【研究】中国高技能劳动力与一般劳动力的空间分布格局及其影响因素

刘　晔　中山大学地理科学与规划学院教授、广东省城市化与地理环境空间模拟重点实验室

王若宇　中山大学地理科学与规划学院、广东省城市化与地理环境空间模拟重点实验室

薛德升　中山大学地理科学与规划学院院长、广东省城市化与地理环境空间模拟重点实验室

曾经元　中山大学地理科学与规划学院、广东省城市化与地理环境空间模拟重点实验室

原文刊载：刘晔,王若宇,薛德升,曾经元.中国高技能劳动力与一般劳动力的空间分布格局及其影响因素[J].地理研究,2019,38(08):1949-1964.

版权说明：感谢作者授权发布，如有转载等事宜，请联系原作者。

摘要：

　　基于2000 和2010 年全国人口普查分县数据和地级行政单元数据，采用不均衡指数和空间自相关分析等方法，刻画中国高技能劳动力和一般劳动力的空间分布格局及其变化，并采用空间滞后模型，识别高技能劳动力与一般劳动力空间分布的决定因素及其变化。

　　结果表明：①两类劳动力总体的空间特征均为东南密集，西北稀疏；② 2000—2010 年，高技能劳动力在空间分布上呈集中化的趋势，而一般劳动力呈分散化的趋势；③ 十年间高技能劳动力集聚区虹吸作用加强，其分布越发集中于沿海特大城市群，而一般劳动力集聚区回波作用加强，其分布越发均衡；④ 空间回归分析结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数和空间溢出效应在十年中一直都是决定高技能劳动力和一般劳动力空间分布的主要因素，而失业率、中学生师比、二氧化硫排放量和绿地率在2010 年也成为影响两类劳动力空间分布的主要因素。

　　对比两类劳动力的模型结果可得，高技能劳动力的空间分布受行政因素、高校因素和地区生活舒适度的影响更大，而一般劳动力的空间分布受劳动力市场因素的影响更大。

关键词：劳动力；空间分布；影响因素；不均衡指数；空间自相关分析；空间回归模型

１

引言

　　习近平主席在党的十九大报告中指出，中国社会主要矛盾已经转化为人民日益增长的美好生活需要和不平衡不充分的发展之间的矛盾[1]。区域间或城市间的经济差异，是不平衡不充分发展的具体表现。例如，2010 年，全国13 个城市群仅占国土面积的6.69%，其GDP 总量在全国占比高达62.6%[2]。在市场经济的条件下，劳动力的自由流动，有助于缩小地区间的经济差距[3]。

　　高技能劳动力与一般劳动力对地区发展有着不同的影响，其跨地区迁移的驱动因素有所不同[4]。因此，揭示高技能劳动力与一般劳动力的空间分布规律，有助于全面认识地区间不平衡发展的根源，为区域发展政策和人才吸引政策的制定提供科学依据。

　　西方发达国家的研究表明，高技能劳动力在区域间的流动，既有经济方面的原因，也有非经济方面的原因[5]。新古典主义迁移理论认为，劳动力往往从劳动回报率低的地区向劳动回报率高的地区迁移，从而使两地的劳动力回报率回到均衡的状态[6,7]。而均衡理论认为，随着发达国家国民对于生活观念的转变，生活质量变得尤为重要，因此地区舒适度日益成为高技能劳动力定居地选择的重要决定因素[8-14]。例如，Glaeser 等认为，纽约、芝加哥等美国大都市具有独一无二的高端消费场所和生活便利性，因此吸引了大量的高技能劳动力到此工作和生活[8]。

　　Partridge 发现，美国阳光地带宜人的自然环境是这些地区二战以后人口快速增长的主要原因[9]。Florida 指出，包容性是当前美国某些地区人才集聚和经济发展的重要驱动因素[10]。相对而言，就业机会是一般劳动力定居地选择最主要的考虑因素，而地区宜居性往往不太重要[11]。事实上，尽管美国内陆的某些工业城市居住环境不太好，但由于这些城市提供了大量的就业机会，吸引了大批外来劳工到此谋生[11,12]。

图片来源：Pexel

　　中国人口的空间分布一直以来是地理学者关注的焦点。既有研究往往基于人口普查数据，利用人口分布重心、不均衡指数、空间自相关分析和多元回归等分析方法，揭示人口或劳动力的空间分布规律及其影响因素，发现地区间的经济差异和自然地理环境是影响人口或劳动力空间分布最重要的因素[13-21]。尽管学者们已经系统地开展了有关中国人口或劳动力空间分布的研究，但此类研究大多以总人口或劳动人口作为研究对象，缺乏对高技能劳动力空间分布的关注。仅有少量文献基于省级尺度的统计数据或基于某个城市的问卷调查数据，开展高技能劳动力迁移和空间分布的研究，发现高技能劳动力不仅受到地区间经济差异的影响，也受到国家和地方政策、高等教育发展水平和气候条件等因素的作用[4,22-25]。

　　例如，姜怀宇等研究发现，全国高技能劳动力分布重心由北方内陆向东南沿海地区转移[23]。Liu 等研究指出，经济因素与行政因素是全国高技能劳动力迁移的主要影响因素[4,25]。胡兆量等研究指出，地区的社会经济发展条件是决定高技能劳动力分布的主要因素[22]。Qian 研究发现，地区工资水平和公共服务水平共同影响了高技能劳动力的空间分布[24]。

