人工智能技術對制造業就業的影響

中圖分類號：F241.4 文獻標志碼：A 文章編號：1009-055X（2025）03-0061-13

doi：10.19366/j.cnki.1009-055X.2025.03.006

一、引言

在全球科技迅猛發展的當下，人工智能作為第四次工業革命的核心引擎，正深刻改變著各行各業，尤其是制造業。作為通用目的技術，人工智能具有廣泛的應用領域。人工智能通過與實體經濟的深度融合，提升企業生產力，促進創新和新興產業的誕生，推動經濟的結構性變革[118。而制造業作為我國國民經濟的基礎，不僅是工業穩定和發展的基石，還支撐著科技創新和技術進步，這些都是實現經濟長期穩定和繁榮的關鍵。此外，蓬勃發展的制造業還能提供大量的就業機會，促進技術工人市場的成長，對于提升國家的綜合實力和保證經濟的持續健康發展都至關重要。面臨經濟環境變化，我國制造業急需通過技術創新應對人力成本上漲、生產效率停滯及創新不足等難題。人工智能技術的應用就為這一轉型提供了契機。

人工智能技術對就業市場產生了復雜而深遠的影響，這些影響涵蓋了就業總量的變化、不同教育背景勞動者的就業前景以及制造業內部各部門的結構轉型等多個維度。首先，對于我國整個制造業勞動力市場來說，短期之內，人工智能技術的應用確實對低技能工作產生了顯著的替代效應，導致低技能勞動力的就業比例有所下降[2-3]。然而，從長遠視角看，它不僅加速了產業升級的步伐，而且孕育了全新的經濟形態，從而為高技能職位創造了廣闊的需求空間，進而促進了整體就業規模的擴大。特別是在一些新興產業領域，人工智能技術的廣泛應用不僅催生了大量新型就業崗位，還顯著提升了工作的復雜度與創新潛力[3]。根據偏向性技術進步理論，技術的發展會增加企業對高技能勞動力的需求，它們生產效率的提高更為顯著[4]。盡管人工智能技術已經深刻融入社會生產和日常生活的方方面面，但人們對其對就業的影響仍未達成共識。因此，有必要深人了解人工智能技術對我國制造業就業的影響。

二、文獻綜述與研究假設

學界已有研究表明，人工智能技術短期內可能減少低技能崗位，特別是制造業行業。但長期來看，它通過提升企業效率和催生新興產業，可以增加高技能崗位需求，總體上促進就業增長。同時，人工智能技術會導致就業結構極化，表現為中等技能崗位減少，而高技能和某些低技能崗位增加。基于此，本文提出層層深入的研究假設，旨在探討人工智能技術對我國制造業就業規模和結構的影響。

（一）人工智能技術對就業規模的影響

從人工智能技術對就業規模的影響來看，主要從短期和長期兩個角度進行分析。朱嘉蔚等[5]的研究指出，人工智能技術的發展對制造業就業規模和低技能就業的影響呈現“正U形”，意味著短期內這些崗位的就業需求會減少。潘麗群等的研究指出，人工智能技術對勞動力需求數量的影響總體上呈“中性”，但存在單極化結構效應，表現為提升了企業對高技能勞動力的需求。這意味著短期內，人工智能技術的應用可能會導致企業減少對低技能勞動力的需求，但長期來看，隨著企業內部研發和管理效率的提升，以及外部產業鏈鏈接的加強，高技能人才的需求將會增加。周卓華[7認為，人工智能技術雖然可能對部分領域就業產生替代效應，但長期來看，能創造和衍生出新的就業形態和崗位，對就業規模的增長具有積極的促進作用。同樣地，張于喆[8]從短期和長期兩個方面分析了人工智能技術與機器人對不同技能工作人群的影響，指出雖然人工智能技術短期內可能對中低技能者造成沖擊，但長期來看，進入應用擴散階段的人工智能技術可能引發鏈式反應，創造新的就業機會，對就業規模產生正面影響。陳楠等9也指出，人工智能技術的發展和應用雖然可能在短期內對某些崗位產生替代效應，但長期來看，其創造的就業機會將多于被替代的崗位，就業總量不僅不會減少，反而會增加。

可見，盡管人工智能技術在短期內可能對某些領域和崗位的就業產生負面影響，但長期來看，其對就業規模也存在正面影響，主要體現在新崗位的創造和新就業形態的衍生上，尤其是在電商、機器翻譯、圖像識別、無人駕駛等新興領域和行業，人工智能技術對就業規模的增長具有顯著的推動作用。

