人工智能擴大了企業間的工資差距嗎?*
——來自中國工業企業的證據

陳 東 姚 笛

(山東大學經濟學院 山東濟南 250100)

一、引 言

人工智能，作為新一輪產業變革的核心驅動力，為全球經濟和社會發展帶來了新的機遇和挑戰。在人工智能引發的經濟挑戰中，最主要的是收入分配(Korinek和Stiglitz，2017)。就中國情形而言，挑戰同樣嚴峻。面對多年居高不下的貧富差距，“十四五”規劃已提出，“到2035年全體人民共同富裕將取得更為明顯的實質性進展”，然而這一目標近年來遭遇了以機器人為代表的人工智能的不斷沖擊。據國際機器人聯合會(IFR)發布的數據，中國自2013年以來已成為世界上機器人安裝最多、增速最快的國家。鑒于工資仍是絕大多數居民勞動收入的主要來源，且收入分配不平等也主要來自工資差距，尤其是企業間工資差距(Song等，2019)，因此在人工智能日益普及且工資不均等情況日趨嚴峻的現實背景下，研究人工智能發展對企業間工資差距的影響及其作用機理，有助于為中國實現更加合理的收入分配提供微觀證據與對策方案。

從已有研究來看，人工智能對勞動收入分配或工資差距的沖擊主要體現在三個方面:一是改變實際工資水平，二是改變勞動收入份額，三是改變不同勞動者之間的工資差距。首先，人工智能對實際工資水平的影響仍存在諸多爭議。人工智能本質上作為勞動力的替代要素，天生具有抑制就業、改變收入的效應。Acemoglu和Restrepo(2020)以美國為例，發現一個單位機器人的使用在導致勞動力就業率下降0.2%的同時，也導致實際工資下降了0.42%。但是，人工智能作為“最后的發明”，不僅促進了全要素生產率的增長，而且可能在新領域創造出新工作，有助于提升勞動力就業，提高實際平均工資水平(Autor等，2020)。這種提升作用在不同階段可能有不同的表現，在長期對實際工資水平的正向影響可能會逐漸下降(Graetz和Michaels，2018)。

其次，與以往的技術革命相比，人工智能會同時替代體力勞動和腦力勞動(Trajtenberg，2018)，有可能提高凈失業率。在勞動收入份額下降的同時，單位勞動的實際產出增加，資本收入份額增大，資本報酬增加更具優勢(陳彥斌等，2019)，人工智能的生產率創造效應不能改變其對勞動收入份額總體負向影響的事實(Autor等，2020)。但是也有學者指出，人工智能對勞動收入份額變動并非單一的負向影響。其能夠在新領域創造出新的勞動密集型任務有助于抵消勞動收入份額下降的負面影響，因此對勞動收入份額的影響并不確定。正如郭凱明(2019)指出的，人工智能會促使生產要素在產業部門間流動，流動方向的不同將最終導致勞動收入份額的不同變動。

最后，人工智能在沖擊勞動力市場和就業結構的過程中，會造成不同技能、不同行業勞動者的工資差距。在技能層面，人工智能會產生崗位更迭效應和生產率效應，進而導致低技能、生產性、年齡較大工人的工資下降，高技能工人的工資上漲，擴大了不同技能勞動力之間的收入差距(Acemoglu等，2020；王林輝等，2020)。在行業層面，人工智能對汽車制造、金屬制品、化學、制藥、食品等自動化程度較高行業的影響更為負向和強烈(Acemoglu和Restrepo，2018a)，對零售、批發等商業服務業的影響則趨于正向(Brynjolfsson和McAfee，2015)。從短期看，雖然人工智能會造成工資極化現象，但是從長期看，這一現象會逐漸弱化(Graetz和Michaels，2018)，而且會提高本地同行業勞動力的報酬水平(孔高文等，2020)。

與已有文獻相比，本文可能的創新點在于:第一，人工智能對勞動收入分配的影響雖然引起了學術界的高度重視，但囿于數據限制，已有文獻多為數理模型推導，并輔之以宏觀數據佐證；相比之下，基于企業數據的微觀研究屈指可數。本文從大樣本的中國工業企業數據出發，考察人工智能對企業間工資差距的異質性影響及其作用機制。第二，雖有少量文獻探討了人工智能對企業內部不同技能工人工資差距的影響，但迄今為止對企業間的工資差距鮮有探究。第三，本文在Acemoglu和Restrepo(2018b)生產任務模型的基礎上，在行業內部引入企業異質性，并推導人工智能應用后對企業間工資差距的影響及其作用路徑。為此，本文直指收入分配領域受人工智能影響最直接、矛盾最突出的一環——企業間工資不平等，試圖回答人工智能是否擴大了不同企業間的工資差距。

