人工智能對制造業細分行業就業的差異化影響

邵帥

摘 要： 人工智能是進入21世紀以來最重要的一場技術變革，當前已經成為大眾聚焦的新熱點和國際競爭的關注點。產業融合人工智能技術不僅為產業中的各企業帶來轉型升級的巨大機會，同時也對就業結構產生影響。文章聚焦于制造業融合人工智能技術的場景，在分析人工智能與制造業細分行業融合情況、不同技能勞動力市場供求情況的基礎上，從理論上分析人工智能技術的進步對制造業企業就業的影響，構建PSM－DID實證模型，將智能制造企業劃分為不同類別，分類考察不同細分制造業企業在人工智能技術出現前后對勞動力就業的影響，最終提出制造業企業高效智能轉型升級的方法以及解決勞動者相關就業問題的有效建議。

關鍵詞： 人工智能；制造業細分行業；就業結構；PSM－DID

中圖分類號： F 241.4; F 49; F 27

文獻標志碼： 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

一些國外學者從理論和實證角度研究了技術與就業之間的效應。Chandler（1977）在20世紀中期即發表技術是企業變革創新的原因，技術帶來企業生產效率提高的觀點。Postel－Viney（2002）對比技術進步對就業的長、短期影響，建立摩擦性失業模型刻畫出長期技術發展會加快工作輪換預更新，降低就業的均衡水平。大衛·李嘉圖（2013）在書中指出，技術進步在沖擊原先就業市場的同時也能夠創造出新的就業機會。Ford（2016）認為智能機器人不僅可以模擬低復雜性的手工任務，還可以模擬很多認知程序任務，智能機器人的應用帶來的進步對就業機會產生極大威脅。Frey和Osborne（2017）研究了自動化對美國勞動力市場的預期影響，結果表明美國約有47%的職業有被自動化的風險。Acemoglu和Restrepo（2018）提出了一種基于任務的自動化建模方法，基于此框架強調自動化節省了生產成本，減少對勞動力的需求，但同時也增加了非自動化任務對勞動力的需求，這中間存在著抵消作用。Autor和Salomons（2018）發現自動化對就業有替代效應，但同時也間接增加了銷售部門的工作時間，這二者之間有抵消作用。Lene等人（2018）也通過實證發現自動化在短期內會減少就業，長期會增加就業，且自動化對就業的影響相較于對生產率的影響幾乎不顯著。

張紅霞和曹惠（2010）利用非參數DEA－Malmquist指數方法建立協整模型，最終發現就業率與技術進步率正相關。唐國華（2011）利用結構VAR模型發現技術創新與就業增長率總體上呈反向變動的關系，且這種負效應僅在中短期存在。封凱棟等人（2015）研究發現只有將自動化、智能化技術與勞動者技能發展相結合，才能將低素質勞動力轉換為價值創造的重要力量。孔令暉（2017）基于勞動力異質性的視角研究發現第四次工業革命的技術沖擊會減少低素質勞動力的工作機會，導致結構性失業增加。呂榮杰和郝力曉（2018）利用非平衡面板數據實證發現人工智能的發展在促進了勞動力就業的同時替代了鄉村勞動力。張毅（2019）認為人工智能快速發展推動產業布局變化，流水線崗位及程序性崗位會被智能人和機械手替代，推動勞動力向新領域轉移。郭凱明（2019）通過建立多部門動態一般均衡模型，從理論上驗證了人工智能對勞動產生偏向的替代性，且在不同產業具有差異化的應用前景。孫早和侯玉琳（2019）發現工業智能化將替代初中和高中學歷的勞動力，增加對高、低教育程度勞動力的需求，加劇就業結構的兩極化。謝萌萌等人（2020）利用2011—2017年制造業企業的面板數據分析得出，制造業企業融合人工智能對低技能就業比重有顯著負效應，且具有動態一致性。

