EN中文

地理研究 >

2015 , Vol. 34 >Issue 2: 351 - 363

DOI: https://doi.org/10.11821/dlyj201502014

北京市居住与就业空间错位的行业差异和影响因素

  • 孙铁山
展开
  • 北京大学政府管理学院,北京 100871

作者简介：孙铁山(1978- ),男,内蒙古包头人,博士,副教授,主要研究方向为城市与区域经济学。E-mail:

收稿日期: 2014-09-10

  要求修回日期: 2015-01-08

  网络出版日期: 2015-02-10

基金资助

国家自然科学基金项目(41371005, 41001069)

北京市支持中央高校共建项目(青年英才计划)

收起

Spatial mismatch between residences and jobs by sectors in Beijing and its explanations

  • SUN Tieshan
Expand
  • School of Government, Peking University, Beijing 100871, China

Received date: 2014-09-10

  Request revised date: 2015-01-08

  Online published: 2015-02-10

Copyright

《地理研究》编辑部
Fold

摘要

北京不同行业人口居住—就业的空间错位存在明显差异,空间错位程度较低的是制造业和教育,较高的是金融业,采矿业,交通运输、仓储和邮政业,电力、燃气及水的生产和供应业,以及信息传输、计算机服务和软件业。就业郊区化迟缓是造成北京居住—就业空间错位的重要原因,行业就业郊区化程度越低、居住郊区化程度越高,则居住—就业的空间错位越严重。但相比于郊区化,人口和就业的集聚程度对居住—就业的空间错位有更强的解释力。在郊区化过程中就业倾向于保持较高的集聚程度,而居住则相对分散化,这会进一步加剧居住—就业的空间错位。此外,行业的“去单位化”程度、从业人员受教育程度、平均单位规模以及就业增速等非空间因素对各行业居住—就业空间错位也有显著的影响。

关键词： 居住分布; 就业分布; 空间错位; 行业差异; 北京市

本文引用格式

孙铁山 . 北京市居住与就业空间错位的行业差异和影响因素[J]. 地理研究, 2015 , 34(2) : 351 -363 . DOI: 10.11821/dlyj201502014

Abstract

Combining the population census data and the economic census data of Beijing, this paper analyzes the sector differences of the spatial mismatch between residents and jobs in Beijing and empirically tests the major hypotheses that explain those differences. Generally speaking, the excessive concentration of jobs in the central city and the decentralization of residents from the central city to the suburbs can lead to the spatial mismatch between residences and jobs in Beijing. However, there is a big difference in spatial mismatch conditions among sectors. Sectors with high spatial mismatch include finance, mining, transportation, storage and postal services, electricity gas and water production and supply, information transmission computer and software services, while sectors with low spatial mismatch are manufacturing and education. Furthermore, the results indicate that the within sector differences (among industries) in spatial mismatch conditions are even greater than those across sectors. And through the econometric analyses that examine the major factors which influence the spatial mismatch among industries, we find that the slow suburbanization of jobs, compared to the relatively fast suburbanization of residents, is the important explanation of the spatial mismatch conditions among industries, and industries with the low level of suburbanization of jobs and the high level of suburbanization of residents tend to face more severe spatial mismatch. And compared to the suburbanization of residents and jobs, the agglomeration of residents and jobs during suburbanization is a more powerful explanation to the spatial mismatch conditions among industries. During the decentralization of residents and jobs from the central city to the suburbs, jobs tend to re-concentrate while residents tend to disperse in general, which also increases the spatial mismatch between residents and jobs. Besides, the results indicate that some non-spatial factors, such as the "de-danweism" of industries, the educational level of employees in industries, the average establishment size of industries, and the employment growth rate of industries have significant influence on the spatial mismatch conditions of industries.

Key words： population distribution; employment distribution; spatial mismatch; sector differences; Beijing

