城镇化发展多维减贫效应分析

导语：城镇化发展多维减贫效应分析一文来源于网友上传，不代表本站观点，若需要原创文章可咨询客服老师，欢迎参考。

贫困问题一直是困扰着我国经济社会发展的难题，改革开放以来，随着经济的持续高速发展，我国的扶贫工作取得了显著的成效，以最新的年收入2300元（2010年标准）为贫困标准线，我国的贫困人口由1978年的77039万人减少到了2017年的3046万人，贫困发生率也由97.5%降到了3.1%，贫困人口的规模和深度都得到了有效的控制。与此同时，由于我国人口基数庞大，区域经济发展不平衡等现状，我国的贫困问题依然严峻，扶贫减贫任务依然艰巨，尤其是老、少、边、连片特困地区，脱贫困难重重，制约着2020年全面建成小康社会目标的实现。值得关注的是，我国的官方统计资料一般采用单一指标即贫困发生率来测度贫困人口的变化，仅从收入角度反映贫困人口数量的变化，对于除收入以外的医疗教育等隐性贫困并不敏感，因而很难从整体上把握贫困程度，制订出相应的对策。因此，在对贫困进行测度时，采用多维贫困的视角[1]，除了常用的收入贫困外，加入了反映居民文化程度的“教育贫困”指标和反映居民可接受医疗服务程度的“医疗贫困”指标，以便更完整地反映居民的贫困状况。随着中国经济进入新常态，城镇化发展成为经济增长的重要动力，研究城镇化的多维减贫效应，具有一定的理论意义和现实意义。

