城市空间结构如何影响技能溢价：理论视角与现实证据

罗勇　胡苗苗　曹丽莉

摘 要：在我国大力推进新型城镇化助力共同富裕的背景下，城市空间结构作为城镇化的重要内容，厘清其对技能溢价的影响及经济机制具有重要的现实意义。文章利用LandScan人口分布数据测度了城市多中心度，以此度量城市空间结构。并结合2011、2013、2015与2017年的中国家庭金融调查数据，从异质性劳动力在城市内部空间不均衡分布这一理论视角识别了城市空间结构对技能溢价的影响。研究表明：无论是否考虑住房成本，城市多中心结构均会带来技能溢价，这一结论在替换解释变量与被解释变量、剔除部分样本后仍然成立。为进一步识别多中心结构对不同学历劳动力工资的影响，文章根据劳动力学历对其进一步细分，发现城市多中心化发展会提高具有大专及以上学历劳动力的工资水平，但对大专以下学历劳动力工资产生不利影响。进一步地，文章结合集聚效应与选择效应的相关理论，从异质性劳动力在城市内部空间不均衡分布这一理论视角检验了城市空间结构对技能溢价的影响机制，发现城市主中心舒适的生活环境对高技能劳动力的拉力与其高昂的生活成本对低技能劳动力的推力共同导致技能溢价。该研究为我国“十四五”期间调整并优化城市空间结构以缩小收入差距、实现城镇化提质增效提供了经验证据。

关键词：城市空间结构 多中心 异质性劳动力空间分布 技能溢价

DOI：10.19592/j.cnki.scje.401966

JEL分类号：R12， R23，R58   中图分类号：F229

文献识别码：A   文章编号：1000 - 6249（2023）07 - 077- 19

一、引言

城镇化的快速发展使得人口不断向城市集聚，由此形成的规模效应是改革开放以来我国经济高速增长的主要动能之一。在迈向高质量发展的进程中，人口集聚不经济的一面逐渐显现，房价高企、收入差距扩大等问题日益严重。如何解决传统城镇化的遗留问题、实现经济发展效率与公平的双目标是推进共同富裕的应有之义。现有研究表明，劳动力技能溢价，即高技能劳动力与低技能劳动力的工资差距不断扩大是中国收入不平等变化的一个重要原因（Zhang et al.，2005；陆雪琴、文雁兵，2013；杨飞，2017）。因此，在当前大力推进新型城镇化，助力共同富裕的背景下，分析技能溢价的形成原因及机制具有重要的现实意义。

现有关于技能溢价成因的研究主要聚焦于高技能劳动力的相对需求与供给。在高技能劳动力的相对需求方面，现有文献主要从技能偏向型技术进步、贸易自由化与宏观经济制度等视角分析高技能劳动力相对需求变化对技能溢价的影响（Griliches，1969；Beyer et al.，1999；王永进、盛丹，2010；Koch，2016；刘贯春等，2017；Wang et al.，2021）。在高技能劳动力的相对供给方面，现有研究主要是从个体家庭条件与宏观经济背景两方面分析高技能劳动力相对供给对技能溢价的影响（Hendel et al.，2005；Dimova et al.，2010；Ben-Halima et al.，2014）。隨着城镇化的快速发展，人口在城市集聚所形成的空间外部性对经济活动的影响不可忽视（Krugman，1991；Fujita et al.，1999）。现有文献中关于空间外部性的研究主要集中于城市规模与城市空间结构两方面。一方面，在过去四十年的城镇化过程中，大量的劳动力等生产要素向城市集聚带来城市规模不断扩大。劳动力在城市内部通过匹配、共享与学习效应提高了劳动生产率，进而促进工资水平的提高（Glaeser and Mare，2001；踪家峰、周亮，2015；陈飞、苏章杰，2021）。由于不同技能劳动力在人力资本积累与变现的能力上存在差异，城市规模对不同技能劳动力工资的影响不同，进而产生技能溢价现象（Davis and Dingel，2019；张军涛等，2021）。另一方面，随着城市规模的不断扩大，劳动力等生产要素在城市内部的空间分布发生日新月异变化，城市空间结构所产生的外部性逐渐成为新的关注点（Fallah et al.，2011；秦蒙、刘修岩，2015；王峤等，2021）。作为空间外部性的另一重要来源，城市空间结构将如何影响劳动力工资水平，是否会带来技能溢价现象，其中的经济机制又是什么，这一话题值得我们深入探究。

现有关于城市空间结构对劳动力工资影响的研究较少且并没有得出一致的结论。Harari（2020）运用夜间灯光数据对印度城市的几何形状进行测度，并实证检验了城市几何形态与劳动力工资之间的关系，研究发现“劣质的城市形态1”将显著降低劳动力工资（刘修岩等，2019）。陈旭、秦蒙（2018）从城市蔓延的视角对城市空间结构进行了度量，发现城市蔓延对工资的影响存在显著的U型特征。上述关于城市空间结构对劳动力工资影响的研究先验性地假设城市空间结构对不同技能劳动力工资的影响是相同的，但由于不同技能劳动力在人力资本、公共服务与基础设施、就业区位偏好等方面均存在差异（Diamond，2016；李红阳、邵敏，2017），且不同技能劳动力在城市内部的分布并不是均匀的。这种异于单中心的劳动力空间分布模式将改变城市内部的集聚经济，进而导致城市空间结构对不同技能劳动力工资的影响可能存在差异。此外，多中心空间发展战略作为规划学者们推崇的城市发展理念，在中国一些大城市积极推进新区开发与新城建设的背景下，相较于用城市几何形状与城市蔓延等方法度量城市空间结构，用城市多中心度衡量城市空间结构并研究其对不同技能劳动力工资的差异化影响与作用机制，有助于人们更加直观地了解城市内部空间结构对劳动力市场的影响。

为此，本文首先利用美国能源部橡树岭国家实验室（ORNL）公布的LandScan全球人口分布遥感数据，计算城市多中心度以此度量城市空间结构，并基于西南财经大学中国家庭金融调查与研究中心先后于2011、2013、2015与2017年在全国范围内进行的抽样调查数据对Mincer收入方程进行扩展以识别城市空间结构对技能溢价的影响。为识别城市空间结构与技能溢价之间的因果关系，本文进一步将城市地形起伏度作为工具变量进行两阶段最小二乘回归。此外，为识别多中心结构对不同学历劳动力工资的影响，本文根据劳动力学历对其进一步细分，发现城市多中心化发展会提高具有大专及以上学历劳动力的工资水平，但对大专以下学历劳动力工资产生不利影响。进一步地，本文基于不同技能劳动力在城市内部分布这一视角检验了多中心空间结构对技能溢价的影响机制。结果表明，城市主中心舒适的生活环境对高技能劳动力的拉力与其高昂的生活成本对低技能劳动力的推力共同导致技能溢价。本文旨在通过上述研究以期发现何种城市发展模式更有利于所有劳动力共享城镇化成果，为调整并优化城市空间结构，推进以人为核心的高质量新型城镇化建设，实现效率与公共动态平衡的共同富裕提供参考。

