SCI论文（www.lunwensci.com）
【摘 要】 当前，全球经济遭受新冠疫情冲击，中国经济发展也承受着巨大压力，稳就业成为 一项重大的任务 。人工智能以及机器人的产生和应用给经济带来了深远的影响，势必会影响到 就业的稳定性 。 因此，人工智能以及机器人的产生和应用对于我国的就业波动产生了怎样的影 响是一个有待研究的重要问题 。通过分析人工智能对就业波动的影响机制，利用中国工业企业 的数据和 IFR 的机器人数据实证检验了这种影响，并且进一步研究了其在人工智能渗透度 、行业 以及地区间的异质性 。结果显示，人工智能的发展在整体上加剧了企业的就业波动，并且这种影 响在人工智能渗透度较高的企业 、高技术行业领域更为显著 。根据此结论，从劳动者 、企业以及 政府的角度提出了相应的对策建议 。
【关键词】 人工智能,人工智能渗透度,就业波动
一、引言
习近平总书记在党的十九大报告中指出，“就业就是最大的民生 ，要坚持就业优先战略和积极 就业政策 ，实现更高质量和更充分就业 ”① 。尤其是在新冠疫情冲击下 ，居民的就业压力增大 ，降低 就业的波动成为国家的一项重要任务 。 国务院提出 ，在 2025 年要实现“就业形势总体平稳 ”“就业 质量稳步提升 ”等目标 ② 。人工智能是新一轮科技革命和产业变革的重要驱动力量 ，具有溢出带动 性很强的“头雁 ”效应 ，在中国工业生产中的应用越来越广 。在经济转型的过程中 ，中国将智能化 作为一个重要的发展方向 。2015 年 ，国务院出台《关于积极推动“互联网 + ”行动的指导意见》，首次 将智能化作为国家的重点任务进行推进 ;2017 年 ，国务院发布了《新一代人工智能发展规划》，进 一 步将人工智能提升到国家战略层面 。作为“智能化 ”的主要代表 ，在政策的支持下 ，机器人在中国 的应用得到了长足发展 。 中国在 2019 年新安装了 14.05 万台机器人，位居世界第一，并且中国的机器 人保有量也成为全球第一 ③ 。 国内外的研究(Autor，2015;李磊等，2021)均显示人工智能会对就业的 数量和结构产生显著的影响[1][2] 。随着中国人工智能的快速发展，人工智能对于就业各方面的影响愈 加明显，就业的波动性是就业的一个重要方面，势必会受到人工智能的显著影响 。但是当前学界对这 两者之间的直接研究却较少 。 因此，人工智能与就业波动的关系就成了一个亟须研究的重要问题。
二、文献综述
(一)就业波动相关文献
目前学界对于就业波动的定义和衡量并没有一个统一的认识 ，各个学者根据自己的研究目的 和方法选择自己合适的衡量方法 。从已有文献来看 ，目前的主流衡量方法有三种 ，首先 ，直接使用就业绝对数量的变化来衡量就业波动的大小(葛阳琴和谢建国 ，2019 )[3] ;其次 ，使用劳动力需求弹 性来衡量就业波动的大小(王小霞和李磊 ，2020 )[4] ;最后 ，使用就业增长率的波动来衡量就业波动 的大小(蒋银娟 ，2021 )[5] 。该种方法在剔除了企业所在行业 、地区等因素对企业就业增长率的影响 之后利用就业增长率的回归残差进行就业波动率指标的构建，较好地反映了企业真实的就业波动 。
