城市规模对人力资本外部性影响的微观证据——基于贝叶斯分位数回归分析

龚石凤, 张浩敏, 唐巧巧

(桂林理工大学 理学院, 广西 桂林 541006)

0 引 言

人力资本是凝集在劳动力自身的知识、 技能以及其表现出来的劳动能力[1]。Lucas认为人力资本具有内部效应和外部效应, 内部效应是指个人的人力资本积累能够提高自身的生产率并增加收益; 外部效应(即外部性)是指平均人力资本的增加能促进所有生产要素的生产率提高[2]。不同劳动力群体通过各种形式的交流实现知识和技能的共享, 从而产生人力资本外部性。特别地, 接受过高等教育的劳动力群体与受教育水平较低的劳动力群体在临近空间内发生的频繁接触, 可以带动受教育水平较低的劳动力群体人力资本水平的提高, 加快创新与技术发展的速度, 并促进整个城市生产效率的提升[3-4]。我国正在积极推动城镇化, 大量劳动力集聚于城市, 人员流动和知识传播变得更加便捷, 这为人力资本外部性问题的实证分析提供了更有意义的现实背景。

人力资本外部性对经济增长的重要意义使其受到大量学者的关注和讨论。宏观层面的研究通常使用卢卡斯人力资本外部性模型进行测度[5-6]。微观角度则以明瑟工资方程为基础, 加入表示人力资本总体水平的变量构建模型, 考察人力资本外部性的大小： Moretti将大学毕业生在城市劳动力人口中的占比作为核心解释变量与平均工资建立回归模型, 在控制可能使得模型产生误差的某些因素基础上, 发现城市中存在大学教育的外部性[7]； Liu发现中国城市存在人力资本外部性[8]； 孙三百对人力资本外部性的4类传导机制进行考察, 发现人力资本外部性促进了城市移民的收入增长[9]； Glaeser等在2002、 2007和2013年中国家庭收入项目调查(CHIP)数据的基础上, 将中国20世纪50年代初高校院系搬迁中城市迁入和迁出的院系数量作为城市人力资本的工具变量, 对人力资本外部性进行考察, 结果显示城市平均受教育年限每增加1年, 个人小时工资将会提升22%[10]； 许岩等提出在不同收入阶层的劳动力之间, 城市人力资本外部性的分布可能并不均衡, 并利用分位数回归方法得到的估计结果证实其猜想, 城市人力资本外部性在不同收入阶层的分布确实存在不可忽视的结构分化[11]； 但也有学者认为一定情形下人力资本外部性不会对收入产生显著影响[12]。

在人力资本外部效应存在性问题取得一定进展的同时, 一些学者对城市规模与人力资本外部性的关系进行了探讨： Black等发现规模较大的城市可以积累更多的人力资本, 进而更好地发挥人力资本外部性的作用[13]； 梁文泉等对服务业内的人力资本外部性大小进行测度, 并探讨了城市规模对服务业行业内、 行业间以及制造业人力资本外部性的影响, 结果显示, 城市规模越大服务业行业内企业间、 行业间均会产生更大的人力资本外部性, 而关于制造业的结果则相反[14]； 王珍珍等同样得出了城市规模越大服务业内的人力资本外部性越强的结论[5]； 李瑞等则考虑城市规模对劳动力个人层面人力资本外部性的影响, 发现城市农民工能够从城市人力资本外部性中获益, 并且城市规模越大, 农民工人力资本外部性程度越高[15]。

总体来看, 大部分研究证实了人力资本外部性的存在, 但现有文献的结果多是基于均值回归得到的平均效应。虽然许岩等采用分位数回归研究了人力资本外部性在不同收入阶层间的分布情况, 但是没有进一步探讨城市规模对人力资本外部性的影响[11]。李瑞等考察城市规模对农民工人力资本外部性影响, 得到的是基于平均水平的结果, 没有考虑不同收入水平上的异质性[15]。因此, 对于不同分位点上城市规模对人力资本外部性的影响还有待进一步的研究。

