朱火弟，葉 潤

(重慶理工大學 a.管理學院； b.經濟金融學院， 重慶 400054)

一、引言

自2013年以來，美國、德國等西方發(fā)達國家為增強自身的競爭力，積極推動人工智能相關產業(yè)的發(fā)展，作出人工智能相關戰(zhàn)略規(guī)劃。伴隨著人工智能等技術的發(fā)展，有學者研究認為歐美發(fā)達國家已出現(xiàn)就業(yè)“兩極化”現(xiàn)象。為把握住人工智能這一重大的歷史性機遇，我國把建設發(fā)展人工智能技術提升到了國家戰(zhàn)略層面。2017年1月，將人工智能寫進黨的十九大報告。2018年和2019年，發(fā)布相關政策推進人工智能教育。2020年4月，國家發(fā)展改革委員會次明確新基建的主要領域之一是人工智能。在這個大背景下，人工智能的發(fā)展在提升生產力水平的同時，也會對勞動力市場產生一系列沖擊，因而勞動力就業(yè)結構也會受到影響。受新冠肺炎疫情、中美貿易摩擦、人口老齡化等因素的沖擊，我國整體就業(yè)形勢不容樂觀，結構性失業(yè)規(guī)模大且問題嚴重。2019年，《政府工作報告》提到“當前和今后一個時期，我國就業(yè)總量壓力不減、結構性矛盾凸顯”，“必須要把就業(yè)擺在更加突出位置”。2020年，我國“十四五”規(guī)劃明確提出要“強化就業(yè)優(yōu)先政策”，“千方百計穩(wěn)定和擴大就業(yè)”，“更加注重緩解結構性就業(yè)矛盾，加快提升勞動者的技能素質”并明確指出人工智能發(fā)展對我國勞動力就業(yè)結構會造成影響。因此，正視這種影響將有助于人工智能與我國經濟社會協(xié)調發(fā)展，并為人工智能影響勞動力市場做出充足的準備。于是，本文使用2006—2019年的省級面板數(shù)據，分析人工智能發(fā)展對我國勞動力就業(yè)結構的影響，并基于我國區(qū)域發(fā)展不平衡的事實，進一步分析我國不同區(qū)域的人工智能發(fā)展對勞動力就業(yè)結構的異質性影響。

二、文獻綜述

(一)人工智能發(fā)展方面的相關研究

作為一門前沿交叉性綜合學科，人工智能在不斷演進中，學術界至今尚未對人工智能概念的界定進行統(tǒng)一。斯坦福大學的Nils J.Nilsson教授認為人工智能是一門關于如何表達知識、獲取知識以及使用知識的學科[1]。目前，MIT電氣工程領域的研究者對于人工智能概念的描述是比較全面的，即人工智能是一個有機整體，是通過模型建立的關于思維、感知和行動的表達系統(tǒng)，以生成測試法為基本運行方式，并通過算法(程序或方法)實現(xiàn)約束條件的作用[2]。張鑫等認為人工智能的目標是在某方面機器具備相當于人類的智能，達到該目標則可稱為人工智能[3]。程承坪等認為人工智能就是利用大數(shù)據和云計算來執(zhí)行人類賦予它的算法，回答并解決人類提出的問題，其基本要素是芯片、算法和數(shù)據[4]。

受到各個階段科學認知水平和信息處理能力限制，人工智能發(fā)展經歷多次潮起潮落。王麗華指出，人工智能發(fā)展的第一次浪潮是在20世紀五六十年代，主要是以“圖靈測試”為標志，進行了理論革新；第二次浪潮是在20世紀八九十年代，從專家系統(tǒng)到基于數(shù)據統(tǒng)計模型，發(fā)生了思維的轉變；第三次浪潮是從2006年至今，出現(xiàn)了深度學習等技術相互融合[5]?；谠朴嬎?、大數(shù)據技術、移動互聯(lián)網、物聯(lián)網的發(fā)展，在算力、算法、數(shù)據、應用場景的共同作用下，人工智能技術與產業(yè)發(fā)展呈現(xiàn)加速態(tài)勢。人工智能發(fā)展有“三階段”和“兩階段”之說?！叭A段”說認為：第一階段屬于弱人工智能階段，該階段的人工智能被稱為專用人工智能，只擅長某一方面的工作[6]；第二階段屬于強人工智能階段，該階段的人工智能被稱為通用人工智能，具有意識、自我和創(chuàng)新思維，能夠完成思考、計劃、解決問題、抽象思維等人類級別智能的工作[6]；第三個階段是超人工智能階段，該階段的人工智能具有超強的理解能力、情感意識和創(chuàng)造能力[7]。而兩階段說是指弱人工智能階段和強人工智能階段[4]。

