《人工智能产业发展对工资差距的影响实证研究》15000字（论文）

人工智能产业发展对工资差距的影响实证研究目录TOC\o"1-2"\h\u93221.引言 23161.1研究背景 268531.2研究意义 3319621.3研究方法 4200911.4研究内容与技术路线 597721.5创新与不足 6237622.文献综述 8218572.1核心概念的度量 8217892.2人工智能应用的效应研究综述 973952.3性别工资的影响因素综述 10100012.4文献评述 111833.人工智能影响性别工资差距的理论机制 12299843.1理论基础 1256383.2作用机制 13292844.中国人工智能及工资差距的特征事实分析 15132544.1工业机器人安装量现状分析 15289554.2性别工资现状分析 15260795.实证分析 19117135.1计量模型 1977405.2数据、变量的选取和处理 1911065.3工资方程回归结果 22152775.4Oaxaca-Blinder分解法 23266786.结论与政策启示 26318736.1研究结论 26319656.2政策启示 2725406参考文献 281.引言1.1研究背景1.1.1现实背景当前，中国人工智能技术飞速发展。据IFR发布的数据显示，中国在2013年之后就已经成为全球最大的工业机器人市场，其增速也达到全球第一。2015年，国务院印发《中国制造2025》，其目的是通过信息技术与工业化的融合，实现中国制造业的转型升级。因此，以工业机器人为代表的智能制造开始快速发展，工业机器人的广泛使用也极大地提升了企业的生产效率和产品质量。但与此同时，自动化与智能化的升级改造也将对劳动力市场带来冲击。且由于我国人口红利的减少，劳动力成本随之上升，企业大范围地应用机器人代替人工劳动力。特别是在制造业，不断上升的劳动力成本和生产力压力使得机器人得以广泛使用。然而，除了劳动力市场的替代效应外，人工智能在为工人提供新工作方面也具有创造性效应。并且随着“数字化”“智能化”的出现，使得劳动力市场上对于知识技能和体力技能的需求改变，降低了对体力技能的需求，转向更高的认知能力需求，因而，与过去相比，女性的收入和就业率都有所提高。据《中国人口和就业统计年鉴》统计，我国男性劳动力的数量一直比女性多，但是可以看到的是，经济社会的发展使得男女劳动力的数量差距得以逐年减小。尽管近年来越来越多的女性参与到劳动力市场中，但统计数字表明，男性的平均薪资水平还是普遍高于女性，这就意味着，男女劳动力之间的工资差距依然存在。众所周知，性别工资差距不论是在社会上还是在劳动经济学中一直都是人们关注的热点问题，我国政府也一直在为不同性别的劳动力能得到平等的社会地位而努力。1.1.2学术背景长期以来，国内外的学者们一直在探究有关人工智能推广应用对劳动力市场的影响，且文献数量较多，可见该领域具有较高的研究价值。现有研究表明，许多劳动力市场上的重要因素，如就业水平、收入分配、劳动力市场结构等，都会随着人工智能技术的推广及大范围应用而得到改变（Brynjolfsson等，2017；陈彦斌等，2019；郭凯明，2019）。同时，关于性别工资差距的影响因素研究大多聚焦在贸易开放、技术进步等方面。Yamamura（2016）、Black和Strahan（2001）等学者研究发现贸易开放会缩小性别工资差距，但也有学者得出了与此相反的结论（Autor等，2013；刘斌和李磊，2012）。在探讨技术进步影响性别工资方面，众多国内外学者都得到技术进步有助于缩小性别工资差距的结论（Allen，2001；Findik，2008；邢春冰等，2014；魏下海等，2018）。可以看出，由于目前文献中还较少有研究人工智能对性别工资差距具体影响，因此当前题目具有一定研究价值，能够对该研究领域的不足加以弥补。1.2研究意义1.2.1理论意义本文在理论层面主要有两大贡献：一是，本文在文献综述部分对当前性别工资差距影响因素领域和人工智能技术相关研究领域两方面的研究进行综述，发现当前已有研究将两者作为研究主体联系在一起的文章很少，展示了当前题目的可研究价值，并对此研究内容加以弥补；二是，IFR统计的工业机器人数据是目前探究人工智能相关研究中较常用的数据，本文采用工业机器人安装量来衡量人工智能技术在中国的应用水平，并根据国内劳动力市场的特征进行分析，深入了解人工智能对我国男女间性别工资差距的影响与作用。通过实证分析探讨我国人工智能技术对不同行业的性别工资差距的具体作用机制，为我国缩小性别工资差距提出相关建议。1.2.2现实意义当前，人工智能技术正处于蓬勃发展的阶段，其计算速度快，能够极大地提升人们处理事务的效率。当人工智能技术不断更新换代、变得越来越成熟时，也为我国的企业带来了生产方式的革新与劳动生产率的提高。但与此同时也对劳动力市场造成了冲击，一方面人工智能会替代许多传统劳动力，替代部分就业岗位；另一方面人工智能深入融入经济社会也会创造出新的工作岗位需求，促进就业。我们不难发现，在当今中国的劳动力市场中，越来越多的女性参与其中，但性别工资差距仍旧是劳动力市场上显著存在的问题，这也一直是劳动经济学界关注的热点话题。那么，在人工智能技术创新深度融入经济社会的同时，是否会扩大我国性别工资差距进而加剧劳动力市场上男女劳动力的不平衡发展，对于如此现状我国又该如何应对。本文将利用工业机器人安装量衡量人工智能技术水平，并以此探讨人工智能对性别工资差距的影响，这不仅对于性别工资差距的研究具有重要的理论启示意义，而且可以为为我国性别平等战略的实现提出相关建议。1.3研究方法1.3.1理论分析与文献研究本文作者通过查阅大量的相关国内外文献，梳理了该领域的相关研究现状及研究成果，了解并总结国内外关于性别工资差距的最新研究方法，对相关的理论知识加以学习和剖析，为本文的实证研究奠定了理论基础。