与现有文献相比，本文可能的边际贡献如下：首先，较新的研究视角。技能溢价作为影响收入差距的重要因素之一，厘清技能溢价产生的原因对理解中国收入差距演变具有十分重要的意义。本文从我国快速城镇化的时代大背景入手，结合城市空间结构这一重要的空间外部性，分析了城市空间结构对不同技能劳动力工资的影响，填补了空间外部性对技能溢价影响研究的不足，同时也为理解技能溢价产生的机制提供了新的视角。其次，更贴切的变量测度。多中心结构作为当今规划学者们推崇的发展理念，用城市多中心度测度城市空间结构并分析其对劳动力工资的影响，有利于人们更加直观地理解城市空间结构对技能溢价的影响。最后，明确的作用机制。本文不仅回答了城市空间结构对劳动力工资的影响及其异质性，还从异质性劳动力空间分布视角分析了城市空间结构如何引致技能溢价，这为我们更加全面地理解城市空间结构对技能溢价的影响提供了研究框架。

二、文献回顾与研究假说

（一）文献梳理

与本研究相关的文献主要有两类：一是城市规模与劳动力工资，这类文献主要考察了城市规模如何通过集聚效应、补偿效应以及选择效应对劳动力工资产生影响；二是关于城市空间结构对劳动力工资的影响。

人口和生产活动在城市集聚所产生的外部性对劳动力工资的影响一直是城市经济学研究的核心问题之一。现有研究表明，大城市存在“工资溢价”现象，即大城市支付了更高的工资（Glaeser and Mare，2001；高虹，2014；踪家峰、周亮，2015）。第一类文献主要分析了城市工资溢价的机制及城市规模对不同技能劳动力工资的异质性影响。就城市工资溢价的形成原因而言，现有文献主要从集聚、补偿与选择效应等三方面进行分析。首先，集聚效应对劳动力工资的影响主要是通过匹配、共享与学习实现。大城市中生产要素集聚程度更高，企业和劳动力能够共享劳动力市场的资源与信息，提高了劳动力的匹配效率（Wheeler，2001；王俊，2021）。此外，城市作为学习、模仿和交流的场所，大城市更高的人口密度为劳动力提供了更多的人力资本积累机会，进而有助于其工资水平的提升（Glaeser and Mare，2001）。其次，在均衡状态下，劳动力在不同城市之间获得的效用水平相同。由于不同规模城市在环境舒适度（Amenity）方面存在差异，这种环境舒适度上的差异更多地资本化于房价中，即大城市中更高的环境舒适度带来更高的房价（Rappaport，2008），提高了大城市的生活成本，因而大城市更高的工资水平被认为是对高房价的补偿（Glaeser，2008）。踪家峰、周亮（2015）利用2002年中国家庭收入调查数据对补偿效应进行了实证检验，发现在对名义工资进行房价平减后，大城市的“工资溢价”现象消失，证明了大城市工资更高是由补偿效应导致的。最后，由于選择效应1的存在，大城市中退出劳动力市场的低技能劳动力占比更高，从而使得劳动力工资呈现出“左截尾”特征，即大城市工资更高源自其更高的劳动生产率（张国峰、王永进，2018）。

集聚、补偿与选择效应从不同角度较为全面地分析了城市规模对劳动力工资的影响，由于不同技能劳动力在人力资本投资与积累上存在差异，城市规模外部性对不同技能劳动力工资也将产生不同的影响。李红阳、邵敏（2017）运用中国家庭收入调查的数据对此进行了实证验证，研究表明所有劳动力均享受了大城市的工资溢价，但不同技能劳动力的受益程度存在差异。具体而言，与高技能劳动力相比，中低技能劳动力的获益程度相对较小。进一步地，Davis and Dingel（2019）通过构建空间知识经济模型，在一般均衡框架下分析了城市规模与技能溢价的关系，发现城市规模的扩大将带来技能溢价现象，即城市规模将扩大高技能劳动力与低技能劳动力之间的工资差距（张军涛等，2021）。

第二类与本文相关的文献通过不同的城市空间结构测度方式研究了城市空间结构对劳动力工资的影响。当前关于城市空间结构对劳动力工资影响的研究较少，且并没有得出一致的结论。Harari（2020）在一般均衡的框架下分析城市几何形状与消费者效用之间的关系，为检验城市几何形状对劳动力工资的影响，Harari首先运用夜间灯光数据对印度城市几何形状进行测度，然后实证检验了城市几何形态对劳动力工资的影响。研究表明，更加紧凑的城市几何形状有助于劳动力工资的提高（刘修岩等，2019）。陈旭、秦蒙（2018）则是运用2001—2011年的夜间灯光数据测度了城市蔓延度，分析了城市蔓延对工业企业劳动力工资的影响，发现城市蔓延与劳动力工资之间呈U型关系。

通过梳理与本文相关的文献发现现有研究主要存在以下两点不足：一是现有关于空间外部性对劳动力工资影响的研究主要聚焦于城市规模，较少考虑城市空间结构这一重要因素，尤其是对于技能溢价而言，城市空间结构对其是否产生影响并未受到直接的关注。二是现有关于城市空间结构对工资影响的文献均先验地假设城市空间结构对不同技能劳动力的影响相同，较少关注城市空间结构对不同技能劳动力工资的差异化的影响。

