机器人技术对制造企业的影响

机器人技术对制造业的影响：一项纵向的机器学习视角

摘要

在当前数字化转型的背景下，评估工业机器人采用对企业的影响日益重要。尽管许多企业迫切希望采用这些技术以提高生产率，但人们也对转型的成本影响及其对劳动力的影响提出了一些担忧。
越来越多的文献正在研究这些现象，但根据我们对相关文献的综述，目前尚缺乏长达25年的纵向视角来揭示企业对机器人技术的态度与主要业务指标之间的关系。
本研究采用了一种创新的机器学习模型，该模型包含一个分两个阶段进行的自动化嵌套纵向聚类，并将其应用于西班牙财政部和公共管理部开展的企业战略调查中的4578家企业的大样本。
本研究的发现在此领域具有新颖性，不仅因为采用了两阶段的纵向建模方法，还因为揭示了企业特征及其绩效如何随着时间推移，根据其机器人技术采用程度而演变。这一知识有助于企业理解向机器人技术转型所带来的影响。同时，它也支持制定提升企业效率的战略，为企业提供应对负面财务事件的工具，并实现劳动力的最优配置。

1. 引言

人工智能（AI）和机器人技术等新技术的使用增加，对不同职业和行业产生了差异化影响，但这种影响尚未得到充分探讨（OECD， 2019）。该领域的文献日益增多，试图解释企业所经历的各种转型，但目前尚无明确说明生产率变化发生的原因和机制，也未能解释为何国家层面的数据显示出生产率增长放缓。解释观点各异，例如创造性破坏的误测，认为新产品为消费者提供了更高的质量和效用（Aghion等人， 2019）；价格指数计算错误电子商务商品，特别是考虑到在线市场中的赠品时（布林约尔弗松和吴， 2012；古尔斯比和克伦诺，2018）；或由于信息与通信技术（ICT）革命初期带来的企业生产力增长之后出现逆转，导致增长停滞（赛维森， 2011）。
上个世纪末，西方经济体的生产率增长在很大程度上归因于信息与通信技术企业，并且在大衰退期间持续存在，从而促进了生活水平的提高（乔根森、何和塞缪尔斯，2011）。这种影响既包括通过创新型企业产生的直接影响，也包括技术创新对传统行业带来的间接影响。此外，当企业转型为数字企业时，其影响更大，正如所调查的 Kraus等人 (2019)所示，为了实现生产率的提升，无论是在新兴企业还是成熟企业中，都需要进行大量的创业转型。
这些影响对于中小型企业（中小企业）同样适用，并且在严重依赖劳动力的新兴创业型企业中发挥了重要作用。例如，Díaz-Chao, Sainz-González and Torrent-Sellens(2015)证明了信息与通信技术能够更好地利用人力资本，改善培训，并在大型全球企业和为本地市场生产的小型企业中引入新的工作组织形式。
当企业决定进行国际化时，中小企业的创业过程创新受到更大影响，从而形成了所谓的“良性循环”，Soriano, Martinez-Climent and Tur-Porcar(2018)称之为通过改善企业内部组织来提升福利和增长的“良性循环”。
在当前新工业革命背景下，评估这一“良性循环”——包括采用数字化转型的一种形式即工业机器人技术的影响——变得日益关键。尽管许多企业迫切希望采用这些技术以提高生产率，但人们也对企业转型的成本影响及其对劳动力的影响提出了担忧（例如，Acemogluand Restrepo, 2019a）。
在本研究中，我们旨在进一步丰富关于自动化及其对创业转型影响的文献。为实现这一目标，我们使用了来自企业战略调查（Business Strategy Survey, ESEE）的数据。ESEE是由西班牙财政部和公共管理部开展的一项年度调查，提供了代表西班牙制造企业的面板数据，时间跨度为1990年至2015年（最近可获得数据的年份），涵盖了经济衰退及随后的复苏期（托伦特‐塞伦斯，2018）。
ESEE包含中小企业和大型制造企业的信息。我们的工作样本涵盖 4578家企业，其中3656家（79.86%）为中小企业，922家（30.13%）为大型企业，涉及两个主要领域。第一个领域涵盖战略决策，即价格、成本、市场和投资。第二个领域涵盖涉及人力资本、组织、企业家创新、研发（R&D）以及信息与通信技术使用的价值过程。ESEE还包含资产负债表和损益中最相关的关键指标和比率。
为了分析数据，我们采用了一种创新的机器学习（ML）模型，该模型由Ballestar等人（2019）提出的自动嵌套纵向聚类（ANLC）组成，分两个阶段在总样本上进行，以了解企业特征和绩效如何根据其机器人技术采用程度而演变，以及上述某些因素如何影响这一实施和发展。
该模型首先根据企业规模进行分层。输出结果包含两个组，其特征因企业属于中小企业还是大型企业而异。企业规模变量作为混杂变量，在分析企业纵向表现时，此分层阶段可减轻其影响科克伦（1968）。接下来，模型执行一种无监督机器学习方法，基于企业的双重视角进行纵向细分。
最终目标是确定采用机器人技术的中小企业和大型制造企业相较于非机器人技术企业，在劳动生产率和企业绩效方面是否朝着更高效的模式发展。我们的研究结果有助于企业理解其向机器人技术转型所产生的影响。这些发现支持创业策略的制定，以提升企业效率，并为其提供应对负面财务事件的工具，同时有助于实现劳动力规模的最优配置。
第2节回顾了理论框架，并根据文献中的空白提出了假设。随后，我们通过描述数据库和相关变量来关注数据分析中所使用的第4节，其中描述了ANLC，这是我们为实现研究目标所采用的一种机器学习方法。在结果与讨论第5节中，我们重点关注了研究结果及其对企业的影响，并以结论结束本文，结论指出了本研究的局限性，可供后续研究进一步评估。

