劳动力结构与产业结构调整

1、劳动力结构与产业结构调整一、 引 言中国的产业结构正在不断调整， 第一产业增加值占GDP勺比 重从 1952 年的 51%降至 2008 年的 11%，同期，第二和第三产业 的比重则分别从 21%和 28%升至 49%和 40%110 。自 20 世纪 90 年代中后期以来， 产业结构调整的步伐不断加快。 通过对比间隔 六年的产业结构， 本文计算出的 Lilien 指数 Lilien 指数通过对 比t和t+d年间各产业占比的变化程度衡量产业结构的变化速 度，其中，d表示间隔的年数。从1999年的26上升至2006年 的 96，远高于发达国家历史上有关 Lilien 指数的最高纪录水平 23 。

2、产业结构的演变一般符合配第克拉克定理、 库茨涅茨定律 及钱纳里标准产业结构和工业化阶段理论的描述， 尤其是第二产 业的就业份额往往先增后降。 但该份额在中国尚未下降， 说明产 业结构在未来还将继续调整，并且仍有巨大的调整空间。产业结构调整必将带动投入结构随之改变。 以资源、 资本和 劳动力为主要支撑的产业逐渐被以知识和技术为主要支撑的产 业替代，造成了就业市场中供给结构和需求结构的不匹配 4 。 由此带来的结构性就业问题日渐凸显， 从而可能阻碍中国经济的 转型升级 56 。尽管这一问题引起了相关学者的关注， 但系统性 地考察人们在产业结构调整中差异化反应的研究却很少。 有两个 问题尤其需要回答

3、： 第一，不同产业的劳动者构成有何差异？第 二，劳动者的个体特征与其进入特定产业的概率有何联系？本文 利用一系列不变量指标，将国家 XX局19862009年间各年的 “城镇住户调查数据”匹配成个体层面的面板数据， 对以上两个 问题进行研究。 回答这两个问题， 有助于揭示劳动力结构与产业 结构的匹配关系， 为协调产业结构调整和就业结构调整、 促进转 型期的经济增长提供参考。配第克拉克定理、 库茨涅茨定律及钱纳里标准产业结构和工 业化阶段理论是刻画产业结构和劳动力分布结构演变的经典框 架。这些理论指出， 第一产业的份额将随人均收入水平的提高而 下降；劳动力将首先转向第二产业，并最终转向第三产业。利

4、用 多部门新古典增长模型， 不少学者分别从需求面 （不同产业消费 收入弹性的差异） 89 和供给面 （产业生产力进步率和资本密集 度差异）1 0 1 3 为上述产业结构和劳动力分布结构演变的经典框 架提供理论解释。但迄今为止，这些研究大多停留在宏观层面。 他们共同的局限在于通过假设同质性劳动力掩盖了个体特征对 产业结构的影响。 本文在劳动者个体的微观层面上重新审视上述 经典理论，补充相关研究。研究不同类型个体在产业间转移差异的文献不多。 Bachmann 和 Burda、Fallick 通过考察德国和美国的劳动力市场发现，初 次参加工作和重新参加工作的劳动者是推动产业结构调整的主 力军3 ,

5、7。Greenaway等人通过对比人们在不同时期应对产业 结构调整的差别发现， 第二次世界大战以后人们对产业结构调整 的反应变得更加灵活 14 。然而，这些研究都只对劳动者进行了 大类区分（如初次工作、重新参加工作等），未对劳动者年龄、 性别、受教育程度、工作经验和工作性质等个体特征给予关注。 本文丰富了对劳动者个体特征在产业结构调整中作用的认识。二、 产业间劳动者构成差异（一） 数据 劳动者在年龄、 性别、受教育程度和工作经验等方面的构成 可能在产业间存在显著差别，本文使用两套数据对此加以刻画。 第一套数据是国家 XX局19862009年的“城镇住户调查数 据”。其中，19862001年的数

6、据涵盖30个省级地区， 20022009 年的数据涵盖 18个省级地区。数据的统计对象是居 住在城市市区和县城关镇区居委会行政区域内、 拥有固定住宅的 家庭。 其中， 调查对象既包括常住本地并持有本地户口的非农业 户和农业户， 也包括在本地居住半年以上并持外地户口的农业户 和非农业户有关“城镇住户调查数据”更详细的介绍，可参见W. Chi, R. B. Freeman & H. Li ," Adjusting to Really BigChanges： The Labor Market in China, 19892009 , NBERWorking Paper ， No.1

