一、引言
在全球科技迅猛发展的当下，人工智能作为第四次工业革命的核心引擎，正深刻改变着各行各业，尤其是制造业。作为通用目的技术，人工智能具有广泛的应用领域。人工智能通过与实体经济的深度融合，提升企业生产力，促进创新和新兴产业的诞生，推动经济的结构性变革[1]18。而制造业作为我国国民经济的基础，不仅是工业稳定和发展的基石，还支撑着科技创新和技术进步，这些都是实现经济长期稳定和繁荣的关键。此外，蓬勃发展的制造业还能提供大量的就业机会，促进技术工人市场的成长，对于提升国家的综合实力和保证经济的持续健康发展都至关重要。面临经济环境变化，我国制造业急需通过技术创新应对人力成本上涨、生产效率停滞及创新不足等难题。人工智能技术的应用就为这一转型提供了契机。
人工智能技术对就业市场产生了复杂而深远的影响，这些影响涵盖了就业总量的变化、不同教育背景劳动者的就业前景以及制造业内部各部门的结构转型等多个维度。首先，对于我国整个制造业劳动力市场来说，短期之内，人工智能技术的应用确实对低技能工作产生了显著的替代效应，导致低技能劳动力的就业比例有所下降[2-3]。然而，从长远视角看，它不仅加速了产业升级的步伐，而且孕育了全新的经济形态，从而为高技能职位创造了广阔的需求空间，进而促进了整体就业规模的扩大。特别是在一些新兴产业领域，人工智能技术的广泛应用不仅催生了大量新型就业岗位，还显著提升了工作的复杂度与创新潜力[3]。根据偏向性技术进步理论，技术的发展会增加企业对高技能劳动力的需求，它们生产效率的提高更为显著[4]。尽管人工智能技术已经深刻融入社会生产和日常生活的方方面面，但人们对其对就业的影响仍未达成共识。因此，有必要深入了解人工智能技术对我国制造业就业的影响。
二、文献综述与研究假设
学界已有研究表明，人工智能技术短期内可能减少低技能岗位，特别是制造业行业。但长期来看，它通过提升企业效率和催生新兴产业，可以增加高技能岗位需求，总体上促进就业增长。同时，人工智能技术会导致就业结构极化，表现为中等技能岗位减少，而高技能和某些低技能岗位增加。基于此，本文提出层层深入的研究假设，旨在探讨人工智能技术对我国制造业就业规模和结构的影响。
（一）人工智能技术对就业规模的影响
从人工智能技术对就业规模的影响来看，主要从短期和长期两个角度进行分析。朱嘉蔚等[5]的研究指出，人工智能技术的发展对制造业就业规模和低技能就业的影响呈现“正U形”，意味着短期内这些岗位的就业需求会减少。潘丽群等[6]的研究指出，人工智能技术对劳动力需求数量的影响总体上呈“中性”，但存在单极化结构效应，表现为提升了企业对高技能劳动力的需求。这意味着短期内，人工智能技术的应用可能会导致企业减少对低技能劳动力的需求，但长期来看，随着企业内部研发和管理效率的提升，以及外部产业链链接的加强，高技能人才的需求将会增加。周卓华[7]认为，人工智能技术虽然可能对部分领域就业产生替代效应，但长期来看，能创造和衍生出新的就业形态和岗位，对就业规模的增长具有积极的促进作用。同样地，张于喆[8]从短期和长期两个方面分析了人工智能技术与机器人对不同技能工作人群的影响，指出虽然人工智能技术短期内可能对中低技能者造成冲击，但长期来看，进入应用扩散阶段的人工智能技术可能引发链式反应，创造新的就业机会，对就业规模产生正面影响。陈楠等[9]也指出，人工智能技术的发展和应用虽然可能在短期内对某些岗位产生替代效应，但长期来看，其创造的就业机会将多于被替代的岗位，就业总量不仅不会减少，反而会增加。
可见，尽管人工智能技术在短期内可能对某些领域和岗位的就业产生负面影响，但长期来看，其对就业规模也存在正面影响，主要体现在新岗位的创造和新就业形态的衍生上，尤其是在电商、机器翻译、图像识别、无人驾驶等新兴领域和行业，人工智能技术对就业规模的增长具有显著的推动作用。
（二）人工智能技术对就业结构的影响
