一、 引言

随着全球化进程的加深，中国企业的“引进来”和“走出去”迈上了新的台阶。在经历了经济快速发展和大量外资引入的阶段后，中国企业开始着手于海外业务扩展甚至海外收购。由于目前中国的劳动力成本依然相对较低，特别是中部、西部等内陆地区，人们不禁要问：为什么中国许多企业决定在外国收购或建立子公司进行生产而不将产业转移至内陆地区？是因为在收入水平较低的国家离岸生产利用更低价的劳动力，还是在收入水平较高的发达国家生产可以获得更好的市场前景呢？换句话说，本文意在研究驱动国内企业跨国化生产与投资的因素。更重要的是，我们必须厘清对外直接投资对劳动力市场结构，尤其是对中国劳动力市场结构的影响，这对于劳动密集型企业占比很大的中国至关重要。

对外直接投资对母国劳动力市场结构的影响是多方面的，投资规模的大小、投资企业自身的生产经营状况、投资行业的分布等因素的不同，都会对母国公司就业人数、劳动力质量产生一定程度的影响。

对外直接投资对母国劳动力结构的影响已经受到了国内外文献的关注。Elia等（2009）研究了外国子公司或者收购外国公司对母公司的影响，他们对公司的动机进行了划分：寻求市场型和寻求资源型。市场导向的公司一方面对母国本地的商品进行替代，另一方面又面对互补型商品需求增加，因而对外直接投资对其就业的影响是不确定的。与此类似，资源寻求型企业同样面临这一问题：一方面，对外直接投资会减少母公司对低技能劳动者的需求，而另一方面又会增加对高技能劳动者的需求，而这种劳动力结构的变化状况会非常明显。

从这一角度讲，对外直接投资会减少还是会增加母公司（所在国家的）就业很难达成共识。然而，部分学者已通过一些实证研究结果表明：如果母公司位于发达国家，那么其总就业量将会下降；反之亦然（Lipsey等，2000；Masso等，2007；Falk和Wolfmayr，2009；Driffield和Chiang，2009）。对外直接投资给母公司以及母公司所在地就业结构带来的两种主要影响取决于对外投资的企业是市场导向型还是资源导向型，也即是替代效应还是互补效应，或者说两种效应哪种占主导。前一种效应表明，由于公司的附属机构可以在国外就地生产产品，对外直接投资可减少对外投资企业的出口，从而减少对母公司产品的需求，减少母公司的就业水平。而互补效应则认为随着国外子公司的建立，企业将会享有更好的声誉，而由于它可以为国外子公司提供互补商品，对于母公司产品的需求将会增加，因此，就业也会随之增加。

尽管在一些国家和地区，如意大利、美国、韩国、中国台湾和欧洲等，关于对外直接投资对母公司就业结构的影响的研究已经得到了广泛关注和讨论，并取得了相当程度的进展，而在中国，对于该现象的研究依然处于萌芽阶段。于超和葛和平（2011）对柯布道格拉斯生产方程进行延伸，建立了实证模型，并选取了2003~20097年间各省份的面板数据，发现对外直接投资与国内生产总值GDP的比值与就业水平正向相关。刘辉群和王洋（2011）则通过选取国家层面的数据得到了类似的结果。黄晓玲和刘会政（2007）、罗丽英和黄娜（2008）、柴林如（2008）通过对国家层面的数据分析，得出对外直接投资会改善就业结构、第二产业和第三产业的就业比率将会增加的结论。然而，由于数据问题，上述文章的结果是存在问题的。实际上，有许多因素都会影响一个省份或者一个国家的就业及其结构，而对外直接投资的影响相对来说并不显著。另外，这些文章缺乏稳健性检验，其结果由于反事实（counterfactual）假设的缺失而缺乏可信性。为了更好地弄清楚对外直接投资对就业及其结构的影响，最优数据的选取应该在企业层面进行。

目前为止，还没有文献基于企业层面的数据研究对外直接投资对就业及其结构的作用。本文立足于此，对该问题进行分析。第二部分对选取的数据以及实证模型进行描述，第三部分对基本的实证结果进行描述和解释，包括使用替代控制变量、引入其他控制变量、子样本回归以及倾向性分数配对（Propensity Score Matching，PSM）的方法建立更多可信的反事实从而进行稳健性检验，最后第四部分为总结及相关的政策建议。

