人力资本溢出与制造业升级——基于消费外部性的视角_李磊.pdf

作者简介:李磊，男，江苏淮安人，中山大学国际金融学院副教授，经济学博士，研究方向:产业经济学、发展经济学。*基金项目:国家自然科学基金青年项目“信息技术扩散政策对制造业升级的影响研究:效应、机制与优化”(72103211)，主持人:李磊;教育部人文社会科学青年基金“人力资本消费外部性影响制造业升级的理论机制与实证研究”(20YJC790064)，主持人:李磊。新华网 习近平在中央人才工作会议上的讲话 EB/OL http:/www news cn/2021 09/28/c_1127913654 htm经济问题探索2023 年第 3 期人力资本溢出与制造业升级*基于消费外部性的视角李磊(中山大学国际金融学院，广东珠海 519082)摘要:在巩固壮大实体经济根基这一背景下，如何增强制造业在经济社会发展中的引领和支撑作用成为了备受关注的重要问题。本文首先构建了一个包含制造业和服务业的两部门理论框架，从理论上说明了人力资本消费外部性影响制造业升级的机制，接下来利用省 行业数据以及 CHIP 数据进行了实证检验。研究发现:人力资本水平提升通过消费外部性这一渠道促进了生活性服务业的发展，进而在就业替代效应的作用下倒逼制造业升级，该结论在利用经济普查数据检验后依旧成立。具体而言，在专业化分工的驱动下，高技能劳动力占比的提升引致了对生活性服务的需求，促进了低技能劳动力工资上涨，从而迫使劳动密集型的低端制造业升级或者退出。上述的结论表明人力资本溢出对中国制造业转型升级有着重要意义。关键词:人力资本;消费外部性;生活性服务业;制造业升级中图分类号:F421文献标识码:A文章编号:1006 2912(2023)03 0126 17一、引言党的十九届五中全会强调坚持把发展经济着力点放在实体经济上，坚定不移建设制造强国、质量强国、网络强国、数字中国，推进产业基础高级化、产业链现代化，提高经济质量效益和核心竞争力。在“人口红利”式微、发达国家再工业化竞争、贸易摩擦等国内、国际因素的多重叠加之下，如何补齐短板，促进制造业升级成为了我国当下的重大现实问题。习近平总书记在 2021年中央人才工作会议上指出:“国家发展靠人才，民族振兴靠人才。我们必须增强忧患意识，更加重视人才自主培养，加快建立人才资源竞争优势。”目前已经有不少研究发现劳动力质量或者人力资本的提升对制造业升级有显著促进作用(苏杭和郑磊，2017;李磊等，2019;周茂等，2019)1 3。然而这些文献主要探讨了人力资本水平提升对制造业升级的直接影响，却忽视了人力资本溢出带来的间接效应。人力资本溢出一直以来都被认为是促进经济增长的重要机制。Lucas(1988)认为以学习效应621为主的人力资本外部性足够解释国家之间长期以来的收入差距4。Liu(2007)5 以及 Glaeser Lu(2018)6 的研究证实人力资本外部性在中国城市层面确实存在，他们分别利用 CHIP 数据研究发现城市平均受教育水平的提升对小时工资、月收入以及年收入都有显著正向影响。侯凤云和张凤兵(2007)7 以及 Fleisher et al(2010)8 则利用中国的数据实证分析表明人力资本溢出效应能在一定程度上解释城乡之间、地区之间的发展差距。除此之外，人力资本溢出效应在促进人口流动、提升企业绩效、改善城市发展等方面也发挥着重要作用(Moretti，2004a;Moretti，2004b;陆铭等，2012;梁文泉和陆铭，2015;梁文泉和陆铭，2016)9 13。人力资本溢出效应可以分为生产外部性和消费外部性两类(Broersma et al，2016)14。生产外部性是指劳动力人力资本对其他劳动者生产率的影响。生产外部性根据发生范围的不同又可具体分为马歇尔生产外部性和雅各布斯生产外部性(Fu，2007)15。马歇尔外部性又被称之为专业化效应。该外部性强调溢出效应主要产生于同一产业内的集聚经济，这种集聚能够通过人员流动、信息共享降低生产成本、促进技术创新。与之相对的，雅各布斯外部性被称之为多样化效应，主要强调行业间的溢出效应，例如具有不同行业背景劳动力间的协作往往更容易实现发明创造。现有的研究为了区分这两种外部性的各自影响，往往分别构建马歇尔外部性及雅各布斯外部性指数来加以识别(Duranton Puga，2000;孙三百，2016)16 17。消费外部性源自于亚当斯密的分工理论，产生于家庭生产向市场生产转变的过程中。