人工智能技術(shù)對(duì)我國(guó)勞動(dòng)力市場(chǎng)的沖擊和影響

閆雪凌 李雯欣 高然

摘 要：本文通過構(gòu)造可量化的人工智能技術(shù)指標(biāo)，使用相應(yīng)數(shù)據(jù)研究其對(duì)我國(guó)勞動(dòng)力市場(chǎng)的沖擊和影響。通過構(gòu)建我國(guó)2006-2017年制造業(yè)行業(yè)的工業(yè)機(jī)器人的基礎(chǔ)數(shù)據(jù)集，利用面板VAR模型對(duì)沖擊和影響進(jìn)行識(shí)別。結(jié)果顯示，當(dāng)前人工智能技術(shù)對(duì)我國(guó)勞動(dòng)力市場(chǎng)存在正向沖擊并具有較強(qiáng)的持續(xù)性，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊導(dǎo)致勞動(dòng)力就業(yè)崗位上升約0.04至0.045個(gè)百分點(diǎn)，勞動(dòng)力工資水平上升約0.03至0.04個(gè)百分點(diǎn)，工資水平對(duì)人工智能技術(shù)沖擊的反應(yīng)在顯著性上稍弱于就業(yè)崗位的反應(yīng)。進(jìn)一步研究發(fā)現(xiàn)，人工智能技術(shù)沖擊并未導(dǎo)致我國(guó)現(xiàn)階段勞動(dòng)力市場(chǎng)在結(jié)構(gòu)上出現(xiàn)極化現(xiàn)象。針對(duì)日益增加的對(duì)人工智能技術(shù)所帶來的“機(jī)器代人”的擔(dān)憂，本文認(rèn)為目前人工智能技術(shù)沖擊對(duì)我國(guó)勞動(dòng)力市場(chǎng)的影響是正向的，其更多表現(xiàn)為創(chuàng)造效應(yīng)而非替代效應(yīng)，政府應(yīng)該繼續(xù)出臺(tái)積極的政策措施促進(jìn)人工智能技術(shù)在我國(guó)更好地發(fā)展。

關(guān)鍵詞：人工智能技術(shù)；工業(yè)機(jī)器人；勞動(dòng)力市場(chǎng)；面板VAR模型

一、引 言

當(dāng)前，人工智能技術(shù)席卷全球，發(fā)展迅猛，其不僅可以在較大范圍內(nèi)推廣，還可以不斷更新升級(jí)，并帶動(dòng)與之相關(guān)技術(shù)的創(chuàng)新和發(fā)展。已有研究文獻(xiàn)指出，人工智能技術(shù)的不斷發(fā)展、完善和應(yīng)用，將對(duì)經(jīng)濟(jì)增長(zhǎng)、技術(shù)創(chuàng)新、生產(chǎn)率提高產(chǎn)生較大影響，并導(dǎo)致就業(yè)水平、收入分配、勞動(dòng)力市場(chǎng)結(jié)構(gòu)與產(chǎn)業(yè)組織等多方面有所改變（Brynjolfsson et al.， 2017；陳彥斌等，2019；郭凱明，2019）。實(shí)際上，每一輪的科技革命都會(huì)引發(fā)有關(guān)新技術(shù)對(duì)勞動(dòng)力市場(chǎng)沖擊的討論，而人工智能技術(shù)作為新一輪科技革命的戰(zhàn)略性技術(shù)，其對(duì)勞動(dòng)力市場(chǎng)也同樣造成了雙重影響：一方面，人工智能技術(shù)的廣泛應(yīng)用將替代部分傳統(tǒng)勞動(dòng)力，“機(jī)器代人”擠出了傳統(tǒng)勞動(dòng)力，因此對(duì)勞動(dòng)力市場(chǎng)存在“替代效應(yīng)”；另一方面，新技術(shù)提高了勞動(dòng)生產(chǎn)率，擴(kuò)大了企業(yè)的生產(chǎn)規(guī)模，提供了更多就業(yè)機(jī)會(huì)，也能同時(shí)帶來勞動(dòng)力市場(chǎng)上的崗位“創(chuàng)造效應(yīng)”（Schumpeter，1911；Leontief，1983；Frey and Osborne，2017；Graetz and Michaels，2017；Bessen，2019）。

我國(guó)政府已經(jīng)明確指出，人工智能技術(shù)是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力量，要深刻認(rèn)識(shí)其重大意義，加強(qiáng)領(lǐng)導(dǎo)，做好規(guī)劃，明確任務(wù)，夯實(shí)基礎(chǔ)，促進(jìn)其同經(jīng)濟(jì)社會(huì)發(fā)展深度融合①。因此，研究人工智能技術(shù)究竟對(duì)我國(guó)勞動(dòng)力市場(chǎng)存在何種沖擊和影響，不僅有助于厘清當(dāng)前我國(guó)勞動(dòng)力市場(chǎng)面臨的各種挑戰(zhàn)，更有助于我們抓住這一輪科技革新和產(chǎn)業(yè)變革機(jī)遇，在后疫情時(shí)代加快發(fā)展步伐，讓人工智能技術(shù)更好地服務(wù)我國(guó)經(jīng)濟(jì)的“雙循環(huán)”格局。

作為人工智能技術(shù)的一項(xiàng)重要應(yīng)用，工業(yè)機(jī)器人在全球制造業(yè)的廣泛推廣和普及帶來了生產(chǎn)方式的革新與勞動(dòng)生產(chǎn)率的提高。根據(jù)國(guó)際機(jī)器人產(chǎn)業(yè)聯(lián)盟（International Federation of Robotics，以下簡(jiǎn)稱IFR）的定義，工業(yè)機(jī)器人是指那些“在工業(yè)自動(dòng)化中使用的、可重復(fù)編程的、多用途自動(dòng)控制的操作機(jī)”②（程虹等，2018；Graetz and Michaels，2018）。美國(guó)、德國(guó)、日本等發(fā)達(dá)國(guó)家作為工業(yè)機(jī)器人使用的領(lǐng)跑國(guó)家，早已出臺(tái)多項(xiàng)鼓勵(lì)政策措施推動(dòng)本國(guó)工業(yè)機(jī)器人發(fā)展①。作為世界上最大的發(fā)展中國(guó)家，我國(guó)的工業(yè)機(jī)器人使用雖晚但快，從圖1可以看出，截至2017年，我國(guó)工業(yè)機(jī)器人保有量達(dá)47.34萬臺(tái)，占全球總量的22.57%，遠(yuǎn)超過美國(guó)、德國(guó)和日本的15.43%、9.57%和14.17%，為全球第一。圖2則展示了2006-2017年我國(guó)工業(yè)機(jī)器人的年均新安裝數(shù)量，年均增速達(dá)40%以上，處于高速發(fā)展?fàn)顟B(tài)。與此同時(shí)，伴隨著國(guó)家一系列政策②支持，預(yù)計(jì)我國(guó)工業(yè)機(jī)器人的發(fā)展應(yīng)用在未來將持續(xù)保持這一快速增長(zhǎng)的勢(shì)頭。

