您好, 访客   登录/注册

我国智能技术进步的就业门槛效应研究

来源:用户上传      作者:吴淑娟 吴海民

  摘要:智能技术进步与就业的关系纷繁复杂。为了辨明我国智能技术进步对就业的门槛效应,基于科布一道格拉斯生产函数,采用上市公司数据,运用门槛分析法进行实证。研究表明:我国智能技术进步与就业之间确实存在门槛效应,也存在线性关系;其门槛效应体现在产业整体的中高级劳动者数量和工人工资、基础平台的劳动者总数和工人工资、应用环节的低级劳动者数量和劳动者就业总量上。
  关键词:智能技术进步;就业;门槛效应
  DOI:10.16315/j.stm.2020.01.006
  中图分类号:F061.3文献标志码:A
  1问题提出
  实行创新驱动战略促进智能技术的应用日益广泛,引发了对智能技术替代劳动力工人的担忧。根据柯布一道格拉斯生产函数,智能技术的研发和应用能促进技术进步,推动生产的资本深化,降低劳动力和资金投入比,进而减少就业需求。另一方面,智能化生产的生产率效应带动关联产业和非智能产业的生产,拉动劳动力需求。智能技术进步对就业的创造效应与替代效应共存,其总效应随时问推移变动。以往的技术创新推动农村劳动力向工业部门转移呈现S型的特点。这次智能化转型过程中,劳动力的转移很可能存在非线性关系。
  Katsoulacos研究了技术和就业的关系,智能技术是否能替代工人就业已经形成了3种观点。不替代说以史蒂夫·恩肯宁为代表的学者认为人为情报和自动化等智能技术不曾削弱劳动力。技术进步的目的在于改善劳动者就业环境,降低工伤的可能性,替代没有人真正想要的工作。尽管智能技术的应用取代人力,但其应用提高了产量,带来更大的劳动需求,在其他领域也可能会涌现出更多的就业机会,尤其是那些依赖于创造力、情商和社交技能等人类特质的工作。
  替代论说认为智能技术减少就业机会。有学者断言未来约有47%的美国就业可被机器人替代。也有学者预计到2035年50%~70%岗位将被机器取代。智能技术通过对教育的回报、就业能力、经验、“运气”等机制影响劳动力市场的不均衡情况。企业技术进步对劳动力投入具有显著的替代作用,它改变了劳动力结构,降低了企业工资和福利总额占其总产值的比重。当然,这种挤出效应在时间维度和范围维度上仅具有局部性。
  折衷说是目前较为流行的观点。技术进步对就业存在替代效应,也会导致社会分工的加深、就业领域的拓展、消费需求的增长,可增加就业总量,形成创造效应。技术创新和就业之间存在U型关系:当技术创新强度的改善达到一定的程度,技术创新对就业的效应从负效应转变成为正效应。从理论角度,技术创新对就业效应取决于劳动力和智能技术之间的替代弹性、需求的价格弹性和新技术的成本节约效果是否足够大。
  综上所述,国内研究倾向于产业和行业实证,国外研究更趋向于企业实证。两者围绕智能技术的就业效应进行了多角度和多层次的研究。现有研究表明智能技术的就业效应受区域性因素、产业因素、企业因素等影响。智能技术进步与就业的关系复杂多变,呈现简单的线性关系的可能性较少。但现有研究尚未能很好地解答两者之间是否存在非线性关系等问题。在我国人口总量庞大和结构欠优的背景下,本研究具有非常重要的意义。
  本文以上市智能企业为研究对象,基于理论分析选择合适的影响因素,以柯布一道格拉斯生产函数为基础构建门槛效应模型,采用上市智能企业数据加以实证,最后根据实证结果提出政策启示。本文探讨智能技术进步与就业之间的非线性关系,有异于一般技术的就业效应研究和智能技术进步与就业之间的线性关系研究;以智能效率为代表,而非传统的全要素生产率或技术效率,其研究结果能反映的智能正产出正是智能经济优胜于以往的技术经济的特殊之处。
