How Industrial Robot Applications Resolve "Involutionary" Competition: From a Perspective of the Manufacturing Industry's Capacity Governance
-
摘要: 治理产能过剩是当前中国制造业“反内卷”的核心任务之一。以2007—2023年中国A股制造业上市公司为样本，考察工业机器人应用对产能过剩的影响及作用机制。研究发现，工业机器人应用显著提升了制造业企业产能利用率，进而有效缓解了产能过剩；该效应主要通过增强柔性生产能力与优化要素配置效率实现。异质性分析表明，机器人应用释放的产能治理效应，在产业链下游企业、成长期企业及非战略性新兴产业中更为突出。进一步分析揭示，工业机器人应用对产能过剩存在“双重门槛”特征，中低应用水平时治理效应显著，过度应用反而加剧供给过剩；且上游行业的机器人应用会通过供应链传导，加剧下游企业的产能过剩。研究结论为理解技术赋能如何破解“内卷式”竞争提供了微观证据，也为分类推进产能治理、防范供应链“纵向内卷”提供了政策启示。Abstract: Governing overcapacity is one of the key tasks of China's manufacturing industry's "anti-involution". This article uses China's A-share manufacturing listed companies from 2007 to 2023 as samples to examine the impact of industrial robot applications on overcapacity and their mechanism of action. It is found that the application of industrial robots has significantly improved enterprise production capacity utilization, thus overcapacity has been alleviated effectively. This is achieved by enhancing flexible production and optimizing factor allocation. Heterogeneity analysis shows that the capacity governance effect of robot application is more significant in downstream industries, enterprises in the growth period, and non-strategic emerging industries. Further analysis reveals that the application of industrial robots exhibits a "double threshold" characteristic regarding overcapacity: when applied at a medium-low level, the robot application has a significant governance effect, but excessive application exacerbates supply surplus. Additionally, robot applications in upstream industries will be transmitted through the supply chain, intensifying the overcapacity in downstream enterprises. This paper provides a micro evidence for understanding how technology can break down "involutionary" competition, and also offers some policy insights for categorized capacity governance and prevention of "vertical involution" in supply chains.
-
表 1 主要变量的描述性统计
变量名 样本量 均值 标准差 最小值 最大值 CU 27 734 0.325 0.103 0.059 0.951 Robot 27 734 3.533 1.406 0.000 8.486 Age 27 734 1.899 0.966 0.000 3.332 Size 27 734 21.320 1.404 18.255 25.231 Roa 27 734 0.039 0.071 -0.293 0.214 Tl 27 734 0.398 0.205 0.050 0.968 Itang 27 734 0.043 0.034 0.000 0.202 Top1 27 734 0.336 0.146 0.018 0.990 Invt 27 734 0.055 0.048 0.001 0.233 Pgdp 27 734 11.387 0.587 9.646 12.207 Pop 27 734 6.385 0.664 4.382 8.123 