工業(yè)機(jī)器人的廣泛使用，也為研究人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)沖擊這一問題提供了來自業(yè)界的數(shù)據(jù)支持。目前，已有文獻(xiàn)通過將其作為衡量人工智能技術(shù)最重要的指標(biāo)來研究其對(duì)勞動(dòng)力市場(chǎng)存在的各種影響（Graetz and Michaels.，2018；Furman and Seamans，2019；Acemoglu and Restrepo，2020）。基于此，本文將首先全面梳理有關(guān)人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)影響的相關(guān)文獻(xiàn)，并討論現(xiàn)有文獻(xiàn)存在的不足，再選取工業(yè)機(jī)器人作為其典型指標(biāo)，重點(diǎn)分析我國(guó)制造業(yè)行業(yè)受到的人工智能技術(shù)的沖擊，進(jìn)而研究其對(duì)我國(guó)勞動(dòng)力市場(chǎng)的影響，并據(jù)此提出適合我國(guó)國(guó)情的有關(guān)人工智能技術(shù)發(fā)展的政策建議。本文接下來的結(jié)構(gòu)安排如下：第二部分對(duì)相關(guān)文獻(xiàn)進(jìn)行綜述；第三部分介紹實(shí)證模型與數(shù)據(jù)；第四部分進(jìn)行實(shí)證檢驗(yàn)與分析；第五部分進(jìn)行總結(jié)并提出相應(yīng)的政策建議。

二、文獻(xiàn)綜述

關(guān)于人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)的影響，現(xiàn)有文獻(xiàn)的關(guān)注點(diǎn)主要集中在以下三個(gè)方面：

第一，人工智能技術(shù)對(duì)勞動(dòng)力就業(yè)崗位數(shù)量的影響。曹靜和周亞林（2018）認(rèn)為，人工智能技術(shù)的發(fā)展會(huì)導(dǎo)致自動(dòng)化的成本逐漸下降，從而引起機(jī)器對(duì)人類勞動(dòng)的替代，但這并不一定必然導(dǎo)致就業(yè)崗位的減少，Autor et al.（2003）自動(dòng)化雖然會(huì)降低傳統(tǒng)任務(wù)的就業(yè)，但同時(shí)自動(dòng)化創(chuàng)造的新任務(wù)卻會(huì)增加就業(yè)（Acemoglu and Restrepo，2019），從而吸收就業(yè)人口，使得整個(gè)勞動(dòng)力市場(chǎng)仍舊保持當(dāng)前的就業(yè)水平。由于人工智能技術(shù)對(duì)就業(yè)崗位同時(shí)存在“替代效應(yīng)”和“創(chuàng)造效應(yīng)”，總效應(yīng)取決于哪種效應(yīng)更大，因此，現(xiàn)有關(guān)于人工智能技術(shù)對(duì)勞動(dòng)力就業(yè)影響的研究結(jié)論并不一致。Acemoglu and Restrepo（2020）分析了1990-2007年間機(jī)器人使用的增加對(duì)美國(guó)勞動(dòng)力市場(chǎng)的影響，結(jié)果表明，在美國(guó)，工業(yè)機(jī)器人的使用確實(shí)會(huì)減少就業(yè)崗位，每一千名工人中增加一個(gè)工業(yè)機(jī)器人會(huì)帶來就業(yè)率下降約0.2個(gè)百分點(diǎn)；Hoedemakers（2017）則利用15個(gè)OECD國(guó)家15年的動(dòng)態(tài)面板數(shù)據(jù)進(jìn)行研究發(fā)現(xiàn)，機(jī)器人技術(shù)進(jìn)步對(duì)這些國(guó)家的就業(yè)有溫和的正向影響；Graetz and Michaels（2018）利用全球17個(gè)發(fā)達(dá)國(guó)家1993-2007年間的行業(yè)面板數(shù)據(jù)進(jìn)行研究后發(fā)現(xiàn)，工業(yè)機(jī)器人并未對(duì)就業(yè)量造成顯著影響。

第二，人工智能技術(shù)對(duì)勞動(dòng)力工資水平及勞動(dòng)收入份額的影響。Dauth et al.（2017）、Lankisch et al.（2017）、Acemoglu and Restrepo（2020）的研究結(jié)果均表明人工智能技術(shù)的應(yīng)用降低了勞動(dòng)力工資水平，但Graetz and Michaels（2018）卻得到完全相反的結(jié)論。DeCanio（2016）則認(rèn)為，人工智能技術(shù)對(duì)工資的影響取決于總生產(chǎn)關(guān)系的形式以及人類與機(jī)器勞動(dòng)的替代關(guān)系。盡管對(duì)工資水平的影響研究結(jié)論存在分歧，但這些文獻(xiàn)都指出，人工智能技術(shù)對(duì)勞動(dòng)力工資的影響方向?qū)⒃诤艽蟪潭壬蠜Q定宏觀經(jīng)濟(jì)中勞動(dòng)收入份額的變動(dòng)方向。郭凱明（2019）認(rèn)為，上一輪科技革命造成了全球勞動(dòng)收入份額普遍下降，導(dǎo)致主要經(jīng)濟(jì)體收入不平等程度顯著提高；DeCanio（2016）的研究還預(yù)測(cè)，未來人工智能技術(shù)的發(fā)展可能會(huì)降低工資，進(jìn)而增加不平等，除非機(jī)器人資本回報(bào)在人群中廣泛分配，但是這種分配具體如何才能發(fā)生尚不明確；Benzell et al.（2015）則證明，機(jī)器人生產(chǎn)率的提高會(huì)使擁有資本的當(dāng)代人受益，無形資產(chǎn)在國(guó)民收入中的份額會(huì)隨時(shí)間上升，勞動(dòng)所占份額最終會(huì)下降，同時(shí)工資也會(huì)下降，從而使后代貧困。

