自动化技术应用与企业人力资...构——基于供应链视角的研究_吴一平.pdf

自动化技术应用与企业人力资本结构自动化技术应用与企业人力资本结构*基于供应链视角的研究吴一平，陈家和，李鹏飞（上海财经大学 公共经济与管理学院，上海 200433）摘要：当前，工业自动化技术在我国正被广泛应用，这会对企业人力资本结构产生深远影响。文章利用 20152019 年上市公司采购自动化产品的数据，从供应链视角研究了自动化技术应用对企业人力资本结构的影响。结果显示，对于采购自动化产品的企业，其人力资本结构显著改善。机制检验表明，这种改善效应的大小取决于企业采购的自动化产品类型，只有采购集成型自动化产品，才能显著改善企业人力资本结构，采购基础型自动化产品的作用效果则不明显。异质性分析表明，这种人力资本结构改善效应在供应商是自动化产品生产商、供应商与下游企业的地理距离较短的情况下，以及高管受教育程度较高或竞争性行业的企业中更加显著。文章还发现，自动化技术应用显著改善了下游上市公司的经营绩效。文章的研究为利用自动化技术帮助企业提质降本增效以及提升我国智能制造水平提供了经验证据。关键词：自动化技术；人力资本结构；供应链中图分类号：F124 文献标识码：A 文章编号：10019952（2023）07000415DOI:10.16538/ki.jfe.20230221.301一、引言当前，全球正迎来第四次工业革命，其主要特征是融合以移动互联网、云技术、大数据、新能源、机器人以及人工智能为代表的各项技术，并日益消除物理世界、数字世界和生物世界之间的界限。机器人技术是第四次工业革命的关键技术之一。根据国际机器人联合会（IFR）发布的数据，2020 年全球工厂中运行的工业机器人达到 270 万台，同比增长了 12%。中国已经成为世界上使用机器人最多的国家，全世界每 3 台新装机器人中就有 1 台在中国。不仅如此，中国也是全球工业机器人第一大供应国。国家统计局数据显示，2019 年工业机器人销量达到 14.05 万台，占全球总销量的 37.67%。2020 年以来，即使经历了突发公共卫生事件，我国工业机器人市场仍然实现了较好的发展，2021 年工业机器人销量达到 24.8 万台，占全球总销量的 52.9%。数量庞大的自动化技术供应商为中国企业提供了智能化转型的机会与途径。2021 年，工信部会同有关部门起草“十四五”智能制造发展规划，旨在推进智能制造、实现企业智能化转型，国内收稿日期：2022-09-21基金项目：国家自然科学基金项目（71673174）作者简介：吴一平（1977），男，安徽合肥人，上海财经大学公共经济与管理学院教授，博士生导师；陈家和（1996）（通讯作者），男，浙江衢州人，上海财经大学公共经济与管理学院博士研究生；李鹏飞（1994），男，山东泰安人，上海财经大学公共经济与管理学院博士研究生。第 49 卷 第 7 期财经研究Vol.49 No.72023 年 7 月Journal of Finance and EconomicsJul.2023 刘栋：世界经济论坛聚焦“第四次工业革命”，人民日报，2016-01-25，http:/ 自动化产品与技术供应商将扮演重要角色。据此，理论界亟需从供应链视角深入探讨自动化技术的经济影响。现有研究表明，自动化技术的应用有助于实现产业的包容性增长（陈东和秦子洋，2022），扩大企业的产品出口范围（綦建红和张志彤，2022），提升全球价值链的分工位置（周洺竹等，2022），因而需要鼓励更多企业使用自动化技术。而现实中，不少传统企业表示在导入自动化技术后，产品质量、生产成本和生产效率并没有达到预期目标。这是因为每一种自动化产品都有自身的使用方法，技术人员需要充分掌握机器的使用方法和技艺，才能最大限度发挥自动化技术的作用（孙怀义等，2019）。因此，企业内部的人力资本结构成为影响自动化技术应用效果的重要因素。当前，工业自动化技术在我国正被广泛应用，工业自动化市场规模在 2021 年达到2 530 亿元。在此背景下，深入探讨自动化技术与企业人力资本结构的关系，对于充分发挥自动化技术作用、实现企业提质降本增效的目标具有重要意义。本文利用供应商的文本信息识别出自动化产品厂商，探讨了下游企业采购上游自动化产品对自身人力资本结构的影响。本文利用 20152019 年企查查数据库、国泰安数据库和中国自动化网数据，构造了“上市公司年份是否采购自动化产品”的合成数据库。