人工智能技術對就業結構均衡的影響

【作者簡介】，博士，副教授，碩士生導師，研究方向：收入分配與經濟發展；，碩士研究生，研究方向：勞動經濟學。

中圖分類號：F241.4；TP18文獻標識碼：A

引言

黨的二十大報告明確提出，“推動戰略性新興產業融合集群發展，構建新一代信息技術、人工智能等一批新的增長引擎。”在這個科技飛速進步的時代，人工智能正引領著一場前所未有的技術革命。從簡單的數據處理到復雜的決策支持，從自動化生產到智能服務，人工智能已經滲透到生活和社會生產的方方面面。尤其是近年來，人工智能技術的突破性進展，在企業生產能力、營商環境以及勞動力市場等多個方面都產生了不同的影響。

在勞動力市場方面，人工智能水平的提高會對不同崗位的就業帶來沖擊，傳統制造業生產線上的低技術高重復性的工作正在被人工智能逐漸取代。目前學術界的主流觀點認為，人工智能的應用對于就業數量的影響分為替代效應和創造效應。當自動化技術相比于勞動力更具備優勢時，勞動力就會被替代，從而減少就業，產生替代效應。而在人工智能水平提升的同時，新技術的應用又會產生新崗位、新行業，從而使就業的總人數增加，產生創造效應。人工智能的應用對勞動力市場沖擊的總效應取決于二者的大小比較。何勤等（2020）發現，人工智能技術的使用對制造業員工數量增長有負向影響，對員工技能和收入有正向影響。趙玲等（2023）認為，人工智能水平的提高會增加服務業雇員的總數量，促進就業[2]。

由此可見，在不同企業或者不同行業中，其崗位的性質和特征存在差異，替代效應和創造效應相結合后的綜合效應也存在差異，對就業的影響存在不確定性。蔡嘯和黃旭美（2019）通過對2003—2016年的省級面板數據實證研究發現，在多數情況下，人工智能水平的提高會抑制制造業就業，勞動力會從制造業流向服務業，而當人工智能技術出現重大突破，制造業生產率得到大幅提升時，對制造業而言，創造效應會大于替代效應，這會使勞動力流回制造業[3]。

第二產業與第三產業的關系一直是產業結構研究的關鍵問題，許多學者圍繞著這一問題展開討論，其中產業結構高級化一直是討論的焦點。王瑞瑜（2024）認為人工智能的生產可以促進產業結構的高級化4。而目前對產業間的均衡問題研究相對較少，且具有兩種不同的觀點。江靜（2017）認為現在的服務業占比遠低于同水平發展中國家，也低于同期世界平均水平，因此服務業目前因占比過低而導致產業結構失衡5。而郭凱明（2017）則認為，盡管服務業占比過低，但由于其提升速度太快，未能與經濟發展相協調，所以服務業存在占比提升過快的結構性失衡。黃群慧（2017）也認為中國服務業因占比提升速度過快而產生結構失衡。對于一國而言，服務業產值占GDP的多少為優尚無統一標準，在產業融合的經濟背景下，傳統意義上的產業占比無法充分反映經濟狀況。華民（2017）認為，過快地發展服務業會導致經濟增速下降，產生“結構性減速”，因為服務業的資本深化程度不夠，過快的增長會導致全要素生產率的下降。中國服務業的快速增長與制造業的占比下降，導致中國“制造業空心化”的風險逐漸增大。

宋健和鄭江淮（2017）、陳永偉（2023）認為，中國的服務業存在明顯的“鮑莫爾成本病”，中國的服務業高端化不夠，其生產效率明顯低于制造業[。姜濤（2005）認為，用比較勞動生產率可以大致衡量各產業產出能力協調程度。孫晴等（2019）也同樣認為，當一個產業的比較勞動生產率相近且趨近于1時，產業結構趨于均衡狀態[2]。圖1匯報了近年來二、三次產業的比較勞動生產率情況。可以看到，第三產業的比較勞動生產率一直低于第二產業且差距明顯。所以，我們認為二、三次產業的相對結構一直處于失衡狀態。

觀察中國近年來的勞動力數量，可以看出第二產業的就業人數呈遞減趨勢，伴隨而來的是第三產業就業人數的逐年增加。說明在宏觀的經濟背景下，有一部分勞動力從第二產業流向了第三產業。圖2匯報了近年來不同產業間的就業情況。

在服務業的勞動生產率一直明顯低于第二產業情況下，勞動力仍然單向地流向第三產業，這與第三產業的低效率不相匹配，出現“逆庫茲涅茲化”趨勢。因此本文認為，在這種產業結構均衡被破壞的情況下，探究人工智能水平的提高如何影響就業市場勞動力的流向是具有現實意義的。

