工业机器人应用能否缩小性别就业差距？

马红梅 孙艺文

一 引 言

《“十四五”规划和2035年远景目标纲要》中明确提出，持续改善妇女发展环境，促进妇女平等依法行使权利、参与经济社会发展、共享发展成果。就业是女性参与经济社会发展和共享发展成果的关键途径。但从两性就业发展趋势来看，自2006年至今，女性就业份额占比提升仅不到2%。2021年女性就业份额占比为38.95%，与男性就业份额差距仍保持在20%以上。可见，当前劳动力市场中仍然存在性别就业差距现象。而确保女性公平就业、实现性别就业平等对于缩小贫富差距、推动社会公平发展至关重要(陆杰华和汪斌，2020)[1]。一方面，女性劳动力就业将对子女教育及家庭生活品质产生重要影响(郑筱婷和李美棠，2018[2]；王伟同等，2021[3])。另一方面，增加女性就业、缩小性别就业差距能够提高企业劳动生产率，帮助企业实现更高利润(Garnero et al.，2014)[4]。不仅如此，一国在发展过程中若能充分把握女性劳动力数量及技能优势，也将有利于发挥性别红利、塑造经济新增长极(陆杰华和汪斌，2020[1]；陈梅和李磊，2021[5])。由此可见，如何缩小性别就业差距是实现经济高质量发展和共同富裕过程中亟待解决的关键问题。

与此同时，以智能制造为主导的新一轮科技革命和产业变革蓄势待发。为抢占创新发展先机和主动权，国务院印发《中国制造2025》，提出以智能制造为主攻方向，加快实体经济与人工智能的深度融合。以工业机器人为代表的智能制造技术将在推动经济社会发展的同时，重塑劳动力市场供需结构。一方面，人工智能技术的发展将替代具有机械性、重复性特点的岗位。另一方面，这种技术进步也将带动先进制造业及生产性服务业发展，进而创造新的工作岗位。这一过程使解决性别就业差距问题变得更为复杂。工业机器人应用对性别就业差距有何影响？这种影响是否会由于区域特征差异而有所不同？其作用机制是什么？这些问题的答案，不仅关系到当前中国性别就业差距现象的解释，也关系到能否找到缩小性别就业差距的途径，对经济社会公平发展有着重要的理论价值与现实意义。

事实上，性别就业差距的成因及影响因素一直是国内外学者关注的重要领域。学者普遍认为，受教育程度(Wang和Cai，2008[6]；李实等，2014[7])、家庭角色分工(程璆等，2017)[8]以及女性生育问题(邹红等，2018[9]；王兆萍和王雯丽，2020[10])等两性特征差异是引起雇佣者歧视观念的根本原因。然而，这种性别特征差异及其所带来的雇佣者歧视观念会随经济社会发展而改变，而技术进步作为这一过程的重要推动力量也引起了学者们的重视。男性和女性劳动力在技能方面有着天然差异，女性劳动者在认知技能方面具有相对优势(Sandra和Alexandra，2010)[11]。个体工资决定理论认为，由于技术进步加大了劳动力市场对认知技能的需求，因此，技术进步有利于女性劳动力发展，能够缩小性别就业差距(Beaudry和Lewis，2014)[12]。魏下海等(2018)[13]聚焦于制造业部门，发现企业内部生产线升级能够收敛性别工资差距，且这种影响对高技能劳动力群体而言更显著。但也有学者提出女性劳动力人力资本积累速度相对滞后于男性劳动力，具有破坏性创造特点的技术进步往往会挤出技能水平相对较低的女性劳动力(朱轶，2020)[14]，进而扩大性别就业差距。需要注意的是，不同类型技术进步对性别就业差距的影响不同，其中机器人等作为人工智能时代备受关注的技术，对性别就业差距的影响尚未达成一致结论。对于德国、美国等西方发达国家而言，机器人的广泛应用有助于缩小性别工资差距(Ge和Zhou，2020)[15]，但也有学者基于欧洲跨国研究发现这种影响完全相反，人工智能的发展会扩大现有性别工资差距(Cevat et al.，2021)[16]。对于中国而言，机器人等人工智能水平的提高为女性就业提供了发展契机，有利于缩小与男性劳动力的就业差距(吴清华等，2020)[17]。但在工业部门中，人工智能水平的提高仅在技术水平较低的部门内缩小性别工资差距，在技术水平较高的部门反而会扩大差距(孙早和韩颖，2022)[18]。综上所述，相关文献在不同程度上强调了人工智能对性别就业差距的影响，但结论并不一致。因此，本文基于人工智能对于工业发展的重要意义，考察工业机器人应用对性别就业差距的影响，以期对现有相关文献进行有益补充。

