基于BP神经网络的欠发达地区失地农民生计方式选择预测

杨琨 刘鹏飞

摘要：【目的】探析欠发达地区失地农民生计方式选择的影响因素，推进失地农民可持续生计研究，为精准实现失地农民可持续生计提供政策参考。【方法】以甘肃省兰州市安宁区失地农民群体为研究对象，基于可持续生计分析框架及实地调查数据，采用BP神经网络及二元Logistic回归模型定量分析人力资本和政策性因素对失地农民生计方式选择影响的边际效应。【结果】BP神经网络检验分类预测准确率达92.44%，二元Logistic回归模型检验分类预测准确率为78.15%，且BP神经网络的AUC值显著高于二元Logistic回归模型，表明BP神经网络具有更好的拟合性能，能更有效地分析失地农民生计资本对其转移就业选择的影响及边际效应。因征地补偿所获得的财产性收入和转移性收入在一定程度上降低了失地农民转移就业率;年龄对转移就业概率的边际效应呈倒U形，35岁以上失地农民的转移就业概率显著低于35岁以下群体，45岁以上失地农民的转移就业概率已低至0.5以下;欠发达地区教育水平仍是影响非农就业水平的关键因子，且高中以上教育水平对就业概率提升的影响显著。【建议】提高人力资本存量，增强职业技能培训;选取更合理的征地补偿措施，正确引导失地农民合理分配使用货币性补偿;完善失地农民劳动力市场体系，提供更有针对性的就业扶持及保障措施，缓解失地农民提前退出劳动力市场的现状。

关键词： 欠发达地区;失地农民;生计方式;BP神经网络;二元Logistic回归模型

0 引言

【研究意义】2000—2015年我国的城镇建成面积增长113%，城区范围扩张已成为耕地减少的主要原因（Fan and Zhang，2012）。耕地征用切断了农民从自然界获取维持生计所需生产生活资料的可能性，导致农户更易遭受生计风险（孔寒凌和吴杰，2007），进而加剧生计的脆弱性。非农生计方式是失地农民积累资本的唯一途径（杜书云和徐景霞，2016），同时引起福利水平、消费行为等生计结果的改变，最终影响生计的可持续性（Koczberski and Curry，2005）。欠发达地区尤其是西部半干旱地区受经济发展所限，农民拥有的生计资产数量更少，对农业生产依赖性更强，非农技能更低（何力，2015;杜宏茹和牛晓宇，2018），一旦耕地被征收农民转移就业问题更严峻。因此，明确失地农民生计方式转变关键驱动因素，对塑建可持续生计具有重要意义。【前人研究进展】针对失地农民非农就业影响因子的研究，已由早期以人力资本（黄祖辉和俞宁，2007）、社会资本（权英和吴士健，2009;冀县卿和钱忠好，2011）及就业预期（刘冰和陈金亮，2014）等自身因素为主，逐步扩展到社会接受程度（周毕芬，2015）、就业制度供给（周毕芬，2016）及市場环境（马继迁，2017）等外部因素的考量。周易和付少平（2012）运用二元Logistic模型分析生计资本对失地农民创业生计策略的影响，认为人力资本、社会资本和金融资本与失地农民创业呈正相关，而房屋拆迁与失地农民创业呈负相关。李俊峰等（2016）基于GIS空间分析研究安徽芜湖地区失地农民的就业空间特征及行为模式，结果发现失地农民的就业空间行为决策受其自身属性特征及思维定式的影响和制约，因此更倾向于就近就业。杨艳霞和杨云霞（2016）以苗侗民族聚居地黔东南为例，探讨分析少数民族失地农民的就业影响因素，结果显示人力资本匮乏及就业能力缺失是导致该群体在就业市场上处于明显弱势的主要原因。陈堂和陈光（2017）通过构建失地农民再就业影响因素的结构方程模型，发现工作因素及市场环境同样会影响失地农民的非农就业水平。也有研究发现，人力资本不仅影响耕地征收后农民转移就业选择（马继迁和张宏如，2015;王轶等，2017），还会影响进入非农产业后职业层次的提升（陈浩等，2013;王晓刚和陈浩，2014）。生计方式转变驱动因素存在复杂的内在关系（赵雪雁，2017），虽然已有学者针对生计方式选择的影响因素开展了相关研究，但缺少对失地农民特有资本的考量，有关生计方式选择对该群体生计资本要素的内在响应机制尚有待进一步探究。【本研究切入点】目前，有关失地农民就业影响因素的研究主要采用二元分类或多分类变量，然后基于Logistic模型将这一非线性关系转变为线性模型进行实证分析。BP神经网络能以任意精度逼近任何非线性连续函数，其精度更高，现已扩展到资源可持续利用及区域综合评价等领域（孙湛和马海涛，2018），但至今鲜见应用于可持续生计分析。【拟解决的关键问题】以甘肃省兰州市安宁区失地农民群体为研究对象，基于可持续生计分析框架及实地调查数据，采用BP神经网络及二元Logistic回归模型进行双重检验，探析生计方式选择对人力资本及征地政策性因素的响应，以期推进失地农民可持续生计研究，为精准实现失地农民可持续生计提供政策参考。

