机器人兴起与中国劳动力市场技能需求结构——来自中国招聘网站的证据

doi:10.16382/j.cnki.1000-5560.2025.04.007

摘要/Abstract

摘要：

本文创新地运用中国招聘网站的劳动力需求数据以及国际机器人联合会（IFR）的中国区域机器人安装数据，在传统人力资本理论“学历-任务-职业”三维框架下探讨机器人兴起重塑技能需求结构的深层逻辑；并在新人力资本框架下，从认知技能和非认知技能的全新视角研究机器人兴起对技能需求结构的影响。结果表明：（1）机器人兴起会导致学历属性技能需求结构出现“单极化”的特征。（2）机器人兴起会对任务属性技能和职业属性技能的需求产生不同的结构性影响，由于不同学历技能的劳动者会有侧重地从事相应的任务和职业，因此机器人兴起对任务技能和职业技能需求结构的重塑也解释了学历技能需求结构“单极化”的内在机制。（3）机器人的兴起对认知技能和非认知技能有不同的替代或互补作用，且从职业异质性的角度看，人工智能会强化岗位的优势技能，弱化岗位的劣势技能。本文最后探讨了如何利用公共政策应对人工智能时代下的技能需求结构调整。

关键词: 机器人, 技能需求, 任务属性, 认知技能与非认知技能

Abstract:

This paper tries to explore the deep logic of robots reshaping the skill demand structure based on a framework of “Education-Task-Occupation” in the traditional human capital theory, and investigates the impact of robots on skill demand structure under the framework of new human capital theory from the new perspective of cognitive skills and non-cognitive skills, utilizing job vacancy data from Chinese recruitment website and the regional robots installation data in China matched from International Federation of Robotics (IFR). The results indicate that, first, the rise of robots leads to a “single polarization” characteristic in the structure of education-attribute skill demands. Second, the rise of robots has varying structural impacts on the demands for different task-attribute skills and occupation-attribute skills. Due to workers with different educational skills being inclined to engage in different tasks and occupations, the reshaping effect on the structure of task-attribute and occupation-attribute skill demands by robot indirectly reflects the inherent mechanism of “single polarization” in the structure of education-attribute skill demands. Finally, the rise of robots has different substitution and complementary effects on various cognitive and non-cognitive skills. From the perspective of occupational heterogeneity, artificial intelligence strengthens the advantageous skills of positions while weakening the disadvantageous skills. The paper concludes by discussing how public policies can be utilized to address the structural adjustments in skill demands in the era of artificial intelligence.

Key words: robots, skill demand, task attributes, cognitive and non-cognitive skills

曲英姿, 范莎. 机器人兴起与中国劳动力市场技能需求结构——来自中国招聘网站的证据[J]. 华东师范大学学报(教育科学版), 2025, 43(4): 70-103.

Yingzi Qu, Sha Fan. The Rise of Robots and the Skill Demand Structure in Chinese Labor Market: Evidence from the Chinese Recruitment Website[J]. Journal of East China Normal University(Educationa, 2025, 43(4): 70-103.

图/表 24

表 1

五类任务技能测量指标和指标说明"