本文首先以个人歧视偏好理论为基础，阐述工业机器人应用对性别就业差距的影响机理，然后结合国际机器人联盟(International Federation of Robotics，以下简称IFR)发布的工业机器人安装数据及相关统计年鉴，实证检验工业机器人应用对性别就业差距的影响及其异质性和作用机制。与现有研究相比，本文边际贡献体现在：一是区别于已有文献主要关注机器人等人工智能技术对性别工资差距的影响，本文从男女劳动力就业率差距出发，进一步验证和丰富技术进步与性别就业差距的相关研究。二是本文以个人歧视偏好理论作为基础，从雇主歧视观念转变角度出发，判断工业机器人应用水平的提高对性别就业差距的影响，在新一轮技术革命背景下丰富了歧视经济学相关理论。三是中国区域差异明显，本文从区域位置、城镇化水平、产业结构及人力资本差距维度，分析工业机器人应用对性别就业差距的异质性影响，研究结论有益于在制造业智能化转型时期更好地推动经济社会公平发展。

二 理论机制与经验假说

由Becker个人偏好歧视理论可知，具有歧视性偏好的个体在与特定群体接触时会降低该个体效用(Becker，1957)[19]。鉴于此，对于具有性别歧视观念的雇主而言，在实现效用最大化的过程中他们的目标除了实现利润最大化外，还会尽可能提高男性劳动力的雇佣比例。换言之，这一部分雇主愿意承担因雇佣更多男性劳动力而引起的利润损失。据此，本文按照既往学者的做法(胡安荣，2004[20]；张樨樨等，2018[21])，对Becker歧视理论进行拓展。如图1所示，若存在歧视现象，劳动生产率曲线会由FF移动至F′F′。在相同工资水平W下，雇主对女性劳动力的雇佣规模将由L1降低至L2。换言之，雇主歧视观念会对女性劳动力产生消极影响，是造成性别就业差距的重要原因。但这种歧视观念将会由于工业机器人应用水平提升所带来的经济社会进步而发生改变，从而缓解劳动力市场中的性别就业差距现状。

从产业发展的角度来看，工业机器人应用会推动产业结构升级，进而缩小性别就业差距。首先，第三产业占比的提升是产业结构升级的重要表现，这种现象能够缓解雇主对女性劳动力的歧视程度。工业机器人应用能够显著提高制造业劳动生产率，并通过产业关联效应带动研发、金融、商业租赁等生产性服务的良好发展(王文，2020)[22]。而不同于传统的农业、工业，服务业对劳动者的认知技能水平提出更高要求。相较于男性劳动力，女性具有更强的沟通能力、亲和力和应变能力(Sandra和Alexandra，2010)[11]，在多数生产性服务业中可以较好地发挥相对优势，为雇主带来更多利润(罗楚亮等，2019)[23]。这意味着具有歧视观念的服务业雇主将面临比过去更高的性别歧视成本。因此，在竞争市场中，服务业发展将会缓解雇主对女性劳动力的歧视程度。其次，产业结构升级能带动地区全要素生产率提高，进一步增强雇主对女性劳动力的雇佣意愿。一方面，工业机器人应用会替代产业中具有重复机械特点、高体能要求的岗位(惠树鹏和朱晶莹，2021)[24]，打破过去劳动力市场由于两性在技能方面的天然差异而为女性设置的门槛，削弱男性在劳动力市场中的竞争优势，缩小雇主对男性与女性劳动力的偏好差距(郭劲光和孙浩，2022)[25]。另一方面，工业机器人应用也会提高工作流程的标准化程度(Ma et al.，2022)[26]。标准化作业下，若劳动力由于自身原因在一段时间内中断工作，其他劳动力能够迅速接替其工作岗位。因此，由于女性劳动力生育原因所引起的雇主损失将会减少(曹守新和徐晓雯，2020)[27]。可见，工业机器人应用下产业结构升级会降低女性劳动力的自然附着成本，提高雇主对女性劳动力的雇佣意愿。

