【《人工智能技术应用对制造业就业影响的实证分析》4900字】

人工智能技术应用对制造业就业影响的实证分析目录TOC\o"1-3"\h\u9286人工智能技术应用对制造业就业影响的实证分析 186791.1计量模型设定与指标选取 1145141.1.1计量模型设定 1166961.1.2变量定义与数据来源 233671.2统计特征 5215781.2.1描述性统计 5112011.2.2单位根检验 5219301.3实证结果与分析 6251441.3.1人工智能技术应用对制造业就业总量影响实证结果 631071.3.2人工智能技术应用对制造业就业结构影响实证结果 752021.3.3内生性问题 10194291.3.4稳健性检验 111.1计量模型设定与指标选取1.1.1计量模型设定影响制造业就业量的因素有很多，在探究人工智能技术应用对制造业就业影响时，还要考虑其他控制变量，这里借鉴杨浩昌、刘军等人[88]的研究将工资水平、人力资本水平、城镇化水平、地区生产水平、研发费用的投入、外商投资以及国家资本这些变量作为本文的控制变量。因此，我们设定计量模型为：模型1：模型2：模型3：其中，模型1中L为被解释变量，表示制造业就业人数；模型2中L1为被解释变量，表示制造业非技能劳动就业人数；模型3中L2为被解释变量，表示制造业技能劳动就业人数；核心解释变量Inte_manu表示制造业智能发展水平；变量Wage、Edu、Urban、GDP、Fdi、Rd以及Gov为一系列控制变量，分别表示制造业平均工资水平、人力资本水平、城镇化发展水平、地区生产总值、外商投资水平；研发投入以及国家财政支出；α为常数项；u代表个体因素；ε为随机扰动项；下标i、t分别表示研究的地区和年份，地区选取的是我国各个省份，时间选择的年份为2008-2016年。1.1.2变量定义与数据来源本文选取2008-2016年中国省级面板数据进行实证分析，研究数据主要来源于2008-2016年《中国统计年鉴》、《中国工业统计年鉴》、《中国科技统计年鉴》、《中国人口和就业统计年鉴》、《中国劳动统计年鉴》、《中国电子信息产业统计年鉴》、各省统计年鉴、CNNIC数据库以及CSMAR数据库。下面对各变量的选取作具体说明：（1）制造业就业人数（L）。本文通过中国制造业就业总人口衡量制造业就业人数L。选取各地区制造业企业R&D人员衡量制造业技能劳动就业人数，而制造业非技能劳动就业人数通过制造业就业总人数与制造业技能劳动就业人数相减取得，制造业非技能劳动就业人数和技能劳动就业人数分别表示为L1、L2；（2）制造业智能发展水平（Inte_manu）。本文以孙早、侯玉琳[89]构建的工业智能化水平指标体系衡量制造业智能发展水平。共涉及软件普及和应用情况、智能化设备投入情况、信息资源采集能力等10个细化指标。综合参考涉及测度人工智能发展水平的各个变量的各类统计年鉴，鉴于数据的可获得性，最终本文选取我国2008-2016年31个省（市、自治区）的面板数据作为测度人工智能发展水平的样本（港澳台地区由于部分数据缺失，所以暂不考虑）。测度人工智能发展水平的指标和数据来源见表5-1。表5-1中国人工智能发展水平的测度指标综合这10个细化指标，本文借鉴樊纲等[90]对市场化指数的构造方法，采用“主因素分析法”测度各省份工业智能化的相对程度。（3）其他变量。制造业平均工资水平（Wage）为各地区制造业分城镇单位就业人员平均工资，人力资本水平（Edu）用各地区制造业就业人员平均受教育年限表示，城镇化发展水平（Urban）用各地区城镇人口占总人口的比例表示，地区生产总值（GDP）为地区生产总值，外商投资水平（Fdi）为外商对中国制造业企业的直接投资额，并用每年的人民币汇率进行换算，研发投入（Rd）表示为规模以上工业企业研发经费投入，国家财政支出（Gov）为我国对制造业企业的直接投资。1.2统计特征1.2.1描述性统计文章将模型中因变量：制造业就业人数L、制造业非技能劳动就业人数L1、制造业技能劳动就业人数L2；自变量：制造业智能发展水平Inte_manu；控制变量：制造业平均工资水平Wage、人力资本水平Edu、城镇化发展水平Urban、地区生产总值GDP、外商投资水平Fdi、研发投入Rd、国家财政支出Gov各个变量2008-2016年31个省（市、自治区）的面板数据取对数进行了描述性统计，各变量的描述性统计结果见表5-2。表中主要汇报了各个变量的均值以及标准差。表5-2主要变量描述统计变量总体东部地区中部地区西部地区均值标准差均值标准差均值标准差均值标准差因变量InL4.351.321.051.114.540.533.341.43InL14.291.314.981.104.480.533.301.42InL21.331.612.091.431.660.690.091.69自变量社会网络变量Inte_manu16.351.8117.391.4316.570.9114.871.87控制变量InWage10.560.3510.640.3810.470.3110.530.32InEdu2.160.152.240.112.180.062.050.18InUrban3.940.274.130.233.910.123.730.24InGDP9.411.029.930.859.630.448.571.06InFdi14.341.7811.891.1914.200.4712.611.42InRd13.851.6714.761.4014.140.6512.501.74InGov12.351.5113.261.0212.490.8211.031.621.2.2单位根检验要证明进行实证分析的面板数据是稳定的,就必须进行单位根检验。