封 进 赵发强 宋 弘 ｜ 失之东隅，收之桑榆：智能时代下老龄化发展与劳动生产率变化

人口老龄化是当前经济发展新阶段下中国面临的重要问题与挑战。在二十多年的时间里，中国人口老龄化水平（65岁及以上人口在总人口中的占比）从2000年的6.96%上涨到2023年的15.38%。快速的人口老龄化造成劳动力人口结构出现高龄化趋势，表现为劳动力人口中50—59岁的群体（简称“高龄劳动力”）占比不断上升。据《联合国世界人口展望（2023版）》预测，中国劳动力人口中高龄劳动力占比从1990年的12.12%持续提高到2015年的19.58%，2040年预计达到27.29%。

人口老龄化的经济社会后果之一是影响劳动生产率。劳动生产率是决定一个经济体是否能够实现长期经济增长的关键，传统观点认为人口老龄化可能对劳动生产率产生不利影响，进而阻碍经济发展。因为劳动者超过一定年龄后身体机能开始下降，记忆力、学习能力等认知能力也会衰退，劳动生产率可能随之下降。还有研究发现年长者缺乏创新精神和企业家精神，阻碍劳动生产率提升。

然而，在智能化时代，人口老龄化对劳动生产率并非必然有不利影响，因为企业可采用更为积极的策略应对人口老龄化，更多地采用智能化、自动化生产设备替代劳动，从而提高劳动生产率。这一观点已经得到了跨国研究的支持。Abeliansky和Prettner通过在传统的资本积聚模型中加入代表自动化技术的智能化资本（automation capital）来探讨人口老龄化背景下自动化技术的使用对劳动生产率的影响。理论模型的分析显示，老龄化水平越高的国家，其国内自动化设备的安装密度越高；进一步使用1993—2013年间60个国家的面板数据进行实证检验，发现人口每增长1%会使得机器人密度增长率减少大约2%，即人口老龄化对机器人的安装使用存在正向影响。Acemoglu和Restrepo从理论和实证上研究了人口结构和自动化之间的关系，当技术对人口变化做出反应时，老龄化对整体生产率所造成的影响是不确定的，但对于采用自动化技术的产业而言，劳动生产率会增加但是劳动收入份额会下降；无论是跨国数据还是美国本土数据都显示机器人替代了大量中青年工人。他们进一步指出，这种替代效应意味着劳均产出的增加不必然带来劳动需求的扩张，劳均产出和工资会出现脱钩，国民收入中劳动的份额也会出现下降。

与跨国研究的结论相一致，中国的宏观数据显示工业机器人的大规模应用和人口老龄化水平快速上升基本处于同一时期。根据人口普查数据，中国自2000年开始进入老龄化社会，老龄化水平从2000年的7%增加到2010年的8.9%，2020年进一步增加至13.5%。显然，2010—2020年间的老龄化速度远快于2000—2010年。根据国际机器人联盟（International Federation of Robotics，简称IFR）的数据，2000年中国机器人存量为930台，到2018年时存量已经达到64.9万台，存量年均增长率高达43.88%（见图1）。从工业机器人安装速度来看：当年新安装的数量从2010年开始突破1万台，达到1.50万台，而2009年仅为5525台；2013年开始进入加速阶段，当年新安装数量为3.66万台，而2009年中国工业机器人的存量也仅有3.73万台；到2018年时当年新安装数量已达到15.4万台。一项针对广东、江苏、湖北、四川和吉林五省1822家代表性企业的调查显示，使用机器人的企业比例在2008年以前不足2%，而到了2017年这一比例已经提升至13%，年均增长率达23%。

尽管中国表现出与国外类似的特征事实，但国内在这一领域的研究仍显不足。陈彦斌等构建了含有人工智能和老龄化的动态一般均衡模型，并假定劳动生产率的涨幅中90%可以归因于智能化水平的提高。一方面，人口老龄化带来的劳动力供给减少会提高劳动要素的相对价格，企业将被动地使用资本替代劳动；另一方面人工智能系统对劳动的替代能力超过以往的普通机械设备和智能化系统，此时企业会主动用智能资本替代劳动力。模拟分析的结果显示，在人口老龄化日趋严重的背景下，人工智能通过推动生产的智能化和自动化水平，有效提升了劳动生产率，从而有助于减轻人口老龄化对经济增长的制约作用。但上述宏观模型的模拟基于较多理论假设，且难以对异质性进行探讨，需要通过实证分析来进一步加深对新时代背景下人口老龄化如何影响劳动生产率的认识。

