1、第 25 卷 第 5 期2023 年 9 月首都经济贸易大学学报(双月刊)Journal of Capital University of Economics and BusinessVol.25,No.5Sep.2023DOI:10.13504/ki.issn1008-2700.2023.05.004机器人应用与中国制造业绿色转型刘 胜1a,温锡峰1b,陈秀英2(1.广东外语外贸大学 a.粤港澳大湾区研究院;b.经济贸易学院,广东 广州 510006;2.广东金融学院 经济贸易学院,广东 广州 510521)收稿日期:2023-02-06;修回日期:2023-06-06基金项目:国家社会科学
2、基金重大项目“粤港澳大湾区数据要素跨境流动路径研究”(21&ZD123)作者简介:刘胜(1987),男,广东外语外贸大学粤港澳大湾区研究院副教授;温锡峰(1998),男,广东外语外贸大学经济贸易学院硕士研究生;陈秀英(1987),女,广东金融学院经济贸易学院副教授,通信作者。摘 要:在数字经济发展背景下,既有文献关于以机器人应用为代表的智能制造转型何以破解产业绿色发展难题尚不明晰。通过实证考察机器人应用对制造业环境绩效的影响,发现机器人应用能驱动企业环境绩效改善,其减排效应来源于企业能源生产率提升及内部管理效率改善。此外,机器人应用的减排效应对处于最低工资水平较高地区的企业及使用多功能与搬运机
3、器人强度较高的企业更为明显。研究结论可为促进工业智能化与绿色化融合发展提供借鉴参考。关键词:数字经济;机器人应用;企业环境绩效;污染减排;“双碳”目标中图分类号:F424.1 文献标识码:A 文章编号:1008-2700(2023)05-0050-15一、问题提出改革开放以来,中国经济在高速增长的同时,环境污染问题日趋严峻1。为此,中国以推进生态文明建设、驱动绿色转型发展为抓手,提出实现“碳达峰碳中和”的目标。尽管中国在环境治理方面已取得一定的成就,但在现阶段,仍面临着加快经济复苏与环保风险加剧的双重压力2。2021 年 12月,工业和信息化部等十五部门联合印发了 “十四五”机器人产业发展规划
4、 的文件,强调加强新一代信息技术与机器人技术深度融合,以机器人作为人类生产生活的重要工具,持续推动生产水平提高和生活品质提升,有力促进经济社会的可持续发展;要求各地应制定针对性的政策措施,协调解决机器人产业发展的重大问题,并引导企业做好安全生产和环境保护工作。国家高度重视数字经济发展,数字经济的崛起为解决日益突出的环保问题提供了新的契机。而人工智能作为数字经济的重要组成部分,特别是企业在生产制造过程和管理业务流程中对机器人的使用日趋广泛,这也为减少资源要素使用、推动清洁生产过程乃至实现绿色低碳发展提供了更多可供选择的技术手段与方案选择。从理论上看,数字技术应用可通过对大数据分析、物联网和云计算
5、等智能和创新技术的运用,在智慧连接、智能通信和自动化生产制造等领域中发挥重要作用3-5;同时,它也能为产品设计、生产和服务过程提供更为高效的解决方案,并为降低资源消耗和有害物排放提供技术基础6。而数字技术的重要代表之一 机器人作为机电一体化的数字化产品及多项数字化技术的具象体现,能为生产制造与管理过程的绿色转型发展提供新的动力来源。已有研究更多地讨论了机器人应用对生产率或劳动力配置等方面的影响,或是侧重分析机器人应用对行业或区域层面污染治理等方面的影响。但是,关05首都经济贸易大学学报(双月刊)2023 年第 5 期于机器人应用和企业污染排放之间的因果关系及作用机制的研究仍相对不足。为此,加快
6、厘清两者的关系,对以数字化赋能中国生态文明建设、推动生态经济和数字经济融合、解决深层次的环境治理困境具有重要的现实意义。本文的边际贡献在于:第一,从研究视角来看,区别于分析数字经济对环境绩效的影响或机器人应用对企业生产率等绩效指标影响的研究,本文基于智慧生产和智能制造的视角,探讨了智能化转型背景下机器人应用对制造业企业环境绩效的影响效应及作用机制,在一定程度上拓展和丰富了数字经济视阈下实现工业智能化和绿色化融合发展的理论研究,并为加快推进“双碳”目标提供了实践参考。第二,从研究内容上看,多数文献从省级或行业层面研究了信息技术使用的减排成效,但着眼于省级或地级市层面的研究范畴和数据口径过于宽泛,