从城镇化发展的角度来看，工业机器人等技术进步会通过加快要素流动、生产率效应加速城镇化进程(张鹏飞，2018[28]；隋想，2022[29])，进而缩小性别就业差距。首先，城镇化发展表现为人力资源的跨区域、跨行业流动，助力新思想的产生，引导个体传统性别观念向现代化性别观念转换，改变过去“男性能力天生比女性强”“男主外，女主内”的传统价值认识(左鹏飞等，2020)[30]。因此，对于雇主而言，城镇化发展将帮助他们树立性别平等、公平公正等观念认知，改变过去对女性劳动力的偏见，进而加强对女性劳动力的雇佣意愿。对于女性劳动力而言，城镇化发展将促进自我意识的觉醒。越来越多的女性劳动力想要进入劳动力市场，为实现自我价值而奋斗。同时，机器人在家庭场景中的运用也能很好地解决家庭工作平衡问题，进一步加强女性进入劳动力市场的意愿，改变劳动力市场原有的劳动供给格局(Ma et al.，2022)[26]。其次，城镇化进程将打破产业间、城乡间的要素壁垒，提高市场竞争程度，促进市场化发展(孙超和刘爱玉，2020)[31]。若歧视性雇主仍保持原有的观点，为了不和特定群体打交道而愿意支付额外的成本。那么，长期来看，这部分雇主的市场份额会逐渐下降，直至失去市场竞争力。最后，城镇化进程中会建立起更完善的社会保障体系，其中包括加大生育补贴力度等(惠宁和白思，2021)[32]，这一改变也将减少女性劳动力的自然附着成本，加强雇主对女性劳动力的雇佣意愿。

从上述两方面可知，工业机器人应用将会降低女性劳动力的自然附着成本、雇主对女性劳动力的歧视程度，提高女性进入劳动力市场的意愿。因此，工业机器人应用下，劳动生产率曲线由F′F′移动至F″F″。而此时在相同的工资水平W下，雇主对女性劳动力的雇佣规模将由L2提高至L3。故本文作出如下判断：一是工业机器人应用有助于缩小劳动力市场中的性别就业差距。二是工业机器人应用将通过推动产业结构升级，进而缩小性别就业差距。三是工业机器人应用将通过推动城镇化发展，进而缩小性别就业差距。

图1 工业机器人应用下女性劳动力雇佣规模

三 计量模型设定与指标选取

(一)计量模型设定

根据上述理论分析，本部分从经验层面上进一步探究工业机器人应用是否有助于缩小性别就业差距。基于针对就业差距的相关文献(朱轶，2020[14]；惠树鹏和朱晶莹，2021[24])，本文具体计量模型设定如式(1)所示。

Lngenit=α+β1Intit+β2Consit+fi+μt+εit

(1)

其中，被解释变量Lngenit表示i地区t年的性别就业差距；核心解释变量Intit表示i地区t年的工业机器人应用水平；Consit为一系列控制变量，包括宏观经济变量及女性劳动力特征变量；fi为省份固定效应，μt为时间固定效应，εit为随机干扰项。

