工业机器人的应用会提高劳动生产效率,促进产业技术创新和价值创造,另一方面又会对制造业劳动力就业产生冲击,其对制造业就业总量和结构的影响及机理尚需从理论到实证的深入研究。基于我国18个省级地区面板数据,从制造业就业总量和劳动力技能结构角度分析工业机器人应用对制造业就业市场的影响。结果表明:工业机器人应用对中国制造业整体就业有显著的抑制作用,但这种抑制作用只存在于低技能劳动力就业中,具体表现为机器人使用量每增加10%,低技能劳动力就业下降0.54%,而对高技能劳动力就业影响不显著;其次,从地区差异性看,机器人密度较高的地区对就业冲击明显,密度低的地区对就业影响不大;后,考虑工业机器人技术复杂度的异质性,发现高技术复杂度的机器人对就业的替代作用明显,低技术复杂度机器人对就业的影响不显著。政策上宜按构建现代产业体系、推动经济高质量发展的理路,健全工业机器人应用配套政策,实施“机器换人”计划与完善就业保障机制相兼顾,加强对工业机器人产业应用型高技能人才培养和储备体系的建设,发挥工业机器人应用对就业的积极影响。
The application of industrial robots will improve labor productivity and promote industrial technological innovation and value creation. On the other hand, it will have an impact on the employment of manufacturing labor. How to reveal the impact and mechanism of industrial robot application on the total employment and employment structure of manufacturing industry is worthy of in-depth study from theory to empirical research. Analyze the impact of the use of industrial robots on the manufacturing employment market from the perspective of total manufacturing employment in the province and the skill structure of labor force, the results show that the use of industrial robots to the whole manufacturing employment has significant inhibitory effect, but this inhibiting effect is found only in low-skilled employment, embodied in the robot use a 10% increase, low skill labor employment fell by 0.54%, the effect on the employment of high-skilled workers is not significant. Secondly, considering regional differences, it is found that regions with high robot density have obvious impact on employment, while regions with low robot density have little impact on employment. Finally, considering the heterogeneity of the technical complexity of workers' robots, it is found that robots with high technical complexity have obvious substitution effect on employment, while robots with low technical complexity have no significant effect on employment. Therefore, increasing training, increasing investment in research and development, expanding investment in higher education, and improving employment security mechanism are conducive to giving full play to the positive impact of robots on employment.