任务	变量	O*NET 定义/描述	向量描述
非常规型分析任务的测量	分析数据或信息	通过将信息或数据分解为独立部分，识别信息的基本原则、原因或事实。	第1级：浏览短文以获取要点；第4级：确定融资新建筑的利息成本；第6级：分析全国所有医院的医疗服务成本。
	创造性思维	开发、设计或创造新的应用、想法、关系、系统或产品，包括艺术性贡献。	第1级：更改打印报告的间距；第4级：为高中军乐队改编流行音乐；第6级：开发新的计算机软件。
	为他人解释信息的意义	翻译或解释信息的含义及其使用方式。	第1级：解释血压读数；第4级：解释外国税法如何适用于美国出口；第6级：为普通观众解释复杂的物理实验。
非常规型交互任务的测量	建立和维护人际关系	发展建设性和合作性工作关系，并在一段时间内维持这些关系。	第1级：与同事打招呼；第4级：与几乎所有同事和客户保持良好的工作关系；第7级：从有竞争利益的多元化高管群体中获得合作。
	指导、领导和激励下属	向下属提供指导和方向，包括设定绩效标准和监督绩效。	第2级：偶尔担任替补主管；第4级：在动态工作环境中管理一个小型团队；第7级：管理一个严重缩减的部门。
	培训和发展他人	识别他人的发展需求，并通过培训、指导或其他方式帮助他们提高知识或技能。	第2级：向同事展示如何操作设备；第4级：为行政人员提供在职培训；第6级：指导大学运动队。
常规型认知任务的测量	准确性或精确性的重要性	在执行此工作的过程中，精确或准确的重要性有多高？	类别1：完全不重要；类别2：比较重要；类别3：重要；类别4：非常重要；类别5：极为重要。
	结构化工作与非结构化工作的区别	该工作在多大程度上是为员工结构化的，而不是让员工自己决定任务、优先级和目标？	类别1：没有自由；类别2：很少自由；类别3：有限自由；类别4：有些自由；类别5：高度自由。
	重复相同任务的重要性	在执行这项工作时，重复相同的体力活动（如键入数据）或脑力活动（如检查账簿条目）有多重要？	类别1：完全不重要；类别2：比较重要；类别3：重要；类别4：非常重要；类别5：极为重要。
常规型手工任务的测量	由设备速度决定的工作节奏的重要性	该工作在多大程度上依赖设备或机械的速度来决定工作节奏？（这并不指在工作时需要始终保持忙碌。）	类别1：完全不重要；类别2：比较重要；类别3：重要；类别4：非常重要；类别5：极为重要。
	控制机器和工艺	使用控制机制或直接的体力活动操作机器或工艺（不包括计算机或车辆）。	第2级：操作收银机；第4级：操作钻机；第6级：操作精密铣床。
	花费时间进行重复性动作	该工作要求进行重复性动作的程度如何？	类别1：从不；类别2：少于一半时间；类别3：大约一半时间；类别4：超过一半时间；类别5：持续或几乎持续。
非常规型手工任务的测量	使用双手操作、控制或触摸物体、工具或控制器的时间	该工作要求使用双手操作、控制或触摸物体、工具或控制器的程度如何？	类别1：从不；类别2：少于一半时间；类别3：大约一半时间；类别4：超过一半时间；类别5：持续或几乎持续。
	操作车辆、机械设备	操作、操控、导航或驾驶车辆或机械设备，如叉车、客车、飞机或船只。	第2级：驾驶汽车；第4级：驾驶18轮货车；第6级：在强风中悬停直升机。
	空间定位	知晓你与周围环境的位置关系或知晓其他物体与自身的位置关系的能力。	第2级：使用平面图找到购物中心内的商店；第3级：在黑暗房间中不撞到任何东西；第6级：使用指南针和地标导航海洋航行。
	手部灵活性	快速移动你的手、手臂或双手以抓握、操作或组装物体的能力。	第1级：将灯泡旋入灯座；第4级：尽可能快地将橙子打包装箱；第7级：使用手术器械进行心脏手术。

表 1

表 2

非认知技能的指标体系构建及关键词选取"

一级指标	二级指标	关键词
外倾性	社交能力	社交、人际、交往、交际、互动、沟通、交流、表达、打交道、团结、团队、团体意识、合作、协作、配合、协同、共同完成、处事能力、衔接、联络、洽谈、指挥、教学、授课、讲授、访谈、演讲、说服、谈判、组织、协调、感染力、领导、感召力、凝聚力、热情、活跃、主动、健谈、支配、主导
外倾性	活力	乐观、活泼、开朗、外向、活力、阳光、正能量、心胸开阔、开心、快乐、压力、抗压、良好心态、承受能力、适应能力、胸怀、冒险、果断、充满精力、精力充沛、快节奏、积极
情绪稳定性	自控力	自控、自制、自律、自我约束、控制能力、沉稳、冷静、不沉迷、不浮躁、遵守、遵纪守法、吃苦、耐劳、刻苦、辛苦、勤劳、专心、专注、钻研、细心、细致、严谨、精益求精、踏实、脚踏实地、勤恳、不怕苦、有纪律、时间观念
	毅力	毅力、持之以恒、有恒心、不懈、韧性、执着、坚持、坚定、坚强、坚韧、坚信、耐力、耐性、意志力、决心、信念、拼搏、奋斗、努力、勤奋、勤勉、勤快
	自信	自信、信心、信仰、表现欲、自我激励、适应力强、头脑清醒、勇敢、平静、镇定、镇静
开放性	求新	想象、求异、创造、智慧、抽象思维、兴趣、好奇、新颖、非传统、尝新、新奇、挑战权威、突破、求新、理性、实干、思辨、求知欲、思路、善于分析、适应、新奇、多样性、新意、新异、打破常规
开放性	情感丰富	审美、情感丰富、欣赏、感知
随和性	尊重他人	尊重、倾听、礼节、礼貌、礼仪、诚实、诚信、守信、守约、信任、直率、依从、谦虚、亲近、坦诚、坦率、真挚、温和、顺从、谦逊、平和
随和性	关心他人	关心、关怀、乐于助人、帮助、支持、引导、分享、共享、亲和、随和、温和、和气、友好、友善、真诚、诚恳、诚挚、坦诚、忠诚、忠实、利他、移情、同情、合作、人际和谐、慷慨、大方、善意、善良、同理心、共情、宽恕、善解人意
尽责性	进取心	激情、热忱、热心、冲劲、斗志、干劲、驱动力、积极、主动、进取、上进、爱岗、敬业、尽职、尽责、热爱、喜欢、乐于、喜爱、热衷、有志、立志、事业心、执行、精力充沛、追求成就、抱负、勤奋、有目标、方向感、追求成功、卓越、目标感、工作狂、进取心、坚忍不拔、尽力完成工作、克服困难、成就、胜任、能力、能干
尽责性	责任感	尊严、自觉、自我学习、责任感、责任心、承担责任、负责任、责任意识、职业素养、谦虚、谦逊、虚心、端正、正直、公正、作风正派、职业道德、奉献精神、主人翁、使命感、大局观、顾全大局、凝聚力、公正、条理、尽职、自律、谨慎、克制、高效、深谋远虑、条理、有条不紊、按规则办事、责任感、信赖、一丝不苟、有组织地、审慎、深思熟虑、不冲动、成熟、有逻辑性、可靠、完美主义、计划性、精确、规则、效率、三思而后行

