《空气污染与劳动力的空间流动_基于流动人口就业选址行为的研究_孙伟增.pdf》由会员分享，可在线阅读，更多相关《空气污染与劳动力的空间流动_基于流动人口就业选址行为的研究_孙伟增.pdf（16页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、空气污染与劳动力的空间流动 基于流动人口就业选址行为的研究孙伟增张晓楠郑思齐内容提要: 本文利用 20112015 年全国流动人口动态监测调查数据， 采用条件 logit模型实证考察了空气污染对流动人口就业选址行为的影响。研究结果发现: 第一， 空气污染对于流动人口的就业选址具有显著的负向影响; 城市的 PM2. 5 浓度上升1 g/m3， 流动人口到该城市就业的概率将显著下降 0. 39 个百分点。第二， 通过对比空气污染和收入对流动人口就业选址概率的影响可以计算得到流动人口对于 PM2. 5 浓度降低 1 g/m3的支付意愿约为 326 元/月。第三， 年龄越大、 受教育水平越高， 以及男
2、性、 已婚/已生育、 非农业户口的流动人口在就业选址时对空气污染的敏感性要更高。此外， 研究还发现空气污染对于流动人口的健康状况具有显著的负向影响。本文的研究结论一方面丰富了环境污染与劳动力流动的相关研究成果， 另一方面也为中国城市与环境治理和劳动力流动相关的政策制定提供了经验依据。关键词: 空气污染就业选址PM2. 5流动人口条件 logit 模型*孙伟增， 中央财经大学经济学院， 邮政编码 100081， 电子信箱: sunweizeng gmail com; 张晓楠( 通讯作者) ， 清华大学恒隆房地产研究中心、 清华大学建设管理系， 邮政编码 100084， 电子信箱: zhangxn
3、15 mails tsinghua edu cn; 郑思齐， 麻省理工学院中国未来城市实验室、 麻省理工学院城市研究与规划系， 邮政编码 02139， 电子信箱: sqzheng mit edu。作者感谢国家自然科学基金杰出青年基金项目( 71625004) 的资助， 感谢国家卫生计生委流动人口服务中心提供数据支持， 感谢匿名审稿专家的建设性意见，当然文责自负。一、引言近年来， 中国早期粗放的经济发展模式带来的环境隐患不断显现。2013 年， 雾霾席卷了大半个中国， 持续时间之长、 影响范围之广、 污染程度之严重引起了全社会的广泛关注。严重的空气污染给居民的生活和健康带来了较大压力。一方面，
4、空气污染直接危害人体健康， 容易造成支气管炎、 肺炎、 哮喘等呼吸道疾病。为此， 人们不得不在雾霾天气时采取自我防护措施， 如减少外出活动、 购买口罩和空气净化器等( Sun et al， 2017; Zhang Mu， 2017) 。另一方面， 空气污染还会对人们的精神健康产生负面影响， 降低人们的主观幸福感和心理健康程度( Levinson， 2012; Zhang et al，2017a) 。出于身心健康的考虑， 越来越多的家庭最终选择了搬离空气污染严重的城市。空气污染已然成为影响劳动力就业选址的重要因素。根据 osen- oback 的城市空间均衡理论， 劳动力的空间流动受到收入、 房
5、租( 生活成本) 以及城市宜居性特征( amenity) 的影响。然而空气质量作为城市宜居性特征的重要因素， 在以往的研究中往往被忽视。随着人们对于良好环境质量需求的提升， 将环境指标更加显性化的引入到传统劳动力选址分析中， 对于准确理解劳动力的选址行为具有重要的理论意义。本文聚焦于空气污染和流动人口就业选址行为的关系研究， 同样具有非常重要的现实意义。首先， 流动人口正成为中国区域经济增长的关键动力， 充分理解流动人口的选址决策机制， 将有助于城市政府制定相应的政策吸引流动人口， 从而促进本地经济增长。截至 2016 年底全国流动人口201孙伟增等: 空气污染与劳动力的空间流动共计 2. 4
6、5 亿人， 占总人口的 17%( 中国流动人口发展报告 2017 ) 。劳动力跨区域流动为城市制造业的发展提供了必需的劳动力供给， 进一步促进产业集聚( 姚林如和李莉， 2006) 。潘越和杜小敏( 2010) 的研究表明中国中西部地区劳动力的跨省转移促进了东部沿海地区工业化程度的提高和经济的增长; 与此同时， 大规模的劳动力流出延缓了中西部地区工业化的进程( 范剑勇等， 2004;王飞等， 2006) 。其次， 与户籍人口相比， 流动人口的就业地选择更加灵活， 容易受到城市相关政策的影响， 因此本文的研究发现空气质量对流动人口就业选址行为有显著影响， 对于城市政府和城市管理者将更加具有警醒意
