巫强

摘要：人工智能等新技术的进展，再次激起人们对新技术替代人类劳动的讨论。以《中华人民共和国职业分类大典》（1999版）的工作任务描述作为基础数据，利用机器学习的方法，对现存1443个职业被新技术替代的概率进行估测，发现若考虑人工智能等新技术的影响，有70%的职业处在较高的替代风险中，可替代概率在70%以上。结合CFPS2010的数据来看，若考虑人工智能等新技术的影响，67%的非农就业者处于高替代风险中。职业替代风险与工资水平存在倒U型关系，与学历负相关，与年龄正相关，但人工智能等新技术的应用可能会削弱这些相关性。不同职业、不同工资水平、不同学历、不同年龄的劳动者，在面对人工智能等新技术时，都会面临替代风险。

关键词：人工智能；职业替代风险；就业

中图分类号：Ｆ２４９．２；ＴＰ１８  文献标志码：A  文章编号：1001-862X（2023）04-0069-010

一、引 言

人工智能等新技术快速发展，再次激起人们对新技术替代人类工作的讨论。一方面，新技术可执行强度更大、难度更高、环境更恶劣的工作任务，提高生产效率；另一方面，新技术不可避免地会造成一些人失去当前工作。［1］作为全球第二大经济体，同时也是最大的发展中国家，中国既需要通过积极发展人工智能等新技术促进经济持续增长，又需要通过经济发展提升国民福祉，实现更高质量的就业和更公平的收入分配。关于人工智能是非利弊的衡量，对于当前中国的发展尤为重要。

若要考量人工智能等新技术对就业和收入的影响，首先要估计出这些新技术在多大范围内、多大程度上影响职业被替代的可能性。Frey和Osborne（2017）曾估计美国702种职业被自动化技术替代的可能性，发现47%的就业者处于高替代风险中［2］，但国内尚未有人基于中国职业分类的特点开展类似工作。国内学者在估计人工智能、机器人等新技术对就业影响的研究中，涉及职业可替代性时，要么根据历史数据估计出一个替代概率［3-4］，要么引用国外研究的结论。［5］此中有两个潜在问题需要注意：一是未来的影响不同于过往的影响，因为如果影响一样，则不必单独讨论人工智能等新技术的影响；二是国内情况不同于国外情况，中国的职业分类不同于美国，在工作任务界定上也不完全相同。因此，有必要基于中国的职业分类来估计人工智能等新技术对职业替代风险的影响。

基于《中华人民共和国职业分类大典》（１９９９版）中对工作任务的文字描述，估计出1443个职业被一般性技术替代的概率和以人工智能为代表的新技术替代的概率，并在此基础上讨论新技术对不同收入、不同受教育程度和不同年龄人群的职业替代风险的不同影响。使用《中华人民共和国职业分类大典》（１９９９版）作为基礎数据，结合2010年中国家庭追踪调查CFPS（China Family Panel Studies）数据展开分析，研究发现：若考虑人工智能等新技术的影响，70%的职业处于高替代风险中，67%的非农就业者处在高替代风险中，替代概率在70%以上。在一般性技术进步中，也就是除了人工智能、大数据、智能机器人、万物互联、无人驾驶等新技术的其他技术进步中，学历越高、年纪越轻的劳动者更不容易被新技术取代，但在人工智能等新技术应用的背景下，高学历、年轻劳动者在职业替代风险上的优势会被削弱。

二、文献综述

本文的主题与两方面的文献相关：一是如何估计职业替代概率的文献，二是技术进步如何影响就业的文献。

（一）如何估计职业可替代概率

估计职业可替代概率，有三种思路：一是依据客观指标分类打分，二是依靠主观经验分类打分，三是计算机算法综合各种因素打分。二十一世纪前十年估计职业替代概率的文献，主要在讨论关于本土工作是否会被离岸外包的问题。Jensen等（2005）在对职业是否可离岸外包进行分类时采用了客观分类的方法，首先明确可离岸外包的特点，之后找到11个可以代表可离岸性的O*NET标准化指标，最终根据各指标的得分和权重算出每个职业的客观得分并得出排序。［6］Blinder（200９）在对职业是否可离岸外包进行分类时则主要采用了主观打分的方法，即主要依靠个人经验和观察O*NET上关于每个职业的描述，来给每个职业的可离岸程度进行主观打分。［7］

