教育程度对消费水平的影响以农村居民消费为例

■ 李 伟 博士（长江师范学院财经学院 重庆 408100）

相关研究概述

教育是人力资源开发的最重要形式，劳动者的受教育程度越高，收入水平一般也会越高。关于教育与收入之间的关系，国内外已有大量学者开展了理论与实证的研究，并取得了丰富的研究成果。但是，关于教育与消费之间的关系，却很少有学者给予关注。

马斯洛的需要层次理论认为，人们的需要是分层次的，当一种需要得到满足后，就会追求更高层次的需要。在现代社会，人们基本的生活需要已得到满足，将会追求诸如健康、快乐、享受、发展等更高层次的需要，而要满足这些高层次的需要，就需要消费者具备较强的消费能力。教育可以培养人们的生产能力，教育同样也可以培养人们的消费能力。由于人力资本投资理论更多关注人的生产者属性，不太关注人的消费者属性，因而导致研究者很少涉足教育与消费之间的关系的研究。贝克尔（2007）在其《人力资本理论：关于教育的理论和实证分析》一书的序言中指出“忽视教育对消费的影响是当前人力资本理论研究存在的一个问题”。

近年来，我国已有少数学者开始关注教育对消费的影响。葛雪峰、武春友（2010）利用离散选择模型分析了影响旅游消费者选择不同旅游产品的因素，其中的一个结论是人们的受教育程度越高，越倾向于增加对历史民俗类旅游产品的消费。张洪等（2014）利用因子分析法研究了影响城市居民国内旅游需求的影响因素，其中城市居民的受教育程度是一个重要的影响因素。叶春辉等（2008）采用1991-2004年的中国健康和营养调查的相关数据，分析了受教育程度对农村居民的医疗消费决策和医疗支出的影响，其研究结果表明，受教育程度对农村居民的医疗消费支出并不显著。张学敏、何酉宁（2006）利用2004年我国31个省（市、区）的相关数据，计算了具有大专以上学历的人数所占的比重与居民消费水平之间的相关系数，其计算结果表明两者之间的相关系数为0.8。李军等（2015）利用2003-2012年的省级面板数据分析了教育对城镇居民消费结构的影响。其研究结论表明，教育程度对消费结构具有显著的正向影响，即教育程度越高，城镇居民用于非基本生活消费支出占总支出的比重越大，但如果将收入作为控制变量加入计量模型后，教育程度对城镇居民消费结构的影响不再显著。本文将在借鉴上述研究的基础上，尝试着从理论上分析教育是如何影响消费的，并利用我国2000-2012年各省（市、区）关于农村居民的相关统计数据，将收入和滞后一期的消费作为控制变量，通过构建动态面板模型（Dynamic Panel Data Models），实证分析教育对消费的影响。

表1 变量描述性统计

在我国经济快速发展的过程中，投资和出口对GDP的贡献率在绝大多数年份都达到了50%以上，消费不足的问题始终是制约我国经济持续健康发展的一个重要因素。虽然我国的城镇化发展很快，但是仍有接近一半的人口生活在农村，并且农村居民消费不足的问题更加明显。因此本文的实证部分将以农村居民的消费为例，分析教育程度对消费水平的影响。

教育影响消费的机制分析

随着电子商务的快速发展，人们不但可以通过互联网搜寻各种各样的商品，还可以通过互联网下订单甚至直接进行支付。人们既可以通过“京东”、“当当”等网络购买诸如图书、家用电器等商品，也可以通过“去哪儿网”、“携程网”等网络购买各种各样的旅游服务。很难想象，一个未受过任何教育的人能通过互联网去搜寻和购买商品或者服务。因此，可以认为在当代社会，受教育程度越高的人，其搜寻商品和购买商品的能力也会越强。此外，随着科技的快速发展，商品的智能化程度也越来越高，正确使用或操作相关商品也需要消费者具备一定的教育水平。本文将搜寻商品、购买商品和使用商品等能力定义为消费者的消费能力。一个显而易见的结论是消费者的教育程度越高，其消费能力越强。

下面将通过一个简单的数理模型分析教育是如何影响消费的。假设消费者对某种商品的消费数量为q，从消费该商品所得到的效用为u（q）。由于在消费前需要搜寻商品、购买商品以及学会使用商品，即需要消费者付出努力，这可以当作是消费者需要付出的成本，用c（q）表示。则消费者的净效用函数为：

w=u(q)-c(q)

其中，w表示消费该商品的净效用。由于随着教育程度的增加，人们的消费能力（搜寻商品、购买商品和使用商品等能力）会增加，因此一个教育程度比较高的人在消费商品时付出的努力会低一些，即付出的成本会低一些。假定效用函数u（q）的具体形式为lnq，具有较高教育程度的消费者付出的成本c（q）的具体形式为α q，具有较低教育程度的消费者付出的成本c（q）的具体形式为β q，并且α<β。则：

