数字金融、企业投资行为与就业技能结构升级

蒋鹏程，江红莉，侯 燕

(1.上海财经大学城市与区域科学学院，上海 200433；2.江苏大学财经学院，江苏 镇江 212013)

就业是最大的民生，实现从“人口红利”到“人力资本红利”的转变，为经济增长注入核心动能，是促进经济高质量发展、实现共同富裕的重要路径。党的十九大报告、二十大报告均强调坚持就业优先政策，促进高质量充分就业。2022年中央经济工作会议要求把促进青年特别是高校毕业生就业工作摆在更加突出的位置。近年来我国高校毕业生人数逐年攀升，但我国就业技能结构远落后于世界主要发达国家。2018年受过高等教育劳动力人数占总就业人数的比重，美国为73%，英国为84%，日本为78%，而我国2019年仅为48.2%[1]。促进大学生就业进而优化就业技能结构是提升就业质量的关键。近年来，随着数字技术赋能金融部门，催生了数字金融新业态，成为扩大就业规模的新引擎[2]。那么，数字金融发展能否促进就业技能结构升级以提升就业质量？

一方面，融资约束是制约就业技能结构升级的重要因素。数字金融能够缓解企业融资困境，预示着数字金融能够促进就业技能结构升级。另一方面，企业融资约束的纾解会影响其投资行为，但是企业究竟偏好何种投资难以凭经济直觉判断。尽管大多数文献支持“资本-技能互补”假说[3]，但也有学者认为“资本-技能互补”假说的成立存在时间、空间异质性以及其他限定性条件，与国家所处的发展阶段、经济结构等有关，也因“资本”“技能”的界定而异[4][5]。就我国而言，企业投资行为尤其是研发投资和固定资产投资对就业技能结构产生了怎样的影响？企业投资行为在数字金融与就业技能结构升级之间发挥着何种作用？现有研究并未给出确切答案，而这一系列问题的回答一方面有助于厘清数字金融、企业投资行为影响企业劳动力雇佣结构的内在机制，另一方面可以为政府引导企业层面实施就业质量工程提供科学依据。

有鉴于此，本文将数字金融、企业投资决策与劳动力技能结构纳入同一研究框架，识别数字金融对企业投资行为以及就业技能结构升级的影响，探究企业投资行为在“数字金融—就业技能结构升级”逻辑链条中发挥的作用和内在机制。可能的边际贡献在于：第一，现有研究主要探讨了数字金融对就业规模的影响，本文着眼于就业质量，识别了数字金融与就业技能结构升级之间的因果关系，不仅拓宽了就业技能结构驱动因素的研究边界，也丰富了数字金融发展的经济效应研究。第二，既有文献主要关注数字金融对金融资产配置的影响，本文系统性地研究了数字金融对企业固定资产投资、研发投资和金融投资的影响，并探究了数字金融背景下企业不同类型投资行为的相互作用。第三，从企业投资结构视角打开了数字金融影响就业技能结构升级的“黑箱”。现阶段我国固定资产投资与低技能劳动力互补，数字金融通过拉动研发投资和挤出固定资产投资进而促进了就业技能结构升级，相关研究为“资本-技能”之间多样化关系增加了新的证据，也为如何促进数字金融提升就业质量提供了抓手和靶向路径。

一、文献综述和研究假设

(一)文献综述

就业一直是学界和实务界关注的热点话题。伴随着数字技术尤其是人工智能的快速发展和广泛应用，就业技能结构变化引发了广泛的思考和讨论。大量文献认为，以信息化、智能化为主要特征的技能偏向型技术进步提高了对高技能劳动力的需求，改变了就业技能结构[6]。新技术的产生、发展和采纳离不开资金的支持。Fonseca和Van Doornik(2022)[7]研究表明信贷扩张是企业劳动力技能结构提升的重要因素。铁瑛和刘啟仁(2021)[8]研究发现银行管制放松能够缓解企业融资约束，进而提高高技能劳动力就业占比。胡玥等(2022)[9]研究表明，地方政府债务治理改革通过缓解企业融资约束和提升企业风险承担能力，提高高技能劳动力雇佣。