此外，由于不同国家和地区的社会、经济和文化背景不同，人口老龄化对劳动生产率的影响也存在差异。与发达经济体相比，中国在劳动力、资本和技术等生产要素上的特征均有较大不同，呈现出一些特色：第一，中国不同时代出生的劳动力在人力资本上有较大差异，年长劳动力的平均受教育程度比年轻劳动力低。根据2015年全国1%人口抽查数据，劳动力人口中15—49岁群体的平均受教育年限为10.58年，而50—59岁群体为8.45年；第二，中国企业资本替代劳动力的空间较大。中国人均收入处于中低水平，人均资本存量较低，设备替代劳动力的空间较大。目前，中国的机器人安装密度在全世界仍处于中等偏下水平，与韩国、德国等发达经济体相比存在一定差距；第三，中国不同产业间生产技术差异明显，劳动力更有可能在不同行业间重新配置。

在生产过程中不断引入以工业机器人为代表的智能化生产技术，除了会对劳动生产率产生正向作用之外，也会影响劳动力市场。从就业方面来看，一是抑制效应，文献主要认为随着成熟度上升和应用成本下降，自动化生产技术相对于劳动力而言越来越具有竞争力，企业更有动力使用自动化生产技术替代劳动力；二是创造效应，认为自动化生产技术的使用可以提高生产效率，促进产出增长，这反过来又会增加对劳动力的需求，特别是由于自动化生产技术的使用而产生的新行业会带来新岗位。使用自动化生产技术对就业总量的影响取决于两种效应的相对大小。其中，教育和技能水平低(意味着人力资本水平低)的劳动力更容易受到人工智能的不利影响，这是因为技术进步更有可能替代常规型工作，而这通常是低技能劳动者所从事的工作。对于高技能劳动者而言，其被替代的概率比较小。从收入方面来看，自动化生产技术的使用可能造成劳动和资本对应收入份额发生变化，带来不平等效应，主要表现为劳动所占收入份额下降。现有研究对自动化技术影响工资水平的结论不一致。一些文献发现两者之间不存在明显的关系，但是也有研究认为使用自动化生产技术会显著影响劳动者的工资，或者降低工资水平，或者增加工资水平。

本文基于多个宏微观数据库的实证研究发现：第一，人口老龄化水平与中国工业企业的劳动生产率之间存在显著的正向关系，但在不同行业间呈现异质性。人口老龄化的正向影响主要集中在制造业，而对工业领域内的其他行业并不存在显著影响；第二，人口老龄化影响劳动生产率的机制之一是促使以工业机器人为代表的自动化生产技术的发展和使用；第三，由于工业机器人的使用，人口老龄化对劳动力市场也产生了一定的影响：一是显著降低了劳动收入份额；二是在显著提升高教育背景群体的就业率的同时，降低了低教育背景女性群体的就业率。

本文的可能贡献有以下两点：第一，本文的发现为研究人口老龄化对劳动生产率的影响机制提供了新的视角。现有文献研究大多集中在考察人口老龄化对劳动生产率的作用方向上，对于影响机制少有实证支持。有的研究基于不同年龄的劳动者生产效率不同这一外生假定来探讨人口年龄结构变化对整体劳动生产率的影响；部分文献基于生产函数将劳动生产率进行分解，从全要素生产率、人力资本、资本投入等角度探讨人口老龄化的影响；还有研究利用包络分析法（DEA）将劳动生产率进行分解，认为人口老龄化通过技术进步、纯技术效率和规模效率三种途径影响劳动生产率。第二，本文考察了人口老龄化和劳动生产率之间的关系在行业间的差异。现有文献基本集中在讨论人口老龄化对国家或者地区整体劳动生产率的影响，而未进一步区分行业异质性。一些文献基于调查数据对中国机器人使用在行业间的差异进行了分析，本文则在此基础上检验了人口老龄化对制造业细分行业劳动生产率的不同影响，补充了文献研究的空白，也得到了更为丰富的政策启示。

