姜 昊 董直慶

一、引言

近年來，伴隨人工智能技術(shù)、區(qū)塊鏈、云計算和物聯(lián)網(wǎng)等為代表的新一代信息技術(shù)高速發(fā)展，人類社會正逐漸從傳統(tǒng)信息化向智能化轉(zhuǎn)型，智能化經(jīng)濟時代的全新藍(lán)圖正在全面展開。2022 年11月ChatGPT 再度掀起新一輪人工智能的發(fā)展浪潮，推動經(jīng)濟快速朝人工智能方向轉(zhuǎn)變。中商產(chǎn)業(yè)研究院發(fā)布《2023年中國人工智能市場現(xiàn)狀及發(fā)展趨勢預(yù)測分析》，數(shù)據(jù)顯示，2021年我國人工智能行業(yè)市場規(guī)模達1987億元，在2017—2021年期間復(fù)合增長率接近60%，預(yù)計2023年將達到3043億元，這與中國信通院研究中心測算結(jié)果基本一致。IDC《全球人工智能支出指南》預(yù)測智能客服優(yōu)化、銷售流程改進以及智能業(yè)務(wù)創(chuàng)新等將會是未來五年的焦點場景，且隨著人工智能商業(yè)化應(yīng)用場景不斷開發(fā)與落地，將會重塑企業(yè)的生產(chǎn)運營和用工模式。技術(shù)發(fā)展史亦表明，歷次技術(shù)革命均會重塑社會就業(yè)形態(tài)和崗位分布，人工智能技術(shù)沖擊將引發(fā)社會對失業(yè)問題的擔(dān)憂。麥肯錫全球研究院報告顯示，全球已超過50%的工作任務(wù)實現(xiàn)自動化，預(yù)計2030年將有30%的任務(wù)與14%的崗位被人工智能替代。對中國而言，科大訊飛預(yù)測2023年可能有0.12億—1.02億人需重新就業(yè)或?qū)W習(xí)新技能進行擇業(yè)。關(guān)于人工智能技術(shù)應(yīng)用對勞動就業(yè)問題的研究，文獻思路主要有二：

第一類文獻關(guān)注人工智能對社會整體就業(yè)的影響。人工智能技術(shù)作為第四次科技革命的代表，其產(chǎn)生的影響已滲透經(jīng)濟社會的各個領(lǐng)域，尤其是對勞動力市場影響的問題已然成為學(xué)術(shù)界關(guān)注的焦點，但會多大程度沖擊勞動力市場尚未形成共識，主要分為正向促進、負(fù)向抑制以及無明顯影響三種迥異觀點，而這些結(jié)果主要取決于人工智能技術(shù)就業(yè)替代效應(yīng)和創(chuàng)造效應(yīng)的相對強弱（Calvino and Virgillito，2018）。從替代效應(yīng)角度看，人工智能技術(shù)會提高企業(yè)生產(chǎn)率并優(yōu)化生產(chǎn)流程，通過“機器換人”促使重復(fù)的、程式化的低端勞動被替代，就業(yè)規(guī)模也隨之縮小（Autor and Salomons，2018）；從創(chuàng)造效應(yīng)角度看，人工智能技術(shù)也會滲透融合傳統(tǒng)行業(yè)促進新業(yè)態(tài)、新行業(yè)萌發(fā)，進而創(chuàng)造新的市場需求和新崗位來增加就業(yè)（Furman and Seamans，2019）。對于上述效應(yīng)，學(xué)術(shù)界從不同方面展開了研究，Acemoglu and Restrepo（2020）構(gòu)建任務(wù)框架模型推導(dǎo)發(fā)現(xiàn)機器人應(yīng)用會降低就業(yè)規(guī)模，且該影響有別于傳統(tǒng)的資本深化和要素增強型技術(shù)，實證檢驗也表明機器人應(yīng)用對整個通勤區(qū)的就業(yè)和工資均具有顯著的負(fù)向沖擊，每千名工人增加一個機器人將導(dǎo)致就業(yè)平均下降0.39%，但機器人應(yīng)用的崗位創(chuàng)造效應(yīng)會使得該替代效應(yīng)下降50%，相關(guān)觀點在國內(nèi)得到驗證。例如，閆雪凌等（2020）基于2006—2017年14個制造業(yè)分行業(yè)的數(shù)據(jù)，發(fā)現(xiàn)工業(yè)機器人應(yīng)用會削減制造業(yè)崗位數(shù)量，且該沖擊在行業(yè)規(guī)模較大和研發(fā)力度較強的行業(yè)中表現(xiàn)更為劇烈。然而也存在不同觀點，Oschinski and Wyonch（2017）利用加拿大勞動力市場數(shù)據(jù)，發(fā)現(xiàn)容易被智能化替代行業(yè)的勞動力僅占總就業(yè)的1.7%，尚未發(fā)現(xiàn)智能化會在短期內(nèi)引起大量失業(yè)的證據(jù)，這與Graetz and Michaels（2018）得到的結(jié)論一致。同時，在德國也并未出現(xiàn)類似美國由于機器人大規(guī)模應(yīng)用而造成就業(yè)規(guī)模萎縮的證據(jù)，相反卻發(fā)現(xiàn)機器人應(yīng)用顯著提升了德國的總體就業(yè)水平（Dauth et al.，2017）。進一步，李磊等（2021）借鑒Acemoglu et al.（2020）任務(wù)模型，從企業(yè)視角開展機器人對就業(yè)的影響與作用渠道的理論分析，發(fā)現(xiàn)企業(yè)內(nèi)部機器人主要通過替代效應(yīng)、規(guī)模效應(yīng)和生產(chǎn)率效應(yīng)三條渠道影響就業(yè)規(guī)模，并利用中國工業(yè)企業(yè)數(shù)據(jù)庫檢驗了機器人應(yīng)用對就業(yè)的影響和作用渠道，發(fā)現(xiàn)勞動就業(yè)規(guī)模并未下降，反而顯著提升，但生產(chǎn)率效應(yīng)并非覆蓋全部行業(yè)，異質(zhì)性分析表明僅勞動密集型企業(yè)受明顯抑制。

第二類文獻關(guān)注人工智能技術(shù)的崗位和技能偏向性后果。偏向性技術(shù)進步理論指出，不同技能或任務(wù)與技術(shù)之間往往存在不同程度的替代彈性，表現(xiàn)為互補或者替代效應(yīng)，從而誘致技術(shù)在應(yīng)用過程中出現(xiàn)不同程度的偏向，例如技術(shù)進步偏向于提高高技能或非常規(guī)任務(wù)的邊際產(chǎn)出，那么該技術(shù)進步就屬于技能或非常規(guī)任務(wù)偏向性技術(shù)類型（Autor et al.，2003；魏下海等，2023）。Krueger（1993）提供了技能偏向性技術(shù)進步的證據(jù)，即計算機技術(shù)與高技能存在較高的互補性，而那些接受高教育的勞動又是計算機技術(shù)的主要使用者，最終技術(shù)進步促使高技能勞動相對需求不斷提升，體現(xiàn)了技術(shù)進步存在技能偏向性，而人工智能技術(shù)作為新一代信息技術(shù)則更具這一屬性且將表現(xiàn)更明顯。除技能偏向性技術(shù)進步外，Autor et al.（2003）按照工作任務(wù)和工作類型首次將生產(chǎn)任務(wù)劃分為常規(guī)任務(wù)與非常規(guī)任務(wù)，并細(xì)分為常規(guī)操作型、常規(guī)認(rèn)知型、非常規(guī)操作型和非常規(guī)認(rèn)知型四種類型，并基于任務(wù)框架提出了“任務(wù)偏向型技術(shù)進步”理論，發(fā)現(xiàn)自動化技術(shù)易于替代常規(guī)任務(wù)，如貨物搬運、文書工作等“慣例”任務(wù)，表現(xiàn)出較強的替代效應(yīng)，但難以替代非常規(guī)任務(wù)，這主要由于非常規(guī)任務(wù)通常需要運用人腦進行認(rèn)知判斷以及復(fù)雜的人際溝通才能完成（Deming，2017）。隨著人工智能技術(shù)的快速發(fā)展，國內(nèi)外學(xué)術(shù)界針對人工智能技術(shù)偏向性影響進行了相關(guān)研究。從技能偏向性視角看，Autor and Dorn（2013）基于比較優(yōu)勢的技能任務(wù)分配模型，考察自動化和信息技術(shù)如何重塑勞動力市場，結(jié)果發(fā)現(xiàn)低技能工人會面臨從常規(guī)任務(wù)密集型職業(yè)被轉(zhuǎn)移至服務(wù)職業(yè)的局面，導(dǎo)致就業(yè)結(jié)構(gòu)出現(xiàn)兩極分化。Michaels et al.（2014）采用了美國、日本和九個歐洲國家1980—2004年的行業(yè)層面數(shù)據(jù)進行檢驗，發(fā)現(xiàn)OECD國家勞動力市場“兩極化”程度日益加劇，具體表現(xiàn)為ICT增長較快的行業(yè)對高、中技能勞動力需求分別為上升和下降，而對低技能勞動力需求影響暫不明顯。類似地，F(xiàn)rey and Osborne（2017）基于高斯過程分類器估計了美國702 種職業(yè)被計算機化替代的概率，預(yù)測了智能化對就業(yè)的影響，發(fā)現(xiàn)美國約有47%的就業(yè)處于被替代的高風(fēng)險范疇，且進一步引入勞動力的技能和工資進行預(yù)測后發(fā)現(xiàn)計算機化主要替代低技能就業(yè)需求。此外，Lordan and Neumark（2018）采用1980—2005年的數(shù)據(jù)進行技能偏向性效應(yīng)檢驗，按照受教育水平劃分高、低技能勞動，發(fā)現(xiàn)智能化技術(shù)偏向于降低低技能勞動就業(yè)。由此可見，計算機化存在明顯的技能偏向性。接著，從崗位的偏向性視角看，機器人所產(chǎn)生的就業(yè)影響也并非均等地覆蓋到所有崗位勞動，表現(xiàn)出明顯的崗位偏向性。魏下海等（2020）認(rèn)為這主要由于機器人與不同崗位勞動間存在差異化的替代關(guān)系，從而影響勞動者后續(xù)是否仍處于原崗位，甚至是否繼續(xù)留在該城市，并采用了歷年CLDS 數(shù)據(jù)進行實證檢驗，結(jié)果顯示機器人應(yīng)用正在降低從事常規(guī)任務(wù)移民的就業(yè)概率，而提高了從事非常規(guī)任務(wù)移民的就業(yè)概率。進一步，王林輝等（2022a）也基于CLDS數(shù)據(jù)，應(yīng)用隨機森林、支持向量機等機器學(xué)習(xí)算法測算了人工智能技術(shù)的職業(yè)可替代率，發(fā)現(xiàn)人工智能技術(shù)存在較強的崗位偏向，具體表現(xiàn)為程式化與非認(rèn)知交互型的崗位面臨較高的替代風(fēng)險，而隨著技能寬度提升，非程式化和認(rèn)知交互型的崗位被替代的風(fēng)險漸次較低。余玲錚等（2021）借鑒Autor et al.（2003）的任務(wù)模型，從理論和實證兩個角度驗證了技術(shù)進步的任務(wù)偏向性，通過構(gòu)建一個“機器人-任務(wù)”的理論模型，并在ALM 模型的前提假設(shè)下推出機器人應(yīng)用將導(dǎo)致非常規(guī)任務(wù)相對工資上升，并拉大任務(wù)間工資差距，促使工作需求從重復(fù)可編程的體力需求轉(zhuǎn)向認(rèn)知和社會行為能力需求，同時依托廣東省制造業(yè)“企業(yè)-工人”匹配調(diào)查數(shù)據(jù)驗證了機器人確實提升了非常規(guī)任務(wù)崗位的相對工資差距，但并未顯著提升高技能勞動相對工資，再次證實了機器人體現(xiàn)出任務(wù)偏向型技術(shù)進步。