1 引言

近年来,对中国特大城市内部居住—就业空间关系的研究得到广泛关注。已有研究普遍认为,伴随中国城市的制度改革与快速扩张,城市空间发展正经历剧烈的变动,而其中随着单位制度的解体、城市住房与土地市场的建立,居住的郊区化和产业空间布局调整正使得城市内部的职住分离变得越来越严重,居住与就业的空间错位变得更加突出[1]。而居住—就业的空间分离加剧了城市的交通拥堵、带来了城市环境问题,并造成城市内部的空间隔离,降低弱势群体的就业可达性等。
北京是最具代表性的中国特大城市,1990年代以来经历了快速的城市扩张。与此同时,伴随产业结构升级,城市经济空间格局也发生了巨大变化[2-4]。随着城市扩张,居住的郊区化不断加剧,从常住人口的地区分布来看,北京城区(东城区和西城区)人口占全市的比重已由1990年的21.6%下降到2011年的10.7%,而住宅的郊区化尤为突出,从2008-2011年住宅销售面积来看,城区占全市比重从7.7%下降到2.8%,近郊区(朝阳区、丰台区、石景山区和海淀区)比重也从65.6%下降到37.7%,而远郊区比重则由26.7%上升到59.4%,显示出住宅加速郊区化的趋势。而另一方面,北京市第二次经济普查资料显示,2008年北京第二、第三产业就业仍主要集中在城区和近郊区,占全市的73.7%,但随着郊区科技园区和开发区的建设,制造业已较大程度向郊区转移,城区制造业就业仅占全市的7.5%。制造业的外迁为服务业的发展置换了空间,服务业就业仍高度集中在城区和近郊区,城区占全市的24.1%,近郊区占58.9%。相比之下,制造业更多布局在远郊区,远郊区制造业就业占全市的54.6%。因此,随着城市扩张和产业布局调整,北京居住—就业的空间错位正在加剧。一方面,住宅郊区化推动居住不断向郊区转移,另一方面,尽管制造业已较大程度从城区迁出,但伴随产业结构调整,北京的服务业在就业结构中的比重已高达74.0%,产业布局上制造业的迁出带来服务业进一步向城区和近郊区的集聚,造成就业仍主要集中在城市中心区,从而导致北京居住—就业的空间错位。
近几年,对北京居住—就业空间错位的研究逐渐增多,主要分为两类：一类是从微观视角,通过分析通勤时间、通勤距离、就业可达性等,研究城市居民职住的平衡关系[5-8]。这些研究普遍发现,北京存在显著的职住分离,在影响职住分离的各种因素中市场的力量以及个体偏好的重要性越来越突出,同时由于城市发展的路径依赖,既有城市布局对职住分离的影响仍然较大。另一类是从宏观尺度上分析城市内部居住和就业的空间分布及其匹配关系[9-11]。这些研究也发现北京居住中心和就业中心存在明显的空间分离,居住—就业的空间错位现象比较突出,且在持续加剧。而新增住宅郊区化带来的居住郊区化和产业布局调整中就业郊区化的不同步以及城市空间结构的不合理是主要原因。
目前,国内对城市内部居住—就业空间分布及其匹配关系的研究大都基于总的人口和就业分布,事实上居住—就业的空间关系在不同行业间可能存在较大差异。而且,职住平衡并不单纯表现为一定地域范围内从业者和就业岗位总量上的相当,更关键的是居住在本地的从业者和本地就业岗位之间在行业结构上也能相互匹配[12],因此对职住平衡的研究应该要考虑本地区就业人口和就业岗位的行业特征。以北京市为例,测度不同行业居住与就业的空间分离程度,并分析行业间差异,以及空间错位出现的原因,以期更深入的理解北京居住—就业的空间错位现象。

2 研究方法与数据来源

城市内部居住与就业的空间错位主要指就业人口的居住地和相应的就业机会在空间上的分离。因此,测度居住—就业的空间错位需要使用不同地区就业人口和就业岗位的数据。使用北京市第六次人口普查中分区县、分行业门类和行业大类的就业人口数反映不同行业就业人口居住的分布情况,使用北京市第二次经济普查中分区县、分行业门类和行业大类的从业人员数反映不同行业就业岗位的分布情况。因为人口普查是基于居住地的而经济普查是基于工作地的,所以比较两者可以刻画出居住—就业的空间错位。考虑到经济普查中就业数是指第二、第三产业法人单位从业人员数,因此将人口普查中分行业就业人口数据中的农、林、牧、渔业和国际组织剔除。由于人口普查中就业人口数为长表抽样数据,需要按10%抽样比推算就业人口总数。第六次人口普查为2010年数据,而第二次经济普查为2008年数据,两组数据的年份并不一致,但考虑到就业空间分布变动相对缓慢,以2008年数据代替反映2010年就业分布情况。
使用马丁提出的空间错位指数[13](spatial mismatch index,SMI)测度北京市人口居住与就业的空间错位程度。考虑到不同行业就业人口和就业岗位的空间错位程度是有差异的,因此针对18个行业门类和87个行业大类,分别计算居住—就业的空间错位指数。行业j的空间错位指数SMIj计算如下：
SM I j = 1 2 P j ∑ i = 1 n e ij E j P j - P ij (1)
式中：Pij是i区县j行业的就业人口数;eij是i区县j行业的就业岗位数;Pj是北京市j行业总的就业人口数;Ej是北京市j行业总的就业岗位数;n是区县个数,为18个。SMI可以反映就业人口和就业岗位地区分布的相似性,相似程度越高即空间错位程度越低,SMI越小,反之SMI较大。

3 北京居住—就业的地区分布与空间错位

第二次经济普查资料显示,2008年北京市共有第二、第三产业从业人员816.9万,第六次人口普查资料显示,2010年北京市共有第二、第三产业常住就业人口923.7万。由于数据年份不一致,两组数据并不直接可比。因此,计算各地区就业岗位和就业人口占全市比重并进行比较(表1)。同时,将北京市各区县划分为四个圈层,分别是城区(包括东城区和西城区)、近郊区(包括朝阳区、丰台区、石景山区和海淀区)、远郊平原区(包括房山区、通州区、顺义区、昌平区、大兴区)和远郊山区(包括门头沟区、怀柔区、平谷区、密云县、延庆县),分别对应北京市区县功能定位中划分的四个功能区,即首都功能核心区、城市功能拓展区、城市发展新区和生态涵养发展区。
Tab. 1 Spatial distribution of jobs and residences in Beijing

