中国城市生活质量的估计及其影响因素——来自中国城镇住户调查的微观证据

陈开洋

（复旦大学，上海，200433）

一、引言

Roback（1982）经典理论表明，在开放且人口自由流动的市场中，劳动力要素和土地要素分别在市场中达到均衡。均衡时，城市生活质量（Quality of life）是其土地租金与生产力水平的差值（Glaeser et al.，2001；Gabriel ＆ Rosenthal，2004）。在中国，户籍制度严格限制了城市间劳动力流动，使得各个城市形成了分割的劳动力市场。上世纪80年代，随着城市化进程的不断推进，户籍对居民流动的限制逐渐放开（陈钊和陆铭，2008），城市土地市场与城镇住房市场在改革中不断完善，城市住房的市场化程度也越来越高。劳动力流动约束的放松与住房市场的完善，将城市间劳动力市场的进一步整合，这一变化是否改变了城市生活质量？哪些因素在这个过程中对生活质量产生影响？

为了回答这一问题，本文首先使用《中国城镇住户调查》数据估算了全国183个城市的生活质量。并通过2002-2009年的面板数据，在缓解地区与时间因素可能带来的内生性问题的基础上，对城市生活质量变化的影响因素进行了考察。研究发现：首先，由住房成本扣除工资性收入所表示的生活质量，与现有文献得出的生活质量具有很高的相关性，说明劳动力与住房市场的不断完善加快了劳动力在地区间的流动；其次，每个城市的生活质量评分，可以很好地被城市便利性解释。具体来说，自然便利性（如距离海岸线越近、平均气温越低、最低气温越高）越好的城市，其生活质量越高；而对于城市便利性（户籍人口总量，人口密度、人均生产总值）更多的城市，其生活质量越高。最后，与社会公共服务相关的城市属性，如教育水平，对城市生活质量具有显著的正向影响。

十六届三中全会提出的“五个统筹”战略构想，对我国的城乡与区域发展指明了方向。该战略强调城乡间与区域内要素资源（人口与土地）的有效配置，在激发城市经济增长潜力的同时，提高居民的生活福祉。截至2010年，我国跨省（市）城市群10个，如长三角、珠三角等地区共计87个城市，GDP总计22万亿，约占全国总量的54.8%；省级城市群17个，涵盖113个城市，GDP总计14万亿，约占全国总量的34.5%。本研究表明，在城乡与区域统筹发展过程中，城市居民的生活质量获得了大幅度提升。一方面，劳动力在地区间的快速流动已经成为城市发展的重要趋势，居民通过流动选择更加舒适的工作与生活环境。另一方面，不断推进城乡与区域的协调发展，进一步放松现有的户籍制度的约束，不仅满足了居民日益增长的物质与精神需要，同时也提升了城市的生活质量，增进了城市生活的满足感与获得感。政府为提高城市生活质量所进行的公共投资，如提升医疗水平、扩展教育资源和减少环境污染等，都会受到民众的支持和可观的社会回报。这无疑将推动城市增长与公共服务的协调可持续发展，最终使国家和公众同时收益。因此，完善劳动力与住房市场改革，进一步推进户籍制度改革，减少劳动力流动的制度障碍与成本，将有助于提升城市居民的生活质量。

本文的结构安排如下：第二部分讨论相关国内外文献，第三部分介绍模型假设与推导，第四部分说明数据来源，第五部分参数估计与实证结果。第六部分总结全文并讨论结论的政策含义与启示。

二、文献综述

城市生活质量估计一直是城市经济学非常关心的话题，其理论基础在实证的补充下不断完善。Roback（1982）最先对这一问题进行了探讨，他认为在给定居民和企业偏好的前提下，人口完全自由流动使得地区间效应达到均衡，均衡条件下，较高的便利性弥补了低工资与高租金带来的不足。更进一步，Blomquist et al.（1988）和Rappaport（2007）则认为，居民对便利性的偏好并非一成不变，产业集聚与技术更新在改变偏好的同时，也影响着地区生活质量。不仅如此，企业与家庭偏好的差异，使得地区间在商务质量与生活质量两个维度上达到均衡（Gabriel ＆ Rosenthal，2004；Chen ＆ Rosenthal，2008）。

但是，在生活质量估计估计过程中，不可观测因素一直是难以解决的内生性问题。Bishop ＆ Timmins（2016）认为，当存在一种不可观测因素既影响家庭偏好，又影响到家庭消费便利性的数量和价格时，便存在内生性问题。而且，地区间人口不完全流动使得部分地区无法达到均衡条件，进而工资与租金的差值并不能反映出生活质量（Bayer et al.，2009）。为了解决上述问题，Kahn（1995）、Cragg ＆ Kahn（1997）、Bayer et al.（2009）、和Sinha ＆ Cropper（2013）等人尝试使用离散选择模型城市便利性进行估计，并估计不同地区居民对便利性的边际支付意愿，然而，高质量的数据要求是限制离散选择模型广泛应用的主要问题。为了缓解数据的局限，更多的文献以外生政策冲击与构建结构方程法为手段，来缓解识别方程中潜在的内生性问题，进而准确地识别个人（家庭）对便利性的边际支付意愿的变化。其中，政策冲击法主要是通过将Hedonic模型与 DID 方法相结合，通过双向固定效应解决遗漏变量问题（Chay ＆ Greenstone，2005；Greenstone ＆ Gallagher，2008）。而结构模型法则更侧重于模型的设定，通过模型校准获得准确的参数（Albouy ＆ Lue，2015；Albouy et al.，2016）。