1模型设定与变量说明

1.1理论假设。著名经济学家罗森斯坦-罗丹和缪尔达尔认为：一国的人均收入必须迈过一定的门槛才能逐步发展起来，否则会陷入“贫困陷阱”中，进入难以摆脱的恶性循环。在“贫困陷阱”中主要制约力量来自资本积累，而发展中国家城镇化的发展对于资本积累起着重要的作用，城镇化将城乡二元结构的闲置资源进行整合，提高资本积累率，从而使得经济摆脱“贫困陷阱”而迈向更高水平的均衡状态。结合相关学者的研究[2-13]，本文认为城镇化推进贫困减缓主要通过经济增长、产业结构优化和公共财政支出三个方面，因此提出以下三个假设：假设1：城镇化发展导致资源集聚从而提高生产效率，带动经济增长从而提高人均收入以及对教育、医疗等资源的获得性。假设2：城镇化所带来的人口迁徙一方面让农村贫困人口直接接触到了城镇的优质资源，另一方面劳动力的流入刺激了服务业的发展，进而通过产业结构的优化实现减贫。假设3：政府在推动城镇化的过程中加大财政公共支出力度，优化地区的基础设施建设和社会保障等从而有益于贫困减缓。1.2模型设定。为了检验城镇化发展与贫困减缓之间的关系，本文构建了基本计量模型：Povit=α0+α1Urbit+α2Macroit+vi+γt+μit（1）公式（1）中，Povit表示贫困程度，Urbit表示城镇化率，Macroit表示宏观控制变量，包括财政干预、人均GDP和产业结构三个指标,vi为不随时间变化的个体固定效应，γt为时间固定效应，μit为随机误差项。为了更加准确地估计城镇化减贫的空间溢出效应，本文在公式（1）的基础上加入空间变量和滞后期获得动态空间面板模型。Povit=ρåwijPovit+LnxTitβ+δåwijxTjt+λåwijμij+vi+γt+ϵit（2）公式（2）中，ρåwijPovit为被解释变量的空间滞后项,ρ为滞后项系数，wij为空间权重矩阵，LnxTit为解释变量，δåwijxTjt表示解释变量的空间滞后项，δ表示其空间滞后项系数，åwijμij为扰动项空间滞后，λ为扰动项滞后系数，vi表示地区固定效应，γt表示时间固定效应，ϵit~(0，σ2)，通过对模型的相关系数进行控制可以得到不同类型的空间面板模型。当λ=0且δ=0时，可以得到空间滞后模型（SAR），空间滞后模型主要是度量被解释变量存在的直接空间效应；当ρ=0且δ=0时，可以得到空间误差模型（SEM），空间误差模型主要度量被解释变量除直接因素外的误差项产生的空间效应；当只有λ=0时，可以得到空间杜宾模型（SDM）。对于如何选择SAR、SEM、SDM三种空间面板模型，可以通过LM检验、Wald检验和LR检验来确定最合适的空间面板模型，为了便于比较和检验结果的稳定性，本文将三种模型同时进行了回归分析。权重矩阵是空间计量分析中表达空间交互结构的纽带，也是最为核心的步骤之一，本文采用的是空间嵌套权重矩阵，由邻接矩阵和经济权重矩阵相乘得到。采用嵌套矩阵一方面能够较好地反映相邻省域人口流动的空间特征,另一方面能体现不同省域之间经济相互依赖的程度。嵌套权重矩阵wij以表1所示的方式得出，同时对其进行标准化处理。本文所涉及的变量主要分为被解释变量、核心解释变量和控制变量三部分，具体情况为：（1）被解释变量。衡量贫困程度的指标通常有贫困发生率、SEN指数、GT指数等，这些指标都是以收入作为衡量的标准，在识别贫困程度上显得过于片面，而贫困实际上是一个多维度的指标，故借鉴傅鹏等[14]的做法，通过收入贫困、教育贫困和医疗贫困三个维度来综合表述贫困状况。对于收入贫困，由于缺乏2010年前的贫困发生率数据，故采用单德朋等[10]的方法，选取恩格尔系数来衡量贫困状况，在模型中各省份的恩格尔系数可分辨该地区发展的贫困程度，数值越大表明贫困程度越深，即为正向指标，部分年份统计年鉴中没有给出恩格尔系数，本文利用食品支出在消费支出中所占的比重进行了计算，得出相应的数值；对于教育贫困，选取各省份15岁以上文盲人口所占比重来衡量，也为正向指标；对于医疗贫困，选取各省份每千人口卫生室人员数来表示，为负向指标，即数值越高贫困程度越低。（2）核心变量。本文的核心解释变量为城镇化水平（Urban），采用各地区城镇人口占地区总人口比重即城镇化率来衡量，人口城镇化率能够有效反映劳动力要素的聚集，从而对贫困人口的城乡流动带来的收入、教育、医疗等方面产生一定的影响，因此人口流动指标能较好地反映城镇化水平。（3）控制变量。控制变量包括对减贫有明显影响的其他因素，如：财政干预（Fin）、实际人均GDP（PGDP）和产业结构（Ind）。其中财政干预用各省份的政府财政公共支出占当年GDP的比重来表示，实际人均GDP以1978年为基期，除去通货膨胀的影响得出，由于产业结构的层次主要由第三产业来推动，故选取第三产业增加值占GDP的比重来表示产业结构。

