数据要素扩大还是缩小了流通企业内部收入差距.pdf

第 39 卷摇 第 3 期2024 年 5 月北京工商大学学报(社会科学版)JOURNAL OF BEIJING TECHNOLOGY AND BUSINESS UNIVERSITY(SOCIAL SCIENCES)Vol.39 No.3May 2024doi:10.12085/j.issn.1009鄄6116.2024.03.001引用格式:唐红涛,陈捷,李陈华.数据要素扩大还是缩小了流通企业内部收入差距?J.北京工商大学学报(社会科学版),2024,39(3):1-14.TANG Hongtao,CHEN Jie,LI Chenhua.Do data elements widen or narrow the internal income gap within circulationenterprises?J.Journal of Beijing Technology and Business University(Social Sciences),2024,39(3):1-14.数据要素扩大还是缩小了流通企业内部收入差距?唐红涛1,摇 陈摇 捷1,摇 李陈华2(1.湖南工商大学 经济与贸易学院,湖南 长沙摇 410205;2.南京审计大学 经济学院,江苏 南京摇 211815)摇 摇 摘摇 要:数据不仅是促进“数实融合冶的关键要素,也深刻影响着国民收入分配。基于 20122021 年中国 A 股上市流通企业数据,检验了数据要素对流通企业内部收入差距的影响及其机制。研究发现,数据要素能够显著缩小流通企业内部收入差距,且通过提高要素产出效率和提升就业创造水平两条路径缩小了流通企业内部收入差距。异质性分析结果表明,数据要素更能缩小技术密集型、生产性和高端流通企业的内部收入差距,但会扩大劳动密集型和普通流通企业的内部收入差距。进一步研究发现,数据要素规模越大越能缩小流通企业内部收入差距,且该缩小作用在时间趋势上呈现“先增强,后减弱,再增强冶的特征。因此,应进一步畅通数据要素供给渠道,加大数据要素供给规模和拓宽数据要素应用场景,不断缩小流通企业内部收入差距。关键词:数据要素;内部收入差距;流通企业;要素产出效率;就业创造中图分类号:F721;F272郾 92摇 摇 摇 文献标志码:A摇 摇 摇 文章编号:1009鄄鄄6116(2024)03鄄鄄0001鄄鄄14收稿日期:2023鄄鄄10鄄鄄10基金项目:国家社会科学基金重点项目“统筹发展和安全视角下泛电商爷平台秩序治理研究冶(23AJY018);湖南省社会科学基金重大项目“乡村振兴的湖南实践研究冶(22ZDAJ013);湖南省教育厅科学研究基金重点项目“数字经济提升城市经济韧性的内在机理与实现路径研究冶(21A0382)。作者简介:唐红涛(1977),男,湖南衡阳人,湖南工商大学经济与贸易学院教授,博士,研究方向为商贸流通、数字经济和产业经济;陈摇 捷(1993),男,福建福州人,湖南工商大学经济与贸易学院硕士研究生,研究方向为数字经济;李陈华(1973),男,江西永修人,南京审计大学经济学院教授,博士生导师,博士,研究方向为商贸流通、数字经济;本文通信作者。一、问题的提出2019 年,党的十九届四中全会首次将数据列为与劳动、资本、土地、知识、技术、管理并列的生产要素。数据作为新型生产要素,已快速融入社会生产、分配、流通、消费等环节,深刻影响了人们的生产、生活和社会治理方式。2022 年,中国数据产量高达8郾 1ZB,同比增长22郾 7%,位居世界第二;数据存储量达 724郾 5EB,同比增长 21郾 1%,全球占比达 14郾 4%;大数据产业规模将近 1郾 6 万亿元淤。中国数据的供给量和需求量都非常庞大,开发和应用的场景十分广阔。明确数据要素的基础性和战略性资源定位,有利于激活数据要素潜能,发挥中国海量数据和丰富应用场景的优势,做优做强数字经济。伴随着数字经济的蓬勃发展和数字技术的快速迭代,天量数据资源以及随之而来的产业数字化和数字产业化对就业,尤其是流通产业的就业产生了强烈的冲击,这种影响既有正面的收入增长效应,也有负面的收入下降效应。从收入增长效应看,大数据投入生产会产生新任务创造效应,增加中、低技能劳动力的需求和就业,从而提高劳动力的收入份额1。从收入下降效应看,数字技1北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期术可能对劳动力尤其是低技能劳动力形成“挤出效应冶,从而降低劳动力收入份额。