Levinsohn-Petrin 生產力之估計

因 Levinsohn-Petrin 生產力在估計時已扣除要素雇用數量帶來的幫助，為了避免重 複計算的問題且估計外勞數量帶來的影響，故採用外勞比例規模的設定。由表 6-7 可看 出外勞比規模變數small_FL_L、middle_FL_L、large_FL_L 不論模型皆顯著呈現正向，然而 不呈現遞增的線性關係：模型(1)、(2)、(5)、(6)在還未加入工廠變數前，雖然相對於沒 雇用外勞工廠其LP 生產力皆較高，然而隨雇用的比例越高其生產力越低；模型(3)、(4)、

(7)、(8)則呈現外勞佔本勞比例小規模生產力最高，大規模次之，中等規模僅較沒雇用外 勞者高。增列表6-8 觀察工廠特性的影響，由模型(3)、(4)可看出工廠規模是個相當顯著 的遺漏變數，隨著加入工廠規模變數，small_FL_L 係數由 0.954 變成 0.235 下降 0.719；

middle_FL_L 係數由 0.749 變成 0.195 下降 0.554；large_FL_L 係數由 0.699 變成 0.291 下 降 0.408，由相關性可看出廠商規模越大伴隨雇用外勞比例越低，使得 small_FL_L 高估 較多，此與估計AVL 的觀察相符合。其餘特性變數相對於工廠規模而言，對於外勞比例 規模的估計影響皆不大。在控制所有變數後，模型(8) small_FL_L 係數為 0.245、

middle_FL_L 為 0.206、large_FL_L 為 0.300，外勞比規模由小到大將提升 LP 生產力達 24.5%、20.6%、30%，規模最大最高。藉由改變相對的基準，由沒雇用外勞改為小、中、

大外勞比例規模，發現係數皆呈現顯著，代表各外勞雇用群體之間都具有顯著的差異。

若考慮中等規模佔全部雇用外勞工廠的50%，大小規模各佔 25%，中規模以上對於生產 力貢獻加權平均為(20.6%*2+30%)/3=23.7%，則可見相對於中規模以上，小規模對於生 產力的貢獻較高。如前文所述，外勞比例規模變數結合了外勞雇用與否以及外勞比例數 量的效果，似乎可看出雇用外勞對於生產力具有貢獻，然而隨著外勞比例上升卻不見得 可提升生產力，甚至導致生產力下降。這樣的結果與勞動生產力的估計算是一致。

其他外勞虛擬變數：由表 6-7 可見 ex_fl 的係數雖然在模型(2)至(4)顯著為負，然而 在控制產業及年份後不僅不顯著，模型(6)甚至呈現正向。然而由表(18)可見當控制工廠 規模後，其係數又變為負但數字很小且不顯著，故僅能說「超越缺工」在方向上將使LP 生產力降低，但無法拒絕其不具影響力的虛無假設；產業變數 info_elec_fl、metal_fl、

chemical_fl 在控制產業、年份後，發現產業雇用外勞效果由高到低依序為，資訊電子工 業、民生工業、化學工業、金屬機械工業。在控制所有變數後其係數由高到低者分別為 0.131、-0.0470、-0.0716，代表有雇用外勞的資訊電子工業較有雇用外勞的民生工業其 生產多13.1%；化學工業則較民生工業低 4.7%；金屬機械工業較民生工業低 7.16%。此

61

結果與 AVL 的結果大抵一致，僅資訊電子工業從本來不顯著大於民生工業變成顯著大 於，且其係數較大。

工廠、員工特性變數：由表 6-8 可見廠齡隨著加入員工特性變數由顯著負向變作不 顯著，此與之前估計的方向無異，然而無法拒絕廠齡不影響LP 生產力的虛無假設；廠商 規模一樣越大越使得生產力上升，相對於中等規模，大規模工廠使生產力上升 77.3%，

小規模工廠則下降62.2%，一來一回大規模工廠將比小規模提升 LP 生產力達 139.5%，

相較於附加價值、AVL 的估計超出甚多；薪資分散程度仍舊為負，係數為-0.366 若乘上 全距 0.7114，及工資分散最多將降低生產力 26.04%；年齡越高其生產力越低，高齡比 例上升1%將使生產力下降 0.578%，中年比例上升 1%將使生產力下降 0.214%；男性比 則上升1%將使生產力上升 0.200%；最後，人力資本係數為 0.585，考量全距為 1 之下，

其最高可影響工廠的生產力上升58.5%。比較附加價值及 AVL 的估計係數，除了廠齡之 外，明顯可見各特性變數對於 LP 生產力的貢獻較大，尤其工廠規模貢獻幅度差距超過 100%。