2数据描述与实证分析

2.1数据来源与统计性描述。为保证时间的长度，尽量避免中国城镇化发展政策变迁对减贫的扰动影响，本文从《中国统计年鉴》《中国农村贫困监测报告》和《中国财政统计年鉴》选取了2005—2017年全国31个省份的面板数据，对被解释变量、核心变量、控制变量进行了归纳整理（见表2），表2展示了各变量的统计性描述。2.2多维贫困的空间相关性分析。随着城镇化的发展，带动资本和人口的广泛流动，贫困的空间分布可能会存在着越来越强的空间相关性。为了验证各省份之间收入贫困、教育贫困和医疗贫困的空间特征，本文使用空间自相关Moran’sI指数来进行检验，其计算公式为：MoranI=Måijwij×åijwij(x)i--x(x)j-xˉåi(xi-xˉ)2（3）其中，M为区域的数量，xi和-x分别表示某区域的样本观测值和总体样本观测均值，i=1，2，…，M。wij为i与j区域的空间权重赋值，如果两地在地理空间上相邻则赋值为1，否则为0，Moran’sI指数的取值范围介于-1至1之间，数值越大意味着该指标的空间相关性越强，若取值为0则意味着不存在相关性。利用空间嵌套矩阵对2005—2017年全国31个省份的收入贫困、教育贫困和医疗贫困分别进行了Moran’sI指数的检验，结果如表3所示。表3的结果显示，收入贫困、教育贫困和医疗贫困的Moran’sI指数绝大部分为正值且在1%的统计水平上显著，表明我国各省份的三大贫困存在着显著的空间集聚效应。收入贫困的莫兰指数值随着时间的推移先逐渐变大后逐渐变小，呈现出倒“U”型的发展趋势，这表明我国收入贫困状况在2005—2010年间呈现出愈发增强的空间集聚效应，之后空间集聚效应有所减缓。而教育贫困和医疗贫困的莫兰指数值逐年减少，表明其贫困集聚状况有减弱的长期趋势。究其原因，可能在于近年来我国出台了一系列新的扶贫措施，打破地域界限，加快了人口和资本跨区域流动，从而让贫困集聚效应有所减弱。2.3空间模型的实证结果。本文以全国31个省份为研究对象，故采用固定效应模型更为合适，并且对面板数据进行Hausman检验，其结果也支持采用固定效应模型。本文采用空间嵌套权重矩阵，运用Stata14.0软件进行空间面板估计，依次探究城镇化等指标对收入贫困、教育贫困和医疗贫困的减贫效应；同时列出空间滞后模型、空间误差模型和空间杜宾模型的检验结果，这样的好处在于可以直观地进行对比，也能检验估计结果的平稳性，且每一种模型都根据空间固定效应、时间固定效应和双固定效应进行控制，通过比较拟合优度R2选择空间固定效应为最佳模型，最终得到了以下实证结果：（1）收入贫困分析。收入贫困的实证结果如表4所示。为了便于进行对比，本文将普通面板模型的回归结果也放入表中，在表4各个模型的估计结果中，可以观察到，SAR模型和SDM模型的拟合优度较高，且其空间相关系数ρ显著大于零，表明我国居民的收入贫困在空间上存在显著的正相关性，即呈现出区域性的贫困聚集。根据拟合优度最高的SDM模型的估计结果，城镇化水平在1%的显著水平下对收入贫困产生负向影响，其系数值为-0.1648，表明城镇化水平每提高1%，收入贫困降低0.1648%。对于控制变量而言，发现产业结构和人均GDP指标显著地有利于收入减贫，政府的财政干预显著但反向作用于贫困减缓，其原因可能在于地方政府比较注重GDP的考核，故投放的财政支出大量用于基建等项目支出，而对于改善民生的项目投资较少，导致居民的收入贫困没有得到有效改善。水平上显著（下同）。（2）教育贫困分析。教育贫困的实证结果见下页表5，在此同样把普通面板回归模型放置其中进行对比。观察结果发现城镇化发展对于教育减贫并没有显著的作用，可能的解释是城镇化对教育贫困存在着倒“U”型的影响，随着城镇化发展到一定程度，超过了门槛值使得其对教育贫困的影响变得非常有限，甚至抑制了教育贫困的减少。观察拟合优度最高的空间杜宾模型可以发现空间自回归系数ρ显著大于零，故教育贫困也存在着空间集聚作用，各变量中除城镇化对教育减贫有消极效果外，产业结构也对教育减贫有显著的正向作用。