以台灣電子業工廠為例
張景福．盧其宏．劉錦添∗ 本文係以1998年至2003年台灣電子業工廠與員工的合併資料作 為實證基礎,觀察工廠與勞工特性對於工廠生產力與平均薪資之影 響。 本文所討論的生產力指標包括勞動生產力與總要素生產力。 另 外,為考量生產要素投入與生產力兩者間關聯性所造成的估計偏誤,本文進一步利用Levinsohn and Petrin (2003)的生產力估計方法來
解決生產要素投入的內生性問題。 實證結果顯示,整體來說,電子 業工廠規模較大、 工廠營運年數較多、 員工的男性比例與人力資本 指標較高的工廠,其生產力越高,我們發現員工的教育程度組成為 大型工廠生產力的重要決定因素,但員工的年齡結構與性別組成對 其生產力則無明顯影響。 至於工廠平均薪資方面,各項特性對於薪 資的影響方向大略與生產力相同,僅員工年齡組成對於生產力與薪 資有相反的效果。 關鍵詞:勞工組成特性,合併資料,生產力,薪資,外籍勞工 JEL分類代號: C33, D20, J30 1 前言 自1980年代以後, 許多的勞動經濟學文獻開始強調勞工與雇主雙方特性 對於勞動市場與廠商經營績效的影響。 然而,由於現成的調查統計資料往 往僅擁有勞工或雇主單方面的資訊, 因此, 實證研究受到很大的限制。 早 ∗作者分別為國立台灣大學經濟學研究所博士、 華彥資產管理股份有限公司研究員與 國立台灣大學經濟學系特聘教授。 劉錦添教授為通訊作者。 感謝兩位匿名審查者與主編 提供的寶貴意見,使本文修正得更臻完善。 文中若仍有疏漏之處,由作者們共同負責。
經濟論文叢刊(Taiwan Economic Review), 39:2 (2011), 177–212。 國立台灣大學經濟學系出版
在1986年, Rosen (1986) 即明確指出, 1980年代現有的資料不足以了解
美國勞雇雙方對勞動市場的影響,因此, 未來的實證發展需要尋求合適的
廠商與員工合併資料(matched employer-employee data)。 Willis (1986)亦
認為員工特性與雇主特性在分析如薪資、 員工流動與制度上, 將扮演非常
關鍵的角色。 誠如Abowd and Kramarz (1999)所述,在Rosen與Willis兩
位學者對於合併資料發表看法之後,使用廠商與員工合併資料的實證分析
如雨後春筍。 Abowd and Kramarz兩位回顧了15個國家38套合併資料庫,
合計大約100篇之相關研究。 由於資料庫的組成方式各異,該文將當時的 合併資料歸納成為六大類,分別為: (i)橫斷面代表性廠商與代表性勞工合 併資料, (ii)橫斷面代表性廠商與非代表性勞工合併資料, (iii)橫斷面代表 性勞工與其受雇廠商追蹤合併資料, (iv)以原始行政資料所合併的代表性 勞工與廠商追蹤資料, (v) 以調查資料所合併的代表性勞工與廠商追蹤資 料, 以及(vi)非代表性的廠商與勞工合併資料。 這六大類資料中,尤其以 第(iv)大類行政合併資料所提供之勞工與廠商資訊最為完整正確,但也相 對的較不易取得。 在合併資料逐漸普及後,實證研究可同時考量廠商及員工不同面向變
數對生產力的影響。 例如: Abowd et al. (1999)與Haltiwanger et al. (1999)
分別採用法國與美國的廠商與勞工合併資料,探討廠商與員工組成特性差
異對於廠商生產力的影響。Barrington and Troske (2001)則使用美國的合
併資料,檢視廠商內部勞動薪資與職位多樣性以及勞動生產力的關聯。 另 外, Iranzo et al. (2008)係以義大利的合併資料,分析員工的技術分散度對 於生產力的影響。 除了研究廠商與員工組成特性對於生產力影響之外,另外有的文獻利 用合併資料進行比較員工特性對於生產力及薪資報酬兩者的影響效果,藉 以看出員工特性的變化對生產力與薪資報酬的影響效果是否一致。 例如 Hellerstein et al. (1999)與Hellerstein and Neumark (2004)分別使用美國 的橫斷面合併資料分析員工特性對於生產力及薪資影響的邊際效果之差 異; 而Hellerstein and Neumark (1999) 運用以色列的合併資料探討員工 性別與職位對生產力及薪資影響的差異;另外, Galindo-Rueda and Haskel (2005)以英國的橫斷面合併資料,針對員工特性對於公司之生產力與薪資
的影響進行研究。
至於運用台灣資料所進行的廠商生產力研究,大多集中在廠商的特性
層面,例如:蔡光第．楊浩彥(1996)、 莊亦琦．許碧峰(1999)、 楊志海．陳忠 榮(2002)、 蔡蕙安．陳致綱(2002)、Chen and Yang (2005)。這幾篇研究皆 係針對台灣製造業廠商進行專利或研究發展外溢對廠商生產力或生產成 本之影響效果進行分析。Liu et al. (1999)與Aw et al. (2000, 2008)係利用
台灣製造業或電子業資料,來分析廠商出口行為與生產力兩者之關聯。Aw
et al. (2007, 2008)更進一步以台灣廠商資料分析研究發展、 出口行為與廠 商生產力這三者之間的互動。 而針對廠商內部的勞工組成特性對生產力的 研究相當有限,例如: Wang and Chao (2008),歐陽利姝．朱世琳(2008)兩
篇文章。 然而, 他們的員工特性變數僅有教育程度一項, 而且這兩篇文章 的樣本數只有72家與333家。 此外,盧其宏 (2009) 針對台灣製造業工廠 分析外藉勞工對生產力與薪資的影響,但該文的模型設定並無法直接看出 外籍勞工對生產力的影響是否隨著聘用比例的高低而變化,同時, 該文也 並未討論研發資本在生產力上所扮演的角色。 而Liu et al. (2010)的研究, 除了員工教育程度變數外,尚考慮員工性別比率,年齡結構以及員工傷病 狀況。 這係國內利用合併資料最完整的一篇研究,不過該文章僅以349家 上市櫃等規模較大的公司進行分析,不足以代表台灣的產業現況。 本文係針對台灣電子業的工廠與員工特性對生產力與薪資的影響進行 分析。 這篇研究和其他研究不同之處有下列幾點: 第一, 電子業為台灣製 造業最具指標性的產業,其產值約佔台灣全部製造業的三分之一。 因此,該 產業生產力的變化將左右著台灣製造業的發展。 另外,由於電子業係為知 識型產業, 相較於其他產業來說,人力資本在生產過程上係為不可或缺的 要素之一, 所以利用電子業分析勞工組成對廠商生產力與薪資的影響,將 更能突顯人力資本的重要性。 第二, 電子業係製造業中, 最早開放可以使 用外籍勞工的相關產業之一,且外籍勞工的雇用人數一直以來皆為製造業 之首,1 故相對於其他產業來說, 以電子業探討外籍勞工的經濟效果將較 具有代表性。 第三, 本研究使用的廠商資料係為工廠層級, 且該資料雖屬 1第二位則為紡織業。 詳細各產業的外籍勞工僱用人數可參考行政院勞工委員會網站: http://statdb.cla.gov.tw/statis/。
抽樣調查資料, 但所合併的勞工特性卻屬於原始的行政資料。 因此, 本研 究資料的屬性與Abowd and Kramarz (1999) 所歸類的第 (iv) 大類近似,
資料的準確性與代表性相當可靠。 而從資料規模來看, 本篇文章所使用的
資料為2,594家電子業工廠共5年合併追蹤資料, 所涵蓋的員工高達大約 165,000至200,000人。 另值得注意的是,在 Abowd and Kramarz的文章
回顧中,亞洲地區僅日本擁有兩套合併資料庫。 台灣除了盧其宏(2009)與
Liu et al. (2010)分別利用了製造業工廠與上市櫃公司的廠商勞工合併資
料進行研究外, 尚未有廠商勞工合併追蹤資料。 第四, 本研究擁有豐富的
廠商與勞工特性變數, 包含廠商規模、 營運年數、 廠內員工薪資的離散程
度、 員工教育程度、 年齡分布、 性別比例與外勞占本勞比例,同時並以平均
勞動產出、總要素生產力、Levinsohn and Petrin生產力與廠內平均薪資作
為應變數進行分析。 其中, Levinsohn and Petrin的生產力估計方法更能解 決 「生產要素投入」 與 「不可觀察的產出衝擊」 兩者之間的內生性問題。 我 們相信本研究的結果除能突顯台灣產業的特性,亦是在台灣生產力的研究 上有重要的貢獻。 本文的架構安排如下, 第2節將針對使用廠商與員工合併資料分析的 相關文獻進行簡單的回顧; 第3節說明生產力與薪資分析的理論基礎與實 證模型的建構; 第4節描述資料來源與變數定義; 第5節討論實證分析結 果;最後一節為本文的結論與未來研究方向。 2 文獻簡述 隨著合併資料庫的使用趨於普遍,探討雇主與員工雙方互動的相關研究議 題遂得以更進一步的擴展。 Hamermesh (1999) 在文章中提及, 廠商與員 工合併資料的出現將延伸出許多潛在研究方向。2其中,探討生產過程與勞 工組成的特性對生產力或競爭力的影響係為未來的重要課題之一。 而本文 採用工廠層級的廠商與勞工合併資料,著手分析廠商內部的員工組成特性 對廠商生產力的影響。 因此, 本文將針對國內外的相關文獻進行回顧, 並 2例如,探討勞動市場供需特性差異與勞工失業因素或勞動薪資決策的關連性、 人力資 本與實體資本或技術創新之間的替代互補性、 廠商設廠與受雇勞工的區位選擇等相關議 題。
