人工智能技術創新縮小了性別收入差距嗎？
——基于中國家庭追蹤調查的經驗分析

孫 寧，李明真，李 達，王永路

（1.中國信息通信研究院 產業與規劃研究所，北京 100191；2.北京交通大學 經濟管理學院，北京 100044；3.中國人民警察大學 財務處，河北 廊坊 065000；4.中國人民警察大學 研究生院，河北 廊坊 065000）

一、引言

制造業是一個國家經濟增長的主要引擎，《中國制造2025》中明確指出制造業是國民經濟的主體，是立國之本、興國之器、強國之基。隨著國家市場和體制改革，女性群體越來越多地加入勞動力市場中來。《中國勞動統計年鑒》數據顯示，制造業是19 個行業中吸納城鎮女性就業最多的行業，從2000年女性從業人員1425 萬人，占女性就業總量的32%，到2017年的1821 萬人，占比28%，雖然比例有所波動但始終保持女性就業總量第一的位置。國家統計局《2018 中國農村貧困監測報告》顯示，2017年貧困地區農村從業人員外出就業女性優先選擇的行業也是制造業，占比26.1%，可見制造業為女性群體從傳統的家庭角色過渡到重要勞動力隊伍提供了很大的支持。

隨著近年來中國人口老齡化趨勢的加深，勞動力成本持續上升，原來的人口紅利優勢不再。與此同時，科學技術的快速進步不斷推動著社會向前發展，改變著人類生產及生活方式，技術紅利成為制造業的新出路。人工智能不同于以往的技術變革，能同時增強資本和勞動者生產效率，并對傳統行業存在較強的溢出效應（黃旭，2022），主要通過模擬、延伸和擴展人類智能，來完成或輔助人類完成各類工作（袁玉芝和杜育紅，2019）。《“十四五”智能制造發展規劃》提出“到2025年，規模以上制造業企業大部分實現數字化網絡化，重點行業骨干企業初步應用智能化”的目標，充分發揮人工智能技術創新成果在制造業起到的重要作用，推動智能制造發展邁上新臺階。

一個行業的轉型升級會對行業中的勞動力結構產生重大影響。制造業中女性從業者基數大、比例高，技術進步無疑會影響行業內的女性群體就業及收入水平。我國一直密切關注著性別工資差距問題，從1990年到2010年婦女社會地位的調查結果顯示，性別工資差距不斷擴大。城鎮在業女性的平均收入由1990年的占男性平均收入的77.5%下降到了2010年的67.3%；農村的男女收入差距擴大的更嚴重，從1990年農村在業女性的平均收入是男性平均收入的79%直線下降到2010年的56%。近幾年情況根據BOSS 直聘研究院自2016年起的《中國職場性別薪酬差異報告》數據顯示，2016—2021年五年內只有2019年和2021年性別收入差距呈現縮小的情況，即便在2021年度中國城鎮就業人群的性別薪酬差異有所收斂，較2020年有1.2 個百分點的改善，女性勞動者的平均薪酬為7017 元，是城鎮男性勞動者的77.1%。同時國內學者通過對微觀數據、行業數據、教育程度分類數據等實證研究，發現性別收入差距呈現逆轉趨勢（歐陽任飛等，2017；魏下海等，2018）。中國的性別紅利潛力巨大，根據普華永道發布的《2019年女性就業指數》顯示，如果中國在縮小男女薪酬差距方面做出改善，女性的收入預計能提高34%，相當于女性收入提高2 萬億美元。

已有的研究文獻對性別收入差距現象產生的原因進行了詳盡的研究，主要形成以下兩種解釋。

一種觀點認為是市場和體制改革、政策背景、行業隔離導致差距的存在。李實等（2014）在城鎮經濟和企業改革的背景下，選取了1995年、2002年和2007年三個時點對比分析勞動力市場結構變化對女性勞動者工資收入的影響，結果表明這期間城鎮職工工資的性別差距出現了不斷擴大的趨勢，且有所加速。肖潔（2017）基于中國生育、人口政策的轉變，考察生育對不同收入層次已婚女性勞動收入的影響程度，發現高收入和收入較低的已婚女性面臨顯著的生育懲罰，收入較低的女性付出的生育代價更大。趙媛媛（2016）利用“中國雇主-雇員匹配數據”發現行業內的性別隔離會增加性別工資差異。

