Government Governance and Spatial Mobility of Labor Force: From the Perspective of the Migrants' Job Location
-
摘要: 将2014—2017年全国流动人口动态监测调查数据与地级市层面数据相匹配，采用条件logit模型实证考察政府治理水平对流动劳动力就业选址行为的影响效应及作用机制。研究发现：政府治理水平对劳动力流入具有正向促进作用，政府治理水平每提高1个单位，流动劳动力到该城市就业的概率提高3.5个百分点；稳定预期、收益驱动和就业网络是政府治理水平影响劳动力就业选址行为的重要“就业硬实力”机制，追求公平包容导向则是政府治理水平影响劳动力导入的“就业软实力”机制；政府治理水平对女性、农村户籍、雇员身份、年轻人和受教育水平较高者的劳动力就业选址行为影响效应较大；政府治理水平提高不仅有利于吸引劳动力流入，而且有利于提高流入劳动力的留居意愿，是影响“引进来”与“留得住”的关键因素。Abstract: Matching the China Migrant Population Monitoring Survey Data from 2014 to 2017with the data from the prefecture-level cities in the same period, this paper uses the conditional logit model to examine the impact and mechanism of the level of government governance on the job location of migrants. It is found that the level of government governance has a positive effect on the job location of migrants; the probability of job location of migrants will be increased by 3.5 percentage points when the level of government governance is increased by one percentage point; stable expectations, providing a higher income and employment network are the important fundamental mechanisms that the level of government governance has a positive impact on the job location of employment, while fair and inclusive orientation is another supporting mechanism that the level of government governance has a greater marginal effect on those who are female, rural registered resident, employee, and young people and those with higher level of education. The findings indicate that the improvement of government governance is not only conducive to promoting the labor inflow, but also conducive to improving the migrants' willingness to stay, which is the common key factor affecting "bringing in" and "staying".
-
一、 引言
党的二十大报告指出，人口规模巨大是我国现代化的基本特征。受地区及城乡差距等因素的影响，我国流动人口的规模亦十分可观。根据第七次全国人口普查公报，2020年我国流动人口规模高达3.75亿，其中上海、深圳、北京、东莞、广州等城市的人口净流入均超过500万，但一些中小城市出现了人口萎缩，有的地方甚至还出现了“空城”现象。已有研究表明，劳动力流动不仅能提高劳动生产效率，调动劳动者的生产积极性(程名望等，2018)[1]，还能促进城市经济增长(Thomas和Young，2013)[2]。合理的劳动力流动还有利于降低地区发展差距，促进区域协调发展(陆铭和李鹏飞，2022)[3]，重塑国内经济大循环(安同良和吴致冶，2021)[4]。劳动力流动对经济发展和重大国家战略实施均具有重要影响，因而厘清劳动力流动的影响因素至关重要。
根据新古典迁移理论，迁移行为是个人理性计算、权衡经济成本与收益的结果，当迁移收益大于迁移成本时人们才会选择迁移。已有研究对劳动力流动影响因素的分析也主要围绕迁移成本与迁移收益两条主线展开。
首先，从迁移成本来看，影响劳动力流动的迁移成本主要包括经济成本、心理成本和制度性成本。经济成本方面：Rabe和Taylor(2012)[5]认为房价、房租等住房成本是阻碍流动劳动力社会融入、显著降低劳动力流入意愿的重要因素；高房价会增强劳动力的迁出意愿，挤出那些未购房的、具有高技能水平的劳动力(周颖刚等，2019)[6]。张莉等(2017)[7]认为，房价作为一种特殊的影响因素，能降低预期未来收入的不确定性，对劳动力迁移产生拉力，但房价作为居住成本也压缩了劳动力的可支配收入，进而会对劳动力迁移产生阻力。两种作用综合起来，房价对劳动力流动产生先吸引后抑制的倒U型影响。心理迁移成本方面：作为一种隐形的非货币成本，通常会以社会融入、不平等感知等主观感受影响劳动力的迁移决策(Palmer等，2011)[8]。如方言距离是心理成本中的一项代表性因素，相似的方言能迅速拉近人们之间的距离，增强其社会身份的认同感，进而提高劳动力的迁移概率(Falck等，2012)[9]；但刘毓芸等(2015)[10]认为在一定条件下方言距离对劳动力流动的作用呈先促进、后抑制的倒U型模式，即方言距离越大，劳动力迁移概率越高，但当超过临界值时，方言距离会抑制劳动力流动。制度性成本方面：户籍制度以权益福利的限制和巨大的生活成本阻碍了劳动力自由流动(梁琦等，2013)[11]；但允许土地流转有利于释放农村剩余劳动力和促进农村人口迁往城市(周文等，2017)[12]。
其次，从迁移收益来看，影响劳动力流动的迁移收益主要包括就业机会和工资收入等经济收益、宜居的自然环境以及更好的生活品质等。经济收益方面：劳动力迁移是为了获得更多工作机会，因而本地就业机会越少，迁移概率越高(刘学军和赵耀辉，2009)[13]；工资收入是影响劳动力流动的主要因素(Zhu，2002)[14]，劳动力空间流动由区域间工资收入差异所导致(Su等，2018)[15]，流入内陆地区以及农村户籍的劳动力在做迁移决策时尤其注重工资报酬带来的经济收益(张超和陈思，2021)[16]。自然环境方面：城市良好的生态文明对劳动力流入具有显著促进作用，生态建设越好的城市对劳动力越有吸引力(张海峰等，2019)[17]；相反，空气污染会降低人们的生活质量和健康状况，阻碍劳动力的流入(孙伟增等，2019)[18]。生活品质方面：城市的基础教育和医疗服务等公共服务亦是劳动力迁移的重要考量因素，一般而言，劳动力流向公共服务好的城市的概率更高(夏怡然和陆铭，2015)[19]；消费娱乐等城市服务对劳动力流动也会产生促进作用(Navarro等，2014)[20], 城市服务的多样性能显著降低流动人口的迁出意愿，尤其是年轻化和高技能的劳动力对服务多样性等生活品质的敏感程度更高(张文武和余泳泽，2021)[21]。
党的“十四五”规划提出，要加强国家治理体系和治理能力的现代化建设，破除制约高质量发展、高品质生活的体制机制障碍，建设职责明确、依法行政的政府治理体系。可见政府治理水平事关城市的高质量发展和居民生活品质的提升，进而会深刻影响劳动力的空间迁移成本与迁移收益。现有研究对劳动力流动影响因素的分析已取得不少成果，但缺少从政府治理水平视角对劳动力空间迁移动因进行系统性研究。
