农村剩余劳动力转化途径与农民收入增加的关系分析
内容摘要：通过分析比较农村剩余劳动力的两大主要转移途径，以找到提高农民收入更有效的方法。
关键词：农民收入 农民工 农村剩余劳动力 农村城市化 农民城市化
一、问题的提出及研究目的：
三农问题近年来一直受到广泛的关注。有研究表明，在GDP小于1000美圆的时候，国家经济发展更多情况下是依靠牺牲农业为其他经济建设提供支持。而当人均GDP超过1000美圆后，一般由压榨农业变为扶持农业发展。中国作为一个农业大国，则更应该关注8亿多农民的生活。不仅如此来自国家统计局的资料显示，2003年，中国消费率仅为55.4%，是1978年以来25年里最低的水平，而消费率持续降低的根子在于农民收入增长缓慢，消费能力减弱。，进一步分析2003的消费率会发现，城镇居民消费占57.6%，呈上升趋势。农民消费占42.4%，是下降的。这也更说明了当前，农民增收问题，也关系到了中国的消费率，关系城乡差距的扩大，进一步，关系国家的稳定。
如何提高农民收入？当前的情况是，一方面是大量农村劳动力进城务工从而引发的农村劳动力城市化的经济、政策问题；另一方面，农村务农人口自发转向在农村从事非农业劳动，比如第三产业。针对这两个农民收入的增长方向，本文希望从农村剩余劳动力转化的方向对农民收入的影响入手，试图通过分析，讨论当前状况下哪个方向的转移更能增加农民收入，进而推动国民经济的发展。为政策制定提供一定的参考。
二、现有理论研究成果
主流观点认为：改革开放以来，影响中国农民收入总量水平的主要因素是从事非农产业的农村劳动者人数、农副产品收购价格和农业生产的发展规模。而目前，中国粮食价格总体水平已与国际粮食价格基本持平，部分粮食品种的价格已高于国际价格。由于粮食收购价格的提高会增加粮食流通体制改革的困难，再加上加入世界贸易组织之后面临世界农产品市场的竞争压力，所以进一步提高农副产品收购价格的余地已经很小同时，发展农业生产是一个缓慢的过程，希望在短期内使农民收入有很大的提高是不现实的。而且还应该看到，在过去农业总产值的增长中，政策因素(例如实行家庭承包经营)起了很大的作用，而在今后时期内，政策因素的作用将显著减弱。再加上投人(化肥、电力、农药等)的效益递减，其对农民收入的增加提升力不是很显著。所以只有从农村剩余劳动力的转移问题方面着手，才能有效提高农民收入。农村剩余劳动力转移主要表现为三种形式：一是制度性转移，以“农转非”为主，平均每年的制度性转移规模目前在100万人左右；二是自发性转移，以“民工潮”为主，目前出乡的农民工规模为7，500万左右，在省外流动就业的农民工规模为4,500万左右（国家统计局统计资料）；三是内部性转移，以从事当地非农产业（如乡镇企业、私营企业和个体户）为主，目前乡镇企业的从业人员大约为12,500万人，私营企业的从业人员大约为750万人，个体从业人员大约为3，800万人。
这种理论并没有提出自发性转移和内部性转移，哪种形式对农民收入的提高有更大的促进作用。这将是本文着力探讨的要点。
三、我们的思路和数据处理：
数据处理
考虑到通货膨胀的影响，我们试用商品零售价格指数来调整农民年均纯收入Y。（实际收入=货币收入÷农村商品零售价格指数）以样本采集初始年份1978年作为基期。得到1978年至2003年的农民年均纯收入。见附表1。
X1为农林牧渔业总产值指数(以1952年为基期)；
X2为农产品收购价格指数(以1978年为基期)；
