数字经济发展的人力资本结构效应研究

李梦娜 周云波

内容提要：本文基于2011—2018年中国276个地级市面板数据，采用面板固定效应、面板门槛效应、工具变量等模型探究数字经济发展与人力资本结构高级化之间的关系，并进一步分析数字经济发展与低级、中级、高级人力资本之间的关系。研究结果表明：数字经济发展能够显著提高人力资本结构高级化水平，尤其是显著提高低级和高级人力资本水平；异质性分析结果表明，无论从东部和中西部角度，还是从中心城市和外围城市角度，数字经济发展均正向推动人力资本结构高级化水平，且在低级、中级、高级人力资本水平方面存在明显差异；进一步地，在产业结构高级化水平较低时，数字经济发展对人力资本结构高级化具有积极作用，但到达一定阶段之后则会产生抑制作用。因此，各地区应加快建设数字经济基础设施，合理推动产业结构高级化，提升人力资源有效性，从而实现经济高质量发展。

一、问题提出

2020年底召开的中央经济工作会议指出“要大力发展数字经济”。有别于农业经济和工业经济，数字经济主要以数据作为关键生产要素，近年来逐渐成为引领全球经济社会变革、推动中国经济高质量发展的重要引擎。前瞻产业研究院发布的《2020年中国数字经济发展报告》显示，2014—2019年数字经济对中国经济增长的贡献率均保持在50%以上。在新型市场发展环境中，中国在人工智能方面的人才数量仅为美国的1/30，两国人才储备有较大差距，数字人才存在明显短板[1]。特别是在劳动力供给总量持续减少的背景下，为满足新时代经济高质量发展的需求，将以往人口红利转变为人力资本红利，从而推动人力资本结构高级化已成为一件非常迫切的事情。

伴随着移动互联网、物联网、大数据、云计算、人工智能等数字技术的快速发展，数字经济已进化为以人工智能为核心驱动力的智能经济新阶段①。在此背景下，数字经济发展推动人力资本结构的变动，主要体现为广化效应、深化效应和职业创造效应[2]。其中，广化效应是指自动化和数字技术的采用提高了生产率，导致某些行业人力资本的需求量减少，同时降低某些产品的价格，进而间接增加消费者实际收入，带动消费者对其他产品的服务需求，导致某些行业人力资本的需求增加；深化效应是指人工智能和大数据便利性的特点降低了低中级人力资本的需求(替代效应)，而其高技术的门槛性增加了对高级人力资本的需求(提升效应)；职业创造效应是指数字经济发展衍生出许多关联上下游的平台公司，如物流、商业运营、小程序开发员、网约车、快递员等相关职业，为各级人力资本提供工作机会，并推动人力资本结构不断升级。可见，数字经济发展加快自动化技术对人力的替代，新的岗位也会被相应创造出来，包括高级人力资本的高质量就业岗位，以及中低级人力资本的灵活性就业非熟练岗位。但是，被技术替代的人力资本与获得新岗位的人力资本往往并不是同一批人群[3]。在数字经济发展的大背景下，各级人力资本的需求具体会发生怎样的变动，这是一个不容小觑的问题。明确各级人力资本的需求变动，对推动中国经济高质量发展具有重大意义。

二、文献综述

(一)数字经济定义的研究

自塔普斯科特(Tapscott，1996)提出“数字经济”的概念[4]后，数字经济的研究逐渐成为学者们和各大机构的关注焦点。中国数字经济的研究早期主要从互联网技术层面展开，包括以互联网为核心的电子基础设施以及在此基础上形成的电子业务和电子商务[5]。随后，伴随着移动互联网、物联网、大数据、云计算、人工智能等数字技术的快速发展，数字经济已进化到以智能化和物联网技术应用为核心的发展新阶段[6]。

