摘要：相比自动化对体力劳动的替代，新一代人工智能通过改变劳动分工与人力资本价值结构将更为彻底地颠覆未来就业市场。为更加深入地了解人工智能对就业总量、就业结构的影响效应与作用机制，本文以矛盾对立视角剖析人工智能与就业领域的对立观点、分歧观点与新观点，前瞻解决分歧的思路与方法，研究发现新一代人工智能影响就业的关键在于大范围重组工作任务并改变工作技能标准，通过技能溢价加重了就业极化、收入不平等现象，而深层原因在于人工智能削弱了低技能工人从劳动产品中获得生存资料的能力，加强了高技能工人从劳动产品中获得生存资料的能力，人力资本积累的差距日益拉大。然而，人工智能重塑任务与技能的路径仍不明确，现有研究范式与研究方法也存在局限。未来要加强微观层次异质性研究探讨人机融合工作方式与通识技能结构调整对高质量就业的积极作用，为人工智能赋予新的意义。
关键词：人工智能；替代效应；创造效应；补充效应；人机融合
基金：中国社会科学院登峰战略企业管理优势学科建设项目；河北省社会科学基金项目（HB20GL031）；中央高校基本科研业务费专项资金（2020MS128）；北京信息科技大学2019年度“实培计划”项目。
1 引言
人工智能（Artificial Intelligence）泛指计算机应用程序模拟人类智能并实现特定目标和任务的技术平台（Olsen & Tomlin，2019；Kaplan & Haenlein，2019；Acemoglu & Restrepo，2020a）。自工业革命开启机器替代人类劳动的先河，经济学领域有关人工智能与就业关系的讨论在几十年内一直是悬而未决的争议性话题。最新讨论焦点转移到新一代人工智能相比过去自动化技术的独特性，它进一步替代脑力劳动并改变劳动分工，使人力资本价值结构呈现差异化特征（Atack et al.，2019）。伴随人工智能在行业领域实现广泛应用，特别是医疗保健、农业、交通运输、能源效率与生产环境控制行业受益显著（Plunkett，2021），近年来一些工业化国家在大范围应用人工智能的同时却面临着劳动力份额下降与劳动生产率增长缓慢的窘境（Autor，2019），这无疑向劳动力市场释放出明显的负面信号，引发学界、业界对新一代人工智能技术是否有效促进就业的新一轮争辩。
现有研究从宏观到微观、理论到实证等不同层次展开广泛讨论，一类研究采用大规模定量分析手法，通过多重线性模型和一般均衡模型，测算特定职业甚至单个任务被人工智能替代的可能性，涉及美国、德国、芬兰、法国、中国等多个国家（Frey & Osborne，2017；Arntz et al.，2016；Acemoglu & Restrepo，2018a；程虹等，2018）。另一类研究基于技术-任务组合在微观层次分析人工智能对就业的创造和补充（Autor，2015；Agrawal et al.，2019；王泽宇，2020），也有学者从宏观视角探讨人工智能对就业的影响路径与机制，得出人工智能在短期和长期内对就业具有不同影响的结论（王君等，2017；程承坪，彭欢，2018；何勤等，2020）。但以上研究有关人工智能影响就业总量与就业结构的预测结果存在较大差异，研究范式与方法模型也存在局限：普遍以经济学经济增长理论与失业理论为研究基础，研究范式单一化；集中分析人工智能对就业的替代作用与创造作用，研究内容同质化；所采用的经济模型假设与现实情境存在偏差，对研究结果的解释力度欠佳；采用的行业或岗位数据不够全面精准。尽管已有综述性研究归纳了人工智能影响就业的发展脉络、特点、现状、结果（邱玥，何勤，2020；隆云滔等，2020），但缺乏对该领域内的对立观点、矛盾结论、局限性、未解决问题等核心内容做出深层次的解释与聚焦跟踪，不利于研究方向的深层推进。
为推动人工智能与就业研究向深层拓展，本文通过Web of Science JCR核心合集、JSTOR过刊数据库、EBSCO数据库、OECD经济合作发展组织数据库及中国知网对TOP5经济学期刊、其他SSCI检索经济学期刊、研究报告、国内CSSCI核心期刊进行主题检索，检索词包括：Artificial Intelligence，Robot，Automation，Labor，Work，Job，Employment，人工智能，机器人，劳动，工作，就业。根据摘要内容筛选同质文献，得到23篇中文文献与49篇英文文献，共72篇文献。旨在讨论以下研究问题：（1）人工智能影响就业总量、就业结构及作用机制方面的最新进展如何？相比过去的研究成果存在哪些进步或局限，导致局限的原因是什么？（2）概括该领域存在的对立观点或争议观点，是否有深层研究问题需要解释？（3）总结人工智能影响就业的理论分析范式及局限，在未来应该从哪方面着手拓展？本文创新点在于，以矛盾对立视角聚焦人工智能与就业领域的分歧点与新观点，剖析分歧点及新观点产生的原因，前瞻解决分歧的思路与方法，形成更加深入、系统的知识体系，有利于挖掘新的研究方向，为促进就业稳定与高质量就业提供多元化的研究视角。
正文安排如下。第二章，梳理工业革命与人工智能发展脉络、人工智能效应。第三章，梳理人工智能影响就业总量的对立观点与局限，解释存在局限的原因。第四章，聚焦人工智能影响就业结构的集中表现，分析争辩焦点、原因及影响因素。第五章，梳理人工智能影响就业的作用机制，提炼影响因素，总结各研究阶段重心与局限，提出新的解决路径。第六章，总结分析结果与研究贡献，针对未解决问题提出未来研究展望。
2 人工智能影响就业的方法论
技术被认为提高生产力并带来劳动节省（Phan et al.，2017）。人工智能技术伴随工业革命发展迅速，重新安排劳动价值创造与收入分配顺序，针对人工智能与就业的讨论愈加激烈，如图1所示。既往研究发现，由手工生产到机器生产的过渡会产生明显劳动替代，人工智能通过在人类执行的一系列任务中替换更便宜的资本（机器）来取代人类劳动力，降低了价值增值中的劳动力份额（Atack et al.，2019；Frank et al.，2019）。前2次工业革命通过生产机械化与大规模生产带来直接劳动投入节省形成密集劳动力市场（刘湘丽，2020），将农业劳动力份额向制造业转移，总体劳动力需求增加，蓝领和白领工作需求增长（Acemoglu & Restrepo，2020a）。第3次工业革命通过自动化技术使劳动力与机器同时实施工作任务，使劳动的技能密集程度大大提高。随着第4次工业革命开展，人工智能技术发展迅速，计算机速度、数据收集、数据存储和算法进步致使人工智能类人智能程度迅速提高（Agrawal et al.，2019），更加彻底地影响人类就业。然而，劳动生产率增长疲软与就业岗位需求改变的矛盾日益加深。