表 2

表 3

表 4

表 5

表 6

表 7

图 1

图 2

图 3

图 4

图 5

表 8

表 9

机器人安装密度对学历属性和劳动力技能需求结构的影响"

Panel A: 基准回归
	招聘人数占比
	研究生及以上学历	本科和专科学历	高中及以下学历
Robot2019	−0.004 (0.0071)	−0.009** (0.0044)	0.006** (0.0027)
pseudo ${\mathrm{R}}^{2}$	0.6017	0.3912	0.4298
观测值	4,554	7,084	12,397
Panel B: 稳健性检验：简约式回归
$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.007 (0.0092)	−0.012** (0.0057)	0.008** (0.0035)
pseudo ${\mathrm{R}}^{2}$	0.6017	0.3911	0.4298
观测值	4,554	7,084	12,397
控制变量	是	是	是
城市固定效应	是	是	是
岗位固定效应	是	是	是

表 9

表 10

机器人安装密度对学历属性技能需求结构影响的IV-2SLS估计结果"

IV-2SLS
	研究生及以上学历	本科和专科学历	高中及以下学历
Robot2019	−0.006 (0.0069)	−0.008* (0.0042)	0.006** (0.0026)
Kleibergen-Paap rk LM statistic <P Value>	74.37 <0.0000>	74.37 <0.0000>	74.37 <0.0000>
Kleibergen-Paap Wald rk F statistic	1.5e+05	1.5e+05	1.5e+05
Cragg-Donald Wald F statistic	2.7e+06 [16.38]	4.2e+06 [16.38]	7.3e+06 [16.38]
${\mathrm{R}}^{2}$	0.2621	0.2462	0.1540
观测值	4554	7084	12397
控制变量	是	是	是
城市固定效应	是	是	是
岗位固定效应	是	是	是
第一阶段回归被解释变量：Robot2019
IV ( $\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$ )	1.313*** (0.0034)	1.313*** (0.0034)	1.313*** (0.0034)
First-stage P Value	0.0000	0.0000	0.0000
控制变量	是	是	是

表 10

图 6

表 11

机器人安装密度对五种任务属性技能需求结构的影响"

