人工智能的就业反极化效应研究※
潘丹丹
内容提要： 基于2008-2017年中国上市公司数据，提取上市公司的人工智能相关数据，实证分析了人工智能的发展和应用对于就业结构的影响，研究发现：人工智能技术能够替代复杂劳动，对就业的影响表现出与传统信息技术不同的特征，呈现出就业反极化效应，显著提升了中技能劳动者就业比重，降低了高技能和低技能劳动者就业比重，并且在信息产业中表现尤为突出。
关键词： 人工智能 就业结构 反极化效应
一、引 言
在人工智能技术发展之前，以自动化为代表的计算机技术，使得重复性的简单劳动受到了一定程度的替代，但对于复杂程度较高的高端就业岗位以及部分低端就业岗位，自动化技术的替代能力不强，由此导致中端就业岗位比重相对下降，高端和低端就业岗位比重相对上升，出现所谓的就业极化(Employment Polarization)现象。伴随着信息技术的不断发展，有众多研究发现，从20世纪80年代开始，欧美一些发达国家开始出现就业极化现象。如Acemoglu(1999)利用美国1983-1993年数据研究发现中等技能水平的劳动正在被高端和低端技能的劳动替代，呈现出就业极化现象；Goos et al.(2014)基于西欧国家1993-2010年数据，认为西欧国家普遍存在就业极化现象，高收入的职业以及低收入的服务业劳动者的就业份额不断上升，制造业以及办公室从事常规工作的人员的就业份额不断下降。有研究认为，中国也出现了就业极化现象，如吕世斌和张世伟(2015)利用1998-2009年中国制造行业面板数据研究发现中国的劳动力市场也存在就业极化现象，在样本期间相对于中等技术行业，高技术行业和低技术行业的就业有更大幅度的增加。作为现代信息技术的新发展，人工智能技术表现出与自动化技术不一样的特征，人工智能技术如果能够对复杂劳动产生替代，那么从事复杂劳动的高端就业岗位以及部分难以被自动化所替代的低端复杂劳动岗位的就业可能会受到冲击，进而会引起与传统技术发展所导致的就业极化现象完全相反的反极化现象，延缓甚至终止就业极化现象。这是本文的研究切入点。
二、文献综述
技术的发展会冲击就业，产生就业结构的变迁问题，相关研究存在两种不同的观点。一方面是对于就业极化现象的研究以及原因的解析。就业极化现象的发现源自于Acemoglu(1999)、Goos et al.(2007)等对于技术进步引发的就业结构问题的思考。其他学者如Autor(2010)分析了美国1979-1989年、1989-1999年、1999-2007年三个十年不同技能劳动力的就业份额变动情况，将326个职业的平均工资由低到高排序作为横轴，发现中等收入人群的就业份额是相对下降的。Jaimovich &Siu(2012)则解释了过去35年美国劳动力极化的原因，认为中间技能劳动力的就业份额下降是在经济衰退时发生的，而且在经济复苏期，这部分下降的就业岗位并不能够得到恢复。
他当时没有恐惧的感觉，所以他推测，那种战栗，应该是在大脑屏蔽了它的同时，身体却仍不可避免地受到了它的一些影响。
技术冲击引发就业结构问题的研究还存在另外一个论点，即认为技术冲击导致了技能偏向效应。技能偏向效应认为，高技能劳动者能够在技术冲击过程中获益，就业收入增加，就业量也增加，从结构上看，高技能劳动者就业比重不断攀升。代表性研究有Katz &Krueger(1998)、Goldin &Katz(1998)、Acemoglu &Autor(2011)等。他们从技能偏向效应角度，对就业份额的变化进行了解释；但是这部分理论仅能够解释高端劳动者就业比重相对上升这一现象，并不能解释低端劳动者就业比重相对上升。国内也有相关研究，如宋冬林等(2010)发现不同类型技术进步都呈现技能偏向特征，技术发展使得高技能型劳动的需求增加，报酬增长；此外，非技能型劳动的需求下降。
