数字产业如何高质量发展——数字产业劳动密集型依赖及其突破视角.pdf

2023 年第 4 期(总第 259 期)人 口 与 经 济POPULATION&ECONOMICSNo.4,2023(Tot.No.259)数字产业如何高质量发展?数字产业劳动密集型依赖及其突破视角 江剑敏(福建商学院 国际经贸学院,福建 福州 350012)摘 要:数字产业作为地区发展的关键性产业,现有研究重点关注了其各种创新“引领”效应,但该产业自身发展状况尚未被充分探索。以新动能培育为研究视角,阐述劳动力成本与数字产业发展之间的关系,从量、效两个维度验证了当下中国数字产业发展的劳动密集型依赖情况,进而探寻企业自主研发调节引致其依赖的“摆脱”情况。结果表明:低劳动力成本因素是当下中国数字产业绩效增长的重要依托之一,中国数字产业发展存在劳动密集型依赖倾向。进一步研究发现,数字企业研发有助于提升其数字产业发展水平,强化规模的研发调节有助于缓解当前中国各地区数字产业发展对低劳动力成本的竞争依赖情况,同时,强化效能的研发调节则进一步扭转了其依赖状态,这意味着现阶段中国数字产业发展已进入从扩大规模到增强效能的过渡阶段。为控制内生性问题,引入各地区普通高等学校在校生人数的历史和当期交互项构建了人力资源供给指标作为数字产业劳动力成本的工具变量,结合多种稳健性办法进行回归估计,确认了结论的稳健性。为此,现阶段中国数字产业摆脱劳动密集型的发展依赖,不要过于留恋当下扩大规模所带来的“刹那芳华”,应加快培育“高品质”的数字产业增长极,做好提升效能的布局谋划。关键词:数字产业;劳动密集型依赖;自主研发;调节验证;工具变量法 中图分类号:F241.21 文献标识码:A 文章编号:1000-4149(2023)04-0022-19DOI:10.3969/j.issn.1000-4149.2023.00.045收稿日期:2023-02-13;修订日期:2023-05-03基金项目:福建省自然科学基金项目“离岸服务外包赋能福建数字经济增长的机制及路径研究”(2022J01382)。作者简介:江剑敏,福建商学院国际经贸学院副教授。一、引言在探讨数字产业的创新“引领”效应时,一个通常的设定是数字产业属于知识密集型产22江剑敏:数字产业如何高质量发展?业,该产业本身具有创新的先进性。现有大量的研究也是以数字产业的“创新先进性”作为前提,进而探索该产业的赋能、提质、增效等积极影响1。然而,事实可能并非如此。研究发现,当前中国绝大部分地区数字产业的发展已触及增长瓶颈,亟待跨越规模门槛,提升其产业效率2。为此,本文以数字产业发展为特定切入点,提出了一个反常识的假设:是否存在这么一种可能,当下中国数字产业发展的状况,和传统的劳动密集型产业一样,陷入一种依赖于低价竞争的“量贩式”增长?如这一假设被确认,可能给现有政策应用带来一个依据上的质疑。国内各地区纷纷出台扶持数字产业发展的区域性政策,以充分凭借其实现赋能地区传统产业转型、推进地区经济高质量增长等效果,由此带来一个值得深入探索的问题:如果现阶段中国数字产业的发展困顿于“压低成本”这一增长途径,其依旧有助于地区经济的产业结构优化及高质量增长吗?数字产业作为数字经济的动力来源,通过数字技术及创新成果转化等产业化过程,重塑了企业的核心竞争力3。现有研究表明,数字产业化过程产生了技能替代效应,增加了企业对知识和技能密集型劳动力的需求4,提升了企业的产品成本优势5,也突破了地区产业对低成本劳动力等传统生产要素的依赖6,且现有研究普遍认为企业数字化转型有助于降低其人工总成本及其所占的成本份额7,企业加强数字化应用,有助于降低劳动收入比重,减轻其劳动密集型依赖。但是,数字产业作为知识密集型产业,在数字产业化进程中“引领”了地区其他产业的数字化转型,加速推进了数字技术推广、数字产品应用,减少了对“低端”劳动密集型劳动力的需求,转而用知识和技能密集型劳动力予以替代,实现了产业内劳动生产率的提升。从劳动生产率角度考虑,数字产业发展应然不存在劳动密集型依赖才具有合理性。现有研究也表明,由于中国数字产业发展受限于国内长期收入分配格局的影响,劳动报酬在产业内收入分配中的占比偏低,影响了从业人员的积极性和创造性,对该产业助推经济高质量增长的实际效果产生了消极影响8。基于这些逻辑,提高劳动力成本有利于推动数字产业绩效增长的观点更具有说服力。基于以上讨论,中国数字产业发展与其产业内的劳动力成本变动存在某种关联9。