金融危机对中国农村劳动力非农就业的冲击*
——基于面板双重倍差模型的实证分析
陈 帅1 张海鹏2
内容提要:本文利用微观农户调查数据,通过建立金融危机冲击前后的面板双重倍差(panel-DID)模型,考察了2008年国际金融危机对中国农村劳动力非农就业的影响。研究发现,金融危机对中国有涉外经济业务的劳动密集型行业造成了直接冲击,使得农村劳动力在这些行业的非农就业人数减少、劳动时间缩短;但是,研究并没有发现金融危机冲击对中国农村劳动力非农就业所产生的持续性影响;在面临金融危机的冲击时,受教育程度较低、从事工资性劳动、就业地点在外省的农村非农就业劳动力更容易遭受失业。
关键词:金融危机 非农就业 panel-DID模型
一、引言
2008年国际金融危机源于西方发达国家,但其影响却迅速扩散到其他许多国家和地区,发展中国家的涉外经济部门首当其冲(Giles et al.,2012)。现有研究普遍认为,金融危机对中国非农就业的冲击范围很大,但其具体结论存在较大差别。根据盛来运等(2009)的估计结果,在金融危机期间,中国约有1200万农民工失业;而Chen(2009)则认为,此数字应该在2000万左右。Huang et al.(2010)指出,研究结论的差别源于对“冲击”的界定和所使用数据的不同。Giles et al.(2012)也认为,缺乏统计数据、特别是劳动力数据以及家户统计数据,是难以衡量金融危机影响的关键原因。
除以上原因外,研究方法的差异也是导致研究结论不一致的重要因素。现有文献主要是基于两个思路来考察金融危机对中国非农就业的影响。第一种思路是直接估计就业率或失业率等相关指标,以此说明金融危机对非农就业的冲击,因而研究结论的差别只是基于不同的数据来源。王德文等(2009)使用国家层面数据,考察了金融危机期间样本中农业户籍劳动者的就业人数和就业率,以此验证金融危机冲击的影响。这种方法存在的问题是,直接的现实证据并非“反事实”(counter-factual)的净影响,如果没有金融危机,本来也会存在正常的失业现象,即便研究发现相关劳动力市场指标有某些趋势性变化,也难以判断其中的真正原因。使用企业层面数据,其估计结果可能更易遭到质疑。比如,Kong et al.(2009)基于企业数据来估算失业工人数量和失业率。Huang et al.(2010)指出,企业层面数据无法考虑劳动力市场的流动性,工人失业后可能会在其他地方找到工作,因此,企业层面数据只反映失业人次而非失业人数,利用企业层面数据所得的研究结果可能会高估金融危机对就业的真实影响。第二种思路是估计出非农就业过去的时间趋势,假设没有金融危机,以此来考察在“一如往常”(business as usual)的情况下,非农就业指标的趋势性变化,并将其与现实中的非农就业指标进行比较,由此得到金融危机对就业的真实影响。例如,Huang et al.(2010)借助于中国农村调查数据(CNRS),分析了农村非农就业劳动力失业的影响因素,并对临时解雇和长期失业做出了区分;Giles et al.(2012)综合企业、农户和劳动力市场数据,分析了金融危机对中国非农就业冲击的传导途径,结果表明,金融危机导致中国2000万~3600万非农就业者失业,失业者集中在进出口相关部门。但是,这种方法存在的一个潜在问题是,中国政府在金融危机前后所实施的多项政策都会影响到农村劳动力的非农就业,进而改变相关就业指标的变化趋势,例如2008年年初实施新《劳动合同法》和经济降温政策、2008年年底出台4万亿元经济刺激计划等。借助于过去的时间趋势来衡量“一如往常”的情形,由此得到的影响效应可能是政府政策和金融危机冲击共同作用的效果,同样也难以甄别金融危机对非农就业的真实影响。
有鉴于此,本文将在进一步改进研究方法的基础上,考察金融危机对中国农村劳动力非农就业的真实影响。具体来说,就是利用金融危机发生前后中国农户微观调查数据,确定合理的冲击时段,以此建立面板双重倍差(panel-DID)模型,同时选择合适的对照组和处理组,借助于对照组的趋势性变化来分离政府政策的影响,甄别金融危机对中国农村劳动力非农就业的“反事实”影响,并考察其短期效应和长期效果。
