人工智能技术与劳动技能转型：来自中国的理论与实证证据

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：AI technology and labor skill transformation: Theoretical and empirical evidence from China

　　严雪玲|朱启阳|于树乐|黄旭
四川大学经济学院，成都，中国

**摘要**
人工智能（AI）的采用显著提高了生产力，并重构了劳动力技能。本研究利用一般均衡模型分析了AI对不同技能水平工人产生的影响。研究结果表明，低技能工人容易经历“去技能化”，表现为技能要求的降低和任务常规化的增加。相比之下，高技能工人则需要“再技能化”以适应不断变化的技术需求。基于中国劳动力动态调查（CLDS）的数据，我们的实证分析证实了这些趋势，并强调再技能化的效应比去技能化更为显著。低技能工人对任务的控制力减弱，同时承担了更多的常规体力劳动，进一步加剧了去技能化现象。而高技能工人则表现出对专业培训和认知任务日益增长的需求，凸显了再技能化的更强效应。数值模拟进一步探讨了政策（如差异化税率和转移支付）在缓解这些效应中的作用。本研究为劳动力技能转型提供了新的视角，并提出了有针对性的政策干预措施。

**引言**
先进的数字智能已日益融入传统生产过程，模糊了人机边界，创造了新的技能需求（Chin等人，2025；Behl等人，2026；Guo等人，2024；Chen等人，2024）。与主要影响常规重复性任务的自动化机器人不同，AI技术对与任务相关的技能有着更广泛的影响。高盛预测，46%的文书工作将受到AI技术的影响，其次是44%的法律工作，以及37%的建筑和工程工作。同时，世界经济论坛（WEF）指出，大约40%的工人需要六个月内或更短时间内进行再技能化培训，经济合作与发展组织（OECD）的分析也强调，AI的普及将大幅增加对再技能化的需求，以保持劳动力的就业能力。在这种AI快速普及的背景下，工人技能与不断变化的人机任务分配之间的适应性匹配已成为维持生产力增长和公平劳动力市场结果的核心条件。越来越多的研究强调了两种相互竞争但又相互交织的力量：一方面，AI可能通过自动化复杂子任务、简化工作内容以及削弱在职学习的激励或资源来加剧“去技能化”压力，从而降低工人的自主性和技能利用（Ong和Png，2021）；另一方面，组织和案例研究表明，随着AI重构任务结构、创造新的互补角色以及增加与智能系统有效合作的跨领域和社会技术能力的需求，出现了显著的“再技能化”和升级技能的需求（Yan等人，2025；Yan等人，2024；Morandini等人，2023；Zirar，2023）。因此，理解数字智能技术是导致“去技能化”还是“再技能化”，以及如何促进工人技能与生产技术的结构性适应，变得日益关键。

与总体就业数量和工资水平相比，技能需求的潜在结构性变化为评估新技术对劳动力市场的影响提供了更为细致和重要的视角。现有研究表明，机器人的应用对劳动力市场既有替代效应（Schumpeter，1911；Leontief，1983；Autor等人，2003），也有增强效应（Frey和Osborne，2017；Acemoglu和Restrepo，2020；Sharfaei和Bittner，2024），但结论并不一致。主要原因是大多数文献关注的是总体效应，忽视了就业数量和工资波动背后的技能需求结构变化。AI技术对现有技能表现出替代、补充和创造效应，反映了工作环境中工人的实际技能需求（即技能匹配程度），这最终体现在就业数量和工资调整上（Acemoglu和Restrepo，2023）。因此，仅关注总体效应无法全面探讨AI技术对就业的总体影响，难以明确技术因素在劳动力技能需求变化中的关键作用。此外，大多数关于AI技术对劳动力技能结构影响的现有文献主要从企业角度出发，缺乏从个体工人角度的探索。当前研究主要考虑企业招聘需求（Law和Shen，2025）、就业结构（Tschang和Almirall，2021）以及培训投资（He?等人，2023）等方面。这些研究认为新技术可以替代执行常规任务和通用技能的工人，同时增加对非常规和专门技能的需求。例如，Frey和Osborne（2017）发现美国700多个职业中有47%可能在短期内被替代；David（2017）报告称日本55%的职业面临被替代的高风险，Fan等人（2026）发现机器人在中国的应用将使某些职业面临更高的替代风险。然而，以往的研究仅考虑了企业方面的需求变化，没有考虑到个体工人的适应性反应。此外，作为任务技能的直接承担者，工人更快地感受到技术的替代和创造性影响，并据此进行调整。因此，从这个角度探讨问题可以更精确和全面地评估AI技术的总体效应。另外，需要注意的是，新技术应用产生的新技能需求并不会立即转化为职业角色；新工作类型的出现存在滞后效应，可能低估了AI技术的积极创造性效应。相比之下，个体工人层面的技能需求变化更为直接和准确。