基于此，本文选取东三省及西南地区部分省市A股上市公司2014～2015年数据为样本，实证检验影响企业研发支出资本化的相关因素。与以往研究相比，本文的主要贡献在于创新性地提出了系统风险这一因素对研发支出的影响，同时为了检验不同行业不同因素对资本化的影响程度，将企业行业类别分为高新技术企业和非高新技术企业，对比分析不同企业环境下研发支出资本化的不同结果，为客观观察企业会计行为提供了一定的理论及实践依据。
进入21世纪以来，越来越多的学者关注以计算机、互联网、自动化等为代表的信息技术发展带来的就业影响。有些研究认为信息技术的发展应用会导致就业极化现象，如Autor &Levy(2003)认为信息通信技术的应用能够显著替代从事常规性工作的劳动力就业，这部分工作主要由中等技能劳动者承担，从而导致中等技能劳动者就业比重相对下降。Autor &Dorn(2013)进一步解释了信息技术在就业极化中的作用机制，即在常规性工作中由于信息技术的采用，低端劳动力逐步被替代并向服务业转移，同时出现高技能劳动力的不断流入，出现就业与工资的极化现象。Michaels et al.(2014)也认为ICT技术的使用强化了就业极化程度，ICT发展程度高的产业就业极化程度更高。有学者从技能偏向视角研究了信息技术的就业冲击，如杨蕙馨和李春梅(2013)认为中国信息产业技术进步为技能偏向型，信息产业技术进步会增加对高技能劳动力的相对需求，减少对低技能劳动力的相对需求。
将就业极化作为被解释变量时，如何衡量就业极化程度至关重要。常用的衡量就业极化的方法是将劳动者的学历水平作为劳动技能的代理指标，通过计算不同学历水平的劳动者占全体劳动者的比重，来衡量不同技能水平的劳动者的就业比重，如Michaels et al.(2014)，还有的研究如Goos et al.(2009)将工资水平作为劳动技能的代理指标，Autor et al.(2003)将工作岗位中的常规任务密集程度(routine task intensity)作为劳动技能的代理指标。上述方法各有优势。由于采用学历指标简单易行，基于数据的可获得性，本文在研究中采用不同学历的员工数在就业员工总数中的占比作为衡量相应技能劳动者比重的代理指标，学历越高意味着劳动技能越高，将研究生及以上学历的员工划分为高技能人群，将本科和专科学历的员工划分为中等技能人群，将高中及以下学历的员工划分为低技能人群。
采用Stata15，表2报告了模型(1)和模型(2)的估计结果。其中，被解释变量分别设定为高技能人员比重、中技能人员比重以及低技能人员比重。在计算模型(1)时，Hausman检验结果均支持建立固定效应模型。在计算模型(2)时，除了中技能人员就业比重在作为被解释变量时在5%水平下支持建立随机效应模型外，高技能和低技能人员作为被解释变量时Hausman检验结果均支持建立固定效应模型。
四方竹作为笋用林，由于常年挖取，对于土壤养分消耗大，导致竹林土壤肥力退化，施肥是改善这一现象的有效措施。试验结果显示，施肥能大大促进竹林的发笋，提高单位面积的竹笋产量。在施肥方案中，可以考虑以见效快的复合肥作为先导肥料保证当年生产，而以见效慢但持续性长、能改善土壤温度条件的有机肥作为长效肥保证持续生产，二者结合，作为最佳施肥方案。
三、研究设计
1.研究假设
以计算机、互联网、自动化等为特征的传统电子信息技术的应用，能够处理重复性的简单劳动，因而与工业化结合后，企业生产的信息化、自动化水平不断提升，进而促使企业内部从事简单重复劳动的劳动者就业岗位受到冲击，以流水线产业工人为代表的一线劳动者成为企业信息化、自动化的牺牲品。企业单位增加值吸纳的劳动力数量不断走低，表现为中等技能劳动者在整体就业结构中所占比重不断降低，呈现出所谓的就业极化现象。但是低端劳动就业岗位由于难以实现自动化，或者自动化的实施和运行成本相对于采用低技能人员的工资成本而言较高，企业内部的低端劳动岗位受到的冲击反而较小。因此，传统的信息技术对于低端劳动就业岗位的影响较小。与此同时，高端就业岗位由于需要大量的复杂劳动，传统的信息技术难以胜任，受到的冲击也较小。因而，传统的以计算机、互联网、自动化为代表的信息技术对于就业的影响会表现出就业极化的趋势，即中等技能劳动者就业岗位比重不断降低，而高端和低端劳动者就业岗位比重不断提升。
