EN中文

经济地理 >

2024 , Vol. 44 >Issue 5: 117 - 125

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.05.012

产业经济与创新发展

中国数字经济就业吸纳与带动能力的时空变化特征

  • 蒋雨彤 , 1 ,
  • 封永刚 , 2, ※
展开
  • 1.西南财经大学 经济学院，中国四川 成都 611130
  • 2.中国社会科学院 人口与劳动经济研究所，中国 北京 100006
※封永刚（1989—），男，博士，助理研究员，研究方向为技术进步与就业。E-mail：

蒋雨彤（1991—），女，博士研究生，研究方向为劳动力市场与就业。E-mail：

收稿日期: 2023-08-25

  修回日期: 2024-03-09

  网络出版日期: 2024-09-14

基金资助

国家自然科学基金青年项目(72203233)

国家自然科学基金专项项目(72141310)

收起

Spatio-temporal Characteristics of China's Digital Economy's Ability to Absorb and Drive Employment

  • JIANG Yutong , 1 ,
  • FENG Yonggang , 2, ※
Expand
  • 1. School of Economics，Southwestern University of Finance and Economics，Chengdu 611130，Sichuan，China
  • 2. Institute of Population and Labor Economics，Chinese Academy of Social Sciences，Beijing 100006，China

Received date: 2023-08-25

  Revised date: 2024-03-09

  Online published: 2024-09-14

Fold

摘要

文章基于国家统计局的数字经济核心产业定义，构建包含数字经济的省级投入产出表，与历年全国人口普查、1%人口抽样调查的省级分行业就业数据进行合并，采用投入产出分析技术对2000—2020年中国数字经济就业吸纳与带动能力的演变趋势进行分析。研究发现：①数字经济的就业吸纳与带动能力均明显上升，就业吸纳能力的增速更高。②数字服务业反超数字制造业，成为吸纳就业的主要行业；数字经济通过不断增加对服务业的中间产品需求，对租赁和商务服务业、传统批发和零售业等服务业的就业带动效应不断增强。③北京、天津、广州、江苏和上海始终是数字经济吸纳就业和带动就业的优势区域，随着数字经济向中西部地区渗透，在中西部省份已经形成了梯度明显的就业吸纳或带动能力较强的新区。④八大综合经济区的就业吸纳与带动能力差异趋于缩小，三大沿海地区与五大内陆地区之间差异的缩小是主要驱动力。基于此，文章提出了顺应数字经济就业，加强就业技能培训，提升就业质量和完善就业吸纳与带动能力建设的相关建议。

关键词： 数字经济; 就业; 投入产出分析; 基尼系数; 吸纳与带动能力; 数字服务业; 灵活就业

本文引用格式

蒋雨彤 , 封永刚 . 中国数字经济就业吸纳与带动能力的时空变化特征[J]. 经济地理, 2024 , 44(5) : 117 -125 . DOI: 10.15957/j.cnki.jjdl.2024.05.012

Abstract

Based on the definition of core industries of digital economy by the National Bureau of Statistics of China,this article constructs a provincial input-output table including the digital economy,merges it with the provincial employment data of the national population census and the national 1% population sample survey,and analyzes the evolution trend of China's digital economy's ability to absorb and drive employment from 2000 to 2020. It's found that: 1) Digital economy's ability to absorb and drive employment have increased significantly,and the growth rate of the ability to absorb employment is even higher. 2) The digital service industry has surpassed the digital manufacturing industry and become the main industry to absorb employment. Through the continuous increase in the demand for intermediate products in the service industry,the digital economy has a constantly enhanced employment-driven effect on the leasing and business service industry,traditional wholesale and retail industries and other service industries. 3) Beijing,Tianjin,Guangzhou,Jiangsu and Shanghai have always been the advantageous areas for the digital economy to absorb and drive employment. With the penetration of the digital economy into the central and western regions,provincial-level regions in central and western China have formed new areas with ability in absorbing or driving employment. 4) The differences in the ability to absorb and drive employment of the eight comprehensive economic zones tend to narrow,and the narrowing of the differences between the three major coastal regions and the five major inland regions is the main driving force. Based on the above,this paper puts forward suggestions to strengthen employment skills training,improve the quality of employment in line with the new trend of employment in the digital economy,and improve ability to absorb and drive employment.

