如何提高智能化條件下的企業就業吸納力？

何勤 董曉雨

[摘?要]?人工智能技術條件下如何全面落實“就業優先”政策，實現更高質量就業，成為“保民生”的重要議題。既有研究主要從單一視角來探索智能化條件下企業就業吸納力的影響機制，所得到的不一致的結論甚至相互矛盾的觀點，無法為智能化條件下提高企業就業吸納力提供有益的參考。本研究以47家北京市已采用人工智能技術的企業為樣本，采用QCA方法，以組態思維探索智能化條件下提高企業就業吸納力的驅動路徑。研究發現：一是企業就業吸納力具有多重并發因果關系，且其影響因素具有不對稱性。二是抑制—創造協同型組態與人力資本推力抑制型或組織環境拉力創造型的單一型組態是產生高就業吸納力的重要路徑。三是抑制—創造協同型組態是產生高就業吸納力的主要原因。四是與目前對人工智能“技能偏向性”的直覺相反，高技能水平對產生高就業吸納力的作用較小，但其缺失對低就業吸納力的影響較大。五是低就業吸納力的驅動路徑分為五條，且在一定條件下低教育程度與低研發投入存在替代效應。

[關鍵詞]?人工智能;就業吸納力;組態思維;QCA方法

[中圖分類號]?F246??[文獻標志碼]A???[文章編號]?1672-4917（2021）01-0079-11

一、 引言

人工智能技術作為新的經濟增長動力，成為各國競爭的新焦點。2017年，我國就已經頒布了《新一代人工智能發展規劃》，明確指出在新形勢下，要搶占先機，引領世界人工智能發展新潮流。近來，黨的十九屆五中全會進一步強調推進人工智能等新技術的發展，強調突破性培育發展數字經濟、人工智能等高端產業，加快推進5G、人工智能、工業互聯網等“新基建”投資。技術進步是經濟增長的決定性因素，從歷次技術革命來看，每次技術的革新都會帶來經濟的增長，但同時也伴隨著因自動化而帶來的失業率的提高。人工智能作為新一輪的技術革命，與以往的技術進步存在很大的不同，人工智能不再是簡單的對低技能重復性勞動的替代，有一定技能和知識的勞動者也有被替代的風險，其對就業造成的影響可能更高。因此，新技術在促進經濟增長的同時，其可能對勞動力就業造成的負面影響也成為人們擔憂的重要問題。而我國作為一個人口大國，保障就業穩定不僅是促進經濟增長的重要條件，也是維護社會穩定的重要保證。目前我國仍然面臨“民生保障存在短板”的重要挑戰，就業作為最大的民生保障，黨的十九屆五中全會提出強化“就業優先”政策的目標，而在國家“就業優先”政策下，如何應對人工智能可能對就業造成的負面影響、保持較高的就業吸納能力從而穩定就業便成為關注的重點。

近年來，學術界對于人工智能對就業的影響機理進行了大量的研究，以期能為突破可能面臨的就業困境、保持較高的就業吸納能力提供理論支撐。一方面，一些學者從宏觀角度梳理了人工智能對就業的影響機理，從不同的角度論證了產生就業替代效應與創造效應的因素與機制，取得了豐富的研究成果。如程承坪和彭歡（2018年）[1]從技術進步影響就業的經濟學機理和非經濟學機理以及人工智能對就業影響的特殊性的角度，闡述了人工智能在何種條件下會產生創造效應及替代效應;呂榮杰和郝力曉（2018年）[2]通過總結歷次工業革命對就業影響的特點，從理論視角梳理了人工智能對就業的創造效應及替代效應的框架等。從宏觀角度來看，人工智能等技術進步帶來的替代效應主要源于勞動生產率的提高、資本生產率的提高、勞動力需求結構的變化等因素（謝璐等，2019年）[3];創造效應主要源于產品價格下降、社會需求增加、新崗位及新行業的出現等因素（蔡躍洲等，2019年）[4]。另一方面，也有學者研究微觀企業層面的影響路徑，如王君等（2017年）[5]認為企業是否會采用技術進步，采用后能否擴大生產規模是智能化下微觀企業層面是否會產生替代效應的關鍵點，并指出微觀企業層面分析的影響因素應包括采用技術進步后的投資成本、利潤實現、崗位創造、勞動需求變動等情況，但并沒有進行具體的解讀分析;何勤等人（2020年）[6]主要從人工智能技術研發投入的角度對微觀企業層面的就業影響路徑進行分析，指出企業增加人工智能研發投入并不會對就業產生絕對的負面影響，并強調人工智能技術研發投入對人才技能需求的變化，鼓勵員工參與技能培訓。總結起來，目前從微觀企業層面就人工智能對就業影響機理的研究仍然較少，其研究角度主要涵蓋了企業整體層面的人工智能研發投入、利潤增長能力，以及對員工層面的勞動需求變動，如對員工技能水平的需求變動與培訓、對員工教育程度的需求變動等。另外，整體看來無論從宏觀層面還是微觀層面，均缺乏從系統整體的角度研究各種因素的聯動匹配對人工智能對就業總效應的影響，即各種因素如何聯動匹配才能影響創造效應及替代效應的相對大小來對最終的就業規模產生影響，一般來說，創造效應越大于替代效應，最終就業規模就越大，就業吸納力就越高。

