APP下载

工业机器人应用与全要素生产率提升
——基于人力资本升级视角

2023-12-04龚银银张永庆郑苏江

企业经济 2023年11期
关键词:高技能生产率劳动力

□龚银银 张永庆 郑苏江

一、引言

随着大数据、云计算、深度学习等技术的迅速发展,人工智能开始成为近年来国内外关注的热点话题。2022年11 月,美国OpenAI 研发的聊天机器人——ChatGPT 的出现再次掀起了一波人工智能热潮。人工智能逐渐进入我们的生产和生活,一场“机器人革命”正在对整个经济社会的运行方式产生重大影响。[1]近年来,中国工业机器人安装量和存量逐渐上升,习近平总书记在2014 年6 月9 日的两院院士大会上指出:“国际上有舆论认为,机器人是‘制造业皇冠顶端的明珠’,其研发、制造、应用是衡量一个国家科技创新和高端制造业水平的重要标志。”党的十九大报告指出:“加快建设制造强国,加快发展先进制造业,推动互联网、大数据、人工智能和实体经济深度融合”。国家自然科学基金委员会发布了可解释、可通用的下一代人工智能方法。可见,人工智能作为新一轮产业变革的核心驱动力,将重构经济活动的各环节,形成各领域的智能化新需求,推动社会生产力的整体跃升[2]。

目前,学术界对工业机器人应用或以工业自动化为代表的人工智能相关话题给予了高度关注。不少学者探讨了工业机器人应用对经济增长[3-4]和社会效率[5-6]的影响,也有不少文献致力于探讨工业机器人应用对劳动力市场和就业结构的作用机制[7-10]、对全球价值链重构的作用机制[11-12]。同时,部分学者[3][5-6]也关注到了工业机器人对微观企业生产率提升的作用。不可否认,工业机器人作为智能化时代的产物影响着经济系统的诸多方面,虽然“计算机的影响举目皆是,但是生产率统计的数据却不然”[13]。

企业全要素生产率为经济发展提供了微观动力[14],推进工业自动化、智能化和提升全要素生产率,这些均是中国加快经济增长模式转型并向高收入国家跨越的关键之举。然而,近10 年却出现了全要素生产率增长停滞甚至为负的情况[15],造成经济的结构性减速,亟需寻找新的经济增长点。提升企业全要素生产率的前提主要在于:一是要有技术支撑。中国的技术进步多内嵌于资本投入中[16],所以物化型技术进步是提升企业生产率的核心。机器人作为近年来物质资本和物化型技术进步的新代表,是促进我国转向创新和技术驱动以及促进制造业企业生产率提升的重要推动力之一。二是要有高质量的人力资本。智能化背景下,社会对人力资本的需求由数量向质量转变,提高了人力资本与物质资本的互补性要求[17],人力资本升级促进企业使用新技术,从而有利于提升全要素生产率[18]。

本文可能的贡献在于:一是将“机器人应用—人力资本升级—全要素生产率”纳入统一分析框架,为准确理解工业机器人应用通过人力资本升级促进全要素生产率提升提供了系统性证据。二是不同于现有文献多从数字化、智能化技术进步的特定视角来探讨其与全要素生产率二者之间的关系[2][19-20],本文创新性地从人力资本升级视角剖析机器人应用对全要素生产率的影响及其机理,为理解和评估以机器人为代表的智能化技术带来的社会效益提供了新的思路。三是丰富和拓展了工业机器人应用的影响和对全要素生产率的影响。以往文献侧重于从国家、行业层面研究机器人等智能技术对经济增长、劳动力和就业、收入不平等、价值链重构的影响[4][8][12][21],较少关注微观层面上的机器人应用和人力资本相结合的影响,本文重点考察机器人应用如何影响企业的人力资本需求和全要素生产率的微观机制,为智能化应用和全要素生产率提升提供了经验证据。