影响就业波动的因素众多 ，大量学者对不同因素对于就业波动的影响进行了深入的研究 。周 申( 2006 )、李娟和万璐( 2014 )等考察贸易自由化与就业波动之间的关系，得出贸易自由化会导致中 国就业波动增大的结论 [6][7] ;罗明津和靳玉英( 2019 )、李磊等( 2020 )则研究了进出口与企业就业波 动的关系 [8][9] ，但二者得出结论却相反 ，前者认为有出口行为企业具有更高的就业波动率 ，但后者则 认为进出口企业具有更低的就业波动率;也有学者研究其他相关因素对于就业波动的影响，蒋银娟 ( 2021 )研究了政府补贴与就业波动的关系 ，张弛等( 2019 )则从资本账户开放的视角来研究就业波 动 [10] 。这些研究都在一定程度上丰富和拓展了就业波动的研究视角 ，同时也表明影响就业波动的 因素众多，应该从更多的视角对就业波动进行全面而深入的研究 。
(二)关于人工智能影响就业波动的研究
当前学界直接研究人工智能与就业波动关系的文献还较少 ，仅有王小霞和李磊( 2020 )从劳动 需求弹性的视角进行了研究 [4] 。但是大量针对人工智能与就业需求的研究则已经间接揭示了人工 智能对于就业波动会造成重大的影响 。学者们对于人工智能如何影响劳动力需求的研究大致可以 分为两个方面 ，一方面 ，人工智能对劳动力需求数量的影响研究 ;另一方面 ，人工智能对于劳动力 需求结构影响的研究 。
从就业数量变化视角揭示人工智能影响就业波动的文献众多 。Acemoglu & Restrepo( 2020 )、 韩民春等( 2020 )通过将 IFR 的人工智能数据分配到地区层面 ，构建地区层面的人工智能渗透度指 标进行研究 ，得出人工智能渗透度的提高导致就业需求量的下降的结论 [11][12] 。 闫雪凌等( 2020 )将 IFR 人工智能数据与中国制造业行业的数据进行匹配 ，在行业层面考察人工智能对于制造业就业 的影响，其结论为人工智能导致就业的减少 [13] 。Gregory( 2016 )从制造业整体就业的视角出发，利用 欧盟的制造业数据研究发现 ，自动化技术通过创造效应增加的岗位要多于被自动化技术替代的工 作岗位 ，总体上增加了对于劳动力的需求 [14] 。Autor( 2017 )则将研究视野放大至整个社会的劳动力 需求 ，得出人工智能的使用降低了制造业的就业率 ，但是刺激了服务业的就业率增长 ，从而使得社 会的整体就业率为正的结论 [15] 。上述文献揭示了人工智能不管是在地区 、行业还是社会整体就业 层面 ，均对于就业数量产生了显著的影响 ，而就业需求数量的变化必然会导致就业波动的变化 ，这 意味着人工智能对于就业波动产生了显著的影响 。
从就业结构变化视角研究人工智能与就业波动的文献也较多 。大量的研究人工智能影响劳动 力需求结构的文献都认为人工智能的使用会更多地替代中等技能劳动力 ，造成就业极化现象 。 Acemoglu & Autor( 2011 )通过构建任务模型 ，分析人工智能对于不同技能劳动力的替代效应 ，发现 人工智能对于中等技能劳动力的替代效应较强，并且会增加对于高技能劳动力的需求，导致就业市 场出现极化现象 [16] 。Autor & Dorn( 2013 )通过对于美国劳动力市场的研究 ，证实人工智能的使用 导致美国就业市场中等技能劳动力需求的减少 ，造成就业极化现象 [17] 。针对中国的研究也得出了 相似的结论 。孙早和侯玉琳( 2019 )通过构建地区层面的人工智能指数 ，得出人工智能对于劳动力 就业存在极化效应 [18] 。就业极化现象意味着中技能劳动力需求比重的减少 ，这会导致中技能劳动 力向技能结构的两端移动 ，从而造成更大的就业波动 。这显示了人工智能不仅通过影响就业需求 数量，而且也通过影响就业需求结构造成就业波动 。