事實上，人工智能作為新一輪的技術革命，與以往技術革命相同，均會對就業產生創造效應與替代效應，但對就業總效應的影響，是由各種因素協同聯動，最終的影響是由創造效應與替代效應的相對大小來決定的，這是一個復雜的過程。現有研究雖然對人工智能對就業的影響機理進行了大量的研究，取得了豐富的成果，但往往囿于傳統定量分析方法，局限于對每一單一因素的分析，鮮有從系統整體的視角考察各因素的協同聯動對就業總效應的影響，并且目前大量研究均從宏觀角度出發，缺乏微觀的企業視角，而企業作為吸納就業的重要組織單元，研究智能化下各種因素如何協同聯動影響創造效應及替代效應的相對大小進而對企業就業吸納力的大小產生影響，具有重要意義。因此，本文從微觀企業角度出發，選用QCA定性比較分析方法，從微觀企業角度選取變量，整合企業組織層面與企業員工層面影響因素，探索影響企業就業吸納力大小的路徑與機制，并試圖回答智能化條件下何種路徑能有效提升企業的就業吸納力，何種路徑會降低企業的就業吸納力，產生企業高就業吸納力和低就業吸納力的路徑有何種聯系等問題。

二、文獻綜述與模型構建

自人工智能取得突破進展以來，社會各界高度關注人工智能產生的影響，尤其對就業產生的影響更為關注。國內大部分學者持中立態度，認為人工智能既會產生替代效應，也會產生創造效應，但其中大部分研究都是基于宏觀角度，缺乏微觀視角。

從宏觀角度來看，人工智能對就業產生的創造效應和替代效應已有了全面系統的研究，也從不同角度進行了探索，總體而言，學者強調人工智能條件下勞動生產率、資本生產率、勞動力需求結構的變化等因素對就業替代效應的影響（謝璐等，2019年）[3]，以及人工智能條件下產品價格、社會需求、崗位及行業變化等因素對就業創造效應的影響（蔡躍洲等，2019年）[4]。具體來說，一方面，新技術的應用會推動勞動生產率提高、資本生產率提高，從而在生產規模不變的情況下直接減少就業崗位，且長期來看，技術進步一般為技術偏好型，對勞動者的知識積累以及技能要求更高，從而減少對低技能勞動者的需求（王君等，2017年）[5];另一方面，技術進步通過提高勞動生產率及資本生產率來增加居民收入、降低生產成本，有效提高社會需求，從而促進生產規模的擴大，增加就業崗位，且新技術的開發、推廣及應用本身就會創造新的就業崗位，促進就業創造效應的產生（程承坪等，2018年）[1]。

隨著研究的深入，學者們開始關注微觀企業層面人工智能對就業的影響機理，主要從企業層面和員工層面兩個角度探尋人工智能對就業創造效應和替代效應的影響機制，包括企業整體層面的人工智能研發投入、利潤增長能力，以及員工層面的技能水平、教育程度、培訓等因素，但目前專門探尋企業層面人工智能對就業的影響機理的研究還相對較少，大多零散在宏觀層面的相關研究中。具體而言，于員工層面，在新技術的應用下，勞動者的教育程度、技能水平越高，被替代的風險越小（張于喆等，2019年;惠煒等，2020年）[7][8]，但也有學者指出中等技能群體可能在智能化條件下產生更大的替代效應（Autur，2015年）[9]。另外，員工接受培訓也是緩解就業替代效應發生的重要因素。于企業層面，企業對新技術的研發投入會創造更多的新就業崗位，因使用新技術而帶來的企業利潤水平的提升，也會促使企業擴大生產規模從而創造更多就業機會（蔡躍洲等，2019年;王君等，2017年）[4][5]。總體來看，員工層面的影響因素主要起到抑制人工智能造成的就業替代效應的作用，能夠抑制企業低就業吸納力的出現;企業層面的影響因素主要起到一個創造性的作用，從而能夠提升企業的就業吸納力。

綜上所述，目前已有的人工智能對就業影響的研究主要集中于宏觀角度，缺乏微觀的企業視角，而企業作為吸納勞動力的重要組織單元，研究智能化條件下如何提高企業的就業吸納力對于保障就業穩定具有重要意義。此外，微觀企業角度的員工層面與企業層面的影響因素對企業的就業吸納力均有非常重要的影響，但目前的研究大部分局限于分析每一單一因素的影響，尚未研究多種因素的不同組合會對就業產生的影響。

依賴組織構型理論的基本觀點，作為一個復雜的系統，一個組織某種優勢的形成是由組織內部不同因素或條件相互關聯、共同作用形成的最終結果，其代表性觀點因果關系的非線性及不同構型的等效性也體現出這種復雜性（李超平等，2019年）[10]。該理論認為，組織中某種結果的產生是由各種因素或條件相互匹配、共同作用而形成的路徑所導致的，并且同一種結果的產生可由不同的因素和路徑形成，但是在某一路徑中表現出因果相關關系的變量在另一路徑中可能表現為不相關或反向相關（Meyer et al.，1993年）[11]。例如，有些企業雖然利潤增長能力得到上升，但不一定能夠提高企業的就業吸納力，而有些企業就能夠提高。有鑒于此，在組織構型理論的指導下，考慮到影響企業就業吸納力的多重并發因果關系，全面考慮員工的受教育程度、技能水平、培訓以及企業的利潤增長能力、與人工智能相關的研發投入五個因素之間是如何匹配、協同影響企業就業吸納力，本文采用QCA的研究方法，并構建如圖1所示的對企業就業吸納力的影響機制模型。為更加簡單直觀，本文將以上五個因素簡稱為教育程度、技能水平、培訓、利潤增長能力以及研發投入（即與人工智能相關的研發投入）。其中，員工層面的影響因素包括教育程度、技能水平、培訓，企業層面的影響因素包括利潤增長能力以及研發投入。