根据“资本-技能互补”假说，高技能劳动力被物质资本替代的概率更低，这意味着企业投资结构与就业技能结构之间存在密切联系。肖土盛等(2022)[10]研究发现，企业数字化转型通过推动企业增加先进技术设备投资进而实现人力资本升级。融资约束是影响企业投资行为的关键因素之一。金融制度改革、金融发展能够缓解企业融资约束，进而影响企业投资行为[11][12]。李波和朱太辉(2020)[13]研究表明，银行竞争通过缓解企业融资约束增加了固定资产投资和研发支出。赵瑞丽等(2021)[14]研究发现，金融科技提高了融资可得性，降低了融资成本，有助于企业扩大实体投资规模。

通过数字技术赋能，数字金融拓宽了传统金融服务的边界，有效解决企业融资难融资贵问题[15]。一方面，企业融资约束的纾解有助于促进企业扩大研发投入和实体投资规模[16][17]，乃至对金融投资行为产生影响[18]；另一方面，数字金融能够缓解信贷错配，促进就业扩容增量，提升就业质量(提高就业者的小时工资率和工作自主性，降低工作时长)[19]。

现有文献为研究数字金融发展的经济效应奠定了良好的基础，但仍留下研究的空隙：第一，既有文献主要探讨了数字金融的就业扩容效应，较少关注其对就业技能结构的影响。第二，目前仅局限于探讨数字金融对单一投资行为(如金融投资)的影响，鲜有文献系统性考虑数字金融对不同类型投资行为的影响。此外，在处于经济转型进程中的中国，企业异质性投资行为产生的资本积累效应与就业技能结构之间存在何种关系尚不得而知。第三，鲜有文献将数字金融、企业投资行为和就业技能结构纳入同一框架，深入探讨三者之间的内在关系。

(二)研究假设

数字金融的融资效应一方面能提高高技能劳动力的雇佣规模，直接促进就业技能结构升级，另一方面会影响企业投资行为，进而间接影响就业技能结构。由于企业投资行为是一个宽泛的概念，根据资产性质，将企业投资行为划分为实业投资和金融投资，并进一步将实业投资细分为研发投资和固定资产投资。值得一提的是，因经济发展阶段而异，受技能和资本划分标准等因素影响，“资本-技能互补”假说并不必然成立，也可能存在“资本-技能互替”。这就意味着数字金融对企业投资行为、企业投资行为对就业技能结构的影响存在多重效应，三者之间的逻辑关系如图1所示。

图1 数字金融、企业投资行为与就业技能结构之间的逻辑关系

数字金融发展能够缓解企业融资约束。第一，数字金融具有资金聚合器功能，通过新型金融平台吸收闲散资金，并通过数字技术赋能优化资金配置效率，为企业解决融资困境提供了新渠道。第二，为了增加竞争力，传统金融机构会在数字金融服务平台的影响下积极进行数字化革新，利用数字技术赋能，信息成本、审批成本和服务成本下降，进而有助于降低企业的融资成本。第三，依托大数据、区块链等数字技术，金融机构能够对网络上沉淀的海量“软信息”进行深度挖掘、快速匹配，精准地评估信贷风险，降低信息不对称下金融摩擦引致的风险溢价，进而降低企业融资成本，缓解融资约束。融资约束是影响企业劳动力雇佣决策的重要因素。银行管制放松、信贷扩张能够缓解企业融资约束，使得企业能够支付更高的工资、提供更好的福利条件来雇佣高技能劳动力[7][8]。基于这一逻辑，本文提出如下研究假设：

假设1：数字金融发展推动企业就业技能结构升级。

数字金融的融资约束纾解效应，叠加实体经济投资环境，强化了企业投资金融资产的倾向。根据资源配置理论，企业依据资产收益率对实业投资和金融投资进行组合配置。自2012年以来，中国经济进入新常态，经济增速放缓，实业投资和金融投资之间的收益差距逐渐扩大。当企业融资约束得到缓解后，企业可能会出于套利动机而加大金融投资规模，持有更多的金融资产，获得短期收益[20]。虽然企业也可能出于“蓄水池”动机投资金融资产，但是从现实数据和学术研究来看，“蓄水池”动机并非中国企业金融化的主要原因[21]。

