张桂金】“机器换人”对工人工资影响的异质性效应：基于中国的经验

　　[关键词] “机器换人”；人工智能；去技能化；再技能化；工人工资

　　[基金项目] 国家社科基金一般项目“技术赋权与互联网时代的劳动关系转型研究”（18BSH076）　　 

 

　　一、“机器换人”对工人工资有何影响及如何影响

　　伴随着中国人口红利开始衰减和劳动力成本的上升，2013年前后中国机器人应用开始进入拐点[1]，2013年中国成为工业机器人第一应用市场，2017年更是占全球工业机器人份额的36%，引入了13.79万台工业机器人①。中国企业使用机器人等人工智能技术越来越普遍，尤其是近年来，深圳、东莞等制造业城市大力推动“机器换人”，致力于通过技术红利替代人口红利，实现产业的转型升级。人工智能在显著提升生产潜力的同时，也将重塑工人工资的分配过程。那么，“机器换人”的浪潮是否会对人类工作产生“创造性毁灭”？不同的社会劳动者是否能够从技术变革中获益？在“机器换人”背景下是否会加剧某类劳动者收入下降的风险？随着机器人技术的应用越来越广泛，“机器换人”到底如何影响工人收入？这些都是当前迫切需要探讨的议题。

　　近年来，围绕“机器换人”（或人工智能）与收入分配的关系成为多个学科的研究热点之一。在经济学看来，人工智能、机器人对异质性劳动者会产生不同的替代弹性，因此机器人技术对工资收入的影响取决于资本与总体劳动的替代弹性[2]。例如有学者发现计算机价格的下降，工作场所计算机化加剧了收入不平等[3]。近期国外一项研究也表明，由于机器人等人工智能使用产生的替代效应，将会导致企业进一步压低劳动者工资，导致工人工资下降[4]。国内对此的研究则认为，人工智能的使用能够促使生产要素在产业部门之间流动，流动方向不同将导致劳动收入份额的不同，而流动方向取决于不同产业部门在人工智能产出弹性与传统生产方式替代弹性上的差别[5]。基于广东企业的调查数据发现，当机器人使用存在劳动替代效应时，将降低劳动收入的份额，只有当机器人与个体人力资本相匹配时，才能提升工资率[6]。

　　上述研究多从地区或者行业层面考察机器人以及人工智能使用对就业和工资收入的影响，在企业和劳动者更微观层面进行的研究较少。“机器换人”是一种劳动力市场的结构性改变，必然影响到每一个人，但是由于个体的能动性不同，被影响的程度会有所差异。为研究中国社会情境下“机器换人”对收入的影响，本文利用最新的大型调查数据以及个案调查资料，使用混合研究方法，探讨当前“机器换人”与工人工资之间的关系及其形成机制。

　　二、理论争论及经验结果的差异

　　既有关于机器人、人工智能对劳动力市场收入的研究，其关注的核心是新技术的应用对不同特征劳动者在就业与收入方面会产生怎样的影响。然而，对这一问题的答案不同学者各有不同观点。早期的一些研究发现，机器自动化的使用导致中等技能职业的比重下降，就业和收入向技能的高、低两端分布[7]。对此，学者进一步解释了收入向技能高低两端分布的原因，认为由于高低两端的工作是非程序性的，需要工人去适应环境、解决问题或发挥创造力，因此高低两端就业比重和收入比重反而上升[8]。在宏观上，“机器换人”将使得高技术工人和低技术工人获益，而中等技能工人收益受损。

