技能还是学历？

摘 要：人力资本水平是推进企业数字化转型的必要条件。本文基于2007—2020 年沪深A 股上市公司数据，分析人力资本结构对企业数字化转型的影响。实证结果显示：高学历、高技能人才均有助于企业数字化转型，其中高技能人才的作用更突出；高技能人才占比越高，越能强化企业对冗余资源的利用能力、吸收能力及创新能力增强，进而推动企业数字化转型程度越深；高技能人才更具普适性，其在不同所有制、不同行业和劳动、技术密集度企业中均能够显著促进企业数字化转型，而高学历人才仅在非国有企业、制造业和劳动密集型企业中能够促进企业数字化转型。因此，为提升我国“十四五”期间数字经济发展和实现技能中国目标，本文认为需重点加强数字工匠等关键技术性人才在企业数字转型中的支持与投入。

关键词：企业数字化转型；人力资本结构；技能型人才

一、研究背景

中国信息通信研究院《中国数字经济发展研究报告（2023 年）》显示，2022 年我国数字经济规模占GDP 比重达41.5%，数字经济发展迅速。党的二十大作出“加快建设网络强国、数字中国”重要部署，“十四五”发展规划也明确指出“加快建设数字经济，以数字化转型整体驱动生产方式的变革”。数字经济快速发展，企业组织模式和生产方式也出现全新变革（白雪洁等，2022）。数字化转型是企业适应新一轮的技术革命与产业变革的必然选择，但企业数字化转型面临诸多挑战，技术短板导致的“技术转型困境”（吴非等，2021）是最为基础、最为艰难的困境，企业人力资本根本性提升是化解“技术转型困境”、推动“数字化转型”的核心力量。国际劳工组织在2022 年《世界就业趋势展望》强调（Dewan 等，2022），数字化转型过程中，若员工缺乏匹配的技术熟练度和知识积淀，即便企业深入研发、投入数字技术，生产率的正向推动仍难以显现，企业数字化转型效率将由人力资本短板决定而变得低下。在此背景下，剖析人力资本水平与企业数字化转型的内在联系，能够为企业在数字经济时代的转型提供人力资本合理配置的指导。

人力资本中所包含的学历和技能是促进企业数字化转型的核心动力。学历，早期人力资本水平的通用测度，是知识积累和理论素养的象征，为数字化转型提供理论基础和创新思维；技能，近年来人力资本水平的结构分解，是实践知识和操作能力的应用，为数字化转型落地奠定技术基础和能力供给。人力资本水平提升方面，我国采取的是“高学历人才”和“技能型人才”双轨并进的培养策略。一则，培养高学历人才优化教育资源分配。1999 年起我国高等教育扩张政策体系实施并不断完善，高等教育毛入学率由1999 年的10.5%提升至2021 年的57.8%，同期的高考录取率从55.56%提升至92.89%，高学历人才数大幅增加（鄢杰等，2023）；二则，持续强化技能型人才培育。2022年，国务院印发《关于加强新时代高技能人才队伍建设的意见》（简称《意见》），重点关注高技能人才队伍建设。据全国总工会数据，截至2021 年底，技能人才总量超过2 亿人，高技能人才超过6000 万人（宋建和郑江淮，2022），高学历人才、高技能人才总量均有增加。就高学历人才培养，因学历与技能需求存在脱节现象，“教育过度论”“学历过剩论”等质疑声音不断（鄢杰等，2023）；而技能人才培养，截至2021 年底技能人才占就业人员例仅为26%，呈现为低水平快速增长（宋建和郑江淮，2022）。此外，研究显示，中国超55％的企业仍未完成基础设备的数字化改造（季昕华，2020）。鉴于此，一个关键的问题浮现：人力资本结构能否支撑推动企业数字化转型？在企业数字化转型过程中，企业人力资本结构中学历与技能谁更重要？

现有研究对于本文研究问题提供了丰富的理论与实证基础，但仍有扩展空间：一是聚焦于企业数字化转型中的基础设施建设（毛宁等，2022）、税收政策优惠（蔡洪波等，2023）、地方产业政策支持（甄红线等，2023）等硬条件影响，但还需要软条件配合，如具备数字素养及数字技能的人力资源（姚小涛等，2022）。根据埃森哲《2023 年中国企业数字转型指数》，中国企业普遍在人才与数字化技术方面表现薄弱，因此，企业数字化转型中的人力资本问题值得关注。二是企业对人力资本需求发生异质性变化并快递发展。学历与技能并重，尤其是技能结构的重视越来越成为企业数字化转型成功与否的关键要素，需纳入技能结构与学历结构同时考察，以识别人力资本结构在企业数字化转型中的加速或催化作用。已有文献多以受教育程度（Acemoglu and Autor，2011；江永红等，2016）、职业类别（Andersson et al.，2014；张国胜和杜鹏飞，2022；李红阳和邵敏，2017）及人力资本投资类型（陈浩，2007）等衡量人力资本水平。在此基础上，也有研究采用向量夹角的测度方法（刘智勇等，2018），或将健康状况纳入测度（杨建芳等，2006），但上述测度方式与本研究内容切合不够紧密。已有研究多以受教育年限作为技能水平的代理变量（郝楠，2017；汪前元等，2022），将高学历劳动者视为高技能劳动者，模糊了学历与技能的界限与差异。三是结合实际情况，我国企业数字化转型仍然十分缓慢，超半数企业数字化转型程度低于平均值（张国胜和杜鹏飞，2022）。企业数字化转型过程中，人力资本结构高级化是重要的基石（王涛，2021），因此，企业如果尚未配备高级化人力资本结构，就难以收获转型后产生的效益。然而，鲜有研究从人力资本结构视角考察企业数字化转型。

本文边际贡献为：第一，探讨了人力资本结构对企业数字化的影响。为回应“学历至上”“能力主导”的社会质疑，对“崇拜学历、轻视技能”教育观念的证伪，本文从学历、技能两个维度探究人力资本结构对企业数字化转型的重要性，以明晰企业数字化转型的人才需求，为制定更具针对性的人才培育政策提供研究支撑；比较数字化转型的人力资本结构效应，为更好理解“学历中国”转向“技能中国”等人才培养政策提供实证依据；第二，对已有岗位技能分类方法的优化改进。在Autor 和Dorn 的岗位技能分类方法（Acemoglu and Restrepo，2019；Dorn，2009）基础上，筛选、识别锐思数据库中上市公司的其他人员，并进一步根据职业技术复杂度再分类，将其归并为高、低两类，力求精准识别出高、低技能劳动力；第三，以人力资本结构与企业数字化转型为逻辑主线，本文重点关注企业资源利用、吸收与创新能力的渠道机制，打开技能劳动力赋能企业数字化转型的“黑箱机制”，厘清技能劳动力在提高企业资源利用效率、强化技术与知识的吸收积累及技术创新成果转化中扮演的重要角色，有助于优化企业人力资源管理，充分激活技能人才对企业数字化转型的效能提升作用。

