新闻社、NBC新闻和《华尔街日报》等多家主流媒体也对其进行了报道。十年过去了，这篇文章在谷歌学术上的引用次数已超过一千次，成为我和谢宇老师迄今为止被引用次数最多的合作论文。因为这篇文章，近年来常有记者联系我，咨询关于中国不平等和社会流动的研究发现。

这篇文章的影响力远超我们最初的预期。回顾其原因，我想大概有这么几点。首先，过去半个世纪，在新自由主义思潮的影响下，贫富差距在世界很多国家都在扩大，在欧美发达国家尤其如此。无论在中国还是美国，不平等都已成为核心的社会议题，因此相关研究自然容易引发学术界和社会各界的广泛兴趣。其次，我们的文章在形式上短小精悍，内容通俗易懂，即使是非社会分层领域的学者，也能快速理解其中的核心观点。此外，我认为另一个关键因素是我们采用了比较的视角。在分析中国的不平等问题时，我们引入了美国作为参照。美国作为发达国家中不平等程度最高的国家，其相关研究在学术界已较为成熟且广为人知。通过中美对比，读者能够更直观地理解中国不平等的水平和结构，从而形成鲜明的认识。这种跨国的比较增强了我们论点的说服力，也为其他国家的不平等研究提供了新的视角和参考。

我很庆幸在自己学术生涯的初期就能参与如此具有影响力的研究，获得了宝贵的经验。在这个项目的影响下，我也开启了自己独立的实证研究。前面提到，Andrew Walder和David Grusky在审稿意见中提出了一个关键问题：为什么中国的不平等程度在20世纪90年代以后出现了如此显著的上升？这背后的具体机制是什么？是地区、户籍、单位等结构性因素的作用增强了，还是市场化进程中个人因素（如人力资本回报）的作用变得更加显著？事实上，在收到这些审稿意见时，我已经针对这一问题展开了一项独立研究，题为“Increasing Returns to Education, Changing Labor Force Structure, and the Rise of Earnings Inequality in Urban China, 1996-2010”。这篇文章于同年发表在《社会力》上（Zhou 2014）。

尽管这篇文章的影响力不及我与谢宇老师同年发表在《美国国家科学院院刊》上的文章，但它是我自己较为满意的研究成果之一。与之前的研究相比，这篇文章对不平等趋势进行了更为细致的分析。由于数据限制，我将研究范围聚焦于中国城镇地区，分析了1996年至2010年这十四年间个人收入不平等的上升趋势，数据来源于1996年当代中国生活史和社会变迁调查（LHSCCC 1996）以及2010年中国综合社会调查（CGSS 2010）。

在文章中，我探讨了多个可能影响中国城镇地区个人收入不平等趋势的机制。这些机制包括文献中常被提及的因素，如地区差异的扩大（Kanbur and Zhang 2005）、教育回报的上升（Jansen and Wu 2012）以及残余不平等的增加（Hauser and Xie 2005）。然而，更重要的是，我引入了现有文献中较少关注的三个结构性变化：高等教育的扩张、国有部门比例的下降，以及农村人口向城市迁徙的激增。

如何来分析这些不同因素对不平等的影响呢？我采用的依然是方差分解的框架。在上述因素中，地区差距的扩大和教育回报的上升可以被视为基于地区和教育的收入子群体之间的差距变化，而残差不平等的增加则反映了组内差异的扩大。如果劳动力构成保持不变，总体不平等的变化可以完全归因于这两类因素。然而，当群组比例随时间变化时，总体不平等的趋势也可能由组分效应驱动。高等教育的扩张、国有部门就业的下降以及农村人口向城市迁移的激增，正是引发组分效应的关键因素。

