智能制造如何影响劳动收入份额

奥鹏网院作业

智能制造如何影响劳动收入份额*
——基于中国省级面板数据的实证研究
宋旭光 杜军红

[提 要] 本文分析了智能制造发展对劳动收入份额的影响。基于嵌套的CES生产函数来构建含有智能制造和传统生产方式的劳动收入份额理论框架，刻画智能制造对劳动收入份额的影响机制，通过构造智能制造指标体系和“标准化供给面系统”进行实证分析。研究发现：智能制造与传统生产方式之间的替代弹性决定了智能制造-劳动扩展型技术进步对劳动收入份额的作用方向。根据“标准化供给面系统”发现智能制造与传统生产方式之间的替代弹性为互补关系，使得智能制造-劳动扩展型技术最终偏向于智能制造，从而降低了劳动收入份额。此外，智能制造发展提高了平均工资率和劳动生产率，但要素之间的互补关系使得劳动生产率的提高对资本与智能制造产生超额需求，提高了资本和智能制造所得，限制了劳动收入份额上升。因此，应完善收入保障机制，如降低劳动所得税收，通过收入再分配提高劳动者的福利保障，同时也要加强对劳动技能的培训，使得与智能制造发展水平相匹配，进而增加劳动报酬，提高劳动收入份额。

[关键词] 智能制造；智能制造-劳动扩展型技术；劳动收入份额

一、引言
随着数字化、网络化、云计算、大数据和人工智能等为主要特征的新一代信息技术的崛起，其与制造业深度融合正在引起新一轮产业变革。新的生产方式、新的产业价值链形态和制造业新领域的拓展为未来经济发展提供新动力。全球产业竞争格局正在发生深刻变化，发达国家相继实施“再工业化”战略，来重新建立制造业的竞争优势。 2013年4月德国率先提出“工业4.0”战略，以自己传统工业强国优势为基础，借助新一轮制造业技术革命，引领全球制造业的发展，在世界范围内引起极大关注。同年9月，美国宣布成立“先进制造业合作指导委员会2.0”(AMP2.0)，从新型技术开发、高技术人才培养和营造良好的商业环境为主要内容来确保美国在制造业中的领先地位。2014年6月，韩国推出“制造业创新3.0战略”，于2015年3月修订为“制造业创新3.0战略实施方案”，主要通过新一代信息技术实现智能工厂，提升核心领域产业竞争力，培养复合型人才夯实制造业创新基础。日本政府于2015年1月发布“机器人新战略”，将机器人与新一代信息技术相融合来实现机器人革命新战略。2009年欧盟部署的“未来工厂”(FOF)主要目的就是要打造新型制造业，实现再工业化对经济和就业的促进作用。

中国经济已经由高速增长阶段转向高质量发展阶段，正处在转变发展方式、优化经济结构、转换增长动力的关键时期。传统的经济发展模式已不能满足当下我国经济发展的需要。制造业作为国民经济的主体，有力推动着我国工业化和现代化进程，但我国制造业仍然大而不强，在自主创新、资源开发效率、产业结构、信息化程度、质量效益等方面与世界先进水平相比还有一定差距。近年来，面对劳动红利递减、生产要素成本增加以及生态环境等因素的制约，制造业总体增速下降。中国制造业亟须谋求新的发展出路，而新一轮产业革命为我国制造业转型升级和创新发展提供重要契机。2015年5月8日，国务院印发《中国制造2025》的通知，提出发展中国特色新型工业化道路，以促进制造业的创新发展。主要通过加快新一代信息技术与制造业深度融合，将智能制造作为主要发展方向，完成制造业的提质增效，实现制造业由大变强的历史跨越，该提议为我国未来十年制造业发展指明方向。2019年3月5日，国务院政府工作报告中指出“打造工业互联网平台，拓展‘智能+’，为制造业转型升级赋能”。(1)中央人民政府官网，2019年3月5日，“2019年国务院政府工作报告”。“智能+”就是要将新一代信息技术融合到制造业中，实现传统制造向智能制造的转型升级。各国面对新一轮技术革命颁布的系列重要文件和举措说明智能制造将是制造业未来发展的主要方向，是实现制造强国的主要路径，而中国广阔的市场空间和巨大的创新潜能定会成为智能制造发展的引领者。

目前，国内外有关智能制造的研究主要涉及对智能制造的概念、特征、内涵以及发展趋势为主的探索性分析。早在20世纪80年代末，学者已经开始研究计算机技术和互联网在制造业中的应用。Edosomwan(1987)首次研究发现计算机辅助制造在印刷电路板中的运用明显提高了企业的总生产率和劳动生产率。Alexander(1987)在制造业控制过程引入专家系统技术(EST)框架，对其适用性和具体要求进行说明。Kusiak(1990)基于计算机集成制造系统(CIMS)，主要介绍了柔性加工和装配系统、知识基系统的组成以及机器学习，为自动化制造环境中设计和管理，自动制造系统的规划和调度提供指导。Chen et al.(2015)认为面对大规模个性化定制的需求，对制造系统的灵活性有了更高的要求，直接数字制造(DDM)应运而生，直接数字制造技术是增材制造(AM)设备与现代信息和通信技术(ICT)的相互结合。DDM将整合优势生产模式从而提供高质量个性化产品，同时也能节省能源，对可持续发展产生积极影响，但也面临技术和社会方面的诸多挑战。Gilchrist(2016)以新一代信息技术为背景，主要对工业物联网(IIOT)和工业4.0进行系统分析。其中工业物联网是M2M(Machine-to-Machine)技术进步升级的过程，工业物联网的发展产生了新的商业模式，为企业发展带来新的契机，同时工业物联网与其他技术(如大数据、云技术等)相融合形成真正意义上的世界性工业互联网系统；工业4.0通过物联网和互联网服务与制造业集成实现，未来企业将会建立全球网络，且与机械、工厂和仓储设施为网络的物理系统通过信息共享实现智能连接和控制。对于制造业，初期的计算机辅助系统、专家系统技术以及直接数字制造主要凭借电子和信息技术实现自动化生产，关键集中在机器设备和制造流程中。但随着物联网(IoT)、信息物理系统(CPS)、云技术等先进ICT技术在制造业中的广泛应用，传统的生产方式、产业价值链和制造业新领域将引起深刻变革，不仅体现在制造业的自动化生产上，更要实现对产品的个性化设计、生产，企业管理和服务的实时操作，是最新ICT技术与制造业和供应链企业的深度融合与集成(Davis et al.，2012；Lu et al.，2016)。新一轮技术革命的应用使企业更加适应市场变化，减少经营风险和技术故障，增强了企业竞争力，同时增加了高技术工人和IT人才需求。但也面临一定的挑战，如信息安全、个人隐私和就业等方面(Marques et al.，2017)。Kang et al.(2016)对各国制造业相关政策以及智能制造联盟等相关组织的研究报告进行对比分析，指出智能制造业就是先进ICT技术与现有制造技术的融合，且成为现代制造业的新革命和新范式。尽管智能制造的相关技术在不断发展，但在开发和商业化方面仍有诸多问题，如由技术、方法和系统组成的关键算法构建等。关于智能制造的更多研究主要集中在概念、设计步骤和制造业基地方面。

