一、 引言

改革开放以来，中国城市基础设施投资水平不断扩大，建设规模显著提高。良好的基础设施吸引了更多的外来劳动力，拉动了对城市住房的需求，由此导致城市房价高涨。如果劳动力所面临的高房价由企业所负担，那么劳动力得到相应的货币补偿，基础设施对名义工资具有正向的溢价作用。反之，如果劳动力对城市基础设施具有较高的偏好，宁愿放弃一部分货币形式的工资，那么基础设施对名义工资就具有负向的折价作用。

在当前我国城镇化进程不断加快的背景下，考察基础设施对工资的影响具有重要意义。如果基础设施具有工资溢价作用，这意味着劳动力一方面能享受大城市的良好基础设施，另一方面还能从企业处获得高额生活成本的补偿，劳动力向大城市集聚是劳动力市场均衡的必然结果。政府人为设定流动壁垒，限制人口流动和控制城市规模的政策往往难以取得预期的效果。相反地，如果基础设施具有工资折价作用，这意味着基础设施在吸引劳动力方面起到了积极作用，此时，改善城市基础设施水平，将有助于缓解劳动力向大城市过度集聚。

尽管现有文献从宏观视角上对基础设施的经济增长效应展开了详尽的研究(如蒋冠宏、蒋殿春，2012；张学良，2012)，但还鲜有研究从微观视角出发，探讨基础设施影响城市居民收入的微观机制。本文将2002年和2007年“中国家庭收入调查(CHIP)”的微观个人数据与个人所在地级市的城市特征数据相结合，将城市土地出让收入变动作为城市基础设施的工具变量，通过2SLS方法估计了基础设施水平对居民工资收入的影响。本文的研究有助于深刻理解基础设施在城市化进程和城市发展中的作用。

本文其余部分的结构安排如下：第二部分为相关文献综述，指出了现有文献中存在的不足和局限以及本文的改进和创新；第三部分为理论模型框架，分别考察了劳动力同质和异质情况下，基础设施水平对居民工资水平的影响机制；第四部分为计量模型与数据；第五部分为实证结果分析；第六部分为全文总结，同时提出了一些政策建议和本文的不足之处。

二、 文献综述

基础设施对工资收入影响的理论研究主要是基于Rosen (1974)的特征价格模型(Hedonic price model，HPM)。Rosen (1974)以消费者效用最大化和生产者利润最大化为目标，从理论上分析了差异化产品的市场短期均衡和长期均衡。在HPM框架下，Roback (1982)构建了一个一般均衡模型，揭示了在企业和居民自由迁移的情况下，城市宜居性对工资和地价的影响机制。Roback (1982)重点强调了城市宜居性对居民效用和企业利润的双重影响。企业和居民都会被宜居性所吸引，由此增加了宜居城市的土地需求，在土地供给不变的情况下，宜居城市的地价必然上涨。而城市宜居性对工资的影响则不能确定，一方面企业集聚会增加劳动力市场上的需求，另一方面居民集聚会增加劳动力市场上的供给。宜居性到底是促进工资上涨(溢价效应) 还是造成工资下降(折价效应) 取决于劳动力市场上供求的相对变动。

后续实证研究对Roback模型进行了扩展，对城市宜居性的度量也从简单的自然宜居条件开始向多类别的城市基础设施拓展。早期实证文献大都以美国为研究对象，Blomquist et al.(1988)将集聚效应引入Roback模型中，利用1980年美国254个郡县的人口和住房普查数据，实证检验了自然宜居性(包括气温、日照等7个指标) 和城市基础设施(包括教育、犯罪率、垃圾处理等8个指标) 对居民工资的影响。研究结果表明，各种基础设施对工资的影响存在差异。比如，居民工资随地区教育基础设施的改善而降低而随地区环境基础设施的改善而提高。Beeson (1991)将劳动力异质性引入Roback模型，考察了城市基础设施对教育回报率的影响，证实了基础设施对工资的影响随劳动力异质性发生改变。医疗和文化娱乐等基础设施对教育回报率具有正向溢价作用，而教育基础设施对教育回报率的影响为负。后期实证文献中，学者们采用了面板数据集(Dalenberg and Partridge, 1997) 和改进的估计技术(Gabriel and Rosenthal, 1999)，还有学者将Roback模型应用于欧洲国家(Berger et al., 2008；Di Addario and Patacchini, 2008；Dimou，2012)。总体上看，不同国家的实证检验大都证实了城市基础设施对居民工资收入具有显著的影响。

