慢就业背景下数字经济与高质量就业的研究-凯发娱乐官网

期刊菜单

慢就业背景下数字经济与高质量就业的研究
research on digital economy and high quality employment under the background of slow employment

doi: , , html, ,
作者: 韩玉冰, 邓凯文, 侯冰清：北方工业大学理学院，北京
关键词: ；；；；；

摘要: 数字经济的蓬勃发展，催生出新的产业链条和新兴行业，为就业市场带来新的机遇与挑战。在大学生群体中，慢就业趋势的加剧，实则是折射出社会上对于高质量就业岗位需求的日益增长；而数字经济高弹性、强灵活性和广泛的吸纳能力，成为推动高质量就业的关键力量。本文基于2013~2022年全国30个省份的面板数据，使用熵权topsis法进行测算数字经济水平、高质量就业水平，并通过固定效应模型探究数字经济对就业的影响。研究发现，数字经济在就业结构和就业规模上有显著的促进作用，因此，加强区域协调发展、数字经济和就业质量的良性互动是较为有效的解决办法。

abstract: the vigorous development of digital economy has spawned new industrial chains and emerging industries, bringing new opportunities and challenges to the job market. among college students, the increasing trend of slow employment reflects the increasing demand for high-quality jobs in the society. the high flexibility, strong flexibility and extensive absorption capacity of the digital economy have become a key force to promote high-quality employment. based on the panel data of 30 provinces in china from 2013 to 2022, this paper uses topsis method of entropy weight to measure the level of digital economy and high-quality employment, and explores the impact of digital economy on employment through fixed-effect model. it is found that digital economy has a significant role in promoting employment structure and employment scale, so it is a more effective solution to strengthen the positive interaction between regional coordinated development, digital economy and employment quality.

文章引用：韩玉冰, 邓凯文, 侯冰清. 慢就业背景下数字经济与高质量就业的研究[j]. 统计学与应用, 2024, 13(5): 2121-2132.

1. 引言

近年来，数字经济规模持续扩张，作为以数据资源为关键生产要素，以现代信息网络为重要载体的新经济形态，已成为推动效率和优化经济结构的重要引擎。具体而言，数字经济在“十四五”规划中“加快数字化发展，建设数字中国”目标下，展现出强劲的势头。2020年，我国数字经济增速高达9.7%，是同期gdp增速的3.2倍。至2023年，我国数字经济总规模已达56.1万亿元，数字经济已成为国民经济的重要组成部分。

数字技术的应用改变了传统产业，催生出新的行业和产业链条，为市场经济的发展注入了强劲活力。在此过程中，新兴行业的蓬勃发展带动了就业市场的扩张。然而，智能化设备的普及，使得部分重复性高、技能要求低的传统劳动岗位被取代，就业市场迎来了前所未有的机遇与挑战，就业结构也随之变化。与此同时，经济水平的持续发展和教育水平的提高推动了当代大学生就业观的改变，从单纯的寻找就业机会，转变为追求与兴趣相契合、实现自我价值的高质量就业岗位。在这一过程中，“慢就业”的现象日益凸显。当毕业生未能找到符合期望的工作时，他们选择放慢脚步，不急于投身职场，而是利用这段时间进行自我提升、探索职业方向。这种现象的产生源于社会节奏的加快，毕业生对自身价值实现的追求更为急切，从而容易导致部分大学毕业生，在求职过程中过于关注实现自我价值、追求高层次的满足[1]。其次，就业结构的失衡在一定程度上也加剧了“慢就业”现象。因此，如何提高就业质量、实现高质量就业已成为社会关注的焦点。在此过程中，数字经济以高弹性、强灵活性和广泛的吸纳能力，进一步释放国民消费能力，成为实现高质量就业的强劲动力[2]。

2. 文献综述

近年来，大学生“慢就业”的现象逐渐引起学术界关注。“慢就业”的概念可以界定为部分毕业生毕业后既不打算立即就业也不打算继续深造，而是选择暂时游学、兼职或者创业考察等方式，慢慢选择就业的过程[3]。对于“慢就业”现象的成因，既包括学生能力的缺乏[4]，又包括社会经济发展、人才培养与需求脱钩等因素。例如，郑晓明、王丹[1]提出社会经济的快速发展是成因之一，社会节奏的加快，促使人们在潜意识里希望达到最高目标，是社会整体需求层次提升的体现。楼世洲、林浩波[5]认为大学生失业现象的本质就是就业结构失衡，人才需求与供给脱钩。

