英国年度商业调查:1998年至2019年企业层面的劳动生产率指标

• 不同企业的劳动生产率差异很大;年龄、规模、地理位置和行业部门等因素可以解释这种变化的30%。

• 老公司生产效率更高，总部主要设在伦敦和东南部的公司、外资公司或从事国际贸易的公司也是如此。

• 1998年至2019年期间，平均劳动生产率增长的一半以上是由于劳动生产率最高的10%的工人。

• 2010年至2019年期间的劳动生产率增长低于1999年至2007年期间;劳动生产率处于第50至90百分位之间的工人是这种放缓的最大贡献者。

• 1998年至2019年，制造业的劳动生产率增长快于服务业;主要是因为在1998年至2008年期间，生产率较低的制造业企业的劳动力数量有所下降，而在2019年，生产率较低的企业仍有很大一部分服务业员工。

• 从我们的实验统计数据中，比较企业劳动生产率的数据可以使用你的企业生产效率如何互动工具。

对于非金融企业经济，从1998年到2019年，平均劳动生产率增长了20%，从每名工人43,500英镑增加到52,000英镑(按2019年价格计算)，如表1所示。在同一时期，中位数几乎没有增长，从每人2.95万英镑增长到3.05万英镑，增长了3.4%。在同一时期，普通工人的生产率几乎没有增长，而在aGVA已经更高的90百分位工人的生产率增长了15%。前沿地区生产率的快速增长导致了劳动力生产率的进一步分散。以生产率分布的第90百分位和第50百分位之间的比率衡量的离散度，从1998年的3.19增加到2019年的3.56。

图1更详细地显示了按生产率划分的工人分布。

图2显示了生产率分布的不同部分对增长的贡献。左边的条形图显示了平均生产率在不同时期的总变化。右边的条形图显示了每个时间段内生产率最高的10%的工人、中间的40%和最低的50%的工人的贡献。

在1998年至2019年期间，处于生产率分布前10%的工人贡献了61%的生产率增长。从1999年到2007年，收入最高的10%的劳动者对经济增长的贡献与收入最低的90%的劳动者对经济增长的贡献相同。从2010年到2019年，收入最高的10%的工人的贡献增加到63%，收入最低的90%的工人的贡献下降到37%，主要原因是40%的工人处于第50至90百分位之间。

表2按高级别行业分类对年度商业调查(ABS)的总分布进行了分解，以说明过去22年行业构成的变化。图3显示了制造业和非金融市场服务业工人在不同生产率水平下的更详细情况。

制造业的发展方向与服务业相反。从1998年到2019年，该行业的工人人数从大约400万减少到250万。这些工人主要在生产率较低的企业工作，导致制造业的劳动生产率平均值和中位数大幅提高。这种下降趋势早在我们的数据集1998年开始之前就开始了，然而即使在1998年之后，下降仍然是巨大的。劳动力的下降在2008年触底，在那之后，生产率增长更加缓慢。

自1998年以来，非金融市场服务业的平均劳动生产率从每名工人的42,500英镑增加到51,500英镑，增长了21%，而非市场服务业的平均劳动生产率下降了17.5%。这两个服务业加在一起主宰了整个经济，但自1998年以来，它们的生产率增长有所不同。自1998年以来，非金融市场服务部门的就业人数强劲增长。如图3所示，这种增长主要出现在生产率较低的企业，因此从1998年到2019年，劳动生产率中位数没有增长。

图3:制造业工人数量下降，服务业工人数量上升，但在生产率较低的企业

1998年和2019年工人企业每名工人的aGVA。非金融企业经济，2019年不变价格，英国

下载数据

.xlsx

较大和较老的公司生产效率更高，主要位于伦敦和东南部的公司，以及在外国所有权或参与国际贸易方面具有国际联系的公司也是如此。

我们使用回归分析来控制构成效应，比如老公司也更大，不同地区有不同的行业组合。表3、图4和图5显示了基于企业特征的劳动生产率回归，控制了年份和行业固定效应。

许多大公司的员工分布在英国各地，即使他们的劳动力分布在伦敦、东南部或其他地区，他们的大部分劳动力分布得更均匀。比较模型1和模型2，我们将实际上是“跨区域”的公司单独分组，使用的标准是在其最大的地区或国家以外拥有超过40%的劳动力。在我们的数据中，跨地区公司占劳动力总数的28%。

