一、 引言

当前，中国大学生就业领域存在两大看似矛盾的社会问题：一方面，毕业生人数不断增加，就业难度逐年提高，以至于经常出现“最难就业季”“史上最难就业季”的说法；另一方面，就业单位抱怨现在的大学生频繁跳槽，往往刚刚培训完就离职了，甚至个别中小企业都已陷入不敢招收应届毕业生的无奈。根据麦可思研究院发布的《2018年中国大学生就业报告》显示，2017届大学毕业生中，仅有78.7%的人毕业半年后仍受雇全职或半职工作，同时毕业生任职初份工作的时间呈现越来越短的迹象^[1]。孙干和徐鸿宇^[2]通过分析发现，多年来江苏高职院校学生毕业半年内的离职率居高不下，均在43%以上，有的高职院校学生毕业半年内的离职率甚至高达63%。新就业大学毕业生高流动性给其本人、家庭、用人单位乃至全社会都造成了很大的负面影响。新就业大学毕业生频繁离职不仅不利于其责任心的培养和个人职业的稳定发展，还增加了用人单位人力资源重新配置的成本，甚至严重影响其家庭的获得感和幸福感，进而影响全社会的和谐稳定。

针对上述问题，学术界也展开了广泛的探讨。王智丽和侯志瑾^[3]通过实证研究发现，角色失调对大学生工作满意度和离职倾向有显著影响，而专业的职业规划，可以有效避免角色冲突的产生，从而减少离职。易训华^[4]分析了新就业大学毕业生离职的动因，强调企业要加强对新就业大学毕业生员工离职的预防管理。张益民^[5]研究表明，就业期望的违背与应届毕业生员工的离职呈正相关关系。梁青青^[6]以“80后”大学生为例，探讨了非物质激励对员工离职倾向的影响，研究证明，非物质激励各维度越高，离职倾向反而越低，其中“精神激励”对离职倾向产生的负影响作用最为明显。上述关于大学生离职对策建议的研究中，均不约而同地提出要加强对大学生职业生涯规划教育。而对于职业规划在就业中的作用，彭川宇^[7]从心理契约的角度，探讨新就业大学毕业生离职倾向问题，研究结果显示，新就业大学生感知到的发展型心理契约履约程度和工作满意度存在显著相关关系，新就业大学生的工作满意度又与离职倾向显著相关。杜文军等^[8]研究发现，大学生职业规划有利于推进学生实践能力提升，增强职业适应力和就业竞争力。丁燕华^[9]利用Logistic模型，探讨了职业规划认知度与学生职业发展幸福感的关系，研究发现，二者存在较为显著的非线性耦合函数关系。郝冬梅等^[10]主要探讨了组织职业生涯管理对员工离职意向的影响，研究结果发现，员工感知到的组织职业生涯管理的各维度对离职意向具有显著的负向影响，而情感承诺起到十分重要的中介作用。舒晓丽和叶茂林^[11]研究表明，职业生涯适应力通过感知到的组织内、外职业竞争力对离职意向产生间接作用，职业满意度起到重要的中介效应。

上述研究为文章奠定了良好的研究基础，但仍存在以下不足：一是尚未探讨大学生在校期间接受的职业规划教育对就业稳定性的影响效应；二是大部分研究偏规范性研究方法，实证研究相对偏少。而大学生职业规划教育是否能够帮助新就业大学毕业生合理规划职业发展，是否存在异质性效应？是否有助于人才在市场上的合理配置，且在多大程度影响到了新就业大学毕业生的就业稳定性？针对上述问题的探究与回答，不仅可以深入探究新就业大学毕业生职业稳定性的影响因素，而且可以深度剖析大学生职业规划教育的效应，为当前高校大学生职业规划教育的修正与完善提供科学的参考依据，为当前高校精准就业服务提供参考与建议。基于此，文章使用某工科类高校毕业生麦可思调查数据2016年和2017年两轮调查形成的数据，应用Probit模型和Logit面板数据模型尝试对上述问题进行研究。

二、 数据、变量与实证模型选择

（(一)） 数据来源

文章数据来源于已经得到政府、学术界、商业机构和社会公众多方共同认可的第三方数据机构麦可思公司，主要来源于其与某工科院校合作调研的原始数据。该调研分别于开展2016年和2017年，调研对象分别为该校2015届、2016届毕业生。调研全面了解了他们毕业一年后的状况，两年共收集4 091个样本，删除关键变量存在缺失值情况，共保留有效样本1 478个。