目前，人工智能對就業市場的影響逐漸成為討論的焦點，但現有研究仍存在以下不足。第一，大部分研究仍聚焦在微觀視角（尤其是制造業）。第二，多數研究關注整體就業規模，對于二、三產業間的勞動力結構問題研究較少。第三，所選取的數據樣本年份較為久遠，人工智能作為一種新型的技術進步，其在整體上對經濟社會的影響可能存在非線性關系，而現階段對勞動力市場影響的研究稍顯不足。第四，目前學界對人工智能發展水平的測度還未形成統一的標準。

本文認為，采用不同衡量指標對于實證結果的影響差異不能被忽略，例如許多研究習慣用工業機器人安裝密度作為代理指標衡量人工智能水平。工業機器人雖然是人工智能在制造業中的重要應用，但其只能反映制造業在制造環節的自動化程度，難以全面反映企業中人工智能的應用水平[3]。尹志鋒等（2022）基于人工智能專利情況，認為人工智能可以分為專家系統、機器人、計算機視覺、機器學習、自然語言處理5大領域[14]。以工業機器人安裝密度為例，由于“機器換人”的革新，機器人相對于其他細分領域是產生就業替代的“重災區”。若僅用機器人安裝密度衡量人工智能技術的應用水平研究其對勞動力市場的影響，將會導致人工智能發展水平對就業影響的總效應中就業替代效應的占比被高估，進而使研究結果與實際產生偏差。不同時期人工智能技術不同細分領域的發展速度不同，而不同細分領域對于就業產生的替代效應和創造效應也不同。鑒于此，本文認為，人工智能發展水平對于就業市場的影響可能是非線性的，并且人工智能技術不同細分領域在不同時期發展的不均衡性是其主要成因。不同測度對人工智能技術細分領域的覆蓋情況不同，被用來探究人工智能技術應用影響就業時與實際的偏差也存在差異性。

由此可見，人工智能影響就業的實證結果與年份和代理指標有關。綜合考慮，本文利用2010—2022年中國城市數據與人工智能專利申請量來衡量人工智能應用情況，實證探究人工智能發展如何影響二、三產業間的就業結構，并討論其他因素對這種影響的作用。本文的創新可能主要在于以下三點。

第一，研究視角方面，本文利用人工智能專利申請量作為衡量人工智能水平的指標，同時利用上市公司企業年報人工智能關鍵詞詞頻作為工具變量。這兩種指標能夠較為全面、完整地反映人工智能技術的發展水平。同時，本文采用的是最新年份的數據，從宏觀視角探究在技術發展新階段，人工智能技術應用對二、三次產業間就業結構的動態影響，與早期人工智能對單一研究對象就業影響的研究形成補充和驗證，為解決產業結構均衡、就業結構均衡問題提供了新基礎。

第二，研究方法方面，本文構建計量模型驗證了人工智能技術的應用對產業間就業均衡的影響。同時，對該影響進行了異質性分析并檢驗了人力資本在其中的作用。此外，本文采用了工具變量、差分GMM等方法控制了內生性問題。

第三，研究結論方面，本文發現在現階段各生產要素涌向第三產業的宏觀經濟背景下，人工智能的應用對從第二產業流向第三產業的勞動力起到“節流”效應，一定程度上緩解了“逆庫茲涅茲化”的趨勢。同時還發現，目前傳統意義的人力資本水平是一把“雙刃劍”，隨著人均受教育年限的提升，這種“節流”效應受到了抑制。此外，人工智能對產業間就業均衡的影響表現出地區和時間差異。

一、文獻評述與研究假說

一方面，人工智能技術的飛速發展在推動生產力進步的同時，也促使就業市場上機器人對勞動力的替代，給人類工作帶來前所未有的挑戰[。事實上，人工智能技術在制造業和服務業相關領域已經得到了廣泛應用。尤其伴隨著ChatGPT、GPT4的快速發展，曾經以認知類和創意類為主的被認為難以替代的任務也可以由人工智能完成。Frey和Osborne（2017）認為，在未來20年內，大約有 47% 的美國工作崗位會受到自動化技術的威脅，其中低技能崗位風險更大。蔡嘯和黃旭美（2019）認為人工智能技術水平的提高又會創造出全新的就業崗位，能對就業產生正向創造效應，所以，人工智能對就業的影響取決于替代效應與創造效應的動態變化[3]。由此可見，人工智能會造成勞動力在不同崗位、不同行業之間的流動，且伴隨著發展階段和經濟背景的不同，這種流動的特征也表現出差異性。另外，這種流動的動力是基于勞動力與崗位的匹配，所以流動的效果對經濟發展的利弊具有不確定性。

一部分學者認為人工智能技術的應用會對就業產生沖擊。王永欽和董雯（2020）利用2011—2015年滬深兩市A股制造業上市公司以及中國工業機器人滲透度數據，論證了機器人應用降低了企業對勞動力的需求[1]。何勤等（2020）的研究則采用企業機器設備價值作為衡量企業人工智能水平的指標，數據年份為2013—2018年，以115家制造業企業為研究對象，認為人工智能應用減小了制造業用工規模。彭瑩瑩和汪昕宇（2020）認為，隨著人工智能技術的普及，制造業用工數量總體是減少的，其使用的是2018年針對廣東省制造企業的人工智能應用情況問卷調查數據[18]。

