段志民,袁芳杰,田政杰
(1.天津财经大学 统计学院,天津 300222;2.山东财经大学 统计学院,山东 济南 250014)
产业在地理空间上的适度聚集有助于发挥其集聚功能,促进企业劳动生产率提升,从而对劳动力工资产生正向外部效应(陈旭等,2016)[1]。随着城市化进程的不断推进,各城市内部的产业集聚力度在不断加强,以期通过产业的持续集聚发挥其集聚经济效应(陈怀锦和周孝,2019)[2]。然而,我国部分城市的产业集聚水平在已经显现拥挤效应的情况下仍在持续上升,表现为拥挤效应强于集聚效应,已然出现了集聚不经济现象。产业的过度集聚非但没有起到提升劳动力工资的作用,反而不利于劳动力工资的上涨(杨仁发,2013;吴晓怡和邵军,2016;沈鸿和向训勇,2017)[3-5]。为此,地方政府一直致力于调整城市内部产业空间布局,在优化升级城市功能体系的同时,试图通过重构城市内部制造业集聚区域优化城市资源的空间配置,尽可能地减轻由过度集聚产生的拥挤效应。正因如此,那么应如何更好地改善我国城市内部制造业集聚的空间分布,以有效发挥其对劳动力工资的正向外部性,并依此实现城市发展和居民福利协同提升的目标,对其进行探讨具有重要的现实意义。
理论上看,制造业集聚对制造业企业劳动生产率的正向影响往往在城市中心区最强,并随集聚区域与城市中心区的距离增加而衰减(Combes et al.,2008)[6]。相比于城市非中心区,中心区具有劳动力资源丰富和交通便利等优势,企业受其吸引可能会选址于此,表现为企业和劳动力的分布大致呈中心区域密集而边缘区域稀疏的形态。工资作为劳动生产率的反映,在地理空间上理应与劳动生产率保持相同的变化趋势,表现为城市中心区的工资水平最高,而外围地区则逐渐递减。然而,值得注意的是,对于制造业行业而言,城市中心区域集聚力度的增强往往会引致拥挤效应的产生,土地和交通等成本的提升会压缩制造业企业的利润并对工资产生不利影响,且拥挤效应的产生和变化还会依城市规模及城市化水平而异。若事实果真如此,那么城市内部制造业集聚对劳动力工资的影响可能并非随其到中心区域距离的增加而单调衰减,应具有某种空间异质性特征。
现有关于产业集聚与劳动力工资的经验研究大多从地区间的空间关联视角展开。由于相邻地区的产业类型和产业结构存在较高相似性,借助于密切的产业关联,地区的产业集聚可通过基础设施共享、劳动力流动和知识外部性等途径对相邻地区产生外溢效应,进而提升相邻地区的劳动力工资(Combes and Duranton,2006;余泳泽等,2016;邵朝对等,2018)[7-9]。然而,基于地区内部视角探讨产业集聚对劳动力工资影响的文献并不多见。鉴于我国的城市边界并非单纯的地理划分,而是地方政府经济发展规划的界线,城市决策层更为关心的是如何将集聚效应和拥挤效应的权衡机制应用于城市内部的合理规划(陆铭等,2011)[10],因此从更为微观的城市内部视角探讨制造业集聚对劳动力工资的空间异质性影响尤为重要。
本文从城市内部视角出发,以城市中心为圆心,将城市分为中心区、中心边缘区、近郊区、远郊区和偏远区五个同心环,之后利用2008—2013年中国工业企业数据库中的企业地址信息,并借助百度地图API将企业地址转换至经纬度数据,据此将企业划至各圆环区域。随后,利用企业的就业量测算各圆环内的集聚程度,实证检验城市内部制造业集聚对劳动力工资的空间异质性影响。为克服潜在的内生性问题,本文将从地理和历史两个维度构造工具变量,力求得到更为精确的因果效应。与现有文献相比,本文可能的边际贡献在于:第一,从城市内部视角评估制造业集聚对劳动力工资的影响及其空间分布特征,对现有产业集聚经济效应领域的研究作了有益补充;第二,使用地理信息和历史信息构造工具变量,可更好地满足工具变量的外生性要求,从而得到更为准确的因果关联。
产业集聚将如何影响劳动力市场及其可能导致的经济结果一直是区域经济学和城市经济学领域研究的热点,本文将从制造业集聚对劳动力工资的影响及其空间分布特征两个方面对已有研究进行系统梳理。