industrial robot; labor employment; manufacturing; workforce skill structure; regional differences;
李克强总理在2019年政府工作报告中提到,就业是民生之本、财富之源,就业优先政策要全面发力;同时指出,中国就业压力总量不减,结构矛盾凸显。这是我国中央政府首次将就业优先放在宏观政策层面,强调了就业的重要性。另一方面,随着人口老龄化问题的日益突出,劳动力短缺和劳动力成本上升已成为当前社会关注的焦点,“用工荒”与“就业难”问题并存。发达经济体制造业的回流,使中国企业发展面临国内外双重压力。在这个大背景下,企业实行“机器换人”是提高生产率和竞争力的有效手段。2015年中国国务院颁布了《中国制造2025》战略,在政策引导及制造业企业自身成长需求推动下,中国工业机器人产业近些年呈现出爆发式增长特征。国际机器人联合会(IFR)的数据显示,2011-2017年,中国工业机器人年销售量从2.3万台增长到13.7万台,年平均增速为37.1%。2013年中国成为第一大机器人产销国。中国工业机器人销售量增速较快,但机器人密度(每万名工人拥有的机器人数量)还处于较低水平,与日韩等国家差距明显。中国作为全球大的机器人需求市场,机器人产业蕴含着巨大的发展潜力。考虑到中国区域间发展不平衡的事实,工业机器人在各地区的应用程度差异较大,准确揭示出工业机器人对制造业就业总量和结构的深刻影响,对于中国经济实现高质量发展具有十分重要的意义。
关于工业机器人对就业的影响有两个值得特别重视的效应:一是“破坏效应”。
综合而言,有关发达国家工业机器人使用量对就业影响的研究较为多样,但对像中国这样人口众多的发展中国家的研究还较为匮乏(曹静和周亚林,2018)
假定经济中只存在制造业单一部门进行生产,制造业部门投入三种要素:资本、劳动力和工业机器人。将生产函数设为C-D形式:
Y=(AKK)α(ALL)β(AZZ)1-α-β=AKαALβAZ1-α-βKαLβZ1-α-β (1)
其中Y表示制造业部门的产出,K表示制造业部门资本投入(不包括机器人资本),L表示制造业部门劳动力投入,Z表示制造业部门工业机器人资本投入;AK表示资本生产率,AL表示劳动生产效率,AZ表示工业机器人生产效率;α>0,β>0且α+β<1。
根据式(1)求出劳动力的边际产出以及机器人的边际产出:
MPL=βAKαALβAZ1-α-βKαLβ-1Z1-α-β (2)
MPZ=(1-α-β)AKαALβAZ1-α-βKαLβ-1Z1-α-β (3)
其中MPL表示劳动力的边际产出,MPZ表示机器人的边际产出。将式(3)与式(2)作比:
上式表示机器人的边际产出相对劳动力的边际产出。当
假定产品市场和劳动力市场完全竞争,将制造业部门产品的市场价格标准化为1。制造业部门作为劳动力的需求方,投入资本、劳动力、机器人三种要素实现利润大化:
maxK, L, Z AKαALβAZ1-α-βKαLβZ1-α-β-rKK-wLL-rZZ
其中,rK表示资本的价格,wL表示劳动力的工资,rZ表示机器人的价格。由利润大化的一阶条件可得:
wL=βAKαALβAZ1-α-βKαLβ-1Z1-α-β (4)
式(4)表示劳动力的需求方程。
假定劳动力市场是出清的。前面假定劳动力市场是完全竞争的,工资是制造业部门对劳动力需求的唯一调节机制。本文设定劳动力供给为工资的函数:L=f(wL)。一般而言,工资越高,劳动力供给越多,进入制造业部门的劳动力就越多,即劳动力供给随着wL上升而增加,因此,可以假定供给函数为单调递增函数。为简化分析,假设劳动力供给函数为线性:
L=λLwL (5)
其中λL为劳动力供给弹性,且λL>0。
当劳动力市场达到均衡时,制造业部门的劳动力需求等于供给,联立式(4)和式(5)可得:
L=λLwL=λLβAKαALβAZ1-α-βKαLβ-1Z1-α-β
L2-β=λLβAKαALβAZ1-α-βKαZ1-α-β (6)
式(6)表示制造业部门均衡状态下的就业情形。
综上所述,机器人通过影响劳动力需求市场,从而对就业市场产生影响,当机器人冲击制造业劳动力需求市场时,会引起就业市场失衡,但通过对劳动力供给市场的调节,终实现就业市场的再平衡。
机器人作为一种专有投资的技术进步,对就业的影响较为广泛。在就业总量方面,
假说1:工业机器人的大规模应用冲击中国制造业整体就业,使得总的就业效应为负。
以上分析只是考虑了就业总量,就业技能结构也是分析就业效应不可或缺的一个方面。
假说2:在机器人密度较高的地区,工业机器人对低技能劳动力的替代效应明显,同时促进高技能劳动力就业;在机器人密度较低的地区,工业机器人对就业的影响不显著。
对式(6)两边取对数可得:
lnL=α0+α1lnK+α2lnZ (7)
