非农就业对城郊农民收入的影响研究

2016-10-28刘魏

西南大学学报（社会科学版） 2016年5期

关键词：控制组农民收入人群

刘　魏

(西南大学 1.经济管理学院；2.农村经济与管理研究中心，重庆市 400715)

非农就业对城郊农民收入的影响研究

刘魏1，2

(西南大学 1.经济管理学院；2.农村经济与管理研究中心，重庆市 400715)

城镇化的外围式扩张导致城郊农民土地被征用，非农就业将成为城郊农民重要的就业方式。基于中国综合社会调查(CGSS)2012年的统计数据，运用倾向得分匹配模型，分析了非农就业对城郊农民收入的影响。结果发现：非农就业能够显著提高城郊农民收入水平，非农就业的城郊农民收入比未非农就业高59%。基于不同受教育程度、不同社会地位和不同性别等异质型特征进一步研究发现，低学历、女性人群由纯农就业转为非农就业，其收入提升效应更为显著，但现阶段低学历、女性人群非农就业比例却很低。因此，鼓励城郊农民非农就业是很有必要的，尤其要降低低学历、女性等人群的非农就业进入门槛，使他们进入到城市服务行业，以达到与城市高技能劳动者的行业互补和提高农业规模经济效益的目的。

非农就业；城郊农民；收入效应；学历；女性人群；中国综合社会调查

一、引　言

传统意义上，农村非农经济发展被认为是低产出的，将随着时间的变化逐渐消失，农民收入获取的途径主要源于农业生产经营，即通过土地、劳动力和资本的投入实现。但土地单位产出率的低下和农村信贷资本的限制，导致剩余的劳动力集中在土地上，农民不能通过资本投资获取新的生产技术。同时农产品价格的风险性和不确定性导致农民收入增长具有不稳定性。伴随着改革开放以后我国经济社会环境发生的变化，农民非农就业越来越被重视，其在农民收入增长、减少贫困和释放农村剩余劳动力等方面扮演着重要角色[1-2]。农民收入增长不再单纯依靠农业生产，而更多地依靠非农生产活动。据统计，2015年底我国农民工总量达到2.77亿，比上年增长1.3%，其中外出农民工1.69亿，增长0.4%*数据来源于国家统计局发布的《2015年国民经济和社会发展统计公报》。。可以说，农村经济中非农业对收入贡献的比例越来越大，不仅提高了农民收入水平，也为城市经济贡献了劳动力。

与时同时，劳动力的流动促使城镇化快速发展，城镇化的发展将掀起新一轮的非农就业浪潮[3]。城镇化推进过程中，城镇规模的外延式扩张会导致城郊失地农民的增加，城郊农民生产行为将发生变化，必将进一步影响其收入水平和收入结构[4]。一方面，城郊农民在城镇化发展过程中由于面临失去土地风险而选择非农就业，另一方面，城郊农民在传统农业生产过程中面临过密化*黄宗智认为，过密化是指经济在以单位工作日边际报酬递减为代价的条件下扩展，即所谓的“没有发展的增长”。导致的土地单位产出率低、农村资本匮乏、农业收入增长不稳定等供给侧问题，会主动选择非农就业。因此，非农就业成了城郊农民收入增长的关键。随着工业化、城镇化和农业现代化的发展，城郊农民正面临收入结构的变化。非农就业不仅能够提高收入水平，还能够为妇女和穷人创造更多的就业岗位[5]。当前，我国正在进行“供给侧改革”。劳动力作为供给侧一个重要的增长因素，劳动力的优化配置将对供给侧改革产生深远影响。习近平同志在中央财经领导小组第11次会议和亚太经合组织APEC工商领导人峰会上两次强调，要“加强供给侧结构性改革”。李克强同志在“十三五”规划纲要编制工作会议和2015年《政府工作报告》上指出，“要在供给侧和需求侧两端发力，促进产业迈向中高端”。对于城镇化发展来说，处理好城郊农民的非农就业问题无疑是供给侧改革的重要内容。