鉴于此，本文将2014—2017年全国流动人口动态监测调查数据与地级市层面数据相匹配，采用条件logit模型实证考察政府治理水平对流动劳动力就业选址行为的影响效应及作用机制。研究的创新点主要体现在以下三个方面：(1)基于政府治理水平视角，采用微观个体和城市层面相匹配的数据，从廉洁政府、数字政府、效率政府等多个维度，定量考察政府治理水平对劳动力空间流动的就业选址行为的影响效应；(2)从“就业硬实力”和“就业软实力”两方面入手，揭示政府治理水平对流动劳动力就业选址行为影响的内在路径及群体异质性特征；(3)既考察如何将劳动力“引进来”，也分析如何将劳动力“留得住”，通过全面探究人才流入的短期与长期问题，为政府完善就业制度、吸引劳动力、留住人才提供有益借鉴。
二、 理论分析与研究假说
劳动力空间流动是劳动力事前做出的主观决策，对备选城市的心理预期和对流入地未来的不确定性感知将直接影响劳动力的就业选址行为，因此本文首先从心理预期视角分析政府治理水平影响劳动力流动的作用渠道，即提出稳定预期机制。其次，根据上文分析，人们的迁移决策取决于对迁移收益和迁移成本的衡量，其中工资收入和就业机会等经济收益是首要的迁移收益，同时心理迁移成本和制度性成本则是劳动力迁移成本的重要方面。因而本文还将从工资收入方面的迁移收益视角提出收益驱动机制，从就业机会方面的迁移收益视角提出就业网络机制，从心理成本和制度性成本方面的迁移成本视角提出公平包容机制。
（一） 稳定预期机制
凯恩斯的预期理论指出，未来不确定性对于人们的经济行为具有决定性的影响。流动人口对备选城市带来的效用预期越高，则选择进入该城市就业的概率也越高。地方政府在城市治理过程中能形成一种独特的无形资产——城市声誉，但城市声誉的建立是一个长期动态重复博弈的结果，它不仅是人们的印象、认知以及质量信号的反映，同时也是地方政府治理效果和城市竞争力的良好表征(朱金鹤等，2021)[22]。城市声誉对于政府治理有激励约束作用，政府部门会选择一个较高的努力程度，保持良好的城市治理水平，努力形成良好的城市声誉。而根据信号理论，良好的城市声誉具有较强的信号作用，它将向流动劳动力释放当地具有更稳定的社会秩序、更公平的就业环境、更规范的市场环境以及更舒适的生活环境等积极信号，有利于提高政府的公信力，稳定流动劳动力对备选城市的心理预期，降低劳动力对未来前景的不确定性预判，增加劳动力对当地的“信心效应”或是“间接财富效应”，形成积极的情感认知，进而激发劳动者迁移的精神向往，提高劳动力的迁移意愿和选择到该城市就业的概率(Erdem和Swait，2016)[23]。
（二） 收益驱动机制
劳动力迁移通常是在权衡迁移收益与迁移成本的基础上做出的决策。在不考虑迁移成本的前提下，能提供更高迁移收益的城市往往对流动劳动力更具吸引力。首先，较高的政府治理水平能通过提升劳动力工资方面的迁移收益来吸引劳动力流入。因为治理水平较高的地方政府往往具有良好的资源组织能力，能将制度优势转化为发展效能(文雁兵等，2020)[24]，促进经济增长(Acemoglu等，2015)[25]。良好的政府治理还有利于消除垄断势力，破除企业迁入障碍，进而有利于从需求侧提高劳动力工资水平。其次，良好的政府治理水平能为企业提供良好的营商环境，通过节约运营成本和减轻税收负担(张凯强和陈志刚，2021)[26]提高企业全要素生产率。随着企业全要素生产率的提升，利润水平也将随之提高，进而可通过利润分享提升劳动力的工资水平。最后，具有良好治理水平的地方政府能提供更好的公共就业服务，创造更多技能培训机会，增强劳动力的就业议价能力和竞争优势，进而可提高劳动力的工资水平和就业质量。
（三） 就业网络机制
作为一项非正式制度，关系网络对劳动力的就业和迁移决策具有重要影响。良好的政府治理水平有助于增进劳动力的社会关系网络，进而提升其选择到该城市就业的概率。首先，良好的政府治理水平能带来稳定的社会秩序和较好的市场环境，有利于降低交易成本，提高交易频次与效率，进而助力社会信任水平的提高及稳定的社会关系的建立。社会信任水平越高，劳动力越倾向于与更多异质性群体的交流互动，而这会提升社会互动质量，有助于更广泛的社会网络的建立(Guiso，2012)[27]。而异质性社会网络的建立有利于积累更多非重复性的就业信息，降低劳动力的信息搜寻成本，扩展就业信息获取渠道，加速就业信息的流动和共享，极大丰富流动劳动力的就业机会(Montgomery，1991)[28]，提高劳动力选择到该城市就业的概率。其次，政府治理水平较高的地区通常有良好的政策激励和较好的发展环境，因而更利于招商引资、集聚产业。而产业集聚势必会创造大量就业岗位，吸引大量劳动力涌向产业集聚区。此时，企业能快速雇佣到所需的劳动力，劳动力的岗位匹配效率也会得到提高，进而会对劳动力选择到该城市就业产生积极影响。
综上，稳定预期机制、收益驱动机制和就业网络机制等代表了“就业硬实力”，对流动劳动力的就业城市选择具有正向影响。基于上述分析，本文提出：
假说1：良好的政府治理水平能提高流动劳动力到该城市就业的概率；
假说2：良好的政府治理水平能通过稳定预期机制、收益驱动机制和就业网络机制等“就业硬实力”，提高流动劳动力到该城市就业的概率。
（四） 公平包容机制
社会公平是国家治理现代化的基本目标。良好的政府治理水平不仅能提高机会均等性，还能增强人们的公平感知，提升流动人口的认同感和获得感，进而促进流动劳动力选择到该城市就业。首先，良好的政府治理水平能减少寻租行为，降低交易成本，削弱腐败对机会和分配公平造成的负面影响，有利于提升劳动力的机会均等性。另外，政府治理水平较高的地区，其财政管理更公开透明，公众对财政资金的使用效率和公平分配也能进行更有效的监督，人们的公平感知也更高。其次，政府治理水平较高的地区，其公共服务投入力度较大，且能以合理的财政资源配置结构推动公共服务的均等化建设(王胜华，2021)[29]，因而流动劳动力能更公平地、可及地享有均等的公共服务。最后，良好的政府治理水平能更好地推进多元文化和谐共生，消除流动劳动力的进入壁垒与劳动力市场歧视，提高流动劳动力的社会身份认同感，激发流动劳动力的主人翁意识，提升劳动力流入该城市的归属感和获得感。简而言之，良好的政府治理水平通过影响机会均等性、提升劳动力的公平感知、提高公共服务均等性以及破除外来人口歧视等“就业软实力”举措，能提升城市的公平和包容性发展。而包容性发展成果更能由弱势群体所享受(张勋和万广华，2016)[30]。目前，农村户籍、女性以及雇员身份的劳动力往往受到户籍歧视和劳动力市场上的不公待遇，处于就业弱势地位，而良好的政府治理水平恰好能提高机会均等性和破除劳动力市场歧视，从而对其就业选址行为的促进作用更大，由此体现公平包容机制。基于上述分析，本文提出：
假说3：政府治理水平对女性、农村户籍、以及雇员身份劳动力就业选址行为的促进效应更大，由此体现公平包容机制。
三、 模型设计、变量说明与数据来源
（一） 模型设定
本文的被解释变量为就业选址行为，其对于备选城市而言属于0-1响应变量，因而以线性回归方法进行实证研究将会引致一系列问题。而条件logit模型具有能将任意数值映射到0-1区间之内的特性，且可避免由于个人层面遗漏变量导致的估计偏差，因而本文选择条件logit模型进行估计。假定个体i的就业选址行为有j个备选方案，则具体计量模型可构建如下：
$$ { choice }_{i j t}=\beta_0+\beta_1 \text { gov }_{j t}+\beta_2 X_{i j t}+\varepsilon_{i j t} $$ (1) 其中：choiceijt为被解释变量即就业选址行为，这是一个虚拟变量，其中choiceijt=1表示流动人口i在年份t选择到城市j就业，choiceijt=0表示流动人口i在年份t没有到城市j就业；govjt代表核心解释变量，即j城市在t年份的政府治理水平；Xijt代表t年份劳动力i流入城市j的控制变量；βi为待估参数，其中β1为本研究重点关注的核心解释变量govjt的系数，表示政府治理水平对流动劳动力就业选址行为的影响效应；εijt为误差项。
由于条件logit模型是非线性模型，其系数不能直接用于解释边际影响，因而采用平均边际效应进行分析，表达式如下：
$$ P E=\frac{\partial P(y=1 \mid x)}{\partial x}=g(x) \beta $$ (2) 其中，PE表示边际效应，y表示被解释变量就业选址行为，x表示核心解释变量以及控制变量，g(·)为概率密度函数，β是估计系数。
由于每一个流动劳动力i在就业地选择时均有多个备选城市，借鉴洪俊杰和倪超军(2020)[31]以及孙伟增等(2019)[18]的研究，先按户籍地统计得出每个省份流动人口的流入城市，再将这些城市作为该省份流动人口就业选址行为的备选城市集，以降低模型的运算量，并通过基于同一省份人口的同源性和相似性来保证估计结果的准确性。
（二） 变量说明与数据来源
1. 被解释变量：就业选址行为(choice)
