Have Digital Finance Affected Labor Income Share? Empirical Evidence from the Listed Companies of China
-
摘要: 提升金融服务实体经济质效、提高劳动报酬在收入分配体系中的比重是构建新发展格局和实现共同富裕的重要驱动力。基于2011—2019年上市公司数据，从数字金融发展视角探讨其对劳动收入份额的影响、作用机制以及潜在的异质性。研究发现数字金融显著提升了劳动收入份额，在经过内生性问题处理和一系列稳健性检验后，结论依然成立。数字金融的发展增加了高技能劳动力的雇佣、减少了低技能劳动力的雇佣，促进了就业技能结构的升级，进而提高了劳动收入份额；同时既提升了工资率，也提高了劳动生产率，其中工资率效应占主导。进一步研究发现，数字金融对劳动收入份额的影响因数字金融结构、企业内在特征和外部制度环境等横截面差异而存在异质性。本研究为数字金融高质量服务实体经济、实现共同富裕的靶向路径构建提供了启示，当前应进一步推动数字金融的深度发展，将数字金融服务的落脚点放在企业技术创新层面，相关政策的制定应因地制策、因企施策。Abstract: The improvement of the quality and efficiency of financial services in the real economy and increase of the proportion of labor remuneration in the income distribution system are important driving forces for the construction of a new development pattern and the realization of common prosperity. This paper explores the impacts of digital finance development on labor income share, its internal mechanism and heterogeneity effect based on the data of Chinese listed companies from 2011 to 2019. The results show that digital finance significantly improves labor income share, which is still valid after dealing with endogenous problems and a series of robustness tests; its internal mechanism is that digital finance optimizes the employment skill structure by increasing the employment of high skilled labor and reducing the employment of low skilled labor, and then improves the proportion of labor remuneration in the added value of enterprises; digital finance improves both wage rate and labor productivity, while the former is dominant. Further research shows that the impact of digital finance on labor income share is heterogeneous due to cross-sectional differences such as digital financial structure, internal characteristics of enterprises and external institutional environment. This research provides useful thinking for digital finance how to serve the real economy with high quality and build targeted paths to achieve common prosperity.
-
一、 问题的提出：数字金融的发展与劳动收入份额的因果关系
党的十九大报告明确提出，“坚持在经济增长的同时实现居民收入同步增长、劳动生产率提高的同时实现劳动报酬同步提高”，十九届五中全会首次提出“全体人民共同富裕取得更为明显的实质性进展”这一远景目标。劳动报酬是绝大多数劳动者的主要收入来源，提高劳动报酬是扎实推进共同富裕的重要路径。然而，自20世纪90年代开始到美国次贷危机之前，我国的劳动收入份额一直呈下降趋势，2007年达到最低点0.467(刘亚琳等，2018)[1]，此后虽然逐渐上升，但仍处于低位徘徊，并且在微观层面存在进一步下降的趋势(文雁兵和陆雪琴，2018)[2]。较低水平的劳动收入份额意味着劳动者未能充分分享经济发展的成果，扩大了资本所有者和劳动者之间的收入差距，不利于共同富裕目标的实现，并且会抑制居民消费，不利于“国内大循环为主体”的新发展格局的形成。在此背景下挖掘影响劳动收入份额变化的因素并探讨提升策略具有重要的现实意义和理论价值。
一方面，针对我国劳动收入份额演化的特征事实，学者们从产业结构变迁、偏向性技术进步、制度环境等诸多角度揭示了劳动收入份额下降的缘由，但金融因素尤其是当前蓬勃发展的数字金融对劳动收入份额的潜在影响尚需进一步探索。事实上，产业结构升级以及技术进步的背后均有金融的支撑。金融具有优化资源配置的功能，能够引导资金在产业部门间及部门内部进行配置，继而影响劳动和资本要素的收入分配。借助于互联网技术，数字金融不仅拓展了传统金融服务的边界，降低了服务成本，而且一定程度上能够通过共享“征信系统”缓解信息不对称问题，优化金融资源配置(聂秀华等，2021)[3]。由此产生的问题是数字金融的发展是否影响了劳动收入份额？是抽钉拔锲抑或火上浇油？
另一方面，学者们对于劳动收入份额影响因素的探讨目前主要着眼于劳动供给与需求的变化，而忽视了劳动技能异质性对劳动收入份额的影响。数字金融能够纾解企业融资约束，加大研发创新投入，促进技术创新(唐松等，2020)[4]，而技术创新会促进员工技能结构的高级化(杨晔等，2019)[5]。就业技能结构高级化的底层驱动机制具有多样性，进而对劳动收入份额的影响具有不确定性。那么，就业技能结构升级在“数字金融——劳动收入份额”逻辑路径上究竟发挥着何种效应？是中介效应抑或遮掩效应？
有鉴于此，本文在“数字金融——劳动收入份额”的逻辑框架下，基于2011—2019年非金融类上市公司数据，识别数字金融发展与劳动收入份额之间的因果关系，从就业技能结构角度挖掘数字金融发展影响劳动收入份额的渠道，并进一步探讨数字金融影响就业技能结构的底层逻辑，以及数字金融发展的工资率效应和劳动生产率效应如何影响劳动收入份额；在此基础上挖掘企业内在特征和外部制度环境等横截面特征差异下，数字金融对企业劳动收入份额潜在的异质性影响。可能的边际贡献主要有：第一，不同于既有文献从传统金融发展的角度研究宏观劳动收入份额，本文从数字金融这一新的视角研究微观劳动收入份额，不仅拓宽了劳动收入份额变化驱动因素的研究边界，也为评估数字金融是否高质量服务实体经济提供了来自要素收入分配视角的理论支撑和经验证据。第二，从就业技能结构升级的角度揭示了数字金融影响劳动收入份额的内在机制。数字金融能够缓解企业融资约束，有助于扩大投资规模尤其是研发投资，由于“资本-技能互补”，导致高技能劳动力需求上涨和低技能劳动力需求下降，从而优化就业技能结构，提升劳动收入份额。此外，本文的研究还发现数字金融同时提高了工资率和劳动生产率，但前者占主导，最终导致了劳动收入份额的提升，从而响应了十九大报告提出的“在劳动生产率提高的同时实现劳动报酬同步提高”的目标。第三，揭示了企业内在特征和外部制度环境等要素约束下数字金融对劳动收入份额的异质性影响，为进一步优化数字金融发展，推动“国内大循环为主体”的新发展格局的形成和共同富裕目标的实现等相关政策的制定提供了经验证据。
二、 文献综述与假设的提出
（一） 文献综述
学者们从宏微观层面对劳动收入份额变化的驱动因素进行了丰富的研究，涉及到产业结构转型升级、偏向性技术进步、劳动议价能力、产品市场、制度改革，等等(Blanchard和Gavazzi，2003；Autor等，2017；Acemoglu和Restrepo，2018；白重恩等，2008；李稻葵等，2009；许敏波和李实，2019；万江滔和魏下海，2020)[6-12]。金融发展会影响要素资源配置，也是驱动劳动收入份额变动的重要因素，相关研究主要集中在探讨金融发展、金融抑制与劳动收入份额变动之间的内在关系等方面。此外，学者们还从资本劳动相对价格、融资约束和资本配置效率等角度解释了金融因素如何影响劳动收入份额。陈斌开和林毅夫(2012)[13]认为金融抑制使得银行存款利率被压低，廉价的资本被用来补贴国有银行和资本密集型国有企业，导致国民收入初次分配向政府和国有企业倾斜，挤压劳动收入份额。Fonseca和Van Doornik(2022)[14]以2005年巴西破产改革为准自然实验，研究发现金融发展(信贷扩张)不仅会提高企业的技能强度、技能溢价，还会提高劳动收入份额。基于中国的数据，张彤进和任碧云(2016)[15]指出包容性金融发展能够提高劳动收入份额。作为金融市场的重要组成部分，股票市场和债券市场也是影响劳动收入份额的重要因素。股权分置改革增强了资本流通性，减少了“工资侵蚀利润”，继而降低了企业劳动收入份额(施新政等，2019)[16]；企业发行债券则可以通过降低整体的债务成本以及发挥溢出效应而降低银行的贷款利率，缓解融资约束进而提高劳动收入份额(江轩宇和贾婧，2021)[17]。近年来，数字技术逐渐渗透到金融业并衍生出数字金融这一新的业态，借助于数字技术，数字金融降低了传统金融的服务门槛，提高了“长尾群体”金融服务的可得性，既发挥了普惠金融的功能，又解决了传统普惠金融在商业上的可持续性问题，在缓解融资约束[4]、减贫(Suri和Jack，2016)[18]、技术创新[3]等方面发挥着积极作用。尽管学者们分别围绕劳动收入份额变化的驱动因素和数字金融发展的经济后果进行了深入的讨论，但鲜有文献研究数字金融对劳动收入份额的影响以及内在的作用机制，本文将聚焦于该问题进行探讨。
（二） 理论分析与研究假设的提出
融资约束会降低劳动收入份额。由于金融市场发展不完善以及传统金融在服务实体经济发展过程中存在属性错配、领域错配和阶段错配等情况[4]，导致企业普遍面临着融资难、融资贵的困境。当企业面临融资约束时，可能会通过利润留成的方式进行内源性融资，减少对劳动者的利润分配，也可能会减少劳动力雇佣规模，进而降低劳动收入份额(Neumeyer和Perri，2005；文雁兵和陆雪琴，2018)[19, 2]。基于不同的研究范式，罗长远和陈琳(2012)[20]、汪伟等(2013)[21]均发现融资约束会影响企业对“流动资本”的支付，从而减少对劳动要素的利润分配，降低劳动收入份额。
