中国高技术产业集聚的就业效应研究——基于空间面板的实证分析

晋 盛 武,盛 淑 洁

(1.合肥工业大学经济学院，安徽 合肥 230601;2.合肥工业大学工业信息与经济研究中心,安徽 合肥 230601)



中国高技术产业集聚的就业效应研究
——基于空间面板的实证分析

晋 盛 武1，2,盛 淑 洁1

(1.合肥工业大学经济学院，安徽 合肥 230601;2.合肥工业大学工业信息与经济研究中心,安徽 合肥 230601)

产业集聚的就业效应既是一个复杂的理论问题，也是一个不可回避的现实问题。该文基于中国2004-2011年高技术产业的省级面板数据，应用空间计量模型探讨了高技术产业集聚与就业水平之间的关系。研究结果表明，高技术产业就业水平与产业集聚之间存在着倒U形关系，即产业集聚达到门槛值之前，集聚对就业水平具有正效应，但跨越门槛值之后，随着集聚程度的不断提高，就业水平会呈现下降的趋势。此外，分行业高技术产业的门槛值不尽相同，相同集聚程度下，不同产业可容纳的就业量也存在着很大的差异。

就业效应；高技术产业集聚；空间面板模型；倒U形

0 引言

改革开放以来，我国持续的经济增长为高技术产业的发展创造了良好的条件。根据国家统计局的数据，中国高技术产业的产值从2000年的10 411亿元升至2012年的88 434亿元，高新技术企业数从9 758家增至24 636家，高技术产业年平均就业人数从389.9万人增至1 269万人。我国高技术产业的发展得益于各级各类开发区基础设施的不断建设和完善，并呈现出在开发区集聚的现象。高技术产业集聚创造了大量就业岗位的同时，由于信息计算机等先进技术的广泛运用替代了一些传统的劳动要素，减少了对一般性技术职位和传统劳动力的需求。然而在总体上，我国高技术产业集聚与就业之间究竟是怎样的关联？产业集聚的现实是怎样影响就业的？产生这种影响的原因是什么？这既是一个复杂的理论问题，也是一个不可回避的现实问题。

有关产业集聚对就业影响的研究主要集中在国外，但并未达成共识。一类研究认为产业集聚有利于就业增长[1-3]；另一类研究认为产业集聚对就业增长的影响具有不确定性，这种不确定性使产业集聚与就业之间呈现出非正的关系[4-6]。上述学者大多以制造业为研究对象，鲜有涉及高技术产业集聚的就业效应，为数不多的相关研究分析了高技术产业的发展与就业水平之间的关系。而对于这二者之间的关系，学术界尚未形成一致的结论。此类研究的结论大部分偏向于高技术产业的发展增加就业机会，促进就业增长[7-13]；但也有学者指出，高技术产业的发展是一把双刃剑，在创造就业机会的同时，也因推动技术进步等原因损失就业岗位，高技术产业存在就业增长粘性的痼疾[14]。高技术产业集聚对就业水平的影响是否也具有不确定性仍然是未解之谜，基于集聚视角的研究有待开展。

需要指出的是，以上研究在分析产业发展对就业增长的影响时，忽略了不同地区的劳动就业可能存在空间相关性。以中国四大高技术产业密集区*四大高新技术产业密集区包括：以北京中关村科技园区为中心的环渤海高新技术产业密集区；以上海高新区为中心的沿长江高新技术产业区；以深圳高新区为中心的东南沿海高技术产业密集区；以西安-杨凌高新区为中心的沿亚欧大陆桥高新技术产业密集区。为例，这些区域已形成了集科研、生产、金融等功能于一体的经济中心，其发展会产生极化效应和扩散效应*极化效应是指这些区域对周围地区产生一定的吸纳能力，吸引生产要素不断向中心集聚，实现经济发展的自我增强机制。扩散效应是指这些区域本身的发展会辐射周边地区，带动周边地区的经济发展。。从区域间发展的角度而言，由于欠发达地区的劳动力、资金和技术等生产要素会向发达地区流动，发达地区的高新区会产生扩张效应，欠发达地区会产生回荡效应*扩张效应和回荡效应是瑞典经济学家、诺贝尔经济学奖获得者冈纳·缪尔达尔提出的经济概念。在一国国内，某个地区的发展会引起别的地区的衰落，因为欠发达地区的劳动力、资金和技术等生产因素会向发达地区流动，阻碍了欠发达地区的发展，即在欠发达地区出现回荡效应。相反，发达地区形成了经济中心，促进经济的发展，形成“扩张效应”。。在高技术产业集聚的过程中，上述几种效应的共同作用会使劳动力在集聚区之间流动，当一个区域发展产生的极化效应和扩张效应占比重较高时，劳动力会大量流入；当扩散效应和回荡效应发挥主要作用时，劳动力则会流出。

