資質認定與技能勞動力結構

摘 要：優化企業技能勞動力結構不僅成為企業贏取競爭優勢的重要渠道，更是驅動經濟高質量發展的關鍵所在。本文基于2015-2022年我國滬深A股上市企業數據，將專精特新“小巨人”企業認定政策視為準自然實驗，構建多期雙重差分模型探究試點政策對企業技能勞動力結構的實際影響和作用渠道。研究發現：（1）“小巨人”資質認定顯著優化了企業技能勞動力結構，具體表現為高技能勞動力的創造效應。（2）機制檢驗表明，“小巨人”認定政策通過促進企業智能制造轉型、高端創新以及動態吸收能力間接優化技能勞動力結構。（3）異質性檢驗發現，“小巨人”認定政策表現出強烈的地理區位、行業以及生產要素密集度異質性特征。具體來看，政策效應在東部地區、制造業以及技術密集型企業更為顯著。（4）經濟后果檢驗發現，“小巨人”認定政策在優化技能勞動力結構的基礎上，能夠進一步提高企業勞動力配置效率和勞動生產效率。研究結論拓展了企業技能勞動力結構影響因素的研究視角，也為緩解我國就業結構性矛盾提供政策建議。

關鍵詞：專精特新“小巨人”；資質認定；技能勞動力結構；創造效應

中圖分類號：F272.92 文獻標志碼：A 文章編號：1672-626X（2025）02-0039-15

一、引言

就業結構性矛盾是指因經濟結構與勞動力結構的不對應引發的就業崗位供求之間的不匹配，外在表現為企業“招工難”與勞動力“就業難”并存[1]。一方面，在經濟結構的調整或產業轉型升級過程中，勞動力市場能夠滿足企業所需的高層次研發人員和高技能人才嚴重短缺，導致技能人才斷檔成為制造業升級“卡脖子”問題。另一方面，企業內技能人才培養體系尚不完善，培養內容與企業實際需求脫節，難以提升在職員工的技能水平，進而加劇了高技能人才流失和斷檔。為了緩解就業結構性矛盾，2024年初，人社部、國家發展改革委、教育部、科技部、財政部、國務院國資委、全國總工會等七部門印發《關于實施高技能領軍人才培育計劃的通知》，文件中提出“力爭用三年左右時間，全國培育領軍人才1.5萬人次以上，帶動新增高技能人才500萬人次左右”的目標。由此可見，高技能勞動力是激發企業活力的“主力軍”，提升勞動者技能是緩解我國就業結構性矛盾的先決條件。企業作為就業的深厚“蓄水池”，是提供就業崗位和優化就業結構的關鍵主體，在高質量發展階段承擔著“穩就業”的社會重任[2]。因此，企業亟需轉變勞動力雇傭決策，優化技能勞動力結構和供給質量勢在必行。但是，如何優化技能勞動力結構？這一關鍵問題不僅要釋放企業高質量實體投資意愿、增加其對技能勞動力的雇傭需求[3]，還要引導企業建立市場化薪酬機制和對雇員的長效培訓體制、以更好地吸引高技能勞動力，而這均依托于持續且穩定的國家戰略型政策支持[4]。

2018年末，工業和信息化部首次提出在全國范圍內開展專精特新“小巨人”企業的培育工作。截至2022年底，工業和信息化部已公布四批共計9279家國家級專精特新“小巨人”企業，其中經過實際培育和認定的為8997家，且其中719家企業已在滬深A股上市。我國已初步形成以專精特新企業孵化帶動、跟進躍升的高質量梯次發展格局[5]。專精特新“小巨人”企業作為“專精特新”中小企業的佼佼者，專注于細分市場，具備強大的創新能力、較高的市場占有率、掌握關鍵核心技術，并在質量和效益方面表現優異，成為行業的領軍企業，更是成為我國制造業強鏈補鏈、解決核心技術“卡脖子”瓶頸的利器[6]?？v觀既有文獻，有關專精特新“小巨人”企業認定政策（以下簡稱“小巨人”認定政策）的研究大多數聚焦其創新績效[7]、數字化轉型[8]及空間集聚特征[9]等定量研究，也有研究考察了“小巨人”認定政策的穩就業效應，認為試點政策的深入促進了企業勞動雇傭規模的增長，但是鮮有文獻關注“小巨人”認定政策對企業技能勞動力結構的影響[5]。那么，在面臨企業“招工難”與勞動力“就業難”的矛盾背景下，能否牢牢把握“小巨人”資質認定這一重大戰略紅利，優化技能勞動力結構？其內在作用機制及異質性表現如何？能否進一步為企業帶來經濟效益？本文圍繞上述問題展開討論，對緩解我國就業結構性矛盾，促進企業高技能人才培養具有重要的理論和實踐意義。