Jensen等（2005）方法的问题在于其选择的代表性变量的可靠性存疑，Blinder（200９）所用方法的问题则在于主观性太强。而Frey和Osborne（2017）在研究职业有多大概率被自动化技术替代时，为了克服过于主观或过于客观的缺点，巧妙地结合了上述两种方法进行估计：先通过O*NET中的工作任务描述等对职业能否自动化做主观标记（主观地标记了70个职业，如果是可自动化的，则标记为1，如果不是，则标记为0），然后利用客观分类方法，找到９个描述可替代性的O*NET标准化变量，对这70个职业进行客观排序；通过客观分类来纠正之前主观标记的误差。之后，利用机器学习的方法确定O*NET标准化变量与可替代性之间的量化关系，对702个职业被替代的可能性进行预测，最终得到所有职业替代概率的排序。［2］

Jensen等（2005）、Blinder（200９）、Frey和Osborne（2017）的方法，其框架大体一致，都是找到一系列职业替代的瓶颈变量，再利用主观或客观的方法估计出一个可替代的概率，以此衡量职业替代风险。这种方法的有效性建立在O*NET较为完善的数据基础上，若要将此种方法应用于中国职业替代率的估计，需要结合中国职业分类数据的特点做出相应调整。

（二）技术进步对职业替代风险的影响

技术进步对不同职业存在不同影响，同时，不同技术带来的影响也是有差异的。自二十世纪八十年代以来，以计算机技术为代表的技术进步，总体来说是对低技能、常规性任务的替代作用强导致对此类劳动力需求减少，而对高技能、非常规任务的替代作用弱而互补作用强，对这类工作的威胁不大甚至对此类劳动力的需求有上升趋势。但近年来以人工智能为代表的新技术，是否也只对低技能、常规性工作产生负面影响，则存在争议。

对于以计算机为代表的信息技术而言，典型的看法来自Autor（2015），认为计算机更多是替代常规性的任务，而人类在解决问题的技能、灵活性和创新能力上更有优势，使得以这类任务为主的职业的替代风险并不大。［8］此前的研究也提供了一些证据：技术水平对技能型劳动者需求没有影响，但技术进步的速度决定了技能型劳动者需求［9］；教育回报率迅速增长，就业市场偏向高教育水平的劳动者［10］；计算机可以与非常规、抽象型任务（通常是高薪工作）互补，对常规性任务（中等薪酬工作）起到替代作用，而对非常规手工工作（底薪工作）的影響较小。［11-12］

但在技能型劳动力的市场需求和未来发展方向上，也有不同的看法。就美国的就业市场而言，在2000年左右对技能型、认知性工作的需求已经出现了下降趋势，而认知性工作的需求减少最终导致了低学历劳动者的失业（因为高学历劳动者从认知性工作流向低技能工作，挤出了低学历劳动者）。［13］虽然之前计算机化仅仅局限在常规性工作领域，但随着新一轮的技术进步，已经扩展到非常规性工作领域，物流运输业、行政工作、生产工作者处于高自动化风险中，甚至过去几十年就业人数一直增加的服务业也是自动化风险非常高的。［2］至于哪些职业相对安全，Schwab（201６）认为技术进步后，对解决复杂问题的能力以及社交和系统性技能的需求会远远高于对体力和知识性技能的需求，这样的职业被替代的风险相对较低。［14］

