工业机器人与企业进入*

陈绍俭 殷永昆 毛 慧

一、引言

在发达经济体和发展中经济体，以新企业形成为特征的市场进入是一个普遍存在的典型特征事实(Bartelsman 等，2013)。相比在位企业，新企业规模通常较小，但新企业在创新和生产率增长中却扮演着极为重要的角色。一方面，正如Schumpeter (1934) 所言，新企业形成会带来新产品、新技术以及新的产业组合，通过“创造性破坏”淘汰旧产品、旧技术，将原有的、低效率的市场均衡塑造成新的、高效率的市场均衡。另一方面，新企业进入市场后，会加剧市场竞争，促使新企业和在位企业都不断提高自身生产率水平(Aghion 等，2009；李坤望和蒋为，2015)，而且新企业的市场进入能够促进生产要素在企业间重新优化配置，从而可以促进总量层面生产率的增长(Foster 等，2008)。在此意义上，新企业进入的活跃程度决定了经济体增长的活力与潜力。

新企业在制造业行业内产品生命周期的不同阶段以及在经济周期的不同阶段，使得其进入数量和相对份额都具有较大差异和非随机性特征(陈建伟等，2021)，这引起了学者们的广泛关注。对于企业进入的影响因素，一些文献聚焦于企业家个人特征(Djankov等，2006；李涛等，2017)，大部分文献则重点考察市场环境等外部因素，如政府管制(Dreher 和Gassebner，2013；Branstetter 等，2014) 和商业周期 (Lee 和Mukoyama，2015；朱奕蒙和徐现祥，2017；Tian，2018)。然而，既有研究忽视了对人工智能与机器人技术的考察。实际上，机器人的大规模应用正在重塑企业的生产经营方式，并改变企业决策面临的约束条件。国际机器人联合会(International Federation of Robotics，IFR) 公布的《世界机器人2021 工业机器人报告》显示，全球工厂中运行的工业机器人高达300万台。工业机器人技术的迅猛发展不仅加速了机器人对劳动力的替代(Frey 和Osborne，2017；Acemoglu 和Restrepo，2020)，而且提高了企业生产效率 (Graetz 和Michaels，2018)。同时，机器人应用能够创造出大量新的工作机会，从而增加对劳动力的衍生需求(Acemoglu 和Restrepo，2018；李磊等，2021)。鉴于机器人对企业生产的重要性，有必要从理论上探讨并从实证上检验工业机器人对企业进入的影响。

工业机器人技术作为产业变革和企业创新的重要方式，已成为一个国家构筑核心竞争力的新方向(王书斌，2020)。2016 年以来，中国成为全球工业机器人使用量最大的国家(Cheng 等，2019)。已有研究表明，工业机器人的迅猛发展不仅加速了劳动力市场上机器人对人的替代(Acemoglu 和Restrepo，2020；闫雪凌等，2020 王永钦和董雯，2020)，而且在一定程度上提高了企业生产效率(Graetz 和Michaels，2018) 和地区经济增长(陈彦斌等，2019；林晨等，2020；杨光和侯钰，2020)。虽然现有文献大多支持了机器人替代中低技能劳动力的结论，但也有文献证实了机器人应用能够创造出大量新的工作机会，从而增加对劳动力的衍生需求 (Acemoglu 和Restrepo，2018；李磊等，2021)，机器人的替代效应在后期所带来的影响可能会比复原效应更大(Acemoglu 和Restrepo，2019)。机器人兴起不仅会带来技术进步和生产智能化水平的提升，还会催生新经济和新产业。然而，现有文献主要集中于人工智能与机器人技术在劳动力市场和宏观经济领域的研究，较少直接探讨人工智能与机器人技术在企业进入、成长与退出过程中的应用。

事实上，机器人应用与企业进入之间具有很明显的正相关关系。一是工业机器人使用与劳动力之间呈现出的是一种互补式替代效应，劳动力成本上升会倒逼制造业企业推动科技创新，促使其更多地应用机器人技术来弥补劳动力成本上升所带来的负面影响。这是因为，劳动力供给短缺程度越高，增加劳动力所带来的边际成本也就越高；在劳动力供给短缺的地区或行业，工业机器人使用所创造的边际价值越大。随着我国人口红利的逐渐消失以及制造业企业用工成本的增加，工业机器人使用会促使先进设备对中、低教育程度劳动力的替代，从而降低制造业企业生产成本。当营业利润水平为正时，企业便会理性地选择进入目标市场。二是以人工智能与工业机器人技术为主要特征的新一轮科技革命提高了企业生产率，增加了企业利润，从而吸引了企业进入，工业机器人使用促使大量新企业优先选择经济发展水平高、制度环境好、开放度高的地区。

为此，本文试图研究工业机器人应用是否会对企业进入产生正向影响。如果会，这种正向影响的具体作用机制是什么? 是否会因企业所有制形式、企业要素密集度、进入地市场化程度不同而有所差异? 本文运用中国制造业企业数据进行实证研究。结果表明，工业机器人使用对企业进入有着显著的提升作用。在作用机制方面，一是工业机器人应用对劳动力需求会产生一定的替代效应，工业机器人安装密度高的地区，其真实劳动力成本相对较低，从而促进新企业进入规模的提升；二是工业机器人应用能够提高企业生产率，增加企业利润，从而吸引企业进入。异质性分析表明，工业机器人应用对非国有企业、劳动密集型和资本密集型行业企业进入的作用更大；工业机器人应用对企业进入的影响随着进入地市场化程度的提高而增强。

