机器人的兴起如何影响中国劳动力市场_来自制造业上市公司的证据_王永钦.pdf

机器人的兴起如何影响中国劳动力市场?* 来自制造业上市公司的证据王永钦董雯内容提要: 人工智能和机器人的兴起给经济和社会带来了广泛而深远的影响。中国已经成为全球机器人应用量最大的国家， 机器人的应用对中国劳动力市场造成了怎样的影响， 是一个有待回答的重要问题。本文首次使用中国行业机器人应用数据和制造业上市公司微观数据， 采用 “巴蒂克工具变量” 的因果关系识别策略， 从企业层面研究了工业机器人应用对中国劳动力市场的影响。实证结果表明， 机器人应用对企业的劳动力需求产生一定的替代效应， 工业机器人渗透度每增加 1%， 企业的劳动力需求下降 0. 18%; 并且机器人应用对不同技能劳动力需求的影响具有显著差异， 存在“就业极化” 特征， 而机器人应用对企业的工资水平没有明显影响。从影响机制看， 机器人应用对劳动力需求的替代效应在高市场集中度的行业、 高外部融资依赖度的行业和非国有企业中更为显著。进一步研究发现， 机器人应用还会通过产业链对上下游企业劳动力需求产生影响。本文最后讨论了机器人和人工智能时代的公共政策应对。关键词: 人工智能和机器人劳动力市场就业极化*王永钦， 复旦大学经济学院， 邮政编码: 200433， 电子信箱: yongqinwang fudan edu cn; 董雯， 复旦大学经济学院博士研究生， 邮政编码: 200433， 电子信箱: wdong18 fudan edu cn。本研究得到国家自然科学基金项目( 72073034、 71673058) 、 上海国际金融与经济研究院课题、 复旦大学经济学院高峰计划的资助。作者感谢方汉明教授在本研究项目中提供的帮助; 感谢 “中国制度经济学论坛( 2019) ” 与会学者的有益评论， 感谢匿名审稿人的宝贵意见， 文责自负。一、引言技术进步将把人类引向何方， 经济学家从未停止过思考。早在 20 世纪初， 凯恩斯就曾做出人类将面临“技术性失业” 的著名预言( Keynes，1930) 。如今， 人工智能( AI) 和机器人技术的迅猛发展在推动生产力进步的同时， 也加速了劳动力市场上机器人对人的替代， 给人类工作带来前所未有的挑战( Frey Osborne，2017) 。麦肯锡全球研究院的一项最新研究指出， 到 2030 年， 全球将会有 48 亿人口的工作被机器人取代， 而中国将会有 31% 的工作时间被自动化( MGI，2017) 。未来， 人类工作将会在多大程度上被机器人所替代?人工智能与机器人技术的快速发展给人类带来的究竟是机遇还是挑战?这一系列问题已经成为不可忽视的全球性议题( WorldBank，2019) 。2015 年国务院颁布 中国制造 2025 ， 将发展智能制造列为实现制造业强国目标的“五大工程” 之一。十九大报告进一步明确了“加快建设制造业强国， 加快发展先进制造业” 的发展目标。目前， 机器人应用已经成为推动中国从 “制造大国” 向“制造强国” 转变， 实现经济“高质量发展” 的重要力量。根据国际机器人联合会( international federation of robotics，IFR) 定义， 工业机器人是一种可自动控制( automatically controlled) 、 可重复编程( reprogrammable) 、 可完成多目标任务( multi-purpose) 的机械， 是面向工业领域的多关节机械手或多自由度机器人， 可在一些单调、 繁复和长时9512020 年第 10 期间的工作中替代人类。数据显示， 从 20102017 年， 中国工业机器人保有量年均增长率达到37. 73%; 2016 年中国首次超越日本成为全球工业机器人存量最大的国家( 如图1 所示) ; 2017 年中国工业机器人销量达到 13. 79 万台， 占当年全球总销量的 36%。作为一个处于经济转型期的发展中大国， 机器人应用的迅猛发展势必会对中国当前以及未来的劳动力市场带来深刻影响。然而， 现有研究多集中于探讨机器人兴起如何影响欧美等发达经济体的劳动力市场( Acemoglu Restrepo，2020;Graetz Guy， 2018;Dauth et al， 2018) ， 来自发展中国家的证据仍然相对缺乏。即使有少量研究关注了中国的机器人和人工智能发展及其经济影响( Cheng et al，2019; 陈彦斌等， 2019) ，但多侧重于理论层面的讨论， 缺乏系统性的实证研究。