APP下载

中国外向型劳动密集制造业对外直接投资区位选择研究

2019-09-11马光明

中央财经大学学报 2019年9期
关键词:人口密度省份制造业

马光明

一、引言

外向型劳动密集制造业,指的是生产过程与产品竞争力高度依赖于大量廉价劳动力,主要产品面向国际市场进行销售的制造业。外向型劳动密集制造业生产过程中资本与技术投入低,所需固定资产和高端设备较少,以零部件加工组装为主,较少涉及产品设计与营销环节,制成品一般具有价格低且同质性相对较高等特点。纺织服装、鞋帽、玩具、电子设备制造业等子行业是中国外向型劳动密集制造业的典型代表。改革开放40多年来,加工贸易是我国劳动密集制造业企业在进出口贸易中大量采用的贸易方式,企业利用廉价劳动成本优势将零部件加工为制成品出口至欧美等国际市场。加工贸易占中国总贸易额比重曾一度达到60%以上,为国内提供了大量外汇储备积累和劳动力就业机会。

进入21世纪以来,伴随中国国内经济基本面和国际经济环境的变化,国内外向型劳动密集制造业的发展正同时面临内部和外部双重压力。从内部压力来看,由于国内人民生活水平的提升,制造业劳动力工资、土地价格、能源与原材料价格等出现显著增长。以劳动力工资为例,根据国际劳工组织(ILO)统计,2000—2017年,中国制造业月平均工资由83.25美元/月上涨至超过800美元/月,外向型劳动密集制造业所依赖的劳动力成本优势开始逐渐丧失。富士康、阿迪达斯、歌乐、三星等不少跨国企业已经陆续开始向印度、越南等生产成本更低的东南亚国家转移。同时,国内人口增速降低、人口老龄化趋势的逐步显现也为劳动密集制造业未来的劳动供给蒙上了阴影。从外部压力来看,国际市场针对劳动密集制成品的反倾销措施已经成为国际贸易保护主义的重要手段,中国外向型劳动密集制造业出口阻碍与日俱增。据WTO统计,1995—2017年中国遭受各国发起反倾销调查案件数量达到1 269起,高居世界第一,占世界总额的23.0%,远超第二位韩国的417起。雪上加霜的是,作为中国第一大出口市场,美国特朗普政府2018年9月24日针对中国出口美国2 000亿美元商品的增税名单中已经涉及服装、鞋帽、器械零件等劳动密集制成品领域,更使得我国此类制成品对外出口举步维艰。

面对以上压力,中国外向型劳动密集制造企业当前亟需在全球范围内通过对外直接投资重新配置生产地点,合理规避贸易壁垒,进而实现成本利润最优化。为了从众多国家中筛选出最为适宜的投资目标国,需要紧密结合对外直接投资基础理论与中国实际,挖掘出近年制约中国外向型劳动密集制造业发展的主要因素,并以此作为量化依据,筛选出当前最适宜中国投资外向型劳动密集制造业的目标国家。这正是本文拟解决的主要问题。

二、文献综述

关于制造业企业对外直接投资的动因和区位选择的理论基础,早在20世纪70年代,Dunning(1977)[1]、Buckley和Casson(1976)[2]、Hymer(1970)[3]、Kojima(1978)[4]等经济学家便建立与发展了适用于发达国家企业对外直接投资的新古典分析框架,包括垄断优势理论、内部化理论、国际生产折中论、边际产业扩张论等经典理论。其中,垄断优势理论及内部化理论较为适用于拥有商标、营销技巧、专利与专有技术、规模经济等垄断优势的技术或资本密集型制造业企业对外直接投资,认为它们可以凭借这些优势在投资东道国获取垄断利润。国际生产折中论与边际产业扩张论则将东道国生产成本、政策优惠、自然资源等区位特点列入投资动机与区位选择依据,认为本国劳动密集制造业企业应当选择劳动力成本更低、自然资源更为丰富廉价、政府政策优惠力度更大的发展中国家作为投资目的地,较为适用于依赖低生产成本的劳动密集制造业企业对外直接投资。在此基础上,20世纪80年代以Wells(1983)[5]、Lall(1983)[6]等为代表的学者们发展了小规模技术论、技术地方化理论、技术积累论等适用于发展中国家企业的对外直接投资理论。例如小规模技术论、技术地方化理论认为发展中国家企业若拥有与小市场需求规模相适应的小规模生产技术,则能比适应大规模市场需求的发达国家企业更容易进入发展中国家市场。基于此类特点的制造业企业进行对外直接投资时应选择发展中国家作为投资区位。另外,技术积累论认为不少发展中国家对外直接投资的动机是积累生产技术,因此此类动机下的制造业对外直接投资东道国是拥有技术优势的发达国家,等等。

在早期新古典对外直接投资区位选择理论的基础上,近30年的研究开始从新经济地理学(NEG)框架入手,基于规模报酬递增和不完全竞争的市场结构,从产业对企业影响的角度,通过产业集聚、产业扩散的相互作用研究企业跨区及跨国空间区位转移现象。这方面的相关研究包括Krugman(1991)[7]、Fujita等(1999)[8]等。依据该理论框架,产业集聚能显著降低企业生产、销售、信息搜寻等各方面的成本,企业倾向于向所在产业集聚度较高的区位进行直接投资以获取集聚效应的好处,直到产业集聚的负面影响上升,例如工业用地、用水、原料和能源供应、交通运输、环境保护、农产品供应等方面出现资源匮乏等严重问题后,才开始向更适合的区位进行产业扩散,并在集聚-扩散-再集聚的过程中不断循环。此理论框架不仅适用于解释和指导制造业企业对外直接投资区位选择,也适用于分析制造业企业在国内进行跨省份直接投资的区位选择问题。

应用以上两类基本分析框架,众多国内学者考察了中国制造业企业的国内区位转移问题。例如Wen(2004)[9]、Bai(2004)[10]、蔡昉等(2009)[11]、范剑勇(2004)[12]、李国平和范红忠(2003)[13]、范剑勇和谢强强(2010)[14]从产业集聚、地区保护的角度分析了近年我国制造业企业国内投资区位转移的动机;林理升和王晔倩(2006)[15]、李燕等(2010)[16]、冯根福等(2010)[17]将中国近年劳动密集型制造业的国内区位转移路径归纳为“东部沿海-华北/东北地区-中西部地区”;薛漫天(2016)[18]以长江经济带为观察对象,发现2005—2014年长江中游地区持续承接了大量劳动密集型的外向型制造业,下游地区在2011年前经历了外向型制造业的普遍转入,之后外向型制造业出现了大量转出。类似地,关爱萍和曹亚南(2016)[19]也发现中国东部沿海区域部分技术密集型制造业先于劳动密集型制造业越过中部区域直接转移至西部区域,中部区域则是承接劳动密集产业数量最多、规模最大的区域。陈景新和王云峰(2014)[20]、马光明和刘春生(2016)[21]等不少研究发现2005年前后是我国劳动密集制造业由东部向其他地区扩散的分水岭;吴静(2017)[22]从西部地区承接制造业的效率入手,发现以四川、陕西、重庆、内蒙古四省份对区际产业转移要素溢出的吸收和转化能力显著高于广西、云南、新疆、贵州、甘肃等省份,等等。