另一種觀點則更多考慮家庭勞動、社會資本、性別歧視在性別收入差距中起的作用。付光偉（2012）通過對2006年中國營養與健康狀況調查（CHNS）成人微觀數據進行分析，發現男女兩性在工資收入上的不平等主要是通過家務勞動的不平等發生作用的。程誠等（2015）從社會資本角度出發解釋性別收入差距的原因是因為女性的社會資本欠缺，并且女性勞動者的社會資本回報率也顯著低于男性。郭凱明等（2017）應用統計型歧視理論估算歧視因素對性別工資差距的影響程度，得出男女就業機會差距較大的職業，工資性別歧視程度也較高的結論。

而對于技術創新對性別收入差距的研究目前較少，隆云滔等（2020）通過梳理文獻發現，人工智能的應用促使工作中對于身體技能的要求下降、認知能力要求上升，性別參與差距在就業中不斷縮小，同時人工智能技術創新使很多重復性工作被替代，而我國重復性工作中女性從事的比例更大，所以對于女性的就業沖擊可能更大，但具體影響是積極或消極很難評估。魏巍（2022）基于我國制造業1993—2019年的省際數據，得出人工智能技術可以通過改變制造業勞動結構、技能效率結構從而增強技能溢價水平的結論。技能溢價的提高對于從事低技能勞動者存在負面作用，進而影響性別工資差距。

隨著信息科技的快速發展，技術進步對于性別工資差距的影響得到了廣泛的關注，在這些背景下，本文把技術進步聚焦在制造業轉型升級中人工智能的技術創新方面，提出以下問題：①制造業中的人工智能技術創新對行業收入及性別工資差距會產生什么影響？②技術進步對制造業中不同類別勞動者的影響是否一致？③如果不一致，技術進步對不同類別勞動者的收入及性別收入差距的影響如何？

與以往研究相比，本文的貢獻主要在于以下三方面：首先，本文將行業限定在制造業，主要研究在智能制造背景下人工智能技術創新對于行業內勞動者性別工資差距的影響；其次，深入討論人工智能技術創新對制造業中不同類別的勞動者影響的異質性；最后，由于中國人工智能產品在2016年之后開始大規模進入市場，本文數據更新到2018年，具有一定的參考性，模型選用工具變量固定效應模型，能夠較好地解決人工智能變量內生性的問題。

二、理論分析與研究假設

（一）去技能化與再技能化

勞動者的“去技能化”這一論點最初源于馬克思提出的勞動過程理論，馬克思主要關注勞動過程中資本家對于“活勞動”的控制進而剝削工人階級這一現象，哈里·布雷弗曼（1974）對這一理論進行了擴展研究，發現在壟斷資本主義階段，個別分工、機械化和自動化技術的應用，導致工作的碎片化和專業化，破壞了工人的完整技藝，削弱了工人控制勞動過程的能力，迫使工人在勞動過程中聽命資本家及管理者的安排，即勞動技能和操作技術轉由機器和工具完成，工人逐漸成為無需更高技術和技巧的“非熟練”勞動者。對于這一觀點學術界展開討論并進行深入的研究，Shaiken（1979）認為數控機床等自動化設備的使用降低了資方對勞動者技能的需求，導致工人的技能降低、工會力量被削弱。Berg（2016）研究發現隨著人工智能自動化技術等普及，生產力和熟練勞動者的工資將隨之增長，而低技能勞動者的收入會受到損失。

相對于“去技能化”，技術進步對于現階段的勞動者的技能需求表現出了“再技能化”的趨勢，例如技術進步創造了新的工作崗位，又如技術進步降低了低技能勞動者的身體運動技能需求（郝翠紅和李建民，2018），為更多女性進入勞動力市場提供可能，可能對女性的相對工資產生影響。本文重點關注技術進步通過女性勞動者的“再技能化”進而對工資的影響，Bacolod 和Blum（2005）從個體技能分類的角度出發認為：女性對于認知技能的敏感度高于運動技能，從事認知技能密集型工作的比例也高于男性，技術的快速進步使得認知技能的相對價格上升，從而縮小了性別工資差距。Black 和Spitz-Oener（2010）對個體技能的衡量采用男性和女性完成工作任務的類型，包括常規任務和非常規任務，并且運用德國的數據進行實證研究，在技術變革的推動下，女性的非常規分析任務和非常規交互任務相對增多，而日常投入任務顯著下降，這些變化可以解釋性別工資差距縮小的很大一部分原因。Juhn 等（2014）通過對公司的實證研究發現由于墨西哥加入北美自由貿易協定后關稅下降引入更多的新技術，這改善了女性在藍領工作中的勞動力市場結構，使得女性在藍領工作中更有生產力，從而提高女性在藍領工作中的相對工資。可以看出，眾多學者十分認可女性的認知技能優勢，并且把性別工資差距的部分解釋因素歸因于技術進步背景下女性的技能優勢發揮的作用。

