工业机器人应用与企业劳动力成本粘性

赵立彬 王法严 赵 妍 杨洁

【摘 要】 文章以2009—2019年A股制造业上市公司为样本，采用國际机器人联合会（IFR）报告的工业机器人数据，考察工业机器人对企业劳动力成本粘性影响及作用机制。研究发现，工业机器人应用能够降低企业劳动力成本粘性。机制分析发现，工业机器人应用通过降低劳动技术替代水平，进而降低企业劳动力成本粘性；与人均薪酬粘性相比，工业机器人应用对员工数量粘性，尤其是低技能员工数量粘性的降低作用更显著。异质性分析表明，这一降低作用在技术水平低、所处地区老龄化程度高以及劳动力保护程度低的企业中更显著。进一步研究发现，工业机器人应用能够弱化企业劳动力成本粘性与未来劳动生产率之间的正向关系，减少企业对劳动力的依赖水平。研究结论有助于合理评估工业机器人应用的微观价值创造效应，为推动工业机器人应用提供经验证据。

【关键词】 工业机器人； 劳动力成本粘性； 人口老龄化； 劳动生产率

【中图分类号】 F241；F275  【文献标识码】 A  【文章编号】 1004-5937（2024）09-0064-09

一、引言

国家统计局数据显示，2022年末，中国人口比2021年减少85万人，为近61年来首次负增长。从年龄结构看，16—59岁劳动年龄人口减少666万人，60岁及以上人口增加1 268万。这意味着中国将进入人口负增长常态化时期，劳动力市场面临老龄化挑战[1]。已有研究发现，人口老龄化会显著提高劳动力成本粘性[2]，影响企业价值创造。为应对劳动力成本冲击，企业更可能利用机器设备代替人工[3-4]。

2021年，《“十四五”机器人产业发展规划》提出到2025年实现中国制造业机器人密度翻番。既有文献已从替代效应、生产效率效应和结构效应考察了机器人自动化应用对就业的影响[5-6]。替代效应是指机器换人减少了对人工的需求；生产率效应是指机器人使用提升企业生产效率，企业规模扩大，增加了对无法被机器人替代的劳动力的需求；结构效应是指机器人自动化应用导致劳动力在不同部门之间重新进行分配。机器人对劳动力需求的影响取决于上述三种效应的叠加。

基于中国经验证据，机器人应用会导致企业内部劳动力结构的变化，一方面淘汰低技能劳动力，另一方面又产生对高技能劳动力的依赖[7]。这说明工业机器人应用不仅会在宏观层面影响劳动需求，也可能会在微观层面影响企业劳动力调整的灵活性。然而，现有研究仅提供了机器人对劳动力需求的影响。老龄化冲击加速了人口红利消退与劳动力成本上升，在新时代劳动力市场变革的新趋势、新背景下，机器人应用到底对企业劳动力成本调整带来何种影响，是否以及如何促进企业对劳动力成本的调整，是否会降低劳动力成本粘性是值得关注的话题。

本文的边际贡献体现在以下三个方面：第一，以工业机器人应用为切入点，在企业层面生产方式发生显著变革的情况下，讨论劳动力资源配置的调整，为劳动力成本粘性影响因素的研究提供新视角。第二，现有机器人应用的研究主要依赖行业层面的数据，关注宏观层面的经济后果，探究其对劳动力市场的影响，如市场需求、市场结构、劳动就业等。鲜有研究外部冲击对微观企业成本管理的影响。本研究基于微观企业层面视角，探究机器人应用对企业劳动力成本粘性的影响及其机制，扩展了机器人应用的研究范畴。第三，丰富了企业劳动生产率方面的研究。本研究以企业微观财务决策为切入点，考察机器人应用对企业劳动生产率的影响，补充和丰富了劳动生产率影响因素的文献。

二、理论分析与研究假设

国际机器人联合会（IFR）《2022年全球机器人报告》中指出，中国是全球第一大工业机器人市场和亚洲地区最大的机器人采用国，工业机器人的应用对生产过程中人类劳动产生了重大的影响[8]，导致制造业劳动力需求结构发生变化，更需要从事管理类及专业技术类职业而非制造生产类职业的劳动力[9]，这可能直接影响企业劳动力调整。Andersen et al.[10]开创性地提出成本是具有“粘性的”，即业务量增加时成本上升的幅度大于业务量减少时成本下降的幅度。他们将成本粘性归因于管理者为应对销售变化而调整资源配置，并指出资源调整成本决定了成本粘性的程度。劳动力成本作为企业业务量变化时调整的关键资源之一，同样可能表现出显著的粘性[11]。现有研究发现工业机器人的应用对劳动力调整的影响主要体现在“劳动力替代”效应和“劳动力技能提升”效应[9]。本文认为基于这两种效应，工业机器人应用将会对企业劳动力成本粘性产生影响，其效果取决于哪种效应占主导地位。具体逻辑如下：

