空间溢出效应视角下我国人力资本结构优化的减贫脱困效应研究

何雄浪 史世姣

摘 要：通过构建普通面板模型和空间计量模型，实证检验人力资本结构优化的减贫脱困效应。研究结果显示：地区之间的减贫脱困情况不是随机独立的，它们具有显著的空间溢出效应;普通面板回归结果表明提升健康人力资本和教育人力资本对地区减贫脱困具有正向的促进作用，但引入空间相关性后，教育人力资本与减贫脱困之间没有显著的相关性，健康人力资本的回归系数减小，说明忽略空间相关性会高估教育人力资本和健康人力资本对地区减贫脱困的影响。劳动力转移具有较强的空间溢出效应，在考虑空间依赖性的基础上，劳动力转移进一步加快地区减贫脱困步伐。

关键词：教育人力资本;健康人力资本;劳动力转移;减贫脱困;空间相关性

中图分类号：F061.5文献标识码：A文章编号：1007-2101（2021）01-0051-12

收稿日期：2019-06-30

基金项目：国家民族委员会2019年领军人才项目“自然资源禀赋、环境规制与新时代我国区域绿色发展效率提升研究”（2799300120）

作者简介：何雄浪（1972-），男，四川南充人，西南民族大学教授，博士生导师;史世姣（1990-），女，四川宜宾人，西南民族大学博士研究生，通讯作者。

一、引言及文献综述

减缓甚至消除贫困是人类发展过程中的重要任务。习近平总书记多次强调“贫穷不是社会主义”。对于中国而言，消除贫困、改善民生、实现共同富裕是社会主义的本质要求。从1986年起我国开展大规模的反贫困工作，成功走出一条中国特色扶贫开发道路。党的十八大以来，党中央把脱贫攻坚作为全面建成小康社会的底线任务和标志性指标。党的十九大后，党中央把打好脱贫攻坚战作为全面建成小康社会的三大攻坚战之一。近年来，脱贫攻坚力度之大、规模之广、影响之深前所未有，脱贫攻坚成果举世瞩目。尽管如此，但是剩余的工作任务依然艰巨。2020年发生的新冠肺炎疫情又进一步加大了脱贫攻坚的工作难度和压力。习近平总书记在2020年决战决胜脱贫攻坚座谈会上指出“我们要接续推进全面脱贫与乡村振兴有效衔接。脱贫摘帽不是终点，而是新生活、新奋斗的起点。”

因此，在新形势下我们想要探究是什么因素支撑中国脱贫攻坚取得如此显著的成效？人力資本结构优化会发生怎样的减贫效应？人力资本结构优化的减贫效应是否存在空间关联性？人力资本结构优化能否有效激发贫困地区经济发展的内生动力，推动全面脱贫和乡村振兴有效衔接？理清这些问题对打赢脱贫攻坚战以及后小康时代进一步解决相对贫困问题具有重要的现实意义。

减贫问题一直受到国内外学者的关注，现有研究主要集中于贫困的度量和界定、致贫原因、反贫困策略等几个方面。研究中关于致贫原因的观点大致可以分为两个方面，一是基于经济增长、区域特征、国家战略等宏观视角;二是基于农民个人素质、家庭特征等微观视角。贫困恶性循环论[1]、临界最小努力理论[2]、不平衡发展理论[3]、低水平均衡陷阱理论[4]认为资本供给端和需求端的低水平约束、资源的稀缺、经济发展水平较低等是贫困发生的重要原因。在实践上，华盛顿共识所坚信的涓滴经济增长理论成为全球主流的发展理念。但部分研究表明，单纯依靠经济增长的“涓滴效应”和“扩散效应”无法使贫困群体持久地、有效地摆脱贫困，反贫困措施应该更加注重可持续性，减轻能力贫困。Schultz（1961）[5]认为人力资本存量匮乏和长期以来对人力资本投资的不重视是贫穷产生的根本原因。Sen（1981）[6]提出贫穷不仅仅指收入低下，更表现为教育和健康水平低下导致的创造收入能力或机会被剥夺，即是人力资本不足。Becker（1991）[7]将人力资本投资从宏观层面拓展到微观层面，指出教育是影响贫困的核心人力资本要素[8]。劳动力转移是重塑人口分布格局、优化人力资本结构的有效途径[9]。

现有研究为本文提供了很好的理论借鉴和逻辑起点，但仍存在一定的局限性。一是在研究视角上，同时将教育、健康、劳动力转移纳入人力资本范畴来分析减贫效益的研究十分鲜见。二是在贫困测度上大多采用贫困发生率或收入指标，而以单一指标测度贫困显得过于片面，不能反映贫困个体的脆弱性、持久性等详细信息。三是在研究对象选择上，宏观层面的研究大多选取省域数据，这使得部分城市的个体差异性被覆盖;微观层面的研究则采用抽样调查获取农户个体数据，由于抽样对象、方法和问卷设计等存在差异，使得研究结论的代表性较差。四是在研究方法上，大多研究假定地区间的人力资本结构是相互独立的。其实，本地区的人力资本优化不仅受到本地区因素的影响，还依赖于邻近地区的教育和医疗条件、政策、经济等因素，若忽略这种相关性将会使估计结果出现偏误。

