关于农业劳动力转移的定量特征

今天,我把自己最近的一篇稿子“农业劳动力转移的定量特征”发布到网络上 (www.hujingbei.net/wp-content/uploads/2019/04/WP-Apr2019-农业劳动力转移定量特征.pdf )。在我看来,当今人类所处的时代可以视为人类大历史中的非农化转型阶段,即人类从农业社会向后农业社会转型的阶段。它应当肇始于公元1700年前后,延续到当今,并可能延续到本世纪末或更晚。非农化阶段的一个重要经济特征是劳动力从农业转移到非农业生产部门。和其它非农化特征相比,由于以数人头方式进行的劳动力统计的重要性和可行性,我们拥有关于劳动力统计和劳动力在农业与非农部门之间转移统计的大量资料。我的文稿将利用这些统计资料,描述农业劳动力转移的一些定量特征。

很多经济学家认为农业劳动力转移的研究面临两个基本困难,一是缺乏数据,二是缺乏理论。不过,搜集与整理数据的前提是数据的概念指标。比如说,一个物理学家有了加速度的概念,才会有意识地搜集加速度的数据。建立理论的前提是了解概念指标的定量特征。有了加速度数据并且发现其定量特征后,物理学家才能够着手建立理论。我曾经提出一套农业劳动力转移的概念指标,即农业劳动力数量,农业劳动力占总劳动力比重(简称农劳比)、农劳比下降速度、农劳比下降加速度。利用这些指标,我们可以研究有关统计资料并整理得出农业劳动力转移系列数据,从而有可能揭示农业劳动力转移的若干关键的定量特征。

毫无疑问,农业劳动力转移的定量特征只有通过长期数据才可能明确且稳定地揭示出来。由于我们仅仅掌握若干国家而非全世界的农业劳动力转移长期数据,因此我们只能根据若干国家的历史资料总结农业劳动力转移特征。具体地说,我的这篇文稿仅仅依据中国与美国农业劳动力转移的历史过程来勾勒农业劳动力转移的一般特征。选择中国的理由第一是它在最近二十多年来世界农业劳动力转移大潮中的特殊地位,第二是我自己比较熟悉中国和中国的统计资料。选择美国的理由则是美国的农业劳动力转移过程几乎已经全面完成,同时美国农业劳动力转移数据的时间跨度长,数据容易获得和理解。

根据中国和美国的统计资料,我总结出如下几个农业劳动力转移的定量特征,即在农业劳动力转移过程中,

一、农业劳动力总量呈现先上升、再下降的长期抛物线趋势;

二、农劳比呈现单调下降的长期趋势;不存在任何意义上的“稳态”水平。

三、农劳比降速呈低-高-低的长期抛物线趋势;

四、农劳比降速和加速度可能呈现高-低-高循环的中期周期性;

五、农劳比降速和加速度呈现频繁的短期波动性;

六、若以农劳比降速高低为标准把整个非农化过程分成早期、中期和晚期三个阶段,则第(四)和第(五)个特征在早期尤其中期特别重要。

七、各国进入非农化的时点不同,农劳比下降速度和加速度存在显著差异。

八、后进入非农化转型的国家,非农化中期阶段可能更短、农劳比降速更高,农劳比降低加速度绝对值更大。

九、非农化转型的时间跨度对一个国家来说,大体应当在200到250年左右;对整个人类而言,应当在400年左右,不超过500年。

十、农产品和非农产品的相对价格在农业劳动力转移过程可能呈现不变的长期趋势。

十一、在整个非农化转型过程中,农业劳动生产率显著低于非农生产率。

十二、在非农化转型过程中,农劳比越低的国家,农业和非农生产率差距越小。

十三、非农化转型过程同时是农业生产率追赶非农生产率的过程,因此也是总量生产率提高的过程。

十四、农劳比越低的国家,人均生产率越高。

我的文稿将具体描述这些特征。

如果上述这些特征基本成立,那么,现有的农业劳动力转移研究显然还不成熟。举几个著名的相关研究。刘易斯讨论的剩余劳动力转移显然仅仅属于农业劳动力转移过程章的某个早期现象;而刘易斯拐点的标志即农业和非农业生产率趋同,显然不符合我们列出的生产率差距特征。托达罗讨论了失业和转移的关系,但他仅仅触及了农业劳动力转移的短期波动。新古典经济学中的“结构变化研究”分支对农业劳动力转移的研究,仅仅集中于讨论农劳比下降一个特征。它们的共同缺陷是需要农劳比的稳态水平,并且不符合生产率差距特征。同时,所有这些模型的数值分析所给出的农业劳动力转移时间,应当远远超出我们发现的时间框架。在经济学研究中,农业劳动力转移属于所谓的“库茨涅茨特征事实”。十年前,著名经济学家阿杰莫鲁在总结当时的相关研究后评价说:这些研究“仅仅是我们在探讨库茨涅茨所强调的部门结构巨大变化的道路上迈出的不大一步”。对照本文稿提出的农业劳动力转移特征,阿杰莫鲁的评价今天应当依然有效。我希望,我所总结的上述农业劳动力转移特征,有助于经济学家建立农业劳动力转移理论,有助于我们大家对农业劳动力转移历史过程的理解。

“夜话”2019年第4期,2019年4月24日

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据