邵帥

摘 要： 人工智能是進(jìn)入21世紀(jì)以來最重要的一場技術(shù)變革，當(dāng)前已經(jīng)成為大眾聚焦的新熱點(diǎn)和國際競爭的關(guān)注點(diǎn)。產(chǎn)業(yè)融合人工智能技術(shù)不僅為產(chǎn)業(yè)中的各企業(yè)帶來轉(zhuǎn)型升級(jí)的巨大機(jī)會(huì)，同時(shí)也對(duì)就業(yè)結(jié)構(gòu)產(chǎn)生影響。文章聚焦于制造業(yè)融合人工智能技術(shù)的場景，在分析人工智能與制造業(yè)細(xì)分行業(yè)融合情況、不同技能勞動(dòng)力市場供求情況的基礎(chǔ)上，從理論上分析人工智能技術(shù)的進(jìn)步對(duì)制造業(yè)企業(yè)就業(yè)的影響，構(gòu)建PSM－DID實(shí)證模型，將智能制造企業(yè)劃分為不同類別，分類考察不同細(xì)分制造業(yè)企業(yè)在人工智能技術(shù)出現(xiàn)前后對(duì)勞動(dòng)力就業(yè)的影響，最終提出制造業(yè)企業(yè)高效智能轉(zhuǎn)型升級(jí)的方法以及解決勞動(dòng)者相關(guān)就業(yè)問題的有效建議。

關(guān)鍵詞： 人工智能；制造業(yè)細(xì)分行業(yè)；就業(yè)結(jié)構(gòu)；PSM－DID

中圖分類號(hào)： F 241.4; F 49; F 27

文獻(xiàn)標(biāo)志碼： A

Abstract： Artificial Intelligence is the most significant technological revolution since we entered the 21st century， and has become a new focus of public attention and international competition. Industrial integration with AI technology not only brings huge opportunities for transformation and upgrading of enterprises， but also has an impact on employment structure. This thesis focuses on fusion of segmented manufacturing industries integrating AI， analyzes progress of integration and supply－and－demand of labor market， discusses the impact of AI technology to manufacturing employment theoretically and constructs PSM－DID model. After dividing these intelligent manufacturing enterprises into different categories， this paper inspects into influences on different sector of manufacturing enterprise's employment before and after integrating AI technology， finally puts forward efficient methods of transformation and upgrading of manufacturing enterprises and effective suggestions to solve problems on employment structure.

Key words： artificial intelligence; segmented manufacturing industries; employment structure; PSM－DID model

1 研究背景

一些國外學(xué)者從理論和實(shí)證角度研究了技術(shù)與就業(yè)之間的效應(yīng)。Chandler（1977）在20世紀(jì)中期即發(fā)表技術(shù)是企業(yè)變革創(chuàng)新的原因，技術(shù)帶來企業(yè)生產(chǎn)效率提高的觀點(diǎn)。Postel－Viney（2002）對(duì)比技術(shù)進(jìn)步對(duì)就業(yè)的長、短期影響，建立摩擦性失業(yè)模型刻畫出長期技術(shù)發(fā)展會(huì)加快工作輪換預(yù)更新，降低就業(yè)的均衡水平。大衛(wèi)·李嘉圖（2013）在書中指出，技術(shù)進(jìn)步在沖擊原先就業(yè)市場的同時(shí)也能夠創(chuàng)造出新的就業(yè)機(jī)會(huì)。Ford（2016）認(rèn)為智能機(jī)器人不僅可以模擬低復(fù)雜性的手工任務(wù)，還可以模擬很多認(rèn)知程序任務(wù)，智能機(jī)器人的應(yīng)用帶來的進(jìn)步對(duì)就業(yè)機(jī)會(huì)產(chǎn)生極大威脅。Frey和Osborne（2017）研究了自動(dòng)化對(duì)美國勞動(dòng)力市場的預(yù)期影響，結(jié)果表明美國約有47%的職業(yè)有被自動(dòng)化的風(fēng)險(xiǎn)。Acemoglu和Restrepo（2018）提出了一種基于任務(wù)的自動(dòng)化建模方法，基于此框架強(qiáng)調(diào)自動(dòng)化節(jié)省了生產(chǎn)成本，減少對(duì)勞動(dòng)力的需求，但同時(shí)也增加了非自動(dòng)化任務(wù)對(duì)勞動(dòng)力的需求，這中間存在著抵消作用。Autor和Salomons（2018）發(fā)現(xiàn)自動(dòng)化對(duì)就業(yè)有替代效應(yīng)，但同時(shí)也間接增加了銷售部門的工作時(shí)間，這二者之間有抵消作用。Lene等人（2018）也通過實(shí)證發(fā)現(xiàn)自動(dòng)化在短期內(nèi)會(huì)減少就業(yè)，長期會(huì)增加就業(yè)，且自動(dòng)化對(duì)就業(yè)的影響相較于對(duì)生產(chǎn)率的影響幾乎不顯著。