　　随着自动化、机器人、人工智能在现代企业中的使用越来越普遍，技术、就业与收入三者之间的关系变得越来越复杂，学者们围绕三者之间关系得出的结论也存在较大差异。与“机器换人”引发就业和收入向技能高低两端分布的观点不同，乐观派认为，从长远看，机器人、人工智能的使用不会引发大规模失业，而会给整个劳动力市场带来更高的收益，换句话说，“机器换人”将使所有劳动者从中获益。如有学者认为自动化等技术使用并没有导致就业总量的降低，反而使企业产出提高并提供更多的工作岗位[9]。有学者梳理了美国近250年的就业历史数据也未发现技术进步会引发大规模失业[10]。之所以不会造成大规模失业，其原因在于机器与劳动者之间的互补性，人工智能、机器人等自动化技术在替代劳动者所从事的工作时，也带来了需要劳动者发挥比较优势的新工作[11]。与乐观者认为“机器换人”、人工智能等自动化技术会带来就业的积极影响不同，部分学者认为工业机器人对劳动力市场的影响是均衡的。一项基于德国多年数据的研究发现，机器人使用只降低了制造业的就业水平，但服务业就业岗位增加，总体上均衡[12]。

　　上述研究主要从宏观方面论述了“机器换人”对就业、工资总额的影响，但进一步延伸到微观领域，“机器换人”是如何引发工人工资收入的变化呢？对这一问题只有极少数研究对此进行了探讨。他们认为工业机器人提高了生产率，对总的工作时间无影响，但不同技术能力的工人的工作时间却大受影响，表现为中低技能工人的劳动时间降低，机器人的使用使得制造业中低技能工人和中等技能工人的工资水平下降，高技能工人的收入水平则上升[13]。基于国内某电商平台的实证研究则发现，智能化技术的使用显著提高了相应部门工人的收入水平，且智能工具对工人的收入效应会因岗位所需技能水平的上升而提高，即技能越高的工人从人工智能中获益越大[14]。之所以导致这一后果，原因在于“机器换人”引发了劳动力的去技能化，在去技能化过程中，机器人替代重复性工作岗位，从而导致低技术工人失业，造成被替代群体收入水平下降。但技术进步也对工人产生有利影响，因为技术进步要求劳动力素质的提高。对工人而言，拥有更高的技能有助于他们进入替代率更低的行业[15]；对企业而言，机器人的使用要求劳动力具有相对较高的技能水平，这将激励企业对有潜力的员工进行更多的技能培训，即通过对工人的再技能化来提高工人技能。按照再技能化的逻辑，人工智能或机器人的使用将增加特定岗位人才的需求——特别是对高技能性人才的需求，从而带来高技术人员收入的上升。已有证据表明，企业采用机器人等自动化技术后对员工的技能培训增加[16]。中国综合社会调查（Chinese General Social Survey, CGSS）2010~2013年的数据也发现，人工智能的发展导致非程序性的技能需求上升并提高了这类人才的收入[17]。

　　反思宏观层面与微观层面关于“机器换人”与收入关系的研究，学者们得出了不同的结论：替代效应对劳动者的收入有负向影响，而生产率的提升与新的工作岗位又对劳动者的收入有正向影响，其中“再技能化”机制则预示着不同人力资本的工人将面临不同的命运。那么，在中国当前的社会情境中，“机器换人”等技术的使用对工资收入的影响究竟如何？不同技能工人的命运又将如何呢？下文将尝试基于实证资料对此进行解答。

　　（一）数据来源

　　本文数据来源于中山大学社会科学调查中心主持的“中国劳动力动态调查”（China Labor-force Dynamics Survey，简称CLDS）2018年全国抽样调查数据。CLDS2018年数据覆盖了除港澳台、新疆、西藏和海南之外的28个省市，并在个体、家庭和社区三个层面上收集数据，数据层次结构分明。其中，劳动力个体问卷收集了家庭中年龄满15周岁且仍在工作的劳动力信息，询问了劳动者的工作时间、工作收入等方面的内容，2018年特意询问了机器人、人工智能、自动化等使用对其工作的影响，数据可以较好地用来分析“机器换人”的收入效应，基本满足本研究的需要。

