基于贫困分级的云南省城乡收入差距时空演化与影响因素研究

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2021-12-29

杨子生^,¹^,², 杨人懿¹, 刘凤莲¹^,²

1. 云南财经大学国土资源与持续发展研究所,昆明 650221

2. 云南财经大学精准扶贫与发展研究院,昆明 650221

Spatio-temporal evolution and influencing factors of urban-rural income gap in Yunnan province based on poverty classification

YANG Zisheng^,¹^,², YANG Renyi¹, LIU Fenglian¹^,²

1. Institute of Land & Resources and Sustainable Development, Yunnan University of Finance and Economics, Kunming 650221, China

2. Institute of Targeted Poverty Alleviation and Development, Yunnan University of Finance and Economics, Kunming 650221, China

收稿日期:2020-08-17接受日期:2020-10-10

基金资助:

国家自然科学基金项目(41261018)
云南省教育厅科学研究基金研究生项目(编号2021Y547)

Received:2020-08-17Accepted:2020-10-10
作者简介 About authors
杨子生（1964-）,男,云南大理人,教授,博士生导师,研究方向为城乡发展与土地利用、山区开发与精准扶贫。E-mail: yangzisheng@126.com

摘要
云南是中国贫困县最多的山区省份,同时也是中国城乡收入差距长期居高不下的典型省份。针对当前研究中未能深入探讨城乡收入差距与各地贫困程度关联性、未能深入探讨各影响因素空间相关性、忽视关键地理因素对城乡收入差距影响等问题和不足,本文将各县按照贫困程度的差异划分为4个类别,使用云南省129个县（市）2010—2018年产业、社会、经济、人口等维度的面板数据,并引入“地形-气候综合优劣度”作为非经济指标,在分析城乡收入差距时空演化和空间格局特征基础上,运用空间动态面板模型深入探析了其影响因素。基于研究结果,认为有必要将缩小城乡收入差距与国家精准扶贫战略、城乡融合发展战略和乡村振兴战略有效衔接。
关键词： 城乡收入差距;时空演化;影响因素;贫困分级;空间动态面板模型;云南

Abstract

Yunnan province has the largest number of poverty-stricken counties in China with mountainous area accounting for 93.60% of the total area. A long-term high income gap between urban and rural areas is widening in the province. This has brought great obstacles and challenges to the overall development of urban and rural areas and the implementation of rural revitalization strategy. In view of the problems and deficiencies in the current research, such as the lack of in-depth discussion on the relationship between urban-rural income gap and poverty level in different regions, the spatial correlation of various influencing factors, and the neglect of the impact of key geographical factors on the urban-rural income gap, this paper divides the counties into four categories (non-poor counties and poverty counties of grades I, II and III), using the panel data of industrial development dimension, social development dimension, economic level dimension and population structure dimension of 129 counties (county-level city) of Yunnan from 2010 to 2018, and introducing “terrain-climate comprehensive degree of excellence” as non-economic indicators. Based on the analysis of the spatio-temporal evolution and spatial pattern characteristics of urban-rural income gap, this paper uses spatial dynamic panel model to deeply study the influencing factors of urban-rural income gap in the study area. The results show that: (1) The average income gaps between urban and rural areas from 2010 to 2018 show a slight downward trend. The differences of the average annual income gap between urban and rural areas of the four types of counties are obvious, showing a trend of “grade III > grade II > grade I > non-poverty counties”. (2) The spatial autocorrelation of urban-rural income gap is obvious, and the spatial pattern shows a decreasing trend from the northwest and southeast to the centre of the province. In most areas, there exists an evolution law of “extreme poverty → low per capita disposable income of rural residents → expansion of urban-rural income gap” is generally presented. Rural poverty is often the root cause for the widening of urban-rural income gap. (3) The results of dynamic SAR model show that, the urban-rural income gap has a great inertia, with the increase of poverty level, and the degree of dependence shows a “U”-shaped pattern, which decreases first and then increases. On the whole, the development of the secondary industry plays a restraining role in narrowing the income gap between urban and rural areas, and the effect of expanding the urban-rural income gap is most obvious in the poverty counties of grade I. The development of tertiary industry in poverty-stricken counties is conducive to narrowing the income gap between urban and rural areas, and the effect on counties with deeper poverty is more obvious. The increase of population density can obviously bridge the urban-rural income gap. With the reduction of poverty, the increase of the ratio of urban and rural employees has an inverted U-shaped feature of “inhibition first and promotion later” to the income gap between urban and rural areas. The impact of per capita grain output is the most obvious in poverty counties of grade III, and there is a threshold of “terrain-climate comprehensive degree of excellence”, in which food curse exists in areas with harsh terrain and climate conditions. According to the research results and the view of the permanent rural poverty alleviation in mountainous areas, it is necessary to effectively link the narrowing of urban-rural income gap with the national targeted poverty alleviation strategy, rural revitalization strategy and urban-rural integrated development strategy, and bring it into the scope of government performance evaluation, so as to enhance the local government's attention to narrowing the urban-rural income gap and effectively promote the coordinated development of urban and rural areas in various regions.

Keywords：urban rural income gap;spatio-temporal evolution;influencing factors;poverty classification;spatial dynamic panel model;Yunnan

PDF (5221KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex 收藏本文
本文引用格式
杨子生, 杨人懿, 刘凤莲. 基于贫困分级的云南省城乡收入差距时空演化与影响因素研究[J]. 地理研究, 2021, 40(8): 2252-2271 doi:10.11821/dlyj020200783
YANG Zisheng, YANG Renyi, LIU Fenglian. Spatio-temporal evolution and influencing factors of urban-rural income gap in Yunnan province based on poverty classification[J]. Geographical Research, 2021, 40(8): 2252-2271 doi:10.11821/dlyj020200783

1 引言

改革开放以来,居民生活质量得到了较大的提升改善,但在收入水平总量这一“蛋糕”做大以后,伴随而来的是城乡收入差距扩大的问题^[1]。当今中国社会的主要矛盾已发生转变^[2],城乡二元化差异逐渐成为全面建设小康社会和实现乡村振兴的巨大障碍。

城乡收入差距过大的问题逐渐引起了学术界的关注和重视,最早见于“配第-克拉克”定理的论述以及大卫·李嘉图的研究。配第指出了产业收入差距的存在,而克拉克进一步阐释了城乡收入差距的形成原因^[3];大卫·李嘉图探讨了城乡收入差距的根源^[4]。此后,库兹涅茨提出了经济增长与收入差距变化关系的“倒U”型曲线假说^[5],并且Adelman等先后证实了库兹涅茨曲线的真实性^[6,7,8]。但Tunali等认为其仅只是一个随机游走或单调的过程^[9],Roland认为经济增长与城乡收入差距具有负向关系^[10],Klans等认为二者之间无倒“U”型库兹涅茨关系^[11],Piketty认为城乡收入差距的大小是其他因素一起作用的最终结果^[12],Fei等通过对台湾、亚洲“四小龙”的数据分析认为倒“U”型库兹涅茨关系并不必然^[13,14]。但总体而言,仍有很多****支持库兹涅茨“倒U”型曲线假说。

对于城乡收入差距的研究,目前主要包括测度方法^[15]、影响因素分析^{[16,17,18,19,20]}、时空格局分析^{[21,22,23,24,25,26]}以及运用案例研究方法^[27]等等。指标选取中较为简便且被广泛采用的是城乡居民收入比等^[16-19,25]。在研究方法模型上,主要运用OLS模型^[28]、CGE模型^[29]、对比分析^[30]、PVAR模型^[31]、空间计量经济学模型^[32]等研究工具。

