一 引言及文献述要

中国经济在经历了多年高速增长后，自2012年起转为中高速增长，到2019年，GDP增速降至6.1%，今年在新冠肺炎疫情影响下有进一步下行的趋势。经济增速转变给中国经济结构调整带来深远的影响，学术界对此展开了大量研究。现有文献主要集中于宏观层面，讨论经济增速放缓的原因、可能的影响以及应对策略(刘伟和苏剑，2014[1]; 郑挺国和黄佳祥, 2016[2]; 蔡昉，2016a[3]; 林建浩和王美今，2016[4]; 张华，2017[5]；陈彦斌等, 2018[6]；Bai和Zhang, 2017[7]; Lu, 2017[8]; Blagrave和Vesperoni, 2018[9]; Lin, 2019[10]; Tian, 2019[11])。这些研究对于深刻理解我国宏观经济的变化颇有益处，但由于缺乏微观证据的支撑，较少文献研究经济增速放缓所带来的冲击对微观个体的影响，比如个人收入和就业是否受损，如果受损，哪些人群损失更为严重，其背后的机制又是什么。本文试图对这些问题作出回答。

解析经济增速放缓给微观个体带来的影响有一个难题，即与经济增速下行冲击无关的因素可能也会影响微观个体变量在时间维度上的变化。比如，近年来全国层面的技术变化如互联网技术应用发展，与经济增速下行冲击一样，也可能会引起就业率的变化。直接比较微观个体在冲击前后就业的变化，并不能区分这两类冲击的影响。对此问题，本文借鉴Hershbein和Kahn(2018)[12]、Yagan(2019)[13]的做法，利用经济增速下行冲击在地理空间上的差异来识别，即虽然各地都受到了全国层面的共同冲击，比如技术冲击，但一些地区受经济增速下行冲击的影响大，而另一些地区受经济增速下行冲击的影响小，区域之间所受冲击的差异反映的是经济增速下行冲击，而非全国的共同冲击。在此基础上，结合微观调查数据，通过微观个体变量在冲击前后的变化及其在空间上的差异，来分析经济增速放缓对微观个体收入与就业的影响。

以上识别方法需要解决两个技术上的问题。一个是数据问题，需要经济增速放缓前和放缓后微观个体的追踪调查数据，据此来比较微观个体在冲击前后的变化，也需要调查样本的地理空间信息，以识别其所受到的冲击大小。在本文所能获得的数据中，没有同时符合这两个要求的(1)本文界定经济下行冲击发生在2007-2012年间，见脚注2及论文第二部分的解释。为此，需要2007年前及2012年后的数据。在对外公开的微观调查数据中，符合此要求的只有中国健康营养调查(CHNS)和中国家庭收入调查(CHIP)数据，前者是追踪调查数据，但缺少调查样本的地理空间信息，后者有地理信息，但不是追踪调查数据。。为此，借鉴Hoynes et al.(2012)[14]、McKernan et al.(2014)[15]等所用的组别合成法(Synthetic Cohort Approach)，按照地理区位和年龄合并调查样本，以此来构造可以在冲击前后及空间上进行比较的样本。另一个是内生性问题，比如，受经济增速下行冲击影响大的区域，所在地微观个体的经济状况可能本来就较差。在这种情况下，普通的最小二乘法会低估经济增速放缓带来的影响。为了克服这个问题，本文采用Bartik(1991)[16]的偏离份额法(Shift-share Method)，利用全国各产业增加值的增长率和冲击前每个区域相应产业所占的比重来构造工具变量。该工具变量反映的仅是各区域受经济增速放缓的影响，而与各地受到的其他特定冲击无关。

具体而言，考虑到我国的经济增长速度在2007年达到一个峰值，从2012年起有明显下降，本文以各省在2007和2012两年间的经济增速变化来衡量经济增速下行冲击，并利用中国家庭收入调查中离这两年最近的数据即CHIP2002和CHIP2013，按照调查样本所在省份和年龄段合成数据，然后建立差分模型，采用两阶段最小二乘法(2SLS)，通过合成组在冲击前和冲击后及空间上的变化，来识别经济增速放缓时微观个体收入和就业所受到的影响(2)2007年我国GDP增速达到了峰值14.2%，自2008年国际金融危机后，经济增速开始下降，2012年降至8%以下，发生了明显变化。因此，以2007和2012两年间经济增长率的变化来衡量经济下行冲击，论文第二部分对此有详细说明。文献中也有类似的界定，比如蔡昉(2016b)[17]认为，鉴于我国政府始终把“保八”作为经济增长目标的底线，因此把增长率持续低于8%的起始年份2012年作为经济显著减速的转折点。。为了研究经济增速放缓对微观个体的异质性影响，本文将调查样本按年龄、性别和受教育程度分组进行讨论。最后，结合微观个体收入与就业所受到的影响，讨论了经济增速放缓作用于微观个体的机制。

本文研究结论是：经济增速放缓对个人收入没有显著影响，但就业在经济增速放缓后有明显变化，相对于其他地区，如果一个地区经济增速下降1个百分点，则其就业率减少约2个百分点。不考虑内生性时，经济增速放缓对就业的影响会被低估。该结果在考虑了各省在冲击前的增长趋势、经济规模、产业结构和出口比重后，仍是稳健的。分年龄段来看，年轻组的就业受经济增速下行冲击的影响最为明显。分教育程度来看，小学及以下教育人群的就业率下降更多。分性别来看，女性受到的影响更大。个人的非理性预期、企业的破坏性创新和劳动力市场的错配是经济增速放缓影响微观个体收入与就业的主要途径。