受學者們的啟發，中國智能制造發展過程中，技術進步的技能自動化應用對于低技能勞動者具有更大的沖擊力，會造成低技能勞動的相對報酬整體降低，不平等性增加（Acemoglu and Restrepo，2018），但同時更多的女性勞動者進入制造業勞動市場，由于人工智能自動化生產降低了低技能勞動者對于體力技能的要求，縮小了男女之間的技能差距，女性勞動者由于具有認知精細化技能優勢等特質可能在制造業部門中更受青睞。

根據以上分析，本文提出假設1：

人工智能技術創新會促使制造業中低技能勞動者整體工資水平的下降，但卻縮小了低技能勞動者間的性別工資差距（H1）。

（二）技能提升論

勞動者技能需求提升這一論點主要來源于馬克思和恩格斯的工業化理論中關于工業化、技術革命及教育的認識：科技發明使社會的運動活躍起來，促進了工業的繁榮發展，“大工業的本性決定了勞動的變換、職能的更動和工人的全面流動性”，即技術革新的替代作用會導致勞動市場的變動，對高教育水平的高技能勞動者的需求會提高，因此需要重視教育的發展來提高人的綜合素質以適應這種變換。

在工業化理論的指導下，學者們在進行技術進步對于性別收入差距的影響研究中考慮了職業和受教育程度因素。Tick 和Oaxaca（2010）將勞動力的職業劃分為高技能職業和中低技能職業，考察技術進步對美國1979—2001年的性別工資差距的職業差異影響，實證研究發現技術進步能夠縮小高技能勞動者的性別工資差距，但對于中低技能勞動者沒有顯著影響。Beaudry 和Lewis（2012）發現美國20 世紀80～90年代勞動者性別工資差距顯著下降伴隨著教育回報的增加這一現象，通過考察1980—2000年美國各城市的性別工資變化，當技術進步使生產方式發生巨大變化時，認知技能的相對價格增加，而女性和高教育程度的勞動者都具有認知技能的比較優勢，并得出考察期間男女工資差距下降的四分之一是由重返教育的人數增加導致的。邢春冰等（2014）通過對中國2005年的人口抽樣調查數據進行分析也得出了相似的結論，技術進步對不同技能需求的變化推動著教育回報與性別工資差距呈現反向變動趨勢。通過學者們的研究可以發現，技術革新會對不同技能類型的職業產生不同的影響，低技能類工作可能面臨著更多的替代，而對于高技能類勞動者的需求卻在不斷上升，在實證中對職業技能水平的衡量因素大多為勞動者的受教育程度（申廣軍，2016）。

中國制造業目前的勞動市場面臨著高技能勞動者需求的提升，《制造業人才發展規劃指南》顯示，中國制造業10 大重點領域2020年的人才缺口超過1900 萬人，2025年這個數字將接近3000 萬人，缺口率高達48%。人才短缺直接促使高技能勞動者的整體薪資水平的上升，然而高技能勞動市場的性別工資影響因素較復雜，一方面，女性高技能勞動者的教育水平優勢和認知技能優勢能為其工資水平的提升提供保障；另一方面，制造業的行業性質決定了大部分從業者的工作需要與機械相關，更多人認為即使是高技能勞動者也要求具有一定的體力技能，性別偏好的作用使得人工智能技術創新可能會導致男性高技能從業者的工資增加幅度大于女性，從而增加性別工資差距。鄧韻雪和許怡（2019）通過對廣東省的制造企業進行走訪調查，談話過程中發現不論是管理者還是技術人員對于“男性能力”和“女性能力”的偏好性可能對性別工資進行很好的解釋，男性的關鍵詞圍繞著“動手能力強”“對機械感興趣”“上手快”“更理性更有邏輯”展開，而“女性能力”的評價則更多是“細膩”“耐心”“動手能力和邏輯框架能力較弱”“對機械不敏感”等詞語。人工智能自動化背景下對性別能力固有的認知差異可能是造成行業中性別工資差異的重要原因。由于難以通過理論來衡量兩方面因素對于高技能勞動者性別工資差距的影響程度大小，由此本文提出對立假設2a 和假設2b：

