暴露于人工智能与职业流动性：跨国分析
暴露于人工智能和职业流动性： 跨国分析 马奥·卡萨尼加，卡洛·皮齐内利，艾玛·罗卡尔，玛丽娜·M·塔瓦雷斯 WP/24/116 国际货币基金组织工作论文描述研究作者（们）的进步，并已发布至引发评论并鼓励辩论。在IMF工作论文中表达的观点是作者（们）的，不一定代表国际货币基金组织（IMF）、其执行董事会的观点或国际货币基金组织的管理层。 2024六月 研究部门MF 工作论文 I 人工智能和职业流动性：一项跨国分析由Mauro Cazzaniga, Carlo Pizzinelli, Emma Rockall, Marina M. Tavares 撰写 经佛罗伦萨·若穆特授权分发，2024年6月 国际货币基金组织工作论文描述作者（们）正在进行的研究，并公开发表以征求评论和促进讨论。国际货币基金组织（IMF）工作论文中表达的观点为作者（们）的个人观点，并不一定代表IMF、其执行董事会或IMF管理的观点。 摘要：我们记录了巴西和英国不同暴露和互补程度于人工智能（AI）的工人跨职业和生命周期转变的历史模式。在所有职业中 各国，受过高等教育的工人通常从高暴露、低互补性（那些更有可能受到AI负面影响的人）转向高暴露、高互补性（那些更有可能受到AI正面影响的人）。这种转变对于与平均工资增长相关的年轻受过高等教育的工人来说尤其常见。因此，年轻的高素质工人代表着并且是那个AI驱动的结构性变革可能会极大地扩展职业晋升机会但也可能通过消除垫脚石工作高度扰乱进入劳 动市场的群体。对于受过大学教育的工人，“向上”的劳动力市场过渡模式在英国和巴西看起来总体上相似，这表明AI采用对高度受教育劳动力队伍的影响可能在先进经济体和新兴市场之间是相似的。与此同时，巴西的非大学教育工作者面临明显更高的从高薪酬、高暴露和低互补性职业向低暴露职业过渡的可能性，这表明如果AI减少对这些类型工作的劳动力需求，收入损失的风险可能会更高。 推荐引用：Cazzaniga, M., C. Pizzinelli, E. Rockall, and M. M. Tavares (2024) “对-国分析的暴露。” 国际货币基金组织工作论文 24/116人工智能与职业流动性：一项跨 人工智能与职业流动性：跨国分析 Maurizio Cazzaniga卡洛·皮齐内利艾玛·罗凯尔FGV-SP国际货币基金组织斯坦福大学 Marina M. Tavares国际货币基金组织 2024年6月3日摘要 我们记录了在巴西和英国，不同暴露程度和与人工智能（AI）互补性水平下，工人职业转换和生命周期内历史模式。在两国，受过大学教育的工人经常从高暴露、低互补性的职业（更可能受到AI负面影响的职业）转向高暴露、高互补性的职业（更可能受到AI正面影响的职业）。这种转变对于年轻的大学毕业生尤为常见，并且与平均薪资的提高相关。因此，年轻的高学历工人代表了AI驱动的结构性变化能够最大程度地拓展职业发展机会的人群，但也可能通过去除跳板职位，高度破坏进入劳动力市场。受过大学教育的工人这种“向上”的劳动力市场转变在英国和巴西看起来大致相似，这表明AI采用对高级和新兴经济体高度教育劳动力的影响可能是相似的。同时，在巴西，没有大学学历的工人面临从薪酬较高的高暴露和低互补性职业转向低暴露职业的显著更高机会，这表明如果AI减少对前一种类型工作的劳动力需求，则收入损失的风险更高。 1 引言 人工智能（AI）的采用有望带来一场可能重塑经济和社会结构的大规模结构性转型。随着各行业越来越多地整合AI技术，这种转变的影响预计将在劳动力市场上最为明显。在这里，AI既有潜力提高某些工人的生产力，也可能直接与其他工人竞争。这种双重潜力预示着劳动力市场将经历一段重大的颠覆和适应期，可能对传统的就业、技能要求和职业保障观念构成挑战。一些研究试图对AI对不同职业可能产生的影响进行分类，基于各国当前的经济结构，提供了一个关于劳动力市场机遇和风险的快照。