APP下载

工业机器人对制造业劳动力就业的结构性影响与地区差异

2020-07-13韩民春

产经评论 2020年3期
关键词:复杂度高技能劳动力

韩民春 乔 刚

一 引言及文献综述

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年中国成为世界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。中国作为全球最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”。马岚(2015)[1]根据日韩工业机器人发展历史探讨了决定一国工业机器人普及的社会经济因素,分析当前中国经济社会和制造业发展状况,发现中国很可能出现机器人规模化替代人工。Acemoglu和Restrepo(2017)[2]分析了1990-2007年间工业机器人使用量增加对美国当地劳动力市场的影响,发现机器人使用量增加可能会减少就业和工资,具体表现为千人拥有的机器人每增加1台,就业人口比将减少0.18~0.34个百分点,工资将减少0.25~0.5个百分点。在智能化主导的经济体制中,除了人类能生产价值外,机器人也能发挥相同的作用,从而“机器换人”导致部分工人失业和工资下降(Sachs et al.,2015[3];Benzell et al.,2015[4])。二是“补偿效应”。Autor(2015)[5]指出在过去的几十年里,自动化既替代了劳动力,同时也补充了劳动力,媒体的某些评论往往夸大机器对人类劳动的替代程度,而忽视自动化与劳动之间的强大互补性。Berg et al.(2018)[6]指出工业机器人的应用会提高劳动生产率,部分岗位会出现对劳动力需求的增加,同时也能创造出新的就业岗位。从短期看可能会出现对劳动力的替代以及导致社会的不平等现象,但从长期看,工业机器人的应用提高经济发展水平,带来经济的繁荣和人们生活的改善。而且目前的机器人智能化程度还不够,在一些非标准化生产过程中,人类占据绝对优势。此外,一些高危、高精度或不适合人类工作的空白领域,需要机器人的填补,这在本质上不会对劳动力产生替代(Gorle和Clive,2013[7];周文斌,2017[8])。也有学者主要从劳动力技能结构角度考虑,机器人的使用会促进一国劳动力结构转型升级,即促进中、高技能劳动力就业,抑制低技能劳动力就业(Graetz和Michaels,2018[9];程虹等,2018[10])。

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)[11]。现有研究多关注技术进步或有偏技术进步对就业的影响,较少从现代智能化视角研究工业机器人应用对就业的影响。因此,本文首先从理论层面分析工业机器人与劳动力间的替代与互补关系;其次,利用省级地区面板数据说明工业机器人应用对就业总量和就业结构的影响;最后,考虑地区异质性和技术复杂度差异性,说明工业机器人应用对就业的不同影响。

二 理论模型及研究假设

Berg et al.(2018)[6]基于技术和要素需求的理论模型,将资本、劳动以及机器人纳入统一框架内,分析机器人完全替代劳动力、替代部分劳动力以及不能替代技能劳动力三种情况,为本文研究工业机器人与劳动力之间的替代和互补关系提供理论基础。考虑到其模型较为复杂,本文将模型简化为C-D生产函数形式,分析工业机器人应用对就业的影响。

(一)模型构建

1.生产函数

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:

2.劳动力需求函数

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最大化:

maxK, L, ZAKαALβAZ1-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。由利润最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。

3.劳动力供给函数

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。

4.劳动力市场的均衡

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,最终实现就业市场的再平衡。

(二)研究假设

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,肖六亿(2010)[12]从劳动力需求端分析技术进步对就业的影响,认为技术进步提高劳动生产率、节省劳动力,同时也通过增加产出和创造新部门扩大了就业,但总的效应仍然为就业的损失;刘书祥和曾国彪(2010)[13]研究表明纯技术进步对就业有显著的负向影响;钟世川(2018)[14]实证分析显示,中国制造业的资本与劳动之间是互补关系,而且经济发展水平显著促进就业。上述文献表明技术进步对就业总量的影响既有增加也有减少,总的影响表现出不确定性,而工业机器人不仅符合技术进步影响就业的一般规律,也有其行业特点。工业机器人不仅是工人用来提高劳动生产率的工具,还可代替劳动力进行独立操作。传统技术进步主要替代人的体力,机器人柔性化特征使得其替代的程度和范围更广,会进一步替代人的脑力,削弱低技能劳动力成本和自然资源的优势。因此中国工业机器人的大规模使用势必会冲击制造业就业(程虹等,2018)[10]。根据以上分析,提出本文假说1。

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。吕洁等(2017)[15]、杜传文等(2018)[16]研究均显示,工业机器人对低技能劳动力替代的同时增加对中、高技能劳动力的需求,且机器人应用程度越高的国家和地区,其高技能劳动力比例越高。而中国机器人产业在地区间的发展不均衡,主要集中在长三角、珠三角以及京津等地,机器人应用程度的差异对不同技能劳动力的影响也存在差异。相比机器人应用程度较低的地区,机器人应用程度较高的地区对高技能劳动力的需求也较大,机器人应用对低技能劳动力就业的抑制作用较大。据此提出本文假说2。

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。

三 研究设计与数据来源

(一)模型设定

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(罗军,2014[17];马岚,2015[1];胡雪萍和李丹青,2015[18])等因素。本文主要研究中国工业机器人应用对劳动力就业产生的影响,将上述因素纳入式(7)-式(9)可得实证模型设定如下:

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。

(二)变量选取与说明

1.被解释变量

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):参照喻美辞和熊启泉(2012)[19]的研究,根据工作性质来划分劳动力,本文用企业研发人员表示高技能劳动力;用制造业就业总量减去研发人员数表示低技能劳动力(low)。

