人工智能的职业替代效应与职业结构演变：基于CGSS数据的微观证据

赵 贺， 王林辉， 曹章露

（华东师范大学 经济与管理学部，上海 200062）

一、引 言

伴随大数据、物联网、云计算等新兴技术的发展，人工智能可执行任务的纵向延伸和应用领域的横向拓展，使其渗透到生产和生活的各个方面，对传统的生产模式和劳动力就业市场产生重大冲击。人工智能技术发展不仅关乎我国能否在新一轮产业革命中抓住先机，更是推动我国经济成功转型的关键要素。2018 年我国政府部门将人工智能与5G 技术、工业互联网与物联网技术定义为新型基础设施，并在“十四五”规划纲要中强调大力发展新型基础设施建设，体现了政府对人工智能领域的高度重视。与历次产业革命的主导技术不同，人工智能使机器拥有类似人脑的思考能力，势必对劳动力市场产生较大的影响。因此，评估人工智能对中国劳动力市场不同类型职业的替代程度和职业结构演变特征，有助于全面评价人工智能对劳动力市场冲击，并为采取相应的针对性防范措施提供理论支撑。

现有文献更多关注智能化发展对劳动就业的替代效应和生产率效应，关于人工智能技术对不同类型职业的替代程度以及劳动力市场职业结构演变的研究相对匮乏。现有研究发现，机器人应用会挤占中低技能劳动者的就业岗位，引发“技术性失业”[1-3]。孔高文（2020）基于行业和地区异质性视角探究机器人使用对劳动力市场的影响，结果发现短期内机器人应用对未来一年本地劳动力就业具有挤出效应，在中长期某一行业和地区内机器人应用，会增加本地下游行业、本地其他劳动力替代较高行业及外地同行业的就业[4]。陈彦斌（2019）基于中国人口老龄化背景，探讨人工智能应用能否缓解老龄化对经济增长的不利影响，研究发现智能化和自动化技术在生产活动中的应用将减少对相关劳动力的需求，人工智能能够较好地应对老龄化对经济增长的冲击[5]。王永钦和董雯（2020）运用中国行业机器人和制造业上市公司数据，从企业层面研究工业机器人应用对中国劳动力市场的影响，结果表明工业机器人应用对企业劳动力需求产生替代效应，并且易出现“就业极化”现象[6]。王小霞和李磊（2020）基于工业机器人进口数据，实证分析工业机器人应用对企业劳动力需求的影响，研究发现工业机器人应用通过替代效应和规模效应对劳动力需求弹性产生冲击，且技能要求低和自动化替代风险高的行业受到的冲击更加明显[7]。汪前元等（2022）通过构建空间杜宾模型，检验工业智能化对不同技能劳动者就业的影响，发现工业智能化发展总体上降低低技能和中技能劳动者就业总量，促进高技能劳动者就业增加[8]。

本文借鉴Frey和Osborne（2017）对标准职业分类（SOC）下美国职业替代率的测度方法[9]，测算中国各职业被人工智能技术替代率。同时运用CGSS数据库，基于不同城市人工智能技术职业替代率的计算结果，从城市层面探讨人工智能技术对职业结构的影响。与已有文献相比，本文的边际贡献如下：第一，对Frey 和Osborne 测度职业替代率的方法进行了改进。Frey 和Osborne（2017）使用的高斯回归过程的思路类似于贝叶斯线性回归[9]，但是Logistic 回归需满足单位解释变量的事件值（EPV）大于10的条件，否则回归结果无法收敛。而Frey 和Osborne（2017）模型的EPV 值为4.1[9]，存在过度拟合的可能。因此，本文选择随机森林分类器法预测中国职业替代率，有效避免模型过度拟合风险。第二，现有文献对职业结构的度量往往以劳动者学历划分劳动者技能等级，基于技能劳动力就业的变化刻画职业结构演变，对职业结构指标的刻画较单一。本文创新性地从职业任务复杂度、工作自由度、职业社会评价和职业所属产业四个维度，多角度衡量职业结构，全方位探讨人工智能技术的职业替代效应对劳动力职业结构的影响。

本文剩余结构安排如下：第二部分是文献综述和研究假说；第三部分是计量模型选择、变量指标设计和数据来源说明；第四部分是实证检验结果与评价；第五部分是进一步分析；第六部分为基本结论和政策建议。