一方面，机器人应用会替代部分人工劳动，减少企业对人力劳动的依赖，即劳动力替代效应。管理层出于成本和效率的考虑，使用工业机器人替换重复性、工作不复杂的人工劳动，将其自动化[12]。企业劳动收入份额降低[13]，劳动力调整成本相应减少。同时，企业招聘足够数量的劳动力的难度下降，有利于企业缩短招聘范围[14]和招聘时间。招聘难度下降意味着由于劳动力缺乏而导致的生产率下降的风险减少；招聘范围与招聘时间的收缩可以节省广告宣传费等招聘成本，这意味着劳动力调整成本减少。综上所述，应用工业机器人的企业在业务量下降时，更有可能减少未充分利用的闲置劳动力，而不是保留闲置劳动力；相应的，在业务量增加时，容易通过招聘更少的工人来提高产能，最终使应用工业机器人的企业劳动力成本粘性降低。

另一方面，机器人应用会影响企业在工人技能水平方面的劳动力构成，提高劳动力的整体技能水平，即技能提升效应[8]。机器人应用虽然替代了部分人工劳动，但是替换的更多的是那种工作不复杂、重复性工作比较高的低技能工人[8，15]。但是，根据技术变革理论，技能与技术之间存在互补关系[8]，机器人技能的技术应用，会增加非自动化和复杂的工作任务[16]以及熟练使用机器人辅助工人的需求[5]。因此，工业机器人的应用虽然会导致低技术工人的比例下降，但会增加中、高级技术工人的需求，最终会提升劳动力调整成本。首先，由于招聘要求更高，高技能工人的选拔和招聘成本也会更高[17]。为了招聘到更匹配的高技能水平工人，许多公司甚至不得不求助于猎头公司，从而花费更多的费用。其次，高技能工人由于工资较高，解聘的成本也会更高[18]。最后，技术熟练工人的非货币性裁员成本也较高，因为他们掌握公司特定知识，如果竞争对手雇佣这些工人，可能会威胁公司[18]。因此，与低技能工人相比，高技能工人更换成本更高，劳动力调整成本会增加，那么当销售收入下降时，企业更有可能保留未充分利用的闲置劳动力，而不是减少闲置劳动力，从而增加了劳动力成本粘性。综上所述，机器人的应用降低了销售收入下降时成本降低的幅度，最终导致应用工业机器人的企业提高了劳动力成本粘性。

基于上述分析，提出对立假设。

H1a：其他条件相同的情况下，由于劳动力替代效应，工业机器人应用降低了劳动力成本粘性。

H1b：其他条件相同的情况下，由于劳动力技能提升效应，工业机器人应用提高了劳动力成本粘性。

三、研究设计

（一）数据来源

样本区间的选择考虑到2008年开始实施的《劳动合同法》会影响企业的机器人应用程度[3]，本文以2009—2019年A股制造业上市公司为研究样本。工业机器人数据来自IFR，员工学历数据来自Choice数据库，其他数据均来自CSMAR数据库。本文对样本处理如下：（1）剔除变量存在数据缺失或异常的样本；（2）剔除IFR行业分类属于其他制造业的样本；（3）剔除ST、*ST以及基期（2009年）生产部门员工人数为0的异常样本；（4）在1%和99%水平上对连续变量进行缩尾。最终得到9 444个公司—年度观测值。

（二）模型设定与变量定义

参照已有研究[19-20]，构建模型1，以验证前文假设。

模型中，系数α1表示营业收入上升1%时，劳动力成本上升的比例；α1+α2反映营业收入向下变动时劳动力成本下降的比例；当α2为负数并且显著时，表示样本中劳动力成本存在粘性现象。

LnRdegree为工业机器人应用程度（Rdegree）的自然对数。具体的，参照王永钦等[7]的做法，本文将IFR的行业机器人存量数据根据行业内上市公司的劳动力雇佣结构分解到公司层面。具体衡量方法如下：

