农村劳动力转移的农户增收效应——基于区域异质性的视角

张杰飞

（1．太原科技大学 经济与管理学院，山西 太原 030024，2．太原科技大学 企业社会责任研究中心，山西 太原 030024）

一、引言

城乡收入差距是当前中国面临的主要挑战。改革开放以来，中国的城乡收入比由1985年的2．1，迅速上升至2009年的3．3，之后虽缓慢下降为2017年的2．71，但与国际上通常的最高值（约为2）相比，我国的城乡收入差距依然十分严峻。此外，我国东、中、西部地区城乡收入差距也不尽相同。从2005－2009年，东部、西部地区城乡收入比分别由 2．87、3．67 上升到 2．96、3．71，之后逐渐下降至 2016 年的 2．53、2．89；同期，中部地区则分别为2．94、2．92、2．40。①东中西部各年的城乡收入比根据国家统计局官方网页 http：／／data．stats．gov．cn／tablequery．htm？code＝AD0E 数据计算得到。可见，全国城乡收入差距问题仍然不容忽视，且存在一定的区域差异性。

2019年中央一号文件《关于坚持农业农村优先发展做好“三农”工作的若干意见》要求“发展壮大乡村产业，拓宽农民增收渠道”，因此，增加农村居民收入势在必行。林毅夫（2002）[1]认为只有以农业劳动力转移为发展的主要目标，农村剩余劳动力才有可能增产增收，传统的以提高农业生产率为着眼点的农村发展战略才能真正解决农村贫困问题。

学者们就农村劳动力转移的农户增收效应进行了研究，大致有以下两种观点。一是增收有效论。一些学者认为劳动力转移能显著增加农户收入。李实（1999）[2]、白书祥（2006）[3]研究发现，农村劳动力流动直接或间接地提高农户家庭收入水平。朱红恒等（2017）[4]、刘一伟（2018）[5]、陈啸和宋陆军（2018）[6]认为，劳动力转移可以有效提高农村居民的收入水平，且东中西部地区农民收入的来源主要为外出务工。Christiaensen（2014）[7]则从城市化的角度出发，利用发展中国家的跨国数据研究发现，劳动力转移带来了更多的包容性收入增长。

有学者进一步研究了劳动力转移对工资性收入的影响。阳俊雄（2001）[8]、马忠东等（2004）[9]、马德生和王丽芹（2008）[10]、罗楚亮（2010）[11]、崔传义（2010）[12]、梅新想和刘渝琳（2016）[13]研究发现：劳动力转移对工资性收入增长有显著的作用，是农民人均工资性收入及份额提高的重要途径，农村劳动力转移所取得的工资性收入占农民人均纯收入的比重越来越大，对农民人均纯收入增长的贡献最大。Arouri等（2017）[14]利用家庭调查数据评估发现，城市化进程刺激了农村从农业向非农业的转移，降低了农业收入，但有助于增加农村工资和非农收入。

也有学者针对个别地区进行了相关研究。都阳和朴之水[15]、王德文等（2009）[16]、蒲艳萍（2010）[17]针对西部地区、贫困地区的研究发现：农村劳动力流动对增加农村居民收入有积极效应，并成为其收入的重要来源。谭泰乾（2006）[18]、李宾等（2015）[19]、张永丽和王博（2017）[20]针对重庆、湖北、甘肃地区的研究发现：外出务工劳动力对农户家庭人均收入有显著的正向作用，务工收入是农户家庭的主要收入来源。

二是增收异质性论。另有一些学者认为，由于经济发展程度、收入水平、年龄、时期的差异，农村劳动力转移的增收效应存在一定的异质性。樊士德和江克忠（2016）[21]研究表明：劳动力外流能显著提高家庭的人均纯收入；且相比东部发达地区，欠发达地区劳动力流动对提升家庭人均纯收入的贡献度相对更高。但李谷成等（2018）[22]认为：劳动力转移可显著促进农民总收入和非农收入增长，且劳动力转移在东部地区对农民总收入和非农收入的正向影响都高度显著，而对中西部地区各收入变量的影响却不显著。刘晓丽和潘方卉（2019）[23]研究表明：劳动力转移对农民收入的影响在西部、中部和东部地区表现出随着劳动力转移数量的增加从不显著，到负向作用，再到正向作用的变化规律。

