技术与技能：产业智能化对员工技能培训的提升效应

□张双志

一、引言

技术进步对劳动力市场的变革影响是双重的，即除了在传统领域发生“机器换人”现象以外，还会在新兴领域产生新的工作岗位，工作岗位的数量变化是一个动态的增减过程。一般而言，中国自1978 年改革开放以来发生的技术进步大多属于技能偏向型，即技术对与之合作的产业工人的劳动技能要求越来越高，而对产业工人的数量需求规模却越来越小。埃森哲的调查报告显示：人工智能在与产业融合发展的过程中，虽然会在某些传统产业领域发生失业现象，但此规模是在经济社会发展的整体可承受能力范围之内。新一轮技术进步更偏向于中高端技能，认为技能在促进技术扩散的过程中有助于提升劳动生产率。这说明技术进步不会自动提升产业生产率，在此过程中需要劳动者技能在其中承担起一个中介转化的作用。换言之，人工智能融入产业发展不仅仅是导致工作岗位数量的简单增减，更重要的是人工智能会引发工作任务组成要素的剧烈变革，而工作岗位数量是依据工作任务的变化而发生变化的。因此，企业需要培育鼓励员工自觉进行终身学习的职场文化，以适应不断被技术变革的工作任务，从而在智能增强型工作场景中提升企业的竞争力。

二战后德国和日本的工业复兴史都表明：调动企业投资员工技能培训以充分开发人力资源对于促进经济社会的快速发展至关重要。员工技能培训作为德国中小型企业形成技术创新能力的主要措施，在非正式学习中整合、吸收和利用知识，从而塑造组织吸收能力以提升企业的竞争力。以全球利基市场上大量存在的德系“隐形冠军”企业为例，发现企业的发展优势并非只源于从“0”到“1”的产品创新，而由产业工人高超劳动技能所带来的工艺流程创新也能塑造企业的竞争力。换言之，德国中小型企业紧紧依靠产业工人的技能实现累积型创新，专注于全球产业价值链上的某一环节，力争把企业打造成为该环节不可替代的产品提供商，从而形成企业在全球市场的竞争优势。那么，在众多影响企业投资员工技能培训的因素中，技术进步是广受关注的焦点之一。人工智能在与产业的融合发展过程中会对员工技能培训带来什么样的影响，需要在经验层面得到系统性研究，以期为劳动技能的塑造提供经验证据支撑。鉴于此，本文采用网络爬虫技术所形成的2001-2019 年中国制造业上市公司数据，在“人机共生”机制视角下对产业智能化与员工技能培训展开一系列实证研究。

二、文献综述

信息技术与产业的融合发展研究一直是学术界关注的重点议题。20 世纪90 年代中后期以来，随着半导体、通信技术设备、计算机硬件及软件等价格的下降，信息技术的产业融合越来越普遍，相关研究也逐渐完善和丰富。早期文献围绕信息技术与产业融合的内涵、结构及经济效益展开研究，特别是产业自动化与经济增长的研究奠定了后来人工智能与经济学研究的理论基础。随着互联网、大数据、云计算、人工智能等新一代信息技术的商业化应用蓬勃发展，信息技术与产业融合发展的内涵与形态也越加丰富，“互联网+”“大数据+”“智能+”等概念不断推陈出新。整体来说，此阶段的研究拓展了早期文献，探讨不同类型信息技术与产业（制造业、服务业）以及与价值链（研发、生产、营销）融合所产生的一系列经济效益（生产率提升、创新变革、产业发展），这一系列的研究主题也延伸到后续的人工智能研究领域。

在新一轮技术变革中，人工智能被视为互联网、大数据、云计算等信息技术的集大成者。从1956 年达特茅斯会议后，人工智能在60 多年的发展历程中经历了三次发展热潮。2016 年谷歌公司的围棋机器人（AlphaGo）相继击败李世石、柯洁后，其背后的工作原理“深度学习”（Deep Learning）算法也引发了全球的持续性高度关注。大数据、算法等人工智能的组成要素，开始深入嵌入经济社会的发展进程，这除了对经济学的研究范式产生深刻的影响外，也对劳动技能需求结构开始产生复杂的不确定性影响。但当前人工智能融入产业的发展对工作岗位数量变化的预测并没有达成统一共识，有的研究认为工作岗位可能会被自动化的生产机器取代，从而发生大规模的“机器换人”现象；也有文献认为人工智能的技术浪潮可能会在替换旧的工作岗位的同时创造更多的新兴工作岗位，只是这些新兴的工作岗位对劳动技能的要求更高。