本文试图超越这些“静态”方法，以捕捉职业转移的动态性质以及劳动力对技术变化的适应能力。 尽管人工智能融合到不同行业和职业的性质仍然高度不确定，Webb（2020）、Felten等人（2021）、Felten等人（2023）、Eloundou等人（2023）、Gmyrek等人（2023）以及Pizzinelli等人（2023）和Cazzaniga等人（2024）的贡献通过开发衡量个人职业对人工智能暴露程度的方法，考虑人工智能能力和人类技能之间的相互影响以及每个工作岗位的社会背景，为本次分析奠定了概念框架。这一系列工作为国家经济构成基于预期的人工智能影响提供了一个视角。同时，Acemoglu等人（2022）和Bonfiglioli等人（2023）提供了关于人工智能采用对美国劳动力市场早期影响的经验证据，强调其在不同职业和工人技能方面的异质性。两种方法都提供了有价值的见解。然而，它们都没有考虑工人调整到在其职业生涯中发生的结构变化的能力，以及在需求增长和薪资飙升的职业中转离受打击最严重的职业的能力。 本文旨在提供关于工人跨职业转换能力的初步见解，评估AI对相关职业产生正面和负面影响时，这一技术变革对他们职业生涯轨迹和终身收入可能产生的影响。利用来自两个截然不同的国家——英国和巴西的劳动力微观数据，本研究记录了工人职业转换的历史模式，为面对AI时潜在劳动力市场动态提供了一个初步视角。 由Felten等人（2021年）和Pizzinelli等人（2023年）提出的职业框架，我们将职业分为三类，基于其遭受人工智能暴露的程度和人工智能对人类劳动的补充性质：i）AI有望提高工人生产力的职业（高暴露和高互补性或HEHC），ii）AI有可能在执行关键任务时替代人类劳动的角色（高暴露和低互补性或HELC），以及iii）预期将受到人工智能影响最小的职业（低暴露或LE）。这种分类使得分析工人在这些职业类别之间变换的频率、最易受或受益于此类转变的人口特征，以及相关的收入影响更加细致且直观。 随着人工智能仍需在大规模上得到应用，其对工人劳动市场结果的长远影响尚无法观察到。尽管一旦新技术在经济中传播，历史上的转型模式可能不一定适用，但它们在帮助识别那些更可能或不太可能适应由人工智能引起的结构性变化的工人人口群体和职业阶段方面是有启发性的。因此，分析可以提供静态分析无法解决的初步答案。特别是，它可以确定哪些人口群体（例如，年龄和教育程度）更有可能填补增长职业中的职位，以及那些如果被取代，更有可能转向收入较低职业的群体。此外，考虑到职业转变的生命周期特征，提供了一个额外的视角来审视技术变革如何与工人的整个职业生涯相互作用，有助于回答以下问题：由人工智能引起的结构性变化是否会为工人创造更多转向高收入职业的机会，或者通过破坏他们的传统职业阶梯而减少这些机会？失业的工人能否轻易转移到其他领域？这对工人预期终身收入将有何影响？ 巴西和英国的比较使得分析更加丰富，因为它们劳动力市场的显著差异分别代表了新兴市场和发达经济的总体特征。英国以其老龄化的劳动力队伍为特点，其中更大比例的工人拥有大学学历并在认知密集型工作中就业。巴西由一个年轻但平均受教育水平较低、经济非正式化率高的人口组成，但受过大学教育的工人享有较高的工资溢价。此外，巴西的劳动力市场呈现出更大的活力，就业、失业和非活动状态的转换率较高，这表明了更高程度的特殊风险。两国的就业结构也存在差异。正如Pizzinelli等人（2023年）所展示的，英国就业在所有就业中所占的份额较高。 HEHC（35%）和HEL（30%）职业比例与巴西（分别占19%和21%）相比。 这项研究的主要发现之一是，在巴西和英国，受过大学教育的工人在我们考虑的三个职业群体（HEHC、HELC和LE）中表现出惊人的相似的职业转换模式。从低薪的LE工作中转换出去的概率高于从高薪的HELC和HEHC工作中转换出去的概率，这表明受过大学教育的工人在职业生涯中倾向于进行“向上”的移动。