要素和技术在地理空间上的集聚可有效促进该地区的劳动生产率提升,同时也可带来该地区生产要素回报的整体提升。由于城市内部的产业集聚程度一般遵循从中心到外围逐渐减弱的规律,因此产业集聚对劳动力市场的影响也将逐渐减弱(Koster,2013)[11]。基于此,Combes等(2008)[6]在分析产业集聚对劳动力工资的影响时,为刻画产业集聚对劳动力市场影响的变化过程,选择以中心到外围的集聚经济强度遵循单调衰减规律为前提。然而,上述单调衰减规律在学术界也受到了部分学者的质疑,原因在于产业集聚不仅会导致集聚效应,也可能会带来拥挤效应,使得产业集聚对劳动力工资的影响存在较大不确定性。
具体而言,随着产业经营主体逐渐向集聚地集中,交通通勤成本、生活成本、土地和劳动等要素成本都会不断提升,使得产业经营反而容易出现过度集聚。过度集聚会导致由产业集聚产生的拥挤效应强于集聚效应,因此产业集聚将形成集聚不经济效应(戴一鑫、李杏,2021)[12]。由此导致的后果是,生产要素回报非但不会因为产业集聚而提升,反而会因为过度集聚而下降。事实上,周圣强和朱卫平(2013)[13]已发现1994年之后尤其是2003年之后我国的制造业集聚已经产生了明显的拥挤效应,且已经进入制造业集聚的非经济区域。谢露露(2015)[14]利用我国地级市制造业空间面板数据,也发现我国制造业的就业密度对劳动力工资具有负向影响,这意味着我国制造业的拥挤效应已经超过集聚效应,出现了过度集聚迹象。
尽管已有研究为我们考察制造业集聚对劳动力工资的影响提供了有益启示,但以上关于我国制造业企业过度集聚现象存在的证据均是基于省级或市级层面的数据而得到,那么我国城市内部的制造业集聚将如何影响劳动力工资,对此展开细致探讨的文献尚不多见。仅陈旭和邱斌(2021)[15]探讨了由“摊大饼”式发展所形成的城市内部多中心空间结构对劳动力工资的影响,其在地理空间上呈现出先增后减的倒U型结构。然而,该文仅针对城市空间结构的劳动力市场效应展开了研究,并未涉及城市内部的制造业集聚对劳动力市场的影响,我们认为对此问题展开探讨对城市空间形态的调整同样具有重要意义。
从城市地理空间上看,城市中心区域由于拥挤效应一般强于集聚效应,所以产业集聚对劳动力工资可能会产生负向影响(Verstraten et al.,2018)[16]。然而,在逐渐远离城市中心的外围地区,尽管产业集聚产生的集聚效应和拥挤效应会同时衰减,但拥挤效应的衰减幅度大于集聚效应(Hkansson and Isacsson,2013)[17],因此产业集聚更有可能对劳动力工资产生正向影响。这意味着,产业集聚程度与生产要素回报之间可能并非呈简单的线性关联,而是在地理空间上具有非线性关联特征(杨仁发,2013)[3]。既然如此,在城市内部制造业集聚要想实现最高的集聚经济效应,那么应选择在何处集聚最为适宜,这已成为学者们探讨的焦点。其中,Addario和Patacchini(2008)[18]以城市核心区域为中心,通过以不同的半径构建同心环并将各环形区域的劳动力就业规模作为集聚的测度指标,发现在距离城市中心12 km左右的产业集聚在城市内部会产生最强的正向外部性。Hkansson和Isacsson(2013)[17]则认为,产业集聚的最优距离应为距离核心市区5 km左右,而Verstraten等(2018)[16]发现最优距离应限定在距离核心区40~80 km之间。可见,已有研究并未就产业集聚在城市内部的最优位置形成共识。
以上关于产业集聚最优地理位置存在争议的原因可能是,不同样本城市的城市规模和企业所面临的市场环境等方面存在差异(Verstraten et al.,2018)[16],但也可能是集聚测度指标的选取和因果关系的识别策略不同。首先,对于同心环内劳动力集聚的测度指标选取,有学者尝试将劳动力就业地址的编码信息经由Arcgis软件划分为栅格数据,进而测算各同心环内的集聚程度(Addario and Patacchini,2008;Verstraten et al.,2018;Rosenthal and Strange,2008)[18,16,19]。但如此处理带来的问题是,劳动力的就业地址编码所对应的空间区域往往较为宽泛,对于正好处于栅格边界的部分区域若直接将其划至某栅格,将容易产生测量误差。其次,在因果关系的识别策略方面,由于劳动力工资对产业集聚具有反向影响,因此由双向因果引发的内生性问题尤为值得注意。尽管有学者尝试采用GMM方法予以处理,但该方法使用解释变量的一阶或二阶滞后项作为工具变量,并非是内生性处理的最优策略(Roodman,2009)[20]。可见,如何克服潜在的内生性并精确度量产业集聚在城市内部不同区域的集聚程度依然有较大研究空间。
