“患貧”還是“患不均”？

摘 要：以往文獻更多關注收入水平對勞動力流動的影響，忽略了收入分化及其網絡效應。基于2011—2017年中國流動人口動態監測調查數據，構建勞動力流動網絡，運用時間指數隨機圖模型（TERGM）與反事實模擬研究了區域收入水平與區域收入分化對勞動力流動網絡的復雜影響。研究表明：勞動力患貧更患不均，勞動力流向高收入地區，同時從收入高分化地區流向相對平等的地區，收入分化對于勞動力流出的作用尤為顯著，相比于提高地區收入水平，改善分化更有助于緩解流失。高技能和低技能勞動力存在異質性，高技能勞動力重視收入水平，傾向于流向高收入地區，對收入分化不敏感；而低技能勞動力不僅受收入水平影響，區域的收入分化水平對其具有更大的驅動作用。反事實模擬顯示，若東北地區的基尼系數下降一個標準差，則勞動力流出減少約22萬人，流入增加約6萬人；當人均收入提高一個標準差，則勞動力流出減少約12萬人，流入增加約4萬人。人均收入對勞動力流動的影響更為復雜，如果沒有基尼系數的改善，只有收入水平提高不一定改善勞動力流失的狀況。結論揭示了收入與勞動力流動之間的復雜關系，為勞動力流動網絡演化研究提供了新的視角，對于區域協調發展和人口高質量發展具有重要的政策借鑒意義。

關鍵詞：勞動力流動網絡；收入效應；時間指數隨機圖模型；網絡因果效應；反事實模擬

中圖分類號：C922；F249.24 文獻標識碼：A 文章編號：1000-4149（2025）02-0085-19

DOI：10.3969/j.issn.1000-4149.2025.02.007

一、引言

勞動力作為經濟增長的核心動力和人口的主體，在中國經濟社會發展中扮演著關鍵角色。過去40年中國經濟的快速增長得益于充足的勞動力資源，隨著經濟步入新常態，人口結構的改變帶來了勞動力供給的新挑戰，隨著人口紅利的消退，人口遷移流動在地區發展中扮演了越來越重要的角色 ［1］ 。我國省際間的勞動力流動呈現出強烈的不均衡特征，第七次全國人口普查數據顯示，2020年我國流動人口規模達到3.76億人，相比2010年增幅高達69.73%，其中超過90%為勞動力。東部地區人口持續增長，而中部和東北地區人口下降，東北地區尤為顯著。勞動力從落后地區向發達地區不斷集聚，造成了我國區域經濟發展與人力資源分布的不均衡 ［2］ 。因此，如何促進勞動力資源在本地的聚集，實現勞動力資源優化配置，成為國家以及地方經濟高質量發展的重大課題。

于是，問題自然產生，什么是影響勞動力流動的關鍵因素？這些因素對于不同技能勞動力的影響是否相同？雖然普遍認為勞動力流動受就業機會和工資水平驅動，但已有研究也發現，公共服務 ［3］ 、環境質量 ［4］ 、文化背景 ［5］ 等均對勞動力的流動決策帶來影響。這些研究揭示了勞動力流動動因的復雜性和多元性，而對于核心的收入因素的討論，尚存一定的空間。首先，以往研究普遍關注地區間的收入水平差異對勞動力流動選擇的影響 ［6-7］ ，忽略了收入內部分化，即區域內的收入不平等的作用。在國際移民的研究中，國內收入分化被認為在一定程度上影響了移民決策 ［8］ ，中國的勞動力流動是否也遵循這一機制尚無定論。

其次，勞動力流動雖然是雙邊現象，但卻受到第三方地區的影響形成多邊網絡效應，一個地區收入的增長對勞動力的影響會在網絡間逐步蔓延，理論上可以最終影響所有地區的勞動力流動。最后，勞動力流動網絡具有很強的自組織特征，典型地表現為集聚性和自相關性，傾向于路徑依賴，這就要求在研究中排除網絡的內生結構的干擾。現有文獻大多忽略了這些問題，導致對因果關系可能的錯誤推斷。因此，從網絡的視角研究收入對勞動力流動的因果關系十分必要。

本文利用2011—2017年中國流動人口動態監測調查數據與省份特征數據，構建了勞動力流動網絡，運用社會網絡分析方法與時間指數隨機圖模型（TERGM）探討了區域收入水平與收入分化如何交織、互動，共同塑造勞動力流動的模式。本文的邊際貢獻有：①首次研究了中國的區域內收入分化對勞動力流動網絡的影響。②從流出地、流入地及兩者差異三個角度考察了收入水平和收入分化對勞動力流動的推拉效應。③構建了高技能與低技能勞動力流動網絡，發現高技能勞動者更傾向于流向高收入地區，而對收入分化不敏感；低技能勞動者在兼顧收入水平的情況下，更傾向于選擇收入較為平等的地區。④基于反事實模擬評估基尼系數和人均收入對勞動力流動的網絡效應，分析了外生因素對勞動力流動關系的動態影響及其傳播效應。

