名校到底值多少钱：大学排名与职业发展的真实关系

如果你正在选择本科院校、准备保研或考研、打算出国留学，或者比较国内外研究生培养项目，这篇文章都与你有关。对正在权衡家庭预算和孩子职业道路的家长来说，问题同样直接：名校究竟值不值得为它多付钱、多承担风险？

首先，来看一组数字。一项使用 2010 年中国应届毕业生数据的研究发现，精英大学毕业生未经调整的工资优势约为 26.4%；控制高考成绩、专业、家庭背景等因素后，优势降至约 10.7% [1]。这组数据虽然较早，不能代表今天的工资水平，但能清楚说明“毕业生平均差距”与“学校自身带来的收益”并不是一回事。

这组落差揭示了全文的核心：

名校毕业生通常赚得更多，但平均工资差距不等于学校创造的全部价值。

学校背景确实可能给用人单位留下更好的初步印象，也可能带来更广的人际网络和更多机会。但一个人的成绩、家庭资源、所在地区、专业选择和职业目标，也会影响最终进入哪所学校、后来从事什么工作。因此，真正需要探讨的并非“名校是否有用”，而是：在具体国家、教育阶段、专业和家庭条件下，学校究竟能增加哪些机会？学生能不能真正拿到这些机会？这些机会又值不值得家庭为此多付成本？

本文把“名校”作为泛指。具体研究中的录取门槛较高的大学（研究中常称“高选择性大学”）、精英大学和澳大利亚八校联盟（Go8），并非完全相同的概念。下文的跨国收入证据也主要来自本科教育，不能直接用来给某个硕士、博士培养项目或留学选择标价。涉及研究生和留学的部分，提供了一套判断方法，最终仍需落实到具体专业、培养项目、导师和当地政策。

一、跨国证据：名校毕业生的收入优势存在，但并非由学校单独创造 #

读懂这些研究，首先要区分两类数字：

• 表面上的平均收入差距：回答“名校毕业生平均多赚多少”，其中混合了学生原有差异和学校影响。
• 尽量排除背景差异后的收益估计：尝试回答“如果背景相近的学生进入不同学校，学校本身会带来多大差异”。研究者通常借助匹配、工具变量或录取线附近的准实验设计，尽量剥离学生原有差异，结论也更依赖具体样本。

两者不能混为一谈。成绩、家庭资源、地区机会、升学信息和试错空间，都会影响谁更容易进入录取门槛较高的大学。对家庭资源有限的学生来说，他们往往需要拿出远高于平均水平的成绩或综合表现，才有机会弥补起点上的差距。

判断名校收益，需先回答三个问题：谁更容易考进去？学校在入学后真正提供了什么？用人单位又有多看重学校背景？研究中通常把它们称为选择效应、平台效应和市场效应。因此，名校更像是一张进入资源和机会集中环境的门票，而不是一张保证涨薪的通行证。

先看跨国研究的简单结论 #

括号中标明的是研究实际使用的数据时期，而不是论文发表年份。

• 中国（2010 年应届毕业生；另有 2010—2015 年数据）：精英大学毕业生未经调整的工资优势约为 26.4%，控制背景后降至约 10.7%；对录取线附近学生的研究仍发现，进入精英大学有助于提高首份工作的工资 [1,2]。
• 美国（1976 年入学的学生，收入跟踪至 1995 年）：对大多数学生而言，进入录取门槛更高的大学未必带来明显的平均收入优势；低收入家庭的学生可能受益更多 [3]。
• 英国（2002 年参加普通中等教育证书考试〔GCSE〕的学生，收入跟踪至 2016/17 财年；另含 2003/04—2013/14 毕业生）：大学和专业都很重要，任何单独讨论都不完整 [4,5]。
• 法国（1998 年离校、2001 年调查）：普通大学之间的差异有限，学历、专业和学生构成往往更重要 [6]。
• 意大利（1995—2000 年申请者，收入数据来自 2005 年）：一项针对精英商科大学的准实验研究估计，排除学生原有差异后，入学带来的收入回报约为 52%；这是资源高度集中的特定学校，不能照搬到所有学校 [7]。
• 加拿大（1998—2009 年多年跟踪数据，观察毕业后 4—6 年）：录取门槛较高的大学仍带来一定早期收益，但学校之间的差距相对较小 [8]。
• 澳大利亚（2013—2015 年毕业调查；另有 2001—2012 年多年跟踪数据）：Go8 毕业生未经调整的起薪优势约为 4.3%—5.5%，其中一部分可由入学前成绩解释；控制相关因素后，学校类型的独立作用有限 [9,10]。

