统计研究

[1]蔡昉.人口转变、人口红利与刘易斯转折点[J].经济研究, 2010, 45(4):4?13.

[2]韩峰,阳立高.生产性服务业集聚如何影响制造业结构升级?——一个集聚经济与熊彼特内生增长理论的综合框架[J].管理世界, 2020,36(2):72?94.

[3]韩国高,高铁梅,王立国,等.中国制造业产能过剩的测度、波动及成因研究[J].经济研究, 2011, 46(12):18?31.

[4]孔高文,刘莎莎,孔东民.机器人与就业——基于行业与地区异质性的探索性分析[J].中国工业经济, 2020(8):80?98.

[5]李建强,赵西亮.固定资产加速折旧政策与企业资本劳动比[J].财贸经济, 2021, 42(4):67?82.

[6]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.

[7]李硕,王敏,张丹丹.中央环保督察和企业进入:来自企业注册数据的证据[J].世界经济, 2022, 45(1):110?132.

[8]林志帆,刘诗源.税收激励如何影响企业创新?——来自固定资产加速折旧政策的经验证据[J].统计研究, 2022, 39(1):1?15.

[9]刘啟仁,赵灿,黄建忠.税收优惠、供给侧改革与企业投资[J].管理世界, 2019, 35(1):78?96.

[10]刘啟仁,赵灿.税收政策激励与企业人力资本升级[J].经济研究, 2020, 55(4):70?85.

[11]刘诗源,林志帆,冷志鹏.税收激励提高企业创新水平了吗?——基于企业生命周期理论的检验[J].经济研究, 2020, 55(6):105?121.

[12]刘行,叶康涛,陆正飞.加速折旧政策与企业投资——基于“准自然实验”的经验证据[J].经济学（季刊）, 2019, 18(1):213?234.

[13]马国臣,李鑫,孙静.中国制造业上市公司投资——现金流高敏感性实证研究[J].中国工业经济, 2008(10):109?118.

[14]任曙明,吕镯.融资约束、政府补贴与全要素生产率——来自中国装备制造企业的实证研究[J].管理世界, 2014(11):10?23.

[15]沈红波,寇宏,张川.金融发展、融资约束与企业投资的实证研究[J].中国工业经济, 2010(6):55?64.

[16]孙早,侯玉琳.工业智能化与产业梯度转移:对“雁阵理论”的再检验[J].世界经济, 2021, 44(7):29?54.

[17]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.

[18]吴伟平,刘乃全.异质性公共支出对劳动力迁移的门槛效应:理论模型与经验分析[J].财贸经济, 2016(3):28?44.

[19]许伟,陈斌开.税收激励和企业投资——基于2004—2009年增值税转型的自然实验[J].管理世界, 2016(5):9?17.

[20]闫雪凌,朱博楷,马超.工业机器人使用与制造业就业:来自中国的证据[J].统计研究, 2020, 37(1):74?87.

[21] Acemoglu D, Restrepo P. The Race between Man and Machine:Implications of Technology for Growth, Factor Shares, and Employment[J].The American Economic Review, 2018a, 108(6):1488?1542.

[22] Acemoglu D, Restrepo P. Low-Skill and High-Skill Automation. Journal of Human Capital[J]. Journal of Human Capital, 2018b, 12(2):204?232.

[23] Acemoglu D, Restrepo P. Automation and New Tasks:How Technology Displaces and Reinstates Labor[J]. Journal of Economic Perspectives,2019, 33(2):3?30.

[24] Acemoglu D, Restrepo P. Robots and Jobs:Evidence from US Labor Markets[J]. Journal of Political Economy, 2020, 128(6):2188?2244.

[25] Aghion P, Jones B, Jones C. Artificial Intelligence and Economic Growth[R]. National Bureau of Economic Research, 2017.

[26] Bessen J. Automation and Jobs:When Technology Boosts Employment[J]. Economic Policy, 2019, 34(100):589?626.

[27] Cai X, Lu Y, Wu M, et al. Does Environmental Regulation Drive Away Inbound Foreign Direct Investment? Evidence from a Quasi-natural Experiment in China[J]. Journal of Development Economics, 2016, 123:73?85.

[28] Dauth W, Findeisen S, Suedekum J. Adjusting to Robots:Worker-Level Evidence[R]. Federal Reserve Bank of Minneapolis, 2018.

[29] Garrett D, Ohrn E, Serrato J. Tax Policy and Local Labor Market Behavior[J]. American Economic Review:Insights, 2020, 2(1):83?100.

[30] Ohrn E. The Effect of Tax Incentives on US Manufacturing:Evidence from State Accelerated Depreciation Policies[J]. Journal of Public Economics, 2019, 180(12):1?14.