表1 北京居住与就业的地区分布

地区 就业岗位占全市比重(%) 就业人口占全市比重(%) 就业—居住比
城区(首都功能核心区) 20.0 10.2 2.0
原东城区 6.4 2.4 2.6
原西城区 8.6 3.4 2.5
原崇文区 1.7 1.5 1.1
原宣武区 3.4 2.8 1.2
近郊区(城市功能拓展区) 53.7 51.1 1.1
朝阳区 19.0 19.9 1.0
丰台区 9.7 11.4 0.9
石景山区 2.4 3.1 0.8
海淀区 22.6 16.6 1.4
远郊平原区(城市发展新区) 20.4 30.8 0.7
房山区 2.4 4.2 0.6
通州区 3.6 6.3 0.6
顺义区 5.0 4.8 1.0
昌平区 3.6 8.7 0.4
大兴区 5.8 6.8 0.9
远郊山区(生态涵养发展区) 5.9 7.9 0.7
门头沟区 1.1 1.2 0.9
怀柔区 1.4 1.8 0.7
平谷区 1.2 1.7 0.7
密云县 1.5 1.9 0.8
延庆县 0.7 1.2 0.6
为刻画各地区人口居住—就业的平衡性,使用赛维罗提出的就业—居住比(jobs-housing ratio,JHR)反映各地区就业岗位和就业人口的匹配关系[14]。JHR可以近似的由本地区就业岗位与就业人口的比值来估算,由于就业岗位和就业人口数据来自不同年份普查资料,并不直接可比,因此用各地区就业岗位占全市比重和就业人口占全市比重的比值来近似估计。赛维罗提出,JHR在0.8~1.2的地区属于人口居住—就业平衡区,即该地区就业人口与就业岗位基本匹配;而JHR大于1.2表示该地区就业岗位数量相比于就业人口较大,即就业岗位富余;JHR小于0.8则表示该地区就业岗位数量相比于就业人口较小,即就业岗位供给不足。
由表1可见,北京城区就业岗位占全市的20.0%,而居住的就业人口仅占全市的10.2%,JHR达到2,显示就业岗位远远多于本地居住的就业人口。而远郊平原区和远郊山区JHR为0.7,显示相比于本地居住的就业人口,就业岗位供给略有不足。相比之下,近郊区就业岗位占全市的53.7%,就业人口占全市的51.1%,JHR为1.1,显示就业岗位与本地居住的就业人口基本平衡。这说明,目前北京的产业活动仍较多的集中在城区和近郊区,但随着居住的郊区化,人口已较大程度由城区向郊区转移,近郊区和远郊平原区是人口集聚的主要区域,因此造成尽管近郊区人口居住与就业相对平衡,但城区仍过度集中了产业活动,而远郊平原区对产业的集聚能力则相对不足,这导致整体上人口居住—就业的空间错位。
从区县来看,城区中的原东城区和原西城区居住—就业的平衡程度最低,JHR超过2.5,显示这两个地区是产业活动高度集聚的区域,但本地居住的就业人口很少。相比之下,原崇文区和原宣武区JHR分别为1.1和1.2,属人口居住—就业的平衡区。整体上,近郊区的各个区居住—就业基本平衡,唯一的例外是海淀区,JHR达到1.4,属于产业活动的集聚明显高于本地居住的就业人口,就业岗位相对富余。在远郊平原区,除顺义区和大兴区外,其他各区就业岗位相比于本地居住的就业人口明显不足,其中最突出的是昌平区,JHR仅为0.4,显示居住—就业的严重不平衡,昌平区就业岗位仅占全市的3.6%,但就业人口却占到全市的8.7%,就业岗位相比于本地居住的就业人口严重不足。远郊山区中,除门头沟区和密云县外,其他区县也都存在一定程度的就业供给不足。

4 北京居住—就业空间错位的行业差异

居住—就业的空间错位在不同行业间可能存在较大差异,为了分析不同行业居住—就业的空间错位及行业间差异,分别计算各行业门类和行业大类居住—就业的空间错位指数。由图1可见,总体上北京第二、第三产业总就业人口和总就业岗位地区分布的空间错位指数为0.16。在18个行业门类中,除制造业和教育外,其他各行业的SMI都高于0.16。这说明单一行业就业人口和就业岗位地区分布的空间错位一般比总就业人口和总就业岗位的空间错位更加突出。从各行业门类SMI来看,空间错位程度最低的是制造业和教育。这主要因为,制造业是目前北京就业分散化程度最高的行业,就业的分散化导致该行业居住—就业的空间匹配,而教育则随人口相对均匀分布,所以居住—就业的空间匹配程度也较高。空间错位最严重的主要有5个行业,分别是金融业,采矿业,交通运输、仓储和邮政业,电力、燃气及水的生产和供应业,以及信息传输、计算机服务和软件业,SMI均高于0.4,而其他行业SMI都在0.25以下,显示这5个行业就业人口和就业岗位的地区分布存在明显的空间分离。
Fig. 1 Spatial mismatch index of different sectors

图1 各行业门类居住—就业的空间错位指数

从行业大类来看(图2),同一门类的不同行业大类居住—就业的空间错位程度仍有较大差异。空间错位最明显的5个行业门类中,除信息传输、计算机服务和软件业外,每个门类内部各行业大类空间错位程度差异都较大。其中,最突出的是交通运输、仓储和邮政业,其内部各行业大类中,空间错位程度最高的是铁路运输业,SMI为0.79;最低的是装卸搬运和其他运输服务业,SMI为0.23,相差达0.56。这说明,尽管某一行业门类表现出明显的居住—就业的空间分离,但其内部各行业大类仍有可能有不同的表现。
Fig. 2 Spatial mismatch index of different industries