Employment =α 1AI i,t +α 2IN i,t +α 31K 1i,t +α 32K 2i,t +α 4R &D i,t +α 5GZ i,t +α 6FY i,t +α 7XY i,t +δ i +γ t +ε i,t
基于上述分析，提出本文的研究假设1和研究假设2。
从业人员包含单位在岗职工，再就业离退休人员，聘用的外籍人员和港澳台人员，领取补贴的兼职人员，直接支付工资的劳务工以及个体从业人员，农村从业人员和非正规从业人员。随着社会的发展，更多新的就业形式不断出现，使得从业人员种类也会不断增加和改变。那么工伤保险只有按各种从业人员情况制定不同的参保方式和费率，实行行业费率与人员费率相结合的参保方式才有可能在未来实现所有劳动者都有工伤保险保驾护航。
假设1：人工智能技术与传统信息技术对于就业的作用机制不同。
假设2：人工智能技术的发展和应用会导致高端和低端技能劳动者被替代的风险更大，从而在就业结构上表现出中端技能劳动者就业比重相对上升，高端和低端技能劳动者就业比重下降，呈现出反极化的特征。
2.数据来源
目前人工智能对于就业影响的相关实证研究如Graetz &Michaels(2015)、Dauth et al.(2017)、Acemoglu &Restrepo(2017)等使用的数据来源是International Federation of Robotics (IFR)，但是该数据主要是国家层面机器人设备的相关数据，跟人工智能有所区别；还有部分研究如Hoedemakers(2017)使用了机器人专利数量(International Patent Classifications，IPC)作为机器人发展程度的代理指标。目前中国有关人工智能的相关统计和调查工作有待进一步完善，可供分析使用的人工智能方面的宏观和微观数据匮乏，从而在一定程度上限制了相关研究的进行，导致国内对于人工智能的就业效应方面的研究以文献综述和定性分析为主，缺乏定量分析。2015年国务院出台《关于积极推进“互联网+”行动的指导意见》，明确将人工智能作为中国今后产业发展的重点领域，极大地推动了中国人工智能技术的开发和应用，企业开始重点推进人工智能技术以及相关的大数据、云计算、机器学习等技术的部署应用。总的来说，时间短、数据累积少是目前制约人工智能相关研究的一个重要因素。
上市公司要对公司经营过程中的重大事项进行报告，其年报、季报、公告等文件提供了企业生产经营情况的相关信息，通过对上市公司2015年及以后的相关报告进行文本抓取，从中提取出企业有关人工智能相关技术的部署应用情况，就可以找到企业人工智能的相关数据。本文在研究中基于Choice数据库提取相关数据。Choice数据库还提供了企业的员工总数、按学历划分的员工数量以及按照就业岗位划分的员工数量。这些数据有助于了解上市公司的就业结构。同时，Choice数据库也提供了上市公司其他相关数据。本文提取了Choice数据库2008年至2017年上市公司面板数据，共3533家企业10年的相关数据，共计35330个样本。由于部分变量数据缺失，具体参与计算的实际样本数量会小于35330。
模型(1)结果显示，人工智能的实施对于高技能人员就业比重的影响为-0.001，在1%统计水平上显著，意味着人工智能的实施对于高技能人员就业比重有显著的抑制作用；人工智能的实施对于低技能人员就业比重的影响显著为负，对中技能人员就业比重的影响显著为正，可见，人工智能发展能够降低高、低技能人员的就业比重，显著提升中技能人员的就业比重，因而本文的研究假设2得到印证，即人工智能的实施对于就业结构有着显著的反极化效应，能够提升中等技能人员就业比重。
3.变量选取