Key words： digital economy; employment; input-output analysis; Gini coefficient; ability to absorb and drive; digital service industry; flexible employment

数字经济作为我国经济增长的新引擎，其对GDP增长的贡献不断增大。按照国家统计局发布的《数字经济及其核心产业统计分类（2021）》，数字经济产业包括数字产业化和产业数字化两大部分，前者为狭义上的数字经济产业（也称为数字经济的核心产业），二者共同组成广义上的数字经济产业。一方面，根据国家网信办发布的《数字中国发展报告（2022年）》，2022年我国广义的数字经济增加值达50.2万亿元，占GDP比重提升至41.5%，总量位居世界第二。另一方面，根据国务院发布的《“十四五”数字经济发展规划》，2020年我国狭义的数字经济增加值占GDP比重达到7.8%。毫无疑问，数字经济不仅是我国构建现代化经济体系的重要支撑，也是我国经济“稳增长”的重要引擎。但需要注意的是，数字经济在替代传统就业岗位的同时，也在创造新的就业机会，呈现出明显的双刃剑特征。一方面，数字经济发展能够通过技术创新助力全要素生产率增长，促进产业结构由劳动密集型向资本和技术密集型升级，致使低技能、常规性和重复性的工作岗位不断减少，智能化设备对普通劳动力的替代作用不断加强[1-2]；另一方面，数字经济发展也会通过扩大产业规模、推动产业创新、促进数字产业链形成，从而扩大就业需求规模、创造新岗位并带动关联行业就业增长[3]。
党的二十大报告提出“实施就业优先战略。就业是最基本的民生。强化就业优先政策，健全就业促进机制，促进高质量充分就业。”“就业优先”理念，其核心要义正是在于不断强化经济增长的就业驱动能力，推动就业“质”和“量”的持续上升。在“稳就业”视角下，若想实现数字经济与劳动力市场的协调发展，一是应基于就业创造效应，不断扩大数字经济的就业吸纳能力；二是要基于就业替代效应，为旧岗位被替代人员提供技能培训，缓解结构性失业问题，疏导旧岗位人员到数字经济行业及其带动发展的其他新兴行业进行就业 [4]。值得注意的是，现有研究大多仅从“稳增长”视角出发，在对数字经济规模进行核算的基础上[5-6]，进一步讨论数字经济发展的经济增长效应[7-11]。相比而言，从“稳就业”视角分析数字经济就业效应的研究相对较少，袁冬梅等使用2014和2016年中国劳动力动态调查数据，实证发现了数字经济发展对服务业就业的影响存在“倒U型”关系[12]，Wu等基于2014—2020年的中国省级面板数据，通过回归分析发现初期阶段的数字经济发展会对制造业就业产生冲击效应，但随后可以创造高技能就业需求进行弥补[13]。回归分析研究的缺陷在于其需要根据研究对象所属行业的不同，构建多个以不同行业就业规模或就业份额为因变量的回归方程，分析数字经济发展对不同行业就业的影响，而不同的回归结果难以通过简单拼接描绘出数字经济发展对就业的全局性影响。因此，本文以投入产出技术为切入点，构建一个能够反映数字经济行业与非数字经济行业之间复杂联系的统一分析框架，借助全国人口调查数据完善的分省份分行业统计资料优势，在对数字经济就业规模进行核算的基础上，进一步对数字经济内部细分行业的就业结构变化进行分析，以揭示数字经济发展对其他行业就业的带动趋势，从而为下一阶段稳定和扩大就业指明方向。
本文的核算和分析将采用狭义的数字经济行业定义，其原因有二：①囿于现有公开统计资料，难以对产业数字化部分的投入产出与就业数据进行精确衡量，因此国务院发布的《“十四五”数字经济发展规划》对2025年数字经济增长值的发展目标设定（增加值占GDP比重的目标为10%）也是以狭义口径为准，本文与其采用同一口径；②根据许宪春等对主要国际组织和国家政府的数字经济行业定义[5]进行梳理，发现国际上的数字经济统计也以狭义口径为主，其核算结果易于与国际进行比较。

1 研究方法和数据来源

1.1 投入产出分析技术

投入产出分析技术以投入产出表为基础，旨在研究行业之间投入与产出的依存关系。评估就业吸纳能力时，就业吸纳规模（ E D）由数字经济行业的总产出水平（ X D）所决定，数字经济行业的就业系数 M D由 X D除以 E D计算得到。
评估就业带动能力时，需要借助投入产出分析技术，明确数字经济行业对非数字经济行业产生的中间使用需求规模，测算出生产上述中间产品所需要的就业规模。按照Miller等的处理方法[14]，可以使用式（1）来简化表达数字经济投入产出表：
X N X D = A N , N A N , D A D , N A D , D ∙ X N X D + Y N Y D
式中： X N为非数字经济行业的总产出矩阵；A是直接消耗系数分块矩阵， A i , j = x i , j / X j，表示j行业每个单位的总产出所需消耗i行业中间投入产品的数量；Y为行业最终使用。在式（1）的等号两边分别乘以数字与非数字经济的就业系数矩阵之后，可以整理得到数字经济行业对其他行业的就业带动规模（ E D 带 N）为：
E D 带 N = M N I - A N , N - 1 A N , D X D
式中：I为单位矩阵， I - A N , N - 1表明了数字经济行业对非数字经济行业产品的中间使用需求，不仅包含直接中间使用需求，也包括1~N次间接中间使用需求。因此，数字经济行业对非数字经济行业的就业带动，囊括了生产上述直接与多次间接中间需求产品的全部就业人员（图1）。
图1 数字经济行业对非数字经济行业的就业带动作用