基于此，本文采用2015—2022年國家級專精特新“小巨人”上市企業面板數據，解構“小巨人”認定政策對技能勞動力結構的影響。與現有研究比較，本文的邊際貢獻體現在：第一，以國家級專精特新“小巨人”認定政策為準自然實驗，構建多期雙重差分模型，實證檢驗試點政策的高技能勞動力的創造效應，拓展了“小巨人”認定政策在就業層面的實證研究。第二，鑒于企業智能制造轉型、高端創新及動態吸收能力的三維視角，分析“小巨人”認定政策優化技能勞動力結構的間接路徑，強化二者之間深層次的邏輯關聯；第三，在“小巨人”企業地理區位、行業、生產要素密集度的基礎上，探究“小巨人”認定政策調整技能勞動力結構所表現出的異質性特征，豐富了研究內容。第四，進一步檢驗“小巨人”認定政策在優化技能勞動力結構的基礎上所釋放的經濟紅利。研究內容對我國加速形成以專精特新企業孵化帶動、跟進躍升的高質量梯次發展格局具有重要的啟示作用。

二、理論分析與研究假設

（一）“小巨人”認定政策優化技能勞動力結構的直接效應

“小巨人”資質認定從政策、資本、競爭價值層面共同為企業技能勞動力優化提供底層支撐。第一，在政策價值層面，“小巨人”企業相比于未獲得資質認定的同行業企業獲得了大量資金補貼、費用減免、稅收返還等真金白銀的“硬”扶持以及人才引進、場景應用開放等政策“軟”支持[10]，從而降低企業雇傭成本、擴大生產規模、提升質量效益，以此提高企業雇傭能力，使企業更有能力吸引和培養高素質人才。第二，在資本價值層面，“小巨人”認定政策能夠有效降低企業股價波動風險[11]，獲得更多投資者的青睞和供應鏈伙伴數量[12]；在新聞媒體宣傳下企業自身在行業中的知名度、社會上的美譽度得以鍛造，從而獲得多層次資本市場股權融資，享受金融機構的優惠融資服務。技能勞動力結構的優化自然離不開這番金融“活水”的灌溉。第三，在競爭價值層面，對于試點企業，“小巨人”資質認定并非一勞永逸，其資格有效期僅有三年，若要在激烈的名額競爭中站穩腳跟，企業需要吸引更多的高技能人才保持自身的競爭力優勢[5]。對于非試點企業，一方面，基于馬太效應理論，“小巨人”企業因享有政策扶持而占據絕大部分的市場份額，甚至存在“贏者通吃”現象[13]，導致未獲得資質認定的同行業企業產生“憂患”或“追趕”意識，設法吸引保留高素質人才，以免被市場淘汰。另一方面，基于溢出效應理論，“小巨人”企業發揮以點帶面的作用，帶動未獲得資質認定的同行業企業提高勞動力技能水平，以跨越“小巨人”認定門檻[14]。基于此，本文提出假設1：

H1：“小巨人”認定政策能夠優化企業技能勞動力結構，具體表現為高技能勞動力的創造效應。

（二）“小巨人”認定政策優化技能勞動力結構的間接效應

1. 智能制造轉型

《“十四五”智能制造發展規劃》明確提出，發揮“小巨人”企業的示范引領作用，推進企業智能制造轉型的進程。首先，“專精特新”戰略支持重點“小巨人”企業推進數字化、網絡化、智能化改造，鼓勵企業將業務系統向?云端遷移，這有助于企業引入先進的制造技術和信息化系統[8]。其次，政策的實施提高了企業的申報門檻，包括專業化、精細化等方面的具體指標，倒逼“小巨人”企業通過持續的技術創新和管理創新，實現在市場競爭中的差異化發展，進一步推動企業的智能制造轉型[15]。人工智能與機器人技術被視為推動企業智能制造轉型的關鍵驅動力，其迅猛發展勢必對就業結構造成重大沖擊，逐漸形成技能結構的兩極分化現象[16]。人工智能技術的快速變革及其在各領域的廣泛應用，引發人們對“機器換人”和結構性失業的擔憂，它不僅僅改變了現有企業對于常規和非常規勞動力的需求結構，新技術還不斷創造出新職業和新崗位，企業對非常規勞動力的需求進一步增加[17]。機器人科技等新興技術能夠替代那些低復雜性和重復性的工作，從而顯著降低企業的勞動力成本，提升生產效率。這種技術進步會對勞動力市場產生擠出效應，減少對中低技能勞動力的需求，尤其是在需要高頻繁重復操作的崗位上，企業對這些工種的依賴將大大減少[18]。

