人工智能扩大了企业间的工资差距吗?*——来自中国工业企业的证据

陈 东 姚 笛

(山东大学经济学院 山东济南 250100)

一、引 言

人工智能，作为新一轮产业变革的核心驱动力，为全球经济和社会发展带来了新的机遇和挑战。在人工智能引发的经济挑战中，最主要的是收入分配(Korinek和Stiglitz，2017)。就中国情形而言，挑战同样严峻。面对多年居高不下的贫富差距，“十四五”规划已提出，“到2035年全体人民共同富裕将取得更为明显的实质性进展”，然而这一目标近年来遭遇了以机器人为代表的人工智能的不断冲击。据国际机器人联合会(IFR)发布的数据，中国自2013年以来已成为世界上机器人安装最多、增速最快的国家。鉴于工资仍是绝大多数居民劳动收入的主要来源，且收入分配不平等也主要来自工资差距，尤其是企业间工资差距(Song等，2019)，因此在人工智能日益普及且工资不均等情况日趋严峻的现实背景下，研究人工智能发展对企业间工资差距的影响及其作用机理，有助于为中国实现更加合理的收入分配提供微观证据与对策方案。

从已有研究来看，人工智能对劳动收入分配或工资差距的冲击主要体现在三个方面:一是改变实际工资水平，二是改变劳动收入份额，三是改变不同劳动者之间的工资差距。首先，人工智能对实际工资水平的影响仍存在诸多争议。人工智能本质上作为劳动力的替代要素，天生具有抑制就业、改变收入的效应。Acemoglu和Restrepo(2020)以美国为例，发现一个单位机器人的使用在导致劳动力就业率下降0.2%的同时，也导致实际工资下降了0.42%。但是，人工智能作为“最后的发明”，不仅促进了全要素生产率的增长，而且可能在新领域创造出新工作，有助于提升劳动力就业，提高实际平均工资水平(Autor等，2020)。这种提升作用在不同阶段可能有不同的表现，在长期对实际工资水平的正向影响可能会逐渐下降(Graetz和Michaels，2018)。

其次，与以往的技术革命相比，人工智能会同时替代体力劳动和脑力劳动(Trajtenberg，2018)，有可能提高净失业率。在劳动收入份额下降的同时，单位劳动的实际产出增加，资本收入份额增大，资本报酬增加更具优势(陈彦斌等，2019)，人工智能的生产率创造效应不能改变其对劳动收入份额总体负向影响的事实(Autor等，2020)。但是也有学者指出，人工智能对劳动收入份额变动并非单一的负向影响。其能够在新领域创造出新的劳动密集型任务有助于抵消劳动收入份额下降的负面影响，因此对劳动收入份额的影响并不确定。正如郭凯明(2019)指出的，人工智能会促使生产要素在产业部门间流动，流动方向的不同将最终导致劳动收入份额的不同变动。

最后，人工智能在冲击劳动力市场和就业结构的过程中，会造成不同技能、不同行业劳动者的工资差距。在技能层面，人工智能会产生岗位更迭效应和生产率效应，进而导致低技能、生产性、年龄较大工人的工资下降，高技能工人的工资上涨，扩大了不同技能劳动力之间的收入差距(Acemoglu等，2020；王林辉等，2020)。在行业层面，人工智能对汽车制造、金属制品、化学、制药、食品等自动化程度较高行业的影响更为负向和强烈(Acemoglu和Restrepo，2018a)，对零售、批发等商业服务业的影响则趋于正向(Brynjolfsson和McAfee，2015)。从短期看，虽然人工智能会造成工资极化现象，但是从长期看，这一现象会逐渐弱化(Graetz和Michaels，2018)，而且会提高本地同行业劳动力的报酬水平(孔高文等，2020)。

与已有文献相比，本文可能的创新点在于:第一，人工智能对劳动收入分配的影响虽然引起了学术界的高度重视，但囿于数据限制，已有文献多为数理模型推导，并辅之以宏观数据佐证；相比之下，基于企业数据的微观研究屈指可数。本文从大样本的中国工业企业数据出发，考察人工智能对企业间工资差距的异质性影响及其作用机制。第二，虽有少量文献探讨了人工智能对企业内部不同技能工人工资差距的影响，但迄今为止对企业间的工资差距鲜有探究。第三，本文在Acemoglu和Restrepo(2018b)生产任务模型的基础上，在行业内部引入企业异质性，并推导人工智能应用后对企业间工资差距的影响及其作用路径。为此，本文直指收入分配领域受人工智能影响最直接、矛盾最突出的一环——企业间工资不平等，试图回答人工智能是否扩大了不同企业间的工资差距。

