人工智能技術應用的職業替代效應

龔 遙, 彭希哲

(1. 復旦大學 社會發展與公共政策學院，上海 200433；2. 復旦大學 人口與發展政策研究中心，上海 200433)

一、前言

工業革命以來，科技進步作為構成經濟增長的重要因素之一[1]，不斷提升勞動生產率，重構社會形態，已逐漸成為推動經濟發展的關鍵變量。進入21世紀，人工智能技術的快速發展使智能機器的應用范圍正逐步向工作任務縱向及不同行業橫向拓展，其應用對生產領域產生的潛在影響可能將遠超傳統機器[2]。

對中國來說，雖然人工智能領域的技術進步降低了機器的使用成本，削弱了勞動力成本優勢，但是中國龐大的人才儲備、海量數據以及豐富的應用場景又為人工智能提供了優越的發展環境，妥善地處理人工智能發展與社會的關系，趨利避害，就能使之成為中國實現跨越式發展的重要推手[3]。自2017年始，中國政府先后在《政府工作報告》、《新一代人工智能發展規劃》、《促進新一代人工智能產業發展三年行動計劃(2018—2020年)》等多個政策文件中，重點關注了人工智能領域的發展，體現了政府對這一問題的高度重視。

但是，技術在推動社會進步發展的同時，也會產生諸如“技術性失業”、“創造性破壞”等問題[4-5]，工業革命初期，某些底層勞動者通過打砸機器的方式抵制大機器生產的推廣，爆發了諸如斯溫暴動、盧德工人運動等社會運動，從而成為影響社會穩定的重大威脅。現有研究表明，人工智能技術在工作能力上的發展潛力可能大于傳統機器，這也意味著其對人類勞動擠出效應的影響力與范圍將更大更廣，所產生的失業問題可能更為嚴重[6-7]，中國龐大的就業人口規模與就業壓力會進一步放大技術性失業與創造性破壞風險對社會穩定的不利影響。因此，了解人工智能技術的發展現狀，評估當前職業的潛在替代風險及分布，就具有極為重要的政策價值。

本文研究的智能體是指人工智能程序或搭載著人工智能程序的機器人系統(1)一般來說，人工智能(Artificial Intelligence)是指能夠匹配或超越人類能力的一整套技術，特別是那些涉及認知的技術，使其能夠以通常需要人類智能的方式學習和解決問題，將具有人工智能的系統簡稱為機器人，它與目前在某些生產過程中使用的(通常是復雜的)單一用途機器截然不同[8-10]。，該智能體應當能夠自我控制，可重復編程，具有多目的性[11]。本文嘗試從智能體的職業能力等級體系構建出發，尋找影響智能體對當前職業的人類勞動力技術替代可能性的閾值性指標，采用隨機森林算法，對當前職業的潛在替代風險與分布特征進行預測分析。

二、文獻回顧

自1956年提出以來，人工智能共經歷了三波發展浪潮，國外學者在人工智能領域著述頗豐，相比較而言，國內的研究尚處起步階段，但也已成為近幾年來的學術熱點。本文對人工智能領域的文獻回顧將從技術進步與人工智能對就業的影響，以及人工智能與老齡化的互動三個方面展開。

1.技術進步與就業

近年來，在技術進步的就業效應上，一部分學者通過失業與技術進步的關系模型進行研究后認為，技術進步在就業方面主要表現為較強的破壞效應，總體來看技術的進步增加了失業人數，技術進步規模越大，對就業帶來的破壞效應就越明顯[12-14]；但另一部分學者在對就業效應理論進行就業結構與技術進步類型的兩個方面擴展后發現，技術進步對就業具有多種效應補償機制，雖然短期看摩擦性失業將增加，但長期不會對就業產生破壞性影響[15-17]。

與國外研究類似，在技術進步與就業的互動關系上，一部分國內學者認為技術進步對勞動力就業具有正向作用，能夠有效創造就業，緩解失業的壓力[18-19]；另一部分學者則認為，技術進步對勞動力就業具有負向作用，將抑制就業增長，增加就業壓力[20-22]；也有學者綜合分析了兩個方面的影響，指出短期看替代效應更為顯著，但長期上看，創造效應將占據主導地位[23-25]。

2.人工智能與就業

進一步聚焦到人工智能對就業的影響方面，雖然在達到人類認知水平的人工智能是否以及何時出現等問題上仍存在爭議[26-27]，僅僅以當前的技術水平來看，作為自動化延續的人工智能也將對現有勞動力供給產生重大影響。

一部分學者從機器勞動與人類勞動的模型構建角度分析兩者之間的互動關系[28-29]，主流觀點認為兩者之間同樣存在替代與創造效應[29-31]。其中，學者重點關注了替代效應，并對被替代職業的分布進行測算，就已有的研究結果來看，研究對象的總體被替代概率在5%至55%之間[30-33]。

隨著研究的深入，學者認為人工智能技術的應用對不同收入、受教育程度、年齡段群體的影響存在異質性，具體來說，對中低收入、中低技能、中低受教育程度的年輕勞動力更多地可能表現為替代效應，而對高收入、高技能、高受教育程度的年長勞動力更多地可能表現為互補效應，而在職業分布方面，兼職與產品生產中的常規勞動，交通運輸和物流行業，辦公室和行政支持以及產品生產部門的勞動力則具有極大的被替代風險[34-36]。

