杨天山，袁功林，武可栋

（1.广西大学a.经济学院；b.数学与信息科学学院，南宁 530004；2.南宁职业技术学院财经学院，南宁 530008）

0 引言

当前数字经济高速发展，大数据、人工智能和区块链等数字化技术与实体经济融合不断深化，企业纷纷将数字化转型视为增强自身竞争力、实现转型升级、提高生产效率的有效路径[1]，不断加快推进自身数字化转型发展，试图利用数字化技术为自身的生产、经营和管理赋能，提高企业的全要素生产率，以实现企业的高质量发展[2]。然而，企业数字化转型是循序渐进的过程，需要企业数字化技术、劳动力和资本等要素全面协同转变。已有学者研究发现企业数字化转型增加了对高等技能劳动力的雇佣[2]，但并未厘清数字化转型、劳动力技能与企业全要素生产率之间的关系。若一个企业要素投入之间有冗余存在，则会降低产出效率，表现为替代效应，若企业各种要素投入之间能促进潜能发挥则表现为互补效应。由此，劳动力技能是否为企业数字化转型影响全要素生产率的一个关键要素？企业数字化转型与劳动力技能结构是形成互补效应还是替代效应？不同技能劳动力在企业数字化转型影响全要素生产率过程中发挥的作用有何差异？回答好上述问题对于高效释放企业数字化发展的红利、丰富企业全要素生产率影响因素的研究成果具有重要的现实意义。

目前，全球经济治理在数字化转型变革影响下进入了一个新的时代，企业数字化转型正成为推动企业全要素生产率提高的重要驱动力。在宏观层面，Pan等（2022）[3]的研究认为中国数字产业发展可以提高数字改革的效率，加快经济的结构性转型，从而促进全要素生产率提高。在微观层面，武常岐等（2022）[4]发现数字化转型整体提高了企业全要素生产率，但存在非线性的“倒U”型关系。然而，也有学者指出数字化转型能降低企业生产成本，但也会增加管理成本[5]，总体上表现为对全要素生产率没有影响[6]，认为数字化转型存在“生产率悖论”。企业进行数字化转型将引致劳动力需求与结构发生变化，给企业带来新的机遇和挑战。赵宸宇（2023）[7]指出数字化转型能有效促进劳动力就业，提高企业高学历、高技能员工占比。余明桂等（2022）[8]发现数字化转型对银行劳动力需求具有破坏效应，降低了对劳动力的雇佣，提高了对硕士及以上学历员工的需求。尽管既有文献研究了企业数字化转型与劳动力需求的关系，但是对于数字化转型引致劳动力的替代或者互补效应尚待进一步探讨，尤其是在互补机制下对企业全要素生产率的影响亟待研究。

可见，现有研究对数字化转型的全要素生产率效应尚未获得一致结论。数字化转型会改变劳动力需求和结构，但是对于具体哪一种劳动力与数字化转型能形成互补，形成互补后对企业全要素生产率产生什么影响仍需进一步研究。因此，本文利用2010—2021年我国A股上市公司数据研究数字化转型、劳动力技能结构与全要素生产率之间的关系，旨在探索劳动力技能结构与数字化转型之间的匹配机制，以及两者匹配所带来的企业全要素生产率提升效应，为企业数字化转型、劳动力结构调整和全要素生产率提高提供依据。

1 理论机制与研究假设

企业数字化转型能够通过整合区块链、大数据、物联网、人工智能等数字技术改进生产流程、降低运营成本[9]、促进企业绩效反转[10]以及优化管理决策，实现全要素生产率提高。然而，企业数字化转型与不同劳动力技能的互动如何影响生产率需要进一步深入探讨。Ballestar等（2021）[11]利用互补理论探讨了释放企业数字化生产率潜力的可能途径，认为企业机器人化、数字化、创新与人力资本之间具有互补性，共同影响企业的生产率。互补机制理论认为企业不同要素之间的投入将引致企业产生直接或者间接的全要素生产率效应。一方面，数字化转型能够让企业依靠数字技术来处理企业内外部海量、非标准化、非结构化的数据[12]，进而精准诊断生产中的故障，辅助企业员工快速修复生产设备，缩短生产中断时间，减少企业的生产成本[9]，直接促进企业全要素生产率提高；另一方面，企业数字化转型引致的企业信息获取、沟通协调方式变革也会使得企业的人力资本、组织管理与创新等要素发生变革[13]，而数字化转型的共享特征能有效促进要素间相互补充，提高各要素的利用效率[14]，间接促进企业全要素生产率提高。因此，在数字经济时代，企业需要重视数字化转型与各要素之间的协同管理与投资，提高数字化与相关资源要素的互补程度。

