工业智能化影响劳动力就业结构的门槛分析

惠树鹏 朱晶莹

一 问题提出及文献简述

随着智能化技术与工业的深度融合，工业智能化在推动工业高效发展的同时也对劳动力就业结构产生了深刻影响。如何有效应对工业智能化背景下劳动力就业结构的变化成为政府和学界密切关注的问题。李晓华(2018)[1]、沈文玮(2018)[2]等研究认为智能化会造成长期大规模失业且这种失业将是绝对的、不可逆转的。尹蕾和王让新(2018)[3]认为智能化不仅会导致失业问题，还会引发严重的伦理问题。而谢璐等(2019)[4]则认为工业智能化创造的新岗位和新行业会吸纳被其挤出的劳动力。韩民春和乔刚(2020a)[5]通过文献梳理发现，工业智能化对劳动力的影响存在偏向性，具体表现在工业智能化会替代从事标准化、程序化工作的劳动力。还有些学者如吴明和王宁(2017)[6]认为目前工业智能化的发展对就业的长期影响是无法确定的，需要密切关注工业智能化的后续发展。由于工业智能化是一个新生事物，其概念尚未有明确的内涵与外延，因此上述研究都侧重于定性分析。也有少部分学者从不同视角定量研究了工业智能化对就业结构的影响，李俊珏(2019)[7]对比近几年工业智能化的发展速度和劳动力供给的增长速度发现，工业智能化的发展速度过快，会淘汰一批未能适应新一轮科技变革的劳动力，导致“机器排人”，造成失业。朱巧玲和李敏(2018)[8]将劳动力划分为技能劳动和非技能劳动，研究发现虽然我国劳动力质量的提升速度与工业智能化相比过于缓慢，但长远来看工业智能化会增加高技能劳动力与中低技能劳动力的相对供给，有助于我国劳动力结构的优化。韩民春和乔刚(2020b)[9]通过对工业机器人与制造业就业的研究发现，工业机器人的应用对高技能劳动力就业影响不显著，而对低技能劳动力就业有显著的抑制作用。Acemoglu和Autor(2011)[10]以收入水平划分劳动力就业结构，研究发现美国在过去三十年中低劳动者收入大幅降低，近十年工业智能化趋于成熟后劳动力就业结构呈现两极化。Autor和Dorn(2013)[11]研究发现美国在很长时间内低技能劳动者的实际收入停滞或下降，当智能化的发展带动服务行业蓬勃发展之后，大量低技能劳动者涌入服务行业，导致就业的两极化。孙早和侯玉琳(2019)[12]受到国外学者研究的启发，定量分析发现我国与欧美一些国家一样，工业智能化会加剧我国就业结构的两极化。但屈小博和程杰(2015)[13]认为我国仍是发展中国家，工业化、城镇化水平以及劳动力的受教育程度与欧美发达国家还有很大区别，中国的就业结构变动总体上是呈现出升级特征的，技能劳动力的需求会持续增长。而邓翔和黄志(2019)[14]也通过研究发现我国正处在工业智能化的初期，挤出效应占据主导地位，工业智能化对重复性高、创造性低的工作行业冲击尤为严重，与发达国家的情况有所区别。

梳理文献发现，目前我国工业智能化对就业结构影响的研究相对较少，且大部分学者仅定性分析了工业智能化对就业结构带来的整体性影响，只有少部分学者定量分析了工业智能化对于不同技能等级劳动力的影响，但所得结论仍有争议。我国工业智能化不仅所处的发展阶段与发达国家不同，而且发展工业智能化的外部环境条件相较于发达国家也存在显著差异，我国产业结构不断调整升级，人口老龄化问题日益突出，因此与发达国家工业智能化所带来的挑战亦不尽相同(张于喆，2019)[15]，基于国外发展经验的简单类推分析未必符合我国工业智能化发展的实际。而在定量分析方面，已有研究多采用线性模型单纯分析工业智能化对劳动力就业结构的影响，但工业智能化所涉及的技术进步是非线性的(孙早和侯玉琳，2019[12]；杨斌，2017[16])，工业智能化对劳动力就业结构的影响也并非简单的线性关系。在不同外部发展环境的约束之下，工业智能化的发展对劳动力就业结构会产生怎样的影响鲜有学者研究。本文借鉴已有研究，在界定工业智能化内涵的基础上,充分考虑中国国情,定量考察工业智能化对劳动力就业结构影响的门槛效应。与已有文献相比，本文在以下几个方面进行了拓展：一是通过理论分析和计量模型验证了工业智能化对劳动力就业结构影响的门槛效应；二是进一步揭示了产生门槛效应的原因，即工业智能化对劳动力就业结构的影响因产业结构升级、人口老龄化等因素的约束而呈现门槛特征；三是基于东部、中部、西部三大区域产业结构升级、人口老龄化等差异性，分析了工业智能化对劳动力就业结构影响的区域异质性。