此外，张宽等（2017）[24]则发现，农村劳动力转移对农村居民收入正向作用机制只在高农业劳动生产率区域显著存在。李翠锦（2014）[25]研究表明：劳动力迁移提高了中等收入农户的收入水平，但对贫困户的贫困无缓解效应，也不影响富裕户的收入水平。甄小鹏和凌晨（2017）[26]研究得出：外出务工总体而言对家庭收入具有促进作用，且太过年轻或太过年老的劳动力外出务工对家庭收入的促进作用要低于具有同样教育年限的同性壮年劳动力。沈倩岭和王小月（2018）[27]分析得出：短期内农村劳动力转移对农村居民工资性收入增长具有显著的正向动态驱动效应，但长期看农村劳动力转移并未对农民工资收入产生显著正向影响。

总之，既有相关研究为我们提供了许多思路和启示，但由于所用数据、研究方的不同，所得结论也不尽相同。本文拟利用中国家庭追踪调查（CFPS）项目微观数据，使用固定效应以及双重差分倾向得分匹配（PSMDID）模型，检验劳动力转移的农户增收效应及其区域差异性。本文的创新主要体现在以下三点。首先，在研究主题上，大部分相关文献仅探讨了劳动力转移对个体收入的影响，而本文以农户家庭为被观测单位，则可研究劳动力转移对农户收入的影响，这也与新迁移经济学以家庭为决策单位的观点相符。其次，在研究方法上，本文使用了CFPS微观数据，可避免宏观加总数据所面临的“伪回归”问题；同时，采用固定效应以及PSM－DID模型可在一定程度上避免遗漏变量和样本自选择偏差问题，从而可得到更具一致性的结论。最后，考虑到区域差异性，本文还进一步探讨了劳动力转移增收效果的区域异质性，并得出了较稳健的结论。本文余下部分结构安排如下：第二部分为数据来源、变量与描述性统计；第三部分介绍研究方法与计量模型设定；第四部分是估计结果及分析；最后为结论及政策启示。

二、数据来源、变量与描述性统计

（一）数据来源

本文将使用中国家庭追踪调查（China Family Panel Studies，简称CFPS）2014、2016两期数据①CFPS项目每两年进行一次跟踪调查，目前仅有2010、2012、2014、2016年四期数据。但由于2010、2012年的数据中关于劳动力转移的口径和2014、2016年数据不一致，因此，本文仅使用2014、2016年两期数据。，该数据是一项全国性、大规模、多学科的社会跟踪调查项目，其调查对象是全国25个省份②调查对象所涉及的全国25省份分别为北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西、重庆、四川、贵州、云南、陕西、甘肃。中满足项目访问条件的家户和样本家户中满足项目访问条件的家庭成员。2014年的全国代表性样本涵盖了25个省份、621个社区、13946户家庭；2016年涵盖了25个省份、621个社区、14019户家庭。

鉴于本文的特定研究目的，我们对CFPS2014、2016两期数据进行了如下处理。首先，由于本文研究对象为农村家庭，因此，只保留社区类型为村委会的个体；其次，剔除2016年家庭号与2014年不同的个体，同时剔除户主是未成年人的个体（因为本文户主特征中包含婚姻状况这个变量，而未成年人没有这一变量的数据），并且对两期数据进行平衡处理，从而得到本文的分析样本。其中，2014年没有外出打工、但2016年有外出打工的家庭（被称为处理组）1173户，2014、2016两年都没有外出打工的家庭（被称为对照组）2431户。

