鉴于数据的适用性和可获取性，本文的研究数据主要依托中国综合社会调查(CGSS)这一权威数据库。CGSS作为全国范围内最早启动的综合性、连续性学术调研项目，历经多轮调研，积累了丰富的数据资源，确保了数据的连贯性和稳定性。其调研样本覆盖广泛，抽样策略严谨科学，确保了数据的系统性和全面性。CGSS涵盖个体、家庭、社区、社会等多个维度的数据，特别是与女性生育行为紧密相关的生育年龄、子女数量、收入状况等数据，为本研究提供了有力的数据支撑。本文选取了2012年、2015年和2018年的三期截面数据，这些时间节点恰好处于“单独二孩”和“全面二孩”政策实施的关键节点，为探讨生育政策对工资收入性别差异的影响提供了丰富的实证依据。

根据研究目的，对样本进行了如下处理：1) 选择的是18周岁至60周岁的样本；2) 剔除从未工作的样本；3) 剔除了主要变量的缺失值样本。为降低极端值对实证结果的影响，在数据清洗时，本文对工资收入变量实施了1%水平的缩尾处理。经过筛选，最终获得12,112个有效样本，确保分析结果的稳健性。

在本文中，采用CGSS问卷中的全年职业/劳动收入，即个体的年度总收入，作为被解释变量。数据处理过程中，首先对极端样本进行了剔除，以确保数据的稳健性。接着，利用2010年的居民消费价格指数(CPI)对数据进行平减处理，旨在消除通货膨胀的影响，使各年份的实际收入水平具有可比性。最后，在实证分析中，对数据进行了对数化处理，以优化模型的拟合效果。

本文核心解释变量为子女数量(Children)，即一个育龄女性生育的子女总数。为获取该变量数据，本文依据CGSS历年调查问卷中家庭部分的“您有几个儿子”与“您有几个女儿”两个问题，将被调查者针对这两个问题的回答进行累加，从而计算出每个家庭的子女总数，以此作为研究中的关键解释变量。

人力资本，也称非物质资本，源于对个体的投资，是劳动者所具备的知识、技能与健康等资源的总和，能够为其带来未来收益。人力资本理论主张，教育及培训投入能显著增强个体通过教育累积的人力资本，进而提升个人的经济收益。基于人力资本相关理论以及借鉴前人研究，本文的控制变量涵盖个体与工作特性，旨在全面分析影响因素。

1) 个体特征。个体差异性是影响劳动力工资收入的关键部分，鉴于本文聚焦于农村劳动力，首先选定农村户籍的个体作为研究样本。同时，由于年龄、性别、身体素质、受教育程度高度影响劳动力就业情况，进而影响其工资收入水平，为了确保实证结果的准确性与可靠性，将上述相关变量作为模型的控制变量。此外，婚姻状况会影响农村劳动力尤其是农村女性劳动供给时间，对其工资收入有着较大的影响。同样的，党员身份以及所处地区也对农村劳动力就业和工资收入有着或多或少的影响和关联，将其选作控制变量也可避免遗漏这些变量之后对结果准确性的干扰。

性别(Gender)、民族(Clan)、党员身份(Party)、婚姻状况(Marriage)为虚拟变量，在实际数据处理中，采用分类赋值法。年龄(Age)，本文根据问卷中被访者所回答的出生年份与问卷所访年限的之差计算年龄。健康状况(Education)基于受访人的回答划分为5个选项赋值1~5，地区(Region)则根据不同区域赋值1~4，受教育程度(Education)这一变量根据受教育年限作为量化指标。变量说明如 表1 所示。

2) 工作特征。众所周知，在劳动者就业时，工作经验是用人单位考虑是否用人的关键条件，企业往往更偏向于工作经验较多但年龄小的劳动者。可见就业参与状态和工作经验是直接影响收入高低的重要变量，因此将其选为控制变量不可或缺。

在本文中，就业状况(Job)作为关键变量，其赋值依据受访者在问卷中关于工作经历与当前状态的相应回答。具体分为五类：“目前从事非农工作”、“目前务农，曾经有过非农工作”、“目前务农，没有过非农工作”、“目前没有工作，而且只务过农”和“目前没有工作，曾经有过非农工作”五个选项。鉴于本文聚焦于农村劳动力工资收入的性别差异，故将目前从事非农业工作或农业的受访者视为有就业者，并赋予其值1；而其余情况则赋值为0，以区分劳动力市场的参与状态。

工作经验(Experience)变量由于缺乏直接的数据测定，本文借鉴Mincer等(1974)的模型 [18] ，以“年龄-6-受教育年限”作为工作年限的替代 [18] 。同时，由于问卷未直接提供受教育年限，本文依据学制将受教育程度转换为相应的年限，以进行深入分析。

