人工智能技术对我国制造业就业的替代效应

杨 慧，吴淑梅

(皖江工学院，安徽 马鞍山 243000)

人工智能(Artificial Intelligence，缩写为AI)是对所有智能的模拟和应用的一门新的技术科学。该领域的研究包括计算机视觉、语言识别与生成、机器学习、自然语言理解与交流和专家系统等。人工智能作为一种全新的技术进步，是新工业革命的标志，将对经济、社会、国防等多个领域带来深远影响。

随着中国制造2025、工业4.0等概念的提出，中国从制造大国迈向制造强国的道路上，AI与制造业的结合是至关重要的一步。在国际挑战中，可以视为一个重要的超车机遇。制造业与AI的融合在实现智能化生产模式的过程中的角色，变得愈发不可替代。近年来，随着人工智能的发展，在生产中大量可编程性较高、重复性、规则性的劳动被解放出来。尤其是在中国的制造业中，由于传统的产业驱动，低技术含量的劳动逐渐将被人工智能替代。

人工智能技术作为一种技术进步，虽然对社会经济发展带来新的机遇，但是也带来失业问题。从全球范围来看，人工智能技术的应用对劳动就业产生了影响。谢璐指出新技术的应用对劳动就业具有多重的影响。一方面，人工智能技术的进步提高了劳动生产率，就业岗位逐渐被人工智能技术挤压，造成技术性失业问题。另一方面，人工智能技术对就业又有创造效应[1]。

一、文献综述及研究假设

人工智能技术究竟会对劳动就业产生怎样的影响，学术界存在不同的观点。人工智能对就业既有替代效应，消灭就业岗位，也有创造效应，使就业增加。

(一)人工智能对就业的替代效应

新技术对劳动的替代问题可追溯到第一次工业革命。人工智能的蓬勃发展虽然对社会经济有着巨大的促进作用，但是也引发了人们对新一轮失业问题的担忧，导致对“机器换人”的焦虑。无疑，技术的进步由于降低了劳动强度，提高了劳动生产率，进而产生了就业的替代效应。

KAPALAN J指出人工智能技术的发展会导致非常多的岗位逐渐被人工智能机器替代[2]。Frey和Osborne基于概率模型，研究了计算机技术对全美702种职业取代的风险。预测其中有47%的劳动岗位被列为 “高风险”职业，其中包括服务人员、文员、以及绝大多数生产性工人。之后，其他国家的学者也利用同样的定量分析的方法对不同国家的职业做了预测[3]。其中，David研究发现，在日本大约55%的劳动岗位被替代的风险很高[4]。2018年世界经济论坛年会发布的调查报告指出，全球7500万个工作岗位将受到人工智能的替代。

(二)人工智能对就业的创造效应

人工智能技术的应用在替代就业岗位的同时，也表现出一定的创造效应。Autor等认为人工智能取代的是机械的程式化的生产任务，但是对复杂的非程式化任务，在增加智能投入的同时也增加对高智能劳动力的需求，进而产生创造效应[5]。Bessen通过实证研究表明人工智能技术虽然消灭了部分就业岗位，但促进了一些工作任务结构化程度低的岗位的增加[6]。Acemoglu和Restrepo指出，新技术在消灭某些就业岗位的同时，也会创造出新的工作任务，创造出新就业岗位[7]。Trajtenberg指出，人工智能技术会创造大量的新岗位，一方面，是以人工智能为核心的新工作岗位的出现。另一方面，人工智能的发展和应用也需要更多的专业技术人员。特别是人工智能技术的研发设计、使用、维护等领域会创造出新的工作岗位需求[8]。谢璐指出，长期趋势看，随着人工智能技术的成熟化，其替代效应会与生产效率抵消，对就业的创造效应会逐渐发挥作用[1]。

(三)人工智能对制造业的影响

Acemoglu & Restrepo在实证研究中发现，美国在1993年-2007年间，工业机器人在制造业的使用密度与制造业的就业与制造业工人的工资水平均呈现明显的负相关。工业机器人的使用密度越高，制造业的工人就业率与工资水平就越低，技术进步在制造业的替代效应明显高于创造效应。并依据数据推断，在20世纪初，美国因工业机器人的使用造成的制造业失业人数高达36万人[7]。闫雪凌等使用制造业分行业数据研究后发现，工业机器人的使用对制造业的就业岗位数量存在明显的负向作用[9]。蔡啸等的研究认为人工智能技术的使用抑制了制造业的就业，对低技能就业的挤出效应明显。但是研究同时指出人工智能对制造业就业存在门限特征[10]。说明了人工智能对制造业就业的替代效应会随技术水平的提升而减弱。

中国社会科学院工业经济研究所研究编制的《“人工智能+制造”产业发展研究报告》认为[11]，人工智能和制造的融合，本质上追求的“人机协同”，而不是“机器替代人”。这和工业革命后的机器自动化生产有着本质的不同。而“人工智能+制造”追求的是机器的柔性生产，强调机器能够自主反馈和调整。

