本文运用一个新颖的企业招聘大数据集，研究了人工智能渗透对于企业劳动力需求在细分职业层面上的影响。研究发现：尽管人工智能降低了企业对常规职业劳动力的需求，却增加了企业对非常规职业劳动力的需求，这当中主要来自对非常规认知型职业如管理类、技术类等需求的增加。人工智能的就业创造效应不仅体现在内涵上，即对已有非常规职业劳动力需求数量的增加；还表现在外延上的拓宽，即人工智能拓展了非常规职业的工作岗位数和岗位类别，还催生了对新兴职业和新兴岗位的需求。就工资水平看，人工智能渗透高的企业平均工资水平更高，人工智能渗透高的职业有更高的工资溢价。本文指出，应更重视人工智能的就业创造效应，多措并举引导人工智能朝向创造出更多新职业和新岗位的良好方向发展。
（1）从职业分类视角实证检验了人工智能的就业效应及其作用的机制和机理，其中，对就业创造效应的探讨是本文的重要着力点。本文采用全国层面的大数据细粒度研究了人工智能的就业创造效应，具体而言，分别从原有职业的招聘人数以及职业种类数的增加两方面展开。值得一提的是，本文采用文本分析的方法从海量的招聘数据中识别出企业招聘的“新职业”，就人工智能创造出的“新职业”和“新岗位”在广度和深度上进行了量化研究，丰富了人工智能影响就业结构的文献，并具有一定的前瞻性。
（2）基于费尔腾等（2018）和阿西莫格鲁等（2022）的任务分析法构造的人工智能渗透度指标较全面地反映了人工智能的影响。一些文献以人工智能的某类存在形式如工业机器人作为人工智能的代理以研究人工智能的经济影响，国内相关研究也主要聚焦于工业机器人应用的就业效应，然而，工业机器人仅仅是人工智能技术的形式之一，无法涵盖人工智能的全局性影响。
（3）采用体现企业真实需求的招聘大数据集，使用大数据进行经济学实证研究更具科学性。此外，本文采用的数据跨度为2016~2020 年，我国人工智能技术在2015 年后进入了高速发展期，数据的时效性强，体现了人工智能和企业劳动力需求的最新动向及特点。当前，运用企业招聘大数据研究人工智能技术劳动力市场效应的文献正在兴起，但针对中国的研究相对缺乏，本文为运用招聘数据比较不同国家劳动力市场的研究也做出了贡献。
假说1：人工智能技术对常规型职业有替代作用，在人工智能应用成本下降或劳动力成本较高情境下，企业雇佣更少常规型职业的劳动力。
假说2：人工智能与非常规型职业起互补作用；人工智能创造出对新任务和新职业的劳动力需求，企业需要雇佣更多非常规型职业的劳动力来处理新任务。
假说3：人工智能渗透将提高企业意愿支付给非常规型职业劳动力的工资水平，对常规型职业劳动力工资水平的影响效应不明确。
4.1 数据来源
方等（2020）认为，在研究劳动力市场问题时，招聘数据相比于传统的抽样调查数据，有更广的覆盖性和更强的时效性。本文用爬虫技术在国内知名招聘平台获取了2016~2020年所有企业每天发布的招聘广告，2016~2020年正是人工智能技术在我国的加速应用期。本文将每日的招聘数据根据企业名称加总到月份，总计60个月。
本文对招聘数据做了如下预处理。第一，去除重复发布的招聘广告。有的企业为了实时更新或引起更多关注，可能存在着在招聘完成之前重复发布同一条广告的情况。为剔除重复发布的广告，本文只保留每家企业在每个月发布的第一个不同种类的职业信息。第二，对职业名称进行规范和分类。各企业发布的招聘广告对招聘的职业没有统一分类，本文根据招聘广告对职业的文字描述，运用机器学习、文本处理的方法，把所有招聘职业对应到美国职业信息网络（O*NET）提供的标准职业分类代码进行匹配和分类。第三，将文本格式的每条招聘信息转化为可用于统计分析的数据格式，然后将企业每日发布的招聘数据分别加总到月度和年度两个维度。为获取企业的财务信息，按企业名称将招聘数据集和万得上市公司数据库匹配。此外，本文还将雇主意愿支付的薪资水平按照工作地点所在省份的消费者物价指数进行调整。
