开放合作研究团队第93期Seminar学习讨论会

2025年11月12日晚上19:00—20:00，中山大学区域开放与合作研究院文献研读会议以线下的方式成功举行。本次学习讨论会由硕士生徐书凝同学分享文献《智能制造、人力资本升级与企业劳动收入份额》。参与学习讨论会人员包括博士生和硕士生等。

智能制造、人力资本升级与企业劳动收入份额

黄　卓　陶云清　刘兆达　叶永卫

本文采用交叠双重差分法探究智能制造对企业劳动收入份额的影响及机制。研究发现，智能制造主要通过“互补效应”引致人力资本升级，进而提升企业劳动收入份额，且该效应在劳动密集型、法治水平较完善和劳动力错配程度低地区的企业中更为明显。同时，相比于协同型智能制造模式，生产型智能制造模式对企业劳动收入份额的提升作用更强，且智能制造亦缩小了企业内部薪酬差距。

一、引言

当人工智能、大数据等新一代数字技术加速渗透实体经济，“数实融合”已成为高质量发展的核心动能，智能制造作为全新生产形态应运而生，重塑着制造业的生产模式与竞争格局。然而，在技术红利持续释放的同时，收入分配的公平性问题仍不容忽视：中国劳动收入份额虽较此前有所缓解，但与发达国家相比仍有差距，广大劳动者尚未充分共享经济增长的“蛋糕”。过往研究多聚焦智能制造的生产效率效应，却鲜少深入剖析其对劳动收入分配的影响机制，尤其对“技术变革如何通过人力资本调整作用于劳动收入份额”的探讨仍显不足，这一研究缺口也让技术与分配的关联成为亟待解答的现实课题。

基于这一背景，本文以中国智能制造试点示范项目为准自然实验，采用交叠双重差分法，系统探究了智能制造对企业劳动收入份额的影响及内在逻辑。研究不仅突破了以往“生产方式不变”的假设局限，更从劳动力市场这一全新视角，填补了技术变革与收入分配领域的研究空白。核心发现显示，智能制造通过“互补效应”推动企业人力资本升级，最终显著提升了劳动收入份额，这一效应在劳动密集型企业、法治环境完善及劳动力错配程度低的地区更为突出。无论是对学术研究的拓展，还是为优化收入分配格局、实现效率与公平的统一提供实践参考，这项研究都具备重要的现实意义。

本文的贡献主要体现在以下两方面：

（1）区别于以往企业劳动收入份额研究基于“生产方式不变”的假设，首次考察智能制造这一生产方式革新对企业劳动收入份额的影响及内在机理，丰富了技术变革影响企业劳动收入份额的相关研究。

（2）扩展了智能制造实施的微观经济效应研究，突破以往相关研究多停留在理论分析层面或仅从成本粘性、企业创新角度评估的局限，从劳动力市场这一全新角度切入，补充了智能制造微观经济效应的实证研究体系。

二、制度背景与理论分析

1.制度背景

从政策演进来看，智能制造的发展是国家战略与市场实践协同推进的结果。2015年国务院颁布《中国制造2025》，明确将智能制造作为制造业升级的主攻方向，随后《智能制造发展规划(2016—2020年)》等文件落地，构建起国家层面的战略框架；同年启动的“智能制造试点示范专项行动”更具标志性意义，采取“先试点后推广”模式，2015-2018年间分四批累计推出305个试点项目，其中84家沪深A股制造业上市公司被纳入处理组，对照组则通过上市公司年报文本识别筛选（剔除提及“智能制造”“工业4.0”等关键词的企业，避免自发技术行为干扰），这种“分批实施、逐步推广”的特点，让智能制造成为天然的准自然实验，为因果识别提供了良好条件。

值得注意的是，智能制造与工业机器人、数字化转型存在本质差异：工业机器人仅能处理标准化、流程化任务，更偏向自动化技术；数字化转型侧重改变企业思维模式，对生产革新的提升有限；而智能制造赋予机器自主决策、处理个性化非机械任务的能力，能更深度地推动生产方式变革，其测量方式也无需依赖易产生偏差的文本词频分析，进一步保障了研究的可信度。

2.理论分析

智能制造对企业劳动收入份额的影响，本质是“替代效应”与“互补效应”共同作用的结果，二者基于不同理论逻辑形成对劳动力市场的差异化冲击。一方面是“替代效应”的抑制作用：依据熊彼特“创造性破坏”理论与Autor“任务模型理论”，智能制造擅长执行程序化、重复性任务，会替代低技能、机械化劳动力——比如无人工厂减少基础操作岗位，深度学习技术降低简单行政需求，这会导致企业整体劳动力雇佣规模收缩，若其他条件不变，劳动收入份额可能随之下降。另一方面是“互补效应”的提升作用：基于Acemoglu“资本技能互补”假说，智能制造作为技能偏向型技术进步，对高技能劳动力的需求显著增加——企业需雇佣数字化人才、机器人工程师维护智能设备，同时加大员工培训投入提升技能适配性，最终推动人力资本结构升级。而高技能劳动力凭借“知识议价”能力（劳动力市场中高技能人才供不应求），在劳资谈判中更具优势，能更多参与企业利润分配，进而带动劳动收入份额上升。综上，智能制造对劳动收入份额的最终影响，取决于两种效应的相对强弱，这也构成了研究的核心假说：