有研究表明,工业机器人的应用在美国会使就业人口下降0郾 20%,劳动力工资下降 0郾 42%2;而同样情况下,在中国则会使就业人口减少 0郾 39%,劳动力工资降低 0郾 16%3,但这种影响对服务业尤其是高端服务业会减弱很多4。其原因可能是传统服务业应用数字技术的难度较大,或者是成本相对较高5,进而减弱了推动数字化转型的经济动力。可见,尽管数据要素可能带动流通企业内部中、低技能劳动力实现就业和收入增长,但也引致了对就业岗位和收入分化的担忧。流通是连接生产和消费的核心环节,流通业则是国民经济的基础性和支柱性产业。流通企业对于吸纳中、低技能劳动力就业具有极其重要的作用,并成为劳动力就业“蓄水池冶。现有研究表明,企业数字化转型能够通过就业创造6推动就业总量增长,也能通过就业替代7-8降低从业者尤其是低端服务业从业者8的就业意愿。一方面,大数据能够促进女性就业,改善就业性别结构9,从而提高收入份额,甚至促进减贫10;另一方面,大数据也能够改变传统收入分配模式11,或向下赋权12,以达到缩小收入差距的目的。现有研究充分肯定了数据要素的现实价值及其在流通企业数字化转型过程中的关键作用,但囿于数据可得性和复杂性,多以制造企业7,13为研究对象,较少聚焦流通企业的内部收入差距问题。由此可见,数据要素对流通企业内部收入差距的具体影响尚不清晰,相关研究仍存在进一步完善和提升的学术空间:第一,现有研究多从理论层面对流通企业数字化和数据要素的基本概念、发展进程及其影响收入分配的作用进行阐述,较少从实证层面予以系统、有效的研究,针对微观流通企业的研究更是少之又少;第二,现有研究多从就业结构视角探讨了数据要素带来的就业创造和就业替代效应,而较少分析其对收入差距的影响;第三,囿于数据可得性,现有研究对数据要素多采用宏观指标体系测度,难以有效区分数字经济和数据要素,对微观层面的解释力度也明显不足。有鉴于此,本文以上市流通企业为样本,深入研究数据要素对流通企业内部收入差距的影响,以揭示数据要素影响流通企业内部收入差距的理论机制和现实路径。本文的边际贡献主要有两点。第一,从微观企业层面论证了数据要素能够缩小流通企业内部收入差距,且数据要素规模越大,该缩小作用越显著。这有助于深化对数据要素和流通企业内部收入差距关系的理解。第二,发现了数据要素影响流通企业内部收入差距的两个现实路径,即要素产出效率和就业创造水平。这有助于进一步拓宽数据要素的应用场景,释放数据要素的数字潜能,也能为缩小流通企业内部收入差距的相关研究贡献方案。二、理论分析与研究假说(一)数据要素与流通企业内部收入差距数据要素能够推动包括商品流转、销售、服务等在内的全过程流通职能实现数字化、智能化和网络化改造,推动流通产业链、供应链和价值链的全链条数字化重塑,进一步催生新的流通产业和流通业态,深刻影响流通企业劳动力就业状态和就业收入。基于此,本文从如下四个方面论述数据要素对流通企业内部收入差距的影响。第一,从流通效率视角看,数据要素能有效破解信息渠道受阻、溯源体系缺失和商品市场分散等难题,提高商品的上下行效率,使得精准市场供需对接、全流程监管和物流路径优化成为可能。数据要素的应用不仅有利于加速商品在城乡之间循环,缓解供求矛盾,影响收入分配14,也有利于流通企业拓宽流通渠道并提升流通效率,提高盈利能力,为缩小企业内部收入差距创造空间,进而提升低技能劳动力的相对收入份额。第二,从绩效评估视角看,通过对系统化和结构化数据的分析和研判,可以更加客观、公正地评析流通企业低技能劳动力的绩效表现,有效打破习惯势力和主观偏见的束缚,强化员工沟通与参与,进而公平地分配薪酬和给予奖赏。这也有助于提高流通企业普通员工的工作积极性和忠诚度,保障普通员工的收入权益,形成正反馈效应。数据要素的高效利用,也可以有效驱动流通企业更加合理地设计薪酬体系和分配劳动报酬,从而抑制管理层收入超额性和非合理性增长,缩小流通企业内部收入差距。第三,从薪酬黏性视角看,基于数据要素建立的薪酬决策机制,能够更加有效地将管理层的可变收入与企业经营绩效相挂钩,剥离惯性收入,2第 39 卷摇 第 3 期摇 摇 摇 摇 摇 唐红涛,陈摇 捷,李陈华:数据要素扩大还是缩小了流通企业内部收入差距?降低管理层的薪酬收入黏性。根据管理层权力理论,管理层权力越大,自定薪酬和操纵薪酬契约的能力越强,高管收入黏性特征越明显。