进入21世纪以后,随着中国对外直接投资金额的快速上升,不少学者开始转而研究中国制造业对外直接投资相关问题。已有研究多数集中于中国制造业整体对外直接投资的动机、模式与区位选择。例如在投资动机方面,王建和栾大鹏(2013)[23]、李志鹏(2013)[24]发现中国制造业企业对更落后的发展中国家直接投资主要基于技术禀赋,对发展水平相近的新兴经济体的直接投资是基于节约成本,对发达国家则是为获取技术;张兵(2013)[25]发现我国制造业人均资本高的省份对外投资大多为技术寻求型,人均资本较低的省份对外投资则大多为市场寻求型;田巍和余淼杰(2012)[26]、葛顺奇和罗伟(2013)[27]等的实证研究发现中国制造业企业的生产率、专有资产、技术优势等是促进其对外投资的重要因素。在投资区位选择方面,孙志毅(2008)[28]的案例研究将中国制造业企业对外投资模式归为“先发达国家、后发展中国家模式”“先发展中国家、后发达国家模式”“OEM模式”“M&A模式”4种。另外,冯春晓(2009)[29]、杨成林和乔晓楠(2012)[30]、刘海云和聂飞(2015)[31]等考察了中国制造业对外投资造成的国内制造业萎缩弱化、第二产业在经济中的比重下降等现象。杨丹辉等(2017)[32]甚至发现近年中美制造业的要素成本已呈现出此消彼长的态势,世界制造业资本可能由中国向美国回流。目前已有少数学者专门针对中国对“一带一路”沿线国家制造业投资的动机、特点及现状进行了研究。例如:周五七(2015)[33]、郑蕾和刘志高(2015)[34]总结了中国近期对“一带一路”沿线5个区域的直接投资存量变化情况;李锋(2016)[35]总结了目前“一带一路”沿线国家存在的“政治动荡”“投资过度集中于矿产业”“投资主体中央企过于集中”等风险;类似的研究还有苏杭(2015)[36]、李晓(2015)[37]、李婧(2015)[38]等,大多是制造业整体的宏观研究。少数研究是专门针对某一国或某具体子行业、具体企业对“一带一路”国家投资前景进行分析,例如陈竹和左晶晶(2018)[39]针对吉利集团和交通运输工具制造业,彭蕙和亢升(2017)[40]、李晓(2015)[37]针对中印制造业合作,等等。

更进一步,在中国劳动密集型制造业企业对外直接投资方面,已有文献内容主要集中在投资动因与必要性问题。一方面,不少学者认为工资、土地等成本的上升是导致中国劳动密集型制造业企业对外投资的重要动因。例如:蔡昉(2007)[41]、贺聪等(2009)[42]、贺灿飞等(2008)[43]、王燕武等(2011)[44]、李伟和贺灿飞(2017)[45]都认为,中国土地、劳动力工资、原/燃料等生产成本的不断提高,是大量跨国制造业企业从中国迁至东南亚国家的主要原因;马宇(2007)[46]、李艳丽(2011)[47]、刘竹青和盛丹(2017)[48]认为除了制造业生产成本提高以外,2005年后人民币的大幅度升值导致中国制成品出口价格优势受到严重冲击;胡国良和李洁(2017)[49]、李新功(2017)[50]进一步发现劳动密集型制成品出口受升值冲击最大,低价优势已逐步被削弱;陈虹(2009)[51]、李钢等(2009)[52]认为国内制造业企业需要适应国内/国际越来越严格的劳工法规,长期内已不足以支撑其在国际市场上的价格竞争力。另一方面,一些学者认为,由于近年来中国人口老龄化、低端劳动力减少等人口结构指标的变化,多年来累积的人口红利开始降低,中国人口结构开始难以持续为劳动密集制造业提供足够数量青年劳动力,开始转向支持资本、技术密集型制造业,因此必须通过对外直接投资进行国际区位转移。这方面的研究包括张杰和何晔(2014)[53]、马光明(2015)[54]、于明远和范爱军(2016)[55]、楚永生等(2017)[56]、卢飞和刘明辉(2018)[57],等等。

综上,目前对于制造业对外直接投资的理论基础、中国制造业的国内区位转移现状与特点、中国制造业整体对外直接投资等方面已经有了较为丰富的文献。近年在国内生产成本上升、国际市场贸易保护压力的现实背景下,也有不少研究对当前中国劳动密集型制造业对外直接投资进行了论证。但由于目前中国劳动密集制造业对外直接投资刚刚起步,因此该方面的文献大多分析中国劳动密集制造业对外直接投资的动因和必要性,即集中分析“是否需要对外投资”的问题,而对于国际投资区位选择,即“去哪里投资”的问题涉及较少,基于具体经济数据的定量分析更为缺乏,这正为本研究提供了进一步拓展的空间。本文在已有文献关于中国劳动密集制造业对外直接投资必要性的基础上,聚焦于中国劳动密集制造业对外直接投资区位选择的视角,利用计量模型挖掘外向型劳动密集制造业国内转移的各影响指标,通过分析“一带一路”沿线国家1990—2017年对应指标组合的绝对值与变化趋势来筛选适宜的对外投资目标国,从而解决国内制造业企业“去哪里投资”的问题。

三、中国外向型劳动密集制造业的国内转移现状及其影响因素

我们首先考察近年中国国内外向型劳动密集制造业的发展状况,之后利用计量模型分析影响其国内转移的主要因素,以此作为筛选我国外向型劳动密集制造业对外直接投资区位选择的依据。

(一)中国外向型劳动密集制造业的国内转移现状

中国外向型劳动密集制造业的转型升级早在21世纪初便已经开始,2005年、2006年“入世”效应逐渐减弱,国内工资等各类生产成本提高,尤其是在2008年金融危机及贸易保护的冲击下,外向型劳动密集制造业逐步进入转型升级阶段。但是由于国内各地区经济发展的不平衡,不同区域劳动密集制造业的升级并非同时进行。东部沿海制造业企业贸易经验丰富,资本与技术积累雄厚,但是工资、土地等各类成本增长速度也比中西部地区更快。不少中西部省份生产成本相对东部省份更低,且拥有丰富劳动力与较好的教育与基础设施,加之当地政府出台优惠税收等招商引资政策,导致我国外向型劳动密集制造业企业正在由东部沿海向中西部省份梯度转移。

为了量化展示近十几年来中国外向型劳动密集制造业国内发展状况,首先需要从制造业的近30个子行业中筛选出具有“劳动密集”及“外向型”双重特征的子行业。在劳动密集方面,我们参考并改进李艳丽(2011)[47]、李燕等(2010)[16]、陈虹(2009)[51]、朱轶(2016)[58]、曲玥(2010)[59]、陈景新和王云峰(2014)[20]的人均固定资产净值法,并加入技术投入,令各子行业的规模以上企业各年末平均用工人数(万人)为L,固定资产总值(亿元)为K,内部研发经费支出(亿元)为A,同时考虑到固定资产投入与研发经费受物价变动影响,构造各子行业劳动密集度计算公式:LaborIntensity=[lnL×P2/lnK×(1+lnA)]×100,其中P为固定资产投资价格定基指数(2000年=1)。数据来源为历年《中国统计年鉴》《中国工业统计年鉴》及《中国科技统计年鉴》。在外向度方面,定义某制造业子行业的外向度=(子行业出口交货值/子行业工业销售产值)×100。由于外向度分母分子均受物价影响,无须价格调整。该比值反映了某子行业当年销售的产品中销往国外市场产品的比例,数据来源均为国家统计局。根据以上两个公式计算出2004—2016制造业各子行业的外向度与劳动密集度(篇幅所限,数据备索),并从中筛选出考察期内两个指标均值都较高的5个子行业作为中国外向型劳动密集制造业的代表。这5个子行业分别是:皮革、毛皮、羽毛及其制品和制鞋业(劳动密集度第1位,外向度第3位);家具制造业(劳动密集度第2位,外向度第4位);其他制造业(劳动密集度第3位,外向度第6位);文教、工美、体育和娱乐用品制造业(劳动密集度第7位,外向度第2位);纺织服装、服饰业(劳动密集度第6位,外向度第5位)。

将各省份以上5个子行业城镇年末就业人数加总,并除以当年当地城镇制造业年末就业人数,便得到各地当年外向型劳动密集制造业就业人数占比,以此来描述当地外向型劳动密集制造业的发展状况。下面各图列出了2006—2016年我国31个省份内部外向型劳动密集制造业就业人数占当地制造业就业人数比重,及本省份外向型劳动密集制造业就业人数占全国比重的变化趋势。

图1 2006—2016东部省份外向型劳动密集制造业就业人数省份内占比(左图)及占全国比重(右图) 数据来源:作者根据国家统计局数据库及各年中国工业/科技统计年鉴计算整理。图2~图4同。

