閆雪凌 李雯欣 高然
摘 要:本文通過構造可量化的人工智能技術指標,使用相應數(shù)據(jù)研究其對我國勞動力市場的沖擊和影響。通過構建我國2006-2017年制造業(yè)行業(yè)的工業(yè)機器人的基礎數(shù)據(jù)集,利用面板VAR模型對沖擊和影響進行識別。結果顯示,當前人工智能技術對我國勞動力市場存在正向沖擊并具有較強的持續(xù)性,1單位標準差的人工智能技術沖擊導致勞動力就業(yè)崗位上升約0.04至0.045個百分點,勞動力工資水平上升約0.03至0.04個百分點,工資水平對人工智能技術沖擊的反應在顯著性上稍弱于就業(yè)崗位的反應。進一步研究發(fā)現(xiàn),人工智能技術沖擊并未導致我國現(xiàn)階段勞動力市場在結構上出現(xiàn)極化現(xiàn)象。針對日益增加的對人工智能技術所帶來的“機器代人”的擔憂,本文認為目前人工智能技術沖擊對我國勞動力市場的影響是正向的,其更多表現(xiàn)為創(chuàng)造效應而非替代效應,政府應該繼續(xù)出臺積極的政策措施促進人工智能技術在我國更好地發(fā)展。
關鍵詞:人工智能技術;工業(yè)機器人;勞動力市場;面板VAR模型
一、引 言
當前,人工智能技術席卷全球,發(fā)展迅猛,其不僅可以在較大范圍內(nèi)推廣,還可以不斷更新升級,并帶動與之相關技術的創(chuàng)新和發(fā)展。已有研究文獻指出,人工智能技術的不斷發(fā)展、完善和應用,將對經(jīng)濟增長、技術創(chuàng)新、生產(chǎn)率提高產(chǎn)生較大影響,并導致就業(yè)水平、收入分配、勞動力市場結構與產(chǎn)業(yè)組織等多方面有所改變(Brynjolfsson et al., 2017;陳彥斌等,2019;郭凱明,2019)。實際上,每一輪的科技革命都會引發(fā)有關新技術對勞動力市場沖擊的討論,而人工智能技術作為新一輪科技革命的戰(zhàn)略性技術,其對勞動力市場也同樣造成了雙重影響:一方面,人工智能技術的廣泛應用將替代部分傳統(tǒng)勞動力,“機器代人”擠出了傳統(tǒng)勞動力,因此對勞動力市場存在“替代效應”;另一方面,新技術提高了勞動生產(chǎn)率,擴大了企業(yè)的生產(chǎn)規(guī)模,提供了更多就業(yè)機會,也能同時帶來勞動力市場上的崗位“創(chuàng)造效應”(Schumpeter,1911;Leontief,1983;Frey and Osborne,2017;Graetz and Michaels,2017;Bessen,2019)。
我國政府已經(jīng)明確指出,人工智能技術是新一輪科技革命和產(chǎn)業(yè)變革的重要驅動力量,要深刻認識其重大意義,加強領導,做好規(guī)劃,明確任務,夯實基礎,促進其同經(jīng)濟社會發(fā)展深度融合①。因此,研究人工智能技術究竟對我國勞動力市場存在何種沖擊和影響,不僅有助于厘清當前我國勞動力市場面臨的各種挑戰(zhàn),更有助于我們抓住這一輪科技革新和產(chǎn)業(yè)變革機遇,在后疫情時代加快發(fā)展步伐,讓人工智能技術更好地服務我國經(jīng)濟的“雙循環(huán)”格局。
作為人工智能技術的一項重要應用,工業(yè)機器人在全球制造業(yè)的廣泛推廣和普及帶來了生產(chǎn)方式的革新與勞動生產(chǎn)率的提高。根據(jù)國際機器人產(chǎn)業(yè)聯(lián)盟(International Federation of Robotics,以下簡稱IFR)的定義,工業(yè)機器人是指那些“在工業(yè)自動化中使用的、可重復編程的、多用途自動控制的操作機”②(程虹等,2018;Graetz and Michaels,2018)。美國、德國、日本等發(fā)達國家作為工業(yè)機器人使用的領跑國家,早已出臺多項鼓勵政策措施推動本國工業(yè)機器人發(fā)展①。作為世界上最大的發(fā)展中國家,我國的工業(yè)機器人使用雖晚但快,從圖1可以看出,截至2017年,我國工業(yè)機器人保有量達47.34萬臺,占全球總量的22.57%,遠超過美國、德國和日本的15.43%、9.57%和14.17%,為全球第一。圖2則展示了2006-2017年我國工業(yè)機器人的年均新安裝數(shù)量,年均增速達40%以上,處于高速發(fā)展狀態(tài)。與此同時,伴隨著國家一系列政策②支持,預計我國工業(yè)機器人的發(fā)展應用在未來將持續(xù)保持這一快速增長的勢頭。
