- 数据分析
- 数据治理
- 产品解决方案
- 行业解决方案
- 案例
- 数据资产入表
- 赋能中心
- 伙伴
- 关于
时间：2024-03-28来源：章鱼小丸子浏览数：13次
在数字经济时代，数据要素的重要性日益凸显。中国不仅拥有构建超大规模数据市场的条件，也具备在数字经济时代获得战略先机的基础。据国际数据公司（IDC）测算，中国拥有的数据量将在 2025 年达到惊人的 48.6ZB，占全球数据量的 27.8%，远高于美国的 17.5%。数据要素作为核心生产要素，势必会改变企业原有生产经营模式与要素投入，进而对以劳动力为代表的传统生产要素体系产生深远影响。然而，中国的劳动力就业市场既面临需求收缩、供给冲击、预期转弱等问题，也面临数字经济在就业载体、就业形态、劳动内容及要求等方面的挑战，从而进一步加剧了劳动力市场的不稳定性。数据要素的经济红利不仅有助于缓解严峻的劳动力市场就业形势，也有助于实现劳动力市场高质量发展。
已有文献主要研究数据要素的概念、经济特征、数据要素市场化建设及价值创造等。在数据要素价值创造方面，学术界主要聚焦于企业决策、生产效率、创新水平、经济高质量发展等 ，鲜有文献从数据要素集聚与劳动力市场的角度展开探讨。因此，本文使用 2007—2021 年的 A 股上市企业数据，以大数据综合试验区作为准自然实验，通过构建双重差分模型，探究数据要素集聚对企业就业的影响。
本文的边际贡献在于：（1）理论推导数据要素集聚对劳动力市场的传导机制，并实证检验数据要素集聚在劳动力市场中的价值创造能力，为缓解严峻的就业形势提供新思路；（2）进一步从要素密集度与所有制结构视角，探究数据要素集聚对企业就业的异质性影响；（3）拓展分析数据要素集聚对企业内部收入均等化和创新创业活动的影响。
部分文献探究了数据要素的经济特征。与传统要素相比，数据要素有非竞争性、外部性、低复制成本、即时性和非排他性的技术经济特征。认为，数据要素有边际成本趋于零的特点。认为，数据要素具有价值不确定性的特征。认为，数据要素具有依赖性的特征。综上所述，本文将数据要素的经济特征归结于非独立性、规模报酬递增、外部性与部分排他性（或非排他性）。非独立性是指数据要素不仅需要借助现代信息网络平台，也需要与劳动力要素结合，才能实现价值创造。可复制性、零运输成本使数据要素表现出非竞争性、边际成本为零，导致数据要素呈现出规模报酬递增的特点。数据要素与人力资本的融合，使数据要素表现出正外部性的特点。考虑到数据要素产权的分类，数据要素也具有部分排他性或非排他性的特点。
还有部分文献探究了数据要素的价值创造能力。通过构建“链式决策流程优化”模型，证明了优化市场资源配置决策与企业运行决策是数据要素赋能经济活动的有效途径。Agrawal et al（2021）从决策视角出发，发现大数据分析技术进步与数据要素的结合，可以提升企业预测有用知识组合的精度，进而提升企业创新效率。发现，企业在生产、运营和销售过程中对大量用户数据进行分析与处理，可使企业精准把握客户需求与偏好，进而加快企业产品与服务的迭代创新。指出，数据要素规模的扩大会促进数字技术的指数型发展，并且数据要素对创新活动的推动会促进偏向型技术进步，进而对产业结构起到优化作用。在上述分析的基础上，数据要素还可以通过提升企业生产力水平、改进产品质量、提高全要素生产率、提升绿色发展与社会福利水平等，推动经济高质量发展。
