數字經濟、就業與勞動收入增長

羅小芳 王素素

摘要：以大數據、云計算、人工智能、物聯網等為代表的數字技術與產業融合催生了數字金融、遠程教育、在線醫療、平臺經濟等新業態新模式，正在加速改造傳統產業，重新塑造行業企業的競爭優勢，深刻影響著社會就業與勞動者的收入增長。基于中國家庭追蹤調查（CFPS）數據的實證研究表明，中國東部地區數字經濟發展水平最高，中部、西部及東北地區均未達到全國平均水平，整體而言中國數字經濟綜合發展水平仍然較低。數字經濟能夠提高勞動收入，對不同群體的收入增長均有促進作用，對低收入群體的勞動收入提升作用更大。不可否認，數字經濟對于各群體的收入均有正向影響，對低收入群體的影響更大，這意味著數字經濟表現出一定的普惠性，有利于縮小勞動者的收入差距。提高數字經濟的發展水平是一個比較復雜的系統工程，政府要發揮引導與幫扶作用，加大數字基礎建設投入和勞動者的人力資本投入，加強產業與數字技術的融合，促進產業數字化轉型發展。

關鍵詞：數字經濟;產業融合;社會就業;勞動收入

基金項目：國家社會科學基金項目“高質量發展下制造業技術創新提升價值鏈的組織模式研究”（19BJL090）

中圖分類號：F124? ? 文獻標識碼：A? ? 文章編號：1003-854X（2021）11-0005-10

一、引言與文獻綜述

近年來，全球經濟增長乏力，全球化趨勢出現新的動向，大國博弈格局下中美貿易摩擦升級，2020年的疫情更是令全球經濟復蘇雪上加霜。雖然中國的疫情得到有效控制，但是經濟增長速度趨緩，國外出口需求下降，就業面臨著嚴峻考驗，經濟復蘇與勞動收入的增長迫切需要找到新的增長點。而數字經濟發展表現出驚人的活力，全球10% 的消費品零售已經轉向互聯網，全球40%的廣告支出轉向數字渠道。2018年中國數字經濟產值占GDP的34.8%，數字經濟領域就業崗位占當年總就業人數的24.6%，在全國總就業率下降的形勢下逆向增長11.5%。數字經濟與傳統經濟正加速融合，它對收入分配帶來的是“數字鴻溝”還是“數字紅利”？數字要素如何參與收入分配？數字化技術是否必然導致勞動就業的減少而不利于勞動收入的增長，而數字化技術的運用是否會導致勞動收入差距的進一步加大？研究這些問題對于減少貧困與縮小收入差距，真正讓勞動收入得以穩步提高，都具有重要的理論價值和現實意義。

數字經濟概念產生于互聯網經濟、信息經濟，1995年在Don Tapscott所著的《數字經濟：智力互聯時代的希望與風險》中出現，1998年美國商務部發布了《新興的數字經濟報告》，數字經濟的提法逐漸普及。數字經濟涉及到社會經濟領域的方方面面，以大數據、云計算、人工智能、物聯網等為代表的數字技術與產業融合，催生了數字金融、遠程教育、在線醫療、平臺經濟等新業態新模式，數字技術賦能傳統產業，使得數字經濟成為各產業發展的新動能，重新塑造了行業企業的競爭優勢。在中國這樣一個人口大國，數字技術對就業與收入增長都帶來了深刻而廣泛的影響，受到學界的高度關注。

一是數字經濟與收入差距的研究。數字經濟是信息技術與經濟的融合，包括數字產業與產業數字化，幾乎涉及社會經濟的所有領域，既有文獻主要是從數字經濟的某個維度展開研究與探索，研究熱點在于人工智能技術、數字產業化、數字金融對勞動及其收入差距帶來的影響。一些文獻認為數字化技術加劇了收入差距，特別是由于工業智能化、城鄉互聯網普及率的差異進一步拉大了城鄉收入上的差距①;勞動力市場內部收入差距拉大，人工智能技術的推廣使得勞動力市場兩極化，擴大了勞動者內部的收入差距②。由于技能型崗位的就業人數增加，競爭更加激烈，工資下行壓力持續加大，在收入分配上對高學歷高技能勞動者群體不斷傾斜③，青年群體更容易從數字經濟發展中受益，數字經濟紅利偏向于受教育程度高的群體④。數字經濟對農業類工作產生了負向影響，但是，對非農就業，特別是非正規就業具有顯著的促進作用，并且對創業者也產生了積極影響。此外，數字普惠金融的發展顯著地縮小了城鄉收入差距⑤。