X3为外出务工人数占农村常住人口的比例；
X4为在农村从事非第一产业人数占农村常住人口的比例。
数据平稳性检验
首先对y值进行含趋势项和飘移项的单位根检验，结果见附表７-9。首先对y进行含趋势项和漂移项的单位根检验，由于结果非平稳，因而，我们继续进行。最后结果为y是平稳的。同理，我们进行x1，x2，x3，x4的单位根检验，得到x1，x3，x4都平稳。
２．模型设定及回归：
第一步：我们首先根据农民收入的情况，我们认为来自农业的收入仍然是农民收入的主要构成部分，因而我们用农林牧渔业总产值和农产品的收购价格来反映农民纯收入的主体部分（这里暂不讨论其他因素），构造以下模型：
L
X1代表农林牧渔业总产值指数(以1952年为基期)；x2代表农产品收购价格指数(以1978年为基期)；y代表消除通长后的人均纯收入指数。
由1978至2003的数据回归，我们得到如下结果（见附表2）
Y=-4.955556+1.1612lnx1－0.144351lnx2
(-18.3864)( 10.37796)( -1.56334)
=0.965283 =0.962264 f=319.7461 Df=24
由回归结果可以看到，lx2的t 检验值不显著,并且，其系数为负，既当
产品的收购价格增加，反而引起农民纯收入的降低．这是违背经济现象的。另一方面，r-square较显著，这说明x1，x2 之间可能存在多重共线性。模型设定不够完善，我们进一步进行相关系数的检验，结果如图：
Correlation matrix
LX1 LX2
LX1 1.000000 0.935537
LX2 0.935537 1.000000
证明二者的确存在多重共线性。
但是考虑到本文研究目的在于探讨农民外出务工和在农村从事非农业对农民纯收入的影响，因此我们忽略掉他们的共线性。
第二步：根据研究目的，我们首先对农村剩余劳动力转移的过程的三个形式进行了调整。因为制度性转移—“农转非”，既包含了由农村转移到城市的民工，也包含了农村内部向非农产业部门的转移。我们将其分解到在农村从事非第一产业，和农村劳动力外出务工两大人群中。也就是外部转移和内部转移两部分。
其次，根据《中国统计年鉴》的统计指标解释，农民纯收入按收入的性质划分为工资性收入、家庭经营收入、财产性收入和转移性收入。我们在研究两种劳动力收入的时候，与劳动力划分相对应，将农民家庭人均纯收入按行业和城乡划分，由三部分组成：a.农民在农村从事第一产业收入，b.农民在农村从事非第一产业收入，c.外出的农民工劳动收入。
第一产业 非第一产业
农村 a b
城镇 c
我们逐步代入变量x3-外出打工人员占农村常住人口的比例，x4-在农村从事非第一产业人数占农村常住人口比例，以验证我们的假设。
①L
再次通过1978-2003的数据回归，得到如下结果：（见附表3）
L
（-10.8074） （11.30946） （-2.41484） （2.176519）
=0.971434 =0.967538 f=249.3798 Df=24
由回归结果，可以看到，在引入新的变量x3之后，方程的显著性有所提高，从0.965283增加到了0.971434。并且，x3的t检验值显著，再分析其他统计学检验结果，我们认为，变量x3既外出打工人员占常住人口比例的增加能够引起农民纯收入的增加，其弹性为0.065344.也就是说,当该比例增加1%时,农民纯收入能够平均增加0.065344%.