孙文凯等（2018）曾根据Frey和Osborne（2017）估计出的职业替代概率，计算中国各行业和总体的就业可替代风险，发现所有行业总的平均替代率为0.45，与美国较为接近，其中就业人口较多的制造业和批发零售业的平均替代率分别为0.43和0.57。［5］需要强调的是，相较于以美国为代表的欧美发达国家劳动力市场而言，中国的劳动力市场仍然有明显的二元结构特征，一方面存在大量技能要求高、学历要求高、工资水平高的现代化工作岗位，另一方面也存在大量对技能和学历无甚要求、工资水平也较低的传统工作岗位。这样的就业结构，面对“一波还未平息，一波又在兴起”的新技术浪潮，很可能有不同于欧美发达国家的职业替代风险，需要结合中国的具体数据展开分析。

三、数据来源与分析方法

（一）数据来源

所使用的数据来自于《中华人民共和国职业分类大典》（１９９９版）和中国家庭追踪调查（China Family Panel Studies，CFPS）。本文选择中国职业分类大典（1999版）进行分析有两个原因：一是后期更新版本与1999版相比，在职业的工作任务描述上没有根本性的变化，主要是增加或删减了一部分职业，增加了对任职资格等的描述；二是除此版本外并未搜集到其他版本适合做文本分析的电子文档。在比较CFPS、CHARLS、CGSS、CHIP等国内主要的微观调查数据，基于职业信息的完整性和样本的代表性两个标准，本文最终选择以CFPS应用于本文分析。

《中华人民共和国职业分类大典》（１９９９版）将我国职业归为8个大类，66个中类，413个小类，共1838个职业，它对每个职业的工作任务进行了具体的文字描述，其所用的职业分类编码可以和国家标准职业分类编码基本对应。这样的数据结构可以让我们对一部分职业的可替代性进行主观标记，并利用算法根据工作描述的关键词对职业可替代性进行客观排序。在全部1838个职业中，有部分职业没有工作任务的文字描述，比如仅描述为“其他**相关工作”，本文只对1443个有详细工作任务描述的职业进行估计。

CFPS是一项全国性、综合性的社会跟踪调查项目，通过跟踪收集个体、家庭、社区三个层次的数据，反映中国社会、经济、人口、教育和健康变迁。CFPS的职业数据是和国家标准职业分类代码基本对应的，本文通过职业分类代码，把中国职业分类大典里的工作任务描述和CFPS数据中的工资水平、教育水平、年龄、性别等数据联系起来，观察职业替代风险与其他变量的关系。

在CFPS数据中，职业这个变量，通过问卷中被访者所回答的职业及其所对应的职业小类来确定，具体问题为“G307您的职业属于哪一类”。由于CFPS数据并没有具体到职业，而是划分到职业小类，与此相对应，本文计算出具体职业的可替代概率之后，对属于相同小类的职业取平均值作为职业小类的可替代概率，然后和CFPS数据相匹配。剔除调查数据中的无效和缺失数据，共得到352个职业小类。

（二）替代概率估计方法说明

在职业替代风险相关研究中，Frey和Osborne（2017）的研究方法很有参考意义，他们先标记标杆职业的替代概率，再利用客观指标校准主观估计结果，最后将校准后的结果作为训练集，用机器学习的方法估计所有职业的替代概率。

本文对可替代概率的方法在流程上参考Frey和Osborne（2017）的做法，在变量的选择和定义上做出了适应中国职业分类大典的调整。基本思路是：首先选择若干个职位作为标杆职位，然后用两套工具分别对标杆职位的可替代性进行评估（一套工具是基于主观判断形成结果，一套工具是基于客观指标和算法形成结果），之后根据两套评估结果的异同校准工具，最后利用客观指标和算法对所有职位的可替代性进行估计，得到结果。在估计人工智能等新技术对职业替代风险的影响时，首先考虑各项新技术在任务层面会产生哪些影响，再基于工作任务可替代性的变化估计对职业替代风险变化的影响。具体过程如下：