与既有文献相比，本文的边际贡献在于：一是从收入状况、消费状况、生活保障、脱贫质量等多个视角出发全面反映各地区当前的生活状态，同时运用主成分分析法构建减贫脱困评价体系，测算地区减贫脱困指数。二是我们同时关注教育人力资本、健康人力资本和劳动力转移，以全国278个地级城市数据为研究对象进行分析。从三大人力资本的综合视角对大样本数据进行回归分析，检验教育人力资本、健康人力资本和劳动力转移对减贫脱困的作用，所得的研究结果具有很好的代表性和参考价值。三是在计量分析中加入教育人力资本、健康人力资本和劳动力转移等变量的空间相关性，运用空间计量模型进行回归分析以修正忽略空间依赖性所带来的估计偏误问题。四是本文的研究具有明确的政策含义。2020年是决战决胜脱贫攻坚和全面建成小康社会的收官之年，我们要千方百计的巩固好脱贫攻坚成果，接下来要做好乡村振兴这篇文章。在这样的时代背景下，我们研究人力资本结构优化的减贫效应既有助于从人力资本结构的视角理解减贫脱困，也对实施教育优先战略，提升健康保障水平，优化劳动力配置等具有很强的现实指导意义。

二、机理分析与研究假设

人力资本主要通过教育培训、医疗保健、劳动力转移等渠道来优化结构，提升层次。因此，我们从教育、健康、劳动力转移三个方面分析人力资本结构对减贫脱困的作用机理。

在考虑空间相关性的情况下，劳动者、资金、技术等在地区之间自由流动。根据丹尼森效应和“结构红利假说”，劳动力从生产率较低的部门向生产率较高的部门转移会提高整体生产效率。资金从经济发达地区流入到贫困地区，为贫困地区开发和发展提供资金支持，带动贫困地区产业发展、基础设施建设，进而推动贫困地区经济发展提质增效，加快贫困地区减贫进程，由此提出如下假设。

假设五：劳动力转移对减贫脱困具有正向的促进作用。

假设六：在考虑空间相关性的情况下，劳动力转移对减贫脱困具有正向的促进作用。

三、实证分析

明确人力资本与减贫脱困之间的关系，我们在理论分析的基础上，利用中国大陆278个地级城市2008—2017年的数据，通过构建普通面板计量模型和空间计量模型实证分析人力资本的减贫效应。

（一）计量模型的建立

1. 基础计量模型。由于面板数据相比于横截面数据和时间序列数据包含更大的样本容量，不仅能够获得更多的样本动态行为信息，有效解决遗漏变量问题，而且在一定程度上能降低变量间的多重共线性，提高计量分析的准确性。故在此采用面板计量模型分析人力资本的减贫效应。

教育培训、医疗保健和劳动力转移是优化人力资本結构的有效途径。基于此，我们以教育人力资本、健康人力资本、劳动力转移作为核心解释变量，以减贫指数作为被解释变量，同时控制其他可能的影响变量，将计量模型设定为：

lnpovi，t=a0+a1lnedui，t+a2lnheai，t+a3lnmigi，t+a4Xcon+εi，t（1）

其中，i表示地区，t表示时间，pov表示减贫脱困指数，edu表示教育人力资本，hea表示健康人力资本，mig表示劳动力转移情况，Xcon代表一系列控制变量，包括固定资产投资情况（inv）、金融发展水平（cbd）、产业结构（str）、城市化水平（urb）、科技发展水平（tec）、经济发展情况（pgdp）。εi，t表示独立同分布的随机扰动项。α0为常数项，α1、α2、α3、α4分别表示教育人力资本、健康人力资本、劳动力转移、控制变量对应的系数。为减轻数据波动性和异方差性，我们对变量取自然对数。

2. 基于空间效应的模型设定。“地理学第一定律”表明所有的物质与其他事物相关联，较近的事物比较远的事物关联性更强。因此，无论是地区的经济发展水平、脱贫情况、地方政策，还是人力资本流动、人力资本结构提升都存在一定的空间关联性。如果回归分析时，不考虑区域之间的空间关联性会使得估计的结果出现偏差。常用的空间计量模型主要包括空间自回归模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM）。

空间自回归模型（SAR）假设被解释变量均会通过空间相互作用对其他地区的经济产生影响。空间误差模型（SEM）假定空间溢出效应产生的原因是随机冲击的结果，即空间效应是通过扰动项之间的空间自相关关系体现出来。空间杜宾模型（SDM）则是同时考虑空间滞后项和空间误差项，而且SDM模型还会考虑空间交互作用，即一个地区的人力资本结构不仅受到本地区自变量的影响，还会受到其他地区人力资本结构和自变量的影响。

鉴于不同类型的空间计量模型所揭示的经济涵义有所区别，为了获取拟合结果最优的空间计量模型，本文探索建立SAR、SEM和SDM模型。

我们仅考虑单向空间相关性，则构建SAR模型为：

lnpovi，t=α0+δWlnpovi，t+α1lnedui，t+α2lnheai，t+α3lnmigi，t+α4Xcon+εi，t（2）

若空间依赖作用存在于扰动项误差项之中，则构建SEM模型：

lnpovi，t=α0+α1lnedui，t+α2lnheai，t+α3lnmigi，t+α4Xcon+λWμi，t+εi，t（3）

考虑自变量空间滞后项和因变量之间的相关关系，构建SDM模型：

lnpovi，t=α0+δWlnpovi，t+α1lnedui，t+α2lnheai，t+α3lnmigi，t+α4Xcon+θ1Wlnedui，t+θ2Wlnheai，t+θ3Wlnmigi，t+θ4WXcon+εi，t（4）