中国是研究AI技术去技能化和再技能化效应的理想场所。首先，中国是AI技术发展的关键参与者，在AI的三个核心领域（计算能力、算法和数据）方面位居全球前列。截至2021年6月，中国在全球前500个超级计算中心中拥有188个，占总数的37.6%，位居世界第一。在研究产出方面，中国在AI论文的数量和质量以及AI专利申请数量上均处于世界领先地位。其次，作为最大的发展中国家，中国的劳动力市场经历了显著的大规模结构转型。根据麦肯锡全球研究所的数据，预计全球三分之一的职业和技能结构转变将发生在中国（36%）。到2030年，多达2.2亿中国工人可能受到AI技术的影响，约5160亿工作小时（相当于每人平均87天）因技能需求的变化而需要重新分配。因此，本文旨在从个体工人的角度探讨AI技术采用对技能需求结构的影响。首先，通过构建一般均衡模型，本文从理论上描述了AI技术对工人技能结构的影响。其次，利用CLDS数据，我们实证分析了AI技术对工人“去技能化”和“再技能化”的潜在影响，并根据受影响群体的异质性进行了相应的机制分析。最后，关于如何保护和改善不同技能水平工人群体的福利，本文采用数值模拟方法研究了两种不同政策工具（即财政转移支付和教育投资）的效果。本研究为理解技术进步引发的劳动力技能结构转型提供了新的视角，并为制定有针对性的风险预防措施和激励政策提供了科学依据。

**本文的贡献**
首先，通过构建一个根据中国宏观经济数据校准的动态一般均衡模型，本文量化了财政转移和教育投资的效果。它定义了人力资本积累的异质路径，并系统地揭示了AI对不同群体“再技能化”和“去技能化”的不同影响（Cheng等人，2024）。其次，在分析视角上，大多数研究关注“宏观”就业结果（Choi和Leigh，2024），对工作内部技能重塑的关注有限（Liu和Mei，2026）。与Shao等人（2025）关注美国工人对自动化的偏好不同，我们的研究探讨了技能转型的微观机制。通过分别识别去技能化和再技能化，我们将焦点从就业状态转移到职业内部的技能调整（Zhang和Hao，2025）。第三，在方法论上，我们通过结合工人自我评估的技能需求、感知的学习时长和访谈者评估的数据质量与企业层面的AI采用信息，构建了个体层面的技能变化指标。这种综合设计使我们能够区分真正由技术驱动的技能重构和潜在的报告偏差，从而为评估AI的技能影响提供了更细致的实证基础。

**论文结构**
本文的其余部分结构如下：第2节构建了一般均衡模型，从理论上分析AI技术对不同技能水平工人的影响。第3节使用个体调查数据进行实证回归分析。第4节讨论了“去技能化”和“再技能化”效应背后的潜在机制。第5节模拟了不同政策对技能多样化工人群体的数值效应。最后，第6节进行总结。

**理论框架**
本节构建了一个动态一般均衡模型，遵循现有文献的常见做法。劳动力根据教育程度分为高技能和低技能两组。该模型分析了AI技术应用对工人技能变化的影响。

**数据和样本**
CLDS是一项2012年启动的全国代表性调查，提供了关于中国劳动力的微观层面数据，涵盖了个人、家庭和社区的广泛变量。收集的数据包括工人的就业条件详细信息，如工作类型、工作时间、工资、所需技能以及就业权利是否受到保护。我们利用2018年CLDS数据集的相关问题来构建研究指标：

**AI技术采用**
**工作控制**
为了进一步研究AI技术如何影响工人对其任务、进展和强度的控制，表5展示了不同教育水平工人之间的机制分析结果。这项分析揭示了AI采用对工作控制特定维度的不同影响，并深入探讨了技术进步与劳动力异质性之间的相互作用。第（1）至（3）列显示了AI采用对工人工作的影响。

**政策模拟**
在理论建模和实证回归研究中，我们确定了AI技术对不同技能水平工人的影响。鉴于AI发展可能导致工人技能水平的变化，因此制定适当的公共政策以主动应对这些变化至关重要。基于此，我们使用数值模拟来讨论不同政策的经济后果。

**结论**
在全球AI普及的背景下，中国的劳动力市场正在经历深刻的结构变化。与现有关注就业水平或总体工资的讨论不同，本文优先考虑生产过程中工人的技能轨迹。我们开发了一个一般均衡框架，系统地分析了AI采用如何影响初始技能不同的工人之间的技能转换。该模型揭示了双重动态：一方面，低技能工人可能会面临某些挑战；另一方面，高技能工人在研究中的贡献也值得关注。作者声明：所有作者都对这项研究的完成和手稿的编写做出了实质性贡献，并已阅读并批准了最终版本的手稿。闫雪玲（Xueling Yan）全面负责了研究项目，指导了实证分析的修订工作，并对稿件进行了润色，以确保表达的准确性和流畅性。余淑乐（Shule Yu）负责计量经济模型的修订，并详细阐述了实证内容。利益冲突声明：所有作者之间不存在利益冲突。所有作者同意将手稿提交给目标期刊，并对稿件的内容承担相应的责任。致谢：闫雪玲感谢国家自然科学基金（项目编号72573114）的支持；余淑乐感谢国家自然科学基金（项目编号723B2005）和上海浦江计划（项目编号25PJC013）的支持；徐黄感谢国家社会科学基金（项目编号23BJY134）和宁波市自然科学基金（项目编号2024J128）的支持。闫雪玲的研究领域包括劳动经济学、国际贸易与投资以及应用微观计量经济学，她的研究探讨了技术进步和经济政策对就业、公共卫生和财富分配的影响，研究成果发表在《亚洲经济学与结构变化杂志》（Journal of Asian Economics and Structural Change）和《经济动态》（Economic Dynamics）等知名学术期刊上。余淑乐的研究重点关注人工智能（AI）技术与其他领域的交叉应用。