我国城镇化【城镇化对我国省际教育收敛的影响研究】

城镇化对我国省际教育收敛的影响研究

根据2010年第六次全国人口普查，中国15岁以上人口的平均 受教育年限已达到9.09年①。但是，我国教育人力资本不平 等现象仍然比较严重。从全国范围内来看，我国人均教育水 平分布呈现出东高西低的现象：以平均受教育年限为例，北 京市2014年的平均受教育年限为12.54年，而同期云南省的 平均受教育年限仅为7.95年。最初的人力资本模型(如 Schultz 1960，Mincer 1974和Becker 1975)都认为，教育 作为最重要的人力资本积累，是造成收入分配不平常的重要 原因[1-3]。白雪梅(2004)和陈斌开(2010)的实证研究也表 明我国教育不平等加剧了收入不平等的程度[4-5]。通过对 表1的分析，我们得到收入与受教育程度存在密切关系，而 且也能够反映出教育人力资本是影响收入和收入差距的重 要原因。因此，缩小地区之间教育差距有利于促进各地区收 入的均衡增长。

另外，在我国教育水平提高的同时，我国的人口城镇化率从1978年的17.92％上升到2013年的53.73％②，已经达 到了世界平均水平(53％)③。关于城镇化和教育发展之间的 关系，国内外学者们已经达成共识：城镇化对教育具有促进 作用。但是，城镇化除了促进教育发展外，是否有利于缩小 区域间教育的相对差距却鲜有学者研究。本文借鉴Barro & Sala-I-Martin(1991)和Mankiw & Romer(1992)等学者们研 究经济增长时使用的β收敛模型，来检验我国省际教育的β 收敛性问题。本文有两个创新点：一是引入空间因素，检验 教育在我国省域间是否存在空间外溢性，并探讨空间外溢性 存在的原因及对省域间教育增长和收敛的影响；
二是构建空 间动态面板模型研究城镇化对教育增长的非线性影响和省 域间教育的β收敛性问题。本文的内容设计如下：第二部分 对教育收敛、空间溢出效应及城镇化的教育增长效应等相关 主题的国内外文献进行梳理；
第三部分介绍教育水平的测算 方法并进行描述性统计；
第四部分使用引入空间因素的β收 敛模型检验城镇化的教育收敛效应和增长效应；
最后是结论 和政策建议。

二、文献综述 自Barro & Sala-I-Martin(1991)对美国和欧洲等发达 国家(或地区)的经济收敛进行了实证研究之后[6]，涌现了 一些研究国家或地区间教育收敛的文献。Randa Sab &Stephen C.Smith(2001)利用3SLS方法对84个国家1970-1990 年的教育、健康人力资本进行收敛性检验，实证结果表明总 入学率、初级中学入学率、预期寿命和婴儿存活率存在条件 收敛，且教育投资和健康投资存在较高的相关性[7]。Jesús Crespo-Cuaresma(2006)对经合组织(OECD)成员国 1960-1990年的平均教育程度进行了收敛性分析，实证结果 表明基于不同统计数据库所得到的结论是不同的[8]。

D.Stamatakis & P.E.Petrakis(2006)分别对7个最先进的国 家(OECD-G7)、发达国家(OECD)以及欠发达国家的入学率和 万人中研究人员的数量进行了收敛性分析，证实组间国家的 入学率存在发散现象，而组内国家的入学率呈现出收敛的趋 势[9]。Marcella D"Uva & Rita De Siano(2007)利用回归 与分类树(CART)的方法把意大利划分为三大区域，然后利用 ADF检验方法，证实人均教育水平在意大利存在“俱乐部” 收敛[10]。国内学者岳书敬(2008)对中国30个省(重庆归入 四川)的人力资本(平均受教育年限作为人力资本的替代指 标)进行了σ收敛和β收敛检验，他的结论是中国各省份的 人力资本(即平均受教育年限)在1990-2004年期间存在绝对 收敛性[11]。顾佳峰(2008)在对我国各地区基础教育财政资 源配置的实证研究中发现，教育财政资源配置在小学层面呈 收敛，即地区差异在逐步缩小；
初中层面的收敛性不明显；