这些结果大致可以分为三类。在学校和教育轨道差异明显的体系或少数资源高度集中的学校中，学校可能带来较大收益；在学校差异较小的体系中，专业和行业可能更重要；即使名校毕业生收入高出很多，其中也常常混合了选择效应。由于这些数据来自不同国家、时期和工作阶段，估计方法也不相同，不能将它们横向排成一张“名校收益榜”，更不能直接用于预测当今某位学生可能获得的具体回报。

收入也只是职业发展中最容易量化的一部分。就业稳定性、工作时长、职业满意度、继续深造机会、负债和生活质量，同样会影响一项教育选择是否值得；本文引用的收入研究不能完整回答这些问题。

最核心的一句话是：

“名校溢价”不是一个统一数字，而是特定学生在特定制度、专业和就业市场中的结果。

大学排名：能告诉我们什么，又遗漏了什么 #

很多人把 QS 当成“教育质量排行榜”，但它实则是一项综合指标，同时包含学术声誉、科研产出、雇主评价和就业结果等维度 [11]。下文以 QS 为例。不同排行榜的指标和权重并不相同，但均存在一个共同局限：它们衡量的是学校的整体表现，学生却要用它来做个人选择。排名更像市场对学校形成的综合评价，而非衡量教学质量的精确标尺。

因此，当我们探讨“QS 越高是否越容易找到好工作”时，其实是在用一个已经包含用人单位评价和就业信息的指标解释就业表现。这种相关性具有参考价值，但并不能推导出“第 40 名的教育质量是第 80 名的两倍”，亦无法直接将其换算为对特定学生就业及收入的具体影响。

排名可以帮助学生和家长判断学校的大致层级，但却会忽略三个更贴近个人选择的因素：专业、行业和城市。 英国研究发现，同一所学校内部，不同专业的收入差异也很大 [4,5]；澳大利亚数据则显示，专业和行业的影响可能强于学校类型 [9,10]。

而且，同一个综合排名在不同教育阶段的含义并不相同：

• 选择本科时，学校整体资源更值得关注，但还要看专业基础、转专业空间、有多少本科生能获得实习机会，以及本科生能否参与科研或实践项目。
• 选择授课型硕士时，学制、课程内容、行业认证、实习安排和毕业去向，往往比学校的综合名次更直接。
• 选择研究型硕士或博士时，导师、研究方向、实验室氛围、经费和往届学生的毕业去向，可能比大学总排名重要得多。
• 涉及跨地区或出国留学时，还要考虑语言环境、签证与工作条件、当地行业需求、汇率和回国认可度。留学不是一种单独的教育层次，而是在本科或研究生教育之上，再叠加地区和制度差异。

一个更接近现实的表达是：

职业发展结果 ≈ 学校 × 专业 × 行业 × 城市 × 能力 × 实习 × 网络 × 运气

这不是数学公式，而是一张决策清单。学校只是其中的一个要素：专业与个人不匹配，名校优势也会被削弱；目标行业集中在特定城市时，地理位置的重要性可能超越细微的排名差距。