本文主要有三个重要贡献: 第一，聚焦于研究工业机器人应用对企业进入的影响。现有研究已经证实了工业机器人应用会影响劳动力市场(Acemoglu 和Restrepo，2020；闫雪凌等，2020；王永钦和董雯，2020；李磊等，2021)、经济增长(Graetz 和Michaels，2018；杨光和侯钰，2020；林晨等，2020) 等，本文有助于对人工智能与工业机器人应用的经济影响进行更多的考察。第二，深入剖析了工业机器人应用对企业进入影响的作用机制。现有研究大多从宏观视角出发，关注工业机器人应用的经济效应，缺乏对企业进入影响机制的深入探讨。本文发现劳动力成本和生产率水平是工业机器人应用影响企业进入的重要传递渠道，有助于识别工业机器人应用对中国制造业企业进入的影响机制。第三，修正了内生性问题对模型估计的影响，从而保证研究结论的可靠性和稳健性。基于“Bartik 工具变量”思想，本文利用美国行业层面的工业机器人数据构造中国地区层面机器人渗透度的工具变量，采用两阶段最小二乘法，在解决模型内生性问题的基础上检验机器人应用对企业进入的促进作用。

二、理论分析框架

(一) 机器人应用和企业进入: 一个理论模型

1.产品生产企业

假定每个地区存在数量N的产品生产企业。所有企业拥有相同的生产技术，并使用边际报酬递减的技术将中间品加工成最终产品:

其中，y是中间品投入，Y是最终产品量，A代表这一生产过程的生产率。生产技术是边际报酬递减的，即0＜α＜1。最终产品的价格被标准化为1。

企业同时自己生产中间品。参照Acemoglu 和Restrepo (2020) 做法，中间品的生产函数为:

其中，x(i)是任务i的产量。

每种任务既可以使用机器人生产，也可以使用劳动力进行生产。机器人生产每种任务的效率相同，记每一单位机器人的任务产量为ρ。劳动力生产每种任务的效率不同，将其生产任务i的效率记作φ(i)。不失一般性，本文假定φ(i)随着i递增。任务i的产量为:

其中，m(i)是生产任务i的机器人投入量，而l(i)是生产任务i的劳动力投入量。

在每一期，每个企业需要付出一定的以最终产品为形式的固定运营成本f。那么，产品生产企业利润为

其中，R为机器人的价格，w为工资率。由于企业的生产技术是相同且边际报酬递减的，可以预期每个企业的生产决策是相同的。

最后，假定在每一期企业会以δ的外生概率受到一个负面冲击而被迫退出市场。同时，假定有无限多的潜在市场进入者，市场可以自由进入，进入成本为0。这意味着，只要还有利润可赚，新的企业就会进入市场。①由后文的推导可知，假定一个正的进入成本并不会改变本模型结论。在这种情形下，如果利润的折现值超过进入成本，就会有企业进入。

2.机器人生产企业

每个地区存在一个机器人生产企业。参照Acemoglu 和Restrepo (2020)，该企业使用最终产品生产机器人。生产技术为:

其中，M为机器人产量，Z为最终产品投入，B为生产机器人的效率。0＜γ＜1，意味着生产技术是边际报酬递减的，而企业可以获取正的利润πM＝RM－Z。例如，如Acemoglu 和Restrepo (2020) 所述，因为机器人成本主要用于本地专业的机器人生产商提供的安装、编程和维护服务，所以机器人供给的边际成本是增加的。最后，为简化分析，假定该企业为一个测度为0 的家庭所拥有，并假定该家庭消费完所有的利润，但不供给劳动力。

3.代表性家庭

每个地区存在一个代表性家庭。在每一期，该家庭拥有1 单位的时间禀赋，并从消费和休闲中获得效用。其效用函数如下:

其中，C是消费，L是劳动供给，而1－L是休闲时间。因此，该代表性家庭的劳动收入为wL。

假定该家庭是产品生产企业的拥有者，并获得企业的总利润Π＝Nπ。②该代表性家庭不同于上述拥有机器人生产企业的家庭。本文引入拥有机器人生产企业的家庭仅为简化数学推导。因此，家庭的预算约束为:

4.均衡

假定每个地区是一个自给自足的经济体，则每个经济体的市场均衡是一组要素价格{R，w}，产品生产企业的配置{m(i)，l(i)}，产品生产企业的数量N，机器人生产企业的配置Z和家庭的配置{C，L}。这些变量满足以下条件: 第一，给定要素价格{R，w}，{m(i)，l(i)} 最大化产品生产企业的利润。第二，给定要素价格R，Z最大化机器人生产企业的利润。第三，给定要素价格w，{C，L} 最大化家庭的效用。

第四，劳动力市场出清，即:

第五，机器人市场出清，即:

第六，产品市场出清，即:

第七，市场中企业数量恒定。

(二) 机器人效率、机器人使用量和企业进入

本文进一步考察机器人技术进步，即机器人在生产任务时效率ρ的提高，对机器人使用和企业进入在全局均衡条件下的影响。由于市场是自由进入的，所以产品生产企业的利润为0。求解代表性家庭的优化问题，可得:

式(1) 表明，劳动供给不受工资率影响。

给定机器人价格R，求解机器人生产企业的优化问题，可得:

式(2) 表明，机器人生产率是机器人价格的函数。机器人价格越高，则企业生产的机器人越多。

接下来，给定机器人和劳动力价格，求解产品生产企业的优化问题。因为不同任务上，机器人生产效率相同，而劳动力生产效率不同，所以劳动力生产效率较低的任务可能会被机器人取代。更具体地，机器人生产1 单位任务i的成本为R/ρ，而劳动力生产1单位任务i的成本为w/φ(i)。因此，存在一个临界点I，属于[0，I) 的任务由机器人生产更便宜，属于(I，1] 的任务由劳动力生产更便宜，而任务I由二者生产的成本相同。在以下分析中，本文聚焦于内点解，即I∈(0，1)。