2. 机器人与创新

更具创新能力的企业，尤其是在工艺和技术采用方面，往往采取主动创新战略，例如营销新产品、提高产品质量、增加产能以及投资创新流程。这些企业需要多种多样的技术资源来提升其绩效。目前，机器人技术、人工智能、机器学习和大数据在创新经济中密不可分，特别是在工业领域。随着这些技术的演变，大型和小型企业都专注于提供质量更高的优质产品，并利用技术提升绩效，为后续发展开辟空间（Dickson andHadjimanolis, 1998；Edwards et al., 2017）。
这场技术革命的影响是多方面的，且尚未被充分理解。其中一些话题，例如对就业的影响，已引起广泛关注，因为问题并不仅仅在于哪些工人将被机器人取代。2019年，经济合作与发展组织（OECD）估计，目前14%的工作岗位可能因自动化而消失，另有35%的工作岗位可能受到自动化严重影响。对于自动化的定义，我们采用Muro et al.(2019)的定义，即用机器执行的工作替代人类劳动力活动，其目标有两个：提高质量和降低单位成本。
自动化对劳动力市场的影响是绝对的，无论是直接还是间接的，因为它连续地将人力资本从其原有岗位取代到需要更传统技能的其他岗位。崔, 麦尼卡和米雷马迪（2016年）估计，在可预测的体力活动中，例如生产线和包装，替代率可能高达78%；在不可预见的活动中，例如林业工作或农民，替代水平为25%；服务业的替代程度将取决于其具体特征（巴列斯特尔、索里亚诺和萨因斯，2018年）。
自动化与员工的教育和培训、人力资本的强化相关联。尽管人们对劳动者技能在自动化中的分析日益关注，但尚不清楚哪些类型的工人最受机器人化的影响（Frank,等人，2019）。阿泽和所罗门，2018 通过使用28个经合组织国家的不同生产率指标，分析了自动化对就业的影响，发现尽管就业并未减少，但工作对这些国家增加值的贡献已下降。这一结果标志着与以往技术革命趋势的变化，以往的技术革命总是伴随着工人生产率的提高，工人在完成必要调整后实现了更大的贡献。
格雷茨和迈克尔斯，2018通过使用与经合组织相同的数据分析机器人所起的作用，重点关注生产率。研究结果引人注目，因为它们预测在增加机器人密度后，工作小时数不会发生变化，但劳动力构成将发生改变。存在一种技术偏向，即有利于高、中等资质的员工，而非低技能员工。这一结果与例如法贝尔，2018的研究一致，后者表明在美国自动化密度的增加对生产离岸外包至墨西哥产生负面影响，并对知识不对称产生影响。
阿西莫格鲁和雷斯特雷波，2019b利用国际机器人联合会的数据，研究机器人与人类劳动力之间的竞争对美国就业和工资的影响，发现两者之间的替代导致就业净减少，这可能与不同行业之间使用情况的差异有关。弗雷和奥斯本（2017）表明，在那些行业中就业减少传统上已经是机器人用户的行业（如汽车行业），以及迄今为止受到保护的其他行业（如服务业）。
使用的样本比我们所用的数据库更短，多拉泽尔斯基和豪曼德鲁 （2018） 分析了技术变革中的技术偏向，发现存在技术偏向，但与本文到目前为止所述相反，它对就业具有积极影响。巴列斯塔 等人 （2020） 证实，高素质人力资本在企业中占比越高，生产率提升的效果越显著 （5%）且呈上升趋势，但未提供有关这些提升如何实现的具体细节。 布拉纳斯等（2019） 利用欧盟KLEMS数据面板推进了这一观点，并通过一个相对简单的劳动力需求模型发现，从事常规性低技能任务的工人 （通常为女性和年轻人）会因生产率提升而受到机器人引入的最大影响。
这些分析虽有所进展，但并未详细说明与员工培训相关的变革特征、企业如何改变其对人力资本知识的管理方式，以及这些与培训相关变革的影响。要提供这些细节，关键在于确定就业和生产率变化的分类法，以便制定必要的培训政策，避免失业，并将支持重点放在最弱势的群体上。例如，拉福雷（2011） 发现中小企业创新受到利润率、产品生命周期、商业模式、短期收益、质量、资金、合格劳动力、外部资源，以及自豪感、成功愿望和改善工作条件等因素的驱动。
生产率提升是自动化扩展中的主要议题之一，也是企业家能够获得最大收益的领域，Ballestar等人（2020）的研究与多拉泽尔斯基和豪曼德鲁（2018）的结果一致，发现产业受益于劳动增强型生产率的增长，而这一结果未被阿西莫格鲁和雷斯特雷波（2019a）发现。为了深入理解这一方面，我们提出假设1（H1）：
H1.机器人化影响工业企业的主要业务指标，包括绩效和生产率。
企业规模是一个重要问题。亨雷克森和约翰松（2010）指出，中小企业在就业创造和利用知识创造方面具有更动态的方式。斯塔姆和温伯格（2009）认同这一分析，并发现研发增长促进了关系与创新，尤其是 在小企业中。最近，Díaz-Chao等（2015年和2016年）关注小企业的竞争力，发现创新是小企业生产率的决定因素之一，特别是具有创业型特征的企业。我们检验这种效应在自动化方面是否类似，并提出假设2 （H2）：
H2.采用机器人化的企业，无论其规模如何，生产率都会提高；因此，它们的生产率模式会演变得比未采用机器人化的企业更高效。
自动化进程是否存在极限？阿西莫格鲁等人（2019）从理论上指出，如果所有任务都能被自动化，则可能存在这种极限，但现实更为复杂： “即使许多任务实现了自动化，由于某些领域仍然至关重要却难以改进，增长可能依然受限”，即使追加资本投资也是如此。舍约特和克雷格 （2017）以及布林约尔弗松、罗克和赛弗森（2018）也对创业型企业从理论上推导出相同结论，但均未提供针对我们提出的假设3（H3）的实证结果：
H3.生产率的提升并非无限，而是会达到一个饱和点。也就是说，采用机器人技术会带来生产率的提高，但这种提高不是无限的。
就业两极分化是自动化面临的一个主要问题，因为它引发了关于其对美国及其他地区工资和薪金影响的疑问（古斯、曼宁和萨洛蒙斯，2009；阿西莫格鲁和多尔，2011）在评估工人受影响情况时指出。 弗雷和奥斯本（2017） 关注这一现象如何影响不同行业，但未涉及企业规模。 迪亚兹‐查奥 等. （2015）研究表明，实施创新流程的中小企业能够提高工资，这一结果与多尔和萨洛蒙（2018）的观点相矛盾，后者估计自动化对工作小时数和劳动力份额的全要素生产率增长具有直接的负面影响，这种影响应反映在工资上。为了澄清这一问题，我们检验机器人对大型和小型企业工资的影响，并提出假设4（H4）：
H4.采用机器人化的企业，无论是中小企业还是大型企业，都在向提高每位员工人力成本的模式发展。机器人化导致人力劳动力成本上升。
如果结果为正，则以与H3相同的方式，我们将检验其对工资的影响，并提出假设5（H5）：H5.这种成本增加并非无限，而是达到一个饱和点。也就是说，与生产率类似，在完全采用机器人技术后，成本增长会随着时间趋于稳定。
自动化对企业竞争优势的影响已被讨论。Díaz-Chao et al.(2016)对中小企业相关讨论进行了显著的综述。 阿西莫格鲁和雷斯特雷波（ 2019a） 关注是否存在某种正确或错误的流程类型，使得自动化能够产生理想的社会结果，但他们忽略了企业特征，而Ballestar et al., 2020对此进行了研究。他们还忽视了对企业家的影响，正如巴尔巴‐桑切斯、阿里亚斯‐安图涅斯和奥罗斯科‐巴尔博萨（2019） 在其文章中所讨论的那样。总体效应是假设6（H6）的关注重点，我们检验生产率的提高是否同时保护企业和其劳动力。我们研究机器人化是否在非机器人化企业之上构成竞争优势，不仅在有利环境中如此，在复杂的金融环境中亦然：
H6.已转型采用机器人技术的企业对不利的金融事件更具韧性。
最后，我们通过参考弗雷和奥斯本（2017）、巴列斯塔等人（ 2020）以及巴尔瓦‐桑切斯、阿里亚斯‐安图涅斯和奥罗斯科‐巴尔博萨 （2019）的研究，评估机器人化对企业规模的影响，因为这可能影响企业的创业特征阿尔贾纳比（2018）： 假设7。（假设7）：机器人化过程对中小企业和大型企业的影响方式相同，尽管对企业绩效和生产率指标的影响程度因企业的不同特征而有所差异。