在国内，张曙(2014)基于工业4.0的产生背景，认为“智能制造是面向产品全生命周期，实现泛在感知条件下的信息化制造”。同时指出智能制造技术是在新一代信息技术的基础上，通过信息物理生产系统(CPPS)，实现产品设计、制造、企业管理及服务的智能化。周济(2015)基于中国智能制造大而不强的背景和转型升级的需要，对“中国制造2025”的思想和战略部署等方面进行了详细的论述，认为数字化、网络化、智能化就是新一代智能制造的基本范式，并且指出“制造业数字化网络化智能化是新一轮工业革命的核心技术，应该作为中国制造2025的制高点、突破口和主攻方向”。Zhou et al.(2018)认为智能制造是一个动态发展的系统，按照其发展历程可以分为：数字化制造、数字化网络化制造和新一代智能制造，并且认为新一代智能制造是人工智能(AI)技术和先进制造技术的深度融合。从初期计算机辅助制造业(Edosomwan，1987)到“制造业的数字化、网络化、智能化”(周济，2015)以及日本政府提出的“机器人新战略”等，均体现了制造业中信息技术的变化，而人工智能就是新一代信息技术的代表。它与先进制造技术融合渗透形成新一轮工业革命的核心技术智能制造。

国内外智能制造的研究总体处于宏观层面论述和相关政策导向为主，主要从理论、技术、行业发展层面进行了解析，实证分析不足，对经济和社会各方面的影响分析不够深入。随着智能制造水平的不断提高，其对经济增长、收入分配、就业、产业结构等方面产生深刻的影响。孙早和侯玉林(2019)首次通过构造工业智能化指标体系，分析其对我国劳动力就业结构的影响。王媛媛和张华荣(2020)借助投入产出分析方法构造了“制造业智能化指数”(IMI)，对G20国家的智能制造发展水平进行测度和横向比较，同时分析行业智能化发展水平，最后将中国与G20主要国家的智能制造发展水平进行差异分析，系统介绍了全球智能制造发展趋势和我国存在的不足。郭凯明(2019)构造多部门动态一般均衡模型，通过数值模拟分析人工智能发展对产业结构升级和要素收入分配的影响，分析认为由于人工智能产出弹性和人工智能与传统生产方式的替代弹性差异使得人工智能对劳动收入份额的影响方向是不确定的。

收入分配中劳动和资本要素的分配不均导致劳动收入份额持续下降是一个突出问题，陈宇峰等(2013)通过“GDP法”计算得到1995年中国劳动收入份额为51.4%，到2007年仅为39.7%，下降了11.7个百分点，下降幅度为22.8%。基于《中国统计年鉴》数据库，本文分别使用“GDP法”和“要素法”对中国劳动收入份额进行计算，通过“GDP法”得到2001年劳动收入份额为50.29%，到2007年下降为43.81%，截至2017年达到48.39%。按照“要素法”(2)两种计算方法主要参考陈宇峰等(2013)。得到2001年劳动收入份额为58.43%，到2007年下降为51.21%，截至2017年达到56.63%，两种计算结果显示劳动收入份额从2007年开始有所上升，但总体变化仍处于下降水平，如图1所示。与其他发达国家的劳动收入份额相比，我国劳动收入份额总体处于较低水平。范从来和张中锦(2012)指出劳动收入份额过低将会导致内需不足，降低消费者需求，制约着经济的可持续发展，也进一步扩大贫富差距，激化社会矛盾进而影响社会政治稳定。在“中共中央关于制定国民经济和社会发展第十四个五年规划和二零三五年远景目标建议”中提出要提高劳动报酬在初次分配中的比重，完善工资制度，着力提高低收入群体收入同时扩大中等收入群体。(3)中国共产党第十九届中央委员会第五次全体会议，2020年10月29日。

width=297,height=255,dpi=110
图1 不同计算方法下的劳动收入份额

基于我国劳动收入份额总体处于较低水平的事实，本文着重分析智能制造发展如何影响我国劳动收入份额？智能制造作为新一轮工业革命的核心技术，包含智能产品、智能生产、产业模式变革和智能制造基础设施建设四个维度，其中智能制造的基础建设表现为构建信息物理系统(CPS)、工业互联网基础设施建设和智能制造网络信息平台建设(周济，2015)。因此智能制造不仅直接作为生产要素促进经济增长，也促进各生产要素之间的配置提升社会生产效率，后者体现了智能制造对企业生产效率的提升和产业结构的改善，同时在融合渗透中提升了智能制造本身的资本积累。所以智能制造具备通用目的技术(GPT)特征，对传统产业产出的增加和生产效率的提升充分体现智能制造服务的外溢性特点。

根据以上分析本文建立含有智能制造的一般均衡模型，考虑了智能制造的通用技术特征和对传统生产方式的影响，将智能制造作为一种新的生产要素。模型中，政府进行投资建设智能制造基础设施以便提供智能制造服务，企业在谋求价值攀升中使用智能制造服务，但同时需要支付相应的费用。本文通过构造含有智能制造的劳动收入份额模型，试图拓展劳动收入份额的研究视角。实证分析中本文构建智能制造发展水平综合指标体系，通过对智能化投资水平、关键业务智能化发展水平、智能化产业形态三个方面进行指标合成，具体过程在第三部分做详细说明，最终得到智能制造发展水平如图2所示，全国乃至东部、中部和西部智能制造发展水平均呈现逐年上升趋势，但梯度特征明显。在全国层面，智能制造发展水平从2001年的1.75增加至2017年的43.20，并且在2016年的增速明显上升，代表新一代信息技术与制造业深度融合的快速发展。

width=335,height=280,dpi=110
图2 不同地区智能制造发展水平

本文将智能制造服务引入到嵌套的CES生产函数中构建一般均衡模型，剖析智能制造对我国劳动收入份额的作用机理。理论研究发现：智能制造-劳动扩展型技术进步对劳动收入份额的作用方向由智能制造与传统生产方式(资本和劳动)之间的替代弹性决定；在要素替代弹性均为互补的情况下，智能制造发展提高了工资率和劳动生产率。其次，本文利用2001-2017年中国省际面板数据进行实证分析，构建了智能制造发展水平指标体系，实证发现智能制造发展显著降低了劳动收入份额，但显著提高了工资率和劳动生产率，进一步说明要素之间的互补关系使得劳动生产率的提高对资本与智能制造产生超额需求，提高了资本和智能制造所得，从而降低了劳动收入份额。再次，考虑了智能制造发展水平的内生性和中国区域经济发展不平衡等问题，分析认为智能制造发展对劳动收入份额的影响仍是显著和稳健的。然后，为了估算智能制造-劳动扩展型技术进步方向和智能制造与传统生产方式之间的替代弹性，本文根据嵌套的CES函数，借鉴Klump et al.(2007)方法，构建含有智能制造的“标准化供给面系统”对替代弹性进行估计，估计结果与理论分析相一致。最后根据结论提出相关政策性建议。