事实上，许多学者认为提高收入的关键在于非农就业[6]。但由于规避风险的偏好，城郊农民中从事非农就业工作的通常是被征地或者受教育程度较高、具有非农工作经历的人群，知识和思维结构、社会网络的变化使这部分人群更倾向于非农就业。Emran & Hou指出穷人参与非农活动会面临进入壁垒[7]。Cherdchuchai & Otsuka、Kijima, Matsumoto & Yamano、Lanjouw & Murgai也认为从事非农活动需要娴熟的技能或者较高的受教育程度[8-10]。那么，非农就业对城郊农民收入的影响，到底来自于非农就业的直接影响？还是诸如受教育程度、性别、社会地位等异质性特征带来的间接影响？这是本文需要甄别的一个问题。因此，本文将运用倾向得分匹配(PSM)模型来检验非农就业对城郊农民收入的影响，倾向得分匹配方法能够较好地剔除样本自选择所带来的内生性问题。

二、文献述评

近年来，国内外学术界对农民的非农就业问题进行了广泛讨论和深入研究，并取得了丰硕成果。不少学者探讨了发展中国家非农就业的特点和影响因素。Reardon et al.认为非农就业在农村经济发展中扮演越来越重要的作用，它为农业生产的上下游提供了产品和服务，同时提供了较多的农村收入份额，为粮食安全、缓解贫困、提高农业生产竞争力作出了较大贡献[11]。Abdulai & Delgado通过对加纳北部已婚男性和女性非农就业行为的研究，得出教育、经验、基础设施、到首都的距离、人口密度能够显著提高劳动力非农就业的参与率，同时非农就业工资具有性别差异[12]。Barrett发现非农就业与家庭福利存在正相关关系，非农收入的多元化有利于刺激消费的快速增长[13]。Canagarajah发现自我雇佣方式的非农就业会导致收入不平等程度的加剧，对于以女性为户主的家庭更甚，而以工资为主要方式的非农就业可以减小收入不平等程度[14]。此外，他还发现地理位置、受教育程度、年龄和距离市场远近是影响非农就业的关键因素。Lanjouw认为穷人由于受教育程度较低，其参与非农就业活动的劳动生产率低下[15]。任国强探讨了人力资本对非农就业的影响，发现受教育程度越高，非农就业参与度越高，除高中外，农民受教育程度越高，非农报酬也越高[16]。艾春荣、汪伟发现农户非农就业与否主要与由农户的农业生产率和非农劳动单位报酬决定，与当期收入不相关[17]。

非农就业的进入限制也是一个值得研究的问题。Knight指出初中及以上学历的农民更容易获得贸易、制造业等非农工作，其子女更容易受到良好的教育，这会形成一个良性循环，而那些受教育程度较低的农民往往会陷入恶性循环中[18]。同样，营养不良的农民由于工作效率低下，失业的可能性更高，从而陷入贫困的恶性循环之中[19-20]。Jha运用印度农村的实证研究证实了营养不良导致贫困的假设[21]。Reardon强调贫困家庭由于非农活动进入限制，阻碍了他们投资非农活动，这印证了贫困陷阱的存在，也说明贫困家庭进入非农产业工作并非是一个自然过程[22]。

还有学者研究了非农就业与收入之间的关系问题。Taylor J.E认为非农就业所造成的农业劳动力流失会导致农业收入的下降[23]。Haggblade et al.认为发展中国家非农就业是农民收入的主要来源，贡献了35～50%的份额，同时吸纳了33%的农村劳动力[24]。不少学者认为非农就业活动在经济社会中的作用越来越大[25]，增加了农民的粮食产出和收入[26]，缩小了农业家庭和非农就业家庭的收入差距[27]。刘洪银运用丹尼森方法构建回归模型，发现非农就业能够显著促进经济增长，同时非农就业对经济增长的作用符合边际递减规律[28]。钱文荣等区分了非农就业对收入影响的直接和间接效应，直接效应显示非农就业人数的增加会导致农业收入下滑，间接效应显示非农就业的工资汇款可以补偿直接效应所带来的负面影响[29]。宁光杰运用2008年农村住户调查数据分析了非农就业的影响因素及非农就业对农民收入的影响问题，研究发现教育、年龄、培训、健康以及非农工作经历会显著影响农民非农就业参与度。同时还发现外出非农就业的收入显著高于本地就业[30]。冉璐等运用2008年中国综合社会调查数据，分析了非农就业经历对务农收入的影响，发现具有非农就业经历的农民务农收入显著高于无非农就业经历的农民[31]。