從估計附加價值到 Levinsohn-Petrin 生產力，除了廠商規模、薪資分散度之外，工 廠、員工特性的估計結果與Haltiwanger et al. (1999)、Barrington et al. (2001)一致。以 下整理本文的係數結果：廠齡上升 1%將使生產力變動-0.00335%到-0.0310%，只有 Levinsohn-Petrin 生產力估計時不具顯著性；大規模工廠比小規模工廠生產力多出 8.84%

到139.5%；工資分散度係數由-0.0934 到-0.366；中年比例上升 1%，則生產力較青年下 降0.0651%到 0.214%；高齡比例每上升 1%，生產力較青年下降 0.336%到 0.578%；當 男性比例上升1%，生產力上升 0.180%到 0.200%；最後，當人力資本從最低跳到最高，

生產力將上升40.7%到 58.5%，以上係數顯著水準皆達 1%。

Haltiwanger et al. (1999)以銷售/雇用人數 (sales/employment) 代表廠商的勞動生 產力，結果顯示廠齡取自然對數後係數為0.059、女性比係數為-0.268、30 歲以下與 30 到55 歲差距不顯著、55 歲以上係數為-0.164、低教育比例係數為-0.771、高教育比例係 數為1.11，估計方向皆與本文一致，但廠齡、性別、教育程度的係數較 Haltiwanger et al.

估計的小。Barrington et al. (2001)以平均勞動附加價值代表生產力，結果顯示工資分散 度的係數為0.12、高齡員工比例係數為-0.08、大學畢業比例係數為 0.33，同時也看出不 論族裔，男性的生產力皆較女性為高。廠商規模則與Idson and Oi (1999)一致，規模越 大生產力越高；工資分散估計方向的差異，可說明相較於國外，台灣的產業較符合Akerlof and Yellen (1990)公平理論的假設，當員工薪資差距拉大將降低團隊工作的效率。

62

小結關於生產力的估計。在AVL 的估計中，為了避免遺漏變數，藉由控制是否雇用 外勞的虛擬變數以及其他各個勞雇變數，發現有雇用外勞的樣本生產力較高，但外勞佔 本勞的比例越高其勞動生產力隨之下降；Levinsohn-Petrin 生產力的估計也發現相同結 果，雇用外勞生產力較高，但外勞比例越高甚至會導致生產力下降。是否雇用外勞雖可 能隱含遺漏變數、同時性因素，但常理來講外勞雇用應可發揮「補充性」，也就是國內所 謂的「缺工」得到滿足時，可使得生產力有所提升。故fl_emp 係數為正、或是外勞比例 規模係數皆為正，部分反映了「補足缺工」對於生產力的提升效果。再佐以缺工變數ex_fl 後，完整的故事方向為：雇用外勞的廠商藉由補足「缺工」提升其生產力，然而「缺工」

被滿足之後，「超越缺工」的雇用為本勞帶來了低價的競爭者，外勞比例越高可能代表低 生產力的外勞替代本勞的可能性越大，導致廠商生產力下降。雖無法確定真實的機制一 定跟故事說的一樣，然而，以本文的結果亦無法拒絕這樣的可能性。

63

表6-7：製造業廠商 Levinsohn-Petrin 生產力之估計結果

方程式 (1) (2) (3) (4) (5) (6) (7) (8)

解釋變數 lnomega lnomega lnomega lnomega lnomega lnomega lnomega lnomega

small_FL_L 0.973*** 0.936*** 0.173*** 0.215*** 0.945*** 0.949*** 0.242*** 0.245***

[0.0108] [0.0158] [0.0151] [0.0147] [0.0107] [0.0172] [0.0159] [0.0156]

middle_FL_L 0.763*** 0.740*** 0.131*** 0.177*** 0.736*** 0.743*** 0.201*** 0.206***

[0.00781] [0.0135] [0.0124] [0.0122] [0.00773] [0.0151] [0.0136] [0.0133]

large_FL_L 0.730*** 0.709*** 0.236*** 0.282*** 0.685*** 0.692*** 0.295*** 0.300***