本文的主要贡献可以归结以下三个方面：第一，在理论方面，发展了收入分配中劳动收入份额的理论研究视角，将智能制造服务引入到嵌套的CES生产函数中，构建含有智能制造的劳动收入份额模型，理论探究了智能制造与劳动收入份额之间的关系；第二，在数据指标方面，构建智能制造发展水平指标体系，进行相关实证分析；第三，在机制检验方面，根据嵌套的CES生产函数，参考Klump et al.(2007)来构造 “标准化供给面系统”，对智能制造与传统生产方式之间的替代弹性以及资本和劳动之间的替代弹性进行估计，进一步分析了智能制造对劳动收入份额的作用机制。

二、 智能制造与劳动收入份额的理论模型
假设企业i代表最终生产部门，在完全竞争市场下采用常替代弹性生产技术进行生产，对应生产函数为CES生产函数：

width=234,height=26,dpi=110
(1)

式中，Qi表示以资本和劳动为生产要素的增加值投入，刻画了传统生产方式，M表示智能制造服务，Ci表示智能制造扩展型技术，ξ∈(0,+∞)表示智能制造与总的资本和劳动之间的替代弹性，也就是智能制造与传统生产方式之间的替代弹性。

传统生产方式也采用常替代弹性的生产技术：

width=264,height=26,dpi=110
(2)

式中，K和L分别代表企业i的资本和劳动力，Ai和Bi分别代表企业i的资本扩展型和劳动扩展型技术，σ∈(0,+∞)表示资本与劳动之间的替代弹性。

将式(2)代入式(1)中，得到传统生产方式与智能制造相结合的嵌套CES生产函数：

Yi(K,L,M)=

width=313,height=35,dpi=110
(3)

企业i的目标是最大化利润，这里将企业产品价格标准化为1，即有：

width=246,height=23,dpi=110
(4)

式中γ，ω，ψ分别为资本价格、劳动者工资和智能制造服务价格。

结合生产函数式(3)和最优化目标函数式(4)，可得企业i的资本、劳动和智能制造的需求分别满足：

width=431,height=26,dpi=110
(5)

本文将劳动收入份额LSi定义为劳动者报酬总量占企业总产出的比重，结合式(3)和式(5)可得：

LSiwidth=187,height=35,dpi=110

width=164,height=55,dpi=110
=width=305,height=73,dpi=110

=width=299,height=55,dpi=110

(6)

式中：φ=Ai/Bi表示资本-劳动扩展型技术，η=Ci/Bi表示智能制造-劳动扩展型技术，如果dη>0，则扩展型技术偏向于智能制造，如果dη<0，则扩展型技术偏向于劳动。那么智能制造-资本之间的扩展型技术表示为η/φ=Ci/Ai。

由式(6)可知，企业i的劳动收入份额受到智能制造-劳动扩展型技术η、资本-劳动扩展型技术φ、资本与劳动的要素禀赋结构K/L、智能制造与劳动的禀赋结构M/L、资本与劳动之间的替代弹性σ以及智能制造与传统生产方式之间的替代弹性ξ的影响。接下来主要分析智能制造-劳动扩展型技术η对劳动收入份额的影响。

智能制造-劳动扩展型技术η对劳动收入份额LSi的影响强度为：

width=337,height=58,dpi=110
其中：

width=366,height=55,dpi=110
本文发现智能制造与传统生产方式之间的替代弹性ξ决定了智能制造-劳动扩展型技术η对劳动收入份额作用的方向，而与资本和劳动之间的替代弹性σ无关，同时智能制造-劳动扩展型技术的作用强度也受到σ、要素禀赋结构K/L和M/L的共同影响，具体分析如下：

其一，当ξ>1时，即智能制造与传统生产方式之间是相互替代的，则η对劳动收入份额LSi影响方向为负，如果η增加，扩展型技术将偏向于智能制造，从而抑制劳动收入份额上升；如果η下降，扩展型技术将偏向于劳动，从而有助于提高劳动收入份额。

其二，当ξ<1时，即智能制造与传统生产方式之间是互补的，则η对劳动收入份额LSi影响方向为正，如果η增加，扩展型技术将偏向于劳动，从而提高劳动收入份额；如果η下降，扩展型技术将偏向于智能制造，从而抑制劳动收入份额上升。

其三，当ξ=1时，劳动收入份额LSi不受智能制造-劳动扩展型技术η的影响。

以上主要基于理论讨论了智能制造-劳动扩展型技术η对劳动收入份额的影响。发现它对劳动收入份额的影响方向主要取决于智能制造与传统生产方式之间的替代弹性ξ，其强度也与资本与劳动之间的替代弹性σ相关，因此本文在第五部分使用“标准化供给面系统”对σ和ξ是替代关系还是互补关系进行估算。

为了进一步分析智能制造对劳动收入份额作用机制，本文考察智能制造对工资率和劳动生产率的影响。一般智能制造发展能够提高工资率，同时也提高了劳动生产率。这一点本文通过式(3)和式(5)来说明。

由式(5)可得资本与劳动的要素价格之比：

width=170,height=32,dpi=110
(7)

根据式(3)和式(7)，劳动生产率(Y/L)可以表示为：

width=704,height=76,dpi=110
从式(8)可以看出，当要素之间的替代弹性是互补关系时，即σ<1且ξ<1时，工资率(ω)与劳动生产率(Y/L)正相关，同时劳动生产率(Y/L)是智能制造(M)的增函数。基于上述分析，我们更有理由认为在资本和劳动的替代弹性(σ)以及智能制造和传统生产方式之间的替代弹性(ξ)均小于1时(4)本文使用“标准化供给面系统”对要素之间替代弹性进行估算，均呈现互补关系。，智能制造的发展提高了工资率，同时也提高了劳动生产效率。但这种要素之间的互补关系使得劳动生产率的提高对资本与智能制造产生超额需求，提高了资本和智能制造所得，从而降低了劳动收入份额。