学者们对劳动力市场的研究多聚焦于数字经济、企业数字化转型，数字普惠金融方面，而本文从以数字技术、人工智能为代表的技术进步视角展开分析。目前，技术进步对就业在量上的影响还难以形成一致的结论，大致可以分为技术乐观主义与经济悲观主义。技术乐观主义更看重经济的长远发展，重视新技术的研发与传播，认为技术进步对就业的创造效应优于破坏效应。经济悲观主义则更看重新技术与劳动力要素的融合程度，认为新技术部署的速度和深度是导致岗位流失的重要原因，尤其是在传统制造业领域。不同的研究假设、方法、背景等，是造成这一矛盾结论的主要原因。
技术进步也会影响就业结构。数字技术加快了服务业领域的就业进程，并使得服务业就业集中化。“超级明星企业”和“超级平台”等少数率先掌握领先技术的企业，拥有绝对的市场地位与就业优势，不仅贡献了大部分的数字经济产值，也吸收了大部分就业。此外，数字技术加剧了科技进步对劳动力市场造成的就业极化现象。中等技能岗位劳动者被迫重新就业，并且一部分劳动者受个体学习与适应能力的影响，会流向零售、旅游或运输等低端服务业，而另外一部分劳动者可能通过职业技能培训流向了高技能岗位。
综上所述，关于数据要素对就业影响的研究已十分丰富，但大部分文献主要从数字技术角度展开研究。数据要素的价值创造能力固然离不开数字技术，但数据要素固有的经济特征和价值创造能力也不容忽视。
近年来，随着全球数字经济的迅猛发展，数据要素深刻改变了传统生产要素体系。回顾生产要素发展历程，亚当·斯密首先在《国富论》中将劳动力、资本与土地作为主要生产要素。随后工业革命使技术与知识快速发展，约瑟夫·熊彼特等人将知识纳入生产要素体系。一国或地区掌握的数据资源规模及转化为生产力的能力，已成为提升全球竞争力的重要因素，而数据要素作为核心生产要素，对劳动力就业会产生深远影响。
作为中国首个数字经济试点政策，大数据综合试验区旨在进行大数据制度创新、公共数据开放共享、大数据创新应用、大数据产业集聚、大数据流通、数据中心整合利用、大数据国际交流合作等方面的试验探索。大数据综合试验区通过数字补贴、完善数字基础设施建设的相关法律制度，为试点区企业营造了良好的数字经济发展环境，不仅加速了数据要素与数字人才的集聚，也强化了知识与数据要素的外溢性，从而促进了数据生态的构建。
数字政府补贴政策降低了试验区企业的试错成本，实现了数字产业集聚。区域性大数据基础设施的建立，有助于发挥数据要素在数字时代的基础性作用。例如，“云上贵州”平台的搭建和相关数字安全法律的出台，不仅有助于实现数据要素价值与共享，也激发了企业的创新热情与创新能力。大数据综合试验区通过集聚数据产业实现了数据要素的集聚 ，不仅降低了信息交流成本，提升了企业获取的数据要素数量与质量，也强化了数据要素本身的正外部性特点，为试验区企业创造了良好的数字环境。
随着数据的收集、处理、分析等成本大幅降低，数据要素逐渐成为推动新一轮科技革命和产业变革的关键要素。数据要素作为数字革命时代的关键生产要素，有非独立性、规模报酬递增、外部性与部分排他性（或非排他性）的特点。
不同于传统意义上的生产要素，数据要素本身无法独立创造价值。作为虚拟生产要素，数据要素不仅需要借助现代信息网络平台，也需要与传统生产要素结合，从而推动企业产品和技术创新。数据要素的可复制性和零运输成本，使数据要素表现出非竞争性的特点，从而决定了数据的高使用效率与巨大的潜在经济价值。数据要素的非竞争性特点，使数据要素在与劳动力要素结合时可以被每一位劳动者使用，从而减轻了企业的要素成本压力。同时，数据要素与传统要素的融合推动了企业在生产决策、企业管理等方面的技术进步，不仅使数据要素呈现出规模报酬递增的特点，也会提升生产效率。
数据要素还具有外部性与部分排他性（或非排他性）的特点。“数据二十条”将中国数据要素划分为公共数据、企业数据与个人数据，公共数据有非排他性，企业数据与个人数据要素具有高度排他性。此外，与其他传统的虚拟要素类似，数据要素也会被固定在人力资本之中，并随劳动力的迁移而发生扩散，从而使数据要素具有一定的外部性。数据要素的上述特点使数据要素对劳动力要素表现出破坏效应与创造效应，本文分别从就业规模与就业结构视角展开分析。