4.2 变量说明
本文的核心解释变量是企业人工智能渗透度（AI Firm Exposure，简称AIFE）。在介绍这一指标之前，首先介绍职业人工智能渗透度（AI Occupation Exposure，简称AIOE），该指标是费尔腾等（2018）根据美国劳工部O*NET数据所提供的各职业包含的工作任务或所需能力的分解信息，在测量出这些任务或能力对人工智能技术易感程度的基础上综合计算得出的。该指标的优点在于，其测算过程从技术和人的能力角度出发，因此并不强调人工智能对职业的影响是替代还是互补，仅表示人工智能对职业的冲击大小。这为本文后续客观地估算人工智能冲击的就业替代和创造效应奠定了基础。图1展示了根据标准职业代码分类下八位码职业人工智能渗透的直方图，可以看到，绝大多数职业的人工智能渗透值分布于2~5之间，整体呈正态分布。
按照任务分析理论，企业的生产活动由一系列连续的生产任务构成，如果其中的某些任务可以由人工智能来完成，那么该企业被人工智能渗透，其由人工智能执行的任务占所有任务的比重即代表了该企业的人工智能渗透度。企业内部的生产任务安排很难去观测或度量，但可以从其雇佣的职业结构中反映出来。如果一家企业雇佣了比例较多的高人工智能渗透度职业的员工，那么可以说这家企业的人工智能渗透度较高，本文基于这个原则构建企业人工智能渗透度指标。本文从万得数据库中获取2015~2020年每家企业的员工结构，该数据将员工分为11个职业类别，依据最新的O*NET数据计算出职业人工智能渗透度AIOE，然后将这些职业类别基于语义匹配到O*NET的职业类别，按照下式构建核心解释变量——企业的人工智能渗透度指标（AI Firm Exposure，AIFE）：
AIFEit表示中国企业i在t年的人工智能渗透度，numikt代表企业i在t年拥有职业类别为k的员工人数，numit表示该企业t年的员工总人数，那么numikt/numit代表企业中职业类别为k的员工人数占员工总人数的比重。AIOEk代表职业类别k的人工智能渗透度。此外，用类似方法，本文还构造了行业层面人工智能渗透度（AI Industry
Exposure，AIIE），以备后文稳健性检验之用，行业人工智能渗透度的计算公式见下文公式（3）。
4.3 计量模型
为实证检验人工智能究竟对哪些类型的劳动力产生就业替代，对哪些类型的劳动力有互补作用，本文根据工作的任务属性将职业分为非常规型和常规型两大类。在进一步的深入分析中，再细化分为4个大类，具体为非常规认知、非常规体力、常规认知、常规体力。接下来构建如下回归方程：
其中，Yit代表企业每年雇佣各类型职业的人数，以非常规型职业为例，该变量的含义是一个企业一年内招聘的非常规职业人数的对数值。AIFEit即为（1）式定义的企业人工智能渗透度指标，为缓解内生性问题，下文回归将AIFE滞后一期。Xit是包含一系列影响企业招聘行为的控制变量，这些控制变量包括企业员工人数、企业人均净利润等体现企业绩效的指标；本科以上学历员工占比和高中以下学历员工占比等体现企业内部人员结构的指标。此外，还用企业年销售额占行业内所有企业销售额的比重计算的赫芬达尔指数来衡量企业所处的行业竞争环境。为了缓解变量之间的同时性偏差问题，所有控制变量都做滞后一期处理。
5.1 基准回归结果和分析
由回归结果可以看出，企业人工智能渗透显著增加了企业对非常规型岗位人员的招聘需求，但减少了对于常规型职业的人员需求。