本文在现有研究成果的基础上, 利用2013年CHIP数据, 运用更加稳健的贝叶斯分位数回归方法, 分析不同收入水平劳动力从城市人力资本外部性效应中获益的情况， 研究在不同分位点上城市规模对人力资本外部性的影响， 并在此基础上分别对城市居民样本和农民工样本进行贝叶斯分位数回归分析, 比较城市居民和农民工人力资本外部性差别, 考察制度性分割的影响。同时, 从微观角度出发, 试图回答以下3个问题: 城市人力资本水平对于不同收入水平劳动力的影响是否存在差异?不同分位点上城市规模对人力资本外部性的影响是否均衡?不同户口性质劳动力间的人力资本外部性又有何差异?

1 模型方法与数据说明

1.1 贝叶斯分位数回归方法

(1)

其中：yi为响应变量；xi为p个自变量组成的向量；βτ为依赖于τ的系数向量；εi为随机扰动项。系数向量βτ的估计可通过求解如下最小化问题得到[18]

(2)

贝叶斯分位数回归的基本思想是假定分位数回归模型的误差项服从非对称Laplace分布, 以此为基础构造模型参数的极大似然函数, 将式(2)的最小化问题转化为极大化似然问题, 再根据贝叶斯估计方法得到参数的后验分布[16]。

非对称Laplace分布的定义为:若随机变量u的概率密度函数为

(3)

则称u服从非对称Laplace分布, 记为u～ALD(μ,σ,τ)。 其中,μ代表位置参数,σ代表尺度参数, 0<τ<1代表偏度参数。

分位数回归的贝叶斯推断过程: 假设模型(1)中的随机扰动项εi～ALD(0,σ,τ), 由于非对称Laplace分布满足线性变化的性质[19], 可得yi～ALD(xi′β,σ,τ)。若给定样本数据y=(y1,y2, …,yn), 那么样本的似然函数为

(4)

在给定的分位数τ下, 极大化式(4)估计β等价于求解极小化问题式(2)。进一步, 若有待估参数β和σ相互独立, 则对应的联合先验分布为π(β,σ)=π(β)π(σ), 由贝叶斯定理可知参数β和σ的联合后验密度为π(β,σ|y)∝L(y|β,σ)π(β)π(σ)。

1.2 计量模型设定

人力资本外部性的测度方法并不唯一, 赵勇等对人力资本外部性效应的测度方法进行了梳理[20]。大部分学者使用基于劳动力工资溢价的人力资本外部性测度方法[7], 即在明瑟工资方程的基础上增加区域变量, 将城市总体人力资本水平对个人工资的影响作为人力资本外部性的估计。许岩等通过实证研究指出人力资本外部性效应存在且城市人力资本高的地区工资溢价更高[11]。本文关注的是城市人力资本外部性效应在不同劳动个体间的异质性, 所以将采用基于劳动力工资溢价的人力资本外部性测度方法进行分析, 模型设定如下:

β2scale2j+εij，

(5)

式中： lnwij表示劳动力个体i在城市j的收入对数; lnHj为城市j大专以上学历人口占比的对数, 反映城市人力资本水平[11，15];Xij为可能对劳动力收入存在影响的个体特征, 包括性别、 教育年限、 婚姻状况等(表1)；scale1j、scale2j为城市规模虚拟变量, 分别代表特大城市和大城市, 并以中小城市作为参照;εij为模型的随机扰动项;θ1为城市人力资本的回归系数, 用于衡量人力资本外部性大小；c为常数项；α′为个体特征控制变量的系数向量；β1、β2城市规模虚拟变量回归系数。

为了进一步考察城市规模对人力资本外部性的影响, 在模型式(5)的基础上, 加入两个城市规模虚拟变量与城市人力资本的交互项:

η1lnHj×scale1j+η2lnHj×scale2j+εij,

(6)

