机器人与工资：基于劳动力质量中介效应的解释
程虹 王泽宇。
摘 要：本文基于2018年“中国企业综合调查”（CEGS）数据，就劳动力质量中介效应对机器人与工资进行研究。从微观企业与劳动力个体匹配分析发现：第一，按照中介效应“三步法”原则出发，初步验证了机器人对劳动力工资具有显著的正向促进作用;第二，机器人对劳动力质量具有显著的提升作用。同时，机器人应用主要是提升了两种类型劳动力质量，一是通过内部培训等手段提升企业现存劳动力质量，二是通过引进企业外部高质量劳动力优化劳动力组成结构。第三，中介效应回归检验表明，机器人对劳动力工资并不具有直接的影响效应，机器人使用企业是通过以劳动力质量提升作为中介渠道，从而给予了劳动力工资溢价。进一步地，企业内部通过培训提升劳动力质量的中介传导效应相对强于外部直接引进。本文的研究结论有利于我国提升机器人应用规模以及把握劳动力“人口红利”转向“质量红利”的重大机遇期。
一、引 言。
中国经济在改革开放后取得了近35年的高速增长，本质上是发挥了劳动力人口基数大和成本低的比较优势，也就是“人口红利”。值得注意的是，有学者指出，近年来中国“人口红利”随着边际递减规律分阶段以逐步提升的衰退速度开始消失（蔡昉，2009;张敏等2015）。与此同时，各国政府则是通过重振本国制造业计划，例如美国的再工业化战略等均是鼓励以智能机器人替代人工的方式应对劳动力成本上升。而中国也将目光放到了工业机器人（以下简称“机器人”）的应用上，试图通过转型升级走高质量发展路线应对“人口红利”的衰退（韩民春等，2019）。
学界在关注机器人的应用是否会带来生产效率变化的问题之外，有相当研究将机器人作为近年来技术进步的代表关注机器人对劳动力本身及劳动力市场的影响（杜传文等， 2018）。主要关注的问题是，机器人的大规模应用是否对劳动力质量以及劳动力市场造成了影响？早期学者主要关注数控机器等技术的应用对劳动力技能的影响（Katz & Murphy， 1992）。由于技术进步对不同岗位、负责不同工作任务的劳动力可能存在异质性影响，因此技术进步将会调整劳动力的技能结构，也说明机器人应用对劳动力质量提出了新的要求（Autor & Dorn， 2013 ; Michaels et al， 2014）。进一步地，有学者指出机器人的应用促使企业的生产力得到进一步提升，从而扩大了劳动力需求（Autor et al， 2015）。由于劳动力需求的增加，城市间的劳动力开始流动，也增进了企业对不同质量劳动力的需求，包括扩大了对高质量劳动力的需求（Bartel et al.， 2007）。另一方面，通过分析不同行业和不同国家的机器人使用数据发现，机器人提升了生产率和工资水平，但减少了对低技能劳动力的雇佣，低质量的劳动力将在机器人的应用过程中被挤出（Graetz & Michaels， 2015）。结合上述研究，我们推测机器人对于不同质量劳动力的影响可能存在非对称性影响，这一影响不仅体现在不同质量劳动力就业问题上，也将反映在劳动力工资水平的变动上。综上研究表明，机器人的引进对劳动力具有差异化影响，这一差异化影响体现在劳动力质量差异上。机器人应用为高质量劳动力带来了更高的工资溢价，与此同时挤出了低质量劳动力。
关于机器人对劳动力影响的研究，大部分学者基于美国等国家的机器人与劳动力匹配数据得出相应的研究结论 （Acemoglu & Restrepo， 2018）。但是，来自其他国家的数据，特别是来自制造业的数据研究仍非常缺乏。同时，也有相关分析指出由于中国经济发展的特殊性，中国劳动力市场的结构变迁可能存在与其他国家不一样的趋势。值得注意的是，由于中国机器人和劳动力匹配性数据的缺失，基于中国研究机器人对劳动力影响的实证研究相对较少。面对劳动力成本上升的情况，中国企业正谋求各种方式试图应对（庄子银等， 2017;邓悦等，2018）。其中，引进机器人替代劳动力是制造业企业采取的普遍方式之一。目前以中国为样本的机器人与劳动力研究主要是利用欧美等国家机器人使用与劳动力变动的数据，通过经验总结等策略，间接估计中国机器人使用对劳动力替代、薪酬水平和劳动力结构的影响（马岚， 2015; 董桂才， 2016; 呂洁等， 2017）。同时，相对于其他国家，从我国劳动力受影响因素角度，如何对劳动力个体质量进行研究需要进一步的思考（邓悦等，2019）。而本文希望基于劳动力质量的角度，解释机器人对工资产生影响的中介效应机制。为求解决上述问题，本文将基于中国企业综合调查（以下简称“CEGS”）进行研究。该数据收集了制造业企业详尽的机器人使用数据，包括近五年来机器人购买的数量、品牌、价值，以及当年新购买的机器人相关数据，能够全面有效地测度企业机器人的使用情况。另一方面，CEGS通过三轮追踪调查，建立了涵盖劳动力技能、岗位和培训情况的数据库。基于这一机器人与劳动力匹配性数据，在基本掌握中国机器人使用情况的基础上，进一步测算制造业机器人对企业绩效和劳动力的影响。