人工智能技術創新會促使制造業中高技能勞動者整體工資水平的上升，并且能夠縮小高技能勞動者間的性別工資差距（H2a）；

人工智能技術創新會促使制造業中高技能勞動者整體工資水平的上升，但卻加劇了高技能勞動者間的性別工資差距（H2b）。

（三）人工智能分階段影響差異

Hémous 和Olsen（2022）建立了一個帶有自動化的內生模型并基于橫向創新增長模型，研究發現技術進步對經濟發展和收入分配的影響是分階段的，第一階段，低水平的技術要經歷一個增長階段，自動化程度都比較低，收入不平等和勞動份額較為穩定；第二階段，自動化程度提高，低技能勞動力的工資會暫時減少，勞動份額也會降低，加劇收入不平等；第三階段，自動化產品的份額開始穩定，但低技能勞動者的工資增長速度低于高技能工資。Acemoglu 和Restrepo（2018）的研究同樣發現了自動化在短期會加劇不平等性，但長期這種不平等性會受到限制。顧基發等（2020）將人工智能發展劃分為6 個階段：萌芽期、瓶頸期、應用期、低迷期、平穩期和繁榮期，并總結每個階段不同的特點。韓青江和韓民春（2021）認為機器人技術進步對勞動力市場存在動態影響，短期內對低技能勞動者的薪酬產生負面影響，對高技能勞動者和科學家群體的薪酬產生正面影響，長期來看，對所有勞動者的收益與福利都將產生負面影響。

根據學者們的研究，人工智能技術創新對性別收入分配的影響具有階段性和復雜性，本文基于產品的生命周期理論將人工智能技術創新發展的過程分為導入期、成長期、成熟期，處于不同階段對于勞動力市場的主要影響群體和影響程度會存在差異，對整體的效應也有所不同。人工智能自動化導入期破壞效應初步體現，在制造業這種勞動密集型產業中技術優勢明顯，低技能勞動者由于工作性質重復性高較容易被機械化替代，進而成為導入期人工智能自動化生產主要沖擊的對象，這一階段人工智能技術與技能表現為一種替代關系，技術進步呈現出技術偏向性的特征，使得制造業勞動者整體工資水平下降，但縮小了男女之間的技能差距，性別工資差距相應縮小；隨著人工智能技術創新的發展進步，成長期中創新效應開始出現，體現在創造出一些新職業，例如工業機器人系統運維員這種基于工業機器人進行的數據采集、狀態監測、故障分析的工作，并且超前沿、高水平的技術進步和大規模的生產意味著需要更多更高素質的人力資本的投入（沈紅兵，2019），技能型勞動者供求不平衡帶動了技能溢價，勞動報酬提高，工資不平等性加劇。這一階段中人工智能技術與技能為互補關系，技術進步呈現出技能偏向性的特征，使得制造業勞動者整體工資水平上升，但難以通過理論衡量性別工資差距縮小與否；成熟期則是一方面人工智能技術創新成果增加及生產效率趨于穩定；另一方面高等教育專門化人才培養及勞動力市場內非教育培訓增加高技能勞動者的供給，完成了人工智能對勞動力就業市場“技能-技術”匹配關系的重塑，市場供求趨于動態平衡，進而可能會限制工資的不平等性。鑒于我國人工智能應用時間尚短但發展迅速，對于性別工資分配可能存在導入和成長兩個階段特質的雙重影響。

基于以上分析及參考假設1 和假設2，本文提出假設3：

人工智能技術創新造成勞動者整體工資水平下降，但縮小性別工資差距（H3a）；

人工智能技術創新使勞動者整體工資水平上升，并且縮小性別工資差距（H3b）；

人工智能技術創新使勞動者整體工資水平上升，但加劇性別工資差距（H3c）。

三、研究設計

（一）數據來源

鑒于數據可獲得性，本文微觀數據來源于2010年、2012年、2014年、2016年和2018年中國家庭追蹤調查（CFPS）問卷，主要有以下考慮：一方面，CFPS 為追蹤調查，并且包含了個人行業信息，收入信息，個體特征等方面的信息，能夠得到豐富的面板數據，面板數據的好處在于能夠消除個體的異質性；另一方面，CFPS 數據覆蓋了全國各省（市、自治區）社區、家庭、成人、孩子的多層次的信息，分層抽樣并且更新到2018年，具有數據的可靠性和實效性。基于研究目的，本文將樣本行業限定在制造業，女性樣本年齡范圍為16～55 歲，男性樣本年齡范圍為16～60 歲，工作狀態為在業并且受雇的非農就業樣本，剔除收入變量缺失樣本后剩余10112個樣本，其中男性樣本比重為57.12%，女性樣本比重為42.88%。

本文宏觀指標部分，人工智能相關專利申請量來源于吉江專利數據庫以“人工智能”為關鍵詞的搜索，最后形成2010年、2012年、2014年、2016年和2018年5年的制造業人工智能技術創新的面板數據。