二、理论分析与研究假说

工业机器人能够推动生产活动智能化,同时也会增加生产环境的复杂度,这往往伴随着企业人力资本结构的适应性变革。[22]当前,工业环境的智能化和技术密集度的提高对人力资本的技能水平提出了更高要求[22-23],人机协作并发挥积极作用仍是企业工业机器人应用的关键一环。关于工业机器人应用与劳动力的关系,学者们广泛研究了二者的替代关系是否存在:其一,认为工业机器人对从事简单、重复工作劳动力的“替代效应”会削减低技能劳动力需求,提高企业生产率。[10]其二,认为工业机器人使用会创造大量新的工作机会,通过扩大非自动化任务的劳动需求促进就业[24],但是新岗位的技能要求通常较高[6]。其三,认为工业机器人应用存在异质性,如对美国而言会挤出部分低技能劳动力[25],而对西班牙制造业而言,高技能劳动力需求提高的同时,低技能劳动力并未被挤出,劳动力需求总体是上升的[26]。此外,相对于技能劳动力,非技能劳动力被工业机器人替代的可能性更大,同时工业机器人激发了生产技术升级,引致全要素生产率提高。[3]可见,对于工业机器人如何影响人力资本结构和生产率尚未得出一致结论,这方面的研究还相对匮乏。

本文认为,工业机器人应用能够通过不同途径促进人力资本升级,进而影响企业全要素生产率。一是工业机器人应用通过提高对高技能劳动力的需求来促进人力资本升级,进而提升全要素生产率。一方面,工业机器人应用表现出的社会生产对技能需求的激增会带来生产技术升级,进而引致企业对资本和技能劳动投入的增加。智能化与制造业的深度融合会引发互补性技术进步和创新,催生生产条件和要素的新组合,从而提升全要素生产率。另一方面,工业机器人是具备先进技术的资本品,资本技能具有互补性[27],先进技术匹配高技能劳动力的效率更佳,企业生产技术的升级也会伴随着对高技能劳动力需求的提高,驱动企业人力资本升级和提升全要素生产率。例如,工业机器人应用催生出对与之相匹配的机器人维修师、工程师等高技能劳动力岗位的需求。基于员工组织匹配理论,工业机器人和智能化技术的应用离不开与之相匹配的高素质员工,信息技术和高技能人力资本的组合能够创造更高的生产效率,使得企业更倾向于雇用高技能人才,这就会促进企业存量人力资本提升。此外,非常规型岗位在现实中不可或缺,相对于常规型岗位,其所需的高技能劳动力具有比较优势。[28]简言之,工业机器人应用引致生产技术升级将催生企业对高技能劳动的需求,促进人力资本升级,进而提升企业的全要素生产率。二是工业机器人应用将通过挤出部分低技能劳动以优化人力资本结构,进而影响企业全要素生产率。工业自动化、智能化等新生态的催生以及对传统业态的部分“取代”和“破坏”,可能会导致一些工作岗位减少甚至消失。第一,企业使用工业机器人执行常规生产活动,挤出了部分低技能劳动力[10],企业可以投入较少的人力资本要素生产同等甚至更多数量的产品。第二,根据国际标准化组织(ISO)的定义,工业机器人具备多用途和多关节机械手的自动化属性,这就意味着其能够替代一系列低技能劳动力执行的包装、搬运、码垛等常规手工型任务。第三,计算机资本能替代记录和计算等常规认知型任务[29],自动化技术替代常规型岗位,减少对非技能劳动的需求[30]。第四,在数智化转型应用过程中,工业机器人应用可以提高企业的管理效率和管理能力,有利于提升劳动力素质,实现低人力资本向高人力资本转型[31]。因此,本文认为,工业机器人应用通过挤出低技能劳动力促进人力资本升级,进而提升企业全要素生产率。综上,本文提出以下研究假设(H1)与理论模型(图1)。