（二）变量与描述性统计

本文被解释变量为农户家庭收入，使用农户家庭人均纯收入INC的对数（记为lnINC）进行度量①农户家庭人均纯收入使用国家统计局公布的农村消费者价格指数（CPI）调整为以2013年为基期的实际值。。核心解释变量MIG为“过去一年，您家有人外出打工吗？”（有＝1，没有＝0），但在2014年、2016年CFPS问卷中并没有这一问题。我们通过调查问卷中对“过去12个月，您家是否有人帮其他农户做农活（如帮人种田、养牲口等）或外出打工（如去城市打工）挣钱？”这一问题的回答来生成核心解释变量MIG。具体来说就是，先将原有问卷中这一问题回答为“有”并且另一问题“外出打工收入是多少？”回答数字大于0的个体归类为“过去一年有外出打工的家庭”，进而生成“过去一年，您家有人外出打工吗？”这一核心解释变量。借鉴相关研究，本文的控制变量分为以下三类：第一类为户主特征变量，包括户主年龄AGE、户主性别GEN（男＝1，女＝0）、户主正规受教育年限EDU、户主自评健康状况HEA（健康＝1，一般＝2，不太健康＝3，不健康＝4，非常不健康＝5）、户主是否在婚MARRY（是＝1，否＝0）；第二类为家庭特征变量，包括家庭总人数POP、家庭儿童（16岁以下）占比CHI、家庭老年人（65岁以上）占比OLD、家庭是否有人从事个体私营NAG（是＝1，否＝0）、家庭是否有参军经历人员 ARMY（是＝1，否＝0）、过去一年，家庭是否有人住院 HOS（是＝1，否＝0）、家庭是否有人从事农业生产AGR（是＝1，否＝0）、家庭现金及存款总额对数lnSAVE②家庭现金及存款总额也使用国家统计局公布的农村消费者价格指数（CPI）调整为以2013年为基期的实际值。；第三类为村庄特征变量，包括家庭所在村庄是否为少数民族聚居区MIN（是＝1，否＝0）、家庭所在村庄方圆5公里内是否有化工厂、冶炼厂、造纸厂等高污染企业 POL（是＝1，否＝0）。

各主要变量基本统计特征如表1所示。第（1）列是全样本的描述性统计，第（2）、（3）列分别是2014年处理组、对照组的描述性统计，第（4）列则报告了2014年关于处理组和对照组的t统计检验结果。第（5）、（6）列分别是2016年处理组、对照组的描述性统计，第（7）列则报告了2016年关于处理组和对照组的t统计检验结果。

由表1可知，从2014－2016年，农村家庭人均纯收入对数在处理组和对照组都呈上升趋势（处理组、对照组分别由 2014 年的 8．45、8．52 增加为 2016 年的 9．22、9．02），说明农村居民收入水平都在提高。同时，2014 农村家庭人均纯收入对数在处理组比对照组低0．07（但不显著），而到了2016年，处理组的农村家庭人均纯收入对数却反而比对照组高0．2（且1%水平下显著）。这可能意味着，劳动力转移进一步增加了处理组家庭的人均收入。此外，其他大多数变量在处理组和对照组之间都存在显著差异，这也意味着这些变量可能与是否外出打工有关，理应成为我们所应考虑的重要因素。

三、研究方法与计量模型设定

（一）固定效应模型（FE）

为了考察劳动力转移对收入的影响及其区域差异性，本文采用固定效应方法作为基准模型。其中，劳动力转移对收入的影响及其区域差异性模型设定如（1）式所示。

表1 各主要变量的描述性统计

（二）双重差分倾向得分匹配模型（PSM－DID）

农村家庭是否进行劳动力转移是自我选择的结果，如果进行劳动力转移的农村家庭与没有进行劳动力转移的农村家庭在不可观测因素方面存在显著差异，且这种差异随着时间变化的趋势不同，那么固定效应方法将存在“选择偏差”。为了处理这种“选择难题”，本文将进一步运用双重差分倾向得分匹配方法估计劳动力转移的收入效应。

处理组的平均处理效应如（2）式所示。

匹配时的倾向得分，则利用2014年的数据、使用（3）式所示的Logit模型进行估计。

其中，Xit与（1）式相同，为影响家庭进行劳动力转移概率且随家庭、时间而变化的协变量。

四、估计结果及分析

本部分将分别使用前文所介绍的固定效应和双重差分倾向得分匹配模型来估计劳动力转移对农户收入的影响，并进行分析。

（一）固定效应模型的回归结果及分析

表2汇报了劳动力转移对农村家庭人均纯收入影响的固定效应模型回归结果。其中，模型（1）为只加入核心变量劳动力转移的回归结果，模型（2）、（3）、（4）分别为在前一列基础上加入户主特征变量、家庭特征变量和年度虚拟变量 year2（2014年时，year2＝0；2016年时，year2＝1）的回归结果，模型（5）则为在模型（4）基础上进一步加入核心变量劳动力转移分别与东部、西部交互项（分别记为MD、MX，以中部为参考区域）的回归结果。