从上述文献回顾中可看出 ，人工智能的使用不仅是在地区 、行业和社会整体对于劳动力需求方 面影响了就业波动，而且在劳动者的内部，通过对于劳动者不同技能的偏向性导致中技能劳动者需 求减少 ，中 、高技能劳动者需求增加 ，这种结构上的变化也导致就业波动的变化 。 因此 ，人工智能 与就业波动之间的联系是显著存在的 ，但是这种联系目前却鲜有学者进行直接考察 ，因此 ，我们致 力于丰富相关研究，并为后续的研究作出一定的参考 。
三、研究设计
(一)理论基础与机制分析
根据文献回顾 ，人工智能的使用会通过影响就业需求的数量和结构来影响就业波动 。 因此 ，我 们从人工智能影响就业的各种效应为出发点 ，讨论人工智能究竟如何影响就业波动的大小和其影 响方向 。
1.人工智能的替代效应与就业波动 。人工智能作为一种生产技术 ，在其出现之后 ，就不可避免 地会与人类劳动力进行竞争，代替一部分的劳动岗位 。根据 Acemoglu & Autor( 2011 )的任务理论， 人工智能在重复性 、规律性强的程式化任务中相对于人类劳动力具有显著的比较优势，这导致企业 在生产过程中倾向于在这些任务的执行上使用人工智能以提高效率和节约成本 [16] 。所有企业在生 产过程中都需要执行一部分的程式化任务 ，这意味着人工智能对于所有企业就业需求都存在一定 程度上的替代效应 。这种替代效应的大小和企业在生产过程中程式化任务所占的比例有关 。相对 于高技术和低技术行业内的企业，中技术行业内的企业生产过程中程式化任务所占的比例较高，相 应地 ，人工智能对于该行业内企业的就业需求替代性也就较强 。但是这并不意味着人工智能只对 中技术行业造成了较大的就业波动 。事实上 ，中技术企业内被替代的工人如果不能在本企业内部 调整工作岗位 ，则会面临失业的境遇 。这部分失业的工人在寻求再就业时 ，会分散向不同的企业 。 这揭示了人工智能的替代效应不仅会导致本企业就业波动增大，也会导致其他行业就业波动的增大 。
2. 人工智能的创新效应和就业波动 。人工智能的创新效应主要体现在两个方面：一是人工智 能的使用优化了企业的生产流程 ，产生新的生产工艺 ，提高企业的生产效率 ;二是人工智能的使用 导致企业扩展产品线的能力提高 ，更容易进行种类扩展型技术进步 。这两方面的影响都会对就业 波动产生影响 。一方面 ，当人工智能优化企业的生产流程时 ，会导致一部分多余的岗位被裁减 ，被 裁减岗位的劳动者如果不能及时在企业内部调整工作岗位，就会被迫失业，从而出现技术进步的就 业毁灭效应(Harrison 等 ，2014 )[19] ;另一方面 ，当人工智能的使用扩展了企业的产品线时 ，这会使得 企业更加倾向于招募更多的劳动者 ，因为研发 、生产新产品都创造了大量的就业岗位 ，这使得企业 需要更多的工人，从而发生就业创造效应 。 因此，人工智能的创新效应给企业就业波动造成的直接 影响取决于这两种效应的大小 。如果两种效应能够互相抵消 ，则人工智能的创新效应不会影响企 业就业波动，如果这两种效应大小不一致时，人工智能创新效应则会显著地影响企业就业波动 。另 外 ，人工智能的创新效应带来的技术进步和企业生产率提高会影响企业的产出波动 。技术进步和 企业生产率的提升有利于降低企业的产出波动(Koren & Tenreyro，2013 )[20] ，另外 ，相关研究指出 ， 产出波动和就业波动具有紧密的关联性(李亮亮 ，2020 )[21] 。 因此 ，人工智能的使用可能通过影响企 业的产出波动来间接地影响企业的就业波动 。