在分析影响因素的指标选取中,很多****仅探讨单一维度对城乡收入差距的影响,如经济增长^{[33,34,35,36,37]}、财政改革^[38]、农村金融发展^[39]、精准扶贫政策^[32]、劳动力迁移^[40,41]、产业发展^[42]等对城乡收入差距的影响。但也有一些****从多维度探讨了城乡收入差距的影响因素,如江孝君等运用SEM、SLM模型,从不同尺度探讨了人均财政支出、人均粮食产量等对东北地区城乡收入差距的影响,并分析了城乡收入差距的时空分异特征^[43];宋佳从经济发展、二元结构、制度、文化水平等维度（共9项指标）对河北省城乡收入差距进行了探讨^[44]。总体上分析,在城乡收入差距的影响因素研究方面尽管不断涌现出新成果,但目前尚存在不少问题和不足：绝大多数研究仅从城乡收入差距自身出发,未能深入探讨城乡收入差距与各地贫困程度的关联性,也未能把城乡收入差距与国家精准扶贫战略、乡村振兴战略和城乡融合发展相衔接;现有的研究多注重经济领域的指标,而忽视了地形、气候条件等关键地理因素对城乡收入差距的影响;此外,现有研究往往忽视了城乡收入差距的惯性问题。另外,多数省域城乡收入差距的研究仅停留在州（市）级的数据获取上,而未细化到县级数据的获取和分析,难以更准确地分析其空间差异格局。

云南省地处中国西南部,山区面积占比达93.6%^[45],贫困问题突出,城乡收入差距一直居高不下。有****研究发现,云南省的收入差距在一定年限内反而呈现增大的态势,直到后期才逐步呈现缩小的趋势^[46]。虽然云南省城乡收入差距正在逐步缩小,但是其缩小幅度极为缓慢,且远高于全国平均值,也远高于1.5的国际警戒线^[47],这显然给城乡统筹发展和乡村振兴带来极大的障碍和挑战。城乡是有机体,推进城乡融合发展对国家乡村振兴战略具有重要意义^[48,49,50]。针对当前研究中未能深入探讨城乡收入差距与各地贫困程度关联性、未能深入探讨各影响因素空间相关性、忽视关键地理因素对城乡收入差距影响等问题和不足,本文在分析云南省县（市、区）城乡收入差距的时空演化和空间格局特征基础上,按照贫困程度将各县（市、区）划分为4个类别,并引入“地形-气候综合优劣度”作为非经济指标,运用空间动态面板模型深入研究城乡收入差距的影响因素,旨在为推进城乡统筹发展提供基础依据和支撑。

2 研究方法

2.1 空间计量经济学研究方法

空间计量经济学应用广泛。由于能够很好地处理空间自相关问题,空间计量经济学也日益成为前沿性、主流性的学科之一。建模中选用空间邻接权重矩阵和空间反距离权重矩阵^①(① 空间相邻关系主要有车相邻、象相邻、后相邻,本文根据后相邻原则构建空间邻接权重矩阵W₁。空间邻接矩阵W₁中的各元素为

w_{ij} = \{\begin{array}{l} 1, i \neq j 且两地相邻 \\ 0, i = j \end{array}

。普通的空间反距离权重矩阵W₂中各县的距离用两地的直线距离表示,设第i个县（市、区）与第j个县（市、区）的距离（如经济距离、地理距离等）为d_ij,则定义W₂中各元素为

w_{ij} = \{\begin{array}{l} \frac{1}{d_{ij}}, i \neq j 且两地相邻 \\ 0, i = j \end{array}

。显然,空间反距离权重矩阵能更好地衡量相邻县份间距离的远近。然而,运用空间反距离权重矩阵也存在一定的问题。比如两个县（市、区）虽然不是相邻的,但是距离较近,亦或距离较远,但仍处于同一州（市）,即使不属于同一州（市）,但两个县（市、区）仍然有较为密切的关联等情况,单纯将这些权重赋值为0可能缺乏一定的合理性,加之本文研究的对象涉及云南省129个县（市、区）,因此有必要对空间反距离权重矩阵进行改进,将W₂中各元素定义为

w_{ij} = \{\begin{array}{l} \frac{1}{d_{ij}}, i \neq j \\ 0, i = j \end{array}

,即两地直线距离越近则权重越高,距离越远则权重越低,由此可以更好地避免权重矩阵过于“粗糙”的问题。下文中所述的空间反距离权重矩阵均表示改进后的空间权重矩阵。模型估计结果也进一步表明,运用改进后的空间反距离权重矩阵能更好地反映云南省城乡收入差距状况。)。莫兰指数计算公式如下：

（1）

Moran's \begin{matrix} I \end{matrix} = \frac{n e^{T} We}{e^{T} e (\sum_{i} \sum_{j} w_{ij})} = \frac{\sum_{i} \sum_{j} w_{ij} (x_{i} - \overset{?}{x}) (y_{i} - \overset{?}{y})}{S^{2} (\sum_{i} \sum_{j} w_{ij})}

式中：e表示残差矩阵;W表示空间权重矩阵;S²表示观测值x_i的方差。

广义的空间面板模型可以表示为^[51]：

（2）

\{\begin{array}{l} Y_{it} = τ Y_{i, t - 1} + ρ W_{i} Y_{t} + X_{it} β + D_{i} Xδ + u_{i} + γ_{t} + ε_{it} \\ ε_{it} = λ M_{i} ε_{t} + v_{it} \end{array}

式中：Y_i,t_-1表示被解释变量Y_it的一阶滞后项（即当τ≠0时为空间动态面板模型）;W_i、D_i、M_i分别表示空间权重矩阵W、D、M的第i行;X_it表示解释变量矩阵的第i行;β表示待估计的参数向量;δ表示固定且未知的需要估计的参数向量;u_i表示固定效应;γ_t表示时间效应;ε_it表示残差。

被解释变量往往会伴随着惯性,运用动态面板模型可以更好地控制被解释变量前一期的影响^[52]。由于公式（2）过于一般化,对于空间动态面板模型而言,一般考虑如下特殊情况：① λ=0,则为空间动态杜宾模型（SDM）;② λ=0且δ=0,则为空间动态自回归模型（SAR）。由于SDM模型一般不用作分析估计系数,本研究运用SAR模型分析云南省城乡收入差距影响因素。

2.2 指标选取

考虑到数据的可得性、代表性原则并综合前人研究的经验,选择将云南省129个县（市、区）2010—2018年的城乡居民人均可支配收入比作为衡量云南省129个县（市、区）城乡收入差距的指标,作为被解释变量引入模型,数据来源为云南省调查年鉴（2017—2019年）。同时,本文搜集了全省129个县（市、区）2010—2018年产业、人口、地理环境等5个维度的面板数据作为解释变量,数据来源为《云南省统计年鉴》（2011—2019年）、云南省第二次土地调查数据、EPS全球统计数据/分析平台、云南省农业区划委员会办公室以及云南省统计局,各具体指标见表1所示。

Tab. 1
表1
表1云南省城乡收入差距影响因素指标体系
Tab. 1Index system of influencing factors of urban-rural income gap in Yunnan province

维度	变量	计算方法	名称	单位
产业发展	第一产业发展水平	第一产业产值/折算指数/总人口	X₁	元/人
	第二产业发展水平	第二产业产值/折算指数/总人口	X₂	元/人
	第三产业发展水平	第三产业产值/折算指数/总人口	X₃	元/人
社会发展	固定资产投资水平	固定资产投资（不含农户）/土地总面积/折算指数	X₄	万元/km²
	公共财政预算支出水平	人均地方公共财政预算总支出/折算指数	X₅	元/人
	乡村发展水平	农、林、牧、渔业总产值/土地总面积/折算指数	X₆	万元/ km²
	城镇发展水平	工业总产值/土地总面积/折算指数	X₇	万元/ km²
	人均粮食产量	粮食总产量/总人口	X₈	kg/人
经济水平	土地综合生产率	当年GDP/土地总面积/折算指数	X₉	万元/km²
经济水平	经济赶超压力	$\frac{相邻县份最高人均 GDP}{本县人均 GDP} \times \frac{全省县份最高人均 GDP}{本县人均 GDP}$	X₁₀	无
人口结构	城乡从业人员比例	单位从业人员/乡村从业人员	X₁₁	无
人口结构	人口密度	总人口/土地面积	X₁₂	人/ km²
地理环境	地形-气候综合优劣度	地形优劣度×0.6+气候优劣度×0.4	X₁₃	无

