今天分享一篇文章——《智能制造、人力资本升级与企业劳动收入份额》，来自《经济学（季刊）》2024年9月。
作者简介
黄卓，北京大学中国经济研究中心、北京大学国家发展研究院；
陶云清（通讯作者），上海财经大学金融学院；
刘兆达，中央财经大学经济学院；
叶永卫，上海财经大学公共经济与管理学院。
一、引言
随着人工智能、大数据、云计算、区块链、物联网等新一代数字技术的蓬勃发展，数字红利逐渐从居民生活领域向实体经济领域渗透（黄益平和黄卓，2018；李三希和黄卓，2022），数实融合成为经济社会高质量发展的新动能。在此背景下，智能制造作为一种全新的生产形态应运而生（权小锋和李闯，2022）。劳动收入份额切实体现了初次分配的公平程度，在改善分配格局与推动社会平衡发展中发挥着愈发重要的作用（Pikettyetal.,2019）。作为一种全新的生产方式，以智能制造为代表的技术变革究竟对制造业的劳动力市场尤其是劳动收入份额产生了怎样的影响？这种影响背后的逻辑理论又是如何？本文试图评估智能制造对企业劳动收入份额的影响，为技术变革如何影响劳动力市场提供重要启示。
一方面，云计算、机器学习等技术的引入，使得承载着多维信息的数据集成为一种全新的生产要素，进入企业设计、生产和服务的各个阶段。人、机、网的动态结合赋予机器感知、挑选并进行决策的能力，使得高度柔性、集成与自动的生产方式成为可能（乔非等，2023），无人工厂和车间应运而生，减少了企业对机械化劳动力的需求，产生“机器换人”的“替代效应”（AcemogluandRestrepo,2017；陈彦斌等,2019），这会导致企业劳动收入份额下降。另一方面，由于资本技能的互补性，这使得拥有智能化技术的企业对掌握深度学习、数据挖掘等技术的高技能劳动力产生更为迫切的需要，从而表现出智能制造对劳动力结构的“互补效应”（Michaelsetal.,2014；申广军，2016），这会促使企业劳动收入份额趋于上升。概言之，上述两种效应在一定程度上重塑了企业人力资本结构，从而对其劳动收入份额产生影响。基于此，本文试图细致剖析智能制造所带来的“替代效应”与“互补效应”如何共同作用于企业劳动收入份额。
边际贡献：
第一，有别于以往企业劳动收入份额基于生产方式不变假设下的研究，本文考察了智能制造这一生产方式革新对企业劳动收入份额的影响及内在机理，丰富了技术变革影响企业劳动收入份额的相关研究。已有研究从结构性因素（罗长远和张军，2009；李稻葵等，2009）、经济波动（贾珅和申广军，2016）、不完全竞争（文雁兵和陆雪琴，2018）和经济全球化（蒋为和黄玖立，2014）等方面对 影响劳动收入份额的因素进行了有益探讨，这些均认为企业维持目前的生产方式不变，而忽视了技术变革带来的影响。
第二，本研究扩展了智能制造实施的微观经济效应研究。本文从全新的劳动力市场角度，有助于丰富现有关于智能制造实施的微观经济效应的研究。囿于数据限制，以往关于智能制造的经济效应研究大多停留在理论分析层面（乔非等，2023），而对于智能制造微观经济效应的实证研究相对较少，仅仅只有两篇文献从成本粘性和企业创新的角度就智能制造试点项目的经济效果进行了评估（权小锋和李闯，2022；尹洪英和李闯，2022）。
二、理论分析与假设提出
熊彼特“创造性破坏理论”指出，一种新生产力的产生势必伴随着旧生产力的消亡。在智能制造替换落后生产工艺、优化生产流程、拓宽企业生产能力的同时，不可避免地会使部分工作岗位减少甚至消失。在任务模型框架下，智能制造与劳动力在不同任务中具有各自的比较优势，当智能制造相对于劳动力更具备比较优势时，劳动力就会被智能制造所取代，表现为“机器换人”（陈彦斌等，2019）。通常而言，低技能化、弱情感化、少经验化的劳动者因其所执行的任务程序化、常规化，在与技术的比较中，更容易处于劣势地位，从而被智能制造模仿替代（Autoretal.,2003;李磊等,2021），如自动化技术的普及使得无人工厂、无人车间运作成为可能，极大程度上对机械化、重复性劳动力产生挤出效应；深度学习、神经网络等技术的成熟与使用，赋予机器感知、判断和决策的能力，从而降低企业对简单行政辅助人员的需求（赵烁等，2020；Brynjolf-sson and McElheran,2016）。上述“替代效应”的存在，会促使企业减少对低技能员工需求，表现为企业整体劳动力雇佣规模下降。因此，在其他条件不变的前提下，企业整体劳动力雇佣规模下降会引发劳动收入份额随之下降。
