數字化轉型提高了企業勞動資源配置效率嗎?

李杰 沈宏亮 宋思萌

(首都經濟貿易大學 經濟學院,北京 100070)

一、引言

黨的二十大報告指出,要“增強國內大循環內生動力和可靠性,提升國際循環質量和水平”。為此,“十四五”規劃指出要“破除制約要素合理流動的堵點,矯正資源要素失衡錯配”,而優化和提高作為基本生產要素的勞動資源配置水平,無疑是重中之重。現階段,受戶籍、土地制度、社會保障體系等的制約,我國勞動市場仍然存在較多的要素錯配和流動堵點[1],研究顯示,若勞動資源錯配得到有效緩解,宏觀生產率可以提高33.12%[2]。基于微觀數據的經驗研究也表明,僵尸企業的存在[3]、勞動調整成本上升[4]等因素導致企業面臨勞動配置扭曲問題,勞動錯配成為制約企業生產率提高的重要因素。在此背景下,深入探討企業如何提升勞動資源配置效率,對于引導生產要素合理流動、挖掘資源要素潛力、推動經濟高質量發展具有重要借鑒意義。

20世紀90年代中后期以來,數字經濟逐步成為驅動高質量發展的引擎。作為數字經濟轉型和發展的主體,企業越來越重視數字化戰略及其集成應用。清華全球研究院發布的《中國企業數字化轉型研究報告(2021)》表明,越來越多的企業將數字化轉型提升到戰略層面,其中,制定清晰數字化戰略的受調研企業占比達到82.1%,與2020年相比提升了21.1%。《中國企業數字化轉型指數(2021)》則顯示,企業數字化轉型指數由2018年的37分上升至2021年的54分。隨著數字化的推進,數字要素不僅引起包括勞動、資本等在內的傳統要素稟賦和要素價格結構調整,而且使得要素技術效率和技術進步發生深刻的動態變革。在此進程中,雖然企業要素資源優化配置效率整體上不斷提高,但是要素稟賦及其價格的結構性調整也會誘發要素資源錯配問題。基于此,考察企業數字化轉型如何降低勞動資源錯配、提升資源配置效率,有助于為統籌推進數字化對實體經濟的增值提效功能提供有益參考。

近年來,數字化轉型與資源配置的關系逐漸受到學術界關注,但相關研究尚待深入。諸多文獻探討了數字技術與經濟整體資源配置效率的關系[5-8],但主要限于宏觀層面,沒有分離出數字化與勞動資源錯配的關系問題進行專門研究。部分學者討論了信息通訊、數字金融、互聯網等數字技術引致的勞動要素配置效應[9-11],但由于僅僅考察了特定數字技術,研究結論也不盡相同。雖然有文獻涉及企業數字化轉型對收入分配、人力資本配置和勞動生產率的影響[12-14],但是,少有基于勞動邊際產出和邊際成本匹配狀況對勞動資源配置效率進行的深入分析。另外,已有對數字技術要素配置效應的研究多使用多元線性回歸模型,需要設定變量間的函數形式,由此可能帶來模型誤設、維數詛咒等問題,導致估計結果出現計量偏誤。鑒于此,本文嘗試使用雙重機器學習模型考察數字化轉型對企業勞動資源配置效率的可能影響,并主要關注以下問題:數字化轉型究竟對勞動資源配置效率產生了怎樣的影響?改善還是加劇了勞動資源配置扭曲?如何作用于勞動資源配置效率?在數字化浪潮沖擊下,由于勞動數量和結構不同,企業面臨不同的勞動成本進而調整行為也存在差異。如果企業數字化轉型會提高勞動資源配置效率,實施數字化轉型對不同類型企業的影響是否存在差異?回答上述問題對于制定科學的數字經濟政策,更好地解決企業特別是中小企業“不會轉、不能轉、不敢轉”等問題,引導企業緩解勞動要素誤置有重要現實意義。

本文以上市公司為研究樣本,使用雙重機器學習模型檢驗了數字化轉型對企業勞動資源配置效率的影響、作用機制和異質性。可能的邊際貢獻有:第一,通過構建微觀層面勞動資源配置效率指標,考察了數字化轉型對企業勞動資源配置效率的影響,揭示了企業數字化轉型的勞動要素配置優化作用,豐富并拓展了企業數字化轉型經濟后果和勞動資源配置效率影響因素的相關研究。第二,使用雙重機器學習模型(DML)估計了企業數字化轉型的勞動資源配置效應,分別從微觀、行業和宏觀層面控制了高維協變量,能有效避免傳統參數回歸模型因函數誤設、多重共線性、維數詛咒等可能導致的變量估計偏誤問題。第三,系統探討了企業數字化轉型如何通過降低信息不對稱程度、引導企業配置更多有效勞動,提高企業勞動資源配置效率,厘清了企業數字化轉型對勞動資源配置效率的影響機理,為充分理解通過數字化轉型來提升企業勞動要素配置效率提供了參考借鑒。同時,本文發現盡管企業人工成本總規模呈上升態勢,但數字技術應用改變了企業勞動資源結構,使得企業邊際勞動成本短期內呈現下降趨勢。該結論對于用工成本日益提升情境下如何減輕企業尤其是民營企業用工貴等問題具有重要啟示意義。

