城市移民融入指标的设计与选取

本文认为城市移民融入是一个复杂的、多层面的过程。尽管受迁移空间和时间的影响，不同情况下城市移民的融入行为具有不同的特征。为了给城市移民的融入进展提供一个有用的尺度，基于指标选取的科学性、可操作性、可比性和针对性原则，并根据以往文献，本文认为移民融入分为5个层次，分别为经济融入、社会连接、文化参与、福利获取和心理认同。其中，经济融入用以判断移民对当地社会和物质环境的具体情况（包括物质条件和可用资源密切相关）的感觉。社会连接用以判断新移民和定居人口的社会联系。社会连接体现在各个方面，包括促进形成和维护群体共同特性的规范和价值观、包容多样性和差异的不同群体之间的联系和互动。文化参与是指移民主动参与社区文体、公益性活动。福利获取是指城市给予移民社会保障、社会救济以及社会福利安排。心理认同是指移民主观上对于自身融入状况的判断。融入指标的设计结合并反映移民与城市二者的信息。本文将问题研究的重点放在城市移民过程和治理结果上，衡量受访者的个体主观选择倾向并体现城市现有的治理手段。捕捉在文献中被确定为融入关键的问题。

本文将城市移民融入界定为5个层次，并以此为基础，借鉴模糊集理论，构建一个综合性城市移民融入度的指标。模糊集理论于1965年由Zadeh提出，并被广泛运用到社会福利水平的研究中。该理论通过隶属度函数为不同的备选项目赋值而获得隶属度指标，该指标能够较好地衡量受访者的个体主观选择倾向。在本次城市移民融入的专项调查中，我们采取受访者个人主观判断的方式填写调研项目。因此，本文使用模糊集理论构建城市融入度指标，能够在最大限度上反映被调查者的主观判断。

式中，μ（·）是隶属度函数；（k=1，…，m； i=1，…，n）是第i个样本的第k个子指标的原始值。的最小值是0，最大值是1，其他中间的数值则进行标准化处理。当获得各样本子指标的隶属度之后，则需要通过加总的方式取得综合性指标的隶属度。加总的过程实质就是寻找合适的函数f（·），　以获取综合性隶属指标μq（i）。

式中，μq（i）为综合性隶属指标；μk（i）是第i个样本的第k个子指标。加总函数f（·）有多种形式。本文采用加权算术平均法，综合指标构建如表7-8所示。

表7-8　移民融入综合指标构建

续 表

续 表

注： 根据2017年流动人口动态监测上海数据整理绘制。

经过赋值并计算后的移民融入度指标如表7-9所示，作为本文的因变量，从可观测样本总体状况来看，融入度值为0.11～0.89，说明城市移民中并没有达到完全融合的状态人群或个体，也并没有完全脱离城市的人群或个体。

表7-9　移民融入度描述统计(www.xing528.com)

对于自变量的选取，移民融入会受个人特征的影响。个人特征包括性别、年龄分类和教育水平。不同年代出生的农民工，经历的社会经济和教育文化背景有较大的差异，新一代农民工的城市融入状况好于老一代农民工（何军，2012）。本文中，80后移民占比60.4%，在2017年被调查时期其平均年龄约为37岁，正值身体机能健壮时期，由于大多数移民在城市出生或生存，在农村没有土地，因此他们对生活的满意程度主要是参照迁入地的标准，如表7-10所示。

表7-10　主要自变量的定义和描述性统计

续 表

除了个体特征之外，本文增加对移民所处环境的宏观控制变量的研究。许多关于中国劳动力流动的经验研究认为劳动力为了获得更多的就业机会和更高的工资而流动，加上户籍政策的限制，流动人口无法享受和城市居民相同的公共服务。然而，夏怡然等认为流动人口也选择“人往高处走”，除了良好的就业机会和高工资以外，流动人口追求更好的公共服务（夏怡然等，2015），且公共服务对于流动人口迁移的重要性也在许多国家被证实（Nechyba et al.，1998； Dahlberg et al.，2012）。本文选择的城市宏观特征变量包含4类： （1）城市区位房屋年均价；（2）医疗服务供给水平；（3）基础教育供给水平；（4）环境要素。这4类因素与移民个人融入最直接相关，房价能反映出移民融入城市的居住成本，医疗资源的投入可以衡量移民可及的医疗供给状况，人均教师数可以衡量教育资源质量，移民生活住所的绿地面积和游览资源也能衡量其生活舒适度和人际交往资源的机遇状况。具体宏观变量定义和描述统计如表7-11所示。

表7-11　移民城市区位特征的描述性统计

基本回归模型的设定，参考夏怡然等（2015）的研究范式，城市移民融入度的指标设计整合了移民对于自身获得效用的主观判断，融入度水平依赖于移民的个体特征和城市特征。

式中，β1为移民自身个体性特征类解释变量的系数；β2为城市特征类控制变量的系数；β3为虚拟变量类指标的系数。系数绝对值越大，表明影响程度越大。其中xi包含受教育水平、月工资和周工作时长，wj包括房价均值、医疗服务供给、基础教育供给和环境要素等，zi代表性别、年龄、暂住证及有无住房等虚拟变量。

为了消除数据的非正态性，本文将月工资变量、周工作时长变量以及宏观变量中的房价均值变量、医疗供给变量和环境要素变量取对数处理。考虑到测量的准确性和数据的可获得性，本文使用2017年上海16个区的房屋均价的对数值作为衡量指标表示城市中各区的住房供给状况。使用人均小学教师数和人均中学教师数衡量各区的基础教育水平，用卫生机构数、床位数和卫生技术人员数衡量各区的医疗服务水平。由于基础教育和医疗服务相应的各个变量之间存在很强的相关性，直接进行模型估计会产生严重的多重共线性问题。我们参考夏怡然等（2015）的计量方法，将教育和医疗两组变量分别采用主成分分析，取第一主成分的分值作为基础教育和医疗的度量放入实证模型。此外，我们还用城市各区绿地面积的对数值表示各区的环境控制变量。