二是關于數字經濟與收入增長關系的研究。一方面，數字經濟可以拓寬勞動者增收渠道，因為數字金融的發展對于農村家庭的創業行為有正向影響，有助于提升農村家庭收入⑥。此外，數字金融在為個人和小企業提供融資渠道方面能夠發揮重要作用，可以促進創業和收入增長⑦。從整體效應來看，數字金融顯著提升了我國城鄉居民人均可支配收入⑧，并且，對東部地區城鎮和農村居民人均可支配收入的提升效果要顯著大于中部、西部地區⑨。而新興消費、“長尾效應”催生了越來越多體制外、跨行業的就業崗位，打破了許多傳統行業的固有模式和業務范式，降低了諸多職業從業者的門檻⑩。另一方面，數字經濟對于勞動收入的增長存在一定的負面影響。比如，工業智能化降低了農業轉移人口的收入水平與工作的穩定性{11}。

三是數字經濟影響勞動收入的機理分析。（1）數字經濟通過提高就業與創業幾率帶來收入增長。大數據、云計算、物聯網等信息技術的運用與中國巨大的市場規模相結合，促進數字支付、共享經濟、平臺經濟、跨境電商等新模式新業態日益壯大，促進了就業與收入增長。（2）數字技術對勞動的替代性影響。人工智能技術對于勞動既有替代效應，也有補償效應{12}。從短期來看，過去幾十年自動化對人類勞動產生了替代效應，但是從長期來看對補償性工作產生了引致需求{13}。人工智能技術對不同技能勞動以及相對工資（收入不平等）的影響，在一定程度上取決于勞動替代性是部分替代還是完全替代。人工智能技術造成一部分勞動崗位的縮減，不利于收入增長，但數字技術的普及又會帶來一些行業生產規模的擴大，從而增加勞動需求，有利于收入增長。（3）產品需求彈性對于技術的就業效應具有調節作用，如果需求是富有彈性的，技術變化會帶來就業增長與收入增長{14}。雖然自動化與高技能勞動力互補，與低技能勞動力是替代關系，從而導致非自愿性低技能失業{15}，但是，低技能勞動力也受益于技術進步，只不過其受益程度低于高技能勞動力{16}。（4）產業數字化帶來的技術進步對勞動就業的影響具有不確定性，技術進步在不同的國家其偏向性不同，美國的數字技術偏向于資本，而中國的數字技術偏向于勞動。中國第三產業數字化發展最快，第三產業數字化轉型的一個重要特征是服務業可貿易性增強，能夠促進勞動生產率進一步提高，從而增加勞動收入{17}。

綜上所述，既有文獻是從數字金融、人工智能、自動化技術影響就業及收入等層面展開分析的，主要有以下幾個特點：第一，基于數字經濟的某個維度——數字金融、人工智能、互聯網水平的分析，而不是對數字經濟發展水平作出綜合測度，因而也就無法綜合評價數字經濟對于就業與收入的影響。第二，國內學者大多采用省級層面的數據而不是微觀個體數據，其研究結論是對省級層面收入均值的分析，主要反映數字經濟對于不同省份平均收入的影響。本文主要在以下幾個方面有所改進：第一，從數字基礎設施、數字產業、數字化應用、數字公共服務四個維度構建測度數字經濟的指標體系，并測算了我國30個省份2014—2018年的數字經濟綜合指數，實證結論在一定程度上體現了數字經濟對于收入的綜合性影響。第二，在測算數字經濟綜合指數時采用了動態權重而不是靜態權重的計算方法，即采用“縱橫向”拉開檔次法對各二級指標的權重進行動態測度，其測算結果更客觀合理。第三，構建了數字經濟影響勞動收入的機理模型，并采用勞動者個體微觀層面數據檢驗了數字經濟影響收入增長的中介機制，有別于采用省級層面數據的均值分析方法。