接下来主要通过计量模型来分析智能制造对劳动收入份额的影响，同时分析智能制造对平均工资率和劳动生产率的影响。从理论模型可知劳动收入份额受到智能制造-劳动扩展型技术η、资本-劳动扩展型技术φ、资本与劳动的要素禀赋结构K/L、智能制造与劳动的禀赋结构M/L、资本与劳动之间的替代弹性σ以及智能制造与传统生产方式之间的替代弹性ξ的影响。但由于智能制造所涵盖的产业规模和空间不断扩大，很难从现有的产业中将智能制造分离出来，所以这里无法完整地量化资本-劳动扩展型技术和智能制造-劳动扩展型技术。基于现有的数据，本文主要构建智能制造指标体系，将智能制造发展水平作为核心解释变量分析智能制造对劳动收入份额的影响。

三、数据、变量与模型
(一)数据来源
本文选择2001—2017年中国省际面板数据进行实证分析。原始数据来源于《中国工业统计年鉴》《中国统计年鉴》《中国劳动统计年鉴》《中国电子信息产业统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国经济普查数据》(2004年、2008年、2013年)《中国价格统计年鉴》、CSMAR数据库、联合国贸发数据库(UNCTAD)以及国家统计局数据库。在数据的处理过程中，计算历年投资和资本存量两个指标时，通过国家统计局年度数据计算固定资产原值增长率和投资平减指数，进而计算各省份历年的实际投资，再基于“永续盘存法”和名义净投资来计算真实资本存量。利用《中国价格统计年鉴》中各地区工业生产者出厂价格指数计算产出平减指数，本文以2000年为基年计算，对缺失数据使用线性插值处理。

(二)模型构建
基于前文的理论分析，基准回归计量模型设定为如下对数模型：

ln(LSit)=α0+α1ln(AIit)+γX

+μi+νt+εit

(9)

式中，被解释变量LSit表示企业i在时间t的劳动收入份额；核心解释变量是智能制造发展水平AIit；X为控制变量，包括资本深化、出口贸易、外商投资、城镇化水平、政府财政支出、资本产出比、教育年限、民营化；μi为个体因素，νt为时间因素，εit为随机干扰项。在回归分析中，对控制变量：出口贸易、外商投资、城镇化水平、政府财政支出和民营化分别取对数。

为了深入理解智能制造对劳动收入份额的影响，本文进一步检验了智能制造发展水平对工资率和劳动生产率的影响。为此，本文设定另外两个回归模型：

ln(ωit)=β0+β1ln(AIit)+λX+μi+νt+εit

(10)

ln(Y/Lit)=θ0+θ1ln(AIit)+κX

+μi+νt+εit

(11)

式中，ωit表示平均工资率，Y/Lit表示劳动生产率，其他变量与基准模型式(9)相同。

(三)变量选取
1.被解释变量。劳动收入份额LSit，根据《中国统计年鉴》数据，按照收入法统计的国内生产总值(GDP)总共分为劳动报酬、固定资产折旧、生产税净额和营业盈余。这里按照“GDP法”将劳动收入份额定义为“劳动报酬占GDP”的比重(%)。另外，理论分析中认为生产税净额与国内生产总值(GDP)的创造无关，应该将生产税净额从GDP中剔除来计算劳动收入份额，即“要素法”：劳动收入份额=[劳动报酬/(劳动报酬+固定资产折旧+营业盈余)]×100%(陈宇峰等，2013)。在稳健性分析中，将使用“要素法”这一定义对结论进一步检验。平均工资率(ωit)使用各省份城镇居民人均年收入表示(万元/人)。劳动生产率(Yit/Lit)使用GDP(万元)/劳动力(人)来表示。

2.核心解释变量。智能制造发展水平指标AIit利用指标体系来构建。由于核心解释变量智能制造发展水平的深度和广度，单一的变量不能很好地表示。工业和信息化部以及国家标准化管理委员会在2018年推出的《国家智能制造标准体系建设指南(2018年版)》中，将智能制造标准体系框架分为“A基础共性”“B关键技术”“C行业应用”，参考该框架。本文关于智能制造指标体系的构建从投资、关键业务和产业形态三个方面展开，鉴于实证分析需要和数据可得性，具体指标的选取和处理方法如表1所示。在指标体系构建中，由于对“规模以上工业企业”的统计口径不同，本文参照陈诗一(2011)的方法将每年不同统计口径的数据调整到统一的整个工业口径。另外，为了使智能制造发展水平跨年可比，根据樊纲等(2003)构造方法，具体为：(1)对二级指标设定基年(2001年)，通过公式10×(v2001-vmin2001)/(vmax2001-vmin2001 )计算各二级指标的评分的最大值和最小值分别为10和0，接着确定各省份在2001年对应的二级指标在0～10之间的得分。(2)通过公式10×(v2002-vmin2001)/(vmax2001-vmin2001 )计算各二级指标2002年的得分，以此类推直至2017年。根据计算方法可知各二级指标跨年度之后的得分有大于10或者小于0的。(3)按照三个方面对对应的二级指标按照一定的权重(5)由于对应的二级指标个数较少，其权重主观判断给定。合成一级指标。(4)将三个一级指标也按照一定的权重合成智能制造发展水平。在表2中智能制造发展水平最小值和最大值分别为0.32和75.01，总体得分大于10，此方法能够反映出各指标随年份的变化趋势，各年份之间存在可比性。

表1 智能制造发展水平指标体系构建

width=745,height=352,dpi=110
说明：① 包括信息化学品制造业总共为六大类，但《中国高技术产业统计年鉴》中信息化学品制造业数据只有2015年和2016年，所以本文中将信息化学品制造业剔除。资料来源：作者整理。

表2 变量描述性统计

width=745,height=281,dpi=110
3.控制变量。主要考虑已有研究文献中提到的重要因素：资本深化ln(kl)、出口贸易export、外商投资FDI、城镇化水平urban、资本产出比ky、政府财政支出govexp、教育年限edu、民营化private。表2给出所需变量的描述性统计，其劳动收入份额平均为47.04%，处于较低水平。

四、实证分析
(一)基准回归
本文基于2001—2017年省际面板数据，使用双向固定效应进行回归分析。其一，不加任何控制变量，即表3中列(1)，同时考虑到智能制造发展水平对劳动收入份额的影响可能存在滞后性，对智能制造发展水平进行滞后一期分析，即表3中列(2)，估计结果显示智能制造业发展水平对劳动收入份额的影响显著为负；其二，加入所有控制变量，分别对智能制造发展水平及其滞后一项进行回归分析，即表3中列(3)、列(4)；其三，为了进一步论证智能制造发展水平对劳动收入份额的影响，这里将年份区间分为2001—2008年和2009—2017年进行分样本回归，具体结果见表3中列(5)、列(6)。结果表明，所有的控制变量对劳动收入份额整体有解释作用，并且其正负号与预期相符。

