原文信息
[1]吴雨,李晓,李洁等.数字金融发展与家庭金融资产组合有效性[J].管理世界,2021,37(07):92-104+7.
[2]李磊,王小霞,包群.机器人的就业效应：机制与中国经验[J].管理世界,2021,37(09):104-119.
[3]田鸽,张勋.数字经济、非农就业与社会分工[J].管理世界,2022,38(05):72-84.
[4]余玲铮,魏下海,孙中伟等.工业机器人、工作任务与非常规能力溢价——来自制造业“企业—工人”匹配调查的证据[J].管理世界,2021,37(01):47-59+4.
[5]孙伟增,牛冬晓,万广华.交通基础设施建设与产业结构升级——以高铁建设为例的实证分析[J].管理世界,2022,38(03):19-34+58+35-41.
数字金融发展与家庭金融资产组合有效性
吴雨；李晓；李洁；周利
作者单位：西南财经大学中国家庭金融调查与研究中心；西南财经大学经济与管理研究院；广东外语外贸大学金融学院
被解释变量Y：家庭金融资产组合有效性，使用夏普比率（Sharp Ratio）衡量
核心解释变量X：北京大学数字普惠金融指数（PKU-DFIIC）
工具变量IV选取：（1）到省会城市的球面距离*全国数字金融发展指数均值；（2）所在城市7年前移动电话使用率（市区有移动电话家庭户数/市区总户数）
工具变量选取依据：
（二）内生性分析
前文分析中虽采用了滞后一期的数字金融发展指数以减轻反向因果问题的干扰，但是仍可能存在一定的内生性问题。因此，本文进一步使用工具变量法以缓解内生性问题对估计结果的影响。首先，本文选取家庭居住地到省会城市的球面距离与全国数字金融发展指数均值的交互项（何宗樾等，2020）作为本文的第一个工具变量（工具变量＿1）。工具变量的选取需要满足相关性和外生性两个条件。一方面，家庭所在地区与省会城市的距离越远，则该地区数字金融发展水平可能越低，满足工具变量相关性要求。另一方面，家庭所在地区与省会城市的距离很难直接影响家庭的金融资产配置行为，并且基于地理指标构建的变量外生性较强，因而是一个较为理想的工具变量。此外，由于关键解释变量数字金融发展指数是随年份变化的变量，但是家庭所在地区到省会城市的距离是不随时间变化的，故导致工具变量估计失效，因而进一步将距离与各年全国层面的数字金融发展指数的均值交乘，保证了工具变量的有效性，在实证分析中对距离取了自然对数。
工具变量估计结果如表4所示，第（1）列汇报了工具变量第一阶段的估计结果，由估计结果可知，家庭所在地区到省会城市的距离与数字金融发展之间显著负相关。一阶段估计的F值为365.93，显著大于10％水平下的临界值16.38，排除了弱工具变量问题。表中不可识别检验显示，Kleibergen—Paap rk LM统计量为365.6，P值为0.000，显著拒绝不可识别的原假设，表明工具变量与内生变量强相关。第（2）、（3）列工具变量估计结果表明，在缓解了内生性问题后，数字金融发展对家庭金融资产组合有效性的影响仍显著为正。
其次，为了保证工具变量估计结果的稳健性，进一步采用家庭所在城市7年前移动电话使用率（市区有移动电话家庭户数／市区总户数）作为本文的第二个工具变量（工具变量＿2）。估计结果如表4第（4）～（6）列所示。由估计结果可知，数字金融发展的系数仍显著为正。
机器人的就业效应：机制与中国经验
李磊；王小霞；包群
作者单位：南开大学跨国公司研究中心；天津财经大学经济学院；南开大学经济学院
被解释变量Y：企业从业人员
核心解释变量X：工业机器人进口
工具变量IV选取：（1）上一年度机器人进口来源国的汇率水平；（2）上一年度行业内机器人平均进口强度；（3）上一年度地区最低工资水平
工具变量选取依据：
（二）工具变量法
本文通过寻找合适的工具变量，利用两阶段最小二乘法（2SLS）解决内生性问题。具体的，本文试图借助以下3种工具变量降低机器人进口的内生性：（1）上一年度机器人进口来源国的汇率水平（ex—change＿rate）®。人民币汇率的波动会影响企业的机器人进口决策，同时其变化外生于企业的就业规模。（2）上一年度行业内机器人平均进口强度（Inindustry＿robot）。首先，行业内机器人平均进口强度通过示范效应和竞争效应影响企业引进机器人的决策，提高企业进口机器人的可能性；其次，本文被解释变量是企业层面的就业人数，工具变量属于行业层面，相对而言，两者之间的直接关联较弱。（3）上一年度地区最低工资水平（Inmw）。最低工资调整由地区政府层面做出，企业很难通过游说、拖延等影响地区最低工资调整，满足外生性假设。此外，最低工资调整提高企业的工资成本（马双等，2012），进而影响企业对机器人的使用意愿，满足相关性假定。
数字经济、非农就业与社会分工
田鸽；张勋
作者单位：中国人民大学经济学院；北京师范大学统计学院；北京大学数字金融研究中心
被解释变量Y：“是否从事非农工作”虚拟变量
核心解释变量X：“宽带中国”政策DID交乘项
工具变量IV选取：到“八纵八横”光缆骨干网节点城市的球面距离*是否开始实施“宽带中国”政策的时间虚拟变量
工具变量选取依据：
3．工具变量法