数据要素具有规模报酬递增、正外部性与数据赋能的特点，使其对就业规模表现出创造效应。数据要素在生产过程中与劳动要素的融合，会使企业增加劳动力需求。数据要素通过赋能其他生产资料，改变了生产过程中的要素投入组合与转化效率，进而提高了要素的边际产出水平。数据要素与劳动要素的结合可以提高劳动生产率，而与管理要素的结合可以减少信息扭曲和信息丢失。根据厂商要素使用原则，劳动力要素边际产出的增加将提升企业用工需求，进而扩大企业就业规模。数据要素蕴含的有效信息不仅能够减少企业运行的不确定性，也可以降低交易成本，提高企业决策的科学性，进而通过产出的就业带动效应作用于企业就业规模。
此外，数据要素对劳动力就业还具有一定的破坏效应。数据要素对低人力资本劳动者或者某些具有重复劳动性质的特殊岗位具有替代效应，如智能柜员机与自助征信查询机等智能化设备替代了部分银行柜员岗位，直播带货、外卖及网约车等平台替代了一些传统销售、餐饮和部分出租车岗位等，从而使得数据要素对就业规模表现出破坏效应。因此，数据要素对企业就业规模的影响是上述两种效应综合作用的结果。
基于上述分析，本文提出假设
假设 1a：在就业创造效应优于破坏效应时，数据要素扩大了就业规模。
假设 1b：在就业破坏效应优于创造效应时，数据要素缩小了就业规模。
数据要素对劳动力市场就业技能结构的影响，主要表现为数据要素对低技能劳动者需求的下降和对高技能劳动者需求的增加。市场更高的技能水平要求减少了低技能劳动者的工作机会，部分劳动者由于自身人力资本存量较低，无法通过与数据要素的有机结合充分发挥规模报酬递增的优势。随着中国人口红利逐渐消失，企业不仅可能会直接“节约”掉部分低资本存量劳动者，也可能会使用被“节约”掉的资本雇佣高资本存量劳动者进行替代生产。需要注意的是，一般高技能劳动者的工资价格是低技能劳动者的数倍，这种替代的结果可能会降低就业规模。此外，劳动力市场数字化降低了企业使用低技能劳动者替代高技能劳动者的可能性。数据要素在数字平台具有零成本运输的特点，促进了企业“在线办公”“异地办公”和“共享员工”。劳动力流动不仅不再局限于劳动者个人在地理位置上的变化，也表现为人力资本在空间上的流动。因此，这类新型办公形式一定程度上缓解了摩擦性失业与结构性失业，降低了企业使用低技能劳动者替代高技能劳动者的可能性，从而优化了就业技能结构。
数据要素对劳动力市场就业职能结构的影响，主要表现为数据要素对某些传统岗位的破坏效应和对新业态岗位的创造效应。管理的精细化与生产的智能化降低了企业对大量传统岗位的需求。企业通过分析与处理生产、运营和销售过程中伴生的大量数据，使企业可以优化生产流程参数，进而实现各阶段的精细化管理和智能化设备的融入。例如，数据要素“可视化”应用技术，通过对供应链的实时监控，保证生产的持续进行。这一优化过程既降低了生产与运营成本，也降低了企业对生产、监管、物流等中等职能岗位的需求。劳动力市场数字化减少了企业对线下传统岗位的需求，使得依附于互联网载体的数据要素成为实现灵活就业的重要生产资料。平台型企业将过去的全职工作分解为若干片段性任务，为全职岗位兼职化的出现提供了基础。线上灵活就业门槛低、容量大的特点不仅替代了大量的线下常规操作型岗位，也优化了就业职能结构。
基于上述分析，本文提出假设
假设 2a：数据要素优化了就业技能结构。
假设 2b：数据要素优化了就业职能结构。
数据要素主要通过加快企业数字化转型、促进劳动力要素流动和提升人力资本水平，影响企业就业规模与就业结构，而大数据综合试验区通过数据要素集聚进一步强化了这种影响。
