城市科学领军者之一José Lobo，亲述人工智能对城市劳动力市场的影响。欢迎扫码报名，点击图片了解活动详情。

导语

在经济失衡日益加剧的今天，AI技术的飞速发展，难免引发人们对大规模技术失业的担忧。为了避免技术变革带来的混乱，政府该如何制定政策为从业人员争取更多的工作机会呢？在自动化技术的高速发展今天，从业人员该如何适应新的市场？近期的一篇PNAS论文，提出了一个涵盖了技术-技能-市场的网络框架，用于评估人工智能对劳动力市场的影响，以应对正在进行中的技术变革。

论文题目：

Toward understanding the impact of artificial intelligence on labor

论文地址：

https://www.pnas.org/content/116/14/6531

一、 AI重塑就业市场，

但其影响难以量化

根据牛津大学分析机构Oxford Economics的最新预测数据，到2030年全球将有2000万个制造业岗位被机器人取代，每个新的工业机器人会消减掉1.6个制造业工作岗位。实际上，自2000年以来，机器人已经取代了170万个制造业岗位，包括欧洲40万个，美国26万个，中国超过50万个。

技能水平低的岗位，以及聚集这种岗位的、经济较弱的地区，更容易收到机器的影响。而除了制造业岗位，服务业中一些重复性的低技能工作，也会逐渐受到自动化技术的侵蚀。

悲观主义者认为，技术改进使人力劳动更有效率，但大幅改善可能会对就业产生有害影响。乐观主义者认为，虽然技术会替代某些类型的劳动力，但也能同时增加其他行业的就业。

然而真正的难题，是如何搭建合理的分析框架，精确地度量智能技术变革对城市劳动力的影响。之所以难以建立人工智能-劳动力的量化模型，主要面临着三方面的困难：

一方面，真实世界中对各种技能的数据统计很稀缺，计算机编程技能是一个例外，多数岗位技能没有详细的统计。
另一方面，技术对市场的影响具有相当程度的不确定性，这对预测模型的弹性提出了很高的要求。
更重要的是，人工智能技术对不同区域的劳动力市场的影响，差异很大。

二、 PNAS新模型：

技术-技能-市场网络

2019年4月2日的美国国家科学院院刊《PNAS》刊登了一篇题为《Toward understandIng the impact of artifical intelligence on labor》（探究人工智能对劳动力的影响）的论文，以美国为例，探讨了人工智能对劳动力市场和城市发展的持久影响，以及如何剥开重重迷雾来观测到这些影响。

这项研究聚集了包括麻省理工学院媒体实验室、西北大学凯洛格商学院和圣塔菲研究所等机构的不同背景的科学家参与。研究者将特定技能类型与职业流动性和整个城市的劳动力联系起来，从而构建起一个更加详细框架。

他们提出了如下图所示的统一框架，它将技术变化，职业技能，和未来的就业趋势作为一个网络进行了研究。

图1（论文原图1C）：研究技术变化、职业技能，和未来就业趋势的多层网络框架。

如图1 所示，左图展现了两个独立的就业市场，分别是中城市和农村。虽然两者独立，但从业者和商品可以在这两个市场间流动；中间的图表示不同职业之间的可转换关系，例如中高级管理人员和程序员之间可以进行转换，而调酒师和中高级行政管理人员之间不能进行转换。

右图表示从业人员的技能组合，这些技能往往捆绑在一起，用于应对特定的职业需求。新兴技术会改变特定职业的技能需求，从而会改变技能对之间的联系。例如，随着机器视觉软件的开发，与视觉相关的任务对人力的需求会受到影响，这些变化将会累积并扩散到整个系统，从而影响未来的就业趋势。

针对模型构建过程中可能出现的障碍，研究者逐个找到了解决方案：

模型构建的障碍	解决方案
劳动力数据稀缺	适应性的技能分类
	将容易受到影响的工作技能与新科技联系在一起
	增加数据收集的频率
	从在线招聘平台上获取数据
模型构建缺乏弹性	明确工作技能的内在依赖性
	识别劳动力的动态变化路径
	从其他学术领域探索如何构建弹性模型
地理差异性	了解不同地区之间的劳动依赖性
	确定当地的工作技能集合
	识别各地技术异构的影响
	利用城际联系来研究国家经济复原力

三、劳动力数据稀缺怎么办

在劳动力就业趋势研究中，传统方法所使用的数据，大多来源于国家统计数据，例如工资数据等。图 2 体现了不同收入人去与就业份额变化之间的关系，可见低收入和高收入职业的就业份额增加，中等收入职业的就业份额下降，出现中等收入职业“空心化”的现象。

图2（论文原图1A）：不同收入人群与就业份额变化之间的关系。红线代表1999-2007年，蓝线代表2007-2016年。

教育水平数据可能会提高就业趋势的预测精度，例如，需要本科学历的职业，可能会识别为不易受AI影响的职业。然而仅仅依据工资水平和教育层次的数据，无法准确的预测未来的就业趋势，如图 2 所示，为1981 年到 2015 年间，个人收入的中位数和生产率的变化曲线。在 2000 年以前，个人收入的中位数随着生产率的提高在逐步上升，但在 2000 年以后，却出现“大脱钩”的情况（生产率上升，收入水平却停滞不前），这与自动化技术所带来的工作效率的提升有关。