　　考虑到中国男性普遍在满60周岁退休、女性普遍在满55周岁后退休，因此，本文把研究对象的年龄限定为女性16—54岁、男性16—59岁且从事非农工作的雇员。具体分析中，本文剔除了工作单位为党政机关、事业单位的雇员，只保留了就业单位为国有企业（国营企业）、集体企业以及私营企业（包括民营企业、外资企业和合资企业）的雇员，即工人群体。本文的分析涉及工人的人口特征、教育、加班、收入等变量，剔除各相关变量的缺失值后，最终纳入分析的样本为3204个。

　　（二）主要变量

　　本文涉及的主要因变量为工资收入，以工人近一年的工资收入总额来测量，实际操作中对年收入取对数。核心自变量是工人目前工作所在企业在劳动过程中是否使用高度自动化、机器人、人工智能等技术（即是否使用机器换人），如果是则定义为企业正在“机器换人”，编码为“1”，如果没有则，编码为“0”。为了测量“机器换人”是否对不同技术能力工人的收入影响存在差异，本文还把工人是否接受过大专及以上教育作为技术能力的划分，其中接受过大专及以上教育的工人被定义为“高技能群体”，只接受过高中及以下教育的工人定义为“中低技能群体”，高技能群体样本数量为1150个，中低技能群体样本数量为2054个。

　　以明瑟工资方程为基础[18]，在纳入人力资本变量的同时，还纳入了以反映中国特定国情的其他控制变量，如户籍身份、党员身份、单位体制和地区差异等因素。具体来看，中国城乡二元户籍制度引发的城乡分割导致不同户籍之间收入存在差异[19][20][21]，因此本文把是否拥有本地户籍作为控制变量纳入模型。考虑到中国存在的单位分割事实，把工人的单位类型划分为体制内和体制外，其中国企、集体企业被划入体制内，编码为“1”，否则编码为“0”。考虑到中国地区之间的经济差距极大，因此地区之间的市场化发展水平也作为控制变量纳入分析中。

　　其他具体的变量包括：性别为分类变量；年龄为连续变量，变化范围在16~59岁之间；教育程度为连续变量，以受教育年数来测量；政治身份以是否为共产党员/民主党派成员来测量，是则编码为“1”，否则编码为“0”；由于加班工资是中国工人工资增长的重要来源（特别是农民工工资）[22]，因此是否经常加班被纳入模型中，是则编码为“1”，否则编码为“0”；企业是否有工会、是否签订正式劳动合同与工人权益保护、收入相关，也被纳入到模型中。

　　表１展示了总样本以及两个子样本的各变量描述性统计结果。总样本中工人的平均受教育年数11.64年，平均年龄39.66岁。比较收入对数等各变量在两个子样本中的百分比或均值分布，发现两个样本群体在性别、年龄、党员身份、证书数量等个体特征和人力资本上存在明显差异，这种差异很可能导致两类群体从机器人使用中获益不同。

　　（三）研究方法

　　本文的因变量“工资收入”是一个连续变量，考虑到地区层次因素对个体层次工资水平的影响，以及数据结构本身的层级性，因此本文使用多层次线性回归模型（Multilevel Linear  Regression Model）。对于工作是地区j的个体i(i=1,2,3,4,…,nk )而言，个体层面的模型为：

　　Yij=?茁0j+?茁1jXij+eij（1）

　　其中，Yij表示工人年收入对数；Xij表示一系列影响工人工资收入的因素，包括是否有“机器换人”等技术，以及个体特征变量、人力资本变量和单位因素等。

　　考虑地区差异的第二层次模型为：

　　?茁0j=?酌00+?酌0jWj+?滋0j（2）

　　其中，Wj表示地区因素，主要以各省份的市场化程度来测量，测量指标以《中国分省份市场化指数报告(2016)》中的市场化指数来测量[23]，本文采用对插值法①推算2018年各省份市场化程度。把个体层面模型与地区层面模型合并后，得到混合模型如下：

　　Yij=?酌00+?酌0jWj+?茁1jXij+eij+?滋0j（3）

　　本文接下来的实证分析中，将采用混合模型（即公式3）来进行估计。其中，表2中模型1和2未加入宏观层次（层二）变量（即Wj为0），表2中的模型3和模型4，以及表3中模型皆考虑了宏观层次变量（此时Wj不为0）。

