SA  >> Vol. 7 No. 2 (April 2018)

    劳动力质量、收入差距对中国经济影响的空间面板分析
    Spatial Panel Analysis of the Impact of La-bor Quality and Income Gap on China’s Economy

  • 全文下载: PDF(419KB) HTML   XML   PP.117-123   DOI: 10.12677/SA.2018.72015  
  • 下载量: 147  浏览量: 890  

作者:  

孟丽君,胡锡健:新疆大学数学与系统科学学院,新疆 乌鲁木齐

关键词:
劳动力质量城乡收入差距城市化水平空间面板经济影响Labor Quality Income Gap between Urban and Rural Areas Urbanization Level Space Panels Economic Impact

摘要:

劳动力质量、城乡收入差距和城市化水平之间存在动态影响关系,对这三者之间的关系进行分析,有利于帮助我们理清这三者之间的深层次关系,进而为中国经济增长、社会稳定以及可持续发展提供一定思路。本文基于中国31个省、自治区、直辖市的2005~2015年相关面板数据,采用空间计量经济模型方法研究了劳动力质量、城乡收入差距和城市化水平对地区经济增长质量的影响,通过实证结果得到劳动力质量、城乡收入差距和城市化水平显著影响我国经济增长。其中劳动力质量和城市化水平对经济增长有显著的正效应,城乡收入差距对经济增长的负面影响较大。

Labor quality, income gap between urban and rural areas and the level of urbanization have dynamic relationship between the impact of the relationship between these three analysis is help-ful to help us sort out the deep relationship between the three, and thus for China’s economic growth, social stability and sustainable development to provide some ideas. Based on the panel data of 31 provinces, autonomous regions, and municipalities in China from 2005 to 2015, this paper studies the impact of labor quality, urban-rural income disparity and urbanization level on the quality of regional economic growth based on the spatial econometric model. The empirical results show that labor force quality and urban-rural income. The gap and the level of urbanization have a significant impact on China’s economic growth. Among them, the quality of labor and urbanization has a significant positive effect on economic growth, and the negative impact of urban-rural income disparity on economic growth is greater.

1. 引言

十九大上习总书记强调,人才是实现民族振兴、赢得国际竞争主动的战略资源。要坚持党管人才原则,聚天下英才而用之,加快建设人才强国……以城市群为主体构建大中小城市和小城镇协调发展的城镇格局,加快农业转移人口市民化。到第二个一百年奋斗目标完成时,城乡区域发展差距和居民生活水平差距显著缩小,基本公共服务均等化基本实现,全体人民共同富裕迈出坚实步伐……因此研究劳动力质量、城乡收入差距和城市化水平对经济增长的关系具有重要的意义。

目前,关于劳动力质量、城乡收入差距和城市化水平与区域经济发展的研究积累了不少成果。钞小静、沈坤荣 [1] 将二元经济结构特征引入跨期模型对中国30个省、自治区、直辖市17年的面板数据进行分析,得到城乡收入差距通过劳动力质量影响了中国的长期经济增长;常伟蔚、侯泽等 [2] 通过协整分析发现城乡收入差距的拉大对于当前广西的发展是不利的;王德文 [3] 通过对1978~2003年的全国和分省数据进行回归分析,得出经济增长对城乡差距的影响可分为两个阶段:1980~1990年的经济增长具有收入均等化效应,1990年以来的经济增长不具有收入均等化效应,经济高增长带来的成果并没有让城乡居民平等地享有;陈敏辉 [4] 用系统广义矩方法,基于2000~2008年我国除西藏外的30个省、自治区、直辖市的面板数据进行分析,发现现阶段我国城乡收入差距扩大对经济增长总体上具有阻碍作用。沈凌、田国强 [5] 从需求分析的角度讨论了贫富差距和城市化对经济增长的影响,结果表明推进城市化以减少从村人口比单纯增加农民收入更有利于经济的发展。王少平、欧阳志刚 [6] 根据我国城乡收入差距的现状计算并度量城乡收入差距的泰尔指数和我国实际人均GDP的变动特征而设定的面板协整模型,结果表明改革初期的城乡收入差距促进了经济增长,而现阶段城乡收入差距的扩大对经济增长产生阻滞作用。

2. 空间面板模型介绍

几类常用的空间模型

1) 通用模型(general nesting spatial model, GNS)

