人工智能技术对劳动力就业的影响研究
张慧
生成PDF 清样下载 引用

复制成功

导出题录

参考文献( GB/T 7714-2015 ) 复制

张慧,. 人工智能技术对劳动力就业的影响研究[J]. 人工智能研究,20232. DOI:10.12721/ccn.2023.157185.
摘要: 本文基于我国30个省份的面板数据,实证研究了我国人工智能技术对劳动力就业的影响,采用了广义随机森林模型估计人工智能技术对我国劳动力就业的因果效应,并进行了异质性分析。实证结果发现人工智能技术对劳动力就业的创造效应大于替代效应,总效应显著为正。异质性分析结果表明,在东、中部地区,就业效应有显著的正向作用,且东部地区的促进效应更大,对西部地区就业效应不显著。本文基于结论,提出增加职业技能培训,针对不同区域的特点,制定不同的人工智能产业政策,增加劳动力需求等政策建议。
关键词: 广义随机森林;人工智能;劳动力就业
DOI:10.12721/ccn.2023.157185
基金资助:湖南省研究生科研创新项目;项目编号:QL20210253。湖南省社科评审委重大项目;项目编号:XSP22ZDA002。

一、引言

近几年来,扫地机器人、大数据处理技术、机器学习、深度学习等人工智能技术运用广泛,正在逐渐改变着我们的生活。当前,以人工智能为首的“第四次工业革命”正处于白热化阶段,它已成为一种推动生产方式变革和经济增长的新动力。与传统的自动化技术相比,人工智能对劳动力就业的影响具有更大范围的冲击性。人工智能技术最终会增加还是减少就业数量这一问题目前还存在较大争议,在这样的背景下,为了在稳定就业、保障人民福祉的同时,更好地运用和发展人工智能,我们必须尽快对人工智能发展对我国劳动力就业造成的影响做出合理的判断,并适时地调整自己的应对策略,以稳定劳动力市场。

二、文献综述

(一)人工智能对就业总量影响研究

人工智能技术的替代效应主要包括两方面内容。一方面,人工智能技术等会使很多传统企业倒闭,工作岗位减少(Frey and Osborne(2017)、Acemoglu和 Restrepo (2020)、Dauth,2017、Goddard et al(2021)、闫雪凌等(2020))。研究结果显示,人工智能技术将会取代很多工作岗位,传统的人力劳动不再被企业所需要,导致失业人数增加。另一方面,当企业规模没有变化时,随着技术的进步,劳动生产率的提高,企业对劳动力的需求将会降低(Acemoglu and Restrepo(2018)、Furman and Seamans (2019)、Brynjolfsson等(2014)、王君等(2017))。;另外有学者认为人工智能技术还可能会产生一些新的工作,可能会导致整体劳动力需求增加。根据已有学者研究,人工智能的创造效应主要有三种途径。一是新技术会提高劳动生产率,降低生产成本,企业利润增加,从而企业会扩大规模,劳动力的需求也将会增加(Acemoglu and Restrepo(2018)、李磊等(2021)、陈宗盛等(2021))。二是人工智能技术可能会创造出一些关类似于人工智能领域等方向的新工作,从而增加就业数量(Acemoglu and Restrepo(2018)、Bloom et al(2018)、Aghion et al(2020))。三是从消费的角度,通过技术进步,公司的成本能够得到极大的降低,产品的价格也随之下降,这样就可以刺激消费,让公司的经营范围进一步扩大,以满足消费者的需要,进而增加更多的工作岗位(Autor等(2015))。

(二)人工智能对就业影响的异质性研究

由于我国不同地区在发展策略、资源条件等方面存在差异,造成了不同地区之间的发展极不均衡。对于不同,李强(2022)等研究证明对于不同关联行业,产生的效应将会不同。对于产业异质性,张兵等(2022)实证结果表明人工智能显著促进第三产业就业需求,而第一产业需求则减少。