②L
同样,通过eviews软件，我们得到如下结果：（见附表4）
L（-9.777435）（10.73217）（-2.926831） （3.036023） （-2.099080）
=0.976388 =0.971890 F= 217.0940 Df=22
在引入新变量x4之后，方程的显著性又有所提高，并且各个解释变量的t检验值均显著。因而，可以认为，x4-在农村从事非第一产业人数占农村常住人口比例对于农民纯收入也有显著性影响．其弹性为-0.14224。但是，负的系数表明，当在农村从事非第一产业人数占农村常住人口比例上升１％，反而使农民纯收入减少0.14224％。
四．经济意义及统计检验：
从估计的结果可以看，可决系数=０．976388表明拟合度很好。同时，在加入x3，x4之后，可决系数都有所提高，证明本文的原假设，在农村从事非第一产业的人数增加和外出务工的人数增加对于农民纯收入都有显著的影响。但是，就系数而言，x2和x4的系数都为负。我们认为原因在于，从1997-2002年，农产品的收购价格指数具有下降趋势，而农民纯收入则呈现上升趋势．这个，可能就是x2系数为负的原因。同时，x4的负系数 ，这个与现实经济状况不符。统计检验方面，４个解释变量的t检验值都是显著的，可决系数显著，证明x3，x4之间不存在多重共线性。但是dw检验结果显示，随机扰动项存在着自相关，因此，我们继续对模型进行计量经济学检验。
五．计量经济学检验：
异方差检验
因为采取的是时间序列数据，因而对该方程我们采用ARCH检验来检验异方差。检验结果见附表3。由于Obs*R-squared=1.663191，通过查卡方分布表，(22)=33.9244，所以接受原假设，不存在异方差。（见附表5）
自相关检验
由D-W= 1.010458，通过查表，得到dl=1.062du=1.759，因而该DW值落在了有自相关的区域。我们对该模型进行Cochrane-Orcutt迭代法检验，结果见附表7。
通过对自相关的修正，我们可以看到，此时D-W=2.033644 通过查表，得到dl=1.062du=1.759，因而该DW值落在了无自相关的区域中的DW=1.418451。落在了无自相关的区域中，但是该检验显著影响了解释变量的系数以及t检验值，造成系数不符合经济意义且t检验值不显著，所以我们放弃对自相关的修正。（见附表6）
最后方程：
通过计量经济学的检验和修正，我们得到最后的方程：
L（-9.777435）（10.73217）（-2.926831） （3.036023） （-2.099080）
=0.976388 =0.971890 F= 217.0940 Df=22
由此模型可以看到，农民纯收入对农村非农业从业人员占农村常住人口的比例弹性为-0.14224。也就是说，该比例每增加1%，农民纯收入也会相应的减少0.022645%。而这与经济现实情况是不相符合的。由于，第一，在自相关的检验中，模型并未得到修正，非最优模型。第二，由保守的估计，我国农村第二产业的就业人数约有九千万人，第三产业就业人数约三千万人，从这些数据也可以间接的表明，实际上在农村从事非第一产业对于农民的吸引。由上两点，我们不能就统计学检验结果而否定农民内部转移对于农民纯收入没有正的显著性影响。同时，当外出打工人员占农村常住人口的比例增加1%时,农民纯收入能够平均增加0.065344%。
六、计量经济学检验问题分析
对于产生自相关的原因，我们分析认为虽然模型的拟合度很好，但是由于模型设定不合理，使得ui中包含了对Y有影响的部分解释变量，产生了自相关。
七、经济分析与政策建议
通过对这两个弹性系数的比较,我们可以看到,针对当前农村大量剩余劳动力转移的两条渠道,外部转移和内部转移对增加农民收入都有一定的作用。但是在两者对于农民收入的贡献又是有区别的。再考虑剩余劳动力两类转移相应的成本。当前,农村劳动力外部性转移,面临如下问题:
1．我国城市国有企业改革和国有经济改组的进度缓慢,一方面使吸纳新劳动力的能力由正转负，另一方面，使工商业缺乏活力。
2．城市经济体制改革造成的大量下岗工人也面临就业难的问题，也就恶化了农民工就业环境。
3．二元户籍制度，虽然正在进行改革，但是它对农民工进城后的工作，生活和日后的家庭发展仍造成了不小的阻碍。
农民工进城造成的城市交通，治安，环境等问题使城市抱有一定程度上的排斥情绪。
鉴于上面存在的问题，农村剩余劳动力的外部性转移实际上面临很多难题，在农民城市化的进程中，城市，农民都要付出一定的代价，并且过程是比较漫长的。
但是，农村城市化的过程，农民城市化的过程，对于增加农民的纯收入方面，却有显著的影响。因此，应该从国家政策上支持这一过程，逐渐消灭长期以来的城乡二元化结构，鼓励农民城市化。
再考虑农村剩余劳动力的内部化过程。据保守的估计，我国农村第二产业的就业人数约有九千万人，第三产业就业人数约三千万人，这为农村的城市化提供了大量的劳动力资源。并且，农村剩余劳动力的就地转化，有社会成本低，社会收益高，农民积极性高的优势，同时，也有利于带动第一产业的产业化发展，最终缩小城乡差距。
