内容提要：目前，人工智能快速发展带来的劳动力就业结构变化成为广受关注的热点问题。基于2010-2019年中国省级面板数据，利用固定效应模型、门槛效应模型和中介效应模型，实证检验创新驱动下人工智能对劳动力就业结构的影响及作用机制。结果表明：人工智能对就业结构的影响反映出中国的特殊性，推动中国劳动力就业结构趋向高级化，这一促进作用在东部地区和技术密集区更为显著；
人工智能对劳动力就业结构具有非线性影响，且人工智能发展程度越高，对劳动力就业结构的优化作用越明显；
进一步研究发现，基于创新驱动视角，人工智能还通过技术创新效应和创新人才集聚效应两个间接机制推动劳动力就业结构优化升级。研究结论对于在人工智能背景下优化中国劳动力就业结构具有一定的理论价值和现实意义。

人工智能作为新一轮技术革命的代表，在全球范围内表现出极强的溢出带动效应。据普华永道报告预测，未来15年人工智能将促进全球经济增速提高14%，成为经济增长的新引擎，世界各国都在加快对人工智能的相关部署，力求在新一轮科技革命竞争中抢占先机。2017年，中国把人工智能上升至国家发展战略的高度，2019年明确将发展人工智能作为重点产业方向，2017-2020年，“人工智能”已经连续四年被写入政府工作报告，中国政府正积极推进人工智能产业的发展并适时进行战略制定与更新。《“十四五”机器人产业发展规划》提出，中国已连续8年蝉联全球最大的工业机器人消费国。《2020人工智能产业白皮书》特别提出，到2025年，中国将成为全球最大的人工智能市场，其核心产业规模将达到4000亿元。但是，人工智能在推动经济高速发展的同时对劳动力就业结构也造成了显著影响，第七次全国人口普查结果显示，2020年中国人口老龄化高达18.7%，“人口红利”正在不断消逝，结构性、技术性失业现象愈发凸显。在后疫情时代，探究如何运用人工智能技术优化劳动力就业结构成为现阶段面临的重要议题。

目前，人工智能影响就业结构的研究多从技能偏向性理论和任务偏向性理论角度出发，前者关注技能结构的改变，后者以任务结构为研究对象。

人工智能应用早期，Autor等(2003)基于技能偏向性理论认为人工智能确实会影响劳动力就业结构，导致中低技能劳动力被替代的风险极大。随着自动化的深入，Autor等(2006)的研究发现，劳动力市场出现了“就业极化”现象，中等技能岗位大幅减少，劳动力就业技能结构逐渐趋向“U”型，技能偏向性理论难以作出合理解释，于是任务偏向性理论应运而生。Goos等(2007)研究认为中等技能岗位以程序化任务为主，具有一定的规律性，更易被自动化所替代，而低技能劳动力多为非程序化手工劳动，被替代的风险有所下降，因而会出现“就业极化”现象。人工智能的出现与应用，会加速就业的不平等，进一步加剧“就业极化”现象(Acemoglu和Restrepo，2018)。

国内关于人工智能对就业结构的影响还存在分歧。部分学者认为人工智能会导致“就业极化”，例如闫雪凌等(2020)以工业机器人为研究对象，通过行业异质性分析发现中等技术行业受工业机器人影响明显，就业结构初步极化，吕世斌和张世伟(2015)通过中国制造业的数据，也发现了相似的结论。孙早和侯玉琳(2019)从劳动力供给视角，基于受教育程度将劳动力划分为不同技能，同样发现中国劳动力就业结构趋向“两极化”，进一步研究得出，在沿海发达地区由于受生活成本的影响，低技能劳动力的市场份额下降，就业结构表现为“单向极化”。

也有学者认为人工智能并未导致中国出现“就业极化”现象，而是推动劳动力就业结构优化升级，逐渐趋向“高级化”。董直庆和蔡啸(2016)通过测算技术进步偏向技能劳动的强度，发现技术进步对就业结构具有显著正向影响，表现为技术进步的技能偏向程度越高，劳动力结构优化作用越明显，李舒沁等(2021)同样基于技能偏向性理论，利用工业机器人的数据也得出了相似结论。张于喆(2019)认为人工智能对不同技能劳动力的影响具有非对称性，通过调整劳动力技能结构逐渐优化就业结构。俞伯阳(2020)利用多变量状态空间模型同样验证了这一结论，且发现不同地区之间存在明显的地域差异，人工智能对东部地区劳动力结构的优化作用优于中西部地区。陈晓等(2020)研究进一步说明了工业智能化对就业结构高级化具有推动作用，进而能够改善经济增长质量。