二、文献综述与研究假说

关于人工智能对劳动力就业的影响，现有文献认为人工智能对劳动力就业产生替代效应和生产率效应两种影响，其中替代效应对就业产生负向影响，生产率效应对劳动就业产生积极作用，而最终的就业影响取决于这两种效应的相对大小[10-11]。

以机器人为载体的人工智能技术在生产中应用会取代部分劳动力，可能会引发失业。Frey 和Osborne（2017）基于美国O*NET 数据库提供的职业特征信息，测算美国702 个职业被替代的概率，结果发现美国职业中47%的岗位存在被智能技术替代的风险[9]。David（2017）基于日本职业矩阵数据构建模型，发现55%的职业存在被计算机技术替代的风险[12]。Arntz 等（2016）运用国际成人能力评估数据库（PIACC）数据测度21个OECD国家的工作任务被自动化替代的风险，发现21个国家中平均有9%的工作是可自动化的[13]。Acemoglu 和Restrepo（2020）发现机器人应用显著降低了工人的就业水平，机器人与工人数量之比每上升1%，就业率下降0.2%[14]。类似地，国内学者亦发现人工智能技术或机器人应用对劳动力存在明显的替代效应。王永钦和董雯（2020）运用IFR 数据计算中国企业层面工业机器人渗透度，实证研究发现工业机器人渗透度每上升1%，会导致企业劳动力就业数下降0.18%[6]。孔高文等（2020）构建2012—2017 年中国行业-地区层面面板数据，研究发现机器人使用数量增加会导致本地未来一年的劳动力就业数量显著下降，且易被机器人替代行业的劳动力就业数量下降幅度更大[4]。

文献也关注到人工智能技术对劳动力就业的生产率效应，即人工智能技术应用能提升生产效率和降低生产成本，一方面促使企业扩大生产规模，必然会增加更多的就业岗位，另一方面会增加劳动者的消费需求，使得对劳动力的衍生需求上升。Autor（2015）认为自动化技术对劳动力既存在替代效应，又存在互补效应，即自动化技术会替代掉部分劳动力，也会衍生出新岗位以匹配相应劳动力，进而产生职业更替[10]。Acemoglu 和Restrepo（2019）提出自动化技术具有“复原效应”，即自动化技术在替代劳动力同时，会创造新工作任务，抵消部分自动化对劳动就业的消极影响[15]。

那么，人工智能技术对我国劳动力就业的净影响究竟如何？当前，我国老龄化趋势愈加明显，人口红利逐渐消失，“用工荒”和“技工荒”等现象的出现使得用智能化设备替代劳动力的需求大幅提升。同时，智能化技术的使用成本不断降低，资本相比于劳动的要素相对价格下降，企业作为劳动需求方，更倾向于用智能化设备替代劳动以节约用工成本。此外，人工智能技术的应用使得计算机不断“类人化”，人工智能可以执行较复杂的任务，加之大数据、物联网和云计算等技术的普及与深入，衍生出大批对人类劳动力依赖性较低的职业，不断向“机器换人”的趋势发展。结合以上三点，本文提出研究假说1。

假说1：人工智能技术的应用会引发职业替代风险。

人工智能技术作为第四次工业革命的高阶表现形式，不仅会导致劳动力就业需求的总量变化，也会对劳动力职业结构产生相应的影响。具体来说，人工智能技术发展，在降低易自动化岗位劳动力需求的同时，也增大了人机协作岗位的劳动力需求。部分研究文献表明，人工智能技术对低等和中等技能劳动者的替代作用较强，对高技能劳动者则表现为互补性；也有部分文献认为人工智能应用主要替代中等技能劳动者，而对低等和高等技能劳动者就业产生促进作用。因此，人工智能技术应用会导致技能劳动力职业结构的变化。

Autor 等（2006）研究发现人工智能发展促进了高技能和低技能劳动者的就业，而不利于中等技能劳动者的就业[16]。Autor 和Dorn（2013）基于美国人口普查数据从实证上验证了上述理论发现[17]。Goos 等（2014）指出在1993—2010年间，常规偏向型技术进步导致整个欧洲经济体就业呈现两极分化[18]。Kunst（2020）发现自20世纪50年代以来，全球范围内制造业对中等技能劳动力的需求呈下降趋势[19]。国内研究者大多以劳动者学历划分劳动力技能等级，运用技能劳动力需求的变化刻画职业结构演变。孙早和侯玉琳（2019）发现在东南沿海地区，工业智能化加剧了对低技能劳动力的替代作用，使得劳动力就业结构呈现“单极化”趋势[20]。基于此，本文提出研究假说2。