二、理论模型

人工智能具有渗透性的技术—经济特征，并表现为替代性、协同性和创造性(蔡跃洲和陈楠，2019)。其中，替代性主要表现为人工智能应用对劳动要素的就业替代效应；协同性主要体现为人工智能提升各要素间的衔接配合，降低摩擦成本，提高生产效率；创造性主要体现为人工智能通过知识创造，提高产出规模。这些特征在影响宏观经济增长的过程中也必然对微观企业的收入分配造成重要影响，导致企业间的工资差距出现变动。本文在Acemoglu和Restrepo(2018b)的生产任务模型基础上，在行业内部进一步引入企业异质性，推导出人工智能应用不仅通过替代效应降低工资水平，而且通过生产率效应和产出规模效应提高工资水平，人工智能对企业工资水平的影响最终取决于三种机制的大小。

(一)基本设定①因篇幅所限，本文省略了基本设定的一些步骤，感兴趣的读者可在《经济科学》官网论文页面“附录与扩展”栏目下载。

加总企业所有生产任务可以得到期企业总的劳动力和人工智能资本需求:

在市场均衡状态下，生产的边际成本应等于市场价格，故

其中，Q为企业应用人工智能的价格成本，W为企业支付给工人的工资水平，则

从上述工资收入决定方程可以看出，人工智能可能通过以下渠道影响企业员工的工资水平:生产任务的智能替代水平(M)、人工智能资本(R)和生产率水平(A)等。

(二)传导机制的静态分析

根据刘灿雷和王永进(2019)的研究，企业间工资差距一方面来自企业员工的技能组成差异(即技能组成工资)，另一方面来自企业自身的经营绩效(即利润分享工资)。人工智能的技术—经济特征会影响技能组成工资和利润分享工资，进而影响企业间工资差距。

(1)就业替代效应。人工智能作为不断积累的资本要素之一，在对劳动要素逐渐替代的过程中会产生就业替代效应。利用式(2)和式(4)对M进行一阶求导，可得:

假定生产任务的人工智能替代程度取值范围为[0，1]，那么式(5)的计算结果始终为小于0的负数，这说明:首先，随着智能化程度的加深，人工智能不仅会对劳动要素产生直接的替代效应，还会明显减少中低技能工人的劳动时间(Graetz和Michaels，2018)，不利于工资水平提升；其次，人工智能在主要替代从事体力劳动的低技能工人的同时，还降低了工人的技能议价能力；最后，对于受教育程度偏低、无法实现人力资本提升的低技能工人而言，在工资黏性较高的情形下，难以通过技能议价改善自身的工资水平。可见，人工智能的就业替代能力，重点冲击了低技能工人的就业数量与议价能力，相应降低了技能组成工资。因此，与未应用人工智能的企业相比，人工智能应用企业的工资水平会相对较低。

推论1:人工智能的就业替代效应降低了工人的技能议价能力及其技能组成工资，导致人工智能应用企业的工资水平相对恶化。

(2)生产率效应。人工智能的协同性增强了各要素之间的衔接配合，有利于提升投入产出效率或全要素生产率，并在微观层面上体现为企业利润盈余的增加(蔡跃洲和陈楠，2019)。根据劳动力需求和人工智能技术需求方程，可推导出A的表达式:

据此，A与M，α和P均相关，在其他条件不变时，M上升会提高企业生产率水平，即∂∂＞0。利用工人工资的决定方程(4)进一步对M求偏导数可得:

在智能化程度介于[0，1]的情况下，式(7)的计算结果始终为正。这意味着人工智能可以为企业带来更高的生产率水平，一方面，生产率更高的企业可以在一定时间内生产出更多的产品，正如邓红亮和陈乐一(2019)所发现的，劳动生产率冲击至少可以解释约15的中国产出波动；另一方面，生产率较高的企业在实现规模经济的同时，还能够降低企业的边际成本(王永钦和董雯，2020)。无论是产出增加还是成本降低，均有利于企业获得更多的利润盈余，分配更多的利润分享工资，有利于工人工资水平的提升。

推论2:人工智能的生产率效应会提高企业的利润分享工资，相对改善人工智能应用企业的工资水平。

(3)产出规模效应。根据式(7)，生产率效应的发挥有利于增加对劳动力的衍生需求和扩大生产规模；同时，人工智能还可以直接通过知识创造改善生产工艺流程，提高产出规模。从式(2)可得，X＝(AR)/M，企业的生产率水平与其产出规模正向相关，二者呈同向变动的关系，并可获得生产率影响工资水平的一阶偏导数:

式(8)的计算结果始终为正值，M越大则智能化程度越高，该正值越大。该式表明，人工智能协同性和创造性共同引致的产出规模的上升会增加对劳动要素的需求，特别是对接受过高等教育的科研人员或更具专业技能人员的需求(Bonfiglioli等，2020)，有助于提高技能组成工资；同时，在产出规模增加的过程中，工人也因企业绩效改善可以获取更多的基本工资与其他福利，有利于利润分享工资的增加。技能组成工资与利润分享工资的同时增加，最终改善了企业整体的工资水平。