第三，人工智能技術(shù)廣泛應(yīng)用帶來的就業(yè)與工資“極化”現(xiàn)象。Autor et al.（2006）、David et al.（2006）、Goos and Manning（2007）、Goos et al.（2009）的研究已經(jīng)發(fā)現(xiàn)，在美國(guó)、英國(guó)等一些西方國(guó)家，勞動(dòng)力市場(chǎng)出現(xiàn)了不同程度的“極化”現(xiàn)象，即中間技能就業(yè)崗位開始減少，而高技能與低技能就業(yè)崗位卻有所增加。人工智能技術(shù)的廣泛應(yīng)用可能加劇這一現(xiàn)象，因?yàn)橹虚g技能要求的就業(yè)崗位更容易被自動(dòng)化所替代，其原因可能是因?yàn)槟切C(jī)器所執(zhí)行的任務(wù)——通常被稱為“常規(guī)任務(wù)”，主要是替代了中間技能勞動(dòng)者的工作，并與高技能和低技能勞動(dòng)者形成互補(bǔ)關(guān)系，導(dǎo)致中間技能要求崗位的數(shù)量和工資增長(zhǎng)速度相對(duì)緩慢甚至減少。Feng and Graetz（2015）在一個(gè)可以區(qū)分任務(wù)復(fù)雜度和培訓(xùn)需求度的模型中對(duì)此極化現(xiàn)象進(jìn)行了解釋：當(dāng)自動(dòng)化成本降低時(shí)，對(duì)于兩個(gè)復(fù)雜度相同的任務(wù)，由于培訓(xùn)需求度更高的任務(wù)所需的勞動(dòng)力也相應(yīng)昂貴，企業(yè)會(huì)選擇將這部分任務(wù)自動(dòng)化；而復(fù)雜度高、培訓(xùn)密集型的工作不易被自動(dòng)化，這樣會(huì)造成勞動(dòng)力流向兩端，即流向高復(fù)雜度的高技能崗位或比較簡(jiǎn)單、無需太多培訓(xùn)任務(wù)的低技能崗位。與此同時(shí)，工資極化伴隨著就業(yè)極化產(chǎn)生（Acemoglu and Autor，2011），而人工智能技術(shù)的出現(xiàn)和應(yīng)用加劇了這一進(jìn)程（Michaels et al.，2014；Autor，2015）。甚至有研究認(rèn)為人工智能技術(shù)造成的工資極化要強(qiáng)于就業(yè)極化，Dauth et al.（2017）表明，隨著工業(yè)機(jī)器人使用的增多，中間技能的勞動(dòng)者將面臨巨大的收入損失，而且這種收入損失并不是來自于工作替代，而是現(xiàn)有工作工資的降低。

綜上，雖然現(xiàn)有關(guān)于人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)沖擊的文獻(xiàn)已很多，但仍然存在以下局限：第一，當(dāng)前文獻(xiàn)多數(shù)著眼于研究發(fā)達(dá)國(guó)家的情況（Acemoglu and Autor，2011；Acemoglu and Restrepo，2020；Oschinski and Wyonch，2017；Dauth et al.，2017；Lankisch et al.，2017；Trajtenberg，2018；Agrawal et al.，2019），缺乏針對(duì)發(fā)展中國(guó)家的研究。實(shí)際上，發(fā)達(dá)國(guó)家和發(fā)展中國(guó)家無論是在人工智能技術(shù)的發(fā)展階段還是在勞動(dòng)力市場(chǎng)結(jié)構(gòu)方面均存在較大差異，現(xiàn)有文獻(xiàn)的結(jié)論不一定適合于發(fā)展中國(guó)家。尤其在我國(guó)，人工智能技術(shù)正處于一種前所未有的高速發(fā)展階段，其勞動(dòng)力市場(chǎng)對(duì)此可能會(huì)存在更多不同的反應(yīng)和表現(xiàn)，這也導(dǎo)致了現(xiàn)有文獻(xiàn)存在的第二個(gè)問題，即研究結(jié)論尚存在分歧。正如Agrawal et al.（2019）指出的，人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)的影響是“不明確”的，而曹靜和周亞林（2018）認(rèn)為這很可能取決于不同國(guó)家或地區(qū)在人工智能技術(shù)發(fā)展水平和勞動(dòng)力市場(chǎng)方面的特殊性。第三，在僅有的幾個(gè)針對(duì)我國(guó)現(xiàn)狀的研究中，由于無法較為精準(zhǔn)地量化人工智能技術(shù)，現(xiàn)有文獻(xiàn)多基于動(dòng)態(tài)一般均衡模型進(jìn)行數(shù)值模擬（郭凱明，2019；陳彥斌等，2019），缺乏使用具體詳細(xì)的行業(yè)數(shù)據(jù)對(duì)理論進(jìn)行驗(yàn)證。而相關(guān)的實(shí)證研究也比較少：程虹等（2018）和Cheng et al.（2019）利用企業(yè)調(diào)查問卷數(shù)據(jù)進(jìn)行相關(guān)研究，但問卷僅覆蓋湖北和廣東兩省，其核心問題是詢問企業(yè)是否購買工業(yè)機(jī)器人，未涉及到工業(yè)機(jī)器人使用的具體數(shù)據(jù)，樣本代表性有所欠缺；閆雪凌等（2020）從全行業(yè)崗位和工資兩個(gè)角度進(jìn)行了分析，但文章沒有對(duì)此影響進(jìn)行動(dòng)態(tài)討論，在進(jìn)一步預(yù)期方面有待改進(jìn)。