国内外对于数字经济的研究逐渐深入，对于其评价指标的构建也各有不同。2002年，世界经济论坛将环境纳入数字经济测度范畴。此后，在oecd提出的指标中，进一步明确了数字经济的构成。到2020年，刘军[6]对数字经济评价指标进一步细分，将其划分为信息化发展、互联网发展和数字交易发展。2021年，王军[7]将数字经济的测度概括为数字经济发展载体，数字产业化，产业数字化和数字经济发展环境，综合反映数字经济水平。在高质量就业的统计测度上，研究者们也进行了大量探索。具体而言，秦建国[8]在2007年将就业质量划为就业能力、就业服务、就业岗位、就业保障等方面。2024年，徐海峰[9]将就业规模、就业吸纳能力纳入统计范畴。

在数字经济对就业的影响方面，学者们存在不同观点，但已有相关研究对其进行详细阐述。2017年，牛禄青[10]认为数字经济对就业数量、就业素养、就业结构、就业生态、就业政策等方面有显著影响。2018年，杜传忠、许冰[11]指出人工智能和大数据时代下就业结构会产生更深层次的变革。2019年，蔡跃洲等[12]分析人工智能在推动经济高质量增长的同时，也会通过替代效应和抑制效应对就业产生影响。而王文[13]在2020年指出工业智能化对高质量就业的积极促进作用。

3. 研究设计

(一) 数据来源与处理

选取2013~2023年《中国统计年鉴》《中国人口和就业统计年鉴》、各省统计年鉴作为数据的主要来源，样本覆盖我国30个省份。并采用面板数据进行研究，观察数据随时间变化的变化趋势，了解个体之间的差异，同时更加精确的估计模型参数，提高估计的精度和可靠性。

(二) 指标选择

1. 数字经济

数字经济是指以数据资源为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列活动。将数字基础设施建设、数字产业化、产业数字化和数字经济发展环境作为一级指标，同时选取14个二级指标进行研究，见表1。

table 1. digital economy measurement index system

表1. 数字经济测度指标体系

一级指标	二级指标	指标属性
数字基础设施	互联网宽带接入端口数	正
	互联网域名数	正
	移动电话普及率	正
	移动电话基站数	正
	光缆线路长度	正
数字产业化	软件业务收入	正
	信息技术服务收入	正
	电信业务收入	正
	快递业务收入	正
产业数字化	数字普惠金融指数	正
	企业电子商务销售额	正
	企业每百人使用计算机数	正
	每百家企业拥有网站数	正
数字经济发展环境	规模以上工业企业r&d经费支出	正

2. 高质量就业

高质量就业即劳动者在自由、平等、保证安全和个人尊严前提下，还应有体面、高效工作的就业机会[14]。在高质量就业水平的指标选择上，设置5个维度作为指标，同时选取12个二级指标进行研究。见表2。

table 2. high-quality employment measurement index system

表2. 高质量就业测度指标体系

一级指标	二级指标	指标属性
就业规模	就业人数	正
就业结构	第一产业就业人员比重	负
	第二产业就业人员比重	正
	第三产业就业人员比重	正
	城镇就业人员比重	正
	乡村就业人员比重	负
就业保护	医疗保险参保人员	正
就业保护	养老保险参保人员	正
就业环境	城镇就业人员平均工资	正
就业环境	城镇登记失业人数	负
就业能力	劳动力平均受教育年限	正
就业能力	大专及以上就业人员占比	正

(三) 研究方法

1. 熵权topsis法

通过熵权法确定数字经济和高质量就业水平中各指标权重，避免主观因素影响；随后利用topsis法评价各对象，对30个省份水平进行排序，得出各评价对象的优劣次序。

① 建立评价矩阵x，其中，i代表评价对象，j代表评价指标， $x_{i j}$ 代表第i个评价指标下第j个评价对象。

② 为保障相关指标计算的可比性，对数据进行标准化处理

正向指标

$x^{*} = \frac{x_{i j} - \min (x)}{\max (x) - \min (x)}$ (1)

负向指标

$x^{*} = \frac{\max (x) - x_{i j}}{\max (x) - \min (x)}$ (2)