就本文研究所及，現(xiàn)有文獻主要特點有二。一是關(guān)于人工智能技術(shù)是否會導(dǎo)致大規(guī)?！皺C器換人”削減勞動就業(yè)，還是會通過“人機協(xié)作”增加就業(yè)，目前結(jié)論尚存爭議。多數(shù)研究結(jié)果停留在宏觀層面探討整體就業(yè)規(guī)模沖擊，缺乏從微觀大樣本數(shù)據(jù)視角展開研究，估計結(jié)果難以充分詮釋現(xiàn)實。二是現(xiàn)有文獻關(guān)于行業(yè)人工智能技術(shù)水平測度多使用單一指標(biāo)，通常為人工智能技術(shù)的某個分項指標(biāo)如機器人應(yīng)用或人工智能專利，這類指標(biāo)往往單一反映投入側(cè)或產(chǎn)出側(cè)，難以全面表征行業(yè)人工智能技術(shù)水平，也更未考察行業(yè)間人工智能技術(shù)應(yīng)用可能存在的就業(yè)差異?；诖耍疚目赡艿倪呺H貢獻在于：一是不同于以往從單一維度對人工智能技術(shù)衡量，本文結(jié)合天眼查企業(yè)數(shù)據(jù)庫、中國專利數(shù)據(jù)庫等多個微觀和宏觀數(shù)據(jù)庫，從智能化平臺條件和智能化創(chuàng)新產(chǎn)出兩個維度測算，彌補文獻使用單一指標(biāo)刻畫存在的信息偏誤；二是選擇上市公司微觀數(shù)據(jù)，以行業(yè)視角入手結(jié)合崗位偏向和技能偏向的雙重維度，探究行業(yè)人工智能技術(shù)是否對勞動就業(yè)存在選擇性偏向，深入挖掘不同技術(shù)與所有制屬性下企業(yè)就業(yè)的差異化結(jié)果；三是進一步探究由行業(yè)間“投入-產(chǎn)出”關(guān)聯(lián)引致的“漣漪效應(yīng)”，會對勞動力就業(yè)產(chǎn)生何種影響。本文的剩余結(jié)構(gòu)安排如下：第二部分模型選擇、指標(biāo)設(shè)計與變量特征；第三部分實證檢驗結(jié)果與評價；第四部分異質(zhì)性分析；第五部分進一步分析；第六部分基本結(jié)論與政策建議。

二、模型選擇、指標(biāo)設(shè)計與變量特征

（一）模型選擇

基于上述分析，本文構(gòu)建行業(yè)智能化對就業(yè)偏向性影響的模型，具體如下：

其中，式（1）中被解釋變量employeeijct表示各城市制造業(yè)企業(yè)的不同類別就業(yè)占總就業(yè)的比重，aijt為行業(yè)層面人工智能技術(shù)水平，Xitk、Xjtk和Xctk分別為企業(yè)、行業(yè)和城市層面控制變量，εijct為隨機誤差項。

（二）指標(biāo)設(shè)計

本文選取制造業(yè)二位數(shù)行業(yè)上市公司作為研究樣本，各類企業(yè)員工信息數(shù)據(jù)來自Wind 數(shù)據(jù)庫與CSMAR數(shù)據(jù)庫，并參考趙宸宇等（2021）對上市公司數(shù)據(jù)進行清洗，最終得到1129家A股制造業(yè)上市公司樣本數(shù)據(jù)。對于被解釋變量設(shè)計，一方面，本文借鑒王林輝等（2022a）的思路，發(fā)現(xiàn)人工智能技術(shù)對職業(yè)的替代性存在明顯的組群性特征，故結(jié)合勞動崗位的程式化與認(rèn)知程度將其分類：一是將生產(chǎn)和銷售崗位，即主要從事裝卸、搬運和營銷等一些規(guī)則清晰且易于編碼的任務(wù)，如倉儲人員、收銀人員等，對勞動者體力和手工能力要求較高但不需要較強社交能力，歸為程式化非認(rèn)知崗位；二是將財務(wù)和人事崗位，即主要從事企業(yè)賬務(wù)和人事安排，由于這類任務(wù)有明確的行文規(guī)定，因而所需的創(chuàng)新能力不高，但需要一定的社交能力，歸為程式化認(rèn)知崗位；三是將技術(shù)和綜合管理崗位，即主要從事企業(yè)的技術(shù)創(chuàng)新與日常工作的統(tǒng)籌管理，這不僅需要較強的創(chuàng)新和學(xué)習(xí)能力，同時也需要較強的社交能力，即需要綜合素養(yǎng)較高的勞動力完成，歸為非程式化認(rèn)知崗位。同時，將勞動力按照學(xué)歷水平分成三類：研究生與本科學(xué)歷勞動者通常是企業(yè)研發(fā)創(chuàng)新主體，將其定義為高技能勞動力（Acemoglu，2002）；大專學(xué)歷勞動者通常在公司從事相對簡單的創(chuàng)造型任務(wù)，自主研發(fā)要求較低，將其定義為中技能勞動力（袁冬梅等，2021）；高中及以下的勞動力則完全負(fù)責(zé)可重復(fù)、簡單的任務(wù)，將其定義為低技能勞動力。

對于核心解釋變量，關(guān)于人工智能水平的測度主要分為以下三類。首先，從宏觀地區(qū)層面測度，這在現(xiàn)有研究中涉及最廣，孫早、侯玉琳（2019）構(gòu)建了包含基礎(chǔ)建設(shè)、生產(chǎn)應(yīng)用、競爭力和效益三個維度的省份層面指標(biāo)體系，測算了省份工業(yè)智能化水平。也有許多學(xué)者根據(jù)Bartik 方法將IFR 公布的行業(yè)機器人數(shù)據(jù)折算至省份層面構(gòu)建單一指標(biāo)進行衡量。遺憾的是省份層面智能化指標(biāo)體系難以拓展至城市、縣域等更深維度。因此，王林輝等（2022b）根據(jù)《信息化和工業(yè)化融合發(fā)展規(guī)劃（2016—2020）》制定的發(fā)展目標(biāo)與評估準(zhǔn)則，在前人基礎(chǔ)上構(gòu)建了包含智能化條件、智能化應(yīng)用與智能化技術(shù)三個維度的指標(biāo)體系來測算地級市智能化水平。其次，從微觀企業(yè)層面進行測算，現(xiàn)有文獻除了將IFR 公布的行業(yè)機器人數(shù)據(jù)拆分至企業(yè)層面（王永欽、董雯，2020），學(xué)術(shù)界也一直在探究不同的測度方法。如程虹、袁璐雯（2020）基于CEGS 數(shù)據(jù)庫收錄的企業(yè)購買與使用機器人具體年份的數(shù)據(jù)，利用永續(xù)盤存法測算得到企業(yè)每年具體的機器人存量與現(xiàn)值，進而衡量智能化水平。也有學(xué)者手動進行網(wǎng)絡(luò)數(shù)據(jù)搜集，如郭豐等（2023）利用Python 爬取上市公司年報，并統(tǒng)計企業(yè)年報中與數(shù)字化轉(zhuǎn)型相關(guān)關(guān)鍵詞出現(xiàn)的頻數(shù)，進而衡量企業(yè)數(shù)字化轉(zhuǎn)型水平；類似地，余玲錚等（2021）設(shè)計廣東省內(nèi)制造業(yè)“企業(yè)-工人”匹配調(diào)查問卷，利用“你們企業(yè)有引入工業(yè)機器人或自動化設(shè)備進行‘機器換人’嗎？”問題進行識別，若是則定義為1，否則為0。第三，從中觀行業(yè)層面測度，這是與本文關(guān)聯(lián)最為密切的層面。不足的是，囿于行業(yè)層面數(shù)據(jù)可得性限制，行業(yè)智能化測算的研究相對匱乏，且已有文獻中行業(yè)智能化指標(biāo)構(gòu)建也比較單一，基本上均使用單一指標(biāo)衡量，且測算數(shù)據(jù)主要依賴IFR和世界投入產(chǎn)出表提供的機器人應(yīng)用情況。閆雪凌等（2020）首次根據(jù)行業(yè)分類標(biāo)準(zhǔn)與名稱將IFR提供的全球17個行業(yè)與中國31個制造業(yè)二位數(shù)行業(yè)進行匹配，并采用匹配后得到的14個制造業(yè)行業(yè)機器人安裝數(shù)絕對值來衡量智能化水平。楊飛、范從來（2020），楊飛（2022）利用世界投入產(chǎn)出表中全球計算機制造業(yè)和信息服務(wù)業(yè)在中國各個行業(yè)的直接消耗系數(shù)表征智能化程度。

