EN中文

Economic geography >

2020 , Vol. 40 >Issue 8: 43 - 48

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.08.006

Spatial Characteristics and Driving Factors of Human Capital Based on Prefecture-Level City

  • LI Songliang , 1 ,
  • ZENG Xiaoming 1, 2 ,
  • ZENG Xiangyan 1, 2 ,
  • LIU Muhua 1, 2 ,
  • CHENG Pengfei , 1, 2, ※ ,
  • CHEN Liang 3
Expand
  • 1. School of Business，Hunan University of Science and Technology，Xiangtan 411201，Hunan, China
  • 2. Hunan Engineering Research Center for Intelligent Decision Making and Big Data on Industrial Development，Xiangtan 411201，Hunan, China
  • 3. School of Business，Guilin University of Technology，Guilin 541004，Guangxi, China

Received date: 2019-10-30

  Revised date: 2020-05-27

  Online published: 2025-04-18

Fold

Abstract

Take Chinese prefecture-level cities as spatial unit,with the help of related data of the sixth population census and urban statistical yearbook. Combine spatial autocorrelation with geographically weighted regression analytical method,to discuss special distribution characteristic and driving factor of Chinese city human capital. The result shows: the agglomeration of human capital is further enhanced, there is great distance of human capital between cities and regions,human capital presents a clustering distribution significant space positive correlation in space; Each factor shows significant spatial heterogeneity on the driving pattern of the spatial distribution of urban human capital. To shrink the human capital distance with east region,the Midwest and the northeast regions have to update public service of basic education、Medical Treatment and Public Health etc. Meanwhile to adopt more aggressive human resource policy than the East.

Key words： human capital; spatial distribution; driving factors; geographical weighted regression

Cite this article

LI Songliang , ZENG Xiaoming , ZENG Xiangyan , LIU Muhua , CHENG Pengfei , CHEN Liang . Spatial Characteristics and Driving Factors of Human Capital Based on Prefecture-Level City[J]. Economic geography, 2020 , 40(8) : 43 -48 . DOI: 10.15957/j.cnki.jjdl.2020.08.006

随着中国教育水平的提高，特别是高等教育的发展，人力资本总量也快速增长，但是人力资本水平在不同地区之间却存在明显的差距，并且这种差距还在扩大[1]。人力资本是影响区域经济增长的关键因素[2⇓-4]，中国区域之间的发展差距在很大程度上归咎于人力资本的地区差异[5⇓⇓⇓⇓-10]。人力资本的空间分布不均衡，对中国实施的一系列旨在缩小地区差距、促进区域协调发展等政策的实际效果提出了挑战。因此，有必要对中国人力资本的空间分布特征及其影响因素进行探索分析，找出人力资本空间分布的基本规律。国内有不少学者研究了中国人力资本的空间分布特征。例如，中国各省以高等教育人口为代表的人力资本不均衡，但在空间分布上呈现收敛的趋势[8]。城市高学历人口的增加数取决于城市初始年份的高学历人口数量、工资水平、公共物品供给等因素的影响，并且人力资本的集聚程度随着时间推移不断增强[11]。我国省域人力资本空间分布不均衡，人力资本流动“俱乐部趋同”现象明显，人力资本分布结构有收敛趋势[12]。黄乾等基于教育和成本指标测算了省域人力资本，也认为人力资本呈现出收敛性[13]。曹方认为省内人力资本的差异大于省际人力资本差异，教育经费差异对人力资本空间分布总差异的影响并不显著[14]。
已有研究给本文提供了很好的参考和借鉴，但在以下三个方面值得进一步探讨：第一，在研究单元上，已有文献在研究人力资本的空间分布时多基于省级层面的数据，但是人力资本更多地是集聚于城市当中，因此从城市层面来研究人力资本的空间分布特征将更具合理性。第二，在研究内容上，现有文献大多是对人力资本空间分布的特征进行了多方面分析，但对人力资本空间分布的形成机理或影响因素的研究却并不多见。第三，在研究方法上，已有研究多基于简单的OLS回归方法研究人力资本空间分布的影响因素，但这种方法忽略了研究对象的空间异质性和空间依赖性。基于此，本文拟以地级市为研究单元，运用空间自相关分析和GIS空间表达以及地理加权回归模型（GWR）等方法，在明晰中国城市人力资本空间分布特征的基础上，揭示其空间特征的驱动因素，为我国区域人力资本平衡发展提供参考依据。