此外，鲜有文献研究人工智能影响就业结构的作用机制。何勤等(2020)基于微观企业数据，认为人工智能技术可以通过产品创新和资本偏好两条路径影响就业，进而使企业员工数量、技能和收入发生改变。郭凯明(2019)建立多部门动态一般均衡模型，发现人工智能技术影响生产要素在部门间的流动方向，可以通过促进产业结构转型升级影响劳动收入份额。康茜和林光华(2021)利用中介效应模型检验产业结构在工业机器人与就业间的作用机制，发现工业机器人可以通过产业结构高级化影响不同技能劳动力的就业。

综上所述，关于人工智能对中国就业结构的影响尚存在争议，其往往局限于从直接效应角度进行分析，忽视了对二者间内在作用机制的探讨，与已有文献相比，本文可能的贡献在于：第一，目前，国外有关人工智能就业效应的结论多以发达国家为研究对象，考虑到发展中国家与发达国家在各方面都存在较大差异，且中国尚处于弱人工智能阶段(程承坪和彭欢，2018)，已有结论不一定适用于中国国情，因此本文从发展中国家角度出发，基于技能偏向性理论研究人工智能对劳动力就业结构的影响是否反映出中国的特殊性。第二，现有研究侧重人工智能对就业结构的线性影响，本文运用门槛效应检验，探讨人工智能在不同阶段对劳动力就业结构的影响是否具有非线性特征。第三，本文在研究直接效应的基础上，基于创新驱动的间接视角，从技术创新效应和创新人才集聚效应两个方面探讨人工智能影响就业结构的内在作用机理。

1. 人工智能对就业结构的直接效应

人工智能不同于以往技术革命的特点在于它的目的是提高生产率以实现生产过程的全自动化，自动化程度越高对生产率的提升作用越显著(Acemoglu和Restrepo，2018)，对低技能劳动力的负面影响也越大。人工智能通过替代效应和创造效应加速劳动力技能分化进而使劳动力就业结构不断优化。根据历次技术革命来看，一项新技术的产生会淘汰旧有技术和部分就业岗位，使低技能劳动力就业范围逐渐缩小，但Acemoglu和Restrepo(2020)构建的就业创造模型表明新技术应用导致劳动力被替代的同时，也会创造出新的就业机会，提供大量与新技术相匹配的就业岗位。根据技能偏向性理论，在人工智能与生产相融合的过程中，高技能劳动力具有知识溢出效应和较高劳动生产率，因而劳动力市场对高技能劳动力的需求量不断扩大，促进了劳动力市场就业质量的提升，推动了劳动力就业结构优化升级。

但现实事物的发展关系往往比较复杂，不仅仅局限于线性关系，人工智能发展的各个阶段对不同技能劳动力的需求都会存在差异。由“机器换人”向“人机协同”发展的过程中，劳动力市场对高技能劳动力表现为持续的吸纳作用，同时对低技能劳动力表现为更强的挤出作用，由于中等技能劳动力的需求多寡具有一定的不确定性，可能随劳动生产率提高而被替代，也可能因劳动生产率提高带来居民收入上升进而导致社会需求显著增加，企业在扩大生产的过程中为中等技能劳动力创造了更多就业岗位，但不论各个阶段人工智能对中等技能劳动力影响如何，最终的直接表现都是促进中国劳动力就业结构优化升级。