本文剩余篇章安排如下：第二部分是机器人、劳动力质量和工资关系的理论机制推导分析，通过对已有研究的归纳拓展，提出基于劳动力质量提升为中介效应的机制假设。第三部分为变量选取与模型构建，包括劳动力质量、机器人和工资的构成与测度方法，并对基准模型、中介效应模型进行设定。第四部分为数据来源与统计描述，介绍了本文所使用的CEGS数据的基本情况和匹配本文研究的优势，以及基于CEGS数据针对上述问题进行的描述性统计分析，从描述统计上刻画机器人、劳动力质量和工资三者间的初步统计关系。第五部分是实证分析，根据模型设定逻辑，通过OLS回归中介效应模型等识别策略，对机器人、劳动力质量和工资三者之间的相关关系进行稳健的实证分析。第六部分是结论。
中介效应模型最早应用在心理学领域，后期拓展至经济学实证研究等多个领域。中介效应可用于分析自变量（X）对因变量（Y）影响的过程和作用机制， 相比单纯分析自变量对因变量影响的同类研究，中介效应的方法和逻辑更为实证，同时往往所发掘的中介变量就是研究的核心创新之处（温宗麟和叶宝娟，2014）。
由于机器人对工资的影响并不是一个直接性的影响，因此，可基于中介效应分析法假设，如果机器人通过某一影响变量，如劳动力质量而对工资产生影响，就可以将劳动力质量定义为中介变量。例如，“机器人应用”影响了“劳动力质量”， 进而影响了“劳动力工资”。为避免在回归方程中出现与方法讨论无关的截距项，可以假设所有变量都已经中心化（即将数据减去样本均值， 中心化数据的均值为0）或者标准化（均值为0，标准差为1），通过上述方法就可以相对确定中介效应的可靠性（温宗麟等，2004）。可用下列回归方程来描述变量之间的关系。
其中第一个方程中的系数c为自变量（机器人）对因变量（工资）的总效应。第二个方程中的系数a为自变量（机器人）对中介变量（劳动力质量）的效应。第三个方程中的系数b是在控制了自变量（机器人）自身的影响后，中介变量（劳动力质量）对因变量（工资）的效应。其中，系数c [email protected] 是在控制了中介变量（劳动力质量）的影响后，自变量Y（工资）的直接效应。e1—e3 是回归残差项，基本不对推导逻辑产生明显影响。对于这种中介模型，可以估算实际上机器人对工资的中介效应等于间接效应（Indirect Effect）， 即等于系数乘积ab， 它与总效和直接效应有下面关系（温宗麟等，2005）。从这一步可以基本验证机器人与工资实际上并不是一个直接的影响关系，为后续劳动力质量提升的中介机制的提出铺垫基础。
在厘清上述关系的基础上，可以进一步检验中介效应，最常用的方法是逐步检验回归系数，通常说的“逐步法”或是“三步法”：（i）检验第一个方程的系数c （即检验H0： c = 0），确定机器人与工资之间的关系; （ii）依次检验第二个方程的系数a （即检验 H0： a = 0），确定机器人与劳动力质量之间的关系;（iii）检验第三个方程（3）的系数b （即检验 H0： b = 0）， 确定在控制住机器人后，劳动力质量对工资的影响。也有文献称之为联合显著性检验（Test of joint significance）。如果（i）系数 c 显著， （ii）系数a和b都显著， 则中介效应显著。完全中介过程还要加上：（iii）方程（3）的系数 [email protected]不显著。通过对系数的读数，基本可以从劳动力质量提升视角判定机器人与工资间的关系。
简单来说，使用中介效应第一步检验机器人对工资的总效应;第二步实际上是检验系数乘积的显著性（即检验 H0： ab = 0）， 通过依次检验系数a和b来间接进行; 第三步检验用来区分完全中介还是部分中介。这三步其实是可以分开进行的。通过这一方法可以得出劳动力质量提升具体在机器人与工资间扮演的角色，同时也可以对其扮演的角色的“份量”也就是重要性进行甄别。另外，劳动力质量提升还可以被进一步划分为内部提升和外部引进，那么其中介效应也是有差异的，后续将在实证部分对这一逻辑设定机制进行检验。
三、变量选取与模型构建。
（一）变量选取。
为研究机器人对工资是否存在基于劳动力质量提升的中介效应，本文根据研究所需，构建了机器人使用、劳动力质量和工资作为代理变量。进一步地，在本部分对相关代理变量的构成进行阐述。