由于本文主要研究人工智能發(fā)展對就業(yè)結構的影響，因此將從經濟學的角度，對人工智能進行重新界定，具體定義如下：人工智能是為了實現(xiàn)與人類認知、思維等智能水平相似的一系列理論、方法和技術，也是感知、模擬人類智能活動的思維過程，實現(xiàn)其目的的載體是數(shù)字計算機控制的機器、軟件、網絡等，具有能感知、能學習、能適應等特征。應用場景包括醫(yī)療、交通、制造、金融、物流等領域，消費終端包含智能機器人、智能設備等產品。當前人工智能的發(fā)展整體上處于第一個階段，即弱人工智能階段。

(二)就業(yè)結構方面的相關研究

就業(yè)結構是指在一國或地區(qū)中勞動力的分布與構成，可依照城鄉(xiāng)、行業(yè)、性別、職業(yè)、技能等標準來劃分就業(yè)結構。以不同技能勞動就業(yè)份額的變化來分析就業(yè)結構的變化特征是分析的主要思路，關鍵在于確定技能結構的劃分標準。在實證研究中，對于勞動者技能結構的劃分標準主要分為兩類：一類是采用工作性質標準。姚先國等將高技能勞動力定義為非生產性工人，包括管理人員和技術人員，而低技能勞動力定義為生產性工人[8]。雍昕根據工作性質，實證檢驗了工業(yè)機器人等自動化技術對我國制造業(yè)中普通工人、技術人員、文員和管理人員等不同崗位技能水平的“重塑效應”[9]。另一類是采用受教育程度標準。陳明藝等在實證研究人工智能對我國就業(yè)結構的影響時，以勞動者受教育程度來劃分就業(yè)結構，將勞動力分為低等技能勞動力、中等技能勞動力和高等技能勞動力[10]。孫早等在經驗層面上探究工業(yè)智能化是否將導致中國勞動力就業(yè)結構出現(xiàn)相應的變化趨勢時，采用不同受教育程度就業(yè)人員占比來衡量不同技能勞動力的就業(yè)情況[11]。

(三)人工智能發(fā)展影響就業(yè)結構的相關研究

目前，關于人工智能影響就業(yè)結構方面的研究主要聚焦于勞動力“就業(yè)極化”現(xiàn)象。勞動力就業(yè)極化是指不同技能水平的職業(yè)的就業(yè)比重增長曲線呈現(xiàn)U型，即高技能勞動力就業(yè)比重相對于中低等技能勞動力就業(yè)比重快速增長，同時低技能勞動力就業(yè)比重相對于中等技能勞動力就業(yè)比重也出現(xiàn)了上漲[12]。很多學者都強調需要警惕人工智能和自動化等技術引起的勞動力就業(yè)極化現(xiàn)象[13]。人工智能影響就業(yè)結構的相關研究成果主要分為以下3類：

一部分學者認為造成了就業(yè)“兩極化”。David等研究發(fā)現(xiàn)中等技能水平崗位的數(shù)量和工資增長速度相對于低等技能水平和高等技能水平的崗位更為緩慢[14]。Goos等利用西歐16個國家1993—2010年的就業(yè)數(shù)據，證實在發(fā)達國家中出現(xiàn)了“就業(yè)極化”現(xiàn)象：中等技能崗位的勞動需求相對于高技能和低技能崗位呈減少趨勢[15]。Autor、Frey 等認為計算機革命與人工智能快速發(fā)展導致勞動力市場兩極分化的趨勢已出現(xiàn)，即中等收入、中等技能需求的崗位數(shù)量減少，而高收入的腦力勞動(認知工作)和低收入的體力勞動崗位數(shù)量有所增加[16-17]。孫早等通過固定效應模型探究工業(yè)智能化發(fā)展對中國勞動力就業(yè)結構的影響，研究結果表明工業(yè)智能化導致中國整體出現(xiàn)就業(yè)“兩極化”趨勢，但我國東南沿海發(fā)達地區(qū)的就業(yè)結構呈現(xiàn)出“單極極化”特征[11]。蔡躍洲等認為人工智能對就業(yè)的結構性沖擊不可避免，中間崗位容易被替代，就業(yè)結構將呈兩極化趨勢[18]。