综上所述，近年来国内外学者对人工智能对就业的影响相关研究已经有了规模。但是,就国内来看，目前的研究多集中在人工智能对国内劳动力规模总体变化的影响,更多是宏观层面的趋势预测，缺少人工智能对于产业、行业以及岗位具体影响的实证研究，缺少对企业层面的微观研究。本文以汽车行业为例,研究人工智能应用对汽车行业的就业影响,并利用实证研究检验人工智能技术的应用对汽车行业的就业数量和结构产生的影响。本文用倍差法模型研究就业问题的思路，从企业层面上验证人工智能技术对汽车制造业中的生产性员工的就业比重的影响。并提出本文的假说设定:人工智能技术的使用对我国汽车制造的就业影响总体上呈现岗位替代效应。本文将使用我国汽车行业人工智能技术应用的相关数据(包括汽车零配件行业)，实证研究人工智能技术对制造业就业产生的影响。

二、模型、变量与数据

(一)模型设定

研究采用政策评估中常用的倍差法(Difference-In-Difference,DID)探究人工智能应用技术对生产性员工就业数量的影响。倍差法是政策效应评估方法中的一大利器，能够避免政策变量存在的内生性问题。其基本形式为:

yit=α+β1du+β2dt+β3du×dt+εit

(Ⅰ)

其中，dt为政策实施虚拟变量(dt=0则为政策实施前，dt=1为政策实施后)，其刻画了政策实施前后存在的固有时间趋势;du为分组虚拟变量(du=1,个体属于实验组;du=0，则个体属于控制组)，表述了实验组和对照组所存在的固有差异;du×dt为分组虚拟变量与政策实施变量的交互项，其系数β3反映了政策实施的净效应，即实验组的政策效应;εit为随机扰动项。

为了准确估计人工智能技术对就业带来的影响效果，本研究将人工智能的应用视同准自然实验，选取215家汽车企业作为研究样本，根据企业是否属于人工智能技术的企业分为实验组和对照组。本文构建以下实证模型，考察人工智能AI对生产性员工的就业数量的影响。

Eit=α+β1AIi+β2YEARit+β3AIi×YEARit+μi+λi+yXit+εit

(Ⅱ)

其中，下标it分别代表个体企业和年份。i为具体企业，t为时间。α代表常数项。Eit代表企业生产性员工的比重，即本文的被解释变量。AIi表示政策虚拟变量即人工智能虚拟变量。以该企业是否为人工智能应用的企业分别取值为1和0，分别代表实验组和控制组。YEARit为时间虚拟变量，采用人工智能之前为0，以后为1。交互项AIi×YEARit是本文的重点关注变量，其系数β3代表了人工智能技术的实施效应。如果β3为负值且显著则表示人工智能技术的应用对生产性员工产生了替代效应。为了保证回归方程具有更好的稳健性，本文选取了影响的相关变量作为控制变量，yXit为控制变量。λi为个体虚拟变量，用来控制各个企业不随时间变化的个体特征;μi为时间固定效应;εit为随机扰动项。

(二)变量

本文设计的变量包括:

1.被解释变量:用生产性员工的数量Eit的变化来刻画汽车制造业就业所受到的影响。

2.核心解释变量:采用虚拟变量来表示企业是否已经属于使用人工智能AI的范围。鉴于汽车制造业的自动化以及工业机器人采用的程度较高，所以本文放弃单纯用工业机器人的数量来衡量人工智能应用的方法。2015年5月，《中国制造2025》中首次提及智能制造。因此，本文将2015设为初始年份，把人工智能定义为“人工智能+制造”。将人工智能技术应用到制造业，并嵌入生产流程中，使得机器在数字化和网络化的基础上实现自主生产的过程定义为人工智能这个核心解释变量。因此本文讨论的人工智能包括计算机视觉、大数据分析、机器人、语音识别与自然语言处理、AR/VR、云计算等与生产过程的融合。例如大数据分析技术在汽车制造业的体现，生产人员在利用大数据分析后，可以预测生产线的状态。预先设置设备维护的时间，避免生产过程中因故障问题影响生产。自然语言处理(NLP)是让系统对人类的语言表达能够理解的核心技术，在相关的文件处理、售后服务以及汽车的交互功能中广泛应用。AR/VR增强现实与虚拟现实是基于虚拟和现实环境，通过虚拟场景的设置，为产品和设计与研发、产品的智能升级提供支持，从而推动整个产业的转型升级。例如:宝沃汽车集团按照德国工业4.0标准开始建设柔性智能工厂。宝马汽车利用人工智能优化汽车冲压过程。

3.控制变量：为了保证更好的稳健性，本文通过在实证模型中加入以下变量作为控制变量:(1)资本深化度(CD)，资本存量与劳动力的比重，较高的资本深化度表示企业有较高的劳动生产率。(2)研发投入(RD)，企业内部研发投入衡量，会影响人工智能技术应用的深度和广度;(3)盈利能力(Prof)，用企业年利润总额衡量，盈利能力越强对劳动力的吸引力就越强；(4)企业规模(Size)，用企业的总资产规模，一般来说，企业规模与其对劳动力的需求成正比;(5)企业年龄(Age) 。