（二）人工智能技術對就業結構的影響

關于人工智能技術對就業結構的影響，國內外很多學者從不同的角度進行了分析。普遍的觀點是人工智能技術的發展對就業結構產生巨大影響。蔡嘯等[10]在研究中發現，當人工智能技術提升了制造業的生產率時，可能會促進勞動力回流至制造業，進而影響整個就業結構。趙放等[]也認為，人工智能技術將帶來勞動力替代轉移、用工形式靈活化、人機關系一體化以及勞動方式智能化的變化，這將對就業結構產生深遠影響。喬榛等[I2揭示了人工智能技術發展對就業既有排擠效應，也有補償效應。其中，排擠效應表現為人工智能技術直接替代人的智力勞動，而補償效應則表現為人工智能技術的發展將催生新的產業和就業形式，創造新的就業機會。此外，許多學者在研究中發現，人工智能技術還可能會導致就業結構極化。Acemoglu等[13」發現，隨著人工智能技術的應用，中等技能崗位的需求下降，而高技能和低技能崗位的需求增加，導致就業結構呈現兩極化趨勢。Goos 等[14 的研究也支持了這一觀點，他們通過分析西歐16個國家的數據，指出當前的技術變革主要對常規性的勞動任務起到替代作用，使得中等技能崗位的勞動需求相對于高技能和低技能崗位呈減少趨勢，進一步證實了就業結構極化的現象。針對國內就業情況，姜昊等[15]的研究表明，人工智能技術的應用雖然存在崗位和技能的雙重偏向效應，但顯著提高了非程式化認知型崗位的勞動占比，從而促使就業結構呈現“單極化”趨勢，表現為高端技能勞動的就業比例增加。類似地，李響等[16發現，工業智能化不僅加劇了社會不平等程度，還導致了勞動力市場出現就業極化現象，即常規職業崗位減少，非常規職業崗位增加，這種就業結構的變化加劇了收入極化問題。與此同時，張元釗[17]指出，以ChatGPT為代表的生成式人工智能技術的發展將改變未來工作與就業模式，平臺化、人機協作將成為未來就業的主要特征，人工智能技術將進一步推動就業結構向高端技能崗位傾斜，加劇就業結構極化現象。

可見，人工智能技術的發展不僅對勞動力的需求結構產生影響，還會影響就業市場的格局，使得就業結構向更高技能和更專業化的方向發展，同時也可能加劇就業市場兩極分化的現象。

（三） 研究假設

結合人工智能技術的發展和我國制造業就業現狀，參考已有文獻的相關模型[2]，本文提出以下研究假設：

H1：人工智能技術對我國制造業就業規模產生顯著影響。H2：人工智能技術對我國制造業不同學歷水平員工人數的影響存在顯著差異。H3：人工智能技術對我國制造業就業規模的影響在不同部門、不同細分行業和不同地區均存在異質性。

三、研究設計

為了系統地探究上述研究假設，本文構建了以下方法論框架：首先，明確數據來源，確保所使用數據的準確性和時效性；其次，選擇合適變量，以全面反映人工智能技術對制造業就業影響的關鍵因素；最后，選擇合理的統計模型，科學評估各變量之間的關系。

（一） 數據來源

本文研究人工智能技術對我國制造業就業的影響，參考既有研究的方法[2.6]，剔除已停牌、退市、ST股票及 股票的企業，以及考察期2015—2023年重要財務數據非正常原因缺失的企業，處理后得到1412家企業的初始數據。企業員工數據均來自Wind經濟金融數據庫，財務數據以及省級層面的數據來自東方財富Choice金融數據庫。為消除極端值的影響，在研究過程中對相關變量均進行了 1 % 和 9 9 % 的縮尾處理。

（二）變量選取

1.被解釋變量

企業就業規模（Employees）。為了處理變量中存在的極端值情況，通過對企業員工人數加1后的自然對數來衡量企業的就業規模，以此標準化不同規模企業的就業水平，便于企業間比較，同時減輕極端值對分析結果的影響。