图1 理论模型

H1:给定其他条件不变,工业机器人应用将显著提升企业的全要素生产率。

三、研究设计

(一)数据来源与样本选择

工业机器人数据来源于国际机器人联合会(IFR)数据库。本文将IFR 数据与2011 年实施的《国民经济行业分类》(GB/T 4754—2011)进行匹配,合并C13—C43 制造业行业两位码,最终得到一组中国2011—2019年行业—年份层面归属于13 个制造业行业的上市公司数据。企业与行业数据来源于WIND 数据库、CSMAR数据库以及《中国工业统计年鉴》,工具变量涉及的各国(地区)相关数据来源于《国际统计年鉴1995》和NBER-CES。从数据库中匹配整理了2011—2019 年中国沪、深两市A 股制造业上市公司共10854 条非平衡面板数据作为研究样本,并对连续变量进行缩尾处理,剔除原始数据中经营异常的ST 样本以及财务异常(资产负债率大于1)、核心研究变量缺失的样本。

(二)变量设定

1.解释变量

本文被解释变量为企业全要素生产率(TFP)。参考大多数研究的做法并结合现实情况,本文使用LP 法和OP法计算的企业全要素生产率作为被解释变量用于实证分析,分别用TFP_LP 和TFP_OP 表示。用GMM 法、OLS 法和FE 法进行变量的稳健性检验。

2.核心解释变量

本文核心解释变量为工业机器人应用(Robot),参考王永钦和董雯(2020)[8]的思路,用Bartik 变量法构造的机器人渗透度测度。具体做法为:首先,使用公式(1)计算中国各行业工业机器人渗透度。其中分别表示c 行业t 年的机器人存量及基期年(2010)的就业人数。其次,使用公式(2)构造中国企业层面的工业机器人渗透度。Robotc,i,t、PWPc,i,t=2011/MPWPt=2011分别表示c 行业i 企业工业机器人渗透度以及i 企业在基期年(2011)雇用人数占制造业所有企业基期年雇用人数中位数的比值。

3.控制变量

本文控制变量主要包括:企业规模(Scale),用企业总资产的对数表示;企业年龄(Age),用当前日期与公司成立日期相减取对数表示;企业类型(Soe),根据企业的登记注册类型生成虚拟变量,国有企业取值为1,非国有企业取值为0;资本密集度(Capital),以企业固定资产数额与企业人员数的比值取对数表示;资产负债率(Debt),用总负债比总资产表示;企业绩效(Roe),以净利润与净资产的比值表示;管理费用率(Expense),以管理费用与营业收入的比值表示;企业市场势力(Force),以总资产的周转率表示,即主营业务收入与平均资产总额比值。表1 为各变量的描述性统计结果。

表1 各变量的描述性统计

(三)计量模型设定

借鉴Acemoglu 和Restrepo(2020)[10]的思路,设定如下模型(3)用以检验工业机器人应用对制造业企业全要素生产率的影响。

其中:i 为企业,t 为年份,TFPi,t为被解释变量,即LP 法和OP 法计算的企业全要素生产率。Robot 为核心解释变量,用工业机器人应用的对数表示。X 为控制变量,γ 为企业固定效应,γ 为年份固定效应,ε 为随机扰动项。本研究重点关心估计系数β1的取值情况,其数值越大表示企业工业机器人使用度越高,若系数β1显著为正,其经济学含义表示工业机器人应用对企业全要素生产率具有显著的正向促进作用。

四、实证检验

(一)基准回归

根据模型(3)考察工业机器人应用对制造业企业全要素生产率的影响,结果如表2 所示。列(1)为没有控制企业和年份效应的估计结果,列(2)—列(6)为控制了企业和年份效应并分步加入控制变量的估计结果,列(5)和列(6)为加入了所有控制变量并控制了企业和年份效应的估计结果。列(5)和列(6)的结果显示:Robot 的回归系数显著为正,均通过1%水平的显著性检验且R2得到提高。结果表明:工业机器人应用显著促进了企业全要素生产率提升,验证了前文研究假设H1。