国内学者在产业集聚的空间特征研究方面大致沿袭两个视角:一是探究城市内部产业集聚的区域及其演化特征,如刘霄泉等(2018)[21]针对北京市制造业集聚区域及其空间演化进行了有益探讨,高金龙等(2017)[22]针对南京制造业空间重构进行了较为深入的分析;二是产业集聚的集聚经济范围测算,如邵朝对等(2018)[9]发现我国制造业集聚经济的作用范围约为100km,余泳泽等(2016)[8]发现生产性服务业集聚对制造业发展效率外部性作用范围的半衰距离约为500km,马子量和郭志仪(2016)[23]发现在西北地区产业集聚对产业升级推动作用的空间作用范围约为600km。综合上述两类视角,关于城市内部制造业集聚对劳动力工资影响的空间分布特征还有待进一步探讨。基于此,本文尝试从城市内部视角切入,借助企业地理信息构建城市内部不同距离空间的集聚特征,并利用地理信息和历史信息构造工具变量来消除内生性影响,进而对中国城市内部制造业集聚影响劳动力工资的空间异质性特征进行细致探讨。
理论上来看,产业集聚可经由集聚效应对劳动力工资产生正向影响。其一,产业集聚可使得本地经济活动的密度更高,使当地劳动力有更多的学习机会来提升自身的劳动技能,因而人力资本水平也会相应提升。其二,岗位和劳动力类型的增多会提高企业和劳动力之间的匹配概率,从而为劳动者提供更多寻求更高收入工作的机会。其三,中心地区较高的成本会直接将低效率企业挤出至外围地区,致使中心区域高效率企业可提供更多的高薪资岗位。然而,在产业集聚形成的过程中,由集聚导致的拥挤效应在劳动力工资的决定过程中也需要得到足够重视。图1结合产业集聚产生的正向集聚效应和负向拥挤效应构建了分析框架,针对制造业集聚对企业劳动力工资的理论影响进行了阐述。
图1中,π(·)为企业零利润线,在收益给定的前提下,企业为保持利润不变,在支付给员工更高报酬(工资)时,需要降低拥挤成本,①此时企业的零利润线表现为一条向右下方倾斜的曲线。U(·)为劳动力的效用函数,在保持效用不变的前提下,为了得到更高的工资,需要承受更高的拥挤成本,因此效用函数表现为一条向右上方倾斜的曲线。A表示所在区域的集聚水平,不同水平的集聚强度会对企业劳动生产率产生影响,但不会影响劳动力的效用水平。
图1 产业集聚对劳动力工资的影响
当地区a的集聚水平Aa使得企业利润为0时,标记为π(Aa)=0,此时达到均衡状态,劳动力效用满足U(Aa)=U*,劳动力的工资水平为wa*,企业的拥挤成本为ra*。现有另一地区b,其集聚水平更高,Ab>Aa,而更高的集聚水平意味着企业具有更高的劳动生产率,所以企业利润也将得以提升。为保持零利润状态,企业零利润线向右移动,即满足π(Ab)=0。此时,劳动力工资水平由wa*增加至wb**,但企业从集聚中获得的部分收益将用于抵消土地租金等拥挤成本,从而减弱了企业兑付更高工资的能力,劳动力工资相应地也会由wb**降至wb*。
接下来,结合上述框架,从城市内部视角探讨集聚效应、拥挤效应与劳动力工资之间的关系。鉴于城市中心区域的集聚水平更高,企业若选址于此会获得较高的劳动生产率,但也面临着更高的拥挤成本。在城市外围区域,集聚水平则相对较低,拥挤成本同样也较低。因此,在城市内部制造业的集聚效应具有明显的空间异质性。对应图1,点n可看作是城市中心区域的均衡点,点m可看作是城市外围区域的均衡点,集聚是一个不断变化的动态过程,从点n到点m需要经历劳动力工资先升后降的过程。因而,在实际中可能会观测到制造业集聚对劳动力工资的正向作用,即n→m*,也可能会观测到由于拥挤效应导致企业工资降低的过程,即m*→m。要想明确制造业集聚与劳动力工资之间的关系,需要更严谨的实证分析予以解答。
基于以上分析框架,本文尝试将城市内部分解为多个同心环,并依此估计各圆环内制造业集聚对劳动力工资的影响。实证方程设定如下:
其中,wfit是区域i企业f在t时期的平均工资;Ait为区域i在t时期的集聚水平,可通过劳动力数量、就业密度或企业数量予以表征;②Xfit表示区域i企业f在t时期的相关特征;μi为区域固定效应;νf为企业固定效应;εfit为误差项。