  2影响因素的选择
  本节尝试基于帕累托最优的思想和采用埃奇沃思框图,分析智能技术进步对就业的影响机制的理论分析选择合适的影响因素,为门槛效应的实证提供基础。
  2.1智能技术进步的就业影响机制
  假设经济社会由生产者A和B组成,其分别使用2种生产要素:劳动(L)和资本(K),分别生产2种产品x和Y,这2种生产要素的数量假定固定不变。假定市场是完全竞争,需求决定的产量,生产者A、B的等产量线相切于点J7v,因而不存在失业和剩余资金,达到最佳均衡,如图l(a)所示。
  智能技术变革对生产岗位的影响有两类,一是现有产品或流程岗位智能化,二是创造全新的岗位。第一类创新较容易,往往先发生,因此,先考虑第一类影响过程:假设企业A对产品x的生产实行智能化,资本投入增加和技术进步减少劳动投人,改变了资本一劳动替代弹性。产品x的等产量线沿Y线下移。企业A等产量线的下移导致其劳动力需求减少,资金需求增加。这意味着整体工资水平下降和利息上升。企业B因而调整其资本和劳动投入比,最终与企业A产品x的等产量线交于点N’。如图1(b)所示。
  基于上述分析,分析第2种影响过程。假设智能技术创造了新岗位,该岗位要求劳动力量少素质高,资本密集度高。新岗位从企业A、B分别吸走资本和劳动力。企业A作为技术创新企业,其高素质人才占比较高,而企业B作为传统产业的代表,高素质人才占比较低,因而新岗位对企业A高素质人才的吸引力较大。新岗位的高薪吸走了较多企业A的人才和少量企业B的高素质人才,以及企业A、B的资金,使得企业A、B的等产量线分别向各自的内部移动,最终的生产点分别落在Na'和Nb'点上,如图1(c)所示。
  2.2影响智能技术进步的就业效应的因素
  因数据样本的获得性,本文暂不考虑劳动力与智能技术的替代弹性,又因新技术的成本节约效应主要针对一般的技术应用企业,而文中企业主要是智能技术研发和应用企业,因而也暫时不考虑该因素。从供给侧的角度,上述点N’、Na'和Nb'的位置受以下因素影响:一是影响生产要素价格变动的相关因素。工资刚性和利息未完全市场化,即便生产智能化导致企业A的劳动力需求下降和资本需求增加,这不能引起工人工资快速下降和利息快速上升,从而吸走企业B的产品Y生产点移至点N’。因而诸如金融市场的成熟度、住房成本等影响人力资源和资金流动的相关因素影响甚大;二是劳动力转移的经济能力和技能提升的因素。上述分析以劳动力工人技能具有同质性和不存在劳动力转移成本的假设前提。但现实中,劳动力具有差异性,且劳动力转移需要培训或教育投入、居住成本、后代受教育的机会成本等;三是企业经营管理能力的因素。企业是理性经济人是前述分析的另一前提假设。但是智能企业经营管理能力不足导致企业不能总是“理性”经营管理,例如股权集中度过高,投资方和研发人员的利益出发点差异阻碍智能技术进步,使点N未能顺利向点N’移动。四是一国对外开放程度的因素。一国外贸影响国内产品的产品需求总量和需求结构,其金融市场的对外开放程度也可以影响国内资金的丰富程度,从而影响利率。   综上分析,本文采用工人工资、金融市场的成熟程度、工人的受教育程度、住房成本、企业资本集中度和资本周转率等作为影响因素。目前智能企业的外商投资和对外直接投资、对外货物贸易均较少,因而未采用对外货物贸易和资本流入指标。
  3智能技术就业效应及影响因素的实证分析
  3.1模型设定
  假设工业智能生产企业只有劳动力和资本投入,基于柯布一道格拉斯生产函数构建智能技术就业效应模型如下:
  3.2样本范围与变量说明
