劳动保护与工业机器人使用*——基于《劳动合同法》的准实验

赵 城 熊瑞祥

一、引言

近年来，我国全面实施就业优先战略，密集出台并完善了一系列关于劳动者权益保障的法律法规，劳动保护得以不断强化，从而有效地保障了高质量充分就业，也极大地体现了“以人民为中心” 的发展思想。然而，从企业视角来看，政府强化劳动保护会提高劳动力的相对价格，增加企业的生产成本，从而加速劳动密集度较低的资本要素投入。尤其是，以工业机器人①根据国际机器人联合会(IFR)的定义，工业机器人具有以下特征:可自动控制；可重复编程；具有三轴或多轴、多用途机械手；用于工业自动化领域，可以在执行组装、焊接等活动时最大限度地减少人为错误，并降低产品质量差异。为核心的智能制造正在引领新一轮科技革命和产业变革，不仅为我国的产业转型升级带来了新机遇，也在全世界范围内掀起了“机器换人” 的热潮。这意味着，劳动力成本上涨幅度超过一定范围之后，企业会使用工业机器人来大量替代劳动力(Acemoglu 和Restrepo，2022b；Fan 等，2021；綦建红和付晶晶，2021)，从而可能带来失业隐患(Acemoglu 和Restrepo，2020；王永钦和董雯，2020)，并加剧收入不平等(Acemoglu 和Restrepo，2022a；周广肃和丁相元，2022)，损害部分劳动者的利益。“十四五” 规划指出，要“加强劳动者权益保障，健全劳动合同制度和劳动关系协调机制”。二十大报告也强调，要“健全劳动法律法规，完善劳动关系协商协调机制”。鉴于此，探究劳动保护与企业使用工业机器人之间的因果关系，有利于全面评估劳动保障体系的经济影响，为我国在经济高质量发展过程中实现高质量充分就业提供重要的研究支撑。

作为世界人口第一大国，中国的“人口红利” 支撑了过去四十余年间的经济增长。但随着劳动力成本的持续上升和城市部门劳动力供应量的放缓，中国的工业机器人消费呈现出高速增长态势。截至2021 年，中国已经连续八年成为全球工业机器人的最大消费国，全国范围内运作的工业机器人数量达到94.3 万台，应用领域覆盖了汽车、电子等60个行业大类、168 个行业中类。①“我国稳居全球第一大工业机器人市场”，《人民日报》，2022 年9 月8 日，第7 版，http://paper.people.com.cn/rmrb/html/2022-09/08/nw.D110000renmrb_20220908_3-07.htm。然而，中国企业在劳动力投入和大规模使用工业机器人之间进行“权衡取舍” 的动因是什么呢? 图1 展示了2001—2018 年间中国、美国、德国和日本这四个经济体的制造业工业机器人使用数量的变动趋势。可以看出，在2008 年前，中国的工业机器人使用数量相对较低且变动幅度较小，但从2008—2009 年开始迅速上升。通过梳理该时期的重要制度改革，本文推断，上述变化可能与2008 年开始实施的《中华人民共和国劳动合同法》(以下简称《劳动合同法》)这一劳动力市场制度的外生变化相关，因为劳动保护的加强可能会激励企业使用工业机器人。

鉴于此，本文基于2004—2012 年中国工业企业数据库与中国海关数据库的匹配数据，以2008 年《劳动合同法》的实施作为准实验，利用双重差分法估计劳动保护对中国企业使用工业机器人的影响和作用机制。估计结果显示，劳动保护会显著增加企业使用的工业机器人数量。这一结论在更换主要变量衡量方式、考虑样本选择偏差以及排除其他干扰因素之后依然稳健。机制检验表明，劳动保护主要通过提高劳动力直接成本和劳动力调整成本来促进企业使用工业机器人。企业层面的异质性检验结果表明，这一促进作用对于规模较大、工作任务程序化程度较高和对劳动力成本变动较为敏感的企业更大；地区层面的异质性检验结果表明，这一促进作用在劳动力成本较高、法律制度环境较好、劳动者维权意识较强的地区更强。此外，拓展性分析还表明，在样本期内，工业机器人的使用最终会提高企业的劳动力需求和平均工资。上述结论对中国通过强化劳动保护来实现高质量发展和高质量充分就业具有一定的现实意义。

本文的边际贡献主要体现在:首先，使用微观企业数据考察了劳动保护对中国企业使用工业机器人的影响，这不仅丰富了劳动保护效果评估的文献内容，也拓展了企业使用工业机器人动因的相关研究。事实上，目前文献中对于劳动保护能否促进企业使用工业机器人尚无定论。一方面，从要素替代视角来看，劳动保护的强化会提高劳动力市场的摩擦，增加劳动力成本，从而加速企业“机器换人” 进程(刘媛媛和刘斌，2014)；尤其是相比一般资本品，工业机器人几乎是劳动力的“完美替代品” (Fornino 和Manera，2022)，因此使用工业机器人是企业应对劳动保护强化的理性之举。然而，另一方面，从预防性储蓄动机视角来看，严格的劳动保护可能提高企业的经营杠杆，并增加企业因违反劳动法规而面临法律诉讼的风险，这意味着企业可能更倾向于持有现金而非增加机器人投资(Bai 等，2020；Cui 等，2018)。由此可见，劳动保护对企业使用工业机器人的净影响有待严谨的因果推断，而本文利用来自中国的经验证据对该问题进行了针对性的补充。其次，本文基于2008 年中国《劳动合同法》实施的准实验和不同城市与行业间劳动保护强度的差异，利用双重差分法系统评估了劳动保护对企业使用工业机器人的因果影响，较好地处理了内生性问题。尽管既有研究发现劳动力成本上升会显著促进工业机器人使用(Acemoglu 和Restrepo，2022b；Fan 等，2021)，但这些研究主要利用老龄化程度、最低工资等连续变量来反映劳动力成本，无法捕捉劳动力市场制度的突然变化所引发的外生冲击对企业使用工业机器人的影响。最后，本文从企业劳动力直接成本和调整成本视角刻画了劳动保护影响企业使用工业机器人的内在机理，并基于企业规模、工作任务程序化程度以及对劳动力成本变动的敏感性等方面的差异，考察了劳动保护影响企业使用工业机器人的异质性效应，从而为理解中国企业使用工业机器人的激励与约束提供了直接的微观经验证据。

