摘要：基于我国31个省市面板数据，考察我国就业密度空间分布特征，以Stata软件为分析平台，建立空间杜宾模型，将31个省市划分为东、中、西三部分进行就业密度的空间溢出效应分析。结果表明：我国就业密度整体上呈现“东高西低”的空间格局；东部地区就业密度不存在空间相关性，中、西部地区存在空间相关性，且空间溢出效应为负向溢出；影响中部地区就业密度的主要因素为经济因素，而基础设施、人力资本对西部地区就业密度影响较明显。
关键词：就业密度;溢出效应;空间杜宾模型;
基金：重庆市研究生科研创新项目：“中国就业密度空间分布特征及溢出效应”（编号：CYS21282）;
当前，我国就业形势保持总体平稳，但国内外风险挑战增多，解决好就业问题对于稳定经济社会发展、保障民生具有重要意义。就业空间分布是描述城市空间结构的重要指标，体现城市就业要素在空间内的分布和组合状态。就业密度作为反映区域经济集聚程度的重要指标，可以揭示区域空间结构演化趋势。
国内现有关于就业密度的文献主要集中在两个方向。（1）侧重于研究就业密度与其他变量之间的关系。韩峰等探讨了城市就业密度和市场规模对城市劳动生产率的影响，并以中国284个地级及以上城市面板数据为依据进行了实证分析。何雄浪等建立包含三个部门的地区贸易模型，推导出可估计的市场潜力方程，并以1985～2008年为样本区间，探讨市场潜力、就业密度与我国地区工资水平的关系。王燚利用GIS空间分析法，研究了轨道交通对周边一定辐射范围内就业空间结构的影响。（2）侧重于对就业中心的识别。王晖采用贝叶斯克里金地统计、非参数局部加权回归等方法探索了南京都市区就业空间格局演化特征及就业中心形成的影响因素。曾海宏等利用ArcGIS空间分析软件探讨了深圳市就业空间结构的特征及演化趋势。罗仁泽等利用就业人口统计、手机信令以及地铁站点人流等相关数据，以深圳市为例，研究了快速移民城市的就业空间特征及影响因素。近年来，部分学者开始聚焦于特定群体的就业中心识别，王慧等针对特定群体之特性，优补了特定群体的就业中心的界定，修正了现有识别方法，并进一步进行了效果检验。
通过文献回顾可以发现目前存在可以改进的地方。（1）涉及中、西部地区的研究较少；（2）大多采用两次经济普查数据，数据样本量少；（3）较少考虑空间关联因素。因此，本文基于2000～2019年的面板数据，以全国31个省市为研究范围，探究我国就业密度的空间分布特征，并分为东、中、西部地区，纳入空间关联因素，验证空间溢出效益，分析其影响机制，为制定区域就业政策等提供定性与定量依据。
一、变量选取与数据来源
（一）变量选取。
由于就业密度引起的经济集聚通常表现在二三产业，建成区面积体现了二三产业的分布与发展状况，因此本文的被解释变量就业密度用二三产业就业人数与该省市的建成区面积之比表征。解释变量为就业密度空间溢出效应，即就业密度的空间滞后项。参考相关理论及文献，结合数据的可获得性及中国的实际情况，从经济发展水平、社会基础建设、人力资本三个角度选取了14个变量。经济发展水平用人均GDP、二三产业产值比重、平均工资、固定资产投资、消费品零售额衡量。社会基础建设用人均医疗床位、人均道路面积、人均公园绿地面积、每万人拥有公共交通车辆、房价、城镇化率表示。已有文献大多使用每万人大学生人数表征人力资本，但是考虑到大学生流动性较强，而教师具有相对稳定性，因此加入了每万人大学专任教师数这一指标；专利申请受理数是地区创新能力的体现，与人力资本息息相关，因此也加入了这一指标。为消除价格影响，人均GDP、平均工资、固定资产投资、社会消费品零售总额、房价均以2000年为基期利用GDP平减指数进行缩减。在实证分析中，为消除异方差的影响，本文对所有变量取自然对数。
表1 2000年、2010年、2019年就业密度梯队一览表
（二）数据来源。
数据主要来源于2000～2019年《中国统计年鉴》和《中国城市统计年鉴》。部分缺失数据采用插值法补齐。
二、研究方法
（一）空间自相关分析。
全局空间相关性通常采用Moran's I进行测度，公式如下：
式中：n表示样本个数；Wij是空间权重矩阵，反映空间单元i与j的空间关系；xi、xj用来表示具有空间权重矩阵Wij的两个区域i和j的几何属性信息。
（二）空间计量模型。