二、 数据和模型

（一） 数据

秦数据库（BvD-Qin）^①是中国企业财务分析类数据库，收录了超过30万家中国内地公司、企业的财务数据，其中多数公司提供3年或以上的财务数据（资产负债表、损益表、利润表、财务分析比率等等）。本文数据主要来源于秦数据库，同时也收集了《中国城市统计年鉴》中2002至2012年间（统计年鉴出版年份为2003年至2013年）的数据做假说检验（详细描述见乔坤元等（2014））。

数据来源：秦数据库

表1给出了描述性统计量。相关变量解释如下：企业就业量为em，取对数；mne定义为如果一个公司在海外拥有子公司，并且具备了50%以上的绝对控股权，或者尽管不对外国公司具有绝对控股权，仍拥有该公司20%以上的股份。若该公司为mne则变量取1，否则为0。asset表示该公司总资产（对数），ntpi、ttpi、ttmv分别表示企业净收益、企业总收益以及企业的总市场价值，这4个变量均取对数从而确保没有异常值驱动的问题。当公司已经上市，el取值为1，否则为0。当该公司股票入选证券交易指数时，indices取值为1，否则为0。为了能够准确地掌握企业的特点以便在倾向性分数配对部分更好地进行配对，文章也收集了股本回报率（roe）和公司杠杆比率（deratio）方面的相关数据，但这两个变量在回归模型中并未引入，以上数据均来源于秦数据库。

其余的变量作为额外的控制变量主要来自于《中国城市统计年鉴》（2003~2013年）。其中gdpgr衡量国民生产总值（GDP）生产率，gdppc表示人均国内生产总值（单位：元，取对数），gdppcr代表人均国内生产总值的折现值（以1990年为基年）。wage表示城市平均收入（单位：元，取对数）；popgr表示城市人口增长率（单位：千）。dm和dmv分别代表当地企业数目（取对数）和当地企业的总市值（单位：千元；取对数），fai代表固定资产投资总额（单位：千元）。ficn、ficon和fiact则是关于外国投资的变量，第一个代表国外投资协议数（取对数），第二个代表协议外国投资总额（单位：千元；取对数），第三个变量代表正在使用的外国投资合同（单位：千元；取对数）。fisrev和fisexp都是财政变量，前者代表财政收入（单位：千元；取对数），后者表示支出（单位：千元；取对数）。宏观变量的选择主要根据刘冲等（2014）。

以上收集到的数据作为平衡面板数据，没有其他的控制变量，因此本文优先选择面板数据模型。然而，mne是不随时间变化的变量，因此本文通过随机效应模型来刻画其效应。

（二） 模型

根据现有文献，给出如下模型：

${\mathrm{e}\mathrm{m}}_{\mathrm{i},\mathrm{t}}=\alpha +{\lambda }_{\mathrm{t}}+\beta {\mathrm{m}\mathrm{n}\mathrm{e}}_{\mathrm{i},\mathrm{t}}+{\gamma }^{\mathrm{\text{'}}}{\mathrm{X}}_{\mathrm{i},\mathrm{t}}+{\epsilon }_{\mathrm{i},\mathrm{t}}$

其中α是随机效应估计的截距项，但本文依然利用检验随机效应的BP-LM检验来验证估计方法的有效性。结果发现固定效应是存在的，因此本文使用的随机效应模型是最优的。${\lambda }_{\mathrm{t}}$∈{1,2,…,10}是时间变量，用于控制可能到来的各种时间上的冲击（刘冲等，2014）。在本文的数据集中，由于找不到关于对外直接投资的公司何时成立国外子公司或者收购外国公司的数据，因此只好在双向面板中引入时间变量。其中，mne是代表企业在国外是否存在分支机构的虚拟变量。${\mathrm{X}}_{\mathrm{i},\mathrm{t}}$指上文已经描述过的一系列控制变量。我们将在下一部分对实证分析的结果进行描述和解释。

三、 实证分析

（一） 基准回归结果

由表2的回归结果可知，基准回归结果表明跨国企业比国内企业雇佣更多的劳动力，这种估计在1%统计水平下显著。尽管当引入公司是否已经在股票市场上市，即el变量和公司股票是否为证券交易指数这两个控制变量之后，估计参数在一定程度上下降，但在1%统计水平下依旧显著。这可能是因为mne和el这一对变量以及mne和indicies这一对变量的正相关关系所致。

对于控制变量，公司规模（asset）会正向影响就业，通过基准回归结果分析，我们发现资产这一变量系数为正，并在1%统计水平下显著：1%的总资产规模的增加会使就业增加0.22%。如果公司上市，公司则会多雇佣50%的劳动力。另一方面，如果股票是证券交易指数的一个组成部分，那么相应的公司将会多雇佣25%的员工。进一步，这两个变量至少在5%水平下显著。