工業(yè)機器人的廣泛使用,也為研究人工智能技術對勞動力市場沖擊這一問題提供了來自業(yè)界的數(shù)據(jù)支持。目前,已有文獻通過將其作為衡量人工智能技術最重要的指標來研究其對勞動力市場存在的各種影響(Graetz and Michaels.,2018;Furman and Seamans,2019;Acemoglu and Restrepo,2020)?;诖耍疚膶⑹紫热媸崂碛嘘P人工智能技術對勞動力市場影響的相關文獻,并討論現(xiàn)有文獻存在的不足,再選取工業(yè)機器人作為其典型指標,重點分析我國制造業(yè)行業(yè)受到的人工智能技術的沖擊,進而研究其對我國勞動力市場的影響,并據(jù)此提出適合我國國情的有關人工智能技術發(fā)展的政策建議。本文接下來的結構安排如下:第二部分對相關文獻進行綜述;第三部分介紹實證模型與數(shù)據(jù);第四部分進行實證檢驗與分析;第五部分進行總結并提出相應的政策建議。
二、文獻綜述
關于人工智能技術對勞動力市場的影響,現(xiàn)有文獻的關注點主要集中在以下三個方面:
第一,人工智能技術對勞動力就業(yè)崗位數(shù)量的影響。曹靜和周亞林(2018)認為,人工智能技術的發(fā)展會導致自動化的成本逐漸下降,從而引起機器對人類勞動的替代,但這并不一定必然導致就業(yè)崗位的減少,Autor et al.(2003)自動化雖然會降低傳統(tǒng)任務的就業(yè),但同時自動化創(chuàng)造的新任務卻會增加就業(yè)(Acemoglu and Restrepo,2019),從而吸收就業(yè)人口,使得整個勞動力市場仍舊保持當前的就業(yè)水平。由于人工智能技術對就業(yè)崗位同時存在“替代效應”和“創(chuàng)造效應”,總效應取決于哪種效應更大,因此,現(xiàn)有關于人工智能技術對勞動力就業(yè)影響的研究結論并不一致。Acemoglu and Restrepo(2020)分析了1990-2007年間機器人使用的增加對美國勞動力市場的影響,結果表明,在美國,工業(yè)機器人的使用確實會減少就業(yè)崗位,每一千名工人中增加一個工業(yè)機器人會帶來就業(yè)率下降約0.2個百分點;Hoedemakers(2017)則利用15個OECD國家15年的動態(tài)面板數(shù)據(jù)進行研究發(fā)現(xiàn),機器人技術進步對這些國家的就業(yè)有溫和的正向影響;Graetz and Michaels(2018)利用全球17個發(fā)達國家1993-2007年間的行業(yè)面板數(shù)據(jù)進行研究后發(fā)現(xiàn),工業(yè)機器人并未對就業(yè)量造成顯著影響。
第二,人工智能技術對勞動力工資水平及勞動收入份額的影響。Dauth et al.(2017)、Lankisch et al.(2017)、Acemoglu and Restrepo(2020)的研究結果均表明人工智能技術的應用降低了勞動力工資水平,但Graetz and Michaels(2018)卻得到完全相反的結論。DeCanio(2016)則認為,人工智能技術對工資的影響取決于總生產(chǎn)關系的形式以及人類與機器勞動的替代關系。盡管對工資水平的影響研究結論存在分歧,但這些文獻都指出,人工智能技術對勞動力工資的影響方向將在很大程度上決定宏觀經(jīng)濟中勞動收入份額的變動方向。郭凱明(2019)認為,上一輪科技革命造成了全球勞動收入份額普遍下降,導致主要經(jīng)濟體收入不平等程度顯著提高;DeCanio(2016)的研究還預測,未來人工智能技術的發(fā)展可能會降低工資,進而增加不平等,除非機器人資本回報在人群中廣泛分配,但是這種分配具體如何才能發(fā)生尚不明確;Benzell et al.(2015)則證明,機器人生產(chǎn)率的提高會使擁有資本的當代人受益,無形資產(chǎn)在國民收入中的份額會隨時間上升,勞動所占份額最終會下降,同時工資也會下降,從而使后代貧困。
第三,人工智能技術廣泛應用帶來的就業(yè)與工資“極化”現(xiàn)象。Autor et al.(2006)、David et al.(2006)、Goos and Manning(2007)、Goos et al.(2009)的研究已經(jīng)發(fā)現(xiàn),在美國、英國等一些西方國家,勞動力市場出現(xiàn)了不同程度的“極化”現(xiàn)象,即中間技能就業(yè)崗位開始減少,而高技能與低技能就業(yè)崗位卻有所增加。