假说１：其他条件不变的情况下，智能制造的实施将降低企业劳动收入份额。

假说２：其他条件不变的情况下，智能制造的实施将提升企业劳动收入份额。

三、研究设计

1.模型设计

为检验智能制造对企业劳动收入份额的影响，本文将在制造业中实施的智能制造试点项目视为一次准自然实验，构造如下计量模型：

其中，LS_it代表企业i在第t年的劳动收入份额，是衡量核心被解释变量的关键指标；IMit为解释变量，即智能制造实施虚拟变量，用于区分处理组与对照组的政策冲击差异；X_it为一系列控制变量，旨在缓解内生性问题；η_it和δ_it分别控制企业固定效应与时间固定效应，ε_it为随机干扰项。模型重点关注系数β，其正负与显著性直接反映智能制造对劳动收入份额的影响方向与强度——若β显著为正，说明互补效应主导；若显著为负，则替代效应更突出。

2.变量选取及定义

LS：被解释变量，表示劳动收入份额。参考既有研究，采用“劳动要素收入占企业增加值的比重”衡量，具体计算公式为：LS=支付给职工以及为职工支付的现金/（利润总额+支付给职工以及为职工支付的现金+固定资产折旧+流转税税额），其中流转税税额通过教育费附加及对应费率逆推得出，确保对“劳动收入”的界定全面且贴合企业实际核算逻辑。

IM：解释变量，表示智能制造。处理组为2015-2018年入选工信部智能制造试点示范项目的84家沪深A股制造业上市公司，对照组则通过上市公司年报文本识别筛选——对“公司业务概要”“管理层讨论与分析”部分进行关键词检测，剔除提及“智能制造”“智能生产”“工业4.0”的企业（避免自发技术行为混淆政策效应），最终保留未受干扰的非试点企业。按交叠DID规则，处理组企业在实施智能制造当年及之后年份IM=1，此前年份与对照组均IM=0。

X_it：控制变量，为解决试点企业选择的内生性（如运营基础好的企业更易入选），采用“2014年（首批试点前）前定变量×时间趋势”的方式构造控制变量。企业层面包括规模（总资产自然对数）、盈利能力（净资产收益率Roa）、现金流状况（经营现金流净额/总资产）等；地区层面涵盖人均GDP（自然对数）、互联网普及率（地区互联网用户数/常住人口）等，既过滤先天特征干扰，又适配时间动态变化，保障核心解释变量的外生性。

3.数据来源与描述性统计

与处理环节同样严格把控：研究样本选取2009-2020年沪深A股制造业上市公司（覆盖试点前后足够周期，避免政策混淆），企业层面数据来自国泰安（CSMAR）、万德（Wind）数据库及上市公司年报，地区层面数据取自《中国城市统计年鉴》《中国统计年鉴》；为确保数据质量，进一步剔除PT/ST/*ST类企业、金融类企业、资不抵债企业及主要变量缺失的样本，并对所有连续变量进行前后1%水平的缩尾处理（缓解极端值影响），最终得到13408条企业-年度观测值。从描述性统计来看，劳动收入份额（LS）均值为0.239，最小值0.031、最大值0.508，表明企业间收入分配差异显著，为后续回归分析提供了充足的样本变异基础。

四、实证结果分析

1.基准回归

基于交叠双重差分模型的基准回归结果显示，无论是否加入控制变量，智能制造（IM）对企业劳动收入份额（LS）的估计系数均显著为正：仅控制企业与时间固定效应时，IM系数为0.025；进一步加入企业与地区层面控制变量后，IM系数升至0.032。结合政策实施前企业劳动收入份额均值0.222计算，智能制造平均可提升企业劳动收入份额14.4%，具有显著经济意义。这表明智能制造的“互补效应”占据主导地位，假说2得证。

2.平行趋势与动态效应

采用事件研究法构建跨期动态模型检验平行趋势假设，结果显示：智能制造实施前（T-9至T-2），处理组与对照组企业劳动收入份额的回归系数均在0附近波动，且未通过显著性检验（事前系数联合性检验P值>0.1），说明两组趋势一致；政策实施后（T-0至T-5），IM系数显著为正且持续有效。无论是否加入协变量，动态效应图均验证了平行趋势假设成立，且智能制造对劳动收入份额的正向影响具有持续性。

3.稳健性检验

为确保基准结果可靠，本文开展多维度稳健性检验：①更换智能制造与劳动收入份额的衡量方式；②加入行业-年份、省份-年份固定效应；③改变标准误聚类层级；④采用平衡面板并考虑企业退出问题；⑤运用匹配DID与合成控制DID分析；⑥排除同期其他政策等混淆因素；⑦缓解交叠DID的异质性处理效应。所有检验结果均显示，IM对LS的正向影响仍显著，证明基准结论具有稳健性。