Locay(1990)认为经济发展过程的一部分就是家庭生产向市场生产转移的过程，而人力资本水平的提升加速了这一过程18。具体而言，人力资本消费外部性是指高人力资本所有者通过生活性服务消费为低人力资本者创造了更多的岗位、提高了其工资水平。现实中人力资本集聚的大城市更容易出现家政、保姆等服务紧缺的情况，其缘由就是人力资本消费外部性。一方面，人力资本水平的提升会提高高技能劳动力工资水平进而增加从事家务劳动的机会成本，另一方面市场生产所具备的专业化分工优势又会降低服务的相对成本。在这两种成本效应的作用下，高技能劳动力占比的提升会增加对时间密集型的服务(Time Intensive Services)如餐饮、清洁等的需求，进而会通过这种消费的溢出效应(Consump-tion Spillover)增加对低技能劳动力需求，提高其工资水平(Manning，2004;Buera Kaboski，2012;Mazzolari agusa，2013;Liu Yang，2021)19 22。图 1第二、三产业就业比重(%)721生活性服务业是服务经济的重要组成部分，是国民经济的基础性支柱产业，它直接向居民提供物质和精神生活消费产品及服务，其产品、服务用于解决购买者生活中(非生产中)的各种需求。这一机制的存在使得教育的社会回报率大于私人回报率，产生了人力资本外部性(Broersma et al，2016)。本文主要是从消费外部性的角度来探究人力资本溢出对制造业升级的影响。2020 年，就业人员中具有大专及以上学历的高技能劳动力占比达到了 22.2%，而这一数字在“高校扩招”前的1998 年仅为 3.5%。如上所述，人力资本水平的快速提升促进了生活性服务的供给由家庭转向市场，导致生活性服务业的市场规模迅速扩大，由此引致服务业内低技能劳动力工资水平上升。在劳动力可以在低端制造业和生活性服务业间自由流动的情况下，受生活性服务业较高工资的吸引，必然会使得劳动力从制造业流向服务业并提高制造业内劳动力的成本。在这一过程中，部分低端制造业会因为劳动力的流失以及劳动力成本的上升而被迫升级甚至是退出市场。本文首先建立了一个包含制造业和生活性服务业的两部门模型，推演得到高技能劳动力占比的增加会通过服务消费渠道促使低端制造业的劳动力流向生活性服务业中，进而倒逼制造业升级。实证上，本文利用省 行业层面的数据以及 CHIP 数据实证检验了上述推论，结果发现高技能劳动力占比的上升确实通过消费的外溢效应促进了制造业升级。在具体的机制分析中，我们发现人力资本消费外部性对低端制造业的经营业绩产生了负面冲击，迫使其增加资本密集度，用机器来替代流失的劳动力。本文的贡献主要有三点:其一，以往的文献主要是从生产外部性的角度研究人力资本溢出对产业升级的影响(焦勇，2015;孙海波等，2017)23 24，本文则首次聚焦于人力资本消费外部性对产业升级的影响。现有文献一致认为劳动力成本上升是倒逼制造业升级的主要原因，并把劳动力成本上升归因于“人口红利”的消失，但是本文的结论表明劳动力成本特别是低技能劳动力成本上升的部分原因是由人力资本消费外部性引起的。其二，本文的结论有助于解释产业结构变动的库兹涅茨事实。图 1 展示了自 1978 年以来，第二、三产业就业占比的变动情况，可以看到自1994 年三产就业比重超过二产后，二者之间的就业吸纳差距进一步扩大(自2012 年后，二产就业比重出现了下滑，而三产就业比重则快速上升)，更多的劳动力涌向了第三产业。人力资本水平提升产生的消费外部性有助于解释劳动力持续流向第三产业这一现象。其三，本文的结论表明，在关注“人口数量红利”消失的同时还应该看到“人口质量红利”的到来，随着中国高技能劳动力占比的不断提升，中国制造业有望完成结构调整升级，实现制造强国的目标。本文接下来的安排如下:第二部分是一个简单的理论逻辑框架;第三部分是计量模型设定;第四部分是计量回归结果;第五部分是结论与政策建议。二、理论机制为了说明人力资本消费外部性影响制造业升级的具体机制，本文在 Manning(2004)模型的基础上引入了产业结构。假定经济中存在制造业和服务业两个部门，制造业部门存在高、低端两个中 间 品 生 产 部 门，分 别 生 产 Ch、Cl两 种 资 本 密 集 度 不 同 的 中 间 投 入 品。参 考Ju et al(2015)25，最终品 C 的生产函数用(1)式表示，其中 表示中间投入品的边际产出，有 h l成立。假定最终品 C 的价格为 1。