结果表明跨国企业一般会比国内企业多雇佣将近25%的劳动力。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

（二） 替代变量和引入其他变量检验

我们首先使用替代变量进行稳健性检验。当将原模型中的原始规模变量asset替换为总收益（ttpi）和净收益（ntpi）时，估计参数与基准回归相比保持不变。唯一的不足是将asset这个变量与市场总值进行替换的时候，尽管显著性水平没有很大的改变，但是估计结果有了较大程度的偏离。这可能是由样本容量的减小以及asset变量与mne变量之间可能存在正相关关系所致。

此外，由回归结果可知，规模变量依然正向地影响公司的就业。这3个变量均在1%的统计水平下显著，总利润、净收益和全部市场价值每增加一个百分点，就分别可以使雇员人数增加0.051%、0.12%和0.31%。

表3显示，mne变量的系数基本没有波动，系数稳定在0.24左右。资产每增加1%，雇员人数即可增加20%，并且估计系数在1%统计水平下显著。公司是否已经上市以及是否被选入证券指数也正向影响雇员总量，在维持其他变量不变的情况下，前者会增加50%，后者会增加17%的雇员人数。

引入的其他变量并不影响mne的估计系数，而且我们可以直观地发现这些表示经济发展的变量都会正向影响就业，这可能是因为当地较好的经济环境会促使劳动力价格的上升。人口增长、国内企业数量及其市值（popgr、dm、dmv）对于就业的负效应可能表明国内企业会从跨国企业中带走劳动力。固定资产投资的负效应可能是由于政府大力支持国内企业导致的，从而使跨国企业的就业人数减少。

表3依然告诉我们，跨国企业平均比国内企业多雇佣接近25%的员工。

表4是使用另外一套控制变量进行分析得出的实证结果。我们发现mne的估计系数均在1%水平下显著，并且系数基本在0.29左右。对于asset和el，尽管估计值有所变动，但基本不变。变量indices的估计系数依旧为正，但不稳定。其他控制变量比如wage、dmv和fai尽管显著性水平和估计系数有所变动，但与表3状况基本一致。由于外国公司可能比国内公司更具有吸引力，外商投资会对跨国企业的就业构成冲击。因此外国投资合约数目（ficn）、协议外国投资（ficon）和实际使用的外国投资（fiact）的估计系数均是负值。从这种意义上讲，当地政府可能旨在吸引外商投资，从而减少了跨国企业的就业，因此财政收益和财政支出都会负向影响跨国公司就业。

该检验结果同样证实了最初的结论：跨国企业一般会多雇佣25%的员工。

（三） 子样本检验

上述结果可能是由不同地区的特殊性带来的。首先，我们按公司所在城市划分子样本，希望考虑到企业总部所在城市的不同（乔坤元，2012），因为将这些公司放到一起分析会丢失许多重要的信息，因此在接下来的子样本定义中，本文引入了许多政治、经济和地理方面的变量作为划分标准。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

（1）企业总部所在城市是不是该省份的省会城市，或拥有其副省级管辖权利的副省级城市，或拥有与省份一样的管辖权的4个直辖市。

（2）企业总部所在城市是不是特别经济区之一。

（3）企业总部所在城市是不是开放型沿海城市之一。

结果如表5所示，从中可以发现，mne系数在0.25左右并且在不同的显著性水平下全部显著，进一步支持了基准回归的结论。副省级城市和省会城市一般会对mne产生更多的影响，这可能是因为省内资源会在该类型城市聚集，故跨国企业会雇佣更多员工。直辖市、特别经济区和开放型沿海城市的情况相反，这可能是外国投资的竞争导致的。在所有子样本中，asset和el变量在1%显著性水平下显著，并且与企业就业呈正相关。indices系数依然为正，但是不稳定。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

在子样本检验中，我们依旧发现跨国企业平均会多雇佣25%的劳动力，并在1%的显著性水平下显著。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

接下来按产业分类划分子样本（刘冲等，2014）。产业的不同可能使我们的样本不可比，因此本文进一步探讨产业的不同对于跨国企业劳动力的影响。我们根据跨国企业的产业分布状况对各个产业进行逐一分析：其中，第一产业主要包括农、林、畜、牧、渔业等，第二产业主要包括制造业、采掘业等，第三产业主要包括服务业，如金融、保险等非物质生产部分。

结果如表6所示，第一产业（农、林、畜、牧、渔业）中mne的系数为-0.0873，并且在10%统计水平上不显著。对于第二产业，mne系数为0.385并且在1%的显著性水平下显著，支持了对外直接投资将会对母企业就业具有促进作用这一结论；第三产业的结果与第一产业结果相似。在所有子样本中，asset、el和indices均在1%的显著性水平下显著，并且能够正向影响企业就业。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