③ 在对矩阵进行非负化、归一化处理后，得到熵值 $e_{j}$ ，差异化系数 $d_{j}$ ，各变量权重 $w_{j}$

$w_{j} = \frac{d_{j}}{\sum_{j = 1}^{n} d_{j}}$ (3)

④ 在用熵权法确定权重和得分之后，构建加权决策矩阵r，计算公式如下

$r_{i j} = w_{j} * x_{i j}$ (4)

⑤ 确定正负理想解

$r^{} = \max (r_{1 j}, r_{2 j}, \dots, r_{i j})$ (5)

$r^{-} = \min (r_{1 j}, r_{2 j}, \dots, r_{i j})$ (6)

⑥ 计算欧氏距离 $d_{i}$ 后，计算相近贴进度 $c_{i}$ ，计算公式如下：

$c_{i} = \frac{d_{i}^{-}}{d_{i}^{} d_{i}^{-}}$ (7)

2. 固定效应模型

固定效应模型用于分析具有横截面和时间序列特点的面板数据，它的基本思想是通过控制一系列个体固定效应，来消除不可观测的个体差异对因变量的影响。

$y_{i, t} = α_{0} α_{1} x_{1 i, t} \dots α_{n} x_{n i, t} {control}_{i, t} μ_{i} ν_{t} ε_{i, t}$

4. 数字经济和就业的发展水平评价

(一) 数字经济的发展水平

数字经济水平从0.058增长至0.188，整体上呈增长趋势。2016年，数字经济的发展速度有所提升。大数据和人工智能技术快速进步，推动数据资源的深度整合和高效利用，为数字经济的发展提供有力的支撑。然而不同省份间的发展水平存在明显差异。北上广等地均高于0.4，而宁夏、青海、甘肃等地远低于全国平均水平。

从区域来看，东部均值0.224，中部0.201，西部0.182，区域发展不均衡。东部经济最为发达、科技创新能力最强，其数字经济发展水平也相对较高，多数省份位于全国前列。中部整体发展水平略低于东部，但多数省份处于全国平均水平上，发展较为稳健。而西部经济基础和科技创新能力相对较弱，其数字经济发展水平较低，多数省份低于全国平均水平，见表3。

table 3. measurement of digital economy level

表3. 数字经济水平测度

省份	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022
北京	0.13	0.18	0.23	0.28	0.30	0.32	0.39	0.45	0.52	0.56
天津	0.04	0.05	0.06	0.06	0.07	0.08	0.09	0.11	0.12	0.12
河北	0.05	0.05	0.06	0.08	0.09	0.12	0.14	0.16	0.14	0.14
山西	0.03	0.03	0.04	0.04	0.05	0.07	0.08	0.09	0.08	0.09
内蒙古	0.03	0.03	0.04	0.04	0.05	0.06	0.07	0.09	0.08	0.08
辽宁	0.07	0.09	0.10	0.08	0.09	0.10	0.11	0.12	0.11	0.12
吉林	0.02	0.03	0.03	0.04	0.05	0.06	0.07	0.07	0.07	0.07
黑龙江	0.04	0.04	0.04	0.04	0.06	0.06	0.08	0.09	0.07	0.08
上海	0.10	0.15	0.17	0.22	0.24	0.27	0.32	0.36	0.41	0.45