数字金融的融资约束纾解效应对企业研发投资行为具有双重影响。一方面，数字金融能够促进企业研发投资行为。研发创新活动的产出具有高度不确定性，创新过程形成的“知识”难以“存储”且商业化周期长，导致研发投资面临较强的融资约束[22]。因此，数字金融发挥融资约束纾解效应能增加企业研发投资。另一方面，企业研发投资也会受到金融投资的影响。诸如货币资金、可交易性金融资产等流动性较强的金融资产具有较低的调整成本和较强的变现能力，可以平滑企业融资约束，推动当期或未来时期的研发投资[23]。虽然不同类型投资之间存在一定的替代效应，如金融投资会挤占研发投资[24]，但既有研究证实，数字金融能够促进企业技术创新[15]。由此，我们认为数字金融的企业融资约束纾解效应引致的研发投资行为强于金融投资对研发投资的挤出效应，故提出如下研究假设：

假设2：数字金融发展促进企业研发投资。

数字金融的融资约束纾解效应对企业固定资产投资行为也具有双重影响。一方面，数字金融能够有效缓解融资约束，促进固定资产投资。另一方面，近年来中国实体投资收益低迷，而金融投资收益逆周期上升，根据投资替代理论，两者之间更多表现为替代效应，即企业金融投资会挤出固定资产投资，意味着数字金融发展可能促进金融投资，继而抑制固定资产投资。此外，进入新常态以来，政府为了重构经济增长的内生动力并促进经济高质量发展，出台了一系列政策，加之中美贸易摩擦，企业面临经济政策不确定性，根据实物期权理论和资源配置理论，经济政策不确定会对固定资产投资产生负向影响[25]。由此，本文提出如下竞争性研究假设：

假设3a：数字金融发展会促进企业固定资产投资。

假设3b：数字金融发展会抑制企业固定资产投资。

根据“资本-技能互补”假说，增加研发投资会提高企业对技术人才和创新管理人才等高技能劳动力的需求，这意味着会挤出对低技能劳动力的需求。Berman等(1994)[26]基于美国数据研究发现，研发投资提高了高技能劳动力雇佣量，随着技术水平的提高，对以生产设备操作人员为主的低技能劳动力的需求显著下降，而对高技能劳动力的需求不变或上升。基于中国上市公司数据，罗润东和郭怡笛(2021)[27]研究发现研发投资提升了高技能劳动力的雇佣比例。杨晔等(2019)[28]研究发现技术创新会促进员工技能结构高级化。结合假设2，本文提出如下研究假设：

假设4：数字金融能够促进企业研发投资，进而促进就业技能结构升级。

固定资产属于典型的资本，但又有诸多细分种类，如机器设备、厂房等，不同类型资本对技能劳动力的需求不一致。若企业固定资产投资是简化既有的生产技术流程，资本与技能劳动力可能表现为替代关系。正如Goldin和Katz (1998)[4]所强调的，资本与技能并非总是互补的，需要结合经济发展特点分析。自改革开放以来，我国加大了贸易开放力度，实施了出口导向型贸易政策，推动我国以制造品加工生产的贸易形式加入全球价值链，并成为全球价值链上的重要参与者[29]。发达国家处在全球价值链中技术研发、产品设计环节，对高技能劳动力的需求越来越高，而发展中国家处在全球价值链中简单生产流水环节，低技能劳动力供给充足且成本低廉，逐渐占领发达国家的制造业等行业的低技能劳动力就业机会[30]。长期以来，我国总贸易额中有约70%—90%来自加工贸易和一般贸易，导致我国面临全球价值链“低端锁定”的窘境。加工贸易比重每提升1个百分点，该省拥有大专及以上学历员工的比重就下降约0.02%—0.06%[31]。基于2004年的经济普查数据与工业企业数据库数据，李磊等(2021)[32]研究发现机器人应用对专科及本科劳动力群体的就业份额变化影响不显著，但显著降低了研究生及以上劳动力群体的就业份额。基于以上分析，我们认为我国企业增加固定资产投资将增加对低技能劳动力的需求，抑制就业技能结构升级。结合假设3a和假设3b，本文提出如下竞争性研究假设：