技術進步對就業影響的相關研究不斷深化，但很少有文獻從制造業內部不同細分行業的角度出發，探尋人工智能技術對不同細分行業就業結構影響的差異。本文試圖從理論上分析人工智能技術的進步對就業的影響，并構建PSM－DID實證模型，具體考察不同制造細分行業企業在出現人工智能技術前后高技能和低技能勞動力就業變化之間的差異，最后對如何有側重有傾向地開展制造行業高效智能轉型升級提出有效建議。

2 理論基礎

本文選擇使用程序偏向性技術進步理論，該理論認為技術進步是通過改變生產過程中的任務內容、資本對任務的完成度（任務的自動化程度）等途徑間接作用至勞動力的。本文借鑒Acemoglu和Restrepo（2018）建立起的基于任務的分析框架，并將技術進步對高、低技能需求的作用概括為“替代效應”和“創造效應”。對低技能的“替代效應”就是，技術進步直接替代低技能勞動力的可預測的程序性任務，企業降低了低技能勞動的相對需求。對低技能的“創造效應”一方面可以理解為“補償機制”，即技術進步通過提升全要素生產率降低了全要素價格和產品價格，進而刺激消費需求，導致廠商營業收入增加，廠商存在充足的盈余積累時趨向擴大資本規模，最終增加了對承擔未自動化任務的低技能員工的需求；另一方面，技術進步創造新型任務進而衍生出新型低技能崗位，增加了對低技能勞動力的相對需求。

對高技能的“創造效應”可以理解為，技術進步直接創造出高技能勞動力可以滿足的程序性任務，企業增加對高技能勞動力的需求。對高技能的“替代效應”一方面是，技術進步創造出的新任務而衍生出新型高技能崗位，與現有的高技能勞動力擁有的技能不完全匹配，導致出現高技能勞動力的結構性失業，另一方面是，技術進步對高技能勞動力的需求作用在市場中，會在原有高技能勞動力數量的基礎上，增加低技能勞動力轉化為高技能勞動力的數量，帶來高技能勞動力的供給顯著增加，超出企業需求的部分將會形成失業。

3 人工智能企業篩選與變量定義

3.1 企業篩選

研究人工智能對制造業不同技能就業比重的影響差異，首要問題是從企業層面定義出典型的人工智能的作用范圍。結合相關政策及報告文件，學術界一般從AI產業化和產業AI化兩個角度定義人工智能制造業企業。基于此，本文從以下三個角度對人工智能制造業企業進行篩選：

（1）行業層面，參考騰訊研究院和清華大學出具的人工智能研究報告，其以產業鏈的基礎層、技術層和應用層為分析框架，篩選出人工智能制造業企業，共43家。

（2）政府層面，參考中央及地方政府2015年來頒布的“智能制造試點”定位人工智能作用的企業，共141家。

（3）企業層面，通過人工智能專利和文本挖掘定位企業，共26家。

根據以上三種方法，最終確定了210家融合人工智能的制造業企業，且其中大部分企業集中在技術水平先進的省份，廣東（23.2%）、北京（15.1%）、江蘇（10.4%），占48.7%，約50%。因此，從結果來看，采用這三種篩選方法對企業進行篩選基本合理。

3.2 變量定義

參考過往研究，本文所選取的樣本企業屬于工業企業范疇，因此選擇崗位性質維度為基準回歸的因變量，即生產性員工在制造業企業中一般被認為是低技能員工，管理和技術性員工被認為是高技能員工。同時將以下變量作為企業融合人工智能的前定特征變量：企業研發投入、企業資本深化程度、企業年齡、企業規模、企業全要素生產率、企業對外貿易強度。另外，為控制固定效應，加入以下3個虛擬變量：企業注冊地所在省份、企業注冊所有制性質、企業所處證監會分類下行業。

考慮到人工智能與制造業融合模式的異質性，本文確定年份的方式主要有以下幾個：公司人工智能產品的主營業務收入開始出現的年份、公司“業務概要”和“經營情況討論與分析”的文字表述中涉及人工智能產品取得重大進展的年份、公司控股或參股以人工智能產品為主營業務公司控/參股年份、公司與其他已確認為人工智能企業形成智能產品或服務方面的戰略合作且該項產品或服務在市場上受到廣泛認可的年份、“在建工程”會計科目明細項涉及“人工智能”應用的工程完工且可使用的年份或由“在建工程”轉入“固定資產”的年份。