基于此，本文將圍繞人工智能技術(shù)沖擊對(duì)中國(guó)勞動(dòng)力市場(chǎng)中崗位數(shù)量、工資水平以及極化現(xiàn)象的影響展開討論。可能存在的邊際貢獻(xiàn)有：第一，為人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)沖擊的相關(guān)研究提供來自中國(guó)的證據(jù)，完善有關(guān)發(fā)展中國(guó)家這一問題的相關(guān)文獻(xiàn)；其次，使用覆蓋面較廣、代表性較強(qiáng)的工業(yè)機(jī)器人數(shù)據(jù)去刻畫人工智能技術(shù)在中國(guó)的應(yīng)用，并結(jié)合中國(guó)勞動(dòng)力市場(chǎng)的實(shí)際情況進(jìn)行分析，為相關(guān)的理論研究補(bǔ)充現(xiàn)實(shí)依據(jù)；第三，構(gòu)建面板VAR模型從動(dòng)態(tài)角度進(jìn)行實(shí)證研究，并給出相應(yīng)的預(yù)期，為人工智能技術(shù)在中國(guó)未來的發(fā)展提供更有操作性的政策建議。

三、實(shí)證模型與數(shù)據(jù)

本文借鑒Abrigo and Love（2016）的方法，通過構(gòu)建面板VAR模型，對(duì)人工智能技術(shù)在我國(guó)勞動(dòng)力市場(chǎng)的影響進(jìn)行估計(jì)。選擇VAR模型不僅有助于對(duì)人工智能沖擊進(jìn)行有效識(shí)別，還能構(gòu)造沖擊下勞動(dòng)力市場(chǎng)的脈沖反應(yīng)函數(shù)，方便與理論模型的數(shù)值模擬結(jié)果進(jìn)行對(duì)比檢驗(yàn)。構(gòu)建面板數(shù)據(jù)集，可以進(jìn)一步細(xì)分不同行業(yè)受到的不同影響，討論人工智能技術(shù)的行業(yè)異質(zhì)性，在提高估計(jì)準(zhǔn)確性的同時(shí)，提出更有針對(duì)性的政策建議。

數(shù)據(jù)可得性一直是制約人工智能技術(shù)對(duì)勞動(dòng)力影響這一領(lǐng)域相關(guān)實(shí)證研究的難題。本文選擇由IFR所統(tǒng)計(jì)發(fā)布的各行業(yè)工業(yè)機(jī)器人使用數(shù)據(jù)作為衡量人工智能技術(shù)的指標(biāo)。IFR是成立于1987年的國(guó)際性非盈利組織，其成員包括來自全球20多個(gè)國(guó)家的60多個(gè)與機(jī)器人行業(yè)相關(guān)的協(xié)會(huì)和研發(fā)機(jī)構(gòu)，提供了從1993年至今全球近100個(gè)國(guó)家和地區(qū)各行業(yè)工業(yè)器人使用情況的數(shù)據(jù)。本文通過將IFR所提供中國(guó)各行業(yè)機(jī)器人使用數(shù)據(jù)與制造業(yè)行業(yè)的各項(xiàng)指標(biāo)一一匹配，構(gòu)建了我國(guó)制造業(yè)各行業(yè)使用工業(yè)機(jī)器人情況的基礎(chǔ)數(shù)據(jù)集，涵蓋2006-2017年我國(guó)15個(gè)制造業(yè)行業(yè)層面的面板數(shù)據(jù)①。

具體變量說明如下：（1）工業(yè)機(jī)器人使用量（robot），由工業(yè)機(jī)器人使用量（存量）反映人工智能技術(shù)在制造業(yè)各行業(yè)中的應(yīng)用情況；（2）勞動(dòng)力就業(yè)數(shù)量（work），由行業(yè)年末從業(yè)人數(shù)表示，行業(yè)就業(yè)規(guī)模越大，表明潛在崗位越多；（3）勞動(dòng)力工資水平（wage），由行業(yè)年末平均工資表示；（4）資本率（capital），由各行業(yè)規(guī)模以上企業(yè)固定資產(chǎn)投入表示，較高的資本率通常意味著較高的生產(chǎn)率，可能更容易應(yīng)用工業(yè)機(jī)器人，從而對(duì)就業(yè)崗位和工資水平產(chǎn)生影響；（5）人力資本（human），由各行業(yè)規(guī)模以上企業(yè)研發(fā)人員總數(shù)表示，刻畫所在行業(yè)的勞動(dòng)力市場(chǎng)結(jié)構(gòu)；（6）盈利能力（profit），由各行業(yè)規(guī)模以上企業(yè)利潤(rùn)總額表示，企業(yè)盈利能力越強(qiáng)通常勞動(dòng)回報(bào)越高，更容易吸引勞動(dòng)力進(jìn)入。

所有變量的含義及數(shù)據(jù)來源在表1中進(jìn)行了總結(jié)，變量描述性統(tǒng)計(jì)如表2所示。為保證量綱統(tǒng)一，在實(shí)際估計(jì)中對(duì)所有變量均進(jìn)行對(duì)數(shù)化處理，對(duì)其中的名義變量均利用居民消費(fèi)價(jià)格指數(shù)（以2006年為基期）調(diào)整為實(shí)際值。最后，對(duì)于面板VAR模型的估計(jì)，基于Abrigo and Love（2016）提出的GMM方法，參考Andrews and Lu（2001）給出的信息準(zhǔn)則最優(yōu)滯后階數(shù)選擇為一階，并且在穩(wěn)健性檢驗(yàn)部分匯報(bào)了滯后階數(shù)為二階的結(jié)果。

四、實(shí)證檢驗(yàn)與分析

（一）人工智能技術(shù)沖擊與勞動(dòng)力就業(yè)

本文首先選取勞動(dòng)力就業(yè)數(shù)量（work）、工業(yè)機(jī)器人使用量（robot）、資本率（capital）、人力資本（human）為系統(tǒng)內(nèi)生變量，估計(jì)識(shí)別人工智能技術(shù)沖擊對(duì)勞動(dòng)力就業(yè)的影響。系數(shù)估計(jì)結(jié)果如表3中的模型（1）所示。需要說明的是，面板VAR模型所估計(jì)的回歸系數(shù)本身并不具有確切的經(jīng)濟(jì)學(xué)涵義，研究者通常旨在分析某一內(nèi)生變量在受到?jīng)_擊后如何影響系統(tǒng)中的其它內(nèi)生變量。按照慣例，本文將著重對(duì)估計(jì)得到的脈沖反應(yīng)函數(shù)進(jìn)行分析。

