专栏名称: 文献和生活都在这里打卡吧

每天阅读一篇论文并不定期分享生活，坚持不下来是小狗！汪！

【中国工业经济】人才引进政策、劳动力优化配置与制造业智能化

文献和生活都在这里打卡吧 · 公众号 · · 2024-07-16 21:08

正文

文章以2016—2019年多地出台的人才引进政策为准自然实验，研究人才引进政策是否能够提高制造业企业的智能化水平。

1.引言

【结构 / 逻辑】

（第一段）通过国家政策和领导人语录证明“实施人才强国战略，储备国家战略人才以及智能化相关人才至关重要”。

（第二段） 2016 年以来各城市相继出台了人才引进政策，且通过两方面产生了显著的人才吸引效应 + 强调人才引进政策与工业机器人的应用、制造业智能化进程的关联 + 提出问题：“人才引进政策如何促进工业机器人的应用，加快制造业智能化进程“

（第三段）文章工作 + 主要研究结论。

（第四段）文章贡献：①从新视角（高技能劳动力供给的视角）扩展经典研究（劳动力市场摩擦如何影响企业智能化投资的研究）；②从新角度（制造业智能化角度）拓展了现有文献（劳动力流动的微观经济后果的文献）；③现实意义，上升政治高度（为深入实施人才强国战略和制造强国战略提供了理论支持和政策依据）。

2. 制度背景与研究假说

（1）制度背景

2016年以来，很多地方开始重视人才引进，大规模实施人才引进政策。此次人才引进政策呈现出规模大、范围广、力度大、效应强等特点。人才引进政策主要通过政府补贴和各种优惠措施来吸引高水平人才，提高了劳动力技能溢价，改善了高技能劳动力市场环境，成为吸引高技能劳动力流入的强有力工具。（和引言稍有重复，并未有更深入的数据和剖析）。

（2）研究假说

人才引进政策增加了城市高技能劳动力供给，为企业承担了部分人才雇佣成本，促使企业优化劳动力结构、雇佣更多高技能劳动力（补贴奖励措施和福利保障措施提高了人才就业的劳动报酬；企业可以不必为雇佣高技能人才而支付额外的薪酬补贴），进而为企业采用工业机器人提供人才支撑，充分发挥互补效应，为企业智能制造赋能（“资本—技能”互补理论认为，自动化技术对从事非常规任务的工人具有互补性，工业机器人与高技能劳动力作为生产要素，共同参与企业的生产过程，呈现出明显的人机协同效应。一方面，雇佣更多的高技能劳动力为企业采用工业机器人提供了人才支撑，满足了机器人应用对技能劳动力的需求；另一方面，工业机器人的安装调试、操作使用及系统维护等也需要相应的技能劳动力）。基于上述分析，文章提出：

假说：人才引进政策增加了企业高技能劳动力雇佣，从而促进企业采用更多的工业机器人，推动了制造业智能化发展。

3. 研究设计

（1）样本和数据

文章以2016—2019年各城市出台的人才引进政策作为外生冲击，对2013—2019年中国沪深A股制造业上市公司采用工业机器人实现智能化生产的决策进行研究。工业机器人数据从国际机器人联合会（IFR）获得。此外，工业机器人主要应用于制造业领域，选取制造业企业作为研究样本。人才引进政策数据为手工搜集整理。企业雇员数据从WIND数据库获得，财务数据从CSMAR数据库获得。

（2）模型设定和变量定义

4. 检验结果与分析

（1）基准检验结果

表3第（1）、（2）列为企业机器人安装量LFRI的检验结果， Talent的系数在1%的水平上显著。第（3）、（4）列为企业的工业机器人安装量LFRIY的检验结果， Talent系数估计值相近且均显著为正，支持了本文假说。

Stata 代码：

**********************************基准回归***************************************///表3use 数据1.dta,clearreghdfe LFRI Talent,absorb(firm_id year cityid) vce(cluster firm_id)reghdfe LFRI Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)reghdfe LFRIY Talent ,absorb(firm_id year cityid) vce(cluster firm_id)reghdfe LFRIY Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)