國內學者大多支持，人工智能與人類勞動存在替代與補償效應的觀點，其中，勞動密集型企業更多體現替代效應，技術與資金密集型企業更多體現了補償效應[37]。對整體就業而言，一部分學者指出，在替代效應與抑制效應的綜合作用下，就業總量將保持基本穩定[38]，而另一部分學者則認為，雖然短期內人工智能技術尚處于導入期，對就業的影響有限，但長期就業效應不容樂觀[24]，根據最新的測算，人工智能技術的應用將導致中國70%—76%的就業人口受到沖擊[39]，而高水平的學歷教育則能夠有效緩解人工智能的就業替代壓力[40]。

3.人工智能與老齡化

考慮到日益突出的全球老齡化趨勢，人工智能技術與老齡化社會的互動同樣是學者關注的焦點。國外研究發現，老齡化會促進工業機器人和自動化技術的應用，提升整體的自動化水平[41]，這似乎表明，有效的技術應用是幫助人口老齡化國家取得較好經濟表現的工具[42]，究其原因，部分學者認為，老齡化的趨勢下，勞動力成本傾向于上升，這將促進勞動力成本節約型的機器人使用[43]，但是，正因為機器人的介入替代了部分工作，降低了消費需求，導致人口老齡化并未增加年輕工人的勞動力需求[44]。

國內學者在這一問題上的研究尚處于起步階段，部分學者基于跨國面板數據和中國省級面板數據的研究發現，老齡化導致的勞動力短缺會促使經濟體更多應用智能化生產，人工智能與勞動力之間是“補位式替代”而非“擠出式替代”[45]，這一結論和國外研究相類似。

梳理已有文獻可知，當前人工智能與人類勞動的互動關系問題尚無定論，就目前研究來看，主要存在兩個方面的遺憾：第一，人工智能應用對中國就業市場影響問題的實證分析較少。第二，學者更多地從宏觀角度分析這一問題，對中微觀特別是職業角度的研究較少。本文將借鑒國內外研究經驗，嘗試性探討當前人工智能技術應用引發的就業市場特別是中國就業市場中各職業的潛在替代風險，并就此引發的社會影響展開初步探討。

三、閾值性指標的選取

雖然計算機原理與人腦思維邏輯并不相同，但模擬人類思維的傾向卻一直影響著計算機理論實踐的發展，例如模擬人類使用筆在紙帶上書寫計算的圖靈機、模擬人腦神經結構的神經網絡模型，等等。這一思想同樣影響著人工智能技術的發展，不論是符號主義、連接主義還是行為主義，大都認可人腦與人工智能系統在某種程度上的共通性[46]，因此，從某種意義上說，智能體與外界環境的交互過程和人類的決策—行為流程是大體一致的[47]。具體來看，若將這一過程分解為信息的輸入、分析與輸出三個階段，智能體的信息輸入類似于人類的信息獲取，通過各種傳感器和雷達激光等系統獲取外部信息，同時，信息分析系統將獲取的信息經過處理后形成可被分析的數據，結合資料的檢索通過推理對問題進行識別分類與決策判斷，這類似于人類大腦信息處理環節中的轉碼、解碼與推理過程[48]，最后，信息輸出系統將決策通過執行器，以有形或無形的形式作用于外部世界，對應人類活動中包括精神與物質行動在內的具體行為。

而作為決策—行為流程的一部分，假設工作內容不存在顯著差異，那么，在完成工作任務時，智能體與人類勞動者也具有一定的可比性，具體來說，人類勞動者在執行職業工作任務時，需具備多樣化的能力，例如，教師既需要具備基本的聽、說、讀、寫行動等能力，還需要具有判斷、鼓勵等能力以及相關的知識儲備。而對智能體來說，同樣需要具備類似的能力，在就業市場上，可以將智能體視為一個具有職業能力的類人類勞動者，討論智能體對人類勞動的替代問題，就是討論智能體相關職業能力的技術可行性問題，若智能體在技術上難以達到所涉及的某個職業中一項工作能力要求的標準，這一能力則為閾值性能力，對需要這一能力的職業來說，人類勞動力更不易被替代，反之，則增加了替代這部分人類勞動力的技術可能性。

米迦勒(Michael)等在分析機器人的工作能力時，將工作所需人類能力按照有利于對應機器人能力的方式細分為包括感官知覺、已知模式/類識別等18種能力，并分別評價了當前技術相較于人類平均水平的能力等級，其中，“高”表示超過人類平均水平，“中”表示與人類平均水平基本相當，“低”表示低于人類平均水平[49]。本文借鑒前人研究將工作能力按照智能體與外界環境交互的三個階段進行分類，具體可見表1。

表1 智能體的工作能力及其等級

注：當前的技術能力等級是指在商業應用、研發或學術研究中表現出來的技術能力水平。

其中，智能體在執行工作任務時，信息輸入系統中的傳感器會將獲取的信息轉化為能被計算機理解的數據，隨后這部分數據將繼續傳導至信息分析系統，提取數據中的關鍵特征，對需要分析的問題、對象進行分類，并根據需要進行的工作內容完成其他前期的準備工作，包括交互過程中的自然語言理解、社交情緒感知等，在整個分析過程中，需要從網絡或系統檢索調取相關資料幫助分析，運用邏輯推理、社交情緒推理以及創造力進行推理，最后，根據推理輸出決策，包括工作時與他人的互相協調、選擇最優規劃、路線導航、社交情緒的表達、自然語言與非自然語言的表達等無形輸出以及弱力量控制、強力量控制、移動等有形輸出。