推论3:人工智能的产出规模效应同时改善了企业的技能组成工资和利润分享工资，相对有利于提高人工智能应用企业的工资水平。

(4)总体叠加效应。上述理论推导表明，一方面，人工智能的替代性会降低企业技能组成工资，不利于企业平均工资水平的提高；另一方面，人工智能的协同性和创造性会提高企业利润分享工资和技能组成工资，有利于企业平均工资水平的提高。在这种情况下，人工智能对企业工人工资水平的总体效应究竟是正向还是负向，可以由式(4)对M直接求一阶偏导数，得到:

从式(5)的一阶条件可以发现，生产任务的智能化程度对工资水平的总体影响取决于(1-M)∂∂+A与Q/P的大小比较。这里分两种情况进行讨论:第一，在人工智能应用初期，(1-M)∂∂+A＜Q/P时，∂∂＜0，此时生产任务的智能替代范围M上升，导致工人的工资待遇变差。究其原因，在人工智能技术不成熟、相应的软件和硬件设施配套不健全的前提下，生产中应用人工智能的成本Q较高，在对劳动要素存在一定替代效应的同时，并不能很好地实现全要素生产率和产出规模的提升，导致利润分享工资和技能组成工资均增长缓慢，对工资水平整体呈现出消极影响。第二，在人工智能广泛普及时期，(1-M)∂∂+A＞Q/P时，∂∂＞0，此时如果生产任务的智能替代范围M上升，则可以改善企业的工资水平。这是因为，随着人工智能技术的普及，企业生产中应用人工智能的成本Q较为合理，“机器换人”现象愈加频繁。虽然人工智能的就业替代效应会降低技能组成工资的议价能力，但是成本合理且技术较为成熟的人工智能技术会大大推动全要素生产率A和产出规模的提升，显著提高利润分享工资，甚至覆盖就业替代效应导致的技能组成工资水平下降。同时，技术进步方向可分为劳动增强型创新和劳动替代型创新，如果人工智能技术朝着劳动增强型创新方向发展，则有利于提升生产率，促进工资收入增加(Trajtenberg，2018)。2018年思爱普公司(SAP)发布的《未来网络经济的99个趋势报告》显示，虽然51%的工作活动可以自动化，但是只有不到5%的工作会完全被机器替代，人工智能的替代效应削弱劳动者议价能力的作用有限。这说明在人工智能时代，人类和机器之间并非相互替代的竞争关系，而是更多地体现为通过优势互补提升生产率的人机一体化关系，并不会威胁到人工智能应用企业的工资水平。

推论4:人工智能带来的生产率效应和产出规模效应要大于就业替代效应，总体上有利于工资水平的提高，使得人工智能应用企业与未应用企业之间的工资差距扩大。

三、数据与特征事实

(一)数据来源

工业机器人具有可重复编程解决问题的能力，因此在工业智能化升级过程中不仅成为人工智能与传统工业衔接的桥梁，也成为人工智能应用的载体(王林辉等，2020)。正是如此，现阶段人工智能在生产中的运用主要是通过工业机器人(以下简称“机器人”)来实现的(Bessen等，2019)，机器人的运用可以在一定程度上表征人工智能的发展与运用。考虑到企业应用机器人的数量不可得，本文参考Acemoglu等(2020)的做法，以机器人进口数量作为企业应用机器人的标准，数据来自中国工业企业数据库和海关数据库，样本区间为2000—2015年。具体来说，按照工业机器人产品的HS 8位编码，从海关数据中检索出进口机器人的企业，并根据企业名称、邮编和电话号码将企业的进口机器人数据匹配到工业企业数据库，识别出进口过机器人的工业企业2683家，占进口机器人企业总数的48.3%。此外，省级层面数据来自《中国统计年鉴》《中国劳动统计年鉴》《中国固定资产投资统计年鉴》和《中国市场化指数——各地区市场化相对进程年度报告》(2011年、2018年版)，主要通过工业企业数据库中的企业地址进行信息匹配；将国民经济行业2002年分类标准与IFR所提供的ISIC 4.0分类标准进行匹配，得到机器人安装数据。

在此基础上，本文删除了应付职工薪酬、从业人数、总资产、固定资产、销售额、工业总产值等关键指标缺失的样本；删除了样本中企业从业人数小于8人、流动资产大于总资产、总固定资产大于总资产和企业识别代码不存在的样本；在分解企业技能组成工资和利润分享工资时，删除了计算结果异常的企业样本；由于2002年和2011年中国国民经济行业标准进行了调整，本文将国民经济4位行业代码统一以2002年为标准进行调整。同时为了尽可能地减少异常值带来的影响，对构建的企业层面变量在1%和99%分位做缩尾处理。经过上述处理，最终得到1512812条观测值，其中包含10 288条进口机器人的观测值。