其中，W为空间距离权重矩阵;δ为空间自回归系数;λ为空间误差项系数;θ为相应变量的空间滞后项系数;γ、μ是服从独立同分布的扰动项。

现有研究中，通常根据空间单元的邻接性确定空间权重矩阵wij。如果两个区域相邻，那么权重矩阵中所对应元素取1，反之取0。但部分学者认为地理邻接矩阵不足以充分反映地区之间关联的客观事实[23]。一方面，经济活动的空间效应不仅仅局限于和它相邻的地区。一个城市的发展策略、教育和医疗等政策可能会受到其他并不相邻城市的影响，例如北京与杭州、成都、武汉不相邻，但是北京的房价和政策会对杭州、成都、武汉等地区产生影响。另一方面，一个城市和所有与之不相邻的城市的空间关联强度有差别。如上海和广州市、呼和浩特市都不相邻，它们的空间权重取值都是0，但是上海对与之较近的广州的影响远远大于与之距离相对较远的呼和浩特市的影响。基于此，我们根据地区间地理距离的倒数构建空间权重矩阵w，即区域i与区域j之间的权重wij=1/dij，其中dij表示两地的地理距离。

3. 空间计量模型的效应测算。在包含空间滞后项的空间计量模型中，自变量对因变量的影响不能简单地用回归系数表征。LeSage等（2008）[24]根据空间效应作用的范围和对象不同，将空间计量模型中自变量对因变量的影响分为直接效应、溢出效应和总效应。直接效应是指区域i的变量xrit变动对本区域i的被解释变量yit的影响，即直接效应=yitxrit。溢出效应是指其他区域的变量xrjt变动对本区域i的被解释变量yit产生的影响，即溢出效应=yitxrjt。总效应则是指所有区域的变量xrt对区域i的被解释变量yit产生的影响，由此可知，直接效应和溢出效应共同构成了总效应，即：

yitxrt=yitxrit+yitxrjt。

（二）变量说明

1. 被解释变量（pov）。现有研究中，大多采用两种方法度量贫困，一种是贫困发生率，一种是家庭人均纯收入。采用贫困发生率测度贫困首先要选定贫困线，然而学术研究中尚未采用一致的贫困线，故而所得的研究结论也不尽相同。同时，贫困发生率不能反映不同地区贫困的详细信息。因此，我们不采用贫困发生率来测量贫困。采用家庭人均纯收入作为衡量贫困的主要指标，其基本理念是从满足个人基本生活需要的角度来看待贫困。事实上，收入不足只是贫困的结果而不是贫困的根源。被称为社会“癌症”的贫困是一种复杂的社会现象。因此，不能仅从收入维度来度量。

根据中共中央办公厅和国务院办公厅印发的《关于建立贫困退出机制的意见》，借鉴师荣蓉、丁改云（2020）[25]和徐英（2019）[26]的研究思路，遵循科学性和可操作性等原则，从收入状况、消费状况、生活保障和脱贫质量四个维度构建减贫脱困指标体系（见表1）。鉴于主成分分析法在确定指标权重和反映基础指标贡献方面更具优势，因此，我们采用主成分分析法确定基础指标的权重，综合测算2008-2017年278个地级城市减贫脱困指数。

2. 核心解释变量。人力资本是指通过正规教育、在职培训、医疗保健、劳动力转移等多种渠道获得的凝结在劳动者身上的知識、能力、技能、经验、健康素质等因素总和，是劳动者质量的反映[27]。由此可以看出，影响人力资本形成的因素是多方面的，其中教育培训、医疗卫生、劳动力转移是优化人力资本结构的有效途径。因此，我们以教育人力资本、健康人力资本、劳动力转移作为核心解释变量。

（1）教育人力资本（edu）：人力资本的测量方法主要有成本法和收入法两种。收入法是通过测度人力资本预期产生的收入来表示人力资本，但通过现期收入来推断未来总收入存在很大不确定性和数据换算误差。因此，我们使用成本法作为教育人力资本的测算指标。考虑数据可得性，本文用财政教育支出占财政支出的比重来表示教育人力资本。

（2）健康人力资本（hea）：健康人力资本的形成主要是通过医疗、卫生等方面的支出来实现，并且这类支出主要来自于公共财政。因此，我们用财政医疗卫生支出占财政支出的比重来表示。

（3）劳动力转移（mig）：劳动力转移的经济福利效应主要来源于农业产业和非农业产业的收益差距。因此，我们将农户劳动力转移定义为是否从事非农产业，用第二产业和第三产业从业人员的比重表示劳动力转移。

3. 控制变量。除上述核心解释变量外，我们还在分析中纳入了其他一些变量，以控制不同经济体的异质性所带来的影响。具体而言，我们参考已有研究，主要加入以下可能对地区减贫脱困产生影响的因素作为控制变量：

（1）固定资产投资情况（inv）：固定资产投资主要用于完善城市道路、住房、学校等基础设施建设，方便人民的生活，增加当地的就业岗位，有利于加快地区减贫进程，降低地方返贫的可能性。因此，我们用固定资产投资额表示固定资产投资情况。

