智藏韧显：智能制造提升工业韧性的机理与证据

韩蓄， 傅联英， 吕重阳， 彭继宗

（1.华侨大学 经济与金融学院，泉州 362021；2.山东大学 经济学院，济南 250100；3.江西财经大学 统计与数据科学学院，南昌 330013）

0 引言

2019年，“智”字当选为中国企业年度汉字，凸显了中国制造于大变局下顺应智能新趋势并布局中国智造的远见。经过数字化、网络化和智能化等系列工业基础再造，制造业初步实现“智”藏于身：2022年制造业智能化生产比例已经达到6.6%，其中轻工业智能化生产比例高达12.2%。面对风高浪急甚至惊涛骇浪的重大考验，“智”藏于身的中国制造“韧”显于形：2022年规模以上高技术制造业增加值较2021年逆势增长7.4%，制造业增加值突破33.5万亿元，保持世界第一制造大国地位。为此，“韧”字当选为中国企业2022年度汉字，展现了大国制造于逆境之下砥砺前行的承压力和拔节起势的更新力。“智”为中国制造的新动能，“韧”为产业链变局下的新气象。本文的研究问题是，智能制造是否因果性地提升了工业韧性？如果是，其作用机制为何？有何异质性？这一系列追问具有鲜明的时代特征、积极的理论意义和突出的现实价值。

智能制造以全新的生产方式重塑了产业链的力学性能，激起了各界的持续关注和深度讨论，形成了丰硕的成果，但尚存在两项薄弱之处。一方面，现有研究视域多数聚焦于国别宏观层面，尚未在国内国际双循环和全国统一大市场内考察城市层面产业链韧性及其异质性。各城市智能制造水平参差不齐，嵌入全球价值链和国内价值链的时序和涉足度不同，其面临的国内国际“双敞口”冲击有别，故产业链韧性兼具时变特征和城市异质性，其形成机理与时空演变秩序有待深入研究。另一方面，产业链韧性具有丰富的力学、生态学、经济学、社会学和管理学内涵，现有文献对其定义和维度存在严重分歧。工业是现代化大国的立国之本、强国之基。在“统筹发展和安全，推进新型工业化”战略背景下，有必要秉持整体韧性观，明确工业韧性特征维度的“最大同心圆”，厘清工业韧性指标体系的层次结构。根植于理论关注和实践关切，本文转换研究视域、优化测量体系，边际贡献表现为：从城市视域切入，在理论层面探索性地剖析了智能制造影响工业韧性的内在机理，提炼并论证了工业结构多样化和技能结构高级化2条传导渠道，揭示了智能制造的韧性塑造及提升效应，推进了理论纵深；在实证层面，本文创新性地集成了“抵抗力、恢复力、调适力、再造力”4重维度，构造出更为全面、更为精细、更为客观的城市级工业韧性指数，以期能为各类学术和政策研究提供指标借鉴以及资料支撑。

1 文献综述

1.1 智能制造的内涵以及特征属性

智能制造是一类新型战略性技术，但其内涵和外延较为宽泛。从实务界定义来看，我国《智能制造发展规划（2016—2020年）》提出，智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。就学术界定义而言，KUSIAK［1］认为，智能制造是一种将制造资源与大数据科学、信息技术、预测工程等相集成的新型生产模式；唐宜红和顾丽华［2］指出，智能制造本质是通过人机智能交互，推进工业机器人和智能管理等技术及装备在生产过程中的应用。唐宜红和顾丽华［2］的定义同时界定了智能制造的主体、客体和载体，覆盖性和适用性广，可观测性和可代理性强，本文采用其定义作为智能制造的内涵。ZHOU等［3］根据发展时序、交叉互动、技术迭代将智能制造划分为3个阶段：第一阶段是数字化制造，以计算通信和控制为标志；第二阶段是数字化网络化制造，以“互联网+制造”为标志；第三个阶段是新一代智能制造，以新一代人工智能技术的应用为标志。新一代智能制造具备通用目的技术所共有的赋能范式，涵盖数字化、网络化和智能化3项范式特征。徐晔等［4］同样认为，智能制造可界定为数字化、网络化和智能化3项范式特征，能够推动资源跨界整合、主体互联互促，实现资源要素再配置。

1.2 产业链韧性的概念维度及测量

区域经济韧性的理论框架基于均衡论和演化论视角构建。经济韧性不仅关注短期能否承受冲击并恢复到原有发展路径，还强调区域经济的动态复杂性以及对新发展路径的长期适应性［5］。其中，MARTIN［6］提出的韧性观被广为接受，其将区域经济韧性分解为抵抗能力（resistance）、恢复能力（recovery）、再定位能力（re-orientation）和更新能力（renewal）4个维度。由于超预期冲击日趋微观化，经济韧性的研究逐渐从宏观区域韧性向中观产业韧性、微观组织韧性［7］乃至超微观团队韧性［8］层面纵深拓展。国外关于产业链韧性的研究多从供应链韧性角度展开分析，针对供应链韧性的定义和供应链风险管理［9］的研究较为成熟，能为产业链韧性界定提供借鉴。国内文献从不同角度对产业链韧性做出了定义，但尚未达成共识。张虎等［10］认为，产业链韧性的本质是在面对外部不确定性因素时产业链抵御风险和平稳运行的能力。陈晓东等［11］指出，产业链韧性为在经历超预期因素干扰下产业链依旧保持产业链条稳定、防止断裂、及时调整恢复到原有状态甚至实现链条优化升级。值得注意的是，产业链各个环节平稳运行需要全产业链处于安全稳定的状态［12］，且不可简单地将其理解为产业链的对外依赖性［13］。在产业链韧性的测量研究方面，现有文献的侧重点各不相同，在测度方法上尚未形成共识：一类文献采用单一核心变量对产业链韧性进行测度［14-15］，另一类文献则运用多指标综合指数予以衡量［10］。