(二)指标选取及数据来源

1.性别就业差距(Lngen)：目前对性别就业差距的衡量方式主要有两种：一是用男性与女性的就业比例差值衡量性别就业差距(罗楚亮等，2019[23]；郭晨和张卫东，2018[33])；二是用男性与女性劳动力就业率差距表示(朱轶，2020[14]；樊娜娜和李荣林，2017[34])。考虑到工业机器人应用对劳动力的影响除体现在性别就业比例方面外，还体现在对就业率的冲击，因此，本文采用第二种方法，通过式(2)测算劳动力市场的性别就业差距。

(2)

其中，男性就业率(Male)=(各地区城镇单位就业人员年末数-各地区城镇单位女性就业人员年末数)/(各地区男性人口总数×城镇化率×各地区15—64岁人口占比)；女性就业率(Female)=各地区城镇单位女性就业人员年末数/(各地区女性人口总数×城镇化率×各地区15—64岁人口占比)。由式(2)可知，Lngen数值越大表明性别就业差距缩小，性别就业歧视现象有所缓解。

2.工业机器人应用(Int)：根据国际机器人联盟(IFR)的定义，工业机器人以“自动控制、可重复编程、多用途操纵器”为特点，常应用于工业自动化。中国作为全球第一制造业大国，工业机器人与制造业的融合是推动人工智能发展的重要一环，且2019年中国制造业部门的工业机器人安装量占工业机器人总数的比重已经达到75.79%。因此，本文以IFR公布的中国工业机器人安装量为基础，结合各行业从业人数，计算i地区t年制造业部门工业机器人密度，用以衡量工业机器人应用(王文，2020)[22]，具体计算如下：

(3)

式(3)中，Eijt表示i地区t年j行业从业人数占全国j行业从业人数的比重，Robjt表示t年全国j行业的工业机器人安装量，Empit表示i地区t年的制造业城镇单位就业总人数。由于IFR产业分类标准以国际标准行业分类第四版(ISIC Rev4.0)为主要依据，与中国统计体系中的行业分类标准不一致。为确保分类标准一致性，本文以IFR分类标准为主，将中国相关行业的从业人员归并为10类(1)2006—2011年《中国劳动统计年鉴》城镇单位就业人员未区分汽车制造业及铁路、船舶、航空航天和其他运输设备制造业。同时，其他运输设备制造业工业机器人安装量较少，占比未超过中国工业机器人安装总量的1%，因此对汽车制造业及其他运输设备制造业工业机器人安装总量进行合并。。

3.控制变量：参照现有关于技术进步与性别就业差距的研究(朱轶，2020[14]；惠宁和白思，2021[32])，将控制变量分为宏观控制变量及女性劳动力特征控制变量。宏观控制变量包括：劳动力整体素质(Edu)，用居民平均受教育年限衡量；经济发展水平(Gdp)，用人均生产总值衡量。女性劳动力特征变量包括：女性人力资本(Edu_f)，用女性劳动力平均受教育年限(2)本文对不同受教育程度的劳动力进行赋值，其中，未上学为0，小学为6，初中为9，高中为12，大专及以上为16。衡量；女性劳动力婚姻状况(Mrg)，用已婚女性占15岁以上人口比重衡量。

4.机制变量：上文理论分析认为，工业机器人应用将通过推动城镇化发展及产业结构升级的途径缩小性别就业差距。为对这两个机制进行经验分析，以城市人口占总人口比重取对数衡量城镇化发展水平，以第三产业产值与第一、二产业产值总和的比值衡量产业结构。同时，由于传导机制对被解释变量的重要影响，为确保回归结果的可靠性，在基础回归中加入城镇化发展水平、产业结构作为宏观控制变量。