二、分析思路与模型设定
(一)政策梳理及分组原则
2001~2007年,全球经济经历了一个稳步增长的阶段,2007年,中国GDP增长率高达12%。为防止经济过热,2008年年初,中国政府开始采取宏观调控措施,促使经济降温;同时,新《劳动合同法》于
在以上背景下,考察金融危机对中国非农就业的真实冲击,就必须分离同时段政策因素的影响。本文拟采取的思路是,利用双重倍差法(difference-in-difference,DID),借助对照组的趋势性变化来分离政策因素对处理组的影响;理想的分组标准是:对照组和处理组可以有固定差别,但在外生冲击(金融危机)发生之前,两组的时间趋势一致;两组都受到政策的影响,但外生冲击只对处理组产生了影响。由此可见,合理分组是关键。
(二)对照组和处理组的划分
根据本文研究所使用的样本数据,本文选择“工作单位业务类型”为“有进出口业务”、“为进出口部门提供商品或服务”的个人样本作为“处理组”,工作单位为“无进出口业务”、“其他”的个人样本作为“对照组”,其原因如下:
第一,在传导机制方面。全球金融危机源于欧美发达国家,中国直接受到金融危机冲击的是涉外行业,随后金融危机波及为进出口部门提供商品和劳务的部门。国际金融危机自2008年9月后失控,对中国劳动力市场的冲击集中在2009年,事实上,到2010年,中国再度出现“民工荒”。这说明,金融危机对中国劳动力市场的冲击时间较为短暂,波及无涉外业务经济部门的可能性较小。
第二,在政策影响方面。首先,无论是否涉外经济部门,都受到了2008年年初经济降温政策、新《劳动合同法》实施等政策的影响。2008~2009年间中国政府所推行的重大经济政策并非专门针对涉外经济部门,因此,这些政策既影响处理组,又影响对照组,可以借助对照组的趋势来分离其影响。其次,4万亿元经济刺激计划并没有专门支持涉外经济部门。就具体投放方向来看,4万亿元经济刺激计划包括:灾后重建占25%,关键基础设施建设占38%,农村基础设施建设占9%,住房建设占10%,温室气体减排和环境保护占5%,改革和经济建设占9%,社会发展占4%(国家发展和改革委员会,2009)。也就是说,4万亿元经济刺激计划对本文研究的处理组和对照组都产生了影响,其对农村劳动力非农就业的影响同样能够借助于对照组的趋势性变化来分离。
(三)冲击前后时段的划分
2007~2009年的全球金融危机自
图1 中国月度进出口总值和城镇单位就业人数波动
资料来源:中国海关网站(http://www.haiguan.inf);国家统计局网站(http://www.stats.gov.cn)。
这说明,中国2008年年底至2009年年底出现的城镇单位就业人数波动可能是由进出口相关行业的波动所引致的,而中国进出口总值在2008年年底至2009年年底期间的大幅下滑,则直接源于全球金融危机。此外,丁守海(2009)指出,由于劳动管制和隐蔽性失业的存在,相对于产出变化,就业调整是滞后的。因此,本文选择2008年年底作为国际金融危机对中国农村劳动力非农就业产生冲击的时间节点,即把2008年及之前作为冲击前时段,2009年和2010年作为冲击后时段。
(四)模型设定
在把全部样本区分为对照组和处理组,并合理划分了冲击前后时段之后,就能利用双重倍差法,在分离出政策因素影响的同时,甄别金融危机冲击对中国农村劳动力非农就业的“反事实”影响。因此,本文采用如下面板双重倍差(panel-DID)模型来考察国际金融危机对中国农村劳动力非农就业的影响:
(1)式中,下标
三、数据来源与描述统计
本文研究所使用的数据来自北京大学环境经济项目研究小组(EEPC)在2006年和2011年对湖南、安徽两省所做的农户调查。调查样本通过简单随机抽取获得,2006年第一次调查在湖南、安徽两省随机抽取到600个农户,得到了2691个个人样本;2011年第二次调查是对2006年调查样本的回访,最终回访到1796个个人样本。表1列出了农户调查样本的分布情况。