图 120012017 年主要国家工业机器人存量数据来源: 国际机器人联合会( IFR) 。本文利用 IFR 公布的 20112015 年行业层面的机器人数据及中国制造业上市公司的微观数据， 基于“巴蒂克工具变量” ( Bartik，1991;Goldsmith-Pinkham et al，2020) 的思想构造了中国企业层面的工业机器人渗透度指标， 在此基础上， 采用工具变量法实证检验了机器人应用对中国制造业上市公司劳动力需求和工资的影响。实证结果表明， 总体来看， 工业机器人应用对企业的劳动力需求产生了一定的替代效应( 工业机器人渗透度每增加 1%， 企业的劳动力需求下降 0. 18%) ，并且这种替代效应呈现出明显的结构性特征， 但是对企业的工资水平没有明显影响。具体而言， 工业机器人对劳动力的替代主要存在于本科和专科学历的员工群体中， 其替代弹性分别为 0. 27 和0. 44; 而对于高中及以下学历劳动力， 机器人应用对其有显著的挤入效应; 对于研究生及以上学历群体， 则没有明显影响。本文进一步从市场结构、 融资约束和企业所有权性质三个维度考察了机器人应用对企业劳动力需求和工资的影响机制。研究发现， 在市场集中度越高的行业、 外部融资依赖度越高的行业和非国有企业中， 工业机器人渗透度的提高对劳动力需求的替代效应越明显。为了全面识别工业机器人应用对劳动力市场的整体和长期影响， 本文还就机器人应用对企业劳动力需求的产业链传导效应及其长期效应进行了初步探讨。本文的创新之处和研究意义在于: 第一， 首次采用企业层面的微观数据， 利用工具变量法， 在解决模型内生性问题的基础上系统检验了机器人应用对中国劳动力市场的影响。从国际范围来看，也是较早使用企业层面的微观数据研究机器人的劳动力市场影响的论文。第二， 深入剖析了机器人应用对劳动力市场影响的微观机制。现有研究大多从宏观视角出发， 关注机器人应用对区域劳动力市场的影响， 缺乏对其影响机制的深入探讨。本文的研究发现， 从微观层面来看， 市场结构、 融061王永钦、 董雯: 机器人的兴起如何影响中国劳动力市场?根据应用场景不同， 机器人有多种分类。若无特殊说明， 本文所指机器人均指工业机器人。资约束以及企业自身面临的制度约束都可能会导致机器人应用对企业劳动力需求的影响存在差异。本文的研究结论意味着， 机器人应用对劳动力市场的影响并非“局部性” 的， 而需要从经济社会发展的全局来考虑， 它与国家的产业竞争政策、 金融发展程度、 制度环境、 社会保障政策等息息相关。有效应对机器人兴起对社会经济发展带来的挑战、 并迎接机遇， 需要制度和政策的统筹协调，以促进中国经济的包容性增长和高质量发展。本文余下部分结构安排如下: 第二部分在文献评述的基础上提出本文的研究假说; 第三部分介绍本文的数据、 工业机器人渗透度的测度方法和分布特征; 第四部分实证分析工业机器人应用对企业劳动力需求和工资的影响; 第五部分探讨其背后的微观影响机制; 第六部分进一步分析机器人应用对企业劳动力需求的产业链传导效应和长期影响; 第七部分是结论和建议。二、文献综述与研究假说( 一) 技术进步对劳动力需求和工资的影响Autor et al( 2003) 提出的 “基于任务的模型” ( task- based model) 考虑了技术与劳动力在不同任务中的比较优势， 弥补了新古典经济增长模型忽视了技术进步对劳动力需求和工资还可能存在替代效应的缺陷， 为研究自动化技术对劳动力市场的影响提供了基准的分析框架。基于该分析框架的研究发现， 在理论上， 自动化技术对劳动力需求和工资的影响并不一致， 即存在负向的替代效应和正向的生产力效应与就业创造效应。第一， 替代效应。在基于任务的模型分析框架下， 劳动力与自动化技术在不同的工作中具有各自的比较优势。当自动化技术相对于劳动力更具有比较优势时， 劳动力就会被自动化技术所取代，即替代效应。替代效应会导致均衡中的劳动力需求和工资下降( Autor et al，2003;Acemoglu Restrepo， 2018， 2020) 。机器人的使用有助于提高企业生产的自动化水平， 在一些机器人相对于人力更具有比较优势的岗位上实现机器对人的替代， 从而节约劳动力成本， 提高生产效率。而在劳动力供给不变的情况下， 劳动力需求下降会降低均衡的工资水平。