3. 数据收集

我们分析了来自ESEE的面板数据。该面板包含了由西班牙财政部和公共管理部提供的、代表1990年至2015年（最新可用年份）西班牙制造企业的数据。
ESEE数据库非常丰富，具有两大优势：时间跨度为25年，且该时期包含了经济衰退及随后的复苏。这些数据可用于对生产率的微观经济学进行非常详细的分析，并评估特定经济事件对制造企业的影响 Torrent-Sellens(2018)。
ESEE调查中的企业按规模进行区分：大型企业指拥有超过200名工人的企业，中小企业指拥有10至200名员工的企业。样本包括所有大型企业，并按行业（CNAE：国家经济活动两位数分类代码）和中小企业的企业规模进行按比例分层并系统抽样。最后，少于10名员工的企业被排除。
我们的工作样本包含在ESEE中调查的4578家制造企业，其中 3656家（79.86%）为中小企业，922家（20.13%）为大型企业，涵盖两个主要领域。第一个领域是战略决策，即价格、成本、市场和投资。第二个领域是价值创造过程，涉及人力资本、组织、创新、研发和信息与通信技术的使用。此外，还列出了资产负债表和损益表中最相关的指标和比率。我们还针对企业层面的主要业务指标计算了链式指数，以捕捉并衡量这些企业的演变情况。
ESEE包含25年数据。为了保持面板的规模随时间稳定，一些企业被纳入以替代退出的企业。参与该面板的样本企业由西班牙财政部根据欧盟统计局（EUR‐OSTAT）指南提供。我们使用链式指数的主要原因之一在于，它们在处理缺失数据以及减少纵向样本（如ESEE）中个体替换所带来的偏差效应风险方面具有稳健性。链式指数是通过采用费恩斯特拉和夏皮罗（2003）以及特里普利特（2004）的方法计算得出的。
我们参考了关于该主题的研究（Ballestar等人，2020），并将研究重点放在对4578家企业长达25年的纵向样本评估上。我们评估了机器人技术采用对其主要业务指标的影响，这为管理层在战略决策方面提供了有价值的信息。
在调查中，观察期内每年都有商业指标信息，但机器人技术使用情况的信息仅在调查中每四年收集一次。因此，我们的纵向分析聚焦于一个从1991年至2014年的七年纵向样本，且不失代表性。该方法等同于每隔四年对ESEE调查中的所有企业进行一次系统抽样（马拉瓦尔和德尔里奥（2007））。
数据挖掘通过使用SAS软件、SPSS软件和Python编程语言完成，创建了一个包含4578条记录（3656家中小企业和922家大型企业）的单一表格，每条记录对应一家企业，并汇总了82个变量，这些变量以纵向形式捕捉了企业商业指标及机器人技术采用情况随时间的变化。经过迭代描述性与因果分析后，发现其中九个变量具有统计显著性，并且对本研究的实证分析具有相关性。这些变量的计算方法在中小企业和大型企业中保持一致。描述性分析详见第3.1节和第3.2节。

3.1. 业务指标描述性分析

在本节中，我们对观察期内的六个定量变量、相应的六个链式指数以及一个二分变量进行了描述性分析，这些变量汇总了企业关于生产率、劳动力、绩效和规模的信息。所有这些变量均与机器学习方法的发展相关。平均链式指数是通过索厄贝克法计算得出的，用于按年度开发价格平均值的指数数Klovland(1993)。

