低收入和中等收入国家工人对人工智能的暴露

11057 工人对人工智能的暴露在低收入和中等收入国家 加布里埃尔 · 德蒙比内斯 · 约尔 ·兰贝因 · 迈克尔 ·韦伯 政策研究工作文件 11057 Abstract 研究人工智能对劳动力市场的影响主要集中在高收入国家。本文则利用来自大量低收入和中等收入国家的微观数据，分析这一问题。具体而言，文章将一种潜在的人工智能职业暴露度量应用于25个国家的一致化劳动力调查数据集，覆盖了35亿人口。这种方法通过使用个体工人的一致化微观数据，推进了多变量分析工作，以识别与暴露相关的因素。此外，与早期的研究不同，本文采用了更为详细的（四位数字）职业代码，这为将人工智能暴露准确映射到职业提供了更可靠的依据。在各个国家内部的结果显示，人工智能对职业的潜在影响具有显著差异。 智能暴露对于女性、城市工人以及受教育程度较高的人群更高。根据国家收入水平，暴露程度呈现下降趋势，在低收入国家仅有12%的工人和中低收入国家的15%工人受到较高程度的智能暴露。此外，缺乏电力接入限制了低收入国家的有效暴露。这些结果表明，对于发展中国家，尤其是低收入国家，人工智能对劳动力市场的影响将比高收入国家更为有限。虽然更高的智能暴露预示着某些职业未来可能发生更大的变化潜力，但这并不意味着会带来就业流失，因为这可能表现为提高工人的生产效率、自动化某些任务或两者兼有。 这是人类资本项目（People Vertical）的产品。它是世界银行为提供研究开放访问并为全球发展政策讨论做出贡献而进行的一项更大努力的一部分。政策研究工作论文也在网上发布于http://www.worldbank.org/prwp。作者可以联系mweber1@worldbank.org。 低收入和中等收入国家工人对人工智能的暴露 Gabriel Demombynes,1J ö rg Langbein,2迈克尔 ·韦伯3 JEL 分类: J24, J21, O33关键词: 就业与发展人力资本与增长数字经济战略 1. Introduction 人工智能领域在过去几年中取得了显著的发展。自2022年11月ChatGPT 3.5推出以来，生成式人工智能的表现尤为突出。该领域的投资激增，人工智能已成为全球辩论中的焦点话题（Maslej等，2024）。尽管人工智能的未来充满不确定性（Brynjolfsson等，2024），许多观察家认为它将引发对就业、技能需求以及经济结构的根本性变革，类似于工业革命和数字化时代的变革（Cazzaniga等，2024）。然而，这些变化最终对劳动力和工作岗位的影响仍然高度不确定。 大多数关于生成性AI对工人影响的经济研究主要集中在高收入国家（HICs）。只有少数论文考虑了人工智能对低收入和中等收入国家（LMICs）的影响（Comunale 和 Manera,2024；Gmyrek 等人, 2024）。AI的整体影响在LMICs和HICs之间可能会有所不同，这归因于三个主要领域的差异：基础设施、人力资本和经济结构。首先，AI使用的基本基础——稳定可靠的电力供应和负担得起的互联网——在一些发展中国家并不普遍可用。在低收入国家，不到一半的人口能够获得电力，而超过四分之一的人（27%）使用互联网。其次，在LMICs中，有效与AI合作所需的人力资本水平要低得多。大约70%的儿童在低收入和中等收入国家属于“学习不良”群体，这意味着他们到10岁时无法阅读和理解简单的文本（世界银行，2022年）。第三，LMICs通常具有不同的经济结构，其中大部分劳动力从事农业和低技能服务工作，而在知识密集型行业和职业中的比例较少，这些行业可能最易受AI的影响。 在本文中，我们分析了职业构成差异可能如何影响人工智能（AI）对就业的影响，并重点关注中低收入国家，同时将美国作为比较对象。我们在多个方面超越了现有尚处于起步阶段的研究文献。首先，我们应用了Felten等人（2021）开发的AI职业暴露指数（AIOE），该指数涵盖了约35亿人口或全球约45%人口的劳动力调查数据。