基于已有方法,我们可以选用LLC统计量对面板数据加以检测。检验结果表明每个变量的数值均明显拒绝原假设,表明我们的面板数据是相对平稳的。1.3实证结果与分析本文运用stata.16进行分析。根据上文的基本模型和假设，本部分将实证检验人工智能技术应用对中国制造业就业总量以及就业结构的影响。这里运用的所有模型都考虑了个体因素和时间因素，在使用面板数据进行回归之前，均进行了豪斯曼检验，根据检验结果，本文选择的模型均采用固定效应模型并使用聚类标准误，表5-3、5-4、5-6报告了模型估计的结果。1.3.1人工智能技术应用对制造业就业总量影响实证结果结果显示，人工智能技术应用对中国制造业就业总量具有正向影响，并在5%的水平上显著，验证了本文提出的假设1。人工智能技术应用并没有对就业岗位造成实质性威胁，相反，人工智能技术应用对就业具有显著的促进作用，通过提高劳动生产率、研发能力以及国际竞争力创造了更多的就业机会。从表1.3可以看出，除了人工智能技术应用对制造业就业总量存在正向影响外，地区的城镇化水平、地区的生产总值、研发投入、外商直接投资以及国家资本投入均对制造业就业总量存在正向影响，但只有研发投入在1%的水平上显著，其他变量都不显著。从表5-3中的模型1还可以看出制造业工人平均工资和人力资本水平对制造业就业总量造成负面影响，制造业工人平均工资变量影响不太显著，人力资本水平变量在10%的水平上作用显著。表5-3人工智能技术应用对制造业劳动力就业总量的估计结果变量模型1LInInte_manu0.064**(0.031)InWage-0.238(0.248)InEdu-0.867*(0.496)InUrban0.150(0.336)InGDP0.119(0.191)InFdi0.007(0.042)InRd0.219***(0.073)InGov0.009(0.014)_consN240r20.989注：括号内为t值，*、**、***分别表示在10%、5%、1%的显著性水平下通过检验。1.3.2人工智能技术应用对制造业就业结构影响实证结果表5-4是人工智能技术应用对制造业劳动力就业技能结构的估计结果。从表的实证结果可以看出，人工智能技术应用对非技能劳动者就业数量同样具有正向影响，在10%的水平上显著，对技能劳动者的就业数量也具有正向影响，在1%的水平上显著，验证了本文提出的假设2。从实证分析的结果来看，人工智能技术应用对制造业技能劳动力就业总量的提升明显高于对非技能劳动力总量的提升。对于制造业非技能劳动者，人工智能技术发展会使企业引进机器进行生产工作，有些简单和重复的工作就会被机器所代替，在一定程度上造成非技能劳动者数量有所减少。模型2人工智能技术应用对制造业非技能劳动者就业量的估计结果和模型1对制造业就业总量的估计结果相类似，除了人工智能技术应用对非技能劳动者就业数量存在正向影响外，地区的城镇化水平、地区的生产总值、研发投入、外商直接投资以及国家资本投入均对非技能劳动者就业数量存在正向影响，但只有研发投入在5%的水平上显著，其他变量都不显著。从表5-4中的模型2还可以看出制造业工人平均工资和人力资本水平对制造业就业总量造成负面影响，制造业工人平均工资变量影响不太显著，人力资本水平变量在10%的水平上作用显著。而模型3人工智能技术应用对技能劳动者就业量的估计结果与前面的模型结果有所不同，除了人工智能技术应用对技能劳动力就业量有显著的正面影响外，工资水平、人力资本水平、地区生产总值、研发投入和国家资本也对技能劳动力就业量有正面影响，同样，只有研发投入在1%的水平上显著，城镇化发展水平和外商直接投资对技能劳动力就业量在5%的水平上显著的负相关。表5-4人工智能技术应用对制造业劳动力就业技能结构的估计结果变量模型2模型3L1L2InInte_manu0.060*0.132***(0.033)(0.025)InWage-0.2410.020(0.262)(0.200)InEdu-0.937*0.101(0.524)(0.399)InUrban0.207-0.658**(0.355)(0.270)InGDP0.1230.147(0.201)(0.153)InFdi0.008-0.074**(0.044)(0.033)InRd0.191**0.838***(0.077)(0.058)InGov0.0100.010(0.015)(0.011)_consN240240r20.9870.995注：括号内为t值，*、**、***分别表示在10%、5%、1%的显著性水平下通过检验。不同区域人工智能技术应用对制造业就业总量和就业结构可能存在差异。本文区域划分按照由经济基础,发展条件和政策环境的差异逐步形成的东部地区、中部地区、西部地区，具体划分结果如表5-5所示：表5-5区域划分结果表5-6报告的就是东部地区、中部地区、西部地区三个不同区域人工智能技术发展水平对区域制造业就业总量及结构的影响估计结果。结果显示，人工智能技术应用对东部地区和中部地区制造业劳动力就业总量以及结构估计结果十分相似，对所在地区的制造业就业总量、非技能劳动力和技能劳动力都具有正面影响，但除了对技能劳动力就业总量在5%的水平上显著，其他的估计结果都不显著；从表5-6可以明显看出，西部地区的估计结果和东、中部地区显著不同，西部地区人工智能技术应用对区域制造业就业总量以及非技能劳动力就业数量具有负面影响，但结果都不显著，对技能劳动力就业总量的估计结果与东部和中部地区一样，都具有正面影响，但估计结果不太显著。