經濟增速放緩對個體收入和就業的影響研究

一 引言及文獻述要

中國經濟在經歷了多年高速增長后，自2012年起轉為中高速增長，到2019年，GDP增速降至6.1%，今年在新冠肺炎疫情影響下有進一步下行的趨勢。經濟增速轉變給中國經濟結構調整帶來深遠的影響，學術界對此展開了大量研究。現有文獻主要集中于宏觀層面，討論經濟增速放緩的原因、可能的影響以及應對策略(劉偉和蘇劍，2014[1]; 鄭挺國和黃佳祥, 2016[2]; 蔡昉，2016a[3]; 林建浩和王美今，2016[4]; 張華，2017[5]；陳彥斌等, 2018[6]；Bai和Zhang, 2017[7]; Lu, 2017[8]; Blagrave和Vesperoni, 2018[9]; Lin, 2019[10]; Tian, 2019[11])。這些研究對于深刻理解我國宏觀經濟的變化頗有益處，但由于缺乏微觀證據的支撐，較少文獻研究經濟增速放緩所帶來的沖擊對微觀個體的影響，比如個人收入和就業是否受損，如果受損，哪些人群損失更為嚴重，其背后的機制又是什么。本文試圖對這些問題作出回答。

解析經濟增速放緩給微觀個體帶來的影響有一個難題，即與經濟增速下行沖擊無關的因素可能也會影響微觀個體變量在時間維度上的變化。比如，近年來全國層面的技術變化如互聯網技術應用發展，與經濟增速下行沖擊一樣，也可能會引起就業率的變化。直接比較微觀個體在沖擊前后就業的變化，并不能區分這兩類沖擊的影響。對此問題，本文借鑒Hershbein和Kahn(2018)[12]、Yagan(2019)[13]的做法，利用經濟增速下行沖擊在地理空間上的差異來識別，即雖然各地都受到了全國層面的共同沖擊，比如技術沖擊，但一些地區受經濟增速下行沖擊的影響大，而另一些地區受經濟增速下行沖擊的影響小，區域之間所受沖擊的差異反映的是經濟增速下行沖擊，而非全國的共同沖擊。在此基礎上，結合微觀調查數據，通過微觀個體變量在沖擊前后的變化及其在空間上的差異，來分析經濟增速放緩對微觀個體收入與就業的影響。

以上識別方法需要解決兩個技術上的問題。一個是數據問題，需要經濟增速放緩前和放緩后微觀個體的追蹤調查數據，據此來比較微觀個體在沖擊前后的變化，也需要調查樣本的地理空間信息，以識別其所受到的沖擊大小。在本文所能獲得的數據中，沒有同時符合這兩個要求的(1)本文界定經濟下行沖擊發生在2007-2012年間，見腳注2及論文第二部分的解釋。為此，需要2007年前及2012年后的數據。在對外公開的微觀調查數據中，符合此要求的只有中國健康營養調查(CHNS)和中國家庭收入調查(CHIP)數據，前者是追蹤調查數據，但缺少調查樣本的地理空間信息，后者有地理信息，但不是追蹤調查數據。。為此，借鑒Hoynes et al.(2012)[14]、McKernan et al.(2014)[15]等所用的組別合成法(Synthetic Cohort Approach)，按照地理區位和年齡合并調查樣本，以此來構造可以在沖擊前后及空間上進行比較的樣本。另一個是內生性問題，比如，受經濟增速下行沖擊影響大的區域，所在地微觀個體的經濟狀況可能本來就較差。在這種情況下，普通的最小二乘法會低估經濟增速放緩帶來的影響。為了克服這個問題，本文采用Bartik(1991)[16]的偏離份額法(Shift-share Method)，利用全國各產業增加值的增長率和沖擊前每個區域相應產業所占的比重來構造工具變量。該工具變量反映的僅是各區域受經濟增速放緩的影響，而與各地受到的其他特定沖擊無關。

具體而言，考慮到我國的經濟增長速度在2007年達到一個峰值，從2012年起有明顯下降，本文以各省在2007和2012兩年間的經濟增速變化來衡量經濟增速下行沖擊，并利用中國家庭收入調查中離這兩年最近的數據即CHIP2002和CHIP2013，按照調查樣本所在省份和年齡段合成數據，然后建立差分模型，采用兩階段最小二乘法(2SLS)，通過合成組在沖擊前和沖擊后及空間上的變化，來識別經濟增速放緩時微觀個體收入和就業所受到的影響(2)2007年我國GDP增速達到了峰值14.2%，自2008年國際金融危機后，經濟增速開始下降，2012年降至8%以下，發生了明顯變化。因此，以2007和2012兩年間經濟增長率的變化來衡量經濟下行沖擊，論文第二部分對此有詳細說明。文獻中也有類似的界定，比如蔡昉(2016b)[17]認為，鑒于我國政府始終把“保八”作為經濟增長目標的底線，因此把增長率持續低于8%的起始年份2012年作為經濟顯著減速的轉折點。。為了研究經濟增速放緩對微觀個體的異質性影響，本文將調查樣本按年齡、性別和受教育程度分組進行討論。最后，結合微觀個體收入與就業所受到的影響，討論了經濟增速放緩作用于微觀個體的機制。

本文研究結論是：經濟增速放緩對個人收入沒有顯著影響，但就業在經濟增速放緩后有明顯變化，相對于其他地區，如果一個地區經濟增速下降1個百分點，則其就業率減少約2個百分點。不考慮內生性時，經濟增速放緩對就業的影響會被低估。該結果在考慮了各省在沖擊前的增長趨勢、經濟規模、產業結構和出口比重后，仍是穩健的。分年齡段來看，年輕組的就業受經濟增速下行沖擊的影響最為明顯。分教育程度來看，小學及以下教育人群的就業率下降更多。分性別來看，女性受到的影響更大。個人的非理性預期、企業的破壞性創新和勞動力市場的錯配是經濟增速放緩影響微觀個體收入與就業的主要途徑。

