数字经济发展对技能型人才需求结构的影响及政策建议——基于纵向技术创新视角

电信和信息学报告7（2022）100010数字经济与技能型人才需求结构--基于纵向技术创新视角的关华平，郭斌华广东外语外贸大学经贸学院，广东广州510420aRT i cL e i nf o关键词：数字经济数字技术纵向技术创新理论技能型人才综合控制法（SCM）a b sTR a cT数字经济是未来发展的大趋势，数字技术对技能型人才结构的需求也将发生变化。本文将数字技术视为一种技术创新，在建模分析和实证分析的基础上，探讨了数字经济发展对劳动力结构的影响。首先，基于纵向技术创新理论，构建了一个包含不同技能人才结构的宏观均衡模型进行分析。其次，利用省级面板数据和综合控制法等回归方法进行实证分析，得出数字经济能够促进技能人才的高级化，高技能人才的比重逐步提高;其次，区域经济协调政策可以促进数字技术的发展和技能人才的升级。最后，根据分析结论提出了相应的对策建议1. 研究背景党的十九届五中全会这是从我国经济和科技发展的实际出发制定的重大战略近年来，数字经济在国民经济中的比重逐年提升，数字技术在政府部门、企事业单位和居民生活中的应用逐步深化。数字技术的发展将有助于优化我国数字技术的发展在影响产业结构的同时，也会影响劳动力市场，影响劳动力需求总量和需求结构（Acemoglu，[2]）。我国数字经济发展在空间上不均衡，数字技术创新主要集中在少数核心城市;数字技术应用在其他地区逐步深化。数字技术不仅可以改变劳动力需求总量，还可以改变劳动力需求结构。我国地区间经济发展存在较大差异，地区间数字经济发展也存在较大因此，基于我国不同地区，分析数字经济发展不同阶段对我国经济发展的影响，技能型人才需求结构的发展。 技术空间相关性对邻近地区的经济增长、劳动力需求和工资水平有一定影响[3];我国正在大力推进区域经济协调发展战略，研究区域数字技术差异（溢出）对劳动力结构的影响具有现实意义。2. 文献综述劳动力需求是一种诱致性需求，技术进步，数字经济的发展是数字技术广泛应用的结果;数字经济的发展将对劳动力需求产生广泛影响。的影响技术进步对劳动力需求结构的影响主要包括以下路径：一是技术进步对工资差距的影响。一些学者已经建立了理论模型来分析这种影响技术进步对工资差距的影响，一般倾向于认为技术进步会扩大工资差距[4，5]。也有学者通过实证分析验证了技术进步对工资差距扩大的影响[6，7，8]。有学者认为，随着资本和技术的流动，国际贸易也会对工资差距产生影响[9]。其次，技术进步具有一定的技能偏向性。Autor[10]发现，由于计算机使用的增加，对相对非熟练劳动力的需求减少;这证实了技能偏向技术进步的观点;Balsmeiera∗ 通讯作者。电子邮件地址：guan7911@163.com（G. 华平）。https://doi.org/10.1016/j.teler.2022.100010接收日期：2022年2月22日;接收日期：2022年5月6日;接受日期：2022年5月27日2772-5030/© 2022作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表电信和信息学报告期刊主页：www.elsevier.com/locate/telerG. Huaping和G. 斌华电信和信息学报告7（2022）1000102������������0������������������������������使用我国������������������=���1−���浅析数字经济对劳动力需求结构的影响������ℎ���������������=(1 −���)(1 −���)���1−���������ℎ���������[11]利用瑞典的数据发现，数字技术的应用可以增加高技能工作岗位，减少低技能工作岗位;当然，也有学者提供了相反的证据[12]。随着数字经济时代的到来和人工智能技术的广泛应用，数字技术对劳动力需求的影响呈现出新的特点。Acemoglu[2]通过构建“技能任务”模型，为人工智能对劳动力的影响提供了一个完整的分析框架有学者通过实证分析发现，ICT技术的应用将导致非常规工作岗位比例的增加（[13数字技术对劳动力市场的影响不仅在于结构，更在于总量;有学者发现数字技术可以促进劳动力需求（李磊，[16]），也有学者发现数字化转型可以促进行业就业总量（Aubert-tarbya，[17]）。