图1 工业革命与人工智能发展时间脉络图
图片来源：作者自行绘制。
目前，争辩焦点以技术乐观主义（TechnoOptimists）与技术悲观主义（Techno-Pessimists）为主。技术悲观主义认为技术性失业现象需自行消退或轮换下一轮技术革命冲击，没有较好的解决措施（Autor et al.，2003）。技术乐观主义主张提高生产力促进经济增长，创造新任务提高劳动力需求，强调人工智能在增加劳动力份额方面的积极意义（Acemoglu & Restrepo，2020a）。这两类观点忽略了人工智能类型的重要性。采用错误人工智能类型将致使市场、企业、个人将资源错位提供给劳动密集型任务，进而加剧劳动力替代，导致严重失业、增长乏力和收入不平等。随后，许多学者相继提出不同观点。Fleming（2019）认为人工智能影响就业存在明显组织边界，技术性失业更取决于社会组织力量对工作任务能否自动化的界定，失业更多来自宏观经济压力对低技能职业的威胁。Pettersen（2019）继续补充，人工智能并没有威胁到知识性工作。还有学者提出人工智能对就业不存在绝对有利倾向或有害倾向，需考虑一系列相关经济因素（Rotman，2018）。因此，有必要进一步分析人工智能影响就业的方法论。
学界对方法论的研究集中于微观经济领域。最具代表性的研究成果来自以麻省理工学院教授Autor和Acemoglu为首的劳动经济学派。他们从20世纪90年代开始，基于任务模型展开对计算机化、自动化、人工智能与就业的一系列追踪性模型构建及实证研究。Autor提出日常工作任务-技能匹配模型（Autor et al.，2003；Acemoglu & Autor，2011；Autor，2015），认为劳动者被人工智能替代的程度取决于日常任务类型与技能的匹配度。高技能且从事复杂工作任务的工人因具备较强的判断、分析、解决问题等认知技能不易被人工智能替代，而从事程序性日常任务的中等技能工人最易被替代，奠定了任务替代追踪研究的理论基调。但Acemoglu和Restrepo（2018a）对高技能工人任务替代提出质疑。由于人工智能技术在判断决策方面越来越接近于人类，极大提高了美国劳动力市场中从事高技能复杂任务工人的替代率。他们进一步开发高、低技能工人替代对比框架，发现高技能工人在替代过程中加剧了低技能工人被替代的连锁反应—波纹效应，认为导致过度替代的根源是工资率高于劳动力机会成本时企业选择自动化来节省劳动力成本，社会却考虑劳动者机会成本较少使用自动化，两者矛盾导致人工智能对中等技能劳动力的替代明显，影响就业长期平衡状态（Acemoglu & Restrepo，2018b）。最新研究验证了以上观点，即使是高度接触人工智能任务的劳动者就业与工资情况也受到负面影响（Acemoglu et al.，2021）。
两类方法论分歧在于前提假设不同。Autor的研究建立于工作任务孤立存在前提下，会扩大资本可执行的任务范围以及自动化对低技能劳动者的任务替代范围及替代效应。而Acemoglu将研究方向引向连续性任务模型的构建，加入技术类型因素与任务绑定，打破高技能劳动者在复杂任务中相对于资本的优势，表明资本不仅在低复杂性日常手工任务上具有相对优势，而且在高技能劳动力产生的复杂任务上也具有相对优势，强调新的复杂任务对促进就业的相对比较优势即生产力效应对维持就业稳定、促进劳动力份额增长的积极意义，这是在任务技能组合研究基础上探索比较优势模式的突破。
然而，以上方法论也存在局限。（1）根据劳动力的相对优势来排序任务且设定为连续任务，与生产中实际执行任务顺序不同。（2）忽略了相同工人同时执行自动化前后任务的可能性。（3）受市场因素、政府因素综合影响（Cheng et al.，2019），人工智能影响就业受到工作地点、经济水平、教育水平等一系列因素限制（Clifton et al.，2020），不易取得高质量微观数据。在接下来的研究中，克服这些局限需改进数据的纵向和空间分辨以及工作场所技能数据。综合来看，现有研究尚未具体分析人工智能技术在不同发展阶段允许任务转移及改变劳动分工的模式，人工智能对就业的综合影响难以形成一致的判断结果。关于人工智能与工作结构、工作技能等供给侧驱动因素的研究较少（Elliott，2018），无法很好地解释人工智能区别于其他技术变革影响就业的独特性。因此，有学者提出新的突破口（Lise & Vinay，2020），即从人的通识技能角度判断人工智能实质性替代就业的潜力，通过提升通识技能使未来劳动力的技能结构与人工智能系统实现“匹配共生”，尽可能发挥人工智能对就业总量与就业结构的积极影响。
3 人工智能效应对就业总量的影响
就业总量反映一定时期内劳动力资源的实际利用效率，而效率通常直观体现在数量变动上，首先要考虑就业总量的增减变动。现有研究通过理论模型与实证检验基本达成共识，确定了人工智能通过替代效应、创造效应、补充效应对就业总量发挥作用。
人工智能效应对就业总量的影响集中于两类研究。一类是理论研究，在资本与劳动关系研究范畴内比较人工智能各项效应大小，使用资本与劳动之间的替代弹性解释人工智能效应如何调节短期、中期就业总量（Leon-Ledesma & Satchi，2019）。（1）在人工智能应用初期，资本替代劳动引发替代效应（Displacement Effect），也称为位移效应，机器替代原本由劳动力执行的任务减少劳动力需求，降低附加值的劳动力份额，短期内造成就业总量下降（Acemoglu & Restrepo，2019），主要替代人工智能擅长的程序化工作和部分非程序化工作，如搬运、驾驶、影像诊断等（Autor，2015；刘湘丽，2020）。（2）伴随人工智能在产业间的渗透，资本创造劳动表现为创造效应（Productivity Effect），又称生产力效应或溢出效应，通过灵活分配任务以提高生产力与劳动力需求（Acemoglu & Restrepo，2019），由于人工智能在降低成本扩大产出同时也增加了对非自动化任务以及生产其他劳动密集型产品的劳动力需求，创造效应在长期反而会提高就业总量（Acemoglu & Restrepo，2020b）。（3）创造效应还会产生与替代效应作用力相反的补充效应（Reinstatement Effect），也称复原效应或重塑效应，通过匹配劳动者资本技能与技术技能使资本补充劳动。因为替代效应使劳动力份额在产业部门之间发生转移，价值增值和就业机会转移到更具劳动力密集型特点的产业，创造新的劳动密集型就业岗位，产生强大的复原效应，使劳动置于更广泛的任务范围中，直接增加劳动力份额和劳动力需求。