另一部分學者認為導致了就業(yè)結構“高級化”。陳明藝等利用我國2007—2016年的省級面板數(shù)據，研究發(fā)現(xiàn)人工智能技術發(fā)展為高等技能勞動力創(chuàng)造了更多的就業(yè)機會，但對中、低等技能勞動力就業(yè)造成負面沖擊[10]。Jerbashian的實證研究表明以計算機化為代表的智能技術有可能會導致就業(yè)崗位單極化[19]。呂潔等基于1990—2015年22個國家的經驗分析，發(fā)現(xiàn)工業(yè)機器人的技術進步會加快對低技能勞動力的替代步伐，但同時會提升對中、高技能勞動力的互補性需求，進而促進一國的勞動力結構轉型[20]。陳曉等通過固定效應模型和中介效應模型，研究發(fā)現(xiàn)工業(yè)智能化增加了高等技能勞動力需求和替代中等技能勞動力，從而實現(xiàn)就業(yè)結構高級化，提升了經濟增長質量[21]。

還有的學者認為造成了就業(yè)“反極化”。潘丹丹基于我國2008—2017年上市公司的人工智能相關數(shù)據，實證研究發(fā)現(xiàn)人工智能技術的應用使得就業(yè)出現(xiàn)反極化效應，即顯著提升了中技能勞動者的就業(yè)比重，而降低了高技能和低技能勞動者就業(yè)的比重，這在信息產業(yè)中表現(xiàn)尤為突出[22]。

(四)人工智能發(fā)展對我國就業(yè)結構的區(qū)域異質性影響的相關研究

我國疆域遼闊，不同地區(qū)有著不同的資源稟賦與發(fā)展戰(zhàn)略，因而不同區(qū)域下經濟發(fā)展狀況是非均衡的，而人工智能的發(fā)展也是如此。有學者研究發(fā)現(xiàn)，我國不同區(qū)域下人工智能發(fā)展程度存在差異性。李俊玨通過自主構建AI發(fā)展指數(shù)發(fā)現(xiàn)東部地區(qū)的人工智能發(fā)展程度最高，然后依次是中部和西部，并且東部地區(qū)的人工智能發(fā)展程度遠遠高于其他兩個區(qū)域[23]。田正杰通過計算各省份的機器人滲透率發(fā)現(xiàn)沿海地區(qū)使用機器人較多，行業(yè)內的工人面臨被機器人替代的概率較高，并且從沿海到內陸有一個漸變的趨勢，內陸省份受到的影響相對較小[24]。進一步地，有少數(shù)學者從區(qū)域層面研究了人工智能發(fā)展對我國就業(yè)結構的影響。孫早等實證研究了我國地區(qū)間不同的工業(yè)智能化發(fā)展程度對就業(yè)結構的異質性影響，發(fā)現(xiàn)大部分地區(qū)的就業(yè)結構呈現(xiàn)“兩極化”趨勢，而東南沿海地區(qū)的就業(yè)結構因過高生活成本擠出低技能勞動力而呈現(xiàn)出“單極極化”趨勢，但第三產業(yè)的快速發(fā)展在一定程度上弱化了這一替代效應[11]。

(五)研究述評

現(xiàn)有國內外文獻關于人工智能發(fā)展影響勞動力就業(yè)結構的研究主要聚焦于“就業(yè)極化”現(xiàn)象方面，研究視角主要著眼于地區(qū)層面和行業(yè)層面，相關研究成果較為豐富。但現(xiàn)有研究還存在一些局限性：第一，大部分文獻聚焦于人工智能發(fā)展對就業(yè)總量的影響，對就業(yè)結構的影響的研究還不足，而人工智能對勞動就業(yè)最重要的影響是對就業(yè)結構的影響。另外，中國究竟是出現(xiàn)了就業(yè)結構“兩極化”還是出現(xiàn)了就業(yè)結構“高級化”，亦或是就業(yè)結構“反極化”，還存在一些爭論。第二，人工智能技術的發(fā)展水平和應用程度在不同地區(qū)有所不同，但研究不同區(qū)域下人工智能發(fā)展對就業(yè)結構的異質性影響的文獻比較少。因此，為了更有針對性地進行研究，本文將利用我國30個省份2006—2019年的面板數(shù)據，實證檢驗人工智能發(fā)展對我國整體勞動力就業(yè)結構的影響，并進一步分析不同區(qū)域下人工智能發(fā)展水平對就業(yè)結構的異質性影響，以便更有針對性地提出對策來緩解我國結構性就業(yè)矛盾。

