产业结构升级对劳动力分布的影响分析

一、产业结构升级影响劳动力分布效应

产业结构升级对劳动力在这一地区疏密分布存在双重效应。一方面，产业升级会伴随着一些产业规模的缩减或消失，它会带来劳动力就业岗位的减少，由此对劳动力存在挤出效应。同时，三次产业结构内部劳动密集型产业逐渐被资本密集型产业的替代，这种内部结构变动会对劳动力产生结构性减少效应。经济运行中侧重轻工业发展阶段时能够极大的带动劳动力就业增加，创造更多的就业岗位，其带动就业能力远远大于以重工业发展为主的阶段。以往研究数据表明，当国民生产总值增加1%时，在以重工业为主的发展阶段所能创造的就业岗位仅为以轻工业发展阶段为主的1/4[193]。

另一方面，产业结构升级主要表现为生产率低的部门向生产率高的部门转换的过程，在这一产业变迁过程中会促使经济总量的增长和规模扩张，新兴产业出现蓬勃发展，这时该地区劳动力呈现出由于产业升级带来的结构效应而增加趋势。不容忽视的现象是，第三产业比重增加是产业结构升级过程中的一种重要表现，因此，通常第三产业的劳动力就业弹性往往高于第一、第二产业。当地区经济发展过程中第三产业比重增加时，产业发展对劳动力会释放出更多的吸纳效应。

定性分析产业结构升级对劳动力疏密分布的双重效应不能确切判断产业结构升级使得这一地区的劳动力分布变得更加密集还是扩散，因此，建立产业结构升级指标与劳动力分布的回归模型，定量判断产业结构升级对劳动力分布的影响效果。

二、产业结构升级测度

本书将产业结构升级分解为产业结构变动方向和产业结构变动速度两者指标，研究其对劳动力分布的影响效果。

1.产业结构变动方向指标确定

产业结构变动方向的度量学者有很多研究，大部分学者采用产值占比这一指标来判断，比如上文提到产业结构升级的一个主要表现是第三产业产值的增加，因此使用第三产业产值比第二产业产值这一方法去判断产业结构变动方向，而本书认为高端制造业的发展也是产业升级优化的重要表现，所以选用第二、第三产业产值占比之和来作为衡量产业结构变动指标。由于这一指标计算过于简单，所以不可避免存在一些局限性。产业结构理论中常用“结构超前系数”来测定产业结构的变动方向，这一指标能够相对严密和准确的呈现产业结构的变化规律。但是这一指标在引入产业结构变动与劳动力分布模型时，没有很好地解释两者之间的关系。而作为一个相对严密的判断指标，本书仍然对这一指标进行计算，作为产业结构变动的一个描述性分析，而在建立模型时选取第二、第三产业占比之和作为衡量产业结构变动方向的指标。

产业结构超前系数是测定某一产业结构增长相对于整个经济系统增长趋势的超前程度，根据其可判断产业结构的变动方向，其计算表达式如下[194]：

式中：Ei—i部门结构超前系数；

ai—i部门t期望所占份额与基期所占份额之比；

Ri—同期国民经济或就业平均增长率。

产业结构超前系数作为衡量产业升级的一个重要指标，能够直观反映产业结构发展水平变化的动态规律，并且对三次产业的发展水平做出超出或落后整体产业发展水平的判定。如果Ei＞1表示第i产业超前发展，所占份额出现上升趋势；相反，若Ei＜1表示第i产业发展相对滞后，所占份额出现下降趋势[195]。根据京津冀统计年鉴，1978-2013年三次产业结构超前系数变化情况见表6-4。