因而，考虑以上诸因素，我们认为，推行农村剩余劳动力的内部转化和农村城市化进程，与鼓励剩余劳动力外部化相比，更能有效地增加农民收入。
参考书目：
历年《中国农村统计年鉴》国家统计局农村社会经济调查总队 编
中国统计出版社
历年《中国统计年鉴》中国人民共和国国家统计局 编
中国统计出版社
历年《中国经济年鉴》中国经济年鉴社 编辑出版
历年《中国劳动统计年鉴》中国统计出版社
《中国农业年鉴2000》 中国农业出版社
《计量经济学》（第三版）[美]古扎拉蒂 中国人民大学出版社
《影响中国农民收入增长的因素分析》 宁夏社会科学院经济所副研究员 段庆林
注释：
1．农产品收购价格指数是反映国有商业、集体商业、个体商业、外贸部门、国家机关、社会团体等各种经济类型的商业企业和有关部门收购农产品价格的变动趋势和程度的相对数。农产品收购价格指数可以观察和研究农产品收购价格总水平的变化情况，以及对农民货币由入的影响。作为制订和检查农产品价格政策的依据。计算指数所选的商品有11大类、包括276种农副土特产品。采用加权倒数平均公式(即按报告期实际收购金额加权综合法)计算。
2．总收入指调查期内农村住户和住户成员从各种来源渠道得到的收入总和，按收入的性质划分为工资性收入、家庭经营收入、财产性收入和转移性收入。工资性收入指农村住户成员受雇于单位或个人，靠出卖劳动而获得的收入。家庭经营收入指农村住户以家庭为生产经营单位进行生产筹划和管理而获得的收入。财产性收入指金融资产或有形非生产性资产的所有者向其他机构单位提供资金或将有形非生产性资产供其支配，作为回报而从中获得的收入。转移性收入指农村住户和住户成员无须付出任何对应物而获得的货物、服务、资金或资产所有权等，不包括无偿提供的用于固定资本形成的资金。
附表：
1．
y消除通长后的人均纯收入 x1农林牧渔业总产值指数(以1952年为基期) x2农产品收购价格指数(以1978年为基期) x3务工/常住 x4非农/常住
1978 1.336 206.2 100 0.002406 0.02762
1979 1.5750736 221.8 122.1 0.001863 0.01433
1980 1.79827035 224.9 130.77 0.001521 0.025484
1981 2.05690084 239.5 138.48 0.001615 0.012897
1982 2.44545043 266.5 141.53 0.003438 0.015278
1983 2.77176344 287.2 147.76 0.005171 0.036449
1984 3.08607661 322.4 153.67 0.007117 0.050802
1985 3.2275347 333.4 166.89 0.009372 0.083132
1986 3.27638191 344.7 177.56 0.01382 0.088485
1987 3.36436364 364.7 218.4 0.01646 0.094856
1988 3.49048748 379 268.6 0.019241 0.09929
1989 3.14460477 390.8 308.93 0.0181 0.10219
1990 3.47669706 420.5 300.9 0.0185 0.17081
1991 3.5192451 436 294.88 0.0149 0.163551
1992 3.74760994 463 304.91 0.0171 0.167702
1993 3.91237901 500 345.76 0.0327 0.179132
1994 4.21740182 543 483.72 0.016009 0.131512
1995 4.68199893 602.2 579.98 0.016644 0.139898
1996 5.3739293 658.9 604.34 0.014862 0.145478
1997 5.61500645 703.2 577.14 0.013655 0.152853
1998 6.13623592 745 530.97 0.010981 0.158746
1999 6.45920514 779.7 466.19 0.011322 0.163382
2000 6.70022598 807.8 449.41 0.011096 0.180698
2001 7.0464223 842 439.52 0.011361 0.191734
2002 7.4421464 883.3 441.72 0.012811 0.205006
2003 7.76798886 917.7 465.17 0.012846 0.230464
2．
Dependent Variable: LY
Method: Least Squares
Date: 12/31/04 Time: 17:24
Sample: 1978 2003
Included observations: 26
Variable Coefficient Std. Error t-Statistic Prob.