二 理论模型

借鉴Acemoglu和Autor(2011)[10]提出的基于任务的理论模型,假设经济体存在不同技能的劳动力，它们执行分布在连续区间上的不同任务，中低技能劳动力执行能被编程、容易被自动化机器取代的常规性任务(李俊珏，2019)[7]；而高技能劳动力则承担不能转化为程序语言、无法被自动化机器取代的非常规性任务，即当i∈[0,I]时，h(i)=0;当i∈[I, 1]时，l(i)=0。其中，I表示中低技能劳动力和高技能劳动力的任务边界，l(i)和h(i)表示分配到任务i上的中低技能劳动力和高技能劳动力的数量。现将工业智能化水平K(i)作为高技能劳动力和中低技能劳动力的一种替代品引入模型，执行任务区间[0, 1]上的任务，可得任务i的生产函数：

y(i)=ALαL(i)l(i)+AHαH(i)h(i)+AKαK(i)K(i)

(1)

则最终产出：

(2)

而最终产品价格P以1计，可得：

其中，p(i)表示任务i的价格。AL、AH和AK表示中低技能劳动力、高技能劳动力相应的技术水平以及工业智能化水平。αL(i)、αH(i)和αK(i)表示劳动生产率，为了保证不同技能劳动力在各自任务区间存在明显优势，假设αL(i)=1-i，αH(i)=i即αL(i)/αH(i)在任务区间[0, 1]内连续可导且严格递减(朱巧玲和李敏，2018)[8]。l(i)、h(i)和K(i)表示劳动力的数量。则根据在临界点I的均衡条件可知：

ALαL(I)L/I=AHαH(I)H/(1-I)

(3)

对式(3)取对数：

lnAL-lnAH+lnαL(I)-lnαH(I)+lnL-lnH+ln(1-I)-lnI=0

(4)

现引入区间长度为ε的任务区间[I-ε,Iε]⊂[0,I]，该区间表示工业智能化作用的任务区间，即i∈[I-ε,Iε]时，l(i)=h(i)=0。在此区间内，工业智能化的劳动生产率αK(i)足够高，可得到新的任务边界均衡条件：

lnAL-lnAH+lnαL(I)-lnαH(I)+lnL-lnH+ln(1-I)-ln(I-ε)=0

(5)

又因为αL(i)=1-i，αH(i)=i，当i=I时，可得：

lnAL-lnAH+ln(1-I)-lnI+lnL-lnH+ln(1-I)-ln(I-ε)=0

(6)

劳动力的任务边界会随工业智能化的发展而发生变动，即I是关于ε的函数，因此对式(6)求导可得：

dI/dε=I(1-I)/[(I-ε)(1-I)+I(1-I)+2I(1-ε)]>0

(7)

所以，I是关于ε的增函数。

在均衡条件之下，雇用相同技能的劳动力必须付给他们相同的薪资，否则，在竞争激烈的市场假设下，没有任何工人会为较低工资的工作提供劳动力。因此为方便观察，同一类型劳动力执行的任何两个任务之间的价格差异必须恰好抵消了这两种工人在这两个任务中的生产率差异，即：

p(i)αL(i)=p(i′)αL(i′)≡PL，i,i′∈[0,I]

(8)

p(i)αH(i)=p(i′)αH(i′)≡PH，i,i′∈(I, 1]

(9)

其中，PL表示中低技能劳动力价格指数，PH表示高技能劳动力价格指数。

根据最终产品生产成本最小化条件，可得：

p(i)y(i)=p(i′)y(i′)，i,i′∈[0, 1]

用最终产品作为计价物，变换得：

Y/y(i)=p(i)/P， 即Y=p(i)y(i)

(10)

因此，由式(1)和式(10)可知，当i,i′∈[0,I]时，p(i)αL(i)l(i)=p(i′)αL(i′)l(i′)

又由式(8)可得，l(i)=l(i′)，因此根据中低技能工人的市场清算条件，最终可得：

l(i)=L/I，i∈[0,I]

(11)

同理可证：

h(i)=H/(1-I)，i∈(I, 1]

(12)

由式(7)可知，随着工业智能化任务区间[I-ε,Iε]的不断拓展，任务边界值I会随着ε的增大而增大，但由式(11)和式(12)可知中低技能劳动力的需求函数l(i)是关于I的减函数，即当I增大时，中低技能劳动力的数量会减少；而高技能劳动力的需求函数h(i)则随着I的增大而增大。表明：当工业智能化水平逐渐提升，智能化会对中低技能劳动力就业产生冲击替代效应，而对高技能劳动力就业产生创造吸纳效应。