（二）研究假说

基于现有城市经济学的相关理论与实证研究，本部分运用集聚效应与选择效应相关理论，从不同技能劳动力在城市内部分布视角阐释城市空间结构如何影响技能溢价。在城市规模一定的情况下，相较于单中心的城市结构，多中心的城市发展模式将劳动力分散于不同的中心内，缩小了劳动力在城市内部的集聚规模，扩大了不同中心之间劳动力的地理距离。中国当前的城市多中心发展模式更多地是一种形态上的多中心，即经济活动高度集中于主中心，主中心与次中心之间的联系与协作相对不足，难以通过辐射效应带动次中心的发展（郭嘉颖等，2022）。此外，由于知识在传播的过程中依赖于较短的地理距离与“面对面”交流（Rosenthal and Strange，2008；Carlino and Kerr，2015；Rosenthal and Strange，2020），多中心的发展模式破坏了劳动力之间的邻近性，削弱了城市内部的知识溢出水平，阻碍了劳动力人力资本的积累与劳动生产率的提高，进而对其工资水平产生不利影响（Zhang et al.，2017）。综上所述，城市多中心结构缩小了城市内部劳动力集聚规模，扩大了劳动力之间的距离，削弱了知识溢出水平对劳动生产率的提升作用，进而对劳动力工资产生负面影响。因此，本文提出：

假说1：城市多中心发展模式可能会对劳动力工资产生负面影响。

由于不同技能劳动力在区位选择与人力资本等方面存在差异，城市多中心结构对其工资的影响可能存在差异。一方面，基础设施与公共服务在城市内部的分布并不是均匀的，城市主中心往往拥有更加完善的基础设施与优质的公共服务，高技能劳动力更加偏好环境舒适度更高的主中心（周颖刚等，2019；谭杰，2021）。并且创新性企业与部门往往集中于城市主中心，高技能劳动力在城市主中心更容易找到与之技能相匹配的工作。高技能劳动力在主中心集聚缩小了其地理距离，有利于城市主中心内部的知识溢出，促进了高技能劳动力的人力资本积累。另一方面，便利的生活环境往往伴随着高于工资增速的房价（Rappaport，2008），城市主中心生活成本的提高与激烈的竞争使得低技能劳动力难以承担而退出城市主中心，即城市主中心对劳动力存在选择效应推动低技能劳动力流向次中心。在城市规模与劳动力结构不变的情况下，多中心的发展模式扩大了高技能劳动力与低技能劳动力之间的地理距离，阻碍了高技能劳动力对低技能劳动力的知识溢出，不利于低技能劳动力生产率的提高。综上，城市主中心舒适的生活环境对高技能劳动力的拉力与高昂的生活成本对低技能劳动力的推力使得多中心结构对不同技能劳动力工资产生差异化影响。因此，本文提出：

假说2：多中心结构对不同技能劳动力工资的影响可能存在差异，即存在技能溢价现象。对高技能劳动力而言，城市多中心化发展可能有助于提高其工资水平，但对低技能劳动力而言，多中心结构可能会降低其工资。

三、研究设计

（一）模型设定

现有文献中技能溢价的实证研究主要分为两类，第一类是根据技能溢价的定义，计算高技能劳动力与低技能劳动力的平均工资比值来度量技能溢价（Raveh and Reshef，2016；杨飞，2017）。该种方法在计算技能溢价的过程中对劳动力工资进行了分类加总处理，不考虑劳动力的个体特征，因此比较适用于研究宏观层面的问题；第二类是根据Mincer收入方程，通过技能虚拟变量与核心解释变量的交互项研究技能溢价（董直庆等，2013；Chen et al.，2017）。第二种方法通常是运用包含丰富的劳动力个体特征的微观数据进行研究，能够控制劳动力个体特征对工资的影响，从而更好地识别技能溢价的来源。为准确地识别城市空间结构对技能溢价的影响，本文利用西南财经大学中国家庭金融调查与研究中心分别于2011、2013、2015与2017年展开的调查数据，通过在Mincer收入方程中增加劳动力技能与城市空间结构的交互项研究城市空间结构对技能溢价的影响，计量模型如（1）式所示。

lnwageict=α0+α1lnpolyct+α2skillic+α3skillic×lnpolyct+α4X+ηt+vn+εict（1）

其中，[i]、[c]和[t]分别表示劳动力个体、劳动力所处城市以及年份，[lnwage]表示以2011年为基期的年工资对数，[skill]表示劳动力技能，其中具有大专及以上学历的劳动力为高技能，取值为1，反之取值为0。[poly]表示城市多中心度，用来衡量城市空间结构。考虑到多中心度的分布平滑性，本文对城市多中心度进行了对数处理。[X]表示控制变量，包括个体特征与城市特征。其中个体特征包括性别、婚否、户籍、健康状况、工作经验及其平方、劳动力所在行业，城市特征包括城市规模、R&D支出、实际利用外资、固定资产投资、生态环境、文化设施、公共医疗、网络通信与公共交通。此外，模型还控制了时间固定效应[ηt]与省份固定效应[vn]，[εict]表示随机扰动项。

（1）式准确度量多中心结构与技能溢价之间因果关系的前提是多中心结构是外生的。但一方面，多中心结构与技能溢价之间可能存在反向因果关系。虽然技能溢价会受到城市多中心度的影响，但随着技能溢价的上升，将吸引大量的高技能劳动力进入，从而带来城市内部生产要素与产业的重新布局，进而对城市空间结构产生影响；另一方面，可能存在的遗漏变量问题导致结果出现偏误。劳动力工资受很多因素的影响，除模型中的控制变量外，还可能存在一些不可观测的变量对技能溢价产生影响。为识别城市多中心与技能溢价之间的因果关系，本文通过多中心结构的工具变量来解决模型的内生性问题，即通过IV-2SLS对回归模型（1）进行估计。

（二）数据来源

本文使用的数据来自西南财经大学中国家庭金融调查（CHFS）2011年、2013年、2015年与2017年四期数据的个人部分与LandScan全球人口分布数据。劳动力个体数据包括工资、性别、婚否、户籍、文化程度、健康状况、工作经验及其平方、劳动力所在行业，LandScan数据主要用于测度城市多中心度。此外，本文还结合了《中国城市统计年鉴》与各地区的统计年鉴以控制城市层面特征的影响。

1.城市多中心度的测度（poly）

本文通過城市多中心度来度量城市空间结构，从不同的维度来看，城市多中心结构主要是包括形态多中心、功能多中心与治理多中心（Li and Liu，2018；郭嘉颖等，2022），本文是从形态多中心角度分析城市空间结构技能溢价的影响。形态多中心是指以人口、就业、文化设施等指标衡量的相对独立的中心在一定空间尺度上的分布，强调中心的绝对重要性（Burger and Meijers，2012）。人口作为经济活动的主体，不管是行政规划还是自发形成的空间结构，人口在城市内部的分布都能很直观地反映城市的空间结构，因此本文采用人口在城市内部的分布度量城市多中心结构。具体而言，本文利用LandScan全球人口分布数据1，通过探索性空间数据分析（Exploratory Spatial Data Analysis，ESDA）的方法识别样本中264个城市的中心2，其中规模较大的为主中心，规模相对较小的为次中心。多中心结构用次中心总人口（[popsubcenter]）占全部城市中心人口的比重来度量，计算方法如（2）式所示。[poly]反映了次中心相对于人口主中心的重要程度，次中心人口占比越大意味着次中心相对越重要，表明该城市越趋向于多中心化发展的发展模式。