第三，技术进步也会导致产业结构的变化，从而对劳动力需求产生影响。Ngai[18]认为技术会导致不同行业生产率的差异，从而导致劳动力需求结构的变化;Baumol[19]认为技术停滞的传统服务业吸收了大量劳动力;此外，由于劳动力流向资本无法轻易替代劳动力的部门（Alvarez-cuadrado，[20]），表现出高收入弹性的商品和服务在技术劳动力投入方面更加密集（Caron，[21]）。León-Ledesma[22]利用“标准化生产函数”推导出一个条件，在该条件下，资本、劳动力和技术偏好之间的替代弹性可以共同确定。第四，从空间经济学的角度看，技术的空间相关性会对劳动力的跨区域流动和空间分布产生影响Whittle[23]分析了技术空间相关性的内在机制; Fitjar[24]构建了技能空间相关性指数来分析劳动力的空间相关性; Eriks-son[25]跨区域劳动力流动对企业绩效具有重要作用Desmet[26]通过构建空间均衡模型发现，新兴产业的技术差异对就业有很大影响数字经济对劳动力市场的影响，使得劳动者和雇主都必须积极应对这一变化。Kar[27]分析了数字技术进步对学习行为的影响3. 模型构建数字经济可以表述为产业数字化和数字产业化。随着数字经济在各行各业的渗透，产业数字化程度不断加深。在产业数字化过程中，主要体现为纵向技术创新，即在原有模式上进行改造和创新，以实现产出效率的提高。在商业服务环节，增加了服务链，即使用 做“商家-用户”;行业数字化后，变成：“商家-平台-运输-用户”。在此过程中，减少了商品信息推广员的数量和固定资产的投入，并将部分业务环节外包给“数字平台+物流”，这里是技术+劳动力，而不是资本。数字经济与产业的结合主要是应用工业互联网和工业机器人。进一步优化现行生产体系中的环节，实质是以“技术+资本”替代劳动，提高生产效率。始于美国的第三次技术革命将信息技术与生产经营相结合，极大地提高了生产效率。在数字经济时代，信息技术进一步走向智能化、网络化，与生产经营活动结合更加紧密，不仅改变了人们的生活方式，也进一步提高了劳动生产率。从技术进步的角度看，技术进步使中间产品更加复杂，对劳动力的技能要求也更高。因此，数字经济的发展将产生重要影响 对技能型人才的需求结构。本文构建了一个包含两个经济成分和两类技能人才的经济分析模型，试图解释数字经济发展过程中技能人才结构的变化。假设一个经济体中的产出包括两个部门，一个是数字部门，数字部门充满了技能型人才;另一个是非数字部门，非数字部门充满了非技能型人才。参考[32]，假设输出函数为：通过对社会媒体的文本分析，������=(������)1−���∫������[���()]={���,���}, ������=(ℎ̄ ∕ )���(���)1−(1)������������������通过情感分析发现，员工对未来工作的负面看法并不多，工作性质的变化，数字技术是主要的推动力; Votto[29]解释了人工智能技术的应用在人力资源管理系统中的应用。新冠疫情的全球大流行也给劳动力市场带来了巨大冲击; Koch[30]分析了COVID-19疫情对公共部门职位空缺的影响; Chakraborty[31]以教育部门为例，COVID-19疫情的影响人力资本是指j部门的总产出，人力资本是指j部门人力资本的数量和质量，人力资本是指j部门人力资本的内在质量。���������该部门的中间产品投入;劳动力是人力资本的最高水平，技能是技能人才占总劳动力的百分比���������为了满足利润最大化条件，假设中间产品的价格是100美元，工资水平是100美元，在利润最大化约束下，假设最终产品是单位价格：���������max{（������）1−���������[���（）]���− ������������−������（���）������（���）}专业技术人员。当然，数字经济的发展，特别是人工智能的发展���获取：0������������������������������劳动力结构的智能技术我国���������������������������������������������������������������������������的（）=（）1-[（）]-1，=（1-）（1-）（）-1（）1-[（）���]������数字经济发展速度快于其他国家，���������������0���区域发展差异大，这种差异对不同地区劳动力需求结构的影响本文为了使中间产品部门的利润max（）=[（）− 1]（）−������������������������������数字经济发展对技能型人才结构的影响将中间产品价格带入上述优化中������2���并试图为数字经济对劳动力市场的冲击和影响提供新的证据。