二、文献述评和研究假说

(一)文献述评

1.劳动保护与企业行为

通常，劳动力和资本是两种可在一定程度上相互替代的生产要素。因此，劳动保护提高劳动力成本会使得企业有激励增加资本投资，从而实现要素最优配置(Li 等，2022)。具体而言，一方面，劳动保护会增加与劳动力相关的成本，包括劳动报酬、各类保险以及员工福利等，这会直接提高劳动力要素的相对价格，促使企业增加资本投资。另一方面，严格的劳动保护会限制企业解除工人劳动合同的能力，提高企业因违反劳动法规而面临行政处罚甚至法律诉讼的风险，同时降低企业随经济环境变动而调整劳动力规模的灵活性，从而加剧劳动力市场的摩擦(Cui 等，2018)，提高企业的劳动力调整成本，鼓励企业投资劳动密集度更低的实物资本(Autor 等，2007)。

然而，劳动保护也可能会抑制企业投资。由于劳动力市场存在各种摩擦，故劳动保护可能会诱发员工的“敲竹杠” 行为(hold-up problems)和偷懒效应(lethargy effect)，并强化投资不可逆性(Dessaint 等，2017)，从而降低企业的投资意愿。为了应对潜在的劳动纠纷和财务困境，企业的预防性储蓄动机也会增强，会更倾向于持有现金而非增加投资 (Bai 等，2020；Cui 等，2018)。此外，劳动保护还会降低企业的举债能力(Serfling，2016；Simintzi 等，2015)，从而制约资本投资。

与此同时，一些研究还发现劳动保护对企业创新具有显著的促进作用。一方面，劳动保护为企业员工提供了不被任意解雇的可信承诺，这会对员工在长期增加专用型人力资本投资形成激励，从而促进企业创新(Acharya 等，2014)。另一方面，根据诱致性技术变迁理论，劳动力成本提高可以使得企业有充足的激励调整生产流程和方法，并增加劳动力节约型技术应用，故劳动保护的强化也会促进企业流程创新(Bena 等，2021)。Dessaint 等(2017)的经验研究发现，尽管劳动保护显著降低了企业的投资水平，但提高了研发支出规模；来自中国的证据也发现，2008 年《劳动合同法》的实施显著提高了企业的创新数量和创新质量(李建强和赵西亮，2020)。

2.劳动力市场与企业工业机器人使用

工业机器人能够在一系列可自动化的任务中替代大量的劳动力，降低工人在工作过程中潜在的事故风险(Gihleb 等，2022)，并提高企业的劳动生产率和附加值(Acemoglu和Restrepo，2020)。因此，越来越多的企业正在实施“机器换人” 策略，这对劳动力市场形成了明显的冲击。一方面，工业机器人的使用会形成“替代效应” (displacement effect)，降低企业的劳动力需求和劳动收入份额，从而可能导致失业问题(Acemoglu 和Restrepo，2020；王永钦和董雯，2020)。另一方面，工业机器人的使用也能够通过“生产率效应” (productivity effect)引致企业劳动力需求扩张，从而增加就业(Bessen 等，2020；Dixon 等，2021；李磊等，2021)。与此同时，劳动力市场也会影响企业的工业机器人使用决策。Acemoglu 和Restrepo (2022b)发现，人口老龄化程度加深会导致用工短缺和劳动力成本上升，继而加速工业机器人的使用。Fan 等(2021)、綦建红和付晶晶(2021)也发现，随着最低工资的提高，中国企业使用工业机器人的概率和规模均显著上升。进一步地，劳动保护会提高与劳动力相关的直接成本与调整成本，从而也可能激励企业使用工业机器人，但目前针对该问题的研究相对缺乏。与本文研究最接近的文献中，Acemoglu 和Restrepo (2022b)发现，工会化程度和劳动保护强化可以提高劳动力成本，从而促进工业机器人使用。Presidente (2017)和Belloc 等(2020)发现，解雇监管和雇员代表①雇员代表(employee representation)包括工会、工作委员会或其他特定的雇员代表机构，是一种劳动力友好型机构。等不同形式的劳动保护均与自动化技术的采用正相关。然而，Traverso 等(2022)得出的结论截然相反，他们认为劳动保护会提高调整成本，继而抑制工业机器人的使用。

可以看出，既有文献分别探讨了劳动保护与企业投资，以及劳动力市场与工业机器人使用等问题，也有少数研究将不同形式的劳动保护与工业机器人使用结合起来，并得出了差异化的结论。这些差异可能主要来自两个方面，一是利用最低工资、工会密度等连续变量展开研究，未能捕捉到劳动力市场制度发生突然变化而引起的外生冲击对企业使用工业机器人的影响；二是主要研究集中在国家层面或行业层面，忽视了一国或某一行业内部无法观察到的企业特征差异。因此，准确评估劳动保护影响企业的工业机器人使用策略既需要一个合适的外生政策冲击，也需要微观层面的大样本数据。鉴于此，本文首先基于既有文献，分析劳动保护影响企业使用工业机器人的理论逻辑，然后进行严谨的因果识别。