表2 閾值性指標選取

基于前人研究的經驗與最新的技術成果，本文選取了智能體能力等級被評價為低的工作能力為閾值性指標，并以此作為模型訓練與預測的特征變量，分析人工智能發展背景下，當前職業的技術替代風險，其中，研究僅從技術可行性出發，并未考慮替代的經濟可行性、社會接受程度等因素。選取的閾值性指標如表2所示。

四、人工智能對職業的技術替代風險測算與分析

1.方法及模型選擇

弗雷和奧斯本(Frey & Osborne)使用貝葉斯分類器方法預測了機器自動化背景下美國職業的被替代概率[30]，這一方法也被其他學者廣泛采用，但是，一方面，Logistic回歸要求單位解釋變量的事件(EPV)值應大于10，否則其結果極有可能難以收斂[50]，另一方面，不同特征變量的指標之間不應具有相關性，否則將降低模型預測的準確性。弗雷—奧斯本模型中EPV值僅為4.1，且其所選的指標談判(negotiation)與勸說(persuasion)高度相關，因此，研究的預測結果存在過擬合風險，其余使用相同方法的文獻亦存在類似問題。

為降低因分類方法缺陷而產生的過擬合風險，本文將選擇隨機森林分類器法對這一問題進行預測分析。相比較而言，隨機森林算法作為決策樹模型的一個分支，它采用樣本與特征向量的隨機選擇方法構建m棵CART決策樹，形成隨機森林，通過少數服從多數等投票方式決定數據的類別，該方法能夠處理高維度數據，有效降低因數據相關與特征變量過多導致的過擬合風險[51]，在小樣本訓練集預測大樣本測試集時具有良好的穩定性與準確性[52]。隨機森林算法的分類步驟主要包括以下方面。

首先，從訓練數據中以重采樣方式選取子樣本，即裝袋，并在袋外留下約33%的樣本。

其次，在每個節點p上，隨機選擇多個特征變量，考慮變量k和拆分點s，以最小化平方誤差之和的方式生成最佳的二分結構，從而將節點分成兩個子節點，公式如下：

(1)

最后，重復上述過程，建立m棵CART決策樹，根據數據單個決策樹單獨輸出結果，m個決策樹通過投票的方式獲得最終的評估類別與相應概率[50]。

2.數據與特征向量的選取

由于國內職業數據庫無法滿足本文研究對特征變量的數據要求，因此，本文將采用美國O*net(The Occupational Information Network)2018年數據庫，該數據庫是在美國勞工部/就業和培訓管理局支持下開展的O*net項目的核心部分，覆蓋了美國967個具體職業。其中，每個職業中包含了任務(task)、技術技能(technology skills)等17項信息。作為國際研究相關問題的常用數據庫，美國O*net數據庫為本文的研究提供了必要的數據支持。

表3 特征向量指標選取

表4 特征變量的描述性統計

基于前面理論分析可知，當前人工智能發展在涉及工作的社交情緒認知、自然語言理解等九個方面依舊存在表現不及人類平均水平的問題，將這幾項閾值性能力作為隨機森林算法的特征變量能夠實現對特定崗位被替代風險的預測，因此，本文將從O*net數據庫中篩選出能夠反映上述變量的閾值性指標，以構建相應的訓練集與測試集。

具體指標的選取參見表3，其中，考慮到指標的可得性，邏輯推理與社交情緒推理歸類至一類閾值性能力，所選指標的定義可參考O*net數據庫指標體系的詳細說明。

3.數據處理

本文基于美國O*net數據庫，選取了社交認知(socialperceptiveness)、說服(persuasion)等16個指標作為隨機森林分類器的特征變量，每個特征變量指標分為等級(level)與重要性(importance)兩個評分列表，分別表示在該職業中，完成某一職業任務所需的對應能力的技能要求等級與對完成職業任務的重要程度。為研究需要，將所選指標level與importance兩數據列合并為單一數據列，同時，在討論智能體的職業替代風險時，本文認為智能體在某項能力的表現達到該職業的技能要求等級是職業被替代的前提，此后，才需考慮該技能對職業任務完成的重要性，因此，職業技能的level值比importance值更為重要，在合并值計算時，level值的權重將更大，本文參考布林德(Blinder)在分析美國職業離岸率時采用的數據合并方法進行計算[53]：

(2)

同時，為提高模型預測結果的準確性與可靠性，需要對各特征變量的值進行歸一化處理，本文采用線性歸一化方式進行處理，所得結果的描述性統計見表4。

作為一種監督式機器學習工具，在使用隨機森林分類器進行預測時，需要建立具有標簽變量的訓練集，一般來說，國外在研究此問題時會采用德爾菲法，選取一部分職業，并組織相關領域專家進行0，1評價，認為會被替代的職業標簽為1，認為不會被替代的職業標簽為0，本文借鑒前人研究的經驗，將其他學者所選的職業及對應標簽作為本文研究的職業替代性標簽變量，共選取了75個職業，其中40個職業的標簽值為1,35個職業的標簽值為0，具體的職業選擇可見表5和表6。