本文主要贡献可能在于从微观层面研究了经济增速下行对我国居民就业和个人收入的影响，从而弥补现有文献在该领域上的不足。目前关于我国经济增速放缓的研究主要是从宏观层面讨论其原因、影响及应对策略，缺乏微观层面的证据。但在国际上，越来越多的文献注重基于微观数据讨论经济增速变化。比如，Jensen和Johannesen(2017)[18]研究了金融危机对丹麦个人消费信贷的作用，Hoynes et al.(2012)[14]、 Hershbein和Kahn(2018)[12]以及Yagan(2019)[13]研究了经济衰退对美国个人工资、就业以及高技能工人需求的影响。

本文的另一个可能贡献是通过组别合成法，克服了非追踪调查数据跨年比较时遇到的困难，为我国此类调查数据的应用提供了一个新思路。众所周知，由于样本流失严重，追踪调查，特别是长时期的追踪调查，往往不易开展。常见的微观调查样本在每个调查年份是随机抽取的，这给微观个体行为的跨年比较分析带来了很大挑战。通过组别合成法所构造的样本，尽管不是严格意义上的微观个体，但可以组成面板数据进行跨期比较，从而在一定程度上扩展了非追踪调查微观数据的应用范围。

此后内容安排如下：第二部分比较了经济增速放缓前后个人收入和就业的变化，第三部分是经济增速下行冲击影响微观个体的识别方法介绍和变量说明，第四部分是基本估计结果和稳健性检验，第五部分讨论了经济增速下行冲击的异质性影响，第六部分是经济增速放缓影响微观个体的机制讨论，最后是结论。

二 收入和就业在经济增速放缓前后的变化

先看近年来我国经济增长速度的变化。图1显示，2007年前GDP增长速度一直保持上升态势，在2007年达到峰值14.2%。从2008年国际金融危机开始，经济增速明显下降，虽然受经济强刺激的作用，GDP增速在2010年有所回调，但其后逐年下滑，到2012年，降至7.9%，其后一直处在我国政府沿用多年的“保八”底线之下。显然，2012年是我国经济的重要转折点，经济增速自此由高速转变为中高速，本文正是利用2007和2012两年间经济增长速度的变化来衡量经济增速下行冲击。

图1 近年来全国GDP增长率(%) 图2 地区间受经济增速下行冲击影响的比较

为了观察各地受经济增速放缓影响的差异，根据各省GDP增长率在2007和2012两年间的变化，把全国省级区域分为两组，一组是变化幅度比较大的，即受经济增速放缓影响较大的地区，另一组是变化比较小的，即受影响相对较小的地区，然后计算两组中各省GDP增长率均值的差值，据此判断地区之间所受影响的差异，结果见图2(3)按2007和2012两年间各省GDP增长率的变化排序，发现湖北省是中位数，下降了3.3%。因此，在图2中把GDP增长率下降大于3.3%的省份界定为受经济下行冲击影响较大区域，包括北京、山西、内蒙古、辽宁、吉林、上海、江苏、浙江、福建、山东、河南、湖南、广东、广西、海南，把GDP增长率下降小于3.3%的其他省份界定为受冲击影响较小区域。。从中可看出，2007年之后，受影响较大省份的经济增长速度明显低于受影响较小省份，这种差异在2012年接近2.3个百分点，达到了极值，其后地区之间的差异有所波动，但截至2017年，地区之间的差异依然明显。下文正是利用地区之间受经济增速下行冲击的不同来识别经济增速放缓对微观个体的影响。图2的另一个特征是：在2007年之前，受经济增速下行冲击影响较大地区的经济增长率明显高于受冲击较小地区，这种差异在2002-2007年之间最为突出。这似乎说明，冲击前增长速度快的地区可能正是受冲击影响大的地区。

接下来比较经济增速下降前后个人收入和就业的变化。具体的做法是，采用中国家庭收入调查(CHIP)数据，以CHIP2002作为冲击前的样本，CHIP2013为冲击后的样本，选择16-65岁的城镇样本为研究对象，计算样本当年收入的平均值，以及就业人数所占的比重即就业率，并按年龄、性别和受教育程度分组进行讨论。之所以选择这两个年份的调查数据，是由于在CHIP数据中，这两个年份是离冲击前和冲击后即2007年和2012年最近的调查数据(4)CHIP由北京师范大学中国收入分配研究院联合国内外专家共同完成，从1988年开始，进行了7轮调查，包括1988、1995、1999、2002、2007、2008、2013，本文选用冲击前后即2002和2013年两轮调查中的城镇住户数据。。为了便于跨年比较，利用各地的消费者价格指数，将2013年的收入以2002年价格计进行折算，结果见表1(5)表1中之所以按每隔9岁来分组，是为了和后文的实证分析相对应，关于分组的具体设定见论文第三部分。。

表1 分组收入与就业

表1显示，无论是从全样本还是分组样本来看，与2002年相比，2013年的个人收入都大幅上升，但上升的幅度在组别间差异明显。分年龄来看，年轻组(16-24岁)尽管收入相对较低，但增长最快，11年间增长了近2倍，年均增速约18%。随着年龄的增加，收入增长的幅度下降。对于年长组(61-65岁)，其年均增速不到8%。另一个特征是：高收入群体具有年轻化趋势，2002年时最高收入组是52-60岁的样本，到2013年，最高收入组已降至34-42岁。分性别来看，男性的收入明显高于女性，但女性收入的增长速度更快。从受教育程度来看，受教育水平越高的组别，其收入越高，但收入的增速却相对较低。

在就业方面，青壮年组(34-42岁)的就业率最高，年长组(61-65岁)和年轻组(16-24岁)的就业率最低。2002年到2013年，年轻组(16-24岁)的就业率增长最快，提高了约10个百分点，其他组别的就业率也有所增加，但52岁以上中老年组的就业率却在下降，特别是61-65岁这一组，就业率下降了约10个百分点。男性的就业率高于女性，但女性的就业率在样本期间增加更多。从受教育程度来看，大学及以上组别的就业率最高，小学及以下组别的就业率最低，从2002年到2013年，各组的就业率都有所增加，其中受教育程度较低人群的就业率增加相对更多。