高中层面的收敛性占主导[12]。谢童伟和张锦华等人(2011) 对我国31个省(市)教育面板数据进行了实证研究，证实在全国义务教育经费投入体制改革后，各省教育差距及农村教育 差距存在显著的β收敛特征，而城市教育发展的省际差距也 存在着β收敛趋势[13]。韩海彬和李全生(2013)的研究表明， 我国农村基尼系数在1993-2010年呈整体下降趋势，具有显 著的σ收敛特征；
全国范围和东、中、西部地区的农村教育 均表现出绝对β收敛和条件β收敛的特征[14]。黄乾等人 (2015)对我国教育人力资本的B收敛性进行了研究，并引入 了空间因素，结果发现教育人力资本在我国省域间存在显著 的β收敛，但不存在“俱乐部”收敛[15]。

目前还没有文献对“城镇化的教育收敛效应”进行系 统性的研究。但是，涌现了一批研究“城镇化的教育增长效 应”的文献。Duncan Black& Vernon Henderson(1999)的理 论研究指出：城市化与教育之间存在着良性的互动关系[16]。

Luisito Bertinelli & Duncan Black(2004)通过对100个国 家30年时间序列的经济数据研究，分析了城市化进程和教育 水平提升之间的关系，得出城市化每上升一个百分点，平均 受教育年限提高0.72年[17]。Kumar A.(2012)在发展中国家 的背景下，详细分析了城市化、教育与职业发展三者之间的 关系，得到它们之间存在相互促进的关系[18]。国内学者何 志方(2001)通过比较国内外高等教育发展与城市化的关系， 提出城市化进程可以为高等教育规模的扩大提高动力和市 场需求，可以视作高等教育规模的决定因素[19]。郭书君(2005)和林霞(2006)对国内外城市化与高等教育之间的相 关性进行实证研究，证实城镇化会对教育表现出旺盛的需求， 进而促进教育的发展，前者还构建了城镇化与教育增长之间 的互动发展模型[20-21]。吕健(2014)构建了空间面板数据 模型，考察了我国城镇化对教育发展的推动作用，结果证实 城镇化显著推动了中国教育的发展[22]。

随着新经济地理学的兴起，空间计量技术在实证研究 中的应用越来越广泛，这为量化空间溢出性提供了技术支持。

在空间计量模型的框架下，涌现了一批研究教育人力资本空 间溢出性的文献。逯进和周惠民(2014)运用空间探索性数据 分析法(ESDA)对包含教育与健康两方面因素的省域间人力 资本进行了空间溢出效应分析，结果证实我国大多数省份存 在显著的正向人力资本空间溢出效应[23]。吕健(2014)证实 中国高等教育发展水平存在显著的空间相关性[22]。但是， 国内外学者利用空间计量的方法来研究各地区(国家)教育 收敛的文献并不多，而利用该方法研究地区经济收敛的文献 资料颇丰。Rey & Montouri(1999)从空间计量经济学的角度 研究了美国各地区经济收敛性，并通过空间计量模型的估算， 得到美国各地区间经济增长收敛的实证结论[24]。

Alexander Kubis &Lutz Schneider(2012)利用空间动态面 板模型研究了德国人力资本流动对经济收敛的影响[25]。本 文借鉴了以上两篇文献的研究方法，将空间计量技术应用到省域间人均教育水平的β收敛性分析中。

三、我国省际教育发展水平的测算与描述性统计 教育发展水平的度量指标有多种，本文选用平均受教 育年限来反映教育发展水平。因为平均受教育年限能够综合 反映教育普及程度和受教育时间强度两个维度，其中普及程 度能够体现入学率、升学率和辍学率等方面的内容，受教育 时间强度(一般以学年为计算单位)能够涵盖文盲率、十万人 口中各级教育分布等方面的信息。根据所获得的基础数据， 本文选用1987-2014年的平均受教育年限作为实证研究对象。