综合比较现有文献在内涵及外延方面的共识和分歧后，本文认为，工业韧性是指工业在经受超预期冲击时能够抵御不确定性干扰、避免断链风险，维持全链条安全稳定，迅速适应调整到原有状态并实现链条优化升级的性质。进一步地，在MARTIN［6］提出的“旧4R”经济韧性（resistance-recovery-re-orientation-renewal）和国内文献［10-11］的基础上，本文将工业韧性的外延分解为“新4R”：抵抗力（resistance）—恢复力（recovery）—调适力（re-orientation）—再造力（re-engineering）。①抵抗力为抵御超预期因素冲击的能力，即在受到冲击时能保证工业链条完整，即“关键时刻不掉链子”。②恢复力指工业受到内外部冲击扰动而脱离平衡后，通过一段时间的自我修正和补偿进而恢复到安全可控的状态。③调适力指工业在应对冲击扰动时能够适应冲击变化并形成应变素养。④再造力指在现有工业链条基础上，通过自组织自学习、资源要素再分配、创新突破等方式构建培育出新型工业链条，促成产业发展速度加快以及发展质量跃迁。MARTIN［6］提出的“旧4R”中，“更新力”是一种广延（extensive）状态，经济系统由外而内被动吸收冲击，从突变失衡态回归到稳定平衡态；与之不同，本文“新4R”中的“再造力”是一种集约（intensive）状态，工业链条由内而外主动解构与重构链条，从低层次稳定平衡态迈向高层次稳定平衡态。

1.3 产业链韧性形成机理和提升策略

产业链韧性的决定因素复杂多元，其生成机理可归纳为中观逻辑、本土逻辑、宏观逻辑和政策逻辑等四重维度［13］。①中观产业的融合创新与多样化集聚强化产业链韧性。产业多样化集聚能够抵御超预期因素冲击并加速调整适应，尤其是在产业相关多样化程度高的地区，多样化通过溢出机制和对冲机制稀释冲击波，进而增强经济和产业韧性［5］。②区域层面的本地化关联及其根植性延展产业链韧性。李晓华［16］从产业根植性视角出发，认为产业的根植性越强（根系发达）就越能抵御内外部冲击，产业链整体韧性也越强。③宏观层面的全球分工链重构与国内创新链嵌入补强产业链韧性。产业链韧性是产业链现代化的重要内涵［11］，实现产业链与创新链的融合尤为关键。刘志彪［12］认为，产业链现代化离不开增强产业链韧性和产业融合创新能力，提升产业链韧性需要从基础产业高级化、强化企业间技术经济联系、提高产业链与创新链、资金链和人才链嵌入的紧密度等多维度推进。④政策层面的知识产权治理和关键技术举国体制护卫产业链韧性。李胜会和戎芳毅［15］基于知识产权治理视角考察了知识产权示范城市政策对产业链韧性的影响，实证检验了该政策对产业链韧性的呵护效应；肖兴志和李少林［13］阐释了关键技术举国体制护卫产业链韧性的内在逻辑。产业链韧性的提升策略方面，依据不同的理论基准、目标取向和实践关切，形成了类型化的韧性培育机制与提升策略［12-13］。

1.4 智能制造塑造产业链韧性的路径

为数不多的文献探讨了数字化变革和智能化转型对产业链韧性的影响，为理解智能制造如何塑造产业链韧性提供了逻辑进路。就数字技术赋能路径而言，数字经济以数字新技术和数字化资源为关键要素，依托平台化模式整合信息、调配资源、优化技术路径，这些技术支撑为提升产业链韧性奠定了坚实基础［11］。从智能化转型路径来看，智能化转型以工业机器人应用为表现形式，通过替代低技能劳动力、增加高技能劳动力需求等方式影响生产函数，增强产业链关联的敏捷度，进而构筑产业链韧性［17］。此外，企业能够依托数智技术赋能连接并整合组织内部不同节点，对危机做出快速调整与适应，驱动组织进行经营管理场景变革与颠覆性重塑，实现应对能力的迭代升级［18］。就传导机制及其路径而言，吕越和张杰［19］指出，人工智能经由技术创新和治理体系优化2条渠道，并通过补链、延链、强链助力产业链横纵向延伸，进而提升产业链韧性。

1.5 文献评述与边际贡献

国内外文献多数从全国或国别层面开展产业链韧性研究，关于产业链韧性的概念内涵、形成机理、提升策略和培育路径等方面的探析已相对成熟且完善，但仍存在概念分歧和略显薄弱之处。①既有文献尚未触及智能制造如何塑造与提升产业链韧性这一全新话题，其中的作用机理和传导路径尚不明晰，导致了逻辑链条的缺位，有必要提供逻辑自洽的理论阐释。②既有文献侧重于从理论层面辨析与解构产业链韧性，鲜有文献从实证层面探析产业链韧性的形成机理和传导机制，造成了证据链条的缺失，有必要夯实证据链、呼应逻辑链。③现有文献测量产业链韧性时存在维度遗漏和测量误差，有必要全方位、全周期、多维度构建指标体系，以尽可能完整地测度产业链韧性。

区别于既有文献，本文可能的贡献有2个方面。①研究视角方面，以智能制造为切入点剖析城市层面工业韧性的决定机制，基于工业结构和技能结构双重视角，揭示智能制造影响工业韧性的传导过程，拓展了人们对产业链韧性生成逻辑与演变规律的认知，为推进制造业数字化网络化智能化转型、增强工业内生发展动力、畅通产业链提供了全新的视角和别样的思路。②测度体系方面，鉴于产业链韧性的测评方法尚未形成共识，本文基于韧性演变的过程观，多层面、多维度、圈层式地设计工业韧性的底层指标，尽可能地缓解维度遗漏和测量误差，构建中国城市级工业韧性的综合指标体系并形成评价标准，从而帮助评价者更加科学、精准地把握各城市的工业韧性水平。