人工智能技術的廣泛應用可能加劇這一現(xiàn)象,因為中間技能要求的就業(yè)崗位更容易被自動化所替代,其原因可能是因為那些機器所執(zhí)行的任務——通常被稱為“常規(guī)任務”,主要是替代了中間技能勞動者的工作,并與高技能和低技能勞動者形成互補關系,導致中間技能要求崗位的數(shù)量和工資增長速度相對緩慢甚至減少。Feng and Graetz(2015)在一個可以區(qū)分任務復雜度和培訓需求度的模型中對此極化現(xiàn)象進行了解釋:當自動化成本降低時,對于兩個復雜度相同的任務,由于培訓需求度更高的任務所需的勞動力也相應昂貴,企業(yè)會選擇將這部分任務自動化;而復雜度高、培訓密集型的工作不易被自動化,這樣會造成勞動力流向兩端,即流向高復雜度的高技能崗位或比較簡單、無需太多培訓任務的低技能崗位。與此同時,工資極化伴隨著就業(yè)極化產(chǎn)生(Acemoglu and Autor,2011),而人工智能技術的出現(xiàn)和應用加劇了這一進程(Michaels et al.,2014;Autor,2015)。甚至有研究認為人工智能技術造成的工資極化要強于就業(yè)極化,Dauth et al.(2017)表明,隨著工業(yè)機器人使用的增多,中間技能的勞動者將面臨巨大的收入損失,而且這種收入損失并不是來自于工作替代,而是現(xiàn)有工作工資的降低。
綜上,雖然現(xiàn)有關于人工智能技術對勞動力市場沖擊的文獻已很多,但仍然存在以下局限:第一,當前文獻多數(shù)著眼于研究發(fā)達國家的情況(Acemoglu and Autor,2011;Acemoglu and Restrepo,2020;Oschinski and Wyonch,2017;Dauth et al.,2017;Lankisch et al.,2017;Trajtenberg,2018;Agrawal et al.,2019),缺乏針對發(fā)展中國家的研究。實際上,發(fā)達國家和發(fā)展中國家無論是在人工智能技術的發(fā)展階段還是在勞動力市場結構方面均存在較大差異,現(xiàn)有文獻的結論不一定適合于發(fā)展中國家。尤其在我國,人工智能技術正處于一種前所未有的高速發(fā)展階段,其勞動力市場對此可能會存在更多不同的反應和表現(xiàn),這也導致了現(xiàn)有文獻存在的第二個問題,即研究結論尚存在分歧。正如Agrawal et al.(2019)指出的,人工智能技術對勞動力市場的影響是“不明確”的,而曹靜和周亞林(2018)認為這很可能取決于不同國家或地區(qū)在人工智能技術發(fā)展水平和勞動力市場方面的特殊性。第三,在僅有的幾個針對我國現(xiàn)狀的研究中,由于無法較為精準地量化人工智能技術,現(xiàn)有文獻多基于動態(tài)一般均衡模型進行數(shù)值模擬(郭凱明,2019;陳彥斌等,2019),缺乏使用具體詳細的行業(yè)數(shù)據(jù)對理論進行驗證。而相關的實證研究也比較少:程虹等(2018)和Cheng et al.(2019)利用企業(yè)調(diào)查問卷數(shù)據(jù)進行相關研究,但問卷僅覆蓋湖北和廣東兩省,其核心問題是詢問企業(yè)是否購買工業(yè)機器人,未涉及到工業(yè)機器人使用的具體數(shù)據(jù),樣本代表性有所欠缺;閆雪凌等(2020)從全行業(yè)崗位和工資兩個角度進行了分析,但文章沒有對此影響進行動態(tài)討論,在進一步預期方面有待改進。
基于此,本文將圍繞人工智能技術沖擊對中國勞動力市場中崗位數(shù)量、工資水平以及極化現(xiàn)象的影響展開討論??赡艽嬖诘倪呺H貢獻有:第一,為人工智能技術對勞動力市場沖擊的相關研究提供來自中國的證據(jù),完善有關發(fā)展中國家這一問題的相關文獻;其次,使用覆蓋面較廣、代表性較強的工業(yè)機器人數(shù)據(jù)去刻畫人工智能技術在中國的應用,并結合中國勞動力市場的實際情況進行分析,為相關的理論研究補充現(xiàn)實依據(jù);第三,構建面板VAR模型從動態(tài)角度進行實證研究,并給出相應的預期,為人工智能技術在中國未來的發(fā)展提供更有操作性的政策建議。
三、實證模型與數(shù)據(jù)
本文借鑒Abrigo and Love(2016)的方法,通過構建面板VAR模型,對人工智能技術在我國勞動力市場的影響進行估計。選擇VAR模型不僅有助于對人工智能沖擊進行有效識別,還能構造沖擊下勞動力市場的脈沖反應函數(shù),方便與理論模型的數(shù)值模擬結果進行對比檢驗。構建面板數(shù)據(jù)集,可以進一步細分不同行業(yè)受到的不同影響,討論人工智能技術的行業(yè)異質性,在提高估計準確性的同時,提出更有針對性的政策建議。