数字金融能够缓解企业的融资约束。一方面，数字金融通过拓宽企业的融资渠道缓解融资约束。数字金融平台具有资金放大器功能，将“长尾投资者群体”的小规模资金集聚成大规模资金，再将资金贷给有外部融资需求的企业，实现增量补充(江红莉和蒋鹏程，2021)[22]。另一方面，数字金融能够降低企业的融资成本。依托互联网平台沉淀的海量软信息，金融服务提供方不仅能够压缩信息搜集和处理成本，提高融资效率，而且能够通过建立大数据风险评估模型分析客户行为特征并进行动态风险监管，提高融资定价的精准度和融资效率，使企业能够在相对公平的成本区间内融得资金。Fonseca和Van Doornik(2022)[14]基于巴西数据的研究发现银行信贷扩张能够提升劳动收入份额；江轩宇和贾婧(2021)[17]基于中国数据的研究发现企业发行债券引致的债务成本下降效应能够提升劳动收入份额。由此，提出以下研究假设：
假设H1：数字金融发展能够提升企业劳动收入份额。
Griliches(1969)[23]首次提出并验证了“资本-技能互补”假说，即相对于非技能劳动力，附着技能或教育的劳动与物质资本的互补性更强(或者替代性更弱)。学者们从不同角度验证了资本-技能互补假说，且大部分文献持支持态度(Krusell等，2000；刘啟仁和赵灿，2020)[24-25]。融资约束会通过企业投资影响高技能工人占比，如果融资成本下降，市场将需要更多的高技能劳动力和更少的低技能劳动力(申广军等，2020)[26]。数字金融发展能够缓解企业融资约束，降低融资成本，有助于企业扩大投资规模尤其是研发投资。研发资本投入的增加不仅会增大对科技研发人员的需求，也会增加对具有丰富创新管理经验人员的需求，同时减少对处于“金字塔型”职业技能结构底层的低技能劳动力的需求，形成就业金字塔底层的空心化(宁光杰和林子亮，2014)[27]，即研发投资能够提升高技能劳动力，如销售人员和技术人员等的雇佣比例。此外，企业进行固定资产投资，如购买先进的机器设备或技术以提高生产的智能化水平，则离不开互补性高技能劳动力的配合(马红旗等，2017)[28]，有可能降低对低技能劳动力的需求，即产生替代效应，如“机器换人”(杜文强，2022)[29]。总体而言，数字金融的发展会对低技能劳动力雇佣产生替代效应或对高技能劳动力雇佣产生互补效应，继而促进就业技能结构的升级。
就业技能结构升级对劳动收入份额的影响具有双重效应，具体取决于就业技能结构升级的底层驱动力，即就业技能结构升级究竟是高技能劳动力雇佣增加占主导(高技能劳动力的互补效应)，还是低技能劳动力被替代占主导(低技能劳动力的替代效应)。如果高技能劳动力的互补效应占主导，那么技能溢价会提高劳动收入份额。如果低技能劳动力的替代效应占主导，即就业技能结构升级主要是通过降低低技能劳动力雇佣实现的，则就业技能结构升级对劳动收入份额的影响取决于技能溢价与低技能劳动力被替代造成的劳动收入下降的相对关系，如果前者大于后者，劳动收入份额将上升，反之则下降。由此，提出以下竞争性研究假设：
假设H2a：数字金融的发展能够促进就业技能结构升级，进而提升劳动收入份额，即就业技能结构升级在“数字金融——劳动收入份额”逻辑路径中发挥中介效应；
假设H2b：数字金融的发展能够促进就业技能结构升级，继而抑制劳动收入份额，即就业技能结构升级在“数字金融——劳动收入份额”逻辑路径中存在遮掩效应。
三、 模型构建与变量的选取
（一） 模型构建
构建如下基准回归模型探讨数字金融发展对劳动收入份额的影响，以检验假设H1：
$$L{s_i}{\tau _t} = {\beta _0} + {\beta _1}D{f_{it}} + \sum {{\beta _j}} {X_j}{\tau _t} + \sum {{{ year }}} + \sum {{{ ind }}} + {\varepsilon _{it}}$$ (1) 其中，LSiτt代表i城市τ企业第t年的劳动收入份额，Dfit为i城市第t年的数字金融发展水平，X为控制变量集合，∑year为时间固定效应，∑ind为行业固定效应，εit为扰动项。系数β1反映了数字金融对劳动收入份额的影响，其显著大于0说明数字金融发展能够提升劳动收入份额，反之则会起抑制作用。
为厘清数字金融发展对劳动收入份额的影响机制，构建如下模型检验假设H2a和H2b：
$$H{l_{i\tau t}} = {\alpha _0} + {\alpha _1}D{f_{it}} + \sum {{\alpha _j}} {X_{j\tau t}} + \sum {{{ year }}} + \sum {{{ ind }}} + {\varepsilon _{it}}$$ (2) $$L{s_{i\tau t}} = {\gamma _0} + {\gamma _1}D{f_{it}} + {\gamma _2}H{l_{i\tau t}} + \sum {{\gamma _j}} {X_{j\tau t}} + \sum {{{ year }}} + \sum i nd + {\varepsilon _{it}}$$ (3) 其中，Hliτt表示i城市τ企业第t年的就业技能结构，其余变量含义同式(1)。式(1)(2)(3)构成了一组中介效应检验模型。
为进一步理解数字金融发展影响劳动收入份额的内在机制，将劳动收入份额Ls进行分解。由劳动收入份额的内涵可知：
$$Ls = wL/Y = w/y$$ (4) 其中，w为工资率(也称为平均工资)，y=Y/L为劳动生产率。
对式(4)两边取自然对数，得：
$$ln (Ls) = ln (w) - ln (y)$$ (5) 式(5)表明劳动收入份额的对数值等于工资率的对数值与劳动生产率的对数值之差。如果Δln(w)＞Δln(y)，即当工资率增长幅度大于劳动生产率增长幅度时，劳动收入份额将提高，反之将下降。
结合式(4)(5)，数字金融发展对劳动收入份额的影响可以分解为对工资率和劳动生产率的影响。由此，建立如下回归模型：
$${{{ lnw}} _{i\tau t}} = {\beta _{10}} + {\beta _{11}}D{f_{it}} + \sum {{\beta _{1j}}} {X_{j\tau t}} + \sum {{{ year }}} + \sum {{{ ind }}} + {\varepsilon _{it}}$$ (6) $$ln {y_{i\tau t}} = {\beta _{20}} + {\beta _{21}}D{f_{it}} + \sum {{\beta _{2i}}} {X_{j\tau t}} + \sum {{{ year }}} + \sum {{{ ind }}} + {\varepsilon _{it}}$$ (7) （二） 变量选择及数据处理
1. 因变量：劳动收入份额(Ls)。借鉴王雄元和黄玉菁(2017)[30]的做法，采用应付职工薪酬贷方发生额与营业总收入之比衡量。
2. 自变量：数字金融发展水平(Df)。借鉴聂秀华等(2021)[3]、唐松等(2020)[4]的做法，基于北京大学数字金融研究中心发布的“数字普惠金融指数”量化数字金融发展水平。根据企业注册地，将城市数字金融发展水平与微观企业数据相匹配。为了减小因数据非平稳而导致的模型估计偏误，对数字金融发展水平取自然对数。
3. 中介变量：就业技能结构(Hl)。借鉴宋锦和李曦晨(2019)[31]量化就业技能结构的方法，结合赵烁等(2020)[32]对高技能劳动力的界定，将拥有本科及以上学历的就业者认定为高技能劳动力，用高技能劳动力雇佣占比表示就业技能结构。
4. 控制变量。参考江轩宇和贾婧(2021)[17]、苏梽芳等(2021)[33]的做法，选择以下控制变量：资产负债率(Lev)，用总负债与总资产之比表示；企业规模(Size)，采用资产总额的自然对数值衡量；企业年龄(Age)，用截至样本当年企业成立的年数自然对数值表示；资产收益率(Roa)，用营业利润与总资产之比表示；企业成长性(Growth)，用营业收入增长率表示；董事会规模(Board)，用董事人数的自然对数值表示；第一大股东持股比例(Top1)；独立董事占比(Indr)，用独立董事人数与董事人数之比表示。内生性问题处理中还将增加宏观控制变量。
（三） 样本选择、数据来源及描述性统计分析
1. 样本选择。由于“数字普惠金融指数”起始于2011年，故样本起始年份为2011年。考虑到2020年经济发展受新冠疫情影响较大，故以2011—2019年沪深非金融类上市公司为初始研究样本，并剔除样本期内ST和*ST企业样本观测值以及相关财务数据缺失的样本企业。为了消除极端值的影响，对所有连续变量进行1%水平上的缩尾处理，最终得到17 082个年份-公司样本观测值。
2. 数据来源。数字金融发展水平数据来源于北京大学数字金融研究中心发布的“数字普惠金融指数”；微观企业数据除“本科及以上学历员工占比”和“科技人员占比”来源于Wind数据库外，其余来自国泰安数据库；宏观数据来源于《中国统计年鉴》《中国劳动统计年鉴》。
变量描述性统计如表 1所示。劳动报酬仅占营业收入的14.4%，低于宏观层面的劳动收入份额。大学本科及以上劳动力占员工总数的26.7%，变异系数(标准差与均值之比)为0.794，高于劳动收入份额和数字金融发展水平的变异系数，说明就业技能结构存在较大差异。
表 1 变量描述性统计变量名称及符号 均值 标准差 最小值 最大值 劳动收入份额Ls 0.144 0.095 0.015 0.537 数字金融发展水平Df 5.291 0.371 4.089 5.771 就业技能结构Hl 0.267 0.212 0.000 0.874 资产负债率Lev 0.407 0.201 0.051 0.891 企业规模Size 22.134 1.273 17.806 28.636 企业年龄Age 2.710 0.400 1.386 3.434 资产收益率Roa 0.040 0.071 -0.319 0.227 企业成长性Growth 0.170 0.360 -0.515 2.079 董事会规模Board 2.127 0.197 1.609 2.708 第一大股东持股比例Top1 0.376 0.054 0.333 0.571 独立董事占比Indr 0.339 0.144 0.085 0.718 四、 实证分析
（一） 基准回归
式(1)的估计结果如表 2所示。其中列(1)仅考虑数字金融的影响，控制时间-公司固定效应，列(2)增加了企业层面的控制变量，列(3)控制了时间-行业固定效应，列(4)同时控制时间、公司和行业固定效应。由表 2列(1)至(4)可知，无论控制何种层面的固定效应以及无论是否加入控制变量，数字金融的发展均显著提升了劳动收入份额，假设H1初步得到验证。罗长远和陈琳(2012)[20]认为，面临融资约束的企业通过信贷获得流动资本的能力受限，往往倾向于减少雇佣劳动力或降低工资水平，导致劳动收入份额下降。数字金融有效缓解了企业融资约束，有助于企业扩大生产规模、增加研发投入，对劳动力的需求尤其是高技能劳动力的需求增加，进而提高了劳动报酬占营业收入的比重。