因此，人工智能对中国劳动力就业结构的影响不同于发达国家的“就业极化”，而是反映出中国的特殊性，推动中国劳动力就业结构逐渐趋向高级化。据此提出以下假说：

假说1：人工智能推动中国劳动力就业结构逐渐趋向高级化。

假说2：人工智能对劳动力就业结构具有非线性影响，且人工智能发展程度越高，对劳动力就业结构的优化作用越明显。

2. 人工智能对就业结构的间接效应

(1) 技术创新效应。熊彼特(2006)提出创新对经济发展具有驱动作用，通过优化要素配置，创新生产、组织、运营、设计等过程，带来产品创新和服务创新，从而创造更多新的就业机会。在产业结构层面，人工智能作为新一轮产业变革的驱动力量，具有创新赋能特性，在促进经济发展的同时能够推动技术创新，激发互补性创新投入，以技术创新带动产业创新，扩大传统产业的生产可能性边界，加速传统产业与新兴产业的融合，推动科技成果转移转化，有助于催生许多新业态、新组织和新模式(丁志帆，2020)，在这一过程中，劳动力市场对高技能劳动力的需求也将随着技术性岗位的增加而不断上升。在企业层面，人工智能技术的应用对研发部门有了更高的技术要求，倒逼企业不断进行技术创新以适应新技术带来的岗位变化。同时，人工智能技术的应用可以不断完善产品工艺和生产流程，显著提升了劳动生产率和信息流通效率，使企业研发人员能够更加专注于研发领域，激发企业技术创新内生动力，提高专利授权数量和企业研发能力，加快重塑各个岗位的工作内容与工作模式，在技术创新效应的驱动下，企业对劳动力技能的要求越来越高，这在一定程度上促进了劳动力就业结构优化升级。据此提出以下假说：

假说3：人工智能可以通过技术创新效应间接促进劳动力就业结构高级化。

(2) 创新人才集聚效应。根据技术创新扩散理论，人工智能技术的发展会增加对创新型人才的需求，增强了人才集聚的“磁场效应”，形成创新人才加速集聚的链式反应，吸引知识密集型企业不断入驻，有利于打造人才高地，显著提升全要素生产率，引导大量高技能劳动力主动流入，会产生高技能劳动力的空间集聚效应，这将直接促进区域劳动力就业结构的优化。同时创新型人才又是技术创新的动力源泉，能够反向刺激技术进步，释放创新动力，不断增强人工智能与创新人才之间的适配性，推动人工智能向“人机协同”发展，而人工智能的应用会挤出大量低技能劳动力，尽管制造业中被替代的劳动力会逐渐向生活性服务业转移，但中国服务业劳动吸纳能力已接近饱和，如果这部分劳动力不从提高自身技能角度出发，最终依旧会被淘汰。因此，人工智能的发展会倒逼劳动力通过教育、培训等途径不断提升自身技能，以满足劳动力市场对知识型、技能型、复合型人才的需求，推动“人口红利”向“人才红利”逐渐迈进，充分释放人才集聚的创新红利，从而使劳动力就业结构日益优化。据此提出以下假说：

假说4：人工智能可以通过创新人才集聚效应间接促进劳动力就业结构高级化。

图1 人工智能对劳动力就业结构的影响机理

1. 基准模型设定

根据前文的理论分析与研究假设，本部分将从经验角度探究人工智能优化劳动力就业结构的内在作用机制。参考Acemoglu和Restrepo(2018)的经验，设定如下基本计量模型：

Lit=α0+βrobotit+α1Xit+μi+δt+εit

(1)

其中，i代表省份,t代表时间；
被解释变量Lit表示不同技能劳动力占比；
核心解释变量robotit表示人工智能水平，以工业机器人渗透度作为其代理变量；
变量Xit为一系列控制变量。此外，μi表示个体固定效应，δt表示时间固定效应，εit为随机误差项。

2. 指标选取

(1) 被解释变量：劳动力就业结构(L)。关于就业结构的划分，多数文献以劳动力技能结构为标准，本文借鉴孙早和侯玉琳(2019)的方法，用不同受教育程度的就业人员占比表示不同技能劳动力的就业情况，以此衡量劳动力就业结构。将劳动力分为低、中、高技能三类，初中及以下学历为低技能劳动力(low)，高中学历为中等技能劳动力(mid)，大专及以上学历为高技能劳动力(high)。

(2) 核心解释变量：人工智能(robot)。工业机器人的使用密度是人工智能发展程度最直观的体现，本文采用工业机器人渗透度作为人工智能的代理变量。由于IFR提供的是国家-行业层面的数据，而本文以省级层面为研究对象，因此，将IFR所提供的中国各行业机器人使用数据与《中国劳动统计年鉴》中行业分类方式进行匹配，共划分农林牧渔业、采矿业、制造业、电燃水气供应业、建筑业、教育与研发和其他7大类行业，借鉴韩民春等(2020)、闫雪凌等(2020)学者对工业机器人渗透度的测算,具体公式为：