表6-4　京津冀地区产业结构超前系数（1978-2013年）

表6-4列出了1978-2013年京津冀地区三次产业的总平均和五年平均超前系数，从表中可以观察出京津冀地区产业结构的变动情况。从1978-2013年总平均超前系数来看，从第一产业到第三产业，超前系数值逐渐增加，这表明第三产业发展比较迅速，处于超前发展地位，快于第二产业和第一产业。从三次产业分地区发展情况来看，北京地区的第三产业快于天津，天津快于河北。河北第二产业发展快于天津，天津发展快于北京。三个地区第一产业发展都较为缓慢，北京和天津的产业结构系数为负数。说明总体发展战略是北京第三产业发展迅猛，河北第二产业发展较快，结构超前系数Ei大于1。从时间脉络来观察京津冀地区三次产业发展可知，在1981-1990年北京地区第一产业有超前发展，所占份额逐渐上升。同北京类似，天津地区在1978-1990年第一产业发展较快，而后处于缓慢发展过程。河北地区第一产业在1978-1980年、1991-1995年和2011-2013年三个时段处于较快的发展，其他时段都发展比较滞后。北京地区的第二产业结构超前系数在1978-2013年都小于1，在1996-2000年这五年间为最低值（0.33）；天津地区第二产业在1978-1980和2001-2005两个时段发展较快，在这期间产业结构超前系数大于1，其他时段都小于1；河北地区在1981-1985年和1991-2005年第二产业发展超前，产业结构系数大于1，整体表现出第二产业发展快速平稳态势。北京地区第三产业结构系数在1978-2013年中每五年平均值都大于1，说明北京地区第三产业发展一直处于超前发展。天津地区地产业结构系数在1981-2000年和2006-2013年五年平均值都大于1，在2001-2005年接近于1，整体上表现为比较快速的发展，基本处于超前发展的位置。河北第三产业产业超前结构系数表现为波浪式的曲线，在1981-1990年、1996-2000年和2006-2013年发展很快，其他年份表现出缓慢发展，但整体上还是表现为第三产业的快速发展。

从对京津冀地区三次产业超前系数的研究中，可以看出第三产业保持了良好的发展势头，第二产业发展情况三个地区大致相同，从总平均值来看，河北第二产业发展快于天津和北京。三个地区第一产业发展都属于比较平缓，从近三年数据来看，河北第一产业发展快于北京和天津。因而，在京津冀一体化进程中，天津和河北保持了良好的发展势头，第二、第三产业发展对就业的带动力很强，从产业结构变化的方向可以看出河北、天津第二、第三产业的快速发展，由此下文中可以观察劳动力的区域分布又呈现出何种变化。在保持第三产业超前发展的情形下，第二产业发展速度的加快无疑会扩大就业且改变劳动力空间分布。

2.产业结构转变速度

产业变动的剧烈程度可以用产业结构转变速度来反映。本书采用产业结构升级速度Moore值和产业结构年均变动KIV值两种模型测定产业结构变化的速度，其计算步骤如下所示。

第一，产业结构升级的速度Moore值。Moore值结构测定法是运用空间向量的原理，把产业划分为m个部门，从而构造一组m维向量。基于向量空间夹角为基础，将m个部门在两个时期间构成的向量夹角作为度量产业结构变化程度的指标，该指标称为Moore结构变化值，并以此指标来反映产业结构的变动速度。Moore结构变化值的计算原理如下：

式中：M+—Moore结构变化值；

ωi0—基准期第i产业所占的比重；

ωit—报告期第i产业所占的比重；

m—产业部门数[196]。

根据式（6-8）计算结果，采用反余弦计算两组向量的夹角，其计算公式如下：

由式（6-8）和式（6-9）可知，M+越大则αo越小，表明前后两个时期产业结构变动速度较小，即前后两个时期m个产业部门的产值占比趋同；反之，产业结构变化速度较大，产值占比差别大。

第二，产业结构高度化的年均变动KIV值。首先，将产业部门划分为n个部门；其次，分别计算每个产业部门产值占比的时期差；最后，将所有部门产值占比的时期差进行求和，从而计算其平均值，其计算表达式如下所示。

式中：KIV—结构年均变化值；

qit—i部门在基准期的构成比例；

qi0—i部门在报告期的构成比例；

n—基准期至报告期的年份数。

从式（6-10）可以看出，KIV值反映了产业结构的年平均变动程度，KIV越大表明报告期相对于基准期的产业结构差异越大，产业结构的变动也越大；反之，产业结构的变动越小。

如上所述，Moore值和KIV值均是评价产业结构变动速度的指标，两者在反映结构变动程度的趋势上是相一致的。前者采用向量夹角反映前后两个时期产业结构变动程度，后者用平均占比变化反映在前后两个时段产业结构的平均变动程度。因此，在描述相同时期的产业结构转变速度时，Moore值对产业结构变动结果表现更为敏感，而KIV值对产业结构变动结果表现相对平稳[197]。(www.xing528.com)