这一临界点满足以下条件:

可见，I是劳动力和机器人相对价格的函数。当机器人的生产效率ρ提高时，企业会使用更多的机器人代替劳动力。因此，中间品的单位成本为:

可见，中间品成本是{I，R，w} 的函数。由于I是{R，w} 的函数，所以中间品的成本是{R，w} 的函数。给定中间品的单位成本，中间品的最优投入量为:

企业利润为:

在均衡条件下，企业利润为0。由此可得中间品的单位成本为:

可以看出，中间品的单位成本是一系列参数的函数，不受机器人质量ρ的影响。直觉上看，在短期，ρ会改变企业成本。如果中间品的成本更低，则企业赚取正利润，这会吸引更多企业进入，导致要素需求增加，要素价格上涨，并最终导致成本增加；如果中间品的成本更高，则会有企业退出，并通过类似的机制降低中间品成本。

将式(17) 代入式(15)，可得企业中间品产量为:

可见，中间品产量不受机器人质量ρ影响。

根据中间品产量y以及机器人和劳动力分工的临界点I，可以进一步得到每个企业劳动力和机器人的需求量为:

将劳动力的供给量(式(11))和劳动力的需求量(式(19))代入劳动力市场出清的条件(式(8))，得到:

将机器人的供给量(式(12))和机器人的需求量(式(20))代入机器人市场出清的条件(式(9))，得到:

将式(21) 和式(22) 相除，整理后得到:

这是一个关于{R，I} 的方程。

将式(13) 和式(14) 相除，得到:

这同样是一个关于{R，I} 的方程。

将式(23) 和式(24) 相除，并求全微分，可得:

由式(25) 可以看出，机器人的生产效率提升，会使得更多类型的任务由机器人生产，更少类型的任务由劳动力生产。直觉上，机器人效率提升，使得在原来劳动力具有比较优势的部分生产任务上，机器人具有比较优势，劳动力被机器人取代。

进一步地，将式(23) 对R和I全微分，得到:

这意味着，更多类型的任务由机器人生产会造成机器人的价格增加。

将式(12) 对M和R全微分，得到:

由式(25)、式(26) 和式(27) 可以看出，机器人对任务的生产效率提升，会使得机器人取代更多的劳动力，机器人的价格上升，而机器人生产企业供应更多的机器人。直觉上讲，机器人生产效率增加，会使得最终产品企业需求更多的机器人，这会抬高机器人的价格，并吸引机器人生产商生产更多的机器人。

机器人生产效率和其使用量的正相关关系为后文的实证提供了重要的理论支撑。在数据中，我们并不能直接观测到机器人生产任务的效率，但我们能够观察到一个地区机器人的使用量，或者机器人渗透度。检验机器人使用量的影响相当于检验机器人效率的影响。

那么，机器人效率和企业数量有何关系呢? 将式(21) 对N和I全微分，可得:

可见，企业数量会随I降低而增加。原因是，单个企业使用的劳动力减少，而劳动力供给不变，因此企业数量会增加。结合式(25) 的含义，即I会随机器人效率增加而降低，可以得到命题1。

命题1: 机器人的生产效率提升，会使得市场上有更多的产品生产企业。

由于企业以外生的概率退出市场，并由新进企业进行补充替代，市场上更多的企业也意味着更多的新进企业。这是本模型的主要结果之一。直觉上讲，机器人生产效率提升，会提升企业的生产效率进而增加企业的利润，从而吸引更多的企业进入。从市场均衡的角度看，一方面，每个企业的中间品产量不变而生产中间品的劳动力降低；另一方面，市场上的劳动力供给不变。为使劳动力市场出清，需要更多的最终产品生产企业来雇用劳动力。

(三) 传导机制的分析①因篇幅所限，本文省略了传导机制分析对应的数学推导，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。

1.生产率效应

机器人是通过何种途径影响企业数量呢? 本文首先探究企业生产率的变化。为此，我们考察给定机器人和劳动力投入，中间品产量如何随机器人效率变化而变化。

将企业的机器人投入量记作m，劳动力投入量记作l。两个要素投入量均外生给定。由于中间品生产函数是列昂惕夫(Leontif) 形式，企业会选择机器人和劳动力的分工临界点，使每种任务的产量相同。由此，可以得到I～随ρ的变动关系:

可见，当机器人效率提升，增加，即更多类型的任务会由机器人生产，而更少类型的任务会由劳动力生产。

中间品的产量变化则为:

式(30) 显示，由于增加，中间品产量y会增加，这也意味着最终产品产量的增加。由于这一过程假定生产要素投入不变，产品数量的增加意味着生产率的增加。因此可以得到引理1。

引理1: 给定机器人和劳动力投入，当机器人对任务的生产效率有所提升时，最终产品生产企业的生产率会提升，即产品的产量会增加。

这一结果的逻辑直觉如下: 给定机器人和劳动力的投入量，设想机器人生产任务的效率提升。假设机器人和劳动力的分工临界点不变，那么机器人生产的任务量增加，而劳动力生产的任务量不变。由于中间品的生产函数是列昂惕夫形式的，中间品产量由劳动力的任务产量决定而没有增加。这时候企业会将分工临界点适当上移，以减少机器人的任务产量，并增加劳动力的任务产量，直至二者的任务产量相等。最终的结果是，中产品产量增加。

进一步地，企业生产率的提升会增加企业利润，并因此吸引更多企业进入。为了更直接地考察这一关系，我们接下来分析机器人生产效率提升时企业利润的变化。为了单独考察企业生产率这一机制，并分离掉要素价格的影响，本文分析假定生产要素价格不变。