2.解釋變量

在探討人工智能技術對制造業就業影響的研究中，需要對“人工智能企業”進行明確界定。根據現有研究2，可以將人工智能企業定義為生產人工智能技術產品和使用人工智能技術的企業。這些企業構成了人工智能產業鏈的一部分。人工智能產業鏈，是指從基礎硬件和軟件的研發到技術的應用，再到具體行業和場景的落地，形成的一個完整的生態系統。本文從產業鏈的角度對企業進行篩選。具體的人工智能產業鏈基本分為基礎層、技術層和應用層三個層面[18」，基礎層包括 AI芯片、智能傳感器、云計算、數據類服務、5G通信等，這些組件為人工智能技術提供了必要的硬件支持和數據資源；技術層包括機器學習、計算機視覺、算法、智能語音、自然語言處理等，這些技術是實現人工智能功能的核心；應用層包括機器人、無人機、智慧醫療、智能交通、智慧金融、智能家居、智慧教育、智能安防等，這些場景將人工智能技術應用于各個行業，解決實際問題。根據以上人工智能產業鏈的關鍵詞，在東方財富Choice金融數據庫中搜索對應的概念版所包含的上市制造業企業①，核實其主營業務和產品是否涉及人工智能技術。確認無誤后將這些企業作為本文的處理組企業，并精確定位到各企業開始采用或制造人工智能的年份進行標注。

人工智能技術（AI）。本文采用多時點雙重差分模型來衡量人工智能技術對我國制造業就業的影響，構建政策效應變量人工智能技術（AI）。此變量為二元指示變量，如果企業參與到人工智能產業鏈中則賦值為1；反之，則賦值為0。這是研究的核心解釋變量，用以區分企業是否受到人工智能技術這一關鍵變革的影響。

3.中介變量

研發投入強度（RDratio）。它用企業研發支出與營業收入的比值來衡量，反映了企業在創新和技術進步上的投資力度。

4.控制變量

通過對現有文獻的總結，將控制變量分為兩類：（1）地區層面，考慮到不同地區的企業所處的宏觀環境不同，選取地區經濟水平（RGDP）以及地方政府財政預算收人（Gr）來對宏觀經濟環境進行控制；（2）企業層面，考慮到不同年齡和不同規模的企業對人工智能技術的運用和接受度不同，選取企業年齡（Age）、企業規模（Size）來對企業適應和采用先進科技的能力進行控制。同時，選取凈資產收益率（ROE）和資產負債率（Lev）來對企業的成長潛力和盈利情況、財務杠桿和風險承受能力進行控制。

本文主要變量定義如表1所示。

（三）模型構建

根據企業是否屬于人工智能范疇，將樣本分為AI企業（處理組）和非AI企業（對照組）。在此基礎上，通過傾向得分匹配篩選出對照組中與處理組企業性質相近的樣本作為匹配樣本，通過企業實際的就業規模變化差分比較獲得人工智能技術的就業規模效應，基準模型設定如下：

式中，下標 i 表示不同企業 （ i = 1 ， 2 ，…"） ， t 表示年份；被解釋變量Employees表示企業就業規模；AI表示企業是否屬于人工智能范疇，若企業在某一年開始進入人工智能的產業鏈，則之前年份取值為0，該年份及之后年份取1，該項的系數 是本次研究的重點，如果該系數顯著為正，則表示人工智能技術顯著提高了企業對勞動力的需求； X 表示一組控制變量，包括地區經濟水平（RGDP）、地方政府收入（Gr）、企業年齡（Age）、企業規模（Size）、凈資產收益率（ROE）和資產負債率（Lev）。另外，加入其他虛擬變量以控制固定效應，Firm和Year分別表示個體固定效應和時間固定效應， η 表示企業所有制性質的虛擬變量， ε 為隨機擾動項。本文通過效應的陸續控制來測試模型結果的穩定性。

四、實證結果與分析

本文通過傾向得分匹配（Propensity ScoreMatching，PSM）技術和雙重差分（Difference-in-Differences，DID）模型進行實證研究。在此基礎上，運用固定效應模型、中介效應模型對樣本數據進行分析和檢驗，系統分析人工智能技術對制造業就業規模及結構的影響，驗證研究假設的合理性和科學性。

（一）傾向得分匹配

首先運用傾向得分匹配技術來識別并匹配處理組（即引入人工智能技術的制造業企業）與對照組（未引入或同期未明顯采用人工智能技術的相似企業），確保在干預前兩組企業在一系列可觀測特征上具有高度相似性，以此減少選擇偏差，增強組間比較的有效性。

