人工智能技術對制造業就業的產業關聯溢出效應研究

鈔小靜 沈路 廉園梅

(西北大學經濟管理學院,陜西 西安 710127)

一、引言

從機器學習到大數據分析，從語義理解到人臉識別，人工智能技術的研發與應用對社會生產與人類生活產生了深刻影響。面對新一輪科技革命和產業變革帶來的歷史機遇，為推進人工智能與實體經濟加速融合發展，2017年7月，國務院印發了《新一代人工智能發展規劃》，確立了中國人工智能發展“三步走”的戰略目標。《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》中亦強調：要聚焦人工智能關鍵算法等重要領域，加速推進智能產品設計與制造，深入實施智能制造工程，培育先進制造業集群。隨著人工智能技術發展由初步探索邁向深耕細分與跨界融合的新時期，其與制造業的深度融合在替代危險工作崗位、提高勞動生產率、賦能經濟高質量發展的同時亦引發了“機器替人”的失業焦慮，我國的就業問題也逐漸凸顯為勞動力技能與就業崗位不匹配的結構性問題。

已有研究主要考察了人工智能對中國制造業就業的直接影響。一方面，中國制造業行業中掌握中、低技能的勞動力占比更高[1]，隨著人工智能技術發展的深度與廣度逐漸提升以及人工智能應用的生產成本不斷降低，中、低技能勞動力會逐漸喪失原有的競爭優勢。因而，處理任務速度更快、操作精確度更高的人工智能技術應用將逐步替代一些制造業就業崗位。另一方面，人工智能技術發展也會帶動高端數控機床、機器人等相關行業的繁榮，從而為技能勞動力提供大量諸如人工智能研發、智能化產品制造等新就業崗位[2]。事實上，機器人的大規模應用既可能因高投資回報率而替代本行業和關聯行業的勞動力就業[3]，亦可能通過降低生產成本、擴大生產規模而對產業鏈下游行業的勞動力就業產生正溢出效應[4]。但鮮有文獻直接考察人工智能對中國制造業就業的產業關聯溢出效應。

對相關典型事實進行觀察，如圖1所示，2005-2019年中國制造業人工智能發明專利授權數總體呈現出先緩慢上升而后大幅上升的變化趨勢，且2013年之前的人工智能發明專利授權數明顯偏少。制造業就業人員數總體呈現出先上升后下降的變化趨勢，且在2013-2019年期間與人工智能發明專利授權數呈現出較為明顯的反方向變動關系，這表明2013年后人工智能技術可能對制造業勞動力就業產生了崗位替代效應。從人工智能技術的行業異質性和空間關聯度來看(如圖2所示(1)在圖2中，y8代表2013-2019年人工智能發明專利授權數均值，橫軸z代表中國制造業28個細分行業，縱軸WZ為其空間滯后項。1-28分別代表農副食品加工業、食品制造業、飲料制造業、煙草制品業、紡織業、紡織服裝業、皮革毛皮及其制品業、木材加工業、家具制造業、造紙業、印刷業、文教體娛用品制造業、石油加工業、化學原料制造業、醫藥制造業、化學纖維制造業、橡膠和塑料制品業、非金屬礦物制品業、黑色金屬冶煉業、有色金屬冶煉業、金屬制品業、通用設備制造業、專用設備制造業、汽車制造業、鐵路船舶航空制造業、電氣機械制造業、計算機通信和其他電子設備制造業、儀器儀表制造業，下同。)，大部分制造行業位于第一或第三象限，表明人工智能技術水平存在顯著的行業異質性，且在具有技術關聯的行業間產生了“高高相鄰”“低低相鄰”的集聚效應，而人工智能技術水平的行業異質性和關聯性正是其產生溢出的基礎。那么，人工智能技術對中國制造業勞動力就業規模與就業結構究竟存在何種產業關聯溢出效應？該效應又是否會受到行業異質性特征的影響？回答這些問題，一方面，有利于推進制造業發展數字化、高端化、智能化，為人工智能等前沿科技賦能制造業轉型升級提供經驗證據；另一方面，有利于精準識別人工智能技術對中國勞動力市場的沖擊力度，并在新一代信息技術與實體經濟深度融合的大環境下，為改善人力資本結構、促進勞動力穩定就業提供理論依據和經驗參考。

圖1 制造業人工智能發明專利授權與就業人口變化趨勢

圖2 技術距離矩陣下人工智能發明專利授權數的Moran’s I散點圖

二、文獻綜述

隨著人工智能行業的蓬勃發展，“機器替人”逐漸引發人們對失業的擔憂，學術界開始關注人工智能對勞動力就業的影響。已有文獻主要研究了人工智能對勞動力就業規模和就業結構的直接影響。在人工智能對勞動力就業規模的影響方面，一部分學者認為人工智能對勞動力就業存在崗位替代效應，即人工智能的發展會導致勞動力就業總量下降[5-6]。Autor等(2003)[7]、Acemoglu和Restrepo(2018)[8]利用任務理論模型將工作任務劃分為結構化程度高的常規任務和結構化程度低的非常規任務，發現人工智能技術會降低勞動者的比較優勢，進而制約勞動力就業。另一部分學者則持樂觀態度，認為人工智能可以通過促進生產規模擴張和技術擴散對勞動力就業產生積極影響[9]。Dauth等(2017)[10]基于1994-2014年德國勞動力市場數據，發現機器人應用有利于促進服務業的勞動力就業。Trajtenberg(2018)[11]、Graetz和Michaels(2018)[12]也認為人工智能行業的繁榮發展可以創造出大量的新就業機會。