表2 动态面板模型估计结果

高教育程度消费者的最优化问题为：

低教育程度消费者的最优化问题为：

求解上述最优化问题，可得到高教育程度消费者的最优消费数量q*H=1/α，低教育程度消费者的最优消费数量为q*L=1/β，由于α<β，因此q*H>q*L，即由于具有较高教育程度的消费者具有较强的消费能力，从而使他们在消费同样数量的商品时付出的努力（成本）会低一些，为追求效用最大化，高教育程度的消费者将选择消费更多的商品（或服务）。

计量模型与变量分析

（一）计量模型

与截面数据和时间序列数据相比，面板数据可以控制个体异质性，并且具有更多的信息、更大的自由度以及更高的效率，因此本文利用我国31个省（市、自治区）2000-2012年的面板数据来检验农村居民的教育程度对其消费水平的影响。计量模型的被解释变量为农村居民的生活消费支出，主要关注的解释变量为农村居民的教育程度。

杜森贝利（Duesenberry）的相对收入消费理论认为，消费者在决定消费时会受到自己过去的消费习惯的影响，即消费具有惯性，因此本文将农村居民滞后一期的生活消费支出作为控制变量引入计量模型。

凯恩斯（Keynes）的绝对收入假说认为决定消费的最重要因素是当前的收入水平，而费里德曼（Friedman）的持久收入假说认为，人们在计划消费时更多地考虑长期的、持久的收入。总之，在影响消费的诸多因素中，收入是不可忽视的因素。因此本文也将农村居民的收入水平作为控制变量引入计量模型。

此外，宏观经济的波动也可能会影响到农村居民的消费水平，为了反映宏观经济波动的影响，本文在计量模型中加入了时间虚拟变量。具体的计量模型为：

其中，lnconsumit表示农村居民生活消费支出的对数，lnconsumi，t-1表示滞后一期的农村居民生活消费支出的对数；lnincomeit表示农村居民纯收入的对数；lneducationit表示农村居民教育年限的对数；β1-β3为待估系数；下标i表示地区，t表示时间；αi为不可观测的个体效应；δt为时间效应，即时间虚拟变量；εit为随机误差项。由于解释变量包括滞后一期的被解释变量，因此该计量模型为动态面板模型（Dynamic Panel Data Models）。

（二）变量分析

本文用于计量分析的数据均来源于2001-2013年的《中国农村统计年鉴》。各省（市、区）农村居民的人均生活消费支出和人均纯收入的数据可以直接在《中国农村统计年鉴》查找到。但是农村居民的教育年限并不能直接通过《中国农村统计年鉴》进行查找。《中国农村统计年鉴》只有关于各省（市、区）农村劳动力的文化状况的统计，即不识字或识字很少、小学程度、初中程度、高中程度、中专程度、大专及大专以上劳动力占农村劳动力的比重。本文用农村劳动力的受教育程度代表农村居民的平均受教育程度，并且采用Psachropoulos（1976）提供的方法计算农村居民的平均教育年限。具体的计算公式为：农村居民平均教育年限＝不识字或识字很少所占比重×0+小学比重×6+初中比重×9+高中比重×12+中专比重×12+大专及以上比重×15。在进行计量分析时，为了减少异方差的影响，对人均生活消费支出、人均纯收入和教育年限都取对数。变量的描述性统计见表1。

我国农村居民的教育程度和消费水平在地区之间存在着较大差异。从根据上述方法计算得到的教育年限来看，北京市的农村居民平均教育年限最高，2000-2012年期间的平均值达到10.01年，排在全国第1位。西藏自治区的农村居民平均教育年限最低，2000-2012年期间的平均值只有3.35年，排在第31位。从人均生活消费支出来看，北京市农村居民在2000-2012年期间的平均生活消费支出为4048元，排在全国第二位，西藏自治区的农村居民在此期间的平均生活消费支出为1253元，排在第30位。图1是农村居民人均生活消费支出与人均教育年限的散点图。从图1可以看出，农村居民的人均生活消费支出与人均教育年限之间呈现出较强的正相关关系。

估计结果与分析

在本文的计量模型中，解释变量包含了被解释变量的滞后项lnconsumi，t-1，该模型为动态面板模型。由于lnconsumit是误差项εit的函数，显然lnconsumi，t-1也是εit的函数，因此解释变量lnconsumi，t-1就与误差项εit相关，即使εit不存在序列相关，普通最小二乘估计量（OLS）也是有偏和不一致的。对于固定效应（FE）估计量，虽然组内变换剔除了αi，但是在εit不 存在序列相关的情况下仍和相关。这是因为含有εi，t-1，显然lnconsumi，t-1与εi，t-1是相关的，因此lnconsumi，t-1就和相关。Nickel（1981）证明固定效应（FE）估计量是有偏的。即使个体数增大时，也不能收敛到一致估计。Arellano and Bond（1991）提出使用差分GMM估计以解决动态面板模型估计过程中存在的变量内生性问题对估计参数带来的偏差，但该方法无法估计不随时间变化的变量的系数，并且对时间跨度较长的面板数据会导致弱工具变量的问题。考虑到差分GMM的缺陷，Arellano and Bover（1995）重新回到差分之前的水平方程，提出了“水平GMM”的估计方法。Blundel and Bond（1998）则将差分GMM和水平GMM结合在一起，提出了系统GMM估计方法。系统GMM方法同时利用了差分方程和水平方程的信息，可以提高动态面板数据模型估计的效率。