1 研究方法及数据来源

1.1 研究方法

1.1.1 空间自相关分析

空间自相关描述的是在研究空间范围内所有单元的整体空间关系，通常使用Moran's I指数分析相邻地区的某种现象是相似（空间正相关）还是相异（空间负相关），抑或是相互独立（随机分布），其计算公式为：
I = n ∑ i = 1 n ∑ i = 1 n w i j x i - x ¯ x j - x ¯ / ∑ i = 1 n ∑ i = 1 n w i j ∑ i = 1 n x i - x ¯ 2
式中： x i表示地区i的观测值；n为地区数； x ¯ = 1 n ∑ i = 1 n x i； w i j为空间权重矩阵，用来定义空间对象的相互邻接关系。空间权重的设置原则主要有两种，一种是基于邻接关系原则，另一种是基于距离原则。本文研究的单元为地级市，由于地级市之间邻接并不规则，而且由于数据缺失等原因，有较多城市没有邻接单元，因此不适合选择基于邻接关系原则，而应选择基于距离原则的空间权重设置，并保证每个单元至少有一个邻居①，一般邻接标准为两个地区相邻取值为1，否则为0。

1.1.2 地理加权回归（GWR）分析

y i = β 0 μ i , v i + ∑ j = 1 k β j μ i , v i x i j + ε i
式中： y i为被解释变量； β 0为常数项，是利用邻近观测值的子样本数据信息进行局域回归估计而得； μ i , v i是观测到的样本i的地理区位坐标； ε i是第i个区域的随机误差； β j的下标j是关于地理位置 μ i , v i的k+1元函数； β j μ i , v i为第i区域的特征弹性系数。对研究范围内的任一区域 μ i , v i特征弹性系数的估计采用加权最小二乘法，估计值如下：
β ^ μ i , v i = X T W μ i , v i X - 1 X T W μ i , v i Y
式中： X为解释变量矩阵； W μ i , v i为空间权重矩阵，由回归区域与其邻近区域之间地理距离的单调递减函数值构成，通常采用高斯（Guass）函数表示：
W μ i , v i = e x p - d i j / b 2
式中： d i j为区域i和区域j之间的距离；b是最优带宽，可以通过最小信息准则（AIC）来决定最佳带宽。
与OLS模型相比，GWR模型的优点在于：①能够解决OLS模型所无法解决的空间自相关问题；②每个样本空间单元都给出一个系数估计值，使得模型结果更能反映局部情况，弥补了OLS模型所忽略的局部特性；③能够揭示不同变量的空间分异特征和空间作用模式。

1.2 变量设置与数据来源

模型因变量为人力资本水平，人力资本的衡量方法有多种，但限于城市层面数据的可获得性，本文借鉴Arauzo-Carod的做法，采用城市大专及以上人口占全国大专及以上人口的比重表示作为人力资本的代理变量[15]。不采用平均受教育年限衡量人力资本是因为平均受教育年限只能反映劳动者的平均教育水平，却不能反映城市的人力资本总量水平。使用该方法计算的2010年省级人力资本份额与《中国人力资本报告2011》公布中的2010年省级实际人力资本的回归系数达到0.9以上，说明使用城市大专及以上人口份额能够较好地代表城市的人力资本水平（图1）。
图1 专科及以上人口份额与省级人力资本