二、理論模型

人工智能具有滲透性的技術—經濟特征，并表現為替代性、協同性和創造性(蔡躍洲和陳楠，2019)。其中，替代性主要表現為人工智能應用對勞動要素的就業替代效應；協同性主要體現為人工智能提升各要素間的銜接配合，降低摩擦成本，提高生產效率；創造性主要體現為人工智能通過知識創造，提高產出規模。這些特征在影響宏觀經濟增長的過程中也必然對微觀企業的收入分配造成重要影響，導致企業間的工資差距出現變動。本文在Acemoglu和Restrepo(2018b)的生產任務模型基礎上，在行業內部進一步引入企業異質性，推導出人工智能應用不僅通過替代效應降低工資水平，而且通過生產率效應和產出規模效應提高工資水平，人工智能對企業工資水平的影響最終取決于三種機制的大小。

(一)基本設定①因篇幅所限，本文省略了基本設定的一些步驟，感興趣的讀者可在《經濟科學》官網論文頁面“附錄與擴展”欄目下載。

加總企業所有生產任務可以得到期企業總的勞動力和人工智能資本需求:

在市場均衡狀態下，生產的邊際成本應等于市場價格，故

其中，Q為企業應用人工智能的價格成本，W為企業支付給工人的工資水平，則

從上述工資收入決定方程可以看出，人工智能可能通過以下渠道影響企業員工的工資水平:生產任務的智能替代水平(M)、人工智能資本(R)和生產率水平(A)等。

(二)傳導機制的靜態分析

根據劉燦雷和王永進(2019)的研究，企業間工資差距一方面來自企業員工的技能組成差異(即技能組成工資)，另一方面來自企業自身的經營績效(即利潤分享工資)。人工智能的技術—經濟特征會影響技能組成工資和利潤分享工資，進而影響企業間工資差距。

(1)就業替代效應。人工智能作為不斷積累的資本要素之一，在對勞動要素逐漸替代的過程中會產生就業替代效應。利用式(2)和式(4)對M進行一階求導，可得:

假定生產任務的人工智能替代程度取值范圍為[0，1]，那么式(5)的計算結果始終為小于0的負數，這說明:首先，隨著智能化程度的加深，人工智能不僅會對勞動要素產生直接的替代效應，還會明顯減少中低技能工人的勞動時間(Graetz和Michaels，2018)，不利于工資水平提升；其次，人工智能在主要替代從事體力勞動的低技能工人的同時，還降低了工人的技能議價能力；最后，對于受教育程度偏低、無法實現人力資本提升的低技能工人而言，在工資黏性較高的情形下，難以通過技能議價改善自身的工資水平。可見，人工智能的就業替代能力，重點沖擊了低技能工人的就業數量與議價能力，相應降低了技能組成工資。因此，與未應用人工智能的企業相比，人工智能應用企業的工資水平會相對較低。

推論1:人工智能的就業替代效應降低了工人的技能議價能力及其技能組成工資，導致人工智能應用企業的工資水平相對惡化。

(2)生產率效應。人工智能的協同性增強了各要素之間的銜接配合，有利于提升投入產出效率或全要素生產率，并在微觀層面上體現為企業利潤盈余的增加(蔡躍洲和陳楠，2019)。根據勞動力需求和人工智能技術需求方程，可推導出A的表達式:

據此，A與M，α和P均相關，在其他條件不變時，M上升會提高企業生產率水平，即??＞0。利用工人工資的決定方程(4)進一步對M求偏導數可得:

在智能化程度介于[0，1]的情況下，式(7)的計算結果始終為正。這意味著人工智能可以為企業帶來更高的生產率水平，一方面，生產率更高的企業可以在一定時間內生產出更多的產品，正如鄧紅亮和陳樂一(2019)所發現的，勞動生產率沖擊至少可以解釋約15的中國產出波動；另一方面，生產率較高的企業在實現規模經濟的同時，還能夠降低企業的邊際成本(王永欽和董雯，2020)。無論是產出增加還是成本降低，均有利于企業獲得更多的利潤盈余，分配更多的利潤分享工資，有利于工人工資水平的提升。

推論2:人工智能的生產率效應會提高企業的利潤分享工資，相對改善人工智能應用企業的工資水平。

(3)產出規模效應。根據式(7)，生產率效應的發揮有利于增加對勞動力的衍生需求和擴大生產規模；同時，人工智能還可以直接通過知識創造改善生產工藝流程，提高產出規模。從式(2)可得，X＝(AR)/M，企業的生產率水平與其產出規模正向相關，二者呈同向變動的關系，并可獲得生產率影響工資水平的一階偏導數:

式(8)的計算結果始終為正值，M越大則智能化程度越高，該正值越大。該式表明，人工智能協同性和創造性共同引致的產出規模的上升會增加對勞動要素的需求，特別是對接受過高等教育的科研人員或更具專業技能人員的需求(Bonfiglioli等，2020)，有助于提高技能組成工資；同時，在產出規模增加的過程中，工人也因企業績效改善可以獲取更多的基本工資與其他福利，有利于利潤分享工資的增加。技能組成工資與利潤分享工資的同時增加，最終改善了企業整體的工資水平。

