浅谈中国城镇劳动力的就业情况
一、经济理论背景
当前我国的就业状况无疑是难以让人乐观，今后随着改革进一步的深入，将会有更多的人离开原来的工作岗位，总的就业形势将是极为严峻的，所以对此问题必须要有充分的、正确的认识和恰当的对付策略，否则就会使改革者心存顾忌而难以一鼓作气将改革持续下去，即使冒险继续往前走，也极可能因为认识上对此准备不足使得所下方子不对头，失业问题也随着改革的向前推进越来越严重，积蓄到终有一天空前的爆发出来，使得社会陷于巨大的危机之中，所以未来国人的就业问题处理的好坏可以说决定改革成败，影响社稷安危，让人不能不关心。
严格地说，在我国的国情之下，失业问题及其所引发的诸如生活失去保障等严重后果，是针对没有土地的城镇居民而言的，对于大量的、进城打工的农村富余劳动力而言，由于他们享有国家承包给他们的土地，如不出现天灾人祸，则即使他们不能在工厂打工，也不能称之为失业。基于此，虽然我们并不反对国家依照市场经济规律对国有企业进行改制，但改制后，随着以往种种保护城镇居民的制度的消失，城镇居民在就业市场中便面临着很不公平的待遇，即，同样的工资水平，对于城镇居民是全部的生活来源(包含生活费用、各种法定社会保险统筹等)，因而有个最低的忍受限度，大量的工作机会因为工资水平低于这个限度而让城镇居民难以接受，无形之中，可供选择的工作机会被大面积削减，而对于农村富余劳动力来说，工资收入则可算作第二职业的收入，加之在生活水平上的固有差异，他们对于是否工作、工资的高低等具有较城镇居民更大的承受力和灵活性，基本不会由工资的高低引发生存问题。于是，当就业市场上存在着竞争时，农村富余劳动力可以凭借相对便宜的劳动力价格，握有竞争的优势，而城镇居民明显处于一种与敬业精神、职业技能不相关的、十分尴尬的境地，加之农村富余劳动力数量十分庞大，流动也很容易，所以城镇居民很容易被挤入失业。
因此我们认为有必要研究城镇劳动力就业总人数的影响因素以及劳动力的就业方向，只有了解了各影响因素才能为解决城镇劳动力的就业问题提出有力的解决措施和政策。
二、指标选取和数据搜集
（一）指标选取
我们选择六个解释变量对我国近十八年来城镇劳动力的就业方向进行分析，模型的变量选择如下：
Y:全国城镇就业劳动力人数合计（万人）
X1：从事农、林、牧、渔业的总人数（万人）
X2：从事工业的总人数（万人）
X3：从事建筑业的总人数（万人）
X4：从事交通运输和邮电通信业的总人数（万人）
X5：从事批发零售、贸易业、餐饮业的总人数（万人）
X6：从事社会服务业的总人数（万人）
（二）数据资料
表1 城镇劳动力的就业人员数（年底数）表 计量单位：万人
|
年份
|
全国城镇就业劳动力总计Y
|
从事农林牧副渔的总人数X1
|
从事工业总人数 X2
|
从事建筑业的总人数X3
|
从事交通运输和邮电通信业的总人数 X4
|
从事批发零售贸易和餐饮业的总人数X5
|
从事的社会服务业的总人数 X6
|
|
1990
|
22739.5
|
780.6
|
6469.3
|
901.2
|
930.7
|
2145.8
|
594
|
|
1991
|
22398.5
|
769.7
|
6679.1
|
948.2
|
962
|
2275.2
|
604
|
|
1992
|
22350.4
|
758
|
6750.8
|
1001.2
|
967.7
|
2395.3
|
643
|
|
1993
|
22552.2
|
707.8
|
6808
|
1163.2
|
888.1
|
2510.2
|
543
|
|
1994
|
22800.8
|
695.7
|
6924.5
|
1130.7
|
955.7
|
2836.7
|
626
|
|
1995
|
23023.1
|
683.5
|
7022.3
|
1118.4
|
959
|
3121.6
|
703
|
|
1996
|
23662
|
649.6
|
6919.5
|
1103.7
|
985.4
|
3249.5
|
747
|
|
1997
|
23857.9
|
660.1
|
6731.7
|
1076.3
|
1004.2
|
3413.5
|
810
|
|
1998
|
24204.7
|
605.6
|
5394.4
|
873.5
|
912.1
|
3183.1
|
868
|
|
1999
|
24497.5
|
581.2
|
9061
|
880.1
|
906.2
|
3166.4
|
923
|
|
2000
|
24122.9
|
557.1283
|
8923.746
|
859.9833
|
858.3
|
2933.938
|
921
|
|
2001
|
24796.1
|
522.6142
|
8932.043
|
871.8137
|
832.0014
|
2872.034
|
976.3261
|
|
2002
|
25213.1
|
496.6396
|
9155.442
|
934.0165
|
824.8404
|
2972.257
|
1093.714
|
|
2003
|
10969.7
|
484.5416
|
3766.317
|
833.711
|
636.5174
|
628.1474
|
236.2778
|
|
2004
|
11098.89
|
466.0662
|
3852.112
|
841.0337
|
631.8494
|
586.7311
|
248.6668
|
|
2005
|
11404.03
|
446.257
|
4020.046
|
926.5889
|
613.8734
|
544.0421
|
272.4682
|
|
2006
|
11713.17
|
435.2472
|
4183.831
|
988.6725
|
612.7345
|
515.7284
|
293.3024