人工智能与产业融合发展拓展员工的工作能力，反过来，员工技能素质也将不断优化人工智能的技术性能。人机协作也成为产业智能化背景下出现的一种新型工作方式，明显区别于自动化生产环境下的“机器换人”。产业智能化直接变革了劳动技能的需求结构，未来劳动力就业和技能需求的空间分布将很大程度上取决于产业智能化所触发的新兴产业分布格局，劳动力市场的高技能岗位供需关系也越发紧张。为了缓解技能供需之间的矛盾，劳动者要么选择全日制的学校进行制度化学习，要么选择非全日制的工作场所零工学习。那么，企业在推动生产智能化的过程中倾向于采用何种技能解决方式，现有的相关实证研究较为困乏。鉴于此，一方面本文以企业职工教育培训经费为切入口，探讨产业智能化对员工技能培训的影响效应，另一方面从“智能”“云”“数据”“物联”“机器学习”维度对人工智能技术进行分解，从而更有针对性地探讨技术异质性背景下的产业智能化对技能变化的差异影响。

三、理论分析与研究假设

（一）理论分析

已有文献对产业智能化与劳动力市场的关系尚无定论，人工智能将劳动者从烦琐、危险、脏乱差的工作环境中解脱出来，让劳动者有更多的闲暇时间进行创造性、情感性的工作，这一方面可能会容易导致被代码替换的中等技能劳动者面临大面积的失业，另一方面也可能会促使更多的劳动者主动进行 “再技能化”学习以应对工作任务的不确定性变革。换言之，人工智能与产业的融合发展对就业是产生“替代效应”，还是带来“扩张效应”，对此展开大规模的实证研究才能有所回答。其实，劳动力市场的波动只是暂时性的结构转型现象，而关键问题应该是人工智能在与产业融合发展的过程中真正影响的是工作的具体任务，而非工作岗位数量的变化。机器人在生产车间的运用将承担起大量常规性任务，从而将员工从烦琐的程序性任务中解放出来，有助于其将自身精力集中转向基于项目的工作任务。产业智能化绝非是生产车间技术理性化的加强版，而是将产业工人从生产系统的边缘重新请回中心，在推进劳动技能掌控生产技术的过程中创造更大的经济绩效。那么，基于“人机共生”机制对产业智能化与员工技能培训展开学理考察，发现两者关系在本质上遵循的是“技术—技能”的协同演进逻辑，生产系统的智能化转型对员工产生再技能化的需求。

（二）研究假设

贝克尔作为人力资本研究的先驱，对专用性技能和通用性技能展开了区分研究，但其关于完全竞争劳动力市场的假设过于完美，甚至认为企业不会投资通用性技能培训，这与实际情况并不相符合。阿西莫格鲁则基于不完全竞争劳动力市场假设，创新性提出“工资挤压效应”理论对企业投资通用性技能培训的选择进行了系统性研究。那么，在人工智能与产业融合发展的背景下，企业在加快从研发投入到商业化生产转化的进程中，就需要一大批技术技能人才来提高先进技术和高端设备的生产能力，从而顺利获取技术创新的经济效益。因此，企业投资员工技能培训既是维持竞争优势的基础资源，也是增强市场竞争力的重要途径。无论是对员工进行通用性技能培训还是专用性技能培训，都只是企业塑造人力资本的一种方式，受到“成本—收益”机制的深刻影响。企业对员工技能培训的投资应考虑人力资本的增加值或者是人力资本投资的回报率，服务于企业差异化的人力资源管理战略。当然，员工技能培训经费支出作为构成企业“人力资本炼金术”配方的主要成分，不能单纯地在多花钱还是少花钱之间来回摇摆，而应该关注于如何有针对性地合理分配这些培训经费，使得人力资本投资能够高比例地为企业战略性人才赋能。有鉴于此，从技能需求提高的角度来看，本文认为产业智能化能够提升企业对员工技能培训的投资力度。