Fig.1 The employment-driven effect of digital economy industries on non-digital economy industries

1.2 全局空间自相关分析方法

在空间尺度上，拟使用全局空间自相关分析方法，明确我国省级地区是否存在数字经济吸纳与带动就业的连片集聚现象。考虑到不同省级地区的人口规模、经济总量存在明显差别，直接比较不同省份的数字经济吸纳与带动就业的人数并不严谨，将分别使用省级层面数字经济吸纳就业、带动就业、吸纳与带动就业之和占地区总就业人数的份额，来进行全局空间自相关的分析。

1.3 Dagum基尼系数

根据国务院发展研究中心的《地区协调发展的战略和政策》报告，将除港、澳、台、西藏以外的30个省级地区划分为八大综合经济区，使用省级层面数字经济吸纳就业、带动就业、吸纳与带动就业之和占地区总就业人数的份额，进而采用Dagum提出的基尼系数分解方法[15]，测算我国数字经济就业吸纳与带动能力的区域内部与区域之间的差异程度及其变化趋势。Dagum基尼系数能够按照子群分解方法，识别出超变密度对于总体地区差异的贡献，能够更有效地解决子样本间的交叉重叠问题以及地区差异的来源问题，其计算公式如下：
G = G w + G n b + G t = ∑ s = 1 r ∑ u = 1 r ∑ k = 1 p s ∑ l = 1 p u Y s k - Y u l 2 p 2 Y ¯
式中：r代表八大综合经济区的数量；s和u分别代表不同组别的综合经济区；p为省级地区的数量；相应的 p s和 p u分别为第s类和第u类综合经济区内部所包含的省级地区数量； Y s k和 Y u l分别为第s类和第u类综合经济区内部，第k个和第l个省级地区的度量指标； Y ¯为度量指标的平均值。Dagum基尼系数可以进一步分解为区域内差异贡献 G w、区域间净值差异贡献 G n b以及超变密度贡献 G t，后两部分 G n b和 G t则共同组成了区域间差异的总贡献。

1.4 数据来源和说明

1.4.1 省级数字经济投入产出表

基于国家统计局《数字经济及其核心产业统计分类（2021）》对数字经济核心产业的定义，将数字经济产业划分为数字产品制造业、数字产品服务业、数字技术应用业和数字要素驱动业4类。随后，以省级地区为基本空间单元，构建2000、2005、2010、2015和2020年5个年份的省级数字经济投入产出表。省级数字经济投入产出表构建方法为：首先，对1997—2017年《中国地区投入产出表》的行业分类口径进行梳理、合并和统一。其次，根据《数字经济及其核心产业统计分类（2021）》对4类数字经济核心产业的定义，从省级投入产出表中分离出4个细分的数字经济行业 ① ，分离系数以第1~4次《中国经济普查年鉴》披露的上述行业的数字经济部分占原行业的营业收入份额进行衡量。最后，改进国家统计局投入产出延长表的制作方法，将延长表制作由参照前一轮投入产出调查的单一参照系，更改为参照前一轮和后一轮投入产出调查的双重参照系，以1997—2017年省级数字经济投入产出表为基础，制作2000、2005、2010、2015和2020年5个年份的省级数字经济投入产出延长表 ② ，使用重点系数法和RAS方法[16]保证中间流量矩阵保持投入产出表的基本平衡性，从全方面实现延长表的行列平衡性，最终整理得到包含34个非数字经济行业、4个数字经济行业的省级数字经济投入产出表。

1.4.2 省级分行业就业数据

目前的省级分行业就业人数核算存在两类主流的统计口径，第一类是以人口调查为主体的劳动统计；第二类是由城镇单位劳动统计、私营企业和个体工商户的行政登记，以及乡村就业人员统计三者组成的“三合一”劳动统计[17]。但“三合一”劳动统计存在对未登记就业人员的统计存在缺失问题，导致部分行业的城镇就业人数（尤其是灵活就业人员）被遗漏[18]，而人口调查数据采用住户调查统计能较好地规避上述问题，统计结果更加准确。因此，基于《中国2000年人口普查资料》《中国2010年人口普查资料》《中国人口普查年鉴2020》3份公开统计资料中长表数据的省级分行业就业人数，以及2005和2015年的全国1%人口抽样调查的2份微观数据，对34个非数字经济行业以及4个数字经济行业的就业规模进行总量推断，数字经济行业就业人数的分离系数使用同样以《中国经济普查年鉴》披露的上述行业的数字经济部分占原行业的就业份额进行衡量。