分別說明衡量勞工組成特性與廠商生產力的相關變數。 從生產面分析勞工組成特性差異對生產力影響之文獻,在早期Abowd et al. (1999) 運用法國的合併資料,3 檢視勞工與廠商異質性在廠商生產 力中所扮演的角色。 該文利用平均每勞動附加價值與銷售額來衡量廠商的 平均勞動生產力,並分別利用個人與廠商資料推估個人與廠商的不可觀察 異質性效果。 研究結果顯示,廠商與員工個人的異質性對於生產力的變化 皆有明顯關聯,且員工個人特性的解釋能力大幅超越廠商特性的影響。 而 Haltiwanger et al. (1999)利用美國1990至1994的合併資料庫,4並以平均 每勞動銷售額作為衡量廠商平均勞動生產力的指標。 他們發現當廠商規模 越小、 廠商營運年數越長時,廠商的平均勞動生產力越大。 至於員工特性 部分,男性比例越高、 教育程度越高、 外國出生員工比例越低、 以及年老員 工比例越低,對於廠商的平均勞動生產力皆有正向的影響。Barrington and Troske (2001)則使用NWECD資料,5檢視1990年廠商內勞工組成特性、 薪資與職位多樣性(diversity)對廠商生產力的影響。 他們以平均每人附加 價值以及平均每人銷售額作為衡量廠商生產力的指標,並根據員工的性別 與種族進行分類,端看廠商內各群體的薪資與職位比例的分佈與所屬產業 的相對差異來衡量多樣性。 研究結果發現, 員工的大學畢業比例越高, 其 生產力越高; 高齡員工比例越高, 其生產力越低。 而提升員工薪資給付的 多樣性, 對製造業與服務業之勞動生產力有顯著的正向影響,但對於零售 業之勞動生產力則無明顯效果。 至於員工職位的多樣性對於勞動生產力的 影響,則呈現不顯著的正向關係。 Haskel et al. (2005) 採用英國製造業的 廠商與勞工合併資料,6分析員工技術對廠商生產力的影響。 該文以總要素 3該合併資料庫主要由三套資料所組成,分別是, Echantillon d’Entreprises (廠商資料)、
Declarations Annuelles des Salaires (員工資料)與Echantillon Demographique Permanent (員工教育程度資料)。
4這些資料分別為Decennial Census of Population (1990), Standard Statistical
Establish-ment List (SSEL, 1985–1996), Economic Census (1987與1992)與 Quarterly Maryland Unemployment Insurance Wage Records (1985–1997)。
5這套資料全名為New Worker-Establishment Characteristics Database,係由美國1990 年的Decennial Census of Population與Standard Statistical Establishment List兩套資料合 併而成。 總樣本數包含153,291間廠商與1,056,653位員工的資訊。
6該資料係由英國Annual Business Inquiry (廠商資料)與Employers Skills Survey (員工 資料)合併而成。
生產力衡量廠商的生產力,並以教育年數與該職位所需取得的證照或資格 來衡量員工的技術能力。 他們發現,當員工的教育年數越多或所需取得的 證照或資格越高,該廠商生產力的成長率將越高。Iranzo et al. (2008)以義 大利製造業的合併資料,7分析員工的技術分散度對於生產力的影響。 該文 利用每勞動平均附加價值衡量廠商的生產力,並從控制員工年齡、 年資與 職位的薪資函數估計中,推估個人的固定效果作為衡量個別員工的技術能 力, 進而得到廠商內部的員工技術分散度。 實證結果發現, 生產與非生產 部門內部的技術分散度越高,廠商的生產力將越高; 但兩個部門之間的技 術分散度越高,將會削減廠商生產力的提升。 除了從生產面分析員工特性對生產力影響之外,更有文獻同時從廠商 的生產與成本面出發,探討員工組成特性對廠商生產力與員工薪資給付的 影響, 藉以看出員工特性變化對廠商生產力與薪資的影響效果是否一致。
例如Hellerstein et al. (1999) 與Hellerstein and Neumark (2004)分別使
用美國WECD與DEED資料進行分析。8他們以廠商的生產附加價值與 雇用員工總薪資作為生產力與薪資給付的衡量指標, 並針對員工的種族、 年齡、 性別與教育程度等特性差異進行討論。 經過生產與薪資函數聯立估 計後, 兩篇文章的結果皆指出, 當各廠內之員工受大學教育比例、 已婚比 例、 黑人比例與壯年比例越高時,9 廠商生產力將會有所提升, 而且薪資也 會隨著生產力的變化而有相同幅度之增長。 然而,當工廠中女性員工所占 比例越高時,對生產力與薪資皆有負向影響,但在薪資面的負向效果顯著 地大於對生產力的負向效果,這也說明了女性員工在薪資給付上仍受到不
公平的歧視。 而Hellerstein and Neumark (1999) 則採用以色列的製造業
7該資料係由義大利INVIND製造業廠商調查資料與社會安全資料合併而成。
8WECD資料全名為Worker-Establishment Characteristics Database,係由美國1990年 的Decennial Census of Population與1989年的Longitudinal Research Database (LRD)
兩資料合併而成。 總樣本數包含16,144間製造業廠商與199,558位員工的資訊。 DEED
資料全名為Decennial Employer-Employee Dataset,主要是由美國1990年的Decennial Census of Population與Standard Statistical Establishment List兩資料合併而成。 這套資料 與WECD及NWECD不同之處在於WECD與NWECD僅利用區域與產業類別進行
合併,而本資料乃利用廠商的名稱與地址進行合併,因此廠商與員工的資訊皆較前述兩合
併資料更為精確。 合併之後總樣本數約包含了1百萬間廠商與320萬位員工的資訊。
合併資料探討員工性別與職位的差異在生產力與薪資的反應效果上是否 相同,10該文的作法與Hellerstein et al. (1999)相仿。 然而他們的結果卻發
現,女性員工對生產力與薪資的影響效果並無明顯差異,顯示女性並未受
到薪資歧視。 另外, 相對於其他勞工, 工程師所帶來生產力提升的效益超
過對於薪資的貼水。 至於 Galindo-Rueda and Haskel (2005) 則是以英國
的橫斷面合併資料,11 針對員工特性對於廠商之產出及附加價值等生產力 指標與薪資的影響進行研究。 他們發現, 廠內員工的教育程度越高、 男性 比例越高與全職員工比例越高時,廠商生產力與平均薪資將會有同幅度的 提升,但非全職員工的薪資給付明顯低於其邊際生產力。 此外,盧其宏(2009)係使用台灣製造業工廠與員工的合併資料探討廠 商生產力與薪資的決定因素。 他發現廠商的規模、 員工的性別、 年齡與教 育程度組成之差異皆會對工廠的生產力及薪資產生顯著影響,外籍勞工的 聘用則有助於工廠生產力與平均薪資之提升。 而Liu et al. (2010)運用台 灣的上市櫃公司與勞保的合併資料進行分析,以每勞動平均銷售額與總要 素生產力作為廠商的生產力指標,並使用每勞動平均薪資作為廠商薪資給 付的衡量。 他們的研究結果發現,廠商規模越大、 男性比例、 中壯年 (30– 55歲) 員工比例與平均教育程度越高, 將使生產力與薪資皆提高, 且對於 生產力的貢獻高於對薪資的貢獻。 3 理論架構與實證模型 3.1 理論架構 為了分析工廠特性與勞工組成結構對於工廠生產力與薪資的影響,我們從 生產理論的基礎出發,並參考Liu et al. (2010)所設定的架構,作為本文實 證模型在理論上的根據。 假設工廠採用固定規模報酬的Cobb-Douglas生產技術,其中,生產要 素資本(K)與勞動(L)來生產最終商品(Y )。 模型中, Q衡量勞動者的品
10該資料係由以色列1988年的Industrial Survey與1989年的 Supplemental Survey of
the Structure of Labor Force in Industry合併而成。
質,故生產函數可表示為: Yij t = Aij t Kij t α Qij t γ · Lij t 1−α , (1) 其中, γ 代表著勞動特性對於生產的貢獻程度, α與1− α 分別為資本與 勞動的要素所得份額, i代表不同的工廠, j 代表產業, t代表不同的年份, 故Yij t 即表示在t年j 產業中i工廠的產出。 而技術因子A,即無法以生 產要素僱用數量解釋產出的部分,我們將其設定為: Aij t = eη·t +εtCjGij t, (2) 上式中, η為固定技術成長率, εt為隨機技術變動率, Cj為不隨時間變動之 各產業特性, Gij t 則為各工廠隨著時間變動的特定因子。 運用生產技術為
固定規模報酬的特性,我們可將平均勞動產出(Average Product of Labor, APL)表示如下式: APLij t = Yij t/Lij t = Aij t Kij t/Lij t α Qij t γ (1−α) 。 (3) 從(3)式我們可看出,若以平均勞動產出衡量工廠生產力時,各工廠的生產 力除了受到要素投入的影響之外, 還會隨著廠內的員工組成特性、 時間趨 勢、 各工廠或產業的相關特性變化而有所改變。 至於工廠的薪資函數, 在 勞動市場結構為完全競爭的假設下, 均衡時的勞動薪資Wij t 將等於勞動 邊際生產力,亦即: Wij t = ∂Yij t/∂Lij t = (1 − α)APLij t。 (4) 然而,上式隱含著工廠與員工組成等各項特性對於勞動薪資與平均勞動產 出的影響效果均呈固定比例,但在實證分析上,由於勞動市場並非為完全 競爭,且薪資資料皆為未受補償(uncompensated)之薪資,故(4)式中的等 號在估計時鮮少成立。 3.2 實證模型 3.2.1 生產函數與薪資函數的估計式 透過上述之工廠生產與薪資理論的基礎,我們將可運用實際資料來進行工 廠生產力與勞動薪資的實證分析。 利用(3)式取對數後所得的勞動平均產