AIOE依赖于最初为美国劳动力市场设计的职业分类标准O*NET。其次，我们使用了来自更大范围的低收入、较低中等收入和较高中等收入国家的详细微观数据集，这些国家的数据在早期研究如Cazzaniga等人（2024）和Pizzinelli等人（2023）的研究中并未被采用。通过25个国家跨所有收入组别的协调个体层面数据，我们能够识别出系统性差异和典型事实。该数据集包括更详细的四位数国际标准职业分类（ISCO）水平的职业层面数据。第三，我们利用这些微观数据来探讨不同社会人口统计群体在多变量框架下的AI暴露程度如何变化。这使我们能够提供比早期研究更为细致的观点。 我们发现各国收入水平在AI职业暴露度上存在显著差异。我们将个体工人的暴露度标准化到一个从0（无暴露）到100（完全暴露）的范围内。在所有国家中，高收入国家（美国）的平均暴露度最高，为62。紧随其后的是上中等收入国家，其平均暴露度略低。 来自低收入国家的工人的AI暴露值为37，而中等收入国家的工人的平均值为49，较低收入国家的平均值为44。在工人层面，教育水平与中等收入国家的AI职业暴露程度密切相关。女性工人在所有收入水平的国家中都比男性更暴露于AI，但在高收入和上中等收入国家之间的差距更为明显。城市工人通常比农村工人更暴露于AI。总体而言，我们发现人工智能的进步将不成比例地影响白-collar职业。 我们还将在工人层面的AI暴露度指标上叠加 Household 水平的电力接入数据。这一分析表明，能源接入进一步限制了AI暴露度，尤其是在低收入国家的农村居民中。 本文结构如下：第2节提供了关于AI与劳动力市场关系的文献综述，重点关注低收入和中等收入国家，并介绍了分析中使用的数据和方法。第3节报告了样本国家在AI职业暴露方面的统计事实。第4节总结全文。 2. 测量 AI 暴露和劳动力市场影响 人工智能（AI）可能像工业革命一样，重新塑造劳动力市场和工作性质（Cazzaniga等，2024）。凭借其自动化任务、优化流程和增强人类能力的能力，AI 准备重塑职业角色、所需技能以及经济结构。与以往的技术变革不同，这一过程不仅涉及常规重复任务的自动化。生成型 AI 模型可以从数据中学习并自行创造新事物，影响经济的各个领域。因此，AI 可能会从根本上改变工作的本质。为了评估 AI 的潜在影响，文献采用了 Autor 等人（2003）提出的“任务模型”方法。这些模型将每种职业视为一组任务。将这些任务与 AI相关联，根据它们对 AI 的“暴露”程度进行分类，然后将这些指标聚合为职业层面的暴露度测量值。不同研究中关于暴露的定义及其解释存在差异。 需要注意的是，暴露于AI并不意味着该任务或工作会被人工智能替代。它也可能意味着AI将增强该任务的生产力，或者导致职业或工作岗位构成的重新配置。 本节描述了衡量职业面临AI暴露程度的方法，随后将回顾一些当前关于AI的实证文献。 2.1. 测量 AI 暴露 一种任务模型方法被众多研究努力应用于评估数字技术和人工智能对职业的影响，利用了基于美国的O*NET数据库（例如，Autor和Handel 2013）。O*NET数据库最常用于分析美国和其他高收入国家的劳动力市场。该数据库最初由美国劳工部开发，提供了广泛的职业详细信息，包括工作职责、所需技能、教育要求和劳动市场趋势。数据库的主要目标是帮助个人根据自己的技能和兴趣做出明智的职业选择。它通过提供当前职业的详细描述以及执行这些职业所需的任务和技能来实现这一目标。该数据库定期更新，并且职业定义已被用于研究以提供有关职业趋势分析和劳动力发展的见解。 One of the most prevalent indicators utilized in AI-related analysis is the "人工智能职业暴露指数"（AIOE指数）由Felten, Raj, 和Seanmans（2021）开发。