与国外丰富的研究成果相比，国内基础设施影响工资收入的研究相对较少。直到近期，踪家峰、李宁(2015)利用中国35个大城市2003-2012年的宏观数据，将城市基础设施水平作为反映城市宜居性的指标，实证检验了城市基础设施对住房价格和工资水平的影响。他们的研究发现，城市基础设施水平与住房价格正相关，与房价调整工资负相关。但该项研究仍存在一定的局限性。第一，该研究采用了城市尺度的宏观数据，缺乏对个体差异的控制。而传统的工资收入研究中，劳动力个人特征(如教育水平) 对其工资收入具有重要决定作用；第二，该研究的城市人口工资数据来自历年《中国城市统计年鉴》，其中公布的人口数据只包括城市户籍人口，并未包括外来非户籍人口。而Roback模型的经典假设是劳动力在城市间自由流动，正是劳动力的流动才带来城市劳动力市场上供求的变化。考虑到中国的实际情况，城市劳动力供给增加主要是有外来流动人口推动的，将流动人口排除在外而统计的城市工资水平应该并不准确。最后，该研究采用了劳动力同质的假设，认为城市中劳动力对城市基础设施的偏好相同。而现有文献中研究均发现，劳动力异质性与基础设施的工资效应之间存在显著的交互影响(Beeson，1991；Di Addario and Patacchini, 2008)。

综上所述，经过三十余年的发展，Roback模型的理论机制在发达国家中得到了广泛检验，但仍然缺乏来自中国这样的发展中国家的证据支持。针对以往研究存在的局限，本文尝试做出以下改进和创新：第一，在数据选取上，本文实证估计中采用的数据样本既包括微观尺度的个人数据又包括宏观尺度的地市数据。微观数据来自2002年和2007年“中国家庭收入调查(CHIP)”，同时涵盖了城市户籍人口与城市农民工，能够更好地体现劳动力在城市之间的流动状况。第二，在劳动力异质性上，本文以劳动力的教育水平为例，进一步考察了教育异质性与基础设施工资效应的交互作用。第三，在估计方法上，已有关于基础设施与经济发展的实证检验中，基础设施往往被看作内生性变量(郑世林等，2014；高翔等，2015)。在本文中，基础设施水平高的城市吸引劳动力和企业，而劳动力和企业的集聚反过来会产生对基础设施的引致需求，导致传统OLS估计有偏。因此，有必要对基础设施的内生性进行处理。本文将城市土地开发中获取的土地出让收入变动作为工具变量，采用2SLS方法，从而更准确地估计了基础设施水平对居民工资收入的影响。

三、 理论模型框架

(1) 基础设施对工资的影响：劳动力同质的情况

参考Roback (1982)的做法，我们把城市基础设施水平引入劳动力市场均衡模型中，以此来分析基础设施水平对劳动力价格，即居民工资收入的影响机制。

假设一个国家有J个城市，每个城市都有其特定的基础设施水平，记为s。在给定的城市中，城市居民具有相同的个人特征。一个代表性的居民同时消费一定量的复合型商品X和土地l^c，其间接效用方程可表示为V (w, r; s)，其中w代表劳动力的名义工资收入，r代表土地价格。企业生产复合型商品X，其价格被设定为1。在规模报酬不变的情况下，企业生产需要投入N单位的劳动力和l^f单位的土地。一个代表性企业的成本函数为C(w, r; s)。

基础设施具有双重作用，一方面，居民的效用随城市基础设施水平上升而提高，因此，V_s>0。另一方面，基础设施作为生产要素投入到企业生产中，降低企业成本，因此，C_s < 0。

不考虑企业和居民的迁移成本，假设他们可以在城市之间自由迁移，空间均衡的条件为：

$ V(w, r;s)=\bar{u} $

(1)

$ C(w, r;s)=1 $

(2)

方程(1) 和(2) 表示只有在个人效用和企业成本在各个城市间无差异的情况下，企业和居民才会停止流动，从而实现空间均衡。在均衡条件下，每个城市中，居民的间接效用均为u，企业的单位成本均等于1。

为了分析基础设施水平对工资的影响，将方程(1) 和方程(2) 两端同时对城市基础设施水平求导，整理后得到：

$ dr/ds=({{V}_{s}}{{C}_{w}}-{{V}_{w}}{{C}_{s}})/\Delta $

(3)

$ dw/ds=({{V}_{r}}{{C}_{s}}-{{V}_{s}}{{C}_{r}})/\Delta $

(4)

其中，$\Delta \text{=}{{V}_{w}}{{C}_{r}}-{{V}_{r}}{{C}_{w}}, {{C}_{w}}=N/X, {{C}_{r}}={{l}^{f}}/X$。