另一类是实证研究，运用国家、行业宏观数据以及企业微观数据来验证或预测替代效应、创造效应对就业总量的实际影响。在宏观层面，Abeliansky等（2020）估计，人口结构变化、劳动力参与率变化、失业率下降到8/4%目标水平（青年/成年人）以及自动化结合起来需要在美国2020-2030年创造约3.4亿就业岗位。尤其是创造效应强调自动化技术总是减少相对于资本的劳动力份额，并且可能不会减少整体劳动力需求，是否减少总体劳动力需求取决于创造效应的强度。在微观层面，王泽宇（2020）利用中国A股2013-2018年6年间上市公司企业专利、就业和财务数据实证分析企业人工智能技术强度对员工数量、生产效率和员工结构变化的影响，提出人工智能在微观层面会提升企业总体劳动力需求，人工智能技术服务和传统行业人工智能赋能两类企业劳动力结构变化有差异，信息技术性企业受生产力效应影响较大，而传统企业中重复型岗位受技术冲击更为强烈。
统筹以上两类研究，以上宏观理论模型使替代效应、创造效应、补充效应一定程度上得到简化，容易比较不同效应的差异。替代效应与创造效应的共同作用点在于对劳动效率的提高，而补充效应的着力点在于资本价值结构的改变。采用正确的人工智能技术有利于减缓替代效应对就业的不利影响，发挥补充效应有赖于提升劳动者通识技能，而创造效应有待较长的时间检验，还无法确定人工智能对劳动力需求的净影响，它取决于替代效应、创造效应及补充效应的权衡作用，受行业实际情况限制对就业总量影响具有不确定性。但更重要的是验证各项效应在就业市场中是否同样具备理论范畴所探讨的相应效力，分析各项效应在短期与长期发挥作用的动态演化过程，考虑各项效应平衡状态下的就业总量变化。这取决于人工智能技术方向、产业转移路径、企业决策、国家税收政策、应用领域等多项微观因素，还应结合时期、国家、地区、行业、群体等宏观背景，对于把握人工智能影响就业的长期发展方向具有重要意义。
因此，就人工智能各项效应在短期与长期动态演化顺序而言，存在两种分歧观点。一种观点认为，人工智能短期内替代效应突出而长期创造效应凸显（王君等，2017；邓洲，黄娅娜，2019）。以城市机器人对移民就业影响为例，魏下海等（2020）提出机器人对就业的影响并非想象中悲观。当城市机器人安装密度大时，移民有更大的概率进入该城市就业而不是被挤出劳动力市场，表明机器人的生产力效应相较替代效应占据主导力量，所释放的生产力能够创造更多工作岗位吸纳移民涌入。机器人与不同工作任务劳动者具有不同的替代弹性，相比于常规任务移民，机器人显著地促进非常规任务移民就业，表明非常规任务移民与机器人在城市空间里能够达成“人机共存”，机器人的影响存在个体异质性，那些从事常规任务的中年男性的低技能者更容易遭遇机器人的负面冲击。另一种观点认为，人工智能应用后期替代效应作用将大于补充效应，继续减少劳动力份额。因为后期税收补贴、政策支持倾斜会降低人工智能创造新任务的能力（Acemoglu & Restrepo，2018b；Acemoglu & Restrepo，2019）。
引起分歧观点的原因，在于片面强调特定效应而忽略了各项效应发挥作用的具体领域。替代效应高估了人工智能技术应用速度及替代劳动的强度，忽视了人工智能平台调控能力以及劳动在生产中的不可替代性。创造效应与补充效应则高估了新技术、新任务在所有任务内容中发挥吸收劳动力作用的范围。实际上是对资本与劳动平衡变化的争辩，没有考虑人工智能技术在重组任务内容的方向性。由于每一种特定技术都会改变对特定类型劳动的需求，不同工作等级的技能要求混淆了技术对劳动需求的整体影响（Frank et al.，2019；Acemoglu & Restrepo，2019）。人工智能技术又催生资本与劳动在不同部门之间的流动效应，影响整个国民经济各行业之间生产率差异（王泽宇，2020），最终导致资本与劳动出现不平衡的动态演化。继续进行微观企业层面实证检验，发现问题找到解决途径，得出哪些是在短期内解决的就业问题，哪些是在长期要考虑的就业问题。在生产率增长疲软的大背景下，促进经济增长既需要正确地运用技术变革成果，更需要兼顾技术对劳动的双重效应在提升劳动效率与稳定就业之间的平衡，尤其是人口老龄化背景下如何利用人工智能技术扩大劳动力份额将是未来继续努力的方向。
4 人工智能效应对就业结构的影响
新技术发展及应用能够显著改善就业与劳动力结构。人工智能将怎样影响就业结构？伴随人工智能在国民经济各地区、领域、行业、部门的扩散及渗透，不同程度的技能溢价日益凸显，人力资本需求逐步由中低技能向高技能倾斜，打破了原有人力资本结构的平衡状态，引起就业极化与收入不平等加剧（Acemoglu & Restrepo，2019）。在微观层次，更重要是剖析人工智能引起就业极化与收入不平等现象的原因，探寻人工智能改善就业结构的有效途径。
4.1 就业极化与收入不平等
（1）就业极化。人工智能应用使工作任务被分解和重组，最直接的变化是造成工作岗位结构化调整（朱琪，刘红英，2020）。根据劳动力动态结构理论，岗位结构化调整将愈加有利于技术岗位而不利于重复性行政及辅助性岗位，一边是高学历、高薪酬的管理及技术职位，另一边是典型的低薪服务与劳力职位，而低学历、中等技能的蓝领工人及白领行政岗位正在逐渐消失，特别是低学历男性就业前景急剧萎缩（Binder & Bound，2019）。关键原因在于，低技能工人失去了无法与技术溢价抗衡的核心技能（Agrawal et al.，2019）。同时，技术变革缩小了低技能工人的工作范围（Acemoglu & Restrepo，2020c），不再参与生产力与利润核心活动的增长，在快速自动化进程中被人工智能替代（Autor，2019）。