表1 湖南、安徽两省农户调查样本分布
|
省份 |
市 |
县 |
乡镇 |
村 |
户 |
个人 |
回访 |
|
安徽 湖南 |
2 3 |
5 5 |
15 15 |
30 30 |
300 300 |
1311 1380 |
874 922 |
2006年第一次入户调查时,课题组询问了样本农户当年的个人和家庭情况等基本信息,同时还询问了2000年的非农就业信息;2011年回访时,课题组不但调查了样本农户及其成员当年的非农就业情况,而且还追问了2008年、2009年和2010年的非农就业情况。这样,两次调查共得到2000年、2006年、2008年、2009年和2010年5个年度的农户成员非农就业信息,时间跨越了金融危机冲击前后。
此外,在2011年回访问卷中的“非农就业”部分,补充了几个重要的问题。第一,“工作单位业务类型”。该问题设置了以下几个选项:①有进出口业务;②为进出口提供商品或服务;③无进出口业务;④其他。第二,“是否受到金融危机影响”。第三,如果回答“受到金融危机影响”,则进一步提问“受到什么影响,请描述”。回访时所增加的上述问题为本文研究提供了关键信息,为划分对照组和处理组提供了判断标准,再加上调查数据的时间跨度,从而使得建立panel-DID模型来分离同时段政策因素的影响成为可能。
表2 变量的定义与描述性统计
|
变量名称 |
变量定义 |
2000年 |
2006年 |
2008年 |
2009年 |
2010年 |
|
|||||
|
均值 |
标准差 |
均值 |
标准差 |
均值 |
标准差 |
均值 |
标准差 |
均值 |
标准差 |
|
||
|
非农就业参与 |
是=1,否=0 |
0.27 |
0.44 |
0.39 |
0.49 |
0.39 |
0.49 |
0.42 |
0.49 |
0.43 |
0.50 |
|
|
性别 |
男=1,女=0 |
0.53 |
0.50 |
0.52 |
0.50 |
0.51 |
0.50 |
0.51 |
0.50 |
0.52 |
0.50 |
|
|
年龄 |
周岁(单位:岁) |
33.00 |
19.04 |
35.73 |
20.15 |
36.28 |
20.62 |
36.93 |
20.83 |
37.56 |
21.06 |
|
|
受教育年限 |
接受学历教育年数(单位:年) |
5.49 |
3.84 |
6.02 |
4.01 |
5.77 |
3.97 |
5.84 |
4.00 |
5.92 |
4.05 |
|
|
非农就业经验 |
农村劳动力参与非农就业的时间(单位:年) |
6.54 |
4.42 |
9.83 |
7.71 |
11.69 |
10.28 |
12.27 |
11.30 |
12.82 |
11.66 |
|
|
子女数量 |
16岁以下子女数量(单位:人) |
0.98 |
0.94 |
0.93 |
0.91 |
0.98 |
0.99 |
0.98 |
0.99 |
1.00 |
0.99 |
|
|
非农就业收入 |
农村劳动力从事非农就业所获得的日收入(单位:元/天) |
12.98 |
95.70 |
22.91 |
128.70 |
26.57 |
57.38 |
31.67 |
70.08 |
40.48 |
158.50 |
|
|
非农就业时间 |
农村劳动力一年中参与非农就业的时间(单位:天) |
70.03 |
127.40 |
100.00 |
142.10 |
97.45 |
138.20 |
104.30 |
141.20 |
106.50 |
140.40 |
|
|
非农就业收入类型 |
自营=1,拿工资=0 |
0.27 |
0.44 |
0.23 |
0.42 |
0.26 |
0.44 |
0.25 |
0.43 |
0.25 |
0.43 |
|
|
非农就业地点 |
省外=1,省内=0 |
0.34 |
0.48 |
0.45 |
0.50 |