本文衡量劳动力质量主要从两个方面分析，分为内部劳动力质量和外部劳动力质量。本文将培训定义为企业内部劳动力质量提升的途径，因为针对的样本是企业内部员工是否参与培训以及培训的内容，而接受培训以及培训时间更长的员工，从客观上而言劳动力质量将会比参与培训之前得到提升;另一方面，将企业教育程度变化作为外部劳动力质量的代理变量。当员工进入企业后，其教育程度并不会出现很大的变化，即使考虑了在职进修的可能——通过对本数据集进行样本分析发现这类员工占总样本不到0.001%，因此可以忽略进修的可能。进一步地，如果企业劳动力教育程度占比，如大学及以上劳动力占比发现变化，说明企业的人员结构发生了变化。例如，企业之中大学及以上学历劳动力占比得到提升，说明企业从外部引进了更高质量的劳动力，而相对的低质量劳动力就会被挤出企业，反之亦然。通过近三年劳动力教育程度的变化，能够相对直接客观地反映在机器人应用的企业中，企业从外部引进的劳动力质量变化。
本文选取企业是否使用机器人（0—1dummy）作为机器人代理变量。通过比较问卷中2015—2017年人均新增机器人投资、机器人台套数、机器人现值，综合判断一个企业是否使用机器人。相对于直接选取某一机器人使用变量，综合多个变量判定企业是否使用机器人，相对较好地避免了企业对机器人理解差异，造成的数据选择性偏误。同时，将企业是否使用机器人作为虚拟变量，能够更为简单清晰地反映机器人使用企业和非机器人使用企业的差异，根据相关文献发现，机器人对劳动力及其工资的影响并非完全是直接效应。因此，采用企业是否使用机器人作为企业机器人代理变量，相对优于使用机器人台套数等变量。
衡量劳动力工资一般采用月均工资作为代理变量。值得注意的是，企业劳动力的实际收入不仅包括工资等固定收入，还包括奖金等不随月发放的绩效收入。另一方面，劳动力收入应考虑加入企业提供的住房补贴等福利性收入，例如国企员工的基本工资普遍较低，但是福利等相对于其他所有制企业更优。进一步地，机器人对于劳动力收入的影响不一定单纯体现在工资变动，很可能由于企业引入机器人后生产率提升，改变了劳动力的收入结构。因此，为避免不固定收入给劳动力工资带来的影响，本文使用劳动力月均工资作为劳动力工资的代理变量，同时这一变量剔除了所有不固定收入如奖金、住房福利等。
在企业使用机器人对劳动力工资的影响效应研究基础上，本部分将通过模型设定以及准确的识别策略，就机器人对劳动力工资的影响效应进行稳健地参数估计。基准回归方程设定如下：
参照现有文献中对中介变量的通用定义：中介模型中，假设模型中自变量X（是否机器人）与因变量Y（劳动力工资）之间存在显著的相关效应，并且自变量X还会通过影响另一个变量M（中介变量）对Y产生影响，可以将M定义为该模型中的中介变量。按照这种中介模型“三步走”的识别策略，可对多个变量之间的关系进行分析的模型称为“中介效应模型”。从上文的论述可得，机器人对劳动力工资的影响效应并不是直接的，更多是通过某些渠道产生间接影响，而这一渠道很可能就是企业劳动力质量提升的渠道。按照上述逻辑，参照中介效应一般做法，如“三步法”的应用，本文构建了基于劳动力质量提升的中介效应模型，如式（3）（4）所示：
四、数据来源与统计描述。
（一）数据来源。
本文使用的数据来源于中国企业综合调查，简称“CEGS”。最新一轮于2018年在广东、湖北、江苏、四川和吉林进行企业综合性调研，并已有相当数量研究成果。该调查不仅包含企业维度劳动生产率、全要素生产率以及机器人使用的相关指标，还包括员工维度的工资、年龄等个体信息指标。就机器人在中国的数据而言，国际机器人协会（IFR）的数据仅收集了样本的机器人使用情况数据，而缺乏对使用机器人企业绩效数据的收集，因此无法判断机器人对企业的实际影响。为突破我国机器人与企业相关研究的瓶颈，由武汉大学牵头的2018年“中国企业综合调查”（CEGS）从崭新的视角，对工业机器人的相关调查指标在企业微观主体维度进行了重新设计。
另一方面，由于本数据还根据科学的抽样逻辑对不同企业员工进行分层抽样，由此得到了一批机器人使用企业中劳动力质量及其收入数据，从而可以为机器人对劳动力及其工资的理论研究提供较为详尽的数据支持。
（二）统计描述。
图2描述了机器人使用企业和非机器人使用企业在不同岗位的工资差异。通过图1发现，机器人使用企业的中高层管理人员、其他管理人员、研发设计人员、销售人员、生产人员和其他员工，共计6个岗位工资均高于非机器人使用企业。总体而言，机器人使用与工资存在明显的正向关系。通过比较各岗位的工资差异发现，中高层管理人员工资差距为20.9%，其他管理人员工资差距为17.2%、研发设计人员工资差距为15.5%，销售人员工资差距为15.6%，生产员工工资差距为15.7%，其他员工工资差距为15.7%，中高层管理人员的工资差距最大。综合来看，机器人使用企业劳动力工资无论从总体还是细分到各个具体岗位类型，都普遍高于非机器人使用企业。因此，可以进一步探析机器人企业工资更高的原因和可能存在的某种影响机制。