图3 各地受经济增速下行冲击的大小(%)

以上分析表明，从总体上看，与2002年相比，个人收入和就业在2012年后有所增加，似乎说明经济增速放缓对收入和就业没有不利影响，但这只是跨年之间的简单比较，并未和经济增速下行冲击直接联系起来。为了研究经济增速下行冲击的影响，首先要测度经济增速下行冲击的大小。对此，研究中常用宏观经济指标的变化，如各地的失业率变化来度量(Bitler和Hoynes, 2015)[19]。由于缺少各地调查失业率的连续一致数据，本文采用GDP增长率的变化来度量。具体做法是，以CHIP调查中的12个省份为对象，计算各省GDP增长率从2007年(冲击前)到2012年(冲击后)的变化，以此来衡量各地经济增速下行冲击的大小，结果见图3(6)CHIP2002的调查覆盖12个省市，2013年的调查增加至15个省市，为了保持样本数据的前后一致性，本文以2002年的省份为研究对象，包括北京、山西、辽宁、江苏、安徽、河南、湖北、广东、重庆、四川、云南、甘肃等12个省市。。从中可看出，东部省份受经济增速下行的冲击较大，中西部省份相对较小。比如，北京和广东2012年的GDP增长率相比2007年下降了近7个百分点，安徽和四川下降仅2个百分点，云南和甘肃的增长率在2012年甚至有所提高。

图4 经济增速下行冲击与收入和就业变化的关系

测度各地经济增速下行冲击的大小后，利用CHIP数据，以省为单位计算2002年和2013年各地收入和就业率的均值及其在两年之间的变化，然后绘制散点图，观察经济增速下行冲击与收入和就业变化之间的关系(图4)。考虑到多数省份所受到的冲击是负值，为了易于解释，在图中对冲击大小做了符号反向处理，即数值越大，表示受到的冲击越大。从图4可以看出，收入和就业与经济增速下行冲击的关系不同，收入的变化和冲击呈正相关关系，而就业的变化和冲击呈负相关关系。也就是说，与受经济增速下行冲击影响小的区域相比，受经济增速下行冲击越大的区域，其收入上升越快，但就业率却增加较慢。散点图反映的只是变量之间的相关关系，而非因果关系，以下将建立模型，识别经济增速下行冲击给微观个体带来的影响。

三 研究方法与数据

本文运用差分方法，通过比较不同区域内微观个体收入和就业在冲击前后的变化，来识别微观个体受经济增速下行冲击的影响。比如，对于一个t=0年生活在某个区域的个体，从t=0到t年，其收入和就业的变化，与一个类似的个体但生活在其他受经济增速放缓影响不同的区域相比，有什么差异。构建估计模型如下：

ypi, t-ypi, 0=α0+α1gshockp+Xpiα2+δg+εpi

(1)

其中y是p地区第i个微观个体的收入或就业，t表示冲击后，0表示冲击前，gshock表示p地区所受到的经济增速下行冲击，X为微观个体的特征变量，δg表示组别固定效应，ε是随机误差项，变量的具体设定下文将做详细说明。式(1)实际上是类似于双重差分的模型，通过比较微观个体在时间上和空间上的双重变化来识别因果关系，α1是本文关注的关键参数，衡量的是经济增速下行冲击对微观个体的影响，即某个地区受一个单位的经济增速下行冲击会对该地微观个体的收入和就业产生多大影响(7)以上识别方法类似于双重差分(DID)方法，但并不等同，比如无需区分干预组和对照组来完成识别。。

估计模型(1)需要有冲击前和冲击后微观个体的追踪数据，且需知道微观个体所在的空间区位以识别其所受到的冲击。但遗憾的是，在本文所能获取的微观调查数据中，没有同时符合这两个要求的数据。为了解决这个问题，采用中国家庭收入调查数据(CHIP)，借助组别合成法来构造可跨年比较的样本。CHIP数据给出了调查样本所在省份的信息，利用该信息可以识别出微观个体对应省份受到的经济增速下行冲击(8)具体而言，本文是用CHIP数据中调查样本代码的前两位数来推断调查对象所在的省份。。如前文所述，本文以2007和2012两年间经济增长率的变化来度量经济增速下行冲击，CHIP中，离这两个年份最近的调查是CHIP2002和CHIP2013，因此选用CHIP2002和CHIP2013的数据，其中2002年代表冲击前，2013年代表冲击后(9)由于冲击发生在2007-2012年间，与此对应，微观个体的样本最好选择在冲击前后即2006和2013，但受数据所限，冲击前的样本本文选择的是2002年。从2002年到2007年之间有时滞，这可能会影响到本文估计结果的有效性。但本文的识别主要是依据合成组在空间上所受冲击的差异，如果2002-2007年间各地经济增速的趋势相同，那么各地经济增速在此期间的变化就没有明显不同。在这种情况下，分析2007-2012年间经济增速下行冲击对2002到2013年间微观个体收入和就业变化的影响是可行的。。由于CHIP不是追踪调查数据，不能直接用来比较微观个体在冲击前后的变化，所以借鉴Hoynes et al. (2012)[14]和McKernan et al.(2014)[15]使用的组别合成法来构造可以在冲击前后进行比较的“合成”样本(10)需要指出的是，组别合成法虽然可以用来构造在时间维度上可以比较的样本，但合成的过程不可避免地掩盖了合成组内微观个体的差异，如果这些差异会影响到合成组工资和就业在空间和时间维度上的变化，则本文的估计可能有偏。本文做法的价值在于利用有限的数据，为识别经济增速放缓冲击对个体的影响提供一个参考。如果要准确识别冲击效应的大小，需要运用追踪调查的微观个体数据。。具体做法是，以调查时年龄在16-65岁的城镇样本为对象，从16岁起，每3岁作为一组，把每个省的样本分为17组，然后计算每组内各变量的平均值，以此为合成样本的指标(11)需要指出的是，第17组仅包含64-65岁的人群。样本中剔除了在校学生、离退休人员和丧失劳动能力的人员。本文以3岁为一个年龄段来合成数据，是参考了McKernan et al.(2014)[15]的做法。用3岁的另一个考虑是，后文在研究冲击效应的异质性时，需要按年龄段的倍数分组，以3岁来分段，正好可以按9岁，即一代人来分组。。具体到模型(1)的估计，此时模型中的i表示合成样本，而非微观调查样本，p表示省份，g表示各年龄组，这样即可以在控制了个体特征和组别固定效应后，比较合成样本在冲击前后及省际间的变化，据此识别经济增速下行冲击的影响。