2. 高端創新

“小巨人”認定政策與其他科技創新政策有著本質上的區別，更加關注企業高層次技術創新能力以及在整個產業鏈中的強鏈補鏈效果。這是因為，“專精特新”企業培育名單具有“認證效應”，需要同時滿足專、精、特、新、鏈、品6個指標，代表官方對企業技術水平和創新能力的認可。因此，國內學者對于“小巨人”認定政策的高層次創新效應也開展了相關研究，其中湛泳和馬從文（2024）[19]認為“專精特新”中小企業享有減稅降費的紅利，增加企業創新投資意愿，緩解企業創新“低端鎖定”的困境，從而促進高端創新；楊中楷和祭敏（2024）[20]基于2018—2022年200家專精特新“小巨人”A股上市企業的財務數據與發明專利數據，研究發現專精特新“小巨人”企業培育可以促進發明專利的質量。隨著“小巨人”企業認定門檻的升級，對企業的創新水平提出更高的要求，在技術創新驅動下，就業崗位的創造和替代作用并存，不同的技術創新模式對就業的影響也不同[21]。從替代效應看，“劉易斯”拐點的到來，意味著資本和高技能勞動將作為一個組合來替代低技能勞動力的可預測的、程序性任務，促使就業結構升級[22]，這意味著中小企業對勞動者素質提出更高要求，需要提高內部技術創新水平，解決“技工荒”所帶來的勞動力成本高漲問題。從創造效應看，低技能勞動力在被替代后，重新就業并找到適配的新崗位需要經歷一定的時間和成本。在勞動力的技能供給與技術進步需求之間存在不匹配時，可能會引發結構性失業問題[23]。所以，企業為了提高全要素生產率、緩解結構性就業矛盾，將利用技術創新倒逼非技能勞動力向技能勞動力轉變，改變企業勞動力技能結構，高技能勞動力的需求也隨之持續增加，高技能勞動力的就業趨于穩定[24]。

3. 動態吸收能力

動態吸收能力被定義為企業識別、獲取、轉化并應用外部新知識以創造價值的能力，是企業實現持續創新與保持競爭優勢的關鍵先決條件[25]。一方面，“小巨人”認定政策享有對研發活動的直接補貼、稅收減免以及研發費用加計扣除等激勵措施，這些政策降低了企業研發投入的成本風險，通過持續穩定的研發投入，企業能夠更快地吸收和應用前沿知識和技術，增強其動態吸收能力[26]。另一方面，強化知識產權保護是“小巨人”認定政策的重要組成部分，健全的知識產權保護體系激發了企業的創新活力，進一步增強了企業的動態吸收能力[27]。隨著動態能力的提高，企業將更加注重對具備創新精神和學習能力的高技能人才的追逐，并加大對現有員工的技能培訓，助力企業更好地識別和應用外部知識。

鑒于以上理論分析，本文提出假設2：

H2a：“小巨人”認定政策可以推動企業智能制造轉型，間接優化企業技能勞動力結構。

H2b：“小巨人”認定政策通過提高企業高端創新水平間接優化企業技能勞動力結構。

H2c：“小巨人”認定政策通過提升企業動態吸收能力間接優化企業技能勞動力結構。

三、研究設計

（一）樣本選擇與數據來源

本文以2015—2022年我國滬深A股上市企業作為研究樣本，并在數據的選擇上進行如下處理。首先，剔除金融和保險行業樣本、被ST和*ST樣本以及主要變量存在缺失的樣本；其次，為了減少極端值對統計分析的干擾，采用縮尾處理使所有連續型變量控制在上下1%的范圍內?？紤]到處理組中存在2015年及之后上市的“小巨人”企業，剔除后會低估“小巨人”資質認定的政策效應，所以保持處理組非平衡樣本、對照組平衡樣本。經上述處理，最終研究樣本包括19356個觀測值。其中，包括獲得“小巨人”資質認定的583家處理組企業，以及未獲評“小巨人”資質認定的2117家對照組企業。

“小巨人”企業的資質認定數據來源于萬得（WIND）數據庫，并與工業和信息化部官網公布的“小巨人”企業名單進行逐一比對?；A數據主要采集自國泰安數據庫（CSMAR）和中國研究數據平臺（CNRDS），對于存在數據缺失的部分，通過查閱相關上市公司的年報進行補充和完善。

（二）變量說明

1. 被解釋變量

技能勞動力結構（[Tech_labor]）。目前學術界關于企業技能勞動力結構的量化標準尚未形成統一，可以歸納總結為以下幾種度量方式。其一，以勞動力工種為劃分標準，將上市企業生產人員歸類為低技能勞動力，技術人員歸類為高技能勞動力[24]；其二，以所受教育層次為劃分依據，將企業員工中學歷為?？萍耙韵碌膯T工視為低技能勞動力，學歷為本科及以上的員工視為高技能勞動力[28]。對比兩種劃分方法，按勞動力工種劃分注重企業員工在實踐中的應用能力和技術技能，更能體現簡單勞動與技能勞動的差異性。從平均水平來說，與技術和研發人員相比，生產、業務、市場和財務人員從事的工作更趨于常規性和低技能性[29]。因此本文將生產、業務、市場和財務人員界定為常規低技能勞動力，技術和研發人員界定為非常規高技能勞動力。以高技能勞動力所占企業雇員總數比例作為企業技能勞動力結構的代理指標，并在后文實證分析中以企業員工中學歷為研究生及以上的員工比重作為穩健性指標。