表1通过对员工参与培训情况分析发现，机器人使用企业高于对照组15.9个百分点，培训时间长于对照组50%。通过将员工培训分类为专业技能培训和管理技能培训发现，在机器人使用企业中接受专业技能培訓的人数占总人数比26.5%，而接受管理技能培训人数占比23.2%，分别高于对照组13.3个百分点和16.4个百分点。从初步的描述性统计来看，机器人使用企业对劳动力培训情况更为关注，表明机器人使用企业相对于非机器人使用企业更为关注企业内部劳动力质量的提升。
表2是本文使用的主要变量描述性统计，分类为劳动力工资代理变量、机器人使用代理变量、内部劳动力质量提升代理变量、外部劳动力质量提升代理变量、企业维度代理变量和员工维度代理变量。从各变量的样本量、平均值和标准差所在的区间范围可以得出数据的质量是相对有效的。
五、实证分析。
基于CEGS数据，本文将根据模型的具体设定逻辑和顺序，对基于劳动力质量中介效应“三步法”的检验方法，从劳动力质量中介效应视角分析机器人与工资关系，并具体论证不同类型劳动力质量作为中介变量的差异，以及其中介效应的大小。
根据表3的回归结果，劳动力月均工资作为核心解释被变量，是否有机器人作为核心解释变量，分析发现，机器人对劳动力工资在1%的显著性水平下显著为正。影响系数区间在0.0703—0.0533之间，这说明，机器人与劳动力工资之间存在显著的影响效应，初步验证机器人是促进劳动力工资提升的重要影响因素。进一步地，通过分析回归参数结果发现，在充分控制了企业所有制、年龄、资本劳动比和高新技术企业后，机器人对劳动力工资的影响显著为正。在第四列中，开始引入员工层面的控制变量，在充分控制员工性别、受教育年限以及年龄对数后，机器人对劳动力工资依然在1%的显著性水平上为正，说明基准回归假设成立。
考虑到机器人对劳动力工资很可能不是直接影响效应，本部分基于“三步法”的中介效应的要求，先考察机器人对劳动力质量的影响效应。结果如表4所示，在充分考虑企业和员工维度控制变量和固定效应的基础上，机器人对企业内部劳动力质量提升具有显著的正效应。机器人使用企业，员工接受培训的比率高于非机器人使用企业15.3%—21.7%，同时这一效应在1%的显著性水平上显著为正。结果表明，机器人的使用将会促进企业内部劳动力质量提升，这类企业的劳动力更加倾向于接受培训从而提升自身劳动力质量。
表4验证了机器人对企业内部劳动力质量提升具有显著的正效应后，表5则是考虑机器人是否会对企业外部劳动力质量提升具有正向效应。从回归中可得，从列（1）机器人对企业中大学及以上学历员工占比在1%的显著水平上显著，到最后列（4）充分控制企业和员工控制变量与固定效应后，这一正向影响效应降至10%水平上显著为正。结果表明，机器人对企业外部劳动力质量提升具有显著的正向影响效应，但是这一效应低于机器人对企业内部劳动力质量提升的影响效应。这表明，机器人从外部引进高质量劳动力既受到了企业自身使用机器人的影响，也很大程度上受到企业外部高质量劳动力供给市场的影响。因此，机器人对企业劳动力质量提升的影响效应在内外部具有差异性，但是总体均是正向显著影响。
按照上述常规的中介效应模型“三步法”的方法：第一步，已经检验解释变量（机器人）和被解释变量（工资）之间的影响效应，其估计回归结果如表2所示，机器人对劳动力工资具有显著的正向影响效应;第二步，还需进一步检验解释变量（机器人）与中介变量（企业内部劳动力质量提升）之间的影响效应，如表4所示，机器人对企业劳动力质量提升具有显著的正向影响效应，同时这一效应对企业内外部劳动力质量提升具有差异化影响;第三步，基于企业内部劳动力质量提升为中介变量所传递的中介效应占比数值进行测算。在第二步检验中，部分以“员工是否接受培训”作为企业内部劳动力质量提升的代理变量，在公式（5）的基础上构建了机器人对劳动力工资的中介效应模型。从表6可以发现，在机器人变量对劳动力月均工资影响效应显著为正的前提下，员工是否接受培训的影响系数和显著性水平均为正，同时引起了机器人对劳动力月均工资影响系数的下降，符合中介效应的要求。
在中介效应第三步检验中，将中介变量（员工是否接受培训）放入解释变量（机器人）对被解释变量（劳动力工资）的基准OLS回归中，观察其显著性及影响系数的变化。按照这个思路，在公式（5）的基础上，一方面，机器人变量、员工接受培训对劳动力工资均表现为正向效应，且均至少保持在1%的水平上显著为正，因此基于企业内部劳动力质量提升的中介效应显著;另一方面，通过中介效应标准“三步法”回归分析获得相关系数，进一步可测度出员工是否接受培训作为中介变量的中介效应为机器人对劳动力总效应的39.4%[1—（0.0323/0.0533）]。此处0.0323为表6第（4）中是否使用机器人对月均工资对数值的影响系数，0.0533为表3第（4）列是否使用机器人对月均工资对数值的的影响系数。通过系数的比较，可得出具体中介效应的大小读数。