3.2 生产率与劳动力

与我们的研究相关的生产率和劳动力特征变量包括每位工人的劳动生产率、员工人数和劳动力成本。

3.2.1. 每位工人的劳动生产率

劳动生产率 是反映每位工人在公司中产生的增加值（以欧元为单位）的变量，其计算方法为公司每年产生的总增加值除以同年工人数量。 表 1–8 劳动生产率链式指数的计算在公司层面进行，反映了样本中企业劳动生产率的演变情况。劳动生产率的平均演变呈正向增长，链式指数为 1.40。按企业规模划分，显示大型企业的增长更高，其链式指数（1.57）高于中小企业（1.36）。

3.2.2. 员工人数

员工人数 对应企业劳动力的规模。我们还使用它来计算企业的劳动力生产率。根据ESEE调查的标准，中小型企业拥有10至200名工人，大型企业拥有超过200名员工。少于10名员工的企业未被纳入本研究。
员工数量链式指数的测量也在公司层面进行，显示了在观察期内企业劳动力规模的演变情况。平均数据显示，员工的绝对人数总体呈下降趋势（1991年至2014年下降了39.46%）。然而，由于企业之间的差异极大，该指数呈现出正向演变，链式指数为1.05。按企业规模划分部分解释了这种差异，但并非全部，表明在解释员工人数演变时，还有更多变量可能具有相关性。中小企业的劳动力减少了11.67%，链式指数为 1.04；大型企业的劳动力减少了8.42%，链式指数为1.05。
企业分类是一个二分变量，用于根据企业规模确定其属于中小企业还是大型企业。企业规模可能随时间变化，因此企业的分类也可能从中小微企业变为大型企业，或反之。正因如此，该变量将企业在观察期内任一时间点曾为中小企业的归类为中小企业，若企业在整个观察期内始终属于大型企业，则归类为大型企业。样本包含4578家企业，其中3656家 （79.86%）被归类为中小企业，922家（20.13%）被归类为大型企业。

3.2.3. 劳动力成本

劳动力成本指的是与公司工人相关的成本。这些成本直接关系到公司在内部培训、员工技能提升和工资方面的投资。
劳动力成本链式指数在公司层面进行计算，显示了在观察期内与企业工人相关的成本演变情况。劳动力成本的平均演变呈正增长，链式指数为1.45。按企业规模划分显示，大型企业的增长更高，链式指数为 1.50，高于中小企业的1.44。

3.2.4. 企业绩效

与我们研究相关的企业绩效变量包括增加值、出口和金融资产。

3.2.4.1. 增加值

公司以欧元产生的增加值是用于追踪公司年度绩效的变量，也用于计算公司劳动生产率变量。总增加值可为正或负。
增加值链式指数的估值也在公司层面进行计算，反映了样本中企业增加值的演变情况。增加值的平均演变呈正向增长，链式指数为1.49。按企业规模划分显示，大型企业的增长高于中小企业，其链式指数分别为1.62和1.46。

3.2.4.2. 出口

出口 以欧元计价，用于衡量企业的国际化程度。在观察期内，样本中的部分企业有出口，而其他企业则没有出口：3,055 家企业（ 65.12%）存在出口，1,636 家（34.88%）没有出口。企业行为因其规模而存在显著差异：大多数大型企业参与国际贸易（93.22%），大多数中小企业也参与国际贸易，但比例较低（57.92%）。
出口链式指数是在公司层面计算的，并且显示了样本企业国际化的演变情况。出口的平均演变呈正向，链式指数为174.29。按企业规模划分显示，中小企业的国际化进程较为显著，指数为216.23，而大型企业为8.32，因为大多数大型企业在参与面板调查前已开展国际贸易。

3.2.4.3. 金融资产

金融资产指公司可在短期内转换为现金的流动资产，是表征公司财务状况的重要信息。
金融资产指数在公司层面进行计算，反映了样本中企业财务状况的演变情况。企业金融资产的平均演变呈正向增长，链式指数为2.05。按规模划分显示，中小企业的增长高于大型企业，其链式指数为2.08，而大型企业为1.92。

3.3. 对机器人技术的态度描述性分析

在ESEE中，如果一家企业在某一年内在其经营活动中使用了机器人技术来进行流程自动化，则该企业在该年被归类为采用机器人技术的。
因此，可以追踪每家企业在观察期内对机器人技术的采用或未采用的演变情况。利用这些信息，计算出两个变量，以衡量企业在观察期内对机器人技术及其采用过程的态度。这些变量对于机器学习模型也具有重要意义。

3.3.1. 企业机器人化特征

该分类变量包含企业的机器人化特征，并描述了其在观察期内的采用过程。机器人技术采用程度因企业规模而异。
在观察期内，不同程度采用机器人技术的中小企业占比为30.53%，而大型企业为68.55%。该变量有六个可能的取值：
• Always Robotic：这些企业在观察期内始终采用机器人技术。
•迁移到机器人技术——流失：这些企业从未采用机器人技术转向采用机器人技术，但后来由于某些原因又放弃了。
•迁移到采用机器人技术-忠诚型：这些企业从未采用机器人技术转变为采用机器人技术，并一直保持对该技术的采用。
• Never Robotic：这些企业在观察期内从未采用机器人技术。
•采用机器人技术的 – 流失：这些企业开始参与面板调查时已采用机器人技术，但在观察期间因某种原因放弃了机器人化。
•无可用数据：该公司没有关于对机器人技术的态度的数据。

3.3.2. 大型企业中的机器人成熟度

我们创建了一个额外的分类变量，以进一步丰富大型企业的机器人技术应用状况信息。与中小企业相比，大型企业具有更高的机器人化百分比，并且采用这些技术的时间更长；因此，该变量被机器学习模型认定为解释此类企业机器人成熟度的相关因素。该变量通过企业在观察期内使用机器人技术的时间长度（以百分位数形式表示），来反映其在机器人技术采用方面的成熟度。
该变量有五个可能的取值，从0到4：
•值0： 该公司从未采用机器人技术。
•值1:该公司在样本年份中已有25%的年份采用机器人技术。
•值2:该公司在样本年份中已有50%实现了采用机器人技术。
•值3：该公司在样本年份中已有75%的年份采用机器人技术。
•值4: 该公司在样本年份中超过75%的时间采用了机器人技术。