关于人工智能技术对就业结构的影响，国内外很多学者从不同的角度进行了分析。普遍的观点是人工智能技术的发展对就业结构产生巨大影响。蔡啸等[10]在研究中发现，当人工智能技术提升了制造业的生产率时，可能会促进劳动力回流至制造业，进而影响整个就业结构。赵放等[11]也认为，人工智能技术将带来劳动力替代转移、用工形式灵活化、人机关系一体化以及劳动方式智能化的变化，这将对就业结构产生深远影响。乔榛等[12]揭示了人工智能技术发展对就业既有排挤效应，也有补偿效应。其中，排挤效应表现为人工智能技术直接替代人的智力劳动，而补偿效应则表现为人工智能技术的发展将催生新的产业和就业形式，创造新的就业机会。此外，许多学者在研究中发现，人工智能技术还可能会导致就业结构极化。Acemoglu等[13]发现，随着人工智能技术的应用，中等技能岗位的需求下降，而高技能和低技能岗位的需求增加，导致就业结构呈现两极化趋势。Goos等[14]的研究也支持了这一观点，他们通过分析西欧16个国家的数据，指出当前的技术变革主要对常规性的劳动任务起到替代作用，使得中等技能岗位的劳动需求相对于高技能和低技能岗位呈减少趋势，进一步证实了就业结构极化的现象。针对国内就业情况，姜昊等[15]的研究表明，人工智能技术的应用虽然存在岗位和技能的双重偏向效应，但显著提高了非程式化认知型岗位的劳动占比，从而促使就业结构呈现“单极化”趋势，表现为高端技能劳动的就业比例增加。类似地，李响等[16]发现，工业智能化不仅加剧了社会不平等程度，还导致了劳动力市场出现就业极化现象，即常规职业岗位减少，非常规职业岗位增加，这种就业结构的变化加剧了收入极化问题。与此同时，张元钊[17]指出，以ChatGPT为代表的生成式人工智能技术的发展将改变未来工作与就业模式，平台化、人机协作将成为未来就业的主要特征，人工智能技术将进一步推动就业结构向高端技能岗位倾斜，加剧就业结构极化现象。
可见，人工智能技术的发展不仅对劳动力的需求结构产生影响，还会影响就业市场的格局，使得就业结构向更高技能和更专业化的方向发展，同时也可能加剧就业市场两极分化的现象。
（三）研究假设
结合人工智能技术的发展和我国制造业就业现状，参考已有文献的相关模型[2]，本文提出以下研究假设：
H1：人工智能技术对我国制造业就业规模产生显著影响。
H2：人工智能技术对我国制造业不同学历水平员工人数的影响存在显著差异。
H3：人工智能技术对我国制造业就业规模的影响在不同部门、不同细分行业和不同地区均存在异质性。
三、研究设计
为了系统地探究上述研究假设，本文构建了以下方法论框架：首先，明确数据来源，确保所使用数据的准确性和时效性；其次，选择合适变量，以全面反映人工智能技术对制造业就业影响的关键因素；最后，选择合理的统计模型，科学评估各变量之间的关系。
（一）数据来源
（二）变量选取
1. 被解释变量
企业就业规模(Employees)。为了处理变量中存在的极端值情况，通过对企业员工人数加1后的自然对数来衡量企业的就业规模，以此标准化不同规模企业的就业水平，便于企业间比较，同时减轻极端值对分析结果的影响。
2. 解释变量
在探讨人工智能技术对制造业就业影响的研究中，需要对“人工智能企业”进行明确界定。根据现有研究[2]，可以将人工智能企业定义为生产人工智能技术产品和使用人工智能技术的企业。这些企业构成了人工智能产业链的一部分。人工智能产业链，是指从基础硬件和软件的研发到技术的应用，再到具体行业和场景的落地，形成的一个完整的生态系统。本文从产业链的角度对企业进行筛选。具体的人工智能产业链基本分为基础层、技术层和应用层三个层面[18]，基础层包括AI芯片、智能传感器、云计算、数据类服务、5G通信等，这些组件为人工智能技术提供了必要的硬件支持和数据资源；技术层包括机器学习、计算机视觉、算法、智能语音、自然语言处理等，这些技术是实现人工智能功能的核心；应用层包括机器人、无人机、智慧医疗、智能交通、智慧金融、智能家居、智慧教育、智能安防等，这些场景将人工智能技术应用于各个行业，解决实际问题。根据以上人工智能产业链的关键词，在东方财富Choice金融数据库中搜索对应的概念版所包含的上市制造业企业①，核实其主营业务和产品是否涉及人工智能技术。确认无误后将这些企业作为本文的处理组企业，并精确定位到各企业开始采用或制造人工智能的年份进行标注。
① 上游产业链对应的概念版包括：AI芯片、存储芯片、国产芯片、光刻机(胶)、Chiplet概念、云计算、边缘计算、5G概念、CPO概念、传感器、光通信模块、量子通信、MLOps概念、算力概念、PCB、大数据、数据中心、液冷概念、数据要素。中游产业链对应的概念版包括：数据安全、PLC概念、生物识别、网络安全、机器视觉、AIGC概念、人工智能、多模态AI、ChatGPT概念、阿里概念、百度概念、华为概念、字节概念。下游产业链对应的概念版包括：云游戏、互联医疗、互联金融、在线教育、机器人概念、无人机、智慧城市、智慧政务、智能穿戴、智能电视、智能电网、智能机器、智能家居、增强现实、无人驾驶、AI手机、车联网、工业4.0、工业互联、新型工业化。
