-100-
一、引言
当前，我国正处于转变发展方式和转换增长动力的关键时期，智能制造所引领的工业革命至关重要。习近平总书记强调，要抓住新一轮科技革命和产业变革机遇，推动互联网、大数据、人工智能和实体经济深度融合，加快制造业、农业、服务业数字化、网络化、智能化。a 在全球生产力增长普遍滞缓的当下，机器人和智能化技术无疑能为经济增长注入新的动力。据普华永道预测，人工智能、机器人和其他形式的智能自动化将在2030年为全球GDP 带来高达15万亿美元的贡献。b 与此同时，新一轮技术革命也将产生“创造性毁灭”（Creative Destruction ），即在创造和提升生产力的同时伴随着对旧的生产组织方式的瓦解重组，c 其引致的失业问题正在触发社会焦虑情绪。有研究表明，工厂车间大规模引进机器人生产线，将导致企业雇佣的劳动力数量下降2.6个百分点。d 可以说，当今机器人浪潮正在引发工作岗位
*本文系国家自然科学基金面上项目“企业工会的收入分配效应及其对技术升级路径的影响研究：微观机制与实证检验”（71873048）、广东省自然科学基金“人口年龄结构对中国创新和生产率影响机制的理论与实证研究”（2016A030310256）的阶段性成果。
作者简介 余玲铮，华侨大学经济与金融学院副教授（福建 泉州，362021）；张沛康（通讯作者），北京大学教育学院教育经济研究所博士研究生（北京，100871）；魏下海，华侨大学经济发展与改革研究
院教授（福建 厦门，361021）。
a 习近平：
手抄报花边设计《习近平谈治国理政》第3卷，北京：外文出版社，2020年，第307页。b 普华永道：
《全球AI 报告：探索人工智能革命》，2017年10月12日。c [美] 约瑟夫•熊彼特：
《经济发展理论》，北京：商务印书馆，1990年。d 程虹、陈文津、李唐：
《机器人在中国：现状、未来与影响——来自中国企业—劳动力匹配调查（CEES ）的经验证据》，《宏观质量研究》2018年第3期
。
2021年第2期
余玲铮 张沛康 魏下海
[摘 要] 利用国际机器人联盟和中国劳动力动态调查数据，系统考察机器人浪潮如何影响劳动力市场雇佣关系，研究发现，在机器人冲击下，劳动力市场雇佣合同显著趋于短期化，在考虑内生性等稳健检验下，结论依然成立。其机制在于，机器人渗透生产环节，在一定程度上重塑传统的“技术—技能”匹配和粘性，劳动者基于企业的传统特定技能被削弱，雇主倾向于与雇员签订短期合同。进一步研究发现，在机器人浪潮中，那些能够实现“人机互动”的技能者，有望获取稳定的长期雇佣合同，而常规型技能者的雇佣合同则趋于短期化。本文研究结论确认了技术变革会影响雇佣合同缔结的事实，这一发现不仅对劳动力市场宏观政策的制定有重要启发意义，而且能为企业内部人力资源管理提供新的启示。
[关键词] 机器人 雇佣合同 劳动力市场 “技术—技能”重塑机制
〔中图分类号〕F241.4；F062.4〔文献标识码〕A 〔文章编号〕 1000-7326（2021）02-0100-08
i等于q除以t
机器人如何影响劳动力市场雇佣关系：“技术—技能”重塑机制的解释*
和技能需求结构的剧烈变化。这要求劳动力市场及时做出积极响应，包括对雇佣关系的重大调整。
近年来，全球范围的劳动力市场雇佣关系正在经历剧烈的转型，劳动力市场标准就业形式呈现逐渐消退迹象，雇佣关系不稳定性和非标准就业（non-standard work）日益成为主流（ILO，2016）。a劳
动合同的时效性在不断被缩短，长期固定雇佣模式逐渐被各种灵活的用工形式（如兼职工、散工、临时工、短期工、季节工等）所取代，工作制度、劳动收入以及劳动者技能的弹性变得更大（Standing，2012）。英国经济学家盖伊·斯坦丁使用“不稳定的无产者”术语来描述这样的雇佣短期化现象。中国劳动力市场同样正处于深化转型阶段，非稳定就业人数也在不断上升。b根据中国家庭收入调查（CHIP）的数据，中国劳动力市场的稳定就业人数占比在逐渐下降，从1995年的96%下降到2013年的57%。这表明，在中国有大约一半的劳动者是以短期雇佣合同为主，他们的工作性质常常游离于稳定雇佣关系的边缘。