假设5a：数字金融会促进企业固定资产投资，进而抑制就业技能结构升级。

假设5b：数字金融会抑制企业固定资产投资，进而促进就业技能结构升级。

二、研究设计

(一)模型构建

为检验数字金融对企业就业技能结构的影响，本文设定如下模型：

HLiτt=α0+α1Dfit+∑αjXj+∑year+∑ind+∑prov+εiτt

(1)

investiτt=β0+β1Dfit+∑βjXj+∑year+∑ind+∑prov+εiτt

(2)

HLiτt=γ0+γ1Dfit+γ2investiτt+∑γjXj+∑year+∑ind+∑prov+εiτt

(3)

其中，HLiτt代表i地区τ企业第t年的就业技能结构升级，Dfit为i地区第t年的数字金融发展，investiτt代表i地区τ企业第t年的研发投资、固定资产投资，Xj为涵盖企业特征和宏观经济环境的控制变量集合，∑year、∑ind和∑prov分别为时间、行业和省份固定效应，εiτt为扰动项。式(1)用以检验假设1，式(2)用以检验假设2、3a和3b，式(3)用以检验假设4、5a和5b。

(二)变量选择及数据处理

1.因变量：就业技能结构升级(HL)。借鉴赵烁等(2020)[33]的做法，使用本科及以上学历员工人数占比衡量就业技能结构升级。

2.自变量：城市数字金融发展(Df)。采用北京大学数字金融研究中心发布的“数字普惠金融指数” 除以100量化数字金融发展水平。

3.中介变量。(1)研发投资(R&Dinv)，用研发投资与总资产之比衡量；(2)固定资产投资(Fixinv)，以购进固定资产、无形资产和其他长期资产支付的现金支出总额与总资产之比度量。

4.控制变量。本文选择反映企业特征和地区特征的控制变量，具体包含金融投资(Fininv)、企业规模(Size)、资产收益率(Roa)、资产负债率(Lev)、企业年龄(Age)、企业成长性(Growth)、独立董事占比(Indr)、两职合一(Dual)、第一大股东持股比例(Top1)、产权性质(State)、城市传统金融发展水平(Fin)、城市人力资本(Hum)、城市在岗职工平均工资(Wage)、经济政策不确定性(Epu)(1)限于篇幅，省略控制变量的详细处理过程，作者备索。。

(三)数据来源及描述性统计分析

本文选择2011至2019年非金融类上市企业作为研究样本。按照通常做法，剔除ST和*ST类以及财务变量缺失和存在异常值的样本；对所有连续变量进行1%水平上的缩尾处理。企业层面数据来自Wind和国泰安数据库，宏观数据来源于EPS数据库、《中国劳动统计年鉴》，个别缺失数据采用插值补齐。

变量描述性统计如表1所示。平均而言，企业雇佣的本科及以上学历员工人数占比为27.1%，并且企业间差异较大，企业就业技能结构尚有较大的提升空间。城市数字金融发展的均值为2.113，标准差为0.644，一定程度上说明数字金融发展相对均衡。

三、实证分析

(一)数字金融对就业技能结构的影响

式(1)的估计结果如表2所示。第(1)列仅考虑数字金融的影响，第(2)列在第(1)列基础上控制时间、行业固定效应，第(3)列在第(1)列基础上增加企业层面的控制变量，第(4)列在第(3)列基础上控制时间、行业固定效应。分别加入宏观控制变量、控制省份固定效应，结果如第(5)、(6)列所示。由表2结果可知，数字金融发展显著促进了就业技能结构升级，且数字金融发展水平每提升1个单位，企业对高技能劳动力的雇佣将提升0.126个单位，假设1得到验证。

表2 数字金融对就业技能结构的影响

表2的结果可能存在因反向因果关系引致的内生性问题。为此，将自变量和控制变量均滞后一阶，重新估计式(1)。此外，借鉴易行健和周利(2018)[34]的做法，构建“Barkit工具变量”作为城市数字金融发展的工具变量IV1。互联网技术是数字金融发展的底层技术支撑，互联网发展水平高的城市可能是数字金融发展较好的地区，故构造1984年城市邮局数与时间变量的交互项，作为城市数字金融发展的工具变量IV2。估计结果显示，1%显著水平下，数字金融发展仍然显著促进了就业技能结构升级(2)受篇幅限制，本文内生性和稳健性检验结果未列示，作者备索。。