3.人工智能的生产力效应和就业波动 。人工智能的使用给企业带来了相对于人工劳动者更高 的生产效率 ，人工智能在工作中的出错率低 ，并且相对于劳动者来说拥有一个巨大的优势 ，即人工 智能可以 24 小时工作 。 另外 ，人工智能具有大工业生产的规模优势 ，生产规模越大 ，人工智能的一 次性固定成本分摊到每件产品上就越少，这些都有利于企业的生产成本下降，有利于企业利润率的 提高 ，促使企业扩大生产规模 ，从而使得企业具有更稳定的劳动需求 。而且 ，当企业产品成本下降 时 ，产品价格也会随之而降 ，消费者在“收入效应 ”的影响下会增加对该企业商品和其他企业商品 的需求，其他相关企业的盈利能力也会随之提高，从而使得相关企业也有更稳定的劳动力需求，并且 这一效应还将继续扩散至社会上的其他企业，与人工智能相关性较弱的企业也能提高自身利润，扩大 自身的生产规模，增强对于劳动力需求的稳定性(王永钦和董雯，2020)[22]，从而影响社会的就业波动 。
由图 1 可知，人工智能的使用在替代劳动力以及劳动岗位等方面增大了就业波动，但人工智能带 来的就业创造等因素又具有相反的力量，会减小人工智能带来的就业波动，鉴于目前大量的实证文献 都得出，目前阶段人工智能在制造业的替代效应更强的结论(赵春明等，2020;孔高文等，2020)[23][24] ， 本文做出研究假说：人工智能的使用在整体上增加了制造业的就业波动 。
(二)数据来源
为了更加深入地考察人工智能对于就业波动的影响 ，我们采用锐思 2008 — 2013 年工业企业数 据进行研究 。在进行数据处理之前，由于工企数据库中存在不少错误，参考聂辉华等( 2012 )的处理办法 ，剔除了总资产小于固定资产合计和流动资产合计等明显不符合会计核算的记录以及员工数 量少于 8 人的企业[25] 。 另外 ，我国分行业的人工智能渗透度数据则采用 IFR 的机器人数据进行构 建，分行业的就业人数则来自每年的《中国工业统计年鉴》。
(三)实证模型与变量选取
1.模型设置 。基于前文的机制分析，设置如下实证模型来检验人工智能对于就业波动的影响：
2.就业波动率的计算 。对于企业就业波动的计算，参考目前主流的 Kurz & Senses( 2016 )的“残 差法”，利用就业增长率的回归残差来构建就业波动指标[26] ，其计算方法如下：
其中 ，pfixassetijt 表示 j 行业 i 企业 t 年的人均固定资产 ，Med_pfixassett 表示所有企业 t 年的人均 固定资产的中位数 ，本文用这一权重将行业人工智能渗透度分解至企业层面 ④ , 用来考察企业层面 的人工智能渗透度 。之所以使用这一权重 ，本文的主要考虑为机器人在会计核算时被记作固定资 产 ，因此人均固定资产越多在一定程度上表示企业受到人工智能影响的可能性就越大 ;另外 ，人均 固定资产也在一定程度上表示企业的规模 ，规模越大的企业更有能力承担购买机器人带来的一次性高额成本 ，因此人均固定资产越大 ，该企业使用更多人工智能的可能性也就越大 ，因此 ，本文选 择这一指标作为权重 。
4. 其他控制变量 。 Xijt 为影响企业就业波动的一系列其他变量：企业年龄( age )：用样本年份减 去企业的开业时间得到 ，一般来说 ，存活越久的企业 ，其面对市场风险和冲击的经验更加丰富 ，发 展更加平稳 ，企业战略也更加成熟 ，更不容易出现大幅度的波动 ，因此可能对企业的就业波动有抑 制作用 。企业产出(toutput)：采用企业总产值表示企业的产出 ，这一指标反映了企业的生产能力 。 前文机制分析显示，人工智能可以通过影响企业产出来影响企业就业波动，因此必须在模型中予以 考虑 。企业负债率(debtrate)：该指标用企业总负债除以总资产来表示 。