本: 一方面，如果该群体在城市 － 高校间的分布受空气质量的影响，表明他们对空气污染敏感; 另一方面，来华留学生在华居留时间较长，融入程度良好，属于“准国民”，行为能近似代表部分中国家庭和居民的选择。除了能弥补数据缺失，采用该样本还有如下优势: 第一，中国高校在招收来华留学生时有极大的自主权，招生名额基本不受国家计划约束。给定高校招生意愿，学生选择是高校招生规模存在差异的重要原因，学生有较大的选择空间是本文可以研究敏感性的前提。其次，来华留学生一般都具有大专以上学历，属于高人力资本人群，研究其对空气污染的反应，结论可一般性地向高人力资本群体推广。中国高校的地理分布是历史决定的，给定这一前提，本文的一个假设是，如果空气质量影响来华留学生的高校 － 城市选择，将会在城市所辖高校在校留学生规模中反映出来。之所以采用在校生规模( 存量) ，而不是招生数( 流量) 作为被解释变量，主要是因为我们仅有在校生规模数据。这不影响本文结论，原因在于，如果空气质量对高校存量的在校生规模都有影响，在理论上它对流量的影响应该更大。① 也就是说，估计空气污染对城市所辖高校在校生规模的影响，估计出的是影响的下限( lower bound) 。把来华留学生与高校、高校所在地级市空气污染指数( API) 及相关数据匹配后，本文实证研究了空气污染的移民效应。为确保空气污染对迁移的影响有因果性，本文借助了工具变量回归( instrumental variable design) 方法，采用距离地面上空 10 米年均风速作为年空气污染指标的工具变量。一般风速越大，空气的扩散条件越好，亦即风速与空气污染指标负相关。作为气候条件变量，风速满足工具变量的外生性要求，同时该指标在理论上又不直接影响来华留学生的高校—城市选择，是比较理想的工具变量。一些研究也基于该指标构造工具变量，如 Broner et al． ( 2012) 、Hering ＆ Poncet( 2014) 、Cai et al． ( 2016) 以及 Shi ＆ Xu( 2018) 。一阶段回归结果证实，风速越大空气质量越好，进一步的二阶段回归结果表明，城市空气污染越严重，所辖高校平均在校来华留学生规模越小，表明空气污染推动着人群的迁移。异质性研究表明，母国相对较发达、迁移成本低的自费来华留学生，对空气污染更敏感，高校 － 城市选择受空气状况的影响更大。本文可能的贡献有如下几点: 第一，限于数据可得性，已有文献对空气污染移民效应的研究不够充分，部分文献仅考察了空气污染对居民迁移意愿的影响，本文进一步把实际迁移行为作研究对象，丰富了有关空气污染移民效应研究的文献。特别地，本文着重考察了高人力资本人群对空气污染的敏感性。由于对产业结构升级、创新和经济增长都有重要影响( Moser et al．，2014; Hornung，2014) ，不少国家和地区为获得“移民红利”，普遍对高人力资本人群持开放态度，文献也因此高度关注该群体对公共政策的敏感性( Kleven et al．，2013; Kleven et al．，2014; Moretti ＆ Wilson，2015; Akcigitet al．，2016) 。该群体对空气污染作何反应、是否迁移，目前还没有充分证据。本文以学历层次较高的来华留学生为样本展开研究，发现该群体对空气污染高度敏感，补充回答了有关疑问。第二，本文从理论上揭示了环境质量可能反向影响经济增长的微观机制。已有研究从环境库兹涅茨曲线框架出发，侧重考察经济发展对环境质量的单向影响，近期有研究指出，环境质量可能通过人力资本积累等渠道反向影响经济增长( 陈诗一和陈登科，2018) ，但微观证据还不足，本文提供了相关佐证。第三，基于中国情境的研究使得本文结论对中国有一定参考价值。本文结论表明，空气污染可能减少高技能劳动者供给，据此各级政府应高度重视污染防治工作，为高质量发展夯实人力资本基础。二、文献综述与本文高度相关的文献主要有三类，下面我们分类综述。第一支文献与对蒂伯特模型( Tieboutmodel) 的检验有关。Tiebout( 1956) 的开创性研究认为，居民会用“用脚投票”的方式，流向实施的公共9612019 年第 6 期① 因为相对新报考学生，已就读多年的在校生变换就读学校的成本较高，他们对空气污染的敏感度相对低。方，这将迫使地方政府展开竞争，改善社会治理。一般而言，人们所讲的公共政策主要指税负或公共品提供。