中國勞動參與率變動與“后彎的”勞動供給曲線

馬艷林

(首都經濟貿易大學 勞動經濟學院，北京 100070)

中國勞動參與率變動與“后彎的”勞動供給曲線

馬艷林

(首都經濟貿易大學 勞動經濟學院，北京 100070)

利用19個國家1978—2012年間的面板數據，分別采用長面板模型和動態面板模型對勞動參與率的影響因素進行估計，發現勞動年齡人口比重、失業率、大學毛入學率和人均GDP對勞動參與率的影響非常顯著，從而證實“后彎的”勞動供給曲線理論。

勞動參與率；勞動供給曲線；勞動力資源

引言

勞動參與率是指經濟活動人口與勞動年齡人口的比重，它測度和反映一個地區的人口參與勞動的程度和勞動力供給變動，是反映勞動力市場狀況的重要指標之一。較世界其他國家而言，中國勞動參與率一直偏高，但近年來呈現出逐步下降的趨勢，1990年中國勞動參與率高達79%，而到了2012年，已降至69.8%。羅賓斯(Robbins)在1930年發表的《收入的需求彈性》中就明確指出了工資率的變化與工作時間的關系，提出工資率越高工作時間越短。此后，道格拉斯(Douglas，1934)、杜蘭德(Duland，1948)和朗(Long，1958)進一步明確了工資率變化的收入效應和替代效應如何影響勞動供給，從而完善了“后彎的”勞動供給曲線理論。[1]一般來講，工資很低的時候，伴隨工資率的提高，勞動供給的替代效應大于收入效應，勞動者傾斜更多地提供勞動以獲得更高的收入；但當工資上漲到一定程度，閑暇的“價值”已經非常高，收入效應傾向于超過替代效應，個人勞動供給減少。根據這一理論，隨著中國經濟的發展，工資水平的提高，收入效應開始大于替代效應，勞動參與率出現了下降，是可以解釋的。但是，關于勞動參與率變動的原因，學術界也有不少的爭議，如萬相昱和張世偉(2008)[2]利用非線性二元選擇性的probit回歸模型得出了勞動參與率偏低的原因除了宏觀經濟的調整之外，更是因為存在大量因缺乏勞動競爭力而退出勞動力市場的沮喪者。蔡昉和王美艷(2004)[3]建立了關于勞動參與率與相關因子的概率分析模型，認為年齡、性別、受教育狀況、健康狀況、家庭成員的收入、社會保障等因素都是影響勞動力參與率的因素。方莉(2007)[4]從勞動力市場報酬和中國的貧富狀況、“氣餒工人效應”和“新增工人效應”、社會保障制度、教育狀況以及人口結構的變化等幾個方面解析了影響中國勞動力參與率的因素。陸銘和葛蘇勤(2000)[5]通過建立回歸模型，分析了體制轉軌、產業調整、收入增長以及教育發展等因素對中國城鎮勞動參與率作用的方向和大小。張車偉和吳要武(2003)[6]發現城鎮人口在失業率上升的同時勞動參與率下降，區域間也存在著嚴重的不平等。

以上對勞動參與率的考察積累了大量豐富而可供參考借鑒的研究成果。改革開放以來，國際經濟聯系日益廣泛，勞動供給不僅受到本國勞動力資源和國內市場的影響，也受到其他國家勞動力市場和國際經濟環境的影響，因此采用國際面板數據分析中國勞動參與率的發展趨勢及其影響因素具有一定的研究價值。

一、數據來源與研究方法

1.數據來源

本文以20國集團(G20)中除歐盟以外的19個國家為研究對象，選取1978—2012年相關數據，20國集團GDP占全球經濟的90%，貿易額占全球的80%，因此這19個國家具有很高的代表性。數據絕大部分來自于世界銀行數據庫，由于世界銀行缺乏中國勞動參與率1990年之前的數據，因此本文引用了羅雙喜(2010)[7]1985—1989年勞動參與率的研究數據，對數據做了適當補充。

2.模型及變量選取

根據經濟學理論和各國的經驗，從宏觀方面看，勞動參與率受國家的宏觀經濟狀況、社會經濟增長、人口結構、社會教育發展水平、社會文化觀念、社會分工程度、社會保障水平和勞動力市場狀況等諸多社會宏觀因素的影響。