因此，排名适合用来做第一轮筛选，不应取代最终决策。当两个录取选择处于相近层级时，应优先比较专业实力、培养方式、行业联系和是否适合自己，再比较综合排名。

衡量经济回报：不同教育选择的比较方法 #

下面暂时不讨论兴趣、身份认同、人生体验、移民偏好和学术理想，仅从家庭支出与职业收入的角度进行经济核算。目的不是预测未来工资，也不是给大学标价，而是旨在明确这项教育投入值得考虑的关键条件：家庭要多付多少钱？毕业后每年又至少要多赚多少钱，才能在预期时间内收回投入？

计算必须比较两个真实选项，而不是把某个培养项目与“什么都不做”相比。学费、资助和同类毕业生去向应注明其年份与来源；生活费、税后收入和家庭预算则要代入个人实际情况。最简单的初步判断只有两步：

额外成本 = 选择 A 的实际总成本 − 另一个选择 B 的实际总成本

每年至少需要多赚的钱 = 额外成本 ÷ 希望回本的年数

如果涉及贷款、汇率，或者预计十年以上才能回本，还要考虑利息、收入变化，以及同一笔钱在今天和多年后的价值差异。这里所说的“授课型硕士”，泛指以课程和职业训练为主的项目；“研究型硕士”，则泛指以导师指导、论文和继续研究为主的项目。它们与中国的专业学位、学术学位并不完全一一对应。

一个计算示范：先找回本门槛，再看统计是否支持 #

假设选择资源更强的学校，比去另一所学校四年多花 12 万元。家庭希望毕业后十年内收回这笔钱，那么学生每年的税后收入平均至少要比另一条路高 1.2 万元。至此，经济核算的第一步已完成。接下来并非断言名校一定能多赚 1.2 万元，而是核查这一要求是否具有现实性。

以开头的中国研究为例，控制学生背景后，精英大学毕业生的工资优势大幅缩小；研究观察的又是毕业初期，亦无法证明相同的工资优势能持续十年之久 [1]。因此，统计结果只能帮助我们判断回本要求是否合理，无法取代个人对未来工资的预测。

不同阶段可以采用同样的方法，但数据来源不同：

• 本科。 美国教育统计中心的 2020—2021 学年数据显示，四年制公立大学与私立非营利大学受助学生的平均净就读成本分别约为 1.47 万和 2.84 万美元 [15]。这里的“净就读成本”已经扣除奖助，并计入学费和生活等费用。但公立、私立并不等于低排名、高排名，真正计算时仍要使用个人录取材料中的数字。
• 授课型硕士。 按深圳大学公布的 2025 年招生标准，全日制专业学位硕士学费为每年 1 万至 1.95 万元，非全日制培养项目三年总学费为 5.4 万至 29.8 万元 [16]。这说明培养方式和专业本身就会造成很大成本差异。美国教育部的高校信息查询平台（College Scorecard）可以按学校、学位层次和专业查询收入及联邦学生贷款数据，但贷款数据不包含全部费用和利息 [17]。
• 研究型硕士。 中国 2025 年学生资助政策规定，符合条件的全日制硕士国家助学金为每生每年 6000 元，其他奖学金和助研补贴由学校规定 [18]。美国 2023 年科学、工程和健康领域研究生调查则显示，硕士与博士的资助方式不同，各学科之间也有明显差异 [19]。无论国内还是国外，都只能扣除录取或资助文件中已经确认的学费减免、津贴和资助年限。
• 博士。 中国 2025 年政策规定，符合条件的中央高校全日制博士国家助学金为每年 1.5 万元，地方高校不低于 1.3 万元 [18]。美国对 2023 年研究型博士获得者的调查显示，85.6%在读博期间获得过学费减免；另一项口径不同的统计显示，14.7%主要依靠个人或家庭资源 [20]。两项比例不能相减，而且样本只包括已经获得博士学位的人，不能代表所有入学者。这些数据只能说明资助较为普遍，不能说明人人都能获得全额资助。

排名不会直接出现在公式里。它影响的是学生获得更高收入、进入目标岗位的可能性。排名有时有效，是因为它确实对应更高的社会认可度和更多机会；排名有时失灵，则是因为科研声誉未必对应具体的培养和就业质量，或者学生根本拿不到学校拥有的那些资源。

