人工智能技术革新与经济增长内生动力增强研究
文献来源：刘金东等：人工智能对青年就业的影响研究——来自OECD国家工业机器人使用情况的证据.中国人口科学, 2024, 38(03): 3-17.点击下载全文一、简介
人工智能是当今科技领域的热门话题。芯片、存储器、移动通信、大数据等相关技术的持续创新，为加快新生产力发展注入活力。人工智能可以推动技术创新、带动技术进步、增强经济增长内生动力。因此，它成为各国竞相推动的核心领域。据国际机器人联合会统计，全球工业机器人普及率从2009年的平均每千人2.766台机器人增长到2019年的5.595台。根据中国电子信息产业发展研究院发布的统计数据， 2017年至2021年中国人工智能产业增长2.6倍，占全球16.8%；专利申请数量也持续扩大。 ，从2012年的13%增长到2021年的70.9%。
随着人工智能的快速发展，近年来青年失业问题日益突出。经合组织国家统计数据显示，各国青年失业率平均保持在15%以上，普遍高于其他年龄段的失业率。青年失业问题在中国也引起关注。由于缺乏技能和经验，年轻人往往成为最难就业和最容易被解雇的目标（Dauth等，2021；李建奇和刘翠华，2024）。在此背景下，探讨人工智能对青年失业的影响，特别是对就业的“双刃剑”效应，具有更加突出的现实意义。
本文以OECD国家面板数据和工业机器人渗透率作为代理变量，重点探讨以下问题：人工智能技术的应用如何影响青年就业现象？年龄相关的就业结构变化在人工智能与青年就业的关系中发挥什么作用？人工智能对青年就业的影响是否因经济发展阶段而异？是逆周期趋势还是顺周期趋势？
2 理论分析与研究假设
(一)理论分析
人工智能对就业的影响复杂多样，且具有一定的动态属性。一方面，人工智能的应用通过自动化在部分岗位上取代了传统的人类劳动，直接导致岗位减少和劳动力需求下降（等，2020）。另一方面，随着人工智能的应用，企业的生产规模和盈利能力得到提升（等，2018）。在生产率提升效应的推动下，企业可能会扩大生产，这不仅会增加对人工智能等自动化设施的需求，还会增加对非自动化岗位劳动力的需求（陈东和秦子阳，2022）。此外，人工智能的引入还可以改变劳动力的工作内容，创造新的具有比较优势的生产任务，即通过创造新的就业岗位来增加劳动力需求（Dauth等，2021）。
人工智能对就业的影响分为三种不同的效应：一是生产力效应；二是就业效应。二是创造就业效应；三是就业替代效应。这三种效应可能对年轻人就业产生多重影响（具体推导过程见原文）。
(2)研究假设
从生产率效应来看，随着人工智能的引入，生产率水平提高，促使代表性企业扩大生产规模，带动整体就业能力增加（陈东、秦子阳，2022）。生产力效应是一种无偏效应，不会带来群体间的结构性变化。因此，生产力效应会同时增加年轻人和中老年人的就业。然而，就业创造效应和就业替代效应是两种可能共同造成就业替代的偏向就业效应。就业创造效应总体上有助于扩大就业供给（李东等，2020；陈冬、秦子阳，2022），但就业创造效应存在偏差，具有专业知识和技能储备的劳动者更有可能受益。它（李雷等，2021）。就业替代效应对就业供给产生总体负面影响。原来岗位上的工人通过“机器换人”被取代，从而减少了劳动力需求。就业替代效应也是有偏差的，不具备专门知识的低技能工人更容易受到负面影响（李雷等，2021）。邓岳和蒋万一（2022）基于中国企业与员工匹配调查（CEES）数据的研究，实证证实，就业创造效应和就业替代效应共同作用下的就业替代对年轻人更有利。基于此，本文提出研究假设1：人工智能的发展将有助于减少青年失业率。