为此,科学理性认识现阶段中国劳动力成本与数字产业发展之间的关系10,积极探索劳动力成本状况所引致数字产业发展这一经济增长“新引擎”的效应情况,可为打造数字经济新优势提供另样的借鉴。显然,既有的文献在分析劳动力和数字产业发展关系时,侧重强调数字产业发展对地区劳动力市场结构及就业质量等的影响,也初步探索了数字产业发展与劳动力成本、劳动生产率之间的关系,为本文开展研究提供了坚实的基础。但现有相关研究多立足于数字产业的“利他”视角,对数字产业自身的发展问题缺乏系统性探索,对中国各地区劳动力成本状况可能引致数字产业发展的影响尚未有充分论证,对当前中国“数字产业可能依赖于劳动密集型增长的情况”这一命题也缺乏必要的关注。为此,本文拟从以下三个方面予以探索:第一,劳动力成本是企业生产经营决策的重要32人口与经济 2023 年第 4 期管理内容,低劳动力成本是当下中国数字产业发展的重要“依仗”吗?本文拟通过产业层面的直接经验证据予以确认。第二,假使现阶段中国数字产业呈现为劳动密集型依赖的状态,如何度量这一“桎梏”?本文将对“低劳动力成本作为中国数字产业的竞胜 法宝”的现实状况进行验证和评判。第三,当前中国数字产业发展面临着核心技术和关键领域的“卡脖子”问题,亟待增强数字企业的自主研发创新能力11。那么,对数字企业研发进行干预能否获得良好的效果?本文将予以系统性探索。本文的边际贡献主要体现在四个方面:第一,突破了惯常认识,以现阶段中国数字产业可能具有“劳动密集型依赖”特征为设定,以此展开验证及系统性探索,丰富了数字产业发展的研究路径。第二,现有研究多从数字产业的“利他”角度,关注数字化的“需求端”发展,分析如何提升数字产业服务“需求”的能力,而本文将关注重心予以转换,以数字产业自身发展为研究对象,从“自利”角度探索当下中国数字产业作为“供给端”应如何高质量发展,为数字经济研究拓展了新的视角。第三,从规模和效能两个评价维度区分了数字产业发展的现况,据此探索了不同维度下劳动密集型依赖的影响,完善了数字经济发展领域的相关研究。第四,本文通过构建数字企业研发的调节模型,提出了一种用以观测在调节状态下产业发展的测度办法,为评价政策适用性提供了新的思路。二、特征事实与理论基础1.特征事实本文以产出绩效作为衡量地区数字产业发展程度的表征,考虑到中国数字产业发展兼有“量”和“效”的实践特征,本文从规模和效能两个维度予以探索:一方面,本文规模维度侧重考察地区数字产业的总收入,其可集中体现本地区数字产业化进程中经市场验证的数字化产品应用状况,同时选取其产业的总利润作为对照,二者结合有助于更全面地了解地区数字产业的规模扩张情况。另一方面,本文的效能维度主要考察了地区数字产业的平均收入利润率,其从产出效率角度刻画了地区数字产业的整体获利能力,可以较客观地估计出地区数字产业的真实生存状况。本文以软件与信息技术服务业为数字产业典型产业,采用中国各省级地区该产业的面板数据,以劳动力成本为自变量,以地区数字产业规模和效能为因变量,对变量之间的关系进行数据拟合。典型产业选取依据、变量设定说明等在本文的“样本说明与数据来源”及“变量说明”等部分做了阐述。本文将针对测算结果进行初步探索,结合理论分析提出本文的逻辑设想,进而形成待检验的命题。特征事实 1:地区内数字产业平均劳动力成本和数字产业规模发展存在正向关联关系(见图 1):劳动力成本与其规模扩大存在同向趋势,提高数字产业的平均劳动力成本推动了地区数字产业的规模扩张,不论是从总收入规模(avpay-income 线),还是总利润规模(avpay-profit 线),均得到了相同的结论。42各变量的取值区间为 20092017 年,以 2009 年为基期,并以各地区 CPI 指数为核算基数进行调整,以消除价格变动因素;如无特别说明,本文除比率及年限指标外,其他指标均取对数后纳入测算。江剑敏:数字产业如何高质量发展?图 1 劳动力成本与数字产业规模拟合图特征事实 2:图 2 绘制了中国各省份地区数字产业平均劳动力成本与数字产业效能的关联情况,可以明确:数字产业中平均劳动力成本与其效能水平之间呈现出反向趋势(图 2 中 avpay-efficiency 线),随着地区数字劳动力成本的降低,地区数字产业的效能也随之提高,这意味着中国数字产业的效能增长可能在一定程度上仍存在着低劳动力成本的竞争依赖。2.理论分析基于特征事实的观测表明,目前中国各地区数字企业的平均劳动力成本与数字产业图 2 劳动力成本与数字产业效能的趋同性观测规模发展呈现出正相关关系。