工业机器人应用对中国制造业就业的影响——基于行业层面的经验证据

(华中科技大学 经济学院, 湖北 武汉 430074)

一、引 言

“十九大”报告指出:就业是最大的民生,要坚持就业优先战略和积极的就业政策,实现更高质量和更充分就业,注重解决结构性就业矛盾。近年来,随着老龄化人口的不断攀升,导致劳动力供给不足,企业“用工荒”问题开始屡见不鲜,这将成为制约中国劳动密集型产业和经济发展的重要因素。除了劳动力市场供需失衡以外,随着中国经济发展和劳动力素质的提高,带来劳动工资也不断上升。进入新世纪以来,中国制造业平均工资从2000年的8 750元,上涨至2017年的64 452元,平均工资增长超过7倍(1)根据中国统计年鉴计算得出。。劳动力成本的不断上升使得大量外资撤出中国,开始转向印度以及越南等东南亚国家。

在此背景下,2015年国务院提出 “中国制造2025”,促使 “机器换人”成为当前提升中国制造业竞争力的有效手段。国际机器人联合会(IFR)统计资料显示,工业机器人存量从2000年的930台,增长到2017年的473 429台,涨幅达到500多倍,年均增长率高达144%(2)根据IFR数据库计算得出。,2013年中国超过日本成为全球最大的机器人产销国。虽然中国是最大和最有潜力的工业机器人市场,但目前中国机器人密度(每万人所拥有的机器人数量)还远低于日韩等发达国家。随着中国机器人产业进入全速发展阶段,对就业总量和就业结构势必会产生深远影响。因此,机器人的使用是否会冲击中国制造业整体就业?对就业结构又会产生怎样的影响?本文试图从制造业细分行业出发,剖析工业机器人的使用就制造业就业的影响。

二、文献梳理及研究假设提出

自第一次工业革命以来,围绕技术进步与就业之间关系的研究很丰富,研究者从理论和实证两个方面进行深入的探讨,但始终没有得出统一的观点和结论。根据现有的研究,机器人对就业的影响主要分为三个方面:第一,机器人对劳动力的破坏效应;第二,机器人对劳动力的补偿效应;第三,调整劳动力市场结构。

部分学者认为,机器人的使用会减少生产部门对劳动力的需求,从而导致失业的增加。Howell[1]运用投入产出法估计了工业机器人对不同行业和职业部门就业的影响,结果表明就业损失是其增加的4.5～6.2倍,净效应是就业减少。Acemoglu和Restrepo[2]的研究表明,美国制造业每使用一台工业机器人,将导致就业人口比率下降0.18%～0.34%,并且其他工人的工资也会随之下降。马岚[3]对日韩的研究显示,中国很有可能出现工业机器人对劳动力的规模替代。程虹等[4]基于微观企业数据库,分析得出机器人对中国就业市场的整体替代效应为0.3%,并且在未来的替代效应更大。根据以上分析提出本文假说1。

假说1:工业机器人的使用会对中国制造业就业市场产生负面影响,最终使得制造业整体就业减少。

有关机器人使用的“补偿效应”认为,一方面,机器人的使用能提高企业生产率,促使企业扩大再生产,创造更多的就业机会;另一方面,机器人等新技术的出现,将会创造出新的产品,进而形成新的产品部门,增加了就业。Bard[5]的研究表明,到目前为止没有证据能证明工业机器人的规模使用会对就业造成明显的破坏效应。Autor[6]的研究显示,2010—2015年美国制造业在机器人参与生产后新增就业人数达到23万人。

现有文献主要集中分析机器人等新技术的使用对就业结构产生影响。Berg等[7]的研究认为,与高技能劳动和资本拥有者相比,低技能劳动者受到机器人的冲击更大,而且其绝对工资和相对工资都会大幅下降。Graetz和Michaels[8]运用17国的面板数据,实证结果得出机器人的使用促进了中等、高等技能劳动力就业,抑制了低技能劳动力就业,而且并未显著减少就业总量。杜传文等[9]使用多国数据分析,均表明了机器人的使用会调整一国劳动力结构,具体表现为:增加了对中、高技能劳动力的需求,不利于低技能劳动者就业。据此提出本文假说2。

假说2:工业机器人与低技能劳动力之间为相互替代,两者之间存在“零和博弈”的关系,机器人的使用对低技能劳动力有“挤出效应”,使得企业减少对低技能劳动力的需求;机器人与高技能劳动之间呈现互补关系,机器人和高技能劳动力形成协同效应,促进高技能劳动力的就业,最终促进整个制造业劳动力结构转型升级。