推論3:人工智能的產出規模效應同時改善了企業的技能組成工資和利潤分享工資，相對有利于提高人工智能應用企業的工資水平。

(4)總體疊加效應。上述理論推導表明，一方面，人工智能的替代性會降低企業技能組成工資，不利于企業平均工資水平的提高；另一方面，人工智能的協同性和創造性會提高企業利潤分享工資和技能組成工資，有利于企業平均工資水平的提高。在這種情況下，人工智能對企業工人工資水平的總體效應究竟是正向還是負向，可以由式(4)對M直接求一階偏導數，得到:

從式(5)的一階條件可以發現，生產任務的智能化程度對工資水平的總體影響取決于(1-M)??+A與Q/P的大小比較。這里分兩種情況進行討論:第一，在人工智能應用初期，(1-M)??+A＜Q/P時，??＜0，此時生產任務的智能替代范圍M上升，導致工人的工資待遇變差。究其原因，在人工智能技術不成熟、相應的軟件和硬件設施配套不健全的前提下，生產中應用人工智能的成本Q較高，在對勞動要素存在一定替代效應的同時，并不能很好地實現全要素生產率和產出規模的提升，導致利潤分享工資和技能組成工資均增長緩慢，對工資水平整體呈現出消極影響。第二，在人工智能廣泛普及時期，(1-M)??+A＞Q/P時，??＞0，此時如果生產任務的智能替代范圍M上升，則可以改善企業的工資水平。這是因為，隨著人工智能技術的普及，企業生產中應用人工智能的成本Q較為合理，“機器換人”現象愈加頻繁。雖然人工智能的就業替代效應會降低技能組成工資的議價能力，但是成本合理且技術較為成熟的人工智能技術會大大推動全要素生產率A和產出規模的提升，顯著提高利潤分享工資，甚至覆蓋就業替代效應導致的技能組成工資水平下降。同時，技術進步方向可分為勞動增強型創新和勞動替代型創新，如果人工智能技術朝著勞動增強型創新方向發展，則有利于提升生產率，促進工資收入增加(Trajtenberg，2018)。2018年思愛普公司(SAP)發布的《未來網絡經濟的99個趨勢報告》顯示，雖然51%的工作活動可以自動化，但是只有不到5%的工作會完全被機器替代，人工智能的替代效應削弱勞動者議價能力的作用有限。這說明在人工智能時代，人類和機器之間并非相互替代的競爭關系，而是更多地體現為通過優勢互補提升生產率的人機一體化關系，并不會威脅到人工智能應用企業的工資水平。

推論4:人工智能帶來的生產率效應和產出規模效應要大于就業替代效應，總體上有利于工資水平的提高，使得人工智能應用企業與未應用企業之間的工資差距擴大。

三、數據與特征事實

(一)數據來源

工業機器人具有可重復編程解決問題的能力，因此在工業智能化升級過程中不僅成為人工智能與傳統工業銜接的橋梁，也成為人工智能應用的載體(王林輝等，2020)。正是如此，現階段人工智能在生產中的運用主要是通過工業機器人(以下簡稱“機器人”)來實現的(Bessen等，2019)，機器人的運用可以在一定程度上表征人工智能的發展與運用。考慮到企業應用機器人的數量不可得，本文參考Acemoglu等(2020)的做法，以機器人進口數量作為企業應用機器人的標準，數據來自中國工業企業數據庫和海關數據庫，樣本區間為2000—2015年。具體來說，按照工業機器人產品的HS 8位編碼，從海關數據中檢索出進口機器人的企業，并根據企業名稱、郵編和電話號碼將企業的進口機器人數據匹配到工業企業數據庫，識別出進口過機器人的工業企業2683家，占進口機器人企業總數的48.3%。此外，省級層面數據來自《中國統計年鑒》《中國勞動統計年鑒》《中國固定資產投資統計年鑒》和《中國市場化指數——各地區市場化相對進程年度報告》(2011年、2018年版)，主要通過工業企業數據庫中的企業地址進行信息匹配；將國民經濟行業2002年分類標準與IFR所提供的ISIC 4.0分類標準進行匹配，得到機器人安裝數據。

在此基礎上，本文刪除了應付職工薪酬、從業人數、總資產、固定資產、銷售額、工業總產值等關鍵指標缺失的樣本；刪除了樣本中企業從業人數小于8人、流動資產大于總資產、總固定資產大于總資產和企業識別代碼不存在的樣本；在分解企業技能組成工資和利潤分享工資時，刪除了計算結果異常的企業樣本；由于2002年和2011年中國國民經濟行業標準進行了調整，本文將國民經濟4位行業代碼統一以2002年為標準進行調整。同時為了盡可能地減少異常值帶來的影響，對構建的企業層面變量在1%和99%分位做縮尾處理。經過上述處理，最終得到1512812條觀測值，其中包含10 288條進口機器人的觀測值。