中国数字产业发展经历了高资本投入阶段,“热钱”过后,整体产业可能迎来普遍性的要素结构调整,数字企业通过提高劳动力在要素配置中的占比,从而可能提升了全要素生产率,根据索罗的技术进步偏向理论12,在这一过程中,数字产业产生了知识要素偏向型的技术进步,加强了数字产业内平均劳动力成本和其产出绩效的正向关联度。此外,另一个支持性的解释是,特定产业内的资本要素强度过高,可能导致其投资报酬率下降,资本更容易被劳动力所替代,激发出要素替代效应,呈现出劳动力成本上升和绩效同步增长的状况13。但是,特征事实也表明,现阶段地区内数字产业的平均劳动力成本和其效能之间并未能呈现出完全的正相关性。这自然带来一个疑问:既然地区数字企业更青睐于采用知识和技术密集型劳动力,为何降低数字产业内的劳动力成本,反而有助于提升数字产业用以表征获利“能力”的效能水平?这显然与前述基于劳动生产率角度的推演结论相悖。相比其他产业,作为创新“引领”者的数字产业理应在单位劳动产出上具有更出色的“表现”,并在工资水平上体现出更优质的待遇状况,以此为推演,地区内数字企业的平均劳动力成本和数字产业发展,不论是规模扩张还是效能提升,均应呈现出同向趋势才具有合理性,即相比其他劳动密集型和资本密集型部门,数字产业降低该产业内的劳动力成本,呈现为更明显的“反”劳动密集型依赖的特征才更符合逻辑。实际上,目前所阐述数字化过程中的成本节约效应及由此探索出对劳动力市场结构52人口与经济 2023 年第 4 期和就业质量等的影响机制,以及通过要素替代效应、赋能效应进而推动劳动生产率提升等作用机制,本质上还是从“利他”视角进行考察。为此,现有理论分析可能“忽略”了两个较关键的事实:第一,现有文献没有区分“自利”和“利他”的不同视角,没有明确数字产业与其他产业在人力资源需求上的差异,可能导致将不同层次、不同能力倾向的人力资源放在同一层次予以测算,从而在衡量劳动生产率时,既忽视了劳动力用工在数字产业和其他产业等不同产业间的差异,也未能考虑产出绩效在产业间的发展差异性,可能导致结论产生明显偏误。第二,考虑到中国各省份对其所涉及数字产业相关指标尚未开展实质性统计,对既往相关统计数据也未见有系统性梳理,在无法直接获取各地区数字经济相关指标数据的情况下,现有研究在衡量数字产业相关问题时,通常采用多维评价结合赋权等将不同数字产业予以糅合。但是,这种从整体层面考察数字产业的办法,忽略了不同数字产业差异性和发展差距,所得结论可能具有局限性。此外,采用间接测算的办法割裂了同一数字产业内不同变量间的天然联系,也可能导致所得结论和事实存在明显偏差。如前所述,对当前中国数字产业发展中劳动密集型依赖这一问题的探索,可能更需要从其劳动力需求以及劳动生产率层面予以梳理。当前中国数字产业发展倾向为规模增长阶段,在这一发展阶段下,数字技术的外部引进吸收、数字新产品研制及商业化可能已不再是绝大部分数字企业的业务重心,数字企业更倾力于既有数字产品的普及、改造,以加速“收割”数字红利,在短时间内实现经济效益的最大化。这一状况也契合了当下中国数字化产品市场的真实需求:数字经济蓬勃发展,催生大量的数字产品需求,加速推动了数字产业的规模扩张。但是,从劳动力需求角度考虑,正是由于现阶段中国数字产业的发展重心发生转移,该产业用工需求的整体性导向随之发生变化:数字企业倾向于“短、平、快”的创新,停留于对现有数字技术的“修修补补”,缺乏对原发性、开拓性数字技术的研发意愿,研发岗位被大幅缩减,产业内对知识和技术密集等类型研发人员的需求明显削减;并且数字企业加大了市场开拓力度,将更多的用人需求转移至销售部门。这也导致劳动力市场进一步失衡,由于数字产业内积聚了大量知识和技术密集型的研发“熟练工”,劳动力市场上这类求职者也呈现出“供大于求”的状态,导致这一类型劳动力的市场价格更为廉价。这一情况带来的现实问题是,由于降低劳动力成本有了比较充分的市场“行情”依据,数字企业就有可能通过减少知识和技术密集型人员的成本支出来增加收益,加剧了劳动力市场的“劣币驱逐良币”现象,研发能力相对较弱但工资要求相对较低的劳动者更容易获得雇佣,在一定程度上弱化了数字产业的整体创新能力。此外,从劳动生产率考虑,数字企业加大了对销售岗位劳动用工的需求,按照通常的销售提成制方式予以管理,从销售业绩中提取相应比例的薪酬作为工资收入,产业内则呈现为平均劳动力成本增加和收入及利润规模增长的正相关。