Panel A: 基准回归和工具变量方法回归
变量	招聘人数占比
变量	非常规型分析技能	非常规型交互技能	非常规型手工技能	常规型认知技能	常规型手工技能
	Top 50%	Top 50%	Top 50%	Top 50%	Top 50%
Robot2019	−0.009*** (0.0032)	−0.013*** （0.0027）	0.008*** （0.0030）	0.004 （0.0025）	0.006** （0.0029）
pseudo ${\mathrm{R}}^{2}$	0.5757	0.6039	0.4070	0.5567	0.4254
观测值	12,144	12,397	12,650	12,650	12,650
$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.011*** (0.0041)	−0.017*** (0.0036)	0.011*** (0.0039)	0.005 (0.0033)	0.007** (0.0038)
pseudo ${\mathrm{R}}^{2}$	0.5757	0.6038	0.4070	0.5567	0.4254
观测值	12,144	12,397	12,650	12,650	12,650
控制变量	是	是	是	是	是
城市固定效应	是	是	是	是	是
岗位固定效应	是	是	是	是	是
Panel B: IV-2SLS
Robot2019	−0.009*** (0.0031)	−0.013*** (0.0026)	0.004 (0.0025)	0.006** (0.0028)	0.009*** (0.0029)
Kleibergen-Paap rk LM statistic <P Value>	74.10 < 0.0000>	74.10 < 0.0000>	74.10 < 0.0000>	74.10 < 0.0000>	74.10 < 0.0000>
Kleibergen-Paap Wald rk F statistic	1.5e+05	1.5e+05	1.5e+05	1.5e+05	1.5e+05
Cragg-Donald Wald F statistic	7.1e+06 [16.38]	7.2e+06 [16.38]	7.4e+06 [16.38]	7.4e+06 [16.38]	7.4e+06 [16.38]
${\mathrm{R}}^{2}$	0.1950	0.1619	0.2199	0.1701	0.1587
观测值^#	12144	12397	12650	12650	12650
控制变量	是	是	是	是	是
城市固定效应	是	是	是	是	是
岗位固定效应	是	是	是	是	是
第一阶段回归被解释变量：Robot2019
IV ( $\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$ )	1.313*** (0.0034)	1.313*** (0.0034)	1.313*** (0.0034)	1.313*** (0.0034)	1.313*** (0.0034)
First-stage P Value	0.0000	0.0000	0.0000	0.0000	0.0000
控制变量	是	是	是	是	是

表 11

图 7

图 8

表 12

机器人安装密度对4大类职业技能需求结构的影响"

Panel A: 基准回归和工具变量方法回归
	招聘人数占比
	专业、管理、技术	文员、销售	生产、操作	服务
Robot2019	−0.010* (0.0054)	−0.010 (0.0075)	0.016*** (0.0050)	−0.007* (0.0040)
pseudo ${\mathrm{R}}^{2}$	0.5665	0.3505	0.4479	0.3389
观测值	6,831	3,036	6,831	5,060
$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.013* (0.0070)	−0.012 (0.0098)	0.021*** (0.0065)	−0.009 (0.0053)
pseudo ${\mathrm{R}}^{2}$	0.5665	0.3505	0.4479	0.3389
观测值	6,831	3,036	6,831	5,060
控制变量	是	是	是	是
城市固定效应	是	是	是	是
岗位固定效应	是	是	是	是
Panel B: IV-2SLS
Robot2019	−0.010** (0.0052)	−0.008 （0.0073）	0.016*** （0.0049）	−0.006 （0.0039）
Kleibergen-Paap rk LM statistic <P Value>	74.10 <0.0000>	74.10 <0.0000>	74.10 <0.0000>	74.10 <0.0000>
Kleibergen-Paap Wald rk F statistic	1.5e+05	1.4e+05	1.5e+05	1.5e+05
Cragg-Donald Wald F statistic	4.0e+06 [16.38]	1.8e+06 [16.38]	4.0e+06 [16.38]	3.0e+06 [16.38]
${\mathrm{R}}^{2}$	0.2582	0.3035	0.1788	0.1547
观测值	6831	3036	6831	5060
控制变量	是	是	是	是
城市固定效应	是	是	是	是
岗位固定效应	是	是	是	是
第一阶段回归被解释变量：Robot2019
IV ( $\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$ )	1.313*** （0.0034）	1.313*** （0.0034）	1.313*** （0.0034）	1.313*** （0.0034）
First-stage P Value	0.0000	0.0000	0.0000	0.0000
控制变量	是	是	是	是

表 12

表 13

机器人安装密度对10小类职业技能需求结构的影响"

	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	${\mathrm{R}}^{2}$	观测值	控制变量	城市固定效应	岗位固定效应
专业类	−0.019** (0.0084)	0.5802	5,313	是	是	是
技术类	0.036** (0.0154)	0.2750	744	是	是	是
管理类	−0.032 (0.0210)	0.3161	759	是	是	是
销售类	−0.033*** (0.0130)	0.3762	1,265	是	是	是
办公室行政	0.002 (0.0165)	0.3275	1,771	是	是	是
生产、工艺和维修	0.051*** (0.0123)	0.4936	3,289	是	是	是
操作、制造和劳力	−0.006 (0.0056)	0.2877	3,542	是	是	是
保护类服务	0.006 (0.0179)	0.3950	759	是	是	是
食品准备、建筑、地面清洁	−0.022** (0.0104)	0.2198	1,771	是	是	是
个人护理和个人服务	−0.004 (0.0050)	0.3437	2,530	是	是	是

表 13

表 14

机器人安装密度对非认知技能和认知技能测度的劳动力技能需求结构的影响"