式(7)为制造业部门均衡状态下的就业情形,其中α0=ln(λLβAKαALβAZ1-α-β)/(2-β), α1=α/(2-β), α2=(1-α-β)/(2-β)。由于本文研究机器人对高技能劳动力和低技能劳动力就业的影响,式(7)可以拓展为:
lnhigh=α0+α1lnK+α2lnZ (8)
lnlow=α0+α1lnK+α2lnZ (9)
现有关于影响劳动力就业的实证模型设定主要包括第三产业占GDP比重、地区经济发展水平、人口老龄化程度以及劳动力成本(
lnlabori, t=α0+α1lnrbi, t+α2lnpgdpi, t+α3lncosti, t+α4thirdi, t+α5lnki, t+α6agingi, t+ui+λt+εi, t (10)
lnhighi, t=β0+β1lnrbi, t+β2lnpgdpi, t+β3lncosti, t+β4thirdi, t+β5lnki, t+β6agingi, t+ui+λt+εi, t (11)
lnlowi, t=γ0+γ1lnrbi, t+γ2lnpgdpi, t+γ3lncosti, t+γ4thirdi, t+γ5lnki, t+γ6agingi, t+ui+λt+εi, t (12)
其中,式(10)为省域制造业整体就业方程,式(11)、式(12)分别为高技能劳动力和低技能劳动力的就业模型。式(10)-式(12)的下标i和t分别表示第i个地区和第t年。labor表示各地制造业就业总量,high表示高技能劳动力,low表示低技能劳动力,rb表示各地工业机器人的密度,pgdp表示各地经济发展水平,cost表示劳动力成本,third代表产业结构,k代表资本存量,aging代表人口老龄化程度,ui表示个体固定效应,λt表示时间固定效应,ε为随机误差项。鉴于相关变量的水平值存在巨大差异性,对绝对数变量总量取对数,以消除可能存在的异方差。
制造业就业总量(labor):本文用规模以上工业企业年平均用人数表示劳动力就业数量;高技能劳动力(high):参照
本文的核心解释变量是工业机器人的使用量(rb),由于国内工业机器人70%以上都依赖进口(
地区经济发展水平(pgdp),本文用各地人均GDP表示地区经济发展水平。一般来说,经济发展水平越高对就业的吸纳能力越强;劳动力成本(cost),劳动力成本的上升势必导致企业生产成本上升,促使企业用相对便宜的要素来替代劳动,进而影响劳动力就业,本文用制造业就业人员的平均工资来表示劳动力成本;产业结构(third),用第三产业占GDP比重表示;资本存量(k),本文采用永续盘存法(PIM)计算各地历年的资本存量,计算公式为ki, t=(1-δi, t)ki, t-1+Ii, t,其中ki, t表示第i个地区第t年的资本存量,Ii, t表示第i个地区第t年的固定资本总额,δi, t表示第i个地区第t年的资本折旧率,根据
表1 变量名及数据来源 导出到EXCEL
符号 | 变量名 | 指标 | 数据来源 |
labor | 制造业就业总量 | 规模以上工业企业年平均用人数 | 中国统计年鉴 |
high | 高技能劳动力 | 研发人员 | 中国科技统计年鉴 |
low | 低技能劳动力 | 除研发人员外制造业就业人数 | 中国统计年鉴、中国科技统计年鉴 |
rb | 工业机器人密度 | 工业机器人进口总额与制造业从业人数的比值 | EPS数据库、中国商品贸易数据库 |
pgdp | 经济发展水平 | 人均GDP,用地区生产总值数平减 | 中国统计年鉴 |
cost | 劳动力成本 | 制造就业人员的平均工资,用居民消费价格指数平减 | 中国统计年鉴 |
aging | 人口老龄化程度 | 65岁以上人口比例 | 中国统计年鉴 |
third | 产业结构 | 第三产业占GDP比重 | 中国统计年鉴 |
k | 资本存量 | 永续盘存法计算 | 中国工业统计年鉴 |
由于自2011年1月起,规模以上工业企业的统计口径发生了变化,纳入统计范围的工业企业年主营业务收入起点标准从500万元提高到2000万元,使到2011年以后的数据与之前的数据不可直接比较,因而本文选取2011-2017年的样本区间,各变量的描述性统计见表2。
表2 描述性统计 导出到EXCEL
变量名 | 样本量 | 均值 | 标准差 | 小值 | 大值 |
lnlabor | 126 | 15.072 | 0.724 | 13.811 | 16.504 |
lnhigh | 126 | 11.768 | 0.759 | 10.115 | 13.454 |
lnlow | 126 | 15.033 | 0.727 | 13.734 | 16.466 |
lnrb | 126 | 6.077 | 1.015 | 3.700 | 8.710 |
lnpgdp | 126 | 10.928 | 0.389 | 10.153 | 11.747 |
lncost | 126 | 10.596 | 0.197 | 10.309 | 11.176 |