　　（一）“机器换人”总体上降低了工人工资，但受工人教育水平调节

　　表2展示了对工人总样本的工资收入的多元回归分析结果。在模型1中放入工人所在企业是否使用机器人这一自变量，发现工人所在企业如果使用了人工智能的话，工人工资对数将提高15.5%。模型2在模型1基础上添加了工人的社会经济特征变量和是否经常加班这一劳动过程变量，模型3则进一步添加了企业的社会保护变量：是否有工会、是否体制内和是否签订书面劳动合同，以及反映地区之间发展程度的市场化指数变量。当控制这些因素后，模型2和模型3中“机器换人”对工人工资的影响消失了，即控制其他变量后，“机器换人”对工人工资的影响不显著。这表明“机器换人”对工人工资的总体影响微乎其微，工资收入差异是被其他控制变量所解释。模型4中加入了“机器换人”与教育年数的交互项，以考虑企业“机器换人”对工人收入的影响是否会因工人技术能力的不同而不同，结果发现“机器换人”对工人收入的影响因工人受教育年数的变化而变化，“机器换人”对工人收入的影响因受教育水平的提高而提高。根据模型4的实证结果，可发现在控制了其他变量后，“机器换人”总体上降低了工人工资，但影响效应受工人受教育水平的调节。此外，其他因素对工资有显著影响：女性在工资上处于劣势；年龄与工资的关系呈倒U型关系；党员比非党员的工资收入更高；移民工人比本地工人工资收入更高。加班依旧是工人工资增长的重要来源，经常加班的工人工资比不加班的工人工资高5.8%；所在企业有工会，工人工资水平越高；工人签订了正式劳动合同，工资水平越高；非国企/集体的工人工资水平更高；市场化程度越高的地区，工人工资水平越高。

　　（二）“机器换人”对工人工资影响存在异质性，不同技能工人获益不同

　　如前文所述，高技能与中低技能工人被机器人等人工智能替代的可能性存在差异。这些差异在一定程度上反映了技术赋权对不同技能劳动者的不平等。基于此，本文接下来将总的工人样本分为两个子样本：高技能样本和中低技能样本，以考察“机器换人”对不同技能工人工资收入的影响。不同的教育水平代表着工人的技术能力，高教育水平的工人更可能在技术更换中得到公司的栽培，从而更好适应新技术的应用，本文把是否接受过大专及以上教育作为工人技能高低的划分，并分别对两个子样本作回归分析。表３展示了高技能工人与中低技能工人两个子样本的回归分析结果。模型5是中低技能工人样本的回归结果，在控制其他变量后，实证结果显示，工人所在企业使用机器人降低了工人的工资水平，但在统计上并不显著。机器人的使用并未降低中低技能劳动力的工资收入水平，可能的原因一是“机器换人”是局部的，企业仍然保留中低技术岗位，工人受“机器换人”影响不大；二是“幸存者”偏差，只有收入未受影响或受影响不大的工人才会继续留在公司，而岗位受影响或工资受到影响的工人已被迫离职。模型6展示的是高技能工人工资受“机器换人”影响的回归结果，结果表明，控制其他变量后，“机器换人”的使用显著地提高了高技能工人的收入水平（b=0.122，p<0.05），这也意味着高技能工人在技术变革中获益更多，而低技能工人未能从技术变革中获益，“机器换人”扩大了低技术工人与高技术工人的收入差距。