二、文獻回溯和理論假說

1. 勞動力流動與區域間差異

勞動力流動與區域差異的雙向互動關系一直是經濟學領域研究的焦點問題。研究主要分為兩條脈絡：第一條是勞動力流動如何影響區域經濟差異。早期理論，如“Lewis拐點”和新古典增長模型指出，勞動力流向高收入地區可提升落后地區的勞動生產率和縮減工資差距，從而減少區域間的經濟差異。隨后一些學者在新經濟地理學的框架下提出，勞動力流動對區域經濟差異的影響取決于勞動力成本差異 ［9］ 、資本的外部性和擁擠效應的相對大小 ［10］ 。另一些研究從“匹配”的視角出發，提出人口與產業的匹配 ［11］ 、勞動力與工作崗位的匹配均是調節勞動力流動對地區經濟差距影響的重要因素。另一條脈絡聚焦于區域間差異如何作為關鍵因素影響勞動力的流動決策。哈里斯 （Harris） 等學者在推拉理論基礎上，著重強調了遷入地與遷出地的差異對勞動力流動產生的深刻影響 ［12］ 。其中，經濟和收入差異被視為最主要的動因，新古典主義理論指出，移民是對收入和財富分配不平衡的一種反應，各國實證研究支持這一理論，如達爾（Dahl）等利用丹麥人口數據研究發現，科技工作者傾向于選擇工資較高的地區 ［13］ 。納波利塔諾（Napolitano）等通過對意大利勞動力流動的GMM動態面板模型分析，也發現工資收入和失業率對勞動力流動決策有顯著影響 ［14］ 。王桂新等基于人口普查數據驗證了經濟發達地區是中國省際人口遷移的主要目的地 ［15］ 。綜合前述研究可知，區域收入水平的差異形成了區域間的不平等，這種不平等深刻塑造了勞動力流動的動因和方向，這構成了本研究的基礎。

2. 勞動力流動與區域內不平等

區域內不平等描述的是一特定地區內部資源分布不均衡的分化狀態。相對剝奪理論首先闡述了這種內部分化效應，表明個體對不平等的感知不僅源于自身的絕對收入水平，更基于其在社會中的相對位置 ［16］ 。

國際研究中關于內部不平等對遷移決策的影響討論廣泛。一些學者嘗試采用相對貧困、相對剝奪、基尼系數 ［8］ 等指標來描繪內部的不平等，并進一步探討其對勞動力遷移選擇的影響。研究表明，收入的邊際效用不僅與個體實際收入相關，還受所處社區其他人收入狀況的影響 ［17］ 。這意味著，在一個內部分化程度較高的群體中，即使個體的收入處于中等水平，他們也可能產生強烈的不平等感，從而有遷移的沖動。在墨西哥 ［18］ 、南非 ［19］ 等國的實證研究中也同樣發現，內部不平等性更高的國家普遍經歷了顯著的移民流。同樣在內部收入差距較大的國家中，來自印度的研究指出，相對剝奪感是遷移的重要驅動力，尤其是當個體感到無法與其他人群相提并論時，更可能選擇遷移 ［20］ 。而這種不平等尤其對女性影響更大，不平等加劇了階層分化，導致貧困家庭更需要尋找外遷新娘，從而促進了印度女性的跨地區遷移 ［21］ 。

從區域內不平等的角度研究中國勞動力流動的文獻仍然相對稀缺。我國在2020年底消除了絕對貧困，戰略目標從脫貧攻堅轉向共同富裕。盡管絕對貧困發生率不斷下降，但相對貧困發生率卻呈現上升態勢，空間上呈現“東部—東北—中部—西部”逐級遞增的非平衡分布 ［22］ ，與勞動力流動呈現出高度一致的空間格局。從上述分析中可以看出，區域內不平等所引發的分化效應與區域間不平等的收入效應同樣對勞動力流動產生了重要影響。而且，不僅分化程度的絕對值對勞動力的流動具有推拉作用，兩個地區之間分化程度的差別也是一個不可忽略的因素。換句話說，即使一個地區的區域內收入分化水平并不算高，但與另一個地區的不平等程度差異較大，那么這種差異可能也會成為勞動力流動的重要驅動因素。基于以上的分析，我們提出如下假設。

H1：勞動力不僅受絕對收入水平的影響，還傾向于從區域內收入分化較高的地區流向更加平等的地區。

H2：流入地與流出地的收入分化水平差異越大，兩地間形成勞動力流動的趨勢越強。

3. 收入水平、收入分化與勞動力技能水平

技能作為勞動力的核心屬性對于勞動力流動模式的影響不容忽視。在國際研究中，“自我選擇”理論首先揭示了技能水平對遷移決策的影響 ［23］ 。該理論進一步指出，不同技能的勞動力在遷移選擇上存在差異：低技能勞動力更可能選擇相對平等、福利發達的國家，以獲得穩定的工作和收入；而高技能勞動力更傾向于不平等但機遇豐富的國家，希望發揮特長，以尋求高收入和更好的發展機會 ［24］ 。實證研究對此得出了混合的結論，一些研究部分支持了這種技能自我選擇假設 ［25］ ，而另一些研究則顯示技能水平對于遷移的影響僅在高技能移民 ［26］ 或男性移民 ［27］ 群體中顯著。

在中國這一特定的社會經濟背景下，不同技能水平的勞動力是否仍遵循國際研究中揭示的差異化流動模式值得深入探討。受產業空間布局演進、技術創新水平提升等因素影響，不同地區勞動需求結構與供給結構的差異越來越明顯，技能異質性已成為新常態背景下討論勞動力流動與地區經濟差距之間關系的重要視角［28］ 。 . 經濟的增長帶動了高技能勞動力向一線城市和經濟特區的流動，這些地區提供了大量的高薪職位和發展機會。相對地，低技能勞動力的遷移路徑則顯得更為多元。他們可能更受二線或三線城市的平等環境和完善的社會福利政策的吸引，或是因為一線城市的高生活成本而選擇其他路徑，這提示我們，區域內收入分化的影響或許對于低技能勞動力而言更為重要。基于此，提出如下假設。

H3：高技能勞動力的流動決策主要受收入水平驅動，對收入分化不敏感。

H4：低技能勞動力的流動決策受收入水平影響的同時，對收入分化更為敏感，傾向于從高分化地區流向更加平等的地區。

三、數據與網絡構建

1. 數據來源

本文的勞動力流動網絡數據來源于2011—2017年中國流動人口動態監測調查（CMDS）數據，該數據調查按照隨機原則在全國31個省（區、市）和新疆生產建設兵團流動人口較為集中的流入地抽取樣本點，調查對象為全國在調查前一個月來本地居住、非本區 （縣、市）戶口且在調查階段年齡在15周歲及以上的流入人口。根據我國勞動法對勞動力的定義，篩選出16—60周歲的樣本，提取各樣本的戶籍來源地與當前所在地，構建勞動力流動網絡。