4. 方法与实证分析

这项研究应用数据科学方法来进行基于西班牙制造企业对机器人技术的态度及其采用成熟度，对其主要绩效指标进行的纵向分析。在本研究中，我们采用了一种 recently developed 数据科学方法，即 ANLC，该方法包含一个在两个阶段执行的机器学习模型（Ballestar等人，2019）；在第一阶段，根据企业的规模分类对企业进行分层。企业的分类是一个二分变量，根据企业规模确定其属于中小企业还是大型企业，并作为混杂变量。
混杂变量与预测变量和结果变量均相关（Anderson，1980； Frank，2000）。因此，我们利用该混杂变量进行分层方法，并在第二阶段独立分析各结果组（Austin 和 Brunner，2004；Austin，2011； Ballestar、Grau‐Carles 和 Sainz，2019）。
在第二阶段，该模型对这两个群体分别进行纵向细分，不仅考虑企业的主要业务指标，还结合了它们在七年样本期内对机器人技术的态度以及采用机器人技术的成熟度，其中企业机器人化的数据由ESEE调查 （马拉瓦尔和德尔里奥（2007））收集。
ANLC 机器学习模型的目的是根据企业在机器人技术采用过程中的不同阶段，以及这种采用对其主要业务指标的影响，识别出不同的企业群体。

4.1. 多层次模型的第一阶段：分层

多层次模型的第一阶段采用分层方法，根据企业是否为中小企业或大型企业，将ESEE调查中的企业分为两组。基于描述性分析的结果，我们预期这一作为混杂变量的二分变量会影响企业的表现及其机器人化程度。在模型的第二阶段（包括纵向细分）中，第一阶段所应用的分层能够减轻企业规模分类所带来的影响（Cochran，1968；Aad等人， 2012）
除了描述性分析外，还进行了一次单因素方差分析（ANOVA）检验，以确认大型企业和中小企业这两组企业在其六个主要商业指标（每位员工的生产率、员工人数、劳动力成本、增加值、出口和金融资产）以及在采用成熟度方面对机器人技术的态度。方差分析检验的目的是通过公司规模确认公司类型的适用性，以进行分层，并验证其作为混杂变量的有效性（Pourhoseingholi、Baghestani 和 Vahedi，2012）。
分层阶段产生了两个组。第一组包括3656家中小企业（占样本的 79.86%）；第二组包括922家大型企业（占样本的20.13%）。方差分析检验表明，在观察期内，这两组企业在所有测试的商业指标上的平均表现、以及在机器人技术采用的成熟度和阶段方面均存在具有统计显著性的差异。所有p值均为0.000。

4.2. 多层次模型的第二阶段：聚类过程

多层次模型的第二阶段对两组公司在机器人化进程及其商业指标的纵向绩效方面应用两步聚类分析（Heggeseth等人，2015；Ballestar、 Grau‐Carles 和 Sainz，2018），这两组企业为中小企业和大型企业， 在该多层次模型的第一阶段中表现出显著差异。
与其他聚类方法相比，两步聚类分析的优势众所周知，并且与我们的研究相关，因为我们的数据集较大，且包含分类变量和连续变量。两步聚类分析能够处理具有这些特征的数据集，并能自动计算最优聚类数量（Jones andNagin, 2007）。
当所有变量相互独立，连续变量服从正态分布，且分类变量服从多项分布时，两步聚类分析能够提供最佳结果。然而，根据内部实证测试，该方法对于分类变量和连续变量的假设违背具有稳健性，“因为聚类分析不涉及假设检验和显著性水平的计算（仅用于描述性后续分析），因此对可能不完全满足最佳性能假设的数据进行聚类是完全可以接受的” （Norusis，2014）。我们对应于两组企业的数据满足上述标准。
接下来，对包含3,656条记录的中小企业组进行第一次两步聚类分析，其中包含一个分类变量（企业机器人化特征）和六个连续变量（反映企业在1991年至2014年观察期内演变情况的链式指数，每个商业指标对应一个链式指数）。
随后，对包含922条记录的大型企业组进行第二次两步聚类分析，其中包含两个分类变量（机器人技术应用状况和企业的机器人成熟度）以及六个连续变量（链式指数，用于捕捉企业在1991年至2014年观察期内的演变情况，每个商业指标对应一个链式指数）。
两步聚类分析方法包括两个步骤。第一步是对原始数据进行预聚类，使用对数似然距离作为相似性标准。接下来，通过顺序过程将标准化数据记录合并到现有预聚类群或新的预聚类群中， whichever导致最大的对数似然。在第二步中，使用施瓦茨准则（BIC）对预聚类群进行凝聚层次聚类，得到第一层包含中小企业的三个聚类和第二层包含大型企业的四个聚类。
鲁斯维尤（1987） 使用轮廓验证来评估聚类结构的一致性，该方法衡量簇内元素的凝聚度和簇间的分离度。轮廓系数范围为‐1到1，其中‐ 1表示模型较差，1表示模型最优。大于0.5的值表明模型具有良好的模型质量（Aad等人，2012； Ballestar, Grau‐ Carles 和 Sainz，2018）。
在本例中，中小企业组的轮廓系数为0.7，大型企业组为0.6；因此，这两个模型是稳健的。
预测变量重要性与模型准确性或预测质量无关，而是指模型中各个变量在进行预测时的重要性。
在中小企业组中，重要性最高的变量是金融资产链式指数，其次是公司机器人技术概况、员工人数链式指数、劳动力成本链式指数、增加值链式指数、每位工人劳动生产率链式指数和出口链式指数。在大型企业组中，重要性最高的变量是企业的机器人成熟度。接着是公司的机器人技术概况、增加值链式指数、劳动力成本链式指数、金融资产链式指数、员工数量链式指数、人均劳动生产率以及出口链式指数。在两组中，机器人化都至关重要。