C=hCh+lCl(1)中间品 Ch、Cl的生产函数分别用(2)、(3)式表示:Ch=minKa，Ns(2)Cl=Nu(3)其中 K 表示资本，a 表示资本密集度，Ns、Nu分别表示生产中投入的高技能劳动力和低技能劳动力数，我们假定高端制造业投入的是高技能劳动力，低端制造业投入的是低技能劳动力。假定 Ch、Cl的价格分别为 ph、pl，K 的价格为 r 且外生给定，高、低技能劳动力的工资分别为 s、u，竞争性均衡时分别有(4)、(5)式成立，其中，ph=h、pl=l由(1)式利润最大化条件得到。s=ph ar=h ar(4)821u=pl=l(5)服务业部门的设定与 Manning(2004)一致，假定服务业部门提供的服务与家庭服务相替代(生活性服务)，即劳动力可选择花费时间从事家务劳动，也可从市场上购买这些服务。假定劳动力花费 t0的时间从事家务劳动，并购买 t1时间的市场服务。则劳动力享受的总服务时间为:t=t0+t1(6)其中 1，表示代理成本，该成本是由服务人员工资税引起的。目前能与家庭服务相替代的基本上属于家政、保姆等生活性服务，并且这些服务都是通过雇佣低技能劳动力来提供的，所以我们假定只有低技能劳动力供给服务。受机会成本的影响，假定只有高技能劳动力会从市场上购买服务，低技能劳动力会自己完成所有的家务劳动，市场上服务需求可用(7)式来表示。随着 s的增加，服务的需求会增加，而 u的增加则会降低服务需求。t*1=td1(s，u)(7)假定劳动力总的可供给时间为单位 1，劳动力对时间的分配可用(8)式来表示，其中 n 是劳动力工作所花费的时间，tL则是用于闲暇的时间。t0+n+tL=1(8)进一步地，劳动力工作时间 n 的长短取决于实际工资水平，在这里由于 C 的价格为1，因而实际工资等于名义工资，如(9)式所示。n*=ns()(9)在这一简单的框架中可能存在两个均衡:均衡一:低技能劳动力较为丰裕，超过了低端制造业和服务业的需求(比如处于“人口红利”阶段)。此时一部分低技能劳动力会按照 u=l的工资水平从事低端产品生产，一部分则按照这一工资提供服务。均衡二:低技能劳动力供给小于低端制造业和服务业的需求(比如处于“人口红利”消失的阶段)。由于低端制造业的工资是 u=l，一旦服务业工资超过这一水平，所有的低技能劳动力都会流入服务业。(10)式刻画了此时低技能劳动力的工资水平，其中 Ls和 Lu分别表示经济中高、低技能劳动力数量。将(4)代入(10)式，变形后可得到(11)式。由(11)式可知，u会随着经济中高技能劳动力占比的增加而增加。Luns(u)=Lstd1(h，u)(10)LsLu=ns(u)td1(h ar，u)(11)令 f(u)=ns(u)td1(h ar，u)，由于 ns(u)是 u的增函数，而 td1(h ar，u)是 u的减函数，则 f(u)是 u的增函数。将(11)写成反函数形式即有(12)式成立。n=f1LsL()u(12)由(12)式可知，u会随着经济中高技能劳动力占比的增加而增加。上述的分析意味着在“人口红利”消失的阶段，当经济中高技能劳动力占比超过某一界限后，服务业中劳动力工资水平会超过低端制造业中劳动力的工资水平，由此会引致低技能劳动力从低端制造业流向服务业，进而促使制造业内部产业结构升级。921正如引言中所说，高技能劳动力工资水平较高，这意味着其从事家务劳动会面临较高的机会成本，相比之下，低技能劳动力从事家务劳动面临的机会成本较低。根据本文的设定，u的增加是有限的，其与工资税的总和需低于 h。三、计量模型与数据描述(一)模型设定从上述的理论逻辑可以看出，人力资本消费外部性对制造业升级的影响建立在生活性服务业的发展会吸纳低端制造业劳动力进入，继而倒逼制造业升级这一论断的基础上。因此，要想识别人力资本消费外部性对制造业升级的影响，实际上只要检验人力资本提升是否强化了生活性服务业发展对制造业升级的倒逼作用。然而第三产业分省分行业的数据缺失严重，导致我们无法直接计算生活性服务业占比，因而也就难以进行直接检验。在数据受限的情况下，本文的识别分为两个阶段:第一阶段利用交互项的方式检验人力资本水平提升是否强化了服务业发展对制造业升级的促进作用。理论上，服务业发展对制造业升级会产生两种影响。