二、理論模型設計

目前來看，數字經濟對于勞動的影響具有不確定性。一方面，數字技術的進步將取代很多工作崗位，導致更高的失業率和更大的不平等。據估算，約占美國總就業人數47%的職業在未來一兩個10年內面臨著被計算機化的風險。另一方面，數字技術、自動化技術的發展創造了大量的新工作崗位。R. E. D. Vera（2006）對菲律賓11個行業的研究表明，電子商務在2000—2005年期間減少了1202個就業崗位，但卻創造了21298個新就業崗位{18}。英國政府在鼓勵電子商務投資后，在2000年成功地使男性和女性的自主創業人數分別增加了4.73%和19.06%。G. Domini等（2020）在研究法國制造業企業投資數字化技術對就業的影響時，發現數字化技術通過降低相應公司的離職率來提升同期的就業水平{19}。如果數字經濟偏向于勞動，那么就業增加，勞動收入將會上升。我們借鑒D. Acemoglu（2007）的要素增強型生產函數，解釋在一定的條件約束下數字經濟的發展如何增加就業提高工資收入的機理{20}。

假設一個經濟體只生產一種最終產品，在生產過程中使用兩種要素L和K，L表示勞動，K表示資本。所有經濟主體的偏好都用最終產品的消費來衡量，而要素供給總量是無彈性的，令勞動總量為L，資本總量為K，L∈R+，K∈R+。該經濟體由全部的企業i組成，i∈Φ，Φ是連續集。企業提供最終產品，每個企業有相同的生產函數，實際總產量為G（L，K），生產要素的使用由企業決定，生產中采用的技術θ為二維變量，設θ=（θL，θK），且θ=（θL，θK）∈R2+，技術由技術生產者提供，在數字經濟下技術變化會改變勞動要素的投入。

假設生產函數為要素增強型，總產量為G（L，K，θ）=G（θLL，θKK），G在L、K上是連續的、二階可微、凹的，且在L、K上是同位函數。

進一步地，可以設生產函數為：

G（L，K，θ）=[α（θLL）+（1-α）（θKK）]（1）

公式（1）中的α為要素L的分配比例，（1-α）為要素K的分配比例，σ是要素L和K的替代彈性。

σ=∣θ/θ（2）

公式（2）可以寫成另一種形式：

=（2'）

生產技術θL、θK的成本C（θL，θK）在θL、θK是連續的、二階可微、凸的同位函數，出于簡便的目的，可以將生產θL和θK的成本設為θL1+δ、θK1+δ，δ>0，可見技術具有報酬遞減特征。記C（θL，θK）的一階導數為CL、CK，則有：

CL==（1+δ）θLδ（3）

CK==（1+δ）θKδ（4）

==（5）

可得：

δ=（6）

G（L，K，θ）=[α（θLL）+（1-α）（θKK）]-（θL1+δ+θK1+δ）（7）

均衡技術θL*、θK*滿足公式（7）的一階條件，可得如下方程式：

=（）（）（8）

將（8）式可以改寫為：

=（9）

當σ>1，=>0（10）

且=>0（11）

公式（10）、（11）說明當σ>1時，技術θL相對變化的方向與L的相對變化是同向增長的，也就是說技術是偏向于勞動力的，并且促進了就業的增長與工資的提升。

三、數字經濟綜合指數的測度

本文旨在分析數字經濟發展水平對于提高勞動收入的影響，為此需要對數字經濟發展水平進行測度。目前有多種數字經濟的測度方法，每一種測算方法的指標體系各有千秋。阿里研究院從數字基礎設施、數字消費者、數字產業生態、數字公共服務、數字科研五個維度，每個維度各占20%的權重對2018年全球數字經濟發展指數進行了測算;騰訊從數字產業、數字文化、數字生活、數字政務四個維度測算了2019年“數字中國指數”;上海社會科學院構建的2017全球數字經濟競爭力指數是由數字基礎設施競爭力、數字產業競爭力、數字創新競爭力、數字治理競爭力四個維度復合計算而成的。在參考上述測算方法的基礎上，結合本文的研究目的，并考慮到數據的可得性，本文設計了數字經濟綜合指數的指標體系。數字經濟綜合指數由數字基礎設施指數（D1）、數字化應用指數（D2）、數字產業發展指數（D3）與數字公共服務指數（D4）這4個一級指標、16個二級指標構成，具體設計參見表1。在二級指標中，2014—2018年的網上政務能力數據來源于中共中央黨校（國家行政學院）電子政務研究中心的歷年評估結果《省級政府和重點城市網上政務能力調查評估報告》，其他數據均來自2014—2018年的《中國統計年鑒》。

