闫雪凌 李雯欣 高然

摘 要：本文通过构造可量化的人工智能技术指标，使用相应数据研究其对我国劳动力市场的冲击和影响。通过构建我国2006-2017年制造业行业的工业机器人的基础数据集，利用面板VAR模型对冲击和影响进行识别。结果显示，当前人工智能技术对我国劳动力市场存在正向冲击并具有较强的持续性，1单位标准差的人工智能技术冲击导致劳动力就业岗位上升约0.04至0.045个百分点，劳动力工资水平上升约0.03至0.04个百分点，工资水平对人工智能技术冲击的反应在显著性上稍弱于就业岗位的反应。进一步研究发现，人工智能技术冲击并未导致我国现阶段劳动力市场在结构上出现极化现象。针对日益增加的对人工智能技术所带来的“机器代人”的担忧，本文认为目前人工智能技术冲击对我国劳动力市场的影响是正向的，其更多表现为创造效应而非替代效应，政府应该继续出台积极的政策措施促进人工智能技术在我国更好地发展。

关键词：人工智能技术；工业机器人；劳动力市场；面板VAR模型

一、引 言

当前，人工智能技术席卷全球，发展迅猛，其不仅可以在较大范围内推广，还可以不断更新升级，并带动与之相关技术的创新和发展。已有研究文献指出，人工智能技术的不断发展、完善和应用，将对经济增长、技术创新、生产率提高产生较大影响，并导致就业水平、收入分配、劳动力市场结构与产业组织等多方面有所改变（Brynjolfsson et al.， 2017；陈彦斌等，2019；郭凯明，2019）。实际上，每一轮的科技革命都会引发有关新技术对劳动力市场冲击的讨论，而人工智能技术作为新一轮科技革命的战略性技术，其对劳动力市场也同样造成了双重影响：一方面，人工智能技术的广泛应用将替代部分传统劳动力，“机器代人”挤出了传统劳动力，因此对劳动力市场存在“替代效应”；另一方面，新技术提高了劳动生产率，扩大了企业的生产规模，提供了更多就业机会，也能同时带来劳动力市场上的岗位“创造效应”（Schumpeter，1911；Leontief，1983；Frey and Osborne，2017；Graetz and Michaels，2017；Bessen，2019）。

我国政府已经明确指出，人工智能技术是新一轮科技革命和产业变革的重要驱动力量，要深刻认识其重大意义，加强领导，做好规划，明确任务，夯实基础，促进其同经济社会发展深度融合①。因此，研究人工智能技术究竟对我国劳动力市场存在何种冲击和影响，不仅有助于厘清当前我国劳动力市场面临的各种挑战，更有助于我们抓住这一轮科技革新和产业变革机遇，在后疫情时代加快发展步伐，让人工智能技术更好地服务我国经济的“双循环”格局。

作为人工智能技术的一项重要应用，工业机器人在全球制造业的广泛推广和普及带来了生产方式的革新与劳动生产率的提高。根据国际机器人产业联盟（International Federation of Robotics，以下简称IFR）的定义，工业机器人是指那些“在工业自动化中使用的、可重复编程的、多用途自动控制的操作机”②（程虹等，2018；Graetz and Michaels，2018）。美国、德国、日本等发达国家作为工业机器人使用的领跑国家，早已出台多项鼓励政策措施推动本国工业机器人发展①。作为世界上最大的发展中国家，我国的工业机器人使用虽晚但快，从图1可以看出，截至2017年，我国工业机器人保有量达47.34万台，占全球总量的22.57%，远超过美国、德国和日本的15.43%、9.57%和14.17%，为全球第一。图2则展示了2006-2017年我国工业机器人的年均新安装数量，年均增速达40%以上，处于高速发展状态。与此同时，伴随着国家一系列政策②支持，预计我国工业机器人的发展应用在未来将持续保持这一快速增长的势头。