一是互补效应，高端制造业的发展需要生产性服务业的支撑，金融、信息服务等高端服务业的发展能够有效促进高端制造业的发展;二是替代效应，服务业发展会发挥就业转移作用，中国的低端制造业严重依赖廉价的低技能劳动力，在“人口红利”消失及服务业发展壮大的情况下，现有的劳动力会被日益发展壮大的餐饮、家政、房地产等生活性服务行业所吸纳，这势必会造成低端制造业内廉价劳动力的短缺以及劳动力成本的上升，从而倒逼低端制造业升级。在发现人力资本提升能够加强服务业对制造业升级促进作用的基础上，第二阶段具体分析是否是人力资本消费外部性发挥了主要作用。第一阶段模型的设定形式如(13)式所示。其中被解释变量 indupgradeit表示制造业升级程度，参考李磊等(2019)的做法，该变量是由 i 省 t 年制造业中高技术产业与低技术产业的相对产值计算得到，该值越大表示制造业产业结构越高级。使用这一计算方法的好处是，可以将制造业升级清晰地分为高端制造业扩张(分母增加)、低端制造业退出(分子减小)这两个部分，比现有的做法更容易讨论制造业升级的具体机制(周茂等，2016;周茂等，2018)26 27。需要说明的是由于工业总产值和工业增加值的缺失年份较多，因而这里用工业销售产值来代替，这也是近来文献中常用的做法(戴翔等，2016)28。highskillit表示高技能劳动力的占比，我们将大专以上学历的劳动力定义为高技能劳动力，这也是现有文献的标准做法(申广军，2016)29。servcieit表示服务业的比重，在具体估计中用第三产业增加值占 GDP 的比重来代替。为了减少遗漏变量的影响，(13)式的 X 中还控制了一系列省级层面的经济指标，包括人均GDP、第二产业占 GDP 比重、投资占 GDP 比重、FDI 占 GDP 比重、财政支出占 GDP 比重以及人口老龄化变量。除了这些控制变量外，(13)式还控制了省份固定效应(i)和时间固定效应(t)，以分别控制不随时间、个体而变因素的影响。indupgradeit=10+10highskillit servcieit+20highskillit+30servcieit+X+i+t+it(13)(13)式中虽然尽可能地控制了更多的变量，但是仍然可能存在由遗漏变量导致的内生性问题。各地不同的企业家精神、市场化程度、政府执政能力都会影响制造业升级的进程，如果这些因素与高技能劳动力占比、服务业的发展正相关，遗漏这些变量则会导致 10出现高估。(13)式中还可能存在反向因果问题。制造业的发展会引致对服务业的需求，例如企业投资新的生产线需要金融业的支持，生产销售需要仓储、物流服务的支撑等等。此外，制造业升级的过程中会创造出各种高工资、发展前景好的优质工作机会，这会吸引高技能劳动力向本地集聚、促使劳动力加强人力资本投资，从而导致 10出现高估。031除经济普查年份外，统计年鉴中的数据仅供我们在省层面计算该值。以上都是一些高估的情形，实际上，10也可能出现低估，高技能劳动力在空间、产业间的错配会导致这一情形出现。一方面，人力资本集聚地会出现高技能劳动力供大于求，人力资本溢价减少，从而会削弱人力资本消费外部性对制造业升级的倒逼作用;另一方面，人才流失地想要转型升级则面临着人力资本困境。同样地，高技能劳动力在产业间的错配也会延缓制造业转型升级的进程，比如人才的“脱实向虚”等等。解决上述问题的一种办法是为 highskillit及 servcieit分别寻找合适的工具变量。借鉴陈斌开和张川川(2016)的做法30，利用“高校扩招”这一准自然实验来构造高技能劳动力占比(highskil-lit)的工具变量。从外生性来看，始于 1999 年的“高校扩招”是由中央政府决定实施的，地方政府只负责执行，这样在一定程度上保证了政策实施的外生性。其次，从政策实施的目的来看，中央实施“高校扩招”的本意在于缓解就业压力，但该政策客观上确实促进了高技能劳动力供给的增长。以上这两点保证了工具变量所需满足的外生性要求。从相关性上来看，大学入学人数的增加扩大了高等教育的普及度，随着这些高学历人口进入劳动力市场，必然会提高高技能劳动力的占比。图 2“高校扩招”与高技能劳动力供给我们利用了“高校扩招”在时间和地区上的双重差异构建了高技能劳动力占比的工具变量。“高校扩招”政策虽然是中央制定的政策，但是该政策在各地实施的效果是存在差异的，那些在“扩招”前有较多高校的地区在“扩招”后会有更多的学生入学，考虑到毕业生倾向于本地就业，因而这些地区的高技能劳动力占比会提升较快。此外，随着“高校扩招”的推进，每年录取的学生人数也会存在差异，1999 年高校招生人数为 159.7 万人，2020 年已经达到 967.5 万人，招生人数的持续扩张会不断增加市场上高技能劳动力的供给。