此外， 在雇主和雇员的薪酬谈判中， 当雇员的工作越容易被机器人替代时， 其议价能力越低， 为了获得工作更有可能接受一个较低的工资水平。因此在替代效应作用下， 机器人应用可能会降低企业的劳动力需求和员工的平均工资水平。第二， 生产力效应。该效应的作用机制主要体现在以下三个方面: 其一， 自动化技术的应用有利于企业节约生产经营成本， 使得受自动化技术影响的商品和服务的价格下降， 并通过“收入效应” 增加消费者对该商品或服务的消费需求。在均衡中， 消费者需求增加会使企业进一步扩大生产经营规模， 从而增加劳动力需求。其二， 在 “收入效应” 影响下， 消费者还会增加对其他行业产品的需求， 进而导致相关行业的生产规模扩大， 劳动力需求上升。例如， 研究发现， 在欧美等国家， 农业机械化水平提高导致食品价格下降， 使得消费者的实际收入上升， 增加了对非农商品的消费， 从而为非农行业创造了大量的就业机会( Herrendorf et al， 2013) 。其三， 自动化技术的应用导致企业生产经营成本下降， 企业自身会有主动扩大生产经营规模的激励， 从而增加对非自动化岗位的劳动力需求。机器人应用有助于企业节约生产成本， 提高生产效率， 扩大生产规模， 增加对非自动化岗位的劳动力需求。而随着机器人应用带来劳动生产率的普遍提高， 也可能会进一步提高员工的工资水平。第三， 就业创造效应。自动化在取代一部分劳动岗位的同时， 也会创造出新的人力更具比较优势的工作岗位， 均衡中自动化如何影响劳动力市场则取决于两种影响的净效应。有研究指出， 就业创造效应可以解释美国 19802010 年就业增长的一半左右( Acemoglu Restrepo，2018) 。而人工智能和机器人技术的广泛应用无疑会创造出更多的新业态、 新模式和新的就业1612020 年第 10 期岗位。例如， 机器人应用可能会使企业增加对机器人工程师、 维修师等新工作岗位的需求。综上， 以机器人为代表的自动化技术对劳动力市场的影响并非简单单向的， 而是取决于负向的替代效应， 以及正向的生产力效应和就业创造效应的综合影响。基于上述分析， 本文提出以下两个待验证的假说:H1: 从企业层面来看， 当替代效应占主导时， 机器人应用程度的提高会减少企业的劳动力需求， 降低企业的平均工资水平。H2: 从企业层面来看， 当生产力效应和就业创造效应占主导时， 机器人应用程度的提高会增加企业的劳动力需求， 提升企业的平均工资水平。( 二) 技术进步对就业结构的影响针对欧美等发达经济体的研究发现， 技术进步对不同技能劳动者的影响往往是非线性的， 存在明显的就业极化( job polarization) 现象， 即高技能和低技能劳动者的就业呈现出上升趋势， 而中等技能劳动者的就业比例明显下降( Autor et al，2006;Acemoglu Autor，2011) 。关于就业极化现象， 一个具有代表性的解释是， 中等技能劳动者往往从事的是程序化、 常规性的工作， 而随着信息技术( ICT) 和自动化技术的进步， 这些工作最容易被替代。相比较而言， 高技能劳动者多从事非常规复杂劳动， 而低技能劳动者多从事非常规简单劳动， 被机器替代的可能性较小( Autor et al，2003) 。在实证研究中， 学者们利用不同国家的经验证据对上述假说进行了验证( Goos et al， 2014;Autor Dorn， 2013) 。最新研究发现， 自 20 世纪 50 年代以来， 制造业领域对中等技能员工需求的减少已经成为一种全球性趋势( Kunst， 2019) 。机器人应用不仅会导致企业劳动力需求和工资的总量变化， 也可能会带来相应的结构调整。对不同技能结构的劳动力需求而言， 机器人在替代部分可自动化工作的同时也会进一步提高企业对非自动化岗位、 与机器人技能互补岗位的劳动力需求。诸多研究表明， 自动化技术对中等技能劳动者的替代性最强， 而与高低技能劳动者存在互补效应。因此， 机器人应用可能会导致不同技能劳动者之间的 “就业极化” 。而在工资方面， 机器人应用会使得企业利润在不同部门、 不同技能员工间重新分配， 可能会进一步加剧高技术人才与低技能员工间工资收入的两极分化。基于上述分析，本文提出第三个待验证的假说:H3: 机器人应用程度提高会导致企业对高技能和低技能劳动者的需求增加， 对中等技能劳动者需求减少。三、工业机器人渗透度的测度方法与分布特征( 一) 数据来源本文使用的工业机器人数据来自 IFR。