基于此，对蒂伯特模型的检验主要沿两个方向进行: 第一，如果蒂伯特模型起发挥作用，为争夺流动要素，政府间会展开竞争，在公共政策上存在策略性互动。通过对是否有策略性互动的检验，这支文献为模型的有效性提供间接证据。第二，考察居民或家庭是否会因政府治理水平的差异而迁移，直接检验模型。环境质量属公共品，所以理论上可以从直接和间接两个方向，考察蒂伯特模型在环境( 政策) 上的有效性。无论沿哪个方向，相关的研究都不多，直接考察居民或家庭对空气污染是否具有敏感性的研究更是如此。仅有的几份研究中，Kahn( 2000) 采用美国加州县层面样本数据，考察了空气质量对人口增长的影响，发现空气质量改善，地区移民大量迁入，人口快速增长。Cameron ＆ McConnaha( 2006) 采用更微观的美国人口普查区( census tracts) 数据研究发现，人们对环境具有敏感性。不过，在 Banzhaf ＆ Walsh( 2008) 看来，上述及其他类似的研究都有值得改进的地方，理由有多个。例如，以县作为考察对象可能太大了，如果居民或家庭迁移主要发生在县域内，考察县际移民的结果是下偏的。考察对象越大，内部人口增长和结构变化越大，加总数据容易混淆不同的影响，估计的结果可能是有偏的。为克服上述困难，Banzhaf ＆ Walsh( 2008) 构造等距虚拟社区样本，①检验了空气质量与人口迁移的关系，发现空气质量改善推动人口移入。与上述从迁入地视角的研究不同，Chen et al． ( 2017) 从迁出地视角考察了空气污染的移民效应，他们基于中国人口普查抽样数据计算县级层面人口迁出率，研究发现空气污染推动着人口流出。与本文高度相关的另一类文献，是近年来涌现出的一系列对环境污染负面影响的研究。例如，一些文献发现，空气等污染不仅对婴幼儿健康有负面影响( Chay ＆ Greenstone，2003; Currie ＆Neidell，2005; Jayachandran，2009; Greenstone ＆ Hanna，2014; Arceo et al．，2016) ，对成年人也不例外( Chen et al．，2013; Schlenker ＆ Walker，2016) 。除了影响健康，污染还减少了劳动供给，降低了工作效率( Zivin ＆ Neidell，2012; Hanna ＆ Oliva，2015; Stafford，2015; Lichter et al．，2017) ，等等。有理由猜测，家庭和居民可能会采用迁移的方式做出反应。由于地区空气质量，以及个体暴露在污染中的概率和程度，一般都不是随机的，所以上述及其他有关空气污染影响的研究，普遍借助精巧的计量方法或数据结构去识别，以确保估计结果无偏。例如，部分研究采用个体层面数据展开研究，原因是相对个体而言，空气质量的变化可近似视为外生( Zivin ＆ Neidell，2012; Hanna ＆ Oliva，2015) 。采用城市等较大的观测单位展开研究时，研究者借助导致地区间空气质量差异的外生冲击，识别污染的影响。例如，Almond et al． ( 2009) 注意到，中国存在以“秦岭 － 淮河”地理分界线，在南北城市实施差异集中供暖的安排，导致分界线两侧城市空气质量存在显著差异。基于这一差异，Chen et al． ( 2013) 和 Ebenstein et al． ( 2017) 检验了空气污染对中国居民平均寿命的影响，证实空气污染显著降低了居民平均寿命。与本文相关的第三类文献与第一类文献有一定关联，但因其主要在( 国际) 税收领域探讨，所以单独综述。这支文献关注税负对人口迁移的影响，与本文类似，它们也重点关注高人力资本( 高收入) 人群的迁移。受限于研究问题，这支文献面临两个挑战: 一是如何把高人力资本人群识别出来，获得研究样本; 二是在经验研究中如何确保税负对人口迁移的影响有因果性。一些研究以极高的智慧，解决了上述两个问题。在样本选择上，Kleven et al． ( 2013) 搜集了欧洲足球市场上表现优异的“足球明星”，用以代理高人力资本人群; Moretti ＆ Wilson( 2015) 和 Akcigit et al． ( 2016) 从专利数据库中择取出“科学家之星”，构造研究样本; Kleven et al． ( 2014) 基于丹麦全国住户登记信息( administrative data) ，结合迁移和收入信息，筛选研究样本。