2. 解釋變量

“小巨人”認定政策（[Giant]）。本文通過“小巨人”企業培育名單來判斷滬深A股上市企業是否獲得2019—2022年期間國家級專精特新“小巨人”資質認定，從而構建虛擬變量。具體地，若上述企業獲得資質認定的當年及以后年份賦值為1，否則為0。

3. 控制變量

為提高模型估計的精度，加入了一系列可能會對企業技能勞動力結構產生影響的控制變量，包括：企業規模（[Size]）、資產負債率（[Lev]）、總資產凈利潤率（[Roa]）、現金流比率（[Cashflow]）、獨立董事占比（[Indep]）、兩職合一（[Dual]）、第一大股東持股比例（[Top1]）、管理費用率（[Mfee]）。[]

（三）模型設計

“小巨人”認定政策于2019年首次落地執行，采用分期認定的方式，因此，本文選擇構建多期雙重差分模型探究“小巨人”認定政策對企業技能勞動力結構的沖擊效果。基準回歸模型如下：

[Tech_laborit=α0+α1Giantit+α2Controlit+λi+μt+εit] （1）

式（1）中，[Tech_laborit]為被解釋變量，表示公司i在t年的技能勞動力結構；[Giantit]為核心解釋變量，即“小巨人”認定政策；[Controlit]為控制變量；[λi]與[μt]分別為企業固定效應和時間固定效應；[εit]為隨機擾動項。主要變量的具體含義見表1。

四、實證分析

（一）描述性統計分析

表2匯報了主要變量的描述性統計結果。[Tech_labor]最大值為0.824，最小值為0.000，說明我國企業技能勞動力結構存在差異；[Tech_labor]的平均值0.218大于中位數0.164，說明企業技能勞動力結構有待進一步優化；[Giant]的平均值為0.055，說明獲得“小巨人”資質認定的企業占據5.5%，“小巨人”認定門檻越來越高。

（二）基準回歸分析

在進行基準回歸之前，分別對各個解釋變量之間的相關性系數和方差膨脹因子（VIF）進行了計算。結果表明，各解釋變量兩兩之間的相關性系數絕對值均小于0.8，且所有解釋變量的VIF值均遠低于10。即各解釋變量間不存在顯著的多重共線性問題，由相關關系導致模型估計失真的可能性較小。

表3報告了“小巨人”認定政策影響技能勞動力結構的基準回歸結果。第（1）～（2）列是不考慮控制變量前提下，只控制企業固定效應和企業、時間雙固定效應下的回歸結果；而第（3）～（4）列是加入一系列可能會對企業技能勞動力結構產生影響的控制變量的回歸結果?？梢园l現，[Giant]的估計系數均在1%的水平上顯著為正，即“小巨人”認定政策能夠優化企業技能勞動力結構，具體表現為高技能勞動力的創造效應。假設H1得到驗證。

（三）穩健性分析

1. 平行趨勢檢驗

多時點雙重差分模型的前提是滿足平行趨勢假設，即“小巨人”認定政策實施之前，處理組與對照組企業技能勞動力結構變化趨勢是一致的。因此，參考Jacobson等（1993）[30]提出的事件研究法對動態效應進行考察，構建如下模型：

[Tech_laborit=α0+α1-6≤k≤3δkGiantkit+α2Controlit+λi+μt+εit] （2）

其中，[Giantkit]為虛擬變量，定義[ni]為企業首次受到“小巨人”認定政策影響的年份，則[t-ni=k]（k=-6，-5，-4，-3，-2，-1，0，1，2，3）；[δk]反映試點政策在不同時點下對企業技能勞動力結構的動態影響；其他變量同基準回歸模型。本文以政策實施前一年（[t-ni=-1]）為基期，動態效應檢驗結果如圖1所示?？梢园l現，在“小巨人”認定政策推行之前，估計系數[δk]不顯著（90%的置信區間），即處理組企業與對照組企業之間關于技能勞動力結構的變化趨勢基本保持一致，平行趨勢檢驗通過。而政策實施的當年及之后，估計系數[δk]呈現顯著為正的上升趨勢，這表明在“小巨人”認定政策沖擊下，企業的技能勞動力結構得到優化。進一步考慮到，在使用多時點雙重差分模型來識別政策效果時，可能會由于“異質性處理效應”的存在，導致估計結果出現顯著的偏誤。因此，本文借鑒余明桂等（2024）[28]的研究思路，構建CSDID模型來排除異質性干擾，該模型下政策前后的動態效應如圖2所示，并在后續穩健性檢驗中呈現CSDID的回歸結果。由圖2可以看出，排除異質性干擾后，政策試點前的處理組企業與對照組企業依舊滿足平行趨勢檢驗。