2 结果分析

2.1 数字经济就业吸纳与带动能力的时序演变趋势

2.1.1 数字经济就业吸纳与带动能力的变化趋势

由表1可知：①2000—2020年我国数字经济的就业吸纳与带动能力均呈现出大幅增长的变化趋势，其中就业吸纳能力的增长更加突出。具体来看，研究期内就业吸纳规模由540.10万人上升至2782.42万人，增幅高达415.17%；就业带动规模由1482.01万人上升至3192.32万人，增幅为115.40%；二者加总后，我国数字经济就业吸纳与带动规模的总和则由2022.11万人上升至5974.74万人，增幅为195.47%。②我国数字经济吸纳就业与带动就业占全国总就业的比重也不断上升，其中2020年我国数字经济吸纳就业占比上升至4.18%，若再将数字经济带动的就业规模考虑在内，数字经济吸纳与带动的就业总人数占比将达到8.98%，仅次于农、林、牧、渔业，批发和零售业以及建筑业3个行业，数字经济不仅是我国经济增长的重要引擎，也将成为我国扩大就业的孵化器以及稳定就业的压舱石。③分时段看，数字经济吸纳就业的规模在2000—2010年的年均增速为11.31%，在2010—2020年的年均增速下降至5.85%，说明数字经济吸纳就业的能力已跨过高速增长阶段，当前仍以中速状态在增长；而数字经济带动就业的规模在2000—2010年的年均增速为3.41%，在2010—2020年增速小幅上升至4.41%，说明数字经济带动就业的能力以较为平稳的速度保持增长。可以预期的是，数字经济的就业吸纳能力将很快超越就业带动能力。
表1 我国数字经济就业吸纳与带动能力的变化趋势

Tab.1 Change trend of China's digital economy's ability to absorb and drive employment

指标名称 指标类别 2000年 2005年 2010年 2015年 2020年
就业吸纳能力 规模（万人） 540.10 791.77 1576.56 2056.38 2782.42
占全国总就业比重（%） 0.77 1.13 2.11 2.95 4.18
就业带动能力 规模（万人） 1482.01 1960.42 2073.17 2361.63 3192.32
占全国总就业比重（%） 2.12 2.80 2.78 3.38 4.80
就业吸纳与带动能力总和 规模（万人） 2022.11 2752.18 3649.72 4418.02 5974.74
占全国总就业比重（%） 2.89 3.93 4.89 6.33 8.98

2.1.2 数字经济就业吸纳与带动能力的行业分布

由表2可知：①数字产品制造业的就业吸纳份额趋于下降，在2000—2020年由68.76%下降至43.94%；而数字产品服务业、数字技术应用业、数字要素驱动业3个服务业（简称数字服务业）的就业吸纳份额趋于上升，同期由31.24%上升至56.06%，数字服务业的就业吸纳能力完成了对数字制造业的反超。其中，以计算机、通信和其他电子设备制造为主的产业具有更强的“机器换人”特征，其就业吸纳份额下降更多的是数字技术就业替代效应的显现；此外，顺应我国产业结构的转换，数字服务业也更大程度地承担了就业吸纳的功能，其就业吸纳份额上升更多的是数字技术就业创造效应的体现。②进一步从数字服务业内部来看，数字技术应用业的就业吸纳份额由17.47%大幅上升至41.40%，是推动数字服务业就业吸纳能力不断提升的最核心动力；数字产品服务业的就业吸纳份额则由3.98%小幅上升至6.95%；数字要素驱动业的就业吸纳份额“先降后升”，在2000—2010年由9.79%下降至4.02%，随后又在2020年回升至7.70%。
表2 我国数字经济就业吸纳能力的行业分布特征

Tab.2 Industry distribution characteristics of China's digital economy's ability to absorb employment

行业类别 2000年 2005年 2010年 2015年 2020年
数字产品制造业（%） 68.76 54.16 59.61 56.85 43.94
数字产品服务业（%） 3.98 4.32 7.16 9.09 6.95
数字技术应用业（%） 17.47 34.55 29.21 28.05 41.40
数字要素驱动业（%） 9.79 6.96 4.02 6.01 7.70
图2反映了2000和2020年我国数字经济对34个细分行业的就业带动规模占就业带动总规模的份额变化情况，通过分析可以发现：①数字经济对农、林、牧、渔业的就业带动份额急剧下滑，由26.64%下降至8.51%，其原因一方面是由农业就业人数大幅减少所决定，另一方面也受数字经济行业对农业产品的中间使用需求减弱所影响。②数字经济对采矿业、电力、热力、燃气及水生产和供应业、建筑业的就业带动份额均较小。③数字经济对制造业（剔除数字经济部分）的就业带动份额由29.75%小幅下降至24.67%，仅有少部分细分行业的就业带动份额出现了明显的变化，大部分细分行业的就业带动份额以稳定为主。④数字经济对服务业（剔除数字经济部分）的就业带动份额由37.80%大幅上升至62.30%，特别是对租赁和商务服务业、批发和零售业（剔除数字经济部分）2个细分行业的就业带动份额分别上升了12.05%和6.15%；对房地产业、住宿和餐饮业和交通运输、仓储和邮政业3个细分行业的就业带动份额分别上升了2.85%、2.11%和1.35%。综上可知，数字经济发展对服务业产品的中间使用需求巨大且仍在大幅上升。如以电商发展为例，其不仅明显吸引了劳动力到数字交易业进行就业，还带动了传统的批发和零售业就业增长，也在其产业链上对相关的商务服务、设备租赁、场地厂房、住宿和餐饮、物流等行业的就业产生明显的带动作用。
图2 我国数字经济就业带动能力的行业分布特征