获取样本后，借助多种策略识别税负071李 明、张亦然: 空气污染的移民效应① 这样社区边界的形成就是随机的，不再与环境等特征相关。微观个体来说，国别层面的税收政策可视为近似外生，所以可在国别层面考察税负对个体迁移的影响，Kleven et al． ( 2013) 和 Akcigit et al． ( 2016) 采用的是这一策略。Kleven et al． ( 2014) 基于丹麦 1992 年实施的个人所得税改革，考察税负对人口流动的影响。这项改革规定，对于赴丹麦工作的海外移民或回流居民，其收入超过一定门槛，原税制中的累进税率就调整为相对较低的水平税率( flat tax) 。基于这一冲击，Kleven et al． ( 2014) 研究发现减税推动了移民的涌入及居民的回流，证实高人力资本人群对税负高度敏感。就本文关注的高人力资本人群来说，第三支文献表明，样本很难获取; 就本文关注的问题( 空气污染是否推动了高人力资本人群迁移) 而言，第一和第二两支文献表明，要想获得无偏的估计结果，需要借助适当的实证策略。本文主要围绕这些问题展开。首先，整理出高校层面的来华留学生数据。来华留学生学历层次普遍较高，本文的研究结论可推广至高人力资本人群。与 Chen et al．( 2017) 计算迁移率指标采用的人口普查抽样数据比，本文采用的是学生注册数据( administrativedata) 更为精准。学校类似于社区，这与 Banzhaf ＆ Walsh( 2008) 要求的分析单位下沉契合。在校生规模变动的原因单一，不存在人口自然增长的问题，也较少受死亡率的影响。所以这套数据本身就极具研究价值。其次，基于已有研究，采用风速作为工具变量，实证研究了空气污染对由来华留学生代表的高人力资本人群在国内空间布局的影响，避免了空气污染指标可能存在的内生性偏误，确保了结论的可靠性。三、制度背景与数据来源( 一) 来华留学政策与留学生招生从经费来源看，来华留学生群体可分为自费生和政府奖学金生两类。1989 年颁布的《关于招收自费来华留学生的规定》明确，高校申请并经地方教育行政主管部门批准后，即获得自费来华留学生招生资格。根据 2000 年颁布的《高等学校接受外国留学生管理规定》，自费来华留学生招生规模不受国家招生计划指标限制，具有招生资格的高校根据学生申请考核结果，自主决定招生与录取，体现出了明显的放权特征。政府奖学金生不同。其名额的分配等宏观管理工作，由教育部负责，国家留学基金委( 以下简称留基委) 在教育部领导下，负责招生和具体的管理工作。在招生计划及奖学金名额经留基委派出机构、驻外使领馆、各国驻华使领馆等下达后，①申请人参照经教育部批准的有招生资质的高校目录进行申请，由院校择优录取，或根据留基委等的协调，由其他具有招生资质的院校录取。图 1( a) 招收来华留学生院校统计 图 1( b) 在校来华留学生规模统计1712019 年第 6 期① 也有部分中国政府奖学金会首先分配至高校，由高校根据申请学生情况自主分配。但在本文样本期间，这类奖学金名额较少，经政府渠道分配的更多。近几年，通过这一渠道分配的奖学金名额在增加。空气污染的移民效应*———基于来华留学生高校 － 城市选择的研究李 明 张亦然内容提要: 空气污染是否驱动着高人力资本人群的迁移，引发广泛关注。限于数据可得性，现有研究并不充分。把来华留学生对国内高校 － 城市的选择视为空间迁移，本文在中国情境下研究了空气污染的移民效应。采用风速作为空气污染的工具变量，本文基于两阶段最小二乘法研究表明: 城市空气污染越重，辖区内高校在校来华留学生数越少。进一步的异质性研究表明，自费来华留学生对空气污染的敏感性高于政府奖学金生。从来源看，来自欠发达国家政府奖学金生的比重更大，在中国现行招生政策下迁移成本更高。上述结论表明，收入水平相对高、迁移成本相对低的人群，对空气污染更敏感。人力资本是推动高质量发展的最终动力，本文结论的启示是，应把污染防治作为“建设知识型、技能型、创新型劳动者大军”的重要举措，助力经济发展质量变革、效率变革、动力变革。关键词: 空气污染 人口迁移 人力资本 高质量发展* 李明、张亦然( 通讯作者) ，对外经济贸易大学国际经济贸易学院，邮政编码: 100029，电子信箱: mingli @ uibe． edu． cn，zyruibe@ 163． com。