摘要：根据 世界银行（2016）估计，发展中国家约18亿个就业岗位——约占总劳动力的三分之二——可能被自动化技术取代。尽管学界日益关注工业机器人等自动化技术的影响，但其在发 展中国家所产生的效应仍缺乏深入研究。

01 引言

根据 世界银行（2016）估计，发展中国家约18亿个就业岗位——约占总劳动力的三分之二——可能被自动化技术取代。尽管学界日益关注工业机器人等自动化技术的影响，但其在发 展中国家所产生的效应仍缺乏深入研究。

自 动化对新兴经济体的就业规模、增长与不平等具有深远影响。由于发展中经济体的产业专业化程度差异显 著，农业和制造业在就业中的占比高于服务业，其岗位更易受到自动化冲击。此外，较高比例的劳动力仅具备高中及以下教育水平，难以及时掌握人机互补所需的新技能。若缺乏相应的就业创造机制，自动化、数字化与节劳技术可能加剧不平等。因此，发展中国家将面临新的政策挑战与重大经济权衡。

基于上述原因，机器人对新兴经济体的影响可能远超过其在发达国家中所观察到的程度。本研究旨在分析新兴经济体工业机器人暴露度的提高所带来的影响，并借助长期家庭数据，探索劳动力与家庭在机器人渗透进程中的动态响应机制。

02 实证策略与数据

2.1 实证策略

参照Acemoglu and Restrepo (2020)的研究，该文利用中国各城市现有工业就业分布差异以及各行业机器人数量的变化，来衡量机器人在中国当地劳动力市场的渗透率。下图1（a）和（b）分别展示了中国、美国和欧洲的机器人渗透率，和中国主要机器人应用行业的机器人渗透率。

为了衡量一个城市工业机器人的暴露程度，该文通过下式计算各城市的工业机器人渗透度：

其中，l cs 是2000年城市c在行业s的就业份额，Rst是第s个行业第t年使用的机器人总数（以千计），并且Ls, 2000 是指2000年各行业从业人员总数（以千计）。对于每个城市，该文根据该城市自身的就业规模（而非全国工业总就业人数）对各行业就业份额进行了标准化。具体的，该文使用中国2000年人口普查（Ruggles et al ., 2024）的公开微观数据，衡量了2000年中国各行业城市层面的就业份额以及各行业总体就业人数。

为了确定机器人渗透对感兴趣的结果的影响，该文使用中国家庭追踪调查 (CFPS) 的纵向数据来估计：

其中，Y是个人i在城市c和年份t感兴趣的结果，包括劳动力参与率、就业状况和收入指标的自然对数（每小时和每年的收入）；Exposure to Robots 是城市c在t年的机器人暴露情况。η为个体固定效应，λ为城市固定效应， σ 为调查年份的固定效应。标准误为聚类到城市层级。

为解决内生性问题，文章利用同期欧洲九国各行业机器人应用的情况构建工具变量。这是因为欧洲的机器人应用反映了全球技术前沿的变动，而不太可能直接受到中国地方劳动力市场短期波动的影响。具体的，通过如下计算工业机器人渗透度的工具变量：

其中， Ls, 2000 是根据中国 2000 年人口普查数据计算得出的2000 年城市c在s行业就业的份额，表示欧洲国家在行业和年的机器人使用率平均值。

2.2 数据

2.2.1 机器人数据

国际机器人联合会 (IFR, 2016 )提供了按行业、国家和年份划分的机器人存量数据。这些数据基于对机器人供应商的年度调查，涵盖了 1993 年至 2016 年 70 个国家/地区的工业机器人信息，覆盖了 90% 以上的工业机器人市场。

2.2.2 中国家庭追踪调查数据

该研究采用中国家庭追踪调查（CFPS）2010–2016年数据，涵盖家庭与个体社会经济、教育、家庭关系及健康等多维信息。为考察自动化对劳动力市场的影响，作者将样本限定于2010年时年龄在16–59岁、从事非农受雇工作的个体，并构建多年面板数据。结果变量包括就业状态、劳动参与、工资及工作时间。需注意的是，2016年调查中大部分个体未报告工资数据，因此工资分析仅使用2010–2014年样本，而就业状况与劳动参与分析则覆盖2010–2016年。变量描述性统计见表1。