1 研究区域及研究方法

1. 1 研究区概况

甘肃省兰州市安宁区位于兰州河谷川盆地西部黄河北岸，行政区域面积88.33 km2，曾是兰州瓜果蔬菜重要生产基地。受带型哑铃状河谷盆地地形影响，兰州城区范围不断向东西方向延伸扩张。1997—2015年，兰州市安宁区耕地面积减少76.83%，而建设用地增加了一倍。截至2016年，兰州市安宁区失地农民涉及6个街道33个社区，约2.9万人。

根据国家及甘肃省相关土地政策，2008年起兰州市对所征用耕地承包经营者主要以货币方式进行补偿，2009年12月1日后进行微调。调整后补偿费用包括土地补偿费、安置补助费（二者合计为被征收集体土地前3年年均产值的30倍）及地上附着物和青苗补偿费（被征耕地上青苗的补偿标准为当季作物产值，无苗的按当季实际投入给予补偿）三部分构成。如宅基地被征用，则对被征地农户按户内40 m2/人的标准置换新住房或商铺，超出面积按照综合地价采取货币补偿。2013年1月1日起，甘肃省再次上调征地补偿标准，调整后全省征地补偿标准整体提高19.9%。

针对失地农民提供的社会保障主要是养老保险和医疗保险。失地农民中，其养老保险从2011年开始启动，参与养老保险的费用由个人和政府共同承担，其中政府承担60%，个人承担40%，费用交纳采取在征收土地时一次性趸缴的办法缴清。截至2015年，参保人数占全区失地农民总人数的88.60%，平均养老金也从2011年558元/月提高到1147元/月。在医疗保险方面，兰州市安宁区实行由被征地农民自愿选择参加城市居民医疗保险或新农合的政策;在失业保险方面，目前主要针对法定年龄段有就业培训愿望包括失地农民在内的劳动者进行免费技能培训，为其再就业创造条件;最低生活保障方面并无针对失地农民的特殊政策，但可分别与农村或城市中其他符合条件者一并享受此项政策。

1. 2 数据来源

研究数据是通过参与式农村评估法（Participatory rural appraisal，PRA）获取的第一手资料，具体过程如下：①2016年7月从兰州市安宁区政府各部门、各街道办事处收集自然及社会经济统计资料后，再考虑失地农民数量、街道地理位置等因素，从安宁区8个街道中选择2个失地农民高度集中的街道，采用不重复抽样的随机抽样方法抽取5个样本社区。②2016年8月进入街道社区进行预调查，后根据调查情况对问卷进行修改和完善，并对所有参与调查成员就调查问卷内容、调查技巧及数据录入等方面进行培训。③2016年9—11月，课题组进入样本社区开展实地调查工作。采取PRA法，从样本社区中随机抽选农户进行入户调查，若调查样本家庭不属于失地农民，则重新抽取。就样本户中年满16岁以上且非全日制学生的个人进行问卷调查，调查数据内容包括年龄、性别、健康状况、教育程度、职业资格技能、就业情况及收支状况。④2016年12月，进行调查问卷的整理及录入工作。共发放个人问卷650份，其中有效问卷613份，问卷有效率94.31%，排除退休、无劳动能力等样本，得到有效劳动力问卷419份。具体数据信息统计情况见表1。

1. 3 研究方法

1. 3. 1 生计资本与就业指标 参考可持续生计分析框架及成得礼和谢子平（2009）、陈浩等（2013）的研究结果，选取年龄、教育程度、家庭新增财产性收入（简称财产性收入）和家庭新增转移性收入（简称转移性收入）4个连续型变量指标衡量失地农民人力资本与征地补偿政策因素方面的差异性，年龄和教育程度按照实际情况填写，财产性收入和转移性收入按当年家庭新增年人均相应收入计算，其中，财产性收入是指由征地补偿带来的财产性收入，如加盖房屋或购买设备后用于出租赚取的租金等;转移性收入是指因征地所获得转移性收入，如养老保险金和最低生活保障等。在模型中，纳入性别、健康状况、职业资格技能、家庭区位等控制性变量指标增加模型精确度，并采用虚拟变量将男性、健康良好、具备技能和靠近市区赋值为1，反之则为0。

