-
为了检验企业自动化资本偏向型技术进步对就业的影响,本文基于理论分析与研究假设,结合这种技术进步与就业关系的特征事实(见图1),构建如下非线性的计量回归模型:
第一,被解释变量
$ ln{Q}_{it} $ ,包括$ ln{l}_{it}、ln{Z}_{it}、ln{L}_{it} $ 。$ ln{l}_{it} $ 指企业就业总量对数值,企业就业总量采用企业员工人数来衡量;$ ln{Z}_{it}、ln{L}_{it} $ 分别指高技能、低技能劳动力就业量的对数值,代表就业结构。目前关于高、低技能劳动力的衡量,主要有以科技人员与非科技人员来区分㊵和以受教育程度来区分㊶这两种。由于本文主要研究自动化资本偏向型技术进步通过影响低级别任务和高级别复杂任务,进而影响与之相匹配的技能劳动力就业。因此,在企业层面,与自动化资本以及高级别复杂任务相匹配的往往是研发人员、工程师、技术人员等,结合上市公司年报披露的指标情况以及以往文献的做法,本文主要采用研发和技术人员表征高技能劳动力,低技能劳动力则选用除研发人员和技术人员外的其他人员。同时,由于高技能劳动力普遍曾受过高等教育,本文在分析中也采用学历标准进行了稳健性检验。第二,核心解释变量
$ {bias}_{it} $ ,即制造业企业自动化资本偏向型技术进步指数,本文采用超越对数生产函数形式的随机前沿模型进行测算,将偏向型技术进步指数表示为(2)式。㊷$ {bias}_{it} > 0 $ 表明技术进步使得自动化资本的边际产出增长率大于非自动化资本边际产出增长率,此时技术进步偏向于自动化资本,若$ {bias}_{it} < 0 $ ,则技术进步偏向于非自动化资本,若$ {bias}_{it}=0 $ ,技术进步为中性。$ {{bias}_{it}}^{2} $ 为$ {bias}_{it} $ 的平方项,用于捕捉自动化资本偏向型技术进步与就业的非线性关系。第三,控制变量
$ X $ 。基于李磊等㊸以及毛其淋和许家云㊹的研究,本文选取如下控制变量:一是企业总资产对数值($ ln{asset}_{it} $ )。二是企业研发支出对数值($ ln{rd}_{it} $ )。三是企业出口规模对数值($ {lnex}_{it} $ ),由于上市公司年报中披露的关于企业出口的数据是中国港澳台及境外业务收入,因此选择此指标作为代理变量。四是企业年龄对数值$ {lnage}_{it} $ ,企业年龄为样本期内企业有效成立时间,用统计年份与企业成立年份之差加1表示。五是企业员工平均工资对数值($ {lnw}_{it} $ ),员工平均工资采用上市公司员工人均薪酬衡量,用来控制制造业劳动力成本对就业总量的影响;高技能劳动力平均工资($ lnwz $ )为研发和技术人员的平均工资,低技能劳动力平均工资($ lnwl $ )则用除研发和技术人员以外的其他人员的平均工资表征,以此控制高、低技能劳动力成本对相应技能劳动力就业的影响。本文控制了企业和时间的固定效应,分别设定为$ {v}_{i},{\mu }_{t} $ 。具体变量说明见表1所示。变量类型 变量名称 变量符号 观测值 均值 标准差 最小值 最大值 被解释变量 就业总量对数值 lnl 2898 7.5125 1.1735 5.1180 10.6705 低技能劳动力就业数量对数值 lnL 2898 7.4531 1.1820 4.9488 10.5725 高技能劳动力就业数量对数值 lnZ 2898 5.7247 1.1927 3.0910 8.9882 核心解释变量 自动化资本偏向型技术进步指数 bias 2898 0.1698 0.1935 0.0547 1.5574 控制变量 总资产对数值 lnasset 2898 21.4999 1.3550 15.3539 27.3493 研发支出对数值 lnrd 2898 13.9736 1.7590 1.0276 22.4736 对外贸易规模对数值 lnex 2898 18.9047 2.2391 6.0768 25.4970 企业年龄对数值 lnage 2898 2.6786 0.4792 0 4.1589 员工平均工资对数值 lnw 2898 11.4639 0.4470 5.0024 14.6230 低技能劳动力平均工资对数值 lnwl 2579 11.3103 0.3706 9.2808 14.5969 高技能劳动力平均工资对数值 lnwz 2593 12.0318 1.0073 4.0420 16.9170 表 1 变量说明及描述性统计
-
