——基于上市公司的面板数据

洪培丹 丁诗音 傅嘉辉 广东外语外贸大学

摘要：本文以2008～2019年67家服务业上市公司为研究对象，以DEA-Malmquist指数法分解技术进步指数表示技术进步，采用固定效应回归模型分析服务业企业技术进步对就业数量的影响，通过实证分析发现，长期内服务业技术进步对企业就业数量具有替代效应，于此同时，工资水平具有显著的创造效应。

关键词：技术进步；服务业企业；就业

一、文献回顾

科学技术是第一生产力。技术进步在为经济带来繁荣外，对劳动力市场也产生深刻的影响，本文旨在探讨科技进步与就业之间的关系，为我国服务业就业政策提供有价值的参考。

已有研究表明，技术进步对就业具有多方面的影响。部分学者认为技术进步对就业具有创造效应。邓洲和黄娅娜（2019）认为人工智能对我国就业存在创造效应。齐建国（2002）指出技术进步对我国整体劳动力市场具有正向影响。Peters（2004）以德国为例，指出技术进步对就业德国劳动力市场具有显著积极影响。但也有部分学者认为技术进步对就业具有替代效应。陈章勇和周宇娇（2018）在物流行业对人工智能与物流业就业之间的关系展开探讨，结果发现技术进步引致物流业劳动力市场结构性失业。崔友平、金玉国和王晓（2015）对我国省级面板数据考察科技进步对中国整体劳动力市场的影响，研究结果显示，科技进步对我国整体劳动力市场具有消极作用。Francesco等（2018）利用1995～2007年期间欧盟国家的NUTS二级区域116个数据，考察技术进步与就业之间的关系，研究结果说明技术进步对劳动力具有替代作用。

上述文献大多从国家整体、省级角度以及某些行业进行研究，针对服务业技术进步与就业之间的关系的研究较少，因此本文选取2008～2109年服务业上市公司的面板数据为样本，基于DEA-Malmquis指数，分析技术进步对服务业企业就业数量的影响。

二、技术进步对就业影响的实证分析

（一）变量选取和数据来源

本文主要研究技术进步与服务业企业就业数量之间的关系，并加入控制变量，因此构建以下模型：

其中，被解释变量（L）表示服务业上市公司截至年底的职工总数，解释变量（X1）为技术进步，以往学者衡量技术进步一般采用以下指标：全要素生产率（TFP）、全要素生产率分解的技术进步变动率、R&D投入量、专利申请授权数、人均占有机器设备价值等指标。本文考虑到数据的可得性以及客观性，以DEA-Malmquist指数法分解出来的技术进步变动率表示技术进步，该指标在投入产出选取的指标能够充分反映我国物流业的实际运行状况，因此该指标为本文技术进步指标是合适的。同时增加控制变量（X2、X3、X4）三个控制变量，提高本研究的说服力，其中X2是企业规模，以固定资产净值表示，X3是企业产出水平，以主营业务收入表示，X4是职工工资水平，以企业发放给职工的所有劳动报酬的总和。

本文选取交通运输、仓储和邮政业、批发零售业、住宿和餐饮业、信息传输、软件和信息技术服务业、金融业、房地产业、租赁和商务服务业 、科学研究和技术服务业、水利、环境和公共设施管理业、居民服务、修理和其他服务业、教育、卫生和社会工作、文化、体育和娱乐业以及公共管理、社会保障和社会组织代表服务业，考虑到数据的可得性以及缺失值，选取2008～2019年我国A股上市的64家服务业企业作为研究对象，数据来自于国泰安数据库以及RESSET金融研究数据库，分析工具为DEAP 2.1以及stata14.0。

（二）数据检验

为保证面板数据的长期平稳性以及防止伪回归，需要对数据进行单位根检验以及协整检验，确认数据适合进行回归，再利用固定效应模型进行回归分析。

1.单位根检验

在进行协整检验之前需要对数据的平稳性进行检验，以确保数据是一阶单整。本文采用LLC以及Ips单位根检验方法对面板数据的平稳性进行分析，两者原假设H0均为：各变量具有不平稳性，检验结果如下表所示。从表中可以看出除X1、X2、X3变量没有通过IPS检验外，其余变量及其一阶差分均通过LLC及IPS检验，因此我们可以得出所有变量为一阶单整的结论，接下来可以对数据进行协整检验。

表1  单位根检验结果

注：*，**，***分别表示在 10%显著性水平上显著，在 5%显著性水平上显著，在 1%显著性水平上显著。Δ为一阶差分符号

2.协整检验

单位根的结果显示技术进步、企业规模、企业产出水平三个变量存在不平稳性，但是各变量都是一阶单整，可进行协整检验。协整检验方法主要包括Kao检验以及Pedroni检验，本文使用Eviews10.0对数据进行协整检验。其中，Kao检验以及pedroni的原假设H0均为：变量间不存在协整关系。从表2的检验结果显示，Kao检验的ADF统计量值为-11.6267，且在1%的显著性水平上显著，拒绝面板数据不存在协整关系的原假设，说明Kao检验支持各变量间存在协整关系的结论。Pedroni检验结果显示panel v、Panel rho以及Group rho统计量的P值不显著，表明三者不拒绝原假设，其他统计量均拒绝原假设。由于样本期数为12（<20）,一般来说认为Pedroni检验的Panel ADF以及Group ADF统计量的检验结果更具有效性，因此本文选择Panel ADF以及Group ADF统计量的检验结果为依据。从检验结果中可以看出，Panel ADF值以及Group ADF值均在1%的显著水平上显著，拒绝面板数据不存在协整关系的原假设，表明Pedroni检验支持各变量存在协整关系的结论。综上所述，Kao检验以及Pedroni检验均支持面板数据存在协整关系，说明数据在长期内平稳并且不存在伪回归，适合进行回归分析。

