人工智能技术会抑制制造业就业吗？
——理论推演与实证检验
2019-08-01黄旭美
蔡 啸，黄旭美
(东北师范大学 经济学院，长春 130117)
内容提要：制造业人工智能技术替代劳动的同时也提高了产出，劳动需求结构会随之发生变化，因而人工智能技术对制造业就业的作用方向存在不确定性。本文构建两部门任务模型，分析人工智能技术的生产率效应和对就业替代效应的影响机制，考察人工智能技术生产率增长幅度和产品替代弹性对两种效应的作用方向；利用我国28个省份2003-2016年面板数据，实证人工智能技术对劳动力产业结构的作用方向及强度，进一步利用面板门限回归模型考察不同人工智能技术生产率增长幅度上，对制造业就业非线性影响。理论模型说明，在多数情况下，人工智能技术会抑制制造业就业，其对制造业就业的替代将促进劳动力向服务业的流动；当人工智能技术存在较大突破导致制造业生产率有巨大提升时，产出增长对劳动力的需求效应会大于技术替代效应，劳动力回流入制造业。实证结果显示，我国人工智能技术的使用显著降低了制造业的劳动力占比，但其生产率增长会在一定程度上缓解这种抑制作用。面板门限回归结果显示，人工智能技术生产率增长幅度不足0.0282时，人工智能技术使用提升1%将减少制造业就业占比0.124%；反之，当人工智能技术生产率增长幅度超过门限值时，人工智能技术使用提升1%将增加制造业就业占比0.179%。研究结论的重要启示在于揭示了人工智能技术对制造业就业的挤出效应会随人工智能技术取得重大突破而发生反转，促进制造业劳动力回流的机理。
一、引言及文献综述
许多以往被认为是非机械性的劳动岗位正逐步被人工智能技术所取代，“机器换人”的边界已被大大扩展。与此同时，人工智能催生的新工作岗位却处于供不应求的状态。2017年12月，“腾讯研究院”和“BOSS直聘”联合发布的《全球人工智能人才白皮书》指出，全球人工智能领域人才约30万，而市场需求在百万量级。全球每年毕业于AI领域的高校学生约2万人，远远不能满足市场对人才的需求。中共中央总书记习近平在主持人工智能发展现状和趋势举行第九次集体学习时强调：“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。”现阶段我国正大力发展人工智能技术，明确人工智能对劳动力就业结构的影响，将有助于促进其与我国经济社会发展融合，助推我国新一代人工智能技术健康发展。
MIT电气工程领域的研究对人工智能进行了较为全面的定义：人工智能是一个有机整体，是通过模型建立的关于思维、感知和行动的表达系统，以生成测试法为基本运行方式，这一系统存在一定的约束条件，并通过算法实现约束条件的作用(Finlayson et al.，2010)。近年来，以大数据、机器学习和深度学习等为代表的人工智能技术快速发展，并在生产和社会生活的各个领域广泛推广与应用，对劳动就业产生双重影响，一方面，劳动力就业机会被人工智能技术挤压，已在部分行业初见端倪，引起社会各界的广泛关注。技术进步引致失业的问题由来已久，但是随着技术进步的迅猛发展，人工智能技术应用在近些年取得突破性的进展，在机器人、人脸识别、指纹识别和智能搜索等领域的研究成果日臻成熟，加剧了学者对人工智能技术产业化发展而形成大规模失业的担忧。另一方面，人工智能技术的广泛应用，又会创造出新的就业岗位，对就业产生正向的创造效应，故人工智能技术对于就业的影响取决于替代效应与创造效应的动态变化。