图2 2006—2016中部省份外向型劳动密集制造业就业人数省份内占比(左图)及占全国比重(右图)

图3 2006—2016西部省份外向型劳动密集制造业就业人数省份内占比(左图)及占全国比重(右图)

从图1~图3可知,我国近年外向型劳动密集制造业在国内的发展重点区域逐渐由东部省份,主要是广东、福建、浙江、山东4省份,转向中部的湖南、河南、江西、安徽4省份,以及西部的四川、重庆、广西等中西部省份,中部省份目前相对西部增长更快。这与薛漫天(2016)[18]、关爱萍和曹亚南(2016)[19]、段小薇等(2017)[60]的观察与归纳非常一致。从图4的区域加总数据可以更为清楚地看到这一趋势。但从比重来看,中部省份要追上东部还需一定时间才能完成。篇幅所限,所有省份外向型劳动密集制造业就业占比数据备案。

图4 2006—2016东中西部城镇外向型劳动密集制造业就业人数百分比堆积图

(二)国内转移影响因素的实证研究

为了分析中国外向型劳动密集制造业国内转移的影响因素,笔者以各省份城镇外向型劳动密集制造业就业人数占当地制造业就业人数比重(令其为Lowc)作为衡量各地外向型劳动密集制造业发展的被解释变量,利用2006—2016年31省份面板数据进行实证研究。结合已有文献,将可能影响当地外向型劳动密集制造业发展的因素分为四类:成本因素、人口结构因素、基础设施因素、经济发展阶段。

1.成本因素。

由于外向型劳动密集制造业需要低成本与低价格来打开国际市场,因此某地区制造业平均工资、土地、水电燃料等成本相对越低,越可能为劳动密集制造业提供生存土壤。

2.人口结构因素。

外向型劳动密集制造业高度依赖大量廉价劳动力,因此当地人口结构变量,例如人口密度、性别与年龄结构、城乡分布、受教育水平等对于当地劳动密集制造业的发展可能有较大影响。

3.基础设施因素。

外向型劳动密集制造业企业选择投资区位时,除了追求工资、地价等方面的低成本,当地公路、铁路、通信电信、网络等基础设施状况也可能影响到其选址。但是中高端制造业发展也会受到基础设施的影响,某地区相对优秀的基础设施条件甚至可能促进当地制造业向中高端转型,降低劳动密集制造业的比重。因此当被解释变量是当地外向型劳动密集制造业就业人员占当地制造业就业人数比重的时候,基础设施的影响方向可能是不确定的。

4.经济发展阶段。

外向型劳动密集制造业依赖于低价格优势,企业利润率往往相对较低。但许多生产和出口企业之所以选择劳动密集制造业,是因为其相对投入较少、门槛较低,无须投入大量固定资产与技术,也无须参与产品设计研发、营销等环节。因此,外向型制造业企业进入国际市场初期,受经验和资金的限制很可能选择劳动密集制造业,待资金和经验积累达到一定程度再从事高利润高投入的中高端制造业(Manova和Yu,2013[61])。这在宏观上体现为:同一地域内,由于经济发展初期区域整体资本和技术缺乏,且劳动力与其他成本较低,劳动密集制造业占比较大,地区政府也倾向于依赖外向型劳动密集制造业提升工业基础、就业水平和国际贸易参与度;但后期随着当地整体资本积累与技术进步加快,同时各类生产成本也开始上升,制造业开始向中高端转型,外向型劳动密集制造业比重很可能开始回落。因此在实证上,以人均国民收入或人均GDP及其平方项同时进入模型,可以较好模拟经济增长对本地劳动密集制造业发展“先扬再抑”的非线性作用。例如马光明(2016)[21]以各省份加工贸易比重作为被解释变量,发现各省份经济开放度对当地加工贸易比重的倒U型影响非常显著。综上思路,计量模型与变量含义如下:

Lowcit=c+α1∑Costit+α2∑LaborStructit

+α3∑Basicit+α4Trendit+εit

(1)

表1各解释变量符号、含义与数据来源

续前表

解释变量子变量对应符号子变量详细描述数据来源人口结构因素(LaborStruct)年龄结构age各省份老年+幼儿抚养比,百分点根据统计局数据计算性别结构sex各省份人口抽样调查,男性/女性×100,2010年为平均值根据统计局数据计算人口密度lnpdensity各省份年末常住人口/面积,人/平方公里根据统计局数据计算教育水平edu各省份10万人中高校在校生人数对数国家统计局数据库城乡结构urban各省份城镇常住人口/常住人口,百分点根据统计局数据计算基础设施(basic)铁路运输rail各省份每平方公里面积中铁路运营长度(米)根据统计局数据计算公路运输road各省份每平方公里面积中公路运营长度(公里)根据统计局数据计算互联网普及率internet各省份互联网上网人数/年末常住人口,百分点根据统计局数据计算通信设施lntele各省份每平方公里长途电缆长度(米)对数根据统计局数据计算技术供给tech各省份技术市场成交额/GDP,千分点根据统计局数据计算经济发展阶段(trends)人均GDPlnpgdp各省份人均GDP(元/年)国家统计局数据库人均GDP平方项lnpgdp2各省份人均GDP(元/年)平方项根据统计局数据计算

由于豪斯曼检验强烈否定随机效应与混合面板模型,这里直接给出固定效应面板模型的回归结果,回归系数参见表2的Model1~Model6。另外,普通OLS法的参数估计量必须在满足经典假设时,例如模型的随机误差服从正态分布或某一已知分布时,才是可靠的估计量。动态面板GMM方法无须知道随机误差项的准确分布信息,允许随机误差项存在异方差和序列相关,因而其参数估计量比其他参数估计方法更有效。同时,考虑到本模型被解释变量,即各省份外向型劳动密集制造业就业人数占比可能存在跨期延续关系,即劳动力的跨行业流动存在时间滞后,直接使用固定效应模型也仍可能导致结果有偏,因此再采取GMM动态面板方法,加入被解释变量滞后项作为解释变量进行稳健性检验。实证结果见Model7~Model8,由于被解释变量滞后项已包含了趋势性,故去除了人均GDP及其二次项。

表2外向型劳动密集制造业国内转移影响因素回归结果(固定效应与GMM)

续前表

变量OLS固定效应模型GMMModel1Model2Model3Model4Model5Model6Model7Model8sex-0.030(0.033)-0.019(0.032)-0.019(0.032)-0.048(0.027)-0.038(0.024)lnpdensity10.359***(3.752)10.533***(3.705)10.217***(3.405)9.988***(3.378)8.891***(3.289)9.666***(3.269)8.995*(4.727)8.402**(4.295)edu0.226(0.525)0.113(0.515)1.757***(0.684)1.310***(0.499)urban0.234***(0.070)0.227***(0.070)0.232***(0.065)0.234***(0.065)0.239***(0.063)0.229***(0.063)0.152**(0.061)0.188***(0.067)rail0.037(0.033)0.029(0.036)road-4.151***(1.779)-3.105***(1.573)-3.126***(1.567)-3.208***(1.559)-3.143***(1.540)-0.305(1.953)internet-0.015(0.035)0.013(0.039)lntele-1.910***(0.631)-1.775***(0.618)-1.771***(0.617)-1.726***(0.611)-3.110***(0.520)-3.142***(0.508)tech0.004(0.004)0.004(0.005)lnpgdp38.08***(7.905)38.45***(7.026)38.69***(6.929)38.45***(6.800)37.03***(6.531)41.35***(6.054)////lnpgdp2-1.665***(0.384)-1.687***(0.345)-1.696***(0.343)-1.728***(0.338)-1.622***(0.327)-1.831***(0.307)////cons_-201.51***(53.61)-183.77***(47.73)-183.61***(47.64)-187.13***(47.22)-168.11***(44.68)-187.18***(43.10)////时间固定控制控制控制控制控制控制//地区固定控制控制控制控制控制控制//AR(1)//////-3.53***-3.43***AR(2)//////-0.66-0.46Hansen P值//////1.0001.000样本数338338338338338338245245R20.4010.3950.3950.3940.3880.380//