具体到工具变量的构建上，我们使用 1998年各省每百万人高等学校数分别乘以滞后四年的全国高等学校招生人数、录取率，以此来分别作为高技能劳动力占比的工具变量，滞后期的选择参考了陈斌开和张川川(2016)的研究。图 2 是基于省级数据描述的工具变量与高技能劳动力占比之间的关系，可以看到无论是用招生数还是录取率，二者所构建的工具变量均与高技能劳动力占比显著正相关。服务业占比的工具变量相对比较难找。我们主要是根据服务业本身的特点来构建工具变量。现实中，服务业集中度较高区域往往也是人口密度较高的区域(彭昱和周尹，2016)31。除了人口密度之外，建立起人与服务之间的联系同样重要，这就需要发达的公共交通系统。只有可达性较好的服务业集聚区才能持续获得大量的人流，否者消费者会选择“用脚投票”。因此，人口密度高、公共交通系统相对发达的地区其服务业会发展的相对较好，这意味着可用一个地区人口密度与人均公交车数的交互项作为服务业占比的工具变量。图 3 展示了基于省级数据得到的工具变量与服务业占比之间的关系，与高技能劳动力占比的工具变量的处理一致，人口密度与每万人公交车数均滞后了四年，这样能够保证工具变量与内生变量之间仅存在单向的逻辑关系。从图 3 中可以看到，由人口密度与每万人公交车数构建的工具变量与服务业占比显著正相关。131图 3人口、交通与服务业占比(二)数据描述本文省 行业数据选择的跨度为 20052016 年。选择这一样本区间有 3 方面的考虑:第一，数据开始于 2005 年是因为 2004 年是我国首次出现“民工荒”的年份，也是从这一年开始，越来越多的学者开始关注“人口红利”消失和中国制造业转型升级的问题。因此，样本从 2004 年后开始符合理论机制均衡二所需的前提条件。第二，截止 2016 年是因为 2016 年以后国家出台了一系列政策或者试点方案来推进制造业转型升级，在此基础上各地方政府也积极跟进出台了相应的制造业升级行动规划，而这些政策实施的影响难以仅依靠双向固定效应模型捕捉到。第三，本文用到的一些微观数据如 CHIP 数据以及经济普查数据，其样本期主要在 2013 年以前，因此将省 行业数据向后延伸会导致微观数据难以与之对接上。本文的数据主要有三个来源。一是 中国工业统计年鉴，该年鉴提供了制造业分省分行业数据，基于该数据我们参考李磊等(2019)，计算了制造业各行业 D 投入强度和投入广度，确定了高技术产业和低技术产业目录，并在此基础上计算了各省制造业中高技术产业与低技术产业产值的比值。高技术产业目录与李磊等(2019)一致，包括:医药制造业;通用设备制造业;汽车制造业;铁路、船舶、航空航天和其他运输设备制造业;电气机械和器材制造业;计算机、通信和其他电子设备制造业;仪器仪表制造业。行业分类标准依据的是国民经济行业分类标准(GB47542011)。二是 中国劳动统计年鉴和 中国人口与就业统计年鉴，这两个年鉴提供了各省劳动力分学历数据，基于该数据我们计算了各省历年高技能劳动力占比用来衡量人力资本水平。三是 中国统计年鉴，该年鉴提供了各类省级层面的经济指标。其中，我们用第三产业增加值占 GDP 的比重作为服务业占比的衡量指标，用人均 GDP 衡量经济发展水平，用第二产业增加值占GDP 的比重衡量产业结构，分别用全社会固定资产投资、FDI 以及财政支出占 GDP 的比重来衡量投资、外商直接投资以及政府支出的影响，用65 岁以上人口比重来衡量人口老龄化的程度。此外，用于计算工具变量所用的高校数、高校招生数、人口数、公交车数等数据均来自 中国统计年鉴。表 1 中给出了省 行业数据库主要变量的描述性统计结果。其中，a_profit 是用利润总额除以资产总额得到，s_profit 由营业利润除以主营业务收入得到，固定资产净值取的是年平均余额，用固定资产净值除以行业劳动力数据可以得到行业的资本密集度(资本 劳动比)。具体到我们关心的制造业升级程度变量，其标准差高达 49.15，这意味着各省制造业的高端化程度存在着较大的差异，本文正是从消费外部性的角度来解释这种差异形成的原因。231例如，浙江省全面改造提升传统制造业行动计划(20172020 年)等。除了省 行业层面的数据外，机制分析中还用到了中国家庭收入调查数据(CHIP)。中国家庭收入调查迄今为止已经进行了六次入户调查，本文使用了 CHIP2007、CHIP2008 和 CHIP2013 这三年的城镇住户样本数据。