首先，自1999年大学扩招以来，城市工作人口的教育分布发生了显著变化。2003年，完成至少三年制大学教育的人口仅占城市人口（6岁及以上）的9.1%；而到2010年，这一比例翻了一倍多，达到21.5%。这种组分变化意味着什么？在大学扩招之前，中国城镇工作人口的教育分布高度集中在初中和高中水平，相对同质。然而，随着越来越多的年轻人获得本科和专科学位，代际更替导致了教育分布的分散化。在其他条件不变的情况下，这种分散化会推高总体的收入不平等。

其次，中国经济转型的一个核心特征是国有部门就业的减少。20世纪90年代中期，随着大规模国企改革的推进，大量劳动力从国有部门转移到私有部门。由于私有部门内部的收入不平等显著高于国有部门，这一组分变化进一步加剧了总体不平等。

第三，在这一时期，城镇地区来自农村的“流动人口”数量大幅上升。然而，由于户籍制度、雇主歧视等因素，这些工人在城镇劳动力市场中处于劣势地位，常常遭受不公待遇。因此，如果存在基于户籍的收入差异，那么农村人口向城市迁移的激增将使更多劳动力面临收入惩罚，从而加剧总体不平等。

为了分离这些不同的组间效应、组内效应和组分效应，我使用了方差函数回归对总体不平等进行分解。我发现，从1996年到2010年，中国城镇收入不平等的增长并不能用地区差异的扩大来解释。实际上，省际间的收入方差在这一时期并未显著增加。相反，近一半的收入不平等增长可以归因于教育回报的上升，这一发现从侧面印证了Andrew Walder的猜测。同时，另一半的收入不平等增长则归因于劳动力结构的变化，其中高等教育的扩张和国有部门就业的缩减是主要驱动因素。

值得一提的是，方差函数回归是一种能够同时分析因变量均值和方差的回归模型。这一方法在收入不平等趋势研究中的应用，最初由Bruce Western和Deirdre Bloome于2009年提出，并发表在《社会学方法》上。他们的文章对我很有启发，我在之后有一项使用项目反应理论（item response theory）分析民意数据的研究中，也借鉴了这一思路（Zhou 2019a）。Bruce Western当时是哈佛大学的教授，以其对美国社会不平等、种族和大规模监禁问题的研究而闻名。Deirdre Bloome则是他的学生。有趣的是，就在我的文章发表的2014年，Deirdre加入了密歇根大学社会学系任教。我因此认识了她，并共同开启了一项关于美国代际收入流动的研究。这项研究后来发表在《美国社会学评论》上（Bloome, Dyer, and Zhou 2018）。2015年，我从密歇根大学毕业后，于2016年加入哈佛大学任教。而几年后，Deirdre也被哈佛从密歇根大学挖角回来，于是我们再次成为同事。

《社会力》上的这篇文章是我第一篇独立完成的实证研究，也是我博士论文的第一章。在撰写这篇文章的过程中，我的视野和兴趣逐渐拓宽。随着时间的推移，我对机会不平等产生了浓厚的兴趣。与结果不平等（如收入和财富不平等）不同，机会不平等关注的是家庭出身对个人社会经济地位获得的影响，也就是我们常说的“阶层固化”。在社会学研究中，代际流动性常被用来衡量机会不平等的程度。例如，在一个社会中，如果子女的社会经济地位高度依赖于其父母的社会经济地位，我们就认为该社会的流动性较弱，机会不平等程度较高；反之，如果父母与子女的社会经济地位相关性较低，则说明社会流动性较强，机会不平等程度较低。

在传统文献中，结果不平等和机会不平等通常被视为两个独立的议题，交集并不多。然而，近年来的研究逐渐开始探讨两者之间的联系。有学者提出，当结果不平等加剧时，中上阶层家庭会利用更多的资源和机会将自身优势传递给下一代，从而导致机会不平等的上升，即社会流动性下降。经济学家Miles Corak通过对一些发达国家的跨国比较，发现收入不平等与代际收入流动性之间确实存在负相关关系，这一现象被称为 “盖茨比曲线”。然而，Raj Chetty及其团队的研究表明，自20世纪90年代以来，尽管美国的收入不平等显著加剧，但其代际流动性，尤其是收入流动性，却保持异常稳定。