一个特别鼓舞人心的观察结果是，在面临较高AI风险的HELC职业中，存在大量向HEHC职业转换的情况，而HEHC职业更有可能从AI的采用中受益。这些转换还与工资增长有关。这些历史模式表明，相当一部分受过大学教育的工人可能能够从AI易受攻击的职业转移到那些AI更有可能提高生产力和收入的职业。考察受过大学教育的人的就业生命周期特征，可以发现他们在职业生涯中从HELC职业向HEHC职业转移的趋势，特别是在20多岁和30多岁期间。这种模式强调了如果作为垫脚石的HELC职业数量减少，年轻工人进入劳动力市场可能被破坏的潜在风险。 工人群体中没有大学教育者在职业转型模式上与拥有大学学历的人存在显著差异。总体而言，非大学学历的工人面临进入低等级职业的下向流动性风险较高，这一趋势与其当前的职业或就业状态相对独立。大学学历者与非大学学历者在工作转型模式上的这种差异在巴西尤为明显，在英国也存在。此外，收入生命周期轨迹揭示出明显的差异：与英国不同，在巴西，没有大学学历的工人在其职业生涯中几乎没有实现工资增长。尽管如此，两国都存在这样一个规律：在低接触性工作中就业的非大学学历者的工作经验回报最低。 为了进一步评估人工智能对工人终身收入的影响，我们进行了一次简单的局部均衡反事实练习。在这个练习中，我们计算了在不同人工智能采用情景下，刚刚进入劳动力市场的工人群体在不同年龄的预期工资。这涉及到分析工人跨各种职业和在其职业生涯中的收入分布。虽然这种练习具有说明性，但它指出了潜在结果的范围广泛，以及影响在不同和同一国家内部的异质性。例如，HEL C工作工人被转移到失业 该措施对巴西的平均终身收入的影响将比英国更负面（无论教育水平如何），因为在前者的HEL C工作中的相对工资更高。然而，在这两个国家，这种干扰对非大学工人的影响都大于对受过高等教育的人的影响。同时，与我们的其他研究结果一致，HEHC工作中的工资增长将主要增加受过高等教育工人的终身收入，特别是在英国。 最后，鉴于就业非正规化对新兴市场的重要性，我们研究巴西职业群体间的流动是否与正规化与非正规化之间的转变有关。我们发现，当职业转换通过就业发生时，正规工人的职业转换很少伴随着向非正规性的转变。然而，当这些转变通过失业发生时，我们发现LE工作中的正规工人有很高的概率转向非正规工作。这表明，如果工人在不面临失业期的情况下能找到新的机会，AI引起的就业中断不太可能通过将他们推向非正规部门而对工人造成“双重打击”。 本文与日益增多的研究相关，这些研究讨论了人工智能采纳对劳动力市场的影响。1据我们所知，这是首次从个体工人职业转换的角度尝试解决这一问题。特别是，这种方法很好地补充了那些将人工智能暴露的分类应用于一个或多个国家在某一时间点的就业构成的研究（Pizzinelli等，2023年；Webb，2020年；Felten等，2023年；Eloundou等，2023年；Briggs和Kodnani，2023年）。这些研究以职业分类的概念为中心，评估人工智能在特定工作角色中增强人类工作或完全替代工作的潜力，同时考虑了社会对不同环境中部署人工智能的偏好。此类评估提供了有价值的第一手见解，分析了一个国家基于其当前的职业构成，从人工智能引起的劳动力市场变化中得出的脆弱性或机会。其他研究测量了人工智能对劳动力市场的早期影响，重点关注美国。例如，Acemoglu等（2022年）研究了单个企业的AI采用和就业决策，而Bonfiglioli等（2023年）考察了都市层面的人工智能暴露。这些研究发现，人工智能采用具有异质效应的证据，一些职业和人口群体经历了就业收缩，而其他群体则从增长的机会中受益。然而，到目前为止的人工智能采用可能并不反映更广泛的影响。 技术更广泛地在经济中被采纳可能会产生的效应。因此，我们的论文通过对人工智能对劳动市场影响的研究，拓宽了研究范围，并将分析时间范围聚焦于工人整个职业生涯。 本文还与那些研究通过职业转换和工人生命周期来探讨结构转型发生机制的研究相关。例如，C
