学术月刊

近年来，随着人工智能等自动化技术的迅猛发展，自动化资本的投入不断增加，自动化趋势加快形成。以工业机器人为例，2012—2017年中国工业机器人销售额大幅增长，目前约占全球市场份额三分之一，是全球第一大工业机器人购买国和应用市场。自2019年底新冠肺炎疫情在全球爆发和蔓延以来，人工智能等自动化资本和技术在疫情防控、病情诊断、资源调配、信息追踪、企业生产经营等方面发挥了重要的作用，也加速了人工智能等自动化资本的投入与新技术的变革。但与此同时，以人工智能为代表的新技术对劳动力的替代也引发了对就业的担忧，不少文献表明人工智能等自动化技术进步对就业的替代效应显著，如Bessen^①，Acemoglu and Restrepo^②。关于技术进步对就业影响的研究由来已久，早在20世纪初，Keynes^③就成功预见了技术进步可能导致对劳动力的替代，将其称为“技术性的失业”；Leontief^④认为采用机器设备会导致劳动力过剩。然而，技术进步的作用不是孤立的，而是与各种生产要素产生耦合，偏向型技术进步可以表现这种耦合关系。^⑤技术进步偏向于某种要素，表明技术进步有助于增加这种要素的边际产出，进而影响要素收入分配以及就业。^⑥基于此，本文立足于当前自动化资本投入在经济活动中显著增加的现实，将资本分为自动化资本和非自动化资本，讨论自动化资本偏向型技术对就业的结构性影响。按照经典文献的界定，自动化资本是指体现自动化技术的机器设备和电子设备、软件等，其能够代替人进行体力和脑力劳动，如Decanio^⑦，Aum et al.^⑧。可见，偏向于自动化资本的技术进步本质上就存在对就业的替代效应。以往的技术进步只是替代了小部分的劳动岗位，重塑了劳动力市场结构，但当技术进步达到一定阶段并未引起失业，此时技术进步产生的溢出效应增加了新的劳动岗位需求。^⑨因此，仅从线性角度考虑技术进步对就业的影响为一隅之说，需从非线性视角逼近两者之间的真实关系。特别是自动化资本偏向型技术进步需大量初期投资，技术进步往往并不是一蹴而就的线性路径，需要一定量变的积累才能形成技术进步的质变。短期内的成本压力使得企业规模效应受到抑制、创新效应发生变化，进而对就业形成一定的冲击；但当企业自动化水平逐渐提升后，其规模扩张和生产率效应可能引致就业的增长，整体上两者存在非线性关系。David^⑩从理论上揭示技术进步对就业总量的影响并非简单的线性影响，机器人在替代部分劳动力工作岗位的同时，也会增加新的工作岗位。基于任务模型理论（task based model），Autor et al.^⑪，Acemoglu and Restrepo^⑫认为，不同的生产任务需要不同技能的劳动力来完成，自动化资本的采用会使生产任务发生变化，自动化资本偏向型技术进步在替代部分低级别任务的同时，也会产生新的高级别任务，由此会影响就业总量及结构。同时，根据偏向型技术进步理论^⑬，自动化资本偏向型技术需要不同技能劳动力与之相匹配，特别地，当技能结构与技术进步需求不匹配时，有可能对企业生产率和规模扩张带来一定的制约，形成对就业的进一步抑制，如在珠三角、长三角等制造业发达的区域，随着自动化的深入，确实存在低技能工人和高技能劳动力都短缺的“用工荒”现象。在这一过程中，以不同技能劳动力衡量的就业结构也会相应发生变化。因此，从就业结构视角检验自动化资本偏向型技术进步对劳动力技能结构的非线性影响更具现实意义。更为重要的是，厘清非线性影响背后的机制能为精准施策、积极应对“机器换人”、缓解就业市场存在的“招工难”与“就业难”的结构性矛盾提供策略参考。少数文献^⑭采用任务模型探讨了人工智能对制造业就业总量的非线性效应，但并没有考虑其对就业结构的影响，也未探究相对应的机制是否具有非线性特征。基于此，本文在理论机制分析中借鉴任务模型，通过采用自动化资本偏向型技术替代低级别任务以及创造高级别任务进而影响就业这一思路，分析了其对就业总量和就业结构的影响。更进一步，在此基础上，本文重点梳理并检验了规模效应和生产率效应的非线性影响机制，给出了偏向于自动化资本的技术进步对就业影响的趋势和内在逻辑。