C -4.955556 0.269523 -18.3864 0
LX1 1.1612 0.111891 10.37796 0
LX2 -0.144351 0.092335 -1.56334 0.1316
R-squared 0.965283 Mean dependent var 1.316582
Adjusted R-squared 0.962264 S.D. dependent var 0.479941
S.E. of regression 0.093233 Akaike info criterion -1.79927
Sum squared resid 0.199923 Schwarz criterion -1.65411
Log likelihood 26.39053 F-statistic 319.7461
Durbin-Watson stat 0.298921 Prob(F-statistic) 0
3．
Dependent Variable: LY
Method: Least Squares
Date: 12/31/04 Time: 17:05
Sample: 1978 2003
Included observations: 26
Variable Coefficient Std. Error t-Statistic Prob.
C -4.285574 0.396539 -10.8074 0
LX1 1.176269 0.104008 11.30946 0
LX2 -0.225597 0.093421 -2.41484 0.0245
LX3 0.065344 0.030022 2.176519 0.0405
R-squared 0.971434 Mean dependent var 1.316582
Adjusted R-squared 0.967538 S.D. dependent var 0.479941
S.E. of regression 0.086472 Akaike info criterion -1.91736
Sum squared resid 0.164501 Schwarz criterion -1.72381
Log likelihood 28.92572 F-statistic 249.3798
Durbin-Watson stat 0.493229 Prob(F-statistic) 0
4．
Dependent Variable: LY
Method: Least Squares
Date: 01/04/05 Time: 09:08
Sample: 1978 2003
Included observations: 26
Variable Coefficient Std. Error t-Statistic Prob.
C -5.041584 0.515635 -9.777435 0.0000
LX1 1.342674 0.125107 10.73217 0.0000
LX2 -0.258556 0.088340 -2.926831 0.0081
LX3 0.155235 0.051131 3.036023 0.0063
LX4 -0.142240 0.067763 -2.099080 0.0481
R-squared 0.976388 Mean dependent var 1.316582
Adjusted R-squared 0.971890 S.D. dependent var 0.479941
S.E. of regression 0.080467 Akaike info criterion -2.030908
Sum squared resid 0.135972 Schwarz criterion -1.788967
Log likelihood 31.40181 F-statistic 217.0940
Durbin-Watson stat 1.010458 Prob(F-statistic) 0.000000
5．
ARCH Test:
F-statistic 0.781826 Probability 0.47044
Obs*R-squared 1.663191 Probability 0.435354
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/31/04 Time: 16:59
Sample(adjusted): 1980 2003
Included observations: 24 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 0.002288 0.001245 1.837286 0.0804
RESID^2(-1) 0.002495 0.203237 0.012277 0.9903
RESID^2(-2) 0.129353 0.122788 1.053465 0.3041
R-squared 0.0693 Mean dependent var 0.003024
Adjusted R-squared -0.019339 S.D. dependent var 0.004932
S.E. of regression 0.004979 Akaike info criterion -7.65051
Sum squared resid 0.000521 Schwarz criterion -7.50325
Log likelihood 94.80612 F-statistic 0.781826
Durbin-Watson stat 2.107301 Prob(F-statistic) 0.47044
6．
Dependent Variable: LY
Method: Least Squares
Date: 12/31/04 Time: 17:04
Sample(adjusted): 1979 2003
Included observations: 25 after adjusting endpoints
Convergence achieved after 29 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C -4.108758 0.410453 -10.0103 0
LX1 1.061064 0.088271 12.02053 0