静态面板模型给出的结论如下:成本因素中,影响最为显著的是当地制造业平均工资水平,它与当地外向型劳动密集制造业就业人数占比呈现显著负相关。土地成本、环境成本、资源成本及税收成本影响均不显著。人口结构因素中,当地人口抚养比显著负相关,人口密度、城镇化水平显著正相关,性别结构、受教育水平不显著。基础设施中,公路密度与通信设施与当地外向型劳动密集制造业就业占比负相关,铁路密度、网络普及率、技术供给强度影响并不显著。经济发展阶段对于当地外向型劳动密集制造业就业占比呈现显著的倒U型影响,我们还可根据二次函数系数得出其拐点所在:大约在当地经济发展程度达到人均GDP对数超过11.44时,也即人均GDP超过大约90 000元/年左右时,经济增长开始带动外向型劳动密集制造业就业占比下降。中国2016年人均GDP超过90 000元/年的仅有北京、上海、天津、江苏4省份,均属于劳动密集制造业就业比重显著下降的区域。

这个结果的指向性非常明确:从宏观来看,考察期内,我国外向型劳动密集制造业企业偏好选择那些工资水平低的、人口结构中壮年劳动力较多的、人口密度高的、城市人口比重高的地区进行生产制造,然而对当地土地成本、环境成本、资源成本、税收成本、人口性别、受教育结构等因素不太敏感。另外“路桥网讯科”等基础设施的促进作用并不显著,甚至拉低当地外向型劳动密集制造业就业占比——如前文所述,这并非说明基础设施对外向型劳动密集制造业不重要,而是说明基础设施的提升可能促进当地制造业升级,降低劳动密集制造业比重,提升中高端制造业比重。总结而言,实证结果说明,对于中国企业而言,某地区“劳动力越便宜、密集、年轻、城镇化程度越高”,外向型劳动密集制造业就越容易发展。

以GMM动态面板方法得出的结论与固定效应模型大部分信息是一致的:当地制造业平均工资水平、幼儿与老人抚养比与外向型劳动密集制造业就业占比显著负相关;人口密度、城镇化水平则显著正相关;“路桥网讯科”为代表的基础设施要么负相关,要么不相关。除却显著的被解释变量滞后项的影响外,动态面板模型给出的不同信息是:(1)水电燃料价格成本与当地外向型劳动密集制造业就业比重显著正相关。(2)劳动力受教育水平与当地外向型劳动密集制造业就业比重显著正相关。这两个结果均不难理解:首先,劳动密集制造业为劳动密集型制造业,投入大型机械设备相对很少,这意味着其使用水、电、燃料强度不如资本和技术密集的中高端制造业,在水电燃料成本相对较高的地区也能够生存,因此选择劳动密集制造业投资地点时可以不用过多顾虑其燃料和水电价格。其次,外向型劳动密集制造业相对中高端制造业投入相对更多劳动力,在工资水平等其他条件相同的前提下,即使是劳动密集制造业企业也愿意选择在当地劳动者教育素质高的地区投资设厂。这方面,于明远和范爱军(2016)[55]、卢飞和刘明辉(2018)[57]的实证研究都发现,人力资本的积累对于制造业整体国际竞争力提升作用十分显著。

综合静态面板与动态面板的结论,可以发现目前中国外向型劳动密集制造业企业投资在国内转移的影响因素集中于当地劳动力指标,包括当地制造业劳动力成本、劳动力年龄结构、人口密度、人口城镇化水平、劳动力受教育水平。某地区劳动力越便宜、越密集、越年轻、城镇人口越多、素质越高,越容易吸引劳动密集制造业发展。相比之下,各类基础设施、环境与土地成本等对外向型劳动密集制造业影响要么不显著,要么更有利于中高端制造业发展。此外还须考虑经济发展阶段对劳动密集制造业发展的影响。为稳妥起见,笔者还以各省份内部加工贸易比重代替外向型劳动密集制造业就业人员比重作为被解释变量进行了稳健性检验,结果也非常类似,篇幅所限,不再列出。

四、中国外向型劳动密集制造业对外直接投资区位选择探讨

2006—2016年正是中国外向型劳动密集制造业开始在国内进行梯度转移的阶段,因此上文得出的影响因素也能为对外直接投资区位选择提供筛选依据。鉴于未来中国将与“一带一路”广大沿线国家进行较为密切的贸易投资合作,且其范围覆盖了相当多发展中国家,故将“一带一路”沿线国家作为中国外向型劳动密集制造业对外直接投资的候选范围,并依据中国外向型劳动密集制造业国内转移的影响指标从中筛选出若干潜在重点投资国。另外,南亚大国印度目前虽然未与中国签署任何“一带一路”合作协议,但印度地理上位于“一带一路”沿线,且考虑到其与中国的巨大贸易量,以及拥有丰富而密集的劳动力资源,本研究也将印度纳入我国投资外向型劳动密集制造业的考察对象。

(一)“外向型劳动密集制造业投资指数”的测算

(2)

表3“一带一路”沿线国家对比指标及其来源

应注意的是,“一带一路”倡议本身没有明确划定地理界线,它本质上是一个国际合作的倡议,向所有愿意进行经贸合作的国家和地区开放。由于与中国政府签署“一带一路”相关合作协议的国家不断增加,截至2018年8月底,根据“一带一路”官网(https://www.yidaiyilu.gov.cn)的权威发布,其列出的与中国签署“一带一路”协议或合作备忘录的国家已有84个。其中纽埃岛、巴勒斯坦两国无数据,故未列入研究,加上作为沿线国家但未签署合作协议的印度,本研究样本包含83个国家。此外,数据方面,2000—2016年各国人口抚养比、人口密度、城镇化水平、经济发展阶段相应数据较为齐全(多米尼克社会抚养比数据缺失;也门2017年人均GDP缺失),制造业工资水平、人口受教育水平则相对缺失较。相应处理方法如下所示。

1.受教育水平的处理方法。

代表人口受教育水平的高等教育毛入学率数据缺失情况相对可以接受,83个国家2000—2017年共1 494个样本中缺失258个数据,具体处理方法为:在2000—2017年存在数据的国家中,若缺失数据的某年(或某几年)前后均有数据,则假定这几年毛入学率是平稳变化的,用其总差值计算出各年相等的差值并计算各年估计值。若缺失数据的某年(或某几年)仅前或后端有数据,则直接用其前或后端最近年份数据作为估计值(短期内高校入学率受通货膨胀等宏观变量影响程度相对较小)。尽管如此,仍有新加坡、玻利维亚2国在考察期内并没有高等教育毛入学率数据统计,且找不到中国与其都有统计数据的合适替代指标,无法估计。

2.制造业工资水平的处理方法。

由国际劳工组织(ILO)发布的各国制造业平均工资水平基于各国各年份调查,数据缺失较为严重,除了多个国家仅有4~8年数据以外,不少国家没有统计数据。为了不浪费已有的4个指标、尽可能增加样本,在2000—2017年存在数据的国家中,若缺失数据的某年(或某几年)前后均有数据,则假定这几年制造业工资水平平穏变化,用其总差值计算出各年相等的差值并计算各年估计值。如果缺失数据的某年或某几年仅前或后端有数据,则假定一国制造业工资水平增长速度与该国同期人均GDP增长速度相同,以此可根据离最近年份的确切数据估算各年工资水平。尽管如此,仍有伊朗、伊拉克、叙利亚、约旦、黎巴嫩、阿曼、科威特、巴林、突尼斯、苏丹、利比亚、摩洛哥、印度、不丹、阿富汗、尼泊尔、波黑、乌兹别克斯坦、塔吉克斯坦、土库曼斯坦、安提瓜和巴布达、圭亚那、特立尼达和多巴哥、塞内加尔、巴布亚新几内亚25个国家考察期内并没有统计数据,无法估计,只能使用这25个国家当年经调整的人均国民收入代替制造业平均工资(当然中国的对比数据也相应变为人均国民收入,即假定两国人均收入之比基本等同于制造业工资之比),这样处理后此25国除了叙利亚以外均可有该项得分数据。