在人工智能對勞動力就業結構的影響方面，學者們大多認為人工智能技術作為創新生產函數中的一項重要投入，可以通過重塑工藝和產品的生產流程催生出大量的技術崗位需求，從而優化勞動力結構[13]。一方面，隨著具有技能偏向的技術進步出現，人工智能對具有中、低技能或教育水平的勞動力存在顯著的替代效應[14-15]。這主要是因為具有高技能或教育水平的勞動力適應新技術的能力更強[7]，其在競聘新就業崗位時仍具有較大的競爭優勢。另一方面，Feng和Graetz(2015)[16]則在探討人工智能對不同類型崗位替代程度的過程中提出了“就業極化”理論[16]。首先，人工智能技術會優先替代工作任務結構程度高的崗位以降低企業成本；其次，受到“吹風”效應的影響[17]，人工智能更傾向于替代具有中等技能的勞動力，孫早和侯玉琳(2019)[18]基于2001-2015年中國省級面板數據驗證了該理論。

已有研究主要關注人工智能對勞動力就業的直接影響，但其實在新一輪科技革命和產業變革的深入發展過程中，人工智能作為發揮“頭雁效應”的引領型技術具有很強的溢出效應。即其不僅會影響引入該技術的行業本身的勞動力就業，還會伴隨產業鏈的聯動流轉，在不同行業間產生溢出效應。在垂直產業鏈溢出效應方面，Autor和Salomons(2018)[19]基于1970-2007年19個國家的行業數據發現工業機器人已經有效融入了產業鏈的各個環節，上游行業的機器人應用通過提升生產效率和降低中間品價格對下游行業就業產生了正向溢出效應[4,12]。而王曉娟等(2022)[3]在研究機器人應用的就業擠出效應時，發現本行業的機器人應用會對上游和下游行業均產生負溢出效應。此外，產業智能化還可以通過來自上游行業的前向關聯效應提升勞動報酬份額[20]。在水平技術關聯溢出效應方面，行業間的技術關聯愈強，工業機器人應用產生的技術溢出效應就愈大[2]。李磊等(2021)[21]研究發現機器人應用在促進本企業就業規模擴張的同時，對未引進機器人的行業內企業就業同樣具有正向影響。

綜上所述，現有研究重點關注人工智能對勞動力就業的直接效應，部分研究兼顧考察了我國人工智能發展的溢出效應，但探討人工智能技術對中國制造業就業的產業關聯溢出效應的研究較少。因此，本文的邊際貢獻主要包括以下三個方面。第一，探究人工智能技術沖擊下勞動力在垂直產業鏈和水平技術關聯行業間轉移的方向和程度，以期從勞動力行業轉移的視角豐富資源優化配置理論。第二，基于人工智能技術在中國制造業中的實際發展狀況，定量識別其對中國制造業勞動力就業規模與就業結構的影響。第三，已有關于人工智能對勞動力就業影響的研究大多忽視了某些社會因素的行業異質性特征。由于我國不同行業的科研水平、資本深化程度、生產規模等均存在較大差異，因此，本文考慮了這些因素對人工智能技術影響勞動力就業的調節效應。

三、理論機制與研究假說

人工智能技術作為一種新型基礎設施，具有明顯的溢出特征[22]。在我國超大規模市場優勢和完備產業體系優勢的基礎上，人工智能的應用不僅可以通過技術擴散實現對制造業全方位、多角度、全鏈條的改造提升，而且還可能會通過垂直方向上的產業鏈溢出和水平方向上的技術關聯溢出對勞動力的就業規模和就業結構產生重要影響。基于此，本文從垂直產業鏈溢出與水平技術關聯溢出兩個維度來闡釋人工智能技術對中國制造業勞動力就業影響的理論邏輯。這里，人工智能在垂直方向上的產業鏈溢出效應是指與人工智能相關的知識與技術在具有產業關聯的上、下游行業間應用并擴散，進而對本行業之外的其他行業就業水平所產生的影響，依據人工智能技術的流動方向可劃分為來自上游行業的“前向溢出”和來自下游行業的“后向溢出”[23]。而人工智能在水平方向上的技術關聯溢出效應則是指人工智能技術的發展不僅會對本行業就業產生預期效應，還會對技術鄰近行業的就業水平產生額外影響。

(一)垂直產業鏈溢出維度下人工智能技術對制造業就業的影響

制造業上、下游行業之間具有非常密切的技術關聯與產品關聯，由此使得人工智能應用在技術關聯與產品關聯兩個層面均會對制造業就業產生溢出效應。

從技術關聯層面來看，制造業上、下游行業之間的緊密關聯能夠顯著提升人工智能技術開發與交流的頻率[24]，有效延長人工智能技術的傳播擴散鏈條，進而對勞動力就業規模和就業結構帶來溢出效應。在“前向溢出”方向上，上游行業人工智能技術研發與應用會對下游行業產生“示范效應”[25]，強化下游行業競相學習、模仿與技術追趕的行為，并通過信息共享、技術轉讓、創新互動等方式促進下游行業人工智能技術發展，由此形成對下游非技能勞動力的崗位替代效應。在“后向溢出”方向上，由于下游行業比上游行業的終端產品的生產工序更為復雜，面臨的非結構性問題更多，一般對技能勞動力的需求也相應更多。通常而言，技能勞動力可以更快速地適應人工智能技術發展，并通過人工智能在新環境、新問題中識別新知識[26]，進而不斷拓寬其知識儲備，提升信息傳遞效率，增強技術擴散能力，最終協同帶動上游行業人工智能技術發展并對非技能勞動力形成崗位替代效應。因此，無論從“前向溢出”還是“后向溢出”來看，人工智能技術在技術關聯層面均會對制造業非技能勞動力形成崗位替代效應。