人工智能技术与其他信息技术的显著差异表现在能够进行复杂问题的处理。许多研究开始聚焦人工智能技术的就业影响问题，如Decanio(2016)基于Houthakker模型，研究了人工智能与就业整体的关系，认为二者的替代弹性大于1.9，人工智能的应用对于劳动力工资有显著的替代效应。也有少部分文献开始关注现代信息技术对就业结构的影响，反思就业极化进程，如Autor(2015)认为虽然计算机和自动化导致了就业和工资的极化现象，但是抽象的任务密集型(abstract task-intensive)职业在2000年后的就业增长存在意料外的放缓现象，高技能人员的就业增长放缓，可能会导致就业极化现象在不久的将来会终止；Frey &Osborne(2017)认为计算机化(computerization)的推进会阻断就业极化的进程，原因在于计算机智能化应用会显著替代低收入和低技能人群的就业。
解释变量为企业使用人工智能的程度。在企业年报、季报、公告等公开信息中，可以提取到企业首次实施人工智能技术以及核心相关技术的时间，如果在某一年份发现企业研发(研发企业)或者部署使用(实施企业)了人工智能、大数据、云计算、智能制造、物联网、工业机器人等人工智能以及相关核心技术，那么就认为该企业在当年开始了人工智能技术的开发或者应用。(1) 部分企业会公布有关人工智能的投资数据，但由于样本量偏少以及时间上不连续，无法进行相关的数据分析。 本文以企业采用人工智能以及相关核心技术的时间作为衡量企业人工智能实施程度的代理变量，时间越长，说明企业的人工智能技术的开发或者应用程度越高。
除了上述被解释变量以及解释变量以外，还需要设定相关的控制变量。① 企业规模。影响企业内部就业结构的一个重要因素是企业规模。伴随着企业规模的扩张，企业内部部门之间的相对比重会进行动态调整，并导致企业内部员工结构的变化。为便于横向比较，企业规模采用总营业收入作为代理指标。② 企业资本。资本与劳动是企业生产的两个重要投入要素，二者之间是互补还是替代的关系取决于企业生产函数的具体形式，伴随着企业资本投入的变化，企业内部人员也需要进行相应调整，以动态适应和匹配企业需要，进而引起企业内部员工结构的变化。采用企业资产的账面价值作为企业资本存量的代理指标。③ 研发投入。研发投入关系到企业内部高端人才的就业比重，研发投入需要大量的高端智力资源投入，同时为高端人员进行相应的工作和生活支持，也可能需要中低端人员进行协同工作。采用企业当年研发支出作为研发投入的指标。④ 工资水平。工资水平是劳动的价格，工资的变化对于企业而言意味着要素价格变化，会导致企业基于利润最大化进行要素投入的转换，用相对低价的要素替换相对高价的要素，引发资本与劳动之间、不同技能劳动者之间的替代，进而导致企业内部就业结构的变化。此外，企业的行业性质、产业特征也是企业异质性的重要来源。由于制造业便于大规模生产，机器替代劳动的能力较强，而服务业较难实现规模化生产，机器替代劳动的能力相对较弱，因而本文将是否是服务业作为行业性质的衡量指标；另外人工智能技术既是信息产业的投入，又是信息产业的产出，因而人工智能技术相对信息产业与相对其他行业有着不同特征，据此本文也设定了相应的控制变量。
城镇水厂因属多年老厂，基础资料不全，地下管线错综复杂、埋深不同，为此设计了甲、乙两种排管方案，方案甲为直埋式，其优点是施工简单、运行维护费用低、造价成本低，缺点是开挖深度大、穿越重要管线均需要保护；方案乙为提升式，在中间位置建造监测井和提升井，通过两次提升方式快速将生活污水输送至主管道，其优点是开挖深度小、穿越重要管线保护成本低，其缺点为增加了运维费用、增加了造价投资。通过综合比较确定了采用方案甲。
表1 变量设定
所有变量指标均根据Choice数据库中相关数据进行计算。所有价值型数据均以2017年为基准进行平减。为控制异方差，除虚拟变量外，其他变量均进行对数处理。有的企业实施人工智能的时间较短，可能为0或者1，为了研究需要，所有企业的人工智能实施时间均加1，再取对数。
4.模型设计
根据研究需要设定基准模型(1)；在模型(1)中加入虚拟控制变量构建模型(2)；考虑到Autor &Levy(2003)等提出的传统信息通信技术在就业极化中的作用，在模型(2)基础上，将企业总资产中的信息化资产作为控制变量，建立模型(3)。
