一、引言

在數字經濟時代，數據要素的重要性日益凸顯。中國不僅擁有構建超大規模數據市場的條件，也具備在數字經濟時代獲得戰略先機的基礎。據國際數據公司（IDC）測算，中國擁有的數據量將在 2025 年達到驚人的 48.6ZB，占全球數據量的 27.8%，遠高于美國的 17.5%。數據要素作為核心生產要素，勢必會改變企業原有生產經營模式與要素投入，進而對以勞動力為代表的傳統生產要素體系產生深遠影響。然而，中國的勞動力就業市場既面臨需求收縮、供給沖擊、預期轉弱等問題，也面臨數字經濟在就業載體、就業形態、勞動內容及要求等方面的挑戰，從而進一步加劇了勞動力市場的不穩定性。數據要素的經濟紅利不僅有助于緩解嚴峻的勞動力市場就業形勢，也有助于實現勞動力市場高質量發展。

已有文獻主要研究數據要素的概念、經濟特征、數據要素市場化建設及價值創造等。在數據要素價值創造方面，學術界主要聚焦于企業決策、生產效率、創新水平、經濟高質量發展等 ，鮮有文獻從數據要素集聚與勞動力市場的角度展開探討。因此，本文使用 2007—2021 年的 A 股上市企業數據，以大數據綜合試驗區作為準自然實驗，通過構建雙重差分模型，探究數據要素集聚對企業就業的影響。

本文的邊際貢獻在于：（1）理論推導數據要素集聚對勞動力市場的傳導機制，并實證檢驗數據要素集聚在勞動力市場中的價值創造能力，為緩解嚴峻的就業形勢提供新思路；（2）進一步從要素密集度與所有制結構視角，探究數據要素集聚對企業就業的異質性影響；（3）拓展分析數據要素集聚對企業內部收入均等化和創新創業活動的影響。

二、文獻綜述

（一）關于數據要素的文獻綜述

部分文獻探究了數據要素的經濟特征。與傳統要素相比，數據要素有非競爭性、外部性、低復制成本、即時性和非排他性的技術經濟特征。認為，數據要素有邊際成本趨于零的特點。認為，數據要素具有價值不確定性的特征。認為，數據要素具有依賴性的特征。綜上所述，本文將數據要素的經濟特征歸結于非獨立性、規模報酬遞增、外部性與部分排他性（或非排他性）。非獨立性是指數據要素不僅需要借助現代信息網絡平臺，也需要與勞動力要素結合，才能實現價值創造。可復制性、零運輸成本使數據要素表現出非競爭性、邊際成本為零，導致數據要素呈現出規模報酬遞增的特點。數據要素與人力資本的融合，使數據要素表現出正外部性的特點。考慮到數據要素產權的分類，數據要素也具有部分排他性或非排他性的特點。

還有部分文獻探究了數據要素的價值創造能力。通過構建“鏈式決策流程優化”模型，證明了優化市場資源配置決策與企業運行決策是數據要素賦能經濟活動的有效途徑。Agrawal et al（2021）從決策視角出發，發現大數據分析技術進步與數據要素的結合，可以提升企業預測有用知識組合的精度，進而提升企業創新效率。發現，企業在生產、運營和銷售過程中對大量用戶數據進行分析與處理，可使企業精準把握客戶需求與偏好，進而加快企業產品與服務的迭代創新。指出，數據要素規模的擴大會促進數字技術的指數型發展，并且數據要素對創新活動的推動會促進偏向型技術進步，進而對產業結構起到優化作用。在上述分析的基礎上，數據要素還可以通過提升企業生產力水平、改進產品質量、提高全要素生產率、提升綠色發展與社會福利水平等，推動經濟高質量發展。

（二）關于就業的文獻綜述

學者們對勞動力市場的研究多聚焦于數字經濟、企業數字化轉型，數字普惠金融方面，而本文從以數字技術、人工智能為代表的技術進步視角展開分析。目前，技術進步對就業在量上的影響還難以形成一致的結論，大致可以分為技術樂觀主義與經濟悲觀主義。技術樂觀主義更看重經濟的長遠發展，重視新技術的研發與傳播，認為技術進步對就業的創造效應優于破壞效應。經濟悲觀主義則更看重新技術與勞動力要素的融合程度，認為新技術部署的速度和深度是導致崗位流失的重要原因，尤其是在傳統制造業領域。不同的研究假設、方法、背景等，是造成這一矛盾結論的主要原因。