二、理论分析与假说提出

（一）人力资本与企业数字化转型

经济学家舒尔茨认为，人力资本是一种通过投资形式凝结在劳动者身上的资本类型，可以从“质”和“量”两方面进行衡量。其中，决定经济增长的关键因素是人力资本的“质”（Schultz，1961），即劳动者通过教育、培训和学习积累的能力（张国强等，2011）。贝克尔进一步指出教育和培训能够提升个人的知识与技能，从而提高工作效率和生产力，使其更好地适应新技术和环境，为企业和经济创造更多价值（Becker，1975）。人力资本作为技术进步的载体，通过优化能够促进企业技术创新与生产率的提高（Acemoglu，2003）。可以说，人力资本是数字化转型的重要基础，直接决定了数字化转型的效益（Dewan et al.，2022）。

早期研究中，学历是最常用的反映人力资本水平与技能水平的测度指标，基于发展阶段并囿于数据限制，假定高学历者也具备相对较高的技能（Acemoglu and Daron，2002；凌文辁等，2001；梁文泉和陆铭，2015）。并认为高学历具有的技能水平更能适应技术进步带来的变化，而受教育程度较低的工人专注于“特定技术”，技术变革时损失更大，故假定高学历等于高技能（Gould et al.，2002）。尽管存在局限性，但在缺乏准确数据时，学历是衡量人力资本的主要手段（Woessmann，2003）。

然而，当我国经济增长方式进入质量驱动阶段，数字时代对企业员工知识和技能的要求更高（王才，2020），数字化转型要求员工发挥主动性，需利用个人技能解决日益复杂的业务问题（曾德麟等，2021），数字技术的新任务更偏向复杂任务中具有比较优势的高技能工人（Acemoglu andRestrepo，2018），数字化转型在推动业务转型的同时离不开高素质数字人才支撑（陈煜波和马晔风，2018）。现实情况是，虽学历水平不断提升，但高技能人才特别是与数字技术相关的技能人才供需仍严重不平衡（裴璇等，2023）：一方面，我国1999 年高校扩招以来，代表人力资本水平的高学历毕业生人数由2000 年的95 万增长至2023 年的1158 万人。但另一方面，《产业数字人才研究与发展报告（2023）》提到，我国目前数字人才缺口约为2500 万至3000 万且在持续增加（谢忠强和成文雅，2024）。直觉上人力资本水平提高有利于企业数字化转型，高校扩招后越来越多的高学历人才进入企业，但这并未缩减数字人才缺口。故仅从学历角度衡量人力资本技能水平难以全面反映技能人才的真实水平，更难以全面评估人力资本对企业数字化转型的影响。高学历和高技能的人才有机结合，则更能揭示企业内部人力资本结构在企业数字化转型中的促进或抑制作用。因此，本研究将扩展人力资本拆分为学历与技能两个方面，识别其对技能偏向型技术进步（企业数字化）的作用。

（二）高技能劳动力与企业数字化转型

根据“资本—技能互补理论”（Capital-Skill Complementary，CSC），非技能劳动力与资本是替代关系，而技能劳动力与资本则是互补关系（鲍哈斯，2010），企业引入高技能人才可有效提高资本产出效率。数字化转型推进了技术和设备上的升级，企业需引进具备相关技术或相匹配的高技能劳动力（Wang et al.，2021；赵宸宇等，2021），推动技术创新，加速企业数字化转型（肖土盛等，2022）；但若不匹配，将阻碍创新潜力的释放，导致生产效率下降（马颖等，2018）。因此，企业内员工的技能水平是企业数字化转型成功的关键因素（Svahn et al.，2017）。

相较学历，技能更大程度上是以学历教育为基础通过“干中学”的操作应用而积累所得，针对性和应用性极为明确，能够直接应对数字化转型所带来的各种挑战（Brynjolfsson and Mcafee，2014）。高技能人才可以凭借丰富的实践经验推动企业的数字化培训和创新协作（张守凤和刘昊蓉，2023），对其他员工产生技能溢出效应和示范作用，从而显著提升整体员工的数字素养和技能水平。此外，戴维斯的技术接受模型（Technology Acceptance Model，TAM）也强调，个人对新技术使用行为受到其对该技术使用意愿的影响（Davis et al.，1989）。相比高学历劳动力，高技能劳动力接受的专业技能培训使其对数字技术运用更为熟练，因而使用意愿更强。综上，与高学历劳动力相比，高技能劳动力对企业数字技术运用能够产生更强的正向作用，助力企业更高效地实现数字化转型。

（三）高技能劳动力对企业数字化转型的影响机制

研究发现，企业数字化转型需同时具备资源丰度、技术使用与积累能力以及对现有技术成果的转化能力（赵丽锦和胡晓明，2022），而高技能劳动力的配备恰恰强化了上述三方面因素的驱动，进而能够推动企业数字化转型。

首先，高技能劳动力可以通过促进未被吸收冗余资源的开发与优化利用，进而推动企业数字化转型。数字化转型需要富裕资源的支撑，因此，企业的资源丰度直接影响企业数字化转型的推进及价值实现程度（赵丽锦和胡晓明，2022）。作为企业内部的过剩资源，冗余资源可进一步分为已吸收的冗余资源与未被吸收的冗余资源（王晓红等，2022）。其中，已吸收的冗余资源由于流动性、灵活性较差，在组织中难以重新配置利用且大多为企业固定成本，主要用于投入相关生产活动而非创新活动，不利于企业展开探索式创新（王亚妮和程新生，2014）。相较于已被吸收的冗余资源，未被吸收的冗余资源具有灵活性强、支配性高的特点，能够有力支持企业进行的高创新高风险活动（苏昕和刘昊龙，2018）。由于数字化转型主要涉及未被吸收冗余资源的开发利用，本文侧重于探究企业中未被吸收的冗余资源，即企业暂未使用且易被重新配置到其他所需部门的资源。高技能劳动力具备深厚的技术知识和理解，能够更好地识别与整合企业内部尚未被充分利用的冗余资源，如通过大数据分析及优化供应链管理等方式，帮助企业缓解库存积压问题、降低库存成本，减轻企业数字化转型面临的内外部压力（Muller et al.，2010），从而有助于企业增强数字化转型资源投入、化解数字化转型风险和摆脱传统路径依赖（潘蓉蓉等，2021），为企业数字化转型提供有力的资源支持（韩跃和郑勇，2019），推动企业数字化转型。