五、进一步分析

1.机制检验

机制直接验证结果显示，衡量企业人力资本状况的4个核心指标（员工总数、高技能员工数量、高技能员工相对占比、员工培训费）与智能制造（IM）的回归系数均显著为正，证明智能制造确实通过“互补效应”推动了企业人力资本升级，这是提升劳动收入份额的关键路径。进一步通过分组回归验证（将企业分为“人力资本调整难度低”与“调整难度高”两组），发现调整难度更低的组中，IM对劳动收入份额的正向影响更显著，进一步佐证了人力资本升级的中介作用。

2.异质性分析

横截面分组检验表明，智能制造对劳动收入份额的提升效应存在显著异质性：

（1）从要素密集度看，劳动密集型企业的提升效应更明显，因其原本依赖低技能员工，智能制造带来的技能升级需求更迫切，高技能员工的“知识溢价”更突出；

（2）从地区法治水平看，法治完善地区的企业效应更强，规范的劳资谈判环境让高技能员工议价能力更易发挥，能充分获取技能升级带来的收益；

（3）从劳动力错配程度看，错配程度低的地区效应更优，高技能员工能匹配合适岗位，与智能制造的“互补效果”更充分。

3.进一步分析

（1）将智能制造分为生产型（如离散型、流程型制造）与协同型（如网络协同、远程运维），回归结果显示生产型模式对劳动收入份额的提升系数高于协同型，因生产型直接推动生产环节技能升级，“互补效应”更突出。

（2）智能制造具有普惠效应：智能制造显著降低企业内部薪酬差距，且主要通过减少高管超额薪酬实现，未影响高管合理收入，普通员工能更多分享技能升级收益，体现了技术红利的普惠性。

六、政策含义

本文研究结论的政策含义主要体现在以下几点：

1.持续扩大智能制造试点覆盖面

研究证实，智能制造不仅能显著提升企业劳动收入份额，还能缩小内部薪酬差距，技术红利已从生产领域向收入分配领域溢出。政府应进一步强化对智能制造的政策支持，全力推进试点示范项目落地实施，尤其可向劳动密集型企业倾斜，充分释放其对收入分配的优化作用，助力实现效率与公平的平衡。

2.构建适配的人才培养体系

智能制造通过“互补效应”提升劳动收入份额的核心在于人力资本升级，而其对低技能、重复性劳动力就业存在负向冲击。政府需以“提升劳动者与数字技术的适配性”为目标，扩大数字化、智能化人才培养规模，加强现有劳动者技能培训（如针对智能制造操作、设备维护的定向培训），缓解技术变革带来的就业结构矛盾，为企业人力资本升级提供人才支撑。

3.优化市场与法治环境

异质性分析显示，智能制造的收入分配效应在法治水平完善、劳动力错配程度低的地区更显著。因此，政府需加强法治建设，规范劳资谈判机制，保障高技能劳动者“知识议价”能力的充分发挥；同时通过完善劳动力市场配置机制（如搭建高技能人才供需对接平台），减少劳动力错配，为智能制造充分释放收入分配优化效应提供适配的外部环境。

七、会后讨论

在讨论环节，与会人员重点围绕“文章如何控制智能制造试点示范企业选择的外生性”这一核心问题展开交流，先对文章的现有方法进行了概括，再深入探讨了该方法的潜在不足。

（一）文章控制外生性的核心方法

与会人员首先梳理了文章控制试点企业选择外生性的思路：为缓解“试点企业可能因先天特征（如运营基础好、地区禀赋优）更易入选，进而混淆智能制造对劳动收入份额的真实影响”这一内生性问题，文章以2014年（首批智能制造试点前）为时间节点，选取企业层面（规模、盈利能力、现金流、信息化水平等）与地区层面（GDP、互联网普及率、工业增加值增长率等）的前定变量（Z），通过“控制变量X=Z₂₀₁₄×γ_t（γ_t为时间趋势）”的方式构造动态控制变量。这种设计既过滤了试点企业的先天固有特征干扰，又适配了变量随时间的动态变化，最终支撑“试点企业选择与试点时间相对外生”的因果识别前提，试图确保核心解释变量（智能制造IM）与随机干扰项无关。

（二）现有方法的潜在不足

与会人员针对上述方法提出了两点不足：一是前定变量的“全面性局限”，文章选取的前定变量多为可观测的财务、地区指标，但可能遗漏未观测到的企业异质性特征（如企业管理层对技术变革的接纳意愿、内部人才储备的隐性优势等），这些未观测因素可能同时影响企业能否入选试点（如管理层意愿强的企业更主动申报）与劳动收入份额（如人才储备好的企业本就易提升收入份额），导致内生性问题未完全解决；二是“时间趋势匹配的粗糙性”，文章通过“前定变量×统一时间趋势”构造控制变量，但不同企业、不同地区的变量随时间变化的节奏可能存在差异（如部分地区互联网普及率增速快于其他地区），统一的时间趋势可能无法精准捕捉这种异质性，进而影响外生性控制效果。