本文关注的是微观个体收入和就业的变化。收入为调查样本全年收入，包括工资、奖金、津贴、各种补贴以及经营性收入等。为了消除价格因素对收入的影响，采用各省消费者价格指数，将2013年的收入以2002年价格水平进行折算，组别合成后对收入取对数，再取2013和2002两年的差分，作为模型(1)的被解释变量。微观个体就业相应变量取0或1，即调查时处于就业状态为1，其余为0。在组别合成后，该变量表示在该组内就业人数所占的比率，即就业率，研究就业所受影响时，被解释变量为就业率在2002和2013两年间的变化。

为了控制微观个体特征对估计结果的影响，在模型中加入了年龄、年龄平方、性别、是否结婚、是否为城镇户口、教育状况等控制变量。除了年龄和受教育程度外，其他均为虚拟变量，其中男性为1，女性为0；已婚为1，未婚为0；城镇户口为1，其他为0。对于受教育程度，分为三类，即受小学及以下教育、受中学(含中专)教育、受大专及以上教育。需要指出的是，在组别合成后，这些变量并非严格意义上的虚拟变量或分类变量。比如，对于性别，在合成样本中，实际上是男性所占的比重，而非0-1变量。

经济增速下行冲击gshock是关键变量。如前文所述，用2007和2012两年间各省GDP增长率之差来衡量各地所受冲击的大小，数据来源于历年《中国统计年鉴》。对于多数省份，该差值为负，为了便于解释，对其做了符号反向处理。如果某个省经济增长率在此期间下降得越多，即gshock的数值越大，则表示该省受经济增速下行的冲击相比于其他省份更大。本文正是利用省份之间所受冲击大小的不同来识别经济增速放缓对微观合成样本的影响是否有差异。直接使用各地宏观变量的变化来衡量冲击是文献中常用的方法(Bitler和Hoynes, 2015[19]; Yagan, 2019[13])，但这样做可能存在内生性问题。如果受经济增速下行冲击影响较大地区微观个体的经济状况本身就差，或者是如果微观个体的行为会影响到各地宏观经济的表现，那么最小二乘法(OLS)的估计是有偏的。因此，本文构造工具变量，采用两阶段最小二乘法(2SLS)来估计模型。

对于工具变量的构造，采用Bartik(1991)[16]的偏离份额法，即用全国总体经济各产业增加值的增长率和各省相应产业所占的比重来预测各省在2012年和2007年的增长率，再用这两个增长率预测值之差作为工具变量(12)使用Bartik方法测度冲击是区域和城市经济学研究中常用的做法，例如Blanchard和Katz(1992)[20], Notowidigdo(2011)[21]以及Hershbein和Kahn(2018)[12]等的研究。。假设全国各产业增加值的增长率为gNS，p省第S个产业所占的比重为SharepS，那么p省经济增长率的预测值为：

(2)

利用2007年和2012年全国各产业增加值的增长率，结合2004年到2006年间各省各产业增加值所占比重的平均值，运用式(2)即可预测各省在2007年和2012年的增长率，从而计算Bartik工具变量，和gshock一样，对其做了符号反向处理。之所以采用冲击前即2004年到2006年间的产业结构数据，而不是2007-2012年间的数据，是为了避免2007年后经济增长对产业结构的影响。对于产业划分，采用了国家统计局9大产业的分法，包括农林牧渔业、工业、建筑业、批发零售业、交通运输业、住宿餐饮业、金融业、房地产业、其他行业，具体划分及数据来源见国家统计局网站。由以上方法构造的工具变量仅与各省在冲击前的产业结构和冲击后全国各产业的增长率有关，即经济增速下行冲击体现在全国各产业增加值增长率的变化上。假设各地区各产业受到的冲击和全国各产业相同，则地区之间所受冲击的大小差异取决于冲击前各地的产业结构，而与经济增速放缓期间各省的特定因素无关。这样构造的工具变量仅反映各地受全国经济增速下行冲击的影响，与各地受到的其他冲击无关，因此是一个比较理想的工具变量。