人工智能技术(AI)。本文采用多时点双重差分模型来衡量人工智能技术对我国制造业就业的影响，构建政策效应变量人工智能技术(AI)。此变量为二元指示变量，如果企业参与到人工智能产业链中则赋值为1；反之，则赋值为0。这是研究的核心解释变量，用以区分企业是否受到人工智能技术这一关键变革的影响。
3. 中介变量
研发投入强度(RDratio)。它用企业研发支出与营业收入的比值来衡量，反映了企业在创新和技术进步上的投资力度。
4. 控制变量
通过对现有文献的总结，将控制变量分为两类：(1)地区层面，考虑到不同地区的企业所处的宏观环境不同，选取地区经济水平(RGDP)以及地方政府财政预算收入(Gr)来对宏观经济环境进行控制; (2)企业层面，考虑到不同年龄和不同规模的企业对人工智能技术的运用和接受度不同，选取企业年龄(Age)、企业规模(Size)来对企业适应和采用先进科技的能力进行控制。同时，选取净资产收益率(ROE)和资产负债率(Lev)来对企业的成长潜力和盈利情况、财务杠杆和风险承受能力进行控制。
本文主要变量定义如表 1所示。
表1 变量定义 |
| 变量类型 | 变量名称 | 变量符号 | 衡量指标 |
| 被解释变量 | 企业就业规模 | Employees | 企业员工人数+1，取自然对数 |
| 解释变量 | 人工智能技术 | AI | 人工智能产业链的企业为1，否则为0 |
| 中介变量 | 研发投入强度 | RDratio | 企业研发支出与营业收入的比值 |
| 控制变量 | 地区经济水平 | RGDP | 企业所在地区当年RGDP+1，取自然对数 |
| 地方政府收入 | Gr | 地方政府财政预算收入+1，取自然对数 | |
| 企业年龄 | Age | 当年年份减去成立年份加1，取自然对数 | |
| 企业规模 | Size | 企业资产总计+1，取自然对数 | |
| 净资产收益率 | ROE | 企业净利润与平均净资产的比值 | |
| 资产负债率 | Lev | 企业负债总额与资产总额的比值 |
（三）模型构建
根据企业是否属于人工智能范畴，将样本分为AI企业(处理组)和非AI企业(对照组)。在此基础上，通过倾向得分匹配筛选出对照组中与处理组企业性质相近的样本作为匹配样本，通过企业实际的就业规模变化差分比较获得人工智能技术的就业规模效应，基准模型设定如下：
式中，下标i表示不同企业(i=1，2，…)，t表示年份；被解释变量Employees表示企业就业规模；AI表示企业是否属于人工智能范畴，若企业在某一年开始进入人工智能的产业链，则之前年份取值为0，该年份及之后年份取1，该项的系数α1是本次研究的重点，如果该系数显著为正，则表示人工智能技术显著提高了企业对劳动力的需求；X表示一组控制变量，包括地区经济水平(RGDP)、地方政府收入(Gr)、企业年龄(Age)、企业规模(Size)、净资产收益率(ROE)和资产负债率(Lev)。另外，加入其他虚拟变量以控制固定效应，Firm和Year分别表示个体固定效应和时间固定效应，η表示企业所有制性质的虚拟变量，ε为随机扰动项。本文通过效应的陆续控制来测试模型结果的稳定性。
四、实证结果与分析
本文通过倾向得分匹配(Propensity Score Matching，PSM)技术和双重差分(Difference-in-Differences，DID)模型进行实证研究。在此基础上，运用固定效应模型、中介效应模型对样本数据进行分析和检验，系统分析人工智能技术对制造业就业规模及结构的影响，验证研究假设的合理性和科学性。
（一）倾向得分匹配
首先运用倾向得分匹配技术来识别并匹配处理组(即引入人工智能技术的制造业企业)与对照组(未引入或同期未明显采用人工智能技术的相似企业)，确保在干预前两组企业在一系列可观测特征上具有高度相似性，以此减少选择偏差，增强组间比较的有效性。
1. 倾向得分匹配法
