人工智能技术对制造业就业的产业关联溢出效应研究

钞小静 沈路 廉园梅

(西北大学经济管理学院,陕西 西安 710127)

一、引言

从机器学习到大数据分析，从语义理解到人脸识别，人工智能技术的研发与应用对社会生产与人类生活产生了深刻影响。面对新一轮科技革命和产业变革带来的历史机遇，为推进人工智能与实体经济加速融合发展，2017年7月，国务院印发了《新一代人工智能发展规划》，确立了中国人工智能发展“三步走”的战略目标。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中亦强调：要聚焦人工智能关键算法等重要领域，加速推进智能产品设计与制造，深入实施智能制造工程，培育先进制造业集群。随着人工智能技术发展由初步探索迈向深耕细分与跨界融合的新时期，其与制造业的深度融合在替代危险工作岗位、提高劳动生产率、赋能经济高质量发展的同时亦引发了“机器替人”的失业焦虑，我国的就业问题也逐渐凸显为劳动力技能与就业岗位不匹配的结构性问题。

已有研究主要考察了人工智能对中国制造业就业的直接影响。一方面，中国制造业行业中掌握中、低技能的劳动力占比更高[1]，随着人工智能技术发展的深度与广度逐渐提升以及人工智能应用的生产成本不断降低，中、低技能劳动力会逐渐丧失原有的竞争优势。因而，处理任务速度更快、操作精确度更高的人工智能技术应用将逐步替代一些制造业就业岗位。另一方面，人工智能技术发展也会带动高端数控机床、机器人等相关行业的繁荣，从而为技能劳动力提供大量诸如人工智能研发、智能化产品制造等新就业岗位[2]。事实上，机器人的大规模应用既可能因高投资回报率而替代本行业和关联行业的劳动力就业[3]，亦可能通过降低生产成本、扩大生产规模而对产业链下游行业的劳动力就业产生正溢出效应[4]。但鲜有文献直接考察人工智能对中国制造业就业的产业关联溢出效应。

对相关典型事实进行观察，如图1所示，2005-2019年中国制造业人工智能发明专利授权数总体呈现出先缓慢上升而后大幅上升的变化趋势，且2013年之前的人工智能发明专利授权数明显偏少。制造业就业人员数总体呈现出先上升后下降的变化趋势，且在2013-2019年期间与人工智能发明专利授权数呈现出较为明显的反方向变动关系，这表明2013年后人工智能技术可能对制造业劳动力就业产生了岗位替代效应。从人工智能技术的行业异质性和空间关联度来看(如图2所示(1)在图2中，y8代表2013-2019年人工智能发明专利授权数均值，横轴z代表中国制造业28个细分行业，纵轴WZ为其空间滞后项。1-28分别代表农副食品加工业、食品制造业、饮料制造业、烟草制品业、纺织业、纺织服装业、皮革毛皮及其制品业、木材加工业、家具制造业、造纸业、印刷业、文教体娱用品制造业、石油加工业、化学原料制造业、医药制造业、化学纤维制造业、橡胶和塑料制品业、非金属矿物制品业、黑色金属冶炼业、有色金属冶炼业、金属制品业、通用设备制造业、专用设备制造业、汽车制造业、铁路船舶航空制造业、电气机械制造业、计算机通信和其他电子设备制造业、仪器仪表制造业，下同。)，大部分制造行业位于第一或第三象限，表明人工智能技术水平存在显著的行业异质性，且在具有技术关联的行业间产生了“高高相邻”“低低相邻”的集聚效应，而人工智能技术水平的行业异质性和关联性正是其产生溢出的基础。那么，人工智能技术对中国制造业劳动力就业规模与就业结构究竟存在何种产业关联溢出效应？该效应又是否会受到行业异质性特征的影响？回答这些问题，一方面，有利于推进制造业发展数字化、高端化、智能化，为人工智能等前沿科技赋能制造业转型升级提供经验证据；另一方面，有利于精准识别人工智能技术对中国劳动力市场的冲击力度，并在新一代信息技术与实体经济深度融合的大环境下，为改善人力资本结构、促进劳动力稳定就业提供理论依据和经验参考。

图1 制造业人工智能发明专利授权与就业人口变化趋势

图2 技术距离矩阵下人工智能发明专利授权数的Moran’s I散点图

二、文献综述

随着人工智能行业的蓬勃发展，“机器替人”逐渐引发人们对失业的担忧，学术界开始关注人工智能对劳动力就业的影响。已有文献主要研究了人工智能对劳动力就业规模和就业结构的直接影响。在人工智能对劳动力就业规模的影响方面，一部分学者认为人工智能对劳动力就业存在岗位替代效应，即人工智能的发展会导致劳动力就业总量下降[5-6]。Autor等(2003)[7]、Acemoglu和Restrepo(2018)[8]利用任务理论模型将工作任务划分为结构化程度高的常规任务和结构化程度低的非常规任务，发现人工智能技术会降低劳动者的比较优势，进而制约劳动力就业。另一部分学者则持乐观态度，认为人工智能可以通过促进生产规模扩张和技术扩散对劳动力就业产生积极影响[9]。Dauth等(2017)[10]基于1994-2014年德国劳动力市场数据，发现机器人应用有利于促进服务业的劳动力就业。Trajtenberg(2018)[11]、Graetz和Michaels(2018)[12]也认为人工智能行业的繁荣发展可以创造出大量的新就业机会。