其次，高技能劳动力能够增强企业的吸收能力，从而充分利用外部知识识别并整合未被吸收的冗余资源，加速企业的数字化转型。吸收能力，即企业获取、内化并应用外部知识的能力，是提升企业自主创新的重要因素（赵凤等，2016）。通过提升吸收能力，企业能够强化自身学习，提高对外部知识的利用效率，从而增强自主创新能力（Zahra and George，2002；赵增耀和王喜，2007）。以高技能劳动力为代表的技能结构，展现出快速吸收、应用新知识和技术的能力水平（Argote and Ingram，2000）。高技能劳动力通过将外部获取的技术知识与企业内部知识相结合，推动企业内部的知识分享和技能提升（Bertschek and Marlene，2006；Roy，2018），并利用这些知识充分识别和开发未被吸收的冗余资源，使其得以重新配置和优化，从而加速企业的数字化转型进程。

最后，高技能劳动力能够提升企业的创新能力，在吸收能力有效识别出冗余资源的基础上，进而利用创新能力对识别出的冗余资源实现高效创新。创新能力既是推动企业数字化转型的关键驱动力，同时也是企业适应数字化环境的基础（Bhardwaj et al.，2013）。高技能人才是我国技术创新的主力军（胡钰，2013），是赋能技术创新的“加速器”。高技能人才在吸收、消化及积累新知识和技术的基础上，将技术进一步转化为商品，从而实现创新价值（蒋伏心等，2013）。高技能劳动力能够提升企业的创新能力，通过其吸收能力精准识别未被吸收的冗余资源，并在创新能力的作用下将这些资源转化为创新成果，从而为企业的数字化转型注入新的动能。除利用自身技能知识储备直接推动企业创新外，高技能人才还可以通过“干中学”和技能外溢效应带动企业整体人力资本水平提高（张守凤和刘昊蓉，2023），进而促进企业整体创新能力提升。

根据上述机制的理论分析，本文将识别高技能劳动力如何通过提高企业对冗余资源的利用能力、吸收能力以及创新能力路径，推动企业数字化转型。

三、研究设计

（一）数据说明

本研究选取2007—2020 年沪深A 股上市公司为研究样本，基础数据主要来源于锐思（RESSET）和国泰安（CSMAR）两大数据库。国泰安负责提供企业信息、企业财务指标等相关数据，锐思数据库负责提供员工信息相关数据源。锐思全面收录了自1999 年至今我国上市公司的组织治理结构数据。通过深度剖析上市公司年报，提取员工学历、岗位、职业、数量等关键信息字段，构建起较为完备的员工构成信息数据库。该数据库虽全面涵盖员工信息，但仍存瑕疵：不同行业企业对员工职业技术类别的识别有相似之处，然而企业间也存在识别差异。因此，由于锐思数据库中不同企业关于员工职业分类相关数据存在一定程度不同步性，所以需要进一步对员工的职业分类进行文本分析以清理和识别相关数据，具体的清理和识别步骤将在后文变量设定中详细介绍。

为提高数据精确度、增强实证结果可信度，本文对所使用数据进行了如下处理：一是剔除金融类等特殊企业（即行业代码为J66-J69 的企业）；二是剔除ST、*ST、PT 及样本期间退市的企业；三是剔除关键员工信息变量缺失的观测值；四是为减少异常值干扰，对微观层面的连续变量进行上下1%的缩尾处理。

（二）模型构建

根据以上的理论分析及变量测算，本文设定如下基准回归模型：

（三）变量设定

（1）被解释变量。企业数字化转型（DIGI）。在量化企业数字化转型程度时，一般倾向于采用上市公司年度报告中的相关词频统计作为有效的衡量指标（吴非等，2021；赵宸宇等，2021），该方法能够精准地抓取企业年报中并反映企业数字化转型的特性。因此，本文借鉴吴非的研究方法构建数字化转型指标（吴非等，2021）。首先，基于Python 收集上海和深圳两市所有A 股上市公司的年度报告，运用Java PDFbox 库提取年报文本内容形成数据池；其次，定义数字化转型的相关词频，将关键词划分为“实践应用”和“基础技术”两大类，基于这两类关键词，从“人工智能技术”“区块链技术”“云计算技术”“大数据技术”“数字技术应用”五个维度出发，选取数字化转型的相关词汇（76 个）作为企业数字化转型的相关词频（如表1 所示）；最后，根据表1 的关键词进行搜索匹配和词频计数，分别统计表1 词频在年报中出现的频数，对同一企业同一年份的不同关键词的词频数进行加总及对数化处理后，形成企业该年的数字化转型指标，汇总后形成各企业各年的数字化转型指标。

（2）解释变量。本研究的核心解释变量为人力资本结构，分别从学历（Degree）、技能（Skill）两方面测度。

一方面，本文以学历水平衡量企业人力资本结构。人力资本理论指出，接受正规教育是促进人力资本发展的重要途径（Schultz，1961；Becker，1962）。基于此，研究常以学历水平衡量人力资本结构（Marvel，2007；宁光杰和林子亮，2014；王永钦和董雯，2020；孙早和侯玉琳，2019）。本文借鉴卢馨（2013）、王珏和祝继高（2018）的做法，将本科及以上员工定义为高学历员工，本科以下员工定义为低学历员工。具体而言，将企业本科及以上学历员工人数占总人数之比（Degree_high）作为高学历人才的代理变量，以企业本科以下学历员工人数占总人数之比（Degree_low）衡量低学历人才。但仅使用学历水平测度人力资本存在一定局限性，因为学历作为一种学术成就体现，仅能衡量员工个体在教育体系内的知识储备和学术水平，而无法衡量其实际具备的工作技能水平。除此之外，不同个体在同等学历层次上，掌握的技能、知识深度以及应用能力也可能存在很大的差异。

