中國人工智能發(fā)展水平對勞動就業(yè)的影響

摘要：在準“強人工智能”的背景下，作為推動社會生產(chǎn)力發(fā)展的新增長引擎，人工智能的持續(xù)發(fā)展對中國勞動就業(yè)是否有益，是否真的會引發(fā)“技術性失業(yè)”的焦慮和不安？基于此，以就業(yè)總量的視角，通過熵值法測度中國省級人工智能發(fā)展水平，選取2018—2022年省級面板數(shù)據(jù)，深入探究中國人工智能發(fā)展水平對勞動就業(yè)的影響，實證研究證明：人工智能發(fā)展水平對中國勞動就業(yè)有一定的阻礙作用。因此，有針對性地提出了加強人工智能教育和人才培養(yǎng)、提高人力資本、合理布局人工智能等優(yōu)化人工智能和勞動就業(yè)關系的對策建議，為解決中國勞動力市場相關問題提供借鑒。

關鍵詞：人工智能發(fā)展；就業(yè)總量；省域面板數(shù)據(jù)；熵值法

中圖分類號：F249.2；F425文獻標志碼：A

0引言

科技創(chuàng)新作為經(jīng)濟發(fā)展的核心動力，不僅可以推動社會生產(chǎn)力的提升，還能推動政治結構、經(jīng)濟結構、生活結構等發(fā)生重大轉變。當前，在準“強人工智能”的前夜，人工智能已然成為國際競爭的新焦點和經(jīng)濟發(fā)展的新引擎，主要發(fā)達國家，紛紛出臺人工智能規(guī)劃和相關政策，將人工智能視為提升國家綜合國力的重大戰(zhàn)略，力圖在新一輪國際科技競爭中掌握主導權。為把握住人工智能這一重大的歷史性機遇，中國也把建設發(fā)展人工智能技術提升到了國家戰(zhàn)略層面。黨的二十大報告中著重強調(diào)“構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環(huán)保等一批新的增長引擎”，《2024年國務院政府工作報告》中明確提出“深化大數(shù)據(jù)、人工智能等研發(fā)應用，開展‘人工智能＋’行動”。可以預見，人工智能在未來一段時間將發(fā)展更為迅速，會引發(fā)科技方面的重大變革，并對經(jīng)濟和人類社會帶來更為廣泛和深刻的影響[1]。

技術進步是經(jīng)濟增長的來源，就業(yè)則是保障民生的根本，是影響一國經(jīng)濟發(fā)展、社會穩(wěn)定和人民生活質量的重要因素。人工智能的發(fā)展一方面提升了生產(chǎn)力水平，促進經(jīng)濟增長；另一方面也會對勞動力市場造成一定的影響，代表著一種對勞動力就業(yè)的新威脅，引發(fā)了人們對人工智能帶來“技術性失業(yè)”的焦慮與不安[2]。2024年，中國就業(yè)環(huán)境面臨著不確定因素增多、社會預期偏弱、就業(yè)總量壓力不減、結構性矛盾依然存在等多重挑戰(zhàn)，在“突出就業(yè)優(yōu)先導向”的政策要求下，人工智能的持續(xù)發(fā)展對就業(yè)究竟有什么樣的影響？在已經(jīng)和即將在各行各業(yè)“人工智能化”的背景下，機器人是否會真的“代替”人？科學回答和評估這些，對于中國技術進步方向以及就業(yè)保障實施方面有著重要的指導意義。鑒于此，利用中國30個省份（不含西藏及港澳臺地區(qū)）2018—2022年的面板數(shù)據(jù)，以實證角度探究并檢驗人工智能發(fā)展對中國勞動力就業(yè)總量的影響，以便更有針對性地提出對策建議來緩解中國存在的就業(yè)問題。