工业机器人的广泛使用，也为研究人工智能技术对劳动力市场冲击这一问题提供了来自业界的数据支持。目前，已有文献通过将其作为衡量人工智能技术最重要的指标来研究其对劳动力市场存在的各种影响（Graetz and Michaels.，2018；Furman and Seamans，2019；Acemoglu and Restrepo，2020）。基于此，本文将首先全面梳理有关人工智能技术对劳动力市场影响的相关文献，并讨论现有文献存在的不足，再选取工业机器人作为其典型指标，重點分析我国制造业行业受到的人工智能技术的冲击，进而研究其对我国劳动力市场的影响，并据此提出适合我国国情的有关人工智能技术发展的政策建议。本文接下来的结构安排如下：第二部分对相关文献进行综述；第三部分介绍实证模型与数据；第四部分进行实证检验与分析；第五部分进行总结并提出相应的政策建议。

二、文献综述

关于人工智能技术对劳动力市场的影响，现有文献的关注点主要集中在以下三个方面：

第一，人工智能技术对劳动力就业岗位数量的影响。曹静和周亚林（2018）认为，人工智能技术的发展会导致自动化的成本逐渐下降，从而引起机器对人类劳动的替代，但这并不一定必然导致就业岗位的减少，Autor et al.（2003）自动化虽然会降低传统任务的就业，但同时自动化创造的新任务却会增加就业（Acemoglu and Restrepo，2019），从而吸收就业人口，使得整个劳动力市场仍旧保持当前的就业水平。由于人工智能技术对就业岗位同时存在“替代效应”和“创造效应”，总效应取决于哪种效应更大，因此，现有关于人工智能技术对劳动力就业影响的研究结论并不一致。Acemoglu and Restrepo（2020）分析了1990-2007年间机器人使用的增加对美国劳动力市场的影响，结果表明，在美国，工业机器人的使用确实会减少就业岗位，每一千名工人中增加一个工业机器人会带来就业率下降约0.2个百分点；Hoedemakers（2017）则利用15个OECD国家15年的动态面板数据进行研究发现，机器人技术进步对这些国家的就业有温和的正向影响；Graetz and Michaels（2018）利用全球17个发达国家1993-2007年间的行业面板数据进行研究后发现，工业机器人并未对就业量造成显著影响。

第二，人工智能技术对劳动力工资水平及劳动收入份额的影响。Dauth et al.（2017）、Lankisch et al.（2017）、Acemoglu and Restrepo（2020）的研究结果均表明人工智能技术的应用降低了劳动力工资水平，但Graetz and Michaels（2018）却得到完全相反的结论。DeCanio（2016）则认为，人工智能技术对工资的影响取决于总生产关系的形式以及人类与机器劳动的替代关系。尽管对工资水平的影响研究结论存在分歧，但这些文献都指出，人工智能技术对劳动力工资的影响方向将在很大程度上决定宏观经济中劳动收入份额的变动方向。郭凯明（2019）认为，上一轮科技革命造成了全球劳动收入份额普遍下降，导致主要经济体收入不平等程度显著提高；DeCanio（2016）的研究还预测，未来人工智能技术的发展可能会降低工资，进而增加不平等，除非机器人资本回报在人群中广泛分配，但是这种分配具体如何才能发生尚不明确；Benzell et al.（2015）则证明，机器人生产率的提高会使拥有资本的当代人受益，无形资产在国民收入中的份额会随时间上升，劳动所占份额最终会下降，同时工资也会下降，从而使后代贫困。

