原文信息：
[1]王林辉,钱圆圆,宋冬林,等.机器人应用的岗位转换效应及就业敏感性群体特征——来自微观个体层面的经验证据[J].经济研究,2023,58(07):69-85.
1
引言
当前，人工智能正在与互联网和大数据技术深度融合，并通过机器人等智能化设备广泛嵌入各个生产环节。随着人工智能技术的不断突破，机器人在成本和效率上相较于人工劳动的优势日益显现，推动智能设备投资，降低劳动力市场需求。然而，人工智能应用对劳动力市场的影响仍存在争议。机器人应用既可能替代劳动，减少就业需求，尤其是低技能劳动；也可能通过提高生产效率和扩大生产规模创造新的就业机会。不同的研究文献对此产生了不同的观点。本文利用国际机器人联盟的数据，分析机器人应用对劳动力市场的冲击，特别关注劳动者的岗位转换和敏感群体特征。研究将聚焦于：机器人应用是否促进劳动者岗位转换，岗位转换方向的特征，以及哪些群体更容易受到冲击。此外，本文将探讨技能与岗位匹配在机器人应用对劳动岗位转换效应中的角色，为应对机器人冲击和制定就业政策提供依据。
2
理论研究与假设提出
1. 机器人应用对劳动者岗位的替代和创造效应
首先，机器人在感知、操作、学习和决策等方面的优势，使其在生产生活中得到了广泛应用，特别是在替代重复性和体力劳动方面。大量研究表明，机器人应用可以替代劳动执行任务或拓宽机器可执行的任务集，这种“任务侵占”可能导致劳动岗位的减少和劳动市场需求的下降。例如，Frey和Osborne（2017）发现，美国47%的岗位面临高度自动化的风险；而王林辉等（2022）测算得出中国19.05%的劳动者就业面临高替代风险，特别是非正式工作、低技能劳动和常规型岗位人员。
另一方面，机器人应用也会通过生产率效应和岗位创造效应，创造出更具竞争力的就业机会。例如，Autor等（2022）的研究发现，自动化创新能够显著增加新任务和新职业。基于这些分析，由此提出假设1
假说 1：机器人应用会通过岗位替代与创造效应，引致劳动者发生岗位转换。
2. 机器人应用对岗位转换的具体影响及其群体差异
机器人应用对劳动者岗位的替代效应和职业转换风险存在异质性，特别是对于低技能劳动者、女性劳动者及已育女性劳动者更为明显。文献指出，低技能劳动者由于技术水平不足，往往难以适应人工智能应用环境中的新岗位要求，因此更易被挤出劳动力市场（Aghion et al., 2020；Xie et al., 2021）。同时，女性劳动者由于其传统岗位多为重复性和常规性较强的职能型工作，受机器人和新兴技术的冲击更大。加之女性承担更多的家庭责任，导致其就业稳定性相对更低（Li & Liang, 2016），由此提出假设2
假说 2：机器人应用易引致劳动者从繁重与常规岗位，向非繁重与非常规岗位转换，且低技能、女性以及已育女性群体岗位更换可能性更大。
3. 技能与岗位匹配度对劳动者岗位转换的影响
机器人应用还可能导致技能与岗位任务要求的不匹配，从而引发劳动者的岗位转换。文献认为，当劳动者的技能与岗位任务不匹配时，尤其是在新技术应用的生产率效应无法弥补替代效应的情况下，可能会导致结构性失业（Benzel et al., 2019）。非正规就业群体的工作转换风险更高，因为这些群体的就业关系较为松散，受到新技术冲击时更易发生岗位转换。基于此，文章提出假设3
假说 3：在机器人应用过程中，劳动者技能与岗位匹配度越低，越易发生岗位转换；非正规就业群体相比于正规就业群体，岗位转换的可能性更高。
3
模型建立与数据选取
设定如下计量模型检验机器人应用的岗位转换效应：
机器人渗透度的构建公式：
表1.变量定义表
变量类别 |
变量名称 |
定义 |
数据来源 |
被解释变量 |
工作岗位是否转换 |
根据劳动者回答“现在还是从事和以前一样的工作吗？”来确定，1 表示转换，0 表示未转换 |
CLDS 2012-2018 |
|
工作岗位转换次数的对数 |
根据劳动者的工作史汇总获取后加 1 取对数 |
|
解释变量 |
机器人渗透度 |
使用“巴蒂克工具变量法”基于行业层面数据推算城市层面的机器人渗透度 |
IFR机器人存量数据与2005年全国人口抽样调查 |
机器人渗透度（对数） |
对机器人渗透度取对数处理 |
||
个体层面控制变量 |
性别 |
1 表示男性，0 表示女性 |
CLDS 2012-2018 |
婚姻状况 |
1 表示有配偶，0 表示无配偶 |