三 计量模型设定及变量说明

(一)模型设定

1.基本模型设定

基于理论模型，并参考陈卫民和施美程(2014)[17]、赖德胜和高曼(2017)[18]、江永红等(2016)[19]、吕世斌和张世伟(2015)[20]、郝楠和江永红(2017)[21]等的研究，人口老龄化、生活成本、产业结构升级、人力资本投资、经济开放度和城镇化水平也是影响劳动力就业结构的重要因素，因此将这些变量纳入控制变量之中，由此设定计量模型如下：

lnli, t=C+β1ln(INT)i, t+β2ln(CH)i, t+β3ln(SR)i, t+β4ln(HI)i, t+β5ln(TRA)i, t

+β6ln(UR)i, t+β7ln(LNFYB)i, t+μi, t

(13)

模型(13)中i表示地区，t表示时间；l表示劳动力结构；INT表示工业智能化水平；CH表示生活成本；SR表示产业结构升级；HI表示人力资本投资；TRA表示经济开放度；UR表示城镇化水平；LNFYB表示人口老龄化程度；μ为随机扰动项。

2.门槛模型设定

工业智能化是智能化技术镶嵌到工业生产领域各环节所产生的总体效应，由于技术进步是非线性的，同时受产业结构、人口老龄化等因素的影响，工业智能化对劳动力就业结构的影响也可能呈现非线性。因此，在基本模型的基础上，借鉴Hansen(1999)[22]提出的固定效应门槛回归方法，进一步设定门槛模型如下：

lnli, t=C+θ1ln(INT)i, tIi, t(thr≤τ1)+θ2ln(INT)i, tIi, t(τ1τ2)+

β1ln(CH)i, t+β2ln(SR)i, t+β3ln(HI)i, t+β4ln(TRA)i, t+β5ln(UR)i, t+β6ln(LNFYB)i, t+μi, t

(14)

模型(14)中，thr表示门槛变量(即工业智能化)；τ1和τ2为门槛变量所对应的两个门槛值；C、θ和β为待估参数。Ii, t(·)为虚拟变量，如果满足括号内的要求，则Ii, t(·)取1，否则Ii, t(·)取0。

(二)变量生成及说明

1.选取劳动力结构(l)作为被解释变量。随着中国人口红利的消失，劳动力成本逐渐上升，而工业智能化的飞速发展，使得新技术和新设备的价格不断下降，促使企业引进新技术、摒弃落后岗位，加速了不同技能劳动力在就业市场中的比重变动，从而改变劳动力就业结构，为了更好地展示劳动力就业结构随工业智能化发展的变动趋势，本文采用不同受教育程度就业人员占比衡量不同技能劳动力的就业情况，借鉴朱巧玲和李敏(2018)[8]的研究，采用二分法将小学及以下和初高中的劳动力视为中低技能劳动力，将大专及以上的劳动力视为高技能劳动力。

2.选取工业智能化(INT)为核心解释变量。已有文献多采用工业机器人的销量表征工业智能化，这过于偏颇简单，无法呈现出工业智能化的全貌，而孙早和侯玉琳(2019)[12]开创性地构建了工业智能化的多指标体系，较为全面地解释了工业智能化的内涵与外延。本文借鉴其指标体系，考虑数据的可得性，各二级指标的内涵及测量方法如下：(1)软件普及和应用。采用基础软件、支撑软件和嵌入式应用软件等产品的收入占所有工业企业主营业务收入的比重表示。(2)智能化设备投入。选用计算机、电子元器件和仪器设备等的进口额占所有工业企业主营业务收入的比重表示。(3)信息资源采集能力。用以表示各省份的互联网发展水平，具体选用互联网上网人数在15-64岁人口中的比重衡量。(4)数据处理和存储能力。用信息技术咨询服务收入和数据处理和运营服务收入之和占所有工业企业主营业务收入的比重进行测度。(5)智能制造企业。采用各省份智能制造企业主营业务收入占全国智能制造企业主营业务收入的比重表征。其中智能制造相关企业参考《中国制造2025》提及的十大领域，从WIND数据库获得相关数据。(6)新产品生产。选用新产品销售收入占工业企业主营业务收入的比重测度。(7)平台运营和维护。包括在线信息平台、电子商务平台和物流管理平台的运营和维护情况，用各省份地区平台运营和维护服务收入占所有工业企业主营业务收入的比重衡量。该数据包含于信息系统集成业务收入中。(8)创新能力。采用国家专利申请授权量与R&D人员全时当量的比值衡量。(9)经济效益。采用各省份的总资产贡献率和成本费用利用率表示。(10)社会效益。用各省份的单位GDP能源消耗衡量，包括电力和煤炭两种能源。工业智能化由上述10个二级指标运用变异系数法综合而成，在回归时为减少模型异方差对变量取对数。