影响企业人员需求的一个 重要因素是企业的财务状况 ，如果企业发展前景良好 ，流动性强 ，那么会有更强的能力支持较多的 员工需求 ，如果财务状况不好 ，则可能通过裁减人员的方式来控制企业的运营成本 ，因此 ，企业的 负债率是影响企业就业波动的重要因素 。劳动生产率(laborpdt)：该指标用总产值除以就业人数来 表示 ，在一定程度上衡量了企业的生产效率 。市场集中度(hhi)：采用赫芬达尔—赫希曼指数来衡 量行业内的市场竞争激烈程度，这一指标用企业的销售产值进行计算 。该指数越大，说明市场集中 度越高 ，垄断程度越高 ，反之亦然 。 出口(export)：该指标采用虚拟变量表示 ，当企业在某年存在出 口时 ，取值为 1.不存在出口则取值为 0 。进出口是影响企业就业波动的重要因素 ，更广阔的原料市 场和产品市场增强了企业在面对某国市场风险的能力 ，但也导致了企业可能面临更多的外来市场 的冲击，对于企业就业波动具有两方面的影响 。
5.变量描述性统计 。各个变量描述性统计如表 1 所示 。
四、实证结果与进一步分析
(一)基准回归结果
根据豪斯曼检验的结果 ，其 P 值小于 0.01.支持模型采用固定效应进行估计 。接下来的所有估 计结果均为固定效应模型估计 。根据基准回归的结果来看(见表 2)，人工智能渗透度对于企业就 业波动的影响是十分显著的 。人工智能渗透度对于就业波动的影响为正 ，表明人工智能的使用增 加了企业的就业波动，在不控制产出的情况下，人工智能对于企业就业波动的影响略大于控制产出 的情况，这表明人工智能不仅仅通过替代效应增加了就业波动，而且也通过引起企业的产出波动增 加了企业的就业波动 。
另外，企业年龄前的系数显著为负，表明企业生存越久，其就业波动越小 。这也符合现实经验， 存活时间越长的企业应对市场风险时的调整能力相对也较强，越能保证自身经营的稳定，从而减小 就业波动 。企业负债率前的系数显著为负 ，表明企业负债率的提高缩小了就业波动 。这可能是由 于企业的负债率在某种程度上体现了其资金利用效率，财务状况良好，拥有大好发展前景的企业为 了快速实行扩张 ，往往会进行借债经营 ，这时债务不是企业的负担 ，反而推动了企业的发展 ，因此 ， 拥有较高负债率的企业可能也是财务状况良好的企业，因此不需要裁员来缩减运营成本，导致负债 率对于就业波动具有抑制效果 。劳动生产率前的系数显著为正，表明劳动生产率越大，就业波动越 大 ，这和蒋银娟( 2021 )[5] 的结论一致 。 出口前面的系数也显著为正 ，表明进行出口的企业具有更大的就业波动 。 因为国际市场的竞争比国内市场激烈 ，进行出口的企业面临着更大范围的发生市场 风险的可能 ，受到冲击的可能性更大 ，因而更加需要频繁地调整自身的经营情况 ，这导致企业出现 了更大的就业波动 。总产出则对于企业的就业波动具有显著的抑制作用，因为当企业的总产出越大， 意味着企业的经营规模也越大，抵抗风险和调整自身的能力也就更强，从而具有更强的稳定性 。
(二)机制检验
在前述的理论分析中 ，提出了人工智能影响就业波动的三个渠道 ，分别是人工智能的替代效 应 、创新效应和生产率效应 。其中人工智能的替代效应和创新效应会直接对于企业的岗位以及就 业需求产生影响 ，从而影响企业的就业波动 ;人工智能的生产率效应则导致企业生产率的提高 ，从 而提高企业的盈利能力，增强抵御经营风险的能力，使得企业具有更强的就业稳定性 。为了检验上 述机制是否成立，对此构建实证模型进行检验，检验结果如表 3 所示 。
