中國城市生活質量的估計及其影響因素
——來自中國城鎮住戶調查的微觀證據

陳開洋

（復旦大學，上海，200433）

一、引言

Roback（1982）經典理論表明，在開放且人口自由流動的市場中，勞動力要素和土地要素分別在市場中達到均衡。均衡時，城市生活質量（Quality of life）是其土地租金與生產力水平的差值（Glaeser et al.，2001；Gabriel ＆ Rosenthal，2004）。在中國，戶籍制度嚴格限制了城市間勞動力流動，使得各個城市形成了分割的勞動力市場。上世紀80年代，隨著城市化進程的不斷推進，戶籍對居民流動的限制逐漸放開（陳釗和陸銘，2008），城市土地市場與城鎮住房市場在改革中不斷完善，城市住房的市場化程度也越來越高。勞動力流動約束的放松與住房市場的完善，將城市間勞動力市場的進一步整合，這一變化是否改變了城市生活質量？哪些因素在這個過程中對生活質量產生影響？

為了回答這一問題，本文首先使用《中國城鎮住戶調查》數據估算了全國183個城市的生活質量。并通過2002-2009年的面板數據，在緩解地區與時間因素可能帶來的內生性問題的基礎上，對城市生活質量變化的影響因素進行了考察。研究發現：首先，由住房成本扣除工資性收入所表示的生活質量，與現有文獻得出的生活質量具有很高的相關性，說明勞動力與住房市場的不斷完善加快了勞動力在地區間的流動；其次，每個城市的生活質量評分，可以很好地被城市便利性解釋。具體來說，自然便利性（如距離海岸線越近、平均氣溫越低、最低氣溫越高）越好的城市，其生活質量越高；而對于城市便利性（戶籍人口總量，人口密度、人均生產總值）更多的城市，其生活質量越高。最后，與社會公共服務相關的城市屬性，如教育水平，對城市生活質量具有顯著的正向影響。

十六屆三中全會提出的“五個統籌”戰略構想，對我國的城鄉與區域發展指明了方向。該戰略強調城鄉間與區域內要素資源（人口與土地）的有效配置，在激發城市經濟增長潛力的同時，提高居民的生活福祉。截至2010年，我國跨省（市）城市群10個，如長三角、珠三角等地區共計87個城市，GDP總計22萬億，約占全國總量的54.8%；省級城市群17個，涵蓋113個城市，GDP總計14萬億，約占全國總量的34.5%。本研究表明，在城鄉與區域統籌發展過程中，城市居民的生活質量獲得了大幅度提升。一方面，勞動力在地區間的快速流動已經成為城市發展的重要趨勢，居民通過流動選擇更加舒適的工作與生活環境。另一方面，不斷推進城鄉與區域的協調發展，進一步放松現有的戶籍制度的約束，不僅滿足了居民日益增長的物質與精神需要，同時也提升了城市的生活質量，增進了城市生活的滿足感與獲得感。政府為提高城市生活質量所進行的公共投資，如提升醫療水平、擴展教育資源和減少環境污染等，都會受到民眾的支持和可觀的社會回報。這無疑將推動城市增長與公共服務的協調可持續發展，最終使國家和公眾同時收益。因此，完善勞動力與住房市場改革，進一步推進戶籍制度改革，減少勞動力流動的制度障礙與成本，將有助于提升城市居民的生活質量。

本文的結構安排如下：第二部分討論相關國內外文獻，第三部分介紹模型假設與推導，第四部分說明數據來源，第五部分參數估計與實證結果。第六部分總結全文并討論結論的政策含義與啟示。

二、文獻綜述

城市生活質量估計一直是城市經濟學非常關心的話題，其理論基礎在實證的補充下不斷完善。Roback（1982）最先對這一問題進行了探討，他認為在給定居民和企業偏好的前提下，人口完全自由流動使得地區間效應達到均衡，均衡條件下，較高的便利性彌補了低工資與高租金帶來的不足。更進一步，Blomquist et al.（1988）和Rappaport（2007）則認為，居民對便利性的偏好并非一成不變，產業集聚與技術更新在改變偏好的同時，也影響著地區生活質量。不僅如此，企業與家庭偏好的差異，使得地區間在商務質量與生活質量兩個維度上達到均衡（Gabriel ＆ Rosenthal，2004；Chen ＆ Rosenthal，2008）。

但是，在生活質量估計估計過程中，不可觀測因素一直是難以解決的內生性問題。Bishop ＆ Timmins（2016）認為，當存在一種不可觀測因素既影響家庭偏好，又影響到家庭消費便利性的數量和價格時，便存在內生性問題。而且，地區間人口不完全流動使得部分地區無法達到均衡條件，進而工資與租金的差值并不能反映出生活質量（Bayer et al.，2009）。為了解決上述問題，Kahn（1995）、Cragg ＆ Kahn（1997）、Bayer et al.（2009）、和Sinha ＆ Cropper（2013）等人嘗試使用離散選擇模型城市便利性進行估計，并估計不同地區居民對便利性的邊際支付意愿，然而，高質量的數據要求是限制離散選擇模型廣泛應用的主要問題。為了緩解數據的局限，更多的文獻以外生政策沖擊與構建結構方程法為手段，來緩解識別方程中潛在的內生性問題，進而準確地識別個人（家庭）對便利性的邊際支付意愿的變化。其中，政策沖擊法主要是通過將Hedonic模型與 DID 方法相結合，通過雙向固定效應解決遺漏變量問題（Chay ＆ Greenstone，2005；Greenstone ＆ Gallagher，2008）。而結構模型法則更側重于模型的設定，通過模型校準獲得準確的參數（Albouy ＆ Lue，2015；Albouy et al.，2016）。

