最低工資政策與工業機器人應用?——來自微觀企業層面的證據

綦建紅 付晶晶

(山東大學經濟學院 山東濟南 250100)

一、引 言

改革開放以來的很長一段時間里，中國憑借低廉的成本優勢顯著提升了“中國制造”在全球經濟格局中的影響力。然而，近年來人口老齡化趨勢日益明顯，人口紅利逐漸消失，低成本優勢不再(陸旸和蔡昉，2016)。據國家統計局數據，2000—2019 年中國城市平均工資上升了近9 倍，其中最低工資標準的不斷調整是工資上漲極為重要的因素之一。一方面，最低工資政策于2004 年在全國范圍內實施，是政府保障勞動者權益、促進社會公平的重要手段；另一方面，最低工資上調會增加企業用工成本、壓縮企業利潤空間，逐漸削弱制造業的成本競爭優勢，給企業帶來嚴峻挑戰。隨著人工智能時代的到來，中國企業為應對勞動力短缺和用工成本上漲帶來的挑戰，有可能會加快智能化的步伐。據國際機器人聯合會(IFR)的報道，中國工業機器人的應用數量迅猛增加，自2013 年以來已成為全球規模最大、增速最快的機器人市場。

盡管從勞動力市場制度出發研究機器人應用，是一項有趣且有意義的研究(Acemoglu 和Restrepo，2018a)，但令人遺憾的是，最低工資這一外生政策是否是影響工業機器人在企業層面應用的制度因素，從已有文獻中尚無確切答案。本文使用最低工資政策作為勞動力市場制度的代理變量，不僅考察其是否促進了工業機器人在企業層面的應用，而且還進一步思考了工業機器人應用對最低工資制定初衷的沖擊，從而更加全面地識別工業機器人應用對勞動力市場的影響，據此制定合理的機器人產業政策，對于推進中國智能化進程、實現經濟高質量發展意義重大。

本文可能的邊際貢獻有二:其一，在研究視角方面，本文從勞動力市場制度出發，以2004 年?最低工資規定? 這一強制性措施的出臺作為“準自然實驗”，使用雙重差分模型考察最低工資政策能否通過提升企業平均工資和政策遵從力度渠道，促進工業機器人應用；其二，在內容拓展方面，本文進一步考察了工業機器人對勞動力市場的影響，認為最低工資政策不僅直接影響勞動力市場，還會通過影響工業機器人應用間接影響勞動力市場，該結論補充了最低工資政策影響勞動力市場的間接渠道，豐富了最低工資政策對勞動力市場影響的相關研究。

二、文獻綜述

以往文獻重點研究的是機器人應用對勞動力市場的沖擊，鮮有文獻考察是什么因素(特別是勞動力市場因素)導致了工業機器人的應用。

機器人應用對勞動力市場的沖擊，主要作用于兩個方面:一是在勞動力就業和收入水平方面，學者們尚未達成一致結論。有的學者認為，機器人對勞動者存在“替代效應”(Borjas 和Freeman，2019)。例如，Acemoglu 和Restrepo (2020)以美國1990—2007年勞動力市場為例，發現千名工人中每增加一臺機器人，就業人口比率會下降0.18%—0.34%，工資會下降0.25%—0.5%。然而，有的學者認為機器人存在“創造效應”(Acemoglu 等，2020b)。例如，Dekle (2020)以日本為例，發現機器人應用增加了對勞動力的需求，對日本就業產生了積極影響。還有的學者認為，機器人在短期內會呈現“替代效應”，長期則呈現為“創造效應”(Acemoglu 和Restrepo，2018b)。例如，孔高文等(2020)發現，盡管機器人大規模應用會顯著降低本地未來一年的就業水平，但從中長期看，機器人的使用不僅會增加勞動力需求，而且會提高其報酬水平。二是在勞動者收入差距方面，大多數學者認為，機器人應用擴大了勞動者之間的收入差距，進一步加劇了勞動力市場的不平等(Guerreiro 等，2017)，這種收入差距的擴大主要體現為低技能和低收入人群受損，高技能和高收入人群獲益(Acemoglu 和Restrepo，2018c)。然而，也有學者提出，產業智能化提升了低收入人群的工資水平，緩解了社會收入不平等的程度(楊飛和范從來，2020)。