人工智能技术作为技术进步的前沿代表，新兴技术对劳动的替代问题最早可追述到18世纪后期，工业自动化的发展促使经济学家开始关注技术进步对就业的破坏效应和创造效应，其中破坏效应强调新技术提高生产率从而降低了对劳动的需求，而创造效应更关注新技术使用产生的新岗位，及由产出增长带动上下游行业的劳动需求增长(Aghion & Howitt, 1994)。Griliches(1969)认为，技术进步对人力资本具有生产率效应，当内嵌新技术的设备被采用时，人力资本与设备结合后生产率具有显著的增长。Autor(2003)构建了机器设备和自动化技术对就业影响的静态模型，综合分析了机器设备对就业的替代效应和互补效应：计算机技术价格的普遍下降会使得该技术普及，对于程式化、机械化的生产任务，企业将增加计算机资本要素的投入，削减劳动力要素的投入，因而形成不完全的替代效应；对于非程式化的、复杂的生产任务，企业既增加计算机资本要素的投入也增加受高等教育劳动者的需求，因而形成互补效应。Benzell et al.(2015)在一个跨期迭代OLG模型中讨论机器人对劳动力替代的问题，其假设机器人能完全代替低技能劳动生产任务，只能部分替代高技能劳动工作，这将导致劳动收入被削减，进而在长期，资本、储蓄也会下降。通过构造一个全面而统一的分析框架，Acemoglu & Restrepo(2016)得出，虽然劳动被逐步替代，但随着技术发展，有新的就业岗位诞生，而劳动力在完成新任务时有比较优势，当这种比较优势足够强大时，就业和劳动份额就能在长期里保持稳定。我国对于技术进步与就业是替代或互补的研究以实证分析为主，前沿文献多数认为我国技术进步与劳动存在替代关系。姚战琪和夏杰长(2005)用各年劳动生产效率与资金产值效率的算术平均值表征综合技术水平，基于我国31个省区市截面数据分析了投资、人力资本、技术进步、城市化以及产业结构变化对就业的影响，实证结果显示，我国资本与劳动呈替代关系，技术进步会通过这种替代关系减少就业，政府应根据我国要素禀赋特点制定技术提升战略，减少技术进步对就业替代作用。唐国华(2011)运用结构VAR模型分析了我国1980-2007年技术创新与就业的动态关联机制。实证结果显示，技术创新与就业存在反向变动关系。在技术创新初期，其对就业增长的“破坏”效应最大，随着时间推移逐步减小，在长期技术创新将不会影响就业增长。巫强(2013)对我国上市公司的雇佣规模与技术进步以及工资波动的关系进行了实证检验，结果发现，技术进步和工资增长对企业的雇佣规模有显著的负向影响，对营业收入则有显著的正向影响。从企业所有制角度分析，技术进步对民营企业就业的影响更为显著，而国有企业就业规模受工资增长的影响更大。
由于以人工智能技术为代表的技术进步在不同产业中的使用存在差异，这种技术差异通过影响劳动生产率的方式产生了劳动力的产业流动，所以相关研究思路从关注技术与劳动在总量上的关系转变为分析技术进步在产业内和产业间通过产业结构和工资变化影响就业的传导机制。Autor & Dorn(2013)构建任务模型，对美国80年代后出现的就业和工资极化现象给出理论解释，模型认为极化现象源于消费者偏好多样化和机器人等自动化技术的应用。进一步利用美国1980-2005年就业和工资数据，应用空间面板模型验证了信息技术对劳动力向低技能服务业转移的促进作用。Acemoglu & Restrepo(2017)就美国工业机器人技术对就业结构的影响进行了实证检验，结果发现美国1993-2007年间，制造业工业机器人的使用显著抑制了产业内就业和工资，技术进步在制造业主要表现为破坏效应，根据估计结果，美国样本时间内因工业机器人的使用产生的失业至少为36万人次。Ampatzidis et al.(2017)认为，目前农业自动化程度已经很高，机器人可以在从农作物选择直至收获的全部过程中辅助人类生产，人工智能技术倾向于人机合作，提高人工生产率，其对农业劳动的替代效应并不明显。可能的原因是农业的机械化发展程度已经较高，劳动在生产中的占比较低，在向更高级的人工智能技术过度时，能够替代的生产环节较少，新技术更倾向于与劳动形成互补效应。