技術進步也會影響就業結構。數字技術加快了服務業領域的就業進程，并使得服務業就業集中化。“超級明星企業”和“超級平臺”等少數率先掌握領先技術的企業，擁有絕對的市場地位與就業優勢，不僅貢獻了大部分的數字經濟產值，也吸收了大部分就業。此外，數字技術加劇了科技進步對勞動力市場造成的就業極化現象。中等技能崗位勞動者被迫重新就業，并且一部分勞動者受個體學習與適應能力的影響，會流向零售、旅游或運輸等低端服務業，而另外一部分勞動者可能通過職業技能培訓流向了高技能崗位。

綜上所述，關于數據要素對就業影響的研究已十分豐富，但大部分文獻主要從數字技術角度展開研究。數據要素的價值創造能力固然離不開數字技術，但數據要素固有的經濟特征和價值創造能力也不容忽視。

三、理論分析與研究假設

近年來，隨著全球數字經濟的迅猛發展，數據要素深刻改變了傳統生產要素體系。回顧生產要素發展歷程，亞當·斯密首先在《國富論》中將勞動力、資本與土地作為主要生產要素。隨后工業革命使技術與知識快速發展，約瑟夫·熊彼特等人將知識納入生產要素體系。一國或地區掌握的數據資源規模及轉化為生產力的能力，已成為提升全球競爭力的重要因素，而數據要素作為核心生產要素，對勞動力就業會產生深遠影響。

（一）大數據綜合試驗區促進了數據要素集聚

作為中國首個數字經濟試點政策，大數據綜合試驗區旨在進行大數據制度創新、公共數據開放共享、大數據創新應用、大數據產業集聚、大數據流通、數據中心整合利用、大數據國際交流合作等方面的試驗探索。大數據綜合試驗區通過數字補貼、完善數字基礎設施建設的相關法律制度，為試點區企業營造了良好的數字經濟發展環境，不僅加速了數據要素與數字人才的集聚，也強化了知識與數據要素的外溢性，從而促進了數據生態的構建。

數字政府補貼政策降低了試驗區企業的試錯成本，實現了數字產業集聚。區域性大數據基礎設施的建立，有助于發揮數據要素在數字時代的基礎性作用。例如，“云上貴州”平臺的搭建和相關數字安全法律的出臺，不僅有助于實現數據要素價值與共享，也激發了企業的創新熱情與創新能力。大數據綜合試驗區通過集聚數據產業實現了數據要素的集聚 ，不僅降低了信息交流成本，提升了企業獲取的數據要素數量與質量，也強化了數據要素本身的正外部性特點，為試驗區企業創造了良好的數字環境。

（二）數據要素的經濟特征

隨著數據的收集、處理、分析等成本大幅降低，數據要素逐漸成為推動新一輪科技革命和產業變革的關鍵要素。數據要素作為數字革命時代的關鍵生產要素，有非獨立性、規模報酬遞增、外部性與部分排他性（或非排他性）的特點。

不同于傳統意義上的生產要素，數據要素本身無法獨立創造價值。作為虛擬生產要素，數據要素不僅需要借助現代信息網絡平臺，也需要與傳統生產要素結合，從而推動企業產品和技術創新。數據要素的可復制性和零運輸成本，使數據要素表現出非競爭性的特點，從而決定了數據的高使用效率與巨大的潛在經濟價值。數據要素的非競爭性特點，使數據要素在與勞動力要素結合時可以被每一位勞動者使用，從而減輕了企業的要素成本壓力。同時，數據要素與傳統要素的融合推動了企業在生產決策、企業管理等方面的技術進步，不僅使數據要素呈現出規模報酬遞增的特點，也會提升生產效率。

數據要素還具有外部性與部分排他性（或非排他性）的特點。“數據二十條”將中國數據要素劃分為公共數據、企業數據與個人數據，公共數據有非排他性，企業數據與個人數據要素具有高度排他性。此外，與其他傳統的虛擬要素類似，數據要素也會被固定在人力資本之中，并隨勞動力的遷移而發生擴散，從而使數據要素具有一定的外部性。數據要素的上述特點使數據要素對勞動力要素表現出破壞效應與創造效應，本文分別從就業規模與就業結構視角展開分析。