　　然而，上述研究存在以下几点不足：首先，大多基于省级尺度的统计数据，较少在更精细（县级） 的地理尺度上开展劳动力空间分布的研究；其次，过于强调薪酬水平等经济因素的影响，较少关注气候、公共服务和环境质量等非经济因素的作用；第三，鲜有研究利用空间回归分析技术，识别高技能劳动力和一般劳动力空间分布的决定因素，并探讨两类劳动力分布的空间依赖性。

　　为弥补前人研究的不足，本研究基于2000 年和2010 年全国人口普查分县和地级行政单元数据，采用人口不均衡指数和空间自相关分析等探索性空间分析方法，刻画中国高技能劳动力和一般劳动力的空间分布格局及其变化，并采用空间回归模型，识别高技能劳动力与一般劳动力空间分布的决定因素及其变化。

　　本文试图回答以下问题：中国高技能劳动力和一般劳动力的空间分布分别有何特征？高技能劳动力和一般劳动力的集聚区分别在哪里？十年间存在着集中化还是分散化的趋势？高技能劳动力空间分布和一般劳动力空间分布的主要影响因素分别有哪些？行政因素和市场因素分别起到什么样的作用？十年内各种影响因素的作用有何变化？

２

数据来源与研究方法

2.1  研究区概况与数据来源

　　研究区域为全国31 个省（自治区、直辖市），不含香港特别行政区、澳门特别行政区和台湾省。基本单元为2010 年全国2851 个县级行政单元（市辖区、县级市、县、自治县等），归并为286 个地级行政单元（地级市、地区、自治州、盟） 和4 个直辖市。2000年的行政区划按2010 年进行归并统一。

　　本研究所使用的劳动力数据来自于2000 年第五次和2010 年第六次中国人口普查分县资料，其余数据来自于《中国城市统计年鉴》《中国区域经济统计年鉴》《中国人口普查分县资料》《中国统计年鉴》和中国气象数据网。

　　高技能劳动力被定义为职业类别为国家机关、党群组织、企事业单位负责人和专业技术人员的从业人员；一般劳动力被定义为职业类别为办事人员和有关人员、商业和服务业人员、生产、运输设备操作人员及有关人员、不便分类的其他从业人员的从业人员。需要注意的是，本研究所探讨的劳动力，是指非农劳动力。因此，不管是高技能劳动力还是一般劳动力，均不包含职业类别为农林牧渔水利业生产人员的从业人员。研究基于两类指标进行劳动力分布的空间格局分析：劳动力总量与劳动力密度（即单位面积土地上劳动力的常住人口数）。

　　两次普查的数据显示，中国的非农就业人口由2000 年的2.36 亿人左右增加到2010 年的3.74 亿人左右，十年内增长了58.50%，年均增长率为5.85%。非农就业人口中，高技能劳动力十年内增长了26.53%，由2000 年的4900 万人左右增至2010 年的6100 万人左右，年均增长率为2.65%；而一般劳动力的总规模在十年内增长了63.16%，由2000 年的1.87 亿人左右增至2010 年的3.13 亿人左右，年均增长率为6.31%。十年间，由于大量的农业人口从事非农就业， 全国高技能劳动力占非农就业人口的比例从 20.73% 降至16.35%，而一般劳动力占非农就业人口的比例从79.27%增至83.65%。

2.2   研究方法

2.2.1　人口密度变异系数 

　　人口密度变异系数[30]（Cv）反映了人口分布的区域差异程度。

式中：xˉ 为县级单元劳动力密度的平均数；n 为县级行政单元数；xi 为各县级单元劳动力密度。

2.2.2　空间自相关分析

　　（1） 全局空间自相关分析[31]。全局空间自相关指数 （Global Moran's I）反映了全国范围内劳动力密度空间自相关的整体水平。其计算公式如下：    

式中：xi 、 xj 为地区 i 、 j 的劳动力密度；wij 是空间权重矩阵 w 的对应值；n 为地区单元数；I 的取值范围为[-1, 1]。Global Moran's I大于0，表示劳动力分布呈空间正相关；指数小于0，表示劳动力分布呈空间负相关；指数等于0，表示劳动力分布不存在空间自相关性。Global Moran's I的显著性可以通过标准化值表达。

　　（2）局部空间自相关分析[31]。局部空间自相关系数（Local Moran's I）旨在揭示每个地区与相邻地区的空间关联性。采用Local Moran's I揭示了每个地区的劳动力密度与其周边地区的空间差异程度及其显著程度。Local Moran's I的计算公式如下：

式中：zi 和 zj 是地区 i 和 j 劳动力密度的标准化值；wij 是空间权重，其中∑iwij = 1。

2.2.3　空间回归分析 

　　由于劳动力的空间分布具有较强的空间依赖性，因此有必要采用空间回归模型识别劳动力空间分布的决定因素[32]。拉格朗日乘数统计量LM-error 显著性检验结果表明，相较于空间误差模型 （SEM） 而言，空间滞后模型 （SLM） 更适用于对本研究数据的分析。空间滞后模型 （SLM） 考虑了被解释变量的空间自相关性，即某一空间对象的被解释变量不仅与同一对象上的解释变量有关，还与相邻对象的被解释变量有关，模型的设定如下：

式中：y 是被解释变量组成的矩阵；X 是由解释变量组成的矩阵；W 是标准化的空间权重矩阵；Wy 是空间滞后变量矩阵；ρ 反映空间邻近单元对于被解释变量的解释程度；β 为解释变量系数矩阵；ε 为误差项。需要注意的是，由于县区级尺度的社会经济统计数据不齐全，而且人才在选择定居地的时候往往以城市而非县区作为备选方案，空间回归分析的实证分析拟在地级尺度而非县区级尺度上开展。