出函數,可作為分析各廠特性對生產力影響的基礎迴歸式。 如果以每單位 勞動的附加價值Y L(即勞動生產力)作為衡量各工廠的生產力,我們可得 到如下的方程式: ln Y Lij t = ln Aij t + α ln Kij t/Lij t + (1 − α)γ ln Qij t。 (5) 透過(3)式,我們可將取對數後的技術因子, ln Aij t,設定為: ln Aij t = ln Cj + ln Gij t + η · t + εt。 (6) 由於Cj 為不隨時間變動之各產業特性,在此我們利用二欄位產業的虛擬 變數Dj 來衡量其中的變化,亦即: ln Cj = ln (C0) + Dj。 (7) 而 Gij t 為描述各工廠隨著時間變動的特定因子, 我們可將其中的組成區 分為可觀察到的要素Xij t 與不可觀察之隨機變項eij t,換言之, ln Gij t = βXij t + eij t。 (8) 式中,可觀察到的要素Xij t,我們利用工廠規模、 營運年數、 薪資分散程度 與衡量廠商創新活動的研發資本等變數來代表。 而隨著時間趨勢變動的技 術成長率 η · t,我們則使用各年度的虛擬變數Tt 來代替。至於勞動品質, Qij t, 我們運用廠內勞工組成特性的變數Hij t (包含勞工年齡、 性別比例、 教育程度、 外勞與本勞比率及其平方項)來衡量,亦即: ln Qij t = π Hij t + τij t, (9) τij t代表不可觀察的勞動品質隨機變項。 將上述(5)、(6)、(7)、(8)與(9)式 進行合併後,我們可獲得下列迴歸模型: ln Y Lij t = ln (C0) + Dj + βXij t + Tt + α ln Kij t/Lij t + ϕHij t + uij t, (10) 其中, uij t = eij t + εt+ (1 − α)γ τij t 且ϕ = (1 − α)γ π。 然而,除了以勞 動生產力來衡量工廠的生產力外,我們亦可利用總要素生產力(TFP)作為
衡量指標。 在此,我們使用Solow殘差項(Solow residual)的計算方法衡量 工廠的總要素生產力,亦即lnTFPij t = ln Yij t− α ln Kij t − (1 − α)Lij t, 將此式代入(10)式中,我們可得到: lnTFPij t = ln (C0) + Dj + βXij t + Tt + ϕHij t+ uij t。 (11) 至於薪資函數估計式,透過(4)式與(10)式,我們可寫成: ln Wij t = ln [C0(1 − α)] + Dj + βXij t + Tt + α ln Kij t/Lij t + ϕHij t + uij t, (12) Wij t 為各工廠的員工平均薪資。 利用(10)、(11)與(12)式進行估計,將可 得到各項要素投入對產出之貢獻程度,同時也能了解廠商與勞工組成的相 關特性對於工廠生產力與平均薪資的影響。
3.2.2 Levinsohn and Petrin (2003)生產力之衡量
早在Marschak and Andrews (1944) 文中就曾提到,生產過程中存在著許
多的 「生產力衝擊」, 而這些衝擊有一部份可能會影響當期生產要素投入 的決策與產出水準,例如: 生產者的技術知識、 意志或努力程度等技術效 率因子;而另一部份則可視為隨機衝擊,例如:不可預期的環境或天候狀況 改變。 然而, 這些衝擊最終皆會成為生產者的既有資訊, 但我們在進行生 產函數估計時, 卻往往無法從資料中觀察得到。 因此, 對於研究分析者而 言,這些因素可視為生產過程中的 「不可觀察之生產力衝擊」。
另外,關於 「不可觀察之生產力衝擊」, Griliches and Mairesse (1998)指
出, 廠商的無形資產投入、 技術水準或經營者管理能力等特性的差異, 往
往與要素投入的決策有關; Olley and Pakes (1996)亦提及,生產者對於未
來的產出與要素投入之市場預期,將會影響目前的產出與要素投入量,而 前述這些相關特性, 大多難以找到適合資料作為衡量變數。 因此, 在估計 生產函數時, 若無法將這些與要素投入決策相關的 「不可觀察之生產力衝 擊」 加以適當的控制時,運用傳統普通最小平方法所得到的參數估計值將 會產生偏誤。 為進一步說明他們所提出的估計問題,我們簡化3.1節所設定之 Cobb-Douglas生產函數, 以yt、 lt 與kt 來代表取對數後的產出、 勞動與資本,
並將不可觀察的衝擊項ut,區分為與生產要素投入相關(ωt) 與無關(εt) 的兩個部分,如下式: yt = β0+ βllt + βkkt + ωt + εt。 (13) 若利用OLS估計,所得到的βˆl 與βˆk 估計式為: ˆ βl = βl+ Sk,k· Sl,ω− Sl,k· Sk,ω Sl,l· Sk,k− S2l,k , (14) ˆ βk = βk+ Sl,l· Sk,ω− Sl,k· Sl,ω Sl,l· Sk,k− S2l,k , (15) 其中, Sx,y 表示 x 與 y 的樣本共變異數。 端看 (14)與 (15)式中的最右 項我們可得知,當廠商受到生產力衝擊,並以調整生產要素的投入作為回 應時 (即 Sk,ω 或 Sl,ω 不等於0), 要素的產出彈性估計值皆會產生偏誤。12
Olley and Pakes (1996)遂發展出解決上述同時聯立性(simultaneity)問題
的計量方法,他們假設勞動投入為可自由調整的變數(free variable),資本
存量則為一個逐步調整的狀態變數(state variable)。 而廠商的投資決策受
到資本k與不可觀察的生產力衝擊ωt 的影響,故投資函數可寫成:
it = it(ωt, kt)。 (16)
Pakes (1996) 證明出在最適的廠商投資決策之下, ωt 對於投資將是嚴格
遞增(strictly increasing)。 而此單調性將使投資函數對於ωt 有可逆性
(in-vertible),亦即ωt 可表示為投資i與資本k的函數: ωt = ωt(it, kt)。 (17) 因此, (13)式將可改寫為: yt = βllt + 9 (it, kt) + εt, (18) 其中, 9t(it, kt) = β0 + βkkt + ωt(it, kt)。 透過 i 與 k 的四階多項式來 近似 9t(it, kt) 並帶入(18)式後, 利用OLS 估計即可求得βˆl, 進而得到 12在此我們假設勞動投入與資本調整存在著相關性,亦即S l,k6= 0。
ˆ 9(it, kt) = ˆyt− ˆβllt。 然而, ˆωt = ˆ9(it, kt) − βk∗kt,13但βk∗仍為未知係數, 故作者們進一步假設ω的變動符合一階的Markov過程,藉以讓βk∗ 得到 認定。 透過此假設,我們可得到下列關係式: ηt = ωt− E ωt ωt −1 , (19) 其中, ηt 代表與當期要素投入無關的生產力衝擊項,將此關係式帶入(13) 式,即: yt = β0+ βllt + βkkt + E ωt ωt −1 + ξt, (20) 上式中, ξt = ηt + εt。 由於βˆl 為已知,且E(ωˆ t|ωt −1)可設定成下列非參 數的估計式: ˆ E ωt ωt −1 = δ0+ δ1ωt −1+ δ2ω2t −1+ δ3ωt −13 + νt。 (21) 故我們利用搜尋的演算法(search algorithm)求得βˆk 之數值,並使殘差平 方和極小化,亦即: min βk∗ X t yt− ˆβllt − βk∗kt − ˆE ωt ωt −1 2 。 (22) 在求得βˆk 之後, 即可推估出ωˆt。 而利用ωˆt 作為廠商生產力的衡量指標 將可避免因生產要素與生產力衝擊間的同時性所造成的測量偏誤。 然而,
Levinsohn and Petrin (2003)指出, 廠商在不同年度的投資資料相當不穩 定,不見得適合作為生產力的代替變數,而且依Olley and Pakes設定, 生
產力與投資變數之間必須為嚴格遞增,若廠商在當期未進行投資或每年投
資資料難以取得,則將可能違反單調性之假設,在估計時必須要將其刪除,
造成大量的樣本遺漏。 於是, Levinsohn and Petrin 遂運用中間財投入 m
(例如電力、 原物料的支出)來取代投資變數在估計時所扮演的角色,亦即: mt = mt(ωt, kt)。 (23) 如此設定的優點在於廠商中間原物料投入的資料相對較投資資料來的齊 全,而且中間投入為生產的必要支出,對生產力的單調遞增性更容易進行 13由於β 0在估計時無法被認定,故在此未扣除βˆ0。
驗證。 至於估計方法與上述Olley and Pakes (1996)之步驟大致相同,僅只 將投資改為中間原物料投入變數進行估計。14 4 資料來源與變數 4.1 資料來源 本文所使用的資料,係來自第三位作者於2006年經建會委託研究計劃中所 取得的合併資料,該資料係以經濟部 「工廠校正暨營運調查」 為基礎,並選 取電子相關產業,15 再佐以勞委會的外籍勞工聘雇檔、 勞工保險檔與內政 部的戶籍檔資料以及大學聯考檔。 合併後的資料橫跨1998至2003年, 然 而2001年為主計處工商普查年, 因此經濟部的工廠校正資料從缺。 本項 研究共有2,594家工廠, 5年期間,總樣本數為12,970個, 其中有雇用外勞 的樣本為2,054個,占18.81%。 以下分別說明工廠與員工資料的合併過程 與調查特性。 在工廠特性方面,各廠的產出、 生產要素投入以及工廠特性,均來自於 經濟部統計處主辦的 「工廠校正暨營運調查」。 此調查資料提供了包含工 廠的營運年數、 營業收入、 僱用勞工總人數、 固定資產與投資金額、 薪資、 原物料與電力支出金額等相關資訊。 其中,因2000年以後的資料,並未提 供各工廠的固定資產總額資訊,僅有每年度固定資產投資總額,故我們利 用 Kt = It + (1 − µ) · Kt −1(K 為固定資產總額, I 為固定資產投資總 額, µ為折舊率)進行推估2000年之後各工廠的固定資產總額,並將折舊 率µ設定為0.1。 另外,此調查係以工廠為單位,雖然台灣多數的中小企業 為單一工廠,但許多大公司則為多工廠。 因此,相較於公司層級的資料,工 廠層級的資料將更能貼近實質的生產及要素雇用行為。 且由於本資料的調 查方式採用郵寄問卷方法實施,並以各縣市工商管轄單位遴派調查員實地
14Levinsohn and Petrin (2003)的估計方法於 STATA計量軟體中的指令為 LEVPET, 相關的指令檔與說明檔可至下列網站下載: http://www.econ.umn.edu/∼petrin/research/