假说2：人工智能技术的职业替代效应会改变劳动力职业结构。

在人工智能技术会冲击劳动力市场的背景下，由于不同城市和地区的经济发展水平、教育规模、市场化程度以及对人工智能发展的支持力度不同，各城市和地区的人工智能发展呈现异质化。因此，分析不同城市人工智能职业替代的差异化作用十分必要。

现有文献大多基于省域和国别数据探讨人工智能发展对不同区域的差异化影响。李丫丫（2018）发现工业机器人使用对京津地区、北部沿海、东部沿海和南部沿海地区的制造业生产率提升产生正向影响且最为显著，对中部地区和西南地区的正向影响次之，而对东北和西北地区的制造业生产率没有显著影响[21]。魏玮等（2020）发现在工业智能化发展初期阶段能够显著提升东部地区全要素生产率，而对中部和西部地区全要素生产率表现为抑制作用[22]。周晓时（2021）以1991—2018年世界银行和国际机器人联合会的数据为基础，探讨人工智能发展对农业生产率影响的国别差异，研究发现人工智能发展对高收入国家农业生产率的提升作用显著，而对中低收入国家农业生产率产生抑制作用[23]。人工智能技术对不同区域生产率的差异化影响，引致其对劳动力职业结构的影响存在区域异质性[18]。

中国不同区域的市场化程度呈现差异性，在市场化程度较高的地区，新兴技术的推广速度更快与应用范围更大；相反，在市场化程度较低的地区，囿于成本、技术环境和人力资本水平等因素的限制，企业对于新技术的接受存在一定的时滞性。那么，在不同市场化程度的区域中，人工智能技术的职业替代效应对劳动力职业结构的影响存在差异。中国不同城市的教育规模也存在差异，在教育规模较大的城市，劳动者有更多机会提升其人力资本水平；而在教育规模较小的城市，劳动者通过教育提升其自身能力的机会相对较少，面对人工智能技术的职业替代冲击时易被替代。因此，教育规模较小的城市中，那些任务复杂度、工作自由度较低岗位上的劳动者受到人工智能技术的冲击更大，被机器人替代的风险更高。综上，本文提出假说3。

假说3：人工智能技术的职业替代效应对劳动力职业结构的影响受市场化程度和教育规模约束。

三、计量模型构建、变量指标设计与数据来源

（一）计量模型构建

本文依据人工智能技术职业替代效应对劳动力职业结构影响的问题，构建如下模型：

式（1）中，被解释变量osit衡量第t年城市i的职业结构，从职业任务复杂度、工作自由度、职业社会评价和职业所属产业四个维度衡量。解释变量ccrit衡量第t年城市i的职业替代率，取值为0~1。Xit为第t年城市i的一系列控制变量，包括经济发展水平、产业结构、科学技术水平、城市教育基础、对外贸易水平、城市企业规模。μi和δt分别表示城市和时间固定效应。εit表示随机扰动项。

（二）指标设计

1.核心变量指标设计

（1）职业可替代率（ccrit）。借鉴Frey 和Osborne（2017）对美国职业替代率的测算方法[9]，对中国职业可替代率指标的测度按照如下步骤进行：第一，按照职业名称和职业内容描述，将国际标准职业分类ISCO 中的职业与美国职业信息网络O*NET 数据库中的职业进行匹配，从而获取ISCO 分类下各职业的职业特征评分；第二，运用Manyika 等（2017）提出的智能体的工作能力及其等级划分结果[25]，筛选智能体工作能力等级为低级的工作能力指标，对照O*NET 数据库选取能够反映上述工作能力的指标作为特征变量；第三，综合现有研究者所选取的最容易被替代和最不容易被替代的职业集作为训练集，运用随机森林算法获得国际标准职业分类ISCO 中各职业的职业可替代率。基于CGSS数据计算每个城市中每种职业各自的劳动者就业比例，并将这一比例作为权重计算城市层面职业替代率的加权平均值，作为各城市职业岗位被人工智能技术替代的指标。具体计算过程如下：