1.3.2计量分析与实证研究本文在实证研究方面采用宏观的行业机器人数据以及微观的个人特征数据，以宏微观相结合的方法，在劳动经济学的理论基础上建立工资回归方程，并运用Oaxaca-Blinder分解法对工资回归方程的回归结果进行分解，实证研究人工智能变量在不同行业性别工资差距中产生的不同作用。1.4研究内容与技术路线1.4.1研究内容本文首先对人工智能迅速发展背景下劳动力市场的现状进行分析，再依据现有的文献研究综述了人工智能领域及性别工资差距研究领域的研究现状及成果，确定本文的研究价值。其次，通过劳动经济学理论基础构建相关计量模型，并根据基准回归结果进行相应的影响效应分析，得到各变量对工资收入的影响；最后，在了解Oaxaca-Blinder分解法原理的基础上，用Oaxaca-Blinder分解法探究各变量在性别工资差距的作用，再深入探究人工智能对不同行业性别工资差距的作用。1.4.2技术路线图1-1技术路线图1.5创新与不足1.5.1本文可能的创新之处首先，就研究的内容而言，目前关于人工智能对性别工资差距的研究较少，已有文献对性别工资的探究大部分聚焦于婚育、教育程度等因素进行的，因此，本文希望可以弥补目前该领域的研究不足。第二，在进行人工智能及性别工资的相关研究中，多数学者采用省级数据。而本文依据IFR统计的数据对行业进行划分，将数据细分至行业层面，得到人工智能发展在不同行业对性别工资差距的影响，更具现实意义。1.5.2本文的不足之处第一，基于数据的可获得性本文选用了工业机器人安装量来衡量人工智能发展水平，但工业机器人安装量并不能完全代替人工智能发展，因此用工业机器人安装量替代人工智能可能使得结果存在一定的误差。第二，本文研究人工智能对行业性别工资影响时，所研究的行业类型存在局限性。由于IFR统计的工业机器人安装数据只涉及主要运用工业机器人的六大行业，分别为农、林、牧、渔业；采矿业；制造业；电力、热力、煤气及水生产和供应业；建筑业以及教育业。因此对于其他行业类型中人工智能对性别工资差距的影响本文无法得知。

2.文献综述2.1核心概念的度量2.1.1人工智能的定义人工智能作为一项还在不断发展、不断升级的新技术，目前学术界还未给出明确而统一的定义。在人工智能发展初期，McCorduck（1979）将其定义为“会思考的机器”，因为它具备着等同于人类的思维，并且McCorduck（1979）认为在未来经过不断的创新升级后人工智能的行动能力或将能够超越人类。而目前对新一代人工智能的概念则源自MIT电气工程方面的研究，Finlayson等（2010）认为人工智能作为一种有机整合技术，是通过模拟而形成的基于思维、认知和行为的表达体系，以生成测试法为基础运算方法，并利用计算机算法实现对系统的约束。杨伟国等（2018）把人工智能形容为可以展现出与人类意识、思考或行为等能力相同水平的一种科学技术，并借助于一定的载体和应用环境去完成系统制定的任务工作。2.1.2性别工资差距根据Oaxaca（1973）的研究，性别差距具体可以划分为非歧视性部分以及歧视性的部分。所谓非歧视性的性别差距是由于个人特征不同而导致的差异，如身体素质不同、个人能力不同、工龄不同或者受教育水平不同而引起的差异；而性别差距中难以得到精确测量的部分，被认为是“歧视”，即使在一些我们认为并没有丝毫差别的个体上也会表现出一定的差异。性别工资差距是指在男性劳动力与女性劳动力因为某些个体特征的不同导致两者在劳动力市场上获得不同的工资待遇，包括个人能力、受教育年限、人力资源投资或者家庭等因素，并且男性工资一般要高于女性工资（Meng，1998）。2.2人工智能应用的效应研究综述目前，人工智能技术快速发展，容易大范围推广和升级更新换代快的特点使得其在全球范围内掀起热风，为人类经济社会带来了巨大的改变。现有研究表明，许多劳动力市场上的重要因素，如就业水平、收入分配、劳动力市场结构等，都会随着人工智能技术的推广、改进及创新而得到改变（Brynjolfsson等，2017；陈彦斌等，2019；郭凯明，2019）。其实，每一种新技术的发明和创新，总是会对劳动力市场造成冲击并引起探讨，分析该技术给人们的生活带来了怎样改变。而作为新一轮科技革命的战略性技术，人工智能同样也对劳动力市场也带来了许多冲击和影响，深化该领域的研究会为政府、企业等机构制定相关政策提供重要帮助。首先是在人工智能技术对劳动力市场就业岗位的影响方面，目前已有许多文献围绕该方面进行了多维度的探讨，但得出的结论并不统一。首先，部分研究者提出：人工智能技术的大量普及和使用将会替代部分的传统劳动力岗位，“机器换人”的现象将会愈加普遍，这种对劳动力市场的影响即为“替代效应”；另外，人工智能技术会使得企业劳动生产率明显提高，生产规模得以扩大，经济社会的数字化和智能化也将为人们带来新的就业岗位，为市场提供更多的就业机会，即“创造效应”（FreyandOsborne，2017；GraetzandMichaels，2018）。除了研究人工智能等新兴技术对于就业岗位的影响，不少学者也在关注其对劳动力市场结构的影响以及由新技术带来的变化，其中一项重要的研究结论就是人工智能技术会让劳动力市场产生极化现象（Autor，2014；Michaels等，2014；Goos等，2014）。David等（2006）在对该领域进行研究时，得出了相比于低等技术与高等技术要求的岗位来说，中等技术要求的职业更易于被自动化新技术所替代的结论，同时发现，相比与另外两者，就职于中等技术岗位的劳动者的收入增长速度要更加缓慢。