本文将自动化产品供应商名单与上市公司供应商名单进行匹配，如果上市公司当年的供应商中包含自动化产品供应商，则认为上市公司当年应用了自动化技术。研究结果显示，自动化技术应用与企业人力资本结构呈现显著的正相关关系。本文进一步利用自动化供应商详细的产品文本信息，识别了上市公司应用的自动化产品类型。具体地，本文将自动化产品分为基础型和集成型两类，探讨了不同类型的自动化技术对人力资本结构的差异化影响。检验结果显示，自动化技术应用与企业人力资本结构的正相关关系主要集中在采购集成型自动化产品的上市公司中。进一步研究发现，当供应商进入自动化行业的年限较长、供应商是自动化产品生产商以及供应商与下游企业的地理距离较短时，自动化技术改善企业人力资本结构的作用较大。此外，这种人力资本结构改善效应在非国有企业、高管受教育程度较高以及竞争性行业的企业中更大。本文还发现，自动化技术应用显著改善了下游上市公司的经营绩效。本文的主要贡献体现在：首先，补充了自动化技术经济影响的研究文献。自动化技术经济影响的现有研究主要集中在劳动力需求（Acemoglu 和 Restrepo，2018；Aghion 等，2020；孔高文等，2020；王永钦和董雯，2020）、收入分配（Jackson 和 Kanik，2019；郭凯明，2019；王林辉等，2020）和经济增长（陈彦斌等，2019；林晨等，2020；杨光和侯钰，2020）等方面。本文探讨了自动化技术应用对企业人力资本结构的影响，补充了自动化技术应用经济影响的研究文献。其次，本文的研究有助于解决现有文献中关于自动化技术对企业劳动力需求影响的争论。现有文献的研 究 结 论 存 在 分 歧，这 主 要 是 因 为 自 动 化 技 术 既 会 通 过 替 代 效 应 来 减 少 劳 动 力 需 求（Brynjolfsson 和 McAfee，2014；Acemoglu 和 Restrepo，2020），又会通过促进效应来增加劳动力需求（Autor，2015；Acemoglu 和 Restrepo，2018；Caselli 和 Manning，2019；Moll 等，2021），其最终影响取决于两者的合成效应。对于国内研究，王永钦和董雯（2020）发现机器人应用对企业劳动力需求产生了一定的替代效应。李磊等（2021）发现，机器人对就业的影响存在规模效应、生产率效应和替代效应，其中规模效应占主导地位，因此企业的就业水平呈显著上升态势。本文基于自动化技术的本质特征，将自动化技术划分为基础型和集成型产品两大类，在“资本技能”互补假说下关注异质性自动化技术与不同类型劳动力之间的替代互补关系，更加清晰地识别了自动化技术应用对劳动力需求的差异化影响。最后，本文补充了自动化技术识别的研究文献。现吴一平、陈家和、李鹏飞：自动化技术应用与企业人力资本结构 数据来源：华经产业研究院。5 有文献大多利用 IFR 的工业机器人数据或进口机器人数据来识别企业受自动化影响的程度，而工业机器人属于自动化技术中的基础型，无法准确刻画自动化技术的整体影响。本文利用自动化供应商名单和自动化产品信息，将自动化技术的研究范围由工业机器人扩大至一般意义上的自动化技术或产品，准确识别了自动化技术应用的规模与结构。二、理论分析与研究假说（一）自动化技术与人力资本结构。现有研究表明，自动化技术既会通过替代效应来减少企业的劳动力需求，又会通过促进效应来增加企业的劳动力需求。而自动化技术是否影响企业人力资本结构，替代效应发挥着重要作用。假设自动化技术的促进效应在不同类型的劳动力之间不存在显著差异，当自动化技术对不同类型劳动力的替代效应不同时，企业的人力资本结构将发生变化。在基于任务的分析框架下，替代效应的大小取决于自动化技术与劳动力之间的替代弹性。本文借鉴 Krusell 等（2000）、刘啟仁和赵灿（2020）以及余玲铮等（2021）的做法，将自动化技术与异质性劳动力投入纳入双层嵌套的 CES 生产函数中，考察自动化技术与劳动力之间的替代弹性对企业人力资本结构的影响。生产函数如下：Y=KNLu+(1)KA+(1)Ls1（1）其中，Y 为产出，KN、KA、Lu和 Ls分别为非自动化资本、自动化资本、低技能劳动力和高技能劳动力的投入，和 为相应要素的投入比例，和 为替代参数，1，1。自动化资本与低技能劳动力的替代弹性为 1/（1），自动化资本与高技能劳动力的替代弹性为 1/（1）。