《Sustainability》：Compensation–Skills Dual-Dimensional Configuration and Sustainable Upgrading of Export Technological Sophistication: A Re-Explanation of the “Value Paradox” of Skill Mismatch
编辑推荐：
在全球价值链（Global Value Chains, GVCs）重构与人工智能（Artificial Intelligence, AI）革命中，企业人力资本的重新配置与摆脱价值链锁定之间的关系，已成为对中国具有日益增长的理论和实践重要性问题。传统静态技能匹配
在全球价值链（Global Value Chains, GVCs）重构与人工智能（Artificial Intelligence, AI）革命中，企业人力资本的重新配置与摆脱价值链锁定之间的关系，已成为对中国具有日益增长的理论和实践重要性问题。传统静态技能匹配理论将技能错配纯粹视为资源配置扭曲。在中国产业转型升级过程中，配置偏差与产业升级并存的现象被广泛观察。本研究利用2015至2023年中国上市公司面板数据，衡量了企业相对于行业-年度基准在薪酬与技能维度上的相对配置偏差，并根据两个维度偏差的符号组合识别不同类型的配置偏差。结果表明，配置偏差的总体程度与企业出口技术复杂度（Export Technological Sophistication, ETS）无显著关联；相反，偏差的方向与组合至关重要：高-高（High-high）配置企业的ETS显著高于反向配置企业。按维度分解显示，薪酬溢价（Compensation-premium）与ETS显著正相关但与创新产出负相关；技能利用不足（Skill-underutilization）与创新正相关但与同期ETS负相关。渠道检验表明，高-高配置与两个相互关联的前瞻性渠道正相关：创新人才积累与AI导向。高-高配置与ETS之间的关联未发现稳健的区域异质性。所有关注系数均被解释为在双向固定效应框架内估计的条件关联，而非识别的因果效应。研究人员超越静态岗位-技能匹配范式，通过动态能力构建视角解释上述发现，并为寻求设计差异化人才与数字技术政策的发展中国家讨论了面向可持续性的政策启示。
在全球价值链（Global Value Chains, GVCs）重构与人工智能（Artificial Intelligence, AI）革命的背景下，中国企业在数字经济、新能源等领域逐步建立比较优势，GVC地位呈现阶段性升级。经典经济理论将升级归因于资本积累、技术创新与人力资本提升的叠加，强调岗位-技能匹配是效率核心，技能错配因而被视为生产率损失、创新抑制与升级障碍。然而中国转型实践中普遍存在“配置偏差与产业升级并存”：根据研究人员基于CSMAR和Wind数据库的计算，2015—2023年中国上市公司出口技术复杂度（Export Technological Sophistication, ETS）均值为10.203，薪酬-技能配置偏差指数均值为0.153；世界银行WDI数据显示，中国中高技术产品占制成品出口比重由2000年的45.49%升至2020年的61.36%。这一“价值悖论”构成研究出发点：为何技能配置偏离行业基准的企业仍能实现ETS持续增长？薪酬与技能维度是否存在被静态匹配理论忽视的差异化关联？
针对上述问题，研究人员利用2015—2023年中国A股上市公司面板数据（排除ST、*ST、退市及金融企业后含3693家企业21,471个观测，其中2015—2023年观测占99.28%），数据来源于CSMAR、Wind及BACI-CEPII数据库。ETS按Hausmann等方法先测算产品层面复杂度，再以企业相对全要素生产率（Total Factor Productivity, TFP）（Levinsohn-Petrin法）调整至企业层面。核心解释变量为薪酬-技能双维配置偏差指数：薪酬维度为人均薪酬对行业-年度均值的偏差，技能维度为研发人员占比对行业-年度均值的偏差；按两维度符号组合将配置分为高-高（High-high）、薪酬溢价（Compensation-premium）、技能利用不足（Skill-underutilization）和低-低（Low-low）四类。实证采用企业-年份双向固定效应模型，标准误在企业层面聚类。