03 机器人对劳动力市场的影响

3.1. 对就业、收入和工作时间的影响

本研究基于CFPS数据分析了工业机器人渗透对劳动力市场的影响。表2汇报了2SLS估计结果，并引入了城市、年份及个体固定效应，标准误在城市层面聚类。结果显示，机器人渗透度每增加一个标准差，个体的就业概率下降5.4%，劳动参与率降低约1%，失业概率上升4.3%（见表2第(1)–(3)列）。在已就业群体中，机器人渗透对年收入无显著影响（第(4)–(6)列），其机制在于：虽然渗透度提高导致小时工资下降7.8%，但劳动者通过增加约8%的月工作时间抵消了该负面影响，从而维持年收入水平。

这些结果表明，机器人渗透冲击了就业市场，其使部分个体退出劳动力市场，增加了失业人口。而继续工作的劳动者则通过延长工时来应对工资下降和失业风险的增加。这与“后弯型劳动供给曲线”的理论一致：即收入效应强于替代效应，尤其在劳动者将机器人渗透视为长期冲击时，这可能促使其增加工作时间（Giupponi, 2019；Golosov et al., 2021）。文章的研究结果表明，与Acemoglu 和 Restrepo（2020）的研究结论一致，在中国，机器人在短期内也对劳动力市场产生了显著的替代效应。

3.2. 技能、年龄和性别的异质性

本研究进一步考察了机器人接触对劳动力市场中不同技能水平、年龄和性别群体的异质性影响。表A.8按教育水平报告了估计结果。研究发现，机器人对低技能工人的就业冲击更为明显：在初中及以下学历群体中，机器人渗透度每增加一个标准差，就业概率下降7.2%（Panel A，第（1）列）；高中学历者就业概率下降2.9%（Panel B，第（1）列）；而对三年制大专及以上学历者则无显著影响（Panel C，第（1）列） 。

类似地，机器人对劳动参与率、失业状态和小时工资的负面影响也主要集中在低技能群体中（第（2）-（5）列），高技能群体未呈现显著变化。此外，所有技能组的工作时间均出现增长（第（6）列），这在一定程度上抵消了机器人对年收入的负面影响（第（4）列），从而解释了年收入未出现显著下降的原因。以上结果与既有研究一致，表明低技能工人更直接地面临来自自动化技术的替代压力。

年龄是调节机器人渗透对劳动力供给影响的重要因素。如表A.9所示，机器人渗透每增加一个标准差，16–24岁年轻群体的就业率下降3.7%，25–44岁群体下降4.1%，45–59岁中老年群体降幅最大，达到6.9%。在劳动力参与方面，年轻群体退出劳动力市场的概率降低了1.3%，而年长工人则上升了2.6%。所有年龄组的失业概率在机器人渗透加剧时均有所上升。从工资效应来看，机器人对年轻工人小时工资的影响不显著，但对25岁及以上工人，尤其是中老年群体的负面影响更为明显。总体而言，年长工人，特别是45–59岁群体，在机器人渗透过程中更易遭受劳动力市场冲击。

最后，文章还考察了性别差异。具体来说，工业机器人渗透度提高对男性就业概率的负面影响更强，同时也提高了男性退出劳动力市场的可能性。男女之间在失业状态方面的影响差异不大（PanelA- B，第（3）列）。相反，男性的时薪下降幅度显著更大（第 (5) 列），而女性的工作时长增加幅度更大（第 (6) 列）。

04 工人对机器人渗透的应对

面对机器人渗透对就业的冲击，工人主要通过两种方式应对：年轻工人倾向于通过参与培训提升技能以增强竞争力，而年长工人 由于培训成本更高、预期收益更低， 则更多选择提前退出劳动力市场。如表4所示，机器人渗透每增加一个标准差，整体培训参与率显著提高1.1%，其中16–24岁群体上升4.2%，25–44岁群体上升1.4%，年长工人则无显著变化。与此同时，提前退休概率整体上升0.2%，且该效应完全由年长工人驱动。结果表明，人力资本投资和退出劳动市场成为不同年龄群体应对自动化竞争的主要策略。

05 结论

在本研究中，作者探讨了工业机器人对中国劳动力市场的影响。该文发现，相对于平均值而言，机器人暴露每增加一个标准差，个体被雇佣的概率就会降低6.7%，小时工资则会降低7.8%。此外，这种影响主要集中在受教育程度较低的人群中，且对男性、壮年工人和老年工人的影响更大。此外，作者还发现，在最多暴露于工业机器人的地区，工人更有可能通过参加技术培训或提前退休来应对。 在未来的研究中 需要进一步探讨 接触机器人是否会影响年轻人的教育和职业选择， 生产率的提高是否会转化为就业增长等议题。

来源：财富智囊