下载: 导出CSV
表 2 基准回归结果
变量 (1) (2) (3) (4) (5) (6) Robot -0.007*** -0.006*** -0.007*** -0.007*** -0.006*** -0.006*** (-4.779) (-4.481) (-4.731) (-4.752) (-4.419) (-3.607) Age -0.008*** -0.003*** -0.003*** -0.004*** -0.004*** (-7.920) (-2.800) (-3.032) (-3.440) (-3.162) Size 0.009*** 0.007*** 0.007*** 0.008*** 0.008*** (13.835) (10.477) (10.394) (10.911) (6.327) Roa 0.083*** 0.083*** 0.089*** 0.089*** (12.458) (12.372) (13.340) (8.943) Tl -0.023*** -0.022*** -0.021*** -0.021*** (-7.035) (-6.701) (-6.393) (-4.390) Itang -0.063*** -0.044*** -0.044** (-4.321) (-2.987) (-1.971) Top1 -0.016*** -0.015*** -0.015** (-2.942) (-2.741) (-2.034) Invt -0.113*** -0.113*** (-12.397) (-10.202) Pgdp 0.007*** 0.007** (2.887) (2.366) Pop -0.014*** -0.014*** (-5.441) (-4.352) 常数项 0.349*** 0.167*** 0.203*** 0.213*** 0.216*** 0.216*** (67.995) (11.270) (13.242) (13.743) (5.914) (4.550) 企业固定 是 是 是 是 是 是 时间固定 是 是 是 是 是 是 样本量 27 734 27 734 27 734 27 734 27 734 27 734 R2 0.771 0.773 0.775 0.775 0.777 0.777 注：括号内为t值；*、**和***分别表示10%、5%和1%的显著性水平。下表同。
下载: 导出CSV
表 3 稳健性检验
变量 (1) (2) (3) (4) (5) 替换被解释变量 替换解释变量 剔除疫情影响 剔除金融危机 更换固定效应 Robot -0.135** -0.004** -0.007*** -0.005*** (-2.052) (-2.016) (-3.653) (-2.779) Exposure -0.004*** (-4.576) 常数项 26.833*** 0.274*** 0.223*** 0.240*** 0.244*** (10.421) (5.366) (4.011) (4.909) (5.208) 控制变量 是 是 是 是 是 企业固定 是 否 是 是 是 城市-企业固定 否 是 否 否 否 时间固定 是 是 是 是 否 行业-时间固定 否 否 否 否 是 样本量 27 734 27 734 18 802 27 056 27 725 R2 0.910 0.778 0.743 0.783 0.792 注: 受限于篇幅，控制变量参与回归，但其估计系数未列出，留存备索，下表同。
下载: 导出CSV
表 4 工具变量法
变量 (1) (2) (3) (4) 第一阶段 第二阶段 第一阶段 第二阶段 Robot CU Robot CU Robot -0.111*** -0.098*** (-4.974) (-2.762) Wage-Level 0.213*** (11.290) PI 0.036*** (4.614) 控制变量 是 是 是 是 企业固定 是 是 是 是 时间固定 是 是 是 是 样本量 24 192 24 192 27 734 27 734 Kleibergen-Paap rk LM 140.161*** 23.208*** [0.000] [0.000] Kleibergen-Paap rk Wald F 127.453 21.288 {16.380} {16.380} 注: 受限于篇幅，控制变量参与回归，但估计系数未列出；并控制企业与时间固定效应。下表同。
下载: 导出CSV
表 5 机制检验结果
变量 (1) (2) (3) (4) NFP INT MLA LAS Robot 0.039*** -0.038** -0.030** 0.126** (2.655) (-2.380) (-2.375) (2.102) 常数项 -0.419 7.178*** 1.853*** -2.697* (-0.894) (17.614) (6.077) (-1.747) 控制变量 是 是 是 是 企业固定 是 是 是 是 时间固定 是 是 是 是 样本量 27 734 27 734 27 734 23 329 R2 0.660 0.782 0.801 0.796
下载: 导出CSV
表 6 异质性检验