所有变量数据来源于Choice数据库。制造业上市公司年报中披露了自动化资本和非自动化资本存量的数据,且制造业上市公司1990—2011年相关数据缺失严重,本文最终选择2012—2019年制造业上市公司面板数据。参照以往文献做法,并对原始数据做如下处理:剔除关键性指标明显错误的数据(如自动化资本投入、非自动化资本投入、总资产、研发支出、平均工资、境外业务收入为负的数据),剔除ST、ST*企业、
$ bias $ 小于0的样本,并对自动化资本存量、非自动化资本存量、企业营业收入、企业总资产、研发支出、员工平均工资、企业境外业务收入进行指数平减,并对所有变量进行1%及99%分位的缩尾处理。 -
相关变量描述性统计如表1所示。根据表1中的
$ bias $ 均值(0.1698)以及图2可知制造业技术进步偏向于自动化资本,且中国制造业企业技术进步的自动化资本偏向呈不断加深的态势。而且图2表明,随时间推移技术进步偏向峰度变小,说明个体间差异在变大,因此,进行微观样本的考察才能更准确捕捉“机器换人”的效应与机制。此外,目前中国企业的高技能劳动力数量要小于低技能劳动力,技能升级依然有较大空间。同时,考察$ bias $ 与就业之间的简单相关关系发现,两者表现为开口向上的非线性“U型”关系(如图1所示)。 -
第一,自动化资本偏向型技术进步对就业总量的影响分析。表2第(1)列报告了回归结果,
$ bias $ 以及$ {bias}^{2} $ 系数在1%统计水平上分别显著为负和正。这表明制造业企业自动化资本偏向型技术进步与就业之间存在非线性关系,较低水平的自动化资本偏向型技术进步对制造业就业有替代作用,较高水平的自动化资本偏向型技术进步会促进就业。为进一步明确$ bias $ 与就业的关系类型,基于表2第(1)列的模型进行Utest检验,对两者二次函数的拐点进行计算,可得此拐点$ bias $ 数值为0.97。通过对比$ bias $ 均值水平(0.17),可知现阶段制造业企业自动化资本偏向型技术进步对就业的影响以“替代效应”为主。由于$ bias $ 二次项系数为正,因此当被解释变量为$ ln{l}_{it} $ 时,模型(1)的几何图形是开口向上的抛物线,当自动化资本偏向型技术进步指数小于0.97时,$ bias $ 对就业具有负效应;而$ bias $ 值大于0.97时,则对就业具有正向促进作用,这一结果与干春晖和姜宏㊺、王光栋㊻、孔高文等㊼和闫雪凌等㊽的研究一致,验证了本文研究假说一。控制变量方面,企业资产规模越大、企业研发支出越多、企业对外贸易规模越大,对制造业企业就业规模具有显著促进作用,企业员工平均工资上升则会显著减少就业规模。资产规模代表企业的基础实力,企业资产规模越大,需要与之相匹配的劳动力就越大,越有可能增加就业岗位;企业研发投入的增加会引致新的劳动力需求从而带来劳动力规模的扩大;企业对外贸易规模越大,表明外需市场对企业产品需求越大,企业越有可能扩大就业规模;企业员工平均工资水平上升,会增加企业经营成本,导致企业减少就业岗位。变量 (1) (2) (3) lnl lnL lnZ bias −1.4049*** −1.7627*** 0.8172*** (−6.9676) (−8.4457) (3.6161) bias2 0.7269*** 0.8960*** −0.3965*** (6.5339) (7.8940) (−3.1793) lnasset 0.4659*** 0.4618*** 0.4841*** (14.8894) (12.9980) (12.0796) lnrd 0.1747*** 0.1454*** 0.2681*** (7.9052) (6.2958) (9.2889) lnex 0.0575*** 0.0567*** 0.0498*** (6.5991) (5.6252) (4.7187) lnage 0.2162 0.3078* 0.3931* (1.4663) (1.7456) (1.8095) lnw −0.3261*** (−7.1697) lnwl −0.6323*** (−12.1646) lnwz −0.1108*** (−6.7830) 企业固定效应 是 是 是 时间固定效应 是 是 是 样本量 2677 2393 2389 调整R2 0.9650 0.9643 0.9454 注:***、**、*分别代表1%、5%和10%的显著性水平;括号内为t值;下同。 表 2 基准回归结果
第二,自动化资本偏向型技术进步对就业结构的影响。就业总量的变化还无法准确捕捉其中的结构性变化,因此,本部分将重点检验其对不同技能劳动力就业的影响。表2第(2)、(3)列报告了回归结果,