除了识别方法，关于便利性的研究在范围和地域上都得到了不同程度的推广。研究范围上，财政条件（Gyourko ＆ Tracy，1991）、便利的外部性（Schmidt ＆ Courant，2006）、其他城市属性，如人口密度和空气质量等（Rappaport，2008；Tra，2010；Albouy，2016）也是影响城市便利性的重要因素。不仅如此，不同的地域、文化与种族同样构成了国家内部地区间便利性的差异。Maddison ＆ Bigano（2003）使用意大利数据研究发现，意大利居民对较高的一月气温和较低的七月份的降水量有很高的支付意愿；Berger et al.（2008）使用俄罗斯的长期调查数据发现，俄罗斯地区间城市属性的差异与其本国的人口流动的趋势保持了高度的一致（即人们更愿意流向便利性高而工资较低的地区）。Albouy（2013）研究发现，在加拿大，那些不同语言群体共同居住的城市，每个群体对城市生活特征的偏好基本一致。

（一）国内文献梳理

国内关于城市生活质量及其影响因素的研究，主要是从居民的主观幸福感入手。现有文献发现，收入、经济增长、政府效率、城市规模是影响居民幸福感（生活质量）的重要因素（刘军强等，2012；孙三百等，2014）。罗楚亮（2009）使用2002年的全国住户抽样调查发现，控制了相对收入效应后，绝对收入能对幸福感产生正向影响；而官皓（2010）、张学志和才国伟（2011）却认为绝对收入对幸福感的影响，远没有相对收入重要。文献无法达成一致结论可能与样本的选择偏误有关。鲁元平和王韬（2011）在现有研究的基础上发现，收入不平等对幸福感有显著的负向影响，而且可以通过影响地区的犯罪率来影响个人的幸福感。陈刚和李树（2012）考察了政府质量对居民幸福感的影响，发现政府自身的效率和腐败程度是影响居民幸福感的主要因素，且对低收入的人群影响更大。不仅如此，环境治理、就业质量、教育与医疗水平同样是影响城市生活质量的重要因素。赵文龙和代红娟（2014）发现，环境污染对城市生活质量会产生负向影响；聂伟（2019）强调，城市中充足的就业机会有助于提升居民的自我评价，改善其生活质量；张连城等（2019）认为，提高教育和医疗等公共服务水平是提高城市生活质量的重要途径。

然而，国内从便利性角度解释城市生活质量差异的研究并不多见。周京奎（2009）利用1999-2006年的城市面板数据，对城市便利性对住宅价格和工资的影响进行了研究，其研究发现便利性对住宅价格和工资的影响都是显著正向的，而且对于东部地区的影响效应要高于西部地区。夏怡然和陆铭（2014）发现，公共服务这一城市特征对地区间的劳动力流动会产生显著的影响。温婷等（2014）和温婷等（2016）通过构建指标体系进行主成分分析，对中国35个城市的便利性进行了评价，分别从健康环境等级，自我发展环境等级，休闲环境等级和社会氛围环境等级四个方面，对城市便利性进行分级和排序，并发现城市便利性和净迁移人口之间存在显著的正相关关系。喻忠磊等（2016）则采用了综合测评法与空间格局分析法对全国286个城市的便利性进行了评价，研究发现到海岸线的距离、城镇居民人均可支配收入和城市人均GDP等因素都可以对城市便利性产生影响。赵方和袁文超（2017）在Diamond模型的基础上，将便利性的数量内生化为当地的便利性供给与便利性需求决定，研究结果也与前人研究结果基本一致，且工资对劳动力流动的影响要更大。刘修岩和李松林（2017）发现在消除地区间在便利性上的差异的反事实条件下，福利水平出现了一定程度的上升，说明便利性与迁移成本、生产率和房价等城市属性一样，对个体的效用水平会起到不小的影响。

现有文献的不足在于：一方面，将城市层面的加总数据应用在回归分析中时，会因为缺少个体特征而产生较为严重的内生性问题；另一方面，部分文献忽视了城市自然属性的影响，使得城市生活质量的影响因素估计产生偏误。因此，本文的主要贡献表现在：①首次使用个体层面的微观统计数据对我国主要城市的生活质量进行估计，翔实的个人和住房特征信息，大大缓解了个体不可观测因素可能导致的内生性问题；②本文收集整理了我国主要城市的自然属性特征，如距离海岸线距离，气温，降水，天气状况（阴天、晴天），风向风速等，通过在回归方程中加入城市自然属性，将生活质量影响因素估计的潜在偏误降到最低。

三、模型假设与推导

本文的模型以Roback（1982）的模型为基础，并结合Albouy（2012，2015，2016）对模型的改进思路，对本文将使用到的模型进行简要的介绍。

家庭i对生活在j城市中，城市间的商品、居民在城市间可以自由流动完全自由流动1在我国现有的制度背景下，虽然人口在地理上可以自由流动，但是在制度上流动人口不可以享受流入地的公共服务，这种限制在劳动力市场与住房市场的改革过程中逐步被缓解。乔晓春（2019）和周灵灵（2019）的研究发现，2000-2010年是流动人口增长最快的时期，户籍制度的约束力正逐步降低，我国的发展现状与理论前提基本相符。。家庭偏好两种商品：一般商品x，价格单位化为1；非可贸易品y（包括住房和其他不可贸易的服务等），价格相对于一般商品pj，决定了当地的生活成本。家庭的消费约束亦来源与两个方面：工资取决于个人的特征和地区特征；家庭的非工资性的收入Ri（除工资收入以外的转移支付、财产性收入等），因此总的约束条件为。