综上，相比于现有研究，本文尝试在以下几方面做出新的探索。（1）基于“机器替代人”的大趋势，本文从自动化资本偏向型技术进步视角出发，探究了广为关切的自动化深化对就业以及就业结构的影响，并重点分析了其中的就业创造与替代效应，给出了“机器替代人”更为细致的证据。（2）已有研究主要考虑技术进步与就业的线性关系，本文考虑到自动化技术进步并非一蹴而就的线性实现路径，并结合其需要不同技能劳动力匹配的实际，基于任务模型梳理并验证了其非线性影响特征，进一步检验了其非线性的规模效应和生产率效应，丰富了偏向型技术进步对就业影响的研究视角与机制。（3）目前关于偏向型技术进步对就业影响的实证研究样本多为地区和行业数据，样本颗粒度较大，本文提供了企业层面的证据，更准确捕捉“机器换人”企业差异化较大的特点。在自动化资本偏向型技术进步特征日益显著的趋势下，本文的研究为应对“机器换人”、保障就业稳定以及实现更高质量的就业提供了政策依据与决策参考。

关于偏向型技术进步对就业影响的研究可追溯到20世纪后半叶，欧美一些国家出现了就业分化现象，即相对于非技能劳动，技能劳动的就业规模呈上升趋势，相关研究普遍认为这一现象的主要原因之一是技能偏向型技术进步。^⑮考虑到自动化资本偏向型技术进步注重自动化资本投资，依赖于自动化技术，而且当前的自动化资本、技术更为智能和高级，机器人成为自动化资本的典型代表，因此，本文结合自动化技术、机器人对就业影响的文献，重点借鉴任务模型思想研究这种技术进步对就业影响的理论机制。

基于任务模型（task-based model）的研究发现，对于简单重复的任务，自动化技术会对就业产生替代效应，对于复杂的非程式化的任务，自动化技术会对就业产生创造效应。^⑯一方面，自动化资本偏向型技术进步会通过提高生产率，减少对低级别的、程序化的、传统的任务以及重复性生产环节的依赖，对就业总量存在替代效应。^⑰另一方面，随着自动化程度逐步提高，这种技术进步能够替代的生产环节减少，对劳动力的替代效应相应减小，这种技术进步也会带来企业的生产规模扩大等，同时还会增加与这种技术进步相匹配的劳动力岗位^⑱，催生高级别的、新兴的岗位，从而对就业总量具有创造效应。伴随自动化资本偏向型技术进步的不断深化，其对就业总量的作用同时存在替代和创造效应，而两者的综合作用致使自动化资本偏向型技术进步对就业总量的影响具有非线性特征。^⑲

基于此，本文提出假说一：自动化资本偏向型技术进步对就业总量的影响是非线性的。

考虑到自动化资本偏向型技术进步需要与不同技能的劳动力相匹配，对不同技能劳动力需求的作用可能具有异质性，因此，需要进一步探讨这种技术进步对劳动力技能结构的影响。诸多研究认为，自动化技术对不同技能劳动力就业的影响存在差异性^㉑，针对欧美等发达经济体的研究发现技术进步对不同技能劳动力的影响往往是非线性的。^㉒

由于低技能劳动力执行的任务较为简单、重复性高，在自动化资本偏向型技术进步初期更容易被其所替代^㉓，例如工业机器人最初主要替代搬运、传输、焊接和激光加工等低技能劳动岗位；自动化技术发展迅速，而制度和管理的变革较为缓慢，教育更为滞后，因此，随着自动化技术进步的深化，对学历较低的低技能劳动力的替代效应更大。^㉔但与此同时，自动化资本偏向型技术进步催生了新的低技能岗位，例如数据标注师、智能设备维修员、人机合作调度员等，增加了低技能劳动力的需求。随着人工智能技术快速发展，自动化资本偏向型技术进步的突破性进展能够取代制造业生产企业的核心工序，企业一部分的技能劳动力在某些生产活动上已无需花费多少体力或脑力，甚至沦为低技能的“看守员”或“监视员”^㉕，自动化资本偏向型技术进步所带来的“技能降级”以及“去技能化”意味着企业对技能型工人需求降低，对低技能劳动力的需求会增加。此外，对于一些技能需求较低的任务，人力比机器人更具成本优势，企业会偏向于雇佣更低成本的低技能劳动力来完成，这也会增加企业对低技能劳动力的需求。