(二)1990—2017年分地区投资指数动态变化趋势展示

利用公式(2)容易计算出1990—2017年不同区域“一带一路”沿线国家外向型劳动密集制造业投资指数的变化情况。文中已排除2017年人均GDP高于90 000元/年的韩国、新加坡等22国,以及也门、叙利亚、玻利维亚、多米尼克4个由于数据缺失无法计算承接指数的国家。由于该指数基本反映了各国在劳动密集制成品生产与销售市场上的国际竞争力,且根据公式(2)的设定,历年中国本身的投资指数均恒定为1,因此各国该指数的变化也可反映出各国劳动密集制造业国际竞争力相对中国的变化趋势。各区域国家投资指数的变化见下文各图。为了更为清晰,以虚线表示2017年劳动密集制造业投资指数>1的国家。

1.东亚、东南亚地区。

图5 1990—2017东亚、东南亚“一带一路”沿线国家外向型劳动密集制造业投资指数变化趋势 数据来源:作者整理计算得到。图6~图9同。

由图5可见,20世纪90年代,菲律宾、印尼、泰国甚至蒙古发展外向型劳动密集制造业的条件都明显优于中国。但进入21世纪以来,得益于中国不断提高的人口城镇化水平和受教育水平,中国发展外向型劳动密集制造业的条件已经逐渐逼近这些国家。在2017年东亚与东南亚“一带一路”沿线外向型劳动密集制造业投资指数>1的5个国家中,菲律宾、越南、马来西亚3国的发展趋势最好,可作为投资外向型劳动密集制造业的“潜在重点投资国”。其1990—2017年的5项指标相对中国的得分数据与投资指数见附表1,下同。

2.西亚北非地区。

与东南亚类似,20世纪90年代大多数西亚北非国家发展外向型劳动密集制造业的条件优于中国,仅有土耳其与伊朗与中国处于类似水平。进入21世纪之后差距迅速缩小,之前领先中国较多的阿塞拜疆、约旦、埃及2017年投资指数已经小于1,意味着其发展外向型劳动密集制造业条件已经不如中国;亚美尼亚投资指数相对中国也是不断下降,2017年与中国差距已经很小,其主要原因仍然是劳动力受教育水平和城镇化水平被中国逐渐赶上。由图6可见,综合绝对值与趋势而言,黎巴嫩为该区域最适合投资外向型劳动密集制造业的潜在重点投资国,主要原因是21世纪后黎巴嫩人口密度的迅速提高(2000年黎巴嫩人口密度为316.26人/平方公里,2017年则快速上升到594.56人/平方公里,几乎翻番),以及同期中国制造业工资成本的迅速上涨,这种扩大趋势至今仍一直延续。

图6 1990—2017西亚北非“一带一路”沿线国家外向型劳动密集制造业投资指数变化趋势

3.南亚地区。

由图7可见,除马尔代夫外,考察期内南亚地区“一带一路”沿线国家的投资指数水平波动很小,趋势均较为单一和稳定。从1990年至2017年,马尔代夫、孟加拉国、斯里兰卡、印度4个国家劳动密集投资指数一直高于中国,其相对中国发展外向型劳动密集制造业的主要优势均在于相对较高的人口密度与较低的制造业工资成本。其中较为突出的是马尔代夫和孟加拉国。这两国的指数至今仍在持续增长,其中马尔代夫人口密度已由1990年的744.05人/平方公里上涨至2017年的1 454人/平方公里,几乎翻倍;孟加拉国则是由1990年的815.77人/平方公里上涨至2017年的1 265.04人/平方公里,增加了55%。中国同期则仅由120.92上涨至147.67,仅增加了22%。再加上中国制造业工资成本不断上升,导致马尔代夫和孟加拉国劳动密集制造业投资指数不断上升。然而,马尔代夫为陆地面积仅有298平方公里的群岛国家,且目前以旅游业为主,其地理特点并不适宜进行劳动密集制造业生产。此外,南亚大国印度劳动密集制造业投资指数也一直稳定地高于中国,其优势也是相对稳定高于中国的人口密度和较低的制造业工资成本。反观南亚岛国斯里兰卡,其近年相对中国外向型劳动密集制造业优势下降的原因则是其相对中国的城镇化水平与受教育水平劣势开始不断扩大,确切地说是由于其自身国土面积的限制,多年来人口城镇化水平几乎停滞在18%左右,高等教育虽有发展但提升速度较慢,同期中国这两个指标则出现了长足发展。另外,巴基斯坦的表现也值得一提,虽然1990—2017年投资指数始终低于中国,但呈现稳步上升的趋势,2017年指数值已经很接近1。加上巴基斯坦与中国长期以来的友好合作战略伙伴关系,其劳动密集制造业投资指数将很快超过中国,故将其也列入重点投资国之列。

图7 1990—2017南亚“一带一路”沿线国家外向型劳动密集制造业投资指数变化趋势

4.俄罗斯与中东欧地区。

由图8可见,20世纪90年代俄罗斯与中东欧地区12个“一带一路”沿线国家发展外向型劳动密集制造业条件几乎全部高于中国同期,其主要优势大多在于显著高于中国的人口城镇化水平与人口受教育水平。但这两个指标正是中国自20世纪90年代以来增长最为迅速的指标,再加上该地区普遍地广人稀,同时老龄化程度相当严重,人口密度与人口抚养率两个指标相对中国的劣势不断扩大,截至2017年其投资指数全部呈现下降趋势。虽然2017年塞尔维亚、乌克兰、摩尔多瓦、保加利亚、阿尔巴尼亚、白俄罗斯6国指数均高于中国,但考虑到其难以根本改善的人口密度与老龄化问题,可以预计投资指数很快将低于中国,长期来看其发展劳动密集制造业前景均不看好。因此本地域不推荐潜在重点投资国。

图8 1990—2017俄罗斯/中东欧“一带一路”沿线国家外向型劳动密集制造业投资指数变化趋势

5.其他地区。

这里的其他地区指的是中亚、拉美、除北非外的其他非洲地区,以及大洋洲的人均GDP未超过90 000元/年的“一带一路”沿线国家。由下图可见,中亚五国20世纪90年代初发展外向型劳动密集制造业的条件均好于中国同期,主要优势均为相对较高的人口城镇化水平和受教育水平,以及相对较低的制造业工资成本。但如同中东欧国家的情况一样,虽然其制造业相对中国的低成本优势仍在不断扩大,但中国迅速提升的人口城镇化水平与受教育水平使其对中国的劳动密集制造业优势迅速消失并被反超。至2017年已经全部低于中国,且仍处于下降趋势。拉美、除南非外其他非洲地区和除卢旺达外的大洋洲各国,其余国家除制造业工资成本相对中国有优势外,其他指标全方面落后。综上,本区域将卢旺达列为潜在重点投资国。

图9 1990—2017中亚(左图)、拉美、非洲、大洋洲(右图)“一带一路”沿线国家外向型劳动密集制造业投资指数

综上,我们根据1990—2017年各国外向型劳动密集制造业投资指数的绝对值及其动态变化趋势,筛选出了菲律宾、越南、马来西亚、黎巴嫩、孟加拉国、印度、卢旺达7个国家,加上尽管2017年指数低于中国,但已十分接近且增长趋势良好的巴基斯坦,共8个国家作为中国外向型劳动密集制造业的潜在重点投资国。除巴基斯坦外,这些国家在人口密度、人口受教育水平、人口城镇化水平、制造业工资水平、人口抚养率方面的综合条件均好于中国当前水平,且未来趋势良好,可以作为中国外向型劳动密集制造业相关子行业从业企业进行直接投资的重点考虑区位。另外,其他2017年承接指数>1的国家(12个)目前也具备投资可行性,但其未来发展趋势并不如以上8个国家。我们将2017年外向型劳动密集制造业承接指数>1的20个“一带一路”沿线国家,加上巴基斯坦共21个国家,按2017年得分从高到低排名,以及其相对中国的优劣势列出,如表4所示,其中8个潜在重点投资国名字加注星号。