張紅霞和曹惠（2010）利用非參數(shù)DEA－Malmquist指數(shù)方法建立協(xié)整模型，最終發(fā)現(xiàn)就業(yè)率與技術(shù)進(jìn)步率正相關(guān)。唐國華（2011）利用結(jié)構(gòu)VAR模型發(fā)現(xiàn)技術(shù)創(chuàng)新與就業(yè)增長率總體上呈反向變動(dòng)的關(guān)系，且這種負(fù)效應(yīng)僅在中短期存在。封凱棟等人（2015）研究發(fā)現(xiàn)只有將自動(dòng)化、智能化技術(shù)與勞動(dòng)者技能發(fā)展相結(jié)合，才能將低素質(zhì)勞動(dòng)力轉(zhuǎn)換為價(jià)值創(chuàng)造的重要力量?？琢顣煟?017）基于勞動(dòng)力異質(zhì)性的視角研究發(fā)現(xiàn)第四次工業(yè)革命的技術(shù)沖擊會(huì)減少低素質(zhì)勞動(dòng)力的工作機(jī)會(huì)，導(dǎo)致結(jié)構(gòu)性失業(yè)增加。呂榮杰和郝力曉（2018）利用非平衡面板數(shù)據(jù)實(shí)證發(fā)現(xiàn)人工智能的發(fā)展在促進(jìn)了勞動(dòng)力就業(yè)的同時(shí)替代了鄉(xiāng)村勞動(dòng)力。張毅（2019）認(rèn)為人工智能快速發(fā)展推動(dòng)產(chǎn)業(yè)布局變化，流水線崗位及程序性崗位會(huì)被智能人和機(jī)械手替代，推動(dòng)勞動(dòng)力向新領(lǐng)域轉(zhuǎn)移。郭凱明（2019）通過建立多部門動(dòng)態(tài)一般均衡模型，從理論上驗(yàn)證了人工智能對(duì)勞動(dòng)產(chǎn)生偏向的替代性，且在不同產(chǎn)業(yè)具有差異化的應(yīng)用前景。孫早和侯玉琳（2019）發(fā)現(xiàn)工業(yè)智能化將替代初中和高中學(xué)歷的勞動(dòng)力，增加對(duì)高、低教育程度勞動(dòng)力的需求，加劇就業(yè)結(jié)構(gòu)的兩極化。謝萌萌等人（2020）利用2011—2017年制造業(yè)企業(yè)的面板數(shù)據(jù)分析得出，制造業(yè)企業(yè)融合人工智能對(duì)低技能就業(yè)比重有顯著負(fù)效應(yīng)，且具有動(dòng)態(tài)一致性。

技術(shù)進(jìn)步對(duì)就業(yè)影響的相關(guān)研究不斷深化，但很少有文獻(xiàn)從制造業(yè)內(nèi)部不同細(xì)分行業(yè)的角度出發(fā)，探尋人工智能技術(shù)對(duì)不同細(xì)分行業(yè)就業(yè)結(jié)構(gòu)影響的差異。本文試圖從理論上分析人工智能技術(shù)的進(jìn)步對(duì)就業(yè)的影響，并構(gòu)建PSM－DID實(shí)證模型，具體考察不同制造細(xì)分行業(yè)企業(yè)在出現(xiàn)人工智能技術(shù)前后高技能和低技能勞動(dòng)力就業(yè)變化之間的差異，最后對(duì)如何有側(cè)重有傾向地開展制造行業(yè)高效智能轉(zhuǎn)型升級(jí)提出有效建議。