Dauth（2017）和Lankisch（2017）等人还指出，在新技术发展时，劳动力市场中总体就业数量和就业结构因为受到冲击将会引起改变，工人的收入也随之波动，同时人工智能技术的普及和使用，也会增加不同技术需求职位之间的收入差异。此外，根据Graetz和Michaels（2018）的实证结果表明，当人工智能技术不断发展时，劳动力市场上的平均工资水平会得到提升。2.3性别工资的影响因素综述性别工资一直以来都是劳动力市场上的热门话题，在现有性别工资的相关影响因素的文献中，部分学者围绕国家层面的因素展开了探讨。近年来各国贸易开放程度不断加大，众多学者围绕国际贸易因素影响性别工资差异的主题开展了大量实证研究，并得到了不同的结果。就科研数量及研究深度而言，国外学者对于该领域的研究要成熟于国内。在对1970-2011年间不同国家的统计数据进行研究分析后，Yamamura（2016）发现研究年间虽然男女工资差异一直存在，但随着贸易开放程度的扩大，性别工资差距得以缩小。Black和Strahan（2001）选择1976-1993年美国制造业的数据作为研究对象，通过实证分析表明竞争性较高的公司更有助于提高女性劳动力的收入水平。然而也有学者给出不同的结果，Autor等（2013）在研究进口竞争对于美国劳动力市场的影响中，结果显示随着中国进口竞争的加剧，美国工人的工资呈现下降趋势且性别工资差距随之扩大，且Saure和Zoabi（2014）的研究也得出相似的结论。除此之外，在针对中国的国际贸易对工资差距影响的研究方面，刘斌和李磊（2012）选择2002年的CHIP数据作为研究对象，结果表明进一步的贸易开放会扩大国内的性别工资差距，并且魏浩等（2014）在通过对2002年和2007年CHIP数据实证分析后也得到了类似的结论。对于影响性别工资差距的因素，部分学者还聚焦在技术进步水平上。Allen（2001）发现了科技进步在不同行业的性别工资中起到不同的作用，通过使用不同的技术进步衡量指标进行实证分析后，他指出：男女薪资差距在高技术投资资本密集的行业较小，并且高技术资本越密集，该工资差距缩小的幅度就越大，表明科学技术进步有助于减小男女在薪资上的差距。Findik（2008）在研究技术进步对男女工资差距的过程中，采用专利数量作为衡量技术进步的变量，选取13个国家从1980年到1998年的面板数据进行实证分析，研究结果证明技术进步会导致男女间工资差距的明显缩小。Beaudry和Lewis（2014）的研究则是以计算机应用密度来评估技术的进步水平，并研究其对各个区域的影响情况，结果显示男女工资差距在计算机应用密度更高的区域会更小，所以他相信技术进步可以减少男女间的性别工资差距。Tick和Oaxaca（2010）则是对劳动者类型加以划分，包括了具备高专业技能的劳动者和中低技能劳动者，选取1979年到2001年的统计数据来实证分析技术进步对美国男女工资差异的影响，分析结果表明技术进步对不同职业劳动者的性别工资差距的影响具有差异性，体现在它对中低技能劳动者的性别工资差距并没有明显的影响，但是会缩小对高层管理人员、专业技术人员等高技能劳动者的性别工资差距。而对于我国在关于技术进步影响性别工资方面的研究，邢春冰等（2014）基于Beaudry和Lewis（2014）提出的模型，选择教育回报率作为技术进步的重要指标，并分析其在不同地域的作用，研究结果表明，高教育回报率的地域更有助于减小性别工资差距。魏下海等（2018）则是围绕制造业公司的产业线升级及其对公司内部劳动力的工资差异影响进行了探讨，并提出产业线升级是公司技术进步的一种主要体现，以此为评价公司技术进步的重要指标，结果表明实现了产业线升级的公司的性别工资差距要低于一些技术尚未提升的公司，即通过技术提升就可以缩小性别工资差距。2.4文献评述综上所述，发现已有研究中很少将人工智能和性别工资差距作为研究主体一起分析，多数研究侧重于人工智能技术对就业及劳动力市场的影响，同时关于性别工资差距的影响因素研究大多聚焦在贸易开放、家庭因素、技术进步等方面。此外，在研究技术进步对于性别工资差距方面，也少有学者用人工智能技术作为指标来衡量技术进步水平。所以，本文通过实证研究人工智能对我国性别工资差距的作用机理以及影响程度，补充该领域的相关研究，为后来学者进行更深入研究奠定基础。

3.人工智能影响性别工资差距的理论机制3.1理论基础3.1.1现代人力资本理论在20世纪50年代至60年代，人力资本理论蓬勃发展，众多经济学学者围绕着人力资本展开了多维度的研究，其中包括人力资本形成差距的原因、人力资本对个体的工资收入的影响，以及人力资本在社会经济发展中所起到的作用等（Mincer，1974；Schultz，1959），这些研究就是人力资本的新型理论的基础。Schultz（1959）利用宏观经济层面的数据进行研究，分析结果表明揭示了人力资本投资会对经济发展水平造成影响，并且两者展现出了正向的相关关系。此外，在微观层面上，Gary（1957）完善了人力资本理论，且弥补了人力资本理论在微观层面的不足。他通过构建平衡性投入产出模型，研究人力资本投资及个体收入分配的关系，表明不同的人力资本投资方向，将会带来不同的工资收入，从而使个体间形成工资差异。同时，Gary（1993）还引入了“性别分工”的概念，并通过研究解释了为什么不同性别的劳动者的工资收入会存在差距。3.1.2补偿性工资差距理论补偿性工资差距是是指在现实的经营活动中，即使是个人能力与受教育程度一样的劳动者，由于从事不同的工作导致他们之间存在工资差距。补偿性工资差额理论最初由Smith（1776）在《国富论》中提出，他认为不一样的工作性质会对劳动者的工资收入产生影响。当劳动力可以自由流动时，人力资本水平相近、能力相当的劳动者们最终会实现劳动收入相等化。