在人工智能对劳动力就业结构的影响方面，学者们大多认为人工智能技术作为创新生产函数中的一项重要投入，可以通过重塑工艺和产品的生产流程催生出大量的技术岗位需求，从而优化劳动力结构[13]。一方面，随着具有技能偏向的技术进步出现，人工智能对具有中、低技能或教育水平的劳动力存在显著的替代效应[14-15]。这主要是因为具有高技能或教育水平的劳动力适应新技术的能力更强[7]，其在竞聘新就业岗位时仍具有较大的竞争优势。另一方面，Feng和Graetz(2015)[16]则在探讨人工智能对不同类型岗位替代程度的过程中提出了“就业极化”理论[16]。首先，人工智能技术会优先替代工作任务结构程度高的岗位以降低企业成本；其次，受到“吹风”效应的影响[17]，人工智能更倾向于替代具有中等技能的劳动力，孙早和侯玉琳(2019)[18]基于2001-2015年中国省级面板数据验证了该理论。

已有研究主要关注人工智能对劳动力就业的直接影响，但其实在新一轮科技革命和产业变革的深入发展过程中，人工智能作为发挥“头雁效应”的引领型技术具有很强的溢出效应。即其不仅会影响引入该技术的行业本身的劳动力就业，还会伴随产业链的联动流转，在不同行业间产生溢出效应。在垂直产业链溢出效应方面，Autor和Salomons(2018)[19]基于1970-2007年19个国家的行业数据发现工业机器人已经有效融入了产业链的各个环节，上游行业的机器人应用通过提升生产效率和降低中间品价格对下游行业就业产生了正向溢出效应[4,12]。而王晓娟等(2022)[3]在研究机器人应用的就业挤出效应时，发现本行业的机器人应用会对上游和下游行业均产生负溢出效应。此外，产业智能化还可以通过来自上游行业的前向关联效应提升劳动报酬份额[20]。在水平技术关联溢出效应方面，行业间的技术关联愈强，工业机器人应用产生的技术溢出效应就愈大[2]。李磊等(2021)[21]研究发现机器人应用在促进本企业就业规模扩张的同时，对未引进机器人的行业内企业就业同样具有正向影响。

综上所述，现有研究重点关注人工智能对劳动力就业的直接效应，部分研究兼顾考察了我国人工智能发展的溢出效应，但探讨人工智能技术对中国制造业就业的产业关联溢出效应的研究较少。因此，本文的边际贡献主要包括以下三个方面。第一，探究人工智能技术冲击下劳动力在垂直产业链和水平技术关联行业间转移的方向和程度，以期从劳动力行业转移的视角丰富资源优化配置理论。第二，基于人工智能技术在中国制造业中的实际发展状况，定量识别其对中国制造业劳动力就业规模与就业结构的影响。第三，已有关于人工智能对劳动力就业影响的研究大多忽视了某些社会因素的行业异质性特征。由于我国不同行业的科研水平、资本深化程度、生产规模等均存在较大差异，因此，本文考虑了这些因素对人工智能技术影响劳动力就业的调节效应。

三、理论机制与研究假说

人工智能技术作为一种新型基础设施，具有明显的溢出特征[22]。在我国超大规模市场优势和完备产业体系优势的基础上，人工智能的应用不仅可以通过技术扩散实现对制造业全方位、多角度、全链条的改造提升，而且还可能会通过垂直方向上的产业链溢出和水平方向上的技术关联溢出对劳动力的就业规模和就业结构产生重要影响。基于此，本文从垂直产业链溢出与水平技术关联溢出两个维度来阐释人工智能技术对中国制造业劳动力就业影响的理论逻辑。这里，人工智能在垂直方向上的产业链溢出效应是指与人工智能相关的知识与技术在具有产业关联的上、下游行业间应用并扩散，进而对本行业之外的其他行业就业水平所产生的影响，依据人工智能技术的流动方向可划分为来自上游行业的“前向溢出”和来自下游行业的“后向溢出”[23]。而人工智能在水平方向上的技术关联溢出效应则是指人工智能技术的发展不仅会对本行业就业产生预期效应，还会对技术邻近行业的就业水平产生额外影响。

(一)垂直产业链溢出维度下人工智能技术对制造业就业的影响

制造业上、下游行业之间具有非常密切的技术关联与产品关联，由此使得人工智能应用在技术关联与产品关联两个层面均会对制造业就业产生溢出效应。

从技术关联层面来看，制造业上、下游行业之间的紧密关联能够显著提升人工智能技术开发与交流的频率[24]，有效延长人工智能技术的传播扩散链条，进而对劳动力就业规模和就业结构带来溢出效应。在“前向溢出”方向上，上游行业人工智能技术研发与应用会对下游行业产生“示范效应”[25]，强化下游行业竞相学习、模仿与技术追赶的行为，并通过信息共享、技术转让、创新互动等方式促进下游行业人工智能技术发展，由此形成对下游非技能劳动力的岗位替代效应。在“后向溢出”方向上，由于下游行业比上游行业的终端产品的生产工序更为复杂，面临的非结构性问题更多，一般对技能劳动力的需求也相应更多。通常而言，技能劳动力可以更快速地适应人工智能技术发展，并通过人工智能在新环境、新问题中识别新知识[26]，进而不断拓宽其知识储备，提升信息传递效率，增强技术扩散能力，最终协同带动上游行业人工智能技术发展并对非技能劳动力形成岗位替代效应。因此，无论从“前向溢出”还是“后向溢出”来看，人工智能技术在技术关联层面均会对制造业非技能劳动力形成岗位替代效应。