基于上述文獻梳理，可知智能化水平的測度并未達成共識?；诖?，本文搜集現(xiàn)有的行業(yè)層面數(shù)據(jù)，重構(gòu)行業(yè)人工智能技術(shù)指標(biāo)體系，從智能化平臺條件、智能化創(chuàng)新產(chǎn)出兩大維度選取了21 個指標(biāo)進行測度。同時，為確保人工智能技術(shù)測算結(jié)果更加科學(xué)與合理，本文使用了縱橫向拉開檔次法和熵權(quán)法兩種權(quán)重測算方法，避免僅用某一種方法測算導(dǎo)致結(jié)果存在主觀性，并將后者測算結(jié)果用于穩(wěn)健性檢驗，兩種權(quán)重測算方法將在下文詳細(xì)說明。人工智能技術(shù)水平指標(biāo)體系設(shè)計如下。（1）智能化平臺條件，由機器人覆蓋率、機器設(shè)備工器具投資規(guī)模、智能化平臺規(guī)模、新基礎(chǔ)設(shè)施投資、R&D 投入情況和技術(shù)基礎(chǔ)條件6 個三級指標(biāo)構(gòu)成。具體而言，對于機器人覆蓋率，本文參考閆雪凌等（2020）的思路，按照行業(yè)分類標(biāo)準(zhǔn)與名稱，以行業(yè)儀器設(shè)備經(jīng)費支出為權(quán)重將IFR 公布的行業(yè)機器人數(shù)據(jù)匹配至中國制造業(yè)二位數(shù)行業(yè)。對于機器設(shè)備工器具投資規(guī)模，采用設(shè)備工器具投資占行業(yè)總投資比重表征。對于智能化平臺規(guī)模，采用人工智能制造業(yè)企業(yè)數(shù)占行業(yè)企業(yè)數(shù)比重、人工智能制造業(yè)企業(yè)資本占行業(yè)企業(yè)資本比重、含有產(chǎn)品或工藝創(chuàng)新活動的企業(yè)數(shù)占行業(yè)總企業(yè)數(shù)比重、擁有研發(fā)機構(gòu)的企業(yè)數(shù)占行業(yè)企業(yè)數(shù)比重、擁有R&D活動的企業(yè)數(shù)占行業(yè)企業(yè)數(shù)比重等5個資本層面和數(shù)量層面指標(biāo)共同表征。然而，由于目前并未有數(shù)據(jù)庫統(tǒng)計各行業(yè)人工智能企業(yè)數(shù)目，本文借鑒王林輝等（2022b）的思路，根據(jù)企業(yè)名稱與經(jīng)營范圍是否涉及人工智能主題關(guān)鍵詞，從天眼查企業(yè)信息數(shù)據(jù)庫中識別出人工智能企業(yè)，而對于人工智能關(guān)鍵詞的選擇，本文通過查閱人工智能相關(guān)的前沿文獻和近年來發(fā)布的與人工智能相關(guān)的官方文件和報告（Mann and Püttmann，2023），最終反復(fù)斟酌篩選了人工智能主題關(guān)鍵詞。對于新基礎(chǔ)設(shè)施投資，采用新建、擴建、改建和建筑安裝投資占行業(yè)總固定投資的比重予以表征。對于R&D 投入情況，采用R&D 經(jīng)費支出占行業(yè)總支出比重與R&D項目數(shù)占行業(yè)項目總數(shù)比重共同表征。對于技術(shù)基礎(chǔ)條件，借鑒Michaels et al.（2014），采用引進技術(shù)經(jīng)費支出占行業(yè)總支出比重、購買技術(shù)經(jīng)費支出占行業(yè)總支出比重、技術(shù)消化吸收經(jīng)費支出占行業(yè)總支出比重以及技術(shù)改造經(jīng)費支出占行業(yè)總支出比重共同表征。（2）智能化創(chuàng)新產(chǎn)出，采用新產(chǎn)品產(chǎn)出、創(chuàng)新產(chǎn)出和全要素生產(chǎn)率等3 個分項指標(biāo)衡量。對于新產(chǎn)品產(chǎn)出，由于人為選擇某種產(chǎn)品代表高技術(shù)或智能產(chǎn)品、或采用某個單一指標(biāo)進行衡量可能存在偏誤（孫早、侯玉林，2019），因此本文選取新產(chǎn)品銷售收入占主營業(yè)務(wù)收入比重、新產(chǎn)品開發(fā)項目數(shù)占行業(yè)總項目數(shù)比重、實現(xiàn)產(chǎn)品創(chuàng)新的企業(yè)所占比重以及實現(xiàn)工藝創(chuàng)新的企業(yè)所占比重共同表征新產(chǎn)品產(chǎn)出。對于創(chuàng)新產(chǎn)出，采用行業(yè)人工智能專利數(shù)占R&D 人員全時當(dāng)量比重和有效發(fā)明專利數(shù)占R&D 人員全時當(dāng)量比重共同表征，需要注意的是，由于現(xiàn)有數(shù)據(jù)庫中尚未統(tǒng)計行業(yè)人工智能專利個數(shù)，故與上文一致，按照人工智能主題關(guān)鍵詞從中國專利數(shù)據(jù)庫爬取專利，再加總至行業(yè)層面。對于全要素生產(chǎn)率，鑒于Autor and Salomons（2018）以全要素生產(chǎn)率衡量智能化水平，因此本文借鑒韓峰、陽立高（2020），采用工業(yè)銷售產(chǎn)值作為產(chǎn)出，并以行業(yè)年平均勞動力個數(shù)和行業(yè)固定資產(chǎn)投資存量作為投入，利用MaxDEA8.22軟件選取超效率SBM-DEA 方法測算得出。以上數(shù)據(jù)來源于天眼查企業(yè)信息數(shù)據(jù)庫、《中國統(tǒng)計年鑒》以及中國專利數(shù)據(jù)庫。

控制變量：本文在對控制變量進行篩選的過程中，為了增強控制變量選取的完整性與合理性，在行業(yè)、企業(yè)和地區(qū)三個層面選擇一系列備選變量，并使用Lasso 變量篩選模型確定三個層面控制變量，具體包括：行業(yè)規(guī)模（size），通常行業(yè)規(guī)模越大，越容易雇傭更多的勞動力從事生產(chǎn)，本文采用各行業(yè)規(guī)模以上企業(yè)的工業(yè)總產(chǎn)值予以表示（閆雪凌等，2020）。工資水平（wage），本文采用分行業(yè)年平均工資衡量。國有化程度（nation），本文參考胡晟明等（2021）的思路，采用國有控股工業(yè)企業(yè)銷售產(chǎn)值與行業(yè)總銷售產(chǎn)值的比重進行衡量。外資依存度（fdi），本文采用各行業(yè)外商資本金占行業(yè)實收資本的比重衡量。企業(yè)治理結(jié)構(gòu)（tenholdr），參考孫偉增、郭冬梅（2021），本文采用上市公司前十大股東持股比例衡量企業(yè)治理結(jié)構(gòu)合理性。企業(yè)盈利能力（roe），本文采用企業(yè)凈資產(chǎn)收益率衡量企業(yè)的盈利能力。企業(yè)資本結(jié)構(gòu)（lev），參考袁冬梅等（2021），本文采用企業(yè)資產(chǎn)負(fù)債率進行衡量。企業(yè)償債能力（tp），本文采用企業(yè)實際凈利潤衡量，考慮到企業(yè)的利潤越高，其應(yīng)對風(fēng)險的能力相對越強，同時也會為勞動力就業(yè)提供更高的保障。經(jīng)濟發(fā)展水平（pgdp），鑒于某個地區(qū)的經(jīng)濟發(fā)展水平越高，通常會提供更多的就業(yè)機會，意味著就業(yè)環(huán)境也更好，本文采用地區(qū)人均國內(nèi)生產(chǎn)總值進行衡量。產(chǎn)業(yè)結(jié)構(gòu)（tl），參考干春暉等（2011），本文采用泰爾指數(shù)衡量各地區(qū)產(chǎn)業(yè)結(jié)構(gòu)。

（三）測算方法

1.縱橫向拉開檔次法

本文借鑒郭亞軍（2002）提出的面板數(shù)據(jù)權(quán)重測算方法——縱橫向拉開檔次法，來測算行業(yè)智能化水平指標(biāo)體系權(quán)重，具體步驟如下所示。