index.html。
15電子產業包含 「電腦、 通信及視聽電子產品製造業」、 「電子零組件製造業」 以及 「電力
校正調查,提升了資料的完整性及可信度。16然而,此調查所定義的雇用勞 工人數並未區分員工之國籍,若要建構各廠商外籍勞工與本國勞工比率之 變數,必須透過其他相關資料取得員工國籍資訊。 而外籍勞工於本國乃屬 限制性開放的勞動力,因此,作為主管機關的勞委會擁有完整的外籍勞工 引進與雇用資料,亦即外籍勞工聘僱檔。 此檔案包含引進勞工的受雇工廠 與出入境日期等資訊,透過工廠的獨立代碼,我們可將外籍勞工的相關特 性整理合併至工廠的調查資料。 至於本國勞工的相關特性資料,我們是透過勞委會的勞工保險檔與內 政部的戶籍檔資料合併而得。 勞工保險檔提供了本國勞工的年齡、 性別與 投保薪資等資訊;而戶籍檔則提供了個人的最高教育程度。 由於戶籍檔的 個人教育程度可能有偏低的現象,我們利用教育部大考中心的大學聯考榜 單加以修正。 接著再利用獨立代碼與前述的工廠與外籍勞工合併資料進行 連結,進而得到一個完整的工廠與員工合併資料庫。 值得一提的是,由於此 資料庫具有個別勞工的資訊,故除了平均指標之外,還可以區分出不同的 年齡階層比例, 或是工廠內個別員工薪資的分散程度。 表1提供了資料合 併後各年的本國僱用勞工數與相關特性的變化。 平均來說,電子業的女性 從業員工多於男性,且員工的教育程度主要仍為專科或以下的學歷,而這 些特性並沒有隨著時間的變化而造成太大的差異。 4.2 變數說明與理論預期 表2說明本文各變數的定義與基本統計量。 在被解釋變數方面,我們以取 對數後的每勞動平均附加價值 (ln YL)、總要素生產力(ln TFP)與 Levin-sohn and Petrin生產力(L&P TFP)作為生產力的衡量。 至於薪資函數估
計式, 我們乃利用各廠薪資支出除以員工總人數並取自然對數(ln W) 作 為被解釋變數。 解釋變數中,衡量工廠要素投入與相關特性的變數包含:取對數後的資 本勞動比(ln KL)、 各廠的營運年數(ln AGE)、 工廠的規模(以僱用勞工數 衡量)是否占總樣本的前面25% (Large)或後面25% (Small)、 廠內員工的 16對於 「工廠校正調查」 的說明參考自經濟部統計處網站: http://2k3dmz2.moea.gov.tw/ gnweb/statistics/statistics.aspx?page=stat\ 06\ 1.html\&menu=4。
表1:各年度本國勞工相關特性平均值 1998 1999 2000 2002 2003 員工男性比例 0.4620 0.4691 0.4689 0.4747 0.4793 員工國中以下學歷的比例 0.4528 0.4522 0.4500 0.4303 0.4160 員工國中到專科的比例 0.4969 0.4972 0.4990 0.5134 0.5245 員工大學與研究所的比例 0.0502 0.0505 0.0508 0.0561 0.0594 員工年齡在30歲以下之比例 0.2605 0.2586 0.2419 0.1927 0.1663 員工年齡介於30–55歲之比例 0.6869 0.6827 0.6967 0.7321 0.7567 員工年齡在55歲以上之比例 0.0524 0.0587 0.0613 0.0751 0.0768 廠商家數 2,594 2,594 2,594 2,594 2,594 僱用總人數 164,903 186,671 205,371 187,733 173,123 薪資分散程度(Wdispersion)與每人平均研發資本(ln R&D)。 其中,每人 平均研發資本的計算方式係參考 Hall and Mairesse (1995) 與 Chen and Yang (2005) 等文獻, 運用永續盤存法(perpetual inventory method)的概 念,亦即R&Dt = Et + (1 − δ) · R&Dt −1(R&D為研發資本存量, E為
研發費用, δ 為研發折舊率), 而期初研發資本我們將其設定為 R&D1 = E1/(δ + g)(g為研發支出每年的固定成長率),至於研發折舊率與研發支 出成長率我們則跟隨Hall (1993)的設定,假設研發折舊率為15%,研發支 出成長率為5%。 在計算出各廠之研發資本後, 我們將其除以各廠總員工 數並取對數,進而得到衡量廠商創新活動的每人平均研發資本(ln R&D) 變數。17 而員工特性的解釋變數方面,本文使用各廠本勞員工年齡在30歲以下
(Age30r)、 介於30–55歲(Age3055r) 與55歲以上(Age55r)占本勞總員工
之比例、 本勞男性員工占本勞總員工之比例(Avg male)、 外勞與本勞人數
比率(FL)與其平方項(FL-squared)。 另外,為了衡量工廠間員工教育程度 的差異,在此我們利用Tallman and Wang (1994)所建構的人力資本指標 (H index)來代表各廠的員工教育水準。 該指標的計算是運用各廠員工在
17由於許多工廠的研發資本為零,在取自然對數後將會造成許多遺漏值。 因此,在不刪
表2: 變數的基本統計量
說明 平均數 標準差
被解釋變數
ln YL log (附加價值/從業員工總人數) 6.6005 0.7245
ln TFP log (總要素生產力) 5.0181 0.6564
ln L&P TFP log (Levinsohn and Petrin生產力) 6.8567 0.9531
ln W Log (工廠員工平均薪資) 10.0975 0.1962 解釋變數 工廠特性: ln AGE Log (工廠營運年數) 2.2819 0.6848 ln KL log (固定資產/從業員工總人數) 6.4905 1.2570 Small 雇用本勞人數為全部工廠的後75%,所有本 勞員工人數小於9人 0.2458 0.4306 Large 雇用本勞人數為全部工廠的前25%,所有本 勞員工人數大於42人 0.2495 0.4327 Wdispersion 本勞員工之薪資分散程度=員工薪資標準 差/員工薪資平均數 0.3286 0.1102 ln R&D Log (研發資本/從業員工總人數) 1.1860 2.3830 員工特性: FL 外勞與本勞的比率 0.0292 0.0971 FL-squared 外勞與本勞比率的平方項 0.0102 0.0586 Age30r 本勞員工30歲以下佔總本勞員工之比例 0.2240 0.1871 Age3055r 本勞員工介於30–55歲占總本勞員工之比 例 0.7110 0.1869 Age55r 本勞員工55歲以上占總本勞員工之比例 0.0648 0.1091 Avg male 本勞男性員工占總本勞員工之比例 0.4708 0.1920 Edu-low 本勞員工國中以下學歷之比例 0.4403 0.2171 Edu-mid 本勞員工國中到專科學歷之比例 0.5062 0.2018 Edu-high 本勞員工大學與研究所學歷之比例 0.0534 0.0926 H index 本勞人力資本的指標= (1.0 × Edu-low + 1.4 × Edu-mid + 2.0 × Edu-high) 1.2559 0.1192 註:樣本數為每年2,594家工廠。
表3:本國勞工於電子產業之特性分佈
廠商 Avg male Age30r Age3055r Age55r Edu-high H index 樣本數 電腦及周邊設備 0.4620 0.3166 0.6595 0.0239 0.0947 1.3193 924 通信機械器材 0.4524 0.2498 0.7165 0.0337 0.1104 1.3308 427 視聽電子產品 0.4097 0.2112 0.7325 0.0563 0.0594 1.2719 1,255 資料儲存媒體 0.4739 0.3430 0.6240 0.0330 0.1021 1.3209 57 半導體 0.4333 0.3502 0.6289 0.0209 0.1637 1.3699 327 被動電子元件 0.4043 0.1956 0.7405 0.0639 0.0418 1.2567 1,593 印刷電路板 0.5130 0.3302 0.6401 0.0297 0.0370 1.2440 902 其他電子零組件 0.4351 0.2499 0.6951 0.0550 0.0536 1.2591 1,383 電力機械器材 0.5683 0.2170 0.7051 0.0779 0.0384 1.2410 2,068 家用電器 0.5249 0.1961 0.7034 0.1005 0.0381 1.2312 793 照明設備 0.4466 0.1253 0.7706 0.1041 0.0535 1.2189 922 電池 0.5126 0.2270 0.7253 0.0477 0.0458 1.2465 71 其他電力器材 0.4693 0.1860 0.7338 0.0802 0.0391 1.2286 2,248
國中學歷以下(Edu-low)、 國中至專科(Edu-mid) 和大學與研究所 (Edu-high) 的比例, 並根據該比例給予分別為1、 1.4與2的權數進行加總而得。 表3為三欄位產業分類所區分的電子業員工之相關特性分布。 從表中我們 可看出,相較於其它電子業,印刷電路板、 電力機械器材、 家用電器與電池 產業雇用較多男性員工, 而電腦週邊設備、 資料儲存媒體、 半導體與印刷 電路板產業的員工年齡分布相對較為年輕。 至於員工教育程度的分布,電 腦及周邊設備、 通信機械器材、 資料儲存媒體與半導體產業的員工之大學 及研究所畢業比例較高,尤其以半導體產業為甚。 關於上述各項變數對於生產力與薪資之預期變動方向,從工廠特性來 看, Power (1998)認為廠商的營運年數代表著學習效果,而此效果將對生 產力有正面幫助; Liu et al. (2010)則發現廠商營運年數對於薪資有顯著的 正向貢獻,在生產力上則結果不一致。 他們認為廠商雖有學習效果,但可能