(二)变量测度

(1)核心变量。在被解释变量方面，借鉴罗伟等(2018)的做法，本文以企业应付工资总额除以从业人数衡量企业平均工资()。在核心解释变量方面，以是否进口机器人的二值虚拟变量()来反映；若企业在年进口过机器人，则从年及之后该企业为机器人应用企业赋值为1，否则赋值为0。

(2)控制变量。为了尽可能地缓解因遗漏变量导致的内生性问题，本文对影响企业工资水平的重要因素进行控制，以增加所得结论的可信度。周云波等(2015)等代表性文献发现，企业的财务指标(如体现企业总体运营情况的资产负债率、利润率)和企业自身的重要特征(如资本密集度、规模和性质)均会对企业工资水平产生重要影响；同时，越来越多的文献还发现，工资水平与行业新技术的使用具有明显的因果关系(Acemoglu和Restrepo，2021)，故本文选取的控制变量包括:资产负债率()、企业资本劳动比()、企业利润率()、企业规模()、企业性质()和行业智能化()。

(三)典型事实

首先，整体描述机器人进口情况。从时间趋势来看，无论是机器人进口企业数量还是机器人进口金额，除个别年略有下降外，均呈现逐渐增加的趋势，2015年增长幅度最为明显。这表明在劳动力成本日益上升和相关技术逐步成熟的背景下，机器人在企业生产中的应用越来越广泛。

其次，虽然在中国机器人应用总体上不断普及，但在不同企业、行业和省份的普及程度存在明显差异。国有企业和非国有企业的机器人进口企业数量占比一直呈上升趋势，但是2000—2014年非国有企业占比明显高于国有企业，直至2015年才得到逆转。行业和省份层面的结果进一步显示，进口机器人金额排名前三位的行业分别为其他专用设备制造、汽车整车制造、木材加工机械制造，占比分别为18.9%、14.6%和10.7%，三者合计占比高达44.2%，表明机器人应用的行业集中程度较高；上海、江苏和北京三个省份(直辖市)的进口机器人金额占比之和也超过了50%，排名前十位的省份进口机器人金额占比更是超过了90%，且主要分布在经济较为发达的东部地区；河北、黑龙江和辽宁虽然经济发展相对落后，但进口机器人金额分别排在第四、第五和第七名，原因是专用设备制造业、汽车制造业和电子制造业等机器人应用比较广泛的行业在这三个省份经济发展中占有重要地位。

最后，为了对比应用机器人和未应用企业之间的工资差距，从应用机器人企业()和未应用企业()的平均工资比值可以看出，该比值一直大于1，表明应用机器人企业的平均工资一直高于未应用企业。采用泰尔指数()、基尼系数()和变异系数()进行进一步计算，可以发现无论采用哪一种衡量指标，二者的工资差距均呈现出不断扩大的趋势。相比于2000—2007年，二者的工资差距在2011—2015年表现得尤为明显。整体来看，除了应用机器人的企业本身工资水平较高外，机器人也可能是造成应用机器人和未应用企业之间工资差距的重要因素之一。

四、实证检验结果

(一)模型选择和基准回归②控制变量的描述、估计系数与解释请见《经济科学》官网“附录与扩展”。

为了考察机器人应用是否会扩大企业间工资差距，本文通过Hausman检验和检验确认采用包含企业个体、省份和年份的多维固定效应模型，构建基准模型如下:

其中，Wage为企业平均工资，AI为企业是否应用机器人，代表控制变量集；μ为个体固定效应，δ为省份固定效应，ν为年份固定效应，ε为随机扰动项。

为了在一定程度上解决异方差和序列相关问题，本文采用在企业层面聚类的稳健标准误，基准回归结果见表1第(1)—(3)列。结果显示，无论是否增加控制因素，机器人应用()始终在1%的水平上显著提升了企业平均工资()，推论4成立。在控制所有变量的情形下，影响系数为0.275，意味着机器人应用企业为员工支付的平均工资水平比未应用机器人的企业大约高出27.5%，表明虽然机器人应用对劳动要素的替代性特征会在一定程度上不利于企业平均工资的提高，但与此同时机器人应用更多地表现为创造性和协同性，可以提升企业生产效率和产出规模，促使企业获得更多的利润、增加对劳动力的需求，有助于员工工资收入的提高，并造成应用机器人企业与未应用企业之间的工资差距。