圖3給出了人工智能技術(shù)沖擊下勞動(dòng)力就業(yè)的脈沖反應(yīng)，由Monte Carlo模擬2 000次得到，其中實(shí)線表示脈沖反應(yīng)函數(shù)值，陰影表示90%置信區(qū)間（下同）。估計(jì)結(jié)果表明，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊①，會(huì)導(dǎo)致勞動(dòng)力就業(yè)上升約0.04個(gè)百分點(diǎn)（第2期）。與此同時(shí)，人工智能技術(shù)沖擊對(duì)勞動(dòng)力就業(yè)的正向影響表現(xiàn)出較強(qiáng)的持續(xù)性，其衰減至第10期仍保持在0.02個(gè)百分點(diǎn)的水平，并且顯著為正。這說明當(dāng)前我國(guó)勞動(dòng)力市場(chǎng)并未出現(xiàn)明顯的崗位減少現(xiàn)象，即人工智能技術(shù)沖擊并未擠出就業(yè)，反而表現(xiàn)出一種溫和的正向促進(jìn)作用。特別地，由于模型專門對(duì)行業(yè)層面的固定效應(yīng)與勞動(dòng)力結(jié)構(gòu)進(jìn)行了控制，這一結(jié)論并不會(huì)隨行業(yè)異質(zhì)性（如規(guī)模大小和技能高低等）而改變。這一發(fā)現(xiàn)與現(xiàn)有絕大多數(shù)關(guān)于發(fā)達(dá)國(guó)家勞動(dòng)力市場(chǎng)受到人工智能技術(shù)沖擊的影響相反，這說明在我國(guó)，人工智能技術(shù)對(duì)于勞動(dòng)力崗位存在較大的創(chuàng)造效應(yīng)。Arntz et al.（2016）給出了實(shí)際就業(yè)不一定遭受損失的三個(gè)可能原因：一是由于經(jīng)濟(jì)、法律和社會(huì)的障礙，新技術(shù)的廣泛使用是一個(gè)緩慢的過程，技術(shù)替代可能并不如預(yù)期那樣立刻發(fā)生；二是即使新技術(shù)被引進(jìn)，但勞動(dòng)者可以通過更換任務(wù)轉(zhuǎn)變技術(shù)稟賦，并不會(huì)被新技術(shù)沖擊而失業(yè)；三是新技術(shù)的應(yīng)用創(chuàng)造了新的工作機(jī)會(huì)，這也與Acemoglu and Restrepo（2019）的文章結(jié)論類似，吸納了潛在的未就業(yè)人數(shù)，或是一部分從原有崗位失業(yè)的勞動(dòng)力轉(zhuǎn)移到了新崗位上。IFR的研究報(bào)告指出，僅僅工業(yè)機(jī)器人這一新興產(chǎn)業(yè)就在世界范圍內(nèi)提供了17萬-19萬個(gè)新的工作崗位，也為這一可能提供了相應(yīng)的事實(shí)依據(jù)。

為保證結(jié)論的穩(wěn)健性，本文同時(shí)估計(jì)了二階滯后模型，對(duì)比檢驗(yàn)實(shí)證結(jié)論會(huì)否隨滯后階數(shù)的選擇產(chǎn)生明顯不同②。二階滯后模型的系數(shù)估計(jì)結(jié)果如表3中的模型（2）所示。圖4給出了人工智能技術(shù)沖擊下勞動(dòng)力就業(yè)的脈沖反應(yīng)，結(jié)果顯示，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊會(huì)導(dǎo)致勞動(dòng)力就業(yè)上升約0.045個(gè)百分點(diǎn)（第3期）。與圖3進(jìn)行對(duì)比，人工智能技術(shù)沖擊對(duì)勞動(dòng)力就業(yè)繼續(xù)維持了正向且較強(qiáng)持續(xù)性的影響，這表明本文核心結(jié)論不會(huì)隨模型滯后階數(shù)的改變而發(fā)生顯著改變，結(jié)論是穩(wěn)健的。此外，本文進(jìn)一步對(duì)面板VAR模型的系統(tǒng)穩(wěn)定性進(jìn)行檢驗(yàn)③。檢驗(yàn)結(jié)果如圖5所示，二階滯后內(nèi)模型的所有特征根都落在單位圓之內(nèi)，滿足穩(wěn)定性條件。

（二）人工智能技術(shù)沖擊與勞動(dòng)力工資

接下來本文選取勞動(dòng)力工資水平（wage）、工業(yè)機(jī)器人使用量（robot）、資本率（capital）、盈利能力（profit）為系統(tǒng)內(nèi)生變量，識(shí)別人工智能技術(shù)沖擊對(duì)勞動(dòng)力工資的影響。通常情況下，行業(yè)盈利水平的高低將極大影響行業(yè)工人的工資水平，因此在這一模型中，我們特別對(duì)行業(yè)盈利能力這一指標(biāo)進(jìn)行了控制。系數(shù)估計(jì)結(jié)果如表3中的模型（3）所示。圖6給出了人工智能技術(shù)沖擊下勞動(dòng)力工資的脈沖反應(yīng)，估計(jì)結(jié)果表明，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊，會(huì)導(dǎo)致勞動(dòng)力工資上升約0.04個(gè)百分點(diǎn)（第6期），且人工智能技術(shù)沖擊對(duì)勞動(dòng)力工資的正向影響具有較強(qiáng)的持續(xù)性。圖7給出了人工智能技術(shù)沖擊下企業(yè)盈利能力這一變量的脈沖反應(yīng)，可以看到，人工智能技術(shù)沖擊導(dǎo)致企業(yè)盈利能力這一指標(biāo)顯著持續(xù)上升，說明人工智能技術(shù)對(duì)其帶來了正向影響。

與之前類似，本文同時(shí)估計(jì)了二階滯后模型，以檢驗(yàn)實(shí)證結(jié)論的穩(wěn)健性。系數(shù)估計(jì)結(jié)果如表3中的模型（4）所示。圖8給出了人工智能技術(shù)沖擊下勞動(dòng)力工資的脈沖反應(yīng)，結(jié)果顯示，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊，會(huì)導(dǎo)致勞動(dòng)力工資上升約0.03個(gè)百分點(diǎn)（第4期）。與圖6進(jìn)行對(duì)比，人工智能技術(shù)沖擊對(duì)勞動(dòng)力工資均產(chǎn)生了正向且持續(xù)性較強(qiáng)的影響，滯后階數(shù)的選擇并未顯著影響核心結(jié)論。對(duì)模型系統(tǒng)穩(wěn)定性的檢驗(yàn)結(jié)果如圖9所示，二階滯后內(nèi)模型的所有特征根都落在單位圓之內(nèi)，滿足穩(wěn)定性條件。