从产品关联层面来看，制造业上游行业为下游行业提供中间产品的供给，下游行业给上游行业带来更高质量产品的压力，由此对劳动力就业规模和就业结构产生溢出效应。在“前向溢出”方向上，上游行业通过任务自动化与创新升级可以提升自身劳动生产率，并为下游行业提供更廉价、更优质的原材料或中间品供给，从而导致下游行业生产成本下降及产品销量上升。此时，下游行业为形成规模经济通常会扩张生产线，进而形成岗位创造效应[4]。与此同时，上游提供的优质化、多样化的中间品也会增加产品制造难度，从而引起下游行业对高技能劳动力需求的增加[27]。在“后向溢出”方向上，下游行业人工智能技术发展同样有利于提升其生产效率，进而增加对原材料或产品零部件的需求[25]。根据中国投入产出表，上游制造行业主要包括木材加工业、橡胶和塑料制品业、金属制品业等中低端制造业，具有生产阶段数较少、生产工序单一化的典型特征。因此，从事这些行业的劳动力多为非技能劳动力，市场需求增加可能会倒逼中低端制造业提升劳动生产率，继而迫使非技能劳动力面临更高的“机器替人”风险。而下游行业主要包括汽车制造业、铁路船舶航空制造业、计算机通信和其他电子设备制造业等高端制造业，复杂的生产工序会促使这些下游行业加强对上游行业的技术指导，以及对原料加工和中间品制造的严格监督，以确保产品质量[28]，这在一定程度上对上游行业劳动力结构优化产生了知识与技术溢出效应。因此，在产品关联层面，人工智能技术的“前向溢出”会对制造业劳动力,特别是技能劳动力形成岗位创造效应，而其“后向溢出”则会对制造业非技能劳动力形成岗位替代效应。

当前，不论是按照受教育程度[15,18]还是科技研发能力[29]对技能劳动力与非技能劳动力进行划分，中国的技能劳动力总量均低于非技能劳动力，而人工智能技术在技术关联路径与产品关联路径的共同作用下，会带来制造业对技能劳动力的需求占比上升，对非技能劳动力的需求占比下降，由此导致其对整体就业规模产生负溢出效应，而对就业结构优化产生正溢出效应。基于此，本文提出如下假设。

H1上游行业人工智能技术发展对下游行业劳动力就业规模具有显著负溢出效应。

H2下游行业人工智能技术发展对上游行业劳动力就业规模具有显著负溢出效应。

H3上游行业人工智能技术发展对下游行业劳动力就业结构优化具有显著正溢出效应。

H4下游行业人工智能技术发展对上游行业劳动力就业结构优化具有显著正溢出效应。

(二)水平技术关联溢出维度下人工智能技术对制造业就业的影响

不同于垂直产业链关联，水平技术关联的行业间没有严格的生产工序上的联系，本行业由于知识基础、技术结构、研发投入强度等较为接近，可能存在更为密切的人才流动与产业竞合，并使得人工智能从人才流动和产业竞合两个层面对制造业就业产生技术溢出效应。

从人才流动层面来看，邻近行业人工智能技术的发展会吸引技术后进的行业通过人员外派、人才交流与引进等方式学习并模仿其创新行为[25]，从而改善劳动力技能结构，并对部分难以快速适应人工智能技术的非技能劳动力进行替代。此时，类似的知识基础、技术结构有利于减轻创新人才的跨行业沟通障碍，提升行业间的知识共享与创新协作效率[29]。即对技术后进行业而言，技术关联性愈强，其在创新人才交流中吸收人工智能技术溢出的效率就愈高，且能通过长期的人才创新互动进一步形成循环累积因果效应，不断提升行业人工智能技术水平，进而实现人工智能技术对劳动力的岗位替代效应和结构优化效应。

从产业竞合层面来看，为了柔性地应用于生产制造，人工智能需要随给定任务的变化不断调整原有的规则设定和算法模型，并寻找具备灵活调整能力的智能型人才与之匹配。在这一现实情境下，某一行业人工智能技术的发展会给技术邻近行业带来竞争压力[25]，进而迫使这些行业不断强化职工专业技能培训，并通过创新激励、裁员等方式正向促进或反向倒逼劳动力向复杂化、多元化、智能化转型。而在产业合作方面，本行业则通过技术转让、技术交流等方式促进智能化产品设计、人工智能专利技术等向邻近行业渗透，淘汰部分难以与之迅速适配的非技能劳动力，并推动其余劳动力对原有知识与技能进行调整与更新，逐步增强与人工智能系统运作的契合度，最终实现劳动力就业结构优化。因此，无论从产业竞争还是产业合作来看，本行业人工智能技术均会对技术邻近的制造业就业规模产生负溢出效应，而对就业结构优化产生正溢出效应。基于上述分析，本文提出以下假设。