1文獻綜述

作為影響勞動就業(yè)的重要因素，人工智能引起了國內(nèi)外學者的關注，并從多個角度分析了其影響。

1956年，人工智能的概念由科學家麥卡錫（John McCarthy）在達特茅斯會議首次提出，他認為人工智能就是讓機器的行為看起來更像人所表現(xiàn)出的智能行為一樣，該會議對人工智能的設想是一臺可以模擬學習或智能處理所有事宜的機器。隨著人工智能的不斷發(fā)展，學者對人工智能的研究欲望不斷加強，Nilsson[3]認為人工智能是一門關于如何表達知識、獲取知識以及使用知識的學科。Bryn?jolfsson和McAfee[4]認為基于人工智能、數(shù)字化革命等推動的第二次機器革命將實現(xiàn)空前的技術進步。國內(nèi)學者對人工智能的研究也在不斷深入。張鑫和王明輝[5]認為人工智能是新一代“通用目的技術”，是一項目標導向的技術，是對人類智能及其生理構造的模擬。孫早和侯玉琳[6]認為人工智能是一項新的生產(chǎn)要素，可以提升制造效率和改善資源配置，促進全要素生產(chǎn)率提升。張娟[7]認為中國已經(jīng)逐步進入強人工智能時代，生成式AI被認為是強人工智能的初級形態(tài)。

人工智能作為新的技術變革，以其不同于以往技術變革的發(fā)展速度、規(guī)模和深度引起了學界的廣泛關注，越來越多的學者開始就人工智能對各行業(yè)的影響展開研究，但從宏觀角度上衡量一個國家或地區(qū)的人工智能發(fā)展程度，目前對其測算沒有一個統(tǒng)一的衡量標準。部分學者如俞伯陽[8]以信息傳輸、計算機服務和軟件業(yè)全社會資產(chǎn)投資額來代表人工智能發(fā)展水平。葉祥松等[9]以工業(yè)機器人安裝量來代表人工智能發(fā)展水平。此外，還有部分學者自主構建人工智能發(fā)展水平指標，如王志剛和胡寧寧[10]從基礎資源投入、人力資源投入、技術服務、產(chǎn)出應用水平4個一級指標建立中國人工智能發(fā)展評價指標體系。楊先明和王志閣[11]根據(jù)中國國家工業(yè)和信息化部對工業(yè)化和信息化融合的指標體系，從人工智能投入和應用層面選取五大基礎指標構建綜合反映中國省際人工智能發(fā)展水平的評價體系。

而關于人工智能的發(fā)展對勞動就業(yè)的影響，目前存在3種觀點：樂觀態(tài)度、悲觀態(tài)度及中立態(tài)度。一部分學者認為人工智能的發(fā)展對勞動就業(yè)存在負面阻礙，如朱火弟和葉潤[12]認為人工智能發(fā)展對中國低技能勞動力就業(yè)存在顯著的負面影響，隨著人工智能技術的發(fā)展，生產(chǎn)過程、生產(chǎn)工具都逐漸自動化和智能化，從而產(chǎn)生了替代效應。也有一部分學者對人工智能的發(fā)展對就業(yè)勞動的影響抱有樂觀態(tài)度，如Christopher[13]認為技術進步越快，意味著未來收益的有效貼現(xiàn)率越低，利潤的現(xiàn)值就越高，因此企業(yè)為了實現(xiàn)利潤最大化，會擴大生產(chǎn)規(guī)模，提供更多工作機會。還有一部分學者對人工智能的發(fā)展對勞動就業(yè)的影響保持中立態(tài)度，如蔡嘯和黃旭美[14]認為人工智能技術的應用與制造業(yè)就業(yè)之間存在“門檻效應”，一般情況下人工智能技術會抑制制造業(yè)就業(yè)，但當人工智能技術應用轉化水平增強，制造業(yè)生產(chǎn)率有巨大提升時會促進制造業(yè)重新創(chuàng)造就業(yè)機會。

通過對已有文獻的研讀，雖然國內(nèi)外學者在人工智能發(fā)展與勞動就業(yè)的關系上進行了廣泛且多樣的研究，但由于研究角度、研究樣本、測算方法的不一致，研究結論并不統(tǒng)一，仍有較大研究前景，這為進一步研究人工智能的發(fā)展與就業(yè)的關系奠定了基礎。但是，現(xiàn)有研究還存在著一些不足之處，大部分學者都從理論角度分析了人工智能的發(fā)展對就業(yè)量的影響，實證方面的研究較少，且尚未得到統(tǒng)一的結論。