（三）數據要素與企業就業規模

數據要素具有規模報酬遞增、正外部性與數據賦能的特點，使其對就業規模表現出創造效應。數據要素在生產過程中與勞動要素的融合，會使企業增加勞動力需求。數據要素通過賦能其他生產資料，改變了生產過程中的要素投入組合與轉化效率，進而提高了要素的邊際產出水平。數據要素與勞動要素的結合可以提高勞動生產率，而與管理要素的結合可以減少信息扭曲和信息丟失。根據廠商要素使用原則，勞動力要素邊際產出的增加將提升企業用工需求，進而擴大企業就業規模。數據要素蘊含的有效信息不僅能夠減少企業運行的不確定性，也可以降低交易成本，提高企業決策的科學性，進而通過產出的就業帶動效應作用于企業就業規模。

此外，數據要素對勞動力就業還具有一定的破壞效應。數據要素對低人力資本勞動者或者某些具有重復勞動性質的特殊崗位具有替代效應，如智能柜員機與自助征信查詢機等智能化設備替代了部分銀行柜員崗位，直播帶貨、外賣及網約車等平臺替代了一些傳統銷售、餐飲和部分出租車崗位等，從而使得數據要素對就業規模表現出破壞效應。因此，數據要素對企業就業規模的影響是上述兩種效應綜合作用的結果。

基于上述分析，本文提出假設

假設 1a：在就業創造效應優于破壞效應時，數據要素擴大了就業規模。

假設 1b：在就業破壞效應優于創造效應時，數據要素縮小了就業規模。

（四）數據要素與企業就業結構

數據要素對勞動力市場就業技能結構的影響，主要表現為數據要素對低技能勞動者需求的下降和對高技能勞動者需求的增加。市場更高的技能水平要求減少了低技能勞動者的工作機會，部分勞動者由于自身人力資本存量較低，無法通過與數據要素的有機結合充分發揮規模報酬遞增的優勢。隨著中國人口紅利逐漸消失，企業不僅可能會直接“節約”掉部分低資本存量勞動者，也可能會使用被“節約”掉的資本雇傭高資本存量勞動者進行替代生產。需要注意的是，一般高技能勞動者的工資價格是低技能勞動者的數倍，這種替代的結果可能會降低就業規模。此外，勞動力市場數字化降低了企業使用低技能勞動者替代高技能勞動者的可能性。數據要素在數字平臺具有零成本運輸的特點，促進了企業“在線辦公”“異地辦公”和“共享員工”。勞動力流動不僅不再局限于勞動者個人在地理位置上的變化，也表現為人力資本在空間上的流動。因此，這類新型辦公形式一定程度上緩解了摩擦性失業與結構性失業，降低了企業使用低技能勞動者替代高技能勞動者的可能性，從而優化了就業技能結構。

數據要素對勞動力市場就業職能結構的影響，主要表現為數據要素對某些傳統崗位的破壞效應和對新業態崗位的創造效應。管理的精細化與生產的智能化降低了企業對大量傳統崗位的需求。企業通過分析與處理生產、運營和銷售過程中伴生的大量數據，使企業可以優化生產流程參數，進而實現各階段的精細化管理和智能化設備的融入。例如，數據要素“可視化”應用技術，通過對供應鏈的實時監控，保證生產的持續進行。這一優化過程既降低了生產與運營成本，也降低了企業對生產、監管、物流等中等職能崗位的需求。勞動力市場數字化減少了企業對線下傳統崗位的需求，使得依附于互聯網載體的數據要素成為實現靈活就業的重要生產資料。平臺型企業將過去的全職工作分解為若干片段性任務，為全職崗位兼職化的出現提供了基礎。線上靈活就業門檻低、容量大的特點不僅替代了大量的線下常規操作型崗位，也優化了就業職能結構。

