邵帅

摘 要： 人工智能是进入21世纪以来最重要的一场技术变革，当前已经成为大众聚焦的新热点和国际竞争的关注点。产业融合人工智能技术不仅为产业中的各企业带来转型升级的巨大机会，同时也对就业结构产生影响。文章聚焦于制造业融合人工智能技术的场景，在分析人工智能与制造业细分行业融合情况、不同技能劳动力市场供求情况的基础上，从理论上分析人工智能技术的进步对制造业企业就业的影响，构建PSM－DID实证模型，将智能制造企业划分为不同类别，分类考察不同细分制造业企业在人工智能技术出现前后对劳动力就业的影响，最终提出制造业企业高效智能转型升级的方法以及解决劳动者相关就业问题的有效建议。

关键词： 人工智能；制造业细分行业；就业结构；PSM－DID

中图分类号： F 241.4; F 49; F 27

文献标志码： A

Abstract： Artificial Intelligence is the most significant technological revolution since we entered the 21st century， and has become a new focus of public attention and international competition. Industrial integration with AI technology not only brings huge opportunities for transformation and upgrading of enterprises， but also has an impact on employment structure. This thesis focuses on fusion of segmented manufacturing industries integrating AI， analyzes progress of integration and supply－and－demand of labor market， discusses the impact of AI technology to manufacturing employment theoretically and constructs PSM－DID model. After dividing these intelligent manufacturing enterprises into different categories， this paper inspects into influences on different sector of manufacturing enterprise's employment before and after integrating AI technology， finally puts forward efficient methods of transformation and upgrading of manufacturing enterprises and effective suggestions to solve problems on employment structure.

Key words： artificial intelligence; segmented manufacturing industries; employment structure; PSM－DID model

1 研究背景

一些國外学者从理论和实证角度研究了技术与就业之间的效应。Chandler（1977）在20世纪中期即发表技术是企业变革创新的原因，技术带来企业生产效率提高的观点。Postel－Viney（2002）对比技术进步对就业的长、短期影响，建立摩擦性失业模型刻画出长期技术发展会加快工作轮换预更新，降低就业的均衡水平。大卫·李嘉图（2013）在书中指出，技术进步在冲击原先就业市场的同时也能够创造出新的就业机会。Ford（2016）认为智能机器人不仅可以模拟低复杂性的手工任务，还可以模拟很多认知程序任务，智能机器人的应用带来的进步对就业机会产生极大威胁。Frey和Osborne（2017）研究了自动化对美国劳动力市场的预期影响，结果表明美国约有47%的职业有被自动化的风险。Acemoglu和Restrepo（2018）提出了一种基于任务的自动化建模方法，基于此框架强调自动化节省了生产成本，减少对劳动力的需求，但同时也增加了非自动化任务对劳动力的需求，这中间存在着抵消作用。Autor和Salomons（2018）发现自动化对就业有替代效应，但同时也间接增加了销售部门的工作时间，这二者之间有抵消作用。Lene等人（2018）也通过实证发现自动化在短期内会减少就业，长期会增加就业，且自动化对就业的影响相较于对生产率的影响几乎不显著。

张红霞和曹惠（2010）利用非参数DEA－Malmquist指数方法建立协整模型，最终发现就业率与技术进步率正相关。唐国华（2011）利用结构VAR模型发现技术创新与就业增长率总体上呈反向变动的关系，且这种负效应仅在中短期存在。封凯栋等人（2015）研究发现只有将自动化、智能化技术与劳动者技能发展相结合，才能将低素质劳动力转换为价值创造的重要力量。孔令晖（2017）基于劳动力异质性的视角研究发现第四次工业革命的技术冲击会减少低素质劳动力的工作机会，导致结构性失业增加。吕荣杰和郝力晓（2018）利用非平衡面板数据实证发现人工智能的发展在促进了劳动力就业的同时替代了乡村劳动力。张毅（2019）认为人工智能快速发展推动产业布局变化，流水线岗位及程序性岗位会被智能人和机械手替代，推动劳动力向新领域转移。郭凯明（2019）通过建立多部门动态一般均衡模型，从理论上验证了人工智能对劳动产生偏向的替代性，且在不同产业具有差异化的应用前景。孙早和侯玉琳（2019）发现工业智能化将替代初中和高中学历的劳动力，增加对高、低教育程度劳动力的需求，加剧就业结构的两极化。谢萌萌等人（2020）利用2011—2017年制造业企业的面板数据分析得出，制造业企业融合人工智能对低技能就业比重有显著负效应，且具有动态一致性。