续表

江苏	0.17	0.20	0.23	0.27	0.29	0.34	0.38	0.42	0.41	0.46
浙江	0.10	0.13	0.18	0.22	0.23	0.27	0.32	0.36	0.37	0.40
安徽	0.04	0.05	0.06	0.07	0.09	0.11	0.14	0.16	0.14	0.15
福建	0.06	0.07	0.10	0.18	0.26	0.24	0.25	0.22	0.20	0.20
江西	0.03	0.03	0.06	0.05	0.07	0.08	0.11	0.12	0.10	0.11
山东	0.17	0.16	0.17	0.19	0.21	0.24	0.25	0.28	0.29	0.35
河南	0.05	0.06	0.08	0.10	0.11	0.14	0.18	0.20	0.14	0.15
湖北	0.05	0.06	0.08	0.08	0.10	0.11	0.15	0.15	0.14	0.16
湖南	0.04	0.05	0.06	0.08	0.09	0.11	0.15	0.16	0.13	0.14
广东	0.21	0.26	0.31	0.36	0.41	0.50	0.60	0.66	0.66	0.71
广西	0.03	0.03	0.04	0.05	0.06	0.08	0.11	0.13	0.10	0.11
海南	0.04	0.04	0.05	0.05	0.05	0.06	0.07	0.06	0.06	0.07
重庆	0.03	0.04	0.05	0.06	0.07	0.09	0.10	0.12	0.12	0.15
四川	0.06	0.08	0.10	0.11	0.14	0.16	0.20	0.23	0.20	0.22
贵州	0.02	0.03	0.03	0.04	0.05	0.07	0.10	0.11	0.10	0.10
云南	0.03	0.04	0.04	0.05	0.06	0.08	0.11	0.13	0.09	0.10
陕西	0.04	0.05	0.06	0.06	0.08	0.10	0.13	0.14	0.13	0.11
甘肃	0.02	0.02	0.03	0.03	0.04	0.05	0.06	0.07	0.06	0.06
青海	0.02	0.03	0.03	0.03	0.04	0.05	0.05	0.06	0.06	0.06
宁夏	0.02	0.03	0.03	0.04	0.04	0.05	0.05	0.05	0.06	0.06
新疆	0.03	0.03	0.03	0.04	0.04	0.06	0.07	0.08	0.07	0.07
均值	0.06	0.07	0.09	0.10	0.12	0.14	0.16	0.18	0.17	0.19

(二) 高质量就业水平

全国高质量就业水平呈上升趋势，其均值从0.29增至0.41，受经济健康发展、产业结构优化及政府就业政策影响。然而，地区间差异显著。北上广等东部沿海地区经济发展水平高、就业机会广泛、就业保障完善，因此高质量就业水平较高。相比之下，甘肃、新疆、海南等地的水平较差，这与经济发展水平相对较低、产业结构单一、就业机会有限等有关。同时，这些地区就业保障也存在不足，教育资源和人才储备匮乏，限制了就业质量的提升。

地区上，东部就业质量普遍较高，其均值为0.44。该地区经济发达，企业和高新技术产业聚集，提供了更多的就业机会。其次，东部就业保障制度完善，为劳动者提供了更好的权益保障。此外，这些地区教育资源和人才储备丰富，使得劳动力素质普遍较高。中部的就业质量平均为0.42，虽然与东部存在一定差距，但近年来提升显著。同时，中部地区也在积极推动产业结构优化升级和人才引进工作，提升就业质量，见表4。

table 4. high-quality employment level measurement

表4. 高质量就业水平测度

省份	2013	2014	2015	2016	2017	2018	2019	2020	2021	2022
北京	0.53	0.54	0.51	0.56	0.57	0.55	0.62	0.58	0.59	0.60
天津	0.42	0.42	0.41	0.43	0.44	0.44	0.48	0.48	0.50	0.51
河北	0.31	0.31	0.34	0.35	0.35	0.38	0.37	0.41	0.42	0.43
山西	0.25	0.24	0.28	0.27	0.32	0.34	0.34	0.36	0.37	0.38
内蒙古	0.24	0.24	0.24	0.25	0.29	0.29	0.31	0.33	0.34	0.35
辽宁	0.30	0.31	0.29	0.30	0.31	0.32	0.35	0.35	0.37	0.38
吉林	0.20	0.20	0.20	0.21	0.22	0.27	0.29	0.30	0.32	0.32
黑龙江	0.22	0.23	0.25	0.25	0.28	0.28	0.31	0.30	0.31	0.32
上海	0.50	0.51	0.49	0.54	0.55	0.53	0.57	0.56	0.58	0.59
江苏	0.42	0.43	0.45	0.46	0.49	0.49	0.52	0.51	0.53	0.54
浙江	0.40	0.41	0.42	0.44	0.45	0.45	0.49	0.50	0.51	0.51
安徽	0.29	0.30	0.34	0.31	0.32	0.39	0.39	0.33	0.42	0.42
福建	0.30	0.30	0.31	0.30	0.34	0.36	0.36	0.40	0.41	0.42
江西	0.25	0.25	0.28	0.27	0.32	0.34	0.35	0.37	0.38	0.39
山东	0.40	0.40	0.43	0.43	0.43	0.45	0.46	0.47	0.48	0.49
河南	0.34	0.34	0.36	0.35	0.39	0.41	0.41	0.43	0.43	0.43
湖北	0.26	0.27	0.30	0.30	0.34	0.36	0.37	0.38	0.41	0.41
湖南	0.29	0.30	0.32	0.30	0.35	0.37	0.37	0.40	0.41	0.41
广东	0.45	0.46	0.46	0.49	0.49	0.50	0.54	0.55	0.57	0.58
广西	0.20	0.21	0.23	0.22	0.29	0.31	0.32	0.35	0.36	0.37
海南	0.18	0.19	0.20	0.19	0.21	0.27	0.29	0.30	0.32	0.32
重庆	0.30	0.31	0.33	0.34	0.34	0.35	0.38	0.38	0.38	0.39
四川	0.31	0.31	0.33	0.34	0.36	0.38	0.40	0.41	0.42	0.42
贵州	0.14	0.15	0.19	0.18	0.20	0.30	0.30	0.33	0.34	0.34
云南	0.20	0.20	0.23	0.21	0.26	0.29	0.28	0.32	0.33	0.33
陕西	0.22	0.23	0.24	0.23	0.25	0.32	0.34	0.36	0.37	0.37
甘肃	0.14	0.14	0.19	0.15	0.24	0.28	0.26	0.30	0.31	0.31
青海	0.19	0.20	0.23	0.22	0.28	0.30	0.31	0.34	0.35	0.36
宁夏	0.20	0.24	0.27	0.28	0.30	0.31	0.35	0.35	0.35	0.36
新疆	0.20	0.20	0.24	0.24	0.26	0.30	0.32	0.32	0.32	0.32
均值	0.29	0.30	0.31	0.31	0.34	0.36	0.38	0.39	0.41	0.41