那么，机器人浪潮与劳动力市场雇佣关系不稳定究竟存在何种联系？从理论上讲，机器人渗透生产环节所产生的“去技能化”，是导致雇佣关系不稳定的一个重要原因。c 21世纪以来，随着机器人逐渐嵌入生产流程，技能与岗位的粘性降低，岗位被逐渐拆分为一系列具体的工作任务。在一个相对标准化的生产模式中，传统的工作性质实现剧烈转变，每个劳动者的工作任务大为简化，人们赖以生存的传统技能被重塑，其结果是企业与工人用工合同短期化。d雇佣关系短期化的影响具有两面性。从雇主角度出发，与劳动者签署短期或非标准雇佣合同，能够为企业人事管理带来“数量灵活性”（numerical flexibility），有助于抵御宏观经济波动和需求季节性变化的不利冲击，e因此更加有利可图。而且，短期雇佣和非标准就业劳动者比例越高，企业全员人力资源培训投入就越少，从而聚焦于少数“核心员工”的能力建设。f但对大多数工人而言，不稳定的雇佣关系意味着较高的失业风险，一旦个体技能属
性未能与机器达成“人机共存”，就会产生劳动者技能“复旧效应”（vintage effect）。g在机器人冲击下，劳动者在企业的特定技能被削弱了，职业技能缺乏延续性，企业也不愿意将重心放在技能培训上。如此一来，大部分劳动者就会被排挤在长期稳定就业之外，“待命工作”（on-call work）和“露水般”的雇佣关系应运而生。
有鉴于此，本文试图考察机器人浪潮如何重塑中国劳动力市场雇佣关系，并探析其形成过程和作用机制，可能的创新包括：一是从“雇佣合同”这一独特新视角，审视机器人如何重塑城市劳动力市场，深入考察并揭示了当前我国雇佣期限短期化背后的技术动因；二是提出机器人会重塑“技术—技能”匹配关系，并进一步影响雇佣合同签订的期限，这拓宽了技术变革下人事管理经济学的研究范畴，也为企业人力资源组织管理提供了新的政策启示。
二、数据来源与实证设计
（一）数据来源
本文数据来源于国际机器人联盟（IFR）的数据集、第二次全国经济普查（2008）的工业企业数据版块和中国劳动力动态调查（China Labor-Force Dynamics Survey，CLDS）。需要说明的是，IFR数据包含50个国家1993—2018年生产性行业和非生产性行业的机器人安装量和存量信息，能够覆盖全球工业智能机器人市场90%的安装信息。本文从中选取了2010—2015年间中国各行业的工业机器人安
系鞋带的拼音装量数据，预氧化
a ILO, “Nonstandard Employment Around the World: Understanding Challenges, Shaping Prospects”, Geneva: International Labour Organization, 2016.
b李小瑛、赵忠：《城镇劳动力市场雇佣关系的演化及影响因素》，《经济研究》2012年第9期。
c许怡、叶欣：《技术升级劳动降级？——基于三家“机器换人”工厂的社会学考察》，《社会学研究》2020年第3期。
d Standing G., “Th
e Precariat: From Denizens to Citizens?”, Polity, vol.44, no.4, 2012, pp.588-608.
e Benito A., I. Hernando, “Labour Demand, Flexible Contracts and Financial Factors: Firm-Level Evidence from Spain”, Oxford Bulletin o
f Economics and Statistics, vol.70, no.3, 2008, pp.283-301.
f姚建华、苏熠慧：《回归劳动：全球经济中不稳定的劳工》，社会科学文献出版社，2019年。
g Booth A. L., M. Francesconi, C. Garcia-Serrano, “Job Tenure and Job Mobility in Britain”, ILR Review, vol.53, no.1, 1999, pp.43-70.