aging | 126 | 10.756 | 1.838 | 6.600 | 14.300 |
third | 126 | 0.457 | 0.110 | 0.297 | 0.806 |
lnk | 126 | 9.749 | 0.545 | 8.721 | 10.725 |
lnprice | 126 | 7.984 | 2.807 | 1.302 | 12.882 |
本文使用我国18个省级地区的工业机器人使用量对制造业就业进行回归分析。通过Hausman检验选择固定效应模型和随机效应模型。终,根据两种效应分析,列(1)和列(3)为固定效应模型,列(2)不能拒绝原假设采用随机效应模型,回归结果见表3。
表3 基准回归结果 导出到EXCEL
变量 | (1) lnlabor | (2) lnhigh | (3) lnlow |
lnrb | -0.051** | -0.025 | -0.054*** |
(0.020) | (0.029) | (0.020) | |
lnpgdp | 2.246*** | 1.622*** | 2.262*** |
(0.188) | (0.256) | (0.192) | |
lncost | -0.788 | -1.080* | -1.019 |
(1.004) | (0.640) | (1.025) | |
aging | -0.007 | -0.018 | -0.006 |
(0.008) | (0.012) | (0.008) | |
third | -1.207*** | -1.247*** | -1.195*** |
(0.310) | (0.450) | (0.316) | |
lnk | 0.689 | 0.922*** | 0.764 |
(0.564) | (0.203) | (0.575) | |
_cons | -6.581 | -2.696 | -5.084 |
(11.859) | (6.596) | (12.106) | |
Year | YES | YES | YES |
N | 126 | 126 | 126 |
r2_a | 0.740 | 0.805 | 0.742 |
Model | FE | RE | FE |
注:括号内为估计系数的标准误,*、**、***分别表示在10%、5%和1%水平上显著。
如表3所示,列(1)-列(3)分别表示主要省份工业机器人对制造业整体就业、制造业高技能劳动力就业以及制造业低技能劳动力就业的影响,列(1)显示核心解释变量工业机器人密度(lnrb)的系数显著为负,这表明机器人应用对制造业就业总量有显著的负向影响,说明中国主要省份工业机器人应用对就业的“破坏效应”大于“补偿效应”,就业净效应为就业损失,这一结果支持了本文的假说1。列(3)中lnrb的系数同样显著为负,表明工业机器人应用对低技能劳动力就业有明显的替代。而列(2)中lnrb的系数不显著,说明工业机器人应用对高技能劳动力就业的影响不明确,并未发现机器人的使用促进了高技能劳动力就业。
控制变量回归结果显示:经济发展水平对制造业就业总量以及高、低技能劳动力就业均有显著的促进作用,经济发展水平越高对就业的吸纳能力越强。第三产业占比对制造业就业有显著的负向影响,随着第三产业在国民经济中份额的提高,对就业的吸收能力不断加强,尤其是外卖小哥、网约车司机等新业态岗位发挥的作用越来越大。工资和老龄化水平对制造业影响不大,这与
根据基准回归结果的分析,工业机器人的使用抑制了制造业整体就业。从就业结构上来说,工业机器人的使用对低技能劳动力就业有显著的负向作用,对高技能劳动力就业影响不明确。机器人的使用提高劳动力生产率,减少了对劳动力的需求,产生“破坏效应”,终导致就业减少。从表3的结果可以看出,工业机器人当前主要通过“破坏效应”对就业产生影响,就业“补偿效应”较小。可能的解释是当前企业机器人使用量还较少(
表4 原因分析 导出到EXCEL
变量 | (1) lnapl | (2) lnlabor | (3) lnhigh | (4) lnlow |
lnrb | 0.050** | -0.001 | 0.009 | -0.003 |
(0.020) | (0.002) | (0.032) | (0.002) | |
lnapl | -0.982*** | -0.423*** | -1.003*** | |
(0.010) | (0.158) | (0.010) | ||
_cons | 34.096*** | 18.646*** | 7.003 | 18.479*** |
(5.589) | (0.619) | (10.235) | (0.671) | |
Control | YES | YES | YES | YES |
Year | YES | YES | YES | YES |
N | 126 | 126 | 126 | 126 |
r2_a | 0.799 | 0.998 | 0.775 | 0.997 |