便利性在地区间的差异是许多方面，本文使用K维列向量Zj表示可观测的便利性特征，并且假设地区间的便利性变化是连续的，即可观测到的Zj集合是实数集上的完整的闭子集，理论上可以对其进行微分。家庭在观测到地区的便利性特征之后，选择适宜的工作与生活地区最大化自身的效用，其间接效用函数为，该效用函数对其每个参数都是连续可微的，家庭的效用随着的增加而增加，随着pj的增加而减少。企业以规模报酬不变的技术，在完全竞争的要素市场（劳动力和土地）和产品市场中进行生产活动，其利润最大化的目标与成本最小化的目标一致，企业给工人支付的工资即为劳动的边际产出ω，按照土地的边际产出支付土地价格pj，企业劳动生产率高的地区支付高工资与地租。

均衡条件下，家庭根据观察到的住房价格、工资收入和当地的便利性，选择一个可以满足其保留效用的地区生活。当某个地区的保留效用高于或低于时，人口就会有动机继续流动，直到每个家庭都获得相同的保留效用为止，此时需求达到一般均衡。企业根据其面临的商品价格、工资以及便利性决定其企业选址，若存在企业按照低于边际成本的价格支付要素报酬，则地区内的其他企业将存在退出和重新选址的动机，直到企业不再进行地区间流动之后，供给的一般均衡形成。因此，均衡状态下，家庭效用最大化的一阶条件为：

方程（2）左边是某个便利性Zk的变动对间接效用的边际影响，它刚好等于便利性Zk对pj的边际影响与对的边际影响的加权求和，权重则取决于家庭间接效用函数对二者的敏感程度。接着，我们将家庭对便利性Zk的边际支付意愿定义为（方程（2）两边同时除以

分母表示1单位的工资变动对产生的边际效用，也是1单位货币变化产生的边际效用，分子与分母的比值则表示1单位便利性变动能相当于多少货币的边际效用，若p*等于1，则表示便利性的价值与货币的价值是等价的（货币和便利性的边际变动对效用的影响是等价的）。我们对在等式两边同时处于家庭收入，同时使用shepherd引理，可将上式化简为：

进而得到：

四、数据来源

（一）工资与房价数据

本文微观层面的工资与房价数据来自2009年《中国城镇住户调查》（Urban Household Survey，简称“UHS”），该数据包括全国18个省份183个行政区划单位的家庭调查数据。该调查数据中包含了家庭和个人两个数据集，其中家庭数据包含40084个家庭样本，个人数据集包含115919个样本，本文通过两个数据集中通用的地区家庭码对两个数据进行匹配，同时剔除了重复样本和异常观测值。

估算过程中，核心变量是个体的工资性收入和租金，因此本文有必要先对这两个变量进行处理。首先，我国的法定退休年龄男性为16-60岁，女性为16-55岁，但是随着市场对劳动素质要求的不断提升，绝大多数劳动力在进入社会之前会接受大专及以上学历的理论和技能学习。基于此，本文将研究样本的年龄限定在22-60岁（女性到55岁）之间3通过观察全样本中18-22岁的个体可以发现，有71.3%人的身份依然是“在校学生”，其工资性收入为0，因此，该年龄段中未参加工作的“劳动力”比重较大，研究中暂不考虑该类群体的影响。Sinha，Albouy and Lue（2015）、Albouy(2016）等文献中设定的年龄段位25-55岁。。其次，由于UHS数据中个体工资性收入存在较多缺失值，本文将工资性收入拓宽为工资性收入和经营性收入的总和4将经营性收入看成个人自我雇佣获得的一种“工资”形式。。最后，我们根据一些假设对个人的租金进行估算。使用“现住房房租折算（月/元）”这一指标（家庭层面的房租），除以家庭成年人个数，得到估算的个人的租金数额，并且乘上12得到个人单个年度的住房租金总额。在全样本中，估算的租金均值为683元/月，人均建筑面积约为41.33平方米，则单位面积的租金为16.67元/月，与郑文娟（2011）年全国抽样计算的单位面积租金20.52元/月十分接近。

（二）租金与工资占总收入的比重

参数租金与工资占总收入的比重的计算，主要依赖以下两组数据：《中国居民收入调查项目》（Chinese Household Income Project，简称CHIP2013），CHIP样本覆盖全国15个省份126城市234个县区抽选出的18948个住户样本和64777个个体样本，其中包括7175户城镇住户样本、11013户农村住户样本和760户外来务工住户样本；《中国家庭追踪调查》（China Family Panel Studies，简称CFPS2010），数据覆盖全国25个省/市/自治区，共9597个家庭的样本，调查对象为家户中的全部家庭成员，成人共21572个个体。变量包括家庭收入、支出、资产，以及个人层面的住房、卫生、交通等各项信息。5CHIP2013与CFPS2010数据库均在全国层面具有代表性，因此可以计算全国层面的参数。

（三）其他数据来源

本文收集的便利性特征，既包含了外生的自然属性，也包含了城市发展过程中形成的城市特征，本文与城市相关的统计数据主要来自2009年《中国城市统计年鉴》和《中国2010年人口普查分县资料》，城市特征分为四个层面：文化资源、教育资源、城市污染水平和其他人口特征，每个变量的统计特征可参见表1。

首先，人口数量来自2010年的人口普查，分为常住人口总数和户籍人口总数，与城市规模相关的变量主要使用常住人口数据；其次，人均城市便利性能更真实地反映城市居民获取该类属性（资源）的概率，所以，每项城市资源都使用人均值；再次，由于我国特殊的户籍制度，城市稀缺资源的分配是根据家庭户籍所在地来进行分配的，因此，教育资源和医疗资源在城市间的差异主要表现在户籍人均的差异上，使用户籍人均数量表示。最后，本文还进一步收集并整理了城市自然特征，如：城市地理信息、城市降水信息和城市气候信息等6数据获取方法翔见附录。。本文数据的描述性统计见表1.