四 基本估计结果及稳健性检验

首先，根据式(1)估计经济增速下行冲击对个人收入的影响。表2列(1)的OLS估计结果显示，经济增速下行冲击的参数估计值为正，但并不显著。接下来，采用Bartik方法构造的工具变量，运用2SLS重新估计模型，结果见表2列(2)。由表2最下面三行报告的第一阶段估计结果可看出，Bartik工具变量和冲击变量高度相关，弱工具变量检验的F值为189，远超经验值10，根据Stock et al.(2002)[22]的研究，说明工具变量是有效的(13)为节省篇幅，2SLS估计的第一阶段回归结果仅报告Bartik工具变量的估计值及其稳健标准误，弱工具变量的F检验值报告在表2的最下面一行。在过度识别的情况下，检验工具变量的有效性还可以用Sargan或Hansen检验，但本文的模型是恰好识别，不能进行此类检验(Murray, 2006)[23]。。第二阶段的估计结果显示，此时经济增速下行冲击的系数由正变为负，表明经济增速放缓对收入有负面影响，但系数并不显著。在列(3)中加入微观个体的特征变量，仍采用IV估计，此时冲击变量的系数绝对值有所下降，但仍不显著。以上估计结果说明，经济增速下行冲击对个人收入没有显著影响，与受冲击影响较小的区域相比，受冲击影响较大区域中个人收入相对下降较多，但区域之间的这种差异在统计上并不显著。对此一个可能的解释是：本文采用的是经济增速下行后第一年即2013年的数据。识别的是冲击的短期效应，而在短期工资收入的调节较慢，后文将对此做进一步的分析(14)本文并不认为可以从该估计结果得出我国劳动力市场工资刚性的结论，因为受数据所限，本文只考虑了经济下行冲击的短期效应。。从控制变量来看，除了性别和户口在10%水平显著外，其他变量并不显著。

健康管理传入中国后，国家政策给予了较大程度的支持，使得健康管理有了一定的发展。2016年8月，由中国医药新闻信息协会主办，中国保健协会、中华医学会健康管理学分会等单位支持的中国首届精准健康管理高峰论坛暨精准健康管理分会成立大会在京召开。这次会议的召开标志着我国健康管理已经从经典的健康管理进入了精准健康管理的新高度。[8]精准健康管理是建立在个体基因检测的基础上，结合健康体检尤其是免疫细胞功能检测、健康档案、生活方式、动态监测和大数据分析解读等，对个体和不同人群提供精准健康评估、干预、督导、健康教育管理服务。精准健康管理时代的来临无疑为构建中国特色的健康管理模式提供了新的思路和要求。[9]

运用同样的方法估计经济增速下行冲击对就业的影响，结果见表2的列(4)-列(6)。由列(4)的结果可看出，采用OLS估计时，经济增速下行冲击的系数估计值为负，但不显著。列(5)的结果表明，采用工具变量后，弱工具变量检验的F值远大于10，说明工具变量有效，此时经济增速下行冲击系数的绝对值明显变大，且在1%水平显著。这表明经济增速放缓对就业有显著的负面影响，由于模型中存在内生性，OLS会低估冲击效应。在列(6)中加入微观个体的特征变量后，尽管冲击效应系数的绝对值有所下降，但仍较为显著。

表2 基本估计结果

根据表2列(6)的估计结果，相对于其他地区，如果一个地区的经济增长率下降1个百分点，则其就业率减少约2个百分点(15)该发现与奥肯定律指出的经济增长与就业率的变化方向一致，但系数的大小与奥肯定律有所不同。对此，有两个解释。一是本文采用的是经济增速下行冲击在空间上的差异来识别经济增速变化与就业率变化之间的关系，如Guren et al.(2020)[24]所分析，区域层面的估计结果未必和宏观数据的估计结果完全一致。此外，关于奥肯定律是否适用于中国，文献中也有不同的观点(方福前和孙永君，2010[25]；邹沛江，2013[26]；卢锋等，2015[27])。。以东部的广东和中部的湖北为例，这两个省份2012年的经济增长率与2007年相比，分别下降了6.7个和3.3个百分点，这意味着受经济增速下行冲击的影响，与湖北相比，广东就业率下降约7个百分点(16)根据CHIP数据，从2002年到2013年，广东就业率下降了2.3个百分点，湖北就业率增加了8.8个百分点，两省就业率的变化之差为11个百分点，大于模型所估计的冲击效应，这说明就业率的变化除了受经济下行影响外，还受其他因素影响。如果简单比较就业率的变化，会夸大经济下行冲击的影响。。如果用2013年广东的劳动人口来推算，经济增速下行冲击使广东的就业(相对于湖北)减少了约400万(17)根据《广东统计年鉴2014》，2013年广东第二和第三产业就业人员为4712万，以CHIP数据计算的就业率可推算2013年广东第二和第三产业劳动人口约为6000万。据此，就业率下降7个百分点，意味着广东就业人数(相对于湖北)减少了约400万。。当然，需要指出的是，这只是一种推算，和实际效应可能有差异，因为这种推算是基于模型中冲击效应的估计结果，而估计值可能是有误差的。此外，模型估计的是平均效应，但地区之间有差异，平均效应未必和各省的效应完全相同。

前文图2分析表明，2007年前经济增长速度快的省份受经济增速下行冲击的影响可能相对较大，即省份之间有“收敛”的趋势。如果这样，那么以上回归结果或许只是反映了这种趋势，而并非是经济增速下行冲击的作用。为了对此进行检验，在模型中加入2000年到2007年之间各省经济增长率的均值，作为各地在冲击前的增长趋势，运用IV方法，重新估计模型，结果见表3列(1)和列(5)(18)表3中增长趋势、经济规模、产业结构、出口比重的相关数据来自于国家统计局网站。。从列(1)个人收入的估计结果可看出，增长趋势变量的系数显著为正，说明冲击前增长快的地区收入增长相对较快，并未出现收敛趋势。从经济增速下行冲击系数的估计值来看，系数依然为负，与表2结果相比，其绝对值明显增大，但仅在10%水平显著。从列(5)对就业的估计结果来看，同样，增长趋势的系数也显著为正，说明即使从就业来看，也不存在收敛趋势。经济增速下行冲击的系数仍在5%水平显著为负，系数的绝对值明显增大，是表2列(6)估计值的3倍。这说明在模型中加入经济增速下行前的增长趋势，不但没有降低经济增速下行冲击的作用，相反，却强化了其影响。

表3 稳健性检验结果I

(续上表)