由于要素投入的总成本不变，中间品的单位成本和其产量成反比，即:

将式(16) 对π、p全微分，得到:

式(32) 表明，中间品的单位成本越高，则企业利润越低。由于最终产品的生产技术边际报酬递减，这是一个很直观的结果。

进一步，结合式(30)、式(31) 和式(32)，可以得到:

式(33) 表明，当机器人效率提升引起I～增加时，企业的利润也会增加。由上述推导过程可以看出这一影响的逻辑如下: 给定生产要素的投入量和价格，机器人效率提升，会使得企业通过调整机器人和劳动力的分工点来生产更多的中间品。这意味着生产率的提升，意味着中间品单位成本的下降，企业利润则随着中间品单位成本的下降而增加。由于企业利润的增加会吸引新的企业进入，可以得到命题2。

命题2: 当机器人对任务的生产效率提升时，最终产品生产企业的生产率会提升，这将增加企业利润并促进企业进入。

上述分析假定生产要素的价格不变，因此机器人生产效率对企业利润的影响完全通过企业生产率这一机制。此外，机器人生产效率还可能通过改变要素价格来影响企业利润和企业进入。后文将详细考察这一机制。

2.要素价格效应

机器人效率的提升会增强机器人对劳动力的替代能力，这将会影响劳动力市场上的工资率，并进一步影响企业的市场进入决策。为探究这一机制，本文考察给定旧的均衡企业数量，机器人效率提升对工资率的影响。

由劳动力市场均衡条件可推导出以下等式:

由机器人市场均衡条件可推导出以下等式:

将式(34) 和式(35) 联立起来，得到一个dlog(R)和dlog(w)关于dlog(ρ)的方程组，求解可得:

式(36) 和式(37) 刻画了企业数量保持不变时，机器人效率对要素价格的影响。在这两个式子中，Λ4和Λ6为正，而Λ1的符号不确定。如果Λ1为负，那么机器人的价格会随机器人效率提升而增加，而工资率会随机器人效率提升而降低。

考察Λ1发现，当上述的均衡值满足以下条件时，Λ1为负:

可以看出，如果φ′(I)足够小，那么短期内机器人价格会随机器人效率提升而增加，而工资率会随机器人效率提升而降低。由此可以得到引理2。

引理2: 如果φ′(I)足够小，当机器人效率提升时，劳动力很容易被替代，那么给定企业数量，工资率下降。

机器人效率增加会引起自身价格上升比较容易理解。这里主要分析工资率受到的影响。直觉上讲，机器人效率提升会对工资率产生两个影响。第一，给定任务类型，机器人生产的任务量增加，由于中间品的生产函数是列昂惕夫形式的，所以由劳动力生产的任务量也需要成比例增加。这增加了劳动力需求并提升了工资率(即生产率效应)。第二，机器人的效率提高，机器人生产任务的成本降低并在新的任务类型上取代劳动力。这降低了劳动力需求并降低了工资率(即替代效应)。如果φ′(I)足够小，那么当机器人效率提升时，分工临界点之上的劳动力更容易被机器人取代，替代效应大过生产率效应，工资降低。

工资降低则会增加企业利润并吸引新企业进入，这是机器人效率影响企业进入的又一个机制。更具体地，当企业数量固定而要素价格可变时，由式(16) 可以推导出企业利润π与机器人价格R、工资率w以及机器人效率ρ的关系，如式(39) 所示:

可见，当企业数量固定而要素价格可变时，机器人效率对企业利润有两个影响: 要素价格效应和生产率效应。①需要指出的是，这里的生产率效应不完全等同于前文的生产率效应。前文是固定要素价格时的生产率效应，而此处是允许要素价格变动时的生产率效应。两处采用不同的假设是因为关注点不同。其中，要素价格进一步包括机器人的价格和工资率。

将式(36) 和式(37) 代入式(39)，进一步得到:

式(40) 显示给定企业数量时，机器人效率提升对企业利润的整体影响。等式右边由三项组成。其中，第一项是机器人效率通过机器人价格R对利润的影响。由于机器人价格增加，这一影响为负。第二项是机器人效率通过工资率w对利润的影响。由于工资率下降，这一影响为正。第三项是允许要素价格改变时，机器人效率对利润的直接影响，该影响为正。重点关注第二项，可以得到命题3。②此外，由于ΓR＜1，第一项和第三项的整体影响为正。这意味着除工资率外，机器人效率仍对企业利润具有正影响。但是，考虑到机器人效率和机器人的价格数据很难获得，本文没有对此重点关注。

命题3 如果φ′(I)足够小，当机器人效率提升时，劳动力很容易被替代，工资率下降，这会增加企业利润并促使企业进入。

三、计量模型设定与指标选取

(一) 计量模型设定

为验证机器人应用对企业进入的影响，本文首先构建以下基准回归模型:

其中，ENumberijt和Yijt为模型的被解释变量。ENumberijt表示i省份j行业在t年新进入企业的数量。Yijt表示i省份j行业在t年新进入企业的工业总产值、主营业务销售收入和进入率。模型(41) 为负二项回归模型，首先是因为新企业形成个数为正整数或0，而OLS 回归会产生有偏估计。与别的计数模型如Poisson 回归模型相比，负二项回归模型能够应对被解释变量过度分散的情形。模型(42) 为线性回归模型，采用OLS 估计。本文核心解释变量是CHPRobotit，表示i省份在t时期的工业机器人渗透度。Xit表示所要控制的其他变量，主要包括地区经济发展水平、市场化程度、政府规模、产业结构、对外开放度、金融深化程度、固定资产投资额和人力资本水平。此外，λjt表示行业—时间固定效应；λi表示省份固定效应，εijt为随机误差项。