本文的目的是捕捉收入水平與收入分化這兩種模式對勞動力流動的影響，我們用各省人均可支配收入來衡量收入水平，數據來自國家統計局網站；我們使用各省基尼系數來測量區域內收入分化，各省基尼系數的測算基礎數據來自中國家庭追蹤調查（CFPS）中的家庭收入數據 ① ，該數據樣本覆蓋25個省/市/自治區，提供了充足的樣本量以描述各省的收入分布情況。我們采用標準的基尼系數測算方法 ［29］ ，即基于洛倫茲曲線，通過衡量累積人口與累積收入之間的差異來量化不平等程度 ① 。其他所用經濟社會指標數據均來源于《中國統計年鑒》。

2. 勞動力流動網絡構建

本文基于i省到j省的勞動力流動數量進行2011—2017年的勞動力流動網絡構建，具體來說，我們將網絡定義為： NetFlow t = （ N （ V t ，L t ） ，W t ，P t ） 。其中， t 對應 2011—2017 年，N（V t ，L t ） 描述了 t 年的勞動力流動網絡： V t 是省份結點， L t 代表了網絡的邊的集合，即省份i 到省份 j 的勞動力流動關系。 W t 包含了 t 期的網絡邊的二元特征，比如兩省市是否有接壤關系、是否同屬于一個經濟區域； P t 代表了所有省份結點的屬性特征，如省份人均可支配收入。

為開展后續分析，需首先將勞動力流動網絡轉換為0-1二值網絡。選擇2011—2017年流動網絡所有元素的3/4分位數（為96）作為臨界值，大于等于此值的設置為1，小于此值的設置為0。根據第七次全國人口普查數據，流動勞動力占全部勞動力的26%，以此臨界值構建的網絡密度與實際的流動比例相適應，且超過該閾值的勞動力流動占了總流動的91.22%，因此比較充分地代表了全國整體勞動力流動的關鍵特征。

表1展示了2011—2017年勞動力流動網絡的基本特征。從網絡密度的逐年遞增與平均最短路徑的縮短趨勢可以看出，省際間的勞動力流動逐年頻繁，流動網絡的連通性顯著增強。此外，互惠邊的比例逐步上升，表明地區間的雙向流動聯系更加緊密。

從圖1中可以看到2017年各省份節點的度分布情況，北京、上海、浙江在網絡中擁有最高的入度，反映了其作為主要勞動力流入地的強大吸引力。在出度方面，湖北省位居首位，表明其勞動力輸出顯著。圖中的虛線折線表示各省份的中介中心度，并對應右側的次坐標軸值。其中安徽、貴州和福建表現出較高的中介中心度，盡管它們并非勞動力流入或流出的最主要地區，但它們在網絡中起到了橋梁或樞紐的作用，對整個勞動力流動網絡的整體連通性和效率至關重要。

四、實證分析

1. 模型與變量

本研究采用時間指數隨機圖模型 （Temporal Exponential Random Graph Model，TERGM）來分析 2011—2017 年間的人口流動網絡數據，深入探討網絡在時間序列上的演化過程。TERGM是一種基于指數隨機圖模型 （ERGM） 擴展而來的動態網絡分析方法，它不限于分析某一時間點上的網絡狀況，能夠探究歷史網絡如何塑造當前的網絡結構。TERGM的核心在于其對網絡歷史狀態的綜合分析。模型將不同時間點的網絡狀態納入考慮，以歷史網絡狀態串聯，構建出網絡的動態畫像。模型的基本公式為：

在此， Yt 表示在時間點 t 的網絡狀態，而 θ 是需要估計的參數集合。網絡在時間點 t 的狀態受前 K 個時間點的網絡歷史影響。通過函數 h ，模型計算了歷史網絡狀態的統計量，包括各種影響網絡連接的因素，從而共同作用于當前網絡狀態的形成。

與傳統的統計模型相比，TERGM有其獨特的優勢。傳統的統計模型基于數據的獨立性假設，而TERGM同時考慮了外部因素 （外生機制） 與網絡結構的相互作用 （內生機制）。

這有助于在一定程度上控制關鍵內生因素，從而更準確地估計外部沖擊的影響。本文考慮的內生結構與各變量的圖形及具體內涵解釋詳見表2。

除網絡結構變量外，本文參考已有研究，將一些重要的外生驅動因素納入模型作為控制變量，首先是省份的個體屬性變量，包括基礎教育人均教師數、人均執業醫生數、PM2.5，這些變量分別體現了一個省份的教育資源、醫療資源和環境水平，這些均是可能影響勞動力流動的外生因素；此外本文加入體現省份間二元關系的矩陣變量，包括各省省會、直轄市間的地理距離、兩省份是否接壤，以及兩個省份是否同屬于一個經濟區 ① 。

2. 實證結果分析

本文對2011—2017年的縱向省際勞動力流動網絡進行TERGM的估計與擬合，得出實證結果如表3所示。在本研究中，差異性變量的度量采用直接差異而非絕對差異，即考慮了流入地與流出地之間屬性的差值，并將其納入模型。這種差異性的測量方式考慮到了網絡的有向性，更適合分析有向網絡。但由于這種差異性已經包含了流入地與流出地的屬性信息，如果在模型中同時考慮流入效應與流出效應，可能會導致嚴重的共線性問題。因此表3中模型1與模型2對流出效應與流入效應進行了測量，模型3與模型4對差異性進行了分析，其中，模型1與模型3作為基準模型，僅包含核心解釋變量與控制變量；模型2與模型4在基準模型的基礎上，進一步加入了內生解釋變量和時間效應變量。