（2）金融发展水平（cbd）：金融扶贫是精准扶贫战略的重要一环。金融业的发展能提高贫困人群在经济活动中的财富积累效率，增强贫困家庭抵御风险的能力，因此，金融业的发展具有明显的减贫效应。我们使用存贷款余额与GDP的比值来衡量金融发展水平。

（3）产业结构（str）：发展扶贫产业、促进产业结构升级能够显著加快集中连片地区的减贫脱困进程。我们使用第三产业增加值和GDP的比值来表示产业结构。

（4）城市化水平（urb）：人口学中，城市化的定义是指农村人口或农业人口转变为城市人口或非农业人口的过程。根据这一定义，我们用市辖区年末户籍人口与全市年末户籍人口的比值表示城市化水平。

（5）科技发展水平（tec）：科技扶贫是我国开发式扶贫战略的重要组成部分。以科技发展为支撑推动脱贫攻坚是实现贫困地区经济发展提质增效和“脱穷根”的重要保障。我们用财政科技支出与财政总支出的比值表示科技发展水平。

（6）城市经济发展情况（pgdp）：各地区的经济发展水平对贫困者的发展机会和收入产生影响。虽然地区生产总值是一个平均概念，受收入分配结构的影响，但已有研究表明人均地区生产总值能够对减缓贫困产生正向影响。因此，我们用人均地区生产总值来表示城市经济发展情况。

（7）经济开发度（ope）：对外开放是促进经济增长的重要因素。本文以人均实际利用外资金额表示对外开放度，由于原始数据为美元，因此根据汇率换算为人民币。

（8）基础设施建设情况（inf）：交通基础设施是城市基础设施建设的主要内容，也是保障经济发展的基础和前提。因此，我们以人均城市道路面积表示城市基础设施水平。

（三）数据来源

以中国大陆278个地级城市作为研究对象，以2008-2017年作为样本区间进行研究，各种数据来源于《中国城市统计年鉴》《区域经济统计年鉴》《中国统计年鉴》以及各省统计年鉴和统计局网站，对缺失数据和异常数据采用线性插值法和均值替换法进行替换和补全，部分数据由作者根据公式计算所得。为保持数据平稳性，消除异方差，我们对变量作自然对数处理。各变量的描述性统计结果见表2。

（四）特征性事实

在进行实证分析以前，我们首先直观地分析和观察人力资本与减贫脱困之间的关系（见图1）。我们分别用入学率、预期寿命、非农产业就业比例、贫困发生率作为教育人力资本、健康人力资本、劳动力转移和减贫脱困情况的粗略衡量指标。

从历史性数据可以看出，按照现行标准测算的贫困发生率从1978年的97.5%下降到2018年的1.7%。与此同时，表征教育人力资本的高等教育入学率从1978年的2.7%上升到2018年的48.1%，说明我国的人均受教育水平逐步提高，教育人力资本结构不断优化。表征劳动力转移的非农产业就业比例从1978年29.5%上升到2018年的73.9%，表明我国劳动力非农业就业比重不断上升。代表健康人力资本的预期寿命从1978年的68.2岁增长到2018年的77岁，反映出我国的人均寿命不断延长，健康人力资本结构不断优化。随着教育人力资本水平、健康人力资本水平的不断提升以及非农劳动力转移的不断增加，我国的贫困发生率呈下降趋势，这意味着教育人力资本、健康人力资本、非农劳动力转移这三个因素与减贫脱困存在着某种同步关系。

（五）相关变量数据性质检验

为了得到更为精准的回归结果，我们需要在回归分析之前检验数据的性质。计量模型中各变量的组间异方差、组间同期相关以及组内自相关的检验结果如表3所示。Wald检验的P值为0.000 0，强烈拒绝原假设，认为选取的面板数据存在组间异方差，这表明为了提高估计的准确性我们需要考虑地区间的异质性。Pesaran检验的P值为0.000 0，强烈拒绝原假设，认为存在组间同期相关，而同期相关从某种程度上说明控制变量选取合理。Wooldridge检验的P值为0.000 0，拒绝不存在组内自相关原假设，这说明选取的变量有明显的时间趋势，但是考虑到本文实证分析所采用的数据是含278个截面10期的短面板数据，因此我们可以不考虑面板自相关的问题。由此，我们在下面的计量分析中要在考虑组间异方差的基础上进行回归分析。

四、回归结果分析

单位根检验、格兰杰因果检验、协整检验均表明，减贫指数和教育人力资本、健康人力资本、劳动力转移等几个核心解释变量之间都存在着稳健的相关关系①，因此可以进行回归分析。我们以普通面板线性回归模型作为实证分析的起点，分别采用混合效应回归、固定效应回归、随机效应回归得到模型（1）、模型（2）、模型（3）。我们使用F检验和豪斯曼检验筛选使用的模型。从检验的结果来看，F检验统计量为4.41，P值为0，拒绝使用混合效应模型的原假设。豪斯曼检验统计量为66.14，P值为0，烈强拒绝使用随机效应模型的原假设。因此，我们以固定效应模型作为标准进行分析，验证假设一、假设三和假设五。