（(二)） 变量选择与描述

1.  因变量

根据文章的研究问题，因变量界定为新就业大学毕业生离职状况，主要通过问卷中针对“过去一年是否有过离职”的调查结果来获取。

2.  关键自变量

文章关键自变量为职业规划教育，主要通过问卷中针对“在校期间是否接受过职业规划教育”的调查结果来获取。

3.  控制变量

影响新就业大学毕业生离职的因素很多，根据已有研究成果、文章研究目的及麦可思调查数据中相关变量的可获取性，文章选取的控制变量主要有专业类型、性别、收入、专业相关性、工作单位类型、在校期间学习成绩以及在校期间参加社团情况这些相关特征变量。相关变量的具体含义及描述性统计结果如表 1所示。

表  1  变量定义及描述性统计结果

变量		含义或赋值	均值	标准差
因变量	离职状况	过去一年是否有过离职(有=1；否=0)	0.273	0.445
关键自变量	职业规划教育	在校期间是否接受过职业规划教育(是=1；否=0)	0.371	0.483
控制变量	专业类型	专业类型(文科=0；理工科=1)	0.837	0.370
	性别	性别(女=0；男=1)	0.639	0.480
	收入	毕业后的月收入/元	4430.589	1561.030
	专业相关性	工作与专业是否相关(相关=1，不相关=0)	0.781	0.413
	工作单位类型	工作单位类型(非政府/非营利组织=1；国有企业=2； 民营企业/个体=3；政府机构/科研/其他事业单位=4； 中外合资/外资/独资=5)	3.037	0.827
	在校期间学习成绩	成绩状况(优秀=1；良好=2；中等=3；及格=4；不及格=5)	2.606	0.733
	在校期间参加社团情况	是否参加过社团活动(是=1；否=0)	0.774	0.418

下载: 导出CSV 

| 显示表格

（(三)） 实证模型选择

根据文章研究目的和数据结构，笔者拟使用Probit模型进行相关实证分析。与此同时，Logit面板数据模型可以在一定程度上控制不随时间变化的遗漏变量问题，同时由于被解释变量为二元虚拟变量，因此，在分析在校职业规划教育对新就业大学毕业生离职行为影响时，采用Logit面板数据模型，实证模型设定为

式中：i为新就业大学毕业生；t为调查时点(2016年、2017年)；Leave_it为新就业大学毕业生i在时点t的离职情况；CP_it为新就业大学毕业生i在时点t参加职业规划教育情况；X_it为控制变量；α₀，α₁, α₂为待估参数；ε_it为随机误差项。

三、 估计结果分析与讨论

（(一)） 基本结果

通过表 2模型1回归结果来看，大学生职业规划教育对新就业大学毕业生职业稳定的影响方向为正，且回归系数显著。因为因变量“离职状况”为二元变量，由于Probit模型的估计系数不代表自变量对因变量的边际效应，为了进一步分析大学生职业规划教育对新就业大学毕业生离职行为的影响效应，需要对其进行转换。根据模型1可知，新就业大学毕业生在校期间接受过职业规划教育，其在毕业后一年内离职率显著降低5.32%，有效保障了新就业大学生的职业稳定性。

表  2  大学生职业规划对就业稳定性影响的模型估计结果

变量	离职状况
	Probit模型(模型1)	Logit面板模型(模型2)
职业规划教育	-0.053 2**	-0.053 0**
	(0.024 0)	(0.024 1)
专业类型	-0.080 7**	-0.079 4***
	(0.031 4)	(0.030 7)
性别	-0.030 0	-0.029 5
	(0.026 1)	(0.026 1)
收入	-1.58e-05**	-1.71e-05*
	(-7.44e-06)	(-1.01e-05)
专业相关性	-0.059 9**	-0.058 7**
	(0.027 0)	(0.026 7)
工作单位类型	0.016 4	0.015 4
	(0.014 2)	(0.014 0)
在校期间学习成绩	0.036 7**	0.036 8**
	(0.016 2)	(0.016 2)
在校期间参加社团情况	-0.002 21	-0.001 35
	(0.027 4)	(0.027 4)
样本量	1 478	1 478
Log likelihood	-849.009	-848.972
Prob > χ2	0	0.000 3
Pseudo R2	0.012
注：* * *，* *，*分别表示在1%，5%和10%的显著性水平，括号中数据为标准差。表中系数均为回归模型系数转换后的边际效应。

下载: 导出CSV 

| 显示表格

为了验证大学生职业规划教育对新就业大学生就业稳定性影响结果的稳健性，文章采取把2016年、2017年调查数据形成混合面板数据，采用面板模型再次进行回归，表 2模型2中的回归结果显示，职业规划教育显著降低了新就业大学毕业生的离职率，且系数与Probit模型几乎完全一致。由此可见，这充分说明大学生在校期间接受了职业规划教育对新就业大学毕业职业稳定性的影响显著为正的结果是稳健的。