7、7721 （2012）， pp.125 。为便于考察 产业间劳动者的构成差异， 本文剔除了样本中退休、 丧失劳动力 或仍在校的非劳动状态人群。“城镇住户调查数据”的优势在于其较长的观测窗口和年 度间的连续性， 其主要局限在于统计对象不包括在城镇居住时间 不足半年的流动人口。 中国的产业结构调整伴随着大规模的人口 流动，而流动人口的个体特征可能显著有别于其他城镇居民。 将 流动人口排除在分析之外， 可能对刻画产业间劳动者构成的差异 性造成偏误。 为克服“城镇住户调查数据”的局限， 本文使用包 括流动人口在内的“ 2005 年全国 1%人口抽样调查数据”（以下 简称“ 2005 年抽样数据”），与

8、第一套数据的分析结果进行对 比。2005年全国 1%人口抽样调查于当年 11月1日凌晨进行。 调 查对象既包括当晚全国 31 个省级地区（不含我国港澳台地区） 抽样社区内的住户，也包括拥有该社区户口但当晚外出的住户。 本文使用调查总样本 20%的子样本，约含 258万人有关“ 2005 年 全国 1%人口抽样调查数据”更详细的介绍，可参见邢春冰农 民工与城镇职工的收入差距，载管理世界 2008年第 5 期， 第 5564 页。同样地，本文仅保留数据中的劳动者样本。 尽管两套数据均记录了劳动者从事的具体行业， 但它们的行业分 类标准并不完全统一。 为保证其分析结果的可比性， 本部分将各 具体行业

9、归入三次产业大类， 比较三次产业间劳动者构成的差异 性。（二） 结果 本文考察劳动者受教育程度、 性别、年龄和工作经验这四方 面个体特征在产业间构成的差异。 因篇幅问题， 文中只汇报使用 “城镇住户调查数据”的分析结果， 而使用“ 2005 年抽样数据” 的分析结果不做汇报，若有兴趣者可向作者索取。1. 受教育程度图 1 显示了各产业中不同受教育程度劳动者所占的份额， 结 果表明三次产业间劳动者受教育程度的构成显著不同。 本文通过 合并一些具体类别， 将两套数据中劳动者的受教育程度都归入初 中及以下学历、高中学历、大学及以上学历这三大类，以保证分 析结果的可比性。由于“城镇住户调查数据”的观测

10、窗口较长， 本文将数据分为五个子样本， 并给出每个子样本中劳动者受教育 程度的构成情况。 划分这五个子样本有助于揭示劳动者受教育程 度随时间所产生的变化。需要说明的是，在每个子样本中，各产 业劳动者受教育程度的构成是子样本中所有年份的平均情况， 而 不再考虑不同年份间的变化。图 1 各产业劳动者受教育程度构成从图 1 可知，第一产业的大部分劳动者仅拥有初中及以下学 历，但他们的份额已从 19861990年的71%F降至20062009 年的 57%。在 1996 年前，第二产业中绝大多数的劳动者同样只 有初中及以下学历；但到 20062009 年，这些受教育程度最低 的劳动者只占第二产业全体劳

11、动者的32%。相应地，第二产业中高中学历和大学及以上学历劳动者的占比分别从19861990 年的 32%和 6%上升到 20062009 年的 42%和 26%。同样地， 在第三 产业中， 劳动者的受教育程度也在从低水平向高水平改变。 但不 同于第二产业的情况是，在 2000 年前，第三产业中高中学历劳 动者的占比仅小幅增长；随后，该占比却大幅下降，从44%下降 到20062009年的34%而第三产业中大学及以上学历劳动者的占比增长得特别快：从19861990年的17%上升至20062009 年的 44%。图 1 还显示，在任一时期普遍成立的规律是，初中及 以下学历劳动者的占比始终在第一产业中

12、最高， 大学及以上学历 劳动者的占比始终在第三产业中最高。与图 1 一致的是，使用“ 2005 年抽样数据”的分析结果同 样显示初中及以下学历劳动者的占比在第一产业中最高，大学及以上学历劳动者的占比在第三产业中最高。但不同于图1，在使用“2005 年抽样数据”的分析结果中，任一产业高中学历和大 学及以上学历劳动者的占比都相对较小， 而初中及以下学历劳动 者的占比相对较大。具体来说，在使用“ 2005 年抽样数据”的 分析结果中，第一产业有 82%的劳动者只有初中及以下学历，但 图1 中该比例在 20012005年期间只有 54%，在20062009 年 期间也只有 57%。在使用“2005 年