根据已有研究，空间杜宾面板模型具有比空间滞后和空间误差模型更一般的形式，能够同时反映地区空间异质性和竞争特点，因此本文采用空间杜宾模型。空间杜宾模型公式如下：
式中：β为外生变量的空间自相关系数，表示自变量的空间滞后项对本地区的影响程度；δ为内生变量的空间自相关系数，表示因变量的空间滞后项对本地区的影响程度；γ为空间滞后解释变量的系数。
三、我国就业密度空间分布特征
处理数据得到我国31个省市2000～2019年就业密度，使用几何间隔分类法将其分为3个等级，得到2000年、2010年、2019年就业密度分类表，如表1所示。从表中可以发现，我国就业密度存在明显的空间分异特征，整体上呈现“东高西低”的空间格局，高值区主要集中于中东部发达地区，低值区主要分布在东北、西北地区。2000年就业密度高值区以长江沿线和东部沿海地区为主，2010年就业密度高值区开始由集聚区向四周扩散，2019年开始形成小聚集、大分散的格局。近年来，我国就业率不断增长，但部分地区就业密度呈下降趋势，造成这一现象的原因可能是随着城市化进程加快，建成区面积扩张速度超过就业人数增长速度，且部分地区二三产业就业人口的统计口径发生变化，造成数据上单位建成区面积上就业人口的减少。京津沪地区是理论意义上的就业集中区，但是没有位于第一梯队，这是由于省级行政区和直辖市不可避免地在数据上不平等造成的。（表1)
四、我国就业密度空间溢出效应分析
（一）就业密度空间自相关分析。
考虑到空间的异质性，本文将全国分为东、中、西部三个地区进行对比分析。东部地区包括：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南。中部地区包括：山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南。西部地区包括：内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。
为验证我国东、中、西部地区存在空间自相关，首先进行莫兰检验。本文使用的是空间距离权重矩阵，用Stata15.0计算得出2000～2019年我国东、中、西部地区就业密度全局莫兰指数。其中，东部地区全局莫兰指数不显着，意味着东部地区就业密度不存在显着的空间自相关，这可能与东部地区沿海呈长条分布、空间距离跨度大、联系不紧密有关，因此本文后续主要分析中、西部地区。中、西部地区莫兰指数结果如表2所示。可以发现，所有年份P值均显着，说明中、西部地区就业密度存在显着的空间自相关。（表2)
（二）空间效应分解结果分析
1、中部地区空间效应分解结果分析。
在回归分析之前，为验证模型选择的合理性，首先通过LM、LR和Wald检验，检验结果均拒绝了SDM退化为SAR与SEM的假设，因此使用空间杜宾模型利用Stata15.0软件进行回归分析，受篇幅所限，不再赘述检验结果。参考已有研究，仅考虑空间杜宾模型直接的回归结果会忽视解释变量对被解释变量带来的边际影响，从而导致估计结果存在偏差，此时需要对模型进行分解，LeSage and Pace针对空间效应作用范围与对象的差异性，将空间杜宾模型中解释变量对被解释变量的影响效应分为直接、间接与总效应。因此，本文将空间效应分为直接效应、间接效应、总效应进行分析。
基于空间杜宾模型的中部地区回归结果如表3所示，被解释变量即就业密度通过了1%置信水平，系数为-0.3941，说明存在空间溢出效应，且是负向的效应。（表3；表中***、**、*分别表示1%、5%、10%的置信水平下显着，括号内报告的是标准误，下同）
就业密度空间溢出效应在直接、间接、总效应下均显着通过，其中在直接效应中，在1%置信水平下显着为正，说明当地就业密度空间溢出效应对当地就业密度产生了积极影响；而在间接效应中，在5%置信水平下显着为负，说明当地就业密度空间溢出效应对邻近地区就业密度产生负面影响，这种现象可能表现为相邻两地间存在资源竞争关系，而人们往往倾向于选择综合实力更强的地区。
从直接效应的回归结果看，二三产业产值比重显着为正，说明一个地区二三产业占比越高，就业密度也越高；固定资产投资与人均医疗床位、人均道路面积均显着为负，说明当地投资以及社会基础设施建设对就业密度没有起到应有的带动作用，对当地就业产生的影响不大；而城镇化率显着为正，表明城镇具有更强的吸纳就业的能力，所以城镇化率越高的地区，就业密度也越大；专利申请受理数显着为正，即表明地区的创新能力对就业密度产生了积极影响。