四、研究设计

（一）模型设定

为检验产业智能化对员工技能培训的提升效应，本文构建了如下所示的模型：

其中，i 代表制造业二位码产业；t 表示年份；OJT 是被解释变量，表示产业的员工技能培训强度；AI 是解释变量，表示产业的智能化水平；Ctr 表示控制变量，用以缓解遗漏重要解释变量所带来的内生性问题；ω表示行业固定效应；μ表示时间固定效应；ε是随机误差项。

采用普通最小二乘法（OLS 模型）对公式（1）所示的计量模型进行估计。β是重点关注的回归系数，如果该回归系数显著为正，则说明产业智能化提升了员工技能培训的强度。β数值的大小在一定程度上代表了产业智能化对员工技能培训的提升效应，如果产业的智能化水平提高一个百分点，则意味着员工技能培训的强度将上升β%。

（二）变量测度

1.产业智能化

现有关于产业智能化的研究主要采用工业机器人使用密度（每千名就业人员操作的工业机器人数量）作为产业智能化的代理指标，这一度量方式的主要不足之处在于不能包括所有与人工智能相关的产品，因为机器人仅是人工智能的一个应用维度，也不能衡量服务业的智能化程度。在借鉴现有文献对产业智能化度量思路的基础上，本文采用一个产业内使用了与人工智能相关的技术或产品的企业数量占比作为产业智能化的度量指标。如果一个产业内使用了与人工智能相关的技术或产品的企业数量越多，说明人工智能与该产业的融合程度就越高。鉴于此，产业智能化的具体度量指标可表述为：

AI 表示t 年i 产业的智能化水平，Firm_AI 表示t 年i 产业内使用了与人工智能相关的技术或产品的企业数，Firm 表示t 年i 产业内的企业总数。使用人工智能技术或产品的企业占比越高，说明该产业的智能化水平就越高。本文采用Python 第三方Pandas 库函数Contains 在企查查全样本数据库中对“企业名称”和“经营范围”进行关键词模糊搜索，从而获得与人工智能技术相关的企业。如果其包含了“智能”“云”“数据”“物联”以及“机器学习”关键词，就可认为该企业使用了与人工智能相关的技术或产品。

2.员工技能培训

在考虑了企业有意通过计提职工教育培训经费来逃避税负以及职工教育培训经费的绝对数值历时性变化的问题后，职工教育培训经费仍然是当前能有效反映企业投资员工技能培训真实情况的代理指标。鉴于此，采用产业内企业职工教育培训经费的平均值来度量员工技能培训，计算公式如下所示：

OJT 表示t 年i 产业的员工技能培训水平，exp 表示t 年i 产业f 企业的职工教育培训经费支出，n 表示t年i 产业内的企业总数。该指标值越大，说明产业内的企业就越倾向于开展员工技能培训。

参考现有文献的通常做法，并结合本文的研究问题，选取产业规模、产业规模的平方、民营企业占比、市场进入率、出口交货值占比作为控制变量。综上所述，公式（1）所涉及变量的名称、代码以及定义如表1 所示。

表1 变量设定及具体释义

（三）数据说明

首先，产业智能化的数据来自企查查数据库。截至2020 年，企查查汇集了8000 多万家企业的名称、官网、地址、高管信息、品牌产品、业务范围、经营状况、对外投资、发展历史等信息，为识别应用人工智能技术或产品的企业提供了坚实的数据基础。其次，员工技能培训的数据来自上海证券交易所和深圳证券交易所的上市企业财务报表，通过手工整理出企业对职工教育培训的经费支出，并将其汇总至产业层面，再除以该产业内的企业数量，从而获得产业内企业平均职工教育培训经费的支出，以此来代理员工技能培训变量。最后，控制变量的数据来自《中国科技统计年鉴-2020》和国家统计局网站的国家数据资料库。考虑到数据的可及性，本文将研究的时间范围限定为2001-2019 年。