除了識別方法，關于便利性的研究在范圍和地域上都得到了不同程度的推廣。研究范圍上，財政條件（Gyourko ＆ Tracy，1991）、便利的外部性（Schmidt ＆ Courant，2006）、其他城市屬性，如人口密度和空氣質量等（Rappaport，2008；Tra，2010；Albouy，2016）也是影響城市便利性的重要因素。不僅如此，不同的地域、文化與種族同樣構成了國家內部地區間便利性的差異。Maddison ＆ Bigano（2003）使用意大利數據研究發現，意大利居民對較高的一月氣溫和較低的七月份的降水量有很高的支付意愿；Berger et al.（2008）使用俄羅斯的長期調查數據發現，俄羅斯地區間城市屬性的差異與其本國的人口流動的趨勢保持了高度的一致（即人們更愿意流向便利性高而工資較低的地區）。Albouy（2013）研究發現，在加拿大，那些不同語言群體共同居住的城市，每個群體對城市生活特征的偏好基本一致。

（一）國內文獻梳理

國內關于城市生活質量及其影響因素的研究，主要是從居民的主觀幸福感入手。現有文獻發現，收入、經濟增長、政府效率、城市規模是影響居民幸福感（生活質量）的重要因素（劉軍強等，2012；孫三百等，2014）。羅楚亮（2009）使用2002年的全國住戶抽樣調查發現，控制了相對收入效應后，絕對收入能對幸福感產生正向影響；而官皓（2010）、張學志和才國偉（2011）卻認為絕對收入對幸福感的影響，遠沒有相對收入重要。文獻無法達成一致結論可能與樣本的選擇偏誤有關。魯元平和王韜（2011）在現有研究的基礎上發現，收入不平等對幸福感有顯著的負向影響，而且可以通過影響地區的犯罪率來影響個人的幸福感。陳剛和李樹（2012）考察了政府質量對居民幸福感的影響，發現政府自身的效率和腐敗程度是影響居民幸福感的主要因素，且對低收入的人群影響更大。不僅如此，環境治理、就業質量、教育與醫療水平同樣是影響城市生活質量的重要因素。趙文龍和代紅娟（2014）發現，環境污染對城市生活質量會產生負向影響；聶偉（2019）強調，城市中充足的就業機會有助于提升居民的自我評價，改善其生活質量；張連城等（2019）認為，提高教育和醫療等公共服務水平是提高城市生活質量的重要途徑。

然而，國內從便利性角度解釋城市生活質量差異的研究并不多見。周京奎（2009）利用1999-2006年的城市面板數據，對城市便利性對住宅價格和工資的影響進行了研究，其研究發現便利性對住宅價格和工資的影響都是顯著正向的，而且對于東部地區的影響效應要高于西部地區。夏怡然和陸銘（2014）發現，公共服務這一城市特征對地區間的勞動力流動會產生顯著的影響。溫婷等（2014）和溫婷等（2016）通過構建指標體系進行主成分分析，對中國35個城市的便利性進行了評價，分別從健康環境等級，自我發展環境等級，休閑環境等級和社會氛圍環境等級四個方面，對城市便利性進行分級和排序，并發現城市便利性和凈遷移人口之間存在顯著的正相關關系。喻忠磊等（2016）則采用了綜合測評法與空間格局分析法對全國286個城市的便利性進行了評價，研究發現到海岸線的距離、城鎮居民人均可支配收入和城市人均GDP等因素都可以對城市便利性產生影響。趙方和袁文超（2017）在Diamond模型的基礎上，將便利性的數量內生化為當地的便利性供給與便利性需求決定，研究結果也與前人研究結果基本一致，且工資對勞動力流動的影響要更大。劉修巖和李松林（2017）發現在消除地區間在便利性上的差異的反事實條件下，福利水平出現了一定程度的上升，說明便利性與遷移成本、生產率和房價等城市屬性一樣，對個體的效用水平會起到不小的影響。

現有文獻的不足在于：一方面，將城市層面的加總數據應用在回歸分析中時，會因為缺少個體特征而產生較為嚴重的內生性問題；另一方面，部分文獻忽視了城市自然屬性的影響，使得城市生活質量的影響因素估計產生偏誤。因此，本文的主要貢獻表現在：①首次使用個體層面的微觀統計數據對我國主要城市的生活質量進行估計，翔實的個人和住房特征信息，大大緩解了個體不可觀測因素可能導致的內生性問題；②本文收集整理了我國主要城市的自然屬性特征，如距離海岸線距離，氣溫，降水，天氣狀況（陰天、晴天），風向風速等，通過在回歸方程中加入城市自然屬性，將生活質量影響因素估計的潛在偏誤降到最低。

三、模型假設與推導

本文的模型以Roback（1982）的模型為基礎，并結合Albouy（2012，2015，2016）對模型的改進思路，對本文將使用到的模型進行簡要的介紹。

家庭i對生活在j城市中，城市間的商品、居民在城市間可以自由流動完全自由流動1在我國現有的制度背景下，雖然人口在地理上可以自由流動，但是在制度上流動人口不可以享受流入地的公共服務，這種限制在勞動力市場與住房市場的改革過程中逐步被緩解。喬曉春（2019）和周靈靈（2019）的研究發現，2000-2010年是流動人口增長最快的時期，戶籍制度的約束力正逐步降低，我國的發展現狀與理論前提基本相符。。家庭偏好兩種商品：一般商品x，價格單位化為1；非可貿易品y（包括住房和其他不可貿易的服務等），價格相對于一般商品pj，決定了當地的生活成本。家庭的消費約束亦來源與兩個方面：工資取決于個人的特征和地區特征；家庭的非工資性的收入Ri（除工資收入以外的轉移支付、財產性收入等），因此總的約束條件為。