本文主要貢獻可能在于從微觀層面研究了經濟增速下行對我國居民就業和個人收入的影響，從而彌補現有文獻在該領域上的不足。目前關于我國經濟增速放緩的研究主要是從宏觀層面討論其原因、影響及應對策略，缺乏微觀層面的證據。但在國際上，越來越多的文獻注重基于微觀數據討論經濟增速變化。比如，Jensen和Johannesen(2017)[18]研究了金融危機對丹麥個人消費信貸的作用，Hoynes et al.(2012)[14]、 Hershbein和Kahn(2018)[12]以及Yagan(2019)[13]研究了經濟衰退對美國個人工資、就業以及高技能工人需求的影響。

本文的另一個可能貢獻是通過組別合成法，克服了非追蹤調查數據跨年比較時遇到的困難，為我國此類調查數據的應用提供了一個新思路。眾所周知，由于樣本流失嚴重，追蹤調查，特別是長時期的追蹤調查，往往不易開展。常見的微觀調查樣本在每個調查年份是隨機抽取的，這給微觀個體行為的跨年比較分析帶來了很大挑戰。通過組別合成法所構造的樣本，盡管不是嚴格意義上的微觀個體，但可以組成面板數據進行跨期比較，從而在一定程度上擴展了非追蹤調查微觀數據的應用范圍。

此后內容安排如下：第二部分比較了經濟增速放緩前后個人收入和就業的變化，第三部分是經濟增速下行沖擊影響微觀個體的識別方法介紹和變量說明，第四部分是基本估計結果和穩健性檢驗，第五部分討論了經濟增速下行沖擊的異質性影響，第六部分是經濟增速放緩影響微觀個體的機制討論，最后是結論。

二 收入和就業在經濟增速放緩前后的變化

先看近年來我國經濟增長速度的變化。圖1顯示，2007年前GDP增長速度一直保持上升態勢，在2007年達到峰值14.2%。從2008年國際金融危機開始，經濟增速明顯下降，雖然受經濟強刺激的作用，GDP增速在2010年有所回調，但其后逐年下滑，到2012年，降至7.9%，其后一直處在我國政府沿用多年的“保八”底線之下。顯然，2012年是我國經濟的重要轉折點，經濟增速自此由高速轉變為中高速，本文正是利用2007和2012兩年間經濟增長速度的變化來衡量經濟增速下行沖擊。

圖1 近年來全國GDP增長率(%) 圖2 地區間受經濟增速下行沖擊影響的比較

為了觀察各地受經濟增速放緩影響的差異，根據各省GDP增長率在2007和2012兩年間的變化，把全國省級區域分為兩組，一組是變化幅度比較大的，即受經濟增速放緩影響較大的地區，另一組是變化比較小的，即受影響相對較小的地區，然后計算兩組中各省GDP增長率均值的差值，據此判斷地區之間所受影響的差異，結果見圖2(3)按2007和2012兩年間各省GDP增長率的變化排序，發現湖北省是中位數，下降了3.3%。因此，在圖2中把GDP增長率下降大于3.3%的省份界定為受經濟下行沖擊影響較大區域，包括北京、山西、內蒙古、遼寧、吉林、上海、江蘇、浙江、福建、山東、河南、湖南、廣東、廣西、海南，把GDP增長率下降小于3.3%的其他省份界定為受沖擊影響較小區域。。從中可看出，2007年之后，受影響較大省份的經濟增長速度明顯低于受影響較小省份，這種差異在2012年接近2.3個百分點，達到了極值，其后地區之間的差異有所波動，但截至2017年，地區之間的差異依然明顯。下文正是利用地區之間受經濟增速下行沖擊的不同來識別經濟增速放緩對微觀個體的影響。圖2的另一個特征是：在2007年之前，受經濟增速下行沖擊影響較大地區的經濟增長率明顯高于受沖擊較小地區，這種差異在2002-2007年之間最為突出。這似乎說明，沖擊前增長速度快的地區可能正是受沖擊影響大的地區。

接下來比較經濟增速下降前后個人收入和就業的變化。具體的做法是，采用中國家庭收入調查(CHIP)數據，以CHIP2002作為沖擊前的樣本，CHIP2013為沖擊后的樣本，選擇16-65歲的城鎮樣本為研究對象，計算樣本當年收入的平均值，以及就業人數所占的比重即就業率，并按年齡、性別和受教育程度分組進行討論。之所以選擇這兩個年份的調查數據，是由于在CHIP數據中，這兩個年份是離沖擊前和沖擊后即2007年和2012年最近的調查數據(4)CHIP由北京師范大學中國收入分配研究院聯合國內外專家共同完成，從1988年開始，進行了7輪調查，包括1988、1995、1999、2002、2007、2008、2013，本文選用沖擊前后即2002和2013年兩輪調查中的城鎮住戶數據。。為了便于跨年比較，利用各地的消費者價格指數，將2013年的收入以2002年價格計進行折算，結果見表1(5)表1中之所以按每隔9歲來分組，是為了和后文的實證分析相對應，關于分組的具體設定見論文第三部分。。

表1 分組收入與就業

表1顯示，無論是從全樣本還是分組樣本來看，與2002年相比，2013年的個人收入都大幅上升，但上升的幅度在組別間差異明顯。分年齡來看，年輕組(16-24歲)盡管收入相對較低，但增長最快，11年間增長了近2倍，年均增速約18%。隨著年齡的增加，收入增長的幅度下降。對于年長組(61-65歲)，其年均增速不到8%。另一個特征是：高收入群體具有年輕化趨勢，2002年時最高收入組是52-60歲的樣本，到2013年，最高收入組已降至34-42歲。分性別來看，男性的收入明顯高于女性，但女性收入的增長速度更快。從受教育程度來看，受教育水平越高的組別，其收入越高，但收入的增速卻相對較低。

在就業方面，青壯年組(34-42歲)的就業率最高，年長組(61-65歲)和年輕組(16-24歲)的就業率最低。2002年到2013年，年輕組(16-24歲)的就業率增長最快，提高了約10個百分點，其他組別的就業率也有所增加，但52歲以上中老年組的就業率卻在下降，特別是61-65歲這一組，就業率下降了約10個百分點。男性的就業率高于女性，但女性的就業率在樣本期間增加更多。從受教育程度來看，大學及以上組別的就業率最高，小學及以下組別的就業率最低，從2002年到2013年，各組的就業率都有所增加，其中受教育程度較低人群的就業率增加相對更多。