对于第一步，在对ISCO职业分类下的职业和O*NET数据库中的职业进行匹配时，如果一个O*NET数据库中的职业对应于多个ISCO 分类中的职业，那么对于这若干个ISCO 分类下职业均赋予所匹配的O*NET数据库中职业的职业特征评分；如果一个ISCO分类中的职业对应于多个O*NET数据库中职业，那么此ISCO分类下职业的职业特征评分为所匹配多个O*NET数据库中职业特征评分的平均值。本文选取“能力（Abilities）”、“技能（Skills）”和“工作内容（Work Activities）”三个板块给出的“重要性（importance）”评分作为职业特征评分。

对于第二步，选择Manyika 等（2017）智能设备工作能力中等级为低的指标作为从O*NET 数据库选取模型特征变量的主要依据[25]，并结合Frey 和Osborne（2017）对特征变量的选取[9]，最终筛选出“口语理解、书面理解、感知速度、演绎推理、归纳推理、独创性、全身协调、社交感知、劝说、谈判、协助与照顾他人、协调他人的工作和活动”这12种指标作为训练集与测试集的特征变量。

对于第三步，结合现有相关文献，综合研究者们所选取的职业及标签值作为训练集，共选取了60 个职业，其中30个职业为最不可能被人工智能技术所替代的职业，标签为0，包括牙医；董事和首席执行官；律师；土木工程师；药剂师；市场销售部经理；建筑师、城市和交通规划师；作家和创作或表演艺术家；宗教助理专业人员；摄影师、图像和录音设备操作员；船舶工程师；小学教育教学专业人员；警察、督察和侦探；运动员及相关专业人员；儿童保育员；消防队员；电气工程师；中学老师；经济学家；雕塑家、画家及相关艺术家；营养师和营养学家；理疗师及相关助理专业人员；装饰师和商业设计师；高级政府官员；心理学家；厨师；物理学家和天文学家；法官；美发师、理发师、美容师等。其余30个职业为最可能被人工智能技术所替代的职业，标签为1，包括屋顶工；房地产经纪人；电话总机接线员；土木工程技术人员；钣金工人；印刷及相关行业工人；缝纫机操作员；会计师；法律及相关业务助理专业人员；政府税务及消费税官员；数据输入操作员；电气和电子设备装配工；信使和搬运工、送货员；收银员和抄表员；保险代理人；办公室帮工；出纳员；混凝土浇筑工和修整工；木材及相关材料手工业工人；装订工；机械装配工；起重机和相关设备操作员；街头摊贩；上门和电话销售员；垃圾收集者和相关劳工；纺织、毛皮和皮革制品机械操作员；时装和其他模特；橱柜制造商和相关工人；粉碎、研磨和化学混合机械操作员等。

基于上述数据即可进行随机森林分类模型的训练，随机森林模型的输出结果是对各个职业能否被替代的判断，各职业的概率值Pi即为我们所求的职业可替代率，概率值越大，被智能设备替代的可能性越大。

（2）职业结构。本文从职业任务复杂度、工作自由度、职业社会评价和职业所属产业四个维度来衡量劳动者职业结构演变。

第一，职业任务复杂度（os1）。ISCO职业分类法将职业分为九大类，对于这九大类职业，ISCO又按照职业任务复杂度分为四个层级：第一层级Level1包含简单的、重复性较强的常规任务，在九大类职业当中，第九类职业属于Level1；第二层级Level2 包含操作和维修设备，储存和整理基础信息等任务，第四、五、六、七、八类职业属于Level2；第三层级Level3包含较为复杂的技术操作和技术实践任务，第一和第三类职业属于Level3；第四层级Level4包含复杂的综合性任务，第二类职业属于Level4。此处用城市“（level1职业人数+level2职业人数）/总职业人数”（os1）衡量任务复杂度视角的职业结构。

第二，职业工作自由度（os2）。对于职业自由度高低的划分，基于CGSS问卷调查中“在您目前的工作中，您在多大程度上能自主决定您工作的具体方式”这一问题，回答“完全自主决定”或“能在一定程度上自主决定”，划分为“高工作自由度职业”；回答“在很少程度上自主”或“完全不能自主”，划分为“低工作自由度职业”。本文用城市“低工作自由度职业人数/总职业人数”（os2）衡量工作自由度视角的职业结构。