二、文獻綜述

近年來,不少文獻研究了企業數字化轉型的經濟后果,包括企業績效[15]、公司治理[16]、企業價值[17]、資本市場表現[18]等。部分學者關注到人工智能、自動化等數字技術對勞動力市場的影響,但這些研究側重于討論數字技術在企業應用帶來的就業[19-20]、工資及收入分配[12]、勞動生產率效應[14],對數字化轉型與企業勞動資源配置效率的關系缺乏足夠關注。因此,本文在已有研究基礎上進一步分析企業數字化轉型的勞動資源配置效應。

企業經濟效益取決于生產要素數量和生產率兩方面,勞動資源配置效率則是生產率的重要組成部分。勞動資源錯配對企業全要素生產率存在明顯負向效應[2],因此,識別影響勞動資源配置效率的因素具有重要意義。現有文獻集中考察了勞動力市場分割[1]、產業集聚[21]、信息不對稱[22]、基礎設施[23]等對勞動資源配置效率的影響,但極少涉及數字化轉型對勞動資源配置效率的影響。部分學者探究了數字經濟發展引致的要素資源配置效應。例如,郭家堂和駱品亮(2016)[5]、黃群惠等(2019)[6]研究發現,互聯網發展對資源配置效率和全要素生產率的提升均存在顯著促進作用。韋莊禹(2022)[7]直接研究了數字經濟的資源配置效應,發現數字經濟發展能夠顯著提升企業資源配置效率,降低資源錯配程度。李慧泉和簡兆權(2022)[8]通過對技術企業的分析發現,城市數字經濟發展提升了創新資源配置并且存在顯著的空間溢出效應。然而,就數字化轉型對勞動資源配置效應的專門研究有待進一步深入。

少量研究勞動資源錯配的相近文獻多基于區域或行業層面的數據,且主要從信息通訊技術、互聯網發展、數字金融等角度進行分析,缺少企業層面的微觀研究。由于研究方法、樣本等方面的差異,已有研究所得結論也尚未統一。一些學者認為數字化發展對勞動資源配置效率的提升具有顯著促進作用。牛子恒和崔寶玉(2022)[9]將“寬帶中國”戰略視為一項衡量城市網絡基礎設施發展的準自然實驗,使用雙重差分模型進行研究發現,網絡基礎設施建設促進了勞動力流動并觸發產業集聚的形成,進而糾正了勞動配置扭曲。孫焱林等(2021)[10]基于地級市數據使用固定效應模型研究了數字金融對勞動錯配的影響,發現城市數字金融發展能夠改善勞動錯配,并且對城鎮化水平、金融發展水平較低的城市改善效果更好。同樣基于地區數據和傳統參數估計方法,孫雪等(2022)[11]發現,城市智能化應用能夠改善本地人力資本錯配狀況,對城市周邊地區卻表現出反向作用。對于東部地區和等級水平更高的城市人力資本錯配矯正作用更加明顯。另一部分學者則持不同看法,韓長根和張力(2019)[24]的研究表明,互聯網發展對地區資源錯配的改善存在一定門檻,只有當互聯網普及率達到一定程度才能改善勞動、資本配置的扭曲。白俊紅等(2022)[25]認為城市互聯網發展加深了地區整體勞動資源錯配,考慮勞動力異質性后,互聯網有助于高知識勞動力配置的改善,但對低知識勞動力配置會產生不利影響。

可以看出,既有文獻較少探究企業數字化轉型對勞動配置效率的影響,而部分考察數字經濟要素配置效應的相關文獻在研究視角、研究方法等方面還有待拓展。第一,這些研究大多基于宏觀數字化水平探究經濟整體資源配置效率或城市勞動資源錯配,從個體企業層面分析數字化勞動要素配置效應的較少。第二,使用的多是傳統多元線性回歸模型,要得到可靠的估計結果需盡可能多地控制宏微觀重要變量,并設定可能的非線性函數等,在計量上難以克服維數詛咒、模型設定偏誤等問題,可能會導致估計結果存在計量偏誤。

三、理論模型

(一)模型框架

1.生產方面

參考余東華和李捷(2019)[26]的做法,假設壟斷競爭市場中兩個代表性企業j的生產函數為C—D形式,將數據要素引入后,生產函數為

(1)

企業利潤函數表示為

πj=pjQj-rDDj-rkKj-(1+τj)wj(sj)Hj(IEj)Lj

(2)