13、抽样数据”的分析结果中， 大 学及以上学历劳动者的占比仅为25%，但图 1 中该比例在20012005年期间为 37%，在 20062009 年期间更是高达 44%。 造成以上差异的原因是， “城镇住户调查数据”只包括城镇的长 期（半年以上）居民，而“ 2005 年抽样数据”还包含城镇中受 教育程度相对较低的流动人口。综上所述，两套数据共同反映的特征事实是， 初中及以下学 历劳动者的占比在第一产业中最高， 大学及以上学历劳动者的占 比在第三产业中最高。 通过长时间观测， “城镇住户调查数据”还表明， 第一产业中初中及以下学历劳动者的占比小幅下降； 第 二产业中高中学历劳动者的占比先增后降， 大

14、学及以上学历劳动 者的占比持续上升； 第三产业中大学及以上劳动者的占比大幅增 长。2. 性别图 2 显示了各产业中劳动者性别所占的份额， 结果表明三次 产业间劳动者的性别构成也显著不同。 第三产业中男女劳动者的 占比接近，在不同时期也基本没有变化。具体而言，男性劳动者 的占比略高于 50%，女性劳动者的占比略低于 50%。但在第一产 业中，男性劳动者的占比先小幅下降，后明显上升，最终从19861990年的63%增至20062009年的69% 在第二产业中，男性劳动者的占比则始终保持上升，最终从19861990年的52%增至 20062009年的 65%因此，跨产业来看，尽管在 19861990

15、 年，女性劳动者的占比在第二和第三产业中十分接近， 并显著高 于第一产业，但自 1 996年以后，就已明显出现女性劳动者占比 在第三产业中最高、 在第二产业中次之、 在第一产业中最低的格 局。图 2 各产业劳动者性别构成在使用“2005年抽样数据”的分析结果中，与图 2一致的 是，女性劳动者在第三产业的占比最高， 男性劳动者在第一产业 的占比最高。其中，女性劳动者在第三产业的占比为477%，该比例与图 2中 20012005 年 481%的占比和 20062009 年 482% 的占比非常接近。在使用“ 2005 年抽样数据”的分析结果中，第一和第二产业中男性劳动者的占比分别是679%和 61

16、1%。在图2中，这两个产业中男性劳动力的占比在20012005年分别是627唏口 608% 在20062009年则分别是688呀口 650% 两套数 据的结果同样较为接近。综上所述， 两套数据均表明劳动者性别在不同产业间存在明 显分化：女性劳动者的占比在第三产业中最高， 男性劳动者的占 比在第一产业中最高。 通过长时间观测， “城镇住户调查数据” 还表明，第一和第二产业中男性劳动者的占比近来呈上升趋势， 而第三产业中劳动者的性别比例基本稳定。3. 年龄图 3 显示了各产业中劳动者年龄构成情况， 结果表明不同产 业中劳动者年龄构成的差别不大。简化起见，此处仅展示 20012005 年和 2006

17、2009年两段时期内各产业的劳动者年龄 构成情况。显然，在任一时期内，不同产业中劳动者的年龄构成 均极为相似。但需要注意的是，在 20012005 年，各产业劳动 者年龄分布的峰值出现在 40岁左右， 而在 20062009 年，峰值 已右移至 43 岁左右。这与中国劳动力老龄化的宏观趋势基本吻 合。通过“家庭识别变量”匹配不同年份中家庭样本的准确性可从两方面进行考察。 首先， “城镇住户调查数据”的设 计原则是，每个家庭至多可被连续观测三年。因此，如果在匹配 后的数据中某“家庭”连续出现四年或以上， 就意味着所对应的“家庭识别变量”可能错误地将不同家庭匹配在了一起。 这些样 本约占总样本的