7、可能会导致结论及政策的推广性受限。鉴于企业是环境治理的重要参与主体,为更好地评估机器人应用的微观环境治理效果,本文通过结合中国工业企业数据库、中国海关数据库等大样本数据,进一步整理了微观企业层面的机器人应用数据,并在固定效应模型估计的基础上,构建了为缓解机器人应用的内生性问题的工具变量,从而能在两阶段最小二乘估计框架下更全面地探讨工业智能化的减排效应,这有利于缓解传统估计方法中潜在的内生性问题。第三,从政策应用来看,通过引入交互项的方式来识别机器人应用对制造业企业环境绩效的影响机制,并考察在不同的应用情境下机器人应用“减排效应”的异质性特征,可为实现数字经济发展和“碳达峰与碳中和”目标的双赢提
8、供更精细化的定量依据。二、文献综述与理论分析(一)文献综述既有文献主要从生产或管理流程再造角度,肯定了数字经济或机器人应用对企业环保绩效的积极意义。数字化能降低生产物料投入和消耗,在提高资源效率的同时,也能有效降低碳排放量7。除物化投入外,数字化也能影响内部管理等环节。有学者发现,通过自动优化生产或管理流程,数字技术应用能更好地优化能源使用结构和效率,并降低废气污染和重金属污染等排放8-9。优化算法系统使机器人在提高生产力的同时,也能降低生产过程的治污成本和能源消耗,从而助力企业实现绿色转型10。但也有文献认为,数字技术或机器人应用的功效发挥还要取决于使用主体自身的状况及所处的外部环境因素,而
9、在特定情境下也可能会形成“数字陷阱”,因而其对企业减排的作用并不确定。从生产实践来看,即便是引入机器人等先进技术设备,也需消耗一定的资源能源来支撑其日常运作。有学者指出,使用大量电子设备的智能工厂也需消耗一定的能源和资源,进而对本地环境质量带来负面影响11-13。还有学者根据市场调查问卷,发现协作机器人、传统机器人等因电力消耗过高,可能带来负面环境效应14。此外,从所处的外部环境来看,以机器人为典型代表之一的新兴技术应用可能会进一步加剧市场竞争程度,给企业带来财务成本和环保负担的“竞赛支出”15,而由此引发的“反弹效应”和策略性行为,可能会反过来加剧资源消耗并引致更为突出的资源浪费与污染排放问
10、题16-17。在针对中国情境的研究中,盛丹和卜文超(2022)18的研究与本文较为相关,其借助行业渗透度的思想测算了企业层面的机器人渗透度,探讨了机器人渗透度与企业污染排放之间的因果关系。总体上,目前在智能制造视阈下关于机器人应用与微观企业环境绩效的研究并不多见,且部分文献主要从机器人的算法系统或其他定性分析的角度阐述了机器人应用的潜在影响,又或是采用行业渗透度的方法来估算了企业机器人的使用情况,而鲜少基于企业真实的采购或使用机器人的大样本微观数据开展探讨,关于机器人使用所带来的微观企业污染减排效应的因果分析或实证研究相对不多。基于此,在15若微观机器人数据采用移动平均法获取,通过先计算出行业
11、的机器人水平,而后根据某年份不同企业的从业人员比例加权估算的企业机器人渗透度的做法,可能难以直接反映出每家企业采购及使用工业机器人的真实情况,并导致人为估算的偏差。2023 年第 5 期刘胜,温锡峰,陈秀英:机器人应用与中国制造业绿色转型既有理论文献的基础上,本文从生产制造和管理流程优化视角,进一步探究机器人应用对中国制造业企业环境绩效及绿色转型的影响,力图为突破当前中国制造业企业绿色转型面临的困境寻找新的驱动力来源。(二)理论分析与传统生产与运营管理方式不同,机器人应用等数字化技术可以优化生产及管理流程,促进资源要素更有效的分配,并释放生产过程低碳化的潜力8,19。具体而言,机器人应用的污染
12、减排效应过程如下:一是从生产流程来看,机器人应用强调以自动化技术设备来取代人工的重复性工作,通过促进资源要素的科学配置与高效利用来实现制造业节能减排。一方面,在应用机器人后,企业拥有了更为智能化和绿色化的生产指挥平台及作业操作系统,可基于对电力的直接影响及对非电力能源载体的间接影响20,使企业通过生产的非物质化来减少对能源和原材料的需求21-22,而这有助于支持企业更好地推进绿色生态的产品或服务设计23,并使企业能更快速地响应消费者绿色偏好和社会 ESG 诉求24,从而为企业持续推进减排工作夯实了技术配套基础25。另一方面,机器人应用通过系统集成生命周期管理和大数据分析等先进手段,能为企业的清
13、洁生产过程提供更加有效的解决方案。由此,通过优化清洁生产过程或解决方案等渠道,机器人能为破解企业的减排难题提供更多元化的技术支撑26。尽管在机器人应用过程中也会产生相应的电力或能源消耗,但随着企业熟练地掌握机器人的使用诀窍,在高效的生产组织方式下,机器人的产出增量效应将逐步超越其所引致的能源消耗效应。由此,机器人应用情境下的路线优化和调度系统升级有助于企业在产业链供应链等各环节运作时实现能源利用的高效化与低耗化,从而赋能企业减排27-31。0)/E*/*FK80)DF#4+24EL!*#*P0)(P6#*(4图 1 机器人应用与企业环境绩效关系的逻辑机制二是从管理流程来看,机器人应用增强了制造