表2 基准回归结果

(二)稳健性检验

1.全要素生产率的再度量

本文采用GMM 法、OSL 法以及FE 法进行稳健性检验,结果见表3。由结果可知,无论采用何种测度方式,核心解释变量Robot 的系数均达到显著性水平。

2.工业机器人应用的再度量

(1)本文用工业机器人安装量(Robot_1)替换基准回归中的存量重新测度工业机器人渗透度[24],结果见表4列(1)和列(2)。结果显示:Robot_1 系数均显著为正。(2)数字化是工业机器人的一个重要表现[12],在一定程度上反映了企业的工业机器人应用程度。本文参考吴非等(2021)[32]的思路,结合学术经验和实践启示构建数字化词典,利用Python 爬虫技术统计上市公司年报中以“数字化” 为关键词的词频,得到企业数字化程度的指标(Digital),以此作为核心解释变量进行检验,结果见表4 列(3)和列(4)。结果显示:Digital 系数均在1%水平下显著为正,即数字化对企业全要素生产率具有促进作用。这说明应用工业机器人的企业,数字化程度也相对较高,从有利于企业全要素生产率提升。(3)通过细化关键词统计,直接统计与“人工智能”“工业机器人”“工业自动化”等相关的关键词词频,得到人工智能应用程度指标(AI),以此替换核心解释变量机器人渗透度,结果见表4列(5)和列(6)。结果显示:AI 系数显著为正,表明智能化应用正向促进企业全要素生产率提升。

表4 稳健性检验Ⅱ:替换核心解释变量

3.内生性检验

为检验工业机器人应用对全要素生产率提升可能存在的内生性问题,本文采用工具变量法,利用IV-2SLS法进行估计。第一,借鉴王永钦和董雯(2020)[8]的做法,采用美国机器人渗透RobotUS(IV1)作为Robot 的工具变量。一方面,美国工业机器人发展趋势与中国较为接近,且作为中国工业机器人的主要进口来源国之一,美国的工业机器人出口量与中国制造业企业工业机器人进口量直接相关;另一方面,美国的机器人并不会直接作用于中国企业的全要素生产率,满足外生性条件,能较好地解决内生性问题。具体的构造方法如模型(4)所示,其中代表美国c 行业t 年的机器人存量和基期(1990 年)的就业人数。第二,借鉴许健等(2022)[33]的做法,使用5 个进口来源国的机器人数据构造工具变量Robot_mean(IV2),具体的构造方法如模型(5)所示,其中US、JP、UK、GE 和FR 分别表示美国、日本、英国、德国和法国。第三,将美国机器人渗透度和5国经调整的机器人渗透度RobotUS、Robot_mean(IV1+IV2)共同纳入工具变量。

表5 报告了第二阶段回归结果,其中:列(1)和列(2)是以IV1 为工具变量的估计,列(3)和列(4)是以IV2 为工具变量的回归结果,列(5)和列(6)是以IV1+IV2 作为工具变量的回归结果。工具变量回归结果显示:(1)Kleibergen-Paap rk LM 和KleibergenPaap Waldrk F 统计量在以上述3 个变量作为工具变量时的检验结果均超过其临界值,结果通过了不可识别检验且表明不存在弱工具变量问题。工具变量过度识别Hansen J 的检验结果显示:P=0.75/0.89>0.05,接受工具变量外生的原假设。(2)无论以IV1、IV2 还是IV1+IV2 为工具变量时,工业机器人应用都显著正向影响企业的全要素生产率。(3)对比基准回归结果发现:Robot 的估计系数在不同回归组合中都有所增大,表明中国工业机器人渗透度的内生性产生了向下偏移,从而低估了中国工业机器人应用对企业全要素生产率提升的作用。

表5 内生性检验:工具变量回归

(三)异质性检验

1.企业要素密集度的影响

本文将制造业行业分为劳动密集型和资本密集型①。表6 列(2)和列(4)为资本密集型行业的估计结果,其Robot 系数显著为正。这可能是因为资本密集型行业本身就拥有较高技术水平和更多的高技能劳动力,而工业机器人及智能技术的应用会提高对高技能人才的雇用需求,因此更能促进企业的全要素生产率。表6 列(1)和列(3)为劳动密集型行业检验结果,其Robot 系数不显著。这可能是因为其行业的人力资本水平不高,工业机器人渗透所需的高技能劳动力引入需要时间。此外,IFR 的工业机器人统计数据显示:工业机器人在适合自动化大批量生产的高资本投入行业中的应用更加广泛[10],这些行业工业机器人适应性强。因此,这些行业更有可能采用“机器换人”战略的资本密集行业更容易提高企业的全要素生产率。