国内外对数字经济的研究还未形成统一共识。国际上，对数字经济概念的界定大致分为以下三类：(1)广义定义，即从数字化驱动升级角度出发，包括数字化农业、数字化工业和数字化服务业；(2)狭义定义，即从数字化工具角度出发，包括一些数字部门，如数字媒体、电子商务、平台经济、共享经济等；(3)核心定义，即从信息与通信技术(ICT)核心产业角度出发，如电子信息制造业、信息通信业、互联网行业和软件服务业。国内部分学者从习近平总书记关于发展数字经济重要讲话精神的角度出发，认为数字经济是以数据为关键生产要素的新型经济形态，数据较土地、资本等传统生产要素而言具有共享性、复制性、无限供给性、高渗入性等显著特点，其中共享是前提，共治是手段[3,7]；2016年发布的《二十国集团数字经济发展与合作倡议》将数字经济描述为通过将数字化知识、信息网络及通信技术有机结合并推动经济结构优化的一系列经济活动，本文的数字经济亦使用此含义。

(二)数字经济发展与人力资本的研究

数字经济发展以数据为关键生产要素，以数字技术进步为推动力，而技术进步又会导致生产方式的变革和新行业的产生。国外学者从技术进步角度入手，发现技术进步的净岗位创造效应对经济中所有层次的就业均会产生正向影响[8-9]，还有学者认为人工智能等数字经济技术的发展造成了就业极化现象，即高技能劳动力占比快速上升，中等劳动力占比不断下降，低技能劳动力稳中有升[10-12]。

国内部分学者认为工业智能化水平的提升降低了制造业就业份额，增加了服务业特别是知识和技术密集型的现代服务业就业份额，促进了行业就业结构的高级化[6,13]。也有学者明确指出，数字经济发展促进了低级、高级人力资本需求的增加，使得更多低技能人才就业[2-3,14]。陈斌开和马燕来(2021)从劳动力成本和技能替代成本角度出发，认为发展中国家和发达国家就业结构存在明显差异，即发展中国家的中等劳动力占比往往呈现上升趋势，低技能劳动力占比快速降低，发达国家刚好与之相反；但无论是发达国家还是发展中国家，高技能劳动力占比都呈现上升趋势[15]。

现有文献主要从技术进步角度出发，探究了数字经济发展对就业结构和劳动力市场的影响，但是鲜有文献考虑数字经济发展对人力资本结构的影响，尤其是对各级人力资本的影响。基于此，本文拟采用2011—2018年中国276个地级市面板数据，探究数字经济发展对人力资本结构的影响。可能的贡献主要体现在两个方面：一是以地级市为研究层面，分析数字经济发展对人力资本结构高级化的影响；二是深入探究数字经济发展分别对低、中、高级人力资本的需求程度。

三、理论分析与研究假设

(一)数字经济发展对人力资本结构高级化的直接影响

数字经济发展主要以数据为关键生产要素，大量的数字化新产业的出现对人力资本提出一定的要求[7]。在数字经济大背景下，许多知识技能密集型任务需要人才具备数字化知识、信息网络及通讯技术使用技能等[16]。为应对新环境、新业态等，具有不同人力资本的个体通过“干中学”或“再教育”的方式来提高自身的受教育水平。

此外，数字经济发展已经渗透到生产、生活等各个方面，推动人们通过不断学习，提高自身综合能力素养，紧跟时代步伐，适应时代潮流。具体来看，数字经济发展深入影响劳动力市场模式和劳动者就业模式，推动人们通过参加各种培训、网上学习等提高自身工作能力和业务水平，减少被替代的可能性。整体来看，数字经济发展会推动人力资本结构高级化。

基于上述理论，本文提出如下假设：

假设1：数字经济发展直接推动人力资本结构高级化。

(二)数字经济发展对各级人力资本的影响

布朗和坎贝尔(Brown & Campbell，2002)从劳动者的教育回报角度出发，认为技术冲击会使得教育回报的工资不平等加剧，这种技能与资本互补水平的提高会导致高级人力资本需要上升[17]。还有学者从就业结构角度出发，认为智能资本的引入对农业影响较小，制造业就业占比降低，生产性服务业与其他高端服务业就业增加[6，13，18-20]。可见，数字经济发展推动了产业结构升级，并对人力资本提出新要求[1,19]，主要体现在数字经济发展的广化效应、深化效应和职业创造效应。中国在人工智能的人才储备与美国相比尚有较大差距，数字人才存在明显短板[1]，这就意味着中国会增加对高级人力资本的需求量；而自动化和数字技术的采用，使得生产效率较低的低级和中级人力资本被机器所替代。与此同时，伴随着数字经济发展带来的职业创造效应，如网约车司机、快递员、骑手小哥等灵活性较强的新职业不断涌现，低级人力资本较中级人力资本来说具有较低的成本、较强的忍耐力和稳定性，导致低级人力资本更容易被企业需要[2-3,14]。

