劳动力技能结构(常规与非常规任务框架)
「劳动力技能结构(常规与非常规任务框架)」，覆盖 2006-2025 年，频率 年度，上市公司层级，含 22 个变量，样本量约 59,289。 衡量企业劳动力技能构成与人力资本质量。
| 时间跨度 | 2006-2025 年 |
|---|---|
| 数据频率 | 年度 |
| 层级 | 上市公司 |
| 变量数 | 22 |
| 样本量 | 59,289 |
| 是否可合并 | 可与同主体数据集合并 |
字段字典
- Symbol [股票代码] — 股票代码
- StkName [证券简称] — 证券简称
- Year [年份] — 财务年度
- Province [省份] — 公司注册所在省份
- ProvinceCode [省份代码] — 省份行政区划代码(6位)
- City [城市] — 公司注册所在城市
- CityCode [城市代码] — 城市行政区划代码(6位)
- County [区县] — 公司注册所在区县
- CountyCode [区县代码] — 区县行政区划代码(6位)
- IndustryCode [行业代码] — 中上协行业分类代码
- IndustryName [行业名称] — 中上协行业分类名称
- TechRatio [技术人员占比] — 计算公式为:技术人员数/员工总数。在方案B(姚加权等2024,管理世界)的routine/non-routine框架中，该指标同时作为非常规劳动力占比的近似度量。单位：比例
- SalesRatio [销售人员占比] — 计算公式为:销售及市场人员数/员工总数。方案A归为高技能，方案B归为常规劳动。单位：比例
- FinanceRatio [财务人员占比] — 计算公式为:财务人员数/员工总数。方案A归为高技能，方案B归为常规劳动。单位：比例
- ProductionRatio [生产人员占比] — 计算公式为:生产人员数/员工总数。两种方案均归为低技能/常规劳动。单位：比例
- AdminRatio [行政人员占比] — 计算公式为:行政人员数/员工总数。方案A归为低技能，方案B未归类。单位：比例
- HighSkillRatio [高技能劳动力占比] — 参考张远&李焕杰(2022,中国人力资源开发)的方法，计算公式为:(技术人员+销售及市场人员+财务人员)/员工总数。用作研究变量，越大代表企业高技能劳动力配置比例越高。单位：比例
- LowSkillRatio [低技能劳动力占比] — 参考张远&李焕杰(2022,中国人力资源开发)的方法，计算公式为:(生产人员+行政人员)/员工总数。用作研究变量，越大代表企业低技能劳动力占比越高。单位：比例
- RoutineRatio [常规劳动力占比] — 参考姚加权等(2024,管理世界)及Autor, Levy & Murnane(2003,QJE)的routine task框架，计算公式为:(生产人员+销售及市场人员+财务人员)/员工总数。行政人员不在此框架中归类。用作研究变量，越大代表企业常规化劳动占比越高。单位：比例
- EduBachelorAboveRatio [本科及以上学历占比] — 参考Acemoglu(2002,RES)以大学教育作为技能分界线的方法，计算公式为:(本科学历人数+硕士及以上学历人数)/员工总数。用作劳动力技能结构的教育维度替代度量。单位：比例
- EduMasterAboveRatio [硕士及以上学历占比] — 计算公式为:硕士及以上学历员工数/员工总数。衡量企业高学历人才密度。单位：比例
- DataQualityFlag [数据质量标记] — 是否存在员工分类数据异常(0=否，1=是)。标记条件:任一分项人数超过员工总数，或五类人数合计超过员工总数的110%
常见问题
- 「劳动力技能结构(常规与非常规任务框架)」是什么数据集？
- 劳动力技能结构(常规与非常规任务框架)，隶属经营绩效。衡量企业劳动力技能构成与人力资本质量。
- 该数据集的时间范围是？
- 覆盖 2006-2025 年。
- 包含哪些变量/指标？
- 共 22 个变量。核心指标包括：技术人员占比、销售人员占比、财务人员占比、生产人员占比、行政人员占比、高技能劳动力占比、低技能劳动力占比、常规劳动力占比、本科及以上学历占比、硕士及以上学历占比、数据质量标记。完整字段清单（变量名·中文名·说明）见页面「字段字典」。