自动化资本偏向型技术进步也会创造新的高级别任务，这些任务不容易被机器替代且劳动力更加具有比较优势，这会加大与这种技术进步相匹配的高技能劳动力的需求^㉖，意味着自动化、智能化研发设计、设备制造和应用等领域的高技能就业岗位增加。自动化资本偏向型技术进步能够承担人类无法胜任以及不愿执行的任务，例如，超出人类感官和认知极限的（如精密仪器检测）、工作环境人类无法适应的（如深空探索）、作业环境属于高危的、脑力劳动强度大的工作，对高技能劳动力具有创造效应。然而，当自动化、人工智能发展到更高阶段，自动化资本偏向型技术进步能够替代复杂的、有创造性的工作岗位，导致对高技能劳动力就业产生替代效应。^㉘综上，自动化资本偏向型技术进步与不同技能劳动力就业的关系并非简单的线性相关，而是取决于替代效应和创造效应的综合作用。

基于上述分析，本文提出假说二：自动化资本偏向型技术进步对不同技能劳动力就业的影响是非线性的。

已有文献基于任务模型探讨了自动化技术对就业的影响机制。^㉙自动化资本偏向型技术进步本质上是自动化资本（即机器设备）替代生产任务和生产环节的技术进步，这会带来生产效率的改变和生产规模的变化，进一步影响自动化环节以及非自动化环节相匹配的劳动力需求。因此，本文从生产率和产出规模两方面分析自动化资本偏向型技术进步对就业的影响机制。

当自动化资本偏向型技术进步水平较低时，与低技能劳动力相比，自动化资本偏向型技术进步更加具有效率优势，进而对低技能劳动力产生替代效应。^㉛同时，自动化资本偏向型技术进步与高技能劳动力互补，会提升这种技术进步的生产效率，增加对高技能劳动力的需求。此外，自动化资本偏向型技术进步具有技术溢出效应，不仅能够提升企业本身的生产效率，还会基于产业关联效应，提高上下游企业的自动化水平，进而促进整个行业内企业的生产效率提升。^㉝所以，这一阶段自动化资本偏向型技术进步对企业生产效率产生挤入效应，这会提高企业的研发能力和资源配置效率，促使高技能劳动力需求上升；但是在生产规模没有显著扩大的情况下，生产率的提升导致企业减少劳动力总需求。^㉞当自动化资本偏向型技术进步达到一定水平，这种技术进步会比一部分高技能劳动力更具有比较优势时，采用这种技术会进一步提高企业生产效率，而且考虑到高技能劳动力自身的议价能力强，需要支付高额工资与福利，为降低企业成本，企业会偏向于使用与智能机器人协作的中等或低技能劳动力，从而替代一部分高技能劳动力，导致减少高技能劳动力就业岗位，增加低技能劳动力的就业数量。^㉟而且当这种技术进步替代和创造生产任务的能力受到限制，如果企业继续推动自动化资本偏向型技术进步，会导致这种技术进步与劳动力技能水平匹配度下降，对企业生产率产生负向效应，抑制企业的研发能力、资源配置效率和竞争力，促使企业对高技能劳动力需求下降。但由于企业的生产方式实现了部分自动化，反而会提高对非自动化生产环节的就业^㊱，劳动力需求增加。

企业推动自动化资本偏向型技术进步初期需要投入昂贵的自动化资本以及与其相匹配的劳动力，导致企业的经营成本激增，企业产出规模扩大受限，对企业不同类型的劳动力产生破坏效应。随着这种技术进步发展到一定水平，企业利润的大幅增加，会促进企业扩大产出规模，带动上下游行业的劳动需求增长，增加不同技能劳动力的需求。^㊲而且自动化资本偏向型技术进步通过替代低级别任务，降低企业成本，促进产出规模扩大，带来就业创造效应。同时，经营成本的降低使企业产品价格下降，消费者的实际收入上升，这种“收入效应”可以增加消费者的需求，同样会使企业扩大产出规模，进一步增加就业岗位。^㊴然而，当产出规模扩大到一定水平，企业为了实现利润最大化，可能会倾向于改进生产技术，注重提升产品质量和企业创新能力，因此，企业在扩大产出规模的过程中更加重视提升劳动力的质量，而非盲目地增加就业，这些可能会导致企业减少劳动力的需求。