表5 標簽值為0的職業

4.實證結果與分析

(1) 美國職業分類的替代概率結果及分析。通過特征變量與標簽變量的選取，本文構建了包含75個樣本的訓練集與967個樣本的預測集(2)弗雷和奧斯本使用了包含70個樣本的訓練集預測美國職業數據庫中的702個職業[30]，戴維使用了包含69個樣本的訓練集預測日本職業數據庫中的499個職業[32]，而2018年O*net數據庫的可分析職業增加至967個，因此本文將對967個職業展開預測分析。，使用Python軟件調用隨機森林算法對訓練集進行訓練并預測967個職業的替代風險，本文采用袋外正確率(OBB score)(3)使用未被納入模型預測的樣本進行類別預測(大約占樣本總數的1/3)，將被正確分類的樣本個數占樣本總數的比率作為袋外正確率。指標，訓練集正確率與全樣本的測試樣本正確率得到的模型平均預測準確率為91.6%，預測的基本結果如表7所示。

表6 標簽值為1的職業

表7 職業潛在被替代風險測算結果示例

一般來說，可以將工作任務分成程序性認知任務、程序性體力任務、非程序性認知任務與非程序性體力任務四類[54]，由表7可知，與第一、二次工業革命不同，在人工智能技術的影響下，潛在被替代崗位不僅僅局限于簡單體力勞動相關職業，其影響范圍已從程序性體力勞動(routine motor task)向程序性認知勞動(routine cognitive task)擴展，大量原屬于程序性認知勞動的白領職業有較高的潛在替代風險，例如保險理賠員，法律秘書等，這類職業的工作內容雖然屬于認知性活動，但其工作流程與任務存在大量技能要求較低的重復性勞動；相比較而言，非程序性認知勞動的潛在替代風險仍較低，包括研究崗位、社交崗位、管理崗位、專業性崗位等，例如狩獵巡查人員、皮膚病學家等，這類職業需要在復雜的環境中處理特殊性問題，就當前人工智能的技術水平看，替代尚存在一定困難，上述分布趨勢與大多數學者的判斷基本一致。

圖1 不同職業集(Career Cluster)的職業替代風險分布注：AF&N 指代農業、 食品&自然資源(Agriculture, Food & Natural Resources)， A&C 指代建筑與施工(Architecture & Construction )， AA/VT&C 指 代 藝 術 ， 音 / 視 頻 技 術 & 通信(Arts, Audio/Video Technology & Communications)， BM&A 指代商業管理與管理(Business Management & Administration)， E&T 指代教 育與培訓(Education & Training)， G&PA 指代政府&公共管理(Government & Public Administration)， IT 指信息技術(Information Technology)， LPSC&S 指法律、公共安全、矯正和安保(Law, Public Safety, Corrections & Security)， STE&M 指科學、技術、工程和數學(Science, Technology, Engineering & Mathematics)， TD&L 指運輸、配送和物流(Transportation, Distribution & Logistics)。

圖1反映了14個職業集的潛在替代風險分布，其中，交叉線表示該職業集均值所處的位置，橫線表示中位數所處的位置，矩形表示各職業的潛在替代風險分布的集中區域，各個線段的兩端則是職業潛在替代風險的上下限，由圖1可知，不同職業集的職業潛在替代風險存在明顯異質性，其中，教育與培訓(Education & Train)職業集的職業潛在替代風險的均值最低，制造業(Manufacturing)職業集的職業潛在替代風險的均值最高。

為方便與弗雪和奧斯本的研究進行比較，本文借鑒前人分類方法，將職業的潛在替代風險分別按照(0，0.3]、(0.3,0.7]、(0.7,1]分為低、中、高風險職業，對比結果可見圖2。

圖2 本文與弗雷和奧斯本的研究結果對比(比重)

由圖2可知，相較于本文研究，弗雷和奧斯本研究中的高風險職業比重更高，而中風險與低風險職業比重更低[30]，這可能是由于其方法引發的過擬合問題以及高估人工智能發展水平等因素導致的[33,55]。

國外學者在研究人工智能對職業的替代性影響時，常用基于職業層面研究方法(occupational-based approach)與基于工作任務層面方法(task-based approach)研究相關問題，結果表明，在高風險職業占比方面，基于工作任務層面方法的預測結果遠低于基于職業層面方法的預測結果[33,56-57]，相比較而言，本文的研究結果也更接近基于工作任務層面方法的研究結論。

(2) 中國職業分類的替代風險結果及分析。在使用O*net數據庫分析美國職業在人工智能技術沖擊下的潛在被替代風險后，本文嘗試分析人工智能發展對中國當前職業的影響。由于中國國家職業資格管理數據庫(4)該數據庫是由中華人民共和國人力資源和社會保障部職業能力建設司主持的國家職業資格管理數據庫項目，包括了國家職業分類、國家職業標準、國家題庫、組織實施機構、資格證書查詢、質量監督、政策發文、法律法規等內容，其中職業分類目錄包含了8大類，66中類，413小類以及1912細類(職業)，每個職業包含了簡單的職業描述及主要從事的工作等信息。中僅包含各職業名稱及簡單的主要工作內容等信息，無法直接利用該數據庫預測中國職業的潛在替代風險，因此，本文嘗試從中美職業匹配的角度獲得中國職業的潛在替代風險值。