- 数据频率和层级是怎样的？
- 频率为年度，上市公司层级。
- 样本量有多大？
- 约 59,289 条观测。
- 数据是如何测算/获取的？
- 指标定义与计算方法 本数据集旨在构建衡量企业劳动力技能结构的指标，提供了基于员工职能分类的两种理论框架以及教育背景的替代度量。核心数据来源于员工构成信息，包括技术人员、销售人员、财务人员、生产人员和行政人员五类员工的数量。所有指标均以员工总数作为标准化基准，计算各类员工占比。 首先，计算各职能类别员工的基础占比。设$Tech$、$Sales$、$Finance$、$Prod$、$Admin$分别代表技术人员、销售人员、财务人员、生产人员和行政人员的数量，$Total$为员工总数。则各基础比率为： $$TechRatio = \frac{Tech}{Total}, \quad SalesRatio = \frac{Sales}{Total}, \quad FinanceRatio = \frac{Finance}{Total}, \quad ProductionRatio = \frac{Prod}{Total}, \quad AdminRatio = \frac{Admin}{Total}$$ 基于上述基础比率，本数据集提供了两套不同的劳动力技能结构分类方案。方案A参考张远和李焕杰（2022）的研究，依据技能复杂度对员工进行划分。在该方案中，技术人员、销售人员、财务人员被视为高技能劳动力，而生产人员和行政人员被视为低技能劳动力。其核心指标计算如下： $$HighSkillRatio = \frac{Tech + Sales + Finance}{Total}$$ $$LowSkillRatio = \frac{Prod + Admin}{Total}$$ 方案B则参考姚加权等（2024）及Autor, Levy和Murnane（2003）的“常规/非常规任务”理论框架。该框架将生产、销售和财务人员归类为从事常规任务的劳动力，而技术人员则作为从事非常规任务的近似代表。行政人员在此框架中未被明确归类。其核心指标为常规劳动力占比： $$RoutineRatio = \frac{Prod + Sales + Finance}{Total}$$ 在此方案下，$TechRatio$（技术人员占比）可近似视为非常规劳动力占比。 此外，作为劳动力技能结构的教育维度替代度量，参考Acemoglu（2002）的方法，以大学教育作为技能分界线。设$Bachelor$为本科学历员工数，$Master$为硕士及以上学历员工数，则： $$EduBachelorAboveRatio = \frac{Bachelor + Master}{Total}$$ 同时，为衡量企业高学历人才密度，计算硕士及以上学历员工占比： $$EduMasterAboveRatio = \frac{Master}{Total}$$ 补充说明 - 数据质量标记（DataQualityFlag）用于标识潜在的员工分类数据异常。当出现以下任一情况时，标记为1（异常）：1）任一分项员工人数超过员工总数；2）五类员工人数合计超过员工总数的110%。 参考文献 - Acemoglu D. Technical change, inequality, and the labor market[J]. Journal of Economic Literature, 2002, 40(1): 7-72. - Autor D H, Levy F, Murnane R J. The skill content of recent technological change: An empirical exploration[J]. The Quarterly Journal of Economics, 2003, 118(4): 1279-1333. - 张远, 李焕杰. 企业智能化转型对内部劳动力结构转换的影响研究[J]. 中国人力资源开发, 2022, 39(1): 98-118. - 姚加权, 张锟澎, 郭李鹏, 等. 人工智能如何提升企业生产效率？——基于劳动力技能结构调整的视角[J]. 管理世界, 2024, 40(2): 101-116+133+117-122.
- 如何获取该数据集？
- 通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。