其中，η1、η2分别为两个城市规模虚拟变量与城市人力资本交互项的回归系数。

1.3 数据说明

本文使用的数据包括个体特征微观数据和城市特征数据。 其中个体特征数据来自2013年中国家庭收入项目调查(CHIP2013)， 该调查在全国范围内针对农村居民、 城镇居民和流动人口展开微观调查, 包含了劳动力的人口学特征、 就业特征和受教育情况等信息, 样本具有一定的全国代表性[21]， 主要采用城市住户调查和流动住户调查的个体数据。城市特征数据中, 城市规模变量采用《中国城市统计年鉴》的城市市辖区常住人口数据表示, 城市人力资本数据从各城市第六次人口普查公报获得。

对数据进行适当处理, 首先将CHIP2013的城市住户调查和流动住户调查两个数据集合并, 共得到22 097个个体样本, 由于本文使用市辖区常住人口数据作为城市规模的度量, 故只选取了所在城市有市辖区的样本。对于劳动力个体, 根据《中华人民共和国劳动法》规定, 男性退休年龄是60岁, 女性退休年龄是55岁, 因此将男性年龄控制在16～60岁, 女性年龄控制在16～55岁; 工作经验的度量由调查年份减去目前工作开始年份得到; 删除2013年末就业情况为非就业以及就业身份是雇主、 自营劳动者、 家庭帮工的劳动力样本, 因本文关注的是工资性劳动者; 删除其他变量信息存在缺失或不适用的样本。经过上述处理, 最终获得来自119个城市的8 179份有效样本, 其中： 城市居民样本为7 126份； 农民工样本为1 053份。对于城市规模数据, 以2014年国务院颁布的城市规模划分标准为依据, 把城市分为3类: 特大城市、 大城市、 中小城市。具体的变量定义及描述分析见表1、 表2。

表1 人力资本变量及定义

表2 CHIP2013人力资本变量数据统计与分析

由表2可以发现, 2013年城市居民的平均月收入明显高于城市农民工的平均月收入, 城市农民工平均月收入仅为城市居民平均月收入的85.6%, 说明城市劳动力市场分割问题不容忽视, 而从小时收入看, 两者间的差距更大, 农民工的小时收入不到城市居民的80%, 可能是由于农民工在无力提升生产效率的情况下, 通过增加工作时间以提高收入。城市居民的平均受教育年限约是12.2年, 比城市农民工多2.48年, 平均工作经验年限也比城市农民工多约3.8年, 超过一半城市居民的劳动合同性质是固定职业或长期合同, 说明城市居民从事的工作更加稳定, 而城市农民工中只有23.1%拥有固定职业或签订了长期合同; 关于职业类型, 近半城市居民的职业为专业技术人员、 干部或企事业单位负责人, 多为脑力劳动, 而城市农民工则更多的从事商业服务、 生产操作等劳动密集型工作。这些差异都可能影响城市劳动力工资溢价, 具体关系如何还需进一步的计量分析。

2 实证分析

2.1 基准回归结果

基于CHIP2013人力资本变量数据全体样本的最小二乘法回归估计结果见表3, 反映了城市人力资本、 城市规模、 工作经验等因素对劳动力收入影响的平均效应。考虑到不同劳动力每月工作时长并不相同, 使用月收入指标就无法准确体现劳动力实际生产效率[22], 描述分析的结果也证实了这一问题的存在, 因此本文以劳动力小时收入的对数作为被解释变量。其中， OLS-1将城市人力资本作为核心解释变量, 把受教育年限、 工作经验、 性别、 婚姻状况、 健康状况、 劳动合同性质以及职业类型作为控制变量。估计结果显示, 城市人力资本回归系数为0.217 1, 并且在1%的显著性水平下通过检验, 说明存在显著的城市人力资本外部性, 城市大专以上学历人口占比每增加1%, 劳动力的小时收入将平均增加0.217 1%。