如上所述，青年群体从就业创造效应中受益最大，而在就业替代效应中受害最小。人工智能对青年就业的积极作用可能主要是由年轻人和老年人的更替造成的。在严格的劳动保护下，解雇中老年员工的成本远高于雇用较少年轻员工的成本（刘金东和唐诗涵，2023），而且中老年员工积累了较高的专业技能和工作经验，从而在劳动力市场竞争中占据一定的优势（，1979）。然而，随着人工智能的发展和机器人的引入，原有的劳动技能与工作任务的稳定匹配被打破。中老年员工更容易因“数字鸿沟”等问题出现“技能折旧”，面临工作变动。基于此，本文提出研究假设2：青年与老年交替是人工智能促进青年就业的重要机制。
此外，人工智能在经济周期不同阶段的差异化影响也值得关注。各国实证研究发现，存在“失业滞后（ ）”现象，即就业率易下降而难上升，经济上行和下行的变化不对称（等，2013）。 ，1986）。这种不对称性说明新古典经济理论中劳动要素可变的假设过于理想化（丁守海，2010）。现实中，由于长期合同关系的存在和严格的劳动保护，招工容易，裁员难，用人单位在扩大用工规模的用人决策上更加谨慎。年轻人首次就业群体对经济周期性波动更为敏感，更容易受到周期性波动的影响（刘金东、唐诗涵，2023）。尽管人工智能应用增加的趋势较为明显，但经济增长存在周期性波动。如果经济复苏阶段青年就业存在失业滞后，那么人工智能的应用可能会对青年就业的周期性复苏产生制约作用。 。因此，本文提出研究假设3：人工智能对青年失业的缓解作用可能具有下行期较大、上行期较弱的反周期特征。
3. 研究设计
(一)数据来源
本文利用 OECD 国家面板数据实证检验人工智能应用对各国青年失业的影响。主要数据来源包括：（1）OECD统计数据库（https://），统计1960年以来各成员国按年龄组划分的失业人数，为计算青年失业率提供基础信息； （2）国际机器人联合会（IFR）数据库，提供全球100多个国家或地区的工业机器人数据，工业机器人的统计口径涵盖了所有具有“自动控制、可重复编程、 “一机多用”应用于生产经营过程。 IFR是目前最权威的机器人研究数据库； （三）世界银行数据库收集了各国经济社会发展丰富的多维度信息。鉴于哥斯达黎加、韩国、卢森堡、斯洛伐克这四个OECD国家的工业机器人统计数据不完整，本文将分析范围限制在除上述四个国家之外的其余34个OECD成员国，时间跨度从 1999 年到 2019 年。
(2)变量选择
在变量选择方面，本文解释的变量是青年失业率，其计算方法是除以各国15岁至24岁失业人数（没有工作但愿意工作的年轻人数量）该年龄组失业人数和就业人数之和。 。
本文的关键解释变量是人工智能应用水平，以各国每千人拥有工业机器人数量（工业机器人渗透率）来衡量，参考陈东、秦紫阳（2022）的实践。由于变量分布存在明显的右偏，本文在分析过程中对其进行了对数处理。
在控制变量方面，本文选取GDP增速、对外开放程度、人均消费支出、城镇化率等反映经济基本面的变量来控制经济因素对失业率的影响。其中，对外开放程度用进出口总额占GDP的比率来表示。根据菲利普斯曲线的理论预测，通货膨胀率和失业率之间可能存在相关性，因此本文也控制了通货膨胀率。此外，考虑到各国的人口结构可能影响其劳动力市场表现，本文还控制了人口增长率、城镇化率和抚养比。其中，城镇化率表示为城镇人口占总人口的比例，抚养比表示为非劳动年龄人口（15岁以下和64岁以上）占劳动年龄人口的比例人口（15 至 64 岁）。
(3) 模型设定
本文使用实证回归来检验人工智能应用对青年失业的影响。基准回归方程如下：
其中，下标i代表不同国家，t代表年份，为被解释变量，表示t年i国青年失业率，表示该国人工智能应用水平。 Xit代表一系列国家层面的控制变量，主要包括GDP增长率、对外开放程度、人均消费支出、城镇化率等。模型还考虑了国家固定效应Δΰi和年份固定效应微吨。 εit 是随机扰动项。