(二) 变量选取

(1) 被解释变量。本文的被解释变量为企业进入。毛其淋和盛斌(2013)、李坤望和蒋为(2015)、毕青苗等(2018) 利用年度企业数据界定企业进入状态，如果在上一年数据中观察不到该企业，而在当年数据中可以观察到，则将该企业定义为当年进入。但这样划分企业进入状态存在两个问题: 第一，仅存在一年的企业既符合新进入企业，也符合退出企业的定义，这会造成重复界定的问题(李坤望和蒋为，2015)；第二，中国工业企业数据库仅包括一定规模以上的企业，即主营业务年收入在500 万元以上的企业(2011 年该标准改为2 000 万元)。因此，这一定义下的新企业可能只是恰好满足工业企业数据库涵盖标准的旧企业。这样对企业状态的界定取决于企业进入或者退出中国工业企业数据库样本，即通过企业是否存在于数据库判断企业的状态，会出现企业多次进入与退出而带来的进入度量的偏差。由于新企业是否形成或形成规模可以直观地表现某一产业在某一时期的进入情况，是衡量企业进入的首选指标。为此，参照陈建伟等(2021)对企业进入率的界定，本文采用新企业是否形成、新企业形成率以及形成规模(工业总产值和主营业务产品销售收入) 来度量企业进入。

(2) 核心解释变量。在前文数学模型中，我们探讨机器人效率对企业进入的影响。但是在数据中，我们并不能直接观察到机器人生产任务的效率。鉴于机器人效率和其使用量存在明显的正相关关系，本文使用机器人的使用量来作为机器人效率的代理变量。更具体地，本文的核心解释变量是工业机器人渗透度(CHPRobot)。Acemoglu 和Restrepo(2020) 基于Bartik 工具变量法思想，结合工业机器人使用的行业水平变化和基期就业份额，构造了度量美国区域层面“机器人渗透度”的指标。与现有研究主要关注地区层面的机器人渗透度不同，王永钦和董雯(2020) 将行业层面的工业机器人渗透度分解到企业层面，用于考察企业层面的工业机器人渗透度。本文参照韩民春等(2020) 的做法，假设某一行业内的工业机器人分布程度在一个国家内的所有区域都是一致的，因此某一地区的工业机器人密度取决于该地区内各行业的就业份额。具体计算方式如下:

其中，J表示各行业的集合，CHPRobotit是i省份在t年的机器人安装数量，Robotjt是j行业在t年的机器人安装数量，Employeesjt是j行业在t年就业人数，Employeesit是i省份在t年就业人数，Employeesjt是i省份的j行业在t年就业人数。

(3) 控制变量。第一，经济发展水平(PCGDP)，采用人均地区生产总值的对数衡量。这一变量能够很好地反映市场规模的大小，而市场规模大小会通过企业利润影响产业区位选择。市场规模越大，人均购买能力往往也越高，新企业进入后的收益可能会越高。第二，市场化程度(MarDeg)，采用樊纲等编制的省份层面1999—2009 年的市场化指数来度量。第三，政府规模(GovExp)，采用各省份财政支出占当年GDP 的比率来衡量。该指标主要反映政府对企业运行的影响程度。一方面，财政支出比重越高，意味着地方政府招商引资能力越大，从而越有利于企业进入市场；另一方面，政府规模过大会减弱市场配置资源的能力，降低企业经营的灵活性，从而不利于新企业进入市场。第四，产业结构(IndStr)。地区服务业的集聚对企业市场进入也很重要，本文用各省份第三产业产值占GDP 比重衡量产业结构。第五，对外开放水平(FDI)。为了控制地区开放程度对企业进入决策的影响，本文采用各个省份实际利用外资额和GDP 的比值来度量地区层面对外开放水平。第六，金融深化程度(FinDev)。私人部门信贷占GDP 的比重是衡量现有中国金融深化程度较为准确的指标，但从公开的统计数据中还无法获取该指标。现有文献大多运用全部信贷占GDP 的比值来衡量地区金融发展程度，本文也采用这一度量方法。第七，固定资产投资额(FA)。本文采用各个省份社会固定资产投资和GDP 的比值进行衡量。第八，人力资本(Human)。劳动者受教育程度越高，劳动力质量越高，本文采用各省每十万人口各级学校平均在校生数进行衡量。

(三) 数据说明①变量的详细说明和描述性统计请见《经济科学》官网“附录与扩展”。

本文所使用的数据主要包括三个部分，一是企业层面数据，来自工业企业数据库，目前被广泛应用于中国经济问题相关研究(Brandt 等，2012；Feenstra 等，2014)。对于一些企业存在着增加值、就业人数或者产值为负的情况，我们认为这样的企业存在着原始数据的偏误，按照Brandt 等(2012) 的建议删除了这些企业样本。此外，2006—2014年间国民经济行业代码调整过两次，2006—2012 年行业代码是GB/T 4754-2002 版，而2013—2014 年是GB/T 4754-2011 版。参照Brandt 等(2012) 处理方式，我们将2013—2014 年行业代码进行转码统一至GB/T 4754-2002 版。