5. 数字经济对就业影响

数字经济以其高灵活性和广泛的吸纳能力，促进了新兴产业的蓬勃发展，这些岗位不仅数量众多，还分布在各行各业，为求职者提供了丰富的选择空间。同时，数字经济的发展使得许多岗位向高附加值、高技能方向发展，也促进了服务业比重的增加。

(一) 变量选择

以数字经济为解释变量，就业结构、就业规模、城乡就业水平为被解释变量，建立固定效应模型。其中，就业结构以高质量就业中就业结构维度得分为指标。为保障整个方程的完整性和准确性，结合参考文献，引入控制变量，见表5。

table 5. variable explanation table

表5. 变量解释表

	变量	名称	测量指标
解释变量	数字经济	de	数字经济发展水平
被解释变量	就业结构	se	就业结构得分
	城市就业水平	se2	城市就业人口占比
	乡镇就业水平	se1	乡镇就业人口占比
	就业规模	lnemp	就业总人数
控制变量	人力资本水平	lnhci	高等教育每万人
	社保和就业支出	lnlsp	社保和就业支出
	技术进步	lnta	各地区高技术产业r&d人员
	信息化水平	il	邮电业务量/省人口
	各地区城镇化水平	ul	城镇常住人口/省人口
	经济发展水平	el	各省gdp/省人口
	财政支持度	fp	财政一般公共预算/gdp

(二) 数据检验与模型构建

1. 多重共线性检验

为避免变量间强相关对结果造成影响，进行多重共线性检验，vif值均小于10，没有严重的多重共线性。

2. 数据检验

f检验的p值为0.000，小于显著性水平0.01，拒绝原假设。hausman检验，p值小于0.01，因此，选择固定效应模型。详见附录。

3. 模型建立

为了进一步探究数字经济与就业之间的因果关系，采用固定效应模型进行实证分析。以下是两个拟合模型：

${lnemp}_{i, t} = α_{0} α_{1} {de}_{i, t} {control}_{i, t} μ_{i} ν_{t} ε_{i, t}$ (8)

${se}_{i, t} = α_{0} α_{1} {de}_{i, t} {control}_{i, t} μ_{i} ν_{t} ε_{i, t}$ (9)

${se1}_{i, t} = α_{0} α_{1} {de}_{i, t} {control}_{i, t} μ_{i} ν_{t} ε_{i, t}$ (10)

$se 2_{i, t} = α_{0} α_{1} {de}_{i, t} {control}_{i, t} μ_{i} ν_{t} ε_{i, t}$ (11)

在上述模型中， ${lnemp}_{i, t}$ 和 ${se}_{i, t}$ 代表的是不同时间不同省份的就业规模和就业结构， ${de}_{i, t}$ 代表不同时间不同省份数字经济发展水平， ${control}_{i, t}$ 是控制变量， $μ_{i}$ 是省份固定效应， $ν_{t}$ 是年份固定效应， $ε_{i, t}$ 是随机扰动项，i表示省份，t代表时间。