還有一部分學者持有不同觀點。尹志鋒（2023）利用2009—2018年中國人工智能專利數據庫和中關村企業調查數據庫，考察了人工智能對企業就業的影響，認為人工智能顯著促進就業[4]。蔡嘯和黃旭美（2019）利用我國28個省份2003—2016年面板數據，論證得出人工智能技術對制造業就業的擠出效應因重大技術突破促使制造業生產率巨大提升時發生反轉，使制造業勞動力回流，所采用的人工智能水平的衡量指標為各省“信息傳輸、計算機服務和軟件業全社會固定資產投資與生產總值的比值”[3]

本文認為，人工智能技術對就業結構的影響與其發展進程有關，不同時期人工智能技術不同細分領域的發展速度不同，而不同細分領域對就業產生的替代效應和創造效應也不同，進而影響總效應的方向與大小。例如，人工智能可以從軟件和硬件兩個層面進行細分。軟件層面主要是指算法與模型、軟件平臺以及應用系統等方面，包括自然語言處理、計算機視覺、機器學習、深度學習等；硬件層面則是指計算硬件和物理設備方面，包括AI芯片、傳感器、智能終端和機器人等。

《戰略性新興產業分類與國際專利分類參照關系表》對人工智能專利分類號進行了匯總和簡易分類。其 中 G05D1/02、G05D1/08、G05D1/10、G05D1/12、G06F1/16分類號對應的關聯詞為“可穿戴智能設備制造；智能無人飛行器制造；數字家庭智能終端設備、智能感知與控制設備等其他智能消費設備制造；金融電子應用產品”，用這類專利申請量可大致衡量人工智能硬件的技術發展水平。其中G06F3/01、G06F9/44、G06F9/455、G06N3/00、G06N3/04、G06N3/06、G06N3/063、G06N3/067、G06N3/10、G06N3/12、G06N5/00、G06N5/02、G06N5/04分類號對應的關聯詞在以上產品的基礎上，增加了“生產領域人工智能系統、智能家居系統等信息系統集成服務；人工智能優化操作系統、人工智能中間件、函數庫；計算機視聽覺軟件、生物特征識別軟件等應用軟件開發”，用這類專利申請量可大致衡量人工智能軟件的技術發展水平。圖3匯報了2010一2022年這兩大類的專利申請量。

從圖3可以看到，人工智能硬件技術的增長一直保持在穩定水平，而軟件類技術水平卻在近幾年大幅度提升，這也說明了人工智能的發展重心在不同的細分領域間進行轉移。

首先，人工智能軟件領域的發展將會減少數據處理、信息篩選等重復性高、技能要求低的勞動崗位；同時隨著機器學習、自然語言處理等方面的不斷成熟，也會不斷涌現新的崗位。而人工智能硬件可以在制造業中實現自動化生產線，減少高強度體力、重復性操作以及環境危險的工作崗位；同時硬件領域的發展也會創造新的產業鏈，如芯片設計、傳感器的制造，從而產生新的就業崗位。因此，人工智能技術對就業影響的總效應的大小與方向也會隨著技術進步進程的推進而發生改變，并且隨著人工智能硬件的發展逐漸趨于穩定，制造業中傳統的以“機器換人”為代表的直接崗位替代現象得到抑制。因此，本文提出假設1。

假設1：在第三產業繁榮發展的環境下，人工智能的應用使一部分勞動力重新回到第二產業，對第二產業向第三產業流動的勞動力起到“節流”作用。

其次，人工智能對不同崗位的替代程度是不一樣的。陳明生（2019）認為情感性勞動和創造性勞動難以被人工智能取代，具有一定的創新性內容和應對不確定性以及不規則的勞動，在短時間內也難以被替代[1]。趙玲等（2023）認為，中風險崗位和職業主要集中在服務業，而大多數的高風險崗位集中在制造業。何勤等（2020）認為，人工智能作為一種偏向性技術進步，會增加制造業對高學歷勞動者的需求并減少對低技能勞動者的需求，從而使企業人力資本結構得到提升。在人工智能發展的沖擊下，制造業的低技能勞動崗位減少，而對高技能勞動者的需求影響較小，綜合起來表現為企業內部人力資本結構得到了優化。