（1） 收入效應與分化效應。勞動力流動的收入效應反映在省際間的收入差異上，通過人均可支配收入進行測量。研究結果表明，人均可支配收入的流入效應顯著為正，流出效應在模型1中顯著為負，這意味著勞動力傾向流入收入水平高的地區。在模型3中，人均可支配收入差異的系數顯著為正，表明勞動力傾向于流向與其起始地收入差距更大的區域。

這些結果與經典勞動力流動研究的結論基本相符，然而不同的是，加入網絡內生結構和時間效應后（模型2與模型4），收入的流出效應和差異性效應都變得不顯著，這暗示了流動模式的形成可能受到網絡內生結構及時間慣性的影響。并不是高收入地區勞動力流出一定較少，事實上，某些高收入地區同時擁有高入度和高出度，且勞動力流向并非總是選擇與所在地收入水平差距更大的區域。

勞動力流動的分化效應反映在省內的收入不平等上，使用基尼系數來測量，在模型1和模型2中，基尼系數的流出效應顯著為正，流入效應顯著為負。這意味著勞動力更傾向于從收入分化水平高的地區流出，流向內部相對更為平等的地區，證實了假說H1。基尼系數流入地與流出地的差異在模型3與模型4中均顯著為負，說明區域間的收入分化水平性差異越大，對勞動力流動的驅動力越強，勞動力傾向于流向與起始地平等性差距更大 （更平等）的地區，假說H2也得到驗證。

同時，本文對收入效應與分化效應進行了優勢分析，首先預測地區之間的勞動力流動概率p?ij ，然后在模型中排除掉基尼系數，重新預測地區之間的勞動力流動概率p?ij ，得到預測誤差的平均絕對值 AME = 1/n ∑i ≠ jn|p?ij- p?ij | ，AME體現了基尼系數對模型擬合的影響。AME越高，表明基尼系數對勞動力流動的影響越重要。繼續用同樣的方法在模型中刪除人均收入，計算其對應的AME。經測算，人均收入和基尼系數的AME分別為1.65%和3.59%，這在一定程度上表明，基尼系數更大程度地影響了勞動力流動，是更重要的驅動力量。

（2）勞動力流動網絡的內生結構與時間效應。從模型2與模型4中可見，傳遞閉合性的系數顯著為正，說明省份間勞動力的流動形成了閉合三角的傳遞結構，反映出顯著的吸引力等級效應。擴散性與聚斂性的系數均顯著為負，意味著勞動力流動網絡存在明顯的偏好依附，表現出“強者愈強，弱者愈弱”的態勢。少數省份擁有較高的出度與入度，它們在勞動力流出或接收上扮演重要角色，尤其是高入度的省份，處于網絡中心，勞動力資源更加豐富。而高出度的省份則面臨嚴重的勞動力流失。基準模型與全模型結果的差異進一步證明，內生結構對網絡形成具有顯著影響，控制內生結構可提高其他變量的估計精度。

穩定性系數在模型2與模型4中分別為1.7845與1.7772，且均顯著，說明網絡具有較高的穩定性，勞動力流動關系在時間上傾向保持不變。延遲互惠系數在模型中分別為0.3109與0.2907，顯著性水平為5%，表明勞動力流動存在一定的互惠性，即當期勞動力流向某地，未來有回流的趨勢。

其他控制變量的實證結果與已有勞動力流動理論保持一致，從中可以看出勞動力傾向于流向醫療資源與環境質量方面與自身所在地差異更大 （更好） 的地區；協網絡地理距離與同經濟區的估計系數均為負，是否接壤的系數為正，說明相距較近、接壤但跨經濟區的省份間更易發生勞動力的流動。

本文采用基于仿真的評價方法評估模型的擬合程度，根據模型2與模型4分別模擬產生了5000個網絡，并與觀測網絡的關鍵特征進行了對比和視覺展示 ① 。核心網絡統計量的分布落在仿真網絡的95%置信區間，表明仿真網絡能夠較為準確地描述和解讀實際觀測到的網絡，模型擬合良好。

3. 穩健性檢驗

為了驗證TERGM估計結果的穩健性，本文通過調整勞動力流動網絡數據的時間間隔、更換二值網絡構建閾值以及調整估計方法重新進行實證估計，結果如表4所示。具體調整如下：①將動態網絡的時間間隔設置為 1 年，選取單數年份 （2011 年、2013 年、2015 年、2017年）組合為動態網絡數據，實證結果對應模型5、模型6。②選取0.7分位數（75）為二值網絡構建閾值，在更為密集的網絡下進行估計，對應模型7、模型8。③選取2017年截面數據，單獨進行ERGM估計，對應模型9、模型10。從表4的結果中可以看出，模型5至模型8的估計結果與模型2、模型4保持了高度的一致，模型9與模型10除幾何加權出度系數不顯著外，其他均與模型2、模型4較為一致。

4. 內生性檢驗

TERGM模型描述了收入如何影響勞動力的流動，這在網絡研究中被稱為社會選擇效應（social selection effect），但勞動力流動也可能影響收入特征，稱之為社會影響效應 （socialinfluence effect），兩種效應通常并存，即個體特征影響了網絡關系，同時網絡關系也影響著個體特征。在勞動力流動與地區經濟差異的關系研究中也存在著這樣的雙向影響，一些研究討論了勞動力流動在縮小或加大地區差異上的作用 ［2］ 。為解決這種雙向因果問題，本文采取了兩種策略來校正潛在內生性帶來的估計偏差。其一，將人均可支配收入與基尼系數的1期與2期滯后項加入模型，模型11、模型12為滯后一期的考察，模型13、模型14為滯后兩期的結果（見表5）。其二，模型15、模型16采用工具變量法，為人均可支配收入與基尼系數選擇工具變量，第一階段將內生變量對工具變量與外生變量進行回歸，得到擬合值。