技术进步对就业影响的相关研究不断深化，但很少有文献从制造业内部不同细分行业的角度出发，探寻人工智能技术对不同细分行业就业结构影响的差异。本文试图从理论上分析人工智能技术的进步对就业的影响，并构建PSM－DID实证模型，具体考察不同制造细分行业企业在出现人工智能技术前后高技能和低技能劳动力就业变化之间的差异，最后对如何有侧重有倾向地开展制造行业高效智能转型升级提出有效建议。

2 理论基础

本文选择使用程序偏向性技术进步理论，该理论认为技术进步是通过改变生产过程中的任务内容、资本对任务的完成度（任务的自动化程度）等途径间接作用至劳动力的。本文借鉴Acemoglu和Restrepo（2018）建立起的基于任务的分析框架，并将技术进步对高、低技能需求的作用概括为“替代效应”和“创造效应”。对低技能的“替代效应”就是，技术进步直接替代低技能勞动力的可预测的程序性任务，企业降低了低技能劳动的相对需求。对低技能的“创造效应”一方面可以理解为“补偿机制”，即技术进步通过提升全要素生产率降低了全要素价格和产品价格，进而刺激消费需求，导致厂商营业收入增加，厂商存在充足的盈余积累时趋向扩大资本规模，最终增加了对承担未自动化任务的低技能员工的需求；另一方面，技术进步创造新型任务进而衍生出新型低技能岗位，增加了对低技能劳动力的相对需求。

对高技能的“创造效应”可以理解为，技术进步直接创造出高技能劳动力可以满足的程序性任务，企业增加对高技能劳动力的需求。对高技能的“替代效应”一方面是，技术进步创造出的新任务而衍生出新型高技能岗位，与现有的高技能劳动力拥有的技能不完全匹配，导致出现高技能劳动力的结构性失业，另一方面是，技术进步对高技能劳动力的需求作用在市场中，会在原有高技能劳动力数量的基础上，增加低技能劳动力转化为高技能劳动力的数量，带来高技能劳动力的供给显著增加，超出企业需求的部分将会形成失业。

3 人工智能企业筛选与变量定义

3.1 企业筛选

研究人工智能对制造业不同技能就业比重的影响差异，首要问题是从企业层面定义出典型的人工智能的作用范围。结合相关政策及报告文件，学术界一般从AI产业化和产业AI化两个角度定义人工智能制造业企业。基于此，本文从以下三个角度对人工智能制造业企业进行筛选：

（1）行业层面，参考腾讯研究院和清华大学出具的人工智能研究报告，其以产业链的基础层、技术层和应用层为分析框架，筛选出人工智能制造业企业，共43家。

（2）政府层面，参考中央及地方政府2015年来颁布的“智能制造试点”定位人工智能作用的企业，共141家。

（3）企业层面，通过人工智能专利和文本挖掘定位企业，共26家。

根据以上三种方法，最终确定了210家融合人工智能的制造业企业，且其中大部分企业集中在技术水平先进的省份，广东（23.2%）、北京（15.1%）、江苏（10.4%），占48.7%，约50%。因此，从结果来看，采用这三种筛选方法对企业进行筛选基本合理。

3.2 变量定义

参考过往研究，本文所选取的样本企业属于工业企业范畴，因此选择岗位性质维度为基准回归的因变量，即生产性员工在制造业企业中一般被认为是低技能员工，管理和技术性员工被认为是高技能员工。同时将以下变量作为企业融合人工智能的前定特征变量：企业研发投入、企业资本深化程度、企业年龄、企业规模、企业全要素生产率、企业对外贸易强度。另外，为控制固定效应，加入以下3个虚拟变量：企业注册地所在省份、企业注册所有制性质、企业所处证监会分类下行业。

考虑到人工智能与制造业融合模式的异质性，本文确定年份的方式主要有以下几个：公司人工智能产品的主营业务收入开始出现的年份、公司“业务概要”和“经营情况讨论与分析”的文字表述中涉及人工智能产品取得重大进展的年份、公司控股或参股以人工智能产品为主营业务公司控/参股年份、公司与其他已确认为人工智能企业形成智能产品或服务方面的战略合作且该项产品或服务在市场上受到广泛认可的年份、“在建工程”会计科目明细项涉及“人工智能”应用的工程完工且可使用的年份或由“在建工程”转入“固定资产”的年份。

