人工智能与劳动力市场

摘要

我们利用自然语言处理（NLP）领域的最新进展，构建了2010年至2023年期间工人任务对人工智能（AI）和机器学习技术暴露程度的度量指标，这些指标因企业和时间而异。通过构建一个理论框架，该框架允许劳动节约型技术直接影响和间接影响工人生产率，我们表明，工资收入和就业的影响可以通过两个统计量来概括。首先，工人任务对AI技术的平均暴露程度降低了对劳动力的需求；其次，在保持平均暴露程度不变的情况下，劳动力需求随着任务对AI暴露程度的分散性增加而增加，因为工人将努力转向未被AI取代的任务。利用基于企业间既有招聘实践的外生变异，我们找到了对这些预测的经验支持，同时也发现了对AI影响技能的较低需求。总体而言，我们发现AI对就业的影响相对温和，这是由于抵消效应：高度暴露的职业相比暴露较少的职业经历了相对较低的劳动力需求，但由此带来的企业生产率提升增加了所有职业的整体就业。

1. 引言

近年来人工智能的进步重新引发了人们对技术将自动化大多数工人任务、导致劳动力需求大幅下降、工资下降和工作机会减少的长期担忧。与先前的技术变革浪潮不同，先前的技术变革主要影响了中低技能职业，而AI的暴露似乎集中在白领工作。然而，尽管企业在人工智能上的投资已经进行了十多年，但衡量AI进步对劳动力需求的影响一直是个难题。部分挑战在于，与职业任务相关的AI进步实际上可能增加对该职业的需求，例如，如果它提高了企业生产率。我们的目标是通过使用理论来指导度量，从而阐明AI影响整体劳动力需求的独特渠道。

2. 理论框架

我们从一个模型开始，该模型包含了几个直接和间接渠道。在我们的模型中，一个职业执行一系列任务。影响特定职业的新技术以任务特定的（无形）资本替代劳动力的程度为特征。一些技术可能影响给定职业执行的所有任务（如客户服务聊天框），或者它们的应用可能局限于一小部分任务（如自动生成费用报告的系统）。重要的是，工人可以在这些任务之间最优地分配时间。针对特定任务的自动化技术改进对该任务的价格有直接影响，但对同一工人执行的其他任务也有间接影响。这些间接影响取决于跨任务重新分配努力的难易程度以及几个弹性：资本与劳动力之间的替代弹性，以及同一职业内任务之间的互补性以及同一企业内职业之间的互补性。

3. 度量

我们的主要数据集来自Revelio Labs，这是一家领先的工作力数据库提供商，它收集了几乎全部的LinkedIn个人资料和职位发布信息，我们将这些信息与Compustat中的上市公司进行链接。简历数据包括个人教育和就业历史的详细信息，包括就读大学、专业领域、雇主、职位、就业日期以及自我报告的职位描述。职位发布数据包括公司名称和其他标识符、职位分类（如SOC、NAICS）、发布日期、移除日期、职位级别、薪水（如果缺失则由Revelio估计）、工作地点（州、城市、大都市统计区、邮政编码）、完整发布文本，以及如果是上市公司，则包括相关的股票市场标识符（如CUSIP）。

4. AI对劳动力需求的影响

在建立了AI对企业生产力和增长具有因果影响之后，我们接下来转向分析的主要部分，即特定工作的劳动力需求。为此，我们利用我们在方程（26）和（27）中构建的AI暴露度量指标的粒度，这些指标确定了给定企业内哪些职业对AI应用的暴露程度更高或更低。

5. 任务重新分配

AI技术改进影响工人的一个关键渠道是通过改变工作的性质。在我们的模型中，这通过在同一职业内跨任务的内生努力分配来反映。回顾模型中的方程（22），投入到任务j的努力变化与任务特定的技术改进ε(j)相对于职业平均暴露程度m(ε)成比例。AI暴露将导致对与给定任务相关的技能需求减少。

6. 总体影响

AI技术的发展对劳动力需求有多重要？使用我们之前部分中的点估计来回答这个问题在总体上并不可行，因为我们的规范中存在年份固定效应。这些固定效应使我们能够将AI的影响与其他可能同时影响劳动力市场的经济力量隔离开来，如从2008/09年金融危机中复苏或2017年《减税与就业法案》。然而，我们的估计可以用于理解AI的再分配影响——其对受影响职业就业份额的影响。

7. 结论

本文研究了人工智能采用对企业动态和劳动力需求的影响，利用企业-职业层面的AI暴露变异。我们记录了三个主要的经验模式。首先，AI的采用集中在更大、更具生产力的企业中，这些企业往往具有不同的增长轨迹。工具变量估计证实了AI的采用导致企业层面的销售额、利润和全要素生产率更高。其次，在职业层面，AI的暴露集中在高薪职位，其就业影响取决于任务暴露的分散性。更高的平均暴露降低了企业内的就业，而更大的暴露分散性则通过将劳动力重新分配到互补任务来缓解这些下降。第三，企业范围内的AI采用产生了积极的就业影响，这与AI驱动的生产率提升增加总体劳动力需求一致。

尽管存在这些抵消力量，但AI对劳动力市场的影响仍然不容忽视。我们的估计表明，AI的暴露解释了上市公司职业就业增长变化的约14%，其中一半影响来源于任务层面的替代效应，其余来源于企业范围内的采用。然而，在工资分布的顶端，AI的暴露最为明显，但由于企业增长和职业内重新分配的抵消作用，我们发现了有限的净就业影响。这些结果凸显了为什么即使任务层面的替代效应显著，也难以检测到AI对就业的总体影响。