表4中的固定效应回归结果表明，教育人力资本通过5%的显著性检验，回归系数为0.415，说明提升教育人力资本水平会加快减贫脱困的进程。2019年4月习近平总书记在重庆考察石柱土家自治县脱贫攻坚工作时强调：“‘两不愁三保障很重要的一条就是义务教育要有保障。再苦不能苦孩子，再穷不能穷教育。要保证贫困山区的孩子上学受教育”。现有研究表明，提升教育人力资本水平不仅能够提高劳动生产率，促进经济发展，而且还会通过提升贫困人口的能力、提高家庭经济收入水平等来阻断贫困的代际传递。

健康人力资本在1%的显著性水平下显著，回归系数为0.68，说明健康人力资本与减贫脱困呈正相关关系，验证了假设三。第四次国家卫生服务调查表明，疾病或损伤是贫困地区致贫的重要原因之一。西部地区如陕西、云南、青海和甘肃等省份因病致贫、因病返贫的比例高达50%，甚至更高[28]。因此，提升健康人力资本水平是打赢脱贫攻坚战、迈入小康社会的有效途径。劳动力转移的回归结果显著为正，说明劳动力转移会促进贫困地区减贫脱困，验证了假设五。研究表明农业劳动力非农转移是缓解贫困的主要途径之一。农业剩余劳动力非农转移就业有利于解决因人均耕地面积少、农业劳动生产率低下造成的农民收入水平低、生活困难等问题，实现资源的优化配置。固定资产投资通过1%的显著性检验，回归系数显著为正，说明增加固定资产投资会加快脱贫进程。新增固定资产投资会增加就业机会，改善生活环境。金融发展水平在1%的显著性水平下通过显著性检验，回归系数为-3.21，说明金融发展对减贫脱贫有阻碍作用，这可能是金融资本“偏好”所引起的。收入较低的贫困群体自身资本积累的天然不足和外源资本获取能力较差[29]，加之贫困地区的空间劣势严重、金融发展滞后，金融市场基础设施不健全，交易成本过高，使得贫困地区存在着金融服务的“资格门槛”。贫困地区受到的金融抑制程度越大越難摆脱其收入增长的困境。产业结构的回归结果显著为负，说明产业结构变化对减贫脱困有阻碍作用。该回归结果可能是因为贫困群体主要从事农业活动，因此，农业产业比重的降低可能会减少贫困人口的收入;也可能是采用静态面板分析，忽略了空间相关性。城市化水平回归系数显著为正，说明提升城市化水平将为地区减贫脱困创造有利的条件。一方面，城市化进程中农村人口向城镇人口转变，通过人口迁移引起地理效应，从而影响农村贫困水平;另一方面，城市化发展对经济增长、收入分配等经济变量产生影响，通过经济变量间的相互联系间接作用于贫困水平[30]。科技发展水平没有通过显著性检验，说明科技的发展对地区减贫脱困的影响不显著。目前我国贫困地区产业以传统的农业、手工业为主，现代工业发展相对滞后，高科技研发和应用十分鲜见，因此，科技发展水平对地区减贫脱困的作用效应不明显。经济开放度通过了1%的显著性检验，回归系数为-1.046，说明现阶段的经济开放会阻碍减贫脱困进程。贫困地区的对外开放主要表现为资源的交换，经济附加值较低。同时，由于一些项目的引进会引起环境污染，因此贫困地区的对外开放在一定程度上反而会不利于减贫脱困。人均GDP作为地区经济禀赋的代理变量对地区减贫脱困的影响不明显，这一结果与预期不一致，可能与本文使用的样本有关，也可能是因为忽略了空间相关性。基础设施建设的回归结果显著为正，说明完善基础设施建设有助于减少贫困发生。近年来国家对农村道路等基础设施建设逐年加大，贫困地区基础设施条件大大改善。

五、进一步研究：空间计量

面板模型估计结果得出了优化人力资本结构具有减贫效应，但是结论成立的前提是各城市彼此独立，不考虑地区之间的空间相关性。从实际来看，一方面，地区之间密切的交流和合作使得资金、信息、物质等在地区之间流动和交换，各个城市在空间上存在着空间相互作用。特别是近年来对口帮扶、结对脱贫等举措，使得地区之间的联系日益紧密，也势必会对减贫脱困成效产生影响。另一方面，人力资源属于稀缺性资源，受自身和外部环境等因素影响经常出现跨地区流动的现象，这种流动会产生一定的溢出效应，也会对地区人力资本结构优化产生影响。如果我们假定各城市是独立的，忽视彼此之间的空间相关性，可能会导致模型估计结果出现偏误。因此，有必要纳入空间效应来进一步分析人力资本结构优化的减贫效应。

（一）空间相关性检验与图示

在进行空间计量回归分析之前，首先要考察变量的空间依赖性。本文采用全域Morans I指数（莫兰指数）来开展被解释变量、核心变量的空间自相关性检验（见表5）。

从表5的检验结果可以看出，减贫指数的莫兰指数基本都在1%的显著性水平下通过了显著性检验，同时核心解释变量教育人力资本、健康人力资本、劳动力转移也都存在着显著的空间自相关性。因此，总体而言，建立空间计量模型进一步探讨优化人力资本结构的减贫效应是必要的。

（二）空间计量估计结果

为了提高回归结果的准确性，我们选用将各城市空间相关性考虑在内的空间面板SAR模型、SEM模型、SDM模型进行估计，并按照Anselin et al.（2004）[31]提出的判断规则，选用自然对数值、Wald检验和LR检验对模型的拟合效果进行检验（见表6）。

