基于地理探测器和GWR模型的中国工业人口分布及其影响因素

米瑞华，李帅，李泽

延安大学  经济与管理学院，延安  716000

摘  要：当前我国工业部门亟需破解劳动力要素结构性错配问题。优化工业人口空间分布对于提升劳动力配置效率、推动工业高质量发展具有重要现实意义。作为总人口的一个重要分支，工业人口分布研究相对薄弱，尚未系统阐释我国经济、社会与自然因素对工业人口分布的影响机制，尤其缺乏关于驱动因子作用强度及其区域异质性的分析。本文基于2020年中国人口普查数据，通过全局、局部莫兰I数的空间相关性分析，揭示中国工业人口的分布特征；借助地理探测器与地理加权回归模型，深入探究工业人口分布的影响因素。结果表明：①中国工业人口分布呈现“东密西疏”的梯度格局，在长三角、珠三角等主要城市群和发达的工业城市高度集聚，并在城市群内部呈现核心–边缘结构；②住房成本、数字经济、城镇化水平和收入水平等经济因子对工业人口分布具有决定性影响，自然地理和社会因素起辅助调节作用；③住房成本和城镇化水平主要发挥正向集聚效应，数字经济兼具就业创造的正向效应与劳动替代的负向效应，收入水平则因工业化阶段不同而产生差异化影响。研究建议从优化工业布局、完善住房和就业保障、加快工业数字化转型方面协同施策，促进工业人口合理集聚，扎实推进中国工业高质量发展。

关键词：工业人口；空间分布；影响因素；地理探测器；地理加权回归

引用格式：米瑞华, 李帅, 李泽. 2026. 基于地理探测器和GWR模型的中国工业人口分布及其影响因素. 时空信息学报, 33(1): 24-35

Mi R H, Li S, Li Z. 2026. Industrial population distribution and its influencing factors in China based on GeoDetector and GWR models. Journal of Spatio-temporal Information, 33(1): 24-35, doi: 10.20117/j.jsti.202506010

1  引  言

我国是全球唯一拥有联合国产业分类中全部工业门类的国家，工业人口规模巨大（王建事等，2023）。在高质量发展与“东数西算”等国家战略重塑工业版图的背景下，我国工业高质量发展正面临要素配置结构性矛盾的严峻挑战：职业教育滞后导致技能型劳动力供给不足，智能制造转型升级又进一步加剧了中高端工业人才缺口，制约了工业高质量发展（付保宗和周劲，2020；李莉萍等，2024）。作为支撑工业发展的核心要素，工业人口的空间分布通过劳动力池效应和知识溢出效应影响区域创新能力（Steijn等，2022）。因此，精准刻画工业人口空间分布特征并解析其驱动机制，对优化工业劳动力配置、推动工业高质量发展具有重要的政策意义。

自胡焕庸提出中国总人口分布的“瑷珲–腾冲”线以来，人口分布的研究方法不断革新，研究精度持续提高（刘涛等，2022；彭秋志等，2023）。相关研究涵盖了全国（戚伟等，2022）、省域（汤爽爽等，2022）、县域（刘振等，2020），以及城市群（张国俊等，2018）等多个视角，主要采用集中指数、不均衡指数（基尼系数）及空间自相关等精确度量人口分布的集散程度和区域差异，有效解决了传统统计学所忽视的空间依赖问题（童玉芬等，2022；王洁晶等，2023）。但作为总人口的一个重要分支，工业人口分布研究仍相对薄弱。相关讨论散见于产业人口分布研究中，专门针对工业人口分布的研究较为匮乏，工业人口与总人口分布的关系也有待揭示（陈红艳等，2020；李晓阳等，2020；张建武等，2021；刘佳丽和荣垂青，2023）。已有研究显示，工业人口的空间分布可能受到可塑性面积单元问题（modifiable areal unit problem，MAUP）的影响，其表现随空间尺度的变化而有所不同（Javanmard 等，2023）。近期，在县域尺度，米瑞华等（2025a）通过对西安都市圈的研究表明，工业人口高度集聚于核心圈层及邻近区县，外围区县工业人口密度较低，整体呈现以西安市城六区为核心向外逐级递减的单中心分布模式。在1.5 km网格尺度，米瑞华等（2025b）研究表明，工业人口分布则呈现以各区县主城区为核心的多点集聚特征。