变量 (1) (2) (3) (4) (5) (6) (7) (8) 产业链上游 产业链中游 产业链下游 成长期 成熟期 衰退期 战新产业 非战新产业 Robot 0.009** -0.004 -0.014*** -0.007*** 0.003 -0.005 0.009** -0.006*** (2.025) (-1.566) (-5.838) (-3.391) (0.425) (-1.099) (2.253) (-3.364) 常数项 0.150 0.249*** 0.343*** 0.203*** 0.198 0.194 0.083 0.246*** (1.616) (4.074) (3.376) (3.458) (1.453) (1.336) (1.022) (5.171) 控制变量 是 是 是 是 是 是 是 是 企业固定 是 是 是 是 是 是 是 是 时间固定 是 是 是 是 是 是 是 是 样本量 6 919 13 321 7 474 19 043 2 840 4 329 6 491 21 243 R2 0.803 0.771 0.773 0.809 0.828 0.787 0.765 0.785
下载: 导出CSV
表 7 双重门槛效应与供应链溢出效应
变量 (1) (2) (3) 单一门槛 双重门槛 溢出效应 Robot×I_1 -0.005*** -0.007*** (-4.183) (-6.361) Robot×I_2 0.000 -0.002** (0.364) (-1.960) Robo×I_3 0.006*** (3.675) Robot -0.006*** (-3.593) UpRobot 0.003** (2.051) 常数项 -0.380*** -0.338*** 0.233*** (-8.352) (-12.141) (4.966) 控制变量 是 是 是 企业固定 是 是 是 时间固定 是 是 是 样本量 9 724 9 724 27 734 R2 0.153 0.108 0.777
下载: 导出CSV
-
[1] 林毅夫, 巫和懋, 邢亦青. "潮涌现象"与产能过剩的形成机制[J]. 经济研究, 2010, 45(10): 4-19. [2] 刘鹏, 何冬梅. 兼并重组能有效化解产能过剩吗——基于PSM-DID方法的实证检验[J]. 广东财经大学学报, 2019, 34(3): 4-13. [3] 周黎安. 晋升博弈中政府官员的激励与合作——兼论我国地方保护主义和重复建设问题长期存在的原因[J]. 经济研究, 2004(6): 33-40. [4] 牛晓帆. 西方产业组织理论的演化与新发展[J]. 经济研究, 2004(3): 116-123. [5] 包群, 唐诗, 刘碧. 地方竞争、主导产业雷同与国内产能过剩[J]. 世界经济, 2017, 40(10): 144-169. [6] 杨海生, 柳建华, 连玉君. 企业投资决策中的同行效应研究: 模仿与学习[J]. 经济学(季刊), 2020, 19(4): 1375-1400. [7] 罗敬蔚. 人工智能与产业创新深度融合的机制与路径[J]. 江西社会科学, 2025, 45(8): 195-205. [8] 金观平. 重点行业产能治理重在"反内卷"[N]. 经济日报, 2025-09-14(01). [9] 余东华, 张昆. 要素市场分割、产业结构趋同与制造业高级化[J]. 经济与管理研究, 2020, 41(1): 36-47. [10] 郑永年. 中国跨越"中等技术陷阱"的策略研究[J]. 中国科学院院刊, 2023, 38(11): 1579-1592. [11] 徐业坤, 马光源. 地方官员变更与企业产能过剩[J]. 经济研究, 2019, 54(5): 129-145. [12] 范林凯, 李晓萍, 应珊珊. 渐进式改革背景下产能过剩的现实基础与形成机理[J]. 中国工业经济, 2015(1): 19-31. [13] 于斌斌. 产业结构调整与生产率提升的经济增长效应——基于中国城市动态空间面板模型的分析[J]. 中国工业经济, 2015(12): 83-98. [14] Di G G, Lerch B. Robots and non-participation in the United States: where have all the workers gone?[J]. Industrial and Labor Relations Review, 2026, 79(1): 91-113. doi: 10.1177/00197939251373051 [15] 王永钦, 董雯. 机器人的兴起如何影响中国劳动力市场?——来自制造业上市公司的证据[J]. 经济研究, 2020, 55(10): 159-175. [16] 刘志彪, 王兵. 中国制造业"内卷式"恶性竞争的发生机制与破解路径[J]. 财经问题研究, 2024(12): 3-15. [17] 唐晓华, 景文治. 人工智能赋能下现代柔性生产与制造业智能化升级研究[J]. 软科学, 2021, 35(8): 30-38. [18] 黄群慧, 叶其楚. 中国制造业"内卷式"竞争现象及其形成机制研究[J]. 改革, 2025(6): 13-27. [19] Graetz G, Michaels G. Robots at work[J]. The Review of Economics and Statistics, 2018, 100(5): 753-768. doi: 10.1162/rest_a_00754 [20] 袁劲, 刘啟仁, 赵灿. 