H5本行业人工智能技术发展对技术邻近行业劳动力就业规模具有显著负溢出效应。

H6本行业人工智能技术发展对技术邻近行业劳动力就业结构优化具有显著正溢出效应。

四、研究设计

(一)模型设定

为检验人工智能技术对制造业劳动力就业规模和就业结构的直接效应、产业关联溢出效应，本文设定空间杜宾模型(SDM)如下

lnEMPit=α0+ρWlnEMPit+α1lnAIit+φ1WlnAIit+α2Xit+φ2WXit+μi+μt+εit

(1)

LSit=β0+ρWLSit+β1lnAIit+λ1WlnAIit+β2Xit+λ2WXit+μi+μt+εit

(2)

其中，下标i和t分别表示行业和时期。EMP代表劳动力就业规模，LS代表劳动力就业结构，AI代表人工智能技术，X为一系列控制变量，ρ为空间自回归系数，W为空间权重矩阵，α1、β1和φ1、λ1为核心解释变量及其空间交互项的系数。μi、μt、εit分别代表个体固定效应、时间固定效应和随机扰动项。

(二)空间权重矩阵的构建

根据托布勒第一定律，任何事物都与其他事物存在关联性，并且关联的紧密程度会随着距离的增加而衰减。随着新经济地理学的不断演进，“距离”一词逐渐广义化，并延伸为经济距离、技术距离和人力资本距离等，这为本文度量制造业行业间的“距离”提供思路。为识别人工智能技术对制造业劳动力就业规模和就业结构的产业链溢出和技术关联溢出效应，本文构造前向、后向和水平技术关联3种空间权重矩阵，具体如下。

1.垂直方向上的产业链溢出效应

利用投入产出矩阵识别垂直方向上的产业链溢出效应是较为常见的做法。借鉴朱平芳等(2016)[23]的研究思路，利用投入产出表(2)2013-2019年期间，国家统计局仅公布了2015年、2017年和2018年的中国投入产出表。由于该数据在时期上具有非连续性，且其他年份数据尚不可得，故本文参考朱平芳等(2016)的做法，采用最近一年(即2018年)的中国投入产出表导出构造空间权重矩阵的基础数据。导出的完全消耗系数矩阵计算Leontief逆矩阵W。W中每一列的元素是其他部门对本部门的投入，每一列元素之和是一个部门生产一件商品所消耗的全部中间品数量，W中每一行的元素是该部门为其他生产部门提供的中间品消耗量。在此基础上，根据上文对前向溢出效应的定义构建前向空间权重矩阵(W1)，具体计算过程如下

(3)

式(3)中，第一个等号右侧的第一个矩阵即为Leontief逆矩阵W，用其减去各部门自身的消耗从而确保主对角线全部为0，即得到为本部门提供中间品消耗的其他部门与本部门的关联度。类似地，根据上文对后向溢出效应的定义，将W1转置后得到W2，W2即为后向空间权重矩阵。

2.水平方向上的技术关联溢出效应

垂直方向上的产业链溢出效应可以借助投入产出矩阵识别，而水平方向上的溢出效应通常与两行业间的经济、技术发展水平息息相关。与经济关联相比，两行业间的技术水平差距越小，越容易形成学习与模仿、跨行业人才交流、高新技术合作等行为，进而使得人工智能越容易对技术邻近行业的劳动力就业规模和就业结构产生水平方向上的溢出效应。一般而言，不同行业间若拥有近似的专利数量或技术结构，则考虑其存在“技术邻近”关系[23]。因此，本文参考王欣亮等(2020)[30]的研究思路，通过构造技术距离矩阵(W3)来识别人工智能在水平方向上的技术关联溢出效应，具体如式(4)所示。其中，Dij为两行业间的技术距离，采用两行业间2013-2019年发明专利申请数均值之差表示。

(4)

(三)变量选取

1.被解释变量

本文以劳动力就业规模(EMP)和劳动力就业结构(LS)为被解释变量，采用规模以上制造业企业平均用工人数表征劳动力就业规模，采用技能劳动力与非技能劳动力的比值刻画劳动力结构优化程度。已有研究通常根据就业人员的受教育程度来划分技能劳动力和非技能劳动力[15,18]，然而，制造业细分行业就业人员受教育程度的相关数据较难获取，故本文参考包群和邵敏(2008)[31]的研究，以规模以上制造业企业R&D人员数作为技能劳动力的代理指标，并以规模以上制造业企业平均用工人数与R&D人员数的差值作为非技能劳动力的代理指标。

2.核心解释变量

已有研究主要采用人工智能专利申请数或专利授权数表征人工智能技术水平[32-33]。本文借鉴该做法，按照国际专利分类与国民经济行业分类参照关系表，手动检索制造业各细分行业的人工智能发明专利授权数，并以此表征人工智能技术水平(AI)，理由如下：一方面，实用新型和外观设计专利通常是企业为获取政府研发补贴而进行的策略性创新，而发明专利才是体现创新质量的实质性创新。另一方面，相较于专利申请，专利授权需要经过国家专利管理部门的严格审查，更能体现技术创新的含金量，从而能更加真实有效地反映人工智能技术水平。