  1)数据样本范围。中国智能企业创建的时间大多集中分布在2010-2016年问,其中的峰值出现在2014年,因而以2011-2017年为考察期。综合金融界、搜狐证券和东方财富网等3个证券网站中智能板块的公司名单,剔除2012年及以后的上市公司,得到文中上市智能企业的数据样本。样本企业分别属于无人机、智能电网、3D打印、北斗导航、智能机器、智能家居、智能穿戴、大数据、物联网、移动支付、智慧城市等子行业。样本企业的区域分布是北京6家、广东63家、江苏3家、山东3家、上海3家、四川1家、浙江3家。部分企业经营2个或以上行业的业务,因而数据样本共966条。上市公司年报必须遵守国家会计准则、企业内部控制规范和财务信息披露规则,其会计项目的统计口径有专业的规范,因此,尽管不具有官方统计数据的准确性和权威性,但相对一般的村野数据而言,其可信程度较高。
  2)变量说明。智能技术进步用智能TFP代表。智能TFP运用DEA-Malmquist指数方法,采用智能投入和产出数据测量而得。投入变量包括智能劳动力投入变量和资金投入变量,分别用上市公司的技术人员数和固定资产净额代表。技术人员数量是技术进步重要基础,是重要的劳动力投入变量之一。固定资产净值是常用的资本变量之一。尽管该指标不具有永续盘存的精确性,但具有方便的优点。产出变量包括产值和知识产出,前者用上市公司的主营业务收益额代表,后者用扣除土地使用权后的无形资产额来代表。无形资产是指企业拥有或者控制的没有实物形态的可辨认非货币性资产。会计上,扣除土地使用权后的无形资产额包括专利权、非专利技术、管理软件、商标权、专有技术等。如此评价指标体系的测量结果能反映传统TFP所未能反映的智能产出。
  产出(y)是指智能生产企业的产出额,采用上市公司的主营业务收益额来代表。劳动力投入量(L)是指智能生产企业所投人的劳动力。鉴于劳动力工人的差异性,又为了全面摸清智能技术对高技能和低技能工人的影响差异,分别采用全部工人数(高技能工人和低技能工人的总和)、高技能工人数、低技能工人数和高低技能工人数之比等4个指标分别代表。资本投入量(K)是指智能企业在技术研发上的投入资金,采用上市企业的年度科技资金投入金额来衡量。工人工资(In)是指智能生产企业支付给工人的工资,用上市公司支付的工资总额代表。金融市场的成熟程度(Fm)是指金融结构的变化,既包括金融结构的总量变化,又包括金融结构的流量的变化。Fm指标的测量方法和指标体系多样。较早期的研究多数构建比较复杂的指标体系,分多个层次和指标进行综合性的评价。近期出现新的较为简单的评价方法,以地区金融机构存贷款总额与名义GDP的比值作为该地区金融发展水平的衡量指标。考虑到实证的需要,本文采用更能直接体现地方金融发展水平的企业筹资活动现金流入量来代表。民众的受教育水平(Edu)的评价指标较少。王善迈等提出的教育发展指数评价体系是当前国内较为完善的评价指标体系。但宏观数据将难以满足实证需要,因而本文采用更为直接且直观地反映该地区教育水平的企业的本科学历及以上员工占比来代表。住房成本(Hp)是指劳动者在区域问转移之时所支付的住房费用。由于上市公司年报中缺乏本财务项目,故采用企业所在城市(或区)的商品房平均销售价格代表。其中2017年数据采用均值替代法补齐。企业的股权集中度(Os)是指全部股东因持股比例的不同所表现出来的股权集中还是股权分散的数量化指标。一般通过第一大股东持股比例指标,即上市公司的第一名大股东持股份额在公司总股份中所占比重来衡量。该法为本文所采用。企业的资产周转率(At)是指总营业额和总资产之比,在财务分析指标体系里具有很重要的地位。本文采用上市公司的年度资产周转率衡量。