從產品關聯層面來看，制造業上游行業為下游行業提供中間產品的供給，下游行業給上游行業帶來更高質量產品的壓力，由此對勞動力就業規模和就業結構產生溢出效應。在“前向溢出”方向上，上游行業通過任務自動化與創新升級可以提升自身勞動生產率，并為下游行業提供更廉價、更優質的原材料或中間品供給，從而導致下游行業生產成本下降及產品銷量上升。此時，下游行業為形成規模經濟通常會擴張生產線，進而形成崗位創造效應[4]。與此同時，上游提供的優質化、多樣化的中間品也會增加產品制造難度，從而引起下游行業對高技能勞動力需求的增加[27]。在“后向溢出”方向上，下游行業人工智能技術發展同樣有利于提升其生產效率，進而增加對原材料或產品零部件的需求[25]。根據中國投入產出表，上游制造行業主要包括木材加工業、橡膠和塑料制品業、金屬制品業等中低端制造業，具有生產階段數較少、生產工序單一化的典型特征。因此，從事這些行業的勞動力多為非技能勞動力，市場需求增加可能會倒逼中低端制造業提升勞動生產率，繼而迫使非技能勞動力面臨更高的“機器替人”風險。而下游行業主要包括汽車制造業、鐵路船舶航空制造業、計算機通信和其他電子設備制造業等高端制造業，復雜的生產工序會促使這些下游行業加強對上游行業的技術指導，以及對原料加工和中間品制造的嚴格監督，以確保產品質量[28]，這在一定程度上對上游行業勞動力結構優化產生了知識與技術溢出效應。因此，在產品關聯層面，人工智能技術的“前向溢出”會對制造業勞動力,特別是技能勞動力形成崗位創造效應，而其“后向溢出”則會對制造業非技能勞動力形成崗位替代效應。

當前，不論是按照受教育程度[15,18]還是科技研發能力[29]對技能勞動力與非技能勞動力進行劃分，中國的技能勞動力總量均低于非技能勞動力，而人工智能技術在技術關聯路徑與產品關聯路徑的共同作用下，會帶來制造業對技能勞動力的需求占比上升，對非技能勞動力的需求占比下降，由此導致其對整體就業規模產生負溢出效應，而對就業結構優化產生正溢出效應。基于此，本文提出如下假設。

H1上游行業人工智能技術發展對下游行業勞動力就業規模具有顯著負溢出效應。

H2下游行業人工智能技術發展對上游行業勞動力就業規模具有顯著負溢出效應。

H3上游行業人工智能技術發展對下游行業勞動力就業結構優化具有顯著正溢出效應。

H4下游行業人工智能技術發展對上游行業勞動力就業結構優化具有顯著正溢出效應。

(二)水平技術關聯溢出維度下人工智能技術對制造業就業的影響

不同于垂直產業鏈關聯，水平技術關聯的行業間沒有嚴格的生產工序上的聯系，本行業由于知識基礎、技術結構、研發投入強度等較為接近，可能存在更為密切的人才流動與產業競合，并使得人工智能從人才流動和產業競合兩個層面對制造業就業產生技術溢出效應。

從人才流動層面來看，鄰近行業人工智能技術的發展會吸引技術后進的行業通過人員外派、人才交流與引進等方式學習并模仿其創新行為[25]，從而改善勞動力技能結構，并對部分難以快速適應人工智能技術的非技能勞動力進行替代。此時，類似的知識基礎、技術結構有利于減輕創新人才的跨行業溝通障礙，提升行業間的知識共享與創新協作效率[29]。即對技術后進行業而言，技術關聯性愈強，其在創新人才交流中吸收人工智能技術溢出的效率就愈高，且能通過長期的人才創新互動進一步形成循環累積因果效應，不斷提升行業人工智能技術水平，進而實現人工智能技術對勞動力的崗位替代效應和結構優化效應。

從產業競合層面來看，為了柔性地應用于生產制造，人工智能需要隨給定任務的變化不斷調整原有的規則設定和算法模型，并尋找具備靈活調整能力的智能型人才與之匹配。在這一現實情境下，某一行業人工智能技術的發展會給技術鄰近行業帶來競爭壓力[25]，進而迫使這些行業不斷強化職工專業技能培訓，并通過創新激勵、裁員等方式正向促進或反向倒逼勞動力向復雜化、多元化、智能化轉型。而在產業合作方面，本行業則通過技術轉讓、技術交流等方式促進智能化產品設計、人工智能專利技術等向鄰近行業滲透，淘汰部分難以與之迅速適配的非技能勞動力，并推動其余勞動力對原有知識與技能進行調整與更新，逐步增強與人工智能系統運作的契合度，最終實現勞動力就業結構優化。因此，無論從產業競爭還是產業合作來看，本行業人工智能技術均會對技術鄰近的制造業就業規模產生負溢出效應，而對就業結構優化產生正溢出效應。基于上述分析，本文提出以下假設。