以往研究大多探討人力資本與單一研究對象就業情況之間的關系，并未探究人力資本對勞動力在產業間流動的動態影響。本文認為，人力資本對就業情況的影響除了產業對勞動者獨立的需求改變，也作用于勞動力在產業間流動。高技能勞動者往往因為受教育年限長或工作年限長等原因，對特定技能的掌握更加專業和深化，因此高技能勞動者具有更強的不可替代性、更好的福利待遇以及更高的就業轉移成本。所以，高技能勞動者表現出的就業特征并非“高靈活性”，而是“高穩定性”。在面對“風險”時，他們往往能夠比其他勞動者更能規避風險，在面對“機遇”時，這些高技能勞動者的決策往往不夠靈活。所以在勞動力涌向第三產業的大背景下，盡管制造業在人工智能的加持下使一定勞動力產生回流，但這種回流效果還是受到了高人力資本的抑制作用。因此，本文提出假設2。

假設2：人工智能對產業就業結構的影響力，會受到高人力資本水平的抑制作用

再次，這種勞動力的流動可能表現出地區差異和時間差異。與其他地區相比，以東部為主的經濟發達地區，其產業結構往往高級化程度更高，第三產業占比更大，其行業規模和崗位特征與一些西部等經濟欠發達地區存在差異性。相較發達地區，欠發達地區的第二產業占比更大，與人工智能相結合后得到的改善更為明顯，且欠發達地區人工智能技術應用的水平要略低于經濟發達地區，其對勞動力轉移過程中的技術性壁壘更低，所以促使勞動力回流到第二產業的效果更明顯。

最后，產業結構的發展也受政策影響。我國近年來的政策導向偏向于發展服務業。數字經濟水平的提升大大促進了第三產業發展，創造了許多集中在第三產業領域的新產業、新業態以及新商業模式[20]。戚聿東等（2020）認為，數字經濟發展顯著優化了就業結構，證實了數字經濟的發展推動了就業的服務業化2。因此，這種產業規模和就業崗位的改變勢必會影響人工智能應用對于就業結構的改變，更大程度地深化了服務業與人工智能的結合，弱化了人工智能技術應用對勞動力向第三產業流動的“節流”效應。因此本文提出假設3。

假設3：人工智能對就業結構的改變存在差異性。地區差異主要存在于經濟較為發達的中部與東部之間，以及相對落后的西部與東北部地區之間，在欠發達地區勞動力回流效果更明顯。而時間差異存在于大力發展數字經濟前后，在服務業因數字經濟發展而得到升級完善之后，這種勞動力的回流受到削弱。

二、模型構建和數據說明

（一）模型構建

根據前文理論，本文認為人工智能技術的應用影響了二、三產業間勞動力的流動。為了驗證這一假設，本文構建以下計量模型：

其中，i和t表示省份和年份。 表示i省t年的人工智能發展水平，本文采用人工智能相關專利申請量的對數值衡量。r_labori表示i省t年第二產業相對于第三產業的就業規模，采用二三產業就業人數比來度量。 X_it 表示控制變量，涵蓋了可能影響二三次產業就業規模的其他主要因素，包括：（1）固定資產投資水平（capital），采用固定資產投資額與GDP比值度量；（2）城市開放程度（opening），采用外商投資企業出口總額的對數值衡量；（3）城鎮化率（urbanization），采用城鎮人口數與年末常住人口數比值度量；（4）基礎設施水平（infrastructure），采用每平方公里的公路里程衡量；（5）金融發展水平（finance），采用金融業增加值的對數值衡量。 μ_i 為省份固定效應， u_t 為年份固定效應， ε_it 為隨機擾動項， ∝ 、β、γ為系數項。變量的描述性統計如表1所示。

人工智能相關專利申請量取對數后均值為6.231，標準差為2.011；二、三產業就業人數比均值為0.632，標準差為0.235，表明整體上第二產業的就業規模要小于第三產業。

（二）數據來源及說明

本文采用的數據為2010—2022年我國30個省份面板數據（不包括港澳臺及西藏地區），對所有變量進行縮尾處理，共390個觀測值。

其中，人工智能專利申請量根據《戰略性新興產業分類與國際專利分類參照關系表》中人工智能專利分類號，從國家知識產權局檢索得到。第二、三產業就業人數數據來自國泰安數據庫（CS-MAR）。2010—2017年固定資產投資額取自2011—2018年《中國固定投資統計年鑒》，2018—2022年由2019—2023年中國固定投資年鑒公布的增長率計算得來。每平方公里的公路里程與金融業增加值來自國家統計局。其他城市數據均來自《中國城市統計年鑒》。

三、實證分析結果

（一）基準回歸

表2匯報了人工智能水平對二、三產業相對就業規模的基準回歸結果。可以看出，人工智能水平每上漲1個單位，第二產業相對于第三產業的就業規模提升約0.039個單位。另外，在確定的某一省份中，整體勞動力隨年份增長，從第二產業流進第三產業。這說明勞動力整體流向主要還是受到宏觀經濟情況影響，盡管第二產業比較勞動生產率更高，但是個體在就業選擇時還是受到很多其他方面的影響，例如工作環境、個體偏好、輿論環境以及政策引導等。回歸結果顯示，人工智能水平對二、三產業就業人數比值的凈效應仍顯著為正，說明在宏觀環境驅使勞動力流向第三產業的背景下，人工智能的發展還是對其起到了“節流”效應，使一部分勞動力流回第二產業。此外，對數據進行懷特檢驗，檢驗結果顯示 p=0.4905 ，故認為不存在異方差問題。