表3 劳动收入份额的基准回归

width=745,height=604,dpi=110
注：括号内为t值，*，**，***分别表示为10%，5%，1%的显著性水平下通过检验，L.AI表示AI的一阶滞后，下表同。

核心指标智能制造发展水平的估计结果在不同模型下始终显著为负，均达到10%及以上显著水平。从数量关系来说，以表3列(3)为基准，智能制造业发展水平每上升1个百分点，劳动收入份额将下降0.04个百分点，智能制造发展水平显著降低了劳动收入份额。根据理论模型分析，智能制造对劳动收入份额的作用机制主要通过智能制造-劳动扩展型技术η来影响，但具体η是智能制造偏向型还是劳动偏向型，以及智能制造与传统生产方式之间的替代弹性ξ是替代还是互补不得而知。如果替代弹性ξ>1，那么扩展型技术η为智能制造偏向型致使劳动收入份额下降；如果替代弹性ξ<1，那么扩展型技术η为劳动偏向型致使劳动收入份额上升。因此，本文在第五部分通过非线性联立方程组对它们之间的关系进一步探究，来分析智能制造发展对劳动收入份额作用的机制。

对于控制变量，资本深化ln(kl)对劳动收入份额影响显著为负，资本深化每增加1个百分点，劳动收入份额下降0.20个百分点，这一结果与文雁兵和陆雪琴(2018)的结果一致。随着资本深化的增加，人均资本占有量增加，由于资本与劳动是互补关系(6)根据本文第五部分构造的非线性联立方程组估计发现资本与劳动之间的替代弹性是互补关系。，提高了劳动的边际产出，劳动收入份额随着资本的积累而上升；但资本深化也提高了资本要素收入，从而降低了劳动收入份额，两种效应的最终结果导致劳动收入份额下降。出口贸易export对劳动收入份额影响显著为负，出口贸易每增加1个百分点，劳动收入份额下降0.08个百分点。罗长远和张军(2009)研究发现出口对劳动收入份额影响为正但不显著，作者认为可能与外资在中国出口中占比增加以及出口结构转向资本相对密集的产品有关。本文发现国内出口占比从2001年的19.86%增至2006年的最高比例35.36%，之后逐年递减，至2017年出口占比下降为18.54%(7)数据来源于《中国统计年鉴2018》计算得到，使用“出口/GDP”表示。，总体来看，中国的出口占比处于下降水平。另外，按照出口类别将商品总体分为劳动密集型和资本密集型产品(8)中国统计年鉴出口商品分类总共为二十二类，从第一类(活动物)至第十三类(石料、石膏、水泥、石棉、云母及类似材料的制品；陶瓷产品；玻璃及其制品)归类为劳动密集型产品；从第十四类(天然或养殖珍珠、宝石或半宝石、贵金属、包贵金属及其制品；仿首饰；硬币)至第二十二类(特殊交易品及未分类商品)归类为资本密集型产品。，如图3所示，2001年劳动密集型和资本密集型产品的出口额基本相等，虽然之后两类产品出口额均在增加(由于2008年的经济危机导致出口额局部下滑)，但资本密集型产品的出口额增加明显高于劳动密集型产品，且差距逐步拉大。尤其是资本密集型产品中的金属及其制品，机械器具、电器设备及其零件，车辆、航空器、船舶及其相关运输设备的出口额大量增加。总体来看，出口商品由劳动密集型产品转向资本密集型产品为主导且占据绝对优势。因此，资本密集型产业的发展使得资本获得更多的收益，从而降低了劳动收入份额(林毅夫等，1999)。而中国人口基数大，劳动资源相对丰富，以智能制造驱动高附加值劳动密集型出口产品生产，在提高出口竞争优势的同时增加企业的劳动力需求，提高收入分配中的劳动报酬。

width=334,height=270,dpi=110
图3 不同类型产品的出口变化

对于其他影响因素，外商直接投资FDI对劳动收入份额的影响显著为正，外商直接投资每增加1个百分点，劳动收入份额提高0.03个百分点。这一结果与冼国明和杨长志(2009)的结论相一致，作者认为外资企业为了应对外部技术冲击和东道国国内环境变化，通常会支付较高的劳动报酬来融入当地的市场环境。但罗长远和张军(2009)研究认为地方政府在招商引资的竞争中弱化了劳动谈判能力，限制了劳动收入的增加，使得外商直接投资降低了劳动收入份额。笔者认为随着我国经济高质量发展的推进，工会维护职工获得劳动报酬的职能得到进一步提升，随着工资支付监控和保障制度以及支付诚信体系的建设，劳动谈判能力得到有力保障。因此，本文认为现阶段外商直接投资能够有效提高劳动报酬。城镇化水平urban对劳动收入份额的影响为正但不显著。如果城镇化发展水平越高，那么其产业结构更加优化，第三产业发展水平的提高增加了劳动报酬在国民收入中的占比。资本产出比ky对劳动收入份额的影响为正但不显著。白重恩和钱震杰(2009)运用1997—2003年省际面板数据发现资本产出对劳动收入份额的影响显著为负。白重恩和钱震杰(2010)研究发现资本产出比的系数由1985—1995年的正值变为1996—2003年的负值，且显著性不明确。但罗长远和张军(2009)发现资本产出比与劳动收入份额显著正相关，作者认为我国有充足的劳动力，人均资本占有的增加提高了劳动边际产出，如果按照边际产出获得报酬，劳动收入随着资本的积累而增加。根据已有文献，发现不同时段资本产出比对劳动收入份额的影响不同，最终使得他对劳动收入份额的影响并不明确。政府财政支出govexp的系数为负但不显著，罗长远和张军(2009)研究认为政府财政支出进行再分配能够改善低收入人群劳动收入，财政支出对穷国劳动收入有积极作用。但魏下海等(2012)认为政府财政支出降低劳动收入份额，主要解释是政府的财政支出在一定程度上反映了政府对经济市场的干预，造成市场扭曲导致劳动收入份额降低。教育年限edu的系数为正但不显著，受教育年限能够反映我国的人力资本。罗长远和张军(2009)发现人力资本的提高有助于增加劳动收入份额。魏下海等(2012)使用平均受教育年限也发现同样的结论。民营化private的系数为负但不显著，罗长远和张军(2009)发现民营化对劳动收入份额影响显著为负。作者指出随着国有企业的民营化，其终身就业保障和刚性工资标准被打破，要素市场化分配使得“工资侵蚀利润”的状况得到扭转，另外国有企业的改制降低了劳动力进入劳动市场门槛，导致劳动力供给增加，最终导致劳动收入份额下降。