(二)變量測度

(1)核心變量。在被解釋變量方面，借鑒羅偉等(2018)的做法，本文以企業應付工資總額除以從業人數衡量企業平均工資()。在核心解釋變量方面，以是否進口機器人的二值虛擬變量()來反映；若企業在年進口過機器人，則從年及之后該企業為機器人應用企業賦值為1，否則賦值為0。

(2)控制變量。為了盡可能地緩解因遺漏變量導致的內生性問題，本文對影響企業工資水平的重要因素進行控制，以增加所得結論的可信度。周云波等(2015)等代表性文獻發現，企業的財務指標(如體現企業總體運營情況的資產負債率、利潤率)和企業自身的重要特征(如資本密集度、規模和性質)均會對企業工資水平產生重要影響；同時，越來越多的文獻還發現，工資水平與行業新技術的使用具有明顯的因果關系(Acemoglu和Restrepo，2021)，故本文選取的控制變量包括:資產負債率()、企業資本勞動比()、企業利潤率()、企業規模()、企業性質()和行業智能化()。

(三)典型事實

首先，整體描述機器人進口情況。從時間趨勢來看，無論是機器人進口企業數量還是機器人進口金額，除個別年略有下降外，均呈現逐漸增加的趨勢，2015年增長幅度最為明顯。這表明在勞動力成本日益上升和相關技術逐步成熟的背景下，機器人在企業生產中的應用越來越廣泛。

其次，雖然在中國機器人應用總體上不斷普及，但在不同企業、行業和省份的普及程度存在明顯差異。國有企業和非國有企業的機器人進口企業數量占比一直呈上升趨勢，但是2000—2014年非國有企業占比明顯高于國有企業，直至2015年才得到逆轉。行業和省份層面的結果進一步顯示，進口機器人金額排名前三位的行業分別為其他專用設備制造、汽車整車制造、木材加工機械制造，占比分別為18.9%、14.6%和10.7%，三者合計占比高達44.2%，表明機器人應用的行業集中程度較高；上海、江蘇和北京三個省份(直轄市)的進口機器人金額占比之和也超過了50%，排名前十位的省份進口機器人金額占比更是超過了90%，且主要分布在經濟較為發達的東部地區；河北、黑龍江和遼寧雖然經濟發展相對落后，但進口機器人金額分別排在第四、第五和第七名，原因是專用設備制造業、汽車制造業和電子制造業等機器人應用比較廣泛的行業在這三個省份經濟發展中占有重要地位。

最后，為了對比應用機器人和未應用企業之間的工資差距，從應用機器人企業()和未應用企業()的平均工資比值可以看出，該比值一直大于1，表明應用機器人企業的平均工資一直高于未應用企業。采用泰爾指數()、基尼系數()和變異系數()進行進一步計算，可以發現無論采用哪一種衡量指標，二者的工資差距均呈現出不斷擴大的趨勢。相比于2000—2007年，二者的工資差距在2011—2015年表現得尤為明顯。整體來看，除了應用機器人的企業本身工資水平較高外，機器人也可能是造成應用機器人和未應用企業之間工資差距的重要因素之一。

四、實證檢驗結果

(一)模型選擇和基準回歸②控制變量的描述、估計系數與解釋請見《經濟科學》官網“附錄與擴展”。

為了考察機器人應用是否會擴大企業間工資差距，本文通過Hausman檢驗和檢驗確認采用包含企業個體、省份和年份的多維固定效應模型，構建基準模型如下:

其中，Wage為企業平均工資，AI為企業是否應用機器人，代表控制變量集；μ為個體固定效應，δ為省份固定效應，ν為年份固定效應，ε為隨機擾動項。

為了在一定程度上解決異方差和序列相關問題，本文采用在企業層面聚類的穩健標準誤，基準回歸結果見表1第(1)—(3)列。結果顯示，無論是否增加控制因素，機器人應用()始終在1%的水平上顯著提升了企業平均工資()，推論4成立。在控制所有變量的情形下，影響系數為0.275，意味著機器人應用企業為員工支付的平均工資水平比未應用機器人的企業大約高出27.5%，表明雖然機器人應用對勞動要素的替代性特征會在一定程度上不利于企業平均工資的提高，但與此同時機器人應用更多地表現為創造性和協同性，可以提升企業生產效率和產出規模，促使企業獲得更多的利潤、增加對勞動力的需求，有助于員工工資收入的提高，并造成應用機器人企業與未應用企業之間的工資差距。

