中国人口科学杂志论文格式要求是什么？

中国人口科学杂志近十年出版发文量：

中国人口科学杂志论文格式要求

　　撰写要求

　　(一)论文书写顺序

　　论文的书写顺序为：中文题目，作者署名，中文摘要与关键词，基金项目，作者简介，正文，参考文献，英文题目，英文作者署名，英文摘要。

　　(二)题目

　　论文题目应当能够准确概括文章内容，英文标题内容应与中文标题相应。

　　(三)作者

　　署名一般不超过4人，顺序由作者自定，各作者之间以空格分隔。英文名顺序应与中文相同。作者简介包括姓名、所在单位、职称。

　　(四)摘要与关键词

　　摘要以300~500字为宜，要求独立成篇，不分段，意义完整;用第三人称撰写，能够完整准确地概括文章的实质性内容。英文摘要内容应与中文摘要的内容相应，不少于200个英文单词。关键词一般为3~5个，不同关键词之间用“;”分隔。

　　(五)基金项目

　　基金项目论文请注明资助基金的正式名称，并在圆括号内注明其项目编号，多项基金项目应依次列出，其间以分号“;”隔开。基金项目的标注应遵循客观、真实性原则，基金项目与稿件内容相关，且同一稿件标注项目数原则上不超过3项。

　　(六)各级标题

　　正文层次标题应简短明确，题末不用标点符号。各层次标题依次用汉字数字、加括号的汉字数字、阿拉伯数字、加括号的阿拉伯数字，如“一、”“(一)”“1.”“(1)”等。

　　(七)图与表

　　能用文字表达清楚的内容，尽量不用图和表，如用图表，则在文中不重复其数据，但需摘述其主要内容并进行分析。图表随文编排，先见文字后见图表，要有图号和表号，并在文章标出。表格一般用三线表，上方应有表序、表题，表的栏目中量名称或量符号/量单位应齐全。论文中所有图应为分层图或excel格式图，图中信息清晰、准确。

　　(八)文献注释规范

　　请参照本刊近期发表的文章文献格式。

进入期刊首页

1.城市人工智能发展对个人劳动参与 和工作时长的影响* ——基于人工智能技术密度的发现

作者：沈 可;石笑峰

作者单位：复旦大学

关键词：人工智能;劳动参与;工作时长;过度劳动

　　【摘 要】相对于传统的技术进步，人工智能在各产业领域的通用性和渗 透性更强，因而对劳动力市场产生着多元而深远的影响。文章基于人工智能专 利数据和中国家庭追踪调查数据，系统考察城市人工智能技术密度对当地劳 动年龄人口的劳动参与和工作时长的影响。研究发现，人工智能通过挤出劳动 力和阻碍劳动力进入两条路径显著降低了劳动年龄人口的劳动参与概率，并 缩短了就业者的周工作时长。异质性分析表明，人工智能对中老年、低技能劳 动力的劳动参与挤出效应更强，对青年和高技能就业者则表现为更强的工时缩 减效应；在工资水平较高的地区，相应效应更为明显。进一步分析发现，人工智 能有效降低了就业者的过度劳动发生风险和过度劳动程度。可见，人工智能与 人力劳动存在竞争和协作的双重关系。文章建议，在人工智能时代进一步加强 政府、企业和高校的多元协作，帮助弱势劳动者抵御失业风险、提升劳动者的 技能匹配度；同时，积极利用人工智能的工时缩减效应，以技术创新赋能高质 量就业。  

　　一、引 言

　　随着大数据、云计算、物联网等信息技术的发展，新一代人工智能①取得突破性进展 并得到广泛应用，成为推动新一轮产业变革和赋能新质生产力的核心驱动力。近年来，中国政府高度重视人工智能领域的创新发展和推广应用。2017 年，国务院发布《新一代 人工智能发展规划》，将人工智能上升至国家战略层面系统布局；2022 年，党的二十大 报告指出要推动战略性新兴产业融合集群发展，构建人工智能等一批新的增长引擎；2024 年，党的二十届三中全会强调推动人工智能等战略性产业发展，因地制宜发展新质生产 力。在国家战略引领与政策支持下，人工智能领域蓬勃发展，核心产业规模由 2016 年的 100.6 亿元快速增长至 2023 年的 5 784 亿元。截至 2023 年底，中国人工智能核心企业数 已超过 4 400 家，居全球第二①。