综上所述,根据已有学者的研究基础,可以采用机器学习的方法研究人工智能技术与劳动力就业之间的因果关系,并且可以进一步探讨不同区域、不同行业之间人工智能技术就业的异质性。

三、模型与数据

(一)广义随机森林模型

广义随机森林模型是一种运用在因果识别中的一种机器学习的方法,主要根据式(1)和式(2)计算出异质性分析中条件平均处理效应的置信区间。

截图1740020124.png  (1)

截图1740020135.png(2)

(二)数据来源与变量说明

本文数据来源于中国统计年鉴和IFR。由于数据可得性,删除部分省市样本,最终样本主要包括2010-2019年中国30个省份的面板数据。

被解释变量。就业总量(labor):采用城镇单位从业人员数和城镇私营和个体从业人员总人数进行计算。解释变量。人工智能技术水平(AI):本文借鉴陈志等(2022)构建的指标体系,并采用熵权法计算并统计人工智能技术水平综合评价指数。主要控制变量。①生活成本(Ch)。②经济开发度(Trade)。③城镇化水平(Urban)。④研发投入水平(rd)。⑤人力资本(H)。⑥人口负担(B)。⑦政府治理能力(Abi)。

四、实证结果分析

本文构建广义随机森林模型研究人工智能技术与劳动力就业之间的因果关系,广义随机森林模型可以很好的解决内生性问题,实证结果见表2。

表2  人工智能技术对就业数量的影响

变量

(1)

(2)

(3)

(4)

lnlabor

lnlabor

lnlabor

lnlabor

AI

3.547***

3.574***

3.530***

3.810***

(0.683)

(0.691)

(0.693)

(0.667)

聚类

No

No

No

YES

决策树数量

100

500

1000

1000

模型

Causal Forest

Causal Forest

Causal Forest

Causal Forest

表2(1)至(3)列是根据决策树数量不同分别得到的估计结果,从表2可知人工智能技术系数保持在3.5左右,标准差变化幅度较小,模型采用聚类后,系数增加,从标准误差可以看出,广义随机森林模型的估计精度更高。从实证结果可以得到,人工智能技术也是会显著促进就业数量的增加,与固定效应模型实证结果一致,提高结论可信度。

五、异质性分析

人工智能技术对劳动力就业是具有差异性的,本文将样本对地区进行划分,采用国家统计局的地区划分标准,将30个省份(因为西藏地区数据缺失程度比较高,故剔除)分为东部、中部和西部三个区域。进一步讨论人工智能对劳动力就业的区域差异性。

由表4的实证结果可知,人工智能技术对东部地区就业是有利的,其系数在1%的水平下显著为正,对于中部地区,人工智能技术也促进了西部地区的就业,但是促进效应小于东部地区,而西部地区没有通过显著性检验。这可能是因为西部地区的企业主要以劳动密集型为主,而这些企业会随着人工智能技术的发展而逐渐淘汰。

表4 人工智能应用就业效应的区域异质性分析

变量

全国

东部

中部

西部

lnlabor

lnlabor

lnlabor

lnlabor

AI

3.810***

4.381***

4.088***

3.068

(0.667)

(0.899)

(1.322)

(1.578)