为了使表2的结论更加可靠，更换就业技能结构升级和城市数字金融发展的度量方式进行稳健性检验：(1)借鉴刘啟仁和赵灿(2020)[35]的做法，分别用专科及以上学历人员占比、科技人员占比作为就业技能结构升级的代理变量；(2)将数字普惠金融指数取自然对数。稳健性检验结果表明，数字金融发展依然显著提升了就业技能结构。

(二)数字金融对企业投资行为的影响

式(2)的估计结果如表3第(1)和(2)列所示。数字金融发展显著提升了研发投资、抑制了固定资产投资。数字金融发展水平每提升1个单位，研发投资增加0.014个单位、固定资产投资减少0.013个单位，假设2和假设3b得到验证。为减少反向因果关系引致的内生性，基于IV-2SLS估计式(2)，由第(3)和(4)列结果仍然得出数字金融发展促进研发投资、抑制固定资产投资的结论。在国家引导和企业自身发展需求下，数字金融的融资约束纾解效应能够激励企业进行研发投资。传统依赖要素投入的经济增长模式难以为继，加之内外部经济环境存在较大不确定性，我国实体投资收益低迷，而与之形成鲜明对比的是虚拟经济蓬勃发展，金融投资收益相对较高，在此背景下，数字金融发展的融资约束纾解效应进一步刺激了企业金融投资行为。与既有文献[29]一致，本文同样发现数字金融发展促进了金融投资(见表3第(5)列)。在套利动机下金融投资与固定资产投资之间存在替代性，由第(2)和(5)列可知，金融投资显著挤出了固定资产投资，最终导致数字金融发展挤出固定资产投资。

表3 数字金融对企业投资行为的影响

(三)数字金融、企业投资行为对就业技能结构升级的影响

式(3)的估计结果如表4所示。第(1)列检验数字金融与企业研发投资对就业技能结构的影响。1%显著水平下，数字金融和研发投资均显著促进了就业技能结构升级。研发本身是一项需要大量知识资本投入的高技能活动，需要高技能劳动力与之匹配。第(2)列检验数字金融与企业固定资产投资对就业技能结构的影响。1%显著水平下，数字金融显著促进了就业技能结构升级，固定资产投资则显著抑制了就业技能结构升级。同时考虑数字金融、研发投资、固定资产投资对就业技能结构的影响，结果如第(3)列所示。结合表2至表4的结论，可以初步判断：数字金融通过促进研发投资、抑制固定资产投资，推动就业技能结构升级，假设4和假设5b得到验证。

表4 数字金融、企业投资行为对就业技能结构升级的影响

表4的结果可能因潜在的内生性问题而存在偏差，进一步采用IV-2SLS法和联立方程法进行估计。(1)IV-2SLS法。估计结果仍然与表4一致。(2)构建HL、R&Dinv、Fixinv的联立方程，基于三阶段最小二乘法(3SLS)估计该联立方程。1%显著水平下，数字金融、研发投资仍然显著促进了就业技能结构升级，固定资产投资则显著抑制了就业技能结构升级。由此，假设4和假设5b进一步得到验证。

(四)数字金融、企业投资行为对劳动力雇佣的影响

为了厘清数字金融、企业投资行为影响就业技能结构升级的底层逻辑，分别用劳动力雇佣总量(Emp，员工总人数的对数值)、高技能劳动力雇佣量(Hlabor，本科及以上员工人数的对数值)、低技能劳动力雇佣量(Llabor，专科及以下员工人数的对数值)替换式(3)中的因变量HL。表5第(1)列结果显示，数字金融对劳动力雇佣总量影响不显著。1%显著水平下，研发投资和固定资产投资均显著提升了劳动力雇佣。由第(2)列可知，研发投资的估计系数在1%水平下显著为正，固定资产投资的影响不显著。由第(3)列可知，研发投资对低技能劳动力雇佣的影响不显著，但在1%显著水平下，固定资产投资显著促进了低技能劳动力雇佣。基于表5的估计结果，数字金融主要通过抑制低技能劳动力的雇佣进而促进就业技能结构升级。企业增加研发投资一定程度上能够缓解大学生就业难，具有提质增量的作用。固定资产投资虽然抑制了就业技能结构升级，但能扩大劳动力雇佣规模尤其是低技能劳动力雇佣规模，即具有“稳就业”的功能。考虑到劳动力雇佣与企业投资行为之间可能存在内生性，将自变量和控制变量均滞后一阶，估计结果基本与表5一致。