Lele & Goswami(2017)在对印度农业“数字化”的研究中指出，农业技术进步未能对劳动形成显著的替代效应，更多是因为相关技术在传播中存在多种问题，农民技术进步意识不强，投资不足等因素制约了新技术的传播。齐建国(2002)用索洛余值表示广义的技术进步，发现其使我国边际就业弹性急剧下降，第二产业边际就业弹性急剧下降是总量边际就业弹性下降的根本原因。叶仁荪等(2008)基于我国1990-2005年省级面板数据，运用DEA方法测算了样本时间内我国各省全要素生产率，针对技术进步的就业效应进行了回归分析。实证结果显示，技术进步每提高1%，就业总量近似减少0.08%。技术进步在总体上推进了我国产业就业结构优化，且调整的趋势符合工业化演进路线。但现阶段技术进步对我国就业增长存在挤出效应。政府可以通过教育培训和鼓励科技创新等政策手段促进就业增长，控制技术进步的挤出效应。魏燕和龚新蜀(2012)认为技术进步与就业量总体正相关，产业结构升级与就业负相关，二者对就业的影响在我国存在明显的区域差异。杜传忠和许冰(2017)同样用全生产要素率来表示技术进步，引入技术进步和产业结构升级的交互项来表示技术进步通过产业结构对就业的间接影响，发现技术进步对就业有直接和间接的负向影响。
另有一些学者从微观就业岗位视角，直接分析易于被人工智能技术替代的岗位特征。Deming(2017)强调了社交能力在防止被计算机和自动化任务取代时起到的重要作用，其构建的理论模型关注社交能力在降低协调成本，以及工人专业化和贸易有效性上的提升。人工智能技术暂时难以完成与人类的社交活动，其就业的创造效应多体现在幼师、护士、健康顾问以及社会资讯类工作等职业，在改变劳动需求的同时促使劳动者加强对自身社交能力的提升。数据显示，1982-2012年，美国社交密集型工作增长了24%。美国劳工统计局的研究预测，未来新增就业将集中于服务行业，特别是医疗和社会援助行业(Trajtenberg，2018)。Frey & Osborne(2013)基于概率分类模型，对美国702种职业被计算机技术取代的潜在可能性进行了估计。其归纳出不易被替代的9个维度的职位特征，并基于这9个特征为所有职业受计算机技术的影响进行量化分析，结果显示美国47%的职业易于被计算机替代。David(2017)利用同样方法估计了日本职业的情况，其估计日本55%的职业将面临计算机技术较强的冲击。Oschinski & Wyonch(2017)更新了Frey & Osborne(2013)的计算方法，通过对职业技能特征赋以权重系数，估计加拿大未来受计算机技术影响较大的行业仅占1.7%，似乎短期内不存在大量技术失业的可能。Arntz et al.(2016)利用21个OECD国家的自动化与就业相关数据，同样认为Frey & Osborne(2013)对职业被替代可能性存在高估。
综上所述，国内外相关研究延续了“技术性失业”的传统思路，从不同角度对技术进步的就业破坏和创造进行了理论和实证研究，但针对我国的研究主要关注我国技术进步对就业作用方向的实证验证，缺乏针对最新人工智能技术影响我国就业的相关研究。另一方面，自动化和机器人技术广泛被应用于我国现代制造业中，人工智能技术作为自动化和机器人技术的延续，对我国制造业就业的影响需要进行理论和实证分析。在我国制造业就业持续萎缩，产出增长率下滑的背景下，能否通过人工智能技术的应用转变当前制造业发展态势是本文关注的重要问题。因此，本文基于技术进步与产业就业结构演进视角，以Acemoglu & Restrepo(2016)理论模型为基础，构建以制造业和服务业为代表的两部门模型，考察人工智能技术应用于制造业对于部门间劳动力流动以及产出增长的影响机制；利用我国28个省份2003-2016年宏观面板数据，实证检验人工智能技术对制造业就业占比的边际作用，利用面板门限回归方法分析人工智能技术对制造业就业影响的非线性特征。
二、两部门任务模型