产业人口分布直接受产业区域布局的制约，其中经济因素是推动产业人口集聚或扩散的核心动力，而自然环境则构成基础性约束（张祥晶，2011）。作为产业人口的重要组成部分，工业人口的分布同样以经济与社会因素为主要驱动；自然地理因素虽作用相对有限，但仍通过资源环境承载力对其形成关键制约。由于工业生产具有规模经济、集聚效应和信息共享等特征，企业在选址时通常倾向于靠近原材料产地、水资源丰富区、交通枢纽或消费市场，并在循环累积效应下不断强化既有区位优势，从而促使工业人口高度集中于城市主城区，形成显著的空间集聚现象（米瑞华等，2025a）。改革开放以来，伴随工业化和城镇化的推进，大量农业转移人口实现了职业非农化与地域城镇化（薛东前等，2021）。这一进程显著改变了产业人口结构：农业人口比例持续下降，二三产业人口比例快速上升，反映出人口结构对产业升级的响应机制（王记文和郑玉荣，2023）。随着环境保护、土地集约利用等可持续发展要求日益增强，工业企业逐渐向城市郊区转移，工业布局呈现集聚—扩散并存的特征：成长型城市群内部工业集聚效应进一步增强，而成熟型城市群则表现出明显的空间扩散趋势（沈立和倪鹏飞，2022）。这一变化也推动工业人口高度聚集区逐步从城市核心区向近郊及外围新城转移。然而，上述研究尚未系统阐释我国经济、社会与自然因素对工业人口分布的影响机制，尤其缺乏关于驱动因子作用强度及其区域异质性的研究，导致工业劳动力空间优化政策的制定缺乏坚实的科学依据。而地理探测器模型可清晰解析自变量交互作用对因变量的影响，且地理探测器模型与地理加权回归（geographically weighted regression，GWR）模型配合使用，能够有效表征自变量对因变量影响方向（童玉芬等，2022；戚伟等，2022）。

因此，本文首先运用空间统计分析刻画全国城市尺度上工业人口空间分布的主要特征，揭示其与全国总人口分布格局及胡焕庸线的关系。其次，引入地理探测器模型（王劲峰和徐成东，2017），定量解析工业人口分布的主要影响因素，剖析不同因子间的交互作用机制，并初步探讨数字经济发展对工业人口分布的影响。最后，采用GWR模型（耿甜伟等，2020），揭示驱动因子对工业人口分布影响的空间异质性。

2  研究方法

为系统解析中国工业人口空间分布特征及其驱动机制，本文构建空间格局—影响因素—空间异质性的递进分析框架。具体研究方法如下。

2.1  指标体系构建

1）工业人口密度

工业人口密度是衡量特定区域内工业从业人员空间分布强度的核心指标，反映该地区工业劳动力集聚程度。有

式中，D_i为i市的工业人口密度，人/km²；P_i为i市的工业人口数量；A_i为i市的行政区划面积，km²。

2）工业人口地理集中度

工业人口地理集中度是指特定区域工业从业人员数量占全国的比例，用于表征该区域工业人口规模在全国的相对水平和地位。为检验MAUP问题对结果稳健性的影响，采用工业人口地理集中度，作为工业人口密度的替代指标，检验结果的稳健性：

3）工业人口比例

工业人口比例反映某特定区域工业从业人员数量占该区域全部从业人员数量的比值，可以反映该区域产业结构情况。采用工业人口比例，作为工业人口密度的替代指标，检验结果的稳健性：