（一）員工層面

教育程度，具體指企業員工所擁有的學歷水平。在受教育程度方面，對容易受到人工智能替代影響的人群，學者們進行了詳細分析，盡管很多要素并沒有清晰的結論，但受教育程度這方面結論已經非常明顯（段海英等，2018年）[12]，只受過低等教育的人在人工智能條件下比接受過高等教育的人更容易被替代（張于喆，2019年）[7]，接受過高等教育的人可塑性更高、更容易適應人工智能帶來的變化。因為通常教育程度越高，其接受過的知識就越多，擁有的技能水平可能就越高，能夠較快地學習和適應人工智能所需要的新技術，能夠減少被淘汰的概率。再者，教育程度較高的人群所從事的職業相較教育程度較低的人群，需要更高的技能水平與人際交往能力，因此也能夠降低被替代的概率。故教育程度越高，越能抑制替代效應的發生，從而使企業就業吸納力保持較好的狀態。

技能水平，具體指企業員工所擁有的職稱或技能級別。在技能水平方面，有學者認為人工智能等技術進步會對低技能人群產生就業替代效應（惠煒等，2020年）[8]，也有學者認為人工智能對中等技能人群也會產生較大的替代效應，而高技能群體較中低技能群體來說職業范圍更廣，替代風險較小（段海英等，2018年）[12]。但總體來說，技能水平越高，其工作特點越靈活，越不易被替代;技能水平越低，工作內容越常規，越易被替代。相對中低技能人群來說，高技能人群更能適應人工智能所帶來的變化。因此，擁有較高的技能水平能夠降低被替代的風險，能抑制企業低就業吸納力的發生。

培訓，具體指企業員工是否接受過與人工智能相關的企業培訓。在培訓方面，多位學者指出要加強職業技能的培訓，提高勞動者在人工智能條件下適應新技能、新崗位的能力從而緩解替代效應（程承坪等，2108年;王君等，2107年;謝璐等，2019年）[1][3][5]。培訓能使不具有人工智能應用所需的技能要求的人具備所需的技能，通過轉崗或重新適應新崗位的技能要求來抑制替代效應的發生。因此，企業是否對員工進行人工智能相關業務的培訓對保持企業就業吸納力具有重要作用。

（二）企業層面

利潤增長能力，具體指企業采取人工智能技術后企業的利潤增長幅度。多位學者指出，人工智能技術的應用能使得勞動生產率與資本生產率提高、產品成本下降、利潤上升，企業利潤的增長會促使企業規模擴大，從而增加就業，產生創造效應，提高就業吸納力（程承坪等，2018年;王君等，2017年;蔡躍洲等，2019年）[1][3][4]。因此，在應用人工智能的條件下，利潤增長能力越強，企業擴大生產規模的可能性就越大，而擴大生產規模必然要增加就業崗位，因此，較強的利潤增長能力能夠對就業產生創造效應，提高企業的就業吸納力。

研發投入，具體指企業在人工智能技術相關的研發投入程度。新技術的研發和應用通常伴隨著新崗位、新部門的出現（程承坪等，2018年;王君等，2017年）[1][3]，企業對新技術的投入力度越大，可能產生的新的就業人數就越多（何勤等，2020年）[6]。如對人工智能的投入，可能會使研發部門人數增加、可能會出現與人工智能相關的特定崗位或特定部門。故對人工智能研發投入力度越大，越有可能產生創造效應。

三、研究設計

（一）研究方法

本文選用QCA定性比較研究方法中的fsQCA研究教育程度、技能水平、培訓、利潤增長能力以及研發投入五個前因條件如何組態匹配來影響企業的就業吸納力。QCA是一種結合定性與定量研究的新的研究范式，它使小樣本的定性研究與大樣本的定量研究相容（查爾斯 C·拉金，2019年）[13]。它的一個非常重要的特點就是能夠分析復雜的因果關系，它認為一個結果的出現可能來自不同的前因條件或前因條件組合，即具備一種非常重要的組態思維，從整體的角度進行思考，與傳統定量研究僅關注各變量對結果的凈效應相比具有優勢（張明等，2019年）[14]。并且，它認為導致結果“成功”或結果“失敗”的原因并不是對稱的，即導致結果“成功”的前因條件或前因條件組合的存在，并不意味著其缺失一定會導致結果的“失敗”，而這種因果的非對稱性也并不能通過定量分析得到有效的識別（查爾斯 C·拉金，2019年）[13]。而QCA的具體方法中，fsQCA（模糊集定性比較分析）相較csQCA（清晰集定性比較分析）與mvQCA（多值集定性比較分析），模糊集可以被視為一個連續的變量，能夠更好地反應定距變量在集合中的隸屬程度（查爾斯 C·拉金，2019年）[13]。綜合以上分析，本文采用模糊集定性比較分析法，具體使用fsQCA3.0軟件進行分析。