若流动人口在某年份选择到某城市就业，则变量choice取值为1，否则取值为0。相关数据来自全国流动人口动态监测调查(CMDS)，调查对象为在流入地居住1个月及以上、非本区(县、市)户籍的15周岁及以上流入人口。全国流动人口动态监测调查数据(CMDS)目前仅更新至2018年，而2018年流动劳动力的户籍地信息缺失，因而选择2014—2017年的数据进行实证分析。为便于研究，对数据集作如下处理：(1)因流入时间较长的样本可能存在先流出再流入的现象，为精准识别劳动力就业选址决策的影响因素，本文只选取流入本地时间不超过1年的样本；(2)剔除流动原因为非务工经商的样本；(3)为使前后保持一致，仅将2017年数据的户籍地地址保留至省份层面①。
① 2017年数据中的户籍地字段为具体县级地址。
2. 核心解释变量：政府治理水平(gov)
所谓政府治理，是指政府行政系统作为治理主体对社会公共事务的治理(王浦劬，2014)[32]。La Porta等(1999)[33]将好的政府定义为运行高效且保持廉洁，同时提供必要公共服务的政府。关于政府治理水平的量化分析，有学者采用公职人员行政管理费用、市场化指数等指标来测度(张军等，2007)[34]；“官员作用论”者则使用教育程度、个人经历等官员自身禀赋来代理政府治理水平[24]。世界银行公布的全球治理指数(WGI)是最具代表性的政府治理衡量方法，其测度指标主要涉及政府腐败程度、政府效率、法治化与政治稳定等方面，其中腐败程度反映了政府治理态度，是衡量政府治理水平的关键指标。财政透明度是推进国家治理体系现代化与提升治理能力的关键所在(储德银和左芯，2019)[35]，是完善政府治理的必然要求和“廉洁政府”的重要表征；良好的财政透明度不仅能抑制寻租和腐败(黄寿峰和郑国梁，2015)[36]、提高财政效率(Yamamura和Kondoh，2013)[37]，同时还能激励政府官员行为，提高政府绩效(孙琳和方爱丽，2013)[38]；财政信息公开透明度越高的地区，政府治理水平往往也越高(刘俸奇等，2021)[39]。这些研究表明，财政透明度水平可以较好地表征地方政府治理水平，因而本文从腐败程度视角选取财政透明度作为政府治理水平的代理变量。相关数据来源于清华大学公共管理学院公共经济、金融与治理研究中心课题组每年定期发布的《中国市级政府财政透明度报告》，该报告基于政府门户网站中的三公经费、专项资金、公共财政预算执行情况、政府采购、政府性债务等多项信息，对地级市政府财政透明度进行了较为全面的评价。
3. 控制变量
本文的控制变量主要包括：(1)经济发展水平(pgdp)，使用城市人均GDP来衡量。(2)产业结构(industry)，使用第三产业占GDP的比重来衡量。(3)人口规模(pop)，用年末户籍人口数来表示。之所以采用户籍人口而非常住人口来衡量人口规模，目的是为了剔除流动人口可能带来的内生性影响。(4)地区公共服务水平。从教育和医疗两个方面来衡量地区公共服务水平，其中医疗水平(hospital)使用医院床位数来表征，教育水平(edu)使用普通高等学校所数来表征。(5)房价(hprice)，采用房屋销售额与销售面积的比重来衡量。(6)方言距离(dialect)，采用备选城市与流动者户籍省份之间是否同属一个方言区来刻画(属于为1，不属于为0)。(7)地理距离(gdistance)，根据备选城市中心经纬度与户籍省份省会城市中心经纬度计算得出。
经济发展水平、产业结构、人口规模、医疗水平、教育水平变量的数据来源于2014—2017年的《城市统计年鉴》，房价变量数据来源于CEIC数据库，方言距离变量数据来源于刘毓芸等(2015)[10]的公开数据信息，地理距离变量数据来源于高德地图。为了更加准确地反映流动人口就业选址行为的影响因素，并缓解双向因果关系带来的内生性问题，本文对核心解释变量和其他控制变量均作滞后一期处理。具体变量的描述性统计见表 1。
表 1 主要变量的描述性统计变量类型 具体变量 观测值 均值 置信区间 最小值 最大值 被解释变量 就业选址行为(choice) 8 007 765 0.009 0.098 0 1 核心解释变量 政府治理水平(gov) 8 007 765 29.575 23.898 5.930 86.511 控制变量 经济发展水平(pgdp) 8 007 765 6.391 4.576 0.833 48.309 产业结构(industry) 8 007 765 42.115 10.447 16.441 80.230 人口规模(pop) 8 007 765 0.531 0.368 0.020 3.392 医疗水平(hospital) 8 007 765 27.489 23.330 1.527 177.411 教育水平(edu) 8 007 765 15.415 20.677 1 91 房价(hprice) 8 007 765 6.602 4.240 2.248 45.146 方言距离(dialect) 8 007 765 0.493 0.499 0 1 地理距离(gdistance) 8 007 765 867.535 533.740 0 3 500.619 四、 政府治理水平对劳动力空间流动的影响效应与机制
（一） 基准回归结果
为防止变量间共线性问题对结果造成偏误，首先利用方差膨胀因子(VIF)对变量进行多重共线性检验，检验结果显示，方差膨胀因子(VIF)均值为2.09，最大值为3.94，多重共线性检验通过，即变量间不存在严重的多重共线性问题。然后使用条件logit模型分析政府治理水平对流动劳动力就业选址行为的影响效应，具体估计结果见表 2。
表 2 政府治理水平对流动劳动力就业选址行为影响的估计结果变量 (1) (2) (3) (4) gov 0.396***(111.45) 0.046***(19.15) 0.023***(6.36) 0.035***(8.48) pgdp 0.004***(57.77) 0.006***(47.48) 0.008***(62.29) industry 0.003***(166.07) 0.002***(41.47) 0.006***(76.39) pop 0.052***(57.44) 0.000 8(0.24) 0.018***(4.90) hospital 0.000 9***(12.62) 0.000 6***(8.05) edu 0.001***(23.51) 0.000 7***(14.23) hprice 0.001**(9.59) 0.005***(27.38) dialect 0.041***(24.66) gdistance -0.000 3***(-151.70) N 8 007 765 8 007 765 8 007 765 8 007 765 Pseudo R2 0.011 0.043 0.045 0.121 注：* * *、* *、*分别表示在1%、5%、10%的水平上显著。下表同。 从表 2可以看出，政府治理水平对劳动力就业选址行为具有正向促进作用，政府治理水平每提高1个单位，流动劳动力到该城市就业的概率将增加3.5个百分点，说明较高的政府治理水平有利于增强城市核心竞争力，能提升对流动劳动力的吸引力，能较好实现人口集聚与移民导入，由此假说1得证。
城市层面的特征对劳动力就业选址行为的影响也基本符合预期。其中，经济发展水平、城市人口规模均对流动劳动力在该城市就业的概率具有正向影响，表明城市具有规模效应，即劳动力更倾向于流入规模较大的城市；产业结构和公共服务对流动劳动力选择该城市就业具有积极影响，表明人们更愿意流入生活有保障、发展前景良好的城市；房价因素会正向影响流动劳动力在该城市就业的概率，这可能是因为房价存在资本化现象，作为一种信号特征，房价提高了劳动力对迁移的预期，这与夏怡然和陆铭(2015)[19]的研究结论相一致。此外，同属于一个方言区有助于劳动力选择到该城市就业，这可能是因为语言的畅通交流有利于减小劳动力流动的心理距离和社交障碍；地理距离对流动劳动力选择到该城市就业具有负向作用，可能是因为地理距离越远，迁移成本越高，导致备选城市被选的概率越低。
（二） 稳健性检验与内生性问题处理
1. 稳健性检验
(1) 从三个方面替换核心解释变量。首先，从互动交流视角表征政府治理水平。政府治理是一个上下互动的管理过程，公众在线访谈和民意征集等互动交流活动，能较好地测度政府对公众意见的回应的程度。因此，本文使用政府互动交流变量作为政府治理水平的替代衡量指标。其次，从数字政府视角表征政府治理水平。随着数字经济的飞速发展，数字技术以其较强的渗透效应不断赋能数字化政府建设，促使政府治理更加便捷、高效，数字政府已成为推进国家治理现代化的新引擎。作为电子政务的代表，在线服务指标可在一定程度上反映数字政府的建设程度，因而可使用政府网站在线服务作为政府治理水平的替代指标。以上两方面的研究数据来自中国社会科学院信息化研究中心和国脉互联政府网站评测研究中心联合发布的2014—2017年的《中国政府网站发展研究报告》。最后，从效率政府视角表征政府治理水平。行政审批中心的设立是我国行政审批制度改革的代表性成果，其通过整合跨部门的审批事项及简化审批程序提高了政府办事效率，通过推行电子监察等手段强化了审批事项的约束机制，减少了审批职权的滥用。因而可以将行政审批中心审批部门数作为政府治理水平的替代变量。数据来源于中山大学岭南学院产业与区域经济研究中心公布的中国地级市行政审批中心数据库。