基于上述分析，本文提出假設

假設 2a：數據要素優化了就業技能結構。

假設 2b：數據要素優化了就業職能結構。

（五）數據要素對企業就業的作用機制

數據要素主要通過加快企業數字化轉型、促進勞動力要素流動和提升人力資本水平，影響企業就業規模與就業結構，而大數據綜合試驗區通過數據要素集聚進一步強化了這種影響。

1.企業數字化轉型。數字化轉型已成為企業實現高質量發展的必由之路。根據制度變遷理論，新制度導致制度內成員可以獲得制度外成員無法獲得的追加收入。大數據綜合試驗區為試點內單位提供了“排他性”的政策資源偏向優勢，不僅降低了企業試錯成本，也加大了試點內企業數字化轉型的動力與能力；大數據綜合試驗區通過新舊動能接續切換、真實物理空間與虛擬網絡空間交互融合、構造數字生態圈和驅動價值鏈攀升等路徑，賦能企業數字化轉型。

企業數字化轉型既提升了企業績效，也對企業就業規模與結構產生了影響。企業數字化轉型對就業職能結構的影響，不僅表現為數字化轉型對中等職能勞動者的破壞效應，也表現為對低等和高等職能勞動者的創造效應。數字化轉型優化了企業的生產流程參數，促進生產環節管理更加精細化。智能工廠、工業機器人、數控機床等智能化設備的投入不僅節約了人工成本，降低了制造費用，也替代了部分負責常規型操作的中等職能勞動者。隨著企業數字化轉型程度的加深，企業增加了技術研發型職能勞動者的需求。區塊鏈、物聯網等技術向上游的延伸可追溯到產品供應商，而大數據、智能終端等設備向下游的延伸可以獲取用戶反饋信息，進而改善銷售與服務質量，提升產品價值。在這一過程中，企業加大了對銷售、服務等低等職能勞動者的需求。

企業數字化轉型對就業技能結構的影響，主要表現為企業數字化轉型對高技能勞動者的創造效應和對技能勞動者的破壞效應。新一代信息技術與生產的融合對勞動者技能和素質提出了更高要求，從而表現為數字化轉型對高技能勞動者的創造效應。此外，企業數字化轉型加快了產業轉型升級與生產過程的智能化，從而對低技能勞動者產生了破壞效應。綜上，數字化轉型通過優化企業職能結構與技能結構，影響企業就業規模。

基于上述分析，本文提出假設 。

假設 3a：數據要素通過加快企業數字化轉型擴大了就業規模。

假設 3b：數據要素通過加快企業數字化轉型縮小了就業規模。

假設 3c：數據要素通過加快企業數字化轉型優化了就業結構。

2.勞動力要素流動。2020 年 3 月，國務院出臺的《關于構建更加完善的要素市場化配置體制機制的意見》，強調了引導勞動力要素合理暢通有序流動的重要性。勞動力流動既是實現勞動力市場資源配置的基礎，也是構建全國統一勞動大市場的前提。在數字經濟時代，數字經濟的高滲透性、高協同性能夠改變要素配置，不僅有利于加快行業間、地區間的勞動力流動，也有助于進一步優化區域勞動力市場配置。具體來看，數據要素與生產要素的結合改變了地區要素稟賦，使得勞動力在地區間面臨新一輪調整。“在線辦公”和“異地辦公”使得勞動力流動不再局限于勞動者個人在地理位置上的變化。數據要素與生產的融合不僅加強了企業的精細化管理，衍生出了新行業和新業態，也可以通過影響勞動需求，促進勞動力要素流動。數據要素在一定程度上既解決了信息不對稱導致的要素市場壟斷問題，也減少了勞動者的信息搜集成本和流動成本，從而加快了勞動要素的形成、集聚和轉移。

勞動力流動對就業的影響主要依附于勞動力市場供求關系。在數字時代，絕對生產力的大幅度提升和產業結構的不斷優化，對勞動力市場產生了重要影響。數據要素通過賦能傳統生產要素，提升了企業的絕對生產力。數據要素的正外部性不僅提升了產品生產效率，也提高了其他產品和產業的絕對生產力。數據要素蘊含的有效信息能夠降低企業運行的不確定性、交易成本和經濟發展風險，從而通過產出的就業帶動效應作用于就業規模與就業結構。人工智能、大數據和工業物聯網等不僅促進了產業結構升級，也對就業產生了較大影響。在不完全市場經濟中，信息不對稱既降低了數字時代對勞動力市場產生的有利沖擊，也加劇了勞動力市場波動造成的不利影響，而較強的勞動力流動性可以有效緩解這類問題。勞動力的有效流動不僅減少了部分低人力資本勞動者的就業機會，也降低了企業使用低技能水平勞動者替代高技能勞動者的可能性。因此，數據要素可能會引發大量技能型結構性失業，進而降低了就業規模。