0.37 |
0.48 |
0.39 |
0.49 |
0.37 |
0.48 |
|
|
全样本量 |
|
2366 |
2606 |
1592 |
1658 |
1796 |
|
|||||
|
非农就业子样本量 |
|
638 |
1016 |
621 |
696 |
722 |
|
|||||
注:非农就业收入、非农就业时间、非农就业收入类型和非农就业地点四个变量的均值和标准差根据当年参与非农就业的农村劳动力子样本计算而得,其余变量的均值和标准差根据当年全部农村劳动力样本计算而得;受教育年限是指接受学历教育的年数,无论是否毕业,不包括在职培训或其他非学历教育;非农就业经验根据样本最早参与非农就业的时间计算而得,不考虑中途失业。
表2列出了变量的定义与描述性统计结果。从表2可以看出,研究样本的个人特征和家庭特征的变化趋势相对稳定,而非农就业参与率、非农就业时间、非农就业收入都随着时间推移而逐渐增加。根据表2所示的全样本描述性统计结果,本文并没有发现国际金融危机对中国农村劳动力非农就业产生了特殊的影响,即使非农就业时间在2008~2010年间有微小的波动,也不能判断它是否是由金融危机冲击所致。下面对样本分组后进一步考察不同组别之间非农就业指标是否存在差异。
图2 对照组和处理组非农就业指标的变化趋势:2000~2010年
注:非农就业时间、非农就业收入变化趋势按照均值画出;非农就业收入以2010年为基年,按照国家统计局公布的同期消费者价格指数进行调整。
根据前文所述分组标准,将2008年“工作单位业务类型”为“有进出口业务”、“为进出口部门提供商品或服务”的个人样本作为处理组,工作单位为“无进出口业务”、“其他”的个人样本作为对照组。通过样本筛选,本文最终得到5期3105个观察值的平衡面板数据,每期621个个人样本,其中,对照组517个,处理组104个[②]。图2画出了2000~2010年间对照组和处理组非农就业指标的变化趋势。总体来看,在2008年及之前(金融危机冲击前),对照组和处理组非农就业指标的变化趋势基本一致,到2009年之后(金融危机冲击后),两组的变化趋势开始出现差异。2009~2010年,两组的非农就业参与率和非农就业时间都有所下降,并且处理组的下降幅度明显超过了对照组,说明金融危机可能对中国农村劳动力非农就业造成了负面影响,使得涉外经济部门的农村劳动力非农就业人数减少、就业时间缩短;但金融危机对中国农村劳动力参与非农就业的平均收入似乎没有产生明显的不利影响,在遭受金融危机冲击后,两组的平均非农就业收入都继续增长,其中,处理组比对照组增长得更快。
四、金融危机对中国农村劳动力非农就业的影响效果
(一)panel-DID模型估计结果
表3给出了(1)式所示的panel-DID模型的估计结果[③]。其中,回归方程(1)使用线性概率模型(LPM)来分析农村劳动力参与非农就业的选择行为;除回归方程(4)使用随机效应(RE)模型估计外,回归方程(2)和(3)均采用固定效应模型估计(FE),固定效应和随机效应估计量的差别,由Hausman检验来表征[④]。
本文主要关注分组变量与冲击前后变量的交叉项的估计结果,因为它表征了金融危机对中国农村劳动力非农就业所产生的影响。在回归方程(1)的估计结果中,交叉项具有较强的统计显著性,且其系数估计值为负,并且说明金融危机显著降低了中国农村劳动力的非农就业参与概率,平均来说,使其下降了将近7个百分点。回归方程(2)的估计结果表明,对参与非农就业的人来说,金融危机也显著缩短了他们的非农就业时间,其年均就业时间减少了大约10天。回归方程(3)和回归方程(4)的估计结果表明,金融危机并没有降低农村劳动力的非农就业收入,对于金融危机冲击期间仍留在非农就业岗位上的人来说,其平均收入反而显著增加。其原因可能在于这部分人所具备的素质或能力无法被替代,企业通过解雇其他人员来保留这部分员工。
表3 金融危机对中国农村劳动力非农就业冲击的panel-DID模型估计结果
|
解释变量 |
估计方法 |
|||
|
(1) |
(2) |