根据厂商产出最大化条件，本文分别对式（1）中的 Ls和 Lu求偏导数得到：su=(1)(1)(KALs)+(1)(LsLu)1（2）其中，s和 u分别为高技能劳动力和低技能劳动力的工资。将式（2）取对数并做线性化处理，可以得到：ln(su)=ln(1)(1)+(KALs)+(1)ln(LsLu)（3）参照刘啟仁和赵灿（2020）的方法，式（3）可以转化为如下的增长率形式：gsgw=1(1)gw+()(1)(KALs)(gkags)（4）在其他条件不变的情况下，自动化技术应用对企业人力资本结构的影响方向取决于自动化资本投入与不同技能劳动力之间的替代弹性关系（）以及资本与技能劳动力的增长率之差（gkags）。与刘啟仁和赵灿（2020）不同的是，本文假设不同技能劳动力的相对工资取决于地区和行业特征，即 ln（ws/wu）f1（Dkt，Zjt），自动化资本投入取决于企业是否采购自动化产品及采购量，其中采购量取决于企业自身特征，即 KAIAutomationitf2（Xit），则企业不同技能劳动力数量的比值由下式决定：ln(Ls,ijktLu,ijkt)=()(1)IAutomationit f2(Xit)+C1 f1(Dkt,Zjt)（5）2023 年第 7 期 不少文献发现，自动化技术的引入对企业内部工资结构没有显著影响。王永钦和董雯（2020）发现，对于机器人渗透率较高的企业，无论是高技能员工还是低技能员工，工资均未发生显著变化。6 由式（5）可知，自动化技术应用对企业人力资本结构的影响取决于自动化资本投入与不同技能劳动力之间的替代弹性。如果自动化资本投入与低技能劳动力的替代弹性大于其与高技能劳动力的替代弹性，即，则企业人力资本结构将得到优化。通常来说，自动化技术对低技能劳动力的替代弹性较大，对高技能劳动力的替代弹性则较小。Dixon 等（2021）认为，机器人可以有效提高生产效率，减少产品间的质量差异，因此专门从事质量检查的员工将面临更高的失业风险，而这些员工通常被认为是中低技能劳动力。BBC 基于剑桥大学学者 Michael Osborne 和 Carl Frey 的数据体系，分析了 365 种职业在未来的“被淘汰概率”，其中需要“大量的重复性劳动”或“由训练即可掌握技能”的职业被机器人取代的概率最高。咨询及量化分析公司牛津经济（Oxford Economics）发布的数据显示，从全球范围来看，当前每个新安装的工业机器人将“消灭”1.6 个制造业工作岗位，其中低技能劳动力密集的地区受机器人普及的影响更大，这类地区的失业率可能是高技能劳动力密集地区的两倍。综上分析，本文提出假说 1：由于自动化技术对低技能劳动力的替代弹性较大，自动化技术的应用将改善下游企业的人力资本结构。（二）异质性自动化技术的作用。不同类型的自动化产品所包含的技术水平相同，与不同技能劳动力之间的替代弹性也不同。因此，企业采购不同类型的自动化产品将对企业人力资本结构产生不同影响。自动化的本质是机器设备、系统或过程（生产和管理过程）在没有人或较少人的直接参与下，按照人的要求，经过自动检测、信息处理、分析判断和操纵控制，实现预期目标的过程。Stapleton 和 Webb（2020）认为，自动化技术包括机器人、计算机数控机（CNC）以及柔性制造系统（FMS）。本文参照其做法，将自动化产品分成两类：第一类是以机器人或机械手臂为代表的基础型产品，如机器人、机械手臂和控制仪表等，其广泛应用于喷涂、焊接、搬运、装配和分拣等领域；第二类是以计算机数控机和柔性制造系统为代表的集成型产品，如 PLC、伺服系统、RTU 和工业以太网等，其技术含量较高，可以连接多个基础型产品，并实现智能化或数字化控制，常用于计算机集成制造系统和智能化工厂建设等。基础型自动化产品可以实现基本的“机器换人”需求，但尚未与高技能劳动力形成互补关系。因此，这类产品的使用将减少企业对低技能劳动力的需求。考虑到基础型自动化产品同样可以提升企业生产效率，在获得更多利润的前提下，企业有动力进一步扩大生产规模，增加自动化投入，并雇用更多的低技能劳动力（即促进效应）。因此，基础型自动化产品的应用对下游企业低技能劳动力的影响可能是不确定的。相比而言，集成型自动化产品可以连接多个基础型产品，这可能会减少企业对低技能劳动力的需求，但由于集成型自动化产品的技术含量较高，通常需要企业配备一定技术水平的操作人员，即与高技能劳动力的互补性较强，因此企业对高技能劳动力的需求较大。当前，中国正从“机器换人”向制造过程智能化、数字化转变。