H5本行業人工智能技術發展對技術鄰近行業勞動力就業規模具有顯著負溢出效應。

H6本行業人工智能技術發展對技術鄰近行業勞動力就業結構優化具有顯著正溢出效應。

四、研究設計

(一)模型設定

為檢驗人工智能技術對制造業勞動力就業規模和就業結構的直接效應、產業關聯溢出效應，本文設定空間杜賓模型(SDM)如下

lnEMPit=α0+ρWlnEMPit+α1lnAIit+φ1WlnAIit+α2Xit+φ2WXit+μi+μt+εit

(1)

LSit=β0+ρWLSit+β1lnAIit+λ1WlnAIit+β2Xit+λ2WXit+μi+μt+εit

(2)

其中，下標i和t分別表示行業和時期。EMP代表勞動力就業規模，LS代表勞動力就業結構，AI代表人工智能技術，X為一系列控制變量，ρ為空間自回歸系數，W為空間權重矩陣，α1、β1和φ1、λ1為核心解釋變量及其空間交互項的系數。μi、μt、εit分別代表個體固定效應、時間固定效應和隨機擾動項。

(二)空間權重矩陣的構建

根據托布勒第一定律，任何事物都與其他事物存在關聯性，并且關聯的緊密程度會隨著距離的增加而衰減。隨著新經濟地理學的不斷演進，“距離”一詞逐漸廣義化，并延伸為經濟距離、技術距離和人力資本距離等，這為本文度量制造業行業間的“距離”提供思路。為識別人工智能技術對制造業勞動力就業規模和就業結構的產業鏈溢出和技術關聯溢出效應，本文構造前向、后向和水平技術關聯3種空間權重矩陣，具體如下。

1.垂直方向上的產業鏈溢出效應

利用投入產出矩陣識別垂直方向上的產業鏈溢出效應是較為常見的做法。借鑒朱平芳等(2016)[23]的研究思路，利用投入產出表(2)2013-2019年期間，國家統計局僅公布了2015年、2017年和2018年的中國投入產出表。由于該數據在時期上具有非連續性，且其他年份數據尚不可得，故本文參考朱平芳等(2016)的做法，采用最近一年(即2018年)的中國投入產出表導出構造空間權重矩陣的基礎數據。導出的完全消耗系數矩陣計算Leontief逆矩陣W。W中每一列的元素是其他部門對本部門的投入，每一列元素之和是一個部門生產一件商品所消耗的全部中間品數量，W中每一行的元素是該部門為其他生產部門提供的中間品消耗量。在此基礎上，根據上文對前向溢出效應的定義構建前向空間權重矩陣(W1)，具體計算過程如下

(3)

式(3)中，第一個等號右側的第一個矩陣即為Leontief逆矩陣W，用其減去各部門自身的消耗從而確保主對角線全部為0，即得到為本部門提供中間品消耗的其他部門與本部門的關聯度。類似地，根據上文對后向溢出效應的定義，將W1轉置后得到W2，W2即為后向空間權重矩陣。

2.水平方向上的技術關聯溢出效應

垂直方向上的產業鏈溢出效應可以借助投入產出矩陣識別，而水平方向上的溢出效應通常與兩行業間的經濟、技術發展水平息息相關。與經濟關聯相比，兩行業間的技術水平差距越小，越容易形成學習與模仿、跨行業人才交流、高新技術合作等行為，進而使得人工智能越容易對技術鄰近行業的勞動力就業規模和就業結構產生水平方向上的溢出效應。一般而言，不同行業間若擁有近似的專利數量或技術結構，則考慮其存在“技術鄰近”關系[23]。因此，本文參考王欣亮等(2020)[30]的研究思路，通過構造技術距離矩陣(W3)來識別人工智能在水平方向上的技術關聯溢出效應，具體如式(4)所示。其中，Dij為兩行業間的技術距離，采用兩行業間2013-2019年發明專利申請數均值之差表示。

(4)

(三)變量選取

1.被解釋變量

本文以勞動力就業規模(EMP)和勞動力就業結構(LS)為被解釋變量，采用規模以上制造業企業平均用工人數表征勞動力就業規模，采用技能勞動力與非技能勞動力的比值刻畫勞動力結構優化程度。已有研究通常根據就業人員的受教育程度來劃分技能勞動力和非技能勞動力[15,18]，然而，制造業細分行業就業人員受教育程度的相關數據較難獲取，故本文參考包群和邵敏(2008)[31]的研究，以規模以上制造業企業R&D人員數作為技能勞動力的代理指標，并以規模以上制造業企業平均用工人數與R&D人員數的差值作為非技能勞動力的代理指標。

2.核心解釋變量

已有研究主要采用人工智能專利申請數或專利授權數表征人工智能技術水平[32-33]。本文借鑒該做法，按照國際專利分類與國民經濟行業分類參照關系表，手動檢索制造業各細分行業的人工智能發明專利授權數，并以此表征人工智能技術水平(AI)，理由如下：一方面，實用新型和外觀設計專利通常是企業為獲取政府研發補貼而進行的策略性創新，而發明專利才是體現創新質量的實質性創新。另一方面，相較于專利申請，專利授權需要經過國家專利管理部門的嚴格審查，更能體現技術創新的含金量，從而能更加真實有效地反映人工智能技術水平。