7、义。第三， 2013 年国务院部署了大气污染防治行动计划 ， 提出了十条措施( 简称 “大气十条” ) ， 该计划被认为是中国有史以来最为严格的大气治理行动计划。为贯彻落实国家 大气污染防治行动计划 ， 中国各级政府对于空气污染治理进行了大量投资， 例如北京市制定了 五年清洁空气行动计划 ， 仅在2015 年和2016 年治理投入就超过了300 亿元。由此可见，准确评估空气污染对于流动人口就业选址行为的影响效果， 对于全面评价环境污染治理的投资收益也具有重要的政策意义。基于上述理论和现实背景， 本文首先利用全球 PM2. 5 卫星栅格数据计算了 20102014 年中国 287 个地级及以上城
8、市的 PM2. 5 浓度数据， 作为城市空气污染水平的度量指标; 其次， 利用20112015 年的全国流动人口动态监测调查数据， 构建了以 287 个地级及以上城市为目的地选择集的流动人口空间选址数据集。综合上述空气质量与流动人口选址的匹配数据， 以及丰富的城市经济数据， 基于显示性偏好理论， 通过估计条件 logit 模型实证考察了空气污染对流动人口选址概率的影响。研究结果发现: 第一， 在控制了净收入、 城市经济和其他宜居性特征、 劳动力市场需求，以及到户籍地空间距离等因素的情况下， PM2. 5 浓度对于流动人口的选址具有显著的负向作用;平均来看， 城市的 PM2. 5 浓度上升 1
9、g/m3， 流动人口到该城市就业的概率将显著下降 0. 39 个百分点。第二， 通过对比空气污染和收入对流动人口选址概率的影响可以计算得到流动人口对于空气质量改善 PM2. 5 浓度降低1 g/m3的支付意愿约为326 元/月。第三， 空气污染对流动人口就业选址行为的影响具有显著的异质性特征: 年龄越大、 受教育水平越高， 以及男性、 已婚/已生育、非农业户口的流动人口在就业选址时对空气污染的敏感性要更高; 家乡空气质量越差的流动人口对就业地的空气污染越不敏感; 空气污染对于不同工作类型的流动人口的影响也存在显著差异。最后， 通过控制流动人口的来源地以及个体和流入城市特征， 发现空气污染对于流
10、动人口的健康状况具有显著的负向影响， 这一结果为空气污染影响流动人口选址的行为机制提供了微观证据。本文的研究贡献主要体现在以下几点: 第一， 本文利用精确度高、 覆盖范围广的 PM2. 5 卫星栅格数据和全国流动人口动态监测调查数据， 准确地识别了空气污染对中国流动人口就业选址行为的影响效果， 并得到了稳健的研究发现， 为流动人口选址研究提供了新的经验证据; 第二， 本文基于显示性偏好理论对流动人口选址过程中空气污染和收入之间替代关系的讨论， 为环境污染的社会成本评估提供了新的视角; 第三， 本文的异质性研究结论为地方政府通过改善环境质量吸引劳动力流入的政策制定提供了经验依据。本文余下部分的结
11、构安排为: 第二部分回顾相关文献; 第三部分介绍实证方法和数据处理; 第四部分是主要的实证结果和稳健性检验; 第五部分讨论空气污染影响流动人口就业选址的异质性特征; 第六部分考察空气污染对流动人口健康状况的影响; 最后对全文进行总结。二、文献评述根据 osen- oback 的城市空间均衡理论， 在劳动力自由流动的情况下， 城市间的房价差异可以被工资差异和生活宜居性差异所解释， 并最终实现空间均衡。这就是说， 在开放城市体系中劳动力会根据不同城市的收入( 通常指工资水平) 、 宜居性( 例如自然环境、 公共服务等) 以及生活成本3012019 年第 11 期( 例如住房和其他非贸易品本地消费)
12、 来选择效用最大化的城市就业和居住。传统的发展经济学和新经济地理模型表明， 劳动力会更多的选择在非农产业经济比重高、 人口规模大、 预期收入高的城市就业( 段成荣， 2001; 王桂新等， 2012) 。城市经济学者基于 Tiebout“用脚投票” 理论， 研究发现具有更高生活质量的城市更容易吸引劳动力的进入( Whisler et al， 2008) 。其中公共服务水平， 如基础教育和医疗水平等， 作为生活质量的重要组成因素， 会对劳动力的选址行为产生显著影响( 夏怡然和陆铭， 2015) 。作为城市生活质量的重要组成因素， 环境质量对于劳动力选址决策的影响作用在近年来也开始受到学者们的关注