考虑到工业机器人在中国市场的应用情况及2019年后劳动力市场受新冠疫情的影响，本文选择中国30个省市区(除西藏、港澳台外)2008—2019年的面板数据进行经验研究。其中，衡量工业机器人应用水平的数据及核心解释变量数据来源于IFR公布的各国各行业工业机器人安装量以及《中国劳动统计年鉴》《中国人口和就业统计年鉴》，控制变量数据主要来源于《中国统计年鉴》、各省份统计年鉴及Wind数据库。表1为本文涉及的变量及其统计特征。

表1 主要变量的描述性统计

四 实证结果分析

(一)基本结果分析

本部分根据上述计量模型实证检验工业机器人应用对性别就业差距的影响。通过逐步加入宏观经济变量及女性劳动力特征变量，考察核心解释变量(Int)对被解释变量(Lngen)的影响方向及显著性，这也能在一定程度上对回归结果进行稳健性检验。基于式(1)，以男性劳动力、女性劳动力就业率作为被解释变量，结果如表2模型3、模型4所示，工业机器人应用对男性劳动力就业率和女性劳动力就业率的影响均为正，且对女性劳动力就业率的影响在1%的水平上显著。由该结果可知，在以工业机器人为代表的人工智能技术推广背景下，女性将在劳动力市场中取得相对优势。进一步地，使用性别就业差距作为被解释变量进行估计，根据表2回归结果，不论是否加入控制变量，还是采用不同的标准误进行回归，工业机器人应用水平的提升都能显著地缩小男女性别就业差距，缓解劳动力市场中的性别就业歧视现象。从表2模型1、模型2的回归结果可以看出，加入宏观经济变量后，核心解释变量的回归系数由0.008提升至0.012。而在模型5中加入女性劳动力特征变量后，回归系数未发生较大变化，表明在综合考虑宏观环境及女性劳动力自身特点后，工业机器人应用能够更有效地缩小性别就业差距。同时，考虑到宏观面板数据中可能存在的异方差、自相关等问题(Driscoll和Krray，1998)[35]，本文采用Driscoll-Krray标准误进行调整(3)出于稳健性考虑，本文同时采用了面板校正标准误(PCSE)进行回归，核心解释变量、控制变量的系数符号和显著性均未发生本质性变化。，由模型6回归结果可知，工业机器人应用能够在1%的显著性水平上缩小性别就业差距，这在一定程度上证明了本文回归结果的稳健性。

控制变量中，劳动力整体素质对性别就业差距的影响不显著为负。经济快速发展为劳动力提供了较多的就业机会，但这一过程中男性在劳动力市场相对占优，因此，经济发展对劳动力市场就业差距产生显著的负向冲击，扩大了劳动力市场中的性别就业差距。而城镇化发展对性别就业差距的影响不显著为正。从产业结构升级的角度来看，第三产业占比的提升在5%的水平上显著地缩小了性别就业差距，有利于改善劳动力市场中的性别歧视现象。从女性自身特征来看，一方面女性受教育程度的提高能够增强其在就业市场的竞争力，有助于缓解性别就业歧视现象；另一方面女性已婚率的提高会在10%的水平上显著扩大性别就业差距。

表2 基准回归结果

(续上表)

(二)内生性检验

由于工业机器人应用水平会受到各地区发展过程中一些不可观测因素的影响，因此，模型中可能产生遗漏解释变量的问题，进而导致基准回归模型中的估计系数是有偏的。同时，采用工业机器人安装密度衡量各地区工业机器人的实际应用情况也有可能存在测量误差问题，当这种误差与影响性别就业差距的因素存在相关性时，也会使模型的估计结果是有偏的。为缓解模型内生性问题，本文借鉴Acemoglu和Restrepo(2017)[36]的方法，选取与中国同时期工业机器人安装量相仿的国家——美国工业机器人安装量替代中国工业机器人安装量，并根据中国各行业就业人数情况再一次测算安装密度，将其结果作为工具变量。这一变量满足了与中国工业机器人安装密度的相关性。同时，美国工业机器人安装量与中国性别就业差距无相关关系，满足工具变量的排他性。由表3第一阶段的回归结果可知，工具变量的影响系数为3.88，在1%的水平上显著。不仅如此，根据Anderson LM检验拒绝原假设，说明模型中不存在识别不足问题，工具变量与内生解释变量相关。Cragg-Donald Wald F统计量值为234.098，远大于Stock-Yogo弱工具变量检验的临界值16.38，模型中不存在弱工具变量问题。根据第二阶段的回归结果，工业机器人应用水平的影响系数为0.018，在1%的水平上显著。表明在充分考虑模型内生性问题后，工业机器人应用水平的提高仍然能够显著改善劳动力雇佣市场中存在的性别就业差距现状。