但实际上，劳动者总是追求效用最大化，从而去寻求更高工资、工作环境更优良的就业岗位，但现实的就业岗位并不都是如此，所以环境恶劣、高风险的岗位就会通过提高工资的方式来吸引劳动，即用工资对他们进行补偿，激发他们的工作热情，从而在劳动者中间产生工资差距。3.2作用机制3.2.1技术进步对性别工资差距的作用机制Weinberg（2000）研究认为在西方工业程度越高的国家，性别工资差距就越小；而Blau等在2000的研究也支持了这一结论，同时指出，技术水平的不断提高是造成男女工资差距逐年缩小的主要因素。GalorandWeil在1996年通过研究发现，随着经济社会和科学技术的发展，认知技能在劳动力市场上占据越来越重要的地位，且其相比于运动技能更容易受到技术的影响，这样的一种变化，使得男女之间的工资差距变得越来越小。关于技术进步对性别工资差距的作用机制，研究学者们目前提出了不同的模型。首先，“大脑—肌肉”两要素模型是Welch在2000年的研究中提出的概念，“大脑—肌肉”两要素模型认为：男性在体力上更具有优势，比女性更加适合需要体力和运动的工作。而女性则是在大脑认知方面更具有优势，比男性更适合大脑密集型的工作。Rendall（2010）则是建立了一般均衡模型，模型设定男子的运动技能相比女性要更强，但在认知技能上无差异，二者唯一不同之处就来自于运动技能。研究结果表明，随着技术的持续更新，认知技能价格会逐步上升，从而导致运动技能的相对价格下降。而在认知技能价格上升的区间内，女性占有更大的优势，上涨幅度大于男性，这样的一种结果经过长期的发展就会表现为男女间性别工资差距的缩小。除此之外，还有部分学者运用任务模型来说明技术进步对性别工资差距的作用机制。在任务模型中，劳动者需要根据自身的劳动技能高低与就业岗位相匹配，通过分析男性与女性在技能和岗位匹配过程中的不同发现技术进步与性别工资差距的关系。Autor等人（2003）将计算机的使用程度作为指标来衡量技术进步，研究发现：当计算机的应用程度加深时，人们熟悉的常规手工工作和常规认知工作所需要的劳动投入增加，此时男性相对于女性的优势降低，从而使得性别工资差距减小。3.2.2人工智能对劳动力市场的冲击众所周知，每一轮新技术的出现总是会引起劳动力市场的变化。人工智能这项新技术也理所当然地给经济社会带来影响，并对劳动力市场造成了冲击。当计算机具备了与人类类似的思维方式，开始模仿人类了大脑工作，使得人工智能不仅能够进行简单的重复性劳动，还能够从事更加复杂的技术性工作，甚至能够超出人类的认知范围（McCorduck，1979）。人工智能技术的出现使得企业大大提高了生产效率，“机器换人”的现象越加普遍，导致人工智能代替了许多传统劳动力岗位。因此其对劳动力市场替代效应的冲击范围将会扩大，使得劳动力市场工资水平降低。但在产生“替代效应的”的同时，也为社会带来了许多新兴的岗位，产生了综合就业创造效应（（FreyandOsborne，2017；GraetzandMichaels，2018））。此外，人工智能技术还会使劳动力市场上的收入水平产生变化。Dauth（2017）和Lankisch（2017）等人发现人工智能技术的推广和应用将会扩大不同技能要求岗位间的收入差距。David等（2006）认为中等技能要求的就业岗位更容易被自动化新技术所替代，同时发现，相比于高等技能要求和低级技能要求的岗位，中等技能要求岗位的数量和收入增长速度相对要缓慢甚至于减少。

4.中国人工智能及工资差距的特征事实分析4.1工业机器人安装量现状分析根据IFR的统计数据可知，我国工业机器人主要应用在制造业领域，工业机器人安装量由2011年的19119台逐年增长，2017年达到125754台，远超其余五个行业。图4-1报告了除制造业外的五大行业工业机器人安装量，可以看出，除农、林、牧、渔业外，采矿业，电力、热力、煤气及水生产和供应业，建筑业及教育业的工业机器人安装量也基本呈现逐年增长的趋势。其中采矿业使用的工业机器人数最少，教育业的工业机器人安装量则较多。数据来源：IFR图4-1不同行业工业机器人安装量（单位：台）4.2性别工资现状分析4.2.1数据来源本文将宏观的IFR统计数据和微观的CHFS数据相结合，有利于提高实证结果的准确性。同时，由于微观调查资料中的个体变量数目较多，因此，即使个别变量会发生变化，最终对实证结果的影响也是微乎其微，因此，本文运用宏观与微观调查资料相结合，可以从一定程度上减轻由于变量间的某些关系而产生的内生性问题。基于研究性别工资差距的目的，本文对数据进行了以下处理：依据我国的国情，在保留劳动者样本时，只保留年龄在16岁-60岁的男性劳动力样本，以及16岁-55岁的女性劳动力样本；并且只保留工资收入为正的样本，另外再根据具体的数据情况，删除失业者、学生等不符合条件的样本以及关键变量缺失的样本。处理完毕后，本文最终得到了25345个样本量，其中男性样本（16666个）占总体样本的65.76%，女性样本（8679个），占总体的比重为34.24%.（2011年1808个，其中男性1165个，女性643个；2013年5098个，其中男性3352个，女性1746个；2015年6964个，其中男性4635个，女性2329个；2017年11475个，其中男性7514个，女性3961个）4.2.2不同年份性别工资差距分析图4-2报告了全国2011年、2013年、2015年、2017年的男女月均工资，可以看出：不论是男性还是女性，所得月均工资逐年增长，但每一年的男性工资均高于女性工资。图4-3显示性别工资差距在2011年、2013年、2017年呈扩大趋势，在2015年工资差距则有所缩小，比2013年降低41.34元，缩小幅度并不大。