步驟1：假設(shè)存在n個評價對象s ={s1,s2,…,sn}，每個評價對象均有m個評價指標(biāo)x1，x2，…，xm，根據(jù)時間順序t1，t2，…，tN進行排列得到原始數(shù)據(jù){xkj( tp)}，其中j代表指標(biāo)所屬行業(yè)，k 代表評價指標(biāo)所屬特征，tp代表指標(biāo)所屬的時間，定義每個對象評價指標(biāo)的權(quán)重系數(shù)向量為w =(w1,w2,…,wm)T；

步驟2：由于不同指標(biāo)的量級不同，直接進行權(quán)重估計可能會產(chǎn)生較大誤差，故對各評價指標(biāo)采用極值化進行無量綱處理，具體計算公式為：

其中，min( xkj)，max( xkj)分別表示指標(biāo)xkj在樣本研究期內(nèi)的最小值和最大值。

步驟3：利用Stata17.0 編程求解上述最優(yōu)化問題，求得各個指標(biāo)的權(quán)重系數(shù)，并對權(quán)重進行歸一化處理，最后加權(quán)相乘得到第j 個行業(yè)第tp年的智能化指數(shù)ai，具體計算公式為：aij( tp)=

2.熵權(quán)法

其次，僅使用一種權(quán)重測算方法可能會導(dǎo)致測算結(jié)果存在主觀性，因此本文繼續(xù)使用基于數(shù)據(jù)驅(qū)動的客觀賦權(quán)方法，同時縱觀現(xiàn)有文獻發(fā)現(xiàn)熵權(quán)法應(yīng)用較為廣泛（張旺、白永秀，2022；王林輝等，2022b）。該方法主要采用各評價指標(biāo)的原始觀測值計算信息熵，并根據(jù)得到的信息熵衡量指標(biāo)相對變化程度，常被用于多指標(biāo)綜合評價。綜上，本文選用熵權(quán)法重新測算指標(biāo)體系權(quán)重，并將測算結(jié)果用于穩(wěn)健性檢驗，具體測算步驟如下：

步驟1：假設(shè)存在n 個評價對象，每個對象有m 項評價指標(biāo)，則記xkj為j 行業(yè)的第k 項指標(biāo)值，由于指標(biāo)體系中各指標(biāo)量綱存在差異，因此有必要進行去量綱化處理，具體計算公式同式（2），可以得到矩陣x*：

步驟2：根據(jù)上述矩陣x*計算概率矩陣P，其中矩陣P的元素pkj計算公式如下：

步驟3：計算每個指標(biāo)的信息熵ek，指標(biāo)的信息熵值越大表明指標(biāo)間的差異越小，指標(biāo)重要性越低，反之亦然，信息熵的計算公式如下：

步驟4：計算每個指標(biāo)權(quán)重wk，具體計算公式為：

最后，利用式（7）得到的指標(biāo)權(quán)重乘以對應(yīng)標(biāo)準(zhǔn)化后的指標(biāo)，即可測得智能化水平。

（四）測算結(jié)果描述

首先，根據(jù)上文構(gòu)建的指標(biāo)體系，本文利用縱橫向拉開檔次法測算出各指標(biāo)權(quán)重，得到2012—2020 年各行業(yè)人工智能技術(shù)水平，具體結(jié)果如表1 所示：第一，人工智能技術(shù)水平排名前十的行業(yè)（從大到小依次為計算機、通信和其他電子設(shè)備制造業(yè)，電氣機械和器材制造業(yè)，通用設(shè)備制造業(yè)，專用設(shè)備制造業(yè)，汽車制造業(yè)，化學(xué)原料及化學(xué)制品制造業(yè)，醫(yī)藥制造業(yè)，儀器儀表制造業(yè)，金屬制品業(yè)，鐵路、船舶、航空航天和其他運輸設(shè)備制造業(yè)），將該結(jié)果與中國工業(yè)和信息化部發(fā)布的2020 年全國智能制造能力水平Top10行業(yè)進行對比，發(fā)現(xiàn)本文構(gòu)建的指標(biāo)體系測算結(jié)果與官方發(fā)布的行業(yè)智能制造能力水平吻合度較高，表明本文構(gòu)建的指標(biāo)體系精確度和合理度較高，并且該結(jié)果與國家統(tǒng)計局公布的高技術(shù)產(chǎn)業(yè)完全吻合，顯示高技術(shù)產(chǎn)業(yè)的技術(shù)水平與智能化水平均領(lǐng)先。第二，為了分析各行業(yè)的人工智能技術(shù)增長潛力，本文利用Kmeans 聚類分析方法對各行業(yè)歷年增長率進行聚類分析，具體采用了余弦相似度方法衡量數(shù)據(jù)集中所有數(shù)據(jù)的關(guān)系，通過對初始給定的聚類中心進行不斷迭代，使得每個對象到聚類中心的距離最小，直至所有對象無法被更新到其他類中，最終聚類結(jié)果顯示：金屬制品、機械和設(shè)備修理業(yè)，其他制造業(yè)，印刷和記錄媒介復(fù)制業(yè)，家具制造業(yè)，造紙及紙制品業(yè)，皮革、毛皮、羽毛及其制品和制鞋業(yè)為第一增長梯隊；橡膠和塑料制品制造業(yè)，文教、工美、體育和娛樂用品制造業(yè)，石油加工、煉焦及核燃料加工業(yè)，金屬制品業(yè)，化學(xué)纖維制造業(yè)，食品制造業(yè)，非金屬礦物制品業(yè)，木材加工和木、竹、藤、棕、草制品業(yè)，紡織業(yè)為第二增長梯隊；煙草制品業(yè)，鐵路、船舶、航空航天和其他運輸設(shè)備制造業(yè)，計算機、通信和其他電子設(shè)備制造業(yè)，有色金屬冶煉和壓延加工業(yè)，汽車制造業(yè)，專用設(shè)備制造業(yè)，儀器儀表制造業(yè)，農(nóng)副食品加工業(yè)，通用設(shè)備制造業(yè)，醫(yī)藥制造業(yè)，紡織服裝、服飾業(yè)，電氣機械和器材制造業(yè)，酒、飲料和精制茶制造業(yè)，黑色金屬冶煉和壓延加工業(yè)，化學(xué)原料及化學(xué)制品制造業(yè)為第三增長梯隊。綜合上述結(jié)果，可見目前人工智能技術(shù)水平排在前十的行業(yè)增長率處于較低水平，表明人工智能領(lǐng)先行業(yè)繼續(xù)快速升級存在難度。相關(guān)證據(jù)佐證了這一結(jié)果，2021 年中國信息通信研究院發(fā)布的《人工智能核心技術(shù)產(chǎn)業(yè)白皮書》指出，由于深度學(xué)習(xí)技術(shù)局限性導(dǎo)致人工智能產(chǎn)業(yè)面臨發(fā)展瓶頸，尤其在基礎(chǔ)理論、原創(chuàng)模型等顛覆性、階躍性技術(shù)領(lǐng)域不具備領(lǐng)導(dǎo)力，并且在顛覆層級基礎(chǔ)理論開發(fā)方面，以及模型的原創(chuàng)和技術(shù)方面，中國目前都缺乏與產(chǎn)業(yè)體量相匹配的領(lǐng)導(dǎo)力；其次，排名靠后行業(yè)的人工智能技術(shù)增長率處于較高水平，而這些排名靠前的行業(yè)更多地執(zhí)行一些技術(shù)含量較低的生產(chǎn)任務(wù)，并不需要尖端技術(shù)，因此其智能化水平更容易快速提高。與此同時，不同行業(yè)間增長率的差異也揭示了目前行業(yè)人工智能技術(shù)水平差異具有縮小的趨勢，制造業(yè)行業(yè)整體向智能化方向轉(zhuǎn)型。

表1 行業(yè)智能化水平

其次，為更直觀地觀察智能化指數(shù)及其分項指標(biāo)的動態(tài)演變狀況，本文利用核密度函數(shù)繪制了2012 年、2016 年和2020 年制造業(yè)人工智能技術(shù)水平、智能化平臺條件和智能化創(chuàng)新產(chǎn)出的演變情況，如圖1 所示。通過觀察圖1 可以發(fā)現(xiàn)：左圖顯示2012 年、2016 年、2020 年的智能化水平漸次向右移動，表明人工智能技術(shù)水平均值逐漸增大，即智能化水平總體呈上升趨勢；其次，中間圖形展示的智能化平臺條件演變狀況與左圖形狀基本相符，即隨著時間推移，智能化平臺條件平均水平呈右移趨勢，且行業(yè)間智能化平臺條件差異有略微增大趨勢；第三，右圖顯示智能化創(chuàng)新產(chǎn)出的核密度函數(shù)位置隨年份逐漸右移，同時波峰大幅下降，且圖形中展現(xiàn)出多峰形態(tài)，表明各行業(yè)智能化創(chuàng)新產(chǎn)出差距存在多極分化現(xiàn)象。

圖1 智能化水平及其分項指數(shù)核密度圖

三、實證檢驗結(jié)果與評價

（一）基準(zhǔn)回歸結(jié)果

根據(jù)式（1），本節(jié)首先考察人工智能技術(shù)的就業(yè)崗位和技能偏向性效應(yīng)，探究人工智能技術(shù)究竟會篩選何種類型勞動，基準(zhǔn)回歸結(jié)果見表2。