盡管圍繞機器人的研究與日俱增，但鮮有學者探討機器人應用的原因。Acemoglu 和Restrepo (2018a)從人口學角度出發，認為人口老齡化會導致工業機器人更密集的使用和發展。Cheng 等(2019)使用企業調查數據，發現勞動力短缺和勞動力成本上升是中國企業使用機器人的根本原因。Fan 等(2021)使用中國工業企業數據庫和海關數據庫的匹配數據，按照HS 6 位編碼識別企業進口機器人的記錄，以最低工資標準的對數值作為勞動力成本的代理變量，研究了勞動力成本對中國企業使用機器人的影響。

與此同時，梳理最低工資政策的相關文獻有助于厘清最低工資政策對工業機器人應用的影響機制。已有研究表明，最低工資政策會對企業產生成本效應、激勵效應、替代效應和創新效應(馬雙和賴漫桐，2020)，其中成本效應和替代效應是主要的影響渠道。前者認為企業用工成本增加是最低工資標準上漲對企業最直接的影響；后者提出當最低工資標準提升導致企業用工成本增加時，企業可能會選擇使用機器來代替人工以提高生產效率(劉子蘭等，2020)。根據Gan 等(2016)的研究，最低工資標準在2004 年前后的執行力度存在顯著差異。雖然大多省份在1994—2003 年實行了這一制度，但是最低工資標準的水平、調整頻次和執行力度對企業的影響十分有限，而2004 年?最低工資規定? 的頒布使得最低工資政策效力和執行力度有所加強，企業也更好地貫徹和執行最低工資政策(蔣靈多和陸毅，2017)。上述文獻為本文研究最低工資政策對企業使用機器人的影響渠道提供了思路。

三、數據與特征事實

(一)數據來源

本文使用2000—2013 年中國工業企業數據庫、海關數據庫、城市最低工資數據和國泰安城市數據庫的匹配數據。本文采用中國海關數據庫中企業進口機器人數據作為機器人應用的代理變量，主要基于三點考慮:一是盡管以進口數量作為機器人應用的做法會忽略國產機器人和代工機器人部分，導致系數低估，但同時也忽略了貿易中間商和機器人制造商，導致系數高估，這在一定程度上控制了誤差范圍；二是目前機器人的權威使用數據來自IFR，如圖1 所示，無論是海關進口機器人數量，還是IFR 機器人應用數量，二者總體保持一致，說明機器人進口一定程度上可以反映機器人應用狀況；三是囿于企業層面的機器人應用數據不可得，已有文獻多采用企業進口機器人作為機器人應用的代理變量(Acemoglu 和Restrepo，2018a；Fan 等，2021)。但是，本文數據也存在一定的局限性，如前文所述，由于企業層面使用國產和代工機器人的數據無法獲取，有可能存在低估現象；對海關數據庫和中國工業企業數據庫匹配時，匹配成功的進口機器人企業約占進口機器人總企業數的48.4%，出現了一半左右的樣本損失。

圖1 中國工業機器人使用數量與進口數量對比

本文數據匹配過程如下。首先，與Fan 等(2021)不同，本文按照HS 8 位編碼篩選企業進口機器人的數據①機器人HS 8 位編碼比HS 6 位編碼更準確，包括84248920 (噴涂機器人)、84289040 (搬運機器人)、84795010 (多功能工業機器人)、84795090 (其他工業機器人)、84864031 (工廠自動搬運機器人)、85152120 (電阻焊接機器人)、85153120 (電弧焊接機器人)和85158010 (激光焊接機器人)。；其次，借鑒Upward 等(2013)的做法，本文對企業進口機器人數據和中國工業企業數據庫進行匹配，獲得本文的基礎數據；最后，城市最低工資數據由筆者從地方政府網站、政府公報和人社部網站等手工搜集而得，并將所得的285 個城市最低工資數據與國泰安城市數據庫進行匹配，獲得城市面板數據庫后，再與基礎數據進行最終的匹配。在數據處理時，本文根據國家統計局公布的CPI 數據(以2000 年為基期)對各名義變量進行平減處理；同時為減少極端值的影響，對所有連續變量均做前后1%水平的縮尾處理。最終，本文得到2000—2013 年285 個城市869 758 家企業的數據，其中進口機器人企業2 196 家，非進口機器人企業867 562 家，共計3 111 883 條觀測值。