表1 变量及描述性统计

七月平均气温（℃）183 25.41 2.93 15.40 29.76年均降水量（mm）183 977.34 454.80 109.86 2005.12地理因素建成区面积占总面积比重 183 0.09 0.10 0.00 0.76距离海岸线距离（km）183 456.43 385.69 0.39 1661.00距离主要七大水系距离（km）183 127.34 137.72 0.03 634.25 Panel C 城市社会因素文化设施影剧院数量（每百万人）180 0.04 0.049 0.00 0.474公共图书馆藏书量（每万人）183 6.11 31.20 0.22 423.1教育资源高等院校数目（每百万人）179 0.01 0.02 0.00 0.09普通中学数目（每万人*）183 0.56 0.17 0.08 1.27小学学校数（每万人*）183 2.31 1.63 0.29 10.85高等学校专任教师（每万人）179 8.29 10.62 0.19 57.52普通中学专任教师（每万人*）183 38.59 7.48 4.36 56.43小学专任教师（每万人*）183 41.84 9.94 5.97 67.70高等学校在校生人数（每万人）179 142.33 176.93 4.15 905.76普通中学在校生人数（每万人）183 0.06 0.02 0.01 0.10医疗卫生条件医院、卫生院个数（每万人*）183 5.11 2.76 0.60 21.78医院、卫生院床位数（每万人*）183 30.13 9.38 2.12 58.68医院数（每万人*）183 16.52 5.71 0.99 34.51地区污染情况工业废水排放量（吨/人）183 19.25 16.80 0.06 108.31工业二氧化硫排放量（吨/万人）182 179.83 168.42 1.45 1065.54工业烟尘排放量（吨/万人）182 65.23 68.25 0.52 400.18其他信息（2010人口普查）城市人口（万人）183 468.72 359.29 23.19 2884.62

注：①Panel A中，扣除了22岁以下和60岁以上的老年人后的人均居住面积，明显大于未做调整的人均住房面积（29.35平方米）。②核心变量通常来说最小值不应为0，但是该数据集将缺失的数据统一记为0，因此会出现截断的问题，我们在后文再对这一问题进行处理。③使用的个体样本全部来自2009年《中国城镇住户调查》，而该样本中仅覆盖了全国183个地级市，所以此处的描述性统计仅仅是这部分城市的城市特征。其中标“*”的变量是户籍人均。

五、参数估计与实证结果

（一）城市生活质量的估计

根据方程（5）可知，家庭对便利性的边际支付意愿即为地区生活成本和地区工资收入的加权求和：

首先，通过简单的OLS回归剔除个体（个人和住房）特征对工资和租金的影响，在此基础上得到各个地区的租金和工资的差异。对于住房租金，使用特征价格模型可以很好地剔除住房特征对住房价格的影响，我们将租金写成住房特征Xi与便利性特征的函数：

其中Pij是地区j的个人i居住房屋的年租金，Xi为住房属性，如建筑面积、居住面积、卧室数量、使用时长、建筑类型、有无供暖设施、用水设施和装修状况等。在控制这些属性对租金的影响后，回归中可以估计出每个地区j的固定效应，它表示仅由地区便利性差异带来的住房价格（或地区间不可贸易品价格的差异）差异，我们在后文将用符号表示模型估计出来的地区租金差异。

同样，各地区间的工资差异也采用了相同的处理方法。使用回归方程将工资的决定方程写成个人特征与便利性特征的函数：

ωij是我们可以观察到的地区j的个人i的工资收入，而Ui就是可以观测到的个体i的个人的各个方面的特征，如年龄、婚姻状况、受教育程度、工作经验、从事职业和所在行业等，并加入上述特征与性别的交互项，尽可能规避掉个人特征对工资的影响，进而获得由地区便利性差异带来的地区间工资的差异，记为。

（二）关键参数的计算与讨论

为了求出Sy与参数Sω，本文分别使用UHS与CHIP数据进行了计算。UHS2009“家庭现金收支调查表”中，将消费性支出中的服务性消费支出、住房支出、居住服务费支出、家庭服务支出、交通工具服务支出、交通费，加上购房与建房支出、社会保障支出和转移性支出定义为不可贸易品消费额，再用该支出额除以家庭当年的总收入，得到不可贸易品支出的收入比Sy＝35.84%。其次，我们使用了CHIP2013数据集中“收入与资产”部分信息对该指数进行了估算，计算得到Sy＝39.79%。两个数据计算得到的参数非常接近，仅比Albouy（2016）使用的美国数据高分别高出6.5和2.8个百分点。因此，此处的Sy使用两个数据集估算出的均值进行替代，即Sy＝37.82%。同时，两个数据集中测算的Sω分别为61.63%和51.38%，与Albouy（2016）和Albouy et al（2013）中使用的55%与70%非常接近，因此，这里我们使用二者的均值作为本文Sω的系数7使用了CFPS2010数据计算的与低于本文采用的均值，但统计上并无显著性差异。。

（三）初步的实证结果分析

首先，本文对方程（8）进行了回归，结果见表2。其中，大部分个人和住房特征都是显著的，且与预期的符号相符。在工资差异的回归方程中，户主、男性、城镇户口、已婚人士、较高的受教育程度、较长的工作经验等因素对个体的工资有显著的正向影响，且身份和职业两个类别变量对工资的影响都在1%的水平上显著异于0，说明身份和职业的差异在工资的决定上确实起到了非常重要的作用。在控制个体特征的影响之后，地区间工资的差异可以被视为地区便利性差异带来的（即）。在租金差异的回归方程（7）中，住房面积、私有产权房、三（四）居室的住房、新房、有较好的饮水、用水、卫生、有取暖设施等特征，对租金的影响通常在1%的水平上显著，可见其对住房租金影响程度。在控制了这些住房特征的影响之后，租金的价格差异被视为地区便利性差异导致的（即）。

