基于GRA模型的我国城镇失业规模影响因素分析

马琦峰 刘尹新宇 周杨健馨

(1.中国人民大学社会与人口学院 北京 100872；2.上海师范大学哲学与法政学院 上海 200234；3.乔治华盛顿大学艾略特国际事务学院 华盛顿)

改革开放之初，大批知识青年返城、城市劳动力和其他社会待业者剧增，伴随着就业政策的调整，我国迎来了20世纪80年代以来的两次失业高峰。为完善我国社会保障体系，降低失业保障空缺带来的负面影响，国务院于1986年7月和1999年1月相继发布《国营企业职工待业保险暂行规定》和《失业保险条例》，标志着我国失业保险制度从创建走向确立。截至2020年底，我国城镇登记失业率为4.2%，同比2000年增长35.48%，可见21世纪以来我国城镇失业问题未获得实质性改善。

目前，我国城镇登记失业率尚未达到4%的充分就业水平，且由于我国“失业登记率”相较国际通用的“调查失业率”存在着统计年龄限定严格、统计指标不全面性及大量的城镇隐性失业未纳入统计范畴等缺陷，因而导致统计结果低于真实的失业水平(王玉洁，2014)。庞大的劳动力人口基数使得中国较同等失业率的发达国家而言，面临着更为严重的规模失业问题(闫涛，2011)。此外，结构性失业逐渐成为当下长期失业问题产生的重要来源(汪戎和薛军，2013)。凯恩斯主义的工资黏性理论提出由于工资水平对劳动供需变动的反映存在滞后性，因而产生了大批的非自愿结构性失业者(郭春良和吕心阳，2016)。同时，伴随劳动主体日趋多元化，性别、年龄、教育、产业等结构差异加剧了劳动供需不匹配现象，同样产生了大量结构性失业者(蔡禾和曹薇娜，2019；杨紫薇和邢春冰，2019；陈明生，2019)。另外，劳动力市场双方信息流动受阻及不对称产生的自愿性失业和摩擦性失业、经济周期波动产生的周期性失业及某些部门的间歇性生产特征导致的季节性失业大大加重了社会失业问题(田静，2015；Lawrence J等，2020)。从上述角度来看，当今我国城镇就业情况不容乐观，城镇失业规模对社会保障制度完善、居民生活水平提升等方面产生了消极影响，正因如此，相关研究一直是我国社会保障及劳动经济学界关注的重要议题(张车伟和蔡翼飞，2016)。

本文应用改进后的GRA模型探究我国失业规模影响因素及其影响程度，不仅能够丰富现有的失业研究，还能为我国失业控制及就业促进政策的制定提供重要的参考依据，具有重要的现实意义。

1 数据来源及变量选择

1.1 数据来源

本文数据来源于国家统计局发布的2021年《中国统计年鉴》，其中包括城镇登记失业人数、国内生产总值、居民消费价格指数等。数据来源可靠、时间序列数据跨度较大、数据指标的选择均与失业规模有直接的关联性，为后续的研究奠定了良好的数据基础。

1.2 变量选择

本文解释变量包括人口变量、经济变量与社会变量三个方面，选取男性人口数量、65岁及以上人数、GDP、CPI、第三产业从业人数、高校毕业生数及参加失业保险人数共7项测量指标，被解释变量是失业变量，选取城镇登记失业人数作为测量指标。各变量指标选择及依据详情如表1所示。

表1 变量指标选择及依据

2 方法选择

灰色关联度分析模型(GRA)最早是由邓聚龙(1990)教授创立的，该模型本质上提供一种度量两个向量之间距离的方法，即通过观察度量序列曲线的形态、走势及所构成的几何图形面积是否相近来判断两个序列间的关联程度。应用模型前需要明确参考、比较两组序列，在此基础上将标准化处理后的数据置于邓氏关联度系数模型中，但该方法存在两个弊端：其一，在采用不同的标准化处理方式(初始化、均值化、区间化、逆化、倒数化)或取不同的调整系数时，可能会改变原始序列的相对位置，产生序数效应，故不具有保序性。其二，由于在关联系数计算中采用截距计算方式，因而使得关联系数取值始终介于(0，1]，仅能反映关联强弱程度，但无法反映两者之间究竟是正相关还是负相关，这种性质不利于对失业规模的影响因素研究。对此，单联宏(2010)对传统GRA模型进行改进，弃用原有邓氏关联度的面积与形状拟合，进而采用斜率作为关联度的衡量指标，提出利用序列平均相对变化率的构成差与构成比来定义新的关联系数，并引入一个符号函数来反映序列的正负相关关系，即对应时段平均变化率方向一致时关联系数为正，相反则为负，进而得到新的关联系数计算模型为：