第二階段將擬合值替代原內生變量加入TERGM模型。

在工具變量的選擇上，借鑒申萌等的思路 ［32］ ，選擇每平方公里土地的公路里程數 ① 作為人均可支配收入的工具變量，公路里程體現了地區的經濟發展水平，與地區收入水平相關，且公路建設計劃通常提前多年，具有外生性。選擇總撫養比 ② 作為基尼系數的工具變量，較高的撫養比通常代表更多的未成年或老年人口依賴，反映出收入分配不均的環境。各年份第一階段的估計結果顯示，公路里程數的估計系數在 1% 的水平上顯著，擬合優度超過80%，總撫養比的系數在5%水平上顯著，擬合優度均在30%以上。內生性檢驗的結果如表5所示，在本文的核心假設上，均與基礎模型的結論保持一致。

5. 城市群流動網絡與勞動力跨省、省內流動模式比較分析

在省際流動研究的基礎上，我們將網絡節點細化到城市層面，使用2017年的CMDS數據，分別構建了以城市群為標準劃分的19個城市群勞動力流動網絡 ① 、以265個城市為節點的城市勞動力流動網絡、城市勞動力跨省流動與省內流動網絡 ② ，進一步探討城市群流動的網絡特征，以及城市經濟發展與勞動力跨省流動和省內流動的關系。

三個城市勞動力流動網絡的主要特征如表6所示，省內流動網絡的密度為0.373，遠高于跨省流動的0.174，表明在省內城市間的聯系更為緊密，勞動力流動更為頻繁。跨省流動網絡的度中心化最高，而省內流動的互惠性更高，這表明跨省流動中存在著明顯的核心節點，勞動力流動更多地集中于少數幾個重要的城市，而省內雙向流動更強，呈現較為平衡的態勢。

圖2對比了各城市群內部與各省份內部的勞動力流動網絡密度，結果顯示城市群內的勞動力流動網絡密度整體上高于省內流動網絡，可見城市群中的勞動力流動更為活躍，與行政區劃上的鄰近相比，城市間經濟活動上的聯系可能對勞動力流動的影響更為顯著。

我們在城市網絡層面，分別對全城市網絡、跨省流動網絡與省內流動網絡進行了ERGM估計 （見表7），整體城市流動網絡的模型結果與表3中的省際流動結果一致，再次驗證了TERGM結果的穩健性。而跨省流動與省內流動網絡表現出不同的結果。首先，基尼系數在跨省流動網絡中的流出效應較為顯著，表明收入分化較高的省份更容易推動勞動力外流。

而在省內流動中，收入分化的作用并不顯著。另一方面，收入水平的流入效應在跨省和省內流動網絡中均顯著，而收入水平的流出效應在跨省網絡中表現得更為顯著，表明低收入省份的勞動力更傾向于向高收入省份遷移，而在省內流動網絡中，這一效應相對較弱。這一結果可能暗示著，跨省流動網絡的勞動力流動更易受收入水平和不平等的影響，而省內流動則更多地反映了區域內的其他因素。

五、進一步討論：勞動力技能水平的異質性

本文進一步利用2011—2017年的中國流動人口動態監測調查（CMDS）數據，將小學、初中、高中學歷的勞動力劃分為低技能群體，而將大專、本科及研究生學歷的勞動力歸類為高技能群體。通過精細篩選，分別構建了針對高技能與低技能勞動力的流動網絡。

我們對2011—2017年高技能與低技能勞動力流動網絡的整體特征進行了比較 ① ，發現以下趨勢：首先，七年間，無論高技能還是低技能勞動力網絡的密度和互惠邊比例顯著上升，顯示省際勞動力流動愈加頻繁，且流入流出中心增加，不平衡性增強。其次，2011年低技能網絡的密度和出度集中度高于高技能網絡，但到2017年，這一趨勢逆轉，高技能網絡的入度集中度持續高于低技能網絡，表明高技能勞動力的流動范圍更廣，流入更集中，流出則趨于分散。

在2017年省份網絡節點層面分析中，我們計算了各省份節點的度中心性之差（入度與出度之差）。度中心性差反映節點在資源流動中的定位：正值表示省份為凈資源接收者，負值表示為凈資源發送者，零值表明資源流動保持平衡。圖3顯示了高技能與低技能流動網絡中省份的度中心性差，結果揭示出差異顯著。高技能勞動力的流入集中于上海、北京、江蘇、廣東等省份，而低技能勞動力的流出主要集中在安徽、四川、河南等地。這表明高技能勞動力的集中流入與低技能勞動力的大量流出，反映了不同地區對不同技能層次勞動力的吸引力。

為了更好地洞察促使高技能與低技能勞動力形成不同流動模式的動因，分別對兩種勞動力類型網絡進行TERGM實證分析，結果見表8。表8中模型23與模型25分別為高技能與低技能勞動力流動網絡的流出與流入效應分析；模型24與模型26分別為高技能與低技能勞動力流動網絡的差異效應分析。

通過對發送者效應、接收者效應和差異性三個維度的細致分析，可以剖析實證結果的深層含義。

第一， 發送者視角的保留效應。從表8結果中可以看出，在高技能勞動力流動網絡中，基尼系數的流出效應并不顯著，而人均收入的流出效應為-0.907，并且顯著。這意味著高技能勞動力更加地“患貧”而非“患不均”，他們的流動決策對于區域收入水平較為敏感而對收入分化不敏感。在低技能勞動力流動網絡中，基尼系數的流出效應顯著為正，而人均收入的流出效應顯著為負。這揭示了一個有趣的現象：低技能勞動力傾向于離開那些區域收入分化水平較高的地區，同時，較高的收入水平也對他們產生了保留作用。