表6中模型（4）、模型（5）、模型（6）分别是SAR模型、SEM模型、SDM模型的固定效应回归结果。从回归结果的拟合效果看，SDM模型的回归系数显著个数比SAR模型和SEM模型的显著个数多，同时SDM模型的自然对数值最大，说明相较于SAR模型和SEM模型，SDM模型的拟合程度更高。为了进一步判断SDM模型的拟合效果，我们对SDM模型进行Wald检验和LR检验，相应的Wald空间滞后检验、LR空间滞后检验、Wald空间误差检验和LR空间误差检验的P值均在1%的水平下显著为零，同样说明SDM模型具有最优的拟合效果。此外，SDM模型的回归系数不满足模型转化的原假设，那么SDM模型不宜简化为SAR模型和SEM模型，也即SDM模型包含的两种空间传导机制对经济增长的作用不可忽略。基于此，我们选择对模型（6）SDM模型的回归结果进行分析，验证假设二、假设四和假设六。

减贫指数的空间自回归系数在1%的显著性水平下显著为负，说明减贫脱困在空间上存在着显著的空间效应。一个城市的减贫脱困情况很大程度上会受到邻近城市减贫脱困情况的影响，这种空间关联性使得减贫脱困在空间上的“高低”聚集现象得以解释。这种负相关关系可能是因为邻近地区在资源、经济结构、产业发展等方面都具有较强的相似性，地区之间的竞争较大。同时，同一区域的城市之间通常会抢夺有限的劳动力和优秀的高素质人才。

从自变量的空间自回归系数来看，教育人力资本和健康人力资本的空间溢出效应不显著，劳动力转移的空间溢出效应显著为正。在空间计量模型中，教育人力资本和减贫指数的相关性变得不显著，由此可以说明忽略空间相关性会高估教育人力资本对减贫脱困的影响。这可能是因为一方面教育事业的发展将有效地发挥“增智效应”和“增收效应”，加快地区经济发展和脱贫的步伐。另一方面，接受高等教育的劳动力通常在城乡、经济发达与欠发达地区之间转移，形成以城镇、经济发达地区为轴心，向农村和贫困地区发散的人才分布格局。显然，贫困地区的高素质人才流失严重，使得教育人力资本的优化对地区经济发展的带动作用很小，甚至会扩大地区之间的经济发展差距。因此，在考虑空间相关性的情况下，教育人力资本的脱贫效应收效甚微。

健康人力资本的相关系数由0.68降低到0.082，而且显著性水平也相应降低，表明普通面板回归会高估健康人力资本的减贫效应，但是不可否认，健康人力资本依然会促进地方减贫脱困，因为在空间计量模型中，健康人力资本的回归系数在5%的显著性水平下显著。该结论验证了假设四。

在空间相关性分析中劳动力转移的相关系数由0.482增长为0.506，说明劳动力转移对减贫脱困具有更大的促进作用，进一步印证了前面初步回归得到的结论，也验证了假设六。人口在区域间自由流动能够优化人力资本配置，最大限度的发挥人力资本效用，推动经济发展水平提升和人民生活条件改善。

引入空间相关性后，金融发展水平通过1%的显著性检验，回归系数为0.268，说明考虑空间依赖性后，金融业发展将对地区减贫增收产生促进作用。研究表明，金融业发展对邻近地区减贫增收具有空间溢出效应[32]。一方面，流动人口依靠在本地区金融扶贫中获得的经济剩余直接参与流入地的投资和经济建设，促进邻近地区的经济发展和减贫增收。另一方面，一个地区的金融发展模式、支持政策和配套体系将会通过地理邻近的信息外溢对邻近城市产生示范作用，推动邻近地区金融业發展，帮助其他地区实现有效的金融扶贫。

在空间相关性分析中经济发展水平的回归结果显著为正，相关系数为0.296，说明经济发展水平对地区减贫脱困具有促进作用。社会经济实力明显提升是社会成员共享发展成果的基础，也是完善教育、医疗等社会保障体系和兜底政策的必要前提。与面板回归结果相比，产业结构、经济开放度、基础设施水平的减贫效应不显著。除此以外，其余变量系数和普通面板数据固定效应模型的结果基本一致。

空间计量模型的回归系数不仅可以度量解释变量对被解释变量的影响程度，还可以描述变量之间复杂的相互作用。这种复杂的相互作用常以直接效应、溢出效应来表示。因此，我们基于模型（6）空间回归系数的估计值，以偏微分技术对各变量的直接效应、溢出效应和总效应进行测算（见表7）。

从表7中可以看出，教育人力资本的直接效应显著，但教育人力资本的溢出效应和总效应不显著，这一结果和表6模型（6）中教育人力资本结构的回归结果一致，说明教育人力资本主要通过直接效应发挥减贫脱困效果。健康人力资本的直接效应显著为正，但溢出效应不显著，说明健康人力资本直接促进本地区减贫脱困。劳动力转移对减贫脱困的直接效应和溢出效应都很显著，且劳动力转移的溢出增长效应占总增长效应的20%以上，由此进一步说明劳动力的地区间流动所带来的溢出效应对地区脱贫成效具有较大的贡献。