3.选取生活成本(CH)、产业结构升级(SR)、人力资本投资(HI)、经济开放度(TRA)、城镇化水平(UR)和人口老龄化程度(LNFYB)作为控制变量。生活成本用各省份城镇居民家庭人均消费支出(含居住支出)占可支配收入的比重衡量；产业结构升级选用各地区第三产业增加值占GDP的比重表示；人力资本投资选用各省份国家财政性教育经费占地方财政一般预算支出的比重表示；经济开放度选用各地区的进出口总额占生产总值的比重表示；城镇化水平选用城镇人口占总人口的比重衡量；人口老龄化程度选用老年抚养比测度。

上述各变量所涉及的原始数据来源于2005-2017年的《中国统计年鉴》《中国科技统计年鉴》《中国劳动统计年鉴》《中国电子信息产业统计年鉴》《中国能源统计年鉴》和WIND数据库工业智能化相关企业财务报表。

四 模型估计与分析

(一)基本模型估计分析

运用Stata 13.1软件对模型(13)分别进行混合效应模型、固定效应模型、随机效应模型回归，并利用B-P检验和Hausman检验选择出最优模型，回归结果如表1所示。

表1 基本模型回归结果

(续上表)

由表1可知，工业智能化对高技能劳动力就业产生显著的正向影响，对中低技能劳动力就业则产生显著的负向影响。B-P检验结果中P值为0.00，说明随机效应和混合效应相比之下随机效应更优，Hausman检验结果中chi2(0)为0，P值不存在，表示随机效应未能满足假设条件，因此，在随机效应和固定效应之间选择固定效应模型。固定效应模型的回归结果显示，工业智能化在5%的显著性水平上对中低技能劳动力就业存在冲击替代作用，即保持其他条件不变，工业智能化每增加1%，中低技能劳动力就业占比边际递减0.0539%；而工业智能化对高技能劳动力就业却有较为显著的创造吸纳作用，保持其他条件不变，工业智能化每增加1%，高技能劳动力就业占比平均增长0.25%。产业结构升级对中低技能劳动力就业有显著的冲击替代作用，且是对中低技能劳动力就业影响程度最大的变量，产业结构每升级1%，中低技能劳动力就业占比边际递减0.263%；而产业结构升级对高技能劳动力就业则存在显著的创造吸纳作用，保持其他条件不变，产业结构每升级1%，高技能劳动力就业占比平均增长0.766%，影响程度也颇高，说明产业结构升级是影响劳动力就业结构的重要因素。意外的是，人口老龄化对中低技能劳动力就业存在较为显著的正向作用，在其他条件不变的情况下，人口老龄化每加剧1%，中低技能劳动力就业占比会上涨0.0713%，究其原因，人口老龄化对于服务业经济具有显著的正向影响(邵咪咪等，2020)[23]，服务业会为中低技能劳动力提供更多就业机会；而人口老龄化对于高技能劳动力就业的影响在统计学意义上不显著。虽然表1的回归结果显示工业智能化对于劳动力就业结构存在显著影响，但固定效应模型的拟合优度并不高，即用线性关系表示工业智能化对劳动力就业结构的影响可能并不恰当，二者极有可能是非线性的关系。

(二)门槛模型估计分析

利用Stata 13.1软件估计出每个门槛变量的门槛个数，并利用Bootstrap(自抽样)的方法检验门槛值的存在性，根据Bootstrap方法得到的F统计值和对应的P值判断门槛个数，从而确定门槛模型类型如表2所示。

表2 门槛效应自抽样检验结果

由表2可知，以工业智能化为门槛变量时，对中低技能劳动力和高技能劳动力而言，单一门槛、双重门槛均在1%的水平上显著。因此，为了使得研究具有科学性和可行性，将以工业智能化为门槛变量建立双重门槛模型。进一步对门槛值进行估计，结果如表3所示。

表3 门槛效应估计值及置信区间

表3显示:门槛变量的门槛估计值均在95%的置信区间内，且置信区间较窄，说明门槛值估计结果具有显著性。绘制门槛变量的似然比函数图发现，不同门槛区间内，工业智能化对不同技能劳动力的影响存在显著差异性(如图1和图2所示)。

图2 工业智能化对高技能劳动力门槛估计值与置信区间(以工业智能化为门槛)

对模型(14)进行门槛效应估计，结果见表4。

表4 门槛模型回归结果(以工业智能化为门槛变量)