2 理论分析与假设提出

新一代人工智能技术与先进制造技术的深度融合，引领智能制造成为新一轮工业革命的内在驱动力，成为捍卫产业链安全稳定的减震器。智能制造范式呈现出数字化、网络化、智能化3项特征［3］。数字化以数据资源和数字技术为核心支撑加速推进要素结构软化，网络化依托“工业互联网+”连接数据流和信息流实现全链路协同共享，智能化通过系统认知与学习决策等能力推动生产模式变革。“三化合一”的智能制造系统，极大地提高了资源配置效率，促进了工业结构丰富化，优化了劳动力技能结构，进而增强了工业韧性。本文基于功能—过程视角提出的智能制造提升工业韧性的作用机理如图1所示。

图1 功能—过程视角下的作用机理Fig.1 Mechanisms from a function-process perspective

2.1 智能制造提升工业韧性的直接效应

学理层面，依据产业竞争优势的钻石理论，生产要素禀赋结构、关联产业支撑性、需求条件和企业表现是决定产业竞争力的四大关键因素［13］。四大关键因素塑造了产业链的纵向长度、横向宽度、竖向高度和侧向厚度，工业韧性内生于产业链的四维空间。当出现“脱钩”“断链”“短链”等超预期冲击时，四维空间富有韧性的产业链能够快速调整和应对［20］。为此，政策层面，国家“十四五”规划和2035年远景目标纲要提出，要深入实施智能制造工程，强化资源、技术、装备支撑，推进制造业补链、延链、固链、强链，形成更安全可靠的产业链供应链，提升产业链供应链现代化水平。因此，培育工业韧性，短期要补链以确保产业链完整性，中期要延链、固链以保障产业链通达性，长期要强链以捍卫产业链可控性。据此，本文基于“补链、延链、固链、强链”四重视角，围绕智能制造的“数字化、网络化、智能化”范式特征，面向工业链条的“完整性、通达性、可控性”，阐释智能制造提升工业韧性的直接效应。

一是优先补链，即补充现有链条短板，保证工业链条完整性，提升工业部门的抵抗力和恢复力。完整的产业链涵盖产品或服务生产的全过程，贯穿前端环节的原材料供应、技术研发、产品设计，中段环节的中间品制造、终端产品装配，以及后端环节的流通、消费和回收循环等［12］。我国制造业产业链囿于技术依赖、低端锁定、政策角力等限制，在遭受超预期因素扰动时容易引发“堵点”“脱钩”“断链”等问题，使得产业链部分环节开始向东南亚国家转移，一定程度上引发了中上游产业链迁出风险，严重威胁产业链的完整性［21］。因此，补足工业薄弱环节显得尤为重要。智能制造时代，把握数字化、网络化、智能化发展契机，加强关键核心技术攻关，瞄准工业领域产业链短板和关键节点逐一补链，突破供给约束堵点和脆弱点，畅通供需两端，这既能保证工业链条的完整性，又能增强抵御“断点”“断链”“小院高墙”等不确定性冲击的能力［11］，提升产业链的自主性和安全性，进而增强工业韧性。同时，依托智能制造，稳步推进工业数字化，培育壮大工业互联网等新型基础设施，筑牢工业发展基础和产业配套，增强工业部门的抵抗力和恢复力，从而提升整体工业韧性。

二是重点延链，即延长工业链条纵深，提升工业链条通达性，增强工业部门的抵抗力和恢复力。一方面，纵深化的智能制造更加高效地促进数实融合。在智能制造技术范式下，数字化、网络化增进了互联互通，通过平台互联、链条延伸、数据挖掘、资源整合等方式，突破工业链上企业和产业上下游的“信息孤岛”困境，打破工业内部产业链间单独成链情况，实现全产业链贯通和协同发展。智能化进一步改善了产业链纵向延伸和横向拓展的效能。纵向延伸实现供需多元化［11］，横向拓展提升工业集聚水平，纵横联动发挥出产业链协同共奏效应，提升产业链的恢复力、响应力和竞争力。另一方面，纵深化的智能制造范式能产生网络外部性。智能制造链主企业具有行业凝聚力和集聚外部性［22］，在产业链上拥有高端控制力，通过产业关联、知识溢出、人才交流等途径形成产业集群网络并促进知识整合，优化产业链节点的区域布局，助力工业结构合理化和多样化发展，摆脱产业结构同质化弊病，提升产业链条的安全性和竞争力，增强抵御风险冲击的恢复力和抵抗力。此外，以产业链为纽带、资源要素集聚的智能制造装备产业集群，丰富了现代化工业体系，有助于充分发挥超大规模优势和互补配套优势，实现优势产业延链，进而增强工业韧性。

三是稳步固链，即巩固传统制造优势，壮大工业根基，提高工业部门的调适力和恢复力。中国拥有较为完善的工业体系和产业配套能力，这是我国制造业发展的关键优势和根基所在。“十三五”期间，我国传统制造业多数行业完成了数字化转型，部分重点行业的智能化变革成效显著；“十四五”时期则更加聚焦于产业基础高级化，推动工业现代化。巩固、夯实、增强传统工业的根基优势，需要数字化、网络化、智能化的先进制造技术深度赋能。智能制造依托“5G+人工智能+工业互联网”技术，经由产业链前向、后向、垂向和旁侧四维通道，赋能产业链全链路技术创新、本地化配套协同等，推动工业体系逐步向数字化、柔性化、敏捷化、集成化生产制造模式转变，提升传统制造业对超预期冲击的缓释吸收能力、调整适应效率、愈后恢复效能，增强地区产业链的调适力和恢复力。此外，传统工业部门依托数字化网络化智能化升级改造，适应并促进智能制造范式在工业领域（如先进制造业）的深度应用，巩固、夯实、扩充工业链条的庞大“根基”和发达“根系”，以稳定产业链基本盘，提高工业体系抵御风险的能力，提升工业韧性。