(2)

其中，robotit表示i地区t时期工业机器人渗透度；
Lijt表示i地区j行业t时期的就业人数，Lit表示i地区t时期的就业人数，Lijt/Lit表示i地区j行业t时期就业人员比例；
Rjt表示j行业t时期工业机器人存量，Ljt表示j行业t时期全国就业人数，Rjt/Ljt为j行业t时期全国层面工业机器人渗透度。对工业机器人渗透度做对数化处理。

(3) 主要控制变量。城市化水平(urban)，采用城镇人口占总人口的比重表示；
生活成本(ch)，以居民人均消费支出与可支配收入之比衡量；
技能溢价(premium)，本文用信息传输、计算机服务和软件业平均工资与农林牧渔业平均工资的比值来衡量；
基础设施建设(inf)，采用铁路营业里程的对数值衡量；
受教育水平(edu)，采用平均受教育年限的对数值表示，平均受教育年限=(未上过学人口数×1+小学人口数×6+初中人口数×9+高中人口数×12+专科及以上人口数×16)/6岁及以上人口数；
地区生产总值(gdp)，采用各省生产总值的对数值表示。

(4) 中介变量。技术创新(te)，用R&D经费内部支出占GDP的比重度量；
创新人才集聚(ihc)，以R&D人员全时当量进行衡量，并做对数化处理。

3. 数据来源

本文选取2010-2019年中国30个省区市(除港、澳、台和西藏外)的面板数据为样本进行实证研究。数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国劳动统计年鉴》以及国际机器人联盟(IFR)、国家统计局和EPS数据库。部分缺失值用插值法进行补齐。主要变量的描述性统计如表1所示。

表1 变量的描述性统计

(续表)

1. 基准回归结果

根据上述理论分析和研究设计，选取stata16作为检验工具，Hausman检验结果显示P值小于0.1，表明固定效应模型比随机效应模型更加有效，因此，本文采用双向固定效应模型进行实证检验。

表2报告了模型(1)的估计结果。实证结果显示，从整体来看，人工智能显著推动中国劳动力就业结构逐渐趋向高级化，验证了本文提出的假说1。可以看出，人工智能降低了低技能劳动力的就业，却促进了中高技能劳动力的就业。在5%的显著性水平上，人工智能发展程度每提升1%，将使得低技能劳动力占比减少0.058%，而使中高等技能劳动力占比分别提升0.024%和0.034%。由此可见，人工智能对中国就业结构的影响不同于国外研究提出的“就业极化”现象，而是反映出中国的特殊性，推动中国劳动力就业结构逐渐趋向“高级化”，从而验证了假说1。

表2 基准回归结果

控制变量的回归结果显示，受教育水平对高技能劳动力就业具有促进作用，但不显著，技能溢价、生活成本对高技能劳动力就业具有显著的正向吸纳作用，而对中低技能劳动力具有负向挤出作用，有利于劳动力就业结构优化升级。而城市化水平和基础设施建设对高技能劳动力的就业具有消极影响，不利于劳动力就业结构高级化，表明在经济发展的新常态下，传统的城市化建设模式和基础设施建设已经不能进一步推动中国劳动力就业结构向高级化方向发展，同时也说明需要充分发挥创新驱动效应促进中国劳动力结构优化升级。

2. 稳健性检验

(1) 内生性检验。由于就业结构的优化升级也会推动人工智能技术的研发与应用，因此，人工智能对劳动力就业结构的影响可能存在逆向因果的内生性问题。本文借鉴唐晓华和迟子茗(2021)的研究，选取与同时期中国工业机器人使用密度相似的美国工业机器人使用密度(USArobot)作为工具变量，采用2SLS法进行工具变量估计，回归结果如表3所示。表3列(1)为第一阶段回归结果，列(2)-(4)为第二阶段回归结果，回归结果与基础回归结果基本一致，证明了本文结论的稳健性，再次验证了假说1。