進(jìn)一步地，結(jié)合人工智能技術(shù)沖擊下勞動(dòng)力就業(yè)崗位和工資水平的變動(dòng)情況，我們發(fā)現(xiàn)，如果將勞動(dòng)力就業(yè)崗位與工資水平的脈沖反應(yīng)進(jìn)行對(duì)比，可以發(fā)現(xiàn)后者具有更寬的置信區(qū)間，表明工資水平對(duì)人工智能技術(shù)沖擊的反應(yīng)在顯著性上要弱于就業(yè)崗位的反應(yīng)。總體來看，相較于現(xiàn)有社會(huì)上關(guān)于“機(jī)器代人”所引發(fā)的各種擔(dān)憂，本文的結(jié)果更加支持人工智能技術(shù)對(duì)我國(guó)勞動(dòng)力市場(chǎng)產(chǎn)生的綜合影響表現(xiàn)為創(chuàng)造效應(yīng)。

（三）人工智能技術(shù)沖擊與勞動(dòng)力市場(chǎng)極化

最后，我們?cè)龠M(jìn)一步討論在人工智能技術(shù)的沖擊下，我國(guó)制造業(yè)行業(yè)是否出現(xiàn)了勞動(dòng)力市場(chǎng)極化現(xiàn)象。結(jié)合現(xiàn)有文獻(xiàn)和中國(guó)實(shí)際情況，本文選取行業(yè)研發(fā)投入的多少作為行業(yè)技術(shù)高低的衡量指標(biāo)，將位于中間位置的6個(gè)行業(yè)作為子樣本進(jìn)行估計(jì)，并與全樣本結(jié)果進(jìn)行對(duì)比。結(jié)果如圖10-13所示，其中左邊從上到下的圖10和圖12分別為全行業(yè)勞動(dòng)力就業(yè)和工資的脈沖反應(yīng)，右邊一列從上到下的圖11和13分別為中間技能行業(yè)勞動(dòng)力就業(yè)和工資的脈沖反應(yīng)。從圖中可以看出，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊，會(huì)導(dǎo)致中間技能行業(yè)勞動(dòng)力就業(yè)上升約0.035個(gè)百分點(diǎn)（第2期），工資上升約0.03個(gè)百分點(diǎn)（第6期），均未超過全行業(yè)的平均水平，這說明人工智能技術(shù)沖擊并未給當(dāng)前我國(guó)勞動(dòng)力市場(chǎng)帶來極化現(xiàn)象。一般而言，出現(xiàn)極化現(xiàn)象的勞動(dòng)力市場(chǎng)通常伴隨著就業(yè)崗位和工資水平同時(shí)下降的趨勢(shì)，但如本文前面兩部分結(jié)果而言，當(dāng)前人工智能技術(shù)沖擊對(duì)我國(guó)勞動(dòng)力市場(chǎng)無論在就業(yè)崗位還是工資水平上的影響主要是正向的，這可能是我國(guó)勞動(dòng)力市場(chǎng)未出現(xiàn)極化現(xiàn)象的重要原因。

五、結(jié)論和政策建議

在人工智能技術(shù)席卷全球的今天，探討其對(duì)勞動(dòng)力市場(chǎng)的沖擊和影響具有重大意義。在現(xiàn)有文獻(xiàn)的基礎(chǔ)上，本文通過使用2006-2017年我國(guó)制造業(yè)各行業(yè)應(yīng)用工業(yè)機(jī)器人的數(shù)據(jù)，構(gòu)建行業(yè)面板VAR模型進(jìn)行實(shí)證研究，分析了人工智能技術(shù)對(duì)我國(guó)勞動(dòng)力就業(yè)崗位、工資水平及勞動(dòng)力市場(chǎng)結(jié)構(gòu)的沖擊。結(jié)果發(fā)現(xiàn)，人工智能技術(shù)對(duì)于勞動(dòng)力就業(yè)崗位和工資水平均存在正向沖擊，相較就業(yè)崗位的影響，工資水平對(duì)于人工智能技術(shù)沖擊的反應(yīng)在顯著性上要稍弱一些。具體而言，1單位標(biāo)準(zhǔn)差的人工智能技術(shù)沖擊，導(dǎo)致勞動(dòng)力就業(yè)崗位數(shù)量上升約0.04至0.045個(gè)百分點(diǎn)，并提升工資水平約0.03至0.04個(gè)百分點(diǎn)。進(jìn)一步研究發(fā)現(xiàn)，相比發(fā)達(dá)國(guó)家人工智能技術(shù)廣泛應(yīng)用所導(dǎo)致的就業(yè)極化現(xiàn)象，當(dāng)前人工智能技術(shù)沖擊并未導(dǎo)致我國(guó)勞動(dòng)力市場(chǎng)在結(jié)構(gòu)上出現(xiàn)類似現(xiàn)象。本文的研究結(jié)果表明，總體上看，人工智能技術(shù)沖擊對(duì)我國(guó)勞動(dòng)力市場(chǎng)存在正向影響，更多表現(xiàn)為新技術(shù)的“創(chuàng)造效應(yīng)”。

本文的發(fā)現(xiàn)有助于正確認(rèn)識(shí)當(dāng)前我國(guó)人工智能技術(shù)對(duì)于勞動(dòng)力市場(chǎng)的沖擊，緩解由“機(jī)器代人”所引發(fā)的擔(dān)憂。基于本文結(jié)果，我們提出以下政策建議：

第一，繼續(xù)大力推進(jìn)人工智能技術(shù)在全行業(yè)的應(yīng)用，讓人工智能技術(shù)成為引領(lǐng)我國(guó)經(jīng)濟(jì)“雙循環(huán)”的重要能量。人工智能技術(shù)可能通過提高行業(yè)生產(chǎn)率、增加行業(yè)就業(yè)崗位、創(chuàng)造新就業(yè)崗位、提高企業(yè)盈利能力等多方面對(duì)勞動(dòng)力就業(yè)崗位和工資水平產(chǎn)生正向影響，這將會(huì)對(duì)后疫情時(shí)代我國(guó)經(jīng)濟(jì)的發(fā)展提供更多新機(jī)遇，有助于我國(guó)更深入地參與全球經(jīng)濟(jì)發(fā)展和競(jìng)爭(zhēng)，政府應(yīng)該繼續(xù)出臺(tái)相應(yīng)的政策措施為人工智能技術(shù)在我國(guó)的發(fā)展保駕護(hù)航。