具体来看，伴随着科技革命和产业变革深入发展，数字经济成为第四次工业革命最重要的特征。数字经济发展提高了就业弹性，对劳动力的需求也随之增加。一方面，电信业、软件信息技术服务业、互联网行业等与人工智能技术的融合，促使数字技术对传统行业进行全方位、多角度和全链条的改造，推动传统产业不断转型和升级，对高技能劳动者的需求进而增加。另一方面，配送员、网约车司机等新职业层出不穷，灵活用工市场的出现帮助滞留在原有制度中的、已经被边缘化的劳动力群体纳入新兴的市场体制中来，让其能够参与市场对劳动力资源的配置过程，提高匹配效率；且服务业扩张带动了低技能劳动者就业[6,21]，特别是制造业、交通业等劳动密集型传统产业在数字技术的冲击下，资本深化导致大量低技能劳动者面临失业，部分劳动者开始向服务业领域流动。

基于上述理论，本文提出如下假设：

假设2：数字经济发展提升了社会对低级和高级人力资本的需求，对中级人力资本需求的影响具有不确定性。

(三)数字经济发展与人力资本结构的非线性特征分析

数字经济发展有效打破生产要素供给有限性对社会经济发展造成的制约，全面提高要素生产率，形成产业数字化以及数字产业化[7]，推动产业结构发生变动，使得社会对数字产业化人才和产业数字化人才的需求不断增加[2，22]，且对各级人力资本的需求存在差异。因此，数字经济发展促进产业结构升级和人力资本需求增加，是实现经济高质量发展的重要基础。

具体来看，数字经济发展在推动产业结构高级化的过程中，短期内主要是取代程序性的体力劳动和智力劳动，如流水线就业人员等中低技能劳动力[6,23]。人工智能应用替代了部分岗位，实质上还是劳动者与其他岗位的劳动者合作(人人合作)，并非劳动者与机器的合作。要实现人机互动、人机合作，需要劳动者具备必要的任务知识、技能及其他必备特征[20,24]。当产业结构高级化水平较低时，数据可得性和边际成本为0，数字经济发展在促进产业结构高级化的同时，推动了人力资本结构高级化。但是，随着数字技术不断创新，不仅传统制造业的部分技术工人被替代，甚至部分服务业中的高级人力资本也会被替代，如技能门槛较高的教育、医疗、金融等高级人力资本[6]。当产业结构高级化水平较高时，劳动力成本的上升和技能替代成本的下降，以及大数据垄断和算法不透明现象，都会导致人力资本结构高级化受到抑制。

基于上述理论，本文提出如下假设：

假设3：产业结构高级化水平较低时，数字经济发展推动人力资本结构高级化；产业结构高级化水平较高时，数字经济发展抑制人力资本结构高级化。

四、实证研究设计

(一)模型设定

针对假设1，本文构建如下基本面板固定效应模型：

Hstructit=α0+α1Digitalit+α2Zit+μi+δt+εit

(1)

其中，Hstructit为城市i在t时期的人力资本结构高级化指标，Digitalit为城市i在t时期的数字经济发展水平，Zit代表一系列控制变量；μi表示城市i不随时间变化的个体固定效应，δt表示时间固定效应；εit表示随机扰动项。

针对假设2，本文构建如下基本模型：

Hum_pit=α0+α1Digitalit+α2Zit+μi+δt+εit

(2)

Hum_mit=α0+α1Digitalit+α2Zit+μi+δt+εit

(3)

Hum_hit=α0+α1Digitalit+α2Zit+μi+δt+εit

(4)

其中，Hum_pit为城市i在t时期的低级人力资本指标，Hum_mit为城市i在t时期的中级人力资本指标，Hum_hit为城市i在t时期的高级人力资本指标。

针对假设3，本文构建如下面板门槛模型：

Hstructit=φ0+φ1Digitalit×I(Adjit≤θ)+φ2Digitalit×I(Adjit>θ)+

φ3Zit+μi+δt+εit

(5)