另一方面，本文从技能角度衡量企业人力资本结构，以企业员工的技能类型进行测度（Autorand Murnane，2003；赵烁等，2020；肖土盛等，2022）。该方法优点在于，可更细致准确地识别员工的具体技能及所在岗位。具体来说，Resset 数据库将员工分为了15 类：行政管理人员、管理人员、行政人员、操作人员、生产人员、采购人员、市场人员、销售人员、技术人员、物流人员、研发人员、财会人员、客服人员、风控稽核人员以及其他相关人员。但由于上市公司对员工类别的划分标准不一致，数据库中员工类别相关信息不清晰，在数据处理过程中可能存在数据混淆、分类不符的问题：其一，被归类为“其他人员”的员工职业技术数据存在混淆，其中的一些数据可根据其实际职业描述重新归为具体的职业技术分类，例如，需将大类为“其他人员”但字段不属于“其他人员”的数据，重新编排分类再归为已有的“管理人员”“销售人员”等；其二，部分员工的职业技术分类与其本身的文字描述不符，需要重新分类。同时，锐思数据库原有员工技能岗位划分方法相对粗糙，无法精细反映技能结构的层次性和差异性。因此，为解决上述问题，在锐思数据库原有员工技能岗位划分基础上，本文以Autor 和Dorn 对不同岗位技能的具体分类为参照（Acemoglu andRestrepo，2019；Dorn，2009），将中等技能与低技能等容易受到技术替代威胁的劳动力归并为低技能劳动力（Skill_low），把技能结构细分为高、低两类，对员工技能结构分类进行深度优化和升级。人力资本结构变量定义如表2 所示：

（3）控制变量。为确保研究结果的准确性，回归模型还通过对一系列可能影响企业数字化转型的公司特征变量进行控制，以提高研究的精度，选取企业规模（Size，企业总资产对数化处理）、企业总收入（Sale，对数化处理）、企业存续时长（ComAge）、资产负债率（Lev）、资产收益率（Roa）、固定资产占比（Ppe）、研发费用（Res）作为本文主要的控制变量。主要变量的描述性统计结果如表3 所示：

表3 中，高技能劳动力占比的均值约为31.9%，低技能劳动力占比的均值约为63.8%（其余数据无法识别技能）。本文主要使用上市企业数据，我国上市企业中多为高技能占比少、低技能占比多的制造业（赵烁等，2020），因此该数据结构符合对于上市企业人力资本结构的预期。高学历劳动力占比约为40.3%，低学历劳动力占比约为59.7%，说明我国上市企业中劳动力学历水平依旧以低学历为主导。同时，高技能劳动力占比（31.9%）明显低于高学历劳动力占比（40.3%），即企业在学历、技能的不同人力资本构成之间仍存在8.4%的差距。此外，企业数字化转型（DIGI）均值为0.753，最大值为4.234，最小值为0，说明我国上市企业的数字化转型程度差异明显。

四、实证结果分析

（一）基准回归结果分析

表4 展示了人力资本结构影响企业数字化转型的基准回归结果。在其他条件不变时，列（1）和列（2）结果显示，高技能与高学历均显著促进了企业数字化转型，与前文理论分析相一致。为进一步比较技能与学历作用的不同，列（3）为同时控制高技能与高学历后的回归结果，结果显示高技能人才估计系数显著为正，而高学历人才估计系数并不显著。考虑到二者可能高度相关，计算Pearson 相关系数为0.399，并进行VIF 检验，结果分别为1.163 与1.145，表明二者不存在多重共线性问题。进一步，列（4）为标准化后的估计结果，高技能人才系数仍显著为正，而高学历人才估计系数仍不显著。因此，基准结果表明高技能人才在促进企业数字化中的作用更大，与理论分析所得结论相符。

（二）稳健性检验

（1）内生性检验。企业人力资本结构变化与水平提升也是企业数字化发展的结果，因此，可能存在双向因果的问题。影响企业数字化的一些因素由于测量困难而难以控制，导致基准估计结果可能存在偏误。由此，本文通过构造工具变量的方式来缓解内生性问题。

有研究表明，明清进士的数量会积极影响该地区的人力资本水平（Chen et al.，2020），该研究为本文选工具变量提供了一定思路。基于此思想，为解决可能存在的内生性问题，本文参考夏怡然和陆铭（2019）以及龚浩等（2023）的方法，采用我国明清时期不同城市进士人数的对数（jinshi）作为高技能、高学历人才的工具变量。该数据来自CNRDS 数据库，通过《明清进士题名碑索引》整理出明清时期50061 名进士的籍贯，本研究在此基础上进行手动整理，将进士籍贯与我国当代市级行政区划相匹配，对各地区的进士人数进行加总匹配至各城市，以此作为人力资本的工具变量。工具变量的选择需同时满足相关性和外生性假设，使用明清进士数量作为工具变量可以同时满足两方面假设。一方面，从人力资本的演变和发展来看，明清时期的科举进士作为当时高级人力资本水平的衡量，人数越多说明当地文化对于人力资本培育愈加重视，因此明清时期进士登科人数与当今该地区的人力资本水平具有正相关性（Chen et al.，2020），满足相关性假设。另一方面，明清两朝的进士登科与现在相隔甚远，很难对研究期内的企业数字化水平产生直接影响，从而满足外生性的假设。

由于工具变量需满足相关性和外生性两个假设。首先，使用AR 检验其相关性，结果显示，Kleibergen-Paap rk Wald F 统计量分别为59.173 和118.016，表明工具变量与内生解释变量间存在着显著的相关性。其次，Kleibergen-Paap rk LM 统计量在1%的显著性水平上显著，Cragg-Donald WaldF 统计量超过Stock-Yogo 弱工具变量识别F 检验在10%偏误下的临界值16.38，因此，通过了识别不足检验与弱工具变量检验，从而拒绝“工具变量识别不足和工具变量是弱工具变量”的原假设，即工具变量有效。

表5 列（1）和列（2）是以明清时期进士数量对数作为高技能劳动力的工具变量的回归结果，列（3）和列（4）为明清时期进士数量对数作为高学历劳动力的工具变量的回归结果。第一阶段的列（1）和列（3）变量的估计系数显著为正，且在第一阶段时F 大于10。第二阶段的列（2）和列（4）系数都均在5%的显著性水平上为正，表明引入工具变量削弱内生性影响后，回归结果仍与基准回归所得结论相一致，即高学历与高技能人才均有助于推动企业数字化转型。

（2）考虑人力资本影响的滞后性。由于人力资本对于企业数字化的影响存在一定滞后性，因此本文使用滞后一期的人力资本替代当期人力资本解释变量进行回归。回归结果见下表6，其中，列（1）、列（2）和列（3）分别为滞后一期的技能、学历以及滞后一期技能与学历的回归结果。其中，列（1）和列（2）Skill_high 与Degree_high 的系数仍显著为正，列（3）结果显示，仅高技能人才估计系数显著，与基准回归结果一致。表明在考虑人力资本影响的滞后性后，结果依然稳健可靠，支持基准回归所得结论。