典型体现在就业向高工资行业聚拢。这是人工智能技术在各劳动部门之间进行渗透的结果，整体劳动力份额下降同时高技能劳动力展现出较强的逐利性，高工资部门与其他部门间的工资差异将逐渐固化，引发更为严重的工资收入不平等现象。由于掌握核心技术的明星企业极大地带动了生产率增长，致使市场份额与利润集中在行业少数明星企业及高工资部门，这些行业部门将重新分配资本与劳动的比例而最大限度地减少劳动力份额（Autor et al.，2020）。因此，在市场集中增长幅度最高的部门劳动力份额下降最大，集中程度越高的行业将表现出更快的生产力增长。在这样的劳动力筛选机制下，高技能工人越来越倾向于在高工资行业部门工作，并且越来越可能彼此相互组成工作合作伙伴，不断加强高工资行业的进入壁垒，将中低技能劳动者隔离在外（Song et al.，2019）。
（2）收入不平等。收入不平等通常表现为低技能工人与高技能工人在不同地区、行业、部门间不断扩大的收入差距（胡晟明等，2021）。直接原因在于技能溢价加剧了低技能工人与高技能工人在劳动收入份额上的不平等。在就业极化作用下，低技能工人与高技能工人需求同时增加，但技能溢价又导致低技能工人与高技能工人的劳动收入份额变动严重失衡（王林辉等，2020）。一方面，替代效应作用下对低技能工人雇佣减少，相应劳动收入份额也减少；另一方面，补充效应下高技能工人能够适应现有岗位工作要求，相应劳动收入份额保持不变（黄旭，2021），两者收入差距不断增大。在长期来看，这种收入不平等将间接增加资本所有者的相对收入，导致阶级分化日益加剧（Acemoglu & Restrepo，2020a）。而深层原因在于人工智能削弱了低技能工人从劳动产品中获得生存资料的能力，强化了高技能工人从资本产品中获得生存资料的能力，通过人力资本积累的差距间接加剧收入不平等。一是由于低技能工人本身存在能力缺陷，在职期间放弃了有关技能的人力资本积累（Burdett et al.，2020），过分依赖传统通用技能无法升级到高技术岗位，在就业市场供过于求导致工资下降；二是由于低技能工人相比高技能工人存在信息不对称，难以识别人工智能对劳动收入分配的真实价值，导致其对直接的薪酬支持更加敏感（杨伟国，邱子童，2020），不会主动进行技能提升，与高技能工人拉开人力资本积累差距。三是由于低技能工人克服外在性能力的弱化，导致其对技能提升的时间与空间范围缺乏自主权，技能提升速度慢于人工智能替代速度。
综上，就业极化与收入不平等既是人工智能改变现有劳动技能标准、挑战现有人力资本积累的必然结果，也是对改善就业结构的积极预警。人工智能要求低技能工人劳动技能标准由主动延长工作时间、承担工作负荷转变为不断提高专业技能，高技能工人劳动技能标准由掌握专业技能向高层次认知、沟通、思考、判断技能组合进阶（董志强，黄旭，2021），发挥高技能工人与人工智能的互补性，提高综合性人力资本素质。然而，以上观点也存在明显局限，那就是忽略了弱发展阶段人工智能伴随资本积累的异质性特征。通常将技能与任务异质性建模为一组全面技能，这与实际工作中工人技能掌握情况并不相符，而且将人工智能视为一种增加技术变革要素，容易忽略替代效应带给工资收入的下行压力，可能导致误导性结论（Acemoglu & Restrepo，2019）。实际工作中，各国具体经济状况不同（Fleming，2019），劳动者低、中、高技能分化并不明显。例如，涉及部门协调、客户沟通、决策判断的高技能很大程度依赖个人工作经验的长期积累，女性甚至比男性更善于灵活应对工作变化（Barbanchon et al.，2021），更需要考虑人工智能对人力资本积累的异质性特征。
本文认为，解释就业极化与工资不平等的关键在于确定资本、劳动力在不同任务间的相对优势。可以确定的是，人类相比人工智能的竞争优势不是基于身体素质，而是基于智力和解释工作场所情感的关键技能（Webster & Ivanov，2019），人类劳动力仍然是生产过程中的关键因素。人工智能技术在专业化任务中更容易表现出劳动节省与成本节省的相对优势，而人类劳动在较为广泛的工作任务中容易发挥相对优势，通过优于机器的认知、沟通、手工操作与决策能力服务于新一轮的产业革命需要，不仅有助于促进新的劳动密集型产业发展，在人工智能前沿产业也起到规划布局作用，从而有效减缓人工智能替代效应，扩大人工智能的创造效应及补充效应。可能催生技术进步与劳动生产力交叉点的一种新力量-职业变革，通过技能培训、教育提升等手段加强人工智能与劳动力技术技能的匹配互动关系（魏下海等，2020），解决中等技能劳动者陷入的就业极化陷阱，对于积极利用人类劳动优势塑造高质量的就业市场具有重要意义。
4.2 灵活的就业模式与工作形式
技术乐观主义提出，人工智能有助于形成灵活的就业模式与工作形式（Rotman，2018），包括非接触经济（Paschkewitz & Patt，2020）、人机合作（Daugherty & Euchner，2020）等，改善就业极化与工资收入不平等现象。一种支持观点为交易成本说（Chen et al.，2019）。新技术降低提供灵活劳动力的交易成本，过去十年对非传统工作安排参与程度急剧增加，技术提高员工在工作时间方面抵御冲击的能力将使更多灵活性工作创造价值（Chen et al.，2019），Google公司在新冠肺炎（COVID-19）疫情期间针对知识密集型岗位长期采用远程办公模式（Leonardi，2021）。另一种支持观点为工作时间说（Boppart & Krusell，2020）。当劳动生产率以恒定速度增长时，工作时间就会以恒定速度下降，新的平衡增长偏好直接涉及到生产力对工作时间的收入效应超过替代效应，进而改善工资收入不平等。
尽管许多员工对人工智能带来就业模式转变持中立态度（Brougham & Haar，2018），但该领域的反对观点给予了强烈反击。一是导致越来越多的人处于非正式、不稳定、不标准的就业模式，严重削弱了员工的集体力量（Boeri et al.，2020）。二是伴随就业模式改变，就业阶层固化程度将愈加明显。精英员工将继续发挥契合管理责任的技术专长，稳固高报酬地位，而技能匮乏且成本低廉的劳动力将被迫承受经济与组织力量下行的后果，重返正式工作组织的机会非常渺茫（Fleming，2019）。在数字经济时代，个人依然需要在组织中实现价值创造与工作意义的统一，因此未来的就业不再仅仅局限于个人范畴，更倾向于以系统层面关注个人、公司、市场、经济的共生。