基于上述分析，本文提出假設 。

假設 4a：數據要素通過加快勞動力流動擴大了就業規模。

假設 4b：數據要素通過加快勞動力流動縮小了就業規模。

假設 4c：數據要素通過加快勞動力流動優化了就業結構。

3.人力資本水平。人力資本不僅是企業技術進步的重要源泉，也是提升技術應用效率及其他要素產出效率的重要途徑。在數字時代，提升人力資本水平是勞動者避免被“擠出”勞動力市場的關鍵。人力資本理論主要包括教育、職業技能培訓、健康及勞動者流動等。具體來看，隨著數據要素被納入生產要素范疇，傳統行業及其衍生出的新業態對勞動者的技能素養提出了新要求。用工單位通過開展專項職業技能培訓，增強了勞動者與數據要素結合的能力。此外，勞動者也可以借助數字平臺，提升勞動者個人的人力資本水平，如借助數字教育平臺接受優質教育，通過在線醫療維護勞動者健康狀態。大數據綜合試驗區給予試點地區獨特的政策資源，不僅加快了勞動力要素流動，也實現了數字產業與高人力資本勞動者的集聚，并通過“干中學”與人才集聚的“雁陣效應”，滿足了地區數字經濟發展對高人力資本勞動者的需要。高人力資本勞動者流動產生的知識、技術與數據要素的外溢性，間接地提升了人才流入地區的人力資本水平。

人力資本不僅直接提升了勞動力要素的邊際產出水平，也會通過提高勞動力要素與數據要素的擬合程度，增強數據要素賦能勞動力要素的能力，從而增加了勞動力要素需求，擴大了就業規模，優化了就業結構。勞動力市場供給側結構的改善，既降低了企業雇傭投資風險，也減少了部分人力資本培訓成本和運行成本，從而擴大了就業規模，優化了就業結構。根據勞動力流動理論，人力資本水平對勞動者流動意愿與遷移距離呈正相關關系。較高的流動效率與較強的流動能力，提升了勞動者在數字時代適應勞動力市場快速變化的能力，從而弱化了勞動力市場波動對就業的不利影響。同時，更看重當期、學習心理成本較大、能力較差的勞動者，會逐漸被“擠出”勞動者隊伍，從而降低了就業規模。

基于上述分析，本文提出假設 。

假設 5a：數據要素通過提升人力資本擴大了就業規模。

假設 5b：數據要素通過提升人力資本縮小了就業規模。

假設 5c：數據要素通過提升人力資本優化了就業結構。

四、研究設計

（一）模型設定為探究數據要素的價值創造能力及數據要素集聚對就業可能產生的影響，本文以大數據綜合試驗區為背景，使用雙重差分模型展開實證研究，具體模型設定為：

其中，Labor 代表企業就業狀況，進一步分解為就業規模與就業結構；i 與 t 分別表示地區及年份；Policy 代表數據要素集聚；Post 為政策實施時間；β1為大數據綜合試驗區對企業就業的凈影響；X 為可能會對企業就業產生影響的財務特征、治理特征、地區經濟特征變量；μ 和 V 分別代表年份固定效應和企業固定效應；ε 代表殘差值。考慮到大數據綜合試驗區對經濟社會的影響可能存在滯后效應，本文選取企業就業變量的滯后一期進行回歸。所有回歸標準誤均會進行地區層面的聚類調整，以避免序列相關和異方差問題。

（二）變量定義

1.數據要素集聚（Policy），對已獲批建立大數據綜合試驗區的地區取值為 1，否則為 0。Post 為政策實施時間的虛擬變量，政策時間在 2016 年及之后時取值為 1，在 2016 年之前取值為 0。

2.企業就業水平（Scale），使用企業員工數的自然對數表示 。將科技人員與財務金融人員歸為高技能勞動者（PS-H），將行政人員歸為中技能勞動者（PS-M），將銷售、市場和生產人員歸為低技能勞動者（PS-L）。使用大專及以上學歷表示高人力資本（CS-H），高中及以下學歷表示低人力資本（CS-L）。就業結構變量均使用占比的形式表示，并進行對數化處理。