至此，经济核算应暂告一段落。它能回答家庭是否负担得起、需要什么条件才能回本，但无法全面衡量导师的信任、同学和校友网络、研究机会以及未来的选择空间。接下来还要判断，学校提供的资源能否真正变成学生自己的资本。

将学校资源转化为个人收获 #

如果大学收益不能完全由课堂知识解释，那么名校的额外价值更可能来源于三种资本和一种选择权。以下框架旨在解释学校为什么可能产生价值，并不意味着前面的每项跨国研究都直接测量了这四种资源。名校并不垄断这些资源，其优势在于将资源集中于同一所学校，并由学校声誉预先提供一层社会认可。

• 信号资本：学校招牌带来的初步信任。 职业早期，用人单位很难判断一个年轻人的真实能力，学校背景因而成为方便快捷的筛选依据。
• 网络资本：同学、导师和校友关系。 对来自普通家庭的学生，这张关系网可能成为进入某些行业的重要入口。
• 机会资本：实习、校招和科研入口。 学校集中提供多少实习、校招、科研项目和企业合作机会，会直接影响学生寻找信息和入口的难度。
• 选择权：未来还能换方向的余地。 读博、就业、转行业、出国或创业都需要入口。未来仍能改变方向，本身就是一种资产。

但学校资源多，并不意味着每个学生都能获得丰富的资源。名校往往是资源多，优秀学生也多。进入名校只是获得了竞争这些资源的资格，也并不意味着名师指导、研究岗位、交换机会和优质实习会自动落到每个人身上。

学校资源最终能不能变成个人收获，取决于四个关键因素：资源多不多，自己拿不拿得到，是否适合自己，以及有没有能力把机会变成成果。若其中任一环节薄弱，学校宣传册上所列的资源优势都可能无法兑现。资源越稀缺，入学后的竞争往往越激烈。学校光环可以带来最初的信任，却不会自动变成作品、推荐信、实践经验和职业网络。

导师指导、实习、校友帮助和研究机会很难直接标价，也无须为其编造精确的概率值。可将其大致分为三类：多数同类学生都能获得，而且有完整数据支持，属于较高概率；需要竞争，但与自己背景相近的学生经常能够获得，属于中等概率；只有少数成功故事，却看不到总人数和覆盖比例，只能算较低概率。如果一项教育选择必须同时押中多个低概率机会才值得，其本身已具有较高风险。

人才高度集中的环境也存在其另一面。优秀同伴可以开阔眼界、提高标准和合作质量，也可能改变学生评价自己的参照系。一位原本在班级中表现靠前的学生，进入高手密集的环境后，即使真实能力没有下降、学到的东西反而更多，也可能因为相对位置下降而觉得“自己不够好”。这就是“大鱼小池效应”：人们对自身能力的判断，不仅源于实际表现，也会受到周围比较对象的影响。

Marsh 和 Hau 使用 PISA 2000 数据，分析了 26 个国家共 103,558 名 15 岁学生。他们发现，控制个人成绩后，学校平均成绩越高，学生对自己学习能力的评价往往越低，并且这一关系在所研究的 26 个国家中均普遍存在 [14]。研究中把这种自我评价称为“学业自我概念”。它不是实际能力，也不等同于心理健康。

这种变化之所以值得注意，是因为学生能否把学校资源变成个人收获，不仅取决于资源本身是否存在，还取决于其是否愿意举手发言、申请科研或实践机会、主动向导师请教和承受失败。长期把自己理解成“这里最差的人”，可能使一些学生在机会面前变得保守；经常与更强的同学比较，也可能帮助另一些学生提高标准、找到合作伙伴。前述两种结果的出现与否，取决于学生怎样适应，以及学校能否提供足够的导师、课程和心理支持，不能只从学校排名推断。