　　基于CLDS 2018年数据的定量研究发现，考虑到多重因素后，“机器换人”总体上降低了工人工资，进一步分群体看，高技能群体在“机器换人”中收入得到了提升，中低技能工人的收入在“机器换人”中则未能得到提升。但截面数据无法观察到那些由于“机器换人”而失业或收入降低而离职的样本，这样很可能低估了“机器换人”对中低技术工人的负向影响。此外，CLDS2018数据无法观察到企业给哪些工人进行了技能培训，因此，有必要对上述模型的结果作进一步探究。为探究“机器换人”对不同群体产生影响的作用机制，以笔者于2019年6—8月在深圳一家大型民营企业D的调研资料来进行说明。D企业是我国移动通信基站射频器件、射频结构件研发的领先者，是一家大型上市公司，客户包括华为、爱立信等大型企业，拥有员工8000多人。D企业很早就开始引入自动化、机器人等技术，但也保留了较多的普通工人。之所以没有完全使用机器人、自动化生产线，一方面是部分工作还不可能实现自动化，另一方面是企业考虑成本因素。D企业正处于“机器换人”的转型期，机器人的使用主要还是局部工序改造，伴随而来的用工模式的转变可以为当前“机器换人”对不同技术工人收入的影响提供一些思考。

　　（一）加班机制与中低技能工人工资下降与离职

　　最低工资制度是各国为保障劳动者的最低收益而对劳动力市场进行管控的重要手段。一些研究指出，最低基本工资制度能够增加劳动密集型或人均资本较低企业的平均工资[24]。但也有研究指出，工人工资的增长存在诸多不平等，如农民工通过增加劳动和延长劳动时间为代价来间接分享发展效益[25]，最低工资的提升增加了低学历工人（初中及以下）过度劳动的概率和程度[26]。近期有研究表明，技术控制对合理加班和超时加班均有显著的正向效应，即企业去技术化越严重，工人加班可能性越高、加班程度越深；相反，当企业对技术能力要求越高，工人加班的可能性就越低[27]。表2的研究结果也表明，加班越多，工人工资越高。表3进一步分组后的结果也表明，加班对中低技能工人的工资有显著影响。在D企业的调查发现，自动化、机器人的使用替代了大量的普通技术工作岗位，导致近年来较多低技术工人离开公司。据该企业的人事经理讲述，企业其实很早就开始实施“机器换人”，只是这几年加快了步伐，在“机器换人”过程中企业并未主动辞退工人，只是降低了工人的工作时间和工作强度。然而恰恰是企业的这一策略，导致了低技术工人的辞职。

　　“……这两年厂里很多工作都用机器啦，一个人就可以看十几台机器，不需要那么多人手了。机器一天24小时都可以工作，我们的工作就少了，现在基本每天八小时准时下班……没有什么加班工资了，收入就少了，一些同事嫌工资低，就去别的工厂了。”（普通工人A先生）

　　企业在“机器换人”过程中虽然没有主动辞退工人，但是机器抢占了普通工人的工作岗位和工作量，工人的加班时间减少。在企业普遍采用最低工资制度的情况下，如果没有了加班工资，工人的收入难以支撑其在当地的消费。因此，企业通过降低工人的加班时间进而降低低技术工人的工资水平，最终迫使他们主动作出离职的选择。

　　（二）再技能化机制与高技能工人工资的增长

　　如前文所述，通常的观点认为机器人等人工智能的使用产生的替代效应，将降低工人的工资份额。然而根据调查结果，D企业尽管这几年不断引入自动化设备如机器人、机器臂等，工人数量总体减少了，但用工成本却并没有随之下降，反而不断上升。人工成本上升的原因除了工资普遍上涨之外，另外一个重要原因是“机器换人”引发的工人学历结构的巨大变化。根据D企业人事部经理讲述，近年来公司加快了转型升级步伐，自动化生产线、机器人开始较大范围使用，企业也开始打造与自动化相匹配的工人队伍。对此，企业主要采取两种策略：一是直接在大专院校招聘应届毕业生，以自动化、计算机等专业学生为主。二是直接在公司内部培养有潜质的工人以适应机器的要求。通常而言，公司会选择那些忠诚度高、学习能力强（大专及以上学历优先）的工人，通过集中三个月到半年的培训，从而让工人能够熟悉自动化机器的运转。公司通过两种策略，实现了整体技术能力的提升。目前，D企业采用了自动化工序生产线上的工人普遍拥有高中/中专及以上学历。