表2 基準(zhǔn)回歸結(jié)果1

其中，列（1）—列（3）檢驗了人工智能技術(shù)對程式化非認(rèn)知、程式化認(rèn)知與非程式化認(rèn)知崗位就業(yè)的偏向性效應(yīng)。對于程式化非認(rèn)知崗位勞動而言，人工智能技術(shù)系數(shù)為-0.0776，并在1%顯著性水平上通過檢驗，表明人工智能技術(shù)對程式化非認(rèn)知崗位勞動具有明顯的替代效應(yīng)。對于程式化認(rèn)知崗位勞動而言，人工智能技術(shù)系數(shù)為-0.0017，影響方向與列（1）一致，但顯著性水平由1%提高至5%，負(fù)向沖擊效應(yīng)有所下降，由此可見，列（1）和列（2）結(jié)果表明目前人工智能技術(shù)對于程式化非認(rèn)知勞動的替代效應(yīng)強于程式化認(rèn)知勞動，這主要源于工業(yè)機器人在制造業(yè)企業(yè)中得到愈加廣泛的應(yīng)用，使得企業(yè)生產(chǎn)過程中可編程與模塊化的任務(wù)被替代，而且中國企業(yè)-勞動力匹配調(diào)查（CEEC）數(shù)據(jù)顯示，機器人應(yīng)用最重要的前五大用途分別為焊接、組裝、搬運、碼垛以及產(chǎn)品包裝，占比分別為23.4%、15.5%、12%、9.2%和8.2%，可見機器人對程式化任務(wù)具有明顯的替代作用，這與Ge et al.（2018）的結(jié)果基本一致，即常規(guī)體力勞動崗位的比例從56.65%下降至31.58%。另外，還有證據(jù)體現(xiàn)了人工智能技術(shù)對就業(yè)崗位偏向性影響，如亞洲發(fā)展銀行針對2005—2015 年12 個亞洲經(jīng)濟體進行研究，發(fā)現(xiàn)現(xiàn)代機床、信息和通信技術(shù)設(shè)備的使用加大了對傳統(tǒng)生產(chǎn)人員的替代，每年因為新設(shè)備和技術(shù)更新造成的失業(yè)人口約1.01億，而這些現(xiàn)象均與偏向性技術(shù)進步密切相關(guān)。對于非程式化認(rèn)知崗位勞動，人工智能技術(shù)系數(shù)由負(fù)轉(zhuǎn)正，且在1%顯著性水平上通過檢驗，表明人工智能技術(shù)的發(fā)展偏向于提高非程式化認(rèn)知崗位就業(yè)占比。綜上，人工智能技術(shù)存在篩選效應(yīng)，并將導(dǎo)致就業(yè)出現(xiàn)“單極化”特征。接著，除了從崗位視角探究人工智能技術(shù)對勞動就業(yè)偏向性影響外，本文從技能視角進一步檢驗，具體結(jié)果見表2的列（4）—列（6），可知人工智能技術(shù)對低、中和高端技能勞動的影響系數(shù)分別為-0.0412、-0.0160 和0.0562，且分別在1%、5%和1%的顯著性水平上通過檢驗，這與表2 列（1）-列（3）的影響方向和顯著性保持一致，也與已有文獻結(jié)果基本吻合（Autor and Dorn，2013；余玲錚等，2021）。同時，對于上述結(jié)果，一方面，全國歷次人口普查（1982 年、1990 年、2000 年和2010 年）和全國1%人口抽樣調(diào)查數(shù)據(jù)（1995 年、2005 年和2015 年）顯示常規(guī)型職業(yè)人數(shù)從1982 年的89.4%下降至2005 年的60.7%，并于2015 年下降至46.7%，而非常規(guī)型職業(yè)人數(shù)從1982 年的4%持續(xù)上升至2015 年的40%左右；另一方面，Bárány and Siegel（2018）研究結(jié)果顯示中等技能職業(yè)（會計、銷售）被信息技術(shù)逐步取代，一個典型的例子是ChatGPT 的應(yīng)用，該模型快速接入多個場景，為用戶提供智能客服、風(fēng)險控制、智能廣告推薦、情感分析、數(shù)字營銷、代碼編寫等眾多服務(wù)，這使得低、中端技能勞動面臨被替代風(fēng)險?？梢?，人工智能技術(shù)應(yīng)用可能引發(fā)就業(yè)“單極化”特征，具體將促進非程式化認(rèn)知崗位就業(yè)占比和高端技能就業(yè)占比上升。

其次，本文參考Acemoglu and Autor（2010）對于崗位技能強度的分類，將CPS 數(shù)據(jù)庫中崗位分為三組，高技能崗位主要包括管理、專業(yè)和技術(shù)崗位，中等技能崗位主要包括行政支持崗位與財務(wù)崗位，低技能崗位主要包括生產(chǎn)與操作員。對此，本文考慮到崗位屬性的內(nèi)涵豐富，為了進一步展示人工智能技術(shù)對于不同細(xì)分崗位的偏向程度，本文整理上市公司數(shù)據(jù)庫公布的全部崗位信息，同時也借鑒國內(nèi)學(xué)者的崗位分類思路進行分組（孫偉增、郭冬梅，2021）。綜上，本文根據(jù)國內(nèi)外權(quán)威文獻，并在現(xiàn)有數(shù)據(jù)可得性限制下具體探究人工智能技術(shù)對生產(chǎn)、銷售、財務(wù)、人事、技術(shù)和綜合管理六類崗位勞動就業(yè)的偏向性影響，具體結(jié)果見表3。數(shù)據(jù)顯示，列（1）—列（2）結(jié)果表明人工智能技術(shù)對生產(chǎn)和銷售崗位勞動就業(yè)占比的影響系數(shù)分別為-0.0430 和-0.0346，且均在1%顯著性水平上通過檢驗，與表2 展示的人工智能技術(shù)降低程式化非認(rèn)知勞動占比的結(jié)論相一致；列（3）—列（4）結(jié)果表明人工智能技術(shù)對財務(wù)和人事崗位勞動就業(yè)占比的影響系數(shù)分別為-0.0016和-0.0000，其中對財務(wù)崗位就業(yè)占比的影響在5%水平上顯著，但對人事崗位勞動就業(yè)占比的影響并不顯著；列（5）—列（6）結(jié)果表明人工智能技術(shù)對技術(shù)和綜合管理崗位勞動就業(yè)占比的影響系數(shù)分別為0.0695和0.0061，且分別在1%和5%顯著性水平上通過檢驗。可見，人工智能技術(shù)對于不同細(xì)分崗位的偏向性程度高低受人工智能技術(shù)與崗位相關(guān)性影響，具體表現(xiàn)為偏向于提高與人工智能相關(guān)性較強的技術(shù)崗位和控制企業(yè)整體運營的綜合管理崗位勞動就業(yè)占比，而降低了生產(chǎn)、銷售與財務(wù)等與人工智能相關(guān)性較弱的崗位勞動就業(yè)占比。

表3 基準(zhǔn)回歸結(jié)果2

（二）穩(wěn)健性檢驗

1.更換核心解釋變量

本文在基準(zhǔn)回歸中從崗位與技能兩個方面探究了人工智能技術(shù)對就業(yè)的偏向性影響，且從兩種角度估計得到的結(jié)果均較為穩(wěn)健。為了進一步增強回歸結(jié)果的可信度，本文將縱橫向拉開檔次法替換為熵權(quán)法重新計算指標(biāo)體系權(quán)重進行回歸，具體結(jié)果見表4。數(shù)據(jù)顯示，從崗位視角看，列（1）—列（3）人工智能技術(shù)的系數(shù)分別為-0.0514、-0.0047和0.0615，與基準(zhǔn)回歸相比，人工智能技術(shù)對程式化認(rèn)知崗位就業(yè)占比影響顯著性從5%提升至1%。從技能視角看，列（4）—列（6）人工智能技術(shù)的影響系數(shù)分別為-0.0330、-0.0327 和0.0357，均在1%顯著性水平通過檢驗，且方向也與基準(zhǔn)回歸結(jié)果保持一致。綜上，表明人工智能技術(shù)對于非程式化認(rèn)知崗位和高端技能勞動存在明顯的偏向性，顯著促進了非程式化認(rèn)知崗位就業(yè)占比和高端技能勞動就業(yè)占比的提升，促使就業(yè)結(jié)構(gòu)向“單極化”趨勢發(fā)展。

表4 穩(wěn)健性檢驗1：更換核心解釋變量

2.數(shù)據(jù)縮尾處理

接著，進一步驗證人工智能技術(shù)的偏向性影響是否會引發(fā)勞動就業(yè)結(jié)構(gòu)“單極化”趨勢。借鑒袁冬梅等（2021）的思路，考慮到上市公司數(shù)據(jù)往往存在極端值，這可能影響回歸估計結(jié)果。為排除極端值的影響，本文對各變量在1%和99%分位數(shù)水平上進行縮尾處理，以期進一步佐證基準(zhǔn)回歸結(jié)果的穩(wěn)健性，具體結(jié)果見表5。數(shù)據(jù)顯示，列（1）—列（6）的人工智能技術(shù)系數(shù)分別為-0.0769、-0.0017、0.0745、-0.0406、-0.0148、0.0555，除非程式化認(rèn)知崗位和高端技能勞動占比以外，對其余類型就業(yè)占比的影響均顯著為負(fù)，與基準(zhǔn)回歸結(jié)論一致，且其顯著性水平與表2 所展示的基準(zhǔn)回歸結(jié)果完全一致。對極端值進行處理后，基準(zhǔn)回歸結(jié)論依舊穩(wěn)健，人工智能技術(shù)偏向性引發(fā)的就業(yè)“單極化”趨勢仍然顯著存在。