这项研究针对中学生和学业自我概念，无法直接证明名校大学生会获得更差的成绩、资源或职业结果，更不能据此推导出“宁可去排名较低的学校当第一名”的结论。它真正提出的是一个关于择校的深层问题：除了问“我能不能考进去”，还要问“进去以后，我会不会因为身边高手太多而不敢尝试？学校有没有足够的导师、课程和心理支持？我能不能继续主动争取机会，并做出拿得出手的成果？”理想的学校既应提供足够的挑战，也应确保学生有机会参与、成长并被看见。

学校背景的影响还会随时间改变。毕业初期，用人单位可能先问“你在哪里读书”；工作几年后，更重要的是“你做过什么项目”；再往后，问题会变成“别人为什么愿意相信你的判断”。随着工作表现逐渐被看见，用人单位将越来越少单纯依据学校背景来判断一个人，研究中把这种变化称为“雇主学习效应”（Employer Learning）[12,13]。但学校背景不会完全失去影响，因为第一份工作、最初进入的城市和行业关系，可能早已改变了一个人的职业道路。

AI 降低了获取知识和信息的成本，却没有让导师的信任、优秀团队和关键机会变得同样充足。大学的价值可能因此更多地转向组织机会、建立信任和提供社会认可。

学生与家长：如何有效比较学校与培养项目 #

名校通常拥有更强的社会认可度、更多且更集中的机会和更广的校友网络，却也可能竞争更激烈、成本更高。排名和社会认可较低的学校，机会没有那么集中，学生需要付出更多努力向外界证明自身能力；但在优势专业或与本地产业联系紧密的学校，学生也可能更容易获得导师关注和主导项目。因此，名校常常提高机会的上限，其他学校有时则提供更大的个人施展空间。前者的风险在于“看得见资源，却难以获得”，后者的风险是“有行动空间，却缺少通向更大市场的入口”。

所谓“明显的平台差距”，不应简单理解为排行榜相差多少名，而要看它是否真正改变了目标专业的实力、校招名单、行业认可、导师资源或后续申请资格。如果这些关键入口没有实质变化，通常不值得仅为名次上的细微差距而付出高昂的额外成本。

学生和家长也需明确各自需要回答的问题。家长主要判断家庭最多能承担多少成本和风险；学生主要判断专业是否适合自己、能否真正拿到资源，以及有没有能力把机会变成成果。任何一方都难以独自完成全部判断。

具体比较本科、研究生培养项目或留学选择时，可以依次问五个问题：

1. 专业、导师和培养方式是否匹配？ 本科阶段要看专业基础、转专业空间和课程质量；研究生阶段则要具体到导师、研究方向、实验室、经费与毕业去向。
2. 大多数学生实际能获得多少机会？ 不要只看官网列出多少机会，还要看参与门槛、覆盖比例和竞争方式。学校拥有一项资源，不等于学生本人能够获得它。
3. 学校与目标行业和城市如何连接？ 本地实习、校招范围、校友去向和签证政策，都可能比国际知名度更直接。对留学生而言，还要考虑语言环境、合法工作的期限和条件，以及毕业后留下或回国的路径。
4. 家庭能否承受实际总成本？ 除学费外，还要考虑生活费、汇率、奖学金是否已经落实、读研期间少工作的收入损失，以及为了学校名气放弃其他选择可能损失的收入和机会。
5. 学生能否适应并利用这个环境？ 喜欢竞争还是需要更多指导，擅长主动争取还是更需要明确支持，都会改变同一所学校对个人的实际价值。