正如Anselin所言，某个空间单元上的某种经济现象或某一属性值与邻近空间单元上的同一现象或属性值往往是相关的。某一变量空间相关性的存在使传统计量方法的适用性受到限制，而空间计量方法则能很好地弥补这一缺陷[15]。因此，本文基于2004-2011年中国31省市分行业高技术产业的面板数据，构建空间计量模型，探讨高技术产业集聚对就业水平会产生何种影响以及这一影响在不同的高技术行业中有何差异，同时关注经济规模、人力资本、基础设施建设等因素对就业水平的作用。现有的文献还未涉及这一系列问题的研究，本研究将为认识高技术产业集聚的就业效应提供实证依据。

1 研究假说及模型设定

“威廉姆森假说(Williamson Hypothesis)”认为，空间集聚在经济发展初期能显著促进效率提升，但达到某一门槛值后，空间集聚对经济增长的影响变小，甚至不利于经济增长，拥挤外部性更倾向于分散的地理空间结构[16]。受这一假说的启发，本文认为高技术产业集聚与就业水平之间也存在着倒U形关系，即产业集聚存在着门槛值，在集聚的初期，其对就业会产生正效应，跨越门槛值之后，由于拥挤效应，其对就业水平会产生负效应。

事实上，高技术产业形成集聚的初期，由于产业与服务的高附加值、高利润以及产业的垄断属性，集聚区内企业急需人才，进入壁垒小，许多刚走出校园的高学历、高技能人才填补了这一需求，同时行业平均工资一般高于传统行业，也会对社会上高技能、经验丰富的从业人员产生巨大的吸引力，人才向集聚区汇集，就业总量增加。产业集聚发展到一定阶段后，行业竞争的加剧、就业岗位的饱和逐渐显现，慢慢会出现就业的拥挤效应，即在一个劳动力市场内，由于供求关系发生变化，出现劳动力市场供大于求的现象，行业平均工资出现波动和下降，导致部分从业人员从原来的集聚区迁移至其他区就业。

根据上述假设，就业水平是集聚强度的二次函数，基本模型设定如下：

G=aH2+bH+cZ+ε

(1)

以式(1)为基础，在空间计量模型的支持下，建立空间滞后模型(SAR)和空间误差模型(SEM)，具体模型如下：

(2)

(3)

式中：Git为省份i在t时期的就业水平，Hit为省份i在t时期的集聚程度，Zit为省份i在t时期的控制变量；α、β、φ为变量系数，ρ、λ分别为空间自回归系数和空间自相关系数；εit、μit为随机误差项，εit,μit～iid(0,σ2),i,j=1,…,n,j≠i,n为省份数;Wij表示空间权重矩阵，其设定遵循Queen相邻判定原则，Wij=1表示空间区域i与j相邻，Wij=0表示空间区域i与j不相邻。在实证过程中，本文对Wij进行标准化处理。