數(shù)據(jù)可得性一直是制約人工智能技術對勞動力影響這一領域相關實證研究的難題。本文選擇由IFR所統(tǒng)計發(fā)布的各行業(yè)工業(yè)機器人使用數(shù)據(jù)作為衡量人工智能技術的指標。IFR是成立于1987年的國際性非盈利組織,其成員包括來自全球20多個國家的60多個與機器人行業(yè)相關的協(xié)會和研發(fā)機構,提供了從1993年至今全球近100個國家和地區(qū)各行業(yè)工業(yè)器人使用情況的數(shù)據(jù)。本文通過將IFR所提供中國各行業(yè)機器人使用數(shù)據(jù)與制造業(yè)行業(yè)的各項指標一一匹配,構建了我國制造業(yè)各行業(yè)使用工業(yè)機器人情況的基礎數(shù)據(jù)集,涵蓋2006-2017年我國15個制造業(yè)行業(yè)層面的面板數(shù)據(jù)①。
具體變量說明如下:(1)工業(yè)機器人使用量(robot),由工業(yè)機器人使用量(存量)反映人工智能技術在制造業(yè)各行業(yè)中的應用情況;(2)勞動力就業(yè)數(shù)量(work),由行業(yè)年末從業(yè)人數(shù)表示,行業(yè)就業(yè)規(guī)模越大,表明潛在崗位越多;(3)勞動力工資水平(wage),由行業(yè)年末平均工資表示;(4)資本率(capital),由各行業(yè)規(guī)模以上企業(yè)固定資產(chǎn)投入表示,較高的資本率通常意味著較高的生產(chǎn)率,可能更容易應用工業(yè)機器人,從而對就業(yè)崗位和工資水平產(chǎn)生影響;(5)人力資本(human),由各行業(yè)規(guī)模以上企業(yè)研發(fā)人員總數(shù)表示,刻畫所在行業(yè)的勞動力市場結構;(6)盈利能力(profit),由各行業(yè)規(guī)模以上企業(yè)利潤總額表示,企業(yè)盈利能力越強通常勞動回報越高,更容易吸引勞動力進入。
所有變量的含義及數(shù)據(jù)來源在表1中進行了總結,變量描述性統(tǒng)計如表2所示。為保證量綱統(tǒng)一,在實際估計中對所有變量均進行對數(shù)化處理,對其中的名義變量均利用居民消費價格指數(shù)(以2006年為基期)調(diào)整為實際值。最后,對于面板VAR模型的估計,基于Abrigo and Love(2016)提出的GMM方法,參考Andrews and Lu(2001)給出的信息準則最優(yōu)滯后階數(shù)選擇為一階,并且在穩(wěn)健性檢驗部分匯報了滯后階數(shù)為二階的結果。
四、實證檢驗與分析
(一)人工智能技術沖擊與勞動力就業(yè)
本文首先選取勞動力就業(yè)數(shù)量(work)、工業(yè)機器人使用量(robot)、資本率(capital)、人力資本(human)為系統(tǒng)內(nèi)生變量,估計識別人工智能技術沖擊對勞動力就業(yè)的影響。系數(shù)估計結果如表3中的模型(1)所示。需要說明的是,面板VAR模型所估計的回歸系數(shù)本身并不具有確切的經(jīng)濟學涵義,研究者通常旨在分析某一內(nèi)生變量在受到?jīng)_擊后如何影響系統(tǒng)中的其它內(nèi)生變量。按照慣例,本文將著重對估計得到的脈沖反應函數(shù)進行分析。
圖3給出了人工智能技術沖擊下勞動力就業(yè)的脈沖反應,由Monte Carlo模擬2 000次得到,其中實線表示脈沖反應函數(shù)值,陰影表示90%置信區(qū)間(下同)。估計結果表明,1單位標準差的人工智能技術沖擊①,會導致勞動力就業(yè)上升約0.04個百分點(第2期)。與此同時,人工智能技術沖擊對勞動力就業(yè)的正向影響表現(xiàn)出較強的持續(xù)性,其衰減至第10期仍保持在0.02個百分點的水平,并且顯著為正。這說明當前我國勞動力市場并未出現(xiàn)明顯的崗位減少現(xiàn)象,即人工智能技術沖擊并未擠出就業(yè),反而表現(xiàn)出一種溫和的正向促進作用。特別地,由于模型專門對行業(yè)層面的固定效應與勞動力結構進行了控制,這一結論并不會隨行業(yè)異質性(如規(guī)模大小和技能高低等)而改變。這一發(fā)現(xiàn)與現(xiàn)有絕大多數(shù)關于發(fā)達國家勞動力市場受到人工智能技術沖擊的影響相反,這說明在我國,人工智能技術對于勞動力崗位存在較大的創(chuàng)造效應。Arntz et al.(2016)給出了實際就業(yè)不一定遭受損失的三個可能原因:一是由于經(jīng)濟、法律和社會的障礙,新技術的廣泛使用是一個緩慢的過程,技術替代可能并不如預期那樣立刻發(fā)生;二是即使新技術被引進,但勞動者可以通過更換任務轉變技術稟賦,并不會被新技術沖擊而失業(yè);三是新技術的應用創(chuàng)造了新的工作機會,這也與Acemoglu and Restrepo(2019)的文章結論類似,吸納了潛在的未就業(yè)人數(shù),或是一部分從原有崗位失業(yè)的勞動力轉移到了新崗位上。IFR的研究報告指出,僅僅工業(yè)機器人這一新興產(chǎn)業(yè)就在世界范圍內(nèi)提供了17萬-19萬個新的工作崗位,也為這一可能提供了相應的事實依據(jù)。