(二)研究假说

假设在一个无摩擦的劳动力市场中，企业可以选择雇用工人或外购工业机器人来完成特定的生产任务。工业机器人在执行程序化的常规任务方面具有比较优势，并且在这些任务中与工人之间存在替代关系，但使用工业机器人需要支付改造生产线带来的改造成本、工业机器人安装费用(固定成本)和长期的维护成本(可变成本)。工人的工资(包括福利支出)是企业主要的生产成本，在不存在劳动保护(或劳动保护强度较低)时，企业雇用和解雇工人比购买和安装工业机器人更容易(Fornino 和Manera，2022)。企业在生产活动中选择雇用工人或使用工业机器人的决策取决于二者的相对成本。在不存在劳动保护(或劳动保护强度较低)时，企业可以根据边际收益和边际成本对等的原则，雇用边际生产率更高的工人，并自由地调整劳动力雇佣规模，以适应市场需求的变化，从而实现利润最大化(Presidente，2017)。在这种情形下，企业往往倾向于雇用相对成本较低的工人开展生产活动。《劳动合同法》的实施使得劳动保护强度提高后，一方面，企业需要支付给工人的工资水平上升，从而会降低劳动力相对于工业机器人的成本优势；而相比之下，工业机器人被视为特定任务集合中劳动力的替代品(Berg 等，2018)，能够自动化、高精度、可持续地完成重复性的生产任务，这可以在一定程度上促进企业动态地调整投入要素组合，从而降低生产成本。另一方面，劳动保护也会提高企业解雇劳动力的成本(例如企业解雇员工时需支付数倍于工资的赔偿费用)，而企业使用工业机器人不仅不存在潜在的解雇成本，还可以提高其劳动生产率并降低边际成本(綦建红和张志彤，2022)。因此，随着劳动保护的不断强化，企业有激励通过投资工业机器人来抵消用工成本不断上升的负面冲击，实现利润最大化。据此，本文提出以下假说。

假说1:劳动保护会促进企业使用工业机器人。①需要强调的是，在此过程中，企业使用工业机器人并不必然减少(甚至可能增加)劳动力的需求，这主要取决于工业机器人使用所带来的替代效应(减少就业)和产出效应(增加就业)这两种相互抵消的作用力的大小。

假说2:劳动保护会通过提高劳动力直接成本促进企业使用工业机器人。

进一步地，相对于工业机器人，劳动力还具有就业灵活的比较优势(Fornino 和Manera，2022)。在经济面临不确定性冲击的情况下，只要劳动合同足够灵活，企业就可以相机抉择，通过在经济繁荣时期雇用工人，并在经济低迷时期大规模解雇工人来迅速应对潜在冲击。然而，严格的劳动保护使得劳动力市场不再是无摩擦的，由此降低了员工就业的灵活性，并限制了企业雇用和解雇工人以调整生产规模的能力。最终，劳动力成本更加固定，企业面临不断增加的劳动力调整成本，从而会抑制劳动力相对于工业机器人的比较优势，促进企业使用工业机器人(Fornino 和Manera，2022)。此外，劳动保护也能够提高工人的议价能力，从而可能导致严重的“委托—代理” 问题，引发员工的偷懒行为和“敲竹杠” 行为，即通过重新谈判来提高工资待遇与就业条件，这会进一步增加企业的代理成本和劳动力调整成本，降低其长期盈利能力。相比之下，工业机器人的使用不受劳动保护法规的限制，其具有高度自动化、可重复编程等特点，只需要极少数劳动力进行操作，也不存在信息不对称问题(Dixon 等，2021)，这会充分降低员工议价能力提升和机会主义行为对企业灵活调整就业规模的限制，因此企业也会更愿意使用工业机器人。据此，本文提出假说3。

假说3:劳动保护会通过提高劳动力调整成本促进企业使用工业机器人。

此外，考虑到工业机器人的安装需要支付巨大的固定成本和资金投入(Fan 等，2021)，同时企业对劳动力成本变动的敏感程度存在差异，因此劳动保护对企业使用工业机器人的促进作用可能存在异质性效应。首先，企业使用工业机器人时需要权衡固定成本和可变成本。大企业往往拥有充裕的资金，在固定成本分摊方面具有比较优势，且更容易通过安装工业机器人形成规模经济效应(綦建红和付晶晶，2021)。与此同时，大企业的员工规模通常较大，使用工业机器人更有利于抵消劳动力成本上升对其利润的侵蚀。因此，劳动保护对大企业使用工业机器人的促进作用相对更大。其次，工作任务程序化程度较高的工人主要从事重复性高且简单、常规的工作，技能可替代性强，企业与之签订劳动合同的激励相应较弱。然而，劳动保护的强化使得企业在雇用和解雇低技能员工时面临更高的成本，而为了使低技能员工能够适应不同的生产任务，企业还需要增加额外的岗位培训成本。相较之下，工业机器人与低技能员工的技能具有完美的替代性。因此，劳动保护对工作任务程序化程度较高的企业使用工业机器人的激励效应相对更强。最后，当企业对劳动力成本变动较为敏感时，加强劳动保护会额外增加其用工成本和经营不确定性，而工业机器人可以克服劳动法规和劳动力市场的刚性限制，从而促进企业稳定经营和灵活调整。因此，劳动保护强化会促使对劳动力成本变动较为敏感的企业相对较多地使用工业机器人。据此，本文提出假说4。

