【香樟推文3690】机器人集群的特征与地理分布

今日新闻 2025年11月05日 22:09 1 aa

01 引言

新技术是生产率增长的关键驱动力。早期证据表明，机器人与前几代通用技术一样，正在推动生产率增长。此外，根据国际机器人联合会（IFR）编制的工业机器人数据，自2010年以来，工业机器人的出货量几乎翻了两番，从每年约10万台增加到近40万台，这表明机器人对经济的影响越来越大。尽管机器人在制造业中更为常见，但其他行业也越来越多地使用机器人。机器人对经济的整体影响可能是复杂的，这就是为什么研究者们仍在努力了解机器人如何影响企业、就业和地区经济。

相关研究大致有两类方法来识别机器人数量。其一是使用每个行业的就业分布，跨地理区域，分配IFR编制的国家行业级机器人出货量；其二是使用机器人进口数据或机器人使用调查数据来确定企业机器人采用。第一种方法假定某个行业的机器人地理分布与该行业的就业分布相同；第二种方法关注的是企业整体（一家企业可能在多个地点都有分机构），忽视了企业的分支机构。鉴于这两种方法的缺点，以及它们在描述机器人采用的地理差异方面的局限性，人们呼吁在机构层面系统地收集机器人数据，文章通过描述美国人口普查局的制造商年度调查（ASM）收集的企业级机器人数据来解决这一需求。

研究发现，（1）机器人企业有更多的员工，更低的人均收入，更高的生产工人比例，以及更多的资本支出，包括计算机和数据处理设备的支出。（2）在考虑了不同地区的行业构成和制造业就业的差异后，不同地区间的机器人分布也是高度偏斜的。有些地点，我们称之为“机器人集群”，在控制了行业组合之后，拥有机器人的机构非常集中。（3）基于行业、人口统计和制度维度的研究发现，机器人集群更有可能拥有较多的工会会员、机器人集成商（专门帮助制造商安装机器人的公司），并且比其他地方拥有更高的生产工人比例。

02 数据

主要数据来源：

（1）美国人口普查局的年度制造商调查（ASM），作者使用ASM 中新增的关于机器人使用情况的三个问题（制造商目前使用多少机器人，购买了多少机器人，以及在机器人设备上的花费）

（2）纵向商业数据库（LBD），用于获取有关公司年龄和公司规模的信息。

（3）年度商业调查（ABS），用于与 ASM 数据进行比较

为了描述和分析“机器人集群”的特征，作者还整合了其他几个来源的数据：

（1）机器人工业协会，获取机器人集成商的位置数据

（2）商业动态统计，用于获取 30 年前的历史制造业就业数据

（3）美国社区调查，计算人口中拥有高中及以下学位或学士学位的比例

（4）职业就业与工资统计，计算 STEM 相关职业员工和生产工人的比例

（5）Hirsch and Macpherson (2003) 的数据，获取有关工会成员百分比数据

03 分析结果

3.1机器人使用的影响因素

如表4A所示，列（1）中资本支出的分位数系数均显著为正且Quartile4的系数远大于Quartile3、Quartile2，表明资本支出较高的企业可能拥有更多机器人。此外，总资本支出最多的企业（Quartile4）机器人使用是Quartile2的四倍多。列（2）增加了IT资本支出的分位数，仅Quartile4的估计系数显著为正，即对于IT资本支出，影响似乎集中在支出分布的最顶端。列（3）增加了其他资本支出的分位数，系数均显著为正；同时，列（2）、（3）中的总资本支出系数尽管数值下降但仍显著为正，这表明有机器人的企业和没有机器人的企业之间的资本支出差异可能与其他补充性设备的投资有关。列（4）中加入生产工人比例、列（5）中加入平均工资和劳动比例后，资本支出变量的系数基本不变，生产工人比例系数为正且显著，表明生产工人比例较高的企业更有可能使用机器人。

注：为度量资本支出分布中使用机器人的相对倾向，回归中未加入Quartile1。

在表4 B中，复制表4A的回归，但控制企业规模和企业年龄、加入3位数NAICS行业固定效应和州层面的固定效应。这些额外的虚拟变量有助于控制企业间的差异，包括与其母公司相关的功能（规模和年龄），行业和地理位置。列（1）-（5）中报告的变量系数大小相对于表4A中的对应值有所下降，但方向和显著性基本保持不变；但劳动力份额除外，此处劳动力份额与机器人使用呈负相关。在列（6）中进一步控制包括机构规模和年龄固定效应，结果显示除了IT投资外，其他变量的系数、方向和显著性基本不变，这表明一旦控制机构规模和年龄，IT投资就不再与机器人使用相关。

为了进一步探讨机构和企业特征的作用，接下来估计机器人存在指标对企业和机构规模和年龄指标的一系列回归。

如表5所示，列（1）中仅包括企业年龄和企业规模的指标，企业年龄指标的系数均不显著，而企业规模的所有指标均为正。此外，系数随公司规模增加而增加。这是由于大公司可能有更多的机会使用机器人，因为他们有更多的经营活动、工人和生产线。列（2）中仅包括机构年龄和机构规模的指标，机构年龄的系数均不显著，而机构规模的估计则全部显著为正。此外，这些系数随着规模的增加而增加。列（3）中包括企业年龄、规模以及机构年龄、规模的所有指标。机构规模的系数与第2列中非常相似，而企业规模要么失去了显著性，要么出现了符号反转，在企业层面，机构规模似乎是比企业年龄、企业规模和机构年龄更强的机器人使用预测因素。