1.人工智能的替代效应和创新效应 。 由于人工智能的替代效应和创新效应会直接影响企业的 劳动力需求数量 ，从而对于企业的就业波动产生影响 ，因此 ，直接对人工智能是否影响了企业的劳 动力需求进行检验，如果人工智能显著地影响企业劳动力需求，则意味着人工智能也显著地影响企 业的就业波动 。
2. 人工智能的生产率效应 。人工智能生产率效应对就业波动的影响 ，则采用人工智能与企业 劳动生产率交乘项的形式进行检验，当交乘项显著时，则意味着人工智能通过劳动生产率显著地影 响企业的就业波动 。
从表 3 的机制检验结果可以看出 ，人工智能对于劳动力需求数量的替代效应大于创造效应 ，从 而使得在总效应中，人工智能显著地减少了劳动力需求，这意味着人工智能通过对于劳动力数量的 影响显著地增大了就业波动，这和本文基准回归的结论具有一致性 。遗憾的是，囿于本文数据的限 制性 ，无法进一步区分人工智能替代效应和创造效应对于就业波动的影响 。在针对生产率效应的 检验中，人工智能与生产率交乘项前的系数显著为负，这表明人工智能通过提高企业的生产率显著 地降低了企业的就业波动 。
(三)进一步分析
基准回归估计了整体上人工智能渗透度对于就业波动的影响 ，为了更加深入地认识人工智能 渗透度对于就业波动的影响特征，接下来分别考察企业人工智能渗透度异质性 、行业异质性 。
1. 人 工 智 能 渗 透 度 异质 性 。根 据 前文 的机 制 分 析 ，人 工 智 能 的 应 用对 于 企 业就 业 波 动会产 生 正反 两方 面 的 影 响 。一方 面 ，人工 智 能会 替 代 一些工作 岗位 ，或 者 削 减 多 余 的工作 岗位 ，造 成企业 劳动力需求的减少 ，从而导致企业裁员 ，增大就业波动 ;另一方面 ，人工智能的应用也会给企业带 来生产效率的提升 ，帮助其降低成本 ，提升产品品质 ，从而使其抵御市场风险的能力提升 ，这有利 于企业 的就业 波 动缩 小 。在人工 智 能应 用水平较 低 时 ，人工 智 能无 法 大规模地 替 代 原有 的 由人工 劳 动 力所 拥有 的 岗位 ，但是人工 智 能 带来效 率 的提升可 以使得企业 的 生产效 率在短 时 间 内得 到 一 个较大提升，这意味着在人工智能渗透度比较低时，人工智能缩小就业波动的正向作用是占主导地 位的 ，表现为人工智能的使用缩小了企业就业波动 ，并且随着人工智能渗透度的逐渐增大 ，人工智 能扩大就业波动的负向效应也会随之增大，从而导致人工智能缩小企业就业波动的效果越来越小， 最终转向人工智能增大了就业波动 。
为 了 实证检验 上述机制 ，我 们按 照人工 智 能 渗透 度 的 25% 、50% 、75%分位 点将样本分 为 四 组 ， 在子样本中重复主回归 ，结果如表 4 所示 。从实证结果中可以明显看出 ，随着人工智能渗透度的提 高，人工智能缩小企业就业波动的效果就越小，并最终在人工智能渗透度为高渗透度组的子样本分 组回归中由负转正，由缩小企业就业波动转为增大企业就业波动 。另外，从该结果中也可得知目前 大部分企业的人工智能渗透度的水平还没有越过转变点 ，使人工智能缩小就业波动的效果转为增 大就业波动 。
2.行业异质性 。参考吕世斌等( 2015 )，将行业划分成四个不同的技术分类[27] 。从分行业的回归 结果来看(见表 5)，一个很明显的规律是人工智能渗透度对于就业波动的影响由负到正 ，在低技术 行业 ，人工 智 能 渗透 度 倾 向 于缩 小就业 波 动 ，在 中 低技术行业和 中 高技术行业 影 响 则不显著 ，但在 高技术行业的影响显著为正 。之所以出现这种现象可能是由于人工智能渗透度对于就业波动具有 正反两方面的影响，并且在人工智能渗透度处于不同程度时，其起主导作用的影响方向不同 。