注：序号1为农、林、牧、渔业；序号2~5为采矿业；序号6~19为制造业（剔除数字经济部分）；序号20~22为电力、热力、燃气及水生产和供应业；序号23为建筑业；序号24~34为服务业（剔除数字经济部分），具体参考《国民经济行业分类》（GB/T 4754—2017）。

Fig.2 Industry distribution characteristics of China's digital economy's ability to drive employment

2.2 数字经济就业吸纳与带动能力的空间演变特征

2.2.1 数字经济就业吸纳与带动能力的基本空间演变特征

通过计算我国省级层面数字经济就业吸纳规模、就业带动规模、就业吸纳与带动总规模占省级就业人数的比重，并使用5级自然断点法对每年的比重指标进行分类，分别将30个省份划分为能力强、能力较强、能力中等、能力较弱和能力弱5类，从而反映出数字经济就业吸纳与带动能力的基本空间演变特征（图3~图5）。
图3 我国数字经济就业吸纳能力的变化

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2023）2767号的标准地图制作，底图无修改。图4、图5同。

Fig.3 Evolution characteristics of China's digital economy's ability to absorb employment

图4 我国数字经济就业带动能力的变化

Fig.4 Evolution characteristics of China's digital economy's ability to drive employment

图5 我国数字经济就业吸纳与带动能力总和的变化

Fig.5 Spatial evolution characteristics of China's digital economy's ability to absorb and drive employment

①2000—2020年，我国数字经济就业吸纳能力较强和中等水平的省份数量大幅增加，连片分布特征明显增强（图3）。具体来看，2000年我国仅有广东、北京和上海3个省份处于就业吸纳能力强状态，天津属于就业吸纳能力较强等级；其余26个省份中，分别有3、10和13个省份依次属于就业吸纳能力中等、较弱和弱的状态。新世纪之初，除北、上、广、津四地外，我国大部分省份的数字经济均处于起步阶段，发展水平较为落后，其对就业的吸纳能力尚未形成。到2020年，北、上、广依然是我国数字经济就业吸纳能力最强的地区，地位稳固。此外，随着我国省级层面数字经济发展水平的提升，就业吸纳能力的空间分布也呈现出了新的特征：一是就业吸纳能力达到较强水平的地区增多，除了天津以外，还形成了重庆、湖南、江西、福建、浙江和江苏6省市的U型连片分布地区；二是随着数字经济向中、西部地区的不断渗透，四川、陕西、湖北、河南和安徽5省的数字经济就业吸纳能力上升至中等水平，并在局部地区形成连片分布；三是东北地区的数字经济发展滞后问题更加严峻，在人才不断外流的趋势下，仅辽宁勉强维持在就业吸纳较弱水平，黑龙江和吉林的数字经济就业吸纳能力继续下滑；四是新疆、青海、内蒙古、云南、贵州、河北、海南的数字经济发展落后问题依然存在，致使该地区的就业吸纳能力始终不强。
②2000—2020年，我国数字经济在省级层面的就业带动辐射范围不断扩大，新的产业分工格局已然形成（图4）。具体来看，2000年数字经济就业带动能力处于中等及以上水平的地区呈现出沿东部海岸线为主的分布特征（由辽宁开始至广东结束），陕西是唯一处于内陆且达到较强水平的省份。到2020年，我国数字经济就业带动能力的空间格局得以重新分布：一是北京和广东的地位稳固，依然属于就业带动能力最强的地区；二是川渝新晋成为生产数字经济发展所需中间产品的西部中心，与上海、天津和江苏一起，成为数字经济就业带动能力较强的地区；三是数字经济就业带动能力处于中等水平的地区呈现出由东部沿海，向中、西部地区延伸的发展趋势，中部的河南、湖北、安徽和江西4省，与山东和浙江一起，形成了新的连片分布区域，而西部的宁夏、云南和广西3省区，也通过生产数字经济所需的中间产品，提升了数字经济的就业带动能力，达到中等水平；四是西北和东北地区对数字经济产业链的融入不深，致使其数字经济的就业带动能力始终不强。中、西部省区份在数字经济行业发展上的滞后，可以通过结合自身的比较优势，在数字经济产业链上厘清自己的定位，为发达地区的数字经济行业发展提供必要的中间产品（包括制造产业或服务）来弥补。
③将省级层面数字经济就业吸纳与带动能力加总并结合前文的时间序列分析，发现2000年我国数字经济就业吸纳能力仅为带动能力的36.44%，当期的就业吸纳与带动能力总和在空间上的分布与就业带动能力保持一致，能力总和达到中等水平及以上的地区均处于东部海岸沿线（图5）。至2020年，一方面，北京、天津、广州、江苏和上海的数字经济就业吸纳与带动能力总和始终处于较强及以上水平，5个省市的数字经济发展起步较早，并且极力在当地完成数字经济产业链的搭建，实现就业吸纳与带动能力的双重提升；另一方面，随着数字经济行业及其上下游产业链向中、西部地区的转移和延伸发展，空间分布格局同样也发生了较大改变。具体来看，可以将数字经济就业吸纳与带动能力总和达到中等及以上水平的省份，进一步划分为就业吸纳与带动能力平衡提升的地区，以及就业吸纳与带动能力非平衡提升的地区。同时，结合图3和图4，可以发现：第一，对于平衡提升的地区来说，重庆晋升成为数字经济就业吸纳与带动能力均达到较强水平的省份；河南、湖北和安徽晋升成为数字经济就业吸纳与带动能力均达到中等水平的省份。第二，对于非平衡提升的地区来说，四川的数字经济就业带动能力提升更加突出；湖南、江西、福建和浙江的数字经济就业吸纳能力提升更加突出。此外，西北、东北地区的大部分省份，河北、贵州和海南的数字经济就业吸纳与带动能力仍处于较低的双重困境之中。