二是工业机器人数据，来自IFR。这一数据库提供了全球范围内按照应用领域、行业分支和机器人类型细分的工业机器人权威数据。目前IFR 所发布的数据已被广泛应用于机器人相关研究(Graetz 和Michaels，2018；Cheng 等，2019；Acemoglu 和Restrepo，2020；吕越等，2020；杨光和侯钰，2020)。具体来说，IFR 数据库包含全球75 个国家1993—2019 年分年度和分行业的工业机器人安装量和存量。本文将行业层面的工业机器人渗透度分解到省份层面，具体步骤如下: 第一，在行业层面的机器人数据上，通过世界工业机器人数据库获取机器人原始数据，然后从中提取中国所有行业的机器人数据。由于世界工业机器人数据库获取的机器人数据行业分类标准为标准国际行业分类(ISIC＿Rev.4)，所以我们进一步将标准国际行业分类(ISIC＿Rev.4) 与国民经济行业分类GB/T 4754-2011 进行对应，整理为相应对照表，最终对应到样本数据GB/T 4754-2002 版行业标准。第二，在整理相应行业对照表后，我们发现IFR 提供的行业机器人数据中有些行业数据是几个行业的加总，为此本文将无法明确分类的行业机器人数据加总之后再均分给每个行业，留下可以一一匹配的数据，成功匹配到中国制造业27 个大类行业。第三，参照韩民春等(2020) 的做法，我们以各地区按行业的就业份额作为权重，对所有行业的机器人密度进行加总，由此得到各个地区工业机器人渗透度。

三是省份经济变量数据，来自《中国统计年鉴》、《中国工业经济统计年鉴》、《中国劳动统计年鉴》以及各省统计年鉴。考虑到数据质量和可得性的限制，样本时间跨度为2006 年到2014 年。

四、实证结果分析

(一) 基准回归

表1 报告了工业机器人与企业进入的基准回归结果。第(1) 列和第(2) 列分别为负二项回归模型(即模型1) 和OLS 回归模型(即模型2) 下工业机器人应用与企业进入数量之间的关系，机器人安装密度(CHPRobot) 的估计系数符号完全一致，且均在1%的水平上显著为正。这支持了本文的研究假说1，即工业机器人应用能够促进新企业进入规模。第(3) 列、第(4) 列和第(5) 列的被解释变量分别为新进入企业总产值、主营业务销售收入以及企业进入率，采用OLS 回归模型进行估计，回归结果显示，CHPRobot的回归系数都显著为正，进一步支持了前文提出的研究假说1。由于表1 报告的是未经标准化的系数及其统计显著性，不能直接用于比较不同模型设定下解释变量对被解释变量影响程度的大小，但回归系数均具有统计显著性和经济显著性。这一结论与现有研究也具有一定可比性，Graetz 和Michaels (2018) 发现工业机器人等人工智能技术促使经济增长速度提升了0.37%。杨光和侯钰(2020) 采用1993—2017 年72 个国家或地区的机器人数据研究发现，机器人的使用确实促进了经济增长。控制变量的回归结果与预期基本一致。

表1 基准回归结果

(二) 内生性与稳健性检验①稳健性检验结果请见《经济科学》官网“附录与扩展”。

我们通过采用工具变量估计进一步处理内生性问题，同时就基准回归进行一系列稳健性检验，以进一步提高本文研究结果的可信度。

(1) 工具变量估计(2SLS)。我们在此重点讨论并修正内生性问题对模型估计的影响。本文内生性问题来源主要有以下两个: 一是被解释变量为企业进入，其数据为地区—行业层面，而核心解释变量工业机器人数据也为地区层面，工业机器人应用会促进企业进入，而新企业进入反过来也可能会影响地区工业智能化水平，因而可能会存在互为因果的内生性问题。二是受限于数据的可得性，虽然我们已经控制了其他影响企业进入的地区经济变量以及地区、行业—时间固定效应，但仍有可能遗漏某些随时间变化的非观测因素带来的内生性问题。为控制内生性问题对本文回归结果造成的影响，我们选择构建合适的工具变量，使用两阶段最小二乘法进行估计。

具体而言，参考Acemoglu 和Restrepo (2020) 及王永钦和董雯(2020)，基于Bartik工具变量法思想，我们利用美国行业层面的工业机器人数据构造中国省份层面机器人渗透度的工具变量:

其中，USRobotjt表示美国j行业在t年的机器人安装数量，USEmployeesj，t＝1990表示美国j行业在t年就业人数。②数据下载地址为https://www.nber.org/research/data/nber-ces-manufacturing-industry-database，我们将美国标准行业分类(SIC 1987 版) 与标准国际行业分类(ISIC＿Rev.3) 进行对应，然后将ISIC＿Rev.3 对应到本文的样本数据GB/T 4754-2002 版行业标准。

表2 报告了两阶段最小二乘法(2SLS) 的分析结果。其中，第(1) 列为第一阶段回归结果。可以看出，工具变量(USPRobot) 和潜在内生变量(CHPRobot) 是显著正相关的(p值小于1%)。此外，第一阶段的F统计量为330.42，远高于经验切割点，排除了统计上的弱工具变量风险。第(2)—(5) 列为第二阶段回归结果，工业机器人安装密度的估计系数均显著为正，说明通过工具变量缓解内生性问题后，工业机器人应用依然对企业进入具有显著的正向作用，进一步强化了研究假说1。

表2 内生性处理: 工具变量估计

(2) 更换核心解释变量: 工业机器人进口。由于中国企业所使用的机器人绝大部分来自进口①根据国际机器人联合会的数据，2013 年之前，中国超过70%的工业机器人是从国外进口，而国内企业掌握的机器人生产技术，主要集中在产业的中低端领域(李磊等，2021)。，本文采用机器人进口量作为工业机器人使用的代理变量(Fan 等，2021；綦建红和付晶晶，2021；李磊等，2021)，然后重新对模型进行估计。结果表明，该解释变量的估计系数仍然显著为正，验证了本文的研究结论。

