物流業人工智能的就業效應
——基于51家上市物流企業微觀數據研究

傳統物流業是典型的勞動密集型產業。進入數字時代，物流業成為人工智能應用中具有代表性的產業之一，人工智能對物流業造成巨大的沖擊，物流業的生產服務模式從人力主導轉型到智能控制，在集人工智能、物聯網技術、計算機技術以及信息處理等技術為一體的智能物流系統的支撐下，無人機、無人車、倉儲機器人及智能快遞柜等設備被廣泛運用到物流的各個環節[1]。這大大降低了物流成本，優化了物流路徑，提高了勞動效率，為物流業的發展提供了新動能。同時生產服務方式的轉型重新定義了物流業中人與技術的關系，對物流企業就業造成了深刻影響。

就業是民生之本，“就業不僅是民生問題，也是發展問題”，就業作為“六穩”和“六保”之首，其重要性不言而喻。因此，物流行業在面臨智能化服務轉型升級的情況下，人工智能對物流業的就業的影響是怎樣的？會不會提高物流行業的員工收入？人工智能作用下物流業的機制如何？厘清以上問題，有助于明晰人工智能對物流業就業的影響程度和機制。

1 數據說明與模型設計

1.1 數據

本文物流行業上市企業數據信息的選取主要來自東方財富數據庫，通過東方財富對物流行業的分類，可以得到物流行業51家上市企業的數據。由于物流上市公司普遍上市時間較短，因此本文選擇的數據時間跨度為2016—2021年，通過銳思數據庫獲得物流上市企業在目標年份的各項指標。對于部分缺失2021年的數據，則通過查找各個企業公布的年報，依據銳思數據庫提供的數據詞典計算得出。為確保估計結果的精準性，對連續變量進行雙邊1%的Winsorize處理。

續 表

1.2 模型設定

為了檢驗人工智能應用對員工數量和員工收入的影響，建立了如下計量模型。

其中i表示企業，t表示年份。其中，被解釋變量為企業的員工數量（YGSL）和員工收入（YGSR），解釋變量為企業的人工智能應用（RGZN），Control為控制變量集合，具體包括企業的資本結構、盈利能力、償債能力和成長能力等。δi為企業固定效應，λi為時間固定效應，εit為隨機誤差項。對核心解釋變量和被解釋變量采取對數化處理，并且采用聚類穩健標準誤進行回歸，有效地控制異方差和自相關帶來的影響。

1.3 變量說明

被解釋變量的測度。本文關注人工智能應用對物流企業就業和工資的影響。被解釋變量為物流企業的就業人數，采用企業就業人數測度。由于物流行業中部分企業存在勞務外包行為，而勞務外包本質上也屬于物流企業實際雇傭勞動力的一部分，如果不加入這一部分將會忽視企業的勞務外包情況，從而帶來較大的測量誤差。根據企業會計準則，年報關于員工的統計則不計入勞務外包人數，且年報中的勞務外包只有工時數。根據國家對一年工時數的規定，本文依此進行換算得到勞務外包人數，并與年報上的員工人數合并，最終形成物流企業就業人數的測度指標。此外，本文以企業財務報告中的應付職工薪酬為依據來測度企業的整體工資水平。

核心解釋變量的測度。企業年報中未直接報告人工智能或機器人的應用情況。而現有的文獻中孟浩等[2]采用在企業報表中出現人工智能關鍵詞來衡量企業應用人工智能的程度。但這種方式可能會因企業自身對于人工智能的炒作而使得數據失真。何勤等[3]以企業的無形資產賬面價值衡量企業的人工智能水平。本文的研究對象是物流行業，和上述文獻選取的對象有所不同且物流企業普遍上市較晚，對外公布的財務報告相對匱乏的情況，故無法利用人工智能關鍵詞的頻數來衡量企業的人工智能水平。于是借鑒何勤等的思路，研究財務報告后發現固定資產的電子設備和信息技術設備等科目記錄明確，與人工智能應用密切相關，所以本文選取該項作為指標。