本文将测算的基础单位分为不同距离的地理单元,因此对城市内部更微观层面的分析便可通过对城市整体进行分解得到。具体地,本文将城市整体分解为不同距离的同心环,基于此Ait便可细化为城市内部不同距离同心环内的集聚效应和拥挤效应,表示为:
其中,r表示城市内部不同同心环地理区块;Empit,r表示地理区块r的就业量,用以表征地理区块r的集聚程度;fagg,it,r(dr,emp)和fcon,it,r(dr,emp)分别表示集聚效应和拥挤效应随其到城市中心区域距离增加而逐渐衰减的函数,由地理区块r与城市中心区域的距离确定,且在[0,1]内取值;ρ1和ρ2分别为集聚效应和拥挤效应对劳动力工资影响的估计系数。
鉴于集聚效应与拥挤效应在实证分析中难以分离,本文主要以区域i在地理区块r上的净集聚效应为研究对象,即:
其中,ρ为净集聚效应对劳动力工资的影响系数。
鉴于净集聚效应在空间上可能并非呈单调变化,因此可通过构造同心圆环并利用圆环与城市中心的距离作为距离衰减函数的代替。相比于单调衰减函数的设定,利用同心圆环表征的衰减函数更为灵活(Koster,2013)[11]。在此基础上,利用各同心圆环内的总就业量作为集聚程度的测算指标。如此,式(3)可进一步改写为:
其中,ρr为各同心环DR内集聚程度对劳动力工资影响的估计系数。
最终,本文实证模型设定如式(5)所示,其中∑DRρr∑dR,r∈DREmpit,r为各同心环的就业量。
在同心圆环的半径距离选取上,一方面距离间隔越小越可能导致多重共线性问题,同时参数过多也会影响模型的估计效率,但另一方面若距离间隔过大则所揭示的信息可能并不充分。已有研究的设定也不尽相同,如Rosenthal和Strange(2008)[19]将各圆环距城市中心的距离设定为8km、40km、80km和160km,Addario和Patacchini(2008)[18]则设定为4km、8km、12km和16km,Verstraten等(2018)[16]则设定为5km、10km、20km、40km、80km和120km等。鉴于我国城市分布广泛,城市层级不一,中心城区的大小也不一致,针对不同城市设置固定的距离标准来划定同心环可能会产生相应偏误,因而需要针对不同城市设置不同的距离结点。借鉴陈小晔和孙斌栋(2017)[24]的做法,将城市划分为中心区、中心边缘区、近郊区、远郊区和偏远地区5个区域,并参考城市规模和市辖区建成区半径,确定各城市不同区域的距离结点。其中,城市规模按照1998年国务院的划分标准,将非农人口数大于50万的划分为大城市,处于20~50万的划分为中等城市,处于20万以下的划分为小城市。在此基础上,根据各城市市辖区的建成区面积测算建成区半径,结果显示大城市的建成区半径约为10~20km,中等城市的建成区半径约为5~10km,小城市的建成区半径约为3~5km。不同类型城市各个圈层的距离结点如表1所示。
表1 不同类型城市各个圈层的距离结点 (单位:km)
需要说明的是,尽管按如上划分可以较好地处理不同城市的距离结点问题,但对于不同的同心环内制造业集聚效应的识别结果仍是基于平均意义。鉴于我国城市差异巨大,且不同城市制造业集聚的空间分布特征各不相同,从而使得经济集聚的强度也存在较大差异,因此需要针对城市规模和城市化水平的不同进行分样本讨论。
本文主要以城市制造业企业为样本,被解释变量为制造业企业的人均名义工资,③利用企业总名义工资除以员工总数得到,数据来源于中国工业企业数据库。核心解释变量为城市内中心区、中心边缘区、近郊区、远郊区和偏远地区内的制造业就业量,具体根据工业企业数据库提供的企业行政区划代码以及乡镇、村街、街道办事处或居委会等信息,对接百度地图API,获取企业经纬度信息,据此测算企业与城市中心的距离,并将各企业划至不同的同心环,最后加总各区域内年末劳动力的数量作为各同心环的集聚指标。