18、4%。为确保匹配后的数据符合调查设计原则， 本文将这些样本全部剔除。 其次， 本文还从匹配后的数据中抽取 了 2002 年以后的子样本。 由于 2002 年以后原始的“城镇住户调 查数据”赋予每个家庭唯一的识别代码， 通过比较匹配结果中的 原始家庭识别代码，可以判断匹配的准确性。结果显示，在子样 本中，仅有 1%的样本被“家庭识别变量”匹配为同一家庭却拥 有不同的原始家庭识别代码。 也就是说， 匹配的准确率约为 99%。由于本文需要追踪个体在产业间的转移， 因此，可以剔除仅 被观测过一次的家庭样本。 最终，本文仅在匹配后的数据中保留 被连续观测两次或以上的家庭样本， 这些样本约占总样本的 36

19、%。 本文构建的面板数据总共包括 81 148个家庭和 258 019位个体。本文分别对面板数据和原始数据中的关键变量进行了描述 性统计， 以评估匹配后的样本是否具有代表性， 包括劳动者的行 业构成及个体的性别、年龄、受教育程度、所在单位性质、职业 性质和工作经验等个体特征的构成。 结果表明， 两个样本在以上 诸多方面的差异不大。 这说明面板数据能够较好地代表原始数据 的统计特征。因篇幅问题，上述比较结果在文中不做汇报。（二） 结果 面板数据能够追踪每位劳动者在产业间的转移轨迹。 通过计 算产业 i 中的劳动者下一年进入产业 j 的人数比例， 可以获得劳 动者在产业间的转移概率。在具有不同个体

20、特征的劳动者群体 中，转移概率可能显著不同。 上文对产业间劳动者构成的比较说 明劳动者受教育程度构成和性别构成在产业间的差异最明显。 因 此，表 1 比较了不同受教育程度和不同性别的个体产业间转移概 率的差别。需要说明的是，面板数据不仅包括劳动者，还包括因 退休、失业等原因而没有工作的非劳动者。 由于“城镇住户调查 数据”不能很好地区分这些非就业状态， 本部分将这些个体归为 与三次产业并列的一类， 最终将刻画个体在这四种状态之间的转 移概率。表1 不同受教育程度和性别的劳动者的转移概率单位： % 转移轨迹 受教育程度大学及以上学历高中学历初中及以下学历 性别男性 女性第一产业 79118532

21、875684228580 从第一产业进入第二产业 311440455381401 第三产业 17119465261049833 非工作状态 067082263139170第一产业 006008008008006从第二产业进入第二产业 94049443942894639395 第三产业 460391346352381非工作状态 130153211170209第一产业 015016013016010从第三产业进入第二产业 108173265169141第三产业 97679635935096399577非工作状态 107170358167260第一产业 007004001002002从非工作状态进入

22、第二产业 180103029065045第三产业 593332081149181非工作状态 92129550988397769763 首先，受教育程度较高的个体进入或留在第三产业的概率较 高。受教育程度对转移概率的影响在第一和第三产业的劳动者群 体中尤为明显。 具体来说， 如果第一产业的劳动者仅有初中及以 下学历，则其下一年进入第二产业的概率为 455%，而进入第三 产业的概率也只有 526%。相反，如果第一产业的劳动者拥有大 学及以上学历，则其下一年进入第二产业的概率将下降至311%，而进入第三产业的概率将增至 1711%。第一产业的劳动者中，初 中及以下学历者留在本产业的概率为 8756%

23、，进入非就业状态的 概率为 263%；而大学及以上学历者留在本产业的概率下降至 7911%，进入非就业状态的概率下降至 067%。相应地，在第三产 业的劳动者群体中，初中及以下学历者留在本产业的概率为 9350%，而大学及以上学历者留在本产业的概率则高达9767%。同时，初中及以下学历者进入第二产业的概率为265%，而大学及以上学历者进入第二产业的概率只有 108%。其次，在三次产业中， 女性劳动者下一年进入非就业状态的 概率始终高于男性劳动者。 而在非就业状态的群体中， 女性与男 性下一年进入就业状态的概率相近， 但女性进入第三产业的概率 更高。表 1 还显示，如果只考虑三次产业之间的转移概

24、率，则在 第二和第三产业中， 女性劳动者进入或留在第三产业的概率明显 高于男性劳动者， 但在第一产业中， 女性劳动者比男性劳动者更 有可能进入第二产业或留在第一产业当只考虑三次产业间的转 移概率时， 进入产业 i 的概率为条件概率， 即等于表中所列的进 入产业 i 的概率除以（ 1- 表中所列进入非工作状态的概率）。四、 劳动者产业间转移决策的决定因素（一） 理论模型 劳动者个体特征影响其产业间转移决策的机制可通过以下 理论模型说明。假设产业 i 的生产函数具有以下形式： yi = AiH a ii ,其中，Ai代表生产力，a i衡量规模报酬递减的程度， Hi 代表有效劳动投入。有效劳动投入一

