摘要：作为将自动化应用于制造流程的领先国家之一，中国在工业机器人的采用方面经历了迅猛的增长。本文研究了 中国企业在采用机器人后对就业调整的影响。 通过采用一种工具变量，该变量利用了不同企业间机器人采用率差异的来源，文章分析表明， 工业机器人的使用导致企业内部就业增加
01
引言
作为将自动化应用于制造流程的领先国家之一，中国在工业机器人的采用方面经历了迅猛的增长。本文研究了 中国企业在采用机器人后对就业调整的影响。 通过采用一种工具变量，该变量利用了不同企业间机器人采用率差异的来源，文章分析表明， 工业机器人的使用导致企业内部就业增加，尤其是高学历和高技能人员的就业增加。 这种积极的就业效应主要归因于机器人采用带来的 生产率效应 ，从而 提高了生产率和劳动力需求 。 然而，机器人取代工人的负面替代效应缺乏实证支持。 此外，研究还发现，技术驱动的行业内劳动力从未采用机器人的企业向采用机器人的企业再分配的证据。
02
数据与变量
该样本涵盖了 2000 年至 2016 年期间在沪深上市的所有中国制造业企业。从CSMAR数据库中获取企业财务信息。就业数据，包括按教育程度和职业职位分类的员工数量信息，则来自CCERDATA。此外，文章还利用Wind数据库来补充有关企业员工构成的缺失信息。
为了更好地筛选出采用机器人的企业， 文章排除了贸易中间商和潜在的机器人制造商。 具体地， 如果企业的名称中包含表示“进口商”、“出口商”或“贸易”的汉字，则将其归类为贸易中间商；如果名称中包含表示“机器人”的汉字，则将其识别为机器人制造商。
本研究中的 被解释变量 为 普通员工的总数以及员工构成 。在 员工构成 方面，首先将员工分为两类：高学历员工（即拥有大专及以上学历的人员）和低学历员工（包括拥有高中及以下学历的人员）。此外，根据技能水平将员工分为两类：高技能员工（包括技术人员和管理人员）；低技能员工（涵盖其他职业角色）。
核心解释变量： 机器人采用情况， 为 虚拟变量， 从企业首次进口并采用机器人那年起取值为 1，否则取值为 0 。为了识别机器人采用情况，采用 HS6 产品代码获取企业层面的机器人进口数据。此外，利用海关数据中的详细产品信息，还构建了两个替代的解释变量来衡量自动化程度的密集度：机器人数量和假设折旧率为 10%的机器人价值。
03
实证策略
3.1模型设置
为检验机器人采用对企业层面就业调整的影响，做出如下设定：
分别表示企业和年份。Y it ：普通员工总数以及就业构成相关变量，取自然对数处理。X it 采用机器人相关的关键解释变量，包括机器人采用虚拟变量、机器人价值变量和机器人数量变量。考虑到机器人安装的投资回收期以及反向因果关系的可能性，对这些变量引入一年的滞后项。控制变量涵盖了一组企业特征，构建方法为：控制变量初始值与年份虚拟变量的交互项。此外，还纳入企业固定效应以解决企业间未观察到的异质性问题，纳入年份固定效应以控制总体冲击或时间趋势（σ i λ t ）。ε it 是随机误差项。表 1 面板 A 在第（1）列中，发现机器人采用变量对普通员工总数的估计系数显著为正。然后，在第（2）-（5）列中，进一步检验机器人采用对企业层面就业构成的影响。研究结果表明，采用机器人的企业往往会雇佣更多高学历和高技能的工人。面板 B 和 C 展示了折旧率为 10% 的机器人库存价值和机器人进口累计数量的结果。此类机器人采用替代衡量指标的估计系数与面板 A 中的结果一致。
3.2内生性处理
基于“ 更高的机器人化程度与更大的技术可行性和实际适用性相契合 ”这一前提构建工具变量。具体而言，将某一行业内生产环节中机器人应用的普遍程度信息，与特定企业用机器人替代工人的难易程度数据相结合。首先，计算特定年份、特定行业内，剔除焦点企业后采用机器人的企业数量与该行业企业总数的比值。此比值作为该行业对机器人应用的技术适配性指标。接着，构建企业层面的任务可替代性指数，用于体现在特定行业中，员工主要从事体力任务的企业更常采用机器人。
表 2 面板 A 中，使用机器人应用虚拟变量呈现工具变量估计结果。在第（1）列，发现机器人应用对普通员工总数有显著正向影响。具体而言，采用机器人促使企业增加高学历工人（第 3 列 ）和高技能工人（第 5 列 ）的雇佣，而对低学历工人（第 2 列 ）和低技能工人（第 4 列 ）的雇佣无显著影响。这些发现在面板 B 和 C 中使用机器人库存价值和机器人进口累计数量衡量机器人应用时，具有稳健性。
3.3稳健性检验
首先，在表 3 的面板 A 中，加入初始行业层面销售增长率与各年份虚拟变量的交互项。行业层面的销售增长率是针对每个行业中焦点企业之外的企业计算的。接着在表 3 的面板 B中纳入初始行业层面赫芬达尔指数与年份虚拟变量的交互项，以捕捉市场竞争的影响。考虑这些交互项后，结论依然稳健。