在模型2的区域分组中，伦敦相对于东米德兰兹控制区域的生产率优势略高，为33%，而不是将跨区域企业单独分类时的25%。尽管生产率不如以伦敦为主导的公司，但跨地区公司的生产率仍然很高。回归控制了公司的规模。即使考虑到(通常)是一家更大的公司，跨地区的公司也与17%的劳动生产率溢价有关。

其他区域之间的劳动生产率差异大多很小，要么没有统计学意义，要么只有很小的程度。威尔士和英国东北部是例外。然而，在模型3和模型4的最终规范中，考虑到更详细的国际联系，这些影响也较小。

劳动生产率与年龄之间呈非线性关系，如图4所示。随着一家新公司的发展壮大，生产率会不断提高，直到成立7年左右，这时平均效应趋于稳定。

同样地，当一个中等或大型公司的普通工人比一个小公司的普通工人的生产力更高时，超过一定的规模，平均而言，生产力的差异很小或没有差异。

图4:年龄对生产力的影响是非线性的，前五年的影响最大

表3中模型2的年龄影响，2019年不变价格，英国

资料来源:国家统计局-年度商业调查-北爱尔兰统计-年度商业调查

注:

1. 用分数多项式计算非线性效应。表3中各个模型的效果在性质上是相似的。

下载此图像图4:年龄对生产力的影响是非线性的，前五年的影响最大

.svg (129.8 kB)

图5:工人数量对生产率的影响是非线性的

表3中模型2的工人数量的影响，2019年不变价格，英国

资料来源:国家统计局-年度商业调查-北爱尔兰统计-年度商业调查

注:

1. 用分数多项式计算非线性效应。表3中各个模型的效果在性质上是相似的。

下载此图像图5:工人数量对生产率的影响是非线性的

.svg (209kb)

虽然图5显示了数据集作为一个整体的平均效果，但大小和生产力之间的关系因行业部门而异。图6对各个行业部分重复了模型2。制造业有更明显的规模经济，企业规模和生产率之间的关系甚至在大公司和大公司之间也存在。一些服务业部门之间的关系较弱，在专业、科学和技术服务方面，小型和大型公司之间的生产率差异不大，只有在员工少于10人的公司之间存在负面影响。

图6:工人数量对生产率的影响是非线性的。制造业有更明显的规模经济

工人数量对生产率的影响，选定行业，2019年不变价格，英国

资料来源:国家统计局-年度商业调查-北爱尔兰统计数据-年度

注:

1. 用分数多项式计算非线性效应。表3中模型2的规范是重复的，将数据限制在每个行业部分。不同型号规格的效果在质量上是相似的。

下载此图像图6:工人数量对生产率的影响是非线性的。制造业有更明显的规模经济

.svg (558.6 kB)

这种回归分析只能显示相关性，而不能显示因果关系。一个非常积极的企业家可能会在东南部发现他们的业务，以便从其他当地公司的知识溢出中受益。即使企业家选择了不同的地区，他们最终仍可能拥有一家生产率高的公司，因为受到激励，他们可能会采取其他措施来提高生产率，而不管地点如何。研究人员能够发现因果效应是双向的。偶然对公司产生的溢出效应仍然可以提高生产率(例如，格林斯通等人，2010年，识别集聚溢出效应:来自大型工厂开业赢家和输家的证据)．国际贸易商的更高生产率是公认的，例如在威尔士和其他地区(2018年)，英国货物贸易和生产力:新发现．然而，De Loecker (2013)通过导出检测学习还提供了证据，证明企业从出口经验中学习，并因为成为贸易商而提高生产率。

劳动生产率

劳动生产率是用产出除以劳动投入来计算的。

非金融市场服务

零售、行政支持和服务、运输和储存、住宿和食品、信息和通信、房地产和专业、科学和技术领域的企业。

约总增值(aGVA)