1．傾向得分匹配法

在構建傾向得分匹配模型時，選取一系列反映企業特征的協變量，包括地區經濟水平、地方政府收入、企業年齡、企業規模、凈資產收益率、資產負債率。遵循前面所述的計算方法，采用logit回歸模型對這些協變量進行估計以生成傾向得分，運用匹配半徑為0.05的無放回1：1近鄰匹配策略，在處理組與對照組之間實施配對分析。

2．平衡性檢驗

在傾向得分匹配后的平衡性檢驗中，匹配前后處理組和對照組間的關鍵變量均呈現出不同程度的變化。各變量的傾向得分匹配結果如表2所示。可以看出，未經匹配時，多個變量如地區經濟水平、企業年齡和凈資產收益率顯示出顯著的均值差異，如地區經濟水平的偏倚百分比達 2 5 . 0 % ，企業年齡的偏倚達 - 1 5 . 3 % ，表明在處理效果評估前存在明顯的偏差。然而，匹配過程顯著減少了這些偏差，如匹配后地區經濟水平的偏倚消除至 - 1 . 1 % ，企業年齡的偏倚也減少到 0 . 0 % ，大多數變量的偏差顯著降低，接近0，說明匹配有效提升了兩組樣本在這些變量上的可比性。特別地，地方政府收入、企業規模和資產負債率的偏倚在匹配前后變化不大，且t-test的 p 值均大于0.05，表示這三個變量在處理組與對照組間本就較為均衡，匹配過程對此影響有限。

變量標準化偏差如圖1所示。結果顯示，在未進行匹配前，各控制變量的標準化偏離值顯著，而匹配操作之后，這些變量的標準化偏差均位于零附近，清晰地表明了匹配的有效性。此外，匹配結果順利通過了統計檢驗，進一步驗證了匹配成功減少了組間系統性差異。

傾向得分匹配核密度如圖2所示，圖2（a）是匹配前的核密度圖，圖2（b）是匹配后的核密度圖。結果顯示，經過匹配，處理組和對照組之間出現了顯著的靠近與覆蓋，存在較大的共同取值區間，表明兩組樣本在各方面特征非常接近，匹配效果較好，說明通過共同支撐檢驗。

可以看出，PSM通過精確匹配處理組與對照組，在很大程度上校正了潛在的選擇性偏差，提高了后續因果推斷的準確性，特別是對于初始偏差較大的變量如地區經濟水平、企業年齡、凈資產收益率，匹配效果尤為顯著，有力支撐了利用這些匹配樣本進行更深人的因果效應分析的合理性。

（二）基準回歸

基于穩健標準誤的DID基準回歸結果如表3所示。表3中，初始模型（1）未納入控制變量及固定效應機制，模型（2）納入了控制變量、時間以及個體固定效應，旨在消除時間趨勢及個體異質性可能帶來的干擾，進而更全面地分析影響路徑。

基準回歸分析結果說明，人工智能技術的應用與制造業就業規模呈顯著正相關，此效應在各模型中保持穩健，驗證了人工智能技術作為驅動力在促進就業規模方面的正向效應。隨著控制變量的增加與模型復雜度的提升，雖然系數從0.448降低至0.192，但仍然顯著。這表明，在考慮了多種潛在影響因素后，人工智能技術的應用依然對制造業就業規模的增長有著顯著的正向影響。決定系數顯著提高，從模型（1）的0.101提升至模型（2）的0.416，彰顯了模型優化過程中解釋力的增強及對選擇偏差的有效緩解。

在基準回歸中，進一步探討人工智能技術的應用對企業不同學歷水平員工數量的影響。結果顯示，人工智能技術對研究生學歷群體的正面影響顯著，這表明高水平教育背景的員工更容易受益于人工智能技術的發展，人工智能技術的應用給他們帶來了更多的就業機會。相反，在專科學歷群體中這一影響呈顯著負向轉折，表明這一學歷水平的勞動者可能面臨由人工智能技術引發的替代效應或技能不匹配問題，這部分員工可能因為缺乏適應新技術所需的高級技能而面臨更高的失業風險。值得注意的是，教育程度較低的高中及以下學歷群體卻呈現出人工智能技術正面影響的增強，這反映了人工智能技術可能在簡化操作流程、提高生產力方面對非專業技能工人的積極輔助作用。人工智能技術的應用使得一些原本復雜或需要較高技能的任務變得更加自動化和易于操作，從而為這些員工提供了新的就業機會。至于本科學歷群體，人工智能技術的應用對其影響雖不顯著，但其趨勢與總體學歷異質性相符，這表明人工智能技術的應用對制造業企業勞動力市場影響存在復雜性與多樣性。可以發現，人工智能技術的應用對制造業企業不同學歷水平員工的影響存在顯著差異，體現了其對就業結構重塑的復雜性。