三、模型設定與指標選取

(一)模型設定

根據前文的理論分析，本部分的主要目的是從實證角度探究人工智能發(fā)展對我國就業(yè)結構的影響，其基本計量模型如下：

lowi，t=α0+α1lnroboti，t+α2fdii，t+α3tradei，t+α4uri，t+α5chi，t+α6edui，t+εi，t

(1)

midi，t=β0+β1lnroboti，t+β2fdii，t+β3tradei，t+β4uri，t+β5chi，t+β6edui，t+εi，t

(2)

highi，t=γ0+γ1lnroboti，t+γ2fdii，t+γ3tradei，t+γ4uri，t+γ5chi，t+γ6edui，t+εi，t

(3)

上述模型中，式(1)、式(2)、式(3)分別表示低、中等和高技能勞動力的模型。下標i和t分別表示第i個省份和第t年。low表示低技能勞動力就業(yè)占比，mid表示中等技能勞動力就業(yè)占比，high表示高技能勞動力就業(yè)占比，均為被解釋變量。robot表示機器人滲透度，是人工智能發(fā)展水平的代理變量，為核心解釋變量。fdi表示外商直接投資，trade表示貿易開放度，ur表示城鎮(zhèn)化水平，ch表示生活成本，edu表示教育質量，均為控制變量；ε表示隨機誤差項。將絕對數(shù)變量取對數(shù)，以消除可能存在的異方差。

(二)指標選取

1.被解釋變量：就業(yè)結構

在就業(yè)結構方面，劃分勞動者技能結構的劃分標準主要分為兩類：一是采用工作性質標準，二是采用受教育程度標準。由于在研究就業(yè)結構時大量使用高中低技能的劃分方法[25]，且基于相關數(shù)據的可獲得性，本文借鑒孫早等[11]、陳曉等[21]、潘丹丹[22]等大部分學者的做法，采用受教育程度標準來衡量勞動者技能結構，從而衡量就業(yè)結構。將初中及以下學歷的勞動者劃分為低技能勞動力，將高中學歷(2015年及以后包含中等職業(yè)教育)的勞動者劃分為中等技能勞動力，將大學專科(2015年及以后包含高等職業(yè)教育)及以上學歷的勞動者劃分為高技能勞動力。

2.核心解釋變量：人工智能發(fā)展水平

目前，我國對于人工智能發(fā)展水平的測算沒有統(tǒng)一的衡量標準。我國一部分學者借鑒了Jeff和Michael的做法，用“信息傳輸、計算機服務和軟件業(yè)全社會固定資產投資”來衡量人工智能的發(fā)展水平[5，23，26-27]。還有一部分學者將工業(yè)機器人使用密度或滲透度(每千名勞動力所擁有的工業(yè)機器人數(shù)量)作為人工智能的代理變量。例如，呂潔等使用工業(yè)機器人使用密度來衡量一國或地區(qū)的工業(yè)制造的自動化程度[20]。韓民春等以機器人滲透度指標來衡量某一地區(qū)工業(yè)機器人的分布密度和使用程度[28]。工業(yè)機器人滲透度反映了工業(yè)機器人的分布密度和使用程度，更能直接反映我國目前人工智能發(fā)展水平，因此本文采用機器人滲透度來衡量人工智能的發(fā)展水平。

工業(yè)機器人的數(shù)據來源于國際機器人聯(lián)合會(International Federation of Robotics，簡稱IFR)的報告。由于本文需要的是省級層面的機器人滲透度的數(shù)據，而IFR只公布國家層面以及各個國家行業(yè)層面的工業(yè)機器人安裝量和保有量，因此本文借鑒韓民春等[28]、康茜等[29]、魏下海等[30]學者的做法，采用Bartik工具變量法來計算省級層面的機器人滲透度，從而衡量人工智能發(fā)展水平。具體公式如下：