表 2 基准回归结果变量 Ls Ls Ls Ls (1) (2) (3) (4) Df 0.036*(1.880) 0.028*(1.806) 0.043***(3.150) 0.025*(1.662) Lev -0.033**(-2.485) -0.090***(-9.609) -0.032**(-2.446) Size -0.010***(-3.139) -0.014***(-9.852) -0.010***(-3.266) Age -0.019(-1.288) 0.001(0.220) -0.019(-1.295) Roa -0.198***(-11.184) -0.198***(-10.466) -0.197***(-11.322) Growth -0.021***(-12.605) -0.021***(-8.868) -0.022***(-13.061) Board 0.000(0.046) 0.038***(4.522) 0.000(0.094) Indr -0.017(-0.800) 0.114***(3.498) -0.010(-0.493) Top1 0.006(0.359) 0.007(0.786) 0.008(0.503) Constant -0.045(-0.450) 0.294**(2.469) 0.139*(1.737) 0.299**(2.549) Year YES YES YES YES Firm YES YES NO YES Ind NO NO YES YES Obs. 17 010 17 010 17 082 17 010 R2 0.842 0.865 0.317 0.867 注：*、**和***代表显著性水平10%、5%和1%；为降低潜在的异方差和序列相关问题对回归结果的影响，将系数标准误在城市层面聚类；括号内为t值。下表同。 控制变量的影响具有较强的稳健性。企业资产负债率、资产规模、资产收益率、成长性均显著降低了劳动收入份额，说明杠杆率越高、资产规模越大、盈利能力越强、发展越快的企业，资本的议价能力越强，从企业增长中获得的报酬更多；相应地，劳动报酬所占比重越低。该结论与江轩宇和贾婧(2021)[17]、苏梽芳等(2021)[33]的研究一致。
（二） 内生性问题的处理
首先，将自变量和控制变量均滞后一阶，以减少因反向因果关系导致的内生性问题，结果如表 3列(1)所示。数字金融滞后一阶后，仍然显著提升了劳动收入份额。为减少因遗漏变量引致的内生性，增加宏观控制变量：政府财政支出规模(Fd)，用政府财政支出与GDP之比衡量；经济发展水平(Lnpgdp)，用人均GDP的对数值衡量，并进行以2000年为基期的CPI消胀处理；传统金融发展水平(Fin), 用贷款余额与GDP之比衡量，结果如列(2)所示。在加入了城市层面控制变量后，数字金融仍然显著提升了劳动收入份额。
表 3 内生性问题的处理第一阶段(IV1) 第二阶段 第一阶段(IV2) 第二阶段 变量 Ls Ls Df Ls Df Ls (1) (2) (3) (4) (5) (6) IV1/ IV2 3.980***(24.210) 3.263***(136.140) l.Df 0.033***(5.268) Df 0.032*(1.797) 0.070**(2.182) 0.027***(3.017) Fd 0.049*(1.911) Lnpgdp 0.001(0.123) Fin 0.006*(1.753) 控制变量 YES YES YES YES YES YES Constant 0.167***(4.365) 0.191**(2.068) -0.075(-0.478) 0.145***(3.012) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES City NO YES NO NO NO NO Wald F值 587.910 7 182.468 Obs. 13 996 14 744 10 835 11 704 R2 0.300 0.333 0.337 0.328 其次，采用工具变量法进行估计以缓解可能存在的内生性。借鉴张勋等(2019)[34]、江红莉和蒋鹏程(2021)[22]的做法，用各城市到杭州的直线距离、Barkit工具变量作为数字金融的工具变量，分别记为IV1和IV2，基于IV-2SLS法估计的结果如列(3)至(6)所示。由列(3)(5)可知，在1%显著水平下，工具变量IV1和IV2与数字金融显著正相关；弱工具变量检验对应的Wald F值分别为587.910和7 182.468，远大于临界值10，拒绝了“工具变量为弱工具变量”的原假设。由列(4)(6)可知，基于工具变量法处理潜在的内生性问题后，数字金融仍然显著地提升了劳动收入份额。因此，研究假设H1再次得到验证。
（三） 稳健性检验
为增强基准回归结论的可信度，进行稳健性检验，结果见表 4。
表 4 稳健性检验变量 Ls1 Ls2 Ls3 Ls Ls Ls (1) (2) (3) (4) (5) (6) Df 0.043***(3.518) 0.035*(1.659) 0.399***(2.771) 0.063***(3.529) 0.040**(2.197) Df1 0.027***(3.463) 控制变量 YES YES YES YES YES YES Constant 0.138*(1.933) 0.304***(2.842) -1.925**(-2.281) 0.055(0.534) 0.311***(8.589) 0.142(1.351) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES City×Year NO NO NO YES NO NO Obs. 17 082 17 082 17 082 17 081 17 082 13 745 R2 0.317 0.322 0.307 0.333 0.318 0.293 一是更换企业劳动收入份额的量化方法。借鉴方军雄(2011)[35]、魏下海等(2013)[36]、王雄元和黄玉菁(2017)[30]的做法，劳动收入份额(Ls1)=支付给职工以及为职工支付的现金/营业总收入，劳动收入份额(Ls2)=支付给职工以及为职工支付的现金/(营业收入-营业成本+支付给职工以及为职工支付的现金+固定资产折旧)，对劳动收入份额Ls进行Logitic转换，即劳动收入份额(Ls3)=ln(Ls/(1-Ls))，结果如表 4列(1)至(3)所示。二是控制更高阶的固定效应，结果如列(4)所示。三是更换自变量的量化方法。将数字金融发展水平除以100，记为Df1，结果如列(5)所示。四是考虑直辖市的政策与其他地级市存在差异，故剔除企业注册地为直辖市的样本，结果如列(6)所示。以上稳健性检验结果表明，数字金融发展显著地提升了劳动收入份额，研究假设H1仍然得到支撑。
（四） 作用机制分析
1. 数字金融影响劳动收入份额的作用渠道
由表 5列(1)可知，在1%显著水平下数字金融显著提升了劳动收入份额；由列(2)可知，在1%显著水平下数字金融促进了就业技能结构升级；由列(3)可知，就业技能结构升级显著提升了劳动收入份额。根据中介效应判别方法(温忠麟和叶宝娟，2014)[37]，数字金融发展通过促进就业技能结构升级进而提升了劳动收入份额，假设H2a成立。数字金融借助于数字技术，在金融服务过程中能够降低投融资双方的信息不对称性，纠正金融资源错配，提高融资效率，降低融资成本，缓解融资约束，进而有助于企业增加研发投资。企业研发创新是一项高技能生产活动，需要高技能劳动力与之匹配，增加高技能劳动力就业需求、优化就业技能结构，进而提高劳动收入份额。为了增加结论的可信度，对式(2)(3)进行稳健性检验。借鉴沈春苗(2016)[38]的做法，用科技人员占比作为就业技能结构(Hl1)的代理变量，式(2)(3)的估计结果如列(4)(5)所示。根据中介效应判别方法，假设H2a仍然成立。
表 5 数字金融影响劳动收入份额的渠道：就业技能结构升级变量 Ls Hl Ls Hl1 Ls Hl-emp Ll-emp (1) (2) (3) (4) (5) (6) (7) Df 0.043*** 0.245*** 0.027* 0.164*** 0.035** 1.528*** -0.851** (3.150) (3.536) (1.823) (4.113) (2.590) (3.943) (-2.312) Hl 0.068*** (6.431) Hl1 0.064*** (7.781) R&D 0.033*** -0.005** (8.340) (-2.279) 控制变量 YES YES YES YES YES YES YES Constant 0.139* -1.364*** 0.231*** -0.571*** 0.162** -20.113*** -5.906*** (1.737) (-4.338) (2.870) (-2.896) (2.032) (-9.451) (-3.134) Year YES YES YES YES YES YES YES Ind YES YES YES YES YES YES YES Obs. 17 082 17 082 17 082 16 721 16 721 11 407 11 407 R2 0.317 0.379 0.332 0.414 0.324 0.392 0.622 注：列(6)(7)的样本量少于列(1)至(5)是因为研发投入数据缺失。 为了进一步明晰数字金融影响就业技能结构的底层逻辑，将式(2)中的因变量(Hl)分别替换为高技能劳动力雇佣量(Hl-emp)(对数值)和低技能劳动力雇佣量(Ll-emp)(对数值)，同时为了验证“资本-技能互补”假说是否成立，在式(2)中加入研发投入(R&D)①，回归结果如列(6)(7)所示。由表 5可知，在1%显著水平下，数字金融和研发投资均显著提升了高技能劳动力雇佣，降低了低技能劳动力雇佣。一方面说明“资本-技能互补”假说成立，另一方面说明数字金融引致的就业技能结构升级效应是通过增加高技能劳动力雇佣和降低低技能劳动力雇佣而实现的。由于高技能劳动力具有较强的工资议价能力，其带来的劳动收入增加大于因低技能劳动力雇佣减少而造成的劳动收入下降，从而最终提升了劳动收入份额。
①采用2000年CPI指数进行平减以消除通胀的影响。此外，用研发投入强度(研发投入与总资产之比)替代研发投入总量，系数的显著性和符号方向不变，只是因量纲不同，系数大小有所差异。
2. 数字金融的劳动收入份额效应分解
从劳动收入份额本身出发，将数字金融对劳动收入份额的影响分解为工资率效应和劳动生产率效应。借鉴方军雄(2011)[35]构建的上市公司劳动收入份额计算方法②，工资率(w)用支付给职工以及为职工支付的现金与员工人数之比衡量；劳动生产率(y)用单位员工企业增加值表示，其中，企业增加值=营业收入-营业成本+支付给职工以及为职工支付的现金+固定资产折旧，劳动收入份额=支付给职工以及为职工支付的现金/(营业收入-营业成本+支付给职工以及为职工支付的现金+固定资产折旧)。为消除通货膨胀的影响，采用以2000年为基期的CPI指数对w和y进行平减。式(6)和(7)的估计结果如表 6列(2)(3)所示，可见，在1%显著水平下数字金融显著提升了工资率和劳动生产率，并且对工资率的影响大于对劳动生产率的影响，即数字金融引致的工资率效应占主导，提升了劳动收入份额。数字金融发展缓解了企业融资约束，增加了研发投入，扩大了企业对高技能劳动力的雇佣，由于高技能劳动力具有较高的工资溢价，推高了平均工资。雇佣高技能劳动力也会提高企业单位劳动产出，但是单位劳动产出的增加不仅仅取决于高技能劳动力，也受资本投入、生产管理等因素的制约。因此，在企业层面，数字金融对工资率的提升效应强于对劳动生产率的提升效应。