13、。Banzhaf Walsh( 2008) 研究发现人们确实会对环境质量“用脚投票” ， 并且同时存在规模效应和结构效应 污染物排放增加的地区的人口下降了 5%9%， 而污染物排放减少的地区则经历了 5%7%的人口增长; 周边污染物排放增加的社区的平均收入水平发生了下降， 这反映了富裕家庭的迁出或贫穷家庭的迁入。楚永生等( 2015) 利用 20032012 年中国省级层面的面板数据， 运用空间计量方法验证了环境污染对于高技能劳动力的跨省流动存在显著的负向影响。Qin Zhu( 2017) 利用 “移民” 这一关键词的百度搜索指数进行分析发现， 空气质量指数每上升100， 人们第二天搜索 “移
14、民” 的频率会上升2. 3%4. 8%， 这一结果反映了空气污染对于人们移民意愿的影响。Chen et al ( 2017) 利用中国人口普查数据研究了 19962010 年期间空气污染对于中国人口迁移的影响， 结果发现研究期内的空气污染变化能够减少一个县城 50% 的流动人口迁入量， 最终通过净移出减少 5%的总人口。李明和张亦然( 2019) 利用中国高校留学生数据研究发现， 所在城市空气污染越严重的高校， 平均在校来华留学生规模越小， 表明空气污染推动着人群的迁移。除了上述直接考察污染对劳动力流动影响的研究， 许多学者利用特征价格模型分析了环境污染对房价的负面影响， 从侧面验证了空气污染
15、会降低城市对劳动力的吸引力( Chay Greenstone， 2005; Zheng et al， 2014) 。总结来看， 目前文献中对于空气污染影响劳动力流动， 特别是流动人口就业选址行为的研究仍然较少。在国内， 由于缺乏高质量的空气污染和流动人口数据， 关于空气污染影响流动人口选址的经验证据十分匮乏。另外， 现有研究中关于空气污染对劳动力就业地选择的影响主要基于省份或城市层面的统计数据， 通过设计面板数据模型来进行实证分析。由于无法直接观测或者控制劳动力的个体特征， 这类模型在设定时的一个隐含假设是劳动力的选址偏好不随时间和空间发生变化，从而可以得到空气污染以及其他区位特征对劳动力就业
16、地选择的影响效应。但是， 如果劳动力的人口结构特征在某一时间点发生了变化， 例如有更多女性或者高技能劳动力进入市场， 进而导致劳动力对于空气污染的平均偏好增加或降低， 那么采用面板数据模型就会面临遗漏变量问题。针对现有研究中的局限性， 本文在劳动力个体层面建立条件 logit 模型， 通过控制个体固定效应避免劳动力个体特征变量遗漏， 并利用工具变量法解决了城市层面缺失变量带来的估计偏误， 能够更加准确地度量空气污染对中国劳动力空间选址行为的影响效果。三、数据与实证方法( 一) 数据来源与处理1 空气污染数据PM2. 5 浓度数据来源于 Van Donkelaar et al ( 2016) 计
17、算的全球年度 PM2. 5 卫星栅格数据。我们首先利用地理信息系统将每个栅格定位到其空间位置所在的城市上， 然后将落在每个城市内的所有栅格数据进行平均， 即可得到各个城市在不同年份的PM2. 5 浓度水平。与地表监测的点源数据相比，卫星观测数据在时间和空间上的覆盖范围更广， 能够与我们的流动人口数据更好的匹配; 同时， 卫星监测数据相对更加客观和准确， 能够避免很多人为因素导致的测量偏误( Ghanem Zhang， 2014) 。401孙伟增等: 空气污染与劳动力的空间流动2 流动人口调查数据本研究采用的流动人口数据来自于 20112015 年国家卫生和计划生育委员会( 以下简称“卫计委”
18、) 开展的全国流动人口动态监测调查。其中 20112014 年的调查对象是在流入地居住一个月以上， 非本区( 县、 市) 户口的 1559 周岁流动人口， 2015 年对调查对象的年龄要求为 15 周岁及以上， 不设年龄上限。调查样本的选取是以 31 个省( 区、 市) 和新疆生产建设兵团在前一年的全员流动人口年报数据作为基本抽样框， 然后采取分层、 多阶段、 与规模成比例的 PPS 方法进行抽样。问卷内容整体上包括以下几部分内容: ( 1) 家庭与人口基本情况; ( 2) 就业与收支情况; ( 3) 基本公共卫生服务; ( 4) 基本医疗服务; ( 5) 婚育情况与计划生育服务管理。针对本文