第二，接收者視角的吸引效應。從表8的高技能勞動力流動網絡結果來看，基尼系數的流入效應為負但顯著性較低，而人均收入的流入效應卻顯著為正。這揭示了一個明顯的趨勢：

高技能勞動力在選擇流入地時，對區域內收入分化較為不敏感，但卻極為重視地區的收入水平，顯示了他們對高收入地區的強烈偏好。在低技能勞動力流動網絡中，基尼系數的流入效應顯著為負，而人均收入的流入效應不顯著，這意味著低技能勞動力在選擇流入地時，更傾向于選擇那些內部平等性更高的地區，而對絕對收入水平不敏感。

第三，差異性視角的拉動效應。差異性變量揭示了流入地與流出地屬性差異對勞動力流動的“拉動效應”。對于正向指標如人均收入，正的差異性系數表明勞動力更傾向于流向收入水平顯著高于自身的地區；對于負向指標如基尼系數，負的差異性系數表明勞動力更傾向于流向基尼系數較低的地區。在高技能勞動力流動中，收入差異顯著為正，而基尼系數無顯著影響，說明收入差異能拉動高技能勞動力流動，區域內分化對其影響不大。相比之下，低技能勞動力更傾向于流向基尼系數較低的地區，顯示其對社會公平更敏感，而對收入差異的反應不明顯，可能考慮更多的是生活成本和社會保障等因素。

綜上所述，我們發現假設H3和H4在不同技能層次的勞動力群體中得到了驗證。同時也得出一些補充結論：①從防止勞動力流失的角度，高收入水平對于高技能勞動力與低技能勞動力同時具有“保留效應”，而低分化僅對低技能勞動者具有“保留效應”。②在吸引勞動力流入的角度，高收入水平僅對高技能勞動力有“吸引效應”，而低分化僅對低技能勞動力有“吸引效應”。這些發現為我們深入理解勞動力流動的驅動機制提供了重要視角，揭示了勞動力流動過程中技能層次對收入水平及收入分化的反應差異。

六、網絡因果效應的反事實模擬

模型中的收入水平和收入分化回歸系數僅能反映對當期勞動力流動的靜態局部效應。

然而，由于勞動力流動網絡的內生結構和時間依賴性，外生政策沖擊不僅會影響該地區的流動，還會通過網絡效應擴展到其他地區，形成間接效應。圖4說明了這種動態影響。圖4（a）表示四個地區（A， B， C， D）在t期的狀態，此時只有A的勞動力流向B。在A發生沖擊后 （如收入增加或基尼系數下降），A和 C間的流動概率上升， C的勞動力流向了 A（圖4（b）），這是直接效應。由于內生的三角閉環結構特征，C與B之間形成了新的流動關系 （圖4（c）），C的勞動力也傾向于流向B，為長期間接效應；同時，由于聚斂性結構特征，D的勞動力也傾向于流向A（入二星結構），這是長期直接效應。隨著網絡效應進一步擴展，D到C的流動關系也逐步形成（圖4（d）），顯示出沖擊在網絡中的持續蔓延，直到達到均衡狀態。

接下來利用反事實模擬方法，分析收入水平和收入分化對勞動力流動的因果效應，即這些沖擊如何引發勞動力流動網絡的變化。模擬步驟如下：假設j地區收入水平提高或基尼系數下降，增加其他地區向j地流動的概率，通過統計量的變化形式計算 （i，j ） 的連接概率P（i，j ） 。假設當 P（i，j ） 超過某個閾值 τ ，建立連接并形成新的網絡 N（1）ij 。由于網絡結構的變化，網絡節點的連接概率也隨之調整。隨后重新計算模型的變化統計量，更新連接概率，迭代生成新網絡 N（2）ij，依此不斷迭代，直到網絡穩定。最終， （i，j ） 的變化為直接效應，其他地區變化為間接效應。該過程體現了溢出效應的傳播路徑。

本文對東北地區和西部地區的勞動力流動進行了模擬分析，設置了基尼系數下降一個標準差和兩個標準差的模擬情景，以探討減緩勞動力流失的有效路徑。樣本中東北三省的平均基尼系數為0.47，標準差為0.05，降低一個標準差和兩個標準差后分別為0.42與0.38。

因此，情景1和2分別為：

情景1：基尼系數下降至0.42，其他條件不變。

情景2：基尼系數下降至0.38，其他條件不變。

樣本的人均收入均值為3.6萬元，標準差為0.96萬元，均值加一個標準差為4.58萬元，加兩個標準差為5.55萬元，大約為東北三省人均收入的1.5倍和1.8倍。因此本文模擬的情景3和情景4分別為：

情景3：人均收入提高1.5倍，其他條件不變。

情景4：人均收入提高1.8倍，其他條件不變。

為了考察收入水平和收入分化的交互作用，本文作了進一步的情景模擬：

情景5：情景1 + 情景3。

情景6：情景2 + 情景4。

根據表3模型2的估計結果進行模擬，以0.4作為閾值 ① 。我們基于模擬的連接概率測算了各地區的勞動力流動情況。由于缺乏直接的勞動力流動普查數據，本文根據2020年第七次全國人口普查的各地區人口流動矩陣進行推算。首先，通過《中國人口普查年鑒》中冊表1-3的數據，計算各地區16—64周歲人口占總人口的比例，作為勞動力比重 （記為p），然后，利用上冊表7-3中各地區之間的實際流入和流出人口數（分別記為fin和fout），假定勞動力流動比例與總人口流動比例相同，再計算各地區的勞動力流入和流出量，即為 p × fin和 p × fout 。