3.控制變量。本文的控制變量包括企業財務特征、治理特征和地區經濟特征變量。企業財務特征層面的控制變量包括：資產報酬率（ROA），使用息稅前利潤與資產總額之比表示；資產周轉率（AT），使用周轉額與資產總額之比表示；市賬率（MB），使用股東權益市值與賬面價值之比表示；資產規模（SIZE），使用資產總額的自然對數表示；存貨周轉率（ITO），使用營業成本與存貨平均余額之比衡量；資產負債率（LEV），使用負債總額與資產總額之比衡量。治理 特 征層 面的 控 制 變 量 包 括 ：管 理 費 用 率（OER），使用管理費用占比的自然對數表示；設立年齡（AGE），使用成立年限的自然對數表示；機構持股比例（INST），使用機構持股數量與總股本數量之比表示。地區經濟特征層面的控制變量包括：經濟水平（GDP），使用地區 GDP 增長率表示；工資水平（Wage），使用地區平均工資水平對數表示；政府收入（Gr），使用地方財政預算收入的自然對數表示。

（三）數據來源

本文選取 2007—2021 年的 A 股企業為研究對象，并剔除了金融保險行業及變量缺失的樣本數據。企業層面的數據和地區經濟特征變量，均取自Wind 和國泰安數據庫。地級市數據均來自 《中國城市統計年鑒》。

五、基準回歸分析

（一）基準回歸

1.數據要素集聚對企業就業規模的影響。勞動力要素成本的提升，使得數據要素對勞動力要素呈現出替代效應，從而對就業規模表現出破壞效應。數據要素的非競爭性使其在與勞動力要素結合時可以被每一位勞動者使用，并通過賦能勞動力要素和發揮正外部性等途徑，增加勞動力要素的邊際產出，進而對就業規模表現出創造效應。從表 2列（1）可以看出，數據要素集聚對企業就業規模的創造效應大于破壞效應，即數據要素集聚作為提升企業就業規模的實現路徑是有效的，假設 1a 得證。

2.數據要素集聚對企業職能結構的影響。隨著企業線上辦公平臺的設立，線下行政崗位逐漸被人工智能或 ICT 等技術替代，減少了企業對行政人員的需求，從而優化了就業職能結構。從表 2 列（2）、列（3）和列（4）可以看出，數據要素集聚對高、低技能勞動者均有顯著的促進作用，但對中技能勞動者呈現出顯著的抑制作用，表明數據要素集聚優化了就業職能結構，假設 2b 得證。

3.數據要素集聚對企業技能結構的影響。隨著數據要素被納入生產要素范疇，傳統行業及其衍生出的新業態對勞動者的技能素養提出了新要求。從表 2 列（5）和列 6）可以看出，數據要素集聚對高、低技能勞動者均有正向的促進作用，且對高技能勞動者的促進作用更強，即數據要素集聚優化了企業就業技能結構，假設 2a 得證。同時，研究結論也證明了數據要素集聚對低技能勞動者的創造效應強于破壞效應。

（二）平行趨勢檢驗

平行趨勢假設是多重差分模型成立的前提。本文將平行趨勢檢驗模型設定為：

其中，FPostn 是虛假政策實施時間與真實政策實施時間的時間距離變量；n 代表時間距離，當 n 取1 至 4 時代表政策開放后的第 1 至 4 年，當 n 取-1至-4 時代表政策開放前的第 1 至 4 年，n 取 0 代表正常實施年份；其余變量與模型 1 中的含義相同。

為避免 FPostn 變量間的多重共線性，并考慮到樣本時序區間與大數據綜合試驗區政策實施時間點的問題，本文將大數據綜合試驗區政策實施前一年作為基期，將政策實施前 4 年的數據匯總到第-4期，將政策實施后 4 年的數據匯總到第 4 期。圖 1 至圖 6 為平行趨勢檢驗結果。結果表明：基準回歸均通過了平行趨勢假設；數據要素集聚對企業就業的促進作用具有長期時間動態效應。

（三）安慰劑檢驗

為避免回歸結果受其他不可觀測的遺漏變量影響，需要進行城市層面的安慰劑檢驗。對樣本內城市進行重復 500 次的隨機抽樣回歸，得到500 個回歸系數和對應的 P 值，并繪制出 500 個系數估計值的核密度分布圖。從圖 7 至圖 12 可以看出，大部分估計系數不顯著，并且基準回歸的系數估計值處于虛假回歸系數分布的高尾位置，屬于小概率事件，從而排除了其他不可觀測遺漏變量對回歸的影響。