(2) 更换研究样本。为防止研究选取的数据集和时间区间对结果造成偏差，使用2014—2020年城市层面的人口流动数据对研究结果进行稳健性分析。第七次全国人口普查数据显示，超过80%的流动人口是适龄劳动力，因此，城市层面的人口流动决策可以很好地衡量劳动力的就业选址行为。借鉴朱金鹤等(2021)[22]的方法构建城市层面的劳动力流动指标，具体表达式为：劳动力流动人数=常住人口-户籍人口+户籍人口变动总量-本地人口自然增长率。本文同时加入时间固定效应和城市固定效应, 使用OLS方法对城市层面劳动力流动情况进行分析。
(3) 更换备选城市集。分别将2014—2017年各年样本数据中的备选城市替换为所有城市的合集进行稳健性检验。
以上稳健性检验结果见表 3。可以看出，无论是替换核心解释变量、更换研究样本或是更换备选城市集，基准回归结果仍然成立。
表 3 稳健性检验结果变量 替换核心解释变量 更换研究样本 互动交流 在线服务 行政审批部门数 城市层面样本 (1) (2) (3) (4) gov 0.009***(21.39) 0.004***(49.42) 0.000 5***(8.44) 0.374*(1.67) 控制变量 是 是 是 是 城市固定效应 否 否 否 是 时间固定效应 否 否 否 是 N 5 066 409 5 066 409 4 450 704 1 954 Pseudo R2 0.113 0.116 0.117 0.762 变量 更换备选城市集 2014 2015 2016 2017 (5) (6) (7) (8) gov 0.293***(7.90) 0.064***(9.30) 0.045***(5.72) 0.107***(10.94) 控制变量 是 是 是 是 N 6 403 856 6 093 276 4 184 672 2 789 104 Pseudo R2 0.096 0.207 0.249 0.208 2. 内生性问题处理
鉴于条件logit模型无法控制时间层面的固定效应，下面进一步使用泊松回归模型和负二项回归模型并加入时间固定效应进行回归分析。由于政府治理水平与劳动力流动之间可能存在双向因果关系，高学历人才流入可能会提高当地政府官员的人力资本水平，进而促使政府治理水平提高。因而本文采用Hilbe两步法①，利用官员更替作为政府治理水平的工具变量进行两阶段泊松回归，以此来修正内生性问题带来的估计偏误。官员更替可打破官员长期任职形成的关系网，通过减少政企合谋等路径提高政府治理水平，但官员更替几乎不会直接影响劳动力的就业选址行为，因而可选择官员更替作为政府治理水平的工具变量。具体操作如下：以地级市市委书记变更反映地方官员的更替：市委书记在1—6月份内变更的，将当年记作变更年份；在7—12月发生变更的，将下一年记为变更年份；当市委书记发生变更时，官员更替变量赋值为1，否则赋值为0。内生性问题处理的回归结果见表 4。
表 4 内生性问题处理的回归结果变量 NB Possion Two-step Possion (1) (2) (3) gov 0.549**(2.15) 0.641***(26.22) 0.014***(10.85) 残差 -0.008***(-6.24) 时间固定效应 是 是 是 N 958 958 958 Log likelihood -4 533.805 -41 716.847 -41 697.483 ① 具体步骤如下：第一步，利用工具变量(官员更替)及其他控制变量对内生变量(政府治理水平)进行OLS估计，得到对应的残差；第二步，利用内生变量、第一步估计的残差及其他控制变量对流动人数进行泊松回归。
表 4中列(1)是负二项回归结果，列(2)是泊松回归结果，与基准结果一致，即良好的政府治理水平有利于促进劳动力到该城市就业；列(3)报告的是两阶段泊松回归结果，在经工具变量法处理后，政府治理水平正向促进流动劳动力选择到该城市就业的结果依然稳健。
（三） 机制检验
首先，验证稳定预期机制。验证稳定预期机制需先测度劳动者对选择城市的收入预期。政府治理过程中形成的良好城市声誉，会向劳动力传递备选城市具有良好工作环境等信号，从而提高劳动力的心理预期，激发劳动力对流入该城市的向往。政府治理过程中释放的声誉效应越积极，则劳动力对选择到该城市就业的预期收入越高。若流动劳动力对某一备选城市的心理预期大于其他备选城市，则流动劳动力便会选择到该城市就业。借鉴孙伟增等(2019)[18]的研究，构建分城市的家庭净收入决定方程：
$$ { netincome }_{i t}=\beta_1 \times Z_{i t}+\beta_2 \times \text { year }_t+\varepsilon_{i t} $$ (3) 其中，被解释变量netincomeit是被调查者i在年份t实际获得的家庭净收入，即家庭月收入与支出的差额；Zit代表被调查者i在年份t的个体特征，包括年龄、性别、民族、受教育水平、户口性质、婚姻状态及所在行业、职业、单位性质和就业身份等就业情况；yeart表示调查年份。对于每个城市都可得到一组估计系数β，然后将每个流动劳动力i的个体特征与备选城市j的估计系数相乘，可计算得出劳动者i流入城市j的预期收入。
其次，验证收益驱动机制。使用城市层面的平均工资水平来验证收益驱动机制，因为城市平均工资水平能代表劳动力进入该城市的就业收益，能影响流动劳动力的经济效益追求动机，促使流动劳动力选择到该城市就业。
最后，验证就业网络机制。本文从产业集聚度和失业率水平两个方面来验证就业网络机制。产业集聚程度能反映出一个地区的就业规模，因其产生的规模效应可缩短劳动力寻找工作的时间，降低劳动力就业成本；失业率可作为工作匹配概率的反向表征，一个地区的失业率越低，则工人与职位的匹配概率越高(Decreuse和Maarek，2015)[40]。采用区位熵方法计算出产业集聚度：
$$ L Q_i=\frac{E_{i m} / E_i}{E_m / E} $$ (4) 其中，LQi代表产业集聚度，Eim代表城市i的制造业就业人数，Ei表示城市i的就业总人数，Em代表全国的制造业就业人数，E代表全国的就业总人数。机制检验结果见表 5。
表 5 机制检验结果变量 预期收入 平均工资水平 产业集聚度 失业率 (1) (2) (3) (4) gov 0.216***(160.45) 0.127***(39.55) 0.321***(447.86) -0.367***(-807.74) 常数项 305.151***(1 992.59) 26.817***(106.21) 0.906***(1 058.03) 1.170***(2 133.30) 控制变量 是 是 是 是 N 5 335 739 7 796 295 7 985 928 7 863 286 R2 0.010 0.017 0.298 0.129 由列(1)可知，政府治理水平对流动劳动力的预期收入具有显著的正向促进作用，说明政府治理水平有利于稳定流动劳动力的心理预期，从而可促进劳动力选择到该城市就业。由列(2)可知，政府治理水平对平均工资水平具有显著的正向促进作用。这是因为，良好的政府治理水平能将制度优势转换为发展效能，促进经济增长，激发新的需求；能降低企业的交易成本和税收负担，优化企业营商环境，提升企业的生产能力；能通过提供公共就业服务，提高劳动力的人力资本和就业能力，进而提升劳动力工资水平，促使劳动力选择到该城市就业。综上，就业收益提高是政府治理水平影响劳动力就业选址行为的中间机制。由列(3)可知，良好的政府治理水平有利于提高产业集聚度，进而产生劳动力蓄水池效应，缩短劳动力就业搜寻时间和成本，减少劳动力与工作岗位之间的匹配摩擦，有利于劳动力到该城市就业。由列(4)可知，政府治理水平对失业率水平具有显著负向影响，说明良好的政府治理水平有利于降低地区失业率，提升工作匹配概率，从而提高劳动力到该城市就业的概率。以上分析表明，就业网络效应是政府治理水平影响劳动力就业选址行为的中间机制，即假说2得证。
（四） 异质性分析
基准回归分析过程不能加入个体变量，但具有不同个体特征的劳动力进行就业选址决策时，对政府治理水平可能会表现出不同的反应，这种异质性影响主要体现在性别、户籍性质、就业身份、年龄以及受教育程度等个体特征方面，因而需继续进行异质性分析。下面采用分组回归的方式并构建政府治理水平与个体特征的交互项进行探讨。