1. 3. 2 分析方法 采用以人工神经中误差反向传播网络（BP神经网络）为前导的二元Logistic雙重验证方法进行分析。根据采集样本数据，采用有监督训练模式建立符合收敛要求的BP神经网络;通过控制其他变量、放松特定变量的方法模拟出对生计方式选择的结果，进而分析该要素对生计方式选择的具体影响，同时明确其影响变化趋势。

本研究构建包含2个隐含层的训练网络。输入因子为性别（G）、健康状况（H）、职业资格技能（S）、家庭区位（L）、人力资本因子和政策影响因子。其中，人力资本因子包括年龄（A）和教育程度（Ed），政策影响因子包括财产性收入（Ip）和转移性收入（It）。输入层因子依次加入控制因子、人力资本因子和政策影响因子，共8个输入变量，以二元变量转移就业（Y）作为输出层，比较加入不同人力资本因子和政策影响因子对BP神经网络模型拟合精度的影响。2个隐含层传递函数及输出层传递函数均设为S形生长曲线，采用Sigmoid函数，将输出层设为1，得到转移就业（Y）=1的概率。

神经网络需分别建立训练样本和检验样本数据，本研究将419个样本中的300个观测数据作为训练样本进行BP神经网络训练;收敛后的BP神经网络运用剩余119个检验样本数据进行测试。为确保检验的有效性，训练数据与测试数据在输出因子转移就业上具有相同的0-1分布概率密度。

参照周治平等（2009）的方法，采用Levenberg-Marquardt（LM）算法进行模型训练，即每次迭代允许误差沿着恶化的方向进行搜索，同时通过在最速下降法与高斯—牛顿法间的自适应调整来优化网络权值，从而使BP神经网络能有效收敛。权值阈值调整公式如下：

[?]ω=-（JTJ+μI）-1JTe

式中，[?]ω为调整后的权值阈值;μ为自适应调整的标量;J为误差对权值微分的雅可比矩阵;e为误差向量，I为单位矩阵。

设学习速率0.1，最大训练批次5000，最大误差0.01，经多次反复训练，从网络收敛的结果中选择预测准确性最高的结果，最终得到预测精度为96%，训练结果满足梯度权向量收敛要求。说明可通过控制输入因子关系中的部分自由变量，分析输出变量对自由变量的响应。

BP神经网络可模拟人力资本及征地政策性因素影响生计转型方式的关系，但内部数量结构并不直观，难以直接比较各项因子的影响，因此借助二元Logistics回归进一步验证预测的准确性及比较各项因子的影响程度。采用相同数据建立二元Logistic回归模型，选择最优结果与BP神经网络模拟结果进行对比检验，对所提出假设的有效性进行充分验证。BP神经网络的建立及模拟使用Matlab NNtool工具包，二元Logistic回归使用SPSS 20.0进行处理。为消除数据单位差异对模型精度的影响，连续型变量均进行归一化处理。

2 结果与分析

2. 1 失地农民描述性数据分析结果

调查数据统计结果显示，在419个样本数据中，家庭平均征地面积0.07 ha，征地主要发生在2001—2011年，样本失地农民家庭人均可支配收入为19391.90元，教育程度平均值为10.41年，男女比例均衡。在全部样本中仅有94个样本拥有财产性收入，平均值为9453.75元;45个样本拥有转移性收入，平均值为10938.22元。由于拥有财产性及转移性收入的样本较少，因此导致在全体样本中这两项平均收入较低，且收入离散程度较大（表2）。本次调查虽然获取问卷数量有限，但与统计资料对比发现样本基本能反映研究区失地农民基本情况，具有一定的代表性和典型性。

2. 2 不同模型对就业率预测分析结果

2. 2. 1 BP神经网络结果分析 BP神经网络拓扑结构为8×6×5×1，其中人力资本与政策性因素输入因子为年龄（A）、教育程度（Ed）、财产性收入（Ip）和转移性收入（It），由于调查数据无法完全排除额外变量影响，故将性别（G）、健康状况（H）、职业资格技能（S）和家庭区位（L）等因素作为二元分类控制变量纳入到输入因子。隐含层神经元为H11～H16和H21～H25，B1和B2分别表示输入层与隐含层1和隐含层2间的偏移量，B3表示隐含层2与输出层间的偏移量，得到的生计方式选择模型BP神经网络结构如图1所示。