本文的主要创新之处在于：一是研究视角的创新本文在优化中，我们得到：���������������������������将这个中间生产水平放入输出函数，我们得到：试图将劳动力与工作性质区分开来���������������������2其次，研究方法有所创新，采用综合控制的方法分析数字技术的空间影响将这个输出函数放入salary函数中，我们得到：������������������������������2rina[28]发现，社交媒体的讨论将改变人们的观点，劳动力需求的溢出效应。G. Huaping和G. 斌华电信和信息学报告7（2022）1000103=������ℎ̄）的情况下;1���������������∕数据库中，2个职业目录分为八大类。第一类是：党的机关、国家机关、群众团体负责人������（���������那么这两个部门的工资比率是：（）（2−）（1−）−1（）（2−）������������������������高技能人才对低技能人才的替代效应仍为正。������������������������1−2 +���������（2）������假设2：数字技术可以提高要素生产率，促进技能人才结构优化高技能人才比重逐步提高。假设要素（劳动力）市场是完全竞争的，市场，则工资水平为（）;是������劳动力;定义在公式（2）中，（）（2−）������������假设3：数字技术的空间溢出可以促进数字技术在技术溢出领域的进步，改善技术溢出领域的技能型人才结构=（2 − δ）（1 − α）− 1，������������1−2���������������4. 实证分析两类技能型人才的要素替代系数是4.1. 人力资本水平与技能岗位的匹配��������������� ������������������=）（���）=1���（三）根据中国从公式（3）可以看出，两类技能型人才的替代弹性与技术水平的高低有关。弹性系数是大于1还是小于1需要根据具体情况进行讨论。���当k较大时，即数字经济部门的技术水平较高，弹性较小，非技能人才对技能人才的替代作用较弱。要讨论dk是否大于1，这里k必须大于1，然后考虑d是否小于1，d必须小于1，那么这个数是大于1还是小于1取决于其他一些因素。当然，d也可以小于0。当α或δ较大时，d代表数量要素在劳动投入中的比重，δ代表中间产品在总产出中的投入系数，特别是当α较大时，d可能为负值。当替代弹性系数为负时，意味着两者之间存在互补效应，而不是替代效应，即经济增长能够同时促进对技能型和非技能型人才的需求。第二类是专业技术人员;第三类是办事人员及有关人员;第四类是社会生产服务人员;第五类是生活服务人员;第六类是农、林、牧、渔业生产及辅助人员;第七类是生产制造及有关人员;第八类是军事人员。第九类是同一类别的其他雇员。每个类别的平均受教育年限是该类别调查样本的平均值。根据最近三次抽样调查的统计，不同职业的受教育程度存在显著差异。专业技术人员的平均受教育程度最高，第七大类制造业人员和第六大类农业从业人员的比例较低。从三次调查的数据来看，人力资本供给（教育水平）与需求（行业分类）的匹配具有一定的稳定性，有三种情况，一种是0 dk0;第二种是0 dk 1;第三种dk > 11) 第一个案例是100。这种情况意味着，在一个地区，劳动密集型产业占大多数，非技能人才在劳动力中占比较高;数字技术的引入将导致该地区对技能和非技能人才的需求同时增加。2) 第二种情况是0 dk 1。这种情况是指：在一定地区，劳动报酬占经济的比重不足50%，与技术前沿存在一定差距;随着数字经济的发展，技能型人才与非技能型人才之间存在一定的替代效应，但替代性不强，非技能型人才需求下降的比例低于技能型人才需求上升的比例。3) 第三种情况是dk > 1。 这种情况意味着，从平均受教育年限的排名中可以看出，两者的排名没有差别。此外，各类人员的平均受教育程度也稳定在相应水平。此外，从抽样调查数据来看，低技能岗位（第七大类）在整体调查对象中所占比例逐渐下降。2015年以来，也是我国数字经济蓬勃兴起的阶段4.2. 