表3 CHIP2013人力资本变量最小二乘回归估计结果

OLS-2在OLS-1的基础上引入两个城市规模的虚拟变量, 分别为特大城市和大城市, 并将中小城市作为参照。加入城市规模变量后, 城市人力资本回归系数的检验结果没有发生改变, 显著的城市人力资本外部性仍然存在, 同时特大城市和大城市的回归系数都显著为正, 说明更大规模的城市所产生规模效应会提高劳动力的收入水平[15]。特大城市的工资溢价比中小城市高19.24%, 大城市的工资溢价则比中小城市高8.86%。这一结果不但印证了城市规模越大, 劳动力收入越高的说法[23], 而且相比于大城市, 特大城市与中小城市的工资溢价差距更大。因此, 即使北京、 上海、 广州、 深圳为代表的特大(超大)城市生活成本高、 工作压力大、 落户条件苛刻, 依然有大量劳动力选择到这类城市工作以获取更高的收入。

进一步将两个城市规模虚拟变量与城市人力资本的交互项纳入模型, 得到OLS-3的估计结果。可见, 城市人力资本的回归系数不再显著, 但是特大城市与城市人力资本交互项以及大城市与城市人力资本交互项两者的回归系数均在1%的显著性水平上通过检验, 分别为0.147 4和0.142 1, 说明特大城市和大城市的人力资本外部性均显著高于中小城市。

观察控制变量的估计结果可知, 劳动力受教育年限每增加1年, 其平均收入可以提高4.89%～4.98%; 随着工作经验年限的增加, 劳动力的经验收益率出现先增加后减少的倒U形变化特征[24]; 平均来看男性收入水平至少比女性高23.17%; 已婚的劳动力个体收入比其他婚姻状态下的劳动力高7.99%～8.21%; 健康的身体状况会对劳动力收入产生正向的影响; 具有固定职业或签订了长期合同的劳动力, 其收入水平比其他相对不稳定工作状态的劳动力高20.62%～21.56%; 专业技术人员、 干部或企事业单位负责人等脑力劳动者比其他职业的体力劳动者具有更高的收入, 且高出15.83%～15.96%。控制变量的估计结果与已有文献结果差别不大。

2.2 贝叶斯分位数回归估计结果

普通最小二乘回归不能反映不同收入水平劳动力获得的城市人力资本工资溢价的差异。分位数回归不仅可以度量解释变量对被解释变量分布中心的影响, 还可以得到解释变量对被解释变量整体分布的影响[18]： 高虹运用分位数回归方法研究了城市规模对不同收入水平劳动力工资的影响[25]; 张弛等利用分位数回归对不同收入阶层的教育回报率进行了考察[26]。这些结果是通过一般频率方法得到的, 如单纯形法、 内点法等。田茂茜等则基于贝叶斯分位数回归方法, 探讨我国城镇居民人力资本收益率的性别差异[24]。与一般频率方法相比, 贝叶斯分位数回归方法具有标准误差比较小， 且更加准确高效等优势。

基于此， 本文采用贝叶斯分位数回归方法进行分析, 并探讨不同分位点上城市规模对人力资本外部性的影响情况。 采用基于MCMC算法的贝叶斯分位数回归对全体样本进行研究, 模拟10 000次, 剔除前4 000次, 保留后6 000次结果， 将后验均值作为系数向量的估计值。 表4给出了0.1、 0.3、 0.5、 0.7、 0.9等5个分位点上参数估计的结果, 图1为各个分位点上城市人力资本系数抽样轨迹图以及后验概率密度图。

图1a—e显示城市人力资本系数的5个抽样值序列各自围绕某个常数值上下波动, 表明各分位点上对城市人力资本系数抽样构成的马尔科夫链均收敛, 可以认为贝叶斯分位数回归得到估计结果可信。结合表4给出的回归估计结果, 城市人力资本回归系数在各个分位点上都显著为正, 并随着分位点的提高而逐渐增大, 说明不同收入水平劳动力均可从城市人力资本水平的提高中获得工资溢价, 即从人力资本外部性效应中获益, 同时收入水平较高的劳动力从人力资本外部性效应中获益的程度大于低收入劳动力。在0.1分位点上, 城市大专以上学历人口占比每提高1%, 劳动力的小时收入将提高0.114 1%; 在0.9分位点时则可以提高0.159 8%。分位数回归的结果使得到更丰富的信息, 与文献[11]得到的高收入阶层的人力资本外部性强度大于低收入阶层的人力资本外部性强度的结果类似。高收入群体通常具有较高技能水平(教育水平), 而低收入群体则相反, 低技能劳动力在与高技能劳动力的互动交流中确实可以通过人力资本外部性的作用提高个人收入, 但提高幅度有限, 而高技能水平劳动力与更高技能水平劳动力的互动过程中, 学习能力和接受程度更高, 生产效率的提升速度更快, 因此会获得更高的城市人力资本工资溢价。