（2）DID有效性检验

包括：平行趋势假设检验（以事件发生前一年为基期）和安慰剂检验（随机分配实施政策的城市和人才引进政策实施年份，并进行 500 次的蒙特卡洛模拟）。

Stata 代码：

**********************************DID有效性检验**********************************  ///附图1use 数据1.dta,cleargen yeardif=year-year_releventdd LFRI Size ROA Lev Age SA,  timevar(yeardif) noline ///        baseline(-1)  level(95) ///        method(hdfe, absorb(firm_id year cityid) vce(cluster firm_id)) ///    inrange leads(6) lags(3) ///    coef_op(m(oh) c(l) color(black) lcolor(black)) ///    graph_op (yline(0, lwidth (vthin) lpattern (solid) ) ///    xline(5,lwidth(vthin) lpattern(solid)) ///    xtitle(year relative to the Talent Policy) ///    ytitle("Coefficient（LFRI）") ///    xlabel(-6(1)3) ///    xline(0, lc(black*0.5) lp(dash)) ///    graphregion(fcolor(white)) ///    title("平行趋势图——LFRI") ///    legend(order(2 "Estimates" 1 "95% confidence interval" )))graph export para_LFRI.png, replace  
use 数据1.dta,cleargen yeardif=year-year_releventdd LFRIY Size ROA Lev Age SA,  timevar(yeardif) noline ///        baseline(-1)  level(95) ///        method(hdfe, absorb(firm_id year cityid) vce(cluster firm_id)) ///    inrange leads(6) lags(3) ///    coef_op(m(oh) c(l) color(black) lcolor(black)) ///    graph_op (yline(0, lwidth (vthin) lpattern (solid) ) ///    xline(5,lwidth(vthin) lpattern(solid)) ///    xtitle(year relative to the Talent Policy) ///    ytitle("Coefficient（LFRIY）") ///    xlabel(-6(1)3) ///    xline(0, lc(black*0.5) lp(dash)) ///    graphregion(fcolor(white)) ///    title("平行趋势图——LFRIY") ///    legend(order(2 "Estimates" 1 "95% confidence interval" )))graph export para_LFRIY.png, replace  
///附图2use 数据1.dta,clearpermute Talent beta = _b[Talent] se = _se[Talent] df = e(df_r),  ///reps(500) seed(123




    
) saving("LFRI.dta"): ///reghdfe LFRI Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)#delimit ;use LFRI.dta,cleargen t_value = beta / segen p_value = 2 * ttail(df, abs(beta/se))twoway (scatter p_value beta)(kdensity beta, yaxis(2)),  /// xline(0.0424, lc(black*0.5) lp(dash))  ///xline(0, lc(black*0.5) lp(solid))   ///yline(0.1, lc(black*0.5) lp(dash))  ///xlabel(-0.05(0.02)0.05)  ///xtitle("LFRI Estimator", size(*0.8)) xlabel(, format(%4.2f) labsize(small))  ///ytitle("P Value", size(*0.8)) ylabel( , nogrid format(%4.1f) labsize(small))   ///ytitle("Density", size(*0.8) axis(2)) ylabel( , nogrid format(%4.1f) labsize(small) axis(2))  ///legend(r(1) order(1 "P Value" 2 "Estimator"))  ///graphregion(color(white))#delimit cr
use 数据1.dta,clearpermute Talent beta = _b[Talent] se = _se[Talent] df = e(df_r),  ///reps(500) seed(123) saving("LFRIY.dta"): ///reghdfe LFRIY Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)#delimit ;use LFRIY.dta,cleargen t_value = beta / segen p_value = 2 * ttail(df, abs(beta/se))twoway (scatter p_value beta)(kdensity beta, yaxis(2)),  /// xline(0.0340, lc(black*0.5) lp(dash))  ///xline(0, lc(black*0.5) lp(solid))   ///yline(0.1, lc(black*0.5) lp(dash))  ///xlabel(-0.05(0.02)0.05)  ///xtitle("LFRIY Estimator", size(*0.8)) xlabel(, format(%4.2f) labsize(small))  ///ytitle("P Value", size(*0.8)) ylabel( , nogrid format(%4.1f) labsize(small))   ///ytitle("Density", size(*0.8) axis(2)) ylabel( , nogrid format(%4.1f) labsize(small) axis(2))  ///legend(r(1) order(1 "P Value" 2 "Estimator"))  ///graphregion(color(white))#delimit cr

（3）稳健性检验

包括：替换被解释变量（采用机器人存量指标替换被解释变量）；潜在遗漏变量问题（排除了行政区划变动、户籍制度改革、城市人工智能发展的影响）；倾向得分匹配；潜在反向因果关系问题（采用比本城市 GDP 排名高的 10 个城市中出台人才引进政策的城市数量做工具变量进行检验）；多期 DID 存在的异质性问题（采用 CSDID 和交错 DID 模型）。