数据来源：CHFS图4-2不同年份性别工资（单位：元）数据来源：CHFS图4-3不同年份性别工资差距（单位：元）4.2.3不同行业性别工资差距分析从图4-4可以看出不同行业的男女性别工资在2011到2017年间的情况。数据显示，在男性行业平均工资及女性行业平均工资中，均是农、林、牧、渔业的工资最低，男性为2783.643元，女性为2151.009元；且教育业的行业工资最高，男性为4419.019元，女性为3644.655元。数据来源：CHFS图4-42011年—2017年不同行业性别工资（单位：元）图4-5报告了2011年—2017年间不同行业的性别工资差距。从数据中可以得知，制造业的性别工资差距最大，为935.26元；建筑业的行业性别工资差距最小，为351.407元。数据来源：CHFS图4-52011年—2017年不同行业性别工资差距（单位：元）5.实证分析5.1计量模型为解释性别工资差异，本文基于Mincer方程（1974），建立以下模型：wageij=β0+其中，wage表示个人工资收入，为被解释变量。AI为本文核心解释变量，表示工业机器人安装数量。控制变量为年龄（age）、年龄的平方（age2）、文化程度（edu）、工作年限（exp）、婚姻状态（marriaged）。uij为随机误差项。下标i表示个体，j5.2数据、变量的选取和处理本文利用中国家庭金融调查（CHFS）统计的微观个体工资收入作为被解释变量，该数据统计了个体的工作行业、工资收入、工作年限等人口就业特征。目前已分别在2011年、2013年、2015年、2017年和2019年成功实施五次调查。样本分布于29个省、367个县（区、县级市）、1481个社区；覆盖40011户家庭和127012名个体；具有全国、省级和副省级城市代表性。由于2019年的个人工资数据涉及的行业分类与前几年数据不同，故本文采用2011年2013年、2015年及2017年的数据进行实证分析。由于工业机器人安装数据统计只涉及主要运用工业机器人的六大行业，分别为农、林、牧、渔业；采矿业；制造业；电力、热力、煤气及水生产和供应业；建筑业以及教育，而CHFS数据则根据国民经济行业分类将个体工作行业分为20个行业。因此，为进行人工智能对行业性别工资差距的实证研究，CHFS个体行业工资收入数据只选取IFR进行统计的农、林、牧、渔业；采矿业；制造业；电力、热力、煤气及水生产和供应业；建筑业及教育业等六大行业。5.2.1被解释变量本文的被解释变量为个体月均工资收入，其中2011年、2013年、2015年的个体工资收入为年收入，将其除以12得到个体月均工资收入。5.2.2解释变量本文的解释变量为工业机器人安装量。IFR是成立于1987年的国际性非盈利组织，其成员包括来自全球20多个国家的60多个与机器人行业相关的协会和研发机构，提供了从1993年至今全球近100个国家和地区各行业工业器人使用情况的数据，其中包含了我国不同年间不同行业的工业机器人安装量及存量。5.2.3特征变量本文的特征变量包括年龄、受教育程度、工作年限、婚姻状态、和行业类型。年龄：将调查数据的调查年份减去样本个体出生年份获得年龄数据；受教育程度：本文的受教育程度指标使用受教育年限来量化。CHFS调查数据中记录了每个人的受教育程度，由于本文需要在模型中引入受教育水平作为个体特征变量，因此引入数值型变量，将学历背景换算为相应的受教育年限。：0年表示“没上过学、文盲或者小学以下受教育程度”，6年表示受教育程度为“小学”，9年表示受教育程度为“初中”，12年表示受教育程度为“高中”或者“中专”，15年表示受教育程度为“大专”，16年表示受教育程度为“本科”，19年表示受教育程度为“硕士”，22年表示受教育程度为“博士”；工作年限：将调查数据的调查年份减去样本个体开始工作的时间；婚姻状态：已婚状态令其取值为1，未婚等其他状态则取值为0；行业类型：本文根据CHFS数据及IFR统计的工业机器人数据中对行业的分类，将劳动者的就业行业划分为六大类，分别为：农、林、牧、渔业；采矿业；制造业；电力、燃气及水的生产和供应业；建筑业以及教育业。5.2.4变量的描述性统计表5-1报告了相关变量的描述性统计。从中可以看出，个体的工资水平在总体、男性和女性样本中表现出了相似的特征，三者在2011年到2017年间都呈现出逐年增长的趋势。但从男女分样本中也可以发现，男性的工资水平一直高于总体，女性的工资水平则一直低于总体的工资水平。表5-1变量的描述性统计总体样本年份2011201320152017wage均值2269.652891.923056.663886.37标准差2680.062803.542297.713419.78age均值41.0743.2142.8239.64标准差8.478.568.7910.48age2均值1758.531940.381911.121681.51标准差703.21730.27740.39832.18exp均值12.4112.2713.5210.77标准差9.749.9510.3910.06edu均值11.1411.5511.0011.09标准差3.783.913.953.83married均值0.950.940.941.19标准差30.39样本量18085098696411475男性样本年份2011201320152017wage均值2391.143087.303233.624137.81标准差2974.393113.632413.493850.48age均值42.2044.2243.8540.44标准差8.598.688.9310.88age2均值1854.182030.732002.311754.19标准差728.89752.59763.20878.18exp均值12.9012.8214.4011.40标准差10.1410.3610.7710.55edu均值11.0011.2610.8710.91标准差3.673.803.773.62married均值0.950.940.951.20标准差20.40样本量1165335246357514女性样本年份2011201320152017wage均值2049.542516.832704.493409.38标准差2025.132031.4052002.392325.85age均值39.0441.2740.7938.13标准差7.857.978.129.49age2均值1585.251766.921729.651543.63标准差618.01651.36656.25717.20exp均值11.5311.2111.759.59标准差8.919.009.348.95edu均值11.3912.0911.2811.43标准差3.964.054.274.18married均值0.940.930.941.16标准差40.37样本量6431746232939615.3工资方程回归结果为了探究各个变量对性别工资差异的影响，对方程（5.1）进行分样本回归，得到每个变量的回归系数，回归结果通过稳健性检验。数据显示，所有控制变量的结果均基本符合预期。从总体来看，年龄、受教育水平、工作年限的系数符号为正，说明对工资具有正向影响。工业机器人安装量系数为负，说明人工智能对工资具有负向影响，人工智能水平的发展会使得劳动力工资水平下降。婚姻状况符号为负，说明从未婚等其他状态变为已婚状态会对工资水平产生负向影响。从男性样本和女性样本来看，工业机器人安装量、年龄、受教育水平对男性工资的有利影响大于女性。工业机器人安装量在男性样本中的系数为-0.001，在女性样本中的系数为-0.003，并且工业机器人安装量的增加对女性工资水平比对男性工资水平具有更加显著的负面效应，表明工业机器人安装量的增加会扩大男女间的工资差距。其次，年龄的增长以及受教育水平年限的增加会使工资增长，但男性工资增长的幅度比女性工资高。表5-2工资方程回归结果变量（1）总体（2）男性（3）女性AI-0.002**（0.001）-0.001*（0.001）-0.003***（0.001）age161.832***（12.93）191.913***（17.061）128.435***（18.77）age2-1.903***（0.155）-2.333***（0.199）-1.481***（0.234）edu271.065***（7.443）277.382***（10.355）239.182***（8.82）exp9.289***（2.081）3.919（2.638）16.618***（2.779）married-409.167***（52.435）-564.4***（67.198）-263.056***（83.092）系数-4362.307***(331.033)-4549.523***(452.261)-3827.201***(440.091)样本量25345166668679R20.2130.1850.246括号内数值为标准误***表示P＜0.01、**表示P＜0.05、*表示P＜0.15.4Oaxaca-Blinder分解法目前研究性别工资差距的方法有多种，其中Oaxaca-Blinder分解法是较为经典的方法。该分解法的原理是将观察到的性别工资差距分解为可以由个人特征解释的差距和不可以由个人特征解释的差距，一般认为性别歧视是导致不可解释部分出现的主要原因。基于简单Mincer方程，设定男性劳动力和女性劳动力的工资方程如下：InWm=βmInWf=βf其中，InW指的是工资收入的对数，X表示可观察的特征控制变量，特征变量的系数用β表示，μ是随机误差项，m表示男性、f表示女性。在Oaxaca-Blinder分解法中，需要选出一组基准组，基准组是指不存在歧视的性别组的工资结构，通常将基准组设定为男性，认为男性的工资结构与混合样本得到的工资方程结果更加接近，且Cotton和Neumark（1988）指出在选择基准组时应该选用混合样本大的组别。根据方程（5.2）和（5.3InWm−InWf并对方程（5，4）进一步分解得到：InWm−InWf=X在方程（5.5）中，等号左边差值即代表男女之间的工资差距，等号右边第一项的Xm'−5.4.1性别工资差距的总体分解结果了解了Oaxaca-Blinder分解法原理后，便可在工资方程回归结果的基础上得到性别工资差距。性别工资差距为男性工资方程与女性工资方程做差值，因此由表5-2可以得出：性别工资差距结果中，AI的系数为0.002，说明每当工业机器人安装量增加1单位时，男性与女性之间的工资差距会上升0.002元。其次，进一步分解得出所有行业总体中人工智能对性别工资的影响。根据Oaxaca-Blinder分解结果（表5-3）可知，男女性别工资差距为613.0415元，且该结果通过了显著性检验。但该差距经过分解后，发现不可解释部分即性别歧视占据主导地位。这一结果的产生可能是因为随着人工智能的迅速发展，劳动力市场中的一些工作岗位被机器人取代，导致工作机会的减少，而由于性别歧视，男性比女性在找工作方面更具有优势，因此，女性劳动者的平均收入会降低，而男性的收入则会继续增长，这就导致了男女之间的工资差距越来越大。表5-3总体分解结果wage系数总差距613.0415可解释部分-217.6466不可解释部分830.68815.4.2人工智能对不同行业性别工资差距的分解结果为了深入探究不同行业间的人工智能对性别工资差距的影响，首先对分行业样本进行回归，并对回归结果进行分解，表5-4报告了不同行业的人工智能影响性别工资差距的分解结果。数据显示，本文所研究的6个行业的性别工资的总差距都大于0，表明了不同行业中存在这明显的工资差距且这些行业中的男性劳动力的工资收入均高于女性。