表1 基準回歸與內生性檢驗

(二)內生性檢驗

1.工具變量法

考慮到機器人應用與企業平均工資之間可能存在逆向因果關系，即企業平均工資水平越高、生產成本壓力越大的企業，越有可能采用機器人。為此，本文采用中國機器人進口價格水平()作為機器人應用指標的工具變量。選取該變量的原因在于，機器人進口價格會在很大程度上影響企業是否應用機器人進行生產，同時進口機器人價格是由國際市場供需所決定的，與單一企業不相關，滿足工具變量選取的相關性和外生性要求。在此基礎上，為了更精確地體現進口機器人價格的波動性，并考慮不同企業對機器人價格敏感程度的差異性，本文借鑒Bonfiglioli等(2020)的做法，采用企業所在行業對機器人的適應性指標進行雙曲正弦變換后的加權處理。

表1第(4)—(5)列的回歸結果顯示，在第一階段，機器人進口價格水平與企業層面的機器人應用在1%的水平上呈顯著的正相關關系，可能的原因有二:第一，通常來說，產品質量越好，其定價往往越高(樊海潮等，2020)，即機器人進口單價高可能意味著其產品質量更好；第二，機器人的功能越多、精度越高、應用越智能，其價格也就越高。根據2000—2015年中國海關進口數據庫的統計，多功能機器人的進口均價約為26萬美元/臺，明顯高于普通單一功能的搬運機器人、焊接機器人和噴涂機器人；即使同樣是焊接機器人，激光焊接機器人的進口均價超過30萬美元/臺，遠遠高于普通的電阻焊接機器人和電弧焊接機器人。這些多功能和高精度的機器人雖然進口價格和應用成本更高，但是能夠代替人工從事更多的工種，且生產出來的產品質量和精度更高，在一定程度上會給企業帶來更高的生產效率和經濟效益，提高企業在生產過程中應用機器人的意愿。同時，Kleibergen-Paap rk值為148.272，遠遠大于10%水平下的臨界值16.38，拒絕了弱工具變量假設。在第二階段，機器人應用對企業平均工資的影響顯著為正，與基準結果保持一致。

為了進一步確保工具變量滿足外生性條件，本文還采用Lewbel(2012)提出的異方差工具變量法。Lewbel(2012)表明，如果用內生變量對模型中其他外生變量進行回歸后的殘差存在異方差，那么該殘差與去中心化后外生變量的乘積是較好的工具變量。表1第(6)列匯報了使用第一階段殘差和去中心化后所有其他變量和上述工具變量的乘積作為工具變量的估計結果，的系數估計值依然顯著為正，且與基準回歸結果的系數接近。

2.PSM-DID法

考慮到資金實力雄厚的大型企業會更傾向于購買機器人，可能出現因“自選擇”導致的內生性問題。為此，本文采用有放回的1∶1傾向得分匹配法，匹配后各協變量的標準偏差絕對值均小于10%，滿足平衡性假設。同時，本文還進一步采用0.01卡尺范圍內的1∶4匹配。上述兩種方法的估計結果如表2第(7)—(8)列所示，與基準結論一致。

(三)穩健性檢驗

本文還采用多種方式驗證基準回歸結果的穩健性:第一，更換核心解釋變量。除了企業是否進口過機器人的二值虛擬變量，本文還使用三種指標作為核心解釋變量的替代變量:一是企業進口機器人所花費的累計金額；二是企業使用機器人的滲透度，借鑒王永欽和董雯(2020)的做法，使用企業每個從業人員所占有的機器人進口金額衡量；三是IFR所提供的行業機器人安裝量數據。第二，更換計量模型。盡管基準回歸模型中控制了行業智能化等個別行業變量，但是并不全面，仍有可能遺漏行業層面因素對企業工資水平的影響，故本文在原有計量模型上進一步控制行業—年份進行估計。第三，更換樣本區間。一方面，與基準回歸模型刪除2008—2010年數據缺失的做法不同，本文采用插值法將缺失值補齊，盡可能地保留核心變量存在的樣本觀測值。另一方面，工業企業數據庫中2000—2007年的企業數據質量最高，2000—2013年的企業數據質量次之。本文在刪除2008—2010年數據的基礎上，分別使用2000—2013年和2000—2007年樣本區間的企業數據進行實證檢驗。實證估計結果顯示，機器人應用依然在1%的水平上正向促進了企業工資水平的提高，與基準回歸結果一致。