该组织每年对全球机器人制造商进行调查， 根据机器人制造商提供的一手数据统计形成 “国家 行业 年度” 层面的世界机器人统计数据， 这也是目前世界范围内最权威的机器人统计数据。鉴于工业机器人主要应用于制造业领域， 因此本文主要利用制造业行业中类( 二位数行业代码) 的工业机器人数据进行分析。与现有研究主要侧重于行业或地区等宏观层面的分析不同， 本文着眼于从微观层面考察工业机器人应用如何影响企业的劳动力需求和工资水平。基于微观数据的分析， 有助于进一步理解机器人应用对劳动力市场影响的微观机制， 为政策制定提供更准确可靠的依据。尽管中国规模以上工业企业数据库( 以下261王永钦、 董雯: 机器人的兴起如何影响中国劳动力市场?本文参照 GB/T47542011 国民经济行业分类与代码 将中国二位数制造业行业分类代码统一到 2011 年标准， 并根据中国国民经济行业分类代码与 所有经济活动的国际标准行业分类( 第四版) 的对应关系将中国的行业就业数据与 IFR 的机器人存量数据进行匹配。由于篇幅所限， 具体匹配标准留存备索。简称工企数据库) 在研究中国工业企业行为方面具有独特优势， 但是考虑到中国工业机器人的使用在 2010 年之后才呈现出快速上升趋势， 且工企数据库中 2007 年之后的数据有明显缺失，因此本文在实证研究中主要采用 20112015 年中国沪深两市 A 股制造业上市公司的数据进行分析。其中， 企业员工构成、 企业经营等数据来自 Wind 数据库， 员工薪酬数据来自国泰安数据库( CSMAR) 。本文用到的其他数据还包括: 中国制造业分行业就业数据来自中国工业统计年鉴 ; 城 市 层 面 的 相 关 经 济 数 据 来 自中 国 城 市 统 计 年 鉴 ; 美 国 分 行 业 就 业 数 据 来 自NBER-CES 。( 二) 工业机器人渗透度的测度方法Acemoglu Restrepo( 2020) 采用一般均衡模型考察了机器人应用对美国区域劳动力市场的影响， 并基于模型结论构造了度量美国区域层面 “机器人渗透度” 的指标， 其构造思想类似于“巴蒂克工具变量” ( bartik instrument) ( Bartik， 1991;Goldsmith- Pinkham et al，2020) 。本文借鉴其方法构造中国制造业企业层面的机器人渗透度指标。具体测度方法如下:第一步， 计算行业层面工业机器人渗透度指标， 记为 PRCHit:PRCHit=MRCHitLCHi， t =2010其中， MRCHit表示中国 i 行业 t 年的工业机器人存量， LCHi， t =2010表示中国 i 行业2010 年( 基期) 的就业人数， PRCHit表示中国 i 行业 t 年的工业机器人渗透度。第二步， 构造企业层面工业机器人渗透度指标:CHFexposure to robotsjit=PWPjit =2011ManuPWPt =2011*MRCHitLCHi， t =2010该指标衡量了 i 行业 j 企业在 t 年的工业机器人渗透度。其中PWPjit =2011ManuPWPt =2011表示制造业中 i 行业 j企业 2011 年( 基期) 生产部门员工占比与制造业所有企业 2011 年生产部门员工占比中位数的比值。与现有研究主要关注地区层面的机器人渗透度不同， 本文以此比值作为权重， 将行业层面的工业机器人渗透度分解到企业层面， 用以考察企业层面的工业机器人渗透度。对于 j 企业而言， 工业机器人渗透度的变化主要反映了本国行业技术特征的变化， 而与企业自身的特征性因素无关。第三步， 利用美国行业层面的工业机器人数据构造中国企业层面机器人渗透度的工具变量:CHFexposure to robotsjit=PWPjit =2011ManuPWPt =2011*MRUSitLUSi， t =1990其中， MRUSit表示美国 i 行业 t 年的工业机器人存量， LUSi， t =1990表示美国 i 行业1990 年( 基期) 的就业人数， PRUSit=MRUSitLUSi， t =1990表示美国 i 行业在 t 年的工业机器人渗透度。本文之所以采用美国工业机器人数据构造工具变量， 主要基于以下三点考虑: 第一， 在样本期内美国机器人应用水平虽领先于中国， 但其发展趋势与中国同期比较接近( 见图 1 和图 2) 。第二，美国的工业机器人应用水平处于全球领先地位， 其发展趋势能够反映该行业的技术进步趋势。