注：数据来源于《中国人力资本报告2011》《中国2010年人口普查分县资料》。

Fig.1 Population share and provincial human capital of college degree or above

影响人力资本空间分布的因素很多，李天健、刘乃全等的研究表明，工资水平、基础教育质量、医疗卫生水平、文化设施水平、房价以及开放程度会对人力资本的空间分布产生很大影响[10,16]。下面对所选指标及其测度作逐一说明：
①工资水平。工资水平的高低反映了市场对人力资本的需求大小，工资高的地区对人力资本的需求高，工资低的地区对人力资本的需求较低。同时，在其他条件相同的情况下，拥有高学历的人口为了实现效用的最大化必定会流向工资高的地区提升自己的收入水平。因此，收入水平的高低对人力资本居住和就业区位的选择有至关重要的影响。本文以城镇在岗职工的平均工资来测度人力资本的收入水平。
②基础教育质量。随着知识经济时代的到来，人们越来越重视对子女的基础教育，这对于那些拥有高学历的人口来说表现得尤其明显。因此，那些基础教育质量好的地区必定能够对人力资本产生较强的吸引力，进而影响人力资本的空间分布。本文以中小学师生比来反映各城市的基础教育的质量。
③医疗卫生服务水平。随着收入水平的提高，人们的健康消费观念也不断升级。通常情况下，拥有高学历的人口具有较高的医疗卫生服务需求，他们倾向于居住在那些医疗机构多、服务质量高、医保制度更为健全的城市。因此，医疗服务水平的城市差异就会对人力资本的空间分布产生一定影响。本文以万人拥有的床位数来测度医疗服务水平在不同城市间的差异。
④公共文化设施水平。文化设施作为公共文化传播的平台，主要为居民提供具有公益特征的文化产品和服务。拥有高学历的人口通常具有更高的文化设施需求，他们也更倾向于在那些文化设施齐全、文化产品和服务丰富的城市居住和就业，这也就导致了文化设施的分布与人口分布形态密切相关。因此，本文选取每百人公共图书馆藏书来测度城市间公共文化设施水平差异。
⑤房价水平。房价水平反映了一个地区的居住环境和生活便利程度，房价水平越高的地方其居住环境也越好、生活便利程度也越高。在其他条件不变的情况下，高学历的人口通常有较高的收入水平，在居住区位的选择上必然会考虑生活便利程度较高的城市，因此，房价水平的差异也会对人力资本的空间分布产生一定影响。
⑥开放程度。开放程度的高低不仅反映了地区进入壁垒的高低，还反映了地区消费服务的多样化水平。通常情况下，开放程度越高的地区其人力资本进入的壁垒越低，消费服务的多样化水平也越高。因此，本文使用外商直接投资占GDP的比重测度各城市的开放程度。
本文使用的人力资本数据来源于2000和2010年《中国人口普查分县资料》，其他变量数据来源于《中国城市统计年鉴2011》。模型变量的描述性统计见表1。
表1 变量的描述性统计分析

Tab.1 Descriptive statistical analysis of variables

变量 观测值 平均值 标准差 最小值 最大值
人力资本（%） 283 0.35 0.54 0.03 5.47
工资水平（万元） 283 3.13 0.76 1.38 7.19
基础教育质量 283 10.96 91.50 0.09 855.3
医疗卫生水平（张） 283 34.64 13.70 12.65 109.9
文化设施水平（册） 283 47.79 74.87 2.84 883.4
房价水平（万元） 283 0.49 0.53 0.14 4.42
开放程度 283 28.52 28.18 0 194.4

2 地级市人力资本水平的空间特征分析

2.1 人力资本集聚程度进一步增强

图2与图3描绘的是中国各地级市2000与2010年的人力资本水平，从中可以看出我国人力资本空间分布的变化情况。首先，东部沿海地区的人力资本集聚程度进一步增强，但三大区域存在较大差异。集聚度增强最为明显的是环渤海地区、长江三角洲地区和珠江三角洲地区的大城市。其次，中部地区人力资本的集聚程度整体有所增强，但并没有形成极化效应，人力资本分布相对均等。最后，西部地区和东北地区的人力资本集聚程度变化不大，除了少量城市集聚度有所增强外，其他城市的工业经济集聚度无明显变化。
图2 2000年中国地级市人力资本水平

Fig.2 Human capital level of China's prefecture-level cities in 2000

图3 2010年中国地级市人力资本水平

Fig.3 Human capital level of China's prefecture-level cities in 2010

2.2 地区间人力资本水平差异显著

以2010年的数据为例，人力资本水平最高的城市为北京（5.47%），是人力资本水平最低城市嘉峪关（0.03%）的182倍。人力资本水平超过1%的城市有21个，低于0.1%的城市有52个。另外，在人力资本水平排前20个城市当中，东部地区占11个，中部地区占3个，西部地区占3个，东北地区占3个。人力资本排名靠后的20个城市当中，东部地区占3个，中部地区占3个，东北地区占3个，西部地区占11个。由此看来，人力资本主要分布在大城市，并且各城市间的人力资本水平存在较大差距。

2.3 人力资本呈现显著的空间正相关特征

根据各城市之间的邻接关系，建立二进制邻接矩阵，基于该矩阵运用ArcGIS软件进行Moran's I值计算，求得值为0.005，Z得分为1.72，p值为0.085，在10%的显著性水平下通过检验，表明中国城市人力资本的空间分布不是随机分布和分散分布，而是呈现空间相关性的集聚分布。这是GWR模型构建的基础，也为模型结果的有效性提供了必要的保障。

3 人力资本空间分布的驱动因子分析

3.1 模型参数估计结果

本文使用2010年的数据对模型参数进行估计。GWR模型中各变量的系数估计使用ArcGIS软件完成，其中模型的最优带宽采用AIC准则进行判断，即当GWR模型的AIC最小的时候，就是最佳带宽，模型的参数估计及检验结果见表2。其中模型的拟合优度为0.73，模型的拟合效果较好。
表2 GWR模型参数估计及检验结果