表6 企业要素密集度的影响

2.企业地理位置的影响

由于我国各地对工业机器人应用存在较大的空间地理差异,因此按照样本企业所在地区,将所有样本划分为东中部地区和西部地区进行分组回归,结果如表7 所示。东中部地区工业机器人应用估计系数在1%的水平下显著为正,而西部地区机器人应用对制造企业全要素生产率没有显著效应,东中部与西部地区存在明显的异质性。可能的原因是:东中部地区的先进技术起步较早、工业机器人应用密度较高,拥有丰富的技术资源和广阔的市场需求,而西部地区工业机器人应用的软环境不够开放,机器人技术创新水平相对落后,传统制造业智能化升级与新兴智能制造业的发展相对较慢,产业和人才基础较薄弱,规模化的工业机器人产业还未形成,因此工业机器人应用的影响不明显。

表7 企业地理位置的影响

五、渠道检验

前文为工业机器人应用正向促进全要素生产率提供了证据支撑,本节进一步研究其中的渠道机制。根据之前的理论分析,工业机器人应用引致生产技术升级将催生高技能型劳动力的需求以促进人力资本升级,进而提升企业全要素生产率。下文将围绕上述逻辑探讨潜在的影响渠道:工业机器人应用是否通过生产技术升级引致高技能劳动力需求来促进人力资本升级,工业机器人应用是否通过挤出部分低技能劳动力来促进人力资本升级,工业机器人应用促进人力资本升级是否引致企业全要素生产率的提升。

(一)工业机器人应用对生产技术升级的影响

理论分析表明,工业机器人应用将带来生产技术升级,而资本技能互补性的存在又将引致高技能劳动需求增加,进而促进企业人力资本升级和提升全要素生产率。因此,本文直接检验机器人应用对生产技术升级的影响。借鉴黄亮雄等(2023)[12]的研究,从研发支出和专利申请数等维度刻画企业生产技术升级。由于发明专利尤其是已经被授予的发明专利更能体现企业技术进步的“质变”特征,可以避免企业策略性创新行为的影响,因此在专利统计上采用发明专利授予量以期更加准确衡量技术进步。本文从投入、产出、效率3 个维度刻画技术升级,采用企业研发投入占营业收入的比例(RD)、企业成功申请且被授权的发明专利数量取对数(Inv)以及每单位研发投入的发明专利授予量(Eff),用Patent/ln(1+研发支出)计算衡量。表8 报告了相应的检验结果。表8 列(1)至列(3)的结果中,Robot 系数均显著为正,表明工业机器人应用能够显著促进企业生产技术升级。

表8 工业机器人应用对生产技术升级、低技能劳动力挤出的影响

(二)工业机器人应用对低技能劳动的挤出影响

借鉴Autor 等(2003)[29]的研究,本文基于员工职业类型和受教育程度不同来刻画员工技能水平,将生产人员、行政辅助和难以归类的其他人员视为低技术型劳动力(Low_skill),将研究生以下学历人员视为低教育型劳动力(Low_edu),构建相应的企业人力资本升级指标(Labor-higher)后进行检验,检验结果见表8。表8列(4)和列(5)表明:一方面,工业机器人应用显著降低了包括生产工人和其他人员在内的低技术员工的直接需求,另一方面,工业机器人应用也显著降低了研究生及以下低教育型员工的直接需求,验证了工业机器人应用挤出了部分低技能劳动力的假设。因此,本文认为工业机器人应用可以通过挤出部分低技能劳动以促进人力资本升级,进而影响企业全要素生产率。