表3 内生性检验：工具变量法

(2) 稳健性检验。为保证实证结果具有稳健性，本文采用时滞效应和排除异常值的方法进行稳健性检验。第一，工业机器人从引进、安装到最终应用产生规模效应具有一定的时滞性，本文采用滞后一期的工业机器人使用密度作为解释变量，研究结果如表4列(1)-(3)所示，结果依旧稳健。第二，为排除异常值干扰，本文对人工智能变量前后5%的数据样本进行缩尾处理，结果如表4列(4)-(6)所示，结果依旧稳健。

表4 稳健性检验

3. 异质性检验

(1) 按地区划分。鉴于中国东部和中西部地区经济发展的不平衡会对估计结果产生不同影响，本文把样本分为东部和中西部，考察人工智能对劳动力就业结构影响的异质性，结果见表5。人工智能对东部和中西部地区劳动力就业结构优化都具有正向影响，且对于东部地区的优化作用强于中西部地区。究其原因，东部沿海地区经济发展水平较高，产业基础雄厚，就业机会多且工资收入相对较高，吸引中高技能劳动力迁入，并且沿海地区生活成本比较高，进一步限制了低技能劳动力的就业。而中西部地区人才资源匮乏，产业发展滞后，导致人工智能的就业效应相对较弱。

表5 异质性回归结果

(2) 按要素禀赋结构划分。参考徐德云(2008)对产业结构升级程度的测算，按要素禀赋结构将地区划分为技术密集区和非技术密集区，以此说明该地区由工业化社会向信息化社会转型的程度，具体测算公

式为：

(3)

其中，xi表示第i产业产值占总产值的比例，L为产业结构升级程度。L越接近于3，说明该地区信息化程度越高，技术水平越发达，定义为技术密集区；
L越接近1，说明该地区正处于农耕文化为主的阶段，技术水平较弱，L越接近于2，说明该地区正处于工业化向信息化过渡的阶段，技术水平尚不成熟，定义为非技术密集区。根据上述测算方法，本文将2010-2019年产业结构升级程度排名前15位的省份列为技术密集区，其余省份为非技术密集区。回归结果见表5，可以看出，人工智能对技术密集区的就业结构升级具有显著的促进作用，同时对非技术密集区的就业结构升级也具有推动作用，但不显著。可见，人工智能对不同技术地区的就业结构升级均有一定的促进作用，但对技术密集区的促进作用更强。究其原因，技术密集区聚集了京津冀、长三角、珠三角等人工智能产业重心，发展速度和势头不容小觑，就业效应更为明显。

1. 门槛效应分析

由于人工智能对就业结构的影响是多维度的，可能会随人工智能应用程度的不同而产生阶段性影响。为进一步探讨二者之间是否存在非线性关系，检验人工智能发展水平的提高是否有助于增强劳动力就业结构的优化程度，本文借鉴Hansen(1999)的研究，在式(1)的基础上构建如下门槛回归模型：

Lit=α0+c1robotit·I(qit≤φ1)+c2robotit·I(φ1φ2)+α1Xit+εit

(4)

其中，qit为门槛值变量，即人工智能；
I(·)为指标函数；
φ为门槛值，φ1<φ2,其余变量和参数设置与式(1)相同。

表6显示了不同技能劳动力的门槛效应检验结果。以人工智能发展水平为门槛变量时，对低技能劳动力和高技能劳动力的影响均存在单一门槛，门槛值分别为1.4911和2.8066；
对中等技能劳动力的影响存在双重门槛，门槛值分别为1.3512和2.1645。表7的门槛效应回归结果表明，对低技能劳动力来说，人工智能发展水平在到达门槛值前，回归系数为 -0.015 且显著为负，表明人工智能对低技能劳动力就业具有负向影响；
当人工智能发展水平越过门槛值后，回归系数缩小到-0.046且在1%水平上通过显著性检验，说明人工智能发展水平越高对低技能劳动力的替代作用越明显。对中等技能劳动力来说，人工智能发展水平在到达第一个门槛值前，就业效应以替代效应为主，在跨越了第一个门槛值后，就业效应以创造效应为主，在跨越第二个门槛值后，就业仍以创造效应为主，但创造效应有所减弱。对高技能劳动力来说，人工智能发展水平在到达门槛值前，回归系数为0.069且显著为正，说明人工智能对高技能劳动力具有正向的吸纳作用；
当跨越门槛值之后，回归系数为0.062且显著为正，表明人工智能对高技能劳动力就业的推动作用略有下降，但下降幅度甚微。将不同技能劳动力综合来看，随着人工智能的发展，对劳动力就业结构的优化作用不断增强。