表5 数字金融、企业投资行为对劳动力雇佣的影响

四、拓展研究：劳动者保护制度的异质性影响(3)受篇幅限制，未呈现分组回归结果，作者备索。

劳动者保护制度(如最低工资制度、工会)会影响劳动力的议价能力，提高企业劳动力雇佣成本，进而影响企业投资行为，最终影响高技能劳动力需求。首先，以最低工资制度为劳动者保护程度的代理变量。根据省级最低工资的中位数，将样本划分为两组。分组检验结果显示，数字金融对位于最低工资标准较低组别中的企业就业技能结构的影响不显著，但是显著优化了位于最低工资标准较高区域的企业就业技能结构。可能的原因是，高最低工资标准的区域，本身经济较为发达，数字金融发展水平更高，企业对数字金融服务的认识和接受度也更高，数字金融的融资约束纾解效应更强。无论最低工资标准如何，研发投资均显著促进了就业技能结构升级，但是存在显著差异，即位于最低工资标准较低区域内的企业，研发投资每提高1%，高技能劳动力占比将提升2.984%，而位于最低工资标准较高区域内的企业雇佣的高技能劳动力占比仅提升2.435%。可能的原因是，较高的最低工资标准，意味着较高的劳动力成本，降低了企业利润和内部现金流，挤占了研发投资，进而降低了对高技能劳动力的需求。无论最低工资标准如何，固定资产投资均显著抑制了就业技能结构升级，但是并不存在显著性差异。

其次，以劳动争议调解成功率衡量劳动者保护程度。根据其中位数，将样本分为劳动者保护强和弱两组，重新估计式(3)，结果与最低工资制度的异质性影响一致。可能的原因是，劳动权益保护程度越高的区域，企业的劳动力雇佣制度越规范，对国家相关政策的遵循度越高，如“五险一金”按时足额缴纳等，提高了劳动力成本，降低了高技能劳动力的需求。无论劳动权益保护程度如何，固定资产投资均显著抑制了就业技能结构升级，且不因劳动权益保护程度差异而存在异质性。

五、研究结论与政策启示

本文以数字金融的融资约束纾解效应为逻辑分析起点，探究其对企业投资行为的影响，并进一步探讨数字金融、企业投资行为与就业技能结构三者间的内在联系，得出以下结论：第一，数字金融发展能够显著促进就业技能结构升级。第二，数字金融通过促进研发投资、抑制固定资产投资，进而促进就业技能结构升级。第三，数字金融发展抑制了低技能劳动力雇佣，进而促进就业技能结构升级；研发投资增加了高技能劳动力雇佣，进而优化就业技能结构，对就业存在“扩容提质”效应；固定资产投资增加了低技能劳动力需求，进而抑制就业技能结构升级，对“稳就业”尤其是低技能劳动力就业大有裨益。第四，数字金融对就业技能结构的影响受限于劳动者保护制度，在劳动者保护程度高的区域，数字金融对就业技能结构的优化作用更强。

研究结论具有较强的政策启示。首先，应推进数字金融纵深发展。政府应积极推进网格化的新型数字基础设施建设与完善，夯实数字金融发展的硬件基础。同时，完善征信数据资源共享机制，健全数字金融征信体系，并加强对新型金融业态的监管，引导新型金融健康有序发展。此外，传统金融机构应加快数字技术与金融服务的深度融合，推进数字化转型，支持实体经济高质量发展。其次，数字金融服务应以支持实业投资为导向，发挥数字金融的“数字化”功能，创新融资模式，精准提供金融服务。最后，政企学“三位一体”协同提升就业技能结构。充分发挥政府“有形之手”的能动作用建立健全社会就业公共服务体系，减少就业信息摩擦，促进人才顺畅有序流动，激发人才创新创业活力。学校应在新时代人才强国战略的导向下，结合市场需求，改革人才培养方案，培育满足数字经济时代发展需要的高技能人才。企业应积极落实各项社会保障措施，保护劳动者合法权益，提升劳动者综合福利。