圖3 各地受經濟增速下行沖擊的大小(%)

以上分析表明，從總體上看，與2002年相比，個人收入和就業在2012年后有所增加，似乎說明經濟增速放緩對收入和就業沒有不利影響，但這只是跨年之間的簡單比較，并未和經濟增速下行沖擊直接聯系起來。為了研究經濟增速下行沖擊的影響，首先要測度經濟增速下行沖擊的大小。對此，研究中常用宏觀經濟指標的變化，如各地的失業率變化來度量(Bitler和Hoynes, 2015)[19]。由于缺少各地調查失業率的連續一致數據，本文采用GDP增長率的變化來度量。具體做法是，以CHIP調查中的12個省份為對象，計算各省GDP增長率從2007年(沖擊前)到2012年(沖擊后)的變化，以此來衡量各地經濟增速下行沖擊的大小，結果見圖3(6)CHIP2002的調查覆蓋12個省市，2013年的調查增加至15個省市，為了保持樣本數據的前后一致性，本文以2002年的省份為研究對象，包括北京、山西、遼寧、江蘇、安徽、河南、湖北、廣東、重慶、四川、云南、甘肅等12個省市。。從中可看出，東部省份受經濟增速下行的沖擊較大，中西部省份相對較小。比如，北京和廣東2012年的GDP增長率相比2007年下降了近7個百分點，安徽和四川下降僅2個百分點，云南和甘肅的增長率在2012年甚至有所提高。

圖4 經濟增速下行沖擊與收入和就業變化的關系

測度各地經濟增速下行沖擊的大小后，利用CHIP數據，以省為單位計算2002年和2013年各地收入和就業率的均值及其在兩年之間的變化，然后繪制散點圖，觀察經濟增速下行沖擊與收入和就業變化之間的關系(圖4)。考慮到多數省份所受到的沖擊是負值，為了易于解釋，在圖中對沖擊大小做了符號反向處理，即數值越大，表示受到的沖擊越大。從圖4可以看出，收入和就業與經濟增速下行沖擊的關系不同，收入的變化和沖擊呈正相關關系，而就業的變化和沖擊呈負相關關系。也就是說，與受經濟增速下行沖擊影響小的區域相比，受經濟增速下行沖擊越大的區域，其收入上升越快，但就業率卻增加較慢。散點圖反映的只是變量之間的相關關系，而非因果關系，以下將建立模型，識別經濟增速下行沖擊給微觀個體帶來的影響。

三 研究方法與數據

本文運用差分方法，通過比較不同區域內微觀個體收入和就業在沖擊前后的變化，來識別微觀個體受經濟增速下行沖擊的影響。比如，對于一個t=0年生活在某個區域的個體，從t=0到t年，其收入和就業的變化，與一個類似的個體但生活在其他受經濟增速放緩影響不同的區域相比，有什么差異。構建估計模型如下：

ypi, t-ypi, 0=α0+α1gshockp+Xpiα2+δg+εpi

(1)

其中y是p地區第i個微觀個體的收入或就業，t表示沖擊后，0表示沖擊前，gshock表示p地區所受到的經濟增速下行沖擊，X為微觀個體的特征變量，δg表示組別固定效應，ε是隨機誤差項，變量的具體設定下文將做詳細說明。式(1)實際上是類似于雙重差分的模型，通過比較微觀個體在時間上和空間上的雙重變化來識別因果關系，α1是本文關注的關鍵參數，衡量的是經濟增速下行沖擊對微觀個體的影響，即某個地區受一個單位的經濟增速下行沖擊會對該地微觀個體的收入和就業產生多大影響(7)以上識別方法類似于雙重差分(DID)方法，但并不等同，比如無需區分干預組和對照組來完成識別。。

估計模型(1)需要有沖擊前和沖擊后微觀個體的追蹤數據，且需知道微觀個體所在的空間區位以識別其所受到的沖擊。但遺憾的是，在本文所能獲取的微觀調查數據中，沒有同時符合這兩個要求的數據。為了解決這個問題，采用中國家庭收入調查數據(CHIP)，借助組別合成法來構造可跨年比較的樣本。CHIP數據給出了調查樣本所在省份的信息，利用該信息可以識別出微觀個體對應省份受到的經濟增速下行沖擊(8)具體而言，本文是用CHIP數據中調查樣本代碼的前兩位數來推斷調查對象所在的省份。。如前文所述，本文以2007和2012兩年間經濟增長率的變化來度量經濟增速下行沖擊，CHIP中，離這兩個年份最近的調查是CHIP2002和CHIP2013，因此選用CHIP2002和CHIP2013的數據，其中2002年代表沖擊前，2013年代表沖擊后(9)由于沖擊發生在2007-2012年間，與此對應，微觀個體的樣本最好選擇在沖擊前后即2006和2013，但受數據所限，沖擊前的樣本本文選擇的是2002年。從2002年到2007年之間有時滯，這可能會影響到本文估計結果的有效性。但本文的識別主要是依據合成組在空間上所受沖擊的差異，如果2002-2007年間各地經濟增速的趨勢相同，那么各地經濟增速在此期間的變化就沒有明顯不同。在這種情況下，分析2007-2012年間經濟增速下行沖擊對2002到2013年間微觀個體收入和就業變化的影響是可行的。。由于CHIP不是追蹤調查數據，不能直接用來比較微觀個體在沖擊前后的變化，所以借鑒Hoynes et al. (2012)[14]和McKernan et al.(2014)[15]使用的組別合成法來構造可以在沖擊前后進行比較的“合成”樣本(10)需要指出的是，組別合成法雖然可以用來構造在時間維度上可以比較的樣本，但合成的過程不可避免地掩蓋了合成組內微觀個體的差異，如果這些差異會影響到合成組工資和就業在空間和時間維度上的變化，則本文的估計可能有偏。本文做法的價值在于利用有限的數據，為識別經濟增速放緩沖擊對個體的影響提供一個參考。如果要準確識別沖擊效應的大小，需要運用追蹤調查的微觀個體數據。。具體做法是，以調查時年齡在16-65歲的城鎮樣本為對象，從16歲起，每3歲作為一組，把每個省的樣本分為17組，然后計算每組內各變量的平均值，以此為合成樣本的指標(11)需要指出的是，第17組僅包含64-65歲的人群。樣本中剔除了在校學生、離退休人員和喪失勞動能力的人員。本文以3歲為一個年齡段來合成數據，是參考了McKernan et al.(2014)[15]的做法。用3歲的另一個考慮是，后文在研究沖擊效應的異質性時，需要按年齡段的倍數分組，以3歲來分段，正好可以按9歲，即一代人來分組。。具體到模型(1)的估計，此時模型中的i表示合成樣本，而非微觀調查樣本，p表示省份，g表示各年齡組，這樣即可以在控制了個體特征和組別固定效應后，比較合成樣本在沖擊前后及省際間的變化，據此識別經濟增速下行沖擊的影響。