表9給出了不同情景下的模擬結果。由此得出以下主要結論：①人均收入提升和基尼系數下降均增加了勞動力流入，但對減少勞動力流出的作用更為顯著。相較而言，基尼系數的降低比人均收入的提高更有效。當東北地區的基尼系數下降至0.42，勞動力流出減少約22萬人，流入增加約6萬人；當人均收入提高1.5倍，流出減少約12萬人，流入增加約4萬人。②人均收入對勞動力流動的影響更為復雜。當東北三省的人均收入提高時，雖然整體上勞動力流入增加，但各省差異明顯。比如，黑龍江在收入提升1.5倍時反而流入減少0.2萬。這主要是由于兩個原因：其一，東北三省的內部競爭，實際上，黑龍江流出到吉林和遼寧的人數達到0.5萬人，完全抵消了其他地區流入到黑龍江的勞動力人數。其二，如果基尼系數過高，平均收入的提高并不能惠及多數居民，財富聚集到少數人，這對吸引勞動力是不利的。由此得到如下第三點結論：③如果沒有基尼系數的改善，只有收入水平提高不一定改善勞動力流失的狀況。這一點在情景5和情景6中體現得非常明顯。平均收入上升，同時基尼系數下降，大大減少了勞動力流出，起到了明顯的“一加一大于二”的效果。這也說明，基尼系數和人均收入對于改善勞動力流動具有交互作用。

圖5為情景5下各地區勞動力的總流入和總流出圖，可以清晰地觀察到上述特征：黑龍江受益最大，其次是遼寧。同時，也可以看出主要的勞動力凈流出地區，包括山東、河北、天津、上海、北京、河南和安徽。其中以山東和河北的勞動力流入減少最多，勞動力流出增加也最多 ① 。

本文采用了同樣的方法，考察了西部地區的情況，如果西部地區人均收入提高1.8倍，基尼系數下降0.42（新疆保持不變），那么人口流出則減少542萬，人口流入增加31萬。模擬結果與東北地區的結果非常相似，印證了前面的結論。基尼系數下降對于減少人口流出的效應遠遠大于增加人口流入的效應。

七、結論與啟示

本文借助2011—2017年中國流動人口動態監測調查（CMDS）數據，構建了縱向勞動力流動網絡。采用時間指數隨機圖模型與反事實模擬檢驗了收入水平效應和收入分化效應對勞動力流動網絡形成與演化的影響機制，得出以下主要結論：首先，本文的TERGM實證結果驗證了收入水平效應和分化效應的驅動模式，結果表明勞動力有從低收入省份向高收入省份流動的趨勢，但并非收入差距越大流動驅動力越強，同時，勞動力有從區域內收入分化水平較高的地區流向相對平等的地區的偏好，這種偏好被分化程度的差異性所加強。其次，本文發現了高技能和低技能勞動力在受到兩種效應影響時表現出的異質性流動模式，高技能勞動力的流動主要受目的地高收入水平的吸引，且對收入分化敏感性較低，流入地的高收入對其吸引力較大；而低技能勞動力則更關注區域內部的收入分化狀況，傾向于從高收入分化的地區流向收入更為平等的區域，體現出其對社會公平性的敏感性。再次，省內流動與跨省流動間也存在差異，勞動力跨省流動更受收入水平和不平等的影響，而省內流動則更多地反映了區域內的其他因素。最后，反事實模擬表明收入水平提高或分化降低在增加流入的同時，更大的作用在于減少了勞動力流出，而且基尼系數比人均收入在降低流出方面更有效。人均收入對勞動力流動的影響較為復雜，如果沒有基尼系數的改善，只有收入水平提高不一定改善勞動力流失的狀況。

本文的結論揭示了收入與勞動力流動的復雜關系，為區域協調發展和人口高質量發展提供了政策啟示。首先，促進區域平衡發展，縮小收入分化。通過加大對低收入和高不平等地區的經濟支持和產業引導，推動這些地區的產業發展，并采用更合理的資源分配政策，確保所有地區共享發展成果。其次，提升低技能勞動力的就業機會和福利。這一群體對收入分化敏感，是實現共同富裕的關鍵。應加大培訓和教育項目的實施，提升低技能勞動力的技能和就業機會，并完善社會福利政策，確保其享受更好的社會保障。再次，低收入地區通過創新支持和人才政策吸引高技能勞動力，可通過提供創業支持、稅收優惠和住房補貼等措施，提升這些地區對高技能人才的吸引力。最后，構建更加靈活、開放的勞動力市場，減少行政壁壘，鼓勵勞動力自由流動，通過教育、技能培訓和基礎設施改善，為所有人創造平等的就業機會。

參考文獻：

［1］ 王勝今， 秦芳菊， 陳世坤. 中國人口遷移流動的人力資本替代效應及影響分析［J］. 人口學刊， 2020（3）： 39-50.

［2］ 劉晨暉， 陳長石. 勞動力流動、技能匹配與地區經濟差距［J］. 經濟研究， 2022（7）： 45-63.

［3］ 夏怡然， 陸銘. 城市間的“孟母三遷” — —公共服務影響勞動力流向的經驗研究［J］. 管理世界， 2015（10）： 78-90.

［4］ 孫偉增， 張曉楠， 鄭思齊. 空氣污染與勞動力的空間流動 — —基于流動人口就業選址行為的研究［J］. 經濟研究， 2019（11）： 102-117.

［5］ 劉毓蕓， 徐現祥， 肖澤凱. 勞動力跨方言流動的倒U型模式［J］. 經濟研究， 2015（10）： 134-146，162 .

［6］ 沈詩杰， 沈冠辰. 中國省際人口流動的空間結構特征研究［J］. 人口學刊， 2020（4）： 103-112.

［7］ 馬勝春 .中國省際人口流動的特征及影響因素的空間分析［J］. 人口研究， 2022（6）： 59-71.

［8］ STARK O， BYRA L， KOSIOROWSKI G. On the precarious link between the Gini coefficient and the incentive to migrate ［J］.Economics Letters，2020，187：108880.