(3) |
(4) |
|
|
非农就业参与 (LPM) |
非农就业时间 (FE) |
非农就业收入 (FE) |
非农就业收入 (RE) |
|
|
是否处理组×是否冲击后 |
-0.0675***(0.0152) |
-9.9150**(4.0870) |
22.8600***(5.3400) |
20.4500***(5.1760) |
|
|
|
|
|
|
|
性别 |
— |
— |
— |
35.1600**(13.8800) |
|
年龄 |
0.0233***(0.0082) |
6.9930***(2.1900) |
-1.4900(7.4300) |
3.0170(6.1610) |
(续表3)
|
年龄平方项/100 |
-0.0373**(0.0080) |
-9.3790***(2.1340) |
0.1190**(0.0550) |
-0.0261(0.0310) |
|
受教育年限 |
0.0324***(0.0104) |
5.3560*(2.8010) |
19.0500(20.7600) |
1.3880(5.7190) |
|
非农就业经验 |
0.0350***(0.0079) |
6.6470***(2.1310) |
0.1030(5.4630) |
-0.9520(5.3080) |
|
子女数量 |
-0.0312***(0.0165) |
-7.4260**(2.9600) |
— |
— |
|
非农就业地点 |
— |
— |
7.5890(8.8050) |
4.6790(7.6060) |
|
非农就业收入类型 |
— |
— |
20.3300*(10.6900) |
27.9700***(8.9390) |
|
年度虚拟变量 |
已控制 |
已控制 |
已控制 |
已控制 |
|
常数项 |
-0.8020***(0.1390) |
-179.1000***(32.8900) |
-208.1000(182.3000) |
-19.0900(66.5300) |
|
观测值 |
3046 |
2508 |
2508 |
2508 |
|
拟合优度 |
0.4420 |
0.3020 |
0.0490 |
— |
|
Hauseman检验 |
|
|||
|
Prob> |
0.0851 |
|||
注:括号内是标准误估计值;*、**、***分别表示在0.1、0.05、0.01的水平上显著;“—”表示无估计值或该变量没有被引入回归模型。
其他控制变量还包括性别、年龄、受教育年限、工作经验、家庭16岁以下子女数以及非农就业地点和非农就业收入类型。可以看到,男性从事非农就业的日收入比女性多了大约35元;年龄对非农就业参与概率和非农就业时间都表现出边际递减的正向影响;较长的非农就业经验有利于提高农村劳动力的非农就业参与概率和非农就业时间;家庭16岁以下子女数会降低农村劳动力的非农就业参与概率、缩短其非农就业时间;自营劳动者的非农就业日收入比工资性劳动者高出20多元。
(二)金融危机冲击的持续性分析
随着2010年经济形势有所回暖,中国新一轮“民工荒”接踵而至。这样,一个衍生性问题就产生了,即金融危机对中国农村劳动力非农就业的冲击是否仅仅集中在2009年,以及其持续性影响效果如何。为了回答以上问题,本文把2009年数据去掉,仅将2000年、2006年和2008年作为金融危机冲击之前,将2010年作为冲击之后,样本分组原则不变,再利用(1)式进行回归分析,以考察金融危机对中国农村劳动力非农就业的持续性影响。表4所示的估计结果表明,去掉2009年数据后,交叉项不再显著,表明金融危机对中国农村劳动力非农就业的冲击仅集中在2009年,冲击时间较为短暂,到2010年,其影响已不再显著。
表4 金融危机对中国农村劳动力非农就业持续性影响效果的panel-DID模型估计结果
|
解释变量 |
估计方法 |
||
|
(1) |
(2) |
(3) |
|
|
非农就业参与 (FE) |
非农就业收入 (FE) |