在构建倾向得分匹配模型时，选取一系列反映企业特征的协变量，包括地区经济水平、地方政府收入、企业年龄、企业规模、净资产收益率、资产负债率。遵循前面所述的计算方法，采用logit回归模型对这些协变量进行估计以生成倾向得分，运用匹配半径为0.05的无放回1∶ 1近邻匹配策略，在处理组与对照组之间实施配对分析。
2. 平衡性检验
在倾向得分匹配后的平衡性检验中，匹配前后处理组和对照组间的关键变量均呈现出不同程度的变化。各变量的倾向得分匹配结果如表 2所示。可以看出，未经匹配时，多个变量如地区经济水平、企业年龄和净资产收益率显示出显著的均值差异，如地区经济水平的偏倚百分比达25.0%，企业年龄的偏倚达-15.3%，表明在处理效果评估前存在明显的偏差。然而，匹配过程显著减少了这些偏差，如匹配后地区经济水平的偏倚消除至-1.1%，企业年龄的偏倚也减少到0.0%，大多数变量的偏差显著降低，接近0，说明匹配有效提升了两组样本在这些变量上的可比性。特别地，地方政府收入、企业规模和资产负债率的偏倚在匹配前后变化不大，且t-test的p值均大于0.05，表示这三个变量在处理组与对照组间本就较为均衡，匹配过程对此影响有限。
表2 倾向得分匹配结果 |
| 匹配变量 | 匹配前后 | 处理组 | 对照组 | 标准偏差/% | 减少偏差/% | t值 | p值 |
| 地区经济水平 | 匹配前 | 10.918 | 10.749 | 25.0 | 95.6 | 13.69 | 0.000 |
| 匹配后 | 10.909 | 10.916 | -1.1 | -0.59 | 0.552 | ||
| 地方政府收入 | 匹配前 | 7.488 | 7.481 | 0.2 | 3.1 | 0.14 | 0.892 |
| 匹配后 | 7.493 | 7.500 | -0.2 | -0.11 | 0.909 | ||
| 企业年龄 | 匹配前 | 3.024 | 3.066 | -15.3 | 99.9 | -8.47 | 0.000 |
| 匹配后 | 3.030 | 3.030 | 0.0 | 0.01 | 0.991 | ||
| 企业规模 | 匹配前 | 22.247 | 22.269 | -1.8 | 82.7 | -0.98 | 0.329 |
| 匹配后 | 22.254 | 22.258 | -0.3 | -0.15 | 0.879 | ||
| 净资产收益率 | 匹配前 | 6.280 | 7.843 | -10.9 | 76.6 | -6.00 | 0.000 |
| 匹配后 | 6.980 | 6.615 | 2.5 | 1.31 | 0.190 | ||
| 资产负债率 | 匹配前 | 40.403 | 39.751 | 3.5 | 75.9 | 1.95 | 0.051 |
| 匹配后 | 39.973 | 40.130 | -0.9 | -0.43 | 0.668 |
变量标准化偏差如图 1所示。结果显示，在未进行匹配前，各控制变量的标准化偏离值显著，而匹配操作之后，这些变量的标准化偏差均位于零附近，清晰地表明了匹配的有效性。此外，匹配结果顺利通过了统计检验，进一步验证了匹配成功减少了组间系统性差异。
可以看出，PSM通过精确匹配处理组与对照组，在很大程度上校正了潜在的选择性偏差，提高了后续因果推断的准确性，特别是对于初始偏差较大的变量如地区经济水平、企业年龄、净资产收益率，匹配效果尤为显著，有力支撑了利用这些匹配样本进行更深入的因果效应分析的合理性。
（二）基准回归
表3 基准回归结果 |
| 变量 | 企业就业规模 | 研究生学历 (3) | 本科学历 (4) | 专科学历 (5) | 高中及以下学历 (6) | |
| (1) | (2) | |||||
| 人工智能技术 | 0.448*** | 0.192*** | 0.225*** | 0.023 | -0.130** | 0.341*** |
| (0.023) | (0.022) | (0.048) | (0.050) | (0.062) | (0.108) | |
| 控制变量 | 否 | 是 | 是 | 是 | 是 | 是 |
| 企业所有制 | 否 | 是 | 是 | 是 | 是 | 是 |
| 时间/个体 | 否 | 是 | 是 | 是 | 是 | 是 |
| 样本数 | 9 958 | 9 958 | 12 708 | 12 708 | 12 708 | 12 708 |