本文还对企业和城市相关的其他变量进行了控制,具体包括:(1)国有资产及外资资本比例(SOE,FOE),相比于其他所有制企业,国有企业往往会支付更高的工资水平,外资企业因为具有较为先进的生产技术和管理水平,工资支付能力也较强,分别利用国家资本和外商资本与企业总资产的比例测算得到;(2)人力资本(hr),企业平均人力资本越高,劳动生产率越高,工资也就越高,由于无法直接获取企业的人力资本信息,因此使用城市每万人高等学校在校生人数作为其代理变量;(3)企业盈利能力(ln_pe_profit)和劳动生产率(ln_lp),企业盈利能力和劳动生产率是影响劳动力工资最为直接的因素,企业利润和劳动生产率越高,越能提供较高的工资,其中企业盈利能力用企业劳动力平均利润的对数表示,劳动生产率用产出除以从业人员数后取对数计算得到;(4)各城市到港口的最近距离(min_dis),城市到港口的距离会影响当地企业进入国际市场的机会,但同时也会影响企业面对的来自国际市场的竞争压力,因此企业的利润空间及劳动报酬受城市到港口距离的影响并不确定,具体参考谢长青和范剑勇(2012)[25]的研究,采用城市到天津、上海或广州三大港口的最近距离予以测算,若城市本身即为港口城市,则假定最近距离为10km。
本文数据主要来自2008—2013年的中国工业企业数据库,辅之以相应年份的《中国城市统计年鉴》。参考Brandt等(2012)[26]的做法,对各年份的工业企业数据库进行匹配形成面板数据。需要说明的是,中国工业企业数据库中存在数据缺失、地区代码调整和行业代码调整等问题,对此本文统一作如下处理:考虑到行业代码在2003年进行过调整,根据《国民经济行业代码标准(GB/T 4754-2002)》对行业代码予以统一;由于样本期间内地方政府有大量行政区域的拆分与合并,以GB/T2260-2002行政区划和代码为基准对行政区域代码予以统一;删除非制造业行业数据。样本的描述性统计如表2所示。
表2 描述性统计
我们首先使用固定面板模型进行估计,结果如表3所示。表3第(1)列为城市层面制造业就业量与制造业企业平均工资的线性关系,可以看出ln_city_emp的系数显著为正,表明城市整体制造业就业水平对企业平均工资具有促进作用。为了探究城市内部不同空间内制造业集聚对劳动力工资影响的差异,列(2)中将城市总体制造业就业量分解为由近及远的5个区域内的就业量进行了检验。结果表明,中心区的回归系数较小且不显著,而中心边缘区、近郊区、远郊区和偏远地区的回归系数均显著为正,整体呈现出先增后减的非线性变化趋势,即各环的回归系数随其到中心区距离的增大而逐渐减小。
表3 OLS估计
中心区域的系数不显著的原因可能在于,中心区域存在较强的拥挤效应,使得制造业集聚在中心区域形成的集聚效应被拥挤效应抵消,从而难以形成集聚经济。由上述分析结果可以得到一个初步判断,即城市制造业集聚是引起工资增长的重要因素,城市内部的制造业集聚效应在空间分布上呈现出非线性特征。不过,我们需谨慎对待初步回归结果,因为上述分析并没有充分考虑到制造业集聚与劳动力工资之间可能存在的内生性问题。一般而言,高工资代表了高劳动生产率,且高工资会引起劳动力的进一步集聚,因而至少存在由反向因果问题可能导致的结果偏差(吴晓怡和邵军,2016;Combes et al.,2006)[4,7]。
1.工具变量选取。为克服潜在的内生性,我们采用工具变量法进行两阶段估计。工具变量的选取拟从地理特征和历史特征两个维度入手。首先,地理特征与工资水平无关,但会直接影响当前的劳动力集聚程度,因此本文将城市不同区域的地面平均坡度和地表粗糙度作为地理维度上的工具变量。地面平均坡度通过坡上两个不同点间高度差与其水平距离的比值度量,越小的地面平均坡度越有利于道路修建并提高道路限速标准,降低企业交易成本,同时也有利于企业厂房的修建。地表粗糙度表示地表的起伏变化与侵蚀程度,地表粗糙度越高,越会增加道路维修成本和降低道路密度,区域间商品交易的成本也会攀升,因而企业更可能在相同区域聚集。以上两类地理特征指标均可利用Arcgis软件的90m×90m DEM测算得到。其次,历史集聚水平会影响当前的集聚水平,但相隔时间越长,与当前经济状况的相关性越低(吴晓怡和邵军,2016)[4]。同时,考虑到本文主要以城市内部各区域为考察对象,且1995年之前的工业企业调查数据缺乏就业的空间分布信息,因此本文最终采用1995年的调查数据测算各区域内的就业量,并将此作为历史维度上的工具变量。综上,本文选取了地面平均坡度、地表粗糙度与1995年的企业劳动力数量作为不同环内制造业企业就业量的工具变量,接下来将对工具变量与企业劳动力总数的关系进行简单描述。④