第一步，先主观标记80个职业，如果是可被替代的，则分配1，如果不是，则为0。作为训练样本，这80个职业是从每个职业大类中选择具有代表性且容易判断可替代性的职业。

第二步，参照Frey和Osborne（2017）使用的计算机化瓶颈变量，本文确定11个衡量职业可替代性的指标。与他们不同的是，为了更好地基于中国职业分类大典描述可替代性，本文新增了一个管理能力维度的正向指标和2个感知与操作维度的负向指标（手指灵活性与操纵灵活性），共包含9个正向指标和2个负向指标。此外，Frey和Osborne（2017）的指标是O*NET中的标准化能力要素，而《中华人民共和国职业分类大典》（１９９９版）中并没有这些能力要素，本文的做法是用一系列关键词来定义相应变量。于是，每个指标的定义是由一系列代表本指标的关键词组成，这些关键词来源于职业分类大典中对职业工作任务的文字描述，通过分词工具进行切分。

第三步，以中国职业分类大典的职责描述为数据基础，运用机器学习的方法，得到每个职业可替代性的概率。这一步中，先用R软件统计每个职业在11个维度上的词频，然后用机器学习的方法根据词频估计每个职业的替代概率。具体而言，以之前标记的80个职业作为训练集，以余下的职业作为测试集，利用合适的分类方法来对职业是否被可替代进行分类并最终得出可替代性的概率。在分类方法的选择上，通过对K最近邻算法（KNN），支持向量机（SVM）以及高斯分类方法的比较，发现SVM得出的结果与之前主观标记的结果相似度最高（AUC= 0.97），因此最終选用SVM方法计算各职业的可替代概率。

第四步，建立人工智能等新技术与职业可替代性之间的传导机制模型，以模拟不同技术对职业可替代性的影响。这里假设新技术对职业的影响是通过对工作任务的影响来实现的，由于同一工作任务可能出现在不同行业、不同职业中，这样就能更为细腻地刻画新技术对不同行业、不同职业被替代可能性的影响。通过文献梳理和专家访谈，本文建立了人工智能、大数据、机器人与服务、万物互联、无人驾驶等新技术在任务层面替代原有工作任务的对应关系，新技术与可替代工作任务对应关系如表1，第三列中原本是替代瓶颈的工作任务，在人工智能等新技术应用后将不再成为瓶颈。正是基于这些变化，本文得以估计出人工智能等新技术对职业替代风险的影响。

第五步，基于表1修正职业替代瓶颈变量，根据新的职业替代瓶颈变量与工作任务关键词的对应关系，重复第一步到第三步，重新估计各职业的可替代概率，从而得到在人工智能等新技术影响下的职业可替代概率。

四、职业替代风险分析

本小节讨论根据第三部分的数据和方法得到的结果，包括各职业替代概率的估计结果、人工智能等新技术影响下各职业类别的替代风险，以及职业替代风险与工资、学历和年龄等的关系。

（一）各职业可替代概率的估计结果

通过第三部分介绍的方法，本文得到1443个职业的可替代概率（囿于篇幅，详细结果不在文中列出，如有需要，可向作者索要）。参考Frey和Osborne（2017）的标准，本文以替代概率70%和30%为分界点将所有职业分为高、中、低风险职业。若不考虑人工智能等新技术的影响，有64%的职业处在高替代性风险之中，被替代可能性在70%以上，有18%的职业处于中替代风险之中，有18%的职业暂时不会被替代（被替代可能性在30%以下）。（表2第4列）若考虑人工智能等新技术的影响，高风险的职业会更多，占到70%，低风险的职业会更少，为3%。（表2第7列）

以CFPS劳动者的样本来看，若不考虑人工智能等新技术的影响，只考虑计算机、移动互联网、工业机器人等技术的影响，80%的就业者处在高替代风险中，15%的就业者处在中等替代风险中，5%的就业者处在低替代风险中。（表2第2列）

CFPS中有大约50%样本的职业为“大田作物生产人员”，这部分样本是纯粹意义上的农民，若把这部分样本剔除后可得到非严格意义上的“非农劳动者”，其中58%的就业者处在高替代风险中，31%的就业者处在中替代风险中，11%的就业者处在低替代风险中。（表2第3列）若考虑人工智能等新技术的影响，处于高风险的非农就业者占比会更高，达到67%。（表2第6列第3行）