	Panel A:非认知技能的相对需求
	外倾性	情绪稳定性	开放性	随和性	尽责性
Robot2019	−0.021** (0.0092)	−0.001 (0.0025)	0.001 (0.0008)	−0.005** (0.0022)	−0.017*** （0.0070）
pseudo ${\mathrm{R}}^{2}$	0.4490	0.2095	0.1589	0.2872	0.4344
观测值	24,035	24,035	24,035	24,035	24,035
$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.027** （0.0121）	−0.001 (0.0033)	0.001 (0.0010)	−0.006** (0.0029)	−0.022*** (0.0092)
pseudo ${\mathrm{R}}^{2}$	0.4490	0.2095	0.1589	0.2872	0.4344
观测值	24,035	24,035	24,035	24,035	24,035
控制变量	是	是	是	是	是
城市固定效应	是	是	是	是	是
岗位固定效应	是	是	是	是	是
	Panel B: 认知技能的相对需求
	言语信息		智慧技能		认知策略
Robot2019	−0.006** (0.0032)		0.003 (0.0045)		−0.003 (0.0036)
pseudo ${\mathrm{R}}^{2}$	0.4015		0.3843		0.3307
观测值	24,035		24,035		24,035
$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.008** (0.0041)		0.004 (0.0059)		−0.004 （0.0047）
pseudo ${\mathrm{R}}^{2}$	0.4015		0.3843		0.3307
观测值	24,035		24,035		24,035
控制变量	是		是		是
城市固定效应	是		是		是
岗位固定效应	是		是		是

表 14

表 15

不同职业背景下机器人对非认知技能相对需求结构的影响"

职业类别	变量	非认知技能的相对需求
职业类别	变量	外倾性	情绪稳定性	开放性	随和性	尽责性
专业类、管理类、技术类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.066*** (0.0341)	−0.015* (0.0081)	0.000 (0.0031)	−0.018** (0.0084)	−0.067*** (0.0276)
	pseudo ${\mathrm{R}}^{2}$	0.4509	0.2092	0.1470	0.2710	0.4374
	观测值	6,831	6,831	6,831	6,831	6,831
文员、销售类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.106*** (0.0341)	0.001 (0.0098)	−0.003 (0.0021)	−0.009 (0.0085)	−0.072** (0.0321)
	pseudo ${\mathrm{R}}^{2}$	0.2792	0.1421	0.1221	0.1925	0.2822
	观测值	3,036	3,036	3,036	3,036	3,036
生产、操作类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	0.026* (0.0156)	0.011 (0.0069)	0.003 (0.0019)	0.005** (0.0025)	0.025* (0.0138)
	pseudo ${\mathrm{R}}^{2}$	0.2950	0.2136	0.1386	0.1424	0.2911
	观测值	6,831	6,831	6,831	6,831	6,831
服务类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.040*** (0.0130)	−0.003 (0.0068)	−0.000 (0.0009)	−0.008* (0.0044)	−0.023** (0.0106)
	pseudo ${\mathrm{R}}^{2}$	0.2100	0.1668	0.0406	0.2060	0.2115
	观测值	5,060	5,060	5,060	5,060	5,060
控制变量		是	是	是	是	是
城市固定效应		是	是	是	是	是
岗位固定效应		是	是	是	是	是

表 15

表 16

不同职业背景下机器人对认知技能相对需求结构的影响"

职业类别	变量	认知技能的相对需求
职业类别	变量	言语信息	智慧技能	认知策略
专业类、管理类、技术类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.009 （0.0107）	−0.001 (0.0175)	0.002 (0.0142)
	pseudo ${\mathrm{R}}^{2}$	0.4032	0.3591	0.3068
	观测值	6,831	6,831	6,831
文员、销售类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.021 （0.0153）	−0.028** (0.0146)	−0.031*** (0.0114)
	pseudo ${\mathrm{R}}^{2}$	0.2328	0.2660	0.2104
	观测值	3,036	3,036	3,036
生产、操作类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.004 （0.0046）	0.031*** (0.0094)	−0.002 (0.0058)
	pseudo ${\mathrm{R}}^{2}$	0.1652	0.3314	0.2503
	观测值	6,831	6,831	6,831
服务类	$\overline{\mathrm{R}\mathrm{o}\mathrm{b}\mathrm{o}\mathrm{t}2019}$	−0.015*** （0.0045）	−0.010* (0.0060)	−0.006 (0.0045)
	pseudo ${\mathrm{R}}^{2}$	0.2114	0.1229	0.0753
	观测值	5,060	5,060	5,060
控制变量		是	是	是
城市固定效应		是	是	是
岗位固定效应		是	是	是