14、业企业信息获取与信息处理的能力,促进了资本替代重复性劳动,强化了研发、设计、生产、营销和物流等环节的协同管理效率,帮助企业构建清洁生产组织结构与管理体系,从而为企业节能减排提供了良好的基础。具体而言,引入机器人的企业通常需要构建与之适配的软硬件尤其是管理运作系统,而机器人应用情境下通过收集和分析企业经营数据,有利于增强企业识别和提取有价值信息的能力。通过接收有效生产信息的反馈,形成互联互通的内部信息架构,实时控制清洁生产过程及环境管理体系状况,为管理流程的绿色化转向创造了有利条件。此外,制造设备和管理流程的融合交互可有效降低企业获取信息的成本,提升生产端或管理端的信息流转效率及质量32,为企业
15、构建智慧生产、智能制造的综合管理体系提供有力支持。因此,由机器人应用所引致的管理效率提升有助于企业更好地聚焦主业发展,有利于促进企业绿色产品或服务的研究开发及“提质增效”33,降低资源投入消耗、提高能源利用效率34。25首都经济贸易大学学报(双月刊)2023 年第 5 期据此,提出本文的研究假设:假设 1:机器人应用能够有效地促进企业环境绩效提升。假设 2:机器人应用有助于优化企业的生产流程及管理流程,进而驱动企业减排。三、实证设计(一)基准模型为识别机器人应用对制造业企业环境绩效的影响,本文构建基准回归模型如下:lnso2pit=a0+a1lntotalrobotit+a3Xit+v+uit
16、(1)其中,下标 i 和 t 分别表示企业和年份,lnso2pit表示企业层面的环境绩效,以企业二氧化硫(SO2)排放强度的对数来衡量。lntotalrobotit表示机器人的投入数量,Xit为企业层面控制变量。v 代表固定效应,uit为随机误差项。(二)指标选取被解释变量:企业环境绩效。既有的衡量指标涵盖了直接和间接层面。间接指标方面,部分文献采用主成分分析法等来合成企业环境绩效,但这种处理方式对各影响因子的确定可能有较强的主观性。直接指标方面,现有文献主要从企业废气、废水和废物排放等层面展开。中国是世界上主要的煤炭生产和消费国之一,煤烟污染是中国环境污染的主要来源之一35-37,而 SO2
17、作为其中重要的排放物,也是中国制造业企业主要污染排放物之一38。因此,从中国制造业能源使用和污染排放的实际情况出发,本文选取二氧化硫排放量的对数作为衡量企业环境绩效的指标。解释变量:选取企业进口机器人的数量作为企业机器人应用的代理变量,原因在于:一是 2013 年以前超过 70%的中国企业依赖进口满足自身对机器人的需求39;二是 2013 年之前约有 80%的企业会将进口的机器人用于自身生产经营,因而可在一定程度上反映中国制造业企业机器人技术的应用情况40;三是国内并没有针对企业具体使用机器人数量的统计数据。另外,根据 2007 年海关统计商品分类与投入产出部门分类对照表,将严格符合机器人定义
18、的多功能机器人、多功能机器人除外的其他机器人及 IC 工厂专用的自动搬运机器人作为本文的研究对象,并加总得到所需的总进口机器人数41。控制变量:结合已有研究,在回归模型中控制以下变量,以尽可能地缓解遗漏解释变量导致的偏误问题,具体包括:企业产值,选取企业工业总产值现价的对数来度量;资产负债率,选取企业负债与资产比值的对数来表示;公司规模,选取企业资产的对数衡量;净资产利润率,选取营业利润与资产比值的对数来表示;成立年龄,选取企业所处年份与成立年份差值的对数度量;以利息支出与固定资产比值表示融资能力;以企业补贴收入与主营业务产品销售收入来表示政府补贴;出口企业类别,若企业出口交货值0,则取值为
19、1,反之为 0;国有企业类别,若国家或集体资本大于其实收资本的 50%,则取值为1,否则为 042。为避免极端值对实证结果的影响,本文对连续型控制变量采取了前后缩尾 0.5%的处理。企业的机器人数量均值在 0.002,表明使用进口机器人的企业仍在少数。探究机器人应用对环境绩效的影响有利于为将来智能制造情境下中国企业在机器人的配置布局上提供相应的理论支持。其余变量的描述性统计结果符合数据的一般要求,并不存在明显的异常值。(三)数据说明机器人应用信息来源于 19982013 年的中国海关贸易数据库。企业层面数据主要来源于 19982013年的中国工业企业数据库以及中国工业企业污染数据库等,通过对企