便利性在地區間的差異是許多方面，本文使用K維列向量Zj表示可觀測的便利性特征，并且假設地區間的便利性變化是連續的，即可觀測到的Zj集合是實數集上的完整的閉子集，理論上可以對其進行微分。家庭在觀測到地區的便利性特征之后，選擇適宜的工作與生活地區最大化自身的效用，其間接效用函數為，該效用函數對其每個參數都是連續可微的，家庭的效用隨著的增加而增加，隨著pj的增加而減少。企業以規模報酬不變的技術，在完全競爭的要素市場（勞動力和土地）和產品市場中進行生產活動，其利潤最大化的目標與成本最小化的目標一致，企業給工人支付的工資即為勞動的邊際產出ω，按照土地的邊際產出支付土地價格pj，企業勞動生產率高的地區支付高工資與地租。

均衡條件下，家庭根據觀察到的住房價格、工資收入和當地的便利性，選擇一個可以滿足其保留效用的地區生活。當某個地區的保留效用高于或低于時，人口就會有動機繼續流動，直到每個家庭都獲得相同的保留效用為止，此時需求達到一般均衡。企業根據其面臨的商品價格、工資以及便利性決定其企業選址，若存在企業按照低于邊際成本的價格支付要素報酬，則地區內的其他企業將存在退出和重新選址的動機，直到企業不再進行地區間流動之后，供給的一般均衡形成。因此，均衡狀態下，家庭效用最大化的一階條件為：

方程（2）左邊是某個便利性Zk的變動對間接效用的邊際影響，它剛好等于便利性Zk對pj的邊際影響與對的邊際影響的加權求和，權重則取決于家庭間接效用函數對二者的敏感程度。接著，我們將家庭對便利性Zk的邊際支付意愿定義為（方程（2）兩邊同時除以

分母表示1單位的工資變動對產生的邊際效用，也是1單位貨幣變化產生的邊際效用，分子與分母的比值則表示1單位便利性變動能相當于多少貨幣的邊際效用，若p*等于1，則表示便利性的價值與貨幣的價值是等價的（貨幣和便利性的邊際變動對效用的影響是等價的）。我們對在等式兩邊同時處于家庭收入，同時使用shepherd引理，可將上式化簡為：

進而得到：

四、數據來源

（一）工資與房價數據

本文微觀層面的工資與房價數據來自2009年《中國城鎮住戶調查》（Urban Household Survey，簡稱“UHS”），該數據包括全國18個省份183個行政區劃單位的家庭調查數據。該調查數據中包含了家庭和個人兩個數據集，其中家庭數據包含40084個家庭樣本，個人數據集包含115919個樣本，本文通過兩個數據集中通用的地區家庭碼對兩個數據進行匹配，同時剔除了重復樣本和異常觀測值。

估算過程中，核心變量是個體的工資性收入和租金，因此本文有必要先對這兩個變量進行處理。首先，我國的法定退休年齡男性為16-60歲，女性為16-55歲，但是隨著市場對勞動素質要求的不斷提升，絕大多數勞動力在進入社會之前會接受大專及以上學歷的理論和技能學習。基于此，本文將研究樣本的年齡限定在22-60歲（女性到55歲）之間3通過觀察全樣本中18-22歲的個體可以發現，有71.3%人的身份依然是“在校學生”，其工資性收入為0，因此，該年齡段中未參加工作的“勞動力”比重較大，研究中暫不考慮該類群體的影響。Sinha，Albouy and Lue（2015）、Albouy(2016）等文獻中設定的年齡段位25-55歲。。其次，由于UHS數據中個體工資性收入存在較多缺失值，本文將工資性收入拓寬為工資性收入和經營性收入的總和4將經營性收入看成個人自我雇傭獲得的一種“工資”形式。。最后，我們根據一些假設對個人的租金進行估算。使用“現住房房租折算（月/元）”這一指標（家庭層面的房租），除以家庭成年人個數，得到估算的個人的租金數額，并且乘上12得到個人單個年度的住房租金總額。在全樣本中，估算的租金均值為683元/月，人均建筑面積約為41.33平方米，則單位面積的租金為16.67元/月，與鄭文娟（2011）年全國抽樣計算的單位面積租金20.52元/月十分接近。

（二）租金與工資占總收入的比重

參數租金與工資占總收入的比重的計算，主要依賴以下兩組數據：《中國居民收入調查項目》（Chinese Household Income Project，簡稱CHIP2013），CHIP樣本覆蓋全國15個省份126城市234個縣區抽選出的18948個住戶樣本和64777個個體樣本，其中包括7175戶城鎮住戶樣本、11013戶農村住戶樣本和760戶外來務工住戶樣本；《中國家庭追蹤調查》（China Family Panel Studies，簡稱CFPS2010），數據覆蓋全國25個省/市/自治區，共9597個家庭的樣本，調查對象為家戶中的全部家庭成員，成人共21572個個體。變量包括家庭收入、支出、資產，以及個人層面的住房、衛生、交通等各項信息。5CHIP2013與CFPS2010數據庫均在全國層面具有代表性，因此可以計算全國層面的參數。

（三）其他數據來源

本文收集的便利性特征，既包含了外生的自然屬性，也包含了城市發展過程中形成的城市特征，本文與城市相關的統計數據主要來自2009年《中國城市統計年鑒》和《中國2010年人口普查分縣資料》，城市特征分為四個層面：文化資源、教育資源、城市污染水平和其他人口特征，每個變量的統計特征可參見表1。

首先，人口數量來自2010年的人口普查，分為常住人口總數和戶籍人口總數，與城市規模相關的變量主要使用常住人口數據；其次，人均城市便利性能更真實地反映城市居民獲取該類屬性（資源）的概率，所以，每項城市資源都使用人均值；再次，由于我國特殊的戶籍制度，城市稀缺資源的分配是根據家庭戶籍所在地來進行分配的，因此，教育資源和醫療資源在城市間的差異主要表現在戶籍人均的差異上，使用戶籍人均數量表示。最后，本文還進一步收集并整理了城市自然特征，如：城市地理信息、城市降水信息和城市氣候信息等6數據獲取方法翔見附錄。。本文數據的描述性統計見表1.