②稳健性检验中的Ls2。
表 6 数字金融对工资率和劳动生产率的影响变量 ln(Ls) ln(w) ln(y) ln(w1) ln(y1) (1) (2) (3) (4) (5) Df 0.202**(2.454) 1.044***(5.329) 0.849***(3.961) 1.437***(6.406) 0.625***(2.937) 控制变量 YES YES YES YES YES Constant -1.599***(-3.780) -5.659***(-5.023) -4.010***(-3.368) -10.761***(-7.313) -6.118***(-4.994) Year YES YES YES YES YES Ind YES YES YES YES YES Obs. 17 082 17 082 17 073 17 007 15 750 R2 0.325 0.330 0.329 0.125 0.501 为了使表 6列(2)(3)的研究结论更具说服力，通过更换工资率和劳动生产率的量化方法进行稳健性检验。借鉴万江滔和魏下海(2020)[12]的做法，工资率(w1)用应付职工薪酬与员工人数之比衡量；借鉴白重恩等(2008)[9]的做法，劳动生产率(y1)用单位员工企业增加值表示，其中，企业增加值为营业利润、应付职工薪酬和固定资产折旧三项之和。仍然采用以2000年为基期的CPI指数对w1和y1进行平减，式(6)(7)的估计结果如表 6列(4)(5)所示。研究结论与前文一致，即数字金融同时提高了上市公司的工资率和劳动生产率，但工资率效应占主导，进而提升了劳动收入份额。
结合表 2和表 6可以得出如下结论：数字金融在提升劳动生产率的同时提高了劳动收入份额，从而响应了十九大报告提出的“在劳动生产率提高的同时实现劳动报酬同步提高”的目标。
五、 异质性分析：数字金融结构、企业特征、制度环境
（一） 数字金融结构的异质性影响
“数字普惠金融指数”包含覆盖广度、使用深度和数字化程度三个子指数，分别记为Cover、Usage和Digit。为了降低因数据非平稳而导致的模型估计偏误，对其分别取自然对数。将式(1)中数字金融总指数替换为上述三个子指数，结果如表 7所示。由列(1)和(3)可知，在1%显著水平下，覆盖广度和数字支持程度均显著提升了劳动收入份额，作用系数分别为0.029和0.017。覆盖广度主要反映的是支付宝账户覆盖率，数字化程度包括移动化、实惠化、信用化、便利化四个子维度。借助于数字技术，数字金融拓展了传统金融服务的边界，降低了服务门槛和交易成本，缓解了企业融资约束，进而提高了劳动收入份额。由列(2)可知，使用深度对企业劳动收入份额的影响不显著。使用深度包含支付业务、货币基金业务、信贷业务(对个人用户和小微经营者)、保险业务、投资业务、信用业务六个子维度。其中信贷业务、信用业务有助于缓解企业融资约束，提高劳动收入份额。但是近几年来金融投资收益远高于实体投资回报，因此有越来越多的非金融企业偏离其主营业务进行金融投资。根据Wind数据库显示，2011—2018年，A股上市公司累计购买理财产品的金额从25.3亿元上升到1.77万亿元。企业脱实向虚挤压了劳动要素在收入分配中的比重。在多重效应的叠加下，导致使用深度对企业劳动收入份额的提升效应不显著。
表 7 数字金融结构的异质性影响变量 Ls Ls Ls Ls Ls Ls (1) (2) (3) (4) (5) (6) Cover 0.029***(3.233) 0.023***(4.044) Usage 0.009(0.916) 0.009(1.631) Digit 0.017***(3.367) 0.017***(4.253) 控制变量 YES YES YES YES YES YES Constant 0.219***(3.726) 0.327***(5.723) 0.285***(6.295) 0.319***(8.965) 0.352***(10.514) 0.337***(9.807) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES Obs. 17 082 17 082 17 082 17 082 17 082 17 082 R2 0.317 0.315 0.316 0.319 0.316 0.316 将Cover、Usage和Digit除以100，重新估计式(1)，结果如表 7列(4)至(6)所示。其中数字金融的覆盖广度和数字化程度仍然显著提升了劳动收入份额，使用深度的影响仍然不显著，说明列(1)至(3)的结论具有一定的可靠性。
（二） 企业特征的异质性影响
1. 产权属性
由于传统金融在服务实体经济发展过程中存在“属性错配”，相对于国有企业，非国有企业面临着更大的融资约束，这就意味着数字金融发展对纾解非国有企业融资约束的边际作用效应更强，进而对其劳动收入份额的边际提升效应更大。由表 8列(1)(2)可知，数字金融对国有企业劳动收入份额的影响不显著，但是数字金融发展水平每提升1%，非国有企业劳动收入份额将提升0.082%。该结论从侧面印证了假设H1，即数字金融发展改善了金融资源错配，纾解了企业融资约束，进而提升了劳动收入份额。
表 8 企业产权和所属行业的异质性影响变量 国企 非国企 制造业 服务业 (1) (2) (3) (4) Df -0.006(-0.358) 0.086***(4.654) 0.054***(3.218) 0.192**(2.510) 控制变量 YES YES YES YES Constant 0.457***(4.399) -0.092(-0.828) 0.107(1.047) -0.550(-1.375) Year YES YES YES YES Ind YES YES YES YES Obs. 6 098 10 984 12 577 1 724 R2 0.301 0.330 0.221 0.215 2. 行业属性
劳动收入份额占比由高到低的产业依次是第一产业、第三产业和第二产业。制造业属于第二产业，服务业属于第三产业。数字金融显著提升了制造业和服务业就业，但是对服务业就业的提升作用更强(徐章星等，2020)[39]。由此可以推断服务业中数字金融对劳动收入份额的影响大于制造业。根据行业代码，将样本划分为服务业和制造业，重新估计式(1)，结果如表 8列(3)(4)所示。数字金融对服务业企业劳动收入份额的作用强度大于对制造业企业劳动收入份额的作用强度，前者系数为0.192，后者为0.054。
3. 研发投入
技术创新是一项高资金投入和高人力资本投入的经济活动，需要资金和人力的协调耦合。企业研发投入越多，对高技能劳动力的需求越多，这就意味着研发投入越多的企业数字金融的劳动收入份额提升效应越强。以研发投入额与总资产之比衡量研发投资，基于各行业样本期内研发投资均值的中位数，将样本划分为低研发投资组和高研发投资组重新估计式(1)，结果如表 9列(1)(2)所示。高研发投资组中数字金融对劳动收入份额的影响系数为0.085，大于低研发投入组的系数0.011。费舍尔检验的P值为0.000，说明研发投资越高的企业，数字金融的劳动收入份额提升效应越强，因而从侧面印证了研发资本与技能互补的观点。
表 9 研发投入、要素结构的异质性影响变量 低研发投入 高研发投入 资本密集型 劳动密集型 (1) (2) (3) (4) Df 0.006(0.416) 0.091***(4.236) 0.029(1.478) 0.060***(4.585) 控制变量 YES YES YES YES Constant 0.279***(3.286) -0.075(-0.547) 0.235**(2.087) 0.037(0.474) Year YES YES YES YES Ind YES YES YES YES Obs. 8 776 8 306 9 341 7 740 R2 0.270 0.304 0.209 0.388 4. 要素结构
相对于资本密集型企业，劳动密集型企业更加依赖于劳动力的投入。生产规模同比例扩大，劳动密集型企业对劳动力的需求上升更多，劳动报酬在企业增加值中所占的比重更高。随着我国产业结构的升级，劳动密集型产业已经从过去以制造业为主逐渐向服务业为主扩散。一些劳动密集型企业集中在与居民生活、娱乐休闲等相关的服务业。由此可以推断，相对于资本密集型企业，数字金融的劳动收入份额提升效应在劳动密集型企业中更强。以各行业样本期内企业人均固定资产净值均值的中位数为标准，将人均固定资产净值大于中位数的企业界定为资本密集型企业，反之则为劳动密集型企业。表 9列(3)(4)显示，数字金融对资本密集型企业劳动收入份额的影响不显著，但是显著提升了劳动密集型企业的劳动收入份额。对于劳动密集型企业而言，数字金融发展水平每提升1%，其劳动收入份额将提升0.060%。
5. 外部治理①
①公司治理包括内部治理和外部治理。考虑到反映企业内部治理的变量，如董事会规模、第一大股东持股比例、独立董事占比已经作为控制变量进入模型，故此处仅分析外部治理的异质性影响。
一方面，良好的外部治理可以抑制经理人的机会主义行为，改善公司治理水平，进而提升企业劳动收入份额(施新政等，2019)[16]。另一方面，信息不对称是企业融资约束的重要原因，良好的外部治理可以提高信息透明度，降低企业外部融资成本，进而提高劳动收入份额。这就意味着企业外部治理情况越好，数字金融的劳动收入份额的提升效应越强。参考Fan和Wong(2005)[40]的做法，采用是否聘请国际“四大”进行年度财务审计来衡量企业外部监督状况，若聘请“四大”则认为外部监督较强，否则认为外部监督较弱。根据分组回归结果表 10列(1)(2)可知，无论是否聘请“四大”，数字金融均显著提升了劳动收入份额，但是对于聘请“四大”审计的企业而言，数字金融对其劳动收入份额的提升作用更强，且这一差异通过了费舍尔检验。此外，将分析师关注度作为外部治理的代理指标，以各行业样本期内分析师关注度均值的中位数为标准，将大于中位数的样本界定为高分析师关注度(强外部监督)，反之则为低分析师关注度(弱外部监督)，结果如列(3)(4)所示。无论分析师关注度是高还是低，数字金融均显著提升了劳动收入份额，但是对于分析师关注度高的企业劳动收入份额影响更大，且这一差异同样通过了费舍尔检验。
表 10 外部治理的异质性影响变量 非“四大”审计 “四大”审计 低分析师关注度 高分析师关注度 (1) (2) (3) (4) Df 0.041***(3.052) 0.091*(1.749) 0.032*(1.938) 0.060***(4.017) 控制变量 YES YES YES YES Constant 0.159**(2.062) 0.073(0.231) 0.199**(2.069) 0.053(0.588) Year YES YES YES YES Ind YES YES YES YES 费舍尔检验P值 0.000 0.000 Obs. 16 294 787 8 599 8 483 R2 0.314 0.454 0.329 0.307 6. 企业员工身份异质性