Y = ρ W Y + α l N + X β + W X θ + u , u = λ W u + ε (1)

2) 当λ = 0时为空间杜宾模型(SDM):

Y = ρ W Y + α l N + X β + W X θ + u (2)

3) 当θ = 0且λ = 0时为空间滞后模型(SLM):

Y = ρ W Y + α l N + X β + u , (3)

4) 当θ = 0且ρ = 0时为空间误差模型(SEM)

Y = α l N + X β + u , u = λ W u + ε (4)

其中W为 n × n 阶空间权重矩阵,WY为因变量Y的滞后变量,用以表示邻近地区因变量对Y的共同作用,WX为自变量X的滞后变量,用以表示邻近地区自变量对Y的共同作用,Wμ表示随机误差项的交互影响效应。ρ为空间自回归系数,λ为空间自相关系数,θ、β为n × 1阶变量的待估系数, α l N 为常数项。LeSage [7] 指出,相比其他空间模型,SDM由于包含了空间滞后解释变量WX,更有助于防止遗漏变量偏误;而在进行实证分析过程中,要对区域样本数据进行处理,遗漏变量问题经常发生,SDM模型很好的解决了此问题。Gerkman (2012) [8] 用住房价格数据对比SEM与SDM,实证显示,无论是空间Hausman test检验,还是直接与间接效应分析,均呈现SDM最优。

关于模型的选择机制:首先,估计OLS模型并检验SLM或是SEM哪个更为适合,需要检验基于OLS残差的四个统计量LMlag、LMError、Rbust LMlag、Robust LMError。LMlag、Rbust LMlag对应空间滞后模型,LMError、Robust LMError对应空间误差模型。如果OLS被拒绝,统计检验显示,SLM或者SEM合适,或是两个均合适,那么接下来不能直接进行选择,还需对SDM模型进行估计(Lesage和Pace,2009)。这里要注意的是,要执行模型选择机制,估计方法必须选择极大似然估计,所得到的似然比LR可以用来检验两个假设:H0:θ = 0和H0:θ + ρβ = 0,其中,H0:θ = 0是用来检验SDM是否可简化为SLM,H0:θ + ρβ = 0是用来检验SDM是否可简化为SEM。如果两个假设均被拒绝,那么就说明SDM模型最优;如果第一个假设未被拒绝并且上面的稳健性检验Rbust LMlag也选择了SLM,那么就说明SLM最优,这两个条件必须同时满足,否则应选择SDM。类似地,如果第二个假设未被拒绝并且稳健性检验也指向SEM,那么说明SEM模型能够更好地描述数据的生成过程,若两条件中有一个不满足,应选择SDM。

3. 变量选择与数据说明

考虑到《中国统计年鉴》《中国人口统计年鉴》关于各省受教育程度人口数据的完整性,因此本文选择全国31个省、自治区、直辖市2005~2015年的11年数据作为研究的样本区间。本文计量模型所使用的变量及其定义如表1

Table 1. Variable definitions

表1. 变量定义

根据地理学第一定律所说:所有的事物或现象在空间上都是有联系的,但相距近的事物或现象之间的联系一般较相距远的事物或现象间的联系要紧密。故本文所选取的权重矩阵的元素定义为:

w i j = { 1 , i j 0 , i j

4. 空间相关性分析及模型选择

4.1. 空间相关性检验

全局Moran I指数是用来度量空间自相关的全局指标,本文全局Moran I指数全部通过了1%的显著性水平检验,且值大约在0.43~0.47之间,表明我国各省域人均实际GDP在空间分布上存在显著的空间相关性,上述结果表明我国各省域的GDP并不具有随机特征,而是在GDP相似的省域具有显著的地理集中趋势,即经济增长较快的省域在地理上相互邻近,而经济增长相对较低的省域在地理上也趋于集中。

本文选取2005年、2010年和2015年的数据进行局部Moran I分析,见图1。我们将省域划分为4个象限:第一象限(HH)表示高—高的正相关,第二象限表示(LH)低—高的负相关,第三象限(LL)表示低—低的正相关,第四象限(HL)表示高—低的负相关。由于Moran I的值全部大于0,经济增长地理分布上呈现正相关关系,由图中可以看出在第一象限的点上本空间单元GDP高的区域周围区域的GDP也相应较高,落在第三象限的区域,本空间单元GDP低,那么相关的邻接区域的GDP也相对较低。而第二、四象限为非典型观测区域。