式中，E_i为i市全部从业人员的数量。

采用地理探测器模型（王劲峰和徐成东，2017），识别中国工业人口空间分布的主要影响因素，并揭示各因子之间的交互作用机制。工业人口分布是自然地理约束、经济利益驱动和社会环境支撑共同作用的结果（米瑞华等，2025a）。基于综合区位理论和要素禀赋理论，借鉴已有研究（罗君等，2020；Xu和Ouyang，2018），从自然地理、经济与社会三个维度构建工业人口分布的影响因素指标体系（表1）。其中，自然地理维度选取地形、气温、降水和环境污染共四个影响因子，以表征区域自然本底条件对工业人口生产活动的基础约束效应；经济维度选取城镇化水平、产业结构、收入水平、住房成本、就业市场及数字经济共六个影响因子，反映区域经济发展对工业人口空间分布的吸引力；社会维度选取医疗服务、交通基础设施、教育资源和人才集聚共四个影响因子，体现社会发展水平对工业人口集聚的服务支撑能力。

表1中，数字经济综合指数通过主成分分析法获取。具体而言，借鉴赵涛等（2020）的方法，基于互联网普及率、互联网相关从业人员占比、互联网相关产出、移动互联网用户数等指标，采用主成分分析法测算数字经济综合指数。数字经济发展水平指标体系见表2。

利用SPSS实现主成分分析及其标准化。检验发现，KMO（Kaiser-Meyer-Olkin）抽样适当性度量系数为0.746（大于0.7），Bartlett球形检验在99%置信区间显著（p<0.001），表明数据适合进行主成分分析。主成分分析结果显示（表3），前三个主成分的累计贡献率为86.38%，反映了原有指标的大部分有效信息，因此基于前三个主成分计算主成分得分，得到数字经济综合指数。

2.2  模型构建

2.2.1  空间自相关分析

1）全局莫兰I数

空间自相关是一种空间统计方法，用于量化分析地理要素属性值在空间分布上的关联程度（陈少沛和张慧霞，2025）。该方法通过评估要素与其邻近要素之间的相似性，能够有效识别区域空间格局的集聚或离散特征。使用全局莫兰 I数（Moran I），分析中国工业人口分布的空间自相关情况：

式中，x_i、x_j分别为i市、j市的工业人口数量；为研究区域的工业人数均值；s ²为样本方差；n为样本个数；为刻画空间相邻关系的权重，若i市与j市共用一个边界或者一个节点，那么；反之，。全局莫兰I数的取值［–1，1］：大于0表示空间正自相关，即相似属性值在空间上聚集分布；小于0表示空间负自相关，即相似属性值在空间上离散分布；等于0表示无空间自相关，即属性值在空间上随机分布。

2）局部莫兰I数

局部莫兰I数可用于识别研究区域内部的空间关联模式（何昱等，2024；殷嘉雪和王艳慧，2024）。采用反距离空间权重矩阵测算局部莫兰I数，以量化局部空间自相关特征：

局部莫兰I数若大于0，表示相邻地区之间存在同属性值的局部集聚，即高–高聚集区（H-H）或低–低聚集区（L-L）的空间关联布局；若小于0，表示相邻地区之间存在异属性值的局部集聚，即低–高聚集区（L-H）或高–低聚集区（H-L）的空间关联布局。

2.2.2  地理探测器与GWR模型

1）地理探测器

地理探测器假设研究区域分为若干子区域，如果子区域的方差之和小于区域总方差，则存在空间分异性，二者的差值越大，空间分异性越明显（王劲峰和徐成东，2017；向曦等，2024）。

（1）因子探测。探测影响因子对工业人口分布的解释力，用q值度量：

式中，L为变量或因子的分类（分区）数；、N分别为地级市h、整个研究区域的城市数量；σ²_h、σ²分别为地级市h、整个研究区域的工业人口密度方差。q取值［0，1］，值越大，表明工业人口的空间分异越明显，各因子对工业人口的解释力越强。

（2）交互探测。分析两个自变量的交互作用对因变量的影响。通过比较不同自变量交互作用的q值与单个自变量的q值，可以判断其交互类型，揭示各因子对工业人口分布的复杂交互影响。交互关系的判定公式见表4。