3.控制变量

参考闫雪凌等(2020)[1]、Cheng等(2019)[34]的研究，在回归模型中加入如下控制变量：(1)科研水平(RD)，规模以上制造业企业R&D内部经费支出；(2)资本深化(cap)，规模以上制造业企业固定资产投入；(3)行业规模(size)，规模以上制造业企业主营业务收入；(4)盈利能力(profit)，规模以上制造业企业年利润总额；(5)市场竞争程度(mar)，规模以上制造业企业数；(6)FDI参与度(FDI)，外商投资和港澳台商投资制造业企业资产与规模以上制造业企业资产的比值；(7)工资水平(wage)，各制造行业城镇单位就业人员平均工资；(8)环境规制(env)，各制造行业污染治理投资额。

(四)数据来源与说明

本文以2013-2019年中国28个制造业二位码行业为研究对象，所有数据均源自历年《中国科技统计年鉴》《中国劳动统计年鉴》《中国工业经济统计年鉴》《中国环境统计年鉴》以及Patenthub全球专利数据库。此外，本文所有绝对量指标均已做取对数处理，主要变量的描述性统计如表1所示。

表1 主要变量的描述性统计

五、实证分析

(一)空间自相关性分析

人工智能技术作为数字经济时代下的一种新型基础设施，具有溢出带动性很强的“头雁效应”[22]。结合上文的特征事实和实证分析，本文利用莫兰指数(Moran’s I)测度人工智能技术发展水平在行业间的相关性。从表2的测度结果不难看出，人工智能技术的全局Moran’s I在3种空间权重矩阵下均为正，且除个别年份以外均通过了显著性检验，这表明人工智能技术发展在具有上下游关联和水平技术关联的行业间存在显著正相关性。为区分28个制造行业人工智能技术水平及其行业间依赖程度的异质性，本文基于技术距离矩阵(3)囿于篇幅，本文仅展示技术距离矩阵下的行业集聚特征及变动趋势，其余矩阵下的结果类似，备索。，选择期初(2013年)与期末(2019年)两个时间节点绘制Moran’s I散点图。由图3可见，大部分制造行业位于第一或第三象限，这表明人工智能发展水平在具有技术关联的行业间存在明显的“高高相邻”“低低相邻”的集聚特征，故有必要进一步考虑其溢出效应。

表2 2013-2019年28个制造行业人工智能技术的全局Moran’s I

图3 28个制造行业人工智能技术的Moran’s I散点图

根据不同制造行业在Moran’s I散点图中的象限分布及变动趋势将其划分为双高、低-高、双低、高-低、进化与退化6种类型，具体划分结果见表3。(1)双高型。通用设备制造业等7个行业属于双高型行业，即自身与技术邻近行业的人工智能发展水平都高。根据OECD组织对制造业行业的技术分类标准，这些行业均属于高技术或中高技术行业。(2)低-高型。烟草制品业、家具制造业、黑色金属冶炼业、有色金属冶炼业在考察期内位于第二象限，即其自身人工智能技术水平不高，但易受到关联行业知识与技术溢出的影响，具有较为明显的后发优势。(3)双低型。农副食品加工业等10个行业属于双低型行业，占样本量的35.7%，是人工智能技术发展的“洼地”。这些行业大多属于低技术或中低技术行业，生产规模较小、生产工序单一致使其人才队伍结构不够合理。管理人员较多，而科技研发人员较少，人工智能技术开发能力相对薄弱。(4)高-低型。造纸业、化学原料制造业、橡胶和塑料制品业在考察期内处于第四象限，该象限内的行业自身人工智能发展水平较高，但由于空间自相关性为负，其辐射带动作用在短期内难以体现。(5)进化型。非金属矿物制品业、金属制品业从第二象限进入到第一象限，这些制品通常被广泛用于汽车制造、航天器制造、电气机械等行业。由于汽车制造等行业均处于第一象限，能对技术邻近行业产生显著的正向溢出效应，从而辐射带动非金属矿物制品业、金属制品业人工智能技术进步。类似地，文教体娱用品制造业也由第三象限进入到第四象限。(6)退化型。查阅2013-2019年的Moran’s I散点图发现，印刷业在2014年退回第三象限，随后几年内在第三、四象限间徘徊。究其原因，可能是与印刷业技术关联性较强的造纸业、橡胶和塑料制品业在该阶段位于第四象限，人工智能技术溢出效应较小，尚不足以带动印刷业的智能化发展。

表3 技术距离矩阵下2013-2019年28个制造行业的象限分布及变动趋势

(二)产业关联溢出效应分析

相较于OLS估计，利用ML法估计空间面板模型下的回归结果，能更有效地缓解内生性问题，还可以观测人工智能技术对制造业劳动力就业规模与就业结构的产业关联溢出效应。在空间计量模型的选择上，本文参考Elhorst(2014)[35]的思路。首先，通过LM检验发现SAR和SEM模型均有效，应进一步考虑二者相结合的SDM模型；其次，通过Wald检验发现SDM模型无法退化为SAR和SEM模型，故本文选择SDM模型分析人工智能技术对制造业就业的产业关联溢出效应。又因SDM模型中包含空间交互项，直接采用简单的点估计分析人工智能技术对制造业就业的影响并不精确，需利用偏微分方程对其进行直接和溢出效应分解[36]。经Hausman检验，下列模型均采用固定效应，具体结果见表4。