五、实证结果

（一）产业智能化对员工技能培训的提升效应

表2 采用逐步回归的方式汇报产业智能化对员工技能培训的影响效应，第（1）列报告了产业智能化的回归系数在1%的显著性检验水平上为0.1587，即产业智能化的水平提高1 个百分点，则意味着企业投资员工技能培训的经费支出也将相应提升0.1587%，但这回归结果在统计学意义上的可信度并不高，因其拟合优度仅为0.1726。为了获取更为稳健的回归结果，第（2）列加入了时间固定效应和产业固定效应，产业智能化的回归系数在1%的显著性检验水平上为0.0514，即产业智能化的水平提高1 个百分点，则意味着企业投资员工技能培训的经费支出也将相应提升0.0514%，拟合优度也大幅升至0.6544。进一步，第（3）列在回归过程中加入了控制变量，产业智能化的回归系数在1%的显著性检验水平上为0.0735，即产业智能化的水平提高一个百分点，则意味着企业投资员工技能培训的经费支出也将相应提升0.0735%。虽然，这与第（2）列的回归结果在数值方面并没有明显差异，但拟合优度却从0.6544 大幅上升至0.8783，说明在添加了控制变量之后，产业智能化对员工技能培训的回归系数具有更强的解释力。逐步回归方式已比较好地说明在人工智能融入产业发展的过程中，企业倾向于增加职工培训经费，通过非正式的工作场所零工学习塑造员工技能，进而在人机协作中实现劳动生产率的大幅提升。

一般而言，正规教育是形成劳动技能的主要渠道，但随着技术迭代创新周期的不断收窄，仅仅依靠此方式获取知识显然不足以应对经济社会的快节奏发展。由此，终身学习理念随之得到社会各界的空前重视，强调非正规教育和非正式学习途径所获取的知识对于人力资本的形成具有重要价值。那么，员工技能培训作为塑造产业工人人力资本的内部形成方式，是决定企业技术创新成功与否的重要因素。相较“外引”而言，作为“内训”主要载体的员工技能培训对企业创新能力的塑造更具有现实价值。由表2 的基本回归结果可知，在推动产业智能化的进程中员工技能培训经费的支出也在不断增长，即产业智能化与员工技能培训之间存在线性上升的趋势。罗伯特·索洛提出的新古典增长模型认为资本和技术是构成生产函数的主要元素，即资本与技术之间存在极强的互补性。在某种程度上来说，技术进步源于资本通过大量研发创新的投资来制造先进的设备机器和生产线，以期在节约劳动力的同时提升劳动生产率和产品质量。简言之，产业智能化的技能偏向性往往也是资本偏向性，“成本—收益”机制深刻影响了产业智能化过程中企业对员工技能培训的投资行为。

表2 产业智能化与员工技能培训的基本回归

（二）内生性问题处理

计量经济学针对可能存在的内生性问题有很多解决方案，其中较为常用的就是寻找与解释变量（产业智能化）相关但不受被解释变量（员工技能培训）影响的变量作为工具变量（IV）。当然，使用此方法的前提是存在有效的工具变量，即工具变量的使用需要同时满足以下两个条件：相关性和外生性。具体来说，相关性是指工具变量与内生解释变量（产业智能化）相关，即Cov（IV，AI）≠0；外生性是指工具变量与扰动项不相关，即Cov（IV，ε）=0。因此，在实证研究中寻找到一个合适的工具变量通常是比较困难的。参照已有文献的做法，对于时间序列数据或面板数据而言，较为常用的工具变量是采用解释变量的滞后变量（IV_1），即采用产业智能化的滞后一期（IVAI_1）变量作为工具变量。一般来说，两阶段最小二乘法（2SLS 模型）适合对工具变量进行回归分析，通过弱识别检验和未识别检验获取工具变量的有效性，从而确定产业智能化的滞后一期变量是否依然对员工技能培训具有提升效应。表3 同样通过逐步回归的方式报告了产业智能化对员工技能培训影响效应的工具变量检验结果，具体来说：