模型对H具有显著的正回归系数，对H2具有显著的负回归系数，当H2的系数显著非负时，拒绝拥挤效应增长的假设。因变量G以各省市的年末高技术产业从业人员数来衡量，自变量H以单位面积的产业产值来表示*目前，用于衡量集聚强度的指标主要有区位基尼系数[17]、赫芬达尔指数等。本文为了考虑每个省市的规模并纳入产业地理临近信息，使用单位面积的产业产值作为衡量集聚强度的指标。由于高技术产业需求的人才类型较为集中，生产类型较为相似，不存在因技术水平产业差异过大导致产值差异大的情形，因此，本文认为使用单位面积的产值衡量集聚是合理的。。控制变量Z包括：1)经济规模：以各省市年末全社会从业人员数(g)来衡量。2)人力资本：高技术产业发展的动力是知识创新，而创新的源动力为人才，因此本文将人力资本作为关键的控制变量。人力资本质量的提高主要依靠教育途径实现，而各受教育群体的边际生产力是不同的。考虑到高技术产业知识密度高的特点，选用各省市每十万人在校高等院校学生数(l)来衡量人力资本的水平。3)基础设施水平：一个地区基础设施的质量越高越有利于地区竞争力的提升和企业的成长，有助于提供更多的就业机会。由于生产的原材料、营销、研发支持等方面都受到本省市公路里程的影响，因此本文以每万平方公里的公路里程数(s)来衡量各省市的基础设施水平。

本文数据来源于2005-2012年《中国高技术统计年鉴》和《中国统计年鉴》。根据《中国统计年鉴》，中国高技术产业包含医药制造业(Ps)、航天航空制造业(AS)、电子及通信设备制造业(ETE)、电子计算机及办公设备制造业(COE)、医疗设备及仪器仪表制造业(MEM)5类行业。由于受数据可得性限制，各行业的样本量有所差异，具体如下：Ps产业每个时期的区域个体数为31，样本量为248；AS产业剔除“内蒙古、广西、海南、重庆、云南、西藏、青海、宁夏和新疆”9个区域，样本量为176；ETE产业剔除“西藏、青海和宁夏”3个区域，样本量为224；COE产业剔除“内蒙古、吉林、海南、重庆、贵州、西藏、甘肃、青海、宁夏和新疆”10个区域，样本量为168；MEM产业剔除“内蒙古、海南、云南、西藏和新疆”5个区域，样本量为208。高技术产业各产业产值选用居民消费价格指数将其折算为2004年不变价表示。

2 集聚就业效应的实证分析

2.1 空间自相关分析

为检验各省高技术产业就业的空间自相关性，本文利用Geoda095i计算了2004-2011年就业的Moran I，结果见表1。

表1 高技术产业就业的Moran I

Table 1 Moran I of number of employed personnel of high-tech industries

年份20042005200620072008200920102011PsASETECOEMEMMoranI0．32680．34000．34320．33880．34580．33020．34570．3114P值0．00100．00100．00200．00300．00300．00600．00100．0020MoranI-0．2022-0．2199-0．1906-0．1917-0．2248-0．1313-0．1314-0．1001P值0．06600．05300．06900．08600．06200．19700．21100．3480MoranI-0．1366-0．1301-0．1275-0．1250-0．1263-0．1318-0．1314-0．1307P值0．02300．03200．03500．05600．04700．03400．02900．0360MoranI-0．1928-0．1885-0．1746-0．1681-0．1661-0．1742-0．1686-0．1990P值0．02800．02900．04400．04300．05500．04800．04800．0300MoranI0．32640．32320．36210．37340．44020．45520．47410．4615P值0．00600．00700．00600．00500．00300．00400．00100．0030