四是持续强链，即突破关键技术瓶颈，铸就工业自主可控能力，增强工业部门的抵抗力和再造力。智能制造构筑出了数字化、网络化、智能化“三合一”的生态系统，产业链四维空间内的各方因而成为休戚与共的命运共同体，由此强化了自主创新和协奏响应的激励，推动了产业链与创新链的深度融合。一方面，围绕产业链布局创新链。智能制造系统集成了工业产业生态链上分布式存在的产学研等主体，围绕关键零部件、基础工业软件、芯片制造等重点领域的短板弱项协同攻关［21］，推动联合创新能力的链式突破，纾解产业链“卡脖子”痛点，有助于弥合产业链短板并同时锻造出产业链长板，逐步形成关键技术和领域的自主优势，确保在重点领域的链条控制力，提高产业链的创新能力和水平，实现工业韧性的提升和产业结构的升级。另一方面，围绕创新链再造产业链。新一代人工智能技术的应用，解决了一批关键技术问题，有助于培育出工业新模式新业态，推动工业链条迭代更新，再造产业链竞争新优势。此外，智能制造范式通过对工业全产业链进行解构与重构，集成并畅通了研发、设计、生产、装配和服务等环节，确保工业链条的通达性和可控性，增强工业部门的竞争力和再造力，进而提升工业韧性。

基于上述分析，本文提出如下假设。

H1 智能制造提升了工业韧性。

2.2 智能制造提升工业韧性的间接效应

2.2.1 工业结构多样化视角 工业结构多样化指异质性、差异化的工业产业在特定区域范围内集聚。产业多样化分散了外部冲击的受力面、钝化了冲击切口并稀释了冲击力度，能有效防止产业结构单一所造成的被动“锁定冲击”［5］。JACOB外部性较早注意到产业多样化集聚所产生的外溢效应［23］。FRENKEN等［24］进一步地将产业多样化区分为产业相关多样化和产业无关多样化。产业相关多样化能够产生有利于知识溢出的JACOBS外部效应，产业无关多样化可以形成保护地区免受外部风险冲击的组合效应。

本文依据产业多样化的风险分散原理、JACOBS外部性理论和供需匹配理论，分别从分散外部冲击扰动［26］、形成多样化集聚外部性［25］、改善关联产业供需匹配效率［27］3个方面，阐释工业结构多样化在智能制造影响工业韧性过程中的传导作用。

一是工业结构多样化有助于分散外部风险扰动。根据多样化组合的风险分散原理，工业结构多样化经由溢出机制和对冲机制降低了风险集中度、分摊了冲击总量、延展了缓冲纵深，从而有利于稳定供给和产出［5］。具体而言，通过补链和延链，丰富工业内部各产业的多样化组合，能够有效地分散、降低产业链条断裂等形成的风险冲击，并以“多点开花”“东方不亮西方亮”等应对模式维持产业链平稳运行，防范由于结构单一化、同质化导致的工业发展失衡，增强产业链的调适力和稳定性［26］。传统工业在智能化转型的推动下，产业链上下游涌现出装备制造和工业软件等新兴战略产业，实现了产业链条的延伸，极大地丰富了工业内部产业种类和业态，提高了一体化程度。产业链迈向多样化、柔性化、集成化，有益于分摊风险、调整适应，避免风险叠加造成产业链断链；同时，有利于突破缺乏底层空间的掣肘，为提升工业韧性和安全水平奠定了缓冲基础与战略纵深［13］，有效提高工业部门的抵御力、恢复力和调适力。总之，工业结构多样化所具有的外部冲击吸收能力和稀释能力，增强了工业韧性。

二是工业结构多样化有益于形成外部集聚经济。JACOBS外部性理论认为，互补型产业结构的多样化集聚通过共享异质资源和能力促进协同创新以及技术扩散。工业结构多样化拓展了工业内部各产业间的技术经济联系，搭建或打通衔接产业链各环节之间的“毛细血管”，网络化连接促使异质性创新资源和要素流通更顺畅、更协同，放大并增强物理空间集聚和技术溢出效应。与传统制造模式不同，智能制造范式还能进一步形成虚拟空间的工业多样化集聚，促进虚拟空间内知识溢出和技术扩散，赋能工业链条朝向数字化网络化智能化更新换代、素质升级，由此提升工业部门的抵抗力、恢复力和再造力。具体地，以工业机器人应用为载体的智能制造范式，依托工业互联网链接产生JACOBS集聚外部性［22］，驱动异质性资源从物理空间转向虚拟空间。虚拟空间的分布式架构促进工业企业跨领域交互和跨时空互联，创新主体通过跨界融合、知识整合、协同创新、产学研合作形成虚拟产业集群，达到补链、延链、固链、强链的作用，提升工业链条的韧性。此外，多样化虚拟集聚打破了工业链条单独成链的情况［11］，有助于破除“信息孤岛”桎梏，实现产业链前向、后向、垂向和旁侧四维空间连通。这既提高了产业链通达性，又能发挥产业链包容聚合效应，合力攻克核心技术短板，促进工业部门协同发展，从而提升工业韧性［28］。

三是工业结构多样化有利于改善供需匹配效率。增强工业韧性的关键是要能匹配和维持供需关系以及提升供需质量［27］。依据机制设计与匹配理论可知，给定需求侧不变，工业结构多样化提高了供给侧浓度、丰富了备选集，由此提升了供需适配的概率、效率和质量。在新一代人工智能技术的加持下，多样化的产业各方借助人工智能、工业互联网、工业机器人等智能化技术和终端高效传递供需信息，能够更有效地匹配产业链上下游投入产出和中间需求，降低供需错配和供需缺口引起的产业链内部冲突风险。面临超预期冲击时，智能技术有助于引导上游原材料供给适时调整库存，引领中游研发、设计和生产环节丰富品类，引致下游环节满足个性化、多样化消费需求，引发新业态、新模式和新品类涌现［29］，立体化地延展产业链的长度、宽度与厚度。这将改善工业全产业链上中下游的衔接顺畅度并提高动态匹配效率，增强工业部门的抵抗力和调适力，进而提升工业韧性。