數字經濟綜合指數（dig）由表1的二級指標加權計算生成，為此先要計算各個二級指標的權重。對于權重賦值的確定，學術界大多采用靜態的權重值的計算方法，比如熵值法、主成分法等，然而，考慮到表1中的指標具有三維特征，并且數字經濟各方面在不同年份可能存在非均衡變化，因此，本文采用動態權重的評價方法——“縱橫向”拉開檔次法{21}。該方法的優點在于能夠客觀反映各指標的變化情況，充分利用數據自身的信息，因而使得綜合指標的測度結果更合理準確。

對于某一確定的年份t，假設各省數字經濟動態的綜合指數為：

yi=wjzij（12）

公式（12）中，i表示省份，i=1，2，…30，j表示二級指標，j=1，2，…16。yi表示i省數字經濟綜合指數，zij表示i省第j個二級指標值，wj為二級指標zij的權重。

為了減少量綱的差異，對zij進行歸一化處理。由于zij都是正向型指標，歸一化后的向量為：

xj=…=x1jx2j…x30j

下面計算xij的權重wj。{xij}是經過上面歸一化處理后的指標，xij的總離差可以表示為：

e2=（yi-y）=（wjzij-y）2

令，y=wjxij

那么，e2=Σy2i=（WX）f（WX）=WfHW

其中，W=（w1，w2，…，w16）f，H=XfX是對稱矩陣，

X=x1，1…x1，16…x30，1…x30，16

當W為矩陣H的最大特征值所對應的特征向量時，e2取最大值，則最能體現各評價指標的差異程度。

最后，運用Matlab2015b軟件求出H的最大特征值及特征向量，從而得到我國30個省份2014—2018年16個二級指標的權重，計算結果參見表1。根據這些權重值，再計算出每一年各省份數字經濟綜合指數，計算結果參見表2。表2列出了2014—2018年我國30個省、市、自治區和4大區域以及全國平均的數字經濟綜合指數（由于西藏數據缺失，故不包括西藏）。

從表2和圖1來看，2014—2018年全國數字經濟綜合指數與數字經濟發展狀況相符，表明本文的測算方法合理。全國數字經濟綜合指數有小幅波動，但表現出平穩增長趨勢。東部地區的數字經濟綜合指數有所下降，但仍然是全國最高水平，并遠超其他地區，而中部、西部以及東北部均未達到全國平均水平。不過，中部、西部地區的數字經濟發展水平不斷上升，發展趨勢良好，而東北部是唯一出現下降趨勢的區域，這個現象應該引起重視。從表2可以看出，在各省、市、自治區中，北京的數字經濟水平最高，上海居于第二位，廣東居于第三位，而甘肅、新疆、青海、寧夏等幾個省份的數字經濟綜合指數處于低位，東部、中部、西部及東北部地區的經濟差距在數字經濟上的表現一覽無余。盡管我國互聯網消費規模大，但是綜合衡量數字經濟發展水平仍然比較低，地區差距大，令人擔憂會不會形成“數字鴻溝”。因此，中西部地區要找準數字經濟發展短板，加快數字經濟與傳統產業融合，讓數字經濟成為高質量發展的新動能，這是在未來不落后于其他地區的關鍵所在。

四、實證分析

（一）模型的設定

為了分析數字經濟對于勞動收入的影響，本文在A. B. Krueger（1993）的研究{22}基礎上構建了基準模型如下：

lnwageijt=α+βlndigjt+γXijt+μjt+εijt（13）

公式（13）中，i表示個體，j 表示省份，t表示年份，wage為工資收入，lnwageijt表示在t時期j省個體i所獲得的小時工資的對數值，dig為數字經濟綜合指數，X為控制變量，包括影響工資水平的微觀因素：受教育年限（edu）、健康（hea）、婚姻狀態（mar）、工作經驗（exp）、性別（gen）、戶籍（res），α為常數項，β為本文要測定的數字經濟發展水平對工資收入的邊際效應，γ為個體控制變量對工資的影響效應，μ表示省份固定效應的虛擬變量，ε是隨機誤差項。