（3）更换企业数字化转型测度方式。本研究参考赵宸宇等（2021）的测度方式，对企业数字化转型指标进行替代性度量。该方法仍采用企业年报中数字化转型的关键词频数来刻画企业数字化转型程度，与被解释变量的测量方法有一定相似性，但该方法是从“数字技术应用”“智能制造”“互联网商业模式”和“现代信息系统”四个维度选取数字化转型关键词（99 个），与被解释变量从五个维度选取关键词（79 个）有一定区别。具体而言，将重新选取的数字化转型关键词与上市企业年报文本数据池进行匹配，运用Python 将关键词在年报中出现频率进行统计和加总，对各企业各年关键词总词频数对数化处理后得到被解释变量的替代指标（DIGI2）。表7 列（1）和列（2）结果显示，以技能和学历衡量的高人力资本仍显著提高了企业数字化转型程度，列（3）将高技能与高学历人才放于同一模型下进行考量，结果表明高技能人力资本对企业数字化转型的提升作用仍然显著，而高学历人力资本仍未发挥显著的提升作用，与基准回归所得结论相符。

（三）异质性分析

考虑到不同所有制属性、不同行业属性、不同要素密集度企业间，数字化基础水平、转型速度存在较大差异，所需人力资本特征也存在差异。因此，进一步探究以技能和学历衡量的高人力资本对企业数字化转型的影响是否存在企业异质性。

（1）所有制异质性。本文按照我国企业所有制的差异，将企业分为国有、非国有两种类型进行分组回归。表8 列（1）和列（2）分别为高技能人力资本对国有、非国有企业数字化转型的回归结果，列（3）和列（4）为高学历人力资本对不同所有制企业的回归结果。结果表明，高技能人才对不同所有制企业的数字化转型均有促进作用，而高学历人才仅对非国有企业有促进作用。可能原因在于，高技能人才具备可直接应用的技能储备和实践经验，以及迅速解决技术问题的能力，可推动企业数字化技术和创新能力提升，因此在不同所有制企业间都具有显著的正向影响。而高学历人才仅在非国有企业数字化转型中发挥正向推动作用的原因在于，非国有企业具有更高的管理灵活性和市场导向性，且具备更强的数字化转型内生动力，能够更好地激活高学历人才专业知识和创新能力赋能企业数字化转型。相比之下，国有企业数字化转型动机相对较弱，数字化转型水平普遍更低（孙黎和常添惠，2024）。此外，国有企业管理创新和激励机制更加规范化，集体决策过程和多元化目标使得高学历人才作用发挥受限。

（2）行业异质性。研究发现，制造业数字化转型进程相对滞后于服务业（袁淳等，2021）。同时，不同行业对于人力资本的需求存在差异。因此，以学历和技能衡量的高人力资本对企业数字化转型的推动作用，可能受到行业数字化转型进程制约及行业异质性人力资本需求的影响。基于此，本研究按照制造业和非制造业对样本进行分类，进一步探讨以技能和学历衡量的高人力资本对不同行业数字化转型的异质性影响。表9 回归结果显示，高技能人才在1%的水平上显著推动了制造业和非制造业企业的数字化转型，而高学历人才仅在制造业企业中发挥正向推动作用。可能原因在于，高技能人才所拥有的技术知识和实践能力对所有行业的数字化转型都十分重要。制造业的数字化转型涉及更为复杂的工艺流程设计研发和专业技术应用，因此，对于高学历及高技能人才的需求均较高。而在非制造业中，数字化转型过程更加注重即时应用、服务优化及客户需求相应，因此，对于灵活和使用性更强的高技能人才需求更高，而对高学历人才需求较少，导致高学历在非制造业的数字化转型中贡献不显著。

（3）要素密集度异质性。数字化转型过程中，不同要素密集度企业数字化转型所需的人力资本结构存在差异。基于此，本研究参照赵宸宇（2021）及肖曙光和杨洁（2018）的研究方法，根据要素密集度将样本分为劳动密集型企业、技术密集型企业和资产密集型企业，以检验人力资本结构对不同要素密集度企业数字化转型影响的异质性。根据表10 的分析结果，高技能人才在劳动密集型和技术密集型企业中均能显著促进企业数字化转型，而高学历人才仅在劳动密集型企业中有显著的促进效果。首先，列（1）和列（4）的结果表明，在劳动密集型企业中，高技能和高学历人才均能显著促进数字化转型。可能原因在于，劳动密集型企业生产主要依靠大量劳动力，因此，既可通过引入高技能人才提高生产效率和技术水平，也可通过引入高学历人才提升其管理能力和创新能力，即高学历和高技能人力资本均能推动其数字化转型。其次，列（2）和列（5）的结果显示，在技术密集型企业中，仅有高技能人力资本能够促进其数字化转型。技术密集型企业依赖技术实践和创新能力，高技能人才具备的技术操作能力和快速响应能力更能帮助企业适应不断变化的数字化转型需求；而高学历人才可能更多侧重于理论知识，在技术操作和实际应用中存在一定局限性。最后，列（3）和列（6）的结果表明，在资产密集型企业中，高技能和高学历人力资本对数字化转型均未产生显著影响。可能原因在于，资产密集型企业数字化转型更多依赖于资本投入和设备升级，而非人力资本的投入，因此，高技能和高学历人力资本未显示出明显的推动作用。整体而言，相较于高学历人才，高技能人才在不同要素密集型企业中对数字化转型的推动作用更为普遍。

五、渠道检验

如上文所述高技能劳动力可以通过充分利用未被吸收的冗余资源，强化企业吸收能力、创新能力，从而提升企业数字化转型程度。因此，本文在基准回归基础上，进一步设计实证分析，探究高技能劳动力是否可以通过促进未被吸收的冗余资源利用、吸收能力及创新能力提升来提升企业数字化转型。具体而言，参考江艇（2022）的研究方法，构建以下模型：

基于未被吸收的冗余资源视角，列（2）中未被吸收的冗余资源系数为0.335，在5%的水平上显著为正，表明高技能劳动力可以显著提升企业的未被吸收的冗余资源。原因可能是，高技能劳动力凭借其深厚的专业知识和素养，能够有效地发现企业内部尚未被充分吸收的冗余资源，充分利用这些未被吸收的冗余资源后，企业能够灵活地应对外部数字化环境的改变（贡文伟等，2020），对同行竞争者的数字化战略及时做出反应，缓解外部环境改变带来的转型压力，在数字化转型过程中更灵活、高效的配置资源。因此，高技能劳动力可以通过促进未被吸收的冗余资源利用，进而推动企业数字化转型。