其中，robotit表示i地區(qū)t時期的工業(yè)機器人滲透度，laborijt表示i地區(qū)j行業(yè)t時期的就業(yè)人數(shù)，laborit表示i地區(qū)t時期的就業(yè)人數(shù)，robotjt表示j行業(yè)t時期的工業(yè)機器人保有量，laborjt表示j行業(yè)t時期的就業(yè)人數(shù)。

3.主要控制變量

(1)外商直接投資(fdi)。蔡昉等認為外商直接投資對中國經濟增長和就業(yè)具有顯著效應[31]。郝楠等基于我國省級面板數(shù)據實證研究中國勞動力就業(yè)極化的影響因素和作用機制時，發(fā)現(xiàn)外商直接投資對勞動力技能需求呈現(xiàn)“U”型非線性影響[32]。本文借鑒該做法，將外商直接投資額占GDP的比重作為外商直接投資的衡量指標。

(2)貿易開放度(trade)。對外貿易會改變社會對不同勞動力素質的需求[33]。羅軍利用我國2003—2011年制造業(yè)細分行業(yè)面板數(shù)據進行實證研究，發(fā)現(xiàn)國際貿易對我國勞動力就業(yè)的勞動作用隨著貿易開放度的提高而增加[34]。因此，本文基于該研究結論，采用各省份的進出口總額占GDP的比重來衡量貿易開放度。

(3)城鎮(zhèn)化水平(ur)。郝楠等研究發(fā)現(xiàn)城鎮(zhèn)化通過技術創(chuàng)新對勞動力就業(yè)發(fā)揮作用，其中顯著的作用是促進了高技能勞動力就業(yè)，減少了低技能勞動力就業(yè)[32]。因此，本文用城鎮(zhèn)人口占總人口的比重來衡量地區(qū)城鎮(zhèn)化水平。

(4)生活成本(ch)。賴德勝等研究了制造業(yè)就業(yè)的變化對本地服務業(yè)的帶動作用，在用城鎮(zhèn)居民年消費支出額對數(shù)衡量本地生活成本時，發(fā)現(xiàn)較高的生活成本將帶來更大的就業(yè)擠出效應[35]。因此，本文在此基礎上，用城鎮(zhèn)居民家庭人均消費支出占可支配收入的比重來衡量生活成本。

(5)教育質量(edu)。楊蕙馨等在研究中國信息產業(yè)技術進步對勞動力就業(yè)及工資差距的影響時，用教育經費支出占財政總支出的比重來衡量教育質量[36]。因此，本文借鑒該做法，用各省份國家財政性教育經費占地方財政一般預算支出的比重來衡量教育質量。

(三)數(shù)據來源與描述性統(tǒng)計

本文選取2006—2019年中國30個省份的面板數(shù)據為研究樣本進行實證檢驗，由于西藏自治區(qū)數(shù)據缺失嚴重，故將其剔除。本文的數(shù)據來源于國際機器人聯(lián)盟IFR、《中國統(tǒng)計年鑒》《中國勞動統(tǒng)計年鑒》《中國人口和就業(yè)統(tǒng)計年鑒》《中國科技統(tǒng)計年鑒》以及各省統(tǒng)計年鑒。對于缺失的部分數(shù)據，本文采用插值法進行補齊。主要變量的描述性統(tǒng)計見表1所示。

表1 主要變量的描述性統(tǒng)計

四、實證結果與分析

(一)基準回歸結果分析

本部分實證檢驗人工智能發(fā)展對我國勞動力就業(yè)結構的影響。表2中列(1)、列(2)、列(3)分別報告了人工智能發(fā)展對我國低、中和高技能勞動力就業(yè)影響的基準回歸結果。根據Hausman檢驗選擇固定效應模型或隨機效應模型。經檢驗，列(1)、列(2)和列(3)均為固定效應模型。