19、的研究问题， 该数据的一大优势在于给出了流动人口准确的流入时间， 也就是我们关注的流动人口就业选址的决策时间点。这有利于更加准确的匹配流动人口在进行就业选址决策时考虑的关键因素， 从而更加准确的捕捉各个因素对流动人口就业选址的影响效果。我们在实证研究中只保留了在调查时流入本地时间不超过一年的样本。经过样本筛选后， 20112015 年每年的样本量分别为 2. 7 万、 4. 8 万、 4. 1 万、 4. 5 万和 4. 5 万。( 二) 计量模型、 数据结构和变量选取为了能够更加直观地反映流动人口选址的行为特征， 采用条件 logit 模型来识别城市特征对于流动人口选址决策的影响。具体的实证
20、模型设定如下:choiceijt= 1pmj， t1+ 2netincomeijt+ 3distanceij+ 4dial_distanceij+ 5fellow_shareij， t1+ 6Xj， t1+ ijt( 1)其中， 下标 i 代表流动人口个体; j 代表就业地， 在本文中指代地级及以上城市; t 为年份。被解释变量 choiceijt是一个哑元变量， choiceijt=1 表示在年份 t 时流动人口 i 选择到城市 j 就业; choiceijt=0 表示没有选择到城市 j 就业。pmjt为城市 j 在年份 t 的平均 PM2. 5 浓度。每个流动人口 i 在进行就业地选择时都
21、有多个备选城市( 用 Ni表示) ， 条件 logit 模型的数据结构如表 1 所示: 第一， 每个流动人口 i 和其对应的备选城市 j 是该数据的一个样本， 即总共有IiNi样本， 其中 I 代表流动人口总数。第二， 对于以流动人口 i 为核心的 Ni个样本， 只有流动人口 i 的实际就业地城市 j 对应的choice 变量取值为 1， 其他样本的 choice 变量均取值为 0。第三， 解释变量 pm 和 X 均是随城市 j 和时间 t 变化的变量， 与 i 无关。表 1条件 logit 模型的数据结构样本流动人口 i城市选择集 j选择结果 choiceijt空气污染 pmjt控制变量 X
22、jt111121200N11N10N1+1210N1+22210N1+ N22N205012019 年第 11 期其中， 2012 年的调查中没有统计流入月份， 因此针对 2012 年的被调查者只保留了流入时间在 2011 年和 2012 年的样本，而其他年份的调查则依据调查月份回溯一年进行样本筛选。此外， 为了能够更加准确的估计 PM2. 5 浓度对流动人口就业选址的影响效应， 我们还需要对流动人口的备选城市和控制变量进行合理的选择。1 备选城市集从理论上来讲， 对于每一个流动人口， 所有城市都可以作为其就业地的备选方案， 即每个流动人口的城市选择集都包含了中国所有地级及以上城市。但是在现实
23、中， 由于地理、 信息等条件的限制， 流动人口很难同时掌握所有城市的信息。在面临更多的不确定性时， 流动人口倾向于在信息比较充分的城市之间进行选择。为此， 首先计算来自每个省份的流动人口( 按户籍所在地划分) 在各个城市就业的人数占比， 然后根据该比例从大到小对所选城市进行排序并累加， 最后将前 90% 流动人口选择的所有城市作为该省份流动人口就业地选择的备选城市集。换句话说， 该备选城市集反映了本省 90%的流动人口选择最多的就业地。通过上述处理， 每个流动人口的备选城市数量为3113 个， 平均为 53 个城市。这样处理一方面保证了估计结果的准确性， 另一方面也极大的降低了模型的运算量。2
24、 控制变量本文从四个维度来选取控制变量以尽可能控制其他可能影响流动人口就业地选择的因素。第一， 流动人口在就业城市的预期净收入 netincome， 即家庭总收入与总支出之差。为了得到每个流动人口在各个备选城市的预期净收入， 首先分城市估计家庭净收入的决定方程:netincomeit= 1Xit+ 2Zit+ 3yeart+ it( 2)其中， 被解释变量 netincome 是被调查者 i 在年份 t 实际获得的家庭净收入。X 代表被调查者 i 在年份 t 时个体属性， 包括年龄、 性别、 民族、 受教育水平、 户口性质、 婚姻状态以及户籍所在省份; Z 为个体 i 在年份 t 的就业情况，
25、 包含所在行业、 职业、 单位性质和就业身份( 分为雇员、 雇主、 自营劳动者和家庭帮工 4 种类型) ; year 为调查年份 t。这样对于每个城市都可以得到一组估计系数 。然后对于每个流动人口 i 和其对应的备选城市 j， 利用城市 j 的估计系数以及流动人口的个体特征和就业情况， 就可以计算得到流动人口 i 到城市 j 就业的预期净收入。第二， 城市的经济、 人口以及公共服务特征， 包括人均 GDP、 年末总人口、 第三产业占 GDP 的比重、 每万人小学教师数、 每百人公共图书馆藏书数、 每万人医生数等变量。上述城市特征数据来自于 20112015 年的 城市统计年鉴 。第三， 从劳动