Stata 代码：

**********************************稳健性检验**********************************  ///附表1use 数据1.dta,clearreghdfe LFRO Talent,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRO Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFROY Talent ,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFROY Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///附表2-列（1）-（2）use 数据1.dta,cleardrop if city=="三沙市"  | city=="海东地区"  | city=="日喀则市" | city=="昌都市" /// | city=="儋州市" | city=="林芝市" | city=="吐鲁番市" | city=="吐鲁番市" | city=="哈密地区" /// | city=="哈密市" | city=="山南市" | city=="那曲市" | city=="莱芜市" | city=="济南市" reghdfe LFRI Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///附表2-列（3）-（4）    use 数据附表2-34.dta,clearreghdfe LFRI Talent Size ROA Lev Age SA Hukou,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA Hukou,absorb(firm_id year cityid) vce(cluster firm_id)
///附表3use 数据附表3.dta,clearreghdfe LFRI Talent Size ROA Lev Age SA AIfirmnum,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA AIfirmnum,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Size ROA Lev Age SA AIpatenta,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA AIpatenta,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Size ROA Lev Age SA AIpatentg,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA AIpatentg,absorb(firm_id year cityid) vce(cluster firm_id)
///附表4use 数据附表4.dta,clearreghdfe LFRI Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)

///附表5use 数据附表5.dta,cleartsset firm_id yearprobit Talent Citynum Size ROA Lev Age SAereturn listpredict Talenthatreghdfe LFRI Talenthat Size ROA Lev Age SA, absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talenthat Size ROA Lev Age SA, absorb(firm_id year cityid) vce(cluster firm_id) ///附表6-列（1）-（2） use 数据附表6-12.dta,cleargen perid=0replace perid=2016 if year_rel==2016replace perid=2017 if year_rel==2017replace perid=2018 if year_rel==2018replace




    
 perid=2019 if year_rel==2019csdid LFRI Talent Size ROA Lev Age SA,ivar(firm_id) time(year) gvar(perid) method(dripw) estat allestat eventest store csdid1csdid LFRIY Talent Size ROA Lev Age SA,ivar(firm_id) time(year) gvar(perid) method(dripw) estat allestat eventest store csdid2
///附表6-列（3）-（4） use 数据附表6-34.dta,clearreghdfe LFRI Talent Size ROA Lev Age SA,absorb(group_firm_id group_year cityid) vce(cluster group_firm_id)
reghdfe LFRIY Talent Size ROA Lev Age SA,absorb(group_firm_id group_year cityid) vce(cluster group_firm_id)

（4）机制检验

将硕士及以上学历员工、技术员工均认定为高技能人才。按学历分类，Master_labor为硕士及以上学历员工占比。按部门分类，Tech_labor为技术员工占比。采用智联招聘中的企业各类员工招聘数据进行检验，Master_labor_Hiring为硕士及以上学历员工招聘数量除以企业雇员人数，Tech_labor_Hiring为技术员工招聘数量除以企业雇员人数，Robot_labor_Hiring为机器人相关员工招聘数量除以企业雇员人数。高技能劳动力雇佣的检验结果如表4所示，第（1）列结果表明，人才引进政策显著增加了企业对高学历人才的雇佣。从第（2）列看，人才引进政策显著提高了技术员工占比。第（3）—（5）列表明，人才引进政策实施后，企业增加了硕士及以上学历员工的招聘、技术员工的招聘以及机器人相关人才的招聘。

定义普通员工的平均工资Laverage_wage为普通职工薪酬总额与普通职工人数之比的自然对数。按照学历划分技能劳动力，得到高技能劳动力平均工资的自然对数LMaster_wage。LMasterH_wage为硕士及以上学历员工工资的自然对数，LTechH_wage为技术员工工资的自然对数，LRobotH_wage为机器人相关员工工资的自然对数，LHiring_wage为企业所有招聘员工工资的自然对数。表5报告了企业劳动力工资的检验结果，第（1）—（6）列表明，人才引进政策既没有增加企业的整体劳动力成本，也没有增加高技能劳动力的招聘成本和雇佣成本。因此，人才引进政策使得企业在不增加额外劳动力成本的情况下提升了企业高技能劳动力比例，优化了劳动力结构，为企业采用机器人实现智能化生产创造了条件。