第三，人工智能技术广泛应用带来的就业与工资“极化”现象。Autor et al.（2006）、David et al.（2006）、Goos and Manning（2007）、Goos et al.（2009）的研究已经发现，在美国、英国等一些西方国家，劳动力市场出现了不同程度的“极化”现象，即中间技能就业岗位开始减少，而高技能与低技能就业岗位却有所增加。人工智能技术的广泛应用可能加剧这一现象，因为中间技能要求的就业岗位更容易被自动化所替代，其原因可能是因为那些机器所执行的任务——通常被称为“常规任务”，主要是替代了中间技能劳动者的工作，并与高技能和低技能劳动者形成互补关系，导致中间技能要求岗位的数量和工资增长速度相对缓慢甚至减少。Feng and Graetz（2015）在一个可以区分任务复杂度和培訓需求度的模型中对此极化现象进行了解释：当自动化成本降低时，对于两个复杂度相同的任务，由于培训需求度更高的任务所需的劳动力也相应昂贵，企业会选择将这部分任务自动化；而复杂度高、培训密集型的工作不易被自动化，这样会造成劳动力流向两端，即流向高复杂度的高技能岗位或比较简单、无需太多培训任务的低技能岗位。与此同时，工资极化伴随着就业极化产生（Acemoglu and Autor，2011），而人工智能技术的出现和应用加剧了这一进程（Michaels et al.，2014；Autor，2015）。甚至有研究认为人工智能技术造成的工资极化要强于就业极化，Dauth et al.（2017）表明，随着工业机器人使用的增多，中间技能的劳动者将面临巨大的收入损失，而且这种收入损失并不是来自于工作替代，而是现有工作工资的降低。

综上，虽然现有关于人工智能技术对劳动力市场冲击的文献已很多，但仍然存在以下局限：第一，当前文献多数着眼于研究发达国家的情况（Acemoglu and Autor，2011；Acemoglu and Restrepo，2020；Oschinski and Wyonch，2017；Dauth et al.，2017；Lankisch et al.，2017；Trajtenberg，2018；Agrawal et al.，2019），缺乏针对发展中国家的研究。实际上，发达国家和发展中国家无论是在人工智能技术的发展阶段还是在劳动力市场结构方面均存在较大差异，现有文献的结论不一定适合于发展中国家。尤其在我国，人工智能技术正处于一种前所未有的高速发展阶段，其劳动力市场对此可能会存在更多不同的反应和表现，这也导致了现有文献存在的第二个问题，即研究结论尚存在分歧。正如Agrawal et al.（2019）指出的，人工智能技术对劳动力市场的影响是“不明确”的，而曹静和周亚林（2018）认为这很可能取决于不同国家或地区在人工智能技术发展水平和劳动力市场方面的特殊性。第三，在仅有的几个针对我国现状的研究中，由于无法较为精准地量化人工智能技术，现有文献多基于动态一般均衡模型进行数值模拟（郭凯明，2019；陈彦斌等，2019），缺乏使用具体详细的行业数据对理论进行验证。而相关的实证研究也比较少：程虹等（2018）和Cheng et al.（2019）利用企业调查问卷数据进行相关研究，但问卷仅覆盖湖北和广东两省，其核心问题是询问企业是否购买工业机器人，未涉及到工业机器人使用的具体数据，样本代表性有所欠缺；闫雪凌等（2020）从全行业岗位和工资两个角度进行了分析，但文章没有对此影响进行动态讨论，在进一步预期方面有待改进。

基于此，本文将围绕人工智能技术冲击对中国劳动力市场中岗位数量、工资水平以及极化现象的影响展开讨论。可能存在的边际贡献有：第一，为人工智能技术对劳动力市场冲击的相关研究提供来自中国的证据，完善有关发展中国家这一问题的相关文献；其次，使用覆盖面较广、代表性较强的工业机器人数据去刻画人工智能技术在中国的应用，并结合中国劳动力市场的实际情况进行分析，为相关的理论研究补充现实依据；第三，构建面板VAR模型从动态角度进行实证研究，并给出相应的预期，为人工智能技术在中国未来的发展提供更有操作性的政策建议。

三、实证模型与数据

本文借鉴Abrigo and Love（2016）的方法，通过构建面板VAR模型，对人工智能技术在我国劳动力市场的影响进行估计。选择VAR模型不仅有助于对人工智能冲击进行有效识别，还能构造冲击下劳动力市场的脉冲反应函数，方便与理论模型的数值模拟结果进行对比检验。构建面板数据集，可以进一步细分不同行业受到的不同影响，讨论人工智能技术的行业异质性，在提高估计准确性的同时，提出更有针对性的政策建议。