客觀來說，因產業發展水平、歷史等因素的影響，中美兩國在職業分類、結構等方面存在明顯差異(5)美國O*net數據庫將職業分為14個職業集群(Career Cluster)，73個職業路徑(Career Pathway)，967個職業(Occupation)。。但是，一方面，中美職業分類標準皆參考了國際勞工組織頒布的國際標準職業分類，具有一定的共性；另一方面，國內外學者也已嘗試使用類似數據庫分析他國相關問題[33,39,49]，考慮到研究的必要性，本文亦將通過職業匹配的方式研究中國的潛在職業替代風險問題，并假設匹配后兩國的職業在工作內容、能力要求上并無顯著區別。

為盡量提高職業匹配的準確性，降低工作難度，本文將基于以下原則進行分類：第一，將美國的職業匹配至中國的職業小類；第二，對兩國名稱相同或類似的職業，在對比兩國職業介紹后，直接歸入相應中國職業小類；第三，對于兩國名稱完全不同的職業，將基于中國職業小類中各職業細類的工作內容與美國職業的相關信息綜合判斷，確實不存在的，則用美國最相關職業代替；第四，對于中國職業小類中類似于“其他工程技術人員”的情況，考慮到職業中類與大類都存在“其他……”，若職業小類的“其他……”類別無具體職業，則該類別為空，反之，則正常歸類；第五，對于中國職業大類中“不便分類的其他從業人員”，則將美國職業中確實無法對應于中國職業小類的皆歸至此類。具體匹配結果的數量統計參見表8。

表8 中美職業匹配結果

將美國職業歸類至相應的中國職業小類后，由于未分到職業細類，因此，各職業小類的潛在替代風險等于被歸類的相應美國職業潛在替代風險的平均數，依次得到分職業小類的中國職業潛在替代風險數據；同時，將某一職業小類就業數占該職業中類就業數的比例作為權重(6)本文的中國職業就業量數據選取自2010年中國人口普查資料中的“分性別、職業小類、周工作時間的正在工作人口”數據表，其中，若職業小類中“其他……”類別未分配職業，則該類別就業量將平均分至該職業中類中的其余各職業小類。，乘以對應的職業小類的職業潛在替代風險就得到相應的職業中類的職業潛在替代風險；以此類推，得到職業大類的職業潛在替代風險與中國整體的職業潛在替代風險。

基于美國職業匹配的中國職業的分職業中類與職業大類的潛在被替代風險如圖3和圖4所示。

圖3 分職業中類的職業潛在被替代風險

由圖3可知，管理，培訓教育，專業技術，宗教職業等社交性、專業性要求較高的職業的潛在替代風險較低，而生產制造，物流運輸等重復性、程序性任務較多的職業潛在替代風險較高，其中，郵政和電信業務人員，煙草及其制品加工人員，金屬冶煉、軋制人員等18個職業中類的潛在職業替代風險超過了70%。這一趨勢和美國職業的潛在被替代風險分布趨勢基本一致。

圖4 分職業大類的職業潛在被替代風險

從職業大類看，如圖4所示，生產、運輸設備操作人員及有關人員，農、林、牧、漁、水利業生產人員的職業潛在替代風險均超過60%，而國家機關、黨群組織、企業、事業單位負責人，專業技術人員的職業潛在替代風險均低于40%，這一結果顯示，一方面，第一、二、三次工業革命引發的勞動力從第一產業到第二產業，再到第三產業的轉移趨勢仍將持續；另一方面，人工智能對當前職業的沖擊將不僅局限于第一、二產業，包括商業、服務業人員，辦事人員和有關人員在內的其他職業也將受到人工智能發展的顯著影響。

從總體來看，未來20年的時間里，基于2010年全國人口普查的職業大類就業人口的加權表明，中國職業整體的替代風險為59.5%，即假設就業結構不發生大的變化(7)這當然是不可能的，實際上，隨著人工智能技術在各行業的廣泛應用，其就業結構將逐漸發生變化，所影響的就業人口比例也將發生變化，但其總的判斷趨勢是不變的。，大約59.5%的中國就業崗位在未來20年后將受到來自人工智能技術的沖擊。即使僅統計替代風險高于70%的18個職業中類的2010年就業人口，這一就業比例也將高達15.11%，可見，人工智能技術的發展應用對中國職業與勞動力的影響不容忽視。

但是，本文的測算結果遠低于陳永偉、許多的研究結論，他們研究認為未來中國將有70%甚至76%的就業崗位受到沖擊[39]。兩者結果的差異與分類方法選取以及對人工智能技術發展水平估計的不同密切相關，陳永偉、許多的研究建立在弗雷和奧斯本的研究基礎之上，一般來說，隨機森林分類器較貝葉斯分類器具有更低的過擬合風險，且本文對當前人工智能技術的發展水平的估計更為謹慎，因此，其結果可能更貼近現實情況。

(3)中國潛在職業替代風險與受教育程度、收入水平的關系。就傳統自動化與受教育程度、收入水平的關系來看，部分學者認為，自動化對高收入、高教育程度勞動力的影響遠低于中低收入、中低教育程度的影響，那么對于中國來說，人工智能技術引致的職業潛在被替代風險與就業人員的受教育程度、收入水平的關系又如何？本文嘗試使用中國勞動力動態調查數據(CLDS)對其進行初步的分析。