其中，Adjit为产业结构高级化门槛变量；I(·)为取值1或0的指示函数，满足括号内条件即为1，否则为0。

(二)变量测度与说明

1.解释变量

数字经济发展指数：目前学术界涉及城市层面的数字经济具体测度的相关文献较少，大多数来自省级层面。例如，黄群慧等(2019)采用互联网普及率、相关从业人员情况、相关产业情况和移动电话普及率四个方面的指标对城市层面的互联网发展进行测度[25]；刘军等(2020)从信息化发展、互联网发展和数字交易发展三个维度构建了中国分省份数字经济评级指标体系[26]；赵涛等(2020)将互联网发展作为测度核心，加入数字交易的指标构建思路，同时结合城市层面数据的可得性，从互联网发展和普惠金融两个角度对数字经济综合发展水平进行测度[27]。本文的互联网发展的测度借鉴黄群慧等(2019)[25]的四个指标，分别为：百人中互联网宽带接入用户数、计算机服务和软件业从业人员占城镇单位从业人员比重、人均电信业务总量和百人中移动电话用户数。这些指标均可从《中国城市统计年鉴》获得。数字金融发展的测度采用由北京大学数字金融研究中心和蚂蚁金服集团共同编制的北京大学数字普惠金融指数[28]，该指数从覆盖广度、使用深度和数字支持服务三个维度刻画了中国数字金融发展状况，其中使用深度的子指标包括支付、货币基金、信贷、保险、投资和信用六个维度，见表1。

表1 数字普惠金融指数体系

表1(续)

柏培文和张云(2021)[29]在赵涛等(2020)[27]构建的数字经济变量的基础上进行了处理，从数字产业活跃度、数字创新活跃度、数字用户活跃度和数字平台活跃度四个角度对数字经济进行衡量。结合上述文献关于数字经济指标的构建，以及城市层面数据的可得性，本文最终从数字产业、数字用户、数字平台和数字普惠金融四个层面来构建指标体系。其中，数字产业主要包括信息传输、计算机服务和软件业就业人数占比，信息传输、计算机服务和软件业占全社会固定资产比重；数字用户包括移动电话普及率、电信业务总量对数、人均互联网宽带接入用户数；数字平台包括域名数对数、网民数对数、网站数对数(1)该指数仅在2011—2014年有数据，故本文后续选取2011—2014年数据进行实证回归，作为稳健性检验来证明本文结果的合理性。在基准回归中采用赵涛等(2020)[27]的做法，后面根据指标构建选取的时间段进行稳健性检验。；数字普惠金融指数体系见表1。本文构建的数字经济发展指标体系见表2。

表2 数字经济发展指标体系

本文采用实数编码的加速遗传算法-投影寻踪分类(RAGA-PPC)模型进行降维处理，原因在于该模型基于非正态分布的统计方法处理和分析高维数据，能够把原始的高维数据投影到可观察的低维空间中，从而对数据进行分析和评价[30]。该模型克服了主成分分析、因子分析法的弱点，适用于测量本文的核心解释变量——数字经济发展水平(Digital)。

2.被解释变量

人力资本结构高级化指标：对于人力资本的衡量，学术界尚未达成一致看法，有学者采用在校生人数度量人力资本[31-33]，也有学者将平均受教育年限作为人力资本的重要测度，即人力资本=学生数量×教育年限[34]，而吴昊(2017)从人力资本投入角度出发，将基本人力资本经过教育转化为具有生产力的知识人力资本，然后通过培训得到生产中实际的培训人力资本，结合人口迁移因素最后得到人力资本投入的估计量[35]。

结合已有文献与城市层面数据的可得性，本文借鉴刘智勇等(2018)测算人力资本结构高级化的思想和方法[36]，采用向量夹角法度量人力资本结构高级化水平。首先，本文按照受教育程度将人力资本分为文盲半文盲、小学、初中、高中或中专、大专或本科以上共五类，利用向量夹角法度量省级人力资本结构高级化。其次，将该城市的国内生产总值(GDP)总量占全国GDP总量的比重作为权重，乘以省级的人力资本结构高级化指数，得到各城市的人力资本结构高级化指数Hstruct。这主要是源于经济发展水平较高的城市，意味着高产能部门占比多及低产能部门占比少，因此所对应的高级人力资本占比较多及低级人力资本占比较少。