2計量檢驗與回歸結果

2.1數(shù)據(jù)說明

2.1.1變量解釋

為了考察人工智能發(fā)展對勞動就業(yè)的影響，計量檢驗在設定模型時把人工智能發(fā)展水平作為核心解釋變量，同時考慮多個控制變量，最終加入4個控制變量，并基于數(shù)據(jù)的可得性以2018—2022年為觀測年份建立如下的回歸方程：

InEMPit=αi+β0+β1AIit+β2URBANit+β3OPENit

+β4FINANCEit+β5InTRANSit+μi（1）

式中：EMPit為被解釋變量，代表就業(yè)總量，是省市i第t年的總就業(yè)人數(shù)。AIit為解釋變量，是省市i第t年的人工智能發(fā)展水平。

對于影響中國勞動就業(yè)總量的控制變量，借鑒朱火弟和葉潤[12]、蔡嘯和黃旭美[14]以及鄭景麗等[15]的研究：（1）URBANit為省市i第t年的城鎮(zhèn)化水平，中國城鎮(zhèn)化水平的提高促進著勞動力從農(nóng)村向城市轉移，不僅帶動了高新技術和高端產(chǎn)業(yè)的發(fā)展，也帶來了低端服務業(yè)和制造業(yè)的就業(yè)機會。（2）OPENit為省市i第t年的對外開放程度，隨著全球貿(mào)易形勢的不斷變化，如中美貿(mào)易摩擦、國際政治經(jīng)濟風險的凸顯以及新冠疫情的影響等，對中國外貿(mào)和勞動力市場的穩(wěn)定運行帶來了挑戰(zhàn)，而勞動力的資源優(yōu)勢及人力資源素質的不斷提高在推進中國貿(mào)易高質量發(fā)展、成為全球貨物貿(mào)易第一大國的道路上不斷助力，因此對外開放水平對于中國勞動力總量的影響至關重要。（3）FINANCEit為省市i第t年的金融發(fā)展水平，金融機構通過提供貸款和其他金融服務支持企業(yè)擴張和創(chuàng)新，有助于創(chuàng)造更多的就業(yè)崗位，與就業(yè)總量之間存在明顯的促進作用[16]；TRANSit為省市i第t年的交通通達度，交通通達程度會影響勞動力的自由流動，從而造成勞動力流動壁壘，抑制中國經(jīng)濟的高質量發(fā)展[17]。αi表示省級個體效應，μi為隨機誤差項，β0為常數(shù)項。各變量的含義及相關說明可見表1，采用的原始數(shù)據(jù)來源于歷年地方統(tǒng)計年鑒及《中國統(tǒng)計年鑒》。此外，為了消除潛在的異方差問題，對EMPit、FINANCEit取自然對數(shù)。

2.1.2中國省域人工智能發(fā)展水平評價指標體系構建

需要特別說明的是，解釋變量AIit基于中國（除去西藏及港澳臺地區(qū)）30個省份數(shù)據(jù)，參考孫早和侯玉林[6]的研究從基礎建設、生產(chǎn)應用、競爭力和效益3個方面，構建了由7項指標構成的中國省域人工智能發(fā)展水平評價指標體系，見表2。