这一结果同样验证了上文提出的假设3。表5-6人工智能技术应用影响制造业劳动力就业总量及结构的区域差异的估计结果变量模型1L模型2L1模型3L2东部地区中部地区西部地区东部地区中部地区西部地区东部地区中部地区西部地区InInte_manu0.0340.041-0.0440.0240.035-0.0470.141**0.130**0.054(0.085)(0.078)(0.030)(0.091)(0.083)(0.031)(0.058)(0.059)(0.039)InWage0.3580.370-0.4920.4110.399-0.5260.276-0.4030.117(0.543)(0.584)(0.305)(0.579)(0.620)(0.316)(0.367)(0.444)(0.390)InEdu-1.076-1.962**-0.727-1.131-2.266**-0.747-0.1231.0870.615(1.188)(0.891)(0.502)(1.267)(0.947)(0.520)(0.804)(0.677)(0.643)InUrban-0.1163.142***-1.391**-0.1203.362***-1.421**-0.290-0.8660.864(0.633)(1.014)(0.537)(0.675)(1.078)(0.556)(0.428)(0.771)(0.688)InGDP0.180-0.1740.3990.181-0.1960.3790.2350.0880.464(0.339)(0.531)(0.253)(0.361)(0.565)(0.262)(0.229)(0.404)(0.324)InFdi-0.016-0.189**0.091**-0.013-0.209**0.096**-0.0390.015-0.043(0.099)(0.091)(0.040)(0.105)(0.096)(0.041)(0.067)(0.069)(0.051)InRd0.0510.469***0.146*0.0320.445**0.1220.782***0.874***0.549***(0.167)(0.172)(0.080)(0.178)(0.183)(0.083)(0.113)(0.131)(0.103)InGov0.019-0.067*-0.0020.023-0.068*-0.001-0.007-0.028-0.011(0.033)(0.037)(0.013)(0.035)(0.039)(0.013)(0.022)(0.028)(0.017)_consN967172967172967172r20.9880.9700.9960.9860.9660.9950.9960.9890.995注：括号内为t值，*、**、***分别表示在10%、5%、1%的显著性水平下通过检验。1.3.3内生性问题在进行实证分析过程中最不容忽视的问题之一就是解释变量之间的内生性问题。人工智能技术影响制造业就业，反过来，人工智能技术水平会受到劳动禀赋的影响，所以人工智能技术发展水平和制造业就业总量之间可能存在逆向因果关系，这种逆向因果关系可能会造成基准回归的估计误差。这里借鉴孙早、侯玉琳的做法，检验工业智能化变量是否存在逆向因果内生性问题，将制造业智能发展水平作为因变量，对各省份制造业不同技能劳动力数量、地区发展水平、研发投入、外商直接投资等因素进行回归，估计结果如表5-7。结果显示，制造业智能发展水平与地区的外商直接投资以及研发投入变量显著相关，说明制造业智能发展水平变量不是严格外生的，但制造业劳动力就业总量、非技能劳动力就业量以及技能劳动力就业量都不显著，而本文重点研究的是制造业智能发展水平对制造业劳动力就业量的影响，所以一定程度上排除了制造业智能发展水平变量存在逆向因果的可能性。表5-7各因素影响制造业人工智能发展水平的估计结果模型1模型2模型3LL1L2InLi0.2330.2110.529(0.189)(0.183)(0.396)InWage0.0760.0700.053(0.305)(0.307)(0.214)InEdu1.7361.7241.777(1.537)(1.535)(1.542)InUrban-1.077-1.084-0.978(0.882)(0.883)(0.909)InGDP-0.111-0.107-0.046(0.330)(0.333)(0.288)InFdi0.253*0.255*0.275*(0.134)(0.134)(0.139)InRd0.855***0.872***0.442(0.231)(0.227)(0.519)InGov-0.065-0.065-0.057(0.060)(0.060)(0.060)_cons1.3611.2966.104(0.966)(0.961)(3.949)N241241241r20.9130.9130.915注：括号内为t值，*、**、***分别表示在10%、5%、1%的显著性水平下通过检验。1.3.4稳健性检验为了进一步验证回归结果的可靠性，本文尝试更换不同的被解释变量进行稳健性检验，这里选择更换制造业技能劳动力数量，前面我们用制造业研发人数衡量制造业技能劳动力数量，这里我们统计了制造业28个细