2.核心解释变量

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(吕铁和李玮,2016)[20],国内企业市场份额不足30%,加上衡量工业机器人其他方面的数据难以获取,故本文以工业机器人进口额表示工业机器人使用量。根据HS2007六位数编码体系中,工业机器人主要分为七大类:喷涂机器人(842489)、搬运机器人(842890)、多功能机器人(847950)、IC工厂专用自动搬运机器人(848640)、电阻焊接机器人(851521)、电弧焊接机器人(851531)、激光焊接机器人(851580)。本文使用的工业机器人进口额为上述七类机器人进口额的加总,并按当年汇率将美元折算成人民币。参照Graetz和Michaels(2018)[9]的做法,本文将机器人进口总额除以制造业总的就业人数,得到每个省份历年的工业机器人密度。由于2011年各地机器人进口数据缺失,本文利用2011和2012年各地工业销售产值增长率倒推2011年各地工业机器人进口额,再转换成机器人密度。图1显示历年各地工业机器人进口总额,可以看出上海、江苏和广东的工业机器人进口远超其他地区,而部分地区工业机器人进口较少或者暂无,本文剔除这些地区,仅保留北京、天津、河北、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、山东、河南、湖北、广东、重庆、四川、陕西共18个省级地区,机器人数据来源于中国商品贸易数据库。

图1 中国历年分省份工业机器人进口额

数据来源:中国商品贸易数据库。

3.主要控制变量

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,根据张军等(2004)[21]的研究,将资本折旧率统一为9.6%。此外,本文以2010年各地制造业的固定资产净值为基期资本存量,并用固定资产价格指数进行平减;老龄化程度(aging)用65岁以上人口比例表示。相关变量说明以及数据来源如表1所示。

表1 变量名及数据来源

(三)描述性统计

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

四 实证结果分析

(一)基准回归结果分析

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。最终,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

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,这与刘书祥和曾国彪(2010)[13]、马岚(2015)[1]的结论一致;资本存量与高技能劳动力之间互补,促进了制造业高技能劳动力就业,对制造业就业总量和低技能劳动力就业影响不显著。

(二)原因分析

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”,最终导致就业减少。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(Graetz 和Michaels,2018)[9],尚未达到规模效应,从而未带动机器人操作人员与研发人员等高技能劳动力的就业。参照涂正革和肖耿(2006)[22]的研究,用人均工业增加值表示劳动生产率。由于2008年以后,规模以上工业企业增加值不再公布,故本文用工业销售产值代替工业增加值计算制造业劳动生产率,工业销售产值用相应的消费者价格指数进行平减。用工业销售产值与制造业就业人数的比值表示劳动生产率(apl),进行回归分析。表4反映了工业机器人使用对就业影响的原因。

表4 原因分析

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(程承坪和彭欢,2018)[23]。

(三)异质性分析

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极大提升,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。

1.地区异质性分析

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

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领先优势,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。

2.工业机器人技术复杂度的异质性分析

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。参考李丫丫和潘安(2017)[24]的做法,根据机器人工作技术复杂程度,将搬运机器人、喷涂机器人、电阻焊接机器人和电弧焊接机器人归为传统的中低技术复杂度工业机器人,而将多功能机器人、IC自动搬运机器人和激光焊接机器人划分为相对技术复杂度较高的工业机器人,进一步考察不同类型机器人对就业存在的差异性影响,具体回归结果见表6,列(1)~列(6)均采用固定效应模型。

表6 不同类型的机器人回归结果

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最高体现(1)资料来源:http://www.imrobotic.com/news/detail/8259.html。其柔性化和多轴的特征扩大了应用领域和范围,从而替代了一些以往似乎不可能替代的岗位,如部分管理岗位。而在高密度组地区,无论是高技术复杂度还是低技术复杂度的工业机器人,对制造业就业都有显著的负向影响。上海、江苏、广东等地制造业较为发达,工业机器人的发展走在全国前列,相比其他地区,工业机器人对就业的取代程度较高。在低密度组地区,高技术复杂度机器人对制造就业有显著的抑制作用,低技术复杂度机器人对制造业就业有显著的促进作用。在低密度组的省份中,高技术复杂度机器人与就业之间替代关系仍然存在,这是因为高技术复杂度机器人本身的智能化程度较高,对就业的替代能力更强;而低技术复杂度机器人在低密度组省份的使用相对较少,因而作为工人提高生产率的工具,与劳动力之间主要发挥互补作用,最终促进了就业的增加。

(四)稳健性检验

1.稳健性检验一:内生性检验

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。本文参照李成友等(2018)[25]的做法,选取滞后一期的工业机器人使用量作为工具变量。滞后一期的机器人使用量与当期机器人使用量相关,同时与当期其他因素不相关,充分排除了经济发展的惯性和时序相关性带来的影响,满足相关性和外生性条件。本文运用两阶段最小二乘法对式(10)~式(12)重新估计,回归结果如表7所示。

表7 稳健性检验: 工具变量法

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。

2.稳健性检验二:更换部分控制变量

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;最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

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。

五 研究结论及政策含义

(一)研究结论

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。

(二)政策含义

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:

第一,根据国家构建现代产业体系的重要路径,健全工业机器人应用配套政策。

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。

第二,“机器换人”计划和“稳就业”政策齐头并进。

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。

第三,加强对工业机器人产业应用型高技能人才的培养和储备体系建设。

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。

猜你喜欢

复杂度高技能劳动力
全球大地震破裂空间复杂度特征研究
宜兴陶瓷行业高技能人才培训班2022年第二期
数字经济对中国出口技术复杂度的影响研究
我国劳动力市场薪酬体系发展趋势研究
Kerr-AdS黑洞的复杂度
盐城市技能人才队伍建设现状分析
非线性电动力学黑洞的复杂度
劳动力流动的区域差异性分析
劳动力流动的区域差异性分析
高技能人才工作实践与探索