城市工业机器人渗透与中国制造业出口——来自多维数据的证据[J]. 经济学动态, 2024(3): 25-43. [21] 陈东, 秦子洋. 人工智能与包容性增长——来自全球工业机器人使用的证据[J]. 经济研究, 2022, 57(4): 85-102. [22] 黄卓, 陶云清, 刘兆达, 等. 智能制造如何提升企业产能利用率——基于产消合一的视角[J]. 管理世界, 2024, 40(5): 40-59. [23] 王胜, 赵浩权. 企业智能化转型、内生技术创新与技能溢价[J]. 中国工业经济, 2025(11): 112-130. [24] Frey B C, Osborne A M. The future of employment: how susceptible are jobs to computerisation[J]. Technological Forecasting & Social Change, 2017, 114: 254-280. [25] Wang E Z, Lee C C, Li Y. Assessing the impact of industrial robots on manufacturing energy intensity in 38 countries[J]. Energy Economics, 2022, 105: 105748. doi: 10.1016/j.eneco.2021.105748 [26] 郭庆旺, 贾俊雪. 中国潜在产出与产出缺口的估算[J]. 经济研究, 2004(5): 31-39. [27] 刘志强, 饶品贵, 巫岑. 集团化经营是否缓解了产能过剩?[J]. 财贸研究, 2024, 35(9): 94-110. [28] Acemoglu D, Restrepo P. The race between man and machine: implications of technology for growth, factor shares, and employment[J]. American Economic Review, 2018, 108(6): 1488-1542. doi: 10.1257/aer.20160696 [29] 方丹, 陆巧雯, 陈彬, 等. 补贴退坡政策与战略性新兴产业产能过剩——来自光伏上市公司的证据[J/OL]. 中国管理科学. https://doi.org/10.16381/j.cnki.issn1003-207x.2023.2013 .[30] 国务院发展研究中心《进一步化解产能过剩的政策研究》课题组, 赵昌文, 许召元, 等. 当前我国产能过剩的特征、风险及对策研究——基于实地调研及微观数据的分析[J]. 管理世界, 2015(4): 1-10. [31] 孙早, 宗睿. 工业智能化、劳动力技能结构与行业收入差距[J]. 中国工业经济, 2025(1): 62-80. [32] 李磊, 王小霞, 包群. 机器人的就业效应: 机制与中国经验[J]. 管理世界, 2021, 37(9): 104-119. [33] 胡化广, 刘海建, 周枫凯. 人工智能的"稳链"效应——来自供应链波动的经验证据[J]. 数量经济技术经济研究, 2025, 42(10): 90-111. [34] 江艇. 因果推断经验研究中的中介效应与调节效应[J]. 中国工业经济, 2022(5): 100-120. [35] 倪婷婷, 王跃堂. 区域行政整合、要素市场化与企业资源配置效率[J]. 数量经济技术经济研究, 2022, 39(11): 136-156. [36] 白雪洁, 于志强. 资源配置、技术创新效率与新兴产业环节性产能过剩——基于中国光伏行业的实证分析[J]. 当代财经, 2018(1): 88-98. [37] Antràs P, Chor D, Fally T, et al. Measuring the upstreamness of production and trade flows[J]. American Economic Review, 2012, 102(3): 412-416. doi: 10.1257/aer.102.3.412 [38] 丁焕峰, 张蕊, 周锐波. 制造业企业智能化转型及其创新效应研究——基于企业生命周期理论的视角[J]. 产业经济研究, 2023(2): 83-96. [39] Dickinson V. Cash flow patterns as a proxy for firm life cycle[J]. The Accounting Review, 2011, 86(6): 1969-1994. doi: 10.2308/accr-10130 [40] 魏嘉辉, 顾乃华. 工业机器人、高技能劳动集聚与地区工业集聚[J]. 产经评论, 2022, 13(1): 146-160. [41] 杨汝岱, 李艳, 孟珊珊. 企业数字化发展、全要素生产率与产业链溢出效应[J]. 经济研究, 2023, 58(11): 44-61. [42] 余壮雄, 林嘉雯. 智能化能否带来低碳化——空间清洁溢出与价值链低碳扩散[J]. 南方经济, 2024(7): 70-90. -