(1)經濟發展與勞動參與率

一般來講，經濟較快增長會推動當地的就業增長，勞動參與率也隨之增長，反之，經濟增長減緩也會導致就業需求的減少，從而降低勞動參與率。此外，當勞動者收入和財富達到一定程度后，工資率增長的收入效應大于替代效應，反而導致勞動供給減少，從而降低勞動參與率。因此當一國或者地區經濟發展到一定水平后，經濟增長會產生財富效應，勞動參與率會逐漸下降。

(2)城市化與勞動參與率

隨著城市的發展，勞動者的就業結構逐步從第一產業向第二產業、第三產業轉型，不同產業的就業彈性是不同的，例如技術和資金密集型產業的發展，一方面就業彈性不高，可能使得勞動參與率下降，但是新技術發展又會催生新的行業，那么又會使得勞動參與率提高。此外，城市化的發展，使得人們的生活方式更多樣化，文化多元化，例如自由職業者的出現和非正規就業的出現，都有可能使得勞動參與率下降。

(3)勞動年齡人口比重與勞動參與率

一般來說，勞動年齡人口規模越大，勞動力資源供給越大。這其中25歲以下人口的勞動參與率易受教育和培訓的影響而上下波動，而50歲以上女性、60歲以上男性的勞動供給跟身體健康狀況、專業技術能力、社會保障程度、家庭收入狀況和勞動觀念等因素的影響。但總體來講，一個國家和地區15～64歲勞動年齡人口比重很大程度上影響了勞動參與率，是其中一個重要因素。

(4)勞動者的受教育水平與勞動參與率

從短期看，勞動力接受教育和培訓的年限較長時，勞動力進入市場的時間也將推遲，從而降低勞動參與率，反之，會提前進入勞動力市場，提高勞動參與率。從長期看，勞動者接受更多的教育會提高其在市場的競爭力，在較長的時期內有利于勞動參與率的穩定和提高。同時，勞動者受教育水平的程度和勞動參與情況又受到一個國家和地區經濟發展和產業結構的影響，如果一個國家以勞動密集型產業為主，資金密集型和技術密集型產業發展緩慢，就會影響高素質型勞動力的就業，產生結構性的失業，從而降低勞動參與率。

(5)失業率與勞動參與率

如果一個社會失業率較高，一部分缺乏競爭力的勞動者會逐步退出勞動力市場，例如大齡勞動者的勞動參與率明顯下降，出現大規模的提前退休現象。

(6)社會保障、勞動力管理體制和收入分配等制度因素與勞動參與率

比如中國工資與工齡掛鉤、勞動就業與公費醫療、保險、住房公積金等福利制度關聯的就業制度和工資制度，就會潛在地提高勞動參與率。如果收入分配制度向資本、土地和復雜勞動傾斜則會潛在地降低勞動參與率。

根據以上理論分析和國外學者對勞動供給分析的建模方法[8-9],同時結合數據的可得性和初步統計分析，本文構造了面板數據模型：

lfprit=β0+β1lpit+β2urit+β3eduit+β4lngdpit+β5upit+ui+εit

(1)

其中，勞動參與率(lfpr)作為被解釋變量，并選取了于勞動參與率相關關系較強的5個變量，分別是15～64歲勞動年齡人口比重(lp)、失業率(ur)、大學毛入學率(edu)、人均GDP的對數(lngdp)和城市化率(up)，下標i表示不同國家，下標t表示不同時間，ui為個體效應，εit為隨機擾動項。

3.各國勞動參與率的變動趨勢

圖1描繪了20國集團中19個國家1978—2012年的勞動參與率，呈現不同的變化趨勢。有的呈現下降趨勢，如中國、印度、土耳其；有的呈上升趨勢，如阿根廷、澳大利亞、巴西、南非等，有的則處于相對穩定的狀態，如加拿大、法國、德國、英國、美國；有些國家呈不規則的變化趨勢。在這19個國家中，中國的勞動參與率明顯高于其他國家，2012年之前均高于其他18個國家，但由于35年來中國的勞動參與率逐年緩慢下降，到2012年下降到了69.75%，低于巴西在2012年的勞動參與率(69.9%)。2012年，意大利的勞動參與率最低，為49.3%。其次為土耳其(50%)、南非(51.8%)、印度(53.4%)、沙特阿拉伯(53.8%)、法國(56.7%)和日本(59%)，其他國家則在60%～70%之間。