　　由于“机器换人”对工人技能需求发生了变化，从而引发公司整体技术能力的升级。但由于高技术工人数量的增加，公司的人工成本并没有因此下降，反而上升了。对此，D企业人事部经理的解释是技术工人工资上涨导致用工成本上升，短期内“机器换人”降低人力成本的效应还没有显现。

　　我们公司最低学历限制是高中或中专毕业，初中生我们已经不招了。现在去学校招的都是大学生，在深圳，最起码得保证他们到手工资5000块吧，不然谁愿意留下来呢？那些自动化专业的大学生，工资更高......工人培训完后，为了留住他们，也得涨工资吧？不然人家学会了技术走了怎么办？（人事部经理M先生）

　　据人事部经理介绍，公司对内部员工进行技术培训后，往往会给工人涨工资，既是对工人技术能力提升的认可与奖励，又是通过高薪防止工人跳槽。工人在提升了技能后，议价能力也得到提升，拥有更多的选择权，因此，对于那些有技术能力的工人而言，公司的“机器换人”策略并不会损害其利益，反而是提高了其工资收益。

　　本文基于2018年中国劳动力动态调查数据和深圳D企业的调查资料，使用混合研究方法，在中国社会情境下检验了“机器换人”对工人工资的影响及其背后的机制。调查数据的实证结果表明，在中国，“机器换人”总体上对工人工资的影响显著。但分群体看，“机器换人”则显著地影响着不同技术能力工人的工资，“机器换人”有助于提高高技术能力工人的工资水平，但对中低技术工人的工资水平影响不显著。根据对企业调查资料的进一步分析发现，“机器换人”对工人工资的影响之所以存在不平等效应，就在于“机器换人”对不同技术能力工人的作用机制不一样，一方面，“机器换人”带来的就业替代效应导致部分中低技能的工人离职，且机器人的引入降低了中低技术工人的加班时间，工人由于加班工资减少而主动离职；另一方面，“机器换人”提高了企业对高技能的需求，导致对工人的再技能化，高技术工人的人力资本回报和谈判能力上升，最终使得高技术工人在“机器换人”中收入提高。

　　正如国内有学者指出的那样，机器人、人工智能的普及应用将会对生产力的要素和结构进行颠覆性的改变[28]，并重塑社会经济结构[29]。本文的研究结论也证实了这一点，“机器换人”对企业的用工模式、工人的技能提出了新的要求。面对“机器换人”带来的影响，不同技能的工人规避风险、抓住机遇的能力不同。当然，工人工资受“机器换人”的影响除了工人自身技能的市场议价能力外，还可能受工会或其他组织形式与资方相抗衡的结社力量]、国家对于劳动关系立法产生的体制性力量等多种因素的调节[30[31]。受限于本文主题和篇幅，留待后续进行研究。

　　此外，受数据限制，本文尚有以下不足：一是没有考虑到企业自身的自我选择，即企业本身的特征既影响其使用机器人，又影响工人收入；二是被机器人所替换而失业的工人在调查中是观察不到的，存在选择性偏误，可能导致“机器换人”对中低技术工人工资的影响被低估，这些有待于更高质量的数据来检验。

　　本文的研究结论具有以下启示：考虑到“机器换人”对技能要求的提高，政府应规划好专业人才的培养，加强机器人产业相关学科的建设；考虑到“机器换人”对中低技术工人带来的负面影响，政府在推动产业升级的同时，也要做好对中低技术工人的劳动保护，尽可能避免中低技能工人在经济发展中利益受损。

　　[参考文献]

　　[1]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）.

　　[2]Acemoglu D.. Technical Change, Inequality, and the Labor Market[ J ]. Journal of Economic Literature，2002（1）.

　　[3][7]Autor D H, Levy F, Murnane R J.. The Skill Content of Recent Technological Change: An Empirical Exploration[ J ].Quarterly Journal of Economics，2003（4）.

　　[4]Acemoglu D, Restrepo P.. Low-Skill and High-Skill Automation[ J ]. Journal of Human Capital，2018（2）.