也因設備老舊等技術落後效果 (technology backwardness effect)使得生產
力下降。 故我們預期廠商營運年數在薪資上應顯著為正, 但在生產力的影
響上則無法確定。 而廠商規模越大將會在生產過程上享有規模經濟,因此,
在控制其他變數之後發現,廠商規模越小其生產力越高,故預期薪資將隨
廠商規模提升, 但對生產力影響方向則不確定。 薪資分散程度對生產力的
影響則有兩派說法, 一邊如Lazear and Rosen (1981) 所探討的競賽理論 (tournament theory) 認為薪資分散將會提供努力誘因; 另一邊如Akerlof and Yellen (1990) 認為薪資分布不平均將可能造成員工彼此之間相互妒
忌與間隙, 而使團隊渙散, 故無法確定其影響方向。 至於廠商研發資本對
生產力的影響, Hall and Mairesse (1995)與Chen and Yang (2005)等文獻 皆認為研發存量可視為廠商的知識資本(knowledge capital),18透過研發存 量的累積,將可使得廠商的技術水準或創新能力增加,進而使生產力有所 提升。 因此, 我們預期每人平均研發資本對生產力有正向效果。 而研發對 員工薪資的影響, Mincer (1991)在其文章中針對研發支出與高、 低教育程 度員工的薪資差距進行研究。 他發現研發支出越高時,高教育程度員工的 薪資將會有所提升,而且高、 低教育程度之間員工的薪資差距也會逐漸擴
大。 而Tan and Batra (1997)則利用台灣、 墨西哥與哥倫比亞的廠商資料
分析研發對員工薪資的影響。 他們發現,廠商進行研發有助於員工薪資的 提升,且此效果在技術員工(skilled labor) 的薪資上較為強烈。 因此,我們 預期每人平均研發資本對薪資存在正向的效果。 另外,廠內員工特性對生產力與薪資的影響效果, Hellerstein et al. (1999) 指出青年、 中年員工的生產力皆高於年長員工,然而,中老年員工的薪資卻 遠高於青年薪資。 男性的生產力雖高於女性, 但雙方薪資差距卻多過雙方 在生產力差距。Liu et al. (2010)實證發現,員工中的中年比率與男性比率 越高, 其生產力越高, 但對於生產力的貢獻超過對於薪資的貢獻。 故預期 青壯年員工的生產力應較老年員工為高, 但老年員工的薪資應相對較高。 至於,男性比率越高,其生產力與薪資將越高,但生產力差距與工資差距的 關係則不一定。 而在衡量人力資本變數上, 我們以教育程度做為勞工品質
的刻劃, Hægeland and Klette (1999)發現,教育程度對生產力與薪資的貢 獻大致相符;然而, Liu et al. (2010)卻指出教育程度對於薪資的貢獻低於 對於生產力的貢獻。
18大多數探討研發對生產力影響的實證文獻皆得到研發有助於生產力提升的結論,詳細
5 計量實證結果
本文首先針對工廠的生產力進行分析,利用勞動生產力(ln YL)、總要素生
產力(ln TFP)與Levinsohn and Petrin生產力(L&P TFP)三種不同的生
產力指標作為生產力函數估計式的被解釋變數,並考慮各種不同的模型設 定, 以確定估計係數之穩健性。 其次, 我們聚焦在各項特性對工廠薪資給 付上的影響效果, 並利用各廠員工的平均薪資(ln W) 作為廠商薪資給付 的衡量。 另外,為了探討在不同的工廠規模之下, 各項特性對於生產力與 薪資的貢獻是否存在差異, 我們將廠商樣本區分為大型工廠(100人以上) 與中小型工廠(100人以下),並再次進行生產力與薪資函數的估計。 最後,
我們採用隨機效果模型 (random effects model),藉以探討 「工廠不可觀察 之異質性」 是否對估計結果造成影響。 以下我們將分節對工廠生產力與薪 資的實證結果進行討論。 5.1 工廠生產力之實證結果 表4係為三種生產力指標在不同的模型設定下利用 OLS 之估計結果。 從 各項生產力指標來看,加入員工特性變數對於迴歸式設定的解釋能力確有 明顯提升。 透過不同生產力指標的估計結果比較, 我們可看出各項特性雖 然對於生產力的影響方向皆相同,但估計係數仍略有差距,尤以工廠特性 的估計係數差異甚為明顯。 此也說明在估計生產力時,若未考慮要素投入 與不可觀察之生產力衝擊的關聯性(如表中(1) – (6)式的設定),則要素投 入的估計係數將會有所偏誤。 因此,我們在效果強度的解釋上,是以
Levin-sohn and Petrin總要素生產力的估計結果(亦即(9)式)作為基準。表中(9)
式包括了產業別與時間別的虛擬變數,基本上是考慮產業與時間的固定效
果模型(fixed effects model)。
從工廠特性來看,工廠規模越大,工廠的生產力越高。 相較於其他工廠, 規模位於前25%的工廠 (Large), 其生產力約提升0.68%, 而規模位於後 25%的工廠(Small),則生產力約下降0.62%,此結果表示工廠在生產上存 在著規模經濟效果。 工廠營運年數(ln AGE),亦對生產力有顯著的正向影 響。 當取對數的營運年數每上升1%,工廠生產力大約上升0.07%,此也隱 含工廠的學習效果略高於負向的技術落後效果。 另外,員工薪資分散程度
張 景 福 ． 盧 其 宏 ． 劉 錦 添 表4:工廠生產力函數之OLS估計結果 ln YL ln TFP L&P TFP (1) (2) (3) (4) (5) (6) (7) (8) (9) Constant 5.3220∗∗∗ 4.5226∗∗∗ 4.6058∗∗∗ 5.0596∗∗∗ 4.2328∗∗∗ 4.3017∗∗∗ 6.9246∗∗∗ 6.0063∗∗∗ 6.0531∗∗∗ (0.0418) (0.0844) (0.0882) (0.0292) (0.0827) (0.0867) (0.0326) (0.0924) (0.0963) ln KL 0.2018∗∗∗ 0.1750∗∗∗ 0.1726∗∗∗ (0.0049) (0.0049) (0.0049) 工廠特性變數: ln AGE 0.0030 0.0308∗∗∗ 0.0362∗∗∗ −0.0003 0.0242∗∗∗ 0.0279∗∗∗ −0.0032 0.0498∗∗∗ 0.0667∗∗∗ (0.0084) (0.0090) (0.0094) (0.0085) (0.0091) (0.0094) (0.0095) (0.0101) (0.0105) Large 0.1743∗∗∗ 0.1349∗∗∗ 0.1296∗∗∗ 0.1675∗∗∗ 0.1315∗∗∗ 0.1291∗∗∗ 0.7737∗∗∗ 0.7055∗∗∗ 0.6842∗∗∗ (0.0143) (0.0147) (0.0148) (0.0142) (0.0147) (0.0148) (0.0163) (0.0167) (0.0166) Small −0.1246∗∗∗ −0.1171∗∗∗ −0.1147∗∗∗ −0.1379∗∗∗ −0.1391∗∗∗ −0.1377∗∗∗ −0.6436∗∗∗ −0.6211∗∗∗ −0.6201∗∗∗ (0.0141) (0.0143) (0.0143) (0.0142) (0.0145) (0.0145) (0.0157) (0.0160) (0.0160) Wdispersion −0.3816∗∗∗ −0.2834∗∗∗ −0.2706∗∗∗ −0.3542∗∗∗ −0.2537∗∗∗ −0.2442∗∗∗ −0.6171∗∗∗ −0.4620∗∗∗ −0.4332∗∗∗ (0.0576) (0.0557) (0.0554) (0.0580) (0.0566) (0.0563) (0.0654) (0.0634) (0.0627) ln R&D 0.0634∗∗∗ 0.0511∗∗∗ 0.0494∗∗∗ 0.0579∗∗∗ 0.0443∗∗∗ 0.0427∗∗∗ 0.0941∗∗∗ 0.0764∗∗∗ 0.0740∗∗∗ (0.0031) (0.0030) (0.0030) (0.0030) (0.0030) (0.0030) (0.0035) (0.0034) (0.0034) 員工特性變數: FL 1.2353∗∗∗ 1.1947∗∗∗ 0.9643∗∗∗ 0.9412∗∗∗ 1.2534∗∗∗ 1.0038∗∗∗ (0.1211) (0.1228) (0.1191) (0.1211) (0.1453) (0.1471) FL squared −0.9623∗∗∗ −0.9126∗∗∗ −0.7998∗∗∗ −0.7768∗∗∗ −1.3823∗∗∗ −1.0928∗∗∗ (0.2051) (0.2068) (0.2028) (0.2038) (0.2582) (0.2588) Age3055r −0.1556∗∗∗ −0.1420∗∗∗ −0.1548∗∗∗ −0.1438∗∗∗ −0.4053∗∗∗ −0.3579∗∗∗ (0.0342) (0.0345) (0.0345) (0.0349) (0.0383) (0.0384) Age55r −0.1846∗∗∗ −0.1769∗∗∗ −0.1800∗∗∗ −0.1794∗∗∗ −0.5008∗∗∗ −0.4421∗∗∗ (0.0582) (0.0591) (0.0584) (0.0593) (0.0648) (0.0654) Avg male 0.3251∗∗∗ 0.3088∗∗∗ 0.2909∗∗∗ 0.2668∗∗∗ 0.2471∗∗∗ 0.2233∗∗∗ (0.0297) (0.0310) (0.0299) (0.0312) (0.0329) (0.0342) H index 0.6716∗∗∗ 0.6428∗∗∗ 0.5796∗∗∗ 0.5567∗∗∗ 0.7647∗∗∗ 0.7220∗∗∗ (0.0568) (0.0573) (0.0567) (0.0573) (0.0633) (0.0636)
Year effects No No Yes No No Yes No No Yes