本文根据现有文献所揭示的人口年龄结构和自动化技术应用之间的关系，刻画了在人口老龄化背景下企业用智能化资本替代劳动的内在机制以及对劳动生产率的影响。在智能化时代，企业可以采用的生产要素不仅仅是劳动力和传统资本，还包括智能化资本（如机器人）。企业按照利润最大化的目标选择不同生产要素的组合。同时，在人口老龄化趋势下，有效劳动力供给减少，企业会选择使用更多智能化资本替代劳动，由此对劳动生产率和劳动收入份额产生影响。

首先，假设规模报酬不变的柯布—道格拉斯生产函数中有三种生产要素，即传统资本、智能化资本和劳动力。智能化资本相比传统资本可以更好地替代劳动力，具体设定为：

其中Y_t为产出，K_t为传统资本，L_t为劳动力，为智能化资本，α∈（0,1），为传统资本产出弹性，θ∈（0,1]表示智能化资本替代劳动的能力，θ越大则替代性越强，若θ＝1，则表明智能化资本完全等同于劳动。

根据企业利润最大化时的一阶条件，可以计算出各生产要素的报酬率，以及分析影响劳均产出（劳动生产率）的因素。将产出的价格标准化为1，则劳动力的回报率为：

基于无套利原则，传统资本和智能化资本的回报率应该相等，由此可以推出：

将方程（4）两边除以劳动力数量，得到劳均产出（劳动生产率）和劳均智能化资本之间的关系，如方程（5）所示，说明劳均智能化资本的增加会带来劳动生产率提升。

下面本文将论证人口老龄化会导致企业使用更多的智能化资本。假设劳动力的变化率为n，有L_t+1=(1+ n)L_t。按照Abeliansky和Prettner的模型，资本积累方程为方程（6），其中s为家庭储蓄率。再将资本回报率和产出方程带入到方程（6），可以得到方程（7）：

由方程（7）可以推出，随着劳动力增长率n下降，会上升。劳动力增长率n的下降代表着人口老龄化，这样就得到了人口老龄化与智能化资本之间的关系。

由方程（1）和方程（2）还可以得到：

进一步在方程（8）的等号右边分子分母同时除以L_t，那么可以得到：

综上，可以得到本文要检验的研究假说和其中机制。

假说1：在其他条件不变的情况下，人口老龄化将带来劳动生产率提升。

由利润最大化企业在选择劳动力、传统资本和智能化资本三种生产要素组合时得到的方程（5），有 。由方程（7）可得到，即随着有效劳动力增长率n下降，人均智能化资本上升。在以上两个结论的基础上，可以得到。从而可知，随着劳动力增长率n下降（人口老龄化水平上升），劳均产出Y_t(劳动生产率)上升。

假说2：人口老龄化将促使企业采用更多的智能化资本，从而提升资本劳动比。

由方程（7）可知，随着劳动力增长率n下降（人口老龄化水平上升），劳均智能化资本上升。采用方程（5） — （7）同样的求解过程，可得到 ，从而有 ，即随着劳动力增长率n下降（人口老龄化水平上升），劳均传统资本K_t也上升。劳均智能化资本和劳均传统资本的变化方向一致，资本劳动比 ，也会随着劳动力增长率n下降而提升。

假说3：智能化资本替代劳动的表现之一是劳动收入份额下降。

由方程（9）可知，劳均智能化资本增加将导致劳动收入份额下降。此外，从方程（5）中可以看到，智能化资本对劳动力的替代能力大小θ会对劳动生产率产生影响。现有文献发现，智能化资本在制造业中具有更强的替代劳动的能力。本文将基于工业企业数据库，重点考察人口老龄化对制造业企业的影响。

（一）数据来源与变量选择

1.核心解释变量：人口老龄化程度。本文的人口结构数据来自2000—2015年的历次人口普查（抽查）微观数据。文献中多选择“65岁及以上人口在总人口中占比”或“老年抚养比”这两个指标来衡量人口老龄化。还有部分研究劳动力市场的文章使用“劳动力人口或就业人口中高龄人口占比”作为衡量人口老龄化的指标。例如，Aiyar等在研究劳动力老龄化对欧洲劳动生产率的影响时，选择了“55—64岁在劳动力人口中占比”作为核心解释变量。而Acemoglu和Restrepo的研究则分别使用“工人中56岁及以上的人数与21—55岁人数的比值”和“总人口中50岁及以上人口数与20—49岁人口数的比值”来衡量人口老龄化程度。