表4外向型劳动密集制造业投资指数>1的“一带一路”沿线国家排名列表(2017年)

续前表

排名国家投资指数相对中国的优势相对中国的劣势地区12斯里兰卡1.107 8人口密度、工资成本受教育水平、城镇化水平、年龄结构南亚13亚美尼亚1.077 9城镇化水平、受教育水平、工资成本人口密度、年龄结构西亚14伊朗1.076 3城镇化水平、受教育水平、工资成本人口密度、年龄结构西亚15泰国1.043 3工资成本受教育水平、城镇化水平、年龄结构、人口密度东南亚16保加利亚1.041 5城镇化水平、受教育水平、工资成本人口密度、年龄结构东欧17摩尔多瓦1.039 2年龄结构、工资成本受教育水平、城镇化水平、人口密度东欧18印度尼西亚1.022 3工资成本受教育水平、城镇化水平、年龄结构、人口密度东南亚19塞尔维亚1.021 6受教育水平、工资成本城镇化水平、人口密度、年龄结构东欧20马来西亚*1.019 5城镇化水平、工资成本受教育水平、人口密度、年龄结构东南亚21巴基斯坦*0.962 2人口密度、工资成本受教育水平、城镇化水平、年龄结构南亚

从预期投资前景与效果来看,向以上条件适宜的目标国投资外向型劳动密集制造业,对中国及被投资东道国均可能有益处。其一,我国外向型劳动密集制造业对外投资的原因并非产能过剩,而是国内生产条件如劳动力价格与人口结构等指标逐渐不适合造成的。与钢铁、水泥等产品不同,劳动密集制造业产品,例如鞋帽服饰、日用杂品等,本身具有低值易耗品的属性,市场具有重复需求,如果直接投资于外国市场进行生产,则不但可能减少中国出口,还可能由国内市场的需求随之导致劳动密集制成品的进口需求,这对缓解贸易顺差和贸易摩擦的效果非常好。其二,如同中国国内经历的一样,劳动密集制造业更容易帮助资金不足的东道国政府解决当地劳动力就业和产业结构升级问题,同时其简单的生产方式并不涉及当地能源与矿产开采等敏感环节,环境污染强度低(马光明等,2019[62]),因此受到东道国政府及民间的阻力很可能更小,不失为今后中国对外直接投资的良好产业选择。目前中国制造业对外投资流量占比近年已在显著增长,2016、2017年流量比重已上升至14.8%、18.6%,增长趋势非常明显。但目前制造业内部各劳动密集制造业子行业对外投资比重很低,例如截至2017年年末,中国制造业对外直接投资存量主要分布在汽车制造、计算机/通信及其他电子设备制造、化学原料及化学制品制造、专用设备制造、其他制造、医药制造、橡胶和塑料制品等“资本/技术密集型”制造业领域,其中仅装备制造业就占到45.8%。本文筛选出的5类外向型劳动密集制造业对外投资占流量比重都较低,可见劳动密集制造业对外投资还有很大的发展空间,在市场力量及政府的科学引导下,外向型劳动密集制造业对外直接投资在未来几十年内有望成为中国制造业走出去的重要力量。

五、研究结论及展望

(一)研究结论与管理启示

笔者利用中国外向型劳动密集制造业2006—2016年省级面板数据以及1990—2017年包含印度在内的“一带一路”沿线国家宏观经济数据,对于中国外向型劳动密集制造业国内发展状况及对外投资区位选择问题进行了定量分析,得出以下基本结论。

其一,中国外向型劳动密集制造业目前已经处于对外投资窗口期。本研究发现,中国外向型劳动密集制造业的发展受本地制造业工资成本、劳动力年龄结构、人口密度、人口城镇化水平、劳动力受教育水平等因素影响很大,生产重心已经开始由东部沿海向中西部省份,尤其是中部省份转移。在此背景下,不局限于国内省份,而是向外部条件更为合适的国家进行直接投资,在全球范围内优化资源配置,是我国外向型劳动密集制造业企业继续发展的必然趋势。

其二,东南亚和南亚地区是目前外向型劳动密集制造业对外投资较为合适的区位。笔者通过计算并分析1990—2017年“一带一路”沿线国家的“外向型劳动密集制造业投资指数”,发现2017年21个外向型劳动密集制造业投资指数大于1或接近于1的国家中,10个位于南亚和东南亚。而结合其变化趋势筛选出的8个潜在重点投资国中,6个为南亚、东南亚国家。这些国家针对中国发展外向型劳动密集制造业的优势大多为相对较高的人口密度和相对较低的制造业工资水平。相比较而言,非洲、欧洲、大洋洲、拉美等地区目前并不适宜中国企业向其投资外向型劳动密集制造业。

基于以上研究结论,笔者给出如下两个政策建议。

其一,政府相关机构以优惠政策鼓励企业对外投资外向型劳动密集制造业。除了鼓励企业向中西部省份发展转移之外,建议政府各相关机构出台信贷、信息、技术与法律咨询等配套政策,积极鼓励国内外向型劳动密集制造业企业走出去投资于成本更低、综合条件更优的发展中国家。由于从事外向型劳动密集制造业生产的企业多为中小企业,资金规模、信息搜寻能力、信贷资源等都弱于从事资本、技术密集型制造业的大型企业,更需要政府通过配套政策引导促成。

其二,与潜在重点投资国签订更为广泛的经贸合作协议。建议政府与更多潜在投资东道国建立行之有效的国际投资、税收合作协议,促进中国对这些国家进行包括劳动密集制造业在内的对外投资和合作。在本文筛选出的8个重点投资目标国中,除巩固加强与越南、马来西亚等东南亚、南亚国家已有的经贸合作的同时,我国对于黎巴嫩、卢旺达等西亚北非国家相应的贸易投资合作协定则较少,需要政府在今后进行科学布局,增强合作。

(二)局限与展望

首先,本文是以国内外向型劳动密集制造业发展状况为基础,将其影响因素作为在国际上筛选合适投资东道国的依据,即“以内推外”。更为直接的做法是以中国近年劳动密集制造业对外直接投资作为被解释变量,分析其各个影响因素,并作为筛选投资东道国的指标。但由于中国目前劳动密集制造业对外直接投资刚刚起步,金额与比重都非常低,尚无法支持实证研究,可待中国劳动密集制造业对外投资规模扩大,数据丰富后再进行实证分析。其次,本研究对于中国外向型低端制造业“重点投资国”的筛选完全基于各国人均GDP、人口密度、工资成本等纯粹的经济指标相对中国的发展趋势,并未考虑东道国军事、政治形势及地理环境等非经济因素的影响,因此后续研究需要在本文的经济数据基础上,将特定目标投资国的政治、军事、地理因素及其变化全面纳入筛选框架,进行更为具体深入的研究。