图2 行业大类居住—就业的空间错位指数

行业大类中,SMI超过0.6的行业(即居住—就业空间错位严重的行业)仍主要集中在金融业,采矿业,交通运输、仓储和邮政业,电力、燃气及水的生产和供应业这4个行业门类中。主要是金融业中的银行业(SMI为0.73)和证券业(SMI为0.66),采矿业中的石油和天然气开采业(SMI为0.68),交通运输、仓储和邮政业中的铁路运输业(SMI为0.79)、水上运输业(SMI为0.60)、管道运输业(SMI为0.68)和邮政业(SMI为0.76),以及电力、燃气和水的生产和供应业中的燃气生产和供应业(SMI为0.70)。
除上述4个行业门类外,科学研究、技术服务和地质勘察业,制造业以及公共管理和社会组织内部各行业大类居住—就业的空间错位程度差异也较大。这3个行业门类SMI较低,分别为0.17、0.11和0.21,但其内部各行业大类SMI普遍高于该行业门类SMI,说明尽管这3个行业门类居住—就业的空间错位程度较低,但其内部各行业大类仍存在明显的居住—就业的空间错位。比如,制造业中的化学纤维制造业,石油加工、炼焦及核燃料加工业,烟草制造业SMI都超过0.5,分别为0.56、0.55和0.54。而在科学研究、技术服务和地质勘察业中,地质勘查业SMI超过0.7,远远高于该门类中的其他行业大类,造成该门类中各行业大类空间错位程度差异较大。

5 北京居住—就业空间错位的影响因素

5.1 理论假说

为进一步分析不同行业居住—就业空间错位的差异及其影响因素,需要探讨北京居住—就业空间错位的形成原因。
5.1.1 不同步郊区化假说 已有研究普遍认为,像北京这样的中国特大城市出现的居住—就业的空间错位主要是在改革开放以后,随着城市制度改革,在城市快速增长和空间扩张的过程中产生的。其主要原因是,随着城市土地和住房制度改革、城市中心区的危旧房改造、城市交通基础设施的发展以及私家车的普及等,人口居住的郊区化程度大大提高,而与此同时,就业的郊区化进程相对缓慢[10]。尽管在1990年代以来,北京就出现了工业的郊区化。但随着城市经济结构的调整,服务业已成为像北京这样的特大城市的核心职能,而服务业在城市中心区的高度集聚,总体上导致了城市就业的分散化程度十分有限[5]。因此,在城市增长和快速的空间扩张过程中,人口居住与就业郊区化的不同步是导致城市内部居住—就业空间错位的主要原因。这种解释可以称其为居住—就业空间错位的“不同步郊区化假说”。
城市居住空间的不断扩展和城市产业(即就业)扩散的不同步性造成了城市内部居住—就业的空间分离。这种空间分离可能具有两种表现形式：一是北京的服务业仍高度集中在城市中心区,而其所吸纳的大量的就业人口的居住空间已不断扩展到城市的郊区,尤其是大量外来人口更多地集中在城郊地区居住,但其就业机会仍可能主要在城市中心区,因此造成了职住的空间分离;二是一些行业主要是工业在1990年代就开始向郊区转移,这一方面是政府推动产业布局调整的结果,另一方面也是在级差地租规律下城市功能格局重构的结果,但随着工业企业搬迁到郊区,这些单位的居住区仍然在城市中心区,这也造成了职住的空间分离[5,8]。因此,居住—就业郊区化的不同步性所造成的居住—就业的空间错位在不同行业间可能有不同的表现,如工业和服务业的差异。
5.1.2 不同步集聚假说 上述假说强调了城市空间扩张和布局调整过程中,居住—就业郊区化的不同步性对城市内职住分离的影响,但却忽视了郊区化过程中人口居住和就业的空间扩散可能具有不同的分散化模式,也同样会造成居住—就业的空间错位。即便居住和就业同步发生了郊区化,但在郊区化过程中,产业(即就业)在从城市中心区向郊区转移时,因为对集聚经济效益的追求,仍倾向于在特定地区再度集中,从而形成新的集聚中心(又称郊区就业次中心),而居住的郊区化则可能是相对分散的。也就是说,就业的郊区化往往采取的是集聚分散化(concentrated decentralization)的模式,而居住的郊区化则往往是一般分散化(generalized dispersion)的模式。因此,不仅郊区化的不同步会造成居住—就业的空间错位,郊区化过程中人口居住和就业空间再布局后的集聚程度的差异也是影响城市内职住分离的重要因素。而且,因为不同行业的集聚经济效益有所不同,在郊区化过程中不同行业就业再集聚的特征和规律也并不相同,这就有可能导致不同行业在居住—就业空间错位上的差异。因此,在“不同步郊区化假说”的基础上,本研究进一步提出“不同步集聚假说”,认为郊区化过程中就业保持了较高的集聚程度,而居住则相对分散化,就业集聚程度高于居住集聚程度是造成居住—就业空间错位的主要原因之一。
5.1.3 去单位化假说 除此而外,一些学者强调城市制度改革中单位制度的解体对城市内部居住和就业的空间关系有着重要的影响。1980年代,单位和市政住宅机构掌管着城市的住房分配,单位大院体制成为当时中国城市住房的主导体制,职工居住在单位大院中,大院是一个相对独立的社区。但是,1990年代以后,随着现代企业制度改革,城市土地制度改革和住房市场化的推进等,职住接近的单位大院逐渐向以居住功能为主的城市社区转变,计划经济体制下职住相对平衡的城市格局逐渐被打破,城市内居住—就业的空间分离变得越来越突出[5]。但城市的空间发展具有路径依赖性,单位制度下所形成的城市空间格局对城市内居住与就业的空间关系仍有长期的影响。尤其对于国有企事业单位、机关事业单位集中的行业而言,这些行业保留了较多的职住接近的单位居住区,而且即便在住房市场化以后,这些单位往往通过集体购房等形式对职工购房选择产生隐性的影响[15]。因此,这些行业居住和就业的空间分离程度可能是相对较低的。所以,不同行业单位体制的存留程度,也即“去单位化”程度不同,也会造成行业间居住—就业空间错位的差异。
5.1.4 就业和住房市场选择障碍假说 也有观点认为,城市内居住—就业的空间错位并不仅仅是城市空间发展的结果,其更深层次的原因可能是不同人群在就业和住房市场上面临的不同程度的选择障碍[16]。比如,受教育程度较高的人群,其职业选择的自由度较大,面临的就业机会也相对较多,相应地就业地选择的空间范围也就较大。同时,受教育程度较高的人群通常收入水平也较高,可以支付的房价或租金水平也相应较高,进而其居住地选择的空间范围也较大。因此,对于受教育程度较高的人群,其在就业和住房市场上面临的选择障碍相对较小,因而其职住分离的程度可能相对较低。所以,不同行业从业人员的社会经济特征也应是解释行业间居住—就业空间错位差异的影响因素。