表 16

参考文献

	曹浩文, 杜育红. (2015). 人力资本视角下的技能: 定义、分类与测量. 现代教育管理, (03), 55- 61.
	国家统计局. (2024). 国家数据. 取自: https://data.stats.gov.cn/index.htm.
	国家统计局人口和就业统计司, 人力资源和社会保障部规划财务司. (2024). 中国劳动统计年鉴2023. 北京: 中国统计出版社.
	何小钢, 朱国悦, 冯大威. (2023). 工业机器人应用与劳动收入份额——来自中国工业企业的证据. 中国工业经济, (04), 98- 116.
	李实, 李玉青. (2023). 非认知技能对性别工资差距的影响. 江西社会科学, 43 (03), 37- 51+207.
	李晓曼, 曾湘泉. (2012). 新人力资本理论——基于能力的人力资本理论研究动态. 经济学动态, (11), 120- 126.
	刘兰. (2013). 偏向性技术进步、技能溢价与工资不平等. 理论月刊, (02), 140- 143.
	孙旭, 杜屏, 张言平. (2021). 非认知技能在劳动力市场的需求及其对高等教育供给的启示. 教育经济评论, 6 (06), 43- 63.
	孙早, 韩颖. (2022). 人工智能会加剧性别工资差距吗?——基于我国工业部门的经验研究. 统计研究, 39 (03), 102- 116.
	孙早, 侯玉琳. (2019). 工业智能化如何重塑劳动力就业结构. 中国工业经济, (05), 61- 79.
	王林辉, 胡晟明, 董直庆. (2020). 人工智能技术会诱致劳动收入不平等吗——模型推演与分类评估. 中国工业经济, (04), 97- 115.
	王林辉, 钱圆圆, 董直庆. (2022a). 人工智能应用对劳动工资的影响及偏向性研究. 中国人口科学, (04), 17- 29+126.
	王林辉, 胡晟明, 董直庆. (2022b). 人工智能技术、任务属性与职业可替代风险: 来自微观层面的经验证据. 管理世界, 38 (07), 60- 79.
	王林辉, 钱圆圆, 赵贺. (2022c). 人工智能技术、个体能力与劳动工资: 来自认知和非认知能力视角的经验证据. 东南大学学报(哲学社会科学版), 24 (04), 58- 69+149+147.
	王林辉, 钱圆圆, 宋冬林, 董直庆. (2023). 机器人应用的岗位转换效应及就业敏感性群体特征. 经济研究, 58 (07), 69- 85.
	王永钦, 董雯. (2020). 机器人的兴起如何影响中国劳动力市场?——来自制造业上市公司的证据. 经济研究, 55 (10), 159- 175.
	王永钦 & 董雯. (2023). 中国劳动力市场结构变迁——基于任务偏向型技术进步的视角. 中国社会科学, (11), 45- 64+205.
	袁玉芝, 杜育红. (2019). 人工智能对技能需求的影响及其对教育供给的启示. 教育研究, 40 (02), 113- 123.
	朱红, 张宇卿. (2018). 非认知与认知发展对大学生初职月薪的影响. 华东师范大学学报(教育科学版), 36 (05), 42- 50+166.
	Acemoglu, D., & Zilibotti, F. (2001). Productivity differences. The Quarterly Journal of Economics, 116 (2), 563- 606.
	Acemoglu, D., & Autor, D. (2011). Skills, tasks and technologies: Implications for employment and earnings. In O. Ashenfelter & D. Card (Eds. ). Handbook of Labor Economics (Vol. 4, pp. 1043-1171). Elsevier.
	Acemoglu, D., & Restrepo, P. (2018a). The race between man and machine: Implications of technology for growth, factor shares, and employment. American Economic Review, 108 (6), 1488- 1542.
	Acemoglu, D., & Restrepo, P. (2018b). Artificial intelligence, automation, and work. NBER Working Paper, No. 24196.
	Acemoglu, D., & Restrepo, P. (2018c). Low-skill and high-skill automation. Journal of Human Capital, 12 (2), 204- 232.
	Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33 (2), 3- 30.
	Acemoglu, D., & Restrepo, P. (2020). Robots and jobs: Evidence from US labor markets. Journal of Political Economy, 128 (6), 2188- 2244.
	Aghion, P., Akcigit, U., Bergeaud, A., Blundell, R., & Hémous, D. (2019). Innovation and top income inequality. The Review of Economic Studies, 86 (1), 1- 45.
	Autor, D. H., Katz, L. F., & Krueger, A. B. (1998). Computing inequality: Have computers changed the labor market? The Quarterly Journal of Economics, 113(4), 1169—1213.
	Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118 (4), 1279- 1333.
	Autor, D. H., Katz, L. F., & Kearney, M. S. (2006). The polarization of the US labor market. American Economic Review, 96 (2), 189- 194.
	Autor, D. H., & Dorn, D. (2013). The growth of low-skill service jobs and the polarization of the US labor market. American Economic Review, 103 (5), 1553- 1597.
	Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29 (3), 3- 30.
	Bartik, T. J. (1991). Who Benefits From State and Local Economic Development Policies? Kalamazoo, MI: W. E. Upjohn Institute for Employment Research.
	Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. WW Norton & Company.
	Card, D., & DiNardo, J. E. (2002). Skill-biased technological change and rising wage inequality: Some problems and puzzles. Journal of Labor Economics, 20 (4), 733- 783.
	Deming, D. J. (2017). The growing importance of social skills in the labor market. The Quarterly Journal of Economics, 132 (4), 1593- 1640.
	Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2023). Gpts are gpts: An early look at the labor market impact potential of large language models. arXiv preprint arXiv: 2303.10130.
	Fierro, L. E., Caiani, A., & Russo, A. (2022). Automation, job polarisation, and structural change. Journal of Economic Behavior & Organization, 200, 499- 535.
	Fonseca, T., Lima, F., & Pereira, S. C. (2018). Job polarization, technological change and routinization: Evidence for Portugal. Labour Economics, 51, 317- 339.
	Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation?. Technological Forecasting and Social Change, 114, 254- 280.
	Gagne, R. (1985). The Conditions of Learning and Theory of Instruction Robert Gagné. New York, NY: Holt, Rinehart ja Winston.
	Goldsmith-Pinkham, P., Sorkin, I., & Swift, H. (2020). Bartik instruments: What, when, why, and how. American Economic Review, 110 (8), 2586- 2624.
	Goos, M., & Manning, A. (2007). Lousy and lovely jobs: The rising polarization of work in Britain. The Review of Economics and Statistics, 89 (1), 118- 133.
	Goos, M., Manning, A., & Salomons, A. (2009). Job polarization in Europe. American Economic Review, 99 (2), 58- 63.
	Goos, M., Manning, A., & Salomons, A. (2014). Explaining job polarization: Routine-biased technological change and offshoring. American Economic Review, 104 (8), 2509- 2526.
	Graetz, G., & Michaels, G. (2018). Robots at work. Review of Economics and Statistics, 100 (5), 753- 768.
	Heckman, J. J., & Kautz, T. (2012). Hard evidence on soft skills. Labour Economics, 19 (4), 451- 464.
	Holzer, H. (2015). Job Market Polarization and US Worker Skills: A Tale of Two Middles. Economic Studies, The Brookings Institution.
	International Federation of Robotics (IFR). (2023). World Robotics-Industrial Robots Dataset. Retrieved from https://ifr.org/wr-industrial-robots/.
	Katz, L. F., & Krueger, A. B. (2019). The rise and nature of alternative work arrangements in the United States, 1995–2015. ILR Review, 72 (2), 382- 416.
	Korinek, A., & Stiglitz, J. E. (2017). Artificial intelligence, worker-replacing technological progress and income distribution. NBER Working Paper, 24174.
	Lordan, G., & Neumark, D. (2018). People versus machines: The impact of minimum wages on automatable jobs. Labour Economics, 52, 40- 53.
	Michaels, G., Natraj, A., & Van Reenen, J. (2014). Has ICT polarized skill demand? Evidence from eleven countries over twenty-five years. Review of Economics and Statistics, 96 (1), 60- 77.
	ONET Online. (2024). Browse by Work Activities Analyzing Data or Information*. Retrieved from https://www.onetonline.org/find/descriptor/result/4.A.2.a.4.
	ONET Resource Center. (2024a). The ONET-SOC Taxonomy. Retrieved from https://www.onetcenter.org/taxonomy.html.
	ONET Resource Center. (2024b). The ONET Content Model. Retrieved from https://www.onetcenter.org/content.html.