20、业名称和组织机构代码的匹配得到较为完整的企业财务信息和污染排放的相关指标。根据田巍和余淼杰(2014)43的做法,分别通过“企35为便于研究,参照现有研究的做法,将未匹配到的进口机器人数赋值为 0,最后采用加 1 取对数的处理方法来确定核心解释变量。限于篇幅,描述性统计未列出,备索。2023 年第 5 期刘胜,温锡峰,陈秀英:机器人应用与中国制造业绿色转型业名称+年份”“邮政编码+电话号码+年份”两步匹配的方法将企业数据与海关的数据进行合并,并通过筛选海关数据库中机器人的商品编码,最终汇总得到企业的进口机器人数据。四、实证结果分析(一)基准回归表 1 列出了机器人应用对制造业企业环境绩效影响的
21、估计结果。如表 1 列(1)列(2)所示,对企业 SO2的排放量,无论是否纳入控制变量,lntotalrobotit的估计系数均显著为负,表明企业通过在生产制造和管理流程中投入机器人,有利于显著改善企业的环境绩效。本文的回归均加入了城市层面、4 位数行业代码层面和时间层面的固定效应,其中列(3)聚类在省份层面,其余列均聚类在企业层面;列(4)还加入了行业与年份联合固定效应,核心解释变量的估计系数仍在 1%水平上显著为负。表 1 基准检验结果变量(1)(2)(3)(4)lntotalrobotit-0.178-0.478 -0.478 -0.401 (-1.92)(-4.32)(-4.40)(-
22、3.76)产值0.326 0.326 0.335 (58.61)(21.72)(60.17)成立年龄0.062 0.062 0.057 (10.61)(6.79)(9.66)资产负债率0.056 0.056 0.054 (7.38)(3.66)(7.13)公司规模0.238 0.238 0.238 (39.05)(19.92)(38.91)净资产利润率0.0040.0040.003(1.23)(0.58)(0.83)融资能力0.0030.0030.003(1.76)(1.80)(2.07)政府补贴-0.101-0.101-0.185(-0.80)(-0.54)(-1.24)出口企业-0.110
23、 -0.110-0.104 (-8.06)(-2.46)(-7.41)国有企业0.069 0.069 0.075 (5.46)(2.44)(5.92)常数项9.809 4.407 4.407 4.341 (1 944.48)(86.00)(22.08)(83.88)观测值471 918207 483207 483207 054R20.3550.4790.4790.502YearIdu未控制未控制未控制控制聚类企业层面企业层面省份层面企业层面 注:括号内报告的是 t 值;、分别表示在 1%、5%、10%的水平上显著;控制了城市、年份和行业效应,后表同。45首都经济贸易大学学报(双月刊)2023
24、年第 5 期(二)稳健性检验为保证回归结论的稳健性,本文还进行了以下一系列的稳健性检验:第一,控制行业时间趋势项。考虑到实验组和控制组企业的行业不同,二氧化硫排放量在样本区间内可能存在不同的变化趋势。有鉴于此,本文将行业时间趋势项纳入回归方程中,以允许不同行业的企业的二氧化硫排放量有不同变动趋势的可能性。表 2 列(1)的估计结果表明,估计量 lntotalrobotit对企业污染排放的影响系数显著为负,结论依然成立。第二,考虑企业范畴和口径的影响。不同企业进口机器人的目的不完全相同,可能有部分企业将进口机器人作为中间投入或用于研发,而非通过投入生产活动以改善企业环境绩效39。因此,本文分别从
25、企业名称和企业贸易目的两方面对相关企业进行处理。首先,从企业名称上看,除了将企业名称中含有“机器人”的企业剔除44,还将含有“智能”“机器”字样的企业也一并剔除。在此基础上,表 2 列(2)的估计结果表明,核心解释变量的估计系数仍然显著为负。其次,从贸易目的上看,除研发、投入生产外,部分企业仅通过来料加工或转口贸易的方式参与到机器人全球化的生产和流通,而非将机器人用于实际生产。因此,本文将海关数据中属于“保税区仓储转口货物”“来料加工装配贸易”“来料加工装配进口的设备”等机器人样本剔除。基于此,表 2 列(3)的估计量系数仍显著为负,研究结论依然是稳健的。第三,考虑全球经济危机冲击的影响。20