(二)特征事實

1.最低工資標準不斷提升

2004 年3 月，最低工資政策在全國全面推廣。圖2 為2001—2015 年最低工資標準提升比例分布圖，圖例為城市最低工資標準與上一年相比的提升比例區間，縱坐標為滿足城市最低工資標準提升比例區間的城市數量占總城市數量的比例。可以看出，最低工資標準連年提升，除2009 年受金融危機影響提升幅度較小外，其余年份均有較大漲幅。

圖2 2001—2015 年最低工資標準提升比例分布

2.工業機器人應用數量持續增加

圖3 為主要城市群進口機器人數量占全國總進口機器人數量的比例。其中，長三角地區是全國進口機器人最多的地區，2007 年占比高達62%；其次是京津冀地區，于2008年超過珠三角，成為進口機器人第二大城市群。圖中所示四個城市群進口機器人數量占全國比重超過90%，說明工業機器人應用具有較高的空間集聚效應。

圖3 主要城市群進口機器人占全國比重

進一步具體到城市層面，表1 展示了代表性年份進口機器人排名前十的城市。一方面，工業機器人的應用集中在沿海發達地區。另一方面，近年來進口機器人前十的城市整體變化不大，這在一定程度上說明了機器人應用具有“馬太效應”，即經濟越發達的地區越傾向于使用機器人，而機器人的使用又能進一步促進經濟增長，從而造成“窮者越窮，富者越富”的效應。

表1 代表性年份進口機器人排名前十的城市

3.最低工資標準提升與工業機器人應用量持續上漲

為了考察最低工資標準的提升能否促進工業機器人應用的增加，本文分別繪制了全國年均最低工資標準與全國進口機器人總金額和總數量的趨勢圖(見圖4)。主坐標軸為進口機器人金額(數量)，次坐標軸為最低工資標準，可以看出，最低工資標準連年上漲，與之相伴的是機器人進口金額和數量均呈逐年增加態勢，除2009 年受金融危機的影響進口有所下降外，二者上漲趨勢大致相同，表明最低工資標準與工業機器人應用呈正相關關系。但是，該結論是否成立還需要用科學的計量方法加以驗證。

圖4 2000—2013 年最低工資與工業機器人應用的趨勢

四、實證設計與結果

(一)模型設定

本文借鑒蔣靈多和陸毅(2017)，以2004 年?最低工資規定? 頒布作為準自然實驗，構建雙重差分模型探討最低工資政策對企業使用機器人的影響，模型設定如下:

其中，i 表示企業，j 表示城市，h 表示行業，t 表示年份。Valit為企業進口機器人的金額；Treati定義為，若企業在2004 年前一期的平均工資低于2004 年企業所在城市最低工資水平，則為處理組，取值為1，否則為對照組，取值為0。Post 04t定義為，將2004年以后賦值為1，2004 年以前賦值為0，2004 年賦值為5/6。Fit為企業層面的控制變量，包括資產負債率(Alr)、企業年齡(Age)、資本密集度(Capdes)、是否出口(Export)和是否是國有企業(State)。Cjt為城市層面的控制變量，包括城市GDP (Gdp)、GDP 增長率(Growth)和總人口(Pop)。同時，本文還控制了城市固定效應(μj)、行業固定效應(μh)和年份固定效應(μt)，εijt為隨機擾動項。

(二)基準回歸結果

表2 第(1)— (2)列匯報了基準回歸結果。①因篇幅所限，本文僅匯報了核心變量的估計結果，省略了各變量的統計性描述和其余結果，感興趣的讀者可在?經濟科學? 官網論文頁面“附錄與擴展”欄目下載。估計結果顯示，無論是否加入控制變量，核心解釋變量Treati×Post 04t的系數均在1%水平上顯著為正，表明與對照組相比，最低工資政策顯著促進了工業機器人在處理組中的應用。以第(2)列的估計系數為例，在2004 年最低工資政策實施后，相較于對照組企業，處理組企業使用機器人的金額平均提升了0.8 個百分點，最低工資政策的實施顯著促進了工業機器人在企業層面的應用。