智能制造不是简单的“机器换人”过程，而是以自动化、数字化、网络化、智能化等新理念、新技术手段，帮助企业实现更高效、更高质、更低成本的生产与服务。这需要技术操作者既有传统产线的工业制造能力，又了解智能化设备的运用。例如，目前在企业对智能制造配套的人才需求中，排名前两位的岗位分别为产线操作与维护岗位及工艺制订岗位。其中，产线操作与维护岗位需求占比约为35%40%，工艺制订岗位需求占比约为 30%35%。这两个岗位基本上都要求员工具有高技吴一平、陈家和、李鹏飞：自动化技术应用与企业人力资本结构 这类产业链涵盖智能装备（机器人、数控机床、智能传感器和其他自动化装备等）、工业软件（制造执行系统、数据采集与监控系统等）、工业互联网（云技术、大数据、工业以太网、网络安全等）以及将上述环节有机结合的自动化系统集成及生产线集成等。资料来源：智能制造人才需求到底是怎样的？，英迈工场，2021-06-06。7 能、高学历。企业只有雇用更多与自动化设备相匹配的高技能员工，才能最大程度发挥自动化技术的作用。Dixon 等（2021）研究发现，在雇用更多非管理类员工的同时，企业也更有可能从公司外部聘请职业经理，并开展额外的员工培训，目的是持续提高公司员工的技能水平。综上分析，本文提出假说 2：基础型自动化技术应用改善下游企业人力资本结构的作用不明显，而集成型自动化技术应用有助于改善下游企业的人力资本结构。三、数据来源与模型设定（一）数据来源。为了检验理论假说，本文构建了 20152019 年中国上市公司的一个面板数据集。自动化产品供应商信息主要来源于中国自动化网，该网站收集了 2004 年至今自动化产品供应商的相关信息，包括供应商的名称、入网时间、企业类型和产品类型等。本文使用 Python软件获取了 2021 年 9 月之前入网的所有自动化产品供应商信息，总计 9.6 万余条数据，剔除厂商名称等关键信息缺失的企业之后，共获得 8.8 万家自动化产品供应商的信息。为了识别上市公司应用自动化技术的情况，本文从企查查网站获得上市公司所有供应商的信息，然后将自动化产品供应商名称与上市公司供应商名称进行精准匹配，同时采用人工阅读方法校正误差，最终获得采购自动化产品的上市公司名单。需要指出的是，中国自动化网提供的自动化供应商名录主要为国内厂商，因此本文主要关注来自国内供应商的技术冲击。尽管近些年来国内工业机器人的生产规模不断扩大，但是中国工业机器人行业的进口规模仍然较大，忽略进口自动化技术有可能导致本文高估或者低估国内自动化技术的影响。此外，广义上的人工智能分为三个领域（Agrawal 等，2019），即机器学习或深度学习、超智能机器以及自动化。前两个领域的技术要求相对较高，企业对高学历员工的需求较大。因此，对没有采购自动化产品、但采购其他高技术含量人工智能产品的上市企业而言，其人力资本含量本身处于较高水平。考虑到本文所采用的方法仅能识别出上市公司的供应商中是否有自动化产品供应商，如果将拥有人工智能技术的公司纳入研究样本，则可能会导致估计结果有偏。因此，本文利用企查查网站提供的企业专利数据信息，识别了上市公司及其供应商拥有的人工智能专利数据，将这些企业予以剔除。考虑到公司层面人力资本数据的可得性，本文以 20152019 年中国非金融类 A 股上市公司为研究样本，剔除了样本期内处于异常状况的企业，即 ST 和*ST 企业。此外，本文还剔除了样本期内本身就是自动化产品供应商的上市公司。本文最终获得 2 738 个有效企业样本和 8 562 个“企业年度”观测值。企业层面数据来源于国泰安数据库和万得数据库，城市经济发展信息来源于EPS 城市数据库。（二）模型设定。本文采用以下固定效应模型来考察自动化技术对企业人力资本结构的影响：HCijkt=0+1Automationijkt+2Xit+3Ykt+4Zjt+t+j+k+ijkt（6）2023 年第 7 期 http:/ CSMAR 提供的上市公司前五大供应商数据，而 CSMAR 数据中可准确识别的供应商样本仅占本文供应商样本的 11.84%。同时，在本文的样本中，单一年份内供应商数超过 5 家的样本约占 46.82%。因此，本文所使用的供应商数据更加完整，这能够在最大程度上缓解数据缺失所导致的识别不足问题。一方面，采购国内自动化产品的上市公司也可能采购国外自动化产品，这会高估国内自动化技术应用的影响；另一方面，部分没有采购国内自动化产品的上市公司可能采购了国外自动化产品，而这部分样本在本文中被识别为对照组，这会低估国内自动化技术应用的影响。