需要说明的是，CFPS数据具有较高的代表性，这里看到的情况在一定程度上也能代表全样本人口的情况。在CFPS2010就业人口职业大类分布中，农、林、牧、渔、水利业生产人员（52.51%），生产、运输设备操作人员及有关人员（20.15%）和商业、服务业人员（11.25%）就业人口占到总就业人口的约85%，另有3.64%的国家机关、党群组织、企业、事业单位负责人，6.31%的专业技术人员和3.99%的办事人员和有关人员。特别是从事大农业生产的人员超过总就业人口的1/2，这与第六次全国人口普查的就业人口职业分布相吻合。第六次全国人口普查中，这几个数据分别为：48.31%、22.49%、16.17%、1.77%、6.84%和4.32%。

根据CFPS2010的数据，我们还可以看到各职业大类就业者被替代风险的分布情况。若不考虑人工智能等新技术的影响，国家机关、党群组织、企业、事业单位负责人的可替代风险总体较低，大部分专业技术人员、办事人员和相关人员的可替代风险较低，概率集中在50%以下，商业、服务业人员和农、林、牧、渔、水利生产人员的可替代风险离散程度高，生产、运输设备操作及有关人员替代风险整体较高，概率大多在70%以上。（如图1）

若考虑人工智能等新技术的影响，绝大部分农、林、牧、渔、水利生产人员，生产、运输设备和操作人员及有关人员都处于高替代风险中（概率在70%以上），大部分的办事人员和相关人员及商业、服务业人员处于较高的替代风险中（概率在70%左右），国家机关、党群组织、企业、事业单位负责人和专业技术人员大部分处于中等或较低替代风险中。（如图2）

（二）职业替代风险与工资、学历和年龄的关系

通过第三部分所介绍方法的第四和第五步，可以得到考虑人工智能等新技术影响的职业替代概率。考虑人工智能等新技术的影响后，各职业的可替代概率均值从之前的62%升高到76%，这种升高主要是由商业服务和办事人员职业替代性变高带来的。

为进一步分析人工智能等新技术会对哪些群体的职业替代风险带来影响，这里利用CFPS2010的数据，考察职业可替代概率与工资、学历和年龄的关系。注意，这里不是讨论因果关系，而是分析人工智能等新技术可能对哪些群体的就业产生影响。

本文将工资水平定义为与工作相关的年度收入，在CFPS2010数据中，通过加总K101、K102、K103、K104、K105、K106各项数据中基本工资、奖金、年终奖、福利等各项劳动相关收入得到。图3展示了职业替代概率与年度工资水平的散点图和拟合曲线，图3a是未考虑人工智能等新技术影响的情形，图3b则是考虑人工智能等新技术影响的情形。观察两张图，可以得到两个直观印象：一是职业替代概率与工资水平似乎存在U型关系，也就是可替代概率随着工资水平的上升而先下降后上升；二是在考虑人工智能等新技术的影响后，职业可替代概率与工资水平的相关关系减弱。

图4 展示的是替代概率与学历的散点图和拟合曲线，图4a是未考虑人工智能等新技术影响的情形，图4b则是考虑人工智能等新技术影响的情形。同样可以得到两个结果：一是职业替代概率与学历负相关，也就是学历越高则职业替代风险越低；二是在考虑人工智能等新技术的影响后，高学历职业的优势明显减弱。

图5展示的是可替代概率与年龄的关系，同样，图5ａ是不考虑人工智能等新技术影响的情况，图5ｂ则是考虑人工智能等新技术影响的情况。可以发现，在未考虑人工智能等新技术的影响时，职业替代概率与年龄有明显的正相关关系，也就是年龄越大越容易被替代。但考虑人工智能等新技术的影响后，这种替代概率与年龄的正相关关系几乎看不出来，换句话说，年轻人在抵御职业替代风险上的优势不再明显。