26、08 年经济危机给世界各国经济带来沉重的打击,企业出口和进口机器人数量都出现了明显减少45,经济危机所引发的产量缩减似乎也可起到减排的作用,且效果尤为显著46。为排除这一不可忽视的潜在的政策干扰,本文进一步将研究区间缩短为 19982007 年并重新进行回归,结果见表 2 列(4)。可以发现,在经过该处理后,估计系数依然为负,说明前文结论是稳健的。第四,考虑机器人来源的影响。世界先进制造技术论坛指出,来自瑞士、德国和日本等国家的不同企业所开发的机器人产品有各自特点与优劣势。不同来源的机器人应用可能会对企业环境绩效产生不同的效果。日本机器人产业是其出口依赖型产业,2014 年供应了大约世界一半的
27、机器人47。在 2014 年之前日本始终是向中国出口机器人最多的国家45。因此,本文将实验组设置为机器人进口来源地为日本的企业,控制组为不进口机器人的企业。表 2 列(5)结果表明,估计量的系数仍然显著为负。另外,考虑到本文的主要研究对象为进口机器人,故将进口机器人来源地为中国的企业进行剔除以排除国产机器人的影响39。表 2 列(6)的回归结果表明,估计系数依然显著为负,表明前文结论具有稳健性。第五,考虑工业企业数据库质量问题。中国工业企业数据库在 2010 年对企业规模进行了重新界定,仅将工业产值超过 2 000 万的企业界定为规模以上企业,这增加了部分企业退出统计范畴的概率39,48,容易
28、出现因样本量减少而导致结果不稳健的情况。为此,本文将企业工业总产值小于或等于 2 000 万元的企业进行剔除,仅对 2 000 万元以上产值的样本进行回归。表 2 列(7)的结果表明,核心估计量的系数仍然显著为负。表 2 稳健性检验结果变量(1)(2)(3)(4)(5)(6)(7)控制行业时间趋势项考虑企业范畴考虑贸易目的考虑全球经济危机冲击考虑机器人来源剔除来源地为中国的机器人考虑工业企业数据库质量问题lntotalrobotit-0.581 -0.468 -0.412 -0.241-0.595 -0.474 -0.417 (-5.05)(-4.06)(-3.25)(-1.65)(-3.84
29、)(-4.16)(-3.83)55鉴于本文主要使用进口机器人数展开实证研究,将标注国内来源的机器人样本剔除。2023 年第 5 期刘胜,温锡峰,陈秀英:机器人应用与中国制造业绿色转型表2(续)变量(1)(2)(3)(4)(5)(6)(7)控制行业时间趋势项考虑企业范畴考虑贸易目的考虑全球经济危机冲击考虑机器人来源剔除来源地为中国的机器人考虑工业企业数据库质量问题常数项4.594 4.410 4.407 4.358 4.408 4.407 4.011 (88.09)(86.04)(86.00)(82.67)(86.05)(86.00)(49.68)控制变量控制控制控制控制控制控制控制观测值207
30、 483207 237207 463159 024207 371207 480133 942R20.3840.4790.4790.5160.4790.4790.492第六,替换解释变量。为检验前文回归结果的可靠性,本文还以机器人进口贸易额作为机器人进口数量的替代变量(lnsumvalueit)来验证机器人应用能否改善企业环境绩效。表 3 列(1)的估计结果表明,所关注的核心解释变量的影响系数仍然显著为负。第七,替换被解释变量。对企业环境绩效,除了用企业 SO2排放量的对数表示外,本文还进一步采用 SO2的排放强度、烟尘的排放量、氮氧化物的排放量进行衡量。其中,SO2排放强度采用 SO2排放量与
31、工业总产值的比值再对数化后衡量,其余指标仅对数化处理。回归结果见表 3 列(2)、列(3)和列(4)。结果显示,相关的估计系数均显著为负,表明机器人的投入对其他污染物也能起到减排作用。第八,基于倍差法的稳健性检验。探究机器人应用对于企业环境绩效的影响,除了机器人投入数量可能产生影响外,企业投入机器人这一具体行为对机器人的清洁效应的识别可能也存在影响。杜连雄和张剑(2020)也发现,技术影响企业绩效的途径可能不在于技术投入的数量,而在于对技术的运用程度49。因此,为保证实证结果的稳健性,参考王小霞和李磊(2020)40关于机器人应用的影响效应的研究思路,构建以下回归方程:lnso2pit=a0+