基于上述分析，本文提出以下研究假说三：生产率效应以及产出规模效应是自动化资本偏向型技术进步对就业总量以及不同技能劳动力就业产生非线性影响的中间机制。

为了检验企业自动化资本偏向型技术进步对就业的影响，本文基于理论分析与研究假设，结合这种技术进步与就业关系的特征事实（见图1），构建如下非线性的计量回归模型：

图  1  制造业企业不同分位数$ \mathit{b}\mathit{i}\mathit{a}\mathit{s} $与就业相关性

第一，被解释变量$ ln{Q}_{it} $，包括 $ ln{l}_{it}、ln{Z}_{it}、ln{L}_{it} $。$ ln{l}_{it} $指企业就业总量对数值，企业就业总量采用企业员工人数来衡量；$ ln{Z}_{it}、ln{L}_{it} $分别指高技能、低技能劳动力就业量的对数值，代表就业结构。目前关于高、低技能劳动力的衡量，主要有以科技人员与非科技人员来区分^㊵和以受教育程度来区分^㊶这两种。由于本文主要研究自动化资本偏向型技术进步通过影响低级别任务和高级别复杂任务，进而影响与之相匹配的技能劳动力就业。因此，在企业层面，与自动化资本以及高级别复杂任务相匹配的往往是研发人员、工程师、技术人员等，结合上市公司年报披露的指标情况以及以往文献的做法，本文主要采用研发和技术人员表征高技能劳动力，低技能劳动力则选用除研发人员和技术人员外的其他人员。同时，由于高技能劳动力普遍曾受过高等教育，本文在分析中也采用学历标准进行了稳健性检验。

第二，核心解释变量$ {bias}_{it} $，即制造业企业自动化资本偏向型技术进步指数，本文采用超越对数生产函数形式的随机前沿模型进行测算，将偏向型技术进步指数表示为（2）式。^㊷$ {bias}_{it} > 0 $表明技术进步使得自动化资本的边际产出增长率大于非自动化资本边际产出增长率，此时技术进步偏向于自动化资本，若$ {bias}_{it} < 0 $，则技术进步偏向于非自动化资本，若$ {bias}_{it}=0 $，技术进步为中性。$ {{bias}_{it}}^{2} $为$ {bias}_{it} $的平方项，用于捕捉自动化资本偏向型技术进步与就业的非线性关系。

第三，控制变量$ X $。基于李磊等^㊸以及毛其淋和许家云^㊹的研究，本文选取如下控制变量：一是企业总资产对数值（$ ln{asset}_{it} $）。二是企业研发支出对数值（$ ln{rd}_{it} $）。三是企业出口规模对数值（$ {lnex}_{it} $），由于上市公司年报中披露的关于企业出口的数据是中国港澳台及境外业务收入，因此选择此指标作为代理变量。四是企业年龄对数值$ {lnage}_{it} $，企业年龄为样本期内企业有效成立时间，用统计年份与企业成立年份之差加1表示。五是企业员工平均工资对数值（$ {lnw}_{it} $），员工平均工资采用上市公司员工人均薪酬衡量，用来控制制造业劳动力成本对就业总量的影响；高技能劳动力平均工资（$ lnwz $）为研发和技术人员的平均工资，低技能劳动力平均工资（$ lnwl $）则用除研发和技术人员以外的其他人员的平均工资表征，以此控制高、低技能劳动力成本对相应技能劳动力就业的影响。本文控制了企业和时间的固定效应，分别设定为$ {v}_{i},{\mu }_{t} $。具体变量说明见表1所示。

所有变量数据来源于Choice数据库。制造业上市公司年报中披露了自动化资本和非自动化资本存量的数据，且制造业上市公司1990—2011年相关数据缺失严重，本文最终选择2012—2019年制造业上市公司面板数据。参照以往文献做法，并对原始数据做如下处理：剔除关键性指标明显错误的数据（如自动化资本投入、非自动化资本投入、总资产、研发支出、平均工资、境外业务收入为负的数据），剔除ST、ST*企业、$ bias $小于0的样本，并对自动化资本存量、非自动化资本存量、企业营业收入、企业总资产、研发支出、员工平均工资、企业境外业务收入进行指数平减，并对所有变量进行1%及99%分位的缩尾处理。

相关变量描述性统计如表1所示。根据表1中的$ bias $均值（0.1698）以及图2可知制造业技术进步偏向于自动化资本，且中国制造业企业技术进步的自动化资本偏向呈不断加深的态势。而且图2表明，随时间推移技术进步偏向峰度变小，说明个体间差异在变大，因此，进行微观样本的考察才能更准确捕捉“机器换人”的效应与机制。此外，目前中国企业的高技能劳动力数量要小于低技能劳动力，技能升级依然有较大空间。同时，考察$ bias $与就业之间的简单相关关系发现，两者表现为开口向上的非线性“U型”关系（如图1所示）。