26、力市场需求的角度， 我们构造了 Bartik Index( Bartik，1991) 来反映各个城市对劳动力的需求水平。第四， 备选城市与流动人口家乡的地缘关系， 包括就业地与流动人口家乡的空间距离、 就业地与流动人口家乡的方言距离( 刘毓芸等， 2015) 、 就业地的流动人口中与流动人口来自相同省份的比例， 分别用来控制城际交通成本、 文化差距、 同乡关系对于流动人口就业地选择的影响。除了预期净收入变量以外， 其他变量均采用滞后一期的形式引入模型， 以更加准确地反映对流动人口决策的影响。需要说明的是， 该模型在估计时已经加入了个体固定效应， 因此不需要再额外控制流动人口的个体特征以及流入地
27、特征。具体变量定义和描述性统计见表 2。考虑到不同被调查者的样本权重存在差异， 在模型估计时采用加权回归的方法， 从而得到空气污染对流动人口就业选址的平均影响效应。601孙伟增等: 空气污染与劳动力的空间流动Bartik Index 的计算方法: 以本城市分行业就业人数比例作为权重， 以全国分行业就业人数增长率作为劳动力需求的度量指标， 通过求取加权平均计算得到的城市综合劳动力需求指数。其中的就业数据来自 20102015 年 城市统计年鉴 ， 共包含 19个行业类型。表 2主要变量定义及描述性统计量变量名定义样本量均值标准差最小值最大值choice被调查者是否流入该城市83950810. 0
28、20. 1401pmPM2. 5 浓度( g/m3)839508143. 4015. 866. 7294. 48netincome预期家庭净收入( 千元/月)83950812. 643. 1060. 49261. 27gdp人均 GDP( 万元)83950816. 414. 580. 5346. 77tertiary_gdp第三产业占 GDP 比重( %)839508142. 7811. 089. 7677. 95pop年末总人口( 百万人)83950815. 744. 500. 233. 75primary_teacher每百人小学教师数( 人)83950810. 430. 170. 191
29、. 50book每人公共图书馆藏书( 册)83950811. 161. 620. 0214. 39doctor每百人医生数( 人)83950810. 280. 150. 060. 87bartik_index劳动力需求指数83950810. 070. 100. 100. 32distance户籍所在省份与备选城市的直线距离( 100km)83950817. 725. 700. 1236. 84fellow_share备选城市的流动人口中与该流动人口来自相同省份的比例83950810. 180. 2801dial_distance户籍所在省份与备选城市的方言距离指数839508158. 6639
30、. 8801003 工具变量尽管采用条件 logit 模型能够控制个体固定效应， 避免了个体层面的遗漏变量问题， 但城市层面影响流动人口选址决策的因素较为复杂， 模型中难以控制完全， 可能存在其他不可观测因素， 会同时影响备选城市的空气污染和流动人口迁入， 即存在缺失变量问题。此外， 考虑到空气污染很大程度上受到城市经济活动、 人口聚集的影响， 控制变量中的城市经济、 人口以及公共服务特征都会和当地空气污染水平有强相关性， 这将导致空气污染与其他城市特征的回归系数在数值上呈替代关系。针对以上两方面的内生性问题， 参考 Hering Poncet( 2014) 以及陈诗一和陈登科( 2018)
31、等的做法， 用各个城市分年度的空气流动系数( vcjt) 作为空气污染的工具变量。该工具变量取决于城市当年风速和行星边界层高度， 二者都是由气象状况和地理条件决定， 在控制了城市固定效应后，与本地区的人口流入没有直接关系， 可以满足工具变量的外生性假设。基于该工具变量， 本文分两阶段进行回归分析。第一阶段:pmjt= 1vcjt+ 2Xjt+ t+ j+ jt( 3)第二阶段:choiceijt= 1pmj， t1+ 2netincomeijt+ 3distanceij+ 4dial_distanceij+ 5fellow_shareijt1+ 6Xj， t1+ ijt( 4)其中， 第一阶段