LX2 -0.19002 0.063516 -2.99171 0.0075
LX3 -0.022645 0.030519 -0.74198 0.4672
LX4 0.011623 0.027421 0.423883 0.6764
AR(1) 0.671978 0.10215 6.578351 0
R-squared 0.995394 Mean dependent var 1.357658
Adjusted R-squared 0.994182 S.D. dependent var 0.440733
S.E. of regression 0.033616 Akaike info criterion -3.74206
Sum squared resid 0.021471 Schwarz criterion -3.44953
Log likelihood 52.77578 F-statistic 821.2834
Durbin-Watson stat 2.033644 Prob(F-statistic) 0
Inverted AR Roots 0.67
7．
ADF Test Statistic -0.720309 1% Critical Value* -4.3942
5% Critical Value -3.6118
10% Critical Value -3.2418
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(Y)
Method: Least Squares
Date: 01/04/05 Time: 08:28
Sample(adjusted): 1980 2003
Included observations: 24 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
Y(-1) -0.067997 0.094400 -0.720309 0.4797
D(Y(-1)) 0.239652 0.230170 1.041194 0.3102
C 0.169245 0.123393 1.371586 0.1854
@TREND(1978) 0.022746 0.021963 1.035677 0.3127
R-squared 0.158155 Mean dependent var 0.258038
Adjusted R-squared 0.031878 S.D. dependent var 0.197208
S.E. of regression 0.194039 Akaike info criterion -0.290500
Sum squared resid 0.753026 Schwarz criterion -0.094157
Log likelihood 7.485995 F-statistic 1.252449
Durbin-Watson stat 2.217045 Prob(F-statistic) 0.317368
8．
ADF Test Statistic 1.005737 1% Critical Value* -3.7343
5% Critical Value -2.9907
10% Critical Value -2.6348
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(Y)
Method: Least Squares
Date: 01/04/05 Time: 08:28
Sample(adjusted): 1980 2003
Included observations: 24 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
Y(-1) 0.026036 0.025887 1.005737 0.3260
D(Y(-1)) 0.179633 0.223140 0.805025 0.4298
C 0.105409 0.107081 0.984384 0.3361
R-squared 0.113006 Mean dependent var 0.258038
Adjusted R-squared 0.028530 S.D. dependent var 0.197208
S.E. of regression 0.194375 Akaike info criterion -0.321590
Sum squared resid 0.793411 Schwarz criterion -0.174333
Log likelihood 6.859083 F-statistic 1.337734
Durbin-Watson stat 2.125481 Prob(F-statistic) 0.283901
9．
ADF Test Statistic 2.905696 1% Critical Value* -2.6649
5% Critical Value -1.9559
10% Critical Value -1.6231
*MacKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(Y)
Method: Least Squares
Date: 01/04/05 Time: 08:30
Sample(adjusted): 1980 2003
Included observations: 24 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
Y(-1) 0.046150 0.015883 2.905696 0.0082
D(Y(-1)) 0.212369 0.220493 0.963158 0.3459
R-squared 0.072077 Mean dependent var 0.258038
Adjusted R-squared 0.029899 S.D. dependent var 0.197208
S.E. of regression 0.194238 Akaike info criterion -0.359813
Sum squared resid 0.830022 Schwarz criterion -0.261642
Log likelihood 6.317757 Durbin-Watson stat 2.159296
