The Association between Agricultural Productive Service Agglomeration, Urbanization and Farmers’ Employment Growth
-
摘要: 选取2003—2019年浙江省各市的面板数据，建立PVAR模型，使用脉冲响应函数与方差分解方法，考察浙江省不同区域内农业生产性服务业集聚、农民就业增长、城镇化的长期动态影响。结果表明：农业生产性服务业集聚、农民就业增长、城镇化三者均具有自我发展的惯性；农业生产性服务业集聚在浙东北片区正向作用于农民就业增长，在浙西南则产生抑制性效果；浙东北地区城镇化抑制农民就业增长，而浙西南的城镇化对农民就业具有促进作用；浙东北、浙西南地区的城镇化与农业生产性服务业集聚之间呈正向促进关系。因此，应强化农民就业对集聚的正向效应；统筹省域内农业生产性服务业集聚式发展；完善城乡联动机制，促进集聚、就业、城镇化三者良性互动、协同发展。
-
关键词:
- 农业生产性服务业集聚 /
- 农民就业 /
- 城镇化 /
- PVAR模型
Abstract: This paper selects panel data of Zhejiang cities from 2003—2019, establishes a PVAR model, and uses impulse response function and variance decomposition methods to examine the long-term dynamic effects of agricultural productive service industry agglomeration, farmers’ employment growth, and urbanization in different regions of Zhejiang Province. The results show that the agglomeration of the agricultural production service industry, farmers’ employment growth, and urbanization all have self-developing inertia. The agglomeration of the agricultural production service industry positively affects farmers’ employment growth in northeastern Zhejiang Province but inhibits it in southwestern Zhejiang Province. Urbanization in northeastern Zhejiang Province inhibits farmers’ employment growth, while urbanization in southwestern Zhejiang Province promotes farmers’ employment. The relationship between urbanization in northeastern Zhejiang Province and southwestern Zhejiang Province and the urbanization in the northeast and southwest Zhejiang has a positive relationship with the agglomeration of agricultural productive services. Therefore, we suggest: the positive effect of farmers’ employment on agglomeration should be strengthened; the agglomeration development of the agricultural production service industry in the province should be coordinated; the urban-rural linkage mechanism should be improved to promote the positive interaction and synergistic development of agglomeration, employment, and urbanization. -
自新型冠状病毒性肺炎疫情暴发以来，世界多国经济衰退、产业发展步调减缓，失业与就业问题成为亟待解决的民生问题。2020年末，我国城镇调查失业率为5.2%，失业人数达2427万人。受疫情影响，农民失业问题突出，返城复工者面临着企业经营停滞、本地行业无法快速吸纳农业劳动力的现实困难，返乡务农者也面临着农产品与农业生产要素流动性降低的挑战[1]。