图3（论文原图1B）：个人收入和生产率随时间变化的曲线。蓝线代表生产率，绿线代表个人收入的中位数。

因此，工资水平和教育水平，甚至是工作技能的组合，这些数据都过于粗糙，无法准确地区分职业。因此，使用这些数据来区分不同技术带来的影响，或者去预测变化的技能需求，都过于不切实际。这会对模型的构建产生误导。所以实时更新的工作技能数据显得异常重要。

值得兴庆的是，美国劳工部的O*NET数据库对职业技能进行了详细的分类，并从2014开始每年进行两次更新。但该数据库对职业技能的静态分类存在一些问题。

如图 4A 所示，根据O*NET，“安装”技能对程序员和水管工同样重要，但从事这两种职业的工作者在执行“安装”任务时，他们的具体操作却千差万别，因此，这种职业技能的静态分类，不适合变化的外界环境。

图4（论文原图2）：（A）O*NET数据库中，卡车司机、水管工、软件开发人员的技能对比，（B）以及不同编程语言的流行程度随时间变化的曲线。

在 O*NET 数据库中，”编程”只是一项职业技能。众所周知，不同工作场景下所需要的编程语言是不同的，这说明 O*NET 对职业技能的划分不够灵活。图 4B 展示了不同编程语言的火热程度（通过谷歌搜索相应教程的热度），随着时间变化的趋势（不同颜色的线代表不同的编程语言）。可以看到，python 语言的流行趋势在稳步增长，也就是说，对“编程”这一职业技能需要进行更加详细地分类，比如说，划分成 Python 编程、Java 编程等一些子类。

综上所述，为了阐明AI技术对劳动力所产生的微观影响，细粒度的技能数据显得异常重要。以在线职业网站为例，它们可以提供员工的简历数据以及招聘广告数据，这些数据能够呈现较细粒度的职业和技能信息。但是由于隐私问题，这些数据源的访问受到限制，因此，研究者需要构建一个安全的环境来共享这些数据。

四、技术影响具有不确定性，

模型需要弹性

由于技术对就业的影响存在不确定性，因此劳动力市场也会产生不确定性，预测模型将会缺乏弹性，无法应对意料之外的情况。

如图 5 所示，如果法律助理的就业岗位减少了，那么哪些工作可能适合他们？

O*NET数据库表明，法律助理具备法律知识、信息处理能力、医疗知识、办公能力、计算机知识和行政能力，通过AI技术可以识别出，法律助理与人力资源专家在办公能力、计算机知识、行政能力上有重叠。除此之外，人力资源专家还需要社交技能，那么法律助理可以通过再培训计划进行社交技巧的培训，从而向人力资源专家转型。

图5（论文原图3B）：在法律助理向人力资源专家转型的过程中，两者所需技能的联系和比较。

因此，明确职业技能的内在依赖性，不仅能识别哪些职业会被新技术替代或增强，从而帮助个人的职业生涯，而且还能帮助政府在面对重大技术变革时，创造更多合适的就业机会。

识别动态劳动力市场中的就业轨迹（例如，职业技能如何决定个人的职业轨迹）也很重要。职业技能相似度越大，职业之间越容易发生转换。然而随着新兴技术发展，某些职业的技能需求会缩减，该过程带来的影响可以通过图 6 说明。在图 6 中，具有高度相似技能需求的职业两两进行了连接，随着职业之间的联系由稠密变得稀疏（新兴技术的发展可能带来的影响），就业率也随之下降。这种变化趋势不是平滑的曲线，可以发现图中存在一个分界点，通过求解该分界点，研究者可以衡量就业市场的弹性大小。

图6（论文原图3A）：随着不同职业之间联系的减弱，就业率的变化。

那么如何将技能与职业进行映射呢？也许先进的人工智能技术能解决这一问题。机器学习（ML）和自然语言处理（NLP）工具可以捕捉复杂高维数据中的潜在结构，例如，NLP可用于处理职业名称字典中的技能数据，将其转化为类似O*NET数据库中的格式，ML可用于纵向处理职位招聘数据，确定技能需求变化的趋势。

五、地区差异：

AI对小城市的负面影响更大

AI技术对就业的影响在不同的地区会有很大差异，这反映在劳动力，城乡差异和收入分配三个方面。

尽管技术变革改变了对特定职业的技能需求，但当前的职业技能数据库无法区分地区的差异。例如，在大城市中，高新技术岗位占主导，而在小城市和农村地区，体力劳动职业更为普遍，这些体力劳动很容易就被机器所取代。这一观察结果表明，国家内部的财富差距主要反映在大城市和小城市之间的财富差距上。

此外，加强城市之间联系，可以维持国民经济的平稳运行。因此，政府有必要了解当地劳动力市场与其他城市劳动力市场之间的联系，以评估当地经济的弹性。由于就业机会是决定人们迁移的核心，技能匹配对工作匹配的过程至关重要，了解当地的职业技能集合，可以为从业人员的空间流动模型提供信息，并提高模型对就业流动的认识，帮助制定就业激励政策。

六、网络模型如何预测

AI对就业趋势的影响