第二，正確面對(duì)人工智能技術(shù)在應(yīng)用過程中對(duì)現(xiàn)有勞動(dòng)力可能產(chǎn)生的負(fù)面效應(yīng)。作為一項(xiàng)新技術(shù)，其存在一定的擠出效應(yīng)在所難免，政府應(yīng)該提前做好應(yīng)對(duì)措施，加強(qiáng)風(fēng)險(xiǎn)防范，利用人工智能技術(shù)先天的技術(shù)適配性，引導(dǎo)可能受影響的勞動(dòng)力群體分流崗位，并做好勞動(dòng)力再就業(yè)培訓(xùn)，緩解因“機(jī)器代人”引發(fā)的社會(huì)問題，為人工智能技術(shù)更好地服務(wù)于我國(guó)經(jīng)濟(jì)的發(fā)展鋪平道路。

第三，加大人力資本投入，不斷提高現(xiàn)有勞動(dòng)力素質(zhì)水平，確保當(dāng)前傳統(tǒng)勞動(dòng)力的技能水平與人工智能技術(shù)的要求處于匹配水平，并保證相應(yīng)配套的教育科研投入以適應(yīng)人工智能技術(shù)所創(chuàng)造的新崗位能力要求，鼓勵(lì)和引導(dǎo)人工智能技術(shù)與現(xiàn)有的勞動(dòng)力結(jié)構(gòu)向更和諧的方向匹配，從而實(shí)現(xiàn)科學(xué)技術(shù)和勞動(dòng)力技術(shù)同步發(fā)展。

參考文獻(xiàn)

[1] 曹靜、周亞林：《人工智能對(duì)經(jīng)濟(jì)的影響研究進(jìn)展》[J]. 《經(jīng)濟(jì)學(xué)動(dòng)態(tài)》， 2018年第1期，第103-115頁。

[2] 陳彥斌、林晨、陳小亮：《人工智能、老齡化與經(jīng)濟(jì)增長(zhǎng)》[J]. 《經(jīng)濟(jì)研究》， 2019年第7期，第47-63頁。

[3] 程虹、陳文津、李唐：《機(jī)器人在中國(guó)：現(xiàn)狀、未來與影響——來自中國(guó)企業(yè)-勞動(dòng)力匹配調(diào)查（CEES）的經(jīng)驗(yàn)證據(jù)》[J]. 《宏觀質(zhì)量研究》，2018年第6刊第3期，第1-21頁。

[4] 郭凱明：《人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級(jí)與勞動(dòng)收入份額變動(dòng)》[J]. 《管理世界》，2019年第7期，第60-77頁。

[5] 閆雪凌、朱博楷、馬超：《工業(yè)機(jī)器人使用與制造業(yè)就業(yè)：來自中國(guó)的證據(jù)》[J]. 《統(tǒng)計(jì)研究》，2020第37刊第1期，第74-87頁。

[6] Abrigo， M. R. M.， and Love， I.， “Estimation of panel vector autoregression in Stata” [J]. The Stata Journal， 2016， 16（3）， 778-80.

[7] Acemoglu， D.， and Autor， D.， “Skills， tasks and technologies： Implications for employment and earnings” [J]. Handbook of Labor Economics，Elsevier， 2011， （4）， 1043-1171.

[8] Acemoglu， D.， and Restrepo， P.， “Automation and new tasks： how technology displaces and reinstates labor” [J]. Journal of Economic Perspectives， 2019， 33（2）， 3-30.

[9] Acemoglu， D.， and Restrepo， P.， “Robots and jobs： Evidence from US labor markets” [J]. Journal of Political Economy， 2020， 128（6）， 2188-2244.

[10] Agrawal， A.， and Gans， J. S.， Goldfarb， A.， “Artificial Intelligence： The Ambiguous Labor Market Impact of Automating Prediction”[J]. Social Science Electronic Publishing， 2019.

[11] Andrews， D.W.K. and Lu， B.， “Consistent model and moment selection procedures for GMM estimation with application to dynamic panel data models”[J]. Journal of Econometrics， 2001， 101（1）， 123-164.

[12] Arntz， M.， Gregory， T.， and Zierahn， U.， “The risk of automation for jobs in OECD countries： A comparative analysis”[J]. OECD Social， Employment， and Migration Working Papers， 2016.

[13] Autor， D. H.， Levy， F.， and Murnane R J， “The Skill Content of Recent Technological Change： An Empirical Exploration” [J]. The Quarterly Journal of Economics， 2003， 118（4）， 1279-1333.

[14] Autor， D. H.， Katz， L.F.， and Kearney， M. S.， “The polarization of the US labor market”[J]. American Economic Review， 2006， 96（2）， 189-194.

[15] Benzel， S. G.， Kotlikoff， L. J.， LaGarda， G.， et al， “Robots are us： Some economics of human replacement”[J]. NBER working paper， 2015 （w20941）.

[16] Bessen， J.， “Automation and jobs： When technology boosts employment”[J]. Economic Policy， 2019， 34（100）， 589-626.

[17] Brynjolfsson， E.， Rock， D.， and Syverson， C.， “Artificial intelligence and the modern productivity paradox： A clash of expectations and statistics”NBER working paper， 2017 （w24001）.

[18] Cheng， H.， Jia， R.， Li， D.， et al， “The Rise of Robots in China”[J]. Journal of Economic Perspectives， 2019， 33（2），71-88.

[19] Dauth， W.， Findeisen， S.， Sdekum， Jens， et al. “German Robots - The Impact of Industrial Robots on Workers” [J]. CEPR Discussion Papers， 2017.

[20] Davi， 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.

[21] DeCanio， S. J.， “and humans–complements or substitutes？”[J]. Journal of Macroeconomics， 2016， 49， 280-291.

[22] Feng， A.， and Graetz， G.， “Rise of the machines： The effects of labor-saving innovations on jobs and wages”[J]. IZA Discussion Papers， 2015.

[23] Frey， C. B.， and Osborne， M. A.， “The future of employment： How susceptible are jobs to computerisation ？”[J]. Technological Forecasting and Social Change， 2017， 114.