六、结论与政策建议

脱贫攻坚战从决定性成就到全面胜利，面临的困难和挑战依然艰巨，我们不能松劲懈怠。同时，2020年我们要实现现行标准下农村贫困人口脱贫，历史性地整体消除绝对贫困现象。但是消除绝对贫困并不意味着减贫工作已经完成。我们的减贫工作并没有终结，而是站在了新的起点上。相对贫困将取代绝对贫困，集中连片的区域性贫困分布将转变为散点分布，单维收入贫困将转变为包括资源、能力和机会的多维贫困。新的贫困格局需要新的扶贫战略，党的十九届五中全会公报指出“深化农村改革，实现巩固拓展脱贫攻坚成果同乡村振兴有效衔接”[33]。为此我们要研究、总结脱贫攻坚战的成功经验，重塑减贫政策体系，构建综合的贫困治理结构。在这样的时代背景下，本文利用2008—2017年278个地级城市数据，通过构建静态面板模型和空间面板模型，检验优化人力资本结构的减贫效应，具有重要的研究价值。面板计量模型的回归结果显示，教育人力资本水平、健康人力资本水平的提升以及劳动力转移对减贫脱困产生正向的促进作用，其中教育人力资本减贫效应的作用最大。同时，固定资产投资、基础设施建设、城市化水平等对减轻贫困也有重要影响。空间相关性检验说明地区之间的减贫脱困情况并不是随机独立的，会受到其他城市的影响。考虑到地级城市之间存在的空间自相关性，引入空间计量模型。空间杜宾模型的实证结果支持了普通面板模型的分析结论，说明健康人力资本、劳动力转移在空间自相关情况下依然对减贫脱困有促进作用，且证实在考虑空间依赖性基础上，劳动力转移存在较强的空间溢出效应，会发挥更大的减贫脱困作用。根据上述研究结论，提出如下政策建议。

第一，從单纯重视增加人力资本存量转向优化人力资本结构，推动各地方实现减贫脱困。优化人力资本结构是加快减贫步伐的重要因素，因此，各地区要从提升医疗卫生健康保障水平、发展教育事业、鼓励和引导劳动力转移三个方面提高人力资本综合水平，发挥人力资本结构优化的减贫效应，以期早日脱贫致富。第二，对于提升教育人力资本而言，各地区应该实施“内培外引”的人才战略，增强优化人力资本结构的内生驱动力，实现借力发展提升。一方面，贯彻党的十八大、十九大提出的“促进各级各类教育协调发展”“优先发展教育战略”，根据区域经济增长的实际诉求，加强对各级各类教育的投入力度，统筹提升人才培养层次和质量，创新人才培育的体制机制。同时，致力于教育资源在区域间的合理分布，缩小城市之间教育资源的非均衡配置。另一方面，要大力实施“千人计划”“人才引进”等引智计划，通过借助外部的智力不断优化地区的人力资本结构，综合提升地区的教育人力资本水平，进而形成教育人力资本推动减贫脱困和经济发展的长效机制。第三，加大公共卫生保健支出。集中力量攻克脱贫攻坚战最后堡垒，结合推进乡村振兴战略，以疫情防控为切入点，加强乡村人居环境整治的公共卫生体系建设。实施贫困人口营养计划，改善基础医疗卫生条件，加大对疾病的预防和控制，保障群众基本健康。同时，建立完善的医疗救助制度，切实减轻疾病给群众特别是困难群体造成的经济负担。第四，促进农业转移人口市民化，进一步发挥农业劳动力转移的减贫效应。提升城市综合承载能力，配套做好城市建设、产业发展等工作，增加农业转移人口的就业岗位和生活空间。同时，完善户籍管理制度，破除阻碍人口流动的壁垒，鼓励和引导人才在区域间合理流动，加强人才交流合作，进一步利用劳动力转移的空间溢出效应推进减贫脱困进程。第五，注重区域之间的相关性，实现地区之间共同发展、协调发展。特别是在政策制定时，我们不仅需要关注本地区的经济状况，还需要统筹考虑周边地区、同层次发展水平城市的发展状况，积极搭建区域协作平台，加强交流与合作，从而有效促进区域发展的互动。

注释：

①鉴于篇幅原因，没有展示单位根检验、格兰杰因果检验、协整检验的结果。

②论文只给出首尾年份的莫兰指数图示，其余年份的对比分析得到的结论和首尾年份的对比分析得到的结论基本一致，有兴趣的读者可以向作者索取其余年份的莫兰指数散点图示和编号对应的城市名单。

③考虑到文章的篇幅，本文尚未列出SDM模型中控制变量的空间交互系数。

参考文献：

[1]HOLZMANN R， JORGENSEN S.Social protection as social risk management ：conceptual underpinnings for the social protection sector strategy paper[J].Journal of International Development，1987，11（7）：1005-1027.

[2]LEIBENSTEIN H. Economic backwardness and economic growth[J]. Econometrica，1959，27（3）：538-539.

[3]HIRSHMAN O.The strategy of economic development[M]. Yale University Press，1958.

[4]NEGAHBAN S N， Ravikumar P， Wainwright M J.A unified framework for high-dimensional analysis of m-estimators with decomposable regularizers[J]. Statistical Science，2000，27（4）：538-557.

[5]SCHULTZ T W. Investment in human capital[J].American Economic Review，1961，51（5）：1-17.