為保證結論的穩(wěn)健性,本文同時估計了二階滯后模型,對比檢驗實證結論會否隨滯后階數(shù)的選擇產(chǎn)生明顯不同②。二階滯后模型的系數(shù)估計結果如表3中的模型(2)所示。圖4給出了人工智能技術沖擊下勞動力就業(yè)的脈沖反應,結果顯示,1單位標準差的人工智能技術沖擊會導致勞動力就業(yè)上升約0.045個百分點(第3期)。與圖3進行對比,人工智能技術沖擊對勞動力就業(yè)繼續(xù)維持了正向且較強持續(xù)性的影響,這表明本文核心結論不會隨模型滯后階數(shù)的改變而發(fā)生顯著改變,結論是穩(wěn)健的。此外,本文進一步對面板VAR模型的系統(tǒng)穩(wěn)定性進行檢驗③。檢驗結果如圖5所示,二階滯后內(nèi)模型的所有特征根都落在單位圓之內(nèi),滿足穩(wěn)定性條件。
(二)人工智能技術沖擊與勞動力工資
接下來本文選取勞動力工資水平(wage)、工業(yè)機器人使用量(robot)、資本率(capital)、盈利能力(profit)為系統(tǒng)內(nèi)生變量,識別人工智能技術沖擊對勞動力工資的影響。通常情況下,行業(yè)盈利水平的高低將極大影響行業(yè)工人的工資水平,因此在這一模型中,我們特別對行業(yè)盈利能力這一指標進行了控制。系數(shù)估計結果如表3中的模型(3)所示。圖6給出了人工智能技術沖擊下勞動力工資的脈沖反應,估計結果表明,1單位標準差的人工智能技術沖擊,會導致勞動力工資上升約0.04個百分點(第6期),且人工智能技術沖擊對勞動力工資的正向影響具有較強的持續(xù)性。圖7給出了人工智能技術沖擊下企業(yè)盈利能力這一變量的脈沖反應,可以看到,人工智能技術沖擊導致企業(yè)盈利能力這一指標顯著持續(xù)上升,說明人工智能技術對其帶來了正向影響。
與之前類似,本文同時估計了二階滯后模型,以檢驗實證結論的穩(wěn)健性。系數(shù)估計結果如表3中的模型(4)所示。圖8給出了人工智能技術沖擊下勞動力工資的脈沖反應,結果顯示,1單位標準差的人工智能技術沖擊,會導致勞動力工資上升約0.03個百分點(第4期)。與圖6進行對比,人工智能技術沖擊對勞動力工資均產(chǎn)生了正向且持續(xù)性較強的影響,滯后階數(shù)的選擇并未顯著影響核心結論。對模型系統(tǒng)穩(wěn)定性的檢驗結果如圖9所示,二階滯后內(nèi)模型的所有特征根都落在單位圓之內(nèi),滿足穩(wěn)定性條件。
進一步地,結合人工智能技術沖擊下勞動力就業(yè)崗位和工資水平的變動情況,我們發(fā)現(xiàn),如果將勞動力就業(yè)崗位與工資水平的脈沖反應進行對比,可以發(fā)現(xiàn)后者具有更寬的置信區(qū)間,表明工資水平對人工智能技術沖擊的反應在顯著性上要弱于就業(yè)崗位的反應??傮w來看,相較于現(xiàn)有社會上關于“機器代人”所引發(fā)的各種擔憂,本文的結果更加支持人工智能技術對我國勞動力市場產(chǎn)生的綜合影響表現(xiàn)為創(chuàng)造效應。
(三)人工智能技術沖擊與勞動力市場極化
最后,我們再進一步討論在人工智能技術的沖擊下,我國制造業(yè)行業(yè)是否出現(xiàn)了勞動力市場極化現(xiàn)象。結合現(xiàn)有文獻和中國實際情況,本文選取行業(yè)研發(fā)投入的多少作為行業(yè)技術高低的衡量指標,將位于中間位置的6個行業(yè)作為子樣本進行估計,并與全樣本結果進行對比。結果如圖10-13所示,其中左邊從上到下的圖10和圖12分別為全行業(yè)勞動力就業(yè)和工資的脈沖反應,右邊一列從上到下的圖11和13分別為中間技能行業(yè)勞動力就業(yè)和工資的脈沖反應。從圖中可以看出,1單位標準差的人工智能技術沖擊,會導致中間技能行業(yè)勞動力就業(yè)上升約0.035個百分點(第2期),工資上升約0.03個百分點(第6期),均未超過全行業(yè)的平均水平,這說明人工智能技術沖擊并未給當前我國勞動力市場帶來極化現(xiàn)象。一般而言,出現(xiàn)極化現(xiàn)象的勞動力市場通常伴隨著就業(yè)崗位和工資水平同時下降的趨勢,但如本文前面兩部分結果而言,當前人工智能技術沖擊對我國勞動力市場無論在就業(yè)崗位還是工資水平上的影響主要是正向的,這可能是我國勞動力市場未出現(xiàn)極化現(xiàn)象的重要原因。