本文认为，以上分歧产生的原因在于劳动者技能与就业要求不匹配。处于失业高峰期的中等技能劳动者流动问题尤为突出，因缺乏绝对的技能优势无法向高技能高工资行业部门进阶，被迫逐步脱离正式工作组织向非正式就业模式转移。一个现实问题是重视劳动者技能类型与行业需求之间的匹配程度，如果劳动者技能水平达不到新任务的技能要求，会降低创造效应吸纳劳动力的效率，可能引起更严重的就业极化和工资收入不平等现象。改善就业结构的焦点在于任务重组与技能重组，有针对地调整劳动者的技能结构。（1）培养劳动者适应人工智能的通识技能体系，建立基于异构技能的多重技能维度。包括认知技能、手工技能与人际交往技能，其中认知技能的投资回报最高，劳动者可根据个人特长构建异构性技能在未来就业市场中提升个人议价能力（Lise & Vinay，2020）。（2）视具体问题提供对应政策资助。中等技能就业份额较大部门收缩严重情况下，帮助该部门工人向其他部门过渡；如果部门内部就业转变推动，应帮助中等技能工人提升技能以适应高技能工作（Soto，2020）。尽管普遍认为技能提升是一项投资期长、成本高、回收期慢的长期工程，但有助于引发对教育技能综合学习能力的重视方面（Rampersad，2020），还需要强化工会对就业的保护机制。
5 人工智能效应影响就业的作用机制
人工智能影响就业的作用机制主要是围绕两类经典分析范式展开：技能偏向型技术进步范式（Skilled-Biased Technological Changes，SBTC）与程序偏向型技术进步范式（Routine-Biased Technological Changes，RBTC）。前者认为技术进步具有技能偏向型特征，通过偏向高技能、高学历劳动者建立由技术到技能再到就业的传导机制；后者主张技术进步通过技能对任务的配置影响就业，因此从事程序性任务的劳动者易被替代（张鹏飞，2018）。
在微观研究层次上，两种范式都是基于人工智能替代效应、创造效应、补充效应发挥作用，不过作用机制在技术体系、产业结构方面存在一定差异。（1）替代效应。通过技术提高劳动生产率与资本替代劳动的弹性水平，引发农业、制造业、服务业等传统产业劳动需求降低，使劳动力向高端技术产业转移，形成从事程序性任务的低技能劳动者与从事脑力劳动的高技能劳动者的就业极化与工资不平等现象，最终重组任务技能组合导致工作岗位结构变动（Acemoglu & Autor，2011；邓洲，黄娅娜，2019）。（2）创造效应。通过产业结构调整实现劳动力的技能转移与空间转移。产业结构调整即开发人工智能核心技术及衍生产业聚集高技能人才，借助人工智能渗透性及外溢性增加传统劳动密集型产业新任务（胡俊，杜传忠，2020；郭凯明，2019；Frank et al.，2019）；技能转移即中低技能劳动力通过认知、手工、沟通等技能提升就业能力（Acemoglu & Restrepo，2019）；空间转移即劳动力由资本高密度城市地区向郊区、农村转移（Autor et al.，2020）。（3）补充效应。通过填补处于高危险、高强度、高精度、高污染的制造业极端工作岗位使劳动力向高价值增值的新任务及新岗位转移（张艳华，2018；Agrawal et al.，2019），通过教育培训提升工人技能水平升级为高技能劳动力适应人机协同的全新工作模式，使处于人工智能高度替代风险岗位劳动者向低替代风险岗位过渡，缓解就业极化与缩小工资收入差距，改善工作环境提升工作质量与工作福利（周文斌，2017；Hyder et al.，2019）。
技术影响就业究竟是通过技能传导机制还是任务传导机制？首先通过技能影响就业，还是通过任务传导就业？影响技能与任务的先后顺序尚不明确。由于两种范式更倾向于孤立地做出解释，这就将技术与任务放到了对立的两个方面。最主要原因在于忽略了人工智能在不同发展阶段的技术特性。已有研究证明，人工智能在不同发展阶段对生产部门具有异质性特征（Autor，2015）。在技术应用前期，人工智能技术显著影响两类极端部门-技术先进部门与技术落后部门，引致技术先进部门对高技能劳动力需求上升，而技术落后部门对低技能劳动力替代增加。伴随着技术应用的深入，人工智能技术将在更为广泛的部门范围内发挥多重影响，逐渐渗透到多个业务部门，此前没有受到技术波及的以程序性任务为主的中间部门内部岗位逐渐被替代，而极端部门劳动力已经完成了技术应用前期到后期这段期间的流动与调整。技术应用前期就业受技术的直接冲击较为明显，而技术应用后期则因具体任务类型的形成对应作用机制。鉴于现阶段劳动力市场的平均劳动力技能与受教育水平偏低，尚未达到技术影响就业的分界线。相对技能传导机制而言，任务传导机制似乎具有更强的现实意义，这也意味着技术影响就业的逻辑框架依然具有继续拓展深化的空间。
后续研究开始将两类范式进行融合。Acemoglu和Restrepo（2020c）提出新的观点，他们在实证检验了微观行业层面技能需求与替代效应、生产力效应之间的联系后，发现替代效应能够解释美国过去30年各行业技能需求30%的变化，行业对技能的需求水平与生产力效应基本是同步的，增加10%的劳动力需求意味着增加7%对大学学历工人的需求，由此得出结论：替代效应与创造效应对技能需求的影响是通过任务分配要素（生产的任务内容）来调节，证明技能与任务存在融合研究的可行性。Greenwood等（2018）也提出，由于任务集合随着人工智能变得更有能力和更加灵活，使人工智能脱离任务框架转向机器与人的共同价值开发成为全新的研究路径。新的研究方向不再将机器与劳动作为对立面来看待，而是主张人机共生的新模式，即人机协同偏向型技术进步（Labor Machine Collaboration-Biased Technological Changes）。
然而，以上研究仍然有局限。（1）理论模型前提假设与现实情况存在一定差距。设定人工智能技术可行性能够覆盖全部部门的任务及技能组合，往往会夸大人工智能的替代效应或创造效应。Acemoglu等（2021）最新的研究验证，目前人工智能技术只扩散到了经济部门的有限部分，仅在高度接触人工智能技术的任务子集中实现了替代人类劳动的功能。这便直接否定了先前研究的理论假设前提-通常假设人工智能具备替代所有程序性任务类型的能力。（2）缺少人工智能效应平衡点分析。尽管技术应用程度会抑制替代效应的扩散速度（Naude，2020），但劳动力需求反而会受到不能充分受益于创造效应的抑制，无法产生强大的创造效应抵制替代效应造成的劳动力需求下降（Acemoglu & Restrepo，2018a；Clifton et al.，2020），替代效应与创造效应的平衡点很难确定。