其中,pj表示企業生產的產品價格,rD、rk分別為市場均衡條件下數據要素價格、資本要素價格。借鑒Hsieh和Klenow(2009)[28],以(1+τj)wj(sj)表示有效勞動真實價格,wj(sj)為市場均衡條件下的有效勞動價格;sj為勞動者搜尋到合適工作崗位的搜尋成本,有效勞動價格wj為勞動者搜尋成本sj的函數;在勞動市場供求雙方信息不完全的情況下,勞動者掌握的信息越多,就越有可能以較低成本搜尋到能給其提供更高工資的職位,進而獲得更高的工資[29]。τj表示勞動“扭曲鍥子”,衡量企業實際勞動資源配置與最優勞動資源配置距離,距離越遠則勞動配置扭曲越大。對式(2)求解企業利潤最大化問題,可以得到數據、資本和勞動的需求分別滿足

(3)

(4)

(5)

根據式(3)—(5),產品價格與要素價格之間滿足

(6)

同時,聯立式(1)(3)(4)(5)可得如下生產函數表達式

(7)

2.需求方面

假定一個代表性消費者的效用函數為CES形式

(8)

其中,U表示效用;ε表示產品之間的替代彈性;參數εj為常數且0<ωj<1,滿足ω1+ω2=1;cj表示商品消費數量。

消費者為實現效用最大化有

(9)

其中,E表示消費者的總支出。

求解消費者效用最大化問題,可以得到產品消費數量與產品價格之間滿足

(10)

3.產品市場與要素市場均衡

這時滿足

(11)

聯立式(6)(7)(10)(11),可得

(12)

上式對數字化轉型程度IEj求一階導數,可得企業數字化轉型的邊際勞動錯配效應(2)兩企業因數字化轉型程度不同而存在不同的勞動資源配效應,勞動錯配程度也不同。

(13)

(二)影響機制

1.信息不對稱程度

由式(12)對就業搜尋成本s1求導可得

(14)

2.有效勞動投入

四、研究設計

(一)模型選取

本文參考Chernozhukov等(2018)[34]提出的雙重機器學習方法建立如下線性模型

Y=Digitalθ0+Xβ+e,

E(e|X,Digital)=0

(15)

其中,式(15)為主方程,Y是被解釋變量,表示企業勞動資源配置效率;Digital表示企業數字化轉型程度(3)已有使用雙重機器學習模型的中文文獻中,關注的多是某項政策經濟效果,因而計量模型中核心解釋變量多為虛擬變量。本文主要關注的解釋變量即企業數字化轉型為連續變量。,θ0是數字化轉型的勞動資源配置效應系數,是本文主要關注系數。X是基礎控制變量及其各類函數轉換形式的控制變量集,包括企業特征、行業和宏觀因素等,X包括的控制變量具體函數形式可通過機器學習模型估計得到。e為誤差項,誤差項條件均值等于0。

為便于描述雙重機器學習模型估計流程,構建如下輔助方程

Digital=X′γ+V, E(V|X)=0

(16)

其中,V表示誤差項,其條件均值為0。

將式(16)代入式(15),可得

Y=X′η+U, E(U|X)=0

(17)

其中,η=β+γθ0,U=e+Vθ0。

另外,本文在模型估計時還使用了交叉驗證即“K折切分”法,該方法能夠有效避免樣本內過度擬合等情況,使模型的預測結果更具有一般性,具體估計流程如下。

第一步,將樣本隨機等分成K組,取第k組(k=1,2,…,K)作為輔助樣本,第k組以外的其他組作為主樣本。在主樣本中,使用Lasso對式(16)(17)估計,得到γ、η的估計值。

(二)變量測度與說明

1.被解釋變量

勞動資源配置效率。與從地區、行業層面測算勞動資源配置效率不同,本文借鑒徐舒等(2019)[35]對企業的勞動資源配置效率進行測算,具體估計過程如下。

首先,使用ACF法估計企業生產函數

lnYit=β0+βklnKit+βllnLit+βmlnMit+ωit+εit

(18)

其中,lnYit是產出的對數,lnKit、lnLit、lnMit分別是資本投入、勞動投入、中間投入的對數,ωit是生產率,εit表示隨機誤差項。Yit、Kit、Lit分別用銷售收入、固定資產賬面價值、員工人數衡量;Mit用企業銷售額減去增加值表示,其中,增加值=固定資產折舊+支付給職工以及為職工支付的現金+營業稅金及附加+營業盈余[36]。參考Roychowdhury(2006)[37]的方法,剔除分行業統計不足15家的樣本,估計得到勞動投入要素系數βl后,根據MPL=βl×(Y/L)計算得到勞動邊際產出MPL。

其次,以勞動邊際產出與勞動邊際成本的偏離程度相對于邊際成本的比值衡量勞動資源配置效率,比值越大表示企業勞動資源配置效率越低。具體指標如下

(19)