2. 安慰劑檢驗

考慮到“小巨人”認定政策可能會受到不可觀測因素和其他隨機因素的干擾，導致基準回歸結果具有隨機性。因此，本文采用安慰劑檢驗來驗證基準回歸結果的穩健性。具體而言，本文參考Ferrara等（2012）[31]的研究方法，通過隨機抽樣1000次構建“偽小巨人認定政策虛擬變量”進行回歸模擬。結果如圖3所示，[Giant]估計系數基本集中分布于0值附近，絕大多數系數的P值落在0.1～1值之間，且真實的回歸估計系數（0.788）位于虛假回歸估計結果分布的高尾區域，這表明估計結果并非偶然發生，受到不可觀測因素和其他隨機因素影響的可能性較小。因此，安慰劑檢驗通過，基準回歸結果具有較強的穩健性和可信度。

3. PSM-DID

為了緩解樣本選擇性偏差，本文使用PSM-DID進行穩健性檢驗。具體而言，將“小巨人”企業作為處理組，未獲資質認定的企業作為對照組，以模型（1）中的所有控制變量作為協變量，依次采用核匹配、近鄰匹配（1：1）、卡尺匹配三種方法對不同組別樣本進行篩選和匹配。回歸結果見表4，可以發現，任一匹配方式下，[Giant]估計系數均在5%的顯著性水平上為正，這表明利用PSM方法匹配后的樣本進行回歸分析，能夠有效控制企業異質性引起的樣本選擇偏差，從而提高估計結果的可靠性。

4. 調整研究樣本區間

（1）調整控制類型。本文在控制企業、時間固定效應的基礎上繼續控制行業固定效應和省份固定效應；（2）調整聚類類型。在基準回歸模型的基礎上加入企業層面的聚類穩健性標準誤；（3）剔除部分樣本。鑒于2015年中國股災和2018年亞洲金融危機的沖擊，為了排除這些外部不可控因素可能帶來的觀測誤差，本研究剔除2015年與2018年的企業樣本。上述穩健性檢驗結果見表5第（1）～（3）列，[Giant]回歸系數基本顯著為正，基準回歸結果再次得到驗證。

5. 其他穩健性檢驗

（1）更換被解釋變量。以企業員工中學歷為研究生及以上的員工比重作為被解釋變量的替代指標；（2）反事實檢驗。將試點政策滯后2期推行并重新構建虛擬變量[Did1]，將試點政策提前2期實施并重新構建虛擬變量[Did2]。若Did1估計系數顯著為正，Did2估計系數不顯著，則反事實檢驗成立；（3）排除同期政策干擾?？紤]到“小巨人”認定政策對技能勞動力結構的優化可能受到企業外部環境的干擾，導致基準結果可能存在估計偏差的問題，選擇性排除《企業智能制造發展規劃》（[Policy1]）和企業人才引進政策（[Policy2]）的影響。（4）更換回歸模型。構建CSDID模型，排除異質性處理效應對多期DID模型回歸結果的干擾。以上4種穩健性檢驗的回歸結果見表6，可以發現，[Giant]估計系數均顯著為正，基準回歸結果穩健可信。

五、機制檢驗與異質性分析

（一）機制檢驗

基于前文的理論分析，“小巨人”認定政策可以促進企業智能制造轉型、高端創新、動態吸收能力，間接優化企業技能勞動力結構。本文借鑒溫忠麟和葉寶娟（2014）[32]的研究思路，采用逐步法檢驗上述機制是否存在，具體模型設定如下：

[Medit=β0+β1Dtit+β2Controlit+λi+μt+εit] （3）

[Tech_laborit=β0+β1Giantit+β2Medit+β3Controlit+λi+μt+εit] （4）

其中，[Medit] 為機制變量，即智能制造轉型（[Imt]）、高端創新（[Explora]）和動態吸收能力（[Ac]），其他變量定義同模型（1）。

1. 智能制造轉型

借鑒郭磊等（2020）[33]的研究方法，以2015—2022年A股上市企業年報內容為語料，利用深度學習技術提取財經語境下的“智能制造”關鍵詞集，作為企業智能制造轉型（[Imt]）的替代變量。該中介效應檢驗結果見表7第（1）～（2）列，[Giant]和[Imt]的回歸系數均顯著為正，智能制造轉型通過機制檢驗。這表明“小巨人”認定政策可以通過促進智能制造轉型，取代低復雜性、重復的工作崗位，為企業高技能勞動力的雇傭騰出薪資空間，間接優化企業技能勞動力結構。由此，假設H2a成立。