[0.0109] [0.0149] [0.0132] [0.0129] [0.0108] [0.0165] [0.0145] [0.0142]

ex_fl -0.0824*** -0.0525*** -0.0598*** 0.012 -0.00384 -0.00498 [0.0115] [0.0103] [0.0101] [0.0119] [0.0107] [0.0105]

info_elec_fl 0.483*** 0.346*** 0.284*** 0.0608** 0.148*** 0.131***

[0.0226] [0.0205] [0.0200] [0.0254] [0.0229] [0.0224]

metal_fl 0.0831*** 0.121*** 0.0708*** -0.0339** -0.0666*** -0.0716***

[0.0127] [0.0113] [0.0111] [0.0149] [0.0130] [0.0128]

chemical_fl -0.014 0.0125 -0.0242* -0.0291* -0.0394*** -0.0470***

[0.0147] [0.0130] [0.0127] [0.0171] [0.0149] [0.0147]

lnAGE -0.0536*** -0.00583 -0.0460*** -0.00335

[0.00355] [0.00369] [0.00354] [0.00365]

small_firm -0.658*** -0.629*** -0.650*** -0.622***

[0.00476] [0.00480] [0.00473] [0.00479]

large_firm 0.807*** 0.777*** 0.805*** 0.773***

[0.00561] [0.00550] [0.00552] [0.00543]

wdispersion -0.465*** -0.370*** -0.459*** -0.366***

[0.0166] [0.0161] [0.0163] [0.0159]

age3055r -0.215*** -0.214***

[0.0114] [0.0115]

age55r -0.595*** -0.578***

[0.0166] [0.0168]

avg_male 0.241*** 0.200***

[0.00999] [0.0109]

human_cap 0.612*** 0.585***

[0.0209] [0.0208]

[0.00254] [0.00254] [0.0112] [0.0287] [0.0156] [0.0157] [0.0164] [0.0316]

Observations 147430 147430 147430 147430 147430 147430 147430 147430 R-squared 0.105 0.109 0.386 0.403 0.138 0.138 0.398 0.412

64

表6-8：製造業廠商 Levinsohn-Petrin 生產力之估計結果(僅含控制產業與年份之模型)

方程式 (1) (2) (3) (4) (5) (6) (7) (8)

解釋變數 lnomega lnomega lnomega lnomega lnomega lnomega lnomega lnomega

small_FL_L 0.945*** 0.949*** 0.954*** 0.235*** 0.242*** 0.239*** 0.235*** 0.245***

[0.0107] [0.0172] [0.0172] [0.0160] [0.0159] [0.0158] [0.0157] [0.0156]

middle_FL_L 0.736*** 0.743*** 0.749*** 0.195*** 0.201*** 0.202*** 0.198*** 0.206***

[0.00773] [0.0151] [0.0152] [0.0136] [0.0136] [0.0134] [0.0134] [0.0133]

large_FL_L 0.685*** 0.692*** 0.699*** 0.291*** 0.295*** 0.296*** 0.294*** 0.300***

[0.0108] [0.0165] [0.0166] [0.0145] [0.0145] [0.0143] [0.0143] [0.0142]

ex_fl 0.012 0.0103 -0.0025 -0.0038 -0.0056 -0.0032 -0.005 [0.0119] [0.0120] [0.0107] [0.0107] [0.0106] [0.0106] [0.0105]

info_elec_fl 0.0608** 0.0639** 0.153*** 0.148*** 0.134*** 0.129*** 0.131***

[0.0254] [0.0255] [0.0230] [0.0229] [0.0227] [0.0227] [0.0224]

metal_fl -0.0339** -0.0305** -0.0594*** -0.0666*** -0.0640*** -0.0624*** -0.0716***

[0.0149] [0.0149] [0.0130] [0.0130] [0.0129] [0.0128] [0.0128]

chemical_fl -0.0291* -0.0297* -0.0329** -0.0394*** -0.0382*** -0.0409*** -0.0470***

[0.0171] [0.0172] [0.0150] [0.0149] [0.0148] [0.0147] [0.0147]

lnAGE -0.0553*** -0.0419*** -0.0460*** -0.0054 -0.0038 -0.0034 [0.00402] [0.00353] [0.00354] [0.00366] [0.00365] [0.00365]

small_firm -0.680*** -0.650*** -0.621*** -0.622*** -0.622***

[0.00462] [0.00473] [0.00479] [0.00478] [0.00479]

large_firm 0.823*** 0.805*** 0.779*** 0.783*** 0.773***

[0.00558] [0.00552] [0.00549] [0.00550] [0.00543]

wdispersion -0.459*** -0.433*** -0.421*** -0.366***

[0.0163] [0.0163] [0.0162] [0.0159]

age3055r -0.297*** -0.265*** -0.214***

[0.0113] [0.0114] [0.0115]

age55r -0.708*** -0.677*** -0.578***

[0.0164] [0.0164] [0.0168]

avg_male 0.228*** 0.200***

[0.0110] [0.0109]

[0.0156] [0.0157] [0.0185] [0.0152] [0.0164] [0.0181] [0.0189] [0.0316]

Observations 147430 147430 147430 147430 147430 147430 147430 147430 R-squared 0.138 0.138 0.14 0.394 0.398 0.405 0.407 0.412

65