新型城镇化的持续推进，影响着农民就业的场域与结构[2]。一方面，城镇化催生了新的就业领域，拓展了新的就业空间，例如旅游度假区、特色小镇等新型业态的出现，产生大量的服务性就业的岗位需求，对于劳动者意味着大量的就业机会。另一方面，城镇化对农村劳动力提出了更高的就业要求，增加了农民的就业压力，表现为新兴产业的技术需求提高了农民的就业门槛，科技进步压缩了从事低端生产的农民工的需求量。
在“大国小农”的基本国情与农情下，农业生产性服务业作为以服务农业农民为根本的产业，是新时期发展我国现代农业的巨大潜力所在。有学者指出，在东部沿海地区，城镇化水平高，劳动力就业机会多，农民兼业趋势明显，对农业生产的综合性服务和全程托管的需求旺盛，农业生产性服务业更易形成集聚式发展[3]。发展农业生产性服务业能够缩减生产经营成本、提高农业作业效率[4]；刺激农民消费需求、优化农村居民消费结构[5]；推动培育职业农民，改善农村劳动力结构失衡[6]；增加农村居民收入，缩小城乡收入差距[7]等。理论上，发展农业生产性服务业为返乡留乡农民提供了就地就近就业的可能。
问题是，发展农业生产性服务业并形成产业集聚真的有助于减轻社会失业问题、促进农民就近就业吗？农业生产性服务业集聚、城镇化分别会对农村劳动力就业带来何种影响？基于此，本文以浙江省为例，研究农业生产性服务业集聚、城镇化对于农民就业增长的影响作用机理和实证研究，对于发展现代农业、促进农民就业将具有一定的现实意义，这也是本文的学术边际贡献。
一、 作用机理
（一） 农业生产性服务业集聚与农民就业
通过查阅、梳理文献，农业生产性服务业集聚对农民就业的作用机制，可能表现为：（1）通过集聚要素、资源与市场，实现规模经营，降低生产成本，提高农业生产效率，拓展农民就业创收途径[8]；（2）通过有机衔接小农户与大市场，拉动农业产业结构调整，改变劳动力在产业间的分配格局，增加农村就业人口[9]；（3）通过为生产过程提供良好的基础设施、实施先进的组织管理，提高农产品供给的数量与质量，拉升农业比较利益，形成农业区域品牌优势，从而扩大农业发展空间与农村就业容量。
与之对应的是，农民就业将会作用于农业生产性服务业集聚。农民是乡村振兴的主力军，有效促进稳定就业是破解“三农”问题的关键。同时，合理有序地推动农村剩余劳动力转移，可有效缓解人地矛盾，扩大农村土地经营规模，壮大农村农业合作社、专业协会等中介组织，为农业生产性服务业的集聚式发展提供有利条件。
（二） 农民就业与城镇化
城镇化的核心在于人的城镇化，农民工在城镇的有序运转中扮演着重要角色。在生产方面，农村劳动力的低成本工资能够提高雇佣农民工的乡村企业的经济效益；在需求方面，农民的汇入能够优化城镇人力资源配置，提升区域经济竞争实力，同时拉动城市消费需求，引领消费升级，促进流入地的经济增长、分工深化，持续助推新型城镇化[10]。然而，城镇对于农民的就业吸纳能力也是有限度的，当农民工“供大于求”或超过城镇可承受能力时，将加重失业现象，阻碍城镇化发展。
城镇化对农民就业的作用表现为，随着城镇化建设的推进，城镇基础设施更加完备，运输、水电、通信等事业向农业农村进一步延伸，既提高农民的生产生活水平，又面向农村劳动力提供了宽口径的就业渠道；新型城镇化能够促进产业结构的调整升级，发展具竞争力的乡村产业，推动建设城乡一体化的劳动力市场，实现生产要素的自由流动，以破解农民就业难题。
（三） 城镇化与农业生产性服务业集聚
农业生产性服务业集聚以城镇为空间载体，并为城镇化提供多维度支撑，其集聚效应能够促进技术进步，带动产业升级，从而转化为对城镇化建设的“推动效应”；农业生产性服务业集群中的经营主体为改善生产经营条件，会加强对基础项目的投资建设，持续促进城镇综合服务功能的完善与提高，形成“扩散效应”，进而加速新型城镇化建设进程。
伴随新型城镇化的推进，城镇的功能、配套建设更加完善，有能力为生产经营主体创造良好的市场环境，吸引更多农业生产性服务业微观主体在城镇形成集聚，形成“示范效应”；在此过程中，高素质与高技能的劳动力会倾向于集中至高集聚水平地区，并增强该地区生产性服务业的集聚化水平，形成人力集聚的“规模效应”[11]。
二、 研究方法
（一） 变量选取
农民就业增长（femp）指标采用浙江省内各市农村就业人员数的对数形式。城镇化（urb）参考了人口学中城镇化率的计算方法，用城镇人口与总人口相除后所得比值作为代理指标。农业生产性服务业集聚（psa）指标基于区位熵模型，对历年农业生产性服务业聚集水平进行测度。该指标能够反映浙江省11个地级市农业生产性服务业构成与平均水平之间的差异，数值越大，表明农业生产性服务业相对集聚程度越高。区位熵模型如下：
$$ PS{A_{it}} = {{({{{S_{it}}} \mathord{\left/ {\vphantom {{{S_{it}}} {{X_{it}}}}} \right. } {{X_{it}}}})} \mathord{\left/ {\vphantom {{({{{S_{it}}} \mathord{\left/ {\vphantom {{{S_{it}}} {{X_{it}}}}} \right. } {{X_{it}}}})} {({{{S_t}} \mathord{\left/ {\vphantom {{{S_t}} {{X_t}}}} \right. } {{X_t}}})}}} \right. } {({{{S_t}} \mathord{\left/ {\vphantom {{{S_t}} {{X_t}}}} \right. } {{X_t}}})}} $$ (1) 式（1）中，i代表浙江省内各市，t表示年份。本文中Sit / Xit表示特定年份中，浙江省各地级市农林牧渔服务产值与该市农林牧渔业总产值的比值；St / Xt表示固定年份中，浙江省农林牧渔服务产值占全省农林牧渔业总产值的比值。Sit、Xit、St、Xt所采用数据的单位均为万元。