（二）研究樣本與數據來源

為研究智能化條件下各因素對企業就業吸納力的影響，本文選取北京市100家已經開始使用人工智能的企業，通過調查問卷的形式獲得各企業2016年至2018年的相關數據。三年的時間跨度既能防止因時間范圍繼續擴大而減少案例數量造成的“有限多樣性”問題，又能比較清晰地看出就業量的變化，并且其中既包含高就業吸納力的正向案例，又包含低就業吸納力的負向案例，確保結論的全面性。對問卷進行檢查，去除數據缺失以及數據異常的無效樣本;去除2018年新成立的企業，因新成立企業不涉及就業變化問題。最終，為符合研究問題及樣本使用條件，經篩選后，本文對北京市47家已使用人工智能的企業進行QCA分析。

（三）變量的測量

本文所關注的結果變量為企業的就業吸納力，所關注的條件變量為員工層面的教育程度、技能水平、培訓以及企業層面的利潤增長能力以及研發投入。考慮到人工智能對就業影響的長期性以及“有限多樣性”問題，各指標均采用企業近三年的數據進行測量。各變量的描述與賦值見表1。

對于結果變量。因智能化下企業的就業吸納力與人工智能對就業的創造效應及替代效應的相對大小密切相關，創造效應越大于替代效應，企業的就業吸納力就越高，而研究者在分析技術進步對就業的影響時，通常以總就業量的上升或下降來判斷創造效應和替代效應的相對大小（張于喆，2019年）[7]，且就業增長率指標能夠很好地體現就業量的增減情況，故本文采用企業近三年的就業年均增長率來測量企業的就業吸納力，具體使用年均增長率計算公式，即：m=nB/A-1

其中，m為年均增長率，B為最后一年的值，A為第一年的值，n為增長的次數。

對于條件變量。其一，對教育程度的測量，參考已有文獻，接受過高等教育的勞動者更不易被人工智能所替代（張于喆，2019年）[7]，且考慮到北京地處全國教育高地，因此借鑒學者葉明確等人（2017年）[15]采用企業不同學歷層級員工人數/企業總人數來代表受教育程度的測量方法，并考慮到時點數據的統計學計算原理，采用首末折半法計算近三年本科及以上學歷平均人數占近三年企業平均總人數的比例對教育程度進行賦值。其二，對技能水平的測量，參考已有文獻，高技能群體較中低技能群體來說職業范圍更廣，替代風險較小（段海英等，2018年）[12]，因此借鑒學者葉明確等人（2017年）[15]采用企業不同技能層級員工人數/企業總人數來代表技能水平的測量方法，同樣考慮到時點數據的統計學計算原理，采用首末折半法計算近三年擁有高技能的企業平均人數占近三年所有技能水平平均人數的比例對技能水平進行賦值。其三，對培訓的測量，本文將培訓視為一個二分變量，以“是”或“否”進行表示。其四，對利潤增長能力的測量，借鑒學者李曉華（2013年）[16]用利潤增長率指標來反映企業的利潤增長情況的做法，本文采用各企業近三年利潤年均增長率來進行賦值。其五，對研發投入的測量，參考已有研究，研發力度的衡量方法主要有兩種：研發費用除以總資產;研發費用除以營業收入（曹晶等，2018年）[17]，本文采用第二種方法，即用近三年與人工智能相關的平均研發費用占近三年企業平均營業總收入的比例進行反映，其中，分子分母分別采用首末折半法進行計算。

（四）變量的校準

本文所采用的研究方法fsQCA是以集合論為基礎的，如何定義每個案例在不同集合中的隸屬度，這就需要校準。本文采用的校準方法為直接校準法，根據已有研究，基于研究者實質和理論知識的校準最重要的是要確定完全隸屬（0.95）、交叉點（0.5）以及完全不隸屬（0.05）三個定性錨點，經過校準之后的集合隸屬度處于0～1之間（查爾斯 C·拉金，2019年）[13]。本文共選擇五個條件變量，教育程度、技能水平、培訓、利潤增長能力以及研發投入。其中培訓為清晰集，其余為模糊集變量。結果變量為就業吸納力，為模糊集變量。參考已有的研究，本文對模糊集變量校準的三個定性錨點的確定，采用上四分位數、上下四分位數的均值以及下四分位數來確定（Fiss， 2011年;程建青等，2019年）[18][19]。對清晰集變量，完全隸屬賦值為1，完全不隸屬賦值為0。各條件變量與結果變量的校準錨點見表2。

四、實證分析

（一）必要條件分析

在構建真值表進行組態分析之前，通常首先進行各因素的必要條件分析。對必要條件的分析是非常重要的，若必要條件存在于真值表中，則可能會被簡約解消除（伯努瓦·里豪克斯等， 2017年）[20]，可能會錯過導致結果出現的重要條件。通過表3對就業吸納力的必要性檢驗結果可知，各前因條件對就業吸納力必要性檢驗的一致性均未超過臨界值0.9，說明各前因條件均不構成影響結果的必要條件。這也意味著高就業吸納力或低就業吸納力的發生具有復雜的因果關系，需要考慮多種因素的聯動影響。

（二）組態分析

本文參考已有研究的建議，將一致性閾值設為0.8（Fiss，2011年）[18]，案例閾值設為1，并參考伯努瓦·里豪克斯等（2017年）[20]的建議，從模糊集定性比較分析中得出的復雜解、簡約解、中間解三類解，選擇中間解對結果進行分析。本文采用Ragin and Fiss （2008年）[21]對結果的呈現方式，用黑色實心圓表示條件存在，用圓叉表示缺失，空格表示條件的存在與消失對結果的影響不大;大圓表示核心條件，小圓表示邊緣條件。表4與表5分別展示了產生高就業吸納力與產生低就業吸納力的組態路徑。