由于基準模型所得到的是均值回歸，為了更全面地描述數字經濟對于不同收入群體的影響，本文采用分位數回歸模型：

Qτ（lnwageijt∣lndigijt，Xit）=ατ+βτlndigjt+γτXijt+μjt+εijt

（14）

其中，τ為分位點，Qτ表示條件分位數，其他字符含義與公式（13）相同。

由前文可知，就業是數字經濟提高勞動者收入的主要途徑之一，故本文以就業為中介變量，構建了中介效應模型，參見方程（15）—（17）。

lnwageijt=α0+α1lndigjt+α2Xijt+μjt+εijt? （15）

lnempijt=β0+β1lndigjt+β2Xijt+μjt+εijt （16）

lnwageijt=δ0+δ1lnempijt+δ2lndigjt+δ3Xijt+μjt+εijt（17）

（二）變量說明及數據來源

本文采用微觀個體層面的收入數據，數據來源于北京大學中國社會科學調查中心的“中國家庭追蹤調查”（CFPS）數據庫，該數據庫覆蓋2010—2018年（每隔兩年發布一次）中國25個省、市、自治區，樣本規模達到16000戶家庭，是以家庭為單位對勞動力的追蹤調查。由于結婚、離婚、離世等原因會導致家庭成員的變動，因此本文采用個人編碼對數據進行匹配，然后剔除無效數據，保留有效數據。為了與數字經濟綜合指數的年份保持一致，本文選取了CFPS數據庫2014年、2016年、2018年三個年份的調查數據，由于2016年的健康數據缺失較多，故2016年的有效數據比其他兩個年份的數據更少。

被解釋變量為勞動收入，以wage表示，數據來源于CFPS數據庫。相對于年工資和月工資而言，小時工資能夠剔除掉工作時間對工資的影響。在CFPS數據庫中，工資分為主要工作的工資與一般工作的工資，鑒于主要工作更具代表性且數據缺失值較少，所以本文采用主要工作的小時工資作為工資的衡量標準，即，小時工資=年工資/（每周工作小時數×4×12），并以2014年為基期進行了消脹處理。

本文的核心解釋變量是數字經濟綜合指數，用dig表示，該指數已經由本文計算所得。

控制變量包括被考察個體的婚姻狀況、健康狀況、受教育程度、工作年限、性別、年齡、戶籍，數據均來自CFPS數據庫?；橐鲇胢s表示，將未婚、同居、離婚、喪偶4種狀態均視為非在婚，表示為非在婚ms=0，在婚ms=1。健康用hea表示，將非常健康、健康、比較健康視為健康，即hea=1，將一般、不健康視為非健康，即hea=0。受教育程度用edu表示，按學制進行換算，具體為博士22年，碩士19年，本科16年，?？?5年，高中12年，初中9年，小學6年，文盲或半文盲0年，以上換算的前提是個體取得了相應學位證書。工作年限用exp表示，exp=年齡-6-受教育年數。性別用gen 表示，男=1，女=0。戶籍用res表示，農村=1，城鎮=0。表3是對這些變量的主要特征進行簡單統計性描述的結果。

（三）實證分析結果

一是基準回歸分析。由于2014年、2016年、2018年CFPS調查對象有變化，基準回歸采用2014年、2016年、2018年的橫截面數據與逐步回歸方法，實證結果參見表4（限于篇幅，表4將逐步添加變量的過程省略，只保留包含全部解釋變量的回歸結果）。

從表4可知，解釋變量dig在1%的水平上顯著為正，表明在這三個年份里數字經濟對勞動收入的增長有顯著的正向影響，對收入增長的邊際貢獻大于0.035。2016年的參數值最大，數字經濟每增長1%，每小時工資增長0.0740%。在三個年份中，其他變量的參數符號均顯著且相對穩定，表明勞動者個體特征變量包括教育、工作經驗、健康對收入有顯著的正向影響。其中，受教育程度對于收入的影響越來越大，由2014年的0.0016上升到2018年的0.0074。健康的參數值略有下降。工作經驗對收入呈正向影響，但是工作經驗的二次方的參數為負，表明工作經驗對收入影響具有邊際收益遞減特征。教育、健康、工作資歷都是勞動者人力資本的重要組成部分，人力資本越多，收入越高，這些實證結果符合經濟學解釋。此外，人口學統計變量中的性別、婚姻的回歸參數顯著為正，戶籍的回歸參數為負，表明男性收入比女性更高，已婚者收入比未婚者收入更高，這些參數基本符合預期。男性在就業上具有優勢，而有家庭者責任心更強。已婚者比未婚者更努力工作，因而收入更高。但是戶籍系數為負，表明農村戶口對收入增長是負向影響，城鄉差距對于農村勞動者收入的增長仍然是一種障礙。而戶籍的參數值變小表明這種不利影響在逐漸下降，隨著我國交通、信息、互聯網等基礎設施的逐步改善，數字經濟對于農村收入的提高發揮了正面作用。