根据历年《中国人口统计年鉴》中15岁及以上人口的文盲半 文盲、小学、初中、高中、大专及以上五级教育程度人口的 抽样数据，本文使用15岁及以上人口的平均受教育年限作为 各省份教育发展水平的替代变量，并将各教育层次的年限分 别设定为0年、6年、9年、12年、16年。计算公式为：
其中，edu为平均受教育年限， 为各级教育层次的人口数， 为各级教育层次的教育年限。需要说明的是，1989年、1991年和1992年没有人口受教育结构的统计数据，1987年、 1988年没有公布文盲数据，其他年份均有对15岁以上人口的 抽样调查数据，或者人口普查数据(1990年、2000年、2010 年)。本文借鉴陈钊(2004)等人的估算方法[26]，采用与1990 年、1993年和1994-2012年口径一致的方法拟合了缺失数据 年份的受教育结构④，并据此计算了相应年份的平均受教育 年限。

从绝对量上看，我国平均受教育年限由1987年的5.68 年上升至2014年的9.89年，教育发展水平有了大幅度提高。

但是，省际教育差距仍然比较严重，而且省际教育基尼系数 下降的速度缓慢(见图1)。图2是运用核密度函数测算1990年、 1995年、2000年、2005年和2010年各省平均受教育年限的分 布情况。我们可以看到，1990年以来的四个时期内，各省平 均受教育年限的核密度估计函数呈偏态分布，且呈现出“左 拖尾”的特征，大多数省份都处于密度函数的右尾。从1990 年到2010年，核密度估计函数逐渐右移，且右尾部分对应的 密度值更高。这表明各省的平均受教育年限在1990年到2010 年间是不断提高的；
与此同时，1990年到2010年间各省核密 度估计函数的峰值逐渐变大，各省的核密度估计函数变得越 来越窄⑤，这表明各省的教育水平相对差距在逐渐缩小，下 文将通过构建β收敛模型来进行验证。图1 2008-2014年我国整体、分区域的省际教育基尼系 数时序图 资料来源：根据《中国人口统计年鉴》(2009-2015)整 理计算并绘制而成。

图2 1990-2010年各省平均受教育年限分布的核密度图 资料来源：根据历年《中国人口统计年鉴》整理计算 并绘制而成。

四、我国省际教育发展的收敛性分析 (一)收敛模型的构建 本文使用面板数据来构建实证研究的β收敛模型。与 截面数据模型相比，面板数据模型能够解决遗漏变量的问题。当遗漏变量与解释变量相关时，就会产生有偏估计；
此外， 面板数据模型可以有效解决内生性和测量误差问题。面板数 据β收敛模型的具体形式为：
其中， 表示i省第t年的人均教育水平， 分别代表个体固定效应和时间固定效应， 代表方程的残差。根据β收敛的定义，方程式(2)被称 为绝对β收敛模型。当β值大于0时，说明我国省际教育存 在绝对β收敛；
否则，我国省际教育是发散的。在方程式(2) 的右边加入一些可控变量后，就变成了条件β收敛模型。

在方程式(3)中， 代表人口城镇化率，controls代表其他控制变量。本文 选取的其他控制变量包括取对数的人均国内生产总值(用 lnGDP表示)和老龄化程度(用AGE表示)，其中老龄化程度以 65岁以上老人的占比作为替代指标。选取变量lnGDP和AGE的原因在于：人均GDP是教育投资的重要决定因素，其与人均 教育经费支出具有较强的正相关；
而人口老龄化是我国现代 社会面临的一个重大问题，老年人口会减少在教育方面的投 资。因此，如果老年人口在一个地区所占的比重提高，就不 利于该地区教育水平的发展。将方程式(3)等号左边的第二 项移到等号右边，得到方程式(4)。