第三， 与大多数发展中国家相比， 美国的劳动力市场相对完全， 其各行业机器人应用水平对中国劳动力市场的影响应该仅反映比较外生的技术进步带来的影响。因此， 我们认为， 美国行业层面的工业机器人应用程度对中国劳动力市场的影响主要反映了同类行业技术特征( 满足工具变量的相关3612020 年第 10 期第三点考虑主要借鉴了 Rajan Zingales( 1998) 构造融资约束工具变量的构造思想。性要求) ， 而与其他影响中国机器人应用的本土因素无关( 满足工具变量的排他性约束) ， 将其作为中国企业层面机器人渗透度的工具变量， 有助于减轻模型的内生性问题。( 三) 中国工业机器人渗透度的分布特征1 中国制造业行业层面工业机器人渗透度分布特征与机器人存量、 销量指标相比， 机器人渗透度( 密度) 更能反映一国机器人实际应用水平。如表 1 所示， 中国工业机器人渗透度最高的行业是汽车制造业， 最低的是纺织、 皮革、 服装业， 不同行业间的工业机器人渗透度差异较大。而与美国相比， 中国制造业整体的工业机器人渗透度仍然偏低。总体来看， 在中国和美国都呈现出资本密集型行业( 如汽车制造、 机械设备制造等)拥有更高的机器人渗透度， 而传统的劳动密集型行业( 如纺织服装、 家具制造等) 的机器人应用并不明显。表 1中国与美国制造业分行业层面工业机器人渗透度制造业行业中国工业机器人渗透度( 台/每万名员工)美国工业机器人渗透度( 台/每万名员工)20102015201020152010201520102015食品、 饮料、 烟草0. 587. 176. 5927. 2152. 7125. 50纺织、 皮革、 服装0. 010. 200. 190. 060. 600. 54木材加工及家具制造0. 000. 650. 650. 101. 301. 20造纸及印刷制造业0. 090. 810. 720. 051. 131. 08塑料和化学制品7. 6620. 2512. 5944. 6085. 3940. 79非金属矿物制品业0. 242. 712. 471. 567. 646. 08基本金属0. 313. 383. 070. 7373. 5172. 78金属制品业4. 4426. 8722. 4355. 5571. 7616. 21电力设备与计算机、 电子产品、 光学产品制造2. 6433. 9831. 3458. 00128. 9270. 92工业机械与设备制造0. 249. 799. 551. 1618. 0116. 85汽车制造业29. 07277. 34248. 27491. 05997. 88506. 83铁路、 船舶、 航空航天和其他运输设备制造业1. 388. 457. 070. 874. 934. 06其他制造业0. 669. 118. 4513. 20126. 35113. 15注: 作者根据相关数据计算而得， 计算方法依据本文第三部分提出的行业层面工业机器人渗透度公式。图 2 展示了 20102015 年中国与美国制造业分行业工业机器人渗透度的变化情况。可以看出， 中国工业机器人应用增长最快的行业是汽车制造业， 其增长幅度远远领先于其他行业。美国工业机器人的增长与中国基本呈现出相似的行业特征。略有不同的是， 美国的其他制造业和基本金属制造业的机器人使用水平要显著高于中国， 而在金属制品业和铁路、 船舶、 航空航天和其他运输设备制造业上中国的机器人渗透度略高于美国。2 企业层面工业机器人渗透度的分布特征表 2 报告了不同分组下企业层面工业机器人渗透度的均值检验结果。结果显示， 高行业集中度的企业的平均机器人渗透度显著高于低行业集中度的企业; 处于外部融资依赖度较低的行业中的企业拥有更高的机器人渗透度; 国有企业的机器人渗透度要略高于非国有企业。461王永钦、 董雯: 机器人的兴起如何影响中国劳动力市场?限于篇幅， 有关利用其他国家数据构造工具变量的分析留存备索。图 2中国与美国制造业分行业工业机器人渗透度变化情况对比( 20102015)注: 作者基于表 1 数据计算而得。表 2企业层面工业机器人渗透度的分布特征分组工业机器人渗透度样本量均值标准差两组均值差异行业集中度分组高行业集中度低行业集中度2728362721. 88111. 5111. 1280. 15710. 370 (10. 426)外部融资依赖度分组高外部融资依赖度低外部融资依赖度4080227510. 72325. 3590. 1491. 33914. 