Industry effects No No Yes No No Yes No No Yes
R-squared 0.2770 0.3085 0.3145 0.1134 0.1430 0.1495 0.4627 0.4858 0.4945
Observations 12,970 12,970 12,970 12,970 12,970 12,970 12,970 12,970 12,970 註:∗、∗∗與∗∗∗分別表示10% 、 5% 與 1% 之水準下顯著, 括弧內估計係為標準誤。
(Wdispersion)的上升,將使得工廠生產力明顯下降, 然而估計係數在加入 各廠員工組成特性後,效果強度明顯減弱,這顯示若未考慮員工特性時,薪 資分散程度對生產力的影響將被高估。 當薪資分散程度上升1%時, 將使 工廠生產力減少0.43%,故薪資公平理論似乎較能解釋台灣電子業在薪資 給付差異與員工努力程度的關聯性。 至於研發資本的增加, 有助於工廠生 產力的提升。 當每人平均研發資本上升1%時,工廠生產力將提升0.07%, 此結果隱含從事研發或創新活動係為影響工廠生產力的一項重要因素。 關於員工組成特性對工廠生產力的影響, 相較於年輕員工, 中年員工 的比例(Age3055r) 每提升1%, 將使生產力下降大約0.36%,而老年員工 的比例(Age55r) 上升1%, 將使生產力下降0.44%, 上述結論與Liu et al. (2010)認為中年員工生產力較高的結果不同。 然而,本篇文章是以電子業 進行分析,而此產業為新興發展產業,故年輕員工也許可接觸到較多的創 新生產技術或相關知識。 因此,工廠雇用年輕勞工的比例越高其生產力將 會越高的結果也似乎合理。 而男性員工比例 (Avg male) 提升1%, 將使生 產力上升約0.22%,此效果與Liu et al. (2010)的估計約略相同。 但由於本 文係利用性別人數比例,並非性別工時比例,而男性工作時間平均較女性 為長,故此影響效果有可能高估。 至於外勞與本勞比率(FL)的影響效果, 從表4的(9)式來看,當工廠雇用的外勞與本勞比率為20%,若增加1%的 外勞與本勞比率, 將會使生產力上升0.57%。 但是, 當雇用比率高於46% 時,隨著比率的增加,將會使生產力下降。而人力資本指標(H index)若上 升1%,工廠生產力將提升0.72%,此結果亦代表著員工的平均教育程度越 高,工廠生產力將越高。 總括來說,工廠的營運年數越長、 規模越大、 薪資分散程度越低、 每人 平均研發資本越高、 所雇用的年輕與男性員工比例越高與員工教育程度組 成越高時,工廠的生產力越高。 而工廠若雇用外勞時,生產力將會有明顯提 升,但此助益隨著雇用比率的上升而有所下降。 對於外勞僱用比率的影響 效果,我們在此解釋為,外籍勞工為補充性之勞動力,工廠的僱用將能解決 其因勞動力不足所造成的生產力損失。 然而,隨著外勞的僱用比率越高,相 對的員工管理與文化差異等所造成對生產力的負面影響亦將逐漸顯著,使 得工廠因僱用外籍勞工而在生產力上所得到的好處隨著雇用比率越高而
逐漸消失。 5.2 工廠員工平均薪資之實證結果 關於工廠的薪資函數之估計,我們利用各廠員工平均薪資作為被解釋變數, 表5為此薪資函數的估計結果。 從表5中(3)式來看,工廠的營運年數增加 1%將使得廠內平均薪資上升0.01%。 相較於其他工廠,大規模工廠其平均 薪資將增加約0.06%, 而小規模工廠其平均薪資將減少0.04%。 此影響方 向與Idson and Oi (1999)的研究結果相符合。 薪資分散程度對於廠內平 均薪資的影響為正向,此則反映著薪資分布的離散不利於生產力提升,反 而會增加勞動成本的支出。 另外,每人平均研發資本對廠內平均薪資有正 向影響效果,顯示工廠若從事研發或創新活動,將有助於員工薪資的提升。 至於勞工組成特性對平均薪資的影響, 男性員工比例上升1%,其平均 薪資將會提升約0.27%,此效果與對生產力的影響效果大略一致。 人力資 本指標對於平均薪資亦呈現正向影響,當人力資本指標上升1%,工廠平均 薪資將提升0.32%, 此亦代表著受雇員工之平均教育程度越高, 平均薪資 也會有所提升。 而相較於年輕的員工, 年長員工的比例越高, 平均薪資將 會上升, 且效果隨著年齡的提高而增加,此結果則與生產力的影響效果相 左。 針對此現象我們也提出可能的解釋,即員工薪資大多隨著員工經驗的 累積而上升,但電子業為近年來興起之產業,相關的生產技術知識並未反 應在年長員工的經驗累積上,因此,才會產生員工年長比例的增加使得平 均薪資上升但生產力相對較低的現象。 外勞與本勞比率及其平方項對於平均薪資皆無顯著的影響效果。 由於 外勞的引進大多為非技術勞工,雖然外勞與本勞比率升高理應使本勞的非 技術勞工之薪資下降,但外勞的增加卻可能會因技術與非技術勞工間的互 補性,而使得本勞之技術勞工的薪資上漲。19故整體來說,外勞與本勞比率 的上升對於整體平均薪資的影響將不確定。
19Winter-Ebmer and Zweimuller (1996)、Friedberg (2001)與Ottaviano and Peri (2006)
表5:工廠員工平均薪資函數估計結果 (1) (2) (3) Constant 9.7312∗∗∗ 8.9929∗∗∗ 9.0987∗∗∗ (0.0126) (0.0214) (0.0218) ln KL 0.0326∗∗∗ 0.0246∗∗∗ 0.0217∗∗∗ (0.0014) (0.0013) (0.0012) 工廠特性變數: ln AGE 0.0330∗∗∗ 0.0153∗∗∗ 0.0100∗∗∗ (0.0023) (0.0022) (0.0023) Large 0.0221∗∗∗ 0.0573∗∗∗ 0.0550∗∗∗ (0.0040) (0.0036) (0.0035) Small 0.0019 −0.0405∗∗∗ −0.0371∗∗∗ (0.0044) (0.0042) (0.0040) Wdispersion 0.1376∗∗∗ 0.1577∗∗∗ 0.1668∗∗∗ (0.0209) (0.0192) (0.0185) ln R&D 0.0238∗∗∗ 0.0186∗∗∗ 0.0166∗∗∗ (0.0008) (0.0007) (0.0007) 員工特性變數: FL −0.0021 −0.0030 (0.0325) (0.0322) FL squared 0.0510 0.0729 (0.0549) (0.0549) Age3055r 0.2956∗∗∗ 0.2816∗∗∗ (0.0090) (0.0089) Age55r 0.3124∗∗∗ 0.3193∗∗∗ (0.0171) (0.0164) Avg male 0.2593∗∗∗ 0.2718∗∗∗ (0.0080) (0.0081) H index 0.3814∗∗∗ 0.3232∗∗∗ (0.0150) (0.0148)
Year effects No No Yes
Industry effects No No Yes
R-squared 0.1855 0.3402 0.3929
Observations 12,970 12,970 12,970
註:∗、∗∗與∗∗∗分別表示10%、5%與1%之水準下顯著,括弧內估計係為標
表6: 大型與中小型工廠之特性差異
工廠特性 員工特性
ln AGE Wdispersion ln R&D FL Age30r Age55r Avg male H index 大型工廠 平均數 2.4147 0.2701 4.5929 0.0928 0.3466 0.0252 0.4442 1.3227 (標準差) (0.7778) (0.0631) (2.8040) (0.1526) (0.1552) (0.0350) (0.1460) (0.1010) 樣本數: 1,365 家 中小型工廠 平均數 2.2663 0.3355 0.7852 0.0218 0.2096 0.0695 0.4739 1.2481 (標準差) (0.6714) (0.1125) (1.9740) (0.0853) (0.1855) (0.1138) (0.1964) (0.1188) 樣本數: 11,605 家 5.3 大型與中小型工廠之差異 為了探討勞工組成特性對生產力與薪資的影響,是否在不同規模的工廠之 間有所差異, 本小節我們進一步將樣本區分為大型與中小型工廠進行分 析。 關於大型與中小型工廠的定義,20 胡名雯(1991) 與陳忠榮等 (2001) 皆定義員工人數在百人以上屬於大型企業,而員工人數在百人以下則視為 中小型企業。 因此, 我們依循該法則將樣本切割,其中, 有1,365家工廠屬 於大型工廠,而其他則屬於中小型工廠。 表6為大型與中小型工廠針對各特性變數之基本統計量。 從表中我們 可以發現,平均來說,大型工廠的廠齡與每人平均研發資本皆高於中小型 工廠, 與陳忠榮等 (2001) 針對台灣電子業的分析略為一致, 但薪資分散 程度卻顯得相對較低。 此結果代表大型工廠的存活能力與從事研發或創新 行為的能力相對較強,但在員工薪資給付的分布上則趨於集中。 而針對員 工相關特性變數,大型工廠的平均外勞與本勞比率約高出中小型工廠的四 倍, 且人力資本指標也相對較高。 此數據顯示, 大型工廠對於高教育勞工 的需求較高, 且聘用外籍勞工的機率也相對較高。 另外, 大型工廠僱用較 高比例的年輕員工,但男性員工比例則以中小型工廠略高於大型工廠。 然 而,這些基本統計數據的差異並無法直接反映各項特性在工廠生產力與薪 資決定上是否扮演著不同角色,於是我們更進一步針對大型與中小型工廠 的生產力與薪資函數進行估計。 20胡名雯(1991)指出,中小企業的定義隨著分析的主題不同,區分的指標亦不盡相同。 例如:以總產出、 總員工數、 固定資產、 總銷售額或能源使用量等。 但在實證研究時,仍是 以總員工數來界定較為適當,因其較不受時間或空間因素所影響。