从Moran I检验值看，2004-2011年中国各省高技术产业就业之间存在显著的空间自相关，即存在空间交互作用，这种交互作用在研究期间变化幅度不大且没有固定的趋势。医药制造业(Ps)和医疗设备及仪器仪表制造业(MEM)作为竞争性较强的产业，其Moran I检验值均显著为正，说明就业水平在空间上发生的相互作用是正向的，一个区域出现了就业增长，必然引起相邻区域的就业增长，即产生溢出效应。这种溢出效应可能与两个因素有关：一是邻近区域的示范作用，当邻省的Ps和MEM产业发展状况较好、对就业增长促进作用大时，本地政府必然会关注邻省的发展模式和政策，积极制定促进本地Ps和MEM产业发展、吸引相关人才的政策。二是邻近区域的扩散作用，邻省的Ps和MEM产业发展会带动周边地区的经济发展，间接地带动本地Ps和MEM产业的就业增长。比如京津冀地区的Ps产业之间存在协同合作，一个区域的Ps产业发展好，同时会带动另两个区域的就业增长。航天航空制造业(AS)、电子及通信设备制造业(ETE)和电子计算机及办公设备制造业(COE)的Moran I检验值均为负值，劳动就业在空间上的依赖性表现为负向，一个区域的就业增长会引起邻近区域的就业衰退。分析出现这种情形的原因，要依据产业的特征。AS产业享受政府的资金支持，属于垄断程度高的类型，当本地出现了此类产业的集聚区，邻近区域没有建立相似集聚区的能力，那么相关人才只能流入本地。ETE和COE属于智力密集型的垄断竞争行业，当邻省形成集聚程度高的企业群时，会对本省的资本、人才等产生吸引力，使资源向集聚区集中，形成增长极。因此邻省ETE和COE的就业增长会相对引起本省ETE和COE的弱化。

为更直观地分析各省份就业水平的情形，以ETE产业为例，做出2004年和2011年就业水平的Moran I散点图和分布图(图1-图3)，其中，G为就业水平，W_G为就业水平的空间滞后向量。Moran I散点图对应的地区详情见表2。2011年与2004年相比，各省市就业的空间相关模式变化不大，只有山东省从高-高模式变为低-高模式，山西省从低-高模式变为低-低模式，云南省从低-低模式变为低-高模式，天津从高-低模式变为低-低模式。

图1 2004年ETE Moran I散点图

Fig.1 Moran scatterplot of ETE in 2004

图2 2011年ETE Moran I散点图

Fig.2 Moran scatterplot of ETE in 2011

图3 2004年与2011年被选省市(不含西藏、青海和宁夏)ETE从业人员数分布

Fig.3 Distribution of ETE employee numbers in selected provinces in 2004 and 2011

表2 Moran I散点图对应的地区详情

Table 2 Moran scatterplot corresponding to regions

象限空间相关模式2004年2011年第1象限高-高(H-H)江苏、浙江、上海、福建、山东江苏、浙江、上海、福建第2象限低-高(L-H)广西、江西、湖南、安徽、海南、山西广西、江西、湖南、安徽、海南、云南、山东第3象限低-低(L-L)北京、河北、内蒙古、辽宁、吉林、黑龙江、河南、湖北、重庆、四川、贵州、陕西、甘肃、新疆、云南北京、河北、内蒙古、辽宁、吉林、黑龙江、河南、湖北、重庆、四川、贵州、陕西、甘肃、新疆、天津、山西第4象限高-低(H-L)广东、天津广东

图3显示，江苏省的劳动就业从2004年到2011年有了较大进步，因此邻近的山东省与其之间的模式变为了L-H；山西省由于邻近的河南省就业水平有了较大发展，而呈现出L-H模式；天津的模式发生变化是由于邻近的河北省就业水平取得了较大进展；四川省的就业水平在此期间也出现了较大增长，导致其邻近的云南省变为L-H模式。图3还显示电子及通信设备制造业主要分布在京津、长三角和珠三角地区。

2.2 模型估计结果与分析

首先做空间面板的拉格朗日乘子LMERR和LMLAG检验，以判断选用空间滞后模型(SAR)或空间误差模型(SEM)，结果见表3。表3显示，5类产业的空间滞后效应与空间误差效应均通过检验，其中除了医疗设备及仪器仪表制造业的两种效应不太显著，其他产业的两种效应都显著。因此，本文同时采用SAR和SEM模型对样本进行估计。

表3 LM检验结果

Table 3 Results of LM test

产业PsASETECOEMEMLMERRLMLAGLM5．2566175．669814．55873．06201．3092P值0．0219 0．0000 0．00010．08010．2525LM6．1197178．931915．15242．91302．1972P值0．0134 0．0000 0．00010．08790．1383