（二）內生性檢驗

1.工具變量法

考慮到解釋變量可能是內生的，我們將采用工具變量法處理該問題。本文最先考慮的是利用各省份每年的政府工作報告詞頻統計進行分析，但因關聯詞相關頻率太低，無法進行有效估計。為了盡可能保證工具變量的外生性，本文采用構件合成的思路，將衡量指標拆分成不同的構成要件。例如，所衡量的某一水平指標可以理解為主觀因素與客觀因素的交互結果。具體而言，選取的工具變量表達式如下：

IVAI_it=Frequency_it-1×Real_it

其中， IVAI_it 為i省t年衡量人工智能水平的工具變量。Frequencyi-為i省 年的該省內所有上市公司企業年報中出現人工智能關聯詞的平均頻率，用來衡量該省企業對人工智能技術的關注度，這種關注度反映在企業第二年的生產和決策當中。其統計方法為：用python對30個省2009—2021年間的所有年報進行爬取，然后進行詞頻統計，之后再對每個企業每一年的統計結果按省份進行手工加總，最后再除以當年所統計的各省企業數，得到平均結果。關于人工智能關鍵詞的確定，本文參考李果（2023）[3的做法，表3匯報了詞頻分析中人工

智能關鍵詞的具體指標。

Real_it 則是衡量企業將生產、決策想法落實的能力，這里采用的是i省t年的“新型實用專利和外觀專利的授權量”與“新型實用專利和外觀專利的申請量”比值衡量。之所以排除發明專利數量，是因為發明專利審核周期過長，一般為兩到三年。本文采用的數據年份跨度有限，不宜將某一變量滯后時間過長導致樣本大幅減少。而新型實用專利與外觀專利審核周期一般為半年到一年，因此入選。另外，在實際數據整理過程中，發現有極個別的Real_it 大于1。原因可能是受審核周期的影響，專利授權與專利申請年份為相鄰的兩年。考慮到相差年份周期不長，也可以反映企業在相近年份中的短期的實踐能力，對整個總趨勢影響不大，并且數據的偏離程度較小，本文除了對其進行常規的縮尾處理以外，未采用其他的處理辦法。

的內生性。

2.更換計量模型

為了排除內生性干擾，同時考慮產業間相對就業規模可能存在路徑依賴，本文將上一期被解釋變量引入模型，采用動態面板GMM方法進行回歸分析，模型如下：

表4列（1）匯報了采用兩階段最小二乘法（2SLS）檢驗第一階段的估計結果，結果顯示工具變量與核心解釋變量相關。表4列（2）匯報了第二階段的回歸結果，顯示結論與前文一致。在控制其他因素后，弱工具變量F檢驗的統計值為12.0926，說明本文選擇的工具變量比較合理，不存在弱工具變量問題。另外，通過對基準回歸與工具變量回歸結果進行hausman檢驗，檢驗結果顯示p=0.008 ，說明原核心解釋變量確實存在一定程度

r_laborit-為i省t-1年二、三次產業就業人數的比值，其他變量與上文一致。考慮到弱工具變量問題，本文僅使用最多2階被解釋變量的滯后項作為工具變量。過度識別檢驗結果顯示 p=0.9576 ，序列相關檢驗結果顯示 AR2=0.2558 ，說明所選工具變量合理且無擾動項序列相關問題，具體估計結果見表5。從表中可以看到，人工智能水平的回歸系數仍然在 5% 的統計水平上顯著為正，與前文結論保持一致。另外，二、三次產業相對就業規模同時也受到上一期就業規模的影響。

3.替換核心解釋變量

考慮到指標的差異可能影響回歸結果，參考以往研究，本文采用城市互聯網接人端口數的對數值（lnnet）替換核心解釋變量，使結果更具有穩健性。所用數據來源于國家統計局。表6匯報了互聯網接入端口數對二、三產業相對就業規模的影響，結論與前文一致。

4.逐步加入控制變量

為了使結果進一步穩健，本文通過逐步加入控制變量的方法來觀察核心解釋變量對二三產業就業規模的影響。表7匯報了逐步加入控制變量的回歸結果，可以看到，在添加控制變量的過程中，人工智能水平對二、三次產業相對就業規模的影響均在1% 的統計水平上顯著為正，說明所選控制變量合理，結果較為穩健。