在人工智能渗透度较低时 ，人工智能对于劳动者的替代性不强 ，更多的作用是提升企业效率 ， 节约企业的生产成本 ，使得企业应对市场风险的能力提高 ，从而使得企业自身更加的稳定 ;在人工 智能渗透度较高时，人工智能对于劳动者的替代效应则急剧上升，成为人工智能影响就业波动的主 要 效 应 ，也 就 使 得 总 效 应 表 现 为 人 工 智 能 渗 透 度 增 加 了 企 业 的 就 业 波 动 。 参 考 王 永 钦 和 董 雯 ( 2020 )，从目前我国的行业人工智能渗透度来看，人工智能渗透度最高的几个行业为塑料和化学制 品业 、金属制品业 、电力设备与计算机制造业 、交通运输制造业等 ，其大部分为中高技术和高技术 制造业，而食品行业 、纺织行业等低技术行业的人工智能渗透度在所有行业中排名靠后 。低技术行 业的人工智能渗透度不高 ，其主要效应为节约企业的成本 ，增加企业利润 ，从而有利于缩小企业就 业波动 ，随着行业技术的提高 ，人工智能的应用程度也在提高 ，从而导致人工智能的替代效应越来 越显著，并且在中高技术行业中成为主要效应，显著地增大了企业的就业波动 。
(四)内生性检验
由于人工智能会影响企业的就业波动 ，人工智能渗透度越高 ，企业的就业波动也就越大 。如果 企业的就业波动较大的话 ，企业招募和培养新员工的成本将增加 ，在这种情况下 ，企业将更有动力 采用更为稳定的人工智能代替人工劳动力进行生产 ，这意味着人工智能的使用和企业就业波动存 在一定程度上的互为因果关系，从而导致模型出现内生性，为了更加准确地估计人工智能对于就业 波动造成的影响，运用面板工具变量法来消除模型的内生性，采用美国行业人工智能渗透率作为工 具变量，进行更精确的估计，结果和基准回归一致，如表 6 所示 。
五、结论与政策建议
我们将 IFR 统计的行业层面的机器人数据与中国工业企业的数据结合 ，将行业层面的机器人 数据匹配至企业层面，构造了企业人工智能渗透度，并实证分析了其与企业就业波动的关系 。实证 结果表明 ，在整体上 ，企业的人工智能渗透度倾向于增大企业的就业波动 ，并且这一结论在模型消 除内生性之后仍然存在，这说明我们的结论较为稳健 。而且根据进一步分析的结果，人工智能对于
就业波动的影响具有人工智能渗透度异质性 、行业异质性和地区异质性 。在人工智能渗透度异质 性上，人工智能渗透度较高的企业表现为人工智能加剧了企业就业波动，而人工智能渗透度较低的 企业则表现为人工智能缩小了企业就业波动;在行业异质性上，人工智能的使用在低技术行业更多 地表现为缩小就业波动，而在高技术行业，人工智能则会导致就业波动的增大 。我们的结论对于理 解人工智能与就业波动的关系以及制定公共政策具有一定的参考意义，据此，提出以下对策建议 。
第一 ，劳动者应积极地接受学习与参与培训 ，进一步提升自身的人力资本水平和工作技能 ，使 劳动者在面临与人工智能的岗位竞争时，保证自身拥有更加充分的竞争力，增强就业稳定性 。人工 智能对于中技能劳动者替代性较高，而与高技能劳动者互补性较强 。劳动者提升自身的技能水平， 可以有效地减弱与人工智能的竞争导致失业的风险 ，更能加强与人工智能的配合而提升自身工作 效率，在提升就业稳定性的同时，也有利于收入的提高 。
第二 ，企业在大规模使用人工智能的过程中 ，要关注人工智能给员工带来的挑战 ，妥善安置受 影响的员工 。在人工智能使用范围较小时，人工智能有利于提高企业的生产效率，增强企业抵御风 险的能力 ，从而提高其员工的就业稳定性 ;但是当企业开始大规模应用人工智能时 ，其替代效应逐 渐显现 ，并最终表现为人工智能加剧了企业的就业波动 ，这时企业应妥善安置失去岗位的员工 ，为 其安排新的岗位，或者对其进行培训，提高其技能水平，加强其与人工智能的互补能力 。