表1 基准回归与内生性检验

(二)内生性检验

1.工具变量法

考虑到机器人应用与企业平均工资之间可能存在逆向因果关系，即企业平均工资水平越高、生产成本压力越大的企业，越有可能采用机器人。为此，本文采用中国机器人进口价格水平()作为机器人应用指标的工具变量。选取该变量的原因在于，机器人进口价格会在很大程度上影响企业是否应用机器人进行生产，同时进口机器人价格是由国际市场供需所决定的，与单一企业不相关，满足工具变量选取的相关性和外生性要求。在此基础上，为了更精确地体现进口机器人价格的波动性，并考虑不同企业对机器人价格敏感程度的差异性，本文借鉴Bonfiglioli等(2020)的做法，采用企业所在行业对机器人的适应性指标进行双曲正弦变换后的加权处理。

表1第(4)—(5)列的回归结果显示，在第一阶段，机器人进口价格水平与企业层面的机器人应用在1%的水平上呈显著的正相关关系，可能的原因有二:第一，通常来说，产品质量越好，其定价往往越高(樊海潮等，2020)，即机器人进口单价高可能意味着其产品质量更好；第二，机器人的功能越多、精度越高、应用越智能，其价格也就越高。根据2000—2015年中国海关进口数据库的统计，多功能机器人的进口均价约为26万美元/台，明显高于普通单一功能的搬运机器人、焊接机器人和喷涂机器人；即使同样是焊接机器人，激光焊接机器人的进口均价超过30万美元/台，远远高于普通的电阻焊接机器人和电弧焊接机器人。这些多功能和高精度的机器人虽然进口价格和应用成本更高，但是能够代替人工从事更多的工种，且生产出来的产品质量和精度更高，在一定程度上会给企业带来更高的生产效率和经济效益，提高企业在生产过程中应用机器人的意愿。同时，Kleibergen-Paap rk值为148.272，远远大于10%水平下的临界值16.38，拒绝了弱工具变量假设。在第二阶段，机器人应用对企业平均工资的影响显著为正，与基准结果保持一致。

为了进一步确保工具变量满足外生性条件，本文还采用Lewbel(2012)提出的异方差工具变量法。Lewbel(2012)表明，如果用内生变量对模型中其他外生变量进行回归后的残差存在异方差，那么该残差与去中心化后外生变量的乘积是较好的工具变量。表1第(6)列汇报了使用第一阶段残差和去中心化后所有其他变量和上述工具变量的乘积作为工具变量的估计结果，的系数估计值依然显著为正，且与基准回归结果的系数接近。

2.PSM-DID法

考虑到资金实力雄厚的大型企业会更倾向于购买机器人，可能出现因“自选择”导致的内生性问题。为此，本文采用有放回的1∶1倾向得分匹配法，匹配后各协变量的标准偏差绝对值均小于10%，满足平衡性假设。同时，本文还进一步采用0.01卡尺范围内的1∶4匹配。上述两种方法的估计结果如表2第(7)—(8)列所示，与基准结论一致。

(三)稳健性检验

本文还采用多种方式验证基准回归结果的稳健性:第一，更换核心解释变量。除了企业是否进口过机器人的二值虚拟变量，本文还使用三种指标作为核心解释变量的替代变量:一是企业进口机器人所花费的累计金额；二是企业使用机器人的渗透度，借鉴王永钦和董雯(2020)的做法，使用企业每个从业人员所占有的机器人进口金额衡量；三是IFR所提供的行业机器人安装量数据。第二，更换计量模型。尽管基准回归模型中控制了行业智能化等个别行业变量，但是并不全面，仍有可能遗漏行业层面因素对企业工资水平的影响，故本文在原有计量模型上进一步控制行业—年份进行估计。第三，更换样本区间。一方面，与基准回归模型删除2008—2010年数据缺失的做法不同，本文采用插值法将缺失值补齐，尽可能地保留核心变量存在的样本观测值。另一方面，工业企业数据库中2000—2007年的企业数据质量最高，2000—2013年的企业数据质量次之。本文在删除2008—2010年数据的基础上，分别使用2000—2013年和2000—2007年样本区间的企业数据进行实证检验。实证估计结果显示，机器人应用依然在1%的水平上正向促进了企业工资水平的提高，与基准回归结果一致。