  3)数据描述和平稳性检验结果。数据的描述统计性,如表l所示。为确保测量结果的有效性,分别使用LLC、IPS、ADF-Fisher、PP-Fisher和Breitung 5种方法进行检验,综合检验结果中的P值进行判断,所有变量均不支持含有单位根的原假设,符合平稳的计量要求。协整检验结果表明TFP分别与各个因素的Panel PP-Statistic、Group PP-Statistic和Group ADF-Statistic检验结果均通过检验,表明变量之间存在协整关系。
  4实证结果与分析
  4.1全数据实证结果与分析
  1)门槛值的确定。检验是否存在门槛效应:分别以eit为门槛估计值,运用Stata 15.0软件依次对无门槛、单一门槛和双门槛假设进行检验,得到F统计值,再采用“自抽样法”(Bootstrap)模拟F统计量的渐進分布及临界值,从而检验是否存在门槛效应,如表2所示。表2结果显示中高级劳动者数量和工人工资分别与智能技术进步存在显著的单一门槛效应关系。
  全数据的门槛变量的门槛的估计值和相应的95%置信区间,如见表3所示。结果表明中高级劳动者数量和工人工资的以TFP门槛估计值均为0.789,在95%置信度下置信区间均为0.7804至0.8011之间。据此,把智能技术进步分成两部分:低效率部分(TFP≤0.789)和高效率部分(TFP>0.789),再对样本进行门槛回归估计,得门槛回归结果,如表4所示。为了便于比较,本文还对样本进行线性固定效应模型进行了实证检验,并将结果同时列入了表中。
  2)实证结果及分析。表4结果表明智能技术进步与就业之间线性关系与非线性关系并存。对智能产业的整体影响方面,非线性关系主要体现在中高级劳动者数量和工人工资上;而低级劳动力工人、劳动力就业总数量和低级和高级劳动者的比例结构均呈现线性关系。   在智能TFP对中高级劳动者就业总量的影响的固定效应回归分析中,智能TFP对中高级劳动者就业总量有显著正面影响,系数为4.340。在门槛回归模型中,该系数随着智能效率的提升呈现出明显的区间效应,表明两者问存在非线性关系。当智能效率处于低效率区间,智能技术进步与中高级劳动力工人就业负相关,系数为-1.244;当智能效率处于高效率区间,两者正相关,系数为0.332。这表明提升智能技术进步的水平对于提升中高级劳动力工人就业具有重大的意义,当智能技术进步超过0.788的门槛,智能技术进步每提高1%,能提升0.332%的中高级工人的就业。
  在智能TFP对工人工资总额的影响的固定效应回归分析中,智能TFP对工人工资总额有显著正面影响,系数为1.542。而在门槛回归模型中,该系数随着智能技术的提升呈现出明显的区问效应,表明两者问的真实关系是非线性。当智能效率处于低效率区间,智能技术进步与工人工资收入显著正相关,系数为3.040;当智能效率处于高效率区间,两者显著正相关,系数为2.617。这表明了提升智能技术进步的水平对于提升工人的收入总量有正作用,但是当智能技术效率超过0.788的门槛值,智能技术進步对工人工资的提升作用反而减弱。尽管如此,智能技术进步对工人工资的正面影响仍然是文中所涉及的几个变量中最高的一个。