本文使用常住人口统计口径下“50—59岁人口占15—59岁人口的比重”（高龄劳动力占比）作为回归分析中的核心解释变量。原因如下：一是高龄劳动力占比与人口老龄化趋势高度相关，同时该指标与就业之间的关系更为密切，比采用“65岁及以上人口在总人口中占比”等指标更能体现人口老龄化在劳动力市场上的表现；二是近年来国际上关于人口老龄化对劳动力市场影响的最新文献普遍采用劳动力人口中高龄劳动力占比作为人口老龄化的代理变量，便于实证结果进行跨国比较；三是中国退休制度规定的退休年龄为男性60岁、女干部55岁、女工人50岁，这意味着中国的劳动力群体从60岁就全部进入退休阶段。因此将高龄劳动力的年龄上限取为59岁。在稳健性检验中，本文也使用了常住人口口径下的老龄化率和老年抚养比作为解释变量进行实证分析。

2.被解释变量：劳动生产率。企业层面的数据来自于规模以上工业企业数据库（以下简称为工企数据库）。本文借鉴唐珏和封进的做法并结合本文的研究问题，对样本进行了删减，还进行了上下1%截尾处理，进一步降低异常值对最终回归结果的影响。 

本文将企业层面的“工业总产值/从业人数”作为劳动生产率的代理变量。这一方法常见于一些基于企业层面微观数据的实证研究中。有一些研究会使用劳均销售收入或者劳均营业收入作为劳动生产率，这与本文使用“总产值/总从业人数”作为劳动生产率是一致的。

3.机制变量：机器人安装密度。本文借鉴现有文献，使用IFR数据库公布的机器人存量数据来构造地级市层面的机器人安装密度指标。

先将IFR数据库与中国劳动力数据进行数据口径的统一。根据匹配成功的机器人—就业数据，计算全国层面的机器人密度指标，记为Robot_density_it:

其中，代表我国i行业t年的工业机器人安装存量，Worker_it代表我国i行业t年的城镇就业人数，Robot_density_it代表我国i行业t年的机器人安装密度。

然后，构造我国地级市层面的工业机器人安装密度指标：

其中，代表我国c城市2005年（基期）的城镇就业总人数，代表我国c城市i行业2005年的城镇就业人数，两者的比值反映了c城市2005年的就业结构。这样就得到了城市c在t年的工业机器人安装密度，记为。从计算公式可以看到，城市层面的产业结构由基期的就业结构确定并保持不变，因此城市层面工业机器人安装密度的变化仅取决于全国层面不同行业的机器人安装密度；而人口老龄化可能通过降低行业就业人数（分母）或者提升机器人安装数量（分子）对全国的行业机器人安装密度产生影响，最终影响到地级市层面的工业机器人安装密度。尽管IFR提供的中国机器人安装数据最早的年份为1999年，但详细的分行业数据的起始年份为2006年。因此基于数据匹配的考虑，机制分析的样本时间限定为2010年和2015年两年。

4.控制变量。为了进一步减少其他因素对最终分析结果的影响，本文选取了一些企业层面和城市层面的经济变量作为控制变量。参考唐珏和封进的研究，企业层面的控制变量为负债率、融资成本、资产总额对数值、所有制性质、企业规模、企业年龄，以控制企业自身特征对回归结果的影响。参考Zhang等的文章，城市层面的控制变量为经济活动人口规模（常住人口中15—64岁人口占总人口的比重）、人均GDP对数值、第二产业占比、公路密度（公路里程/行政面积）、政府活动（一般预算支出占GDP的比重）、城市人力资本（常住人口中6岁以上人口的平均受教育年限），以控制城市自身经济特征对回归结果的影响。此外，在实证检验的过程中，回归模型中还加入了省份和时间的交互固定效应、行业和时间的交互固定效应、时间固定效应。

企业层面的变量主要来自于工企数据库，城市层面的变量主要来自《中国区域统计年鉴》及《中国城市统计年鉴》。主要变量的描述性统计见表1。

（二）模型设定

本文利用企业微观数据深入考察人口老龄化对工业生产率影响以及在细分行业内的差异。设定基本回归模型如下：

其中，y_sijpt表示省份p中i城市j行业的企业s在t年的劳均工业总产值对数值；aging_it表示i城市在t年时常住人口中50—59岁的人口占15—59岁人口的比重；X表示企业层面和城市层面的控制变量；表示省份和时间的交互固定效应；表示行业和时间的交互固定效应；η_t表示时间固定效应；ε_sijpt表示随机误差。