表2  协整检验结果

（三）技术进步的测算

本文采用DEA-Malmquist 指数法对全要素生产率（TFP）进行分解为技术效率指数以及技术进步指数，在规模报酬不变的情况下：TFP=effch*tech=pech*sech*tech，由于DEA-Malmquist指数法可以不考虑任何假定条件，适合于多产出多投入的情形，因此被广泛使用。本文在借鉴前者的相关研究的基础上，将职工工资总额、主营业务成本以及固定资产净值作为投入指标，税前利润总额以及主营业务收入作为产出指标，投入-产出指数表如下表所示。

表3  投入-产出指数表

从表3中的全要素生产率及其分解情况可以看出，2008年至2019年期间67家服务业企业全要素生产率（TFP）的平均增长率为10.47%，表明总体上服务企业全要素生产率呈现上升趋势。技术进步的平均增长率为14.8%，表明技术进步这段期间呈现增长趋势；技术效率、纯技术效率、规模效率的平均增长率为7.08%、8.26%以及8.57%。

从TFP指数角度分析，我们可以发现全要素生产率指数变化反复，呈现波浪形特征，总体上呈现先上升后下降再上升的趋势。2008～2011年全要素生产率（TFP）从7.39%上升到10.9%，2012年开始下降，2015年开始回升，2018年达到最大值13.49%，之后2019年又开始下降。

表4  服务业2008～2019年全要素生产率指数及其分解情况

（四）回归结果及分析

一般来说，面板数据主要使用固定效应模型（FE）以及随机效应模型（RE）进行面板回归分析。本文采用stata14.0进行豪斯曼检验，原假设H₀为：支持随机效应模型，以确定回归模型。豪斯曼检验结果显示，prob值在1%的显著性水平上显著，明显拒绝支持随机效应的原假设，因此本文选取固定效应模型对面板数据进行回归分析。为检验回归结果的稳健性，本文将采取对被解释变量滞后一期的方式对面板数据进行固定效应回归分析，回归结果如下表所示。

表5  回归结果

注：*，**，***分别表示在 10%显著性水平上显著，在 5%显著性水平上显著，在 1%显著性水平上显著。

从表5第二列的回归结果可以看出，技术进步以及职工工资与服务业就业数量之间存在着显著的关系。技术进步指数在1%的显著性水平上显著且为负，表明技术进步与服务业企业就业数量之间存在负相关关系，具体而言，技术进步每进步一个单位（1%），服务业企业就业数量减少29人。职工工资系数在1%的显著性水平上显著且为正，表示职工工资与服务业企业就业数量之间存在正相关关系。企业规模以及企业产出水平在5%的水平上显著且对就业数量具有负向影响。

从表5的第三列的回归结果可以看出，与基准回归相比，技术进步、职工工资与就业数量之间的关系呈现显著的影响关系，这说明技术进步与职工工资并不受当期解释变量与残差之间相关所导致的内生性的影响，可以得出回归结果具有稳健性。

三、结论

本文采用我国67家服务业上市公司的面板数据，实证分析了服务业技术进步与企业就业数量之间的关系。研究结果表明，技术进步对服务业企业就业数量具有显著的替代效应，即技术进步造成服务业企业就业数量的减少，主要原因是技术进步可能导致企业对技能劳动人员的需求增加，而对非技能劳动就业人员需求的减少，其中技能劳动就业人员的增加程度无法抵消非技能劳动人员减少的程度，故总体就业数量减少。与此同时，职工工资水平也对服务业就业数量产生显著的影响，工资水平上升能促进服务企业就业。

参考文献：

[1]邓洲,黄娅娜.人工智能发展的就业影响研究[J].学习与探索,2019(07):99-106+175.

[2]齐建国.中国总量就业与科技进步的关系研究[J].数量经济技术经济研究,2002(12):24-29.

[3]Peters B. Employment effects of different innovation activities: Microeconometric evidence[J]. ZEW-Centre for European Economic Research Discussion Paper, 2004 (04-073).

[4]陈章勇,周宇娇.基于人工智能背景的物流业就业岗位问题研究[J].商场现代化,2018(11):18-20.

[5]崔友平,金玉国,王晓.技术进步对中国就业影响的实证分析:1995～2013年[J].经济社会体制比较,2015(04):154-164.

[6]Chiacchio F, Petropoulos G, Pichler D. The impact of industrial robots on EU employment and wages: A local labour market approach[R]. Bruegel working paper, 2018.