2）GWR模型

GWR模型利用每个要素的空间位置进行空间异质性探索，通过允许回归系数随地理空间位置变化而变化，更精确地刻画变量关系的空间异质性特征，从而有效捕捉解释变量与被解释变量间关系的空间非平稳性（张菲凡等，2022）。有

式中，y_i为i市工业人口密度，人/km²；（u_i，v_i）为i市政区中心的空间坐标，m；m为解释变量个数；β_bwo（u_i，v_i）为市的局部截距；β_bwk（u_i，v_i）为i市的第k个解释变量的回归系数；x_ik为i市第k个解释变量；ε_i为随机误差。实验采用自适应二次核函数确定最优带宽，来估计GWR模型。

3  实验结果分析

3.1  数据来源

实验数据包括直接获取的原始数据与经过预处理的衍生数据，主要包括三类数据。具体如下所述。

（1）工业人口数据来源于国务院第七次全国人口普查领导小组办公室（2022）中的长表数据，包含详细行业门类信息。该数据通过分层随机抽样方法，在完成普查短表登记的住户中抽取10%的样本进行补充调查获得。工业人口的划分遵循《国民经济行业分类》（GB/T 4754—2017）标准，包括采矿业、制造业，以及电力、热力、燃气及水生产和供应业三大门类的就业人口，并依据抽样比例对工业人口规模进行合理估算。 

（2）自然环境数据包括气候数据、地形数据和环境质量数据。其中，地形起伏度数据，通过地理空间数据云平台提供的数字高程模型（digital elevation model，DEM）计算获得；年均气温与年均降水量数据，来源于国家气象信息中心网站发布的权威气象观测数据；PM_2.5数据，来源于美国华盛顿大学圣路易斯分校网站的大气成分分析组（atmospheric composition analysis group，ACAG）；交通路网密度，来源于OSM（OpenStreetMap）网站的路网数据，通过ArcGIS计算得出。

（3）社会经济数据包括房价数据和其他经济社会指标。其中，房价数据来源于安居客、房天下、房价行情网三大房地产信息平台的挂牌交易数据；其他经济社会指标主要来源于国家统计局网站的《中国城市统计年鉴（2021）》，以及各地级市统计局网站发布的《国民经济和社会发展统计公报》。基于数据可得性和完整性原则，最终构建了包含全国295个地级以上城市的截面数据，样本覆盖我国85.3%的地级行政单元，具有较强的代表性。

3.2  工业人口分布特征

采用自然间断点法进行分级，得到中国工业人口密度分布（图1），结果显示，中国工业人口分布依空间尺度而呈现明显的非均衡特征。从宏观尺度来看，工业人口分布总体上以胡焕庸线为界，呈现东南密集、西北稀疏的格局，与全国总人口“东密西疏”的梯度分布特征基本一致。具体而言，东南地区工业人口平均密度较高，多数区域超过5人/km²；而西北地区除少数省会城市外，工业人口密度普遍较低，大多在1人/km²以下。东南地区密集的人口为工业生产提供了充足的劳动力和活跃的消费市场，吸引工业企业集聚；工业的集中创造了大量工业就业岗位，又进一步推动工业人口向该区域集中。从城市群尺度来看，京津冀、长三角、珠三角城市群凭借工业集群优势、完整的上下游产业链和完善的基础设施，形成了连片分布的工业人口高密度区域，其密度普遍高于20人/km²；而成渝、长江中游、中原、关中平原城市群的工业人口密度也均超过5人/km²，体现出明显的城市群–工业化协同发展特征。

此外，由图1可看出，在城市群内部，工业人口分布呈现以核心城市为中心的中心–外围空间结构。以珠三角城市群为例：深圳市作为区域科技创新高地，工业人口密度居全国首位，高达222人/km²；东莞市作为制造业供应链枢纽，工业人口密度也达到177人/km²；中山市与佛山市作为重要的工业城市，其工业人口密度为50～100人/km²；而江门、肇庆等外围城市则普遍低于5人/km²。珠三角城市群工业人口分布所呈现的中心–外围梯度递减特征，与已有研究（米瑞华等，2025a）中的西安都市圈工业人口以西安市城六区为核心向外逐级递减的单中心分布模式基本相符。大量工业人口集聚于城市群或都市圈内的重要工业城市，有利于快速响应区域内企业用工需求，推动工业技术进步，促进工业产业链的形成和完善，对区域工业发展具有重要的支撑作用。