2. 高端創新

專精特新企業培育名單具有“認證效應”，而“小巨人”企業作為專精特新中小企業中的佼佼者，具備一定的技術水平和創新能力。因此，借鑒湛泳和馬從文（2024）[19]的研究，以企業發明專利申請量的對數值作為企業高端創新的代理變量?；貧w結果見表7第（3）～（4）列，[Giant]和[Explora]的回歸系數均顯著正相關，即“小巨人”認定政策能夠打破企業創新“低端鎖定”的困境，提升高端創新能力，助力企業技能勞動力結構的優化。由此，假設H2b成立。

3. 動態吸收能力

參考寇明婷等（2024）[34]的做法，以企業研發支出與凈資產之比來衡量其動態吸收能力的強弱?；貧w結果見表7第（5）～（6）列，[Giant]和[Ac]的回歸系數均在1%的水平上顯著正相關，吸收能力通過機制檢驗，即“小巨人”認定政策可以助力企業更好地識別與應用前沿知識和技術，提高其動態吸收能力，間接優化企業技能勞動力結構。由此，假設H2c得以驗證。

表8匯報了Bootstrap檢驗的結果，以進一步確定智能制造轉型、高端創新以及動態吸收能力在“小巨人”認定政策與企業技能勞動力結構之間的中介效應。由表8結果可以發現，三個中介變量間接效應的置信區間均不包含0，說明存在中介效應；同時，三個中介變量直接效應的置信區間也不包括0，表明智能制造轉型、高端創新以及動態吸收能力起部分中介作用。綜上所述，假設H2成立。

（二）異質性分析

在實證檢驗“小巨人”認定政策對企業技能勞動力結構的異質性影響之前，分別對地理區位異質性、行業異質性以及生產要素異質性進行組間系數差異性檢驗。Chow檢驗結果顯示，其p值均在1%水平上顯著為正，即組間系數存在顯著性差異。

1. 地理區位異質性

東部地區由于其產業基礎、經濟環境、營商環境和政策支持等多重優勢，促進了“小巨人”企業的高度集聚。因此，東部地區的“小巨人”企業數量明顯領先于中西部地區，形成了明顯的非均衡分布格局[9]。本文將研究樣本按地理區位劃分為東部、中西部地區，實證檢驗“小巨人”認定政策在不同地理位置下影響技能勞動力結構所表現出的異質性特征?；貧w結果如表9所示，在東部地區研究樣本中，[Giant]的估計系數在5%的水平上顯著為正，而中西部地區不顯著，這說明“小巨人”認定政策對技能勞動力結構的優化呈現出顯著的“東熱西冷”的異質性特征。

2. 行業類型異質性

從前四批“小巨人”資質認定的行業分布特征來看，前期試點行業明顯，從第二批次開始逐漸增加其他行業的比例。但主要集中在制造業、軟件和信息技術服務業、批發和零售業以及科學研究和技術服務業等四大代表性行業[10]。因此，本文將研究樣本劃分為上述四大行業和其他行業，進一步探究“小巨人”認定政策在行業類型層面上所表現出的異質性特征。具體結果見表10所示，在制造業研究樣本中，[Giant]的回歸系數在1%的水平上顯著正相關，而批發和零售業樣本中5%水平上負相關，其他分類行業均不顯著。這表明，“小巨人”認定政策顯著增加了制造業企業對高技能勞動力的需求，而減少了批發和零售業企業對高技能勞動力需求?？赡艿脑蚴牵圃鞓I中“小巨人”企業最多，并且一直穩定在很高的水平，企業急需雇傭高技能人才來提高核心競爭力，穩固其在市場競爭中的地位。而批發和零售業“小巨人”企業在后續認定名單中呈現下降態勢，這類企業更多地需要銷售、生產、管理等中低技能人員來解決可預測的、程序性任務。

3. 生產要素異質性

勞動、資本、技術等生產要素的供給為“小巨人”企業的發展注入了源源不斷的活力，其中技術要素可以聯動其他要素協同發展，將人才、資本等要素緊密結合。因此，本文按照生產要素的密集程度將研究樣本劃分為勞動密集型、技術密集型和資本密集型三類分別進行異質性檢驗?；貧w結果見表9第（3）～（5）列，可以發現，在技術密集型研究樣本中，[Giant]的估計系數在1%的水平上顯著為正，其他均不顯著。即“小巨人”認定政策能夠顯著優化技術密集型企業的技能勞動力結構，增加對高技能勞動力的需求。

六、經濟后果研究

前文已證實專精特新“小巨人”認定政策作為一項優質中小企業培育政策，能夠顯著發揮高技能勞動力創造效應。那么試點政策能否在優化技能勞動力結構的基礎上為企業釋放經濟紅利，進一步提高企業勞動力配置效率和勞動生產效率？本文進行如下檢驗。