表4门槛回归结果表示，工业智能化水平作为门槛变量时，对于中低技能劳动力而言，门槛值为-2.2217和-1.8466；对于高技能劳动力而言，门槛值为-2.2217和-1.8461。由表4可知，门槛区间内的参数估计值均通过显著性水平的检验，且拟合优度R2与线性回归相比有较大的提高，说明工业智能化对劳动力就业结构的影响确实为非线性。

工业智能化对中低技能劳动力就业的门槛回归结果显示，当工业智能化水平低于最低门槛值-2.2217时，工业智能化系数估计值为-0.767，工业智能化对中低技能劳动力就业具有较强的冲击替代作用; 当工业智能化水平位于-2.2217和-1.8466之间，工业智能化系数为-0.701，工业智能化对中低技能劳动力就业的冲击替代作用有所削减；当工业智能化水平超越更高的门槛值-1.8466时，工业智能化系数提高到-0.642，工业智能化对中低技能劳动力就业的冲击替代作用进一步削弱，即随着工业智能化水平的不断提高，工业智能化对中低技能劳动力就业的消极影响会持续削弱。究其原因，我国工业智能化正处在发展初期(屈小博和程杰，2015[13]；邓翔和黄志，2019[14])，其主要表现为装备的智能化，因此，简单的、重复的、机械的工种将首当其冲，中低技能劳动力就业会受到极大的冲击。但随着工业智能化进一步发展，劳动生产率急剧提高，劳动力收入也会上涨，催生出大量准入门槛低的消费服务行业(张于喆，2019)[15]，吸纳部分被挤出的中低技能劳动力，工业智能化对中低技能劳动力就业的冲击作用得到削弱，但是任何新行业新岗位从诞生到成熟都需要时间，因而短期内工业智能化对中低技能劳动力就业的创造吸纳作用仍远小于替代冲击作用(江永红等，2016)[19]，因而总体上仍呈现冲击替代效应。而工业智能化对高技能劳动力就业的门槛回归结果则表明：当工业智能化水平低于门槛值-2.2217时，工业智能化系数为-0.0091，工业智能化对高技能劳动力就业存在负向影响，但在统计意义上并不显著;当工业智能化水平位于-2.2217和-1.8461之间时，其对高技能劳动力就业的影响系数提高为0.119，工业智能化对高技能劳动力就业有显著的促进作用;当工业智能化水平跨越门槛值-1.8461后，其对高技能劳动力就业的影响系数再次提高为0.221，即随着工业智能化水平的提升，对高技能劳动力就业的创造吸纳作用也会日益增强。在工业智能化初期，主要是工业设备智能化，对中低学历的中低技能劳动者的影响远远大于对高学历的高技能劳动者的影响，因此智能化水平较低时，高技能劳动力并未被波及；而工业智能化的进一步发展需要更多开发创造型人才作为新动能，对高技能劳动力就业会产生显著的促进作用；当工业智能化日益成熟，上下游产业链将衍生出一系列相关的高技术产业，对从事设计研发、使用维护和金融投资等方面工作的创新型、复合型和高技术人才的需求也会越来越大，进一步强化对高技能劳动者的吸纳效应。

(三)门槛效应的归因分析

依次将产业结构升级和人口老龄化作为门槛变量代入门槛模型中，利用Stata13.1软件估计出每个门槛变量的门槛个数，运用Bootstrap(自抽样)方法检验门槛值的存在性，根据Bootstrap方法得到的F统计值和对应的P值判断单门槛或双门槛的存在性，从而确定门槛模型类型(表5)。

由表5可知，以产业结构升级为门槛变量时，对中低技能劳动力和高技能劳动力而言，双重门槛在10%的水平上显著；而以人口老龄化为门槛变量时，对于中低技能劳动力而言，未通过门槛效应的F检验，其仅对高技能劳动力在10%的水平上单门槛显著。因此，为了使得研究具有科学性和可行性，将以产业结构升级为门槛变量建立双重门槛模型，分别探究工业智能化对于高技能和中低技能劳动力就业的影响，而当以人口老龄化为门槛变量时，仅针对工业智能化对高技能劳动力就业的影响建立单门槛模型。进一步对门槛值进行估计，结果如表6所示。

表6 门槛效应估计值及置信区间

表6显示:门槛变量的门槛估计值均在95%的置信区间内，且置信区间较窄，说明门槛值估计结果具有显著性。分别绘制门槛变量的似然比函数图发现，不同门槛区间内，工业智能化对于不同技能劳动力的影响存在显著差异性( 如图3-图5所示)。

图3 工业智能化对中低技能劳动力门槛估计值与置信区间(以产业结构升级为门槛)