由于普通员工与高管的工资议价能力不同，数字金融对劳动收入份额的影响可能因员工身份的差异而存在异质性。由此，进一步分析数字金融发展对这两类员工劳动收入份额的影响。其中，高管劳动收入份额=董事监事及高管年薪总额/营业总收入，普通员工劳动收入份额=(应付职工薪酬贷方发生额-董事监事及高管年薪总额)/ 营业总收入。由表 11列(1)(2)可知，无论是高管还是普通员工，数字金融均显著提升了其劳动收入份额。数字金融发展水平每提升1%，高管及普通员工的劳动收入份额将分别提升0.003%、0.040%，说明同样条件下数字金融对普通员工劳动收入份额的提升效应更强，因而有利于缩小企业内部薪酬差距。进一步研究制造业和服务业中数字金融对不同身份员工劳动收入份额的影响。由列(3)至(6)可知，无论是制造业还是服务业，数字金融对普通员工劳动收入份额的提升效应均更强，均能够缩小高管与普通员工间的收入差距，并且服务业企业内部收入差距的收敛效应更强。
表 11 员工身份的异质性影响变量 全样本 制造业 服务业 高管 普通员工 高管 普通员工 高管 普通员工 (1) (2) (3) (4) (5) (6) Df 0.003***(5.076) 0.040***(2.958) 0.003***(5.586) 0.050***(3.058) 0.002(0.688) 0.185**(2.455) 控制变量 YES YES YES YES YES YES Constant 0.016***(4.081) 0.122(1.564) 0.017***(5.068) 0.089(0.880) 0.043**(2.373) -0.570(-1.451) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES Obs. 17 082 17 082 12 577 12 577 1 724 1 724 R2 0.409 0.308 0.389 0.208 0.440 0.206 （三） 制度环境的异质性影响
1. 市场化水平
市场化水平会影响要素市场的配置效率，进而影响劳动收入分配。根据王小鲁等(2019)[41]编制的各省(市)市场化水平总指数，计算2011—2017年市场化水平的中位值，并以此为临界值将样本分为高市场化水平组和低市场化水平组，结果见表 12。由表 12列(1)(2)可知，数字金融发展对市场化程度相对较低地区的企业劳动收入份额影响不显著，但是显著提升了市场化程度相对较高地区的企业劳动收入份额。可能的原因是市场化程度越高的区域，资源配置市场化运作效率越高，创新创业的基础条件越好。数字金融作为传统金融发展的补充，提高了“尾部”群体金融服务的可得性，促进了企业尤其是民营企业的创新发展，增加了对高技能劳动力的需求，进而提升了劳动收入份额。
表 12 市场化水平、劳动者权益保护以及金融监管的异质性影响变量 低市场化 高市场化 弱保护 强保护 弱监管 强监管 (1) (2) (3) (4) (5) (6) Df -0.025(-0.766) 0.073***(4.453) 0.001(0.029) 0.064***(3.749) 0.026**(2.227) 0.070***(3.719) 控制变量 YES YES YES YES YES YES Constant 0.550***(2.748) -0.030(-0.327) 0.395***(3.725) 0.020(0.227) 0.184**(2.575) 0.002(0.018) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES 费舍尔检验P值 0.000 Obs. 2 468 14 613 5 988 11 093 5 842 9 362 R2 0.319 0.325 0.344 0.314 0.350 0.302 2. 劳动者权益保护
劳动者权益保护会影响劳动者的工资议价能力，但其对劳动收入份额的影响尚存在争议(魏下海等，2013)[36]。以《中国劳动统计年鉴》中“基层工会参与调节劳动争议工作情况”项下“劳动争议调解委员会调解成功案件数”与“劳动争议调解委员会受理争议案件数”之比作为工会对劳动者权益保护程度的代理变量，按照样本期内各省劳动者保护程度均值的中位数，将样本分为弱劳动者权益保护组和强劳动者权益保护组，重新估计式(1)。根据表 12列(3)(4)可知，数字金融对弱劳动者权益保护省份的企业劳动收入份额影响不显著，但是显著提升了强劳动者权益保护省份的企业劳动收入份额，这一结论与Fichtenbaum(2011)[42]、文雁兵和陆雪琴(2018)[2]的观点一致。
3. 金融监管环境
数字金融的蓬勃发展得益于政府“试点容错”的监管方针，宽松的监管环境不仅给予了数字金融成长的空间，同时也提供了滋生风险的土壤。为了引导数字金融健康有序发展，2015年7月中国人民银行联合多个部门颁布《关于促进互联网金融健康发展的指导意见》，标志着互联网金融监管正式启动。马思超和彭俞超(2019)[43]研究发现金融监管能够抑制实体企业的金融投资行为，而后者会挤出技术创新投入(段军山和庄旭东，2021)[44]。该结论背后隐藏着一种潜在可能，即相对于弱金融监管环境，数字金融对劳动收入份额的提升效应在强金融监管环境中更强。以2015年为分界点，将样本分为2011—2014年、2016—2019年两个阶段①，分别表示弱金融监管环境和强金融监管环境。根据表 12列(5)(6)可知，强金融监管环境约束下，数字金融对企业劳动收入份额的提升效应更强，且该差异通过了费舍尔检验。
①考虑到2015年中国股市波动较大，故剔除该年，将样本分为2011—2015年和2016—2019年两个区间，结论同上。限于篇幅，结果没有呈现。
六、 结论与启示
提高劳动要素报酬在初次收入分配中的比重关系着共同富裕目标的实现，以及“国内大循环为主体”新发展格局的顺利形成。数字金融兼具“数字化”和“普惠性”的双重属性，能够有效缓解企业融资约束，增加研发投资，带动对高技能劳动力的需求，进而提高劳动收入份额。本文从数字金融这一新的视角，基于2011—2019年非金融类上市公司数据，研究其对企业劳动收入份额的影响、作用机制以及潜在的异质性。主要结论如下：第一，数字金融显著提升了企业劳动收入份额，在考虑了因遗漏变量、反向因果关系等可能引致的内生性问题以及经过一系列稳健性检验后，该结论依然成立。第二，数字金融发展能够促进就业技能结构升级，底层逻辑是数字金融发展增加了高技能劳动力的雇佣并减少了低技能劳动力雇佣；就业技能结构升级是“数字金融——劳动收入份额”逻辑路径上的关键节点，发挥着中介效应；就劳动收入份额分解来看，数字金融发展既提升了工资率，也提高了劳动生产率，但前者占主导，进而提升了劳动收入份额。第三，受数字金融结构的影响以及企业内部特征(产权属性、要素结构、研发投资水平、外部监督等)、外部制度环境(市场化水平、劳动者权益保护和金融监管等)的约束，数字金融发展对劳动收入份额的影响存在异质性，并且数字金融发展有助于缩小企业内部的收入差距。
本文的研究结论蕴含着明确的政策含义，为新时代数字金融如何服务实体经济、优化国民收入分配提供了有益思考。
首先，数字金融发展显著提升了企业劳动收入份额，缩小了企业内部收入差距，因此，应进一步推动数字金融的深度发展。对于政府而言，在硬件建设方面，应构筑云网融合的安全绿色新型基础设施，提高偏远地区的互联网普及率；在软件建设方面，应加强金融知识宣传，提高金融素养，消除数字鸿沟。金融机构应加快数字化转型，通过数字化服务降低金融服务成本和监督成本，提高金融服务的覆盖面，让金融更加普惠。
其次，数字金融引致的研发投资增加了对高技能劳动力的需求，进而提升了劳动报酬在企业收入分配中的比重，因此，数字金融服务的落脚点应在企业技术创新层面。发挥数字金融的“数字化”功能，精准识别创新活力强、创新基础较好的企业，提供定制化金融服务，缓解企业研发融资困境，促进企业研发创新投入，带动高技能劳动力的需求扩张，在提高劳动生产率的同时实现劳动收入份额的上升。
最后，因企业内部特征以及外部制度环境存在差异，数字金融发展政策的制定、落地生根等应量体裁衣、因地制策、因企施策。鉴于数字金融对服务业企业劳动收入份额的提升效应更强，而对于传统制造业企业，其产出服务化能够显著提升劳动收入份额，因此，数字金融应大力支持制造业企业实施产出服务化转型，增加服务业务在制造业企业总产值中的比重。鉴于市场化水平越高、劳动者保护制度越完善、金融监管强度越高，越有利于发挥数字金融的劳动收入份额提升效应，政府应构建良好的制度环境，为发挥数字金融的劳动收入份额效应提供“肥沃土壤”。如，地方政府应深入贯彻落实《关于构建更加完善的要素市场化配置体制机制的意见》精神，发挥市场在要素配置中的作用；贯彻执行《劳动保护法》，加强对劳动者权益的保护；加大对数字金融的监管，引导金融回归本源。
-
表 1 变量描述性统计
变量名称及符号 均值 标准差 最小值 最大值 劳动收入份额Ls 0.144 0.095 0.015 0.537 数字金融发展水平Df 5.291 0.371 4.089 5.771 就业技能结构Hl 0.267 0.212 0.000 0.874 资产负债率Lev 0.407 0.201 0.051 0.891 企业规模Size 22.134 1.273 17.806 28.636 企业年龄Age 2.710 0.400 1.386 3.434 资产收益率Roa 0.040 0.071 -0.319 0.227 企业成长性Growth 0.170 0.360 -0.515 2.079 董事会规模Board 2.127 0.197 1.609 2.708 第一大股东持股比例Top1 0.376 0.054 0.333 0.571 独立董事占比Indr 0.339 0.144 0.085 0.718 
下载: 导出CSV
表 2 基准回归结果
变量 Ls Ls Ls Ls (1) (2) (3) (4) Df 0.036*(1.880) 0.028*(1.806) 0.043***(3.150) 0.025*(1.662) Lev -0.033**(-2.485) -0.090***(-9.609) -0.032**(-2.446) Size -0.010***(-3.139) -0.014***(-9.852) -0.010***(-3.266) Age -0.019(-1.288) 0.001(0.220) -0.019(-1.295) Roa -0.198***(-11.184) -0.198***(-10.466) -0.197***(-11.322) Growth -0.021***(-12.605) -0.021***(-8.868) -0.022***(-13.061) Board 0.000(0.046) 0.038***(4.522) 0.000(0.094) Indr -0.017(-0.800) 0.114***(3.498) -0.010(-0.493) Top1 0.006(0.359) 0.007(0.786) 0.008(0.503) Constant -0.045(-0.450) 0.294**(2.469) 0.139*(1.737) 0.299**(2.549) Year YES YES YES YES Firm YES YES NO YES Ind NO NO YES YES Obs. 17 010 17 010 17 082 17 010 R2 0.842 0.865 0.317 0.867 注：*、**和***代表显著性水平10%、5%和1%；为降低潜在的异方差和序列相关问题对回归结果的影响，将系数标准误在城市层面聚类；括号内为t值。下表同。
下载: 导出CSV