第三，职业社会评价（os3）。本文采用国际社会经济地位ISEI 指数来衡量各职业的社会地位。鉴于本文样本中ISEI 评分的范围为16~55，按照16~25、26~35、36~45、46~55 的范围将职业评分划分为较低、低、较高、高四种类型，并用“（较低职业评分人数+低职业评分人数）/总职业人数”（os3）衡量职业社会评价视角的职业结构。

第四，职业所属产业（os4；os5；os6）。将ISCO 分类中第六大类“农业和渔业工作者”中的各职业归类为第一产业，将第七大类“工艺及相关行业工人”和第八大类“工厂和机器设备的操作员和装配工”中的各职业归类为第二产业，此外，第九大类“初级职工和非熟练工人”包含的两个子类“农业、渔业及相关劳工”和“采矿、建筑、制造和运输业劳动者”中的各职业也归类为第二产业，其余职业归类为第三产业。本文用城市“第一产业职业人数/总职业人数”（os4）、“第二产业职业人数/总职业人数”（os5）和“第三产业职业人数/总职业人数”（os6）衡量职业所属产业视角的职业结构。

2.控制变量

经济发展水平（rgdp），以人均地区生产总值来衡量。产业结构（industry），以第二产业产值占GDP的比重衡量。科学技术水平（psci），以人均地区科学技术支出来衡量。城市教育基础（pedu），以基础教育、中等教育、高等教育在校生总和占总人口的比重衡量。对外贸易水平（pfdi），以人均外商实际投资额来衡量。城市企业规模（pent），以人均规模以上工业企业数衡量。

（三）数据来源说明

在计算职业替代率时所运用的O*NET 数据库由美国劳工部职业信息网官网获取，该网站从不同的职业评价模块对各个职业的职业特征进行了多方位描述，并给予数值评分，为我们选取各职业的职业特征作为随机森林模型的特征变量提供了参考。本文用于和O*NET数据库匹配的中国综合社会调查数据库（CGSS），是由中国人民大学执行的全国性、综合性学术调查项目，基于数据可得性，选取2010、2012、2013和2015年数据。

四、实证检验结果与分析

（一）基准回归

表1 列示了人工智能的职业替代效应影响劳动力职业结构的基准回归结果。由列（1）可知，从职业任务复杂度视角来看，人工智能的替代效应使得从事低复杂度任务的劳动就业比例下降，从事高复杂度任务的劳动就业比例上升。具体来说，简单、重复性强、操作和维修设备以及整理和存储基础信息类职业易被人工智能所取代，所以低复杂度职业劳动者比例下降，相对应地，包含复杂技术操作实践和综合性任务的职业被人工智能替代的风险较低。由列（2）可知，从职业的工作自由度来看，人工智能技术职业替代率越高，低工作自由度职业的劳动者就业份额越低，相应地高工作自由度职业的劳动者就业比例越高。由列（3）可知，从职业的社会评价来看，人工智能的职业替代效应并没有对职业社会评价产生显著影响。由列（4）~（6）可知，从职业所属产业来看，人工智能的职业替代效应促使第一产业的劳动者就业比例下降，而使第二和第三产业的劳动者就业比例上升。原因在于，智能机器设备在农业的大规模应用，使从事农业生产的剩余劳动力转移到了第二和第三产业中进行再就业。综合表1结果可知，人工智能应用改变了任务复杂度、工作自由度和产业结构这三个维度的劳动职业结构，但并未对职业社会评价维度的职业结构造成影响。

表1 基准回归

（二）稳健性检验

本文通过更换解释变量即职业替代率的衡量方法进行稳健性检验。如前所述，Frey 和Osborne（2017）使用O*NET 数据库对计算机智能技术发展背景下美国职业可替代率进行了预测[9]，他们的研究方法和结果被各国研究者广泛采用。为对上述基本回归结果进行稳健性检验，运用Frey 和Osborne（2017）测得的美国职业可替代率结果[9]，通过匹配中美两国的职业从而获得中国职业的可替代率（ameccr）。具体回归结果见表2，可知基准回归中的各项结论仍然成立。