数据要素能够有效提升薪酬决策的透明度和合理性,降低管理层凭借权力攫取利益的可能性,能够根据流通企业经营绩效、市场趋势等情况及时介入和干预管理层的薪酬给付,通过薪酬动态调整机制降低管理层的薪酬黏性并抑制管理层超额薪酬增长。第四,从信息传递视角看,数据要素能够促进流通企业薪酬数据公开化和透明化,增强管理层收入信息披露的完整性和细腻度,通过强化内外部监督机制形成对管理层不合理收入的有效监管,从而调节管理层过高收入并整顿收入秩序。同时,数据要素也能通过进一步增强薪酬信息披露,影响转移支付、税收调节、社会保障等主要收入分配手段,从而调节管理层超额收入,实现缩小企业内部收入差距的目的。以税收征管为例,税收征管数字化能充分发挥数据要素的驱动作用,推动税收征管模式变革并强化税收征管的监督作用,有效缓解由信息不对称和代理冲突等引起的高管超额薪酬问题15。根据以上分析,本文提出以下研究假说。H1:数据要素能够缩小流通企业内部收入差距。(二)数据要素、要素产出效率与流通企业内部收入差距第一,从要素配置视角看,数据要素作为新型要素参与流通环节,必然会挤占传统要素的应用空间,推动劳动力、资本、技术和土地等传统要素重组、重构和再配置。受限于传统要素应用的客观环境和自身条件,在流通企业数字化升级和转型进程中,冗余的传统要素将被数据要素挤出和淘汰。此外,数据要素又表现出明显的资本偏向性和技术偏向性特征。应用数据要素往往需要额外的资本投入和技术支持,进而扩大资本要素规模和推动技术进步,深刻影响流通企业的数字生产力。因此,数据要素能够通过要素再配置优化要素结构,带动产出效率不断提升。第二,从要素转化视角看,伴随流通企业数字化程度不断加深,数据要素的边际产出增长效应开始显现,学习效应和知识效应促进了数据要素高效转化,带动企业流通效率不断提升,经营成本不断下降。相应地,对劳动力的工资支出和额外奖励也随之增加。数据要素的规模效应持续反哺流通企业实现边际成本递减和经营利润最大化,推动企业经济效益和整体工资水平提升。根据效率工资理论和企业利益相关者理论,普通员工也能在流通企业经营改善和利润增长过程中分享发展红利。相较于管理层,数据要素参与对低技能劳动力表现出更大的数字红利,并提高了其劳动报酬在初次分配中的比重16,使得流通企业普通员工的相对收入增长份额和相对收入增长率都要高于管理层,进而不断缩小企业内部收入差距。根据以上分析,本文提出以下研究假说。H2:数据要素通过提升要素产出效率缩小了流通企业内部收入差距。(三)数据要素、就业创造水平与流通企业内部收入差距第一,从就业机会供给看,扩大流通企业中保障性、基础性和低门槛的就业机会供给体现了较强的社会就业包容性。一方面,劳动市场政策、社会福利政策和经济包容性增长理论均强调,要扩大低技能劳动力的就业岗位供给,保障其就业收入稳定,从而使其更好地享受数字经济蓬勃发展的成果。另一方面,保障性就业机会供给机制为流通企业低技能劳动力参与社会分工和社会劳动创造了条件,也在一定程度上缓解了低端就业市场失灵。总之,包容性就业能够通过“提低冶“调高冶的方式,实现缩小收入差距的目标17。此外,“限薪令冶政策的逐渐完善和最低工资标准的不断提高也在很大程度上抑制了流通企业管理层薪酬的超额增长,保障了普通员工的利益。第二,从就业机会创造看,以互联网化、平台化和去组织化为特点的新型劳动业态已经成为吸纳灵活就业和弹性就业的重要渠道。基于数据要素打造的数字化平台,孕育出了主播、博主、外卖员等新型就业岗位和就业形态,这类职业更具开放性、低门槛和工作弹性,吸纳了更多不同性别、年龄层和学历层的就业群体。数字劳务平台也为灵活就业群体和个体劳动力群体创造了直接和间接的就业机会,带动了新就业形态的增长18,拓宽了收入获取渠道。第九次中国职工状况调查(报告卷)也指出,2022 年,新就业形态劳动力规模达到 8 400 万人,约占全国职工总数的 21%。在新就业形态下,低技能劳动力不仅拥有更多的就业岗位和就3北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期业机会,也可以通过置换劳动时长和劳动强度,获得薪酬赶超一般管理层的可能。这能够有效缩小流通企业内部人力资本差距和经验积累差距,促进就业机会和创业机会均等化,进而有效缩小流通企业内部收入差距。根据以上分析,本文提出以下研究假说。H3:数据要素通过提高就业创造水平缩小了流通企业内部收入差距。三、研究设计(一)样本选取与数据来源本文选取 20122021 年中国 A 股上市流通企业作为研究样本。