尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载尊龙凯时官网,尊龙凯时,AG尊龙凯时,尊龙娱乐,尊龙体育,尊龙凯时人生就是搏,尊龙凯时体育,尊龙凯时平台,ag尊龙,尊龙平台,尊龙,尊龙官网,尊龙登录入口,尊龙官方网站,尊龙app下载,尊龙凯时APP下载

　　我们的研究是从 “基于任务的模型”（task-based model）出发，分析 AI 技术进步对劳动力市场的影响。在这一视角下，企业通过组织来自不同 “职业”（occupations）的劳动者，完成生产活动。而 “职业” 则是由一系列不同的 “任务”（tasks）所组成。随着数字技术和数字经济的发展，这些任务可能被进一步拆分，使得原本被捆绑在一个职位或职业中的任务，现在可以由不同的人、在不同的地点、在不同的时间来完成。其中有一些任务可以通过技术实现自动化，而另一些任务还无法被自动化。这就是劳动力市场的需求侧。

　　现有的实证研究也对此提供了一些证据。有研究发现，美国的各行各业中，“AI 暴露度”（exposure to AI，注：一项任务的 AI 暴露度越高，则它越容易由 AI 自动完成）均值越高的行业，其用人需求正在下降。也就是说，越是容易被 AI 自动化的任务，已经越不需要人了。但与此同时，在行业内部，各类任务的 “AI 暴露度” 的分化程度（dispersion）却在上升，劳动者正在转移到行业中那些不容易被 AI 取代的任务上，比如护理等。

　　我想指出的是，AI 与过去几代的技术革命有非常大的不同。我们将各类职业的 “AI 暴露度” 与它们对前几轮技术的暴露度做了对比，发现 “AI 暴露度” 与 “自动化暴露度”（automation exposure）和 “信息化暴露度”（information exposure）都呈现出明显的负相关。也就是说，曾经容易被自动化和信息化替代的职位，现在反而不容易被 AI 替代。这意味着 AI 是一种与以往全然不同的 “通用目的技术”（general purpose technology）。

　　基于这类理论视角和现有研究，我们可以构建一个研究框架。首先需要理解政府的产业政策、税收政策等各项政策是如何影响技术创新的。随后，在新技术出现之后，它会逐渐被企业和个人采用。企业采纳新技术，可以重塑其组织和生产，并改变劳动力市场的需求。个人通过学习新技术，可以提高自身的技能水平，或改变自己的职位角色。此外，对于那些受到新技术的负面冲击比较大的群体，还需要通过社会政策提供一定的保障，如社会保险和再培训等。这些都是值得探索的重要问题。

　　在研究中，我们主要依靠线上招聘平台的数据，分析 “AI 冲击”（AI shocks）对劳动力市场的各种影响。那么，第一个问题就是如何衡量 “AI 冲击”。在职业层面，我们实际衡量的是不同职业的 “AI 暴露度”，也就是一个职业所涉及的各种任务由 AI 自动完成的可能性有多大。在企业层面，我们通过观察一家企业最早发布 AI 职位招聘需求的时间点，来衡量其对 AI 的暴露程度。在城市层面，我们的衡量对象包括政府的产业政策，以及 AI 职位招聘需求所占的比例。这些是我们关注的自变量。

　　在因变量或结果方面，我们衡量的指标包括：企业的用人需求、技能要求、绩效表现、创新成果，以及宏观层面的职业和产业结构。这些数据基本上都来自于在线招聘平台上发布的广告（posts），如：一类职业下的所有新增职位数量、招聘广告中提到的技能要求、学历要求和薪资水平等。如果我们将这些招聘平台的数据与企业层面的数据相匹配，还可以进一步分析企业的创新成果、绩效表现和人力需求等指标。在城市层面，我们将这些数据进一步整合，从而可以对职业和行业多样性等问题做出新的观察。需要说明的是，我们目前的研究成果，主要是对变量之间相关性的分析，还谈不上因果联系。