图2给出了城市不同区域的1995年制造业就业量、地面平均坡度、地表粗糙度与制造业就业量间的变化趋势。首先,随着各区域到城市中心区域距离的增大,地面平均坡度与地表粗糙度逐渐提升。考虑到相比于外围区域,城市中心区域往往设立在较为平坦的地区,因此越远离市中心,地面坡度和粗糙度相对越高。但也要注意到,本文划定的同心圆环包括圆环内的所有区域,鉴于圆环内部分区域的坡度和粗糙度可能较高,还有部分区域的坡度和粗糙度可能较低,因此整体来看各圆环对应的坡度和粗糙度实际是圆环内所有区域的平均值。其次,随着地面平均坡度和地表粗糙度的逐渐增大,制造业就业量明显减少,表现为负相关关系。相比而言,在各同心环内,1995年制造业就业量与当前就业量具有大致相同的变化趋势,表现为正相关关系。进一步的回归结果显示,制造业劳动力数量与地面平均坡度和地表粗糙度均显著负相关,估计系数分别为-0.108和-0.002,与1995年制造业劳动力就业量显著正相关,估计系数为0.627。
图2 地理特征、历史特征和当前集聚水平
2.工具变量的估计结果。城市制造业集聚对劳动力工资影响的工具变量估计结果如表4所示。其中,第(1)列从整体层面上估计了城市就业规模对劳动力工资的影响,第(2)至(6)列依次将同心环内的就业量加入模型,用于考察城市内部制造业集聚对劳动力工资的空间异质性影响。对工具变量的检验结果表明,本文所使用的估计方法和工具变量较为合理,具体结果为:D-W-H内生性检验结果拒绝了解释变量外生的原假设;LM检验拒绝了工具变量与内生变量无关的原假设,即工具变量与内生解释变量相关;K-P Wald F统计量均大于10,进一步表明不存在弱工具变量问题;Hansen J统计量对应的P值均大于0.05,表明工具变量均为外生变量。
表4第(1)列显示,城市制造业就业量(ln_city_emp)的系数显著为负,说明城市制造业集聚在整体上不利于劳动力工资水平的提升,这一结果与预期并不一致。那么,为什么会出现这样的结果?理论上来说,集聚经济作用的发挥应该是正向集聚效应和负向拥挤效应相比较的结果:若正向集聚效应强于负向拥挤效应,则制造业集聚会起到提升劳动力工资的效果;若负向拥挤效应更强,则制造业集聚反而会阻碍劳动力工资水平的提升。事实上,吴晓怡和邵军(2016)[4]、张明斗和王亚男(2021)[27]均发现制造业集聚对劳动力工资的影响可能呈倒U型,即随着集聚程度的加强,拥挤效应会逐渐强于集聚效应,一旦集聚程度超过某一阈值,制造业集聚反而会对劳动力工资产生负向影响。本文的研究发现意味着,在我国大部分城市中制造业的集聚强度可能已经高于最优值。当然,这可能与现有制造业企业的集聚区位有关,如果能更为合理地调整制造业企业集聚的区域分布,则集聚程度的阈值会相应提升,此时城市制造业集聚对劳动力工资依然可能会发挥出显著的正向提升作用。如果这一猜想成立,则需进一步考虑,城市中的制造业企业应该在何地集聚才最优?要想对该问题进行解答,需先明确城市内部制造业集聚对劳动力工资的空间异质性影响。
表4第(2)至(6)列分别列示了各同心环的相应估计结果。其中,第(2)列仅将中心区内的制造业就业量纳入了模型,估计结果显示中心区内的制造业就业量对制造业企业的工资水平并无显著影响。在此基础上,第(3)列继续将中心边缘区域内的制造业就业量纳入了模型,结果显示该地区的制造业就业量对制造业劳动力工资具有显著负向影响。相较而言,当第(4)列继续加入近郊区的制造业就业量后,可以发现该区域内的制造业就业量对制造业劳动力工资水平具有显著提升作用。然而,在将更大范围地区的制造业就业量纳入模型后,我们发现在远郊区及以外地区的制造业就业量对制造业劳动力工资并无显著影响。虽然以上结果并没有否定城市内部制造业集聚经济效应的非线性变化,但各个区域的系数方向以及显著性水平均发生了变化。与城市整体集聚对劳动力工资的影响一样,这样的系数变化主要是由各个区域内部的集聚效应和拥挤效应的综合作用所导致。
表4 (续)IV估计
表4 IV估计