2.2.2 数字经济就业吸纳与带动能力的空间关联性分析

使用邻接空间权重矩阵，对我国2000—2020年数字经济就业吸纳与带动能力的空间关联性进行分析（表3）。结果表明，数字经济的就业吸纳与带动能力在2000—2020年均存在正向空间关联性，且空间自相关指数均经历了“先上升，后下降”的演进特征，其中2000—2005年处于上升区间，2005—2020年则属于下降区间。同时，结合图3~图5可知，我国数字经济就业吸纳与带动能力在早期所具备的正向空间关联性，事实上是一种低水平的连片集聚状态，正是由于中部和西部省份的数字经济发展滞后，就业吸纳与带动能力不强，并构成区域连片分布，甚至使得空间自相关指数出现了短暂上升的变化趋势。但随着数字经济向中、西部地区的不断渗透，特别是四川和重庆、宁夏开始趋于形成西南和西北地区数字经济发展中心，打破了原始的低水平连片分布，引发了空间自相关指数的下降。
表3 我国数字经济就业吸纳与带动能力的全局空间自相关分析

Tab.3 Global spatial autocorrelation analysis of China's digital economy's ability to absorb and drive employment

年份 就业吸纳能力 就业带动能力 就业吸纳与带动的总能力
2000 0.147* 0.233** 0.223**
2005 0.296** 0.390*** 0.369***
2010 0.221** 0.361*** 0.315***
2015 0.259** 0.251** 0.256**
2020 0.137* 0.131* 0.135*

注：***、**和*分别表示全局空间自相关指数在1%、5%和10%水平上显著。

2.2.3 数字经济就业吸纳与带动能力的空间差异特征分析

①表4显示了2000—2020年基于八大综合经济区分类的Dagum基尼系数测算结果。从区域差异程度的变化趋势来看，数字经济的就业吸纳能力、就业带动能力、就业吸纳与带动能力总和3项的Dagum基尼系数均呈现出下降的变化趋势，分别由0.5548、0.5200和0.5254下降至0.3090、0.3432和0.3163，3项能力的区域差异程度均明显下降，但0.30以上的基尼系数说明地区之间的差异仍然突出。从区域差异程度的贡献因素来看，3项能力的区域间差异贡献始终高于90%，区域内差异贡献均在10%以内，说明八大综合经济区之间的数字经济就业吸纳与带动能力存在明显差别，而综合经济区内部的差异程度相对较小。
表4 就业吸纳与带动能力的Dagum基尼系数及贡献分解

Tab.4 Dagum Gini coefficient and contribution decomposition of the ability to absorb and drive employment