3.控制變量

參考閆雪凌等(2020)[1]、Cheng等(2019)[34]的研究，在回歸模型中加入如下控制變量：(1)科研水平(RD)，規模以上制造業企業R&D內部經費支出；(2)資本深化(cap)，規模以上制造業企業固定資產投入；(3)行業規模(size)，規模以上制造業企業主營業務收入；(4)盈利能力(profit)，規模以上制造業企業年利潤總額；(5)市場競爭程度(mar)，規模以上制造業企業數；(6)FDI參與度(FDI)，外商投資和港澳臺商投資制造業企業資產與規模以上制造業企業資產的比值；(7)工資水平(wage)，各制造行業城鎮單位就業人員平均工資；(8)環境規制(env)，各制造行業污染治理投資額。

(四)數據來源與說明

本文以2013-2019年中國28個制造業二位碼行業為研究對象，所有數據均源自歷年《中國科技統計年鑒》《中國勞動統計年鑒》《中國工業經濟統計年鑒》《中國環境統計年鑒》以及Patenthub全球專利數據庫。此外，本文所有絕對量指標均已做取對數處理，主要變量的描述性統計如表1所示。

表1 主要變量的描述性統計

五、實證分析

(一)空間自相關性分析

人工智能技術作為數字經濟時代下的一種新型基礎設施，具有溢出帶動性很強的“頭雁效應”[22]。結合上文的特征事實和實證分析，本文利用莫蘭指數(Moran’s I)測度人工智能技術發展水平在行業間的相關性。從表2的測度結果不難看出，人工智能技術的全局Moran’s I在3種空間權重矩陣下均為正，且除個別年份以外均通過了顯著性檢驗，這表明人工智能技術發展在具有上下游關聯和水平技術關聯的行業間存在顯著正相關性。為區分28個制造行業人工智能技術水平及其行業間依賴程度的異質性，本文基于技術距離矩陣(3)囿于篇幅，本文僅展示技術距離矩陣下的行業集聚特征及變動趨勢，其余矩陣下的結果類似，備索。，選擇期初(2013年)與期末(2019年)兩個時間節點繪制Moran’s I散點圖。由圖3可見，大部分制造行業位于第一或第三象限，這表明人工智能發展水平在具有技術關聯的行業間存在明顯的“高高相鄰”“低低相鄰”的集聚特征，故有必要進一步考慮其溢出效應。

表2 2013-2019年28個制造行業人工智能技術的全局Moran’s I

圖3 28個制造行業人工智能技術的Moran’s I散點圖

根據不同制造行業在Moran’s I散點圖中的象限分布及變動趨勢將其劃分為雙高、低-高、雙低、高-低、進化與退化6種類型，具體劃分結果見表3。(1)雙高型。通用設備制造業等7個行業屬于雙高型行業，即自身與技術鄰近行業的人工智能發展水平都高。根據OECD組織對制造業行業的技術分類標準，這些行業均屬于高技術或中高技術行業。(2)低-高型。煙草制品業、家具制造業、黑色金屬冶煉業、有色金屬冶煉業在考察期內位于第二象限，即其自身人工智能技術水平不高，但易受到關聯行業知識與技術溢出的影響，具有較為明顯的后發優勢。(3)雙低型。農副食品加工業等10個行業屬于雙低型行業，占樣本量的35.7%，是人工智能技術發展的“洼地”。這些行業大多屬于低技術或中低技術行業，生產規模較小、生產工序單一致使其人才隊伍結構不夠合理。管理人員較多，而科技研發人員較少，人工智能技術開發能力相對薄弱。(4)高-低型。造紙業、化學原料制造業、橡膠和塑料制品業在考察期內處于第四象限，該象限內的行業自身人工智能發展水平較高，但由于空間自相關性為負，其輻射帶動作用在短期內難以體現。(5)進化型。非金屬礦物制品業、金屬制品業從第二象限進入到第一象限，這些制品通常被廣泛用于汽車制造、航天器制造、電氣機械等行業。由于汽車制造等行業均處于第一象限，能對技術鄰近行業產生顯著的正向溢出效應，從而輻射帶動非金屬礦物制品業、金屬制品業人工智能技術進步。類似地，文教體娛用品制造業也由第三象限進入到第四象限。(6)退化型。查閱2013-2019年的Moran’s I散點圖發現，印刷業在2014年退回第三象限，隨后幾年內在第三、四象限間徘徊。究其原因，可能是與印刷業技術關聯性較強的造紙業、橡膠和塑料制品業在該階段位于第四象限，人工智能技術溢出效應較小，尚不足以帶動印刷業的智能化發展。

表3 技術距離矩陣下2013-2019年28個制造行業的象限分布及變動趨勢

(二)產業關聯溢出效應分析

相較于OLS估計，利用ML法估計空間面板模型下的回歸結果，能更有效地緩解內生性問題，還可以觀測人工智能技術對制造業勞動力就業規模與就業結構的產業關聯溢出效應。在空間計量模型的選擇上，本文參考Elhorst(2014)[35]的思路。首先，通過LM檢驗發現SAR和SEM模型均有效，應進一步考慮二者相結合的SDM模型；其次，通過Wald檢驗發現SDM模型無法退化為SAR和SEM模型，故本文選擇SDM模型分析人工智能技術對制造業就業的產業關聯溢出效應。又因SDM模型中包含空間交互項，直接采用簡單的點估計分析人工智能技術對制造業就業的影響并不精確，需利用偏微分方程對其進行直接和溢出效應分解[36]。經Hausman檢驗，下列模型均采用固定效應，具體結果見表4。