表2 Hedonic模型回归系数

注 ：*** p＜0.01，** p＜0.05，* p＜0.1，“（）”中为参数 t 值。

为了进一步考察本文估算的生活质量指数的有效性，本文将这一指数与现有文献中的城市生活质量进行对比。首先，本文先将本文的生活质量与2005年发布的《中国城市生活质量报告》8信息来源：http://rxjs.org.cn/dev/board/48218.html。进行相关性分析。其综合排名与本文的生活质量排名的相关系数为0.41，在10%的水平上统计显著，相关性一般；Li ＆ Wang（2013）的文献使用主成分分析法，利用2006-2009年的中国统计年鉴的数据（包含卫生、科技、劳动和文物年鉴）对中国省份生活质量进行了估算和排名，经过分析，该排名与本文城市生活质量的相关性在5%的水平上显著，相关性达0.55；中国城市生活质量研究中心（2011）根据其可得的数据建立了自己的一套城市生活质量的客观评价体系。该生活质量排名与本文计算的生活质量同样存在明显的正相关关系，相关系数为0.69，在5%的水平上显著。说明本文通过一般均衡模型推导的生活质量的表达式能很好地描述地区间的生活质量。（详见表3）

表3 本文生活质量排名与其他文献生活质量排名的相关性

（四）估计生活质量及其影响因素分析

根据前文推导的公式（6），带入每个城市估算租金差异和工资差异及相应的和，我们计算得到中国183个城市的生活质量指数。图19图1中对应的数值详见附表1。以上文计算的工资残差为横轴，住房价格残差为纵轴，绘制了每个城市的（，）散点图。如果可以接受一个地区的高房价（非可贸易品价格）和低工资，那么该地区的生活质量则较高，因此，向左上角偏离并距离拟合线越远的点对应的生活质量越高。图1中灰色虚线穿过的点为南京市，生活质量最高，上海紧随其后。而且，常住人口在1000万以上的大城市大部分分布在拟合线的上部，生活质量普遍较高。

图1 城市住房价格残差与工资收入残差

紧接着，我们更关心的问题是：每个城市的生活质量，是由该城市的哪些因素决定的？为了识别城市生活质量的影响因素，本文假设便利性对生活质量的影响仅仅是线性的，使用OLS回归识别每个因素的边际影响大小：

本小节得出的结论如下：第一，居民偏好距离海岸线较近的城市，距离海岸线的距离系数为0.0001，意味着居民愿意支付收入的1%居住在距离海岸线更近（近100km）的城市。这与我国地理特征有很大的关系，中国地势西高东低，大致呈阶梯状分布，东南部沿海地区地势平缓，农业生产效率较高，交通便利，商业较为发达，而西部和北部地区地势较高，农业生产力较低，交通运输困难，居民参加就业和提高生活品质的方式有限，因而向沿海地区靠拢也是我国人口流动的主要趋势之一。而美国的这一参数为正，恰好与我国的情况相反（Albouy，2012），这与国家的地理特征关系密切。

表4 便利性对工资差异、租金差异和生活质量的影响

第二，最低气温的系数为正且在10%的水平上显著，可见居民偏好拥有较高的最低气温的城市，而且如果最低气温上升10摄氏度（约1.04个标准差），居民愿意为其支付收入的7%的份额，这是相对较高的支付比例。同时，最低气温对城市间的租金差异和工资差异也有很强的解释力，第（5）和第（6）列中，最低温度对租金差异和工资差异有显著的正向作用，且租金差异受到最低温度的影响要大于工资差异，因此，对于拥有较高最低气温的地区，其生活成本的上升速度明显快于工资收入的上升速度。不仅如此，居民还偏好较低平均气温的城市。愿意为其平均气温下降1摄氏度支付收入的3.2%，说明年平均温度适宜的城市对居民来说更加宜居。

第三，居民更加偏好“阴天”和“多云”的气象条件。若“阴天”出现的频率出现一个标准差的升高（0.009），那么居民愿意为其支付收入的0.49%，虽然这一支付比例不是很高，但与大多数的文献结论还是不同。Albouy et al（2016）发现人们更偏好“晴天”这一变量，而Sinha ＆ Cropper（2013）的研究中并没有发现显著的影响。通常来说，人们偏好“晴天”是因为“晴天”对居民的健康和情绪有很大的帮助作用，自然视野开阔，通勤便利。而且，晴朗的气候适宜大多数的社会生产，工作效率提升，工资水平较高。

第四，居民更加偏好人口数量较多和公共服务较多的地区，包括中学教育，而污染等城市属性并没有表现出与预期相符的结果。关于城市规模，如果常住人口数量出现1个百分比的变动，那么居民愿意为其支付收入的2.7%，第（5）和第（6）列也给出了相似的结论，较大的城市规模对生活质量有显著的正向影响。关于公共服务，人们愿意为公共藏书这种公共服务支付一定比例的工资（每万人拥有的公共图书量每上升1千本，居民愿意为此付出收入的1.2%），不仅如此，居民愿意为教育支付的比重比藏书还高。这与现有的文献的发现一致，通常来说，优质的教育资源在国内是稀缺的（夏怡然和陆铭，2015），家庭的后代如果能有较大的概率获得良好的教育，则家庭效用会得到一定程度的提升，家庭应当有动机为此付出一定的收入比例。关于污染，污染作为具有负外部性的特征，通常来说都是越少越好，人们愿意支付一定比例的收入来规避其负的外部效应（黄永明等，2013；杨继东和章逸然，2014）。尽管表4中的人均污染状况对生活质量没有显著的影响，但是无论是地区间租金差异还是工资的差异，人均污染状况的影响都是正向的，这也可能是城市便利性本身是内生的而产生的结果，较高的人均污染排放量也意味着较高的经济增速，因此，这一正向影响也是可以理解的。