(3) 更换核心解释变量: 工业机器人存量。②本文还以基期权重和工业销售产值为权重，更换了核心解释变量度量方式，结论依然稳健。为了排除变量测量误差对估计结果的影响，本文采用永续盘存法，分别选取5%、10%和15%的年折旧率，以2006 年为基期，对工业机器人存量进行折旧计算。我们发现工业机器人的估计系数仍在5%的水平上显著为正，证实了本文的研究结论。

五、作用机制分析

由上面分析可知，工业机器人应用显著促进了中国制造业企业进入，那么工业机器人应用究竟是通过何种机制促进企业进入呢? 为此，我们从降低劳动力成本和提升企业生产率两个角度进一步探讨工业机器人对企业进入可能的作用机制。③如前文理论分析指出，机器人应用还能通过催生新岗位和新型企业来促进企业进入。但是，由于数据限制，很难区分何种企业是新型企业，所以难以针对这一机制进行实证检验。影响机制相关检验结果请见《经济科学》官网“附录与扩展”。

(一) 工业机器人与劳动力成本

在“基于任务模型”的理论分析框架下，劳动力与工业机器人在不同的任务中具有各自的比较优势。在工业机器人具有比较优势的任务中，劳动力会被工业机器人所取代。替代效应会导致均衡中的劳动力需求和工资下降(Acemoglu 和Restrepo，2018，2020)，并且在工业机器人使用成本降低、使用技术成熟程度提高、投入量加大之后，这种替代效应更加显著。而在劳动力供给不变的情况下，劳动力需求下降会降低均衡的工资水平。Acemoglu 和Restrepo (2020) 利用1990—2007 年间美国工业机器人数据研究发现，每千名工人每增加一个机器人，当地的就业人口比率就减少0.39 个百分点，工资就减少约0.77%。因而，工业机器人应用能够通过降低劳动力成本而促进新企业进入。杨亚平和周泳宏(2013) 认为，利用劳动生产率调整后的工资才能真实地反映劳动力成本，因此本文用制造业分行业工业增加值除以分行业工业就业人数衡量劳动生产率，进而采用各省分行业经劳动生产率调整后的分行业就业人员平均报酬占全省平均报酬的比重衡量真实的劳动力成本。研究发现，工业机器人的估计系数均在5%的水平上显著为负，表明工业机器人应用能够降低劳动力成本，进而促进中国制造业企业进入规模。

(二) 工业机器人与企业生产率

为考察机器人应用对企业全要素生产率的影响，本文构建如下的固定效应模型:

其中，TFPijct表示位于c城市属于j行业的i企业在t年的全要素生产率，本文使用LP 方法来测量，并对计算出来的企业全要素生产率加1 后取对数处理。Robotsit是这一回归模型的核心解释变量，采用机器人进口数量和金额这两个指标作为企业机器人使用的代理变量。Xit是包含一系列影响企业全要素生产率的控制变量。企业层面控制变量具体包括: 企业规模(Size)、资产负债率(Leverage)、流动比率(Liquidity)、企业是否为外商投资企业哑变量(FOE) 和企业是否为国有企业哑变量(SOE)；τi代表企业固定效应，用来控制不随时间变化的企业特征；λt代表年份固定效应，用来控制不随地区和企业变化的宏观经济冲击；为了避免遗漏变量偏误，区分不同产业和城市经济变量对企业生产率的影响，本文还控制了行业—年份固定效应γjt和城市—年份固定效应φct，εit为服从标准正态分布的随机扰动项。数据来源于2000—2013 年中国工业企业数据库。①由于2008—2010 年中国工业企业数据库关键指标缺失和数据异常，本文剔除2008—2010 年的数据。

本文被解释变量为采用LP 方法计算的企业全要素生产率，回归结果显示，工业机器人的系数符号为正且至少在5%的水平上显著，这表明在控制了其他因素之后，工业机器人能够显著提升企业全要素生产率。无论是全样本回归结果还是新进入企业回归结果，均发现机器人应用对企业全要素生产率存在正向显著作用。

六、异质性分析

前面已经证实，工业机器人会显著促进企业进入。此外，工业机器人应用对企业进入的影响可能会因企业产权性质、行业性质和市场化程度不同而产生差异。因此，我们将对这些内容作进一步分析。②异质性分析相关检验结果请见《经济科学》官网“附录与扩展”。

(一) 工业机器人、产权性质与企业进入

从产权性质看，国有企业的最终所有者是政府，主要协助政府实现更广泛的政治和社会目标。虽然国有企业改革打破了原先“铁饭碗”的用工制度，但是国有企业依然需要承担着经济增长和增加财政收入的经济责任，也需要承担一定的“稳就业”社会责任(王永钦和董雯，2020)。鉴于国有企业的双重使命，即使可以大规模地采用机器人，国有企业也未必会在短期内大规模进入市场。相对而言，非国有企业更多关注的是企业自身盈利能力，在“利润极大化”的目标下，更可能对新科技做出反应及采用工业机器人来替代劳动力，以降低企业的边际成本和提高企业利润率。为此，本文根据企业的产权性质将企业分为国有企业、外资企业和私营企业。研究发现，工业机器人对企业进入的作用效应主要发生在非国有企业中，且在1%水平上显著为正，但对国有企业市场进入影响不显著。由此可见，虽然机器人应用可以降低劳动力成本、提高企业进入规模，但是由于国有企业需要承担政府“稳就业”责任，即使大规模地采用机器人，也无法在短期内大规模进入市场。与之相对的是，非国有企业主要关注企业盈利能力，在“利润极大化”目标下，只要机器人应用能够缓解劳动力成本、提高营业利润，就会选择进入市场。