(1)2022年，我国制造业增加值达33.5万亿元，连续13年保持世界第一制造大国地位。资料来源：https://www.163.com/dy/article/I1D8Q5KTO5199NPP.html。

(2)《2021中国制造强国发展指数报告》显示我国制造强国发展指数为116.02，远落后于美国的173.19。

(3)鉴于研究目的，本文只研究加速折旧政策对5个制造业行业就业的影响，即生物药品制造业，专用设备制造业，铁路、船舶、航空航天和其他运输设备制造业，计算机、通信和其他电子设备制造业，仪器仪表制造业。

(1)考虑到制造业大类中“废弃资源综合利用业”和“金属制品、机械和设备修理业”与传统制造业行业差异较大，为保证实证结果的准确性，本文在样本中剔除了这两个行业。

(2)“天眼查”数据库包含1.8亿多家社会实体数据信息，其数据来源于全国企业信用信息公示系统、国家工商总局以及国家知识产权局等数据平台。

(3)参考刘行等（2019）的研究，为更精准地识别2014年加速折旧政策的影响，本文在基准实证部分剔除了2015年开始实施加速折旧政策的行业样本，样本剔除依据为《关于进一步完善固定资产加速折旧企业所得税政策的通知》。

(1)因篇幅所限，平行趋势图以附图1展示，见《统计研究》网站所列附件。下同。

(1)各地区制造业大类固定资产投资和累计折旧数据来源于《中国工业统计年鉴》与各省份统计年鉴，数据区间为2012-2018年，实证中固定资产投资和累计折旧指标均进行了对数化处理。

(1)实证中对新增机器人数量指标进行了对数化处理。

(2)参考李硕等（2022）的研究思路，本文选择以各地区制造业大类新增企业数量测度行业规模的变化。该指标背后的经济学逻辑是：若某行业新增企业数量更多，则可以在一定程度上代表更多的投资者进入了相关行业，行业规模扩张越快。具体而言，本文根据“天眼查”数据平台公布的微观企业注册地、注册时间、所属行业等信息，将其加总至地区-行业层面，得到新增企业数量指标，实证中该指标进行了对数化处理。

(3)行业内规模以上企业比重=（行业内规模以上企业数量/行业内全部企业数量）×100%。该指标构建的理论逻辑是：若某行业内规模以上企业比重越高，则代表该行业内企业规模总体水平较高。其中，规模以上企业数量数据来源于2012-2018年《中国工业统计年鉴》和各省份统计年鉴，全部企业数量数据来源于“天眼查”微观数据库。此外，参考林志帆和刘诗源（2022）的研究思路，本文在稳健性检验部分基于上市公司数据，以企业总资产和营业总收入作为企业规模的代理变量再次验证，结果稳健。

(1)因篇幅所限，稳健性检验结果以附表1展示。

(2)劳动力数量增长率=（本年劳动力数量?上一年劳动力数量）/上一年劳动力数量。

(3)科研人员数量数据主要来源于2012-2018年《中国科技统计年鉴》。鉴于《中国科技统计年鉴》仅包含各地区科研人员数量数据和制造业大类科研人员数量数据，因此本文按照各地区比例将各个行业科研人员数量数据分配到各个地区，得到各地区制造业大类科研人员数量的近似值。该指标背后的经济学逻辑主要有两点，一是科研人员大多具备较高学历层次和人力资本，若某地区制造业大类科研人员数量越多，可以在一定程度上反映该地区制造业大类整体劳动力质量较高；二是若某地区制造业大类研发人员数量越多，也在一定程度上表明该地区制造业大类研发活动较多，与研发活动相关的劳动力也更多。通常除研发人员外，与研发活动相关的从业人员一般具备较高的人力资本，因此也可以在一定程度上间接反映该地区制造业大类整体劳动力质量较高。闫雪凌等（2020）采用类似的测度思路构建指标。

(4)2018年6月，《财政部税务总局关于2018年退还部分行业增值税留抵税额有关税收政策的通知》规定“退还增值税期末留抵税额的行业包括装备制造等先进制造业、研发等现代服务业和电网企业”。

(5)上市公司数据来源于Wind数据库和国泰安数据库。企业层面机器人应用指标参考王永钦和董雯（2020）构建，企业规模指标参考林志帆和刘诗源（2022）采用企业总资产和营业总收入测度。企业固定资产投资、总资产、营业总收入均进行了对数化处理。企业层面控制变量包括企业年龄、财务杠杆率、净利润、流动比率、前十大股东持股比例和所有权性质。

(1)因篇幅所限，安慰剂检验结果以附图2展示。

(2)与基准回归类似，为保证实证结果的准确性，本文在该部分删去了2014年开始实施加速折旧政策的全部行业。同时，在检验加速折旧政策对劳动密集型行业就业的影响时删去了2015年开始实施加速折旧政策的资本密集型行业和技术密集型行业，在检验加速折旧政策对资本密集型行业就业的影响时删去了2015年开始实施加速折旧政策的劳动密集型行业和技术密集型行业。

(1)人口净流入率=（常住人口?自然增长人口）/（上一年常住人口?上一年自然增长人口）。其中，常住人口数据主要来源于各省份统计年鉴以及统计公报。

(2)考虑到2014年加速折旧政策的适用范围除了5个制造业行业外，还包括服务业中的信息传输、软件和信息技术服务业。为排除这一因素对实证结果的影响，本文在实证中将服务业就业人数减去了信息传输、软件和信息技术服务业就业人数再次进行回归，回归结果如表6列（3）所示。

(1)本文分别检验了加速折旧政策对制造业从业人员数量、生产性服务业从业人员数量和非生产性服务业从业人员数量的影响，实证结果与上述结论一致，受加速折旧政策影响较大的地区不仅制造业从业人员数量显著增加，生产性服务业从业人员的数量也有显著提升。结果如表6列（5)~(7）所示。