指标名称 年份 Dagum
基尼系数		 区域内差异
贡献（%）		 区域间差异贡献
区域间净值
差异贡献（%）		 超变密度
贡献（%）
就业吸纳能力 2000 0.5548 6.98 78.32 14.71
2020 0.3090 8.08 69.43 22.49
就业带动能力 2000 0.5200 6.87 75.69 17.44
2020 0.3432 8.62 69.65 21.72
就业吸纳与
带动能力总和		 2000 0.5254 6.90 75.94 17.16
2020 0.3163 8.12 69.10 22.79
②表5显示了2000和2020年我国八大综合经济区的区域内Dagum基尼系数变化情况。首先，从区域内部的差异程度的变化趋势来看，大部分经济区的内部差异程度呈现出减弱的趋势，仅有少数经济区内部的差异程度有所增加。在就业吸纳能力维度下，长江中游和黄河中游地区内部的基尼系数分别上升了0.0261和0.0224；在就业带动能力维度下，黄河中游、北部沿海和南部沿海地区内部的基尼系数分别上升了0.0677、0.0331和0.0990。将就业吸纳与带动能力加总后，仅有黄河中游和南部沿海地区内部的基尼系数分别上升了0.0409和0.0099。其次，从区域内部的差异程度来看，以2020年的状态为判断依据，在就业吸纳能力维度下，八大综合经济区可以划分为内部差异较大、中等和较小3种类型：一是东部沿海和南部沿海构成的内部差异较大的地区，其内部基尼系数均高于0.30；二是北部沿海、长江中游和大西北地区的内部基尼系数均介于0.10~0.20；三是东北地区、黄河中游和西南地区构成的内部差异较小的地区，其内部基尼系数均小于0.10。在就业带动能力维度下，东部沿海和南部沿海的内部差异依然较大，内部基尼系数均高于0.30；此外其余六大经济区的内部基尼系数均大于0.10。将数字经济就业吸纳与带动能力加总后发现，2020年东部沿海和南部沿海的区域内基尼系数仍高于0.30，说明地区内部的差异仍然明显；西南地区的内部基尼系数下降至0.0309，是唯一达到内部匀质化发展的地区；其余五大经济区的内部基尼系数均介于0.10~0.20。
表5 我国八大综合经济区的区域内Dagum基尼系数

Tab.5 Dagum Gini coefficient in eight comprehensive economic zones of China

指标名称 就业吸纳能力 就业带动能力 就业吸纳与带动能力总和
2000年 2020年 2000年 2020年 2000年 2020年
东北地区 0.1611 0.0785 0.2167 0.1489 0.2033 0.1116
北部沿海 0.2915 0.1877 0.1447 0.1778 0.1881 0.1477
东部沿海 0.4629 0.3708 0.3892 0.3584 0.4081 0.3635
南部沿海 0.4424 0.3325 0.2831 0.3821 0.3310 0.3409
黄河中游 0.0524 0.0748 0.0869 0.1546 0.0733 0.1142
长江中游 0.1548 0.1809 0.248 0.2098 0.2166 0.1967
西南地区 0.0988 0.0622 0.1999 0.1022 0.1611 0.0309
大西北地区 0.2217 0.1231 0.4911 0.1134 0.4436 0.1132
在明确了区域间差异是我国数字经济就业吸纳与带动能力空间差异的决定性因素之后，可以进一步对八大综合经济区的区域间差异程度及变化趋势进行分析 ① 。首先，从区域之间的差异程度来看，造成我国数字经济就业吸纳与带动能力空间差异明显的原因有三：一是沿海与内陆地区的差异始终巨大；二是三大沿海地区内部也存在明显的地区差异问题；三是内陆地区之间的差异相对较小，但也对总体的地区差异贡献了部分力量。其次，从区域之间差异程度的变化趋势来看，沿海与内陆地区之间数字经济就业吸纳与带动能力差异的缩小，是推动基尼系数总体下降的主要动力来源。2000年，无论是从单一能力，还是从两项能力的总和来看，北部沿海、东部沿海和南部沿海与其他五大综合经济区的区域间基尼系数均在0.50以上，特别是黄河中游、长江中游和西南地区与沿海地区之间的基尼系数均高于0.69，区域差异巨大。到2020年，沿海地区与大部分内陆地区之间的基尼系数下降至0.50以下，区域差异程度明显缩小，但区域差异问题仍然突出。此外，数字经济就业吸纳与带动能力在部分内陆地区之间存在差异扩大的变化趋势。具体来看：在就业吸纳能力维度，东北地区与西南地区、黄河中游与长江中游、黄河中游与西南地区的区域差异程度在2000—2020年明显扩大；在就业带动能力维度，黄河中游与长江中游、黄河中游与西南地区的区域差异程度在2000—2020年明显扩大。

3 结论与建议

3.1 结论

第一，从就业规模来看，研究期内我国数字经济的就业吸纳与带动能力均不断增强，其中就业吸纳规模由540.10万人上升至2782.42万人；就业带动规模由1482.01万人上升至3192.32万人。2020年我国数字经济吸纳与带动的就业总人数占比达到8.98%，数字经济不仅是我国经济增长的重要引擎，也将成为我国扩大就业的孵化器以及稳定就业的压舱石。
第二，从就业结构来看，在就业吸纳能力方面，数字产品制造业的就业吸纳份额由68.76%下降至43.94%；而数字产品服务业、数字技术应用业、数字要素驱动业3个服务业的就业吸纳份额由31.24%上升至56.06%，数字服务业的就业吸纳能力完成了对数字制造业的反超。在就业带动能力方面，数字经济对服务业的就业带动份额由37.80%大幅上升至62.30%，随着数字经济与非数字经济的融合加深，数字经济对非数字经济行业的就业带动，也成为支撑非数字经济行业就业增长的新动能。
第三，从空间分布来看，随着数字经济由东部沿海地区向中西部地区进行渗透，北京、天津、广州、江苏和上海的数字经济就业吸纳与带动能力始终较强的同时，重庆、湖南、江西、福建、浙江和江苏6省市形成了新的数字经济就业吸纳能力较强的连片区域；川渝新晋成为生产数字经济发展所需中间产品的西部中心，并获得了较强的就业带动能力，由此打破了我国内陆地区数字经济就业吸纳与带动能力较低的连片集聚现象。
第四，从空间差异水平来看，基于八大综合经济区的分类，我国数字经济就业吸纳与带动能力的基尼系数由0.50以上下降至0.35以下，区域间差异对基尼系数的贡献始终高于90%，是空间差异水平的决定性因素。2000—2020年三大沿海地区与五大内陆地区差异的缩小，是推动总体空间差异水平明显减弱的主要动力。与此同时，部分内陆地区的数字经济的就业吸纳与带动能力存在差异扩大的变化趋势。