(三)穩健性檢驗

1.平行趨勢檢驗

雙重差分模型最重要的前提是滿足平行趨勢，即檢驗政策實施前處理組與對照組之間的趨勢應是平行的且不存在顯著性差異。為此，本文構建如下計量模型進行平行趨勢檢驗:

其中，Yeart為年份虛擬變量，βt表示以2000 年為基期的2001 年、2002 年和2003年的系數估計值，其他變量定義與模型(1)相同。表2 第(3)列的估計結果表明，βt在2001—2003 年均不顯著，說明處理組和對照組在最低工資政策實施前不存在顯著性差異，滿足平行趨勢假定。

2.改變處理組和對照組劃分方式

除基準模型對處理組和對照組的劃分方式外，本文還借鑒廖冠民和陳燕(2014)的做法，根據企業勞動密集度(員工工資與銷售收入之比)劃分處理組和對照組。第一種方式為，計算樣本期間每一家企業各年度勞動密集度的平均值，若企業勞動密集度的均值大于樣本中位數，Treat1 取值為1，否則為0，結果如表2 第(4)列所示。第二種方式為，若企業在2004 年前一期的勞動密集度高于當年所有企業勞動密集度的中位數，Treat2 取值為1，否則為0，結果如表2 第(6)列所示。同時，為保證勞動密集度指標選取的可靠性，本文將勞動密集度指標替換為員工人數與銷售收入之比并分別對上述兩種方式再次回歸，結果如表2 第(5)列和第(7)列所示。上述結果均表明，基準回歸結果具有較好的穩健性。

3.工具變量法

雖然雙重差分模型能夠較好地緩解內生性問題，但遺漏變量和測量誤差等仍有可能對基準結果產生影響。為此，本文使用同年該省其他城市的平均最低工資作為工具變量，一方面，某城市中的企業使用機器人不應受到同省份其他城市最低工資水平的影響，滿足外生性要求；另一方面，由于最低工資由省級政府制定，某一城市的最低工資水平很可能受到同省其他城市的影響，滿足相關性要求。工具變量的2SLS 估計結果如表2 第(8)列所示。第一階段的F 統計量為2.1 ×107，遠大于10%水平的臨界值，故拒絕弱工具變量假設；第二階段的回歸結果顯示，核心解釋變量的系數與顯著性仍與基準結果保持一致，說明即使考慮潛在的內生性問題，基準回歸結果依然成立。

表2 基準回歸與穩健性檢驗

4.PSM-DID

首先，本文通過處理變量Treat 對協變量進行Logit 回歸，獲得傾向得分值；其次，采用1∶5近鄰匹配方法為處理組企業尋找合適的對照組企業；最后，對匹配后的樣本進行DID 估計。為保證匹配結果的可靠性，本文還進行了匹配平衡性檢驗，結果表明，匹配后各匹配變量標準偏差的絕對值均小于1%，且各匹配變量在處理組和對照組之間并不存在顯著差異，表明匹配結果較好。PSM-DID 結果如表3 第(1)列所示，基準回歸結果仍然穩健。

5.核心變量替換

一方面，本文將核心解釋變量更改為連續變量最低工資標準對數(Mwage)，如表3第(2)列所示；另一方面，本文將被解釋變量進口機器人金額分別替換為進口機器人數量(Qua)和進口機器人密度(Den)的對數值，如表3 第(3)— (4)列所示。結果均表明，基準結果仍然穩健。

表3 其他穩健性檢驗

6.排除其他政策的影響

在本文樣本期里，勞動力市場政策不斷變化，其中2008 年實施的?勞動合同法? 最為典型。為檢驗本文的基準結果是否是由?勞動合同法? 而非最低工資政策所致，本文設置?勞動合同法? 的交互項Treati×Post 08t，Post 08 定義為，2008 年及以后取值為1，2008 年以前取值為0，結果如表3 第(5)列所示。與此同時，根據Fan 等(2021)，2013 年后中國工業機器人數量飆升受到“中國制造2025”和“十三五”規劃的影響，政府通過補貼等方式鼓勵企業進行“機器換人”。為排除上述政策的影響，本文采取兩種方式處理，一是引入Treati× Post13t再次進行回歸，Post13 定義為，2013 年設為1，2013 年以前為0，結果如表3 第(6)列所示；二是剔除2013 年的數據，選取2000—2012 年數據再次回歸，結果如表3 第(7)列所示。上述結果均表明，核心解釋變量仍與基準結果保持一致。因此，即使考慮上述政策的影響，本文基準回歸結果仍具有較高的可信度。