为此,客观评价劳动密集型依赖带来的影响,引导数字企业优化劳动力资源的内部配置,才是破除当下数字产业发展后劲不足的症结所在。62江剑敏:数字产业如何高质量发展?数字企业的研发创新活动拓展了地区数字产业的业务范围、规模及内涵,提升了数字企业对数字化新产品和新服务的创新开拓能力,对地区数字产业打造竞争优势起到关键作用14。然而,问题恰恰在于,当前数字企业在研发上的“投机”以及研发人员在劳动市场的“贬值化”,导致整体数字产业创新“乏力”,数字产品趋于同质化,产业发展陷入低价竞争态势。显然,目前数字产业内的这一状况无助于提升其收入利润率,长期而言反而损害了其产业的整体获利能力。这也许是造成前面特征事实中劳动力成本对数字产业的规模扩张和效能提升之间存在差异化影响的关键所在。鉴于此,从干预角度考虑,在当下数字经济发展方兴未艾这一大环境下,规模化增长的数字产品需求可能是当前阶段的一种必然。现有政策干预需立足于数字产业发展的阶段性特征,权衡规模扩张和效能提升之间的系统性关系,妥善运用好“数字企业研发”这一调节工具,如此才能为数字产业的高质量发展路径提供有益的引导。3.逻辑思路和基本命题基于以上分析,本文从规模和效能两个维度,构建了基于数字企业研发的调节对数字产业发展的劳动密集型依赖的逻辑设想。图 3 刻画了劳动力成本、数字企业研发及数字产业发展之间的逻辑关系。图 3 研发调节的逻辑关系图第一,本文考察地区数字产业发展的成本效应情况。如图 3 中第(1)条路径所示,为明晰劳动力成本及数字产业发展的关系,验证劳动力要素的成本效应情况,形成命题1、命题2。命题 1:地区数字企业的平均劳动力成本与地区数字产业的规模扩张存在负相关关系,数字产业规模发展存在着劳动密集型依赖状况。命题 2:降低地区数字企业的平均劳动力成本有助于提升数字产业效能,中国数字产业效能的提升存在劳动密集型依赖效应。第二,本文进一步验证数字企业研发对数字产业发展的影响情况。根据图 3 中第(2)条路径,从规模及效能两个维度分别确认数字企业研发的创新效应情况,提出命题 3 和命题 4。命题 3:数字企业研发对各地区数字产业的规模扩张存在创新效应。命题 4:数字企业研发能够促进地区数字产业效能的提升。第三,考察数字企业研发的调节效果。如图 3 中第(3)条路径所示,引导数字企业研发“聚焦”于数字产业的规模扩张及效能增强上,为探寻这一政策干预的有效性,构建命题 5 及命题 6。72人口与经济 2023 年第 4 期命题 5:如命题 1 的设定被验证,强化规模的研发对地区数字产业规模扩张产生积极的干预效果,即其有助于缓解数字产业规模扩张的劳动密集型依赖。命题 6:如命题 2 得到验证,强化效能的研发有助于缓解地区数字产业效能增强的劳动密集型依赖。三、实证研究设计1.样本说明与数据来源本文的研究立足于数字企业研发、劳动力成本以及数字产业发展等变量之间的逻辑关系,考虑到国内各省份对数字产业的平均劳动力成本、数字企业研发投入等重要指标未纳入统计,且相关指标也尚未有一致的测算口径,难以支持开展相应的研究,本文主要参照中国信息通信研究院所发布的 中国数字经济发展白皮书和中国电子信息产业发展研究院发布的 中国数字经济发展指数白皮书等报告将软件与信息技术服务业作为数字产业中典型产业的做法,选取该产业作为观测产业,核心变量均以这一典型产业对应指标为代理变量。综合数据的可获得性和完整性,本文核心指标的数据主要取自工业和信息化部运行监测协调局汇总发布的 中国电子信息产业统计年鉴,其余变量数据来源于各省份的统计年鉴,并在区域样本中排除了未列入 中国电子信息产业统计年鉴 统计的西藏自治区、港澳台地区及关键指标数据缺失的青海省,最终样本省份保留了 29 个,样本具有较强的代表性。此外,通常情况下企业经营活动的汇总测算多以年度为统计区间,本文使用年度数据作为样本的时间频度。另外,鉴于 2018 年开始的中美贸易摩擦对中国数字产业造成的“重挫”冲击,可能对本文研究结论造成偏误15,结合部分省份该产业的研发经费投入等重要统计指标自2009 年后才开始列入统计,本文研究选取的年限为 20092017 年。2.计量模型设定前面通过关键变量的数值拟合,初步探索了变量之间的逻辑关系,但相关分析均仅停留在逻辑推演及数据简单拟合的层面,可能存在两个不足:一方面,前述研究没有考虑到遗漏变量问题,研究过程也省略了观测变量之间相互依赖、互为因果的情况,在论证的方法上存在不足,可能影响到估计结果的无偏性。另一方面,鉴于数字经济已成为中国各地区政府重点关注产业,各地纷纷出台政策用以提振区内数字产业发展。