Model | FE | FE | FE | FE |
注:括号内为估计系数的标准误,*、**、***分别表示在10%、5%和1%水平上显著。
如表4所示,列(1)表明工业机器人的使用对制造业劳动生产率有显著的促进作用。列(2)~列(4)显示劳动生产率对制造业就业总量、高技能劳动力就业以及低技能劳动力就业均有显著的抑制作用,并且劳动生产率的提高对低技能劳动力就业的抑制要大于高技能劳动力就业,表明使用机器人提高劳动生产率对低技能劳动力冲击更大。尽管劳动生产率提高也对高技能劳动力就业有一定的抑制作用,但机器人使用带来的“补偿效应”抵消了这部分就业的减少,因而整体上高技能劳动力就业变化不大。
从具体岗位来看,当前工业机器人主要取代普工和打磨等一线生产工人,他们主要从事一些简单重复的工作且缺乏任何技能,受到“机器换人”的冲击较大;工业机器人替代低技能劳动力的同时也会创造新岗位,增加对高技能劳动力的需求,如机器人工程师、研发工程师和机器人技术员等,这些岗位要求工人具备一定的技能,如编程等技术,工业机器人与其是互补关系。但基准回归中并未得到显著促进高技能劳动力就业的结果。究其原因可能是,中国工业机器人高度依赖进口,机器人的使用可能没有拉动机器人工程师和研发人员等高技能劳动力就业。目前工业机器人发展处于弱人工智能阶段,对就业的影响有限,主要对低技能劳动力就业产生影响,随着人工智能继续发展,对就业的影响会逐渐加大(
中国地域面积辽阔,地区间差异巨大,各地区制造业发展也存在较大差异,而工业机器人作为先进制造业的支撑技术和信息化社会的新兴工具,在区域间的推广和应用范围势必不同。因此,考虑地区异质性研究工业机器人使用对就业的影响,可以避免全样本分析中地区间机器人使用水平对就业影响效果的相互抵消,从而弱化了机器人应用产生的作用。从技术复杂度的角度看,随着机器人技术的不断升级,与传统机器人相比,现代机器人的应用领域和范围更加广泛,其精密化、柔性化和智能化等性能都得到提升,对劳动力就业的影响也存在差异性。因而考虑异质性影响,能够更准确地分析工业机器人应用对就业带来的影响,从而提出更有针对性的对策建议。
根据图1所示的各地历年工业机器人进口额分布情况可知,上海、江苏、广东、北京和天津等地区机器人使用较多,这也符合当前中国机器人产业在长三角、珠三角以及京津地区形成产业集群现象的现实。故本文将机器人使用密度较高的地区设为高密度组,即上海、江苏、广东、北京、天津;机器人使用密度较低的地区设为低密度组,包括河北、辽宁、吉林、黑龙江、浙江、安徽、河南、福建、山东、湖北、重庆、四川、陕西。其中高密度组的5个省份,lnrb均值为6.96,低密度组的13个省份,lnrb均值为5.37,由此可见,机器人在不同地区间的应用存在较大差异性。表5反映了在高密度组与低密度组地区,机器人的使用对制造业就业总量、高技能劳动力以及低技能劳动力的影响。列(1)、(3)、(4)、(6)采用固定效应模型,列(2)和列(5)的Hausman检验在1%显著性水平下不能拒绝原假设,采用随机效应模型。
表5 分样本回归结果 导出到EXCEL
变量 | 高密度组 | 低密度组 | |||||
(1)lnlabor | (2)lnhigh | (3)lnlow | (4)lnlabor | (5)lnhigh | (6)lnlow | ||
lnrb | -0.157*** | -0.125 | -0.156*** | -0.026 | -0.020 | -0.028 | |
(0.038) | (0.089) | (0.038) | (0.025) | (0.033) | (0.025) | ||
_cons | -29.477 | -0.706 | -30.160 | -15.792 | -23.775 | -15.601 | |
(17.915) | (4.815) | (17.709) | (19.240) | (19.129) | (19.553) | ||
Control | YES | YES | YES | YES | YES | YES | |
Year | YES | YES | YES | YES | YES | YES | |
N | 35 | 35 | 35 | 91 | 91 | 91 | |
r2_a | 0.867 | 0.760 | 0.885 | 0.744 | 0.821 | 0.741 | |
Model | FE | RE | FE | FE | RE | FE |
注:括号内为估计系数的标准误,*、**、***分别表示在10%、5%和1%水平上显著。