决策树数量

1000

1000

1000

1000

模型

Causal Forest

Causal Forest

Causal Forest

Causal Forest

六、结论与政策启示

本文基于我国2010-2019年30个省份的面板数据,为了研究人工智能技术对劳动力就业的影响,采用广义随机森林模型对其因果关系进行分析。得到以下研究结果:第一,随着人工智能技术的发展,劳动力的需求量会有很大的提升,总体上看,它是一种正向的促进影响,因此,我们要制定一些相关的政策,以将其创造效应发挥到最大,同时减弱其替代效应。第二,人工智能发展与劳动力和就业之间的关系具有显著的差异性,人工智能对东部和中部地区的就业具有显著的积极的促进效应,但对东部和中部地区的促进效应更为显著。根据上述结论,可以得到几点政策启示。第一,要完善教育体系,加大对职业技能的培养,使企业职工掌握的技术以及发展人工智能所需要的技术相适应,既要强化对理论知识的掌握,也要强化对实践技能的掌握,从而提升大学生在校园内外的实践能力。第二,要结合各个区域的具体情况,制定适合于人工智能行业发展的政策。东部地区要不断提升人工智能的应用能力,要进行自主创新,促进就业,要加快工业产业结构的调整和转型,扩大对劳动力的就业需求,吸纳从东部地区转移过来的中低技术劳动力,同时,要加快对中西部地区进行人工智能技术的人才培养。

参考文献

[1]Frey C. B.,Osborne M. A. The future of employment: How susceptible are jobs to computerisation?[J].Technological Forecasting and Social Change,2017, 114:254-280.

[2]Daron Acemoglu,Pascual Restrepo. Robots and Jobs: Evidence from US Labor Markets[J]. Journal of Political Economy,2020,128(6):2188-2244.

[3]Dauth,W.,Findeisen,S.,Nicole,W., et al. German Robots-The Impact of Industrial Robots on Wokers[J].CEPR Discussion Papers,2017,No.DP12306.

[4]Goddard M A, Davies Z G, Guenat S.A.global horizon scan of the future impacts of robotics and autonomous systems on urban ecosystems[J]. Nature Ecology &Evolution,2021,5(2):219-230.

[5]Acemoglu, Daron, and Pascual Restrepo. Secular Stagnation? The Effect of Aging on Economic Growth in the Age of Automation.[J] American Economic Review, 2017,107 (5): 174-79.

[6]闫雪凌,朱博楷,马超.工业机器人使用与制造业就业:来自中国的证据[J].统计研究,2020,37(01):74-87.

[7]Acemoglu D.,Restrepo P. Artificial Intelligence, Automatio,and Work[J]. NBER Working Paper,2018,No.24196.

[8]Jason Furman,Robert Seamans. AI and the Economy[J]. Innovation Policy and the Economy,2019,19:161-91.

[9]Brynjolfsson, E,and L. M.Space.New World Order: Labor, Capital, and Ideas in the Power Law Economy[J]. Foreign Affairs,2014,93(4):44-53.

[10]王君,张于喆,张义博,洪群联.人工智能等新技术进步影响就业的机理与对策[J].宏观经济研究,2017(10):169-181.

[11]Acemoglu D , Restrepo P . The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment[J]. American Economic Review, 2018, 108:1488-1542.

[12]李磊,王小霞,包群.机器人的就业效应:机制与中国经验[J].管理世界,2021,37(09):104-119.

[13]陈宗胜,赵源.不同技术密度部门工业智能化的就业效应——来自中国制造业的证据[J].经济学家,2021(12):98-106.

[14]Bloom D E,Mckenna M J, Prettner K. Demography, Unemployment, Automation, and Digitalization: Implications for the Creation of (Decent) Jobs, 2010–2030[J]. IZA Discussion Papers, 2018:34.

[15]Aghion P,Céline Antonin, Bunel S, et al. What Are the Labor and Product Market Effects of Automation?New Evidence from France[J]. CEPR Working Papers, 2020,No14443.

[16]David H. Autor. Why Are There Still So Many Jobs? The History and Future of Workplace Automation[J]. The Journal of Economic Perspectives,2015,29(3):3-30.

[17]李强.人工智能、行业关联与劳动力就业[J].统计与决策,2022,38(12):175-179.

[18]张兵,李苹.职业替代、行业智能化与中国劳动力就业[J].上海经济研究,2022(05):92-106.

[19]Robinson,Peter M.Root-N-Consistent Semiparametric Regression[J]. Econometrica,1988,56-

(4):931-954.

[20]Athey S , Tibshirani J , Wager S.Generalized random forests[J]. The Annals of Statistics, 2019, 47(2):1179-1203.