表 3 内生性问题的处理
第一阶段(IV1) 第二阶段 第一阶段(IV2) 第二阶段 变量 Ls Ls Df Ls Df Ls (1) (2) (3) (4) (5) (6) IV1/ IV2 3.980***(24.210) 3.263***(136.140) l.Df 0.033***(5.268) Df 0.032*(1.797) 0.070**(2.182) 0.027***(3.017) Fd 0.049*(1.911) Lnpgdp 0.001(0.123) Fin 0.006*(1.753) 控制变量 YES YES YES YES YES YES Constant 0.167***(4.365) 0.191**(2.068) -0.075(-0.478) 0.145***(3.012) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES City NO YES NO NO NO NO Wald F值 587.910 7 182.468 Obs. 13 996 14 744 10 835 11 704 R2 0.300 0.333 0.337 0.328
下载: 导出CSV
表 4 稳健性检验
变量 Ls1 Ls2 Ls3 Ls Ls Ls (1) (2) (3) (4) (5) (6) Df 0.043***(3.518) 0.035*(1.659) 0.399***(2.771) 0.063***(3.529) 0.040**(2.197) Df1 0.027***(3.463) 控制变量 YES YES YES YES YES YES Constant 0.138*(1.933) 0.304***(2.842) -1.925**(-2.281) 0.055(0.534) 0.311***(8.589) 0.142(1.351) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES City×Year NO NO NO YES NO NO Obs. 17 082 17 082 17 082 17 081 17 082 13 745 R2 0.317 0.322 0.307 0.333 0.318 0.293
下载: 导出CSV
表 5 数字金融影响劳动收入份额的渠道：就业技能结构升级
变量 Ls Hl Ls Hl1 Ls Hl-emp Ll-emp (1) (2) (3) (4) (5) (6) (7) Df 0.043*** 0.245*** 0.027* 0.164*** 0.035** 1.528*** -0.851** (3.150) (3.536) (1.823) (4.113) (2.590) (3.943) (-2.312) Hl 0.068*** (6.431) Hl1 0.064*** (7.781) R&D 0.033*** -0.005** (8.340) (-2.279) 控制变量 YES YES YES YES YES YES YES Constant 0.139* -1.364*** 0.231*** -0.571*** 0.162** -20.113*** -5.906*** (1.737) (-4.338) (2.870) (-2.896) (2.032) (-9.451) (-3.134) Year YES YES YES YES YES YES YES Ind YES YES YES YES YES YES YES Obs. 17 082 17 082 17 082 16 721 16 721 11 407 11 407 R2 0.317 0.379 0.332 0.414 0.324 0.392 0.622 注：列(6)(7)的样本量少于列(1)至(5)是因为研发投入数据缺失。
下载: 导出CSV
表 6 数字金融对工资率和劳动生产率的影响
变量 ln(Ls) ln(w) ln(y) ln(w1) ln(y1) (1) (2) (3) (4) (5) Df 0.202**(2.454) 1.044***(5.329) 0.849***(3.961) 1.437***(6.406) 0.625***(2.937) 控制变量 YES YES YES YES YES Constant -1.599***(-3.780) -5.659***(-5.023) -4.010***(-3.368) -10.761***(-7.313) -6.118***(-4.994) Year YES YES YES YES YES Ind YES YES YES YES YES Obs. 17 082 17 082 17 073 17 007 15 750 R2 0.325 0.330 0.329 0.125 0.501
下载: 导出CSV
表 7 数字金融结构的异质性影响
变量 Ls Ls Ls Ls Ls Ls (1) (2) (3) (4) (5) (6) Cover 0.029***(3.233) 0.023***(4.044) Usage 0.009(0.916) 0.009(1.631) Digit 0.017***(3.367) 0.017***(4.253) 控制变量 YES YES YES YES YES YES Constant 0.219***(3.726) 0.327***(5.723) 0.285***(6.295) 0.319***(8.965) 0.352***(10.514) 0.337***(9.807) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES Obs. 17 082 17 082 17 082 17 082 17 082 17 082 R2 0.317 0.315 0.316 0.319 0.316 0.316
下载: 导出CSV
表 8 企业产权和所属行业的异质性影响
变量 国企 非国企 制造业 服务业 (1) (2) (3) (4) Df -0.006(-0.358) 0.086***(4.654) 0.054***(3.218) 0.192**(2.510) 控制变量 YES YES YES YES Constant 0.457***(4.399) -0.092(-0.828) 0.107(1.047) -0.550(-1.375) Year YES YES YES YES Ind YES YES YES YES Obs. 6 098 10 984 12 577 1 724 R2 0.301 0.330 0.221 0.215
下载: 导出CSV
表 9 研发投入、要素结构的异质性影响
变量 低研发投入 高研发投入 资本密集型 劳动密集型 (1) (2) (3) (4) Df 0.006(0.416) 0.091***(4.236) 0.029(1.478) 0.060***(4.585) 控制变量 YES YES YES YES Constant 0.279***(3.286) -0.075(-0.547) 0.235**(2.087) 0.037(0.474) Year YES YES YES YES Ind YES YES YES YES Obs. 8 776 8 306 9 341 7 740 R2 0.270 0.304 0.209 0.388
下载: 导出CSV
表 10 外部治理的异质性影响
变量 非“四大”审计 “四大”审计 低分析师关注度 高分析师关注度 (1) (2) (3) (4) Df 0.041***(3.052) 0.091*(1.749) 0.032*(1.938) 0.060***(4.017) 控制变量 YES YES YES YES Constant 0.159**(2.062) 0.073(0.231) 0.199**(2.069) 0.053(0.588) Year YES YES YES YES Ind YES YES YES YES 费舍尔检验P值 0.000 0.000 Obs. 16 294 787 8 599 8 483 R2 0.314 0.454 0.329 0.307
下载: 导出CSV
表 11 员工身份的异质性影响
变量 全样本 制造业 服务业 高管 普通员工 高管 普通员工 高管 普通员工 (1) (2) (3) (4) (5) (6) Df 0.003***(5.076) 0.040***(2.958) 0.003***(5.586) 0.050***(3.058) 0.002(0.688) 0.185**(2.455) 控制变量 YES YES YES YES YES YES Constant 0.016***(4.081) 0.122(1.564) 0.017***(5.068) 0.089(0.880) 0.043**(2.373) -0.570(-1.451) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES Obs. 17 082 17 082 12 577 12 577 1 724 1 724 R2 0.409 0.308 0.389 0.208 0.440 0.206
下载: 导出CSV
表 12 市场化水平、劳动者权益保护以及金融监管的异质性影响
变量 低市场化 高市场化 弱保护 强保护 弱监管 强监管 (1) (2) (3) (4) (5) (6) Df -0.025(-0.766) 0.073***(4.453) 0.001(0.029) 0.064***(3.749) 0.026**(2.227) 0.070***(3.719) 控制变量 YES YES YES YES YES YES Constant 0.550***(2.748) -0.030(-0.327) 0.395***(3.725) 0.020(0.227) 0.184**(2.575) 0.002(0.018) Year YES YES YES YES YES YES Ind YES YES YES YES YES YES 费舍尔检验P值 0.000 Obs. 2 468 14 613 5 988 11 093 5 842 9 362 R2 0.319 0.325 0.344 0.314 0.350 0.302
下载: 导出CSV
-