表4 贝叶斯分位数回归估计结果

图1 城市人力资本系数抽样轨迹(a—e)及后验概率密度(f—j)

在控制其他变量不变的条件下, 5个分位点上特大城市与大城市的个人工资溢价均比中小城市高, 并且特大城市的回归系数随着分位水平的提高而逐渐下降, 在0.1分位点达到0.253 8。大城市的回归系数则随分位水平的提高表现出先下降后上升的变化特征, 在0.1和0.9分位点上, 大城市的工资溢价超过中小城市的比例均大于9%。综合来看, 城市规模的溢出效应对较低收入群体的影响更大。 此外, 在各个分位点上, 特大城市与中小城市间的工资溢价差距始终大于大城市与中小城市间的工资溢价差距。

为了对贝叶斯分位数回归和经典分位数回归两种方法的估计结果进行比较, 表5给出了经典分位数回归的估计结果。 可以发现两种估计方法得到的系数估计值差别不大, 但是贝叶斯分位数回归系数的标准差均比经典分位数回归的小, 因此贝叶斯分位数回归方法的估计结果更为精确且可信。贝叶斯分位数回归还可以提供系数向量的后验概率密度, 基于此， 可计算最大后验密度可信区间并进行显著性判断, 其思想是给定可信水平(1-α)下, 只要参数对应的最大后验密度可信区间没有跨越0, 即可认为在对应显著性水平α下该参数估计显著, 从而为假设检验提供简单、 高效的方法[24]。

表5 经典分位数回归估计结果

进一步将两个城市规模虚拟变量与城市人力资本的交互项纳入模型进行贝叶斯分位数回归, 结果如表6所示。可以看到, 两个交互项在各个分位点的系数均显著为正, 说明不同分位点上特大城市和大城市的人力资本外部性均比中小城市大。这是因为我国知识的集聚、 创造、 外溢主要发生在特大城市或大城市[15], 所以这些城市的人力资本外部效应更加明显。

表6 含交互项的贝叶斯分位数回归估计结果

图2为模型式(6)的两个交互项系数后验均值随分位点变化的折线图(全样本)。可直观看到, 在0.1、 0.2、 0.3、 0.4、 0.5、 0.6分位点上, 特大城市与城市人力资本交互项的回归系数在0.154 1～0.107 7较平稳地变化, 在0.7、 0.8、0.9分位点上则出现上升趋势, 说明在高分位点上特大城市与中小城市人力资本外部性差异更大。大城市与城市人力资本交互项的回归系数随分位点的提高则呈现出近似线性增长的变化特点。总的来说, 城市规模对人力资本外部性的影响在不同分位点上并不相同, 高分位点上, 城市规模对人力资本外部性的影响更大, 因此, 高收入劳动力从人力资本外部性获益的程度受城市规模的正向影响比低收入劳动力大。对本文研究的样本进行统计, 发现收入处于最低的30%劳动力中, 从事服务、 生产运输等工作的高达72.7%, 并且在不同规模城市情况下相差不大, 说明不论在何种规模的城市, 低收入劳动力群都主要从事以体力劳动为主的工作, 对知识、 技术没有过高的要求, 因而低收入群体从人力资本外部性中获益的程度受城市规模的影响不大。

图2 城市规模与城市人力资本交互项系数后验均值(全样本)

