行业、职业和位置特定知识在

也就是说，我们认为，当劳动力流动和天然气非金属开采运输林业农业投资煤炭开采房地产企业批发教育研究健康娱乐采矿剩余物管理电信通信钢铁制造机械制造化工产品制造业印刷制药业制造业时，一对行业（职业）是相关的住宅项目公共管理贸易教育医疗保健和社会服务体育和邮政服务农业和动物养殖加工业管理活动住宿和食品建设其他服务金融活动专业服务信息和通信艺术、文化、，和娱乐基础卫生电力和天然气房地产活动采掘业国内服务国际组织工程师生物学家Slabt技术银行工人木材工人伐木工人海事工人机器操作员皮革工人新闻记者StextileTechnicianscustoms工人艺人教师产品安装工TSALESGlassWorkers建筑HRDesigners Paperworkers维护技术服务和零售工人行政工人专业生产工人艺术和科学专业人员农业工人熟练工人公共部门专业人员和管理人员行业工人维护和维修工先锋公司一年-3年-2年-1基金会YearOccupations名称职业，无关行业Different Occupations，相关行业名称职业，无关行业行业名称职业，无关行业行业名称职业，非相关行业名称职业，非相关行业名称职业，非相关行业名称职业司机财务经理行政助理处理和处置回收材料，用于回收餐饮和食品服务建筑维修图2：相关活动的工作历史和网络。

A中的图表显示了如何使用个人工作历史来推断第一批员工为先锋公司带来的知识。每个工人的颜色代表他们的职业，而边框的颜色代表行业。例如，这位黄色工人有货运司机的经验，与他受雇于先锋公司从事的职业相同，但他来自一个非常不相关的行业。浅蓝色工人有不同职业的经验，但在相关行业。B显示相关行业网络，C显示相关职业网络C。节点颜色对应职业和行业分类的最高级别。此图仅显示每个网络最重要的边，根据修剪算法选择，该算法从最大生成树开始，然后添加阈值以上的所有边（有关详细信息，请参阅SI附录）。它们之间的差距比我们根据一对行业的规模和增长预期的要大。换句话说，我们从公式1中取回归的残差，其中F（t）i<->iis在t年期间，从i到i和从i到i的原木规模工人的总流量- 1和t。g（t）ii=max{g（t）i，g（t）i}是员工数量的最大增长率g（t）i=ln L（t）i- ln L（t-1） i在两个行业之间，~L（t）ii=max{L（t）i，L（t）i}是两个行业之间的最大员工人数，按对数标度，L（t）ii是第t年行业i的员工人数，也按对数标度。我们对残差^γ（t）ii进行归一化，使其保持在0和1之间（见等式2）。我们以一种自然的方式测量职业o和o之间的相关性（见等式）。

3和4）。F（t）i<->i=β+βg（t）ii+βИL（t）ii+γ（t）ii，（1）φ（t）ii=^γ（t）ii-minii{γ（t）ii}maxii{γ（t）ii}-minii{γ（t）ii}，i 6=i 1，i=i（2）F（t）o<->o=β+βg（t）oo+βИL（t）oo+θ（t）oo，（3）ψ（t）oo=^θ（t）oo-minoo{θ（t）oo}maxoo{θ（t）oo}-minoo{θ（t）oo}，o 6=o1，o=o（4）行业和职业之间的相关性每年定义两个加权无向网络。图2 B和C显示了2008年相关行业和职业的网络，在选择了最重要的边缘进行可视化后（详情参见SIAppendix）。我们所有的分析都是用完整的、时间相关的加权网络进行的。接下来，我们使用这些相关性度量来创建员工带入先锋企业的相关知识存量指标。对于每个先锋企业，我们通过聚合其所有员工的相关性来衡量其员工带来的行业和职业特定知识的数量：Φ（t）f，i，r=Xisf，iφ（t）ii（5）ψ（t）f，i，r=Xosf，o，oψ（t）oo，（6）行业规范C010100职业规范编号0.180.360.540.720.900.180.36 0.54 0.72 0.900.660.720.780.840.900.96生存率职业规范c0.180.360.540.720.90行业规范c0.180.36 0.54 0.72 0.90-0.9-0.6-0.30.6规模职业规范c0.180.360.540.720.720的增长。90特定行业0.180.36 0.54 0.72 0.900.650.750.850.95存活率-0.40.00.4生长费率行业规范0.18 0.36 0.54 0.72 0.90初始规模学校平均边际效益第一年平均值。