1.企业数字化转型。数字化转型已成为企业实现高质量发展的必由之路。根据制度变迁理论，新制度导致制度内成员可以获得制度外成员无法获得的追加收入。大数据综合试验区为试点内单位提供了“排他性”的政策资源偏向优势，不仅降低了企业试错成本，也加大了试点内企业数字化转型的动力与能力；大数据综合试验区通过新旧动能接续切换、真实物理空间与虚拟网络空间交互融合、构造数字生态圈和驱动价值链攀升等路径，赋能企业数字化转型。
企业数字化转型既提升了企业绩效，也对企业就业规模与结构产生了影响。企业数字化转型对就业职能结构的影响，不仅表现为数字化转型对中等职能劳动者的破坏效应，也表现为对低等和高等职能劳动者的创造效应。数字化转型优化了企业的生产流程参数，促进生产环节管理更加精细化。智能工厂、工业机器人、数控机床等智能化设备的投入不仅节约了人工成本，降低了制造费用，也替代了部分负责常规型操作的中等职能劳动者。随着企业数字化转型程度的加深，企业增加了技术研发型职能劳动者的需求。区块链、物联网等技术向上游的延伸可追溯到产品供应商，而大数据、智能终端等设备向下游的延伸可以获取用户反馈信息，进而改善销售与服务质量，提升产品价值。在这一过程中，企业加大了对销售、服务等低等职能劳动者的需求。
企业数字化转型对就业技能结构的影响，主要表现为企业数字化转型对高技能劳动者的创造效应和对技能劳动者的破坏效应。新一代信息技术与生产的融合对劳动者技能和素质提出了更高要求，从而表现为数字化转型对高技能劳动者的创造效应。此外，企业数字化转型加快了产业转型升级与生产过程的智能化，从而对低技能劳动者产生了破坏效应。综上，数字化转型通过优化企业职能结构与技能结构，影响企业就业规模。
基于上述分析，本文提出假设 。
假设 3a：数据要素通过加快企业数字化转型扩大了就业规模。
假设 3b：数据要素通过加快企业数字化转型缩小了就业规模。
假设 3c：数据要素通过加快企业数字化转型优化了就业结构。
2.劳动力要素流动。2020 年 3 月，国务院出台的《关于构建更加完善的要素市场化配置体制机制的意见》，强调了引导劳动力要素合理畅通有序流动的重要性。劳动力流动既是实现劳动力市场资源配置的基础，也是构建全国统一劳动大市场的前提。在数字经济时代，数字经济的高渗透性、高协同性能够改变要素配置，不仅有利于加快行业间、地区间的劳动力流动，也有助于进一步优化区域劳动力市场配置。具体来看，数据要素与生产要素的结合改变了地区要素禀赋，使得劳动力在地区间面临新一轮调整。“在线办公”和“异地办公”使得劳动力流动不再局限于劳动者个人在地理位置上的变化。数据要素与生产的融合不仅加强了企业的精细化管理，衍生出了新行业和新业态，也可以通过影响劳动需求，促进劳动力要素流动。数据要素在一定程度上既解决了信息不对称导致的要素市场垄断问题，也减少了劳动者的信息搜集成本和流动成本，从而加快了劳动要素的形成、集聚和转移。
劳动力流动对就业的影响主要依附于劳动力市场供求关系。在数字时代，绝对生产力的大幅度提升和产业结构的不断优化，对劳动力市场产生了重要影响。数据要素通过赋能传统生产要素，提升了企业的绝对生产力。数据要素的正外部性不仅提升了产品生产效率，也提高了其他产品和产业的绝对生产力。数据要素蕴含的有效信息能够降低企业运行的不确定性、交易成本和经济发展风险，从而通过产出的就业带动效应作用于就业规模与就业结构。人工智能、大数据和工业物联网等不仅促进了产业结构升级，也对就业产生了较大影响。在不完全市场经济中，信息不对称既降低了数字时代对劳动力市场产生的有利冲击，也加剧了劳动力市场波动造成的不利影响，而较强的劳动力流动性可以有效缓解这类问题。劳动力的有效流动不仅减少了部分低人力资本劳动者的就业机会，也降低了企业使用低技能水平劳动者替代高技能劳动者的可能性。因此，数据要素可能会引发大量技能型结构性失业，进而降低了就业规模。