为揭示中国工业人口分布的空间分异规律，采用莫兰I数和LISA聚类方法进行空间分析。由图2看出，中国工业人口分布存在显著的空间正自相关（I=0.389，p<0.01），具有典型的集聚分布特征。其中，工业人口H-H主要分布在长三角、珠三角等东部沿海地区。这些区域凭借完善的产业体系、优越的区位条件及显著的规模经济效应，持续吸引工业劳动力集聚，工业人口密度处于较高水平。工业人口L-L则主要分布于西部内陆和东北老工业基地。受自然环境制约、基础设施薄弱及产业转型滞后等多重因素影响，L-L面临工业劳动力持续外流的挑战，工业人口密度相对较低。L-H表现为低值区被高值区所包围，主要分布于长三角、珠三角城市群的外围地带，反映出这些区域工业人口在核心–边缘结构下呈现梯度扩散的特征。H-L则表现为高值区被低值区所环绕，典型如西安市作为西北内陆的工业人口高密度区，被周边低值区域包围，显示出较强的“集聚效应”“虹吸效应”，这一现象与区域经济总体发展水平、产业结构特征及工业空间布局密切相关。其他非显著区的工业人口集聚水平与周边地区的空间关联不显著。

中国工业人口地理集中度分布显示（图3），工业人口仍以胡焕庸线为界，呈现东南密集、西北稀疏的总体格局，且在成渝、京津冀、长三角、珠三角城市群表现出显著的工业人口集聚特征。这与上文所述结果一致，表明行政区划面积差异所导致的MAUP效应对工业人口分布特征的影响有限。

3.3  工业人口分布的影响因素

基于地理探测器的工业人口分布影响因素分析结果显示（表5），住房成本（q = 0.29）、数字经济（q = 0.274）、城镇化水平（q = 0.188）与收入水平（q = 0.141）是中国工业人口分布的核心驱动因子，表明经济因子在工业人口空间分布中起主导作用。工业劳动力更倾向于向居住成本较高、数字经济发达、基础设施完善且收入水平较高的区域集聚。自然地理维度中的地形和降水因子与社会发展维度中的人才集聚、医疗服务与交通基础设施因子也通过了显著性检验（p < 0.05），但q值相对较低，说明这些非经济因素可能通过影响人口迁移的成本与收益，对工业人口分布起到辅助调节作用。值得注意的是，尽管产业结构因子在10%的显著性水平上对工业人口分布发挥正向影响，但q值在所有显著因子中最小，影响力相对较弱。这间接说明，与产业结构相比，工业人口分布与表征区域经济发展规模的因素关联更为密切。为检验因子探测结果的稳健性，以工业人口比例替代工业人口密度，重新进行地理探测器分析。探测结果显示，住房成本（q = 0.137）、数字经济（q = 0.134）、城镇化水平（q = 0.244）与收入水平（q = 0.235）四个驱动因子均在1%水平上显著（p < 0.01），且保持正向解释力，表明前述单因子探测结果具有良好的稳健性。

3.4  驱动因子的空间异质性

对比GWR模型与普通最小二乘法（ordinary least squares，OLS）模型的拟合效果，发现GWR模型的拟合优度（R²=0.723），显著高于OLS模型的拟合优度（0.335），且其AICc（Akaike’s information criterion corrected）值（537.61）远小于OLS模型（724.29）；GWR模型各变量回归系数均呈现显著的空间分异性（p<0.01），表明其具有良好的解释力；条件数（condition number，CN）为2.998～12.612（CN<30），有效通过了多重共线性检验。上述检验说明，使用GWR模型揭示驱动因子的空间异质性具有数据上的适用性和方法上的必要性。采用自然断点法，将GWR模型的回归系数划分为五个等级。图5给出了核心驱动因子回归系数空间分布。