7.排除平均工資在城市最低工資左右的企業的干擾

在基準模型中，并未考慮如何處理平均工資在城市最低工資水平左右的企業。為此，本文將Treat 替換為“若企業在2004 年前一期的平均工資低于2004 年企業所在城市最低工資水平的90% (95%、99%、101%、105%、110%)，則定義為處理組”，結果如表4所示。核心解釋變量的系數與顯著性均與基準回歸結果保持一致，說明基準回歸結果具有較高的可信度。

表4 排除平均工資在城市最低工資左右的企業的干擾

8.安慰劑檢驗

為檢驗基準回歸結果是否由不可觀測的因素造成，本文通過隨機抽取實驗組進行安慰劑檢驗。若工業機器人應用是由最低工資政策實施導致的，則隨機抽樣的核心解釋變量系數應在0 附近或顯著性極差。為確保安慰劑檢驗結果的可信度，本文進行了2 000 次隨機抽樣。圖5 匯報了安慰劑檢驗的結果，估計結果表明，2 000 次隨機抽取實驗組后回歸估計系數在0 附近，其均值為0.00271，而基準回歸結果0.008 超過安慰劑檢驗的90%分位(0.0079)。進一步繪制了相應的p 值后發現，大多數估計系數的p 值大于0.1，表明安慰劑估計的系數多不顯著，說明基準回歸結果具有很好的穩健性。

圖5 安慰劑檢驗

(四)異質性考察

本文分別從企業異質性、行業異質性和城市異質性三個層面對最低工資政策和工業機器人應用的關系進行異質性考察。

1.企業異質性

在企業規模方面，不同規模的企業可能會做出不同的智能化選擇。大中型企業擁有強大的資金實力，工業機器人有利于其更好地形成規模經濟，提高生產效率；而中小企業往往面臨資金不足、融資困難等困境，難以負擔機器人購置、運行、維修和保養的成本，限制了其自動化發展。為驗證這一觀點，借鑒Hau 等(2020)，本文將員工數少于或等于1 000 人的企業定義為中小型企業，員工數超過1 000 人的企業定義為大型企業，結果如表5A 所示。可以看出，與預期一致，最低工資政策主要促進了機器人在大型企業中的應用。

在企業平均工資水平方面，不同工資水平的企業對最低工資政策變化的反應是異質的。本文根據企業平均工資的中位數將全樣本劃分為高工資企業和低工資企業。表5A 估計結果顯示，最低工資對工業機器人的促進作用在平均工資較低的企業中較為顯著，表明平均工資較低的企業較易受到最低工資政策的沖擊，由于其對用工成本更敏感，且成本承受能力更弱，因此對機器人的需求更為強烈，這與Gan 等(2016)等的研究保持一致。

2.行業異質性

借鑒Acemoglu 等(2020b)的做法，本文以可調整的機器人滲透率(APR)指數作為劃分標準，將行業劃分為高自動化行業和低自動化行業。APR 指數越大，表明機器人滲透率越高，相應的行業自動化水平越高；反之，在APR 指數低的行業中機器人滲透率較低，行業自動化程度也相應下降。表5B 結果顯示，最低工資顯著促進了機器人在高自動化行業中的應用，可能的原因是，自動化程度較高的行業本身已形成較高的規模效應，工業機器人應用帶來的投入產出比較高，具備了使用工業機器人的優勢(Acemoglu 和Restrepo，2018c)。

同時，勞動密集度不同的行業受最低工資政策的影響也不相同，根據以往研究，最低工資政策使勞動密集型行業受到的影響程度較大(蔣靈多和陸毅，2017)。為此，延續前文做法，本文按照勞動密集度(員工工資與銷售收入之比)將樣本行業分為勞動密集型行業和非勞動密集型行業兩類，即計算樣本期間每一行業各年度勞動密集度的平均值，若行業勞動密集度的均值大于樣本中位數，則該行業為勞動密集型行業，否則為非勞動密集型行業。表5B 結果表明，最低工資政策對工業機器人應用的促進作用在勞動密集型行業中較大。可能原因是勞動密集型行業勞動投入占比較高，因此?最低工資規定? 的出臺使得勞動密集型行業的勞動力成本提升幅度較大，企業進行“機器換人”的需求也更加迫切。