Stata 代码：

**********************************机制检验***************************************    ///表4-列（1）-（2）use 数据表4-12列.dta,clearreghdfe Master_labor Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe Tech_labor Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
///表4-列（3）-（5）use 数据表4-345列.dta,clearreghdfe Master_labor_Hiring Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe Tech_labor_Hiring Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe Robot_labor_Hiring Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
///表5-列（1）-（2）use 数据表5-12列.dta,clearreghdfe LMaster_wage Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe Laverage_wage Talent Size ROA Lev Age SA ,absorb(firm_id year cityid) vce(cluster firm_id)
///表5-列（3）use 数据表5-3列.dta,clearreghdfe LMasterH_wage Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表5-列（4）use 数据表5-4列.dta,clearreghdfe LTechH_wage Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表5-列（5）use 数据表5-5列.dta,clearreghdfe LRobotH_wage Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表5-列（6）use 数据表5-6列.dta,clearreghdfe LHiring_wage Talent Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)

5. 进一步检验

（1）异质性检验

①政策层面

主要探讨人才引进政策强度、人才引进政策门槛、制造业和智能化相关人才政策以及激励政策的对基准结果的异质性影响。

人才引进政策强度Intensity，采用人才措施数量衡量。人才引进政策门槛Thr，若人才引进政策中对专业技能或海外人才同时进行限制取2，若仅限制其中一项则取1，没有限制取0。表6交互项系数检验结果说明，当人才引进政策更多元化、更有专业针对性时，对企业智能化发展越有利。

制造业相关政策 Manuf ，当人才政策重点引进制造业行业人才，或急需特定技术技能人才时，制造业变量 Manuf 取 1 ，否则为 0 。智能化相关政策 Intelligence ，当人才政策重点引进智能制造、先进制造以及现代制造等行业人才，或急需特定技术技能人才时，智能化变量 Intelligence 取 1 ，否则为 0 。表 7 为交互项的系数检验结果。

激励政策具体包括：安居落户政策 House ，若人才政策中包含购房、周转租房、租房补贴、安家补贴以及落户等取 1 ，否则取 0 ；创新创业政策 Inno ，若人才政策中包含创新创业相关现金补贴、融资支持、场地补贴、成果奖励，以及风险分担等取 1 ，否则取 0 ；经济补贴 Cash ，若人才政策中包含就业补贴、生活补贴、学习培训，以及税收奖励等取 1 ，否则取 0 ；绩效奖励 Award ，若人才政策中包含成果奖励以及业绩奖励等取 1 ，否则取 0 ；家属安置 Family ，若人才引进政策中包含子女读幼儿园、小学、初中、高中的政策，以及家属补贴（指若家属无工作给予社保、生活补贴）、就业安置（指为家属安排工作）等取 1 ，否则取 0 ；医疗保障 Heacare ，若人才引进政策中包含医疗保障措施取 1 ，否则取 0 。表 8 为交互项的系数检验结果。

Stata 代码：

**********************************进一步检验***************************************    *****政策异质性 ///表6use 数据异质性检验.dta,clearreghdfe LFRI Talent Talent_Intensity Intensity Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Intensity Intensity Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Thr Thr Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Thr Thr Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表7 reghdfe LFRI Talent Talent_Manuf Manuf Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Manuf Manuf Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Intelligence Intelligence Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Intelligence Intelligence Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表8(Panel A)reghdfe LFRI Talent Talent_House House Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Inno Inno Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Cash Cash Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Award Award Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Family Family Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRI Talent Talent_Heacare Heacare Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
///表8(Panel B)reghdfe LFRIY Talent Talent_House House Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Inno Inno Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Cash Cash Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Award Award Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Family Family Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)
reghdfe LFRIY Talent Talent_Heacare Heacare Size ROA Lev Age SA,absorb(firm_id year cityid) vce(cluster firm_id)

②企业层面

分别采用2013—2015年企业的托宾Q均值和研发支出占营业收入比重的均值来构建企业投资机会和研发强度特征指标，高于均值中位数为投资机会多、研发强度高的企业，取值为1，否则取0。 Talent_Growth系数均显著为正，说明人才引进政策的智能化效应对成长潜力大的企业更强。交互项Talent_RD系数显著为正，说明企业研发强度越高时，企业更有可能把握政策机会增加工业机器人投入。 Talent_Non-SOE系数显著为正，相对于国有企业来说，非国有企业利用人才引进政策的动机更强。

Stata 代码：

*****企业异质性

【中国工业经济】人才引进政策、劳动力优化配置与制造业智能化

正文

请到「今天看啥」查看全文