表2 中、西部地区就业密度全局莫兰指数值一览表
从间接效应的回归结果来看，本地人均GDP对邻近地区的就业密度产生了负的影响；本地二三产业产值比重和平均工资的增加会带动邻近地区就业密度的增长；人均医疗床位显着为负，说明当地的医疗水平增加会吸引外地人员就业，从而对邻近地区就业密度产生负面影响；人均道路面积、专利申请受理数显着为正，说明交通基础设施与专利申请受理数整体上呈现了正的溢出效应；城镇化率在1%的置信水平下显着为负，说明本地城镇化的发展有利于促进本地就业密度的提升，对邻近地区产生吸引作用。
总地来说，影响中部地区就业密度的主要因素为经济因素，其次是社会基础建设，人力资本对就业密度影响较小。
2、西部地区空间效应分解结果分析。
西部地区回归结果中，被解释变量就业密度在1%置信水平下显着为负，系数为-0.5941，说明西部地区就业密度也存在负向的空间溢出效应。西部地区空间杜宾模型的分解效应如表4所示。（表4)
就业密度空间溢出效应在直接效应下通过了1%置信水平且系数为正，在间接效应下却不显着，说明西部地区的就业密度空间溢出效应对本地的影响显着大于对邻近地区的影响，但是总效应下显着为正，总体来说，就业密度空间溢出效应对就业密度产生了积极影响。
表3 中部地区空间杜宾模型分解效应一览表
从直接效应的结果来看，经济发展水平类指标均不显着，说明当地经济发展滞后，没有对就业密度产生积极影响。同时，每万人拥有公共交通车辆显着为负，表明本地公共交通对就业密度存在负的影响。每万人大学生人数显着为正，而每万人大学专任教师数显着为负，说明西部地区教育发展水平存在滞后。
从间接效应的结果来看，二三产业产值比重显着为负，说明本地二三产业的发展对邻近地区就业密度产生了负的空间溢出效应；城镇化率显着为正，说明当地城市化水平的提升会带动邻近地区城市化水平的提升。基础设施建设中人均公园绿地面积显着为负，说明当地城市环境的提升会吸引邻近地区人员前往就业。每万人大学专任教师数均显着为负，说明当地教师数量的增加对邻近地区就业密度产生负的影响。
总地来说，西部地区经济发展水平滞后，其中基础设施和人力资本对就业密度的影响较明显。
五、结论
本文基于2000～2019年全国31个省市的面板数据，考察全国就业密度的空间分布特征及中、西部地区的空间溢出效应。研究发现：（1）我国就业密度高值区主要分布在中东部地区，整体上呈现“东高西低”的空间格局，且高值区逐渐向四周扩散；（2）东部地区不存在空间自相关，中、西部地区存在空间相关性，且存在负的空间溢出效应；（3）影响中部地区就业密度的主要因素为经济和基础建设，影响西部地区就业密度的主要因素为基础设施和人力资本。
表4 西部地区空间杜宾模型分解效应一览表
基于本文的研究结果可以得出，要提高就业密度对区域的经济溢出就要加强基础设施建设，促进区域一体化，实现城市协同发展，减少经济差异过大带来的消极影响。在此基础上，注重人才引进，采取措施以提高人力资本投入为经济带来的积极作用，同时加强区域间的经济技术合作，从各方面促进经济增长。
参考文献
[1]韩峰,柯善咨.城市就业密度、市场规模与劳动生产率--对中国地级及以上城市面板数据的实证分析[J]城市与环境研究, 2015(01).
[2]何雄浪,汪锐.市场潜力、就业密度与我国地区工资水平J]中南财经政法大学学报, 2012(03).
[3]王燚.轨道交通对浦东新区就业空间结构的影响--基于经济普查数据的分析[J]城乡规划, 2017(03).
[4]王晖.南京都市区就业空间结构演变[J]经济地理, 2020. 40(05).
[5]曾海宏,孟晓晨,李贵才.深圳市就业空间结构及其演变( 2001-2004 ) [J].人文地理, 2010.25(03).
[6]罗仁泽,杨高,周春山.快速移民城市的就业空间特征及影响因素--以深圳市为例[J]华南师范大学学报(自然科学版), 2020.52(05).
[7]王慧，吴晓.特定群体就业中心识别方法的修正和检验[J]城市规划, 2020.44(11).
[8]宁译萱,尹勇，李琼.基于空间杜宾模型的中国省际雾霾污染影响因素分析[J].现代商贸工业, 2020.41(26).