(四)異質性考察

作為技術進步的高階形式甚至是“技術奇點”的人工智能，人工智能在理論上會對收入分配造成巨大沖擊(Korinek和Stiglitz，2017)，但是，Brynjlofsson等(2017)通過對比2010年以來人工智能領域的快速發展和2005年以后美國乃至全球生產率增速顯著下降的現實，提出了“新索洛悖論”，即短期內人工智能技術的發展難以帶來生產率的明顯提升。究其原因，人工智能作用的有效發揮不僅與智能化資本積累程度密切相關，即新技術資本積累需要達到一定的規模才能對經濟活動產生重大影響，而且也會受到人力資本、制度環境、基礎設施等地區稟賦條件的制約。基于此，考慮到勞動和智能資本的要素配比可能帶來異質性的結論，本文構建核心解釋變量和行業智能化程度的交互項×，以探討不同智能化程度的行業中機器人應用對企業平均工資的影響；同時，分別構建機器人應用和人力資本、制度環境、基礎設施等地區稟賦條件的交互項×、×、×，以考察在不同地區稟賦條件下機器人應用對企業平均工資的影響。其中，人力資本()使用各省人均受教育年限衡量；制度環境()指標使用“中國市場化指數”測度；基礎設施()使用各省固定資產投資額與GDP的比值表征。

表2第(1)列的估計結果顯示，×的回歸系數在1%的水平上顯著為正，表明行業智能化程度越高，機器人應用對企業平均工資的促進作用越強。這是因為，人工智能資本不僅能夠帶來更高的資本回報率，而且能夠提升企業生產效率(陳彥斌等，2019)。行業智能化程度較高意味著該行業中的企業資本回報率和生產效率總體優于其他行業，該行業企業通過應用機器人生產可以賺取更高的利潤盈余，從而有利于企業平均工資的提高。這導致在智能化程度更高的行業中，機器人應用企業與未應用企業間的工資差距更大。

表2中第(2)、(4)和(5)列的結果顯示，×、×、×均在1%的水平上顯著為正，即人力資本水平越高、基礎設施和制度環境越完善的地區，機器人應用對企業平均工資的促進作用越強。究其原因，重大技術作用的發揮需要人員素質、制度環境、基礎設施等稟賦條件與之相匹配(Brynjlofsson等，2017)，相應的稟賦條件缺失可能導致新索洛悖論的發生，機器人企業的平均工資也難以快速提高。人力資本的積累、基礎設施和制度環境的不斷完善，能夠助力克服機器人應用過程中存在的新索洛悖論現象，有利于加強機器人應用對企業平均工資的提升作用，但隨著地區稟賦條件的日趨完善，機器人應用企業與未應用企業間的工資差距將進一步擴大。值得注意的是，現有研究發現機器人技術的進一步發展需要的更多是與之相適應的高級人力資本和科研、信息等科技型基礎設施。本文通過進一步引入核心解釋變量和高級人力資本、科技型基礎設施的交互項×、×予以考察，其中，高級人力資本()采用高等教育人數占總人口比例衡量，科技型基礎設施投資采用“科學研究和技術服務業”和“信息傳輸、軟件和信息技術服務業”兩類基礎設施的投資總額占GDP比重衡量，數據年限為2003—2015年。表2中第(2)、(5)列與第(3)、(6)列的對比可以看出，×和×的回歸系數顯著更高，表明在高等教育人數占比更高、科技型基礎設施更完善的地區，機器人提升企業平均工資的作用更為明顯，說明機器人技術的進一步發展需要更多的高級人力資本和科技型基礎設施。

除了單獨分析行業和地區異質性，本文還將各種異質性同時納入計量模型，結果見表2中的“同時考慮”估計結果。估計結果表明，除了人力資本異質性×的估計結果與單獨估計時相反，其余異質性估計結果的系數并未發生顯著變化。值得注意的是，通過對比人力資本異質性×和高級人力資本異質性×的回歸系數，可以發現×系數由正變負，而×的系數有所擴大，說明地區簡單的人力資本積累不一定能夠與機器人應用發揮很好地匹配，只有高級人力資本占比高的地區才能更好地與機器人技術相適應，擴大機器人應用所導致的企業間工資差距。

表2 異質性考察①本文在回歸模型中加入了交互項變量、控制變量與固定效應，完整結果請見《經濟科學》官網“附錄與擴展”。

五、貢獻率分解與作用機制

(一)貢獻率分解

在前文構建收入決定方程的基礎上，本文將企業分為應用機器人和未應用機器人兩個企業群組，使用Oaxaca(1973)的分解方法將這兩個群組之間的收入差異分解為特征差異和系數差異，特征差異主要是機器人應用企業和未應用企業的稟賦特征差異所導致的工資差異，而系數差異主要考察工資差異是否與機器人的應用有關，分解結果如表3所示。

表3 Oaxaca分解結果

第一，從工資總差異絕對量看，表3第(1)列總差異部分表明，機器人應用企業和未應用企業間始終存在顯著的工資差異，即企業間工資差距一直存在，并具有明顯的時間段特征。2000—2007年機器人應用企業和未應用企業間工資總差異的絕對量由一開始的0.651下降到0.419，企業間工資差距呈現下降趨勢，而2011—2015年企業間總差異的絕對量由0.530增長至0.770，企業間工資差距出現上升趨勢。整體來看，相對于2000—2007年，2011—2015年機器人應用企業和未應用企業間工資總差異的絕對量更高，企業間工資差距更大。