  低级劳动力工人就业量、低级与中高级工人的比例和就业总量的单一门槛回归的低效率区间的系数和高效率区间的系数没有明显的差异,因而这3个变量与智能技术进步之间的真实关系应该是线性关系。根据固定效应回归分析结果,低级劳动力工人就业和劳动力就业总量与智能技术进步存在显著的正相关关系,系数分别是2.033和2.118。这与Autor D等人认为的生产自动化的劳动力替代性逐渐增强的观点似乎有所相悖。他们认为自动化具有更强的就业替代性(labor-displacing)和更弱的就业创造性(labor-augmenting)。其原因之一是该文采用Acemoglu等的模型和1970年以来28个OECD国家的数据,模型的差异、研究对象的差异,尤其是该文未考虑到智能产出的因素来考量智能技术进步的问题。其二是智能技术进步对就业的影响不仅因对象不同而有所差异,也会随时间的发展而动态演变。OECD国家的生产自动化对就业的影响因自动化程度的加强也有所差异,中国的也应如此。低级与中高级工人的比例与智能技术进步之间的系数为-0.072,表明智能技术进步将降低低级劳动力工人的占比。这点符合预期。
  显然,中国当前的智能技术进步对劳动力的替代程度还未达到机器能以很低的成本生产产品,若企业支付给工人工资将不能保持其竞争力的状态。当前我国智能企业应该尚处于需要大量的技术人员投入来支撑智能产业的快速发展的阶段,同时,因为智能技术的应用,提升了智能效率,从而形成了资本深化效应,节省了资本,降低了产品价格,从而促进了对低级劳动者的需求,从而在总体上提升了劳动力需求,也从总提升提升了劳动者的整体收入。
  4.2分产业链环节数据实证结果与分析
  分产业链环节数据实证结果,如表5、表6所示。
  1)门槛值的确定。表5结果表明基础平台中,劳动者总数和工人工资分别于智能技术进步存在显著的单一门槛效应关系;应用环节中,低级劳动者数量和劳动者总数量分别于智能技术进步存在显著的单一门槛效应关系。
  表6为基础平台中的劳动者总数和工人工资、应用环节的低级劳动力工人数量和劳动者总数的门槛估计值和相应的95%置信区间。结果表明基础平台的劳动者总数的智能技术进步的门槛估计值较应用环节的低,仅为1.201,而后者为7.415;基础平台的工人工资的智能技术进步的门槛估计值为0.277,相当低;应用环节的低级劳动力数量的智能技术进步的门槛估计值为7.871,相对较高。
  2)实证结果分析。结合表7~9实证结果可知,我国智能行业的基础平台和应用环节中,智能技术进步与就业之间线性和非线性关系并存,技术平台环节主要为线性关系。非线性关系主要体现在低级劳动者数量、劳动者就业总数和工人工资上;而中高级劳动力工人、低级和高级劳动者的比例结构均呈现线性关系。
  在基础平台环节,就业人数总量和工人工资收入分别与智能技术进步有非线性关系。在智能效率低效率区域,与智能技术效率负相关。在智能效率的高效率区域,与智能技术效率正相关。这表明智能技术进步达到门槛值后,对整体就业人数和工人工资的提升均有正面作用。值得注意的是,工人工资的智能技术门槛值很低,表明工人收益的改善比较容易。低级技能劳动力就业与智能技术效率呈线性负相关,而中高级工人就业与智能技术效率线性正相关,因而低级工人与中高级工人的就业比例与智能技术效率负相关。这主要是因为基础平台环节的技术含量较高,因而不利于低级劳动力的就业,利于中高级劳动力的就业,从而使得低级工人与中高级工人就业人数比恶化。在低级劳动力的替代效应和中高级劳动力的创造效应的综合作用下,基础平台工人就业总量和工人工资总额在智能技术进步尚未达到门槛值之前恶化,但一旦智能技术变革达到门槛值,中高级劳动力的创造效应大于低级劳动力的替代效应,从而综合效应为正。
  在技术平台,除了中高级工人的就业数量与智能技术进步呈负相关关系以外,其他4个变量均与智能技术进步呈现正相关关系,表明技术平台的技术进步不利于中高级劳动力工人的就业,反而有利于低级劳动力工人的就业,从而带动了劳动力工人的整体就业和优化低级工人与中高级工人就业人数比,还提升了工人的工资收入。