5. 结果与讨论

5.1. 中小企业组和大型企业组的聚类结构

一方面，根据中小企业的商业指标、企业绩效链式指数（劳动生产率、员工人数、劳动力成本、增加值、出口、金融资产）以及企业机器人化特征所反映的对机器人技术的态度，中小企业组被划分为三个聚类 （图1）。每个聚类在样本中的百分比分别为：集群1（66.0%），集群2（2.7%），集群3（31.2%）。最小聚类（集群2）包含100家公司，最大聚类（集群1）包含2,414家公司。聚类特征见表9。
另一方面，根据其商业指标、企业绩效链式指数（劳动生产率、员工人数、劳动力成本、增加值、出口、金融资产）以及企业在机器人技术应用状况和采用成熟度方面的态度，大型企业组被划分为四个聚类。各聚类在样本中的百分比分别为：集群1（30.8%），集群2（4.9%）， 集群3（26.8%），集群4（37.5%）。最小聚类（集群2）包含45家企业，最大聚类（集群4）包含346家企业。中小企业组和大型企业组的聚类特征分类法如表9所示。首先针对中小企业组，随后是大型企业组，表格上半部分为连续变量的质心，下半部分为分类变量的频数。

5.2. 讨论与启示

中小企业组和大型企业组的聚类结构来自表9，分别在第5.2.1节和5.2.2节中描述。

5.2.1. 中小企业组

中小企业（3,656 家企业）根据其商业指标（如每位员工的劳动生产率、金融资产、员工人数、劳动力成本、增加值、出口链式指数以及机器人技术应用状况）在采用该技术方面的表现，被划分为三个聚类。
集群1 包括在观察期内从未采用机器人技术的中小企业（2,414 家；占样本的 71.78%）；集群3 包括在观察期内任何时间被归类为采用机器人技术的中小企业（1,142 家；占样本的 33.96%）；集群2 是一个小群体，由未采用机器人技术的和采用机器人技术的企业混合组成（100 家；占样本的 2.97%；表9）。
尽管采用机器人技术的中小企业和未采用机器人技术的中小企业在企业绩效和劳动生产率等主要业务指标方面均呈现积极的发展趋势，但机器人公司的各项指数增长远高于非机器人公司。因此，机器人技术的采用与更高效的生产率模式相关联，并为中小企业带来竞争优势。一方面，采用机器人技术的中小企业（集群3）的增加值链式指数为1.32，金融资产链式指数为1.88，每位工人劳动生产率链式指数为 1.33；而对于未采用机器人技术的中小企业（集群1），相应的增长幅度较为温和，分别为1.13、1.50和1.20。出口方面也出现了同样的现象，采用机器人技术的中小企业的链式指数为4.54，高于未采用机器人技术中小企业的2.58。因此，无论是采用机器人技术还是未采用机器人技术的企业，每位员工的劳动生产率均呈上升趋势，但在观察期内两者之间的差距几乎保持稳定，集群3每位工人的生产率平均高出34.17%。
另一方面，中小企业企业绩效和劳动生产率的提升与劳动力成本的长期上升相关。这些商业指标增长越高，劳动力成本也越高。因此，采用机器人技术的企业由于生产率更高，其劳动力成本（劳动力成本链式指数为1.39）也高于未采用机器人技术的企业（
1.21）。每位工人的劳动力成本在集群3中高于集群1，且无论是采用机器人技术还是未采用机器人技术的企业均呈现上升趋势，但在整个观察期内两者之间的差距基本保持稳定，集群3的劳动力成本平均高出22.72%。
此外，机器人化与企业规模相关。采用机器人技术的企业（集群3）规模大于未采用机器人技术的企业（集群1）。机器人公司平均拥有104.39名员工，+133%高于未采用机器人技术的公司（平均员工人数为44.77人）。机器人公司和非机器人公司在2008年经济危机中均受到影响，导致其 workforce 规模下降。然而，机器人公司的员工数量链式指数为0.98，显示出比非机器人公司（链式指数为0.96）更强的抗危机能力。因此，在高度竞争的环境中，机器人化为中小企业带来了竞争优势，并使其在面对负面经济事件时更具韧性。
集群2包含100家中小企业（占样本的2.97%），是一组增长较为迅速的企业，相较于集群1和集群3表现更为突出。该集群具有混合的机器人技术应用特征——45%的企业采用机器人技术，55%的企业未采用机器人技术。在观察期初期，这些企业在业务指标方面的特征与集群1中的企业相似；然而，随着时间推移，其发展表现逐渐超越了集群3中的企业。
这些企业的增长速度、绩效和规模未受到2008年经济危机的影响，其劳动力生产率每名员工的链式指数达到5.61，金融资产为18.29，增加值为11.01，出口为7,791.38，员工人数为3.88。与集群1和集群3类似，这种密集型增长也伴随着劳动力成本的大幅上升，其链式指数劳动力成本为7.67。