方程(3) 反映了基础设施水平对地租的影响。将C_w，C_r和Δ代入方程(3)，可得到dr/ds>0，说明地租随着基础设施水平的提高而增加。在现实世界中，基础设施水平高的城市对企业和劳动力都具有吸引力。企业和劳动力的集聚导致对城市土地需求增加，而城市土地不能无限供给，在土地需求大于供给的情况下，城市地价开始上涨，基础设施水平对起到了拉升作用。这一结论在国内外文献中已经得到广泛证实，在交通设施完备(何丹、金凤君，2013) 或绿化设施良好(Kong et al., 2007) 的地区，房地产价格通常也会较高。

方程(4) 反映了基础设施水平对工资收入的影响。把将C_s，V_s和Δ代入方程(4)，我们仍无法确定dw/ds的符号，因此基础设施水平对工资收入的影响并不确定。其原因在于，伴随着基础设施水平的提高，企业和居民不断集聚，这一方面增加了城市劳动力市场上的供给(更多的劳动力)，另一方面也增加了劳动力市场上的需求(更多的企业)。工资的变动取决于企业和居民对基础设施的偏好，以φ_f和φ_c分别表示企业和居民对基础设施的偏好，我们得出命题1。

①由于篇幅限制，本文并未给出具体推导过程，感兴趣的读者可向作者索要。

命题1：如果φ_f>φ_c，那么dw/ds>0。

命题1意味着在企业对基础设施更为偏好时，基础设施水平提高对工资具有正向拉升作用。由于企业和居民集聚同时推动地价上升，因此企业必须向居民支付更高的名义工资来补偿地价上升带来的生活成本提高。

反之，如果居民对基础设施水平的提高更敏感，则劳动力市场上供给的变动会大于需求的变动，由此导致均衡工资下降，由此我们得出命题2。

命题2：如果φ_f < φ_c，那么dw/ds < 0。

命题2意味着居民更看重从基础设施中获取的宜居性，情愿放弃一部分货币工资，由此居民的名义工资随基础设施水平提高而下降。

(2) 基础设施对工资的影响：劳动力异质性的情况

Roback模型中假设劳动力是同质的，这显然与现实中居民的个人特征情况不符。因此我们尝试放松这个假设，以居民的教育水平为例，将劳动力异质性引入理论模型，类似于企业和居民对基础设施水平的偏好不同，教育水平不同的居民对于同样的基础设施水平的重视程度应该也存在明显差异。

基础设施水平对工资的影响在不同教育水平的居民间的变动可表示为：

$ \frac{\partial }{\partial z}(\frac{dw}{ds})=(\frac{1}{zw})(\frac{{{V}_{s}}}{{{V}_{w}}})({{\theta }_{{{l}^{c}}, z}}-{{\theta }_{s, z}}) $

(5)

其中z代表劳动力的教育水平，θ_{l^c, z}和θ_{s, z}是土地和基础设施水平关于教育水平的需求弹性^①。根据方程(5)，居民的教育回报与基础设施水平的交互作用取决于居民对土地和基础设施水平的教育需求弹性。由此我们得到命题3和命题4。

①弹性的表述最早出自Beeson (1991)。在劳动力同质的假设下，基础设施对工资的作用取决于居民和企业对基础设施的偏好程度。与之类似，在劳动力异质的情况下，不同基础设施对工资的效应是否在不同教育水平的居民之间存在差异，主要取决于不同教育水平居民对基础设施和一般性消费品的需求弹性差异。

命题3：如果θ_{l^c, z}>θ_{s, z}，那么$\frac{\partial }{\partial z}(\frac{dw}{ds})>0$。

命题4：如果θ_{l^c, z} < θ_{s, z}，那么$\frac{\partial }{\partial z}(\frac{dw}{ds})<0$0。

命题3意味着如果随着教育水平的提高，居民对基础设施的需求变动低于对土地的需求变动，则基础设施对工资的影响随居民教育水平而提高，高学历居民获得的货币工资补偿将更大。命题4意味着如果随着教育水平的提高，居民对宜居性的消费变动高于对土地的需求变动，则基础设施对工资的影响随居民教育水平而降低，高学历居民获得较少的货币工资补偿。

四、 计量模型与数据 (一) 计量模型设定与估计方法

为检验城市基础设施的工资效应，我们将居民所在的城市特征变量引入Mincer收入方程作为实证检验的基准模型：

$ \text{In}{{W}_{ij}}={{\beta }_{0}}+{{\beta }_{1}}{{S}_{j}}+{{\beta }_{2}}{{Z}_{ij}}+{{\beta }_{3}}{{X}_{j}}+{{\mu }_{ij}} $