第三 ，各地区政府应因地制宜 ，制定适合本地区的人工智能发展政策 。东部地区在利用人工智 能发展经济的同时要时刻关注因人工智能使用而引起的增大就业波动现象，完善失业保障措施，加 强对于失业人群的保障和培训 ，帮助其尽快再就业 ;中西部地区则可以大力支持人工智能的使用 ， 既可以促进当地的生产发展 、效率提升 ，发展本地区经济 ，也可以吸引本地的劳动力 ，增强本地就 业的稳定性 。
【注释】
① 习近平：《决胜全面建成小康社会 夺取新时代中国特色社会主义伟大胜利》——在中国共产党第十九次全国 代表大会上的报告;网址：http：//www.gov.cn/zhuanti/2017-10/27/content_5234876.htm.
② 国务院关于印发《十四五 ”就业促进规划》的通知，http：//www.gov.cn/zhengce/zhengceku/2021-08/27/concent_ 5633714.htm.
③ IFR(International Federation of Robotics，国际人工智能联合会)《2020 世界人工智能报告》.
④ 王永钦和董雯(2020)采用企业生产部门员工占比与所有企业生产部门员工占比中位数的比值作为权重 .
【参考文献】
[1] Autor D 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.
[2] 李磊，王小霞，包群 .人工智能的就业效应：机制与中国经验[J].管理世界，2021.37(9)：104-119.
[3] 葛阳琴，谢建国 . 需求变化与中国劳动力就业波动——基于全球多区域投入产出模型的实证分析[J].经济学 (季刊)，2019.18(4)：1419-1442.
[4] 王小霞，李磊 .工业人工智能加剧了就业波动吗——基于中国工业人工智能进口视角[J].国际贸易问题，2020 (12)：1-15.
[5] 蒋银娟 .政府补贴对企业就业波动的影响研究[J].财经研究，2021.47(4)：108-123.
[6] 周申 . 贸易自由化对中国工业劳动需求弹性影响的经验研究[J].世界经济，2006(2)：31-40+95.
[7] 李娟，万璐 . 贸易自由化加剧就业市场波动了吗?——基于劳动需求弹性角度的实证检验[J].世界经济研究， 2014(6)：35-42+88.
[8] 罗明津，靳玉英 .企业出口行为的就业波动效应研究：基于中国工业企业的经验[J].世界经济研究，2019(5)： 27-40+134.
[9] 李磊，卢坤豪 .“引进来 ”能否“稳就业 ”——来自中国工业企业的微观证据[J].国际商务(对外经济贸易大学学 报)，2020(4)：80-95.
[10] 张驰，林更，姚程飞 . 资本账户开放与就业波动——基于跨国面板数据的实证研究[J].经济体制改革，2019 (2)：173-180.
[11] Acemoglu D，Restrepo P.Robots and jobs：Evidence from US labor markets[J].Journal of Political Economy，2020.128(6)：2188-2244.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jingjilunwen/70656.html