图4 工业智能化对高技能劳动力门槛估计值与置信区间(以产业结构升级为门槛)

图5 工业智能化对高技能劳动力门槛估计值与置信区间(以人口老龄化为门槛)

对式(14)进行门槛效应估计,结果见表7和表8。

表7 门槛模型回归结果(以产业结构升级为门槛变量)

表8 门槛模型回归结果(以人口老龄化为门槛变量)

(续上表)

以产业结构升级作为门槛变量时，门槛回归结果如表7所示。对中低技能劳动力而言，其门槛值为3.5938和3.7339，当产业结构升级低于3.5938时，工业智能化对中低技能劳动力就业的影响在统计学意义上不显著；当产业结构升级介于3.5938和3.7339之间时，工业智能化对中低技能劳动力就业的边际影响为-0.046；而当产业结构升级跨过3.7339时，工业智能化对中低技能劳动力就业的边际影响变为-0.067，工业智能化将进一步抑制中低技能劳动力的就业。由于产业结构的优化升级，企业对中低技能劳动力的需求持续减少，工业智能化产生的冲击替代作用不断加强，究其原因，劳动密集型的产业结构已经不适合现阶段的经济发展形势，而我国未来产业布局的重点又将会是具有高附加值的、知识密集型的高技术产业，工业智能化亦会强劲发展，对缺乏竞争力的中低技能劳动力的就业将会产生巨大冲击。对于高技能劳动力而言，其门槛值分别为3.4971和3.6178，即当产业结构升级小于3.4971时，工业智能化对高技能劳动力就业的边际影响为0.0217，但在统计学意义上不显著；当产业结构升级超过3.4971时，工业智能化对高技能劳动力就业的边际影响增长为0.123，工业智能化对高技能劳动力就业的创造吸纳作用较上一阶段增强；当产业结构升级提升到3.6178时，工业智能化对高技能劳动力就业的边际影响再次增强为0.232，此时工业智能化对高技能劳动力就业的创造吸纳作用进一步加强。统计结果显示，随着产业结构的不断升级，工业智能化对于高技能劳动力的需求一直在增长，且没有下降的趋势，即产业结构升级使得工业智能化对高技能劳动力就业的创造吸纳作用持续加强，这表明随着我国产业结构由劳动密集型产业向资本、技术、知识密集型产业的转变，工业智能化会进一步融合发展，而其所涉及的技术知识以及催生的新兴产业会使得行业对高素质、高技能和创新型人才的需求与日俱增，促进高技能劳动力的就业。

从表5可知，由人口老龄化引起的工业智能化发展，对中低技能劳动力就业影响的门槛效应在统计学意义上不显著，因而表8所示门槛回归结果，仅解释了人口老龄化引起的工业智能化对高技能劳动力就业的影响。由门槛回归结果可知，对于高技能劳动力而言，单一门槛值为2.8547，即当人口老龄化水平低于2.8547时，工业智能化对高技能劳动力就业的边际影响为0.234；当人口老龄化水平超过门槛值2.8547时，工业智能化对高技能劳动力就业的边际影响为0.0185，在统计学意义上不显著。究其原因，随着人口老龄化程度日益加深，劳动人口比重下降，劳动力严重不足，而劳动力的缺失又致使劳动力成本上升，迫使行业进行智能化改造，弥补劳动力缺口，降低用工成本。行业与智能化的融合发展也就意味着行业对劳动力的素质、知识和技术等各方面要求亦会随之提高，高技能劳动力的就业机会大幅增加。而当老龄化程度急剧恶化，甚至步入超老龄化时，工业智能化发展对于高技能劳动力就业的创造吸纳作用将不再显著。由此可知，人口老龄化在一定程度上，将加强工业智能化对高技能劳动力就业的创造吸纳作用。

综合上述分析可知，在产业结构升级影响下，工业智能化对高技能劳动力和中低技能劳动力就业都呈现双重门槛效应；在人口老龄化影响下，工业智能化对高技能劳动力就业的影响呈单门槛效应，而对中低技能劳动力就业影响呈线性特征，二者共同作用使得工业智能化对高技能劳动力就业具有持续增强的创造吸纳效应，而对中低技能劳动力就业则逐渐削弱冲击替代效应。

五 区域异质性分析

我国经济社会发展很不均衡，各区域在经济发展水平、人口老龄化、产业结构等方面存在显著的差异性，工业智能化对劳动力就业结构的影响也可能存在区域异质性。以下进一步分析我国大陆东部、中部、西部三大区域工业智能化对劳动力就业结构的影响。在基本回归模型(13)中加入地区虚拟变量后得到的回归结果如表9所示。