但是,地区内政策扶持对数字产业发展的激励效果存在差异,各省地区数字产业发展的前期基础也存在事实差别,并且随着时间推进,其差异及其变动可能愈加明显。显然,忽略了各地区随时序变动的差别变化,可能导致结论产生偏误。基于上述考虑,本文将时间效应纳入控制,采用双固定效应模型为基准模型,形成如下基准模型:82中国信息通信研究院是中国工业和信息化部直属的科研机构,所发布的系列数字经济报告包括:中国信息经济发展白皮书(发布年限为 2015 年和 2016 年)及 中国数字经济发展白皮书(发布年限为 2017 年至 2021 年),其中 2018 年报告命名为 中国数字经济发展与就业白皮书。中国电子信息产业发展研究院是中国工业和信息化部直属的科研机构,又称赛迪研究院,自 2020 年起开始发布 中国数字经济发展指数白皮书。江剑敏:数字产业如何高质量发展?Digr,t=0+i(iKeyi)r,t+j(jConj)r,t+r+t+r,t 其中,Dig 代表数字产业发展,区分为规模和效能两个维度;Keyi表示影响地区数字产业发展的第 i 个关键变量;i表示该关键变量对数字产业发展的影响系数,是本文所关注的核心参数;r 和 t 分别表示地区维度与时间维度;Conj为除了关键解释变量以外第 j 类其他的控制变量;0为常数项;j为第 j 个控制变量的系数;r,t为随机扰动项;此外还分别控制了未观测到的地区差异 r和时间差异 t。3.变量说明本文研究目的是验证现阶段中国数字产业发展的劳动密集型依赖效应情况。研究内容包括:首先,根据命题 1 和命题 2,从规模和效能两个维度验证中国数字产业发展的劳动密集型依赖情况。其次,验证数字企业研发的创新效应情况(命题 3)。再次,考察数字企业研发所引致的劳动密集型依赖变动情况。此外,纳入研发与数字产业发展的交互项(命题 4 和命题5),检验各地区研发调节后,前述关键变量是否对数字产业的规模及效能增长存在更积极的影响。为此,首先,选取各省份软件与信息技术产业的收入总额、利润总额、收入利润率分别作为收入规模(lnincome)、利润规模(lnprofit)、效能(rate)等“数字产业”这一被解释变量的系列代理变量。关于被解释变量的选取依据,已在前面样本说明与数据来源等部分做了详细说明。其次,选取各省份软件与信息技术产业的平均工资作为地区数字企业的劳动力成本(lnavpay)的表征变量,验证低劳动力成本对数字产业发展的作用机理。再次,考虑到通常情况下地方政府采用债务融资和政府补助等配套资金方式,引导企业在经济资源上进行配置,以发挥出产业政策的积极效果16。显然,采用研发经费作为研发这一变量的表征,其研究结果具有政策借鉴意义。基于这一考虑,本文采用各省份软件与信息技术服务企业研发经费的总额作为数字企业研发(lnrd)的表征变量,纳入数字产业的各研发调节项(分别记为lnrdlnincome,lnrdlnprofit,lnrdrate),考察其依赖效应的变动情况,以探索政策干预的作用机理。本文研究结果的有效性可能面临以下五个方面影响:以省份层面作为区域样本开展研究,以同一年限、同一地区中不同企业的数字产业发展程度一致为假设前提,可能存在不可观测的地区内个体差异干扰,导致分类错误。数字产业发展与地区数字化基础、产业结构优化情况等均为地方宏观经济的重要内容,相关指标间存在明显的联动性,这种关联性可能导致出现反向因果的内生性问题。同一地区数字产业发展通常存在时序相关性,即地区数字产业当期的经济行为可能受前期发展积累的影响,如未加以控制,这种“往期遗留”的干扰可能导致参数估计结果产生偏误17。劳动力成本、数字企业研发等作为数字企业经营性决策的内容之一,和本文所选取的数字产业发展的规模和效能等指标存在直接相关性:一方面,如果企业加大研发投入和工资支出,就会导致企业的利润下降,利润率也随之降低。另一方面,企业减少研发和工资等支出,直接增加了利润、收入利润率等数字产业发展的观测指标值。数字企业之间的决策差异可能会影响数字产业发展的估计结92人口与经济 2023 年第 4 期果。地区内相关机构、企业等数字产品需求方对数字产品的选购决策,可能会基于维护地方利益等原因,对外形成一种类似于国别间存在的“数字保护主义”18,其他地区数字企业可能无法顺利或公平地开展市场竞争,导致本文估计有偏。鉴于此,本文拟采取四种办法予以处理:第一,采用合适的工具变量(IV)缓解、方面产生的内生性影响,将基准模型回归和工具变量法回归情况予以对照。