四、機制檢驗和異質性分析

（一）人工智能水平影響就業的機制檢驗

1.城市國有化程度對人工智能水平影響就業的作用機制

之前學者基于微觀視角研究，認為企業所有制類型對勞動力流動產生影響。出于企業福利待遇、工作壓力、企業社會責任以及傳統就業觀念等各種因素，國有制企業在勞動力流動性上往往低于私有制企業。因此城市國有化程度越高，人工智能促使勞動力流向第二產業的凈效應越小。本文采用城鎮國有企業職工人數與勞動力總量的比值衡量城市的國有化率（r_nation），并將國有化率以及國有化率與人工智能水平的交互項引入模型，如下所示。

tion_it+γX_it+μ_i+ν_t+ε_it （4）

表8列（1）匯報了國有化率對人工智能水平影響就業作用機制的回歸結果。遺憾的是，交互項的回歸系數雖然為負，與預期一致（即國有化率對人工智能促進勞動力流向第二產業有抑制作用），但并未通過顯著性檢驗。

2.人力資本對人工智能水平影響就業的作用機制

以往文獻多從微觀層面研究人工智能水平對就業的影響，其中大多數探討了人工智能的提高對不同技能崗位的替代效果。例如，隨著人工智能水平的提高，制造業中低技能勞動的崗位減少，高技能勞動的崗位增多。因此，本文認為探究人力資本對人工智能影響就業是有意義的，將人力資本（ edu ）引入模型如下。

μ_i+ν_t+ε_it

其中人力資本（edu）用城市人均教育年限衡量。表8列（2）匯報了回歸結果。交互項的回歸系數顯著為負，說明人力資本的提升對受影響而流向第二產業的勞動力起抑制作用。

為了使上述結論具有穩健性，本文探究了對不同受教育年限時人工智能水平對就業市場的影響。表8列（4）為受教育年限小于等于9.35年時（該值為全樣本平均值），人工智能水平對勞動力流向的影響，可以看出此時人工智能的發展促進了部分勞動力向第二產業回流。列（5）為人均受教育年限大于9.35年時的情況，此時擴大人工智能規模不再對向第三產業轉移的勞動力產生“節流”效應，反而會促進勞動力轉移。原因可能是高學歷勞動者就業觀念不同，他們往往更注重個人成長和職業發展，而服務業具有更廣闊的發展空間和機會。而且隨著受教育程度的提高，人們的消費需求也在發生變化，這些需求更加促進了服務業的發展。伴隨社會認知轉變和政策支持等因素，受教育程度高的地區勞動力在就業選擇方面，并不會完全被生產率提高的第二產業吸引，他們更傾向于保持穩定的工作或部分流向第三產業。而人均受教育程度高的地區又不具有充足的靈活就業的低技能勞動力來抵消這部分沖擊，因此整體效果可能表現為人工智能的擴張促使一部分勞動力流向第三產業。總的來說，人均受教育年限的提高降低了人工智能對勞動力轉移的“節流”效應。

由此可見，教育年限的野蠻增長并不能代表人力資本的優化，更不能解決所有問題。在第三產業發展迅速的背景下，社會資源與關注度也會向其傾斜。這種適應市場需求而追求短期自我利益的行為，必然會導致長期的整體失衡。正如前文所言，高技能勞動者往往因為受教育年限長，對特定技能的掌握更專業，因此較低技能勞動者具有更高的就業轉移成本。在當前社會背景下，高校專業設置與社會生產需求錯配問題存在已久，且受教育周期逐漸變長，但科技進步速度卻逐漸加快。傳統的教育-就業觀點可能已經無法使人力資本結構更加靈活地適應不斷變化的社會。

3.人工智能通過教育培訓事業影響就業的作用機制

長周期的教育對社會需求的時滯效應是人力資源錯配的關鍵，因此，為了使研究更具有現實意義，本文將重點聚焦于再教育與再培訓事業上。再教育、再培訓相較于傳統的義務教育與高校教育，具有周期短的特性，更加靈活地適應不斷變化的市場。而且針對的人群往往年紀更大，相比較傳統教育，他們具有更加成熟的就業觀念以及明確的就業目標。因此，本文將再教育再培訓事業的發展水平加入模型如下：

lnretraining+γXi+μi+v，+εit

其中，lnretrainingi表示i省t年的再教育水平，用省內教育培訓相關企業數量取對數值來衡量，數據來源于企查查網站，搜索關鍵詞為“教育培訓”，根據所在省份和成立年限進行人工整理。表8列（3）匯報了再教育、再培訓水平對人工智能影響就業的作用機制。從中可以看到，人工智能水平與再教育培訓水平交互項系數顯著為負，說明再教育水平與人均受教育年限一樣，對人工智能的節流效應起抑制作用。