将经归一化处理的人力资本和政策性因素4个变量作为输入因子，固定其中3个变量取样本均值，以探究另一输入变量对转移就业（Y）的影响规律。此时，输出变量变化即视为自由变量变化造成的影响。分别将归一化后的年龄（A）、教育程度（Ed）、财产性收入（Ip）、转移性收入（It）与控制变量矩阵作为自由变量输入训练后的BP神经网络。为保持与二元Logistic回归模型具有相同的参照组，控制变量矩阵中性别（G）、健康状况（H）、职业资格技能（S）和家庭区位（L）4个控制变量取值为0（女性，健康一般，不具备技能，远离市区）作为参照组，以剔除额外变量影响，最终获得就业评价模拟值，如图2所示。

模拟分析结果表明，年龄对转移就业概率的边际效应呈倒U形。达极值点后，随年龄的增大其转移就业概率逐渐降低，且35岁以上失地农民的转移就业概率显著低于35岁以下群体，45岁以上失地农民的转移就业概率已低至0.5以下（图2-A）。图2-B反映人力资本投资普遍规律，即教育程度提升会显著增强转移就业能力，但呈边际效应先递增后递减的趋势。图2-C和图2-D分别反映财产性收入和转移性收入增加对转移就业存在负面效应，且较低水平收入对转移就业的负面影响不显著，只有当该收入超过阈值后才会产生显著负面影响。

2. 2. 2 二元Logistic回归结果分析 将转移就业（Y）作为因变量、各项生计资本因子作为自变量，建立二元Logistic回归模型。模型结果表明，Nagelkerke R2为0.46，Chi-square值为165.914，在1%水平下显著，对数似然值为362.257，预测值准确率为80.2%，说明二元Logistic回归模型对失地农民转移就业选择解释力度良好。

由二元Logistic回归得到模型解析表达式：

Y=[11+e（-1+0.717G-1.176H+1.102S+0.876L-0.045A+0.175Ed-0.913Ip-0.700It）]

二元Logistic回归模型预测结果（表3）表明，人力资本与征地政策对失地农民转移就业存在一定程度的影响。其中，具备职业资格技能、男性、靠近市区及教育程度有正向影响。具备职业资格技能的失地农民转移就业概率是对照组的3.010倍，影响程度最大;靠近市区和男性对转移就业概率的影响分别是对照组的2.402和2.049倍;样本受教育年限每增加一个标准单位，其转移就业概率即提升1.191倍;而健康水平降低及财产性收入、转移性收入及年龄增加对转移就业具有负面影响。

2. 3 双重检验对比分析

使用检验数据分组119个样本数据代入BP神经网络和二元Logistic回归模型，对拟合结果进行对比分析，结果表明，BP神经网络检验分类预测准确率达92.44%，二元Logistic回归模型检验分类预测准确率为78.15%，配对卡方检验P<0.001，说明BP神经网络的判别效果显著优于二元Logistic回归模型。为综合比较不同分界值条件下两种模型间的灵敏度（Sensitivity）和特异度（Specificity），采用ROC曲线分析并计算AUC值进行比较，结果（图3）表明，BP神经网络ROC曲线下面积AUCBP=0.962，标准差SEBP=0.018;二元Logistic回归模型ROC曲线下面积AUCL=0.791，标准差SEL=0.046。两种模型的ROC曲线下面积存在显著差异，BP神经网络的AUC值显著高于二元Logistic回归模型，进一步表明BP神经网络相对于二元Logistic回归模型在预测精度方面更具优势。

采用BP神经网络和二元Logistic回归模型，分析人力资本与政策因素对转移就业能力影响机制及边际效应，对比年龄、教育程度、财产性收入和转移性收入4个自由变量在BP数据网络中对输出变量的影响，以及在二元Logistic回归模型中的参数估计结果。分别计算二元Logistic回归方程与BP神经网络预测曲线的一阶和二阶导数，通过判断一阶导数形式是否相同，可检验两种方法对影响因子边际效用的分析解决是否一致，而通过判断二阶导数形式是否相同，可验证两种方法对影响因子边际效用变化趋势的分析结果是否一致。最终的实证分析结果如表4所示。结果表明，教育程度、财产性收入和转移性收入的影响方式与边际效应均通过了BP神经网絡和二元Logistic回归模型的双重检验。这是由于在二分类预测BP神经网络训练中激活函数采用与二元Logistic回归模型相同的Sigmoid函数，因此在输出结果的函数特性方面，两个模型具有高度的相似性。教育程度、财产性收入和转移性收入3个输入因子对转移就业概率的影响在BP神经网络中表现出与二元Logistic回归模型相似的S曲线特性，且与实际观测的经验判断一致。