另外，从分解结果可知，除教育业外，其余五个行业的性别工资差距基本由不可解释部分主导，即这五个行业的性别工资差距主要是因为“性别歧视”而引起的。而在教育业中，性别工资差距的可解释部分约占总差距的40%。原因可能是在这六大行业中，教育业相比其他行业，对于认知技能的需求要高于运动技能，故女性在教育行业中所受到的性别歧视小于其他行业。另外，分解结果显示，人工智能对性别工资差距的影响在不同的行业中有不同的作用。在农、林、牧、渔业，电力、热力及建筑业这2个行业中，工业机器人安装量的回归系数为负，说明了这4个行业的男性与女性之间的工资差距随着工业机器人安装量的提高而缩小。在其余四个行业，即采矿业、制造业、电力、热力、煤气及水生产和供应业以及教育业中，工业机器人安装量的回归系数为正，说明在这些行业中人工智能的发展会使得男女之间性别差距增大。表5-4人工智能对不同行业性别工资差距的分解结果行业男性工资女性工资性别工资的差异值可解释部分不可解释部分AI系数农、林、牧、渔业2783.6432151.009632.634651.3126581.322-0.52365采矿业3205.7122480.807724.9046-239.0801963.984729.4973制造业3529.6562594.396935.2592184.1222751.1370.061647电力、热力、煤气及水生产和供应业3796.4323292.976503.4551-292.1884795.643415.4677建筑业3393.3233041.915351.4083-341.4313692.8394-34.8306教育业4419.0193644.655774.3641310.2701464.0940.6528576.结论与政策启示6.1研究结论本文基于西南财经大学中国家庭金融调查与研究中心提供的2011年、2013年2015年和2017年“中国家庭追踪调查”（ChinaHouseholdFinanceSurvey,CHFS）微观数据库，并使用IFR统计的行业工业机器人安装量代替不同行业的人工智能发展水平，研究了中国农、林、牧、渔业，采矿业，制造业，电力、热力及水的生产和供应业，建筑业，教育业等六大不同行业中人工智能对性别工资差距的影响。首先通过工资回归方程得到各变量对工资水平的影响，年龄、受教育水平、工作年限对工资具有正向影响，已婚状态对工资水平产生负向影响。工业机器人安装量系数为负，说明人工智能对工资具有负向影响，并且工业机器人安装量的增加对女性工资水平比对男性工资水平具有更加显著的负面效应，表明工业机器人安装量的增加会扩大男女间的工资差距。其次，在工资方程回归结果的基础上根据Oaxaca-Blinder分解法分解得出在性别工资差距中的可解释部分和不可解释部分，得出以下几点重要结论。6.1.1行业间存在性别工资差距从所研究的行业来看，每个行业都存在着较为明显的性别工资差距，且男性工资普遍高于女性工资。并且从分解结果可以看出，在性别工资差距中不可解释部分即性别歧视占主导地位，说明在劳动力市场上依旧存在着较为严重的性别歧视。6.1.2人工智能对性别工资差距的影响存在行业差异通过Oaxaca-Blinder分解法进一步研究不同行业间的人工智能对性别工资差距的影响，分解结果表明，从人工智能对不同行业性别工资的影响来看，在农、林、牧、渔业，电力、热力及建筑业这2个行业中，工业机器人安装量的回归系数为负，说明这4个行业的男性与女性之间的工资差距随着工业机器人安装量的提高而得以缩小。在其余四个行业，即采矿业、制造业、电力、热力、煤气及水生产和供应业以及教育业中，工业机器人安装量系数为正，说明在这些行业中人工智能的发展会使得男女之间性别差距增大。6.2政策启示6.2.1国家层面随着人工智能技术的推广和普及，大大提升了生产效率及产品质量，也使得劳动力市场中部分岗位被替代，而女性由于就业歧视，始终在劳动力市场上处于不利地位。国家应该理智应对该现状，既要大力发展人工智能技术，还要健全有关妇女就业的法律制度，包括薪资待遇、晋升机制、职业培训等，杜绝在就业市场上存在的隐性性别歧视和就业限制，力求减少男女之间的薪酬差距。同时要对低收入女性加大教育和培训投资，缓解女性就业压力。此外，还应该引导人们形成正确平等的性别观念，树立男女平等的意识，更好地保障女性的就业。6.2.2企业层面当下我国各级政府大力推进制造业转型升级，实现企业的智能化改造，提高生产效率。在此背景下，企业应该在就业中给予女性更多的机会，尊重女性的社会地位，重视其工作意义，严禁在技能培训及职位晋升等方面歧视女性。6.2.3个人层面从个人角度来说，女性本身应该始终坚持男女平等的价值观，且能够客观地、以正确的心态来对待性别工资差距。在人工智能技术迅速发展的现状下，女性劳动者要进一步提高受教育水平，提升业务能力，适应新技术革命创造的新岗位，提高在就业市场中的竞争优势。另一方面，女性劳动者应当正确对待由于婚育给职业生涯带来的影响，合理分配家庭和工作时间，学会依据实际状况做出相应的计划和调整，减少婚育对自身职业带来的负面效应。参考文献[1]陈彦斌,林晨,陈小亮.人工智能、老龄化与经济增长[J].经济研究,2019,54(07):47-63.[2]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,2019,35(07):60-77+202-203.[3]刘斌,李磊.贸易开放与性别工资差距[J].经济学(季刊),2012,11(02):429-460.DOI:10.13821/ki.ceq.2012.02.006.[4]魏浩,杨穗,付天.对外贸易与我国的性别工资差距[J].