(三)稳健性检验

为检验结论的稳健性，本文通过更换相关变量、替换估计方法进行再次回归，验证工业机器人应用缩小性别就业差距的作用。基于变量的稳健性考虑，工业机器人除在我国制造业部门得到广泛应用外，其他行业近年来也逐渐应用工业机器人以提高生产率，降低成本。因此，本文计算全行业工业机器人安装密度替换原有核心解释变量进行稳健性检验。由表3模型9回归结果可知，工业机器人应用在1%的水平上显著缩小性别就业差距，核心解释变量的影响方向及显著性并未发生改变。基于估计方法的稳健性考虑，本文采取随机效应模型进行再次回归。根据表3模型10回归结果，工业机器人应用在5%的显著性水平上对性别就业差距产生正向影响，与前文结论保持一致。综合说明，本文研究结论是稳健的。

同时，随着经济发展和社会进步，劳动力市场中的性别就业歧视现象也会有所改善，模型中可能会混淆工业机器人应用缩小性别就业差距的作用与性别就业歧视自身就存在逐渐向好的趋势。因此，本文进一步通过安慰剂检验确定工业机器人安装密度与性别就业差距的关系。具体地，采用2006—2012年的性别就业差距对2013—2019年各省份工业机器人安装密度进行回归。由表3模型11可知，工业机器人安装密度的回归系数仅为-0.005且不显著，说明性别就业差距过去的改善与现阶段工业机器人安装密度无关，二者不存在相同的相关趋势，前文基准回归结果是稳健的。

表3 内生性处理及稳健性检验结果

(四)异质性分析

1.基于不同区域位置的分析。考虑到中国各地区资源禀赋条件、劳动力市场分割程度等经济社会发展具有差异性，不同区域工业机器人应用对性别就业差距的影响可能也有所不同。鉴于此，本文将省份划分为东部(east)、中部(mid)、西部(west)(4)东部省份包括北京、上海、天津、广东、福建、江苏、海南、辽宁、浙江、山东、河北；中部省份包括吉林、湖北、黑龙江、湖南、山西、河南、江西、安徽；西部省份包括内蒙古、广西、山西、新疆、甘肃、宁夏、青海、四川、重庆、云南、贵州。三个区域，引入地区虚拟变量与工业机器人安装密度的交互项进行回归。这可以实现其他所有解释变量对性别就业差距的影响在各地区保持一致，以便更好地对工业机器人应用的影响大小进行比较。由表4模型12可知，工业机器人应用对中部地区和西部地区劳动力市场性别就业差距的影响均在1%的水平上显著，但在东部地区这种影响并不显著。且西部地区工业机器人应用的影响系数为0.016，大于东部地区及中部地区工业机器人应用的影响程度。

2.基于不同城镇化发展水平的分析。不同城镇化发展水平下，各区域的产业集聚、人口集聚及资源流动等有所差异，这些因素可能会影响工业机器人应用缩小性别就业差距的作用。鉴于此，本文以城镇化发展水平的高低为依据设置虚拟变量，引入其与工业机器人安装密度的交互项进行回归。从表4模型13可知，不论城镇化发展水平高低，工业机器人应用均在1%的水平上显著缩小性别就业差距。但从回归系数来看，在城镇化发展水平更低的区域(sctl)，工业机器人应用对性别就业差距的影响系数提升至0.018，即工业机器人应用对低城镇化率地区的性别就业差距将起到更强的改善作用。