（三）穩健性檢驗

1．平行趨勢檢驗

運用雙重差分模型的前提是符合平行趨勢假設，要求轉型前處理組與對照組在就業規模上無顯著差異。為嚴格驗證此假設并強化實證有效性，本文采取事件分析法，在基本回歸模型中納入時間虛擬變量與企業人工智能轉型標記的交互效應。具體操作如下：構建制造業企業轉型人工智能企業前后共九年的參照系，即轉型前四年、轉型當年以及轉型后四年，通過設定對應時間節點的時間虛擬變量，并與企業人工智能轉型標記交互于公式（2）中。

（2）式中， 為虛擬變量，樣本企業在 n 年前轉型為AI企業則賦值為1，否則賦值為0；Current為虛擬變量，樣本企業當年轉型為AI企業則賦值為1，否則賦值為0；Post”為虛擬變量，樣本企業在 n 年后轉型為AI企業則賦值為1，否則賦值為0; 用于檢驗平行趨勢假設，確保處理組與控制組在企業轉型前后具有相似的趨勢； 用來反映人工智能技術對制造業就業規模的實際影響。

考慮到潛在的完全共線性問題，選擇政策時點前一期作為基準組，政策動態效應結果如圖3所示。從動態效應中可以看出，企業在轉型人工智能企業之前政策效應并不明顯，說明企業轉型之前，處理組和對照組的就業規模并沒有顯著差異。從企業轉型當年開始，AI對企業就業規模的影響顯著為正，說明企業轉型為人工智能企業能夠創造更多的就業崗位，驗證了DID回歸的穩健性。

2.安慰劑檢驗

為評估回歸分析的穩健性及控制遺漏變量影響，采用安慰劑檢驗進行敏感性分析，強化結論的可靠性。隨機生成交互項并進行500次隨機交互項的回歸試驗，安慰劑檢驗結果如圖4所示。可以看出，隨機交互項的回歸系數密集分布，近似正態且集中趨近于零，說明隨機性良好，安慰劑檢驗的系數均值顯著低于實際模型的交互項系數0.174308。這表明前面的模型所得到的估計結果通過了安慰劑檢驗，排除了未觀測混雜因素干擾。

（四）中介效應檢驗

中介效應檢驗結果如表4所示。可以看出，人工智能技術對研發投人強度的系數是2.148，顯著為正，這表明人工智能技術的應用顯著提升企業研發支出比率，意味著企業愿意在研發活動中投人更多的資源。同時，企業研發投入強度對企業就業規模的系數顯著為負，意味著隨著企業研發投人強度的增加，企業就業總規模有所縮小。這一結果可能是因為研發投入的增加提高了企業的自動化程度，從而減少了對勞動力的需求。

為了進一步驗證中介效應，采用Bootstrap 法直接檢驗間接效應，檢驗結果如表5所示。可見，置信區間不包含0，說明中介效應顯著。此外，人工智能技術的應用對企業就業規模的直接效應為0.117，間接效應為-0.049，總效應為0.068，這說明在控制了企業研發支出占比之后，人工智能技術的應用對企業就業規模仍存在獨立的正向影響，但是通過影響研發支出比率間接地對企業就業規模產生了負面作用。由此可見，“人工智能技術的應用一企業研發支出占比一企業就業規模”這條路徑存在，人工智能技術的應用不僅直接影響了就業規模，還通過增加研發支出比率間接影響了就業規模。具體表現在，人工智能技術可能通過提升企業的技術創新能力，促進就業增長，但同時也可能因為自動化程度的提高而導致企業對勞動力需求有所減少。

五、異質性分析

在前面的實證分析中，探討了人工智能技術對制造業企業整體就業規模的影響及路徑。然而，人工智能技術對不同部門、行業和地區影響可能表現不同，為了更全面地探究人工智能技術對制造業就業的影響，本部分將進行異質性分析，分別考察不同部門、行業和地區的情況。

（一）部門異質性分析

為研究企業員工就業情況在工作崗位方面的異質性，引入企業中生產部門、技術部門、財務部門、銷售部門員工人數的自然對數，進而分析人工智能技術及若干宏觀經濟變量對企業不同部門員工數量的影響。