其中，k=∈[2,n)；sgn为符号函数，用于判断关联系数的正负；ξi(k)为斜率关联系数，在改进后的模型中取值为[-1，1]；x0与xi分别为剔除量纲后(本文采用初值化方式)的参考序列与比较序列数据。分别为参考序列与比较序列中时点k-1到时间k的斜率，min与max分别为最小取值函数与最大取值函数，即在两序列比较中所有斜率中的极值。同样，在对斜率关联系数计算完成后需要对特定时间区间[a，b]的各序列关联系数绝对值进行均值计算。改进后的公式摆脱了原模型中的两大弊端，统计性质优良。

3 统计分析

将城镇登记失业人数指标数据作为参考序列，将人口、经济及社会变量中各指标数据依次作为比较序列，运用Excel 2010软件，利用SGN、ABS等组合函数对两序列间进行灰度斜率计算，以求得各序列关联系数。在此基础上，对各序列关联系数绝对值进行均值计算，以获取序列关联度，并利用RANK函数对各关联度进行排列形成关联序，关联序如表2所示。

表2 GRA关联序

由表2可以看出，各组关联度均处于60%～70%水平，受数据、模型精度等因素影响，真实情况可能更高。一般而言，GRA关联度高于70%为重要因素，处于50%～70%的为比较重要因素，低于50%则为不重要因素，据此可知本文所选各指标均为影响我国城镇失业规模的比较重要因素，能够较好地解释我国城镇失业规模变化。其中，各组关联度从高至低排序依次为：通货膨胀关联、产业结构关联、年龄结构关联、性别结构关联、社会保障关联、经济总量关联与高等教育关联。基于此，本文依次对经济、人口与社会变量进行逐一分析如下：

首先，经济变量对我国城镇失业规模的影响最大，具体表现为通货膨胀、产业结构与城镇失业规模的关联度分别为66.195%与66.101%，位列关联序前两位。一方面，通货膨胀关联再次印证了菲利普斯曲线揭示出通胀与失业率间存在的短期负相关关系，符合劳动经济学相关原理。另一方面，伴随着第一二产业的“机器换人”趋势加速，在以服务为核心的第三产业中人的不可替代性相对更强，同时新业态的发展创造了更多的就业岗位，并吸纳了更多的劳动者，因而产业结构与城镇失业规模密不可分。此外，虽然经济总量关联位列第六，但其关联度仍接近65%水平，说明经济总量发展对促进就业是有显著影响的，但弱于经济结构优化带来的影响。

其次，人口变量对城镇失业规模的影响弱于经济变量，但总体影响程度差异并不大，年龄、性别结构与城镇失业规模的关联度分别为66.052%与66.039%，位列关联序第三、四位。我国人口老龄化进程加速，相当一部分岗位因劳动者退休而产生了空缺，这对适龄劳动者就业是有利的，可以较好地解释年龄结构变迁对我国城镇失业规模的影响，但同时应意识到这种影响主要体现于缓解总量性失业上，其对结构性失业的影响相对有限。性别结构同样对城镇失业规模产生影响，具体表现在职场性别歧视、行业性别壁垒等方面，不可否认的是，当前男性在劳动力市场中的优势地位依旧显著，平等的就业机会在实践应用中仍难以落实。

最后，社会变量对城镇失业规模的影响相对较弱，所属关联均处于关联序的中后位置，但从关联度值来看，其对城镇失业规模仍有比较重要的影响。失业保障制度是一把明显的“双刃剑”，从积极影响上看，该制度会为失业者提供技能培训、就业信息，以实现再就业；从消极影响上看，该制度会助长劳动者怠惰情绪，从而产生自愿性失业，不过从表2关联系数中可以看出积极影响仍占据主导地位。高等教育关联为62.147%，说明社会教育有助于提升人力资本，从而有助于缓解结构性失业，符合经验与事实，其关联度相对较低可能由于高等教育投入周期较长，其对失业规模的影响存在明显的时滞效应，高等学历贬值、学生观念变迁等亦在这一过程中产生了影响。

4 结语

2008年1月实施的《就业促进法》与2017年12月公开征求修订意见的《失业保险条例》均从经济、人口与社会角度提出了控制我国城镇失业规模的指导意见，致力于促进我国劳动者的就业与再就业。然而，影响失业的因素是复杂多样的，其作用机制亦不尽相同。由于我国庞大的劳动力基数及复杂的社会情形，单独依赖经济、人口抑或社会政策措施难以实现对我国城镇失业规模的长期平稳控制。对此，应充

分把握包括通货膨胀、产业结构、年龄结构、性别结构、社会保障、经济总量、高等教育等在内的影响因素作用机制，结合当前失业类型分布妥善选择与之对应的政策工具与措施，充分发挥上述各因素的积极效能，这对控制我国城镇失业规模、缓解社会失业问题意义重大。