637 ( 14. 361)企业所有权性质分组国有企业非国有企业1985437017. 55715. 2380. 9460. 5802. 319 (2. 166)注:*、 、 分别表示在 10%、 5%和 1%的显著性水平下显著， 括号中是估计参数的 t 统计量。关于行业集中度和外部融资依赖度的定义及分组依据详见本文第四和第五部分。四、工业机器人应用对企业劳动力需求和工资的影响( 一) 基准回归与简约式回归模型为检验工业机器人渗透度变化对企业劳动力需求和工资的影响， 本文构建以下基准回归模型:lnempjict= 0+ 1lnCHFexposure to robotsjit+ 2Xjit+ 3Iit+ 4Cct+ vj+ t+ jict( 1)lnwagem， sjict= 0+ 1lnCHFexposure to robotsjit+ 2Xjit+ 3Iit+ 4Cct+ vj+ t+ jict( 2)lnempjict表示第 t 年 c 城市 i 行业 j 企业的年末员工人数的对数， lnwagem， sjict表示第 t 年 c 城市 i 行业 j 企业员工平均薪酬的对数。由于在企业内部高管薪酬和普通员工薪酬存在明显差距， 采用企业财务报表中支付给职工的薪酬总额计算平均工资可能会高估企业的平均工资水平。鉴于此， 本文参考陆正飞等( 2012) 的方法将员工平均薪酬区分为高管平均薪酬( lnwagemjict) 和普通员工平均薪酬( lnwagesjict) 。本文的核心解释变量是 lnCHFexposure to robotsjit， 是企业层面工业机器人渗透度的对数。1和 1是本文关心的核心系数， 其经济学含义是工业机器人渗透度对企业劳动力需求和工资的替代弹性。Xjit是一系列企业层面的控制变量。Iit是行业层面的控制变量， 主要包括行业集中度和外部融资依赖度。其中， 行业集中度采用赫芬达尔 赫希曼指数( HHI) 进行衡量。本文根据企业总资产5612020 年第 10 期占行业( 二位数行业代码) 所有企业总资产的份额计算行业集中度指标。行业外部融资依赖度以Rajan and Zingales( 1998) 的方法测算。Cct是一系列城市层面的控制变量。主要变量的描述性统计结果详见表 3。表 3描述性统计变量名称样本量均值标准差最小值最大值员工人数( 取对数)105577. 3721. 2221. 60912. 186研究生学历人数( 取对数)50083. 5931. 533010. 112本科学历人数( 取对数)67825. 6971. 262010. 745专科学历人数( 取对数)67746. 0771. 209010. 962高中及以下学历人数( 取对数)41796. 6701. 3691. 09911. 396高管平均薪酬( 取对数)655312. 1590. 63810. 47413. 913普通员工平均薪酬( 取对数)655411. 0850. 4449. 93912. 518加权中国行业机器人密度( 取对数)63431. 5461. 7737. 7876. 017加权美国行业机器人密度( 取对数)63553. 4101. 7135. 4847. 297注: 表中所有价值变量均以 2009 年各省城市居民消费价格指数为基准进行消胀处理。由于国内行业机器人渗透度的变化还可能与其他影响中国机器人应用和劳动力市场需求的因素有关， 这将导致估计系数难以干净地反映变量间的因果关系。为了排除这一影响， 本文借鉴Acemoglu Restrepo( 2020) 的做法， 利用美国机器人数据构造的渗透度指标作为工具变量， 在基准回归中替换 lnCHFexposurerobotsjit进行回归分析， 此为简约式回归( reduced form) ，其他变量设定均保持一致， 回归方程如下:lnempjict= 0+ 1ln CHFexposure to robotsjit+ 2Xjit+ 3Iit+ 4Cct+ vj+ t+ jict( 3)lnwagem， sjict= 0+ 1ln CHFexposure to robotsjit+ 2Xjit+ 3Iit+ 4Cct+ vj+ t+ jict( 4)基准回归模型和简约式回归控制了企业固定效应和时间固定效应， 并将标准误在企业和年份层面上进行双向聚类。( 二) 基准模型与简约式模型回归结果1 工业机器人应用对企业劳动力需求的影响表 4 报告了工业机器人渗透度对企业劳动力需求影响的估计结果。