由图5（a）看出，住房成本因子（–0.269～1.71）在84.75%的区域呈现正向效应。城市房价作为区域竞争力的表征之一，通过“虹吸效应”在84.75%的区域，尤其粤港澳地区，促进了工业人口集聚，其与已有研究（兰宗敏等，2021）的结论基本相符；而在其余15.25%的区域，则因高房价抬升生活成本而不利于工业人口集聚，与已有研究（邓国营和冯倩，2020）的结论基本相符。图5（b）中，数字经济因子（–0.307～0.483）在60.34%的区域显示正向效应，尤其在珠三角、长三角东南沿海区域具有显著正向影响，主要发挥就业创造效应；而在北方则更易发挥就业替代效应。这与已有研究（沈宏亮等，2024；Mi等，2025）的结论基本相符。图5（c）中，城镇化水平因子（–0.301～2.409）的表现最具空间一致性，在91.86%的区域呈现显著正向效应，较高的城镇化水平带来规模经济和集聚经济，有利于降低交易成本、提升产业效率、扩大市场需求，进而有利于工业人口集聚；但受长三角城市群工业发展的“虹吸效应”影响，在中部地区少数地市出现负向效应，与已有研究（杨成凤等，2020）的结论基本相符。图5（d）中，收入水平因子（–3.041～0.473）极具空间分异特征，45.76%的区域具有正向效应，符合工业化–收入上升协同发展特征；其余54.24%的区域呈现负向效应，体现后工业化阶段工业人口密度和收入水平非协同增长的发展特征。

总体上，核心驱动因子通过差异化的空间效应塑造了中国工业人口空间分异格局。住房成本、城镇化水平因子主要发挥对工业人口的集聚效应，数字经济因子体现技术驱动的就业创造与就业替代的双重性下的空间异质性影响，收入水平因子则反映了发展阶段差异带来的空间异质性和复杂性影响。

需要指出的是，第七次全国人口普查数据虽然准确性和可靠性较高，但作为静态时点数据无法推断各影响因素随时间变化的趋势。根据韦伯的工业区位论和克里斯塔勒的中心地理论，运输、劳动力、集聚和城市规模等因素影响了企业成本，进而决定了工业企业的最优区位。工业生产所依赖的厂房、设备、基础设施（如港口、铁路）等固定资产投资建设后，其空间位置具有相对稳定性。上下游产业、专业劳动力市场、配套的生产性服务业等会围绕关键企业形成相互依赖的空间网络，在产业集聚效应的作用下强化其空间优势。仅当极端自然灾害、环保政策、国际贸易摩擦、颠覆性技术革命等外在因素打破工业布局的原始平衡时，工业人口分布才会脱离稳态，向新的相对稳态过渡。从微观个体视角来看，不同行业的岗位数量、收入水平、工作强度可以直接影响人们的职业选择，从而推动微观层面的工业人口分布动态调整。如果工业领域的工资增长放缓、岗位缩减，而现代服务业或现代农业能提供更高收入或更好的工作条件，则工业人口就可能向服务业或农业等其他产业流动；反之，若工业行业岗位充足、薪资待遇优于其他行业，便会形成“拉力”，吸引农业人口、服务业人口转入工业生产领域。因此，工业人口分布是在总人口分布的基础上，由各行业的相对收入、岗位数量、技能要求等因素相互影响和动态平衡的结果。

4  结论与建议

4.1  结论

为进一步优化工业劳动力要素的空间效能，扎实推进中国工业高质量发展，本文基于2020年全国人口普查数据，在地级市尺度上深入探讨了中国工业人口分布格局。选取自然地理、经济和社会三个维度的14项影响指标，借助地理探测器，精准识别了中国工业人口分布的核心驱动因素。在此基础上，利用地理加权回归模型进一步分析了这些驱动因素在空间上的异质性特征。