4 实证分析

本文主要研究人工智能对制造业企业高技能和低技能就业比重的影响，初始样本为沪深两市2020年以前上市的企业919家和全国中小企业股份转让系统挂牌（新三板）全部制造业企业4033家，共4952家，数据跨度为2012—2019年，制造业的界定以证监会（CSRC）行业（2017）和国民经济行业分类的划分标准为准。

参考既有研究的做法，本文剔除已停牌、退市或中止状态的企业，ST股票，考察期2012—2019年重要财务数据非正常原因缺失。经处理得到4447家企业初始数据。本文企业员工数据和财务数据来自 Wind 经济金融数据库，专利数据来自万方企业专利数据库，政策文件来自中央和各省份的相关部门网站，用来参考人工智能企业范围的报告来自腾讯研究院及清华研究院。

4.1 模型设计

根据企业是否是人工智能制造企业将所有样本划分为两组，处理组（是人工智能制造企业）和初步对照组（不是人工智能制造企业），通过倾向得分匹配（PSM）筛选出初步对照组中与处理组企业性质近似的样本作为实验对照组，通过企业实际的不同技能就业比重变化差分比较获得人工智能的技能偏向效应，模型设定如下：

4.2 PSM－DID回归结果与分析

PSM－DID方法可以较好避免解释变量的内生性问题，本文采用倾向得分匹配方法，筛选出与处理组企业特征相似的实验对照组作为PSM－DID的第一步。因此，本文选择两类变量作为分析对象：①2013—2019年融合了人工智能技术的制造业企业，称为处理组；②2012—2019年未融合人工智能技术的制造业企业，称为初始对照组。

本文选取以下变量进行匹配，包括企业研发投入强度、资本深化程度、企业年龄、企业规模和全要素生产率，采用Logit回归模型：

logit（AIit=1）=f（DYit-1， Kit-1， lnAgeit-1， lnScaleit-1， TFPit-1）（3）

使用Logit模型按年份计算处理组和初始对照组企业融合人工智能技术的概率，这一概率作为倾向得分。选择与处理组企业倾向得分最接近的初始对照组企业作为实验对照组，使用非替代性最临近匹配法，采用1∶3的比例进行匹配，最终得到处理组210家、实验对照组企业568家。

以高技能劳动力就业比重作为被解释变量进行回归，解释变量AI×YEAR的系数全部为正且统计学意义上显著，制造业企业生产或应用人工智能产品提高了对高技能岗位的相对需求，高技能占比约提高了2.3个百分点。资本深化程度的系数显著为正，研发费用与企业规模的系数显著为正，说明厂商规模的扩大增加了对高技能劳动力的雇佣。

以低技能劳动力就业比重作为被解释变量进行回归，解释变量AI×YEAR的系数全部为负且统计学意义上显著，制造业企业生产或应用人工智能产品降低了对低技能岗位的相对需求，低技能占比约降低了2.8个百分点。样本期内资本深化程度提高，但对高技能员工的需求没有增加，说明高技能员工就业对资本深化程度的需求弹性更高；研发强度和全要素生产率系数减少的绝对值大于技术对高技能就业的提高值，说明低技能员工就业对研发投入的需求弹性更高。

4.3 智能制造细分行业的就业结构差异分析

我国制造业细分领域众多，不同细分行业因其产业特质、发展历史等原因，集中度、规模等均大有不同。从当前工业化进程和智能制造需求两个角度，将它们归为四大类：

（1）领导者：计算机、通信和电子设备制造业，汽车制造业，家电制造业，家具建材制造业，医药制造业。

（2）挑战者：纺织服装业，机械装备制造业，仪器仪表制造业，电气设备制造业，航空航天、铁路及船舶制造业。

（3）探索者：石油加工、炼焦及核燃料加工业，化学原料及化学制品制造业，非金属矿物制品制造业，有色金属冶炼及加工业，黑色金属冶炼及加工业。

（4）观望者：食品饮料制造业，文体娱乐用品制造业，橡胶与塑料制品制造业，造纸、包装及印刷业。

根据四大类智能制造企业将匹配的企业分为四组进行回归，所得报告如表3所示。

从表3中可以看出，基本所有的制造企业在融合人工智能技术后，对高技能劳动力的需求都有所提升，对低技能劳动力的需求都有所缩减。挑战类企业融合人工智能技术后对高技能劳动力的需求要高于其他类型企业，也表明挑战类企业对融合人工智能有更多的需求；观望类企业融合人工智能技术后对低技能劳动力的需求减少最多，这也表明这类企业在人工智能的进程中处在末端，引入智能技术后对就业冲击较大。