(三)工业机器人应用促进人力资本升级能否引致全要素生产率提升

进一步地,为验证工业机器人应用促进人力资本升级能否引致全要素生产率提升,即论证“工业机器人应用→人力资本升级→全要素生产率提升”这一逻辑是否成立,本文接下来分步检验工业机器人应用是否促进人力资本升级以及人力资本升级是否影响全要素生产率。采取上文的分类逻辑,用企业高技术员工(科技人员、销售人员、财务人员)占比衡量人力资本技能结构的高级化(High_skill),用研究生及以上学历员工占比衡量企业人力资本教育结构的高级化(High_edu)。表9 考察了工业机器人应用如何通过人力资本升级影响全要素生产率。列(1)和列(2)表明工业机器人应用显著增加了企业的高技术型和高教育型员工需求,促进了企业人力资本升级。进一步地,检验企业人力资本升级对全要素生产率的影响,用高技能型劳动力相对低技能型劳动力的雇用比例或高教育型劳动力相对低教育型劳动力的雇用比例衡量人力资本升级(Laborhigher),列(3)和列(4)的结果均表明企业人力资本升级显著提升了全要素生产率。上述结果充分验证了工业机器人应用通过促进人力资本结构升级,进而提升企业全要素生产率,支持了“工业机器人应用→人力资本升级→全要素生产率”这一核心逻辑机制。

表9 工业机器人应用促进全要素生产率提升的渠道检验

六、进一步分析:工业机器人应用的溢出效应

上述研究均是从企业层面进行的探讨,考虑到生产技术进步可能具有水平溢出效应,一个行业的工业机器人应用水平会对本行业的全要素生产率产生直接影响,那么是否会对产业链上下游其他行业的全要素生产率产生间接影响?基于此,本部分继续考察工业机器人应用对全要素生产率的提升在行业上的表现。通过查询UIBE CVC Indicators 数据库在Length_WIOD2016 中公布的产业前向、后向关联指数构建行业关联指数②,识别工业机器人能否通过产业链传导影响上下游行业的全要素生产率。参照黄亮雄等(2023)[12]的做法,构建如下模型(6),其中:Yi,c,t为被解释变量全要素生产率,i 表示行业,c 表示地区,t 表示年份。前文中LP 法和OP法计算的全要素生产率适用于企业层面,这里的全要素生产率为运用SFA 法计算的适用于行业—地区层面的全要素生产率。HRobot 为工业机器人应用度,用各行业工业机器人应用密度③表示,系数βup代表下游行业的工业机器人应用密度对本行业全要素生产率的影响,即“向上游传导效应”;系数βdown代表上游行业的工业机器人应用密度对本行业全要素生产率的影响,即“向下游传导效应”,Xi,c,t代表一系列行业和地区层面的控制变量。Upstreami,c,t和Downstreami,c,t的值分别用模型(7)和模型(8)计算得出,forwardsi,c,t为产业向前关联指数,backwards 为产业向后关联指数。

表10 报告了工业机器人应用对行业全要素生产率的产业链传导效应的估计结果。列(1)没有控制本行业工业机器人应用度(HRobot),但控制了工业机器人向上游传导效应(Upstream),列(2)在列(1)基础上增加了对本行业工业机器人应用度(HRobot)的控制。结果显示:下游行业工业机器人渗透通过产业链传导对上游行业全要素生产率产生促进作用,即具有“向上游传导效应”,此效应主要表现为技术溢出,而由中间品市场等途径带来的影响并不显著。列(3)为未控制本行业工业机器人应用度(HRobot),但控制了工业机器人向下游传导效应(Downstream),列(4)在列(3)基础上增加了对本行业工业机器人应用度(HRobot)的控制。结果显示:上游行业工业机器人渗透通过产业链传导对下游行业全要素生产率产生促进作用,即具有“向下游传导效应”,主要表现为技术溢出,而由中间品市场等途径带来的影响并不显著。由上述结果可知,工业机器人应用具有上下游溢出效应。一方面,工业机器人应用提高了本行业的全要素生产率,实现降本增收,通过“收入效应”增加相关产品和服务的需求,导致的生产规模扩大会增加对上下游相关产业的需求,从而带来正向的上下游传导和促进效应。另一方面,工业机器人应用促进本行业全要素生产率提升也会加大行业竞争压力,从而倒逼其他行业进行研发与投资,对其他上下游行业全要素生产率产生正向影响。