本研究得到国家社会科学基金重大项目( 14ZDB144) 和国家社会科学基金一般项目( 18BJY216) 的资助。感谢匿名审稿人给出的宝贵修改意见，但文责自负。① 第一财经: 《世行报告: 空气污染致过早死 经济代价巨大》，数据来源: https: / /www． yicai． com /news /5097668． html。② 中国社会科学院参与发布的《中国国际移民报告( 2014、2015) 》援引并确认了这一调查结果。一、引 言国际社会对空气质量负面影响的关注由来已久，但早期研究多以发达国家为主。近年来，随着空气污染向发展中国家转移，学术界的研究对象也开始转向。世界银行的一份报告评估指出，亚洲和撒哈拉以南非洲是当前空气污染的重灾区，污染造成了上百万的人口死亡和数万亿美元的经济损失。①污染的影响如此之大，社会各界都在寻求应对办法。以中国为例，中国是世界银行报告指出的空气污染重灾区之一，在国家加大污染防治的同时，家庭和居民也在做各种努力，以减少污染对身心健康的伤害。以往，人们主要采用减少户外活动时间、缩短劳动供给、购买防霾口罩和净化器费防护用品等一系列办法( Ito ＆ Zhang，2016; Zhang ＆ Mu，2017; Sun et al．，2017) 。随着污染的持续甚至是局部恶化，人们对移民的讨论增多起来。《新财富》杂志 2013 年的调查发现，环境已成为推动我国居民考虑国际移民的重要因素之一。②基于城市层面数据，Qin ＆ Zhu( 2018) 的研究证实，空气污染加剧期间，人们通过互联网搜索移民的频次上升。采用北京市居民调查数据，洪大用等( 2016) 发现，不少居民因雾霾萌生出迁移意向。防护支出是非生产性的，是空气污染的成本，人口迁移会带来劳动力供给下降，也是空气污染的成本。但与对空气污染引发的防护支出规模的深入评估相比，无论是国际还是国内，对空气污染迁移效应的研究都是不充分的。例如，空气污染提升了人们的迁移意愿，但这些意愿是否转化成了实际行动，证据并不完善。数据缺乏是原因之一，由于不掌握移民信息，我们无法进行研究。本文尝试在中国情境下对现有文献略作拓展。为克服移民追踪调查数据不可得的问题，本文选用了中861001—2012 年间，①中国招生来华留学生院校的数量及招收来华留学生的规模都快速增加。根据教育部全国来华留学生统计数据( 见图 1a) ，截至 2012 年国内累计有 690 所高等院校、科研院所和其他机构( 以下简称为高校) 招收来华留学生，较 2001 年增加325 所。招生高校数量增加的主要是自费生招生高校，原因是分权体制下地方教育行政主管部门有更强的激励批准高校的招生申请。图 1b 显示，来华自费留学生规模经历了更快增长。2001 年，全部来华留学生在校生数约为 5. 2 万人，2012 年增加到近 32. 5 万，增长了 5 倍多。其中自费生的增幅贡献了全部来华留学生增幅的绝大部分，政府奖学金生的增幅相对平稳。( 二) 环境污染及其统计自 2000 年起，中国环保部门开始根据监测点检测情况，发布部分大中城市的日度空气污染指数( API) ，涵盖的污染物主要包括二氧化硫、氮氧化物和总悬浮颗粒物。2005 年和 2012 年，报告城市的数量有两次增加，2012 年城市数量增至 120 个( 见图 2) 。图 2 中国重点城市空气污染指数本文空气污染指数来源于中国大陆重点城市空气质量历史数据库，②由于统计时间不足一年，排除了 2000 年的数据，保留了能与留学生数据匹配的 2001—2012 年城市日度空气污染指数信息。考虑到在校来华留学生统计为年度口径，把日度空气污染指数在年度层面汇总，为尽可能减少偏误，仅保留了年统计天数大于 360 天的城市样本。在进行样本筛选后，首先计算了年平均的空气污染指数。此外，鉴于中国环境部门把空气污染指数大于 100 定义为污染，并基于这一标准对地方政府环境治理成效进行考核，我们还进一步计算了各城市空气污染指数大于 100 的天数，用于稳健性检验。( 三) 来华留学生与城市数据的合并第一步，合并高校特征及来华留学生信息。我们把整理出来的高校是否属于“211 工程”院校、中国校友会网公布的 2012 年国内高校排名情况，③与高校招生来华留学生信息数据合并。第二步，根据教育部全国高等学校名单④给出的高校所在城市信息，把空气质量信息、城市特征变量与高校信息合并。