　　选取的因变量和自变量如表1 所示。其中，模型的因变量为各地级或以上行政单元高技能劳动力密度或者一般劳动力密度。在自变量选取方面，参考已有研究和感性经验，选取以下五组变量：

　　① 经济因素：新古典主义迁移理论指出，劳动力倾向于迁往预期收入高和生活成本较低的地区[33,34]。中国人口迁移的实证研究表明，外资企业是吸纳外来高端人才和农名工的重要经济部门[26]。因此本文采用职工平均工资水平、失业率和人均外商直接投资三个变量测度地区的预期收入水平，采用居民生活支出占收入比例测度生活成本的高低。

　　② 行政因素：已有研究表明，中国的劳动力迁移受到行政因素的影响，这是因为行政等级高的城市会集中更多的公共服务资源，开展城市建设和招商引资的能力也更强[14]。本文采用虚拟变量“是否直辖市或省会”表征城市的行政等级。

　　③ 高等教育因素：已有研究表明，人才集聚和高等教育机构集聚具有较强的空间耦合性，这不仅因为高校为所在区域培养大量高技能人才，还因为高校及其附属企业为人才提供了大量的就业岗位[35]。因此，本研究采用每万人在校高校学生人数测度地区高等教育发展的水平。

　　④ 地区生活舒适度：西方发达国家的经验表明，怡人的气候、舒适的自然环境、便利的高端消费以及良好的公共服务等地区生活舒适度日益成为与薪酬同等重要的人才吸引要素[9,10]。因此，本文采用中学生师比、二氧化硫排放量、绿地率、年平均每日日照量、是否沿海等变量测度城市自然环境和人文环境的舒适程度。

　　⑤ 集聚效应：为了控制城市集聚效应对劳动力的吸引作用，本研究把常住人口数作为控制变量纳入到模型中。需要注意的是，在上述自变量中，所有的变量均是基于整个市域的统计数据所获取。针对模型自变量进行VIF 共线性检验，发现VIF 值均小于3，故自变量不存在多重共线性。

表1   变量基本统计信息

３

高技能劳动力

与一般劳动力的空间分布格局

3.1  总体分布格局

　　以劳动力密度作为主要指标，县级以及地级行政单元作为基本分析单元，采用分级统计图法分别绘制高技能劳动力分布图与一般劳动力分布图。

　　以2010 年的数据为基准，采用自然断点法，对断点数值做四舍五入取整，把全国县级单元分为七大类：高度集聚区 （一般劳动力密度≥500 人/km2、高技能劳动力密度≥150 人/km2）、中度集聚区 （一般劳动力密度250~500 人/km2、高技能劳动力密度100~150 人/km2）、低度集聚区 （一般劳动力密度100~250 人/km2、高技能劳动力密度80~100 人/km2）、一般过渡区（一般劳动力密度40~100 人/km2、高技能劳动力密度40~80 人/km2）、相对稀疏区（高技能或一般劳动力密度20~40 人/km2）、绝对稀疏区（高技能或一般劳动力密度10~20 人/km2）、极端稀疏区（高技能或一般劳动力密度<10 人/km2）。表2 为七类劳动力密度分区的面积和劳动力比例统计表。

表2  2000—2010 年中国高技能劳动力和一般劳动力

县级密度分级单元面积比例和劳动力比例统计表

请横屏查看

　　图1 为2000 年和2010 年中国县级与地级劳动力密度分布图。总体上来看，中国的高技能劳动力与一般劳动力的分布总体趋势均为东南密集，西北稀疏，但两者的空间分布特征存在一定的差别。由于县级劳动力密度分布图包含的信息更为丰富具体，因此以下仅阐述县级劳动力密度分布情况。

　　具体而言，2000 年，绝大部分地区高技能劳动力缺乏，稀疏区占全国总面积的98.68%，占全国高技能劳动力总量的60.14%。高技能劳动力集聚区占全国总面积的0.6%，占全国高技能劳动力总量的32.06%，并集中分布于珠三角地区、长三角地区和京津地区。2000 年高技能劳动力较为集中，稀疏区面积巨大而集聚区面积狭小。2010 年，随着劳动力的增加，高技能劳动力的高度集聚区、中度集聚区和低度集聚区占全国总面积的比例均呈上升趋势，分别增加了0.22%、0.10%和0.07%，而其占全国高技能劳动力总量却分别上升了10.78%、1.10%和0.43%。倘若以2010 年密度分区为基准，十年中高度密集区的高技能劳动力密度增加量最多，中低度集聚区次之，稀疏区增加量最少。

　　由此可见，2010 年高技能劳动力集聚性明显增强。十年内高技能劳动力与一般劳动力空间分布格局并未发生明显的转变，高技能劳动力集聚地区依然集中于京津地区、长三角地区和珠三角地区，且仅在区域内部呈现面积的小幅度扩大，中西部地区仅有生活城市周边的高技能劳动力聚集区有零星的扩张。对于大多数地区而言，高技能劳动力仍然十分紧缺。

图1   中国高技能劳动力密度与一般劳动力密度的空间格局

　　2000 年，绝大部分地区一般劳动力紧缺。一般劳动力的稀疏区占全国总面积的93.39%，但仅占全国一般劳动力总量的 29.25%。一般劳动力集聚区占全国总面积的3.12%，占全国一般劳动力总量的58.48%，成片分布于京津冀地区、长三角地区和珠三角地区，稀疏分布在各省的省会城市，以及沿海经济发达地区的大城市。