1) 变量的描述性统计

整理数据后，对解释变量、被解释变量及控制变量进行描述性统计，确保变量设定与数据分析的严谨性(见 表2 )。

变量相关性分析详见 表3 ，以验证其关联性。

由 表3 可知，子女数量与农村劳动力收入对数相关性为−0.126，性别、婚姻状况与农村劳动力收入对数相关性分别为0.317和−0.021，说明是否男性与月收入显著正相关，婚姻状况和子女数量与居民月收入显著负相关。由于工作经验与年龄高度相关，为避免实证结果不准确，在回归中保留工作经验变量，剔除年龄变量。

为确保模型选择的准确性以及避免变量多重共线性对实证分析结果造成干扰，本研究在回归分析前对变量进行了共线性检验，具体结果参见 表4 。

注：^***、^**、^*分别表示在1%、5%、10%的水平下显著，下表同。

根据 表4 中的VIF检验结果可知，所有变量的VIF值均小于10，且其倒数(1/VIF)均超过0.1，这表明各变量间不存在多重共线性问题。

2) 数据的描述性统计

通过 表5 和 图1 对2012年、2015年和2018年农村劳动力的性别工资收入均值及子女数量均值进行了详尽的描述性统计分析。观察 表4 可得出，从2012年至2018年，无论男性还是女性，全样本的工资收入均值均呈现出稳步上升的现象。这也间接反映了随着经济的蓬勃发展，农村劳动力市场的薪酬水平也在逐步提高。然而，在性别维度上，有一个值得注意的现象：男性的平均工资收入增速显著快于女性。这一趋势暗示了农村劳动力市场上工资收入的性别差异的逐步扩大，这也需要我们进一步深入探讨和研究。

根据 图1 的数据分析，不难发现从2012年到2018年，农村整体样本家庭的子女数量呈现出一个相对平缓的下降趋势。具体而言，2012年每户家庭平均拥有1.7个子女，到了2015年这一数字减少至1.63个，而到了2018年，进一步减少至1.62个。这种变化可能归因于经济水平的提升和教育机会的扩大，促使农村居民逐渐摒弃了“多子多福、重男轻女”的传统观念。然而，值得注意的是，2015年全国全面放开二孩政策后，尽管政策允许，但农村家庭的新增子女数量并未显著增加，反而有所减少，这可能与宽松的生育政策间接导致女性就业环境的恶化，使得女性生育意愿受到抑制有关。

为了探究子女数量对农村劳动力工资收入的性别差异影响，本文先依据工资和收入决定模型构建了以下基础模型：

${\text{lnwage}}_i={\alpha }_i+\beta {\text{Children}}_i+\gamma X_i+{\epsilon }_i$(1)

其中， ${\text{lnwage}}_i$代表工资收入的对数， ${\text{Children}}_i$代表子女数量， $X_i$为影响工资收入的控制变量， ${\epsilon }_i$表示误差项，β表示子女数量对工资收入的影响估计系数。随后，为增强实证结果的可靠性，并深入探究子女数量对农村劳动力工资收入的性别差异具体存在怎样的影响，本文进一步采用分位数回归方法进行更为全面的分析。该方法旨在系统剖析在工资收入分布的不同阶段，子女数量对性别工资水平的差异化影响。通过此种方式，我们能够更精确地把握子女数量对性别工资差异的具体作用机制。分位数回归模型可表示为：

$Q_{i\theta }\left(Y_i/X_i\right)=X_i{\beta }_{i\theta }+u_{i\theta }$(2)

在公式(2)中引入条件分位数概念， $Q_{i\theta }\left(Y_i/X_i\right)$代表了在 $X_i$已定的条件下与分位数Q相关联的数值。这一方法可根据研究设计和需求，灵活选择不同分位数进行回归估计。为确保研究的全面性和可靠性，本文参照现有文献的广泛实践，选用了三个代表性的分位数进行回归分析，即25% (0.25)分位数、中位数(0.5分位数)以及75% (0.75)分位数。

在 表6 中，详细报告了针对全样本组、女性样本组和男性样本组的基准工资回归模型的估计结果。首先，根据 表6 的数据显示，全样本组中子女数量的系数为−1.30，且在1%的显著性水平下显著，这表明子女数量与性别工资收入之间存在着显著的负向关系。具体而言，每增加一个子女，男性和女性的整体工资收入将减少13%。进一步分析，在男性样本组中，子女数量的系数为−0.038，但在统计上并不显著，这意味着子女数量的增加对农村男性工资收入的影响并不明显。然而，在女性样本组中，子女数量的系数为−0.244，且在1%的显著性水平下显著，表明子女数量的增加会显著降低农村女性的工资收入，降幅高达24.4%。

综上所述，子女数量的增加对农村劳动力个体的工资收入具有总体上的负面影响，但这一影响在男性和女性之间存在显著差异。特别是，对于农村女性而言，子女数量的增加对其工资收入的冲击尤为显著。这种差异化的影响显然会扩大农村劳动力工资收入的性别差异，进而验证了假设1。