5.2.2. 大型企业组

大型企业（922家企业）根据其商业指标（即每位员工的劳动生产率、金融资产、员工人数、劳动力成本、增加值和出口链式指数）以及其机器人技术应用状况和技术采用成熟度，被划分为四个聚类。
集群1包含从未采用机器人技术的大型企业（284家，占样本的 30.80%）。集群3和集群4与机器人技术采用相关。集群3包含在全部观察期内均采用机器人技术的大型企业（247家，占26.79%）。集群4包含在观察期内某一时间段采用机器人技术但并非始终采用的大型企业 （346家企业，占37.53%）。在集群4中，有279家企业（80.64%）从未采用机器人技术转变为采用机器人技术，另有67家企业（19.36%）从一开始就采用机器人技术，但之后放弃了该状态。这些企业在采用机器人技术后，有195家（56.36%）因商业战略联盟改变了其机器人技术特征而在某个时间点变更为未采用机器人技术状态。然而，其中85.8%的企业在至少50%的观察期内被归类为采用机器人技术。
最后，集群2是由大型企业组成的一个小群体，其中包括未采用机器人技术的和采用机器人技术的企业（45家；占4.88%；表9）。
与中小企业类似，采用机器人技术和未采用机器人技术的大型企业在企业绩效和劳动生产率方面的主要业务指标均呈现积极演变。采用机器人技术的企业在这些指数上的增长远高于未采用机器人技术的企业。因此，在大型企业中，机器人技术的采用也关联着更高效的生产率模式，并为大型企业带来竞争优势。然而，在企业向机器人技术转型后的初期阶段（集群4），绩效和生产率的增长比已长期采用机器人技术的企业 （集群3）更为显著。随着企业机器人化成熟度的提高，机器人化之后的增长趋势随时间推移逐渐趋于稳定。因此，大型企业从转型之初就能感受到机器人技术采用带来的益处，但随后这一增长趋势和竞争优势会逐步趋于稳定。
一方面，机器人技术采用成熟度较高的企业（集群3）其增加值链式指数为1.20，金融资产链式指数为1.44，每位工人劳动生产率链式指数为1.24。这些数值低于集群4企业的水平，其中大多数企业（80.64%的集群）在观察期内向机器人技术转型，其增加值链式指数为1.52，金融资产链式指数为1.89，每位工人劳动生产率链式指数为1.54。出口方面也呈现相同趋势，其中集群3中成熟机器人公司的链式指数为3.40，低于集群4中较不成熟的机器人公司的5.29。
另一方面，集群1中的非机器人大型企业表现出比集群3和集群4的机器人公司更低的企业绩效和劳动生产率。非机器人公司的增加值链式指数为1.17，金融资产链式指数为1.33，每位工人劳动生产率链式指数为1.21。
大型企业与中小企业一样，企业绩效和劳动力生产率的增长与随时间推移而上升的劳动力成本相关。这些商业指标增长越高，劳动力成本也越高。因此，生产率更高的机器人公司也伴随着更高的劳动力成本：当企业的机器人技术成熟度较高时，其成本链式指数为1.26；而对近期才转型采用机器人技术的企业，其成本链式指数则达到1.51。这些数值均高于非机器人大型企业的较低值1.19。每位工人的劳动力成本也呈现相同现象：机器人公司和非机器人公司的每位工人劳动力成本均呈上升趋势，但绩效和生产率更高的企业其每位工人劳动力成本也更高。来自集群3的成熟机器人公司平均劳动力成本比来自集群1的非机器人公司高出4.27%，当比较对象为来自集群4的成熟度较低的机器人公司时，该百分比上升至10.04%，而当比较对象为来自集群2的高绩效公司时，该百分比进一步上升至13.64%。
此外，企业的机器人化特征随企业规模而变化。集群1中的非机器人公司员工人数低于平均水平（575名员工）；在集群4中，采用机器人技术的公司在向机器人技术转型期间平均有809名员工，而在其技术采用成熟度较高时平均有1,113名员工。因此，员工人数与企业的机器人技术应用状况及其采用成熟度相关。
机器人公司在面对负面经济事件时，相对于其劳动力规模也更具抵抗力。经济危机的影响在非机器人公司中更为明显，其员工数量链式指数为0.96；而在机器人公司中这种影响不明显或非常轻微，集群4的员工数量链式指数为1.01，集群3为0.98。这一发现证实了机器人公司具有增长稳定效应，并且随着其在技术采用上的成熟度提高，竞争优势变得更加稳定。
集群2中的企业是一组由45家大型企业组成的小群体（占样本的 4.88%），其增长速度相较于集群1、3和4中的其他大型企业群体更为显著。该集群中机器人公司占比很高（39家公司，占86.67%），且其中大多数公司在观察期中超过50%的时间处于采用机器人技术的状态（ 33家公司，占73.3%）。
这些企业的增长速度、绩效和规模都非常高，且未受到2008年经济危机的影响。每位员工的劳动生产率链式指数为5.84，金融资产为 8.51，增加值为7.63，出口为93.29，员工人数为2.34。与集群1、3和 4相同，这种快速增长也伴随着劳动力成本的大幅上升，劳动力成本的链式指数为4.75。