基于吸收能力和创新能力双重视角，机制检验呈现不同结果。从吸收能力看，如表11 列（3）所示，吸收能力系数在1%显著水平上显著为正，表明高技能劳动力可显著提高企业吸收能力。高素质人力资本具备稀缺的生产配置、技术创新与吸收能力（黄燕萍等，2013），此视角下，高素质技能人才拥有强大知识转化和开发能力（Cruz - Rosetal，2018）。知识吸收转化是企业降本与超越对手的必要条件，吸收能力助企业利用外部知识、转化冗余资源，推动数字化转型。从创新能力视角，列（4）结果显示，创新能力系数为正且在1%水平下显著，表明高技能劳动力能显著提升企业创新能力，而创新能力是企业在激烈竞争与多变环境中保持优势的重要手段（Hoganetal.，2011）。综上，高技能劳动力通过提升企业吸收与创新能力，促进知识吸收转化，进而推动企业数字化转型。

六、结论与讨论

探究企业数字化转型中的人才缺失问题，对于优化数字人才培养、推进企业数字化转型具有重要意义。本文使用2007—2020 年锐思（RESSET）和国泰安（CSMAR）中沪深A 股上市公司数据，从学历与技能维度衡量人力资本结构水平，实证检验人力资本结构高级化对企业数字化转型的影响及其异质性，系统分析高技能人才推动企业数字化转型的传导机制。主要结论如下：（1）人力资本水平结构高级化有助于企业数字化转型；（2）相比高学历人才，高技能人才对企业数字化转型的正向影响效应更强；（3）异质性检验结果显示，高技能在不同所有制、不同行业和劳动、技术密集型企业中均能够促进企业数字化转型，而高学历人才仅在非国有制、制造业和劳动力密集型企业中能够显著促进企业数字化转型，具有更广泛的适用性；（4）作用机制检验表明，高技能人才可以通过提高企业未被吸收的冗余资源利用能力、吸收能力及创新能力，进而推动企业数字化转型。

基于上述结论，本文可能具有如下政策启示：

一是强化技能人才培养。一方面，应重新审视人才培养的价值取向，强调职业技能培育重要性。积极落实《学历证书+若干职业技能等级证书》制度，在获得学历证书的同时取得多张职业技能证书，培养“一专多能”的复合型人才，并探索将职业技能等级证书纳入就业落户政策支持范围，通过政府引导形成教育与技能互为补充、相互促进的融合发展。另一方面，应调整人才培养策略，以“技能中国”为核心，积极开展“职本贯通”培养项目，即前期在职业院校学习数字技能，后期在本科高校接受通识教育理论，确保劳动者配备专业化数字知识与技能，夯实企业数字化转型人才底座。

二是实施“分企施策”的差异化人力资本配置政策。一方面，不同所有制、不同行业中的劳动、技术密集型企业，都应更注重技能人才的引入和培养。相关企业应加大对职业教育和技能培训的投入，建立健全技能人才培养体系，推进产教融合，以“招生即招工、入校即入企、企校双师联合培养”为主要内容。企业应与高校密切合作，共同培养数字领域技能人才，招生阶段即与企业签订定向就业协议，入校后学习数字技术理论的同时进行实践训练，由院校专业教师和企业数字技能工程师联合授课，确保理论与实践均衡发展，培养符合数字化需求的高素养、重实践的技能人才。另一方面，非国有企业、制造业和劳动密集型企业应同时重视高学历、高技能人才的引入和培养，实行“双轨制”培养计划。对高学历人才设立专项培养计划，为其提供继续教育和深造机会，以不断更新知识储备提升专业素质。积极推进学历、技能人才的协同合作，充分发挥各自优势形成资源互补，通过设立联合项目组建跨职能团队，集中攻克数字化转型过程中的关键技术难题，全面推动企业的数字化发展。

三是发挥高技能人才的冗余资源利用能力、吸收能力及创新能力，助力企业数字化转型。首先，企业应鼓励将高技能人才纳入资源调查与评估体系，最大限度地发挥高技能人才对于企业未被吸收冗余资源的开发利用。其次，企业应设计针对性的培训计划，为技能人才提供专业化数字知识与技能的培训以提升其专业知识积累，利用其吸收能力高效识别企业内部未被利用的冗余资源。此外，企业还应建立高技能人才创新激励机制，通过设立创新基金、创新孵化中心、工匠大师工作室及数字化转型成果绩效奖励和股权激励等方式，激励高技能人才参与技术创新与产品研发，确保技能人才可以分享企业发展成果，从而促进技能人才将冗余资源转化为技术创新成果，助力企业数字化转型。

参考文献

[1] 白雪洁，宋培，李琳. 数字经济发展助推产业结构转型[J]. 上海经济研究，2022 年第5 期，第77-91 页。

[2] 蔡洪波，张新平，谭卓立，等. 从助人到育人：高校发展型资助模式探索与实践——以北京大学城市与环境学院为例[J]. 北京教育（高教），2022 年第6 期，第56-58 页。

[3] 曾德麟，蔡家玮，欧阳桃花. 数字化转型研究：整合框架与未来展望[J]. 外国经济与管理，2021 年第5 期，第63-76 页。

[4] 陈浩. 人力资本对经济增长影响的结构分析[J]. 数量经济技术经济研究，2007 年第8 期，第59-68 页。

[5] 陈昆玉. 上市公司技术创新、融资与成长[J]. 科研管理，2015 年第3 期，第64-70 页。

[6] 陈爽英，杨晨秀，井润田. 已吸收冗余、政治关系强度与研发投资[J]. 科研管理，2017 年第4 期，第46-53 页。

[7] 陈煜波，马晔风. 数字人才——中国经济数字化转型的核心驱动力[J]. 清华管理评论，2018 年第Z1 期，第30-40 页。

[8] 龚浩，孙天翊，高珂. 赋能与共享：发展职业教育对推进共同富裕的作用机制研究[J]. 教育与经济，2023 年第4 期，第13-23 页。

[9] 贡文伟，袁煜，朱雪春. 联盟网络、探索式创新与企业绩效——基于冗余资源的调节作用[J]. 软科学，2020 年第7 期，第114-120 页。

[10] 韩跃，郑勇. 财务冗余、人力资源冗余与公司绩效——来自我国上市公司的经验数据[J]. 山东财经大学学报，2019 年第6 期，第97-107 页。

[11] 郝楠. 劳动力就业“极化”、技能溢价与技术创新[J]. 经济学家，2017 年第8 期，第27-32 页。

[12] 胡钰. 增强创新驱动发展新动力[J]. 中国软科学，2013 年第11 期，第1-9 页。

[13] 黄燕萍，刘榆，吴一群，等. 中国地区经济增长差异：基于分级教育的效应[J]. 经济研究，2013 年第4 期，第94-105 页。

[14] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济，2022 年第5 期，第100-120 页。