4.2. 模型选择

由于存在着空间自相关,OLS的参数估计将不一致。因此对于上述空间模型的估计一般采用广义矩(GMM)估计或者是极大似然(ML)估计。本文采用ML估计方法,用Matlab软件对数据进行处理。

表2可以看到,针对面板数据的四类模型进行了诊断性检验,依次为无固定效应、空间固定效应、时间固定效应和时空固定效应。在1%的显著性水平下,LMlag检验仅在时间固定效应中不显著,LMerror仅在时间固定效应不显著,结合四类模型的Robust LM检验,可以判断需引入空间计量模型进行回归分析。其次,建立空间杜宾模,本文建立三类空间杜宾模型进行估计,依次为空间和时间固定效应、经过

Figure 1. Data for 2005, 2010, and 2015 Local Moran I

图1. 2005年、2010年和2015年的数据进行局部Moran I

Table 2. Spatial diagnostic test

表2. 空间诊断性检验

注:******分别表示在1%、5%和10%的显著性水平下通过显着性检验,括号内为显着性水平P值,下同。

误差修正的时空固定效应和空间随机时间固定效应,最后模型的选择,在5%显著性水平下,Wald和LR检验均显著,即拒绝空间滞后模型和空间误差模型,说明空间杜宾模型最优。同时,根据Hausman test = 27.7132(***)的判断,选择空间随机时间固定效应模型,表3是三类空间杜宾模型的估计结果。

由Elhorst [9] 给出的模型类型,本文的模型形式如下:

Y i t = ρ j = 1 N w i j Y j t + β 1 X + 1 i t β X 2 2 i t + β 3 X 3 i t + c i ( o p t i o n a l ) + j = 1 N w i j ( θ 1 X 1 i t + θ 2 X 2 i t + θ 3 X 3 i t ) + α t ( o p t i o n a l ) + v i t

4.3. 结果分析

空间随机时间固定效应SDM模型的结果即表3第三列所示,某一空间单元的GDP不仅受本空间单元的解释变量劳动力质量、城乡收入差距和城市化水平的影响,还受相邻空间单元GDP和解释变量的影响。GDP空间滞后项对空间单元GDP的影响系数为0.250,且在1%水平通过显著性检验。这表明各省经济发展联动性较强,各省经济协同发展。本空间单元劳动力质量对自身经济发展影响为0.214且在1%水平通过显著性检验,相邻空间单元劳动力质量对本单元GDP影响为0.423且在1%水平通过显著性检验,这表明各区域劳动力对经济发展起到良好的促进作用,且邻近地区的劳动力质量增加有助于带动周边经济发展。本空间单元城市化水平对自身经济发展影响为0.061且在1%水平下通过显著性检验;相邻空间单元城市化水平对本空间单元GDP的影响为0.005检验效果不显著,可能的原因是,在城镇化进程中,一些地区的发展还不能完全适应社会经济发展的需要,各地区发展的不平衡,可能造成对相邻区域的影响不明显。本空间单元城乡收入差距对自身经济发展影响为−0.126且在1%水平下通过显著性检验,相邻单元城乡收入差距对本单元GDP的影响为−0.078且在5%水平下通过显著性检验,这表明各相邻区域之间的城乡收入差距的可能原因如各区域财富分配不均、教育制度不公平和人口流动等因素 [7] ,对GDP的影响是具有负的效应的,收入差距的拉大对GDP的影响具有相反的作用,不利于经济的发展。故劳动力质量、城市化水平和城乡收入差距对本空间单元经济和相邻空间单元的经济影响较为显著。

根据LeSage和Pace (2009)提出利用自变量的直接和间接效应来检验空间相关性。由表4的结果可以看出,劳动力质量的直接效应在10%的水平下显著,间接效应不显著和总效应在1%水平下显著,表明劳动力质量促进本省经济发展,影响了空间溢出效应的发挥。对于城市化水平,其直接效应、间接效应和总效应均在5%的水平下显著。且直接效应回归系数为4.6975,间接效应回归系数为14.4687,总效应回

Table 3. Durbin model estimates containing spatial and temporal effects

表3. 包含空间和时间特定效应的杜宾模型估计

Table 4. Direct and indirect effects of SDMs that contain space and time-specific effects