本文關注的是微觀個體收入和就業的變化。收入為調查樣本全年收入，包括工資、獎金、津貼、各種補貼以及經營性收入等。為了消除價格因素對收入的影響，采用各省消費者價格指數，將2013年的收入以2002年價格水平進行折算，組別合成后對收入取對數，再取2013和2002兩年的差分，作為模型(1)的被解釋變量。微觀個體就業相應變量取0或1，即調查時處于就業狀態為1，其余為0。在組別合成后，該變量表示在該組內就業人數所占的比率，即就業率，研究就業所受影響時，被解釋變量為就業率在2002和2013兩年間的變化。

為了控制微觀個體特征對估計結果的影響，在模型中加入了年齡、年齡平方、性別、是否結婚、是否為城鎮戶口、教育狀況等控制變量。除了年齡和受教育程度外，其他均為虛擬變量，其中男性為1，女性為0；已婚為1，未婚為0；城鎮戶口為1，其他為0。對于受教育程度，分為三類，即受小學及以下教育、受中學(含中專)教育、受大專及以上教育。需要指出的是，在組別合成后，這些變量并非嚴格意義上的虛擬變量或分類變量。比如，對于性別，在合成樣本中，實際上是男性所占的比重，而非0-1變量。

經濟增速下行沖擊gshock是關鍵變量。如前文所述，用2007和2012兩年間各省GDP增長率之差來衡量各地所受沖擊的大小，數據來源于歷年《中國統計年鑒》。對于多數省份，該差值為負，為了便于解釋，對其做了符號反向處理。如果某個省經濟增長率在此期間下降得越多，即gshock的數值越大，則表示該省受經濟增速下行的沖擊相比于其他省份更大。本文正是利用省份之間所受沖擊大小的不同來識別經濟增速放緩對微觀合成樣本的影響是否有差異。直接使用各地宏觀變量的變化來衡量沖擊是文獻中常用的方法(Bitler和Hoynes, 2015[19]; Yagan, 2019[13])，但這樣做可能存在內生性問題。如果受經濟增速下行沖擊影響較大地區微觀個體的經濟狀況本身就差，或者是如果微觀個體的行為會影響到各地宏觀經濟的表現，那么最小二乘法(OLS)的估計是有偏的。因此，本文構造工具變量，采用兩階段最小二乘法(2SLS)來估計模型。

對于工具變量的構造，采用Bartik(1991)[16]的偏離份額法，即用全國總體經濟各產業增加值的增長率和各省相應產業所占的比重來預測各省在2012年和2007年的增長率，再用這兩個增長率預測值之差作為工具變量(12)使用Bartik方法測度沖擊是區域和城市經濟學研究中常用的做法，例如Blanchard和Katz(1992)[20], Notowidigdo(2011)[21]以及Hershbein和Kahn(2018)[12]等的研究。。假設全國各產業增加值的增長率為gNS，p省第S個產業所占的比重為SharepS，那么p省經濟增長率的預測值為：

(2)

利用2007年和2012年全國各產業增加值的增長率，結合2004年到2006年間各省各產業增加值所占比重的平均值，運用式(2)即可預測各省在2007年和2012年的增長率，從而計算Bartik工具變量，和gshock一樣，對其做了符號反向處理。之所以采用沖擊前即2004年到2006年間的產業結構數據，而不是2007-2012年間的數據，是為了避免2007年后經濟增長對產業結構的影響。對于產業劃分，采用了國家統計局9大產業的分法，包括農林牧漁業、工業、建筑業、批發零售業、交通運輸業、住宿餐飲業、金融業、房地產業、其他行業，具體劃分及數據來源見國家統計局網站。由以上方法構造的工具變量僅與各省在沖擊前的產業結構和沖擊后全國各產業的增長率有關，即經濟增速下行沖擊體現在全國各產業增加值增長率的變化上。假設各地區各產業受到的沖擊和全國各產業相同，則地區之間所受沖擊的大小差異取決于沖擊前各地的產業結構，而與經濟增速放緩期間各省的特定因素無關。這樣構造的工具變量僅反映各地受全國經濟增速下行沖擊的影響，與各地受到的其他沖擊無關，因此是一個比較理想的工具變量。