wageoccupation知识。来自regionindustry knowl的劳动力。-0.02-0.01 0.00 0.01 0.02 0.03 0.04 0.05低中高0.20.40.60.81.00 2.5 5 7.5 10创新后生存概率行业知识水平低中高0.20.40.60.81.00 2.5 5 5 7.5 10创新后生存概率行业知识水平A BD E F G图3：2008年后开始的先锋企业特征，根据员工对行业和职业的特殊认知：a显示数据中观察到的企业数量，B显示第三年的经验存活率，D显示存活企业第三年的经验就业增长率，E显示存活率和增长率仅作为行业特定知识的函数。灰色表示数据点不足的情况。C显示了表1中模型（6）中每个变量对2008年之后开始的企业生存率的平均边际影响。F显示了表3中模型（5）对2005年开始的企业的预测值，这些企业具有不同的行业知识水平：低、中、高。G与F相似，但职业知识水平不同。在Fand G中，低表示先锋中最小的观测值，中表示观测值的中值，高表示最大观测值。其中，sf，iis是f公司中有行业i经验的员工比例，sf，o，ois是f公司中有职业o经验的员工比例。这两个聚合变量分别量化了员工根据以往经验为f公司带来的行业和职业特定知识。图3 A显示了先锋企业数量的双变量柱状图，这些企业从特定的行业和职业知识存量开始。

我们注意到，一对行业或一对职业之间的主题关联度约为0.4，因此大多数先锋企业雇佣工人的行业和职业关联度远远高于随机雇佣工人的水平。对这一事实最好的解释是，企业和员工认识到相关知识的重要性，并相应地进行搜索和招聘。当我们研究柱状图时，我们发现先锋企业倾向于雇佣具有职业特定知识的员工（顶行），但仅具有中等水平的行业特定知识（中列）。接下来，我们来看看幸存下来的先锋企业。图3 B显示了先锋企业三年平均生存率的双变量直方图。令人惊讶的是，幸存企业的分布与所有先锋企业的分布截然不同。虽然先锋企业倾向于雇佣具有职业特定知识的员工，但幸存的先锋企业往往是那些雇佣具有高水平行业特定知识的员工的企业（图3B）。事实上，先锋企业的三年生存率从工人不具备行业专门知识时的60%左右增加到工人平均产业关联度大于Φf>0.5时的85%以上（图3 E）。图3 D显示了幸存先锋企业的就业增长情况。在这里，我们看到，拥有大量行业特定知识的先锋企业也比那些缺乏行业特定知识的先锋企业增长得快得多（图3 E）。我们使用多元回归分析将这些结果形式化，该分析预测了在行业i和地区r运营的三年生存率（t+3）f，i，兰德就业增长率G（t+3）f，i，rof先锋公司f。我们使用逻辑回归预测三年生存率，并使用OLS预测增长。