本文使用固定效应进行模型估计而非随机效应模型，理由是样本回归分析局限于一些特定的个体时(如中国的31个省级区划单位),固定效应模型应该是更好的选择[18]。基于固定效应，每种模型分为4种，即无固定效应(nonF)、空间固定效应(sF)、时间固定效应(tF)、空间时间双固定效应(stF)。本文通过比较4种固定效应的拟合优度R2和空间项参数(ρ和λ)，最终选用stF效应进行模型估计，表4给出了模型(2)和(3)的估计结果。表4显示，各产业的SAR和SEM模型的拟合优度R2都很高，几乎接近于1，表明空间因素中包含着重要影响，体现在我国高技术产业在东、中、西部地区存在着明显差异，如科技发展水平、就业政策、产业结构等；同样，时间因素中也有不容忽视的影响，主要体现在我国高技术产业发展规模、技术水平和产业结构的升级优化等。表4还表明，5类产业中，stF效应的模型空间项参数(ρ和λ)的统计值均高度显著，显示了就业水平具有明显的空间相关性。SAR模型的ρ显著为负，表明本地区的就业随着邻近地区就业增长而减少，这是因为邻近地区的环境、政策等对就业人员的吸引力越大，本地区的吸引力相应地就会越小。SEM模型的λ显著为负，表明相邻地区间未纳入观测的因素存在着负相关性，呈现此消彼长的关系，本地区对邻近地区的误差冲击具有空间依赖性。对表4中列出的变量系数分析如下：

(1)产业集聚：对于5类产业，H2的系数均显著为负，H的系数均显著为正，因此验证了本文的研究假说，即产业集聚与就业水平之间呈倒U形关系。这意味着，随着产业集聚程度的增加，由于拥挤效应，其负外部性会显著增加。在集聚的初始阶段，其对就业产生促进作用，当达到门槛值以后，集聚对就业产生抑制作用。

表4 高技术产业SAR和SEM的估计结果

Table 4 Estimation results of SAR and SEM in high-tech industries

模型/变量H2HglsR2ρλPsASETECOEMEMSAR-0．515∗∗∗(-8．579)432．330∗∗∗(8．539)1．200∗(1．686)13．493∗∗∗(4．126)1．288∗∗∗(3．283)0．97-0．797∗∗∗(-2．880)SEM-0．540∗∗∗(-8．797)458．067∗∗∗(8．802)1．232∗(1．698)14．347∗∗∗(4．276)1．478∗∗∗(3．648)0．97-0．877∗∗∗(-2．635)SAR-7．265∗∗∗(-4．585)153．498∗∗∗(3．742)0．099(0．467)2．906∗∗∗(2．977)0．486∗∗∗(3．394)0．99-0．843∗∗∗(-2．753)SEM-7．372∗∗∗(-4．486)160．744∗∗∗(3．784)0．109(0．498)2．940∗∗∗(2．904)0．528∗∗∗(3．485)0．99-0．713∗∗(-2．266)SAR-0．291∗∗∗(-11．105)1437．793∗∗∗(13．663)13．858∗∗(1．900)-42．321∗(-1．447)6．533∗(1．722)0．97-0．995∗∗∗(-3．483)SEM-0．303∗∗∗(-11．412)1501．975∗∗∗(14．174)14．624∗∗(1．971)-46．119∗(-1．507)7．753∗∗(1．954)0．97-0．989∗∗∗(-3．022)SAR-0．078∗∗∗(-6．205)618．122∗∗∗(6．420)1．388(0．351)-18．900(-1．171)2．799(1．150)0．96-0．995∗∗∗(-3．199)SEM-0．081∗∗∗(-6．225)640．988∗∗∗(6．430)1．256(0．308)-20．609(-1．196)3．760∗(1．436)0．96-0．989∗∗∗(-3．082)SAR-1．696∗∗∗(-22．751)1344．156∗∗∗(26．201)6．613∗∗∗(4．743)13．972∗∗∗(5．072)0．014∗∗∗(1．327)0．98-0．999∗∗∗(-4．405)SEM-1．758∗∗∗(-23．710)1409．272∗∗∗(28．188)6．924∗∗∗(4．810)14．158∗∗∗(4．924)1．478∗∗(1．959)0．98-0．990∗∗∗(-2．993)