(三) 结果分析

1. 就业规模

数字经济对就业规模的影响为0.24，这表明数字经济能够促进就业规模的扩大。其原因可能为数字经济催生新的就业岗位、产业形态不断涌现，推动就业规模的增长。其次，通过数字化转型，企业实现了生产效率的提升和运营成本的降低，这进一步扩大了就业规模。

在控制变量方面，经济发展水平对就业规模有显著正向影响(0.20)，产业升级和企业扩张为劳动力市场带来更多机会。城镇化水平对就业规模的影响为1.21，呈正向影响，且影响较大，人口向城市转移及资源集聚促进了就业增长，尤其推动了第三产业的发展。然而，人力资本水平对就业规模的影响为−0.17，呈负向影响，这可能与劳动力对工作期望的提高和劳动力市场匹配问题有关。

2. 就业结构

在就业结构上，数字经济能够促进就业结构的优化，其影响为0.07。数字技术的广泛应用，使得企业对专业人才的需求日益增长，劳动力在不同行业、不同职业之间的流动也更加频繁和灵活，为就业者提供了更多元化的职业选择。

在城镇地区，数字经济对就业结构的影响为0.46，这表明数字经济可以促进就业结构的优化。城镇地区受益于数字经济的崛起和完善的基础设施，就业结构得到积极改善。而乡镇地区的数字经济对就业结构的影响为−0.26，抑制就业结构的优化，这可能由于基础设施落后、人才匮乏、居民认知与需求低等因素造成，这些地区的传统行业仍然占据主导地位，数字技术的应用和普及程度相对较低。

在控制变量上，经济发展水平对就业结构有着负向作用，为−0.004，影响水平较低。地区经济的增长抑制就业结构优化，这与慢就业现象的成因相吻合。其次，人力资本水平对就业结构的呈正向影响(0.03)。在人力资本水平较高的地区，拥有着更多受过良好教育、掌握先进技能的劳动力，这些人往往更容易流向高技能、高附加值的岗位，推动就业结构从第一产业往二三产业转变，见表6。

table 6. showing the regression results

表6. 回归结果展示

	(1)	(2)	(3)	(4)
变量	就业规模	就业结构	se1	se2
de	0.24^^	0.07^***	0.46^***	−0.26^*
	−2.26	−3.54	−3.45	(−1.69)
el	0.020^***	−0.004^***	−0.014^*	−0.009
	−3.43	(−3.58)	(−1.88)	(−1.06)
lnta	0.027	0.001	0.042^*	−0.070^**
	−1.349	−0.38	−1.68	(−2.37)

续表

lnhci	−0.17^***	0.03^**	−0.09	0.27^***
	(−2.66)	−2.44	(−1.14)	−2.88
il	0.011	0	−0.009	0.008
	−0.48	(−0.10)	(−0.31)	−0.24
lnlsp	0.004	0.013	0.121^**	−0.093
	−0.09	−1.51	−2.08	(−1.37)
fp	−0.07	0	0.70^***	−1.10^***
	(−0.38)	(−0.004)	−2.862	(−3.85)
ul	1.21^***	−0.001	0.80^*	−2.13^***
	−3.67	(−0.020)	−1.93	(−4.37)
_cons	7.82^***	0.09	−0.59	1.30^*
	−16.64	−0.98	(−0.99)	−1.87
n	300	300	300	300
r2	0.38	0.36	0.54	0.54
f	9.22	8.22	17.29	17.31

6. 结论与建议

(一) 结论

我国数字经济发展和高质量就业水平呈增长趋势，然而区域间不平衡现象愈发明显，大致上呈东部 > 中部 > 西部的趋势。综合水平上，北上广等地表现突出，依托其强大的科技实力、产业基础，形成了各具特色的数字经济发展模式和就业支持。