（四）其他穩健性檢驗

1.雙重聚類標準誤。為排除回歸結果受地區層面相關因素及時間序列自相關因素的影響，本文對估計標準誤進行了年份與地區層面的雙重聚類分析。從表 3 可以看出，政策回歸系數顯著為正，排除了標準誤聚類層級差異對基準回歸的影響。

2.排除地區經濟發展水平的影響。考慮到企業就業會受到地區經濟發展水平的影響，本文在已有地區控制變量的基礎上，剔除掉省會城市樣本，再次對基準回歸模型進行評估。由表 4 可知，政策回歸系數仍舊顯著為正，再次證明了大數據綜合試驗區對企業就業的促進效應。

3.排除其他政策的影響。考慮到 2012 年后的“營改增”政策可能對企業就業產生影響，本文在剔除掉 2012 年以前的樣本后，重新對基準回歸模型進行評估。由表 5 可知，政策對企業就業的影響依舊顯著為正，再次證明了回歸結果的可靠性。

六、機制檢驗

（一）企業數字化轉型機制

本文采用的方法，使用涵蓋人工智能、大數據、云計算、區塊鏈和數字技術應用詞語的詞頻法衡量企業數字化轉型進程，并對變量進行對數化處理。表 6 列（1）為數據要素集聚對企業數字化轉型的回歸結果。由結果可知，數據要素集聚顯著加快了企業數字化轉型進程，表明數據要素集聚通過促進企業數字化轉型影響企業就業，假設 3a 和假設 3c 得證。

（二）勞動力流動機制

本文采用的方法，使用城市人口變動規模衡量城市勞動力流動，在取絕對值后對其進行對數化處理。城市人口變動規模雖然不能完全替代勞動力流動規模，但兩者間有很強的替代性。第七次全國人口普查數據顯示，超過80%的流動人口是適齡勞動力。表 6 列（2）為數據要素集聚對勞動力流動影響的回歸結果。由結果可知，數據要素集聚顯著促進了勞動力市場流動，假設 4a 和假設 4c 得證。

（三）人力資本機制

使用平均受教育年限衡量地區人力資本水平。具體而言，將未上過學賦值為 0，小學學歷賦值為 6，初中學歷賦值為9，高中學歷賦值為 12，專科學歷賦值為 15，本科學歷賦值為 16，研究生及以上學歷賦值為 19，并對測算結果進行對數化處理。表 6 列（3）為數據要素集聚對人力資本水平影響的回歸結果。由結果可知，數據要素集聚顯著提升了地區人力資本水平，表明數據要素集聚通過提升人力資本水平影響企業就業，假設 5a、5c 得證。

七、異質性討論

（一）要素密集度異質性根據已有文獻的做法，本文將企業樣本分為勞動密集型、資本密集型與技術密集型部門。從表 7 列（1）—列（3）可以看出，數據要素集聚對三類部門的就業規模均表現為促進效應。表 7 列（4）—列（12）的回歸結果顯示，數據要素集聚對勞動密集型、技術密集型部門的高、低職能勞動者均表現出顯著的促進效應，而對三類部門的中等職能結構和資本密集型部門的低等職能結構表現出抑制效應。表 7 列（13）—列（18）的回歸結果顯示：數據要素集聚對三類部門的低技能勞動者均表現出顯著的促進效應；數據要素集聚對勞動密集型部門低技能勞動者的促進效應最強。

八、拓展分析

（一）企業內部收入均等化本文參考已有文獻的方法，使用管理層與普通員 工 平 均薪酬 的比值 衡 量 企 業 內 部 薪 酬 差 距（Gap），并進行對數化處理。表 9 列（1）為數據要素集聚對企業內部收入均等化影響的回歸結果。結果顯示，數據要素集聚顯著促進了企業內部收入均等化，即數據要素集聚對普通員工薪酬的促進效應高于管理層。可能的原因是：企業對員工的數字化技能培訓不僅提高了普通員工的人力資本水平，也提高了員工的薪資待遇；根據勞動經濟學中的流動理論，扁平化的收入結構會促使低人力資本勞動者流動。