（二）模型及主要變量

本文主要考察制造業中人工智能技術創新的應用是否對女性有優勢進而縮小性別工資差距，前文理論分析表明技術進步對于不同技能水平的勞動者的影響存在差異性，因此本文基于學者經驗結合已有實證數據，將技能水平分為低技能水平和中高技能水平兩種類型，并且按照受教育年限進行劃分，分別討論技術進步對兩類群體的不同影響。由于現實中勞動者的工資水平的決定因素繁多且復雜，技術進步對個體工資會產生影響，勞動者的個人情況、工作單位性質等同樣會影響工資水平，因此在明瑟工資方程的基礎上，首先加入人工智能技術創新的衡量變量和技術創新與性別的交互項，此外控制個體效應，具體回歸計量模型如式（1）所示。

其中：下標i為個體；j為省份；t為時間，t=2010，2012，2014，2016，2018，本文的被解釋變量lnwage為個體的工資收入的對數，工資收入以個體一年的工資收入總額來測量。解釋變量female為性別虛擬變量，女性編碼為“1”，男性編碼為“0”；ai為人工智能技術創新變量，人工智能專利申請量指標參考鄧翔和黃志（2019）對于人工智能技術創新的測度，通過吉江專利網以“人工智能”為關鍵詞進行搜索，按照年份、專利申請地的省份信息進行歸類，并且通過《國際專利分類與國民經濟行業分類參照關系表》進行人工智能專利的行業匹配，更具有行業實際應用性。ai×female為技術進步與性別的交互項，研究重點關注交互項前的系數，系數為正則代表人工智能技術進步能夠縮小性別工資差距。

X為控制變量包括年齡、教育程度、個人情況和工作單位性質，其中教育程度分為三個組別，初中及以下、高中、技校、中專和大專及以上，分別為虛擬變量。個人情況包括政治身份、婚姻狀況和戶口性質；政治身份以是否為黨員來衡量，是黨員編碼為“1”，否則編碼為“0”；是否已婚為虛擬變量，已婚則編碼為“1”，否則為“0”；戶口性質是否為農村戶口，是則編碼為“1”，否則編碼為“0”。工作單位性質分為三組，私營企業、國企和外商投資企業，分別作為虛擬變量顯示；α為常數項；β1為性別變量對工資收入的影響；β2為人工智能技術創新變量對工資收入的影響；β3為技術進步與性別的交互項對工資收入的影響；γ為控制變量的影響系數；μ為個體效應；ε為隨機誤差項。

（三）描述性統計

表1 是總體樣本和男女兩個子樣本的描述性統計。從總體來看，制造業中勞動者的受教育程度明顯偏低，一半以上的勞動者擁有初中及以下的教育水平。在兩個子樣本中，年收入的均值存在明顯差異，女性年收入均值是男性年收入均值的73.14%，教育程度、婚姻狀況、黨員身份等特征均存在明顯差異。

表1 變量的描述性統計

表2 為分別用初中及以下教育年限和高中及以上教育年限分類為低技能水平群體和中高技能水平群體的分組樣本描述性統計，能夠看到，隨著技能水平的提高，勞動者的年收入均值也隨之增加，但是同一技能水平中的性別工資差距明顯存在，表現為低技能水平女性勞動者年收入均值是男性年收入均值的70.49%，高技能水平女性年收入均值是男性的81.61%，由此可以初步判斷教育水平的提高能夠縮小性別工資差距。同樣可以觀察到，不同教育水平的勞動者的已婚率、黨員身份和工作單位性質的選擇都存在明顯的差異，可能會對性別工資差距產生影響。