在数字化转型相关资源要素中，高等技能劳动力是关键的互补资源要素之一，它与数字化转型相辅相成、相互赋能，共同发挥促进全要素生产率的效应[15]。这种互补效应主要表现为：第一，数字化转型能够与高等技能劳动力匹配，进而促进企业的全要素生产率提高。数字化转型伴随较多技术技能偏向[16]，其在企业生产与经营中的应用将引致企业需要更多具备数据处理与整合能力的员工来配合相关技术应用以及对各类资源进行高效协同调度，而高等技能劳动力所具备的高效分析能力、协调能力和数据整合能力可以与数字化技术匹配[17]，形成较强的互补效应，促进企业全要素生产率提高[2]。此外，若企业数字化转型程度不高，则企业的高等技能劳动力将受到简单重复的程序化工作束缚，引致高等技能劳动力缩短非程序化和高创造性工作的时间，不利于企业全要素生产率提高，这会倒逼企业进行数字化转型，改变企业环境以辅助高等技能劳动力提高自身的工作效率，为企业创造更多产出，最终提高企业的全要素生产率。第二，数字化转型引致企业生产流程、组织和管理的变革能间接促进全要素生产率提高。企业数字化转型会带来组织、管理、生产流程等的改变，越来越多的大数据、人工智能、云计算和物联网等技术与企业生产和组织结构深度融合，企业员工在生产与管理各环节都被赋予了更多决策权[18]，这就要求员工增强自身的数据分析和问题解决能力，但低等技能劳动力很难具备这些能力，而高等技能劳动力则通常具备此类能力[17]，使得高等技能劳动力能更加灵活、更快地使用数字化技术，快速适应新的流程与组织模式，通过与数字化互补进行高效协同创新[19]。综上分析，本文提出：

假设1：其他条件相同时，企业数字化转型与高等技能劳动力存在互补效应，强化了企业数字化转型的全要素生产率提升效应。

2 研究设计

2.1 计量模型设定

参考Bloom等（2012）[20]的研究，本文构建如下计量模型来探究数字化转型和劳动力技能结构影响企业全要素生产率的效应。

其中，TFP表示企业全要素生产率，Digital表示企业的数字化转型程度，Labor为企业的劳动力技能结构，Conj表示控制变量集中第j个控制变量，Ind为行业固定效应，Year为时间固定效应，α0是模型的常数项，α1、α2、α3和βj为模型的系数，ε为随机误差项。

2.2 变量设计

（1）被解释变量：企业全要素生产率（TFP），本文采用LP法计算的企业全要素生产率（TFPLP），其中企业产出变量用营业收入的自然对数表示，企业资本投入变量用固定资产净额的自然对数表示，企业劳动投入用员工总数的自然对数表示，企业中间品投入用企业的营业成本、管理费用和销售费用之和与为员工支付的工资的差的自然对数表示。本文还采用GMM法计算的全要素生产率（TFPGMM）和资本生产率（lnCP）替换LP法计算的全要素生产率以检验结论的稳健性。

（2）核心解释变量：①数字化转型程度（Digital），借鉴现有研究，本文采用Python技术归集整理我国A股上市公司的企业年报，并使用Java PDFbox库提取所有文本内容，从人工智能技术、区块链技术、云计算技术、大数据技术和数字技术应用五个维度进行词频统计，通过五个维度词频总和加1取自然对数来测度企业数字化转型。②劳动力技能结构（Labor），借鉴已有研究，将劳动力技能结构分为高等技能劳动力（HSkill）、中等技能劳动力（MSkill）和中高等技能劳动力（HMSkill）。具体而言，将本科及以上学历员工视为高等技能劳动力，用本科及以上学历员工数量与总员工数量的比值表示；将高中（中专）学历员工视为中等技能劳动力，用高中（中专）学历员工数量与总员工数量的比值表示；将高中（中专）及以上学历员工视为中高等技能劳动力，用高中（中专）及以上学历员工数量与总员工数量的比值表示。

（3）控制变量。考虑到可能存在遗漏变量问题，本文还控制了以下变量：企业规模（Size）、企业负债率（Lev）、企业成长性（Growth）、董事长与总经理兼任（Dual）、董事会独立性（Indep）、企业年龄（Age）和股权集中度（Shrone）。其中，企业规模采用公司的资产总计的自然对数表示；企业资产负债率为企业的负债合计与资产总计的比值；企业成长性使用企业本年营业收入增长额与上年营业收入之比表示；董事长与总经理兼任采用哑变量表示，若董事长与总经理为同一人则赋值为1，否则为0；董事会独立性采用独立董事人数占董事人数的比例表示；企业年龄采用当前年份减去成立年份的自然对数表示；股权集中度使用企业第一大股东持股比例测度。