表4 人工智能技術對制造業就業的產業關聯溢出效應

從總體上看，人工智能技術對中國制造業勞動力就業具有顯著的崗位替代效應和結構優化效應。此外，在模型(1)-(6)中，制造業勞動力就業規模和就業結構的空間自回歸系數(ρ)均顯著為正。結合全局Moran’s I的檢驗結果易知，中國28個制造行業間既存在勞動力就業規模、勞動力就業結構的內生交互效應，又存在人工智能技術的外生交互效應，這進一步驗證了本文考慮人工智能技術對制造業就業溢出效應的必要性。

勞動力就業規模。(1)從效應分解來看，人工智能技術的直接效應和溢出效應均顯著為負，表明人工智能技術水平提升及其引致的溢出效應均對勞動力就業具有顯著的崗位替代作用，人工智能產業發展所提供的新就業崗位在短期內尚難以緩解制造業就業壓力。這與王曉娟等(2022)[3]的研究結論類似，只不過其考慮的是工業機器人應用的溢出效應對制造業勞動力就業的影響。此外，人工智能技術水平提升帶來的前向溢出效應、后向溢出效應分別占總效應的86.84%和82.89%，水平方向上的技術關聯溢出效應占比也達到了49.71%。這表明，人工智能技術發展通過產業鏈溢出和技術關聯溢出效應對中國制造業勞動力就業規模產生了重要影響。(2)從溢出方向的異質性來看，人工智能技術對勞動力就業規模的前向溢出、后向溢出和水平技術關聯溢出均顯著為負，即H1、H2和H5得證。且人工智能技術水平提升帶來的前向溢出和后向溢出效應遠大于水平方向上的技術關聯溢出效應，這表明人工智能發展可能更容易促進勞動力在具有產業關聯的行業間流動。

勞動力就業結構。(1)從效應分解來看，人工智能技術對勞動力就業結構優化的直接效應顯著為正，這與王澤宇(2020)[13]的研究結論類似。人工智能技術具有典型的創造性特征，其可以協同促進勞動力在新環境、新問題中識別新知識并形成技術進步，從而擴大技能勞動力占比。此外，人工智能技術的溢出效應同樣遠大于直接效應，前向溢出、后向溢出和水平技術關聯溢出效應分別占總效應的73.54%、87.81%和64.56%，表明人工智能在新一輪科技革命和產業變革中充分發揮了其溢出帶動性很強的“頭雁引領效應”，這對促進我國勞動力就業結構改善和經濟穩定增長具有重要作用。(2)從溢出方向的異質性來看，人工智能技術對勞動力就業結構的前向溢出和水平技術關聯溢出均顯著為正，這可能是上游行業人工智能技術發展通過增加質優價廉的中間品供給間接促進了下游行業技能勞動力需求上升，并通過知識共享和強化勞動力技能等方式促進技術鄰近行業的勞動力就業結構優化，即H3和H6得證。然而，人工智能技術對勞動力就業結構優化的后向溢出效應為正向不顯著，即H4未得證。究其原因，下游行業人工智能技術發展會極大縮短單位產品的生產時間，進而刺激其追加原材料和勞動力投入。下游制造行業主要包括汽車制造業、鐵路船舶航空制造業、計算機通信及其他電子設備制造業等高技術制造業，其具有生產階段多、生產工序和生產技術復雜化的典型特征。因此，生產終端產品會面臨更多的非程序化問題，相較于非技能勞動力，可能會虹吸更多來自上游的技能勞動力，進而造成上游行業非技能勞動力占比上升，致使人工智能技術對勞動力就業結構優化的后向溢出效應不顯著。

(三)穩健性檢驗

為了確保研究結論的穩健性，本文將通過更換估計模型、更換指標、更換空間權重矩陣、增加控制變量、內生性檢驗等多種方式進一步驗證人工智能技術對制造業勞動力就業規模與就業結構的影響。

1.更換估計模型

除了空間杜賓模型以外，空間自回歸模型(SAR)和空間誤差模型(SEM)也是常用的空間計量模型。考慮到空間誤差模型無法進行效應分解，故本文采用空間自回歸模型對空間杜賓模型進行替代，結果如表5中的列(1)所示，可以看出本文結論依舊穩健。

表5 穩健性檢驗結果

2.更換指標

鑒于中國制造行業的非技能勞動力人數高于技能勞動力的客觀事實，本文假設人工智能技術通過替代非技能勞動力對制造業勞動力就業規模產生負效應。因此，以非技能勞動力替代規模以上制造業企業平均用工人數表征就業規模。此外，以技能勞動力與規模以上制造業企業平均用工人數之比替代技能勞動力與非技能勞動力之比表征勞動力就業結構優化程度。更換指標后發現，人工智能技術對制造業就業的影響與上文保持一致。

3.更換空間權重矩陣

考慮到經濟發展水平相近的行業間也可能存在人工智能技術的溢出效應，因此，本文利用2013-2019年各制造行業銷售產值的平均值作為經濟發展水平的代理指標，并對式(5)中的D進行替換。結果如表5的列(3)所示，人工智能技術對制造業勞動力就業規模與就業結構的回歸結果保持不變。