表1 變量及描述性統計

七月平均氣溫（℃）183 25.41 2.93 15.40 29.76年均降水量（mm）183 977.34 454.80 109.86 2005.12地理因素建成區面積占總面積比重 183 0.09 0.10 0.00 0.76距離海岸線距離（km）183 456.43 385.69 0.39 1661.00距離主要七大水系距離（km）183 127.34 137.72 0.03 634.25 Panel C 城市社會因素文化設施影劇院數量（每百萬人）180 0.04 0.049 0.00 0.474公共圖書館藏書量（每萬人）183 6.11 31.20 0.22 423.1教育資源高等院校數目（每百萬人）179 0.01 0.02 0.00 0.09普通中學數目（每萬人*）183 0.56 0.17 0.08 1.27小學學校數（每萬人*）183 2.31 1.63 0.29 10.85高等學校專任教師（每萬人）179 8.29 10.62 0.19 57.52普通中學專任教師（每萬人*）183 38.59 7.48 4.36 56.43小學專任教師（每萬人*）183 41.84 9.94 5.97 67.70高等學校在校生人數（每萬人）179 142.33 176.93 4.15 905.76普通中學在校生人數（每萬人）183 0.06 0.02 0.01 0.10醫療衛生條件醫院、衛生院個數（每萬人*）183 5.11 2.76 0.60 21.78醫院、衛生院床位數（每萬人*）183 30.13 9.38 2.12 58.68醫院數（每萬人*）183 16.52 5.71 0.99 34.51地區污染情況工業廢水排放量（噸/人）183 19.25 16.80 0.06 108.31工業二氧化硫排放量（噸/萬人）182 179.83 168.42 1.45 1065.54工業煙塵排放量（噸/萬人）182 65.23 68.25 0.52 400.18其他信息（2010人口普查）城市人口（萬人）183 468.72 359.29 23.19 2884.62

注：①Panel A中，扣除了22歲以下和60歲以上的老年人后的人均居住面積，明顯大于未做調整的人均住房面積（29.35平方米）。②核心變量通常來說最小值不應為0，但是該數據集將缺失的數據統一記為0，因此會出現截斷的問題，我們在后文再對這一問題進行處理。③使用的個體樣本全部來自2009年《中國城鎮住戶調查》，而該樣本中僅覆蓋了全國183個地級市，所以此處的描述性統計僅僅是這部分城市的城市特征。其中標“*”的變量是戶籍人均。

五、參數估計與實證結果

（一）城市生活質量的估計

根據方程（5）可知，家庭對便利性的邊際支付意愿即為地區生活成本和地區工資收入的加權求和：

首先，通過簡單的OLS回歸剔除個體（個人和住房）特征對工資和租金的影響，在此基礎上得到各個地區的租金和工資的差異。對于住房租金，使用特征價格模型可以很好地剔除住房特征對住房價格的影響，我們將租金寫成住房特征Xi與便利性特征的函數：

其中Pij是地區j的個人i居住房屋的年租金，Xi為住房屬性，如建筑面積、居住面積、臥室數量、使用時長、建筑類型、有無供暖設施、用水設施和裝修狀況等。在控制這些屬性對租金的影響后，回歸中可以估計出每個地區j的固定效應，它表示僅由地區便利性差異帶來的住房價格（或地區間不可貿易品價格的差異）差異，我們在后文將用符號表示模型估計出來的地區租金差異。

同樣，各地區間的工資差異也采用了相同的處理方法。使用回歸方程將工資的決定方程寫成個人特征與便利性特征的函數：

ωij是我們可以觀察到的地區j的個人i的工資收入，而Ui就是可以觀測到的個體i的個人的各個方面的特征，如年齡、婚姻狀況、受教育程度、工作經驗、從事職業和所在行業等，并加入上述特征與性別的交互項，盡可能規避掉個人特征對工資的影響，進而獲得由地區便利性差異帶來的地區間工資的差異，記為。

（二）關鍵參數的計算與討論

為了求出Sy與參數Sω，本文分別使用UHS與CHIP數據進行了計算。UHS2009“家庭現金收支調查表”中，將消費性支出中的服務性消費支出、住房支出、居住服務費支出、家庭服務支出、交通工具服務支出、交通費，加上購房與建房支出、社會保障支出和轉移性支出定義為不可貿易品消費額，再用該支出額除以家庭當年的總收入，得到不可貿易品支出的收入比Sy＝35.84%。其次，我們使用了CHIP2013數據集中“收入與資產”部分信息對該指數進行了估算，計算得到Sy＝39.79%。兩個數據計算得到的參數非常接近，僅比Albouy（2016）使用的美國數據高分別高出6.5和2.8個百分點。因此，此處的Sy使用兩個數據集估算出的均值進行替代，即Sy＝37.82%。同時，兩個數據集中測算的Sω分別為61.63%和51.38%，與Albouy（2016）和Albouy et al（2013）中使用的55%與70%非常接近，因此，這里我們使用二者的均值作為本文Sω的系數7使用了CFPS2010數據計算的與低于本文采用的均值，但統計上并無顯著性差異。。

（三）初步的實證結果分析

首先，本文對方程（8）進行了回歸，結果見表2。其中，大部分個人和住房特征都是顯著的，且與預期的符號相符。在工資差異的回歸方程中，戶主、男性、城鎮戶口、已婚人士、較高的受教育程度、較長的工作經驗等因素對個體的工資有顯著的正向影響，且身份和職業兩個類別變量對工資的影響都在1%的水平上顯著異于0，說明身份和職業的差異在工資的決定上確實起到了非常重要的作用。在控制個體特征的影響之后，地區間工資的差異可以被視為地區便利性差異帶來的（即）。在租金差異的回歸方程（7）中，住房面積、私有產權房、三（四）居室的住房、新房、有較好的飲水、用水、衛生、有取暖設施等特征，對租金的影響通常在1%的水平上顯著，可見其對住房租金影響程度。在控制了這些住房特征的影響之后，租金的價格差異被視為地區便利性差異導致的（即）。