在距离城市中心较近的区域(中心区、中心边缘区),制造业集聚对劳动力工资并没有产生正向提升作用,可能的原因在于该区域内集聚产生的负向拥挤效应强于正向集聚效应。首先,距离城市中心越近,交通拥堵、环境污染和劳动力拥挤等问题越严重,这会极大降低企业的劳动生产率。其次,城市中心区和中心边缘区域往往都是人口更为集中的市区,教育和医疗等资源也更为优越,企业在该区域选址会有更强的工资议价能力,同时企业也会因较高的地租而具有更强的降低劳动力成本的动机。相较而言,在离城市中心稍远的区域,由于拥挤效应具有更快的衰减特征,因此制造业集聚对劳动力工资的影响会呈现出较大差异。典型地,近郊区域的制造业就业量对劳动力工资具有显著的正向提升作用,而在离城市中心较远的远郊区及偏远地区,由于集聚效应的衰减,最终使得制造业就业量对劳动力工资的正向影响逐渐减弱。
需要注意的是,本文发现制造业集聚对劳动力工资的影响会随其到城市中心距离的增大而呈非线性变化,与已有研究认为的影响会随其到中心区域距离的增大而逐渐衰减的规律并不相符。可能的原因有两点,其一,已有研究大多分析的是产业集聚对人力资本的影响,而本文则是以制造业企业为单位,探讨集聚对企业平均工资的影响。考虑到城市中心城区的人力资本密度更高,制造业企业往往在城市非中心区选址,因而两者在城市空间分布上存在差异。其二,已有研究采用的地理单位较为宽泛,这会导致更大的同心环内的集聚指标测算出现误差。相较而言,本文结合使用企业的详细地址信息和GIS软件,能够更好地减少测量误差,所得结论也更为可信。
在控制变量方面,人力资本水平(hr)、劳动生产率(ln_lp)、盈利能力(ln_pe_profit)、国有资产比例(SOE)和国外资本比例(FOR)对劳动力工资均具有显著正向影响,这符合我们的预期。其中,国有资产比例的系数显著为正意味着国有企业存在过度支付现象,而国外资本比例的系数显著为正则表明外企先进的生产和管理水平能够起到提升劳动力工资的作用。各城市到港口的最近距离(min_dis)对劳动力工资的影响并不显著,这可能是因为各城市到港口的距离既反映了企业进入国际市场的机会,又隐含了企业需面对的来自国际市场的竞争压力。尤其是在我国当前生产技术水平较低的情况下,制造业企业很容易受到国外冲击,只能依托于价格优势进行竞争,而这显然会压低劳动力所得。
根据前文分析,无论是基本回归结果还是分样本估计结果,都表明城市内部制造业集聚对劳动力工资具有非线性的空间异质性影响。为确保结论的可靠性,本文进一步从估计方法和指标选择两个方面进行稳健性分析,结果如表5所示。
第一,尽管表4中的弱工具变量检验和过度识别检验结果证实了工具变量的有效性,但我们依然担心异方差问题或弱工具变量问题会影响到本文结论。作为对工具变量估计的有效补充,GMM方法对异方差更不敏感。LIML方法只需利用部分结构式提供的有限信息,对于弱工具变量的情形参数估计量仍具有一致性。使用GMM方法和LIML方法的估计结果如表5第(1)和(2)列所示,可见尽管采用这两种估计方法得到的结果与表4的估计结果在系数大小和显著性上稍有差异,但本文结论依然成立。
第二,尽管本文已使用制造业企业就业规模表征各圆环区域内的集聚程度,但我们仍然担心就业规模指标不能够完全反映制造业企业的集聚程度,尤其是若仅有规模较大的少数企业集聚,则可能会导致各区域集聚程度的错误测算。此外,制造业集聚只有在较高经济密度下才能够引起知识和技术溢出,但不同规模城市的圆环区域大小并不一致,对于较大面积的圆环区域其经济密度可能并不高。因此,本文分别采用区域内的企业数量和就业密度作为企业就业量的代替指标进行再估计,结果如表5第(3)和(4)列所示。可见,估计结果同样证实了本文的基本结论。
表5 (续) 稳健性检验
表5 稳健性检验
如前所述,由产业集聚引致的拥挤效应会依城市规模和城市化水平而异,由此制造业集聚对劳动力工资的空间异质性影响可能也会依城市规模和城市化水平不同而不同。为验证这一观点,本文将从城市规模和城市化水平两个视角对样本进行分类,以考察城市内部制造业集聚对劳动力工资影响的空间特征在不同类型城市中是否存在差异。
集聚经济的形成依赖于规模经济的产生,因而也会受到城市规模的影响。在规模较小的城市中,制造业企业所在的工业园区纵然距离城市中心较近,但由于其本身的劳动力规模较小,可能欠缺集聚优势。相较而言,在规模较大的城市中,集聚区域可能距离城市中心区域较远,但较大的劳动力规模往往也意味着较强的集聚优势。因此,两类城市中的制造业企业空间分布差异可能会导致集聚对劳动力工资的空间异质性影响存在差异,有必要将样本城市按规模大小予以分类考察。本文根据1998年国务院对城市规模的划分标准将样本城市划分为大城市和中小城市两类,估计结果如表6第(1)和(2)列所示。