中國勞動力動態調查是由中山大學主持，包含了中國城鄉家庭、勞動力個體動態追蹤調查數據，并對勞動個體的收入、受教育程度等信息按照職業小類、中類與大類進行了分類統計，本文使用2012年中國勞動力動態調查相關數據進行分析，在剔除了異常值后，職業的潛在被替代風險與受教育等級部分的有效職業樣本數為216個，職業的潛在被替代風險與收入水平的有效職業樣本數為222個。

在教育方面，由圖5可知，總體來看，當前職業的受教育程度與職業的潛在被替代風險負相關，職業小類的勞動者受教育程度越高，其職業潛在被替代風險越小，反之，其職業潛在被替代風險越高，這表明接受更高水平的教育依然是勞動者在未來保持就業競爭力的重要手段。

圖5 職業的潛在被替代風險與受教育程度散點圖

圖6 職業的潛在被替代風險與收入水平散點圖

在收入方面，由圖6可知，總體來看，當前職業的收入水平與潛在的職業被替代風險負相關，但R2方僅為0.09，表明這種負相關關系并不穩定，還需進一步分類研究，實際上，就收入來說，大量的白領職業屬于中等收入階層，但其中一定比例的職業崗位存在較高被替代風險，當然，低收入的群體同樣存在較大的被替代風險。

五、研究結論及啟示

1.研究結論

本文借助隨機森林分類器法，基于O*net數據庫與前人研究，構建特征、標簽變量，預測了當前人工智能技術影響下職業的潛在被替代風險，同時，匹配了中美兩國職業，分析了中國職業的潛在被替代風險分布，并初步探索了其與職業的受教育程度、收入水平的關系，初步得出了以下兩點結論。

第一，基于O*net數據庫的潛在職業替代風險預測結果以及與中國國家職業資格管理數據庫的數據匹配結果表明：首先，就具體職業或職業中類來說，包括某些白領在內的程序性、重復性認知或體力任務較多的職業將會受到更大的沖擊，而包括研究崗位、社交崗位、管理崗位、專業性崗位在內的非程序性認知或體力勞動的潛在替代風險則較低；其次，就職業集群或職業大類來說，制造業，運輸分配物流職業群或生產、運輸設備操作人員及有關人員等職業大類的潛在替代風險均值最高，而培訓教育，科學、技術、工程與數學職業群或國家機關、黨群組織、企業、事業單位負責人等職業大類的潛在替代風險均值最低；最后，就整體來看，處于高替代風險的職業數占當前職業總數的24.7%，同時，經過就業人口加權的中國職業替代概率為59.5%，即未來大約59.5%的中國就業崗位將受到人工智能的沖擊。

第二，基于中國職業潛在替代風險與受教育程度、收入水平關系的初步分析結果表明：首先，從受教育程度來看，該職業從業人員的受教育程度與職業的潛在替代風險呈現負相關關系，隨著該職業從業人員受教育程度提高，其職業的潛在替代風險在下降，教育依然是未來勞動力維持就業市場競爭力的重要手段；其次，從收入水平來說，該職業從業人員的收入水平與職業潛在替代風險的負相關關系并不明顯。實際上，由于大量程序性認知勞動存在于某些中等收入的白領群體之中，特別是在財務金融領域，而這部分群體的潛在職業替代風險較高。因此，在日新月異的現代社會，傳統的中高收入群體并非高枕無憂，人工智能將對當今社會的各個領域產生全方位沖擊。

2.研究啟示

人工智能的介入既延續了傳統體力自動化的過程，又開啟了全面智力自動化的過程，進一步重構了未來就業市場的供給結構，從而對勞動力與就業市場產生深遠影響，具體來看，可以從以下四個方面進行闡述。

(1)傳統的勞動力市場變化趨勢將得到延續。從就業的產業結構看，過去的兩百多年間人類社會的勞動力流動經歷了從農業、手工業到工業再到第三產業的變化，第一、二產業就業比重逐漸下降，第三產業就業比重持續上升。數據顯示，中國第一、二產業的就業比重從2000年的50%與22.5%降低至2017年的27%與28.1%，第三產業的就業比重則從27.5%上升至44.9%(8)根據國家統計局相關年度數據測算得出。，但同期美國第一、二、三產業就業占比分別為0.3%、10.35%、89.35%(9)根據美國勞工局公布的國家職業就業量統計數據中“Farming, Fishing, and Forestry Occupations”職業項就業量占總體職業就業量的比重，“Production Occupations”、“Construction and Extraction Occupations”就業量占總體職業就業量的比重，與其余職業項就業量占總體職業就業量的比重得出。?？紤]到人工智能技術的推動，未來中國仍將總體延續這一趨勢。

研究表明，人工智能技術對職業的影響是全局性的，但是，第一、二產業相關職業受到的沖擊最大，大量潛在被替代風險高于70%的當前職業分布在第一、二產業，相比較而言，第三產業的總體職業潛在被替代風險仍較低，因此，第一、二產業的勞動力將進一步轉移至第三產業。根據保守測算，中國15.11%的就業群體主要從事于當前潛在被替代風險高于70%的職業中類崗位，涉及約1.15億的就業人口(10)根據2010年第六次全國人口普查數據，2010年中國就業人口7.611億，當然，因未來就業結構的不同，其結果也不盡相同。?？紤]到未來技術替代成本的降低導致的智能體的大量引入以及老年勞動力的退出，未來這類職業的勞動力需求與規模將進一步減少，因此，其影響規模將低于這一估計值，但是，對于依舊從事該類職業的從業人員來說，在未來15—20年將面臨日益嚴峻的失業可能性，從而給再就業工作造成一定壓力。