表5回归结果显示,列(1)~列(3)表示在高密度组地区,机器人的使用分别对制造业整体就业、高技能和低技能劳动力就业的影响;列(4)~列(6)反映了在低密度组地区,机器人的使用分别对制造业就业总量以及高、低技能劳动力就业的影响。通过对比可以看出,机器人在高密度组地区对制造业就业总量和低技能劳动力就业有显著负向影响;在低密度组地区,机器人的使用对制造业就业总量和低技能劳动力的影响为负,但不显著。合理的解释是高密度组地区机器人应用较早,产业链相对完善,如北京中关村电子产业集聚区;机器人“四大家族”均已落户上海,打造浦东机器人产业基地;苏州拥有昆山高新区机器人产业园;广东省在数控设备、无人物流、自动化控制器、无人机领域具备一定的优势,培育壮大了一批拥有自主知识产权的优秀本土机器人企业。而低密度组地区机器人产业总体规模较小,机器人应用的软环境不够开放,尚未形成规模化的机器人产业集聚区。从两者的系数大小来看,高密度组机器人应用对就业的影响程度远大于低密度组,这与低密度组地区落后的机器人产业发展情况有关,这些地区的工业机器人使用量还较少,尚未对制造业就业产生明显的冲击。但无论是机器人高密度组还是低密度组地区,机器人的使用对高技能劳动力就业的影响均不显著,再次说明了中国工业机器人尚未拉动高技能劳动力就业。以上分析验证了假说2的部分内容,其中工业机器人促进高密度组地区高技能劳动力就业的假说未得到验证。
工业机器人运用领域和从事的生产环节众多,不同类型工业机器人智能化、自动化程度不同,对制造业生产率、劳动效率的影响具有异质性。本文研究的工业机器人主要包括:喷涂机器人、搬运机器人、多功能机器人、IC自动搬运机器人、电阻焊接机器人、电弧焊接机器人和激光焊接机器人。参考
表6 不同类型的机器人回归结果 导出到EXCEL
变量 | 全样本 | 高密度组 | 低密度组 | |||||
(1)labor | (2)labor | (3)labor | (4)labor | (5)labor | (6)labor | |||
lnrb_adv | -0.046*** | -0.127** | -0.042*** | |||||
(0.011) | (0.044) | (0.013) | ||||||
lnrb_ord | 0.011 | -0.093** | 0.035** | |||||
(0.013) | (0.033) | (0.015) | ||||||
_cons | -5.932 | -0.697 | -37.135* | -13.567 | -24.317 | -21.826 | ||
(11.227) | (12.002) | (21.395) | (20.788) | (18.216) | (18.789) | |||
Control | YES | YES | YES | YES | YES | YES | ||
Year | YES | YES | YES | YES | YES | YES | ||
N | 126 | 126 | 35 | 35 | 91 | 91 | ||
r2_a | 0.762 | 0.724 | 0.822 | 0.820 | 0.775 | 0.760 | ||
Model | FE | FE | FE | FE | FE | FE |
注:括号内为估计系数的标准误,*、**、***分别表示在10%、5%和1%水平上显著。
表6显示了高技术复杂度与低技术复杂度工业机器人在全样本18个地区、高密度组和低密度组的情况下分别对制造业整体就业的影响。比较列(1)和列(2),发现高技术复杂度机器人对18个省级区域制造业就业有显著的抑制作用,而低技术复杂度机器人对就业的影响不显著。相比传统低技术复杂度机器人,以多功能机器人为代表的高技术复杂度工业机器人集精密化、柔性化、智能化、软件应用开发等先进制造技术于一体,是工业自动化水平的高体现
工业机器人的应用会影响劳动力就业,反过来劳动力的禀赋也可能对工业机器人的应用产生影响,例如劳动力供不应求导致的“用工荒”问题,也加速了企业推进工业机器人的应用。所以,制造业就业与工业机器人应用之间可能存在双向因果关系,由此造成回归估计结果的偏误。为了缓解内生性问题,本文采用工具变量法对式(10)-式(12)进行再估计。
工具变量的选取要满足两个基本条件:第一,选择的工具变量要与内生变量相关,即工具变量的相关性条件;第二,工具变量与扰动项不相关,即工具变量的外生性条件。本文参照
表7 稳健性检验: 工具变量法 导出到EXCEL
变量 | (1)全样本 lnlabor | (2)高密度组 lnlabor | (3)低密度组 lnlabor |
lnrb | -0.234 | -0.156*** | -0.457 |
(0.262) | (0.053) | (1.076) | |
_cons | -30.496 | -38.326** | -83.527 |
(41.428) | (18.937) | (155.999) | |
Control | YES | YES | YES |
Year | YES | YES | YES |
N | 108 | 30 | 78 |
F test | 9.55 | 5.69 | 9.29 |
[0.000] | [0.002] | [0.000] | |
Model | FE | FE | FE |