ρ=1-β (4) 从形式上看，方程式(4)为滞后一期的动态面板数据模 型，如果参数估计量ρ是小于1的数值，说明我国省际人均 教育水平存在条件β收敛；
否则，我国省际人均教育水平是 发散的。如果控制了城镇化后，系数ρ减小，说明城镇化有 利于省际人均教育水平的收敛；
如果回归结果中δ的符号是 正的，说明城镇化具有教育增长效应。

(二)引入空间因素的收敛模型 在研究区域问题时，空间相关性是一个不容忽视的现 象。正如Anselin(1988)指出：几乎所有的空间数据都具有空间依赖性或空间自相关的特征[27]。教育的空间相关性是 指一个地区教育的发展与周边地区的教育发展密切相关。方 程式(2)-(4)都没有考虑教育空间相关性问题，可能会因忽 略空间因素而使得参数的估计产生有偏性。下文将使用 Stata13.1软件来检验我国省际人均教育水平是否存在空间 相关性，然后根据检验结果来决定是否在收敛模型中加入空 间因素。

1.全局空间相关性检验 本文使用的空间权重矩阵(W)定义如下：
，否则 =0；
其中， 代表两地区地理中心位置之间的直线距离。表2是利用 Stata13.1软件计算的我国省际人均教育水平的Moran"s I和 相关统计量的值。可以看出，我国各省份人均教育水平在考 察期内存在正向空间自相关性(均通过了5％显著性概率检 验)，说明我国各省份人均教育水平呈现明显的空间聚集效 应，即高水平的省份之间互相邻近，低水平的省份之间也相 互邻近⑥。另外，2000年之后的Moran"s I显著大于2000年 之前的Moran"s I值，这意味着省际教育的空间相关性越来 越高，教育的空间外溢性更加显著。2.局部空间相关性检验 本文采用局部莫兰指数I来进一步检验省际教育的局 部空间相关性。局部莫兰指数I的含义与全局莫兰指数I相似。

正的 表示区域i的高(低)值被周围的高(低)值所包围；
负的 表示区域i的高(低)值被周围的低(高)值所包围。由于 篇幅所限，只列举了我国省际人均教育水平在考察时间内的 几何平均值以及2010年度的莫兰指数散点图⑦(见图3)。

图3 我国省际教育在1987-2014年的几何平均值和2010 年的莫兰指数散点图 Moran"s I散点图分为四个象限，分别对应于空间单元 与邻近单元之间的四种局部空间联系形式。北京、天津、上 海、江苏、浙江等经济发达的城市位于第一象限，代表高观 测值单元被同是高观测值的单元所包围。第二象限代表低观测值单元被高观测值单元所包围的空间联系形式，位于该象 限的有河北、山东和安徽等省份，说明第一象限的省(市)对 这些省份产生较强的辐射作用，使这些省份的教育发展有较 大的提升空间。但是这种辐射作用随距离增加迅速减弱。因 此，西部省份和部分中部省份落入第三象限(低观测值单元 被低观测值单元所包围)，难以形成教育的空间溢出效应。

教育水平较高的广东省落入第四象限(高观测值单元被低观 测值单元所包围)，说明广东省并没有对周围地区产生显著 的辐射作用，没有形成教育的高值-高值集聚区域。

3.引入空间因素的收敛模型 上文验证了我国省域间教育水平存在显著的空间相关 性，所以需要将这种空间交互作用体现在收敛模型中，使模 型更加贴近现实。方程式(5)是在方程式(4)的基础上引入了 空间交互因子。其中， 表示教育的空间溢出效应， 为空间权重矩阵W的第i行， 为空间权重矩阵W的(i，j)元素。(三)模型的估计方法 由于模型存在内生性问题，所以固定效应模型并非合 理的估计方法，需要寻找适当的工具变量才能得到一致性估 计。Arellano & Bond(1991)使用所有可能的滞后变量作为 工具变量，在所有回归元为内生的情况下，解释变量的前期 值(即先定变量)与当期残存项不相关，通过对要估计模型进 行一次差分，则解释变量滞后二期以及二期以后水平值(或 差分值)可做当期值的工具变量，然后进行GMM估计[28]，这 就是“Arellano-Bond估计量”，也被称为“差分GMM”。使 用“差分GMM”的前提是扰动项｛ ｝存在自相关，即 。在Arellano & Bond的估计过程中，用AR(2)统计值检 验原模型一阶差分后的残差项是否存在自相关，利用 Sargan-test来检验工具变量的有效性。在本文的工具变量 选取中，为了防止过度识别问题的出现，只局限于滞后两期 的值。除了时间虚拟变量外，所有解释变量都使用其两个更 高阶的滞后期作为工具变量。