表2 Hedonic模型回歸系數

注 ：*** p＜0.01，** p＜0.05，* p＜0.1，“（）”中為參數 t 值。

為了進一步考察本文估算的生活質量指數的有效性，本文將這一指數與現有文獻中的城市生活質量進行對比。首先，本文先將本文的生活質量與2005年發布的《中國城市生活質量報告》8信息來源：http://rxjs.org.cn/dev/board/48218.html。進行相關性分析。其綜合排名與本文的生活質量排名的相關系數為0.41，在10%的水平上統計顯著，相關性一般；Li ＆ Wang（2013）的文獻使用主成分分析法，利用2006-2009年的中國統計年鑒的數據（包含衛生、科技、勞動和文物年鑒）對中國省份生活質量進行了估算和排名，經過分析，該排名與本文城市生活質量的相關性在5%的水平上顯著，相關性達0.55；中國城市生活質量研究中心（2011）根據其可得的數據建立了自己的一套城市生活質量的客觀評價體系。該生活質量排名與本文計算的生活質量同樣存在明顯的正相關關系，相關系數為0.69，在5%的水平上顯著。說明本文通過一般均衡模型推導的生活質量的表達式能很好地描述地區間的生活質量。（詳見表3）

表3 本文生活質量排名與其他文獻生活質量排名的相關性

（四）估計生活質量及其影響因素分析

根據前文推導的公式（6），帶入每個城市估算租金差異和工資差異及相應的和，我們計算得到中國183個城市的生活質量指數。圖19圖1中對應的數值詳見附表1。以上文計算的工資殘差為橫軸，住房價格殘差為縱軸，繪制了每個城市的（，）散點圖。如果可以接受一個地區的高房價（非可貿易品價格）和低工資，那么該地區的生活質量則較高，因此，向左上角偏離并距離擬合線越遠的點對應的生活質量越高。圖1中灰色虛線穿過的點為南京市，生活質量最高，上海緊隨其后。而且，常住人口在1000萬以上的大城市大部分分布在擬合線的上部，生活質量普遍較高。

圖1 城市住房價格殘差與工資收入殘差

緊接著，我們更關心的問題是：每個城市的生活質量，是由該城市的哪些因素決定的？為了識別城市生活質量的影響因素，本文假設便利性對生活質量的影響僅僅是線性的，使用OLS回歸識別每個因素的邊際影響大小：

本小節得出的結論如下：第一，居民偏好距離海岸線較近的城市，距離海岸線的距離系數為0.0001，意味著居民愿意支付收入的1%居住在距離海岸線更近（近100km）的城市。這與我國地理特征有很大的關系，中國地勢西高東低，大致呈階梯狀分布，東南部沿海地區地勢平緩，農業生產效率較高，交通便利，商業較為發達，而西部和北部地區地勢較高，農業生產力較低，交通運輸困難，居民參加就業和提高生活品質的方式有限，因而向沿海地區靠攏也是我國人口流動的主要趨勢之一。而美國的這一參數為正，恰好與我國的情況相反（Albouy，2012），這與國家的地理特征關系密切。

表4 便利性對工資差異、租金差異和生活質量的影響

第二，最低氣溫的系數為正且在10%的水平上顯著，可見居民偏好擁有較高的最低氣溫的城市，而且如果最低氣溫上升10攝氏度（約1.04個標準差），居民愿意為其支付收入的7%的份額，這是相對較高的支付比例。同時，最低氣溫對城市間的租金差異和工資差異也有很強的解釋力，第（5）和第（6）列中，最低溫度對租金差異和工資差異有顯著的正向作用，且租金差異受到最低溫度的影響要大于工資差異，因此，對于擁有較高最低氣溫的地區，其生活成本的上升速度明顯快于工資收入的上升速度。不僅如此，居民還偏好較低平均氣溫的城市。愿意為其平均氣溫下降1攝氏度支付收入的3.2%，說明年平均溫度適宜的城市對居民來說更加宜居。

第三，居民更加偏好“陰天”和“多云”的氣象條件。若“陰天”出現的頻率出現一個標準差的升高（0.009），那么居民愿意為其支付收入的0.49%，雖然這一支付比例不是很高，但與大多數的文獻結論還是不同。Albouy et al（2016）發現人們更偏好“晴天”這一變量，而Sinha ＆ Cropper（2013）的研究中并沒有發現顯著的影響。通常來說，人們偏好“晴天”是因為“晴天”對居民的健康和情緒有很大的幫助作用，自然視野開闊，通勤便利。而且，晴朗的氣候適宜大多數的社會生產，工作效率提升，工資水平較高。

第四，居民更加偏好人口數量較多和公共服務較多的地區，包括中學教育，而污染等城市屬性并沒有表現出與預期相符的結果。關于城市規模，如果常住人口數量出現1個百分比的變動，那么居民愿意為其支付收入的2.7%，第（5）和第（6）列也給出了相似的結論，較大的城市規模對生活質量有顯著的正向影響。關于公共服務，人們愿意為公共藏書這種公共服務支付一定比例的工資（每萬人擁有的公共圖書量每上升1千本，居民愿意為此付出收入的1.2%），不僅如此，居民愿意為教育支付的比重比藏書還高。這與現有的文獻的發現一致，通常來說，優質的教育資源在國內是稀缺的（夏怡然和陸銘，2015），家庭的后代如果能有較大的概率獲得良好的教育，則家庭效用會得到一定程度的提升，家庭應當有動機為此付出一定的收入比例。關于污染，污染作為具有負外部性的特征，通常來說都是越少越好，人們愿意支付一定比例的收入來規避其負的外部效應（黃永明等，2013；楊繼東和章逸然，2014）。盡管表4中的人均污染狀況對生活質量沒有顯著的影響，但是無論是地區間租金差異還是工資的差異，人均污染狀況的影響都是正向的，這也可能是城市便利性本身是內生的而產生的結果，較高的人均污染排放量也意味著較高的經濟增速，因此，這一正向影響也是可以理解的。