　　2000 年一般劳动力也较为集中，稀疏区面积巨大而集聚区面积狭小，一般劳动力集聚性较强。2010年，一般劳动力的高度集聚区、中度集聚区和低度集聚区占全国总面积的比例均呈上升趋势，分别增加了0.42%、0.51%和2.42%。

　　倘若以2010 年密度分区为基准，十年内高度密集区的一般劳动力密度增加量最多，中低度集聚区次之，稀疏区增加量最少。2010年，一般劳动力集聚地区依然集中于京津冀地区、长三角地区和珠三角地区，但面积大幅增加，并在东部沿海地区呈现连绵化的趋势。山东半岛城市群、长江中游城市群和成渝城市群出现了大范围的一般劳动力集聚区。就大部分的内陆省份而言，省会城市仍然是各省的一般劳动力密度高值区。

3.2   变异系数

　　变异系数可用于测度十年内中国劳动力的集聚或分散趋势。如表3 所示，2000 年中国高技能劳动力密度的变异系数低于同期的一般劳动力密度，而2010 年的情况却正好相反。由此可见，2000 年中国的高技能劳动力分布相较于一般劳动力分布而言在空间上更为分散，而2010 年中国的高技能劳动力分布相较于一般劳动力分布而言在空间上更为集中。对于高技能劳动力而言，变异系数在2000—2010 年间有所上升，表明其空间分布总体上趋于集中。对于一般劳动力而言，变异系数在2000—2010 年间有所下降，表明其空间分布总体上趋于分散。

表3   中国高技能劳动力与一般劳动力分布的变异系数

3.3   空间自相关分析

　　全局空间自相关分析旨在衡量全国范围内劳动力密度空间自相关的整体水平。2000年中国高技能劳动力和一般劳动力在县级尺度的Global Moran's I 分别为0.47 和0.54；在地级尺度的Global Moran's I 分别为0.27 和0.38 （P 值均小于0.05），均在5%的显著性水平上显著。2010 年高技能劳动力和一般劳动力的Global Moran's I 分别为0.51 和0.53；在地级尺度的Global Moran's I 分别为0.28 和0.37 （P 值均小于0.05），均在5%的水平上显著。

　　由此可见，中国的劳动力布具有一定的空间集聚特征。十年间高技能劳动力的Glob- al Moran's I 上升，说明高技能劳动力的空间集聚程度上有所增强。一般劳动力的Global Moran's I 同期有所下降，说明一般劳动力的空间集聚程度上有所减弱。

　　劳动力在2000 年和2010 年的地理集聚的总体空间差异有可能难以反映局部空间上差异的变化，这主要是由于Global  Moran's  I 估计值只是全国劳动力在空间上差异的平均值。因此需要进行局部的空间关联指标 （local indicators of spatial association, LISA） 分析探讨劳动力在县域空间分布格局及其集聚演化特征。计算2000 年和2010 年中国劳动力分布的Local Moran's I，在通过显著性检验的基础上绘制了LISA集聚图（图2）。

图2  中国高技能劳动力密度

与一般劳动力密度的LISA 集聚图

　　2000 年，高技能劳动力的高-高类型区主要分布于东部的北上广深等特大城市，以及中西部的武汉、西安、成都、重庆、昆明等直辖市或省会城市。这些城市的产业类型偏向于知识密集和附加值较高的产业，不仅为当地吸引了大量的高技能劳动力，还通过溢出效应带动了周边地区高技能劳动力的集聚。部分高-高类型区 （如北京、天津、武汉、昆明等城市） 这些低-高地区往往是大城市的城乡结合部，低端产业集中，与市中心距离较远，因此很少高技能劳动力会居住在这些地方，导致周边出现了连片的低-高类型区。低-低类型区主要连片集中分布于东北地区、西北地区、西南地区和粤赣湘闽桂等省交界地区，这些地区的经济发展水平较低，缺乏对高技能劳动力的吸引力。高-低类型区暂无明显分布区。

　　同期，一般劳动力的高-高类型区主要分布于东部的京津冀地区、长三角地区、珠三角地区以及海峡西岸地区，中部地区的武汉、长沙等大城市，西部地区的西安、成都、重庆、昆明等大城市。一般劳动力的高-高类型区明显多于高技能人才，但仍然集中于经济发达的直辖市以及省会城市。这主要是由于经济发达地区能够提供更多不同类型的就业岗位，对一般劳动力的吸引力巨大。一般劳动力的低-高类型区主要集中于中部省会城市的周边地区，这主要是因为对于中部的一般劳动力而言，相对于跨区域移动其首先更倾向于向区域内的发达城市（省会城市） 迁移。

　　与高技能劳动力类似，一般劳动力的低-高类型区暂无明显分布区。其低-低类型区依然连片集中分布于东北地区、西北地区、西南地区和粤赣湘闽桂等省交界地区。这是由于这些地区的经济落后，经济体量较小，非农产业发展滞后，吸纳非农就业的能力十分有限。

　　2010 年两类劳动力的LISA 集聚图变化存在一定差异。就高技能劳动力而言，高-高类型区仅在京津地区、长三角地区、珠三角地区的范围明显增大，而在中西部地区的范围有所减小。高-高类型区附近的低-高类型区面积明显扩大，说明高技能劳动力集聚区对周围地区的虹吸效应增强，而广大的中西部地区高技能劳动力低-低类型区范围明显增大，说明中西部地区高技能劳动力的流失越发严重。