其中，CHIP2007、CHIP2008 均包含了 17 个省共 5000 个城镇住户样本(单位:户)，CHIP2013 则包含了 15 个省份共 7175 个城镇住户样本(单位:户)。因此，我们将CHIP2007 和 CHIP2008 组成混合截面数据库，CHIP2013 则单独分析。我们对原始样本进行了一些基本的清理:删除关键变量缺失的样本、赋值有误的样本，将样本限制在就业人口中，此外还进一步删除了雇主和家庭帮工样本，仅保留雇员和自营劳动者样本。相关变量的描述性统计结果如表 1 所示。表 1主要变量的描述性统计变量名变量含义样本量均值标准差最小值最大值省 行业数据indupgrade制造业升级程度906056.4349.155.401293.3a_profit资产利润率88547.8499.68730.28565.4s_profit销售利润率88446.1366.110187.158.00indlabor行业劳动力80149.69319.930.010341.3asset固定资产净值8703142.1259.503558indfirm行业中企业数量4374448.9867.219215highedu高技能劳动力占比906014.119.3373.00655.87service服务业占比906042.138.89828.6080.23lnpergdp人均 GDP906010.150.5718.47811.40sec第二产业占比906046.838.04019.2661.50invest投资占 GDP 比重906069.8723.2723.98137.1fdiFDI 占 GDP 比重90602.4031.8350.0398.198gov财政支出占 GDP 比重906021.979.5957.91862.69aging人口老龄化90609.4351.7935.47314.41CHIP20072008wage年工资收入12888303123215912960000edu受教育年限1288812.223.126125exp工作经验(已工作年限)1288812.0010.38049age年龄1288838.959.4561778gender性别(男性取 1)128880.5780.49401marriage结婚(是取 1)128880.8480.35901one child独生子(是取 1)128880.3180.46601CHIP2013wage年工资收入7154369172898250700000edu受教育年限715411.303.269021exp工作经验715412.4610.49065age年龄715442.169.6021681gender性别(男性取 1)71540.5640.49601331数据来源:北京师范大学中国收入分配研究院。续表 1变量名变量含义样本量均值标准差最小值最大值CHIP2013marriage结婚(是取 1)71540.9060.29201one child独生子(是取 1)71540.3340.47201party党员(是取 1)71540.2240.41701资料来源:作者依据统计年鉴以及 CHIP 数据统计得到。四、计量回归结果(一)人力资本提升、服务业发展与制造业升级表 2 给出了模型(13)的估计结果。第(1)列中仅加入了主要的解释变量，可以看到高技能劳动力占比增加的确强化了服务业发展对制造业升级的促进作用，交互项在 1%的水平上显著。与此同时，服务业发展本身对制造业升级也有着很强的促进作用。第(2)列中进一步控制了省级层面其他变量，并没有对主要结论产生影响。第(3)列中控制了省、年份固定效应，服务业与高技能劳动力占比的交互项对制造业升级的正向影响依旧存在。但除了交互项外，service 和 highskill均不显著，这意味着高技能劳动力占比提升对制造业升级的作用是通过拉动服务业的发展实现的。第(4)(5)列是工具变量法的回归结果。这两列的区别在高技能劳动力占比这一工具变量的构建上，前者是用滞后四年的招生数与 1998 年各地高校数的交互项作为工具变量，后者用录取率代替招生数构建工具变量，服务业占比的工具变量均用人口密度与每万人公交车数的交互项表示。两类工具变量的回归结果均表明高技能劳动力占比与服务业占比的交互项在 5%的水平上显著为正。弱工具变量的稳健推断检验(Anderson ubin Wald test)显示，两类工具变量均不存在弱工具变量问题。