Tab.2 Parameter dstimation and test results of GWR model

模型参数 数值
Bandwidth 1 014 433.6067
ResidualSquares 20.3513
EffectiveNumber 26.8908
Sigma 0.2819
AICc 106.0050
R2 0.7559
R2 Adjusted 0.7313
GWR模型对每一个特定的空间单元都会估计一个系数，表3报告对系数进行了描述性统计的结果。结果表明，各自变量的回归系数存在不稳定性，除了基础教育质量和房价水平外，其他各因素回归系数的最大值和最小值均存在反方向性，说明各自变量在不同的区域对因变量具有不同的解释力，甚至是相反的解释力，揭示了这些因子影响人力资本分布的空间非平稳性。从各自变量的回归系数的描述性统计来看，平均值、上四分位值和下四分位值均为正数，说明本文选择的影响因素在绝大多数城市中与人力资本具有正相关性，只有在极少部分城市中表现为负相关性。
表3 GWR 模型回归系数的描述性统计分析

Tab.3 Descriptive statistical analysis of regression coefficient of GWR model

驱动因素 平均值 最小值 下四分
位值		 中位
数值		 上四分
位值		 最大值
工资水平 0.1170 -0.0983 0.0872 0.1100 0.1520 0.2810
基础教育质量 0.0027 0.0013 0.0026 0.0028 0.0029 0.0031
医疗卫生水平 0.0027 -0.0003 0.0017 0.0032 0.0037 0.0073
文化设施水平 0.0023 -0.0003 0.0016 0.0022 0.0029 0.0046
房价水平 0.1940 0.0563 0.0722 0.0867 0.1470 2.2480
开放程度 0.0011 -0.0024 0.0003 0.0009 0.0016 0.0056
常数项 -0.3514 -0.6779 -0.4732 -0.3358 -0.2359 0.0345
从图4可以看出，各城市局部回归模型的标准化残差值的范围在[-5.87，6.06]，其中，96%以上在[-4.21，3.15]，因此，GWR模型的标准化残差在5%的显著性水平下呈随机分布，进一步对残差的空间分布进行空间相关性检验，Moran's I值为-0.007，Z得分-0.197，P值为0.843，在10%的显著性水平下未通过显著性检验，说明残差在空间上是完全随机分布，模型拟合效果较很好。
图4 GWR模型标准化残差空间分布

Fig.4 Spatial distribution of the standardizederrors in the GWR model

3.2 驱动因子空间作用模式分析

①工资水平的空间作用模式。图5a显示，工资水平的回归系数以南部沿海为高值中心向北部递减，在西北和东北部地区形成低值中心。这表明南部沿海城市工资水平的提升能够显著增加城市人力资本水平，而西北和东北部个别城市的工资水平并不能起到吸引人力资本的作用。
图5 回归系数空间分布

Fig.5 Spatial distribution of the regression coefficients

②基础教育质量的空间作用模式。图5b显示，基础教育质量的回归系数以东南方向的福建、浙江、江西和西北方向的新疆、甘肃、内蒙古为高值中心向东北、西南递减，在黑龙江和云南形成低值中心。表明新疆、甘肃、内蒙古、福建、浙江等省区地级市，以及大部分中部地区城市提升基础教育质量能够显著提高人力资本水平。
③医疗卫生服务水平的空间作用模式。图5c显示，医疗卫生服务水平的回归系数以湖北西部、陕西东部、重庆、四川东部等中西部地区为高值中心向周围递减，在东南沿海地区形成低值中心。这表明，中西部地区城市提高医疗卫生服务水平能够显著促进城市人力资本增加。
④文化设施水平的空间作用模式。图5d显示，文化设施水平的回归系数以东北地区的黑龙江和辽宁为高值中心向西南部方向递减，在南部地区的广东、西南地区的广西形成低值中心。表明东北部地区城市增加文化设施水平能够显著提高城市人力资本，而中南部地区文化设施水平对增加人力资本水平的影响较小。
⑤房价水平的空间作用模式。图5f显示，房价水平的回归系数以黑龙江的北部为高值中心向南、西南方向递减，在东部沿海、南部沿海以及大部分中西部地区形成低值中心。表明中国南北地区的居住环境、生活便利程度对人力资本影响的差异较大，南方各城市的居住环境、生活便利程度对人力资本的影响并无显著差异。
⑥开放程度的空间作用模式。图5e显示，开放程度的回归系数以西部地区为高值中心向中东、东北、东南方向递减，在东北地区形成低值中心。表明中西部城市增加开放度能够显著促进人力资本水平的提高，环渤海地区、广东沿海地区的开放程度较高，其对人力资本的影响较小，而东北大部分地区的开放程度并不能起到促进人力资本增加的作用。