（二） 数据来源
研究数据主要源自《浙江统计年鉴》，因浙江省统计局官网仅公布了2008—2020年的统计数据，EPS数据平台“浙江县市统计数据库”中含有则含有1984—2020年浙江省统计年鉴的数据，因此本文数据主要通过EPS平台取得。本文选取2003年为样本时间起点的原因在于，浙江省统计局从该年度起才正式公布“农林牧渔服务产值”数据。浙江统计年鉴中有所缺失的数据，笔者通过查阅浙江省各市地方年鉴进行完善，仍无法获取的数据，通过线性插值法补齐。
对于浙江省内片区的划分，主要存在“浙北”“浙南”，“浙东北”“浙西南”两种方法，本文借鉴了《浙江统计年鉴》中对于浙江省各市的区域划分，将浙江省分为包括杭州市、宁波市、嘉兴市、湖州市、绍兴市、舟山市6个地级市在内的“浙东北”片区，包括温州市、金华市、衢州市、台州市、丽水市5个地级市在内的“浙西南”片区。文中数据均依照选定的代理指标、以地级市为单位进行收集，后进行加总，计算得出浙江省、浙东北与浙西南的整体数据。文中主要变量的描述性统计结果见表1。
表 1 主要变量的描述性统计项目 变量 观测值 均值 标准差 最小值 最大值 浙江省 femp 187 5.200 0.627 3.610 6.020 urb 187 0.591 0.096 0.336 0.785 psa 187 0.924 0.711 0.010 3.320 浙东北 femp 102 5.054 0.675 3.610 5.780 urb 102 0.623 0.084 0.441 0.785 psa 102 1.103 0.871 0.010 3.320 浙西南 femp 85 5.377 0.516 4.720 6.020 urb 85 0.553 0.097 0.336 0.705 psa 85 0.710 0.352 0.140 1.520 数据来源：《浙江统计年鉴》及浙江省各市地方统计年鉴。 （三） PVAR模型构建
面板向量自回归模型（PVAR）将所有变量视为内生变量，分析各变量及其滞后项之间关系，具有个体差异捕捉特征，能够为浙江省内各区域的农民就业、农业生产性服务业集聚、城镇化发展差异提供具针对性的政策启示。
$$ {Y_{it}} = {\Gamma _0} + \sum\limits_{j = 0} {{\Gamma _j}} {Y_{it - j}} + {{\text{α}} _i} + {{\text{β}}_t} + {{\text{ε}}_{it}} $$ (2) 式（2）中Yit表示三维内生变量向量，即Yit=（fempit，psait，urbit），i表示样本城市（i=1, 2, ···, 11），t表示年度数据（t=1, 2, 3, ···, 17），j表示滞后阶数，αi表示个体效应，βt表示时间效应，εit为服从正态分布的随机扰动项。
三、 实证分析
（一） 单位根检验
为避免面板数据模型估计存在伪回归，需对研究中所涉及变量进行平稳性检验。本文通过ADF检验，得到表2结果。数据显示，浙江省、浙东北及浙西南地区差分后的dfemp、dpsa、durb均在90%水平以上通过显著性检验。
表 2 单位根检验结果项目 浙江省 浙东北 浙西南 dfemp dpsa durb dfemp dpsa durb dfemp dpsa durb P 145.694*** 133.008*** 59.853*** 80.205*** 69.261*** 34.012*** 82.28*** 65.355*** 18.953** (0.000) (0.000) (0.000) (0.000) (0.000) (0.001) (0.000) (0.000) (0.041) Z −9.014*** −8.696*** −4.483*** −7.182*** −5.66*** −3.571*** −7.315*** −6.311*** −1.906** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.028) L* −11.982*** −11.093*** −4.698*** −9.156*** −7.838*** −3.714*** −10.291*** −8.187*** −1.918** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.033) Pm 18.648*** 16.735*** 5.707*** 13.922*** 11.688*** 4.493*** 16.162*** 12.378*** 2.002** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.023) 注：各变量进行单位根检验时，均带有常数项与时间趋势项。*、**、***分别表示在10%、5%、1%的水平下通过显著性检验；括号中为P值。 （二） 滞后阶数选择