1.高就業吸納力組態分析

表4呈現了由中間解獲得的產生高就業吸納力的五種組態（縱向看）。可以看出，無論是各組態（路徑）的一致性還是解的一致性均高于最低標準0.75，五個組態的一致性分別為0.754、0.805、0.889、0.956和1.000，解的一致性為0.865。這說明在能夠滿足這五種組態的所有案例中，絕大部分案例都產生了高就業吸納力，即證明了這五種組態為產生高就業吸納力的充分條件。解的覆蓋度為0.483，說明這五種組態解釋了48.3%的產生高就業吸納力的原因。

為更好地比較產生高就業吸納力的路徑，本文將產生高就業吸納力的組態歸納為以下三種：

（1）抑制—創造協同型

抑制—創造協同型主要包括三條路徑：組態1、組態2以及組態3。組態1表明在缺乏高技能水平的情況下，無論是否對員工進行培訓，只要員工有較高的教育程度，且企業的利潤增長能力和對人工智能相關的研發投入都較高，就能產生較高的企業就業吸納力。具體而言，要產生較高的企業就業吸納力，不僅要通過采用新技術提升效率，從而實現成本降低、利潤提高，即企業能夠利用人工智能技術帶來新的利潤增長動力，帶動生產規模的增長，還要持續不斷地進行對人工智能相關的研發投入，以支持企業的利潤增長和新崗位、新部門的增加。與此同時，企業也必須具有高教育程度的人力資本，也即擁有較多的高端人才以匹配企業快速的利潤增長和高強度的研發投入，滿足智能化下企業對人力資本的需求。該條路徑能夠解釋10.3%的產生高就業吸納力的案例，且有6.7%的產生高就業吸納力的案例僅能被這條路徑所解釋。組態2表明在缺乏企業較高的利潤增長能力的條件下，只要員工具有較高的教育程度、技能水平以及相應的人工智能相關業務技能的培訓，且企業對人工智能相關的研發投入較高，就能產生較高的企業就業吸納力。具體而言，如果企業不能通過人工智能技術帶來新的利潤增長動力，難以帶動生產規模的增長，在這種情況下，企業必須克服短視行為，持續不斷地進行與人工智能相關的研發投入，一方面支持企業新崗位、新部門的增加，另一方面為企業未來的利潤增長提供動力和支撐。與此同時，企業必須具有高教育程度、高技能水平的人力資本以匹配企業高強度的研發投入，也必須對員工進行相應的人工智能相關業務技能的培訓，來滿足智能化下企業對人力的需求。該條路徑能夠解釋13.5%的產生高就業吸納力的案例，且有11.6%的產生高就業吸納力的案例僅能被這條路徑所解釋。組態3表明在缺乏高技能水平、高研發投入的條件下，無論員工是否具有較高的教育程度，只要對員工有相應的人工智能相關業務技能的培訓，且企業的利潤有較大的增長，就能產生較高的企業就業吸納力。具體來說，若企業缺乏具有高水平技能的人力資本來適應智能化下企業對人力的需求，并且企業僅想通過使用已有的人工智能技術而帶來新的利潤增長點，并不想投入過多的資本進行與人工智能相關的研發。在這種情況下，企業通過運用人工智能技術必須能夠實際的獲得較高的利潤增長能力，從而有能力擴大生產規模、增加就業崗位，同時，也要對員工進行培訓，使其迅速具有人工智能所需的技術能力或有能力從事新的職位，才能維持企業較高的就業吸納力。該條路徑能夠解釋15.9%的產生高就業吸納力的案例，且有13.8%的案例僅能被這條路徑所解釋。以上三條路徑都既包含了在智能化下對就業替代效應產生抑制作用的因素，也包含了產生創造效應的因素，因此將這兩條路徑命名為抑制—創造協同型。

（2）人力資本推力抑制型

人力資本推力抑制型即組態4。組態4表明在缺乏對員工的培訓、企業較高的利潤增長能力以及較高的對人工智能相關的研發投入時，無論員工是否有較高的技能水平，只要員工具有較高的教育程度，就能產生較高的企業就業吸納力。具體來說，在少數情況下，盡管企業缺乏抑制就業替代效應以及產生就業創造效應的大部分因素，但通過企業較高教育程度的人力資本積累來滿足智能化下企業人力資本的需求，從而抑制就業替代效應也能夠維持企業較高的就業吸納力。可能的原因在于，大部分具有較高教育程度的員工所從事的工作要比具有較低教育程度的員工所從事的工作創造性及靈活性更強，更不易被人工智能所替代，且具有較高教育程度的員工可塑性更高，接收新知識以及新技能的能力也更高，能更快適應新環境、新崗位，其在工作中所積累的經驗知識與新知識、新技能的融合能夠為企業創造更大的價值，更好滿足智能化下企業人力資本的需求。故在缺乏其他因素時，企業員工層面整體較高的教育程度也能有力支撐企業較高的就業吸納力。該條路徑能夠解釋9.6%的產生高就業吸納力的案例，且有7.9%的案例僅能被這條路徑所解釋。因為此路徑能夠對就業替代效應產生抑制作用的員工層面較高的教育程度是產生高就業吸納力的主要原因，故將此路徑命名為人力資本推力抑制型。