基礎建設一級指標由信息傳輸、計算服務和軟件業(yè)社會固定投資占比和互聯(lián)網(wǎng)普及率構成，信息傳輸、計算服務和軟件業(yè)社會固定投資占比為省市i第t年的信息傳輸、計算服務和軟件業(yè)社會固定投資在固定投資總額的占比，互聯(lián)網(wǎng)普及率為互聯(lián)網(wǎng)用戶數(shù)與常住人口總數(shù)的占比；生產(chǎn)應用一級指標由工業(yè)機器人安裝量和工業(yè)機器人滲透率組成，以IFR（國際機器人聯(lián)合會）發(fā)布的國家工業(yè)機器人安裝量及存量數(shù)據(jù)為基礎，同時考慮到各省的工業(yè)機器人主要應用于第二產(chǎn)業(yè)，因此以各省市第二產(chǎn)業(yè)產(chǎn)值占比為權重，實現(xiàn)工業(yè)機器人安裝量與存量數(shù)據(jù)省級之間分配，從而根據(jù)式（2）（3）得到相應數(shù)據(jù)；競爭力和效益一級指標由專利申請數(shù)、產(chǎn)業(yè)效益和社會效益組成，專利申請數(shù)為省市i第t年規(guī)模以上工業(yè)企業(yè)專利申請數(shù)，產(chǎn)業(yè)平均效益為省市i第t年電子信息產(chǎn)業(yè)主營業(yè)務收入/電子信息產(chǎn)業(yè)制造企業(yè)數(shù)，社會效益指標由各省份的單位GDP能源消耗情況衡量[6]，即表現(xiàn)在人工智能對生產(chǎn)生活的幫助下各省份能源消耗是否減少。

構建好指標體系后，采用熵值法實證測度中國省域人工智能發(fā)展水平，熵值法綜合評價的具體步驟如下。

（1）原始數(shù)據(jù)標準化處理由于各項指標的計量單位不統(tǒng)一，因此在進行綜合指標測算前，要對原始數(shù)據(jù)進行標準化處理，把指標相對值化，從而解決各項指標值的不同質問題。因正向指標和負向指標代表的含義相反，所以通常按照指標屬性的不同來選擇不同的公式進行標準化處理：

m；j=1，2，3，…n）。（5）

式中：Φij是經(jīng)過標準化處理后的第i個樣本的第j項指標，Xij是第i個樣本中第j項指標的原始數(shù)據(jù)值，min（Xi）j為第j項指標的最小值，max（Xi）j為第j項指標的最大值。

（2）計算第j項指標下第i個樣本指標值的比重Pij

由于計算信息熵時需要取自然對數(shù)，指標值不能為0，因此要進行適當處理，即對數(shù)據(jù)進行0.01的平移處理，即令Zij=Φij+d。其中，d為使其略大于0的一個正數(shù)，在此取0.01。

∑i=1

（6）（3）根據(jù)熵值計算公式計算第j項指標的信息

（4）計算第j項指標的差異性系數(shù)gj。

對于第j項指標，Xij的差異性越大，對指標評價的作用就越大，熵值ej就越小，即gj越大，指標越重要。gj= 1-ej（8）

（5）計算確定各評價指標權重wj。

wj=（9）n∑j=1gj

各項指標的熵值ej、差異性系數(shù)gj及權重wj見表3。

對中國各省人工智能水平的測度采用30個省份2018—2022年的指標數(shù)據(jù)，依照熵值法公式測算得出，并根據(jù)2022年得分大小分成3個等級，詳見表4。

由表4可知，廣東、江蘇、浙江、山東、福建、北京、上海、山西、安徽、河南的人工智能水平位居前列。而位于低水平的省份多集中在東北、西部省份，這些省份經(jīng)濟發(fā)展多集中于第一產(chǎn)業(yè)，勞動人員多從事于農(nóng)、林、漁、牧等傳統(tǒng)行業(yè)，對人工智能的應用需求不足，同時創(chuàng)新和投資支撐相對欠缺。

2.2相關性檢驗

在確定回歸模型和變量的基礎上，首先對變量進行相關性檢驗，包括描述性統(tǒng)計、多重共線性檢驗、Hausman檢驗，然后使用固定效應回歸依次對全樣本進行考察。

2.2.1描述性統(tǒng)計

表5列出了各變量數(shù)據(jù)的基本信息。綜合各個變量的數(shù)據(jù)可得性，實證研究的樣本為2018—2022年中國30個省份的面板數(shù)據(jù)。

2.2.2 多重共線性檢驗

因選取了5個變量分析人T智能的發(fā)展對勞動就業(yè)的影響，若變量間存在多重共線性，則會導致回歸結果出現(xiàn)誤差。因此，在正式回歸前對各變量進行多重共線性檢驗。