基于上述分析，本文提出假设 。
假设 4a：数据要素通过加快劳动力流动扩大了就业规模。
假设 4b：数据要素通过加快劳动力流动缩小了就业规模。
假设 4c：数据要素通过加快劳动力流动优化了就业结构。
3.人力资本水平。人力资本不仅是企业技术进步的重要源泉，也是提升技术应用效率及其他要素产出效率的重要途径。在数字时代，提升人力资本水平是劳动者避免被“挤出”劳动力市场的关键。人力资本理论主要包括教育、职业技能培训、健康及劳动者流动等。具体来看，随着数据要素被纳入生产要素范畴，传统行业及其衍生出的新业态对劳动者的技能素养提出了新要求。用工单位通过开展专项职业技能培训，增强了劳动者与数据要素结合的能力。此外，劳动者也可以借助数字平台，提升劳动者个人的人力资本水平，如借助数字教育平台接受优质教育，通过在线医疗维护劳动者健康状态。大数据综合试验区给予试点地区独特的政策资源，不仅加快了劳动力要素流动，也实现了数字产业与高人力资本劳动者的集聚，并通过“干中学”与人才集聚的“雁阵效应”，满足了地区数字经济发展对高人力资本劳动者的需要。高人力资本劳动者流动产生的知识、技术与数据要素的外溢性，间接地提升了人才流入地区的人力资本水平。
人力资本不仅直接提升了劳动力要素的边际产出水平，也会通过提高劳动力要素与数据要素的拟合程度，增强数据要素赋能劳动力要素的能力，从而增加了劳动力要素需求，扩大了就业规模，优化了就业结构。劳动力市场供给侧结构的改善，既降低了企业雇佣投资风险，也减少了部分人力资本培训成本和运行成本，从而扩大了就业规模，优化了就业结构。根据劳动力流动理论，人力资本水平对劳动者流动意愿与迁移距离呈正相关关系。较高的流动效率与较强的流动能力，提升了劳动者在数字时代适应劳动力市场快速变化的能力，从而弱化了劳动力市场波动对就业的不利影响。同时，更看重当期、学习心理成本较大、能力较差的劳动者，会逐渐被“挤出”劳动者队伍，从而降低了就业规模。
基于上述分析，本文提出假设 。
假设 5a：数据要素通过提升人力资本扩大了就业规模。
假设 5b：数据要素通过提升人力资本缩小了就业规模。
假设 5c：数据要素通过提升人力资本优化了就业结构。
其中，Labor 代表企业就业状况，进一步分解为就业规模与就业结构；i 与 t 分别表示地区及年份；Policy 代表数据要素集聚；Post 为政策实施时间；β1为大数据综合试验区对企业就业的净影响；X 为可能会对企业就业产生影响的财务特征、治理特征、地区经济特征变量；μ 和 V 分别代表年份固定效应和企业固定效应；ε 代表残差值。考虑到大数据综合试验区对经济社会的影响可能存在滞后效应，本文选取企业就业变量的滞后一期进行回归。所有回归标准误均会进行地区层面的聚类调整，以避免序列相关和异方差问题。
1.数据要素集聚（Policy），对已获批建立大数据综合试验区的地区取值为 1，否则为 0。Post 为政策实施时间的虚拟变量，政策时间在 2016 年及之后时取值为 1，在 2016 年之前取值为 0。
2.企业就业水平（Scale），使用企业员工数的自然对数表示 。将科技人员与财务金融人员归为高技能劳动者（PS-H），将行政人员归为中技能劳动者（PS-M），将销售、市场和生产人员归为低技能劳动者（PS-L）。使用大专及以上学历表示高人力资本（CS-H），高中及以下学历表示低人力资本（CS-L）。就业结构变量均使用占比的形式表示，并进行对数化处理。