相比于“替代效应”，智能制造的“互补效应”会通过提高企业对高技能劳动的需求，进而优化其人力资本结构。根据“资本技能互补效应”，技术内化于资本之中，需要通过多种方式与技能形成互补，才能充分发挥其作用。相对于低技能劳动者，高技能劳动者展现出更好的技术适应能力（申广军，2016）。因此，在智能制造实施过程中，企业势必将增加对高技能劳动的需求并引起自身人力资本结构调整，如加大对数字化人才、机器人工程师、软件研发人员的雇用，以对信息化设备进行安装调试维修；加强员工培训支出，提升员工技能水平，以实现更好的人机协同与岗位匹配（Alexopoulosand Cohen,2016；赵烁等,2020；谢小云等，2021）。由于“互补效应”的直接拉动，智能制造提升了企业对于高技能劳动力的需求，从而实现其人力资本结构升级。而这些蕴藏在人力资本中的新技术与新方法在确保企业智能制造成功“落地”的同时，亦提高了员工的“知识溢价”，从而提升企业劳动收入份额（邓玉林等，2006；江轩宇等，2019）。
综上可知，一方面，智能制造的“替代效应”将导致企业整体劳动力雇佣规模减小，进而导致劳动收入份额下降；另一方面，智能制造的“互补效应”将优化企业人力资本结构，进而提升劳动收入份额。
有鉴于此，本文提出以下竞争性研究假说：
假说１ 其他条件不变的情况下，智能制造的实施将降低企业劳动收入份额。
假说２ 其他条件不变的情况下，智能制造的实施将提升企业劳动收入份额。
三、研究设计
（一）样本设置与数据来源
1.样本选择和数据来源
智能制造于2015年开始实施，为保证改革前后有足够样本，同时避免研究区间过长引致过多政策混淆效应，本文选取2009—2020年沪深 Ａ 股制造业上市公司作为研究样本。其中企业层面的数据主要来自国泰安（CSMAR）、万德（Wind）和上市公司年报，地区层面的数据则来自《中国城市统计年鉴》《中国统计年鉴》与各省统计年鉴。考虑到数据质量对回归结果的影响，本文还对样本数据做了如下处理：（１）剔除 PT､ST､* ST 类以及金融类的上市公司；（２）删除主要变量缺失、财务数据缺失严重的上市公司；（３）删除资不抵债的上市公司；（４）对所有连续变量进行了前后各１％水平的缩尾（Winsorize）处理。最终得到13408条企业 年度观测值。
（二）重要变量及其测度
1.被解释变量：劳动收入份额（LS）
参考彭飞等（2022）的做法，本文采用劳动要素收入占企业增加值的比重衡量劳动收入份额，即LS＝支付给职工以及为职工支付的现金／（利润总额＋支付给职工以及为职工支付的现金＋固定资产折旧＋流转税税额），其中流转税税额的计算方式采用教育费附加及其相应费率逆推而得。
2.解释变量：智能制造（ＩＭ）
本文结合工业和信息化部发布的《工业和信息化部关于公布智能制造试点示范项目名单的通告》，借助企查查、爱企查等网站，从试点示范项目的名单中手动识别出上市公司，最后得到84家上市企业作为处理组，其余制造业企业作为对照组。
考虑到在国家大力提倡智能制造的大环境下，一些对照组企业也会自发开展智能制造建设，这将会对研究结果造成干扰，混淆智能制造带来的政策效应。参考权小锋和李闯（2022）的做法，对上市公司年报的“公司业务概要”和“管理层讨论与分析”部分进行文本识别。如果该公司在年报中上述部分未出现智能制造相关内容，则认为其为一个“好”的对照组，予以保留。进一步，根据交叠DID的做法对核心解释变量进行定义，若处理组企业当年实施智能制造，则当年和之后年份取值为1，反之取值为0。
3.控制变量
本文对影响企业被选择的前定变量（Z）进行控制，以保证试点企业选取具有相对的外生性。包括企业的营业成本率(Ocr)､现金流量状况(Cflow)､固定资产比率(Far)､资产负债状况(Lev)､企业规模(Size)､盈利能力(Roa)､股权集中度(Top)､ 成长性(Growth)和信息化状况(Information),以及地区的经济发展水平(Gdp)､工业增加值增长率(Gri)和互联网普及率(Internet)｡最后,借鉴孙天阳等(2020)的做法,上述前定变量(Z)均选取2014年的数据｡ 最终控制变量 Xit =Zi2014 ×γt ,其中γt为时间趋势｡