［9］ 呂大國，耿強，簡澤，等. 市場規模、勞動力成本與異質性企業區位選擇 — —中國地區經濟差距與生產率差距之謎的一個解釋［J］. 經濟研究，2019（2）：36-53.

［10］ 許召元， 李善同. 區域間勞動力遷移對地區差距的影響［J］. 經濟學（季刊）， 2009（1）： 53-76.

［11］ 蔡翼飛， 張車偉. 地區差距的新視角：人口與產業分布不匹配研究［J］. 中國工業經濟， 2012（5）：31-43.

［12］ HARRIS J R， TODARO M P. Migration unemployment and development： a two-sector analysis ［J］. The American EconomicReview， 1970，60（1）： 126-142.

［13］ DAHL M S， SORENSON O. The migration of technical workers［J］. Journal of Urban Economics， 2010，67（1）：33-45.

［14］ NAPOLITANO O， BONASIA M. Determinants of different internal migration trends： the Italian experience［R］. MPRA Paper，2010.

［15］ 王桂新， 潘澤瀚， 陸燕秋. 中國省際人口遷移區域模式變化及其影響因素 — —基于2000和2010年人口普查資料的分析

［J］. 中國人口科學， 2012（5）： 2-13，111.

［16］ RUNCIMAN W G. Relative deprivation and social justice［R］. London：Routledge， 1996.

［17］ STARK O. Inequality and migration：a behavioral link［J］. Economics Letters， 2006， 91（1）：146-152.

［18］ QUINN M A. Relative deprivation， wage differentials and mexican migration ［J］. Review of Development Economics， 2006，10（1）：135-153.

［19］ EINTERS P， KAFLE K， BENFICA R. Does relative deprivation induce migration？evidence from Sub Saharan Africa ［J］.American Journal of Agricultural Economists， 2018，102（3）：999-1019.

［20］ PRABIR C. An analysis of rural-to-rural migration in India ［J］. Journal of International Development， 2000， 12 （5）：

655-667.

［21］ AMRITI R， FINNOFF K. Marriage migration and inequality in India 1983 - 2008 ［J］. Population and Development Review，2015，41（3）：485-505.

［22］ 王晶， 高艷云， 高燕. 中國多維相對貧困的空間格局與動態演進研究［J］. 統計與決策， 2023（11）： 55-60.

［23］ BORJAS G J. Self-selection and the earnings of immigrants［J］. The American Economic Review， 1987，77（4）：531-553.

［24］ CHISWICK B R. Are immigrants favorably self-selected？［J］. American Economic Review， 1999，89（2）：181-185.

［25］ MCKENZIE D， STILLMAN S， GIBSON J. How important is selection？ experimental vs. non-experimental measures of theincome gains from migration［J］. Journal of the European Economic Association， 2010，8（4）：913-945.

［26］ PAREY M， RUHOSE J， WALDINGER F，et al. The selection of high-skilled emigrants ［J］. The Review of Economics andStatistics， 2017，99（5）：776-792.

［27］ AKSOY G C， POUTVAARA P. Refugees，and irregular，migrants self selection into Europe： who migrates where？［R］. IFOWorking Paper Series， 2019.

［28］ 彭國華. 技術能力匹配、勞動力流動與中國地區差距［J］. 經濟研究，2015（1）：99-110.

［29］ COWELL F A. Measurement of inequality chapter 2 ［M］// KANBUR R. Handbook of Income Distribution. Amsterdam：

Elsevier， 2000：87-166.

［30］ HUNTER D R. Curved exponential family models for social networks［J］. Social Networks， 2007，29（2）：216-230.

［31］ WINDZIO M. Immigrant children and their parents： is there an intergenerational interdependence of integration into socialnetworks？［J］. Social Networks， 2015，40：197-206.

［32］ 申萌， 李凱杰， 曲如曉. 技術進步、經濟增長與二氧化碳排放：理論和經驗研究［J］. 世界經濟， 2012（7）： 83-100.Choosing High Income or Equality：The Causal Effects of Income Level and IncomeDifferentiation on Labor Mobility NetworkWANG Qunyong， SUN Qian（School of Economics， Nankai University， TianJin 300071，China）

Abstract：Previous literature has predominantly focused on the impact of income levels onlabor mobility， but overlooking income differentiation and its network effect. Based on themonitoring data of China Migrants Dynamic Survey from 2011 to 2017， this study constructsa labor mobility network and employs the Temporal Exponential Random Graph Model（TERGM） and counterfactual simulations to examine the complex influences of regionalincome levels and income disparities on the labor mobility network. The findings reveal asfollows： 1） Labor force is driven by poverty and inequality： labor force moves towardshigher-income areas， while also flowing from regions with high income disparity to those withrelative equality. Compared with the improvement of regional income level， improving thedifferentiation is more conducive to alleviating the outflow. 2） There is heterogeneity betweenhigh-skilled and low-skilled labor forces. Highly-skilled labor attaches importance to incomelevel， which tends to flow to high-income areas； thus， it is not sensitive to incomedifferentiation. The low-skilled labor force is not only affected by the income level， but alsothe regional income differentiation level has a greater driving effect on it. 3） Counterfactualsimulations indicate that one standard deviation decrease in the Gini coefficient in theNortheast region would reduce labor outflow by approximately 220000 people and increaseinflow by about 60000 people. When per capita income rises by one standard deviation， laboroutflow decreases by about 120000 people， and inflow increases by approximately 40000people. The impact of per capita income on labor mobility is complex，that is to say，withoutan improvement in the Gini coefficient， merely increasing income levels does not necessarilyameliorate labor outflow. The conclusions of this paper reveal the intricate relationship betweenincome and labor mobility， which offers a new perspective for the study of labor mobilitynetworks and provides significant policy implications for regional coordinated development andhigh-quality population development.

Keywords： labor flow network； income effect； Temporal Exponential Random GraphModel；network causal effect；counterfactual simulation

［責任編輯 武 玉］