数据可得性一直是制约人工智能技术对劳动力影响这一领域相关实证研究的难题。本文选择由IFR所统计发布的各行业工业机器人使用数据作为衡量人工智能技术的指标。IFR是成立于1987年的国际性非盈利组织，其成员包括来自全球20多个国家的60多个与机器人行业相关的协会和研发机构，提供了从1993年至今全球近100个国家和地区各行业工业器人使用情况的数据。本文通过将IFR所提供中国各行业机器人使用数据与制造业行业的各项指标一一匹配，构建了我国制造业各行业使用工业机器人情况的基础数据集，涵盖2006-2017年我国15个制造业行业层面的面板数据①。

具体变量说明如下：（1）工业机器人使用量（robot），由工业机器人使用量（存量）反映人工智能技术在制造业各行业中的应用情况；（2）劳动力就业数量（work），由行业年末从业人数表示，行业就业规模越大，表明潜在岗位越多；（3）劳动力工资水平（wage），由行业年末平均工资表示；（4）资本率（capital），由各行业规模以上企业固定资产投入表示，较高的资本率通常意味着较高的生产率，可能更容易应用工业机器人，从而对就业岗位和工资水平产生影响；（5）人力资本（human），由各行业规模以上企业研发人员总数表示，刻画所在行业的劳动力市场结构；（6）盈利能力（profit），由各行业规模以上企业利润总额表示，企业盈利能力越强通常劳动回报越高，更容易吸引劳动力进入。

所有变量的含义及数据来源在表1中进行了总结，变量描述性统计如表2所示。为保证量纲统一，在实际估计中对所有变量均进行对数化处理，对其中的名义变量均利用居民消费价格指数（以2006年为基期）调整为实际值。最后，对于面板VAR模型的估计，基于Abrigo and Love（2016）提出的GMM方法，参考Andrews and Lu（2001）给出的信息准则最优滞后阶数选择为一阶，并且在稳健性检验部分汇报了滞后阶数为二阶的结果。

四、实证检验与分析

（一）人工智能技術冲击与劳动力就业

本文首先选取劳动力就业数量（work）、工业机器人使用量（robot）、资本率（capital）、人力资本（human）为系统内生变量，估计识别人工智能技术冲击对劳动力就业的影响。系数估计结果如表3中的模型（1）所示。需要说明的是，面板VAR模型所估计的回归系数本身并不具有确切的经济学涵义，研究者通常旨在分析某一内生变量在受到冲击后如何影响系统中的其它内生变量。按照惯例，本文将着重对估计得到的脉冲反应函数进行分析。

图3给出了人工智能技术冲击下劳动力就业的脉冲反应，由Monte Carlo模拟2 000次得到，其中实线表示脉冲反应函数值，阴影表示90%置信区间（下同）。估计结果表明，1单位标准差的人工智能技术冲击①，会导致劳动力就业上升约0.04个百分点（第2期）。与此同时，人工智能技术冲击对劳动力就业的正向影响表现出较强的持续性，其衰减至第10期仍保持在0.02个百分点的水平，并且显著为正。这说明当前我国劳动力市场并未出现明显的岗位减少现象，即人工智能技术冲击并未挤出就业，反而表现出一种温和的正向促进作用。特别地，由于模型专门对行业层面的固定效应与劳动力结构进行了控制，这一结论并不会随行业异质性（如规模大小和技能高低等）而改变。这一发现与现有绝大多数关于发达国家劳动力市场受到人工智能技术冲击的影响相反，这说明在我国，人工智能技术对于劳动力岗位存在较大的创造效应。Arntz et al.（2016）给出了实际就业不一定遭受损失的三个可能原因：一是由于经济、法律和社会的障碍，新技术的广泛使用是一个缓慢的过程，技术替代可能并不如预期那样立刻发生；二是即使新技术被引进，但劳动者可以通过更换任务转变技术禀赋，并不会被新技术冲击而失业；三是新技术的应用创造了新的工作机会，这也与Acemoglu and Restrepo（2019）的文章结论类似，吸纳了潜在的未就业人数，或是一部分从原有岗位失业的劳动力转移到了新岗位上。IFR的研究报告指出，仅仅工业机器人这一新兴产业就在世界范围内提供了17万-19万个新的工作岗位，也为这一可能提供了相应的事实依据。