不同工作部門的異質性回歸結果如表6所示。可以看出，人工智能技術在生產部門和技術部門表現出了顯著正向影響。這表明人工智能技術可能通過優化生產流程和提高自動化水平，使得企業有效提升生產力，進而帶動企業對生產型員工的需求增加。同時，企業想要通過技術革新以保持競爭優勢，人工智能作為技術創新的核心驅動力，必然會帶來新職位的創造。然而，在財務部門中，人工智能技術的影響為負面，表明財務活動可能存在潛在的自動化替代效應。銷售部門雖然顯示出人工智能技術的輕微正面影響，但不顯著，需要進一步研究來明確人工智能技術如何調整銷售策略和優化團隊結構。表6的回歸結果不僅證實了人工智能技術對特定部門的直接正面影響，還凸顯了影響的多樣性及部門間差異。這一研究結果為進一步探索人工智能技術如何作用于企業人力資源配置提供了堅實的基礎。

（二）行業異質性分析

我國制造業細分領域眾多，產業特質等存在差異，不同細分行業集中度、規模等均大有不同。從當前技術水平發展進程的角度，參照已有研究[19]，將制造業歸為高技術、中技術、低技術三大類①。

根據上述分類將匹配的企業分為三組進行回歸，回歸結果如表7所示。可以看到，在高技術制造業中，人工智能技術的應用對員工數量具有顯著正向影響，表明高技術制造業采用人工智能技術，不僅沒有造成就業的凈損失，反而可能促進了新崗位的創造或是提高了工作效率，從而增加了員工需求。對于中技術制造業，人工智能技術的正向效應依然顯著，且其影響程度較之高技術制造業更為突出，這可能是由于中技術制造業在引人人工智能技術后，能更直接地通過技術升級提升生產效率和擴大業務規模，從而擴大企業員工規模。對于低技術制造業，人工智能技術的影響雖為正向，但不顯著，可能是因為低技術行業存在資本密集度低、技術更新慢等問題，未能充分利用人工智能技術帶來的潛在增效空間。由此可見，不同技術水平的制造業在響應人工智能技術的影響時展現出顯著的異質性。

① 高技術制造業包括：醫藥制造業、專用設備制造業、通用設備制造業、航空航天器制造業、計算機、通信和其他電子設備制造業、儀器儀表制造業。中技術制造業包括：化學原料及化學制品制造業、汽車制造業、鐵路、船舶和其他運輸設備制造業（除去航空航天器制造）、電氣機械及器材制造業、石油加工、煉焦及核燃料加工業、化學纖維制造業、橡膠和塑料制品業、非金屬礦物制品業、黑色金屬冶煉及壓延加工業、有色金屬冶煉及壓延加工業、金屬制品業、金屬制品、機械和設備修理業、其他制造業、廢棄資源綜合利用業。低技術制造業包括：農副食品加工業、食品制造業、酒、飲料和精制茶制造業、煙草制品業、紡織業、紡織服裝、服飾業、皮革、毛皮、羽毛及其制品和制鞋業、木材加工及木、竹、藤、棕、草制品業、家具制造業、造紙及紙制品業、印刷業和記錄媒介的復制、文教、工美、體育和娛樂用品制造業、木材加工及木、竹、藤、棕、草制品業、家具制造業、造紙及紙制品業、印刷業和記錄媒介的復制、文教、工美、體育和娛樂用品制造業。

（三）地區異質性分析

將樣本企業根據國家統計局對我國經濟地帶的分類，具體劃分為：東部地區，包括北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東和海南10省（直轄市）；中部地區，包括山西、安徽、江西、河南、湖北和湖南6省；西部地區，包括內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏和新疆12省（自治區、直轄市）；東北地區，包括遼寧、吉林和黑龍江3省。不同地區的異質性回歸結果如表8所示。回歸結果顯示，人工智能技術對四個地區制造業就業規模的影響在 10 % 的水平上均顯著，但對不同地區的影響程度存在顯著差異。東北地區的正向影響程度最大，東北地區作為老工業基地，人工智能技術的應用可以加速其傳統產業的智能化改造，推動制造業轉型升級，緩解就業壓力；東部地區次之，得益于其發達的基礎設施、豐富的技術人才和良好的創新環境，能夠充分利用人工智能技術推動產業升級，創造更多高技能崗位；西部地區的正向影響較為明顯，受益于國家政策支持和新興產業的發展；中部地區影響最小，作為承接東部產業轉移的區域，人工智能技術的應用主要集中在勞動密集型產業的自動化改造上，短期內對高技能崗位的創造有限。總體來看，人工智能技術對不同地區制造業就業規模均有正向的促進作用，但東北和東部地區的效應更為顯著。