表7為大型與中小型工廠在不同的生產力指標下, 勞工組成特性對生 產力與平均薪資影響之估計結果。21由表中的(1)與 (2)式資本勞動比的 估計係數我們可得知,大型工廠的資本產出彈性略高於中小型工廠的資本 產出彈性, 顯示大型工廠較偏向於資本密集。 另外, 由於三種生產力指標 的估計結果中,各變數對生產力的影響在大型與中小型工廠之間的差異頗 為類似,僅效果強度上有所不同,因此我們僅針對兩類型工廠的差異進行 說明。 關於工廠的特性變數,相較於中小型工廠,大型工廠的營運年數對生產 力的正向效果與薪資分散度對生產力的負向效果皆較為擴大,但每人研發 資本對生產力的貢獻並無明顯且一致的差異。 而員工特性變數中,人力資 本指標對大型工廠生產力的貢獻高於對中小型工廠的貢獻。 員工的年齡與 性別組成僅對中小型工廠的生產力有顯著影響,對於大型工廠生產力則並 無一致且顯著的影響效果。 至於外勞與本勞比率對生產力的影響,則以中 小型工廠的效果強度較大。 針對各項特性對薪資之影響來看, 除了薪資分散度、 每人研發資本與 外籍勞工變數之外,大型工廠各項特性對平均薪資的影響效果皆高於中小 型工廠之影響效果。 而薪資分散度對大型工廠平均薪資的影響效果則呈現 負向,與對生產力的影響方向略為一致。 至於外勞本勞比率對兩類型工廠 仍不存在明顯的影響效果。 將上述結果整理後,我們可以發現,相較於中小型工廠,大型工廠的學 習效果與薪資公平所帶來的生產力助益將更為強烈。 其次,大型工廠的勞 工組成特性中,員工的平均教育程度的提升,係工廠生產力上升的主要動 力,員工的年齡與性別比例之差異並未對生產力造成顯著影響;反觀中小 型工廠,員工的年齡、 性別比例與教育程度組成皆是生產力變化的重要決 定因素, 惟員工教育程度提升所帶來之生產力的助益明顯低於大型工廠。 最後,大型工廠中本國員工特性差異的薪資溢酬皆高於中小型工廠。 21由於在此已利用廠商規模將樣本進行區隔, 因此表7中的估計並未再加入Large與 Small兩個廠商規模變數。
張 景 福 ． 盧 其 宏 ． 劉 錦 添 表7: 大型與中小型工廠生產力與薪資函數估計結果 ln YL ln YL ln TFP ln TFP L&P TFP L&P TFP ln W ln W (1) (2) (3) (4) (5) (6) (7) (8) 大型工廠 中小型工廠 大型工廠 中小型工廠 大型工廠 中小型工廠 大型工廠 中小型工廠 Constant 4.4261∗∗∗ 4.8427∗∗∗ 4.0838∗∗∗ 4.5156∗∗∗ 6.5220∗∗∗ 6.9108∗∗∗ 9.4857∗∗∗ 9.1881∗∗∗ (0.4188) (0.0917) (0.3961) (0.0901) (0.4559) (0.1110) (0.0976) (0.0226) ln KL 0.1730∗∗∗ 0.1645∗∗∗ 0.0188∗∗∗ 0.0184∗∗∗ (0.0211) (0.0050) (0.0033) (0.0013) 工廠特性變數: ln AGE 0.1226∗∗∗ 0.0239∗∗ 0.1195∗∗∗ 0.0159 0.2588∗∗∗ 0.0557∗∗∗ 0.0127∗∗∗ 0.0098∗∗∗ (0.0268) (0.0101) (0.0273) (0.0102) (0.0308) (0.0124) (0.0043) (0.0025) Wdispersion −2.2101∗∗∗ −0.2907∗∗∗ −2.0293∗∗∗ −0.2866∗∗∗ −3.4265∗∗∗ −0.8424∗∗∗ −1.0122∗∗∗ 0.1767∗∗∗ (0.3208) (0.0562) (0.3083) (0.0574) (0.3642) (0.0750) (0.0746) (0.0185) ln R&D 0.0477∗∗∗ 0.0422∗∗∗ 0.0425∗∗∗ 0.0363∗∗∗ 0.0713∗∗∗ 0.0792∗∗∗ 0.0120∗∗∗ 0.0166∗∗∗ (0.0079) (0.0036) (0.0079) (0.0036) (0.0083) (0.0044) (0.0015) (0.0008) 員工特性變數: FL 1.1030∗∗∗ 1.4211∗∗∗ 0.8811∗∗∗ 1.1848∗∗∗ 0.7808∗∗ 2.4273∗∗∗ 0.0175 0.0713∗ (0.2719) (0.1339) (0.2636) (0.1325) (0.3099) (0.1755) (0.0411) (0.0379) FL squared −1.1296∗∗∗ −1.1081∗∗∗ −0.9985∗∗ −1.0273∗∗∗ −1.4677∗∗∗ −2.7925∗∗∗ −0.0601 −0.0008 (0.4238) (0.2288) (0.4213) (0.2261) (0.5125) (0.3197) (0.0609) (0.0650) Age3055r 0.1505 −0.2850∗∗∗ 0.1603 −0.3050∗∗∗ −0.5282∗∗∗ −0.9508∗∗∗ 0.3110∗∗∗ 0.2342∗∗∗ (0.1560) (0.0342) (0.1568) (0.0347) (0.1810) (0.0437) (0.0299) (0.0091) Age55r 0.2954 −0.2962∗∗∗ 0.4587 −0.3211∗∗∗ −0.6321 −1.0363∗∗∗ 0.3486∗∗∗ 0.2720∗∗∗ (0.4854) (0.0592) (0.4848) (0.0594) (0.5188) (0.0719) (0.0908) (0.0163) Avg male 0.1273 0.2324∗∗∗ 0.0683 0.1770∗∗∗ −0.5099∗∗∗ 0.1243∗∗∗ 0.3149∗∗∗ 0.2393∗∗∗ (0.1421) (0.0311) (0.1413) (0.0316) (0.1639) (0.0380) (0.0252) (0.0083) H index 1.2463∗∗∗ 0.5855∗∗∗ 1.1524∗∗∗ 0.4911∗∗∗ 1.8409∗∗∗ 0.5529∗∗∗ 0.3500∗∗∗ 0.3021∗∗∗ (0.2626) (0.0592) (0.2603) (0.0594) (0.3015) (0.0729) (0.0539) (0.0153) R-squared 0.4312 0.2164 0.2562 0.0767 0.3599 0.1882 0.7572 0.3187 Observations 1,365 11,605 1,365 11,605 1,365 11,605 1,365 11,605 註: 所有估計式皆控制三欄位產業與各年的固定效果 (fixed effects)。∗、∗∗與∗∗∗分別表示10% 、 5% 與 1% 之水準下顯著, 括弧內估計係數為標準誤。
5.4 穩健性分析 (robustness analysis) 本文雖然運用豐富的工廠與員工特性變數進行估計工廠的生產力與薪資 函數,但還是無法完全考量所有工廠之間的特性差異,這些不可從資料中 觀察到的個別工廠異質性,可能會使前述的估計結果產生偏誤。 然而,由於 本文的合併資料係屬縱橫資料,利用此類型資料的追蹤特性,我們可加以 控制個別工廠不隨時間變動的不可觀察異質性。 一般來說,在不考量動態 的情形之下,控制個別工廠不可觀察異質性的估計模型,主要可分為固定 效果模型與隨機效果模型。 Hsiao (1986)指出,22 針對這兩種模型的選擇, 必須考慮到資料特性與分析之目的。 當樣本資料由母體中隨機抽取,且分 析目的主要在於探討整個母體的特性時,運用隨機效果模型係較為恰當的 分析方法。 而當樣本資料為非隨機, 且分析目的主要僅在探討這些樣本的 相關特性時,則運用固定效果模型較為合適。 由於本文目的主要係探究整 個電子業中勞工組成相關特性對生產力與薪資的影響,並非針對特定樣本 進行討論,再者, 我們的資料屬調查資料,故應可視為隨機樣本,因此我們 即以隨機效果模型來分析個別工廠的不可觀察的異質性。 表8為運用隨機效果模型的生產力與薪資函數估計結果。 針對生產力 函數來看,將表8中的模型 (1)、 模型(2)以及模型(3),分別與表4中的模 型(3)、 模型(6)以及模型(9)進行比較之後,我們可以發現,各項特性對生 產力的影響方向約略相同,僅表8中模型(1)的工廠規模與模型(3)中的 男性員工比例之估計係數呈現不顯著的情形。 至於效果強度上,表4與表8 的對應模型之估計係數雖有些許不同, 但並不存在系統性的差異。 在薪資 函數估計方面,透過表8的模型(4)與表5的模型(3)的比較,我們發現在 控制個別工廠不可觀察的異質性之後,各項特性對薪資的影響方向並無明 顯變化,僅外勞與本勞比率平方項對薪資在10%的顯著水準下呈現正向效 果。 總的來說,工廠不可觀察的異質性,雖會對估計結果造成些許影響,但 本文的整體結論並未有改變。 22請參考Hsiao (1986), pp. 42–43。
表8:工廠生產力與薪資函數之隨機效果估計結果 ln YL ln TFP L&P TFP ln W (1) (2) (3) (4) Constant 4.9243∗∗∗ 4.5955∗∗∗ 6.5314∗∗∗ 9.3169∗∗∗ (0.1043) (0.1016) (0.1126) (0.0220) ln KL 0.1730∗∗∗ 0.0124∗∗∗ (0.0057) (0.0012) 工廠特性變數: ln AGE 0.0695∗∗∗ 0.0652∗∗∗ 0.1014∗∗∗ 0.0057∗∗ (0.0120) (0.0121) (0.0134) (0.0025) Large 0.0140 0.0291∗ 0.4151∗∗∗ 0.0074∗∗ (0.0167) (0.0167) (0.0181) (0.0032) Small 0.0006 −0.0360∗∗ −0.3799∗∗∗ −0.0027 (0.0152) (0.0150) (0.0161) (0.0029) Wdispersion −0.2532∗∗∗ −0.2342∗∗∗ −0.4038∗∗∗ 0.0765∗∗∗ (0.0606) (0.0611) (0.0665) (0.0118) ln R&D 0.0608∗∗∗ 0.0526∗∗∗ 0.0917∗∗∗ 0.0140∗∗∗ (0.0038) (0.0037) (0.0042) (0.0009) 員工特性變數: FL 1.3370∗∗∗ 1.1179∗∗∗ 0.9737∗∗∗ 0.0170 (0.1410) (0.1408) (0.1523) (0.0267) FL squared −1.0138∗∗∗ −0.8837∗∗∗ −1.0263∗∗∗ 0.0626∗ (0.1957) (0.1966) (0.2096) (0.0352) Age3055r −0.1971∗∗∗ −0.1989∗∗∗ −0.3956∗∗∗ 0.2000∗∗∗ (0.0391) (0.0394) (0.0427) (0.0075) Age55r −0.2357∗∗∗ −0.2342∗∗∗ −0.5029∗∗∗ 0.2643∗∗∗ (0.0683) (0.0688) (0.0749) (0.0133) Avg male 0.1523∗∗∗ 0.1271∗∗∗ 0.0116 0.1857∗∗∗ (0.0400) (0.0403) (0.0448) (0.0085) H index 0.4236∗∗∗ 0.3461∗∗∗ 0.4135∗∗∗ 0.2897∗∗∗ (0.0680) (0.0683) (0.0760) (0.0145)