二是穩健性分析。本文采用兩種方法對實證分析結果進行穩健性檢驗。第一種方法，考慮到數字經濟是主要的被解釋變量，因此本文采用主成分方法對數字經濟綜合指數再次進行了測算，并且將新的數字經濟綜合指數代入計量方程，實證結果依然表明數字經濟對于收入增長有較大的提升作用，對低收入群體的作用大于高收入群體，實證結果與前文的分析結論一致。第二種方法，本文采用工具變量對上述模型重新進行估計，以避免內生性問題。參照何宗樾等（2020）的方法{23}，本文采用被考察勞動力個體所在省份的省會城市與杭州的地球表面距離為工具變量，由于地理距離不隨時間的變化而變化，這將導致工具變量法的第二階段估計失效，本文將該距離標準化后，與每年全國數字經濟發展水平的平均值的交互項作為隨時間變化的新工具變量（dtdbz）。根據第一階段回歸的3個統計量來檢驗所選工具變量的有效性，Kleibergen-Paap rk LM 統計量在 1% 的顯著性水平上，拒絕“工具變量識別不足”的原假設;Kleibergen-Paap Wald rk F 統計量（大于10）拒絕“存在弱工具變量”的原假設;overidentification test of all instruments的過度識別檢驗，P值為0.0000，拒絕“過度擬合”的原假設。因此，本文所選工具變量是有效的。從 TSLS 回歸結果可以看出，變量lndig的回歸系數在1%的水平上顯著為正，這說明在控制內生性后數字經濟發展水平對勞動者工資增長的促進作用依然顯著，本文的實證分析結論是可靠的。

三是分位數估計。表6給出了2014年、2016年、2018年數字經濟對不同收入群體的分位數回歸估計結果，2014年、2016年的F值均顯著，而2018年的F值處于臨界值范圍?？傮w來看，數字經濟對于各分位點收入群體的影響系數顯著為正，20%的分位點回歸系數均大于0.05，而最后20%的分位點參數值大于0.03，反映了數字經濟對低收入群體的影響大于對高收入者的影響。分位數回歸結果表明，數字經濟對于整體收入的增長有較大促進作用，對各不同群體的收入增長均有正向影響，且對低收入群體的收入增長促進作用更大，這有利于縮小勞動者之間的收入差距，表現出數字經濟對于收入增長具有普惠性的促進作用。

四是異質性檢驗。為了進一步分析數字經濟對于不同區域、不同特質勞動者是否具有異質性影響，本文在上述模型的基礎上加入數字經濟與區域的交叉變量、數字經濟與各控制變量的交叉變量，實證結果發現數字經濟與性別、健康、戶籍的交叉項回歸系數均不顯著，其他交叉項的回歸參數參見表7。限于篇幅，表7僅列出回歸分析中交叉項的輸出結果。

表7中的第（1）、（2）兩行是以初等教育為基準值的估計結果，數字經濟與中等教育的交叉項（c_digedudj1）、高等教育的交叉項（c_digedudj2）系數在2014年都不顯著，在2016年數字經濟與中等教育的交叉項（c_digedudj1）系數顯著為正，在2018年上述兩項交叉項系數都顯著為正，并且數字經濟對受過高等教育的勞動者收入的促進作用更大，反映了教育水平對于收入增長的作用越來越重要。