我们将重点放在三年生存率（survivalrate）上，这是解决对我们的数据（超过我们观察期的公司）进行正确审查的一种简单方法。如果我们要用逻辑模型研究更长时间内的生存率，我们将不得不缩小我们可以跟踪的先锋企业的数量（关于替代模型，请参见SIAppendix）。我们的生存和增长模型是企业的行业特定知识存量（Φ）、职业特定知识存量（ψ）、员工平均受教育年限（edu）、初始员工人数（n）、平均工资（w）和本地知识存量（ρ）的函数，我们将其定义为在同一地区有工作经验的员工比例。在我们的所有模型中，四个知识因变量：第三年生存率、S（t+3）三年增长率、G（t+3）（1）（2）（3）（4）（5）（6）（7）（8）（9）（10）（11）（12）行业知识。0.466***0.457***0.174***0.185***（Φ）（0.114）（0.123）（0.029）（0.031）职业知识。0.184**0.035 0.033 -0.029（ψ）（0.085）（0.092）（0.022）（0.023）受教育年限0.163*0.134 0.023 0.012（edu）（0.086）（0.091）（0.025）（0.025）本地知识0.238***0.228***0.014 0.007（ρ）（0.071）（0.072）（0.019）（0.019）初始尺寸-0.246***-0.251***-0.261***-0.226**-0.235**-0.227**-0.393***-0.394***-0.395***-0.391***-0.393***-0.391***（log（n））（0.093）（0.095）（0.094）（0.092）（0.093）（0.096）（0.031）（0.030）（0.031）（0.031）（0.030）平均工资0.208 0.136 0.188 0.137 0.342 0.202 0.231***0.209***0.228***0.221***0.238***0.208***（对数（w））（0.220）（0.233）（0.221）（0.224）（0.235）（0.257）（0.071）（0.069）（0.071）（0.072）（0.072）（0.071）年f.e.X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X。

X X X X X X X X X X X X观测1632 1632 1632 1632 1632 1376 1376 1376 McFadden 0.2128 0.2265 0.2161 0.2153 0.2212 0.2367AICc 1635.9 1619.1 1633.9 1635.0 1626.6 1612.7对数似然-558.1-548.4-555.8-556.3-552.1-541.1R0.324 0.343 0.325 0.324 0.324 0.344调整后R0.194 0.216 0.194 0.194 0.194 0.215F统计2.490***2.699***2.487***2.481***2.480***2.665***（df=222）（df=223）（df=223）（df=223）（df=223）（df=226）注：*p＜0.1；**p＜0.05；***p<0.01，标准误差在括号内。表1：先锋企业第三年不同类型知识对生存率（模型1-6，逻辑回归）和增长率（模型7-12，OLS）的影响估计。对于所有模型，报告的标准误差都是稳健的，并按区域进行聚类，四个知识变量以标准偏差单位表示。变量（Φ、ψ、edu、ρ）以其各自均值的标准偏差为单位进行测量，以使其系数更易于解释和比较。形式上，我们的模型采用等式中定义的形式。7和8。公式7中的模型是逻辑回归，公式中的ui、λ（t）和ηrf。7和8分别为行业、年份和地区固定效应。由于我们控制这些固定影响，我们的模型可以捕捉不同类型人力资本对企业生存和增长的影响，同时控制行业和地区的时不变特征（如行业的生命周期）以及全国趋势。

此外，通过将每个企业的初始员工人数和平均工资相加，我们可以控制规模效应以及关于每个企业的工作吸引力的其他效应。S（t+3）f，i，r=β+βΦ（t）f，i，r+βψ（t）f，i，r+βedu（t）f，i，r+βρ（t）f，i，r+βlog（n（t）0 f，i，r）+βlog（w（t）f，i，r）+ui+λ（t）+ηr+ε（t）f，i，r（7）G（t+3）f，i，r=β+βΦ（t）f，i，r+βψ（t）f，i，r+βedu（t）f，i，r+βρ（t）f，i，r+βlog（n（t）0 f，i，r）+βlog（w（t）f，i，r）+ui+λ（t）+ηr+ε（t）f，i，r（8）表1给出了先锋企业的两种模型的结果，其中Φ，ψ，edu，以标准偏差单位测量的ρ。在所有专业中，行业专业知识（Φ）对企业生存和发展的影响仍然很强，而职业专业知识（ψ）和学校教育（edu）的影响在单独考虑时很弱，在控制行业专业知识（Φ）后则不显著。图3C显示了表1中模型（6）的平均边际效应。行业知识的标准偏差每增加一个单位，平均~ 公司生存概率增加5%。行业知识是否只对先锋企业或所有新企业重要？表2显示了先锋和其他非先锋新公司之间的比较。非创业者的行业知识系数明显低于创业者（互动术语模型（3）是积极且显著的），而对于非创业者，即使我们将其与行业特定知识结合起来考虑，职业知识系数仍然显著。虽然我们不能否认一般知识和职业相关知识对创业者和所有企业都很重要的观点，但我们的结果表明，与行业特定知识相比，它们的影响很小。事实上，对于创业者来说，学校教育的估计分数实际上比所有新公司都高。