基本模型构建和数据源为了验证数字经济发展对技能型人才结构的影响，本文通过构建省级面板数据3回归模型进行了实证分析。主要的核心解释变量是技能人才在就业人口中的比例（ed10）。4核心解释变量包括：属于技术前沿领域，比重较小劳动力投入的增长速度快，基本没有技术差距，技能型人才对非技能型人才的替代性更强，技能型人才的增长远远小于非技能型人才的增长。数字技术的发展有几个阶段。第一阶段是数字经济的萌芽状态。数字技术带来了技能型和非技能型人才的同时增长，在第二阶段，即数字技术的初级阶段，非技能型人才的替代性较强，该阶段非技能型人才的增长速度快于技能型人才;第三阶段，数字技术前沿阶段，非技能人才对技能人才的替代率较低，技能人才增速高于非技能人才。这就引出了相关的假设：假设一：我国2该数据库是由中华人民共和国人力资源和社会保障部主办的国家职业资格管理数据库项目。政策出台、法律法规等，其中，职业分类目录包括8个大类、66个中类、413个小类、1912个小类（职业），每个职业都有简单的职业描述和主要工作等信息。3本文不继续使用CSS数据有两个原因。一是CSS数据样本总数约为10，000个，表明职业类型的样本数量约为4，000 - 5，000个。如果我们用省级面板数据，按职业类别来讨论，那么细分数据（各省各大类样本数量很少，代表性不强。其次，通过与调查机构的邮件沟通，他们认为这个数据空间代表性不够。④这里的高技能人才比重指标是指《中国劳动统计年鉴》中大专以上学历就业人口的比例ℎ̄���������∕���������∕������������（G. Huaping和G. 斌华电信和信息学报告7（2022）1000104数字经济发展程度（dataeco）5;由于这一解释性变量在2012年后才开始存在，因此可以用指标：按区域分列的互联网渗透率（互联网）。其他控制变量包括，二是产业结构的变化，可以用第三产业的比例（ratio_t），根据发展经济学的相关理论，随着经济的发展，产业结构会 不 断 优 化 ， 人 力 资 本 水 平 会 不 断 提 高 . 三 是 发 展技 术 水 平（RD_R）。 按照技能匹配原则，如果技术水平提高了，劳动力素质也要提高。 第四是制度环境（instot）。 良好的制度环境可以促进经济高质量发展和高技能劳动力集聚。其他控制变量包括外国直接投资（fdi_p）等变量。本文使用的数据除数字经济发展水平外，均为2001年至2018年数据;数字经济发展水平为2012年至2018年数据。基本模型是：���������_ℎ������ =���0+���1���������������������������+������������+������+������+���������由于此回归包括全国所有省、直辖市和自治区，因此此处使用固定效应模型。在模型1、2、3和4中，核心解释变量选择是互联网渗透率。在模型5、6、7、8中，核心解释变量为数字经济发展程度，样本范围选取2012 - 2018年。从回归结果来看，互联网普及率的提高带动了技能人才结构的优化，高技能人才占比上升;在不控制时间效应的情况下，各地区数字经济发展指数越高，高技能人才占比越高。这也验证了理论分析中的假设一，即数字经济的发展可以促进高技能人才的集聚。从模型3和模型4的结果来看，研发投入的增加、第三产业比重的提高、外商直接投资的增加以及制度环境的改善，都会导致该地区劳动力市场中高技能劳动力的比重上升;而在以数字经济发展指数为核心统计变量的模型中，这些变量的显著性均显著下降。可能的原因是，数字经济发展指数是一个综合性的衡量指标，与其他变量的关联度较高。4.2.1. 内源性治疗被解释的变量是技能型人才的结构。技能型人才结构会影响互联网渗透率、产业结构、外商直接投资和研发投资，并与外商直接投资有关，这些变量可能是内生的。 为了克服内隐误差对模型估计的影响，本文采用了动态面板数据的广义矩法。动态模型1和动态模型2以互联网渗透率为核心解释变量，动态模型将外商直接投资视为外生变量。动态模型2将外商直接投资视为内生变量，动态模型3和动态模型4的核心解释变量是数字经济发展指数。从动态模型1和动态模型2的回归结果来看，互联网普及率对技能人才结构的影响仍然是正的，说明面板数据回归结论是可靠的。5各省数字经济指数面板数据来源4.3. 机理分析中介效应分析是数字经济发展影响技能型人才结构的渠道。一是通过提高综合效益，提高劳动力整体素质。那么中介变量应该是全要素生产率，它除以就业人口和GDP（表1-3）。