表7中的第（3）行是對婚姻與數字經濟交叉項的回歸結果，這一項的系數在2014年、2018年均顯著為正，說明數字經濟的收入效應在婚姻上存在異質性影響。

表7中的第（4）、（5）、（6）行是數字經濟收入效應的區域異質性分析結果，以東部地區為基準值，數字經濟與西部地區交叉項（c_deregion2）的系數顯著為負，表明數字經濟對東部地區勞動力工資有顯著促進作用，但對西部地區勞動力工資并無促進效應，甚至是抑制了工資的增長。不過在2018年這種負面影響比2014年有所減弱。2016年、2018年數字經濟與中部交叉項的系數不顯著，表明數字經濟對中部地區勞動力工資收入的影響由負轉正，但效果不顯著;而2018年數字經濟與東北部交叉項（c_deregion3）的系數顯著為負，其絕對值逐漸變大，表明數字經濟對東北部地區的勞動力工資具有不利影響，這種不利影響在逐漸加劇。對照本文測算的數字經濟綜合指數可知，東北部的數字經濟發展水平有下降趨勢，由于東北地區第三產業發展滯后、政府科技投入不足、缺少增長極等一系列問題，導致東北部地區的數字經濟發展在全國處于落后水平，從而不利于勞動者收入的增長。

五是中介效應的分析。本文以就業為中介變量檢驗了數字經濟收入效應的傳導機制，回歸結果參見表8。由于解釋變量與被解釋變量的主要分析結果已經報告，限于篇幅，表8僅保留解釋變量與中介變量以及被解釋變量、解釋變量與中介變量的估計結果。2014年、2016年、2018年數字經濟對于收入增長的影響系數分別為0.0440、0.0466、0.0488，在1%的水平上顯著;數字經濟對于就業（中介變量）的影響系數分別為0.0380、0.0453、0.0403，表8的第（III）、（VI）、（IX）列是加入中介變量后的估計結果，影響系數在1%的水平上均顯著為正，而且在加入中介變量后數字經濟影響系數的值變小，表明就業在數字經濟與收入增長之間存在中介效應。

五、研究結論與政策建議

本文得到的主要結論有如下幾點：（1）從我國數字經濟綜合指數來看，東部地區增長速度趨緩，中部、西部平穩上升，東北地區的指數略有下降趨勢。全國平均水平在逐年上升，不過其平均值達不到東部地區的一半，這表明我國數字經濟發展的總體水平仍然比較低，除東部地區以外，其他三個地區均低于全國平均水平?？梢姡瑪底纸洕l展水平的地區差距較大，其差距之大甚至超過了GDP的地區差距。（2）數字化技術與產業的融合有待加強。從一級分項指標來看，各省、市、自治區的數字基礎設施、政府公共服務指數的離差小于數字化應用指數、數字產業發展指數的離差，而后者的離差高達10倍。這表明我國基礎設施、硬件設施較好，政府的數字公共服務也在逐步推進，但是各地區與數字經濟相關的產業發展水平差距大，這其中既包括數字產業的發展，也包括產業數字化運用。（3）數字經濟對收入的促進作用較大，教育、工作經驗、健康對收入有顯著的正向影響，受教育程度對于收入的影響越來越重要，而工作經驗對收入影響具有邊際收益遞減特征，男性收入比女性更高，已婚者收入比未婚者更高。（4）數字經濟通過促進就業提高勞動收入，盡管自動化、機器人取代了一部分工作崗位，但是我國仍然是勞動力資源豐富的國家，這可能導致數字技術的發展偏向于勞動，并進一步增加非自動化崗位的勞動需求，而數字經濟創造出的新勞動需求是促進勞動者提高收入的重要途徑。（5）數字經濟的發展對于教育程度、性別、婚姻、西部地區表現出一定的異質性特征，西部地區的數字經濟不利于收入增長。數字經濟在各分位點的系數均顯著為正值，表明數字經濟對于各群體的收入均有正向影響，對低收入群體的影響更大，由此來看數字經濟表現出一定的普惠性，有利于縮小勞動者之間的收入差距。

根據以上研究結論，本文提出以下政策建議：第一，加大數字基礎建設投入，為數字經濟發展夯實硬件設施基礎。在我國不少的省份，光纜密度、每百人使用的計算機數等指標仍然比較低，與東部地區相比，西部、東北地區的互聯網普及率落后很多。第二，加強產業與數字技術的融合，促進產業數字化轉型發展。北京、上海、天津、浙江、江蘇、廣東等地區發展領先，其他省份的數字產業從業人員、數字技術市場成交額以及人均收入水平都比較低，數字經濟還未能發揮經濟增長新動能的作用。第三，勞動者的人力資本積累來自勞動者自身投資，而這一點與勞動者收入緊密相關，由于收入低的勞動者無法進行人力資本投資，因此政府的公共財政對于人力資本投入非常重要。在信息化互聯網時代，勞動者受教育程度對于數字經濟發揮收入增長效應具有積極的意義，一方面，政府要加強基礎教育，盡早實現12年義務教育;另一方面，政府要有針對性地推出職業培訓計劃，提高勞動者從傳統產業到數字產業的職業轉換能力。