本文主要变量的描述性统计如表1所示。样本中各国平均青年失业率为16.914%，与我国目前的青年失业率统计数据相近。介于排除在校学生（2023年12月约14.9%）和不排除在校学生（2023年1月至2023年1月）之间。 7月份失业率平均约为20%。调查期间，各国人工智能应用水平存在较大差异，不仅包括调查期间各年份的发展变化，还包括高收入国家与中等收入国家在人工智能领域的应用水平差异。分析样本。从控制变量所展现的国家特征来看，样本国家之间不同特征变量存在明显差异，但样本的分布范围与中国目前的发展状况总体相似。因此，本文的研究结论对于我国可能具有参考意义。
4.实证分析
（一）人工智能对青年失业的影响
1. 基线回归结果
表 2 报告了本文的主要模型结果。表2中模型1的基线回归显示，人工智能应用水平的系数估计为-0.993，在1%水平上显着。这意味着工业机器人普及率每提高1%，相应的青年失业率就会下降约0.010（=-0.993×ln1.01）个百分点。因此，人工智能应用可以显着降低青年失业率，起到失业救济作用。这一结果与之前一些研究的观点一致（李雷等，2021；陈冬、秦子阳，2022）。可能的原因是，工业智能化的进程将创造更多技能要求高的就业岗位，而拥有知识优势的年轻人将更有可能抵御职业更替的风险，适应人工智能时代的技能要求。由此，本文研究的假设1得到验证。
2.核心解释变量的有效性检验
工业机器人并不能代表所有类型的人工智能，将其作为人工智能的代理变量可能存在一定的局限性。鉴于信息通信技术（ICT）是旧人工智能和新人工智能的共同基础（蔡岳洲、陈楠，2019），本文将核心解释变量替换为信息通信技术占比各国企业准入和使用进行有效性测试。 ，结果如模型2所示。模型2的回归结果与基准回归基本一致，证实了基准结果的有效性。
3.内生性讨论
考虑到人工智能与青年失业之间可能存在因果关系倒置，本文借鉴陈东和秦子阳(2022)的方法，采用移动份额法构建工具变量，该变量是基于行业份额和不同行业受人工智能影响的程度。不同国家受人工智能影响的程度是作为一个相对外生的影响变量来衡量的。在此基础上对模型进行改装。结果如模型3所示。模型3的结果表明，人工智能应用水平的估计系数在1%的水平上仍然显着为负，这再次验证了基准结果的有效性。
除了使用工具变量进行回归外，本文还尝试了其他三种不同的变量设置，以更好地处理内生性问题。首先，我们额外控制了其他可能的影响因素，包括年轻人平均受教育年限和第三产业比重。考虑到劳动力市场环境因素会影响就业绩效，本文进一步控制了与劳动力市场环境密切相关的四个指标：劳动保护程度、工会组织集体谈判覆盖率、劳动力平均工作时间和全国就业率。支持。其中，国家就业支持力度以OECD数据库中劳动力市场激活计划（ ）支出的比例来衡量。添加控制变量后的回归结果如表3中的模型4所示，其主要结论与基线回归结果相差不大。其次，利用控制变量初值与年份虚拟变量的叉乘项进行估计。考虑到模型中的某些变量对被解释变量和被解释变量都有影响，将其用作模型中的控制变量可能会导致估计结果不准确。为此，本文借鉴了孙天阳等人的方法。 （2020），选取基期相应变量的值，与时间虚拟变量相乘，重新估计基期回归。表3中模型5的结果表明，更换控制变量并不影响基线模型的主要结论。第三，加入不同国家的时间趋势项，尽可能控制各国随时间线性变化的技术进步因素，缓解遗漏变量的内生性问题。模型6的回归结果仍然与基线模型的结果相似。
(2)机理分析