（一）基本回归结果 

如表2中（1） — （3）列的回归结果所示，高龄劳动力占比指标的系数始终为正且显著，说明平均来看，人口老龄化对工业企业劳动生产率存在显著正向影响，这与近年来其他文献发现的结论一致。从系数的大小来看，可以认为在考虑了固定效应并严格控制了其他变量后，城市劳动力人口中50—59岁的高龄劳动力占15—59岁的比例每上升1个百分点，劳动生产率会上升3%。

（二）内生性问题

本文可能的内生性来源有两个：一是存在反向因果，如果一个城市的劳动生产率发生变化，经济发展水平和产业结构也可能会发生相应的变化，造成劳动需求发生变化，进而影响到人口流动，带来人口结构变化；二是存在遗漏变量，即存在一些变量同时影响了某一城市的劳动生产率和人口老龄化水平，但未被纳入到回归方程中加以控制。采用双向固定效应模型可以在一定程度上缓解对回归中存在内生性偏误的担忧，并不能有效解决这一问题。

现有文献大多通过工具变量法（IV）来应对内生性问题。近年来较为常用的IV是通过滞后期数据计算出预计的当期人口结构。本文则选用了户籍人口年龄结构作为工具变量，原因如下：首先，用户籍人口作为常住人口的工具变量能够满足相关要求。一方面，我国独特的户籍制度在一定程度上增大了户籍转换的难度、阻碍了人口流动，使得样本期内城市户籍人口结构处于相对稳定的状态，较少受到经济发展状况的影响，满足工具变量的外生性条件。另一方面，户籍人口与常住人口存在一定的重叠，满足相关性条件。其次，计算户籍人口年龄结构时无需滞后期的人口信息，降低了对原始数据的要求。在稳健性检验部分，本文也尝试使用预计的人口结构做工具变量进行分析。

表2中第（4）列所展示的是使用工具变量处理内生性后的回归结果。其中，第一阶段的F值、识别不足检验和弱工具变量检验的结果都表明户籍人口结构作为工具变量是有效的。结果显示，高龄劳动力占比每增加1个百分点，工业企业劳动生产率会上升1.8%，要低于固定效应模型中的3%。表2的回归结果证明了假说1，即人口老龄化能够提升劳动生产率。这一结论与近年来利用OECD国家数据的研究结果一致。

（三）稳健性检验

1.使用劳均营业收入作为被解释变量。参考现有文献，本文将劳动生产率的代理变量更换为劳均营业收入，回归结果显示，人口老龄化对劳均营业收入同样存在显著的正向影响，说明基本回归结果具有稳健性。

2.更换老龄化指标。为了排除因老龄化指标选择不同而带来的度量误差，本文依次选择了常住人口口径下的老龄化率和老年抚养比作为新的核心解释变量，回归结果显示，基本回归的结论不变。

3.更换工具变量。由于数据所限，本文将滞后期设为5年，使用人口普查（抽查）微观数据计算的预计人口结构作为当前人口结构的工具变量。回归结果显示基本回归结果仍然稳健。

（四）不同细分行业

本文将样本中的制造业企业按照IFR公布的行业口径进行划分，最终得到10个行业分组。同时，将“采矿业”、“电力、燃气以及水的生产和供应业”各自设为一组，最终得到12个组别。

表3展示了分组回归结果。可以看出，人口老龄化的影响存在明显的行业异质性。首先，人口老龄化对“采矿业”以及“电力、燃气以及水的生产和供应业”这两个组别内的工业企业并未产生显著影响。在10个制造业细分行业分组中，人口老龄化对其中的9个分组产生了显著正向影响，系数大小在0.018到0.038之间。以交通设备制造业为例，城市层面高龄劳动力占比每增加1个百分点，组内企业劳动生产率将上升3.8%。

总体而言，人口老龄化对大部分制造业细分行业的劳动生产率存在正向影响。从影响的大小和显著性上来看，这种正向影响集中在以“交通设施制造业”“电气通信设备及仪表仪器制造业”为代表的行业内。从现实情况来看，这些行业大多数是生产流程程式化水平较高的行业。