表6-5　京津冀产业结构变化速度五年均值（1978-2013年）

表6-5反映出了1978-2013年京津冀地区产业结构变动速度的变化情况。从αo和K+值的五年平均值来看，北京地区1991-2000年产业结构变动速度较快，从2001年开始产业结构变动速度趋缓，在2011-2013年平均产业结构变动速度小于此前的平均值，表明产业结构变动逐渐减慢。天津地区1981-1990年和1996-2005年两个时期产业结构变动速度较快，从2006年开始变动速度放缓。河北地区1978-1980年和1986-1990年两个时期产业结构变动速度较快，尤其是2006-2010年平均产业结构变动速度为0.48，小于其他时段平均值。从总体上来讲，北京地区产业结构变动速度大于天津，天津地区大于河北。而在2010年以后京津冀地区产业结构变化速度趋于放缓，在2011-2013年河北地区的产业结构变动速率快于天津和北京。可能的原因是河北在化解“产能过剩”过程中关闭了一些产品结构单一高能耗的企业，并且采取了一系列的产业调整措施。

产业结构的变动速度如何改变劳动力的分布，从产业变化的视角来看，产业结构的变动会带来劳动力市场的变化，也就是说会出现产业结构性的失业和新兴产业的就业。产业结构变动的速度越快，对劳动力市场的影响越明显，结构性失业和劳动力在部门间的再次分配就越容易出现。因此，产业结构调整会引发劳动力市场的波动，由此带来了劳动力在部门之间的转移，而伴随京津冀一体化进程的步伐，劳动力在整个区域间的分布会出现变化。

三、模型2：引入产业结构升级的劳动力分布模型

产业结构变动方向和产业结构变动速度对劳动力分布会产生影响，基于产业发展对劳动力分布影响基本模型1的基础上，引入产业变动方向和产业结构变动速度指标，建立涵盖产业结构升级的劳动力分布影响模型。

1.拓展模型2的构建

产业结构优化升级会带来劳动力的增加或减少，区域产业结构变动方向和速度的差异，使得劳动力在空间的分布并不是均匀的。Crowder（1997）、周燕（2011）、牟宇峰（2014）等人的研究表明，产业结构升级会对劳动力的空间分布产生影响。产业结构优化升级是产业结构合理化与产业结构高度化的统一。产业结构合理化可以表现为，产业的发展方向是不是朝着更加协调的方向发展，产业间的关联度，产值结构是不是趋向合理；产业结构高度化可以表现为，产业在结构演进过程中，从一种低形态的结构向高形态结构的演化过程。

产业结构的优化升级会带来劳动力在空间的集聚和扩散。产业转型与升级过程中，由于产业规模和技术进步效应产生劳动力的吸纳和挤出，从空间分布来看表现为劳动力在空间上的集疏。

本书主要关注资本投入、产业结构升级变动对劳动力密度的影响，拓展模型隐含四个假设：（1）劳动力密度与资本投入之间存在非线性关系，两者之间的关系基本满足C-D生产函数形式。（2）在技术水平不变条件下，为了消除产出与资本投入之间的共线性将产出作为控制变量。（3）产业结构升级变动可以看作三次产业结构转换过程，将它分解为产业结构变动方向和产业结构变动速度。（4）资本投入与产业结构变动之间存在交叉作用，这种交叉作用同样对劳动力密度产生影响。

在仅以资本投入作为影响劳动力密度的产业发展与劳动力密度模型1的基础上，本书引入产业结构升级变量-产业结构变动方向DIR和速度SPE，建立涵盖资本投入和产业升级两层因素的劳动力密度影响模型：

对式（6-11）取对数，以消除异方差对模型的影响：

式中：劳动力密度L'可以查各地统计年鉴通过简单计算得到；资本投入K可以直接在统计年鉴中获得；产业结构变动方向DIR以第二、三产业产值占比之和来表示；产业结构变动速度SPE以Moore值和KIV值法计算的同期变动趋势相近的向量夹角αo和KIV值的平均值来表示；μi代表技术水平、经济增长等不在本书研究范围内，但对劳动力密度产业影响的控制变量；εit代表包含地区和时间影响的随机误差项[198]。

采取逐步回归分析方法，建立三个模型，分别包含：劳动力密度L'和资本投入K的基本变量；增加产业结构变动方向DIR变量和产业结构变动速度SPE变量；增加资本投入与产业结构变动方向DIR和产业结构变动速度SPE之间的交互项ln K·ln DIR和ln K·ln SPE，由此建立产业升级对劳动力密度影响的模型2的三个子模型如下：