（五）城市生活质量影响因素分析的稳健性检验

相比于城市层面的自然属性，城市社会便利性产生内生性的渠道相对较多，其中之一便是无法观测的地区特征会与误差项相关进而导致估计存在偏误。为了缓解这一潜在的内生性问题，本文进一步收集了2002-2008年的《中国城镇住户调查》与对应年份的《中国城市统计年鉴》，前者用于计算2002-2008年的城市生活质量的变化情况，后者则是用于收集城市随时间变动的城市特征。此处构造的面板数据不仅可以差分掉省份层面τi与时间层面Kt的固定效应，同时可以利用时间上的变异，为生活质量的影响因素提供一致的估计，方程如下：

表5结果显示，大部分参数系数的方向与预期一致，而显著程度上略有差异。首先，户籍总人口数越多，人口密度越低，生活质量越高。人口数量的增加，意味着人与人之间的分享、学习与外部性提高劳动生产率，提高生活质量，但是过多的人口和有限的面积会使得居住地过于拥挤，则生活质量出现下降。因此，若一个城市人口总量大且人口密度低，则其生活质量则相对较高；其次，人均产出对于地区的工资与租金都有显著正向影响，说明较高的人均产出增加了地区收入，也同时拉高了地区租金。但是，第（1）列中的系数显示，较低的人均产值会带来更高的生活质量，说明人均产出较高的城市中租金上升的幅度大于工资上升的幅度；房地产开发投资额越大对城市工资水平本无直接影响，但是房地产投资部分最终都是消费者承担，进而房价水平越高，而房价较高的城市生活水平也相对较高；污染物虽然具有很强的负外部性，但是在发展的初级阶段，其可以解决就业和增加居民收入，因而对地区的工资水平有正向的影响，但是，尽管收入增高弥补了污染带来的负效应，但是污染的居住条件是不受欢迎的，因此，污染水平较高的城市生活质量较低。

表5 城市便利性对生活质量的影响

与上一小节相比，本小节的发现进一步得出结论：一方面，面板数据对应的固定效应模型在缓解部分内生性问题的同时，使方程的解释力度得到一定的提升，调整后的R2从原先的0.317提升到0.506，这间接反映出，地区与时间层面的不可观测因素会潜在地影响城市生活质量。另一方面，尽管公共服务设施中，电影院数量，医院个数二者对城市生活质量并无显著影响，但是学校数量对于城市生活质量依然有显著正向影响，说明教育是公共服务中提升地区生活质量的重要因素。

六、结论性评述

本文通过一般均衡模型推导了城市生活质量与工资和住房价格之间的关系。居民在城市间流动选择不同城市的工资与住房价格，住房价格与工资之间的差代表了除生活成本以外，居民愿意为地区便利性特征支付的收入，差值越高说明当地的生活质量越高。本文通过收集整理《中国城镇住户调查》《中国居民收入调查项目》和《中国家庭追踪调查》等数据，对全国183个城市的生活质量进行了全面的测算。计算发现，南京、上海和北京等城市的生活质量一直位于全国前列，与文献发现和居民感受基本一致（温婷等，2014；喻忠磊等，2016）。进一步，本文使用多元回归方法，考察城市生活质量的影响因素。研究发现，城市便利性（amenities）中，自然便利性（如距离海岸线越近、平均气温越低、最低气温越高）越好的城市，其生活质量越高，城市便利性（户籍人口总量，人口密度、人均生产总值）更多的城市，其生活质量越高。不仅如此，与城市公共服务密切相关的中小学教育资源的丰富程度，同样可以提升所在城市的生活质量。

本文的发现具有重要的理论与现实意义：理论上，本文使用中国数据验证了Roback（1982）模型的预测能力。在一般均衡条件下，户籍限制不断减弱和人口流动不断加速使得人口不断向高生活质量的地区集聚，他们愿意为此接受较高的住房价格与较低的工资性收入，本文使用《中国城镇住户调查》数据验证该理论模型的预测能力。现实中，本文的发现对于我国现阶段新城镇体系的发展提供了经验证据，结论显示，良好的自然条件与丰富的公共服务是影响地区生活质量的重要因素。东南部沿海地区不仅气候宜人，温度适中，地势平缓，而且靠近我国主要的贸易港口，是企业大规模生产与居民持续流入的地区。随着人口限制减弱与经济不断增长，东部沿海地区的人口数量与人口密度不断增加，城市便利性不断增强，同时经济的发展增加了地方政府对基础设施、医疗资源与教育资源的投入，城市生活质量得到进一步的巩固与提升。

值得一提的是，十六届三中全会《决定》中提出的“五个统筹”战略构想对城市生活质量的提升有难以替代的作用。该战略强调城市群在新型城镇化过程中的主体地位，深化户籍制度改革，推动不同城市间公共服务的差异化供给，推动要素在城市间高效配置。由此可见，随着经济水平的不断提升，越来越多的城市特征将会给居民带来福祉，城镇化进程中与户籍制度和住房制度变革相关的一系列发展战略，不仅满足了居民日益增长的物质与精神需要，同时也提升了城市的生活质量，增进了城市生活的满足感与获得感。政府为提高城市生活质量所进行的公共投资，如提升医疗水平、扩展教育资源和减少环境污染等，都会受到民众的支持和可观的社会回报。这无疑将推动城市经济增长与公共服务的协调可持续发展，最终使国家和公众同时收益。因此，完善劳动力与住房市场改革，进一步推进户籍制度改革，减少劳动力流动的制度障碍与成本，将有助于提升城市居民的生活质量。