表9 分区域基本回归模型

由表9的基本回归模型结果可知，工业智能化对劳动力就业结构的影响存在区域异质性。工业智能化对于东部、中部、西部三个区域中低技能劳动力就业的边际影响分别为-0.0673、0.0169和-0.0296，而对高技能劳动力就业的边际影响则为0.1507、-0.1241和0.1235，由此可知东部地区和西部地区工业智能化对中低技能劳动力就业存在冲击替代作用，对高技能劳动力就业则存在创造吸纳作用，就两种作用而言，东部地区明显要强于西部地区。中部地区却有些意外，工业智能化对中低技能劳动力就业具有创造吸纳效应，而对高技能劳动力就业具有替代效应，这一方面与中部地区经济社会发展水平约束下特定的人口老龄化、产业结构升级、人力资本水平等因素有关，另一方面可能与工业智能化技术在区域间的溢出效应和扩散效应有关。

进一步探究东部、中部、西部三大区域工业智能化对劳动力就业结构的门槛效应。依据前文门槛模型(14)的设定，以工业智能化为门槛变量进行回归分析，将门槛效应估计值和置信区间整理为表10。

表10 门槛效应估计值及置信区间

由表10可知，东部、中部、西部三大区域工业智能化对劳动力就业结构的影响存在显著门槛效应。具体门槛回归结果如表11所示。

综合表10和表11可知，东部地区工业智能化对于中低技能劳动力就业存在双重门槛效应，对高技能劳动力就业存在单门槛效应，且在门槛区间内均通过显著性检验。对中低技能劳动力，当工业智能化低于门槛值-1.7601时，工业智能化对中低技能劳动力就业存在显著的冲击替代作用，当工业智能化介于-1.7601和-1.4374之间时，工业智能化对中低技能劳动力就业的边际影响为-0.3625，当超过门槛值-1.4374时，对中低技能劳动力就业的边际影响变为-0.3236，工业智能化对中低技能劳动力就业的冲击替代作用在持续削弱。对高技能劳动力而言，当工业智能化低于门槛值-1.7794，工业智能化对高技能劳动力就业的边际影响为0.1278，越过门槛值，边际影响增长为0.2332，工业智能化对高技能劳动力就业的创造吸纳作用持续加强。中部地区工业智能化对中低技能劳动力和高技能劳动力就业均存在双重门槛效应。当工业智能化低于第一个门槛值时，工业智能化对中低技能劳动力就业存在创造吸纳作用，之后每越过门槛值，创造吸纳作用都能得到加强。而对于高技能劳动力，当工业智能化低于第一门槛时，在10%的显著性水平上，工业智能化对高技能劳动力就业的边际影响为-0.0875，对高技能劳动力就业有一定挤出作用，当工业智能化介于-2.0575和-1.6289之间时，工业智能化对高技能劳动力就业的边际影响为0.0003，但在统计意义上并不显著，直到工业智能化越过-1.6289后，对高技能劳动力就业的边际影响增长为0.1575，工业智能化对高技能劳动力就业产生了创造吸纳作用。西部地区工业智能化对中低技能劳动力和高技能劳动力就业均存在双重门槛效应。对中低技能劳动力而言，当工业智能化低于第一个门槛值-3.0800时，工业智能化对中低技能劳动力就业边际影响为-1.1216，当工业智能化介于-3.0800和-2.2303之间时，工业智能化对中低技能劳动力就业的边际影响变为-0.9936；当工业智能化超过-2.2303时，工业智能化对中低技能劳动力就业的边际影响进一步变为-0.9124，表明西部地区工业智能化对中低技能劳动力就业的冲击替代作用在持续削弱。对高技能劳动力而言，当工业智能化低于第一个门槛值-2.8540时，工业智能化对高技能劳动力就业的边际影响为-0.1024，但在统计意义上并不显著，当工业智能化介于-2.8540和-2.2303之间时，工业智能化对高技能劳动力就业的边际影响变为0.1078；当工业智能化超过-2.2303时，工业智能化对高技能劳动力就业的边际影响进一步变为0.2876，表明西部地区工业智能化对高技能劳动力就业的创造吸纳作用在持续加强。

综上可知，东部、中部、西部三个区域的工业智能化对劳动力就业结构的影响具有显著差异性。东部地区工业智能化对中低技能劳动力就业的影响呈现双重门槛特征，而对高技能劳动力就业的影响呈单门槛特征；中部地区和西部地区工业智能化对中低技能劳动力和高技能劳动力就业的影响存在双重门槛效应。