四 基本估計結果及穩健性檢驗

首先，根據式(1)估計經濟增速下行沖擊對個人收入的影響。表2列(1)的OLS估計結果顯示，經濟增速下行沖擊的參數估計值為正，但并不顯著。接下來，采用Bartik方法構造的工具變量，運用2SLS重新估計模型，結果見表2列(2)。由表2最下面三行報告的第一階段估計結果可看出，Bartik工具變量和沖擊變量高度相關，弱工具變量檢驗的F值為189，遠超經驗值10，根據Stock et al.(2002)[22]的研究，說明工具變量是有效的(13)為節省篇幅，2SLS估計的第一階段回歸結果僅報告Bartik工具變量的估計值及其穩健標準誤，弱工具變量的F檢驗值報告在表2的最下面一行。在過度識別的情況下，檢驗工具變量的有效性還可以用Sargan或Hansen檢驗，但本文的模型是恰好識別，不能進行此類檢驗(Murray, 2006)[23]。。第二階段的估計結果顯示，此時經濟增速下行沖擊的系數由正變為負，表明經濟增速放緩對收入有負面影響，但系數并不顯著。在列(3)中加入微觀個體的特征變量，仍采用IV估計，此時沖擊變量的系數絕對值有所下降，但仍不顯著。以上估計結果說明，經濟增速下行沖擊對個人收入沒有顯著影響，與受沖擊影響較小的區域相比，受沖擊影響較大區域中個人收入相對下降較多，但區域之間的這種差異在統計上并不顯著。對此一個可能的解釋是：本文采用的是經濟增速下行后第一年即2013年的數據。識別的是沖擊的短期效應，而在短期工資收入的調節較慢，后文將對此做進一步的分析(14)本文并不認為可以從該估計結果得出我國勞動力市場工資剛性的結論，因為受數據所限，本文只考慮了經濟下行沖擊的短期效應。。從控制變量來看，除了性別和戶口在10%水平顯著外，其他變量并不顯著。

健康管理傳入中國后，國家政策給予了較大程度的支持，使得健康管理有了一定的發展。2016年8月，由中國醫藥新聞信息協會主辦，中國保健協會、中華醫學會健康管理學分會等單位支持的中國首屆精準健康管理高峰論壇暨精準健康管理分會成立大會在京召開。這次會議的召開標志著我國健康管理已經從經典的健康管理進入了精準健康管理的新高度。[8]精準健康管理是建立在個體基因檢測的基礎上，結合健康體檢尤其是免疫細胞功能檢測、健康檔案、生活方式、動態監測和大數據分析解讀等，對個體和不同人群提供精準健康評估、干預、督導、健康教育管理服務。精準健康管理時代的來臨無疑為構建中國特色的健康管理模式提供了新的思路和要求。[9]

運用同樣的方法估計經濟增速下行沖擊對就業的影響，結果見表2的列(4)-列(6)。由列(4)的結果可看出，采用OLS估計時，經濟增速下行沖擊的系數估計值為負，但不顯著。列(5)的結果表明，采用工具變量后，弱工具變量檢驗的F值遠大于10，說明工具變量有效，此時經濟增速下行沖擊系數的絕對值明顯變大，且在1%水平顯著。這表明經濟增速放緩對就業有顯著的負面影響，由于模型中存在內生性，OLS會低估沖擊效應。在列(6)中加入微觀個體的特征變量后，盡管沖擊效應系數的絕對值有所下降，但仍較為顯著。

表2 基本估計結果

根據表2列(6)的估計結果，相對于其他地區，如果一個地區的經濟增長率下降1個百分點，則其就業率減少約2個百分點(15)該發現與奧肯定律指出的經濟增長與就業率的變化方向一致，但系數的大小與奧肯定律有所不同。對此，有兩個解釋。一是本文采用的是經濟增速下行沖擊在空間上的差異來識別經濟增速變化與就業率變化之間的關系，如Guren et al.(2020)[24]所分析，區域層面的估計結果未必和宏觀數據的估計結果完全一致。此外，關于奧肯定律是否適用于中國，文獻中也有不同的觀點(方福前和孫永君，2010[25]；鄒沛江，2013[26]；盧鋒等，2015[27])。。以東部的廣東和中部的湖北為例，這兩個省份2012年的經濟增長率與2007年相比，分別下降了6.7個和3.3個百分點，這意味著受經濟增速下行沖擊的影響，與湖北相比，廣東就業率下降約7個百分點(16)根據CHIP數據，從2002年到2013年，廣東就業率下降了2.3個百分點，湖北就業率增加了8.8個百分點，兩省就業率的變化之差為11個百分點，大于模型所估計的沖擊效應，這說明就業率的變化除了受經濟下行影響外，還受其他因素影響。如果簡單比較就業率的變化，會夸大經濟下行沖擊的影響。。如果用2013年廣東的勞動人口來推算，經濟增速下行沖擊使廣東的就業(相對于湖北)減少了約400萬(17)根據《廣東統計年鑒2014》，2013年廣東第二和第三產業就業人員為4712萬，以CHIP數據計算的就業率可推算2013年廣東第二和第三產業勞動人口約為6000萬。據此，就業率下降7個百分點，意味著廣東就業人數(相對于湖北)減少了約400萬。。當然，需要指出的是，這只是一種推算，和實際效應可能有差異，因為這種推算是基于模型中沖擊效應的估計結果，而估計值可能是有誤差的。此外，模型估計的是平均效應，但地區之間有差異，平均效應未必和各省的效應完全相同。

前文圖2分析表明，2007年前經濟增長速度快的省份受經濟增速下行沖擊的影響可能相對較大，即省份之間有“收斂”的趨勢。如果這樣，那么以上回歸結果或許只是反映了這種趨勢，而并非是經濟增速下行沖擊的作用。為了對此進行檢驗，在模型中加入2000年到2007年之間各省經濟增長率的均值，作為各地在沖擊前的增長趨勢，運用IV方法，重新估計模型，結果見表3列(1)和列(5)(18)表3中增長趨勢、經濟規模、產業結構、出口比重的相關數據來自于國家統計局網站。。從列(1)個人收入的估計結果可看出，增長趨勢變量的系數顯著為正，說明沖擊前增長快的地區收入增長相對較快，并未出現收斂趨勢。從經濟增速下行沖擊系數的估計值來看，系數依然為負，與表2結果相比，其絕對值明顯增大，但僅在10%水平顯著。從列(5)對就業的估計結果來看，同樣，增長趨勢的系數也顯著為正，說明即使從就業來看，也不存在收斂趨勢。經濟增速下行沖擊的系數仍在5%水平顯著為負，系數的絕對值明顯增大，是表2列(6)估計值的3倍。這說明在模型中加入經濟增速下行前的增長趨勢，不但沒有降低經濟增速下行沖擊的作用，相反，卻強化了其影響。