为了进一步增强模型估计结果的一致性和可信性，本文继续选用如下指标进行稳健性检验。因考虑到人力资本结构高级化水平影响创新能力，较高人力资本水平的劳动力具有较高创新产出，为了得到各城市的知识人力资本结构高级化，本文将该城市专利授权数占全国专利授权数的比重作为权重(2)《城市统计年鉴》中仅2017年和2018年有专利授权数，故用该权重构建的指标作为稳健性检验。，乘以省级的知识人力资本结构高级化指数，得到各城市的知识人力资本结构高级化指数。此外，由于人力资本水平提高不仅包括受教育水平提高，还包括因工作培训及经验积累带来的人力资本水平提高，故本文借鉴陈浩(2007)[37]的研究，将知识人力资本结构高级化指数乘以培训率(该城市本专科在校生人数占当期该地区总就业人数的比重(3)数字产业化和产业数字化时代对人力资本影响最大的就是，数字经济条件下需要创新型人才，本专科受教育程度的在校生会通过深入教育提高自身能力；此外，为应对新技术的冲击，本专科在校生也会借助学校平台参加学校各种创新创业活动来提高自身的人力资本水平。因此，选择该变量作为权重具有一定的现实意义。)，得到最终的人力资本结构高级化指数。

3.低、中、高级人力资本的测度

鉴于2011—2018年地级市受教育程度划分口径不一致，本文将省级受教育程度划分为初级人力资本(Hum_p)、中级人力资本(Hum_m)和高级人力资本(Hum_h)三种类型。其中，初级人力资本=小学人口比例×6；中级人力资本=初中人口比例×9+高中(含中专)人口比例×12；高级人力资本=大专及以上人口比例×16。本文仍延续人力资本结构高级化指标的构建，按照各城市第一、二、三产能占全国GDP总量的比重作为权重，乘以省级的各级人力资本水平，最后得到地级市的各级人力资本水平。

本文选用下面的指标进行稳健性检验。因考虑到各级人力资本就业分布的差异性，为了得到城市层面的各级人力资本水平，本文按照各城市第一、二、三产业就业人数占总劳动者就业人数的比重作为权重，乘以省级的各级人力资本水平，最后得到地级市的各级人力资本水平。这主要是源于第一产业就业者以低技能劳动者为主，而第二产业就业者以中技能劳动者为主，第三产业以高技能劳动者为主(4)基于城市层面数据的可得性，本文只能粗略地估算各级人力资本水平，这是本文指标构建的不足，感谢审稿专家提出的宝贵意见，作者会在后期的研究中继续改进和完善。。

4.门槛变量

产业结构高级化(Hindus)借鉴人力资本结构高级化指数构建的方法，采用向量夹角法进行测算，用来反映产业结构升级。

5.控制变量

金融发展水平(Finance)，用机构存贷款余额与地区GDP的比值来表示；城市化水平(Urban)，用人口密度的对数来表示；经济发展水平(lngdpp)，用人均GDP来控制经济发展水平可能存在的非线性影响；市场化水平(Market)，用城镇个体和私营就业人数占城镇就业人数的比重来表示；外商投资(Fdi)，用当年实际使用外资与地区GDP的比值来表示；产业结构合理化(Rindus)，用三次产业间从业人员数和产值比例测度的泰尔指数来表示，作为衡量要素投入结构和产出结构耦合程度的指标。

(三)数据来源和描述性统计

本文选取2011—2018年中国276个地级市展开研究，形成了2 208个城市一年的均衡面板观测。数据主要来源于企研数据-数字经济产业专题数据库、司尔亚司数据信息有限公司(CEIC)的中国经济数据库、中国互联网络信息中心(CNNIC)、《中国统计年鉴》《中国城市统计年鉴》及部分地级市统计年报。具体见表3。

表3 变量描述性统计结果

五、实证研究结果

(一)数字经济与人力资本结构高级化的基准回归

基于上述的面板固定效应模型，本文选择普通最小二乘法(OLS)作为对比，进一步研究数字经济发展对人力资本结构高级化的影响结果，具体结果如表4所示。可以看出，无论采用OLS回归或是面板固定效应回归，数字经济发展指数的估计系数均显著为正，即数字经济发展显著推动了人力资本结构高级化水平，假设1得到验证。