(6)

其中，被解释变量是j城市i居民的个人小时工资收入的自然对数。解释变量包括三类：第一类是城市基础设施变量S_j，表示城市j的总体的基础设施水平，第二类变量是居民个人特征变量Z_ij，包括教育水平，户籍身份，能力，工作经验，从事工作的属性等；第三组是其它城市控制变量，包括生活成本，人口规模，自然气候特征等。

城市基础设施变量S_j是本文关注的第一个核心解释变量。一方面，良好的城市基础设施建设会吸引劳动力和企业流向城市，另一方面，劳动力和企业集聚反过来会对基础设施会产生更大的需求和更高的要求，而劳动力工资收入是由劳动力和企业数量共同决定的，因此城市基础设施与工资收入之间存在相互影响的关系，从而导致了基础设施变量估计的内生性问题。此外，对于城市基础设施水平的定量化测度往往只能采用统计年鉴中提供的数据，其中，生活性基础设施的指标(如城市娱乐、文化、医疗、教育) 的数据更为全面，而生产性基础设施的指标(如电力管线、电信网络) 则不易获取，由此可能导致高估生活性基础设施对劳动力的影响而低估生产性基础设施对企业的作用。这种测量误差会进一步加剧城市基础设施变量的内生性偏误。

对于存在内生性的变量，普通最小二乘(OLS) 法无法得到一致的无偏估计量。为解决内生性问题，我们首先将城市基础设施变量滞后一期，从而避免了同一时期中，解释变量和被解释变量之间的反向因果关系导致的内生性问题。其次，我们采用工具变量(Ⅳ) 法来解决测量误差，利用城市土地出让收入的变化作为工具变量，通过二阶段最小二乘法(2SLS) 对方程(6) 进行估计。选取城市土地出让收入变化作为基础设施的工具变量，主要是出于以下两点考虑：第一，在我国的城市化进程中，土地要素发挥了十分重要的作用，土地开发与城市基础设施建设具有密切联系。土地不仅仅作为一种投入要素直接投入生产，更重要的是作为一种地方政府招商引资的优惠政策手段，显著地促进了城市经济的增长(He et al., 2014；王贤彬等，2014)。20世纪90年代以来，土地要素市场化改革的启动是促成中国基础设施建设飞速发展的关键条件(汤玉刚、陈强，2016)。通过一级土地开发，地方政府获得了大量的土地出让和融资收入(郑思齐等，2014；颜燕、满燕云，2015)，这为城市基础设施建设提供了资金支持(刘守英、蒋省三，2005；Fan et al., 2016)。第二，出于招商引资的考虑，地方政府往往将土地开发收入用于兴建生产性基础设施，比如工业园区的“三通一平”建设，这恰好可以修正城市基础设施定量测度中，由数据缺失导致的城市生产性基础设施低估的问题，从而使估计更加准确。

为检验劳动力异质性情况下，基础设施对工资收入的影响，我们将基础设施变量与居民教育水平的交叉项引入Mincer工资方程作为实证检验的扩展模型：

$ \text{In}{{W}_{ij}}={{\gamma }_{0}}+{{\gamma }_{1}}{{S}_{j}}{{Z}_{ij}}+{{\gamma }_{2}}{{S}_{j}}+{{\gamma }_{3}}{{Z}_{ij}}+{{\gamma }_{4}}{{X}_{j}}+{{v}_{ij}} $

(7)

在扩展模型中，交叉项S_jZ_ij是本文实证分析关注的第二个核心变量。为更好地解释系数的意义，我们在回归估计中对连续变量S_j和Z_ij进行了中心化处理，减去了变量的均值。对于扩展模型我们同样采用2SLS方法进行估计，S_j的工具变量与基准模型相同，交叉项S_jZ_ij的工具变量是居民教育水平与工具变量的交叉项。

(二) 数据来源与处理

本文实证分析主要采用的是微观尺度上的居民数据和宏观尺度上的城市数据。其中，居民微观数据来自2002年和2007年“中国家庭收入调查(CHIP)”，该数据由中国社会科学院经济研究所与国际统计局合作完成，由北京师范大学中国收入分配研究院提供。CHIP-2002调查涵盖了北京、重庆、山西、辽宁、江苏、安徽、河南、湖北、广东、四川、云南、甘肃等12个省(市)，CHIP-2007在此基础上又涵盖了浙江和上海2个省(市)。CHIP数据提供了这些地区中城市常住居民户在个人收入，教育水平，工作就业等方面的丰富信息。本文选取CHIP数据主要是出两方面的考虑：首先，CHIP数据随机来自国家统计局调查的更大样本，具有全国代表性(刑春冰，2010)，这确保了实证分析的结果能够正确反映中国城市基础设施水平对居民工资收入的影响。其次，CHIP数据中提供了详细的居民个人年(月) 收入以及工作小时、月数和天数的数据，由此我们可以较为准确的估算出居民的小时工资。这对估计Mincer工资收入方程来说十分重要，能够有效避免使用个人年(月) 收入所导致的测度误差(刘泽云，2009)。