假说4:当企业规模较大、工作任务程序化程度较高以及对劳动力成本变动较敏感时，劳动保护对其使用工业机器人的促进效应更大。

三、制度背景、模型设定与数据说明

(一)制度背景

1986 年，我国首次引入了劳动合同，其主要目标之一是打破“铁饭碗” 制度。为了规范雇佣关系，1995 年我国颁布并实施了第一部正式的劳动法——《中华人民共和国劳动法》(以下简称《劳动法》)，对劳动合同、工资待遇最低标准、社会保险和福利以及劳动争议的解决方式做出了详细规定。然而，《劳动法》的主要目标是提高国有企业的效率，且没有明确规定劳动双方在劳动争议过程中的惩罚措施，因此执行范围和执行力度相对有限。21 世纪初，随着经济发展水平的提高和用工成本的上涨，企业任意降低员工工资、解雇员工等行为屡见不鲜(熊瑞祥和万倩，2022)，且劳动双方的劳动合同签订率较低，致使劳动者在权益遭受损害时无法获得有效的法律保障和救济渠道，这形成了对经济和社会的协调可持续发展的隐患，也推动了劳动合同制度立法的进程。①“ 《劳动合同法》立法的背后”，中国人大网，2007 年7 月10 日，http://www.npc.gov.cn/zgrdw/npc/xinwen/lfgz/lfdt/2007-07/10/content_368699.htm。为了完善劳动合同制度、切实保护劳动者的合法权益，2007 年6 月，中华人民共和国全国人民代表大会常务委员会(以下简称“全国人大常委会”)审议通过了《劳动合同法》，并于2008 年1 月1 日起正式实施。《劳动合同法》就劳动合同的订立、履行、变更、解除和终止进行了明确的规定，并对集体合同、劳务派遣、非全日制用工等用工形式的薪酬进行了详细说明。

与1995 年实施的《劳动法》相比，《劳动合同法》在劳动保护方面做出了以下三个方面的改进。第一，《劳动合同法》特别强调工人的基本权利，要求企业在“用工之日”起就与工人建立劳动关系，订立书面劳动合同，从而直接提高了企业的劳动力成本，限制了其任意解雇员工的能力。第二，《劳动合同法》对劳动合同的期限和试用期进行了明确的规定。例如，同一企业与同一劳动者只能约定一次试用期，劳动合同期限不满三个月不得约定试用期，劳动者在企业连续工作满十年或者订立二次劳动合同，则应当订立无固定期限劳动合同等。因此，企业不能通过任意延长试用期或频繁辞退员工来降低劳动力成本。第三，《劳动合同法》明确规定了对企业劳动合同违法行为的法律责任，并要求违反义务的企业向合法权利受到侵犯的工人支付经济补偿，由此也提高了工人监督企业遵守法规的激励。

不仅如此，《劳动合同法》的执行力度比我国之前出台的一系列劳动法律法规都更加严格，为保障劳动者合法权益提供了更多法律支持，故立法效果显著。根据全国人大常委会执法检查组的调研结果，截至2010 年底，全国规模以上企业劳动合同签订率达到97%；Li 和Freeman (2015)基于珠江三角洲的调查也发现，《劳动合同法》的实施使得农民工的劳动合同签订率从2006 年的42.76%上升到2009 年的62.76%。①尹蔚民:“全国规模以上企业劳动合同签订率达97%”，中央政府门户网站，2010 年12 月30 日，https://www.gov.cn/govweb/jrzg/2010-12/30/content_1775943.htm。此外，《劳动合同法》的实施由全国人大常委会决定，任何企业都无法单独影响这一进程，故该法律的出台对企业而言是外生的。正因为如此，《劳动合同法》也被视为一个研究中国劳动力市场改革问题的准实验(Cui 等，2018；Li 等，2022)。

(二)模型设定

为了考察劳动保护对企业使用工业机器人的影响，本文基于《劳动合同法》实施的准实验设定如下双重差分模型:

其中，被解释变量Robotit表示企业i在第t年的工业机器人使用数量。既有研究主要利用两种方式来衡量企业的工业机器人使用水平，一是利用IFR 提供的工业机器人安装数据(王永钦和董雯，2020)。然而，该数据仅提供2 位数行业层面的信息，直接用来代理企业的工业机器人使用数量会面临较大的测量误差。二是使用中国海关数据库中的工业机器人进口数量来衡量(Fan 等，2021；綦建红和付晶晶，2021)。鉴于数据可得性和研究目的，本文基于HS 8 产品代码提取了企业的工业机器人进口数量。同时，考虑到样本中有大量的企业未进口过工业机器人，因此本文参考Liu 和Qiu (2016)关于专利数量的度量方法，以企业工业机器人进口数量的反双曲正弦值来衡量。②计算公式为Robotit ＝log (r＋，其中r 为企业工业机器人进口数量。本文的核心解释变量Contractcs是一个用于衡量劳动保护强度的连续变量，用2005 年企业i所处城市c行业s中未签订劳动合同工人在全部工人中的占比来衡量③该变量可由2005 年全国1%人口抽样调查数据中的相关变量计算得到。，其经济学逻辑是:相比未签订劳动合同工人占比低的城市和行业(对照组)，未签订劳动合同工人占比高的城市和行业(处理组)受《劳动合同法》的影响程度更高；这一思路与Topalova (2010)在研究不同地区的贸易自由化暴露程度(exposure)对当地劳动力市场影响的做法相似。并且，由于使用的数据早于《劳动合同法》实施的2008 年，故该变量可以被视为相对外生。Postt表示《劳动合同法》实施年份的虚拟变量，当t大于或等于2008 时取1，否则取0。因此，β1为本文主要关注的劳动保护对企业使用工业机器人的影响系数；根据假说1，预期其为正。