第（1）列报告产业智能化滞后一期变量的回归系数在1%的显著性检验水平上为0.1556，即产业智能化的水平提高1 个百分点，则意味着企业投资员工技能培训的经费支出也将相应提升0.1556%。但这回归结果在统计学意义上的可信度并不高，因其拟合优度仅为0.1792。为了获取更为稳健的回归结果，第（2）列加入了时间固定效应和产业固定效应，产业智能化滞后一期变量的回归系数在1%的显著性检验水平上为0.0515，即产业智能化的水平提高一个百分点，则意味着企业投资员工技能培训的经费支出也将相应提升0.0515%，拟合优度也大幅升至0.6573。进一步，第（3）列在回归过程中加入了控制变量，产业智能化滞后一期变量的回归系数在1%的显著性检验水平上为0.0716，即产业智能化的水平提高1 个百分点，则意味着企业投资员工技能培训的经费支出也相应提升0.0716%。这与第（2）列的拟合优度相比，数值也从0.6573 大幅上升至0.8821，说明在添加了控制变量之后，产业智能化滞后一期变量的回归系数虽在数值方面有所波动，但并没有发生实质性的改变，且模型的解释力也更高了。

关于工具变量的有效性检验，表3 的第（1）至（3）列汇报了Kleibergen-Paap Wald rk F 统计结果的p 值，显示了未识别检验通过了1%的显著性水平检验，拒绝了原假设，工具变量的回归不存在未识别问题；同时，第（1）至（3）列也汇报了Kleibergen-Paap rk LM 统计结果的p 值，结果提示弱识别检验均通过了1%的显著性水平检验，拒绝了原假设，工具变量的回归不存在弱识别问题。换言之，工具变量通过了未识别检验和弱识别检验。鉴于此，本文有充分理由认为两阶段最小二乘法回归不存在弱工具变量，即产业智能化的滞后一期变量作为工具变量是有效的，在考虑了内生性问题后产业智能化仍然能够提升企业对员工技能培训的经费支出，说明表2 汇报的基本回归结果具有较好的稳健性。

表3 产业智能化与员工技能培训的内生性问题处理

六、进一步分析

（一）产业异质性分析

产业的技术水平不同会影响人力资本需求结构的变化，可能是技能与技术融合方式的区别或是融合程度的不同，从而对产业创新能力产生差异化的影响。本文通过引入以下两个指标从不同的角度衡量产业技术水平的差异：一个是从人力资本的角度，即采用产业内研发人员数量的均值作为代理指标；另一个是从机会成本的角度，即采用产业内研发投入占销售收入的比重作为代理指标。同时，参照现有文献的计算方法，在公式（1）中加入产业智能化与产业技术水平的交互项，探讨产业智能化在不同技术水平的产业背景下对员工技能培训的提升效应。交互项的引入有效避免了简单将样本区分为低技术产业和高技术产业后计量模型的回归系数不能直接进行数值比较所产生的困境，较为直观地展示了产业智能化在不同产业技术水平的背景下对员工技能培训的提升效应，具体回归结果如表4 所示。综合来看，Panel A 部分的实证结果表明随着研发人员数量测度的产业技术水平的提高，人工智能与产业的融合发展也更加能提升员工技能培训。同理，Panel B 部分的实证结果提示随着研发投入强度测度的产业技术水平的提高，人工智能与产业的融合发展也更加能提升员工技能培训。综上所述，产业智能化对员工技能培训具有提升效应的理论分析在产业异质性检验中仍然成立，说明表2 汇报的基本回归结果具有较高的可信度。

表4 产业智能化与员工技能培训的产业异质性分析

（二）技术异质性分析

人工智能企业针对其所在产业的基本特征，开发出与之相适应的一套完整的人工智能技术应用方案，为“人工智能+产业”提供了技术可能性，其中可能涉及“智能”“云”“数据”“物联”以及“机器学习”关键词表征的专用技术。不同的人工智能技术在与产业融合发展的过程中，是否仍然提升企业对员工技能培训的投资力度需要在经验层面得到相关证实。表5 汇报了产业智能化对员工技能培训提升效应的技术异质性分析结果。相较而言，“智能”技术的回归系数明显小于“云”“数据”“物联”以及“机器学习”技术的回归系数，说明“智能”类型的人工智能企业可能由于其专业性较强且技术应用较为狭窄，所以对提升产业内其他企业创新能力的作用较为有限，也相应限制了企业在该技术应用背景下对员工技能培训的投资力度。“物联”技术下的产业智能化对员工技能培训的提升效应之所以明显高于“智能”“云”“数据”技术的运用效果，可能在于物联技术的运用有助于将企业的硬件层、软件层和应用层立体式的统合起来，从而有助于推进产业智能化的整体转型。“机器学习”技术的回归系数明显较高，说明与其他人工智能技术相比，机器学习作为一种通用性技术，能够为产业内其他企业的智能化转型提供更多的技术或产品服务，进而为企业在创新驱动发展时代构筑竞争优势，这也有助于提升企业在该技术应用背景下对员工技能培训的投资热情。可见，人工智能技术的运用刺激了技能需求的提高，从而驱动企业投资员工技能培训，以塑造企业对知识技术的吸收能力。