| R2 | 0.101 | 0.416 | 0.246 | 0.152 | 0.026 | 0.076 |
| adj. R2 | 0.100 | 0.415 | 0.245 | 0.151 | 0.024 | 0.075 |
注：**、***分别表示在5%、1%水平下显著，括号内数值表示标准误。 |
基准回归分析结果说明，人工智能技术的应用与制造业就业规模呈显著正相关，此效应在各模型中保持稳健，验证了人工智能技术作为驱动力在促进就业规模方面的正向效应。随着控制变量的增加与模型复杂度的提升，虽然系数从0.448降低至0.192，但仍然显著。这表明，在考虑了多种潜在影响因素后，人工智能技术的应用依然对制造业就业规模的增长有着显著的正向影响。决定系数显著提高，从模型(1)的0.101提升至模型(2)的0.416，彰显了模型优化过程中解释力的增强及对选择偏差的有效缓解。
在基准回归中，进一步探讨人工智能技术的应用对企业不同学历水平员工数量的影响。结果显示，人工智能技术对研究生学历群体的正面影响显著，这表明高水平教育背景的员工更容易受益于人工智能技术的发展，人工智能技术的应用给他们带来了更多的就业机会。相反，在专科学历群体中这一影响呈显著负向转折，表明这一学历水平的劳动者可能面临由人工智能技术引发的替代效应或技能不匹配问题，这部分员工可能因为缺乏适应新技术所需的高级技能而面临更高的失业风险。值得注意的是，教育程度较低的高中及以下学历群体却呈现出人工智能技术正面影响的增强，这反映了人工智能技术可能在简化操作流程、提高生产力方面对非专业技能工人的积极辅助作用。人工智能技术的应用使得一些原本复杂或需要较高技能的任务变得更加自动化和易于操作，从而为这些员工提供了新的就业机会。至于本科学历群体，人工智能技术的应用对其影响虽不显著，但其趋势与总体学历异质性相符，这表明人工智能技术的应用对制造业企业劳动力市场影响存在复杂性与多样性。可以发现，人工智能技术的应用对制造业企业不同学历水平员工的影响存在显著差异，体现了其对就业结构重塑的复杂性。
（三）稳健性检验
1. 平行趋势检验
运用双重差分模型的前提是符合平行趋势假设，要求转型前处理组与对照组在就业规模上无显著差异。为严格验证此假设并强化实证有效性，本文采取事件分析法，在基本回归模型中纳入时间虚拟变量与企业人工智能转型标记的交互效应。具体操作如下：构建制造业企业转型人工智能企业前后共九年的参照系，即转型前四年、转型当年以及转型后四年，通过设定对应时间节点的时间虚拟变量，并与企业人工智能转型标记交互于公式(2)中。
式中，Pren为虚拟变量，样本企业在n年前转型为AI企业则赋值为1，否则赋值为0；Current为虚拟变量，样本企业当年转型为AI企业则赋值为1，否则赋值为0；Postn为虚拟变量，样本企业在n年后转型为AI企业则赋值为1，否则赋值为0；γn用于检验平行趋势假设，确保处理组与控制组在企业转型前后具有相似的趋势；δn用来反映人工智能技术对制造业就业规模的实际影响。
考虑到潜在的完全共线性问题，选择政策时点前一期作为基准组，政策动态效应结果如图 3所示。从动态效应中可以看出，企业在转型人工智能企业之前政策效应并不明显，说明企业转型之前，处理组和对照组的就业规模并没有显著差异。从企业转型当年开始，AI对企业就业规模的影响显著为正，说明企业转型为人工智能企业能够创造更多的就业岗位，验证了DID回归的稳健性。
2. 安慰剂检验
（四）中介效应检验
中介效应检验结果如表 4所示。可以看出，人工智能技术对研发投入强度的系数是2.148，显著为正，这表明人工智能技术的应用显著提升企业研发支出比率，意味着企业愿意在研发活动中投入更多的资源。同时，企业研发投入强度对企业就业规模的系数显著为负，意味着随着企业研发投入强度的增加，企业就业总规模有所缩小。这一结果可能是因为研发投入的增加提高了企业的自动化程度，从而减少了对劳动力的需求。
表4 中介效应检验结果 |
| 变量 | (1) 研发投入强度 | (2) 企业就业规模 |
| 人工智能技术 | 2.148*** | 0.171*** |
| (0.075) | (0.016) | |
| 研发投入强度 | -0.017*** | |
| (0.002) | ||