（(二)） 异质性分析

针对不同特征的样本进行异质性分析，将有助于识别不同群体的差异性，也有助于大学生未来职业规划教育目标的精准选择。文章按照新就业大学毕业生专业类型、性别以及在校期间学习成绩分别进行分组，进一步探讨基于不同专业、不同性别和不同学习成绩的大学生群体，职业规划教育对新就业大学毕业生就业稳定性所产生的不同影响。

表 3中，离职状况(1)为基于新就业大学毕业生专业类型分组的回归结果。实证结果显示，大学生职业规划教育提高了文科类新就业大学毕业生离职率，但统计上不显著；而大学生职业规划教育显著降低了理工类新就业大学毕业生离职率，发挥了职业稳定性功能。之所以出现上述结果，笔者认为，相对于文科学生，可能是由于理工科学生所学知识和技能构成的人力资本专属性较高，就业后离职机会较少，且离职成本较高。

表  3  大学生职业规划对就业稳定性影响的异质性分析

变量	离职状况(1)			离职状况(2)			离职状况(3)
	文科	理工科		女生	男生		成绩优良	成绩一般
职业规划	0.007 (0.062)	-0.067** (0.026)		-0.027 (0.041)	-0.070** (0.029)		-0.035 (0.035)	-0.073** (0.033)
控制变量	Yes	Yes		Yes	Yes		Yes	Yes
样本量	241	1 237		533	945		666	812
Log likelihood	-154.488	-690.967		-318.401	-520.730		-368.447	-478.813
Prob >χ2	0.649 3	0.000 5		0.012 4	0.000 0		0.137 1	0.001 7
Pseudo R2	0.016 2	0.018 5		0.027 3	0.029 5		0.014 8	0.023 4
注：* * *，* *，*分别表示在1%，5%和10%的显著性水平，括号中数据为标准误。为了控制篇幅，故未列出控制变量回归结果，表中系数均为Probit模型边际效应。

下载: 导出CSV 

| 显示表格

表 3中，离职状况(2)为基于新就业大学毕业生性别分组的回归结果。回归结果显示，大学生职业规划教育均有效降低新就业大学毕业生的离职率，但对女性新就业大学毕业生影响统计上并不显著，而对男性新就业大学毕业生影响较为显著。大学生职业规划教育对新就业大学毕业生就业稳定性影响存在性别差异。可能的原因是女性大学生多倾向于选择相对比较稳定，如公务员、事业单位、国有企业等就业岗位。

表 3中，离职状况(3)为基于在校学习成绩分组的回归结果。根据调查数据结果，将在校学习成绩选项为1和2的划为“成绩优良”，其他选项划为“成绩一般”。研究结果表明，相对于在校成绩优良的新就业大学毕业生，大学生职业规划教育对在校成绩一般的新就业大学毕业生离职率影响更为显著。究其原因，主要是在校成绩优良的学生，未来职业发展目标一般较为明确，职业规划教育对其的影响效应相对较低，而在校成绩一般的学生，可能学习态度以及对未来规划的意识不强，在校职业规划教育对其影响效应也更为显著。

四、 结论与政策建议

文章基于2016年和2017年麦可思针对某工科院校毕业生的调查数据，采用Probit模型和Logit面板数据模型，探讨大学生职业规划教育对新就业大学毕业生就业稳定性的影响机理并进行实证分析。研究主要发现如下：第一，大学职业规划教育会显著增强新就业大学毕业生就业稳定性，相对于大学期间未接受过职业规划教育的新就业大学毕业生，大学期间接受过职业规划教育的新就业大学毕业生，其毕业一年内离职率显著降低5.3%左右。第二，大学职业规划教育对新就业大学毕业生职业稳定性的影响效应存在异质性。相对于文科学生，大学职业规划教育对理工科新就业大学毕业生职业稳定性的影响效应更大。与此同时，职业规划对男生职业稳定性效应显著大于女生。此外，相对于在校期间学习成绩优良的新就业大学毕业生，职业规划对在校期间学习成绩一般的新就业大学毕业生的职业稳定性效应更为显著。

文章研究结论的政策启示如下：第一，大学生职业规划教育能有效增进新就业大学毕业生的职业稳定性，为解释和分析新就业大学毕业生频繁离职找寻到了新的渠道。第二，新就业大学毕业生频繁离职不仅不利于自身人力资本积累，也会影响学校的声誉和未来可持续发展，因此，各高校应加强大学生职业规划教育，力争实现全员覆盖、早覆盖，通过职业生涯规划，帮助学生正确认识自我，进行科学合理的职业定位，进而提高新就业大学毕业生的职业稳定性。第三，由于大学生职业规划对新就业大学毕业生职业稳定性的影响存在异质性效应，因此，各高校不仅要将职业规划教育纳入普适性课程，而且要因材施教，重点关注理工科、在校男生以及学习成绩一般的大学生，努力实现职业规划的精准化教育，为大学生未来职业稳步发展奠定良好基础。