　　[5]郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[ J ].管理世界，2019（7）.

　　[6]余玲铮，魏下海，吴春秀.机器人对劳动收入份额的影响研究——来自企业调查的微观证据[ J ].中国人口科学，2019（4）.

　　[8]Goos M, Manning A, Salomons A.. Job Polarization in Europe[ J ]. American Economic Review，2009（2）.

　　[9]Autor D H.. Why Are There Still so Many Jobs? The History and Future of Workplace Automation?[ J ]. Journal of Economic Perspectives，2015（3）.

　　[10]Atkinson R D, Wu J J.. False Alarmism: Technological Disruption and the U.S. Labor Market,1850-2015[EB/OL]. SSRN Electronic Journal, 2017. Available at SSRN: https://ssrn.com/abstract=3066052 or http://dx.doi.org/10.2139/ssrn.3066052，2019-07-20.

　　[11]Acemoglu D, Restrepo P.. The Race between Machine and Man: Implications of Technology for Growth, Factor Shares and Employment[ J ]. American Economic Review，2018（6）.

　　[12][13]Dauth W, Findeisen S, Suedekum J, et al. German Robots -The Impact of Industrial Robots on Workers     [ EB/0L ]. Centre for Economic Policy Research, 2017, Di-scussion Paper No. DP12306. Available at SSRN: https://ssrn.com/abstract=3039031，2019-07-20.

　　[14]吴清军，陈轩，王非，等.人工智能是否会带来大规模失业?——基于电商平台人工智能技术、经济效益与就业的测算[ J ].山东社会科学，2019（3）.

　　[15][16]岳昌君，张沛康，林涵倩.就读重点大学对人工智能就业替代压力的缓解作用[ J ].中国人口科学，2019（2）.

　　[17]袁玉芝，杜育红.人工智能对技能需求的影响及其对教育供给的启示——基于程序性假设的实证研究[ J ].教育研究，2019（2）.

　　[18]Mincer J A.. Schooling, Experience, and Earnings[ M ]. New York: Columbia University Press，1974：83-96.

　　[19]孙婧芳.城市劳动力市场中户籍歧视的变化：农民工的就业与工资[ J ].经济研究，2017（8）.

　　[20]张昭时，钱雪亚.城乡分割、工资差异与就业机会不平等——基于五省城镇住户调查数据的经验研究[ J ].中国人口科学，2011（3）.

　　[21]段占朝.外来常住人口本地化的供需层次探讨[ J ].人口研究，2009（5）.

　　[22][25]蔡禾，李超海.农民工工资增长背后的不平等现象研究[ J ].武汉大学学报（哲学社会科学版），2015（3）.

　　[23]王小鲁，樊纲，余静文.中国分省份市场化指数报告（2016）[ M ].北京：社会科学文献出版社，2017：258-259.

　　[24]马双，张劼，朱喜.最低工资对中国就业和工资水平的影响[ J ].经济研究，2012（5）.

　　[26]郭凤鸣，张世伟.最低工资提升对低收入农民工过度劳动的影响[ J ].中国人口科学，2018（5）.

　　[27]蔡禾，史宇婷.劳动过程的去技术化、空间生产政治与超时加班——基于2012年中国劳动力动态调查数据的分析[ J ].西北师大学报（社会科学版），2016（1）.

　　[28]陈文捷，解彩霞.人工智能对人主体性影响的思考[ J ].学术论坛，2019（3）.

　　[29]张富利.全球风险社会下人工智能的治理之道——复杂性范式与法律应对[ J ].学术论坛，2019（3）.

　　[30]Wright E O.. Working-Class Power, Capitalist-Class Interests, and Class Compromise[ J ]. American Journal of Sociology，2000（4）.

　　[31]Schmalz S, Weinmann N.. Between Power and Powerlessness: Labor Unrest in Western Europe in Times of Crisis[ J ].Perspectives on Global Development and Technology，2016（5）.

　　注释：参见原刊