表6 门槛效应检验结果

究其原因，人工智能应用实质是资本深化的过程，随着人工智能发展水平的提高，其通用性、渗透性等特性会进一步扩大应用场景和行业辐射范围，作为新的生产要素逐渐替代劳动力等传统生产要素，加剧对低技能劳动力的失业冲击。同时，人工智能的快速应用引起了社会关系和结构的变化，但由于相关制度体系建设尚不完善，导致高技能劳动力就业的促进效应稍有减弱，并且人工智能发展速度要远远快于劳动力技能的更新速度和人才的培养速度，会出现技术进步与就业技能间匹配失衡的现象，也解释了对高技能劳动力的就业需求略显回缩的问题，从侧面说明了在发展技术的同时也要注重配套体系建设、加强技能培训和人才培育。另外，由于中国的人工智能发展还处于初级阶段，中等技能劳动力大多从事常规性任务，被替代的风险极大，新业态的出现为中等技能劳动力创造了新的工作岗位，表现为对中等技能劳动力需求再次增加，但中等技能劳动力是中国劳动力市场的主力军，创造的新岗位难以容纳所有被淘汰的中等技能劳动力，导致对中等技能劳动力的需求小幅下滑。

综上分析可知，人工智能对不同技能劳动力均存在门槛效应，且从整体视角来看，人工智能对劳动力就业结构的优化作用不断增强，说明人工智能对劳动力就业结构的影响具有非线性特征，且人工智能发展程度越高，对劳动力就业结构的优化作用越明显，假说2得以验证。

表7 门槛效应回归结果

2. 机制检验

前文理论分析表明，人工智能通过技术创新效应和创新人才集聚效应可促进中国劳动力就业结构高级化，为识别这两种作用机制是否存在，本文借鉴温忠麟等(2004)提出的中介效应方法，构建如下模型：

Lit=α0+cAIit+α1Xit+μi+δt+εit

(5)

Mit=β0+aAIit+β1Xit+μi+δt+εit

(6)

Lit=θ0+c′AIit+bMit+θ1Xit+μi+δt+εit

(7)

其中，M为中介变量，包括技术创新(te)和创新人才集聚(ihc)两个方面，其他变量的定义与前文一致。具体的中介效应检验流程如图2所示，另外，为确保解释变量直接效应估计的可靠性，本文在中介效应第二、三步回归中分别将另一个中介变量作为控制变量加入方程。

图2 中介效应检验流程

(1) 技术创新效应。表8列(1)回归结果显示，人工智能对技术创新的回归系数在10%水平上显著为正，说明人工智能能够显著提升技术创新水平；
列(2)、(4)、(6)分别为人工智能对低、中、高技能劳动力的回归结果，均通过了显著性检验；
列(3)、(5)、(7)分别为加入了技术创新中介变量的回归结果。其中，低技能劳动力的技术创新中介效应占比为20.4%；
中等技能劳动力不存在技术创新中介效应；
高技能劳动力的技术创新中介效应占比为12.1%，说明从整体来看，技术创新效应在人工智能与劳动力就业结构之间存在着部分中介效应，人工智能可通过驱动技术创新的方式提高技术溢价水平，增强创新效率的提升，从而改善劳动力就业结构，假说3得以验证。

表8 中介效应检验：技术创新效应

(2) 创新人才集聚效应。表9列(1)回归结果显示，人工智能对创新人才集聚的回归系数在5%水平上显著为正，表明人工智能发展有助于发挥创新人才集聚效应；
列(2)、(4)、(6)同上述技术创新中介效应检验；
列(3)、(5)、(7)分别为加入了创新人才集聚中介变量的回归结果。其中，对低技能劳动力来说，创新人才集聚的中介效应占比为33.4%；
中等技能劳动力不存在创新人才集聚的中介效应；
高技能劳动力的创新人才集聚中介效应占比为52.5%，说明就整体而言，创新人才集聚效应在人工智能与劳动力就业结构之间存在着部分中介效应，人工智能可通过提高创新型人力资本水平，释放创新动力，不断优化劳动力就业结构，假说4得以验证。