全新欧陆GT敞篷版首发时，提供两种科技选配套件：适合市区出行的“都市套件”（City Specification）以及适合长途驾驶的“旅行套件”（Touring Specif i cation），均旨在最大化提升客户体验。当然，和所有其他宾利车型一样，客户可以将自己的全新欧陆GT敞篷版委托给宾利汽车个性化定制部门Mulliner技艺不凡的专业工匠，来满足自己的定制需求。
Employment =α 1AI i,t +α 2IN i,t +α 3K i,t +α 4R &D i,t +α 5GZ i,t +δ i +γ t +ε i,t
(1)
Employment =α 1AI i,t +α 2IN i,t +α 3K i,t +α 4R &D i,t +α 5GZ i,t +α 6FY i,t +α 7XY i,t +δ i +γ t +ε i,t
(2)
人工智能技术与传统信息技术的差异化特征，对就业的影响是与传统信息技术有所区别的。一方面，中等技能劳动者就业岗位被信息化技术的替代进程已经基本完成，这部分劳动者的就业岗位调整一直伴随着信息技术与企业生产的融合进程，即使人工智能技术能够替代一部分中等技能就业岗位，这种影响也应当较小，因为能被技术替代的部分已在上一轮信息化进程中被替代了。只有那些不能够被传统自动化替代、却能被人工智能所取代的岗位，才会面临被替代的风险，这种岗位的占比应当是较小的。另一方面，高端和低端技能劳动岗位虽然此前没有被传统信息技术所替代，但是在人工智能时代，这两端的岗位所赖以存在的基础，即复杂劳动，却逐渐可以被人工智能技术所替代，因而相对中等就业岗位被替代的风险而言，高端和低端就业岗位被替代的风险更大。
实践证明，材料费用占施工费用的60%-70%，而材料费用是有材料用量和材料价格两个方面组成。材料验收环节能够保证工程施工现场材料使用合格，减少材料使用过程中因规格不一致、质量达不到要求等原有造成的浪费，使得施工项目实现经济效益最大化。
(3)
其中，被解释变量Employment 表示就业结构，为高、中以及低技能就业人员的比重；α 表示回归系数；δ i 和γ t 表示可能的个体和时间固定效应；ε i,t 表示残差；K 1表示企业总资产中的非信息化资产，K 2表示企业总资产中的信息化资产，以企业的计算机软件以及硬件资产的期末账面原值衡量K 2，用总资产的账面价值减去K 2可以得到K 1。
四、计量结果及分析
1.人工智能技术的就业反极化效应
本文正是追循上述研究的脉络，结合信息技术发展的新特征和新趋势，从人工智能的发展和应用角度，考量信息技术的新特征对于就业的影响。这种影响区别于传统信息技术带来的变化，可能是多方面和多层次的，本文仅仅从就业极化现象是否能够持续这个视角进行分析。
发展中国太赫兹高速通信技术与应用的思考………………………………………陈智，张雅鑫，李少谦 24-3-43
模型(2)的结论与模型(1)类似，人工智能技术的应用显著降低了高技能和低技能人员的就业比重，提升了中技能人员的就业比重，具有就业反极化效应。
表2 人工智能技术的就业反极化效应
注：(1)***、**、*分别表示在1%、5%和10%统计水平上显著；括号内为标准差；fe表示个体固定效应模型，re表示个体随机效应模型。下同。
(2)在模型(2)的计算时，由于虚拟变量在固定效应中被省略，系数无法计算，模型(2)和模型(1)中高技能人员和低技能人员的计算结果中其他变量系数是相同的，Hausman检验结果略有不同。
2.人工智能技术与传统信息技术对就业影响的差异
就业极化理论认为中技能劳动者就业份额会不断下降，高技能劳动者就业份额会不断上升。技能偏向理论认为中高端技能劳动者就业份额均会不断提升。两种理论的差异在于，中等技能劳动者就业份额的变化。为了检验人工智能技术与传统信息技术对于就业影响的差异，将控制变量企业资产K 拆分为企业非信息化资产K 1和信息化资产K 2。结果见表3。