估计结果显示,两类城市内部的制造业集聚对劳动力工资的空间异质性影响确实存在一定差异,但空间非线性特征均仍然存在。相较于中小型城市,大型城市中制造业集聚对劳动力工资的正向影响程度更强,且影响范围也更为宽泛。具体而言,在大型城市的近郊区和远郊区两个同心环内,制造业集聚对劳动力工资均具有显著提升作用,但在中小型城市中仅在近郊区有显著正向影响。这印证了前文的结论,即制造业企业的区位选择和规模会影响中小城市的集聚效应,使得制造业集聚在中小城市中的作用范围更小且影响更弱。
制造业集聚存在受益门槛,当城市相应特征指标(如城市化水平等)没有达到门槛值时,城市经济可能很难或无法从集聚中获益(Verstraten et al.,2018)[16]。具体而言,城市化水平越高,所汇聚的劳动力和资本等生产要素就越多,集聚力度也越强,因而更容易从集聚中获益。与之相对应,在部分城市化程度较低的城市中,由于无法形成足够的集聚经济,因此难以获得相应收益。如果上述观点成立,那么可以预期城市化水平的差异会导致制造业集聚在城市空间上的异质性影响存在差别。为对此进行检验,本文将非农业人口占总人口的比例作为城市化水平的测度指标,并据此将样本城市划分为高城市化水平城市和中低城市化水平城市两类,估计结果如表6第(3)和(4)列所示。
表6 (续) 依城市规模和城市化水平分类的估计结果
表6 依城市规模和城市化水平分类的估计结果
估计结果显示,高城市化水平的城市确实具有更强的集聚效应和拥挤效应,表现为中心区和中心边缘区内制造业集聚对劳动力工资具有显著负向影响,而在中低城市化水平的城市中该影响并不显著,表明在高城市化水平的城市中离城市中心较近的区域所产生的拥挤效应更强,亟需优化城市空间结构。从更远的近郊区来看,该区域内的制造业集聚在高城市化水平的城市中对劳动力工资具有显著提升作用,且在1%的水平上显著,而在中低城市化水平的城市中尽管对劳动力工资也有提升作用,但强度较小,且仅在10%的水平上显著。上述估计结果意味着,在中低城市化水平的城市中制造业集聚所产生的集聚经济效应尚有较大提升空间,若能够促使制造业企业集聚的区位向中心区域偏倚,则可更好发挥制造业集聚对劳动力工资的提升作用。
本文以制造业集聚为分析重点,利用中国工业企业数据分析了我国城市内部制造业集聚对劳动力工资的空间异质性影响,主要得到了三个结论。第一,制造业集聚对劳动力工资的影响在城市内部并非随集聚区域到中心区域距离的增大而逐渐衰减,而是呈现出非线性变化态势。具体地,在城市中心区域制造业集聚对劳动力工资的影响并不显著,在中心边缘地区则具有负向影响,在近郊区又转为正向影响,并在之后随其到城市中心距离的增大而逐渐衰减。第二,制造业集聚在大城市的正向作用范围更广,在中小城市则主要集中在中心及中心边缘区域。第三,制造业集聚在高城市化水平的城市中具有更强的集聚经济强度,而在中低城市化水平的城市中其集聚经济强度则相对较弱。
根据研究结论,本文提出两点政策建议:第一,各城市可尽快设立制造业集聚的外围中心,并采取产城融合的方式,以保证制造业企业在向外扩散后能够享受到同等的基础设施和公共服务条件,保证迁移企业的生产效率,在外围地区快速形成集聚经济;第二,制造业企业向外迁移可作为城市产业空间升级和结构调整的有利条件,在制造业企业逐渐外迁的过程中可引导更多服务业和高技术产业企业进驻城市中心区域,避免出现制造业外迁形成的就业压力和城市蔓延导致的规模不经济问题。
注释:
①此时拥挤成本会表现为企业的劳动力成本、地租成本以及劳动力的住宅成本,实际上可能还会有环境污染、交通拥堵等其他成本,其分析逻辑与这里一致。
②为验证本文结论的稳健性,在下文稳健性检验部分,本文分别将圆环内的就业密度和企业数量作为集聚水平的测度指标。
③使用名义工资的原因在于,相对于实际工资而言,名义工资更容易被观察,从而使得劳动力倾向于往名义工资较高的地区流动。
④需要说明的是,图2仅是在城市整体层面直观描述了区位地理条件、历史条件与劳动力数量之间的关系,实际所使用的工具变量是各城市不同区域对应的地理或历史条件差异。