5.2 模型与变量

为进一步检验上述理论假说,探讨北京居住—就业空间错位行业差异的影响因素,以各行业大类的居住—就业空间错位指数作为应变量,构建计量模型考察上述影响因素对不同行业居住—就业空间错位的影响。模型自变量包括：
(1)人口或就业分散化指数。构造分散化指数(decentralization index,DI)用以测度各行业就业人口或就业岗位的郊区化程度,具体形式如下：
D I j = ∑ i = 1 n 1 d i x ij X j (2)
式中：DIj是j行业的分散化指数;xij是i区县j行业的就业人口数或就业岗位数;Xj是北京市j行业总的就业人口数或就业岗位数;di是区县i到城市中心的直线距离;n是区县个数,为18个。分散化指数反映某一行业就业人口或就业岗位随到城市中心距离增加的分布特征,其越大说明该行业就业人口或就业岗位越集中在城市中心区,其越小说明该行业就业人口或就业岗位越集中在郊区,即去中心化程度或郊区化程度越高。
(2)人口或就业集聚指数。采用区位基尼系数[17]来度量就业人口或就业岗位分布的集聚程度。区位基尼系数可反映人口或就业在地理空间单元间分布的均衡性,计算如下：
G I j = 1 2 ( n - 1 ) ∑ i = 1 n ∑ k = 1 n λ ij - λ kj (3)
式中：GIj是j行业的集聚指数;λij和λkj分别表示区县i和区县k行业j的就业人口或就业岗位在北京市所占的比重;n为空间单元的个数,为18个。集聚指数越高则说明该行业就业人口或就业岗位空间分布的集聚程度越高,反之亦然。
(3)行业“去单位化”程度。为检验单位体制存留对不同行业居住—就业空间错位的影响,根据经济普查数据中法人单位开业时间情况,计算出各行业1980年以前开业的单位数占该行业法人单位总数的比重,用以反映不同行业“去单位化”程度。如果比重较高则一定程度上说明该行业“去单位化”程度相对较低。
(4)行业从业人员受教育程度。为检验行业从业人员受教育程度对不同行业居住—就业空间错位的影响,根据经济普查数据中法人单位从业人员学历情况,计算出各行业从业人员中具有研究生及以上学历人员比重,用以反映不同行业从业人员的受教育程度。
(5)第二产业虚拟变量。为了区别第二产业和第三产业在居住—就业空间错位上的差异,在模型中引入第二产业虚拟变量,若行业属于第二产业取值为1,属于第三产业取值为0。
(6)其他控制变量。除上述自变量外,影响居住—就业空间错位的因素还有很多,进一步考虑两方面的行业特性作为模型控制变量：一是各行业平均单位规模,即以各行业从业人员数除以法人单位个数。在模型中引入此控制变量有助于消除行业间的异方差。二是各行业就业增速,即以2004年和2008年两次经济普查数据中各行业从业人员数为基础,计算各行业就业在2004-2008年间的增长速度,用以控制行业增长对职住分离的影响。模型采用多元线性回归的一般形式,模型变量说明及统计描述如表2所示。
Tab. 2 Variable descriptions and descriptive statistics

表2 模型变量说明及统计描述

变量名称 变量说明 均值 标准差 最小值 最大值
SMI 各行业居住—就业空间错位指数 0.320 0.180 0.097 0.787
DIe 各行业就业分散化指数 0.097 0.065 0.012 0.339
DIp 各行业人口(居住)分散化指数 0.074 0.024 0.027 0.140
GIe 各行业就业区位基尼系数(集聚指数) 0.703 0.154 0.362 1.000
GIp 各行业人口(居住)区位基尼系数(集聚指数) 0.583 0.105 0.324 0.919
OLD 各行业1980年以前开业的单位数占该行业法人单位总数的比重 0.054 0.114 0.000 0.758
GRAD 各行业从业人员中具有研究生及以上学历人员比重 0.045 0.060 0.000 0.286
EGRATE 各行业就业在2004-2008年间的增长速度 0.595 2.884 -0.675 22.562
SIZE 各行业平均单位规模(万人) 0.030 0.130 0.001 1.169
IND 第二产业虚拟变量 0.471 0.502 0.000 1.000

5.3 回归结果

针对上述假说考察重点的不同,分别构造不同结构的回归模型(模型1~模型6),回归结果见表3。从结果上看,模型估计具有较好的一致性,参数的统计推断基本稳定。
Tab. 3 Regression results of determinants of spatial mismatch by industries