注：*、**、***分别表示在10%、5%、1%的显著性水平下显著；括号内为渐进的t统计量。

(2)控制变量：对于医药制造业(Ps)和医疗设备及仪器仪表制造业(MEM)，SEM模型和SAR模型估计的各系数均显著，SEM模型的估计值相对偏低。全社会从业人员数(g)对从业人员数(G)有积极的影响，即全社会的整体经济发展状况良好，就业情形乐观，那么两类产业的就业情形也不错；每十万人在校高等院校学生数(l)对从业人员数(G)的正效应显著，表明人力资本水平越高，从业人员数越多，这说明在本文的研究期间内，这两类行业(Ps/MEM)对于高素质人才的需求总体大于社会的供给；每万平方公里的公路里程数(s)能够促进从业人员数(G)的增长，表明基础设施建设程度对这两类行业(Ps/MEM)的从业人员数有着不容忽视的作用。

对于航天航空制造业(AS)，SAR模型估计的各系数值高于SEM模型，结构变量的系数值均为正值，即对从业人员数(G)都具有促进作用。但全社会从业人员数(g)的系数不显著，说明全社会的经济发展状况与就业情形对AS产业的就业失去了一定的解释力度，这可能是由于AS产业是国家战略性新兴产业，具有一定的特殊性，其发展受国家政策影响较大，与市场经济关联不大。

对于电子及通信设备制造业(ETE)，SAR模型估计的系数值偏低，且P值偏高，但均显著，说明模型估计情况良好。全社会从业人员数(g)和每万平方公里的公路里程数(s)对从业人员数(G)的影响均为正，即起促进作用。每十万人在校高等院校学生数(l)的系数为负值，表明人力资本水平越高，从业人员数越少，这说明在研究期间，电子及通信设备制造业对于高素质人才的需求趋于饱和，并开始减少。

对于电子计算机及仪器仪表制造业(COE)，各结构变量系数的t统计量普遍不显著。全社会从业人员数(g)对因变量失去解释力度；每十万人在校高等院校学生数(l)的系数为负值，与ETE产业相似，这两个行业属于相互关联的产业，所以对人才需求保持了一致性；每万平方公里的公路里程数(s)的系数为正值，解释与以上产业相同。

2.3 中国高技术产业集聚的就业效应图示

本节扣除模型(1)中H2和H之外的变量的影响，研究就业与集聚之间的关系。以ETE产业为例，根据估计结果，将G和H对应的点描出来，得到图4和图5(为SAR模型的图像)。由图4和图5可以直观地看到5类高技术产业集聚程度与就业水平之间都呈倒U形关系，但不同产业的倒U形呈现出不同的特征：航天航空制造业(AS)的倒U形非常平缓，在门槛值前后，就业水平随集聚程度的变化都很小；医药制造业(Ps)和医疗设备及仪器仪表制造业(MEM)呈现出相似的门槛值，但MEM倒U的斜率更大；电子及通信设备制造业(ETE)和电子计算机及仪器仪表制造业(COE)集聚的门槛值相比其他3类产业都较大，相同集聚程度下，可提供更多就业量，其中，COE的集聚门槛值在5类产业中最高，其对就业的贡献最大。

本文认为以下因素导致了上述差异：1)对人才的要求。不同高技术行业对于人才的知识层次和技能水平要求不同。产业AS对于人才的要求最高，其所需要的都是科技前沿的高端人才，因此就业吸纳量最低，且变化不明显。产业Ps对人才的要求远高于MEM，即进入Ps工作的门槛比进入MEM高，因此相同的集聚水平上，Ps所吸纳的就业量低于MEM。