那么，中国的情况如何呢？收入不平等的急剧上升是否伴随着阶层固化？为了回答这一问题，我利用1996年当代中国生活史和社会变迁调查（LHSCCC 1996）以及多年的中国综合社会调查数据，对中国职业代际流动的趋势进行了全面分析。在数据分析之前，我原本预期会得到一个简单明确的结论。然而，通过对不同维度流动性的细致分析，我发现了两组看似矛盾的趋势。一方面，随着中国从国家社会主义向市场经济的转型，社会的“垂直流动性”显著下降，即子女的社会经济地位与父母的社会经济地位之间的相关性显著增强。另一方面，伴随着中国快速的工业化进程，农业与非农业部门之间的“横向流动性”显著增加，部门之间的壁垒逐渐减弱。这两种相反的趋势充分表明，社会流动是一个多维度的概念，不同维度的流动性可能受到不同因素的影响，其变化趋势也可能不一致。

为了更好地诠释这些发现，我将中国的趋势置于全球背景下，与11个发达工业国家的历史数据进行了比较。我发现，尽管中国的垂直流动性近年来有所下降，但与多数发达工业国家相比，仍处于较高水平。根据1972-1981年出生队列的估计系数，中国的垂直流动性甚至高于挪威和瑞典这两个被誉为西方世界中最开放的国家。然而，从趋势上看，中国与这些发达国家相向而行：在这些国家，社会流动性要么保持稳定，要么随着时间的推移变得更加开放。这项研究后来成为我博士论文的第二章，并最终发表在《美国社会学期刊》上（Zhou and Xie 2019a）。

回顾这段学术旅程，我深感幸运与感激。从最初对量化社会学萌生的懵懂兴趣，到如今获得终身教职并开始培养自己的学生，这一路走来，离不开谢宇老师的悉心指导，也离不开众多同事、朋友和师长的支持与提携。这段经历让我不断成长，也促使我思考量化社会学的价值和意义。笼统而言，所有量化实证研究归根结底都在探讨变量之间的相关性与因果性。然而，与自然科学不同，社会现象纷繁复杂，任何变量之间都可能存在千丝万缕的联系。那么，什么样的联系才值得深入研究？换句话说，好的实证研究应当关注什么样的相关性与因果性呢？

这是一个颇具主观性的问题。但就我个人而言，我在研究中常常会考虑以下几个因素。首先，好的实证研究不应仅仅停留在实证层面，还应具备一定的思辨性。高质量的数据和可靠的方法固然能为研究增添“硬度”，但若缺乏理论与思辨的支撑，研究便会如同一张薄板，有硬度却无厚度。因此，在进行每一项实证研究时，我都会问自己：我的研究问题是否有现成的理论框架支撑？如果没有，我是否能够构建一个理论框架？例如，在分析中国的社会流动趋势时，我引入了市场转型理论与工业化理论来支撑我的假设（Zhou and Xie 2019）。而在探讨高等教育对收入不平等的影响时，由于缺乏现成的理论指导，我通过因果图提出并阐述了两个理论假设，即高等教育的拉平效应与分化效应（Zhou and Pan 2023）。这些理论假设不仅增强了研究的深度，也让后续的数据分析方向明确，言之有物，提升了文章的锐度。