为了进一步考察职业替代概率与工资、学历、年龄等变量的关系，本文设计了一个回归分析，试图从统计上检验前面从图形上观察到的现象的可靠性。当然，仍需注意的是，这里并不是要去探讨它们的因果关系。

回归模型如下：

Pi=α+β1Wagei+β2Wage2i+β3Edui+β4Agei+β5Genderi+εi

因变量Pi为第i个样本所在职业的替代概率，自变量为第i个样本的工资水平Wagei、工资水平的平方Wage2i、学历Edui、年龄Agei和性别Genderi，α为常数项，β1、β2、β3、β4、β5分别为各变量的系数，εi为随机扰动项。回归结果如表3。

从表3的数据来看，替代概率与工资水平在控制学历、年龄、性别等因素的影响后，存在显著的倒U型关系。也就是对于同样学历、年龄、性别的劳动者而言，职业替代概率隨工资水平的上升而先增加后减少。这种从U型到倒U型关系的反转，可能是由于工资水平与学历、年龄、性别都存在较强相关性带来的。本文的结果与Autor等（2008）、Frey和Orsborne（2017）的发现是一致的，工资较低的蓝领工作和工资较高的非常规、抽象型工作更不容易被替代，而中等工资的常规性工作则较易被替代。［2，11］此外，学历与职业替代概率有显著的负相关关系，年龄与职业替代概率有显著的正相关关系，男性所在职业的替代概率显著更高一些。也就是说，学历越高越不容易被替代，年纪越轻越不容易被替代，女性更不容易被替代。

表3第2列的因变量是未考虑人工智能等新技术影响的职业替代概率，第3列的因变量是考虑人工智能等新技术影响职业替代概率，这里将前者称为概率1，后者称为概率2。工资、学历、年龄、性别与概率1和概率2的相关关系，在方向上是一致的，显著性也大体一致，只是系数大小有区别。自变量与概率2的回归系数更小一些，大约相当于与概率1回归系数的1/5到1/2。自变量对概率2的R2是0.139，也比对概率1的R20.239要更小一些。从更小的回归系数和R2可以看出，考虑人工智能等新技术的影响后，工资、学历、年龄、性别与职业替代概率之间的相关性在降低。换句话说，在人工智能等新技术产生实质性影响后，高学历劳动者、年轻劳动者、女性劳动者，在职业替代上所占有的优势将被削弱，更多的劳动者会在同一条起跑线上面对职业替代的问题。

本文的结果略微不同于程虹等（2018）根据2015、2016和2018年的“中国企业—劳动力匹配调查”（CEES）数据得出的“非技能劳动力受到机器人的‘换人冲击更大”的结论［3］，但与Beaudy等（2016）、Frey和Osborne（2017）、Schwab（2017）的发现更为接近。新技术的发展，使得认知型、服务型工作同样面临更高的替代风险，而那些需要解决复杂问题，或是需要身心关怀与支持问题的工作则处在相对安全的位置上。［2，13－14］

五、结论与讨论

本文主要做了两方面工作，一是基于中国职业分类大典中的工作任务描述，估计各职业替代概率，二是分析职业替代概率与工资、学历、年龄等变量的关系，尤其是人工智能等新技术的应用可能会对这些关系产生怎样的影响。主要结论如下：

1.就各职业的替代概率而言，若不考虑人工智能等新技术的影响，有64%的职业属于高替代风险职业，58%的非农就业者处在高替代风险中。若考虑人工智能等新技术的影响，则有70%的职业和67%的非农就业者处在高风险中。相较于Frey和Osborne（2017）估计出的47%的美国就业者处于高风险中，本文的估计值要明显更高一些。这可能是由两个原因引起的，一是本文的估计方法和数据结构与Frey和Osborne（2017）有差异，可能会带来替代概率的系统性高估；二是中国目前的就业结构和美国的就业机构相比仍然有较大的差异，以农业、工业为就业主体的中国劳动者，在新技术的冲击下，被替代的风险事实上高于以服务业为就业主体的美国劳动者。［2］