根据国民经济行业分类(GB/T 47542017),样本所属行业门类主要包括批发和零售业,交通运输、仓储和邮政业,住宿和餐饮业,信息传输、软件和信息技术服务业,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,以及居民服务、修理和其他服务业。为确保研究过程的合理性和研究结论的可靠性,本文剔除了含有“ST冶“*ST冶“退冶“退市冶等字样,时间跨度不足 10 年(企业年龄小于10 年),以及异常值、单变量缺失值超过 3 个等情况的流通企业,最终获得 802 家上市流通企业数据。此外,本文流通企业样本的基本信息(如企业注册地、注册时间、企业性质、所属行业等)来自 CSMAR 和 WIND 数据库,企业注册地的经纬度信息来自百度地图坐标拾取系统,企业注册地的社会保障和就业支出数据来自中国城市统计年鉴,企业环境、社会和公司治理评级数据来自上海华证指数信息服务有限公司官网。(二)变量定义1郾 被解释变量本文的被解释变量为内部收入差距(Wage_Gap)。根据现代薪酬理论,企业会针对不同员工设立不同的薪酬以实现对员工的工作激励,薪酬激励越大,员工间收入差距越大。本文借鉴杨薇、孔东民19的研究,选取监管层平均薪酬与普通员工平均薪酬的比值来表征内部收入差距。2郾 解释变量本文的解释变量为数据要素(Data_E)。大数据之于信息经济就如同石油之于产业经济一样重要20。广义的数据是可被描述的信息,而狭义的数据要素应被看作信息的载体21,更加强调其生产要素的属性。数据要素进入经济系统,对生产力水平、经济活动效率、技术水平等均会发挥提升作用22。因此,本文借鉴郭丰等23、吴非等24关于“数字化冶文本分析的词频选择对数据要素(Data_E)进行测度。首先,通过编写 Python 代码爬取巨潮资讯网中国 A 股上市流通企业 20122021 年的全部年报数据,并将其转化为 TXT 文本;其次,调用 jieba 分词解析库对年报数据进行分类和词频统计;最后,对汇集和统计的文本词频进行加总,用以表征流通企业的数据要素。基于流通企业数据“要素化冶的发展过程,本文主要从数据要素的获取、分析和应用三个维度筛选数据要素的分析文本。数据要素获取应反映企业对数据要素的获取和收集能力,可以通过流通企业年报中“大数据冶“数据挖掘冶“文本挖掘冶“数据信息冶“异构数据冶 等词频来表征;数据要素分析应反映企业对数据要素的分析、处理和转化能力,因此本文选择“数据分析冶“数据技术冶“数据可视化冶 等词频对其进行表征;数据要素应用则体现了企业对于数据要素的转化水平和利用效率,甚至数据要素的转化成本,因此可从数据融合、数据集成、征信、增强现实、混合现实、虚拟现实、数据管理、数据资产等方面考察。3郾 中介变量根据前文的理论分析,本文的中介变量有两个。一是要素产出效率(Output_E)。本文借鉴卜寒等1的做法,使用基于 OLS 方法测算的全要素生产率来衡量要素产出效率。全要素生产率越高表示要素产出效率越高,反之则越低。二是就业创造水平(Job_C)。本文借鉴何宜庆等25的做法,使用耦合协调度模型的计算方法测度就业创造水平。Job_C=(EXP 伊 ORD 伊 AVG)16(1)其中:EXP 代表社会就业保障水平,由地级市一般公共预算中社会保障和就业支出费用来表征;ORD 表示企业中普通岗位的供给水平,由流通企业中普通员工人数与监管层员工人数的比值来表征;AVG 表示企业经营状况,由流通企业的净利润率(净利润/营业收入)来表征。耦合协调度模型也常被用于测度收入差距与其他变量之间的耦合协调程度25,耦合协调度越高(越接近 1),4第 39 卷摇 第 3 期摇 摇 摇 摇 摇 唐红涛,陈摇 捷,李陈华:数据要素扩大还是缩小了流通企业内部收入差距?表示 EXP、ORD 和 AVG 各个子变量之间的良性共振耦合水平越高。为缓解量纲不同造成的权重偏误,上述变量数据均经过标准化处理。4郾 控制变量为缓解由遗漏重要变量造成的回归结果有偏和内生性问题,本文将可能影响研究结论的变量纳入控制变量。根据信号传递理论,企业更愿意向公众展示其“有担当的一面冶,继而稳定和吸纳新的就业。因此,本文借鉴既有研究23-24,26的做法,考虑到环境、社会和公司治理评级(ESG)可能对流通企业的就业规模产生影响,将其作为控制变量纳入实证分析模型。