(四)模型回归结果分析 1.城镇化的教育收敛效应基于实证研究模型(5)的回归结果见表3。其中，前四 列是基于固定效应估计的回归结果，后四列是基于一阶差分 GMM估计的回归结果。从系数的显著性和符号上来看，两种 估计方法是一致的，区别在于系数绝对值的大小。如前文所 述，固定效应并非合理的估计方法，但可以将其与一阶差分 GMM估计方法做比较。钱学锋和陈勇兵(2009)的研究指出：
检验GMM估计方法的估计结果是否可靠和稳健可以采用固定 效应面板数据模型估计法[29]。因此，本文采用固定效应估 计法作为一阶差分GMM估计方法的稳健性检验。此外，一阶 差分GMM方法中滞后一期教育( )的系数要大于固定效应模型的估计值，但小于OLS方法 的估计值。

无论从固定效应的估计结果还是一阶差分GMM的估计 结果来看，变量 的系数均小于1(β值大于0)，说明我国省际教育是绝对 收敛的。这主要由于国家采取了多种举措来保障各地区教育 的均衡发展，加大了对贫困地区教育支出的力度，促进各地 区教育差异性逐渐缩小。在引入空间因素后，变量 的系数减小，说明教育的空间溢出效应有利于省际人均 教育的收敛。根据前文的实证结论，京津、苏沪浙等教育的 高-高集聚区会对邻近区域产生辐射作用，这种辐射效应加 快了省际教育水平的趋同趋势。在控制了城镇化后，变量的系数继续递减，说明了城镇化有利于省际教育水平的 收敛。从全国范围来看，城镇化率接近的省份，其人均教育 水平的差距也较小，这在某种程度上说明了城镇化的教育收 敛效应。

近年来政府大力推行的城镇化进程，不仅能够提高教 育发展水平，而且有利于省际教育相对差距的缩小。那么其 内在机理是什么呢?从个人角度来看，教育的差距主要来自 两个方面：一是个人出生时就拥有的健康、智力、语言、逻 辑等因素，这些因素主要取决于父母的遗传，对以后的个人 教育成就产生重要的影响。例如，Paul Taubman(1976)研究 了在相同家庭环境中成长的兄弟姐妹的教育成就，结论显示 这些因素对他们教育成就差异性的解释度为16％～23％ [30]。二是教育投入方面的差距，这一部分取决于家庭和政 府的教育投资。由于本文研究省际教育的收敛性，也就是在 大样本水平上，研究各个省份教育的差距问题，造成教育差 距的第一类因素具有不可观测性，且在大样本情况下，这些 因素的平均值在各省份是依概率趋同的；
所以造成教育差距 的原因主要是教育投资。教育投资的主体包括家庭和政府。

家庭和政府的教育投资受到多种因素的综合影响，比如经济 增长、家庭收入等。城镇化不但能促进经济增长和提升教育 投资的利用效率，而且教育投资主要集中在城镇。中国教育 科学研究院在2012年分别对东、中、西部各三个区(县)城乡义务教育投入进行了一项调查统计，发现城镇的生均教育事 业费支出、公用费用支出、教学仪器设备值和骨干教师比例 要高于农村，这在一定程度上说明城镇化是导致不同省份间 教育差距的重要原因。