图  2  2012—2019年中国制造业上市公司技术进步偏向峰峦图

第一，自动化资本偏向型技术进步对就业总量的影响分析。表2第（1）列报告了回归结果，$ bias $以及$ {bias}^{2} $系数在1%统计水平上分别显著为负和正。这表明制造业企业自动化资本偏向型技术进步与就业之间存在非线性关系，较低水平的自动化资本偏向型技术进步对制造业就业有替代作用，较高水平的自动化资本偏向型技术进步会促进就业。为进一步明确$ bias $与就业的关系类型，基于表2第（1）列的模型进行Utest检验，对两者二次函数的拐点进行计算，可得此拐点$ bias $数值为0.97。通过对比$ bias $均值水平（0.17），可知现阶段制造业企业自动化资本偏向型技术进步对就业的影响以“替代效应”为主。由于$ bias $二次项系数为正，因此当被解释变量为$ ln{l}_{it} $时，模型（1）的几何图形是开口向上的抛物线，当自动化资本偏向型技术进步指数小于0.97时，$ bias $对就业具有负效应；而$ bias $值大于0.97时，则对就业具有正向促进作用，这一结果与干春晖和姜宏^㊺、王光栋^㊻、孔高文等^㊼和闫雪凌等^㊽的研究一致，验证了本文研究假说一。控制变量方面，企业资产规模越大、企业研发支出越多、企业对外贸易规模越大，对制造业企业就业规模具有显著促进作用，企业员工平均工资上升则会显著减少就业规模。资产规模代表企业的基础实力，企业资产规模越大，需要与之相匹配的劳动力就越大，越有可能增加就业岗位；企业研发投入的增加会引致新的劳动力需求从而带来劳动力规模的扩大；企业对外贸易规模越大，表明外需市场对企业产品需求越大，企业越有可能扩大就业规模；企业员工平均工资水平上升，会增加企业经营成本，导致企业减少就业岗位。

第二，自动化资本偏向型技术进步对就业结构的影响。就业总量的变化还无法准确捕捉其中的结构性变化，因此，本部分将重点检验其对不同技能劳动力就业的影响。表2第（2）、（3）列报告了回归结果，$ bias $对低、高技能劳动力的影响系数分别显著为负和正，二次项$ {bias}^{2} $系数分别在1%统计水平上显著为正和负，体现制造业企业自动化资本偏向型技术进步对低、高技能劳动力的就业影响同样是非线性的。当制造业企业自动化资本偏向型技术进步指数值较小时，对低技能劳动力产生替代效应，对高技能劳动力具有创造效应，而当$ bias $值较大时，这种技术进步会显著促进低技能劳动力就业，同时减少高技能劳动力就业，从而验证了本文的研究假说二。

通过Utest检验，对$ bias $与低、高技能劳动力就业的二次函数的拐点进行计算，可得此拐点$ bias $值分别为0.98、1.03。通过对比$ bias $均值水平（0.17），可知现阶段制造业企业自动化资本偏向型技术进步对低技能劳动力就业的影响以“替代效应”为主，对高技能劳动力就业以“创造效应”为主。根据表2第（2）列可知，$ bias $二次项系数为正，因此当被解释变量为$ ln{L}_{it} $时，模型（1）的几何图形是开口向上的抛物线，即当自动化资本偏向型技术进步指数小于0.98时，对低技能劳动力就业具有替代效应；而$ bias $值大于0.98时，则对其就业产生创造效应。表2第（3）列显示$ {bias}^{2} $系数为负，当被解释变量为$ ln{Z}_{it} $时，模型（1）呈现“倒U型”，由此可知自动化资本偏向型技术进步指数小于1.03时，对高技能劳动力就业具有创造效应；而$ bias $值大于1.03时，则对其就业具有替代作用。通过计算$ bias $在均值点时的边际效应^㊾发现，自动化资本偏向型技术进步对低技能、高技能劳动力就业的边际效应分别为−1.46、0.68。说明对于本文研究的样本区间而言，制造业企业自动化资本偏向型技术进步对低技能劳动力的替代效应高于高技能劳动力的创造效应，整体上对劳动力的影响呈“替代效应”。