工具变量法下，交互项系数约是 OLS 估计时的 5 倍，这说明 OLS 估计结果受人力资本错配的影响确实存在显著低估。表 2高技能劳动力占比增加对制造业升级的影响被解释变量:indupgradeOLSIV(招生数)IV(录取率)(1)(2)(3)(4)(5)highskill service0.089(0.013)0.104(0.013)0.079(0.019)0.381(0.177)0.415(0.210)service1.956(0.423)3.537(0.559)1.019(0.746)13.913*(7.540)16.115*(9.242)highskill0.105(0.392)1.883(0.539)0.800(0.487)19.096(12.170)21.943(15.109)控制变量NYYYYProvinceNNYYYYearNNYYYA Test19.5720.1220.4750.7020.9580.6470.543样本量360360360360360注:括号中为稳健标准误，*、分别表示 10%、5%、1%的显著性水平，控制变量包括 lnpergdp、sec、invest、fdi、gov 以及 aging，下同。资料来源:作者估计得到，下同。431(二)人力资本消费外部性表 2 的回归结果表明高技能劳动力占比的增长会强化服务业发展对制造业升级的促进作用，但是并没有说明具体是通过哪种机制来促进制造业升级的。就本文而言，我们主要关心人资本消费外部性带来的替代效应是否倒逼了制造业升级。人力资本消费外部性促进产业升级主要是通过推高低技能劳动力工资水平、减少低端制造业领域劳动力数量来实现的。由于 CHIP 数据提供了个体从事的职业及其工资收入，这为我们检验人力资本消费外部性对生活性服务业工资的影响创造了条件。(14)式为扩展的明瑟收入模型，被解释变量为个体 i 的对数年工资收入，主要的解释变量为省(j)高技能劳动力占比与服务业比重的交互项，除此之外还控制了一系列省、个体变量，省层面包括人均 GDP(lnpergdp)、二产占比(sec)、老龄化程度(aging)，个体层面包括受教育水平(edu)、工作经验(exp)及其平方项(exp2)、年龄(age)、性别(gender)等。回归结果如表 3 所示，CHIP2007 2008 的第一列(行业工资)将样本限定在个体所在行业为批发和零售业、住宿和餐饮、房地产以及居民服务和其他服务业这四个行业，生活性服务业主要由这些行业构成。第二列(职业工资)将样本限制在职业为商业、服务业人员这一样本中。从回归结果来看，highskill service 前的系数在 1%的水平下显著为正，这表明高技能劳动力占比的增加确实通过拉动生活性服务业的发展提高了低技能劳动力工资水平。与前两列一样，CHIP2013 中也对行业和职业范围进行了限制，将样本限定在生活性服务业范围中，回归结果基本与前两列一致，交互项前的系数依旧在 1%的水平下显著为正。另外，从表 3 中还可以看到，高技能劳动力占比(highskill)对生活性服务业工资的直接影响为负，这与梁文泉和陆铭(2016)在研究城市人力资本外部性对服务业企业生产率的影响时遇到的情况一致(总体估计结果显示二者负相关)，可能的原因是高人力资本在创造更多服务需求的同时也加剧了服务业内部的竞争，从而对个体收入产生了负向影响。lnwageij=11+11highskillj servicej+12highskillj+13servicej+X+ij(14)表 3人力资本消费外部性对生活性服务业工资的影响被解释变量:工资CHIP20072008CHIP2013行业工资职业工资行业工资职业工资highskill service0.003(0.001)0.003(0.001)0.001(0.000)0.001(0.000)service0.011(0.009)0.020*(0.010)0.018(0.013)0.010(0.015)highskill0.208(0.065)0.201(0.064)0.107(0.024)0.110(0.031)省控制变量YYYY个体控制变量YYYY20.2750.2660.1970.189样本量3647294420701605表 3 证明了人力资本消费外部性确实推高了生活性服务业的工资水平，假定低技能劳动力可以在低端制造业和生活性服务业之间自由地流动，那么应该看到随着高技能劳动力占比的增加，低端制造业劳动力数量会减少。