与上同理，按照上述常规的中介效应模型“三步法”的方法：第一步，已经检验解释变量（机器人）和被解释变量（工资）之间的影响效应，其估计回归结果如表3所示，机器人对劳动力工资具有显著的正向影响效应;第二步，还需进一步检验解释变量（机器人）与中介变量（企业外部劳动力质量引进）之间的影响效应，如表5所示，机器人对企业外部劳动力质量引进具有显著的正向影响效应;第三步，基于企业外部劳动力质量引进作为中介变量所传递的中介效应占比数值进行测算。在第二步检验中，部分以“企业大学及以上劳动力占比”作为企业外部劳动力质量引进的代理变量，在公式（6）的基础上构建了机器人对企业外部劳动力质量引进的中介效应模型。从表7可以发现，在机器人变量对劳动力月均工资影响效应显著为正的前提下，大学及以上劳动力占比的影响系数和显著性水平均为正，同时引起了机器人对劳动力月均工资影响系数的下降，符合中介效应的要求。
在中介效应第三步检验中，将中介变量（大学及以上劳动力占比）放入解释变量（机器人）对被解释变量（劳动力工资）的基準OLS回归中，观察其显著性及影响系数的变化。按照这个思路，在公式（6）的基础上，一方面，机器人变量、大学及以上学历劳动力占比对劳动力工资均表现为正向效应，且均至少保持在1%的水平上显著为正，因此基于企业外部劳动力质量引进的中介效应显著;另一方面，通过中介效应标准“三步法”回归分析获得相关系数，进一步可测度出大学及以上学历员工作为中介变量的中介效应为机器人对劳动力总效应的17.6%[1—（0.0439/0.0533）]。这一比率低于企业内部劳动力质量提升带来的中介效应。
六、结论与建议。
本文基于2018年企业综合匹配调查（CEGS），通过匹配性使用制造业微观企业机器人与劳动力数据，探析了劳动力质量提升作为中介效应的机器人与工资关系。基于OLS回归、中介模型等识别策略，主要实证发现如下：
第一，机器人对工资具有显著的正向提升作用。OLS回归表明，在充分控制了企业和员工维度控制变量以及相关固定效应后，机器人对劳动力工资在1%的显著性水平上具有显著的正向促进作用。影响系数区间在0.0703—0.0533之间，这说明，可以进一步就机器人对工资影响机制进行实证分析，满足中介效应的基础条件。
第二，机器人对劳动力质量提升具有显著的正向作用。机器人对企业内部劳动力质量提升和企业外部劳动力引进分别在1%和10%的显著性水平上显著为正。以上结果表明，总体而言机器人对劳动力质量存在显著的正向影响，但是机器人对企业内部劳动力质量提升的效应相对强于对企业外部劳动力引进的效应。
第三，机器人很大程度上是通过提升劳动力质量进而对工资产生正向影响。通过中介效应模型对结果系数比较分析发现，基于企业内部劳动力质量提升的中介传导效应比率为39.4%，而基于企业外部劳动力质量引进的中介传导效应占比17.6%。结果表明：一方面，机器人基于企业内部劳动力质量提升对工资的传导效应强于对外部劳动力质量引进;另一方面，企业内外部劳动力质量提升对工资的传导效应总和高达57%，机器人引进所带来的劳动力质量提升是导致工资溢价的重要因素。
本文的发现有利于以机器人为代表的我国工业自动化的进一步推进，以及为应对所产生的劳动力技能结构、就业结构变化，提供重要的政策参考依据。基于上述结论提出以下建议：
首先，确保劳动力质量的有效供给。面对以机器人为代表的新技术带来的劳动力市场结构的变化，政府应继续加大对中低技能劳动者的人力资本投入，联合行业协会或企业对劳动者进行专业化技能培训，确保解决不同技能水平劳动者的就业问题;同时，把握以机器人为代表的人工智能技术具有的适配性和协作性，引导机器人应用与劳动力结构相匹配，将“人口红利”转化为“质量红利”。
其次，构建内外部相结合的高质量劳动力供给模式。该模式主要分为两方面：一方面，企业自主从外部引进直接与机器人应用相匹配的技能型劳动力，对劳动质量结构进行调整;另一方面，利用好机器人所替代的这部分劳动力，对其进行转岗再培训，在保持劳动力供给稳定性的基础上，对这部分劳动力按照培训内容重新匹配到新的岗位上。
最后，合理把控机器人在实际生产中的推广和应用。这类人工智能技术对不同发展阶段和特性的行业影响程度不同。因此，在积极推广机器人大规模应用的同时，应以质量为基础，结合行业特性，与现有的劳动力结构调整速度相匹配，不能一味追求超前。
参考文献：