(二)智能制造的工资率效应和劳动生产率效应
为了进一步分析智能制造对劳动收入份额的影响渠道，本文对式(10)和式(11)两个模型进行估计。以表4中列(3)、列(4)为准，结果表明，智能制造对平均工资率影响系数为0.02，通过10%显著性检验，对劳动生产率影响系数为0.02，通过1%的显著性检验。以上结果支持智能制造发展提高了平均工资率和劳动生产率的结论。从侧面反映了当要素替代弹性是互补关系时，劳动生产率的提高对资本与智能制造产生超额需求，提高了资本和智能制造所得，进而降低了劳动收入份额。

(三)稳健性分析
为了基准回归的可信性。本文主要考虑内生性问题和地域差异性。

1.内生性问题。本文主要从遗漏变量、测量误差、反向因果三方面考虑其内生性问题。对于遗漏变量问题，从基准回归出发，分别添加各省份的机器设备投资(MEI)、经济发展水平(PGDP)、金融发展水平(FD)、研发投入(R&D)变量加以控制(9)经济发展水平(PGDP)用各省份的人均实际GDP衡量；研发投入(R&D)用R&D经费内部支出占地方财政一般预算支出比例衡量；金融发展水平(FD)用各省份年末贷款余额占GDP的比例衡量；机器设备投资(MEI)用非农户设备、工器具投资额占固定资产投资额的比重衡量。；对于测量误差问题，本文直接采用各省份工业机器人投资(IR)数据作为智能制造的代理变量，因为工业机器人是智能制造投资的主要组成部分，也是工业产业结构转型升级的重要方式；对于反向因果问题，本文采用核心解释变量智能制造的滞后一期作为工具变量。为了进一步探究稳健性，本文尝试使用发明专利授权数作为智能制造的工具变量，因为专利申请包括发明、实用新型和外观设计三类，其中发明(专利)反映拥有自主知识产权技术的核心技术，能够体现一个地区智能制造的发展力，显然跟智能制造相关，同时发明专利经过授权之后，不可能当期直接投入使用，所以当年的发明专利与当期的劳动收入份额之间并不存在直接的逻辑关系。笔者认为当期的发明专利数只能通过智能制造来影响劳动收入份额，满足相关性和外生性。此外，笔者认为劳动收入份额的变动也参考了上期的收入分配，即解释变量包含了被解释的滞后值，产生动态面板偏差。本文在基准模型的基础之上加入劳动收入份额的滞后一期，模型转化为一个动态面板模型，然后使用系统GMM进行估计。另外，本文采用“要素法”来重新计算劳动收入份额，对相应结论进一步检验。所有的结果(可以向作者索取)均显示，智能制造发展显著降低了劳动收入份额，表明本文的分析结果是稳健的。

表4 智能制造对工资率和劳动生产率的影响

width=745,height=560,dpi=110
2.地域差异性分析。我国经济发展区域性明显，不同地区其智能制造发展也存在较大差异，本文按照国家统计局划分标准，将主要30个省(区、市)划分为东部、中部和西部地区。(10) 因西藏相关数据缺失，本文所包括地区具体划分为：东部(北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南)、中部(山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南)、西部(内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏和新疆)。本文发现东部智能制造发展水平和增长速度明显高于中部和西部，能够看到智能制造发展水平与整体经济所体现的区域差异性一致。本文分别从东部、中部和西部三个区域来探究智能制造业对劳动收入的影响，其结果如表5所示。在东部和中部地区，智能制造业发展显著降低了劳动收入份额，西部地区对劳动收入份额的影响系数为负但不显著。整体上智能制造发展水平在不同地域样本对劳动收入份额的负向影响是稳健的。

表5 区域差异的稳健性检验

width=745,height=557,dpi=110
为了进一步分析智能制造发展水平的地域差异，本文将智能化产业形态中的高科技产业按照行业划分为五类，各行业以及总的主营业务收入如图4所示。总体显示中国高科技产业主营业务收入呈现逐年上升趋势，从2001年的12 015亿元增加到2016年的150 724亿元，增加了12.5倍。(11)以2000年为基年，计算各省份产出平减指数对数据进行平减。2016年各行业占总的主营业务比重关系为：电子及通信设备制造业>医药制造业>计算机及办公设备制造业>医疗仪器设备及仪器仪表制造业>航空、航天器及设备制造业。(12)2017年《高技术产业(制造业)分类》对高技术产业旧标准进行重新调整，且《中国高技术产业统计年鉴》中没有2017年相关数据，为了避免口径调整导致的误差，这里最新数据以2016年为准。同时对东部、中部和西部地区高技术产业各行业进行横向比较发现：东部地区在五类高科技产业发展中处于核心地位，除计算机及办公设备制造业呈现下降趋势外，其余高技术行业整体均处于上升水平；中西部地区在五类行业中发展速度缓慢，高技术相关从业人员比重较低，与东部相比存在较大发展空间；西部整体发展水平较低，但在航空、航天器及设备制造业和计算机及办公设备制造业中逐渐超越中部。可以看出我国高科技行业发展较快但不均衡，加大中西部高技术行业投入，鼓励相关高技术行业人才支援中西部发展，缩小区域差异，能够有效促进智能制造均衡发展。

width=468,height=333,dpi=110
图4 全国高科技产业分行业主营业务收入

五、替代弹性的估算和分析
本文实证研究发现智能制造对劳动收入份额的影响显著为负，根据理论分析初步判断智能制造与传统生产方式(资本和劳动)之间是互补关系，由智能制造-劳动扩展型技术η(dη<0)最终偏向于智能制造，从而抑制劳动收入份额上升。为了进一步确定这种互补关系和智能制造-劳动扩展型技术进步的偏向性，本节对资本与劳动的替代弹性σ和智能制造与总的资本和劳动之间的替代弹性ξ进行估算，采用“标准化供给面系统”方法，即构建非线性联立方程组，运用可行性广义非线性最小二乘法(FGNLS)进行估计。非线性联立方程组的构造参考Klump et al.(2007)，具体推导过程此处略去(需要的可向作者索取)，以下主要给出嵌套的CES函数的非线性联立方程组“标准化供给面系统”的最终形式：

width=63,height=35,dpi=110=ln (π0)+ρln (Yt)+θln(Kt)

width=146,height=20,dpi=110
width=152,height=20,dpi=110
width=181,height=20,dpi=110
(12)

width=78,height=35,dpi=110ln(π0)+ρln (Yt)+θln(Lt)

width=146,height=20,dpi=110
width=152,height=20,dpi=110
width=178,height=20,dpi=110
(13)

width=81,height=35,dpi=110width=219,height=23,dpi=110

width=152,height=20,dpi=110
(14)

ln(Yt)=width=220,height=44,dpi=110

width=170,height=38,dpi=110
(15)