　　我们的第一项成果是构建职业层面的 “AI 暴露度”。数据来自 “智联招聘网”（：我们从 2018 年到 2024 年的招聘广告中，随机抽取了 125 万条。然后，我们对这广告所涉及的工作任务进行了识别。具体参考依据是美国 O*NET 数据库中对于工作内容描述的拆分和聚类指标，总共包括约 2 万项 “任务”，以及由此聚类而成的约 2000 种 “详细工作活动”（detailed work activities）。我们提取了招聘广告样本中对于每项工作任务的描述信息，并对任务层面的 “AI 暴露度” 做出评估。在此基础上，我们汇总形成职位层面的 “AI 暴露度”，并进一步整合为职业层面的 “AI 暴露度”。

　　在这一点上，我们与美国的研究结果形成鲜明对比：在中国，“AI 暴露度” 最高的职位在减少；在美国，这些职位的数量却在增加。对此，一种可能的解释是：在美国，那些对 AI 暴露程度较高的职位中，也包含了大量直接参与 AI 研发和创新的职位，而这些职位的数量正在快速增长。但对于中国和其他处于技术追赶阶段的国家来说，直接投入到技术创新前沿的职位并没有那么热门，“AI 暴露度” 高的职位更多还是在传统意义上的知识密集型白领职业。

　　第三项发现来自于职业的 “AI 暴露度” 与其新增职位数量之间的关联。我们发现，一个职业的 “AI 暴露度” 越高，则其新发布的职位数量越少。也就是说，相比其他职业，会计、审计、程序员等职业的新增职位数量正在减少。同时我们也观察到，“AI 暴露度” 较高的职业，往往薪资增长较慢，薪资差距较大，对学历和经验的要求也更高。这些职业的劳动者尤其面对需要提升技能的挑战。另外，在城市层面，那些对高 “AI 暴露度” 职位需求较大的城市（即 “AI 暴露度” 较高的城市），正在出现劳动力需求的总体下滑。这意味着，如果一个城市以知识密集型的白领职业为主、但并不直接从事新技术的研发，那么它在 AI 冲击下面临的风险会较高。

　　我们的第四项研究成果是对供给侧的衡量。这部分的数据来自国内的另一家主流招聘平台 ——“前程无忧”（）。我们尝试了多种方法，最终采用的是 “关键词提取”（keyword extraction）。我们将 “技能” 划分为 18 类：（下图中）黑色的类别是AI 技能，被大约 4% 的招聘广告提到；蓝色的类别是那些与 AI 技能最远、相关性最低的技能，比如社交技能、工作态度和个人特质等；橙色的类别则是与 AI 技能较为接近的技能，如技术支持、数据分析、专业软件技能等。

　　第五项发现是关于地方政府的政策。中国的地方政府在众多领域展开竞争，在前沿技术领域也不例外。我们注意到，越来越多的地方政府在其年度工作报告中都提到对 AI 产业的支持政策，尤其强调政府在协调产学研结合中的作用。通过 “事件研究法”（event study，注：研究特定事件对公司价值影响的方法），我们发现在这些政策出台之后，AI 相关的专利申请数量会出现显著增长，对 AI 技能的需求也会显著上涨，这些都体现了 AI 创新活跃度的提升。

　　不过，如果我们进一步将技能区分为 “与 AI 紧密相关型技能” 和 “非 AI 相关型技能”，就会发现一个令人意外的结果：需求增长更明显的反而是后者，而前者在政策出台后并未出现显著上升。我猜测这可能反映了这两类技能之间存在 “互补性”（complementary）和 “两极化”（polarization）。试想，一名 AI 工程师可能需要雇佣一位保姆来打理家务 —— 两者在技能上差异很大，但在生活中却构成互补。这一结果也呼应了我们前面提到的一个发现，即 “AI 暴露度” 在不同任务之间的分化程度在上升，劳动者正在越来越投入到更不容易被 AI 取代的任务中。换句话说，当劳动者原本从事的任务被 AI 替代后，他们可能会转向那些更需要人际沟通等非 AI 相关技能的任务，这是潜在的转型方向之一。