　　就一般劳动力而言，十年间高-高类型区在东部地区并无明显变化，反而在中西部地区的范围明显扩大。高-高类型区附近的低-高类型区面积减小，说明伴随着工业企业的外迁和城市建成区的扩张，一般劳动力集聚区向外溢出效应有所增强。低-低类型区仍然分布于广大的中西部，但面积有所减少，说明其一般劳动力流失的状况得到一定的缓解。总体而言，十年间高技能劳动力集聚区虹吸作用加强，其分布日趋集中，而一般劳动力集聚区回波作用加强，其分布日趋均衡。

４

高技能劳动力

与一般劳动力空间分布的影响因素

　　本研究基于2000 年和2010 年的人口普查截面数据，分别针对高技能劳动力和一般劳动力，建立四组回归模型，通过对各模型系数的估计，识别高技能劳动力与一般劳动力空间分布的决定因素。空间依赖性检验结果表明，两个年份的两组人群的空间分布数据存在着显著的空间依赖性，因此空间回归模型的结果优于OLS 回归模型的结果。LM 检验的结果表明，空间误差项的对应统计量（Robust LMERR） 在5%的显著性水平上未能通过假设检验。因此，相较于空间误差模型而言，空间滞后模型更适用于本研究。模型的结果如表4 所示。

表4   计量模型的估计结果

　　模型拟合统计量表明，就高技能劳动力和一般劳动力而言，空间滞后模型的拟合度均高于OLS 回归模型，表现为加入空间滞后项以后，模型的赤池信息量（AIC） 大幅降低，调整后的决定系数 （R²-adjusted） 大幅提高。

　　具体而言，2000 年高技能劳动力和一般劳动力的 SLM 模型的 AIC 值分别为 706.712 和 746.247， R²- adjusted 分别为 0.424 和0.428， 而同期高技能劳动力和一般劳动力的 OLS 模型的 AIC 值分别为 811.950 和860.445，R²-adjusted 分别为0.141 和0.114；2010 年高技能劳动力和一般劳动力的SLM 模型的AIC 值分别为777.294 和811.665，R²-adjusted 分别为0.388 和0.339，而同期高技能劳动力和一般劳动力的 OLS 模型的 AIC 值分别为 848.520 和 860.849，R²-adjusted 分别为0.183 和0.175。由于篇幅的限制，下文仅对空间滞后模型的结果进行解释。

　　模型 1（2000 年高技能劳动力密度） 结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数、空间滞后项有显著的正向影响，没有证据显示其余因素对2000 年高技能劳动力密度有显著影响。

　　模型2 （2000 年一般劳动力密度） 结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数、空间滞后项有显著的正向影响，没有证据显示其余因素对2000 年一般劳动力密度有显著影响。职工平均工资对2000 年劳动力密度有显著正向影响，这证实了新古典主义迁移理论有关劳动回报率影响劳动力迁移的观点；2000 年直辖市或省会相比于其他城市能吸引更多的非农劳动力，说明了公共服务资源、城市建设经费和招商引资等方面的优势，使行政级别高的城市对非农劳动力更有吸引力；每万人在校高校学生对2000 年劳动力密度有显著正向影响，说明一个城市的高等教育发展水平高，不仅可以为本地培养大量的非农劳动力，还能够吸纳大量的非农劳动力来此就业；2000 年沿海城市相比于其他城市能吸引更多的非农劳动力，说明了沿海城市这种环境舒适度因素对非农劳动力有一定的吸引力；常住人口数对2000 年劳动力密度有显著正向影响，这说明集聚效应对非农劳动力有一定的吸引作用；最后空间滞后项系数显著，这说明2000 年非农劳动力具有一定的空间溢出效应。

　　模型 3 （2010 年高技能劳动力密度） 结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数、绿地率、空间滞后项有显著的正向影响；而失业率、中学生师比、二氧化硫排放量有显著的负向影响，没有证据显示其余因素对2010 年高技能劳动力密度有显著影响。

　　模型4 （2010 年一般劳动力密度） 结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数、绿地率、空间滞后项有显著的正向影响；而失业率、中学生师比、二氧化硫排放量有显著的负向影响，没有证据显示其余因素对2010 年一般劳动力密度有显著影响。

图片来源：Pexel

　　对2000 年的两组模型（模型1 和模型2） 和2010 年的两组模型（模型3 和模型4） 进行对比，结果表明，相比于2000 年，2010 年新增的影响因素为失业率、中学生师比、二氧化硫排放量、绿地率。在2010 年，失业率对一般劳动力密度有显著的负向影响，这说明就业机会对一般劳动力迁移的影响开始显现。这是由于十年间非农劳动力大幅增加，劳动力市场竞争加剧。中学生师比对2010 年劳动力密度有显著负向影响，这说明劳动力开始重视所在城市的中等教育服务水平；二氧化硫排放量对2010 年劳动力密度有显著负向影响，这说明劳动力开始重视所在城市的空气质量水平；绿地率对2010 年劳动力密度有显著正向影响，这说明劳动力开始重视所在城市的绿化水平。由此可知，十年间劳动力越来越注重地区的生活舒适度，其定居决策受到地区生活舒适度的影响越来越大。

　　进一步对比同一年份高技能劳动力模型（模型1 和模型3） 和一般劳动力模型（模型2 和模型4） 的结果。就经济因素（职工平均工资和失业率） 而言，一般劳动力模型的系数绝对值高于高技能劳动力模型。这是因为相对于一般劳动力而言，高技能劳动力的收入更高，非工资性收入占总收入的比例更大，在劳动力市场的职业自由度也更大（即高技能劳动力能够从事一般性职业，但一般劳动力无法从事高技能职业） [6,26,27]。