表2 基準回歸結果

實證結果表明，從全國范圍看，人工智能的發(fā)展并沒有導致我國就業(yè)結構呈現(xiàn)“兩極化”特征，而是出現(xiàn)了就業(yè)結構“高級化”的發(fā)展趨勢。具體而言，列(1)顯示核心解釋變量人工智能 lnrobot的系數(shù)顯著為負，這表明人工智能發(fā)展對我國低技能勞動力就業(yè)產生顯著的負面影響。隨著人工智能技術的發(fā)展，生產過程、生產工具都逐漸自動化和智能化，因此智能化設備和技術的應用對初中及以下教育程度勞動力產生了替代效應。列(2)中l(wèi)nrobot的系數(shù)顯著為負，但系數(shù)較小。這說明雖然人工智能發(fā)展對我國中等技能勞動力就業(yè)有顯著的負向影響，但這種“擠出效應”非常小?？赡艿脑蚴悄壳疤幱谌跞斯ぶ悄茈A段的早期階段，對中等技能勞動力產生替代效應不是很明顯。值得注意的是，部分可被數(shù)字化和程序化的常規(guī)性認知類工作容易被人工智能所替代，例如會計人員、銀行柜員等。列(3)中l(wèi)nrobot的系數(shù)顯著為正，這說明人工智能發(fā)展顯著正向影響我國高技能勞動力的就業(yè)需求。人工智能等新技術對就業(yè)也有“創(chuàng)造效應”，在新一輪科技革命和產業(yè)革命深入發(fā)展的過程中，對機器人工程師、研發(fā)人員等高技能人才的需求會增加。高技能勞動力通常從事一些非常規(guī)性的復雜勞動，具有非程式化的靈活性、創(chuàng)造性和抽象性等特點，能與人工智能技術形成互補；而且，受教育程度越高的勞動者，越能執(zhí)行非常規(guī)任務，能滿足新技術對人力資本的需求，由此人工智能促進了高技能勞動者的就業(yè)。

控制變量方面，外商直接投資顯著提升了我國低技能勞動力的就業(yè)，但在一定程度上對中等技能勞動力就業(yè)產生了顯著的負面影響，對高技能勞動力就業(yè)的影響不顯著。貿易開放度對我國低技能勞動力的就業(yè)有顯著的促進作用，對高技能勞動力就業(yè)有顯著的負面影響，但并未對中等技能勞動力就業(yè)產生顯著影響。城鎮(zhèn)化程度與低技能勞動力的就業(yè)呈現(xiàn)顯著的負相關關系，與中等技能勞動力的就業(yè)呈現(xiàn)正相關關系。生活成本在10%的顯著性水平上對中等技能勞動力就業(yè)產生負面影響。教育質量對中等技能勞動力產生顯著的正面影響，對高技能勞動力的就業(yè)產生顯著的負面影響。

(二)內生性問題

人工智能的發(fā)展會對我國勞動力就業(yè)結構產生影響，同時勞動力就業(yè)結構也可能會反過來影響人工智能的發(fā)展。因此，人工智能的發(fā)展與勞動力就業(yè)結構之間可能存在逆向因果關系，從而引起內生性問題。本文用工具變量法對模型(1)～(3)重新回歸估計來解決內生性問題。

有效工具變量應該滿足兩個條件：一是滿足相關性條件，即與內生變量相關；二是滿足外生性條件，即與隨機擾動項不相關。本文借鑒王智波等[37]、陳永偉等[38]學者的做法，用滯后一期的機器人滲透度作為工具變量。滯后一期的機器人滲透度與當期機器人變量有關，但與當期其他因素不相關，因此同時滿足相關性和外生性條件。另外，對工具變量分別進行不可識別檢驗、弱工具變量檢驗和過度識別檢驗。由于本文選取的工具變量與內生變量一一對應，因此無需進行過度識別檢驗。本文用滯后一期的機器人滲透度，通過2SLS方法對(1)～(3)式進行模型估計，回歸結果如表3所示。

表3 內生性檢驗結果

由表3可知，Anderson canon.corr.LM統(tǒng)計量為225.569，在1%的顯著性水平上拒絕原假設，即該工具變量不存在不可識別問題；Cragg-Donald Wald F統(tǒng)計量為591.997，大于10%顯著性水平的臨界值16.38，說明不存在弱工具變量問題。因此，本文選擇的工具變量是有效的。從回歸結果看，核心解釋變量估計值的符號、顯著性與基本回歸的結果保持一致，這說明考慮了內生性問題后不影響基準回歸的結論，即人工智能發(fā)展將會使得我國勞動力就業(yè)結構“高級化”。