我们认为出现该现象的原因是从事对外直接投资的国内企业主要集中在第二产业所致，而对于第一产业，由国家统计局的数据显示，中国是粮食的主要进口国，一些谷物需要进口，而一些肉类和蔬菜则出口，因此进出口金额基本上相差很小，而第三产业的对外直接投资并不是很活跃，故其雇员人数不宜用该指标来解释。当然对这两个产业的结果分析仅为直观分析，其具体结果及原因有待进一步挖掘。

最后，我们按企业类型来划分子样本（Qiao，2013）。如表7所示，不同类型的企业，其跨国经营对劳动力影响也可能存在着不同：其中，对于国有独资企业和股份有限公司，mne的系数均为负值，前者为-0.631，并在1%的显著性水平下显著，而后者mne系数为-0.062，但在10%显著性水平下不显著。而对于国有企业、有限责任公司、私营有限责任公司、集体企业和港澳台独资企业，mne系数均为正值，除了前两者在10%水平下不显著外，其他均在不同显著性水平下显著，即对外直接投资将会对母公司就业产生促进作用。在所有子样本中，asset和indices均在1%的显著性水平下显著，但与前有所不同的是，indices负向影响企业就业，这说明上市企业在股市中的地位越高，更容易去海外招募员工，因此国内的员工人数就相对较少。此外，我们发现这些公司的el均取1，因此在回归中因为共线性被忽略。

（四） 倾向分数配对

尽管子样本检验结果依然支持前文的论点，但是子样本变动非常明显，因此需要进一步挖掘并且找到更好的反事实从而更好地估计跨国经营对劳动力的影响。处理这种差异的更好方法是倾向分数配对(PSM）。这种方法来源于Rosenbaum和Rubin（1983），是一种修正选择偏差的矫正策略（详见乔坤元（2012）以及刘冲等（2014）的描述）。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。LM's p代表BP-LM的p值。

首先从图1中，我们可以看到配对的效果很好，各个倾向分数的对照组和实验组的数量比例比较一致。当然，这样的简单比较是不充分的，我们进一步使用回归分析和成对t检验的方法来从统计上进行更加严谨的分析。

配对细节、结果和回归结果汇总在表8中，我们可以看到probit模型中，用于打分的变量都是显著的，并且在配对之后各个得分区间内的观测数量很接近。这说明我们配对的前提是有效的。

子表C表明在这种情况下，配对的结果被进一步提高了。文章之后检验了probit模型中的伪R²，表明独立变量对观测被选入实验组的预测能力。我们期望这些独立变量应该对样本的选择性有很少的解释能力，而且伪R²也从0.0444降到0.0041，符合我们的预期，再次证明了配对的效果（乔坤元，2012；刘冲等，2014）。

综上所述，由稳健性检验的结果可知，匹配的结果是有效的，经过配对之后实验组和对照组在很大程度上是一样的。

注：括号内为标准误，***、**和*分别表示1%、5%和10%显著性水平。得分基于使用probit模型将mne对asset、el、indices、year dummies、roe和deratio回归。

最后，本文检验了跨国公司在就业上的整体效应。在表8子表E中，可以看出对跨国公司的估计与完全随机效应的估计几乎是一样的。相比之下，跨国公司多拥有25%的员工，这不仅在统计上显著，在经济意义上也不可忽视。

四、 结论

本文得到了中国公司跨国经营对公司层面就业的正效应；跨国公司员工数比国内企业高出25%。这一结论通过了多种稳健性检验，包括使用替代变量、额外变量、子样本回归以及PSM等方法。

本研究使用了一些关于产业组织结构的理论模型，关于公司跨国经营对劳动力影响的机理需要进一步的研究。同时，本文也受到数据质量的限制，由于无法拿到企业变为跨国公司前后时变（time-varying）的数据，因此只能通过随机影响模型和控制时间固定效应来尽可能捕捉跨国经营对劳动力的影响。虽然如此，本文的结论依然有一定的政策指导意义。政府应该鼓励企业向跨国公司的方向发展，这不仅可以促进就业，还可以更好地利用海外的资源开拓市场从而有利于企业的长远发展。此外，建立更多跨国企业也是解决中国经济过度依赖出口问题的一个方法。

①该数据库已经更名为BvD-Oriana（BvD亚太数据库），而之前关于中国的部分文献出自秦数据库（Qiao，2013）。

参考文献