其中，MRj，t代表j行业在第t年的工业机器人存量；Lj，t=2008代表j行业在2008年（基期）的就业人数；■代表j行业在第t年工业机器人的应用程度。PWPij，t=2009代表j行业中i企业在2009年（样本起始年度）的生产部门员工占比，ManuPWPj，t=2009代表j行业中所有企业在2009年生产部门员工占比的中位数。根据Acemoglu et al.[8]的研究思路，■越大，代表i企业与行业水平相比，雇佣的生产部门员工越多，使用机器替代劳动力的可能性越大[11]。相应的，本文用■作为权重，将行业层面的工业机器人应用程度指标分解到企业层面，Rdegreei，t代表了i企业在第t年的工业机器人应用程度，即每百名员工拥有的机器人台数。

借鉴权小锋等[20]的做法，本文在模型中加入了一系列经济因素（Economic_Var），同时控制了公司层面的变量（Control_Var）。此外本文还控制了公司固定效应（Firm FE）和年份固定效应（Year FE）以缓解由于遗漏变量所导致的估计偏误。

具体变量定义见表1。

四、实证结果及分析

（一）描述性统计分析

主要变量描述性统计结果如表2所示。工业机器人应用程度（Rdegree）的均值为0.3423，表明每百名员工平均拥有机器人0.3423台。其他变量的取值范围与现有研究基本一致。

（二）基本回归结果

表3是工业机器人应用与劳动力成本粘性的回归结果。列（1）回归结果显示DeltaLnSale的回归系数为0.5409，在1%的水平显著，同时DeltaLnSale×DEC的回归系数为-0.3495，在1%水平显著，表明营业收入每增加1%，劳动力成本增加0.54%，而营业收入每减少1%，劳动力下降0.19%，说明存在劳动力成本粘性现象。列（2）回归结果表明在考虑工业机器人应用对劳动力成本粘性的影响后DeltaLnSale与DeltaLnSale×DEC的系数符号不变，且在1%水平显著；DeltaLnSale×DEC×LnRdegree的回归系数为0.1157，在1%的水平显著，这表明业务量下降时，工业机器人应用使得企业劳动力成本向下调整的幅度更大。列（3）回归结果显示，DeltaLnSale×DEC×LnRdegree的回归系数为0.1087，在5%的水平显著。这表明，营业收入每增加1%，劳动力成本增加0.53%，而营业收入每减少1%，劳动力成本减少0.29%。这意味着，工业机器人应用使得企业劳动力成本向下调整的幅度更大。检验结果初步支持H1a。

（三）稳健性检验

本文进行如下稳健性检验：（1）参考王永钦等[7]的做法，构造企业层面机器人应用程度（LnRdegree）的工具变量，进行IV 2SLS估计。（2）借鉴Weiss[21]的计算方法衡量企业的年度劳动力成本粘性水平。（3）将LnRdegree相对提前一期进行回归，以增加因果关系的可靠性。稳健性检验结果与基本回归结果一致，限于篇幅，此处不列示。

五、机制分析

基于理论分析，从“劳动技术替代水平”和“结构分析”两个角度探究工业机器人应用通过何种机制降低劳动力成本粘性。

（一）劳动技术替代水平

借鉴权小锋等[20]的检验思路：首先，检验工业机器人应用对劳动技术替代水平的影响，如果工业机器人應用降低了企业劳动技术替代水平，则初步支持理论分析的逻辑；然后，以该企业三年前劳动技术替代水平中位数将样本分为劳动技术替代水平高组和劳动技术替代水平低组，分别检验在两种不同情景下工业机器人应用对企业劳动力成本粘性的影响，进一步明晰工业机器人应用如何影响劳动力成本粘性。

本文用公司受教育程度不同的劳动者占比来测度公司劳动技术替代水平，借鉴参考尹力博等[4]的做法，构建模型如下：

EDU表示高技能劳动力人数占比，采用本科及以上学历的员工人数在企业员工总数中的占比来衡量；NRshare表示劳动技术替代水平，其数值越大则公司高等教育的劳动者人数占比越小，反映出公司技术水平较弱，主要靠传统人工劳动维持生产经营[4]。此外，本文还引入员工规模、资产负债率、盈利能力、上市年限、投资机会、营业收入增长率等作为控制变量，检验结果见表4。