3.基于不同产业结构类型的分析。各地区产业发展阶段存在一定的差异性，在其调整产业结构的过程中，制造业投入服务化水平、第三产业的发展情况等有所差异。因此，工业机器人应用对产业结构类型不同区域劳动力市场性别就业差距的影响可能存在异质性。鉴于此，本文以第三产业占比情况为依据设置虚拟变量，引入其与工业机器人安装密度的交互项进行回归。由表4模型14可以看到，在第三产业占比不高的区域(indl)，工业机器人应用对性别就业差距的影响系数仅为0.004且并不显著。而对于第三产业占比更高的区域(indh)，工业机器人应用对性别就业差距的影响系数提升至0.015，同时显著性也明显提升。原因可能是：销售、金融等服务行业有利于发挥女性的认知技能优势，因此，工业机器人应用水平提升能够更好地解决第三产业占比更高区域劳动力市场中的性别就业差距问题。

4.基于女性人力资本差异的分析。女性人力资本水平与劳动力整体人力资本水平差异过大时，会对女性劳动力市场竞争力产生影响。因此，在女性人力资本水平差异程度不同的区域，工业机器人应用对性别就业差距的影响也会有所不同。从表4模型15可以看出，在不同人力资本水平差异程度下，工业机器人安装密度对性别就业差距的影响存在较大区别。具体而言，在女性人力资本水平与劳动力整体人力资本水平差异较大时(gaph)，工业机器人应用对性别就业差距的影响并不显著。但在女性人力资本水平与劳动力整体人力资本水平差异较小时(gapl)，回归系数提升至0.013，且在1%的水平上显著。可见，当女性人力资本水平与整体人力资本水平相差过大时，工业机器人应用水平的提升也无法很好地帮助女性劳动力发挥认知技能相对优势，因此，对推动性别就业平等的作用效果并不明显。

表4 异质性分析回归结果

(续上表)

五 进一步分析：影响机制检验

前文理论机制分析认为，工业机器人应用会通过推动城镇化发展及产业结构升级缩小性别就业差距。为识别影响机制，本文借鉴Hayes(2009)[37]提出的中介效应检验方法，选取城镇化发展水平、产业结构升级两个变量作为中介变量Mit，其他变量作为中介变量模型的控制变量，构建以下递归方程检验工业机器人应用影响性别就业差距的作用机制：

Lngenit=α+γ1Intit+γCtrit+fi+μt+εit

(4)

Mit=α+λ1Intit+λCtrit+fi+μt+εit

(5)

Lngenit=α+β1Intit+β2Mit+βCtrit+fi+μt+εit

(6)

中介效应检验包含以下三个步骤：第一步对式(4)中γ1的显著性进行检验，若不显著则终止中介效应检验；第二步对式(5)中λ1及式(6)中β2进行检验，其中式(6)的结果已汇报于模型5；第三步若系数λ1与β2均显著，则中介效应存在。若系数λ1与β2至少有一个不显著，则需进行Sobel检验，若通过检验，则说明中介效应存在。需要说明的是，与标准正态分布有所不同，Sobel检验统计量在5%显著性水平上的临界值为0.97左右(Mackinnon et al.，2002)[38]。表5为工业机器人应用缩小性别就业差距的中介效应回归结果。从模型16可知，工业机器人应用对性别就业差距的影响(γ1)显著为正。模型17中，工业机器人应用对产业结构升级的影响(λ1)显著为正。表2模型5中，产业结构升级对性别就业差距的影响系数(β2)为0.029，且在5%的水平上显著。上述结果验证了产业结构升级这一中介效应的存在，表明工业机器人应用水平提升可以通过推动产业结构升级进而实现缩小性别就业差距的目标。模型18结果显示，工业机器人应用对性别就业差距的影响系数(γ1)为0.012，且在1%的水平上显著，表明随着工业机器人应用水平的提高，劳动力市场中的性别就业差距现象得到有效缓解。同时，模型19中，工业机器人应用对城镇化发展的影响系数(λ1)为0.014，且在1%的水平上显著。而模型5中城镇化发展对性别就业差距的影响系数(β2)为0.106，但并不显著，故需进行Sobel检验。由Sobel检验结果可知，z值为1.024，大于临界值，表明城镇化发展的中介效应成立，工业机器人应用能够通过推动城镇化发展，达到缩小性别就业差距的目标。综上所述，工业机器人应用水平的提升将通过城镇化发展、产业结构升级进而缩小性别就业差距，说明我国城镇化进程的加速以及产业结构不断向高级化演变成为缩小劳动力市场中性别就业差距的又一推动力量。