从表4《中介效应模型1》可以看出，中介变量的相关系数以及中介变量与核心解释变量的乘积均显著，说明数字经济的发展可以通过提高要素生产率（ftp）改善技能人才结构，高技能人才占比逐步提高。通过Bootstrap检验，发现中介效应检验的结果对中介效应的影响不大。 影响模型1的可信度，如表5所示。从表4中的中介效应模型2可以看出，如果以第三产业产值占GDP的比重（tinyuan）作为中介变量，则中介效应不存在;因为在模型4中， 可变时间的系数并不重要。这可以验证本文提出的假设24.4. 案例分析--基于安徽省的综合防治方法分析安徽省位于我国中部地区，但在地理上与传统的长江三角洲地区（上海、江苏、浙江）相邻近年来，一直在推动并积极融入长三角一体化发展战略。2014年，国务院发布《关于依托黄金水道推动长江经济带发展的指导意见》，首次明确安徽作为长三角城市群的一部分，参与长三角一体化2016年5月11日，国务院常务会议通过《长江三角洲城市群发展规划》，提出要充分发挥上海中心城市作用，统筹推进南京都市圈、杭州都市圈、合肥都市圈、苏锡常都市圈、宁波都市圈等大都市圈城镇化发展。至此，安徽已融入长江三角洲经济圈。长三角地区是我国数字技术研发的核心区域。安徽省本节将运用综合控制法分析区域一体化发展政策对数字经济发展的促进作用，进而对技能型人才结构的影响。通过stata软件分析发现，与安徽省匹配的省份（时间跨度为2003 -2014年）及权重如表6所示。从分配权重的角度看，安徽省经济社会发展状况相似的地区，包括河南、河北、广西、四川、重庆、甘肃等，都分配了一定的权重。其他区域未加权（表7）。从图1（实线为处理变量--安徽，虚线为系统综合合成变量）可以看出，2015年之前，系统综合合成变量与安徽的情况非常接近，尤其是2010 - 2015年期间。与此同时，2015年后，该制度产生的综合变量呈现出明显的上升趋势，安徽省高技能人才占比显著上升，G. Huaping和G. 斌华电信和信息学报告7（2022）1000105表1按职业类别分列的平均教育水平201920172015职业组别数量的样本平均受教育年限a排序数量的样本平均受教育排序数量的样本平均受教育排序第一类26413.67317512.77421213.83二类59214.75146414.71149914.72三类50213.35452113.1352012.894四类74810.31571810.0657609.635第五类9139.2666049.0276429.076第六类986.4391288.59497.19第七类10078.61811628.98813678.537八类1414.7921314.5321315.461九类828.627569.176458.518整体422010.76384110.61410710.4(Data（资料来源：根据中国社会科学院社会综合调查数据库的CSS调查数据整理a在中央统计局数据库中，设置了若干教育水平类别。未上学记为0，小学毕业记为6，大三 高中毕业记为9人，高中（中专、职高）毕业记为12人，大专毕业记为15人。本科毕业记为16人，研究生毕业记为19人。表2省级面板数据回归结果。模型1模型2Model 3模型4模型5模型6模型7模型8ed10ed10ed10ed10ed10ed10ed10ed10互联网0.255磅0.126千足金0.162磅0.160磅达塔埃科（0.007）（0.032）（0.011分）（0.030）16.15中国2.89116.17中国14.00（1.400）（4.462）（5.505）（10.17）rd_r166.0米长192.8双胞胎−119.1-53.74（57.35）（52.40）（211.4）（214.6）trind_r31.53米长20.82双胞胎22.84米26.35磅（4.274）（4.679）（10.85）（13.25）外国直接投资0.0005520.000532马币-0.000132-0.000152（0.0003）（0.0003）（0.0003）（0.0003）因斯托特0.723米长1.066米长0.246-0.196（0.147）（0.275）（0.577）（0.620）恒定5.1325.050米-13.64-10.47磅14.06中国15.79中国3.7614.011（0.261）（0.678）（1.830）（2.380）（0.443）（0.912）（5.852）（8.261）个人成绩是的是的是的是的是的是的是的是的时间固定效应没有是的没有是的没有是的没有是的N507507447447174174116116r平方0.7350.8100.7870.8410.4800.5630.4930.5180.1， 0.05，0.01。