其中,MPL、B分別表示勞動邊際產出、邊際成本,邊際成本使用“支付給職工以及為職工平均支付的現金”表示。勞動資源配置效率的最優狀態為勞動邊際產出與邊際成本相等,即

MPL=MC=B

(20)

2.核心解釋變量

企業數字化轉型。由于數字化轉型是將數字技術與硬件系統深度結合,推動生產要素、生產過程數字化的系統性過程[38],因此,測度和反映企業數字化轉型的指標具有多樣性。有的學者從企業信息資產占比[39]、無形資產額占比[40]、資源計劃系統投資[41]等角度衡量企業數字化程度,這些度量方法存在指標維度較為單一等問題,僅能夠識別企業特定信息技術應用水平,難以全面反映企業整體的數字化轉型水平。另外一些學者通過文本分析方法捕捉上市公司年報中與數字化相關的關鍵詞數量方式測度企業數字化程度[42,18]。年報通常能夠折射出企業的經營理念和發展路徑,從年報中統計出與數字化關鍵詞的詞頻能夠較好地刻畫企業數字化轉型程度。因此,在構建企業數字化轉型指標時,參考趙宸宇等(2021)[42]做法使用文本分析法提取年報中相應關鍵詞詞頻測度企業數字化轉型程度,具體步驟如下。

第一,使用python爬取2011—2020年上市公司年報并將年報轉換為文本格式,以此作為數據池進行關鍵詞的統計。第二,將數字化轉型關鍵詞添加到jieba中文分詞庫,對樣本年報進行分詞處理后,統計年報中各維度指定關鍵詞的詞頻,分類歸集詞頻進行最終加總。第三,加總后得到的數據具有右偏性特征,對其取對數處理,進而得到企業數字化轉型的指標。

3.控制變量

為準確估計企業數字化轉型的勞動資源配置效應,參考劉慧龍等(2010)[43]的做法,納入如下控制變量:(1)企業層面:企業年齡(Age)、企業總資產(TA)、資本密集度(Capital)、總資產收益率(ROA)、凈資產收益率(ROE)、資產負債率(Leverage)、營業收入增長率(Growth)、所有權性質(SOE)、股權集中度(FirstShare)、管理層持股比例(CEOShare)、兩職合一(Dual)、董事會規模(Dirnum)、行業集中度(HHI);(2)宏觀層面:人均GDP(GDP)、市場化指數(Market)(4)限于篇幅,未展示各變量定義,留存備索。。

(三)數據來源和描述性統計

選取2011—2020年滬深A股上市公司數據為研究樣本,對樣本數據做如下處理:剔除金融行業樣本;剔除ST以及考察年限中退市、數據缺失的企業;剔除樣本期間進行IPO的企業;為弱化樣本異常值帶來的影響,對所有連續變量進行1%和99%分位上的縮尾處理。企業層面樣本數據主要來源于國泰安數據庫,其中董事會規模數據來源于銳思數據庫;城市層面樣本數據來源于《中國城市統計年鑒》,市場化指數來源于萬得數據庫,由于未提供2020年數據,借鑒劉慧龍等(2010)[43]做法,使用2019年的市場化指數替代2020年市場化水平。主要變量描述性統計結果顯示,勞動資源配置效率的均值為0.69,最大值為31.75,最小值為0.000 1,標準差為1.20,表明企業間勞動資源配置效率差異較大。

五、實證分析

(一)基準回歸

1.模型估計說明

基于Lasso方法分析企業數字化轉型與勞動資源配置效率的關系。選取企業年齡、總資產等控制變量,同時加入所在年份(時間虛擬變量)、所屬行業(二位數行業虛擬變量)及各企業固定效應變量為控制變量。除上述變量外,為刻畫變量之間可能的非線性關系,加入企業年齡、總資產、資本密集度等13個變量的二次項及交互項,總計共161個控制變量。將這些變量全部納入后,從高維數據中篩選出“關鍵”變量放入模型中。Lasso方法的系數估計如下

(21)

2.實證結果

(二)內生性處理

數字化轉型與勞動資源配置效率可能存在反向因果關系。數字化程度的提高引導要素合理流動,推動勞動資源配置效率提升;反過來,勞動配置狀況也影響到企業的數字化轉型進程。因此,識別數字化轉型與企業勞動資源配置效率之間的因果關系面臨一定的內生性問題。基于已有文獻選取以下變量作為數字化轉型程度的工具變量:數字化轉型程度滯后一期、同一城市同一年度同一行業的平均數字化程度、同一年度同一行業企業平均數字化程度、城市移動電話用戶數量等4個變量的二次項及交互項,共14個工具變量。若將以上工具變量全部納入模型可能會產生兩個方面的問題:一方面,目前實證研究中對工具變量的衡量尚無統一客觀的標準,工具變量大多依靠直覺人為設定。尤其是存在多個工具變量可選擇時,理論上使用其中一些工具變量估計優于其他工具變量,但是挑選有效工具變量多依靠經驗判斷,可能會使估計結果有所偏誤。另一方面,工具變量個數過多時,也可能存在弱工具變量及其導致估計結果有偏。