遺憾的是，再教育、再培訓水平的影響并未達到預期效果。可能的原因是，各種教育培訓機構作為民營企業，其受市場需求的影響更為敏感。在第三產業蓬勃發展的背景下，為了迎合市場需求，更多的機構與資源傾向服務業。盡管教育培訓的模式更加靈活，但完全依靠市場進行調節，其在對長期經濟均衡發展的貢獻方面還是處于“失靈”的狀態。因此必須要重視對再教育、再培訓事業的管理和規范。隨著科技的不斷進步與經濟社會的不斷發展，市場對勞動力的需求結構也在不斷變化，所以勞動力結構也必須隨之不斷進行適應性的變化。而長周期、大體量的傳統教育在適應方面能力有限。本文相信，隨著社會進步節奏的加快，再教育、再培訓將會在長期是一個無法回避的話題。

結合人均受教育年限的影響，我們可以看到，就目前而言，已經不能完全依靠“無形的手”來調節教育體制與人力資本結構，也不能僅僅依靠人力資本總量的增長。政府必須采取手段，配套實行“人力資本的供給側結構性改革”，以防就業錯配的問題積重難返。

（二）異質性分析

1.地域性差異

改革開放以來，我國東部地區的經濟得到快速發展，與我國西部和中部地區的經濟差距不斷擴大[30。本文按照經濟發展水平差異，把研究樣本中所有省份劃分為中東部地區和西部及東北地區，分別檢驗，表9匯報了回歸結果。

表9結果顯示，西部及東北地區人工智能對二、三次產業相對就業規模的影響在 10% 的統計水平上顯著為正，而中東部地區的回歸系數雖未通過顯著性檢驗，但結果依然為正，且絕對值更小。說明在經濟欠發達地區，人工智能技術應用對勞動力的“節流”效應更為明顯。可能在于欠發達地區的第二產業占比更大，人工智能技術應用的水平更低，對勞動力的技能要求也更低。所以，在與人工智能技術結合之后促使勞動力回流到第二產業的效果更明顯。

2.時期差異

2017年，“數字經濟”首次出現在國務院的政府工作報告中。在此之后，國家為了發展數字經濟采取了一系列的政策并取得顯著效果。那么，這種政策的實施與發展方向的調整是否也影響了人工智能與二、三產業就業結構的關系？本文以2017年為界劃分成兩個子樣本，分別進行檢驗，表10匯報了估計結果。

從表10可以看出，在大力發展數字經濟以前，人工智能對二、三次產業就業規模的回歸系數在 5% 的統計水平上顯著為正，與前文結論一致。但在政策實施之后，盡管沒有通過顯著性檢驗，但回歸系數為負，與2017年之前的結果存在明顯差異。說明數字經濟的發展更大程度地深化了服務業與人工智能的結合，弱化了人工智能技術應用對勞動力向第三產業流動的“節流”效應。

五、結論與啟示

近年來，我國人工智能水平實現高速發展，人工智能技術的應用給整個社會帶來巨大變革。與此同時，我國勞動力也在從第二產業逐漸流向第三產業。在促進第三產業發展的同時，我國產業結構面臨失衡風險。以比較勞動生產率指標衡量，我國服務業勞動生產率一直明顯低于第二產業，但勞動力卻一直不斷地從第二產業流向第三產業，這與第三產業的低效率不相匹配，呈現“逆庫茲涅茲化”的趨勢。基于此，本文探討了人工智能水平的發展對二、三次產業間就業結構的影響，并且運用工具變量法與差分GMM等方法解決內生性問題，同時對其影響機制進行了探索并進行了異質性分析，得出以下結論。

第一，當前發展階段，在勞動力不斷涌向第三產業的經濟背景下，人工智能水平的提高對二、三次產業相對就業規模的凈效應為正，對正在轉移的勞動力產生“節流”效應。第二，隨著人均受教育年限的提高，這種節流效應逐漸減弱。因此，受教育年限總量的提高并不能代表人力資本整體的升級，必須考慮人力資本結構的優化。第三，更加靈活的再教育、再培訓事業的發展也未能有效應對就業錯配的問題。可能的原因在于，培訓教育事業與傳統教育都會受到市場的影響，其發展方向可能相較于長期穩健的經濟發展目標存在偏差。第四，人工智能對就業結構的影響存在地區與時間方面的異質性，其“節流”效應在經濟欠發達地區與未大力發展數字經濟之前較為顯著。

由此本文提出如下建議。（1）以人工智能為代表的科技創新從短期看會對勞動力市場產生沖擊，但這種影響可能具有周期性，從長期看并不會破壞產業間的均衡，因此我們要大力發展人工智能技術，堅定不移地走科技發展的道路。（2）在改革開放初期或前期的發展階段，通過恢復高考、高校擴招等方式提高人力資本進而促進社會發展的效果確實有效。但隨著社會的進步，僅僅依靠教育年限增長的傳統方式的弊端開始初見端倪。因此必須要同時對人力資本結構進行優化與調整，使教育與就業的鏈條更加適應科技迅速發展的新階段。（3）隨著社會進步節奏的加快，再教育、再培訓事業相較于傳統教育具有更強的靈活性，將會是調整人力資本結構的一個強有力的工具。因此要大力鼓勵并發展再教育培訓、在崗培訓以及“干中學”等方面。另外，為減少其受市場影響的方向不穩定性，應從政策方面對教育培訓事業加強管理，例如定向扶持某些培訓機構、建立同一的行業管理協會以及完善相關管理制度等。（4）人工智能技術應用對勞動力市場的影響存在地區和時間差異，因此在大力發展人工智能的同時，也要促進勞動力與人工智能在工作中的融合，完善人智共創機制，助力勞動力打破就業轉移過程中的技術壁壘。

參考文獻

[1]何勤，李雅寧，程雅馨，等.人工智能技術應用對就業的影響及作用機制研究：來自制造業企業的微觀證據[.中國軟科學，2020 （S1）：213-222.