表5 異質性考察

3.城市異質性

企業所處城市的經濟發展水平不僅會影響最低工資標準的制定，而且會影響工業機器人的應用。本文分別就城市的地理區位和城市規模對城市進行異質性考察。

從區域角度看，我國發展的不平衡性出現了“南快北慢”的新特征(盛來運等，2018)。為探討最低工資政策對南北方城市的影響，本文從經濟地理視角進行南北劃分。①北方城市包括北京市、天津市和黑龍江、吉林、遼寧、內蒙古、河北、山西、陜西、寧夏、甘肅、新疆、青海11 個省份(自治區)所包含的城市，其余城市為南方城市。表5C 結果表明，最低工資政策對工業機器人應用的促進作用在南方城市較大。究其原因，與北方城市相比，南方城市經濟發展水平更高，最低工資標準也更高，對企業生產成本的影響程度更大，企業進行“機器換人”的動力更強。

從城市規模看，城市規模既反映了城市的經濟發展狀況，也反映出城市的人口數量，而這兩者均與最低工資標準的制定和工業機器人應用息息相關。為此，本文根據?2019年城市建設統計年鑒?，將城市劃分為超大特大城市和其他規模城市。①超大特大城市包括北京市、天津市、沈陽市、上海市、南京市、杭州市、武漢市、廣州市、深圳市、青島市、東莞市、成都市、西安市、重慶市、鄭州市和濟南市共16 個城市。表5C 結果表明，最低工資政策對工業機器人的促進作用在超大特大城市中較大。一方面，超大特大城市的最低工資標準較高，加重了企業的成本負擔，促進了工業機器人的應用；另一方面，超大特大城市對機器人產業發展的支持力度和補貼力度要高于其他城市，而政府補貼也是促使企業使用機器人的一個重要因素(Cheng 等，2019)。

(五)影響機制檢驗

上述實證結果表明，最低工資政策顯著促進了工業機器人應用。究其作用機制，本文認為最低工資政策能夠通過提升企業用工成本和加強政策遵從兩條途徑促進工業機器人應用。因此，本文使用常規的中介效應模型進行檢驗，模型設定如下:

其中，Mit分別為企業用工成本(Qywage)與政策遵從力度(Policy)，前者以企業平均工資水平表示，計算方法為企業當年應付工資總額與員工數比值的對數形式；后者借鑒劉子蘭等(2020)的做法，以地級市內企業平均工資水平低于當地最低工資的企業占比表示，占比越高說明政策遵從力度越低。其他變量符號與模型(1)相同。若λ 和η均顯著，表明中介效應顯著，在此基礎上，如ψ 不顯著，則為完全中介效應。

1.用工成本效應

最低工資政策實施會增加企業用工成本，提高企業平均工資水平(蔣靈多和陸毅，2017)。表6 第(1)列的結果證實了這一結論，核心解釋變量Treati×Post 04t的系數在1%水平上顯著為正，表明最低工資政策實施顯著提高了企業的用工成本；第(2)列為模型(4)的估計結果，Qywage 的系數在1%水平上顯著為正，說明企業用工成本的提高顯著促進了工業機器人的應用。同時，λ、η 和ψ 的系數顯著，λ ×η 與ψ 的符號相同，說明存在部分中介效應。據計算，企業用工成本的中介效應占總效應的比例為20.1%，即最低工資政策明顯增加了企業用工成本，是促進工業機器人應用的最重要原因。

2.政策遵從效應

自2004 年?最低工資規定? 出臺以來，企業對最低工資標準的遵從力度明顯提升(Gan 等，2016)。表6 第(3)— (4)列為政策遵從力度的機制檢驗結果。與成本機制類似，第(3)列表明2004 年最低工資政策的實施顯著提高了政策遵從力度，第(4)列估計結果顯示Policy 的系數在1%水平上顯著為負，表明政策遵從力度的加強顯著促進了工業機器人的應用。λ、η 和ψ 的系數顯著，且λ×η 與ψ 的符號相同，存在部分中介效應。據計算，政策遵從力度的中介效應占總效應的比例為8%，說明政策遵從力度同樣是最低工資政策促進工業機器人應用的影響機制之一。