2 理論基礎(chǔ)

本文選擇使用程序偏向性技術(shù)進(jìn)步理論，該理論認(rèn)為技術(shù)進(jìn)步是通過改變生產(chǎn)過程中的任務(wù)內(nèi)容、資本對(duì)任務(wù)的完成度（任務(wù)的自動(dòng)化程度）等途徑間接作用至勞動(dòng)力的。本文借鑒Acemoglu和Restrepo（2018）建立起的基于任務(wù)的分析框架，并將技術(shù)進(jìn)步對(duì)高、低技能需求的作用概括為“替代效應(yīng)”和“創(chuàng)造效應(yīng)”。對(duì)低技能的“替代效應(yīng)”就是，技術(shù)進(jìn)步直接替代低技能勞動(dòng)力的可預(yù)測的程序性任務(wù)，企業(yè)降低了低技能勞動(dòng)的相對(duì)需求。對(duì)低技能的“創(chuàng)造效應(yīng)”一方面可以理解為“補(bǔ)償機(jī)制”，即技術(shù)進(jìn)步通過提升全要素生產(chǎn)率降低了全要素價(jià)格和產(chǎn)品價(jià)格，進(jìn)而刺激消費(fèi)需求，導(dǎo)致廠商營業(yè)收入增加，廠商存在充足的盈余積累時(shí)趨向擴(kuò)大資本規(guī)模，最終增加了對(duì)承擔(dān)未自動(dòng)化任務(wù)的低技能員工的需求；另一方面，技術(shù)進(jìn)步創(chuàng)造新型任務(wù)進(jìn)而衍生出新型低技能崗位，增加了對(duì)低技能勞動(dòng)力的相對(duì)需求。

對(duì)高技能的“創(chuàng)造效應(yīng)”可以理解為，技術(shù)進(jìn)步直接創(chuàng)造出高技能勞動(dòng)力可以滿足的程序性任務(wù)，企業(yè)增加對(duì)高技能勞動(dòng)力的需求。對(duì)高技能的“替代效應(yīng)”一方面是，技術(shù)進(jìn)步創(chuàng)造出的新任務(wù)而衍生出新型高技能崗位，與現(xiàn)有的高技能勞動(dòng)力擁有的技能不完全匹配，導(dǎo)致出現(xiàn)高技能勞動(dòng)力的結(jié)構(gòu)性失業(yè)，另一方面是，技術(shù)進(jìn)步對(duì)高技能勞動(dòng)力的需求作用在市場中，會(huì)在原有高技能勞動(dòng)力數(shù)量的基礎(chǔ)上，增加低技能勞動(dòng)力轉(zhuǎn)化為高技能勞動(dòng)力的數(shù)量，帶來高技能勞動(dòng)力的供給顯著增加，超出企業(yè)需求的部分將會(huì)形成失業(yè)。

3 人工智能企業(yè)篩選與變量定義

3.1 企業(yè)篩選

研究人工智能對(duì)制造業(yè)不同技能就業(yè)比重的影響差異，首要問題是從企業(yè)層面定義出典型的人工智能的作用范圍。結(jié)合相關(guān)政策及報(bào)告文件，學(xué)術(shù)界一般從AI產(chǎn)業(yè)化和產(chǎn)業(yè)AI化兩個(gè)角度定義人工智能制造業(yè)企業(yè)。基于此，本文從以下三個(gè)角度對(duì)人工智能制造業(yè)企業(yè)進(jìn)行篩選：

（1）行業(yè)層面，參考騰訊研究院和清華大學(xué)出具的人工智能研究報(bào)告，其以產(chǎn)業(yè)鏈的基礎(chǔ)層、技術(shù)層和應(yīng)用層為分析框架，篩選出人工智能制造業(yè)企業(yè)，共43家。