由列（1）回归结果可知，工业机器人应用显著降低了企业劳动技术替代水平，初步支持了本文的推断。进一步，考虑到企业工业机器人存量逐年增加的趋势，按照企业相对工业机器人应用程度三年前（t-3期）的劳动技术替代水平中位数将样本分为劳动技术替代水平低组和劳动技术替代水平高组。结果显示，列（2）的交乘项系数不显著；列（3）的交乘项系数显著为正，且在5%的水平上显著。说明在劳动技术替代水平高的企业增加工业机器人应用，可以有效降低劳动力成本粘性。上述两步法的检验结果总体证实工业机器人应用通过降低企业劳动技术替代水平降低劳动力成本粘性。

（二）结构分析

1.工业机器人应用对劳动力的成本结构影响

根据前文的理论分析，工业机器人在一些岗位更具有比较优势，这意味着工业机器人应用直接替代企业对应岗位上的员工。因此，机器人应用更可能会通过影响员工数量粘性来调整企业劳动力配置，减少闲置劳动力资源。接下来，本文直接检验工业机器人应用对员工数量粘性和人均薪酬粘性的影响。

借鉴已有做法[11，22]，将模型4中的被解释变量替换为员工数量自然对数的变动值（DeltaLnStaff）和人均薪酬自然对数的变动值（DeltaLnAvepay），通过DeltaLnSale×DEC×LnRdegree的回归系数比较工业机器人应用对员工数量粘性和人均薪酬粘性的作用差别。检验结果见表5列（1）和列（2）。列（1）中DeltaLnSale×DEC×LnRdegree的系数在5%的水平上显著为正，表明工业机器人应用降低了员工数量粘性，这说明工业机器人应用对劳动力成本的调整主要是通过影响员工数量实现。

2.工业机器人应用对劳动力的技能结构影响

为检验工业机器人应用对不同技能劳动力数量粘性的影响，以劳动力学历作为劳动力技能的代理变量，将模型4中的被解释变量分别替换为不同学历员工数量自然对数的变动值。通过DeltaLnSale×DEC×LnRdegree的回归系数比较工业机器人应用对不同技能员工数量粘性的作用差别。检验结果见表5列（3）—列（6）。列（6）中DeltaLnSale×DEC×LnRdegree的系数在5%的水平上显著为正，表明工业机器人应用降低了中专及以下学历员工数量粘性，这说明工业机器人应用对劳动力成本的调整主要是通过影响低技能劳动力数量实现。

六、进一步分析

（一）异质性分析

1.按技术水平分组

本文的理论分析指出，工业机器人应用对劳动力成本粘性的作用效果取决于何种效应占据主导地位。当企业技术水平较低时，工作内容较为简单，工业机器人更容易进行一定规模的直接替代。此时，由于劳动力替代效应，工业机器人能够降低企业劳动力成本粘性；而当企业技术水平较高时，工作内容比较复杂，机器人难以对人工形成直接替代，劳动力替代效应的作用效果有限。因此，本文从企业资质和产业技术两个层面度量技术水平进行异质性分析。考虑到高新技术企业从事研发和相关技术创新的科技人员占企业当年员工总数的比例高，并且企业创新往往依赖于较高比例的熟练劳动力[23]，根据高新技术企业资质认定条件，依据企业是否为高新技术企业进行分组。与此类似，根据国家统计局《高技术产业（制造业）分类》（2017版），按照所属行业将样本分为高技术产业和低技术产业两组。分组回归结果如表6所示，在非高新技术企业和低技术产业的分组内，核心解释变量的估计系数显著。这表明机器人应用对技术水平低的企业影响更为明显。

2.按老龄化程度分组

人口老龄化会导致年轻劳动力供给下降，当一个地区的老龄化程度较高时，企业可能会出于招聘难度和培训成本等原因无法对劳动力进行对称性调整[2]。如果工业机器人应用能够通过降低劳动力调整成本进而降低企业劳动力成本粘性，那么工业机器人应用的这一效应应当在所处地区老龄化程度高的企业中更为显著。参考刘李华等[24]的做法，本文采用各省份65岁及以上人数与15—64岁人数的比值度量老龄化程度，将样本分为低老龄化程度组与高老龄化程度组。表7列（1）和列（2）报告了回归结果。与预期一致，机器人应用对企业劳动力成本粘性的影响与人口老龄化密切相关，机器人应用对劳动力成本粘性的影响主要集中在老龄化程度高的地区。