基于上述分析，本文提出如下假设。

H2 智能制造通过增进工业结构多样化进而提升工业韧性。

2.2.2 劳动力技能结构视角 产业链需要人才链支撑。我国拥有最完备的工业体系和工业链条，但是部分关键核心技术仍然受制于“人”，尤其是智能制造人才队伍远滞后于智能制造产业发展，高技能人才缺口是制约智能制造水平提高、限制工业韧性提升的瓶颈之一。因此，欲借助智能制造增强工业韧性，需要高水平技能人才与之相匹配，实现产业链与人才链互融互促。以工业机器人应用为表现形式的智能制造［30］，在劳动力市场中产生了就业替代效应［31］、就业极化效应［32-33］和就业创造效应［34］。更为重要的是，智能制造重塑了劳动力技能结构（不同技能水平的劳动者在就业人口中的比例［31-32］），形成了两类偏向型技术进步：技能偏向型技术进步表现为智能化技术偏向于高技能劳动者，替代低技能劳动者的任务；程序偏向型技术进步则表现为智能化技术使得劳动力技能转移［31］。本文将智能制造视为一类通用目的技术（general purpose technologies，GPT），基于任务—技能匹配理论［35］、偏向型技术进步范式理论以及劳动力动态结构理论，分别着眼于低技能就业替代、中高技能就业创造和技能结构高级化3个方面，阐释劳动者技能结构在智能制造影响工业韧性过程中的传导作用。

工业机器人和人工智能的应用正改变着工业生产模式和技能需求。中国制造业规模体量大，智能制造对劳动力技能结构高级化的需求远远超过其他国家。AUTOR等［35］基于任务模型，开创性研究了在常规任务与非常规任务下技术进步对劳动力需求的影响，发现自动化会替代低技能劳动者完成常规任务，而与受教育程度较高的工人共同完成非常规任务。一方面，技能偏向型技术进步范式理论认为，智能化技术会对劳动力需求产生“就业替代效应”，从而引起技术性失业［36］，但替代效应会因劳动者技能水平和教育背景差异而在工作任务上有所不同［37］。另一方面，程序偏向型技术进步范式理论认为，智能化技术也会对劳动力需求产生“就业创造效应”，智能制造会通过产业结构调整引致劳动力技能发生转移，即增加中高技能劳动力的需求，同时倒逼低技能劳动者提升技能［34］。因此，智能制造是增加还是减少劳动力需求取决于这2种作用的净效应以及劳动力技能结构的分布。

当智能制造的“就业替代效应”和“就业创造效应”同时扩张时，“就业极化效应”就产生了。劳动力动态结构理论认为，智能制造应用会引发劳动力岗位结构调整，扩充技术型岗位并缩减中低技能劳动力岗位，高技能劳动者向高工资岗位聚拢，形成高技能劳动者和低技能劳动者相向变动的就业极化现象［38］。孙早和侯玉琳［32］认为，智能化进程的推进会加速替代低技能劳动力，但会导致高技能劳动者的需求增加，引起劳动力市场就业展现出“去低趋高”态势。与之不同，王永钦和董雯［33］发现，自动化技术对中等技能劳动者的替代性最强，但与低技能劳动者和高技能劳动者存在互补效应。通过比较分析，本文推测，智能制造对劳动力技能结构的需求会随“就业极化效应”呈现高级化趋势：一方面，智能制造发展过程中的非常规任务要求劳动者具备高端设备操控、数据分析、软件编程、信息维护等人力资本，增加了对数字化、智能化、网络化领域高水平人才的需求；另一方面，智能化转型要求技能供需匹配，智能化挤出了低技能劳动者，中高技能劳动者则能够快速适应［4］。面对超预期因素冲击，依赖低技能劳动者的工业链条是脆弱的，依靠中高技能劳动者的工业链条则是坚韧的。

数字化网络化智能化变革是时代大势，倒逼产业工人提高专业技能以顺应潮流。智能制造的网络化范式利用虚拟空间的聚合与匹配机制，促进知识溢出和技能互补；智能制造的数字化范式通过萃取、外化和整合机制，实现隐性知识显性化；智能制造的智能化范式借助“干中学”机制，促成人工智能和人脑智能的交互。智能制造的“三化”范式以知识为抓手，为工业重点领域和薄弱环节补链延链固链强链“锻造”了高技能人才链。一方面，智能制造为中高等技能劳动者提供了更加广阔的才能发挥空间，中高等技能劳动者能够更高效地将知识资本融入产业链，释放知识红利，促使科研成果迅速转化，提高产业生态的创新效率。另一方面，中高技能人才也为打破产业链技术堵点和薄弱环节提供了智力支持和智能匹配，保证产业链供应链顺畅运转，有助于提升产业链再造能力，塑造工业竞争新优势。总之，智能制造促进了劳动者技能结构高级化，“减低增高”一定程度上提高了生产率和冲击应对力，进而增强工业韧性。

基于上述分析，本文提出如下假设。

H3 智能制造通过促进技能结构高级化进而提升工业韧性。

3 研究设计

3.1 数据来源与处理

本文搜集了2010—2019年中国280个地级市的面板数据作为研究资料。数据源自3个方面。①城市层面的统计指标主要来源于《中国城市统计年鉴》，其中的缺失数据通过查阅各地级市统计年鉴、国民经济和社会发展统计公报等资料手动补齐。②我国工业机器人数据来源于国际机器人联盟（IFR）历年发布的报告，该数据涵盖了1993—2019年全球50个经济体细分行业的工业机器人安装和存量数据。③就业数据来源于第二次全国经济普查公布的工业企业板块资料，本文将各地级市工业企业数据进行加总，分别得到全国各行业就业人数、城市—行业就业人数和城市总就业人数。

