伴随人工智能的理论不断突破与应用场景的快速拓宽，人工智能技术将重塑人类生产生活方式，对社会产生颠覆性冲击。人工智能技术依赖大数据与超强计算能力，更易在规模经济、知识经济和强算法算力环境中应用与发展。中国凭借海量数据资源优势、巨大市场潜力与高互联网普及率，已跻身全球人工智能发展前列，正加速进入智能化时代。据中国专利保护协会统计，2018年中国人工智能专利申请量为76876件，高居世界首位。国际机器人联合会(IFR)统计数据显示，中国工业机器人存量呈指数式增长，近10年增速保持在20%左右。技术进步与职业更替总是相伴而生，20世纪信息技术的普及使得规则明确且易于编码的常规型职业被机器设备大量替代，诸如计算机替代打字员、自动取款机替代出纳员(Autor et al.，2003；Autor，2015；Bessen，2015)。伴随技术创新和技术应用领域拓展，职业更替日益频繁，职业内涵开始朝高端化方向演变。人工智能技术依据机器学习算法，利用大数据结合超强算法算力，逐步实现自主学习、规律识别和判断决策，将计算机系统的自动化能力推向更高层次和更智能化领域。非常规型工作也正被智能化机器所替代，如卡车司机被无人驾驶技术取代、人工客服被聊天机器人取代，引发社会各界对人工智能技术可能造成大规模失业的担忧。为此，精准评估人工智能技术对职业的可替代风险，对于制定适宜的就业政策以及时应对人工智能技术冲击，实现更充分更高质量就业意义突出。 人工智能技术对劳动就业影响的文献主要可分成以下3类。 第一类文献基于理论模型考察人工智能技术对劳动的影响。前沿文献多使用任务模型分析人工智能技术，通常以资本执行任务占比的增加衡量自动化扩张，以劳动执行任务占比的增加刻画新岗位创造(Aghion et al.，2017；陈彦斌等，2019；Acemoglu and Restrepo，2020a)。任务模型研究发现，人工智能技术对劳动的影响方向并非确定，源于其不仅产生劳动替代效应减少就业，还存在生产率效应与岗位创造效应增加就业(Acemoglu and Restrepo，2018a)。理论研究进一步引入劳动技能分类拓展任务模型，考察人工智能技术对不同类型劳动就业或收入分配的影响，研究发现人工智能技术更倾向于替代低技能劳动，并创造高技能劳动岗位，扩大劳动间收入差距(Acemoglu and Restrepo，2018b；王林辉等，2020；Hémous and Olsen，2022)。不同于任务模型的研究思路，也有文献将人工智能或机器人视为生产要素引入CES函数，分析人工智能与传统要素的关系，并得出人工智能技术对劳动的影响方向通常取决于人工智能与传统要素的替代弹性(DeCanio，2016；郭凯明，2019)。 第二类文献基于地区、行业或企业数据实证检验人工智能技术对劳动的影响。多数文献研究发现，人工智能技术应用并未减少劳动力市场整体就业，通常只会导致制造业部门或低技能劳动就业减少，引发就业结构变化(Graetz and Michaels，2018；闫雪凌等，2020)。这主要源于人工智能技术会产生就业创造作用：一是人工智能技术可通过提升整体经济生产率，增加非智能化部门就业需求(Acemoglu et al.，2020)；二是人工智能技术在部门间存在就业溢出效应，可导致劳动在地区或行业间转移(Autor and Salomons，2018；孔高文等，2020)；三是人工智能技术发展衍生出新兴劳动岗位，可吸纳劳动就业(Dauth et al.，2017)。还有一些实证研究关注人工智能技术对异质性劳动的影响，通常发现人工智能技术更多替代规则明确且易于程序化的常规任务，并且与非常规任务互补，而中等技能劳动较多执行常规任务，因而更多被机器取代，造成“就业极化”现象(孙早、侯玉琳，2019；王永钦、董雯，2020；余玲铮等，2021)。此外，也有实证研究基于增长核算法量化人工智能技术对劳动就业或收入的影响，将劳动收入份额变化分解为替代效应、创造效应与生产率效应，基于宏观数据的测算结果表明，人工智能技术所产生的岗位替代效应大于创造效应，是引发劳动收入份额下降的重要原因(Acemoglu and Restrepo，2019)。 第三类文献从微观职业或任务层面测算人工智能技术的就业替代风险。Frey和Osborne(2013)开创性地设计职业可替代风险测算方法(后文简称“FO方法”)，从美国O*NET数据库中选取了感知操作等9种人工智能技术难以替代的职业属性，利用高斯分类器预测美国职业可替代风险，结果发现美国47%的就业面临高替代风险①。这一研究在学术界引发广泛关注，不少学者通过假设各国职业特征相同并匹配各国职业编码，直接将FO方法的测算结果复制到芬兰、挪威、德国等其他国家(Pajarinen and Rouvinen，2014；Pajarinen et al.，2015；Brzeski and Burk，2015)。David(2017)遵循FO方法，基于日本数据重新筛选职业属性和训练样本，并采用随机森林模型测算日本职业可替代风险，结果表明55%的日本就业存在高替代风险。近期，国内学者也开始借鉴FO方法测算中国职业可替代风险。李磊和何艳辉(2019)、龚遥和彭希哲(2020)基于O*NET数据的估算结果分别发现，中国高达76%和59.5%的就业面临高替代风险。事实上，人工智能技术可能只是替代岗位的部分任务，未必是岗位整体，因此采用FO方法可能高估职业可替代风险(Autor and Handel，2013)。Arntz等(2016)提出任务方法修正FO方法，从成人能力国际评估计划(PIAAC)数据库中筛选劳动个体从事的任务属性变量，测算OECD国家职业可替代率，结果表明仅有9%的职业面临高替代风险。Nedelkoska和Quintini(2018)、Pouliakas(2018)也采用任务方法测算可替代率，研究发现OECD国家和欧盟国家分别有14%和19.8%的劳动可替代率超过0.7。不同于上述文献采用机器学习模型的思路，Dengler和Matthes(2018)手工将德国约8000种任务分类为常规和非常规任务，利用职业内常规任务份额测算德国职业可替代率，结果发现德国处于高替代风险的就业份额仅为15%。