3.按劳动力保护程度分组

外部劳动力保护因素会影响企业劳动力调整决策。当地区劳动力保护程度较高时，企业调整劳动力的灵活性可能会降低，无法基于最优资源配置调整或解聘员工。因此，本文预期在劳动力保护较弱的地区，企业引入工业机器人对劳动力成本粘性的降低作用会更显著。本文从历年《中国劳动统计年鉴》中整理劳动争议案件相关数据，依据劳动者胜诉案件数占当期案件受理案件数的比重度量地区劳动力保护程度的高低进而对样本进行分组。分组回归结果见表7列（3）和列（4）。结果表明机器人应用对劳动力成本粘性的影响主要集中在劳动力保护程度较低的地区。

（二）经济后果

劳动力成本粘性的降低意味着员工流动频率升高。以往研究认为，这可能会导致企业无法组建一支稳定的生产队伍，同时员工辞职也会对其他在职员工的情绪产生负面影响，因此，不利于企业劳动生产率的提高[25-26]。工业机器人的興起意味着制造业生产方式的变革，使企业提高了生产效率，对低技能劳动力的依赖相对减少。本文为工业机器人应用显著降低企业劳动力成本粘性提供了证据支撑，那么由此引发的一个问题是：工业机器人应用是否能够弱化劳动力成本粘性与劳动生产率之间的正向关系，实现企业生产效率的提升？

参考Gu et al.[27]的做法，构建如下模型以考察工业机器人应用是否能够弱化劳动力成本粘性与劳动生产率之间的正向关系：

其中，企业劳动生产率（LnMPLi，t+1）采用t+1年i企业人均营业收入的自然对数进行测度。若LnMPLi，t+1×DeltaLnSale×DEC的回归系数γ1显著为负，则说明公司未来一期的劳动生产率与本期的劳动力成本粘性之间存在显著的正向关系。在此基础上，若γ2的回归系数显著为正，则表明工业机器人应用能弱化劳动力成本粘性与公司未来一期劳动生产率之间的正向关系。

从表8列（1）的结果可以看到，在未引入工业机器人应用（LnRdegree）的情况下，LnMPLi，t+1×DeltaLnSale×DEC的回归系数在5%的水平显著为负；列（2）的结果进一步显示了工业机器人应用的影响，可以看到LnMPLi，t+1×DeltaLnSale×DEC×LnRdegree的回归系数在5%的水平上显著为正。这表明公司未来一期的劳动生产率与本期的劳动力成本粘性之间存在显著的正向关系，工业机器人应用有助于减少企业生产过程中对劳动力的依赖，弱化劳动力成本粘性对公司劳动生产率的正向影响。

七、研究结论与启示

本文得到如下结论：第一，工业机器人应用显著降低企业劳动力成本粘性。工业机器人应用通过作用于劳动力技能结构降低劳动技术替代水平，降低企业劳动力成本粘性；结构分析进一步表明工业机器人对劳动力成本粘性的影响主要作用于低技能员工数量而非人均薪酬。第二，企业技术水平较低、位于老龄化程度高、劳动力保护程度低的地区时，工业机器人应用对企业劳动力成本粘性的降低效应更强。第三，工业机器人应用能够弱化企业劳动力成本粘性与劳动生产率之间的正向关系，有效地减少企业对劳动力的依赖。

本文具有以下啟示：第一，注重员工技能结构的调整，优化人力资本配置。作为一种高效的、替换程序性人工劳动的生产方式，工业机器人应用通过降低劳动技术替代水平降低企业劳动力成本粘性。因此，企业应根据外部环境，结合自身特征，加强对低技能员工的培训，引导其向高技能工作岗位转移，增加高技能员工储备，营造机器人与劳动力优势互补的生产环境。第二，关注低技能劳动者就业，促进人口高质量发展。健全劳动力失业保障制度和技能培训制度，促进劳动力市场与企业技能需求相互匹配，推动劳动者再就业；扩大企业对高技能劳动力就业吸纳能力，鼓励企业有针对性地开展岗前培训，帮助员工适应机器人创造效应对技能的要求。第三，发展工业机器人产业，应对人口老龄化影响。本文的研究结论表明，工业机器人应用可以缓解企业对劳动力的依赖。基于此，企业升级优化、劳动力质量提升，对于降低人口老龄化的消极作用至关重要。

【参考文献】

［1］ 中国面临的就业挑战：从短期看长期［J］.国际经济评论，2022（5）：9-21.