为此，本文在实证部分提供了相应的稳健性检验。本文参照 Webb（2019）的方法，根据公司所拥有的专利名称来识别其是否拥有人工智能技术。如果上市公司当年拥有人工智能专利或其供应商拥有人工智能专利，则认为其受到人工智能技术的影响，本文将这类公司从样本中剔除。8 其中，HCijkt表示城市 j 行业 k 中的企业 i 在 t 年的人力资本结构，采用企业的高学历员工数量（本科及以上学历定义为高学历）与低学历员工数量（大专及以下学历定义为低学历）的比值来度量。现有研究表明，自动化技术与劳动力之间的替代互补关系更多取决于员工技能或所执行的任务（Webb，2019；余玲铮等，2021）。受到数据可得性的限制，大多数研究以学历来反映员工的技能水平。为了增强研究结论的稳健性，本文进一步根据劳动者的工作性质来区分人力资本，将技术人员归为技能劳动力，其他人员归为非技能劳动力，然后计算技能劳动力与非技能劳动力的比值（Skill）。此外，本文还以不同类型员工数量的对数值或者占总员工数的比重作为被解释变量，从多角度考察自动化技术对人力资本结构的影响。解释变量 Automationijkt表示城市 j 行业 k 中的企业 i 在 t 年是否获得自动化技术的虚拟变量，如果当年企业的供应商中包含自动化产品供应商，则认为其获得了自动化技术，Automationijkt取值为 1，否则为 0。为了考察自动化技术应用对上市企业的集约影响，本文进一步采用自动化供应商数量的自然对数（Automationnumber）来刻画企业获得自动化技术的情况。Xit表示企业层面的控制变量，主要包括企业年龄、所有制、资产规模、资产负债率、融资约束、资本深化程度和工资溢价水平。Ykt表示行业层面的控制变量，包括行业赫芬达尔指数。Zjt表示企业所在地区的控制变量，主要包括地区经济发展水平、政府规模和地区工资水平。t、j和 k分别表示年份固定效应、企业所在城市固定效应以及企业所属行业固定效应。自动化技术属于广义人工智能技术的一个方面，而人工智能在不同产业的应用前景不同，一项人工智能专利只会应用到特定行业中（郭凯明，2019）。因此，本文将标准误聚类到行业层面以解决不同行业间的异方差和行业内的序列相关性问题。本文主要变量定义与描述性统计见表 1，各个变量均在 1%的水平上做了缩尾处理。表 1 主要变量定义与描述性统计变量代码变量名称观测量均值标准差最小值最大值HC高学历员工相对雇用比重8 5622.9977.7920.052057.46Skill技能员工相对雇用比重7 2110.3960.7720.00118.68Employer企业员工数量8 5625 3289 484149149Employee_high高学历员工数量8 56219192 406649366Employee_low低学历员工数量8 5622 2733 0171012000Employee_high_ratio高学历员工比重8 5620.4980.23501Employee_low_ratio低学历员工比重8 5620.5010.23501Automation自动化技术应用8 5620.1680.37401Automation number自动化供应商数量8 5620.2821.054032Age企业年龄8 55818.915.442533SOE企业所有制8 5620.3430.47501Size企业规模8 56222.291.32119.86026.27Leverage资产负债率8 5620.4200.1990.0540.881FC融资约束8 5612.3402.1910.31316.65CD资本深化程度8 56212.571.1609.30115.67Wgap工资溢价水平8 5040.2672.0874.7713.743HHI行业赫芬达尔指数8 5610.0830.0860.0170.598GDP per capita城市经济发展水平7 4222.4390.7530.0123.768Government size城市政府规模7 5460.1890.0640.0290.895Wage per capita城市工资水平8 5628.4482.9551.70215.02注：受篇幅限制，部分变量定义未列示，详见本文的工作论文版本。吴一平、陈家和、李鹏飞：自动化技术应用与企业人力资本结构 9 （三）自动化供应商的事实分析。