（3）組織環境拉力創造型

組織環境拉力創造型即組態5。組態5表明在員工缺乏較高的教育程度，企業對員工缺乏相應的技能培訓以及企業的利潤增長水平較低的條件下，無論員工是否有較高的技能水平，只要企業對人工智能相關業務的研發投入較高，即研發投入較高，就能產生較高的企業就業吸納力。具體來說，在少數情況下，盡管企業缺乏抑制就業替代效應以及產生就業創造效應的大部分因素，但通過企業不斷地對人工智能相關業務進行研發投入，以此來催生與人工智能相關的新崗位或新部門，從而產生大量的人力資本需求，也能夠維持企業較高的就業吸納力。其內在原因在于，人工智能新技術在企業內部的采用會使得企業原有的崗位或部門不能有效應對新技術進步為企業帶來的變化，需要通過新崗位或新部門的設置來支撐人工智能新技術在企業內部的研發、推廣和應用，以有效發揮人工智能在企業內部的應用效能，從而產生大量的人力資本需求。另外，對人工智能相關業務的研發投入能有效促進產品創新，有效增加社會需求，進而促進企業擴大投資，從而產生更多的就業崗位。故而企業組織層面較高的研發投入能有效彌補其他因素的缺失，有力支撐企業較高的就業吸納力。該條路徑能夠解釋5.4%的產生高就業吸納力的案例，且有4.2%的案例僅能被這條路徑所解釋。因為此路徑能夠對就業產生創造效應的企業組織層面較高的研發投入為產生高就業吸納力的主要原因，故將此路徑命名為組織環境拉力創造型。

從以上產生高就業吸納力的三種類型的組態可看出，抑制—創造協同型的覆蓋度遠超過人力資本推力抑制型或組織環境拉力創造型，這表明大多數具有高就業吸納力的企業都具有此類型的組態，即抑制—創造協同型組態是產生高就業吸納力的主要原因，更有可能通過這種方式提高企業的就業吸納力。人力資本推力抑制型或組織環境拉力創造型組態雖然也能產生較高的就業吸納力，但比例較少。因此，在考慮提高企業的就業吸納力時，應考慮從抑制替代效應和產生創造效應的兩個方面的因素入手。

同時，通過對比組態1與組態3，可以發現較高的教育程度、研發投入與對員工進行培訓，對產生高就業吸納力有明顯的替代作用。即在企業具有較高的利潤增長能力但員工缺乏較高的技能水平的條件下，企業同時滿足較高的教育程度與較高的研發投入兩個條件或只滿足對員工進行培訓一個條件就可引發高就業吸納力的發生。

2.低就業吸納力組態分析

為了更好地探尋如何提高企業的就業吸納力，本文對產生低就業吸納力的組態進行分析。表5呈現了由中間解獲得的產生低就業吸納力的五種組態（縱向看）。可以看出，各組態的一致性結果與解的一致性結果均高于最低標準0.75，表明在能夠滿足這五種組態的所有案例中，絕大部分案例都產生了低就業吸納力，即證明這五種組態為產生低就業吸納力的充分條件。解的覆蓋度為0.551，表明這五種組態解釋了55.1%的產生低就業吸納力的原因。具體如表5所示：

組態1表明，即使員工有較高的技能水平，無論是否對員工進行培訓，企業是否有較高的利潤增長能力，但若同時缺乏員工層面較高的教育程度以及企業層面較高的研發投入，就會導致企業低就業吸納力的發生。該條路徑能夠解釋29.8%的產生低就業吸納力的案例，且有12.1%的案例僅能被這條路徑所解釋。組態2表明，即使員工有較高的教育程度且企業的研發投入較高，但若同時缺乏較高的員工技能水平、對員工的培訓以及企業較高的利潤增長能力，就會導致企業低就業吸納力的發生。該條路徑能夠解釋5.8%的產生低就業吸納力的案例，且有4.8%的案例僅能被這條路徑所解釋。組態3表明，即使員工有較高的技能水平，無論員工是否有較高的教育程度、是否對員工進行培訓，若同時缺乏較高的利潤增長能力以及較高的研發投入，即會導致企業低就業吸納力的發生。該條路徑能夠解釋23.8%的產生低就業吸納力的案例，且有5.9%的案例僅能被這條路徑所解釋。組態4表明，即使企業有較高的利潤增長能力，無論較高的研發投入是否存在，若同時缺乏較高的員工教育程度、技能水平以及對員工進行培訓，就會導致低就業吸納力的發生。該條路徑能夠解釋10.7%的產生低就業吸納力的案例，且有6.8%的案例僅能被這條路徑所解釋。組態5表明，即使企業有較高的利潤增長能力，無論員工是否有較高的教育程度，若同時缺乏較高的研發投入、較高的員工技能水平以及對員工的培訓，就會導致低就業吸納力的發生。該條路徑能夠解釋8.2%的產生低就業吸納力的案例，且有3.8%的案例僅能被這條路徑所解釋。

通過比較以上五個組態可發現，相較其他組態，組態1與組態3的覆蓋度遠大于其他組態，且比較組態1與組態3可發現，兩個組態的共同點為具有員工層面的高技能水平但缺乏對就業產生創造效應的因素，這說明僅有高技能水平而缺乏能夠對就業產生創造效應的因素，是造成低就業吸納力的重要原因。同時，通過比較組態4與組態5，可發現低教育程度與低研發投入兩者之間在解釋低就業吸納力時存在替代作用，即當存在較高的利潤增長能力，但缺乏員工高技能水平和對員工的培訓的條件下，只要缺乏較高的員工教育程度，或缺乏較高的企業研發投入，就會導致低就業吸納力的發生。