32、a1dti+a2dui+a3dtidui+a4+u(2)其中,i 代表企业,t 代表年份。dti代表机器人应用冲击的时间虚拟变量,企业应用机器人行为之前的年份取值为 0,发生之后取值为 1;dui区分是否应用过机器人的企业,应用过机器人的企业取值为 1,否则取值为 0。交互项 a3是本文重点关注的估计量的系数,衡量企业应用机器人对自身环境绩效的影响效果。表 3 列(5)表明,核心解释变量的影响系数显著为负,说明企业应用机器人这一行为对企业改善环境绩效具有显著的促进作用。第九,更换数据库。考虑到中国工业企业数据库的原始数据相对较旧,因此本文考虑通过更换数据库的方式对数据时效性及机器人应用的“清洁
33、效应”进行重新检验。具体而言,本文选取了上市公司20102019 年的数据作为该部分稳健性检验的时间窗口,因为部分上市公司在 20102019 年公布了包括氮氧化物、硫氧化物等在内的相关污染排放数据。机器人的投入数量来源于国际机器人联合会,该机构公布了大部分国家不同行业机器人的使用情况。参考已有研究50-54的做法,将机器人数据中的行业与国民经济行业分类 中的二位码进行匹配,将行业层面的机器人渗透度分解到企业层面。首先,计算行业层面机器人渗透度指标:PRjt=MRjtLj,t=201265未汇报相关的 dt 回归结果,是因为时间固定效应会吸收 dt 的效应,无法得到 dt 的估计系数。首都经济
34、贸易大学学报(双月刊)2023 年第 5 期其中,MRjt为中国 j 行业 t 年的机器人存量,Lj,t=2012表示 j 行业 2012 年的就业人数。二位数行业的具体就业人数数据来源于中国经济普查数据,该数据每 4 年公布一次,因此本文选择在样本区间内最近一期的数据作为基期。然后,构建企业层面机器人渗透度指标:CHFjit=PWPjit=2012MPWPt=2012PRjt其中,CHFjit代表了 j 行业 i 企业在 t 年的机器人渗透度。等式右侧第一项代表了制造业中 j 行业 i 企业在 2012 年就业人数占制造业所有企业 2012 年就业人数中位数的比值,最后对该数据取对数处理,得
35、到lnCHFjit指标。被解释变量为企业 SO2排放量的对数,控制变量选取了资产负债率、公司规模、净资产利润率、成立年龄、国有企业等指标,衡量方法与前文相同。基于此,表 3 列(6)的估计结果显示,核心解释变量的影响系数依然显著为负,进一步验证了机器人应用有利于改善企业环境绩效的结论。第十,加入其他控制变量。尽管前文已控制了诸多变量以尽可能避免遗漏变量的风险,但参考盛丹和卜文超(2022)18的做法,在控制变量中进一步加入企业劳动生产率、企业所在行业的赫芬达尔指数两个控制变量。在此基础上,表 3 列(7)的估计结果显示,机器人应用对企业污染排放的影响系数仍显著为负。表 3 稳健性检验结果变量(
36、1)(2)(3)(4)(5)(6)(7)替换解释变量替换为排放强度替换为烟尘排放量替换为氮氧化物排放量倍差法上市公司 SO2排放量加入控制变量lnsumvalueit-0.112 (-5.13)lntotalrobotit-0.478 -0.360 -0.300 -0.520 (-4.32)(-3.99)(-3.86)(-5.19)dudt-0.601(-2.42)du-0.689(-3.71)lnCHFjit-0.621 (-2.70)劳动生产率-0.125 (-17.89)赫芬达尔指数-0.342(-1.78)常数项4.405 4.407 4.371 2.503 4.385 -33.499
37、 5.260 (85.97)(86.00)(82.74)(36.46)(85.89)(-3.30)(99.24)75鉴于硫酸雾及硫氧化物的主要成分也为 SO2,本文也将其作为 SO2纳入统计。其余控制变量由于在上市公司层面数据并不存在或因数据缺失严重等问题并未加入。劳动生产率采用营业收入与企业从业人数比值的对数值衡量;赫芬达尔指数采用四位数行业的赫芬达尔指数衡量,代表企业所在行业市场集中度。2023 年第 5 期刘胜,温锡峰,陈秀英:机器人应用与中国制造业绿色转型表3(续)变量(1)(2)(3)(4)(5)(6)(7)替换解释变量替换为排放强度替换为烟尘排放量替换为氮氧化物排放量倍差法上市公司
38、 SO2排放量加入控制变量控制变量控制控制控制控制控制控制控制观测值207 483207 483201 80388 993207 483165123 856R20.4790.5420.4410.5560.4790.8150.457第十一,工具变量法。基于基准回归模型直接分析机器人应用对企业环境绩效的影响时,进口机器人数量的内生性问题需做进一步讨论。具体来说,一方面,企业进口机器人能通过提高资源的利用效率和企业的管理效率来提升企业环境绩效;另一方面,企业环境绩效的恶化也会倒逼企业通过增加机器人的进口数量来实现清洁化、无害化的生产转型。因此,为机器人的进口数量寻找恰当的工具变量,可能是缓解上述内生
