四 农业劳动力转移与贫困治理的实证检验

（一）描述性统计分析

本以贵州省2000～2016年相关变量数据为基础，运用SPSS11.5统计分析软件对数据进行分析。首先对各变量进行Z-score标准化处理，从而得到Z-score新变量，然后对Z-score新变量进行描述性统计分析，结果如表1所示。其中控制变量资本密集度的标准差相对较大，其他变量的标准差相对较小。进一步分析可知，即通过各变量Pearson相关分析可知，其中区域贫困作为被解释变量除与农业劳动力转移有显著的负相关关系外，与其他5个控制变量在10%的显著水平下，均呈显著的负相关或正相关关系。

表1 变量的描述性统计分析

（二）实证分析与结果

以2001～2017年《贵州省统计年鉴》的统计数据为基础，运用公式，对农业劳动力转移与减贫进行多元回归模型模拟，结果见表2。通过表2模型模拟检验结果，由DW、F、校正R²等数值判定判断，变量是否通过了显著性检验，由DW值可知，该模型的变量间是否存在序列自相关问题；由F和校正R²值可进一步分析，该模型的模拟在整体上是否有效。据此，模型Ⅱ和模型Ⅲ是无效的模拟结果，主要是变量存在自相关，所以，可以不考虑。

1.农业劳动力转移对贫困治理的影响分析

由模型Ⅰ可知，因本模拟主要基于农业劳动力转移与减贫二变量之间的关系，所以不用考虑变量自相关问题。由模型I可知，农业劳动力转移与贫困程度是负相关关系，即农村劳动力转移对贫困程度的影响为负，且在10%的水平下显著。也就是说，农村劳动力转移提供了农民获取更高收入的机会，尤其是从事生产效率较高的非农就业，增加了农民的非农收入，有利于减贫。同时，《贵州省统计年鉴》数据资料可以证明这一点，贵州省农民人均纯收入从2000年的1374.16元增加到2016年的8090元，其中非农收入占农民人均纯收入总额的比例则相应由36.09%增加到74.82%。

2.控制变量对贫困治理的影响分析

由模型VII检验结果可知，根据DW=2.63、F=103.31、校正R²=0.97等指标判断，所有变量都通过了显著性检验，由DW值可知，该模型的各变量间不存在序列自相关问题；由F和校正R²值可知，该模型的模拟在整体上是有效的。因此，控制变量对减贫模拟是有效的，而且各变量也基本符合预期假设（见表2）。

表2 农业劳动力减贫效应的估计结果与检验

续表

第一，产业结构层次与贫困程度呈负相关关系，即产业结构层次越高，第三产业越发达，尤其是餐饮、服装、家政等行业对劳动力需求越大，从而进一步推进农村劳动力转移，特别是2015年6月以来贵州省取消了农业和非农业户口的登记制度政策，更加提升了农村劳动力转移程度，进而增加了农民的非农收入。

第二，农业劳动生产率与贫困程度呈负相关关系，且在1%的显著性水平下，贵州农业劳动生产率的提高有利于农民减贫。进一步分析可知，提高农业劳动生产率就是提高其单产的劳动效率，从而增加农民的农业收入和非农收入。同时，农业劳动生产率的提高也表明其对劳动力数量需求的减少，从而促使农业劳动力向非农产业部门转移，进而增加了获取较高收入的机会，这样也会减少贫困发生的可能性。

第三，城乡居民收入差距与贫困程度呈正相关关系，且在1%的水平下显著，城乡收入差距拉大不利于减贫，即城乡收入差距越大越不利于农民减贫。进一步分析可知，城镇居民收入高于农村居民收入，城乡收入差距较大，主要是因为农民收入低，农民收入低可能导致其接受教育和接受技能培训等机会就会受到限制，这样可能迫使农民更多倾向于依靠体力劳动或简单农业生产活动获取收入，而这种收入报酬层次相对非农收入要低很多，一定程度上还难以满足农民基本的生活需求，其陷入贫困的可能性就明显增加，也不利于脱贫。

第四，资本密集度与贫困程度呈负相关关系，且在1%的水平下显著，资本密集度越高越有利于减贫。资本密集度高说明全社会固定资产投资高，其经济活跃程度、资本深化程度越高，与之相应的劳动力需求就会增加，从而促进了农业劳动力的转移，进而增加了农民的非农收入，因此，有利于减贫。

第五，受教育水平与贫困程度呈负相关关系，且在1%的水平下显著，受教育水平提高有利于减贫。进一步来看，受教育水平越高，其获得就业的机会就越多，促进农业劳动力转移的机会增加，其非农收入增加的机会也相应增加，从而有利于减贫。