构建PVAR模型的过程中，变量的滞后项可作为工具变量解决模型内生性导致的估计偏误问题。合理地选择滞后阶数是十分必要的，为避免阶数过长损失自由度，本文采用低阶原则选择最佳滞后阶。如表3所示，通过综合使用AIC、SIC、HQIC准则进行计算与选取，确定浙江省、浙东北、浙西南PVAR模型的最优滞后阶数均为1阶。
表 3 PVAR模型最优阶数的选择lag 浙江省 浙东北 浙西南 AIC BIC HQIC AIC BIC HQIC AIC BIC HQIC 1 −17.438* −16.567* −17.084* −17.782 −16.966* −17.455* −17.409* −16.606* −17.092* 2 −17.409 −16.296 −16.957 −17.841* −16.703 −17.388 −17.2206 −16.0688 −16.7701 3 −17.424 −16.038 −16.861 −17.829 −16.336 −17.239 −17.084 −15.551 −16.491 4 −17.357 −15.663 −16.670 −17.455 −15.570 −16.717 −17.218 −15.268 −16.475 5 −17.105 −15.060 −16.278 −17.102 −14.781 −16.207 −16.725 −14.316 −15.827 注：*表示滞后阶数显著。 （三） PVAR回归分析
广义矩估计（GMM）能够宏观地反映变量间的动态模拟关系。本文通过“前向均值差分法”去除时间效应，使用Helmert变换消除个体固定效应后，通过广义矩估计，得到浙江省、浙东北、浙西南PVAR(1)模型参数的有效估计，结果见表4。
表 4 分地区PVAR模型GMM估计结果项目 浙江省 浙东北 浙西南 h_dfemp h_dpsa h_durb h_dfemp h_dpsa h_durb h_dfemp h_dpsa h_durb L.h_dfemp 0.446*** 0.034 0.213*** 0.589*** 0.271 0.103*** 0.347*** −0.057 0.317*** (5.440) (0.210) (4.330) (6.720) (1.050) (2.760) (2.730) (−0.33) (3.370) L.h_dpsa 0.009 0.174** 0.048*** 0.082** 0.178** 0.002 −0.190*** 0.398*** 0.105** (0.220) (2.070) (2.590) (2.120) (2.410) (0.180) (−2.82) (4.170) (2.360) L.h_durb 0.175*** 0.050 0.025 −0.078 0.165 0.125 0.223*** 0.068 −0.037 (2.920) (0.500) (0.360) (−0.68) (0.640) (1.590) (2.990) (0.760) (−0.37) 注：L、h_分别表示滞后一阶与经过前向均值差分处理的变量；经差分处理与Helmert变换后，样本容量减少，观测值为143；*、**、***分别表示在10%、5%、1%的水平下通过显著性检验；括号中为t值。 估计结果所示，在浙江省及其省内的两大片区中，滞后一阶的农民就业增长、农业生产性服务业集聚都对其自身产生正向影响，且作用显著，说明农民就业增长与农业生产性服务业集聚均存在自我发展的惯性现象，具有较强的路径依赖特征。
在浙东北片区，农民就业增长滞后一期对城镇化产生正向影响。农业生产性服务业集聚滞后一期正向作用于农民就业增长，但其影响效应微弱。城镇化滞后一期对于农民就业增长、农业生产性服务业集聚并无显著影响。
在浙西南片区，农民就业增长滞后一期对城镇化的影响系数为0.317，说明农民就业增长对城镇化提高具有一定促进作用。滞后一期的农业生产性服务业集聚一方面显著推动城镇化，另一方面对农业就业增长产生抑制性效果。城镇化滞后一期正向作用于农民就业增长，说明城镇化率提高有利于带动农民就业。
（四） 脉冲响应分析
GMM能反映变量间的局部关系，若要进一步探究模型受到冲击时对整个系统变量的动态影响，呈现系统内变量的动态传导机制，需使用脉冲响应函数（IRF）。本文通过追踪10期，进行500次蒙特卡洛模拟，得到分区域的农业生产性服务业集聚、农民就业增长、城镇化之间相互冲击的动态路径（图1～3）。图1～3中，位于中间的曲线为响应曲线，其上下的两条曲线表示5%与95%的置信水平。横坐标表示滞后期数，纵坐标表示各变量对冲击变量的响应程度。