三、估計方法和結果

1.長面板模型

由于本文使用的面板數據n=19，T=35，故屬于長面板數據。對于長面板數據，關注的焦點在于設定擾動項相關的具體形式，以提高估計的效率，然后用可行廣義最小二乘法(FGLS)對長面板進行估計。首先進行LR檢驗或者沃爾德檢驗以確定是否存在異方差或自相關。經過檢驗，拒絕了“組間同方差”的原假設，即認為存在“組間異方差”；同樣也拒絕了“不存在一階組內自相關”的原假設。因此采用能夠解決組間異方差和組內自相關的面板修正標準差估計法。即考慮以下模型：

其中，xit可以包括常數項、時間趨勢項(或其平方項)、個體虛擬變量以及不隨時間變化的解釋變量τi。擾動項εit服從AR(1)過程，即

εit=ρiεi,t-1+vit

其中，|ρi|<1,{vit}為獨立同分布的且期望為0。如果ρi=ρ(i=1，2，…，n)，則所有個體的擾動項都服從自回歸系數相同的AR(1)過程。如果允許每個面板有自己的ρi，則服從自回歸不同的AR(1)過程。本文將采用PCSE和FGLS兩種估計方法，并且每種方法分別設置約束每個面板(個體)的自回歸系數相等和允許自回歸系數不同的情況分別估計。為了控制個體效應(ut)，首先生成country1，country2，…，country19共19個國家虛擬變量，為了考慮時間效應，生成時間趨勢變量t得出的結果如表1。

注：括號內為標準差；***P<0.01,**P<0.05,*P<0.1，后同。

結果顯示，四個模型整體顯著的檢驗P值為0.000，表明模型整體顯著。一些國家虛擬變量很顯著，檢驗所有國家虛擬變量的聯合顯著性，結果強烈拒絕“無固定效應”的原假設，認為存在固定效應，應在模型中設定中允許每個國家有自己的截距項，而且從t的顯著水平看時間效應也非常顯著。對比PCSE和FGLS的回歸結果，可以看到，PCSE的標準差都要比相應的FGLS的估計值大，而且FGLS模型中，勞動年齡人口比重(lp)、失業率(ur)和城市化率(up)的顯著性都有所加強，因此本文認為采用可行的廣義最小二乘法(FGLS)的估計方法更有效。此外，由于T并不比n大很多，則約束每個面板自回歸系數均相等更加合適，因為時間維度T可能無法提供足夠的信息來分別估計每個面板自己的自回歸系數。如模型2中便出現了部分國家由于數據限制無法得出自己的自回歸系數，總體來講，采用FGLS估計法且約束每個面板自回歸系數均相等更有效。

從模型3的回歸結果來看，15～64歲勞動年齡人口比重(lp)在1%的顯著水平上較顯著，對勞動參與率產生正的影響，勞動年齡人口比重每增加1個百分點，勞動參與率增加0.126個百分點；失業率(ur)每增加1個百分點，勞動參與率減少0.17個百分點；城市化率(up)每增加一個百分點，勞動參與率減少0.212個百分點。模型顯示大學毛入學率(edu)和人均GDP(lngdp)對勞動參與率的影響并不顯著。

2.動態面板模型

通過長面板模型估計，可知各國的勞動參與率存在固定效應，即每個國家都有自己的國情，且勞動參與率的時間效應也非常顯著。但是，面板數據雖然能夠有效處理不隨時間而變的個體特征，但如果回歸模型包含“內生解釋變量”，則需要用面板工具變量法來解決。最常見的方法是用被解釋變量的滯后值作為工具變量。這種解釋變量包含了被解釋變量的滯后值，稱之為“動態面板數據”。事實上，對于這種動態面板模型，除了可以自己選擇工具變量，更經常地，我們是直接利用相應的動態面板估計方法進行估計。

對于動態面板數據，組內估計量(FE)是不一致的，會產生動態面板偏差。解決辦法是水平GMM，差分GMM與水平GMM結合在一起，作為一個方差進行系統GMM處理。系統GMM的優點是可以估計不隨時間變化的變量τi的系數，從而提高了估計的效率，但它必須滿足{Δyi,t-1,Δyi,t-2}與ui無關。