| 控制变量 | 是 | 是 |
| 企业所有制 | 是 | 是 |
| 时间/个体 | 是 | 是 |
| 样本数 | 9 958 | 9 958 |
| R2 | 0.167 | 0.667 |
| adj. R2 | 0.166 | 0.666 |
注：***表示在1%水平下显著，括号内数值表示标准误。 |
为了进一步验证中介效应，采用Bootstrap法直接检验间接效应，检验结果如表 5所示。可见，置信区间不包含0，说明中介效应显著。此外，人工智能技术的应用对企业就业规模的直接效应为0.117，间接效应为-0.049，总效应为0.068，这说明在控制了企业研发支出占比之后，人工智能技术的应用对企业就业规模仍存在独立的正向影响，但是通过影响研发支出比率间接地对企业就业规模产生了负面作用。由此可见，“人工智能技术的应用—企业研发支出占比—企业就业规模”这条路径存在，人工智能技术的应用不仅直接影响了就业规模，还通过增加研发支出比率间接影响了就业规模。具体表现在，人工智能技术可能通过提升企业的技术创新能力，促进就业增长，但同时也可能因为自动化程度的提高而导致企业对劳动力需求有所减少。
表5 Bootstrap法检验结果 |
| 路径 | 系数 | 标准差 | Z值 | p值 | 置信区间 |
| 间接效应 | -0.049 | 0.005 | -10.29 | 0.000 | (-0.058，-0.040) |
| 直接效应 | 0.117 | 0.015 | 7.63 | 0.000 | (0.087，0.147) |
| 总效应 | 0.068 | 0.015 | 4.68 | 0.000 | (0.040，0.097) |
五、异质性分析
在前面的实证分析中，探讨了人工智能技术对制造业企业整体就业规模的影响及路径。然而，人工智能技术对不同部门、行业和地区影响可能表现不同，为了更全面地探究人工智能技术对制造业就业的影响，本部分将进行异质性分析，分别考察不同部门、行业和地区的情况。
（一）部门异质性分析
为研究企业员工就业情况在工作岗位方面的异质性，引入企业中生产部门、技术部门、财务部门、销售部门员工人数的自然对数，进而分析人工智能技术及若干宏观经济变量对企业不同部门员工数量的影响。
不同工作部门的异质性回归结果如表 6所示。可以看出，人工智能技术在生产部门和技术部门表现出了显著正向影响。这表明人工智能技术可能通过优化生产流程和提高自动化水平，使得企业有效提升生产力，进而带动企业对生产型员工的需求增加。同时，企业想要通过技术革新以保持竞争优势，人工智能作为技术创新的核心驱动力，必然会带来新职位的创造。然而，在财务部门中，人工智能技术的影响为负面，表明财务活动可能存在潜在的自动化替代效应。销售部门虽然显示出人工智能技术的轻微正面影响，但不显著，需要进一步研究来明确人工智能技术如何调整销售策略和优化团队结构。表 6的回归结果不仅证实了人工智能技术对特定部门的直接正面影响，还凸显了影响的多样性及部门间差异。这一研究结果为进一步探索人工智能技术如何作用于企业人力资源配置提供了坚实的基础。
表6 基于不同工作部门的异质性回归结果 |
| 变量 | 生产部门 | 技术部门 | 财务部门 | 销售部门 |
| (1) | (2) | (3) | (4) | |
| 人工智能技术 | 0.055** | 0.070*** | -0.019 | 0.019 |
| (0.027) | (0.022) | (0.025) | (0.027) | |
| 控制变量 | 是 | 是 | 是 | 是 |
| 企业所有制 | 是 | 是 | 是 | 是 |
| 时间/个体 | 是 | 是 | 是 | 是 |
| 样本数 | 12 703 | 12 703 | 12 703 | 12 703 |
| R2 | 0.293 | 0.335 | 0.202 | 0.189 |
| adj. R2 | 0.292 | 0.334 | 0.201 | 0.188 |
注：**、***分别表示在5%、1%水平下显著，括号内数值表示标准误。 |
（二）行业异质性分析
我国制造业细分领域众多，产业特质等存在差异，不同细分行业集中度、规模等均大有不同。从当前技术水平发展进程的角度，参照已有研究[19]，将制造业归为高技术、中技术、低技术三大类①。