(三)穩(wěn)健性檢驗

1.替換被解釋變量

本文借鑒孫早等[11]、郝楠[39]、陸雪琴等[40]的做法，選取初中及以下學歷比重最高的農林牧漁業(yè)、高中學歷比重最高的制造業(yè)、大學專科及以上學歷比重最高的科學和技術服務業(yè)平均工資漲幅與各省份全部就業(yè)人員平均工資漲幅的差值來衡量低、中、高等技能勞動力的就業(yè)需求，從而進行穩(wěn)健性檢驗。另外，將平均工資根據平均實際工資指數(shù)進行平減，以便剔除物價變動因素的影響?；貧w結果如表4所示。

表4 穩(wěn)健性檢驗：替換被解釋變量

由表4可知，替換被解釋變量后，人工智能變量的系數(shù)符號、顯著性與基本回歸保持一致，人工智能發(fā)展對低、中技能勞動力就業(yè)有顯著的負面影響，對高技能勞動力的就業(yè)有顯著的正面影響，即人工智能發(fā)展導致我國呈現(xiàn)就業(yè)結構“高級化”發(fā)展趨勢的基本結論依舊穩(wěn)健。

2.增加控制變量

本文借鑒李成友等[41]的做法，通過增加控制變量的方式進行穩(wěn)健性檢驗。本文增加以下兩個控制變量：第一，江永紅等基于2001—2012年省級面板數(shù)據，實證檢驗我國產業(yè)結構升級導致了勞動力極化現(xiàn)象的產生[42]，因此本文用第三產業(yè)增加值與GDP的比值表示產業(yè)結構升級。第二，借鑒郝楠的做法，以研發(fā)投入強度來表示研發(fā)投入[39]?；貧w結果如表5所示。

表5 穩(wěn)健性檢驗：增加控制變量

由表5可知，添加了產業(yè)結構升級和研發(fā)投入兩個控制變量以后，人工智能發(fā)展對中低技能勞動力就業(yè)有顯著的負面影響，對高技能勞動力就業(yè)有顯著的正面影響，說明前文的基本回歸結果穩(wěn)健可信。

(四)區(qū)域異質性分析

中國不同地區(qū)之間的經濟發(fā)展狀況存在著較大差異，而人工智能在我國不同區(qū)域間的發(fā)展程度和使用范圍也有所不同。因此，有必要研究不同區(qū)域下人工智能發(fā)展對我國勞動力就業(yè)結構的異質性影響，這樣可以避免全樣本分析時影響效應的相互抵消。本文采用東、中、西部三大經濟區(qū)域的劃分方法來分析人工智能發(fā)展對我國勞動力就業(yè)結構的區(qū)域異質性影響。表6反映了在三大經濟區(qū)域，人工智能發(fā)展分別對我國低、中、高技能勞動力就業(yè)的影響，經Hausman檢驗，列(1)～(9)均采用固定效應模型。

表6 分樣本回歸結果

在表6中，列(1)～(3)、列(4)～(6)、列(7)～(9)分別表示在東、中、西部三大區(qū)域中，人工智能發(fā)展對低技能勞動力、中等技能勞動力和高技能勞動力的影響。通過對比可以看出，人工智能發(fā)展導致我國東部地區(qū)和中部地區(qū)的勞動力就業(yè)結構呈現(xiàn)“高級化”趨勢。具體而言，人工智能發(fā)展對我國東、中部地區(qū)低技能勞動力和中等技能勞動力的就業(yè)產生顯著的負面影響，對高等技能勞動力就業(yè)產生顯著的正面影響。但是在西部地區(qū)，人工智能發(fā)展對勞動力就業(yè)結構并未產生顯著影響。