国际商务(对外经济贸易大学学报),2014(04):62-74.DOI:10.13509/ki.ib.2014.04.007.[5]魏下海,曹晖,吴春秀.生产线升级与企业内性别工资差距的收敛[J].经济研究,2018,53(02):156-169.[6]邢春冰,贾淑艳,李实.技术进步、教育回报与中国城镇地区的性别工资差距[J].劳动经济研究,2014,2(03):42-62.[7]杨伟国,邱子童,吴清军.人工智能应用的就业效应研究综述[J].中国人口科学,2018(05):109-119+128.[8]AllenS,G.TechnologyandtheWageStructure[J].JournalofLaborEconomics,2001,19(2):440-483.[9]Autor,D.H.,Levy,F.,andMurnane,R.J.,2003.“TheSkillContentofRecentTechnologicalChange:AnEmpiricalExploration”,QuarterlyJournalofEconomics,118(4):1279-1333．[10]Autor,D.H.,D.Dorm,G.H.Hanson.TheChinaSyndromeLocalLaborMarketEfectsoflmportCompettionintheUnitedStates[J].TheAmericanEconomicReview,2013,103(6):2121-2168.[11]AutorD.Polanyi'sParadoxandtheShapeofEmploymentGrowth[M].Cambridge,MA:NationalBureauofEconomicResearch,2014.[12]Beaudry.P.,andLewis,E.2014,DoMale-FemaleWageDifferentialsReflectDifferencesintheReturntoSkill?Cross-CityEwdencefrom1980-2000,AmericanEconomicJournal:AppliedEconomics,6(2):178-194.[13]Brynjolfsson,E.,Rock,D.,andSyverson,C.2017,ArtificialIntelligenceandtheModemProductivityParadoxAClashofExpectationsandStatistics”,NBERWorkingPaperNo.24001.[14]Black,S.E.,Strahan,P.E.Thedivisionofspoils:Rent-sharinganddiscriminationinaregulatedindustry[J]AmericanEconomicReview.2001,91(91):814-831.[15]Blau,F.D.,KahnL.M.Gendergapsinpay[R].Nationalbureauofe-economicresearch,2000.[16]Cotton,J.OnThedecompositionofwagedifferentials[J].TheReviewofEconomicsandStatistics,1988,70(2):236-243.[17]David,H.,KatzL.F.,KearneyM.S.ThePolarizationoftheUSLaborMarket([J].AmericanEconomicReview,2006,96(2):189-194.[18]Dauth,W.,Findeisen,S.,SidekumJ.GermanRobots-TheImpactofIndustrialRobotsonWorkers[R].CEPRDiscussionPapers,2017.[19]Frey,C.B.,and.Osborne,M.A2017,“TheFutureofEmployment:HowSusceptibleAreJobstoComputerisation?”TechnologicalForecastingandSocialChange,114:254～280.[20]FinlaysonM.A.RichardsW.,WinstonP.H.,2010,ComputationalModelsofNarrative:ReviewoftheWorkshop.AlMagazine.32(1).97.[21]Findik,D.Effectoftechnologyongenderwagedifferential:apanelanalysis[J].AppliedEconomicsLetters,2008,15(10):821-825.[22]Galor,O.,andWeil,D.N.,1996,“TheGenderGap,Fertility,andGrowth”,AmericanEconomicReview,86(3):374—387.[23]Gary,S.Becker.HumanCapital:ATheoreticalandEmpiricalAnalysis,withSpecialReferencetoEducation[M].1993.[24]Gary,S.Becker.TheEconomicsofDiscrimination.[M].1957.[25]Graetz,G.,andMichaels,G.2018,“RobotsatWork”,ReviewofEconomicsandStatistics,100(5):753～768.[26]Goos,M.