年龄对转移就业的影响方式在两个模型中存在一定差异，其中，BP神经网络模拟结果表明年龄对转移就业概率的影响存在倒U形曲线，符合劳动力参与率周期性变化的基本规律（乔治·J·鲍哈斯，2018）;而二元Logistic回归模型仅得出年龄增长对转移就业参与率存在有限的负面影响。究其原因是二元Logistic回归相当于仅具有单层激活函数的简单神经元模型，致使其预测精度难以与BP神经网络分类效果相提并论。此外，鉴于模型对比分析的可比性因素考虑，并未针对年龄与转移就业概率的倒U形关系在二元Logistic回归模型设定中纳入年龄的二次项，故无法从该模型中得出相关实证结论。

3 讨论

失地农民是我国城镇化进程产生的特殊群体，非农生计方式选择与其人力资本、财产性收入及转移性收入等生计资本存在密切关系。本研究基于419个兰州市安宁区失地农民劳动力调查数据划分训练数据与检验数据，采用相同函数形式建立失地农民生计方式选择预测BP神经网络和二元Logistic回归模型，结果表明，BP神经网络具有更好的拟合性能，且预测结果较传统的二元Logistic回归模型更合理。因此，采用BP神经网络能更有效地分析失地农民生计资本对其转移就业选择的影响及边际效应。

本研究发现因征地补偿所获得的财产性收入和转移性收入在一定程度上降低了失地农民转移就业率，此类收入的增加对转移就业率的边际效应存在先递减后递增趋势。即存在某一阈值，当非劳动收入低于阈值时，失地农民倾向于进入非农劳动力市场就业以维持生计;超过后会大幅度降低就业倾向，导致其退出非农劳动力市场。这与保留工资影响劳动参与率决策的研究相吻合（Shimer and Werning，2007）。耕地征收后农民作为新增非农劳动力，其转移就业决策基于市场工资与保留工资的比较。市场工资高于保留工资，劳动力愿意就业，反之则退出市场。欠发达地区工资水平较低，而征地补偿政策所获得的财产性收入和转移性收入属于非劳动收入，该部分收入增加会导致保留工资增加（Brown and Taylor，2009）。因此，在劳动力偏好不变的前提下，失地农民进入劳动力市场的可能性会因此减小。此外，近年来包括兰州市安宁区在内的大部分城市征地补偿政策以货币化补偿形式为主，农民原有的自然资本和部分物质资本转化成单一资金。在其他国家农民能将土地出售后的资金用于投资非农型资本密集的产品（Cali and Menon，2013），但我国农民缺乏投资渠道和相应的财富管理能力，利用征地补偿改扩建房屋或增加物质资本用以出租获取财产性收入是失地农民的主要投资方式。这种投资方式虽然能帮助农户通过获取财产性收入来提升总收入水平（高晶晶等，2015），并增加当前样本区农户收入的多样性，但大部分失地农民的这部分收入依靠于私自加盖房屋或私人车辆运营载客获取，不仅会带来社会隐患而引发一系列社会问题，还由于该收入来源并不稳定可靠，一旦消失，失地农民又要回到劳动力市场，但长时间脱离劳动力市场必然增加再次进入的难度。因此，非常有必要扭转当前单一且存在隐患的投资方式，扩大失地农民投资渠道。

本研究结果表明，失地农民非农就业率在30岁前呈上升趋势，随后下降并在45岁后降低至0.5水平以下，与现有非农劳动参与率年龄统计结果（Axelrad et al.，2017）相似，但与劳动力就业率在55岁以上才出现显著下降的情况相比，失地农民适龄劳动力会更早退出就业市场。这可能是由于征地导致农户原有生计方式不可维持，被迫进入非农就业市场。失地农民的受教育程度较低、职业经验与技能积累较少及健康水平下降等因素影响，生产力有限，致使其在劳动力市场上的竞争力较弱，因此工资收入整体上低于市场平均工资水平。加上欠发达地区受传统观念和养老模式的影响，需要有人在家照顾未成年子女及老人，导致该群体倾向于更早从劳动力市场中退出，与林辰乐和吕翔涛（2012）的研究结果相似。此外，丁雪儿等（2017）、王轶等（2017）研究表明，在发达地区由于教育程度差异较小，人力资本对农民转移就业的影响不显著。但本研究发现，欠发达地区教育水平仍是影响非农就业水平的关键因子，且高中以上教育水平对就业概率提升的影响显著。教育程度进一步提升，在缩小人力资本差异的同时，对转移就业的影响力也逐渐削弱。由此可见，欠发达地区教育水平与发达地区相比仍存在较大差距，部分地区仅普及义务教育，导致人力资本差异明显。因此，提升欠发达地区农民的教育水平是帮助失地农民实现生计方式有效转型的可行方法之一。