地区尺度上的城市数据主要来自《中国城市统计年鉴》、《中国城市建设统计年鉴》、《城市区域经济统计年鉴》和《中国房地产统计年鉴》，提供了各城市人口、经济发展和基础设施建设等方面的数据。工具变量的数据来自《中国国土资源统计年鉴》，提供了各个地级市历年从土地开发中获得的土地出让收入数据。

CHIP调查中既包括关于户籍人口的城市住户调查，也包括非户籍人口的城市农民工调查。每个调查中都给出了居民所在地的城市六位代码。我们分三步对数据进行了处理：第一，将城市住户和农名工按照其城市代码合并，由此获得了每一个城市的常住人口数据集。第二，根据我们的研究目的，进一步对城市常住人口数据集进行了处理，将居民的年龄范围限定在16到60周岁，将居民在参与调查时的身份限定为工作或就业，对于没有或者错误报告关键变量指标(如收入、教育水平、职业) 的居民样本进行了删除。第三，根据城市代码，将常住人口数据集与地区尺度上的城市数据匹配，剔除那些数据缺失或者无法对应代码的城市和地区。2002年样本包括来自57个城市的12197个城市常住居民，2007年样本包括来自18个城市的11425个城市常住居民。

(三) 解释变量选取

1.城市基础设施水平变量

已有文献往往将各种基础设施同时引入回归分析(Blomquist et al., 1988)，这样做的缺陷在于，基础设施类型众多，往往难以将全部基础设施都包括进来(Gabriel and Rosenthal, 1999)，各个基础设施变量之间往往高度相关，又可能导致多重共线性问题(Roback，1982)。此外，不论是居民还是企业，对于城市基础设施水平往往会从整体上进行综合考虑。因此，本文使用一个综合指数来反映城市基础设施的总体水平。根据数据的可获取性和完备性，选取3大类基础设施10个指标变量来构建城市基础设施水平评价指标体系(见附表 1)。利用因子分析方法，我们分别计算了2001年和2006年城市基础设施水平的综合指数(见附表 2)，并将这个指数作为度量城市基础设施水平的变量(Infrastructure)，这是一个正向指标，数值越大，表明城市基础设施水平越高。前文已经讨论了基础设施水平的内生性问题，我们选取城市土地出让收入的增量(ΔLand_sale) 作为基础设施水平的工具变量。

2.个人特征变量

本文中主要关注城市居民在教育水平上的异质性，居民受教育水平变量(Education) 由居民接受各种类型教育的年份总数度量，这也是传统工资收入方程中最重要的个人特征解释变量。相关文献均指出，遗漏个人能力变量将会导致对教育回报率的估计产生偏误，一个合理的解决办法是寻找能够衡量能力的代理变量(Blackburn and Neumark, 1992)^①。根据CHIP调查问卷的实际情况，我们在2002年的样本中，选取居民是否为党员，构建虚拟变量(CPC_member) 来反映居民的个人能力，在2007年的样本中，并未提供居民的入党信息，因此我们选取居民在取得最终学历时在班上的成绩情况，构建虚拟变量(Performance) 来反映居民的个人能力。此外，我们还控制了其他个人特征，主要包括居民的户籍身份(Hukou)、性别(Gender)、工作经验(Experience) 及其平方项(Experience²)、工作合同性质(Contract) 和从事的行业(Sector)。

①另一种解决办法是将教育水平视为内生变量，采用Ⅳ估计方法。我们也曾尝试将居民父母受教育的水平作为教育的工具变量进行回归，结果并未通过内生性检验，因此本文并未对教育水平进行Ⅳ估计。