与现有的研究相比,本文的贡献在于:首先,本文从工业机器人出发,研究了智能化时代下新的技术进步对就业的影响,有别于传统技术进步与就业,丰富了这一领域的文献。其次,当前研究工业机器人对中国就业的文献还很少,李丫丫和潘安[10]分析了制造业不同行业工业机器人的使用对提升生产率的影响,但目前还没有文献从制造业不同细分行业入手,分析工业机器人使用对就业的影响。最后,以往大多数文献均聚焦于机器人应用对就业结构的影响,鲜有学者分析当前工业机器人的应用是否会冲击就业总体,本文的研究给出了答案。此外,本文用岗位更替效应和全要素生产率效应两个中介变量解释了当前我国工业机器人影响就业的中介机制。

三、模型构建与研究设计

(一)模型构建

本文参考Berg等[7]的模型,不同之处在于,本文假设了科布道格拉斯生产函数,分析工业机器人存量对中国制造业就业总量和就业结构的影响。假定生产函数如下:

Y=(AKK)α(ALL)β(AZZ)1-α-β=

其中,Y为产出,K表示资本投入(不包括机器人资本),L表示劳动力投入,Z表示制造业部门工业机器人投入;AK表示资本生产率,AL表示劳动生产效率,AZ表示机器人生产效率;α>0,β>0且α+β<1。由厂商利润最大化的一阶条件求出劳动力L为:

其中W=w/p为实际工资,将上式两边取对数可得:

lnL=α0+α1lnK+α2lnZ+α3lnW

(1)

ln high(ln low)=α0+α1lnK+α2lnZ+α3lnW

(2)

根据吕延方等[11]研究考虑了行业增加值,由于2008年以后工业增加值不再对外公布,本文用工业销售产值代替工业增加值;此外,李珊珊[12]的研究还考虑了行业规模,本文用行业内企业数衡量行业规模;最后考虑到研发投入也会对劳动力就业产生影响,因此也纳入模型中。模型建立如下:

lnlabori,t=α0+α1lnrbi,t+α2lnki,t+

α3lnwagei,t+α4lnaddvaluei,t+α5lnscalei,t+

α6lnrdi,t+ui+λt+εi,t

(3)

lnhighi,t=β0+β1lnrbi,t+β2lnki,t+β3lnwagei,t+

β4lnaddvaluei,t+β5lnscalei,t+

β6lnrdi,t+ui+λt+εi,t

(4)

lnlowi,t=γ0+γ1lnrbi,t+γ2lnki,t+γ3lnwagei,t+

γ4lnaddvaluei,t+γ5lnscalei,t+

γ6lnrdi,t+ui+λt+εi,t

(5)

其中,方程(3)～(5)分别表示整体就业、高技能劳动与低技能劳动的就业方程。下标i表示不同行业,t表示不同年份;labor为就业总量,high为高技能劳动力,low为低技能劳动力,wage表示工资,addvalue为行业增加值,scale表示行业规模,rd为研发投入,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。所有变量均取对数,以消除可能存在的异方差。

(二)数据来源与变量说明

被解释变量:本文用规模以上分行业工业企业年平均用人数表示劳动力就业数量(labor);用分行业企业研发人员表示高技能劳动力(high);将制造业分行业就业总量减去研发人员数,剩下的表示低技能劳动力(low)。数据来源于《中国统计年鉴》、《中国工业统计年鉴》、《中国科技统计年鉴》。

广播、电视、网络平台变为一种媒体的三种服务模式，将三者的人力、物力资源重新整合，打破原有编制，为节目的制作缩小成本。“融”字是融媒体思维的核心字眼，它意在打破各种媒介之间的边界，使节目制作呈现出全新的制作过程和表现方式。不仅转变了资源匮乏的困境，还使节目出现了分化，节目内容朝向更加专业化、分众化发展，这是在“融”的背景下走出的新的节目制作思维。

解释变量:工业机器人使用量(rb)用机器人存量表示,数据来源于国际机器人联合会(IFR)。其中IFR统计中国制造业分行业机器人存量只包括13个行业,即食品和饮料制造业;纺织业;木材和家具业;造纸业;橡胶和塑料;非金属制品;金属制品;电气机械和器材制造业;计算机、通信和其他电子设备制造业;医药制造业;汽车制造业;铁路、船舶、航空航天和其他运输设备制造业;其他制造业。对照相应统计年鉴,本文将农副食品加工业、食品制造业以及酒、饮料和精制茶制造业合并为食品和饮料制造业;纺织业和纺织服装、服饰业合并为纺织业;家具制造业以及木材加工和木、竹、藤、棕、草制品业合并为木材和家具业。