从空间布局来看，目前我国自动化供应商主要集中在东部沿海地区，其中广东省的自动化供应商数量占全国自动化供应商数量的比重高达 39.83%，江苏省的自动化供应商占比为 12.5%。应用自动化技术的上市公司也集中在东部沿海地区，广东省、江苏省和浙江省的占比分别为 17%、10.65%和 9.64%。从自动化供应商入网年限来看，目前我国自动化供应商的平均入网年限为 10 年，最长为 18 年。从自动化供应商类型来看，65.45%的自动化供应商为自动化产品或技术的生产商，34.55%的自动化供应商为代理商或经销商。从自动化供应商提供的产品类型来看，59.57%的自动化供应商仅提供基础型自动化产品，40.43%的自动化供应商还提供集成型自动化产品。上述数据说明，目前我国大多数自动化供应商拥有自主生产自动化产品的能力，自动化产品或技术比较成熟，平均入网年限较长，但存在空间分布不均衡的问题。此外，大多数自动化供应商所提供的产品属于基础型，尚未成为集成型产品的供应商，难以为企业实现数字化、智能化转型提供有力支持。四、实证结果分析（一）基准回归结果。表 2 报告了自动化技术应用影响企业人力资本结构的估计结果。列（1）在控制城市、行业和年份固定效应的基础上，仅包括自动化技术应用这一变量。结果显示，一家上市公司拥有至少一家自动化供应商后，高学历员工的相对雇用比重会显著上升。列（2）和列（3）逐步加入了不同层面的控制变量，核心解释变量的回归系数仍显著为正。列（4）采用高学历员工相对雇用比重的自然对数作为被解释变量，Automation 的系数依然显著为正。这表明自动化技术应用有助于改善企业的人力资本结构。此外，为了考察自动化技术应用是否具有规模效应，本文采用自动化供应商数量的自然对数（Automation number）作为解释变量重新进行了估计。列（5）结果显示，解释变量的系数在 1%的水平上显著为正。这表明随着下游企业自动化产品供应商数量的增加，企业的人力资本水平得到提升，自动化技术应用具有规模效应。表 2 基准回归分析（1）HC（2）HC（3）HC（4）LnHC（5）HCAutomation1.0908*（0.5358）0.8147*（0.3072）0.8870*（0.3380）0.1257*（0.0382）Automation number1.0349*（0.3883）Controls（Firm Level）未控制控制控制控制控制Controls（Industry Level）未控制控制控制控制控制Controls（City Level）未控制未控制控制控制控制城市、行业和年份固定效应控制控制控制控制控制N8 5348 5017 3737 3637 373R20.22780.23460.23540.47390.2353注：括号内为行业层面聚类的稳健标准误，*、*和*分别表示在1%、5%和10%的水平上显著。受篇幅限制，控制变量和常数项的估计结果未列示。下表同。本文进一步探讨了自动化技术应用对企业人力资本结构的影响渠道，估计结果见表 3。列（1）展示了自动化技术应用对企业员工数量的影响效应，Automation 的系数不显著，表明自动化技术应用对企业员工数量没有产生显著影响，这一结果与自动化技术应用增加企业劳动力需求（Aghion 等，2020；李磊等，2021）和减少企业劳动力需求（Acemoglu 和 Restrepo，2018；王永钦和董雯，2020）均不同。本文进一步将企业员工分为高学历和低学历两类，考察了自动化技术应用对不同学历员工的差异化影响。列（2）和列（3）分别展示了自动化技术应用对高学历员工和低学历员工绝对规模的影响效应。结果显示，自动化技术应用显著增加了高学历员工数量，减少 2023 年第 7 期 10 了低学历员工数量。为了保证估计结果的稳健性，本文采用高学历员工占比和低学历员工占比作为被解释变量，重新考察了自动化技术应用对不同学历员工的影响效应。列（4）和列（5）结果显示，自动化技术应用显著提升了高学历员工占比，降低了低学历员工占比。总体来看，本文的研究结果与部分文献的结论存在较大差异。王永钦和董雯（2020）认为，由于在一些常规性和复杂性劳动方面相对于人力更具比较优势，机器人替代了部分中等技能员工，导致员工规模缩小。李磊等（2021）认为，在发展中国家，机器人应用更强调效率的改进，因此机器人应用的“规模效应”会同时增加企业对不同技能劳动力的需求，最终导致员工规模扩大。与上述文献不同，本文认为自动化技术本身是具有偏向性的，与不同类型员工之间的“替代互补”作用不同。