3.其它城市特征控制变量

为了正确估计城市基础设施水平对居民工资收入的影响，我们在回归方程中还引入了一些与居民工资收入相关的因素。主要包括：城市人口规模变量(Population)，由城市户籍人口数量反映，由此控制住了大城市工资溢价的影响；城市生活成本变量(Cost)，由于被解释变量是居民个人的名义工资，而名义工资随地区生活成本的上升而提高，因此必须控制居民所在城市的生活成本对名义工资的影响。在中国居民生活消费支出中，住房支出所占的份额通常最大，在城市间的差异也最明显，因此，选用城市住房价格来度量生活成本^②。此外，参考郑思齐(2011)的做法，本文构建了一个反映城市自然气候的变量(Climate_index)。将城市样本中夏季温度平均气温最低值和冬季平均温度最高值设定为最宜居的气候温度，然后测算了每一个城市的夏、冬两季温度与最宜居气温的距离差异，由此得到了一个反映城市自然条件指数，该指数越大，城市与最宜居气温的差异就越大，城市自然宜居条件就越差。由于城市气候条件是由城市的自然地理属性(如经纬度，是否临近海洋) 外生地决定的，在模型中引入自然气候变量相当于控制了城市自然地理区位条件对企业和居民区位选址的影响。

②2001年房价部分来自于《中国房地产统计年鉴2002》，部分由作者根据网络信息搜集整理；2006年房价全部来自于《中国区域经济统计年鉴2007》。

五、 实证结果分析 (一) 基准模型结果分析：基础设施水平对居民工资收入的影响

表 2报告了利用2002年样本和2007年样本对基准模型进行估计的结果。OLS估计结果显示，Infrastructure的系数显著为正，这初步证实了城市基础设施水平对工资收入的正向溢价作用。鉴于基础设施的内生性，采用土地出让收入变动作为工具变量，对基准模型进行了2SLS回归。与OLS估计结果相比，在控制了基础设施的内生性之后，两年样本中Infrastructure的系数均为正且在1%水平上显著，因此，基础设施水平提高确实带动了居民工资收入的上涨。这符合命题1的推断：企业对基础设施的偏好高于居民，企业支付给居民更高的名义工资以补偿其生活成本的上升，基础设施水平高的城市名义工资水平也相对更高。这也为中国城市人口流动中，奔向北上广的现象提供了解释。一方面居民可以享受大城市良好的基础设施带来的宜居性，另一方面，基础设施改善带来的生活成本上涨由企业负担，因此居民还可以在大城市获得更高的名义工资。宜居性与高工资增加了大城市的吸引力，推动劳动力不断地向大城市集聚。

值得注意的是，两个2SLS估计系数(0.094和0.126) 明显要高于两个OLS估计系数(0.028和0.071)。Infrastructure变量的构建中，反映宜居性效应的指标较多而反映生产性效应的指标较少，而工具变量土地开发收入则更多地用于生产性基础设施，这很好地修正了由数据缺失导致的内生性偏误，使得2SLS估计系数更加准确地估计了基础设施对居民工资收入的影响。

2SLS结果还显示了个人特征变量对工资的影响。在控制了个人能力(变量CPC_member和变量Ability) 之后，2002年和2007样本中，教育的回报率分别为6.7%和6.5%，经验的回报率分别为19.5%和25%。在相同的城市中，城市户籍居民收入要高于农民工，这与现有的关于户籍歧视的研究一致，户籍制度限制了农民工在城市中的就业机会，降低了农民工的工资收入。其它个人特征因素对工资的影响与已有文献结论类似，具体而言，男性的工资水平要高于女性；与工作单位签订固定合同的居民工资收入更高；工资收入与居民从事的行业部门相关，在第三产业部门中工作的居民的工资水平比其它产业部门中工作的居民高。

除了基础设施以外，其它城市特征变量也对工资收入产生显著影响。Cost的系数为正，这与名义工资随生活成本上升的事实相符。在控制了城市生活成本的情况下，Population变量在2002年样本中系数为正，而在2007年样本中为负。这与陈旭、陶小马(2013)的理论研究结论相符，劳动力实际工资水平与城市规模之间存在一种倒U型关系。随着人口和产业规模不断扩大，城市聚集经济水平的提高，居民可以从聚集经济中获益，从而劳动力实际工资随城市规模上涨；但大城市存在拥挤效应，当拥挤效应超过产业的外部规模经济效应时，城市实际工资率便会下降。控制变量Climate_ index变量的系数为负，在其他条件相同的情况下，企业和居民显然更愿意选择在气候适宜的城市生产生活。

表 2的最后两列报告了2SLS估计的标准化系数结果，由此我们可以比较各个变量对工资收入影响的大小。通过比较各个变量的标准化系数，不难看出，个人特征中教育水平(2002年样本) 和工作经验(2007年样本) 是影响居民工资收入的最重要因素。在控制了其他城市特征之后，基础设施变量的标准化系数在2002年样本中为0.103，2007年样本中为0.083，这意味着2002年和2007年城市基础设施水平提高一个标准单位，将分别带动城市居民工资水平上升10.3%和8.3%。尽管基础设施对工资的影响比教育水平或者工作经验小，但城市尺度上基础设施水平的改善仍然会对微观层面上居民工资收入产生显著地溢价作用。这间接支持了Gabriel and Rosenthal (1999)的观点，遗漏地理特征将导致对居民收入的估计产生偏误。