32、在控制城市经济、 人口和公共服务特征、 控制年份固定效应 t和城市固定效应 t的基础上， 用工具变量空气流动系数解释就业地的空气污染水平， 并基于回归系数得到当年 PM2. 5浓度的预测值。第二阶段中用一阶段得到的 PM2. 5 浓度预测值替代实际 PM2. 5 浓度观测值的作为主要解释变量， 通过条件 logit 模型分析空气污染对流动人口选址决策的影响效果。7012019 年第 11 期四、实证结果与讨论( 一) 基本结果表 3 报告了对模型( 1) 和模型( 4) 的估计结果， 为了使结果解释起来更加直观， 直接报告了各个解释变量的边际影响效果， 即解释变量变化一单位对被解释变量 选址概
33、率的影响。表 3 的前 4 列报告了模型( 1) 的估计结果， 通过逐步加入控制变量的方式来考察空气污染变量对流动人口就业选址的影响。首先在第( 1) 列中仅加入了空气污染变量， 结果显示城市 PM2. 5 浓度与流动人口选址在该城市的概率呈现出显著的负相关关系。平均来看， 城市的 PM2. 5 浓度每上升1 g/m3， 流动人口进入该城市的概率将显著下降 0. 12 个百分点。在第( 2) 列中， 加入了反映家庭预期净收入的变量， 结果发现空气污染对流动人口选址概率的影响效果没有显著变化， 同时预期净收入对于流动人口的选址概率具有显著的正向影响。具体来看， 家庭预期的净收入每增加 1000
34、元/月， 那么流动人口去到该城市就业/生活的概率将显著上升0. 36 个百分点。进一步地， 对比 PM2. 5 浓度和家庭预期收入对流动人口选址概率的影响可以发现， PM2. 5 浓度增加1 g/m3对流动人口的负向影响， 大概相当于家庭收入水平上升326 元/月( 等于 0. 00118/0. 00362* 1000) 对流动人口的吸引作用。上述结果意味着流动人口对于每单位PM2. 5 浓度减少( 空气质量提升) 的支付意愿约为 326 元/月。这一数字与以往学者们估计的中国居民对空气污染改善的支付意愿非常接近( Zhang et al， 2017b) 。表 3流动人口就业选址的条件 log
35、it 模型估计结果被解释变量: choice条件 logit条件 logit + IV( 1)( 2)( 3)( 4)( 5)pm0. 00116 (25. 62)0. 00118 (25. 98)0. 000576 (14. 33)0. 000281 (10. 55)0. 00388 (9. 20)netincome0. 00362 ( 27. 02)0. 00174 ( 21. 52)0. 00112 ( 23. 89)0. 00205 ( 18. 33)gdp0. 00319 ( 23. 41)0. 00179 ( 23. 40)0. 00278 ( 19. 03)tertiary_gd
36、p0. 00107 ( 22. 60)0. 00197 ( 56. 79)0. 00411 ( 20. 69)pop0. 00444 ( 65. 25)0. 00405 ( 56. 70)0. 00200 ( 6. 95)primary_teacher0. 0619 ( 19. 21)0. 0113 ( 5. 78)0. 0116 ( 3. 20)book0. 0112 ( 25. 05)0. 00264 ( 10. 91)0. 00240 ( 6. 07)doctor0. 223 ( 39. 57)0. 182 ( 40. 20)0. 335 ( 21. 70)801孙伟增等: 空气污染与劳
37、动力的空间流动续表 3被解释变量: choice条件 logit条件 logit + IV( 1)( 2)( 3)( 4)( 5)bartik_index0. 773 ( 31. 05)0. 398 ( 28. 47)0. 770 ( 19. 37)distance0. 00916 (44. 19)0. 0167 (23. 27)fellow_share0. 113 ( 56. 58)0. 205 ( 25. 22)dial_distance0. 000955 ( 20. 05)0. 00150 ( 14. 91)dial_distance21. 91E 7( 0. 41)2. 36E 6 (