新窗口打开|下载CSV

2.3 指标选取的说明

2.3.1 被解释变量本文选取比值有以下优点：① 数据容易获得;② 减少了繁琐的计算,没有未知参数的干扰;③ 能够很好地表征城乡收入差距;④ 可以使数据无量纲化;⑤ 可以在一定程度上消除物价等方面的影响。

2.3.2 产业发展维度本文选择第一、第二、第三产业的人均实际产值来表征产业发展水平。之所以不考虑用不同产业产值比例来度量,是因为不同产业产值比例仅在一定程度上表达产业结构中各产业的占比,但各产业的产值大小却无法很好地体现,也就不能很好地说明产业发展情况。此外,被解释变量已较好地消除了价格影响,采用实际产值可以剔除物价变动所带来的影响,使结果更科学、可信。

2.3.3 社会发展维度限于各县（市、区）的数据可获取性问题,本文选取部分现有数据来反映社会发展维度,并将数据做一定的处理（如剔除价格影响、除以总人口或者土地总面积等）,使结果更科学、可信。

2.3.4 经济水平维度经济水平主要运用GDP等指标来反映,而在产业发展中运用各产业人均产值已经很好地反映了人均GDP指标,鉴于前人的研究,可以将GDP做一定的处理进一步表征各县（市、区）的经济水平：一是将GDP除以土地总面积可以反映各地的土地利用经济效益^[53];二是借鉴缪小林等^[54],将本县（市、区）的人均GDP与相邻县（市、区）以及云南省人均GDP最高县（市、区）作比较,以此反映该县（市、区）的经济赶超压力。

2.3.5 人口结构维度人口密度可以反映一个县（市、区）人口的密集程度。此外,根据可获得的数据可以找到近似反映就业和城镇化水平的指标。城镇化水平可以有多种反映形式,如经济、就业等,较为妥帖的方式是以城镇人口占总人口的比例来反映城镇化水平。但云南省近年城镇人口统计口径不一致,加之部分县域乡村人口数超过总人口数,在逻辑上可能存在争议。考虑到数据的可得性和可信性原则,本文运用城镇单位从业人员和乡村从业人员的比值——即“城乡从业人员比例”来近似地反映城镇化水平。

2.3.6 地理环境维度本文根据加权得出的“地形-气候综合优劣度”来近似反映该县（市、区）的地理环境状况。本文对地形因素主要采用各地形坡度级别的土地面积占比来反映,而气候因素主要根据云南省对气候带（层）的划分——低热层、中暖层、高寒层等不同海拔层^[55],并赋予其不同权重来近似表达各县（市、区）气候的优劣程度,其具体公式如下：

（3）

\{\begin{array}{l} TQ = PT \times WT = \overset{6}{\sum_{i = 1}} w t_{i} \times p t_{i} \\ CQ = PC \times WC = \overset{4}{\sum_{j = 1}} w c_{j} \times p c_{j} \end{array}

式中：TQ表示129个县（市、区）的地形优劣度矩阵;CQ表示129个县（市、区）的气候优劣度矩阵;wt_i、pt_i(i=1, 2, 3, 4, 5, 6)分别表示129个县（市、区）的坡度≤8°、坡度为8°~15°、坡度为15°~25°、坡度为25°~35°、坡度>35°等不同地形坡度级的权重赋值和土地面积占比向量;wc_j、pc_j(j=1, 2, 3, 4)分别表示低热层、中暖层、高寒层等不同海拔层的权重赋值和占比向量;WT=(wt₁, wt₂, wt₃, wt₄, wt₅, wt₆)为不同坡度级的权重赋值矩阵;PT=(pt₁, pt₂, pt₃, pt₄, pt₅, pt₆)为不同坡度级面积占比的矩阵;WC=(wc₁, wc₂, wc₃, wc₄)为不同海拔层的权重赋值矩阵;PC=(pc₁, pc₂, pc₃, pc₄)为不同海拔层面积占比的矩阵（上述地形坡度级和气候层土地面积数据来自云南省农业区划委员会办公室^[55]）。权重赋值矩阵可设定为：

（4）

\{\begin{array}{l} WT = {(1, \frac{3}{4}, \frac{1}{2}, \frac{1}{4}, 0, \frac{9}{10})}^{T} \\ WC = {(1, \frac{4}{5}, \frac{1}{2}, \frac{9}{10})}^{T} \end{array}

故地形-气候综合优劣度向量可表达为(TQ,CQ)×(3/5,2/5)^T。

2.4 各县贫困程度的分类

这项研究在观察近些年来云南省各县（市、区）的城乡收入差距时,发现一个明显的现象,即：城乡收入差距一般与各县贫困程度息息相关。鉴此,本文根据国务院扶贫开发领导小组办公室^[56,57],结合云南省情,将云南省129个县（市、区）进行贫困分级,具体分为：非贫困县、I级贫困县、II级贫困县和III级贫困县（表2）。

Tab. 2
表2
表2云南省129个县（市、区）的贫困分级
Tab. 2Poverty classification of 129 counties in Yunnan province

贫困分级	含义或划分依据	县份个数	贫困程度
非贫困县	全省所有的非贫困县	41个	较浅
I级贫困县	属于全国连片特困地区县,但不属于国家扶贫开发工作重点县和深度贫困县	14个	中等
II级贫困县	属于国家扶贫开发工作重点县,但不属于深度贫困县	47个	较深
III级贫困县	云南省扶贫开发领导小组确定的所有深度贫困县	27个	很深

新窗口打开|下载CSV

3 城乡收入差距时空演化与空间格局

3.1 城乡收入差距的时空演化状况

表3展现了云南省2010—2018年各贫困等级县份的城乡收入差距平均值检验ANOVA表的输出结果。图1和图2直观地反映了各类县份的平均城乡收入差距（收入比）及其下降率;图3反映的是云南省16个州（市）的城乡收入差距（收入比）在2010—2018年的变化情况;图4反映的是云南省16个州（市）的城乡收入差距（收入比）的年平均下降率。

Tab. 3
表3
表3云南省2010—2018年各贫困等级县份的城乡收入差距平均值检验ANOVA表输出结果
Tab. 3The output of ANOVA table on the average value of urban-rural income gap of poverty levels from 2010 to 2018 in Yunnan province

比较对象	指标	2010年	2011年	2012年	2013年	2014年	2015年	2016年	2017年	2018年
全省非贫困县和各级贫困县	组间F统计量	31.337^***	26.245^***	27.430^***	27.745^***	26.153^***	24.538^***	23.872^***	23.527^***	23.369^***
全省非贫困县和各级贫困县	P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
非贫困县和I级贫困县	组间F统计量	11.558^***	3.785^*	3.252^*	2.568	1.715	1.248	0.954	0.707	0.592
非贫困县和I级贫困县	P值	0.001	0.057	0.077	0.115	0.196	0.269	0.333	0.404	0.445
非贫困县和II级贫困县	组间F统计量	68.465^***	35.444^***	34.507^***	31.835^***	28.687^***	26.722^***	25.276^***	24.367^***	22.869^***
非贫困县和II级贫困县	P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
非贫困县和III级贫困县	组间F统计量	73.770^***	70.219^***	69.879^***	70.452^***	66.242^***	63.267^***	61.557^***	60.669^***	60.797^***
非贫困县和III级贫困县	P值	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
I级贫困县和II级贫困县	组间F统计量	7.453^***	5.379^**	5.755^**	5.811^**	5.963^**	6.153^**	6.286^**	6.537^**	6.309^**
I级贫困县和II级贫困县	P值	0.008	0.024	0.020	0.019	0.018	0.016	0.015	0.013	0.015
I级贫困县和III级贫困县	组间F统计量	12.483^***	18.303^***	19.274^***	20.506^***	20.364^***	20.347^***	20.580^***	21.059^***	21.514^***
I级贫困县和III级贫困县	P值	0.001	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
II级贫困县和III级贫困县	组间F统计量	3.377^*	11.998^***	14.672^***	16.545^***	16.269^***	14.677^***	14.444^***	14.366^***	14.980^***
II级贫困县和III级贫困县	P值	0.070	0.001	0.000	0.000	0.000	0.000	0.000	0.000	0.000