(四)异质性考察

作为技术进步的高阶形式甚至是“技术奇点”的人工智能，人工智能在理论上会对收入分配造成巨大冲击(Korinek和Stiglitz，2017)，但是，Brynjlofsson等(2017)通过对比2010年以来人工智能领域的快速发展和2005年以后美国乃至全球生产率增速显著下降的现实，提出了“新索洛悖论”，即短期内人工智能技术的发展难以带来生产率的明显提升。究其原因，人工智能作用的有效发挥不仅与智能化资本积累程度密切相关，即新技术资本积累需要达到一定的规模才能对经济活动产生重大影响，而且也会受到人力资本、制度环境、基础设施等地区禀赋条件的制约。基于此，考虑到劳动和智能资本的要素配比可能带来异质性的结论，本文构建核心解释变量和行业智能化程度的交互项×，以探讨不同智能化程度的行业中机器人应用对企业平均工资的影响；同时，分别构建机器人应用和人力资本、制度环境、基础设施等地区禀赋条件的交互项×、×、×，以考察在不同地区禀赋条件下机器人应用对企业平均工资的影响。其中，人力资本()使用各省人均受教育年限衡量；制度环境()指标使用“中国市场化指数”测度；基础设施()使用各省固定资产投资额与GDP的比值表征。

表2第(1)列的估计结果显示，×的回归系数在1%的水平上显著为正，表明行业智能化程度越高，机器人应用对企业平均工资的促进作用越强。这是因为，人工智能资本不仅能够带来更高的资本回报率，而且能够提升企业生产效率(陈彦斌等，2019)。行业智能化程度较高意味着该行业中的企业资本回报率和生产效率总体优于其他行业，该行业企业通过应用机器人生产可以赚取更高的利润盈余，从而有利于企业平均工资的提高。这导致在智能化程度更高的行业中，机器人应用企业与未应用企业间的工资差距更大。

表2中第(2)、(4)和(5)列的结果显示，×、×、×均在1%的水平上显著为正，即人力资本水平越高、基础设施和制度环境越完善的地区，机器人应用对企业平均工资的促进作用越强。究其原因，重大技术作用的发挥需要人员素质、制度环境、基础设施等禀赋条件与之相匹配(Brynjlofsson等，2017)，相应的禀赋条件缺失可能导致新索洛悖论的发生，机器人企业的平均工资也难以快速提高。人力资本的积累、基础设施和制度环境的不断完善，能够助力克服机器人应用过程中存在的新索洛悖论现象，有利于加强机器人应用对企业平均工资的提升作用，但随着地区禀赋条件的日趋完善，机器人应用企业与未应用企业间的工资差距将进一步扩大。值得注意的是，现有研究发现机器人技术的进一步发展需要的更多是与之相适应的高级人力资本和科研、信息等科技型基础设施。本文通过进一步引入核心解释变量和高级人力资本、科技型基础设施的交互项×、×予以考察，其中，高级人力资本()采用高等教育人数占总人口比例衡量，科技型基础设施投资采用“科学研究和技术服务业”和“信息传输、软件和信息技术服务业”两类基础设施的投资总额占GDP比重衡量，数据年限为2003—2015年。表2中第(2)、(5)列与第(3)、(6)列的对比可以看出，×和×的回归系数显著更高，表明在高等教育人数占比更高、科技型基础设施更完善的地区，机器人提升企业平均工资的作用更为明显，说明机器人技术的进一步发展需要更多的高级人力资本和科技型基础设施。

除了单独分析行业和地区异质性，本文还将各种异质性同时纳入计量模型，结果见表2中的“同时考虑”估计结果。估计结果表明，除了人力资本异质性×的估计结果与单独估计时相反，其余异质性估计结果的系数并未发生显著变化。值得注意的是，通过对比人力资本异质性×和高级人力资本异质性×的回归系数，可以发现×系数由正变负，而×的系数有所扩大，说明地区简单的人力资本积累不一定能够与机器人应用发挥很好地匹配，只有高级人力资本占比高的地区才能更好地与机器人技术相适应，扩大机器人应用所导致的企业间工资差距。

表2 异质性考察①本文在回归模型中加入了交互项变量、控制变量与固定效应，完整结果请见《经济科学》官网“附录与扩展”。

五、贡献率分解与作用机制

(一)贡献率分解

在前文构建收入决定方程的基础上，本文将企业分为应用机器人和未应用机器人两个企业群组，使用Oaxaca(1973)的分解方法将这两个群组之间的收入差异分解为特征差异和系数差异，特征差异主要是机器人应用企业和未应用企业的禀赋特征差异所导致的工资差异，而系数差异主要考察工资差异是否与机器人的应用有关，分解结果如表3所示。

表3 Oaxaca分解结果

第一，从工资总差异绝对量看，表3第(1)列总差异部分表明，机器人应用企业和未应用企业间始终存在显著的工资差异，即企业间工资差距一直存在，并具有明显的时间段特征。2000—2007年机器人应用企业和未应用企业间工资总差异的绝对量由一开始的0.651下降到0.419，企业间工资差距呈现下降趋势，而2011—2015年企业间总差异的绝对量由0.530增长至0.770，企业间工资差距出现上升趋势。整体来看，相对于2000—2007年，2011—2015年机器人应用企业和未应用企业间工资总差异的绝对量更高，企业间工资差距更大。