||
年龄 |
劳动者年龄 |
||
年龄的平方项 |
劳动者年龄的平方项 |
||
受教育年限 |
劳动者的受教育年限 |
||
工作流动经历 |
1 表示有工作流动经历，0 表示没有工作流动经历 |
||
城市层面控制变量 |
经济发展水平 |
用人均GDP对数表示，基于2000年为基期的GDP平减指数 |
《中国城市统计年鉴》和国家统计局 |
产业结构 |
用第二产业占GDP比重表示 |
||
互联网基础设施 |
用互联网宽带接入用户数占年末总人口的比重表示 |
||
城市人口规模 |
用年末总人口的对数表示 |
||
城镇化水平 |
用非农人口占年末总人口的比重表示 |
表2.描述性统计
4
实证检验
1.基准回归
机器人应用显著增加了劳动者岗位转换的概率和频次。当被解释变量为“是否发生岗位转换”时，采用probit模型进行估计，结果显示机器人应用水平上升1%时，劳动者发生岗位转换的可能性上升0.504%。当被解释变量是更换工作次数时，采用固定效应模型进行估计，结果显示机器人应用水平提高会增加劳动者的岗位转换次数。这表明机器人替代劳动执行任务会形成“任务侵占”，将劳动者挤出原有岗位，进而导致岗位转换的增加。此外，机器人应用还弱化了劳动者在生产中的地位，使企业更倾向于采用短期化、弹性化的用工方式，进一步促进了劳动者的岗位转换。利用2006年为基期测算的机器人渗透度的估计结果也验证了这一结论，即机器人应用会促进劳动者发生岗位转换，并增加岗位转换的频次。
表3 .基准回归
2.内生性检验
1）工具变量的构建
为了处理机器人渗透度与岗位转换之间的内生性问题，借鉴“巴蒂克工具变量法”，使用美国机器人存量数据构造了机器人渗透度作为工具变量。具体设计如下：
其中，usarobotjt表示美国h行业t年机器人存量，usaLht0 表示美国h行业基期就业人数，ljht0表示j城市h行业就业人数占比（基期为2005年）。
2）工具变量结果解读
结果显示，工具变量与中国机器人应用之间存在显著的正向关系，且弱工具变量检验的F值明显大于10，排除了弱工具变量的可能性。基于IVprobit模型的估计结果表明，在处理内生性后，机器人应用仍然显著增加劳动者发生岗位转换的概率。进一步采用2SLS模型对更换工作次数进行估计，结果显示工具变量与中国机器人应用之间仍存在显著的正向关系，且机器人应用在处理内生性问题后仍然增加劳动者岗位转换次数。这些结果表明，基准回归的结论是稳健的，机器人应用显著促进了劳动者的岗位转换及其频次。
表4.工具变量回归
3.稳健性检验
本文进一步验证了机器人应用对劳动者岗位转换影响的可靠性和有效性。首先，为排除其他自动化技术可能带来的影响，回归模型中加入了自动化专利数据作为控制变量，结果显示，机器人应用的估计系数和显著性并未发生明显变化，这说明即便在控制了其他自动化技术的条件下，机器人应用对岗位转换的促进作用依然显著。其次，考虑到数字经济的快速发展可能对劳动者岗位转换产生的影响，本文进一步引入数字经济指数进行稳健性检验。结果同样表明，控制这一变量后，机器人应用对劳动者岗位转换的影响依旧显著。
其次，为了减少序列相关性可能带来的偏误，模型在省份和年份层面进行了二维聚类，结果仍然支持基准回归的结论。此外，通过对核心变量进行1%和5%的截尾处理，结果依然稳健，进一步确认了机器人应用对劳动者岗位转换频次的显著促进作用。总的来说，这些稳健性检验结果充分说明了本文的结论在各种可能的扰动下依然成立，增强了研究的可信度和说服力。
5
影响机制和岗位转换方向
1. 影响机制检验
首先检验了机器人应用的替代效应。利用Probit模型估计，结果显示机器人应用显著提高了劳动者失业的概率，尤其是对于低技能劳动者，机器人应用的冲击会导致“技能折旧”，从而促使这些劳动者频繁发生岗位转换。接下来，检验了机器人应用的创造效应。研究表明，机器人应用能够创造新的职业机会，促进劳动者从传统职业向新职业的转换，如机器人训练师、人工智能运维师等新岗位。进一步分析发现，即使对于那些之前没有工作、现在有工作的人群，机器人应用的创造效应仍显著为正，表明机器人应用不仅会替代传统岗位，还会通过创造新岗位促进劳动者的岗位转换。
2. 岗位转换方向