2.若考虑人工智能等新技术的影响，不仅农、林、牧、渔和水利相关生产人员，生产、运输设备操作人员处于高替代风险中，相当部分的商业、服务业人员及办事人员和相关人员也处在高替代风险中，只有一部分国家机关、党群组织、企业、事业单位负责人和专业技术人员面临较低的替代风险。

3.一般而言，高学历、高工资的年轻人面临被替代的风险相对较低，但这种优势，在考虑人工智能等新技术的影响后明显削弱。换句话说，人工智能等新技术对劳动力的替代几乎是不分学历、不分年龄的，诸多我们以往认为比较安全的职业、难以替代的职位，当其利用人类劳动力取得的投入产出效率低于利用新技术取得的效率时，仍有较高的概率被替代。在这个意义上，人工智能等新技术有可能带来的技术性失业不同于以往我们认识的失业。Acemoglu和Restrepo（2019）提出要通过估计人工智能对就业的影响来区分好的人工智能和坏的人工智能，这样的呼吁值得关注。［15］

技术进步所导致的技术性失业并不是近期才出现的，纵观历史进程，每一次技术进步在带来巨大的财富飞跃的同时，也带来其他冲击，其中一项就是技术性失业。Frey 和Osborne（2017）认为十九世纪的工业革命一个重要的特点是去技能化，技术进步通过将任务简化替代技能型劳动者，因此需要更多的低技能劳动者。［16－17］第二次工业革命使得电力取代蒸汽机得到广泛应用，电力的广泛应用使得原来需要大量低技能劳动者的手工生产转变为自动化生产，在搬运、输送、组装等领域对低技能劳动者的需求减少，但是对技能型劳动者的需求上升；除此之外，电气化推动了对白领工人需求的增长。［17］第三次技术革命带来的最重要的影响就是工作极化现象，即高技能和低技能岗位的就业量增长，而中等技能岗位的就业量在下降，这个现象得到了大量在产业、地区或国家层面的研究验证。［8，１０－１１，1８－2２］

若順着这个逻辑往前推演，技术进步在不断重构劳动力市场，技术对人工的替代从一开始的以农业手工业者为主，到替代制造业和文职工作。当前面临的人工智能等新技术对就业的冲击，将对服务业甚至专业技术工作的未来产生实质性影响。由此，政府在优化职业分类和制定职业政策时，需要综合考虑职业需求和供给的动态平衡，注重科学性、灵活性和可持续发展性，以促进经济的健康发展和人民的就业创业。具体措施可包括：持续完善职业分类体系，将新型职业按照不同特征和属性进行分类，确保职业分类的准确性和实时性；不断细化职业分类标准，根据经济社会发展的变化，不断调整和更新职业分类标准，以适应新兴产业和职业的出现；加强数据统计和分析，通过对职业结构、就业岗位需求、人才供给等方面的研究，为职业政策的制定提供科学依据；强化职业政策的协调性，综合考虑经济、教育、社会保障等多个方面的因素，考虑职业发展、人才培养、劳动力市场等各个环节的需要，实现政策的整体性和协同性；加强职业培训和就业服务，帮助人们提升职业技能，适应职业发展的新形势、新需求。

囿于数据可获得性，本文只是基于《中华人民共和国职业分类大典》（１９９９版）和CFPS的2010年数据进行分析，得出的结论更多是探索性的。未来如果条件允许，可以从以下三方面拓展本研究：一是用更新的职业分类大典版本估计职业替代风险，二是用更新的微观调查数据检验职业分布的实际变化，三是检验职业替代风险与工资、就业、收入不平等、人力资本投资等经济变量之间的因果关系。

参考文献：

［1］Acemoglu D.，P.Restrepo.The Wrong Kind of AI？ Artificial Intelligence and the Future of Labor Demand［J］.Cambridge Journal of Regions， Economy and Society， 2020， 13（1）：25-35.