本研究证实，当采用相同的激活函数形式时，BP神经网络表现出与二元Logistic回归模型相似的性质及预测结果。在对人力资本因子和政策影响因子所包含年龄、教育程度、财产性收入和转移性收入4个输入因子的对比分析中发现，除年龄外，其他3个影响因子均通过了两种方法的双重检验，充分证明假设的有效性;而且BP神经网络对年龄与转移就业概率的预测更符合劳动力参与率的周期性变化规律。综合模型预测的拟合精度及灵敏度和特异度，发现BP神经网络在失地农民生计方式选择问题中的分类预测能力明显优于传统的二元Logistic回归模型。由于性别、健康状况、职业资格技能及家庭区位4个控制性变量对失地农民生计方式选择的影响并不是本研究的重点，仅在实证分析中予以证明，未得出供参考的实证结论。除人力资本因子和政策影响因子外，社会资本和金融资本也会对失地农民转移就业产生影响，但受到数据收集所限，本研究并未进行探讨。因此，在今后的研究中应扩大样本地区个数和样本数，以提高模型准确度，同时探讨年龄与教育对生计方式转型的交互作用，进一步明确非劳动收入阻碍转移就业的区间范围，为精准实现失地农民生计可持续提供政策参考。

4 对策建议

4. 1 提高人力资本存量，增强职业技能培训

一方面，需要鼓励和引导失地农民及其子女提高文化教育程度，至少要完成高中階段的教育，并尽可能地提升其学历层次，缩小与城镇居民及发达地区失地农民教育水平的差距。另一方面，政府应当扩大当前职业技能培训的范围，加大对失地农民继续教育培训的力度，帮助失地农民提高人力资本积累。职业技能培训应结合失地农民自身特点，不仅需要多样化的继续教育培训模式，还应按层次、分类别提供有针对性和实效性的职业技能培训，以提升失地农民职业技能储备及职业素养。

4. 2 选取更合理的征地补偿措施，正确引导失地农民合理分配使用货币性补偿

当前以一次性货币补偿方式及提供部分社会保障为主的征地补偿方式，并不利于失地农民非农转移就业。因此，有必要选取更适宜的补偿措施对失地农民进行补偿，如在合理货币补偿方式降低非农转移就业的阈值确定后，可采取多次少量按月或年发放给农民;超出部分可设为奖励金对实现稳定就业的失地农民进行奖励或用于资助失地农民就业技能培训等。此外，有必要对失地农民进行引导教育使合理分配货币，并学习必要的金融投资知识，具备将货币补偿转化为更稳定的财产性收入能力，拓宽收入渠道，提供生计来源多样化。

4. 3 完善失地农民劳动力市场体系

建立失地农民就业信息服务平台，为其提供就业信息和咨询服务;加大对失地农民的帮扶力度，尤其重点关注中年失地农民，提供更有针对性的就业扶持及保障措施，缓解该群体提前退出劳动力市场的现状;建立相应的失地农民社会保障体系，解决失地农民的后顾之忧，进而鼓励失地农民实现跨市、跨省就业;提供创业贷款，帮助有自主创业需求失地农民解决融资难的问题。同时要引导失地农民树立正确的就业观念，改变其“等靠要”的思想。

参考文献：

陈浩，陈雪春，谢勇. 2013. 城镇化进程中失地农民职业分化及其影响因素研究[J]. 中国人口·资源环境，23（6）：72-79. [Chen H，Chen X C，Xie Y. 2013. Occupational differentiation and influencing factors of land-lost farmers during urbanization[J]. China Population，Resources and Environment，23（6）：72-79.]

陈堂，陈光. 2017. 成都经济区城镇化进程中失地农民再就业影响因素研究[J]. 成都大学学报（社会科学版），（6）：46-51. [Chen T，Chen G. 2017. Research on the factors affecting the re-employment of landless peasants in the urbanization process in Chengdu economic region[J]. Journal of Chengdu University （Social Sciences），（6）：46-51.]

成得礼，谢子平. 2009. 中国城乡结合部地区失地农民个人转型问题研究——基于北京市、青岛市、成都市和南宁市的入户调查数据[J]. 华东经济管理，23（3）：64-73. [Cheng D L，Xie Z P. 2009. Research on urbanization of land-lo-sing farers in China urban-rural continuums—Based on data from household survey in Beijing，Qingdao，Chengdu and Nanning[J]. East China Economic Management，23（3）：64-73.]

丁雪儿，周毕芬，朱秋萍. 2017. 人力资本、就业状况对进城务工人员职业流动的影响分析——基于福州、厦门的调查[J]. 云南农业大学学报（社会科学版），11（1）：1-9. [Ding X E，Zhou B F，Zhu Q P. 2017. An analysis of the influen-cing of human capital and employment situation on the occupational mobility of migrant workers：Based on survey in Fuzhou and Xiamen[J]. Journal of Yunnan Agricultural University（Social Science），11（1）：1-9.]