勞動參與行為作為個體日常生活狀態的呈現，是個體慣常行為的體現，他過去的勞動參與行為和習慣必將影響他當前的勞動參與行為。從勞動需求看，經濟波動和其他因素對勞動力市場的影響具有滯后性，勞動供求雙方受勞動合同的保護，勞動力市場也具有一定的穩定性，因此，我們嘗試用勞動參與率的滯后值作為解釋變量，分析其對當年勞動參與率的影響，可構建以下動態面板模型：

lfprit=β0+ρ1lfpri,t-1+β1lpit+β2urit+β3eduit+β4lngdpit+β5upit+ui+εit

(2)

首先，以差分GMM估計模型(2)，因為T較大，為了避免產生過多工具變量從而出現弱工具變量的問題，模型限制最多使用一階滯后變量作為工具變量(經統計分析，二階滯后值也不顯著，故不作為工具變量)。估計結果顯示(見表2)被解釋變量的一階滯后值很顯著，除了城市化率(P值=0.815)之外其他變量都非常顯著。差分GMM能夠成立的前提是擾動項不存在自相關，因此要進行abond檢驗，檢驗結果顯示擾動項的差分存在一階自相關，但不存在二階自相關，故接受原假設“擾動項無自相關”，可以使用差分GMM。此外，通過進行sargan命令進行過度識別檢驗，結果顯示，在5%的顯著性水平上，因為P值=0.320>0.05，故無法拒絕“所有工具變量均有效”的原假設，說明工具變量集是有效的。其次，使用系統GMM來估計模型(2)，結果顯示被解釋變量的一階滯后值同樣很顯著，城市化率的P值(0.129)的顯著水平大大提高，其他變量仍然非常顯著。同樣對系統GMM擾動項的自相關進行abond檢驗，結果顯示擾動項的差分存在一階自相關，但不存在二階自相關，故接受原假設“擾動項無自相關”，可以使用差分GMM。再進行工具變量有效性sargan檢驗，P值為0.874，意味著“所有工具變量有效”的原假設成立。

注：括號內為穩健標準差。

3.實證結果

通過使用長面板模型和動態面板模型分別進行估計，我們可以看到動態面板模型使得各變量的顯著性得到提高，在一定程度上解決了解釋變量內生性問題。特別是系統GMM的使用克服了差分GMM帶來的一些問題，使得估計結果更有效，因此，本文采用動態系統GMM的估計結果對勞動參與率的影響因素進行解釋。

勞動參與率的一階滯后值在1%顯著性水平上顯著，其影響為正，系數為0.941；勞動年齡人口比重在1%顯著水平上顯著，其影響為正，每增加1%的勞動年齡人口比重，勞動參與率提高0.089個百分點；失業率在1%的顯著水平上顯著，其影響為負，每增加1%的失業率，勞動參與率將下降0.082%；大學毛入學率在5%的顯著性水平上顯著，影響為正，每增加1%的大學毛入學率，勞動參與率將提高0.018%；人均GDP的對數在1%的顯著性水平上顯著，影響為負，其系數較其他影響因素較大，為-0.642；城市化率的P值為0.129，系數為0.0139，對勞動參與率的影響不顯著。根據該結果，我們可以寫出一個擬合的模型：

lfprit=1.883+0.941lfpri,t-1+0.089lpit-0.082urit+0.018eduit-0.642lngdpit+0.014upit

四、中國勞動參與率的趨勢及原因分析

1.中國勞動參與率呈逐年下降趨勢

相關數據顯示，中國的勞動參與率逐年下降，1985—2012年間下降幅度為12.35%，年均下降0.45%。國際勞工組織估計，中國女性的勞動參與率也成逐漸下降的趨勢，但是始終保持在比男性的勞動參與率低6%左右的范圍內，也就是說勞動參與率的下降并沒有表現出明顯的性別差異。

2.中國勞動參與率下降的最主要原因是國民收入的上升

從實證結果看，人均GDP對勞動參與率的影響是最大的，模型系數達到-0.642，明顯高于其他變量系數。隨著中國經濟的發展，人均GDP大幅提高，個人可支配收入大幅上升，個人獲得財富的途徑增多，社會財富效應開始顯現。收入效應逐漸大于替代效應，因此勞動參與率隨著個人和社會財富的增加呈現下降趨勢，這也從實證角度論證了羅賓斯等人關于“后彎的”勞動供給曲線理論。