第三步，在样本期间内，有高校无在校来华留学生，这很可能是因为没有招生资质带来的，包含这类样本可能会对空气污染效应低估，为此仅保留了 2001—2012 年间至少有两年在校来华留学生人数不为零的高校。空气污染对居民或家庭健康、迁移决策等的影响是长期累积的结果。为此，借鉴 Chen et al．271李 明、张亦然: 空气污染的移民效应①②③④2009 年的原始数据仅报告了主要来源国家来华留学生的统计信息，由于与其他年份口径( 全口径统计) 不同，在统计描述和后面的回归分析中都删除了 2009 年的数据。资料来源: https: / /www． gracecode． com/aqi． html。资料来源: http: / /www． cuaa． net/2003 /#2012。资料来源: http: / /www． moe． gov． cn/srcsite/A03 /moe_634 /201706 /t20170614_306900． html。7) 以及 Chen et al． ( 2017) 的做法，将 2001—2012 年高校 － 城市匹配数据在年份上取均值，得到了包含 72 个城市、522 所高校的截面数据进行实证分析。总的来看，中国招生来华留学生院校的分布比较广泛，东西南北中各区域都有。院校分布的离散性决定了空气污染指数较大的变异，以年均空气污染指数大于 100 的天数看，既有兰州和北京等超过 100 天的城市，也有海口、拉萨等接近于零的城市。表 1 主要变量统计性描述变量名 变量含义( 单位) 样本量 均值 标准差 最小值 最大值sum 留学生总数( 人) 522 334. 3 779. 2 1 10218zsum 自费生人数( 人) 522 310. 5 725. 5 1 9420gsum 奖学金生人数( 人) 522 23. 75 65. 28 0 797. 5API 年均空气污染指数 522 76. 70 14. 07 36. 21 114. 2nblue_100( API ＞ 100) 年均污染天数( 天) 522 55. 43 37. 27 0 145. 5nblue_125( API ＞ 125) 年均污染天数( 天) 522 25. 74 23. 08 0 93indus3 第三产业占比( % ) 522 49. 18 10. 49 25. 62 75. 89cpi 消费者物价指数 522 103. 1 0. 740 100. 6 105. 9gdp 国内生产总值( 亿元) 522 1888 1556 58. 48 5928fdi 外商直接投资额( 亿美元) 522 31. 82 30. 21 0. 123 140. 4dum_211 “211 工程”院校( 是 = 1，否 = 0) 522 0. 188 0. 391 0 1rank_n 高校综合排名等级 522 2. 086 0. 858 1 3w10 风速( 米 / 秒) 522 3. 063 0. 564 1. 845 4. 345表 1 给出了主要变量的统计性描述。总体看，每所高校年均在校来华留学生数约为 334 人，但不同高校差异较大。从经费来源看，超过 90% ( 310. 5 /334. 3) 的留学生是自费生，只有不到 10%( 23. 75 /334. 3) 的学生获得了中国政府奖学金的资助。学校质量及社会声誉会影响学生高校选择，为控制这一影响，本文定义了两个变量。一是 dum_211，为学校是否为“211 工程”院校虚拟变量，若高校在“211 工程”，变量取值为 1，否则为 0。二是高校排名( rank_n) ，数据来源于中国校友会网公布的 2012 年中国大学排行榜。对于综合排名在 200 名内的高校，定义其等级为 1，对于综合排名在 201—400 名的高校，定义其等级为 2，对于排名在 400 名外的高校，以及招收来华留学生但未能列入榜单的高校，定义其等级为 3。除学校特征外，来华留学生的高校 － 城市选择还可能受到城市特征的影响。例如，经济发展水平及产业结构，经济越发达，服务业占比越高，生活越丰富多彩，越可能吸引学生流入。为此，选择了城市 gdp 及第三产业占比两个变量，其中城市 gdp 以 2000年为基期平减，第三产业占比为第三产业增加值占 GDP 的比重。