為此,結合雙重機器學習與工具變量模型進行估計,篩選出對數字化轉型預測能力較強的解釋變量作為工具變量。交叉驗證和Lasso方法篩選出來的工具變量有數字化轉型程度滯后一期、同一城市同一年度同一行業的平均數字化程度兩個變量,表3報告了使用以上工具變量后的估計結果。在控制內生性問題后,數字化轉型依然對勞動資源配置效率存在顯著的提升作用,使用工具變量的估計結果與基準回歸基本一致。

(三)穩健性檢驗

1.改變勞動資源配置效率的衡量

采用多種方法對企業勞動資源配置效率進行度量,具體包括:①基準回歸中使用的是ACF方法估計生產函數,這里分別使用LP、OP方法重新估計生產函數后計算勞動資源配置效率。②劉慧龍等(2010)[43]構建了對企業勞動數量的估計模型,以模型估計得到的殘差衡量勞動配置效率,借鑒他們的做法分年度、行業重新估計勞動資源配置效率

lnemp=α0+α1X1+ε

(22)

其中,lnemp表示企業當期年末員工人數的對數,X1是一系列解釋變量,包括:企業規模、資本密集度、企業成長性、資產負債率和資產收益率。其中,企業規模、資本密集度、企業成長性分別使用總資產取對數、固定資產占總資產的比重、營業收入增長率表示。使用式(22)殘差項的絕對值衡量勞動配置效率,該值越大表示企業勞動資源配置效率越低;殘差大于0代表員工冗余,表示實際雇傭員工數量大于最優水平;殘差小于0代表員工短缺,表示實際雇傭員工數量小于最優水平。員工冗余和員工短缺均不是最優水平,勞動資源配置效率需進一步提高。回歸結果見表4,可以看出,更換勞動資源配置效率衡量方法后對基準回歸結論的影響不大,數字化系數仍顯著為負,企業數字化轉型程度提高能夠顯著降低勞動資源錯配程度,提升勞動資源配置效率。

2.改變企業數字化轉型程度的衡量

采用以下方式重新衡量企業數字化轉型程度:①企業數字化水平在行業間可能存在差異,使用經行業均值調整后的數字化指標測算,該指標能夠反映行業內企業數字化程度的相對水平,記為digitaladj。②選取不同關鍵詞刻畫的企業數字化程度會存在差異,綜合趙宸宇等(2021)[42]、吳非等(2021)[18]研究中選取的關鍵詞,重新構建企業數字化詞典,統計各關鍵詞詞頻加總并進行對數化處理,得到數字化轉型整體指標,記為digitalsum。③參考袁淳等(2021)[38]做法,提取上市公司年報中“管理層討論與分析(MD&A)”部分的企業數字化相關詞匯詞頻數后,以詞頻總數占MD&A語段長度的比值重新衡量企業數字化轉型程度,記為digitalrate。從表5可以發現,采用行業均值調整、重新構建數字化詞典方法得到的指標進行的估計,均與勞動資源配置效率顯著相關,換言之,替換企業數字化程度變量后估計結果沒有實質性改變。

3.企業策略性行為

使用文本分析方法構建衡量企業數字化轉型指標,雖然有助于捕捉到企業真實運營情況,但一些企業可能存在信息披露的策略性行為,如故意夸大年報中數字化相關信息的披露次數等。為降低此類情況帶來的影響,參考袁淳等(2021)[38]:①創業板的上市企業多是高科技企業,這類企業本身可能會在更大范圍應用數字技術、更全面搭建現代化信息系統,數字化程度相對較高,鑒于此,剔除創業板的企業樣本后重新估計。②企業的策略性信息披露決策可能影響其是否在年報中披露數字化相關詞匯,因此剔除數字化程度為0的企業樣本后重新估計。③剔除受到證監會或證券交易所處罰的企業樣本。④僅保留信息披露考評結果優秀或良好的樣本重新估計。表6中列(1)(2)、列(3)(4)、列(5)(6)、列(7)(8)分別為以上4種方法調整后的相應估計結果。可以看出,數字化轉型的系數顯著為正,表明數字化轉型顯著促進了企業勞動資源配置效率的提高,即基本結論不因企業的策略性信息披露行為而發生實質性改變。