控制變量的測度。以企業的長期負債總額與所有者權益的比率來測度企業的資本結構，以凈資產收益率和凈利潤與營業總收入的比率來測度企業的盈利能力，以負債總額與股東權益的比率來測度企業的償債能力，以凈資產增長率來測度企業的成長能力。如表1所示。

表1 變量及變量說明

2 實證分析

2.1 基準估計結果分析

為了避免遺漏變量對模型估計結果的影響，本文采用面板時間和個體均固定的雙固定效應回歸模型對基準模型進行估計。表2列（1）報告了人工智能應用對物流企業就業的影響，估計結果顯示人工智能應用顯著提升了企業的就業規模，伴隨企業人工智能應用增長1%，企業的員工數量平均增長了0.46%；列（2）報告了人工智能應用對物流企業工資水平的影響，估計結果顯示，人工智能應用顯著增加了員工收入，企業人工智能應用增加1%，則員工收入增長0.29%。基準模型的估計結果說明人工智能對于整個物流行業的就業規模和員工收入的影響以創造效應為主。

表2 人工智能對企業員工數量和員工收入影響的估計結果

2.2 中介機制檢驗

為了檢驗人工智能技術研發對就業規模的間接影響，在模型中加入中介變量，借鑒溫忠麟等[4]提出的中介效應檢驗方法，設定模型如下。

其中i表示企業，t表示年份。其中，被解釋變量為企業的員工數量（YGSL）、員工收入（YGSR），解釋變量為企業的人工智能應用（RGZN），中介變量為企業規模（GSGM）（企業期末資產總額），Control為控制變量集合，具體包括企業的資本結構、盈利能力、償債能力和成長能力等。δi為企業固定效應，εit為隨機誤差項。為控制異方差和自相關的影響，采用穩健標準誤差進行回歸。

表3中列（1）和列（2）分別為未加入企業規模變量和加入企業規模變量對員工數量的影響；列（3）報告了人工智能對企業規模的相關性；列（4）和列（5）分別為未加入企業規模變量和加入企業規模變量對員工收入的影響。列（3）的回歸結果表明人工智能應用顯著提高了企業的規模；列（2）和列（5）的回歸結果表明在加入中介變量企業規模后，人工智能應用和企業規模對員工數量和員工收入的影響均顯著，說明企業規模起到了部分中介效應。這說明對于物流行業來說，員工收入一部分受到人工智能通過企業規模的間接影響，另一部分則受到人工智能應用的直接影響。

表3 人工智能應用對員工數量和員工收入的中介效應回歸結果

3 結 語

本文利用2016—2021年我國物流上市企業的面板數據，檢驗分析了人工智能應用對就業規模和員工收入的影響。研究結果表明，企業中人工智能應用程度的提高，顯著提高了我國物流企業的就業規模和員工收入；機制分析的結論表明，人工智能應用對就業的創造效應主要來自其擴大了企業的規模。

為了更好地發揮人工智能對就業的促進作用，本文提出以下建議。

其一，重視對員工的激勵和培養。雖然目前的數據表明人工智能應用會簡化其工作難度。但是目前物流行業的競爭日益激烈，未來物流企業會產生新的工作崗位，這對勞動力的素質提出了更高的要求，為了避免新崗位與員工技能不匹配的情況，企業應重視提高員工的素質和技能，對員工進行和人工智能技術有關的培訓，并在培訓后進行評估，以確保培訓質量；還可以創辦企業大學，為想要在工作之外進行充電的普通員工提供良好的學習條件和環境。

其二，注重把握人工智能的相關政策。人工智能的發展是大勢所趨，物流企業應積極響應國家的號召，利用好國家出臺的有關人工智能優惠政策，加強人工智能技術的研發和創新，并將人工智能與企業融合，以此增強企業的競爭優勢，擴大企業規模，達到人工智能間接促進就業的目的。