生活成本也可能影响到居住地的选择，为此控制了消费者物价指数( cpi) ，鉴于城市层面 cpi 数据缺失，用城市所在省( 市或区) 的指标代理。城市外向型程度越高，对外交流越频繁，理论上越可能吸引留学生，在实证模型中纳入了外商直接投资额( fdi) 变量。四、计量策略与基准回归( 一) 计量策略在理论上，考虑基于方程( 1) ，考察空气污染对来华留学生高校 － 城市选择的影响，并借此模拟考察空气污染是否推动了高人力资本人群的( 国内) 迁移。ln( overseasic) = α + β·APIc+ θ·X + εi( 1)方程( 1) 中，overseas 是在校来华留学生规模，API 是年均空气污染指数，X 是一系列控制变量。各变量中，下标 i 表示高校，c 表示城市。系数 β 刻画了空气污染对来华留学生高校 － 城市选择的3712019 年第 6 期，表明空气质量好的城市受来华留学生的青睐。正如引言强调的，本文以在校来华留学生数为被解释变量，鉴于有相当一部分高年级学生因迁移成本难在高校 － 城市间重新选择，因此方程( 1) 估计出的 β 实际上是空气污染影响的下限( lower bound) ，如果采用招生数流量指标，系数的绝对值应更大。二阶段: ln( overseasic) = α + β·APIc^+ θ·X + εi( 2)一阶段: APIc= λ + γ·Z + δ·X + νi( 3)直接估计( 1) 式存在的风险是，可能存在一些同时影响来华留学生高校 － 城市空间选择的因素，进入了残差项，导致出现内生性偏误。基于此，尝试寻找空气污染指标的工具变量，基于方程( 2) —( 3) 采用两阶段最小二乘法( 2SLS) 回归。已有文献常选择气象条件作为空气污染的工具变量。例如，Arceo et al． ( 2016) 和 Chen et al．( 2017) 采用逆温强度作为空气污染的工具变量，依据是高度越高大气温度越低，热气上升冷气下降，便于污染物扩散，但反过来就出现了逆温现象，污染物不易扩散，所以逆温现象越严重，空气污染越严重。在研 究 环 境 规 制 对 污 染 产业 布局 的影 响时，Broner et al． ( 2012) 采 用 通 风 指 数( ventilation coefficient) 作为环境规制的工具变量。依据是，规制强度与污染程度有关，通常风速越大污染物的横向扩散条件越好，混合层越高污染物的纵向扩散条件越好，所以二者乘积( 通风指数) 可作为环境规制的工具变量，通风指数越小环境规制越强。通风指数构造思路影响了后续一系列研究。例如，Hering ＆ Poncet( 2014) 、Cai et al． ( 2016) 以及 Shi ＆ Xu( 2018) 在研究中国环境政策的影响时，都沿用了这一思路。本文工具变量构造也受该思路的影响。简化起见，我们采用距地面 10m 高空的风速作为空气污染的工具变量。一方面，风速越大，越有利于污染物横向扩散，满足工具变量的相关性要求; 另一方面，作为自然气象条件，其满足外生性要求。基于上述考虑，我们借助地理信息系统软件( ArcGIS) ，将数据精度为 0. 125o× 0. 125o的气象格点数据，①与国家基础地理信息中心公布的地级市面域矢量数据②合并，提取出地级市层面年度风速均值，求 2001—2012 年均值后作为本文的工具变量。图 3 报告了本文工具变量与核心解释变量( 空气污染指数，API) 的相关性，从线性拟合的结果看，两者负相关，与预期相符。图 3 风速与空气污染指数相关性注: 气泡半径反映样本地级市内高校的数目。471李 明、张亦然: 空气污染的移民效应①②数据来源于欧洲中期天气预报中心( European Center for Medium-Range Weather Forecasts，ECMWF) ECMWF，来源: http: / /apps． ecmwf． int / datasets / data / interim － full － moda / levtype = sfc / 。数据来源: http: / /www． tianditu． gov． cn /。采用风速作为工具变量的一个担心是，风速可能受地形因素的影响，不予控制可能导致风速与残差项相关，违反排他性规定。我们基于中国各省市 DEM 栅格数据，①提取各城市的海拔均值( elevation) 和坡度均值( slope) ，纳入回归模型。