为保证结论的稳健性，本文同时估计了二阶滞后模型，对比检验实证结论会否随滞后阶数的选择产生明显不同②。二阶滞后模型的系数估计结果如表3中的模型（2）所示。图4给出了人工智能技术冲击下劳动力就业的脉冲反应，结果显示，1单位标准差的人工智能技术冲击会导致劳动力就业上升约0.045个百分点（第3期）。与图3进行对比，人工智能技术冲击对劳动力就业继续维持了正向且较强持续性的影响，这表明本文核心结论不会随模型滞后阶数的改变而发生显著改变，结论是稳健的。此外，本文进一步对面板VAR模型的系统稳定性进行检验③。检验结果如图5所示，二阶滞后内模型的所有特征根都落在单位圆之内，满足稳定性条件。

（二）人工智能技术冲击与劳动力工资

接下来本文选取劳动力工资水平（wage）、工业机器人使用量（robot）、资本率（capital）、盈利能力（profit）为系统内生变量，识别人工智能技术冲击对劳动力工资的影响。通常情况下，行业盈利水平的高低将极大影响行业工人的工资水平，因此在这一模型中，我们特别对行业盈利能力这一指标进行了控制。系数估计结果如表3中的模型（3）所示。图6给出了人工智能技术冲击下劳动力工资的脉冲反应，估计结果表明，1单位标准差的人工智能技术冲击，会导致劳动力工资上升约0.04个百分点（第6期），且人工智能技术冲击对劳动力工资的正向影响具有较强的持续性。图7给出了人工智能技术冲击下企业盈利能力这一变量的脉冲反应，可以看到，人工智能技术冲击导致企业盈利能力这一指标显著持续上升，说明人工智能技术对其带来了正向影响。

与之前类似，本文同时估计了二阶滞后模型，以检验实证结论的稳健性。系数估计结果如表3中的模型（4）所示。图8给出了人工智能技术冲击下劳动力工资的脉冲反应，结果显示，1单位标准差的人工智能技术冲击，会导致劳动力工资上升约0.03个百分点（第4期）。与图6进行对比，人工智能技术冲击对劳动力工资均产生了正向且持续性较强的影响，滞后阶数的选择并未显著影响核心结论。对模型系统稳定性的检验结果如图9所示，二阶滞后内模型的所有特征根都落在单位圆之内，满足稳定性条件。

进一步地，结合人工智能技术冲击下劳动力就业岗位和工资水平的变动情况，我们发现，如果将劳动力就业岗位与工资水平的脉冲反应进行对比，可以发现后者具有更宽的置信区间，表明工资水平对人工智能技术冲击的反应在显著性上要弱于就业岗位的反应。总体来看，相较于现有社会上关于“机器代人”所引发的各种担忧，本文的结果更加支持人工智能技术对我国劳动力市场产生的综合影响表现为创造效应。

（三）人工智能技术冲击与劳动力市场极化

最后，我们再进一步讨论在人工智能技术的冲击下，我国制造业行业是否出现了劳动力市场极化现象。结合现有文献和中国实际情况，本文选取行业研发投入的多少作为行业技术高低的衡量指标，将位于中间位置的6个行业作为子样本进行估计，并与全样本结果进行对比。结果如图10-13所示，其中左边从上到下的图10和图12分别为全行业劳动力就业和工资的脉冲反应，右边一列从上到下的图11和13分别为中间技能行业劳动力就业和工资的脉冲反应。从图中可以看出，1单位标准差的人工智能技术冲击，会导致中间技能行业劳动力就业上升约0.035个百分点（第2期），工资上升约0.03个百分点（第6期），均未超过全行业的平均水平，这说明人工智能技术冲击并未给当前我国劳动力市场带来极化现象。一般而言，出现极化现象的劳动力市场通常伴随着就业岗位和工资水平同时下降的趋势，但如本文前面两部分结果而言，当前人工智能技术冲击对我国劳动力市场无论在就业岗位还是工资水平上的影响主要是正向的，这可能是我国劳动力市场未出现极化现象的重要原因。