就第三產業來說，其內部不同職業之間的潛在被替代風險也存在差異，郵政電信、辦公室文員等職業的從業者面臨極大的失業風險，數據顯示，職業分類中，郵政和電信業務人員的潛在被替代風險達82%，倉儲人員的潛在被替代風險也達到71%，而管理、教學、研究等職業的被替代風險較低，其中企業負責人的潛在被替代風險為16%，科學研究人員的潛在被替代風險則為25%，因此，第三產業的內部職業分化也將加劇，那些涉及管理、研究、生命安全的醫療護理職業以及強調心理舒緩等工作的社交撫慰型職業[58]，將會繼續保持旺盛的勞動力需求。

(2)生產、運輸設備操作人員及有關人員將面臨較大替代風險。 根據預測結果與歷史經驗，在當前職業體系中，雖然會被 AI 完全替代的職業僅占極小的 一部分，但即使不考慮新職業，因在提升生產效率上的顯著優勢，人工智能技術的應用將極大降低第一、二產業與部分第三產業對人類勞動力的需求，減少傳統職業的崗位數。

就目前研究結果來看，勞動力需求降低幅度最大的職業大類可能分布在第二產業的生產、 運輸設備操作人員及有關人員相關職業之中，其平均潛在被替代風險達 68%，其次則可能分布在第一產業的農、林、牧、漁、水利業生產人員相關職業之中，相比較而言，第三產業的國家機關、黨群組織、企業、事業單位負責人相關職業以及專業技術人員相關職業所受影響較小，其平均潛在被替代風險僅分別為15%、35%。而結合當前勞動力年齡結構數據的分析可以發現，未來生產、運輸設備操作人員及有關人員將面臨較大替代風險。

具體來說，生產、運輸設備操作人員及有關人員的從業人員數量僅次于農、林、牧、漁、水利業的相關職業，45歲及以上年齡段及44歲及以下年齡段占中國從業人員比重分別達14%和27%，同時，45歲及以上年齡段僅占該職業大類從業人員的22%(11)根據2010年第六次人口普查數據測算得出。，表明存在大量44歲及以下的年輕從業人員，由于該職業大類的替代風險最高(68%強)，因此，替代型AI的應用將在未來對其就業產生巨大沖擊，因此，雖然在生產、運輸設備操作人員及有關人員所從事的行業存在較大的生產效率提升空間，但考慮到AI應用對這一職業就業的廣泛影響，應對涉及的不同職業中類及小類進行具體分析，對于年輕勞動力較多的職業，應更多采用更為溫和的輔助型AI系統，以更加審慎的態度推進人工智能的系統性應用。

(3)老齡化趨勢下勞動力供給下降問題將得到緩解。改革開放以來，中國人口出生率顯著下降，老齡化程度不斷加深，這一現象引起了社會各界的廣泛關注。短期來看，人口出生率自高到低的快速變化降低了少兒撫養比，提高了勞動年齡人口的占比，釋放了大量的人口紅利，這也是中國經濟快速發展的重要動力[59]；但隨著大批勞動年齡人口的逐漸老化，又將產生大量人口負債，根據國際經驗，低出生率趨勢一旦形成，將很難通過政策等手段進行扭轉，因此，低出生率與勞動年齡人口比重的降低將是未來大趨勢，這也引發了學者關于老齡化對中國經濟負面影響的極大憂慮。

基于人工智能發展背景下的勞動力市場供需關系來看，在勞動力供給方面，AI、5G、物聯網等技術的廣泛應用將會增加勞動供給，顯著緩解因勞動年齡人口規模下降所帶來的潛在不利影響，具體可表現為兩個方面：首先，工作模式的創新將進一步釋放原從業人員的勞動潛力，增加轉移型勞動供給。對于一些行業的職業來說，如研究、醫療、管理等職業，由于技術、成本或接受程度等方面的原因，智能體將更多承擔輔助性的工作，智能體負責例行、重復性優化任務，人類負責創意、戰略與交際性工作任務，通過類似的人機合作工作模式，相對于其他工作模式，能夠取得更高的工作效率，因此，輔助型智能體的引入，將釋放大量原職業中的勞動力，并通過再就業等方式轉移至諸如服務業在內的其他低替代風險職業，使之成為其他行業勞動供給的一部分；其次，輔助型AI的介入將提升老年人口的勞動參與率，增加老年人口的勞動供給。輔助型AI在力量、體能、反應速度等方面的突出優勢能夠有效補足老年群體在相關工作能力上的短板，通過重構工作流程，協調智能體與人類的勞動分工，取長補短，將使大量體力資源有限但腦力資源豐富，且仍有從業意愿的原退休人員、失能人員重新加入就業市場，增加就業市場的勞動供給。