[1] 刘亚琳, 茅锐, 姚洋. 结构转型, 金融危机与中国劳动收入份额的变化[J]. 经济学(季刊), 2018(2): 609-632. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXU201802007.htm [2] 文雁兵, 陆雪琴. 中国劳动收入份额变动的决定机制分析——市场竞争和制度质量的双重视角[J]. 经济研究, 2018(9): 83-98. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201809007.htm [3] 聂秀华, 江萍, 郑晓佳, 等. 数字金融与区域技术创新水平研究[J]. 金融研究, 2021(3): 132-150. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202103008.htm [4] 唐松, 伍旭川, 祝佳. 数字金融与企业技术创新——结构特征、机制识别与金融监管下的效应差异[J]. 管理世界, 2020(5): 52-66, 9. doi: 10.3969/j.issn.1002-5502.2020.05.005 [5] 杨晔, 朱晨, 谈毅. 技术创新与中小企业雇佣需求——基于员工技能结构的再审视[J]. 管理科学学报, 2019(2): 92-111. doi: 10.3969/j.issn.1007-9807.2019.02.007 [6] BLANCHARD O, GAVAZZI F. Macroeconomic effects of regulation and deregulation in goods and labor market[J]. Quarterly Journal of Economics, 2003, 118(3): 879-907. doi: 10.1162/00335530360698450 [7] AUTOR D, DORN D, KATZ L F, et al. Concentrating on the fall of the labor share[J]. American Economic Review, 2017, 107(5): 180-185. doi: 10.1257/aer.p20171102 [8] ACEMOGLU D, RESTREPO P. The race between man and machine: implications of technology for growth, factor shares, and employment[J]. American Economic Review, 2018, 108(6): 1488-1542. doi: 10.1257/aer.20160696 [9] 白重恩, 钱震杰, 武康平. 中国工业部门要素分配份额决定因素研究[J]. 经济研究, 2008(8): 16-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200808003.htm [10] 李稻葵, 刘霖林, 王红领. GDP中劳动份额演变的U型规律[J]. 经济研究, 2009(1): 70-82. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200901005.htm [11] 许敏波, 李实. 中国城镇劳动参与率的结构和趋势——基于家庭微观调查的证据[J]. 安徽师范大学学报: 人文社会科学版, 2019(1): 116-125. https://www.cnki.com.cn/Article/CJFDTOTAL-AHSD201901015.htm [12] 万江滔, 魏下海. 最低工资规制对企业劳动收入份额的影响——理论分析与微观证据[J]. 财经研究, 2020(7): 64-78. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ202007006.htm [13] 陈斌开, 林毅夫. 金融抑制、产业结构与收入分配[J]. 世界经济, 2012(1): 3-23. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ201201004.htm [14] FONSECA J, VAN DOORNIK B. Financial development and labor market outcomes: evidence from Brazilp[J]. Journal of Financial Economics, 2022, 143: 550-568. [15] 张彤进, 任碧云. 包容性金融发展与劳动收入份额的关系: 来自中国的经验证据[J]. 南开经济研究, 2016(3): 90-105. https://www.cnki.com.cn/Article/CJFDTOTAL-NKJJ201603005.htm [16] 施新政, 高文静, 陆瑶, 等. 资本市场配置效率与劳动收入份额——来自股权分置改革的证据[J]. 经济研究, 2019(12): 21-37. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201912003.htm [17] 江轩宇, 贾婧. 企业债券融资与劳动收入份额[J]. 财经研究, 2021(7): 139-153. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ202107011.htm [18] SURI T, JACK W. The long-run poverty and gender impacts of mobile money[J]. Science, 2016, 354(6317): 1288-1292. [19] NEUMEYER P A, PERRI F. Business cycles in emerging economies: the role of interest rates[J]. Journal of Monetary Economics, 2005, 52(2): 345-380. [20] 罗长远, 陈琳. 融资约束会导致劳动收入份额下降吗?——基于世界银行提供的中国企业数据的实证研究[J]. 金融研究, 2012(3): 29-42. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ201203005.htm [21] 汪伟, 郭新强, 艾春荣. 融资约束、劳动收入份额下降与中国低消费[J]. 经济研究, 2013(11): 100-113. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201311008.htm [22] 江红莉, 蒋鹏程. 数字金融能提升企业全要素生产率吗?——来自中国上市公司的经验证据[J]. 上海财经大学学报, 2021(3): 3-18. https://www.cnki.com.cn/Article/CJFDTOTAL-SCJB202103001.htm [23] GRILICHES Z. Capital-skill complementarity[J]. Review of Economics and Statistics, 1969, 51(4): 465-468. [24] KRUSELL P, OHANIAN L E, RÍOS-RULL J V, et al. Capital-skill complementarity and inequality: a macroeconomic analysis[J]. Econometrica, 2000, 68: 1029-1053. [25] 刘啟仁, 赵灿. 税收政策激励与企业人力资本升级[J]. 经济研究, 2020(4): 70-85. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ202004006.htm [26] 申广军, 姚洋, 钟宁桦. 民营企业融资难与我国劳动力市场的结构性问题[J]. 管理世界, 2020(2): 41-59. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202002008.htm [27] 宁光杰, 林子亮. 信息技术应用、企业组织变革与劳动力技能需求变化[J]. 经济研究, 2014(8): 79-92. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201408007.htm [28] 马红旗, 黄桂田, 王韧. 物质资本的积累对我国城乡收入差距的影响——基于资本-技能互补视角[J]. 管理世界, 2017(4): 32-46. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201704006.htm [29] 杜文强. 工业机器人应用促进了产业结构升级吗?——对2006—2016年中国284个地级市的实证检验[J]. 西部论坛, 2022(1): 97-110. https://www.cnki.com.cn/Article/CJFDTOTAL-CQSY202201008.htm [30] 王雄元, 黄玉菁. 外商直接投资与上市公司职工劳动收入份额: 趁火打劫抑或锦上添花[J]. 中国工业经济, 2017(4): 135-154. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY201704009.htm [31] 宋锦, 李曦晨. 产业转型与就业结构调整的趋势分析[J]. 数量经济技术经济研究, 2019(10): 38-57. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY201910003.htm [32] 赵烁, 施新政, 陆瑶, 等. 兼并收购可以促进劳动力结构优化升级吗?[J]. 金融研究, 2020(10): 150-169. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202010009.htm [33] 苏梽芳, 陈昌楠, 蓝嘉俊. "营改增"与劳动收入份额: 来自中国上市公司的证据[J]. 财贸经济, 2021(1): 44-61. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ202101005.htm [34] 张勋, 万广华, 张佳佳, 等. 数字经济、普惠金融与包容性增长[J]. 经济研究, 2019(8): 71-86. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201908006.htm [35] 方军雄. 劳动收入比重, 真的一致下降吗?——来自中国上市公司的发现[J]. 管理世界, 2011(7): 31-41, 188. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201107006.htm [36] 魏下海, 董志强, 黄玖立. 工会是否改善劳动收入份额?——理论分析与来自中国民营企业的经验证据[J]. 经济研究, 2013(8): 16-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201308003.htm [37] 温忠麟, 叶宝娟. 中介效应分析: 方法和模型发展[J]. 心理科学进展, 2014(5): 731-745. https://www.cnki.com.cn/Article/CJFDTOTAL-XLXD201405001.htm [38] 沈春苗. 逆向外包与技能偏向性技术进步[J]. 财经研究, 2016(5): 43-52. https://www.cnki.com.cn/Article/CJFDTOTAL-CJYJ201605004.htm [39] 徐章星, 张兵, 刘丹. 数字金融发展、企业信贷错配与劳动就业——一个有调节的中介效应[J]. 