通過比較產生高就業吸納力的五個組態以及產生低就業吸納力的五個組態，可以發現，影響企業就業吸納力的原因并不是對稱的，即使高就業吸納力產生的組態的對立面并不一定會產生低就業吸納力。同時，某個因素的存在或缺失對就業吸納力的影響可能也是不對稱的，它可能與一些條件的匹配會產生高就業吸納力，與另一些條件的匹配則會產生低就業吸納力，這也充分證明了其因果復雜性。例如，將產生高就業吸納力的組態5與產生低就業吸納力的組態2進行比較，在產生高就業吸納力的組態5中，僅有邊緣條件較高的研發投入存在，就能產生高就業吸納力;反之，在產生低就業吸納力的組態2中，雖然同時存在核心條件較高的研發投入以及較高的教育程度，仍然產生了低就業吸納力。進一步分析可發現，兩個組態較大的不同點在于，在產生低就業吸納力的組態2中，核心條件較高的技能水平缺失，而在產生高就業吸納力的組態5中，較高的技能水平的存在與否不重要，說明員工層面較高的技能水平對高就業吸納力的產生作用較小，但其缺失對低就業吸納力的產生作用較大，是較為關鍵的因素，這也進一步可以說明企業就業吸納力的因果復雜性。

五、結論與啟示

（一）研究結論

本研究基于北京市47家企業2016—2018年的調研數據，從微觀企業視角，運用組態思維及fsQCA方法，整合企業與員工兩個層面5個條件因素，探討了影響企業智能化條件下的就業吸納力差異的多重并發及因果復雜機制，得出以下結論：第一，就業吸納力具有多重并發因果關系，且其影響因素具有不對稱性。即企業智能化條件下的就業吸納力的高低可通過由不同因素組成的多條路徑產生，且導致高就業吸納力產生的因素的存在并不意味著其缺失就會導致低就業吸納力。第二，企業智能化條件下高就業吸納力可通過抑制—創造協同型、人力資本推力抑制型、組織環境拉力創造型三種類型的組態產生。具體來說，以高教育程度、高利潤增長能力、高研發投入為構成，以高教育程度、高技能水平、高研發投入和對員工培訓為構成，以及以高利潤增長能力和對員工進行培訓為構成的抑制—創造協同型組態，與以教育程度為主導的人力資本推力抑制型或以研發投入為主導的組織環境拉力創造型的單一型組態是產生高就業吸納力的重要路徑。第三，抑制—創造協同型組態是產生高就業吸納力的主要原因，相較人力資本推力抑制型與組織環境拉力創造型更有可能有效提升企業就業吸納力。第四，與目前對人工智能“技能偏向性”的直覺相反，高技能水平對產生高就業吸納力的作用較小，但其缺失對低就業吸納力的影響較大。具體來說，產生高就業吸納力結果的所有組態中，高技能水平要么缺失，要么其存在和缺失并不重要，其中僅有一條路徑需要高技能水平的存在，且為邊緣條件;而在產生低就業吸納力結果的五種組態中，有三條路徑均有高技能水平的缺失，故高技能水平對高就業吸納力結果的產生作用并不明顯，但其缺失可能為智能化下導致企業低就業吸納力產生的重要條件。第五，低就業吸納力的驅動路徑分為五條，且在一定條件下低教育程度與低研發投入存在替代作用。其中，僅有員工高技能水平而同時缺乏能夠對就業產生創造效應的因素的組態，是產生低就業吸納力的重要原因。

（二）實踐啟示

企業作為吸納勞動力的重要組織單元，從企業的角度研究智能化條件下如何提高企業的就業吸納力對于保障就業穩定具有重要意義。本文的研究結論對提高整體企業就業吸納力從而保障就業穩定具有如下實踐啟示：

首先，鼓勵創造、抑制替代，“兩架馬車”并駕齊驅。基于本文研究發現的五種產生高就業吸納力的組態，抑制—創造協同型的組態對產生企業智能化下的高就業吸納力尤為重要，因此在應對人工智能對就業造成的影響、保持企業的高就業吸納力時，應注意將員工層面能夠對人工智能對就業的替代效應產生抑制作用的因素與企業整體層面能夠對人工智能對就業的創造效應產生激發作用的因素結合起來，使其共同發揮作用。另外，在3種抑制—創造協同型的組態中，其中組態1與組態3兩種抑制—創造協同型的組態，較高的利潤增長能力是不可或缺的因素，這揭示出企業高就業吸納力產生的關鍵點為企業在采用新技術后是否能獲得較高的利潤增長，企業只有自身得到較好的發展，才有余力吸納更多勞動力。因此，無論企業還是政府，都應充分意識到促進企業發展在提高企業就業吸納力中的重要性，采取相應的措施。