-101-
并将其与第二次全国经济普查中的工业企业数据相结合，计算各城市的机器人安装密度。中国劳动力动态调查由中山大学社会科学调查中心实施，样本覆盖中国29个省市，具有良好的样本属性。本文从中选取了连续三期数据（2012年、2014年和2016年）。
（二）模型设定与变量说明
本文重点考察城市机器人冲击对当地劳动力市场雇佣关系的影响，实证模型设定为：
（1）其中，下标i代表劳动者个体，c为城市，t为年份。被解释变量y表示劳动者与雇主签署劳动合同期限（单位：年）。解释变量Robot表示城市机器人安装密度，为尽可能避免与被解释变量同期相关，我们采用滞后一期变量。控制变量Z包含了劳动者个体特征变量、城市特征变量和年份固定效应等。为残差项。如果Robot变量的估计系数显著为负，则说明机器人冲击会导致雇佣合同短期化。模型所涉及变量的具体构造如下。
1.被解释变量。该变量为城市劳动力市场中劳动者与雇主签订的劳动合同期限，我们利用调查问卷中“
您与本单位/企业签订了几年合同”来识别。
2.核心解释变量。我们采用各个城市的机器人安装密度来表示（台/万人）。由于IFR提供的机器人数据是基于行业层面的，为了计算各城市机器人覆盖率情况，我们借鉴Bartik（1991）的思路，a并参考Acemoglu & Restrepo（2020）的做法，将IFR数据集与第二次全国经济普查工业企业数据相匹配，进而估算出各个城市的机器人安装密度。b具体估计过程见魏下海等（2020）。c
3.控制变量。劳动者个体层面的控制变量包括：（1）性别。由于生育和承担更多家庭劳动，d女性在劳动力市场上更显弱势，其合同期限相较于男性更加短期化。在变量设定时，女性为1，男性为0。（2）教育年限。教育水平高低反映了个体在劳动力市场上的议价能力，受教育年限越高的个体在缔约中的议价能力越强，企业也更愿意以更长期的劳动合同留住生产率高的员工。（3）年龄和年龄平方/100。不同年龄能反映劳动者生产率和在劳动力市场上的议价能力，劳动者雇佣期限通常会呈现非线性的生命周期模式。（4）移民。在当前的户籍管理制度下，我国城市移民有更大概率“用脚投票”在不同地区间进行就业迁移，他们的不稳定就业比例会更高。（5）认知任务。机器人与不同工作任务会形成不同的替代/互补关系，e而那些需要动用大脑认知或抽象思维的劳动者不容易被机器人所取代，他们有更大可能赢取长期稳定的雇佣合同。（6）所在企业是否有工会。工会组织会通过“集体代言人”机制监督劳动合同的订立和履行，有效抑制雇主随意的解雇行为，从而改善职工就业稳定性。城市层面的控制变量包括：（1）人口规模，以常住人口数量表示，取自然对数。（2）产业结构，分别
以城市第二产业和第三产业占比来表示。（3）投资率，以投资总额除以GDP来表示。此外我们还控制了年份固定效应。
表1给出了变量的统计信息，我们最关心的雇佣合同期限和机器人密度变量都存在较大的数值变异性。根据测算结果，可以发现机器人安装密度较高的城市主要集中于东南沿海地区以及汽车产业较为发达的地方，机器人在内陆地区使用相对较少，这恰恰反映了先进制造业引进机器人生产线、进行“机器换人”的现象。进一步结合图1的散点图，我们发现城市的机器人安装密度与当地劳动力市场雇佣合同
a Bartik T. J., Who Benefits from State and Local Economic Development Policies, W.E. Upjohn Press, 1991.
b Acemoglu D., P. Restrepo, “Robots and Jobs: Evidence from US Labor Markets”, Journal of Political Economy, vol.128, no.6, 2020, pp.2188-2244.
c魏下海、张沛康、杜宇洪：《机器人如何重塑城市劳动力市场：移民工作任务的视角》，《经济学动态》2020年第10期。
d Shockley K. M., W. Shen, M. M. DeNunzio, M. L. Arvan, E. A. Knudn, “Dintangling th
e Relationship Between Gender and Work-family Conflict: An Integration o
f Theoretical Perspectives Usin
g Meta-Analytic Methods”, Journal of Applied Psychology, vol.102, pp.12, 2017, pp.1601.
e Autor D. H., F. Levy, R. J. Murnane, “The Skill Content o
f Recent Technological Change: An Empirical Exploration”, The Quarterly Journal of Economics, vol.118, no.4, 2003, pp.1279-1333.