（2）政府層面，參考中央及地方政府2015年來頒布的“智能制造試點(diǎn)”定位人工智能作用的企業(yè)，共141家。

（3）企業(yè)層面，通過人工智能專利和文本挖掘定位企業(yè)，共26家。

根據(jù)以上三種方法，最終確定了210家融合人工智能的制造業(yè)企業(yè)，且其中大部分企業(yè)集中在技術(shù)水平先進(jìn)的省份，廣東（23.2%）、北京（15.1%）、江蘇（10.4%），占48.7%，約50%。因此，從結(jié)果來看，采用這三種篩選方法對(duì)企業(yè)進(jìn)行篩選基本合理。

3.2 變量定義

參考過往研究，本文所選取的樣本企業(yè)屬于工業(yè)企業(yè)范疇，因此選擇崗位性質(zhì)維度為基準(zhǔn)回歸的因變量，即生產(chǎn)性員工在制造業(yè)企業(yè)中一般被認(rèn)為是低技能員工，管理和技術(shù)性員工被認(rèn)為是高技能員工。同時(shí)將以下變量作為企業(yè)融合人工智能的前定特征變量：企業(yè)研發(fā)投入、企業(yè)資本深化程度、企業(yè)年齡、企業(yè)規(guī)模、企業(yè)全要素生產(chǎn)率、企業(yè)對(duì)外貿(mào)易強(qiáng)度。另外，為控制固定效應(yīng)，加入以下3個(gè)虛擬變量：企業(yè)注冊地所在省份、企業(yè)注冊所有制性質(zhì)、企業(yè)所處證監(jiān)會(huì)分類下行業(yè)。

考慮到人工智能與制造業(yè)融合模式的異質(zhì)性，本文確定年份的方式主要有以下幾個(gè)：公司人工智能產(chǎn)品的主營業(yè)務(wù)收入開始出現(xiàn)的年份、公司“業(yè)務(wù)概要”和“經(jīng)營情況討論與分析”的文字表述中涉及人工智能產(chǎn)品取得重大進(jìn)展的年份、公司控股或參股以人工智能產(chǎn)品為主營業(yè)務(wù)公司控/參股年份、公司與其他已確認(rèn)為人工智能企業(yè)形成智能產(chǎn)品或服務(wù)方面的戰(zhàn)略合作且該項(xiàng)產(chǎn)品或服務(wù)在市場上受到廣泛認(rèn)可的年份、“在建工程”會(huì)計(jì)科目明細(xì)項(xiàng)涉及“人工智能”應(yīng)用的工程完工且可使用的年份或由“在建工程”轉(zhuǎn)入“固定資產(chǎn)”的年份。

4 實(shí)證分析

本文主要研究人工智能對(duì)制造業(yè)企業(yè)高技能和低技能就業(yè)比重的影響，初始樣本為滬深兩市2020年以前上市的企業(yè)919家和全國中小企業(yè)股份轉(zhuǎn)讓系統(tǒng)掛牌（新三板）全部制造業(yè)企業(yè)4033家，共4952家，數(shù)據(jù)跨度為2012—2019年，制造業(yè)的界定以證監(jiān)會(huì)（CSRC）行業(yè)（2017）和國民經(jīng)濟(jì)行業(yè)分類的劃分標(biāo)準(zhǔn)為準(zhǔn)。

參考既有研究的做法，本文剔除已停牌、退市或中止?fàn)顟B(tài)的企業(yè)，ST股票，考察期2012—2019年重要財(cái)務(wù)數(shù)據(jù)非正常原因缺失。經(jīng)處理得到4447家企業(yè)初始數(shù)據(jù)。本文企業(yè)員工數(shù)據(jù)和財(cái)務(wù)數(shù)據(jù)來自 Wind 經(jīng)濟(jì)金融數(shù)據(jù)庫，專利數(shù)據(jù)來自萬方企業(yè)專利數(shù)據(jù)庫，政策文件來自中央和各省份的相關(guān)部門網(wǎng)站，用來參考人工智能企業(yè)范圍的報(bào)告來自騰訊研究院及清華研究院。

4.1 模型設(shè)計(jì)