另外需考虑的是，地区经济规模大小可能也会影响经济增速下行冲击的效应。比如，规模大的省份在经济增速放缓时自我调节能力强，所以该地个体受到的影响可能较小。相反，规模小的地区容易受冲击影响而产生波动，该地微观个体受到的影响或许较大。因此，在模型中加入冲击前各省产出占全国产出的比重，以此来控制经济规模对经济增速下行冲击效应的影响。由表3列(2)和列(6)的估计结果看，经济规模的系数为正但显著性不高，冲击效应的大小、符号和显著性与表2列(3)和列(6)结果相比，几乎没有变化(19)对于经济规模、产业结构和出口比重，本文采用初始时期之前即2000-2002年的均值，也尝试使用2000-2007年间的均值，结果并无明显区别。。这说明本文所识别的冲击效应并非由各地经济规模差异引起。此外，考虑到由于各省产业结构不同，各地对冲击的反应可能有差异，比如，第二产业占比高的省份可能更容易受到经济增速放缓的影响。因此，在模型中加入各省第二产业增加值占产出的比重，表3列(3)和列(7)的估计结果表明，第二产业占比高的省份的收入和就业增长较快。从经济增速下行冲击变量来看，其对收入的作用为负，但不显著，对就业的影响则显著为负，这和表2基本估计结果一致，说明即使在产业结构类似的地区，经济增速下行冲击对就业仍有显著的负面影响。最后，在模型中加入各地出口占产出的比重，以控制各地经济对外依存度的影响，表3列(4)和列(8)的估计结果同样表明，表2基本估计结果是稳健的。

除了以上检验外，本文也尝试了其他稳健性检验：(1)考虑到60岁以上的人很多已不再工作，因此把样本年龄限制在16-60岁之间；(2)把最高收入1%的样本删除，以消除高收入群体对估计结果的可能影响；(3)前文是以3岁为基准来合成样本，也尝试了2岁，以增加合成样本数；(4)类似的做法，尝试以4岁为基准来合成样本。以上检验中经济增速放缓冲击对收入影响的估计结果见表4列(1)-列(4)，对就业的影响见列(5)-列(8)。显然，检验结果与表2中列(3)和列(6)的基本估计结果类似。

表4 稳健性检验结果II

(续上表)

总之，以上估计结果表明，经济增速放缓对微观个体的收入和就业有负面影响，其中就业受到的影响高度显著，经济增速下降1个百分点，就业率减少约2个百分点。如果不考虑内生性问题，经济增速放缓的影响会被低估。该结论在控制了微观个体特征以及各地在冲击前的增长趋势、经济规模、产业结构和对外依存度等之后，仍是稳健的。需要指出的是，表2和表3的估计结果与表1的比较之间并不矛盾。如前文所述，表1只是收入和就业在2002年和2013年间的直接比较，而本部分估计的是经济增速下行冲击对收入和就业的影响。比如，对于就业，表1表明，2002-2013年，全样本就业率在上升。表2和表3的估计结果表明，经济增速下行冲击的就业效应为负，即相对于受冲击较小区域，受冲击影响较大区域的就业率增加较少(或减少更多)。

五 异质性影响分析

以上讨论的是经济增速下行冲击对收入和就业的平均效应，或者是说研究的是特征相似的个体，由于处在不同地理空间位置而受到经济增速下行的不同影响。考虑到微观个体之间存在差异，如不同年龄段、不同性别或不同受教育程度的人群在经济增速放缓时的反应可能不同，以下将研究经济增速下行冲击对不同类别个体的异质性影响。为此，首先按年龄，即每9岁为一组，把样本分为6组，设定组别虚拟变量，然后在模型(1)中加入组别虚拟变量和冲击变量的交乘项，通过该交乘项系数的估计值来判断经济增速下行冲击对不同年龄段人群的影响是否有差异(20)合成数据时，本文是以每3岁为一组，为了与之对应，分组虚拟变量的设定应是3的倍数，比如6、9或12，本文采用了9岁，主要的考虑是，相隔9岁接近于一代人。。为了便于比较，把各年龄组收入和就业所受冲击效应的IV点估计值及其90%置信区间报告在图5中(21)模型中除了年龄分组虚拟变量和经济下行冲击的交乘项外，还加入了个体特征变量。工具变量为前文计算的Bartik指标和分组虚拟变量的交乘项。下文研究受教育程度和性别的异质性影响时，采用了类似做法。。

图5a 不同年龄组收入所受影响 图5b 不同年龄组就业所受影响

显然，经济增速下行冲击对个人收入的影响，在组别之间差异明显。对于16-24岁、43-51岁以及60岁以上各组，个人收入受经济增速下行冲击的影响为负。对于其他年龄组，收入受到的影响为正。但无论是哪个年龄组，冲击效应均不显著，说明经济增速放缓对各年龄组的收入都没有显著影响，这和表2的基本估计结果一致。对于就业，结果有所不同，年轻组(16-24岁)和年老组(61-65岁)就业受经济增速下行冲击的负面影响较为显著，特别是年轻组，其系数在1%水平显著，系数的绝对值远大于表2中的平均效应。这说明相对于其他年龄组，年轻人更容易在经济增速下行中受损，经济增长率下降1个百分点，年轻人的就业率下降约9个百分点。这和Yagan(2019)[13]关于美国劳动力市场的研究发现一致，可能是由于年轻群体进入劳动力市场较短，没有获得稳定的劳动合同及本身职业技能比较低，容易在经济增速下行时被辞退。对于34-42岁这一组别，冲击效应的系数为负，但并不显著。对于其他三个年龄组，经济增速下行时其就业率反而有所增加，但除了25-33岁这一组在10%水平显著外，其他年龄组所受影响并不显著。