表5 穩(wěn)健性檢驗2：數(shù)據(jù)縮尾處理

3.更換樣本

隨著5G 通訊、傳感設(shè)備、可穿戴設(shè)備、物聯(lián)網(wǎng)和VR 等新興領(lǐng)域的快速發(fā)展，相關(guān)行業(yè)的人工智能技術(shù)水平不斷提高，正如前文的數(shù)據(jù)分析顯示，計算機、通信和其他電子設(shè)備制造業(yè)與電氣機械和器材制造業(yè)行業(yè)智能化水平位列前茅。同時，考慮到計算機、通信和其他電子設(shè)備制造業(yè)技術(shù)勞動占比較高，這在一定程度上會促使該行業(yè)人工智能技術(shù)達到較高水平，從而可能引發(fā)反向因果問題。根據(jù)韓民春等（2020）的研究思路，為了排除上述就業(yè)篩選效應(yīng)可能來自于計算機、通信和其他電子設(shè)備制造業(yè)等行業(yè)，本文剔除上述行業(yè)樣本，考察人工智能技術(shù)對剩余行業(yè)勞動就業(yè)偏向性影響是否仍然存在。因此，本文剔除行業(yè)屬于計算機、通信和其他電子設(shè)備制造業(yè)與電氣機械和器材制造業(yè)樣本后，重新檢驗人工智能技術(shù)對就業(yè)偏向性影響的存在性，回歸結(jié)果見表6。數(shù)據(jù)顯示，剔除上述行業(yè)樣本后，人工智能技術(shù)系數(shù)分別為-0.0794、-0.0020、0.0779、-0.0443、-0.0089 和0.0600，僅有中端技能勞動占比不顯著，但仍為負(fù)向，其余結(jié)果與前文基準(zhǔn)回歸及穩(wěn)健性檢驗結(jié)果保持一致。由此可見，排除特定行業(yè)之后人工智能技術(shù)就業(yè)偏向性所引發(fā)的就業(yè)“單極化”趨勢依然存在，并未發(fā)生實質(zhì)改變，本文回歸結(jié)果穩(wěn)健。

表6 穩(wěn)健性檢驗3：更換樣本

（三）內(nèi)生性檢驗

事實上，通過更換權(quán)重計算方法計算核心解釋變量、對數(shù)據(jù)進行縮尾處理以及更換樣本等一系列穩(wěn)健性檢驗，均會弱化源于遺漏解釋變量和反向因果引發(fā)的內(nèi)生性問題?？梢缘玫匠醪浇Y(jié)論，即人工智能技術(shù)存在就業(yè)偏向性，會促使非程式化認(rèn)知與高端技能勞動占比上升，誘發(fā)就業(yè)結(jié)構(gòu)出現(xiàn)“單極化”特征。然而，為了盡可能防范就業(yè)與人工智能技術(shù)可能存在的反向因果關(guān)系，有必要選取工具變量進行處理。本文借鑒Acemoglu and Restrepo（2020）和王永欽、董雯（2020）的思路，使用美國工業(yè)機器人覆蓋率作為工具變量處理內(nèi)生性問題，而作為一個良好的工具變量，相關(guān)性與排他性是必不可少的兩個部分。一方面，工業(yè)機器人作為人工智能技術(shù)應(yīng)用的主要載體，而且人工智能技術(shù)通常被集成至工業(yè)機器人中使用，例如計算機視覺、自動推理和機器學(xué)習(xí)等人工智能技術(shù)不斷在工業(yè)機器人上集成，不難推斷二者相關(guān)程度較高，因此工具變量的相關(guān)性得以滿足。其次，根據(jù)IFR 公布的機器人安裝數(shù)量以及人均機器人數(shù)量，可以發(fā)現(xiàn)美國智能化水平一直處于國際領(lǐng)先地位（陳媛媛等，2022），可以代表國際前沿水平，不易受到發(fā)展中國家其他因素干擾，同時美國機器人在行業(yè)層面的技術(shù)水平通常難以直接影響中國不同類型崗位就業(yè)情況，而是主要通過影響中國制造業(yè)行業(yè)智能化水平，進而對不同行業(yè)的崗位就業(yè)產(chǎn)生影響，因此該工具變量也滿足排他性，回歸結(jié)果見表7。數(shù)據(jù)顯示，人工智能技術(shù)對不同崗位勞動就業(yè)和不同技能勞動就業(yè)的影響系數(shù)分別為-0.1214、-0.0083、0.1219、-0.1151、-0.0609 和0.1398，均在1%顯著性水平上通過檢驗，程式化認(rèn)知崗位勞動就業(yè)占比與中端技能勞動就業(yè)占比的顯著性相比基準(zhǔn)回歸均由5%提升至1%，同時列（1）—列（6）的人工智能技術(shù)影響系數(shù)大小均有大幅提高，表明基準(zhǔn)回歸結(jié)果可能對人工智能技術(shù)的影響有所低估。其次，工具變量的不可識別檢驗統(tǒng)計量結(jié)果為108.3687，在1%水平上拒絕工具變量不可識別的原假設(shè)，弱工具變量的檢驗統(tǒng)計量Kleibergen-Paap F 結(jié)果為156.0513，而10%顯著性水平的Stock-Yogo 檢驗統(tǒng)計量值為16.38。綜上，上述檢驗結(jié)果可以排除工具變量不可識別與弱工具變量的可能性，基準(zhǔn)回歸所得的結(jié)論依舊成立。

表7 工具變量回歸結(jié)果1：美國工業(yè)機器人覆蓋率

接著，雖然表7結(jié)果證實美國工業(yè)機器人覆蓋率通過了工具變量的不可識別檢驗與弱工具變量檢驗，且該工具變量得到了學(xué)術(shù)界普遍應(yīng)用，其合理性也得到了一定程度認(rèn)可。然而，考慮到僅使用單一工具變量可能會造成可信度不足，為進一步印證上述結(jié)論是否成立，提高回歸結(jié)果的可信度，本文參考Lewbel（2012）研究，構(gòu)建異方差工具變量對本文可能存在的內(nèi)生性問題進行處理，最終使用美國工業(yè)機器人覆蓋率與異方差工具變量共同處理內(nèi)生性問題，具體回歸結(jié)果見表8。列（1）—列（3）的人工智能技術(shù)系數(shù)分別為-0.1168、-0.0114 和0.1297，均在1%顯著性水平上通過檢驗，與前文回歸結(jié)果保持一致；列（4）—列（6）的人工智能技術(shù)系數(shù)分別為-0.1049、-0.0796和0.1338，同樣在1%顯著性水平上通過檢驗。從工具變量的不可識別檢驗與弱工具變量檢驗結(jié)果看，不可識別檢驗統(tǒng)計量結(jié)果為111.2555，在1%顯著性水平上拒絕工具變量不可識別的原假設(shè)，同時弱工具變量F 值達到188.7645，遠(yuǎn)超過Stock-Yogo 檢驗統(tǒng)計量10%的臨界值，即不存在不可識別和弱工具變量，且表8 的過度識別檢驗統(tǒng)計量也顯示無法拒絕所有工具變量外生的原假設(shè)。綜上，工具變量回歸結(jié)果與基準(zhǔn)回歸和穩(wěn)健性回歸結(jié)論基本一致，證明人工智能技術(shù)對就業(yè)存在偏向性影響，會降低程式化非認(rèn)知、程式化認(rèn)知崗位就業(yè)占比，也會減少低、中端技能勞動需求，但是會提高非程式化認(rèn)知和高端技能勞動占比，促使就業(yè)結(jié)構(gòu)出現(xiàn)“單極化”特征。

表8 工具變量回歸結(jié)果2：雙工具變量

四、異質(zhì)性分析

上文結(jié)果顯示人工智能技術(shù)對就業(yè)存在偏向性影響，而不同企業(yè)屬性可能使其應(yīng)對人工智能技術(shù)沖擊存在敏感性差異，這是否會改變?nèi)斯ぶ悄芗夹g(shù)偏向性影響？基于此，本節(jié)檢驗人工智能技術(shù)在不同企業(yè)技術(shù)屬性和所有制條件下，會更偏向于哪種類型企業(yè)。

（一）企業(yè)科技屬性

近年來，在國家政策與市場資本的推動下，以大數(shù)據(jù)、云計算以及深度神經(jīng)網(wǎng)絡(luò)為代表的人工智能技術(shù)取得了飛速發(fā)展，促使人工智能企業(yè)規(guī)模迅速上升。根據(jù)清華大學(xué)中國科技政策研究中心發(fā)布的《中國人工智能發(fā)展報告2018》，中國人工智能市場規(guī)模達237.4 億元，同比增長67%，并且自2018 年來對于人工智能行業(yè)的投資力度持續(xù)加大。華經(jīng)產(chǎn)業(yè)研究院數(shù)據(jù)顯示，2021 年我國人工智能行業(yè)投資數(shù)量高達847 起，投融資額達2528 億元。其次，根據(jù)中國企業(yè)數(shù)據(jù)庫企查貓與前瞻產(chǎn)業(yè)研究院數(shù)據(jù)，人工智能企業(yè)數(shù)量也迅猛增長，截至2022 年中國人工智能行業(yè)的總企業(yè)數(shù)達8550 家，注冊資本超過5000 萬的企業(yè)數(shù)達749 家，在1000 萬—5000 萬之間的企業(yè)數(shù)達2539 家，500 萬—1000萬之間的企業(yè)數(shù)達1489 家，200 萬—500 萬之間的企業(yè)數(shù)達1125 家，100 萬—200 萬之間的企業(yè)數(shù)達1731家，小于100萬的企業(yè)數(shù)達917家。一個自然的問題是，人工智能技術(shù)應(yīng)用規(guī)模不斷擴大和應(yīng)用場景不斷落地，是否會為勞動力市場創(chuàng)造新的就業(yè)機會，即是否人工智能企業(yè)的就業(yè)偏向更明顯？由于國家目前未公布人工智能企業(yè)的具體分類標(biāo)準(zhǔn)，限于數(shù)據(jù)的可得性約束，本文以公司簡介和經(jīng)營范圍的文本內(nèi)容為識別基礎(chǔ)，借助前文指標(biāo)體系中人工智能專利識別的主題關(guān)鍵詞，利用文本分析方法識別出人工智能企業(yè)，然后進行分組回歸，具體結(jié)果見表9。其中，Panel A 展示了人工智能技術(shù)對傳統(tǒng)企業(yè)就業(yè)篩選效應(yīng)，Panel B 展示了人工智能技術(shù)對人工智能企業(yè)就業(yè)篩選效應(yīng)。數(shù)據(jù)顯示，從崗位視角看，對于傳統(tǒng)企業(yè)，人工智能技術(shù)的影響系數(shù)分別為-0.0441、-0.0006 和0.0516，除了對程式化認(rèn)知勞動占比影響不顯著之外，其余崗位均在1%顯著性水平上通過檢驗；對于人工智能企業(yè)，人工智能技術(shù)的影響系數(shù)分別為-0.1433、-0.0022和0.1113，顯著性水平與非人工智能行業(yè)一致，不同的是人工智能技術(shù)對人工智能企業(yè)不同崗位就業(yè)占比的影響程度更深。其次從技能視角看，對于傳統(tǒng)企業(yè)，人工智能技術(shù)的影響系數(shù)分別為-0.0141、-0.0138 和0.0306，其中對于低端技能勞動就業(yè)占比影響不顯著，對于中端和高端技能勞動就業(yè)占比的影響分別在10%和1%顯著性水平上通過檢驗；對于人工智能企業(yè)，人工智能技術(shù)的影響系數(shù)分別為-0.1213、0.0097 和0.0894，其中對于低端技能和高端技能勞動占比的影響均在1%顯著性水平上通過檢驗，對低端重復(fù)性勞動的替代效應(yīng)仍然存在，但對于中端技能勞動占比影響不顯著。由此可知，人工智能技術(shù)對屬于人工智能企業(yè)崗位勞動占比的影響強于傳統(tǒng)企業(yè)，尤其在人工智能企業(yè)中降低低端技能勞動就業(yè)占比，同時增加高端技能勞動占比，促進人工智能企業(yè)勞動技能升級。