表3 居住—就业空间错位影响因素的回归结果

自变量 模型1 模型2 模型3 模型4 模型5 模型6
b值(P值) b值(P值) b值(P值) b值(P值) b值(P值) b值(P值)
DIe 1.081** 0.753*** 0.725*** 1.006***
(0.048) (0.001) (0.004) (0.000)
DIp 0.400 -0.531 -0.325 -0.227
(0.784) (0.391) (0.706) (0.725)
IND 0.068 -0.289** -0.027 0.044*
(0.591) (0.019) (0.495) (0.056)
DIe/DIp 0.132**
(0.019)
(DIe/DIp)#IND -0.060
(0.554)
GIe 1.157*** 1.246*** 1.062***
(0.000) (0.000) (0.000)
GIp -0.681*** -0.951*** -0.533***
(0.000) (0.000) (0.000)
DIe#IND 0.506
(0.418)
DIp#IND 1.618
(0.273)
GIe#IND -0.334**
(0.031)
GIp#IND 0.725***
(0.003)
EGRATE 0.018*** 0.005*
(0.003) (0.093)
OLD 0.030 0.268***
(0.874) (0.005)
GRAD 0.454 -0.505***
(0.193) (0.009)
SIZE 0.484*** 0.152**
(0.001) (0.041)
OLD#IND 0.404 -0.350*
(0.248) (0.059)
常数 0.185*** 0.153 -0.130** -0.063 0.277*** -0.211***
(0.003) (0.106) (0.031) (0.428) (0.000) (0.003)
调整的R2 0.169 0.090 0.790 0.814 0.253 0.834
样本数量 87 87 87 87 87 87

注：(1)应变量为各行业居住—就业空间错位指数SMI;(2)#代表两变量的交互项;(3)***对应1%的显著性水平,**对应5%的显著性水平,*对应10%的显著性水平。

模型1和模型2主要考察“不同步郊区化假说”。模型1仅以人口和就业的分散化指数作为自变量,检验居住和就业的郊区化对居住—就业空间错位的影响,模型调整的R2为0.169。结果显示,就业的郊区化对居住—就业的空间错位有显著的影响,且就业在城市中心区集中度越高(即郊区化程度越低),行业居住—就业的空间错位就越严重,说明就业郊区化迟缓的确是造成北京居住—就业空间错位的主要原因。但居住的郊区化对居住—就业空间错位的影响并不显著,这一统计推断在各个模型中非常一致,这说明推动居住—就业空间错位的仍主要是就业郊区化相对迟缓。这一点在模型2的结果中有更直接的反映。在模型2中,用就业分散化指数除以人口分散化指数代表就业和居住郊区化的不同步程度,以此为模型自变量,同时增加第二产业虚拟变量及其交互项来考察第二产业和第三产业的差异。结果显示,就业与居住郊区化的不同步对居住—就业空间错位有显著的影响,且就业郊区化程度越低、居住郊区化程度越高(即两者比值越大),则居住—就业的空间错位越严重。但这一点在第二产业和第三产业上并无明显差异,因为第二产业虚拟变量及其交互项都不显著。这说明第二产业和第三产业在居住—就业空间错位的表现形式上并无明显差异。从图3也可以看出,人口和就业的分散化指数相关性较高,就业在城市中心区集中度高的行业,其人口居住在城市中心区的集中度也较高,而且相比于第三产业,第二产业各行业人口和就业分散化指数整体上都偏低,说明无论是居住还是就业,其郊区化程度都相对较高。从第三产业各行业分散化指数的均值来看,就业分散化指数的均值是0.132,而人口分散化指数的均值是0.088,这说明对于第三产业而言,就业在城市中心区的集中度平均来看高于其人口居住在城市中心区的集中度,即就业岗位相对地集中在城市中心区而其吸纳的就业人口的居住则更多的郊区化了。相比之下,第二产业各行业人口和就业分散化指数的均值差距很小,分别为0.057和0.058,这说明无论是就业还是居住第二产业都已较大程度的郊区化了,从而使第二产业整体上居住—就业的空间错位程度较低。另外,需要说明的是模型1和模型2因为没有包括其他控制变量,因此有较明显的异方差的问题,所以表3中模型1和模型2的结果采用稳健的标准误差估计(即三明治估计量)进行统计推断。
Fig. 3 Decentralization of residences and jobs and spatial mismatch in the secondary and tertiary sectors