五、结论和政策建议

在人工智能技术席卷全球的今天，探讨其对劳动力市场的冲击和影响具有重大意义。在现有文献的基础上，本文通过使用2006-2017年我国制造业各行业应用工业机器人的数据，构建行业面板VAR模型进行实证研究，分析了人工智能技术对我国劳动力就业岗位、工资水平及劳动力市场结构的冲击。结果发现，人工智能技术对于劳动力就业岗位和工资水平均存在正向冲击，相较就业岗位的影响，工资水平对于人工智能技术冲击的反應在显著性上要稍弱一些。具体而言，1单位标准差的人工智能技术冲击，导致劳动力就业岗位数量上升约0.04至0.045个百分点，并提升工资水平约0.03至0.04个百分点。进一步研究发现，相比发达国家人工智能技术广泛应用所导致的就业极化现象，当前人工智能技术冲击并未导致我国劳动力市场在结构上出现类似现象。本文的研究结果表明，总体上看，人工智能技术冲击对我国劳动力市场存在正向影响，更多表现为新技术的“创造效应”。

本文的发现有助于正确认识当前我国人工智能技术对于劳动力市场的冲击，缓解由“机器代人”所引发的担忧。基于本文结果，我们提出以下政策建议：

第一，继续大力推进人工智能技术在全行业的应用，让人工智能技术成为引领我国经济“双循环”的重要能量。人工智能技术可能通过提高行业生产率、增加行业就业岗位、创造新就业岗位、提高企业盈利能力等多方面对劳动力就业岗位和工资水平产生正向影响，这将会对后疫情时代我国经济的发展提供更多新机遇，有助于我国更深入地参与全球经济发展和竞争，政府应该继续出台相应的政策措施为人工智能技术在我国的发展保驾护航。

第二，正确面对人工智能技术在应用过程中对现有劳动力可能产生的负面效应。作为一项新技术，其存在一定的挤出效应在所难免，政府应该提前做好应对措施，加强风险防范，利用人工智能技术先天的技术适配性，引导可能受影响的劳动力群体分流岗位，并做好劳动力再就业培训，缓解因“机器代人”引发的社会问题，为人工智能技术更好地服务于我国经济的发展铺平道路。

第三，加大人力资本投入，不断提高现有劳动力素质水平，确保当前传统劳动力的技能水平与人工智能技术的要求处于匹配水平，并保证相应配套的教育科研投入以适应人工智能技术所创造的新岗位能力要求，鼓励和引导人工智能技术与现有的劳动力结构向更和谐的方向匹配，从而实现科学技术和劳动力技术同步发展。

参考文献

[1] 曹静、周亚林：《人工智能对经济的影响研究进展》[J]. 《经济学动态》， 2018年第1期，第103-115页。

[2] 陈彦斌、林晨、陈小亮：《人工智能、老龄化与经济增长》[J]. 《经济研究》， 2019年第7期，第47-63页。

[3] 程虹、陈文津、李唐：《机器人在中国：现状、未来与影响——来自中国企业-劳动力匹配调查（CEES）的经验证据》[J]. 《宏观质量研究》，2018年第6刊第3期，第1-21页。

[4] 郭凯明：《人工智能发展、产业结构转型升级与劳动收入份额变动》[J]. 《管理世界》，2019年第7期，第60-77页。

[5] 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第37刊第1期，第74-87页。

[6] Abrigo， M. R. M.， and Love， I.， “Estimation of panel vector autoregression in Stata” [J]. The Stata Journal， 2016， 16（3）， 778-80.

[7] Acemoglu， D.， and Autor， D.， “Skills， tasks and technologies： Implications for employment and earnings” [J]. Handbook of Labor Economics，Elsevier， 2011， （4）， 1043-1171.

[8] Acemoglu， D.， and Restrepo， P.， “Automation and new tasks： how technology displaces and reinstates labor” [J]. Journal of Economic Perspectives， 2019， 33（2）， 3-30.