表2 分組變量的描述性統計

四、實證結果

（一）基準回歸

利用Hausman 對總體面板數據進行檢驗，檢驗結果強烈拒絕隨機效應模型，因此采用固定效應模型。表3 給出了基準模型的總體回歸結果，列（1）報告了單獨進行個體固定效應和個體-時間固定效應下的估計結果，可以看到人工智能變量和人工智能與性別的交互項都不顯著，能夠推斷出人工智能專利數這一解釋變量具有很強的內生性，本文采用工具變量法來準確估計人工智能技術創新對性別工資差距的影響程度，工具變量要求與隨機擾動項不相關，只通過人工智能專利數來影響個體工資水平，由此本文選取了兩個層面的工具變量，各省份公用移動通信基站數量和各省份出臺的智能制造規劃的政策文件數目。公用移動通信基站數量反映了地區的信息通信發展水平，而人工智能技術的發展基礎為傳感器、云計算等信息通信的快速發展，公用移動通信基站數量數據來源于中國經濟金融研究數據庫（CSMAR）；鑒于國家對于制造業智能轉型的關注，2015年5 月國務院印發智能制造綱領性文件《中國制造2025》帶動地方政府緊跟國家步伐制定不同省份相應的智能制造規劃，人工智能的政策文件可以促進人工智能技術的發展，數據整理自北大法寶數據庫。弱工具變量Cragg-Donald 檢驗F值為1077.211，拒絕工具變量為弱工具變量的假設，說明本文選擇的兩個工具變量具有實證有效性。列（2）為加入工具變量之后的估計結果，根據總體回歸結果可以看到人工智能技術創新變量在10%水平上顯著且系數為正，表明技術進步有利于提高制造業勞動力整體的工資水平，人工智能與性別的交互項在5%水平上顯著且系數為負，表明人工智能技術創新對男性工資的正向影響效果大于女性，即人工智能技術創新在整體上擴大了制造行業中的性別工資差距，假設H3c 成立。

表3 回歸結果

工資的其他影響因素的回歸結果與以往學者的研究結果類似（魏下海等，2018；郝翠紅和李建民，2018）。受教育程度能夠顯著的影響制造業中勞動者的工資水平，具體表現為具有大專以上學歷能夠增加勞動者的工資收入；年齡與工資之間存在倒“U”型的關系，這符合實際情況，開始工資水平隨著年齡的增長而上升，但當達到一定年齡之后由于學習能力下降等方面因素工資水平出現下降趨勢。戶籍方面，農村戶口的收入要低于非農村戶口，同時，在私人企業工作不利于工資水平的提高。

列（3）和列（4）為技能分組數據的回歸結果，列（3）低技能水平，列（4）為高技能水平，由于本文數據為非平衡面板數據且時間跨度為5年，分組之后樣本量減少使得時間跨度的影響變小，所以分樣本的回歸不再控制時間效應。列（3）的低技能總體樣本結果表明人工智能技術創新會顯著減少低技能水平勞動者的工資水平，但對縮小性別收入差距具有顯著效果，假設1 成立，即人工智能高度自動化使得低技能水平勞動者工作內容變得相對容易了，對于低技能工作者的工資具有一定的沖擊性，但同時原本耗費體力的工作變成機械自動化給了一部分低學歷女性勞動者參與到原本男性勞動者的工作領域，從而減少了性別收入差距。列（4）報告了高技能勞動者的技術進步與性別工資差距結果，與低技能水平勞動者不同，列（4）人工智能變量前的系數為正，即人工智能技術進步能夠顯著提升高學歷人才整體的工資水平，但是人工智能與性別的交互項為負，表明人工智能技術創新會加劇制造業高技能群體的性別工資差距，假設2b 成立，即女性的高等教育水平優勢和認知能力優勢會提高其工資水平，但是制造行業中固有的性別偏好對于高技能人群的影響力更大，高技能男性勞動者的工資增加幅度會高于高技能女性勞動者，從而導致了性別收入差距的擴大。

（二）不同年份分組回歸

表4 為2010年、2012年、2014年、2016年和2018年人工智能技術創新對于性別工資差距的影響結果，由于數據年份較少，較難看出技術進步的影響變動趨勢，但從單獨年份的結果顯示，每一年的影響都存在一些差異，2010年屬于人工智能導入期主要影響低技能水平勞動者，使得總體工資水平出現下降但卻縮小了性別工資差距；隨著人工智能自動化技術在制造業工廠的應用不斷豐富，制造業對于高技能人才的需求越來越旺盛，高技能人才的技能溢價大幅度提升，表現為2016年技術進步影響下的制造業總體工資水平顯著增加，但卻加劇了行業內的性別工資差距。2017年被稱為人工智能元年，人工智能各種研發創新應用大量涌現，從2016年到2018年，人工智能專利數呈指數上升趨勢，所以2018年人工智能技術創新對于制造業勞動者收入及性別工資差距的影響更趨向于綜合化，并在一定程度上可以反映未來的走向，可以看到2018年雖然人工智能技術創新變量前面的系數為負，減少了制造業中整體的工資水平，但是系數的絕對值非常小，工資水平波動現象在現實中也比較常見，而人工智能與性別的交互項系數為正且在1%水平上顯著，說明人工智能技術創新大量出現之后，對于性別收入差距的影響開始出現扭轉的勢頭。雖然從整體回歸的結果來看，人工智能自動化的出現會加劇制造業性別收入差距，但由于2010年到2018年是人工智能處于從初步導入到飛速成長的特殊階段，對于制造業勞動者工資水平的影響也會經歷一些波動之后趨于穩定。