正如研究假设部分提到的，人工智能对就业的影响可能存在年龄异质性。与中老年群体相比，青年群体从就业创造效应中受益较多，而在就业替代效应中受到的影响最小。据此推测，人工智能对就业的影响可能是由于“年轻人进入、中老年人退出”的现象。为了验证这个猜想，下面从三个角度进行交叉验证。
1、人工智能缓解失业低龄化特征
为了探究人工智能对不同年龄段劳动力就业的影响，模型12和模型13分别将解释变量替换为中年人失业率和近退休群体失业率。与青年失业率一样，中年失业率和退休前群体失业率是OECD数据库提供的官方统计指标，分别对应中年群体（25岁至54岁）的人数。岁）和退休前组（55岁至64岁）。希望就业但失业的人数比例。表6的回归结果显示，人工智能应用水平对中年人失业率有显着的负向影响，而对近退休群体失业率的影响在统计上不显着。因此，退休前群体从生产力效应和就业创造效应中受益较少。结合基准回归模型1中青年失业率的回归结果可以看出，人工智能应用水平对青年、中年、老年（退休前）三个群体的影响有所下降依次，部分验证了本文研究假设2的推论。
2. 年轻和老年交替的影响
此外，为了探讨青年群体与退休前群体之间是否存在替代效应，本文采用(1999)的非线性面板阈值回归模型进行验证，以退休前群体失业率为以阈值变量和人工智能应用水平作为核心解释变量。单阈值F检验不能拒绝“存在阈值”的原假设；进一步回归结果显示，当退休前群体失业率较低（低于11.375%）时，人工智能对青年失业率没有显着影响，而当接近退休群体失业率较高时（不低于11.375%），人工智能应用水平估计系数（-1.273）显着为负。这意味着，只有在近退休群体失业率较高的情况下，人工智能应用水平的青年失业缓解效应才能凸显，支撑劳动力市场的年轻人和老年人的更替，这可能是人工智能应用水平的重要作用。人工智能减少青年失业率。
为了构建一个能够直接衡量青年与老年过渡程度的指标，本文利用5年内青年就业率的变化对退休前群体失业率的变化进行回归。例如，截取一个国家2001年至2005年（5年）的序列数据，以青年就业率变化作为被解释变量，以退休前群体失业率变化作为解释变量，进行回归，并估计回归系数作为衡量2005年各国青年与老年交替程度的指标。以此类推，可以得到各国家年样本的青年与老年交替程度指标点，并将其作为解释变量代入基准回归。由于构建年轻与老年交替程度指标时会丢失部分样本，且平均退休年龄统计中也存在较多缺失值，因此相应分析的样本量有所减少。回归结果表明，人工智能对青年与老年的过渡程度具有显着的正向影响。
3、人工智能的提前退休效应
在人工智能的工作替代过程中，如果退休人员被迫失去工作，除了继续寻求再就业外，还可能选择提前退休。因此，如果上述提出的年轻和老年交替的观点成立，那么可以预见，“人工智能将显着促进退休前群体提前退休”。基于此，本文参考杨一男、谢玉钊（2014）的方法，采用OECD数据库统计的各国实际平均退休年龄作为回归的被解释变量。回归结果表明，一个国家的平均退休年龄并没有受到人工智能应用水平的显着影响。人工智能应用水平越高，女性群体的退休年龄明显较低，而男性的相应系数不具有统计显着性。这可能与女性在家庭分工中的角色以及劳动力供给的弹性有关：一旦遭遇外部冲击，女性更容易退出劳动力市场；这一观察结果也与王林辉等的研究结论一致。 （2023）。本文基于三个视角的分析，共同验证研究假设2。
5、进一步拓展：逆周期特征分析