注:括号内为估计系数的标准误,中括号内为P值,*、**、***分别表示在10%、5%和1%水平上显著。
由表7可知,F检验都在1%的水平上显著,拒绝存在弱工具变量的原假设,表明选取的工具变量不存在“弱工具变量问题”,满足相关性条件,工具变量有效。从全样本的回归结果来看,机器人应用对制造业就业总量的影响仍为负,但不显著,考虑内生性问题后,机器人应用对制造业整体就业的影响下降了。高密度组的结果表明机器人应用对制造业就业总量仍有显著的冲击,低密度组的结果表明机器人应用对制造业就业总量影响不显著,均与前文研究结论保持一致,说明机器人应用对制造业整体就业的影响在高密度组和低密度组地区具有稳健性。
为了检验前面回归结果的可靠性,本文更换部分控制变量进行稳健性检验。首先用各地区生产总值(gdp)代替人均GDP;其次用工业增加值占GDP的比重(industry)代替第三产业占比;后用劳动年龄人口占总人口的比重(wap)替换老龄化程度,回归结果如表8所示:
表8 稳健性检验:更换部分控制变量 导出到EXCEL
变量 | (1)全样本 lnlabor | (2)高密度组 lnlabor | (3)低密度组 lnlabor |
lnrb | -0.046** | -0.138** | -0.029 |
(0.022) | (0.050) | (0.025) | |
lngdp | 1.886*** | 1.197** | 2.052*** |
(0.202) | (0.478) | (0.237) | |
lncost | -3.321*** | 2.021 | -0.124 |
(1.078) | (2.019) | (1.817) | |
wap | -0.272 | -0.093 | 0.924 |
(0.736) | (1.144) | (1.044) | |
industry | 1.137*** | 2.717*** | 0.904** |
(0.312) | (0.705) | (0.358) | |
lnk | 0.950 | 0.800 | 0.259 |
(0.605) | (0.994) | (0.819) | |
_cons | 21.950* | -26.663 | -7.444 |
(12.326) | (24.774) | (19.569) | |
Year | YES | YES | YES |
N | 126 | 35 | 91 |
r2_a | 0.707 | 0.773 | 0.757 |
Model | FE | FE | FE |
注:括号内为估计系数的标准误,*、**、***分别表示在10%、5%和1%水平上显著。
由表8可知,更换了部分控制变量后,全样本和高密度组的结果表明了机器人的使用对制造业整体就业有显著的抑制作用,而低密度组则显示机器人的使用对制造业整体就业的影响不大,说明前文的回归结果是稳健可信的。
本文基于中国18个省级区域层面的数据,研究工业机器人应用对中国制造业就业总量和就业结构的影响。结论主要有四点:第一,工业机器人使用对制造业就业总量有显著的抑制作用,结构上对高技能劳动力就业影响不显著,对低技能劳动力就业有显著的抑制作用。第二,分析机器人影响就业的原因,发现机器人主要通过提高劳动生产率减少了企业对劳动力的需求,呈现“破坏效应”;而机器人的“补偿效应”并不明显,机器人尚未拉动高技能劳动力就业。第三,从地区差异看,机器人使用密度较高的地区,机器人应用对就业总量和低技能劳动力就业冲击效应明显,对高技能劳动力就业影响不显著,但在机器人使用密度较低的地区,机器人应用对就业的影响不显著。第四,从机器人技术复杂度的异质性角度看,高技术复杂度的机器人对制造业就业有显著的负向影响,低技术复杂度机器人对制造业就业的影响不大;而在机器人使用密度高地区,两种类型技术复杂度的机器人对制造业就业均有抑制作用;在机器人使用密度低的地区,高技术复杂度机器人对制造业就业有抑制作用,低技术复杂度机器人对制造业就业有促进作用。
从上述研究可以发现,工业机器人应用对就业的影响呈现多元化特征,存在“机器换人”的威胁。据此得到以下政策启示:
工业机器人产业属于高新技术行业,对劳动生产率的正向作用显而易见,但其前期的研发投入非常大,缺乏政府支持,企业很难进行大规模的研发创新活动。因此政府部门宜运用政策工具,建立健全工业机器人产业链,推进其在制造业中的应用。一方面,健全工业机器人应用配套政策,总揽工业机器人产业政策全局,形成与增长目标相协调的战略发展体系,发挥产业联动的规模效应。同时加大财政对工业机器人产业的支持力度,对工业机器人生产商和引进工业机器人进行生产的企业给予适当财政补贴或税收优惠,并监督财政资金的支出,提高资金使用效率,促进工业机器人应用。另一方面,加强机器人行业协会和信息共享平台建设,为使用机器人的企业提供联结相关组织的“桥梁”,与政府、企业、社会共同营造良好的服务环境。