表1是对企业招聘的非常规职业人数的回归结果，列（1）~（4）结果显示，在不同的模型设定下，回归结果稳健。从控制变量来看，以员工总数表示的企业规模和企业人均利润均有利于招聘非常规职业人员，从企业的人力资本结构来看，本科以上员工占比即高技能人才占比与非常规职业招聘人数有正相关关系，低技能人才的作用较弱，行业集中度指标则没有显著影响作用。表2的回归结果表明，企业人工智能渗透度增加一个单位，招聘常规职业人数将下降25.1%。
回归结果的经济学解释在于，企业受人工智能冲击越大，说明当前任务和已有人工智能技术相似性较高，企业更有可能在生产中匹配使用人工智能技术，那么，对于常规型工作而言，由于其和人工智能是替代关系，因此企业会减少对该类型劳动者的招聘需求。对于非常规型工作来说，其和人工智能技术是互补关系，企业应用人工智能技术越广泛，越是需要专业技术人员去维护和支持这些技术。同时，人工智能技术的采用也会派生出一些新的任务，而这些新任务在一开始出现的时候并没有程序化的流程可以遵循，劳动者需要具备经验和判断等非常规能力才能执行好新任务，这就增加了对非常规职业人员的需求。但是，人工智能创造了更多的新职业和新岗位，因此，新技术尤其是人工智能技术是创造新工作的重要推动力量。从回归系数的大小来看，相对于常规职业的就业替代效应，人工智能对于非常规型职业的就业创造效应更强。
5.2 稳健性检验
5.2.1.内生性问题的处理
由于各职业受到人工智能冲击程度不一，企业雇佣不同结构的人员，反过来可能会影响企业的员工结构，进而影响下一年度的企业人工智能渗透度。接下来，本文用3种方法缓解这一内生性问题。
（1）工具变量法。首先，用类似方法构建出行业层面的人工智能渗透指标AIIE（剔除本企业），作为企业人工智能渗透指标AIFE的工具变量。行业人工智能渗透度指标的构建方法如下：
其中，j代表行业，numjkt代表行业j在t年拥有的职业类别k的员工人数，numjt代表行业j在t年的员工总人数，那么AIIEjt表示行业j在t年的人工智能渗透度。同一个行业内各企业从事的业务比较接近，各企业的员工职业结构可能较相似，这满足了工具变量的相关性。行业人工智能渗透与企业的招聘行为不直接相关，符合工具变量的外生性。工具变量的回归结果见表3的（1）和（5）列。
其次，用物化资本即年度分行业每百人使用的计算机数量作为企业人工智能渗透的工具变量。计算机化程度更高的行业，其任务自动化含量也较高，而自动化属于人工智能的分支之一，其与企业人工智能应用有一定的相关性，满足工具变量的相关性假设；行业层面每百人计算机数量与单个企业的招聘行为并不直接相关，满足工具变量的外生性。该工具变量同样通过了弱工具变量检验和不可识别检验。工具变量的回归结果见表3的（2）和（6）列所示，回归结果稳健。
（2）外生冲击事件检验法及其他。本文运用广义双重差分，将2017年国务院印发《新一代人工智能发展规划》视为政策冲击，并将后续年份设定为1，之前设定为0，构建与企业人工智能渗透指标的交互项，回归结果如表3的（3）和（7）列所示。结果表明，在国家人工智能发展规划政策的冲击下，企业对非常规员工的雇佣增加，对常规型员工雇佣减少。
最后，将解释变量AIFE设定为企业在2016年的初始值，这样，后续年份的企业招聘行为难以影响其在初始年份的人工智能渗透度，较好地缓解这类反向因果关系，回归结果见表3的（4）和（8）列。
5.2.2.更多稳健性检验
由于缺乏相关数据，直接测度企业采用先进技术的程度比较困难，一些研究用企业雇佣与先进技术相关的人力资本人才数量来代理企业对先进技术的采用。本文用企业在招聘广告上发布的人工智能人才数占比作为企业人工智能渗透的替代指标，其中，人工智能人才的定义采用关键词检索的方式加以识别，指标替代的回归结果如表4的（1）和（5）列所示，回归结果稳健。