表4 人工智能技术对制造业就业的产业关联溢出效应

从总体上看，人工智能技术对中国制造业劳动力就业具有显著的岗位替代效应和结构优化效应。此外，在模型(1)-(6)中，制造业劳动力就业规模和就业结构的空间自回归系数(ρ)均显著为正。结合全局Moran’s I的检验结果易知，中国28个制造行业间既存在劳动力就业规模、劳动力就业结构的内生交互效应，又存在人工智能技术的外生交互效应，这进一步验证了本文考虑人工智能技术对制造业就业溢出效应的必要性。

劳动力就业规模。(1)从效应分解来看，人工智能技术的直接效应和溢出效应均显著为负，表明人工智能技术水平提升及其引致的溢出效应均对劳动力就业具有显著的岗位替代作用，人工智能产业发展所提供的新就业岗位在短期内尚难以缓解制造业就业压力。这与王晓娟等(2022)[3]的研究结论类似，只不过其考虑的是工业机器人应用的溢出效应对制造业劳动力就业的影响。此外，人工智能技术水平提升带来的前向溢出效应、后向溢出效应分别占总效应的86.84%和82.89%，水平方向上的技术关联溢出效应占比也达到了49.71%。这表明，人工智能技术发展通过产业链溢出和技术关联溢出效应对中国制造业劳动力就业规模产生了重要影响。(2)从溢出方向的异质性来看，人工智能技术对劳动力就业规模的前向溢出、后向溢出和水平技术关联溢出均显著为负，即H1、H2和H5得证。且人工智能技术水平提升带来的前向溢出和后向溢出效应远大于水平方向上的技术关联溢出效应，这表明人工智能发展可能更容易促进劳动力在具有产业关联的行业间流动。

劳动力就业结构。(1)从效应分解来看，人工智能技术对劳动力就业结构优化的直接效应显著为正，这与王泽宇(2020)[13]的研究结论类似。人工智能技术具有典型的创造性特征，其可以协同促进劳动力在新环境、新问题中识别新知识并形成技术进步，从而扩大技能劳动力占比。此外，人工智能技术的溢出效应同样远大于直接效应，前向溢出、后向溢出和水平技术关联溢出效应分别占总效应的73.54%、87.81%和64.56%，表明人工智能在新一轮科技革命和产业变革中充分发挥了其溢出带动性很强的“头雁引领效应”，这对促进我国劳动力就业结构改善和经济稳定增长具有重要作用。(2)从溢出方向的异质性来看，人工智能技术对劳动力就业结构的前向溢出和水平技术关联溢出均显著为正，这可能是上游行业人工智能技术发展通过增加质优价廉的中间品供给间接促进了下游行业技能劳动力需求上升，并通过知识共享和强化劳动力技能等方式促进技术邻近行业的劳动力就业结构优化，即H3和H6得证。然而，人工智能技术对劳动力就业结构优化的后向溢出效应为正向不显著，即H4未得证。究其原因，下游行业人工智能技术发展会极大缩短单位产品的生产时间，进而刺激其追加原材料和劳动力投入。下游制造行业主要包括汽车制造业、铁路船舶航空制造业、计算机通信及其他电子设备制造业等高技术制造业，其具有生产阶段多、生产工序和生产技术复杂化的典型特征。因此，生产终端产品会面临更多的非程序化问题，相较于非技能劳动力，可能会虹吸更多来自上游的技能劳动力，进而造成上游行业非技能劳动力占比上升，致使人工智能技术对劳动力就业结构优化的后向溢出效应不显著。

(三)稳健性检验

为了确保研究结论的稳健性，本文将通过更换估计模型、更换指标、更换空间权重矩阵、增加控制变量、内生性检验等多种方式进一步验证人工智能技术对制造业劳动力就业规模与就业结构的影响。

1.更换估计模型

除了空间杜宾模型以外，空间自回归模型(SAR)和空间误差模型(SEM)也是常用的空间计量模型。考虑到空间误差模型无法进行效应分解，故本文采用空间自回归模型对空间杜宾模型进行替代，结果如表5中的列(1)所示，可以看出本文结论依旧稳健。

表5 稳健性检验结果

2.更换指标

鉴于中国制造行业的非技能劳动力人数高于技能劳动力的客观事实，本文假设人工智能技术通过替代非技能劳动力对制造业劳动力就业规模产生负效应。因此，以非技能劳动力替代规模以上制造业企业平均用工人数表征就业规模。此外，以技能劳动力与规模以上制造业企业平均用工人数之比替代技能劳动力与非技能劳动力之比表征劳动力就业结构优化程度。更换指标后发现，人工智能技术对制造业就业的影响与上文保持一致。

3.更换空间权重矩阵

考虑到经济发展水平相近的行业间也可能存在人工智能技术的溢出效应，因此，本文利用2013-2019年各制造行业销售产值的平均值作为经济发展水平的代理指标，并对式(5)中的D进行替换。结果如表5的列(3)所示，人工智能技术对制造业劳动力就业规模与就业结构的回归结果保持不变。