3.2 变量选取与说明

3.2.1 被解释变量工业韧性（IR） 本文在MARTIN［6］提出的经济韧性维度基础上，依据产业链现代化特征解构出抵抗力、恢复力、调适力、再造力4重维度，并参考既有文献选取24项细化指标构建工业韧性评价的指标体系（见表1），利用熵值法测算城市层面的工业韧性综合指数。

表1 测度工业韧性的指标体系Tab.1 Indicator system of industrial resilience

3.2.2 解释变量智能制造（IM） 作为智能制造的终端设备和直观体现，工业机器人是最为典型的数字化、网络化、智能化制造装备，大量文献选用工业机器人使用密度刻画智能制造［30，37，43］。为此，本文选取工业机器人安装密度来表征智能制造，该指标由国际机器人联盟（IFR）数据与第二次全国经济普查数据匹配计算得到。鉴于IFR公布的是国家和行业层面的机器人数据，且与中国行业分类标准存在一定差异，无法直接获取城市层面的工业机器人安装量，本文依据现有文献［43-44］的构建原理，采用“Bartik”工具变量构造并计算城市层面的工业机器人安装密度，公式如下。

其中，robotstallit为i城市t年工业机器人安装密度，Ei，j，t=2008为i城市的j行业在2008年就业人数，Ei，t=2008为i城市在2008年的就业总人数，robotstalljt为IFR公布的中国t年j行业的工业机器人安装数量，Ej，t=2008则为2008年j行业的就业人数。

3.2.3 机制变量 机制变量包括2项。①工业多样化程度（DIV）。借鉴徐圆和张林玲［26］，本文利用熵权法构建工业多样化指数，计算公式为其中，DIV表示某城市工业结构多样化指数，pi是工业行业分类i(i=1，2，…，n)的就业人数占该城市就业总人数的比重。工业多样化指数的数值越高，说明工业分散化程度越高，应对冲击以及自主可控的能力越强。②劳动力技能等级结构（WORKFORCE）。参照孙早和侯玉琳［32］的做法，将劳动力技能等级结构划分为：大专及以上学历劳动者定义为高技能劳动力（HWORK），高中和初中学历劳动者定义为中等技能劳动力（MWORK），其余劳动者定义为低技能劳动力（LWORK）。

3.2.4 控制变量 为了捕获国内国际双循环对智能制造以及工业韧性的影响，本文选取了以下控制变量：①经济发展水平（PERGDP），选用各市人均GDP衡量［39］；②政府支持力度（GOV），采用地方财政一般预算支出与地区生产总值的比值表示［39］；③对外依存度（OPEN），采用各市进出口贸易总额与地区生产总值的比值来刻画［44］；⑤国内市场规模（MARKET），采用各市社会消费品零售总额的对数来衡量［26］。

3.3 模型设定

参考现有文献［32-33］，采用双向固定效应模型考察智能制造如何影响工业韧性，检验模型如下。

其中：式（2）为基准回归模型，IRit为各城市历年的工业韧性指数，IMit表示各城市历年的智能制造水平；式（3）～式（4）分别用于检验工业多样化程度和劳动力技能等级结构2项机制，DIVit为工业多样化，WORKFORCEit为劳动力技能等级结构；CONTROLit为城市层面的一系列控制变量，μi、γt分别表示城市固定效应和年份固定效应，εit为随机扰动项。

3.4 描述性统计分析

全样本中，工业韧性的最低值为0.004，最高值为0.495，均值为0.031，标准差超过均值，表明工业韧性还有较广提升空间；智能制造的最低值为0.012，最高值为17.178，均值为1.771，说明各城市智能制造也同样存在较大的提升空间①限于篇幅，本文省略了描述性统计表格，结果备索。。

4 实证分析

4.1 智能制造影响工业韧性的基准回归分析

在确定基准回归模型前，本文进行Hausman检验。结果显示，卡方值为214.91，在1%的水平下拒绝原假设，表明固定效应模型估计得到的结果是一致的、随机效应模型估计结果非一致。表2第（1）列基准结果显示，智能制造在1%的水平下显著地增强了工业韧性，其边际效应为0.004。这表明智能制造每提高1个标准差，工业韧性将平均提升0.009个标准差，H1得以验证。

表2 智能制造影响工业韧性的回归结果Tab.2 Regression results of intelligent manufacturing affecting industrial resilience

4.2 内生性处理

4.2.1 工具变量回归 基准回归采用双向固定效应模型进行分析，固然能够有效解决不随时间或个体变化的不可观测变量带来的内生性问题。然而，依然可能因遗漏其他特异因素、反向因果或测量误差而产生内生性。一方面，难以囊括所有影响工业韧性的变量，仍可能遗漏同时影响智能制造和工业韧性的其他异质性变量（例如产业根植性），从而导致内生性；另一方面，构建工业韧性指数和衡量智能制造时难免存在测量误差，这也是内生性来源之一。为了解决可能存在的内生性问题，本文利用工具变量法加以缓解、矫正。借鉴ACEMOGLU和RESTREPO［37］、魏下海等［43］的思路，选取日本、韩国、德国、瑞典和美国5个国家机器人安装密度的均值作为中国智能制造的工具变量，并分解计算到城市层面。该工具变量的适宜性表现如下。①满足相关性。智能制造是工业大国竞争的经济主战场，世界各国智能制造布局与水平呈现趋同性。海关进出口数据显示，上述五国是中国工业机器人的主要进口来源国。中国则是全球最大的工业机器人销售市场，五国的工业机器人安装数量在一定程度上影响着我国工业机器人安装密度。②满足排他性。日本、韩国、德国、瑞典和美国5个国家的工业机器人安装密度，通过其出口工业机器人的规模和质量影响我国工业机器人的安装密度，并不会直接影响我国各城市的工业韧性。五国工业机器人安装密度的均值测算方式同式（1）。表2第（2）列、第（3）列给出了工具变量两阶段方法的回归结果，与基准回归结果一致，说明基准回归所揭示出的智能制造的韧性提升效应稳健。此外，弱工具变量检验的F统计量高于临界值，不存在弱工具变量问题。