(一)模型设定
假设代表性消费者的效用函数为CES形式：
(1)
其中Y2为制造业的产品①，Y3为服务业的产品，σ为两类产品的替代弹性系数，σ>0。制造业产品若干任务以CD生产函数形式生产:
(2)
其中i∈[N-1,N]为生产任务序号，y(i)为i任务的产品，N代表了任务的边界，任务的总量被控制为1。对于每个任务i，y(i)可以由劳动l2(i)单独生产或由机器k(i)和劳动同时生产，存在一个技术边界I：若i≤I，则任务i可以由智能机器生产，即任务i的生产要素可以选择智能机器或劳动；若i>I，则任务i不能由智能机器生产，生产要素只能选择劳动。
(3)
θl(i)与θk(i)分别代表了劳动与智能机器的生产率。其中dθl(i)/di>0，d[θl(i)/θk(i)]/di>0②，即劳动的生产率的绝对水平和相对水平均随着任务序数升高而提升③。
服务业产品仅使用劳动进行生产：
Y3=L3
(4)
L3为服务业使用的劳动力数量，制造业使用的劳动力总量用L2表示，L2+L3=1。智能机器设备由资本购买，社会总投资K外生且无弹性。
(二)经济均衡
根据代表性消费者效用函数(1)，有：
将制造业产品的价格单位化为1，由于服务业生产函数(4)，可知服务业产品价格P3=W，W为劳动工资。则有：
(5)
在制造业中，中间品生产企业根据劳动工资W与资本价格(利息率)R来进行生产决策，对于不能由人工智能技术生产的任务，企业只能选择雇佣劳动完成，而对于能够由人工智能技术生产的任务，企业将选择劳动和物化型技术中成本更小的方式生产。比较单位产品的生产成本有：
(6)
假设1：设要素价格W和R满足
(7)
(7)式中第一个不等号保证了机器在序数较低的任务中被使用，(7)式中第二个不等号保证了新任务出现(N增加)会增加总产出。
假设y(i)的价格为p(i)，则有：
(8)
则制造业产品生产厂商会选择合适的人工智能技术规模M和y(i)以达到利润最大化：
(9)
其中p(i)为y(i)的价格，对y(i)求导有：
结合(8)式有：
(10)
任务i的要素需求为：
根据上式加总可得制造业总要素需求为：
K=(I-N+1)Y2/R,L2=(N-I)Y2/W
(11)
则均衡工资和利息率为：
R=(I-N+1)Y2/K,W=(N-I)Y2/L2
(12)
下面求解制造业产品厂商生产函数形式，将(10)式带入(2)式有：
(13)
将(12)式带入，有：
进一步化简有：
(14)
根据(12)式和(5)式可得：
(15)
(15)式为劳动力市场均衡时，制造业和服务业劳动力分布结构。
(三)比较静态分析
下面考察人工智能技术边界I提高，即λ提升时，制造业产出以及产业劳动力流动情况。首先观察制造业人均产出受人工智能技术的边际影响：
(16)
进一步对(15)两边求导：
上式将人工智能技术对制造业劳动力的作用分解为生产率效应和替代效应，其中替代效应小于0，代表了人工智能技术对产业内劳动工作的替代。生产率效应的方向取决于产品替代弹性是否大于1，即制造业产品与服务业产品是替代还是互补关系。若两种产品是互补关系，σ<1，则生产率效应也小于0，人工智能技术对制造业劳动的作用方向为负；若两种产品是替代关系，σ>1，生产率效应为正，此时人工智能对制造业劳动的总效应取决于两种效应的强度。
结合(16)式有④：
推论：人工智能技术对产业劳动力结构的影响取决于制造业和服务业产品间替代弹性，以及人工智能技术对制造业生产率的提升幅度。若制造业和服务业产品呈互补关系，则人工智能技术能够推进劳动力从制造业向服务业流动。若两类产品呈替代关系，但人工智能技术对生产率的提升幅度较小时，其仍然会使得制造业劳动力流向服务业。若两类产品呈替代关系且人工智能技术能够较大幅度提高生产率时，其对制造业产出的提升产生了制造业内新的劳动需求，并且这种新的劳动需求大于人工智能技术本身对劳动力的替代，人工智能技术将会提升制造业就业需求。