5.3. 研究结果总结

第2节中提出的假设的相关性在于查拉兰皮德斯（2020）所称的自动化影响分析的初级阶段，以及自动化对企业和劳动力的影响，尤其是在考虑大衰退期间机器人被引入生产所带来的影响时。
我们的研究结果支持假设H1，即采用机器人技术的企业在企业绩效和劳动生产率方面的商业指标随时间表现出更好的演变。以机器人化形式进行研发投资的益处存在于中小企业和大型企业中。因此，通过采用机器人技术进行创新代表着强大的竞争优势。企业可以从转型的早期阶段就感受到成为采用机器人技术企业所带来的好处。这一现象不仅出现在中小企业层面，正如亨雷克森和约翰松（2010）所提到的，也出现在从这些管理决策中受益的大型工业企业中。
机器人技术的采用使企业能够转变为更高效的生产率模式，这支持了假设H2。在采用机器人技术的企业中，人均生产率和人均劳动份额的增长远高于未采用机器人技术的企业，这一结果与查拉兰皮德斯（ 2020）在美国所描述的近期研究结果相似。在采用机器人技术的企业中，大型企业的人均生产率链式指数达到1.54，中小企业为1.33；而在未采用机器人技术的企业中，中小企业为1.20，大型企业为1.21。大型企业在转向该技术时，其生产率提升幅度最大。
然而，当大型企业在机器人技术采用方面变得更加成熟时，生产率的提升趋于稳定。在观察期内 transitioning to 机器人技术的企业，其人均生产率链式指数为1.54；而成熟的机器人公司该指数为1.24，这一趋势在此前的技术革命中已有体现（加斯帕雷托和斯卡莱拉，2019）。该发现支持了H3，表明中小企业和大型企业从一开始就可通过成为机器人公司而获益，但随着时间推移，应预期收益将趋于稳定和饱和，正如大型企业所表现的那样。
绩效和劳动生产率的提高也与中小企业和大型企业的总体劳动力成本及每位工人的劳动力成本上升相关，这证实了假设H4。与劳动生产率类似，大型机器人公司在采用机器人技术后，其劳动力成本随时间推移趋于稳定。当企业改进其模式并采用机器人技术时，劳动力成本链式指数为1.51，但当它们在该技术采用上趋于成熟时，这一数值下降至1.26。该发现支持假设H5，表明在大型企业中，机器人化对劳动生产率和劳动力成本的影响以相同的速度随时间演变。因此，尽管绩效和劳动生产率的提升能够持续较长时间，但如果缺乏进一步的渐进式研发实施来维持相对于竞争对手的差异化优势，机器人化所带来的竞争优势可能会随着时间推移而减弱。这两个假设在企业层面验证了古斯、曼宁和萨洛蒙斯 （2009） 或格雷茨和迈克尔斯，2018的研究结果。
除了提升绩效和劳动力生产率外，机器人化还有助于使企业更能抵御负面或不利的全球经济事件（如2008年金融危机）的影响，这一结果与iCharalampidis (2019, 2020)的研究结果相似，但本研究聚焦于企业层面。机器人化为企业提供了在困难情况下保持更强竞争力的工具，并相较于非机器人公司，减少了对劳动力规模的负面影响，从而支持了假设H6。成熟机器人公司的员工数量链式指数在中小企业中为0.98，在转型为机器人技术的大型企业中为1.01，而非采用机器人技术的中小企业和大型企业则为0.96。
总之，中小企业和大型企业在从未采用机器人技术转向采用机器人技术的过程中均受益，尽管企业规模是一个极为相关的变量，导致商业指标链式指数朝着相同方向演变，但速度却大不相同。该发现支持假设 7，对工业企业家（Acs等人，2009）具有重要意义。

6. 结论

比尔·盖茨在与《科学美国人》的一次罕见合作中（盖茨，2007）表示，个人应逐渐习惯于由于行业日益接近达到临界规模，机器人价格将下降，人们将每天与机器人一起工作。过去三十年中，企业一直在经历这一过程，但其对就业和生产率的影响仍不明确（奥特尔和所罗门，2018；多拉什尔斯基和豪曼多雷，2018；阿西莫格鲁和雷斯特雷波，2019a；阿西莫格鲁和雷斯特雷波，2019b；巴列斯塔 等人，2020）。
本研究旨在通过评估西班牙制造企业在25年期间的数据，为上述部分问题提供见解。我们寻找自动化对创业型企业与大型企业产生的差异化影响，尤其是在工艺和技术采用方面的影响。这些企业引入了需要更多样化技术来源的创新战略，特别是自动化技术，从而提升其绩效（迪亚兹‐查奥、萨因斯‐冈萨雷斯和托伦特‐塞伦斯，2015）。这些技术来源无论是机器人技术、人工智能、机器学习还是类似技术，都会影响整个经济，但正如阿西莫格鲁和雷斯特雷波（2018）所指出的，其影响方式各不相同。
我们的研究表明，在制造企业中，无论企业规模如何，那些在生产过程中采用机器人技术的企业，其各项商业指标的绩效和生产率均有所提升。然而，机器人技术仅仅是更广泛转型过程中的一个技术组成部分。这一转型过程包括模型中可观察的因素（例如，技术投资、更加专业化的人力资本、高薪人力资源）以及模型中未包含的因素（例如，组织结构的变化）。过去三十年来，企业在采用新技术时始终需要对组织结构进行调整，这一点对于小型和创新型企业尤为重要（Acs等人，2009； 迪亚兹‐查奥、萨因斯‐冈萨雷斯和托伦特‐塞伦斯，2016）。
总之，采用自动化的企业在生产力和劳动力成本方面会随着时间的推移而改善。这一发现对大型企业和中小企业均成立，但在大型企业中的影响比在中小企业中更为显著。我们还发现，生产力和劳动力成本的这些增长并非无限，大型企业会达到一个饱和点，这表明有必要维持研发投入或通过并购实现的技术增长——这一趋势正变得越来越重要，以保持竞争优势（贝尼特斯、雷和亨泽勒，2018）。
其他相关结果表明机器人化在劳动力市场中具有积极影响，在经济扩张与衰退期间，这些转型企业对不利事件表现出更强的韧性。这一发现意味着劳动收入在生产中的参与度更高，对工资和利润产生积极影响。
我们的研究结果与文献一致；多拉泽尔斯基和豪曼德鲁（2018）和查拉兰皮德斯（2020）。
这些发现是通过使用一种由巴列斯塔等人（2019）最近开发的机器学习方法ANLC得出的，该方法使我们能够分析企业集群的纵向绩效以及机器人技术的采用情况，同时考虑过去15年来的变迁。机器学习具有多种优势，特别是与传统计量经济学不同，其函数形式由数据决定，并且算法不是仅进行单一估计，而是估计许多替代模型，然后从中选择最优模型以最大化某一准则（阿西和因本斯，2017）。
这项研究存在局限性，仍有一些问题尚未解答。一方面，本研究使用的ESEE数据库主要关注制造企业，但未来的研究应进一步分析服务业，因为机器人技术与自动化也可能影响该行业的生产率和劳动力参与。目前尚无简单答案，因为阿西莫格鲁和雷斯特雷波（2019b）指出，自动化的影响对该行业企业可能更为显著。另一方面，按制造业企业部门进行分析，将能够深入揭示机器人化的影响在多大程度上因企业的具体活动而异。最后，可以添加更多信息以丰富ESEE数据库，并分析企业内部劳动力结构在流程自动化中的作用。此外，结合使用其他机器学习方法将有助于获得更深入的见解。