在后续研究中，一些关键问题尚待解决。（1）创造效应有待较长时间检验。人工智能创造效应不可能在短期内抵消替代效应对劳动力需求、就业和工资的负面压力（Lane & Martin，2021），创造岗位效果需要较长时间实现。（2）就业市场整体供需情况未得到重视。除了技术因素外，人工智能对就业的影响还取决于整体就业市场供需情况以及整体工资情况限制，忽略后者会使研究得出误导性结论（Acemoglu & Restrepo，2019）。整体来看，人工智能对就业的影响是一个长期复杂的、进化性的、非变革性的过程（Naude，2020），最重要的是厘清人工智能作为通用技术的进步，是否在符合以往技术进步影响就业的一般规律之外存在特殊性。因此，人工智能的演变规律有待更多实证研究加以验证。人工智能对就业的影响效应与作用机制理论分析框架，如图2所示。
图2 人工智能对就业的影响效应与作用机制理论分析框架
图片来源：作者自行绘制。
6 研究贡献与未来研究展望
通过对最新文献的梳理，本文提出的研究问题得以解答。人工智能大范围重组工作任务结构并改变工作技能标准决定了它区别于其他技术的独特性。就研究内容而言，最新研究不再局限于人工智能影响就业总量增减，而重在分析人工智能影响就业结构的具体路径及作用机制。这是因为就业总量预测性研究因假设前提、数据有限等问题容易与现实情况产生偏差，而且较难区分就业总量受技术、经济、人口等因素的影响程度。在短期内更为迫切的问题是解决就业极化、收入不平等、就业模式及工作方式改变对就业稳定的威胁，在长期必须应对人工智能在未来若干年甚至更长时间对就业结果的巨大冲击，关注持续存在的就业质量问题。尽管以上研究在分析范式、方法论、具体观点方面仍存在对立或争议，针对技术研究范式或任务研究范式的争辩仍在继续，但解决争议观点有助于挖掘深层问题，为促进人工智能-劳动融合发展及高质量就业带来积极推进意义。
6.1 研究贡献
相比以往研究综述，本文具有以下研究贡献。第一，从矛盾对立视角提供差异化的观点启示，完善人工智能对就业总量、就业结构以及作用机制的理论分析框架，形成更加深入细致的知识体系。第二，系统梳理现有研究的分析范式、方法论、对立点、争议点及局限，进一步探讨存在争议或局限的原因及现实意义，推动研究问题、研究方法、研究方向朝更深层次递进。第三，梳理人工智能对就业结构的影响，深入分析出现就业极化、收入不平等的原因，引发学界对正确认识人工智能及重塑劳动者通识技能的思考。
6.2 未来研究展望
目前，尽管人工智能影响就业的理论及实证研究已取得长足进步，对人工智能长期影响就业的规律性认识仍不够充分，存在一些争议观点与未解决问题，主要体现在以下几点：（1）人工智能影响就业的分析范式尚不统一。因不同分析范式遵循不同的研究逻辑，致使矛盾性的研究结论常常出现，混淆人工智能技术进步与就业的研究方向进而阻碍理论延伸进度。（2）人工智能重塑任务内容与技能结构的路径尚不明确。虽然对人工智能技术影响任务内容与技能结构的讨论热度明显增加，但主要是分别讨论任务与技能，不易建立两者的理论联系。（3）宏观经济研究与微观实证研究的数据准确度参差不齐，微观细分数据缺乏。因此，未来研究可继续从理论框架、研究内容、研究设计三个方面深入探讨。
6.2.1 以跨学科视角建构人工智能影响就业的理论分析框架
严格来说，人工智能在技术层次隶属计算机学科领域，但其在应用层次涉及到心理学、哲学、语言学、教育学等多个学科，在技术广泛扩散的几十年时间内，意味着人工智能影响就业的分析框架会受到跨学科背景框架的约束。目前已经出现将人工智能与技术、任务融合研究的分析范式，其目的就是要促进人机合作下技术进步与就业稳定达成平衡状态，既需要区分人工智能技术在重组任务技能方面的方向性，又要考虑如何重塑劳动者技能结构。有学者提出未来应提高劳动者对人工智能已经取得实质性进步技能熟练程度的潜力，批判思维、创造力、处理不确定性问题能力可能成为未来就业必需的通识技能，需要以跨学科视角听取心理学、测试学、教育学等多门学科的建议。因此，有必要以跨学科视角建立各项效应作用机制的深层联系，深化人工智能技术可行性分析与劳动者技能结构分析，建构更为完善、科学的理论分析框架。
6.2.2 以微观路径拓展人工智能影响任务与技能的异质性分析
目前，已有研究基于任务模型从宏观视角研究人工智能对就业的影响，以及在技能偏向型技术进步范式、程序偏向型技术进步范式、人机协作偏向型技术进步范式下进行理论拓展与实证验证，研究对象包括国家、地区、行业、部门甚至具体任务子集（孔高文等，2020；Acemoglu et al.，2021），无论从研究视角、层次、内容、对象来说都已经非常丰富，但研究重点还是侧重在对传统农业、制造业、服务业的行业就业波动分析，这其中又以机器人技术为典型代表（韩民春等，2019；Cheng et al.，2019）。实际上，技术给就业带来的辐射一定是多方面的，受到政策、人口、性别等诸多因素的调节影响。纵观历次工业革命经验可以发现技术扩散在同一地区、同一企业、同一部门内都可能产生异质性影响，为了解人工智能在不同部门岗位的扩散程度以及人工智能重塑任务内容与技能结构的具体路径，有必要在现有研究基础上拓展微观层次异质性分析。
6.2.3 统一数据口径分析人工智能技术区别于以往自动化技术的边际贡献
以往研究将人工智能技术与自动化技术混淆在一起。尽管人工智能技术与自动化技术存在一定共性并被视为更高层次的自动化技术，但自动化和工业机器人作为人工智能的可操作化应用载体，是在吸收一定程度的人工智能技术并结合具体行业特点后，通过改变、替代或创造特定工作任务对不同劳动力施加补充效应、替代效应和创造效应，只能局部体现人工智能技术对就业的影响，如果混淆分析则可能隐藏人工智能技术在创造新任务方面的边际贡献。工业机器人数据可通过国际机器人联合会来统一获取，但这些数据仅限于工业机器人技术在制造业的应用，并不能体现人工智能其他技术应用于其他产业部门的真实情况。因此，未来可对人工智能、自动化、工业机器人进行界定，构建人工智能整体性测度框架统一数据口径，以提高数据的准确性与可信度，准确估计人工智能替代效应、创造效应和补充效应的影响程度。
参考文献
[1].程承坪,彭欢.(2018).人工智能影响就业的机理及中国对策.中国软科学,(10),62-70.