(三) 数据来源

本文和数据资料来源于两个部分。初始样本使用数据为沪深两市和新三板全部汽车制造业，其中包括整车制造和汽车零部件企业，数据跨度2014-2019。企业员工和其他指标数据均来自Wind经济金融数据库。部分缺失数据通过插值法进行补齐。二是对以上企业的定性调查。主要解决本文核心解释变量的数据问题。变量的描述性统计见表1。

表1 变量描述性统计

三、实证结果及分析

(一)基准模型回归估计结果

为了验证人工智能技术的运用对生产性员工就业的影响情况，文章用了双重倍差法进行实证检验。实证研究的分析结果见表2。

表2 基准回归结果

首先，列(1)是控制了人工智能技术的应用和实施时间虚拟变量的交互项AIi×YEARit，未控制其他变量。列(2)则在列(1)基础上控制时间效应和个体效应后的评估结果。列(3)是控制了资本深化度(CD)、盈利能力(Prof)、研发投入(RD)、企业规模(Size) 、企业年龄(Age) 等一系列变量。列(4)在列(3)的基础上控制了时间效应和个体效应。

列(1)至列(4)中其AIi×YEARit的系数均为负值，并且通过了1%水平下的检验。其中，列(4)为模型中的主效应模型回归结果，表明人工智能技术的应用和政策实施时间虚拟变量的交互项AIi×YEARit对生产性员工的就业具有显著的负向影响，其显著性水平高达1%，两者间相关性系数为 0.076。这表明人工智能技术的使用对制造业生产性员工数量总体呈现替代效应，从而验证了本文的研究假设。列(3)和列(4)中，企业规模和资本深化度的影响系数显著为正，由此可见，规模越大的企业会提供越多的就业机会。研发强度，技术投入越多，生产性员工就业比重就越少。企业年龄对生产性员工的影响并不明显。考虑到就业数量存在动态调整，人工智能与制造业融合是一个循序渐进的过程，人工智能使用对就业的影响具有时滞性。

(二)动态异质性检验

随着人工智能与企业制造进一步深化是否会对生产性员工的替代产生不同的趋势性影响，本文进一步构建了模型(Ⅲ)来考察动态影响及变化趋势。

(Ⅲ)

经验证，人工智能技术应用的第1年的替代效应为-2.134且通过1%水平的显著性检验。在其后的第2年、第3年、第4年、第5年中，替代效应均在1%水平上显著，且效应系数分别为-2.256、-2.311、-2.751、-2.896呈现出明显的上升趋势。在加入控制变量进行回归时，存在同样的变化趋势。这充分说明，在样本考察期内，人工智能对生产性员工的替代效应幅度呈稳步的上升趋势。

(三)不同企业类型下人工智能对就业的影响

为验证不同企业类型下人工智能对就业差异性影响问题，本文将研究样本细分为整车制造和汽车零部件分别检验。相关实证检验显示，AIi×YEARit的系数显著为负，且均在5%的水平下显著。但相较而言，人工智能对汽车零部件行业的替代效应更为显著，影响系数为-0.089，而对整车企业的影响系数-0.023。这主要归因于汽车零部件企业相对与整车企业人工智能的与制造环节的融合更晚，近期政策实施后的替代效应更为显著。

(四)稳健性实验

上述实证分析检验了人工智能对生产性员工就业影响的效果，结果表明，人工智能的应用对生产性员工的就业岗位有替代效应。本文进行以下稳健性检验。一是替换被解释变量进行稳健性检验。参考谢萌萌等的做法，将被解释变量指标换成受教育程度(高中以下受教育程度的员工)进行稳健性检验，结果数据中AIi×YEARit的系数均为负值，1%的水平下显著，说明结果具有稳定性。二是通过更改样本数据的方法。本文在沪深两市和新三板企业的数据之外，增加了非上市汽车制造行业的相关数据后对模型重新估算，AIi×YEARit系数显著为负。综合上述检验成果可知，人工智能的应用对生产性员工的就业岗位有稳健的替代效应。

四、结论和建议

人工智能技术作为一种技术进步，虽然对社会经济发展带来新的机遇，但是也带来失业问题。本文使用了我国2015-2019年汽车行业数据，将人工智能技术的应用作为准自然实验，运用双重倍差法进行实证研究后发现，人工智能技术的使用对样本期内我国汽车行业生产性员工的数量产生了明显的负向影响，其中对汽车零部件行业的就业影响更为显著。从事生产岗位的员工面临较大的岗位淘汰的风险。与历史上历次技术革命带来的影响类似，人工智能会给制造业的常规性岗位带来比较大的冲击，会带来技术性的失业。但是长期来看人工智能是必然的趋势。人工智能的发展会带来生产率的提高，同时人工智能的使用会派生出新的就业岗位，吸纳新的就业者，对社会发展有极大的促进作用。综上所述，本文政策建议为，第一，加强对中低技能劳动者的职业技能培训，加大培训力度，提高劳动者适应新技术的劳动技能，消弱人工智能技术的就业替代效应。第二，建立健全以社会保障为核心的劳动者保护体制。完善就业补助机制，对失业人员的自主创业给与政策和技术上的扶持。避免由失业可能引发的社会风险和社会问题。