其二，本文用企业招聘信息中体现的职业结构作为公式（1）中的权重重新构建企业人工智能渗透度指标，即公式（1）的分子是某家企业在t年发布的招聘某个职业k的人数，分母为该企业t年招聘的总人数。如前所述，本文采用机器学习的方法，匹配出了543个标准职业代码分类下的职业，以此作为职业结构权重，可以捕捉丰富的职业间差异。运用该指标作为解释变量的回归结果见表4的（2）和（6）列所示，本文的核心结论仍然成立。
（2）区分人工智能应用型企业和主动创造人工智能的企业即人工智能开发型企业。
阿西莫格鲁等（2022）认为信息软件行业是人工智能的研发行业，因此这些公司的招聘结构体现的是其主动追求研究和开发人工智能技术的结果，而非接受已有人工智能技术冲击的结果。接下来，本文在回归中剔除软件和信息技术服务业的样本，回归结果参见表4的（3）和（7）列，可以看到，企业人工智能渗透变量的系数依然显著，方向保持不变。
方等（2020）运用和本文同类型的数据，发现招聘数据灵敏反映出新冠疫情造成的劳动力市场变化。疫情和防疫政策可能导致市场对劳动力需求的结构性改变，比如，企业会大幅度提高对可以线上办公人员的需求。新冠疫情始于2019年底，故剔除2020年的数据进一步回归，结果见表4的（4）和（8）列所示，结果稳健。
5.3 异质性影响的讨论
5.3.1 企业异质性
一些研究表明，人工智能人才雇佣与公司规模呈正相关（阿列克谢娃等，2021）。本文根据资产划分企业规模大小，将总资产处于所在行业中位数以上的企业定义为大规模企业，其余为小规模企业，分组回归结果如表5的（1）~（4）列。结果显示，规模小的企业相对于大规模企业而言，人工智能渗透对常规职业的就业替代作用更强，说明小企业更易受到人工智能的负面冲击，对于非常规职业的就业促进作用两种类型的企业则比较接近。国有和民营企业有不同的用工机制，本文进一步根据企业所有权分为国有和民营企业分组回归，表5的（5）~（8）列报告了分组回归结果，相比国有企业，民营企业人工智能渗透对非常规职业的就业促进作用明显，对常规职业的替代效应也显著，对国有企业回归的系数都不显著，这说明民营企业的用工机制更灵活，面对人工智能冲击民营企业可更大程度地调整其就业结构。
5.3.2 行业异质性
在不同行业中，人工智能技术构成及其职业可替代风险差异很大，接下来将所有行业分为制造业和服务业分组回归。表6报告了分组检验的结果，整体而言，人工智能对制造业的非常规职业就业起促进作用，对常规职业就业有替代作用；对服务业行业回归的系数不显著。近些年工业机器人生产成本的下降及其在制造业行业的广泛应用更是加大了对重复性、可程序化的常规性工作的替代。与此同时，工业机器人在制造业的使用也创造出一些针对工业机器人的开发、维护和管理的岗位。人工智能对服务业行业的就业影响不显著，可能的原因在于目前人工智能技术在我国服务业领域的应用不如制造业普及，其对服务业的作用效果展示尚需时日。
接下来根据职业和行业的任务密集度高低进行异质性检验。本文对各个职业做标准化的描述和专业评估并赋值，美国劳工部职业名称大典和职业信息网提供了职业层面任务和所需技能的资料，据此构建职业的任务密集度指标。本文将每种职业拆分为多种工作任务指标并赋值，在此基础上选取其中数个有代表性的指标衡量职业的任务属性，基于此计算出各职业的常规任务含量，再加总到行业层面计算出各个行业的常规任务含量。在此基础上将各行业区分为高常规任务含量行业和低常规任务含量行业两大类分组回归。
表7的分组回归结果显示，一个行业的常规任务含量越高，该行业对于常规劳动力的需求下降越明显，由于常规任务和非常规任务有互补性，这些行业同时表现出了更强的对非常规劳动力的需求。