式中width=735,height=88,dpi=110分别表示产出、劳动、资本和智能制造的几何平均值；width=8,height=14,dpi=110为样本年份均值；ζ为规模因子；π0为以t0为基期的资本分配份额；ψ0为智能制造服务的基期价格；γA，γB和γC分别表示资本、劳动和智能制造的技术进步率。利用历年产出Yt、资本Kt、劳动Lt、智能制造业Mt、资本所得rtKt、劳动所得ωtLt以及智能制造服务所得ψtMt即可估计该系统，得到ξ，σ，ζ，π0，ψ0，γA，γB及γC的估计值。

对于式(12)～式(15)构成的非线性联立方程组模型，这里采用FGNLS进行估计(Klump et al.，2007)，主要使用Stata13软件包提供的nlsur命令。对于非线性模型而言，初始值的选取非常重要，为了使估计参数稳定且结果达到全局最优，本文借鉴陈晓玲和连玉君(2012)初始值的设定办法，假定ζ=1，π0=0.6，ψ0=0.5，γA=0.01，γB=0.01，γC=0.01。对于最为关键的参数ξ和σ，这里将ξ的初始值设定在ξ∈[0.01∶0.05∶2]，σ的初始值设定在σ∈[0.01∶0.05∶2]，即两参数的初始值从0.01开始，以0.05作为公差，终止值为2依次取值，最小化的目标函数是使得协方差矩阵行列式最小。为了估计替代弹性ξ及其他参数，由式(12)～式(15)可知需要的相关变量有历年总产出Yt：使用各省份国内生产总值(GDP)来表示；资本Kt：使用“永续盘存法”和名义净投资来计算真实资本投入；劳动力Lt：使用从业人员(labor)来表示；智能制造业Mt：使用智能制造发展水平(AI)来表示；资本所得rtKt：使用“营业盈余+固定资产折旧”表示；劳动所得ωtLt：使用应付工资总额(wage)来表示；智能制造服务所得ψtMt：使用软件业务中的利润总额来代替。(13)由于智能制造发展水平是合成指标，没有相应的智能制造收入数据，这里将智能制造的收入使用《中国电子信息产业统计年鉴》软件业务收入中的总利润来代替。变量的描述性统计如表6所示。

表6 对应变量的描述性统计

width=745,height=246,dpi=110
资料来源：《中国统计年鉴》《中国电子信息产业统计年鉴》。

这里分别使用全国、东部、中部、西部在2001—2017年的时间序列数据，估计联立方程组式(12)～式(15)。表7中分别给出ξ，σ，ζ，π0，ψ0，γA，γB及γC的估计结果，各估计参数在1%的水平上均显著(除东部地区的参数γA)。对于全国，资本与劳动的替代弹性σ=0.63<1，即资本与劳动是互补关系，这与戴天仕和徐现祥(2010)在全国层面上研究的结果一致，同时发现东部、中部和西部的资本与劳动的替代弹性均小于1。对于智能制造与传统生产方式之间(资本与劳动)替代弹性，在全国层面上显示ξ=0.38<1，即智能制造与传统生产方式之间也是互补的，且东、中和西部的智能制造与传统生产方式之间的替代弹性也均小于1。γB和γC分别表示劳动和智能制造的技术进步率，本文发现全国、东部、中部和西部劳动的技术进步率大于智能制造的技术进步率，又由于智能制造与传统生产方式之间互补，所以智能制造-劳动扩展型技术η(dη<0)最终偏向于智能制造，从而抑制了劳动收入份额上升。

表7 要素之间替代弹性的估计结果

width=745,height=193,dpi=110
六、结论与政策建议
本文主要依托现有理论基础，基于劳动收入份额偏低这一事实，研究智能制造发展水平对劳动收入份额的影响。理论上构造含有智能制造的嵌套CES生产函数模型，系统分析了智能制造-劳动扩展型技术和资本-劳动扩展型技术进步对劳动收入份额的作用，然后利用2001—2017年中国省级面板数据进行实证分析。研究表明：(1)智能制造-劳动扩展型技术进步对劳动收入份额的作用方向由智能制造与传统生产方式(资本和劳动)之间的替代弹性决定。进一步分析发现智能制造与传统生产方式之间的替代弹性是互补的，且智能制造-劳动扩展型技术是劳动增强型，使得智能制造-劳动扩展型技术最终偏向智能制造，从而智能制造发展显著降低了劳动收入份额。(2)智能制造能够有效提高平均工资率和劳动生产率，但由于要素之间的互补关系使得劳动生产率的提高对资本与智能制造产生超额需求，提高了资本和智能制造所得，进而降低了劳动收入份额。(3)根据地域差异性分析发现，智能制造对东部地区和中部地区的劳动收入份额的负向影响更为显著，但对西部地区的负向作用并不明显。从高科技产业的行业发展来看，智能制造发展速度较快但不均衡，东部地区处于绝对领先地位，中西部地区处于较低水平，地域差异明显。

基于此，本文提出以下政策建议：首先，着重保护劳动所得，多渠道提高居民收入。随着智能化服务的快速推进，为保障资本和劳动同等享受智能化服务带来的红利，政府应进一步关注智能制造对劳动收入份额的影响，一方面要加强就业保障政策，增加劳动者特别是一线劳动者的劳动报酬，另一方面，要拓宽居民财产性收入的渠道，鼓励劳动者通过多元生产要素提高收入水平。其次，缩小智能制造区域差异，推进智能制造均衡发展。要加大对中西部地区高技术行业的支持力度，尤其是在电子及通信设备制造业和医疗仪器设备及仪器仪表制造业方面，政府要通过财政补贴和减税降费等政策降低高技术产业建设成本。中西部地区也要积极引进高技术人才，同时加强劳动力专业技能培训，使劳动力需求结构和市场产业结构相适配，提高劳动生产率，进而提高劳动收入份额。最后，多措并举稳定劳动收入份额。除了智能制造对劳动收入份额的影响之外，资本深化、出口贸易和外商直接投资等也是当前影响中国劳动收入份额变动的主要因素。随着资本深化的不断推进，要注重要素收入分配的均衡发展，防止资本要素的收入过快增长；要不断优化出口产品结构，以智能制造驱动高附加值劳动密集型出口产品生产，稳定外向型企业劳动收入份额；要积极引进就业促进型外商直接投资，在国内国际双循环中促进更充分更高质量的就业。