4.增加控制變量

除基準回歸模型中已控制的變量外，技術引進、出口依存度也可能影響制造業勞動力就業規模與就業結構。一方面，制造業行業通常將引進消化吸收國外的先進技術作為技術獲取和創新能力提升的重要途徑，這有利于提升勞動力素質，吸引創新型人才。另一方面，由于中國不斷調整在全球產業鏈中的分工，出口規模可能會影響國內制造行業的發展，進而影響勞動力就業規模與就業結構[15]。因此，本文以技術引進消化吸收費用和出口交貨值分別表征技術引進和出口依存度，并將其納入原有模型中進行回歸。表5中的列(4)顯示，在繼續增加可能存在的遺漏變量后，人工智能技術對制造業勞動力就業規模與就業結構的影響依然與上文保持一致。

5.內生性問題

隨著人工智能技術在制造業領域的廣泛應用，其對制造業就業的影響愈發深刻。然而，制造業勞動力就業規模擴大與就業結構優化亦可能反向促進人工智能技術的發展，即二者可能存在反向因果關系。此外，影響制造業勞動力就業的諸多因素也難以窮盡，即可能存在遺漏變量問題。鑒于此，本文嘗試采用工具變量法緩解內生性問題。參考黃群慧等(2019)[37]和鈔小靜等(2020)[38]的研究思路，以1989年自然科學技術領域研究與開發機構數作為工具變量，并利用2013-2019年專利申請數為截面數據賦予時間變化趨勢。工具變量選擇依據如下：(1)科學技術領域尤其是自然科學技術領域的研發機構為人工智能技術的研究與發展提供了基礎。因此，歷史上自然科學技術領域研究與開發機構數量越多的行業，其人工智能技術研發的基礎條件可能就越優質，即選取自然科學技術領域研究與開發機構數作為人工智能技術的工具變量可以滿足相關性要求。(2)自然科學技術領域研究與開發機構數難以對勞動力就業規模和結構產生直接影響，尤其是在數字經濟快速發展的階段，歷史上自然科學技術領域研究與開發機構數量對勞動力就業規模和就業結構的影響可忽略不計，即選取自然科學技術領域研究與開發機構數作為人工智能技術的工具變量能滿足外生性要求。

表6呈現了人工智能技術對制造業勞動力就業規模與就業結構的2SLS回歸結果。第一階段回歸結果表明，工具變量(IV)與人工智能技術顯著正相關，且Wald F統計量分別為9.07和9.19，均超過了其對應的臨界值8.96，即拒絕了弱工具變量的原假設，滿足了相關性的要求。LM檢驗結果表明，強烈拒絕不可識別的原假設，滿足了外生性的要求。此外，第二階段回歸結果表明，在解決內生性問題后，人工智能技術對勞動力就業規模與就業結構依然具有顯著的負向與正向影響，這驗證了研究結論的穩健性。

表6 內生性檢驗結果

(四)調節效應

人工智能技術在各個行業尤其是在制造業的大規模應用已經替代了一部分非技能勞動力的簡單操作。然而，由于不同制造業行業的科研水平、資本深化、行業規模等存在較大差異，人工智能技術對勞動力就業的影響可能會有所不同[13,32]。因此，本文進一步考慮科研水平、資本深化和行業規模對人工智能技術影響勞動力就業的調節效應。調節效應檢驗模型如式(5)和式(6)所示，調節效應的檢驗結果具體見表7。

表7 調節效應檢驗結果

續表7

lnEMPit=α0+ρWlnEMPit+α1lnAIit+φ1WlnAIit+α2Rit+φ2WRit+α3lnAIit×Rit+φ3WlnAIit×Rit+α4Xit+φ4WXit+μi+μt+εit

(5)

LSit=β0+ρWLSit+β1lnAIit+λ1WlnAIit+β2Rit+λ2WRit+β3lnAIit×Rit+λ3WlnAIit×Rit+β4Xit+λ4WXit+μi+μt+εit

(6)

其中，R為調節變量，具體包括科研水平(RD)、資本深化(cap)和行業規模(size)。lnAI×R為人工智能技術與調節變量的交互項，其余變量與上文一致，不再贅述。

科研水平。從直接效應來看，研發投入的增加會削弱人工智能技術對勞動力就業的替代效應，并進一步加強勞動力就業結構優化。一方面，研發投入高的行業通常會設置更多處理非結構性問題的決策性崗位和高技術研發崗位，這些崗位的勞動力素質通常更高，且其掌握著難以被替代的核心知識或技術。隨著人工智能技術的不斷發展，高研發行業會對原有研發和技術人員進行培訓升級，或者招募新的高技術人才。另一方面，人工智能技術本身會對勞動力產生知識外溢效應，促進人力資本結構優化升級。從溢出效應來看，研發投入強度上升促使人工智能技術替代勞動力就業的后向溢出和技術關聯溢出效應更加明顯。究其原因，下游行業多為高端制造業，如軌道交通設備制造、海洋工程設備制造等，這些行業勞動力素質普遍較高，研發投入增加會進一步強化高技術人才的信息共享與知識溢出能力。而在紡織、農副食品加工等上游行業，員工大多從事產品加工、裝配等簡單工作，勞動力的技術溢出能力較弱，因此，人工智能技術替代勞動力就業的前向溢出得到了有效緩解。