4.模型參數調整

由于模型估計過程中全樣本是隨機分成K組,這意味著最終估計值具有一定隨機性,為避免樣本隨機拆分帶來的估計偏差,使用循環交叉驗證的方法進行估計。將交叉驗證過程循環執行100次,進而取多次估計系數的平均值作為最終估計值。另外,在滿足稀疏性的假設條件下,條件參數λ的取值會對Lasso方法中變量的篩選產生重要影響,λ值越大,對系數的篩選越嚴格。基準回歸中使用的是理論推演(plugin)λ*值,這里分別使用自適應(adaptive)、交叉驗證(cv)方法確定最優λ*進行估計。表7列(1)—(3)分別為上述3種調整方式下的估計結果,θ0均顯著為負,表明數字化轉型對勞動資源配置效率的提升作用顯著存在,與基準回歸的估計一致。

(四)異質性分析

1.企業所有制

由于國有企業和非國有企業追求的目標、面對的資源稟賦狀況和獲得的政策扶持等存在顯著差異,因而有必要探討數字化轉型對不同所有制企業勞動資源配置的異質性影響。根據所有制性質將企業分為國有企業和非國有企業兩組樣本,表8是基于產權差異對數字化轉型的勞動配置效應異質性進行的檢驗。列(1)(3)和列(2)(4)分別是國有企業、非國有企業兩組樣本的估計結果。在國有企業和非國有企業組別中,數字化轉型回歸系數均顯著,即數字化轉型提升了國有企業和非國有的勞動資源配置效率,但對國有企業的促進作用相對更大且更加顯著。經驗p值表明國有企業與非國有企業樣本的系數差異在1%的水平上顯著。可能的解釋是,企業數字化轉型需要持續投入大規模的資金、技術和數字化人才。國有企業往往擁有較為充足的內外部資源,資金、技術實力和人才儲備更為雄厚,可以為數字化轉型持續提供保障。2021年,中央企業中已經有80多家建成了集團級數據中心,并且搭建了超過60個高水平工業互聯網平臺;另外,有2/3的中央企業研發機構實現了三維數字化和仿真,超過半數的企業已建成產業鏈數字化生態協同平臺(6)數據來源:http://www.scio.gov.cn/xwfbh/xwbfbh/wqfbh/44687/45087/zy45091/Document/1700605/1700605.htm.。與之相比,非國有企業面臨資源約束問題較為嚴重,資金、技術和專業化人才等網絡化智能化基礎薄弱,難以滿足數字化轉型所需的高成本、長周期等軟硬件投入的條件。因此,國有企業能夠更好地促進數字化技術與傳統生產組織流程的有機結合,推進全鏈條生產流程優化,進而帶來要素配置效率的改善,而非國有企業數字化轉型對勞動配置的優化作用可能需要較長時間才能完全體現出來。

2.勞動密集程度

從現實來看,紡織、服裝等勞動密集程度較高的行業相對更為依賴中低技能勞動力,從而此類行業的勞動資源配置對數字技術的投入更為敏感;而在冶金等勞動密集程度較低的行業,勞動資源配置對數字技術的敏感性則較弱。因此,本文使用企業勞動數量與資本投入的比值計算勞動密集程度,比值越大表示該企業勞動密集度越大。按照勞動密集度大小將樣本排序并分為3組,討論數字化轉型對不同勞動密集度組別企業的影響,結果如表9所示。列(2)(3)中、高勞動密集度企業數字化轉型系數顯著為負,列(1)低勞動密集度企業系數不顯著,K值調整為10時的估計結論仍保持一致。表明數字化轉型引起的勞動資源配置效率提升主要體現在中、高勞動密集度企業,費舍爾檢驗也在1%水平上,支持中、高勞動密集度企業與低勞動密集度企業的系數存在顯著差異的結論(7)此處將中、高勞動密集度企業合并為一組,驗證與低勞動密集度企業系數之間的差異。。原因可能是,隨著人口紅利逐步消失,勞動密集型企業面臨“招工難”“招工貴”等問題。國家統計局曾對9萬多家規模以上工業企業做過的一項調查顯示,其中44%左右的企業反映招工難是他們面臨的一大難題(8)數據來源:http://www.stats.gov.cn/xxgk/jd/sjjd2020/202104/t20210416_1816394.html.。勞動力短缺導致企業勞動力成本不斷上升,因此出現了許多勞動密集型產業由東南沿海向更具有比較優勢的中西部地區甚至東南亞等國外區域轉移的現象。在此背景下,企業逐步加速了機器人協助制造等智能化的探索,以廣東、浙江等東部沿海發達地區為代表的勞動密集型產業率先實施“機器換人”計劃,隨后實施智能制造的企業也正逐步向其它區域推進。智能化設備的引入替代了傳統靠密集勞動力完成的重復性、程序化工作,緩解了傳統勞動要素對企業生產的束縛,技術紅利正在替代人口紅利,勞動資源配置效率得到優化。