杜宏茹，牛晓宇. 2018. 失地农民养老保障政策实施效果评价———以伊宁市为例[J]. 江西农业学报，30（12）：120-124. [Du H R，Niu X Y. 2018. Evaluation of implementation effect of old-age security policies for land-lost far-mers：Taking Yining City as an example[J]. Acta Agriculturae Jiangxi，30（12）：120-124.]

杜书云，徐景霞. 2016. 内源式发展视角下失地农民可持续生计困境及破解机制研究[J]. 经济学家，（7）：76-83. [Du S Y，Xu J X. 2016. Study on the sustainable livelihood problems of land-loss farmers from the perspective of endogenous development[J]. Economist，（7）：76-83.]

高晶晶，闫晶晶，王伟尧，杨澄宇. 2015. 财产性收入差距及其影响的国际比较[J]. 劳动经济研究，3（4）：110-122. [Gao J J，Yan J J，Wang W Y，Yang C Y. 2015. The effects of property income on income distribution：An International comparison[J]. Studies in Labor Economics，3（4）：110-122.]

何力. 2015. 可持續生计分析框架下失地农民生计资本分析——基于贵州都匀的调查[J]. 江苏农业科学，43（8）：440-443. [He L. 2015.  Analysis of livelihood capital of landless farmers under sustainable livelihood framework—Based on investigation of Duyun，Guizhou Province[J]. Jiangsu Agricultural Sciences，43（8）：440-443.]

黄祖辉，俞宁. 2007. 失地农民培训意愿的影响因素分析及其对策研究[J]. 浙江大学学报（人文社会科学版），37（3）：135-142. [Huang Z H，Yu N. 2007. Determinants in landless farmers willingness to accept training and its solutions[J]. Journal of Zhejiang University（Humanities and Social Sciences），37（3）：135-142.]

冀县卿，钱忠好. 2011. 人力资本、物质资本、社会资本与失地农民城市适应性——基于江苏省469户失地农民的调查数据[J]. 江海学刊，（6）：88-93. [Ji X Q，Qian Z H. 2011. Study on the impact of the human，material，and social capital on the adaptability of the land-less farmers to city life[J]. Jianghai Academic Journal，（6）：88-93.]

孔寒凌，吳杰. 2007. 农户生计风险研究：以江西乐安县为例[J]. 广西民族大学学报（哲学社会科学版），29（6）：55-59. [Kong H L，Wu J. 2007. A Risk analysis of peasants livelihood[J]. Journal of Guangxi University for Nationa-lities（Philosophy and Social Science Edition），29（6）：55-59.]

李俊峰，甘伟，高凌宇. 2016. 失地农民就业空间特征及行为模式研究——以安徽省芜湖市为例[J]. 人文地理，（3）：19-26. [Li J F，Gan W，Gao L Y. 2016. Research on the spatial characteristics and behavior patterns of landless farmers employment：A case study of Wuhu in Anhui Province[J]. Human Geography，（3）：19-26.]

林辰乐，吕翔涛. 2012. 影响城市低保受助者就业的政策因素分析——就业的双项逻辑回归模型及访谈实证研究[J]. 中国软科学，（8）：23-34. [Ling C L，Lü X T. 2012. The policy factors on the employment of urban minimum li-ving standard assistance recipients：An empirical study combining binominal logistic regression model with interviews[J]. China Soft Science，（8）：23-34.]

刘冰，陈金亮. 2014. 失地农民就业自身影响因素研究——基于湘潭市的问卷调查数据[J]. 湖南农业大学学报（社会科学版），15（2）：47-51. [Liu B，Chen J L. 2014. Land-lost farmersself factors influencing their employment：Based on 148 questionnaires of Jiuhua economic development zone in Xiangtan[J]. Journal of Hunan Agricultural University（Social Science），15（2）：47-51.]

马继迁，张宏如. 2015. 人力资本、政治资本与失地农民的工作获得[J] .华东经济管理，29（12）：101-105. [Ma J Q，Zhang H R. 2015. Human capital，political capital and land-lost farers job obtainment[J]. East China Economic Management，29（12）：101-105.]

马继迁. 2017. 劳动力市场分割对失地农民就业的影响[J]. 华东经济管理，31（12）：180-186. [Ma J Q. 2017. Influence of labor market segmentation on land-lost farmers employment[J]. East China Economic Management，31（12）：180-186.]

权英，吴士健. 2009. 失地农民就业影响因素分析——基于青岛市失地农民的调查[J]. 经济研究导刊，（11）：51-52. [Quan Y，Wu S J. 2009. Analysis about the influence factor of the losing ground farmer employment—According to the inquisition of the losing ground farmer in Qingdao City[J]. Economic Research Guide，（11）：51-52.]