　　作为引领新一轮科技革命和产业变革的战略性技术，人工智能的应用场景不断拓 展，广泛渗透于各产业领域，由此对劳动力市场产生了深远而多元的影响。现有关于 人工智能就业效应的研究，主要从需求侧考察人工智能对就业的替代效应与创造效应 （Acemoglu 等，2020a；Acemoglu 等，2020b；李磊等，2021）。事实上，人工智能不仅冲击就 业的需求端，也会通过改变工资水平、劳动分工和工作效率影响就业的供给端。因此，有 必要结合需求侧和供给侧，探讨人工智能发展对个体劳动参与和就业状况的影响，考察 其对不同地区、不同特征的劳动者影响的异同。关于这些问题的探讨，对于制定前瞻性 的就业政策、挖掘人工智能发展的机遇并积极应对其挑战具有重要的现实意义，也有助 于进一步探索人工智能赋能人力、发挥“头雁”效应的思路。

　　鉴于此，本文结合城市人工智能专利数据和中国家庭追踪调查微观数据，系统考察 城市人工智能发展对当地劳动者劳动参与和工作时长的影响，探讨其影响的异质性。与 既有文献相比，本文的边际贡献包括以下方面。首先，本文以城市每万名从业人员的人 工智能专利授权数来表征人工智能的研发状况，比以往文献中常用的工业机器人存量 或安装量更为综合、全面；特别是随着新一代人工智能在农业、服务业的广泛应用，集中 应用于制造业的工业机器人难以全面反映人工智能的发展状况及其对劳动力市场的一 般性影响。其次，本文综合需求侧和供给侧视角，通过匹配城市与个体数据考察城市人 工智能发展对当地劳动者就业的影响，为相关领域的文献补充了新的分析视角和经验证 据。考虑到现有文献主要基于地区、行业或企业层面数据考察人工智能通过岗位替代或 岗位创造对劳动力需求的影响，本文的研究发现补充了重要的微观证据，有望为制定精 准有效的就业支持政策提供依据。再次，除对个体劳动参与的影响外，本文还考察了人 工智能对就业者工作时长的影响，关注人工智能对缓解就业者过度劳动风险的可能作用， 填补了相关领域的空缺。

　　二、文献综述与研究假设

　　（一）人工智能对就业的影响

　　人工智能相对于传统技术进步而言具有更强的通用性和渗透性（王林辉等，2023）， 因而给劳动力市场带来前所未有的冲击。当前，学术界有大量研究探讨人工智能对就业 的影响，相关文献主要从需求视角切入，探讨其就业替代效应与创造效应。其中，就业替 代效应意味着人工智能通过替代部分岗位，从而对就业产生挤出效应。与传统技术进步 不同的是，人工智能不仅能替代重复性、程式化的低技能岗位，还能依托前沿算法与超 强算力进行规律识别和自主学习，从而替代文案创作、分析决策等高技能岗位（王林辉 等，2023；尹志锋等，2023）。就业创造效应意味着，人工智能可能通过创造就业岗位，增 加招聘需求。就业创造效应既包括直接创造与新技术相匹配的就业岗位，也包括通过人 工智能应用促使企业降低生产成本、提高生产效率、扩大生产规模，从而增加对非自动化 岗位的劳动力需求（王永钦、董雯，2020）；还包括通过降低产品价格、扩大市场需求，从 而增加企业各环节的劳动力需求（李磊等，2021）。现有研究认为，在人工智能的初始发展 阶段，其就业替代效应通常高于就业创造效应（王永钦、董雯，2020；Acemoglu 等，2020a）。