基于中国企业在要素投入和创新发展上存在典型的所有制、地域与行业差异性，本文主要从上述几方面进行异质性分析。^㊿异质性分析结果表明，与非国有制造业企业相比，国有企业更容易受到自动化资本偏向型技术进步的冲击；相比中西部区域，制造业企业自动化资本偏向型技术进步对东部区域就业替代的边际效应更大；与资本、技术密集型行业相比，对劳动密集型行业就业替代的边际效应更大。

一是借鉴王林辉等⁽⁵¹⁾，将高技能劳动力用企业本科及以上学历的员工来替代，低技能劳动力替换为本科学历以下的员工，重新测度制造业企业自动化资本偏向型技术进步指数，表示为$ bias1 $。基于模型（1）式，表3第（1）列报告了回归结果，$ bias1 $、$ {bias1}^{2} $的系数在1%统计水平上分别负、正显著，表明制造业企业自动化资本偏向型技术进步与就业之间为“U型”的非线性关系，意味着替换高、低技能劳动力的代理变量，本文核心结论依然保持稳健。二是改变基准模型的估计方法，采用GMM对模型（1）进行回归，结果如表3第（2）列所示，核心解释变量$ bias $的系数在1%统计水平下负显著，$ {bias}^{2} $的系数则在1%的统计水平下正显著，表明改变模型的估计方法，基准回归结果仍然稳健。

一是遗漏变量问题。本文借鉴赵奎等⁽⁵²⁾，在模型（1）的基础上，进一步控制了时间和行业的交乘项，在一定程度上可以解决遗漏变量所导致的内生性问题。表3第（3）列报告了回归结果，表明控制了固定效应的交乘项后，与基准回归相比，$ bias，{bias}^{2} $的回归系数符号与显著性影响不大，意味着遗漏变量导致的内生性问题较小。二是反向因果问题。考虑到制造业企业自动化资本偏向型技术进步与就业可能存在逆向因果，即劳动力供给不足促使企业投入更多自动化资本，从而使制造业企业技术进步偏向于自动化资本，本文采用两阶段最小二乘法解决这一内生性问题。本文选择$ bias $滞后一期（$ L.bias $）以及构造制造业两分位行业层面的自动化资本偏向型技术进步指数的算数平均数（$ meanbias $）作为工具变量（张杰等⁽⁵³⁾），表3第（4）列报告了回归结果，LM检验P值为0，且通过了Sargan检验，说明这两个工具变量均有效。表3结果表明考虑了内生性问题后，制造业企业自动化资本偏向型技术进步对就业的影响仍呈现“U型”，本文的回归结果较为可靠。

以上主要分析了自动化资本偏向型技术进步对就业的非线性影响，本文进一步研究这种偏向型技术进步对就业总量以及劳动力技能结构的传导途径。基于本文第二部分理论机制与研究假说，并借鉴张国清等⁽⁵⁴⁾机制检验的方法，分别检验生产率效应、产出规模效应两种机制，构建如下模型：

被解释变量$ ln{Q}_{it} $包括 $ ln{l}_{it}、ln{Z}_{it}、ln{L}_{it} $。机制变量$ {Mech}_{it} $指全要素生产率$ {TFP}_{it} $与产出规模$ {lnY}_{it} $，本文借鉴谭静和张建华⁽⁵⁵⁾的做法，选用OP方法测算$ {TFP}_{it} $，将企业营业收入对数值$ {lnY}_{it} $表征产出规模。控制变量$ X $同基准模型（1），同样控制了企业和时间固定效应。

表4检验了企业生产率是否发挥了非线性效应。根据表4第（1）列可知，$ bias $的系数显著为正，$ {bias}^{2} $系数显著为负，且通过了Utest检验，表明制造业企业自动化资本偏向型技术进步对生产率的影响呈现“倒U型”。同时可得拐点处$ bias $的值为0.97，说明当制造业企业自动化资本偏向型技术进步水平较低时（小于0.97），企业采用自动化、智能化的先进技术和设备，会显著提高企业生产率，而当自动化资本偏向型技术进步达到临界值（0.97），机器替代人的能力受到限制，如果企业继续大力投入自动化资本，促进自动化资本偏向型技术进步，这会导致这种技术进步与生产率水平匹配度降低，从而抑制了企业生产率的提升。在表4第（2）—（3）列中，$ bias $的一次项系数为负，二次项系数为正，均在1%的显著性水平下通过检验，且通过了Utest检验，表明自动化资本偏向型技术进步对就业总量$ lnl $、低技能劳动力就业$ lnL $存在“U型”的直接效应；在第（4）列中，$ bias $对高技能$ lnZ $存在“倒U型”的直接影响。当自动化资本偏向型技术进步水平较低时（小于0.97），企业采用自动化、智能化的技术设备，对就业总量和低技能劳动力就业产生替代作用，而自动化资本的投入需要与之相匹配的高技能劳动力，因此会增加对高技能劳动力的需求；而当自动化资本偏向型技术进步跨过临界点（0.97）时，如果企业继续大力投入自动化资本，促进这种技术进步，对就业总量和低技能劳动力就业存在创造效应，抑制了高技能劳动力需求。综上可知，自动化资本偏向型技术进步对就业总量以及劳动力技能结构除了存在直接效应外，还会通过生产率产生间接影响。