Zict表示一系列可能影响企业工业机器人使用的控制变量，具体包括:地区经济发展水平(GDP_per)，用城市人均GDP 的自然对数来衡量；地区人口规模(Pop)，用城市年末总人口数的自然对数来衡量；地区产业结构(Ind)，用城市第二产业增加值在GDP中的比重来衡量。考虑到2008 年金融危机对我国企业的生产和投资行为造成了负面冲击，可能会对企业的工业机器人使用数量产生消极影响；与此同时，既有文献发现，金融危机对出口企业(外销企业)的影响更加显著，而对非出口企业(内销企业)的影响较小(李建强和赵西亮，2020)。鉴于此，本文控制了企业在《劳动合同法》实施前(事前)的出口状态变量(Export)与Post的交互项来排除金融危机的影响。其中，Export为一个虚拟变量，当企业在2004—2007 年间的出口交货值大于0 时取1，否则取0。为了进一步排除企业层面固有的工业自动化技术使用趋势对估计结果的潜在干扰，本文还参考Cao 和Chen (2022)的研究，控制了企业事前使用工业机器人数量的增速与年份固定效应的交互项。①考虑到企业规模等特征可能会同时受到《劳动合同法》实施以及企业工业机器人使用的影响，从而导致“坏控制” (bad control)问题(Angrist 和Pischke，2009)，故本文参考Fan 等(2021)的做法，在基准回归中未加入其他随时间变动的企业控制变量。λi表示企业固定效应，用于控制不随时间变动的企业特征对其使用工业机器人的影响。λpt表示省份—年份固定效应，用于控制省份层面随时间变动的不可观测因素对企业使用工业机器人的影响，例如区域重大战略、劳动力禀赋、工资水平、人口流动等。λst表示2 位数行业—年份固定效应，用于控制行业层面随时间变化的不可观测因素对估计结果的潜在干扰，例如国家层面在不同年份实施的产业政策、行业竞争程度、工会化趋势、需求冲击等。需要说明的是，同时控制省份—年份固定效应和2 位数行业—年份固定效应的另一个考虑是为了排除我国在2008 年底开始推行的“四万亿计划” 的影响。该计划主要在地区层面与行业层面展开，提供了一揽子刺激方案，由此促进了企业开展大规模逆周期投资(钟宁桦等，2021)，这可能会激励企业使用工业机器人。②具体举措包括制定十大产业振兴规划、加大地区基础设施建设投资等。εit为随机扰动项，由于核心解释变量《劳动合同法》的政策冲击差异主要体现在城市—行业之间，而同一城市同一行业中不同企业的随机扰动项可能相关，故本文将标准误聚类在城市—2 位数行业层面(Bertrand 等，2004)。

表1 展示了本文主要变量的描述性统计分析。其中，企业的工业机器人使用数量均值约为0.02，标准差约为1.33，表明企业之间的工业机器人使用水平存在较大差异。同时，约有57.6%的工人未签订劳动合同，标准差为0.22，表明不同城市和行业间的初始劳动保护强度也存在较大差异。

表1 变量的描述统计

(三)数据说明

本文使用的数据有三个主要来源。第一，中国工业企业数据库(以下简称“工企数据库”)，该数据库的统计对象为我国全部规模以上工业企业，主要提供企业基本信息和财务信息，例如企业名称、法人代码、资产总额、员工人数和出口交货值等。本文参照寇宗来和刘学悦(2020)的做法，依次利用法人代码、企业名称等信息将历年工企数据匹配形成面板数据，然后又剔除年销售额在500 万元以下、员工人数少于8 人、流动资产高于总资产、固定资产高于总资产，以及年销售额、员工人数或总资产等主要数据缺失的企业样本。

第二，中国海关数据库(以下简称“海关数据库”)，该数据库主要提供企业进出口信息，例如企业名称、HS 8 产品代码、交易数量和交易金额等。本文使用HS 8 产品代码提取出企业层面的工业机器人进口数据，以衡量其工业机器人使用数量。①包括多功能工业机器人 (84795010)、其他未列名工业机器人 (84795090)、喷涂机器人(84248920)、搬运机器人(84289040)、集成电路工厂专用的自动搬运机器人(84864031)、电阻焊接机器人(85152120)、电弧焊接机器人(85153120)和激光焊接机器人(85158010)等。其中的逻辑在于，我国在2013 年之前超过80%的工业机器人都是从国外进口的，因此采用海关数据库中的进口工业机器人数量来度量我国企业的工业机器人使用数量较为准确。同时，为了避免2012 年之后出台和实施的《关于推进工业机器人产业发展的指导意见》、“十三五” 规划、“中国制造2025” 等其他可能导致工业机器人进口份额变化的政策冲击的影响，本文还借鉴Fan 等(2021)的做法，仅使用2012 年前的工业机器人进口数据展开经验分析。②因篇幅所限，本文省略了使用2012 年前海关进口工业机器人数据的合理性分析，感兴趣的读者可在《经济科学》官网论文页面“附录与扩展” 中下载。尽管如此，以进口工业机器人数量来衡量机器人使用水平依然会忽略本土品牌的工业机器人数量，从而可能导致系数被低估(綦建红和付晶晶，2021)。因此，本文基准回归的估计值可以理解为劳动保护影响企业使用工业机器人的下限。最后，为了确保数据中企业进口工业机器人不是出于销售或其他非自用目的，本文还删除了外贸企业和机器人制造商的样本。参考Ahn 等(2011)的研究，外贸企业为名称中包括“进口”、“出口” 或“贸易” 等关键词的企业；机器人制造商为经营范围中包含“机器人”和“生产” (或“制造”、“加工”)等关键词的企业。

第三，2005 年全国1%人口抽样调查数据库，该数据库调查范围为2004 年11 月1 日至2005 年10 月31 日间全国各县(市、区)约1 705 万人(占全国总人口的1.31%)，主要包括住户基本信息、工作状态、签订劳动合同情况等信息。本文分别将未签订劳动合同的就业人数和全部就业人数加总到城市—行业层面，然后以未签订合同就业人数占总就业人数的比重来反映不同城市—行业间劳动保护强度的差异，该比值越大意味着某一城市的某一行业中未签订劳动合同的员工比例越高，其受《劳动合同法》的潜在影响越大。此外，本文使用的其他城市层面和省级层面的指标主要来自《中国城市统计年鉴》、《中国统计年鉴》、《中国劳动统计年鉴》以及中国研究数据服务平台(CNRDS)等，个别年份的缺失值利用地方政府工作报告、省级统计年鉴以及线性插值法进行补齐。