如表4所示，第（1）列的被解释变量为城市层面全行业口径的机器人安装密度，可以看到人口老龄化对城市层面的机器人使用存在显著正向影响。在进行严格的变量控制并处理内生性后，回归结果显示，高龄劳动力占比每上升1个百分点，城市层面全行业机器人密度将会上升0.038台/千人，即每10万人将会增加3.8台机器人安装数量。在样本期间，中国高龄劳动力占比由2000年的13.24%上升至2015年的19.58%，而机器人安装密度从0.08台/万人上升至14.20台/万人，高龄劳动力占比的变化大约能解释机器人安装密度总变化的17.06%。将第（2）列中被解释变量替换为按照董雯的研究所计算的城市层面机器人安装密度，结果显示人口老龄化对城市层面的机器人使用的正向影响仍然存在且显著，说明第（1）列的结果具有稳健性。

本文构造了城市层面制造业机器人安装密度指标，回归结果如第（3）列所示，高龄劳动力占比每上升1个百分点，制造业每10万人将会增加5.6台的机器人安装数量，人口老龄化对制造业的效应是全行业效应的1.47倍。IFR披露的数据也显示，中国工业机器人使用最广泛的领域是制造业，排名靠前的行业主要是汽车制造业、3C电气/电子行业以及塑胶行业。截至2018年，中国制造业的工业机器人安装存量占全部存量的80.7%；如果排除掉不能识别出安装行业的工业机器人数量，制造业的占比将进一步上升至99%。针对不同口径下机器人安装密度的回归结果与现实数据一致。

本文还按照企业所属省份将样本分为东部和其他地区两个子样本。分组回归结果如表4中第（4） — （5）列所示。可以看到，人口老龄化在两个子样本中都有显著正向影响，但系数大小存在明显差异。东部地区的效应大约是其他地区的12倍，为全国平均水平的2.2倍。这可能是因为中国东部地区制造业机械化程度更高，更容易采用自动化生产，而文献中已发现人口结构变化对机器人使用的影响在更容易进行自动化生产的行业中更大。

本文使用工企数据检验了人口老龄化对资本劳动比的影响。回归结果如表4中第（6）列所示，可以看到，人口老龄化可以提高企业层面的资本劳动比，城市层面高龄劳动力占比每上升1个百分点，劳均固定资产将上升2.7%。

表4的回归结果表明，人口老龄化对劳动生产率的影响机制之一是促使自动化生产技术得到更大规模的使用，表现为城市层面的工业机器人安装密度不断提升，同时传统资本数量也有所增加，最终带来资本劳动比的上升。表4的回归结果证明了假说2。由此，本文认为人口老龄化能够通过促使企业更多地使用以工业机器人为代表的自动化生产技术，提升劳动生产率。

上述结论有助于理解智能化时代的经济增长新动能。以制造业为代表的工业部门一直是中国经济增长的重要源泉。在2000—2019年间，第二产业对经济增速的贡献率为46.32%，且以制造业的贡献为主。然而，2017年中国制造业劳动生产率仅为世界平均水平的51.2%，与高收入国家相比仍有不小差距，即使与中等收入国家和金砖国家相比，也相对较低。大力发展制造业和实体经济是我国经济发展的主要着力点。党的二十大报告提出，2035年我国人均GDP要达到中等发达国家的水平。在人口老龄化日趋严重的制约下，为了实现这一目标，必然要依靠不断提升劳动生产率来推动经济增长。只有持续推动制造业的自动化、智能化转型，才能持续提升劳动生产率，建成制造业强国，保证2035年目标顺利实现。

（一）对劳动收入份额的影响

本文基于工企数据库构建了两个指标来衡量劳动报酬。一是平均工资，定义为“职工薪酬/从业人数”。二是劳动收入份额，本文主要参考贾坤和申广军的做法，定义为“职工薪酬在增加值中的占比”，具体来说，劳动收入份额=劳动者报酬/（劳动者报酬+营业利润+本年折旧+生产税净额）。