通过对相关文献的梳理，本文可能的创新之处是：(1)已有研究内容主要集中在非农就业行为的决定因素上，较少涉及非农就业对收入影响问题。对于部分研究非农就业对农民收入影响的文献，则忽略了不可观测因素所导致的自我选择所产生的偏误，难以区分非农就业所产生的因果效应与不可观察因素所产生的效应，会导致回归估计偏误，从而给出一个错误的政策含义。因此本文利用倾向得分匹配模型(PSM)，可以较好地区分非农就业或是不可观测因素对农民收入的影响。(2)研究主体主要集中于城郊农民。现有文献主要研究农民的非农就业问题，其理论背景基于劳动力迁移理论和农业的弱质性问题，因此农民的非农就业主要考虑农业生产率和非农劳动单位报酬的高低。而城郊农民则是城镇化外围扩张所产生的一个特殊农民群体，其非农就业主要来自城镇化扩张所导致的失地问题和市民化过程积极融入城镇的自发就业过程。因此城郊农民与其他农村地区农民的非农就业动机是不一样的。(3)国外学者主要从特定国家研究非农就业问题，这与我国的城郊农民有本质不同，且研究数据不适用于国内问题研究。本文主要借助于中国综合社会调查数据，覆盖面广、代表性强。

三、理论模型

农户非农就业行为选择问题，本文借鉴了Huffman的理论模型[32]，Owusu et al.对该模型进行了发展[33]。在给定物品消费量(Q)和闲暇消费量(H)的情况下，农户家庭效用函数(U)可以表示为：

(1)

同时，每个农户家庭还面临时间和资金预算约束。时间约束可以表示为：

(2)

T表示总的时间禀赋，L1和L2分别表示分配给农业就业和非农就业的时间，H表示闲暇时间。L1和L2满足：

(3)

资金预算约束可以表示为：

PQ=p1y1=wL1+w2L2+R

(4)

其中，P代表市场上产品价格，w1和w2分别表示农业就业、非农就业的劳动力单位时间报酬，y1和p1分别表示农产品的销售量、销售价格，R表示非劳动收入。

因此，农户获取最大利润的最优时间分配，可以表示为效用函数的一阶条件：

(5)

(5)式中i表示农业就业或非农就业，将(5)式化简，可得到农户在农业就业和非农就业的最优工资报酬：

(6)

根据(5)式，农户分配到农业、非农就业和闲暇的最优时间，可以得农业就业和非农就业的劳动力供给函数：

(7)

(8)

(9)

(10)

四、研究方法、变量与数据

(一)倾向得分匹配方法

根据是否选择非农就业，本文将样本分为激励组和控制组两类。激励组即非农就业的城郊农民，控制组即未非农就业的城郊农民。前文提到，城郊农民非农就业对收入的影响效果，可能来自于受教育程度、性别、社会地位等异质性特征，而非非农就业的直接影响，因此有必要控制样本的自选择偏误。文章采用Rosenbaum & Rubin提出的倾向得分匹配模型(PSM)[35]，其基本思想是找到与激励组相似的控制组样本，从而降低样本自选择偏误。这种选择方法即是倾向得分(propensity score)，倾向得分既可以使激励组寻找一对一的控制组样本，也可以寻找一对多的控制组样本。倾向得分定义是在样本X给定的条件下，城郊农民选择非农就业的条件概率，即：

(11)

其中，Li表示城郊农民选择非农就业与否，取值0表示未参与非农就业，取值1表示参与非农就业。Zi表示影响就业行为的个体特征。倾向得分p(Zi)可以用logit或者probit模型进行估计[36]，在已知农户的倾向得分p(Zi)后，通常无法寻找到得分完全一样的样本，已有文献主要通过最近邻匹配、半径匹配和核匹配等方法来达到激励组与控制组的样本匹配。这三种方法的计算公式在此不一一列举，通过Stata 13.1软件可以很方便地计算出。样本匹配完成后，进一步估计城郊农民选择非农就业的平均处理效果(ATT)，其公式为：

(12)