鉴于简约式回归和基准回归结果基本一致， 且使用以美国数据计算的工业机器人渗透度作为解释变量更有助于减轻模型的内生性问题， 因此下面主要针对简约式回归结果进行分析( 下文同) 。如表 4 简约式回归结果所示， 从全样本来看， 企业面临的工业机器人渗透度每增加 1%， 其雇佣员工人数会下降 0. 032%。进一步按员工的学历水平分组来看， 工业机器人渗透度每增加 1% 会导致本科学历雇佣人数下降0. 042%， 专科学历雇佣人数下降 0. 07%。不同的是， 工业机器人渗透度每增加 1% 会使得企业雇佣高中及以下学历人数增加 0. 197%。此外， 机器人应用对于研究生及以上学历的雇佣人数没有显著影响。导致上述结果的原因可能在于: 机器人相对于人力在一些常规性、 复杂性劳动方面更具比较优势， 这些工作往往由中等技能劳动力从事， 因此对中等技能劳动力的替代效应更为明661王永钦、 董雯: 机器人的兴起如何影响中国劳动力市场?本文关心简约式( reduced form) 回归结果的一个重要原因在于， 简约式回归的估计系数反映了工具变量对被解释变量的直接因果效应， 部分地解释了内生变量与被解释变量的因果关系。这在本文的研究中是有现实意义的， 结果可以被解释为外生的行业技术冲击对中国劳动力市场的直接影响。显。而对于技能需求较低的工作， 人力相对于机器人更具比较优势， 采用机器替代人反而会增加企业的生产成本。此外， 在自动化生产环境下， 对于不需要较高技能的一般性劳动， 企业可以通过雇佣更低成本的低技能劳动力来完成， 这也会增加企业对低技能劳动力的需求。表 4工业机器人应用对企业雇佣人数的影响变量企业雇佣人数( 取对数)全样本研究生及以上学历本科学历专科学历高中及以下学历ln CHFexposure to robots0. 032 (2. 235)0. 032(0. 871)0. 042*(1. 893)0. 070 (2. 498)0. 197 ( 2. 924)调整 R20. 9560. 9520. 9470. 9410. 861样本量53623452459045882812lnCHFexposure to robots0. 021*(1. 720)0. 028(1. 345)0. 031*(1. 880)0. 045 (2. 523)0. 015( 0. 364)调整 R20. 9570. 9530. 9470. 9420. 860样本量53533448458445832807控制变量及固定效应:企业、 城市、 行业特征变量YesYesYesYesYes企业、 年份固定效应YesYesYesYesYes注:*、 、 分别表示在 10%、 5%和 1%的显著性水平下显著， 括号中为 t 统计量， 标准误双向聚类在企业和年份层面。所有回归均控制企业、 城市、 行业特征变量及企业、 年份固定效应， 限于篇幅， 其余控制变量和常数项的估计结果留存备索( 下文若无特殊说明均与此设定相同) 。2 工业机器人应用对员工工资的影响表 5 汇报了工业机器人应用对企业员工薪酬影响的回归结果。基准回归和简约式回归结果表明， 高管薪酬和普通员工工资对工业机器人渗透度的弹性系数为负， 但是估计结果并不具有统计意义上的显著性。尽管基准回归中工业机器人渗透度对普通员工工资的影响系数在 10% 的显著性水平下具有统计显著性， 但是这种显著性非常微弱， 回归结果并不稳健。上述分析表明， 工业机器人应用对中国制造业企业员工薪酬的影响并不明显。一个可能的解释是， 工资的调整具有刚性， 工资向下调整困难， 即使机器人对劳动力需求量有明显的替代效应。表 5工业机器人应用对员工工资的影响变量基准回归模型简约式回归高管薪酬普通员工工资高管薪酬普通员工工资lnCHFexposure to robots0. 005(0. 445)0. 019*(1. 755)ln CHFexposure to robots0. 042(1. 365)0. 021(0. 815)企业、 城市、 行业特征变量YesYesYesYes企业、 年份固定效应YesYesYesYes调整 R20. 8720. 7840. 8720. 784样本量4218421942184219( 三) 工具变量( 2SLS) 回归结果简约式回归的好处在于， 美国不同行业工业机器人应用水平对中国对应行业劳动力需求和工资的影响仅反映了行业本身的技术特征， 避免了采用本国数据可能产生的内生性问题。