根據(jù)企業(yè)是否是人工智能制造企業(yè)將所有樣本劃分為兩組，處理組（是人工智能制造企業(yè)）和初步對(duì)照組（不是人工智能制造企業(yè)），通過傾向得分匹配（PSM）篩選出初步對(duì)照組中與處理組企業(yè)性質(zhì)近似的樣本作為實(shí)驗(yàn)對(duì)照組，通過企業(yè)實(shí)際的不同技能就業(yè)比重變化差分比較獲得人工智能的技能偏向效應(yīng)，模型設(shè)定如下：

4.2 PSM－DID回歸結(jié)果與分析

PSM－DID方法可以較好避免解釋變量的內(nèi)生性問題，本文采用傾向得分匹配方法，篩選出與處理組企業(yè)特征相似的實(shí)驗(yàn)對(duì)照組作為PSM－DID的第一步。因此，本文選擇兩類變量作為分析對(duì)象：①2013—2019年融合了人工智能技術(shù)的制造業(yè)企業(yè)，稱為處理組；②2012—2019年未融合人工智能技術(shù)的制造業(yè)企業(yè)，稱為初始對(duì)照組。

本文選取以下變量進(jìn)行匹配，包括企業(yè)研發(fā)投入強(qiáng)度、資本深化程度、企業(yè)年齡、企業(yè)規(guī)模和全要素生產(chǎn)率，采用Logit回歸模型：

logit（AIit=1）=f（DYit-1， Kit-1， lnAgeit-1， lnScaleit-1， TFPit-1）（3）

使用Logit模型按年份計(jì)算處理組和初始對(duì)照組企業(yè)融合人工智能技術(shù)的概率，這一概率作為傾向得分。選擇與處理組企業(yè)傾向得分最接近的初始對(duì)照組企業(yè)作為實(shí)驗(yàn)對(duì)照組，使用非替代性最臨近匹配法，采用1∶3的比例進(jìn)行匹配，最終得到處理組210家、實(shí)驗(yàn)對(duì)照組企業(yè)568家。

以高技能勞動(dòng)力就業(yè)比重作為被解釋變量進(jìn)行回歸，解釋變量AI×YEAR的系數(shù)全部為正且統(tǒng)計(jì)學(xué)意義上顯著，制造業(yè)企業(yè)生產(chǎn)或應(yīng)用人工智能產(chǎn)品提高了對(duì)高技能崗位的相對(duì)需求，高技能占比約提高了2.3個(gè)百分點(diǎn)。資本深化程度的系數(shù)顯著為正，研發(fā)費(fèi)用與企業(yè)規(guī)模的系數(shù)顯著為正，說明廠商規(guī)模的擴(kuò)大增加了對(duì)高技能勞動(dòng)力的雇傭。

以低技能勞動(dòng)力就業(yè)比重作為被解釋變量進(jìn)行回歸，解釋變量AI×YEAR的系數(shù)全部為負(fù)且統(tǒng)計(jì)學(xué)意義上顯著，制造業(yè)企業(yè)生產(chǎn)或應(yīng)用人工智能產(chǎn)品降低了對(duì)低技能崗位的相對(duì)需求，低技能占比約降低了2.8個(gè)百分點(diǎn)。樣本期內(nèi)資本深化程度提高，但對(duì)高技能員工的需求沒有增加，說明高技能員工就業(yè)對(duì)資本深化程度的需求彈性更高；研發(fā)強(qiáng)度和全要素生產(chǎn)率系數(shù)減少的絕對(duì)值大于技術(shù)對(duì)高技能就業(yè)的提高值，說明低技能員工就業(yè)對(duì)研發(fā)投入的需求彈性更高。

4.3 智能制造細(xì)分行業(yè)的就業(yè)結(jié)構(gòu)差異分析

我國制造業(yè)細(xì)分領(lǐng)域眾多，不同細(xì)分行業(yè)因其產(chǎn)業(yè)特質(zhì)、發(fā)展歷史等原因，集中度、規(guī)模等均大有不同。從當(dāng)前工業(yè)化進(jìn)程和智能制造需求兩個(gè)角度，將它們歸為四大類：