附录

附表1

1990—2017年8个“潜在重点投资国家”各相关对比指标得分及总体投资指数变化趋势

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数菲律宾20061.108 9 0.056 2 0.388 9-0.805 20.143 71.178 520071.133 30.019 10.394 1-0.807 40.295 91.207 020081.157 1-0.016 00.412 9-0.792 30.424 41.237 220091.181 1-0.049 20.274 5-0.762 60.453 31.219 420101.206 1-0.080 70.231 3-0.724 90.517 91.229 920111.231 9-0.109 90.218 7-0.700 20.591 91.246 520121.258 1-0.136 40.113 8-0.667 20.621 51.237 920131.284 4-0.160 50.066 0-0.629 20.653 01.242 720141.310 3-0.182 4-0.136 5-0.588 50.676 31.215 820151.335 6-0.202 1-0.216 8-0.545 90.683 41.210 820161.359 6-0.220 0-0.269 2-0.500 90.674 31.208 820171.382 8-0.236 0-0.271 7-0.456 20.696 61.223 1年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数越南19900.733 1-0.234 0-0.081 6-0.443 90.671 91.129 119910.746 2-0.244 8-0.355 9-0.425 60.544 71.052 919920.761 1-0.255 3-0.463 0-0.421 80.583 91.041 019930.776 0-0.264 8-0.344 8-0.423 80.470 91.042 719940.789 1-0.273 9-0.407 1-0.419 30.488 51.035 519950.800 2-0.283 4-0.377 1-0.403 40.502 81.047 819960.809 2-0.292 5-0.193 4-0.410 20.499 71.082 619970.816 2-0.301 30.256 2-0.391 50.512 71.178 419980.822 0-0.309 80.619 9-0.361 50.539 91.262 119990.827 9-0.316 90.639 8-0.340 10.545 21.271 220000.919 1-0.320 60.235 2-0.335 10.555 11.210 720010.925 3-0.327 7-0.030 4-0.316 70.579 51.166 020020.935 0-0.336 1-0.222 3-0.319 70.590 51.129 520030.944 6-0.344 0-0.336 6-0.334 20.592 31.104 420040.951 3-0.351 5-0.250 5-0.342 90.603 71.122 020050.958 0-0.358 4-0.149 5-0.336 70.571 41.137 020060.965 2-0.364 3-0.169 5-0.326 10.591 61.139 420070.973 3-0.369 4-0.103 7-0.304 20.632 41.165 720080.981 9-0.374 1-0.084 7-0.273 90.638 01.177 420090.991 6-0.378 5-0.103 3-0.243 50.653 31.183 920101.002 5-0.382 6-0.057 8-0.217 30.684 21.205 820111.014 6-0.386 5-0.020 6-0.196 90.693 21.220 820121.027 6-0.389 7-0.108 7-0.178 00.681 81.206 620131.040 9-0.392 3-0.206 1-0.161 00.700 81.196 520141.053 9-0.394 4-0.262 7-0.144 90.704 41.191 3

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数越南2015 1.066 1-0.396 0-0.365 1-0.129 0 0.674 31.170 120161.076 9-0.397 0-0.416 6-0.111 80.655 51.161 420171.086 5-0.397 6-0.416 6-0.095 80.658 01.166 9年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数马来西亚1990-0.545 9 0.883 1 1.386 2-0.309 3-3.310 90.620 61991-0.539 90.851 81.686 0-0.291 7-3.470 00.647 21992-0.533 60.837 42.123 0-0.288 4-3.768 20.674 01993-0.527 30.824 92.128 7-0.291 6-4.105 30.605 91994-0.520 80.812 01.752 0-0.291 8-3.418 90.666 51995-0.513 90.798 61.448 7-0.285 3-2.986 10.692 41996-0.506 60.785 01.704 3-0.296 5-2.797 00.777 81997-0.499 00.771 01.981 9-0.292 0-2.330 80.926 21998-0.491 20.756 82.224 6-0.281 7-1.211 51.199 41999-0.483 20.742 22.522 6-0.279 3-1.246 21.251 22000-0.475 30.727 52.377 8-0.290 3-1.367 51.194 42001-0.467 60.696 31.564 5-0.308 8-1.087 41.079 42002-0.460 00.661 81.191 6-0.334 7-1.037 41.004 32003-0.452 40.628 61.003 1-0.364 0-0.944 90.974 12004-0.445 00.596 70.718 2-0.388 7-0.844 30.927 42005-0.437 60.566 10.481 0-0.404 8-0.791 30.882 72006-0.430 20.538 30.425 8-0.419 3-0.664 50.890 02007-0.422 70.512 40.478 1-0.425 9-0.514 30.925 52008-0.415 20.487 50.630 6-0.420 5-0.377 10.981 12009-0.407 50.463 60.594 8-0.402 8-0.071 81.035 32010-0.399 50.440 50.544 2-0.375 6-0.116 91.018 52011-0.391 20.418 40.422 7-0.339 8-0.037 01.014 62012-0.382 90.397 70.327 4-0.301 5-0.003 61.007 42013-0.374 60.378 30.224 8-0.262 00.066 41.006 62014-0.366 90.360 2-0.280 5-0.222 30.117 60.921 62015-0.359 80.343 3-0.065 6-0.183 10.294 61.005 92016-0.353 60.327 5-0.089 3-0.149 10.312 31.009 62017-0.348 20.312 6-0.089 3-0.116 40.338 61.019 5年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数黎巴嫩1990 1.185 2 2.143 5 9.790 8-0.272 7-3.121 22.945 119911.195 02.056 210.060 5-0.244 5-4.085 72.796 319921.223 01.972 310.376 3-0.230 9-3.692 32.929 719931.259 11.891 79.607 5-0.225 6-4.309 52.644 619941.290 51.814 17.142 6-0.218 1-5.042 61.997 3

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数黎巴嫩19951.310 51.739 65.421 8-0.202 9-5.685 21.516 819961.314 71.667 74.496 4-0.216 6-5.476 91.357 119971.307 31.598 94.675 0-0.212 0-5.026 71.468 519981.301 01.532 64.762 4-0.199 1-5.212 51.436 919991.312 51.463 44.833 8-0.194 5-5.197 71.443 520001.351 51.397 14.026 4-0.207 7-4.819 11.349 620011.424 31.321 63.443 4-0.250 9-4.247 51.338 220021.525 01.244 12.585 2-0.303 2-3.495 51.311 120031.636 51.170 91.817 8-0.361 2-2.507 81.351 220041.735 51.101 51.493 7-0.410 1-2.708 61.242 420051.806 41.036 21.340 8-0.436 7-2.272 71.294 820061.840 10.976 51.200 1-0.437 4-1.771 81.361 520071.845 60.920 91.292 9-0.420 9-1.517 91.424 120081.848 10.868 21.364 0-0.389 4-1.274 21.483 320091.883 70.818 31.186 5-0.354 8-1.146 31.477 520101.975 40.771 11.012 3-0.329 4-0.967 71.492 320112.132 70.726 30.966 6-0.316 0-0.699 61.562 020122.340 40.684 90.627 0-0.306 1-0.436 01.582 020132.567 10.646 60.462 8-0.298 1-0.244 11.626 920142.769 20.611 30.038 3-0.283 9-0.102 41.606 520152.916 20.578 6-0.150 1-0.257 0-0.011 31.615 320162.998 40.548 4-0.211 5-0.214 40.033 91.631 020173.026 20.520 4-0.211 5-0.169 60.043 71.641 8年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数巴基斯坦19900.155 20.156 30.022 3-0.684 1 0.018 40.933 619910.171 90.128 7-0.112 6-0.689 2-0.151 60.869 419920.189 10.102 0-0.252 2-0.703 1-0.156 50.835 919930.206 60.076 5-0.257 1-0.719 5-0.169 70.827 419940.223 80.051 9-0.391 8-0.730 00.038 50.838 519950.241 50.028 3-0.487 8-0.732 00.266 20.863 219960.259 70.005 5-0.531 4-0.759 30.281 50.851 219970.278 0-0.016 3-0.559 1-0.766 40.336 00.854 419980.296 9-0.037 3-0.587 4-0.764 90.397 30.860 919990.316 4-0.057 1-0.611 4-0.770 60.444 00.864 320000.336 1-0.075 9-0.663 7-0.789 60.499 50.861 320010.355 9-0.098 3-0.732 1-0.808 20.476 60.838 820020.375 9-0.121 7-0.786 5-0.837 40.540 90.834 320030.396 2-0.143 6-0.821 3-0.873 70.599 50.831 4