编辑推荐 0

Metrics

阅读次数

全文

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	5	0	0	25

来源	本网站	其他网站

次数	21	9
比例	70%	30%

摘要

最新录用	在线预览	正式出版

0	0	58

来源	本网站	其他网站

次数	23	35
比例	40%	60%

一级指标	二级指标	关键词
言语信息	语言表达	语言、文字、表达、英语、外语、流利、书写、阅读、读写、沟通、言语、文本、写作、书面、口头、文学、语文、文案、文笔、口语、英文
言语信息	知识	知识、专业、常识、经验、熟悉、专业、熟练、掌握、认知、见解、理念、了解、精通、理解
智慧技能	感知记忆能力	观察、感知、记忆、空间、操作、反应、应变、鉴别、鉴赏、意识
	抽象概括能力	想象、思维、概括、演绎、归纳、抽象、推理、逻辑、分析、数学、数字、计算、数量、判断、推断
	创造力	创造、创新、质疑、批判、思辨、格局、敏锐嗅觉、才能、视野、前瞻、触觉、决策、创作、创意、策划
认知策略	复述策略	复述、注意、专注、识别、学习、研究、计划、把握
	精加工策略	类比、解释、回答、提问、思考、纪要、汇报
	组织策略	总结、归类、归纳、整理、运用