表3 穩健性檢驗結果I

(續上表)

另外需考慮的是，地區經濟規模大小可能也會影響經濟增速下行沖擊的效應。比如，規模大的省份在經濟增速放緩時自我調節能力強，所以該地個體受到的影響可能較小。相反，規模小的地區容易受沖擊影響而產生波動，該地微觀個體受到的影響或許較大。因此，在模型中加入沖擊前各省產出占全國產出的比重，以此來控制經濟規模對經濟增速下行沖擊效應的影響。由表3列(2)和列(6)的估計結果看，經濟規模的系數為正但顯著性不高，沖擊效應的大小、符號和顯著性與表2列(3)和列(6)結果相比，幾乎沒有變化(19)對于經濟規模、產業結構和出口比重，本文采用初始時期之前即2000-2002年的均值，也嘗試使用2000-2007年間的均值，結果并無明顯區別。。這說明本文所識別的沖擊效應并非由各地經濟規模差異引起。此外，考慮到由于各省產業結構不同，各地對沖擊的反應可能有差異，比如，第二產業占比高的省份可能更容易受到經濟增速放緩的影響。因此，在模型中加入各省第二產業增加值占產出的比重，表3列(3)和列(7)的估計結果表明，第二產業占比高的省份的收入和就業增長較快。從經濟增速下行沖擊變量來看，其對收入的作用為負，但不顯著，對就業的影響則顯著為負，這和表2基本估計結果一致，說明即使在產業結構類似的地區，經濟增速下行沖擊對就業仍有顯著的負面影響。最后，在模型中加入各地出口占產出的比重，以控制各地經濟對外依存度的影響，表3列(4)和列(8)的估計結果同樣表明，表2基本估計結果是穩健的。

除了以上檢驗外，本文也嘗試了其他穩健性檢驗：(1)考慮到60歲以上的人很多已不再工作，因此把樣本年齡限制在16-60歲之間；(2)把最高收入1%的樣本刪除，以消除高收入群體對估計結果的可能影響；(3)前文是以3歲為基準來合成樣本，也嘗試了2歲，以增加合成樣本數；(4)類似的做法，嘗試以4歲為基準來合成樣本。以上檢驗中經濟增速放緩沖擊對收入影響的估計結果見表4列(1)-列(4)，對就業的影響見列(5)-列(8)。顯然，檢驗結果與表2中列(3)和列(6)的基本估計結果類似。

表4 穩健性檢驗結果II

(續上表)

總之，以上估計結果表明，經濟增速放緩對微觀個體的收入和就業有負面影響，其中就業受到的影響高度顯著，經濟增速下降1個百分點，就業率減少約2個百分點。如果不考慮內生性問題，經濟增速放緩的影響會被低估。該結論在控制了微觀個體特征以及各地在沖擊前的增長趨勢、經濟規模、產業結構和對外依存度等之后，仍是穩健的。需要指出的是，表2和表3的估計結果與表1的比較之間并不矛盾。如前文所述，表1只是收入和就業在2002年和2013年間的直接比較，而本部分估計的是經濟增速下行沖擊對收入和就業的影響。比如，對于就業，表1表明，2002-2013年，全樣本就業率在上升。表2和表3的估計結果表明，經濟增速下行沖擊的就業效應為負，即相對于受沖擊較小區域，受沖擊影響較大區域的就業率增加較少(或減少更多)。

五 異質性影響分析

以上討論的是經濟增速下行沖擊對收入和就業的平均效應，或者是說研究的是特征相似的個體，由于處在不同地理空間位置而受到經濟增速下行的不同影響。考慮到微觀個體之間存在差異，如不同年齡段、不同性別或不同受教育程度的人群在經濟增速放緩時的反應可能不同，以下將研究經濟增速下行沖擊對不同類別個體的異質性影響。為此，首先按年齡，即每9歲為一組，把樣本分為6組，設定組別虛擬變量，然后在模型(1)中加入組別虛擬變量和沖擊變量的交乘項，通過該交乘項系數的估計值來判斷經濟增速下行沖擊對不同年齡段人群的影響是否有差異(20)合成數據時，本文是以每3歲為一組，為了與之對應，分組虛擬變量的設定應是3的倍數，比如6、9或12，本文采用了9歲，主要的考慮是，相隔9歲接近于一代人。。為了便于比較，把各年齡組收入和就業所受沖擊效應的IV點估計值及其90%置信區間報告在圖5中(21)模型中除了年齡分組虛擬變量和經濟下行沖擊的交乘項外，還加入了個體特征變量。工具變量為前文計算的Bartik指標和分組虛擬變量的交乘項。下文研究受教育程度和性別的異質性影響時，采用了類似做法。。

圖5a 不同年齡組收入所受影響 圖5b 不同年齡組就業所受影響

顯然，經濟增速下行沖擊對個人收入的影響，在組別之間差異明顯。對于16-24歲、43-51歲以及60歲以上各組，個人收入受經濟增速下行沖擊的影響為負。對于其他年齡組，收入受到的影響為正。但無論是哪個年齡組，沖擊效應均不顯著，說明經濟增速放緩對各年齡組的收入都沒有顯著影響，這和表2的基本估計結果一致。對于就業，結果有所不同，年輕組(16-24歲)和年老組(61-65歲)就業受經濟增速下行沖擊的負面影響較為顯著，特別是年輕組，其系數在1%水平顯著，系數的絕對值遠大于表2中的平均效應。這說明相對于其他年齡組，年輕人更容易在經濟增速下行中受損，經濟增長率下降1個百分點，年輕人的就業率下降約9個百分點。這和Yagan(2019)[13]關于美國勞動力市場的研究發現一致，可能是由于年輕群體進入勞動力市場較短，沒有獲得穩定的勞動合同及本身職業技能比較低，容易在經濟增速下行時被辭退。對于34-42歲這一組別，沖擊效應的系數為負，但并不顯著。對于其他三個年齡組，經濟增速下行時其就業率反而有所增加，但除了25-33歲這一組在10%水平顯著外，其他年齡組所受影響并不顯著。