[6]SEN A.Poverty and famines： an essay on entitlement and deprivation[M].USA： Oxford University Press，1981.

[7]BECKER G.Treatise on the family Massachusetts[M].New York： Harvard University Press，1991.

[8]章元，许庆，邬璟璟.一个农业人口大国的工业之路：中国降低农村贫困的经验[J].经济研究，2012（12）：56-62.

[9]史桂芬，李真.人口流动助推地区经济增长的机制研究——基于长三角城市群的面板数据[J].华东经济管理，2020（6）：10-18.

[10]KUROSAKI T.Effects of education on farm and non-farm productivity in rural Pakistan[J].Foundation for Advanced Studies on International Development，2001（25）：197-211.

[11]USMAN A， Malik M I， Ahmad S. Role of micro finance in reducing poverty： a look at social and economic factors[J].International Journal of Business and Social Science，2011（21）：138-144.

[12]郭繼强.中国城市次级劳动力市场中民工劳动供给分析——兼论向右下方倾斜的劳动供给曲线[J].中国社会科学，2005（5）：16-26.

[13]WEDGWOOD R.Education and poverty reduction in Tanzania[J].International Journal of Educational Development，2007，27（4）：383-396.

[14]杨俊，黄潇.基于教育差距引致农村贫困的背景观察[J].改革，2010（3）：110-119.

[15]田晓红，李涛.民族地区“教育致贫”发生机制与“教育治贫”对策——基于三个民族地区的对比研究[J].中南民族大学学报（人文社会科学版），2011，31（6）：69-73.

[16]HAMID T， SYED A， JENNIFER R， PAUL M. Can micro health insurance reduce poverty？ evidence from Bangladesh[J].Journal of Risk and Insurance，2011，78（1）：57-82.

[17]王弟海.健康人力资本、经济增长与贫困陷阱[J].经济研究，2012（6）：143-155.

[18]ROSS C E， MIROWSKY J.Dose medical insurance contribute to socioeconomic differentials in health？[J].Milbank Quarterly，2000，78（2）：291-321.

[19]黄薇.医保政策精准扶贫效果研究——基于URBMI试点评估入户调查数据[J].经济研究，2017（9）：117-132.

[20]程名望， JIN YANHONG， 盖庆恩，史清华.农村减贫：应该更关注教育还是健康？——基于收入增长和差距缩小双重视角的实证[J].经济研究，2014（11）：130-144.

[21]张桂文，王青，张荣.中国农业劳动力转移的减贫效应研究[J].中国人口科学，2018（4）：18-29.

[22]樊士德，江克忠.中国农村家庭劳动力流动的减贫效应研究——基于CFPS数据的微观证据[J].中国人口科学，2016（5）：26-34.

[23]李婧，谭清美，白俊红.中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J].管理世界，2010（7）：43-65.

[24]LESAGE J P， PACE R K. Spatial econometric modeling of origin-destination flows[J].Journal of Regional Science，2008（5）：941-967.

[25]师荣蓉，丁改云.金融发展多维减贫的空间溢出效应检验[J].统计与决策，2019（15）：150-153.

[26]徐英.贵州省县域贫困测度及空间格局分析[J].中国农村资源与区划，2019（8）：95-102.

[27]杨建芳，龚六堂，张庆华.人力资本形成及其对经济增长的影响——一个包含教育和健康投入的内生增长模型及其检验[J].管理世界，2006（5）：10-21.

[28]尹飞霄.人力资本与农村贫困研究：理论与实证[D].南昌： 江西财经大学，2013.

[29]王小华，温涛，王定祥.县域农村金融抑制与农民收入内部不平等[J].经济科学，2014（2）：44-54.

[30]田雅娟，刘强.城镇化的农村减贫效应——基于动态变系数模型的实证研究[J].统计与信息论坛，2020（2）：94-101.

[31]ANSELIN L， FLORAX R， REY S J. Advances in spatial econometrics： methology， tools and applications[M].Springer Verlag Press，2004.

[32]顾晓安，庄晓栋，许泽庆.空间视角下的普惠金融与农村减贫增收——机制探讨与实证检验[J].农村金融，2020（1）：108-116.

[33]中国共产党第十九届中央委员会第五次全体会议公报[R].北京：人民出版社，2020：15.

责任编辑：母爱英

Research on Poverty Alleviation with Human Capital Structure Optimization from thePerspective of Spatial Spillover Effect in China

He Xionglang， Shi Shijiao

（School of Economics， Southwestern Minzu University， Sichuan Chengdu 610041， China）

Abstract：

By building a common panel model and spatial econometric model，the authors empirically test the poverty reduction effect in optimizing the structure of the human capital. The results of this study show that the alleviation situations between regions are not random or independent， they have a significant spatial spillover effect. The general panel regression results show that the promotion of healthy and educated human capital can positively promote regional poverty alleviation， while after the introduction of spatial correlation， there is no obvious correlation between educated human capital and poverty alleviation and the regression coefficient of healthy human capital decreases， indicating that ignoring the spatial correlation will overestimate the impact of educated and healthy human capital on regional poverty alleviation. Labor transfer has a strong spatial spillover effect. Considering spatial dependence， labor transfer will further accelerate the pace of regional poverty alleviation.

Key words：educated human capital; healthy human capital; labor transfer; poverty alleviation; spatial correlation