2.劳动力个体与城市层面控制变量

本文选择的样本需满足以下条件：（1）就业身份为“雇员”的个体；（2）男性16—60岁，女性16—55岁；（3）当前主要工作收入不为0；（4）劳动力个体特征数据完整。由于少数民族自治州、西藏自治区与新疆维吾尔自治区统计数据缺失较为严重，故本文将剔除位于少数民族自治州、西藏自治区和新疆维吾尔自治区非省会城市的样本。在剔除变量严重缺失的样本后，本文共获得264个城市共36486个样本。

为准确识别城市多中心对技能溢价的影响，本文还控制了城市规模、R&D支出、实际利用外资、固定资产投资、生态环境、文化设施、公共医疗、网络通信设施与公共交通等城市特征。表1展示了个体与城市层面控制变量及其定义。

3.工具变量：城市地形起伏度（ruggedness）

为识别多中心结构与技能溢价之间的因果关系，本文将城市地形起伏度作为多中心结构的工具变量进行两阶段最小二乘估计。城市多中心结构的形成主要受地理条件与政府干预等因素的影响（李琬等，2018；王峤等，2021），由于地理条件自身特性，很难直接与劳动力工资产生直接的联系，基本不会受劳动力工资的影响，地理因素可以间接地影响城市劳动力的空间分布与工资，保证了城市地理条件的外部性。与城市多中心结构紧密相关的地理条件主要是城市地形因素（Nunn and Puga，2012；刘修岩等，2017），城市地形起伏度越大，表明其地形越崎岖，即适宜人口和产业集聚的空间越小，因此城市趋向于呈现单中心的结构。城市地形起伏度根据SRTMDEM 90M分辨率原始高程数据计算得到，高程数据来自地理空间数据云1。城市地形起伏度越大，表明其地形越崎岖，即适宜人口和产业集聚的空间越小，因此城市趋向于呈现单中心的结构。

（三）回归模型选择与变量描述性统计

本文的核心解释变量是城市多中心结构，由于其受地形等因素影响较大，随着时间的推移，其变化幅度较小，因此现有相关研究多采取混合截面模型进行分析。本文对城市多中心度数据进行分析发现，其总体标准差为0.190，表明城市多中心度之间的差异较小，并且工具变量地形起伏度是不随时间变化的，因此本文将对2011、2013、2015与2017年的数据进行混合截面回归具有一定的合理性。此外，由于劳动力工资的对数最大值和最小值之间的差距很大，严重偏离正态分布，因此本文将劳动工资数据进行缩尾处理，变量描述性统计如表2所示。

四、实证分析

（一）多中心结构对技能溢价的影响

本文首先根据现有文献中对高技能劳动力的定义，即具有大专及以上学历的劳动力定义为高技能劳动力，并设置技能虚拟变量以识别城市多中心结构对技能溢价的影响。为进一步识别多中心结构对不同学历劳动力工资的异质性影响，本文通过在基准回归的基础上进一步对劳动力学历细分进行识别。

1.基准回归结果

本文基于Mincer收入方程，在控制个体特征、城市特征、时间固定效应与省份固定效应后，研究城市空间结构对技能溢价的影响。在对回归结果进行分析之前，本文对OLS回归结果与IV回归结果进行了DWH检验，检验结果显示拒绝“所有解释变量均是外生的”假设，表明模型中的确存在内生性问题，即进行工具变量回归是必要的。并且为保证工具变量回归结果的可靠性，本文首先对城市地形起伏度这一工具变量进行了不可识别检验与弱工具变量检验。工具变量第一阶段回归结果均拒绝不可识别检验和弱工具变量的原假设，表明城市地形起伏度这一工具变量的选择是合适的。上述检验结果论证了工具变量回归的必要性与合理性，并且工具变量回归结果测度了城市空间与技能溢价之间的因果关系，因此本文后续的分析均建立在工具变量的回归结果上。

表3报告了将具有大专及以上学历的劳动力设定为高技能劳动力的回归结果，其中（1）、（2）列为OLS的回归结果，（3）、（4）列为IV的回归结果。OLS与工具变量的回归结果均表明多中心结构对不同技能劳动力工资的影响存在显著差异，即城市多中心化发展会导致技能溢价现象。具体而言，在不考虑房价影响的情况下，城市多中心度每提高1%，低技能劳动力工资将下降0.684%，高技能劳动力工资将上升0.615%（-0.864+1.479）。即城市多中心化发展损害低技能劳动力工资，扩大高技能劳动力与低技能劳动力之间的工资差距。当考虑住房成本时，城市多中心度对高技能劳动力工资的提升效应下降，但仍会对低技能劳动力工资产生负面影响与技能溢价现象。

在人口不断向城市集聚的过程中，城市房价不断上涨，使得住房支出成为生活成本中很重要的一部分并挤出其他消费（唐琦等，2018；乔智等，2022）。由于CPI并没有将房价因素考虑在内，剔除CPI的工资水平并不能度量劳动力的实际收入。为了进一步识别城市多中心与劳动力实际技能溢价之间的关系，本文在回归模型中控制房价1，回歸结果如（2）、（4）列所示。在考虑房价对生活成本的影响后，城市多中心化发展对低技能劳动力工资的负面影响更大，并且仍然会导致技能溢价这一现象，但技能溢价的程度有所下降。综上所述，无论是否控制房价因素对劳动力生活成本的影响，城市多中心结构对低技能劳动力工资产生负面影响，并导致技能溢价现象。

2.多中心结构对不同学历劳动力工资的影响

基准回归的结果表明多中心结构降低了低技能劳动力工资并导致了技能溢价，但多中心结构对高技能劳动力工资的影响却不得而知。为进一步探究城市多中心度对不同学历劳动力工资的具体影响，本文通过不同学历虚拟变量与城市多中心的交互项来识别这种差异化影响。具体而言，首先以大专以下学历的劳动力为对照组，在模型中加入大专、本科、硕士与博士学历虚拟变量与城市多中心度的交互项，并控制劳动力教育年限对工资的影响。此时城市多中心度的系数则反映了城市多中心度对大专以下学历劳动力工资的影响，各学历虚拟变量与城市多中心度的交互项则反映了城市多中心度对该学历与大专以下学历劳动力工资影响的差距。然后本文分别以大专、本科、硕士、博士为对照组，逐个识别城市规模对其工资的影响，回归结果如表4所示。