(二) 扩展模型结果分析：劳动力异质性与基础设施水平对工资收入的影响

为检验基础设施水平的工资溢价效应是否受到劳动力异质性的影响，我们以劳动力的教育水平为例，对基准模型进行扩展。表 3报告了扩展模型的估计结果。

与基准模型的估计结果相比，基础设施和教育水平变量的系数和显著性并未发生明显变化，而交叉项的系数为正并且在1%的水平上显著。基准模型中已经证实了基础设施水平的工资溢价效应，扩展模型结果则证实这种溢价效应在不同教育水平的居民之间存在差异。2002年样本中，交叉项的系数较小(0.005)，溢价效应在不同教育水平居民间的差异尚不明显。但随着城市基础设施建设的加强，居民和企业对基础设施的需求不断提高。在2007年样本中，交叉项系数显著上升(0.020)，溢价效应与居民教育水平的相互影响有所增强。基础设施水平对工资的影响随居民的教育水平提高而增加。我国城镇居民教育回报率在地区间的差异十分显著，已有文献往往从能力群分、城市集聚经济、生活成本等方面进行解释(柴国俊、邓国营，2012)，本文为这一现象提供了一个新的解释视角，在控制了居民工作能力、城市规模和生活成本等因素之后，城市基础设施水平对教育回报率的地区差异具有显著影响，而且这一影响呈现逐年递增的趋势。

为进一步检验基础设施的工资溢价作用在不同教育水平劳动力之间的结构性差异，参照杜两省、彭竞(2010)的做法，我们根据居民的受教育年份将居民划分为两个样本：高学历居民样本，包括那些受教育年份为15年及以上的居民，相当于拥有大专及大学本科以上的学历；其他居民则被划分到低学历居民样本中。表 3的最后4列报告了高学历和低学历居民样本的估计结果^①。2002年，高学历居民与低学历居民获得的工资补偿的差异很小(9.4%和8.9%)。2007年，在高学历居民样本中，基础设施变量的系数(0.307) 明显高于低学历居民样本中的系数(0.091)。当城市基础设施水平增加一个单位时，高学历居民的工资将上涨30.7%，是低学历居民工资上涨幅度的3.4倍。这证实了命题3的推断，高学历居民比低学历居民消费更多的土地商品，面临更高的生活成本，因此他们将会从企业处获得更多的货币工资补偿。这一结论与现有文献相类似，例如，Beeson (1991)对美国城市教育回报率进行实证检验，结果表明教育回报率会随着城市医疗基础设施水平的提高而上涨。

①由于已经控制了居民的教育水平，高学历和低学历居民样本的回归中没有加入教育和基础设施的交叉项。

(三) 稳健性检验

1.异方差与内生性相关检验

回归分析中采用的是截面数据，为控制潜在的异方差问题，我们采用稳健性标准差，对每个城市进行了聚类。另一种控制异方差的方法是采用广义矩(GMM) 估计，由于GMM结果与2SLS相差不大，我们并未在文中报告相应结果。

采用工具变量法的前提条件是，城市基础设施水平确实是内生的。如果该条件得不到满足，OLS估计将比2SLS估计更有效。因此，我们首先对城市基础设施变量进行了基于稳健性标准差的内生性检验。此外，合适的工具变量必需与内生变量高度相关，弱工具变量将导致2SLS估计结果偏向OLS估计结果，这种情况下Ⅳ估计的结果会产生严重误导(Stock et al., 2002)。我们对工具变量的强弱进行了检验，表 2和表 3的最后部分报告了检验结果。在基准模型和扩展模型中，所有内生性检验统计量均在1%的水平上显著，由此可以拒绝外生性的原假设，在回归中将基础设施变量认定为内生变量，采用工具变量法进行估计。根据第一阶段回归的结果，调整R方的数值较高，而F统计量均在1%水平上显著，因此可以推断模型整体通过了弱工具变量识别检验，本文实证分析的结果在统计上是有效且一致的。