4 實證分析

本文主要研究人工智能對制造業企業高技能和低技能就業比重的影響，初始樣本為滬深兩市2020年以前上市的企業919家和全國中小企業股份轉讓系統掛牌（新三板）全部制造業企業4033家，共4952家，數據跨度為2012—2019年，制造業的界定以證監會（CSRC）行業（2017）和國民經濟行業分類的劃分標準為準。

參考既有研究的做法，本文剔除已停牌、退市或中止狀態的企業，ST股票，考察期2012—2019年重要財務數據非正常原因缺失。經處理得到4447家企業初始數據。本文企業員工數據和財務數據來自 Wind 經濟金融數據庫，專利數據來自萬方企業專利數據庫，政策文件來自中央和各省份的相關部門網站，用來參考人工智能企業范圍的報告來自騰訊研究院及清華研究院。

4.1 模型設計

根據企業是否是人工智能制造企業將所有樣本劃分為兩組，處理組（是人工智能制造企業）和初步對照組（不是人工智能制造企業），通過傾向得分匹配（PSM）篩選出初步對照組中與處理組企業性質近似的樣本作為實驗對照組，通過企業實際的不同技能就業比重變化差分比較獲得人工智能的技能偏向效應，模型設定如下：

4.2 PSM－DID回歸結果與分析

PSM－DID方法可以較好避免解釋變量的內生性問題，本文采用傾向得分匹配方法，篩選出與處理組企業特征相似的實驗對照組作為PSM－DID的第一步。因此，本文選擇兩類變量作為分析對象：①2013—2019年融合了人工智能技術的制造業企業，稱為處理組；②2012—2019年未融合人工智能技術的制造業企業，稱為初始對照組。

本文選取以下變量進行匹配，包括企業研發投入強度、資本深化程度、企業年齡、企業規模和全要素生產率，采用Logit回歸模型：

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

使用Logit模型按年份計算處理組和初始對照組企業融合人工智能技術的概率，這一概率作為傾向得分。選擇與處理組企業傾向得分最接近的初始對照組企業作為實驗對照組，使用非替代性最臨近匹配法，采用1∶3的比例進行匹配，最終得到處理組210家、實驗對照組企業568家。

以高技能勞動力就業比重作為被解釋變量進行回歸，解釋變量AI×YEAR的系數全部為正且統計學意義上顯著，制造業企業生產或應用人工智能產品提高了對高技能崗位的相對需求，高技能占比約提高了2.3個百分點。資本深化程度的系數顯著為正，研發費用與企業規模的系數顯著為正，說明廠商規模的擴大增加了對高技能勞動力的雇傭。

以低技能勞動力就業比重作為被解釋變量進行回歸，解釋變量AI×YEAR的系數全部為負且統計學意義上顯著，制造業企業生產或應用人工智能產品降低了對低技能崗位的相對需求，低技能占比約降低了2.8個百分點。樣本期內資本深化程度提高，但對高技能員工的需求沒有增加，說明高技能員工就業對資本深化程度的需求彈性更高；研發強度和全要素生產率系數減少的絕對值大于技術對高技能就業的提高值，說明低技能員工就業對研發投入的需求彈性更高。