三、人工智能技术对劳动力结构优化的实证检验
为刻画人工智能技术对制造业就业作用的非线性特征，我们在静态面板和动态面板数据回归的基础上，运用面板门限回归技术对计量模型进行参数估计。基于面板门限回归技术，可以得到样本区间内，人工智能技术因对生产率提升幅度差异形成对制造业劳动力就业的非一致性影响。
本节实证研究主要分为三部分：第一部分介绍模型主要变量来源与计算方法；第二部分利用传统OLS方法估计人工智能技术对制造业就业的平均影响；第三部分利用面板门限回归技术分析不同生产率增幅上人工智能技术边际效应的差异；第四部分进行模型稳健性检验。
(一)计量模型构建与变量说明
本节将对前述理论模型中，人工智能技术对劳动力产业结构的影响进行检验。考虑到产业劳动力水平可能存在路径依赖效应，本文在传统静态面板数据回归的基础上，引入被解释变量的滞后项，采用动态面板GMM方法进行回归分析，回归方程如下：
L2it=α0+α1AIit+α2techit+α4(D.techit*AIit)+βXit+ui+εit
L2it=α0+α1AIit+α2techit+α3L2i,t-1+α4(D.techit*AIit)+βXit+ui+εit
本节选取2003年至2016年我国28个省级面板数据，西藏自治区因相关数据缺失未被纳入样本，四川和重庆因2008年地震因素也未纳入样本中。相关数据来自《中国统计年鉴》及各省统计年鉴。
被解释变量为L3/L2，为第二产业与第三产业就业之比，代表劳动力结构。为与理论模型中人工智能技术使用λ和人工智能技术的生产率改进Δ对应，我们在实证模型中用AIit和techit作为核心解释变量分别对应λ和Δ。AIit为地区人工智能技术应用水平，由于人工智能相关技术缺乏宏观统计指标，参考Borland & Coelli(2017)的做法，用各省“信息传输、计算机服务和软件业全社会固定资产投资与生产总值的比值”来代表人工智能技术使用规模。techit为人工智能技术的生产率指标，参考资本体现式技术进步的思想，技术进步蕴含在资本品价格变化中。基于此，本文用各省各年度设备资本价格指数的倒数来表征资本体现式技术进步。D.techit为生产率的差分序列，代表人工智能技术的生产率改进。
Xit为模型控制变量，主要包括：(1)人均收入水平(pgdp)，前沿文献认为收入水平将直接影响产业发展，进而影响劳动力结构。(2)市场化程度(market)，市场化能够促进劳动力流动，优化劳动力结构，以《中国市场化指数》中我国省级市场化指数作为市场化程度指标。(3)出口(ex)，以净出口占总产出的比例衡量出口水平。(4)财政支出(gov)，以财政支出占总产出的比例衡量财政支出水平。(5)基础设施(str)，以铁路营业里程代表各省基础设施水平。(6)外商投资(fdi)，以地区固定资产投资中，外商直接投资除以地区生产总值代表外商投资水平。所有相关数据均以1978年为不变价进行平减，人均收入水平和基础设施做对数化处理。主要变量的描述性统计见表1。
由图1和图2可知，制造业就业与人工智能技术使用规模以及人工智能技术生产率均存在非线性关系。
表1 主要变量统计描述
图1 制造业就业与人工智能技术使用规模散点图 图2 制造业就业与人工智能技术生产率散点图
(二)人工智能技术对制造业就业的平均影响
为确定静态面板模型的具体形式，采用Hausman统计量对个体效应的函数形式进行检验，结果拒绝原假设，采用固定效应模型进行估计。同时，考虑到劳动力产业结构可能存在路径依赖特征，在静态面板模型基础上引入被解释变量的滞后项，工具变量选取为解释变量的滞后项，采用动态面板GMM估计方法进行估计。具体估计结果见表2。
表2 人工智能技术对制造业就业的平均影响