五、結論和政策建議
在人工智能技術席卷全球的今天,探討其對勞動力市場的沖擊和影響具有重大意義。在現(xiàn)有文獻的基礎上,本文通過使用2006-2017年我國制造業(yè)各行業(yè)應用工業(yè)機器人的數(shù)據(jù),構建行業(yè)面板VAR模型進行實證研究,分析了人工智能技術對我國勞動力就業(yè)崗位、工資水平及勞動力市場結構的沖擊。結果發(fā)現(xiàn),人工智能技術對于勞動力就業(yè)崗位和工資水平均存在正向沖擊,相較就業(yè)崗位的影響,工資水平對于人工智能技術沖擊的反應在顯著性上要稍弱一些。具體而言,1單位標準差的人工智能技術沖擊,導致勞動力就業(yè)崗位數(shù)量上升約0.04至0.045個百分點,并提升工資水平約0.03至0.04個百分點。進一步研究發(fā)現(xiàn),相比發(fā)達國家人工智能技術廣泛應用所導致的就業(yè)極化現(xiàn)象,當前人工智能技術沖擊并未導致我國勞動力市場在結構上出現(xiàn)類似現(xiàn)象。本文的研究結果表明,總體上看,人工智能技術沖擊對我國勞動力市場存在正向影響,更多表現(xiàn)為新技術的“創(chuàng)造效應”。
本文的發(fā)現(xiàn)有助于正確認識當前我國人工智能技術對于勞動力市場的沖擊,緩解由“機器代人”所引發(fā)的擔憂?;诒疚慕Y果,我們提出以下政策建議:
第一,繼續(xù)大力推進人工智能技術在全行業(yè)的應用,讓人工智能技術成為引領我國經(jīng)濟“雙循環(huán)”的重要能量。人工智能技術可能通過提高行業(yè)生產(chǎn)率、增加行業(yè)就業(yè)崗位、創(chuàng)造新就業(yè)崗位、提高企業(yè)盈利能力等多方面對勞動力就業(yè)崗位和工資水平產(chǎn)生正向影響,這將會對后疫情時代我國經(jīng)濟的發(fā)展提供更多新機遇,有助于我國更深入地參與全球經(jīng)濟發(fā)展和競爭,政府應該繼續(xù)出臺相應的政策措施為人工智能技術在我國的發(fā)展保駕護航。
第二,正確面對人工智能技術在應用過程中對現(xiàn)有勞動力可能產(chǎn)生的負面效應。作為一項新技術,其存在一定的擠出效應在所難免,政府應該提前做好應對措施,加強風險防范,利用人工智能技術先天的技術適配性,引導可能受影響的勞動力群體分流崗位,并做好勞動力再就業(yè)培訓,緩解因“機器代人”引發(fā)的社會問題,為人工智能技術更好地服務于我國經(jīng)濟的發(fā)展鋪平道路。
第三,加大人力資本投入,不斷提高現(xiàn)有勞動力素質水平,確保當前傳統(tǒng)勞動力的技能水平與人工智能技術的要求處于匹配水平,并保證相應配套的教育科研投入以適應人工智能技術所創(chuàng)造的新崗位能力要求,鼓勵和引導人工智能技術與現(xiàn)有的勞動力結構向更和諧的方向匹配,從而實現(xiàn)科學技術和勞動力技術同步發(fā)展。
參考文獻
[1] 曹靜、周亞林:《人工智能對經(jīng)濟的影響研究進展》[J]. 《經(jīng)濟學動態(tài)》, 2018年第1期,第103-115頁。
[2] 陳彥斌、林晨、陳小亮:《人工智能、老齡化與經(jīng)濟增長》[J]. 《經(jīng)濟研究》, 2019年第7期,第47-63頁。
[3] 程虹、陳文津、李唐:《機器人在中國:現(xiàn)狀、未來與影響——來自中國企業(yè)-勞動力匹配調(diào)查(CEES)的經(jīng)驗證據(jù)》[J]. 《宏觀質量研究》,2018年第6刊第3期,第1-21頁。
[4] 郭凱明:《人工智能發(fā)展、產(chǎn)業(yè)結構轉型升級與勞動收入份額變動》[J]. 《管理世界》,2019年第7期,第60-77頁。
[5] 閆雪凌、朱博楷、馬超:《工業(yè)機器人使用與制造業(yè)就業(yè):來自中國的證據(jù)》[J]. 《統(tǒng)計研究》,2020第37刊第1期,第74-87頁。
[6] Abrigo, M. R. M., and Love, I., “Estimation of panel vector autoregression in Stata” [J]. The Stata Journal, 2016, 16(3), 778-80.