本文还选取了如下控制变量:盈利能力(ROA)、企业年龄(LnAge)、企业杠杆率(Lev)、大股东资金占用(Occupy)、资产周转率(ATR)、股权制衡(Balance)、股权集中度(Top1)、企 业 价 值(Tobin蒺q)、企 业 产 权 性 质(SOE)、审计师(Audit)、审计意见(Opinion)和两职合 一(Dual)。此 外,本 文 还 控 制 了 年 份(Year)、地区(Area)和行业(Ind)固定效应。本文变量及其测度方法见表 1。表 1摇 变量定义变量类型变量名称变量符号测度方法被解释变量内部收入差距Wage_Gap监管层平均薪酬/普通员工平均薪酬解释变量数据要素Data_E数据要素文本分析词频中介变量要素产出效率Output_E基于 OLS 方法测算的全要素生产率就业创造水平Job_C社会保障和就业一般预算支出 伊(普通员工人数/监管层员工人数)伊净利润率1/6环境、社会和公司治理评级ESG华证 ESG 评级平均得分盈利能力ROA净利润/总资产企业年龄LnAgeln(观测年份-企业注册年份+1)企业杠杆率Lev总负债/总资产大股东资金占用 Occupy其他应收账款/总资产控制变量资产周转率ATR营业收入/总资产股权制衡Balance第二至第五大股东持股数之和/第一大股东持股数股权集中度Top1第一大股东持股数/总股数企业价值Tobin蒺q市值/总资产企业产权性质SOE企业产权性质为国有时取 1,否则取 0审计师Audit由四大会计师事务所审计时取 1,否则取 0审计意见Opinion审计意见为“标准无保留意见冶时取 1,否则取 0两职合一Dual董事长和总经理为同一人时取 1,否则取 0摇 摇(三)模型构建为考察数据要素对流通企业内部收入差距的影响,本文构建如下基准回归模型。Wage_Gapit=琢0+琢1Data_Eit+A忆Controlsit+着it(2)其中,i、t 分别代表企业和年份,Controls 为一系列控制变量,着 为误差项。为检验要素产出效率和就业创造水平的中介作用,本文在式(2)的基础上,构建如下中介效应回归模型。Medit=茁0+茁1Data_Eit+B忆Controlsit+着it(3)Wage_Gapit=啄0+啄1Data_Eit+啄2Medit+C忆Controlsit+着it(4)其中,Med 表示中介变量,包括要素产出效率5北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期(Output_E)和就业创造水平(Job_C)。四、实证结果与分析(一)描述性统计分析本文变量的描述性统计结果见表 2。数据要素最小值为 0,说明有样本企业几乎不存在数据要素利用;标准差为 20郾 784,表明样本企业的数据要素利用水平差异较大。内部收入差距的最大值远大于均值和最小值,表明样本企业内部收入差距差异较大。其他变量的描述性统计结果与已有研究类似,不再赘述。表 2摇 变量的描述性统计结果摇 变量均值标准差最小值最大值Wage_Gap4郾 8593郾 7300郾 34022郾 500Data_E7郾 31320郾 7840346Output_E6郾 6431郾 0721郾 36111郾 418Job_C0郾 1310郾 0460郾 0000郾 408ESG4郾 0361郾 0861郾 0006郾 750ROA0郾 3370郾 073-0郾 3390郾 214LnAge2郾 8730郾 3830郾 6934郾 143Lev0郾 4010郾 2100郾 0000郾 894Occupy0郾 0170郾 0240郾 0000郾 141ATR0郾 6750郾 5740郾 0483郾 511Balance0郾 8030郾 6500郾 0292郾 994Top10郾 3240郾 1450郾 0790郾 708Tobin蒺q2郾 3321郾 7620郾 31611郾 849SOE0郾 3760郾 48401Audit0郾 0540郾 22601Opinion0郾 9670郾 17801Dual0郾 2990郾 45801摇 摇(二)基准回归结果分析表 3 报告了数据要素影响流通企业内部收入差距的基准回归结果。列(1)列(3)中,逐步增加控制变量并控制年份、地区和行业固定效应。