图1～3第1行小图反映，农民就业增长面对不同变量冲击后的脉冲响应。（1）农民就业增长在受到自身一个Cholesky标准差的冲击后，浙江省、浙东北、浙西南均在冲击反应当期达到峰值，后随时期增加逐渐减弱，在8期内归于平稳，说明农民就业增长的发展存在惯性。（2）农民就业增长受农业生产性服务业集聚1个标准差的冲击后，浙江省、浙东北的农民就业增长在第1期内达到最大值，随后趋于平稳，说明集聚对就业增长的效果较为有限。在浙西南片区，集聚对农民就业增长产生了持续的负向影响，后逐渐减弱并在第10期趋于0。这是因为浙西南地区农业生产性服务业集聚式发展过程中，人才、资源、市场集聚，也提高了城镇的建设水平，同时伴随着技术进步与产业结构升级，落后产能与传统岗位被淘汰，从而造成“就业损失效应”。（3）农民就业增长在城镇化的冲击下，浙江省、浙东北地区农民就业增长在第1期达到反向的峰值，后开始上升并趋近于0。这可能是因为浙东北地区农业生产效率较高、基础设施良好，在现有的产业结构中，城镇对农民就业的吸纳能力已趋于饱和的结果，因此城镇化对农民就业增长存在一定的负面影响。浙西南地区农民就业增长在第1期表现为正向的峰值，在第2期回落为0。可能的解释是：在短期内，城镇化能够推动浙西南地区具竞争力的乡村企业发展，拓宽了就业容量，增进了农民就业。
图1～3第2行小图反映农业生产性服务业集聚面对不同变量冲击后的脉冲响应。（1）面对农民就业增长的冲击，农业生产性服务业集聚，全省及浙东北地区的农民就业增长均在当期形成了最大的负向响应，随后负向影响逐渐削弱，共受到6期的持续影响；浙西南地区的农民就业增长在第1期达到负向的峰值后，影响程度逐渐减弱并趋于0，该过程持续了8期。说明在浙江省及省内不同片区，农民就业增长会对农业生产性服务业集聚产生抑制作用。（2）浙江省、浙东北农业生产性服务业集聚在受到自身冲击后的影响持续3期，影响方向为正；在浙西南片区，集聚对自身的正向响应在第5期归于平稳。说明农业生产性服务业集聚对自身同样存在正向的发展惯性，且浙西南地区的发展惯性更强。这是因为相较浙东北地区，浙西南片区目前以生态型产业为主，农业生产性服务业集聚水平更低、经济基础更薄弱，但是在“两山理念”的指导下，该片区的发展潜能更大。（3）面对城镇化的冲击，浙江省、浙东北、浙西南的农业生产性服务业集聚均在第1期便达到峰值，在第2期迅速回落并接近于0，呈现先升后降的倒“V”字形式。说明在短期内，城镇化会对农业生产性服务业集聚产生正向影响。这是城镇化进程中，城镇的功能建设日趋完善，创造良好的市场环境，发挥“示范效应”，吸引更多农业生产性服务业主体在城镇形成集聚的结果。
图1～3第3行小图反映城镇化面对不同变量冲击后的脉冲响应。（1）浙江省、浙东北、浙西南受到农民就业增长一个正交化冲击后，在当期显著为负，在第1期达到正向峰值，继而呈持续下降趋势，在6期内趋近于0。长期来看，农民就业增长会对城镇化形成正向效应。这是因为短时间内，农民大量汇入城镇，其劳动力供应超过城镇可承受能力，阻碍城镇化发展；长期来看，农民就业增长有助于优化城镇人力资源配置，提升区域经济竞争实力，同时拉动城市消费需求，引领消费升级，促进流入地的经济增长、分工深化，持续助推新型城镇化。（2）在农业生产性服务业集聚一个正交化冲击的影响下，浙江省、浙东北、浙西南的城镇化在当期达到负向峰值，浙江省、浙西南在第2期达正向峰值，浙东北的响应曲线则表现出第2期持平、第3期小幅回落的特征。说明农业生产性服务业集聚在长期内会促进城镇化水平的提高。这是因为集聚能以城镇为载体，并为城镇化提供支撑，促进技术进步，带动产业升级，对城镇化建设产生“推动效应”；同时经营主体为改善生产经营条件，会加强对基础项目的投资建设，持续促进城镇综合服务功能的完善与提高，加速城镇化建设进程。（3）城镇化对自身产生1个标准差的冲击后，浙江省、浙东北、浙西南所受的正向冲击仅持续1期，缺乏持续波动性。
（五） 预测方差分解
方差分解是用于分析预测残差标准差受不同新息的冲击影响下的比例变化。本文以PVAR(1)模型的估计结果为基础，采用渐进分析法，选取5个预测期，得到浙江及省内不同区域农业生产性服务业集聚与农民就业增长、城镇化之间的影响关系与影响程度。
由表5可知：农民就业增长受自身劳动力供给投入的影响显著，其自身的贡献度达99.4%以上。其次，农民就业增长对农业生产性服务业集聚的贡献度在浙东北较高，为4.7%～6.6%，在浙西南贡献度为2.7%～4.3%，说明浙东北农民就业增长对农业生产性服务业集聚的解释力度更强，应重视浙东北地区农民就业增长对农业生产性服务业集聚的推动作用。农民就业增长对城镇化的贡献度在浙江全省来看较小，为0.1%；在浙东北地区其贡献度为2.1%～2.3%，浙西南片区贡献度为0.3%～0.4%，且随预测期延长其贡献度有所回落，说明浙东北农民就业增长对城镇化的解释力度较强，应重视浙东北地区农民就业增长对城镇化的推动作用。
表 5 方差分解表项目 浙江省 浙东北 浙西南 s dfemp dpsa durb dfemp dpsa durb dfemp dpsa durb dfemp 1 1 0 0 1 0 0 1 0 0 dfemp 2 0.995 0.004 0.001 0.931 0.047 0.023 0.969 0.027 0.004 dfemp 3 0.994 0.005 0.001 0.918 0.060 0.022 0.960 0.037 0.003 dfemp 4 0.994 0.005 0.001 0.914 0.064 0.021 0.955 0.041 0.003 dfemp 5 0.994 0.005 0.001 0.913 0.066 0.021 0.954 0.043 0.003 dpsa 1 