生育机会成本及异质性 ——基于机器学习算法的发现

生育机会成本对生育意愿和生育行为的重要性已被广泛认可,但量化研究仍处于探索阶段.把生育机会成本视为一种"反事实"的生育行为的收入代价,运用机器学习算法测量女性的生育机会成本并考察生育机会成本的异质性,通过回归模型识别生育机会成本对生育意愿和生育数量的边际效应.结果显示,生育男孩的机会成本低于女孩;收入水平越高、 受教育程度越高的女性,生育绝对机会成本和相对机会成本越低,这种异质性与能否获得生育保险密切相关;职业替换门槛低的女性群体,生育保险的覆盖率更低,生育机会成本更高.进一步的研究发现,生育绝对机会成本上升1单位,女性生育二孩和多孩意愿分别下降1.6％和1.5％,实际生育数量下降1.1％.研究发现对认识生育率发展趋势具有参考价值.