为进一步说明城市规模对人力资本外部性存在影响, 将全体样本分为特大城市组、 大城市组和中小城市组, 仍以劳动力小时收入为被解释变量, 城市人力资本为核心解释变量并保留其他控制变量, 分别进行贝叶斯分位数回归分析, 检验城市规模对人力资本外部性的影响效应。表7给出了对应的中位数回归估计结果, 各组的城市人力资本回归系数都为正, 特大城市组和大城市组的人力资本回归系数分别为0.136 0和0.163 6, 且对应的99%最大后验密度可信区间均未跨越0, 中小城市组的人力资本回归系数则为0.071 5, 比特大城市组和大城市组的小, 且95%最大后验密度区间不含0。在0.1、 0.3、 0.7及0.9分位点上可以得到类似结论。综合来看, 城市规模确实对人力资本外部性强度具有显著影响。

表7 不同城市规模组的贝叶斯中位数回归结果

2.3 基于城市居民样本、 农民工样本的实证分析

全样本回归的结果表明存在城市人力资本外部性, 并且在不同分位点上, 特大城市和大城市的人力资本外部性均比中小城市大。基于全样本的分析获得的是一个整体刻画, 容易掩盖不同属性群体间的差异。户籍制度改革滞后于我国城镇化进程, 也加深了我国劳动力市场的分割。研究不同户籍类型劳动力群体间的人力资本外部性差异, 有利于识别劳动力市场分割对人力资本外部性的影响。本文将具有城镇户口和居民户口的劳动力统称为城市居民, 而具有农业户口的城市劳动力称为农民工。对城市居民子样本和农民工子样本分别进行贝叶斯分位数回归, 考察在不同分位点上不同户籍类型劳动群体从人力资本外部性中获益程度的差别, 并比较城市规模对人力资本外部效应的影响在两子样本间的异同。

表8给出了城市居民、 农民工样本在中位数上的回归估计结果, 根据不含交互项的中位数回归结果, 城市大专以上学历人口占比每增加1%, 城市居民的个人收入将平均(中位数可看作均值)增加0.141 2%, 而农民工的个人收入将平均提高约0.125 5%。需要说明的是， 未列出具体数据结果的其他分位点上, 基于城市居民样本估计得到的城市人力资本系数也不同程度大于农民工的, 说明城市居民从人力资本外部性中获益比农民工多。根据表8中包含城市规模与人力资本交互项模型的中位数回归估计结果, 基于两个子样本估计得到的交互项回归系数均大于0, 其中基于城市居民样本估计得到的两个交互项系数均显著且大小几乎没有差别, 分别为0.092 1和0.092 0, 而基于农民工样本估计得到的两个交互项回归系数则差别较大且均比城市居民的大, 具体的特大城市与城市人力资本交互项系数为0.144 9, 大城市与城市人力资本交互项系数达到了0.236 6。由此可知， 城市规模对中等收入农民工人力资本外部性的影响明显大于对中等收入城市居民人力资本外部性的影响。

表8 城市居民、 农民工样本贝叶斯中位数回归结果

图3直观地展示了城市规模对城市居民人力资本外部性的影响在不同分位点间的变化。在各个分位点上, 城市规模虚拟变量与城市人力资本构成的两个交互项的回归系数均大于0, 即不同分位点上特大城市和大城市的人力资本外部性都比中小城市强, 与全体样本的估计结果一致。此外, 两个交互项回归系数随分位点提高而变化的特征也与基于全体样本的估计结果类似, 高收入城市居民从人力资本外部性获益的程度受城市规模的正向影响比低收入城市居民大。但是基于城市居民样本估计得到的交互项回归系数在不同分位点间的变化幅度更大。比如在0.4分位点, 特大城市与城市人力资本交互项的回归系数为0.078 7, 小于全样本的0.107 7; 在0.9分位点上, 大城市与城市人力资本交互项的回归系数超过了0.3, 明显大于全样本的估计结果。这说明基于子样本的估计结果更能反映城市规模对人力资本外部性的影响在不同特征劳动群体中的真实情况。