（五）城市生活質量影響因素分析的穩健性檢驗

相比于城市層面的自然屬性，城市社會便利性產生內生性的渠道相對較多，其中之一便是無法觀測的地區特征會與誤差項相關進而導致估計存在偏誤。為了緩解這一潛在的內生性問題，本文進一步收集了2002-2008年的《中國城鎮住戶調查》與對應年份的《中國城市統計年鑒》，前者用于計算2002-2008年的城市生活質量的變化情況，后者則是用于收集城市隨時間變動的城市特征。此處構造的面板數據不僅可以差分掉省份層面τi與時間層面Kt的固定效應，同時可以利用時間上的變異，為生活質量的影響因素提供一致的估計，方程如下：

表5結果顯示，大部分參數系數的方向與預期一致，而顯著程度上略有差異。首先，戶籍總人口數越多，人口密度越低，生活質量越高。人口數量的增加，意味著人與人之間的分享、學習與外部性提高勞動生產率，提高生活質量，但是過多的人口和有限的面積會使得居住地過于擁擠，則生活質量出現下降。因此，若一個城市人口總量大且人口密度低，則其生活質量則相對較高；其次，人均產出對于地區的工資與租金都有顯著正向影響，說明較高的人均產出增加了地區收入，也同時拉高了地區租金。但是，第（1）列中的系數顯示，較低的人均產值會帶來更高的生活質量，說明人均產出較高的城市中租金上升的幅度大于工資上升的幅度；房地產開發投資額越大對城市工資水平本無直接影響，但是房地產投資部分最終都是消費者承擔，進而房價水平越高，而房價較高的城市生活水平也相對較高；污染物雖然具有很強的負外部性，但是在發展的初級階段，其可以解決就業和增加居民收入，因而對地區的工資水平有正向的影響，但是，盡管收入增高彌補了污染帶來的負效應，但是污染的居住條件是不受歡迎的，因此，污染水平較高的城市生活質量較低。

表5 城市便利性對生活質量的影響

與上一小節相比，本小節的發現進一步得出結論：一方面，面板數據對應的固定效應模型在緩解部分內生性問題的同時，使方程的解釋力度得到一定的提升，調整后的R2從原先的0.317提升到0.506，這間接反映出，地區與時間層面的不可觀測因素會潛在地影響城市生活質量。另一方面，盡管公共服務設施中，電影院數量，醫院個數二者對城市生活質量并無顯著影響，但是學校數量對于城市生活質量依然有顯著正向影響，說明教育是公共服務中提升地區生活質量的重要因素。

六、結論性評述

本文通過一般均衡模型推導了城市生活質量與工資和住房價格之間的關系。居民在城市間流動選擇不同城市的工資與住房價格，住房價格與工資之間的差代表了除生活成本以外，居民愿意為地區便利性特征支付的收入，差值越高說明當地的生活質量越高。本文通過收集整理《中國城鎮住戶調查》《中國居民收入調查項目》和《中國家庭追蹤調查》等數據，對全國183個城市的生活質量進行了全面的測算。計算發現，南京、上海和北京等城市的生活質量一直位于全國前列，與文獻發現和居民感受基本一致（溫婷等，2014；喻忠磊等，2016）。進一步，本文使用多元回歸方法，考察城市生活質量的影響因素。研究發現，城市便利性（amenities）中，自然便利性（如距離海岸線越近、平均氣溫越低、最低氣溫越高）越好的城市，其生活質量越高，城市便利性（戶籍人口總量，人口密度、人均生產總值）更多的城市，其生活質量越高。不僅如此，與城市公共服務密切相關的中小學教育資源的豐富程度，同樣可以提升所在城市的生活質量。

本文的發現具有重要的理論與現實意義：理論上，本文使用中國數據驗證了Roback（1982）模型的預測能力。在一般均衡條件下，戶籍限制不斷減弱和人口流動不斷加速使得人口不斷向高生活質量的地區集聚，他們愿意為此接受較高的住房價格與較低的工資性收入，本文使用《中國城鎮住戶調查》數據驗證該理論模型的預測能力。現實中，本文的發現對于我國現階段新城鎮體系的發展提供了經驗證據，結論顯示，良好的自然條件與豐富的公共服務是影響地區生活質量的重要因素。東南部沿海地區不僅氣候宜人，溫度適中，地勢平緩，而且靠近我國主要的貿易港口，是企業大規模生產與居民持續流入的地區。隨著人口限制減弱與經濟不斷增長，東部沿海地區的人口數量與人口密度不斷增加，城市便利性不斷增強，同時經濟的發展增加了地方政府對基礎設施、醫療資源與教育資源的投入，城市生活質量得到進一步的鞏固與提升。

值得一提的是，十六屆三中全會《決定》中提出的“五個統籌”戰略構想對城市生活質量的提升有難以替代的作用。該戰略強調城市群在新型城鎮化過程中的主體地位，深化戶籍制度改革，推動不同城市間公共服務的差異化供給，推動要素在城市間高效配置。由此可見，隨著經濟水平的不斷提升，越來越多的城市特征將會給居民帶來福祉，城鎮化進程中與戶籍制度和住房制度變革相關的一系列發展戰略，不僅滿足了居民日益增長的物質與精神需要，同時也提升了城市的生活質量，增進了城市生活的滿足感與獲得感。政府為提高城市生活質量所進行的公共投資，如提升醫療水平、擴展教育資源和減少環境污染等，都會受到民眾的支持和可觀的社會回報。這無疑將推動城市經濟增長與公共服務的協調可持續發展，最終使國家和公眾同時收益。因此，完善勞動力與住房市場改革，進一步推進戶籍制度改革，減少勞動力流動的制度障礙與成本，將有助于提升城市居民的生活質量。