表5 中介机制检验结果

六 结论与政策启示

(一)研究结论

工业机器人作为人工智能技术的代表，其广泛应用将对劳动力市场不同群体就业产生差异化影响。本文基于个人歧视偏好理论，从产业发展及城镇化发展的角度出发，认为工业机器人应用水平的提升有利于发挥女性劳动力技能禀赋优势，一定程度上解决职业女性生育及家庭平衡等问题，降低女性劳动力的自然附着成本，有效缓解雇主对女性劳动力的歧视，缩小性别就业差距。同时，以2008—2019年中国30个省级区域的面板数据为样本进行实证分析，结果表明：(1)工业机器人应用水平的提升有利于缩小中国劳动力市场的性别就业差距。这一结论在考虑了内生性问题和进行安慰剂检验、替换核心解释变量、更换模型估计方法后依然成立。(2)异质性分析结果显示，工业机器人应用缩小性别就业差距的作用在西部地区最强。在产业结构水平越高、教育差异程度越小的地区，工业机器人应用能够更显著地缩小性别就业差距，而在城镇化发展程度越高的区域，工业机器人应用缩小性别就业差距的影响则较弱。(3)进一步探究工业机器人应用对性别就业差距的影响机制发现，工业机器人应用能够通过推动产业结构升级、城镇化发展缩小劳动力市场中的性别就业差距。

(二)政策启示

上述基于我国工业机器人安装量及劳动力市场相关数据的结论，对于探究在制造业智能化浪潮中缩小性别就业差距的有效途径、实现共同富裕的政策启示为：

第一，坚定制造业智能化的发展方向，进一步提高机器人等智能技术在各产业的应用水平。就现实情况看，虽然人工智能替代效应短时间内会对低技能劳动力产生一定冲击，但工业机器人等智能化技术应用缩小性别就业差距的积极作用不容忽视。因此，在政策层面应坚持智能化发展方向，在劳动力技能培训、高等教育改革等方面发力，提高劳动力技能素质，培养智能化技术研发及应用相关人才。在发挥智能化技术正外部性的同时，守住就业率底线，缓冲智能化技术发展带来的“技术性失业”问题。

第二，加强女性劳动力人力资本投入，缩小两性之间的人力资本差异。随着制造业智能化进程的加快和覆盖面的扩大，各地应根据男性及女性劳动力的人力资本特征情况进行教育资源的统筹协调。一方面政府应保证男女性受教育机会的公平性，引导女性劳动力提高自身受教育水平。另一方面，应加强女性劳动力在人机协作等方面的技能培训，确保女性在满足智能化相关岗位要求的前提下切实发挥在语言交流、人际关系等方面的认知技能优势。

第三，各地区需根据经济发展形势实施差异化发展战略，最大限度发挥工业机器人应用缩小性别就业差距的积极影响。例如第一、第二产业占比更高的区域在推动工业机器人等智能技术应用时，一方面应优化劳动力市场环境，确保女性劳动力就业公平，避免性别就业差距的进一步扩大，另一方面应重视发挥智能化技术的产业关联效应，在推动制造业服务化、高端服务业发展的过程中，实现缩小性别就业差距的目标。