（1）領(lǐng)導(dǎo)者：計(jì)算機(jī)、通信和電子設(shè)備制造業(yè)，汽車制造業(yè)，家電制造業(yè)，家具建材制造業(yè)，醫(yī)藥制造業(yè)。

（2）挑戰(zhàn)者：紡織服裝業(yè)，機(jī)械裝備制造業(yè)，儀器儀表制造業(yè)，電氣設(shè)備制造業(yè)，航空航天、鐵路及船舶制造業(yè)。

（3）探索者：石油加工、煉焦及核燃料加工業(yè)，化學(xué)原料及化學(xué)制品制造業(yè)，非金屬礦物制品制造業(yè)，有色金屬冶煉及加工業(yè)，黑色金屬冶煉及加工業(yè)。

（4）觀望者：食品飲料制造業(yè)，文體娛樂用品制造業(yè)，橡膠與塑料制品制造業(yè)，造紙、包裝及印刷業(yè)。

根據(jù)四大類智能制造企業(yè)將匹配的企業(yè)分為四組進(jìn)行回歸，所得報(bào)告如表3所示。

從表3中可以看出，基本所有的制造企業(yè)在融合人工智能技術(shù)后，對(duì)高技能勞動(dòng)力的需求都有所提升，對(duì)低技能勞動(dòng)力的需求都有所縮減。挑戰(zhàn)類企業(yè)融合人工智能技術(shù)后對(duì)高技能勞動(dòng)力的需求要高于其他類型企業(yè)，也表明挑戰(zhàn)類企業(yè)對(duì)融合人工智能有更多的需求；觀望類企業(yè)融合人工智能技術(shù)后對(duì)低技能勞動(dòng)力的需求減少最多，這也表明這類企業(yè)在人工智能的進(jìn)程中處在末端，引入智能技術(shù)后對(duì)就業(yè)沖擊較大。

5 結(jié)論與展望

本文通過實(shí)證研究了人工智能技術(shù)對(duì)制造業(yè)不同細(xì)分行業(yè)就業(yè)結(jié)構(gòu)影響的差異，研究表明，制造業(yè)企業(yè)生產(chǎn)或應(yīng)用人工智能產(chǎn)品會(huì)增加對(duì)高技能勞動(dòng)力的需求，也會(huì)降低對(duì)低技能崗位的相對(duì)需求。同時(shí)，資本深化程度越高、廠商規(guī)模越大，企業(yè)越會(huì)增加對(duì)員工的需求，且對(duì)高技能員工需求更多；企業(yè)對(duì)技術(shù)要素投入越多，對(duì)高技能勞動(dòng)力需求越多，對(duì)低技能員工需求越少，且減少的低技能員工多于增加的高技能員工；企業(yè)年齡系數(shù)和對(duì)外貿(mào)易強(qiáng)度的對(duì)高、低技能勞動(dòng)力需求基本沒有十分顯著的影響。結(jié)合對(duì)智能制造行業(yè)的分類進(jìn)行回歸發(fā)現(xiàn)，挑戰(zhàn)類企業(yè)融合人工智能技術(shù)后對(duì)高技能勞動(dòng)力的需求缺口最大，市場急需補(bǔ)充更多高技能的勞動(dòng)力到此類企業(yè)中，觀望類企業(yè)融合人工智能技術(shù)后對(duì)低技能勞動(dòng)力的要求減少最多，如果這類企業(yè)融合智能技術(shù)，將對(duì)人力成本有著極大的節(jié)省。

針對(duì)上述結(jié)論，提出以下發(fā)展人工智能制造業(yè)的相關(guān)建議：整體來看，制造業(yè)融合人工智能技術(shù)是必然趨勢。制造業(yè)企業(yè)應(yīng)該在頂層設(shè)計(jì)、核心技術(shù)、場景應(yīng)用、人才、融資等方面主動(dòng)地融合人工智能技術(shù)，加大投入力度，且不同類別的智能制造企業(yè)應(yīng)該有針對(duì)性地調(diào)整措施。