2.3 数据来源与描述性统计

本文选取2010—2021年我国A股上市公司作为研究对象，数据均来源于国泰安数据库（CSMAR）和锐思数据库（RESSET）。在样本数据处理上，本文剔除ST、*ST和PT上市公司样本以及财务异常和数据缺失的样本。此外，为了减少异常值的影响，对所有连续变量进行上下1%的缩尾处理。主要变量的描述性统计结果见表1。

表1 变量描述性统计

3 实证结果分析

3.1 数字化转型的全要素生产率效应

由表2列（1）报告的OLS回归结果可知，企业数字化转型系数在1%的水平上显著为正。这说明企业数字化转型能促进企业全要素生产率提高。从列（2）报告的2SLS的第一阶段结果可以看到，企业数字化转型工具变量系数为0.985且在1%的水平上显著，说明工具变量具有很强的相关性，弱工具变量检验结果表明不存在弱工具变量问题，工具变量识别检验的Anderson结果说明工具变量可识别。列（3）报告的第二阶段结果显示，企业数字化转型系数为0.086且在1%的水平上显著，此外，企业数字化转型2SLS的系数大于OLS的系数，这说明考虑了内生性问题后，企业数字化转型能促进全要素生产率提高这一结论依然成立。从经济意义上看，企业数字化转型程度提高10%，将导致全要素生产率提高0.0086个单位（0.1×0.086），这说明无论是在统计意义上还是在经济意义上，企业数字化转型对全要素生产率的影响都是显著的，这与已有研究结论一致[4]。

表2 数字化转型的全要素生产率效应

3.2 劳动力技能结构与数字化转型的全要素生产率效应

表3报告了企业数字化转型与劳动力技能结构互补效应的估计结果，其中列（1）和列（3）为OLS结果，列（2）和列（4）为工具变量回归结果。从列（1）、列（2）结果可以看到，企业数字化转型与中高等技能劳动力的交乘项系数均在5%的水平上显著为正，这说明中高等技能劳动力与企业数字化转型存在互补效应，中高等技能劳动力在企业数字化转型提高全要素生产率的过程中具有强化作用。从列（3）、列（4）结果可以看到，企业数字化转型与高等技能劳动力交乘项系数均在至少5%的水平上显著为正，而企业数字化转型与中等技能劳动力交乘项系数均不显著。这说明劳动力技能结构与企业数字化转型的互补效应主要表现在企业的高等技能劳动力中，而中等技能劳动力中不表现出劳动力技能结构与企业数字化转型的互补效应。从经济意义上看，工具变量回归估计的结果显示，企业的高等技能劳动力提高10%会引致企业数字化转型对全要素生产率的边际效应提高0.0069（0.1×0.069）。这说明企业数字化转型与高等技能劳动力的互补效应经济意义也是显著的，验证了假设1。

表3 劳动力技能结构与数字化转型的全要素生产率效应

3.3 稳健性检验

（1）更换被解释变量。本文在前述研究中对企业全要素生产率测算使用LP法，在此利用GMM法计算的全要素生产率和资本生产率替换LP法测算的全要素生产率进行重新回归估计以验证主要结论的稳健性。结果（略）显示，企业数字化转型系数均在1%的水平上显著为正，企业数字化转型与中高等技能劳动力交乘项系数分别为0.118和0.179且在1%的水平上显著，企业数字化转型与高等技能劳动力交乘项系数分别为0.069和0.148且至少在5%的水平上显著，而企业数字化转型与中等技能劳动力交乘项系数不显著。这说明本文的主要研究结论具有稳健性。

（2）数字化转型变量滞后。考虑到企业进行数字化转型不一定立竿见影地全部在当期对全要素生产率产生效应，可能需要与企业相关资源有适应与匹配期，本文将数字化转型滞后一阶重新进行回归估计。结果（略）显示，企业数字化转型滞后一阶系数均在1%的水平上显著为正，数字化转型滞后一阶与中高等技能劳动力和高等技能劳动力的交乘项系数分别为0.061和0.071，且两者均在5%的水平上显著，这说明考虑滞后性后本文的主要研究结论依然成立，具有较强的稳健性。

4 异质性分析

4.1 要素密集度异质性分析

从表4结果可以看到，数字化转型与高等技能劳动力的交乘项系数在资本密集型行业组中不显著，在技术密集型和劳动密集型行业组中至少在10%的水平上显著为正，并且核心解释变量的估计系数组间差异SUEST检验均在1%的水平上显著，表明企业数字化转型与高等技能劳动力的互补效应在劳动密集型行业中更强。这可能是因为，劳动密集型企业面临成本上涨的巨大压力，积极应用数字化技术以减少工人数量，试图降低成本和提高效率。而数字化生产流程需要高等技能劳动力参与，低等技能劳动力不适应数字化发展，因此在劳动密集型行业高等技能劳动力互补效应更强；对于成功的数字化转型而言，数据、软件等无形资产发挥的作用较大，而传统的有形资产发挥的作用较小，较强的软实力更能激发高等技能劳动力的创造力，因此在技术密集型行业也表现出高等技能劳动力互补效应。