	认知型任务		手工型任务
	分析类任务	交互类任务	—
非常规型任务	例如：专业类、技术类职业	例如：管理类职业	例如：服务类职业
常规型任务	例如：文员、销售类职业		例如：生产类、操作类职业

技能等级	基于学历的技能分类	基于4大类职业的技能分类	基于10小类职业的技能分类	基于任务的技能分类
高技能	高学历	专业技术类	专业类，技术类	非常规型认知型分析类任务
高技能	高学历	管理类	管理类	非常规型认知型交互类任务
中技能	中学历	文员、销售类和行政支持类	销售类，办公室行政	常规认知型任务
中技能	中学历	生产操作类	生产、工艺和维修、操作、制造和劳力	常规手工型任务
低技能	低学历	服务类	保护类服务，食品准备、建筑、地面清洁，个人护理和个人服务	非常规手工型任务

年份	2009	2012	2016	2019
安徽	0.3	0.7	2.3	5.0
北京	1.4	3.7	12.6	27.4
重庆	0.4	1.5	5.2	10.9
福建	0.7	1.4	5.0	11.5
广东	0.9	2.3	10.8	27.0
广西	0.3	0.8	2.4	5.3
贵州	0.3	0.5	1.6	3.5
甘肃	0.3	0.5	1.7	3.9
海南	0.5	0.8	1.9	4.4
河南	0.3	0.7	2.2	4.8
河北	0.4	0.9	3.0	6.6
黑龙江	0.6	1.3	4.2	9.3
湖南	0.4	0.8	2.6	5.8
湖北	0.6	2.1	7.2	14.9
江苏	0.7	2.0	7.6	17.2
江西	0.4	1.0	3.4	7.5
吉林	0.7	3.2	11.1	22.4
辽宁	0.7	1.9	6.7	14.7
内蒙古	0.5	0.9	2.5	5.6
宁夏	0.5	0.9	2.6	5.7
青海	0.4	0.8	2.6	5.5
上海	1.5	5.1	19.7	43.9
山东	0.5	1.1	3.9	8.6
山西	0.6	1.0	3.2	7.0
四川	0.3	0.7	2.5	5.5
陕西	0.4	0.9	3.3	7.5
天津	1.4	5.1	18.7	39.7
新疆	0.5	1.1	3.1	6.7
西藏	0.3	0.4	1.1	2.7
云南	0.3	0.6	1.6	3.6
浙江	1.0	3.3	12.7	28.1

变量	变量说明	观测数	均值
被解释变量
Demand Ratio	岗位需求比例：不同技能的岗位招聘人数/城市样本中的总招聘人数	28,215	1.038
Skill Demand	技能需求得分：由Demand Ratio*Skill Score计算所得其中Skill Score为各岗位的相应技能得分	−	−
核心解释变量
Robot	城市机器人安装密度：用Bartik方法构建	24,985	8.375
控制变量
HC	人力资本水平：普通高等学校在校学生数/年末户籍总人口	28,120	0.019
HI	人力资本投资：国家财政性教育经费占地方财政一般预算支出的比重	28,120	0.166
SCEDU	教育科技占比：教育科技投入/GDP	28,120	0.043
SR	产业结构：第三产业占GDP比重	28,215	0.491
LN(GDP)	人均GDP：取对数	27,360	10.946
GDPINC	GDP 增长率：同比增长	28,120	0.941
OPENNESS	贸易开放度：进出口总额／GDP	28,120	0.162
GOV	政府规模政府财政支出／GDP（与市场化水平负相关）	28,120	0.246
FD	财政自主权：一般预算内财政收入/预算内财政支出	28,120	0.380
LN(AW)	平均工资：职工实际平均工资对数	27,550	11.313
UR	城镇化水平：城镇人口占总人口的比重	27,835	0.597
DF	金融发展水平：年末存、贷款余额/ GDP	28,120	3.062
SUPLG	超大型工业园：是否有富士康这种超大型工业园，会直接影响当地技能结构，有1，无0	28215	0.101