為了研究經濟增速下行沖擊對不同受教育程度群體的影響，把CHIP中調查對象的受教育程度分為三類：受小學及以下教育、受中學教育、受大學及以上教育。在此基礎上，根據省份、年齡和受教育程度三個指標來合成數據，然后利用該合成數據，在模型(1)中引入經濟增速下行沖擊與受教育程度分組虛擬變量的交乘項，再運用2SLS估計經濟增速下行沖擊對不同受教育程度組別的影響(22)本文不能采用基本估計所用的合成樣本，直接加入受教育程度虛擬變量，這是因為按省份和年齡段合成樣本后，受教育程度成為了合成變量，并非0-1虛擬變量。因此，這里需要按照省份、年齡和受教育程度重新合成樣本。同樣的原因，下文研究性別的異質性影響時，也重新合成了樣本。。各組收入和就業受沖擊影響的點估計值及其10%置信區間見圖6a和圖6b的左半部分。圖6a顯示，受小學及以下教育的人群在經濟增速放緩時的收入效應為正，但并不顯著。受大學和中學教育人群的收入效應為負，其中受中學教育人群所受的影響較為顯著。從沖擊效應系數估計值的大小來看，經濟增速下降1個百分點，受中學教育人群的收入下降約4.9個百分點(23)經濟增長率下降1%，收入的對數下降0.0503，意味著收入下降exp(-0.0503)-1，約為4.9%。。

就業效應的估計結果和收入效應明顯不同。圖6b顯示，對于受小學及以下教育程度的人群，經濟增速放緩對其就業的影響顯著為負，經濟增長率下降1個百分點，其就業率下降近6個百分點。這說明低教育程度人群的就業容易在經濟增速放緩中受損。有意思的是，受大學及以上教育人群的就業也受經濟增速放緩的負面影響，盡管其所受影響比低教育水平的人群要小很多。這說明，不僅僅是低學歷人群在經濟增速放緩時就業率會下降，高學歷人群也面臨失業的壓力，對于剛剛畢業工作不久的大學生而言影響可能更為突出。對于受中學教育的人群，沖擊效應為負但并不顯著。這說明從受教育水平來看，與分年齡段時的發現類似，即經濟增速放緩時，處于尾部分布的人群其就業容易受損，處于中間分布的人群其就業受到的影響相對較小，經濟增速下行沖擊存在所謂的尾部效應。

圖6a 不同受教育程度和性別人群收入所受影響 圖6b 不同受教育程度和性別人群就業所受影響

類似的做法，把樣本分為男性和女性，計算各省每個年齡段兩個性別組內樣本的均值，以此為合成樣本，然后在模型(1)中引入經濟增速下行沖擊與性別分組虛擬變量的交乘項，進行2SLS回歸。經濟增速下行沖擊對男性與女性收入和就業影響的點估計值及其90%置信區間見圖6a和圖6b的右半部分。從中可看出，男性和女性的收入在經濟增速下行沖擊后都有所下降，但兩組效應均不顯著。從就業來看，女性和男性就業率都受到了負面影響，但只有女性的就業效應顯著，說明相較于男性，女性就業率在經濟增速下行中受損更為嚴重。這和Hoynes et al.(2012)[14]的發現不同，他們的研究表明，在美國，經濟波動沖擊對男性就業的影響更大。這可能與我國勞動力市場的特征有關，相較于男性，女性在就業中的處境更為不利。

以上估計結果表明，女性、年輕組和受教育水平低的組別受經濟增速放緩的影響更大，這既與這些組別的特征及其在勞動力市場的處境相關，也可能與這些群體所在的行業有關。一般而言，制造業、批發零售餐飲業更容易受到經濟波動的影響，而政府部門受到的影響則相對較小。為了驗證該猜測，利用CHIP數據，計算了沖擊前各組人群在不同行業中的就業比重，表5列出了就業比重較高的幾個行業(24)CHIP中劃分了農業、采掘業、制造業、建筑業等16個行業，為節省篇幅，表5中僅報告了就業比重較高的幾個行業。。從中可看出，對于16-24歲這一組別，相對于其他年齡組，其就業主要集中在批發零售餐飲和社會服務業，這些行業，特別是批發零售餐飲業容易受經濟增速放緩的影響，所以該群體的就業率在經濟增速放緩時下降明顯。類似地，相較于男性，女性的就業也更多集中在這兩個行業，所以也容易受經濟增速放緩影響。對于低學歷人群，制造業的就業比重接近40%，遠高于受中學和大學教育人群所占比重，當制造業受經濟增速下行沖擊影響時，低學歷群體面臨更大的失業壓力，因此在經濟增速放緩中受到的影響更為嚴重。

表5 分組分行業就業所占比重(%)

綜上，經濟增速放緩時，年輕人、受教育水平低的人群和女性就業受到的不利影響相對于其他組別更大。這些群體一般是低收入群體，如果沒有相應政策幫助其應對經濟增速下行沖擊，任其在勞動力市場中處于不利處境，其收入水平可能會相對下降，乃至絕對下降，甚至陷入貧困，從而進一步拉大我國本已非常嚴重的居民收入差距。從長期來看，這并不利于經濟的持續增長和高質量發展。

六 進一步的討論

為什么經濟增速放緩對個人收入和就業，特別是對就業有顯著的負面影響？經濟增速下行沖擊影響微觀個體的機制是什么？下文將做進一步的分析。

有觀點認為我國經濟增速放緩是外部性、周期性因素導致的，是需求不足驅動的(林毅夫，2016[28]; Lin, 2019[10])。2008年國際金融危機爆發后，隨著外部經濟環境的變化，我國對外貿易出口額不斷下降，外向型企業的經營狀況遭受到極為不利的影響，迫使企業不得不裁員，這可能是造成我國就業下降的一個因素。但表3的估計結果表明，在控制了各地出口占產出的比重后，即在對外經濟聯系水平一樣的地區，由于經濟增速下行沖擊不同，微觀個體就業變化在地區間仍有顯著的差異，這說明外部經濟環境變化并非是造成我國就業下降的主要原因。