[15] 江永红，张彬，郝楠. 产业结构升级是否引致劳动力“极化”现象[J]. 经济学家，2016 年第3 期，第24-31 页。

[16] 蒋伏心，王竹君，白俊红. 环境规制对技术创新影响的双重效应——基于江苏制造业动态面板数据的实证研究[J]. 中国工业经济，2013 年第7 期，第44-55 页。

[17] 李红阳，邵敏. 城市规模、技能差异与劳动者工资收入[J]. 管理世界，2017 年第8 期，第36-51 页。

[18] 梁文泉，陆铭. 城市人力资本的分化：探索不同技能劳动者的互补和空间集聚[J]. 经济社会体制比较，2015年第3 期，第185-197 页。

[19] 凌文辁，张治灿，方俐洛. 中国职工组织承诺研究[J]. 中国社会科学，2001 年第2 期，第90-102+206 页。

[20] 刘智勇，李海峥，胡永远，等. 人力资本结构高级化与经济增长——兼论东中西部地区差距的形成和缩小[J].经济研究，2018 年第3 期，第50-63 页。

[21] 卢馨. 企业人力资本、Ramp;D 与自主创新——基于高新技术上市企业的经验证据[J]. 暨南学报（哲学社会科学版），2013 年第1 期，第104-117+163 页。

[22] 马颖，何清，李静. 行业间人力资本错配及其对产出的影响[J]. 中国工业经济，2018 年第11 期，第5-23 页。

[23] 毛宁，孙伟增，杨运杰，等. 交通基础设施建设与企业数字化转型——以中国高速铁路为例的实证研究[J]. 数量经济技术经济研究，2022 年第10 期，第47-67 页。

[24] 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 年第8 期，第79-92 页。

[25] 潘蓉蓉，罗建强，杨子超. 冗余资源与吸收能力调节作用下的制造企业服务化与企业价值研究[J]. 管理学报，

2021 年第12 期，第1772-1779 页。

[26] 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[J]. 现代财经（天津财经大学学报），2023 年第4 期，第3-22 页。

[27] 乔治·J·鲍哈斯. 劳动经济学（第三版）[M]. 夏业良译，北京：中国人民大学出版社，2010。

[28] 宋建，郑江淮. 中国企业创新与劳动技能升级：基于生产率频谱效应视角[J]. 世界经济，2022 年第10 期，第28-57 页。

[29] 苏昕，刘昊龙. 多元化经营对研发投入的影响机制研究——基于组织冗余的中介作用[J]. 科研管理，2018 年第1 期，第126-134 页。

[30] 孙黎，常添惠. 企业数字化转型与对外直接投资[J]. 武汉大学学报（哲学社会科学版），2024 年第2 期，第145-158 页。

[31] 孙早，侯玉琳. 工业智能化如何重塑劳动力就业结构[J]. 中国工业经济，2019 年第5 期，第61-79 页。

[32] 汪前元，魏守道，金山，等. 工业智能化的就业效应研究——基于劳动者技能和性别的空间计量分析[J]. 管理世界，2022 年第10 期，第110-126 页。

[33] 王才. 数字化转型对企业创新绩效的作用机制研究[J]. 当代经济管理，2021 年第3 期，第34-42 页。

[34] 王珏，祝继高. 劳动保护能促进企业高学历员工的创新吗？——基于A 股上市公司的实证研究[J]. 管理世界，2018 年第3 期，第139-152+166+184 页。

[35] 王涛. 人力资源管理数字化转型：要素、模式与路径[J]. 中国劳动，2021 年第6 期，第35-47 页。

[36] 王晓红，李娜，陈宇. 冗余资源调节、数字化转型与企业高质量发展[J]. 山西财经大学学报，2022 年第8 期，第72-84 页。

[37] 王亚妮，程新生. 环境不确定性、沉淀性冗余资源与企业创新——基于中国制造业上市公司的经验证据[J]. 科学学研究，2014 年第8 期，第1242-1250 页。

[38] 王永钦，董雯. 机器人的兴起如何影响中国劳动力市场？——来自制造业上市公司的证据[J]. 经济研究，2020年第10 期，第159-175 页。

[39] 吴非，常曦，任晓怡. 政府驱动型创新：财政科技支出与企业数字化转型[J]. 财政研究，2021 年第1 期，第102-115 页。

[40] 夏怡然，陆铭. 跨越世纪的城市人力资本足迹——历史遗产、政策冲击和劳动力流动[J]. 经济研究，2019 年第1 期，第132-149 页。

[41] 肖曙光，杨洁. 高管股权激励促进企业升级了吗——来自中国上市公司的经验证据[J]. 南开管理评论，2018年第3 期，第66-75 页。

[42] 肖土盛，孙瑞琦，袁淳，等. 企业数字化转型、人力资本结构调整与劳动收入份额[J]. 管理世界，2022 年第12 期，第220-237 页。

[43] 谢忠强，成文雅. 中国式现代化语境中我国数字生态文明建设的重大意义、现实困境与发展进路[J]. 当代经济研究，2024 年第4 期，第52-60 页。

[44] 鄢杰，涂训，郑静. 高等教育扩张与个人收入阶层流动——基于高校扩招的政策评估[J]. 当代经济科学，2023年第5 期，第115-127 页。

[45] 杨建芳，龚六堂，张庆华. 人力资本形成及其对经济增长的影响——一个包含教育和健康投入的内生增长模型及其检验[J]. 管理世界，2006 年第5 期，第10-18+34+171 页。

[46] 姚小涛，亓晖，刘琳琳，等. 企业数字化转型：再认识与再出发[J]. 西安交通大学学报（社会科学版），2022年第3 期，第1-9 页。

[47] 张国强，温军，汤向俊. 中国人力资本、人力资本结构与产业结构升级[J]. 中国人口·资源与环境，2011 年第10 期，第138-146 页。

[48] 张国胜，杜鹏飞. 数字化转型对我国企业技术创新的影响：增量还是提质？[J]. 经济管理，2022 年第6 期，第82-96 页。

[49] 张守凤，刘昊蓉. 人力资本结构对企业科技创新绩效的影响[J]. 科技进步与对策，2023 年第14 期，第62-73 页。

[50] 赵宸宇，王文春，李雪松. 数字化转型如何影响企业全要素生产率[J]. 财贸经济，2021 年第7 期，第114-129 页。

[51] 赵凤，王铁男，王宇. 开放式创新中的外部技术获取与产品多元化：动态能力的调节作用研究[J]. 管理评论，2016 年第6 期，第76-85+99 页。

[52] 赵丽锦，胡晓明. 企业数字化转型的基本逻辑、驱动因素与实现路径[J]. 企业经济，2022 年第10 期，第16-26 页。

[53] 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 年第10 期，第150-169 页。

[54] 赵增耀，王喜. 产业竞争力、企业技术能力与外资的溢出效应——基于我国汽车产业吸收能力的实证分析[J].