2.计量检验

本章数据来源2014年北京、天津、河北省统计年鉴，选取1985-2013年京津冀劳动力就业数、国民生产总值、第二、第三产业产值占比等指标数据，形成29年的时间序列数据。

单位根ADF检验分为三步，第一步是对ln L'、ln K、ln DIR、ln SPE变量原始时间序列进行检验，将漂移项Intercept和趋势项Trend均设为无附加；第二步是对原始时间序列进行一阶差分后再检验，并附加漂移项；第三步是对原始时间序列的二次差分进行检验，同时附加漂移项和趋势项，检验结果见表6-6。

表6-6　变量ADF单位根的检验结果

通过表6-6可以看出，变量ln L'、ln K、ln SPE序列是非平稳序列，具有一阶单位根，而变量ln DIR是平稳序列，ln DIR、ln SPE在一阶差分时是平稳序列，四个变量在二阶差分时实现同阶平稳。

为了验证ln L'、ln K、ln DIR、ln SPE之间是否存在稳定的线性关系，需要进一步对变量进行Johansen协整检验（Johansen, Jusdius，1990），选择有线性趋势且协整方程有截距的检验标准，检验结果见表6-7。

表6-7　Johansen协整关系检验

Johansen协整检验表明，拒绝序列之间没有协整关系的原假设，也就是说序列之间至少存在一个协整关系，即变量ln L'、ln K、ln DIR、ln SPE之间存在线性关系，由此验证了模型中因变量与自变量之间存在线性关系的可靠性。

表6-8　产业升级对劳动力分布影响模型拟合结果

注**表示在1%水平上显著，*表示在5%水平上显著

在协整检验的基础上，使用Eiews 6.1选择最小二乘估计方法，以1985-2013年数据对模型进行分布拟合回归，结果如下表所示：

从表6-8来看，总体来看依次加ln K、ln DIR、ln SPE、ln K·ln DIR ln K·ln SPE三个子模型对数据的拟合程度较好，并且逐次增加，拟合优度分别为0.954、0.965、0.978，表明通过增加解释变量产业结构变动方向和速度，能够较好的改进回归模型，自变量对因变量解释程度有所增强。同时，从变量的显著性检验来看，ln K、ln SPE、ln K·ln SPE在第三个模型中通过了显著性水平为5%的检验，证明从统计上资本投入、产业结构变动速度、资本投入与产业结构变动速度的交互效应对劳动力数量有显著影响，ln DIR和ln K·ln DIR没有通过显著性检验，表明产业结构变动方向对劳动力密度影响不显著。

3.结果分析

根据模型2的拟合结果，可以得出以下三方面的结论：

第一，变量ln K的系数在三个子模型中显著为正，依次递增，说明资本投入出对劳动力密度增加有很强的拉动作用，也就是说资本投入增加会带动劳动力密度的增加，也可以理解为固定资产投入能够对这一地区的劳动力产生聚集效应，使得劳动力在空间分布变得更为密集。随着产业因素的增加，资本投入增加对劳动力的聚集效应没有显著变化。

第二，单从产业结构升级对劳动力密度影响来看，在子模型2中，产业结构变动方向和产业结构变动速度对于劳动力密度都会产生负效应，这与通常所认为的结构迅速转变将带来短期内的摩擦性失业或长期的结构性失业有一致性，这种失业会挤出部分劳动力，对劳动力密度影响为负。在子模型3中，添加交叉变量后，产业结构变动方向和产业结构变动速度对于劳动力密度都会产生正效应，这说明在加入交互作用后，产业结构变动方向和速度会增加劳动力密度，这一结果和实际情况基本类似，第二、第三产业比重增加会拉动这一区域劳动力跟过的就业，因而这一地区的劳动力更为密集。

第三，变量交叉项ln K·ln DIR和ln K·ln SPE都为负，产业结构变动方向交叉项并不显著。在资本投入为正，当有三个变量子模型2中，产业结构升级变动影响为负，而在子模型3中，加入交互变量后，资本投入依然为正，产业结构升级变量也是正效应，也就是升级会带来劳动力密度增加，而交互项影响为负。主要有两种可能：一种可能是模型数据较少带来了拟合误差，使得模型结果和现实有所出入；另一种可能是现实中确实存在这种情况。对于后者，主要在资本投与产业升级共同作用下，升级转换中所需的劳动力结构不能快速转换，这一过程中存在劳动力基础效应，交互作用表现出来的就是对劳动力密度的抑制作用。