$ bias $ 对低、高技能劳动力的影响系数分别显著为负和正,二次项$ {bias}^{2} $ 系数分别在1%统计水平上显著为正和负,体现制造业企业自动化资本偏向型技术进步对低、高技能劳动力的就业影响同样是非线性的。当制造业企业自动化资本偏向型技术进步指数值较小时,对低技能劳动力产生替代效应,对高技能劳动力具有创造效应,而当$ bias $ 值较大时,这种技术进步会显著促进低技能劳动力就业,同时减少高技能劳动力就业,从而验证了本文的研究假说二。通过Utest检验,对
$ bias $ 与低、高技能劳动力就业的二次函数的拐点进行计算,可得此拐点$ bias $ 值分别为0.98、1.03。通过对比$ bias $ 均值水平(0.17),可知现阶段制造业企业自动化资本偏向型技术进步对低技能劳动力就业的影响以“替代效应”为主,对高技能劳动力就业以“创造效应”为主。根据表2第(2)列可知,$ bias $ 二次项系数为正,因此当被解释变量为$ ln{L}_{it} $ 时,模型(1)的几何图形是开口向上的抛物线,即当自动化资本偏向型技术进步指数小于0.98时,对低技能劳动力就业具有替代效应;而$ bias $ 值大于0.98时,则对其就业产生创造效应。表2第(3)列显示$ {bias}^{2} $ 系数为负,当被解释变量为$ ln{Z}_{it} $ 时,模型(1)呈现“倒U型”,由此可知自动化资本偏向型技术进步指数小于1.03时,对高技能劳动力就业具有创造效应;而$ bias $ 值大于1.03时,则对其就业具有替代作用。通过计算$ bias $ 在均值点时的边际效应㊾发现,自动化资本偏向型技术进步对低技能、高技能劳动力就业的边际效应分别为−1.46、0.68。说明对于本文研究的样本区间而言,制造业企业自动化资本偏向型技术进步对低技能劳动力的替代效应高于高技能劳动力的创造效应,整体上对劳动力的影响呈“替代效应”。 -
基于中国企业在要素投入和创新发展上存在典型的所有制、地域与行业差异性,本文主要从上述几方面进行异质性分析。㊿异质性分析结果表明,与非国有制造业企业相比,国有企业更容易受到自动化资本偏向型技术进步的冲击;相比中西部区域,制造业企业自动化资本偏向型技术进步对东部区域就业替代的边际效应更大;与资本、技术密集型行业相比,对劳动密集型行业就业替代的边际效应更大。
-
一是借鉴王林辉等(51),将高技能劳动力用企业本科及以上学历的员工来替代,低技能劳动力替换为本科学历以下的员工,重新测度制造业企业自动化资本偏向型技术进步指数,表示为
$ bias1 $ 。基于模型(1)式,表3第(1)列报告了回归结果,$ bias1 $ 、$ {bias1}^{2} $ 的系数在1%统计水平上分别负、正显著,表明制造业企业自动化资本偏向型技术进步与就业之间为“U型”的非线性关系,意味着替换高、低技能劳动力的代理变量,本文核心结论依然保持稳健。二是改变基准模型的估计方法,采用GMM对模型(1)进行回归,结果如表3第(2)列所示,核心解释变量$ bias $ 的系数在1%统计水平下负显著,$ {bias}^{2} $ 的系数则在1%的统计水平下正显著,表明改变模型的估计方法,基准回归结果仍然稳健。变量 (1) 替换代理变量 (2) GMM估计 (3) 固定效应交乘项 (4) 两阶段最小二乘法 lnl lnl lnl lnl bias −1.4057*** −1.4080*** −1.0299* (−6.9677) (−7.0141) (−1.9113) bias2 0.7271*** 0.7188*** 0.7307** (6.5290) (6.6581) (2.1892) bias1 −3.6546*** (−5.0627) bias12 4.1651*** (4.0293) 控制变量 是 是 是 是 企业固定效应 是 是 是 是 时间固定效应 是 是 是 是 行业×时间固定效应 是 不可识别检验 P值 0.0000 Anderson canon. corr. LM检验 P值 0.0000 Sargan检验 P值 0.3700 样本量 3224 2677 2649 1993 调整R2 0.9612 0.9650 0.9670 0.4111 表 3 稳健性和内生性检验
-
一是遗漏变量问题。本文借鉴赵奎等(52),在模型(1)的基础上,进一步控制了时间和行业的交乘项,在一定程度上可以解决遗漏变量所导致的内生性问题。表3第(3)列报告了回归结果,表明控制了固定效应的交乘项后,与基准回归相比,