第二，从机器人应用企业和未应用企业间总差异分解的不同差异来源看，表3第(2)—(3)列显示，特征差异绝对量呈现出明显的下降趋势，而系数差异绝对量表现为明显的上升趋势。特征差异绝对量由2000年的0.454下降到2015年的-0.130，而系数差异绝对量由2000年的不足0.2大幅上升至2015年的0.900。总体来看，机器人应用企业和未应用企业的不同特征(如资产负债率、资本劳动比、利润率等)带来的企业间工资差异绝对量越来越低，而机器人应用导致的工资差异绝对量越来越高，机器人应用与否在两个群组间工资差异的贡献率中发挥着越来越重要的作用。第(4)—(5)列中特征差异和系数差异占总差异比重的变动也很好地印证了这一点，特征差异占比由一开始的0.692降至2015年的-0.170，企业自身禀赋特征贡献的工资差异部分逐渐变小，甚至在2015年表现出了缩小企业间工资差距的现象，而系数差异则相对大幅度上升，表明2010年以后随着机器人技术的成熟，相应的人力资本、制度环境和基础设施等配套因素不断完善，由机器人应用导致的企业间工资差异越来越大。

(二)作用机制

如理论分析部分所述，企业层面工资可以分解为技能组成工资()和利润分享工资()。为了探究机器人到底是通过技能组成渠道，还是利润分享渠道扩大企业间工资差距，本文借鉴刘灿雷和王永进(2019)的工资分解法对企业层面工资进行分解，实证分析机器人应用扩大企业间工资差距的作用机制，估计结果见表4。

表4 影响渠道分析

表4第(1)列和第(3)列分别为机器人对企业技能组成工资和利润分享工资影响的估计结果，可以看出机器人应用在1%的水平上显著负向作用于企业技能组成工资，回归系数为-0.078，与此同时机器人在1%的水平上显著正向作用于企业利润分享工资，回归系数为0.262，表明在现阶段，机器人应用的生产率效应和产出规模效应要强于其替代效应。机器人应用主要通过替代效应降低了工人的技能议价能力，导致企业员工依靠自身技能获取的工资有所降低，但是机器人应用的协同效应和创造效应提升了企业员工的利润分享工资，且提升的强度大大高于其替代效应导致技能组成工资降低的部分。这是因为，随着机器人普及程度和智能程度的不断提高，其对工人的替代范围愈加广泛。同时，1999年、2007年和2015年我国受过大专及以上教育的高技能工人占比分别为3.8%、6.6%和17.3%，虽然实现了一定速度的增长，但是相对于西方发达国家，工人总体技能水平依然偏低，导致中国劳动就业面临比欧美更大的结构性冲击(蔡跃洲和陈楠，2019)。在薪酬谈判中，由于与机器人互补的高技能工人占比过少，甚至一部分高技能工人也会随着机器人智能程度的提高而被替代，因此较多的职位属于机器人替代范围，工人整体的技能议价能力相对降低，为了维持现有工作，工人更有可能接受一个较低的工资水平(王永钦和董雯，2020；Acemoglu和Restrepo，2020)，企业平均技能组成工资由此降低。然而，机器人的应用有效地提升了企业的生产效率，扩大了生产规模，有力地增加了企业的利润盈余，工人也因此获得了更为丰厚的利润分享工资。

表4中第(2)列和第(4)列是将企业技能组成工资和利润分享工资这两个间接机制变量加入模型中进行回归的结果。结果显示，企业技能组成工资和利润分享工资的提升均有利于企业平均工资的提高，并且相对来说企业利润分享工资是提高企业平均工资的主要渠道。结合基准回归结果和表4中第(1)—(2)列的回归结果可以发现，企业技能组成工资发挥了遮掩效应，即机器人会降低企业技能组成工资，不利于企业平均工资的提高；而结合基准回归结果和表4中第(3)—(4)列的回归结果可以发现，企业利润分享工资在机器人提高企业平均工资的过程中发挥了显著的间接效应，机器人能够通过提升企业利润分享工资来促进企业平均工资的提高。利润分享工资是机器人应用造成企业间工资差距的主要影响渠道，企业在生产过程中投入了更多的机器人以提升生产效率和产出规模，由此带来了更多的利润分享工资，不仅抵消了机器人应用对企业技能组成工资的降低部分，还会额外增加该企业的工人工资，从而领先于未应用机器人企业的工人工资水平。