[1] 〖ZK（#〗CEES研究团队， 2017：《中国制造业企业如何应对劳动力成本上升？——中国企业—劳动力匹配调查（CEES）报告（2015—2016）》，《宏观质量研究》第2期。[CEES Research Team， 2017， Chinese Manufacturing Enterprises How to Face Uprising of Labor CostBased on China EmployerEmployee Survey（CEES）， Journal of Macro Quality Research， 2.]。
[2] 蔡昉， 2005：《人口转变、人口红利与经济增长可持续性——兼论充分就业如何促进经济增长》，《人口研究》， 第28卷第2期。[Cai Fang， 2005，Demographic Transition， Demographic Dividend and Sustainability of Economic growth——Promoting Economic Growth through full Employment， Population studies， 2.]。
[3] 杜传文、李晴、芮明杰， 2018：《大规模工业机器人应用与异质性技能劳动力之间的替代互补关系》，《中国科技论坛》第8期。[Du Chuanwen， Li Qing and Rui Mingjie， 2018， The Substitution and Complementary Eelationship between LargeScale Industrial Robot Application and Heterogeneous Skilled Labor Force， 2018， China Science and Technology Forum， 2.]。
[4] 邓悦、王泽宇、宁璐，2018：《企业社保投入提升了全要素生产率吗——来自中国的新证据》，《江西财经大学学报》第6期。[Deng Yue， Wang Zeyu and Ning Lu， 2018， Does Corporate Social Security Input promote Total Factor Productivity？——New Evidence from China， Journal of Jiangxi University of Finance and Economics， 6.]。
[5] 邓悦、郑汉林、王泽宇，2019：《家属随迁何以影响农民工城镇化融合？》，《南京农业大学学报（社会科学版）》第19卷第1期。[Deng Yue， Zheng Hanlin and Wang Zeyu， 2019， Why does the Accompanying of Family Members affect the Urbanization Integration of Migrant Workers， Journal of Nanjing Agricultural University （Social Science Edition）， 1.]。
[6] 董桂才， 2016：《中国工业机器人在全球价值链的地位及变化趋势》，《中国科技论坛》第3期。[Dong Guicai， 2016， The Position and Changing Trend of Chinese Industrial Robots in Global Value Chain， China science and technology forum， 3.]。
[7] 都陽、贾朋、程杰，2017：《劳动力市场结构变迁、工作任务与技能需求》，《劳动经济研究》第3期。[Du Yang， Jia Peng and Cheng jie， 2017， Changes in Labor Market Structure， Job Tasks， and Skill Requirements， Labor economy research， 3.]。
[8] 韩民春、韩青江、冯钟，2019：《工业机器人技术进步对就业的影响分析：一个理论模型框架》，《广东财经大学学报》第6期。[Han Minchun， Han Qingjiang and Fengzhong， 2019， An Analysis of the Impact of Industrial Robotics on Employment： a Theoretical Model， Journal of Guangdong University of Finance and Economics， 6.]。