① 高技术制造业包括：医药制造业、专用设备制造业、通用设备制造业、航空航天器制造业、计算机、通信和其他电子设备制造业、仪器仪表制造业。中技术制造业包括：化学原料及化学制品制造业、汽车制造业、铁路、船舶和其他运输设备制造业(除去航空航天器制造)、电气机械及器材制造业、石油加工、炼焦及核燃料加工业、化学纤维制造业、橡胶和塑料制品业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、金属制品业、金属制品、机械和设备修理业、其他制造业、废弃资源综合利用业。低技术制造业包括：农副食品加工业、食品制造业、酒、饮料和精制茶制造业、烟草制品业、纺织业、纺织服装、服饰业、皮革、毛皮、羽毛及其制品和制鞋业、木材加工及木、竹、藤、棕、草制品业、家具制造业、造纸及纸制品业、印刷业和记录媒介的复制、文教、工美、体育和娱乐用品制造业、木材加工及木、竹、藤、棕、草制品业、家具制造业、造纸及纸制品业、印刷业和记录媒介的复制、文教、工美、体育和娱乐用品制造业。根据上述分类将匹配的企业分为三组进行回归，回归结果如表 7所示。可以看到，在高技术制造业中，人工智能技术的应用对员工数量具有显著正向影响，表明高技术制造业采用人工智能技术，不仅没有造成就业的净损失，反而可能促进了新岗位的创造或是提高了工作效率，从而增加了员工需求。对于中技术制造业，人工智能技术的正向效应依然显著，且其影响程度较之高技术制造业更为突出，这可能是由于中技术制造业在引入人工智能技术后，能更直接地通过技术升级提升生产效率和扩大业务规模，从而扩大企业员工规模。对于低技术制造业，人工智能技术的影响虽为正向，但不显著，可能是因为低技术行业存在资本密集度低、技术更新慢等问题，未能充分利用人工智能技术带来的潜在增效空间。由此可见，不同技术水平的制造业在响应人工智能技术的影响时展现出显著的异质性。
表7 基于不同技术水平细分行业的异质性回归结果 |
| 变量 | 高技术制造业 (1) | 中技术制造业 (2) | 低技术制造业 (3) |
| 人工智能技术 | 0.164*** | 0.217*** | 0.124 |
| (0.033) | (0.049) | (0.081) | |
| 控制变量 | 是 | 是 | 是 |
| 企业所有制 | 是 | 是 | 是 |
| 时间/个体 | 是 | 是 | 是 |
| 样本数 | 4 313 | 3 132 | 1 666 |
| R2 | 0.436 | 0.428 | 0.241 |
| adj. R2 | 0.434 | 0.425 | 0.234 |
注：***表示在1%水平下显著，括号内数值表示标准误。 |
（三）地区异质性分析
将样本企业根据国家统计局对我国经济地带的分类，具体划分为：东部地区，包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南10省(直辖市)；中部地区，包括山西、安徽、江西、河南、湖北和湖南6省；西部地区，包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆12省(自治区、直辖市)；东北地区，包括辽宁、吉林和黑龙江3省。不同地区的异质性回归结果如表 8所示。回归结果显示，人工智能技术对四个地区制造业就业规模的影响在10%的水平上均显著，但对不同地区的影响程度存在显著差异。东北地区的正向影响程度最大，东北地区作为老工业基地，人工智能技术的应用可以加速其传统产业的智能化改造，推动制造业转型升级，缓解就业压力；东部地区次之，得益于其发达的基础设施、丰富的技术人才和良好的创新环境，能够充分利用人工智能技术推动产业升级，创造更多高技能岗位；西部地区的正向影响较为明显，受益于国家政策支持和新兴产业的发展；中部地区影响最小，作为承接东部产业转移的区域，人工智能技术的应用主要集中在劳动密集型产业的自动化改造上，短期内对高技能岗位的创造有限。总体来看，人工智能技术对不同地区制造业就业规模均有正向的促进作用，但东北和东部地区的效应更为显著。
表8 基于不同地区的异质性回归结果 |
| 变量 | 东部地区 (1) | 中部地区 (2) | 西部地区 (3) | 东北地区 (4) |