表 6的异质性分析结果表明，政府治理水平对女性、农村户籍以及雇员身份劳动力就业选址行为的边际效应更大，而对于城镇户口、雇主身份和自营劳动者的群体没有显著影响。这可能是因为，女性、农村户籍和雇员身份的劳动者在就业过程中处于相对弱势地位，政府治理水平高的地区能为这些劳动力提供较为公平公正的就业环境，户籍等方面就业歧视也相对较弱，因而他们对政府治理水平更为敏感，从而假说3的公平包容机制得证。此外，政府治理水平对促进年轻人和受教育水平较高的劳动力到该城市就业的影响更大，这可能是因为，年轻一代的劳动力和受教育水平较高的劳动力在就业选址过程中更加注重公平包容性方面的生活品质等城市“软环境”。
表 6 异质性分析结果变量 性别 户籍性质 (1) (2) (3) (4) 男 女 农村 城镇 gov 0.036***(6.31) 0.041***(5.97) 0.033***(7.12) 0.015(1.16) 控制变量 是 是 是 是 N 4 699 663 3 254 035 6 986 832 826 754 Pseudo R2 0.113 0.138 0.114 0.184 变量 就业身份 雇员 雇主 自营劳动者 (5) (6) (7) gov 0.038***(7.38) 0.016(0.69) 0.015(1.29) 控制变量 是 是 是 N 5 493 819 400 020 1 367 570 Pseudo R2 0.123 0.121 0.136 变量 年龄 受教育水平 (8) (9) gov 0.082***(4.95) 0.078***(7.71) 交互项 -0.000 02***(-4.79) 0.000 38***(14.13) 控制变量 是 是 N 5 626 118 8 007 765 Pseudo R2 0.126 0.121 （五） 拓展分析：引进来与留得住
在分析流动劳动力如何“引进来”之后，下面再进一步研究流动劳动力如何才能“留得住”，即探讨政府治理水平对流动劳动力留居意愿的影响。继续基于2014—2017年的全国流动人口动态监测调查数据，以“今后一段时间，您是否打算继续留在本地？”的问卷考察劳动力的留居意愿，若回答“是”，则留居意愿变量取值为1，回答“不是”和“没想好”，则留居意愿取值为0。具体回归结果见表 7。
表 7 政府治理水平对流动劳动力留居意愿的影响结果变量 (1) (2) (3) gov 0.066***(8.07) 0.029***(3.30) 0.028***(3.22) dialect 0.051***(9.55) gdistance -0.000 05***(-11.18) 控制变量 否 是 是 N 51 190 51 190 51 190 Pseudo R2 0.001 0.004 0.009 从表 7可以看出，政府治理水平对流动劳动力留居意愿的影响系数为正且在1%的水平上显著，政府治理水平每提高1个单位，流动劳动力留居意愿将提高2.8个百分点，说明政府治理水平对流动劳动力留居意愿具有显著促进作用。由此可见，提高政府治理水平不仅能吸引流动劳动力到该城市就业，而且还能提高人们的留居意愿，进而有利于该地区的人才长期导入，对稳定该地区的人力资本水平、提升该地区发展的核心竞争力具有重要影响。
五、 主要结论及政策启示
积极吸引劳动力流入是当前地方经济与社会发展的重要目标，探讨政府治理水平与劳动力流动之间的关系具有重要意义。本文基于政府治理水平视角对劳动力空间流动问题进行研究，考察了政府治理水平对于劳动力就业选址的影响，分析了影响效应的“就业硬实力”和“就业软实力”机制，并对劳动力“引进来”之后如何“留得住”作了进一步探讨。研究发现：良好的政府治理水平有利于促进流动劳动力选择到该城市就业；从互动交流、数字政府、效率政府视角更换政府治理水平衡量指标，将研究样本更换为2014—2020年城市层面的人口流动数据以及将备选城市集更换为所有城市之后，结论依然稳健。稳定预期、收益驱动、就业网络以及公平包容性是政府治理水平影响劳动力就业选址行为的中间机制；政府治理水平对促进女性、农村户籍、雇员身份、年轻人和受教育水平较高者到该城市就业的影响作用较大；政府治理水平的提高不仅有利于吸引劳动力流入，同时也有利于提高流入劳动力的留居意愿，而人才的长期导入有利于提升该城市的核心竞争力。
提高政府治理水平是一项系统而复杂的工程，与具有高度可复制性的人口导入政策相比，更有利于形成其他城市或区域难以简单模仿的核心竞争力。为此，政府部门应从以下几个方面做出相应努力：
一要提升自身的治理水平，同时要注重打造城市声誉或城市品牌，以综合实力吸引人才和实现长期导入人才。政府部门要健全权力运行的制约和监督机制，努力消除腐败和不公平现象，加大政务公开力度，接受人民监督，加强廉洁政府建设；破除行政壁垒，去除繁琐的行政审批程序，提高行政效率，加强效率政府建设；灵活运用现代化信息技术，加强数字政府建设；加强城市宣传投入，运用互联网和新媒体技术加强廉洁、高效、数字化的政府治理，打造包容性的政府形象，增强城市声誉和城市品牌的信号传递功能，提高竞争软实力，以激发劳动力流入的主观意愿。
二要破除企业和劳动力的进入壁垒，降低企业的交易成本和劳动力迁移成本，使城市更加宜居宜业。政府部门不仅要为企业提供相关优惠政策，减少企业税收负担，同时还要加快构建“亲清与共”的新型政商关系，深化“放管服”改革，为企业提供良好的营商环境，加速产业集聚，形成规模效应，进而对流动劳动力形成更大的就业与收入吸引力。政府部门还要努力减少劳动力进入的制度性迁移成本，持续深化户籍制度改革，给予流动人口市民化待遇，破除劳动力流动的体制机制障碍，同时扩大公共服务的覆盖面，关注流动人口的公共服务需求和对公共服务资源的获得，降低流动人口子女的入学门槛，完善相关均等化政策，确保公共服务“最后一公里”的有效落实，推动公共服务均等化和可及性的有效提升。
三要应推进流动人口的市民化，提高流动人口的社会融入度，增强其城市认同感、归属感，进而增强其流入及留居意愿。政府部门应合理引导流动人口的社会融合，破除针对外来人口的歧视现象，搭建流动人口社会融入平台，深入开展社区活动，促进流动人口的社会融合，拉近流动人口与本地居民的社会距离，增强流动人口的融入感和归属感。现代化的政府治理还应重视不同群体的异质化需求，分层次、分类别地制定精准化政策，提升人口导入政策方面的实施效果。
-
表 1 主要变量的描述性统计
变量类型 具体变量 观测值 均值 置信区间 最小值 最大值 被解释变量 就业选址行为(choice) 8 007 765 0.009 0.098 0 1 核心解释变量 政府治理水平(gov) 8 007 765 29.575 23.898 5.930 86.511 控制变量 经济发展水平(pgdp) 8 007 765 6.391 4.576 0.833 48.309 产业结构(industry) 8 007 765 42.115 10.447 16.441 80.230 人口规模(pop) 8 007 765 0.531 0.368 0.020 3.392 医疗水平(hospital) 8 007 765 27.489 23.330 1.527 177.411 教育水平(edu) 8 007 765 15.415 20.677 1 91 房价(hprice) 8 007 765 6.602 4.240 2.248 45.146 方言距离(dialect) 8 007 765 0.493 0.499 0 1 地理距离(gdistance) 8 007 765 867.535 533.740 0 3 500.619 
下载: 导出CSV
表 2 政府治理水平对流动劳动力就业选址行为影响的估计结果
变量 (1) (2) (3) (4) gov 0.396***(111.45) 0.046***(19.15) 0.023***(6.36) 0.035***(8.48) pgdp 0.004***(57.77) 0.006***(47.48) 0.008***(62.29) industry 0.003***(166.07) 0.002***(41.47) 0.006***(76.39) pop 0.052***(57.44) 0.000 8(0.24) 0.018***(4.90) hospital 0.000 9***(12.62) 0.000 6***(8.05) edu 0.001***(23.51) 0.000 7***(14.23) hprice 0.001**(9.59) 0.005***(27.38) dialect 0.041***(24.66) gdistance -0.000 3***(-151.70) N 8 007 765 8 007 765 8 007 765 8 007 765 Pseudo R2 0.011 0.043 0.045 0.121 注：* * *、* *、*分别表示在1%、5%、10%的水平上显著。下表同。