这也解释了服务业发展所导致的人力资本流动使得农村教育资源的流失更加严重，而财政干预和人均GDP指标显著地有利于教育减贫，说明财政支出中逐年增长的教育支出改善了居民的教育水平，相对来说教育具有更多的公共品属性，故服务于大众的政府财政支出对于教育减贫有着一定的积极作用。（3）医疗贫困分析。医疗贫困的实证结果见表6。结果表明，不管使用哪种模型进行回归，城镇化对于医疗减贫的效果都是显著的正相关，即促进了人们在医疗资源上的可得性，根据拟合优度R2的数值大小选择最合适的模型可以发现，时间固定SDM模型效果更好，拟合度达到了0.8503，根据该模型的回归结果可以看出空间相关系数ρ显著为正，表明医疗贫困同收入贫困和教育贫困一样具有空间集聚的特点。对医疗减贫的影响要素中，城镇化水平、人均GDP和产业结构对医疗减贫具有显著的促进作用，其中，城镇化水平每提高1%，医疗贫困减少0.966%，说明人口的城乡流动有利于医疗服务覆盖面的扩大，经济增长和服务业的发展也对医疗减贫产生了积极影响，而财政支出不利于医疗减贫，其原因可能与收入贫困类似，政府的财政支出向GDP绩效的项目倾斜而忽视了医疗公共服务的投资。2.4直接效应和间接效应。通过空间杜宾模型（SDM）效应分解所得到的城镇化减贫的效果如表7所示，其中直接效应是指本地区的城镇化发展对本地区减贫的影响，而间接效应是指本地区的城镇化对于周边地区减贫的空间溢出作用。由表7可知，城镇化发展对于本地区的收入贫困和医疗贫困均有着直接的抑制作用，但对教育贫困没有明显的效果，这与上文分析结果相似。对于空间溢出效应，城镇化对周边地区的收入贫困具有显著的抑制作用，虽然对于医疗贫困的溢出效应不显著但是为正，方向仍然保持一致。总的来说，各省份之间的减贫存在着明显的空间关联效应，而城镇化的发展不仅有利于本地区的收入和医疗减贫，还能带动周边地区的发展，实现跨区域的联动减贫。2.5分区域进行检验。为进一步考查上述解释变量的多维减贫效应在不同区域有何差异，即检验其空间区域性特征，本文根据《中国统计年鉴》对于全国省份进行了东、中、西部三个地区的划分，并分别对各地区的收入贫困、教育贫困和医疗贫困进行了检验，结果如表8所示。由表8可知，对于收入贫困而言，城镇化指标只对西部地区都有着显著的抑制作用，而对于东部和中部没有显著影响，说明待发展地区的城镇化更有助于收入减贫，财政支出的减贫效果不太理想，与全国样本的分析保持一致。人均GDP则有着区域分化的态势，仅在东部和中部有着较强的减贫效果。而第三产业的减贫效果则在东、中、西部地区均有着显著的作用，尤其是在西部地区系数值更高，说明越是经济欠发达的地区，服务业的发展越能带动贫困减少。对于教育贫困，与全国样本类似，城镇化发展不利于教育减贫，在东部地区甚至有显著的正向作用，说明在越是城镇化发展面临饱和的发达地区，城镇化对于教育减贫越失去了助推效果。财政干预对教育减贫有着一定的抑制作用但并不显著，人均GDP的减贫效果最好，在东部地区系数值最高，中部其次，说明越是经济发达的地区，经济增长越能带动教育减贫。至于医疗贫困，城镇化水平在东、中、西部地区均有着1%水平上显著的减贫作用，在东部地区系数值达到了最高的1.4671，表明经济越发达，其医疗减贫效果越好。经济增长的医疗减贫效应则在中部和西部地区产生积极作用，而服务业发展只在中部地区有着显著的促进作用，财政干预对于医疗贫困没有减缓作用，这与收入减贫有着相似的表现。

3结论

总体而言，本文得到了以下结论：（1）贫困分布呈现出显著的集聚效应。根据Moran＇sI指数的检验结果，我国的收入贫困、教育贫困和医疗贫困均呈现出显著的正相关，故一个地区的减贫也会带动周边地区的减贫；反之，一个地区贫困的加深也会导致邻省贫困加剧，这种贫困集聚的空间效应体现出我国区域发展的不协调性。（2）城镇化发展能够显著抑制收入贫困和医疗贫困，但不利于教育减贫，这在分析东、中、西部区域性检验时得出了一致的结论，城镇化带动人口和生产要素的流动，促进了区域经济的发展，带动居民收入的提高，同时在医疗这个具有公共服务属性的方面也存在着显著的积极作用。（3）城镇化的飞速发展不仅能带动本地区的减贫，还在空间上对相邻地区产生空间溢出作用，而且城镇化对于收入贫困的空间溢出效应甚至比直接效应更强。

作者:朱冬元 杨潇宇 孙浩然 单位:中国地质大学