（1）中国工业人口分布与全国总人口的宏观分布格局基本一致，呈现以胡焕庸线为界、“东密西疏”的梯度格局。在此基础上，工业人口进一步在京津冀、长三角、珠三角等国家级城市群、较高行政等级的城市及沿海工业城市高度集聚，体现出城市群–工业化协同发展的集聚规律。在城市群内部，工业人口分布呈现明显的核心–边缘结构，密度由中心区向外围逐步递减。

（2）经济引力对中国工业人口分布具有决定性影响，住房成本、数字经济、城镇化水平及收入水平核心驱动因子对工业人口集聚表现出显著的正向解释力，居住成本溢价、数字经济发达、基础设施完善且收入较高的区域聚集了更多的工业人口。与此同时，自然地理、社会维度的影响因素对数字经济等核心驱动因子发挥着重要的调节作用，地形平坦、气候温暖和降水丰沛有助于增强工业人口的集聚效应。

（3）主要影响因素对工业人口分布的影响存在显著的空间异质性。其中，住房成本和城镇化水平在我国大部分地区主要发挥工业人口集聚效应；数字经济兼具工业就业创造与劳动力替代的双重影响，在东南沿海主要发挥就业创造效应，而在西北地区更易发挥就业替代效应；收入水平则依据区域所处的工业化阶段对工业人口分布产生差异化影响。

4.2  建议

以经济引力为核心驱动，以自然地理和社会因子为关键调节，在影响因素显著的空间异质性作用下，中国工业人口分布形成了宏观—中观—微观尺度上的集聚分布特征。据此，工业人口分布的优化需紧密契合区域经济发展格局，同时兼顾自然地理与社会多维度协同适配。具体政策建议如下。

（1）推动工业劳动力供给与工业企业用工需求在空间和时间上实现高效匹配。首先，建设全国工业职业技能信息数据平台，整合工业岗位需求与工业人才数据，利用大数据实现精准匹配，减少因信息不对称导致的结构性摩擦。其次，破除劳动力流动的制度壁垒，进一步放宽户籍限制，完善社保跨区域衔接，鼓励技术工人根据产业变迁跨区域流动，缓解“有岗无人”和“有人无岗”的结构性矛盾，提升工业人力资源空间配置效率，为工业新质生产力发展提供支撑，同时促进工业人口实现更高质量就业。

（2）从住房保障、数字基建和新型城镇化三方面协同发力，系统推进工业人口分布优化。首先，完善住房保障，在长三角、珠三角等工业人口密集区域，扩大保障性租赁住房与人才公寓供给，试点推行“租购同权”制度，降低工业人口居住成本。其次，加快数字基础设施升级，建设区域工业互联网枢纽节点，支持“智慧工厂+工业互联网平台”融合应用，鼓励传统制造业企业推进生产线数字化改造。最后，深化新型城镇化建设，实现全国社保、医疗、教育等公共服务跨区域一网通办，建设工业与居住混合平衡发展的新型工业化社区，增强城市群与工业枢纽对人才的吸纳能力。

（3）构建东西协同的工业人口分布调控政策。在东部沿海及工业发达地区，聚焦于强化数字经济的就业创造效应，支持企业应用人工智能、工业机器人等智能技术，推动“机器换人”“人机协同”并行的技术改造路径；开展“数字技能提升计划”，开发适应本地产业需求的工业数据分析、智能设备运维培训，推动工业劳动力向高附加值岗位转型。在中西部及工业后发地区，通过税收减免、用地支持等手段吸引东部优质制造业企业落地，重点培育区域性数字工业增长极，推动产业集群化、数字化发展转型，并及时关注数字化转型可能带来的就业替代问题。

未来研究可从以下三个维度拓展。一是在时间维度上，可通过构建动态空间面板模型，精准刻画工业人口分布及其影响因素的时空演变路径，进一步厘清影响因素变动的因果逻辑和演化路径。二是在空间维度上，可整合区县、乡镇乃至网格等多级尺度数据，系统辨析工业人口分布的空间异质性及其尺度效应。三是在结构维度上，可通过引入年龄、教育水平等人口学变量，深入解析工业人口内部的结构性差异，为优化工业人口分布、扎实推进工业高质量发展提供更具前瞻性和可操作的政策建议。