(二)变量与数据

本文所用的数据主要来自于中国综合社会调查(Chinese General Social Survey，CGSS)，该数据由中国人民大学中国调查与数据中心组织调查。数据样本始于2003年，调查范围覆盖中国大陆，调查内容涉及中国家庭及个人的个体特征、价值观、健康、收入等。本文选取(CGSS)2012年的调查数据，数据中包含s5a和a18两个变量，s5a的标签含义是受访者居住的地区类型，取值1代表市/县城的中心地区，取值2代表市/县城的边缘地区，取值3代表市/县的城乡结合部，取值4代表市/县城区以外的镇，取值5代表农村，取值6代表其他。a18的标签含义是“您目前的户口登记状况”，取值1代表农业户口，取值2代表非农业户口，取值3代表蓝印户口，取值4代表居民户口(以前是农业户口)，取值5代表居民户口(以前是非农户口)，取值6代表军籍，取值7代表没有户口，取值8代表其他。本文研究的城郊农民收入问题，因此同时选择s5a取值为2或3和a18取值为1的样本。通过这两个指标可以选取城郊农民样本，同时剔除了拒绝回答、不知道、不适用的样本，最终获得849个样本观测值。本文主要分析非农就业与城郊农民收入问题，结合明瑟收入方程常用的收入控制因素，本文选择了性别、年龄、年龄的平方、是否少数民族、是否宗教信仰、受教育程度、是否党员、健康状况、社会地位、是否结婚等个体特征变量，各变量的描述性统计见表1和表2。

表1　变量的选取和指标定义

表2　变量的描述性统计

通过以上对变量和数据的选取，本文进一步观察非农就业所形成的收入分布差异。图1展示了城郊农民收入的核密度函数。从图中可以看到，在收入的低收入区间，未非农就业的人群概率密度高于非农就业人群，说明低收入区间未非农就业人群密度较高。在中等收入区间，非农就业人群概率密度高于未非农就业，说明非农就业人数较多。而在中高收入区间，未非农就业人群概率密度又超过非农就业人群。在高收入区间，非农就业人群超过未非农就业人群。这种现象说明在收入处于中等收入区间的人群主要是通过非农就业渠道获取收入，而低收入区间和高收入区间的人群则主要是通过农业就业渠道获取收入。这从侧面反映出农业就业既是致贫的主要因素，也是致富的因素，致贫的原因可能来自于传统落后的农业生产方式，而致富的原因可能来自于现代先进的农业生产方式，通过规模经济达到农业收益最大化。但中等收入群体占城郊农民的绝大多数，因此非农就业是提高城郊农民收入的有效途径。

图1　城郊农民收入的概率密度函数

从图1可以看出非农就业与未非农就业的城郊农民存在着显著的收入差异。表3进一步用t检验分析了非农就业造成的收入差异问题。如表3所示，非农就业的城郊农民收入对数值为10.27，而未非农就业人群仅为4.589，前者比后者高124%，两者的收入对数均值存在显著差异。从影响收入的各因素看，性别、年龄、宗教信仰、受教育程度、健康状况等均存在显著差异，相较于未非农就业的城郊农民，非农就业人群男性居多、年龄较小、信教者较少、受教育程度更高、身体更健康。但这也隐含着内生性问题，因此需要运用PSM方法将各变量和非农就业对收入的影响分离出来。另外，是否少数民族、是否党员、社会地位、婚姻状况等方面，未非农就业人群和非农就业人群不存在显著差异。

表3　基于非农就业分类的变量均值及均值差异

注：均值差异栏中为t值，括号内为p值。

五、实证分析

(一)倾向得分匹配模型选择

从表3的分析结果可知，非农就业的城郊农民收入明显高于未非农就业的城郊农民。但进一步分析其个体特征发现，非农就业的城郊农民大多为男性、受教育程度较高、年纪更轻、身体更健康，这种特征隐藏着非农就业对城郊农民收入影响的内生性问题。我们无法区分非农就业对城郊农民收入的影响是来自于非农就业自身因素，还是来自于非农就业的城郊农民所具有的更能提高收入能力的个体特征因素。因此，前述分析为我们进一步进行PSM分析提供了基础。