表4 数字经济与人力资本结构高级化的基准回归结果

由表4可知，在OLS模型中，产业结构高级化显著促进了人力资本结构高级化，但在面板固定效应模型中，产业结构高级化显著抑制了人力资本结构高级化，这可能源于新背景下产业结构高级化对低级和高级人力资本需求较高，中级人力资本逐渐被机器替代，导致人力资本结构水平得不到提高。此外，在面板固定效应模型中，产业结构合理化显著促进了人力资本结构高级化，这主要源于中国目前面临产业结构失调及就业结构失调等现象，而产业结构合理化意味着各级人力资本及其他资源得到合理配置，不会出现极端或断层现象，进而推动人力资本结构高级化。金融发展水平和市场化水平显著为负，说明资本市场减弱了人力资本的重要性，资本无序扩张加剧资本回报和劳动收入的失衡，并产生巨大的负外部性，损害公平[14]，抑制了人力资本结构高级化。城市化水平显著促进了人力资本结构高级化，这主要源于一些低级人力资本为适应城市环境，通过“再教育”或“干中学”不断提升自己的技能，为子代提供了良好的经济基础和学习榜样，进而推动了人力资本结构高级化。经济发展水平与人力资本结构高级化之间具有不显著的正相关关系，这主要是源于经济发展主要是依赖资本积累。外商投资与人力资本结构高级化之间具有不显著的负相关关系，这主要源于外资引进形成技术依赖，对人才的要求出现两极分化现象[10-12]，从而不利于实现人力资本结构高级化。

(二)数字经济与各级人力资本水平的基准回归

基于数字经济与人力资本结构高级化的回归结果，本文进一步分析了数字经济发展与各级人力资本水平的关系，深入探讨中国人力结构变动的主要原因。表5列示了数字经济发展与低级、中级和高级人力资本水平的基准回归结果。其中，数字经济发展显著提高了低级和高级人力资本水平，而且数字经济发展对高级人力资本水平的正向影响更大。此外，数字经济发展对中级人力资本的影响具有不显著的正相关关系，假设2得到验证。该结论也反映出数字经济发展可以推动人力资本结构高级化发展。

表5 数字经济发展与各级人力资本水平的基准回归

此外，产业结构高级化显著抑制了低级和中级人力资本水平，而且对中级人力资本的抑制性较大，与本文前面理论分析一致。数字经济发展对高级人力资本水平具有不显著的正向影响，这可能是源于区域异质性等因素的影响。

(三)异质性分析

基于资源禀赋和地理环境的不同，数字经济发展和人力资本水平存在着明显的差异。本文主要从东部和中西部、核心城市和外围城市两个角度划分，进一步探讨各地区数字经济发展对人力资本结构高级化以及各级人力资本水平的影响。

本文根据国家统计局对东、中、西部地区的划分，将中部和西部合为中西部地区。表6报告了数字经济发展影响人力资本结构高级化，以及各级人力资本水平的东、中西部回归结果。其中，从人力资本结构高级化的回归结果可以看出，东部和中西部地区的数字经济发展对人力资本结构高级化具有显著的正相关关系，而且东部地区影响效果更大，可能的原因在于东部地区较中西部地区经济发展水平高、资源丰富及地理环境优越等优势，中高级人力资本占比较多。从低级人力资本水平的回归结果可以看出，东部和中西部地区的数字经济发展对低级人力资本水平均具有显著的正相关关系，且系数较小。从中级人力资本水平的回归结果可以看出，无论是东部还是中西部地区数字经济发展对中级人力资本水平均具有不显著的正相关关系，且东部地区影响较中西部地区大。此外，从高级人力资本的回归结果可以看出，东部地区数字经济发展对高级人力资本水平具有显著的正相关关系，而中西部地区系数小于东部地区，且不显著。上述结论与本文基本结论一致。