表 4 利用省 行业层面的数据进行了检验，模型设定与(13)式基本一致，不同之处在于被解释变量更换为行业劳动力数的对数，并且控制了行业与年份的联合固定效应，这样可以缓解遗漏行业变量造成的内生性问题。我们按照第三部分的定义将制造业划分为高技术制造业和低技术制造业，然后分别利用 OLS、IV 方法进行了分组回归。从表 4 的估计结果来看，高技能劳动力与服务业的交互项仅在低技术制造业一列中显著为负，这一结论在 OLS531及 IV 估计中均成立。结合表 3 可以说明，人力资本消费外部性确实推高了生活性服务业中劳动力的工资水平，进而促使劳动力从低端制造业流向服务业。表 4人力资本消费外部性对制造业劳动力数量的影响(基于省 行业层面的数据)被解释变量:劳动力数OLSIV(招生数)IV(录取率)高技术低技术高技术低技术高技术低技术highskill service0.0001(0.0002)0.0008(0.0002)0.0022(0.0016)0.0044(0.0018)0.0022(0.0016)0.0045(0.0020)service0.0492(0.0189)0.0195(0.0147)0.0938(0.0845)0.0531(0.0733)0.0852(0.0853)0.0749(0.0815)highskill0.0026(0.0107)0.0205(0.0086)0.1679(0.1143)0.2600*(0.1333)0.1705(0.1235)0.2763*(0.1505)控制变量YYYYYYProvinceYYYYYYIndustry YearYYYYYY20.8470.7510.8310.7140.8310.708样本量241655982416559824165598劳动力从低端制造业流向服务业会导致两种结果:一是低端制造业谋求升级，用先进的生产技术来替代劳动力;二是企业经营状况不佳，从该行业中退出，低端制造业的整体规模收缩。我们首先验证第一种情况。采用先进技术、用机器替代劳动力会使得资本劳动力比即资本密集度上升，为此我们将被解释变量更换为行业资本密集度的对数值，利用与表 4 同样的模型进行了估计，回归结果如表 5 所示。其中，OLS 回归与预期并不相符，高技能劳动力占比与服务业的交互项在高、低技术产业中都显著为负，但是这也可能是因为 OLS 回归模型中存在内生性所致。从表 2 工具变量法回归结果来看，在不考虑内生性的情况下，本文 OLS 估计结果存在显著低估。为此在表 5 的三至六列中，我们进行了工具变量回归，此时回归结果与预期一致，只有低技术产业中的交互项显著为正，这意味着在人力资本消费外部性的作用下，部分低端制造业确实在寻求转型升级。表 5行业资本密集度受到的影响被解释变量:资本密集度OLSIV(招生数)IV(录取率)高技术低技术高技术低技术高技术低技术highskill service0.0004(0.0001)0.0002*(0.0001)0.0003(0.0008)0.0024(0.0011)0.0001(0.0009)0.0025(0.0012)service0.0337(0.0111)0.0212(0.0100)0.0662(0.0469)0.0388(0.0428)0.0649(0.0473)0.0604(0.0484)highskill0.0108(0.0055)0.0038(0.0047)0.0115(0.0626)0.1687(0.0797)0.0023(0.0671)0.1822(0.0909)控制变量YYYYYYProvinceYYYYYYIndustry YearYYYYYY20.5450.6910.5170.6120.5200.598样本量241455862414558624145586631表 5 中证明了低端制造业升级的第一种情况，接下来我们进一步检验人力资本消费外部性对企业数量的影响。在表 4 省 行业模型的基础上，我们将被解释变量更换为行业中企业数量的对数。表 6 中 OLS 回归的结果显示，仅有低技术行业中交互项的系数显著为负，这与我们的分析一致，人力资本消费外部性的存在，导致低技术制造业中部分企业退出该行业。然而工具变量法与OLS 回归结果存在一定差异，低技术行业中的交互项系数尽管仍然为负，但不再显著。之所以低技术制造业中企业数量没有出现显著减少可能要归因于两方面。一方面，低效率的国有企业受预