图3 城市规模与城市人力资本交互项系数后验均值(城市居民样本)

图4为城市规模对农民工人力资本外部性的影响在不同分位点间的变化情况。随分位点递增, 基于农民工样本的两个交互项回归系数总体上都呈现出先上升后下降的变化特点, 均在0.4、 0.5分位点附近出现峰值, 因此中等收入农民工从人力资本外部性获益的程度受城市规模的正向影响较大。此外, 两个交互项回归系数在高分位点出现了负值, 特大城市与城市人力资本交互项系数在0.7、 0.8、 0.9分位点小于0, 大城市与城市人力资本交互项的回归系数值则在0.9分位点上小于0, 说明在高分位点上, 特大城市和大城市的人力资本外部性低于中小城市, 特大城市以及大城市并没有使高收入农民工从人力资本外部性中获益的程度增加, 与全样本和城市居民样本的结果并不一致。综上所述, 城市规模对人力资本外部性的影响在不同户籍劳动群体间的差异较大, 基于子样本的分析更有利于识别不同特征劳动群体各自的特点。

图4 城市规模与城市人力资本交互项系数后验均值(农民工样本)

3 结论与启示

本文基于2013年的CHIP数据, 运用贝叶斯分位数回归方法, 研究不同收入水平劳动力从人力资本外部性效应中获益的情况, 并探讨不同分位点上城市规模对人力资本外部性的影响， 得到以下结论: (1)不同收入水平劳动力从人力资本外部性效应中获益的程度存在差异。通过贝叶斯分位数回归结果发现, 虽然不同收入水平劳动力均可从城市人力资本的提高中获得工资溢价, 但是收入水平较高的劳动力从人力资本外部性效应中获益的程度大于低收入劳动力。在0.1分位点上, 具有大专以上学历人口占城市人口的比例提高1%, 劳动力的小时收入将提高0.114 1%, 在0.9分位点时则可以提高0.159 8%。 (2)城市规模对人力资本外部性的影响在不同分位点上并不相同。特大城市与中小城市人力资本外部性差异在高分位点更明显, 并且大城市与中小城市的人力资本外部性差异随分位水平的提高而增大, 表明高分位点上城市规模对人力资本外部性的影响更大, 高收入劳动力从人力资本外部性获益的程度受城市规模的正向影响比低收入劳动力大。 此外, 不同分位点上特大城市和大城市的人力资本外部性均比中小城市大。 (3)不同户籍类型劳动群体从人力资本外部性中获益程度差别较大, 不同收入水平的城市居民从人力资本外部性中获益均比农民工多, 城市规模对人力资本外部性的影响在不同户籍类型劳动群体间也各不相同, 高收入城市居民从人力资本外部性获益的程度受城市规模的正向影响比低收入城市居民大。基于农民工样本的结果则显示, 中等收入农民工从人力资本外部性获益的程度受城市规模的正向影响较大, 而在高分位点上, 特大城市和大城市的人力资本外部性则低于中小城市, 特大城市以及大城市并没有使高收入农民工从人力资本外部性中获益的程度增加, 与全样本和城市居民样本的结果并不一致。

得到启示有: (1)鉴于人力资本外部性对个人收入具有提升作用, 政府部门需要继续加大对各阶段教育的基础性投入, 提高大专以上学历劳动力人口的比例。另外， 还应为低收入劳动群体的就业培训提供政策、 资金等支持, 使他们拥有提升技能的机会， 从而能更多地从人力资本外部性中获益。(2)完善劳动力市场, 打破户籍制度壁垒, 加快实现劳动力的自由流动： 一方面, 进一步放宽大城市落户条件， 甚至取消大城市落户限制, 实现劳动力自由流动, 充分发挥人力资本外部效应的作用, 实现劳动力生产效率和工资收入提高； 另一方面, 加快消除城市劳动力市场对农民工的差别对待现象, 解决农民工异地就医、 教育、 社会保障等各方面问题, 实现以人为核心的城镇化。