0.179 0.821 0 0.259 0.741 0 0.088 0.912 0 dpsa 2 0.212 0.748 0.041 0.259 0.671 0.071 0.149 0.827 0.024 dpsa 3 0.218 0.742 0.040 0.261 0.669 0.070 0.165 0.812 0.024 dpsa 4 0.220 0.739 0.040 0.261 0.668 0.070 0.171 0.805 0.024 dpsa 5 0.221 0.739 0.040 0.262 0.668 0.070 0.173 0.803 0.024 durb 1 0.014 0.008 0.978 0.006 0.005 0.989 0.011 0.017 0.972 durb 2 0.033 0.013 0.954 0.022 0.005 0.973 0.043 0.032 0.925 durb 3 0.039 0.013 0.949 0.027 0.006 0.966 0.048 0.032 0.921 durb 4 0.041 0.013 0.946 0.029 0.007 0.964 0.050 0.032 0.918 durb 5 0.042 0.013 0.945 0.030 0.007 0.963 0.051 0.032 0.917 农业生产性服务业集聚受自身惯性的贡献度同样较高，在浙江全省达73.9%以上，浙东北地区由71.4%回落至66.8%，而浙西南片区内贡献度维持在80.3%以上，说明浙西南片区农业生产性服务业集聚水平的提高受其自身扰动的程度更深、惯性更强。浙江省、浙东北、浙西南地区农业生产性服务业集聚对农民就业增长的贡献度持续上扬，在浙东北其解释力度达25.9%以上；浙西南片区中，农业生产性服务业集聚的贡献度最大值为17.3%，说明农业生产性服务业集聚是农民就业增长的重要变量，应重视农业生产性服务业集聚对农民就业增长在浙东北的促进效应以及在浙西南的抑制性效果。农业生产性服务业集聚对农民就业增长在第1期并不构成贡献，从第2期开始，解释力度有所增长，说明农业生产性服务业集聚对城镇化变动的影响存在滞后性。
城镇化对农民就业增长的贡献度从第1期至第2期实现了大幅增长，解释力度范围在浙东北为0.6%～3%，在浙西南为1.1%～5.1%，应重视浙西南城镇化对农民就业的促进效果。城镇化对农业生产性服务业集聚的解释力度在第5期趋于稳定，从浙江全省来看为1.3%，浙东北地区为0.7%，浙西南地区为3.2%，应重视浙西南农业生产性服务业集聚提高对城镇化的推动作用。城镇化的预测性方差，同样受变量自身的冲击影响大，解释力度随时期增长有所下降，但仍然保持在91.7%以上，说明城镇化存在依赖于自身惯性发展的现象。
四、 结论及建议
（一） 结论
本文通过对浙江省11个地级市2003—2019年的面板数据进行分析，建立考察农业生产性服务业集聚、农民就业增长、城镇化互动关系的面板向量自回归模型，得到了三者间的影响机理和互动规律存在区域异质性的结论。
浙江省及省内两大片区的农业生产性服务业集聚、农民就业增长、城镇化在受到自身的冲击时，均产生自我发展的惯性现象，具有较强的路径依赖。在浙江省、浙东北地区三者的影响规律大部分相似，农业生产性服务业集聚能够促进农民就业增长，且在浙东北地区的影响作用更强；而农民就业增长对农业生产性服务业集聚存在负向影响。城镇化与农民就业增长在短期内具有相互抑制的效果，而在更长的时期中农民就业增长会对城镇化产生促进效果。城镇化与农业生产性服务业集聚之间呈正向促进关系。
在浙西南片区，农业生产性服务业集聚与农民就业增长相互抑制。短期来看，城镇化对农民就业具有负向影响，而长期来看城镇化与农民就业相互间存在正向促进的关系。城镇化会对农业生产性服务业集聚产生推动作用，农业生产性服务业集聚对城镇化经历了由抑制作用到促进作用的转变。
（二） 建议
基于以上实证分析结果，提出以下政策建议。
（1）持续增强农民就业对农业生产性服务业集聚的正向效应，促进农业生产性服务业专业化、集聚式、高质量发展。加大政策扶持力度、资金支持力度、宣传推广力度，加强农村地区素质教育与基础设施建设，投资农村人力资本，提高农村劳动力质量；通过优化人才、资金、技术的要素配置，提升农业生产性服务业集聚质量；定期开展职业技能培训，推动农民就业转型，提高农民就业质量。
（2）统筹省域内农业生产性服务业集聚、联动、协调发展，释放集聚对农民稳定就业的“稳压舱”作用。以资源禀赋、区位优势为基础，发展适配当地特色产业的农业生产性服务业。在强化高集聚水平城市示范带动效应的同时，助力低集聚水平城市发挥后发优势，统筹兼顾带动农民就业增长，充分发挥农业生产性服务业对农民就业的正向带动作用，让农民成为集聚过程中的参与者和农业现代化成果的受惠者。
（3）建立与完善城乡联动机制，在推动新型城镇化建设基础上，实现城乡一体化发展。通过联结城乡一体，深化交流协作，学习与借鉴不同区域城乡融合的优秀案例，创建与发展特色乡村典型、特色小镇，充分发挥城镇与乡村对农业生产性服务业的平台支撑作用。积极鼓励与扶持农民创办企业，发挥乡村企业对农村剩余劳动力的就业吸纳作用。加速农村劳动力转移就业的同时，不间断地强化城镇服务农民的能力，营造宜居宜业的城镇环境，让农村人才“引得回”“留得住”。