　　就行政因素（直辖市或省会） 而言，高技能劳动力模型的系数绝对值高于一般劳动力模型。这是因为行政等级更高的城市不仅集中了更多的企事业单位总部、高等院校和科研机构，其人才政策和公共服务水平也更具吸引力。因此，在选择定居地的时候，高技能劳动力比一般劳动力对此类因素更为敏感。就高等教育因素（每万人在校高校生数） 而言，高技能劳动力模型的系数绝对值高于一般劳动力模型。这是因为一方面高校毕业生毕业后普遍会寻找劳动报酬更高的管理或技术岗位，另一方面高校及其附属机构更有可能成为高技能劳动力的就业单位[15-17]。

　　就地区生活舒适度因素（中学生师比、二氧化硫排放量、绿地率和沿海城市） 而言，高技能劳动力模型的系数绝对值高于一般劳动力模型。高技能劳动力受地区生活舒适度的影响更为明显，这是因为大部分高技能劳动力的收入水平更高，因此在其解决了基本的物质需求后对于地区生活舒适度会有更高的要求[8,10]。

５

结论与讨论

　　基于第五次和第六次中国人口普查分县数据，本文分析了2000—2010 年中国一般劳动力与高技能劳动力的空间分布格局及其影响因素。研究结论如下：

　　（1）中国的高技能劳动力和和一般劳动力在空间上分布极度不均衡。两类劳动力总体的空间分布特征均为东南密集，西北稀疏，但高技能劳动力在京津冀、长三角和珠三角三大城市群的集聚程度更高，而一般劳动力在东南沿海城市群和中西部主要省会城市有较高的集聚程度。十年内，两类劳动力的空间分布格局并没有发生明显的变化：高技能劳动力在三大城市群地区的集聚度越来越高，而一般劳动力在全国范围内有分散化的趋势，其集聚区不仅在东部沿海地区有连绵化的趋势，在中西部省会城市及其周边地区也大量出现。

　　（2）变异系数表明，2000—2010 年，高技能劳动力在空间上呈集中化的趋势，而一般劳动力呈分散化的趋势。高技能劳动力的集中化趋势，不仅反映了人力资本外部性的机制，即高技能劳动力在沿海大城市的集聚会促进当地生产率的提高和工资水平的提升，从而导致高技能劳动力的进一步集聚，也部分印证了人口迁移的均衡理论，即沿海大城市的气候、公共服务和人居环境往往优于内地城市，从而导致高技能劳动力持续不断地流向沿海大城市[6,9]。一般劳动力空间分散的趋势，部分印证了新古典主义迁移理论，即一般劳动力在沿海地区的集聚会使当地劳动力市场供大于求，从而降低劳动力回报率并阻碍了劳动力的进一步集中[6,30]。此外，近年来沿海地区出现制造业外资撤离和产业升级的趋势，导致这些地区的劳动密集型产业吸纳劳动力的能力下降，也促进了一般劳动力分布的分散化趋势。

　　（3）高技能劳动力和一般劳动力的Global Moran's I 均为正数，表明中国劳动力的分布整体而言具有一定的空间集聚特征。2000—2010 年高技能劳动力的Global Moran's I 上升，而一般劳动力的Global Moran's I 下降，表明高技能劳动力的空间集聚性上升，而一般劳动力的空间集聚性下降。LISA 集聚图表明，对于高技能劳动力而言，北上广深等特大城市是高-高集聚区，对其周边的低-高类型区带来人才虹吸效应。低-低类型区主要分布在广大的中西部地区。十年间由于人才虹吸作用的加强，高-高集聚区与低-低集聚区的面积有所扩大。对于一般劳动力而言，其整体的空间特征与高技能劳动力相似。然而在十年间，其高-高集聚区在东部地区无明显变化而在中西部地区出现明显扩大。同期其低-低集聚区的范围呈明显缩小的趋势。

　　（4）空间回归分析结果表明，职工平均工资、是否直辖市或省会、每万人在校高校学生、是否沿海城市、常住人口数和空间溢出效应在十年中一直都是决定高技能劳动力和一般劳动力空间分布的主要因素。失业率、中学生师比、二氧化硫排放量和绿地率在2010 年也成为影响两类劳动力空间分布的主要因素，说明就业机会、公共服务水平和环境质量等生活舒适度因素也越来越受到两类劳动力的重视。地区生活舒适度对一般劳动力也有一定的吸引力，这个发现与西方发达国家的情况有所不同[11]。行政因素对两类劳动力的空间分布均有重要的影响，反映了行政力量在中国经济资源配置过程中仍然起到一定的作用[4,14,25]。对比高技能劳动力模型和一般劳动力模型的回归系数可知，高技能劳动力的空间分布受行政因素、高等教育和地生活舒适度的影响更大，而一般劳动力的空间分布受薪酬水平和失业率等劳动力市场因素的影响更大。这反映了政府力量和市场力量对两类劳动力的迁移和空间布局的影响有所不同。

图片来源：Pexel

　　本文将非农劳动力划分为高技能劳动力以及一般劳动力，发现了高技能劳动力与一般劳动力的空间分布以及影响因素存在一定的差异。尽管非农劳动力集中分布于东南沿海地区，但其变化趋势不同，为未来针对不同人力资本禀赋劳动力的研究提供了一定的参考。此外，本文拓展了前人对于中国人口空间分布影响因素的研究，发现除了经济与行政因素以外，生活舒适度因素作用逐渐显现，但其对高技能劳动力以与一般劳动力影响程度有所不同。