［2］ 张博，杨丽梅，陶涛.人口老龄化与劳动力成本粘性［J］.会计研究，2022（1）：59-69.

［3］ 刘媛媛，刘斌.劳动保护、成本粘性与企业应对［J］.经济研究，2014，49（5）：63-76.

［4］ 尹力博，魏冬.中国劳动杠杆折价效应：来自劳动技术替代的解释［J］.系统工程理论与实践，2022，42（10）：2565-2588.

［5］ ACEMOGLU D，RESTREPO P.Automation and new tasks：how technology displaces and reinstates labor［J］.Journal of Economic Perspectives，2019，33（2）：3-30.

［6］ 汪前元，魏守道，金山，等.工业智能化的就业效应研究——基于劳动者技能和性别的空间计量分析［J］.管理世界，2022，38（10）：110-126.

［7］ 王永钦，董雯.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［J］.经济研究，2020，55（10）：159-175.

［8］ ACEMOGLU D，LELARGE C，RESTREPO P.Competing with robots：firm-level evidence from France［J］.AEA Papers and Proceedings，2020，110：383-388.

［9］ 董雪兵，潘登，池若楠.工业机器人如何重塑中国就业结构［J］.经济学动态，2022（12）：51-66.

［10］ ANDERSON M C，BANKER R D，JANAKIRAMANJ S N.Are selling，general，and administrative costs “Sticky”？［J］.Journal of Accounting Research，2003，

41（1）：47-63.

［11］ DIERYNCK B，LANDSMAN W R，RENDERS A.Do managerial incentives drive cost behavior？Evidence about the role of the zero earnings benchmark for labor cost behavior in private Belgian firms［J］.Accounting Review，2012，87（4）：1219-1246.

［12］ JAIMOVICH N，SIU H E.Job polarization and jobless recoveries［J］.Review of Economics and Statistics，2020，102（1）：129-147.

［13］ 何小钢，朱国悦，冯大威.工业机器人应用与劳动收入份额——来自中国工业企业的证据［J］.中国工业经济，2023（4）：98-116.

［14］ 陈媛媛，张竞，周亚虹.工业机器人与劳动力的空间配置［J］.经济研究，2022，57（1）：172-188.

［15］ KOCH M，MANUYLOV I，SMOLKA M.Robots and firms［J］.The Economic Journal，2021，131（638）：2553-2584.

［16］ AUTOR D H，LEVY F，MURNANE R J.The skill content of recent technological change：an empirical exploration［J］.The Quarterly Journal of Economics，2003，118（4）：1279-1333.

［17］ DOLFIN S.An Examination of firms' employment costs［J］.Applied Economics，2006，38（8）：861-878.

［18］ GOLDEN J，MASHRUWALA R，PEVZNER M.Labor adjustment costs and asymmetric cost behavior：an extension［J］.Management Accounting Research，2020，46.

［19］ 纳超洪，陈雪，徐慧.财务共享能降低成本粘性吗？——基于集团管控的视角［J］.南开管理评论，2022（11）：1-32.

［20］ 权小锋，李闯.智能制造与成本粘性——来自中国智能制造示范项目的准自然实验［J］.经济研究，2022，57（4）：68-84.

［21］ WEISS D.Cost behavior and analysts' earnings forecasts［J］.Accounting Review，2010，85（4）：1441-1471.

［22］ 方巧玲，徐慧，郝婧宏.股权质押与劳动力成本粘性：代理观抑或效率观［J］.审计与经济研究，2021，36（6）：81-90.

［23］ BRESNAHAN T F，BRYNJOLFSSON E，HITT L M.Information technology，workplace organization，and the demand for skilled labor：firm-level evidence［J］.The Quarterly Journal of Economics，2002，117（1）：339-376.

［24］ 劉李华，孙早.人口老龄化、居民健康与收入不平等［J］.经济科学，2022（5）：135-149.

［25］ KACMAR K M，ANDREWS M C，VAN ROOY D L，et al.Sure everyone can be replaced … but at what cost？Turn over as a predictor of unit-level performance［J］.Academy of Management Journal，2006，

49（1）：133-144.

［26］ MOHR D C，YOUNG G J，BURGESS J F.Employee turnover and operational performance：the moderating effect of group oriented organisational culture［J］.Human Resource Management Journal，2012，

22（2）：216-233.

［27］ GU Z，TANG S，WU D.The Political economy of labor employment decisions：evidence from China［J］.Management Science，2020，66（10）：4703-4725.