参考文献

白重恩、钱震杰，2009：《我国资本收入份额影响因素及变化原因分析——基于省际面板数据的研究》，《清华大学学报(哲学社会科学版)》第4期。

白重恩、钱震杰，2010：《劳动收入份额决定因素：来自中国省际面板数据的证据》，《世界经济》第12期。

陈诗一，2011：《中国工业分行业统计数据估算：1980—2008》，《经济学(季刊)》第3期。

陈宇峰、贵斌威、陈启清，2013：《技术偏向与中国劳动收入份额的再考察》，《经济研究》第6期。

陈晓玲、连玉君，2012：《资本-劳动替代弹性与地区经济增长——德拉格兰德维尔假说的检验》，《经济学(季刊)》第1期。

戴天仕、徐现祥，2010：《中国的技术进步方向》，《世界经济》第11期。

樊纲、王小鲁、张立文、朱恒鹏，2003：《中国各地区市场化相对进程报告》，《经济研究》第3期。

范从来、张中锦，2012：《提升总体劳动收入份额过程中的结构优化问题研究——基于产业与部门的视角》，《中国工业经济》第1期。

郭凯明，2019：《人工智能发展、产业结构转型升级与劳动收入份额变动》，《管理世界》第7期。

林毅夫、蔡昉、李周，1999：《中国的奇迹：发展战略与经济改革(增订版)》，上海：上海人民出版社。

罗长远，张军，2009：《劳动收入占比下降的经济学解释——基于中国省级面板数据的分析》，《管理世界》 第5期。

宋旭光、左马华青，2019：《工业机器人投入、劳动力供给与劳动生产率》，《改革》第9期。

孙早、侯玉琳，2019：《工业智能化如何重塑劳动力就业结构》，《中国工业经济》第5期。

王媛媛、张华荣，2020：《G20国家智能制造发展水平比较分析》，《数量经济技术经济研究》第9期。

魏下海、董志强、赵秋运，2012：《人口年龄结构变化与劳动收入份额：理论与经验研究》，《南开经济研究》 第2期。

文雁兵、陆雪琴，2018：《中国劳动收入份额变动的决定机制分析——市场竞争和制度质量的双重视角》，《经济研究》第9期。

冼国明、杨长志，2009：《外资所有权与工资升水关系研究评述》，《经济学动态》第3期。

张曙，2014：《工业4.0和智能制造》，《机械设计与制造工程》第8期。

周济，2015：《智能制造—— “中国制造2025”的主攻方向》，《中国机械工程》第17期。

Alexander, S. M., 1987, “The Application of Export Systems to Manufacturing Process Control”, Computer & Indus-trial Engineering, 12(4):307-314.

Chen, D.,S. Heyer, S. Ibbotson, K. Salonitis, J. G. Steingrímsson, and S. Thiede, 2015, “Direct Digital Manufacturing: Definition, Evolution, and Sustainability Implications ”, Journal of Cleaner Production, 107:615-625.

Davis,J., T. Edgar, J. Porter, J. Bernaden, and M. Sarli, 2012, “Smart Manufacturing, Manufacturing Intelligence and Demand Dynamic”, Computer & Chemical Engineering, 47:145-156.

Edosomwan, J. A., 1987, “Understanding Computer-aided Manufacturing Impact on the Total Productivity”, Computer & Industrial Engineering, 12(4):283-290.

Gilchrist, A., 2016, Industry 4.0: The Industrial Internet of Things, New York: Apress.

Kang, H. S., J. Y. Lee, S.S. Choi, H. Kim, J. H. Park, J. Y. Son, B. H. Kim, and S.D. Noh, 2016,“Smart Manufacturing: Past Research, Present Findings, and Future Directions”, International Journal of Precision Engineering and Manufacturing-Green Technology, 3(1):111-128.

Klump, R., P. McAdam, and A. Willman, 2007, “Factor Substitution and Factor-Augmenting Technical Progress in the United States: A Normalized Supply-Side System Approach”, The Review of Economics and Statistics, 89(1):183-192.

Kusiak, A., 1990, Intelligent Manufacturing Systems, New Jersey: Prentice Hall.

Lu, Y., K. Morris, and S. Frechette, 2016, “Current Standards Landscape for Smart Manufacturing Systems”, NISTIR 8107, National Institute of Standards and Technology.

Marques, M., C. Agostinho, G. Zacharewicz, and R. Jardim-Gonçalves, 2017, “Decentralized Decision Support for Intelligent Manufacturing in Industry 4.0”, Journal of Ambient Intelligence and Smart Environments, 9(3):299-313.

Zhou, J., P. Li, Y. Zhou, B. Wang, J. Zang, and L. Meng, 2018, “Toward New-Generation Intelligent Manufacturing”, Engineering, 4(1):11-20.

HOW DOES INTELLIGENT MANUFACTURING AFFECT LABOR INCOME SHARE
——An Empirical Study Based on Provincial Panel Data in China
SONG Xu-guang DU Jun-hong

(School of Statistics, Beijing Normal University)

Abstract: This paper analyzes the effect of intelligent manufacturing development on the labor income share. Based on the nested CES production function, this paper constructs a theoretical labor income share framework including intelligent manufacturing and traditional production mode, to describe the mechanism of the influence of intelligent manufacturing on the labor income share. Empirical analysis is carried out by constructing intelligent manufacturing index system and Normalized Supply-side System. The study finds that the elasticity of substitution between intelligent manufacturing and traditional production mode determines the effect direction of intelligent manufacturing-labor extended technology progress on labor income share. Through the Normalized Supply-side System, it is found that the elasticity of substitution between intelligent manufacturing and traditional production mode is complementary, and extended technology progress finally inclines to intelligent manufacturing, which will lead to the decline in the labor income share. In addition, the development of intelligent manufacturing improves the average wage rate and labor productivity. The increase in labor productivity produces excess demand for capital and intelligent manufacturing because of the complementary relationship between the factors. As a result, the increase in labor income share is limited. Therefore, this paper points out that the government should perfect the income security mechanism, such as reducing the labor income tax, and improving the welfare of workers by income redistribution, and the training of labor skills should match the intelligence manufacturing, so as to increase the share of labor income.

Key words: intelligent manufacturing; intelligent manufacturing-labor extended technology; labor income share

* 宋旭光、杜军红(通讯作者)，北京师范大学统计学院，邮政编码：100875，电子信箱：201831011006@mail.bnu.edu.cn。本文获得国家社会科学基金重大项目“分两步走全面建设社会主义现代化国家的新目标研究”(18VSJ015)和国家社会科学基金重点项目“数字产业化与产业数字化规模测算与路径优化”(21AJL010)的资助。感谢匿名评审人的宝贵修改意见，本文已做相应修改，本文文责自负。

(责任编辑：付 敏)