六 结论与启示

(一)主要结论

本文通过理论分析、面板回归模型和门槛回归模型实证检验发现，工业智能化对高技能劳动力就业具有创造吸纳效应，且有持续增强之势，而对中低技能劳动力就业呈现冲击替代效应，且有逐渐削弱之势。进一步归因分析发现，工业智能化对劳动力就业结构的影响之所以呈现门槛效应，是由于产业结构升级、人口老龄化等多重因素的叠加影响。即在产业结构升级的影响下，工业智能化对高技能劳动力和中低技能劳动力就业都具有双重门槛效应；在人口老龄化约束下，工业智能化对高技能劳动力就业具有单门槛效应，而对中低技能劳动力就业呈线性影响。二者影响叠加使得工业智能化对劳动力就业结构的影响呈现门槛效应。基于各区域在产业结构升级、人口老龄化等方面的差异性，工业智能化对劳动力就业结构的影响也存在区域异质性。就工业智能化对劳动力就业结构的影响方向而言，东部地区和西部地区工业智能化对劳动力就业结构的影响方向与全国一致，而中部地区工业智能化对劳动力就业结构的影响方向则相反。就工业智能化对劳动力就业结构的边际影响而言，东部地区明显高于西部地区。就影响的具体形式而言，东部地区工业智能化对中低技能劳动力就业的影响呈现双重门槛特征，对高技能劳动力就业的影响呈现单门槛特征；中部地区和西部地区工业智能化对中低技能劳动力和高技能劳动力就业的影响存在双重门槛效应。

(二)启示与展望

工业智能化作为新一轮技术革命，势不可挡。必须立足我国实情，重视我国正处在大力推进产业结构优化升级这一阶段，正视我国人口老龄化问题日益严重这一事实，综合考虑工业智能化对高技能和中低技能劳动力就业产生的不同影响，提前做出预判，为正确处理好工业智能化与我国劳动力就业结构的关系提出更为合适的政策建议：(1)当前形势下，工业智能化对高技能劳动力就业的创造吸纳作用不断增强，我国对高精密人才、复合型人才、专业化人才的需求会日益强劲，为保证未来我国高技能劳动力的供给，必须重视人力资本的投资。政府首先应加大教育经费的投入，扩大对高校和科研机构的资金支持，敦促人工智能高端技术人才的培养。此外，还可积极促进高校和企业建立人才培养联动机制，培养适应智能化时代发展的高素质人才。企业除了在社会上招募引进高素质专业化人才，更应该注重建立健全员工职业培训体系，加强企业内部员工的技能培训，定期宣传学习新兴技术知识，开拓员工眼界，促进员工成长为适应时代发展的高技能劳动力。而员工本身应强化终生学习意识，积极主动参与政府与企业举行的相关培训，不断攫取新知识，提升自我，督促自己与时代共进步。(2)工业智能化的发展对高技能劳动力就业的创造吸纳作用日益增强，伴随着中低技能劳动力不断被冲击替代。中低技能劳动力如何在此困境中生存，依旧需要政府、企业和劳动者自身的努力。政府首先应建立健全社会保障制度，确保受到冲击的中低技能劳动力在重新入职前的基本生活，降低中低技能劳动力再就业的风险；其次，应高度重视人口老龄化对于中低技能劳动力就业的促进作用，大力发展老年服务业，提高老年人服务消费能力，既可以消除一部分人口老龄化带来的负面影响，又可以促进中低技能劳动力的就业；此外，还应发挥税收的调节作用，降低智能化设备或机器人对中低技能劳动力就业的冲击。企业针对不满足发展需求的中低技能劳动力应做好转岗培训，提高劳动力对新产业和新技术的适应性，帮助中低技能劳动力顺应时代发展，另外，企业对于被辞退的中低技能劳动力，要做出一定经济补偿，保障中低技能劳动力合法权益，为中低技能劳动力再就业减轻压力。而对于中低技能劳动力，工业智能化发展迅猛，劳动力本身应主动学习，积极主动参与政府与企业组织的转岗培训，学习新知识，积极寻找新就业机会。(3)基于工业智能化影响劳动力就业结构的区域异质性，政府在应对工业智能化引致的就业挑战时，需因地制宜，分类施策。东部地区和西部地区在政策引导和实施方面与全国保持一致，中部地区应进一步审视区域产业结构升级、人口老龄化等约束因素，探索工业智能化影响高技能劳动力和中低技能劳动力就业的内在机制并进行归因分析，进而实施科学合理的政策引导。

本文仅仅是基于现阶段中国工业智能化发展情势之下，对我国劳动力就业结构所受到的影响进行合理猜想与验证。随着我国工业智能化的迅速发展，智能化将如何影响我国劳动力就业结构，仍需要学者们持续密切关注，做出预判，消除负面影响，推进我国经济健康发展。同时工业智能化影响劳动力就业结构的约束因素可能会更为复杂，区域异质性的原因尚需进一步探讨。