［2］Frey C.B.， M.Osborne.The Future of Employment：How Susceptible are Jobs to Computerization？［J］.Technological Forecasting and Social Change，2017，114：254-280.

［3］程虹，陈文津，李唐.机器人在中国现状、未来与影响——来自中国企业-劳动力匹配调查（CEES）的经验证据［J］.宏观质量研究，2018，（3）：6-26.

［4］赵忠，孙文凯，郭鹏.人工智能等自动化偏向型技术进步对我国就业的影响［J］.中国人民大学国家发展与战略研究院政策简报， 2018， （3）：1-13.

［5］孙文凯，郭杰，赵忠，汤璨.我国就业结构变动与技术升级研究［J］.经济理论与经济管理，2018，（6）：5-14.

［6］Jensen J.B.，L.G.Kletzer， B.R.C.Feenstra，Tradable Services：Understanding the Scope and Impact of Services Offshoring with Comments and Discussion[M]. Brookings Trade Forum， 2005： 75-133.

［7］Blinder A.S.How Many US Jobs Might be Offshorable［J］.World Economics，2009，10（2）：41-78.

［8］Autor D.H.Why Are There Still So Many Jobs？：the History and Future of Workplace Automation［J］.Journal of Economic Perspectives，2015，29（3）：3-30.

［9］Galor O.，O.Moav.Ability-biased Technological Transition，Wage Inequality，and Economic Growth［J］.Quarterly Journal of Economics，2000，115（2）：469-497.

［10］Ｍａａｒｔｅｎ Ｇｏｏｓ，Ａｌａｎ Ｍａｎｎｉｎｇ. Lousy and Ｌovely Ｊobs：The Rising Polarization of Work in Britain［J］.Review of Economics and Statistics，2007，89（1）：118-133.

［11］Autor D.H.，L.F.Katz， M.S.Kearney．Trends in U.S.Wage Inequality：Revising the Revisionists［J］.Review of Economics & Statistics，2008，90（2）：300-323.

［12］Frey C.B.， M.Osborne．Technology at Work：The Future of Innovation and Employment[R]. Citi GPS， 2015：1-100.

［13］Beaudry，P.，D.A.Green，B.M.Sand，The Great Reversal in the Demand for Skill and Cognitive Tasks［J］.Journal of Labor Economics，2016，34（S1）：S199-S247.

［14］Schwab K.The Fourth Industrial Revolution：What it Means，How to Respond［J］.Economy，Culture & History Japan Spotlight Bimonthly， 2016，（4）：3-5.

［15］Acemoglu D.，P.Restrepo.Automation and New Tasks： How Technology Displaces and Reinstates Labor[J]. Journal of Economic Perspectives， 2019， 33（2）：3-30.

［16］Hounshell D.From the American System to Mass Production，1800-1932：The Development of Manufacturing Technology in the United States［J］.The American Historical Review， 1985， 72（2）： 385-386.

［17］Goldin C.，L.F.Katz．The Origins of Technology-skill Complementarity［J］.Quarterly Journal of Economics，1998，113（3）：693-732.

［18］Autor D.H.，L.F.Katz， M.S.Kearney．The Polarization of the U.S.Labor Market［J］.American Economic Review，2006，96（2）：189-194.

［１９］Autor D.H.，D.Dorn．The Growth of Low Skill Service Jobs and the Polarization of the U.S.Labor Market［J］.American Economic Review，2013，103（5）：1553-1597.

［2０］Michaels G.，A.Natraj， J.Van Reenen．Has ICT Polarized Skill Demand？ Evidence from Eleven Countries Over 25 Years［J］.Review of Economics and Statistics，2014，96（1）：60-77.

［2１］Goos M.，A.Manning， A.Salomons，Explaining Job Polarization：Routine-Biased Technological Change and Offshoring［J］.American Economic Review，2014，104（8）：2509-2526.

［2２］Graetz G.，G.Michaels．Robots at Work［J］. The Review of Economics and Statistics， 2018， 100（5）：753-768.