一、数据与方法
数据来源与处理
本研究采用2007-2021年期间231家制造业企业的面板数据，样本总量达52,625条。人工智能采纳程度的衡量借鉴孙文远（2023）与何勤（2020）的方法，以企业机器设备人均价值作为核心指标。劳动力相关指标通过企业年报数据计算得出，控制变量主要来源于上市公司公开年报。数据预处理包含缺失值处理、异常值检测及变量标准化等步骤，确保数据质量。
模型设定
基准回归模型采用双向固定效应模型，控制个体固定效应和时间固定效应，以消除不可观测的异质性。
二、基准回归结果
人工智能对员工数量的影响
回归结果显示，人工智能应用对制造业企业员工数量具有显著的负向影响。这一结果表明，人工智能技术的应用导致企业减少了对劳动力的需求，可能通过自动化替代重复性劳动实现。
人工智能对工资水平的影响
同时，人工智能应用对制造业企业工资水平具有显著的正向影响。这一发现表明，人工智能技术可能通过提升生产率、优化生产流程等方式，间接提高了员工的工资水平。
异质性分析
进一步分析表明，人工智能对员工数量和工资水平的影响存在显著的异质性。具体而言，在技术密集型企业中，人工智能对员工数量的负向影响更为显著，而对工资水平的正向影响则相对较弱；在劳动密集型企业中，人工智能对员工数量的负向影响相对较小，但对工资水平的正向影响更为显著。
三、稳健性检验
替换变量度量
为检验结果的稳健性，本研究采用不同的人工智能采纳度量指标（如机器人使用密度、软件投入比例等）进行重新估计，结果与基准回归结论一致。
样本调整
通过剔除异常值样本、分时间段回归等方式，检验结果的稳定性，发现主要结论未发生实质性改变。
内生性处理
采用工具变量法（以行业平均人工智能应用水平作为工具变量）处理潜在的内生性问题，回归结果仍支持基准回归结论。
四、结论与启示
本研究通过复刻孙文远和刘于山（2023）的方法，验证了人工智能应用对制造业劳动力市场的双重影响：一方面显著减少企业员工数量，另一方面显著提高员工工资水平。这种影响在不同类型企业间存在异质性，为政策制定和企业决策提供了重要参考。未来研究可进一步探索人工智能对劳动力市场影响的长期动态特征。
二、数据指标
人工智能采纳程度 机器账面价值 / 员工总数，数据详见前文 员工数量 企业年度员工总数 工资水平 应付职工薪酬 / 员工总数 资本偏好 研发投入 / 应付职工薪酬 资产规模 资产总额 资本深化程度 固定资产投入 运营能力 总资产周转率 盈利能力 净资产收益率 产品创新 无形资产账面价值 / 企业总资产
三、参考文献
参考文献：
孙文远,刘于山.人工智能对劳动力市场的影响机制研究[J].华东经济管理,2023,37(03):1-9.
四、数据概览
基本数据
处理代码
描述性统计
基准回归