图3 第二、第三产业人口、就业分散化与居住—就业的空间错位

模型3和模型4进一步加入人口和就业的集聚指数作为自变量,以检验在控制各行业人口和就业郊区化程度后,人口和就业集聚程度对居住—就业空间错位的影响。相比于模型1和模型2,模型3和模型4调整的R2有大幅增加,达到0.8左右,这说明相比于郊区化,人口和就业的集聚程度对居住—就业的空间错位有更强的解释力。而且,人口和就业的集聚程度对居住—就业的空间错位都有显著的影响,且显著性水平很高。但值得注意的是,就业的集聚对居住—就业空间错位的影响是正向的,而居住的集聚对居住—就业空间错位的影响是负向的,这说明在郊区化过程中就业倾向于集聚而居住倾向于分散,的确会进一步加剧居住—就业的空间错位,即验证了本研究提出的“不同步集聚假说”。在模型4中,进一步加入第二产业虚拟变量及其与人口、就业的分散化指数和集聚指数的交互项,以考察第二产业和第三产业人口、就业郊区化和集聚对居住—就业空间错位影响的差异。结果显示,第二产业虚拟变量及其与人口和就业集聚指数的交互项具有显著性,且第二产业虚拟变量的系数为负,其与人口集聚指数的交互项系数为正,而与就业集聚指数的交互项系数为负。这说明,整体上第二产业居住—就业的空间错位相比于第三产业偏低,而且对于第二产业而言,郊区化过程中的就业集聚与居住分散对居住—就业空间错位的影响程度相比于第三产业也相对较低。
在模型5中,仅考察非空间因素对各行业居住—就业空间错位的影响,主要包括行业的“去单位化”程度、从业人员受教育程度、平均单位规模以及就业增速等。模型5调整的R2为0.253,说明这些因素对居住—就业的空间错位也有一定的解释能力。但考虑到郊区化和集聚是解释居住—就业空间错位的重要因素,不包括这些变量,会导致模型5存在遗漏变量误差。因此,在模型6中,将所有的解释变量加入,其结果与之前各模型结果基本一致,也说明对各变量统计推断的考察具有稳健性。从模型6的结果来看,人口、就业郊区化和集聚的影响与之前一致,就各非空间因素而言,四种因素对居住—就业的空间错位都有显著的影响。其中,行业从业人员中具有研究生及以上学历人员比重越高,则居住—就业的空间错位程度越低,与之前的理论解释一致。而从行业平均单位规模来看,平均单位规模越大的行业,居住—就业空间错位的程度越高,这可能是因为单位规模越大,职工人数越多,其居住选择的空间范围和差异性就越大,造成居住—就业空间错位的可能性就越高。而从就业增速上看,就业增速对居住—就业空间错位的影响在不考虑郊区化和集聚因素的影响时是十分显著的(模型5),但在考虑了郊区化和集聚因素后,其影响显著性有所降低(模型6),但总体上对居住—就业的空间错位有正向的影响,即就业增长越快的行业其居住—就业的空间错位越严重,这可能说明快速增长的行业往往伴随产业布局的调整,而产业布局的变动是在不断强化居住—就业的空间错位,而非缩小居住—就业的空间分离。这暗示了增长性的行业可能面临更加严重的职住分离。最后,行业的“去单位化”程度对居住—就业的空间错位也有显著的影响,但其影响是正向的而非负向的,与之前的理论解释并不一致。进一步加入第二产业虚拟变量与行业“去单位化”程度的交互项,发现两者的交互项也是显著的,且系数为-0.350,而行业“去单位化”程度(OLD)的系数为0.268,这说明行业的“去单位化”程度对第二产业和第三产业居住—就业空间错位的影响截然不同。对第二产业而言,行业的“去单位化”程度越高,居住—就业的空间错位就越严重,即具有负向影响,这与理论解释是一致的。而对第三产业而言,行业的“去单位化”程度对居住—就业空间错位的影响仍是正向的。因此,理论解释中关于行业单位体制存留对居住—就业空间关系的影响只在第二产业中存在。

6 结论与讨论

城市内部人口居住和就业的空间关系一直是城市空间发展研究的重要内容。居住—就业的空间匹配影响着城市内交通组织和经济运行的效率以及城市环境等。以往对城市内部居住—就业空间错位的研究较少关注行业间的差异,因而忽略了居住—就业空间错位的行业特性。以北京市为例,着重分析不同行业间居住—就业空间错位的差异及原因。研究发现：
(1)北京的产业活动仍较多的集中在城区和近郊区,但随着居住的郊区化,人口已较大程度由城区向郊区转移,近郊区和远郊平原区是人口集聚的主要区域,因此造成尽管近郊区人口居住与就业相对平衡,但城区仍过度集中了产业活动,而远郊平原区对产业的集聚能力则相对不足,这导致整体上人口居住—就业的空间错位。
(2)居住—就业的空间错位在不同行业间存在较大差异,单一行业人口居住—就业的空间错位往往比总人口居住—就业的空间错位更加突出。从各行业门类来看,空间错位程度最低的是制造业和教育,空间错位最严重的主要是金融业,采矿业,交通运输、仓储和邮政业,电力、燃气及水的生产和供应业,以及信息传输、计算机服务和软件业。从行业大类来看,同一行业门类的不同行业大类居住—就业的空间错位程度仍有较大差异。
(3)通过对各行业居住—就业空间错位的影响因素的计量分析发现,就业郊区化迟缓是造成北京居住—就业空间错位的主要原因,行业就业郊区化程度越低、居住郊区化程度越高,则居住—就业的空间错位越严重,且这一点在第二产业和第三产业间并无明显差异。但对于第三产业而言,就业在城市中心区的集中度平均来看高于其人口居住在城市中心区的集中度,即就业岗位相对地集中在城市中心区而其吸纳的就业人口的居住则更多的郊区化了。而对于第二产业而言,无论是就业还是居住都相对地、较大程度地郊区化了,从而使第二产业整体上居住—就业的空间错位程度较低。
(4)此外,相比于郊区化,人口和就业的集聚程度对居住—就业的空间错位有更强的解释力。也就是说,在郊区化过程中就业倾向于保持较高的集聚程度,而居住则相对分散化,这会进一步加剧居住—就业的空间错位。而且,第三产业郊区化过程中就业集聚与居住分散对居住—就业空间错位的影响程度相比于第二产业更高。
(5)在考察行业特性对各行业居住—就业空间错位的影响时发现,行业从业人员中具有研究生及以上学历人员比重越高,则居住—就业的空间错位程度越低;平均单位规模越大的行业,居住—就业空间错位的程度越高;就业增长越快的行业其居住—就业的空间错位越严重;而行业的“去单位化”程度对居住—就业的空间错位也有显著的影响,但理论解释中关于行业单位体制存留对居住—就业空间关系的影响(即“去单位化”程度越高的行业居住—就业的空间错位程度越严重)只在第二产业中存在。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张艳, 柴彦威. 基于居住区比较的北京城市通勤研究. 地理研究, 2009, 28(5): 1327-1340.