3.中國失業率穩定，對勞動參與率的影響較小

失業率對勞動參與率的影響為負，實證結果表明每增加1%的失業率，勞動參與率將下降0.082%。從失業率看，中國的失業率有上升的趨勢，但近年穩定在4%左右，雖然失業率的數據一直被質疑，但根據本人對第六次人口普查數據的分析，2010年中國城鎮失業率為4.84%[10]，略高于國家統計局發布的城鎮登記失業率，總體上是可信的。再加上中國經濟增長一直保持在7.5%左右，對勞動的潛在需求并沒有衰退，如果中國失業率能夠保持穩定，那么對勞動參與率的影響不會太大。

4.勞動年齡人口比重和社會受教育程度提高難以扭轉勞動參與率的下降趨勢

從模型結果來看，勞動年齡人口比重和社會受教育程度的提高對勞動參與率的作用為正，有利于提高了勞動參與率。但是，盡管中國15～64歲勞動年齡人口比重呈逐年上升的態勢，但沒有改變勞動參與率逐年下降的趨勢，而且，中國的勞動年齡人口2010年達到了頂峰73.51%，隨后出現了拐點，開始下降，這無疑將加劇勞動參與率的下降趨勢。從勞動者受教育情況看，隨著中國人均受教育水平的提高，受教育年限延長使得勞動者進入勞動力市場的時間推遲，從而在某個年齡范圍內降低了勞動參與率，但另一方面，勞動者受教育程度的提高，又增強了勞動者的市場競爭能力、延長了勞動者的工作年限，從而有利于提高勞動參與率。從中國的情況看，勞動年齡人口比重近年來保持在高位，社會整體受教育程度不斷提高，有利于勞動參與率的提升，但是與收入效應相比，難以扭轉勞動參與率不斷下降的趨勢。

五、研究結論和政策建議

實證結果表明，勞動年齡人口比重、失業率、大學毛入學率和人均GDP等變量非常顯著，勞動年齡人口比重和勞動者教育程度對勞動參與率的影響為正，失業率和人均GDP的影響程度為負。特別是人均GDP的影響顯著且系數較大，說明隨著經濟的發展，社會財富效應增加，勞動供給呈下降趨勢，符合 “后彎的”勞動供給曲線理論，即當收入水平達到一定程度后，勞動者的收入效應大于替代效應，勞動供給減少。因此，對于中國勞動參與率的下降趨勢，我們不需要特別擔憂。本文認為勞動參與率過高和過低都不能最有效地利用人力資源，必須保持勞動供給與勞動需求協調發展，為此，本文提出以下幾點建議：

第一，保持適度的經濟增長速度，緩解就業壓力。

中國是一個正處于城市化進程中的人口大國，人口從農村向城市轉移的過程中，必須要保持適度的經濟增長速度以創造大量的就業崗位才能緩解就業壓力，否則，過高的失業率會使一部分低競爭能力的人被迫離開勞動力市場，從個人角度講，不利于人民群眾生活水平的提高，從社會角度講，造成了人力資源的浪費和社會的不穩定，最終影響經濟社會的發展。

第二，加強教育與職業培訓，提高勞動者的素質。

2012年中國第三產業增加值占國內生產總值的比重達到45.5%，首次超過第二產業增加值(45%)，標志著中國進入了以信息業和各類技術服務業快速發展為特征的現代化階段。這一階段必須提高中國勞動者的知識、技術水平和職業素養，如果勞動力的知識結構與產業發展結構錯位，必然導致大量結構性失業。上文的實證分析顯示，提高全社會的受教育水平對勞動參與率的影響是正面的，發達國家的大學毛入學率平均在50%以上，2012年美國、加拿大、韓國的大學毛入學率均超過90%，而同期中國的大學毛入學率僅為26.7%，培養高素質的勞動力資源還任重道遠。