3.控制变量。本文的控制变量包括企业财务特征、治理特征和地区经济特征变量。企业财务特征层面的控制变量包括：资产报酬率（ROA），使用息税前利润与资产总额之比表示；资产周转率（AT），使用周转额与资产总额之比表示；市账率（MB），使用股东权益市值与账面价值之比表示；资产规模（SIZE），使用资产总额的自然对数表示；存货周转率（ITO），使用营业成本与存货平均余额之比衡量；资产负债率（LEV），使用负债总额与资产总额之比衡量。治理 特 征层 面的 控 制 变 量 包 括 ：管 理 费 用 率（OER），使用管理费用占比的自然对数表示；设立年龄（AGE），使用成立年限的自然对数表示；机构持股比例（INST），使用机构持股数量与总股本数量之比表示。地区经济特征层面的控制变量包括：经济水平（GDP），使用地区 GDP 增长率表示；工资水平（Wage），使用地区平均工资水平对数表示；政府收入（Gr），使用地方财政预算收入的自然对数表示。
本文选取 2007—2021 年的 A 股企业为研究对象，并剔除了金融保险行业及变量缺失的样本数据。企业层面的数据和地区经济特征变量，均取自Wind 和国泰安数据库。地级市数据均来自 《中国城市统计年鉴》。
1.数据要素集聚对企业就业规模的影响。劳动力要素成本的提升，使得数据要素对劳动力要素呈现出替代效应，从而对就业规模表现出破坏效应。数据要素的非竞争性使其在与劳动力要素结合时可以被每一位劳动者使用，并通过赋能劳动力要素和发挥正外部性等途径，增加劳动力要素的边际产出，进而对就业规模表现出创造效应。从表 2列（1）可以看出，数据要素集聚对企业就业规模的创造效应大于破坏效应，即数据要素集聚作为提升企业就业规模的实现路径是有效的，假设 1a 得证。
2.数据要素集聚对企业职能结构的影响。随着企业线上办公平台的设立，线下行政岗位逐渐被人工智能或 ICT 等技术替代，减少了企业对行政人员的需求，从而优化了就业职能结构。从表 2 列（2）、列（3）和列（4）可以看出，数据要素集聚对高、低技能劳动者均有显著的促进作用，但对中技能劳动者呈现出显著的抑制作用，表明数据要素集聚优化了就业职能结构，假设 2b 得证。
3.数据要素集聚对企业技能结构的影响。随着数据要素被纳入生产要素范畴，传统行业及其衍生出的新业态对劳动者的技能素养提出了新要求。从表 2 列（5）和列 6）可以看出，数据要素集聚对高、低技能劳动者均有正向的促进作用，且对高技能劳动者的促进作用更强，即数据要素集聚优化了企业就业技能结构，假设 2a 得证。同时，研究结论也证明了数据要素集聚对低技能劳动者的创造效应强于破坏效应。
平行趋势假设是多重差分模型成立的前提。本文将平行趋势检验模型设定为：
其中，FPostn 是虚假政策实施时间与真实政策实施时间的时间距离变量；n 代表时间距离，当 n 取1 至 4 时代表政策开放后的第 1 至 4 年，当 n 取-1至-4 时代表政策开放前的第 1 至 4 年，n 取 0 代表正常实施年份；其余变量与模型 1 中的含义相同。
为避免 FPostn 变量间的多重共线性，并考虑到样本时序区间与大数据综合试验区政策实施时间点的问题，本文将大数据综合试验区政策实施前一年作为基期，将政策实施前 4 年的数据汇总到第-4期，将政策实施后 4 年的数据汇总到第 4 期。图 1 至图 6 为平行趋势检验结果。结果表明：基准回归均通过了平行趋势假设；数据要素集聚对企业就业的促进作用具有长期时间动态效应。
为避免回归结果受其他不可观测的遗漏变量影响，需要进行城市层面的安慰剂检验。对样本内城市进行重复 500 次的随机抽样回归，得到500 个回归系数和对应的 P 值，并绘制出 500 个系数估计值的核密度分布图。从图 7 至图 12 可以看出，大部分估计系数不显著，并且基准回归的系数估计值处于虚假回归系数分布的高尾位置，属于小概率事件，从而排除了其他不可观测遗漏变量对回归的影响。