下载: 导出CSV
表 3 稳健性检验结果
变量 替换核心解释变量 更换研究样本 互动交流 在线服务 行政审批部门数 城市层面样本 (1) (2) (3) (4) gov 0.009***(21.39) 0.004***(49.42) 0.000 5***(8.44) 0.374*(1.67) 控制变量 是 是 是 是 城市固定效应 否 否 否 是 时间固定效应 否 否 否 是 N 5 066 409 5 066 409 4 450 704 1 954 Pseudo R2 0.113 0.116 0.117 0.762 变量 更换备选城市集 2014 2015 2016 2017 (5) (6) (7) (8) gov 0.293***(7.90) 0.064***(9.30) 0.045***(5.72) 0.107***(10.94) 控制变量 是 是 是 是 N 6 403 856 6 093 276 4 184 672 2 789 104 Pseudo R2 0.096 0.207 0.249 0.208
下载: 导出CSV
表 4 内生性问题处理的回归结果
变量 NB Possion Two-step Possion (1) (2) (3) gov 0.549**(2.15) 0.641***(26.22) 0.014***(10.85) 残差 -0.008***(-6.24) 时间固定效应 是 是 是 N 958 958 958 Log likelihood -4 533.805 -41 716.847 -41 697.483
下载: 导出CSV
表 5 机制检验结果
变量 预期收入 平均工资水平 产业集聚度 失业率 (1) (2) (3) (4) gov 0.216***(160.45) 0.127***(39.55) 0.321***(447.86) -0.367***(-807.74) 常数项 305.151***(1 992.59) 26.817***(106.21) 0.906***(1 058.03) 1.170***(2 133.30) 控制变量 是 是 是 是 N 5 335 739 7 796 295 7 985 928 7 863 286 R2 0.010 0.017 0.298 0.129
下载: 导出CSV
表 6 异质性分析结果
变量 性别 户籍性质 (1) (2) (3) (4) 男 女 农村 城镇 gov 0.036***(6.31) 0.041***(5.97) 0.033***(7.12) 0.015(1.16) 控制变量 是 是 是 是 N 4 699 663 3 254 035 6 986 832 826 754 Pseudo R2 0.113 0.138 0.114 0.184 变量 就业身份 雇员 雇主 自营劳动者 (5) (6) (7) gov 0.038***(7.38) 0.016(0.69) 0.015(1.29) 控制变量 是 是 是 N 5 493 819 400 020 1 367 570 Pseudo R2 0.123 0.121 0.136 变量 年龄 受教育水平 (8) (9) gov 0.082***(4.95) 0.078***(7.71) 交互项 -0.000 02***(-4.79) 0.000 38***(14.13) 控制变量 是 是 N 5 626 118 8 007 765 Pseudo R2 0.126 0.121
下载: 导出CSV
表 7 政府治理水平对流动劳动力留居意愿的影响结果
变量 (1) (2) (3) gov 0.066***(8.07) 0.029***(3.30) 0.028***(3.22) dialect 0.051***(9.55) gdistance -0.000 05***(-11.18) 控制变量 否 是 是 N 51 190 51 190 51 190 Pseudo R2 0.001 0.004 0.009
下载: 导出CSV
-
[1] 程名望, 贾晓佳, 俞宁. 农村劳动力转移对中国经济增长的贡献(1978~2015年): 模型与实证[J]. 管理世界, 2018(10): 161-172. doi: 10.3969/j.issn.1002-5502.2018.10.015 [2] THOMAS B, YOUNG C. The migration dynamics of the "creative class": evidence from a study of artists in Stockholm, Sweden[J]. Annals of the Association of American Geographers, 2013, 103(1): 195-210. doi: 10.1080/00045608.2011.628263 [3] 陆铭, 李鹏飞. 城乡和区域协调发展[J]. 经济研究, 2022(8): 16-25. https://xuewen.cnki.net/CCND-YULB20230725A011.html [4] 安同良, 吴致冶. 人口迁移、技术追赶与中国内外经济循环——基于世界动力学模型的理论分析[J]. 产业经济研究, 2021(3): 57-68. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202103005.htm [5] RABE B, TAYLOR M P. Differences in opportunities? wage, employment and house-price effects on migration[J]. Oxford Bulletin of Economics and Statistics, 2012, 74(6): 831-855. doi: 10.1111/j.1468-0084.2011.00682.x [6] 周颖刚, 蒙莉娜, 卢琪. 高房价挤出了谁?——基于中国流动人口的微观视角[J]. 经济研究, 2019(9): 106-122. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201909008.htm [7] 张莉, 何晶, 马润泓. 房价如何影响劳动力流动?[J]. 经济研究, 2017(8): 155-170. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201708012.htm [8] PALMER N A, PERKINS D D, XU Q. Social capital and community participation among migrant workers in China[J]. Journal of Community Psychology, 2011, 39(1): 89-105. doi: 10.1002/jcop.20419 [9] FALCK O, HEBLICH S, LAMELI A, et al. Dialects, cultural identity, and economic exchange[J]. Journal of Urban Economics, 2012, 72(2): 225-239. [10] 刘毓芸, 徐现祥, 肖泽凯. 劳动力跨方言流动的倒U型模式[J]. 经济研究, 2015(10): 134-146. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201510011.htm [11] 梁琦, 陈强远, 王如玉. 户籍改革、劳动力流动与城市层级体系优化[J]. 中国社会科学, 2013(12): 36-59. https://www.cnki.com.cn/Article/CJFDTOTAL-SHEK201502009.htm [12] 周文, 赵方, 杨飞, 等. 土地流转、户籍制度改革与中国城市化: 理论与模拟[J]. 经济研究, 2017(6): 183-197. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201706014.htm [13] 刘学军, 赵耀辉. 劳动力流动对城市劳动力市场的影响[J]. 