人工智能對金融業(yè)員工離職意愿的影響研究
——基于感知組織支持和競爭心理氛圍的調節(jié)作用

高 萍

（深圳市坪山區(qū)科技創(chuàng)新服務中心，廣東 深圳 518000）

近期，計算機視覺、機器學習、自然語言處理等人工智能技術快速發(fā)展并應用于金融業(yè)，《2019年度中國銀行業(yè)服務改進情況報告》顯示，金融業(yè)利用AI開展業(yè)務后，銀行業(yè)離柜業(yè)務率為89.77%。AI在金融業(yè)的應用提高了企業(yè)的粘客能力，極大地降低了運營成本，提高了工作效率。研究表明，在AI應用的工作場所，增加了競爭心理氛圍，使員工離職意愿明顯加強。同時，組織支持使員工產生心理依戀和忠誠度，減弱員工離職意愿（Brougham＆Harr，2017）。

一、人工智能技術對就業(yè)的影響

Chui et al.（2015）認為如果企業(yè)運用人工智能技術，會導致員工職業(yè)選擇存在潛在的高流動率。Brougham 和Harr（2017）研究強調了這一結果，他認為企業(yè)選擇人工智能技術代替人工勞動時，員工會感到被低估或不受重視，研究顯著證明了人工智能應用會讓員工對職業(yè)前景產生不安全感而從當前職位中辭職。故提出以下假設：

假設1.人工智能應用（AI）對金融業(yè)員工的離職意愿（TI）有顯著的負面影響。

二、感知組織支持的調節(jié)作用

Duke et al.（2009）認為有效組織支持包括提供公平、培訓、獎勵的工作條件，這些組織支持能夠通過提高員工整體福祉減輕人工智能應用對員工的負面情緒影響；Cheng，Yang，Wan，& Chu（2013）調查研究表明良好的組織支持能夠使員工對工作更滿意，從而減少離職意愿。故提出一下假設：

假設2：組織支持（POS）能夠調節(jié)人工智能應用對金融業(yè)員工離職的負面影響。

三、競爭心理氛圍指標

Frey & Osbome（2017）研究表明，人工智能應用能夠通過智能技術標準刺激員工持續(xù)改進工作效率。同時，也提升工作環(huán)境競爭壓力，智能技術使員工產生被替代風險而被迫相互競爭，故人工智能應用使員工競爭顯著加劇；Gimet al.（2015）研究表明人工智能應用使公司管理者的期望門檻越來越高，員工之間的競爭壓力越來越大，在較高心理競爭氛圍工作的員工往往會辭職。故提出以下假設：

假設3：心理競爭氛圍（CPC）影響人工智能應用和金融業(yè)員工離職意愿的關系。

四、研究方法

（一）調查樣本

本文以國內金融企業(yè)為研究對象，主要通過網絡調查問卷、訪談等方法獲取數據，問卷設計使用七點李克特量表來衡量。調查樣本包括京津地區(qū)、長三角、珠三角等經濟發(fā)達區(qū)域金融機構，收到調查問卷數量為494份，剔除有規(guī)律的選填及無效問卷數據，共計收到473份有效問卷，其中京津地區(qū)37家，長三角地區(qū)196家，珠三角地區(qū)240家；銀行占比85%，其他金融機構占比15%；上市公司占比89%。問卷受訪者平均年齡為35.2歲，38.4%受訪者為管理者，近98%受訪者至少擁有本科及以上學歷，平均工作年限為2.5年，說明受訪者具備知識理解調查問卷內容并能夠給予準確答復。經數據分析，金融機構人工智能應用主要集中在智能客服、智能投顧、智能化交易等。

（二）統計分析方法

本文調查了473家金融企業(yè)人工智能應用影響（AII）與員工離職意愿（TI）的關系，并考察了組織支持（POS）和競爭心理氛圍（CPC）對這種關系的調節(jié)作用，為了使統計分析更具客觀和減少偏差，本文采用分層線性模型（HLM）分析相關調研數據，使用兩級模型評估結果變量離職意愿，兩個自變量分別為POS和CPC。本文采用直接共識模型評估POS和CPC變量，為了證明在金融企業(yè)層面匯總的POS和CPC數據的適用性，均使用統計軟件估算兩者的組內相關性（ICC）和值。POS的值為0.90，CPC的值為0.83，遠高于統計分析推薦閾值0.7。故統計分析結果支持金融企業(yè)員工POS和CPC數據回歸分析的潛在假設。

五、結果分析

（一）描述性統計分析

表1統計分析的Cronbachα系數說明多個李克特量表和數據條目都具有內部一致性，且Cronbach α系數值均超過推薦閾值0.7，系數數據支持本文提出的假設；AII分別與TI、CPC顯著相關（γ= 0.22，p <.001；γ= 0.12，p <.05）。POS與TI負相關（γ= -0.56，p <.05）。但CPC與TI呈正相關關系（γ= 0.23，p <.05）。

表1 研究變量的均值、標準差及其關系

（二）驗證性因素分析

表格2統計數據顯示了模型的擬合優(yōu)度（例如，單因子模型與多因子模型）。對比分析四個模型中的χ2、df、CFI、GFI、RMSEA等數據，四因素模型的擬合優(yōu)度最顯著，故模型1明顯優(yōu)于其他競爭模型。

表3顯示了AII、POS、CPC和TI所有反射因子的提取平均方差（AVE）、復合可靠性（CR）以及其條目負載、t值等。這些指標的因子載荷范圍為0.76至0.87，所有數據值均具有統計顯著性；每個AVE值非常接近基準0.6，復合可靠性（CR）值超過了建議接受閾值0.7，說明模型是合理的，且數據具有統計意義的有效性。

表2 比較模型分析

表3 測量模型分析

表4分析結果顯示TI可以通過組間差異的百分比解釋，在金融業(yè)層面TI存在顯著差異，可以增加更高級別預測變量。隨機模型分析顯示AII與TI顯著正相關，支持假設1。攔截模型分析顯示POS與CPC對TI有顯著影響（γ01= -0.86，p <0.05；γ02= 0.58，p <0.05）；跨級調節(jié)模型顯示AII與TI之間的關系分別由POS、CPC調節(jié)（γ21= -0.26，p <0.05；γ31= 0.40，p <0.01）。故此分析結果支持假設2和假設3。

表4 分層線性模型分析

六、討論和結論

本文研究表明金融業(yè)人工智能應用影響與員工離職意愿有顯著負相關關系，組織支持和競爭心理氛圍對這種關系分別有削弱和加強的不同調節(jié)作用。鑒于金融業(yè)員工培養(yǎng)的高成本，企業(yè)應采取多種措施提供更多的組織支持以減少人工智能應用對員工離職的負面影響，特別是對于短時間不易被人工智能替代的復雜型、非重復性工作的員工，企業(yè)更應該營造較為寬松、開放的工作環(huán)境，提供更多的培訓、團隊建設、獎勵、晉升機會，增加員工福祉，以幫助員工建立長期服務企業(yè)的意識。