資本深化。從直接效應來看，資本深化同樣在一定程度上緩解了人工智能技術對勞動力就業的崗位替代效應。一方面，資本深化意味著勞動生產率的提升，其會進一步導致生產規模擴張和就業增長；另一方面，資本深化程度高的行業一般為高技術行業，由基準回歸結果不難看出，高技術行業的勞動力對于新技術的適應、學習、消化吸收的能力更強，因而能較好地抵抗人工智能技術的沖擊[12,34]。從溢出效應來看，相較于后向溢出與水平技術關聯溢出，資本深化削弱了人工智能替代勞動力就業的前向溢出效應。正如研究假設中所述，上游人工智能技術發展可能通過產品關聯路徑促進下游行業生產成本下降及產品銷量上升。在資本深化的影響下，上游人工智能發展進一步促進下游行業生產規模擴張，進而吸納被上游“擠出”的部分勞動力。

行業規模。從直接效應來看，行業規模的擴張緩解了人工智能技術對勞動力就業的崗位替代效應。隨著制造業企業主營業務收入增加，其對技術研發人員和銷售人員的崗位需求可能會上升[13]。這兩類勞動力通常很難被替代[7]，因為研發人員掌握著核心技術，銷售人員離市場更近，鄰近消費者要求其具備靈活的產品推銷能力與溝通能力，并能夠柔性解決更多非程序化問題。從溢出效應來看，行業規模的擴張削弱了人工智能替代勞動力就業的產業鏈溢出效應。即生產規模擴張不僅刺激了本行業技術崗位和銷售崗位需求的增加，還為上、下游行業提供了部分崗位[4]。此外，行業規模的擴張進一步加強了人工智能技術對勞動力就業結構的優化效應，與上述原因類似，人工智能發展提高了對勞動力素質與技能的要求，且對技術崗位勞動力的需求增加。

六、研究結論與政策建議

充分發揮人工智能技術溢出的“頭雁引領效應”對促進制造業生產率整體躍升、優化勞動力就業結構和穩定勞動力就業具有重要的現實意義。基于此，本文從理論與實證兩個層面深入分析了人工智能技術對中國制造業勞動力就業規模和就業結構的產業關聯溢出效應，并得出如下結論：第一，從垂直產業鏈溢出維度來看，人工智能技術主要通過增加質優價廉的中間品供給促進勞動力在具有垂直產業鏈關聯的行業間轉移，并對下游行業勞動力就業結構優化產生顯著的正溢出效應。第二，從水平技術關聯溢出維度來看，鄰近行業人工智能技術發展對本行業的就業規模存在顯著的負溢出效應，并通過知識共享優化本行業勞動力就業結構。第三，在考慮科研水平、資本深化和行業規模的調節作用后，人工智能技術對本行業的崗位替代效應有所緩解，并進一步優化了本行業和關聯行業的勞動力就業結構。根據上述結論，提出政策建議如下。

第一，加強新興職業技能培訓，提升勞動力就業質量。從企業層面來看，新技術、新業態、新模式的發展要求具有高技能勞動力與新崗位匹配。一方面，企業應持續重點開展員工職業技能培訓，提高勞動者素質。另一方面，企業應通過人才引進、內部提升等方式著手打造一批智能化人才隊伍，“以高帶低”提升整體人機協同能力，并通過競爭上崗等途徑倒逼中低技能勞動力學習與智能研發、智能制造、智能管理相關的知識與技能，推動其向高技能勞動力轉型。從政府層面來看，一方面應推動人工智能技術與技能密集型產業深度融合，避免經濟發展“脫實向虛”。合理引導新就業形態積極、規范發展，支持中小微企業形成個性定制、柔性生產、韌性管理的新模式，進而創造新崗位以緩解就業壓力。另一方面，政府應鼓勵中、低技術部門中非技能型崗位的改造升級，逐步提高就業質量，從而更好地適應經濟高質量發展需要。

第二，培育壯大人工智能產業，強化人工智能技術的產業關聯溢出效應。從企業層面來看，應秉持“引進來”和“走出去”相結合的理念，通過人才引進、人員外派、新興技術交流與合作等方式強化企業學習模仿效應和創新互動效應，從而有效接納來自上、下游行業的人工智能技術溢出，并構建以人工智能技術為紐帶的產業鏈條。主動探尋人工智能應用場景，積極開放電商、社交等數據進而實現信息共享，形成產業鏈協同創新與合作共贏的局面。從政府層面來看，應著手構建與人工智能發展相適應的政策法規體系，完善開源軟件開發的知識產權保護，營造良好的數字產業生態。例如：在信息共享的過程中注重對個人隱私和人工智能知識產權的保護，加強政府對互聯網信息平臺的監管力度，嚴懲非法兜售和使用數據、商標搶注等行為，從而形成安全可靠的信息共享平臺，促進人工智能知識與技術的良性溢出。

第三，提升企業科技研發水平，擴大制造行業生產規模。從企業層面來看，要加強研發合作，探究并著力解決跨行業關鍵共性技術問題，推動產業鏈上、中、下游企業融通創新。要持續加大基礎研究經費投入，不斷完善人才引進與激勵機制，提高研發人員收益分享比重，充分發揮企業家精神和工匠精神在人工智能行業發展過程中的重要作用，從而帶動企業生產規模擴張和勞動力就業。從政府層面來看，應給予人工智能、新能源、生物醫藥等高新技術產業更多的稅收優惠，并通過健全企業研發考核制度和充分發揮重大技術裝備牽引示范效應來增強企業創新活力。持續推進“上云用數賦智”行動，深化研發、制造、管理等各個環節的數字化應用，加速數據賦能全產業鏈協同轉型，從而提升企業勞動生產率并刺激企業招募更多勞動力來實現業務拓展。