[2]趙玲，陶歡，曹海濤.人工智能技術對就業影響的實證研究：服務業企業的微觀證據[].信息技術與管理應用，2023，2（3）：124-137.

[3]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.

[4]王瑞瑜.我國人工智能發展的產業結構高級化效應.西北民族大學學報（哲學社會科學版），2024（2）：162-174.

[5]江靜.中國服務業具有獨立發展的路徑依賴嗎？].南京大學學報（哲學·人文科學·社會科學），2017，54（1）：27-36+158.

[6]郭凱明.人工智能發展、產業結構轉型升級與勞動收入份額變動[].管理世界，2019，35（7）：60-77+202-203.

[7]黃群慧.論新時期中國實體經濟的發展].中國工業經濟，2017 （9）：5-24.

[8]華民.中國經濟增長中的結構問題[J].探索與爭鳴，2017，

（5）：118-122.

[9]宋建，鄭江淮.產業結構、經濟增長與服務業成本病：來自中國的經驗證據[J].產業經濟研究，2017（2）：1-13.

[10]陳永偉.超越ChatGPT：生成式AI的機遇、風險與挑戰]·山東大學學報（哲學社會科學版），2023（3）：127-143.

[11]姜濤.上海二三次產業結構均衡化研究[].華東經濟管理，2005（4）：11-13.

[12]孫晴，韓平，丁瑩瑩.三次產業的就業彈性、結構偏離度與比較勞動生產率協同研究[.統計與決策，2019，35（10）：129-133.

[13]李果.人工智能技術應用對制造企業創新績效的影響研究[D].南京：南京郵電大學，2023.

[14]尹志鋒，曹愛家，郭家寶，等.基于專利數據的人工智能就業效應研究：來自中關村企業的微觀證據.中國工業經濟，2023 （5）：137-154.

[15]王林輝，胡晟明，董直慶.人工智能技術、任務屬性與職業可替代風險：來自微觀層面的經驗證據[].管理世界，2022，38（7）：60-79.

[16]FREY BC，OSBORNEA M.The future of employment： How susceptible are jobs to computerisation？ [J].Technological Forecasting SocialChange，2017，114：254-280.

[17]王永欽，董雯.機器人的興起如何影響中國勞動力市場：來自制造業上市公司的證據[J].經濟研究，2020，55（10）：159-175.

[18]彭瑩瑩，汪昕宇.人工智能技術對制造業就業的影響效應分析：基于中國廣東省制造企業用工總量與結構的調查].北京工業大學學報（社會科學版），2020，20（5）：68-76.

[19]陳明生.人工智能發展、勞動分類與結構性失業研究[].經濟學家，2019（10）：66-74.

[20]隆云滔，劉海波，蔡躍洲.人工智能技術對勞動力就業的影響：基于文獻綜述的視角[.中國軟科學，2020（12）：56-64.

[21]戚聿東，劉翠花，丁述磊.數字經濟發展、就業結構優化與就業質量提升[J].經濟學動態，2020（11）：17-35.

（責任編輯：高夢彤）

Research on the Influence of Artificial Intelligence Technologyon the Balance of Employment Structure

WANGXiaoyun，LUPengrui

（School of Economics and Management， Shanxi Normal University，Taiyuan O3oo31， China）

Abstract： Based on the dataofChinese cities from 2O1O to 2O22，this paper verifies the impactof artificial intellgence improvementon theemployment structureof the secondaryand tertiary industries and its specificcharacteristics，which provides anew basis for the balanced development between Chinese industries.In the current stage of development，theapplicationofartificial intellgence technology plays a“throtling”role in the flowoflabor fromthe secondary industry to the tertiary industry.Atthe same time，the endogeneity problem is solved by means of instrumental variables.With the increase of percapitaeducation years，the“throtling”effectdeclines.The impactof artificial inteligence on the employment balance between industries shows regional and time diferences， and the“throtling”effct is more obvious in the western and northeastern economically underdeveloped regions. After the implementation of policies to vigorously promote the development of the digital economy，the effectof “throttling” has been weakened.

Key Words： Artificial inteligence; Employment; Industrial equilibrium; Instrumental variable method; GMM model