第三，提高勞動者報酬，增加勞動報酬在國民收入分配中的比重。

目前，普通勞動者收入增長相對緩慢，勞動報酬占初次分配比重持續下降是當前收入分配領域最突出的問題之一。應該把提高勞動者報酬水平作為改善國民收入分配的重要途徑。雖然經濟增長和收入的提高使得收入效應大于替代效應，從而在一定程度上降低勞動參與率，但這種勞動參與率的降低是勞動者勞動負擔下降、勞動者生活質量提升的表現，是合理而值得提倡的。尤其是對比其他國家來看，中國的勞動參與率接近70%，仍然偏高，因此我們還應該繼續完善中國的社會保障制度，改善投資環境、創業環境，增加人們的經營性收入、財產性收入，使勞動者可以不僅僅依賴勞動性的收入，從而減少就業壓力。

4.改善人口年齡結構，避免勞動年齡人口下降過快

目前，中國勞動年齡人口比重在2010年達到73.51%的峰值后正逐步下降，人口老齡化進程逐步加快，勞動力供給下降，勞動參與率也隨之下降。而第六次人口普查數據還顯示，2010年全國總和生育率為1.18[11]，明顯低于發展中國家的理想生育率(2.3胎)。從長遠看，中國未來存在一定的勞動供給壓力，因此一方面要逐步改善中國的生育政策，改善人口年齡結構，避免勞動年齡人口下降過快，另一方面也要學習美國、加拿大等發達國家的做法，加強對國際勞動力和人才的吸引力以應對老年化社會的到來。

[1]張雄.勞動參與率理論發展綜述[J].重慶工商大學學報(西部論壇),2007(4):36-39.

[2]萬相昱,張世偉.我國城鎮居民勞動參與率狀況與成因——基于微觀數據的經驗研究[J].西北師大學報(社會科學版),2008(2):115-119.

[3]蔡昉,王美艷.中國城鎮勞動參與率的變化及其政策含義[J].中國社會科學,2004(4):68-79+207.

[4]方莉.對影響我國勞動力參與率因素的解析[J].理論月刊,2007(11):134-137.

[5]陸銘,葛蘇勤.經濟轉軌中的勞動供給變化趨勢:理論、實證及含義[J].上海經濟研究,2000(4):24-33.

[6]張車偉,吳要武.城鎮就業、失業和勞動參與:現狀、問題和對策[J].中國人口科學,2003(6):37-44.

[7]羅雙喜.ARMA模型在我國勞動參與率預測中的應用[J].商業時代,2010(6):8-9.

[8]HOMAIE R E,MOHAMAD H,HANIE G.Comparison the effects of health indicators on male and female labor supply,evidence from panel data of eastern mediterranean countries 1995—2010[J].Irantan Journal of Public Health,2004,43(2):221-228.

[9]JARVIS L,VERA-TOSCANO E.Seasonal adjustment in a market for female agricultural workers[J].American Journal of Agricultural Economics,2004,86(1):254-266.

[10]馬艷林.我國就業、失業及勞動參與現狀和特征分析——基于第六次全國人口普查數據[J].調研世界,2014(7):6-10.

[11]國務院人口普查辦公室/國家統計局人口和就業統計司.中國2010年人口普查資料[M].北京：中國統計出版社，2012.

(責任編輯：宛恬伊)

Change of China’s Labor Force Participation Rate and “Backward Bending” Labor Supply Curve

MA Yanlin

(School of Economics,Capital University of Economics and Business,Beijing 100070,China)

This paper adopts the panel data of 19 countries during the period of 1978—2012 and estimates the parameters of the influencing factors of labor force participation rate by using the long panel data model and dynamic panel model respectively.It is found that the proportion of working age population,the unemployment rate,gross school enrollment rate of tertiary and per capita GDP have significant affection on labor force participation rate which confirms the “backward bending” labor supply curve.

labor participation rate;labor supply curve;labor resources

2015-01-06

北京市教育委員會科研項目“科研基地建設—科技創新平臺—都市圈研究中心(2015)”(PXM2015_014205_000126)；首都經濟貿易大學特大城市經濟社會發展研究院項目；首都經濟貿易大學勞動經濟學院研究生科研創新項目

馬艷林(1980—)，女，首都經濟貿易大學勞動經濟學院博士研究生，研究方向為勞動計量、勞動就業和勞動與社會保障。

F249.21

A

1008-2700(2015)03-0064-09