非农就业时间 (FE) |
|
|
是否处理组×是否冲击后 |
0.0401(0.0257) |
19.0100(16.0100) |
11.1100(7.3820) |
|
年龄 |
-0.0152***(0.0053) |
1.5970(12.4400) |
-4.2460***(1.5380) |
|
年龄平方项/100 |
-0.0536***(0.0031) |
-5.9080(4.7050) |
-14.7600***(0.8840) |
|
受教育年限 |
0.0482***(0.0057) |
-1.8040(11.4700) |
13.4600***(1.6530) |
|
非农就业经验 |
0.0641***(0.0051) |
3.1000(10.9000) |
17.4300***(1.4660) |
|
子女数量 |
-0.0489***(0.0059) |
— |
-13.6400***(1.6820) |
(续表4)
|
非农就业地点 |
— |
8.9960(14.4200) |
— |
|
非农就业收入类型 |
— |
50.2200***(13.7600) |
— |
|
年度虚拟变量 |
已控制 |
已控制 |
已控制 |
|
常数项 |
-0.0516(0.0771) |
18.3600(133.4000) |
-13.1600(22.1700) |
|
观测值 |
2611 |
1961 |
1961 |
|
拟合优度 |
0.3980 |
0.0140 |
0.2770 |
注:括号内是标准误估计值;***表示在0.01的水平上显著;“—”表示该变量没有进入模型。
在考察了国际金融危机对中国农村劳动力非农就业的短暂冲击后,本文接着考察处于不同就业状态的农村劳动力之间所存在的特征差异。为此,本文将2008年参与非农就业的农村劳动力分为三组:2009年后一直处于就业状态、2009年后一直处于失业状态、2009年失业但2010年重新就业。若把第三组认为是临时性失业者,这部分人中有大约七成(71.4%)在涉外经济部门工作;比较各组之间的个人和家庭特征差异,可以发现,2009年后一直处于失业状态者尽管拥有更长的非农工作经验,但往往受教育程度较低,而工作经验虽少但受教育程度更高的人则更容易找回工作;再看非农就业指标,可以看出,工资性劳动者和就业地点在外省的农村非农就业劳动力都更容易遭受失业。
表5 金融危机期间未失业、失业、临时解雇三个群体的特征比较
|
变量 |
2009年后一直处于 就业状态 |
|
2009年后一直处于 失业状态 |
|
2009年失业但2010年 重新就业 |
|||
|
均值 |
标准差 |
|
均值 |
标准差 |
均值 |
标准差 |
||
|
年龄(岁) |
36.28 |
12.35 |
|
38.67 |
16.90 |
|
33.57 |
13.38 |
|
受教育年限(年) |
7.96 |
2.92 |
|
7.44 |
3.24 |
|
8.71 |
3.04 |
|
非农就业经验(年) |
11.90 |
9.33 |
|
14.57 |
13.14 |
|
9.44 |
14.54 |
|
非农就业地点(省外=1,省内=0) |
0.35 |
0.48 |
|
0.44 |
0.51 |
|
0.43 |
0.54 |
|
子女数量(人) |
0.87 |
0.96 |
|
0.94 |
1.21 |
|
0.86 |
0.69 |
|
非农就业收入类型(自营=1,拿工资=0) |
0.26 |
0.44 |
|
0.17 |
0.38 |
|
0.14 |
0.38 |
|
非农就业收入(元/天) |
68.49 |
70.54 |
|
62.68 |
25.21 |
|
64.56 |
14.73 |
|
在涉外经济部门就业比例 |
0.23 |
0.42 |
|
0.33 |
0.49 |
|
0.71 |
0.49 |
|
样本量 |
468 |
|
48 |
|
105 |