-
表 1 主要变量的描述性统计
项目 变量 观测值 均值 标准差 最小值 最大值 浙江省 femp 187 5.200 0.627 3.610 6.020 urb 187 0.591 0.096 0.336 0.785 psa 187 0.924 0.711 0.010 3.320 浙东北 femp 102 5.054 0.675 3.610 5.780 urb 102 0.623 0.084 0.441 0.785 psa 102 1.103 0.871 0.010 3.320 浙西南 femp 85 5.377 0.516 4.720 6.020 urb 85 0.553 0.097 0.336 0.705 psa 85 0.710 0.352 0.140 1.520 数据来源：《浙江统计年鉴》及浙江省各市地方统计年鉴。 
下载: 导出CSV
表 2 单位根检验结果
项目 浙江省 浙东北 浙西南 dfemp dpsa durb dfemp dpsa durb dfemp dpsa durb P 145.694*** 133.008*** 59.853*** 80.205*** 69.261*** 34.012*** 82.28*** 65.355*** 18.953** (0.000) (0.000) (0.000) (0.000) (0.000) (0.001) (0.000) (0.000) (0.041) Z −9.014*** −8.696*** −4.483*** −7.182*** −5.66*** −3.571*** −7.315*** −6.311*** −1.906** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.028) L* −11.982*** −11.093*** −4.698*** −9.156*** −7.838*** −3.714*** −10.291*** −8.187*** −1.918** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.033) Pm 18.648*** 16.735*** 5.707*** 13.922*** 11.688*** 4.493*** 16.162*** 12.378*** 2.002** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.023) 注：各变量进行单位根检验时，均带有常数项与时间趋势项。*、**、***分别表示在10%、5%、1%的水平下通过显著性检验；括号中为P值。
下载: 导出CSV
表 3 PVAR模型最优阶数的选择
lag 浙江省 浙东北 浙西南 AIC BIC HQIC AIC BIC HQIC AIC BIC HQIC 1 −17.438* −16.567* −17.084* −17.782 −16.966* −17.455* −17.409* −16.606* −17.092* 2 −17.409 −16.296 −16.957 −17.841* −16.703 −17.388 −17.2206 −16.0688 −16.7701 3 −17.424 −16.038 −16.861 −17.829 −16.336 −17.239 −17.084 −15.551 −16.491 4 −17.357 −15.663 −16.670 −17.455 −15.570 −16.717 −17.218 −15.268 −16.475 5 −17.105 −15.060 −16.278 −17.102 −14.781 −16.207 −16.725 −14.316 −15.827 注：*表示滞后阶数显著。
下载: 导出CSV
表 4 分地区PVAR模型GMM估计结果
项目 浙江省 浙东北 浙西南 h_dfemp h_dpsa h_durb h_dfemp h_dpsa h_durb h_dfemp h_dpsa h_durb L.h_dfemp 0.446*** 0.034 0.213*** 0.589*** 0.271 0.103*** 0.347*** −0.057 0.317*** (5.440) (0.210) (4.330) (6.720) (1.050) (2.760) (2.730) (−0.33) (3.370) L.h_dpsa 0.009 0.174** 0.048*** 0.082** 0.178** 0.002 −0.190*** 0.398*** 0.105** (0.220) (2.070) (2.590) (2.120) (2.410) (0.180) (−2.82) (4.170) (2.360) L.h_durb 0.175*** 0.050 0.025 −0.078 0.165 0.125 0.223*** 0.068 −0.037 (2.920) (0.500) (0.360) (−0.68) (0.640) (1.590) (2.990) (0.760) (−0.37) 注：L、h_分别表示滞后一阶与经过前向均值差分处理的变量；经差分处理与Helmert变换后，样本容量减少，观测值为143；*、**、***分别表示在10%、5%、1%的水平下通过显著性检验；括号中为t值。