经济学(季刊), 2009(2): 693-710. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU200902014.htm [14] ZHU N. The impacts of income gaps on migration decisions in China[J]. China Economic Review, 2002, 13(2): 213-230. [15] SU Y, TESFAZION P, ZHAO Z. Where are the migrants from? inter- vs. intra-provincial rural-urban migration in China[J]. China Economic Review, 2018, 47(2): 142-155. [16] 张超, 陈思. 地方品质与经济机会对劳动力流动的影响——基于CLDS 2016的实证分析[J]. 南方人口, 2021(1): 1-16. https://www.cnki.com.cn/Article/CJFDTOTAL-LFRK202101001.htm [17] 张海峰, 林细细, 梁若冰, 等. 城市生态文明建设与新一代劳动力流动——劳动力资源竞争的新视角[J]. 中国工业经济, 2019(4): 81-97. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201904006.htm [18] 孙伟增, 张晓楠, 郑思齐. 空气污染与劳动力的空间流动——基于流动人口就业选址行为的研究[J]. 经济研究, 2019(11): 102-117. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201911008.htm [19] 夏怡然, 陆铭. 城市间的"孟母三迁"——公共服务影响劳动力流向的经验研究[J]. 管理世界, 2015(10): 78-90. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201510010.htm [20] NAVARRO C J, MATEOS C, RODRIGUEZ M J. Cultural scenes, the creative class and development in Spanish municipalities[J]. European Urban and Regional Studies, 2014, 21(3): 301-317. [21] 张文武, 余泳泽. 城市服务多样性与劳动力流动——基于"美团网"大数据和流动人口微观调查的分析[J]. 金融研究, 2021(9): 91-110. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202109006.htm [22] 朱金鹤, 王雅莉, 侯林岐. 文明城市评比何以促进劳动力流入?——来自地级市的准自然实验证据[J]. 产业经济研究, 2021(3): 43-56. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202103004.htm [23] ERDEM T, SWAIT J. The information-economics perspective on brand equity[J]. Foundations and Trends in Marketing, 2016, 10(1): 1-59. [24] 文雁兵, 郭瑞, 史晋川. 用贤则理: 治理能力与经济增长——来自中国百强县和贫困县的经验证据[J]. 经济研究, 2020(3): 18-34. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202003005.htm [25] ACEMOGLU D, GARCíA-JIMENO C, ROBINSON J A. State capacity and economic development: a network approach[J]. American Economic Review, 2015, 105(8): 2364-2409. [26] 张凯强, 陈志刚. 政府预算管理能减轻企业税负吗——基于预算偏离的视角[J]. 广东财经大学学报, 2021(6): 98-112. http://xb.gdufe.edu.cn/article/id/4ce1d469-937d-4a04-90b8-b812bc068894 [27] GUISO L. Trust and insurance markets[J]. Economic Notes, 2012, 41(1): 1-26. [28] MONTGOMERY J D. Social networks and labor-market outcomes: toward an economic analysis[J]. The American Economic Review, 1991, 81(5): 1408-141. [29] 王胜华. 经济赶超、公共支出偏向与城乡公共服务差距[J]. 广东财经大学学报, 2021(1): 15-24. http://xb.gdufe.edu.cn/article/id/0e28e341-aa13-48d0-8ab5-904081d19311 [30] 张勋, 万广华. 中国的农村基础设施促进了包容性增长吗?[J]. 经济研究, 2016(10): 82-96. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201610008.htm [31] 洪俊杰, 倪超军. 城市公共服务供给质量与农民工定居选址行为[J]. 中国人口科学, 2020(6): 54-65. https://www.cnki.com.cn/Article/CJFDTOTAL-ZKRK202006006.htm [32] 王浦劬. 国家治理、政府治理和社会治理的含义及其相互关系[J]. 国家行政学院学报, 2014(3): 11-17. https://www.cnki.com.cn/Article/CJFDTOTAL-LJXZ201403003.htm [33] LA PORTA R, LOPEZ-DE-SILANES F, SHLEIFER A, et al. The quality of government[J]. Journal of Law, Economics, and Organization, 1999, 15(1): 222-279. [34] 张军, 高远, 傅勇, 等. 中国为什么拥有了良好的基础设施?[J]. 经济研究, 2007(3): 4-19. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200703000.htm [35] 储德银, 左芯. 财政公开的经济社会效应研究新进展[J]. 经济学动态, 2019(5): 135-148. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXD201905011.htm [36] 黄寿峰, 郑国梁. 财政透明度对腐败的影响研究——来自中国的证据[J]. 财贸经济, 2015(3): 30-42. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ201503004.htm [37] YAMAMURA E, KONDOH H. Government transparency and expenditure in the rent-seeking industry: the case of Japan for 1998-2004[J]. Contemporary Economic Policy, 2013, 31(3), 635-647. [38] 孙琳, 方爱丽. 财政透明度、政府会计制度和政府绩效改善——基于48个国家的数据分析[J]. 财贸经济, 2013(6): 22-32. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ201306005.htm [39] 刘俸奇, 储德银, 姜春娜. 财政透明、公共支出结构与地方政府治理能力[J]. 经济学动态, 2021(4): 107-123. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXD202104008.htm [40] DECREUSE B, MAAREK P. FDI and the labor share in developing countries: a theory and some evidence[J]. Annals of Economics and Statistics, 2015, 119(12): 289-319. 期刊类型引用(1)