六、結論與建議

人工智能技術的蓬勃發展深刻影響著各行各業，制造業尤為顯著。在此背景下，本文基于2015—2023年滬深A股上市制造業企業數據，在理論分析人工智能技術對我國制造業就業的影響的基礎上，用PSM－DID模型對研究假設進行實證檢驗，主要得到以下結論。第一，人工智能技術顯著提高了制造業企業的整體就業規模，進一步中介效應檢驗發現，人工智能技術通過提高企業的生產效率和創新能力，促使企業擴大經營規模，增加了對勞動力的需求。第二，人工智能技術的應用對研究生學歷和高中及以下學歷的員工有顯著的正向效應，對大專學歷的員工則是顯著的負向效應，出現“極化”現象。這種“中間擠壓”現象反映了人工智能技術對中等技能勞動力的替代效應。第三，人工智能技術對生產部門和技術部門員工人數具有顯著的正向影響。人工智能技術的應用提高了生產效率，減少了人為錯誤，使得生產過程更加自動化和智能化。這不僅保留了原有的生產崗位，還創造了新的技術維護和管理崗位。同時，人工智能技術的發展催生了大量的研發、數據分析、算法開發等高技能崗位，也推動了高技能勞動力的需求增長。第四，隨著自動化和智能化技術的發展，傳統勞動密集型行業如紡織、服裝、家具制造等，許多生產流程被機器人和自動化設備取代，這些行業的企業通過引入這些技術，提高了生產效率，從而減少了對勞動力的需求。與此同時，高技術、技術密集型的行業對勞動力的需求顯著增加。高技術、技術密集型行業對研發的需求高，企業為了保持競爭優勢，必須不斷創新，開發新產品和技術，從而增加了對勞動力的需求。第五，不同地區的制造業企業受人工智能技術的影響程度存在顯著差異，其中東北地區的受影響程度最大。人工智能技術與東北地區的制造業結合，大力提升產業的智能化水平，提高生產效率，促進產業升級，進而帶來了新的工作崗位。因此，人工智能技術在東北地區對制造業就業規模的促進效果更為明顯。

本文的研究結論具有如下政策啟示。首先，政府可以通過設立專項基金、實施稅收優惠政策以及建立產學研合作平臺等方式，加大對制造業企業在人工智能領域研發投入的支持力度，從而推動企業技術創新，同時也為企業帶來更多的財政激勵。其次，針對人工智能技術導致的勞動力市場“極化”現象，需要改革現有的職業教育與培訓體系，推動職業院校與企業合作辦學，開展在線教育與遠程學習項目，并設立專項基金或提供貸款擔保服務，資助低技能勞動力接受再教育，從而幫助他們提升技能以適應新的工作崗位需求。此外，為了滿足高技術行業日益增長的用人需求，需要促進新興產業人才的培育，包括在高等院校設立相關專業、組織國際交流活動以及鼓勵企業設立內部培訓中心等形式，定期為員工提供新技術方面的培訓，以此來培養具有跨學科背景的復合型人才。優化勞動力流動機制也至關重要。對此，應完善社會保障體系，構建全國統一的職業資格認證體系，并定期發布就業信息報告，以便勞動力合理選擇就業方向和地區。同時，也需要制定更加靈活的勞動法律法規，鼓勵企業采用靈活用工方式吸納新興職位所需的人才，保障勞動者的合法權益。考慮到不同地區的發展水平差異，還應推動地區協調發展的政策實施。具體來說，可以通過中央政府的財政轉移支付支持中西部地區的基礎設施建設，引導東北部和東部地區先進制造業企業向中西部地區轉移，促進資源共享和技術擴散，并開展共建產業園區等形式的地區合作項目。最后，為應對制造業引人人工智能技術帶來的變革，需要加強產業規劃指導，組織專家團隊對各地區制造業現狀和發展潛力進行評估，制定科學合理的產業發展規劃，并實施差異化發展戰略，依據各地資源稟賦和比較優勢確定適合本地發展的特色產業，從而促進整個社會經濟結構的優化調整。

參考文獻：

[1] 阿格拉瓦爾，甘斯，戈德法布，等．人工智能經濟學［M]．王義中，曾濤，譯．中國財政經濟出版社．2021.