“慢就业”现象的成因可归因于社会经济的迅猛发展与结业结构失衡等多因素影响。随着经济发展，毕业大学生对于高质量就业的需求逐步提升。在此背景下，数字经济作为一股新兴力量，为解决“慢就业”问题提供了可能的途径。数字经济在推动就业规模扩大方面展现出积极效应，同时，经济发展水平的提升、城镇化水平的提升均为劳动力市场注入了新的活力。在就业结构层面，数字经济也促进了就业结构的优化。在城镇地区上，数字经济能够使就业结构优化，而乡镇地区则因基础设施、人才储备及认知差异等因素，使数字经济对就业结构的优化表现出一定的抑制作用。此外，经济发展水平的增长在促进就业规模扩大的同时，却对就业结构的优化产生了微弱的负向影响，这与当前社会中的慢就业现象相呼应。而人力资本水平的提升虽在优化就业结构方面发挥正面作用，却在一定程度上对就业规模产生了负向影响，这可能与劳动力市场上高技能人才的需求与供给不匹配有关，一定程度上加剧了“慢就业”现象。

(二) 建议

1、加强区域协调发展，加大对中西部地区的扶持力度。在基础设施建设、科技创新、人才培养等方面提供政策支持，以缩小与东部差距。同时，鼓励东部与中西部开展产业合作，推动数字经济的产业转移和升级，实现共赢发展。对于西部和东北，需要加大对数字经济的支持力度和就业保障支持，以加快其发展步伐，缩小与热点地区间的差距。

2、加强教育投入，完善人才培养体系。加大对数字经济人才的培养力度，提高人才的素质和数量，满足数字经济发展的需求。此外，还需要积极引进高层次数字经济人才，特别是在人工智能、大数据等领域具有丰富经验的人才，为数字经济发展提供智力支持。

3、促进数字经济与就业的良性互动。通过加强就业指导和服务，建立健全就业服务体系，提供就业培训、创业支持等服务，帮助劳动者适应数字经济发展需求。同时，关注低就业质量地区的就业，通过政策扶持和就业援助等措施，改善就业环境。提高城镇化水平和经济发展水平，促进数字经济与就业良性互动。加快城镇化进程，推动人口和产业向城市聚集，提高城市经济发展水平和就业吸纳能力。加强经济发展规划，优化产业结构，推动经济持续健康发展。

附录固定效应模型

多重线性检验

变量	vif
lnta	7.98
el	6.52
fp	5.99
ul	5.29
de	3.52
lnhci	2.72
lnlsp	2.38
il	1.02

参考文献

[1]	郑晓明, 王丹. 高校毕业生“慢就业”现象的成因与治理策略[j]. 社会科学战线, 2019(3): 276-280.
[2]	戚聿东, 刘翠花, 丁述磊. 数字经济发展、就业结构优化与就业质量提升[j]. 经济学动态, 2020(11): 17-35.
[3]	郑东, 潘聪聪. 大学生提速“慢就业”的服务策略[j]. 江苏高教, 2019(2): 81-84.
[4]	马永霞, 梁金辉. 理工科大学生就业能力评价研究[j]. 教育研究, 2016, 37(9): 40-50.
[5]	楼世洲, 林浩波. 大学生结构性就业失衡: 专业与行业的实证分析[j]. 清华大学教育研究, 2013, 34(5): 109-117.
[6]	刘军, 杨渊鋆, 张三峰. 中国数字经济测度与驱动因素研究[j]. 上海经济研究, 2020(6): 81-96.
[7]	王军, 朱杰, 罗茜. 中国数字经济发展水平及演变测度[j]. 数量经济技术经济研究, 2021, 38(7): 26-42.
[8]	秦建国. 大学生就业质量评价体系探析[j]. 中国青年研究, 2007(3): 71-74.
[9]	徐海峰. 数字经济对北京高质量就业的影响研究——兼与上海比较分析[j]. 北京劳动保障职业学院学报, 2024, 18(1): 41-50, 58.
[10]	牛禄青. 数字经济对就业的影响[j]. 新经济导刊, 2017(10): 28-33.
[11]	杜传忠, 许冰. 第四次工业革命对就业结构的影响及中国的对策[j]. 社会科学战线, 2018(2): 68-74.
[12]	蔡跃洲, 陈楠. 新技术革命下人工智能与高质量增长、高质量就业[j]. 数量经济技术经济研究, 2019, 36(5): 3-22.
[13]	王文. 数字经济时代下工业智能化促进了高质量就业吗[j]. 经济学家, 2020(4): 89-98.
[14]	丛屹, 闫苗苗. 数字经济、人力资本投资与高质量就业[j]. 财经科学, 2022(3): 112-122.

为你推荐

凯发娱乐官网的友情链接