其中Panel A为不考虑房价的回归结果，Panel B则考虑了房价对生活成本的影响。第（1）—（5）列的基准组分别为大专以下、大专、本科、硕士、博士，即每列城市多中心度的系数反映了城市多中心化发展对不同学历劳动力工资的影响。在不考虑房价对生活成本的影响时，城市多中心度会显著降低大专以下学历劳动力的工资，而显著提高大专及以上劳动力的工资。并且对不同学历的劳动力而言，城市多中心度对其工资的影响之间存在显著的差异。进一步地，在考虑房价对劳动力生活成本的影响后，多中心结构降低具有大专以下学历劳动力的工资，但提高具有大专及以上学历劳动力工资这一结论仍然成立。综上，不管是否考虑房价对劳动力生活成本的影响，城市多中心化发展均会损害大专以下学历劳动力的工资，却有利于大专及以上学历劳动力工资的提高，并且对不同学历劳动力工资的影响存在显著的差异。

（二）稳健性检验

1.替换城市多中心结构的测度方法

本文基准回归是用城市子中心人口的相对占比来测度多中心结构的，为检验回归结果的稳健性，本部分采用城市子中心的个数来测度多中心结构，并考虑了有房价与无房价两种情况，回归结果见表5的第（1）、（4）列。当不考虑房价对劳动力生活成本的影响时［表5第（1）列］，回归结果与基准回归的结果一致，即多中心结构会降低劳动力工资并导致技能溢价现象。当考虑房价对劳动力生活成本的影响时［表5第（4）列］，城市多中心结构对不同技能劳动力工资影响的差距变小，这一结论与基准回归的结果一致，即本文的结论是稳健的。

2.用工作年限与劳动力教育年限之和作为劳动力技能的代理变量

本文在研究城市空间结构对劳动力技能溢价的影响时，将具有大专及以上学历的劳动力定义为高技能劳动力。随着工作经验的增加，劳动力的人力资本水平也随之增加。为避免劳动力技能测度误差对回归结果的影响，本部分用工作年限与劳动力教育年限之和作为劳动力技能的替代变量进行估计，回归结果如表5第（2）、（5）列所示。回归结果表明，在不考虑房价对生活成本的影响时，教育年限与工作年限之和与城市多中心度的交互项显著为正，表明城市多中心化发展会导致技能溢价现象。在进一步考虑房价对劳动力生活成本的影响时，这一结论仍然成立，表明本文的结论是可靠的。

3.剔除部分样本

由于抽样调查技术的限制，中国家庭金融调查2011年的数据质量较差，并且仅有1524个有效样本。为避免由于2011年样本质量与样本数量对本文结果的影响，本部分将剔除2011年的样本，仅对2013、2015与2017年的样本进行混合截面回归，结果如表5第（3）、（6）列所示。回归结果显示城市多中心度系数显著为负，并且技能与城市多中心度的交互项显著为正，表明城市多中心化发展将对不同技能的劳动力工资产生异质性影响，即对低技能劳动力而言，城市多中心化发展将降低其工资，并且高技能劳动力与低技能劳动力之间的工资差距将因城市多中心度而扩大。这一结论在考虑房价这一因素对生活成本的影响后仍然与本文的基准回归一致，进一步证明了本文结论是稳健可靠的。

（三）异质性分析

基准回归与稳健性检验的结果表明城市多中心度会降低低技能劳动力工资，提高高技能劳动力工资，二者共同导致技能溢价现象。为探究城市多中心度对不同行业劳动力工资的影响是否存在差异，本文进一步根据劳动力所在行业进行了分样本回归，回归结果如表6所示。从回归结果可以看出，技能与城市多中心度的交互项系数显著为正，表明城市多中心度对制造业与服务业均会导致技能溢价现象。但对于制造业而言，城市多中心度的系数为负但不显著，表明城市多中心度并不会显著降低制造业低技能劳动力工资，但会显著降低服务业低技能劳动力的工资。为何城市多中心度对制造业与服务业的影响存在差异？本文认为这可能是由于制造业与服务业在城市内部的区位分布差异导致的。由于城市主中心的房价成本较高，而制造业需要大面积的厂房，因此当今城市中制造业主要分布于城市的周边。但对于服务业而言，其发展比较依赖于人口密度，故服务业仍主要集中于城市主中心這种人口密度较高的区域。当城市呈现出多中心化的发展模式时，城市主中心高昂生活成本对低技能劳动力的推力使得服务业中低技能劳动力不得不远离城市主中心这一高技能密集的区域，即从城市主中心转移到城市次中心，这一空间上的转移扩大了服务业中高技能劳动力与低技能劳动力的地理距离，降低了服务业中高技能劳动力对低技能劳动力的知识溢出效应，进而导致城市多中心度对服务业低技能劳动力工资产生负面影响。但对于制造业而言，即使城市呈现出多中心的发展模式，制造业仍主要分布于城市周边，即对于制造业中的低技能劳动力而言，城市主中心高昂生活成本对低技能劳动力的推力对其影响较小，进而使得城市多中心度对制造业低技能劳动力工资不存在显著的抑制作用。

五、机制分析

在分析城市空间结构带来技能溢价的机制之前，本文首先对不同学历劳动力在城市内部的空间分布及其导致的结果进行梳理。在明晰相关的经验事实后，本文基于不同技能劳动力空间分布视角解释城市多中心化发展如何导致技能溢价现象。

（一）经验事实

1.不同学历劳动力在城市内部空间分布特征

Diamond（2016）研究1980—2000年美国技能劳动力的分布发现，高技能劳动力主要集中于工资高、房价高、环境舒适度（Amenity）高的大城市中。随着城市规模的扩大，城市多中心化发展模式可能会导致基础设施与公共服务在空间分布的非均衡性。城市主中心作为经济政治文化中心，汇集了大量高科技产业与高质量公共服务与基础设施，因此高技能劳动力可能更多地分布在城市主中心。为了验证这一现象是否存在，本文计算了城市主中心1不同学历劳动力占比，结果如表7所示。从全体样本来看，具有大专以下学历的劳动较多，占比达到67.4%。随着学历水平的提高，劳动力数量逐渐减小，其中具有博士学历的劳动力仅有117人。对于城市主中心而言，其劳动力构成存在两个显著的特征：第一，大量劳动力在城市主中心集聚。城市主中心劳动力数量占全体样本的45.5%，表明城市主中心劳动力是高度聚集的；第二，高学历劳动力更偏好城市主中心。表7的第三行计算的是城市主中心不同学历劳动力占全样本的比例，我们可以看到，城市主中心劳动力占比随学历的提升而不断上升，其中具有硕士与博士学历的劳动力甚至超过80%都分布于城市主中心。