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数巴基斯坦20040.416 8-0.164 1-0.804 7-0.907 6 0.614 30.830 920050.437 7-0.183 2-0.738 7-0.932 80.617 40.840 120060.459 3-0.200 3-0.751 7-0.942 00.650 10.843 120070.481 6-0.215 9-0.725 6-0.950 50.665 30.851 020080.504 5-0.230 4-0.729 5-0.952 10.717 30.862 020090.528 2-0.243 9-0.691 3-0.942 40.720 40.874 220100.552 8-0.256 5-0.676 3-0.920 50.772 10.894 320110.578 2-0.268 2-0.657 9-0.901 60.809 40.912 020120.604 1-0.278 7-0.646 3-0.868 50.800 20.922 220130.630 3-0.287 9-0.670 9-0.825 90.819 20.933 020140.656 3-0.296 0-0.749 5-0.780 00.826 40.931 420150.682 0-0.303 1-0.781 5-0.733 60.814 90.935 720160.706 7-0.309 2-0.799 1-0.685 40.828 40.948 320170.730 7-0.314 4-0.799 1-0.637 00.830 70.962 2年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数卢旺达19901.425 7-0.795 2-0.801 1-1.031 7-0.826 20.594 319911.332 0-0.799 0-0.787 3-0.989 3-0.340 30.683 219921.189 3-0.777 0-0.772 1-0.925 9-0.360 80.670 719931.034 4-0.748 7-0.770 3-0.833 2-0.365 90.663 319940.917 4-0.717 2-0.809 4-0.726 00.563 40.845 719950.872 4-0.682 3-0.837 4-0.638 30.410 50.825 019960.911 3-0.643 6-0.849 4-0.672 10.475 10.844 319971.017 9-0.620 9-0.856 7-0.720 30.401 90.844 319981.163 3-0.608 9-0.864 5-0.792 60.439 80.867 419991.306 7-0.596 6-0.871 1-0.880 30.548 50.901 420001.418 9-0.584 0-0.831 6-0.965 60.628 90.933 320011.492 3-0.573 3-0.831 2-0.991 80.685 50.956 320021.537 1-0.563 4-0.847 2-1.016 60.718 20.965 620031.563 9-0.557 6-0.849 3-1.039 60.728 10.969 120041.589 3-0.552 2-0.845 4-1.065 50.741 40.973 520051.624 7-0.546 5-0.849 2-1.099 20.730 30.972 020061.672 4-0.540 3-0.817 9-1.130 50.731 30.983 020071.728 0-0.533 5-0.815 1-1.172 80.752 60.991 920081.789 0-0.526 6-0.801 9-1.215 20.762 51.001 520091.852 1-0.519 9-0.777 2-1.242 40.768 71.016 320101.915 0-0.513 4-0.762 3-1.246 00.796 51.037 920111.977 3-0.507 2-0.727 8-1.240 00.817 51.064 020122.039 7-0.501 0-0.761 2-1.211 20.823 31.077 9

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数卢旺达20132.102 2-0.494 6-0.758 6-1.165 0 0.842 51.105 320142.164 7-0.488 3-0.815 1-1.110 60.855 11.121 220152.227 5-0.481 9-0.824 9-1.053 00.862 51.146 020162.289 6-0.475 6-0.834 9-0.985 60.863 71.171 520172.351 1-0.469 3-0.834 9-0.918 30.868 11.199 4年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数印度19901.420 4-0.033 8 0.981 7-0.366 4-0.151 51.370 119911.436 7-0.056 21.059 4-0.355 20.028 61.422 719921.455 8-0.078 61.075 3-0.356 40.128 21.444 919931.476 0-0.100 10.969 6-0.362 50.238 11.444 219941.496 3-0.120 70.540 6-0.363 80.276 61.365 819951.517 2-0.140 60.239 6-0.357 20.333 31.318 519961.538 7-0.159 80.255 4-0.376 30.384 61.328 519971.560 4-0.178 10.206 0-0.377 70.453 31.332 819981.583 1-0.195 70.271 0-0.372 40.487 51.354 719991.607 6-0.212 60.325 4-0.376 30.500 01.368 820001.633 5-0.228 80.253 4-0.395 70.531 91.358 820011.660 2-0.247 4-0.002 8-0.419 00.554 51.309 120021.687 6-0.265 0-0.182 4-0.456 30.594 61.275 720031.715 6-0.281 7-0.299 4-0.502 70.601 61.246 720041.743 6-0.297 5-0.370 0-0.546 30.602 61.226 520051.771 1-0.312 5-0.430 6-0.578 60.602 31.210 320061.798 7-0.326 0-0.424 2-0.598 70.616 51.213 320071.826 5-0.338 3-0.355 3-0.610 60.633 51.231 120081.853 7-0.350 1-0.268 7-0.611 60.677 41.260 220091.880 1-0.361 2-0.281 0-0.601 40.699 21.267 220101.905 7-0.371 7-0.255 1-0.580 80.718 91.283 420111.930 0-0.381 6-0.096 0-0.556 10.727 31.324 720121.952 8-0.390 4-0.130 7-0.520 80.750 81.332 320131.974 3-0.398 2-0.240 5-0.478 00.776 51.326 820141.994 7-0.405 1-0.381 3-0.431 90.792 61.313 820152.014 5-0.411 2-0.407 4-0.385 60.798 71.321 820162.032 8-0.416 4-0.444 1-0.336 50.796 41.326 420172.050 1-0.420 8-0.444 1-0.290 80.790 61.337 0年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数孟加拉国19905.746 6-0.250 8 0.358 8-0.588 3-0.408 41.971 619915.814 3-0.258 30.444 2-0.564 2-0.285 92.030 019925.885 7-0.269 10.538 3-0.551 6-0.170 52.086 519935.958 4-0.279 60.542 0-0.543 2-0.163 02.102 919946.030 7-0.289 60.273 1-0.530 20.076 52.112 119956.105 8-0.299 30.080 6-0.510 40.211 32.117 619966.183 5-0.308 7-0.003 8-0.519 30.187 92.107 919976.262 0-0.317 6-0.056 1-0.509 80.250 32.125 719986.343 2-0.326 2-0.110 6-0.494 50.282 22.138 819996.428 5-0.334 5-0.156 9-0.489 70.315 42.152 620006.516 0-0.342 5-0.287 2-0.501 80.363 92.149 7

续前表

年份人口密度得分城镇化水平得分受教育水平得分人口抚养率得分工资成本得分总体投资指数孟加拉国20016.604 8-0.350 4-0.343 6-0.518 90.424 82.163 320026.694 5-0.355 7-0.511 1-0.551 00.475 22.150 420036.782 1-0.360 7-0.595 9-0.592 70.494 82.145 520046.863 3-0.365 3-0.674 6-0.631 10.540 52.146 620056.934 7-0.369 5-0.670 4-0.657 30.584 62.164 420066.997 1-0.372 7-0.646 1-0.674 30.645 92.190 020077.052 4-0.375 3-0.626 1-0.681 80.698 02.213 420087.101 9-0.377 6-0.584 9-0.677 10.733 12.239 120097.151 1-0.379 5-0.531 8-0.661 50.733 02.262 220107.203 2-0.381 2-0.506 6-0.636 30.750 02.285 820117.258 5-0.382 6-0.476 2-0.599 80.776 82.315 320127.315 3-0.383 5-0.523 4-0.557 20.796 72.329 620137.372 4-0.384 0-0.574 0-0.508 50.801 22.341 420147.427 0-0.384 0-0.674 4-0.454 30.796 82.342 220157.478 8-0.383 7-0.660 7-0.395 80.786 52.365 020167.524 6-0.382 9-0.642 2-0.335 10.762 22.385 320177.566 4-0.381 9-0.642 2-0.273 30.755 92.405 0

注:各分项指标正号表示发展外向型劳动密集制造业相关的该项指标条件优于中国,负号表示劣于中国;承接指数>1表示综合条件优于中国,指数<1则表示综合条件劣于中国。

猜你喜欢

人口密度省份制造业
冰雪制造业的鲁企担当
喜看新中国七十年突飞猛进的制造业
16省份上半年GDP超万亿元
22个省
高速铁路与经济增长的因果关系
关于我国房地产价格的思考
厦门市流动人口分布研究
2014上海民营制造业50强
2014上海制造业50强