对比该五列回归结果可以看出，核心变量系数的大小和显著性都比较稳定。下面我们主要根据模型（5）的回归结果来解释农村家庭收入的影响因素。首先，核心变量劳动力转移MIG的系数估计为0．584，且在1%的水平下显著。这意味着，中部地区劳动力转移对农村家庭人均纯收入有显著的正向影响，在其他条件不变的情况下，中部地区进行劳动力转移的家庭比没有进行劳动力转移的家庭，其人均纯收入将平均增加约58．4%。同时，MD的系数估计为－0．163，且在5%的水平下显著。这意味着，相对于中部而言，东部地区劳动力转移对农村家庭人均纯收入有显著的负向影响，在其他条件不变的情况下，进行劳动力转移的东部地区家庭比中部地区家庭其人均纯收入将平均减少约16．3%。而MX的系数估计为－0．0459，且不显著。这意味着，在西部地区，劳动力转移对家庭人均纯收入的影响与中部地区没有显著差异。

其次，GEN、POP、NAG、AGR、lnSAVE系数估计显著为正，说明户主为男性、家庭人口数、从事个体私营、从事农业生产、现金及存款总额都能显著提高其家庭人均纯收入；而CHI、OLD系数估计显著为负，说明家庭儿童占比和家庭老年人占比都会显著降低其家庭人均纯收入。此外，AGE及其平方项估计系数分别为正、负（且显著），说明户主年龄与家庭收入存在倒U型关系。这些都与经济理论相符。年度虚拟变量year2的系数估计为0．276，且在1%的水平下显著。这意味着，相对于2014年而言，2016年农村家庭人均纯收入平均增加约27．6%，说明这两年间农户收入取得了较快增长。

（二）PSM－DID估计结果及分析

为了解决农村家庭自我选择是否进行劳动力转移所导致的“选择偏差”，我们采用双重差分倾向得分匹配来进一步估计劳动力转移的收入效应。首先，我们基于2014年数据、使用Logit模型估计农户家庭劳动力转移决策方程；然后，使用农户家庭劳动力转移决策方程来计算每个家庭参与劳动力转移的可能性（即倾向得分），从而为每个进行劳动力转移家庭找到其未进行劳动力转移的反事实个体，并使用双重差分计算进行劳动力转移家庭的平均处理效应；最后，进行平衡性检验，以提高PSM－DID估计结果的可信性。

1．农户家庭劳动力转移决策方程的估计

基于Logit模型的农户家庭劳动力转移决策方程估计结果如表3所示，其中，模型（1）－（4）分别为全部地区、东部地区、中部地区、西部地区的估计结果。由于各个地区的估计结果基本类似，为了节省篇幅，我们仅以全部地区为例进行简略分析。

在户主特征变量方面，户主为女性的家庭进行劳动力转移的概率更大。在家庭特征变量方面，家庭人口数越多，越容易腾出人手，其进行劳动力转移的概率越大；有人从事农业生产的家庭，其生活水平不是很高，社交圈子较小，所以他们更愿意走出去，尝试新事物、适应新环境，故其劳动力转移的概率越大；除此之外，家庭老年人占比越高，则需花费更多时间用于照顾老人，故其参与劳动力转移的概率越低（而家庭儿童占比对劳动力转移概率没有显著影响）；从事个体私营的家庭生活水平相对较高，家庭成员见识也相对较广，进行劳动力转移的意义不大，故其劳动力转移的概率也越低。在村庄特征变量方面，生活在少数民族聚居区的家庭，由于语言、文化、习俗等方面的差异，其劳动力转移概率更小；村庄附近有污染企业的农村家庭，可能由于去就近的污染企业打工，或者为了远离污染而去外地打工，其劳动力转移概率更高。