考虑地理因素的影响，列（4）中添加了核心统计区（CBSA）的固定效应。结果与第3列中的结果相似。加入地区“机器人暴露”指标进一步探索地理因素如何影响使用机器人的决定，如果地理单元中有许多其他机构使用机器人，则该地理单元的机器人暴露度量值较高。将上述指标分组为四个分位数加入回归。列（5）中公司和机构的年龄、规模指标结果与第3列相似。值得注意的是，最大机器人暴露四分位数的系数显著为正，并且在数值上是其他两个分位数系数的两倍以上，这表明在考虑行业和CBSA后，机器人的采用并不统一，而是随着其他地理因素变化。

3.2机器人使用的地理差异

为了探索机器人数量的地理差异，文章计算了CBSA中机器人使用份额。具体来说，根据每个CBSA中机构报告的活动机器人数量将CBSA分为10个大小相等的箱，然后计算每个箱中CBSA所占的所有活动机器人的份额。在图5中，可以看到工业机器人设备在地理区域中的高度集中。在一半的CBSA中，几乎没有机构报告拥有机器人（十分位数1-5）。相比之下，按活动机器人数量计算，前10%的CBSA拥有超过77%的机器人。

图6显示了国家-行业的去均值机器人使用率分布。对于每个国有行业单元，计算该单元的机器人使用率，并从中减去相关行业的全国使用率。对于给定行业，机器人使用率高于行业平均值的州被分配正的平均值；具有较低机器人使用率则被分配负的均值。这意味着数据可以关注到不同行业、不同地理位置的机器人使用差异。图中显示了两个版本的直方图，一个按国有行业加权，另一个按企业数量加权。如图所示，即使在行业内，机器人使用率也因州而异。许多州的行业对低于全国行业使用率，并被分配了负的均值。接近27%的州机器人使用率比其相关的全国平均值低5个百分点以上。此外，机器人使用率高于行业平均水平的企业相对较少，大约12%的国有企业对机器人的使用率高于10个百分点。

图7展示了汽车制造业中不同地理位置的行业差异。根据该州汽车制造企业的机器人使用率将各州分为四个大小相等的箱，将分析限制在具有汽车制造企业的州。按使用率计算，最低25%的州机器人平均使用率不到1%；相比之下，使用率最高25%的州平均使用率为39%。这表明即使在工厂更有可能使用机器人的行业中，某些地区的机器人使用率也比其他地区高得多。

3.3机器人集群

通过几个步骤识别机器人集群。首先，将CBSA的行业水平使用率减去国家行业一级的使用率（类似图6），这提供了一个衡量标准，衡量给定CBSA内的行业相对于该行业活动的其他地区使用机器人程度。其次，通过计算去均值使用率的平均值，并按CBSA行业单元中报告的机构数量进行加权，将其汇总到CBSA层面。最后，确定去均值使用率分布中前25%的地区，且这些地区至少有20个报告的机构，将这些地区作为“机器人集群”。

为了探索机器人集群的特征，考虑以下因素的影响：具有机器人集成商（Has Has Integrator）、工会会员比例（Union Membership）、30年前制造业就业人数前40名的CBSA（Top Manuf 30 Yrs Prior）、高中或更低学历的人口比例（Share with High Sch Deg）、拥有学士学位的人口比例（Share with Bachelor's Deg）、从事STEM相关职业的员工比例（Share of STEM Workers）和生产工人比例（Share of Prod Workers）。表8展示了一系列OLS回归的结果，列（1）中具有机器人集成商的系数约为0.24，意味着具有一个或多个集成商的CBSA成为机器人集群的可能性约高24%。在列（2）-（5）中，将其他变量按顺序添加到同一回归中，具有机器人集成商的系数仍显著为正。列（5）包括上述所有变量，具有机器人集成商、工会成员比例和生产工人比例的系数均显著为正，其他变量都不显著。因此，在给定的地理位置情况下，机器人使用率高于预期的最重要因素是机器人集成商、工会成员和生产工人比例。

04 结论

文章使用美国人口普查局的制造商年度调查收集的2018年新企业级数据，按企业特征和地理位置展示了美国制造业中机器人的分布情况。这是第一次对美国制造业中机器人使用情况进行企业级分析，利用了约35000家企业的数据。研究发现，第一，与没有机器人的企业相比，拥有机器人的企业往往规模更大，每个工人的收入更高，生产工人的比例更大，在资本支出（包括IT）上的支出更多。这表明机器人的采用与IT之间存在互补性，这一模式也适用于其他类型的技术。此外，使用机器人的工厂往往比规模和年龄相似的非机器人工厂雇用更高比例的生产工人。第二，即使考虑到地区间工业和制造业就业的不同组合，机器人的分布在不同地区之间也是高度偏斜的。在机器人集群中，考虑到工业组合后，机器人的数量远远超过预期。机器人集群往往位于至少有一个机器人集成商、工会成员较多、生产工人比例较高的地区。

鉴于数据的横截面性质（数据目前可用于2018年），上述观察到的相关性不一定是因果关系。尽管如此，文章中的结论提供了关于机器人在企业和地理位置上分布的有用信息，特别是提出了为什么机器人的分布在地理上具有倾斜，以及机器人集群在企业和工人的区域绩效和成果中所发挥的作用，为未来的研究提供了一个有用的起点。文章结论也为未来的研究提出了多个问题。例如，机器人采用的最低有效规模是否因企业特征而异？此外，为什么工会会员与机器人集群呈正相关？这是因为工会会员较多的地区的企业有更大的动机采用机器人替代劳动力；还是因为互补性，即在培训和使劳动力适应新技术方面的机器人合作？