企业层面的回归结果如表5中的第（1） — （2）列所示。可以看到，人口老龄化对企业的平均工资并未产生显著影响，但是会显著降低企业的劳动收入份额。这说明人口老龄化在促使企业使用自动化生产技术的同时，可能对劳动者产生了不利的影响，尽管未降低劳动者的工资水平，但却降低了劳动收入份额。进一步，本文将企业层面的数据按照“城市—二位码行业—年份”的维度进行汇总，然后重复上述回归过程，结果发现，人口老龄化对行业层面的平均工资和劳动收入份额存在类似的影响，如表5中的第（3） — （4）列所示。上述结论与现有文献研究结论基本一致，即自动化生产技术的使用会造成劳动收入占比出现下降，但是对整体工资水平可能不存在明显的影响。

表5中第（2）（4）列的回归结果检验了假说3的正确性。

（二）对就业的影响

本文使用人口普查微观数据库检验了人口老龄化对就业结构的影响。表6中Panel A是全部人口的回归结果。人口老龄化虽然对整体的就业率不存在显著影响，但是高龄劳动力占比上升会提升高教育背景群体的就业率，同时降低低教育背景群体的就业率。这与文献中的发现相一致。进一步，本文分男性和女性两个子样本进行了检验。结果发现，对于男性而言，人口老龄化仅对其中的高教育背景群体的就业率有显著正向影响，对低教育背景男性群体和男性整体的就业率并不存在显著影响（见表6中Panel B）；对于女性而言，人口老龄化会显著提升高教育背景群体的就业率，同时又显著降低低教育背景群体的就业率，最终对女性整体的就业率产生显著的负向影响（见表6中Panel C）。正如Acemoglu和Restrepo所发现的，机器人更容易替代的是蓝领工人，而从中国的现实情况来看，这一群体大部分是低教育程度的女性工人，例如经常见诸于新闻报道中的“流水线女工”。

（一）主要结论

在自动化生产技术不断发展的现实背景下，本文从理论和实证两个方面探讨了人口老龄化对劳动生产率的影响及背后的影响机制，有如下三点发现：

第一，随着生产智能化发展，人口老龄化对工业企业的劳动生产率存在显著正向影响，但在不同行业间呈现异质性。分组回归结果显示，人口老龄化的正向影响主要集中在以“交通设施制造业”为代表的制造业行业内。

第二，人口老龄化影响劳动生产率的机制之一是促使以工业机器人为代表的自动化生产技术的使用。人口老龄化对制造业和东部地区的影响更大。其中，人口老龄化对制造业的效应是全行业效应的1.47倍；对东部地区的效应大约是非东部地区的12倍，大约是全国平均水平的2.2倍。在样本期间，高龄劳动力占比的变化大约能解释机器人安装密度总变化的17.06%。

第三，智能化时代下，人口老龄化对劳动力市场有不利影响。首先，人口老龄化并未对平均工资产生显著影响，但却显著降低了劳动收入份额。其次，人口老龄化会显著提升高教育背景群体的就业率，且这种正向影响不存在性别差异；同时降低了低教育背景群体的就业率，但负向影响仅集中在女性群体中，说明人口老龄化对就业率的负面影响更多地是由低教育背景的女性来承担的。

（二）政策建议

第一，全面认识人口老龄化对劳动生产率的影响，促进智能化生产。在人口老龄化快速进展的时代，在生产过程中引入以工业机器人为代表的自动化技术能够提高劳动生产率，进而在很大程度上抵消人口老龄化对经济增长的负面冲击。充分发挥科技发展对劳动生产率的正向影响，可以实现高质量发展，助力中国经济平稳转型和持续增长。为此，政府应该加大对制造业自动化智能化升级的支持，以数字化转型来推动劳动生产率提升和经济增长。

第二，关注生产智能化带来的负面影响。一是，本文的实证结果发现人口老龄化会降低低教育背景女性的就业率。中国作为人口大国，稳定就业在政治、经济和社会层面均具有举足轻重的意义。若是在追求自动化生产技术以提高劳动生产率的过程中，导致了大规模的结构性失业，那么可能会诱发一系列的社会问题。二是，自动化生产技术的使用对劳动收入份额造成了负面影响，不符合当下努力提升居民收入水平的政策目标。因此在人口老龄化的背景下，鼓励使用自动化生产技术时，还需要进一步坚持合适的就业政策和合理的分配制度，以减轻自动化生产技术大规模使用对劳动力市场带来的负面影响。三是，在加强学历教育的同时重视职业培训，提供智能化生产所需要的人力资本，特别是更具持续性和专业性的职业技能。

（为适应微信排版与阅读，注释从略，转载引用等请参阅期刊原文。）