[9] Acemoglu， D.， and Restrepo， P.， “Robots and jobs： Evidence from US labor markets” [J]. Journal of Political Economy， 2020， 128（6）， 2188-2244.

[10] Agrawal， A.， and Gans， J. S.， Goldfarb， A.， “Artificial Intelligence： The Ambiguous Labor Market Impact of Automating Prediction”[J]. Social Science Electronic Publishing， 2019.

[11] Andrews， D.W.K. and Lu， B.， “Consistent model and moment selection procedures for GMM estimation with application to dynamic panel data models”[J]. Journal of Econometrics， 2001， 101（1）， 123-164.

[12] Arntz， M.， Gregory， T.， and Zierahn， U.， “The risk of automation for jobs in OECD countries： A comparative analysis”[J]. OECD Social， Employment， and Migration Working Papers， 2016.

[13] Autor， D. H.， Levy， F.， and Murnane R J， “The Skill Content of Recent Technological Change： An Empirical Exploration” [J]. The Quarterly Journal of Economics， 2003， 118（4）， 1279-1333.

[14] Autor， D. H.， Katz， L.F.， and Kearney， M. S.， “The polarization of the US labor market”[J]. American Economic Review， 2006， 96（2）， 189-194.

[15] Benzel， S. G.， Kotlikoff， L. J.， LaGarda， G.， et al， “Robots are us： Some economics of human replacement”[J]. NBER working paper， 2015 （w20941）.

[16] Bessen， J.， “Automation and jobs： When technology boosts employment”[J]. Economic Policy， 2019， 34（100）， 589-626.

[17] Brynjolfsson， E.， Rock， D.， and Syverson， C.， “Artificial intelligence and the modern productivity paradox： A clash of expectations and statistics”NBER working paper， 2017 （w24001）.

[18] Cheng， H.， Jia， R.， Li， D.， et al， “The Rise of Robots in China”[J]. Journal of Economic Perspectives， 2019， 33（2），71-88.

[19] Dauth， W.， Findeisen， S.， Sdekum， Jens， et al. “German Robots - The Impact of Industrial Robots on Workers” [J]. CEPR Discussion Papers， 2017.

[20] Davi， H.， “Why are there still so many jobs？ The history and future of workplace automation”[J]. Journal of economic perspectives， 2015， 29（3）， 3-30.

[21] DeCanio， S. J.， “and humans–complements or substitutes？”[J]. Journal of Macroeconomics， 2016， 49， 280-291.

[22] Feng， A.， and Graetz， G.， “Rise of the machines： The effects of labor-saving innovations on jobs and wages”[J]. IZA Discussion Papers， 2015.

[23] Frey， C. B.， and Osborne， M. A.， “The future of employment： How susceptible are jobs to computerisation ？”[J]. Technological Forecasting and Social Change， 2017， 114.

[24] Furman， J.， and Seamans， R.， “AI and the Economy”[J]. Innovation Policy and the Economy， 2019， 19（1）， 161-191.

[25] Goos， M.， and Manning， A.， “Salomons A. Job polarization in Europe”[J]. American Economic Review， 2009， 99（2）， 58-63.

[26] Goos， M.， and Manning， A.， “Lousy and lovely jobs： The rising polarization of work in Britain”[J]. Review of Economics and Statistics， 2007， 89（1）， 118-133.

[27] Graetz， G.， and Michaels， G.， “Is Modern Technology Responsible for Jobless Recoveries？”[J]. American Economic Review， 2017， 107（5）.

[28] Hamilton， J. D.， “Time Series Analysis”[J]. Princeton： Princeton University Press， 1994.

[29] Hoedemakers， L.， “The changing nature of employment： How technological progress and robotics shape the future of work”， 2017.

[30] Lankisch， C.， Prettner， K.， and Prskawetz， A.， “Robots and the skill premium： An automation-based explanation of wage inequality”， Hohenheim Discussion Papers in Business， Economics and Social Sciences， 2017.