（三）计量模型
本文将在制造业中实施的智能制造试点项目视为一次准自然实验，并参考权小锋和李闯（2022）的做法构造如下计量模型：
四、实证分析
（一）基准检验结果
表３第（1）列结果显示，在控制企业固定效应和年份固定效应下，智能制造（IM）的估计系数为0.025，通过了5%水平的显著性检验，表明智能制造显著提升了企业劳动收入份额。第（２）列结果显示，在进一步加入所有控制变量之后，智能制造（IM）的估计系数依旧显著为正，这意味着上述结论具有一定稳健性。
以第（２）列结果为例说明智能制造实施的经济意义。可以发现，IM估计系数为0.032，由于企业政策发生前劳动收入份额的均值为0.222，故平均而言智能制造的实施使得企业劳动收入份额提升14.4%，具有显著的经济意义。整体而言，上述回归结果表明智能制造的实施对企业劳动收入份额具有提升作用，互补效应占据主导地位，假说２得证。
（二）平行趋势与动态效应
本文构建了如下跨期动态模型：
本文结合回归系数和95%的置信区间绘制了图２与图３。可以发现，无论是否加入控制变量，交互项的估计系数在智能制造实施前大多在０附近波动，且均未通过显著性检验。进一步，进行联合性显著检验发现，事前系数联合性检验的P值大于0.1，表明实验组企业与对照组企业的劳动收入份额的变化趋势在智能制造实施前并不存在显著差异。而交互项的估计系数在智能制造实施后显著为正，说明智能制造试点示范政策在实施当年就对实验组企业劳动收入份额发挥了正向促进作用，而且该作用持续存在于随后数年。
（三）稳健性检验
本文还进行了如下一系列检验：①更换智能制造与劳动收入份额的衡量方式；②加入行业 年份固定效应与省份 年份固定效应；③改变聚类方法；④使用平衡面板并考虑企业退出问题；⑤匹配DID与合成控制DID分析；⑥排除其他因素对智能制造效应评估的影响；⑦对交叠DID所存在的异质性处理效应问题进行缓解。结合所有的稳健性检验结果，均一致表明基准结果仍然稳健。
五、进一步分析
（一）作用机制检验
１．机制直接验证
首先，本文对智能制造的“替代效应”机制进行验证。尽管基准结果已初步证实该机制不占主导地位，但为了提供更多经验证据，本文仍对此机制进行了检验。根据理论分析，如果“替代效应”占据主导地位，那么理应可以观察到企业整体劳动力雇佣规模减小。由此，本文以员工总数的自然对数来度量企业劳动力雇佣规模（Lab），随后考察智能制造对其带来的影响，结果列示于表４第（１）列。可以发现，智能制造（IM）的系数显著为正，这说明智能制造增加了企业劳动力雇佣规模，即“替代效应”不占主导地位。
其次，本文对智能制造的“互补效应”机制进行验证。“互补效应”的具体表现为企业人力资本升级，本文做了如下几方面工作：①借鉴刘啟仁和赵灿（2020）的研究，将技术人员视作技能劳动力，而其他人员视作非技能劳动力，随后采用技能劳动力的自然对数刻画企业人力资本存量（Rela）；②使用技术人员与其他人员之比（RelaProp）衡量企业人力资本结构，该比值越大表明企业人力资本结构越高级；③一般而言，学历越高的劳动者对于新事物、新知识的包容与接受能力越强，故参考权小锋和李闯（2022）的研究，使用企业硕士及以上员工占比（LabStru）重新刻画企业人力资本结构；④企业员工培训费用在一定程度上反映了企业员工整体技能水平。本文参考尹洪英和李闯（2022）的做法用企业员工 培训费用（OJT）的自然对数再次刻画企业人力资本结构。
回归结果如表４第（２）—（５）列所示，无论采用哪一个指标作为被解释变量，智能制造（IM）的系数均显著为正，充分说明了智能制造实施所带来的技能偏向型技术进步，优化了企业人力资本结构，从而提升了其劳动收入份额。
２．机制进一步验证