尽管我们采取了诸多方法来缓解“宽带中国”政策效果估计的内生性问题，但是作为城市层面的政策，“宽带中国”政策仍不可避免地受到城市层面诸多可观测或不可观测因素的影响，我们很难将这些因素一一控制。为此，我们使用了家庭所在地到“八纵八横”光缆骨干网节点城市的球面距离与是否开始实施“宽带中国”政策的时间虚拟变量的交互项作为DID项的工具变量。表6的第（1）列报告了第一阶段的回归结果。很明显，工具变量与DID项显著负相关，符合预期：距离节点城市越近，越有可能成为“宽带中国”政策试点城市。表6的第（2）列将DID项与工具变量同时作为解释变量进入回归，我们发现DID项的系数依然显著为正，工具变量的系数则不显著，说明工具变量只能通过影响DID项从而影响被解释变量，满足排他性约束。表6的第（3）列报告了使用工具变量估计的第二阶段回归结果。第一阶段的考虑异方差的弱工具变量检验F统计量大于10，再次表明工具变量满足相关性特征。从估计结果来看，我们依然发现数字经济的发展显著促进了非农就业，证实了估计结果的稳健性。
工业机器人、工作任务与非常规能力溢价——来自制造业“企业—工人”匹配调查的证据
余玲铮；魏下海；孙中伟；吴春秀；
作者单位：华侨大学经济与金融学院；华侨大学经济发展与改革研究院；华南师范大学政治与公共管理学院；上海财经大学公共经济与管理学院
被解释变量Y：月工资的自然对数
核心解释变量X：“企业是否使用机器人”虚拟变量
工具变量IV选取：所在城市对机器人使用的补贴强度
工具变量选取依据：
1．工具变量估计
由于企业在决定是否使用机器人或者先进自动化技术时，可能会遵循某些选择机制，比如城市有关机器人的补贴政策等外部环境，“使用机器人”这一变量可能是内生的。为此，我们采取一个相对外生的变量—城市机器人补贴强度作为工具变量。在构建这一指标变量时，利用调查问卷“自从开始实施机器换人或自动化，是否获得政府补贴”来计算各个城市的平均补贴强度。
结果见于表5第（1）和（2）列，分别对应最大似然法和两步法估计，不难发现，似然比检验结果拒绝原假设Ho：p＝0，表明存在内生问题（Breen，1996）。我们所关心的核心自变量“机器人x非常规任务”交互项的估计系数显著为正，分别为0.114和0.112，这一结果与全样本OLS估计结果较为接近。考虑内生性问题的估计结果再次印证了，机器人所产生的增长红利并不是以“涓流”方式均等受惠于所有的工人群体，而是在不同任务工人间重新分配，最终导致任务间工资差距拉大。本文核心结论稳健成立。
交通基础设施建设与产业结构升级——以高铁建设为例的实证分析
孙伟增；牛冬晓；万广华
作者单位：中央财经大学经济学院；清华大学建设管理系恒隆房地产研究中心；复旦大学世界经济研究所
被解释变量Y：产业结构指数
核心解释变量X：高铁开通DID交乘项
工具变量IV选取：历史上的铁路发展水平
工具变量选取依据：
（二）工具变量法
在研究铁路或者高铁对于经济发展的影响时，许多文献借助历史铁路数据作为工具变量来解决内生性问题（Duranton and Turner，2012；Zheng and Kahn，2013；Martincus et al．，2017；Baum-Snow et al．，2017），其核心逻辑是：一方面，现阶段铁 路的建设很大程度上依托于老铁路，这可以降低设计和建造成本，且修建目的较为类似，都是为了连接人口较多或经济发达的城市或港口。因此高铁线路的选择与老铁路网有很强的相关性。另一方面，从理论上来说，历史上的铁路网与现在相隔久远，它们只通过影响新的线路选址对当前的经济发展产生作用，满足排他性。由于20世纪80年代中国铁路骨架基本建设完成，本文选取的工具变量为1984年的中国铁路数据，数据来源于《全国铁路列车时刻表（1984）》。
然而，历史铁路数据只在横截面上发生变动，无法作为面板数据的工具变量。针对这一问题，本文借鉴Duflo和Pande（2007）及Lipscomb等（2013）等的做法，引入另外一个时间维度的外生变量：受到财政预算的限制，每年新增的高铁车次外生给定。这样一来，可以先计算1984年各城市平均每天与其他城市的通车次数，并从高到低进行排序，然后根据2008～2019年每年开通高铁的城市总数，设定排名靠前的城市为开通高铁的城市。例如，2008～2010年分别有5、25、40个城市开通了高铁，所以我们将1984年通车次数排名前5、25、40的城市分别设为2008～2010年对应开通高铁城市，其余为非高铁城市。如此，该交叉变量在横截面和时间双维度上都存在变化，可以作为工具变量引入模型（1）。
表3报告了工具变量的回归结果。从第一阶段回归结果看，工具变量与高铁开通之间存在显著的正相关关系，即历史上开通了铁路的城市开通高铁的可能性更大，这与预期相符。同时一阶段回归的F统计量显著大于10，说明不存在弱工具变量问题。为了进一步检验工具变量的排他性，我们将工具变量直接加入模型（1），结果发现在已经控制了高铁连通变量之后，工具变量对城市产业结构指数的影响不显著，这在一定程度上说明本文选取的工具变量与其他不可观测的因素不很相关（详见《管理世界》网络发行版附录）。从第二阶段的回归结果看，hsr的系数都为正，且均在1％的水平下显著。从系数值来看，采用工具变量后hsr的系数大于基准模型给予的估算值（见表2），一个可能的解释是模型中存在的遗漏变量与高铁开通和产业结构指数之间存在负向关系。例如，在高铁建设的同时考虑了通过连接带动落后地区的产业结构变迁，从而更倾向于将产业结构指数较低的城市纳入高铁建设。
来源：社科学术汇