$ bias,{bias}^{2} $ 的回归系数符号与显著性影响不大,意味着遗漏变量导致的内生性问题较小。二是反向因果问题。考虑到制造业企业自动化资本偏向型技术进步与就业可能存在逆向因果,即劳动力供给不足促使企业投入更多自动化资本,从而使制造业企业技术进步偏向于自动化资本,本文采用两阶段最小二乘法解决这一内生性问题。本文选择$ bias $ 滞后一期($ L.bias $ )以及构造制造业两分位行业层面的自动化资本偏向型技术进步指数的算数平均数($ meanbias $ )作为工具变量(张杰等(53)),表3第(4)列报告了回归结果,LM检验P值为0,且通过了Sargan检验,说明这两个工具变量均有效。表3结果表明考虑了内生性问题后,制造业企业自动化资本偏向型技术进步对就业的影响仍呈现“U型”,本文的回归结果较为可靠。 -
以上主要分析了自动化资本偏向型技术进步对就业的非线性影响,本文进一步研究这种偏向型技术进步对就业总量以及劳动力技能结构的传导途径。基于本文第二部分理论机制与研究假说,并借鉴张国清等(54)机制检验的方法,分别检验生产率效应、产出规模效应两种机制,构建如下模型:
被解释变量
$ ln{Q}_{it} $ 包括$ ln{l}_{it}、ln{Z}_{it}、ln{L}_{it} $ 。机制变量$ {Mech}_{it} $ 指全要素生产率$ {TFP}_{it} $ 与产出规模$ {lnY}_{it} $ ,本文借鉴谭静和张建华(55)的做法,选用OP方法测算$ {TFP}_{it} $ ,将企业营业收入对数值$ {lnY}_{it} $ 表征产出规模。控制变量$ X $ 同基准模型(1),同样控制了企业和时间固定效应。 -
表4检验了企业生产率是否发挥了非线性效应。根据表4第(1)列可知,
$ bias $ 的系数显著为正,$ {bias}^{2} $ 系数显著为负,且通过了Utest检验,表明制造业企业自动化资本偏向型技术进步对生产率的影响呈现“倒U型”。同时可得拐点处$ bias $ 的值为0.97,说明当制造业企业自动化资本偏向型技术进步水平较低时(小于0.97),企业采用自动化、智能化的先进技术和设备,会显著提高企业生产率,而当自动化资本偏向型技术进步达到临界值(0.97),机器替代人的能力受到限制,如果企业继续大力投入自动化资本,促进自动化资本偏向型技术进步,这会导致这种技术进步与生产率水平匹配度降低,从而抑制了企业生产率的提升。在表4第(2)—(3)列中,$ bias $ 的一次项系数为负,二次项系数为正,均在1%的显著性水平下通过检验,且通过了Utest检验,表明自动化资本偏向型技术进步对就业总量$ lnl $ 、低技能劳动力就业$ lnL $ 存在“U型”的直接效应;在第(4)列中,$ bias $ 对高技能$ lnZ $ 存在“倒U型”的直接影响。当自动化资本偏向型技术进步水平较低时(小于0.97),企业采用自动化、智能化的技术设备,对就业总量和低技能劳动力就业产生替代作用,而自动化资本的投入需要与之相匹配的高技能劳动力,因此会增加对高技能劳动力的需求;而当自动化资本偏向型技术进步跨过临界点(0.97)时,如果企业继续大力投入自动化资本,促进这种技术进步,对就业总量和低技能劳动力就业存在创造效应,抑制了高技能劳动力需求。综上可知,自动化资本偏向型技术进步对就业总量以及劳动力技能结构除了存在直接效应外,还会通过生产率产生间接影响。变量 (1) (2) (3) (4) tfp_op lnl lnL lnZ bias 1.2258***
(5.7580)−1.3969***
(−6.6403)−2.1041***
(−8.8663)1.2109***
(5.1371)bias2 −0.6346***
(−5.5478)0.7473***
(6.4294)1.0876***
(8.4360)−0.5930***
(−4.5210)tfp_op 0.5034***
(2.2147)0.5585***
(2.3828)0.3908
(1.6124)tfp_op2 −0.0846***
(−2.6339)−0.0869***
(−2.6491)−0.0811**
(−2.3240)控制变量 是 是 是 是 企业固定效应 是 是 是 是 时间固定效应 是 是 是 是 样本量 2480 2480 2480 2480 调整R2 0.8766 0.9670 0.9632 0.9392 表 4 生产率效应机制检验
企业通过自动化资本投入提高了生产率,在企业规模没有得到提升的前提下,生产率增加会导致企业劳动力总需求下降(56),尤其是从事低级别任务的劳动力更容易被替代。同时,生产率的提高带来的企业生产环节升级促使对高技能劳动力需求增加;当自动化资本偏向型技术进步跨过拐点时,企业生产率可能由于与劳动力不匹配等原因不再上升,企业对高技能劳动力的需求下降。但由于此时企业的生产方式实现了部分自动化,反而会增加非自动化生产环节的就业,即低技能劳动力的就业上升。因此,当