4.2.2 遗漏变量敏感性分析 为进一步矫正遗漏变量导致的内生性问题，本文参考CINELLI和HAZLETT［45］的方法，进行遗漏变量敏感性分析，主要考察遗漏变量需要达到何种强度才能推翻基准回归的结果，以及在最坏的情况下（遗漏变量解释了被解释变量所有剩余方差）基准回归结果是否稳健。为此，本文以人均GDP为参照变量，考察潜在的遗漏变量较之于人均GDP需要达到何种强度，才能推翻智能制造与工业韧性之间的因果效应。敏感性分析图表的结果显示，即使加入人均GDP3倍强度的遗漏变量，也不会改变基准回归的系数符号，即基准模型的估计结果对遗漏变量问题不敏感②限于篇幅，本文省略了相关图表，结果备索。。

4.3 稳健性检验

基准回归呈现出的韧性提升效应，可能会受到其他同期政策、变量测度方法、效果时滞、异常值等的干扰。为此，开展了以下5项稳健性检验。①排除同期政策影响。为排除智慧型城市试点政策和国家创新型城市试点政策对基准结果的干扰，分别构建政策虚拟变量并依次将其纳入基准模型，控制其潜在影响。②限于篇幅，本文省略了相关图表，结果备索。替换解释变量。改用城市工业机器人存量密度作为核心解释变量，对式（2）重新估计。③增加控制变量。为干净识别智能制造对工业韧性的净效应，需尽可能多地将影响工业韧性的因素纳入控制变量中，额外引入人口密度（PERDEN）和创业活力（ENTRE）两项控制变量。④考虑时滞效应。将被解释变量的一阶滞后项（L.IR）纳入基准回归模型，采用动态面板系统GMM模型重新估计；另外，以滞后一期的工业机器人安装密度（L.IM）作为核心解释变量，探讨智能制造的时滞效应。⑤排除异常值影响。对连续型变量左右1%的样本观测值进行缩尾处理。上述5项稳健型检验结果均佐证了基准回归的稳健性③限于篇幅，本文省略了相关图表，结果备索。。

4.4 异质性分析

本文开展了3项异质性讨论。①城市规模异质性。较之于小城市，大中城市在智慧设施、产业配套、市场容量、韧性治理能力等方面的条件更为优越，其智能制造和工业韧性的初始禀赋也更为出众。因此，有必要考察智能制造对工业韧性的提升效应是否呈现出城市规模异质性。②地理区位异质性。考虑人口密度、经济外向度和产业集聚度的差异，在人口集中、外贸依赖度低以及多样化集聚程度高的城市，智能制造对工业韧性的提升效应更强。为此，本文分别考察智能制造对胡焕庸线东西两侧城市工业韧性的影响。③产业基础异质性。智能制造产生的韧性提升作用，可能受到工业化阶段、资源禀赋和比较优势等产业基础的影响而存在异质性。于是，本文将样本城市划分为农业型城市和工业型城市，分别检验智能制造对工业韧性的影响。上述3项异质性检验结果表明，智能制造对工业韧性的提升效应在大中城市、胡焕庸线东侧城市以及工业型城市中更为强劲④限于篇幅，本文省略了相关图表，结果备索。。

5 机制检验

5.1 工业结构多样化机制检验

表3第（1）列报告了工业结构多样化的机制检验结果，智能制造每提升1个标准差，工业结构多样化程度将平均增加0.006个标准差。理论上，工业结构多样化有助于分散冲击力度，强化工业自我修复的能力，发挥出自动稳定器作用［5］。智能化技术能够优化传统工业生产方式，增进工业内部各产业间的技术交流与合作，有利于形成新产业、新业态、新模式，避免陷入工业结构单一化困境。城市的工业结构多样化程度越高，越有助于抵御外部风险扰动。在外部冲击扰动下，富有韧性的工业能够钝化冲击，摊薄并缓释系统风险，减轻外部冲击在工业产业链间扩散的范围和强度，进而使得工业产业生态表现出强大的抵抗力和恢复力，更为快速地对冲击作出调适［5］，进而增强工业韧性。综上所述，智能制造通过显著增进工业结构多样化程度进而提升工业韧性，验证了H2。

表3 机制检验结果Tab.3 Mechanism test results

5.2 劳动力技能结构机制检验

表3第（2）列～第（4）列是劳动力技能结构的机制检验结果。从第（2）列～第（4）列的回归结果看，智能制造对中高技能劳动力产生了显著的促进作用，而对低技能劳动力的影响系数为负但不显著。作为智能制造的终端设备和表现形式，工业机器人的使用在提高工业企业自动化水平的同时，也会影响劳动力需求乃至劳动力结构调整［33］，即智能制造水平的提升会替代低技能劳动力，增加中高技能劳动力的需求［32，34］。为了应对智能制造带来的冲击，低技能劳动者有充足的激励去提升自身技能水平，由此促使中高技能劳动力占比提高。在此基础上，中高技能劳动力的持续增加，促进了工业产业链中的知识红利释放，具体表现为两方面：①劳动力技能结构高级化有利于提高工业链条应对风险冲击中所需的人力资本，从而有助于提升产业链的创新效率和再造能力；②劳动力技能结构高级化也为打破产业链技术瓶颈提供了智力支持和智能储备，提高产业链的能动性和自主性。综上所述，智能制造通过显著优化劳动力技能结构进而增强工业韧性，从而验证了H3。