表2 劳动力转移对农村家庭人均纯收入影响的固定效应模型回归结果

2．PSM－DID估计结果及分析

表4中的模型（1）－（4）分别是全部地区、东部地区、中部地区、西部地区劳动力转移收入效应的PSMDID估计结果。由表4可知，全部地区处理组的平均处理效应系数估计值为0．222（且在1%水平上显著，意味着：进行劳动力转移的家庭比没有进行劳动力转移时，其人均纯收入将平均增加约22．2%）。其中，西部地区处理组的平均处理效应系数估计值为0．270（且在5%水平上显著），中部地区处理组的平均处理效应系数估计值为0．204（且在10%水平上显著），最后东部地区处理组的平均处理效应系数估计值为0．198（且在5%水平上显著）。

可见，中西部地区处理组的平均处理效应也高于东部地区。

表3 基于logit模型的农户家庭劳动力转移决策方程估计结果

表4 劳动力转移收入效应的PSM－DID估计结果

3．平衡性检验

为了提高PSM－DID估计结果的可信性，我们检验了模型（1）－（4）匹配后各变量在处理组和对照组的分布是否变得更加平衡，以及协变量的均值在处理组和对照组之间是否依然存在显著差异。检验结果如表5所示，各变量在倾向得分匹配后的处理组和对照组间分布更加平衡，且没有协变量的均值存在显著差异，说明适合使用PSM－DID方法。

表5 平衡性检验结果

五、结论及政策启示

本文利用中国家庭追踪调查（CFPS）项目微观数据，使用固定效应以及双重差分倾向得分匹配（PSM－DID）模型，研究了中国农村劳动力转移对农户增收的影响及其区域差异性，得出了以下两点主要结论。首先，就全国而言，农村劳动力转移能显著增加农户收入，（与未进行劳动力转移时相比）劳动力转移农户家庭的人均纯收入平均增加约22．2%；且劳动力转移的增收效应具有明显的区域差异性，中西部地区效应显著高于东部地区。其可能原因是：中西部地区乡村经济落后，农户收入水平较低，使得劳动力转移所带来的增收效应反而更大。其次，人口数越多、村庄附近有污染企业等农户家庭，其劳动力转移概率更高；而家庭儿童占比对劳动力转移概率没有显著影响。

本研究具有如下两点政策启示。第一，推行生育鼓励政策。新中国成立初期，我国的人口出生率在1949年、1950年分别为36‰、37‰，1971年7月国务院批转《关于做好计划生育工作的报告》后，迅速下降到2015年的12．07‰。尽管2016年1月1日正式实施了全面二孩政策，但由于惯性、生活经济压力等多方面原因，人口出生率仍在下降，2019年仅有10．48‰。人口出生率的下降将导致劳动年龄人口减少、老龄化加重等一系列社会经济问题。本文计量分析发现，家庭人口数越多，可以促进家庭内部的劳动分工，进而提高其劳动力转移概率，而家庭儿童占比并不会显著降低转移概率，且劳动力转移又能显著增加农户家庭收入。因此，我国政府应积极推行生育补贴、婴幼儿补贴、儿童看护和教育等家庭生育鼓励政策。

第二，中西部地区应大力改善营商环境。本文计量分析还发现，村庄附近有污染企业的农户家庭，其劳动力转移概率更高，一个主要原因可能是劳动力更易实现就地转移，从而获得更高收入。中西部地区乡村经济相对落后，吸纳农村就业较低。2008年中部、西部地区乡村私营企业与城镇单位就业人数之比分别为16．24%、15．42%，之后不断提高到 2018 年的 36．62%、31．81；而东部地区相应年份的比值则高得多，分别达到 29．83%、50．61%，乡村经济更加繁荣，农户收入水平更高。同时，多个第三方机构的评估结果表明，中西部地区在营商环境总体评分方面处于落后地位。中西部地区应建立明确的营商环境考核机制，充分调动地方官员的积极性，大力改善营商环境[28]，顺利承接东部产业转移，从而促进劳动力就地转移，进一步实现农民增收。

致谢：感谢王金波、刘伟、刘志强在论文研究中所做的数据处理、计量分析等工作以及中国家庭追踪调查（CFPS）项目办公室人员所提供的相关数据与解答！