2.样本偏误控制

本文实证分析所采用的城市居民总样本是由该城市的户籍居民调查和农民工调查合并获得的。在原始CHIP调查中，并非所有城市都同时调查了户籍居民和农民工。部分城市只有户籍居民样本而没有农民工样本。现实中，缺乏户籍可能导致农民工无法和本地居民一样，享受教育和医疗等公共基础设施，因此，农民工可能对城市基础设施水平的变动并不敏感，由此导致城市居民总样本的估计结果不能正确地反映中国城市基础设施水平对工资的影响。为此，我们调整了城市居民样本，剔除了那些不包含农民工样本的城市，获得了一个户籍居民和农民工平衡的样本，对基准模型和扩展模型进行了重新估计，表 4报告了估计结果。可以看出，与原有城市总样本的估计结果相比，基础设施水平变量的系数以及基础设施水平和教育交叉项的系数之间并无显著差异，证实了模型结果的稳健型。基础设施水平增加仍然会导致城市名义工资的上涨，这一结论与夏怡然、陆铭(2015)的结论类似，即使存在户籍歧视，劳动力依然会选择流向基础设施和公共服务更高的城市。

六、 结论和政策建议

基础设施水平的提高，同时改善了城市人居环境和企业投资环境，提升了城市对人口和企业的吸引力。企业和人口的集聚改变了城市劳动力市场上的供给和需求，由此导致均衡工资的变动。本文将2002年和2007年“中国家庭收入调查(CHIP)”的微观个人数据与个人所在地级市的城市特征数据相结合，将城市土地出让收入变动作为城市基础设施的工具变量，通过2SLS方法实证检验了基础设施水平对居民工资收入的影响。研究结果表明，在控制了居民个人特征，居民所在地的生活成本和城市规模之后，基础设施水平对城市居民工资收入具有正向的溢价作用。2002年和2007年样本中，城市基础设施指数每提高一个单位，将分别带动城市居民名义工资上涨9.4%和12.6%。估计结果还显示，基础设施水平对工资收入的溢价作用受居民教育异质性的影响。居民教育水平越高，基础设施水平的溢价作用越大，2007年样本中，城市基础设施水平提高一个单位，高学历居民的工资上涨30.7%，是低学历居民工资上涨幅度的3.4倍。估计结果通过了各种内生性检验，在控制了样本选择偏差之后，基础设施水平对工资收入的溢价作用依然稳健。

本文的研究结果具有重要的政策含义。一方面，基础设施水平对工资的正向溢价效应意味着城市居民获得了相应的工资补偿。从这个意义上说，奔向北上广等基础设施水平良好的大城市只是劳动力在工资收入和城市生活成本进行权衡之后的理性选择，是城市劳动力市场均衡的必然结果。简单采取限制措施来控制大城市人口规模，人为干预城市劳动力市场的供给，显然违背了城市劳动力市场的客观规律，结果往往事与愿违。另一方面，传统工资实证分析中往往认为微观尺度上的个人特征是影响工资收入的主要因素，本文的研究结果表明，宏观尺度上的城市特征，特别是基础设施水平同样对居民工资收入具有重要影响。与城市的自然地理特征不同，城市基础设施水平是可改善的。从这个意义上说，加强中小城市基础设施建设，提高中小城市基础设施水平，对于提高城市工资水平和教育回报率都有显著作用，有助于缩小中小城市与大城市的工资差距，促进地区均衡发展。

本文也存在一定局限。首先，本文使用的是2002年和2007年的数据，相对比较陈旧。近十余年，城市土地开发规模飞速扩大，城市基础设施投资高速增长，可以预见基础设施和公共服务在居民跨地区流动和工资决定中的作用将会越来越重要(夏怡然、陆铭，2015)。其次，实证分析中对基础设施的度量只是反映了城市基础设施的水平而不能反映其质量，这也是现有关于基础设施文献中一个亟待解决的问题。随着城市化进程的不断提高，城市居民对城市基础设施质量的需求显然会更高^①，不同类型的居民对高质量基础设施的偏好也存在显著差异^②，由此导致基础设施的工资溢价效应的个体差异更加明显。因此，在下一步的研究中，利用更新的微观数据库，构建更合理的指标定量分析城市基础设施水平及其在不同类型居民间的差异将是作者重点解决的问题。

①例如，孟兆敏(2014)以上海市为例，通过问卷调查获取微观数据，实证检验了2010-2012年间上海居民对公共服务需求偏好。结果显示，在快速城镇化背景下，当前居民对公共服务的需求不仅有数量增加，在质量、环境和水平上均有所要求。

②根据周绍杰等(2015)的研究，2010-2014年的中国民生指数调查数据显示，个体对教育、医疗等基础设施服务的评价认识存在明显的人群差异。例如，高学历家庭往往对公共服务提供具有更高的需求和质量要求。