[9] 吕洁、杜传文、李元旭，2017：《工业机器人应用会倒逼一国制造业劳动力结构转型吗？——基于1990—2015年间22个国家的经验分析， 《科技管理研究》第22期。[Lv Jie， Du chuanwen and Li Yuanxu， 2017， Will the Use of Industrial Robots Force a Shift in the Structure of a Country"s Manufacturing Workforce？ ——based on the Experience of 22 Countries from 1990 to 2015， Science and Technology Management Research， 22.]。
[10]劉涛雄、刘骏，2018：《人工智能、机器人与经济发展研究进展综述》，《经济社会体制比较》第6期。[Liu Taoxiong and Liu Jun， 2018， A Review of Research Progress in Artificial Intelligence， Robotics and Economic Development， Comparison of Economic and Social Systems， 6.]。
[11]马岚， 2015： 《中国会出现机器人对人工的规模替代吗？——基于日韩经验的实证研究》，《世界经济研究》第10期。[Malan， 2015， Will there be Scale Substitution of Robots for Humans in China？ ——Empirical Research based on the Experience of Japan and South Korea， World Economic Research， 10.]〖JP+2〗。
[12]温忠麟、叶宝娟，2014：《中介效应分析：方法和模型发展》，《心理科学进展》第5期。[Weng Zhonglin and Ye Baojuan， 2014， Mediating Effect Analysis： Method and Model Development， Progress in Psychological Science， 5.]。
[13]温忠麟、侯杰泰、张雷，2005：《调节效应与中介效应的比较和应用》，《心理学报》第2期。
[Weng Zhonglin， Hou Jietai and Zhang Lei， 2005， Comparison and Application of Moderating Effect and Mediating Effect， Journal of Psychology， 2.]。
[14]温忠麟、张雷、侯杰泰， 2004：《中介效应检验程序及其应用》，《心理学报》第5期。[Weng Zhonglin， Zhang Lei and Hou Jietai， 2004， Mediation Effect Test Procedures and Applications， Journal of Psychology， 5.]。
[15]庄子银、杨雨琪、李宏武， 2017：《劳动力工资上涨与中国工业企业创新》，《宏观质量研究》第2期。
[Zhuang Ziyin， Yang Yuqi and Li Hongwu， 2017， Rising Labor Wages and Innovation in China"s industrial Enterprises， Journal of Macro Quality Research， 2.]。
[16]张敏、陈秋莲、蒋佳芳， 2015： 《中国“人口红利”在消失吗？——基于劳动力数量和质量结构变化的实证分析》，《经济研究导刊》第6期。[Zhang Ming， Chen Qiulian and Jiang Jiafang， 2015， Is China"s Demographic Dividend Disappearing？ ——Empirical Analysis based on the Change of Labor Force Quantity and Quality Structures， Guide to economic research， 6.]。
[17]Acemoglu， D. and P. Restrepo， 2007， The Race between Machine and Man： Implications of Technology for Growth， Factor Shares and Employment. American Economic Review， 108（6）：1488—1542.