1. 许恒周，郭露雨. 政府治理能力对城市土地绿色利用效率的影响机制研究——基于省级面板数据的实证分析. 土地经济研究. 2024(01): 158-174 . 
百度学术其他类型引用(1)
-
下载:
![](data:image/svg+xml,<svg xmlns='http://www.w3.org/2000/svg' width='210' height='179'><foreignObject width='2000' height='100%'><div xmlns='http://www.w3.org/1999/xhtml' style='font-size:16px;font-family:Helvetica'><table>
<thead>
<tr>
<td class="table_top_border" align="center">变量类型</td>
<td class="table_top_border" align="center">具体变量</td>
<td class="table_top_border" align="center">观测值</td>
<td class="table_top_border" align="center">均值</td>
<td class="table_top_border" align="center">置信区间</td>
<td class="table_top_border" align="center">最小值</td>
<td class="table_top_border" align="center">最大值</td>
</tr>
</thead>
<tbody>
<tr>
<td class="table_top_border2" align="center">被解释变量</td>
<td class="table_top_border2" align="center">就业选址行为(<i>choice</i>)</td>
<td class="table_top_border2" align="center">8 007 765</td>
<td class="table_top_border2" align="center">0.009</td>
<td class="table_top_border2" align="center">0.098</td>
<td class="table_top_border2" align="center">0</td>
<td class="table_top_border2" align="center">1</td>
</tr>
<tr>
<td align="center">核心解释变量</td>
<td align="center">政府治理水平(<i>gov</i>)</td>
<td align="center">8 007 765</td>
<td align="center">29.575</td>
<td align="center">23.898</td>
<td align="center">5.930</td>
<td align="center">86.511</td>
</tr>
<tr>
<td align="center">控制变量</td>
<td align="center">经济发展水平(<i>pgdp</i>)</td>
<td align="center">8 007 765</td>
<td align="center">6.391</td>
<td align="center">4.576</td>
<td align="center">0.833</td>
<td align="center">48.309</td>
</tr>
<tr>
<td align="center">
</td><td align="center">产业结构(<i>industry</i>)</td>
<td align="center">8 007 765</td>
<td align="center">42.115</td>
<td align="center">10.447</td>
<td align="center">16.441</td>
<td align="center">80.230</td>
</tr>
<tr>
<td align="center">
</td><td align="center">人口规模(<i>pop</i>)</td>
<td align="center">8 007 765</td>
<td align="center">0.531</td>
<td align="center">0.368</td>
<td align="center">0.020</td>
<td align="center">3.392</td>
</tr>
<tr>
<td align="center">
</td><td align="center">医疗水平(<i>hospital</i>)</td>
<td align="center">8 007 765</td>
<td align="center">27.489</td>
<td align="center">23.330</td>
<td align="center">1.527</td>
<td align="center">177.411</td>
</tr>
<tr>
<td align="center">
</td><td align="center">教育水平(<i>edu</i>)</td>
<td align="center">8 007 765</td>
<td align="center">15.415</td>
<td align="center">20.677</td>
<td align="center">1</td>
<td align="center">91</td>
</tr>
<tr>
<td align="center">
</td><td align="center">房价(<i>hprice</i>)</td>
<td align="center">8 007 765</td>
<td align="center">6.602</td>
<td align="center">4.240</td>
<td align="center">2.248</td>
<td align="center">45.146</td>
</tr>
<tr>
<td align="center">
</td><td align="center">方言距离(<i>dialect</i>)</td>
<td align="center">8 007 765</td>
<td align="center">0.493</td>
<td align="center">0.499</td>
<td align="center">0</td>
<td align="center">1</td>
</tr>
<tr>
<td class="table_bottom_border" align="center">
</td><td class="table_bottom_border" align="center">地理距离(<i>gdistance</i>)</td>
<td class="table_bottom_border" align="center">8 007 765</td>
<td class="table_bottom_border" align="center">867.535</td>
<td class="table_bottom_border" align="center">533.740</td>
<td class="table_bottom_border" align="center">0</td>
<td class="table_bottom_border" align="center">3 500.619</td>
</tr>
</tbody>
</table></div></foreignObject></svg>)