[7] Acemoglu, D., and Autor, D., “Skills, tasks and technologies: Implications for employment and earnings” [J]. Handbook of Labor Economics,Elsevier, 2011, (4), 1043-1171.
[8] Acemoglu, D., and Restrepo, P., “Automation and new tasks: how technology displaces and reinstates labor” [J]. Journal of Economic Perspectives, 2019, 33(2), 3-30.
[9] Acemoglu, D., and Restrepo, P., “Robots and jobs: Evidence from US labor markets” [J]. Journal of Political Economy, 2020, 128(6), 2188-2244.
[10] Agrawal, A., and Gans, J. S., Goldfarb, A., “Artificial Intelligence: The Ambiguous Labor Market Impact of Automating Prediction”[J]. Social Science Electronic Publishing, 2019.
[11] Andrews, D.W.K. and Lu, B., “Consistent model and moment selection procedures for GMM estimation with application to dynamic panel data models”[J]. Journal of Econometrics, 2001, 101(1), 123-164.
[12] Arntz, M., Gregory, T., and Zierahn, U., “The risk of automation for jobs in OECD countries: A comparative analysis”[J]. OECD Social, Employment, and Migration Working Papers, 2016.
[13] Autor, D. H., Levy, F., and Murnane R J, “The Skill Content of Recent Technological Change: An Empirical Exploration” [J]. The Quarterly Journal of Economics, 2003, 118(4), 1279-1333.
[14] Autor, D. H., Katz, L.F., and Kearney, M. S., “The polarization of the US labor market”[J]. American Economic Review, 2006, 96(2), 189-194.
[15] Benzel, S. G., Kotlikoff, L. J., LaGarda, G., et al, “Robots are us: Some economics of human replacement”[J]. NBER working paper, 2015 (w20941).
[16] Bessen, J., “Automation and jobs: When technology boosts employment”[J]. Economic Policy, 2019, 34(100), 589-626.
[17] Brynjolfsson, E., Rock, D., and Syverson, C., “Artificial intelligence and the modern productivity paradox: A clash of expectations and statistics”NBER working paper, 2017 (w24001).
[18] Cheng, H., Jia, R., Li, D., et al, “The Rise of Robots in China”[J]. Journal of Economic Perspectives, 2019, 33(2),71-88.
[19] Dauth, W., Findeisen, S., Sdekum, Jens, et al. “German Robots - The Impact of Industrial Robots on Workers” [J]. CEPR Discussion Papers, 2017.
[20] Davi, H., “Why are there still so many jobs? The history and future of workplace automation”[J]. Journal of economic perspectives, 2015, 29(3), 3-30.
[21] DeCanio, S. J., “and humans–complements or substitutes?”[J]. Journal of Macroeconomics, 2016, 49, 280-291.
[22] Feng, A., and Graetz, G., “Rise of the machines: The effects of labor-saving innovations on jobs and wages”[J]. IZA Discussion Papers, 2015.
[23] Frey, C. B., and Osborne, M. A., “The future of employment: How susceptible are jobs to computerisation ?”[J]. Technological Forecasting and Social Change, 2017, 114.
[24] Furman, J., and Seamans, R., “AI and the Economy”[J]. Innovation Policy and the Economy, 2019, 19(1), 161-191.
[25] Goos, M., and Manning, A., “Salomons A. Job polarization in Europe”[J]. American Economic Review, 2009, 99(2), 58-63.
[26] Goos, M., and Manning, A., “Lousy and lovely jobs: The rising polarization of work in Britain”[J]. Review of Economics and Statistics, 2007, 89(1), 118-133.
[27] Graetz, G., and Michaels, G., “Is Modern Technology Responsible for Jobless Recoveries?”[J]. American Economic Review, 2017, 107(5).
[28] Hamilton, J. D., “Time Series Analysis”[J]. Princeton: Princeton University Press, 1994.