1.双重聚类标准误。为排除回归结果受地区层面相关因素及时间序列自相关因素的影响，本文对估计标准误进行了年份与地区层面的双重聚类分析。从表 3 可以看出，政策回归系数显著为正，排除了标准误聚类层级差异对基准回归的影响。
2.排除地区经济发展水平的影响。考虑到企业就业会受到地区经济发展水平的影响，本文在已有地区控制变量的基础上，剔除掉省会城市样本，再次对基准回归模型进行评估。由表 4 可知，政策回归系数仍旧显著为正，再次证明了大数据综合试验区对企业就业的促进效应。
3.排除其他政策的影响。考虑到 2012 年后的“营改增”政策可能对企业就业产生影响，本文在剔除掉 2012 年以前的样本后，重新对基准回归模型进行评估。由表 5 可知，政策对企业就业的影响依旧显著为正，再次证明了回归结果的可靠性。
本文采用的方法，使用涵盖人工智能、大数据、云计算、区块链和数字技术应用词语的词频法衡量企业数字化转型进程，并对变量进行对数化处理。表 6 列（1）为数据要素集聚对企业数字化转型的回归结果。由结果可知，数据要素集聚显著加快了企业数字化转型进程，表明数据要素集聚通过促进企业数字化转型影响企业就业，假设 3a 和假设 3c 得证。
本文采用的方法，使用城市人口变动规模衡量城市劳动力流动，在取绝对值后对其进行对数化处理。城市人口变动规模虽然不能完全替代劳动力流动规模，但两者间有很强的替代性。第七次全国人口普查数据显示，超过80%的流动人口是适龄劳动力。表 6 列（2）为数据要素集聚对劳动力流动影响的回归结果。由结果可知，数据要素集聚显著促进了劳动力市场流动，假设 4a 和假设 4c 得证。
使用平均受教育年限衡量地区人力资本水平。具体而言，将未上过学赋值为 0，小学学历赋值为 6，初中学历赋值为9，高中学历赋值为 12，专科学历赋值为 15，本科学历赋值为 16，研究生及以上学历赋值为 19，并对测算结果进行对数化处理。表 6 列（3）为数据要素集聚对人力资本水平影响的回归结果。由结果可知，数据要素集聚显著提升了地区人力资本水平，表明数据要素集聚通过提升人力资本水平影响企业就业，假设 5a、5c 得证。
（一）要素密集度异质性根据已有文献的做法，本文将企业样本分为劳动密集型、资本密集型与技术密集型部门。从表 7 列（1）—列（3）可以看出，数据要素集聚对三类部门的就业规模均表现为促进效应。表 7 列（4）—列（12）的回归结果显示，数据要素集聚对劳动密集型、技术密集型部门的高、低职能劳动者均表现出显著的促进效应，而对三类部门的中等职能结构和资本密集型部门的低等职能结构表现出抑制效应。表 7 列（13）—列（18）的回归结果显示：数据要素集聚对三类部门的低技能劳动者均表现出显著的促进效应；数据要素集聚对劳动密集型部门低技能劳动者的促进效应最强。
（一）企业内部收入均等化本文参考已有文献的方法，使用管理层与普通员 工 平 均薪酬 的比值 衡 量 企 业 内 部 薪 酬 差 距（Gap），并进行对数化处理。表 9 列（1）为数据要素集聚对企业内部收入均等化影响的回归结果。结果显示，数据要素集聚显著促进了企业内部收入均等化，即数据要素集聚对普通员工薪酬的促进效应高于管理层。可能的原因是：企业对员工的数字化技能培训不仅提高了普通员工的人力资本水平，也提高了员工的薪资待遇；根据劳动经济学中的流动理论，扁平化的收入结构会促使低人力资本劳动者流动。