3.行業集中度

行業集中度是反映市場結構狀況的重要指標。一個行業的集中度越高,一般意味著行業中大企業的市場勢力越大,這些企業往往更有能力承擔智能設備投入帶來的高昂成本[19],能夠更加靈活、迅速地應對數字化的要素重置效應。為考察不同市場條件下數字化轉型的勞動配置異質性影響,用企業總資產計算得到的赫芬達爾指數衡量行業集中度,按照當年行業集中度中位數大小將樣本劃分為高行業集中度、低行業集中度組進行回歸,表10報告了兩組樣本的回歸結果。可以看出,數字化轉型對高行業集中度組企業的勞動資源配置效率有顯著提升作用,低行業集中度組中數字化轉型系數在K值取5時估計結果不顯著,K值取10時在10%的水平下顯著,不穩定的結果也從側面說明數字化轉型對低行業集中度組企業不存在顯著影響。說明行業集中度越高,數字化轉型對勞動資源配置效率的提升作用越大,費舍爾檢驗也驗證了兩組樣本系數之間的差異性。這可能是由于高行業集中度通常意味著企業資產規模較大,這些企業一般擁有相對穩定的高素質管理團隊和多層次數字化人才,能夠更加準確地把握轉型中的痛點、系統全面地制定數字化轉型方案,幫助企業在相對更短時間內以較低成本調整內部資源,從而提高企業內外部要素資源的利用效率。如海爾特種制冷電器有限公司建設的海爾中德冰箱互聯工廠,基于卡奧斯COSMOPlat等工業互聯網平臺,圍繞特種制冷冰箱定制、研發和采購等打造全流程的信息化、數字化系統,有效提升了產品品質和資源利用效率,成為智能制造、數字質量監控等方面的行業領先者。而低行業集中度的企業一般規模較小、生存競爭壓力往往較大、風險防控能力相對較弱,數字人才相對短缺,轉型多處于初期階段,對勞動配置的優化作用尚未取得明顯效果。

表1 主要變量描述性統計

表2 數字化轉型對企業勞動資源配置效率的影響

表3 內生性檢驗結果

表4 改變勞動資源配置效率衡量的穩健性檢驗結果

表5 改變企業數字化轉型衡量的穩健性檢驗結果

表6 去除企業策略性行為影響的穩健性檢驗結果

表7 調整模型參數的穩健性檢驗結果

表8 企業所有制的異質性分析結果

表9 勞動密集程度的異質性分析結果

表10 行業集中度的異質性分析結果

六、機制分析

(一)信息不對稱程度

數字化轉型能夠顯著提升企業的信息數據處理能力,有助于緩解信息不對稱問題。參照辛清泉等(2014)[44],使用盈余質量、企業信息披露考評結果、分析師盈余預測、是否聘用國際四大作為審計師等變量,綜合構建企業信息不對稱程度的代理指標(trans),trans值越大企業信息不對稱程度越低。本文采用江艇(2022)[45]提到的檢驗方法驗證企業數字化轉型對勞動資源配置影響的因果關系作用機制(9)江艇(2022)認為,在經濟學研究中應用中介效應的逐步回歸方法是不恰當的,較為可行的做法是,識別自變量X對因變量Y的因果關系時,若要驗證中介變量M,應該尋找直接顯然的M,此時M和Y在理論上應該存在較為直觀的因果關系,驗證機制時只需要識別X對M的因果關系,不需要采用正式的因果推斷方法來研究M與Y的因果關系。。表11列(1)(2)報告了企業信息不對稱程度對數字化轉型回歸的估計結果。可以看出,伴隨著數字化程度的提升,企業信息不對稱程度顯著降低。當影響勞動要素自由流動的障礙減少時,勞動者搜尋成本降低,勞動要素從效率較低的企業流向效率高的企業,勞動者與就業崗位的匹配度提高,勞動資源配置效率得到提升。這意味著,上市企業數字化轉型通過降低信息不對稱程度改善了企業勞動資源配置。

表11 信息不對稱程度的機制檢驗結果

(二)有效勞動投入

數字化轉型使企業加大了對有效勞動的投入,由此可能引起勞動邊際產出和勞動邊際成本的變化,進而影響勞動資源配置效率。為檢驗企業數字化轉型是否促進有效勞動投入,根據受教育程度,引入企業本科及以上學歷人員占總雇傭人數的比例(human_struc)這一變量為被解釋變量,比值越大表示雇員中高層次人才比例越高,人力資本配置越好進而有效勞動投入越多。表12列(1)(2)報告了回歸結果,數字化轉型系數在1%的置信水平下顯著,說明數字化引導企業增加了本科及以上學歷的員工占比。為穩健起見,基于勞動者工作的性質再次定義有效勞動,將技術人員視為技能勞動力(skill),使用技術人員占企業總雇傭人數的比例衡量技能勞動力進行重新檢驗。從估計結果來看,列(3)(4)顯示數字化轉型與企業技能勞動力占比顯著正相關,進一步支持了數字化轉型促使企業加大有效勞動投入的結論。