|||
注:本表仅根据2008年参与了非农就业的农村劳动力样本计算而得。
(三)稳健性分析
尽管DID分析方法能够分离出其他政策性因素的影响,得到金融危机冲击的特定效应,但其分析结果高度依赖于两个设定:外生冲击前后时段的设定、对照组和处理组的划分。检验上述两个设定是否合理的方法是,改变外生冲击的时间选择,再次进行DID分析,所得结果应当不同于依据原设定所得结果;检验分组标准是否合理的方法是,按照另外的标准重新分组,再次进行DID分析,考察所得结果的经济意义。
首先,本文重新设定金融危机冲击的前后时段,将冲击时间提前一个时期,即将2008年、2009年和2010年设为冲击之后,将2008年之前设为冲击之前,分组原则不变,生成交叉项,然后重新进行DID分析。其次,本文改变对照组和处理组的划分,直接将农户对“是否受到金融危机影响”的回答作为分组标准,回答“受到影响”的农户劳动力作为处理组,回答“没有受到影响”的农户劳动力归为对照组[⑤]。按这样的分组标准再次进行DID分析。改变冲击前后时段的设定后,再次利用panel-DID模型所做的回归分析表明,交叉项对农村劳动力非农就业参与概率和非农就业收入的影响不再显著,虽然交叉项对非农就业时间的影响比较显著,但其影响方向与本文主要结论相反;改变对照组和处理组的划分后,再次利用panel-DID模型进行回归分析,所得估计结果与本文主要结论大体一致,即金融危机显著降低了农村劳动力的非农就业参与概率,尽管交叉项对非农就业时间和非农就业收入的影响不再显著,但其影响方向仍与本文主要结论相同[⑥]。因此,本文利用panel-DID模型所得到的分析结果基本上通过了稳健性检验。
五、结论
2008年国际金融危机对中国经济发展产生了重大的负面冲击,在金融危机发生前后,中国政府也先后出台了诸多重大经济政策,二者都对中国农村劳动力非农就业产生了重要影响。本文利用农户调查数据,使用DID分析方法来分离国内政策的影响,以此来甄别金融危机对中国农村劳动力非农就业的真实影响。根据本文的研究,金融危机主要通过涉外经济部门对中国农村劳动力的非农就业产生了冲击,导致农村劳动力参与非农就业的人数减少、就业时间缩短,但并没有对就业者的平均收入产生负面影响;金融危机对中国农村劳动力非农就业的冲击是短暂性的,集中体现在2009年,到2010年,金融危机的影响已不再显著;在面临金融危机的冲击时,受教育程度较低、从事工资性劳动和就业地点在外省的农村劳动力更容易遭受失业。最后,通过重新设定金融危机冲击的前后时段、重新划分对照组和处理组,对上述研究结论进行了稳健性检验,所得结果进一步支持了本文的研究结论。
参考文献
1.Artha,
2.Cai, F.; Wang, D. and Zhang, H.: Employment Effectiveness of China’s Economic Stimulus Package, working paper, Institute of Population and Labor Economics, Chinese Academy of Social Sciences, 2009.
3.Chen, X.: Financial Crisis Caused by 20 Million Migrant Workers Unemployed, WTO Guide, 2(3): 18, 2009.
4.Giles, J.; Park, A.; Cai, F. and Du, Y.: Weathering a Storm Survey-based Perspectives on Employment in
5.Forteza, A. and Rama, M.: Labor Market “Rigidity” and the Success of Economic Reforms across More Than 100 Countries, The Journal of Policy Reform, 9(1): 75-105, 2006.