本文利用2010-2019年中国省级机器人和劳动力就业的面板数据，采用固定效应模型、门槛效应模型和中介效应模型，实证检验创新驱动下人工智能影响劳动力就业结构的作用机制。结果表明：① 基于技能偏向性理论，人工智能对中国就业结构的影响反映出中国的特殊性，推动中国劳动力就业结构逐渐趋向高级化，即人工智能替代低技能劳动力的同时提高了中高技能劳动力的就业，这一促进作用在东部地区和技术密集区更为显著。② 门槛效应检验表明，人工智能对劳动力就业结构具有非线性影响，且人工智能发展程度越高，对劳动力就业结构的优化作用越明显。③ 除直接效应外，基于创新驱动视角，人工智能还通过技术创新效应和创新人才集聚效应两个间接机制推动中国劳动力就业结构优化升级。

表9 中介效应检验：创新人才集聚效应

基于上述研究结论，本文提出如下对策建议：① 中国人工智能处于快速拓展的上升阶段，在不断加强人工智能基础设施建设的同时强化政策引导、资金支持等软环境建设。政府可适当放宽智能产业政策，以技术创新带动产业创新，出台一系列“智能+产业”融合的相关政策，加快传统产业与智能产业的融合速度。加大人工智能技术创新的发展力度，特别是关键核心技术的研发领域，大力推动人工智能在全产业、全行业的应用，加速传统产业转型升级，充分释放人工智能对就业结构优化的巨大潜能，可以有效解决目前存在的“就业难”、“招工难”、技能需求匹配失衡等现实问题。② 因地制宜制定差异化人工智能发展战略，避免盲目推进造成大规模“机器换人”带来的失业恐慌与就业市场失衡。东部沿海地区和技术密集区可积极推进人工智能产业链规划布局以期成为中国人工智能的发展范本，打造人工智能产业集群；
中西部地区和非技术密集区加大资金投入和成果转化力度，加速人工智能技术落地应用，扩大人工智能试点范围。③ 未来岗位多元化趋势明显，政府应加快转变人才培养模式，持续优化教育体系结构和劳动力素质结构。重点完善高等教育体系结构，改革教育培养模式，注重培养创新型人才，提高全社会的创新型人力资本存量。同时注重完善人才引进机制，弥补人才缺口，只要人力资本提升的速度快于技术进步的速度，就能充分发挥“人才红利”的优势，使劳动力掌握就业选择的主动权，从而推动就业结构逐渐趋向高级化。④ 劳动力在新旧职业转换过程中往往难以实现无缝对接，为降低劳动力要素重新配置花费的大量社会成本，可通过实施转岗培训、组织定期再学习提高劳动力的技能水平以满足新工作岗位的需求，建立终身学习的职业教育体系，加强人工智能领域技能型、复合型人才的培养力度，同时劳动者个人也要强化技能学习意识，积极参加线上、线下职业培训，不断提高自身素质水平，降低“技术性失业”比例。

猜你喜欢 就业结构高技能劳动力 2020年河南新增农村劳动力转移就业45.81万人今日农业(2021年1期)2021-03-19广东：实现贫困劳动力未就业动态清零今日农业(2020年24期)2020-12-15高技能人才“四元三阶六同”培养模式的实践研究装备制造技术(2020年2期)2020-12-14实施“五位一体”人才培养模式 打造高技能人才队伍中国煤炭工业(2019年5期)2019-11-04——以重庆市为例">产业结构调整与就业结构变化关系的研究
——以重庆市为例新生代(2018年16期)2018-10-21基于产业转型升级视角的中国就业结构转变研究财经问题研究(2017年3期)2017-04-24产业转型升级背景下青岛市就业人口素质与产业结构变动关系研究青岛科技大学学报(社会科学版)(2016年4期)2017-01-17我国产业结构与就业结构演进对就业问题的启示商(2016年8期)2016-04-08浅议高技能人才培养中国工程咨询(2013年2期)2013-02-13独联体各国的劳动力成本俄罗斯问题研究(2012年1期)2012-03-25