根据表(3)的结果可以发现，当把控制变量K 拆分成K 1和K 2以后，AI 的系数对于高、中、低技能就业人员比重的影响没有发生显著变化，人工智能呈现出就业反极化特征。K 2对于高技能人员就业比重的影响显著为正，对于中技能人员就业比重的影响显著为正，对于低技能人员就业比重的影响显著为负，表明企业信息化资产对于就业的影响呈现出典型的技能偏向效应，即显著提升中高端人员的就业比重。
由于企业的计算机软件和硬件资产账面价值的多少是企业长期累积的结果，人工智能的投资也应当包含在内，但是由于人工智能技术的实施时间短，人工智能等相关软硬件资产在企业信息化资产中占比不高，可以认为K 2的影响主要来自于传统的信息化投资。因此，传统信息技术在企业的应用是技能偏向型的，显著提升中高端人员就业比重；而人工智能技术对于就业的影响具有反极化效应，表现出与传统信息技术显著不同的特征，研究假设1得到证实。
表3 人工智能技术与传统信息技术对就业影响的差异
3.人工智能技术就业反极化效应的产业差异
人工智能技术对于非信息产业企业而言是要素投入，但是对于信息产业而言可能既是投入也是产出，因而人工智能技术的开发和应用在信息产业与非信息产业之间是存在差异的。表4研究了这种差异对就业的影响。
表4 信息产业与非信息产业中人工智能技术的就业影响差异
(续表)
从表4可以看出，对于信息产业而言，人工智能技术具有显著的就业反极化效应，即显著降低高技能和低技能劳动者就业比重，显著提升中技能劳动者就业比重；对于非信息产业而言，人工智能技术是要素投入，这种投入会导致企业内部中技能劳动者就业比重显著上升，而低技能劳动者就业比重显著下降，高技能劳动者比重没有显著变化。这意味着非信息产业的企业在人工智能的实施过程中，需要大量的具有本、专科学历的“操作型”人才，这些人才需要解决好人工智能技术在企业中“用”的问题；并不额外需要更多的以硕士和博士为代表的高端人才。非信息产业的企业在使用人工智能的过程中，就业反极化效应是通过增加中技能人员比重、降低低技能人员比重、保持高技能人员比重这一机制实现的，与信息产业的就业反极化效应存在一定的差异性。
何绍基：崔伟[8]主要论述了碑帖融合问题，认为何绍基从篆隶北碑中获益良多，然其成功之关键并非在此。面对当时帖学的不足，何绍基有着清醒的认识，然他并未因之对帖全面否定，而是采取扬弃的办法，使帖中所含蕴的优点得以发扬。作为一个传统文人，他崇尚中和之美，对于北碑中那些过于霸悍的作品，他则有意识地避开。所有这些使何绍基把碑与帖有机地融会在一起，使其书法既保留了帖的风神，又有碑的气息，从而成为有清以来能成功融会碑与帖而显示独特书法面貌的开创性书家。
五、结论与启示
以大数据、云计算、机器学习等现代信息技术为基础的人工智能技术的发展和应用，与以互联网、计算机为代表的传统信息技术的发展和应用呈现出不同的特征，本文着眼于这种差异，基于上市公司数据，研究了人工智能技术的发展和应用对于就业结构的影响机制。研究结果表明，人工智能技术对就业结构的影响机制与传统信息技术表现出不同的特征，对就业的影响具有反极化效应，即能够显著增加中技能劳动者就业比重，降低高技能和低技能劳动者就业比重，并且这种反极化效应在信息产业中表现尤为突出。
基于上述结论，从就业结构视角来看，人工智能技术的发展和应用能够显著改变就业结构，需要社会教育不断适应技术发展的需求，强化人工智能相关专业的本、专科应用型人才的培养；此外要积极预防就业反极化效应带来的就业风险，低技能劳动者就业比重不仅会受到人工智能的影响，还会受到企业资产、研发、工资等的影响，这些均会显著减少低技能劳动者就业比重，因而需要积极采取措施防范化解低技能劳动者的就业风险，对低技能劳动者进行再就业培训，提升低技能劳动者在就业换挡期实现灵活就业和再就业的能力。
参考文献：
1.Acemoglu,D.Changes in Unemployment and Wage Inequality:An Alternative Theory and Some Evidence.American Economic Review ,1999,89(5):1259-1278.