该指数基于O*NET职业分类，并通过将职业中的人类任务与AI应用联系起来定义AI暴露，延续了Frey和Osborne（2017）关于自动化的工作。Pizzinelli等（2023）进一步在此基础上发展了该指数，通过纳入来自O*NET数据库的额外信息。这些信息包括职业的社会、伦理和物理背景，以及所需技能水平。另一项类似的研究 该方法由Webb（2020）开发。该方法识别了专利中描述的AI能力与O*NET提供的职位描述之间的交集。具有较高比例的任务与专利中的AI能力重叠的职业被分类为更易受到AI影响。该指数提供了基于专利的AI暴露视角，为了解新兴AI技术如何影响各种职位角色提供了独特的视角。Felten等人（2021）和Webb（2020）均强调了AI在现有任务中的能力。此外，Brynjolfsson等人（2018）评估了特定任务对机器学习的适用性，并将这些评估与O*NET职业联系起来。 2.2. AI 对全球劳动力市场的影响 关于潜在AI相关影响在劳动力市场中的研究日益增多，特别关注美国。4一种简化的经济模型假设，与AI相关的任务能够提高工人的生产效率，要么替代现有工作，要么与现有工作相补充。研究已在企业层面、宏观经济层面以及整体评估AI对工人影响的层面上展开。 在企业层面，许多人认为随着人工智能（AI）的引入（例如Agrawal等人，2019年），生产率可能会增加，并将其视为企业生产函数中的额外投入。然而，企业需要时间来适应新技术，生产率的影响可能需要一段时间才能显现（Brynjolfsson等人，2019年）。研究人员将企业经济效益与AI专利注册联系起来（例如van Roy等人，2020年；Behrens和Truschke，2020年），分析了在线职位空缺（例如Acemoglu等人，2022年；Babina等人，2024年），并使用调查方法评估企业内部AI使用的普遍性（Czarnitzki等人，2023年）。Svanberg等人（2024年）估计，鉴于企业面临的引入成本，企业将逐步且远低于预期的速度引入AI。多项学术研究的综合分析估计，AI采用对年度工人生产率增长的整体影响在1.7到2.7个百分点之间（Hatzius等人，2023年）。 有一些证据表明，高技能工人将特别受到近期AI发展的影响（例如，Felten等，2021；Felten等，2023）。一些关于生成性AI的最新研究显示，在特定任务中，生产率提升主要体现在较低技能、较少经验的工人身上（Brynjolfsson等，2023；Noy和Zhang，2023）。 在美国的一项研究中，Eloundou等（2023）利用O*NET数据库评估了大型语言模型（LLMs）的影响，并计算了人工智能和自动化的发展潜力。作者们得出结论，大约20%的工作在超过50%的任务中面临大型语言模型的影响，这表明人工智能的影响是普遍存在的，并对经济活动产生了显著影响。麦肯锡的一项研究（2024）也得出了相似的结果，并估计欧洲国家约有27%的任务和美国约有30%的任务将基于人工智能。 在今后几年内（Hazan等，2024）。Hatzius等（2023）认为生成式AI有可能替代当前工作量的四分之一，从而在未来十年内将美国劳动生产率增长率提高约1.5个百分点。 截至当前，仅有少数几篇论文探讨了人工智能（AI）对低收入和中等收入国家的潜在影响。最近期且最具代表性的研究是Pizzinelli等人（2023年）和Cazzaniga等人（2024年）。Pizzinelli等人（2023年）扩展了AIOE指数，加入了互补性的衡量标准，并将其应用于两个高收入国家（英国和美国）以及四个中等收入国家（巴西、哥伦比亚、印度和南非）。作者们在分析AI职业暴露时发现了各国之间的差异，这归因于不同的就业结构。然而，在考虑互补性因素后，这些差异有所减少。在所有国家中，作者发现女性和高学历工作者以及高收入工人的AI职业暴露程度更高。Cazzaniga等人（2024年）进一步发展了