表3GMM估计回归结果。动态模型1动态模型2动态模型3动态模型4EX解释变量ed10ed10ed10ed10L.ed100.824米0.829千足金0.905米0.908千足金（0.0385）（0.0390）（0.0959）（0.131）互联网0.0502千分之一0.0432千分之一达塔埃科（0.0113）（0.00861）-0.2980.138（4.507）（4.261）rd_r83.6381.29双胞胎17.3710.95（51.00）（27.33）（83.60）（83.19）trind_r3.0506.504小行星7.3596.603（二点五六七）（3.067）（11.20）（11.29）外国直接投资0.0001700.0001470.0002330.000282（0.000279）（0.000142）（0.000257）（0.000209）因斯托特-0.145-0.180千克0.08930.122（0.106）（0.0839）（0.404）（0.479）恒定-0.404-1.473-2.026-1.997（0.984）（1.263）（4.733）（4.816）意见410410116116数量的码30302929阿-邦二氏试验中国（1）−3.43（0.001）−3.44（0.001）−2.35毫微克（0.019）−2.32埃因霍温（0.020）Arellano-Bond测试AR（2）0.45（0.649）0.43（0.665）0.67（0.503）0.67（0.503）沙根试验213.65日元（0.000）238.29美元（0.000）55.94日元（0.014）61.35英镑（0.027）G. Huaping和G. 斌华电信和信息学报告7（2022）1000106表4中介效应模型的回归结果。可变中介模式1可变中介模式2EX解释变量FTPed10EX解释变量锡铅ed10互联网0.108米长0.050美元互联网0.001千分之一-0.167（0.004）（0.016）（千分之一）（0.027）rd_r72.01532.438rd_r1.832米长169.871中国（20.204）（48.834）（0.632）（48.263）trind_r6.899中国16.523中国人（1.499）（3.790）外国直接投资0.000美元0.000外国直接投资0.0000.000（千分之一）（千分之一）（千分之一）（千分之一）因斯托特0.271米0.553千分之一因斯托特0.0020.634米（0.051）（0.135）（0.002）（0.124）FTP0.374磅锡铅-1.777（0.204）（4.408）FTP互联网0.010千元互联网0.762米（0.002）（0.058）缺点-3.753-4.784缺点0.379千足金1.197（0.654）（1.700）（0.010）（1.914）N480447N4804470.1， 0.05，0.01。表5中介效应的bootstrap检验结果。Coe cautious自举值标准偏差Z统计量P值置信区间（95%）bs_10.2880.0555.260.0000.1810.396bs_20.3150.0417.710.0000.2350.395bs_30.3420.03111.180.0000.2820.4020.1， 0.05，0.01。表6综合控制法的区域权重系数区域重量区域重量区域重量区域重量北京0河南0.373黑龙江0四川0.006天津0湖北0上海0贵州0.25河北0.037湖南0江苏0云南0山西0广东0浙江0山西0内蒙古0广西0.226福建0甘肃0.082辽宁0海南0江西0青海0吉林0重庆0.252山东0宁夏0新疆0表7基本数据和数据来源。变量名变量代码最大最小是说方差样本量数据源高技能人才ed100.8757.4313.229.17514中国劳动统计年鉴数字经济达塔埃科0.010.920.280.17203中国数字经济发展指数（DEDI）a互联网普及互联网0.4878.0028.7021.61570中国统计年鉴第三产业锡铅0.300.830.450.09558中国统计年鉴技术发展水平rd_r0.000.060.010.01558中国统计年鉴b制度环境指数因斯托特−0.2311.715.922.08527中国市场化c指数直接利用外资外国直接投资0.535.02937.111209.81540中国统计年鉴d数据来源见脚注。