　　劳动力资源的争夺已经成为当下城市间竞争的主战场。然而，不同产业结构和不同等级的城市对不同人力资源禀赋劳动力的需求不同。本文可为城市政府制定劳动力政策和人才政策提供一定的科学依据。随着劳动力研究的深入，对于不同人力资源禀赋劳动力的区分，并研究各个地区的劳动力资源存量显得尤为重要。

　　后续研究可以在以下几个方面深化：首先，发达国家基于受教育程度、职业类别和技能证明等一系列的指标，开发出一套测度地区人才存量与增量的方法。本研究在测度地区人才存量与增量的时候，仅采用职业类别这一单一的指标。因此，如何通过多种指标的融合，科学测度地区的人才存量与增量，将会是未来的研究重点。其次，基于全国范围内的微观个体数据（如人口普查的微观样本数据），对不同人力资源禀赋的劳动力迁移的空间决策进行建模，也是一个值得开展的研究方向。第三，由于劳动力增长以及地区社会经济发展之间存在一定的内生性问题，因此研究结果可能因为反向因果问题而出现偏误，即劳动力越集中的城市，购房需求越大，机动化出行也会更普遍，因此房价问题和环境污染的问题会更严重。在未来的研究中应该考虑采用工具变量和双重差分等方法解决相关变量的反向因果问题。

参考文献

[ 1 ] 中共中央、国务院. 党的十八届中央委员会向中国共产党第十九次全国代表大会的报告. http://www.xinhuanet.com/2017-10/27/c_1121867529.htm, 2018-04-25. [The Central Committee of the Communist Party of China. China State Council. Secure a decisive victory in building a moderately prosperous society in all respects and strive for the great suc- cess of socialism with Chinese characteristics for a new era. http://www.xinhuanet.com/2017-10/27/c_1121867529.htm, 2018-04-25.]

[ 2 ] 黄金川, 林浩曦, 陈明. 2000—2013 年中国城市群经济绩效动态实证分析: 基于DEA 和Malmquist 生产率指数法. 地理科学进展, 2017, 36(6): 685-696. [Huang Jinchuan, Lin Haoxi, Chen Ming. The dynamics and empirical analysis of input and output efficiency of urban agglomerations in China, 2000-2013: Based on the DEA model and Malmquist in- dex method. Progress in Geography, 2017, 36(6): 685-696.]

[ 3 ] 严浩坤. 劳动力跨地区流动与地区差距. 地理科学, 2008, 28(2): 179-184. [Yan Haokun. Labor interregional  mobility and regional disparity of China. Scientia Geographica Sinica, 2008, 28(2): 179-184.]

[ 4 ] Liu Y, Shen J. Spatial patterns and determinants of skilled internal migration in China, 2000- 2005. Papers in Regional Science, 2014, 93(4): 749-771.

[ 5 ] 刘晔, 沈建法, 刘于琪. 西方高端人才跨国流动研究述评. 人文地理, 2013, 28(2): 7-12. [Liu Ye, Shen Jianfa, Liu Yuqi. Transnational mobility of the highly skilled: A review. Human Geography, 2013, 28(2): 7-12.]

[ 6 ] Arntz M. What attracts human capital? Understanding the skill composition of interregional job matches in Germany. Re- gional Studies, 2010, 44(4): 423-441.

[ 7 ] Fielding A J. Migration and social mobility: South East England as an escalator region. Regional Studies, 1992, 26(1): 1- 15.

[ 8 ] Glaeser E L, Gottlieb J D. Urban resurgence and the consumer city. Social Science Electronic Publishing, 2006, 43 (2109): 1275-1299.

[ 9 ] Partridge M D. The duelling models: NEG vs amenity migration in explaining US engines of growth. Papers in Regional Science, 2010, 89(3): 513-536.

[10] Florida R. Bohemia and economic geography. Journal of Economic Geography, 2002, 2(1): 55-71.

[11] Chiquiar D, Hanson G H. International migration, self-selection, and the distribution of wages: Evidence from Mexico and the United States. Journal of Political Economy, 2005, 113(2): 239-281.

[12] Davies P S, Greenwood M J, Li H. A conditional logit approach to U. S. state-to-state migration. Journal of Regional Sci- ence, 2010, 41(2): 337-360.

[13]   顾朝林, 蔡建明, 张伟, 等. 中国大中城市流动人口迁移规律研究. 地理学报, 1999, 54(3): 204-212. [Gu Chaolin,  Cai Jianming, Zhang Wei, et al. A study on the patterns of migration in Chinese large and medium cities. Acta Geographica Sinica, 1999, 54(3): 204-212.]

[14]   刘涛, 齐元静, 曹广忠. 中国流动人口空间格局演变机制及城镇化效应: 基于2000 和2010 年人口普查分县数据的分析. 地理学报, 2015, 70(4): 567-581. [Liu Tao, Qi Yuanjing, Cao Guangzgong. China's floating population in the 21st century: Uneven landscape, influencing factors, and effects on urbanization. Acta Geographica Sinica, 2015, 70(4): 567- 581.]

[15]   吕晨, 孙威. 人口集聚区吸纳人口迁入的影响因素: 以东莞市为例. 地理科学进展, 2014, 33(5): 593-604. [Lv  Chen, Sun Wei. Impacting factors of population agglomeration areas on migration: A case study in Dongguan city. Progress in Geography, 2014, 33(5): 593-604.]