5 结论与展望

本文通过实证研究了人工智能技术对制造业不同细分行业就业结构影响的差异，研究表明，制造业企业生产或应用人工智能产品会增加对高技能劳动力的需求，也会降低对低技能岗位的相对需求。同时，资本深化程度越高、厂商规模越大，企业越会增加对员工的需求，且对高技能员工需求更多；企业对技术要素投入越多，对高技能劳动力需求越多，对低技能员工需求越少，且减少的低技能员工多于增加的高技能员工；企业年龄系数和对外贸易强度的对高、低技能劳动力需求基本没有十分显著的影响。结合对智能制造行业的分类进行回归发现，挑战类企业融合人工智能技术后对高技能劳动力的需求缺口最大，市场急需补充更多高技能的劳动力到此类企业中，观望类企业融合人工智能技术后对低技能劳动力的要求减少最多，如果这类企业融合智能技术，将对人力成本有着极大的节省。

针对上述结论，提出以下发展人工智能制造业的相关建议：整体来看，制造业融合人工智能技术是必然趋势。制造业企业应该在顶层设计、核心技术、场景应用、人才、融资等方面主动地融合人工智能技术，加大投入力度，且不同类别的智能制造企業应该有针对性地调整措施。

对于智能制造企业中的领导者来说，未来应着重深化融合人工智能程度。面对企业内部逐步上升的人力成本，企业领导层要加大对技术的投入，以技术进步带来的利润抵消升高的人力成本与技术投入；积极探索企业内更多人工智能应用场景，在应用层同样要走在制造业前列；企业间自发组织领导类企业联盟，利用企业群的平台优势，加速成长壮大。

对于智能制造挑战者来说，应当主动探索节省经营成本的做法，加快更新生产设备与生产流程；与生产技术成熟的企业主动合作，吸收先进的技术经验，加速本企业的智能化转型；面对可能出现的高技能劳动力缺口，企业应主动与高校联系，设立优秀学校学生的就业直通车机制，抢在前端从校方吸收高素质人才；对于融合人工智能后出现的低技能劳动力岗位消失情况，应主动开设高技能岗位相关培训课程，加速企业内部人才转型，减少人才培养成本。

对于智能制造探索者来说，应该着力在精益化生产与提高流程管控能力方面融合智能技术，利用大数据实现生产管控一体化，打造智能工厂，在最优化生产能力基础上提高生产效率。对于智能制造观望者来说，更应在服务与管理流程上加大对人工智能技术的投入力度。

在本文的研究过程中，仍存在部分制造企业被遗漏选取、主观判断失误造成的分类结果偏颇的情况，因此在日后的研究中，应尽可能将全部符合定义的人工智能制造企业纳入实证检验中，并探索更为合理的方法进行制造业的分类，同时希望能够借用类似的方法对更多智能行业的就业结构进行探索分析。

参考文献：

［1］CHANDLER， ALFRED D. The visible hand： the managerial revolution in american business. Harvard University Press， 1977.

［2］ POSTEL－VINAY F. The dynamics of technological unemployment［J］. International Economic Review， 2002（43）： 737－760.

［3］ 李嘉图.政治经济学及赋税原理［M］.郭大力，王亚南，译.北京：商务印书馆，2013.

［4］ FORD M. Rise of the robots： technology and the threat of a jobless［M］. New York： Basic Books， Inc.， 2016.

［5］ FREY C B， OSBORNE M A. The future of employment： how susceptible are jobs to computerization？［J］. Technological Forecasting and Social Change， 2017（114）：254－280.

［6］ ACEMOGLU D， RESTREPO P. Modeling automation［J］. AEA Papers and Proceedings， 2018（108）： 48－53.

［7］ ACEMOGLU DARON， PASCUAL RESTREPO. Artificial Intelligence， Automation and Work. NBER Working Paper 24196， 2018.

［8］ AUTOR D H， SALOMONS A. Is automation labor displacing？ Productivity growth， employment， and the labor share. Brookings Papers on Economic Activity， 2018.