　　现有关于人工智能对就业影响的实证研究主要基于宏观层面的数据，以国家、地 区、行业或企业为分析单位；到目前为止，这些研究的结论并不一致。具体来看，在国别 研究中，张耀军和张睿勍（2024）基于跨国面板数据研究发现，工业机器人使用对就业率 具有显著的负向影响，主要是因为自动化挤出了制造业就业。刘金东等（2024）基于 OECD 国家面板数据的研究则发现，工业机器人的使用显著降低了青年失业率，其部分原因在 于人工智能导致临近退休年龄的群体提前退休，青年群体接替了他们的岗位。在地区或 行业层面的研究中，基于中国省级、地市级或制造业行业面板数据的部分研究发现，工 业机器人应用显著提高了制造业的就业规模和就业率（林欣、李春顶，2023；赵曼，2023）； 另有研究则发现，工业机器人应用对制造业就业规模具有显著的负向影响（韩民春等， 2020；王晓娟等，2022）；也有研究指出，人工智能与制造业就业规模之间存在 U 形关系 （朱嘉蔚、金晓贝，2023）。在企业层面，王永钦和董雯（2020）发现，机器人应用对企业的 劳动力需求存在显著的替代效应，该效应在市场集中度较高、外部融资依赖度较高的行 业和非国有企业更为显著。与之相对，李磊等（2021）发现，工业机器人的应用显著扩大 了工业企业的就业规模，但并非所有行业都从机器人应用中获益，传统劳动密集型企业 的就业受到抑制；尹志锋等（2023）同样发现，企业人工智能专利申请量的增加，能够通 过提升企业市场占有率来提升企业就业规模。

　　上述研究均聚焦于宏观就业指标，如就业规模或就业率，难以有效推断微观个体的 劳动参与如何受人工智能发展的影响。目前，关于人工智能对劳动者劳动参与影响的研究还非常有限。相应研究不仅需要考虑前述劳动需求因素，还需纳入劳动供给视角。具 体而言，当人工智能替代大量程式化、重复性、低创造性和低附加值的工作岗位后，从事 此类岗位工作的中低技能劳动者的工资收入会受到挤压，由此可能降低其就业意愿和 再就业努力。另外，以“机器换人”为标志的技术升级会导致工人的技能过时、劳动控制 感降低甚至沦为“机器看守”（许怡、叶欣，2020），这不仅会降低劳动者的价值感和创造 力，而且有可能损害其心理健康和身份认同，从而对个体的劳动参与意愿产生负面影 响。综上，本文提出研究假设 1：人工智能有可能降低劳动者的劳动参与概率。

　　（二）人工智能对就业者工作时长的影响

　　除了对劳动参与的影响外，人工智能对就业者工作状况的影响同样值得关注。既有 研究着重考察了人工智能对工作时长的影响，但研究结论并不一致。例如，周广肃等 （2021）基于城市层面的数据研究发现，工作岗位的智能化替代概率越高，城市就业人群 的工作时长越长；李小瑛和张宇平（2023）基于广东省企业抽样调查的截面数据同样发 现，企业对机器人的使用显著增加了员工的工作时长。与之相反，王林辉等（2022a）和王 林辉等（2022b）基于微观调查数据研究发现，工作岗位的人工智能可替代率和机器人应 用水平均倾向于缩减就业者的工作时长。

　　从理论上来看，人工智能同时从需求侧和供给侧影响就业者的工作时长。在需求 侧，人工智能通过机器换人的替代效应，可能导致在职员工需要承担已解雇员工的工作 任务，从而被动延长工作时长（李小瑛、张宇平，2023）；而企业考虑辞退员工需要支付离 职补偿，往往采取间接方式实现劳动替代，即通过减少劳动者的工作时间以减少加班费 用、降低用工成本（张桂金、张东，2019；王林辉等，2022b）。在供给侧，自动化设备和智能 机器人能够在人机协作情形下替代劳动者执行部分繁重、重复性的生产任务（胡晟明等， 2021），从而提升员工的工作效率、降低其工作强度（王林辉等，2022a）；企业为适应人工 智能相关的技能需求，也可能增加员工培训（张桂金、张东，2019），进而提高员工的工资 收入。根据经典的劳动与闲暇选择理论，当收入增加时，闲暇相对于工作的边际效用提 高，劳动者倾向于减少工作时间以享受更多闲暇（毛畅果、徐东烁，2024）。据此，本文提 出研究假设 2：人工智能有可能降低就业者的工作时长。