附錄

1.城市地理與空間特征數據的獲取方法

（1）城市地理信息

城市到海岸線距離（dist_to_coast）：首先，城市坐標通過百度地圖API獲得，該坐標定位的地址為該市市政府所在地（BD09坐標系10BD09為百度地圖處理和公開國內地理信息時使用的坐標系，處于國家安全考慮，其信息在國測局坐標系的基礎上進行了二次加密。），再使用在線坐標轉換工具將經緯度坐標轉換成WGS84坐標系11WGS84坐標系為國際通用的地心（質心）坐標系，可從專業GPS 設備中獲取的坐標系信息。下的經緯度。其次，海岸線坐標通過Arcgis進行處理獲得，先通過“國家基礎地理信息中心”網站下載中國地理邊界文件，并將其中的海岸線（北起鴨綠江口，南至北侖河口，總長1.8萬多千米）轉換為WGS84坐標系下的約26000個坐標點（平均兩點之間的距離為0.7千米）。最后，使用文獻中常用的距離公式，計算城市距離海岸線上每個坐標點的距離，以最小的距離作為城市距離海岸線的距離。

城市到主要河流距離（dist_to_river）：為了描述城市距離水源地的遠近，本文計算了城市距離主要河流的距離。先通過Arcgis獲得在WGS坐標系下，中國主要河流的點坐標（此處的河流是全國七大水系12全國七大水系：珠江水系、長江水系、黃河水系、淮河水系、遼河水系、海河水系和松花江水系。的干流，在線轉點的過程中生成了個坐標點61000個），再根據距離公式求出城市距離水源距離最短的點，以兩點之間的距離作為城市距離河流的距離。

（2）城市降水信息

本文每個城市的降水數據來源于“環境云網站”（http://www.envicloud.cn/），本文收集了該網站提供的全國2566個市縣觀測點2005-2015年的年度降水信息。基于上述樣本，我們先將城市內部的樣本點的降水量進行平均，再進一步對時間進行平均，得到每個城市2005-2015年間的年度平均降水量信息。（該數據源還包括對應年份的1月和7月的平均氣溫。）

（3）城市氣象信息

本文的氣象信息數據來自“天氣后報”網（http://www.tianqihoubao.com/），該網站公布的原始數據覆蓋了全國345個城市（包含直轄市、自治州、省會城市），時間跨度2011-2016年，其主要的氣象信息包括：氣象狀況（晴天、多云、雨天等）、最高溫、最低溫、風力和風向。在原始數據的基礎上，我們對現有的數據進行加工，得到能更好反映地區氣候特征的變量：

最高溫（highest_temp）：六年內該地區日最高溫的最大值；

最低溫（lowest_temp）：六年內該地區日最低溫的最小值；

平均氣溫（avg_temp）：六年內該地區日最高溫和日最低溫平均值的均值；

平均溫差（avg_temp_diff）：六年內該地區日最高溫和日最低溫差值的均值；

氣溫方差（temp_var）：六年內該地區平均氣溫的方差；

平均風力（avg_wind）：根據六年內每日的風力信息（無持續風向且風力小于3級的信息忽略不計）按照風向進行加權處理。先將風力按照風向對x軸和y進行投影，再將六年中大于3級的風力信息在坐標系上進行加權平均，最后再通過三角函數計算平均風力大小（Yang and Chow,2017）。

其中，windt表示風力的大小，θ以風向信息估計的方位角，若為西風，則方位角為0，若為西南風，則方位角為π/4，依次類推；

起風頻率（wind_freq）：由于每個地區并不是每天會起風，用六年內大于3級風力的頻率描述該地區起風情況；

晴天出現頻率（suuny_freq）：六年內晴天出現的天數/六年總天數；

陰天出現頻率（suuny_freq）：六年內陰天和多云出現的天數/六年總天數

雨天出現頻率（suuny_freq）：六年內雨天出現的天數/六年總天數；

附表1 2009年城市家庭住戶調查測算的便利性

附表1 2009年城市家庭住戶調查測算的便利性

?