列(1)中,数据要素显著且系数为负;列(2)中添加全部控制变量,但未控制年份、地区和行业固定效应,结果显示,数据要素显著且系数为负;列(3)中加入全部控制变量并控制年份、地区和行业固定效应,结果仍然显示,数据要素对流通企业表 3摇 数据要素影响流通企业内部收入差距的基准回归结果变量Wage_Gap(1)(2)(3)Data_E-0郾 010 9*-0郾 011 5*-0郾 005 9*(-5郾 47)(-5郾 88)(-2郾 96)ESG0郾 319 2*0郾 283 7*(8郾 34)(7郾 39)ROA6郾 600 4*6郾 617 5*(10郾 71)(10郾 78)LnAge0郾 759 4*0郾 721 9*(6郾 68)(5郾 69)Lev2郾 412 2*2郾 194 0*(10郾 68)(9郾 62)Occupy-6郾 631 3*-3郾 660 7*(-3郾 83)(-2郾 10)ATR0郾 737 5*0郾 435 3*(9郾 95)(5郾 44)Balance0郾 134 40郾 261 2*(1郾 54)(3郾 01)Top1-1郾 315 5*-0郾 842 7*(-3郾 27)(-2郾 10)Tobin蒺q-0郾 113 5*-0郾 101 9*(-4郾 76)(-4郾 14)SOE-0郾 287 5*-0郾 259 3*(-3郾 02)(-2郾 72)Audit1郾 823 5*1郾 796 0*(10郾 16)(10郾 08)Opinion0郾 508 1*0郾 484 1*(2郾 16)(2郾 08)Dual0郾 071 70郾 017 3(0郾 77)(0郾 19)Year,Area&Ind FE否否是常数项4郾 939 1*-0郾 023 00郾 178 5(-112郾 07)(-0郾 05)(0郾 33)观测值8 0208 0208 020调整后 R20郾 003 60郾 094 50郾 117 9摇 摇 注:*、*和*分别代表在 1%、5%和 10%的水平下显著;括号内为 T 值。6第 39 卷摇 第 3 期摇 摇 摇 摇 摇 唐红涛,陈摇 捷,李陈华:数据要素扩大还是缩小了流通企业内部收入差距?内部收入差距的影响在 1%的水平下显著且系数为负,说明数据要素能够缩小流通企业内部收入差距。由此,H1 得到验证。摇 摇 上述回归结果初步验证了数据要素能够缩小流通企业内部收入差距。该结果也表明,数据要素在流通企业中的广泛应用能有效抑制流通企业内部管理层薪酬的超额增长,扩大普通员工合理收入的范围并提升其相对收入份额,从而缩小了流通企业内部收入差距。(三)稳健性检验1郾 内生性处理本文借鉴张勋等27构建工具变量的方法,对研究中的内生性问题进行讨论。贵州省不仅是全国首个国家大数据综合试验区,也于 2021 年获批建设全国一体化算力网络枢纽节点于。贵阳市也已成为政府数据、金融结算数据、公共安全数据等全国重要数据资源的汇集地,并初步建成了全国一流的数据要素流通体系和市场培育机制盂,具有明显的地区外部性和空间溢出特征。此外,地区平均风速、湿度和温度等自然条件也是大型数据中心选址落地的重要区位因素。从理论上讲,从自然地理层面选取工具变量,满足工具变量选取的相关性和外生性要求。因此,本文选择上市流通企业注册所在地到贵阳市的球面距离(IV1)与上市流通企业注册所在地的年平均风速(IV2)的交互项作为内生解释变量 Data_E 的工具变量,对上述工具变量进行标准化处理后运用 2SLS 工具变量法和不完美工具变量法(IIV 方法)进行内生性处理。其一,2SLS 工具变量法。2SLS 工具变量法回归结果见表 4。工具变量 Kleibergen鄄Paap rkLM 统计量为 13郾 693,p 值显著小于 0郾 01;Cragg鄄Donald Wald F 统计量为 13郾 216,且大于 Stock鄄Yogo 弱识别检验的临界值 8郾 96,表明本文选取的工具变量不存在识别不足或弱识别的问题。此外,2SLS 工具变量法回归结果表明,在回归模型中引入工具变量控制内生性后,数据要素对流通企业内部收入差距的影响在 10%的水平下显著且系数为负。本文使用工具变量法克服了内生性问题,有效识别了数据要素对流通企业内部收入差距的缩小作用。其二,IIV 方法。外生性和相关性是工具变摇 摇表 4摇 2SLS 工具变量法回归结果变量Data_E(1)Wage_Gap(2)Data_E-0郾1165*(-1郾93)IV1 伊IV27郾9627*(3郾63)控制变量是是Year,Area&Ind FE是是常数项-1郾2663(-0郾42)观测值80208020调整后 R20郾1201Kleibergen鄄Paap rk LM 统计量13郾693*Cragg鄄Donald Wald F 统计量13郾216摇 摇 注:*、*和*分别代表在 1%、5%和 10%的水平下显著;括号内为 T 值。