[29] Hoedemakers, L., “The changing nature of employment: How technological progress and robotics shape the future of work”, 2017.
[30] Lankisch, C., Prettner, K., and Prskawetz, A., “Robots and the skill premium: An automation-based explanation of wage inequality”, Hohenheim Discussion Papers in Business, Economics and Social Sciences, 2017.
[31] Leontief, M., “National Perspective: The Definition of Problems and Opportunities. a National Academy of Engineering Symposium”, 1983.
[32] Lutkepohl, H., “ New Introduction to Multiple Time Series Analysis”[J].New York: Springer, 2005.
[33] Michaels, G., Natraj, A., and Van Reenen, J., “Has ICT polarized skill demand? Evidence from eleven countries over twenty-five years”[J]. Review of Economics and Statistics, 2014, 96(1), 60-77.
[34] Oschinski, M., and Wyonch, R., “Future Shock? The Impact of Automation on Canadas Labour Market”[J]. C.d.howe Institute Commentary, 2017, 12(2),27-32.
[35] Schumpeter, J., “Theorie der wirtschaftlichen Entwicklung”, 1911.
[36] Trajtenberg, M., “Ai as the Next Gpt: A Political-Economy Perspective”[J]. Cepr Discussion Papers, 2018.
Impact of Artificial Intelligence on Chinas Labor Market
XUELING YAN
(Sichuan University)
WENXIN LI
(Sichuan University)
RAN GAO
(Sichuan University)
Abstract: This paper studies the impact of artificial intelligence on Chinas labor market by quantifying artificial intelligence technical indicators and using corresponding data. By constructing the basic data set of industrial robots in Chinas manufacturing industry from 2006 to 2017, the panel VAR model is used to identify the impact. The results show that the current artificial intelligence technology has a positive impact on Chinas labor market and has strong sustainability. The impact of 1 unit standard deviation of artificial intelligence technology leads to the increase of labor employment by about 0.04 to 0.045 percentage points The impact of wage level on artificial intelligence technology is slightly weaker than that of fanaying in employment. Further research shows that the impact of artificial intelligence technology does not lead to polarization of labor market structure at this stage. In view of the increasing concern about "machine replacing man" brought by artificial intelligence technology, this paper believes that the impact of artificial intelligence technology on Chinas labor market is positive, and its performance is more creation effect than substitution effect. The government should continue to introduce positive policies and measures to promote the better development of artificial intelligence technology in China.
Key Words: artificial intelligence; industrial robots; labor market; panel VAR model
〔執(zhí)行編輯:韓超〕
* 閆雪凌,四川大學經(jīng)濟學院經(jīng)濟學博士,助理研究員;李雯欣,四川大學經(jīng)濟學院本科生;高然,四川大學經(jīng)濟學院博士:副教授。通信作者:高然,四川大學經(jīng)濟學院經(jīng)濟學博士,副教授。E-mail:gaoran@scu.edu.cn。感謝中國博士后科學基金第64批面上資助(2018M643457)、四川省科技廳軟科學研究項目(2019JDR0172)的資助。
① 習近平,2018年在中共中央政治局第九次集體學習上的講話。
② 國際機器人聯(lián)盟(IFR)原文定義: “Industrial robots is an automatically controlled, reprogrammable multipurpose manipulator programmable in three or more axes.” (https://ifr.org/#topics)
① 美國政府在2013年推出《美國機器人技術路線圖》,主要突出了機器人對美國制造業(yè)的重要影響,并強調(diào)了其在創(chuàng)造新就業(yè)崗位方面的巨大貢獻;日本政府2015年出臺《新機器人戰(zhàn)略》,希望日本成為世界機器人創(chuàng)新基地;德國借助“工業(yè)4.0”計劃從2012年開始大力推行“智能工廠”,通過工業(yè)機器人在生產(chǎn)領域的直接應用,引領了工業(yè)制造向靈活化和個性化方向轉型。
② 我國工業(yè)機器人的發(fā)展得到了《關于推進工業(yè)機器人產(chǎn)業(yè)發(fā)展的指導意見》《中國制造2025》《機器人產(chǎn)業(yè)發(fā)展規(guī)劃(2016-2020年)》等政策的支持。
① 本文構建的數(shù)據(jù)集備索。
① 在利用面板VAR模型識別出人工智能技術沖擊的基礎上,此處模擬暫時性沖擊(沖擊產(chǎn)生一期即關閉)下勞動力就業(yè)的反應,后文的脈沖反應分析類似。
② 受樣本容量的限制,本文未估計滯后階數(shù)為三階及以上的情形。
③ 穩(wěn)定性檢驗基于Lutkepohl(2005)和Hamilton(1994),VAR模型的系統(tǒng)穩(wěn)定性直接影響著沖擊識別及脈沖反應函數(shù)計算的準確性和有效性,因而至關重要。