4.增加控制变量

除基准回归模型中已控制的变量外，技术引进、出口依存度也可能影响制造业劳动力就业规模与就业结构。一方面，制造业行业通常将引进消化吸收国外的先进技术作为技术获取和创新能力提升的重要途径，这有利于提升劳动力素质，吸引创新型人才。另一方面，由于中国不断调整在全球产业链中的分工，出口规模可能会影响国内制造行业的发展，进而影响劳动力就业规模与就业结构[15]。因此，本文以技术引进消化吸收费用和出口交货值分别表征技术引进和出口依存度，并将其纳入原有模型中进行回归。表5中的列(4)显示，在继续增加可能存在的遗漏变量后，人工智能技术对制造业劳动力就业规模与就业结构的影响依然与上文保持一致。

5.内生性问题

随着人工智能技术在制造业领域的广泛应用，其对制造业就业的影响愈发深刻。然而，制造业劳动力就业规模扩大与就业结构优化亦可能反向促进人工智能技术的发展，即二者可能存在反向因果关系。此外，影响制造业劳动力就业的诸多因素也难以穷尽，即可能存在遗漏变量问题。鉴于此，本文尝试采用工具变量法缓解内生性问题。参考黄群慧等(2019)[37]和钞小静等(2020)[38]的研究思路，以1989年自然科学技术领域研究与开发机构数作为工具变量，并利用2013-2019年专利申请数为截面数据赋予时间变化趋势。工具变量选择依据如下：(1)科学技术领域尤其是自然科学技术领域的研发机构为人工智能技术的研究与发展提供了基础。因此，历史上自然科学技术领域研究与开发机构数量越多的行业，其人工智能技术研发的基础条件可能就越优质，即选取自然科学技术领域研究与开发机构数作为人工智能技术的工具变量可以满足相关性要求。(2)自然科学技术领域研究与开发机构数难以对劳动力就业规模和结构产生直接影响，尤其是在数字经济快速发展的阶段，历史上自然科学技术领域研究与开发机构数量对劳动力就业规模和就业结构的影响可忽略不计，即选取自然科学技术领域研究与开发机构数作为人工智能技术的工具变量能满足外生性要求。

表6呈现了人工智能技术对制造业劳动力就业规模与就业结构的2SLS回归结果。第一阶段回归结果表明，工具变量(IV)与人工智能技术显著正相关，且Wald F统计量分别为9.07和9.19，均超过了其对应的临界值8.96，即拒绝了弱工具变量的原假设，满足了相关性的要求。LM检验结果表明，强烈拒绝不可识别的原假设，满足了外生性的要求。此外，第二阶段回归结果表明，在解决内生性问题后，人工智能技术对劳动力就业规模与就业结构依然具有显著的负向与正向影响，这验证了研究结论的稳健性。

表6 内生性检验结果

(四)调节效应

人工智能技术在各个行业尤其是在制造业的大规模应用已经替代了一部分非技能劳动力的简单操作。然而，由于不同制造业行业的科研水平、资本深化、行业规模等存在较大差异，人工智能技术对劳动力就业的影响可能会有所不同[13,32]。因此，本文进一步考虑科研水平、资本深化和行业规模对人工智能技术影响劳动力就业的调节效应。调节效应检验模型如式(5)和式(6)所示，调节效应的检验结果具体见表7。

表7 调节效应检验结果

续表7

lnEMPit=α0+ρWlnEMPit+α1lnAIit+φ1WlnAIit+α2Rit+φ2WRit+α3lnAIit×Rit+φ3WlnAIit×Rit+α4Xit+φ4WXit+μi+μt+εit

(5)

LSit=β0+ρWLSit+β1lnAIit+λ1WlnAIit+β2Rit+λ2WRit+β3lnAIit×Rit+λ3WlnAIit×Rit+β4Xit+λ4WXit+μi+μt+εit

(6)

其中，R为调节变量，具体包括科研水平(RD)、资本深化(cap)和行业规模(size)。lnAI×R为人工智能技术与调节变量的交互项，其余变量与上文一致，不再赘述。

科研水平。从直接效应来看，研发投入的增加会削弱人工智能技术对劳动力就业的替代效应，并进一步加强劳动力就业结构优化。一方面，研发投入高的行业通常会设置更多处理非结构性问题的决策性岗位和高技术研发岗位，这些岗位的劳动力素质通常更高，且其掌握着难以被替代的核心知识或技术。随着人工智能技术的不断发展，高研发行业会对原有研发和技术人员进行培训升级，或者招募新的高技术人才。另一方面，人工智能技术本身会对劳动力产生知识外溢效应，促进人力资本结构优化升级。从溢出效应来看，研发投入强度上升促使人工智能技术替代劳动力就业的后向溢出和技术关联溢出效应更加明显。究其原因，下游行业多为高端制造业，如轨道交通设备制造、海洋工程设备制造等，这些行业劳动力素质普遍较高，研发投入增加会进一步强化高技术人才的信息共享与知识溢出能力。而在纺织、农副食品加工等上游行业，员工大多从事产品加工、装配等简单工作，劳动力的技术溢出能力较弱，因此，人工智能技术替代劳动力就业的前向溢出得到了有效缓解。