具体来说，在替代部分低技能劳动力的同时，自动化技术因与高技能劳动力的互补性而会增加企业对高技能劳动力的需求，最终导致自动化技术在不改变企业员工总量的情况下，不断改善企业人力资本结构。当然，本文使用的数据与识别方法是导致本文研究结果与其他文献不同的原因之一。一方面，本文关注的技术冲击更多地来自国内供应商，而王永钦和董雯（2020）关注的技术冲击更多地来自国外；另一方面，本文关注的是自动化技术，而大多数文献关注的是自动化技术中比较有代表性的工业机器人。表 3 影响渠道分析（1）Employer（2）Employee_high（3）Employee_low（4）Employee_high_ratio（5）Employee_low_ratioAutomation0.0149（0.0237）0.0642*（0.0209）0.0651*（0.0371）0.0230*（0.0072）0.0230*（0.0072）Controls控制控制控制控制控制城市、行业和年份固定效应控制控制控制控制控制N7 3477 3477 3477 3477 347R20.80860.79560.72620.52960.5296注：控制变量与基准模型保持一致。下表同。（二）内生性讨论。为了解决潜在的内生性问题，本文利用 IFR 的工业机器人数据来构造行业层面的机器人渗透率，将其作为自动化技术应用的工具变量，采用两阶段最小二乘法进行估计。工具变量的构造方式如下：PRkt=MRCHkt/LCHk,t=2010MRCHktLCHk,t=2010其中，表示中国行业 k 在 t 年新增的工业机器人数量，表示中国行业 k 在 2010 年的就业人数。这个工具变量的变化主要反映了行业技术特征的变化（王永钦和董雯，2020），而与企业自身特征无关，因此满足工具变量的外生性要求。由于工业机器人主要应用于制造业领域，本文先利用制造业上市公司样本进行基准回归，再将中国二位数制造业行业分类代码与IFR 中的行业分类代码统一，匹配得到企业所属行业的新增工业机器人数量，回归结果见表 4。列（1）为基准回归结果。列（2）为第一阶段估计结果，工具变量的系数在 1%的水平上显著为正，且 K-P rk Wald F 统计量为20.73，表明不存在弱工具变量问题。列（3）为第二阶段估计结果，核心解释变量的系数显著为正，表明排除内生性问题后，自动化技术应用仍然会显著改善企业人力资本结构。表 4 工具变量估计（1）HC（2）Automation（3）HC基准回归第一阶段第二阶段Automation0.4893*6.813*（0.1310）（2.186）PR（IV）0.016*（0.004）Controls控制控制控制城市和年份固定效应控制控制控制N4 6884 5764 576R20.32170.11470.09吴一平、陈家和、李鹏飞：自动化技术应用与企业人力资本结构 11 （三）稳健性检验1.倾向得分匹配。自动化技术应用可能与企业规模和融资约束等特征高度相关。为此，本文采用倾向得分匹配法来解决潜在的样本选择偏误问题。表 5 的回归结果与基准回归结果相似。本文进一步对估计结果进行了平衡性检验，以保证倾向值匹配方法的使用安全性。平衡性检验结果显示，匹配后变量的标准化偏差均值小于 10%；与匹配前的结果相比，匹配后变量的标准化偏差均值大幅缩小。表 5 倾向得分匹配（1）（2）（3）（4）（5）（6）HCEmployerEmployee_highEmployee_lowEmployee_high_ratioEmployee_low_ratioAutomation0.9056*0.00390.0511*0.0903*0.0247*0.0247*（0.4222）（0.0252）（0.0265）0.0482）（0.0078）（0.0078）Controls控制控制控制控制控制控制城市、行业和年份固定效应控制控制控制控制控制控制N3 3953 3953 3953 3953 3953 395R20.27200.87030.81650.76370.64290.6429 2.安慰剂检验。为了排除自动化技术应用对人力资本结构的影响受其他不可观测的遗漏变量的干扰，本文进一步做了安慰剂检验。具体地，本文随机构造反事实的上市公司应用自动化技术决策，按照基准模型进行估计，得到反事实的估计系数；然后，将随机分配过程和回归过程重复 500 次，得到 500 个估计系数，估计系数的概率密度分布情况见图 1。