首先對各變量相關系數(shù)矩陣進行分析，通過pearson相關系數(shù)和spearman相關系數(shù)考察變量的多重共線性。表6為各變量相關系數(shù)矩陣結果，可以看出在2種相關系數(shù)矩陣方法的考察下，除城鎮(zhèn)化水平（URBANit）與對外開放程度（OPENit）的相關系數(shù)超過0.7以外，其他變量的相關性系數(shù)均小于0.7，說明多重共線性問題并不嚴重。

為確保回歸結果，考察各變量的方差膨脹因子，進一步開展多重共線性檢驗。一般認為，VIF的數(shù)值大于5則變量之間存在共線性。由表7可以看出，所有變量的方差膨脹因子均值為2.94，處于較低水平，最小值為1.52，最大值為4.24，小于過往檢驗的標準值5，據(jù)此證明研究所用模型的變量間不存在多重共線性。

2.2.3 Hausman檢驗

為保證回歸的可行性以及回歸結果的可靠性，進行了Hausman檢驗。該檢驗方法的原假設為選擇隨機效應模型更優(yōu)。由表8可知，檢驗結果顯示P值為0.000 0，即該結果拒絕了原假設，因此正式回歸時選擇固定效應。

2.3回歸結果

2.3.1全樣本回歸

表9顯示的是將人工智能發(fā)展水平作為解釋變量，并使用固定效應模型進行回歸得到的結果。

從回歸結果上可以看出，解釋變量人工智能發(fā)展水平（AIi）t對中國勞動就業(yè)（InEMPi）t影響的系數(shù)為-0.222，在5%水平上呈顯著的負向影響，與假設一致，這說明人工智能發(fā)展水平對中國勞動就業(yè)有一定的阻礙作用，即人工智能的應用對就業(yè)總量形成了負向的沖擊，隨著人工智能技術的不斷普及，部分就業(yè)崗位面臨著被人工智能替代的風險，出現(xiàn)先進設備替代低技能勞動力的現(xiàn)象，從而導致失業(yè)的出現(xiàn)，影響到中國的整體就業(yè)市場發(fā)展。URBANit對InEMPit影響的系數(shù)為-0.281，在10%的水平下呈顯著的負面影響，說明城鎮(zhèn)化水平的提高對中國勞動就業(yè)總量的上升會起到負面作用，城鎮(zhèn)化水平的提高意味著勞動力向城鎮(zhèn)的集中，當高生活成本超過中低技能水平勞動力的薪酬能力時，會迫使低技能水平勞動力退出該勞動市場。OPENit、FINAN?CEit、InTRANSit的回歸結果為負，這說明對外開放水平、金融發(fā)展水平、交通通達度的提高會影響中國勞動就業(yè)總量的提升。

2.3.2穩(wěn)健性檢驗

鑒于研究主要考察人工智能的發(fā)展對勞動就業(yè)的影響，為了驗證上述實證結論的穩(wěn)健性，將對解釋變量人工智能水平采用其他測算方法重新計算，考察模型的穩(wěn)健性。計量檢驗原本采用建立指標通過熵值法測算人工智能發(fā)展水平，在穩(wěn)健性檢驗時采用各省工業(yè)機器人安裝量（InROBOTi）t代表人工智能發(fā)展水平。實證結果見表10。如實證結果所示，省域人工智能發(fā)展水平與中國勞動就業(yè)之間依然為顯著的負相關關系。因此，改變關鍵解釋變量計算方法并未影響回歸結果及研究結論。

3結論與政策建議

自“人工智能”的概念在1956年被提出，從理論和算法設計到大規(guī)模應用，這個概念越來越貼近我們的實際生活，且實實在在地影響著社會經(jīng)濟發(fā)展。基于2018—2022年中國30個省、自治區(qū)、直轄市（除去西藏及港澳臺地區(qū)）的勞動就業(yè)數(shù)據(jù)，考察了人工智能發(fā)展水平對勞動就業(yè)總量的影響。通過前文分析可得，人工智能發(fā)展水平對中國勞動就業(yè)有一定的阻礙作用，人工智能的應用對就業(yè)總量造成了一定的負向沖擊。研究結果對于平衡人工智能利用和勞動就業(yè)發(fā)展的關系具有重要的啟示意義，對當前中國相關政府部門制定政策幫助企業(yè)正確認識人工智能技術對勞動就業(yè)的影響也有一定參考意義。