6 结论与启示

6.1 研究结论

全球产业竞争格局加速演变，中国工业部门面临形形色色的超预期冲击。以智能制造为抓手提升产业链韧性和安全，是推动产业链现代化的重要举措。然而，智能制造对工业韧性的因果效应尚不明确，作用机制尚不清晰，异质效果尚不分明。理论层面，本文基于功能导向和过程视角，剖析了智能制造影响工业韧性的内在机理及传导路径，为理解工业韧性的生成逻辑提供了全新的理论方位。实证层面，本文利用2010—2019年280个地级市的面板数据，构造并测算了工业韧性综合指数，采用双向固定效应模型，实证考察了智能制造对工业韧性的影响，并对传导机制进行了检验。本文得出两则研究结论。①智能制造提升了工业韧性并呈现异质性。基准回归结果发现了智能制造对工业韧性的提升效应，在进行一系列稳健性检验后，基准回归结果依旧稳健。智能制造对工业韧性的影响依城市规模、地理区位和产业基础不同而呈现出差异：智能制造对工业韧性的提升作用在大中城市、胡焕庸线东侧城市和工业型城市更为强劲。②机制检验结果显示，智能制造通过工业结构多样化和劳动力技能结构高级化两条路径，并驾齐驱地增强了工业韧性。

6.2 理论贡献

第一，提供了全新的研究视角。本文聚焦于城市层面的工业部门，创新性地构建起智能制造影响工业韧性的逻辑链条，提供了智能制造增强工业韧性的证据链条，实现了逻辑链与证据链的紧密衔接。现有文献重点从数字化转型［11］、本地化关联［16］、分工链嵌入［12］、知识产权治理［15］、新型举国体制［13］等视阈切入，考察工业韧性的形成机理，但鲜有文献基于智能制造视角剖析工业韧性的生成逻辑。以智能制造为理论切入点，以工业韧性为实践着眼点，本文的研究话题及视角在当前文献丛林中呈现出鲜明的独特性和新颖性。内容上既阐释了智能制造影响工业韧性的内在机理，又揭示了工业结构多样化和劳动力技能结构两条传导渠道，还进一步提供了城市—产业—年份层面的经验证据，延伸了智能制造的研究范畴，为理解工业韧性的起源提供了全新的归因角度。

第二，构建了完备的测度体系。本文全方位、全过程、全链路地测度了工业韧性，修正并提出了工业韧性的4R基准，缓解了维度遗漏和测量误差，有助于科学、精准地把握工业韧性水平。现有文献依据单一维度［15］衡量产业链韧性或构建指标体系［10］测度产业链韧性，为刻画工业韧性提供了必要的理论基础和借鉴意义，但存在维度或指标单一化、片面化、碎片化以及权重主观化等不足。本文依据产业链韧性的力学性能，拓展性地将工业韧性解构为抵抗力、恢复力、调适力、再造力四重维度；基于工业韧性的内涵，结合“十四五规划”中推进基础产业高级化、增强产业链自主可控和安全可靠能力等产业链现代化的目标取向，集成性地设计工业韧性评价的底层指标体系，更加科学、全面、细致地测度工业韧性，为工业韧性的后续理论和实证研究提供了经验参考。

第三，提出了自洽的传导逻辑。本文依据JACOBS多样化外部性［25］、风险分散原理［5］以及偏向型技术进步理论［31，36］等，提炼并论证了工业结构多样化和劳动力技能高级化两条路径，揭示了智能制造影响工业韧性的传导过程，为巩固智能制造的工业韧性提升效应提供了抓手。既有文献从理论层面分析了产业链韧性的塑造机制和提升路径［13，17］，但鲜有文献从实证层面探析产业链韧性的生成过程，导致产业链韧性的生成机理及其传导机制识别不干净，亟待厘清其因果逻辑和传导渠道。本文创新性地将工业结构多样化与劳动力技能结构纳入智能制造影响工业韧性的理论分析框架，识别了智能制造提升工业韧性的传导路径，贯通工业韧性的理论应然、客观实然和机制使然，弥补了现有文献机制识别不明的瑕疵，为增强工业韧性提供了政策着力点。

6.3 实践启示

首先，紧抓智能制造技术红利，构筑工业发展新优势。面向制造业转型升级需求和产业技术变革的新机遇，我国需要持续深入地推进智能制造，加快实现数字化转型、网络化协同、智能化变革，加速智能制造技术与传统制造业深度融合，充分释放智能制造技术红利。针对我国制造业上下游企业协同不足、产业链低端锁定、链条不完整等难点和痛点，需要通过政策赋能和信息共享等方式推动产业链协同共享，提升产业链自主性。同时，各地区需要充分利用智能制造技术赋能传统工业实现数字化、智能化升级，通过补链、强链、延链、固链等方式推动产业链布局优化和攀升，进而增强工业韧性。

其次，优化产业链多样化布局，促进产业链韧性提升。工业结构多样化作为智能制造影响工业韧性的重要传导机制，有利于克服产业单一化和同质化弊端，帮助城市有效地分散风险冲击，增强产业链自主可控能力。各城市要积极优化工业多样化布局，培育打造多样化工业产业集群，整合、锻造形成产业链上下游协同优势，深化工业各环节互补合作，扩大知识和创新在系统内的溢出效应，激发工业发展新动能，增强工业部门的抗冲击能力和更新力。

最后，加强中高技能人才培养，撮合技能和岗位匹配。智能制造显著地增加了中高技能劳动力，进而提升工业韧性。因此，为了满足智能制造对中高技能劳动力的需要，应该加大智能制造人才培养力度，构建产教学研一体化的联合培养模式，培育适应先进设备和工艺、具有创新能力的高素质智能制造人才。同时，各地政府宜加大职业教育经费投入，紧跟智能技术发展需求，通过继续教育和技能培训等方式，推动低技能劳动力向中高技能劳动力转变，不断提供与智能制造发展相匹配的高素质人才。

6.4 研究局限与展望

本文仍存在一定的局限性。①在机制探讨方面，除工业结构多样化、劳动力技能结构高级化两条关键渠道外，还可以尝试从知识整合、要素市场化程度、成本渠道等多重路径分析潜在的传导过程，丰富并深化对作用机理的理解。②在研究视阈方面，城市层面仍略显宏观，后续研究可深入到行业和企业层面，基于微观视角洞察智能制造塑造工业韧性的独特机理和传导路径。