39、性问题或变量间反向因果关系的有效方法。同时考虑到工具变量的外生性和相关性的要求,本文将企业对应城市历史上的人口密度作为机器人应用的工具变量。一方面是因为历史上的城市人口密度作为相对外生的人口分布指标,其与工业生产过程的绿色化在理论上没有直接的相互关系。另一方面是因为,一般来说,历史人口密度高的城市通常劳动力供给也较为充足,劳动力成本相对不高,当地企业对机器人的进口需求可能不那么迫切,人口密度和企业进口机器人数量之间可能呈现负相关关系。表 4 第一阶段回归结果表明,选取历史上的城市的人口密度作为工具变量,可以发现其在 1%的显著性水平上改善了企业环境绩效。一阶段 F 检验值大于 10 这一经验取
40、值,从而排除了弱工具变量问题。可以发现,F 统计量和弱工具变量检验的结果,均通过了相关的检验。而表 5 第二阶段回归结果显示,所关注的估计量系数与基准回归结果基本一致,这也再次验证了本文研究结论的稳健性。表 4 工具变量检验结果(第一阶段)变量lntotalrobotit人口密度-0.001 (-3.58)第一阶段 F 值12.84表 5 工具变量检验结果(第二阶段)变量lnso2pitlntotalrobotit-90.975 (-3.35)控制变量控制观测值186 324R2-15.059弱识别检验12.84 注:R2在 2SLS 中可能是负数,即 RSSTSS,它对模型好坏的评估不产生任
41、何影响。实际上,通过观察 F 的估计量,即根据经验判断 F10 便可以代表整个模型是有效的。(三)机制检验结果及分析根据前文的理论分析,机器人应用可通过提高能源生产率和改善企业管理效率来提升制造业企业的环境绩效10,55。为此,本部分将选取能源生产率和企业管理效率两个中间变量来检验机器人应用影响制造业企业环境绩效的机制,具体结果分析如下:关于能源利用率,本文采用企业工业增加值占能源投入比重的对数表示。由于缺乏企业用电的数据,且有学者指出,数字化技术应用导致对非电力能源需求下降,因此将企业使用的化石能源视作是企业能源总投入量24。中国企业污染数据库涉及的主要燃料包括燃料煤、燃料油和燃气三种。根据
42、 中国能源统计年鉴 的能源标准煤折算系数,将企业燃料煤、燃料油和天然气消耗量折算成标准煤,进而85中国城市统计年鉴 的数据可以追溯到 1984 年,而本文研究区间为 19982013 年,因此,历史上人口密度的数据对应到城市统计年鉴的区间为 19841999 年。首都经济贸易大学学报(双月刊)2023 年第 5 期加总得到企业能源投入总量56。其中,采用省级层面的工业品出厂价格指数对企业工业增加值不变价进行平减,得到工业增加值的现价。一般而言,能源生产率指标越高,表明每单位燃料所带来的工业增加值越大。关于企业管理效率,参照孙浦阳等(2018)57的做法,构建如下的计量回归模型:lnG&Ait=
43、a1laborit+a2lnexpit+a3lnpriceit+v+uit(3)其中,lnG&Ait表示第 t 年 i 企业管理费用的对数,laborit表示 i 企业第 t 年的平均从业人数,lnexpit表示 i 企业第 t 年的出口交货值,lnpriceit表示企业的价格加成,以营业收入与营业收入和利润比值表示。此外,将得到的残差视作企业管理效率,残差越大说明企业管理效率越差。回归模型控制了企业和年份固定效应。表 6 汇报了具体作用机制检验结果,其中列(1)为能源生产率的回归结果。所关注的交互项估计量系数显著为负,反映制造业企业可通过投入机器人,提升生产制造过程的能源利用效率,减少化石能
44、源的消耗量,进而改善企业环境绩效。列(2)为管理效率机制的检验结果。交互项的估计系数为正,说明机器人的投入强化了企业管理效率,而管理效率的提升可以更好地提升制造业企业环境治理的综合质量。表 6 机制检验结果变量(1)(2)lntotalrobotit能源利用率-0.114 (-3.26)能源利用率-0.675 (-110.97)lntotalrobotit管理效率0.219(1.91)管理效率-0.052(-2.34)lntotalrobotit0.583 -0.846(2.72)(-2.23)常数项4.977 2.942 (96.22)(13.63)控制变量控制控制观测值61 03517 3