2.不同学历劳动力空间分布导致的工资分布差异

劳动力受教育程度作为工资水平的重要决定因素之一，不同学历劳动力在城市内部的不均衡分布会导致城市内部工资分布产生差异吗，本部分将对其进行梳理，结果如表8所示。表8首先对全体样本进行了分析，结果表明城市主中心的工资均值更高，并且主中心的工资均值是显著高于非主中心的。随后对不同学历分别进行了分析，由于非主中心的硕士与博士样本较少，为避免由样本量较少带来的估计偏误，本部分将具有硕士与博士学历的样本进行合并考虑。发现在城市主中心中，大专以下、大专与本科学历劳动力工资的均值均显著高于非主中心，本科以上学历劳动力工资的均值也高于非主中心，但其差距在统计上并不显著。简而言之，劳动力在城市主中心集聚有助于其工资水平的提高。

（二）机制检验

为探究城市空间结构对技能溢价的影响机制，本部分从不同技能劳动力在城市内部的空间分布视角进行分析。不同学历劳动力在城市内部的空间分布特征表明高学历劳动力更加偏好城市主中心，并且城市主中心的工资水平显著高于城市非主中心。根据空间知识经济理论，高技能劳动力在城市内集聚提高知识溢出水平，对劳动生产率具有提升效应，进而导致高技能劳动力与低技能劳动力工资差距的扩大，即技能溢价（Davis and Dingel，2019）。为探究高技能劳动力在城市主中心集聚是否是城市空间结构导致技能溢价的原因，本部分将具有大专及以上学历的劳动力定义为高技能劳动力，并计算了城市主中心高技能劳动力占全体高技能劳动力总量的比重，并以此为解释变量，分析其与技能溢价之间的关系，结果如表9所示。（1）列的结果仅考虑了城市主中心高技能劳动力占比对劳动力工资的影响，表明高技能劳动力在主中心的集聚会提高劳动力工资，并会产生空间知识经济理论所描述的技能溢价现象。为更加准确地识别主中心高技能劳动力占比对劳动力工资的影响，本文进一步控制了时间与省份固定效应以及个体与城市特征控制变量，结果如（2）、（3）列所示。在进一步控制固定效应与控制变量后，主中心高技能劳动力占比仍会显著提高劳动力工资并导致技能溢价现象。第（4）列考虑了房价对劳动力生活成本的影响，在控制房价因素对劳动力工资的影响后，结论仍然成立。上述分析表明，高技能劳动力在城市主中心的集聚所产生的知识溢出效应提高了劳动力工资，但由于高技能劳动力主要分布于城市主中心而低技能劳动力分布在城市非主中心，这种地理距离障碍使得高技能劳动力与低技能劳动力的工资差距不断扩大。

六、结论与政策建议

在推进以人为核心的新型城镇化与共同富裕的背景下，何种城市发展模式能够有效解决传统城镇化过程中的效率与公平失衡问题，最终实现“人的无差别发展”这一问题长期以来受到学者们的关注。技能溢价作为收入差距的主要影响因素之一，厘清城市空间结构对技能溢价的影响及其机制对理解中国收入差距、实现高质量城镇化具有十分重要的意义。本文利用中国家庭金融调查与LandScan人口分布数据，运用两阶段最小二乘估计识别了多中心结构与技能溢价的因果关系，并从技能异质性劳动力空间分布视角分析了城市空间结构引起技能溢价的作用机制。本文结论如下：（1）城市多中心化发展会导致技能溢价，具体而言，城市多中心结构会降低大专以下学历劳动力工资，并提高大专及以上学历劳动力工资。并且替换多中心结构与劳动力技能的度量方式以及剔除部分城市样本等一系列稳健性检验结果均支持这一结论。（2）在对劳动力学历进一步细分后，发现城市多中心化发展会提高具有大专及以上学历劳动力的工资水平，但对大专以下学历劳动力工资产生不利影响。（3）不同学历劳动力在城市内部并不是均匀分布的，高学历劳动力主要分布于城市主中心，这种不均衡分布是城市主中心的选择效应造成的。（4）不同技能劳动力在城市内部的不均匀分布是多中心结构产生技能溢价的原因。一方面，相较于单中心，多中心结构不仅缩小了中心的规模，还扩大了劳动力之间的距离。并且由于高技能劳动力主要分布在城市主中心，集聚规模的下降与地理距离的阻碍使得低技能劳动力工资下降；另一方面，城市主中心对高技能劳动力的选择效应导致高技能劳动力更多地分布于城市主中心，相较于单中心的发展模式，多中心结构缩小了高技能劳动力之间的地理距离，有利于高技能劳动力人力资本的积累与工资水平的提高。低技能劳动力工资的下降与高技能劳动力工资的上升共同导致技能溢价。（5）异质性分析表明，城市多中心度对制造业与服务业均会导致技能溢价现象。但对于制造业而言，城市多中心度的系数为负但不显著，表明城市多中心度并不会显著降低制造业低技能劳动力工资，但会显著降低服务业低技能劳动力的工资。

党的十九届六中全会提出，“要加快构建新发展格局，着力推动高质量发展，在高质量发展中推进共同富裕。”城市作为当今经济发展的重要推动力，调整并优化城市空间结构是提高城镇化质量、实现共同富裕目标中必不可缺的重要环节。本文研究结论的现实意义在于，在推动以人为核心的新型城镇化过程中，要密切关注城市空间结构对不同技能劳动力工资的影响，通过做好城市顶层设计以改善劳动收入差距问题，在高质量城镇化发展中实现共同富裕。具体政策建议如下：首先，继续推进城市空间结构的优化，化拥挤效应为城市高质量发展的动力。多中心结构在一定程度上疏解了城市的拥挤效应，提高了对高技能劳动力的吸引力，有助于城市实现以创新为动力的高质量发展目标。其次，加快推进新区新城的基础设施与公共服务一体化建设。在未来的城镇化建设中，通过完善新区新城的基础设施，缓解不同技能劳动力在城市内部的不均衡分布，降低多中心结构对低技能劳动力的负面影响，使所有劳动力共享城镇化成果。