其次，警惕過度關注高技能水平人力資本積累，忽視企業利潤增長和研發投入。在以往研究中，大部分學者均認為人工智能更傾向于“技術偏好型”，更加強調人工智能對高技能人才的需求，積累更多高技能水平人力資本。但從就業優先、維持企業高就業吸納力的角度來看，智能化條件下員工高技能水平的缺失雖然對低就業吸納力的影響較大，是導致企業低就業吸納力產生的重要條件，但是，其存在對企業高就業吸納力的產生作用較小。從產生低就業吸納力的重要路徑組態1與組態3可以發現，僅有較高技能水平的人力資本，缺乏能夠對就業產生創造效應的高利潤增長能力、高研發投入并不能使企業產生較高的就業吸納力，因此，在智能化下不能過度關注對高技能水平人力資本的積累，而忽略企業的利潤增長和研發投入，這可能是大部分企業產生低就業吸納力的原因，需要引起重視。另外，進一步比較產生低就業吸納力的重要路徑組態1與組態3也可以發現，企業較高的與人工智能相關的研發投入的缺失是兩條路徑的共同點，這從側面反映出許多企業管理層存在短視行為。Stein（1988年）[22]指出管理層短視即管理者為最大化短期財務績效或股價來犧牲企業長遠利益的行為。由于與人工智能相關的研發投入不能在短期內使企業迅速收回回報，管理者為了滿足自身的當前利益（如報酬、聲譽等），不愿意在與人工智能相關的研發方面投入過高。綜上，企業應順應時代要求，在積累高技能水平人力資本的同時，注意技能與技術的適配性，通過培訓、引進與人工智能相關業務的專業人才，提高運用新技術的能力。同時，克服管理層的短視行為，加大研發投入力度，促進科技成果轉化，將企業做大做強，肩負企業的社會責任吸納更多就業。

最后，正確認識企業吸納就業的復雜性。企業組織作為一個復雜的系統，其在智能化條件下高就業吸納力結果的形成是由多種因素或條件匹配共同發揮作用而產生的，不同的因素或條件形成不同的路徑，且企業高就業吸納力的發生具有非對稱性，因此，不應通過經驗總結低企業就業吸納力的原因推論高企業就業吸納力如何產生，應把握好不同層次前因條件之間的動態匹配關系以及核心條件的作用，根據企業自身的實際條件和所處環境來選擇適合自己的提高企業就業吸納力的路徑。同時，根據本文的研究結論，在選擇提高企業就業吸納力的路徑時，應注意聯動匹配智能化條件下企業組織層面激發就業創造效應的因素以及企業員工層面抑制就業替代效應的因素，使其在更大程度上提高企業就業吸納力。

[參考文獻]

[1]?程承坪、彭歡：《人工智能影響就業的機理及中國對策》，《中國軟科學》2018年第10期。

[2]?呂榮杰、郝力曉：《人工智能等技術對勞動力市場的影響效應研究》，《工業技術經濟》2018年第12期。

[3]?謝璐、韓文龍、陳翥：《人工智能對就業的多重效應及影響》，《當代經濟研究》2019年第9期。

[4]?蔡躍洲、陳楠：《新技術革命下人工智能與高質量增長、高質量就業》，《數量經濟技術經濟研究》2019年第5期。

[5]?王君、張于喆、張義博等：《人工智能等新技術進步影響就業的機理與對策》，《宏觀經濟研究》2017年第10期。

[6]?何勤、邱玥：《人工智能的就業效應研究：錦上添花抑或是釜底抽薪？》，《北京聯合大學學報（人文社會科學版）》2020年第2期。

[7]?張于喆：《人工智能、機器人的就業效應及對策建議》，《科學管理研究》2019年第1期。

[8]?惠煒、姜偉：《人工智能、勞動力就業與收入分配：回顧與展望》，《北京工業大學學報（社會科學版）》2020年第5期。

[9]?AutorDH：“Why are there still so many jobs？ The history and future of workplace automation”，Journal of Economic Perspectives， 2015.

[10]?李超平、徐世勇：《管理與組織研究常用的60個理論》，北京大學出版社2019版。

[11]?MeyerA，Tsui A S，& Hinings C R：“Configurational approaches to organizational analysis”，Academy of Management Journal，1993.

[12]?段海英、郭元元：《人工智能的就業效應述評》，《經濟體制改革》2018年第3期。

[13]?[美]查爾斯 C.拉金：《重新設計社會科學研究》，杜運周等譯，機械工業出版社2019年版。

[14]?張明、杜運周：《組織與管理研究中QCA方法的應用：定位、策略和方向》，《管理學報》2019年第9期。

[15]?葉明確、楊亞娟：《人力資本與中國高新技術企業的創新績效——基于上海高新技術企業問卷調查的實證分析》，《科技與經濟》2017年第5期。

[16]?李曉華：《中國制造業的“成本上漲與利潤增長并存”之謎》，《數量經濟技術經濟研究》2013年第12期。

[17]?曹晶、楊百寅、王東等：《企業高管教育程度對其研發投入的影響——高管權力分布和企業所有制性質的調節作用》，《技術經濟》2018年第5期。

[18]?Fiss P C：“Building better causal theories： A fuzzy set approach to typologies in organization research”，Academy ofManagement Journal，2011.

[19]?程建青、羅瑾璉、杜運周等：《制度環境與心理認知何時激活創業？ ——一個基于QCA方法的研究》，《科學學與科學技術管理》2019年第2期。

[20]?[比利時]伯努瓦·里豪克斯、[美]查爾斯 C.拉金：《QCA設計原理與應用：超越定性與定量研究的新方法》，杜運周，李永發等譯，機械工業出版社2017版。

[21]?RaginC C，and P C Fiss：Net Effects Analysis versus Configurational Analysis：An Empirical Demonstration，in Re-desining Social Inquiry：Fuzzy Set and Beyond，edited by C. C. Ragin，University of Chicago Press，2008，pp.190-212.

[22]?Stein，J.C.“Takeover Threats and Managerial Myopia”，Journal of Political Economy，1988.