（二）创新和创业活动数据要素可通过缓解融资约束、降低市场摩擦成本，促进创新创业活动。相关变量的衡量方式为：市场摩擦成本，使用市场集中度（MKT）衡量，MKT 指数越小代表市场摩擦成本越小；融资约束（KZ），使用 KZ 指数衡量，KZ 指数越大代表融资约束程度越重；企业创新（Innovation），使用《中国城市和产业创新力报告 2017》中的创新指数衡量，该指数不同于以往简单地将专利数量作为衡量创新的标准，同时还考虑到了不同年龄专利的价值差异；创业活跃度（Ent），使用新增企业数的对数值衡量。表 9 列（2）至列（5）为数据要素集聚对创新、创业活动及其中介机制的回归结果。结果显示，数据要素集聚显著缓解了企业融资约束，降低了市场摩擦成本，从而对创新和创业活动表现出显著的促进效应。
大数据综合试验区作为中国首个数字经济试点政策，通过数字补贴、数字基础设施建设和完善相关法律制度，为试点区企业营造了良好的数字经济发展环境，从而加速了数据要素与数字人才集聚，强化了知识与数据要素外溢。数据要素作为数字革命时代的关键生产要素，有非独立性、规模报酬递增、外部性与部分排他性（或非排他性）的特点，使其对劳动力要素表现出破坏效应与创造效应。研究发现：
（1）数据要素集聚对企业就业规模的创造效应大于破坏效应；
（2）数据要素集聚既对高、低人力资本劳动者呈现出显著的促进效应，也对高、中、低等职能劳动者表现出岗位极化效应，且这种影响因企业要素密集度及所有制结构的不同而存在异质性；
（3）数据要素集聚通过加快企业数字化转型、提高劳动力流动效率和人力资本水平，作用于企业就业规模与就业结构；
（4）数据要素集聚没有通过就业职能结构的岗位极化效应，加剧企业内部收入不均等；
（5）数据要素集聚通过促进创新、推动创业，缓解了就业形势。
上述研究结论充分证明了数据要素在企业层面的价值创造能力，为实现中国劳动力市场高质量发展提供了新思路。
第一，加快构建全国统一的劳动力大市场和数据要素大市场。全国统一大市场的构建将降低要素交易成本，保障市场公平竞争。劳动力流动与全国统一劳动力大市场会降低信息不对称造成的摩擦性失业与结构性失业，实现人才流动与收入公平。同时，全国统一数据要素大市场不仅会推动地区与行业间的资源整合，进一步推动公共数据开放，也会提升数据规模与质量，充分释放中国海量数据要素红利。因此，市场监管体系应充分发挥统一市场建设的支撑作用，加快建设具有市场特色的要素交易平台，推动区域协调发展。
第二，继续推动产业结构升级。产业劳动力要素需求弹性与产业结构直接影响劳动力市场的均衡状态。产业结构升级是指劳动力从第一产业逐步流向第二、三产业的过程。大数据、人工智能与智能化生产等技术加快了企业数字化转型进程，不仅推动了产业结构升级，也使第三产业有更大的劳动力需求弹性。因此，应充分认识新时期产业结构升级对劳动力市场的促进作用，加快产业结构升级步伐，增强产业结构升级对劳动力市场的赋能效应。
第三，提升低人力资本劳动者的再培训力度。数据要素与劳动力的有机结合是实现其价值创造能力的前提。各级政府不仅要把教育作为优先发展战略，加大教育培训投入力度，也要深化教育领域综合改革，引导教育资源合理流动。同时，要加快构建学习型社会，培养符合国家建设需要的优质人才。此外，企业应加强对内部员工的教育培训，提升员工岗位间的流动能力，从而适应快节奏的就业结构变动与生产方式的转变。
考虑到数据的可得性，本文选取了大数据综合试验区政策表示数据要素集聚程度。虽然本文对该政策促进数据要素集聚的概念进行了理论推导，但若可以直接得到企业层面的数据要素使用数量，则可以进一步精确地分析数据要素集聚对劳动力要素的影响。因此，后续将会持续跟进数据要素变量的测算研究，完善本研究的不足之处。
来源：山西财经大学学报