（1）合理布局人工智能，宏觀調(diào)控人工智能發(fā)展水平。Tortoise Media發(fā)布的2023年全球人工智能指數(shù)排名，中國排名第二僅次于美國，可見目前中國人工智能總體發(fā)展水平尚好，但從各省人工智能水平綜合評價得分可以發(fā)現(xiàn)國內(nèi)省域發(fā)展水平不平衡、不均勻，呈現(xiàn)出“東高西低”的局面，因此要依據(jù)自身資源稟賦與產(chǎn)業(yè)優(yōu)勢有所側重地發(fā)展人工智能，因地制宜制定差異化的人工智能產(chǎn)業(yè)政策，推動各區(qū)域的共同發(fā)展。此外，政府應扶持不同區(qū)域內(nèi)人工智能企業(yè)發(fā)展，同時鼓勵具有優(yōu)勢的企業(yè)在不同區(qū)域建立分支機構，為人工智能發(fā)展要素提供跨區(qū)流動的可能性，促使勞動力向更有需求的地區(qū)流動，促進全國省域人工智能發(fā)展水平的共同提高。

（2）加強職業(yè)培訓，緩解人工智能對就業(yè)的負向效應。雖然目前人工智能在實際生活中的運用更傾向于常規(guī)工作、重復性工作，替代中低技能勞動者，但隨著“強人工智能”時代的不斷臨近，以GPT為代表的訓練大數(shù)據(jù)模型研究進度加快，人工智能替代高技能勞動者的程度將會逐漸增強。因此，加強對勞動者的職業(yè)培訓以提高綜合素養(yǎng)，可以延緩人工智能對勞動力的替代程度。首先，政府應持續(xù)增加各類教育經(jīng)費投入，加強公共就業(yè)服務體系建設，大力支持在職職工、失業(yè)人群的技能培訓活動，并提供就業(yè)指導，不斷提高公開就業(yè)信息的時效性和透明度，幫助勞動力實現(xiàn)技能提升和就業(yè)轉移；其次，針對高層次人才，為滿足對智能制造人才隊伍建設的需求，應加強人工智能教育和人才培養(yǎng)，可通過校企合作設立人工智能專業(yè)、加強人工智能相關領域的課程的教育和培訓、加大力度扶持高水平人才引進等，構建人工智能關鍵人才的培養(yǎng)體系，培養(yǎng)具有“創(chuàng)新+實操”的“雙面人才”，提高中國人工智能人才隊伍的整體素質，把握人工智能持續(xù)發(fā)展的“開關”，實時調(diào)控人工智能對中國勞動就業(yè)的沖擊。

（3）完善社會保障體系，穩(wěn)定勞動就業(yè)。首先，針對人工智能可能引發(fā)的失業(yè)風險，中國應加快建設并完善普惠性的社會保障體系，結合實際進一步完善最低工資制度、失業(yè)保險、失業(yè)救濟等相關制度體系，學習國際經(jīng)驗，建立具有針對性的扶持制度，根據(jù)職業(yè)、年齡、學歷的不同進一步完善失業(yè)人群的扶持政策，避免收入差距進一步擴大，保障社會穩(wěn)定；其次，要切實維護勞動者勞動保障權益，利用大數(shù)據(jù)技術平臺收集廣大勞動者的勞動權益保障實際情況，研判現(xiàn)行規(guī)定與實際就業(yè)環(huán)境之間的管理空白，重點監(jiān)測受人工智能技術沖擊大的勞動者群體，不斷完善辭退與失業(yè)、社保繳納與使用、薪酬與福利等就業(yè)權益保障措施，保證就業(yè)公平。

參考文獻：

[1]曹靜，周亞林.人工智能對經(jīng)濟的影響研究進展[J].經(jīng)濟學動態(tài)，2018（1）：103-115.

[2]張旭，于蒙蒙，郭義盟.人工智能發(fā)展如何影響勞動力就業(yè)？[J/OL].煙臺大學學報（哲學社會科學版），2024：1-12[2024-07-13].https：//doi.org/10.13951/j.cnki.issn1002-3194.2024.0401.01.