年度商业调查(ABS)提供了营业额和中间采购的信息，可用于估计企业的大致总增加值(aGVA)。它衡量的是被调查者产生的收入，减去他们为生产产出而消耗的商品和服务的中间消费。

数据源

我们结合了年度商业调查(1998年至2008年)、年度商业调查(2008年至2019年)和北爱尔兰年度商业调查(1998年至2019年)的数据。这些是英国主要的结构性企业调查，每年包括来自具有代表性的企业样本的55,000份回复，覆盖了英国经济的约三分之二。结构性商业调查旨在为国内生产总值(GDP)和国民经济核算提供数据，以及其他各种数据来源。这些数据集还提供了业务层面劳动生产率的近似总增加值(aGVA)，计算方法为aGVA除以企业的工人数量。虽然这允许我们在高粒度水平上查看生产力的分布，但这也引入了波动性，因为统计数据是基于每年部分旋转的样本。

样本

我们使用部门间商业登记簿(IDBR)进行抽样调查，从中获取企业层面的就业情况、行业代码、年龄和外国所有权信息。而IDBR则使用各种调查、税务、行政和商业数据进行维护。

方法

该数据涵盖了商业经济，不包括公共部门、金融、农场和个体经营者。2007年以前的标准工业分类(SIC) 1992年和2003年代码已使用五位数的模态映射进行转换。对于大企业不响应，国家统计局(ONS)在每个调查年度进行比率估算，如在年度业务调查技术报告．对于这篇文章，使用现在可用的回溯性业务历史重新计算了年度业务查询估算。

每个工人的AGVA通常是一个分母很小的比率。这可能会放大总增加值(aGVA)数据中的任何错误，并扭曲统计数据。在计算平均值和分布统计数据之前，我们删除了每年每个工人的aGVA和分组变量的前1%和后1%的响应。

本文的结果以2019年基准年的不变价格为基础。继实行双通缩之后劳动生产率:1997 - 2018年,国内生产总值的工业总量估计,目前GDP的价格和数量估计我们使用隐性价格平减指数从国内生产总值产出核算．价格平减指数是根据国民核算中使用的最低行业聚合水平计算的，通常是两位数的SIC水平。

在本文中，对结果进行加权，以代表企业经济中的工人。首先，使用调查设计权重，对样本进行加权，以代表整个企业群体。然后，每个企业根据其劳动力规模进行额外加权，例如，一个拥有1000名工人的工厂的权重是一个拥有5名工人的小作坊的200倍。在我们2019年的数据集中，大约一半的员工在250名或更多员工的公司工作，尽管在总共约250万家企业中，只有9200家这样规模的公司。

《商业登记簿就业调查》收集了英国各地企业每个地点的工人数量的数据。这提供了按位置对业务进行分类的不同选项。在表3的模型1中，我们使用企业拥有最多员工的地区或国家。然而，许多大型企业实际上是跨英国的。通常情况下，伦敦或东南部是最大的业务区域，即使伦敦或东南部各自只占企业员工总数的不到15%。对于其他模型，如果超过40%的企业员工不在其最大的地区或国家，我们将企业视为“跨地区”企业。

表4显示了按地理足迹划分的企业分布。

使用商业站点(“地方单位”)上的数据，可以对商业生产率和地理之间的关系进行更详细的分析。站点或本地单位数据允许在较低水平上对不同规模的企业的等效条款进行更全面的分析。然而，更细粒度分析的代价是调查数据仍然是在报告单元级别捕获的。企业的调查数据值必须分配到企业的本地单元级别，这增加了一个额外的统计错误层。

对于这篇关于总体趋势和相关性的文章，我们使用报告单元级数据和高级地理分类。

绝大多数企业是作为整体企业进行调查的。在我们的数据中，约有400家大型企业被划分为“报告单位”，这是英国国家统计局企业调查抽样的基础。这些调查通常分为两到三个部分(如零售和非零售，其中零售部分接受特定于零售的业务调查)。2019年，5%的员工所在的企业被划分为多个报告部门。由于这些是一小部分企业，尽管数据单位是报告单位，但我们始终使用“公司”或“业务”。