[18]Acemoglu， D. and P. Restrepo， 2008， Robots and Jobs： Evidence from US Labor Markets. National Bureau of Economic Research Working Papers， （No. w23285）.
[19]Autor， D. H. and D. Dorn， 2013， The Growth of LowSkill Service Jobs and The Polarization of The US Labor Market. American Economic Review， 103（5）：1553—1597.
[20]Autor， D. H.， L. F. Katz， and M. S. Kearney， 2008， Trends in US Wage Inequality： Revising the Revisionists. The Review of Economics and Statistics， 90（2）： 300—323.
[21]Autor， D. H.， 2015， Why are there still so Many Jobs？ The History and Future of Workplace Automation. The Journal of Economic Perspectives， 29（3）：3—30.
[22]Bartel， A. P.， C. Ichniowski and K. L. Shaw， 2007， How does Information Technology Affect Productivity？ PlantLevel Comparisons of Product Innovation， Process Improvement， and Worker Skills. The Quarterly Journal of Economics， 122（4）：1721—1758.
[23]Bloom， N. and J. V. Reenen， 2007， Measuring and Explaining Management Practices Across Firms and Countries. Science Electronic Publishing， 122（4）：1351—1408.
[24]Galor， O. and O. Moav， 2000， AbilityBiased Technological Transition， Wage Inequality， and Economic Growth. The Quarterly Journal of Economics， 115（2）：469—497.
[25]Graetz， G. and G. Michaels， 2015， Robots at Work. Social Science Electronic Publishing， 368（9533）： 358.
[26]Hanushek， E. A.， G. Schwerdt， S. Wiederhold， and L. Woessmann，2015， Returns to Skills around the World： Evidence from PIAAC. European Economic Review， 73（1）：103—130.
[27]Juhn， C.， K. Murphk and P. Brooks，1993， Wage Inequality and the Rise in Returns to Skill. Journal of political Economy， 103（3）： 410—442.
[28]Katz， L. F. and M. K. Murphy， 1992， Changes in Relative Wages， 1963—1987： Supply and Demand Factors. The Quarterly Journal of Economics， 107（1）： 35—78.
[29]Michaels， G.， A. Natraj and J. V. Reenen， 2014， Has ICT Polarized Skill Demand？ Evidence from Eleven Countries over Twenty Five Years. Review of Economics and Statistics， 96（1）： 60—77.
[30]Prettner， K. and H. Strulik， 2017， The Lost Race Against the Machine： Automation， Education and Inequality in an R&Dbased Growth Model. Social Science Electronic Publishing.
Robots and Wages： the Mediating Effects of Labor Quality。
——Based on the China Enterprise General Survey （CEGS）。
Cheng Hong and Wang Zeyu。
（Institute of Quality Development Strategy， Wuhan University;Macroquality Management Coordinative Center of Hubei Province;Competition Policy and Economyquality Development Research Center）。
Abstract：This paper， using the data from the 2018 China Enterprise General Survey （CEGS）， makes a study of the influence of robots and wages on the mediating effects of labor quality. The matching analysis between micro enterprises and individual workers reveals the following.Firstly， based on the principle of ‘ThreeStep Method of mediating effects， the benchmark regression verifies that robots have a significant positive promoting effect on the wages of labor force.Secondly， the use of robots can significantly improve the quality of the current labor force， which is achieved in two ways. One is to improve the quality of existing labor force through internal training or other means， while the other is to optimize the composition structure of the labor force by introducing high quality professionals from outside the enterprise.And thirdly， the regression test of the mediating effects shows that the effect of robots on labor wages is not directly affected. The enterprises using robots pay a premium to labor wages by taking the improvement of labor quality as the intermediary channel. Furthermore， the intermediary transmission effect of improving the quality of labor force through internal training is relatively stronger than that from external direct introduction. The scientific conclusion of this paper should be beneficial to the promotion of robot application scale in China and helpful for China to make the best use of the significant opportunity window when ‘Demographic dividend of labor force turns to ‘Quality Dividend.
Key Words：Labor Quality; Robot; Wage; Mediating Effect。
責任编辑 郝 伟。