4.2 企业规模异质性分析

企业的资金、技术等资源不同会影响其数字化转型程度。企业面临的资源约束越大，则企业数字化转型的配套投资将越小，这可能会抑制高等技能劳动力对数字化转型全要素生产率效应的影响。大规模企业具有雄厚的资金和技术优势，可以加大数字化转型相关配套投资，较好地完善数字化转型的相关配套，从而有利于高等技能劳动力提升数字化转型的直接和间接全要素生产率效应。

为此，本文根据企业规模的中位数将样本分为大规模和小规模企业两组。从表5可以看到，在大规模企业组中无论是数字化转型与中高等技能劳动力交乘项的系数，还是数字化转型与高等技能劳动力交乘项的系数，均在至少5%的水平上显著为正，而在小规模企业组中均不显著，并且核心解释变量的估计系数组间差异SUEST检验均在1%的水平上显著。这表明企业数字化转型与高等技能劳动力的互补效应在大规模企业中作用更强。

表5 企业规模异质性影响

4.3 企业成长阶段异质性分析

企业所处的成长阶段会影响企业在市场的知名度、发展战略部署和内部管理规范，进而影响企业高等技能劳动力作用的发挥，数字化转型后可以有效提高企业知名度，增强发展战略前瞻性，规范企业管理，让企业的高等技能劳动力更好地服务企业，发挥其促进全要素生产率提升的能力。

为此，本文根据企业年龄的中位数将样本分为年轻企业和非年轻企业两组。从表6可以看到，在年轻企业组中无论是数字化转型与中高等技能劳动力交乘项的系数，还是数字化转型与高等技能劳动力交乘项的系数，均在1%的水平上显著为正，而在非年轻企业组中均不显著，并且核心解释变量的估计系数组间差异SUEST检验均在1%的水平上显著。这说明企业数字化转型与高等技能劳动力的互补效应在年轻企业中作用更强。

表6 企业成长阶段异质性影响

4.4 地区异质性分析

本文参照既有文献做法，采用第四次全国经济普查公报的分区方法，根据企业注册所在省份将样本分为东部和中西部地区两组，以考察劳动力技能结构与数字化转型互补效应的区域异质性。从表7可以看到，在中西部地区组中无论是数字化转型与中高等技能劳动力交乘项的系数，还是数字化转型与高等技能劳动力交乘项的系数，均在1%的水平上显著为正，而在东部地区组中均不显著，并且核心解释变量的估计系数组间差异SUEST检验均在1%的水平上显著。这可能是因为中西部地区企业数字化转型后，与高等技能劳动力相应的配套得到完善，使得在中西部地区表现出更强的互补效应。

表7 地区异质性影响

5 结论与建议

本文采用2010—2021年我国A股上市公司数据研究数字化转型、劳动力技能结构与企业全要素生产率之间的关系，结果表明高等技能劳动力与企业数字化转型存在互补效应，能够显著促进数字化转型的全要素生产率效应。在技术密集型与劳动密集型行业、大规模企业、年轻企业和中西部地区高等技能劳动力与企业数字化转型的互补效应更强。

基于此，本文的建议如下：（1）政府部门应科学统筹规划地区数字化发展，完善数字化发展领域的法律法规和激励政策，根据不同规模企业、行业和地区制定有针对性的实施细则，大力保护数字化技术知识产权，加大数字化发展的投资力度，促进数字化发展相关的新型基础设施建设。同时构建数字化人才引进与退出相关政策，改善人才培育环境，保障人才引得进、留得住，加快形成高质量数字化人才队伍，使得数字化转型与相关资源协同发展，形成互补合力，推动企业高质量发展。（2）企业应加快对现有生产设备、流程进行数字化改革，加快数字化智能工厂建设，加强数字化基础设施布局，积极引入新数字化技术、新数字化生产线和数字化管理技术，同时加强员工数字化能力培训，提高员工数字化技术操作能力，实现数字化人才与企业数字化发展高效匹配，并形成互补效应，提高企业全要素生产率。（3）高等学校应加快人才培养供给侧改革，积极推动校、政、企多主体协同培养高素质数字化人才，加强数字化人才理论与实践相结合的培养力度，降低数字化技能人才供给与企业需求脱节程度，实现数字化人才技能结构与企业数字化转型的高度匹配，全面提高企业全要素生产率。