（二）創新和創業活動數據要素可通過緩解融資約束、降低市場摩擦成本，促進創新創業活動。相關變量的衡量方式為：市場摩擦成本，使用市場集中度（MKT）衡量，MKT 指數越小代表市場摩擦成本越小；融資約束（KZ），使用 KZ 指數衡量，KZ 指數越大代表融資約束程度越重；企業創新（Innovation），使用《中國城市和產業創新力報告 2017》中的創新指數衡量，該指數不同于以往簡單地將專利數量作為衡量創新的標準，同時還考慮到了不同年齡專利的價值差異；創業活躍度（Ent），使用新增企業數的對數值衡量。表 9 列（2）至列（5）為數據要素集聚對創新、創業活動及其中介機制的回歸結果。結果顯示，數據要素集聚顯著緩解了企業融資約束，降低了市場摩擦成本，從而對創新和創業活動表現出顯著的促進效應。

九、結論與啟示

（一）研究結論

大數據綜合試驗區作為中國首個數字經濟試點政策，通過數字補貼、數字基礎設施建設和完善相關法律制度，為試點區企業營造了良好的數字經濟發展環境，從而加速了數據要素與數字人才集聚，強化了知識與數據要素外溢。數據要素作為數字革命時代的關鍵生產要素，有非獨立性、規模報酬遞增、外部性與部分排他性（或非排他性）的特點，使其對勞動力要素表現出破壞效應與創造效應。研究發現：

（1）數據要素集聚對企業就業規模的創造效應大于破壞效應；

（2）數據要素集聚既對高、低人力資本勞動者呈現出顯著的促進效應，也對高、中、低等職能勞動者表現出崗位極化效應，且這種影響因企業要素密集度及所有制結構的不同而存在異質性；

（3）數據要素集聚通過加快企業數字化轉型、提高勞動力流動效率和人力資本水平，作用于企業就業規模與就業結構；

（4）數據要素集聚沒有通過就業職能結構的崗位極化效應，加劇企業內部收入不均等；

（5）數據要素集聚通過促進創新、推動創業，緩解了就業形勢。

上述研究結論充分證明了數據要素在企業層面的價值創造能力，為實現中國勞動力市場高質量發展提供了新思路。

（二）對策建議

第一，加快構建全國統一的勞動力大市場和數據要素大市場。全國統一大市場的構建將降低要素交易成本，保障市場公平競爭。勞動力流動與全國統一勞動力大市場會降低信息不對稱造成的摩擦性失業與結構性失業，實現人才流動與收入公平。同時，全國統一數據要素大市場不僅會推動地區與行業間的資源整合，進一步推動公共數據開放，也會提升數據規模與質量，充分釋放中國海量數據要素紅利。因此，市場監管體系應充分發揮統一市場建設的支撐作用，加快建設具有市場特色的要素交易平臺，推動區域協調發展。

第二，繼續推動產業結構升級。產業勞動力要素需求彈性與產業結構直接影響勞動力市場的均衡狀態。產業結構升級是指勞動力從第一產業逐步流向第二、三產業的過程。大數據、人工智能與智能化生產等技術加快了企業數字化轉型進程，不僅推動了產業結構升級，也使第三產業有更大的勞動力需求彈性。因此，應充分認識新時期產業結構升級對勞動力市場的促進作用，加快產業結構升級步伐，增強產業結構升級對勞動力市場的賦能效應。

第三，提升低人力資本勞動者的再培訓力度。數據要素與勞動力的有機結合是實現其價值創造能力的前提。各級政府不僅要把教育作為優先發展戰略，加大教育培訓投入力度，也要深化教育領域綜合改革，引導教育資源合理流動。同時，要加快構建學習型社會，培養符合國家建設需要的優質人才。此外，企業應加強對內部員工的教育培訓，提升員工崗位間的流動能力，從而適應快節奏的就業結構變動與生產方式的轉變。

（三）不足與展望

考慮到數據的可得性，本文選取了大數據綜合試驗區政策表示數據要素集聚程度。雖然本文對該政策促進數據要素集聚的概念進行了理論推導，但若可以直接得到企業層面的數據要素使用數量，則可以進一步精確地分析數據要素集聚對勞動力要素的影響。因此，后續將會持續跟進數據要素變量的測算研究，完善本研究的不足之處。

來源：山西財經大學學報