注：^***、^**、^*分别表示在1%、5%、10%的显著性水平下拒绝原假设。

新窗口打开|下载CSV

图1

新窗口打开|下载原图ZIP|生成PPT
图12010—2018年云南省各县平均城乡收入比

Fig. 1Average urban-rural income ratio of counties in Yunnan province from 2010 to 2018

图2

新窗口打开|下载原图ZIP|生成PPT
图22010—2018年云南省各县平均城乡收入比下降率

Fig. 2Decline rate of average urban-rural income ratio of counties in Yunnan province from 2010 to 2018

图3

新窗口打开|下载原图ZIP|生成PPT
图32010—2018年16个州（市）城乡收入比

Fig. 3Urban-rural income ratio of 16 autonomous prefectures and cities from 2010 to 2018

图4

新窗口打开|下载原图ZIP|生成PPT
图416个州（市）城乡收入比的年均下降率

Fig. 4Average annual decline rate of urban-rural income ratio of 16 autonomous prefectures and cities

表3的SPSS输出结果中,全省非贫困县和各级贫困县平均值检验的F统计量均通过了1%的显著性水平检验,尽管非贫困县和I级贫困县平均值检验的F统计量在2013—2018年未通过10%的显著性水平检验,2011—2012年仅通过了10%的显著性水平检验,II级贫困县和III级贫困县平均值检验的F统计量在2010年仅通过了10%的显著性水平检验,但其余所有平均值检验的F统计量均通过了5%的显著性水平检验,且大多数还通过了1%的显著性水平检验,因此,总体上,非贫困县、I级贫困县、II级贫困县、III级贫困县之间的平均值检验较为显著,表明了这四类县份的平均城乡收入比在各年份存在极为显著的差异,图1可以直观地说明这一点。由图1可见,2010—2018年云南省的各县（市、区）平均城乡收入差距总体上呈现下降趋势,然而非贫困县和各级贫困县城乡收入差距的差异较明显,总体上呈现“III级贫困县>II级贫困县>I级贫困县>非贫困县”的趋势,亦即：贫困程度越深的县份,其城乡收入差距呈现增大的态势。出现贫困县城乡收入差距显著高于非贫困县的原因大致是：贫困县的农村居民收入较非贫困县来说显得过于低下,使得城乡收入比中的分母被明显地“拉低”,尽管贫困县的城镇居民可支配收入也不高,但其被“拉低”的程度没有农村居民人均可支配收入被“拉低”的程度那样明显。据统计,2010—2018年云南省41个非贫困县年均城镇居民人均可支配收入为26565.73元,而同期88个贫困县为21231.88元,也就是说,非贫困县年均城镇居民人均可支配收入仅为贫困县的1.25倍。然而,2010—2018年41个非贫困县年均农村居民人均可支配收入为10035.25元,而贫困县仅为6782.21元。也就是说,非贫困县年均农村居民人均可支配收入是贫困县的1.48倍。由上述分析可以推知,农村贫困问题是导致城乡收入差距被拉大的深层原因。正由于贫困县和非贫困县的城乡收入差距呈现显著差异,因而很有必要将贫困县和非贫困县分别建模和讨论。

由图2可见,2011—2018年中,贫困县城乡收入差距的下降幅度总体上均高于非贫困县。从各年份来看,2011年云南省城乡收入差距下降幅度最为明显,贫困县平均城乡收入差距下降率明显高于非贫困县;2012—2018年的下降幅度变缓,均在4%以下,其中2016—2018年的下降幅度更为缓慢。图3的结果也和图2体现出的变化情况大致吻合,大多数州（市）的城乡收入差距在2011年下降较快,之后逐步趋于缓和。

从理论上看,贫困发生率和城乡收入差距均受上一年实际状况的制约而存在惯性,但在国家扶贫开发政策大力实施的背景之下,云南省近年来的贫困发生率发生了显著的下降：2010年贫困发生率高达39.6%,然而到2018年降至4.8%^[58],也就是说贫困发生率年均降低了23.19%,下降幅度极为显著。相比贫困发生率的大幅下降而言,各州（市）城乡收入差距的年平均下降率均低于5%（图4）。从全省来看,城乡收入比仅从2010年的3.59降至2018年的3.11,年均降幅仅为1.78%,且各年份的城乡收入比均远超1.5的国际警戒线,总体呈现居高不下的态势。

3.2 空间格局分析

为更深入地探讨空间格局,这里计算了2010—2018年平均城乡收入差距（收入比）,运用ArcGIS软件自然断点法将结果输出至图5。同时,本研究发现农村居民人均可支配收入（千元/人）的高低、各贫困等级县（市、区）和城乡收入差距的大小有密切的联系（图6、图7）。此外,本文计算了2010—2018年平均城乡收入差距的局部Getis-Ord G_i^*指数,并结合GIS制图技术将冷热点分析结果输出至图8。最后,本文制作了2010—2018年平均城乡收入差距的LISA聚类图（图9）,各类集聚的显著性水平低于10%。

图5

新窗口打开|下载原图ZIP|生成PPT
图52010—2018年平均城乡收入比

注：根据国家测绘地理信息局标准地图（审图号：云S(2017)045号）绘制,底图无修改。
Fig. 5Average urban-rural income ratio from 2010 to 2018

图6

新窗口打开|下载原图ZIP|生成PPT
图62010—2018年平均农村居民人均可支配收入

注：此图根据国家测绘地理信息局标准地图（审图号：云S(2017)045号）绘制,底图无修改。
Fig. 6Average per capita disposable income of rural residents from 2010 to 2018

图7

新窗口打开|下载原图ZIP|生成PPT
图7云南省129个县的贫困分级

注：根据国家测绘地理信息局标准地图（审图号：云S(2017)045号）绘制,底图无修改。
Fig. 7Poverty classification of 129 counties in Yunnan province

图8

新窗口打开|下载原图ZIP|生成PPT
图82010—2018年平均城乡收入差距的冷热点分析

注：根据国家测绘地理信息局标准地图（审图号：云S(2017)045号）绘制,底图无修改。
Fig. 8Average urban-rural income ratio analysis on the cold and hot spots from 2010 to 2018

图9

新窗口打开|下载原图ZIP|生成PPT
图92010—2018年平均城乡收入差距LISA聚类图

注：根据国家测绘地理信息局标准地图（审图号：云S(2017)045号）绘制,底图无修改。
Fig. 9Average urban-rural income ratio cluster diagram of LISA from 2010 to 2018