　　（三）人工智能对劳动者就业状况影响的异质性

　　在人工智能冲击下，不同地区、不同特征的劳动者所受影响可能存在重要差异。首 先，从年龄视角看，中老年劳动者因身体机能衰退和自身技术迭代能力较弱，其岗位被 人工智能替代的风险较高（王林辉等，2022a）。与之相比，青年劳动者成长于数字时代， 对新技术具有更强的适应和学习能力，因而更有可能胜任信息技术、创意产业领域等人 工智能时代新兴的就业岗位（李建奇、刘翠花，2024），也更有可能充分利用人工智能降 低工作强度。其次，从技能视角看，高技能劳动者的知识结构更接近前沿，对新技术的适应能力较强，因而被替代的风险较低，也更有可能利用人工智能提高工作效率、缩短工 作时长；相比之下，低技能劳动者的学习和适应能力较弱，更易被人工智能挤出劳动力 市场（王林辉等，2022b）。再次，从宏观环境来看，人工智能对个人劳动参与和工作时长 的影响可能因地区工资水平而异。在高工资地区，企业用工成本相对较高，因而更有动 力使用人工智能替代人力，通过缩减用工规模或减少加班时长以降低劳动力成本。据此， 本文提出研究假设 3：人工智能对劳动参与和工作时长的影响，可能因劳动者的年龄、 技能水平和所在地区的工资水平而呈现系统性差异。

　　三、研究设计

　　（一）数据来源

　　本文使用的微观数据来自北京大学中国社会科学调查中心开展的中国家庭追踪调 查（China Family Panel Studies，CFPS）项目。该调查以全国城乡家庭户为目标总体，采用 内隐分层、多阶段、与人口规模成比例的概率抽样设计。2010 年，CFPS 在全国 25 个省 份的 162 个区县实施基线调查，共调查 19 986 个家庭户，最终完成的有效调查样本包 括 14 960 户家庭的 33 600 名成人和 8 990 名少儿，调查样本具有全国代表性①。自 2010 年基线调查起，CFPS 每两年追访一次，收集了丰富的个人和家庭特征变量、个人就业信 息等，为本文提供了重要的微观数据基础。本文使用 CFPS2010～2020 年共 6 期调查中的 个人和家庭层次数据进行研究。

　　除微观数据外，本文还使用了地级及以上城市的人工智能专利数据和经济统计数 据。其中，人工智能专利数据来自智慧芽（Patsnap）数据库②；经济数据及对应的价格指数 来自 2010～2021 年《中国城市统计年鉴》和《中国统计年鉴》，部分缺失数据使用中国经 济金融研究数据库（CSMAR）、各省市统计年鉴和统计公报进行填补。

　　与研究目的相适应，本文的分析样本为法定工作年龄的受访者，即 16～55 岁女性 和 16～60 岁男性。样本的筛选程序如下：（1）根据 CFPS 问卷中“现在在上学吗”的回 答，剔除全日制学生样本；（2）根据“没有工作的原因”的回答，剔除退休 / 离休和因残障 / 疾病丧失劳动能力的样本；（3）剔除个人层次和城市层次关键变量取值异常或缺失较多 的样本。将筛选后的 CFPS 微观数据与城市层面数据进行匹配③，最终得到包含 32 503名受访者的 97 108 个有效观测记录。

　　（二）变量说明

　　本文的被解释变量包括是否参与劳动和就业者的工作时长两个指标。（1）是否参与 劳动，根据历次调查时受访者的就业状态进行测量。在 2010 年调查中，本文参考马双等 （2017）的做法，将填答“有工作”者和对问项“过去 1 个月，您是否积极努力地去找工作 了？”填答“是”的受访者定义为参与劳动，赋值为 1，否则赋值为 0；在后续调查时点 （2012～2020 年），将“当前工作状态”为“有工作”或“失业”的个体界定为参与劳动，赋 值为 1，否则赋值为 0。（2）工作时长，参考张勋等（2023）的研究，使用问卷中“过去 12 个 月，您这份工作一般每周工作多少个小时”的回答来衡量。由于 2010 和 2012 年问卷中 工作模块的题项与后续年份不同，为保持变量测量的一致性，本文关于工作时长的分析 仅使用 CFPS2014～2020 年数据。