4 结论与讨论

探讨人力资本的空间分布特征及驱动因素，有助于我们对当前国家实施产业空间布局、产业转移以及缩小区域差距等一系列政策的理解和把握。本文在探索中国城市人力资本的空间分布特征的基础上，运用地理加权回归模型，选取工资水平、基础教育、医疗卫生、文化设施、居住环境以及开放程度6个因子揭示人力资本空间特征的驱动因子及其空间分异性。
中国城市人力资本的空间特征表现为各城市间和各地区间人力资本水平存在较大差距，人力资本主要集中在长三角、珠三角、环渤海以及中西部地区的一些大城市，中部地区人力资本分布相对均等，西部地区城市间差距较为明显。中国城市人力资本的空间分布不是随机分布和分散分布，而是呈现显著的空间正相关性的集聚分布。
地理加权回归结果表明，各因子对各城市人力资本的驱动力模式不同，显示出明显的空间分异性。基础教育质量和房价水平对人力资本的空间分布的影响在所有城市中为正相关，工资水平、医疗卫生、文化设施以及开放程度对人力资本空间分布的影响在绝大多数城市中为正相关，在极少数城市中为负相关，而工资收入对人力资本的影响程度自南部沿海向西北方向递减。
目前中国中西部地区和东北地区的人力资本与东部地区相比还存在较大差距。要缩小这种差距，中西部地区必须通过加大基础教育投资、提高医疗卫生服务水平，进一步扩大对外开放程度，促进人力资本增加；东北地区要通过改善居住环境、增加文化基础设施数量，丰富文化产品和服务，促进人力资本增加。西北地区要提高公共服务水平和扩大对外开放程度吸引人力资本，而不仅仅是提高工资水平。人力资本集聚产生的集聚经济能够提高高技能人才的福利水平，这意味着要吸引高技能人才到中西部地区和东北地区就业，国家必须采取比东部地区力度更大的人才政策措施。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
李海峥, 贾娜, 张晓蓓, 等. 中国人力资本的区域分布及发展动态[J]. 经济研究, 2013(7):49-62.

[2]
Romer P M. Increasing returns and long-run growth[J]. Journal of Political Economy, 1986, 94(5):37-1002.

[3]
Lucas R E. On the mechanics of economic development[J]. Journal of Monetary Economics, 1988, 22(1):3-42.

[4]
Karahasan B C, López-Bazo E. The spatial distribution of hu-man capital:can it really be explained by regional differences in market access?[J]. International Regional Science Review, 2013, 36(4):451-480.

[5]
徐大丰. 我国城市的经济增长趋同吗?[J]. 数量经济技术经济研究, 2009(5):30-41.

[6]
胡永远. 人力资本积累与地区经济增长的联动关系分析[J]. 中国人口·资源与环境, 2011(12):153-157.

[7]
蔡昉, 王德文, 都阳. 劳动力市场扭曲对区域差距的影响[J]. 中国社会科学, 2001(2):4-14,204.

[8]
陈钊, 陆铭, 金煜. 中国人力资本和教育发展的区域差异:对于面板数据的估算[J]. 世界经济, 2004(12):25-31,77.

[9]
姚先国, 张海峰. 教育、人力资本与地区经济差异[J]. 经济研究, 2008(5):47-57.

[10]
严立刚, 曾小明. 东部产业为何难以向中西部转移——基于人力资本空间差异的解释[J]. 经济地理, 2020, 40(1):125-131.

[11]
李天健, 侯景新. 中国人力资本的空间集聚与分布差异[J]. 世界经济文汇, 2015(3):104-117.

[12]
黄犚. 我国人力资本分布与流动的研究——基于“五普”与“六普”的比较分析[J]. 西北人口, 2013(6):80-84,94.

[13]
黄乾, 李修彪. 我国省域人力资本的收敛性分析——基于三种测算方法的比较[J]. 人口与经济, 2015(4):94-106.

[14]
曹方. 中国人力资本空间分布差异的度量与分解[J]. 西北人口, 2008(4):7-11.

[15]
Arauzo‐carod J. Location determinants of new firms:does skill level of human capital really matter?[J]. Growth and Change, 2013, 44(1):118-148.

[16]
刘乃全, 耿文才. 上海市人口空间分布格局的演变及其影响因素分析——基于空间面板模型的实证研究[J]. 财经研究, 2015(2):99-110.

Options
Outlines

/

〈 〉