图5直观地揭示了云南省城乡收入差距的空间格局：城乡收入差距在滇西北、滇北和滇东南地区普遍偏高,滇西北的迪庆和怒江等州,滇北的禄劝县、寻甸县、东川区,滇东南红河州的金平、河口、绿春、元阳、红河等县（市、区）2010—2018年平均城乡收入比达3.8~4.7;临近滇西北的大理州剑川、鹤庆、巍山、永平、弥渡等县（市、区）以及滇北楚雄州的武定、双柏、永仁、牟定、大姚等县（市、区）在2010—2018年平均城乡收入比达3.5~3.8。城乡收入差距的低值区主要集中于云南中部和西南部,滇中的昆明市主城区、玉溪市以及滇西南的临沧、普洱、西双版纳等州（市）多数县（市、区）2010—2018年平均城乡收入比约在2.2~3.0之间。图6和图7直观地表达了2010—2018年平均农村居民人均可支配收入以及贫困县的分布状况。值得关注的是,图6、图7和图5的分布状况有一定的相似程度。图6中2010—2018年平均农村居民人均可支配收入在7.69~14.15千元/人的县份主要集中在昆明市主城区附近,而这些地区的城乡收入差距反而较小（图5）。反之,农村居民人均可支配收入在4.02~6.61千元/人的县份主要集中在云南省的西北部、东北部以及东南部,而除了东北部昭通市附近城乡收入差距处于中等水平以外,云南省西北部和东南部的多数县份城乡收入差距均处于较高水平。东北部城乡收入差距之所以处于中等水平,其原因主要在于：尽管滇东北地区农村居民人均可支配收入较低,但这里为自然条件较为恶劣的中高山峡谷区,经济和社会发展水平不高,加之其人口密度较大,城镇居民人均可支配收入亦处于较低水平,使得城乡收入比未被明显拉高,仍然处于中间水平。此外,农村居民人均可支配收入的高低与该县份是否为贫困县息息相关。

从以上分析和图5~图7可见,除了滇东北等局部地区外,云南省大部分地区大致呈现“贫困程度深→农村居民人均可支配收入低→城乡收入差距被拉大”的演进规律,农村贫困问题往往是导致城乡收入差距被拉大的深层原因。

从图8和图9可知,在滇中区位和地形条件较好、经济较发达的昆明市主城区、曲靖市多数县（市、区）和滇南的西双版纳傣族景颇族自治州多为城乡收入差距的冷点区和L-L集聚区;而滇西北较为偏远、贫困的迪庆和怒江州、以及滇北的东川等地多为热点区和H-H集聚区。该结果与上述分析相吻合,滇中的昆明市主城区由于具有优越的区位和地理条件,并受到全省经济中心的各种要素驱动,其城乡收入差距维持在较低水平;而云南省西北部、东南部以及昆明市北部的东川区等地则正好相反。从总体情况来看,云南省的城乡收入差距呈现明显的空间分异规律,往往较贫困、偏远的地区是城乡收入差距的热点区和H-H集聚区;而区位和地形条件较好、经济较发达的地区往往是城乡收入差距的冷点区和L-L集聚区,这一结果和云南实际相吻合。

4 城乡收入差距影响因素分析

根据上述指标构建计量经济学模型OLS,经过检验发现模型有非常严重的序列相关性和异方差性,多数变量极为显著但拟合优度较低,且部分解释变量不平稳,故将模型中的各变量作对数处理（地形-气候优劣度X₁₃除外）。对数处理的优点是：① 让各解释变量无量纲化,更好地分析各指标的增长率和弹性;② 缓解异方差和自相关程度;③ 使各变量变得更平稳。经过对数处理后模型仍有较大的序列相关性和异方差性,且多数变量极为显著但拟合优度较低。经过深入分析发现拟合优度低的原因是遗漏了重要的解释变量——上一年度城乡收入差距,这也是产生序列相关性的最大根源。城乡收入差距会受到原有差距的影响,故本研究将上一年度的城乡收入差距也引入模型作为解释变量,构建2011—2018年（共8年）129个县（市、区）的空间动态SAR模型。由于存在多重共线性,剔除解释变量乡村发展水平lnX₆、城镇发展水平lnX₇、实际土地综合生产率lnX₉。

加入上一年度城乡收入差距这一解释变量后,模型的序列相关性已经得到极大的缓解,异方差性也得到部分缓解。考虑到模型的主要用途是研究收入差距影响因素,不做模型预测,且属于大样本,故可采用稳健标准误法消除这些影响,得到参数估计量的正确标准误,使各类检验不再失效。

基于按贫困程度划分的四类县（表2）,本文创造性地对云南省129个县（市、区）进行六种建模：① 全省129个县（市、区）整体;② 41个非贫困县;③ 88个贫困县;④ 14个I级贫困县;⑤ 47个II级贫困县;⑥ 27个III级贫困县;同时,本文考虑采用上述两种不同的权重矩阵,运用Stata软件建立空间动态自回归模型（SAR）。值得注意的是,固定效应模型中的地形-气候综合优劣度X₁₃各年度均不发生改变而被删除,无法再探讨其影响程度和影响效果,故将该指标与其他变量的交乘项引入模型可以很好地避免上述问题。人均粮食产量和地形-气候综合优劣度有较大的相关关系,将二者的交乘项引入模型可以作更深入的分析。具体估计结果见表4。

Tab. 4
表4
表4云南省不同空间权重矩阵下的各空间动态自回归模型估计结果对比
Tab. 4Comparison of spatial dynamic panel autoregressive models with different spatial weight matrices in Yunnan province