下载: 导出CSV
表 5 方差分解表
项目 浙江省 浙东北 浙西南 s dfemp dpsa durb dfemp dpsa durb dfemp dpsa durb dfemp 1 1 0 0 1 0 0 1 0 0 dfemp 2 0.995 0.004 0.001 0.931 0.047 0.023 0.969 0.027 0.004 dfemp 3 0.994 0.005 0.001 0.918 0.060 0.022 0.960 0.037 0.003 dfemp 4 0.994 0.005 0.001 0.914 0.064 0.021 0.955 0.041 0.003 dfemp 5 0.994 0.005 0.001 0.913 0.066 0.021 0.954 0.043 0.003 dpsa 1 0.179 0.821 0 0.259 0.741 0 0.088 0.912 0 dpsa 2 0.212 0.748 0.041 0.259 0.671 0.071 0.149 0.827 0.024 dpsa 3 0.218 0.742 0.040 0.261 0.669 0.070 0.165 0.812 0.024 dpsa 4 0.220 0.739 0.040 0.261 0.668 0.070 0.171 0.805 0.024 dpsa 5 0.221 0.739 0.040 0.262 0.668 0.070 0.173 0.803 0.024 durb 1 0.014 0.008 0.978 0.006 0.005 0.989 0.011 0.017 0.972 durb 2 0.033 0.013 0.954 0.022 0.005 0.973 0.043 0.032 0.925 durb 3 0.039 0.013 0.949 0.027 0.006 0.966 0.048 0.032 0.921 durb 4 0.041 0.013 0.946 0.029 0.007 0.964 0.050 0.032 0.918 durb 5 0.042 0.013 0.945 0.030 0.007 0.963 0.051 0.032 0.917
下载: 导出CSV
-
[1] 张鸣鸣, 王登山. 新冠肺炎疫情冲击下农民工就业面临的主要问题及应对策略研究[J]. 中国西部, 2020(1): 119. [2] 张登国, 王骥洲. 新型城镇化与青年农民工就业的机遇与挑战[J]. 中国青年研究, 2017(2): 16. DOI: 10.19633/j.cnki.11-2579/d.2017.02.003. [3] 张红宇. 农业生产性服务业的历史机遇[J]. 农业经济问题, 2019(6): 4. DOI: 10.13246/j.cnki.iae.2019.06.001. [4] 兰晓红. 农业生产性服务业与农业、农民收入的互动关系研究[J]. 农业经济, 2015 (4): 41. DOI: 10.3969/j. issn. 1001-6139.2015. 04.016. [5] 薛贺香. 城镇化、农业生产性服务业与农村居民消费互动的实证研究[J]. 广东商学院学报, 2013, 28(6): 81. [6] 陈鸣, 肖刚纯. 农业生产性服务业促进职业农民培育的实证研究[J]. 内蒙古农业大学学报(社会科学版), 2016, 18(1): 15. DOI: 10.16853/j.issn.1009-4458.2016.01.004. [7] 张荐华, 高军. 发展农业生产性服务业会缩小城乡居民收入差距吗: 基于空间溢出和门槛特征的实证检验[J]. 西部论坛, 2019, 29(1): 45. DOI: 10.3969/j.issn.1674-8131.2019.01.005. [8] 李红松. 乡村振兴视野下农业生产性服务业的发展策略研究[J]. 农业经济, 2020(1): 9. DOI: 10.3969/j. issn. 1001-6139.2020. 01.003. [9] 郝爱民. 城镇化与农业生产性服务业的门槛效应[J]. 华南农业大学学报(社会科学版), 2018, 17(1): 19. DOI: 10.7671/j.issn.1672-0202.2018.01.003. [10] 杜颖, 郭娜, 李婷. 产业耦合视角下河北农业生产性服务业与农业协调发展分析[J]. 科技和产业, 2021, 21(1): 12. DOI: 10.3969/j.issn.1671-1807.2021.01.004. [11] 冯粲. 地区工资差距的来源: 人力资本与生产性服务业集聚的交互影响[J]. 经济问题探索, 2020(9): 160. -
期刊类型引用(1)
1. 邓鸣，杨婧淳，郑旭媛. 中国农业服务贸易发展新机遇、现实瓶颈与对策. 云南农业大学学报(社会科学). 2024(03): 78-86 . 
本站查看
其他类型引用(1)
计量
- 文章访问数: 2527
- HTML全文浏览量: 1117
- PDF下载量: 41
- 被引次数: 2