从控制变量上来看，性别与工资收入之间存在显著的正向关联，这凸显了男性在农村劳动力市场中的优势地位，男性身份有助于个体取得更高水平的性别工资收入。此外，个体的受教育程度亦与性别工资收入呈显著正相关，即受教育程度的提升将促进性别工资收入的增加。而工作经验和就业状况与工资收入显著相关，但工作经验越多不利于提升工资收入，就农村劳动力就业具体情况而言，工作经验越多意味着年龄越大，进而影响收入的提升。

为了深入剖析子女数量对农村劳动力工资收入的影响差异，特别是针对不同收入水平的劳动力群体，本文进一步采用了分位数回归法，对整体样本进行了详尽的回归分析。

表7 详细展示了全样本情况下，子女数量对性别工资收入影响的分位数回归结果。可以看出，在全样本的0.25分位数，即低收入群体中，子女数量的增加与性别工资收入之间存在显著的负相关关系。这意味着，对于农村低收入群体而言，生育子女数量的上升将对其工资收入产生较大的负向影响。进一步对比男性与女性样本组，发现在各分位点上，子女数量对女性工资收入的影响均显著大于男性。特别在男性样本组中，子女数量主要对低收入群体产生显著影响；而在女性样本组中，子女数量的增加不仅对低收入群体和中低收入群体有显著影响，且在各分位点上的估计结果均呈现显著性。这一发现表明，中低收入农村女性在面临生育时，由于生育子女数量的增加，其收入受到的冲击更为严重，这导致她们在面临冲击时选择退出劳动力市场，转而将精力投入到家庭和子女的照料中的可能性更大。

综上所述，子女数量对农村女性工资收入的削减作用在各分位点上均显著高于男性，从而验证了假设2。这一发现对于理解农村劳动力市场中工资收入的性别差异和生育决策具有重要意义。

前文分析揭示了子女数量变化对农村劳动力工资收入的性别差异的加剧效应，但其是否具有区域异质性仍需深入探究。为此，本文依据样本的地域归属，将其细分为东部、中部、西部和东北地区，并分别进行了回归分析。 表8~11 详细展示了这四个区域中子女数量对性别工资收入影响的估计结果，旨在揭示潜在的区域差异。

综上所述，子女数量对性别工资收入的影响在不同地区呈现差异性。全样本分析显示，东部和中部地区子女数量显著减少工资收入；男性样本分析则表明，该影响在四个地区均不显著；而女性样本分析揭示，东部和中部地区女性工资收入因子女数量显著下降，但在西部和东北地区则无显著影响。这一结果支持了假设3，即经济发展程度较高的地区，子女数量对工资收入的性别差异的影响更为显著。

为探究子女数量对农村劳动力工资收入的性别差异影响的变动趋势，本文也分别采用了2012、2015、2018年的CGSS数据进行了回归分析。 表12~14 分别显示了各年份子女数量对工资收入性别差异的影响结果。

经过对 表12~14 的深入分析，发现子女数量在2012年和2018年对农村劳动力性别工资收入产生了显著的负面影响，但2015年的结果并未显示出显著影响。进一步观察，子女数量对农村男性工资收入的影响在2012年至2018年间均不显著；与之相反，其对农村女性工资收入的影响则较为显著，具体表现为2012年、2015年和2018年农村女性工资收入分别下降了22.6%、22.3%和29.2%。这种对两性工资收入的差异化影响，无疑加剧了农村劳动力市场上工资收入性别不平等的现状。

Table 13. OLS regression results on the effect of the number of children on the gender gap in rural labor wage income (2015)

表13. 子女数量对农村劳动力工资收入的性别差异影响OLS回归结果(2015年)

在对比了2012年至2018年这三年的数据后，可以观察到2015年的结果呈现出了独特的现象。在整体样本和男性样本中，虽然子女数量对工资收入的影响并不显著，但值得注意的是，男性工资收入受到的影响由2012年的负向转变为正向，这可能反映了某些社会或经济因素的微妙变化。而对于女性样本，尽管子女数量对工资收入的负向影响依然显著，但相较2012年，这一影响有所减弱。纵观不同年份的数据，可以看到子女数量对性别工资收入的影响呈现出一定的波动性。在2012年和2018年的整体样本分析中，子女数量均显著降低了农村劳动力的工资收入，特别是农村女性的工资收入下降幅度在22.3%至29.2%之间。然而，在2015年，尽管子女数量对性别工资收入的影响未达显著水平，但其对工资收入的潜在影响不可忽视。考虑到2014年多地开始实施“单独二孩”政策，以及2015年全国范围内推广的“全面二孩”政策，推测这些政策可能导致了研究样本中子女数量的增加。同时，政府为鼓励二胎政策而推出的补贴政策也可能在一定程度上影响了工资收入。

Table 14. OLS regression results on the effect of the number of children on the gender gap in rural labor wage income (2018)

表14. 子女数量对农村劳动力工资收入的性别差异影响OLS回归结果(2018年)