量选取的关键标准。尽管从自然地理层面寻求工具变量能在一定程度上缓解外生性条件的限制,但无法完全满足外生性假设,因此在检验过程中选取工具变量可能面临外生性不足的问题。IIV方法放宽了严格外生性的要求,并以 酌=0郾 5 为基点,通过构造新的工具变量 棕(酌)作为调整后的工具变量28-29,其中 棕(酌)=酌IV1-(1-酌)IV2,新的工具变量充分融合了前文 IV1 和 IV2 这两个工具变量在相关性和外生性上的优点。此外,IIV方法需满足工具变量与误差项相关的方向和内生解释变量与误差项相关的方向相同,以及工具变量与误差项的相关程度小于内生解释变量与误差项的相关程度这两个稍弱的前提假设29-30。IIV方法回归结果见表 5。可以看出,放宽工具变量外生性假设在一定程度上放大了系数的估计区间,但是估计系数区间均识别了负向的估计系数边界,以及2SLS 工具变量法下负向的估计系数边界。这表明,在放宽外生性假设的前提下,IIV 方法仍识别了数据要素对流通企业内部收入差距的缩小作用。2郾 其他稳健性检验为进一步验证基准回归结果的稳健性,本文进行了如下检验。(1)更改样本区间。新冠病毒7北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期摇 摇 摇表 5摇 IIV 方法回归结果变量Wage_Gap工具变量估计系数区间置信区间Data_EIV1 伊 IV2(-0郾 216 7,-0郾 216 8)-0郾 307 6,-0郾 107 7棕(酌)(-0郾 213 5,-0郾 028 1)-0郾 300 7,-0郾 021 2感染疫情可能会对流通企业决策进而对研究结论造成影响,因此,本文剔除 20202021 年的样本后再次进行基准回归。(2)替换解释变量。其一,数据要素的获取、分析和应用均离不开前后端数字技术的支持,因此本文借鉴吴非等24的做法,用数字技术的文本分析词频重新度量了数据要素(Data_E1)。其二,考虑到流通企业布局数据要素的相关技术、人员及其产生作用存在时间滞后性,本文将解释变量替换为滞后一期的数据要素(L郾 Data_E)进行稳健性检验。(3)增加固定效应。依据流通企业规模和所在省份,本文在基准回归模型中增加了企业规模(Size)固定效应和省份(Prov)固定效应重新进行了回归。(4)增加控制变量。考虑到工业机器人应用可能会对企业低技能劳动力产生替代效应31,从而影响低技能劳动力的收入,以及大数据综合试验区政策的实施可能对数据要素产生影响,本文将工业机器人应用(CHF)和大数据综合试验区政策(Policy)纳入基准回归模型。工业机器人应用由行业工业机器人渗透度来表征,计算方法借鉴王永钦、董雯31的研究;大数据综合试验区政策由企业所在省份拥有的大数据综合试验区的数量来表征。相关稳健性检验结果见表 6。稳健性检验结果表明,更改样本区间、替换解释变量、增加固定效应和增加控制变量均不会改变基准回归结果,数据要素对流通企业内部收入差距的影响仍然显著且系数为负,主要研究结论依然成立。表 6摇 稳健性检验结果变量Wage_Gap更改样本区间替换解释变量增加固定效应增加控制变量(1)(2)(3)(4)(5)DATA_E-0郾 005 9*-2郾 930 8*-0郾 005 4*-0郾 006 0*-0郾 003 9*(-2郾 50)(-3郾 75)(-2郾 50)(-2郾 97)(-2郾 75)CHF-0郾 011 2*(-1郾 94)Policy0郾 047 2*(1郾 91)控制变量是是是是是Year,Area&Ind FE是是是是是Size&Prov FE否否否是否常数项0郾 626 60郾 250 5-0郾 089 60郾 957 6*0郾 207 2(1郾 07)(0郾 47)(-0郾 16)(1郾 78)(0郾 39)观测值6 4168 0207 2188 0208 020调整后 R20郾 107 60郾 118 50郾 125 40郾 157 60郾 127 8摇 摇 注:*、*和*分别代表在 1%、5%和 10%的水平下显著;括号内为 T 值;DATA_E 在列(2)、列(3)中分别代表 Data_E1 和 L.Data_E,在其他列中代表 Data_E。8第 39 卷摇 第 3 期摇 摇 摇 摇 摇 唐红涛,陈摇 捷,李陈华:数据要素扩大还是缩小了流通企业内部收入差距?