(二) 工业机器人、行业性质与企业进入

考虑到中国各行业要素密集度存在较大差异，因而工业机器人在影响不同要素密集度行业企业的进入上可能存在异质性。现有证据表明，相对于技术密集型企业，工业机器人更能降低劳动密集型企业的生产成本。例如，Autor 等(2003) 发现，计算机能够取代从事机械性、重复性工作的劳动力，但是和从事非重复性、复杂工作的劳动力互补。Akerman 等(2015) 以及Gaggl 和Wright (2017) 的研究表明，信息通信技术和低技术劳动力相互替代，但和高技术劳动力互补。长期以来，中国有大量的低技术劳动力密集型企业，它们依赖“人口红利”所带来的廉价劳动力，通过“以价竞争”取得生存发展。当人口红利收缩及劳动力成本上涨时，这类企业首当其冲。工业机器人使用可以弥补劳动力短缺，并减弱用工成本的影响。因此相较于技术密集型行业，工业机器人应用对劳动密集型企业影响更大。此外，机器人使用能够促进资本的积累，进而促进资本密集型企业进入。为此，本文借鉴谢建国(2003) 的做法，按照行业要素密集度将样本划分为劳动、资本和技术密集型行业。研究发现，工业机器人应用主要影响劳动密集型和资本密集型行业企业进入。这是因为虽然工业机器人应用可以深刻改变传统生产方式，但在本质上对劳动或资本都可能产生偏向的替代性。机器人的使用有助于提高企业生产的自动化水平，节约劳动力成本，提高生产效率，工业机器人可能会导致大量劳动和资本密集型行业重新进入市场。

(三) 工业机器人、市场化程度与企业进入

工业机器人对企业的影响很可能取决于政府的干预程度和经济体的市场化程度。如果政府干预较少而市场化程度较高，那么市场环境和竞争机制更加健全，经济民营化程度和对外开放程度较高，工业机器人的应用也能够更加充分地发挥其在劳动力、资本以及技术市场中的全面影响。相反，如果政府干预较强而市场化程度较低，那么企业的生产经营活动受到政府政策的影响更大，面临的外部不确定性因素更多。竞争机制的缺失使得企业家更看重政治关系带来的各种资源和政策优惠，而机器人应用的影响力则会被压缩。改革开放以来，中国经济体逐渐由政府主导型经济向市场主导型经济过渡，但因政策、地理、历史等因素的不同，中国地区间市场化进程存在较大差距，机器人应用对企业进入的促进作用也不尽相同。为此，本文用MarDeg来表示企业所在省的市场化进程指数，研究发现交互项“CHPRobot×MarDeg”的估计系数在1%水平上显著为正，表明当地的市场化进程越高，工业机器人对企业进入产生的正向影响就越强。

七、结论与政策建议

本文探讨了工业机器人应用如何影响企业进入。基于2006—2014 年中国工业企业数据库并匹配省份面板数据，本文实证检验了工业机器人应用对新企业进入的影响。结果发现: 第一，工业机器人使用对企业进入有着显著的提升作用。第二，在作用机制方面，一是工业机器人应用对劳动力需求产生一定的替代效应，工业机器人安装密度高的地区，其真实劳动力成本相对较低，从而可以促进新企业进入规模的提升；二是工业机器人应用降低了工业生产的用工依赖，打破了产业在区域间单向梯度转移的态势，工业机器人渗透度越高的地区，新企业进入规模也越大。第三，异质性分析表明，工业机器人应用对非国有企业进入、劳动密集型和资本密集型行业企业进入的影响较大；机器人应用对新企业进入的影响随着进入地市场化程度的提高而增强。

本文具有以下政策含义: 第一，研究结论显示，机器人应用可以促进新企业进入。当前国产工业机器人与发达国家相比还有一定差距，并且我国智能制造领域人才缺口较大，部分核心技术自主创新不足。因此，应继续支持和鼓励工业机器人进口，加强我国工业机器人关键技术研发；积极鼓励先进技术设备和关键零部件进口，加强自主创新，尽快解决本领域的“卡脖子”关键技术问题，为我国推进工业机器人技术创新和行业发展提供可靠的技术保障。第二，研究显示，与技术密集型行业相比，在劳动密集型和资本密集型行业中，机器人应用对新企业进入的作用更大。有鉴于此，应进一步完善相关的培训制度和再就业政策，提高各个层次技能的劳动人员对经济变化的适应能力；进一步优化人才培养体系，加强机器人、人工智能等相关领域的专业人才和“互补性”人才的培养，抓住新一轮技术革命带来的发展机遇。第三，我们还发现，在市场化程度高的地区，机器人应用对新企业进入的促进效应更为显著。因此，应推进公平、有序的竞争性市场环境，充分发挥市场的选择效应、竞争效应和资源再配置效应，以吸引更多的新企业进入市场，实现中国经济的高质量发展。

本文证实了工业机器人对中国制造业企业进入的正向影响，并强调了劳动力成本和生产率机制在传导工业机器人应用促进企业进入效应中的重要作用。然而，本文研究仍然有一些局限性。第一，中国工业企业数据库更新至2014 年，受企业级数据的限制，本文在非国有企业方面仅包含规模以上工业企业，对规模以下非国有工业企业的进入与退出如何受工业机器人应用的影响，还需要未来在数据可得的基础上继续展开研究。第二，IFR 数据库提供的工业机器人数据是国家—行业—年度数据，有些行业数据是几个行业的加总，且行业分类为标准国际行业分类(ISIC＿Rev.4)，行业代码转换以及各大类行业机器人安装量的计算很难达到非常准确，未来可以考虑采用更多的方法来进行研究。