$ bias $ 小于临界值时,这种技术进步通过提升企业生产率这一渠道,对就业总量和低技能劳动力就业产生替代效应,对高技能劳动力存在创造效应;而当$ bias $ 大于临界值时,制造业企业自动化资本偏向型技术进步会降低企业生产率,进而对就业总量和低技能劳动力就业有创造作用,对高技能劳动力具有替代效应。 -
表5显示了产出规模效应机制检验结果。根据表5第(1)列可知,
$ bias $ 、$ {bias}^{2} $ 的系数在1%统计水平上分别显著为负、正,且通过了Utest检验,拐点值为0.99,表明制造业企业技术进步的自动化资本偏向对产出规模的影响存在“U型”的非线性关系,当$ bias $ 小于此拐点值时,企业的自动化资本投入还未达到收益点,使得自动化资本偏向型技术进步对产出的提升效应还不明显。同时,自动化的更新改造、升级成本较高且具有较大的不确定性,有些还不能马上产生效益,由此所产生的成本效应短期内会导致企业产出规模下降。随着$ bias $ 达到此拐点值,自动化资本偏向型技术进步提高了企业的生产能力和盈利能力,促进企业追加资本和劳动力来扩大生产规模,这与Graetz and Michaels(57)研究结果一致。表5第(2)—(3)列显示,自动化资本偏向型技术进步的一次项和平方项系数分别显著为负和正,均通过了Utest检验,表明$ bias $ 与就业总量$ lnl $ 、低技能劳动力就业$ lnL $ 存在“U型”关系。而在第(4)列中,自动化资本偏向型技术进步对高技能劳动力就业$ lnZ $ 有“倒U型”直接效应。当$ bias $ 在拐点左侧,自动化资本偏向型技术进步水平较低时,企业自动化投入成本较高,对就业总量和低技能劳动力就业产生替代效应。但是企业需要增加高技能劳动力来匹配自动化技术效率。当$ bias $ 跨过拐点以后,自动化投入带来规模经济,对就业总量和低技能劳动力就业产生创造效应,对高技能劳动力需求下降。综上,自动化资本偏向型技术进步对就业总量以及劳动力技能结构除了存在直接效应外,还会通过产出规模对就业产生间接影响。变量 (1) (2) (3) (4) lnY lnl lnL lnZ bias −0.9613***
(−4.1447)−1.3037***
(−6.8099)−1.9663***
(−9.1925)1.1032***
(4.8348)bias2 0.4828***
(3.9239)0.6826***
(6.4555)0.9984***
(8.5376)−0.5447***
(−4.3883)lnY 1.4778***
(5.4713)1.4078***
(4.5786)1.1136***
(2.8167)lnY2 −0.0258***
(−4.1494)−0.0238***
(−3.3573)−0.0197**
(−2.1354)控制变量 是 是 是 是 企业固定效应 是 是 是 是 时间固定效应 是 是 是 是 样本量 2677 2677 2677 2677 调整R2 0.9618 0.9703 0.9670 0.9374 表 5 产出规模效应机制检验
制造业企业在自动化改造初期,存在较大不确定性,为了规避风险,企业投入资金较多,成本上升可能会使得产出下降,导致就业总需求降低。为提高自动化资本使用效率,促使高技能劳动力就业上升;而当
$ bias $ 跨过临界点,自动化资本偏向型技术进步提高了企业的生产技术,企业生产规模扩大。企业规模增加会带来各生产环节劳动力需求上升。(58)此时,随着企业产出规模增加,企业为了实现利润最大化,为了进一步降低劳动力成本,对高技能劳动力的需求下降。基于以上分析可知,当$ bias $ 小于临界值时,这种技术进步通过降低企业产出规模,对就业总量以及低技能劳动力就业产生替代效应,增加了高技能劳动力需求;而当$ bias $ 到达临界点后,通过增加产出规模对就业总量以及低技能劳动力就业产生创造效应,对高技能劳动力需求下降。综上,企业生产率和产出规模效应是自动化资本偏向型技术进步对就业影响的非线性渠道,验证了假说三。当
$ bias $ 值小于临界值时,自动化资本偏向型技术进步对就业总量与劳动力技能结构影响的两个渠道是产出规模下降与生产率提升效应;而当$ bias $ 值越过临界点后,这种技术进步通过产出规模上升和生产率下降两个途径影响就业总量和劳动力技能结构。对于本文研究的样本区间而言,自动化资本偏向型技术进步通过生产率上升效应和规模下降效应对高技能劳动力就业产生了创造效应,而对就业总量和低技能劳动力产生了替代效应。
自动化资本偏向型技术进步与就业的非线性关系
- 网络出版日期: 2022-09-20