附录

1.城市地理与空间特征数据的获取方法

（1）城市地理信息

城市到海岸线距离（dist_to_coast）：首先，城市坐标通过百度地图API获得，该坐标定位的地址为该市市政府所在地（BD09坐标系10BD09为百度地图处理和公开国内地理信息时使用的坐标系，处于国家安全考虑，其信息在国测局坐标系的基础上进行了二次加密。），再使用在线坐标转换工具将经纬度坐标转换成WGS84坐标系11WGS84坐标系为国际通用的地心（质心）坐标系，可从专业GPS 设备中获取的坐标系信息。下的经纬度。其次，海岸线坐标通过Arcgis进行处理获得，先通过“国家基础地理信息中心”网站下载中国地理边界文件，并将其中的海岸线（北起鸭绿江口，南至北仑河口，总长1.8万多千米）转换为WGS84坐标系下的约26000个坐标点（平均两点之间的距离为0.7千米）。最后，使用文献中常用的距离公式，计算城市距离海岸线上每个坐标点的距离，以最小的距离作为城市距离海岸线的距离。

城市到主要河流距离（dist_to_river）：为了描述城市距离水源地的远近，本文计算了城市距离主要河流的距离。先通过Arcgis获得在WGS坐标系下，中国主要河流的点坐标（此处的河流是全国七大水系12全国七大水系：珠江水系、长江水系、黄河水系、淮河水系、辽河水系、海河水系和松花江水系。的干流，在线转点的过程中生成了个坐标点61000个），再根据距离公式求出城市距离水源距离最短的点，以两点之间的距离作为城市距离河流的距离。

（2）城市降水信息

本文每个城市的降水数据来源于“环境云网站”（http://www.envicloud.cn/），本文收集了该网站提供的全国2566个市县观测点2005-2015年的年度降水信息。基于上述样本，我们先将城市内部的样本点的降水量进行平均，再进一步对时间进行平均，得到每个城市2005-2015年间的年度平均降水量信息。（该数据源还包括对应年份的1月和7月的平均气温。）

（3）城市气象信息

本文的气象信息数据来自“天气后报”网（http://www.tianqihoubao.com/），该网站公布的原始数据覆盖了全国345个城市（包含直辖市、自治州、省会城市），时间跨度2011-2016年，其主要的气象信息包括：气象状况（晴天、多云、雨天等）、最高温、最低温、风力和风向。在原始数据的基础上，我们对现有的数据进行加工，得到能更好反映地区气候特征的变量：

最高温（highest_temp）：六年内该地区日最高温的最大值；

最低温（lowest_temp）：六年内该地区日最低温的最小值；

平均气温（avg_temp）：六年内该地区日最高温和日最低温平均值的均值；

平均温差（avg_temp_diff）：六年内该地区日最高温和日最低温差值的均值；

气温方差（temp_var）：六年内该地区平均气温的方差；

平均风力（avg_wind）：根据六年内每日的风力信息（无持续风向且风力小于3级的信息忽略不计）按照风向进行加权处理。先将风力按照风向对x轴和y进行投影，再将六年中大于3级的风力信息在坐标系上进行加权平均，最后再通过三角函数计算平均风力大小（Yang and Chow,2017）。

其中，windt表示风力的大小，θ以风向信息估计的方位角，若为西风，则方位角为0，若为西南风，则方位角为π/4，依次类推；

起风频率（wind_freq）：由于每个地区并不是每天会起风，用六年内大于3级风力的频率描述该地区起风情况；

晴天出现频率（suuny_freq）：六年内晴天出现的天数/六年总天数；

阴天出现频率（suuny_freq）：六年内阴天和多云出现的天数/六年总天数

雨天出现频率（suuny_freq）：六年内雨天出现的天数/六年总天数；

附表1 2009年城市家庭住户调查测算的便利性

附表1 2009年城市家庭住户调查测算的便利性

?