6.Huang, J.; Zhi, H.; Huang, Z.; Rozelle, S. and Giles, J.: The Impact of the Global Financial Crisis on Off-farm Employment and Earnings in Rural
(下转第45页)
(上接第37页)
7.Kong, S. T.; Meng, X. and Zhang, D.: Impact of Economic Slowdown on Migrant Workers, in Garnaut, R.; Song, L. and Woo, W. T. (eds.): China’s New Place in a World in Crisis Economic, Geopolitical and Environmental Dimensions. A.C.T.: ANU E Press, 2009.
8.蔡昉:《中国发展的挑战与路径:大国经济的刘易斯转折》,《广东商学院学报》2010年第1期。
9.丁守海:《中国就业弹性:究竟有多大?兼论金融危机对就业的滞后冲击》,《管理世界》2009年第5期。
10.盛来运、王冉、阎芳:《国际金融危机对农民工流动就业的影响》,《中国农村经济》2009年第9期。
11.王德文、张展新、程杰、侯慧丽:《金融危机对贫困地区农村劳动力的影响》,《中国农村经济》2009年第9期。
12.张车伟、王智勇:《全球金融危机对农民工就业的冲击——影响分析及对策思考》,《中国人口科学》2009年第4期。
13.国家发展和改革委员会:《4万亿投资构成及中央投资项目最新进展情况》,国家发展和改革委员会网站(http://www.ndrc.gov.cn),
(作者单位:1北京大学环境科学与工程学院;
2中国社会科学院农村发展研究所)
(责任编辑:杜 鑫)
*本文研究受到国家自然科学基金项目“中国南方集体林区林权改革模式和绩效的实证分析”(项目编号:70773001)的资助。本文在写作过程中得到了北京大学国家发展研究院雷晓燕博士的悉心指导,在此表示感谢!同时感谢北京大学中国环境经济学项目(EEPC)所有成员的中肯建议。当然,文责自负。
[①]需要指出的是,本文主要关注国际金融危机冲击引致的中国农村劳动力非农就业波动。张车伟、王智勇(2009)指出,进出口波动对非农就业的影响要比经济增长率变动对非农就业的影响小得多,经济增长的就业弹性约为0.3,相比之下,进出口的就业弹性仅为0.03。可以说,但凡影响GDP的政策或外部冲击都将作用于劳动力市场,但GDP波动并不遵循金融危机的时间趋势。
[②]本文根据2008年参与非农就业的农村劳动力的“工作单位业务类型”来划分对照组和处理组,获得621个有效个人样本,低于全部个人样本总量。
[③]需要指出,非农就业时间和非农就业收入的panel-DID模型估计结果可能会出现选择性偏误。对于面板数据来说,若选择性偏误不随时间变化,则随机效应模型可以直接去除;若选择性偏误随时间改变,采用DID分析方法则需要一个较强的假设,即对照组和处理组的选择性偏误在外生冲击发生前的时间趋势是一致的,两组间的固有差距对DID分析结果不构成威胁。根据图2可以发现,对照组和处理组非农就业参与率的变化趋势在2008年前非常相似,因此,即便表3中的panel-DID模型估计结果可能会出现选择性偏误,但其影响程度可能并不大。
[④]面板双重倍差(panel-DID)分析方法只在固定效应(FE)模型中能够实现时间层面的差分,然后再进行组间差分,而随机效应(RE)模型不能保证估计结果的一致性。回归方程(4)采用随机效应模型仅是为了看到性别变量的系数估计值(不随时间变化的变量在随机效应模型中将被消去),虽然回归方程(4)恰好通过了豪斯曼检验,但其估计结果从理论上讲仍是有偏的。因此,在本文以后的回归中,只采用固定效应模型进行估计。
[⑤]这样分组存在的问题是,农户对“是否受到金融危机影响”的回答具有较强的主观性和内生性,而DID分析在衡量外生性因素的变化或冲击时表现更好。
[⑥]由于篇幅限制,本文不再报告稳健性检验的具体估计结果,如果需要进一步了解,可向本文作者索取。