企业通过自动化资本投入提高了生产率，在企业规模没有得到提升的前提下，生产率增加会导致企业劳动力总需求下降⁽⁵⁶⁾，尤其是从事低级别任务的劳动力更容易被替代。同时，生产率的提高带来的企业生产环节升级促使对高技能劳动力需求增加；当自动化资本偏向型技术进步跨过拐点时，企业生产率可能由于与劳动力不匹配等原因不再上升，企业对高技能劳动力的需求下降。但由于此时企业的生产方式实现了部分自动化，反而会增加非自动化生产环节的就业，即低技能劳动力的就业上升。因此，当$ bias $小于临界值时，这种技术进步通过提升企业生产率这一渠道，对就业总量和低技能劳动力就业产生替代效应，对高技能劳动力存在创造效应；而当$ bias $大于临界值时，制造业企业自动化资本偏向型技术进步会降低企业生产率，进而对就业总量和低技能劳动力就业有创造作用，对高技能劳动力具有替代效应。

表5显示了产出规模效应机制检验结果。根据表5第（1）列可知，$ bias $、$ {bias}^{2} $的系数在1%统计水平上分别显著为负、正，且通过了Utest检验，拐点值为0.99，表明制造业企业技术进步的自动化资本偏向对产出规模的影响存在“U型”的非线性关系，当$ bias $小于此拐点值时，企业的自动化资本投入还未达到收益点，使得自动化资本偏向型技术进步对产出的提升效应还不明显。同时，自动化的更新改造、升级成本较高且具有较大的不确定性，有些还不能马上产生效益，由此所产生的成本效应短期内会导致企业产出规模下降。随着$ bias $达到此拐点值，自动化资本偏向型技术进步提高了企业的生产能力和盈利能力，促进企业追加资本和劳动力来扩大生产规模，这与Graetz and Michaels⁽⁵⁷⁾研究结果一致。表5第（2）—（3）列显示，自动化资本偏向型技术进步的一次项和平方项系数分别显著为负和正，均通过了Utest检验，表明$ bias $与就业总量$ lnl $、低技能劳动力就业$ lnL $存在“U型”关系。而在第（4）列中，自动化资本偏向型技术进步对高技能劳动力就业$ lnZ $有“倒U型”直接效应。当$ bias $在拐点左侧，自动化资本偏向型技术进步水平较低时，企业自动化投入成本较高，对就业总量和低技能劳动力就业产生替代效应。但是企业需要增加高技能劳动力来匹配自动化技术效率。当$ bias $跨过拐点以后，自动化投入带来规模经济，对就业总量和低技能劳动力就业产生创造效应，对高技能劳动力需求下降。综上，自动化资本偏向型技术进步对就业总量以及劳动力技能结构除了存在直接效应外，还会通过产出规模对就业产生间接影响。

制造业企业在自动化改造初期，存在较大不确定性，为了规避风险，企业投入资金较多，成本上升可能会使得产出下降，导致就业总需求降低。为提高自动化资本使用效率，促使高技能劳动力就业上升；而当$ bias $跨过临界点，自动化资本偏向型技术进步提高了企业的生产技术，企业生产规模扩大。企业规模增加会带来各生产环节劳动力需求上升。⁽⁵⁸⁾此时，随着企业产出规模增加，企业为了实现利润最大化，为了进一步降低劳动力成本，对高技能劳动力的需求下降。基于以上分析可知，当$ bias $小于临界值时，这种技术进步通过降低企业产出规模，对就业总量以及低技能劳动力就业产生替代效应，增加了高技能劳动力需求；而当$ bias $到达临界点后，通过增加产出规模对就业总量以及低技能劳动力就业产生创造效应，对高技能劳动力需求下降。