怎样核查“这些资源到底拿不拿得到” #

• 查具体专业或培养项目的课程手册、班级规模、毕业去向和统计年份，不用全校平均数据代替该专业或项目的数据。收入优先看中位数，同时确认是否包含未就业者、统计的是起薪还是多年后收入，以及样本覆盖了多少毕业生。
• 查导师近三年的研究、正在进行的科研项目、招生方式和学生去向；研究型硕士或博士还要确认经费、指导频率和毕业要求。
• 向同专业的在读生和毕业生询问具体问题：谁拿到了实习或研究岗位、参与门槛是什么、国际生或跨专业学生是否同样有机会。
• 区分“合作企业名单”和“实际到校招聘名单”，也要区分“学校提供申请入口”和“学校保证实习岗位”。
• 奖学金、学分转换、实习安排和毕业条件尽量以书面规则为准；签证与工作权利只以政府部门最新信息为准。

如果学校只展示少数成功案例，却不说明总共有多少学生、实际覆盖多少人、是哪一年的数据以及需要满足什么条件，这项“资源”就只能算潜在机会，不能直接计入个人收益。

对于没有名校背景的学生，承认学校之间确实存在机会差距，比轻描淡写地宣称“只要努力就行”更为诚实。但既然名校优势可以拆解，其中一部分便可通过校外路径逐步弥补：

• 让能力被看见：用作品集、研究成果、实习表现、开源贡献或实际项目，建立比学校名称更具体的能力证明。
• 建立关系网络：先找到愿意给出反馈的老师或从业者，再进入能够长期合作的同伴圈子。
• 主动寻找机会：寻找有行业联系的导师、真正参与工作的实习、跨校项目或公开竞赛。一个人第一次接触更大的平台，未必发生在大学录取时。
• 留选择权：积累目标行业需要、换了公司或岗位仍然有用的能力，避免把全部未来押在一个岗位或一种资格上。

这套方法不能保证一个人改变处境，也无法消除仅靠个人努力难以跨越的起点差距。它提供的是一个可供行动的方向：不要只盯着自己缺少的名校背景，而要看清学校招牌背后究竟代表哪些资源，再判断哪些可以自己补上，哪些需要另找路径。

总结：超越排名，聚焦实际平台 #

跨国研究经常发现，名校毕业生平均收入更高，但由学校本身带来的收益并非一成不变。它会随着国家制度、专业、学生背景、教育阶段和就业市场而改变；且收入也无法代表职业发展的全部维度。

因此，学生和家长真正需要比较的是三个方面：

1. 能多得到什么：较强的学校究竟多提供了哪些初步信任、人际网络、机会和选择权，其中多少能够被这个学生获得？
2. 要多付出什么：为它多付出的学费、生活费、贷款利息、时间和风险，家庭能否承受？
3. 有没有更合适的选择：排名稍低但专业更强、成本更低或资源更容易获得的培养项目，是否可能带来更好的实际结果？

明显的平台差距值得重视；相近的平台之间，不要被几十名排名绑架。

进入名校或优势培养项目的学生，仍需将学校资源转化为个人成果；没有名校背景的学生，则需要通过作品、项目和经历建立其他能力证明，并主动寻找校外更大的平台。前者不能把录取结果当成终点，后者亦无需将一次录取结果视为一辈子的定论。

附录：研究证据与方法说明 #

下面这部分是正文中所省略的研究细节，供需要看数据和方法的读者参考。

1. 中国：精英大学收益明显，但大部分来自选择效应 #

• 一项使用 2010 年中国大学生调查（CCSS）应届毕业生数据的研究发现，若不控制其他因素，精英大学毕业生的工资优势约为 26.4%；控制高考成绩、专业、学校所在地、个人特征和家庭背景后，这一优势降至约 10.7% [1]。
• 另一项研究基于 2010—2015 年 CCSS 六轮应届毕业生数据，利用高考录取线进行回归不连续设计，发现刚刚跨过精英大学录取门槛的学生，确实获得了更高的首份工作薪资 [2]。

2. 美国：控制申请和录取信息后，平均收益并不显著 #

• Dale 和 Krueger 的核心分析使用 1976 年入学学生及其 1995 年收入调查，并结合对 1972 年高中毕业生跟踪至 1986 年的数据。
• 研究比较了申请和录取经历相似、最终却进入录取门槛不同大学的学生；控制学生自身能力与抱负后，发现录取门槛更高的大学并未给大多数学生带来明显更高的平均收入 [3]。
• 但来自低收入家庭的学生，可能从资源更强的学校中获得更明显的收益，名校带来的好处并不会平均落在每个人身上。