45、00R20.7270.515(四)异质性分析尽管机器人应用对企业环境绩效的积极作用已得到了论证,但机器人种类、所处地区的不同会对机器人的环境治理效果带来何种影响?为探究机器人的具体应用场景和适用范围的影响,并为后续的精准施策提供依据,进一步从机器人种类和地区经济差距等视角讨论机器人应用对企业环境绩效的异质性影响。第一,机器人种类的异质性的影响。根据对海关数据库中八位数编码体系的识别,将机器人主要分为专用的自动搬运机器人、其他机器人和多功能机器人。在此基础上,分别对三种类型的机器人数量采用加 1 取对数的方式处理,并进行回归分析。表 6 列(1)、列(2)、列(3)分别对应自动搬运机器人、多功能
46、机器人和其他机器人。可以看到,三种机器人类别的影响系数均在 1%的水平上显著为负,表明三952023 年第 5 期刘胜,温锡峰,陈秀英:机器人应用与中国制造业绿色转型种机器人的使用均能对企业的环境绩效起到积极的改善效应。进一步比较发现,搬运机器人应用对企业环境绩效的改善效果较为明显,能有效降低企业二氧化硫的排放,其次是多功能机器人和其他机器人。可能的原因在于:制造业企业在未系统地投入机器人使用之前,物料的搬运大部分依靠人工驾驶叉车等传统方式完成,对常年不停机的企业,更需借助这种搬运模式来持续不断地保证生产上下料过程。原有的供应链运输设备以柴油等燃料投入作为主要的驱动力,物料运输及供应方式可能也
47、不够高效,从而使得企业的环保潜力未能充分释放。基于智能操作系统的运输机器人的规模化参与可使这种状况得到明显的改善。自动搬运机器人的应用区别于人力或人工叉车等传统的搬运作业方式,具备高协调、高精准的能力,可根据智能化的算法系统,来统筹最佳的搬运方式及运行轨迹,为缓解传统的物流和供应链模式下的能耗和污染问题提供新的技术支撑。第二,地区最低工资的异质性的影响。最低工资标准相关 规定要求各地根据居民消费价格指数等经济指标,确定居民月最低工资标准,以保障劳动者的合法权益。郑妍妍和闫雨薇(2022)发现,最低工资会通过成本效应和生产率效应影响企业的空气污染水平58。为此,本文进一步探讨了地区最低工资水平标
48、准不同的企业在使用机器人后将如何影响环境绩效。基于数据的可得性,从乡、县、市和省四个层面对地区最低工资进行匹配。对存在最低工资标准的乡县,以乡县的最低工资水平与企业所在乡县进行匹配,若不存在乡县的相关数据则采用市级最低工资水平进行匹配,以此类推,进而得到大部分企业所在地区的最低工资水平。算出地区最低工资的平均值,若地区最低工资水平大于地区最低平均工资,则取值为1,反之为0。结果如表7 列(4)所示。其中,核心解释变量的估计系数显著为负,说明相较最低工资水平较低的地区,处于最低工资水平较高地区的企业通过机器人应用所取得的减排效果更好。从企业信息管理角度来看,这一差异化结果更多的是受到企业投入机器
49、人替代劳动力的意愿影响。具体而言,在最低工资标准较低的地区,企业以机器人替代劳动力的意愿并不强烈,因而难以通过规模化的机器人应用来发挥其对生产和管理流程改进的作用,导致机器人应用对这些地区企业的污染减排效应不够突出。而在最低工资标准较高的地区,企业为减少本地更高昂的人力成本支出,会更愿意加强机器人应用,由此更好地发挥机器人应用的减排效应。表 7 异质性检验结果变量(1)(2)(3)(4)搬运机器人-0.954(-2.51)其他机器人-0.370(-2.12)多功能机器人-0.456 (-3.74)lntotalrobotit最低工资-0.473(-2.23)lntotalrobotit-0.0
50、67(-0.42)最低工资-0.016(-0.87)常数项4.413 4.412 4.411 4.361 (86.04)(86.04)(86.01)(81.41)06首都经济贸易大学学报(双月刊)2023 年第 5 期表7(续)变量(1)(2)(3)(4)控制变量控制控制控制控制观测值207 483207 483207 483157 712R20.4790.4790.4790.492五、主要结论与政策含义党的二十大报告指出,“推动经济社会发展绿色化、低碳化是实现高质量发展的关键环节”。在人口老龄化和智能制造加速化背景下,企业在生产和管理过程中对机器人的使用愈发普遍。在碳达峰、碳中和的目标下,绿