资本深化。从直接效应来看，资本深化同样在一定程度上缓解了人工智能技术对劳动力就业的岗位替代效应。一方面，资本深化意味着劳动生产率的提升，其会进一步导致生产规模扩张和就业增长；另一方面，资本深化程度高的行业一般为高技术行业，由基准回归结果不难看出，高技术行业的劳动力对于新技术的适应、学习、消化吸收的能力更强，因而能较好地抵抗人工智能技术的冲击[12,34]。从溢出效应来看，相较于后向溢出与水平技术关联溢出，资本深化削弱了人工智能替代劳动力就业的前向溢出效应。正如研究假设中所述，上游人工智能技术发展可能通过产品关联路径促进下游行业生产成本下降及产品销量上升。在资本深化的影响下，上游人工智能发展进一步促进下游行业生产规模扩张，进而吸纳被上游“挤出”的部分劳动力。

行业规模。从直接效应来看，行业规模的扩张缓解了人工智能技术对劳动力就业的岗位替代效应。随着制造业企业主营业务收入增加，其对技术研发人员和销售人员的岗位需求可能会上升[13]。这两类劳动力通常很难被替代[7]，因为研发人员掌握着核心技术，销售人员离市场更近，邻近消费者要求其具备灵活的产品推销能力与沟通能力，并能够柔性解决更多非程序化问题。从溢出效应来看，行业规模的扩张削弱了人工智能替代劳动力就业的产业链溢出效应。即生产规模扩张不仅刺激了本行业技术岗位和销售岗位需求的增加，还为上、下游行业提供了部分岗位[4]。此外，行业规模的扩张进一步加强了人工智能技术对劳动力就业结构的优化效应，与上述原因类似，人工智能发展提高了对劳动力素质与技能的要求，且对技术岗位劳动力的需求增加。

六、研究结论与政策建议

充分发挥人工智能技术溢出的“头雁引领效应”对促进制造业生产率整体跃升、优化劳动力就业结构和稳定劳动力就业具有重要的现实意义。基于此，本文从理论与实证两个层面深入分析了人工智能技术对中国制造业劳动力就业规模和就业结构的产业关联溢出效应，并得出如下结论：第一，从垂直产业链溢出维度来看，人工智能技术主要通过增加质优价廉的中间品供给促进劳动力在具有垂直产业链关联的行业间转移，并对下游行业劳动力就业结构优化产生显著的正溢出效应。第二，从水平技术关联溢出维度来看，邻近行业人工智能技术发展对本行业的就业规模存在显著的负溢出效应，并通过知识共享优化本行业劳动力就业结构。第三，在考虑科研水平、资本深化和行业规模的调节作用后，人工智能技术对本行业的岗位替代效应有所缓解，并进一步优化了本行业和关联行业的劳动力就业结构。根据上述结论，提出政策建议如下。

第一，加强新兴职业技能培训，提升劳动力就业质量。从企业层面来看，新技术、新业态、新模式的发展要求具有高技能劳动力与新岗位匹配。一方面，企业应持续重点开展员工职业技能培训，提高劳动者素质。另一方面，企业应通过人才引进、内部提升等方式着手打造一批智能化人才队伍，“以高带低”提升整体人机协同能力，并通过竞争上岗等途径倒逼中低技能劳动力学习与智能研发、智能制造、智能管理相关的知识与技能，推动其向高技能劳动力转型。从政府层面来看，一方面应推动人工智能技术与技能密集型产业深度融合，避免经济发展“脱实向虚”。合理引导新就业形态积极、规范发展，支持中小微企业形成个性定制、柔性生产、韧性管理的新模式，进而创造新岗位以缓解就业压力。另一方面，政府应鼓励中、低技术部门中非技能型岗位的改造升级，逐步提高就业质量，从而更好地适应经济高质量发展需要。

第二，培育壮大人工智能产业，强化人工智能技术的产业关联溢出效应。从企业层面来看，应秉持“引进来”和“走出去”相结合的理念，通过人才引进、人员外派、新兴技术交流与合作等方式强化企业学习模仿效应和创新互动效应，从而有效接纳来自上、下游行业的人工智能技术溢出，并构建以人工智能技术为纽带的产业链条。主动探寻人工智能应用场景，积极开放电商、社交等数据进而实现信息共享，形成产业链协同创新与合作共赢的局面。从政府层面来看，应着手构建与人工智能发展相适应的政策法规体系，完善开源软件开发的知识产权保护，营造良好的数字产业生态。例如：在信息共享的过程中注重对个人隐私和人工智能知识产权的保护，加强政府对互联网信息平台的监管力度，严惩非法兜售和使用数据、商标抢注等行为，从而形成安全可靠的信息共享平台，促进人工智能知识与技术的良性溢出。

第三，提升企业科技研发水平，扩大制造行业生产规模。从企业层面来看，要加强研发合作，探究并着力解决跨行业关键共性技术问题，推动产业链上、中、下游企业融通创新。要持续加大基础研究经费投入，不断完善人才引进与激励机制，提高研发人员收益分享比重，充分发挥企业家精神和工匠精神在人工智能行业发展过程中的重要作用，从而带动企业生产规模扩张和劳动力就业。从政府层面来看，应给予人工智能、新能源、生物医药等高新技术产业更多的税收优惠，并通过健全企业研发考核制度和充分发挥重大技术装备牵引示范效应来增强企业创新活力。持续推进“上云用数赋智”行动，深化研发、制造、管理等各个环节的数字化应用，加速数据赋能全产业链协同转型，从而提升企业劳动生产率并刺激企业招募更多劳动力来实现业务拓展。