在此基础上，本文首先使用企业名称将工业机器人进口数据与工企数据进行匹配，然后利用城市名称将微观企业数据与城市数据进行匹配。与此同时，本文还剔除了在2008 年《劳动合同法》颁布前退出和实施后进入的企业。最终，我们得到2004—2012年制造业企业样本，包括220 947 家企业的1 326 552 个观测值。

四、实证结果分析

(一)基准分析

表2 为基准回归结果。第(1)列仅加入核心解释变量Contract×Post，并控制了企业固定效应和年份固定效应；第(2)列在第(1)列的基础上加入省份—年份固定效应、行业—年份固定效应以及企业事前工业机器人使用数量的增速与年份固定效应的交互项；第(3)列在第(2)列的基础上加入了城市层面的控制变量；第(4)列进一步加入了企业事前出口状态Export与Post的交互项。各列的结果显示，Contract×Post的估计系数均在5%的显著性水平上为正，表明2005 年企业所在城市和行业未签订劳动合同工人占全部工人的比例越高，《劳动合同法》带来的劳动保护程度提高对该城市—行业中的企业影响越大，因而这些企业更倾向于使用工业机器人，即劳动保护的强化显著提高了企业使用工业机器人的数量，假说1 得到验证。从控制最为严格的第(4)列可知，本文关心系数的估计值约0.006。而样本期内城市—行业层面未签订劳动合同工人占比均值为57.6%，这意味着《劳动合同法》的实施会使得城市—行业层面未签订劳动合同工人占比处在均值(57.6%)的企业，相比城市—行业层面未签订劳动合同工人占比为0 的企业，使用工业机器人的数量增加约0.35% (≈0.006×0.576)。同时，在样本期内，企业使用工业机器人数量的年平均增长率约为7.33%，0.35%与7.33%的比例约为4.8%，其经济意义显著性较为合理。

表2 基准回归结果

(二)事前同趋势假设检验与《劳动合同法》的动态影响

双重差分方法的关键假设是平行趋势:政策发生之后，处理组如果不接受处理时的变化趋势(即处理组的“反事实”)，则应该与同一时期对照组的变化趋势相同(Angrist 和Pischke，2009)。但现实中我们无法观察到，政策发生之后，处理组未接受处理时的变化趋势，故不能直接检验平行趋势。按照Angrist 和Pischke (2009)的做法，本文通过检验政策发生之前，处理组与对照组是否遵循相同的时间趋势(即事前同趋势)来间接地验证平行趋势假设是否成立。具体地，本文利用如下式所示的事件分析法回归方程进行检验:

其中，当年份为t时，Yeart取值为1，否则为0；其余变量的取值情况与式(1)相同。本文选取《劳动合同法》实施的前一期2007 年作为基准，故交互项Contractcs×Yeart的估计系数，例如β2004(β2008)，表示:在2004 年至《劳动合同法》出台前1 年(后1年)间，劳动保护强度较低的城市和行业中企业使用工业机器人水平的变化，与同一时期劳动保护强度较高的城市和行业中企业使用工业机器人水平的变化之间，是否存在显著差异。由于《劳动合同法》在2008 年1 月1 日才开始正式实施，故本文推断，β2004应该在统计学意义上不显著；反之，如果β2004显著为正(负)，则意味着在《劳动合同法》实施之前，相比劳动保护强度较高的城市和行业，劳动保护强度较低的城市和行业中企业的工业机器人使用水平已经呈现出更高(低)的增长趋势，即基准模型中劳动保护对企业使用工业机器人的正向影响可能被高(低)估。

图2 展示的估计系数表明，在2008 年之前，βt的大小接近于0 且均在统计上不显著，表明在《劳动合同法》实施之前，劳动保护强度较高的城市和行业与劳动保护强度较低的城市和行业中企业的工业机器人使用数量没有显著差异，即事前同趋势假设成立，这一发现同熊瑞祥和万倩(2022)在研究劳动保护对私营企业出口的经济影响时没有发现预期效应一致。同时，在2008 年之后，βt显著大于0 且其影响在2009 年及之后年份基本保持稳定，表明《劳动合同法》的实施对企业使用工业机器人产生了持续的正向影响。

图2 事前同趋势检验与《劳动合同法》的动态效果

(三)稳健性检验①稳健性检验的具体内容和估计结果请见《经济科学》官网“附录与扩展” 中第二部分。

第一，安慰剂检验。为了排除不可观测且随时间变动的城市—行业层面遗漏变量的影响，本文通过随机生成“虚假” 的处理状态变量来开展安慰剂检验。结果发现，“虚假” 的平均效应系数呈正态分布且均值接近于0，小于“真实” 的估计值0.006 (见表2第(4)列)，本文的结论稳健。第二，更换主要变量的衡量方式。一方面，本文使用企业工业机器人进口数量加1 取自然对数和企业当年是否使用工业机器人虚拟变量作为被解释变量进行回归；另一方面，本文还基于Contract的中位数生成是否高劳动保护强度城市—行业虚拟变量进行回归，同时也分别在城市内部不同行业层面重新计算劳动保护强度进行回归。第三，更换样本范围，本文分别使用平衡面板、剔除《劳动合同法》实施前工业机器人使用数量排名前十位的行业样本以及年销售收入大于2 000 万元的企业样本进行回归。第四，更换标准误聚类层级。为了排除不同城市或行业中企业随机扰动项的序列相关性问题，本文分别将标准误聚类在城市层面和2 位数行业层面进行回归。第五，排除其他干扰因素，包括金融危机、“四万亿计划”、本地劳动力市场特征(低技能劳动力流动状况、劳动力成本和劳动保障水平)、事前企业规模以及“两税合一” 政策的影响。上述检验的结果发现，核心解释变量的估计系数均显著为正，从而证明了本文研究结论的可靠性和稳健性。