第二，從機器人應用企業和未應用企業間總差異分解的不同差異來源看，表3第(2)—(3)列顯示，特征差異絕對量呈現出明顯的下降趨勢，而系數差異絕對量表現為明顯的上升趨勢。特征差異絕對量由2000年的0.454下降到2015年的-0.130，而系數差異絕對量由2000年的不足0.2大幅上升至2015年的0.900。總體來看，機器人應用企業和未應用企業的不同特征(如資產負債率、資本勞動比、利潤率等)帶來的企業間工資差異絕對量越來越低，而機器人應用導致的工資差異絕對量越來越高，機器人應用與否在兩個群組間工資差異的貢獻率中發揮著越來越重要的作用。第(4)—(5)列中特征差異和系數差異占總差異比重的變動也很好地印證了這一點，特征差異占比由一開始的0.692降至2015年的-0.170，企業自身稟賦特征貢獻的工資差異部分逐漸變小，甚至在2015年表現出了縮小企業間工資差距的現象，而系數差異則相對大幅度上升，表明2010年以后隨著機器人技術的成熟，相應的人力資本、制度環境和基礎設施等配套因素不斷完善，由機器人應用導致的企業間工資差異越來越大。

(二)作用機制

如理論分析部分所述，企業層面工資可以分解為技能組成工資()和利潤分享工資()。為了探究機器人到底是通過技能組成渠道，還是利潤分享渠道擴大企業間工資差距，本文借鑒劉燦雷和王永進(2019)的工資分解法對企業層面工資進行分解，實證分析機器人應用擴大企業間工資差距的作用機制，估計結果見表4。

表4 影響渠道分析

表4第(1)列和第(3)列分別為機器人對企業技能組成工資和利潤分享工資影響的估計結果，可以看出機器人應用在1%的水平上顯著負向作用于企業技能組成工資，回歸系數為-0.078，與此同時機器人在1%的水平上顯著正向作用于企業利潤分享工資，回歸系數為0.262，表明在現階段，機器人應用的生產率效應和產出規模效應要強于其替代效應。機器人應用主要通過替代效應降低了工人的技能議價能力，導致企業員工依靠自身技能獲取的工資有所降低，但是機器人應用的協同效應和創造效應提升了企業員工的利潤分享工資，且提升的強度大大高于其替代效應導致技能組成工資降低的部分。這是因為，隨著機器人普及程度和智能程度的不斷提高，其對工人的替代范圍愈加廣泛。同時，1999年、2007年和2015年我國受過大專及以上教育的高技能工人占比分別為3.8%、6.6%和17.3%，雖然實現了一定速度的增長，但是相對于西方發達國家，工人總體技能水平依然偏低，導致中國勞動就業面臨比歐美更大的結構性沖擊(蔡躍洲和陳楠，2019)。在薪酬談判中，由于與機器人互補的高技能工人占比過少，甚至一部分高技能工人也會隨著機器人智能程度的提高而被替代，因此較多的職位屬于機器人替代范圍，工人整體的技能議價能力相對降低，為了維持現有工作，工人更有可能接受一個較低的工資水平(王永欽和董雯，2020；Acemoglu和Restrepo，2020)，企業平均技能組成工資由此降低。然而，機器人的應用有效地提升了企業的生產效率，擴大了生產規模，有力地增加了企業的利潤盈余，工人也因此獲得了更為豐厚的利潤分享工資。

表4中第(2)列和第(4)列是將企業技能組成工資和利潤分享工資這兩個間接機制變量加入模型中進行回歸的結果。結果顯示，企業技能組成工資和利潤分享工資的提升均有利于企業平均工資的提高，并且相對來說企業利潤分享工資是提高企業平均工資的主要渠道。結合基準回歸結果和表4中第(1)—(2)列的回歸結果可以發現，企業技能組成工資發揮了遮掩效應，即機器人會降低企業技能組成工資，不利于企業平均工資的提高；而結合基準回歸結果和表4中第(3)—(4)列的回歸結果可以發現，企業利潤分享工資在機器人提高企業平均工資的過程中發揮了顯著的間接效應，機器人能夠通過提升企業利潤分享工資來促進企業平均工資的提高。利潤分享工資是機器人應用造成企業間工資差距的主要影響渠道，企業在生產過程中投入了更多的機器人以提升生產效率和產出規模，由此帶來了更多的利潤分享工資，不僅抵消了機器人應用對企業技能組成工資的降低部分，還會額外增加該企業的工人工資，從而領先于未應用機器人企業的工人工資水平。