第二,对和的问题,采用逐一添加控制变量的办法,观测各解释变量系数变动情况,以更好地控制并观测包括地区经济发展等指标在内的地区层面变量对被解释变量的影响。第三,对问题,本文引入被解释变量的滞后一期作为控制变量予以对照,考察控制前期发展积累后的影响。第四,考虑到宏观变量之间普遍存在着序列相关和异方差的情况,本文将结合两步 GMM 方法进行稳健性检验,以确认结果的可靠性。为获得更加可靠的结论,本文采用 1998 年各地区普通高等学校在校生人数(student)这一历史变量予以适当处理来构建地区数字产业发展所需的人力资源潜力指标,作为数字企业劳动力成本的工具变量。主要依据是:第一,地区普通高等学校在校生人数通常与当地高校设置、受教育适龄人口规模及区域性高等教育历史及变迁相关19,具有较天然的外生性特征。第二,工具变量选用历史上的数据,通常不会直接影响因变量“数字产业发展”,较好地阻断了工具变量与因变量之间的直接路径,从而满足了有效工具变量的外生性设定。此外,考虑到中国行政区域划分情况,该工具变量选取重庆第三次设置直辖市的次年(1998 年)的数据,以确保地区层面变量之间测算口径的统一性。第三,地区普通高等学校在校生人数能够影响劳动力市场的供需状况,其作为地区未来重要的人力资源供给来源,供给量可能影响到地区整体的平均工资率;并且数字企业的平均工资水平在一定程度上会以当地平均工资率作为参考,进而通过数字企业的平均工资与数字产业发展产生关联,该工具变量满足了与内生变量相关以及只通过内生变量影响到被解释变量的假定。但是,各地区在校生人数随时序存在着动态调整,将 1998 年各地区普通高等学校在校生人数作为工具变量可能过于单一,无法反映各地区随时间变动而产生的差异性,可能削弱工具变量的有效性,针对这一情况,本文参考了安古瑞斯特和克鲁格(Angrist&Krueger)在估计劳动力市场教育收益率中处理出生季度的办法,将 1998 年各地区普通高等学校在校生人数和地区年度普通高等学校在校生人数(lnystudent)的交乘项(lnstudentlnystudent)作为工具变量20,将该工具变量从单纯的宏观指标数据维度的限制中予以突破,并充分体现不同年份工具变量对内生变量的影响。结合前面分析与以往研究,本文在实证模型中还控制了数字产业的系列特征变量,以尽可能减少遗漏变量偏误。选取依据包括:研发队伍规模(lnrd_staff)与地区数字产业发展效果可能存在关联效应。通常情况是,研发队伍的相对规模越大,企业的技术创新能力就越强21,产业化效率可能也会越高。该变量侧重从研发人员的规模角度考察研发的创新绩效问03 1997 年 3 月 14 日,第八届全国人民代表大会第五次会议批准设立重庆直辖市,撤销原重庆市,1997 年 6 月 18 日,重庆直辖市政府机构正式挂牌。资料来源:重庆市地方志办公室,重庆地情概览,http:/ 1。表 1 主要变量定义研究范畴表征变量变量含义变量说明数字产业发展lnincome数字产业收入规模地区软件与信息技术产业的收入总额(人民币万元)lnprofit数字产业利润规模地区软件与信息技术产业的利润总额(人民币万元)rate数字产业效能地区软件与信息技术产业的收入利润率数字人力资本lnavpay数字企业的平均劳动力成本地区软件与信息技术产业的平均工资(人民币元)数字企业研发lnrd数字企业研发地区软件与信息技术产业的研发经费(人民币万元)lnrdlnincome收入规模的研发调节lnrdlnprofit利润规模的研发调节lnrdrate效能的研发调节lnrd_staff数字产业的研发队伍规模软件研发人员(人)工具变量lnstudentlnystudent人力资源潜力指标1998 年地区普通高等学校在校生人数(万人)与当年度地区在校生人数(万人)的交乘项其他变量lnGDP地区经济发展地区生产总值(人民币亿元)lninternet数字化基础互联网宽带接入用户(万户)lnprd公共研发地方财政科学技术支出(人民币亿元)isr产业结构优化各地区第二、三产业生产总值之和占地区生产总值的比重out外部依赖各地区进出口总额之和占地区生产总值的比重 注:表中非比率类代理指标的数值均予以取自然对数。4.描述性统计表 2 报告了各变量的描述性统计特征。不同省份地区数字产业发展存在程度差异,此外,本文所选取宏观经济指标中部分非比率指标间数值的量级差异较大,为此,已将非比率类指标的数值均予以取自然对数。