在勞動力需求方面，包括AI、5G、物聯網等技術的廣泛應用將進一步減少單位產品生產的勞動力需求。實際上，人口規模并非推動經濟發展的唯一因素，資本與技術同樣發揮著關鍵作用[60]。隨著技術的進步，人口規模要素的重要性亦將持續下降，具體可以表現為兩個方面：首先，中國的產業升級趨勢將減少低端勞動力需求。從全球產業分工看，生產、加工等勞動密集型產業主要分布在發展中國家，設計和研究等資本、技術密集型產業主要分布在發達國家，隨著中國創新與勞動力技能水平的提升，產業升級的客觀要求將推動中國勞動密集型產業的逐步收縮，從而減少未來的低端勞動力需求。其次，技術革命對勞動力具有替代效應，部分表現為機器勞動對某些行業人類勞動的擠出，考慮到人工智能技術在工作能力上的突出表現，這種替代效應將更為明顯。研究結果顯示，生產制造與物流運輸行業中的職業存在較高潛在被替代風險，諸如特斯拉、富士康等無人工廠的出現預示著未來大量相關職業的人類勞動者將被智能體所替代，這將進一步降低未來特定行業的勞動力需求。

因此，人口出生率的下降并非洪水猛獸，勞動年齡人口總量的降低也無須過度恐慌，在技術進步與產業升級所引發的勞動力需求下降的同時，老齡化背景下的人工智能、5G、物聯網等技術應用將通過智能體的職業崗位的替代性介入有效緩解未來可能存在的中青年勞動力的短缺問題，通過智能體的工作內容的輔助性支持提高老年群體的勞動參與率，從而在就業市場上產生更多的補位式替代效應[45]，釋放更多的勞動潛力，所以，在技術手段的支撐與相關政策的推動下，老齡化所引起的勞動力短缺或將非中國未來發展的重要挑戰。

然而，隨著智能體替代進程的深入，未來可能出現新的變化。尤瓦爾·赫拉利就曾在《未來簡史》中指出，人工智能在工作上的出色表現將使大量的人類工作者的職業能力在經濟上無價值[61]，此觀點雖存在爭議，但反映了一種可能性，即在人工智能時代，當大量掌握已被淘汰工作技能的人群產生時，即使這種“無價值”狀態可以通過職業培訓等方式進行扭轉，在短期內也將對整個社會造成前所未有的沖擊，這一群體的規模越大，其影響力越強。所以，人口老齡化引發的勞動力人口不足在未來可能將轉化為勞動力過剩的問題，面對這一風險，提高人口質量而非人口數量，才是未來發展的關鍵所在。

(4)應重視人口質量的建設。傳統人口紅利理論關注勞動年齡人口的比重，更多地強調數量而非質量，但是，科技革命提升了對勞動力素質的要求，人口質量即高技能、學歷人才的占比日益成為新的人口紅利。中國作為人口大國，經過長期的教育普及，高技能、學歷人才的規模逐步擴大，隨著教育的深化與人口代際的更替，人口質量紅利將逐步顯現。

在農業社會，體力性勞動占據著整個人類勞動的主要部分，技能性勞動與創新性勞動的比例極低，而到了工業革命時期，科技進步使得大多數人類勞動者從體力性勞動中解放出來，更多地從事技能性與創新性勞動，而在智能社會，設備執行器與機器學習算法賦予了智能體較強的體力與學習能力，使之逐漸具備了替代體力、技能勞動的技術條件，創新活動可能成為未來人類勞動的核心部分，因此，具有創新能力的人才規模將成為衡量智能社會中一國人口質量的關鍵指標。實際上，中國政府一直強調“創新”的重要價值，2019年頒布的《中國教育現代化2035》即從教育戰略的高度關注了這一問題，規劃指出了創新服務能力在教育現代化中的重要地位，強調了對教育組織形式、管理模式、人才培養模式、教學方式等方面的改革思路，突出了對學生創新精神、實踐能力的培養。

所以，為應對人工智能背景下對人口質量的新要求，結合職業新變化，創新人才培養教育模式已勢在必行，其中，在專業設置上，應健全專業設置定期評估機制，鼓勵專業內容隨產業升級與技術發展情況及時動態更新，逐步弱化高替代風險的相關職業技能教育；在學科發展上，積極發展科學、技術、工程、數學學科(STEM)等學科教育，強調學科的交叉性、綜合性，全面推進“新工科、新醫科、新農科、新文科”等建設；在能力培養方面，主要圍繞知情的決策者、創新的研究者、高效的協作者、溫情的服務者等這類目標，強調直覺決策、創新思維、人機協作、社交共情等能力的訓練。

在職業教育方面，則應關注AI等技術的職業替代效應對教育投入的影響。2019年《政府工作報告》提出，要“進行1500萬人次以上的職工技能提升和轉崗轉業培訓，……擴招高職院校100萬人”，同年頒布的《國家職業教育改革實施方案》強調，應“圍繞現代農業、先進制造業、現代服務業、戰略性新興產業……開展職業培訓”，這一系列政策將在短期內極大緩解我國就業市場高技能人才緊缺的結構性矛盾，但是，從長期來看，在AI等技術影響下的制造物流等行業中，大量職業存在較高被替代風險，對于這類相關職業教育的過度投入可能將造成資源的浪費，因此，職業課程的設置、技能的確定與提高必須適應AI、物聯網等技術的發展要求，職業教育資源的投入也需根據對職業未來需求的預測評估進行相應調整。