[16]   戚伟, 刘盛和, 赵美风.“胡焕庸线”的稳定性及其两侧人口集疏模式差异. 地理学报, 2015, 70(4): 551-566. [Qi Wei, Liu Shenghe, Zhao Meifeng. Study on the stability of Hu Line and different spatial patterns ofpopulation growth on its both sides. Acta Geographica Sinica, 2015, 70(4): 551-566.]

[17]   曹广忠, 刘涛. 中国城镇化地区贡献的内陆化演变与解释: 基于1982-2008 年省区数据的分析. 地理学报, 2011, 66 (12): 1631-1643. [Cao Guangzhong, Liu Tao. Rising role of inland regions in China's urbanization in the 21st century: The new trend and its explanation. Acta Geographica Sinica, 2011, 66(12): 1631-1643.]

[18]   封志明, 杨艳昭, 游珍, 等. 基于分县尺度的中国人口分布适宜度研究. 地理学报, 2014, 69(6): 723-737. [Feng  Zhiming, Yang Yanzhao, You Zhen, et al. Research on the suitability of population distribution at the county level in China. Acta Geographica Sinica, 2014, 69(6): 723-737.]

[19]    Fan C C. China on the move: Migration, the state, and the household. Journal of Regional Science, 2014, 50(3): 797-  798.

[20]   刘睿文, 封志明, 杨艳昭, 等. 基于人口集聚度的中国人口集疏格局. 地理科学进展, 2010, 29(10): 1171-1177. [Liu Ruiwen, Feng Zhiming, Yang Yanzhao, et al. Research on the spatial pattern of population agglomeration and dispersion in China. Progress in Geography, 2010, 29(10): 1171-1177.]

[21]   高远东, 花拥军. 人力资本空间效应与区域经济增长. 地理研究, 2012, 31(4): 711-719. [Gao Yuandong, Hua Yongjun.The spatial effect of human capital and regional economic growth. Geographical Research, 2012, 31(4): 711-719.]

[22]   胡兆量, 王恩涌, 韩茂莉. 中国人才地理特征. 经济地理, 1998, 18(1): 8-14. [Hu Zhaoliang, Wang Enyong, Han Maoli. The characteristics of the distribution of the talented persons in China. Economic Geography, 1998, 18(1): 8-14.]

[23]   姜怀宇, 徐效坡, 李铁立. 1990 年代以来中国人才分布的空间变动分析. 经济地理, 2005, 25(5): 702-706. [Jiang Huaiyu, Xu Xiaopo, Li Tieli. An analysis to the spatial disparities of talent in china, 1990-2002. Economic Geography, 2005, 25(5): 702-706.]

[24]  Qian H. Talent, creativity and regional economic performance: The case of China. The Annals of Regional Science, 2008, 45(1): 133-156.

[25]   罗守贵, 王爱民, 高汝熹. 高级人才空间流动因素分析及建立反区域筛选机制的意义. 地理科学, 2009, 29(6):  779-786. [Luo Shougui, Wang Aiming, Gao Ruixi. Analyses of factors of high-level talents' migration and significance of es- tablishing anti-selection mechanisms among regions. Scientia Geographica Sinica, 2009, 29(6): 779-786.]

[26]  Shen J, Liu Y. Skilled and less-skilled interregional migration in China: A comparative analysis of spatial patterns and  the decision to migrate in 2000-2005. Habitat International, 2016, 57: 1-10.

[27]   Liu Y, Shen J F. Modelling skilled and less-skilled interregional migrations in China, 2000-2005. Population Space and Place, 2017, 23, e2027.

[28]   杨传开, 宁越敏. 中国省际人口迁移格局演变及其对城镇化发展的影响. 地理研究, 2015, 34(8): 1492-1506.  [Yang Chuankai, Ning Yuemin. Evolution of spatial pattern of inter-provincial migration and its impacts on urbanization in Chi- na. Geographical Research, 2015, 34(8): 1492-1506.]

[29]   马海涛. 基于人才流动的城市网络关系构建. 地理研究, 2017, 36(1): 161-170. [Ma Haitao. Triangle model of  Chinese returnees: Atentative method for city networks based on talent flows. Geographical Research, 2017, 36(1): 161-170.]

[30]   Cowell F. Measuring inequality. Oxford: Oxford University Press, 2011.

[31]  Anselin L. Local indicators of spatial association: LISA. Geographical analysis, 1995, 27(2): 93-115.

[32]  Lee L F, Yu J. Some recent developments in spatial panel data models. Regional Science & Urban Economics, 2010, 40 (5): 255-271.

[33] Todaro M P. A model of labor migration and urban unemployment in less developed countries. American Economic Re- view, 1969, 59(1): 138-148.

[34] Greenwood M J. Human migration: Theory, models, and empirical studies. Journal of Regional Science, 1985, 25(4): 521-544.

[35]  Abel J R, Deitz R. Do colleges and universities increase their region's human capital?. Journal of Economic Geography, 2012, 12(3): 667-691.

向下滑动查看参考文献

初审：李郇

审核：刘晔

终审：邓孺孺

◆ ◆ ◆ ◆

文章只代表作者观点，文责自负，与本公众号立场无关

◆ ◆ ◆ ◆

欢迎公众投稿，投稿邮箱[e-mail]，请注明微信投稿字样

回复“0”可获得文章列表

　点击下列标题即可查看相关文章

……