表4. 包含空间和时间特定效应的SDM的直接和间接效应

归系数为19.1662。这表明本省的城市化水平每增加1%,可以对GDP产生19.1662%的总经济增长效应.其中对本区域GDP增长的直接效应4.6975%,对邻近区域GDP增长的间接效应为14.4687%。可以看出,城市化水平存在明显的外溢。对于城乡收入差距,其直接效应和间接效应在1%的水平下显著,总效应在5%水平下显著,且直接效应回归系数为−0.1051,间接效应回归系数为−2.5619,总效应为−2.6670,表明城乡收入差距对本省经济发展有负效应,对空间单元之间的影响也存在负效应。即本省的城乡收入差距每增加1%,可以对GDP产生−2.6670%的总经济增长效应.其中对本区域GDP增长的直接效应−0.1051%,对邻近区域GDP增长的间接效应为−2.5619%。可以看出,城乡收入差距存在明显的外溢。

5. 结论

从上面的分析可以得出,劳动力质量、城市化水平和城乡收入差距对中国各省经济增长具有显著关系,且各省的经济增长一方面受益于本地的劳动力质量和城市化水平,也受到本地城乡收入差距的限制,另一方面明显受益于邻近省的劳动力质量和城市化水平,也受到邻近省的城乡收入差距的限制。于此同时,各省之间存在显著地空间相关性,各省与邻近省经济互动明显。为了缩小各省经济发展差距,提出以下建议:

1) 劳动力作为基本的生产要素,对经济的增长起着重要的作用,劳动力质量的提升将减少对我国经济的不利影响,政府部门和社会企业等有必要采取措施加强劳动力的职业技能培训,以此提高劳动力的技术水平。

2) 经济增长与城市发展和城市化的关系客观存在,经济增长必然带来城市化水平的提高,而城市化水平的提高反过来也会加速经济增长。所以在我国,除了要积极发展第三产业之外,应该特别注意调整地区之间的产业结构,真正实现各省区域之间的优势互补,相互促进。一方面有意识引导部分人才流向中小型城市,减少过多人口对大城市发展的负担。做到上述,我国的城市化才能促进经济发展。

3) 通过本文的实证结果分析,目前我国的城乡收入差距已经对经济的提高产生抑制作用,并在不同类型地区不同程度地表现出来。由于不同地区在某个时期的经济发展水平不尽相同,所以应该因地制宜,努力协调好城乡之间的收入差距。

NOTES

*第一作者。

#通讯作者。

文章引用:
孟丽君, 胡锡健. 劳动力质量、收入差距对中国经济影响的空间面板分析[J]. 统计学与应用, 2018, 7(2): 117-123. https://doi.org/10.12677/SA.2018.72015

参考文献

[1] 钞小静, 沈坤荣. 城乡收入差距、劳动力质量与中国经济增长[J]. 经济研究, 2014(6): 30-43.
[2] 常伟蔚, 侯泽, 颜莉娜. 广西城乡收入差距和经济增长关系的实证研究[J]. 商业文化月刊, 2010(10): 143-144.
[3] 王德文. 中国经济增长能消除城乡收入差距吗? [J]. 经济社会体制比较, 2005(4): 13-21.
[4] 陈敏辉. 城乡收入差距对中国经济增长的影响机制研究——基于我国省际动态面板数据的系统GMM分析[J]. 技术经济, 2011, 30(5): 89-93.
[5] 沈凌, 田国强. 贫富差别、城市化与经济增长——一个基于需求因素的经济学分析[J]. 经济研究, 2009(1): 17-29.
[6] 王少平, 欧阳志刚. 我国城乡收入差距的度量及其对经济增长的效应[J]. 经济研究, 2007(10): 44-55.
[7] Lesage, J.P. and Pace, R.K. (2009) Introduction to Spatial Econo-metrics. CRC Press.
https://doi.org/10.1201/9781420064254
[8] Gerkman, L. (2012) Empirical Spatial Econometric Modelling of Small Scale Neighbourhood. Journal of Geographical Systems, 14, 283-298.
https://doi.org/10.1007/s10109-011-0147-7
[9] Elhorst, J.P. (2014) Matlab Software for Spatial Panels. International Regional Science Review, 37, 389-405.
https://doi.org/10.1177/0160017612452429