变量估计及模型检验结果	空间邻接权重矩阵						空间反距离权重矩阵
变量估计及模型检验结果	SAR-1 （全省129 个县）	SAR-2 （41个非贫困县）	SAR-3 （88个国定贫困县）	SAR-4 （14个I级贫困县）	SAR-5 （47个Ⅱ级贫困县）	SAR-6 （27个Ⅲ级贫困县）	SAR-7 （全省129 个县）	SAR-8 （41个非贫困县）	SAR-9 （88个国定贫困县）	SAR-10 （14个I级贫困县）	SAR-11 （47个Ⅱ级贫困县）	SAR-12 （27个Ⅲ级贫困县）
参数ρ	0.4064^*** (10.50)	0.1590^** (2.15)	0.3623^*** (7.53)	-0.0626 (-0.91)	0.1005 (1.63)	0.0870 (1.36)	0.5565^*** (14.53)	0.5885^*** (9.76)	0.5257^*** (9.56)	0.5098^*** (7.03)	0.5120^*** (7.70)	0.3720^*** (3.60)
第一产业发展水平lnX₁	0.0172^* (1.86)	-0.0051 (-0.45)	0.0175 (1.46)	-0.0176 (-0.74)	0.0207 (1.09)	0.0199 (0.98)	0.0153^* (1.65)	0.0060 (0.59)	0.0154 (1.26)	-0.0234 (-1.37)	0.0187 (1.03)	0.0215 (1.05)
第二产业发展水平lnX₂	0.0132^** (2.01)	0.0124 (0.90)	0.0093 (1.38)	0.0490^*** (3.65)	0.0142 (1.49)	0.0094 (0.54)	0.0031 (0.57)	-0.0124 (-1.31)	0.0027 (0.43)	0.0305^*** (3.88)	-0.0014 (-0.18)	0.0071 (0.38)
第三产业发展水平lnX₃	-0.0215^** (-2.42)	-0.0044 (-0.47)	-0.0357^*** (-3.12)	-0.0241 (-1.07)	-0.0509^*** (-3.25)	-0.0624^*** (-3.16)	-0.0178^* (-1.92)	0.0003 (0.04)	-0.0310^*** (-2.73)	0.0195 (1.01)	-0.0247 (-1.62)	-0.0476^** (-2.01)
固定资产投资水平lnX₄	-0.0010 (-0.38)	-0.0077 (-1.49)	0.0004 (0.13)	-0.0047 (-0.57)	-0.0015 (-0.28)	-0.0075 (-1.38)	0.0028 (1.11)	-0.0032 (-1.09)	0.0037 (1.24)	-0.0021 (-0.47)	0.0048 (0.97)	-0.0038 (-0.79)
公共财政预算支出水平 lnX₅	-0.0043 (-0.82)	-0.0092 (-1.10)	-0.0007 (-0.12)	0.0318^** (2.06)	-0.0155 (-1.46)	-0.0026 (-0.27)	0.0003 (0.06)	0.0032 (0.44)	0.0069 (1.12)	0.0264^** (2.13)	0.0093 (1.08)	-0.0025 (-0.28)
人均粮食产量lnX₈	0.0399^*** (3.52)	0.0370^*** (2.90)	0.0343^*** (2.69)	-0.0784 (-0.79)	-0.1686^* (-1.77)	0.0388^*** (3.24)	0.0398^*** (2.86)	0.0256^** (1.99)	0.0450^*** (2.97)	0.0387 (0.59)	-0.1791^* (-1.67)	0.0545^*** (3.94)
经济赶超压力lnX₁₀	0.0024 (0.59)	0.0054 (0.97)	0.0042 (0.71)	0.0045 (0.26)	0.0135 (1.38)	0.0040 (0.40)	-0.0046 (-0.93)	-0.0031 (-0.63)	-0.0052 (-0.72)	-0.0324^** (-2.14)	0.0033 (0.36)	-0.0050 (-0.52)
城乡从业人员比例lnX₁₁	0.0000 (0.02)	-0.0074 (-1.37)	0.0016 (0.82)	-0.0089 (-1.21)	0.0018 (0.49)	0.0073 (1.60)	0.0011 (0.62)	-0.0042 (-0.94)	0.0024 (1.24)	-0.0060^** (-1.98)	0.0034 (1.19)	0.0067^** (2.17)
人口密度lnX₁₂	-0.2394^*** (-2.72)	-0.2917^*** (-2.83)	-0.5302^*** (-4.91)	-1.0814^*** (-2.94)	-1.0738^*** (-4.74)	-0.5521^*** (-2.59)	-0.1518^** (-2.12)	-0.1180 (-1.56)	-0.3335^*** (-3.11)	-0.5903^*** (-3.57)	-0.4871^*** (-2.67)	-0.2922^* (-1.68)
人均粮食产量与地形-气候综合优劣度的交叉影响lnX₈×X₁₃	-0.0728^*** (-3.74)	-0.0631^*** (-3.53)	-0.0615^** (-2.55)	0.0483 (0.27)	0.2839^* (1.80)	-0.0793^*** (-2.92)	-0.0704^*** (-3.14)	-0.0431^** (-2.45)	-0.0789^*** (-2.97)	-0.1149 (-1.03)	0.3043^* (1.70)	-0.1027^*** (-3.53)
上年城乡收入差距lnY_t-1	0.3266^*** (14.36)	0.5131^*** (8.17)	0.3029^*** (13.87)	0.3814^*** (6.50)	0.3464^*** (10.54)	0.4580^*** (10.84)	0.2987^*** (16.46)	0.3173^*** (4.92)	0.2728^*** (13.02)	0.2174^*** (3.49)	0.2522^*** (8.96)	0.3485^*** (7.66)
AIC信息准则	-6092.390	-1931.204	-4120.450	-623.301	-2155.508	-1207.098	-6202.196	-2051.154	-4184.854	-665.535	-2249.321	-1237.714
BIC信息准则	-6028.180	-1881.895	-4061.212	-587.960	-2104.424	-1163.219	-6137.986	-2001.845	-4125.616	-630.195	-2198.237	-1193.836
Log Likelihood	3059.195	978.602	2073.225	324.650	1090.754	616.549	3114.098	1038.577	2105.427	345.768	1137.661	631.857
Within R²	0.9353	0.9208	0.9430	0.9532	0.9450	0.9416	0.9396	0.9339	0.9460	0.9590	0.9450	0.9496

注：^***、^**、^*分别表示在1%、5%、10%的显著性水平下拒绝原假设;括号内为Z统计量估计结果;本研究均选用固定效应模型;所有模型均使用稳健标准误法（Robust）估计。

新窗口打开|下载CSV

如表4所示,在运用各空间计量模型估计中,除了SAR-4、SAR-5、SAR-6模型外,其余模型的空间参数ρ均通过了5%的显著性检验。经过检验,各空间计量模型已经较好地消除了空间自相关性。

根据AIC和BIC准则以及莫兰指数误差统计量等指标比较后发现,各空间计量模型均优于OLS。需要说明的是,以空间反距离权重矩阵构建的6个SAR模型的AIC和BIC值均分别低于相同条件下以空间邻接权重矩阵构建的6个SAR模型,且其对数似然函数值均分别大于相同条件下以空间邻接权重矩阵构建的6个SAR模型,表明以空间反距离权重矩阵构建的模型更佳。故本文在模型分析时主要分析以空间反距离权重矩阵构建的SAR模型。

两种不同的权重矩阵构建的SAR模型估计系数结果总体上差异较小,模型较稳健。综合上述结果,下面对第二、第三产业发展水平（lnX₂、lnX₃）以及人均粮食产量lnX₈、城乡从业人员比lnX₁₁、人口密度lnX₁₂、人均粮食产量与地形-气候优劣度的交叉影响lnX₈×X₁₃、上年城乡收入差距lnY_t-1等解释变量作一分析。

4.1 第二产业发展水平lnX₂

从显著性水平而言,以空间邻接权重矩阵构建的SAR-1、SAR-4模型的估计系数分别通过了5%和1%的显著性水平检验,以空间反距离权重矩阵构建的SAR-10模型通过了1%的显著性水平检验,而其余模型均未通过10%的显著性水平检验。从估计系数的正负来看,以空间邻接权重矩阵构建的所有模型的估计系数均为正;以空间反距离权重矩阵构建的模型除了SAR-8和SAR-11估计系数为负之外,其余模型估计系数均为正。总体来看,两种不同权重矩阵下的估计结果有一定的差异,由于以空间反距离权重矩阵构建的模型更佳,主要以此作分析。估计结果表明：第二产业的发展总体上对贫困县城乡收入差距的缩小起到了抑制作用,其中I级贫困县更明显。其原因主要是：第二产业主要是工业等产业,主要依赖自然界和第一产业的原料从事加工和处理,由于当地农村居民知识文化程度不高,从事第二产业工作的主要是城镇居民,故第二产业的发展更有利于城镇居民收入的增长,进而可能拉大了城乡收入差距。在贫困程度很深的县份中,由于第二产业的发展受到一定的限制,故其对城乡收入差距的影响较小;随着贫困等级的降低,贫困县份的第二产业的发展也逐渐好转,故其对城乡收入差距的影响逐渐增大,在I级贫困县中达到最高值;而非贫困县由于经济发展较好,且农村居民的文化程度和素质较高,其获取收入的渠道更广,就业机遇也更多,甚至也会有部分农村居民加入到第二产业的生产中,故第二产业的发展对城乡收入差距的影响可能较小,甚至出现促进城乡收入差距缩小的效果。

4.2 第三产业发展水平lnX₃

以空间反距离权重矩阵构建的SAR模型的估计结果中,SAR-9、SAR-12模型均通过了5%的显著性水平检验,SAR-7模型通过了10%的显著性水平检验,且系数的估计值均为负;SAR-8、SAR-10的系数估计值为正,SAR-11的为负,但均不显著。以空间邻接权重矩阵构建的模型估计系数均为负,其中SAR-1模型的估计系数通过了5%的显著性水平检验,SAR-3、SAR-5和SAR-6模型的估计系数通过了1%的显著性水平检验。两类权重矩阵的结果均大致显示,第三产业的发展总体上可以促进城乡收入差距的缩小,且在贫困县特别是贫困程度较深的县份（如III级贫困县）更为明显。以空间反距离权重矩阵构建的SAR模型的估计结果来说,尽管I级贫困县的估计系数为正且通过了5%的显著性水平检验,但II级和III级贫困县的估计系数均为负且其绝对值和显著性水平也逐渐增加,且从88个贫困县总体来看,SAR-9模型的估计结果为负且通过了1%的显著性水平检验,也可以进一步说明在贫困程度较深的县份中,第三产业的发展可以促进其缩小。出现这一结果的原因主要是第三产业不仅在经济发展中具有举足轻重的作用,还具有吸纳更多劳动力的功能,进而提高了农村常住居民的就业水平和收入水平,缩小了城乡收入差距。特别是对于贫困程度深的县份来说,农村居民的收入水平低下,收入较为单一,发展第三产业可以更好地刺激农村居民就业,更好地带动农民增收。