表10 工业机器人应用的上下游溢出效应

七、研究结论与对策建议

(一)研究结论

本文立足于智能化技术影响了中国社会经济发展这一事实,系统考察工业机器人应用对全要素生产率的影响及其影响机制。结果表明:人力资本升级是工业机器人应用促进全要素生产率提升的重要传导路径之一,这意味着企业未来对高技能劳动力的需求将逐步提高,而低技能劳动力则面临被“挤出”的风险;同时,在高资本投入行业和技术较为先进的东中部地区,工业机器人应用带来的全要素生产率提升更为明显;此外,工业机器人的应用还正向促进其上下游行业的全要素生产率,说明工业机器人应用具有显著的溢出效应,工业机器人的合理投入使用有利于提升产业链上下游的全要素生产率。

(二)对策建议

1.分流培养企业内高、低技能人才

企业可以进行全面的生产需求评估,对于常规性、机械性的劳动,有针对性地引入工业机器人进行生产,将现有的低技能劳动力解放出来,培训提升其技能以投入到工业机器人难以替代的岗位上,让劳动者不再有“机器换人”可能带来的“挤出性”就业焦虑问题。对于现有高技能劳动力,企业可以多开展校企合作和政企合作,强化高技能人才在相关领域的学科理论知识、增加社会实践经验,注重培养高技能人才的研发和管理能力,同时要长期关注并积极引入智能化领域的高精尖人才以应对智能化时代的人才新需求。

2.合理规划工业机器人的应用进程

针对不同资本投入和不同地理位置的企业,规划不同的工业机器人应用进程。倡导资本和产业基础雄厚的企业积极进行工业机器人的研发和应用,培育龙头企业以带动产业和资本薄弱企业的智能化进程,促进全要素生产率提升。对于资源匮乏和技术较为落后的地区,大量投入工业机器人可能会造成过多低技能劳动力失业,不利于人力资本结构升级和调整,应放慢节奏,采用循序渐进的发展策略。

3.提高工业机器人的产业链使用率和研发支持

加大对工业机器人的财税支持,鼓励产业上下游行业企业积极并合理地使用工业机器人。同时,重视对工业机器人的研发支持,提高中国工业机器人的应用水平和产业水平,完善工业机器人从研发到生产的完整产业链,从最大程度上激发产业链的正向关联效应,提升制造业全产业链的全要素生产率。

注:

①13 个行业中,劳动密集型行业包括食品、饮料和烟草制造业,纺织服装制造业,木材及家具制造业,造纸和纸制品制造业,其余为资本密集型行业。

②将UIBE CVC Indicators 数据库中公布的中国2009—2014 年C06—C22 制造业细分行业的行业关联指数与IFR 公布的13 个行业分类进行匹配,将匹配后的关联指数与行业机器人应用密度、行业和地区层面的控制变量再进行匹配,最终得到2009—2014 年13 个行业的数据。

③行业层面的工业机器人应用密度计算方法为:首先,根据IRF 联盟公布的中国各行业工业机器人安装量对应《国民经济行业分类》(GB/T 4754—2011)中C13—C43 的细分行业代码进行匹配;其次,从《中国劳动统计年鉴》中收集细分行业各个省份的就业人数占全国总就业人数的百分比;最后,用这个百分比×全国各行业机器人安装量。

猜你喜欢

高技能生产率劳动力
中国城市土地生产率TOP30
2020年河南新增农村劳动力转移就业45.81万人
广东:实现贫困劳动力未就业动态清零
实施“五位一体”人才培养模式 打造高技能人才队伍
国外技术授权、研发创新与企业生产率
关于机床生产率设计的探讨
补齐高技能人才“短板”
现代学徒制培养焊接高技能人才的探索与实践
相对剥夺对农村劳动力迁移的影响
固定成本与中国制造业生产率分布