[3] Nilsson N J. Aritificial intelligence：A new synthesis[M].San Francisco：Morgan Kaufmann Publishers Inc，1998.

[4] Brynjolfsson E，McAfee A. The second machine age：Work，progress，and prosperity in a time of brilliant tech?nologies[M]. New York：Norton，2014.

[5]張鑫，王明輝.中國人工智能發(fā)展態(tài)勢及其促進策略[J].改革，2019（9）：31-44.

[6]孫早，侯玉琳.人工智能發(fā)展對產(chǎn)業(yè)全要素生產(chǎn)率的影響：一個基于中國制造業(yè)的經(jīng)驗研究[J].經(jīng)濟學家，2021（1）：32-42.

[7]張娟.生成式AI嵌入數(shù)字政府建設的審思與展望：基于強人工智能視域[J].財經(jīng)問題研究，2024（， 7）：36-47.

[8]俞伯陽.人工智能技術促進了中國勞動力結構優(yōu)化嗎：基于省級面板數(shù)據(jù)的經(jīng)驗分析[J].財經(jīng)問題研究，2020（3）：94-102.

[9]葉祥松，黎美玲，潘麗群.人工智能對微觀企業(yè)的就業(yè)影響：總量、來源與異質性研究[J].貴州財經(jīng)大學學報，2023，（6）：70-79.

[10]王志剛，胡寧寧.人工智能對我國居民消費的影響機制及作用效果[J].深圳大學學報（人文社會科學版），2023，40（5）：67-77.

[11]楊先明，王志閣.人工智能、財政職能與中國經(jīng)濟發(fā)展質量[J].宏觀質量研究，2023，11（4）：49-66.

[12]朱火弟，葉潤.人工智能發(fā)展對我國勞動力就業(yè)結構的影響：基于2006—2019年省級面板數(shù)據(jù)的實證分析[J].重慶理工大學學報（社會科學），2021，35（8）：59-70.

[13] Christopher A P. Equilibrium unemployment theory[M].Massachusetts：MIT Press，2000.

[14]蔡嘯，黃旭美.人工智能技術會抑制制造業(yè)就業(yè)嗎：理論推演與實證檢驗[J].商業(yè)研究，2019（6）：53-62.

[15]鄭景麗，王喜虹，張雪梅.人工智能如何影響勞動收入份額：基于產(chǎn)業(yè)結構與企業(yè)升級的機制探討[J].南開經(jīng)濟研究，2024（4）：3-22.

[16]林春，孫英杰，康寬.普惠金融對中國產(chǎn)業(yè)就業(yè)的影響效應：基于總量和結構視角[J].證券市場導報，2019（6）：13-19+30.

[17]蔣為，倪詩程，吉萍.中國跨地區(qū)勞動力流動壁壘：測度方法、演進趨勢與決定因素[J].經(jīng)濟研究，2024，59（4）：60-77.

Research on the Influence of Artificial Intelligence Development Levelon Labor Employment： Based on Total Employment

CHENG Zeqiang

（Quanzhou University of Information Engineering， Quanzhou Fujian 362000， China）

Abstract：Under the background of quasi-"strong artificial intelligence，"as a new growth engine to promote thedevelopment of social productivity， is the continuous development of artificial intelligence （AI） beneficial to Chi?na's labor and employment，， and will it really trigger anxiety and unease of "technological unemployment"？ Basedon this， this paper measures the level of AI development at the provincial level in China through the entropy methodfrom the perspective of total employment， and selects the provincial panel data from 2018 to 2022 to explore the im?pact of China's AI development level on labor employment.The empirical research proves that the level of AI devel?opment has a certain impediment to China's labor employment. Therefore， countermeasures and suggestions are putforward to optimize the relationship between AI and labor employment， such as strengthening AI education and per?sonnel training， improving human capital， and rationally laying out AI， so as to provide a reference for solving theproblems related to China's labor market.Key words：artificial intelligence development; total employment; provincial panel data; entropy method