五、机制检验

根据假说2 和假说3，劳动保护强化会提高劳动力直接成本和劳动力调整成本，从而促进企业使用工业机器人，本部分将依次验证这两个机制是否成立。

(一)劳动力直接成本机制

劳动保护会增加劳动报酬、员工福利等与劳动力相关的直接成本，提高劳动力相对价格和企业的生产成本，从而激励企业使用工业机器人。本文设定如下所示的回归方程来检验这一机制:

其中，Yit表示企业的劳动力成本，本文使用两种方式来衡量:一是以企业应付工资总额与劳动力数量之比计算人均劳动力成本(Laborcost)；二是以企业应付工资总额与应付福利费总额之和来衡量广义的劳动力成本，然后将其除以劳动力数量计算广义的人均劳动力成本(Laborcost_gen)。回归结果如表3 第(1)列和第(2)列所示，可以看出，交互项的估计系数均显著为正，表明相比劳动保护强度较高的城市和行业，《劳动合同法》的实施提高了劳动保护强度较低的城市和行业中企业的人均劳动力成本。与此同时，本文还将企业应付工资总额以及广义劳动力成本分别除以增加值，生成劳动收入份额(Laborshare)和广义的劳动收入份额(Laborshare_gen)来进行稳健性检验，结果如表3第(3)列至第(4)列所示，交互项的估计系数同样显著为正。①由于2009—2012 年工企数据库中的应付福利费总额数据存在缺失，以此计算的广义劳动力成本缺失了一些观测值。以上结果共同表明，劳动保护可以通过增加劳动力直接成本渠道促进企业使用工业机器人，假说2 得到验证。

表3 机制检验:劳动力直接成本

(二)劳动力调整成本机制

相比工业机器人，劳动力的比较优势在于更加灵活，这使得企业在面对不确定性时能够通过迅速雇用或解雇员工来调整生产规模。然而，劳动保护的强化使得劳动力市场不再是无摩擦的，由此提高了企业的劳动力调整成本，降低了企业的经营灵活性，从而激励其使用工业机器人。由于无法直接衡量企业的劳动力调整成本，故本文从如下两个方面来间接验证这一机制。第一，就业不确定性较强的企业往往需要频繁地雇用或解雇劳动力，而如果工业机器人使用数量增加是企业难以调整劳动力规模所致，则应该能够观察到在《劳动合同法》实施之后，就业不确定性较高的企业会相对增加工业机器人的使用。根据这一思路，本文设定如下所示的三重差分模型进行检验:

其中，ΔLs表示企业所在行业的就业波动率，本文参考Presidente (2017)的做法，以2004—2007 年2 位数行业就业增长率的标准差来衡量，该值越大意味着在《劳动合同法》实施前，行业的就业不确定性越高；其余变量的含义与式(1)一致。回归结果如表4 第(1)列所示，三乘交互项的估计系数显著为正，表明劳动保护导致就业不确定性更高的企业使用了相对更多的工业机器人，即劳动保护通过提高企业的劳动力调整成本来激励其自动化转型，这一发现与Presidente (2017)的研究结论一致。

表4 机制检验:劳动力调整成本

第二，本文还采用另外一种方式来检验上述机制。根据Serfling (2016)的研究，劳动保护会使劳动力成本更加固定，继而降低企业的经营弹性和利润。企业销售收入的单位变动会引发收益较大幅度的变动，表明其经营灵活性较小、调整成本较高。据此，本文通过检验劳动保护是否显著提高了企业的利润变动相对销售收入变动的弹性来进行验证，模型设定如下:

其中，ΔProfitit和ΔSaleit分别表示企业利润总额和销售收入取自然对数后的变动量，其余变量的含义与式(1)一致。回归结果如表4 第(2)列所示，ΔSale与三乘交互项的估计系数均显著为正，表明在《劳动合同法》实施之前，企业销售收入下降1%能够导致利润下降1.08%；但在《劳动合同法》实施之后，企业销售收入下降1%能够导致利润下降1.26%，利润变动相对销售收入变动的弹性提高了16.7% (0.18/1.08)，这一比例与Serfling (2016)的结果相似。①Serfling (2016)发现劳动保护法规的实施导致利润变动相对于销售收入的变动提高了15.4%。综合以上分析可知，劳动保护降低了企业的经营灵活性，通过增加劳动力调整成本来促进企业使用工业机器人，假说3得到验证。

六、异质性检验和拓展性分析

前文主要估计了劳动保护对企业使用工业机器人的平均影响，本部分将进一步基于企业和地区层面的特征，利用三重差分法进行异质性检验，以展现中国企业使用工业机器人的约束与激励。