表9 異質(zhì)性分析1:是否人工智能企業(yè)

上文按照企業(yè)簡介及其經(jīng)營范圍識別人工智能企業(yè)與非人工智能企業(yè)，然后進行分組回歸，結(jié)果發(fā)現(xiàn)人工智能技術(shù)對于越“智能”、越“科技”的企業(yè)呈現(xiàn)出更強的偏向性。為了增強這一結(jié)果的可靠性，本文進一步驗證在其他標(biāo)準(zhǔn)劃分下這一異質(zhì)性結(jié)果是否仍然穩(wěn)健存在。按照國家統(tǒng)計局公布的《高技術(shù)產(chǎn)業(yè)（制造業(yè)）分類（2017）》，可知當(dāng)前高技術(shù)行業(yè)分類已經(jīng)融合了新產(chǎn)業(yè)、新業(yè)態(tài)和新模式的發(fā)展?fàn)顩r，相比前文按照企業(yè)微觀個體屬性將其劃分為傳統(tǒng)企業(yè)與人工智能企業(yè)，此處從中觀行業(yè)層面出發(fā)，依據(jù)國家公布的高技術(shù)產(chǎn)業(yè)劃分標(biāo)準(zhǔn)，并參考Feng and Ke（2016）、董直慶等（2023）對企業(yè)科技屬性的劃分思路，將上市公司企業(yè)劃分為高新技術(shù)制造業(yè)企業(yè)和非高新技術(shù)制造業(yè)企業(yè)，然后再根據(jù)式（1）進行穩(wěn)健性回歸檢驗，具體結(jié)果見表10。其中Panel A展示了人工智能技術(shù)對非高新技術(shù)企業(yè)就業(yè)結(jié)構(gòu)的影響，Panel B 展示了人工智能技術(shù)對高新技術(shù)企業(yè)就業(yè)結(jié)構(gòu)的影響。結(jié)果顯示，從崗位視角看，對于非高新技術(shù)企業(yè)，人工智能技術(shù)系數(shù)分別為-0.0678、0.0019和0.0644，顯著性與方向與表9 中的列（1）—列（3）結(jié)果基本一致；對于高新技術(shù)企業(yè)，人工智能技術(shù)系數(shù)分別為-0.1477、-0.0150 和0.2015，均在1%顯著性水平上通過檢驗，與表9 中提高非程式化認(rèn)知崗位勞動就業(yè)占比而降低其他崗位勞動就業(yè)占比的結(jié)論仍然保持一致，即崗位偏向性效應(yīng)仍然穩(wěn)健存在。接著，從技能視角看，對于非高新技術(shù)企業(yè)，人工智能技術(shù)的系數(shù)分別為-0.0221、0.0012和0.0342，與表9 相比，人工智能技術(shù)對非高新技術(shù)企業(yè)的中端技能勞動就業(yè)占比的影響未能通過顯著性檢驗，但是，表9中列（5）結(jié)果也僅在10%顯著性水平上通過檢驗，影響也比較微弱，因此二者結(jié)果基本一致；對于高新技術(shù)企業(yè)，人工智能技術(shù)的系數(shù)分別為-0.0929、-0.1589 和0.1461，分別在5%、1%和1%顯著性水平上通過檢驗。由此可見，該結(jié)果仍然體現(xiàn)了人工智能技術(shù)對高端技能勞動就業(yè)占比上升的創(chuàng)造效應(yīng)，同時也顯示出對低、中端技能勞動的替代效應(yīng)，即技能偏向性效應(yīng)穩(wěn)健存在。綜上，通過變換企業(yè)科技屬性的衡量方法，無論從微觀企業(yè)層面還是中觀行業(yè)層面識別企業(yè)科技屬性，人工智能技術(shù)對崗位和技能勞動就業(yè)的偏向性一直穩(wěn)健存在，并且對越“智能”和越“科技”的企業(yè)呈現(xiàn)出更強的偏向性，再次證實了上述回歸結(jié)果穩(wěn)健可靠。

表10 異質(zhì)性分析2:是否高新技術(shù)企業(yè)

（二）企業(yè)所有制屬性

根據(jù)2018 年第四次全國經(jīng)濟普查數(shù)據(jù)，國有控股企業(yè)占全國企業(yè)資產(chǎn)總額的56.3%，領(lǐng)先民營企業(yè)資產(chǎn)總額，由于國有企業(yè)所有權(quán)主要屬于中央或地方政府，而且經(jīng)營目標(biāo)并非僅僅追求企業(yè)利潤最大化，通常需要承擔(dān)一定的社會責(zé)任，例如“穩(wěn)就業(yè)”和“保增長”等的社會責(zé)任（鐘寧樺等，2021），這與多數(shù)民營企業(yè)逐利的經(jīng)營特征存在明顯區(qū)別。因此，隨著人工智能技術(shù)應(yīng)用不斷滲透，這種“機器換人”的替代效應(yīng)與“崗位創(chuàng)造”的創(chuàng)造效應(yīng)在不同所有制屬性的企業(yè)中是否存在差異？根據(jù)上述分析，本文按照企業(yè)所有制屬性將其分為國有企業(yè)和民營企業(yè)，進行分組回歸，具體回歸結(jié)果見表11的Panel A 和Panel B。首先，從崗位視角看，對于民營企業(yè)，列（1）—列（3）人工智能技術(shù)的系數(shù)分別為-0.0734、-0.0028 和0.0805，均在5%顯著性水平以上通過檢驗；對于國有企業(yè)，列（7）—列（9）人工智能技術(shù)系數(shù)分別為-0.1040、-0.0019和0.0933，除程式化認(rèn)知勞動就業(yè)占比不顯著之外，程式化非認(rèn)知和非程式化認(rèn)知勞動占比均在1%顯著性水平上通過檢驗。其次，從技能視角看，對于民營企業(yè)，列（4）—列（6）人工智能技術(shù)的系數(shù)分別為-0.0717、-0.0111 和0.0569，除中端技能勞動就業(yè)占比不顯著以外均在1%顯著性水平上通過檢驗；對于國有企業(yè)，列（10）—列（12）人工智能技術(shù)的系數(shù)分別為-0.0175、-0.0128 和0.0765，僅在1%顯著性水平上促進高技能勞動就業(yè)占比提升。綜上結(jié)果，可以發(fā)現(xiàn)受限于企業(yè)所有制約束，國有企業(yè)對于低端技能勞動的替代作用并不明顯，而民營企業(yè)與基準(zhǔn)回歸結(jié)論保持一致，對于低技能勞動占比表現(xiàn)出顯著的替代效應(yīng)，說明在人工智能技術(shù)沖擊下國有企業(yè)作為“就業(yè)穩(wěn)定器”對低端技能勞動就業(yè)具有庇護效果。

表11 異質(zhì)性分析3:企業(yè)所有制

五、進一步分析

（一）行業(yè)漣漪效應(yīng)

現(xiàn)有研究闡明，由于勞動、資本和技術(shù)等生產(chǎn)要素在行業(yè)間流動，使得技術(shù)存在較強的漣漪效應(yīng)。然而，技術(shù)溢出的強弱可能會受行業(yè)間技術(shù)相似程度的影響，因此為了探究人工智能技術(shù)對不同崗位和技能勞動就業(yè)的影響在行業(yè)間是否存在漣漪效應(yīng)，本文構(gòu)建行業(yè)技術(shù)關(guān)聯(lián)度矩陣W（Jaffe，1986），并參考安同良、楊晨（2020）的思路，在式（1）基礎(chǔ)上引入行業(yè)技術(shù)關(guān)聯(lián)度矩陣構(gòu)建全域技術(shù)相似機制，考察行業(yè)間技術(shù)溢出對勞動就業(yè)的影響。由于本文研究樣本所屬年份為2012—2020年，為了保證行業(yè)間的投入產(chǎn)出關(guān)系外生，選擇2012年的投入產(chǎn)出表構(gòu)建行業(yè)關(guān)聯(lián)權(quán)重矩陣，數(shù)據(jù)來自國家統(tǒng)計局。行業(yè)技術(shù)關(guān)聯(lián)矩陣W中元素具體的測算公式為：