|
|
2007
|
12024.43
|
426.3086
|
4303.81
|
1050.783
|
623.0512
|
506.8584
|
304.6167
|
注：表中各资料来源于历年中国统计年鉴。
（三）建立模型
本模型是研究我国城镇劳动力的就业情况与主要影响要素之间的定量关系。
1.确定模型所包含的变量。被解释变量为全国城镇就业劳动力总计，解释变量为从事农林牧副渔的总人数、从事工业总人数、从事建筑业的总人数、从事交通运输和邮电通信业的总人数、从事批发零售贸易和餐饮业的总人数、从事的社会服务业的总人数。
2.确定模型的数学形式。我们将解释变量的数学形式确定为：
解释变量有6个， 为常数项， 为随机误差项，描述变量外的因素对模型的干扰。
三、实验过程
（一）回归模型参数估计
经过EVIEWS运算得表2，
表2 包含全部变量的回归分析表
|
Dependent Variable: Y
|
|
Method: Least Squares
|
|
Date: 12/30/09 Time: 23:48
|
|
Sample: 1990 2007
|
|
Included observations: 18
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
2775.079
|
4391.168
|
0.631968
|
0.5403
|
|
X1
|
39.06308
|
10.74822
|
3.634375
|
0.0039
|
|
X2
|
0.741883
|
0.198263
|
3.741912
|
0.0033
|
|
X3
|
-3.706851
|
2.006111
|
-1.847780
|
0.0917
|
|
X4
|
-30.93931
|
12.65681
|
-2.444480
|
0.0326
|
|
X5
|
6.380517
|
1.263921
|
5.048193
|
0.0004
|
|
X6
|
4.958309
|
1.888008
|
2.626212
|
0.0236
|
|
R-squared
|
0.988315
|
Mean dependent var
|
20190.50
|
|
Adjusted R-squared
|
0.981942
|
S.D. dependent var
|
5646.197
|
|
S.E. of regression
|
758.7338
|
Akaike info criterion
|
16.38648
|
|
Sum squared resid
|
6332446.
|
Schwarz criterion
|
16.73274
|
|
Log likelihood
|
-140.4783
|
F-statistic
|
155.0695
|
|
Durbin-Watson stat
|
2.427526
|
Prob(F-statistic)
|
0.000000
|
由表2可得初步得到回归方程为：
=2775.079+39.06308X1+0.741883 -3.706851 -30.93931X4+6.380517 +4.958309
（0.631968）（3.634375）（3.741912）（-1.847780）（-2.444480）（5.048193）（2.626212）
=0.988315 =2.427526 =155.0695
从表2可以看出：变量之间线性关系检验的 值为155.0695，其对应的检验概率为0.000000，小于显著性水平 =0.05，说明回归方程变量之间线性关系显著。解释变量 的检验概率大于0.05，说明这个解释变量没有通过 检验，而其它变量都通过了 检验，所以要对这个模型做出调整。
（二）处理多重共线性
1.检验是否存在多重共线性
表3 相关系数矩阵表
|
|
|
|
|
|
|
|
|
|
1.000000
|
0.367649
|
0.398491
|
0.869937
|
0.600976
|
-0.911656
|
|
|
0.367649
|
1.000000
|
0.049544
|
0.657687
|
0.823819
|
-0.540513
|
|
|
0.398491
|
0.049544
|
1.000000
|
0.391374
|
0.263218
|
-0.266142
|
|
|
0.869937
|
0.657687
|
0.391374
|
1.000000
|
0.903799
|
-0.890968
|
|
|
0.600976
|
0.823819
|
0.263218
|
0.903799
|
1.000000
|
-0.750029
|
|
|
-0.911656
|
-0.540513
|
-0.266142
|
-0.890968
|
-0.750029
|
1.000000
|
由相关系数矩阵表3可知，变量之间存在多重共线性：
2. 处理多重共线性
利用逐步回归法处理多重共线性：
（1）对 与每个X做一元线性回归得到回归方程分别为：
= 2016.253+ 30.49767
= 2971.013+ 2.674342
= 10000.15 +10.47964
= -9057.886+ 34.85577
=9281.506+ 4.926653
= 31349.11-11.53075
（2）求 、 、 、 、 、 的样本可决系数分别为：0430797、0.768723、0.041507、0.811872、0.939352、0.599871，从中可以得到最大的可决系数的方程为：
=9281.506+ 4.926653
（3）按可决系数的大小在方程 =9281.506+ 4.926653 中逐个加入其他变量得到表4。
表4 经过多重共线性处理的回归分析表
|