表2 稳健性检验

五、进一步分析

（一）市场化程度

为考察人工智能技术的职业替代对劳动力职业结构的影响是否因城市市场化程度而不同，本文基于樊纲等（2011）的方法测度市场化指数[26]，并将样本划分为市场化程度较低和较高两类，借以研究不同市场化程度下人工智能职业替代效应影响劳动力职业结构的异质性。具体回归结果见表3。

表3 分组检验：市场化程度

表3 的Panel A 列示市场化程度较低样本的回归结果，Panel B 列示市场化程度较高样本的回归结果。由列（1）可知，市场化程度越高，低任务复杂度的职业越容易被替代。由列（2）可知，无论市场化程度高低，人工智能对低工作自由度职业的替代作用差异不大。由列（3）可知，对于市场化程度较低的城市，人工智能技术对低社会评分职业的替代作用不显著；而对于市场化程度较高的城市，人工智能技术显著替代低社会评分职业。由列（4）~（6）可知，对于市场化程度较低的城市，人工智能技术显著增大了第二产业劳动者就业占比，但对第一和第三产业劳动者就业的影响不显著；而对市场化程度较高的城市，人工智能技术的职业替代显著降低了第一产业劳动者就业占比，同时促进第二和第三产业劳动者就业。

（二）城市教育规模

人工智能技术的替代效应对劳动力职业结构的影响是否依城市教育规模而有所差异？本文依照“每万人在校大学生数”这一指标衡量各城市教育规模，并将总样本划分为教育规模较小和较大两类，探讨人工智能技术职业替代效应对劳动力职业结构的异质性作用。具体回归结果见下页表4。

表4 分组检验：城市教育规模

表4的Panel A 列示教育规模较小样本的回归结果，Panel B 列示教育规模较大样本的回归结果。由列（1）可知，教育规模越小，低任务复杂度的职业越容易被人工智能技术替代。由列（2）可知，教育规模越小，低工作自由度职业被人工智能技术替代的可能性越大。由列（3）可知，对于教育规模较小的城市，人工智能技术显著替代低社会评分职业；而对于教育规模较大的城市，人工智能技术对低社会评分职业的替代作用不显著。由列（4）~（6）可知，对于教育规模较小的城市，人工智能技术的职业替代显著降低了第一产业劳动者就业占比，同时提高了第二和第三产业劳动者就业比例；而对教育规模较大的城市，人工智能技术显著促进第二和第三产业劳动者就业，而对第一产业劳动者就业的影响不显著。

六、基本结论

人工智能技术正全面赋能实体经济，在提高生产率促进经济高质量发展同时，不可避免地对劳动力就业产生影响。本文借鉴Frey 和Osborne（2017）的思路，对我国ISCO 职业分类标准下的职业替代率进行测算，赋权加总得到城市层面的职业替代率，并分析人工智能技术的职业替代效应对劳动力职业结构的影响。研究发现，人工智能技术会诱发职业替代风险，人工智能技术的职业替代效应改变了任务复杂度、工作自由度和职业所属产业这三个维度的职业结构，而对职业社会评价这一维度的职业结构并无显著影响。具体来说，人工智能发展减少从事简单、重复性强以及维护、修理设备和整理、存储基础信息的常规任务岗位，降低工作自由度较低和从属第一产业的职业的劳动就业份额，增加了复杂操作、实践及综合分析决策的岗位，以及工作自由度较高和从属第二、第三产业岗位的就业。与此同时，人工智能技术职业替代对劳动力职业结构的影响具有异质性，在不同市场化程度和不同教育规模的城市，人工智能职业替代对劳动力职业结构的影响有所不同。

根据经验研究结果，相关政策建议如下：（1）人工智能技术会诱发职业替代风险，对劳动力就业产生替代作用。政府一方面应给予充分的社会保障政策，避免因失业引发社会民生问题，另一方面应引导企业加大对员工的职业技能培训，提高“人机匹配”程度，从根源上缓解人工智能发展对职业的替代影响。（2）人工智能技术的职业替代效应影响劳动力市场的职业结构并存在地区异质性。相关部门应根据不同地区人工智能技术的发展阶段、市场化程度以及教育水平等现状，因地制宜地规划不同区域人工智能技术发展战略，在发挥人工智能生产率提升作用的同时，最大程度地降低对劳动力市场的冲击。