對(duì)于智能制造企業(yè)中的領(lǐng)導(dǎo)者來說，未來應(yīng)著重深化融合人工智能程度。面對(duì)企業(yè)內(nèi)部逐步上升的人力成本，企業(yè)領(lǐng)導(dǎo)層要加大對(duì)技術(shù)的投入，以技術(shù)進(jìn)步帶來的利潤抵消升高的人力成本與技術(shù)投入；積極探索企業(yè)內(nèi)更多人工智能應(yīng)用場景，在應(yīng)用層同樣要走在制造業(yè)前列；企業(yè)間自發(fā)組織領(lǐng)導(dǎo)類企業(yè)聯(lián)盟，利用企業(yè)群的平臺(tái)優(yōu)勢，加速成長壯大。

對(duì)于智能制造挑戰(zhàn)者來說，應(yīng)當(dāng)主動(dòng)探索節(jié)省經(jīng)營成本的做法，加快更新生產(chǎn)設(shè)備與生產(chǎn)流程；與生產(chǎn)技術(shù)成熟的企業(yè)主動(dòng)合作，吸收先進(jìn)的技術(shù)經(jīng)驗(yàn)，加速本企業(yè)的智能化轉(zhuǎn)型；面對(duì)可能出現(xiàn)的高技能勞動(dòng)力缺口，企業(yè)應(yīng)主動(dòng)與高校聯(lián)系，設(shè)立優(yōu)秀學(xué)校學(xué)生的就業(yè)直通車機(jī)制，搶在前端從校方吸收高素質(zhì)人才；對(duì)于融合人工智能后出現(xiàn)的低技能勞動(dòng)力崗位消失情況，應(yīng)主動(dòng)開設(shè)高技能崗位相關(guān)培訓(xùn)課程，加速企業(yè)內(nèi)部人才轉(zhuǎn)型，減少人才培養(yǎng)成本。

對(duì)于智能制造探索者來說，應(yīng)該著力在精益化生產(chǎn)與提高流程管控能力方面融合智能技術(shù)，利用大數(shù)據(jù)實(shí)現(xiàn)生產(chǎn)管控一體化，打造智能工廠，在最優(yōu)化生產(chǎn)能力基礎(chǔ)上提高生產(chǎn)效率。對(duì)于智能制造觀望者來說，更應(yīng)在服務(wù)與管理流程上加大對(duì)人工智能技術(shù)的投入力度。

在本文的研究過程中，仍存在部分制造企業(yè)被遺漏選取、主觀判斷失誤造成的分類結(jié)果偏頗的情況，因此在日后的研究中，應(yīng)盡可能將全部符合定義的人工智能制造企業(yè)納入實(shí)證檢驗(yàn)中，并探索更為合理的方法進(jìn)行制造業(yè)的分類，同時(shí)希望能夠借用類似的方法對(duì)更多智能行業(yè)的就業(yè)結(jié)構(gòu)進(jìn)行探索分析。

參考文獻(xiàn)：

［1］CHANDLER， ALFRED D. The visible hand： the managerial revolution in american business. Harvard University Press， 1977.

［2］ POSTEL－VINAY F. The dynamics of technological unemployment［J］. International Economic Review， 2002（43）： 737－760.

［3］ 李嘉圖.政治經(jīng)濟(jì)學(xué)及賦稅原理［M］.郭大力，王亞南，譯.北京：商務(wù)印書館，2013.

［4］ FORD M. Rise of the robots： technology and the threat of a jobless［M］. New York： Basic Books， Inc.， 2016.

［5］ FREY C B， OSBORNE M A. The future of employment： how susceptible are jobs to computerization？［J］. Technological Forecasting and Social Change， 2017（114）：254－280.

［6］ ACEMOGLU D， RESTREPO P. Modeling automation［J］. AEA Papers and Proceedings， 2018（108）： 48－53.

［7］ ACEMOGLU DARON， PASCUAL RESTREPO. Artificial Intelligence， Automation and Work. NBER Working Paper 24196， 2018.

［8］ AUTOR D H， SALOMONS A. Is automation labor displacing？ Productivity growth， employment， and the labor share. Brookings Papers on Economic Activity， 2018.