3.2 建议

根据以上研究结论，提出进一步加强数字经济就业吸纳与带动能力建设的对策如下：①树立数字经济的就业吸纳与带动能力还将继续增强的乐观态度，根据数字经济吸纳和带动就业能力主要行业的工作技能需求，加强对旧岗位员工的技能提升培训，补足新旧技能衔接不畅的短板，缓解新旧就业岗位技能不匹配所产生的结构性失业问题。②数字经济吸纳与带动的就业具有较强的非正规就业或灵活就业特征，应加强非正规就业或灵活就业的社保覆盖率，适当降低社保缴纳的门槛，建立更加灵活的缴费方式，提高数字经济时代多种就业形式就业质量。③应继续发挥东部省市拥有完整的数字制造与数字服务产业链的优势，推动数字经济与现代服务业深度融合，扩大优势区域的就业吸纳与带动能力；此外，还应推动川渝形成优势互补的数字经济产业链布局，使其晋升成为西部地区数字经济吸纳与带动就业的增长极。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
胡拥军, 关乐宁. 数字经济的就业创造效应与就业替代效应探究[J]. 改革, 2022(4):42-54.

[2]
Chen C, Wang S, Yao S, et al. Does digital transformation increase the labor income share?:From a perspective of resources reallocation[J]. Economic Modelling, 2023,https://doi.org/10.1016/j.econmod.2023.106474.

[3]
Jepsen M, Drahokoupil J. The digital economy and its implications for labour. 2. The consequences of digitalisation for the labour market[J]. Transfer:European Review of Labour and Research, 2017, 23(3):249-252.

[4]
蔡昉. 如何利用数字经济促进共同富裕 ?[J]. 东岳论丛, 2023, 44(3):118-124.

[5]
许宪春, 张美慧. 中国数字经济规模测算研究——基于国际比较的视角[J]. 中国工业经济, 2020(5):23-41.

[6]
蔡跃洲, 牛新星. 中国数字经济增加值规模测算及结构分析[J]. 中国社会科学, 2021(11):4-30.

[7]
王胜鹏, 滕堂伟, 夏启繁, 等. 中国数字经济发展水平时空特征及其创新驱动机制[J]. 经济地理, 2022, 42(7):33-43.

DOI

[8]
张永姣, 丁少斌, 方创琳. 中国数字经济产业发展的时空分异及空间收敛性分析——基于企业大数据的考察[J]. 经济地理, 2023, 43(3):120-130.

DOI

[9]
张亚丽, 项本武. 数字经济发展对中国市域经济韧性的影响效应[J]. 经济地理, 2023, 43(1):105-113.

DOI

[10]
姚常成, 沈凯玙. 要素流动视角下数字经济与区域经济的包容性增长效应[J]. 经济地理, 2023, 43(4):10-19.

DOI

[11]
陈建, 邹红, 张俊英. 数字经济对中国居民消费升级时空格局的影响[J]. 经济地理, 2022, 42(9):129-137.

DOI

[12]
袁冬梅, 吕书杰, 龙瑞. 数字经济发展如何影响了服务业就业?——来自微观层面的经验证据[J]. 劳动经济研究, 2023, 11(1):81-102.

[13]
Wu B, Yang W. Empirical test of the impact of the digital economy on China's employment structure[J]. Finance Research Letters, 2022,DOI:10.1016/j.frl.2022.103047.

[14]
Miller R E, Blair P D. Input-output Analysis:Foundations and Extensions[M]. Cambridge: Cambridge University Press, 2009.

[15]
Dagum C. Decomposition and interpretation of Gini and the generalized entropy inequality measures[J]. Statistica, 1997, 57(3):295-308.

[16]
De Mesnard L, Miller R E. A note on added information in the RAS procedure:Reexamination of some evidence[J]. Journal of Regional Science, 2006, 46(3):517-528.

[17]
岳希明. 我国现行劳动统计的问题[J]. 经济研究, 2005(3):46-56.

[18]
王亚菲, 贾雪梅, 王春云. 中国行业层面就业核算研究[J]. 统计研究, 2021, 38(12):3-18.

Options
文章导航

/

〈 〉