表5 产业智能化与员工技能培训的技术异质性分析

七、研究结论与对策建议

（一）研究结论

在“人机共生”机制视角下采用网络爬虫技术所形成的2001-2019 年中国制造业上市公司数据，对产业智能化与员工技能培训展开实证研究。主要研究结论如下：1.产业智能化对员工技能培训的回归系数在1%的显著性检验水平上为正数，说明人工智能技术嵌入企业的生产系统对产业工人的劳动技能产生了更高的需求，这就需要企业加大对员工技能培训的投资，以期从人力资本维度提升企业的综合竞争力。2.为规避产业智能化与员工技能培训之间可能存在的反向因果关系，以产业智能化的滞后一期变量作为工具变量，使用两阶段最小二乘法对公式（1）展开再回归分析，并没有发现基本回归结果存在内生性问题。3.对产业的技术水平进行区分后，发现随着产业技术水平的提升，人工智能与产业的融合发展更能促进企业投资员工技能培训。4.“智能”“云”“数据”“物联”“机器学习”等不同的人工智能技术在与产业融合发展的过程中仍然对劳动技能表现出具有显著统计学意义上的偏好。

（二）对策建议

人工智能进入劳动力市场的关键问题不在于它是否会通过取代劳动力来引发工作岗位数量的变化，而在于其通过对工作任务的变革来创造新产品和新服务。因此，员工技能培训作为应对技能短缺的内部技能供给方式，有助于提高企业的人力资本积累，实现新技术在生产车间的加快扩散，继而形成有效推动企业转型升级的动力机制。但由于培训存在搭便车、挖人外因、收益不确定等外部性问题，企业对员工技能培训的投资一直处于低迷状态。结合上述研究结论并从激励企业投资培训的角度出发，本文提出如下对策建议：

1.打好政策套餐“组合拳”。财政方面，以技能需求和技能评价结果为导向对企业实施培训补贴政策，实现财政经费的精准投入与规避培训经费“寻租”的问题。金融方面，政府根据强制性、非营利性和营利性来划分技能培训项目，以此引导和鼓励政策性银行、商业银行等金融机构对培训项目编制不同的贷款方案。税收方面，严格落实财政部和税务总局印发的《关于企业职工教育经费税前扣除政策的通知》，助推企业加快技术技能人才培养。信用方面，将企业是否举办或参与培训列入监测企业履行社会责任的指标清单，并从金融贷款、评优评先等方面奖励履行社会责任贡献突出的企业。

2.培育产教融合型企业。重点在智能制造、高端装备、节能环保、现代农业等领域推行企业新型学徒制，充分发挥企业在人才培养与评价、实训基地建设、“双师型”教师认定等方面的主体作用。鼓励企业将技能人才队伍建设纳入企业发展战略规划之中，从财政、金融、土地等方面为企业大规模开展员工技能培训提供政策组合支持。落实企业在用人选人方面的人事自主权，根据自身发展需要进行职业技能等级认证，切实促进更多有真才实学的技能工人脱颖而出。

3.完善终身职业技能培训制度。试行“区块链+职业培训券”，建立个人终身职业技能培训账户，实现培训信息与学历教育、就业求职、社会保障信息联通共享。推行学历教育与培训并重的现代职业教育体系，支持职业院校主动承接企业培训需求，形成校企协同培养技能人才的教育格局。在企业实施高技能人才培训基地、技能大师工作室、工匠大师工作室的建设，在组织制度层面增强企业培训的规范化和科学化。顺应数字经济快速发展浪潮，开发和推行数字技能培训包制度，以全面提升企业职工的数字素养和能力。