表6 影響渠道檢驗

五、反向思考與討論

(一)工業機器人應用對勞動力雇傭和工資的影響

最低工資政策的初衷是維護勞動者權益，穩定勞動者就業，提高勞動者收入水平。本文思考的第一個問題是，最低工資政策在促進工業機器人應用的同時，是進一步增加還是減少了勞動力雇傭與工資水平，即工業機器人應用對勞動力市場的影響是與最低工資制定的初衷相一致還是相違背。為此，本文使用滯后一期的機器人金額作為核心解釋變量，分別用企業員工數(Labor)和員工平均工資水平(Qywage)作為被解釋變量，構建如下計量模型:

其中，Vali，t－1為滯后一期的機器人金額，N 分別代表企業員工數(Labor)和員工平均工資水平(Qywage)，其他變量符號同模型(1)。

表7 中第(1)— (2)列為模型(5)的估計結果，可以看出，Vali，t－1對企業員工數和員工平均工資水平的系數均在1%水平上顯著為正，表明工業機器人的應用顯著增加了企業勞動力雇傭和工資水平，這意味著從整體水平看，工業機器人的應用增加了勞動者的工資水平，在一定程度上與最低工資政策制定的初衷相一致。根據現有研究，多數文獻認為工業機器人減少了中國的勞動力就業，尤其在短期內會降低本地的就業水平，對工資水平的影響則無定論(王永欽和董雯，2020；孔高文等，2020)。但是，也有部分學者認為，在就業方面，工業機器人雖然替代了體力勞動，但也為失業的勞動力創造了就業機會，整體上增加了勞動力雇傭(Li 等，2020)。特別值得一提的是，在區分勞動者異質性后，機器人雖然會替代中等教育程度的勞動力，但同時提高了高教育程度和低教育程度勞動力的就業(孫早和侯玉琳，2019)。在區分短期影響和長期影響后，從中長期看，機器人所產生的替代效應可能會被生產力效應和就業創造效應所抵消。在工資方面，產業智能化顯著提高了勞動者的工資水平(楊飛和范從來，2020)，這一觀點在一定程度上得到了孔高文等(2020)的支持。由此可見，本文的研究結論與部分已有文獻保持一致。

(二)勞動者工資的提升來源:來自企業工資的分解

本文思考的第二個問題是，工業機器人的應用顯著提升了勞動者的工資水平，那么提升來源是什么，而對提升來源的厘清有助于更好地發揮機器人對勞動者收入的促進作用。根據劉燦雷和王永進(2019)，企業工資主要由技能組成工資和利潤分享工資兩部分構成，前者指的是勞動者工資收入完全取決于其自身的技能水平，后者是指技能相同的員工在經營績效越好的企業就職所獲得的工資水平越高，員工工資由企業利潤決定。由于企業員工技能組成數據不可獲得，本文借鑒劉燦雷和王永進(2019)的做法，將企業層面的工資分解為技能組成工資(Skill_wage)和利潤分享工資(Profit_wage)，并在此基礎上識別工業機器人使用對勞動者收入提升的影響渠道，回歸結果如表7 所示。

表7 中第(3)列和第(4)列分別為工業機器人應用對技能組成工資和利潤分享工資的回歸結果。可以看出，Vali，t－1的系數對技能組成工資影響在1%水平上顯著為正，而對利潤分享工資則無顯著影響，表明工業機器人的應用顯著提升了技能組成工資，即工業機器人應用主要通過提升技能組成工資來增加勞動者收入水平，而在利潤分享工資方面作用有限。

表7 機器人應用對勞動者工資水平的影響

(三)工業機器人應用對企業間工資差距的影響

近年來，諸多學者基于微觀企業數據研究發現，同一行業內不同企業間的工資差距是造成社會整體收入不平等的重要原因(Helpman 等，2017)。為此，本文思考的第三個問題是，工業機器人的應用提高了勞動者的絕對工資水平，但是從相對視角看，工業機器人是擴大還是縮小了企業間的工資差距?