a各省数字经济指数面板数据来源b根据《中国统计年鉴》中各地区研发投入占地区生产总值的比重c制度环境指数借用樊纲教授主编的《中国市场化指数》中各地区的“市场化进程总分”。d此处使用人均数额，即外国直接投资/常住人口。nificantly。由此可见，区域协调发展政策对促进西部大开发具有积极作用。促进人才结构的优化，以提升人才竞争力。这可以验证本文提出的假设3。5. 讨论随着数字经济时代的到来，数字技术得到了广泛的应用。从生产要素来看，数字经济的快速发展可能导致两个结果：一是G. Huaping和G. 斌华电信和信息学报告7（2022）1000107图1.一、综合控制法回归结果图。资本与劳动力替代关系的变化（Aubert tarbya，[17]; Acemoglu，[2]）;二是劳动力市场中高技能劳动力与低技能劳动力的比例将发生变化。有学者认为，数字技术具有技能偏向性（autor，[10]; balsmeiera，[11]）;有学者通过实证分析发现，ICT技术的应用将导致非常规工作岗位比例的增加（Niu，2019; Cirillo，2018; Cheng[15]）。我国是数字经济发展比较好的国家，但区域经济发展差距较大。因此，研究数字经济发展对不同地区劳动力需求结构变化的影响具有重要意义。本文通过与中国数据分析（李磊[16];程[15]）的对比，深入探讨了两者的影响机制;认为数字技术能够提高劳动生产率，导致劳动力结构优化;同时也否定了数字经济通过改变产业结构影响劳动力结构的观点;还验证了数字技术空间溢出对相邻地区劳动力结构的影响。 研究的局限性在于数据的可用性。这页-per使用中国省级面板数据。省级行政区中有很多地级行政区，各地级行政区的经济发展也有相当大的差异。但是，目前的统计资料中没有地级行政区劳动力结构（受教育程度）的数据。虽然关于技术进步对劳动力需求影响的文献很多，但本文扩展了知识体系本文从以下几个方面进行研究：首先，区分劳动力与工作性质，解释数字经济对劳动力需求结构的影响;其次，运用综合控制方法（SCM）分析数字技术溢出对劳动力需求的空间影响。这些研究视角和研究方法对其他学者开展数字经济研究具有一定的借鉴意义。本文的结论是，数字经济的发展可以促进劳动力结构的优化，提高收入水平。其现实意义在于：在数字经济背景下，各地区应继续加强对数字基础设施的投资;加强区域间的数字技术合作;提高人才队伍建设水平;培养机制，加强校际合作，企业，培养更多的数字化人才;只有这样，才能推动数字经济发展，提高经济发展质量。6. 结论从以上分析可以得出两个基本结论：第一，数字经济（数字技术）的进步会通过劳动生产率的提升，进而通过技能匹配原则，提高高技能人才在劳动力市场中的比例。二是区域经济协调发展政策可以促进欠发达地区数字经济快速提升，从而促进比重提升技术人才。竞争利益本文由作者共同完成，未侵犯任何人的权益，未在其他刊物上发表。引用[1] 江晓娟，罗立斌，网络时代的服务全球化--大国新引擎、加速度与竞争力，中国社会科学院。(2)（2019）68-91问题。[2] Daron Acemoglu，Pascual Restrepo，人与机器之间的竞赛：技术对增长，要素份额和就业的影响，Am。经济学修订版108（6）（2018）1488-1542。[3] Keith Head ， Thierry Mayer ， Regional Wage and Employment Responses toMarket Potentialin the EU，Reg.Sci. 城市经济36（5）（2006）573[4] 阿西莫格鲁·达龙，《技术变革、不平等与劳动力市场》，J。 经济Lit. 40（1）（2002）7[5] 南 希 湖Stokey ，Technology，Skill，and the Wage Structure，J.章12（ 2）（2018）343[6] AcemogluDaron，定向技术变更，Revi.经济种马。 69（2002）781-809。