摘要: 基于2012—2019年制造业上市公司数据,可以理论分析和实证检验自动化资本偏向型技术进步对就业总量及其结构性影响和内在机制。研究发现:(1)制造业自动化资本偏向型技术进步与就业总量呈现“U型”的非线性关系,对高、低技能劳动力就业的影响分别为“倒U型”“U型”。(2)企业生产率和产出规模在自动化资本偏向型技术进步对就业总量以及技能结构的影响中发挥了非线性效应。对于研究的样本而言,自动化资本偏向型技术进步通过生产率提升效应和规模降低效应对高技能劳动力就业产生了创造效应;而生产率提升效应和规模降低效应对就业总量和低技能劳动力产生了替代效应。因此,提升低技能劳动力的技能水平,大力培育高技能劳动力,强化自动化资本偏向型技术进步与劳动力的技能匹配,深入挖掘生产率和规模效应在自动化技术深化过程中对就业的积极作用,是适应“机器换人”,实现稳就业、促进高质量就业的重要途径。
English Abstract
The Non-linear Relationship between Automated Capital Biased Technical Change and Employment
- Available Online: 2022-09-20
-
Keywords:
- automated capital /
- biased technical change /
- employment
Abstract: Based on data of the listed manufacturing companies from 2012 to 2019, this paper theoretically analyzes and empirically tests the impact and internal mechanism of automated capital-biased technical change on the total employment and structure. The research found: (1) There is a U-shaped non-linear relationship between the automated capital-biased technical change and total employment, and the impact of the technical change on the employment of high- and low-skilled labor is inverted U-shape and U-shape respectively. (2) Enterprise productivity and output scale play a non-linear effect on the impact of automated capital-biased technical change on the total employment and labor skill structure. For the sample in this paper, automated capital-biased technical change has produced a creative effect on the employment of high-skilled labor through the productivity improvement effect and the scale reduction effect, while which reduce total employment and the low-skilled labor force. Therefore, improving the skill level of low-skilled labor, vigorously cultivating high-skilled labor, strengthening the skill matching of automation capital-biased technical change with labor force, and exploring in-depth the positive role of productivity and scale effects for development of automation technology are important measures to achieve stable employment and promote high-quality employment.