财经论丛, 2020(12): 40-49. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLC202012005.htm [40] FAN J P H, WONG T J. Do external auditors perform a corporate governance role in emerging markets? evidence from East Asia[J]. Journal of Accounting Research, 2005, 43(1): 35-72. [41] 王小鲁, 樊纲, 胡李鹏. 中国分省份市场化指数报告(2018)[M]. 北京: 中国社会科学文献出版社, 2019. [42] FICHTENBAUM R. Do unions affect labor's share of income: evidence using panel data[J]. American Journal and Sociology, 2011, 70(3): 784-793. [43] 马思超, 彭俞超. 加强金融监管能否促进企业"脱虚向实"?——来自2006—2015年上市公司的证据[J]. 中央财经大学学报, 2019(11): 28-39. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYCY201911004.htm [44] 段军山, 庄旭东. 金融投资行为与企业技术创新——动机分析与经验证据[J]. 中国工业经济, 2021(1): 155-173. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202101010.htm 期刊类型引用(19)
1. 杨芸. 制造业服务化转型对劳动收入份额的影响研究——来自上市公司的经验证据. 湘潭大学学报(哲学社会科学版). 2025(01): 72-78 . 
百度学术2. 翟君，陈瑜，王少华. 共同机构所有权与企业劳动收入份额. 经济问题. 2024(02): 120-128 . 百度学术3. 王玉龙，孟琰婷，彭健. 国资参股与民营企业共同富裕——基于劳动收入份额的视角. 财会月刊. 2024(08): 112-121 . 百度学术4. 关子桓，赵允宁，罗文忆，丁思. 企业现金持有决策如何影响劳动收入份额. 广东财经大学学报. 2024(02): 102-113 . 本站查看5. 李旭东，郑明波，张森. 竞争政策对企业劳动收入份额的影响机制研究. 软科学. 2024(05): 126-131 . 百度学术6. 陈南旭，张嘉同. 数字金融发展与中小城市劳动力回流——基于CHFS数据的考察. 西北师大学报(社会科学版). 2024(04): 133-144 . 百度学术7. 文雯，唐樱绮，孙亚婕，牛煜皓. 文明城市创建能否提升企业劳动收入份额？——来自准自然实验的证据. 财务研究. 2024(02): 91-103 . 百度学术8. 邢小明，应兆琦. 金融科技的微观共同富裕效应——基于增长和分配的双重视角. 中国经济学. 2024(02): 244-285+300-302 . 百度学术9. 徐腾达，侯宇飞，陈迪，郭金花. 数字基础设施建设对企业劳动收入份额的影响研究. 软科学. 2024(09): 1-7 . 百度学术10. 胡浩然，宋颜群. 网络基础设施建设与劳动收入份额——基于“宽带中国”战略的证据. 上海财经大学学报. 2023(01): 19-33 . 百度学术11. 范猛. 数字金融是否改变了家庭风险态度. 金融经济学研究. 2023(02): 112-126 . 百度学术12. 裴璇，陆岷峰，王稳华. 共同富裕背景下企业数字化转型的劳动收入分配效应研究. 现代财经(天津财经大学学报). 2023(04): 3-22 . 百度学术13. 匡广璐，杨杰，孙亚兰. 数字普惠金融发展对企业劳动力需求的影响. 金融发展研究. 2023(03): 59-68 . 百度学术14. 李曜，胡涛. 地方政府数字金融服务平台促进了银行信贷投放吗. 广东财经大学学报. 2023(02): 4-18 . 本站查看15. 高思佳，翁佳怡，高昕. 数字金融发展抑制企业“僵尸化”的实证研究. 中国商论. 2023(10): 105-110 . 百度学术16. 李光龙，谭茜，李子栋. 增值税留抵退税政策提高了劳动收入份额吗. 税收经济研究. 2023(04): 59-68 . 百度学术17. 马凌远，丁博雯，张胜利. 数字化转型对企业劳动收入份额的影响：促进还是抑制?. 郑州航空工业管理学院学报. 2023(05): 22-34 . 百度学术18. 王金涛，岳华. 数字金融有助于企业结构性去杠杆么?. 财经论丛. 2023(11): 47-56 . 百度学术19. 旷婷玥，孙宝文. 粤港澳大湾区金融集聚对于产业结构高级化的影响——基于动态面板GMM模型的分析. 广东石油化工学院学报. 2022(06): 76-80 . 百度学术其他类型引用(25)
-
下载:
![](data:image/svg+xml,<svg xmlns='http://www.w3.org/2000/svg' width='210' height='179'><foreignObject width='2000' height='100%'><div xmlns='http://www.w3.org/1999/xhtml' style='font-size:16px;font-family:Helvetica'><table>
<thead>
<tr><td class="table_top_border" align="left">变量名称及符号</td>
<td class="table_top_border" align="center">均值</td>
<td class="table_top_border" align="center">标准差</td>
<td class="table_top_border" align="center">最小值</td>
<td class="table_top_border" align="center">最大值</td>
</tr></thead>
<tbody>
<tr><td class="table_top_border2" align="left">劳动收入份额<i>Ls</i></td>
<td class="table_top_border2" align="center">0.144</td>
<td class="table_top_border2" align="center">0.095</td>
<td class="table_top_border2" align="center">0.015</td>
<td class="table_top_border2" align="center">0.537</td>
</tr>
<tr><td align="left">数字金融发展水平<i>Df</i></td>
<td align="center">5.291</td>
<td align="center">0.371</td>
<td align="center">4.089</td>
<td align="center">5.771</td>
</tr>
<tr><td align="left">就业技能结构<i>Hl</i></td>
<td align="center">0.267</td>
<td align="center">0.212</td>
<td align="center">0.000</td>
<td align="center">0.874</td>
</tr>
<tr><td align="left">资产负债率<i>Lev</i></td>
<td align="center">0.407</td>
<td align="center">0.201</td>
<td align="center">0.051</td>
<td align="center">0.891</td>
</tr>
<tr><td align="left">企业规模<i>Size</i></td>
<td align="center">22.134</td>
<td align="center">1.273</td>
<td align="center">17.806</td>
<td align="center">28.636</td>
</tr>
<tr><td align="left">企业年龄<i>Age</i></td>
<td align="center">2.710</td>
<td align="center">0.400</td>
<td align="center">1.386</td>
<td align="center">3.434</td>
</tr>
<tr><td align="left">资产收益率<i>Roa</i></td>
<td align="center">0.040</td>
<td align="center">0.071</td>
<td align="center">-0.319</td>
<td align="center">0.227</td>
</tr>
<tr><td align="left">企业成长性<i>Growth</i></td>
<td align="center">0.170</td>
<td align="center">0.360</td>
<td align="center">-0.515</td>
<td align="center">2.079</td>
</tr>
<tr><td align="left">董事会规模<i>Board</i></td>
<td align="center">2.127</td>
<td align="center">0.197</td>
<td align="center">1.609</td>
<td align="center">2.708</td>
</tr>
<tr><td align="left">第一大股东持股比例Top1</td>
<td align="center">0.376</td>
<td align="center">0.054</td>
<td align="center">0.333</td>
<td align="center">0.571</td>
</tr>
<tr><td class="table_bottom_border" align="left">独立董事占比<i>Indr</i></td>
<td class="table_bottom_border" align="center">0.339</td>
<td class="table_bottom_border" align="center">0.144</td>
<td class="table_bottom_border" align="center">0.085</td>
<td class="table_bottom_border" align="center">0.718</td>
</tr></tbody>
</table></div></foreignObject></svg>)