[7] 陈勇、白哲技能偏向于技术进步、劳动力集聚效应和地区工资差距拉大，中国经济（9）（2018）79[8] 技术进步、产业结构转型与工资收入差距的偏差，中国经济（3）（2021）24[9] 作者：Paolo Epifani，Gino A. Gancia，The skill bias of world trade，Econ.J.118（530）（2008）927-960.[10] David H.作者：Frank Levy，RichardJ. Murnane，最近技术变革的技能内容：实证探索，Q。 J. 经济118（4）（2003）1279[11] Benjamin Balsmeiera，Martin Woerterb，Is this time di？数字化如何创造和破坏就业机会，Res. 政（48）（2019）103765.[12] Matthias Haslberger，《有偏见的技术变革并不总是导致两极分化：来自10个经合组织国家的证据，1995-2013》，Res. Soc. Stratif。移动电话(74)（2021）100623.[13] 牛猛，王振国，张亚斌，信息和通信技术如何驱动（常规和非常规）工作：中国的结构路径和分解分析，《经济学》。政（八）字（2021）102242.[14] Valeria Cirillo，Rinaldo Evangelista，Dario Guarascio，Matteo Sostero，数字化，工作和就业： 对意大利基于任 务的数据的探索， Res.Policy（50）（ 2021）104079。[15] 程承平，彭欢，人工智能的吸纳机制与中国（10）（2018）62[16] 李磊，王晓霞，鲍群，机器人就业效应：机制与中国经验，管理世界（9）（2021）104[17] Clémence Aubert-Tarbya，Octavio R. Escobara，Thierry Raynab，技术变革对就业的影响：新闻数字化的案例，技术预测。Soc. Change（128）（2018）36-45.[18] L.R. Ngai，C.A. Pissarides，多部门增长模型中的结构变化，Am。（97）（2007）429-443。[19] W.J. Baumol，S.A.B.布莱克曼，E.N.不平衡增长再访：渐近停滞和新证据，美国。经济Rev. （4）（1985）806[20] Francisco Alvarez-Cuadrado ， Ngo van Long ， M. Poschke ， Capital-LaborSubstitution ， Structural Change ， and Growth ， Theo 。 经 济 （ 12 ）（2017）1229[21] 放大图片作者：James R. Markusen，国际贸易难题：一个连接生产和偏好的解决方案，Q。 J. 经济（129）（2014）1501[22] 米格尔A。莱昂·莱德斯马彼得·麦克亚当阿尔波·威尔曼识别弹性[J]，Am. 100（4）（2010）1330-1357。[23] 亚当·惠特尔，迪特尔F。Kogler，与什么有关？技术关联性文献回顾：我们现在在哪里，我们能去哪里？[J]，Paper Region Sci. (99)（2019）97-113。[24] RuneDahl Fitjar，Bram Timmermans，Regional skill relatedness：towards a newmeasure of regional related diversification，Eur.计划种马。25（3）（2017）516[25] 里卡德·埃里克松纳安德烈斯·罗德里格斯·波塞瑞典与工作相关的流动性和工厂绩效，Geoforum 83（1）（2017）39-49。G. Huaping和G. 斌华电信和信息学报告7（2022）1000108[26] 张文，张文，等.城 市空 间增 长 与工 业 化[J].北 京： 科 学出 版社 ， 2000，24（1）：100-101. 经济理论144（9）（2009）2477-2502。[27] Sudatta Kar，Arpan K. Kar，M. P. Gupta，工业物联网和新兴数字技术-建模专业人员的学习行为，IEEE Access（9）（2021）30017-30034。[28] Pooja Sarin，Arpan Kumar Kar，Kiran Kewat，P.Vigneswara Ilavarasan，影响未来工作的因素：来自社交媒体分析的见解，P