( 二) 基准回归结果作为参照，先采用普通最小二乘法( OLS) 估计方程( 1) 。高校是嵌套在城市中的，所以本文回归在地级市层面聚类。表 2 第( 1) —( 3) 列报告了估计结果。其中，第( 1) 列是仅加入城市经济特征控制变量的结果，空气污染指数( API) 的系数为负，但不显著。城市国内生产总值( lngdp) 系数显著为正，表明经济发达城市对来华留学生有更高吸引力; 消费者物价指数( cpi) 系数显著为负，表明高物价抑制了来华留学生的流入; 第三产业占比( indus3) 和外商直接投资( lnfdi) 的回归系数都不显著。第( 2) 列加入了高校层面特征，空气污染指数的系数仍不显著。国内生产总值、物价水平、第三产业占比及外商直接投资四个变量的系数符号及显著性与第( 1) 列相同。是否“211”高校( dum_211) 及高校排名虚拟变量回归系数为正，表明高校质量及声誉对来华留学生的选择有显著影响。第( 3) 列进一步加入了城市地形特征变量，此时外商直接投资回归系数负向显著，与预期不符，我们猜测这可能是外向型程度已被城市各特征变量吸收所致。地形特征中，坡度( slope) 的回归系数不显著，海拔( lnelevation) 的系数在 1% 以内的显著性水平上显著为负，意味着相比低海拔地区，高海拔地区高校对留学生的吸引力低。表 2 基准回归结果被解释变量lnsum( 1) ( 2) ( 3) ( 4) ( 5) ( 6)OLS 2SLSavaqi－ 0. 0065 － 0. 0105 － 0. 0066 － 0. 0326＊＊＊－ 0. 0439＊＊＊－ 0. 0385＊＊＊( － 0. 96) ( － 1. 63) ( － 1. 09) ( － 2. 61) ( － 2. 91) ( － 2. 61)lngdp0. 4144＊＊0. 5007＊＊＊0. 4173＊＊＊0. 5915＊＊＊0. 7308＊＊＊0. 6778＊＊＊( 2. 38) ( 3. 26) ( 2. 73) ( 3. 22) ( 3. 09) ( 2. 76)cpi－ 0. 9885＊＊＊－ 0. 5191＊＊＊－ 0. 5146＊＊＊－ 1. 0921＊＊＊－ 0. 6365＊＊＊－ 0. 6211＊＊＊( － 5. 63) ( － 3. 58) ( － 3. 73) ( － 6. 02) ( － 3. 77) ( － 3. 96)indus30. 0010 0. 0074 0. 0136 0. 0099 0. 0186 0. 0199( 0. 15) ( 0. 92) ( 1. 63) ( 0. 98) ( 1. 39) ( 1. 52)lnfdi－ 0. 1343 － 0. 1388 － 0. 1996*－ 0. 2409＊＊－ 0. 2762＊＊－ 0. 2899＊＊( － 1. 22) ( － 1. 35) ( － 1. 96) ( － 1. 98) ( － 2. 07) ( － 2. 34)dum_2110. 8132＊＊＊0. 8101＊＊＊0. 8936＊＊＊0. 8819＊＊＊( 4. 60) ( 4. 72) ( 4. 90) ( 4. 87)_Irank_n_2－ 0. 5841＊＊＊－ 0. 5478＊＊＊－ 0. 5847＊＊＊－ 0. 5703＊＊＊( － 2. 90) ( － 2. 74) ( － 2. 92) ( － 2. 95)_Irank_n_3－ 1. 4729＊＊＊－ 1. 4633＊＊＊－ 1. 4830＊＊＊－ 1. 4758＊＊＊( － 8. 62) ( － 8. 43) ( － 8. 28) ( － 8. 33)slope0. 1365 0. 0389( 1. 59) ( 0. 32)lnelevation－ 0. 2133＊＊＊－ 0. 0780( － 2. 71) ( － 0. 58)Adj. R20. 2244 0. 4321 0. 4398 0. 1890 0. 3739 0. 3903N 522 522 522 522 522 5225712019 年第 6 期① 数据来源: http: / /www． dsac． cn /Data Product /Detail /200820。海拔和坡度在短时间不易发生变化，因此本文用 2013 年海拔数据和坡度数据代理 2001—2012 年各城市地形特征。