Dependent Variable: Y
|
|
Method: Least Squares
|
|
Date: 01/01/10 Time: 19:28
|
|
Sample: 1990 2007
|
|
Included observations: 18
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
2287.854
|
1593.501
|
1.435741
|
0.1730
|
|
X5
|
3.064612
|
0.439104
|
6.979246
|
0.0000
|
|
X2
|
0.959320
|
0.226457
|
4.236206
|
0.0008
|
|
X1
|
8.289475
|
2.446604
|
3.388156
|
0.0044
|
|
R-squared
|
0.977166
|
Mean dependent var
|
20190.50
|
|
Adjusted R-squared
|
0.972273
|
S.D. dependent var
|
5646.197
|
|
S.E. of regression
|
940.1691
|
Akaike info criterion
|
16.72313
|
|
Sum squared resid
|
12374850
|
Schwarz criterion
|
16.92099
|
|
Log likelihood
|
-146.5081
|
F-statistic
|
199.7084
|
|
Durbin-Watson stat
|
1.972521
|
Prob(F-statistic)
|
0.000000
|
由表4得到处理后的样本回归方程为：
=2287.854 +8.289475 +0.959320 +3.064612
(1.435741) (3.388156) (4.236206) (6.979246)
=0.977166 =1.972521 =199.7084
（三）检验异方差
用怀特检验是否存在异方差，通过EVIEWS操作得到表5。
表5 怀特检验分析表
|
White Heteroskedasticity Test:
|
|
F-statistic
|
5.464473
|
Probability
|
0.007593
|
|
Obs*R-squared
|
13.47809
|
Probability
|
0.036042
|
|
|
|
|
|
|
|
Test Equation:
|
|
Dependent Variable: RESID^2
|
|
Method: Least Squares
|
|
Date: 01/01/10 Time: 19:33
|
|
Sample: 1990 2007
|
|
Included observations: 18
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
45824280
|
15509321
|
2.954628
|
0.0131
|
|
X5
|
7020.032
|
2130.863
|
3.294455
|
0.0071
|
|
X5^2
|
-0.893741
|
0.460231
|
-1.941940
|
0.0782
|
|
X2
|
-6834.192
|
2211.099
|
-3.090857
|
0.0103
|
|
X2^2
|
0.413111
|
0.154746
|
2.669611
|
0.0218
|
|
X1
|
-97927.89
|
40834.24
|
-2.398181
|
0.0353
|
|
X1^2
|
77.60079
|
33.63567
|
2.307098
|
0.0415
|
|
R-squared
|
0.748783
|
Mean dependent var
|
687491.7
|
|
Adjusted R-squared
|
0.611756
|
S.D. dependent var
|
922525.9
|
|
S.E. of regression
|
574819.1
|
Akaike info criterion
|
29.64680
|
|
Sum squared resid
|
3.63E+12
|
Schwarz criterion
|
29.99306
|
|
Log likelihood
|
-259.8212
|
F-statistic
|
5.464473
|
|
Durbin-Watson stat
|
1.888529
|
Prob(F-statistic)
|
0.007593
|
假设：H0：同方差 H1：异方差
由表4得： = 0.036042<0.05= ,所以拒绝原假设,即存在异方差。
处理异方差得表6
表6 经过异方差处理的回归分析表
|
White Heteroskedasticity Test:
|
|
F-statistic
|
2.678472
|
Probability
|
0.090038
|
|
Obs*R-squared
|
13.51489
|
Probability
|
0.140658
|
|
|
|
|
|
|
|
Test Equation:
|
|
Dependent Variable: STD_RESID^2
|
|
Method: Least Squares
|
|
Date: 01/01/10 Time: 19:36
|
|
Sample: 1990 2007
|
|
Included observations: 18
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
C
|
1166737.