主要研究发现如下。
5.1.1 描述性统计与5.1.2 基准回归分析：ETS均值10.203、标准差1.068；配置偏差指数均值0.153、标准差0.219，表明企业间配置偏差程度差异较大。基准回归中，连续型配置偏差指数系数不显著，表明总体偏差程度与ETS无关；以反向配置为参照组，高-高配置系数为0.037（1%水平显著），低-低配置系数为-0.017（10%水平显著），支持假设H1：高-高配置企业ETS显著高于反向配置企业，而低-低企业较反向配置企业更低。
5.1.3 维度分解与5.1.4 构念效度：单维检验显示，薪酬溢价与ETS显著正相关（虚变量0.090、连续变量0.334），技能利用不足与ETS显著负相关（虚变量-0.029、连续变量-0.023），两维度方向相反。四种配置交叉比较以低-低为参照：高-高系数0.057、薪酬溢价系数0.087、技能利用不足系数-0.039，均在1%水平显著。改用大专及以上员工占比、研究生及以上员工占比测度技能维度后，高-高系数介于0.036—0.042且均1%显著，表明核心结论不依赖特定技能测度。
5.1.5 稳健性与5.1.6 内生性检验：扩展样本期至2007—2023年、剔除研发人员占比超60%的异常值、以企业对数增加值替换因变量、控制企业或行业特定线性趋势以及高管薪酬调整等多项检验中，高-高系数仍保持正显著。内生性检验方面，以滞后一期或行业-年度剔除自身均值作为工具变量，2SLS第二阶段系数均不显著；前导与反向因果检验均不支持“企业先形成配置再实现升级”的反向解释。因此，基准系数被解读为条件关联而非因果效应。
5.2 关联渠道检验：高-高与创新产出正相关（0.049，10%显著），与AI导向正相关（0.073，1%显著）。子维度分解显示，薪酬维度与创新产出负相关（-0.060），技能维度与创新产出正相关（0.060），两者均在5%水平显著。以AI专利申请、AI专利存量、AI发明专利为行为指标，高-高系数均显著为正；子维度分析表明AI专利活动主要与技能维度相关。研发人员净增长与高技能占比变化等人才积累指标亦支持高-高与创新人才积累的正向关联。创新与AI导向两个渠道存在较强同期相关，表明二者相互关联而非完全独立。
5.3 异质性分析：以西部为参照，高-高与东部、中部交互项系数分别为0.068和0.075，均不显著；Wald检验显示东-西、中-西、东-中组间差异均不显著，表明高-高与ETS的关联不存在稳健的区域异质性。
讨论部分指出：总体偏差程度无关紧要而方向与组合至关重要；高-高的正关联与“高于基准薪酬+高技能劳动力”的潜在互补关系一致，可能涉及筛选、激励与保留等机制，但数据无法区分。薪酬溢价有利于当期ETS而不利于创新，技能利用不足有利于创新而不利于当期ETS，二者在时间维度上存在当期成本与未来收益的对冲；高-高结合两维度，可能实现当期升级与长期积累的平衡。研究同时强调，高-高的正关联不意味着配置越高越好，也不否认超出合理阈值后可能存在效率损失。渠道检验属于一致性证据而非严格中介识别，AI测量亦存在局限性。
研究结论可概括为：（1）配置偏差总体规模与ETS无显著关联，高-高配置与ETS显著正相关（0.037，1%水平），对三种技能测度均稳健（0.036—0.042），低-低配置无稳定正关联，受工具变量精度限制，解释为条件关联而非因果。（2）薪酬与技能维度呈现相反符号的关联：薪酬溢价与ETS正相关（0.091）但与创新产出负相关（-0.060）；技能利用不足与创新产出正相关（0.060）但与ETS负相关（-0.036），构成“价值悖论”的结构性体现。（3）高-高配置与创新产出和AI导向正相关，两渠道显著重叠，AI专利活动主要与技能维度相关，证据属于渠道一致性检验而非严格中介效应。（4）高-高配置的关联无显著区域异质性（东部交互项0.068、中部交互项0.075，均不显著；Wald检验确认组间差异不显著）。