（一）企業勞動力配置效率

借鑒倪婷婷和王躍堂（2022）[35]的研究，以企業實際雇員數與正常雇員數差值的絕對值作為勞動力配置效率（[Ae]）的代理指標，該指標數值越大代表企業資源配置效率越差?；貧w結果見表11第（1）～（2）列，可以發現[Giant*Tech_laborit]交乘項的估計系數在5%的水平上顯著為負，這表明“小巨人”認定政策可以通過優化技能勞動力結構顯著抑制企業雇員偏離度的擴張，進而提高勞動力配置效率。

（二）企業勞動生產效率

參照李雪松等（2017）[36]研究，使用隨機前沿生產函數法，選取公司主營業務收入、總資產和企業人數等變量來構建隨機前沿生產面，以實際產出與前沿產出的比值來衡量企業勞動生產效率（[Pe]），該指標越大代表企業勞動生產效率越高。具體回歸結果見表11第（3）～（4）列，可以發現[Giant*Tech_laborit]交乘項的估計系數在1%的水平上顯著為正，這表明“小巨人”認定政策可以通過優化技能勞動力結構實現勞動力資源的最大化利用，顯著提升整體生產效率，釋放經濟紅利。

七、結論與政策建議

（一）研究結論

本文基于2015—2022年我國滬深A股上市企業數據，解構“小巨人”認定政策對技能勞動力結構的影響、作用渠道以及異質性特征。研究結果發現，“小巨人”認定政策能夠發揮高技能勞動力的創造效應，且該效應在東部地區、制造業以及技術密集型企業更為強烈。機制檢驗發現，“小巨人”認定政策通過促進智能制造轉型、高端創新以及動態吸收能力間接優化企業技能勞動力結構。經濟后果檢驗發現，“小巨人”認定政策能夠通過優化技能勞動力結構進一步釋放經濟紅利，顯著提高企業勞動力配置效率和勞動生產效率。

（二）政策建議

上述研究結論為緩解我國就業結構性矛盾，打破勞動力“就業難”與企業“招工難”提供政策建議。第一，加強頂層設計，進一步完善高技能人才培養體系。一方面，鼓勵企業健全以技能價值為導向的薪酬分配制度，增強技能崗位吸引力；另一方面，發揮企業技能領軍人才“傳幫帶”作用，提高各部門員工專業技能水平和創新能力。第二，打通企業技能勞動力結構的優化路徑。一方面，加速人工智能技術的應用，以降低企業低技能勞動力的雇傭成本，提高企業生產效率；另一方面，提高企業突破式創新水平和動態吸收能力，解決企業所面臨的資源束縛和技術壁壘問題，緩解技術“低端鎖定”困境。第三，針對“小巨人”企業實行差異化而非同一化的扶持政策，助力各行業“小巨人”百花齊放。目前，“小巨人”企業在制造業具有明顯的集聚特征，其他優勢行業仍有較大的發展空間。“小巨人”認定政策需要精準滴灌，圍繞優勢行業和重點區域，結合實施產業鏈鏈長制，讓更多的中小企業獲得“專精特新”轉型的機會。

參考文獻：

［1］ 郭貝貝.勞動力供給與結構性就業矛盾：特征、沖擊與紓解［J］.當代經濟管理，2022，44（12）：73-80.

［2］ 李旭超，張文怡，趙婧.企業數字化轉型、人力資本升級與高質量就業［J］.北京工商大學學報（社會科學版），2024，39（3）：40-52.

［3］ 胡玥，張涵萌.數字金融發展與企業技能勞動力結構優化［J］.外國經濟與管理，2024，46（11）：20-35.

［4］ 葉永衛，李佳軒，劉貫春.續貸限制、流動性約束與穩就業——基于《貸款風險分類指引》實施的準自然實驗［J］.財貿經濟，2023，44（1）：83-98.

［5］ 韓洪靈，彭瑤，劉強.技術進步與就業增長并存？——基于專精特新“小巨人”企業認定政策的研究［J］.科學學研究，2024，42（10）：2055-2066+2129.

［6］ 湛泳，馬從文.專精特新“小巨人”企業培育對突破式創新的影響研究［J］.管理學報，2024，21（4）：560-567.

［7］ 王瑤，曾德明，李健，等.橋接科學家創始人與企業技術創新績效——基于專精特新“小巨人”企業的分析［J］.科學學研究，2023，41（9）：1690-1701.

［8］ 狄盈馨，李啟佳，羅福凱.“專精特新”戰略對企業數字化轉型的影響——技術創新能力的中介效應［J］.研究與發展管理，2024，36（5）：104-117.

［9］ 丁建軍，劉賢，王淀坤，等.國家級專精特新“小巨人”企業空間分布及其影響因素［J］.經濟地理，2022，42（10）：109-118.

［10］ 薄文廣，錢鐿，劉璇.專精特新“小巨人”企業集聚的影響因素及分位異質性——基于分位數回歸模型的實證研究［J］.經濟地理，2024，44（3）：55-65.