为了研究经济增速下行冲击对不同受教育程度群体的影响，把CHIP中调查对象的受教育程度分为三类：受小学及以下教育、受中学教育、受大学及以上教育。在此基础上，根据省份、年龄和受教育程度三个指标来合成数据，然后利用该合成数据，在模型(1)中引入经济增速下行冲击与受教育程度分组虚拟变量的交乘项，再运用2SLS估计经济增速下行冲击对不同受教育程度组别的影响(22)本文不能采用基本估计所用的合成样本，直接加入受教育程度虚拟变量，这是因为按省份和年龄段合成样本后，受教育程度成为了合成变量，并非0-1虚拟变量。因此，这里需要按照省份、年龄和受教育程度重新合成样本。同样的原因，下文研究性别的异质性影响时，也重新合成了样本。。各组收入和就业受冲击影响的点估计值及其10%置信区间见图6a和图6b的左半部分。图6a显示，受小学及以下教育的人群在经济增速放缓时的收入效应为正，但并不显著。受大学和中学教育人群的收入效应为负，其中受中学教育人群所受的影响较为显著。从冲击效应系数估计值的大小来看，经济增速下降1个百分点，受中学教育人群的收入下降约4.9个百分点(23)经济增长率下降1%，收入的对数下降0.0503，意味着收入下降exp(-0.0503)-1，约为4.9%。。

就业效应的估计结果和收入效应明显不同。图6b显示，对于受小学及以下教育程度的人群，经济增速放缓对其就业的影响显著为负，经济增长率下降1个百分点，其就业率下降近6个百分点。这说明低教育程度人群的就业容易在经济增速放缓中受损。有意思的是，受大学及以上教育人群的就业也受经济增速放缓的负面影响，尽管其所受影响比低教育水平的人群要小很多。这说明，不仅仅是低学历人群在经济增速放缓时就业率会下降，高学历人群也面临失业的压力，对于刚刚毕业工作不久的大学生而言影响可能更为突出。对于受中学教育的人群，冲击效应为负但并不显著。这说明从受教育水平来看，与分年龄段时的发现类似，即经济增速放缓时，处于尾部分布的人群其就业容易受损，处于中间分布的人群其就业受到的影响相对较小，经济增速下行冲击存在所谓的尾部效应。

图6a 不同受教育程度和性别人群收入所受影响 图6b 不同受教育程度和性别人群就业所受影响

类似的做法，把样本分为男性和女性，计算各省每个年龄段两个性别组内样本的均值，以此为合成样本，然后在模型(1)中引入经济增速下行冲击与性别分组虚拟变量的交乘项，进行2SLS回归。经济增速下行冲击对男性与女性收入和就业影响的点估计值及其90%置信区间见图6a和图6b的右半部分。从中可看出，男性和女性的收入在经济增速下行冲击后都有所下降，但两组效应均不显著。从就业来看，女性和男性就业率都受到了负面影响，但只有女性的就业效应显著，说明相较于男性，女性就业率在经济增速下行中受损更为严重。这和Hoynes et al.(2012)[14]的发现不同，他们的研究表明，在美国，经济波动冲击对男性就业的影响更大。这可能与我国劳动力市场的特征有关，相较于男性，女性在就业中的处境更为不利。

以上估计结果表明，女性、年轻组和受教育水平低的组别受经济增速放缓的影响更大，这既与这些组别的特征及其在劳动力市场的处境相关，也可能与这些群体所在的行业有关。一般而言，制造业、批发零售餐饮业更容易受到经济波动的影响，而政府部门受到的影响则相对较小。为了验证该猜测，利用CHIP数据，计算了冲击前各组人群在不同行业中的就业比重，表5列出了就业比重较高的几个行业(24)CHIP中划分了农业、采掘业、制造业、建筑业等16个行业，为节省篇幅，表5中仅报告了就业比重较高的几个行业。。从中可看出，对于16-24岁这一组别，相对于其他年龄组，其就业主要集中在批发零售餐饮和社会服务业，这些行业，特别是批发零售餐饮业容易受经济增速放缓的影响，所以该群体的就业率在经济增速放缓时下降明显。类似地，相较于男性，女性的就业也更多集中在这两个行业，所以也容易受经济增速放缓影响。对于低学历人群，制造业的就业比重接近40%，远高于受中学和大学教育人群所占比重，当制造业受经济增速下行冲击影响时，低学历群体面临更大的失业压力，因此在经济增速放缓中受到的影响更为严重。

表5 分组分行业就业所占比重(%)

综上，经济增速放缓时，年轻人、受教育水平低的人群和女性就业受到的不利影响相对于其他组别更大。这些群体一般是低收入群体，如果没有相应政策帮助其应对经济增速下行冲击，任其在劳动力市场中处于不利处境，其收入水平可能会相对下降，乃至绝对下降，甚至陷入贫困，从而进一步拉大我国本已非常严重的居民收入差距。从长期来看，这并不利于经济的持续增长和高质量发展。

六 进一步的讨论

为什么经济增速放缓对个人收入和就业，特别是对就业有显著的负面影响？经济增速下行冲击影响微观个体的机制是什么？下文将做进一步的分析。

有观点认为我国经济增速放缓是外部性、周期性因素导致的，是需求不足驱动的(林毅夫，2016[28]; Lin, 2019[10])。2008年国际金融危机爆发后，随着外部经济环境的变化，我国对外贸易出口额不断下降，外向型企业的经营状况遭受到极为不利的影响，迫使企业不得不裁员，这可能是造成我国就业下降的一个因素。但表3的估计结果表明，在控制了各地出口占产出的比重后，即在对外经济联系水平一样的地区，由于经济增速下行冲击不同，微观个体就业变化在地区间仍有显著的差异，这说明外部经济环境变化并非是造成我国就业下降的主要原因。