表4 年份分組回歸結果

（三）不同地區分組回歸

為了研究技術進步對于不同地區的影響，本文進行地區分組回歸，見表5，模型（1）～模型（4）分別代表東部、中部、西部和東北部四大地區，不同地區人工智能自動化發展程度不同對于當地勞動力市場的影響也具有一定差異。從結果可以看到人工智能技術創新對西部地區存在顯著影響，表現為增加西部地區制造業整體工資水平，但卻加劇了性別工資差距。從現實出發，東部地區相比其他地區制造企業密集，人工智能自動化機械應用廣泛，但是結果來看影響并不顯著，原因可能由于數據樣本少且沒有覆蓋典型制造企業樣本，有必要增加樣本容量進行進一步的研究。

表5 分地區回歸結果

（四）穩健性檢驗

參考郝翠紅和李建民（2018）、鄧翔和黃志（2019）、王美艷（2009）等學者的研究，發現男性、女性工作時間不同會對性別工資收入產生影響，因此小時工資（lnwage_hr）要比一般意義上的年工資更加理想，因此本文的穩健性檢驗采用替換因變量的方法，將年工資替換成小時工資來衡量實證結構是否具有穩健性，由于問卷中工作時長這一變量的存在一定的缺失值，本文部分運用插值法進行填補，無法填補的部分做刪除處理，重復回歸過程。穩健性結果見表6，與基準回歸結果保持一致，說明人工智能技術創新確實存在整體上擴大制造業性別工資差距，并且對于分技能樣本的影響存在差異性。

表6 穩健性檢驗結果

五、進一步討論

騰訊研究院的《“人工智能+制造”產業發展研究報告》中給出智能制造的概念，即將人工智能技術應用到制造業，是在數字化和網絡化的基礎上，實現機器的自動反饋和調整。通過人工智能使得制造業的工廠內、企業間及制造業生態網形成一個統一的體系，致力于生產效率的提高和產品質量的提升。人工智能對于重復性工作的處理具有比較優勢，人類則更擅長對于推理、思維要求比較高的工作，這類工作往往難以程序化復制，需要很強的應變能力、思辨能力與判斷能力，這恰是人工智很難做到的，基于工作任務類別是否具備重復性的角度，參考亞洲開發銀行《2018年亞洲發展展望》報告，本文進一步將制造業中高技能和低技能工作者細分為四種不同情形：非重復性專業技術、重復性專業技術、非重復性低技能技術和重復性低技能技術。制造業技術升級中不同工作類別人工智能技術創新影響性別工資差距的路徑框架如圖1所示。

圖1 影響路徑圖

非重復性專業技術主要指技能含量高的工作，主要進行人工智能領域的技術創新，即“+人工智能”，包括制造業原有的高級技工及由于制造業技術升級創造出的工種，比如自動化軟件工程師、平臺系統研發工程師、機器修理師等，這些工作往往具有學歷及專業優勢，能夠對人工智能進行程序設計、更改的等操作，屬于制造業中緊缺的難以被替代的人才，但由于制造行業中存在固有的性別偏好，即認為男性在機器操作、編程等方面具有更強的能力和興趣，從而加劇性別工資差距，故人工智能技術創新對于非重復性專業技術勞動者性別工資的影響主要取決于不同發展階段下，女性的高等學歷技能優勢與行業內固有性別偏好之間的博弈。

非重復性低技能技術分類下的工作雖然技術能力要求不高但是卻需要具備很強的個性化制造能力，包括各種制造工藝設計、產品功能設計等工作，需要與消費者進行很好的溝通對接，在智能制造的背景下，人工智能賦能采購、生產等環節，即通過“人工智能+”設計者能夠更快地使想法變為實際產品，但整體上對這類工作的性質和內容沒有實質性影響，這類工作中女性由于其具有精細化能力優勢可能對于縮小性別工資差距產生一定影響。

重復性專業技術，包括焊接、打磨、切割等具有專業技術含量的工作，在制造業企業中不可或缺，然而由于這些技術動作固定且易于模仿，而人工智能工作原理的一部分就是通過機器模仿人類的肢體行為來輔助人們工作，所以通過機器制造、程序設定等步驟能夠實現重復性專業技術的自動化工作，人工智能技術創新會對這類工作產生重大影響。