人口結構轉變也可能是影響就業的一個原因。一些研究指出，近年來我國人口老齡化趨勢明顯，人口撫養比上升，人口紅利逐漸消失，從而影響經濟的潛在增長率和就業(蔡昉,2016b)[17]。此外，隨著人口結構的變化，勞動供給的數量在減少，這勢必也會影響到經濟增長和就業。根據國家統計局數據，我國16-59歲勞動年齡人口在持續減少，就業人口總量在2018年首次出現下降。但本文發現，在模型中控制了各省的人口結構后，基本結果沒有明顯變化，這說明人口結構的變化不是引起就業下降的主要因素(25)在表2列(6)中加入各地人口結構控制變量后，經濟下行沖擊的系數估計值為-2.193，顯著性水平p值為0.017。。

本文認為，國內市場環境的變化是經濟增速放緩影響微觀個體的主要原因，個人非理性預期、勞動力市場錯配加劇以及企業破壞性創新在其中發揮重要作用，具體如下。

第一個途徑是非理性預期。經濟增速下行時，由于非理性預期，微觀個體對未來經濟不確定性過度憂慮，易對宏觀經濟做出超出實際的悲觀判斷。為了應對未來經濟的不確定性，家庭會選擇減少消費、增加儲蓄(Ludvigson, 2004)[29]。消費緊縮會導致需求下降，從而可能影響企業的產品銷售和經營狀況，導致企業降低對勞動力的需求，所以就業下降。本文研究發現，就業受經濟增速放緩的影響主要發生在低教育水平和剛進入勞動力市場的年輕群體中，這一部分人群的工資水平本身較低，很多只是略高于最低工資標準，由于最低工資的限制，工資收入不大可能再被降低，經濟增速放緩時企業的選擇可能只是裁員，而非減薪，因此經濟增速放緩對收入沒有顯著影響，而對就業有顯著的負面作用。當然，由于本文采用的是2013年的數據，距經濟增速放緩僅一年，實際上，識別的是經濟增速放緩對就業和收入的短期效應，從長期來看，收入可能也會受到影響。

第二個途徑是勞動力市場錯配的加劇。宏觀經濟增速放緩時的就業下降或失業更多的是結構性失業。一方面，我國正處于產業結構轉型期，需要大量高素質和高技能的勞動力，另一方面，我國勞動力的教育和職業技能等人力資本積累水平整體較低，結構性矛盾嚴重(姚毓春等，2014)[30]。在經濟增速放緩時，勞動力的人力資本水平和就業崗位需求的不匹配加劇，經濟上行期間所掩蓋的就業結構性矛盾凸顯，勢必使就業下降。本文研究表明年輕勞動力、女性和低教育水平群體就業受沖擊的影響比較大，這可能是由于這些群體相對缺乏職業技能，多在發展不穩定的行業任職，應對經濟增速放緩的能力比較弱。當經濟增速放緩時，其更容易因錯配而失業，從而在一定程度上表明錯配加劇是經濟增速放緩影響微觀個體收入和就業的一個機制。

第三個途徑是企業破壞性創新。根據熊彼特的破壞性創新理論，經濟增速放緩時，企業投資于創新品的機會成本低，創新和技術進步更容易出現。此時企業更愿意采用新技術，甚至用機器替代人。近年來，中國企業的創新模式不斷涌現，例如24小時無人商店、集社交與電商模式于一體的拼多多、5G技術應用等，這些新模式對傳統行業造成了巨大沖擊。本文研究表明受經濟增速放緩影響較大的勞動力多從事制造業、批發零售和餐飲等低技能行業，而新技術如人工智能最容易取代的就是這些低技能的行業。當企業進行破壞性創新時，對勞動力特別是低技能勞動力的需求減少，從而造成就業下降。

七 結論及建議

我國經濟在經歷多年高速增長后，從2012年起增速放緩，從之前的年均10%降至8%以下，且今年在新冠肺炎疫情影響下有進一步下行的壓力。宏觀經濟形勢的這一變化引起了學術界的高度關注。現有文獻多從宏觀層面討論經濟增速下降的原因、影響及應對策略，較少從微觀層面識別經濟增速放緩對個人的影響。這是本文立論的一個主要動因。采用中國家庭收入調查數據，通過組別合成方法，構造了可以在經濟增速下行沖擊前后進行比較的合成樣本。在此基礎上，建立差分模型，利用Bartik工具變量，估計經濟增速下行沖擊對個人收入和就業的影響，并把樣本按年齡、性別和受教育程度等進行分組，分析了經濟增速下行對不同組別的異質性影響。最后討論了經濟增速放緩影響微觀個體的機制。結果表明：經濟增速放緩對個人收入沒有顯著的影響，但就業率在經濟增速放緩后則有顯著變化；一個地區的經濟增速相對下降1個百分點，其就業率減少約2個百分點。該發現在考慮了沖擊前各地的增長趨勢、經濟規模、產業結構和出口比重后，仍是穩健的。分年齡組來看，年輕組的就業情況受經濟增速下行的影響最為明顯。分教育程度來看，小學及以下受教育人群的就業率下降最多。分性別來看，女性就業受到的影響更大。

本文認為，經濟增速放緩時，一方面，為了應對未來經濟的不確定性，家庭的儲蓄增加、消費減少，從而影響企業產品銷售及其對勞動力的需求；另一方面，企業投資于創新品的機會成本降低，導致企業更愿意采用新技術，甚至用機器代替人，勞動力市場的錯配加劇。幾方面的因素疊加，導致經濟增速放緩時就業，特別是低教育水平、女性和年輕群體的就業受到了顯著的負面影響。應對經濟增速放緩壓力，推動經濟高質量發展，首先是要通過政策宣導增強人們對未來經濟的信心，通過各種政策工具刺激居民擴大消費。其次是要通過各種途徑引導企業提高創新能力和生產率，增強其應對市場波動的能力，創造更多的就業機會。最后是要加大教育和技能培訓投入，特別是對低教育水平和低技能人群的培訓，提高此類人群的人力資本水平，使其適應經濟結構調整期企業對勞動力的需求。