控制变量:资本存量K采用永续盘存法(PIM)计算,参照陈诗一[13]的做法,计算公式如下:(1)本年折旧=本年累计折旧-上年累计折旧;(2)本年折旧率=本年折旧/上年固定资产净值;(3)当年价投资额=本年固定资产原值-上年固定资产原值;(4)本年可比价投资额=当年价投资额/固定资产投资价格指数;(5)Kt=ICPt+(1-ηt)*Kt-1。

其中K为资本存量,ICP为可比价投资额,η为折旧率。本文以2010年固定资产净值作为基期资本存量,并用2011年固定资产价格指数调整为可比价数据。计算过程所需数据均来源于《中国工业统计年鉴》和《中国统计年鉴》;工资用分行业城镇单位就业人员平均实际工资表示,并用平均实际工资指数进行平减。数据来源于《中国劳动统计年鉴》;行业增加值用工业销售产值表示,并用工业生产者出厂价格指数平减,数据来源于《中国工业统计年鉴》;行业规模用行业内企业数量表示,数据来源于《中国统计年鉴》;研发投入用企业研发投入内部支出表示,参照邢斐和张建华[14]的做法,赋予消费者价格指数和固定资产投资价格指数的权重分别为0.45、0.55,构建研发价格指数,从而对研发投入进行平减,数据来源于《中国科技统计年鉴》。本文选取2011—2017年的样本区间。各变量的描述性统计如表1。

表1 描述性统计

四、实证结果及分析

(一)基本回归结果

根据上述计量模型,用hausman检验的结果决定选择固定效应模型还是随机效应模型。表2报告模型(3)～(5)的估计结果。第一列实证结果显示,从整体就业看,工业机器人将导致制造业整体就业量下降,验证了本文假说1。从表2的第二和第三列可以看出,工业机器人减少了对就业总量和低技能劳动力的需求,增加了对高技能劳动力的需求,验证了本文假说2。具体表现为:在5%的显著性水平下,推进工业机器人的应用将使得就业总量和低技能劳动力就业下降0.018%,而在1%的显著性水平下,将使得高技能劳动力就业增加0.056%。表明当前工业机器人的应用对就业总量有负向的冲击效应,对低技能劳动力有抑制作用,促进了高技能劳动力就业,本文所得结论与国内外已有研究基本保持一致。

从“破坏效应”看,工业机器人对就业的冲击效应主要体现在“机器换人”上,相比较传统技术革命,“机器换人”是一个不可逆的过程。机器人本身可以作为劳动力参与生产,这与人类劳动力是对立关系;此外,之前技术变革主要取代一些简单性和重复性的程序化工作,但工业机器人不仅可以替代程序化的工作岗位,还可以替代一些非程序化的认知工作,在更大程度上将劳动力“挤出”了就业市场。

表2 基准回归分析

注: *,**,***分别表示10%、5%和1%显著性水平上显著,括号内为估计系数的标准误。

(二)内生性问题处理

工业机器人的使用可以影响就业,反过来,劳动力禀赋同样可以影响机器人的使用。由于寻找有关工业机器人合适的工具变量难度较大,参照王智波和李长洪[15]的研究,本文用解释变量滞后一期作为工具变量。一个有效的工具变量需要满足两个基本条件:一是相关性,工具变量要与内生解释变量相关;二是外生性,工具变量与扰动项不相关。这里选择工业机器人滞后一期作为工具变量,因为滞后一期的机器人变量与当期机器人变量相关,满足相关性条件;而且滞后一期的机器人变量不受当期其他因素的干扰,满足外生性条件。选取滞后一期的工业机器人存量作为工具变量对模型(3)～(5)重新估计,参数估计结果见表3。

表3 工具变量回归结果

注:*,**,***分别表示10%、5%和1%显著性水平上显著,小括号内为估计系数的标准误,中括号内为P值。

由表3可知,Anderson canon. corr. LM统计量为33.802,在1%的显著性水平上拒绝原假设,表明工具变量的选取不存在不可识别问题;Cragg-Donald Wald F统计量为69.672,大于10%偏误下Stock-Yogo weak ID test临界值16.38,说明选取的工具变量也不存在弱工具变量问题。综上所述,工具变量是有效的。从表3的回归结果可以看出,在考虑了内生性问题后,不影响本文基准回归中的结论,工业机器人的使用对就业总量和低技能劳动力仍然有显著的负向影响,对高技能劳动力同样有显著的促进作用。