[24] Furman， J.， and Seamans， R.， “AI and the Economy”[J]. Innovation Policy and the Economy， 2019， 19（1）， 161-191.

[25] Goos， M.， and Manning， A.， “Salomons A. Job polarization in Europe”[J]. American Economic Review， 2009， 99（2）， 58-63.

[26] Goos， M.， and Manning， A.， “Lousy and lovely jobs： The rising polarization of work in Britain”[J]. Review of Economics and Statistics， 2007， 89（1）， 118-133.

[27] Graetz， G.， and Michaels， G.， “Is Modern Technology Responsible for Jobless Recoveries？”[J]. American Economic Review， 2017， 107（5）.

[28] Hamilton， J. D.， “Time Series Analysis”[J]. Princeton： Princeton University Press， 1994.

[29] Hoedemakers， L.， “The changing nature of employment： How technological progress and robotics shape the future of work”， 2017.

[30] Lankisch， C.， Prettner， K.， and Prskawetz， A.， “Robots and the skill premium： An automation-based explanation of wage inequality”， Hohenheim Discussion Papers in Business， Economics and Social Sciences， 2017.

[31] Leontief， M.， “National Perspective： The Definition of Problems and Opportunities. a National Academy of Engineering Symposium”， 1983.

[32] Lutkepohl， H.， “ New Introduction to Multiple Time Series Analysis”[J].New York： Springer， 2005.

[33] Michaels， G.， Natraj， A.， and Van Reenen， J.， “Has ICT polarized skill demand？ Evidence from eleven countries over twenty-five years”[J]. Review of Economics and Statistics， 2014， 96（1）， 60-77.

[34] Oschinski， M.， and Wyonch， R.， “Future Shock？ The Impact of Automation on Canadas Labour Market”[J]. C.d.howe Institute Commentary， 2017， 12（2），27-32.

[35] Schumpeter， J.， “Theorie der wirtschaftlichen Entwicklung”， 1911.

[36] Trajtenberg， M.， “Ai as the Next Gpt： A Political-Economy Perspective”[J]. Cepr Discussion Papers， 2018.

Impact of Artificial Intelligence on Chinas Labor Market

XUELING YAN

（Sichuan University）

WENXIN LI

（Sichuan University）

RAN GAO

（Sichuan University）

Abstract： This paper studies the impact of artificial intelligence on Chinas labor market by quantifying artificial intelligence technical indicators and using corresponding data. By constructing the basic data set of industrial robots in Chinas manufacturing industry from 2006 to 2017， the panel VAR model is used to identify the impact. The results show that the current artificial intelligence technology has a positive impact on Chinas labor market and has strong sustainability. The impact of 1 unit standard deviation of artificial intelligence technology leads to the increase of labor employment by about 0.04 to 0.045 percentage points The impact of wage level on artificial intelligence technology is slightly weaker than that of fanaying in employment. Further research shows that the impact of artificial intelligence technology does not lead to polarization of labor market structure at this stage. In view of the increasing concern about "machine replacing man" brought by artificial intelligence technology， this paper believes that the impact of artificial intelligence technology on Chinas labor market is positive， and its performance is more creation effect than substitution effect. The government should continue to introduce positive policies and measures to promote the better development of artificial intelligence technology in China.

Key Words： artificial intelligence； industrial robots； labor market； panel VAR model

〔執(zhí)行編輯：韓超〕

* 閆雪凌，四川大學(xué)經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)學(xué)博士，助理研究員；李雯欣，四川大學(xué)經(jīng)濟(jì)學(xué)院本科生；高然，四川大學(xué)經(jīng)濟(jì)學(xué)院博士：副教授。通信作者：高然，四川大學(xué)經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)學(xué)博士，副教授。E-mail：gaoran@scu.edu.cn。感謝中國(guó)博士后科學(xué)基金第64批面上資助（2018M643457）、四川省科技廳軟科學(xué)研究項(xiàng)目（2019JDR0172）的資助。

① 習(xí)近平，2018年在中共中央政治局第九次集體學(xué)習(xí)上的講話。

② 國(guó)際機(jī)器人聯(lián)盟（IFR）原文定義： “Industrial robots is an automatically controlled， reprogrammable multipurpose manipulator programmable in three or more axes.” （https：//ifr.org/#topics）

① 美國(guó)政府在2013年推出《美國(guó)機(jī)器人技術(shù)路線圖》，主要突出了機(jī)器人對(duì)美國(guó)制造業(yè)的重要影響，并強(qiáng)調(diào)了其在創(chuàng)造新就業(yè)崗位方面的巨大貢獻(xiàn)；日本政府2015年出臺(tái)《新機(jī)器人戰(zhàn)略》，希望日本成為世界機(jī)器人創(chuàng)新基地；德國(guó)借助“工業(yè)4.0”計(jì)劃從2012年開始大力推行“智能工廠”，通過工業(yè)機(jī)器人在生產(chǎn)領(lǐng)域的直接應(yīng)用，引領(lǐng)了工業(yè)制造向靈活化和個(gè)性化方向轉(zhuǎn)型。

② 我國(guó)工業(yè)機(jī)器人的發(fā)展得到了《關(guān)于推進(jìn)工業(yè)機(jī)器人產(chǎn)業(yè)發(fā)展的指導(dǎo)意見》《中國(guó)制造2025》《機(jī)器人產(chǎn)業(yè)發(fā)展規(guī)劃（2016-2020年）》等政策的支持。

① 本文構(gòu)建的數(shù)據(jù)集備索。

① 在利用面板VAR模型識(shí)別出人工智能技術(shù)沖擊的基礎(chǔ)上，此處模擬暫時(shí)性沖擊（沖擊產(chǎn)生一期即關(guān)閉）下勞動(dòng)力就業(yè)的反應(yīng)，后文的脈沖反應(yīng)分析類似。

② 受樣本容量的限制，本文未估計(jì)滯后階數(shù)為三階及以上的情形。

③ 穩(wěn)定性檢驗(yàn)基于Lutkepohl（2005）和Hamilton（1994），VAR模型的系統(tǒng)穩(wěn)定性直接影響著沖擊識(shí)別及脈沖反應(yīng)函數(shù)計(jì)算的準(zhǔn)確性和有效性，因而至關(guān)重要。