4.3 城乡从业人员比lnX₁₁

虽然以空间邻接权重矩阵构建的SAR模型的估计结果均未通过10%的显著性水平检验,但以空间反距离权重矩阵构建的SAR模型的估计结果中,SAR-10、SAR-12均通过了5%的显著性水平检验,且估计系数分别为负、正。由于云南省统计数据问题,且考虑到城镇化程度可以用就业水平来衡量,并了解了单位从业人员和乡村从业人员的指标含义,本研究决定运用城乡从业人员比来近似表示各县份的就业城镇化程度。随着就业城镇化程度的提升,模型显示在III级贫困县会抑制城乡收入差距的缩小,而在I级贫困县对城乡收入差距的缩小起到了一定的促进作用。经济学理论和实证研究均表明：在其他条件不变的情况下,随着城镇化的推进,其城乡收入差距会呈现出先增大后缩小的倒“U”型特征。模型估计系数也进一步支撑了上述理论。在III级贫困县中,其估计系数为0.0067,随着贫困等级的降低,其估计系数分别降至0.0034、-0.0060,在非贫困县中估计系数变为-0.0042。在III级贫困县中,由于其贫困程度深,城镇化程度低下,城镇化的推进可能会在一定程度上阻碍城乡收入差距的缩小;而随着贫困程度的减轻,城镇化的推进可能对城乡收入差距的缩小由抑制的效果转变为了促进的作用。

4.4 人口密度lnX₁₂

所有模型的估计系数均为负,且除了SAR-8模型未通过10%的显著性水平检验、SAR-12模型仅通过了10%的显著性水平检验之外,其他所有模型的估计系数均通过了5%的显著性水平检验,且大部分模型还通过了1%的显著性水平检验,说明无论在非贫困县还是在贫困县,人口密度对缩小城乡收入差距的影响效果均较为明显。其原因主要是人口密度较大的地区往往土地综合生产率较高,经济较为发达。如果将其作为因变量,仅仅将人口密度作为自变量,OLS估计中调整的R²达0.80以上,估计系数为正,对应的t值通过1%的显著性检验,也就是说土地综合生产率至少有80%可以单纯被人口密度所解释,这也是土地综合生产率存在共线性的原因之一。由此可见,人口密度较大的地区（如昆明市主城区）土地综合生产率也相应较高。这是因为这里教育、医疗、卫生条件完善且区位和地形条件优越,往往成为更多高素质人群工作、生活所追求的地方,这些拥有优越条件的地区可以吸纳更多优秀的人才、资源和技术,因而使经济发展水平得到极大的提高。农村居民进入这些地区工作可以获得更好的收入。另需说明的是,如前所述,滇东北的昭通市自然条件较为恶劣,经济发展水平有限,但由于其人口密度较大,仅次于昆明市主城区,因而收入总量的“蛋糕”就须要分配给更多的人群,致使城乡常住居民可支配收入均处于较低水平,故城乡收入差距未被明显地拉大,总体上处于全省的中等水平。可见,贫困县和非贫困县人口密度的增加虽然均促进了城乡收入差距的缩小,但作用机理和原因有明显的差异。

4.5 人均粮食产量lnX₈以及地形-气候综合优劣度X₁₃

从显著性水平来看,变量人均粮食产量lnX₈和人均粮食产量与地形-气候综合优劣度的交叉影响lnX₈×X₁₃的显著性水平大致相同,SAR-1和SAR-7、SAR-2和SAR-8、SAR-3和SAR-9、SAR-6和SAR-12模型均通过了5%的显著性水平检验,而SAR-4、SAR-5、SAR-10和SAR-11模型显著性水平较低,未通过5%的显著性水平检验。就估计系数的正负和大小而言,在SAR-1和SAR-7、SAR-2和SAR-8、SAR-3和SAR-9、SAR-6和SAR-12中,lnX₈系数的估计结果均大于0,而lnX₈×X₁₃系数的估计结果均小于0,且其绝对值均大于前者（lnX₈）。这表明：非贫困县和III级贫困县的lnX₈和lnX₈×X₁₃的影响较为显著,其中以III级贫困县更为显著。人均粮食产量的影响受到了地形、气候条件的制约,存在“地形-气候综合优劣度门槛”。以SAR-12模型为例,各III级贫困县中,如果地形-气候综合优劣度超过了0.5307,那么人均粮食产量的增加可以促进城乡收入差距的缩小;但如果地形-气候综合优劣度低于0.5307,那么人均粮食产量的增加反而抑制了城乡收入差距的缩小,存在“粮食诅咒”的现象。值得注意的是,非贫困县lnX₈和lnX₈×X₁₃的估计系数虽然在统计学上显著,但lnX₈和lnX₈×X₁₃的系数估计值仅为0.0256和-0.0431,其绝对值明显小于88个贫困县的估计值0.0450、-0.0789和III级贫困县估计值0.0545、-0.1027,所以从经济学意义上来说,非贫困县粮食产量对城乡收入差距的影响效果相对较小;而在贫困县尤其是贫困程度深的县份中,该因素的影响效果相对较大。此外,II级贫困县的估计系数与其他县份完全相反,且估计结果在统计学上未通过5%的显著性水平检验,其可能的原因是47个II级贫困县中存在部分极端值数据,进而导致估计结果有一定的偏离甚至反常;总而言之,在88个国定贫困县的估计结果中,lnX₈和lnX₈×X₁₃的估计系数分别为0.0450、-0.0789,且均通过了1%的显著性水平检验,未出现上述反常情况,这也可以进一步说明增大样本量可以使结果更贴近真实情况,更好地减轻极端值数据带来的影响。出现这些结果的原因主要是：① III级贫困县是农村贫困程度很深的深度贫困县,其自然条件恶劣,贫困面广,农村居民的文化素质和劳动技能较差,一般依靠发展种植业（主要种植粮食）来增加收入,种粮或许是其收入的主要来源甚至是唯一来源,从而使得城乡收入差距与人均粮食产量有紧密的关联性,其对城乡收入差距的影响效果明显;而对于贫困程度较低的县份,农村居民往往还有更广的收入来源,种粮可能不是其主要收入来源,所以人均粮食产量对于城乡收入差距的影响效果较小。② III级贫困县中的城乡收入差距与地形-气候综合优劣度也有紧密的关联,地形-气候综合优劣度稍高的县份,种植粮食仍可能带来一定的增收,从而可以明显地缩小城乡收入差距;然而,地形-气候综合优劣度很低的县份,区位条件较差,甚至属于喀斯特石漠化地貌区或高山峡谷区,这可能会导致种植粮食投入大、产量低,容易陷入“种粮-低收入-再种粮”的低收入陷阱,存在“粮食诅咒”。