表6 数字经济发展影响人力资本结构高级化、各级人力资本水平的东、中西部异质性检验

进一步地，本文将直辖市、副省级城市和省会城市划分为中心城市，其他地级市划分为外围城市。表7报告了数字经济发展影响人力资本结构高级化，以及各级人力资本水平的中心、外围城市回归结果。其中，从人力资本结构高级化的回归结果可以看出，外围城市数字经济发展与人力资本结构高级化具有显著的正相关关系，而中心城市系数为正且不显著，这主要是源于中心城市较外围城市拥有较多资源，便于吸引外资和人工智能、大数据、云计算等先进技术，靠资本扩张来发展经济，对人力资本的需求出现两极分化现象，从而不利于人力资本结构高级化的发展。从低级人力资本水平的回归结果可以看出，外围城市对低级人力资本水平起到促进作用，这主要是源于低级人力资本具有低成本、高回报的特点，先进技术具有高成本的特点，外围城市因产业部门效益不高，故在两者之间会选择前者；而中心城市数字经济发展对低级人力资本水平具有不显著的负相关关系，一方面源于中心城市因先进技术和资本的引进，首先被替代的是低级人力资本，另一方面则是源于一些新行业的出现，一些低级人力资本因此被需要。此外，从中级和高级人力资本水平的回归结果可以看出，无论外围城市还是中心城市，数字经济发展对中级、高级人力资本水平具有显著的正向影响，而且中心城市的影响系数显著大于外围城市的影响系数，这与现实情况也较为吻合。

表7 数字经济发展影响人力资本结构高级化、各级人力资本水平的中心、外围异质性检验

(四)进一步分析：产业结构高级化的门槛效应

本文根据前文中的假设3，采用面板门槛回归模型进行实证检验。表8报告了数字经济发展影响人力资本结构高级化、各级人力资本水平的门槛模型回归结果。其中，从表8的人力资本结构高级化回归结果可以看出，当产业结构高级化指数较低时，数字经济发展与人力资本结构高级化呈现出显著的正相关关系，当产业结构高级化指数较高时，数字经济发展与人力资本结构高级化呈现出显著的负相关关系，假设3得到验证。

表8 数字经济发展影响人力资本结构高级化、各级人力资本水平的门槛模型回归结果

进一步地，本文从低级、中级和高级人力资本水平角度出发，深入探究产业结构高级化在数字经济发展影响各级人力资本水平中的门槛效应。从低级人力资本的回归结果可以看出，在产业结构高级化水平较低时，数字经济发展对低级人力资本水平起到显著正向的影响，这主要是源于前期农村电子商务的出现，扩大了就业总量，使得大量低学历的农民进入，而人工智能、大数据等技术在高产能部门的应用还不是很广泛；在产业结构高级化水平较高时，数字经济发展对低级人力资本水平同样起到正向影响，但显著性较弱，这主要源于一方面较高的产业结构高级化水平导致大多数低学历、低技能的劳动伴随数字经济发展被替代，另一方面伴随着数字经济发展产生的新兴行业出现，如快递员、配送员等低门槛行业，扩大就业总量，需要低成本、低学历、低技能的劳动者。从中级人力资本的回归结果可以看出，在产业结构高级化水平较低时，数字经济发展与中级人力资本呈现出显著的正相关关系，主要是中国存在着结构失调及资源错配等问题，数字经济发展产生的新业态通过扩大就业总量，会提高中级人力资本水平；在产业结构高级化水平较高时，数字经济发展与中级人力资本呈现出不显著的负相关关系，这主要是源于人工智能、大数据、云计算等技术出现，对中等技能的劳动冲击较大，不利于中级人力资本水平的提高，但创造的新行业、新部门会容纳一些中等技能的劳动者。此外，从高级人力资本的回归结果可以看出，无论产业结构高级化水平较低还是较高时，数字经济发展都会显著提高高级人力资本水平，而且产业结构高级化水平越高，数字经济发展对高级人力资本水平的影响越大，这主要源于激烈的产业竞争促使产业需要高技能劳动者进行创新，通过数字经济来提高产能，增加效益。

(五)稳健性检验

1.替换解释变量

为保证前文的结论的可靠性，本文进一步借鉴柏培文和张云(2021)[29]构建的数字经济发展指数作为解释变量的代理变量。鉴于数字平台中的三级指标仅有2011—2014年数据，故本文针对该时间段进行稳健性检验。从表9可以看出，数字经济发展指标的代理变量与人力资本结构高级化指数呈现出显著的正相关关系，与前文的结论一致，保持稳健。