-102-
-103-
期限存在鲜明的负向关系，这也初步印证了在机器人冲击下劳动力市场雇佣关系呈现短期化趋势。
三、机器人影响雇佣合同的实证估计（一）基准估计结果
表2汇报了基准模型的估计结果，模型采用了聚类到城市层面的标准误。第（1）列报告了只放入城市机器人安装密度的单变量估计结果，第（2）列进一步控制了劳动者个体和工会特征变量，第（3）列
同时控制劳动者个体、工会以及城市经济变量。
第（1）列的估计结果显示，城市机器人安装密度变量的估计系数为负，在5%的水平上高度显著。第（2）列结果显示，在控制个人特征变量后，城市机器人安装变量的估计系数大小略有变化，但依然显著为负。第（3）列在同时控制一系列个体特征和城市特征变量后，机器人对劳动力市场雇佣合同期限的影响系数为-0.0468，达到5%显著水平。这表明，在给定其他条件不变情形下，城市机器人安装密度每增加1单位（台/万人），当地的劳动力市场雇佣合同期限将显著缩短0.0468年，约为17天。
为了更直观地理解估计系数的经济学涵义，我们不妨选取东南沿海地区的珠海市和内陆地区的郑州市这两个具有代表性的城市进行比较分析。两个城市在2014年机器人安装密度的差距为9.7123（
珠
图1 机器人密度与雇佣合同期限关系
注：图中的圆圈大小表示每个城市的被访者数量权重，灰色部分表示95%置信区间。
表1 统计描述表
变量观测数平均值标准差最小值最大值合同期限5403 2.928 2.7460.130机器人密度5403 3.661 3.1520.07520.563女 性54030.460.49801教育年限531112.042 3.421019年 龄536836.81110.1241665移 民53860.2090.40601认知任务5388 3.034 1.05214企业工会48720.5210.501Ln （人口规模）5309 6.2110.697 4.588.124第二产业占比（%）530947.3099.32921.3175.86第三产业占比（%）
530946.32111.57820.177.95投资率
安全告知
5309欧根亲王
0.585
0.235
0.087
2.169环境科学与工程就业前景
-104-
海）－0.5252（郑州）=9.1871（台/万人）。根据第（3）列的估计系数-0.0468，这说明机器人冲击将导致两个城市劳动力市场雇佣合同期限的差距为0.430（年）。而两个城市雇佣合同期限的真实差距是2.4791（珠海）－4.3571（郑州）= -1.878（年）。这意味着，倘若表2的因果关系成立，则当郑州机器人安装密度提升到珠海的水平时，其雇佣合同年限将缩短23.1%（=0.430/1.878），影响非常显著。总之，机器人介入工作场所，将导致劳动力市场雇佣关系和工作性质发生剧烈变化，普通劳动者的劳动合同趋于短期化和临时化，劳动者工作不稳定的风险增加。
从控制变量估计结果亦可得到一些与现有文献一致的发现。以第（3）列的估计结果为例，女性变量的估计系数显著为负数，表明女性签订的劳动合同期限比男性更短期化，她们更容易游离于稳定就业的边缘。教育年限的估计系数显著为正，意味着受到良好教育的劳动者缔约合同期限更长，这反映了人力资本议价能力对于雇佣合同签订的重要性。年龄系数为正，年龄平方系数为负，表明劳动者雇佣合同期限确实随年龄呈现“倒U 型”曲线变化，而年龄拐点出现在41岁，这个阶段刚好是一个人职业生涯的高峰。移民和认知任务对雇佣合同期限的估计系数虽不太显著，但符号方向与预期相吻合。企业
组建工会能够显著延长雇佣合同期限。在城市经济变量中，第二产业和第三产业比重提高有利于促进劳动力市场雇佣合同长期化，城市投资率对此也有显著的正向影响。
（二）稳健性检验
接下来，本文采用三种方法来检验研究结论的稳健性。一是通过工具变量来克服潜在的内生性问题；二是考虑异常样本点的影响；三是变换自变量刻画指标，进行重新估计。
1.工具变量估计。理论上，机器人浪潮会冲击劳动力市场雇佣谈判格局，但城市的机器人覆盖程度也可能反映了对劳动力市场雇佣关系的调整，因而会产生因果反置的结果，即内生性问题的根源。在此情形下，需要构建工具变量重新进行估计。我们借鉴Acemoglu & Restrepo （2020）的思路，计算了机器人的主要进口来源国（美国、日本、德国、瑞典、韩国）对我国的机器人渗透度，以此作为本文的工具变量。a 表3第（1）列为估计结果，由第一阶段估计系数可知，工具变量估计系数为1.7724，且在1%的统计水平上显著，与理论预期相符。通过弱工具变量检验发现，F 统计量为420，超过临界值10，排
a Acemoglu D., P. Restrepo, “Robots and Jobs: Evidence from US Labor Markets”, Journal of Political Economy , vol.128, no.6, 2020, pp.2188-2244.
表2 机器人对雇佣合同期限的影响
注：括号内为城市聚类标准误，*p ＜0.10，**p ＜0.05，***p ＜0.01。下同。
（1）
（2）（3）机器人安装密度
-0.0429**(0.0211)
-0.0369**(0.0180)-0.0468**(0.0226)女 性-0.3508***(0.0934)-0.3400***(0.0942)教育年限0.1052***(0.0164)0.0882***(0.0143)年 龄0.1684***(0.0339)0.1677***(0.0340)年龄平方/100
-0.2027***(0.0453)-0.2044***(0.0447)移 民-0.2193*(0.1113)-0.0770(0.1084)认知任务0.0397(0.0513)0.0386(0.0491)企业工会0.5886***(0.1173)
0.6422***(0.1135)Ln （人口规模）0.0691(0.0910)第二产业占比0.0303**(0.0121)第三产业占比0.0309***(0.0098)投资率 1.5862***(0.2766)
年份效应
全国最低工资标准No No Yes N 540347394650R 2
0.0024
0.0533
0.0684