[2].程虹,陈文津,李唐.(2018).机器人在中国:现状、未来与影响-来自中国企业-劳动力匹配调查(CEES)的经验数据.宏观质量研究,6(3),1-21.
[3].邓洲,黄娅娜.(2019).人工智能发展的就业影响研究.学习与探索,(7),99-106+175.
[4].董志强,黄旭.(2021).人工智能发展背景下公共政策的增长和不平等效应-一个动态一般均衡模型.学术研究,(2),92-99+178.
[5].郭凯明.(2019).人工智能发展\产业结构转型升级与劳动收入份额变动.管理世界,35(7),60-77+202-203.
[6].韩民春,韩青江,冯钟.(2019).工业机器人技术进步对就业的影响分析:一个理论模型框架.广东财经大学学报,34(6),4-10.
[7].何勤,李雅宁,程雅馨,李晓宇.(2020).人工智能技术应用对就业的影响及作用机制研究-来自制造业企业的微观证据.中国软科学,(S1),213-222.
[8].胡俊,杜传忠.(2020).人工智能推动产业转型升级的机制\路径及对策.经济纵横,(3),94-101.
[9].胡晟明,王林辉,朱利莹.(2021).工业机器人应用存在人力资本提升效应吗？财经研究,47(6),61-75+91.
[10].黄旭.(2021).人工智能技术发展背景下收入不平等及政策:理论分析.中央财经大学学报,(7),83-91.
[11].孔高文,刘莎莎,孔东民.(2020).机器人与就业-基于行业与地区异质性的探索性分析.中国工业经济,(8),80-98.
[12].刘湘丽.(2020).人工智能时代的工作变化\能力需求与培养.新疆师范大学学报(哲学社会科学版),41(4),97-108.
[13].隆云滔,刘海波,蔡跃洲.(2020).人工智能技术对劳动力就业的影响-基于文献综述的视角.中国软科学,(12),56-64.
[14].邱玥,何勤.(2020).人工智能对就业影响的研究进展与中国情境下的理论分析框架.中国人力资源开发,37(2),90-103.
[15].魏下海,张沛康,杜宇洪.(2020).机器人如何重塑城市劳动力市场:移民工作任务的视角.经济学动态,(10),92-109.
[16].王泽宇.(2020).企业人工智能技术强度与内部劳动力结构转化研究.经济学动态,(11),67-83.
[17].王君,张于喆,张义博,洪群联.(2017).人工智能等新技术进步影响就业的机理与对策.宏观经济研究,(10),169-181.
[18].王林辉,胡晟明,董直庆.(2020).人工智能技术会诱致劳动收入不平等吗-模型推演与分类评估.中国工业经济,(4),97-115.
[19].杨伟国,邱子童.(2020).人工智能应用中的劳动者发展机制与政策变革.中国人口科学,(5),2-13+126.
[20].周文斌.(2017).机器人应用对人力资源管理的影响研究.南京大学学报(哲学·人文科学·社会科学),54(6),23-34.
[21].张鹏飞.(2018).人工智能与就业研究新进展.经济学家,(8),27-33.
[22].朱琪,刘红英.(2020).人工智能技术变革的收入分配效应研究:前沿进展与综述.中国人口科学,(2),111-125+128.
[23].张艳华.(2018).制造业“机器换人”对劳动力就业的影响-基于北京市6家企业的案例研究.中国人力资源开发,35(10),136-146.
[24].Autor,D.H.,Levy,F.,&Murnane,R.J.(2003).The skill content of recent technological change:An empirical exploration.Quarterly Journal of Economics,118(4),1279-1333.
[25].Autor,D.H.(2015).Why are there still so many jobs?The history and future of workplace automation.Journal of Economic Perspectives,29(3),03-30.
[26].Autor,D.H.(2019).Work of the past,work of the future.AEA Papers and Proceedings,109,1-32.
[27].Autor,D.H.,Darn,D.,Katz,L.F.,Patterson,C.,&Reenen,J.V.(2020).The fall of the labor share and the rise of superstar firms.Quarterly Journal of Economics,135(2),645-709.
[28].Acemoglu,D.,&Autor,D.H.(2011).Skills,tasks and technologies:Implications for employment and earnings.Handbook of Labor Economics(pp1043-1171).N O RT HHOLLAND,CA:Elsevier Science Publications.
[29].Acemoglu,D.,&Restrepo,P.(2018a).Low-skill and high-skill automation.Journal of Human Capital,12(2),204-232.
[30].Acemoglu,D.,&Restrepo,P.(2018b).The race between man and machine:Implications of technology for growth,factor shares,and employment.American Economic Review,108(6),1488-1542.
[31].Acemoglu,D.,&Restrepo,P.(2019).Automation and new tasks:How technology displaces and reinstates labor.Journal of Economic Perspectives,33(2),03-29.
[32].Acemoglu,D.,&Restrepo,P.(2020a).The wrong kind of AI?Artificial intelligence and the future of labor demand.Cambridge Journal of Regions Economy and Society,13(1),25-35.
[33].Acemoglu,D.,&Restrepo,P.(2020b).Robots and jobs:Evidence from U.S.labor markets.Journal of Political Economy,128(6),2188-2244.
[34].Acemoglu,D.,&Restrepo,P.(2020c).Unpacking skill bias:Automation and new tasks.AEA Papers and Proceedings,110,356-361.
[35].Acemoglu,D.,Autor,D.,Hazell,J.,&Restrepo,P.(2021).AI and jobs:Evidence from online vacancies.NBER working paper No.28257.
[36].Agrawal,A.,Gans,J.S.,&Goldfarb,A.(2019).Artificial intelligence:The ambiguous labor market impact of automating prediction.Journal of Economic Perspectives,33(2),31-49.
[37].Atack,J.,Margo,R.A.,&Rhode,P.W.(2019).Automation of manufacturing in the late nineteenth century:The hand and machine labor study.Journal of Economic Perspectives,33(2),51-70.