这些结果表明，行业特定知识对先锋企业比新企业更重要。为了探索知识对生存率的长期影响，我们将重点放在2005年开始运营的企业上，并使用Cox比例比率模型[24，25]，与之前一样具有相似的规格（等式7）。由于我们只是一年来的先驱，固定效应模型将导致模型过度规范。相反，我们控制区域和公司特征，如表3所示。图3 F和G显示了根据表3中的模型（5），对于行业知识（图3 F）和职业知识（图3 G）水平较低、中等和较高的企业，先锋企业生存率的预测值。与职业特定知识相比，行业知识对生存率的影响更为显著（更多详情见SI附录）。企业进入和招聘决策的内生性都对这些结果提出了挑战。也许，生产率更高的企业只会倾向于雇佣相关行业的员工。也许，与职业相关的知识并不重要，这是一个依赖变量：第三年的存活率，S（t+3）三年的增长率，G（t+3）（1）（2）（3）（4）（5）（6）行业知识。0.457***0.091***0.091***0.185***0.054***0.054***（Φ）（0.123）（0.007）（0.007）（0.031）（0.002）（0.002）先锋假人0.156 0.088**（0.126）（0.038）行业知识：先锋假人0.203**0.091***（0.093）（0.027）职业知识。0.035 0.035***0.036***-0.029 0.012***0.011***（ψ）（0.092）（0.007）（0.007）（0.023）（0.002）（0.002）受教育年限0.134 0.008 0.009 0.012 0.002 0.002（edu）（0.091）（0.007）（0.007）（0.025）（0.002）（0.002）本地知识0.228***0.084***0.085***0.007-0.007***-0.007***（ρ） （0.072）（0.006）（0.006）（0.019）（0.002）（0.002）公司控制X X X X X X X X EAR f.e.X X X X X X X XIndustry f.e.X X X X X X X X区域f.e。

X X X X X firm type preoners non preoners all preoners non preoners allObservations 1632 284369 286001 1376 242192 243568MCFADDEN 0.2367 0.0404 0.0404AICc 1613 231739 233106对数可能性-541-115,638 -116320R0.344 0.152 0.152调整后R0.215 0.151 0.151F统计2.665***188.475***188.274***（df=226）（df=230）（df=232）注：*p＜0.1；**p＜0.05；***p<0.01，标准误差在括号内。表2：先锋企业（模型1和4）、非先锋企业（模型2和5）以及所有新企业（模型3和6）第三年的生存和增长情况。行业知识与先锋虚拟企业之间的互动是积极且显著的，这意味着行业特定知识对先锋企业的影响更大。与之前一样，所有知识变量都以标准偏差单位表示。公司控制包括初始规模和平均工资。因变量：死亡概率（1）（2）（3）（4）（5）行业知识。-0.214**-0.181**（Φ）（0.089）（0.092）职业知识。-0.107*-0.038（ψ）（0.059）（0.063）学年-0.129**-0.105*（edu）（0.057）（0.058）本地知识-0.145***-0.144***（ρ） （0.047）（0.048）区域控制X X X X X firm控制X X X X X观测462 462 462 462R0.026 0.019 0.023 0.032 0.054Wald测试11.580 9.070 10.790 15.660**25.840***（df=8）（df=8）（df=8）（df=8）（df=11）注：*p＜0.1；**p＜0.05；***p<0.01表3:2005年开始的先锋企业Cox比例风险模型。公司控制包括初始规模和平均工资，地区控制包括人口、人均GDP、平均受教育程度、可用行业知识和非先锋企业的生存率，以控制该地区的竞争力。