图4 Ps、AS和MEM

Fig.4 Ps，AS and MEM

图5 ETE和COE

Fig.5 ETE and COE

而由于Ps和MEM产业之间联系紧密，因而具有相似的门槛值。2)行业的市场结构。企业进入市场的难易程度直接决定着产业内企业形成集聚的规模以及可容纳的就业量。ETE对人才的要求也高于COE，但它们的特征不同于Ps与MEM，很大一部分原因在于ETE和COE虽然同属于垄断竞争类型，但后者的竞争性更强，因此前者受市场的影响较小，门槛值较低，并且就业水平随集聚程度变化较快。3)企业的投资成本。投资成本的高低影响企业做出是否建立、是否进入集聚区的决策，这同样会对集聚的就业效应产生影响。4)政府的参与程度。AS属于特殊的国民支柱行业，政府参与程度最高，其发展享受国家特定政策，几乎不受市场需求影响，因此变化非常平缓，几乎无增长。此外，虽然理论上这个门槛值是可以计算的，但在现实中，门槛值是动态的、复杂的，因为每个地区的劳动就业不仅与集聚程度有关，还与本地区其他影响因素有关，并且会受到邻近地区的影响。

3 主要结论与启示

本文基于2004-2011年中国31省市5类高技术产业的面板数据，通过构建空间计量模型对高技术产业集聚与就业水平之间的关系进行了研究，结果表明：第一，“威廉姆森假说”对于中国高技术产业是有效的，即高技术产业集聚与就业之间的倒U形关系成立，并得到了实证检验；第二，中国5类高技术产业之间集聚与就业关系存在明显的差异性，电子及通信设备制造业(ETE)和电子计算机及仪器仪表制造业(COE)比其他3类产业具有更大的集聚空间和更强的吸纳就业的能力；第三，对就业效应而言，医疗设备及仪器仪表制造业(MEM)、医药制造业(Ps)和航天航空制造业(AS)的最大就业集聚水平(400)远低于电子及通信设备制造业(ETE)的2 500和电子计算机及仪器仪表制造业(COE)的4 500的最大就业集聚水平。本文同时检验了控制变量对就业水平的影响，5类高技术产业具有不同的特点，控制变量的影响也存在着差异性，与Ps、AS和MEM行业相比，ETE和COE行业高素质人才的需求趋于饱和，并开始减少。

目前产业集聚已经成为地方政府吸引境外投资、提升区域竞争力的重要经济发展政策，本研究为这些经济政策提供依据：第一，高技术产业集群虽然能够吸引人才聚集，形成劳动力充沛的就业市场，但集聚并非一味地促进就业，当集聚达到一定程度，资源的过度集中会产生拥挤效应，进而产生效率损失。政府在制定产业转移战略和就业政策时，应充分考虑到产业集聚的门槛效应，调整产业布局，优化产业和就业结构，以最大限度地达到资源的合理配置，避免拥挤效应的出现，提高高技术产业集群的就业效率和生产效率，使高技术产业在区域发展中充分发挥拉动经济增长的作用。第二，产业集聚的门槛值受诸多因素的影响，因此各高新区的集聚门槛值最好以个案进行研究，以便提供更精确的数据，为就业和集聚设置预警机制。门槛值随外部环境的变化而变化，所以对门槛值的测算是一个动态、及时更新的过程，以便及时了解集聚的程度，防止出现集聚不经济。第三，邻近区域间的就业相互影响，集聚程度也存在溢出效应，中国在协调区域发展中应充分利用这种外部经济，加强邻近区域之间的合作，实现人才共享，推动区域共同发展。

本文虽然提出了中国高技术产业集聚的就业效应这一问题，并使用空间计量模型，将地理邻近区域就业的相互影响纳入研究之中，对这一问题进行了一些研究，也较准确地刻画了高技术产业就业与集聚之间的倒U形关系，但本研究只构建了地理空间权重矩阵来衡量就业的空间相关性，进一步的研究中可考虑设置相邻地区间经济联系的权重矩阵，更精确地描述集聚对就业的影响。

[1] VAN SOEST D P,GERKING S,VAN OORT F G.Spatial impacts of agglomeration externalties[J].Journal of Regional Science,2006,46(5):881-899.