4.3 智能制造細分行業的就業結構差異分析

我國制造業細分領域眾多，不同細分行業因其產業特質、發展歷史等原因，集中度、規模等均大有不同。從當前工業化進程和智能制造需求兩個角度，將它們歸為四大類：

（1）領導者：計算機、通信和電子設備制造業，汽車制造業，家電制造業，家具建材制造業，醫藥制造業。

（2）挑戰者：紡織服裝業，機械裝備制造業，儀器儀表制造業，電氣設備制造業，航空航天、鐵路及船舶制造業。

（3）探索者：石油加工、煉焦及核燃料加工業，化學原料及化學制品制造業，非金屬礦物制品制造業，有色金屬冶煉及加工業，黑色金屬冶煉及加工業。

（4）觀望者：食品飲料制造業，文體娛樂用品制造業，橡膠與塑料制品制造業，造紙、包裝及印刷業。

根據四大類智能制造企業將匹配的企業分為四組進行回歸，所得報告如表3所示。

從表3中可以看出，基本所有的制造企業在融合人工智能技術后，對高技能勞動力的需求都有所提升，對低技能勞動力的需求都有所縮減。挑戰類企業融合人工智能技術后對高技能勞動力的需求要高于其他類型企業，也表明挑戰類企業對融合人工智能有更多的需求；觀望類企業融合人工智能技術后對低技能勞動力的需求減少最多，這也表明這類企業在人工智能的進程中處在末端，引入智能技術后對就業沖擊較大。

5 結論與展望

本文通過實證研究了人工智能技術對制造業不同細分行業就業結構影響的差異，研究表明，制造業企業生產或應用人工智能產品會增加對高技能勞動力的需求，也會降低對低技能崗位的相對需求。同時，資本深化程度越高、廠商規模越大，企業越會增加對員工的需求，且對高技能員工需求更多；企業對技術要素投入越多，對高技能勞動力需求越多，對低技能員工需求越少，且減少的低技能員工多于增加的高技能員工；企業年齡系數和對外貿易強度的對高、低技能勞動力需求基本沒有十分顯著的影響。結合對智能制造行業的分類進行回歸發現，挑戰類企業融合人工智能技術后對高技能勞動力的需求缺口最大，市場急需補充更多高技能的勞動力到此類企業中，觀望類企業融合人工智能技術后對低技能勞動力的要求減少最多，如果這類企業融合智能技術，將對人力成本有著極大的節省。

針對上述結論，提出以下發展人工智能制造業的相關建議：整體來看，制造業融合人工智能技術是必然趨勢。制造業企業應該在頂層設計、核心技術、場景應用、人才、融資等方面主動地融合人工智能技術，加大投入力度，且不同類別的智能制造企業應該有針對性地調整措施。

對于智能制造企業中的領導者來說，未來應著重深化融合人工智能程度。面對企業內部逐步上升的人力成本，企業領導層要加大對技術的投入，以技術進步帶來的利潤抵消升高的人力成本與技術投入；積極探索企業內更多人工智能應用場景，在應用層同樣要走在制造業前列；企業間自發組織領導類企業聯盟，利用企業群的平臺優勢，加速成長壯大。

對于智能制造挑戰者來說，應當主動探索節省經營成本的做法，加快更新生產設備與生產流程；與生產技術成熟的企業主動合作，吸收先進的技術經驗，加速本企業的智能化轉型；面對可能出現的高技能勞動力缺口，企業應主動與高校聯系，設立優秀學校學生的就業直通車機制，搶在前端從校方吸收高素質人才；對于融合人工智能后出現的低技能勞動力崗位消失情況，應主動開設高技能崗位相關培訓課程，加速企業內部人才轉型，減少人才培養成本。

對于智能制造探索者來說，應該著力在精益化生產與提高流程管控能力方面融合智能技術，利用大數據實現生產管控一體化，打造智能工廠，在最優化生產能力基礎上提高生產效率。對于智能制造觀望者來說，更應在服務與管理流程上加大對人工智能技術的投入力度。

在本文的研究過程中，仍存在部分制造企業被遺漏選取、主觀判斷失誤造成的分類結果偏頗的情況，因此在日后的研究中，應盡可能將全部符合定義的人工智能制造企業納入實證檢驗中，并探索更為合理的方法進行制造業的分類，同時希望能夠借用類似的方法對更多智能行業的就業結構進行探索分析。

參考文獻：

［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］ 李嘉圖.政治經濟學及賦稅原理［M］.郭大力，王亞南，譯.北京：商務印書館，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.