為了考察同一行業內機器人“是否使用”和“使用數量”對企業間工資差距的影響，本文使用行業內滯后一期的是否進口機器人 (Importh，t－1)和進口機器人金額(Valh，t－1)作為核心解釋變量，分別用企業間工資差距的泰爾指數(Qywageth)、技能組成差距的泰爾指數(Skill_wageth)和利潤分享差距的泰爾指數(Profit_wageth)作為被解釋變量進行回歸，控制變量也相應采用行業均值，估計結果如表8 所示。

表8 工業機器人應用與企業間工資差距的回歸結果

表8 的結果表明，不論采用行業是否使用機器人，還是采用機器人進口金額作為核心解釋變量，工業機器人對同一行業內不同企業間的工資差距、技能組成工資差距和利潤分享工資差距的影響系數都很小，且不顯著，收入分配效應尚不明朗。可能的原因在于，中國目前工業機器人的應用還處于起步階段，工業機器人滲透率相對于韓國、新加坡和德國等發達國家來說仍有很大的提升空間，因此目前對勞動者收入差距的作用效果尚不明顯。如前所述，最低工資政策的初衷在于保障勞動者的權益，尤其是保障低收入和低技能勞動者的權益，其目的之一是縮小社會收入差距。在考察企業間工資的“馬太效應”后發現，現階段工業機器人應用對勞動者收入差距的影響并不明朗，因此，工業機器人是否沖擊了最低工資政策的制定初衷，尚需時日加以觀察。

六、結論與政策啟示

本文采用2000—2013 年中國工業企業數據庫、中國海關數據庫、筆者手工搜集的城市最低工資數據和國泰安城市數據庫四套數據庫的匹配數據，建立面板固定效應模型，旨在考察最低工資政策對工業機器人應用的影響及其作用機制，并在此基礎上反思工業機器人應用對最低工資政策制定初衷的影響。實證結果表明，其一，最低工資政策顯著促進了工業機器人應用，在采取平行趨勢檢驗、安慰劑檢驗等一系列穩健性檢驗后，這一結果依然成立。其二，中介效應模型表明，企業用工成本增加和政策遵從力度加強是最低工資政策促進工業機器人應用的重要影響機制。其三，最低工資對工業機器人應用存在異質性影響，其促進作用在大規模和平均工資較低企業、自動化程度高和勞動密集型行業、南方城市和超大特大城市中更為顯著。其四，通過進一步思考工業機器人應用對最低工資政策制定初衷的沖擊，發現工業機器人的應用通過增加技能組成工資，顯著提升了勞動者整體就業和工資水平，在一定程度上與最低工資政策制定的初衷相一致，但是現階段工業機器人對勞動者收入差距的作用效果尚不明朗，仍需持續關注。

本文的研究結論對于更好地保障勞動者的權益和有序推進中國企業智能化進程具有如下政策啟示:

一方面，最低工資政策引致的用工成本上漲會推動工業機器人應用，而工業機器人應用在整體水平上，并未導致“替代效應”的發生，而是能夠產生“創造效應”，提高勞動者的整體就業和收入水平。因此，各地政府需因地制宜，制定適宜的機器人發展政策，穩步推進工業機器人產業健康有序發展。本文研究表明，工業機器人的應用多集中在經濟發達的城市，且其多被大型企業所使用，為盡可能地將機器人紅利惠及更多人群，北方城市和中小型城市要充分借鑒南方城市和超大特大城市推廣機器人的成功經驗，制定適宜自身的機器人產業發展政策；同時，增大對機器人產業的資金扶持，降低企業使用機器人的成本，尤其是增加對中小企業的補貼，以推動企業轉型升級，實現更高質量地發展。

另一方面，由于現階段工業機器人應用對勞動者收入差距的影響還不明確，學者們需使用更多的微觀調研數據，持續關注工業機器人應用對勞動力市場的影響，尤其是對勞動者收入差距的影響，防止社會收入差距進一步擴大，及時為政府有關部門建言獻策。同時，政府既要充分引導和發揮工業機器人的正向溢出效應，又要未雨綢繆，警惕工業機器人大規模應用可能帶來的社會收入差距擴大等問題，通過采取對低技能勞動者進行技能培訓、完善社會保障體系、推進稅收制度改革等措施，充分保障勞動者的合法權益，進一步縮小貧富差距。