可以发现,同一指标内及不同指标间的数值差距程度得到了明显改善,这一处理办法有效缓和了经济指标间共线性及因数值差异过大可能导致的异方差偏误。13人口与经济 2023 年第 4 期表 2 主要变量的描述性统计变量名称样本量均值标准差最小值最大值lnincome26114.59431.92999.778418.1826lnprofit26112.47502.01697.031716.5389rate2610.13370.06420.01850.4618lnavpay26110.5749 0.6773 9.242212.8448lnrd26111.87562.14916.829816.1864lnrdlnincome261177.276153.849267.3391294.3108lnrdlnprofit261152.265150.317348.4243267.7054lnrdrate2611.60670.86270.27045.8193lnrd_staff2619.72381.76965.673313.6410lnGDP2619.49660.79677.144111.2201lninternet2616.23280.85333.52648.0854lnstudentlnystudent26130.775310.80051.372847.1969lnprd2614.03730.97881.48166.7140isr2610.89620.05500.72340.9966out2610.45700.08110.33480.7143 四、实证结果分析1.基准回归分析(1)数字产业的劳动密集型依赖验证。本文分别从规模及效能两个维度,对现阶段中国数字产业的劳动密集型依赖情况进行探索,采用逐一添加控制变量的办法,控制了时间固定效应,确认回归结果具有稳健性。表 3 报告了部分回归结果,包括纳入除数字企业研发(lnrd)外的其他全部控制变量(第(1)列、第(3)列和第(5)列)以及纳入全部控制变量(表中第(2)列、第(4)列和第(6)列)等情况的回归结果用以对照。研究表明:第一,以收入规模为研究维度的数字产业发展的劳动密集型依赖效应情况未能明确。表 3 第(1)列中核心解释变量 lnavpay 的回归系数未能通过显著性检验,且第 2 列该变量的影响系数为正。以利润规模为被解释变量的数字产业发展与核心解释变量 lnavpay 存在显著的负相关关系(第(3)列和第(4)列),表明数字产业利润规模的增长受限于低劳动力成本竞争的态势。显然,在控制时间趋势后,降低数字企业的平均劳动力成本事实上是推动了各地区以利润总额为代理变量的数字产业规模发展。以收入和利润为规模维度衡量的数字产业发展的劳动密集型依赖效应情况存在差异,命题 1 并未获得完全支持。第二,降低数字企业的劳动力成本显著促进了以效能为研究维度的地区数字产业发展(第(5)列和第(6)列中 lnavpay 的相关系数均在 1%显著性水平上负相关),命题 2 得到了充分的验证。第三,强化数字企业研发(lnrd)显著推动了数字产业规模增长(第(2)列和第(4)列),但其在推动数字产业效能增强上不具有显著性作用(第(6)列中该变量系数为正,但未能通过显著性检验),命题 3 中数字企业研发对数字产业规模扩张的创新效应得以确认,但命题 4 未获显著性支持。结合前述理论分析,当前阶段国内大量的数字产品需求依然为数字产业的规模扩张提供了广阔的市场发挥空间,数字企业普遍倾向于在短时间内迅速“收割”当下的数字经济红利,23江剑敏:数字产业如何高质量发展?表 3 劳动密集型依赖的估计结果(双固定效应)变量规模(lnincome)规模(lnprofit)效能(rate)(1)(2)(3)(4)(5)(6)lnavpay-0.02980.0668-0.3708 -0.2513-0.0420 -0.0399 (-0.43)(1.05)(-3.91)(-2.36)(-3.24)(-3.04)lnrd未控制0.3752 未控制0.4642 未控制0.0081(4.76)(4.11)(1.28)lnrd_staff0.6649 0.3618 0.7044 0.3294 0.00710.0005(3.66)(4.92)(3.10)(3.24)(0.92)(0.06)其他控制变量控制控制控制控制控制控制常数项控制控制控制控制控制控制时间差异控制控制控制控制控制控制稳健性修正是是是是是是样本数261261261261261261R20.80230.85400.67930.75300.20760.2136 注:1.