管理世界，2007 年第12 期，第58-66 页。

[55] 甄红线，王玺，方红星. 知识产权行政保护与企业数字化转型[J]. 经济研究，2023 年第11 期，第62-79 页。

[56] Acemoglu， D.， “Patterns of skill premia”， Review of Economic Studies， 2003， 70（2）： 199-230.

[57] Acemoglu， D.， “Technical change， and the labor inequality， market”， Journal of Economic Literature， 2002， 40（1）： 7-72.

[58] Acemoglu， D.， and Autor， D.， “Skills， tasks and technologies： Implications for employment and earnings”， Handbook of Labor Economics， 2011， 4： 1043-1171.

[59] Acemoglu， D.， and Restrepo， P. “Automation and new tasks： How technology displaces and reinstates labor”， Journal of Economic Perspectives， 2019， 33（2）： 3-30.

[60] Acemoglu， D.， and Restrepo， P. “The race between man and machine： Implications of technology for growth， factor shares， and employment”， American Economic Review， 2018， 108（6）： 1488-1542.

[61] Andersson， D. E.， Gunessee， S.， Matthiessen， C. W.， et al.， “The geography of Chinese science”， Environment and Planning A： Economy and Space， 2014， 46（12）： 2950-2971.

[62] Argote， L.， and Ingram， P. “knowledge transfer： a basis for competitive advantage in firms”， Organizational Behavior and Human Decision Processes， 2000， 82（1）： 150-169.

[63] Autor， D. H.， Levy， F.， and Murnane， R. J. “Skill demand， inequality， and computerization： Connecting the dots”，Technology， Growth， and the Labor Market， 2003： 107-129.

[64] Becker， G. S. “Investment in human capital： A theoretical analysis”， Journal of Political Economy， 1962， 70（5， Part 2）：9-49.

[65] Becker， G. S. “Investment in human capital： effects on earnings”， NBER， 1975： 13-44.

[66] Bertschek， I.， and Marlene， M. “Productivity effects of it-outsourcing： semiparametric evidence for german companies”， Physica-Verlag HD， 2006： 130-154.

[67] Bhardwaj， A.， Sawy， O. A. E.， Pavlou， P. A.， et al. “Digital business strategy： toward a next generation of insights”，MIS Quarterly， 2013， 37（2）： 471-482.

[68] Brynjolfsson， E.， and Mcafee， A. “The second machine age： work， progress， and prosperity in a time of brilliant technologies”， WW Norton amp; Company， 2014， 14（11）： 1895-1896.

[69] Chen， T.， Kung， J. K.， and Ma， C. “Long live Keju！ The persistent effects of China’s civil examination system”， The Economic Journal， 2020， 130（631）： 2030-2064.

[70] Cruz-Ros， S.， Guerrero， S.， Diana， L.， and Miquel-Romero， M. J. “Absorptive capacity and its impact on innovation and performance： findings from SEM and fsQCA”， Review of Managerial Science， 2018， 15： 235-249.

[71] Davis， F. D.， “Technology acceptance model： TAM”， In M. N. Al-Suqri， amp; A. S. Al-Aufi （Eds.）， Information Seeking Behavior and Technology Adoption， 1989： 205-219.

[72] Dewan， S.， Ernst， E.， and Achkar， H. S. “World employment and social outlook： trends 2022”， International Labour Organization， 2022.

[73] Dorn， D.， “Essays on inequality， spatial interaction， and the demand for skills”， Verlag Nicht Ermittelbar， 2009.

[74] Gould， E. D， Moav， O.， and Weinberg， B. A. “Skill obsolescence and wage inequality within education groups”. The Economics of Skills Obsolescence. Emerald Group Publishing Limited， 2002： 215-234.

[75] Hervas-Oliver， J. L.， Boronat-Moll， C.， and Sempere-Ripoll， F. “On process innovation capabilities in smes： a taxonomy of process‐oriented innovative SMEs”， Journal of Small Business Management， 2016， 54（S1）： 113-134.

[76] Hogan， S. J.， Soutar， G. N.， and Mccoll-Kennedy， J. R.， et al. “Reconceptualizing professional service firm innovation capability： Scale development”， Industrial Marketing Management， 2011， 40（8）： 1264-1273.

[77] Kane， G. C.， Palmer， D.， and Phillips， A. N.， et al. “Strategy， not technology， drives digital transformation”， MIT Sloan Management Review， 2015.

[78] Mamduh， A.， and Pratikto， H. “Technology orientation and innovation capability in the digital transformation process of SMEs： A review”， International Journal of Research in Business and Social Science， 2021， 10（8）： 2147-4478.

[79] Marvel， M. R.， and Lumpkin， G. T. “Technology entrepreneurs’ human capital and its effects on innovation radicalness”，Entrepreneurship Theory and Practice， 2007， 31（6）： 807-828.

[80] Muller， A.， and Kolk， A. “Extrinsic and intrinsic drivers of corporate social performance： Evidence from foreign and domestic firms in Mexico”， Journal of Management Studies， 2010， 47（1）： 1-26.

[81] Roy， I. “Role of human resource practices in absorptive capacity and Ramp;D cooperation”， Journal of Evolutionary Economics， 2018， 28： 885-913.

[82] Schultz， T. W. “Investment in human capital”， American Economic Review， 1961， 51： 1-17.

[83] Svahn， F.， Mathiassen， L.， and Lindgren， R. “Embracing digital innovation in incumbent firms”， MIS Quarterly， 2017，41（1）： 239-254.

[84] Woessmann， L. “Schooling resources， educational institutions， and student performance： The international evidence”，Oxford Bulletin of Economics and Statistics， 2003， 65（2）： 117-170.

[85] Zahra， S. A.， and George， G. “Absorptive capacity： a review， reconceptualization， and extension”， Academy of Management Review， 2002， 27（2）： 185-203.