[31] Leontief， M.， “National Perspective： The Definition of Problems and Opportunities. a National Academy of Engineering Symposium”， 1983.

[32] Lutkepohl， H.， “ New Introduction to Multiple Time Series Analysis”[J].New York： Springer， 2005.

[33] Michaels， G.， Natraj， A.， and Van Reenen， J.， “Has ICT polarized skill demand？ Evidence from eleven countries over twenty-five years”[J]. Review of Economics and Statistics， 2014， 96（1）， 60-77.

[34] Oschinski， M.， and Wyonch， R.， “Future Shock？ The Impact of Automation on Canadas Labour Market”[J]. C.d.howe Institute Commentary， 2017， 12（2），27-32.

[35] Schumpeter， J.， “Theorie der wirtschaftlichen Entwicklung”， 1911.

[36] Trajtenberg， M.， “Ai as the Next Gpt： A Political-Economy Perspective”[J]. Cepr Discussion Papers， 2018.

Impact of Artificial Intelligence on Chinas Labor Market

XUELING YAN

（Sichuan University）

WENXIN LI

（Sichuan University）

RAN GAO

（Sichuan University）

Abstract： This paper studies the impact of artificial intelligence on Chinas labor market by quantifying artificial intelligence technical indicators and using corresponding data. By constructing the basic data set of industrial robots in Chinas manufacturing industry from 2006 to 2017， the panel VAR model is used to identify the impact. The results show that the current artificial intelligence technology has a positive impact on Chinas labor market and has strong sustainability. The impact of 1 unit standard deviation of artificial intelligence technology leads to the increase of labor employment by about 0.04 to 0.045 percentage points The impact of wage level on artificial intelligence technology is slightly weaker than that of fanaying in employment. Further research shows that the impact of artificial intelligence technology does not lead to polarization of labor market structure at this stage. In view of the increasing concern about "machine replacing man" brought by artificial intelligence technology， this paper believes that the impact of artificial intelligence technology on Chinas labor market is positive， and its performance is more creation effect than substitution effect. The government should continue to introduce positive policies and measures to promote the better development of artificial intelligence technology in China.

Key Words： artificial intelligence； industrial robots； labor market； panel VAR model

〔执行编辑：韩超〕

* 闫雪凌，四川大学经济学院经济学博士，助理研究员；李雯欣，四川大学经济学院本科生；高然，四川大学经济学院博士：副教授。通信作者：高然，四川大学经济学院经济学博士，副教授。E-mail：gaoran@scu.edu.cn。感谢中国博士后科学基金第64批面上资助（2018M643457）、四川省科技厅软科学研究项目（2019JDR0172）的资助。

① 习近平，2018年在中共中央政治局第九次集体学习上的讲话。

② 国际机器人联盟（IFR）原文定义： “Industrial robots is an automatically controlled， reprogrammable multipurpose manipulator programmable in three or more axes.” （https：//ifr.org/#topics）

① 美国政府在2013年推出《美国机器人技术路线图》，主要突出了机器人对美国制造业的重要影响，并强调了其在创造新就业岗位方面的巨大贡献；日本政府2015年出台《新机器人战略》，希望日本成为世界机器人创新基地；德国借助“工业4.0”计划从2012年开始大力推行“智能工厂”，通过工业机器人在生产领域的直接应用，引领了工业制造向灵活化和个性化方向转型。

② 我国工业机器人的发展得到了《关于推进工业机器人产业发展的指导意见》《中国制造2025》《机器人产业发展规划（2016-2020年）》等政策的支持。

① 本文构建的数据集备索。

① 在利用面板VAR模型识别出人工智能技术冲击的基础上，此处模拟暂时性冲击（冲击产生一期即关闭）下劳动力就业的反应，后文的脉冲反应分析类似。

② 受样本容量的限制，本文未估计滞后阶数为三阶及以上的情形。

③ 稳定性檢验基于Lutkepohl（2005）和Hamilton（1994），VAR模型的系统稳定性直接影响着冲击识别及脉冲反应函数计算的准确性和有效性，因而至关重要。