Year effects Yes Yes Yes Yes
Industry effects Yes Yes Yes Yes
R-squared 0.3015 0.1371 0.4769 0.3647
Observations 12,970 12,970 12,970 12,970
註:∗、∗∗與∗∗∗分別表示10%、5%與1%之水準下顯著,括弧內估計係數為標
6 結論與檢討 本文係利用1998年至2003年工廠與員工合併資料, 探討台灣電子業工廠 與員工特性對於生產力之影響。 文中以勞動生產力、 總要素生產力與 Levinsohn-Petrin 生產力作為衡量生產力的指標, 並進一步分析各項特性 對於廠內平均薪資的影響效果。 本文實證結果顯示,若工廠營運年數較高、 規模越大、 研發資本越高、 員工年齡組成比例越輕、 員工薪資分散程度越低、 男性員工比例與人力資 本指標越高者,其工廠生產力將會有所提升。至於外勞雇用方面,我們發現 當廠商雇用外籍勞工時,其生產力會有所提升,但隨著雇用比例的上升將 使貢獻度下降。而為了解決生產要素投入與不可觀察之生產力衝擊兩者間
的關聯性所導致的生產力估計偏誤,本文利用Levinsohn and Petrin (2003)
的方法,並以生產過程的電力使用來捕捉廠商遭遇不可觀察之生產力衝擊 時所造成的要素投入之決策變化。 估計結果顯示,當考慮兩者間的關聯性 時,工廠與勞工組成特性對於生產力的影響效果皆更為擴大,此也突顯出 要素投入與生產力衝擊之關聯的重要性。 從Levinsohn-Petrin生產力來看 各特性的效果, 工廠營運年數、 每人平均研發資本、 員工男性比例與人力 資本指標增加1%時,生產力各分別提升0.07%、0.07%、0.22%與0.72%。 而相較於其他工廠,大規模工廠其生產力將高出約0.68%, 小規模工廠其 生產力則約降低0.62%。 中年與老年勞工比例上升1%時, 分別使生產力 下降約0.36%與0.44%。 另外,以外勞與本勞比率為20%的工廠來看,其 增加1%的外勞與本勞比率, 將會使生產力上升0.57%。 但是, 當工廠雇 用勞工的外勞與本勞比率高於46%時, 隨著比例的增加, 將會使生產力下 降。至於薪資分散程度上升1%, 將使生產力下降0.43%, 而此結果亦符合
Akerlof and Yellen (1990)對工廠內工資分散程度的看法,即員工之間工資
分布不均將使工作團隊渙散,進而降低員工生產力。 而若將樣本區分為大 型工廠與中小型工廠進行分析時,我們發現大型工廠的學習效果與薪資公 平所帶來的生產力助益皆較為強烈。 且大型工廠中,員工的教育程度係工 廠生產力的主要決定因素,但員工的年齡與性別比例之差異並未對生產力 造成顯著影響; 反觀中小型工廠, 員工的年齡、 性別比例與教育程度組成 皆會對於生產力造成顯著影響,惟員工教育程度提升所帶來之生產力的助
益明顯低於大型工廠。 針對工廠平均薪資方面,實證發現工廠營運年數越高、 規模越大、 每人 研發資本越高、 員工男性比例與人力資本指標越高者, 平均薪資也會相對 較高。 然而,相較於年輕的員工,年長員工的比例越高,平均薪資將會上升, 且效果隨著年齡的提高而增加, 而此結果與生產力的影響效果相左。 在此 可解釋為員工薪資大多隨著員工經驗的累積而上升,但因新興電子產業的 相關生產技術知識並未反應在年長員工的經驗累積上,因此才會產生員工 年長比例的增加使得平均薪資上升但生產力卻下降的結果。 至於外勞與本 勞比率對於平均薪資則無顯著的影響。 主要的解釋為,雖然外籍勞工的引 進使得非技術勞工的供給增加,可能會造成本國非技術勞工之薪資下降, 但因技術與非技術勞工的互補性,使得本勞之技術勞工平均薪資上漲,故 整體來說外勞僱用比率的上升對於平均薪資的影響效果將不明確。 而若將 樣本區分為大型工廠與中小型工廠進行分析時,我們發現大型工廠對於本 國員工特性差異的薪資溢酬皆高於中小型工廠。 最後,為考量工廠不可觀 察之異質性,是否對生產力與薪資函數的估計產生影響,我們亦運用隨機 效果模型進行分析。 然而,結果顯示並未改變前述之整體推論。 本文僅選取電子業進行分析,而台灣的電子業平均來說係發展較為良 好之產業, 故我們對生產力與薪資的估計可能會有所高估。 再者, 由於外 勞的聘用並非為自由的勞動市場,主要在於廠商雇用外勞時必須面對的三 個條件,分別是: 是否符合相關專案的聘雇資格、 是否處於 「缺工」 狀態與 外勞雇用不得超過核配比例。 因此外勞的僱用乃須經過政府同意,且核配 比例也受到限制,故雇用外勞之工廠可能為非隨機性的選擇行為,造成外 勞對於生產力與薪資的影響效果仍須深入探討。 因此,若可將樣本擴張至 所有製造業,以及設法尋求廠商雇用外勞、 或外勞雇用比率的決定因素,將 是後續研究的努力方向。 參考文獻 胡名雯(1991), “臺灣製造業中小企業之研究”,博士論文,台北:國立台灣 大學經濟研究所。(Hu, M. W. (1991), “Taiwan zhi zao ye zhong xiao qi ye zhi yan jiu”, Ph.D. thesis, National Taiwan University.)
莊亦琦．許碧峰(1999), “研究發展對生產力的貢獻及產業間的外溢效果: 台灣製造業實證”, 《經濟論文》, 27(3), 407–432。 (Chuang, Y. C. and Hsu, P. F. (1999), “Productivity, R&D, and intra- and inter- industry spillovers in Taiwan’s manufacturing industry”,Academia Economics Pa-pers, 27(3), 407–432.)
陳忠榮．劉錦添．孫佳宏(2001), “中小企業與大企業技術效率之估計與比
較—臺灣電子業四欄位產業之實證研究”, 《國家科學委員會研究彙
刊:人文及社會科學》, 11(4), 401–413。(Chen, J. R. and Liu, J. T. and Sun, C. H. (2001), “An empirical study on technical efficiency of small and medium enterprises and large firms in Taiwanese electronic indus-try”,Proceedings of the National Science Council: Humanities and Social Sciences, 11(4), 401–413.)
楊志海．陳忠榮 (2002), “研究發展、 專利與生產力—台灣製造業的實證
研究”, 《經濟論文叢刊》, 30(1), 27–48。(Yang, C. H. and Chen, J. R. (2002), “R&D, patents and productivity — Evidence from Taiwanese manufacturing firms”,Taiwan Economic Review, 30(1), 27–48.)
歐陽利姝．朱世琳(2008), “研發、 研發外溢與員工學歷結構差異對台灣資
訊電子產業研發廠商的生產力之貢獻”, 《經濟論文叢刊》, 36(4), 515–
550。 (Ouyang, L. and Chu, S. L. (2008), “The effects of research, re-search spillovers and educational structure of employees on productivity of electronics firms in Taiwan”,Taiwan Economic Review, 36(4), 515– 550.)
蔡光第．楊浩彥 (1996), “多層次巢覆式R&D外溢效果與其對台灣製造
業不同科技部門之貢獻”, 《經濟論文叢刊》, 24(1), 29–60。(Tsai, K. T. and Yang, H. Y. (1996), “Multilevel-nested R&D spillovers and their contributions to sectors with different tech levels in Taiwan’s manufac-turing industry”,Taiwan Economic Review, 24(1), 29–60.)
蔡蕙安．陳致綱(2002), “研究發展外溢效果對廠商成本結構之影響—台
灣高科技產業之實証分析”, 《經濟論文叢刊》, 30(2), 175–204。 (Tsai, D. H. and Chen, T. G. (2002), “Intra- and inter-industry R&D