五、中介效应分析

根据前文的分析,工业机器人冲击了我国制造业行业的就业,整体上呈现就业的“破坏效应”大于“创造效应”。工业机器人主要通过两个方面影响就业:一是岗位更替效应;二是全要素生产率效应。其中岗位更替效应是指工业机器人通过改变资本——劳动要素投入比例,进而影响劳动力需求,但就业需求增加或者减少,最终取决于工业机器人导致资本替代劳动力的数量，以及工业机器人创造劳动力具有绝对优势的新任务,与增加的就业需求之间孰大孰小,因此，工业机器人通过创造新任务的能力进行要素配置,从而影响就业的净效应。全要素生产率效应是指除了要素投入之外的产出增长,全要素生产率提高说明产出的增加,更多是因为要素投入之外的其他因素,比如技术进步等,因此全要素生产率提高会导致对就业的需求下降。本文引入岗位更替和全要素生产率两个中介变量构建中介效应模型,以验证工业机器人应用对就业影响的传导机制。

岗位更替效应采用劳动资本比(K-L)表示,若工业机器人导致劳动资本比下降,则表明产生了岗位替代,反之,说明工业机器人的新任务创造效应增加了就业。全要素生产率采用“索洛余值法”计算,其中产出用工业销售产值表示,劳动力和资本数据如前文所示。本文借鉴温忠麟等[16]采用的中介变量检验方法,构建递归方程:

Wit=α0+λlnrbit+∑γjxijt+αit+εit

(6)

lnlaborit=α0+β1lnrbit+θWit+

∑γjxijt+αit+εit

(7)

表4 工业机器人影响就业的中介效应

注: *,**,***分别表示10%、5%和1%显著性水平上显著,括号内为估计系数的标准误。

表4第(1)和(2)列是对全要素生产率效应进行中介效应检验。结果显示,工业机器人显著提高了全要素生产率,生产率的提高进一步减少了对就业的需求,整体上呈现对就业的“破坏效应”,其中介效应存在。工业机器人技术本质上属于一种劳动节约型技术进步,在生产过程中降低了对劳动力的需求,促进产业部门向资本密集型方向发展,因而最终减少了就业。第(3)和(4)列是对岗位更替效应进行中介效应检验,结果显示,工业机器人显著提高了任务中劳动——资本比,而劳动资本比的提升进一步增加了对就业的需求。工业机器人作为一种高知识型和高技术复杂度产业,其在生产过程中,不仅可以改变劳动和资本等要素的投入比例,还能创造对劳动力具有绝对比较优势的岗位,尤其是增加对高技能劳动力具有吸纳能力的岗位,从而增加了对就业的需求。

六、结论与建议

本文的研究发现:第一,从制造分行业层面看,工业机器人使用对整体就业有负向影响,机器人的使用会减少制造业企业对劳动力的需求,使得机器人发挥的“破坏效应”大于“创造效应”从而减弱了制造业部门对劳动力的吸纳作用。第二,从就业结构看,工业机器人抑制低技能劳动力就业的同时,促进了高技能劳动就业,工业机器人技术呈现技能偏向型技术进步,使得就业市场的劳动者素质不断提高,加速了中国劳动力市场结构的转型与升级。第三,当前我国工业机器人主要通过岗位更替效应和全要素生产率两个中介效应影响就业,其中岗位替代效应最终增加了就业,全要素生产率效应则减少了对就业的需求。

本文提出政策建议:第一,根据本文的研究结果可知,“机器换人”效果已经显现,而当前中国机器人密度还处于较低的水平,随着中国机器人产业全速发展,未来机器人对就业的负面冲击效应不可忽视。因此政府相关部门应该合理控制对机器人企业的补贴,避免因补贴而造成扭曲其应用价值。

第二,针对结构性就业问题,政府和企业应该加大对劳动者的技能培训,避免机器人冲击低技能劳动者而造成大量失业,不断提升劳动力的人力资本水平,尤其要大力支持职工在岗培训、转岗技能培训等活动,促使劳动者实现职业技能提升和就业转移。此外,政府层面还应该完善好社会保障体系,为失业人群提供兜底政策。

第三,机器人的使用极大促进了高技术人才就业,随着未来的发展,对高技术人才的需求肯定有很大的缺口,国家应继续扩大职业教育和高等教育的投资规模,优化教育的结构层次,努力实现由大众教育向精英教育转变,为制造业的高质量发展输送高层次人才。□