表9 数字经济发展影响人力资本结构高级化的稳健性检验

2.控制固定效应

经济发展水平较高的地方，人力资本结构高级化水平较高且互联网也会优先发展，进而在数字经济的应用上也会存在着“先发优势”。为避免内生性问题，本文通过设定省份固定效应、省份与年份交互效应来表示数字经济发展导致的宏观因素的变化。从表9可以看出，在考虑到宏观因素系统性变化后，系数有所减小，但符号和显著性与前文的结论一致。

3.工具变量方法

本文借鉴赵涛等(2020)[27]选用数字经济指数的工具变量方法，采用各城市1984年的邮电历史数据作为数字经济发展综合指数，再乘以一个随时间变动的变量作为面板数字经济指数的工具变量。具体而言，使用上一年全国互联网用户数的对数值与1984年各城市每万人电话机数量的对数值构造交互项，作为该年城市数字经济指数的工具变量。从表9可以看出，在考虑内生性问题后，数字经济发展与人力资本结构高级化仍呈现出显著的正相关关系，虽然数字经济指数的数量级不同，系数存在较大差异，但是显著性水平与前文一致，实证结果保持稳健。

4.替换被解释变量

为进一步验证本文结论的可靠性，本文根据前文变量描述，将原来的核心被解释变量进行替换，即人力资本结构高级化的替换变量采用该城市专利授权数占全国专利授权数的比重，乘以省级的知识人力资本结构高级化指数，然后再乘以培训率，得到的人力资本结构高级化指数作为替换变量。各级人力资本水平的替换变量采用各城市第一、二、三产业就业人数占总劳动者就业人数的比重，乘以省级的各级人力资本水平，得到的地级市各级人力资本水平作为替换变量。回归结果仍与基准回归一致(5)限于篇幅，被解释变量替换的稳健性检验结论省略，备索。。

六、结论与启示

通过上述分析，本文得出如下结论：(1)数字经济发展与人力资本结构高级化呈现出显著的正相关关系。进一步地，数字经济发展显著推动了低级、高级人力资本水平，对中级人力资本水平影响为正向但不显著。(2)异质性结果表明，其一，无论东部还是中西部地区，数字经济发展对人力资本结构高级化均起到显著的正向影响，且东部较中西部影响较大。东部地区数字经济发展与低级、高级人力资本呈现出显著的正相关关系，且对高级人力资本的影响较大；数字经济发展对中级人力资本的影响为正，但不显著。中西部地区数字经济发展与低级人力资本呈现出显著的正相关关系，对中级、高级人力资本也起到正向影响，但不显著。其二，外围城市数字经济发展对人力资本结构高级化具有显著的正向影响，而中心城市数字经济发展对人力资本结构高级化具有正向影响，但并不显著。外围城市数字经济发展对低级、中级、高级人力资本均起到显著的正向影响，其中，对中级人力资本的影响较大，高级人力资本影响次之，低级人力资本影响最小。中心城市数字经济发展对中级、高级人力资本具有显著正相关关系，而对低级人力资本具有不显著的负相关关系。(3)门槛效应结果表明，在产业结构高级化水平较低时，数字经济发展与人力资本结构高级化具有显著正相关关系，随着产业结构高级化水平提高，数字经济发展与人力资本结构高级化具有显著负相关关系。进一步发现，在产业结构高级化水平较低时，数字经济发展对低级、中级、高级人力资本均具有显著正相关关系，对中级人力资本的影响最大，高级人力资本影响次之，低级人力资本影响最小。在产业结构高级化水平较高时，数字经济发展对低级、高级人力资本具有显著的正相关关系，对高级人力资本影响较大，而数字经济发展对中级人力资本呈现出不显著的负相关关系。

根据研究结论，本文得出如下启示：第一，大力发展数字经济，推动产业结构升级，实现就业总量扩大，推动人力资本结构高级化。各地区要加快要素市场化配置、充分挖掘中国人力资本存量的效能，增强人力资本质量。第二，伴随着数字经济发展，推动数字要素与人才要素协调发展。通过优化资源配置方式，避免产业结构升级过程中人力资本要素资源供需错配等问题。第三，在发展数字经济的同时，要避免出现资本垄断或断层现象。政府可以通过公共性服务使得资源重新配置，达到人人都能从中获利，各方面均衡协同发展。基于此，各地区应致力于实现“数据链”“产业链”“人才链”的融合发展，打破结构失调和资源错配等问题。