[Zhang Yan, Chai Yanwei.Characteristics of commuting pattern in Beijing: Based on the comparison of different urban residential areas. Geographical Research, 2009, 28(5): 1327-1340.]

[2]
孙铁山, 齐云蕾, 刘霄泉. 北京都市区就业结构升级与空间格局演化. 经济地理, 2014, 34(4): 97-104.

[Sun Tieshan, Qi Yunlei, Liu Xiaoquan.Changing intra-metropolitan spatial distribution of employment with economic restructuring in Beijing metropolitan area. Economic Geography, 2014, 34(4): 97-104.]

[3]
孙铁山, 王兰兰, 李国平. 北京都市区人口—就业分布与空间结构演化. 地理学报, 2012, 67(6): 829-840.

[Sun Tieshan, Wang Lanlan, Li Guoping.Distributions of population and employment and evolution of spatial structures in the Beijing metropolitan area. Acta Geographica Sinica, 2012, 67(6): 829-840.]

[4]
刘霄泉, 孙铁山, 李国平. 北京市就业密度分布的空间特征. 地理研究, 2011, 30(7): 1262-1270.

[Liu Xiaoquan, Sun Tieshan, Li Guoping.Research on the spatial structure of employment distribution in Beijing. Geographical Research, 2011, 30(7): 1262-1270.]

[5]
柴彦威, 张艳, 刘志林. 职住分离的空间差异性及其影响因素研究. 地理学报, 2011, 66(2): 157-166.

[Chai Yanwei, Zhang Yan, Liu Zhilin.Spatial differences of home-work separation and the impacts of housing policy and urban sprawl: Evidence from household survey data in Beijing. Acta Geographica Sinica, 2011, 66(2): 157-166.]

[6]
孟斌, 于慧丽, 郑丽敏. 北京大型居住区居民通勤行为对比研究: 以望京居住区和天通苑居住区为例. 地理研究, 2012, 31(11): 2069-2079.

[Meng Bin, Yu Huili, Zheng Limin.The analysis of commuting behavior in the huge residential districts: A case study of Wangjing and Tiantongyuan in Beijing. Geographical Research, 2012, 31(11): 2069-2079.]

[7]
郑思齐, 曹洋. 居住与就业空间关系的决定机理和影响因素: 对北京市通勤时间和通勤流量的实证研究. 城市发展研究, 2009, 16(6): 29-35.

[Zheng Siqi, Cao Yang.The determinants of jobs-housing spatial relationship in Beijing. Urban Studies, 2009, 16(6): 29-35.]

[8]
孟繁瑜, 房文斌. 城市居住与就业的空间配合研究: 以北京市为例. 城市发展研究, 2007, 14(6): 87-94.

[Meng Fanyu, Fang Wenbin.An investigation on the spatial matching in Beijing between urban residence and employment. Urban Studies, 2007, 14(6): 87-94.]

[9]
刘碧寒, 沈凡卜. 北京都市区就业: 居住空间结构及特征研究. 人文地理, 2011, 26(4): 40-47.

[Liu Bihan, Shen Fanbu.A study on the spatial characteristics of jobs-housing structure in Beijing. Human Geography, 2011, 26(4): 40-47.]

[10]
徐涛, 宋金平, 方琳娜, 等. 北京居住与就业的空间错位研究. 地理科学, 2009, 29(2): 174-180.

[Xu Tao, Song Jinping, Fang Linna, et al.Spatial mismatch between housing and employment in Beijing. Scientia Geographica Sinica, 2009, 29(2): 174-180.]

[11]
宋金平, 王恩儒, 张文新, 等. 北京住宅郊区化与就业空间错位. 地理学报, 2007, 62(4): 387-396.

[Song Jinping, Wang Enru, Zhang Wenxin, et al.Housing suburbanization and employment spatial mismatch in Beijing. Acta Geographica Sinica, 2007, 62(4): 387-396.]

[12]
Giuliano G.Is jobs-housing balance a transportation issue?. Transportation Research Record, 1991, (1305): 305-312.

[13]
Martin R W.Spatial mismatch and the structure of American metropolitan areas, 1970-2000. Journal of Regional Science, 2004, 44(3): 467-488.

[14]
Cervero R.Jobs-housing balancing and regional mobility. Journal of the American Planning Association, 1989, 55(2): 136-150.

[15]
张纯, 柴彦威. 中国城市单位社区的残留现象及其影响因素. 国际城市规划, 2009, 24(5): 15-19.

[Zhang Chun, Chai Yanwei.The residential residual in danwei community and its impact factor. Urban Planning International, 2009, 24(5): 15-19.]

[16]
周江评. “空间不匹配”假设与城市弱势群体就业问题: 美国相关研究及其对中国的启示. 现代城市研究, 2004, (9): 8-14.

[Zhou Jiangping.Spatial mismatch hypothesis and employment of the disadvantaged social group: Research evolution in the U. S. and implications for China. Modern Urban Research, 2004, (9): 8-14.]

[17]
蒲业潇. 理解区位基尼系数: 局限性与基准分布的选择. 统计研究, 2011, 28(9): 101-109.

[Pu Yexiao.Understanding locational Gini index: Limitations and selection of benchmark distribution. Statistical Research, 2011, 28(9): 101-109.]

Options
文章导航

/

〈 〉