人口结构转变也可能是影响就业的一个原因。一些研究指出，近年来我国人口老龄化趋势明显，人口抚养比上升，人口红利逐渐消失，从而影响经济的潜在增长率和就业(蔡昉,2016b)[17]。此外，随着人口结构的变化，劳动供给的数量在减少，这势必也会影响到经济增长和就业。根据国家统计局数据，我国16-59岁劳动年龄人口在持续减少，就业人口总量在2018年首次出现下降。但本文发现，在模型中控制了各省的人口结构后，基本结果没有明显变化，这说明人口结构的变化不是引起就业下降的主要因素(25)在表2列(6)中加入各地人口结构控制变量后，经济下行冲击的系数估计值为-2.193，显著性水平p值为0.017。。

本文认为，国内市场环境的变化是经济增速放缓影响微观个体的主要原因，个人非理性预期、劳动力市场错配加剧以及企业破坏性创新在其中发挥重要作用，具体如下。

第一个途径是非理性预期。经济增速下行时，由于非理性预期，微观个体对未来经济不确定性过度忧虑，易对宏观经济做出超出实际的悲观判断。为了应对未来经济的不确定性，家庭会选择减少消费、增加储蓄(Ludvigson, 2004)[29]。消费紧缩会导致需求下降，从而可能影响企业的产品销售和经营状况，导致企业降低对劳动力的需求，所以就业下降。本文研究发现，就业受经济增速放缓的影响主要发生在低教育水平和刚进入劳动力市场的年轻群体中，这一部分人群的工资水平本身较低，很多只是略高于最低工资标准，由于最低工资的限制，工资收入不大可能再被降低，经济增速放缓时企业的选择可能只是裁员，而非减薪，因此经济增速放缓对收入没有显著影响，而对就业有显著的负面作用。当然，由于本文采用的是2013年的数据，距经济增速放缓仅一年，实际上，识别的是经济增速放缓对就业和收入的短期效应，从长期来看，收入可能也会受到影响。

第二个途径是劳动力市场错配的加剧。宏观经济增速放缓时的就业下降或失业更多的是结构性失业。一方面，我国正处于产业结构转型期，需要大量高素质和高技能的劳动力，另一方面，我国劳动力的教育和职业技能等人力资本积累水平整体较低，结构性矛盾严重(姚毓春等，2014)[30]。在经济增速放缓时，劳动力的人力资本水平和就业岗位需求的不匹配加剧，经济上行期间所掩盖的就业结构性矛盾凸显，势必使就业下降。本文研究表明年轻劳动力、女性和低教育水平群体就业受冲击的影响比较大，这可能是由于这些群体相对缺乏职业技能，多在发展不稳定的行业任职，应对经济增速放缓的能力比较弱。当经济增速放缓时，其更容易因错配而失业，从而在一定程度上表明错配加剧是经济增速放缓影响微观个体收入和就业的一个机制。

第三个途径是企业破坏性创新。根据熊彼特的破坏性创新理论，经济增速放缓时，企业投资于创新品的机会成本低，创新和技术进步更容易出现。此时企业更愿意采用新技术，甚至用机器替代人。近年来，中国企业的创新模式不断涌现，例如24小时无人商店、集社交与电商模式于一体的拼多多、5G技术应用等，这些新模式对传统行业造成了巨大冲击。本文研究表明受经济增速放缓影响较大的劳动力多从事制造业、批发零售和餐饮等低技能行业，而新技术如人工智能最容易取代的就是这些低技能的行业。当企业进行破坏性创新时，对劳动力特别是低技能劳动力的需求减少，从而造成就业下降。

七 结论及建议

我国经济在经历多年高速增长后，从2012年起增速放缓，从之前的年均10%降至8%以下，且今年在新冠肺炎疫情影响下有进一步下行的压力。宏观经济形势的这一变化引起了学术界的高度关注。现有文献多从宏观层面讨论经济增速下降的原因、影响及应对策略，较少从微观层面识别经济增速放缓对个人的影响。这是本文立论的一个主要动因。采用中国家庭收入调查数据，通过组别合成方法，构造了可以在经济增速下行冲击前后进行比较的合成样本。在此基础上，建立差分模型，利用Bartik工具变量，估计经济增速下行冲击对个人收入和就业的影响，并把样本按年龄、性别和受教育程度等进行分组，分析了经济增速下行对不同组别的异质性影响。最后讨论了经济增速放缓影响微观个体的机制。结果表明：经济增速放缓对个人收入没有显著的影响，但就业率在经济增速放缓后则有显著变化；一个地区的经济增速相对下降1个百分点，其就业率减少约2个百分点。该发现在考虑了冲击前各地的增长趋势、经济规模、产业结构和出口比重后，仍是稳健的。分年龄组来看，年轻组的就业情况受经济增速下行的影响最为明显。分教育程度来看，小学及以下受教育人群的就业率下降最多。分性别来看，女性就业受到的影响更大。

本文认为，经济增速放缓时，一方面，为了应对未来经济的不确定性，家庭的储蓄增加、消费减少，从而影响企业产品销售及其对劳动力的需求；另一方面，企业投资于创新品的机会成本降低，导致企业更愿意采用新技术，甚至用机器代替人，劳动力市场的错配加剧。几方面的因素叠加，导致经济增速放缓时就业，特别是低教育水平、女性和年轻群体的就业受到了显著的负面影响。应对经济增速放缓压力，推动经济高质量发展，首先是要通过政策宣导增强人们对未来经济的信心，通过各种政策工具刺激居民扩大消费。其次是要通过各种途径引导企业提高创新能力和生产率，增强其应对市场波动的能力，创造更多的就业机会。最后是要加大教育和技能培训投入，特别是对低教育水平和低技能人群的培训，提高此类人群的人力资本水平，使其适应经济结构调整期企业对劳动力的需求。