其次，我认为好的实证研究应当尝试回答那些结论并不显然、没有预设答案的问题。例如，在研究不平等时，我们通常不会简单地问“中国是否存在性别间的薪资差异”，因为这一问题的答案是显然的。更有意义的问题是：男性和女性之间的薪资差异有多大？近年来这种差异是否在扩大？与其他国家相比，中国的性别薪资差异处于何种水平？这种研究取向更有学术价值，也更具实践意义。比如，如果一个问题有很强的预设结论，而我们的数据质量或样本规模不足以有力支持这一结论，那么这项研究是否还有发表的机会？反之，如果研究问题没有预设的答案，不同的理论可能给出不同的预测，那么无论分析结果如何，我们都能从中获得新的发现，实现知识的积累。例如，我在2019年发表于《美国社会学评论》的文章探讨了高等教育如何影响社会流动。从理论上看，高等教育既可能具有筛选效应，也可能具有拉平效应。但现实中哪种效应占据主导？两种可能性都存在。因此，在做这项研究时，我无需担心分析结果是否“显著”，因为无论结果如何，这项研究都是有意义的。

此外，在进行实证研究时，我十分关注时空异质性。利普塞特曾说过：“Those who know only one country, know no country”。 只有通过比较的视野，我们才能更好地理解自己所研究的对象。在分析中国社会流动趋势时，我主动将中国与一些后工业化国家的历史数据进行比较，试图更深入地理解中国社会流动的共性与独特性。我认为，利普塞特的这一观点同样适用于时间维度，即“Those who know only one era, know no era”。因此，我个人对有关社会变迁的研究充满兴趣。我关于中国收入不平等与社会流动的几篇文章都属于这一范畴（Xie and Zhou 2014; Zhou 2014; Zhou and Xie 2019;）。

最后，我认为好的社会学研究应当尝试融合微观与宏观。关于个体能动性（individual agency）与社会结构（social structure）的相对重要性及其互动机制的探讨，是社会学的永恒主题，也是社会学区别于其他社会科学的重要特征。在博士阶段，我和谢老师与程思薇合作了两篇文章采用了基于主体的建模（agent-based modeling）方法，分析微观层面个体的居住偏好与择偶偏好如何塑造宏观层面的种族隔离与婚姻匹配模式，算是在这一维度上的一些尝试 （Xie and Zhou 2012; Xie, Cheng, and Zhou 2015）。然而，总体而言，我的研究在这方面仍有不足，希望未来能够取得更多突破。

作者简介: 周翔，哈佛大学社会学教授，专注于经济不平等、教育、代际流动及其因果机制的研究, 其成果发表于《美国社会学评论》、《美国社会学杂志》、《社会力》、《政治经济学杂志》、《英国皇家统计学会会刊B辑》、《美国国家科学院院刊》等顶级期刊。合著（与Geoffrey T. Wodtke）《因果中介分析》一书，于2026年三月由剑桥大学出版社出版。

在经济不平等与教育领域，周翔的研究揭示了中国经济转型期间收入不平等的驱动因素。他通过分析教育回报率、劳动力结构变化（如高等教育扩张、国有部门就业减少、城乡迁移），发现这些结构性变化是中国城市收入不平等增长的重要原因。此外，他与谢宇教授利用独立调查数据，估算出中国家庭收入的基尼系数高达0.53，并指出城乡差距和区域经济发展差异是导致贫富差距的重要结构性因素。在代际流动方面，他的研究发现，尽管中国的社会流动性在国际标准中仍较高，但随着市场经济转型，代际间的社会地位关联显著增强，垂直流动性下降。

在方法论领域，周翔开发了多种新工具，用于从观察数据中识别和估计异质性处理效应。他倡导基于倾向得分的边际处理效应（MTE）分析方法，为政策干预的设计和评估提供了重要依据。此外，他还开发了“残差平衡法”（residual balancing）和“回归-残差法”（regression-with-residuals），用于解决因果推断中的后处理混杂问题，并在Stata和R中实现了相关工具包，日益应用于社会学研究。

周翔的当前研究聚焦于结合因果推断和机器学习方法，探索社会经济不平等的成因和趋势。他提出了一种新的方法论框架，强调非参数化定义估计量，并利用去偏差机器学习方法提高估计的稳健性。这一框架不仅适用于传统的因果参数估计，还可用于分析不平等问题，并为教育政策和劳动力市场干预提供科学依据。