乔治·J·鲍哈斯. 2018. 劳动经济学[M]. 第7版. 北京：中国人民大学出版社. [Borjas G J. 2018. Labor economics[M]. The 7th Edition. Beijing：China Renmin University Press.]

孙湛，马海涛. 2018. 基于BP神经网络的京津冀城市群可持续发展综合评价[J]. 生态学报，38（12）：4434-4444. [Sun Z，Ma H T. 2018. Assessment of the sustainable development of the Beijing-Tianjin-Hebei urban agglomeration based on a back propagation neural network[J]. Acta Ecologica Sinica，38（12）：4434-4444.]

王晓刚，陈浩. 2014. 失地农民就业质量的影响因素分析——以武汉市江夏区龚家铺村为例[J]. 城市问题，（1）：63-70. [Wang X G，Chen H. 2014. Influencing factors analy-sis to the employment quality of the landless peasants：A case study of Gongjiapu Village，Jiangxia District，Wuhan City[J]. Urban Problems，（1）：63-70.]

王轶，陈建伟，王琦. 2017. 人力资本和社会资本能提高失地农民就业水平吗——基于北京地区连续跟踪的调查数据[J]. 經济理论与经济管理，36（4）：42-59. [Wang Y，Chen J W，Wang Q. 2017. Human capital and social capital can improve the level of employment of landless pea-sants—Based on follow-up survey data in Beijing[J]. Economic Theory and Business Management，36（4）：42-59.]

杨艳霞，杨云霞. 2016. 可持续生计视角下西部民族地区失地农民就业能力开发模式探析——以苗侗民族聚居地黔东南为例[J]. 农业经济，（2）：28-30. [Yang Y X，Yang Y X. 2016. Employment ability development model research of the landless farmers in the western minority areas from the perspective of sustainable livelihood：A case study of southeast Guizhou Province[J]. Agricultural Economy，（2）：28-30.]

赵雪雁. 2017. 地理学视角的可持续生计研究：现状、问题与领域[J]. 地理研究，36（10）：1859-1872. [Zhao X Y. 2017. Sustainable livelihoods research from the perspective of geography：The present status，questions and priority areas[J]. Geographical Research，36（10）：1859-1872.]

周毕芬. 2016. 城镇化进程中失地农民就业安置的制度经济学分析[J]. 成都理工大学学报（社会科学版），24（2）：48-52. [Zhou B F. 2016. Institutional economics analysis of the landless peasants job placement system in urbanization[J]. Journal of Chengdu University of Technology（Social Sciences），24（2）：48-52.]

周毕芬. 2015. 社会排斥视角下的失地农民权益问题分析[J]. 农业经济问题，36（4）：59-65. [Zhou B F. 2015. Ana-lysis under the perspective of social exclusion of land-lost farmers rights and interest[J]. Issues in Agricultural Eco-nomy，36（4）：59-65.]

周易，付少平. 2012. 失地农民的生计资本与生计策略关系研究——以陕西省杨凌区为例[J]. 广东农业科学，39（5）：192-194. [Zhou Y，Fu S P. 2012. Analysis on the relationship between livelihood capital and livelihood strategies—Taking Yangling in Shaanxi Province as an example[J]. Guangdong Agricultural Sciences，39（5）：192-194.]

周治平，孙子文，吴志健. 2009. 采用L-M算法的JPEG图像隐写分析[J]. 计算机工程与应用，45（14）：113-115. [Zhou Z P，Sun Z W，Wu Z J. 2009. Steganalysis for JPEG ima-ges lased on L-M algorithm[J]. Computer Engineering and Applications，45（14）：113-115.]

Axelrad H，Luski I，Malul M. 2017. Reservation wages and the unemployment of older workers[J]. Journal of Labor Research，38（2）：206-227.

Brown S，Taylor K. 2009. Reservation wages， expected wages and the duration of unemployment：Evidence from British panel data[R]. IZA Discussion Papers No.3981.

Cali M，Menon C. 2013. Does urbanization affect rural poverty？ Evidence from Indian districts[J]. The World Bank Economic Review，27（2）：171-201.

Fan J，Zhang Y K. 2012. A preliminary analysis of land resource constraints on urban expansion of Beijing based on land supply and demand[J]. Journal of Resources and Ecology，3（3）：253-261.

Koczberski G，Curry G N. 2005. Making a living：Land pressures and changing livelihood strategies among oil palm settlers in Papua New Guinea[J]. Agricultural Systems，85（3）：324-339.

Shimer R，Werning I. 2007. Reservation wages and unemployment insurance[J]. The Quarterly Journal of Economics，122（3）：1145-1185.

（责任编辑 兰宗宝）