小括号内为对应的统计量 t 值;2.、代表检验结果分别在 10%、5%及 1%水平上显著。下同。在销售提成制等“刺激”下,数字企业在业务收入规模上保持了增长,企业批量采用研发“熟练工”以压低劳动力成本,这些情况可能带来以下结果:第一,在收入规模维度,研发团队的低工资率和销售团队的高提成率相互“抵消”,从而劳动力成本(lnavpay)和收入规模(lnincome)两个变量之间未能呈现出显著的相关性特征(见表 3 中第(1)、(2)列)。第二,在利润规模维度,利润指标中并没有包括劳动力成本部分,从而降低数字产业的平均劳动力成本显著提升了数字产业的利润增长这一特征得以显现(见表 3 第(3)、(4)列),呈现明显的劳动密集型依赖。第三,各地区数字企业倾向于以规模扩张为主导的模仿性研发,这从收入规模和利润规模均呈现为研发投入明显推动数字规模扩张的态势可以看出。此外,由于地区数字产业内企业普遍在寻求能力层面的创新谋划上缺乏动力,导致研发创新对数字产业提升效能未能呈现出显著性效果。根据前述“变量说明”部分对研究结果有效性的讨论,本文选取的软件与信息技术产业“收入总额”、“利润总额”和“平均劳动力成本”等观测指标相互之间存在着互为因果的关系,亦可能导致其回归结果产生偏误。由于命题1 和命题4 并未获得一致性验证,本文在后续回归中纳入工具变量予以进一步确认。(2)自主研发对劳动密集型依赖的调节。为探寻研发调节对当前数字产业发展劳动密集型依赖的影响,本文采用替换变量的办法,将数字企业研发(lnrd)替换为该变量与各被解释变量的交乘项,表 4 中报告了相应的回归结果(第(1)列、第(3)列和第(5)列)。此外,为确认调节结果的稳健性情况,将纳入数字企业研发(lnrd)作为控制变量的回归结果也列出以便予以对照(第(2)列、第(4)列和第(6)列)。表 4 的回归结果显示:以规模和效能为维度,研发调节均呈现出显著的正向调节效果(研发与被解释变量的交乘项回归系数均通过了 1%显著性水平),为此,进一步考察研发调节对劳动密集型依赖效应的影响。第一,从规模维度调节情况看,一方面,收入规模维度中纳入调节项(lnrdlnincome)后,核心解释变量劳动力成本(lnavpay)的回归系数没有发生根本性改变,均为不显著的正数(将表 4 中第(1)、(2)列和表 3 中第(2)列进行比较),但33人口与经济 2023 年第 4 期模型的拟合优度得到了较好提升,R2从 0.8540(表 3 中第(2)列)上升至 0.9155 和0.9405,表明研发调节可能存在影响。另一方面,利润规模的研发调节在一定程度上缓解了数字产业发展对劳动密集型的依赖。核心解释变量 lnavpay 的负向系数从显著(表 3 中第(3)、(4)列)变为不显著(表4 中第(3)、(4)列)。显然,强化规模的研发对地区数字产业规模扩张产生了干预效果。第二,从效能维度的调节情况看,数字企业的平均劳动力成本和数字产业发展呈现出正相关关系(表 4 的第(5)、(6)列),扭转了原有的显著负相关性(表 3 第(5)、(6)列),表明研发调节有助于将数字产业效能发展从低劳动力成本的竞争依赖中彻底“摆脱”开来。表 4 研发调节的估计结果(双固定效应)变量规模(lnincome)规模(lnprofit)效能(rate)(1)(2)(3)(4)(5)(6)lnavpay0.08030.0340-0.0852-0.06270.00230.0005(1.56)(0.68)(-1.05)(-0.83)(1.03)(0.26)lnrd未控制-0.5708 未控制-0.5814 未控制-0.0117 (-4.26)(-5.46)(-5.62)研发与被解释变0.0265 0.0507 0.0370 0.0593 0.0814 0.0837 量的交乘项(10.99)(8.78)(13.46)(12.70)(14.80)(15.94)其他控制变量控制控制控制控制控制控制常数项控制控制控制控制控制控制时间差异控制控制控制控制控制控制稳健性修正是是是是是是样本数261261261261261261R20.91550.94050.89430.93170.95160.9637综合以上分析,规模和效能两个维度对劳动密集型依赖的研发调节效应存在差异。