重復性低技能技術主要指不需要過多腦力勞動的工作，對應崗位如車間裝配線上進行生產的工人、產品質量監督檢驗工人等。

如圖1 所示，最后兩類技術工種可能會受到智能制造“機器換人”浪潮的巨大沖擊。以廣東省唯美陶瓷有限公司為例，2007年前后，公司生產線各個工序全靠人工支持，從采購原材料、配料、燒制，到出窯、拋光印花、質檢包裝，每一個環節都需要大量的人工，如燒制出窯這一環節窯爐車間的工人至少200～300 人。隨后幾年間，唯美陶瓷有限公司引進運行自動化陶瓷生產線，輸送帶自動將燒成產品從窯爐送往加工車間，拋光、磨邊、切割、質檢、包裝都可以通過人工智能機器全自動完成，印花通過3D 噴墨打印機完成，從前需要20 人左右的印花工作現在只需要一個人操作即可。公司通過人工智能的投資應用，基本實現車間自動化，累計節省生產用工超過2000 人，并且工作性質由從前的繁重變得輕松。自動化減少了對勞動者身體運動技能方面的需求，為一部分女性就業創造了機會，從而實現性別工資差距的縮小。

六、結論

智能制造背景下，人工智能技術創新提高制造業生產效率的同時也在重塑行業內勞動力市場中不同群體的“技能-技術”的匹配關系和收入分配。本文使用2010年、2012年、2014年、2016年和2018年的中國家庭追蹤調查（CFPS）問卷數據實證檢驗了人工智能技術創新對制造業勞動力市場中性別工資差距的影響，得出以下結論：

整體而言，技術進步擴大了行業中的性別工資差距，但使整體工資水平趨于上升。其中2018年的數據顯示人工智能技術創新開始起到了縮小性別工資差距的作用，不排除人工智能在接下來的發展階段中會繼續縮小性別收入差距的可能性。進一步將制造業中勞動力分為高技能水平群體和低技能水平群體進行分組研究，實證結果發現對于低技能勞動者，人工智能技術創新通過降低對于工作者的體力技能需求，為更多女性進入勞動力市場提供可能，并且由于女性具有的認知技能優勢對其相對工資產生正向影響，進而縮小了低技能勞動者性別工資差距，但由于人工智能對低技能勞動者具有較強的替代作用，使低技能群體的勞動報酬下降。隨著人工智能產品大規模導入市場使得制造業對高技能勞動者的需求增加，技能溢價上升使得高技能勞動者整體工資水平上升，但實證發現隨著人工智能技術進步，高技能群體的性別工資差距增大了，即制造行業固有的性別偏好使得技術進步對男性高技能從業者的工資增加幅度大于女性，從而加劇了性別工資差距。

進一步從“技能-崗位”細化匹配的角度進行研究，結果表明：對于非重復性專業技師人員來說，人工智能技術創新對性別收入差距的影響主要取決于不同發展階段下，女性的高等學歷技能優勢與行業內固有性別偏好之間的博弈；非重復性低技能技術群體中女性精細化優勢是在智能制造背景下縮小性別工資差距的渠道，而重復性工作不論是具有專業技能還是低技能的勞動者，都較易受到人工智能技術創新的沖擊。而另一方面機械自動化減少了對勞動者身體運動技能方面的需求，為一部分女性就業創造了機會，從而實現性別工資差距的減小。基于以上分析，本文提出三點建議。

第一，鑒于人工智能技術創新縮小了低技能勞動者性別工資差距，但卻降低了勞動報酬，同時部分低技能勞動者面臨著失業危機，建議從政策導向上為低技能勞動者提供支持，強化職業培訓補貼政策以加強低技能群體職業能力，包括通過非教育培訓方式助力部分低技能群體轉崗再就業、落實失業保險政策以緩解失業群體的負擔，完善勞動者保護政策以保障就業者合法權益。

第二，鑒于行業性別偏好仍然是制約高技能勞動者性別工資差距縮小的重要原因，打破行業中的性別固定認知具有重要意義，建議加強制造業中性別意識培訓，讓高技能女性勞動者意識到自身機械自動化、編程等專業優勢及認知技能優勢，勇于挑戰行業中的性別能力區隔，以期改變制造業中固有的性別能力認知，使女性勞動力的就業環境更加寬容和相對平等。

第三，鑒于人工智能對制造業勞動力市場的影響具有分階段的特性，各階段對制造業勞動力市場的影響具有一定的復雜性，建議通過調研問卷、模擬預測等方式對制造企業對人工智能市場導入程度及勞動者收入福利等數據進行追蹤調查，增強人工智能市場的整體預判，使其既能夠發揮出最大的效益，加速制造業轉型升級，又能使勞動力市場處于穩定平衡的狀態，為中國制造業抓住“技術紅利”和“性別紅利”提供支持。