参考文献

陈飞、苏章杰，2021，“城市规模的工资溢价：来源与经济机制”，《管理世界》，第1期，第19-32+2+15-16页。

陈旭、秦蒙，2018，“城市蔓延、人口规模与工资水平——基于中国制造业企业的经验研究”，《经济学动态》，第9期，第84-99頁。

董直庆、王芳玲、高庆昆，2013，“技能溢价源于技术进步偏向性吗？”，《统计研究》，第6期，第37-44页。

高虹，2014，“城市人口规模与劳动力收入”，《世界经济》，第10期，第145-164页。

郭嘉颖、魏也华、陈雯、肖伟烨，2022，“空间重构背景下城市多中心研究进展与规划实践”，《地理科学进展》，第2期，第316-329页。

李红阳、邵敏，2017，“城市规模、技能差异与劳动者工资收入”，《管理世界》，第8页，第36-51页。

李琬、孙斌栋、刘倩倩、张婷麟，2018，“中国市域空间结构的特征及其影响因素”，《地理科学》，第5期，第672-680页。

刘贯春、张军、陈登科，2017，“最低工资、企业生产率与技能溢价”，《统计研究》，第1期，第44-54页。

刘修岩、李松林、秦蒙，2017，“城市空间结构与地区经济效率——兼论中国城镇化发展道路的模式选择”，《管理世界》，第1期，第51-64页。

刘修岩、秦蒙、李松林，2019，“城市空间结构与劳动者工资收入”，《世界经济》，第4期，第123-148页。

陆雪琴、文雁兵，2013，“偏向型技术进步、技能结构与溢价逆转——基于中国省级面板数据的经验研究”，《中国工业经济》，第10期，第18-30页。

乔智、王亚童、邓曼瑶，2022，“资产财富和居民消费——来自中国省际面板数据的经验证据”，《南方经济》，第4期，第1-14页。

秦蒙、刘修岩，2015，“城市蔓延是否带来了我国城市生产效率的损失？——基于夜间灯光数据的实证研究”，《财经研究》，第7期，第28-40页。

谭杰，2021，“新型城镇化背景下的流动人口研究：范畴变迁、实践审视与演进方向”，《南方经济》，第8期，第102-111页。

唐琦、夏庆杰、李实，2018，“中国城市居民家庭的消费结构分析：1995—2013”，《经济研究》，第2期，第35-49页。

王峤、刘修巖、李迎成，2021，“空间结构、城市规模与中国城市的创新绩效”，《中国工业经济》，第5期，第114-132页。

王俊，2021，“经济集聚、技能匹配与大城市工资溢价”，《管理世界》，第4期，第83-98页。

王永进、盛丹，2010，“要素积累、偏向型技术进步与劳动收入占比”，《世界经济文汇》，第4期，第33-50页。

杨飞，2017，“市场化、技能偏向性技术进步与技能溢价”，《世界经济》，第2期，第78-100页。

张国峰、王永进，2018，“中国城市间工资差距的集聚效应与选择效应——基于‘无条件分布特征—参数对应方法的研究”，《中国工业经济》，第12期，第60-78页。

张军涛、翟婧彤、贾宾，2021，“城市规模与人力资本技能溢价：集聚效应和选择效应”，《统计研究》，第2期，第73-86页。

周颖刚、蒙莉娜、卢琪，2019，“高房价挤出了谁？——基于中国流动人口的微观视角”，《经济研究》，第9期，第106-122页。

踪家峰、周亮，2015，“大城市支付了更高的工资吗？”，《经济学（季刊）》，第4期，第1467-1496页。

Ben-Halima， B.， Chusseau， N. and Hellier， J.， 2014， “Skill Premia and Intergenerational Education Mobility： the French Case”， Economics of Education Review， 39： 50-64.

Beyer， H.， Rojas， P. and Vergara， R.， 1999， “Trade Liberalization and Wage Inequality”， Journal of Development Economics， 59（1）： 103-123.

Burger， M. and Meijers， E.， 2012， “Form follows function？ Linking Morphological and Functional Polycentricity”， Urban Studies， 49（5）： 1127-1149.

Carlino， G. and Kerr W. R.， 2015， “Agglomeration and Innovation”， Handbook of Regional and Urban Economics， 5： 349-404.

Chen， B.， Yu， M. J. and Yu， Z. H.， 2017， “Measured Skill Premia and Input Trade Liberalization： Evidence from Chinese Firms”， Journal of International Economics， 109： 31-42.

Combes， P. P.， Duranton， G.， Gobillon， L.， Puga，D. and Roux， S.， 2012a， “The Productivity Advantages of Large Cities： Distinguishing Agglomeration from Firm Selection”， Econometrica， 80（6）： 2543-2594.

Davis， D. R. and Dingel， J. I.， 2019， “A Spatial Knowledge Economy”， American Economic Review， 109（1）： 153-170.

Desmet， K.， Gomes， J. F. and Ortu?o-Ortín， I.， 2020， “The Geography of Linguistic Diversity and the Provision of Public Goods”， Journal of Development Economics， 143： 102384.

Diamond， R.， 2016， “The Determinants and Welfare Implications of US Workers' Diverging Location Choices by Skill： 1980-2000”， American Economic Review， 106（3）： 479-524.

Dimova， R.， Nordman， C. J. and Roubaud， F.， 2010， “Allocation of Labor in Urban West Africa： Insights from the Pattern of Labor Supply and Skill Premiums”， Review of Development Economics， 14（1）： 74-92.

Fallah， B. N.， Partridge， M. D. and Olfert， M. R.， 2011， “Urban Sprawl and Productivity： Evidence from US Metropolitan Areas”， Papers in Regional Science， 90（3）： 451-472.

Fujita， M.， Krugman， P. and Venables， A. J.， 1999， “The Spatial Economy： Cities， Regions， and International Trade”， The MIT Press.

Glaeser， E. L.， 2008， “Cities， Agglomeration， and Spatial Equilibrium”， Oxford University Press.

Glaeser， E. L. and Mare， D. C.， 2001， “Cities and Skills”， Journal of Labor Economics， 19（2）： 316-342.

Griliches， Z.， 1969， “Capital-skill Complementarity”， The Review of Economics and Statistics， 51（4）：465-468.