随机分配所得到的估计系数集中分布在零值附近且符合正态分布，P 值大于 0.1，表明反事实的上市公司应用自动化技术决策不受应用自动化技术公司特征的影响。同时，基准回归系数也都落在小概率区间，表明上市公司应用自动化技术对企业人力资本结构的影响并未受其他不可观测的遗漏变量的干扰，本文的实证结果是可靠的。3.其他稳健性检验。第一，更换人力资本结构指标。在基准回归中，本文使用高学历员工相对雇用比重来度量企业的人力资本结构。为了保证估计结果的稳健性，本文采用技能员工相对雇用比重来度量企业的人力资本结构，对基准模型重新进行了估计。表 6 中列（1）结果显示，上市公司应用自动化技术对技能员工相对雇用比重具有显著的正向影响，表明基准回归结果是稳健的。第二，自动化产品是一种长期使用的设备，仅从当年是否从供应商购买自动化产品来判定是否应用自动化技术，这可能会低估自动化技术的长期影响。因此，本文构造了新的解释变量 Automation_ct，如果上市公司在 t 年从自动化技术供应商购买了自动化技术，则在 t 年及以 1.51.00.500.7 0.5 0.3 0.10.10.3CoefficientsDependent Variable:HCpvaluepvaluekdensity of estimates0.50.70.91.1图 1 安慰剂检验 2023 年第 7 期 本文使用倾向值将应用自动化技术的企业和未应用自动化技术的企业进行匹配，选择当年的企业年龄、所有制、资产规模、资产负债率、融资约束、资本深化程度、工资溢价水平、行业赫芬达尔指数、经济发展水平、政府规模和地区平均工资作为匹配变量，采用 14 的最近邻匹配方法估计这两个群体间的平均差距。倾向值采用 Logit 模型估计得到。受篇幅限制，文中未列示每一个变量匹配前后的标准化偏差数值，详见本文的工作论文版本。12 后所有年份，Automation_ct 均取值为 1。表 6 中列（2）结果显示，核心解释变量的系数在 5%的水平上显著为正，表明自动化技术应用对企业人力资本结构具有长期的改善作用。第三，自动化供应商在空间布局上主要集中在东部沿海地区，应用自动化技术的企业同样集中在东部地区。为此，本文将基准回归的标准误调整至企业所在城市层面。表 6 中列（3）结果显示，核心解释变量的系数依然显著为正。第四，本文在识别上依赖两套数据，即自动化供应商名单和上市公司供应商名单，其中不包含所有国外自动化供应商。尽管国内自动化供应商的作用越来越重要，但是仍需重视国外自动化供应商的影响。因此，基于上文构造的企业所属行业层面工业机器人渗透率（PR），本文进一步计算了企业层面进口工业机器人渗透度（Exposure），将其作为控制变量加入基准模型中，以控制进口自动化技术对本文基准回归结果的干扰。具体地，本文以企业前一年的生产部门员工数占所属行业所有生产部门员工数的比值作为权重，与企业所属行业层面工业机器人渗透率相乘，得到企业层面进口工业机器人渗透度。表 6 中列（4）结果显示，核心解释变量的系数在 1%的水平上显著为正，表明基准结果是稳健的。第五，行业和地区层面随时间变化的不可观测的遗漏变量可能导致估计结果有偏。为此，本文在基准模型中加入“行业时间”和“城市时间”固定效应，表 6 中列（5）结果与基准回归结果相似。表 6 其他稳健性检验（1）Skill（2）HC（3）HC（4）HC（5）HCAutomation0.0826*0.8870*0.2254*）0.4847*（0.0245）（0.4386）（0.0655）（0.1060）Automation_ct0.5236*（0.2209）Exposure0.3578*（0.1745）Controls控制控制控制控制控制城市、行业和年份固定效应控制控制控制控制控制行业时间未控制未控制未控制未控制控制城市时间未控制未控制未控制未控制控制N6 0977 3477 3473 3944 688R20.36880.37220.37250.39260.3751注：括号内为稳健标准误，列（3）在城市层面聚类，其余列在行业层面聚类。五、进一步探讨（一）潜在机制检验。由上文理论分析可知，自动化技术应用对企业人力结构的影响程度取决于自动化技术特征。为了识别自动化技术潜在的技术特征差异，本文将上市公司采购的自动化产品划分为基础型自动化产品和集成型自动化产品两类，检验不同类型的自动化技术对企业人力资本结构的差异化影响，以此识别自动化技术应用影响