[2] LASAGNI A.Agglomeration economies and employment growth:New evidence from the information technology sector in Italy[J].Growth and Change,2011,42(2):159-178.

[3] DAUTH W.Agglomeration and regional employment dynamics[J].Papers in Regional Science,2013,92(2):419-435.

[4] BARKLEY D L,HENRY M S,KIM Y.Industry agglomerations and employment change in non-metropolitan areas[J].Review of Urban & Regional Development Studies,1999,11(3):168-186.

[5] FINGLETON B,IGLIORI D C,MOORE B.Employment growth of small high-technology firms and the role of horizontal clustering:Evidence from computing services and R&D in Great Britain,1991-2000[J].Urban Studies,2004,41(4):773-799.

[6] FRANCIS J.Agglomeration,job flows and unemployment[J].The Annals of Regional Science,2009,43(1):181-198.

[7] LUKERJR W,LYONS D.Employment shifts in high-technology industries,1988-1996[J].Monthly Lab.Rev.,1997,120:12.

[8] COAD A,RAO R.Innovation and firm growth in high-tech sectors:A quantile regression approach[J].Research Policy,2008,37(4):633-648.

[9] BOGLIACINO F,PIVA M,VIVARELLI M.R & D and employment:An application of the LSDVC estimator using European microdata[J].Economics Letters,2012,116(1):56-59.

[10] 王大明,佟仁城.高技术产业发展与就业机会[J].数量经济技术经济研究,1999(4):3-6.

[11] 李阁峰,佟仁城,许健.高技术产业对劳动就业影响的案例分析[J].管理评论,2006,17(7):56-61.

[12] 汪安佑,余际从.高技术发展与就业关系研究[J].中国科技论坛,2003(3):61-64.

[13] 刘和旺,郑世林.高技术产业化专项投资就业效应的研究[J].中国软科学,2013(7):47-60.

[14] 万伦来,张松林,杨燕红.高技术产业就业增长粘性:“无就业增长”[J].经济理论与经济管理,2006(12):51-56.

[15] ANSELIN L.Spatial Econometrics:Methods and Models[M].Dordrecht:Kluwer Academic,1988.

[16] WILLIAMSON J G.Regional inequality and the process of national development:A description of the patterns[J].Economic Development and Cultural Change,1965,13(4):1-84.

[17] 李娜,马延吉,李荣梅.长吉地区产业集聚及其影响因素分析[J].地理与地理信息科学,2013,29(5):88-93.

[18] BALTAGI,BADI H.Econometric Analysis of Panel Data[M].Chichester:John Wiley & Sons,2001.

Employment Effect of High-Tech Industrial Agglomeration in China：An Empirical Analysis Based on Spatial Panel Data

JIN Sheng-wu1，2,SHENG Shu-jie1

(1.SchoolofEconomics,HefeiUniversityofTechnology,Hefei230601; 2.CenterofIndustrialInformationandEconomicResearch,HefeiUniversityofTechnology,Hefei230601,China)

The employment effect of industrial agglomeration is a complex theoretical issue and an unavoidable practical problem.Based on inter-provincial panel data of high-tech industries in China from 2004 to 2011,this paper explores the relationship between high-tech industries agglomeration and employment level by establishing spatial econometric model.The results show that high-tech industries agglomeration has significant non-linear effect on employment level.When the industrial agglomeration level is less than the threshold value,industry agglomeration has positive effect on employment level of high-tech industries.Otherwise,the correlation becomes negative.In addition,threshold value varies with industry.The same agglomeration degree may correspond to different employment levels in different industries.

employment effects;high-tech industrial agglomeration;spatial panel model;inverted U-shaped

2014-05-05；

2014-07-12

国家自然科学基金项目(71273082)；教育部人文社会科学项目(11YJA630039、2013JYRW0369)

晋盛武(1966-)，男，副教授，管理学博士，主要研究方向为环境与区域经济发展。E-mail：shwjin66@163.com

10.3969/j.issn.1672-0504.2015.01.017

F241.4

A

1672-0504(2015)01-0080-07