|
35802585
|
0.032588
|
0.9748
|
|
X5
|
3587.935
|
7682.732
|
0.467013
|
0.6529
|
|
X5^2
|
1.335968
|
1.323616
|
1.009332
|
0.3424
|
|
X5*X2
|
-1.506709
|
0.898975
|
-1.676030
|
0.1323
|
|
X5*X1
|
-1.298358
|
14.44521
|
-0.089882
|
0.9306
|
|
X2
|
-4546.906
|
4142.755
|
-1.097556
|
0.3043
|
|
X2^2
|
0.541298
|
0.391557
|
1.382425
|
0.2042
|
|
X2*X1
|
1.889547
|
7.450839
|
0.253602
|
0.8062
|
|
X1
|
25677.30
|
94012.77
|
0.273126
|
0.7917
|
|
X1^2
|
-23.72821
|
52.77026
|
-0.449651
|
0.6649
|
|
R-squared
|
0.750827
|
Mean dependent var
|
372238.1
|
|
Adjusted R-squared
|
0.470508
|
S.D. dependent var
|
561472.9
|
|
S.E. of regression
|
408562.5
|
Akaike info criterion
|
28.97886
|
|
Sum squared resid
|
1.34E+12
|
Schwarz criterion
|
29.47351
|
|
Log likelihood
|
-250.8097
|
F-statistic
|
2.678472
|
|
Durbin-Watson stat
|
1.657420
|
Prob(F-statistic)
|
0.090038
|
由表6可知此时也通过了检验，即不存在异方差。
（四）处理自相关
检验是否存在自相关，利用D-W检验检验是否存在自相关
由表4得 =1.972521，查表得到 =0.933 =1.696
若 位于（0，0.933），则存在一阶正相关；
若 位于（3.067，4），则存在一阶负相关；
若 位于 (1.696，3.067)，则不存在一阶自相关；
若 位于(0.933，1.696)或(2.304，3.067)，则无法判断是否存在自相关，D-W检验失效。
=1.972521位于(1.696，3.067)，即不存在自相关。
所以，经过分析得到最后的模型为：
=2287.854 +8.289475 +0.959320 +3.064612
(1.435741) (3.388156) (4.236206) (6.979246)
=0.977166 =1.972521 =199.7084
四、对最终模型进行分析，并解释经济意义
模型反映了从事农、林、牧、渔业的总人数，从事工业的总人数，从事批发零售、贸易业、餐饮业的总人数对全国城镇就业劳动力人数的影响，当从事农、林、牧、渔业的总人数，从事工业的总人数，从事批发零售、贸易业、餐饮业的总人数均为0时，全国城镇就业劳动力人数为2287.854万人；当从事农、林、牧、渔业的总人数增加1万人时，全国城镇就业劳动力人数增加8.289475万人；当从事工业的总人数增加1万人时，全国城镇就业劳动力人数增加0.959320万人；当从事批发零售、贸易业、餐饮业的总人数增加1万人时，全国城镇就业劳动力人数增加3.064612万人。
五、就模型所反映的问题给出针对性的政策建议或结论
以上便是利用计量经济学方法对我们所建模型进行的分析，可以看出，截至目前，我国城镇劳动力的主要就业方向是向农、林、牧、渔业发展，仍未完全走出传统的就业模式。但是，也可以看出除传统就业方向外，工业、批发零售、贸易业、餐饮业已进入目前城镇居民就业的选择范围。因此中国政府应坚持走大中小城市和小城镇协调发展的中国特色城市化道路，统筹城乡经济社会发展，调整城镇经济结构，扩大城镇就业容量，采取多种措施推动城镇劳动力向非农产业转移，并逐步消除不利于城镇发展的体制和政策障碍，引导城镇劳动力合理有序流动。
除此之外，就宏观政策来说，我国政府还应当抓紧以下几项工作：
（一）以产业结构调整为契机，促进城镇剩余劳动力在产业内部就业
（二）大力发展第三产业，拓宽城镇剩余劳动力的就业渠道
（三）努力提高城镇劳动力的素质，增强转移劳动力的市场竞争能力
（四）要建立健全社会保障机制，使劳动力者一旦遭遇失业能够维持基本的生活。
（五）大力开拓国际劳务市场。
相信在我们政府的不断努力，与社会各界的不断配合下，我国的城镇劳动力就业难题可以得到有效解决，愿我国早日解决就业问题，在经济全面发展的道路上大踏步前进！