图1 农村居民人均生活消费支出与人均教育年限散点图

本文将采用系统GMM方法对模型进行估计，以克服内生性及个体异质性问题。用系统GMM进行估计的前提条件是误差项εit不存在序列相关。即使εit不存在自相关，但是εit的一阶差分仍将存在一阶自相关。因此如果差分后的误差项只存在一阶自相关而不存在二阶自相关，就可以认为误差项不存在序列相关。系统GMM估计的一个主要特征是矩条件的个数随着时期T的增大而增加，矩条件过多虽然可以增加有效性，却引入了有偏性，因此进行系统GMM估计所使用的工具变量是否有效还需要进行过度识别检验。在随后的估计结果中，本文将给出检验误差项εit是否存在序列相关的AR（1）和AR（2）统计量以及检验“所有工具变量是否有效”的Sargan统计量。

表2 是对动态面板模型进行系统GMM估计的结果。系统GMM估计的AR（1）统计量的p值表明误差项的一阶差分存在一阶自相关，但不存在二阶自相关，因此可以判断误差项εit不存在自相关，满足系统GMM估计的前提条件。判断整个工具变量是否有效的Sargan统计量的P值为1，完全无法拒绝“工具变量均有效”的原假设。

在用系统GMM进行估计后，一般还需要对计量模型的解释变量中是否应该包括被解释变量的滞后项进行稳健性检验。检验的方法就是分别对动态面板模型进行OLS估计、FE估计和系统GMM估计，然后对用这三种方法估计得到的被解释变量的一阶滞后项的系数进行比较。对于动态面板模型，虽然OLS估计和FE估计是不一致的，但是OLS可以给出被解释变量的一阶滞后项的估计参数的上界，而FE可以给出该参数的下界。如果动态面板模型的设定是合理的，则用系统GMM估计得出的被解释变量的一阶滞后项的参数将位于OLS估计和FE估计所得到的参数之间。从表2可以看出，用系统GMM 估计得到的lnconsumi，t-1的系数为0.747，而OLS估计和FE估计得到的系数分别为0.921和0.699。因此本文的模型设定是合理的。

从系统GMM估计的结果来看，农村居民的教育程度对其消费水平具有显著的正向影响，这与理论推导的结论是一致的。农村居民的受教育年限增加1%，则生活消费支出将增加0.17%。此外，滞后一期的消费对本期的消费具有正向影响，并且非常显著，这说明消费具有惯性，符合杜森贝利的消费具有“棘轮效应”的假说。收入水平对农村居民的消费也具有显著的正向影响，这也符合经济理论和人们的一般经验。

结论

本文首先从理论上分析了教育影响消费的机制，然后利用我国2000-2012年的省际面板数据，在控制了滞后一期和当期收入的情况下，用系统GMM方法估计了农村居民的教育程度对其消费水平的影响。理论分析和实证分析的结果均表明农村居民的教育程度越高，人均生活消费支出也越高。进入21世纪以来，国家加大了对农村教育事业的投入力度。2003年国务院在召开的新中国成立以来第一次全国农村工作会议上，决定将新增教育经费主要用于农村。2005年国务院决定将农村义务教育全面纳入国家财政保障范围。到2007年，农村已全面实现了免费义务教育。但是目前农村的教育投入与城市相比还存在着巨大差距，农村居民的教育程度还远远落后于城市居民。当前应继续加大对农村教育事业的投入，在巩固农村义务教育普及成果的基础上，以中等职业教育为重点，加快普及农村高中阶段教育。发展农村教育事业，不但可以提高农村居民的生产能力，为我国现代农业的发展积累丰富的人力资本，同时还可以提高农村居民的消费能力，有助于我国扩大内需政策的有效实施。

1.贝克尔.人力资本理论：关于教育的理论和实证分析[M].中信出版社，2007

2.葛学峰，武春友.乡村旅游偏好差异测量研究：基于离散选择模型[J].旅游学刊，2010（1）

3.张洪，程振东，王先凤.城市居民国内旅游需求影响因素分析及对策研究[J].资源开发与市场，2014（6）

4.叶春辉，封进，王晓润.收入、受教育水平和医疗消费：基于农户微观数据的分析[J].中国农村经济，2008（8）

5.张学敏，何酉宁.受教育程度对居民消费影响研究[J].教育与经济，2006（3）

6.李军，黄园，谢维怡.教育对我国城镇居民消费结构的影响研究[J].消费经济，2015（1）

7.Psachropoulos M.Schooling and Income Distribution[J].Review of Economics and Statistics，1976，58（3）

8.Nickell S J.Biases in Dynamic Models with Fixed Effects[J].Econometrica，1981（49）

9.Arellano M，S Bond.Some Tests of Specification for Panel Data：Monte Carlo Evidence and an Application to Employment Equations[J].Review of Economic Studies，1991（58）

10.Arellano M，O Bover.Another Look at the Instrumental Variables Estimation of Errorcomponent Models[J].Journal of Econometrics，1995（68）

11.Blundell R，S Bond.Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J].Journal of Econometrics，1998（87）