在制造业领域工业机器人被广泛采用，为进一步区分工业机器人和人工智能的岗位替代和任务替代效应，本文在制造业内部进一步细分高常规任务强度的行业和低常规任务强度的行业，并做分类回归分析。表7结果显示，相比于低常规任务含量的制造业行业，在高常规任务含量的制造业行业，人工智能渗透对于常规劳动力需求下降的幅度更大，并进一步促进了这些行业对非常规劳动力的需求，由此可见，与工业机器人应用体现的就业替代效应不同，人工智能在制造业行业的渗透，岗位的替代效应和创造效应同时并存。
5.4 机制分析
5.4.1 常规职业和非常规职业内部的进一步分析
前文分析结果显示，人工智能影响了企业雇佣不同类型职业的就业人数，接下来，进一步研究人工智能带来的企业雇佣变化，究竟是原职业招聘人数的扩张或收缩，还是职业种类数目的增减带来的。对于第一个效应的考察，本文对非常规和常规职业内部的雇佣结构做进一步细分。对第二个效应，主要考察企业雇佣职业种类数目的变化。
（1）细分职业层面的雇佣人数变化。为进一步探讨人工智能渗透对于企业招聘常规和非常规职业内部结构的影响，本文将非常规职业进一步分为非常规认知和非常规体力、常规职业分为常规认知和常规体力一共4类，分别进行回归分析，结果如表8所示。
可以看到，人工智能渗透对企业招聘非常规岗位人员需求的增加主要体现在非常规认知岗位，企业对非常规体力从业人员的需求下降。人工智能渗透使企业对于常规型认知和常规型体力人员的需求均出现下降。但是，人工智能与非常规认知工作有互补作用，人工智能在情感交互、团队合作等需要软技能的职业上无法代替人类工作。
（2）职业种类数的变化。本文进一步考察人工智能冲击下企业招聘职业种类数的变化，职业种类数目代表企业生产任务的多样化程度，职业种类数增加表示生产任务扩张。首先把企业每年雇佣的八位码层面职业的种类数目取对数作为因变量进行回归，回归结果见表9。人工智能显著增加了企业雇佣非常规职业的种类数，降低其雇佣常规职业的种类。具体来看，非常规认知型职业的种类数增加，而非常规体力、常规认知、以及常规体力职业的种类数都收缩了。这证实人工智能在企业的应用具有任务创造和任务毁灭效应，能够创造出新任务促使企业雇佣更多种类的员工，也使得企业不再雇佣另一些类型职业员工。
5.4.2 人工智能对非常规职业的就业创造机制检验
（1）人工智能的新职业创造效应及非常规职业劳动力的需求。阿西莫格鲁和雷斯特雷波（2019）认为，人工智能、自动化等新技术的运用，对劳动力存在就业替代和就业创造两种效应。就业创造效应又可分为新技术应用创造出新任务及新职业对劳动力产生的新需求；以及由于采用新技术提升了企业的生产率，其生产规模扩张从而带来劳动力需求的增加。首先，本文分析人工智能的新职业创造效应及其对非常规职业劳动力需求的增加。接下来，本文将检验作为新技术的人工智能创造出新任务和新职业的广度和深度。本文依据人力资源和社会保障部2019~2021年间发布的文件界定新职业，通过提取文本关键词的方式从每条招聘广告中识别出该条招聘是否包含有新职业的相关字段，并统计出每家企业每年招聘新职业的人员数。
用Logit回归识别人工智能渗透对企业招聘新职业员工概率的影响，结果见表10的（1）~（3）。用线性回归识别人工智能渗透对企业雇佣新职业员工人数占总雇佣人数比重的影响，结果见表10的（4）~（6）列。研究发现，人工智能渗透不仅提高了企业雇佣新职业员工的可能性，也提高了企业雇佣新职业的人员比重。这也说明，人工智能渗透促使企业拓展新的生产任务，并依据生产任务调整内部的职业结构，雇佣新职业的员工。本文通过对新职业的考量验证了人工智能的就业创造效应，而前文的分析表明，兴起的新任务和新职业主要创造了对非常规职业劳动力的需求。
（2）人工智能的生产率效应及非常规职业需求。接下来分析人工智能对非常规职业创造效应的第二种机制即生产率机制。