38、 2. 75)N83950818395081839508183950818290930pseudo 20. 0010. 0010. 0620. 1030. 103注: ( 1) 表格中第一行数字报告的是边际效应 dy/dx; 圆括号里为估计系数的异方差稳健 z 统计量。( 2)*、 、 分别表示10%、 5%和 1%的显著性水平。以下各表同。第( 3) 列中进一步加入了城市特征变量， 此时空气污染和家庭预期收入对流动人口选址概率的影响有所下降， 但仍然十分显著。城市特征变量对于流动人口选址概率的影响基本符合我们的预期: 人均 GDP、 人口规模、 第三产业占 GDP 的比重以及城市的公共服务水
39、平， 例如人均小学老师数量、 公共图书馆藏书、 医生数， 对流动人口的选址概率都有显著的正向影响， 即较高的经济发展水平和良好的公共服务质量能够显著提升城市对于流动人口的吸引力。同时， 反映劳动力市场需求的 Bartik Index 的系数也显著为正， 说明劳动力市场需求越大的城市， 对于流动人口的吸引力更高。在第( 4) 列中加入了就业地与流动人口家乡省份的地缘关系变量， 包括空间距离、 同乡比例和方言距离。此时， PM2. 5 浓度增加 1 g/m3会导致流动人口到该城市就业的概率下降约 0. 028 个百分点。同时发现， 与家乡空间距离越近、 同乡比例越高， 以及方言距离越大的城市， 对
40、于流动人口的吸引力明显更高。最后， 在表 3 的第( 5) 列报告了工具变量模型的估计结果。结果显示空气污染对流动人口选址概率的影响效果依旧显著为负， 且系数值要明显大于第( 4) 列的估计结果: 城市的 PM2. 5 浓度每上升 1 g/m3， 流动人口进入该城市的概率将显著下降 0. 39 个百分点。使用工具变量前后估计结果的显著差异主要是因为基于工具变量预测得到的空气污染浓度剥离了测量误差， 能够更真实地反映空气污染水平， 而潜在的遗漏变量问题倾向于使我们低估空气污染对流动人口选址决策的负面效应。举例来说， 中国目前所处的经济发展阶段， 经济增长与环境污染往往呈现正相关关系， 尽管在模型
41、中控制了收入、 GDP 等变量， 但仍然可能遗漏其他与经济发展水平相关的变量与空气污染和流动人口就业选择同时正相关， 进而导致条件 logit 模型的估计结果偏低; 再如， 空气污染越严重的地区往往是以制造业、 重工业等劳动力密集型行业为主， 对于流动人口劳动力的需求较大， 这也会导致条件 logit 模型的系数被低估。9012019 年第 11 期本文从空气污染的时效性、 流动原因、 城市选择集和人口流入时间 4 个维度检验了实证结果的稳健性。受篇幅限制， 文中没有报告稳健性估计结果， 有兴趣的读者可向作者索取。( 二) 结果讨论为了更加清晰的理解空气污染变化对中国流动人口空间流动影响效果的
42、大小， 分别计算了255 个地级及以上城市 20112015 年间由于空气污染变化带来的流动人口流入数量的变化， 并与收入变化带来的影响效果进行对比。具体来说， 首先计算了研究期内每个城市的 PM2. 5 浓度变化和流动人口的家庭净收入变化; 然后利用表 3 第( 2) 列估计得到的边际效应分别计算 PM2. 5 浓度和家庭净收入变化带来的流动人口选址概率的变化。图 120112015 年 PM2. 5 浓度和收入变化对流动人口选址概率的影响图 1 报告了对直辖市和省会城市的计算结果， 其中黑色虚线为 45线。可以看出: 第一， 大部分城市集中在 45线附近， 表明 2011 年以来由于空气质
43、量变化导致的流动人口流动已经逐渐接近收入变化带来的影响。第二， 在北京、 广州、 杭州等大城市， 尽管收入增长对于流动人口的吸引力仍然占据主导地位， 但是空气质量下降对流动人口就业选址的负向影响已经相当于收入效应的30%， 成为限制劳动力供给的重要因素。第三， 在成都、 重庆、 西宁、 济南等收入增幅较小或为负的城市， 空气质量改善成为了它们进一步吸引劳动力的重要筹码。五、异质性分析这一部分将从多个角度对流动人口样本进行分组回归， 考察空气污染对流动人口就业选择的异质性影响效果。其中回归模型均采用与表 3 第( 4) 和( 5) 列相同的设定。( 一) 年龄和性别本文首先关注空气污染对于不同年
44、龄段和不同性别的流动人口就业选择的影响。将样本根据年龄分成三组: 1529 岁， 3044 岁， 45 岁及以上。对应分样本的估计结果如表 4 的前 3列所示。整体来看， 空气污染对于流动人口就业选址的影响随着年龄的增加逐渐变大。从具体的影响效果来看， 城市 PM2. 5 的浓度上升 1 g/m3， 对于 30 岁以下流动人口的吸引力将下降0. 16 个百分点; 对于 3040 岁的流动人口吸引力将下降 0. 19 个百分点; 对于 45 岁及以上的流动人口吸引力将下降 0. 42 个百分点。上述结果主要可能有以下几点原因: 第一， 年轻流动人口更注重就业机会、 收入等较为现实的经济收益， 而