注：括号内为标准误，*p<0.05,**p<0.01,***p<0.001(下同)。
表2中，方程(1)-(3)为静态面板回归结果，方程(4)为动态面板回归结果，静态面板采用逐步回归的思想，在计量模型中逐步加入人工智能技术的生产率techit，以及生产率差分序列与人工智能使用规模的交互项D.techit*AIit，目的是验证人工智能技术使用规模及其生产率的提升幅度是否对劳动力结构存在影响。方程(1)的估计结果与理论模型结论相符，人工智能技术使用的系数显著为负，说明其对制造业就业存在抑制作用。方程(2)和方程(3)中，techit的系数均为负，但并不显著，说明人工智能技术生产率对制造业就业的直接作用有限。但方程(3)中，交互项系数显著为正，说明人工智能技术生产率的提升，会降低其使用规模对制造业就业的抑制作用，简单计算可知，当D.techit超过0.039时，人工智能技术使用规模将对制造业就业产生正向作用。在引入劳动力结构滞后变量的动态面板模型中，生产率差分序列与人工智能使用规模的交互项系数依然显著为正。上述结果证实了理论模型的推论，一般情况下人工智能技术的使用对制造业就业有“破坏”效应，但当人工智能技术的生产率提升幅度较大时，其对制造业就业的作用方向出现反转，对突破性人工智能技术的使用会促进制造业就业。
控制变量方面，人均收入与产业结构呈现明显的同向变动，人均收入越高，制造业就业占比越高。目前我国依然处于工业化进程中，消费者偏好仍以工业制造业产品为主，收入提升对制造业发展的需求效应更强。市场化水平的估计系数显示，市场化程度越高，劳动力越倾向于流出制造业。出口占比的系数为正，说明我国现阶段的出口贸易同样以制造业产品为主，出口贸易占比越多则对制造业的劳动力需求越大。而财政支出、基础设施建设以及外商直接投资对劳动力结构的作用并不明显。
(三)人工智能技术对制造业就业影响的门限效应分析
为考察在人工智能技术生产率不同提升幅度上，其使用规模对制造业就业的边际影响变化，采用面板门限回归模型对方程(2)进行重新估计，以人工智能技术的生产率的差分序列D.techit作为门限变量，分别假设门限值个数为1、2、3个，应用bootstrap方法检验，具体检验结果见表3，表4为门限回归结果。
表3 人工智能生产率门限检验结果
由表3可知，仅单门限模型通过了门限检验，人工智能技术的生产率增幅的门限值为0.0282。表4结果验证了理论模型的推论，当人工智能技术生产率增长较小时(小于门限值0.0282)，人工智能技术对制造业就业有明显的破坏作用。人工智能技术投入提升1%，将使得制造业就业占比下降0.124%。但当人工智能生产率增长大于门限值时，其对制造业就业的作用方向发生反转，正如理论模型估计，突破性的人工智能技术使其在制造业内部的生产率效应大于替代效应，此时人工智能技术使用将有利于制造业就业增长，人工智能技术投入提升1%，将使得制造业就业占比提升0.179%。控制变量系数估计结果与表2基本相同。
表4 人工智能技术对制造业就业影响的门限回归结果
门限模型(5)AI(D.tech <0.0282)-0.124∗∗(0.0564)AI(D.tech >0.0282)0.179∗(0.100)tech-0.101(0.0649)pgdp0.0378∗∗∗(0.00545)market-0.00513∗∗∗(0.00150)ex0.0170∗∗∗(0.00363)gov-0.161(0.315)str0.0139(0.00894)fdi-0.0145(0.0154)常数项0.408∗∗∗(0.0693)N364R20.306F121.75
(四)模型稳健性检验