本文根据企业所在地劳动力市场中硕士就业者占比与企业所在地大学数量的年度中位数将企业分为人力资本调整难度高与人力资本调整难度低两组，进行分组检验。检验结果如表Ⅱ1所示，发现在人力资本调整难度更低的组中，智能制造（IM）系数具有更强的显著性，进一步佐证了人力资本结构优化是智能制造提升企业劳动收入份额的核心机制。
(二)异质性分析
1.企业要素密集度
本文采用企业固定资产与员工人数的比值来度量企业资本密集度，并依据年度中位数将企业分为资本密集型与劳动密集型两组，并进行分组回归。结果显示，在劳动密集型企业中，智能制造（IM）系数显著为正。而在资本密集型企业中，智能制造（IM）系数并不显著。
2.地区法治环境
本文参考参考万良勇（2013）的做法，采用樊纲市场化指数中的市场中介组织发育和法律制度环境得分来衡量地区法治环境，根据企业所在省法治得分的年度中位数将企业划分为法治水平较完善与法治水平较落后两组，进行分组回归。结果显示，在较完善的法治环境中，智能制造（IM）的系数显著性更优。
3.地区劳动力错配程度
本文参考白俊红和刘宇英（2018）的做法，采用价格相对扭曲系数来衡量地区的劳动力错配程度，并根据企业所在省劳动力错配程度的年度中位数将企业划分为劳动力错配程度高与劳动力错配程度低两组，进行分组回归。结果显示，在劳动力错配程度相对较低地区的企业中，智能制造（IM）系数显著为正。而在劳动力错配程度相对较高地区的企业中，智能制造（IM）系数并不显著
（三）进一步分析
第一，针对智能制造模式的分解。
根据《智能制造发展规划（2016—2020年）》《智能制造工程实施指南（2016—2020）》以及各年度智能制造试点示范项目要素条件，中国智能制造试点示范的模式可以分为以下五类：离散型智能制造、流程型智能制造、网络协同制造、大规模个性化定制和远程运维服务。本文将中国智能制造的模式归为以下两类：生产型智能制造（离散型智能制造和流程型智能制造）与协同型智能制造（网络协同制造、大规模个性化定制和远程运维服务）。
结果发现，相比于协同型智能制造，生产型智能制造模式对企业劳动收入份额的提升效果更为明显。
第二，针对智能制造的普惠效应。
本文将探讨智能制造能否抑制企业内不同劳动主体间的收入差距，从而更为清晰全面地论证智能制造的普惠效应。本文参考孔东民等（2017）、柳光强和孔高文（2018）的做法，采用高管平均薪酬和普通员工平均工资的比值衡量企业内部薪酬差距（Gap）。同时，参考魏志华等（2022）的研究，对企业内部薪酬差距进行解构，将其分为高管超额薪酬带来的差距与高管合理薪酬带来的差距两个维度。具体而言，首先对高管的合理薪酬水平进行估算，实际薪酬水平与合理薪酬水平的差值即为高管超额薪酬。进一步，构建高管 超额薪酬差距（Overgap）=高管超额薪酬/员工平均工资；高管合理薪酬差距 （Normalgap）=高管合理薪酬/员工平均工资。
表Ⅴ1结果显示，智能制造的实施显著降低了企业内部薪酬差距，且这种降低作用具体表现为降低高管超额薪酬差距，而并未对高管自身合理利益进行侵害。基于上述分析可得，智能制造在提高企业劳动收入份额的同时，亦对企业内不同劳动主体间的收入差距产生抑制作用，成为全方位“分好蛋糕”的重要助力。
六、研究启示
首先，政府应当持续扩大推进智能制造试点项目。本研究发现智能制造可以显著提升企业劳动收入份额，并抑制企业内部薪酬差距。这表明智能制造的技术“红利”，已然从生产领域向收入分配领域溢出。故此，政府应提高对智能制造的重视程度，并大力推进智能制造试点项目的落实，以提升企业劳动收入份额。
其次，就现实而言，智能化技术的冲击在加大对高技能劳动力需求的同时势 必会对简单、重复性劳动力的就业产生负向冲击。结合人力资本升级效应，政府应树立提升劳动者技能与数字技术的互补性的目标，建立合理的人才培养体系，扩大数字化、智能化人才的培养规模，提升劳动者技能适配性。
最后，保持良好的市场环境并加强法治建设，以确保智能制造所带来的收入分配优化效应充分发挥。本研究发现，智能制造对企业劳动收入份额的提升作用在法治水平相对较完善和劳动力错配程度较低地区的企业中更为明显。这表明政府应保障市场机制的良性运转，同时优化法治环境，加强司法独立，提高执法效率，充分发挥市场机制的调节作用，为深化智能制造的收入分配效应提供适配的外部环境。