45、随着年龄的增加流动人口则更多的注重生活质量提升带来的效用增加。第二， 年龄越大流动人口的身体健康状况也会越差， 因此对于空气011孙伟增等: 空气污染与劳动力的空间流动污染也越敏感。第三， 中老年流动人口工作相对稳定， 因此他们的工作流动通常伴随着家庭的搬迁， 在选址时要考虑到长期的效用影响， 故对于短期内难以改变的因素， 如空气污染， 就会更加重视。表4 的后2 列报告了空气污染对男性和女性流动人口就业选址的影响。从估计结果来看， PM2. 5 浓度每增加 1 g/m3， 对于男性流动人口的吸引力将显著下降 0. 53 个百分点， 明显大于空气污染对女性流动人口的影响( 0. 17 个百分点
46、) 。这就是说， 男性流动人口对于空气质量变化的敏感性要更大。表 4异质性检验 年龄和性别被解释变量 choice年龄分组性别分组1529 岁3044 岁45 岁及以上女性男性Panel A: 条件 logitpm0. 00000285(0. 10)0. 000892 (12. 50)0. 00303 (12. 73)0. 000144 (0. 87)0. 000580 (12. 67)N4489378303837886732534057674989314pseudo 20. 1240. 0910. 0680. 1140. 096Panel B: 条件 logit + IVpm0. 00158
47、 (4. 74)0. 00186 (3. 34)0. 00424 (26. 62)0. 00170 (4. 15)0. 00531 (8. 45)N4432613299869085962733400914927198pseudo 20. 1240. 0930. 0630. 1160. 094( 二) 受教育水平接下来考察不同受教育水平的流动人口对于空气污染的敏感性。通常来说， 受教育水平越高的流动人口对于空气污染对个人身体健康带来的影响能够有更加准确的判断， 同时他们也会有更多的就业选择， 受到劳动力市场需求的影响较小( Chen et al，2017) ， 因此许多研究者预期空气污染对于受教
48、育水平更高的流动人口影响更大。将流动人口根据其受教育水平分成两组: 高中及以下， 大专及以上。估计结果如表 5 所示。条件 logit 和两阶段模型的估计结果都显示， 空气污染对于流动人口就业选址行为的影响确实表现出与受教育水平正相关的现象。PM2. 5 浓度每增加 1g/m3， 高中及以下教育水平的流动人口的选址概率将下降 0. 34 个百分点; 而对于大专及以上教育水平的流动人口影响较大， 影响效果为 1. 06 个百分点。( 三) 婚姻状态和生育状况空气污染不仅会影响流动人口自身的健康状况， 同时也会影响其家人的身心健康， 因此婚姻状态和生育状况可能会导致流动人口在就业选址时对空气污染的
49、敏感性存在差异。表 6 报告了根据婚姻状态和生育状况分组的模型估计结果， 可以看出， 已婚流动人口和已生育流动人口在就业地选择时受到空气污染的影响明显要更大。具体来说， 如果城市的 PM2. 5 浓度增加1 g/m3， 已婚流动人口选择到该城市就业的比例将下降 0. 53 个百分点， 比对未婚流动人口的影响显著高出 0. 3 个百分点。同样地， 如果城市的 PM2. 5 浓度增加1 g/m3， 已生育流动人口选择到该城市就业的比例显著下降 0. 54 个百分点， 而未生育流动人口仅下降了不足 0. 25 个百分点。上述结果表明， 单身流动人口由于搬迁成本较低， 短期内对于空气污染的敏感性较低;
50、 而由于空气污染威胁的普遍存在性，已婚和已生育的流动人口在就业地选择时也要考虑对家庭其他成员的影响， 从而对于空气污染的敏感性显著更高。1112019 年第 11 期表 5异质性检验 受教育程度被解释变量 choice受教育水平高中及以下大专及以上Panel A: 条件 logitpm0. 000272 (9. 71)0. 000346 (3. 86)N7401931993150pseudo 20. 0950. 202Panel B: 条件 logit + IVpm0. 00343 (8. 11)0. 0106 (7. 80)N7307518983412pseudo 20. 0940. 204