[2] 謝萌萌，夏炎，潘教峰，等．人工智能、技術進步與低技能就業——基于中國制造業企業的實證研究［J].中國管理科學，2020，28（12）：54-66.

[3] 李舒沁，王灝晨．人工智能對老齡化背景下制造業勞動力的影響——來自中國的證據［J］．科學學與科學技術管理，2021，42（7）：3-17.

[4] 王麗媛：智能化發展、勞動力供給技能結構與技能溢價［J]．山西財經大學學報，2021，43（5）：45－60.

[5] 朱嘉蔚，金曉貝．人工智能發展對中國制造業就業的影響［J]．勞動經濟研究，2023，11（5）：121－143.

[6] 潘麗群，李靜，余夢琳．人工智能如何影響勞動力需求和結構？——基于上市公司年報數據的實證檢驗[J]．經濟與管理研究，2024，45（10）：77-98.

[7] 周卓華．人工智能技術發展對就業的影響及應對［J]．重慶社會科學，2020（10）：44－54.

[8] 張于喆．人工智能、機器人的就業效應及對策建議［J]．科學管理研究，2019，37（1）：43-45，109.

[9] 陳楠，劉湘麗，樊圍國，等．人工智能影響就業的多重效應與影響機制：綜述與展望［J］．中國人力資源開發，2021，38（11）：125-139.

[10] 蔡嘯，黃旭美．人工智能技術會抑制制造業就業嗎？——理論推演與實證檢驗［J]．商業研究，2019（6）： 53 -62.

[11] 趙放，劉雨佳．人工智能時代我國勞動關系變革的趨勢、問題與應對策略［J]．求是學刊，2020，47（5）： 58 -65.

[12] 喬榛，劉妍．人工智能發展的就業效應：排擠還是補償［J]．當代經濟研究，2024（11）：70－78.

[13] ACEMOGLU D，RESTREPO P.Robots and jobs：evidence from US labor markets [J]. Journal of PoliticalEconomy，2020，128（6）：2188-2244.

[14] GOOS M，MANNING A， SALOMONS A. Explaining job polarization： routine-biased technological change andoffshoring [J]. American Economic Review，2014，104（8）：2509-2526.

[15] 姜昊，董直慶．人工智能技術應用會存在選擇性偏向嗎？——行業屬性與就業偏向［J］．南方經濟，2023（12）：37-61.

[16] 李響，江求川．工業智能化對再分配偏好的影響——基于就業和收入極化的視角［J]．經濟與管理，2024，38（6）：20-29.

[17] 張元釗．人工智能發展的多重就業效應［J]．東南學術，2023（6）：170-178.

[18] 王林輝，董直慶．以人工智能為引擎推動產業智能化發展［J]．智慧中國，2022（12）：20－22.

[19] 唐永，李想．人工智能發展對制造業就業的影響——基于馬克思社會再生產模型的中國經驗分析［J]．當代經濟研究，2024（6）：36-50.

Impact of AI on Employment in Manufacturing Based on the PSM-DID Model

LONG Ying ZHAO Haoran （School of BigDataand Statistics，AnhuiUniversity，Hefei23OO39，Anhui，China）

Abstract： Based on the data of a-share listed manufacturing companies in Shanghai and Shenzhen from 2015 to 2023，this study divided these companies into AI enterprises and non-AI enterprises according to whether they have integrated into the AI industry chain. Using a multiperiod PSM-DID model， it explored the impact of AI on the employment scale and employment structure of manufacturing enterprises in China. The research finds that AI significantly expands the overall employment scale of manufacturing enterprises. Through mediation effect testing， it discovered that AI technology mainly increases the overall employment scale by enhancing the intensity of corporate Ramp;D investment. Upon further analysis， the application of AI technology has a significant positive effect on employees with master's degree high school and below educational backgrounds. In contrast，employees with associate degree level education are squeezed out by the substitution effect of AI，leading to a“ polarization” phenomenon. Moreover， the impact of AI technology on the employment scale of manufacturing enterprise staff varies across different departments，sub-industries，and three major regions. On this basis ， it proposed that governments and enterprises should promote sustainable and high-quality development in manufacturing through policy guidance， technological innovation， and education and training，ensuring a smooth transition and prosperity in the job market during industrial transformation.

Key words： AI technology； manufacturing firm； employment scale； employment structure;PSM-DID model