一是，人工智能应用节约了劳动成本，企业生产率得到提高，带动生产规模扩大，将直接增加对操作非自动化任务的劳动力需求，即增加对非常规任务劳动力的需求。二是，人工智能的生产率效应增加了工人的实际收入，工人对商品消费需求量增加，间接创造更多的常规和非常规就业岗位。这两种就业创造效应都将增加社会对劳动力的需求，由于常规任务可以被自动化技术或人工智能所替代，那么增加的劳动力需求可以相当大部分归因于非常规职业的劳动力。
接下来，本文分别检验人工智能是否提高企业生产率，是否扩大了企业生产规模，以及是否促进企业创新，进一步检验人工智能对于非常规职业劳动力需求增加的机制。本文分别用企业人均产出代理企业全要素生产率，用企业年销售额的对数表征生产规模，用研发投入的对数表示企业创新。回归结果见表11，系数均显著为正，说明人工智能渗透不仅促进了企业生产率的增长，也扩张了企业的生产规模，并提高了企业的研发投入，这3种效应都将带来企业对于非常规职业劳动力需求的增加。
接下来分析人工智能对常规型劳动力的就业替代机制。其一，常规任务是那些重复性、遵循一定流程、可编码的任务，这些任务容易被计算机所替代，随着计算机价格下降，替代效应更容易发生。一项任务在现实中是否被人工智能取代，除了技术上的因素如任务可编码以外，在经济因素方面还取决于劳动力的相对成本。基于此，本文用各企业的平均工资水平衡量企业的平均用工成本，构建与人工智能渗透的交互项进行回归，预计平均工资水平更高的企业，人工智能对常规劳动力的替代效应越强。回归结果由表12的（1）和（2）列展示，企业人工智能渗透与人均工资交互项以及与人均工资滞后交互项的系数均为负，说明企业的人均工资水平越高，人工智能替代常规型职业就业的效应越强。为排除企业内部各因素的相互作用得到更干净的因果识别，表12的（3）列运用城市层面的平均工资与企业人工智能渗透的交互项，对常规就业的回归结果与前两列类似，（4）列是城市层面平均工资滞后项与人工智能渗透的交互项对常规就业人数进行回归。
其二，常规任务和新技术是替代关系，那么在实际中，如果一家企业或一个行业的常规任务含量越高，该企业或行业人工智能对常规职业表现出的替代效应就越强。为了缓解内生性问题，采用行业层面的常规任务含量构建交互项。本文使用O*NET数据中各个职业任务特征的描述，获得常规认知任务和常规体力任务的重要性数值并加权平均求得职业层面的常规任务含量，再与行业中各职业人员占比加权，最终获得行业层面的常规任务含量。回归结果见表12的（5）和（6）列，人工智能渗透和行业常规任务含量的交互项的系数为负，说明常规任务含量越高的行业，人工智能的替代效应越强。
 fill=%23FFFFFF%3E%3Crect x=249 y=126 width=1 height=1%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
本文的理论分析部分表明，受人工智能冲击的企业改变了对不同职业类型劳动力的招聘需求，并因此调整意愿支付的工资。在前文分析的基础上，本文将进一步考察人工智能渗透对工资的影响。
6.1 企业人工智能渗透与企业意愿支付的平均工资
同样将职业分为常规型和非常规型两类，根据每条招聘广告中企业意愿支付的工资信息，按招聘人数加权得到企业招聘该种类型职业的平均工资avewageit。企业i在t年对招聘员工意愿支付的平均工资为avewageit，计算公式如下：
其中，numiomt表示企业i在t年m月份招聘职业o的人数，wageiomt表示其意愿支付给工人的工资。参照方程（2），构建以下回归方程：
其中，avewageit代表企业i在t年对以不同类型职业（非常规、常规以及所有类型职业）意愿支付的平均工资。Xit包含一系列影响公司招聘行为的控制变量。δt、δj、δc分别代表年份、行业、地区固定效应，εit是残差项。
表13报告了回归结果，企业人工智能渗透度越高，企业的