(一)企业异质性

根据假说4，当企业规模较大、工作任务程序化程度较高以及对劳动力成本变动较敏感时，劳动保护对其使用工业机器人的促进效应更大，本文将使用三重差分法对该假说进行检验。首先，在表5 第(1)列中，本文将是否为大企业虚拟变量Large与Contract×Post的交互项代入式(1)进行回归。结果发现，三乘交互项的估计系数显著为正，表明相比小企业，劳动保护对大企业使用工业机器人的激励作用更强。其次，由于工企数据库中缺乏企业层面的工作任务程序化程度数据，故本文利用2 位数行业的常规性程度进行代理，该值越大意味着行业内企业的工作任务越容易被工业机器人替代。在此基础上，本文根据中位数生成高任务程序化行业虚拟变量Routine，并将其与Contract×Post的交互项代入式(1)进行回归。结果如表5 第(2)列所示，三乘交互项的估计系数显著为正，表明相比任务程序化程度较低的行业，劳动保护对任务程序化程度较高行业使用工业机器人的促进效应更强。最后，本文使用两种方式来衡量企业对劳动成本变动的敏感程度。一方面，国有企业在经济发展中承担着稳定就业的社会责任(王永钦和董雯，2020)，对劳动力成本变化的反应相对不敏感，因此其在面对劳动保护强化时也不会大规模地使用工业机器人。据此，本文在表5 第(3)列中加入了是否为国有企业虚拟变量Soe与Contract×Post的交互项进行回归。结果显示，三乘交互项的系数显著为负，表明相比非国有企业，劳动保护对国有企业使用工业机器人的促进作用更小。另一方面，与生产成本相关的竞争优势是企业参与国际竞争的重要条件，故出口企业往往对劳动力成本变动的反应更敏感。这意味着，相比非出口企业，出口企业更有动力通过使用工业机器人来抵消劳动力成本上涨的影响(Koch 等，2021)。鉴于此，本文在表5 第(4)列中加入了是否出口企业虚拟变量Export与Contract×Post的交互项进行回归。结果显示，三乘交互项的估计系数显著为正，由此支持了上述观点。综上所述，假说4 得到验证。

表5 企业层面的异质性

(二)地区异质性①地区异质性检验的具体内容和估计结果请见《经济科学》官网“附录与扩展” 中第三部分。

为了全面展现劳动保护对中国企业使用工业机器人的影响效果，本文进一步从地区劳动力成本、法律制度环境以及劳动者维权意识视角出发，利用三重差分法进行了异质性检验。结果发现，当地区劳动力成本较高、法律制度环境较为优良、劳动者维权意识较强时，劳动保护对企业使用工业机器人的促进作用相对更大。

(三)拓展性分析:工业机器人的就业效应②拓展性分析的具体内容和估计结果请见《经济科学》官网“附录与扩展” 中第四部分。

本文还借鉴Acemoglu 等(2020)的方法，检验了中国情境下企业使用工业机器人的就业和经济影响。结果发现，使用工业机器人显著提高了企业的劳动力雇佣数量、平均工资、增加值以及劳动生产率。这意味着，在使用工业机器人后，企业实现了产出规模扩张和生产效率提升，通过生产率效应增加了额外的劳动力需求。这一结论与Bessen 等(2020)、綦建红和付晶晶(2021)以及李磊等(2021)的研究发现相一致。

七、主要结论与政策建议

近年来，工业机器人兴起引致的“机器换人” 现象在全球范围内日益激烈，厘清这一现象背后的动因，对于我国加快实现高质量发展和高质量充分就业具有重要意义。鉴于此，本文基于2004—2012 年中国工业企业数据和中国海关数据的匹配数据，将2008年《劳动合同法》的实施视为一次外生冲击，系统考察了劳动保护对中国企业使用工业机器人的影响和作用机制，并得出了以下结论。第一，相比初始劳动保护强度较高的城市和行业，《劳动合同法》的实施显著提高了劳动保护强度较低的城市和行业中企业的工业机器人的使用数量。第二，机制分析表明，劳动保护主要通过提高劳动力直接成本和劳动力调整成本来促进企业使用工业机器人。第三，企业层面的异质性分析表明，这一促进作用对于规模较大、工作任务程序化程度较高以及对劳动力成本变动较敏感的企业更强；地区层面的异质性分析进一步表明，这一促进作用在劳动力成本较高、法律制度环境较好、劳动者维权意识较高的地区更大。第四，拓展性分析发现，工业机器人的使用通过生产率效应增加了企业的劳动力需求和平均工资。

基于上述结论，本文主要得出以下三个方面的政策建议。首先，劳动保护强化引致的劳动力成本上升促进了企业使用工业机器人，而工业机器人的使用则通过生产率效应提高了整体的就业和工资水平。这意味着，各级政府应强化劳动保护，完善劳动关系协调机制，维护劳动者的合法权益，不断提高劳动者待遇。同时，应围绕市场需求和产业基础，制定工业机器人产业发展规划，通过专项资金补贴等方式鼓励制造业企业应用工业机器人以及其他智能制造设备来实现自动化、智能化和数字化转型。其次，强化人力资本积累，加快发展动能转换，主要包括:加大教育投入，增加优质在线教育和共享资源供给，优化教育质量，培养知识密集型人才，在全社会范围内提高人力资本水平，逐步从“人口红利” 向“人才红利” 的平滑过渡，由此一方面缓解劳动力成本的持续上升对企业可能带来的负面冲击，另一方面强化劳动力相对工业机器人的比较优势，使二者在技能分工中实现优势互补。最后，加强职业技能培训，提高劳动者素质。开展长期职业教育和公益性培训，培养“大国工匠”，积极引导劳动者适应由工业机器人兴起而孕育出来的新工作岗位。针对被机器人等智能制造替代风险较高的就业群体，要加强其在岗、转岗、脱岗培训，促进其工作技能和岗位需求结构性匹配，推动工业机器人和劳动力良性竞争，全面实现高质量发展与高质量充分就业双重目标。

本文还存在一些值得进一步深入研究的地方。例如，如何将多部门、多地区情形纳入现有理论框架，并结合结构化估计方法进行一般均衡效应分析，将有利于加深对企业使用工业机器人动因问题的理解。同时，如何系统评估劳动保护和企业“机器换人” 的长期效应与福利效应，及其对小微企业、初创企业的影响，亦有待进一步研究。①特别感谢匿名审稿专家指出本文的这些不足之处。