23 雞西市 0.045 0.774 0.267297 115 蕪湖市 0.089 0.234 0.038205 24 宜賓市 0.053 0.757 0.256347 116 寧波市 0.089 0.234 0.038205 25 牡丹江市 -0.276 0.261 0.254678 117 盤錦市 0.316 0.558 0.032464 26 鹽城市 0.067 0.746 0.244276 118 黃山市 -0.056 -0.023 0.022947 27 珠海市 0.463 1.322 0.238339 119 臺州市 -0.056 -0.023 0.022947 28 泰州市 0.242 0.986 0.236151 120 朔州市 0.408 0.66 0.019051 29 宣城市 -0.06 0.534 0.235865 121 德陽市 0.349 0.57 0.018354 30 內江市 -0.195 0.332 0.235757 122 綿陽市 0.137 0.25 0.017131 31 宿遷市 0.006 0.617 0.229959 123 大慶市 0.391 0.629 0.016934 32 朝陽市 -0.128 0.416 0.229664 124 長治市 0.058 0.13 0.01639 33 成都市 0.201 0.905 0.228686 125 慶陽市 -0.026 0.004 0.016205 34 泰安市 0.022 0.622 0.222808 126 商洛市 -0.026 0.004 0.016205 35 阜新市 -0.188 0.303 0.220833 127 威海市 0.383 0.615 0.01616 36 廣州市 0.746 1.684 0.215324 128 吉安市 -0.075 -0.096 0.006075 37 西安市 -0.059 0.48 0.214877 129 孝感市 -0.156 -0.222 0.004195 38 蘭州市 -0.059 0.48 0.214877 130 濮陽市 0.084 0.128 0.000941 39 汕頭市 0.204 0.864 0.211484 131 咸寧市 -0.048 -0.071 0.000273 40 茂名市 -0.137 0.337 0.204872 132 七臺河市 0 0 0 41 昆明市 0.159 0.773 0.202498 133 東莞市 0.937 1.384 -0.00607 42 濟南市 0.426 1.171 0.20214 134 德州市 -0.046 -0.095 -0.00993 43 營口市 -0.021 0.49 0.197185 135 巴中市 -0.055 -0.13 -0.01809 44 南通市 0.301 0.968 0.196003 136 周口市 -0.296 -0.495 -0.01994 45 攀枝花市 0.116 0.677 0.19049 137 定西市 -0.091 -0.19 -0.02043 46 三門峽市 -0.078 0.381 0.188172 138 濟寧市 0.092 0.061 -0.02892 47 宜昌市 0.008 0.489 0.180419 139 梅州市 -0.055 -0.161 -0.02981 48 安慶市 -0.092 0.337 0.179443 140 亳州市 0.191 0.203 -0.03116 49 衢州市 -0.092 0.337 0.179443 141 保山市 0.142 0.129 -0.03146 50 溫州市 -0.118 0.286 0.174847 142 新鄉市 -0.072 -0.217 -0.04138 51 蚌埠市 -0.118 0.286 0.174847 143 資陽市 0.174 0.127 -0.0503 52 荊門市 -0.036 0.393 0.168976 144 大同市 0.319 0.343 -0.05054 53 連云港市 0.107 0.605 0.168345 145 宜春市 -0.112 -0.311 -0.05433 54 銅川市 0.13 0.626 0.16329 146 贛州市 -0.044 -0.236 -0.06439 55 嘉峪關市 0.13 0.626 0.16329 147 駐馬店市 -0.149 -0.402 -0.06784 56 雅安市 -0.071 0.316 0.159633 148 雙鴨山市 0.055 -0.111 -0.07306 57 棗莊市 -0.017 0.396 0.159374 149 東營市 0.38 0.356 -0.0801

58 錦州市 0.015 0.44 0.157932 150 襄陽市 -0.065 -0.313 -0.08165 59 鄭州市 0.303 0.87 0.157809 151 湛江市 -0.048 -0.305 -0.08823 60 葫蘆島市 0 0.404 0.152793 152 淄博市 0.329 0.241 -0.09477 61 撫順市 0.019 0.432 0.152646 153 晉城市 0.349 0.255 -0.10078 62 樂山市 -0.025 0.363 0.151414 154 清遠市 -0.157 -0.516 -0.10643 63 齊齊哈爾市 -0.159 0.151 0.146959 155 佛山市 0.599 0.608 -0.10855 64 鶴崗市 -0.178 0.114 0.143703 156 廣元市 -0.043 -0.365 -0.11374 65 聊城市 -0.153 0.145 0.141299 157 黃岡市 -0.178 -0.577 -0.11763 66 黃石市 0.06 0.462 0.140822 158 平頂山市 0.175 -0.051 -0.11818 67 武漢市 0.255 0.741 0.136146 159 撫州市 0.011 -0.323 -0.12837 68 鷹潭市 0.067 0.455 0.134219 160 韶關市 0.069 -0.262 -0.13808 69 無錫市 0.393 0.941 0.133802 161 許昌市 -0.096 -0.583 -0.16624 70 荊州市 -0.055 0.271 0.133573 162 鄂州市 0.29 -0.01 -0.16766 71 煙臺市 0.388 0.929 0.132089 163 焦作市 -0.059 -0.571 -0.18261 72 徐州市 0.096 0.492 0.131825 164 安陽市 0.158 -0.249 -0.18346 73 濰坊市 0.124 0.521 0.12697 165 酒泉市 0.083 -0.382 -0.19138 74 十堰市 -0.007 0.318 0.124223 166 安康市 0.083 -0.382 -0.19138 75 太原市 0.063 0.417 0.122108 167 湖州市 0.388 0.061 -0.19619 76 達州市 -0.156 0.083 0.119546 168 馬鞍山市 0.388 0.061 -0.19619 77 信陽市 0.327 0.798 0.117016 169 萍鄉市 -0.08 -0.67 -0.20819 78 濱州市 0.091 0.444 0.116497 170 金昌市 0.369 -0.032 -0.22062 79 江門市 0.307 0.765 0.115837 171 寶雞市 0.369 -0.032 -0.22062 80 晉中市 -0.091 0.166 0.114205 172 肇慶市 0.223 -0.264 -0.22586 81 揚州市 0.315 0.767 0.112073 173 廣安市 0.229 -0.301 -0.24325 82 銅陵市 0.213 0.612 0.111092 174 南昌市 0.178 -0.472 -0.2791 83 金華市 0.213 0.612 0.111092 175 景德鎮市 0.033 -0.703 -0.28452 84 臨汾市 0.068 0.393 0.110206 176 九江市 0.022 -0.828 -0.32558 85 常州市 0.479 1.001 0.107895 177 合肥市 0.221 -0.667 -0.37715 86 菏澤市 -0.167 0.035 0.107609 178 杭州市 0.221 -0.667 -0.37715 87 淮安市 0.199 0.581 0.107279 179 昭通市 0.102 -0.864 -0.38441 88 臨沂市 0.159 0.513 0.104166 180 惠州市 0.466 -0.416 -0.42067 89 忻州市 -0.152 0.043 0.102158 181 漯河市 0.092 -0.983 -0.42376 90 瀘州市 0.032 0.313 0.100293 182 玉溪市 0.119 -1.019 -0.45263 91 滁州市 -0.042 0.202 0.100131 183 揭陽市 0.129 -1.07 -0.47757 92 麗水市 -0.042 0.202 0.100131