“城镇化促进省际教育收敛”就是说具有相同城镇化 水平的省份，教育会在长期趋近于一个相同的均衡值。换句 话说，在城镇化水平一致的条件下，期初教育发展水平越低 的省份，教育的增长率就越高；
反之，就越低。对于城镇化 水平较低的省份，教育发展水平也要低，但是其城镇化水平 向城镇化水平较高的省份趋同时，其经济增长、教育投资必 然会大幅度提高，带动教育水平大幅度增长。此外，城镇化 也能够促进高学历人才的流动，在各省份城镇化水平趋同的 条件下，高学历人才由相互流动取代主要向城镇化水平高的 省市(如北京、上海、广东等)的单方向流动，这在一定程度 上也缩小了各省份教育的差距。

2.城镇化的教育增长效应 从表3还可以看出，城镇化的系数大于零，说明城镇化 具有教育增长效应，城镇化水平提高一个百分点能够促进教 育增长1.7个百分点(表3最后一列)。城镇化主要通过四种途 径促进教育发展(如图4)：一是城镇化促进了生产方式的转变和产业结构的调整，增加了对高学历人才的需求，这是教 育增长的需求因素；
二是城镇化提高了教育的收益，刺激了 人们对教育的投资，这是教育增长的供给因素；
三是城镇化 能够改善教育基础设施和增加公共教育支出，从而为人们提 高教育水平提供了便利，有利于教育的增长；
四是城镇化会 改变人们的价值观念，促进人们进行教育投资去追求更加高 质量的生活。

改善教育条件 城镇化 生产方式转变 增加高学历人才的需求 教育 提高教育价值 刺激人们的教育投资 价值观念改变 图4 城镇化促进教育增长的路径但是，表3显示了城镇化的教育增长效应是线性的，与 城镇化所处阶段无关。这就意味着：在其他变量不变的情况 下，对我国31个省(市、区)而言，城镇化每提高一个百分点 所产生的教育增长效应是相同的，这可能与现实情况不符， 需要考虑两者更加复杂的非线性关系。为了验证城镇化与教 育增长之间复杂的非线性关系，考虑在方程式(5)的基础上， 加入城镇化的二次方项和城镇化与教育的交叉项，分别考察 城镇化的教育增长效应是否会受到城镇化水平与教育水平 的影响。其中，加入的城镇化和教育的交叉项分别为：
表4的第(1)、(4)列是在表3第(4)、(8)列的基础上加 入了城镇化的二次方项，回归系数显著，说明城镇化的教育 增长效应具有显著的非线性特征，也就是说，城镇化所处阶 段不同，其对教育增长的边际效应存在差别。从表4看出， 城镇化的教育增长效应呈"U"型曲线特征，且曲线的最低点 对应的人口城镇化率为43.1％(根据表4的第5列计算而 得)；
说明当城镇化率低于43.1％时，城镇化的教育增长效 应边际递减，即存在所谓的“低城镇化陷阱”。当城镇化率 高于43.1％时，城镇化的教育增长效应边际递增。2013年，我国总体的人口城镇化率为53.73％，已经达到了这一门槛 值。具体来看，全国31个省(市、自治区)的人口城镇化率达 到门槛值的有27个，低于这一门槛值的省份有贵州、云南、 西藏和甘肃。

在加入城镇化与教育的交叉项后，城镇化的系数依然 是正值，并且城镇化与教育的交叉项( 与 )也是正值，说明城镇化和教育增长之间存在良性互动， 随着教育水平的提升，城镇化对教育增长的边际效应增加。

教育水平越高，教育的外部性就越强，城镇化就越能够促进 教育外部性的扩散⑧。然而，城镇化与教育平方的交叉项( )为负值，说明教育存在着临界值，当高于这一临界值 时，城镇化对教育增长的边际效应是递减的。此外，老龄化 程度对教育增长的边际效应并不显著，一方面在于我国各地 区的老龄化程度在样本时间段(1987-2014年)内的变化幅度 不大，另一方面在于我国老龄化人口占比还比较低。

五、结论与政策建议