4.6 上一年度城乡收入差距lnY_t-1

所有模型的估计系数均通过了1%的显著性水平检验,且估计系数均为正,其范围大体上在0.2~0.5之间。总体来看,两种不同权重矩阵下的估计结果差异不大,空间反距离权重矩阵的估计系数均小于空间邻接权重矩阵的估计系数,但两种不同权重矩阵的估计结果均显示,非贫困县的估计系数大于贫困县;在贫困县中,随着贫困等级的增加,其估计系数有增大的趋势,在空间反距离权重矩阵下III级贫困县的估计系数甚至超过了非贫困县的估计系数。这表明：云南省城乡收入差距带有很大的惯性,受到上一年的制约极为明显。总体上,非贫困县对上一年城乡收入差距的依赖较贫困县更强,然而随着贫困县贫困等级的增加,对上一年的依赖也逐渐增强,其依赖程度总体上呈现出先减弱后增强的“U”型特征。其原因是：随着精准扶贫政策的深入实施,带动贫困县农村居民增收效果明显,从而使得贫困县的城乡收入差距相比非贫困县而言更好地摆脱了对上一年的依赖。然而,随着贫困等级的增加,贫困程度深的县份往往成为脱贫攻坚最难啃的“硬骨头”,农村居民虽然因精准扶贫政策得到了增收,但增收效果远没有贫困程度低的那些贫困县明显,很多贫困户收入只是勉强达到了国家标准,还存在一定的返贫风险,因此,其城乡收入差距对上一年的依赖更加明显。这也警示我们：贫困程度深的县份不仅贫困面广、贫困程度深,且城乡收入差距大,返贫风险大,需要重点关注,给予倾斜政策。

5 结论与启示

5.1 结论

本文将城乡收入差距和农村贫困问题相结合,将各县（市、区）按照贫困程度的差异划分为4个类别（非贫困县和I级、II级、III级贫困县）,使用云南省129个县（市、区）2010—2018年产业、社会、经济、人口以及地理环境5个维度的面板数据,并引入“地形-气候综合优劣度”作为非经济指标,在分析城乡收入差距的时空演化和空间格局特征基础上,运用空间动态面板模型深入研究云南省城乡收入差距的影响因素。主要结果如下：

（1）时空演化规律：① 2010—2018年全省各县（市、区）平均城乡收入差距总体上呈现下降趋势,但降幅较小,2012—2018年的下降幅度均在4%以下,其中2016—2018年的下降幅度更为缓慢;② 从分类县份的降幅来看,各类贫困县城乡收入差距的降幅总体上均高于非贫困县;③ 总体而言,各类县份城乡收入差距的差异较显著,总体上呈现“III级贫困县>II级贫困县>I级贫困县>非贫困县”的趋势。

（2）空间格局分析结果表明：① 2010—2018年云南省城乡收入差距具有明显的空间分异特征。总体来看,城乡收入差距大致呈现出从滇西北和滇东南向中部递减的态势,滇西北的迪庆州、怒江州,滇北的禄劝县、寻甸县、东川区,滇东南的红河州金平、河口、绿春、元阳、红河等地平均城乡收入比均达3.8~4.7;滇中的昆明主城区、玉溪以及滇西南的临沧、普洱、西双版纳等州（市）的多数县（市、区）平均城乡收入比仅为2.2~3.0。② 滇中区位和地形条件较好、经济较发达的昆明市主城区、曲靖市多数县（市、区）和滇南的西双版纳州多为城乡收入差距的冷点区和L-L集聚区;而滇西北较为偏远、贫困的迪庆州、怒江州、以及滇北的东川等地多为热点区和H-H集聚区。③ 大部分地区大致呈现“贫困程度深→农村居民人均可支配收入低→城乡收入差距被拉大”的演进规律,农村贫困问题往往是导致城乡收入差距被拉大的深层原因。

（3）动态SAR模型估计结果显示：① 第二产业的发展总体而言对贫困县城乡收入差距的缩小起到抑制作用,其中对I级贫困县更明显。② 贫困县第三产业的发展有利于城乡收入差距的缩小,尤其是对于贫困程度较深的县份来说,其促进作用也更为明显。③ 人口密度对非贫困县和贫困县缩小城乡收入差距的影响效果均较明显。④ 在贫困程度较深的县份中,城乡从业人员比的提高会抑制城乡收入差距的缩小;而随着贫困等级的降低,城乡从业人员比的提高反而促进了城乡收入差距的缩小,总体上大致呈现出“先抑制后促进”的倒“U”型的特征。⑤ 人均粮食产量的影响在III级贫困县最为明显,并受到了地形和气候条件的制约,存在“地形-气候综合优劣度门槛”,在地形、气候条件较好的地区提高人均粮食产量可以在一定程度上促进城乡收入差距的缩小,而在地形、气候条件较差的地区提高人均粮食产量却抑制了城乡收入差距的缩小,存在“粮食诅咒”。⑥ 云南省城乡收入差距带有很大的惯性,受到上一年的制约极为明显,总体上非贫困县对上一年城乡收入差距的依赖较贫困县更强,但随着贫困县贫困等级的增加,对上一年城乡收入差距的依赖逐渐增强,其依赖程度总体上呈现出先减弱后增强的“U”型特征。

5.2 启示

上述研究结论可以为云南省乃至全国城乡统筹发展、缩小城乡收入差距以及更好地实施乡村振兴战略、城乡融合发展战略提供有益的借鉴。

从整个云南省看,贫困县的城乡收入差距显著高于非贫困县,农村贫困是导致城乡收入差距被拉大的深层原因。尽管2020年是全国脱贫攻坚战的收官之年,包括云南省88个国定贫困县之内的全国所有贫困县（共832个）均于2020年12月底全部脱贫,但应看到,脱贫的现行标准主要解决的是农村的“绝对贫困”问题,包括云南在内的中国中西部农村地区2020年之后的相对贫困问题必然会继续存在。尤其是精准扶贫阶段占有一定比例、处于扶贫“边缘线”上、没有纳入建档立卡贫困人口进行精准帮扶的那部分所谓“边缘人口”,极易成为新的贫困人口;同时,农村地区各种情况较为复杂,常常会有部分农户由于自我发展能力低下、疾病等各类突发性事故、自然灾害等诸多原因而致贫、返贫。针对农村贫困状态的动态性、致贫原因的复杂性、贫困类型的差异性以及扶贫措施的针对性,需要充分认识农村贫困问题的长期性与复杂性,因地制宜地构建起精准扶贫与防贫的长效机制,以此推进缩小城乡收入差距和城乡协调发展。从世界各国的发展进程来看,“差距”是普遍存在的。就贫困县而言,尽管已经脱贫摘帽,但由于受到自身诸多条件的制约,在经济、社会发展等方面很难“追上”甚至“赶超”非贫困县,其城乡收入差距仍将居高不下,需要国家和省级层面继续加大对贫困县（或称“脱贫县”）、已脱贫户和一般农户中低收入的“边缘易致贫户”的扶持力度,出台更多惠民政策保障农村居民持续稳定增收,逐步缩小城乡收入差距。

贫困发生率和城乡收入差距从理论上看均会受到上一年的影响而存在惯性,但是随着国家脱贫攻坚的深入,云南省近几年贫困发生率发生了显著的下降,农村居民的生活也发生了明显的改变,但云南省的城乡收入差距却呈现降速慢、降幅小、甚至仍有居高不下的态势,这给城乡统筹发展和乡村振兴战略带来极大的障碍和挑战。这就迫切需要国家和各级地方政府高度重视城乡二元差距问题,因地制宜地推进城乡协调发展,逐步缩小各地城乡收入差距。为此,本文认为,很有必要将缩小城乡收入差距与精准扶贫和乡村振兴战略实现有效衔接、纳入政府业绩考核的重要部分,从而更好地引起各级地方政府对缩小城乡收入差距的重视。

致谢：

感谢匿名评审专家在论文评审中所付出的时间和精力,尤其评审专家对本文模型的完善等方面的修改意见,使本文获益匪浅。同时,感谢云南财经大学国土资源与持续发展研究所张博胜博士在图件处理上给予的帮助。

参考文献原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]

, Wang

, Chen

, et al. The income gap between urban and rural residents in China: Since 1978
Computational Economics, 2018, 52(4):1153-1174. DOI: 10.1007/s10614-017-9759-4.

URL [本文引用: 1]

[2]

习近平. 决胜全面建成小康社会夺取新时代中国特色社会主义伟大胜利: 在中国共产党第十九次全国代表大会上的报告. 北京: 人民出版社, 2017. 1-71.