PSM分析的第一步是获得倾向得分(PS值)。倾向得分主要通过probit或logit等概率回归模型进行估计而获取。为了达到匹配效果最佳，概率模型的选择很重要。Lian等认为，倾向得分估计的概率模型设定主要通过调整R2(pseudo-R2)和AUC值进行判定[37]。在概率模型中，被解释变量是0-1离散型变量，而通过概率模型估计获得的倾向得分(PS值)则是连续变量，因此传统的判定方法失效[38]，而AUC值*医学中常用的受试者工作特征曲线(Receiver Operating Characteristic，ROC)以下的面积被定义为AUC值。则能较好地反映模型设定效果。表4列举了logit和probit两种概率回归模型的估计结果。从回归结果来看，logit和probit的调整均R2为0.255，logit模型的AUC值高于probit模型的AUC值，Stürmer等认为获取倾向得分值的概率模型，其值大于0.8时，匹配模型的效果会较好[39]。而本文中logit模型的AUC值为0.821，高于0.8，同时也高于probit模型的AUC值。因此，本文选择logit模型作为获取倾向得分的回归模型。

表4　概率模型估计

注：1.被解释变量为0-1变量nonfarm，0代表未非农就业，1代表非农就业。

2.*、**、***分别表示在10%、5%、1%水平上显著。

3.AUC代表ROC曲线以下的面积。

(二)匹配效果分析

经过logit模型计算得到倾向匹配得分(PS值后)，选择合适的匹配方法，可以计算处理组(非农就业)与对照组(未非农就业)的平均处理效应(ATT)。匹配方法主要有最近邻匹配、半径匹配和核匹配。本文以最近邻匹配方法为主，半径匹配和核匹配作为稳健性检验。以最近邻匹配方式进行匹配后，可以通过核密度函数图和ROC曲线图检验匹配效果。本文显示了匹配后的ROC曲线图，如图2所示。从图中可以看出，ROC曲线远离对角线，这反映出AUC值较大，AUC值越大，表明匹配效果越好。因此，ROC曲线直观地表明倾向得分匹配效果良好。

图2　倾向得分匹配后的ROC曲线图

倾向得分匹配还必须满足平行假设，即城郊农民非农就业群体与未非农就业群体在倾向得分匹配后，其各个维度特征无显著差异。表5列举了倾向得分匹配后的平衡性检验，标准偏误低于20%通常被认为是良好的匹配结果[40]。从表中可以看出，性别、年龄的平方、受教育程度、是否少数民族、健康、社会地位等变量的标准偏误都低于5%，而在匹配前，这些变量的标准偏误都较高。与此同时，通过t检验可以看出，性别、年龄、年龄的平方、宗教信仰、健康状况等变量在匹配前，控制组和处理组均存在显著差异，而在匹配后差异不再显著。是否少数民族、社会地位两个变量在匹配前和匹配后，控制组与处理组均不存在显著差异。受教育程度在匹配前，两组差异显著，匹配后，两组差异只在10%的置信水平上显著。而政治面貌和婚姻状况两变量在匹配前，两组差异不显著，匹配后却变得显著。总体来看，经过倾向得分匹配后，对照组与处理组各个维度特征差异不显著，匹配效果较好。

表5　倾向得分匹配后的平衡性检验

注：1.*、**、***分别表示在10%、5%、1%水平上显著。2.匹配前是指处理组与控制组(非农就业与未非农就业)没有经过倾向得分匹配所得到的估计结果，匹配后是指处理组与控制组经过倾向得分匹配后得到的估计结果。3.处理组与控制组是指城郊农民是否非农就业所划分的组别。匹配前，处理组指非农就业的城郊农民样本，控制组指未非农就业的城郊农民样本；匹配后，处理组指非农就业的城郊农民样本，控制组指未非农就业、但其特征与非农就业群体特征类似的城郊农民样本。

表6进一步列举了匹配模型的总体检验。运用非农就业与匹配变量的回归，在匹配前，如表6所示，调整R2为0.255，这在概率模型中算比较良好的拟合效果，似然比检验显著，即匹配变量均为0的假设被拒绝，模型整体上显著。这种统计结果表明，在匹配前，控制组与对照组存在明显差异，城郊农民中非农就业群体与未非农就业群体的变量特征存在显著差异；匹配后，调整R2为0.015，拟合效果较差，似然比检验显著水平下降，模型在1%的置信水平上被拒绝。这表明，匹配后，控制组与对照组的差异不明显，通过倾向得分匹配，找到了与城郊农民非农就业群体特征相似的未非农就业群体样本，模型整体匹配效果较好。