但是这种7612020 年第 10 期做法也存在一个缺陷， 即该回归系数难以在数量上直接反映中国工业机器人应用对劳动力市场的影响程度。为弥补上述缺陷， 本文以 ln CHFexposure to robots作为 lnCHFexposure to robots 的工具变量， 采用两阶段最小二乘法( 2SLS) 对模型进行重新估计， 该估计方法下所得的 lnCHFexposure torobots 的回归系数不仅考虑了内生性问题， 同时也可更为直观地反映中国工业机器人应用对企业劳动力需求和工资水平的数量影响。表 6工业机器人应用对企业雇用人数和工资的影响( IV 2SLS 回归)Panel A 工业机器人应用对企业雇佣人数的影响变量企业雇佣人数( 取对数)全样本研究生及以上学历本科学历专科学历高中及以下学历lnCHFexposure to robots0. 183 (2. 040)0. 186(0. 723)0. 273*(1. 724)0. 439 (2. 204)0. 966 ( 2. 744)F 统计量63. 95222. 20240. 50740. 95638. 576centered R20. 3270. 1780. 2180. 1520. 230N53533448458445832807Panel B 工业机器人应用对企业工资的影响变量高管薪酬( 取对数)普通员工工资( 取对数)lnCHFexposure to robots0. 210(1. 254)0. 107(0. 797)F 统计量12. 89613. 078centered R20. 0060. 019N42184219注: IV 2SLS 标准误为稳健标准误( 下文若无特殊说明均与此设定相同) 。表 6 报告了中国工业机器人应用对企业劳动力需求和工资影响的 IV 2SLS 估计结果。如表 6Panel A 所示， 平均来看工业机器人渗透度每增加 1%， 企业对劳动力的需求会下降 0. 183%。并且工业机器人对劳动力的替代效应主要存在于本科和专科学历的员工群体中， 其替代弹性分别为 0. 273 和 0. 439。而对于高中及以下学历劳动力， 工业机器人渗透度每增加 1%， 会导致企业对该学历劳动力的需求量增加 0. 966%。此外， 工业机器人应用对研究生及以上学历的劳动力需求没有明显影响。如表 6 Panel B 所示， 工业机器人应用无论是对高管薪酬还是普通员工工资都没有显著影响， 这与本文的简约式回归结果一致。鉴于 IV 2SLS 的回归系数在数量意义上更加直观， 本文在后续分析中主要汇报两类回归结果: 一是简约式回归结果; 二是 IV 2SLS 估计结果。五、工业机器人应用对企业劳动力需求和工资的影响机制( 一) 行业集中度分组回归第一种机制为市场势力。如果一个行业的市场集中度越高， 意味着有少数几家大企业在行业中占据主导地位。对于大企业而言， 其采用机器人技术具有两方面优势: 其一从成本角度来看， 机器人应用具有规模经济的特征， 即较高的固定成本和近乎为零的边际成本。因此，具有规模优势的大企业更有能力消化前期一次性机器人设备投入带来的成本负担， 更容易实现“机器换人” 的战略。而在市场高度分散化的行业中， 每一家企业的市场势力都很小， 企业往往难以负担如此高昂的一次性成本投入。其二从收益角度来看， 大企业采用机器人技术可以有效地节约劳动力成本， 提高生产力水平， 实现更高的成本加成( markup) ， 获得规模收益。861王永钦、 董雯: 机器人的兴起如何影响中国劳动力市场?而在竞争性较强的行业， 如果采用机器人能够节约生产成本， 那么会有更多的企业有激励在生产中使用机器人， 在竞争中该行业所生产的产品价格下降更多。随着产品价格下降， 消费者对该产品的需求增加， 企业进一步扩大生产规模， 增加对劳动力的需求。所以， 在竞争性较强的行业( 行业集中度较低) ， 机器人应用对劳动力需求总体的替代效应可能并不明显。为验证上述分析， 本文根据当年行业集中度中位数将样本分为高行业集中度和低行业集中度两组做分组回归。如表 7 所示， 简约式回归结果表明， 在高行业集中度的样本中， 工业机器人渗透度每增加1%， 会导致企业雇佣本科学历员工减少0. 053%， 雇佣专科学历员工减少0. 07%， 雇佣高中及以下学历员工增加 0. 187%。但是对于低行业集中度的企业而言