3. 英国：学校和专业同样重要 #

• 2018 年报告覆盖 2003/04—2013/14 学年毕业生及 2005/06—2015/16 财年税务记录，主要考察毕业后 3—7 年的工资 [5]。
• 2020 年报告则以 2002 年参加英国普通中等教育证书考试（GCSE）、主要出生于 1985/86 学年的学生为核心研究对象，收入数据跟踪至 2016/17 财年，30 岁以后的收入由模型模拟 [4]。
• 研究发现，即使控制学生此前的成绩和家庭背景，不同大学和专业之间仍存在显著的收入回报差异；同一所大学内部的专业差异也很大 [4,5]。

4. 法国：教育轨道差异明显，但普通大学之间的影响有限 #

• Giret 和 Goudard 利用法国就业与职业资格研究中心（Céreq）的“98 世代”（Génération 98）调查，研究了 73 所大学的 5,883 名年轻毕业生，样本在 1998 年离开教育体系，并在 2001 年春季接受调查。
• 多层模型显示，大学本身确实会造成一定差异，但只能解释工资差异中的一小部分；更重要的影响来自学历层次、专业和个人教育经历 [6]。
• 这项研究考察的是普通大学，结论不能机械外推到 Grandes Écoles（法国大学校）等精英轨道。

5. 意大利：资源高度集中的学校可能带来显著回报 #

• Anelli 利用米兰一所精英大学的录取分数线进行回归不连续设计，核心样本是 1995—2000 年申请该校的学生，收入数据来自 2005 年税务记录。
• 研究发现，进入这所大学的学生日后年收入高约 52% [7]。
• 但未经调整时的差距达到 87%，说明至少部分差距来自学生选择；因果估计约为 52%，并且剔除专业选择后，剩余的制度与学校效应约为 33% [7]。

6. 加拿大：录取门槛带来的收益存在，但学校差距较小 #

• Milla 使用加拿大“青年转型调查”（Youth in Transition Survey，YITS）的 1998—2009 年多年跟踪数据，通过匹配方法和工具变量方法校正非随机择校带来的偏差。
• 录取门槛较高的大学，其毕业生在毕业 4—6 年后的工资优势估计为 7%—14.8%：匹配估计为 7%，工具变量估计为 14.8% [8]。

7. 澳大利亚：学校品牌被专业和行业削弱 #

• Carroll、Heaton 和 Tani 利用 **2013—2015 年三轮毕业去向调查（Graduate Destination Survey）**与学生的澳大利亚高等教育入学排名（ATAR）数据，观察到澳大利亚八校联盟（Go8）毕业生存在约 4.3%—5.5% 的未经调整起薪优势，但其中约 13%—46% 可以由入学前更高的 ATAR 解释 [9]。
• 另一项使用 2001—2012 年澳大利亚家庭、收入与劳动力动态调查（HILDA Survey）第 1—12 轮数据的研究发现，在控制专业、行业、年龄等因素后，大学类型总体上没有显著的独立收入效应；专业和行业反而更强 [10]。

参考文献 #

[1] LI H, MENG L, SHI X, et al. Does attending elite colleges pay in China?[J]. Journal of Comparative Economics, 2012, 40(1): 78-88. DOI:10.1016/j.jce.2011.10.001.

[2] JIA R, LI H. Just above the exam cutoff score: Elite college admission and wages in China[J]. Journal of Public Economics, 2021, 196: 104371. DOI:10.1016/j.jpubeco.2021.104371.

[3] DALE S B, KRUEGER A B. Estimating the payoff to attending a more selective college: An application of selection on observables and unobservables[J]. The Quarterly Journal of Economics, 2002, 117(4): 1491-1527. DOI:10.1162/003355302320935089.