2.Acemoglu,D.,and P.Restrepo.Robots and Jobs:Evidence from US Labor Markets.NBER Working Papers ,2017.
3.Acemoglu,D.,and D.Autor.Skills,Tasks and Technologies:Implications for Employment and Earnings.Handbook of Labor Economics ,2011,4:1043-1171.
4.Autor,D.H.Why Are There Still So Many Jobs? The History and Future of Workplace Automation.Journal of Economic Perspectives ,2015,29(3):3-30.
5.Autor,D.H.,and D.Dorn.The Growth of Low-skill Service Jobs and the Polarization of the US Labor Market.American Economic Review ,2013,103(5):1553-1597.
6.Autor,D.H.,F.Levy,R.J.Murnane.The Skill Content of Recent Technological Change:An Empirical Exploration.The Quarterly Journal of Economics ,2003,118(4):1279-1333.
7.Autor,D.The Polarization of Job Opportunities in the US Labor Market:Implications for Employment and Earnings.Center for American Progress and The Hamilton Project ,2010.
8.Dauth,W.,S.Findeisen,J.Südekum,et al.German Robots-the Impact of Industrial Robots on Workers.CEPR Discussion Papers ,2017.
9.Decanio,S.J.Robots and Humans-Complements or Substitutes? Journal of Macroeconomics ,2016,49:280-291.
10.Frey,C.B.,and M.A.Osborne.The Future of Employment:How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change ,2017,114:254-280.
11.Goldin,C.,L.F.Katz.The Origins of Technology-skill Complementarity.Quarterly Journal of Economics ,1998,113(3):693-732.
12.Goos,M.,A.Manning,and A.Salomons.Explaining Job Polarization:Routine-biased Technological Change and Offshoring.American Economic Review ,2014,104(8):2509-2526.
13.Goos,M.,A.Manning,and A.Salomons.Job Polarization in Europe.American Economic Review ,2009,99(2):58-63.
14.Graetz,G.,and G.Michaels.Robots at Work :The Impact on Productivity and Jobs .Centre for Economic Performance .LSE,2015.
15.Hoedemakers,L.The Changing Nature of Employment :How Technological Progress and Robotics Shape the Future of Work .Lund University,2017.
16.Jaimovich,N.,and H.E.Siu.The Trend Is the Cycle:Job Polarization and Jobless Recoveries.National Bureau of Economic Research ,2012.
17.Katz,L.F.,and A.B.Krueger.Computing Inequality:Have Computers Changed the Labor Market? Quarterly Journal of Economics ,1998,113(4):1169-1213
18.Michaels,G.,A.Natraj,J.Van Reenen.Has ICT Polarized Skill Demand? Evidence from Eleven Countries over Twenty-five Years.Review of Economics and Statistics ,2014,96(1):60-77.
19.吕世斌、张世伟：《中国劳动力“极化”现象及原因的经验研究》，《经济学(季刊)》2015年第2期。
20.宋冬林、王林辉、董直庆：《技能偏向型技术进步存在吗?——来自中国的经验证据》，《经济研究》2010年第5期。
21.杨蕙馨、李春梅：《中国信息产业技术进步对劳动力就业及工资差距的影响》，《中国工业经济》2013年第1期。
中图分类号： F241.4
文献标识码： A
文章编号： 1009-2382(2019)12-0025-07
※ 基金项目： 南京邮电大学通达学院科研项目“人工智能的短期就业效应实证研究——基于上市公司数据的视角”(编号：XK205XS19015)。
作者简介： 潘丹丹，南京邮电大学通达学院讲师(扬州 225127)。
[责任编辑：侯祥鹏]
标签：人工智能论文; 就业结构论文; 反极化效应论文; 南京邮电大学通达学院论文;