Harari， M.， 2020， “Cities in Bad Shape： Urban Geometry in India”， American Economic Review， 110（8）： 2377-2421.

Hendel， I.， Shapiro， J. and Willen， P.， 2005， “Educational Opportunity and Income Inequality”， Journal of Public Economics， 89（5-6）： 841-870.

Koch， M.， 2016， “Skills， Tasks and the Scarcity of Talent in a Global Economy”， Review of International Economics， 24（3）： 536-563.

Krugman， P.， 1991， “Increasing Returns and Economic Geography”， Journal of Political Economy， 99（3）： 483-499.

Li， Y. C. and Liu， X. J.， 2018， “How did Urban Polycentricity and Dispersion Affect Economic Productivity？ A Case Study of 306 Chinese Cities”， Landscape and Urban Planning， 173： 51-59.

Liu， X. J. and Wang， M. S.， 2016， “How Polycentric is Urban China and why？ A Case Study of 318 Cities”， Landscape and Urban Planning， 151： 10-20.

Nunn， N. and Puga， D.， 2012， “Ruggedness： The Blessing of Bad Geography in Africa”，The Review of Economics and Statistics， 94（1）： 20-36.

Rappaport， J.， 2008， “Consumption Amenities and City Population Density”， Regional Science and Urban Economics， 38（6）： 533-552.

Raveh， O. and Reshef， A.， 2016， “Capital Imports Composition， Complementarities， and the Skill Premium in Developing Countries”， Journal of Development Economics， 118： 183-206.

Rosenthal， S. S. and Strange， W. C.， 2008， “The Attenuation of Human Capital Spillovers”， Journal of Urban Economics， 64（2）： 373-389.

Rosenthal， S. S. and Strange， W. C.， 2020， “How Close is Close？ The Spatial Reach of Agglomeration Economies”， Journal of Economic Perspectives， 34（3）： 27-49.

Wang， A.， Hu， S. and Lin， B. Q.， 2021， “Can Environmental Regulation Solve Pollution Problems？ Theoretical Model and Empirical Research Based on the Skill Premium”， Energy Economics， 94： 105068.

Wheeler， C. H.， 2001， “Search， Sorting， and Urban Agglomeration”， Journal of Labor Economics， 19（4）： 879-899.

Zhang， J. S.， Zhao， Y. H.， Park， A. and Song，X. Q.， 2005， “Economic Returns to Schooling in Urban China， 1988 to 2001”， Journal of Comparative Economics， 33（4）： 730-752.

Zhang， T. L.， Sun， B. D. and Li， W.， 2017， “The Economic Performance of Urban Structure： From the Perspective of Polycentricity and Monocentricity”， Cities， 68： 18-24.

How Urban Spatial Structure Influences Skill Premium：

Theoretical Perspectives and Real-World Evidence

Luo Yong Hu Miaomiao Cao Lili

Abstract： In the context of China's vigorous promotion of new urbanization to promote common prosperity， urban spatial structure as an important content of urbanization， it is of great practical significance to clarify its impact on skill premium and economic mechanism. In this paper， the urban polycentric degree is measured by using LandScan population distribution data to measure the urban spatial structure. Combined with the data of the China Household Finance Survey in 2011， 2013， 2015 and 2017， the impact of urban spatial structure on skill premium is identified from the theoretical perspective of the uneven distribution of heterogeneous labor in urban space. Studies have shown that urban polycentric structures bring a skill premium regardless of housing costs， a conclusion that holds true after replacing explanatory variables with and explanatory variables and removing some samples. In order to further identify the influence of polycentric structure on labor wages with different educational qualifications， this paper further subdivides them according to labor qualifications， and finds that the development of urban multi-centralization will increase the wage level of labor with college degree or above， but adversely affect the wage of labor with college degree or below. Furthermore， combined with the theories of agglomeration effect and selection effect， this paper examines the influence mechanism of urban spatial structure on skill premium from the perspective of the uneven distribution of heterogeneous labor in urban space， and finds that the pull of comfortable living environment in the main urban center on high-skilled labor and the push of high living cost on low-skilled labor jointly lead to skill premium. This study provides empirical evidence for adjusting and optimizing urban spatial structure to narrow income gap， improve quality and efficiency of urbanization during the 14th Five-Year Plan period in China.

Keywords： Urban Spatial Structure； Multicenter； Spatial Distribution of Heterogeneous Labor； Skill Premium

（责任编辑：徐久香）

*罗勇，华中科技大学经济学院，E-mail：cnrobinly@aliyun.com，通讯地址：湖北省武汉市洪山区珞喻路1037号华中科技大学经济学院，邮编：430074；胡苗苗（通讯作者），华中科技大学经济学院，E-mail：humm170@163.com，通讯地址：湖北省武汉市洪山区珞喻路1037号华中科技大学经济学院，邮编：430074；曹丽莉，中南财经政法大学工商管理学院，E-mail：lilicao@zuel.edu.cn。

基金项目：本文受国家社会科学基金重大项目“中国深度参与全球创新链治理的机制、路径与政策研究”（20&ZD124）、国家自然科学基金面上项目“中国高端制造业价值链跃迁路径研究：多重嵌入的视角”（71773115）、湖北省重大调研课题项目（2020J13-2）资助。

1 “劣质的城市形态”是指城市几何形态偏离文献中假设的圆形，呈现出扩大了城市内部距离的几何形态。

1 在劳动力市场竞争更加激烈的大城市中，高昂的生活成本与优胜劣汰的市场机制使得生產率更低的低技能劳动力退出市场，只有生产率更高的高技能劳动力才能在大城市生存，这种现象称为选择效应（Combes et al.，2012a）。

1 该数据是由美国能源部橡树岭国家实验室（ORNL）开发，通过GIS和遥感等方法统计的综合考虑包括就业、居住、交通等各项经济活动的城市内部24小时平均人口分布数据，是目前最准确的基于地理位置的人口分布数据（Desmet et al.，2020）。

2 具体测度方法见Li and Liu（2018）。为确保城市中心具有相对较大的规模，本文将面积大于三个栅格（大约3km2）且人口大于10万的、自身与周围均为高人口密度的连续栅格作为城市中心（Liu and Wang，2016）。

1 资料来源：http：//www.gscloud.cn/。

1 资料来源：房价数据来自聚汇数据，https：//www.gotohui.com/。

1 由于CHFS的微观调查数据只能精确到劳动力常住地的区县层级，因此本文将识别的城市主中心所在的区县认定为主中心。