[4] BRITTON J, DEARDEN L, WALTMANN B, et al. The impact of undergraduate degrees on lifetime earnings[R]. London: Institute for Fiscal Studies, 2020.

[5] BELFIELD C, BRITTON J, DEARDEN L, et al. The relative labour market returns to different degrees[R]. London: Institute for Fiscal Studies, 2018.

[6] GIRET J-F, GOUDARD M. Effets établissement et salaires des diplômés des universités françaises[J]. Économie publique/Public Economics, 2007, 21(2): 123-153. DOI:10.4000/economiepublique.8042.

[7] ANELLI M. The returns to elite university education: A quasi-experimental analysis[J]. Journal of the European Economic Association, 2020, 18(6): 2824-2868.

[8] MILLA J. The Canadian university selectivity premium[J]. Review of Economic Analysis, 2018, 10(4): 313-349. DOI:10.15353/rea.v10i4.1473.

[9] CARROLL D, HEATON C, TANI M. Does it pay to graduate from an ‘elite’ university in Australia?[J]. Economic Record, 2019, 95(310): 343-357. DOI:10.1111/1475-4932.12492.

[10] KOSHY P, SEYMOUR R, DOCKERY M. Are there institutional differences in the earnings of Australian higher education graduates?[J]. Economic Analysis and Policy, 2016, 51: 1-11.

[11] QS QUACQUARELLI SYMONDS. QS World University Rankings methodology[EB/OL]. [2026-08-12]. https://www.topuniversities.com/world-university-rankings/methodology.

[12] FARBER H S, GIBBONS R. Learning and wage dynamics[J]. The Quarterly Journal of Economics, 1996, 111(4): 1007-1047. DOI:10.2307/2946706.

[13] ALTONJI J G, PIERRET C R. Employer learning and statistical discrimination[J]. The Quarterly Journal of Economics, 2001, 116(1): 313-350. DOI:10.1162/003355301556329.

[14] MARSH H W, HAU K T. Big-fish-little-pond effect on academic self-concept: A cross-cultural (26-country) test of the negative effects of academically selective schools[J]. American Psychologist, 2003, 58(5): 364-376. DOI:10.1037/0003-066X.58.5.364.

[15] U.S. DEPARTMENT OF EDUCATION, NATIONAL CENTER FOR EDUCATION STATISTICS. Price of attending an undergraduate institution: Condition of Education 2023[R/OL]. Data: 2020—2021 academic year. [2026-08-13]. https://nces.ed.gov/programs/coe/pdf/2023/cua_508.pdf.

[16] SHENZHEN UNIVERSITY. 深圳大学2025年硕士研究生招生章程[EB/OL]. Data: 2025 admissions. [2026-08-13]. https://yz.szu.edu.cn/info/1002/12974.htm.

[17] U.S. DEPARTMENT OF EDUCATION. College Scorecard field of study data documentation[R/OL]. Version: June 2024. [2026-08-13]. https://collegescorecard.ed.gov/assets/FieldOfStudyDataDocumentation.pdf.

[18] 中国政府网. 国家奖学金、国家励志奖学金、国家助学金……@大学生，这份资助手册请查收[EB/OL]. Policy data: 2025. [2026-08-13]. https://www.gov.cn/zhengce/202507/content_7032288.htm.

[19] NATIONAL CENTER FOR SCIENCE AND ENGINEERING STATISTICS. Survey of Graduate Students and Postdoctorates in Science and Engineering: Fall 2023[DB/OL]. Data: 2023. [2026-08-13]. https://ncses.nsf.gov/surveys/graduate-students-postdoctorates-s-e/2023.

[20] NATIONAL CENTER FOR SCIENCE AND ENGINEERING STATISTICS. Survey of Earned Doctorates 2023[DB/OL]. Data: 2023. [2026-08-13]. https://ncses.nsf.gov/surveys/earned-doctorates/2023.