表12 有效勞動投入的機制檢驗結果

為驗證數字化轉型促使企業加大有效勞動投入所帶來的勞動邊際產出和邊際成本變化,表13列(1)(2)和列(3)(4)分別以勞動邊際產出、勞動邊際成本作為因變量對數字化轉型進行回歸。可以看出,數字化轉型顯著降低了企業勞動邊際產出和邊際成本,且勞動邊際產出下降幅度大于勞動邊際成本。按照該邏輯,企業的勞動邊際產出和邊際成本偏離程度不斷縮小。從直觀上看,數字化轉型使企業對高成本的技能勞動力需求上升,但諸如工信部2021年發布的《智能工廠案例集》中新鳳鳴集團、廣東溢達紡織等智能制造企業的成功經驗表明,智能制造促進企業順利實現減員增效,替代一定勞動力的同時也能夠降低企業制造成本,勞動成本總規模也隨之下降,在這種替代作用下,勞動邊際成本可能呈現下降態勢。以上回歸結果,驗證了數字化轉型通過促進企業更多配置高水平勞動、縮小勞動邊際產出與勞動邊際成本的不匹配,進而促進勞動資源配置效率提升。

表13 勞動邊際產出和邊際成本的機制檢驗結果

七、結論、建議與展望

(一)結論與建議

當前,我國已經邁入高質量發展的新階段,優化資源配置效率、提高全要素生產率是推動經濟發展的著力點。而隨著中國進入老齡化社會,改善勞動資源配置效率顯得尤為重要。數字革命則為企業提高包括勞動在內的資源配置效率,利用“數字紅利”破解日漸消失的“勞動力紅利”提供了有利契機。因此,探究企業通過數字化轉型降低勞動資源錯配、提高要素資源配置效率自然是題中應有之義。本文采用2011—2020年制造業上市公司面板數據,借助雙重機器學習模型實證檢驗了數字化轉型對企業勞動資源配置效率的影響及傳導路徑。研究結論表明:第一,數字化轉型對企業勞動資源配置效率有顯著提升效果,考慮內生性問題及進行一系列穩健性檢驗基礎上,結論依然穩健。第二,數字化轉型對不同屬性企業存在顯著的非對稱性,在國有企業、高勞動密集度和高行業集中度企業中,數字化轉型的勞動資源配置效應更加明顯。第三,機制分析發現企業數字化轉型有助于降低信息不對稱程度,引導企業配置更多有效勞動、提高勞動邊際產出和邊際成本的匹配程度,進而改善企業勞動資源配置狀況。本文為加快推進企業數字化轉型提供了效率方面的理論支持,也為新發展格局下進一步提升要素資源配置效率、推動高質量發展提供了政策借鑒。本文的研究結論具有以下政策啟示。

第一,以數字化轉型為勞動要素市場建設注入新動能。本文發現,數字化轉型能夠降低勞動市場信息不對稱程度、增加企業有效勞動投入,顯著提升勞動資源配置效率,從而有助于推進勞動要素市場化建設。為此,要加快和完善新興基礎設施建設,利用人工智能、大數據和云計算等新興技術打造集成高效的企業信息共享平臺,實現勞動信息的有效傳輸與溝通、減少就業信息摩擦,削弱導致勞動資源誤置的信息性和結構性障礙,以數字化戰略破除阻礙企業勞動要素優化配置的各種藩籬、暢通數字化資源配置傳導路徑,促進勞動要素市場化和全國統一大市場建設。

第二,分類施策提高企業勞動資源配置效率。以拓寬數字化融資渠道、提供關鍵共性技術、打造數字化樣板等方式,為不同類型企業數字化轉型和勞動資源優化配置提供良好的外部環境。針對因數字化基礎薄弱、資金及人才匱乏等限制,勞動資源配置提升效應較小的非國有企業尤其是中小企業,要通過深化改革和財稅、金融等政策緩解其面臨的體制、資金約束,消解其“不敢轉、不愿轉”問題,以進一步釋放企業數字化優化勞動資源配置的潛力。

第三,利用“數字紅利”緩解勞動成本的上漲壓力。利用政策資金支持、政府采購、引導供應商合作等方式,推動勞動密集型產業企業的數字化、智能化改造升級,以數字化轉型低成本、勞動優化配置效應緩解勞動成本不斷上漲的壓力,積極穩妥地實現產業升級和高質量發展。

(二)不足與展望

本文是關于數字化轉型影響企業勞動資源配置的初步性探索研究,在一些方面仍有待于進一步完善:第一,盡管在一定程度上使用數理模型驗證了研究主題的數量關系及影響機理,但在未來的拓展研究中模型還需要做更為深入的完善。第二,由于相關數據收集存在一定困難,本文基于高教育水平、高技能勞動兩個維度反映了有效勞動指標,但使用高教育水平下的高技能勞動來衡量似乎具有更大優勢,仍需要在未來研究中做進一步探索。