此前的理论分析认为，人工智能对青年失业的缓解作用可能具有下行期较大、上行期较弱的反周期特征。为了检验这种反周期特征，本文将样本分为经济好转期和经济低迷期，考察人工智能对青年失业的影响。本文参考了马光荣等人的移动平均法。 （2016）并对GDP增速进行5年移动平均，尽可能抹平短期波动因素。然后，将当年计算的5年移动平均线与上一个5年移动平均线进行比较。计算该期间移动平均线之间的差异。如果差值大于0，则定义为经济好转期，反之，则定义为经济衰退期。回归结果显示，经济景气期，人工智能应用水平的估计系数为-0.649，在5%水平上显着；而经济景气期，人工智能应用水平的估计系数为-2.757。 ，并且在 1% 水平上显着。水平显着。对比两个模型的估计结果可以看出，人工智能整体上降低了青年失业率，但在经济低迷时期其对青年失业的缓解效果更为明显，体现出一定的反周期特征。
为了进一步验证人工智能对青年失业率滞后性的影响，本文选取经济好转期的样本，进一步在解释变量中加入GDP增长率及其与人工智能应用水平的叉乘项。 。回归结果显示，交叉受精项在5%的水平上显着为正，这表明在经济复苏过程中，虽然人工智能和经济增长都对青年失业表现出正向缓解作用，但人工智能却对经济增长产生负向调节作用。对青年就业的影响。换句话说，人工智能可能会阻碍经济复苏对青年就业的积极修复作用，从而验证研究假设3。
六、结论与启示
本文利用工业机器人数据和OECD国家面板数据实证检验了人工智能对青年失业的影响，发现人工智能并没有加剧青年失业，反而显着降低了青年失业率。机器人普及率每提高 1%，青年失业率就会下降约 0.010 个百分点。由于样本期内机器人总体平均渗透率提升至202.3%，人工智能应用在20年间平均降低了青年失业率0.70个百分点（=-0.993×ln2.023）。机制分析表明，人工智能缓解青年失业的效果并不完全来自就业规模的扩大，部分来自于即将退休员工的工作替代。因此，必须辩证地看待人工智能与包容性增长的关系，未来推出延迟退休等政策时，必须考虑其对青年就业的影响。此外，失业滞后现象和“机器替代”的不可逆转性部分抵消了人工智能对青年就业的积极影响，使得人工智能对青年失业救济的效果在经济低迷时期更为显着，但在经济复苏时期则不然。受到一定程度的压制，延缓了经济复苏对青年就业的积极修复作用，呈现出反周期特征。
基于上述结论，本文提出以下三点政策建议。一是加强对年轻首次就业群体的人工智能技术培训。鉴于人工智能技术的快速发展，年轻人面临的就业挑战不容忽视。建议加大对年轻首次就业群体的人工智能及相关前沿技术培训。这不仅可以帮助年轻人掌握必要的技术技能，提高就业市场的竞争力，还可以防止技术迭代带来的知识陈旧问题。同时，应为失业青年提供再培训机会，减缓其人力资本贬值，确保他们能够迅速重新融入就业市场。二是协调好青年就业政策与延迟退休政策的关系。目前，人工智能技术的发展并没有普遍导致年轻人被人工智能“挤出替代”。但年轻人对退休群体存在“排挤替代”现象。为避免延迟退休政策导致年轻人和退休前群体就业竞争加剧，建议适度控制延迟退休政策的推进速度，通过教育培训提高各年龄段员工的数字化技能，促进人工就业。智能技术“互补替代”。同时，鼓励企业和社会采取措施，帮助中老年人弥合数字鸿沟，确保各年龄段劳动者都能适应新技术环境。三是优化支持就业优先战略的财税政策。考虑到当前的财政和税收政策可能会通过促进“机器替代”间接增加人工成本，建议调整增值税和公司所得税政策，以减轻企业的劳动力负担，并避免劳动力不平衡和由税收激励措施引起的机器。具体措施包括调整税前扣除政策，鼓励公司增加对人力资源的投资，并通过社会保障收集和管理改革确保劳动成本的合理性。此类政策调整将有助于促进就业优先战略的实施，并避免由相对于价格增加的劳动成本增加而触发的“机器替代”的替代效果。
参考：（省略）
（第一作者的工作部门：山东金融与经济学大学财政与税收学院。本文已删除）
页:
[1]