在證實利潤分享工資是造成企業間工資差距擴大主因的基礎上，本文還進一步考察就業替代效應、生產率效應和產出規模效應對利潤分享工資和技能組成工資所發揮的作用。在技能組成工資方面，對于機器人應用的替代效應，本文在考慮數據可得性的前提下，借鑒Chen等(2017)的研究思路構建低技能勞動力占比()指標，并考察機器人應用能否通過縮減低技能勞動力占比對技能組成工資產生負向影響。表5第(1)列的估計結果顯示，一方面，機器人應用在1%的水平上顯著降低了低技能勞動力占比，機器人的替代效應十分明顯；另一方面，第(2)列的結果進一步表明，機器人應用通過替代低技能勞動力對技能組成工資產生了不利影響，說明機器人的替代效應確實會惡化工人的技能議價能力，證實了推論1。對于機器人應用的產出規模效應，本文參照De Loecker和Warzynski(2012)的方法計算企業生產率()，并借鑒余淼杰等(2018)的方法估算企業工業增加值作為產出規模()的代理變量，據以檢驗其對技能組成工資的影響。表5第(3)—(5)列的估計結果顯示，機器人通過提升生產率增加了產出規模，并提高了技能組成工資。究其原因，機器人應用帶來的產出規模上升會產生新任務及勞動力新需求，在提高企業技能組成工資的同時，可以在一定程度上抵消機器人的替代效應所導致的技能組成工資下降，證實了推論3的技能組成工資部分。

表5 技能組成工資和利潤分享工資的形成機制

在利潤分享工資方面，表5第(3)列和第(6)列的回歸結果發現，機器人應用可以提高企業生產率，從而進一步顯著提升利潤分享工資，表明生產效率的提高會減少生產成本，增加所獲利潤，導致利潤分享工資在勞動者工資收入中占據更高的比例。究其原因，機器人作為前沿的生產技術，能夠優化產品生產過程中的資源配置效率，有效提升生產效率，由此帶來的生產成本降低和企業績效改善使得工人能夠獲得更多的利潤分享工資，推論2得證。表5第(3)—(4)列和第(7)列的估計結果則表明，機器人通過增加產出規模提高了利潤分享工資。其背后的邏輯是，機器人的產出規模效應改善了企業績效，而企業績效的增加意味著工人將會獲得的福利更多，利潤分享工資得以提高，至此證明了推論3。

由此可見，雖然機器人的替代效應會降低企業技能組成工資，但產出規模效應會在一定程度上抵消這一負向影響。與此同時，機器人的生產率效應和產出規模效應能夠提升企業利潤分享工資。整體來看，機器人應用的生產率效應、產出規模效應帶來的利潤分享工資提高成為企業間工資差距不斷擴大的主要來源。

六、結論與政策啟示

本文采用2000—2015年中國企業層面的進口機器人數據衡量企業機器人應用狀況，并在此基礎上考察機器人應用對企業間工資差距的影響及機制，得到以下結論:第一，機器人的應用顯著提高了企業的平均工資，導致機器人應用企業與未應用企業間的工資差距擴大，并且隨著時間推移這一擴大趨勢愈加明顯。第二，異質性考察發現，機器人應用導致的企業間工資差距擴大現象在行業智能化程度較高行業和人力資本較為充足、制度環境及基礎設施較為完善的地區表現得更為明顯。第三，機器人的替代效應會降低企業工人的技能議價能力及其技能工資組成部分，而機器人的產出規模效應可以在一定程度上抵消這一負向影響，并且機器人的生產率效應、產出規模效應有利于改善經營績效，提高員工利潤分享工資。機器人應用對利潤分享工資的積極作用強于技能組成工資的消極作用，是機器人應用企業與未應用企業間工資差距擴大的主因。

本文的結論具有重要的政策含義:首先，機器人應用會擴大企業間工資差距，并且趨勢越來越明顯。為此，一方面，要完善機器人技術在企業中普及應用的軟硬件環境，加快各企業智能轉型升級的步伐，在整體上提高勞動者的工資水平；另一方面，要加大再分配政策的調節力度，推動勞動和資本要素的稅收制度改革，防止機器人資本投入進一步加劇應用機器人與未應用企業間的工資不平等現象，使勞動者的收入差距控制在合理區間。其次，機器人應用的企業間工資差距擴大作用存在顯著的行業和地區異質性。因此，隨著“機器換人”現象的不斷上演，稅收制度改革等再分配政策的實施在行業智能化程度較高的行業和人力資本較為充足、制度環境與基礎設施較為完善的地區顯得更為急迫。政府在制定再分配政策時應根據行業和地區等因素把握好力度與時效性，做到精準施策，更好地發揮政策效果。最后，機器人的應用越來越凸顯利潤分享工資在工人收入中的重要地位，但是技能組成工資的地位在逐漸弱化。針對這一現狀，不僅政府和企業要組織與機器人普及相適應的職業技能培訓，而且勞動者要不斷學習相關新技能，滿足機器人技術發展的需求，弱化機器人的替代效應，提高自身的工資議價能力，在分享智能轉型升級帶來的工資待遇改善的同時，提高自身本領，依靠自己學習的新技能進一步提升工資收入。