23 鸡西市 0.045 0.774 0.267297 115 芜湖市 0.089 0.234 0.038205 24 宜宾市 0.053 0.757 0.256347 116 宁波市 0.089 0.234 0.038205 25 牡丹江市 -0.276 0.261 0.254678 117 盘锦市 0.316 0.558 0.032464 26 盐城市 0.067 0.746 0.244276 118 黄山市 -0.056 -0.023 0.022947 27 珠海市 0.463 1.322 0.238339 119 台州市 -0.056 -0.023 0.022947 28 泰州市 0.242 0.986 0.236151 120 朔州市 0.408 0.66 0.019051 29 宣城市 -0.06 0.534 0.235865 121 德阳市 0.349 0.57 0.018354 30 内江市 -0.195 0.332 0.235757 122 绵阳市 0.137 0.25 0.017131 31 宿迁市 0.006 0.617 0.229959 123 大庆市 0.391 0.629 0.016934 32 朝阳市 -0.128 0.416 0.229664 124 长治市 0.058 0.13 0.01639 33 成都市 0.201 0.905 0.228686 125 庆阳市 -0.026 0.004 0.016205 34 泰安市 0.022 0.622 0.222808 126 商洛市 -0.026 0.004 0.016205 35 阜新市 -0.188 0.303 0.220833 127 威海市 0.383 0.615 0.01616 36 广州市 0.746 1.684 0.215324 128 吉安市 -0.075 -0.096 0.006075 37 西安市 -0.059 0.48 0.214877 129 孝感市 -0.156 -0.222 0.004195 38 兰州市 -0.059 0.48 0.214877 130 濮阳市 0.084 0.128 0.000941 39 汕头市 0.204 0.864 0.211484 131 咸宁市 -0.048 -0.071 0.000273 40 茂名市 -0.137 0.337 0.204872 132 七台河市 0 0 0 41 昆明市 0.159 0.773 0.202498 133 东莞市 0.937 1.384 -0.00607 42 济南市 0.426 1.171 0.20214 134 德州市 -0.046 -0.095 -0.00993 43 营口市 -0.021 0.49 0.197185 135 巴中市 -0.055 -0.13 -0.01809 44 南通市 0.301 0.968 0.196003 136 周口市 -0.296 -0.495 -0.01994 45 攀枝花市 0.116 0.677 0.19049 137 定西市 -0.091 -0.19 -0.02043 46 三门峡市 -0.078 0.381 0.188172 138 济宁市 0.092 0.061 -0.02892 47 宜昌市 0.008 0.489 0.180419 139 梅州市 -0.055 -0.161 -0.02981 48 安庆市 -0.092 0.337 0.179443 140 亳州市 0.191 0.203 -0.03116 49 衢州市 -0.092 0.337 0.179443 141 保山市 0.142 0.129 -0.03146 50 温州市 -0.118 0.286 0.174847 142 新乡市 -0.072 -0.217 -0.04138 51 蚌埠市 -0.118 0.286 0.174847 143 资阳市 0.174 0.127 -0.0503 52 荆门市 -0.036 0.393 0.168976 144 大同市 0.319 0.343 -0.05054 53 连云港市 0.107 0.605 0.168345 145 宜春市 -0.112 -0.311 -0.05433 54 铜川市 0.13 0.626 0.16329 146 赣州市 -0.044 -0.236 -0.06439 55 嘉峪关市 0.13 0.626 0.16329 147 驻马店市 -0.149 -0.402 -0.06784 56 雅安市 -0.071 0.316 0.159633 148 双鸭山市 0.055 -0.111 -0.07306 57 枣庄市 -0.017 0.396 0.159374 149 东营市 0.38 0.356 -0.0801

58 锦州市 0.015 0.44 0.157932 150 襄阳市 -0.065 -0.313 -0.08165 59 郑州市 0.303 0.87 0.157809 151 湛江市 -0.048 -0.305 -0.08823 60 葫芦岛市 0 0.404 0.152793 152 淄博市 0.329 0.241 -0.09477 61 抚顺市 0.019 0.432 0.152646 153 晋城市 0.349 0.255 -0.10078 62 乐山市 -0.025 0.363 0.151414 154 清远市 -0.157 -0.516 -0.10643 63 齐齐哈尔市 -0.159 0.151 0.146959 155 佛山市 0.599 0.608 -0.10855 64 鹤岗市 -0.178 0.114 0.143703 156 广元市 -0.043 -0.365 -0.11374 65 聊城市 -0.153 0.145 0.141299 157 黄冈市 -0.178 -0.577 -0.11763 66 黄石市 0.06 0.462 0.140822 158 平顶山市 0.175 -0.051 -0.11818 67 武汉市 0.255 0.741 0.136146 159 抚州市 0.011 -0.323 -0.12837 68 鹰潭市 0.067 0.455 0.134219 160 韶关市 0.069 -0.262 -0.13808 69 无锡市 0.393 0.941 0.133802 161 许昌市 -0.096 -0.583 -0.16624 70 荆州市 -0.055 0.271 0.133573 162 鄂州市 0.29 -0.01 -0.16766 71 烟台市 0.388 0.929 0.132089 163 焦作市 -0.059 -0.571 -0.18261 72 徐州市 0.096 0.492 0.131825 164 安阳市 0.158 -0.249 -0.18346 73 潍坊市 0.124 0.521 0.12697 165 酒泉市 0.083 -0.382 -0.19138 74 十堰市 -0.007 0.318 0.124223 166 安康市 0.083 -0.382 -0.19138 75 太原市 0.063 0.417 0.122108 167 湖州市 0.388 0.061 -0.19619 76 达州市 -0.156 0.083 0.119546 168 马鞍山市 0.388 0.061 -0.19619 77 信阳市 0.327 0.798 0.117016 169 萍乡市 -0.08 -0.67 -0.20819 78 滨州市 0.091 0.444 0.116497 170 金昌市 0.369 -0.032 -0.22062 79 江门市 0.307 0.765 0.115837 171 宝鸡市 0.369 -0.032 -0.22062 80 晋中市 -0.091 0.166 0.114205 172 肇庆市 0.223 -0.264 -0.22586 81 扬州市 0.315 0.767 0.112073 173 广安市 0.229 -0.301 -0.24325 82 铜陵市 0.213 0.612 0.111092 174 南昌市 0.178 -0.472 -0.2791 83 金华市 0.213 0.612 0.111092 175 景德镇市 0.033 -0.703 -0.28452 84 临汾市 0.068 0.393 0.110206 176 九江市 0.022 -0.828 -0.32558 85 常州市 0.479 1.001 0.107895 177 合肥市 0.221 -0.667 -0.37715 86 菏泽市 -0.167 0.035 0.107609 178 杭州市 0.221 -0.667 -0.37715 87 淮安市 0.199 0.581 0.107279 179 昭通市 0.102 -0.864 -0.38441 88 临沂市 0.159 0.513 0.104166 180 惠州市 0.466 -0.416 -0.42067 89 忻州市 -0.152 0.043 0.102158 181 漯河市 0.092 -0.983 -0.42376 90 泸州市 0.032 0.313 0.100293 182 玉溪市 0.119 -1.019 -0.45263 91 滁州市 -0.042 0.202 0.100131 183 揭阳市 0.129 -1.07 -0.47757 92 丽水市 -0.042 0.202 0.100131