在探讨劳动者岗位转换方向时，研究分别从任务的繁重程度和常规性两个维度进行了分析。首先，从任务的繁重程度来看，Probit模型的估计结果显示，机器人应用能够显著降低工作的繁重程度，使劳动任务从繁重型向非繁重型转变。平衡面板估计结果也得出了相同的结论，进一步支持了这一发现。其次，在任务常规性方面，研究结合工作内容、进度安排自由程度等因素，将劳动任务划分为常规任务和非常规任务。结果显示，机器人应用能够显著促使任务从常规向非常规方向转换，这表明机器人应用不仅改变了劳动者的岗位内容，还提升了岗位的多样性和灵活性。
表5 影响机制和岗位转换方向
6
岗位转换的敏感性群体特征
1.技能类型
将技能划分为通用性和专用性两类，分析了不同技能类型和水平的劳动者在机器人应用下的岗位转换可能性。首先，通过分组回归发现，机器人应用显著增加了低通用性技能群体的岗位转换风险，而对高通用性技能群体的影响不显著，这说明高通用性技能能够有效抵御机器人应用带来的冲击。进一步分析表明，低专用性技能群体在机器人应用下同样面临更高的岗位转换概率，而高专用性技能群体的就业相对稳定。这表明，专用性技能有助于维持稳定的雇佣关系。整体上，低技能劳动者更容易被机器人替代，如果缺乏再技能化的机会，他们可能会被边缘化，成为辅助型劳动力，面临更高的岗位转换风险。
表6岗位转换的敏感性群体特征：技能通用性和专用性
2.性别和已育状况
性别异质性分析显示，女性在机器人应用下的岗位转换风险显著高于男性，特别是已育女性。这是因为中国传统文化中，女性通常承担更多的家庭照料责任，这导致她们的工作转换风险更高。同时，已育女性因生育和照料子女的责任，工作效率和生产力下降，加上劳动力市场的母职歧视，使她们在新技术冲击下更容易发生岗位转换。进一步分析显示，无论按通用性还是专用性技能划分，机器人应用均显著增加了低技能女性群体的岗位转换风险，而对高技能女性群体的影响不显著。这表明，机器人应用总体上提高了女性的岗位转换可能性，但高技能女性群体因其认知能力和技能优势，较少受到岗位转换的影响。
表7 岗位转换的敏感性群体特征：性别和已育状况
7
进一步分析
1.岗位—技能匹配度
当劳动者的技能与岗位需求高度匹配时，岗位转换的可能性较低，雇佣关系更为稳定，劳动者的就业更能经受机器人应用的冲击。然而，如果劳动者的技能与岗位需求不匹配，机器人应用会优先冲击这些群体，增加他们的岗位转换可能性。此外，当劳动者技能水平高于现有岗位的需求（技能剩余）时，这类群体也可能因寻找更好的就业机会而发生岗位转换。
表8 机器人应用与岗位 － 技能匹配度
2.就业正规性
本文通过不同方式衡量非正规就业，研究发现机器人应用显著提高了非正规就业群体的岗位转换可能性。这可能是因为机器人应用能够分解、分包和重组工作任务，使得企业用工方式更加灵活和分散，导致传统的正规雇佣关系被零工或自由职业等非正规就业形式替代。因此，由于非正规就业群体的技能水平普遍较低，专用性技能积累有限，劳动关系松散，他们在机器人应用冲击下更容易发生岗位转换。
表9 机器人应用和就业正规性
8
结论与建议
结论：
Ø岗位转换效应：机器人应用通过替代效应和创造效应增加劳动者的岗位转换可能性和频次，导致劳动者从繁重向非繁重岗位、常规向非常规岗位转换。
Ø敏感性群体特征：低通用性和低专用性技能的劳动者、女性特别是已育女性，更容易在机器人应用下发生岗位转换。已育女性因“母职惩罚”现象面临更高风险。
Ø技能匹配度：当劳动者技能与岗位要求不匹配（如“技能剩余”）时，岗位转换可能性更大。非正规就业群体相比正规就业群体，更易发生岗位转换。
政策建议：
Ø规划智能化发展进程：地方政府应根据地区要素禀赋和劳动力市场结构，合理规划人工智能应用的深度与广度，防止过度自动化导致的大规模失业。政府应鼓励企业开发人机互补的技术，保证生产率的提升同时避免就业不稳定。
Ø提高劳动者技能：政府应关注劳动力市场的技能需求，通过学校教育、职业教育和社会培训相结合的方式，提高劳动者的通用性和专用性技能。应加强与企业合作，提升学生专用性技能，鼓励劳动者学习数字化技能以应对人工智能冲击。
Ø就业帮扶与政策倾斜：政府应为低技能劳动者、女性特别是已育女性等就业弱势群体提供针对性的技能提升和就业机会。通过就业指导、培训和信息推介，提高弱势群体的再就业能力，健全社会保障体系，帮助他们顺利渡过技术冲击期。
Ø非正规就业保障：政府应完善非正规就业群体的劳动保障制度，加强平台企业用工合规监管。通过健全社保制度、强化平台用工监管和建立常态化信息管理，保障非正规就业群体的权益，促进更高质量的就业。