| 人工智能技术 | 0.191*** | 0.111* | 0.150** | 0.228** |
| (0.026) | (0.062) | (0.075) | (0.090) | |
| 控制变量 | 是 | 是 | 是 | 是 |
| 企业所有制 | 是 | 是 | 是 | 是 |
| 时间/个体 | 是 | 是 | 是 | 是 |
| 样本数 | 8 355 | 1 997 | 1 627 | 489 |
| R2 | 0.431 | 0.441 | 0.467 | 0.373 |
| adj. R2 | 0.430 | 0.437 | 0.462 | 0.351 |
注：*、**、***分别表示在10%、5%、1%水平下显著，括号内数值表示标准误。 |
六、结论与建议
人工智能技术的蓬勃发展深刻影响着各行各业，制造业尤为显著。在此背景下，本文基于2015—2023年沪深A股上市制造业企业数据，在理论分析人工智能技术对我国制造业就业的影响的基础上，用PSM-DID模型对研究假设进行实证检验，主要得到以下结论。第一，人工智能技术显著提高了制造业企业的整体就业规模，进一步中介效应检验发现，人工智能技术通过提高企业的生产效率和创新能力，促使企业扩大经营规模，增加了对劳动力的需求。第二，人工智能技术的应用对研究生学历和高中及以下学历的员工有显著的正向效应，对大专学历的员工则是显著的负向效应，出现“极化”现象。这种“中间挤压”现象反映了人工智能技术对中等技能劳动力的替代效应。第三，人工智能技术对生产部门和技术部门员工人数具有显著的正向影响。人工智能技术的应用提高了生产效率，减少了人为错误，使得生产过程更加自动化和智能化。这不仅保留了原有的生产岗位，还创造了新的技术维护和管理岗位。同时，人工智能技术的发展催生了大量的研发、数据分析、算法开发等高技能岗位，也推动了高技能劳动力的需求增长。第四，随着自动化和智能化技术的发展，传统劳动密集型行业如纺织、服装、家具制造等，许多生产流程被机器人和自动化设备取代，这些行业的企业通过引入这些技术，提高了生产效率，从而减少了对劳动力的需求。与此同时，高技术、技术密集型的行业对劳动力的需求显著增加。高技术、技术密集型行业对研发的需求高，企业为了保持竞争优势，必须不断创新，开发新产品和技术，从而增加了对劳动力的需求。第五，不同地区的制造业企业受人工智能技术的影响程度存在显著差异，其中东北地区的受影响程度最大。人工智能技术与东北地区的制造业结合，大力提升产业的智能化水平，提高生产效率，促进产业升级，进而带来了新的工作岗位。因此，人工智能技术在东北地区对制造业就业规模的促进效果更为明显。
本文的研究结论具有如下政策启示。首先，政府可以通过设立专项基金、实施税收优惠政策以及建立产学研合作平台等方式，加大对制造业企业在人工智能领域研发投入的支持力度，从而推动企业技术创新，同时也为企业带来更多的财政激励。其次，针对人工智能技术导致的劳动力市场“极化”现象，需要改革现有的职业教育与培训体系，推动职业院校与企业合作办学，开展在线教育与远程学习项目，并设立专项基金或提供贷款担保服务，资助低技能劳动力接受再教育，从而帮助他们提升技能以适应新的工作岗位需求。此外，为了满足高技术行业日益增长的用人需求，需要促进新兴产业人才的培育，包括在高等院校设立相关专业、组织国际交流活动以及鼓励企业设立内部培训中心等形式，定期为员工提供新技术方面的培训，以此来培养具有跨学科背景的复合型人才。优化劳动力流动机制也至关重要。对此，应完善社会保障体系，构建全国统一的职业资格认证体系，并定期发布就业信息报告，以便劳动力合理选择就业方向和地区。同时，也需要制定更加灵活的劳动法律法规，鼓励企业采用灵活用工方式吸纳新兴职位所需的人才，保障劳动者的合法权益。考虑到不同地区的发展水平差异，还应推动地区协调发展的政策实施。具体来说，可以通过中央政府的财政转移支付支持中西部地区的基础设施建设，引导东北部和东部地区先进制造业企业向中西部地区转移，促进资源共享和技术扩散，并开展共建产业园区等形式的地区合作项目。最后，为应对制造业引入人工智能技术带来的变革，需要加强产业规划指导，组织专家团队对各地区制造业现状和发展潜力进行评估，制定科学合理的产业发展规划，并实施差异化发展战略，依据各地资源禀赋和比较优势确定适合本地发展的特色产业，从而促进整个社会经济结构的优化调整。