在证实利润分享工资是造成企业间工资差距扩大主因的基础上，本文还进一步考察就业替代效应、生产率效应和产出规模效应对利润分享工资和技能组成工资所发挥的作用。在技能组成工资方面，对于机器人应用的替代效应，本文在考虑数据可得性的前提下，借鉴Chen等(2017)的研究思路构建低技能劳动力占比()指标，并考察机器人应用能否通过缩减低技能劳动力占比对技能组成工资产生负向影响。表5第(1)列的估计结果显示，一方面，机器人应用在1%的水平上显著降低了低技能劳动力占比，机器人的替代效应十分明显；另一方面，第(2)列的结果进一步表明，机器人应用通过替代低技能劳动力对技能组成工资产生了不利影响，说明机器人的替代效应确实会恶化工人的技能议价能力，证实了推论1。对于机器人应用的产出规模效应，本文参照De Loecker和Warzynski(2012)的方法计算企业生产率()，并借鉴余淼杰等(2018)的方法估算企业工业增加值作为产出规模()的代理变量，据以检验其对技能组成工资的影响。表5第(3)—(5)列的估计结果显示，机器人通过提升生产率增加了产出规模，并提高了技能组成工资。究其原因，机器人应用带来的产出规模上升会产生新任务及劳动力新需求，在提高企业技能组成工资的同时，可以在一定程度上抵消机器人的替代效应所导致的技能组成工资下降，证实了推论3的技能组成工资部分。

表5 技能组成工资和利润分享工资的形成机制

在利润分享工资方面，表5第(3)列和第(6)列的回归结果发现，机器人应用可以提高企业生产率，从而进一步显著提升利润分享工资，表明生产效率的提高会减少生产成本，增加所获利润，导致利润分享工资在劳动者工资收入中占据更高的比例。究其原因，机器人作为前沿的生产技术，能够优化产品生产过程中的资源配置效率，有效提升生产效率，由此带来的生产成本降低和企业绩效改善使得工人能够获得更多的利润分享工资，推论2得证。表5第(3)—(4)列和第(7)列的估计结果则表明，机器人通过增加产出规模提高了利润分享工资。其背后的逻辑是，机器人的产出规模效应改善了企业绩效，而企业绩效的增加意味着工人将会获得的福利更多，利润分享工资得以提高，至此证明了推论3。

由此可见，虽然机器人的替代效应会降低企业技能组成工资，但产出规模效应会在一定程度上抵消这一负向影响。与此同时，机器人的生产率效应和产出规模效应能够提升企业利润分享工资。整体来看，机器人应用的生产率效应、产出规模效应带来的利润分享工资提高成为企业间工资差距不断扩大的主要来源。

六、结论与政策启示

本文采用2000—2015年中国企业层面的进口机器人数据衡量企业机器人应用状况，并在此基础上考察机器人应用对企业间工资差距的影响及机制，得到以下结论:第一，机器人的应用显著提高了企业的平均工资，导致机器人应用企业与未应用企业间的工资差距扩大，并且随着时间推移这一扩大趋势愈加明显。第二，异质性考察发现，机器人应用导致的企业间工资差距扩大现象在行业智能化程度较高行业和人力资本较为充足、制度环境及基础设施较为完善的地区表现得更为明显。第三，机器人的替代效应会降低企业工人的技能议价能力及其技能工资组成部分，而机器人的产出规模效应可以在一定程度上抵消这一负向影响，并且机器人的生产率效应、产出规模效应有利于改善经营绩效，提高员工利润分享工资。机器人应用对利润分享工资的积极作用强于技能组成工资的消极作用，是机器人应用企业与未应用企业间工资差距扩大的主因。

本文的结论具有重要的政策含义:首先，机器人应用会扩大企业间工资差距，并且趋势越来越明显。为此，一方面，要完善机器人技术在企业中普及应用的软硬件环境，加快各企业智能转型升级的步伐，在整体上提高劳动者的工资水平；另一方面，要加大再分配政策的调节力度，推动劳动和资本要素的税收制度改革，防止机器人资本投入进一步加剧应用机器人与未应用企业间的工资不平等现象，使劳动者的收入差距控制在合理区间。其次，机器人应用的企业间工资差距扩大作用存在显著的行业和地区异质性。因此，随着“机器换人”现象的不断上演，税收制度改革等再分配政策的实施在行业智能化程度较高的行业和人力资本较为充足、制度环境与基础设施较为完善的地区显得更为急迫。政府在制定再分配政策时应根据行业和地区等因素把握好力度与时效性，做到精准施策，更好地发挥政策效果。最后，机器人的应用越来越凸显利润分享工资在工人收入中的重要地位，但是技能组成工资的地位在逐渐弱化。针对这一现状，不仅政府和企业要组织与机器人普及相适应的职业技能培训，而且劳动者要不断学习相关新技能，满足机器人技术发展的需求，弱化机器人的替代效应，提高自身的工资议价能力，在分享智能转型升级带来的工资待遇改善的同时，提高自身本领，依靠自己学习的新技能进一步提升工资收入。