综上，企业生产率和产出规模效应是自动化资本偏向型技术进步对就业影响的非线性渠道，验证了假说三。当$ bias $值小于临界值时，自动化资本偏向型技术进步对就业总量与劳动力技能结构影响的两个渠道是产出规模下降与生产率提升效应；而当$ bias $值越过临界点后，这种技术进步通过产出规模上升和生产率下降两个途径影响就业总量和劳动力技能结构。对于本文研究的样本区间而言，自动化资本偏向型技术进步通过生产率上升效应和规模下降效应对高技能劳动力就业产生了创造效应，而对就业总量和低技能劳动力产生了替代效应。

本文基于制造业上市公司数据，研究了制造业自动化资本偏向型技术进步对就业总量及其结构的影响，得出以下结论：（1）制造业企业自动化资本偏向型技术进步与就业总量、低技能劳动力就业均存在“U型”关系，对高技能劳动力就业影响呈现“倒U型”。异质性分析发现，国有企业、东部区域和劳动密集型行业更容易受到自动化资本偏向型技术进步的冲击。（2）制造业企业自动化资本偏向型技术进步通过企业生产率和产出规模效应影响就业总量以及劳动力技能结构。当$ bias $在拐点左侧时，制造业企业自动化资本偏向型技术进步通过降低企业产出规模对就业总量和低技能劳动力产生替代效应，通过提升企业生产率对高技能劳动力就业产生创造效应；而当$ bias $跨过拐点时，通过产出规模上升和生产率下降两个途径影响就业总量和劳动力技能结构。本文的研究结论具有较大的政策参考意义，意味着就业政策与策略在不同的阶段需要进行动态调整。

第一，通过提升低技能劳动力的技能水平，培育高技能劳动力，提高劳动力与自动化发展的匹配度。本文研究表明，现阶段“机器替代人”对就业的冲击主要体现为对低技能劳动力的替代与高技能劳动力的创造。应充分利用这一倒逼机制，重视低技能劳动力技能水平的提升，增加低技能劳动力培训等的政策供给。一方面，政府需要积极援助失业人群，建立低技能劳动力再就业培训制度，另一方面，通过开展技能大赛、实施技能方面的补贴、税收优惠等措施激励其向高技能劳动力转变；同时也创造机会促进其向传统与新兴产业相结合的业态转移，适应自动化对低端劳动力升级的需求。本文研究表明现阶段自动化趋势会增加高技能劳动力的需求。目前，中国在人工智能等自动化技术领域的人才较少，特别是领军人才与技能型人才缺口较大。因此，需要充分利用中国的大市场吸引国外自动化技术领域的卓越人才，通过优化营商环境增强这些人才的根植性，在做大产业的同时创造更多的就业机会。积极推进产教融合、创办现代产业学院等工作，夯实重点产业技能人才培育基础，加大与自动化资本相匹配的科研、技术人员的培育，以适应自动化、智能化社会发展新需求。同时，在助推自动化资本偏向型技术进步过程中需要根据不同区域、不同类型企业的特点，制定差异化的技术与就业政策。更加重视东部、国有企业、劳动密集型企业低技能劳动力的技能提升和转岗培训，这是目前应对机器换人、稳就业的重点所在。

第二，深入挖掘生产率和规模在自动化技术深化过程中对就业的积极效应。本文研究发现，现阶段自动化带来的生产率提升效应对就业具有创造效应，因此，通过增强研发投入、提高企业主体资源配置效应以及提升生产率水平是就业优化的重要途径。一方面，可以鼓励地方通过立法形式确保省市级科技研发资金投入的比例，通过创新补贴、税收优惠、低息贷款等政策，鼓励制造业企业加大自动化技术领域的基础研究、应用研究和试验开发。另一方面，通过创新考核体系，积极盘活国有企业的创新资源，促进国有企业与时俱进；进一步完善对民营企业的市场开放、融资等方面的支持体系，充分激发民企的创新活力；继续增强稳外企工作，在进出口管制、技术管制的背景下，鼓励外企就地进行技术合作、供应链合作，放大外企的溢出效应。通过精准施策，助力企业提升生产率的内生动力。同时，创新信贷、专项基金支持方式，加大对企业自动化改造、技改资金支持的规模与强度，缓解企业自动化发展初期的成本压力；支持自动化改造方案服务商提升服务能级，提高企业自动化改造的效率。以此促进规模效应的发挥，促进中国制造业就业的高质量发展。