［11］ 鄭秀田，蘭情情.專精特新“小巨人”資質認定與科技型企業股價波動風險——來自我國創業板市場的經驗證據［J］.投資研究，2023，42（12）：136-152.

［12］ 焦豪，李宛蓉.資質認定與企業供應鏈伙伴數量——基于專精特新“小巨人”企業的準自然實驗［J］.經濟學動態，2023（12）：109-125.

［13］ 張車偉.人力資本回報率變化與收入差距：“馬太效應”及其政策含義［J］.經濟研究，2006（12）：59-70.

［14］ 辛大楞，季存睿，辛立國.智能轉型對企業出口規模的影響研究：基于“智能制造試點示范專項行動”的準自然實驗［J］.世界經濟研究，2024（6）：45-59+136.

［15］ 唐孝文，姚欣岑，于嵐婷.數字化背景下“小巨人”企業創新路徑研究［J］.科研管理，2023，44（12）：10-20.

［16］ 隆云滔，劉海波，蔡躍洲.人工智能技術對勞動力就業的影響——基于文獻綜述的視角［J］.中國軟科學，2020（12）：56-64.

［17］ 陳琳，高悅蓬，余林徽.人工智能如何改變企業對勞動力的需求？——來自招聘平臺大數據的分析［J］.管理世界，2024，40（6）：74-93.

［18］ 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）：1488-542.

［19］ 湛泳，馬從文.“專精特新”企業培育能否緩解企業創新“低端鎖定”困境［J］.科技進步與對策，2025，42（3）：130-140.

［20］ 楊中楷，祭敏.擁有發明專利能提升企業績效嗎？——基于專精特新“小巨人”上市企業的實證研究［J/OL］.科學與管理，1-12［2024-07-29］.http：//cnki.xntsg.top/kcms/detail/37.1020.G3.20240524.1435.008.html.

［21］ 謝萌萌，夏炎，潘教峰，等.人工智能、技術進步與低技能就業——基于中國制造業企業的實證研究［J］.中國管理科學，2020，28（12）：54-66.

［22］ 袁冬梅，周磊，袁禮.技術創新模式轉變對勞動力就業結構的影響——基于制造業上市公司數據的分析［J］.中國人口科學，2021（6）：81-95+128.

［23］ RESTREPO P，ACEMOGLU D. The Wrong Kind of Ai. Artificial Intelligence and the Future of Labour Demand［J］. Cam. J. Reg. Econ. Soc，2020，13：25-35.

［24］ 吳迪.我國制造業誘致性技術進步的就業效應分析［J］.科學學研究，2024，42（8）：1622-1633.

［25］ TEECE DJ，PISANO G，SHUEN A. Dynamic Capabilities and Strategic Management［J］. Strategic Management Journal，1997，18（7）：509-33.

［26］ 李光榮，侯二秀，王延霖.創新型城市建設改善了企業ESG表現嗎？——動態能力的調節效應［J］.西部論壇，2024，34（2）：55-68.

［27］ 史宇鵬，顧全林.知識產權保護、異質性企業與創新：來自中國制造業的證據［J］.金融研究，2013（8）：136-149.

［28］ 余明桂，賀蒙蒙，張萌萌.人才引進政策、勞動力優化配置與制造業智能化［J］.中國工業經濟，2024，（5）：116-134.

［29］ 姚加權，張錕澎，郭李鵬，等.人工智能如何提升企業生產效率？——基于勞動力技能結構調整的視角［J］.管理世界，2024，40（2）：101-116+133+117-122.

［30］ JACOBSON LS，LALONDE RJ，SULLIVAN DG. Earnings Losses of Displaced Workers［J］. The American Economic Review，1993（1）：685-709.

［31］ FERRARA EL，CHONG A，DURYEA S. Soap Operas and Fertility：Evidence from Brazil［J］. American Economic Journal：Applied Economics，2012，4（4）：1-31.

［32］ 溫忠麟，葉寶娟.中介效應分析：方法和模型發展［J］.心理科學進展，2014，22（5）：731-745.

［33］ 郭磊，賀芳兵，李靜雯.中國智能制造發展態勢分析——基于制造業上市公司年報的文本數據［J］.創新科技，2020，20（2）：61-71.

［34］ 寇明婷，王宇飛，梁奕.數字化轉型同群效應與企業突破式創新——基于連鎖董事網絡視角［J］.科學學與科學技術管理，2025，46（1）：3-20.

［35］ 倪婷婷，王躍堂.區域行政整合、要素市場化與企業資源配置效率［J］.數量經濟技術經濟研究，2022，39（11）：136-156.

［36］ 李雪松，趙宸宇，聶菁.對外投資與企業異質性產能利用率［J］.世界經濟，2017，40（5）：73-97.