注釋：

①{11} 劉歡：《工業智能化如何影響城鄉收入差距》，《中國農村經濟》2020年第5期;賀婭、徐康寧：《互聯網對城鄉收入差距的影響：基于中國事實的檢驗》，《經濟經緯》2019年第3期。

② 蔡躍洲、陳楠：《新技術革命下人工智能與高質量增長、高質量就業》，《數量經濟技術經濟研究》2019年第5期;王林輝、胡晟明、董直慶：《人工智能技術會誘致勞動收入不平等嗎》，《中國工業經濟》2020年第4期。

③ D. H. Autor & A. Salomon，Is Automation Labour-Displacing？ Productivity Growth，Employment，and the Labour Share，NBER Working Paper，2018，pp.1-74.

④{23} 何宗樾、宋旭光：《數字經濟促進就業的機理與啟示——疫情發生之后的思考》，《經濟學家》2020年第5期。

⑤ 周利、馮大威、易行?。骸稊底制栈萁鹑谂c城鄉收入差距：“數字紅利”還是“數字鴻溝”》，《經濟學家》2020年第5期。

⑥ 張勛、萬廣華、張佳佳、何宗樾：《數字經濟、普惠金融與包容性增長》，《經濟研究》2019年第8 期。

⑦ 謝絢麗、沈艷、張皓星、郭峰：《數字金融能促進創業嗎？——來自中國的證據》，《經濟學（季刊）》2018年第7期。

⑧ 楊偉明、粟麟、王明偉：《數字普惠金融與城鄉居民收入》，《上海財經大學學報》2020年第8期。

⑨ 李牧辰、封思賢、謝星：《數字普惠金融對城鄉收入差距的異質性影響研究》，《南京農業大學學報》（社會科學版）2020年第3期。

⑩ 叢屹、俞伯陽：《數字經濟對中國勞動力資源配置效率的影響》，《財經理論與實踐》2020年第2期。

{12} D. Acemoglu & P. Restrepo， The Race Betwen Ma-chine and Man： Implications of Technology for Growth，

Factor Shares and Employment， American Economic Review， 2018， 108（6）， pp.1488-1542; J. Furman & R. Seamans， AI and the Economy， NBER Working Paper， 2015， pp.161-169.

{13} D. H. Autor， et al.， Untangling Trade and Technology： Evidence from Local Labor Markets， Economic Journal， 2015， 125（584）， pp.621-646.

{14} J. Bessen， AI and Jobs： The Role of Demand， NBER Working Paper， 2018， pp.1-27.

{15} K. Prettner & H. Strulik， The Lost Race Against the Machine： Automation， Education and Inequality in an R&D-Based Growth Model， CEGE Discussion Papers， 2017， pp.1-35.

{16} D. Acemoglu & D. Autor， Skills， Tasks and Technologies： Implications for Employment and Earnings， Handbook of Labor Economics， 2011， 46， pp.1043-1171.

{17} 彭文生：《從數字經濟到數字貨幣》，《新浪財經》2020年5月15日。

{18} R. E. D. Vera， The Employment Impact of Business-to-Consumer Ecommerce on Philippine Workers， Research

Paper， 2006， pp.1-85.

{19} G. Domini， et al.， Threats and Opportunities in the Digital Era： Automation Spikes and Employment Dynamics， Research Policy， 2020， 50（7）， pp.1-35.

{20} D. Acemoglu， Equilibrium Bias of Technology， Eco-nometrica， 2007， 75（5）， pp.1371-1409.

{21} 郭亞軍：《一種新的動態綜合評價方法》，《管理科學學報》2002年第2期。

{22} A. B. Krueger， How Computers Have Changed the Wage Structure： Evidence from Microdata， 1984-1989， Qu-arterly Journal of Economics， 1993， 108（1）， pp.33-60.

作者簡介：羅小芳，中南財經政法大學經濟學院教授，湖北武漢，430073;王素素，中南財經政法大學經濟學院博士研究生，湖北武漢，430073。

（責任編輯? 陳孝兵）