25、方面取决于劳动者的个 体特征， 另一方面取决于产业本身对各类劳动者的依赖程度。 具 体而言， 以 k 表示具有某类特定个体特征的劳动者群体。 假设产 业 i 中共有 lik 位第 k 类劳动者，每位劳动者能贡献 hik 单位有 效劳动，则产业 i 的有效劳动投入总计为 Hi =Kk=1 （hiklik ）， 其中，K表示劳动者类别总数。根据一阶条件，产业i中的企业对每单位有效劳动投入将支付以下工资率：（ 0040）（0008）（ 0004）（ 0008）（ 0005）（ 0006）（ 0008）（ 0007） 第一产业生产力进步率-0027*-00040006*-00000005*-0002-

26、00030007*0013）（0003）（0002）（0003）（0002）（0002）（0003）（0002）第二产业生产力进步率-0040*0031*0071*-0032*0087*0045*-0034*006 6*（0013）（0002）（0001）（0003）（0002）（0002）（0002） （0002）续表 3 变量农业建筑业商业金融业居住业公共服务业科技业机关 组织业第三产业生产力进步率 0032*-0022*-0081*0032*-0082*-0041*0044*-00 58 *（0015）（0003）（0002）（0003）（0003）（0002）（0003） （0002）

27、单位性质是是是是是是是是行业固定效应是是是是是是是是样本量 119 451119 451119 451119 451119 451119 451119 451119 451首先，仍考察已经参加工作的劳动者群体。表 3 显示，女性 劳动者进入农业相对进入工业的比值比只是男性劳动者的644%，进入建筑业相对进入工业的比值比只是男性劳动者的584%。相反，除了进入科技业的概率与男性劳动者没有显著区别外， 女性 劳动者进入其他行业的概率都较高。 特别是， 她们进入公共服务 业相对进入工业的比值比达男性的 2 倍。表 3 还显示，进入公共 服务业和科技业相对进入工业的比值比都随年龄线性增加， 进入 商业

28、和居住业相对进入工业的比值比随年龄先减后增， 进入机关 组织业相对进入工业的比值比随年龄先增后减； 而对进入其他行 业而言，年龄的效应不显著。表 3 进一步表明，初中及以下学历 者进入建筑业和商业的相对概率较高， 进入金融业、 公共服务业、 科技业和机关组织业的相对概率较低； 而这正与大学及以上学历 对劳动者行业选择相对概率影响的方向相反； 职高学历显著促进 了劳动者选择公共服务业和农业， 乃至在一定程度上提高了选择 机关组织业的相对概率，但减少了选择商业和居住业的相对概 率。表 3 还说明， 白领性质的工作提高了劳动者进入除农业以外 所有其他行业的相对概率， 降低了他们进入农业的相对概率。

29、最 后，对金融业、居住业、公共服务业、 科技业和机关组织业而言， 工作经验降低了劳动者进入的相对概率， 但在后四个行业中， 其 效果将逐渐由负转正。 与此同时， 工作经验增加了劳动者进入商 业的相对概率。就行业特征而言， 国企人数占比的提高除了有助于增加劳动 者进入农业的相对概率外， 会降低劳动者进入其他行业的相对概 率。与表 2 结果相似的是， 第一产业生产力的提高将减少劳动者 进入农业的相对概率， 增加他们进入第三产业中商业、 居住业和 机关组织业等行业的相对概率； 第二产业生产力的提高会将劳动 者从农业推向大部分属于第三产业的行业， 但会降低劳动者进入 金融业和科技业等生产性服务业的相对

30、概率； 而第三产业生产力 进步的效果正好与第二产业相反。 最后，劳动者所在省份人均真 实GDP勺提高降低了他们进入建筑业的相对概率， 提高了他们进 入所有第三产业行业的概率。其次，表 4 考察了初次参加工作的劳动者群体。 同样由于面 板数据总样本中只有 18 位初次工作者进入农业，本文只考虑劳 动者在其余八类行业间的选择。结果显示，女性进入商业、居住 业和公共服务业相对进入工业的比值比显著高于男性； 但对其他 行业而言， 性别的作用不明显。 与已经工作的劳动者的结论相似 的是，初次工作者年龄对其进入商业和居住业的相对概率的影响 先负后正，而对其进入机关组织业的相对概率的影响先正后负。 由于城镇