式（8）中，S表示行業(yè)個數(shù)，本文共涉及30個制造業(yè)二位數(shù)行業(yè)，qsj表示行業(yè)j生產(chǎn)1單位的最終產(chǎn)品使用行業(yè)s中間投入量，即為行業(yè)j中間投入的總消耗量，yj為行業(yè)j總產(chǎn)出。根據(jù)式（8）構(gòu)造可知wjj1∈[ 0,1 ]，其中權(quán)重元素越大表明行業(yè)間技術(shù)越相似，即生產(chǎn)技術(shù)關(guān)聯(lián)程度也越高。具體回歸結(jié)果見表12。數(shù)據(jù)顯示，從溢出效應(yīng)視角看，列（1）—列（2）在1%水平上顯著為負(fù)，列（4）—列（5）在10%水平上表現(xiàn)負(fù)向影響，列（3）和列（6）在1%水平上顯著為正，均與基準(zhǔn)回歸結(jié)果的系數(shù)方向保持一致，表明對于程式化非認(rèn)知和程式化認(rèn)知崗位勞動就業(yè)占比及低、中端技能勞動就業(yè)占比而言，人工智能技術(shù)存在顯著的負(fù)向溢出效應(yīng)，但同時也顯著促進了技術(shù)關(guān)聯(lián)度較高的非程式化認(rèn)知和高端技能勞動就業(yè)占比。由此可見，一個行業(yè)的人工智能技術(shù)水平提升，也會通過行業(yè)技術(shù)關(guān)聯(lián)矩陣擴散至其它行業(yè)，引發(fā)人工智能技術(shù)通過漣漪效應(yīng)進一步增強對程式化非認(rèn)知崗位勞動、程式化認(rèn)知崗位勞動和低、中端技能勞動就業(yè)的沖擊。

表12 進一步分析1:漣漪效應(yīng)檢驗

（二）新冠疫情沖擊

當(dāng)前，我國就業(yè)工作面臨較大壓力且就業(yè)結(jié)構(gòu)性矛盾突出，新冠疫情沖擊對我國經(jīng)濟發(fā)展和勞動力市場造成了巨大的沖擊，疫情造成交通阻斷使返鄉(xiāng)勞動力無法復(fù)工復(fù)產(chǎn)，誘致企業(yè)難以正常開工，失業(yè)率明顯提升。本文按照疫情最早發(fā)生年份2019 年將樣本分為2012—2018 和2019—2020 年兩個時段，探究疫情發(fā)生前后人工智能技術(shù)對就業(yè)結(jié)構(gòu)的影響差異。表13匯報了分時段檢驗結(jié)果，其中Panel A 為疫情發(fā)生前的回歸結(jié)果，列（1）—列（6）的人工智能技術(shù)系數(shù)分別為-0.0741、-0.0006、0.0681、-0.0395、-0.0081、0.0573，其中列（2）和列（5）均未在10%顯著性水平上通過檢驗，而列（1）、列（3）、列（4）和列（6）均在5%顯著性水平以上通過檢驗，表明人工智能技術(shù)并未對程式化認(rèn)知崗位勞動占比和中端技能勞動占比產(chǎn)生明顯負(fù)向沖擊；與新冠疫情發(fā)生前不同的是，人工智能技術(shù)在疫情發(fā)生后對于程式化認(rèn)知崗位勞動占比和中端技能勞動占比的影響系數(shù)分別為-0.0070和-0.0690，且由之前不顯著轉(zhuǎn)變?yōu)樵?%顯著性水平上通過檢驗。由此可見，新冠疫情的沖擊主要加劇了人工智能技術(shù)對中層勞動就業(yè)的負(fù)向沖擊，導(dǎo)致就業(yè)結(jié)構(gòu)向“單極化”趨勢發(fā)展。

表13 進一步分析2:新冠疫情沖擊

六、基本結(jié)論與政策建議

本文基于天眼查企業(yè)信息數(shù)據(jù)庫、中國專利數(shù)據(jù)庫爬取的人工智能專利數(shù)據(jù)以及IFR 行業(yè)層面機器人應(yīng)用數(shù)據(jù)等，從智能化平臺條件與智能化創(chuàng)新產(chǎn)出兩個維度構(gòu)建行業(yè)智能化指標(biāo)體系，利用核密度函數(shù)擬合中國制造業(yè)行業(yè)人工智能技術(shù)應(yīng)用程度，分析人工智能技術(shù)的行業(yè)應(yīng)用偏向及其動態(tài)演變特征，結(jié)合上市公司微觀企業(yè)數(shù)據(jù)檢驗人工智能技術(shù)應(yīng)用行業(yè)偏向，及其對不同崗位和技能勞動就業(yè)的篩選效應(yīng)，考察不同企業(yè)科技屬性、所有制屬性的異質(zhì)性條件下人工智能技術(shù)的差異性結(jié)果，進一步挖掘人工智能技術(shù)對勞動就業(yè)的影響在行業(yè)間是否存在漣漪效應(yīng)，以及面臨新冠疫情的沖擊，人工智能技術(shù)對勞動力市場的沖擊是否發(fā)生改變。研究表明：第一，人工智能技術(shù)應(yīng)用存在崗位和技能偏向性，會顯著提高非程式化認(rèn)知崗位和高端技能勞動就業(yè)占比，降低程式化非認(rèn)知和程式化認(rèn)知以及低、中端技能勞動就業(yè)占比，引致就業(yè)出現(xiàn)“單極化”特征，多種穩(wěn)健性檢驗和工具變量處理后結(jié)果仍然穩(wěn)健。第二，人工智能技術(shù)對不同科技屬性和所有制屬性企業(yè)勞動就業(yè)存在非對稱沖擊，在更智能、科技的企業(yè)中會降低低技能勞動就業(yè)占比，同時增加高技能勞動占比，促進人工智能企業(yè)勞動技能升級。不過，國有企業(yè)并未表現(xiàn)出類似特征，而是體現(xiàn)出對低、中端技能勞動就業(yè)的庇護。第三，人工智能技術(shù)在行業(yè)間存在顯著的漣漪效應(yīng)，極大地增強人工智能技術(shù)應(yīng)用的選擇性偏向，而新冠疫情則加劇人工智能技術(shù)對程式化認(rèn)知崗位勞動和中端技能勞動的負(fù)向沖擊，推動就業(yè)結(jié)構(gòu)向“單極化”方向發(fā)展。

本文提出如下政策建議：第一，拓展勞動者技能寬度和技能多樣化。人工智能技術(shù)應(yīng)用不斷推進替代了越來越多的程式化非認(rèn)知和程式化認(rèn)知崗位勞動，同時也替代越來越多的中、低端技能勞動，因此政府和企業(yè)應(yīng)該增加對從事重復(fù)可編程式勞動的教育與技能培訓(xùn)經(jīng)費支出，組織在崗工人培訓(xùn)，迎合人工智能技術(shù)發(fā)展方向，避免這類勞動群體技能過于單一，事前防范并主動降低這些群體被替代風(fēng)險。第二，采用企業(yè)差異化政策應(yīng)對就業(yè)沖擊。對于非國有企業(yè)而言，人工智能技術(shù)對低端技能替代效應(yīng)更強，而國有企業(yè)則表現(xiàn)出對低端技能勞動的就業(yè)庇護，因此政府推進國有企業(yè)改革的進程應(yīng)該循序漸進，防止造成大面積失業(yè)的狀況，發(fā)揮就業(yè)穩(wěn)定器的作用，擔(dān)負(fù)穩(wěn)就業(yè)和保就業(yè)的職責(zé)；對于傳統(tǒng)企業(yè)，人工智能技術(shù)對程式化認(rèn)知崗位和中端技能勞動的替代作用尚不明顯，企業(yè)應(yīng)該密切關(guān)注市場需求，為勞動者提供市場緊缺技能的培訓(xùn)，而對于人工智能或高新技術(shù)企業(yè)，人工智能技術(shù)對于程式化認(rèn)知崗位和中端技能勞動替代作用較為明顯，因此企業(yè)應(yīng)該定期為員工提供學(xué)歷、技能提升機會，如與當(dāng)?shù)馗叩仍盒?、職業(yè)院校、職業(yè)培訓(xùn)機構(gòu)進行合作。第三，人工智能技術(shù)應(yīng)用不可避免地會造成部分勞動失業(yè)，尤其勞動密集型行業(yè)智能機器人的應(yīng)用造成大面積的替代，對于這些失業(yè)人員，首先政府應(yīng)該根據(jù)不同行業(yè)勞動崗位替代程度，提供失業(yè)保險并適當(dāng)給予基礎(chǔ)生活補助，幫助失業(yè)人員平穩(wěn)過渡失業(yè)期，其次當(dāng)?shù)刂行∥⑵髽I(yè)應(yīng)該分步吸納失業(yè)人員，并對新吸納的失業(yè)人員以工代訓(xùn)、以訓(xùn)穩(wěn)崗，促進失業(yè)人員技能提升。進一步，對于失業(yè)再創(chuàng)業(yè)人員，政府應(yīng)該積極幫扶，例如給予創(chuàng)業(yè)補貼、租金減免等一系列優(yōu)惠政策，同時積極開展大數(shù)據(jù)、人工智能和電子商務(wù)等新技術(shù)新領(lǐng)域的創(chuàng)新創(chuàng)業(yè)培訓(xùn)，促進創(chuàng)業(yè)質(zhì)量和層次的提升，從而發(fā)揮創(chuàng)業(yè)帶動就業(yè)倍增效應(yīng)。