虽然工业机器人大规模应用可能冲击中国制造业就业,但不能因机器人的“破坏效应”就畏惧其发展,应该继续鼓励符合条件的企业“机器换人”。一方面,将节省的劳动力投入到劳动更为密集型产业,提高经济效率。另一方面,针对结构性失业问题,可以对机器人应用带来的失业人群或容易被替代的工人进行职业培训,提供培训补贴,提升劳动者技能以适应新岗位需求。此外,政府层面还应完善社会保障体系,为受“机器换人”影响而短期失业的人群提供失业津贴,保障其基本生活;搭建就业信息共享平台,解决劳动力市场供求信息不对称问题,降低劳动者求职成本,帮助其再就业。例如,根据前文的研究,工业机器人在上海、江苏等使用密度高的地区对就业冲击较明显,因此在大力推进机器人应用的同时,应配套建立相应的就业保障体系,落实国家稳就业措施。
工业机器人产业高速发展的关键动力在于人才,全球智能制造和人工智能的发展对高端技术人才产生了强烈的需求。根据工信部的发展规划,2014-2020年工业机器人产业大概需要20万相关技术人员,而目前我国机器人专业技术人才的缺口较大。当前我国东部地区工业机器人产业发展的投入力度远大于中西部地区,作为未来工业机器人应用的高密度地区,东部地区城市将不断加强技术创新、突破核心技术壁垒,积极培育龙头企业,因而对专业人才的需求会不断增加,需要做好人才引进工作,完善人才培养和储备体系,弥补人才不足缺口。工业机器人属于知识和技术的综合体,专业人员从短期培训计划中收获有限,需要通过长期的学习以适应日新月异的技术变革。因此,企业需要有长期可持续的新技术新技能教育、培训战略安排与计划,定期组织员工进行再学习,从而不断满足岗位所需要的技能。
[1] 马岚.中国会出现机器人对人工的规模替代吗?——基于日韩经验的实证研究[J].经济研究,2015,(10):71-79.
[8] 周文斌.机器人应用对人力资源管理的影响研究[J].南京大学学报(哲学·人文科学·社会科学),2017,54(6):23-34.
[9] Graetz,G.,Michaels,G..Robots at Work[J].Review of Economics and Statistics,2018,100(5):753-768.
[10] 程虹,陈文津,李唐.机器人在中国:现状、 未来与影响——来自中国企业-劳动力匹配调查(CEES)的经验证据[J].宏观质量研究,2018,6(3):1-21.
[11] 曹静,周亚林.人工智能对经济的影响研究进展[J].经济学动态,2018,(1):103-115.
[12] 肖六亿.技术进步的就业效应量化研究[J].统计与信息论坛,2010,25(7):47-52.
[13] 刘书祥,曾国彪.技术进步对中国就业影响的实证分析:1978-2006[J].经济学家,2010,(4):93-100.
[14] 钟世川.开放条件下中国制造业技术进步偏向与就业增长研究[J].经济经纬,2018,35(2):71-77.
[15] 吕洁,杜传文,李元旭.工业机器人应用会倒逼一国制造业劳动力结构转型吗?——基于1990-2015年间22个国家的经验分析[J].科技管理研究,2017,37(22):32-41.
[16] 杜传文,李晴,芮明杰等.大规模工业机器人应用与异质性技能劳动力之间的替代互补关系[J].中国科技论坛,2018,(8):174-182.
[17] 罗军.经济开放与技术进步影响我国劳动力就业的实证分析[J].财经科学,2014,(4):61-71.
[18] 胡雪萍,李丹青.技术进步就业效应的区域差异研究——基于中国东、 中、 西部地区的比较分析[J].上海经济研究,2015,(8):3-10.
[19] 喻美辞,熊启泉.中间产品进口、 技术溢出与中国制造业的工资不平等[J].经济学动态,2012,(3):55-62.
[20] 吕铁,李玮.机器人产业的发展将优化供给结构[J].中国党政干部论坛,2016,(4):62-65.
[21] 张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952-2000[J].经济研究,2004,(10):35-44.
[22] 涂正革,肖耿.中国工业增长模式的转变——大中型企业劳动生产率的非参数生产前沿动态分析[J].管理,2006,(10):57-67.
[23] 程承坪,彭欢.人工智能影响就业的机理及中国对策[J].中国软科学,2018,(10):62-70.
[24] 李丫丫,潘安.工业机器人进口对中国制造业生产率提升的机理及实证研究[J].经济研究,2017,(3):87-96.
[25] 李成友,孙涛,焦勇.要素禀赋、 工资差距与人力资本形成[J].经济研究,2018,53(10):113-126.
本文转自中国织网,如有侵权,请联系删除
地址:青岛市西海岸新区海滨工业园香海路168号
手机:13806390681 服务热线:0532-86131102
邮箱:qdhengchangkeji@163.com
鲁ICP备18013584号