31、中的年轻劳动力较少进入建筑业， 因此年龄对劳动者进 入建筑业的相对概率的影响起初为负， 但该效果随后转正。 年龄 还以线性的形式增加劳动者进入公共服务业的相对概率。 在受教 育程度方面，初中及以下学历者进入建筑业的相对概率显著较 高，而大学及以上学历者进入除商业和居住业外所有第三产业行 业的相对概率显著较高， 职高学历显著提高了初次劳动者进入建 筑业和公共服务业的相对概率，但对其他行业无显著影响。在行业特征方面， 与已经工作的劳动者的结论相似的是， 国企人数占比的提高将减少劳动者进入建筑业、 商业和居住业的相 对概率， 说明无论是对初次工作者还是已经工作者而言， 这些行 业垄断程度的提高都不利

32、于劳动力流入。 但国企人数占比的提高 却有助于增加劳动者进入金融业、 公共服务业、 科技业和政机关 组织业的相对概率， 说明这些行业的垄断主要阻碍了已经工作的 劳动者流入， 而由此带来的工资溢价反而有助于吸引初次工作的 劳动者。 与供给面结构转型理论一致的是， 第二产业生产力进步 提高了初次劳动者进入商业、 居住业、 公共服务业和机关组织业 等第三产业行业的相对概率， 而第三产业生产力进步的作用几乎 相反。不过，对于作为生产性服务业的金融业而言，第二产业生 产力进步反而减小了初次劳动者进入的相对概率。最后， 人均真实GDP水平的提高有助于初次劳动者选择几乎所有第三产业行 业。表4 九类行业层面

33、的稳健性检验结果（初次工作的劳动者） 变量建筑业商业金融业居住业公共服务业科技业机关组织 业女性-06450451*05100729*0747*01940002 （0403）（0205）（0351）（0258）（0243）（0393）（0293） 年龄 -0467*-0563*0213-0509*0241*15170571* （0160）（0107）（0246）（0116）（0136）（1300）（0207） 年龄平方 0007*0008*-00030007*-0002-0032-0008*（0002）（0002）（0004）（0002）（0002）（0029）（0003）初中及以下学历 18

34、73*-0024-062103020253-0742-0116（0621）（0285）（0711）（0354）（0456）（1137）（0516） 大学及以上学历1091-0886*1183*-04612487*1996*1433* （0670）（0294）（0463）（0361）（0363）（0630）（0391） 职高学历 1223*-04110447-01412046*01190516 （0665）（0287）（0534）（0375）（0380）（0772）（0451） 国企人数占比-4371*-13490*8292*-15683*21717*17410*36520*（1531）（095

35、6）（2526）（1127）（2471）（3821）（4447） 所在省份人均真实GDP-00630266*00840285*0326*0308*0406*（0071）（0041）（0083）（0050）（0055）（0074）（0065） 第一产业生产力进步率-0025002100460008-00210016-0043*（0034）（0018）（0031）（0023）（0020）（0035）（0023） 第二产业生产力进步率-00190094*-0042*0134*0064*00110037* （0028）（0015）（0025）（0018）（0017）（0024）（0020） 第三产业生

36、产力进步率-0014-0044*0028-0022-0043*0018-0036*（0030）（0017）（0027）（0023）（0018）（0029）（0021）行业固定效应是是是是是是是常数项是是是是是是是样本量 1 2731 2731 2731 2731 2731 2731 273（二） 不同时期的结果我国自 20世纪 90 年代中期，尤其是 1998年国企改革以来， 经历了一系列市场化改革 16 。市场化改革加强了劳动力市场的 流动性，劳动者在产业间转移也变得更加频繁。本文以 Lilien 指数 2 刻画产业结构调整的速度。其衡量公式是：入 d, t=12 刀3j=1 dEj.tEt （6）其中 j = 1， 2 ， 3 分别代表三次产业， Ej ， t 表示产业 j第 t 年的就业人数， Et 表示当年三次产业的总就业人数。 是 差分运算符，表示相减； d