方程(1)-(5)估计结果支持了理论模型的基本结论，人工智能技术的渐进式提升在制造业中会替代劳动力，促使劳动力由制造业向服务业转移；突破性人工智能技术会通过生产率效应使劳动力回流向制造业。然而，上述估计结果可能会受到人工智能技术生产率指标选择的影响，我们有必要重新选择人工智能技术的指标以验证模型的稳健性。表5为使用“消费品价格指数除以设备资本价格指数”作为人工智能技术生产率指标对方程(2)-(5)的重新估计。表5结果与表2和表3类似，人工智能技术对劳动力结构的影响依赖于其生产率增长水平，生产率增长较小时会破坏制造业就业，而生产率增长幅度较大时会促进制造业就业。值得注意的是，当生产率增长处于第三门限区间时，人工智能技术对制造业就业不具有显著影响。这可能是因为，带来如此大的生产率提升的技术进步可能是更广义的技术突破，其影响并不仅限于制造业，服务业可能同样会发生生产率的提升，这种普遍性的技术进步对劳动力结构可能没有影响。
表5 人工智能技术对制造业就业影响稳健性回归结果
模型静态面板(2′)静态面板(3′)动态面板(4′)门限回归(5′)L.(L3/L2)0.579∗∗∗(0.0327)AI-0.103∗-0.127∗∗-0.214∗∗∗(0.0599)(0.0629)(0.0569)AI(D.tech <-0.111∗∗0.0676)(0.0560)AI(0.0676
表6 人工智能技术对制造业就业影响稳健性回归门限检验
四、基本结论
近年来人工智能技术发展迅速，传统观点认为机器对劳动的替代仅限于机械性的常规任务岗位，其必然会引起制造业就业下滑。然而人工智能技术在替代劳动的同时也提升了制造业产出，考虑到劳动需求结构会随产出而发生变化，人工智能技术对制造业就业的作用方向存在不确定性。本文构建两部门任务模型，理论演绎人工智能技术对就业的影响机制，分析人工智能技术使用规模和生产效率对劳动力结构的作用方向，并结合我国省级数据，利用面板门限回归技术进行了实证检验。本文的基本结论包括：(1)人工智能技术对劳动力结构的作用方向取决于制造业和服务业产品间替代弹性，以及人工智能技术对制造业生产率的提升幅度。当制造业和服务业产品呈互补关系、两类产品为替代关系，但人工智能技术对生产率的提升幅度较小时，其将促进劳动力由制造业向服务业流动；若人工智能技术发生重大突破，其对生产率的改进幅度很大，此时制造业产出增加对劳动力的需求效应大于人工智能技术的替代效应，人工智能技术将会提升制造业就业。(2)基于我国28个省份2003-2016年的面板数据回归结果显示，人工智能技术的使用显著降低了制造业的劳动力占比。人工智能技术的使用提高1%，将使得制造业就业占比下降0.142%。但当人工智能技术生产率增长幅度超过0.039时，人工智能技术对制造业就业的作用方向由负转正，人工智能技术的使用将会促进制造业就业提升。(3)面板门限回归结果显示，人工智能技术对制造业就业的作用存在明显的门限特征，当人工智能技术生产率增长幅度不足0.0282时，人工智能技术使用提升1%将减少制造业就业占比0.124%；反之，当人工智能技术生产率增长幅度超过门限值时，人工智能技术使用提升1%将增加制造业就业占比0.179%。本文的理论和实证研究为我国人工智能技术在制造业中的应用及其对就业结构的影响提供了有益的启示：虽然目前我国智能技术对制造业就业存在挤出效应，但随着人工智能技术水平的提升，这种挤出效应会越来越弱。我国应持续加大对人工智能技术的研发力度，并促进重大技术在制造业上的应用转化，以人工智能技术本身的重大突破促进制造业劳动力回流。另外随着新技术的应用，在产业内和产业间形成的技术性失业现象必然有所增加，政府应重视劳动力再就业的相关政策，以确保就业稳定。
注释：
① 模型中对于制造业和服务业的划分，主要是基于是否使用机器人进行生产。服务业产品只能由劳动生产，制造业的产品可以由机器设备进行生产。
② 可以认为任务排列是依据劳动生产率从低到高。
③ 这保证了劳动在序数较高的任务上具有比较优势。
④ 具体推导过程可向作者索要。