  在应用环节,低级劳动力工人就业数量和工人就业总量分别与智能技术进步非线性关系。在智能效率低效率区域,与智能技术效率正相关,在智能效率的高效率区域,与智能技术效率显著负相关,表明智能技术进步达到门槛值后,对于低级劳动力工人的就业数有负面的作用,其负面作用比较强烈,以致于对工人就业总数量也有负面作用。中高级劳动力工人就业数、低级工人与中高级工人的就业比例和工人工资则分别与智能技术进步存在线性关系,系数均为正,表明应用环节的智能技术进步有利于中高级劳动力工人的就业和工人工资的提升,也轻微改善低级工人与中高级工人的就业比例。   5结论与政策启示
  针对当前智能经济快速发展威胁工人就业的现实,本文采用智能上市公司的全数据和分产业链环节数据,运用门槛分析法检验了智能技术进步对就业的门槛效应,得以下结论:
  智能技术进步与就业相关的变量之间线性和非线性关系并存,仅运用线性回归分析方法不足以反映智能技术进步与工人就业之间的关系。非线性关系主要集中体现在产业整体的中高级劳动者数量和工人工资、基础平台的劳动者总数和工人工资、应用环节的低级劳动者数量和劳动者就业总量上。线性关系则主要体現在低级和高级劳动者的比例结构均呈现线性关系。
  门槛值方面,基础平台的工人工资的智能技术进步的门槛最低,而应用环节的劳动者就业总量的智能技术进步的门槛最高。促使智能技术进步突破0.277,甚至突破1.2,便能充分发挥基础平台的就业正效应,而无需过多担忧智能技术进步带来应用环节的就业的负效应,尤其是对低级劳动力就业的的负效应,因为要突破其门槛值应该颇难。
  工人整体的工资收入将因智能技术进步而改善,尽管在整体上工资会因为智能技术进步突破门槛值而降低了正效应,但是基础平台的工人整体收入会因为智能技术进步突破门槛值而由负效应转为正效应而获利。
  因而今后尤其需要加强以下两方面的工作:
  一是优化资源投入,强化管理,促进智能技术进步。一方面,企业优化要素投入,加强企业内部管理。尤其是企业资本集中度、资本周转率等与资本要素投入效率密切相关。另一方面,优化智能技术创新的财政支出效率,特别是加强对智能技术的财政支持的投入方式、过程监控和结果验收等环节加强管理,促进智能科研成果转化,加快其市场化应用的步伐。
  二是加快智能人才的培养。一方面,应对智能技术进步对低级劳动力工人收入的影响较大,因而要为工人提供足够的培训。特别要加强正效应尚未得到发挥之前的低级劳动力工人的再就业培训工作,使得低级劳动力工人技能提升,从而适应智能经济的发展的需要。另一方面,要加快高层次智能人才的培养。由高水平高校开设智能产业相关专业。由应用型高校结合地方智能经济发展的需要设置特色专业。同时加强智能专业人才培养的校企合作,加强智能人才的理论应用实际的能力。
  应当指出,本文也存在一定的局限性,值得未来进一步探索:一是因为智能经济为近年的产物,本文结合实证需要和企业的实际情况,选择了7年的考察期内82家智能上市公司数据进行研究,数据样本的有限性可能影响了实证结果;二是上市公司年报数据的统一性和考察期的程度等因素限制了本文能选取的指标,因而有一定的改进空间;三是本文主要是围绕生产商的资本、技术和劳动力等投入因素,从供给侧的角度出发研究问题,未考虑消费层面的差异,从而没有充分考虑需求方的影响。今后随着智能经济的进一步发展,官方统计数据和上市公司数据日益丰富,相关的实证研究应该会更为细化而且深入,更深入的研究和国际性的比较研究将会成为可能。
转载注明来源:https://www.xzbu.com/8/view-15195241.htm