中国城乡人口流动趋势分析

中国城乡人口流动趋势分析

【摘要】从1978年到2002年的二十多年时间里，中国农村剩余劳动力大量涌入城市，给城市就业、交通和环境造成了一系列问题。城市失业率从八十年代后期开始逐年上升，然而，城市就业压力的增大但却未能阻止农村劳动力的外流。目前，“三农”问题受到社会高度关注，本文以托达罗人口流动模型为理论基础，对中国城乡人口流动展开定量分析，预测未来人口流动趋势，为我们的城市化进程规划和城市流动人口政策制定提供数据支持。

【关键词】城乡人口流动托达罗人口流动模型趋势

九十年代的中国，城市经济高速增长，而农民依旧靠天吃饭，收入增长非常缓慢。1981年，城乡收入分别为479.9024和217.951，而2002年，城乡收入分别为7702.8和2475.6。即使扣除物价上涨因素的影响，城乡收入的绝对差距也扩大了4.4倍，高于同期收入增长幅度。城乡收入差距的拉大使农村剩余劳动力大量涌入城市，从1978年到2002年，从农村流向城市转移剩余劳动力总量超过2亿。由于我国城市基础设施建设的落后以及流动人口相关政策的缺乏，城乡流动人口给城市带来了较大的冲击。

农村剩余劳动力向城市转移是农民增收的重要途径，“三农”问题是当前社会热点。但是，现有研究大多注重定性分析，缺乏定量分析。下面，我们将以托达罗人口流动模型为理论基础，建立计量经济模型，将定量分析与定性分析相结合，针对中国城乡人口流动趋势展开研究。

一、托达罗人口流动模型简介

前提假定：1、发展中国家农村部门不存在剩余劳动力2、城市工业部门工资水平是由政治因素决定的，因而是上升的。

托达罗认为农业劳动者迁入城市的动机主要取决于城市现代工业部门预期收入（即未来某年的预期收入与就业概率的乘积）与农业部门预期收入（即未来某年的实际收入）的差异，且人口流动是预期收入差异的增函数。用公式表示：

M=f(v(0)) 0

f

`>

其中M表示人口从农村迁移到城市的数量，v(0)表示城乡预期收入差距，0

`>

f表示人口流动是预期收入差异的增函数。同时城乡预期收入差距可以表示为：

v(0)=p*Ya-Yr

其中Ya是城市实际工资率，Yr是农村平均实际收入，p表示就业概率。托达罗认为，在任一时期迁移者在城市现代部门找到工作的概率与现代部门新创造的就业机会成正比，与城市失业人数成反比。他还进一步把人口流动模型建立在较长时间范围的基础上，得到一个迁移者在现代部门找到工作以前n期净收入贴现值的公式：

t

t u M dM Vt M dMt ++++=+∑∑-)(0

1

1

ββ

α

其中Yu(t)表示t 期城市实际工资率，Yr(t)表示t 期农村实际工资率，n 表示计划范围内的时期数，r 表示贴现率，C(0)表示迁移成本，p(t)表示一个迁移者t 期中在现代部门获得工作的概率（累加的就业概率）。

按照托达罗的观点，若V(0)>0，农村人口流入城市，城市净人口增加；若V(0)<0,城市净流入人口不会增加，甚至减少。

二、模型设定

托达罗人口流动模型假定农村流入城市的人口无论找到工作与否都会留在城市，所以模型中采用的变量是新增流动人口和预期收入差距，是个人口流动的增量模型。但是，结合中国实际情况，农民多在年初进入城市，年底回家过年。农民将在年初决定是否进城或者是否再次进入城市。即使部分农民年底不返乡，他们也会对自己是否继续留在城市作出选择。中国城乡人口流动具有显著的周期性，所以，中国城乡人口流动更多地表现为一个总量的流动，而非在原有基础上的一个简单增量。

另外，由于人口流动是一个渐进的过程，所以，我们在借鉴托达罗人口流动理论的基础上，引入了上期流动人口总量这一滞后变量。最终，我们将城乡流动人口总量模型设定为：

t t u M Vt Mt +++=-110ββα

其中，Mt 表示t 年城乡人口流动总量，Vt 表示t 年城乡收入差距。 我们将1977年城乡人口流动总量设为0M ，则模型可表示为：

即：∑∑+++-+=-t t u dM

Vt M dMt 1

1

1

)1(βββα

设01*)1(M -+=βαα，则模型表示为：∑∑+++=-t t u dM Vt M dMt 1100*ββα

说明： E —— 城市就业率

r ——农村人均收入 k ——城市人均可支配收入 Jr ——农村物价指数 Jk ——城市物价指数

dMt ——t 年城乡流动人口增长量

∑t

dM ——从1978年到t 年城乡流动人口增长量之和

Vt ——预期收入差距(t t t t t Jr r Jk Ek V //-=)

代入数据回归得： Dependent Variable: M Method: Least Squares

Date: 01/01/05 Time: 11:31 Sample(adjusted): 1981 2002

C 690.5335 176.5075 3.912205 0.0009 V 2.390348 1.161589 2.057826 0.0536

R-squared

0.996548 Mean dependent var 12469.00 Adjusted R-squared 0.996185 S.D. dependent var 5760.929 S.E. of regression 355.8441 Akaike info criterion 14.71299 Sum squared resid 2405876. Schwarz criterion 14.86177 Log likelihood

-158.8429 F-statistic

2742.540 所以，∑∑+++=-t t e dM Vt dMt 19317.03903.25335.690

996185.0,996548.02

_2

==R R 且F 大于临界值，t 检验显著，故模型拟合较好。

四、模型检验

F-statistic 1.095513 Probability 0.390358

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares Date: 01/03/05 Time: 21:44 Sample: 1981 2002 Included observations: 22

C -497143.9 328957.0 -1.511273 0.1491 V 2963.298 1863.753 1.589963 0.1303 V^2 -1.031812 1.188923 -0.867854 0.3976 M(-1) 14.52247 46.12928 0.314821 0.7567 M(-1)^2

-0.003698

0.002761

-1.339759

0.1980 R-squared

0.204941 Mean dependent var 109358.0 Adjusted R-squared 0.017868 S.D. dependent var 166414.6 S.E. of regression 164921.2 Akaike info criterion 27.06104 Sum squared resid 4.62E+11 Schwarz criterion 27.30900 Log likelihood -292.6714 F-statistic 1.095513 Durbin-Watson stat

1.390178 Prob(F-statistic)

0.390358

F-statistic 3.095576 Probability 0.094599 Obs*R-squared

2.942086 Probability

0.086299

Test Equation:

Dependent Variable: RESID^2 Method: Least Squares