摇 摇(四)机制分析1郾 要素产出效率机制分析表 7 的列(1)列(3)为要素产出效率机制的检验结果。结果表明,数据要素对要素产出效率的影响在 1%的水平下显著且系数为正,要素产出效率对流通企业内部收入差距的影响在 1%的水平下显著且系数为负,Sobel 检验系数为-0郾 000 8 且通过了 1%水平的显著性检验,Boot鄄strap 95%的置信区间均不包含 0 值,要素产出效率机制通过了检验且中介效应占比约为 6郾 63%。数据要素能带动流通企业要素产出效率提升,该结论与卜寒等1的研究结论基本相同;要素产出效率的提升又能进一步缩小流通企业内部收入差距,佐证了万仁新32的结论。因此,数据要素能通过提高要素产出效率缩小流通企业内部收入差距,H2 得到验证。数据要素带来的数字红利对低技能劳动力更有益,使其收入增长速度快于管理层,在初次分配中更加兼顾效率与公平,表现为流通企业内部收入差距的合理化和缩小化。2郾 就业创造水平机制分析表 7 的列(4)列(6)为就业创造水平机制的检验结果。结果表明,数据要素对就业创造水平的影响在 1%的水平下显著且系数为正,就业创造水平对流通企业内部收入差距的影响在1%的水平下显著且系数为负,Sobel 检验系数为-0郾 002 3 且通过了 1%水平的显著性检验,Bootstrap 95%的置信区间均不包含 0 值,就业创造水平机制通过了检验且中介效应占比约为20郾 41%。H3 得到验证。数据要素能够通过提高就业创造水平,有效增加包容性、稳定性和低门槛的就业岗位,从而降低人力资本、知识技能和社会资源等差距的潜在影响,赋予流通企业低技能劳动力 更 多 的 收 入 增 长 和 收 入 赶 超机会。表 7摇 机制检验结果变量Wage_GapOutput_EWage_GapWage_GapJob_CWage_Gap(1)(2)(3)(4)(5)(6)Data_E-0郾 011 5*0郾 002 5*-0郾 010 7*-0郾 011 5*0郾 000 1*-0郾 009 2*(-5郾 86)(6郾 16)(-5郾 47)(-5郾 88)(4郾 71)(-4郾 83)Output_E-0郾 304 8*(-5郾 65)Job_C-20郾 652 4*(-23郾 54)控制变量是是是是是是Year,Area&Ind FE是是是是是是常数项-0郾 026 44郾 388 7*1郾 311 4*-0郾 023 00郾 165 8*3郾 402 7*(-0郾 05)(41郾 56)(2郾 33)(-0郾 05)(26郾 37)(6郾 61)观测值8 0118 0118 0118 0208 0208 020调整后 R20郾 094 50郾 531 30郾 098 00郾 096 10郾 112 20郾 153 1Sobel 检验-0郾 000 8*-0郾 002 3*摇 摇 注:*、*和*分别代表在 1%、5%和 10%的水平下显著;括号内为 T 值。摇 摇(五)异质性分析1郾 基于流通企业投入要素的异质性分析由于流通企业要素禀赋的不同,数据要素可能会对流通企业内部收入差距产生差异化影响。本文根据流通企业要素禀赋结构的差异,将流通企业样本划分为劳动密集型、资本密集型和技术密集型三组榆。分组回归结果见表 8 的列(1)列(3)。9北京工商大学学报(社会科学版)摇 摇 摇 摇 2024 年摇 第 3 期结果表明:在劳动密集型和资本密集型分组中,数据要素对流通企业内部收入差距的影响显著且系数为正;在技术密集型分组中,数据要素对流通企业内部收入差距的影响显著且系数为负。可能的解释是,在劳动密集型和资本密集型流通企业中,数据要素会显著拉动高人力资本员工、高数字技能员工的收入增长,对低人力资本、低数字技能的普通员工收入提升作用不足,进而表现为内部收入差距不断扩大。在技术密集型流通企业中,员工的人力资本水平较劳动密集型和资本密集型流通企业更高,高数字技能员工的密度更大且劳动力结构更稳定,对数据要素的利用和转化能力更强,进而表现为内部收入差距不断缩小。2.基于流通企业行业属性的异质性分析本文根据流通企业行业属性,并参考余泳泽、潘妍33的做法,将流通企业样本按照行业服务对象划分为生活性和生产性两组,按照行业附加值划分为高端和普通两组。分组回归结果分别见表 8 的列(4)、列(5)以及列(6)、列(7)。表 8摇 异质性分析回归结果变量Wage_Gap投入要素行业服务对象行业附加值劳动密集型资本密集型技术密集型生活性生产性高端普通(1)(2)(3)