根據列(3)、列(6)、列(9)可知，對比其他兩個區(qū)域，東部地區(qū)人工智能發(fā)展對高技能勞動力就業(yè)的正面影響最大。東部地區(qū)，例如長三角、珠三角地區(qū)人工智能技術應用較早、范圍最廣泛，相關產業(yè)鏈相對完善。上海浦東新區(qū)有著我國領先且較具國際影響力的工業(yè)機器人產業(yè)集聚區(qū)；廣州市為促進人工智能技術集成與行業(yè)的融合應用，努力打造建設“國家新一代人工智能創(chuàng)新發(fā)展試驗區(qū)”；蘇州昆山布局了智能機器人產品的產業(yè)鏈。另外，東部地區(qū)的產業(yè)結構正在從勞動密集型產業(yè)向知識、技術和資本密集型產業(yè)轉變，因此對高技能人才有較大需求。另一方面，人工智能的發(fā)展在一定程度上呈現(xiàn)出高技能偏向型特征，相應地降低了對低技能勞動力的需求，這也解釋了人工智能發(fā)展對東部地區(qū)低技能勞動力的擠出效應遠遠大于對中西部地區(qū)低技能勞動力的擠出效應的原因。

五、研究結論與對策建議

(一)研究結論

本文基于我國2006—2019年30個省份的面板數(shù)據，將勞動力就業(yè)結構按照受教育程度標準劃分為低、中、高三等，分別檢驗了人工智能發(fā)展對就業(yè)結構的影響，并分別考察了東、中、西三大經濟區(qū)域下，人工智能發(fā)展對勞動力就業(yè)結構影響的異質性。研究結果顯示：第一，從全國范圍看，人工智能發(fā)展使得我國勞動力就業(yè)結構呈現(xiàn)“高級化”發(fā)展趨勢，即人工智能發(fā)展在替代我國低、中等技能勞動力的同時，增加了對高技能勞動力的就業(yè)需求。第二，分區(qū)域來看，我國東部和中部地區(qū)的勞動力就業(yè)結構均呈現(xiàn)“高級化”趨勢，即人工智能的發(fā)展一方面增加了對高中及以上學歷的勞動力需求，另一方面對初中及以下學歷的勞動力有一定的替代作用，但在我國西部地區(qū)，人工智能發(fā)展對勞動力就業(yè)結構并未產生顯著影響。

(二)對策建議

第一，隨著人工智能技術的高速發(fā)展，越來越多的低技能勞動力將會被替代，因此應致力于提升人力資本。首先，加強對低、中等技能勞動力的職業(yè)技能培訓。鼓勵勞動者積極參與線上、線下職業(yè)技能培訓，建設一大批知識型和技能型勞動力大軍，引導我國勞動力就業(yè)結構不斷升級，從而有效滿足勞動力市場需求。其次，倡導勞動者主動學習新知識和新技能來適應不斷變化的工作環(huán)境和技能要求，勞動者掌握的技能越多、擁有的知識越廣泛，就越不會被機器替代。

第二，為了滿足人工智能發(fā)展對高技能勞動力的巨大需求，應加強對相關高技能人才的培養(yǎng)與儲備。一方面，政府應進一步加大科研經費的投入力度，擴大高等教育規(guī)模，并協(xié)調發(fā)展基礎型研究和應用型研究。另一方面，加快實施優(yōu)化調整高等教育結構戰(zhàn)略，動態(tài)調整高等院校學科專業(yè)結構，設置人工智能相關學科專業(yè)。完善人才培養(yǎng)制度，培養(yǎng)一批有創(chuàng)新能力、能解決“卡脖子”關鍵技術問題的高素質人才。

第三，建立健全社會就業(yè)保障制度，多舉措全力“穩(wěn)就業(yè)”。首先，對那些因人工智能等新技術的應用而短期失業(yè)的人員提供技能培訓、就業(yè)幫扶和失業(yè)補貼，保障基本生活并引導勞動者與工業(yè)機器人等智能機器設備互補式發(fā)展。其次，建設公共就業(yè)服務平臺，解決勞動力市場供求信息不對稱等問題，提高勞動力市場信息的透明度和人才流動的靈活性。最后，逐步消除我國勞動力市場二元結構以及性別、年齡等就業(yè)歧視。

第四，多舉措積極推動我國現(xiàn)代服務業(yè)多元化與高質量發(fā)展。服務業(yè)對社交能力、靈活性有著更高的要求，而人工智能往往對那些有高社交、創(chuàng)造性等特點的工作崗位有著更低的替代性[43]。因此，積極鼓勵服務業(yè)的發(fā)展有助于降低人工智能對低技能勞動力的替代性。