其次，采用 事件研究方法 ，图1展示了总就业以及按教育和技能水平分类的子群体就业的估计结果。结果表明，采用机器人的企业和未采用机器人的企业之间，在总就业或劳动力构成方面，没有明显的差异化前期趋势。在机器人应用后的时期，采用机器人的企业经历了立即且加速的就业增长，尤其在高学历和高技能工人中。对于低学历和低技能工人组，观察到在机器人应用初期，其就业略有下降。然而，随着企业加大对机器人技术的利用，这种负面影响逐渐减弱。
为进一步补充检验采用机器人的企业和未采用机器人的同行企业之间是否存在差异化前期趋势，文章采用一种类似安慰剂检验的策略。建立长期差分模型：
Robot adoption i 是一个虚拟变量，表示企业 i 在样本期内是否在任何时间点采用了机器人。鉴于在这个模型设定中，关注的是没有企业采用机器人的样本期， 预计会观察到采用机器人的企业和未采用机器人的企业在结果变化方面几乎没有差异 。正如预期的那样，表 4 中的结果显示，与机器人应用虚拟变量相关的系数在所有列中都很小，且在统计上不显著，符合前面的猜想。最后，进一步用工具变量回归进行一系列稳健性检验，并将结果报告在表 5 中，可见结论依旧稳健。
04
潜在机制
文章重点为 “替代效应”和“生产率效应”提供实证支持。 在Acemoglu and Restrepo（2019）构建的理论框架中，替代效应被确定为机器人应用对企业就业唯一的负面后果。因此，本文通过进一步研究自动化是否会导致更细分的特定工人群体（尤其是教育程度和技能水平较低的工人）就业减少来开进行机制检验。文章先后根据教育程度将工人分为四类；根据职业将工人分为六类。
图 2 表明，采用机器人显著增加了高学历工人的就业。相比之下，机器人应用对教育程度较低的工人以及从事对技术技能要求较低职业的工人的就业影响较小且在统计上不显著。虽然工业机器人在短期内可能会取代一些低教育程度和低技能的工人，但随着企业加大对机器人的使用，这种替代效应会逐渐减弱，最终变得微不足道。
而后，采用两种策略来检验生产率效应是否存在。首先，使用全要素生产率（TFP）作为因变量，来评估其因机器人应用而发生的变化。考虑到生产率较高的企业更有可能采用机器人采用上述工具变量对机器人应用变量进行处理，表 6 展示了以全要素生产率为被解释变量的各种模型设定的估计结果。各列机器人应用变量的估计系数均显著为正，为生产率效应提供了支持。
其次，关注企业生产率的中介作用，文章进一步区分机器人应用对就业的直接效应和间接效应，机器人应用变量系数与第二次回归中全要素生产率系数的乘积，代表了由全要素生产率带来的中介效应，作为表 7 中的间接效应。可见，间接效应是机器人应用对就业整体积极影响的主要贡献因素。
05
行业内劳动力配置
文章重点转向检验行业内劳动力再配置，并评估采用机器人的企业是否以同一行业内未采用机器人的企业为代价实现扩张。由于数据获取局限性，文章创建一个企业层面机器人应用变量与行业层面机器人密度度量的交互项。假设一个行业内机器人扩散程度越高，该行业内采用机器人和未采用机器人的企业之间的差距就越大，行业内劳动力再配置的可能性也就越大。随后，通过纳入该交互项来估计基准方程：
分别表示企业、行业和年份。被解释变量是总就业人数的对数。X it 代表机器人应用变量，行业层面的机器人密度为一个行业中采用机器人的企业的总销售额占该行业总销售额的比例。主要关注系数β 1 β 2 ，前者代表机器人扩散对未采用机器人企业就业的影响，而后者表示采用机器人企业和未采用机器人企业在机器人扩散的就业效应上的差异，而负的β 1 加上正的β 2 将为行业内劳动力再配置的发生提供证据支持。表 8结果表明，各列中机器人扩散变量本身的系数显著为负，交互项的系数显著为正。这些结果表明，在机器人密度高的行业中，未采用机器人的企业员工数量减少，而采用机器人的企业则增加了就业。这种行业内劳动力再配置的证据与先前主要研究发达经济体的研究结果一致。
06
研究结论与启示
这项基于中国上市企业数据的研究有力证明：机器人应用非但没有“抢走”工作，反而显著推动了企业的扩招，特别是对高学历、高技能人才的需求显著增加。其核心驱动力在于机器人带来的生产率跃升，并吸引了同行业非机器人应用企业的人才流入。这为发展中国家机器人应用的积极就业效应提供了重要中国证据。在政策层面，应积极拥抱机器人技术以提升生产力和创造优质岗位，同时将人力资本投资置于战略核心，并为可能受自动化冲击的劳动者提供转型支持，方能最大化技术红利，实现包容性增长。
来源：财经大师