[38].Arntz,M.,Gregory,T.,&Zierahn,U.(2016).The risk of automation for jobs in OECD countries:A comparative analysis.OECD Social,Employment and Migration working papers.No.189.
[39].Abeliansky,A.L.,Algur,E.,Bloom,D.E.,&Prettner,K.(2020).The future of work:Meeting the global challenge of demographic change and automation.International Labour Review,159(3),285-306.
[40].Boeri,T.,Giupponi,G.,Krueger,A.B.,&Machin,S.(2020).Solo self-employment and alternative work arrangements:A cross-country perspective on the changing composition of jobs.Journal of Economic Perspectives,34(1),170-195.
[41].Binder,A.J.,&Bound,J.(2019).The declining labor market prospects of less-educated men.Journal of Economic Perspectives,33(2),163-190.
[42].Burdett,K.,Carrillo,T.C.,&Coles,M.(2020).The cost of job loss.Review of Economic Studies,87(4),1757-1798.
[43].Barbanchon,T.L.,Rathelot,R.,&Roulet,A.(2021).Gender differences in job search:Trading off commute against wage.The Quarterly Journal of Economics,136(1),381-426.
[44].Boppart,T.,&Krusell,P.(2020).Labor supply in the past,present,and future:A balanced-growth perspective.Journal of political economy,128(1),118-157.
[45].Brougham,D.,&Haar,J.(2018).Smart technology,artificial intelligence,robotics,and algorithms(STARA):Employees'perceptions of our future workplace.Journal of Management&Organization,24(2),239-257.
[46].Brynjolfsson,E.,Mitchell,T.,&Rock,D.(2018).What can machines learn and what does it mean for occupations and the economy?AEA Papers and Proceedings,108,43-47.
[47].Cheng,H.,Jia,R.X.,Li,D.D.,&Li,H.B.(2019).The rise of robots in China.Journal of Economic Perspectives,33(2),71-88.
[48].Clifton,J.,Glasmeier,A.,&Gray,M.(2020).When machines think for us:The consequences for work and place.Cambridge Journal of Regions,Economy and Society,13(1),3-23.
[49].Chen,M.K.,Rossi,P.E.,Chevalier,J.A.,&Oehlsen,E.(2019).The value of flexible work:Evidence from uber drivers.Journal of Political Economy,127(6),2735-2794.
[50].Elliott,S.W.(2018).Artificial intelligence,Robots,and Work:Is this time different?Issues in Science and Technology,(1),40-44.
[51].Frey,C.B.,&Osborne,M.A.(2017).The future of employment:How susceptible are jobs to computerization?Technological Forecasting and Social Change,114,254-280.
[52].Frank,M.R.,Autor,D.,Bessen,J.E.,Brynjolfsson,E.,Cebrian,M.,Deming,D.J.,…&Youn,H.(2019).Toward understanding the impact of artificial intelligence on labor.Proceedings of the National Academy of sciences of the United States of America,116(14),6531-6539.
[53].Daugherty,P.,&Euchner,J.(2020).Human plus machine:Collaboration in the age of AI An interview with Paul Daugherty.Research-Technology Management,63(2),12-17.
[54].Fleming,P.(2019).Robots and organization studies:Why robots might not want to steal your job.Organization Studies,40(1),23-37.
[55].Greenwood,P.E.,Lewis,H.,&Guszcza,J.(2018).Reconstructing automation,artificial intelligence,and the essential role of humans.Deloitte Review,(21),127-145.
[56].Hyder,Z.,Siau,K.,&Nah,F.(2019).Artificial intelligence,machine learning,and autonomous technologies in mining industry.Journal of Database Management,30(2),67-79.
[57].Kaplan,A.,&Haenlein,M.(2019).Siri,Siri,in my hand:Who's the fairest in the land?On the interpretations,illustrations,and implications of artificial intelligence.Business Horizons,62(1),15-25.
[58].Lane,M.,&Martin,A.S.(2021).The impact of artificial intelligence on the labour market:what do we know so far?OECD working papers,No.256.
[59].Leon-Ledesma,M.A.,&Satchi,M.(2019).Appropriate technology and balanced growth.Review of Economic Studies,86(2),807-835.
[60].Leonardi,P.M.(2021).COVID-19 and the new technologies of organizing:Digital exhaust,digital footprints,and artificial intelligence in the wake of remote work.Journal of management studies,58(1),249-252.
[61].Lise,J.,&Vinay,F.P.(2020).Multidimensional skills,sorting,and human capital accumulation.American Economic Review,110(8),2328-2376.
[62].Olsen,T.L.,&Tomlin,B.(2019).Industry 4.0:Opportunities and challenges for operations management.Manufacturing&Service Operations Management,22(1),113-122.
[63].Pettersen,L.(2019).Why artificial intelligence will not outsmart complex knowledge work.Work,Employment and Society,33(6),1058-1067.
[64].Phan,P.,Wright,M.,&Lee,S.H.(2017).From the editors of robots,Artificial Intelligence,and work.Academy of Management Perspectives,31(4),253-255.
[65].Paschkewitz,J.,&Patt,D..(2020).Can AI make your job more interesting?Issues in Science and Technology,37(1),74-78.
[66].Plunkett.(2021).Introduction to the artificial intelligence(AI)&machine learning industry.Plunkett Research.Http://www.plunkettresearch.com.
[67].Rotman,D.(2018).Making AI into jobs.MIT Technology Review,10-17.
[68].Rampersad,G.(2020).Robot will take your job:Innovation for an era of artificial intelligence.Journal of Business Research,116,68-74.
[69].Song,J.,Price D.J.,Guvenen F.,Bloom N.,&Wachter,T.(2019).Firming up and inequality.Quarterly journal of economics,134(1),1-50.
[70].Soto,D.A.(2020).Technology and the future of work in emerging economies:What is different.OECD working papers.No.236.
[71].Naude,W.(2020).Artificial intelligence:Neither utopian nor apocalyptic impacts soon.Economics of Innovation and New Technology,30(1),1-23.
[72].Webster,C.,&Ivanov,S.(2019).Robotics,artificial intelligence,and the evolving nature of work.Digital Transformation in Business and Society(pp127-143).PALGRAVEHOUNDMILLS,CA:Springer.
陈楠：中国社会科学院大学工业经济系；
樊围国：华北电力大学经济管理系；
丁微：北京信息科技大学经济管理学院。
陈楠,刘湘丽,樊围国,丁微.人工智能影响就业的多重效应与影响机制:综述与展望[J].中国人力资源开发,2021,38(11):125-139.