　　本文的核心解释变量为城市人工智能发展水平，使用智能化和自动化技术专利来测 度。专利作为创新成果的表现形式，常用于衡量技术进步。本文参考 Acemoglu 等（2022） 的研究，对授权发明专利的中英文标题和摘要信息进行检索，若出现“自动”“机器人” “数字控制”“无人”等关键词及相应英文同根词，则将该专利界定为代表人工智能发展 的智能化和自动化技术专利①。对识别出的专利数在城市层面加总，再转化为城市每万 名从业人员的人工智能专利授权数量（件 / 万人），以表征城市的人工智能技术密度。为 消除异常值对估计结果的影响，本文对核心变量周工作时长和人工智能技术密度分别 在 1%和 99%分位水平上进行缩尾处理。

　　参考已有的研究发现（马双等，2017；王林辉等，2023；毛畅果、徐东烁，2024），本文 选取了一系列可能影响个人就业状况的社会经济特征、家庭结构和地区人口经济因素作 为控制变量。个人层次变量包括受访者的年龄及其二次项、性别、受教育年限、婚姻状 态、户口类型、居住地类型、自评健康、0～5 岁子女数量、6～15 岁子女数量、与父母同住 情况；城市层次控制变量包括城市经济发展水平（人均 GDP 的对数值）、人口规模（年末 人口的对数值）、产业结构（三产与二产增加值之比）与工资水平（在岗职工年平均工资 的对数值）。其中，人均 GDP 和在岗职工年平均工资分别以 2009 年为基期的 GDP 平减 指数和居民消费价格指数进行了平减处理。

　　表 1 报告了上述变量的操作化方式和初次观测时样本的分布特征。初次观测时，分 析样本的劳动参与率为 74.4%；就业者的周工作时长均值约 47 小时，明显高于法定工作时长（44 小时）①。受访者的年龄均值为 36.317 岁，平均受教育年限为 8.719 年，男性 占比（52.4%）略高于女性，在婚者占 76.8%。样本中，非农户口和居住在城镇的受访者占 比分别为 25.9%和 45.3%。超过六成的受访者自评健康良好（非常健康 / 很健康 / 比较 健康），超过 1/3 的受访者与父母或配偶父母同住，0～5 岁、6～15 岁子女数的样本均值 分别为 0.229 个和 0.328 个。受访者所在城市每万名从业人员的人工智能专利授权数均 值约为 0.65 件。

　　注：表中个人层面变量报告受访者在初次进入观测时的变量特征，追踪记录不重复统计；城市层面变 量报告在未匹配微观数据时的地区层面统计结果。# 仅针对 CFPS2014～2020 年调查中的就业样本进行统 计，初次观测的有效样本量较小（N=20919）。 作时长（44 小时）①。受访者的年龄均值为 36.317 岁，平均受教育年限为 8.719 年，男性 占比（52.4%）略高于女性，在婚者占 76.8%。样本中，非农户口和居住在城镇的受访者占 比分别为 25.9%和 45.3%。超过六成的受访者自评健康良好（非常健康 / 很健康 / 比较 健康），超过 1/3 的受访者与父母或配偶父母同住，0～5 岁、6～15 岁子女数的样本均值 分别为 0.229 个和 0.328 个。受访者所在城市每万名从业人员的人工智能专利授权数均 值约为 0.65 件。

　　（三）模型设定

　　本文设定如下计量模型考察人工智能对个人劳动参与和工作时长的影响：

　　其中，i、j、t 分别表示个人、所在地级城市、年份；被解释变量 Yijt 表示是否参与劳动和周工作时长。核心解释变量AIjt-1 为城市的人工智能技术密度，Xijt 和 Zjt-1 分别为个人 层次和城市层次的一系列控制变量。考虑宏观因素对个体的影响可能存在滞后，模型中 城市层次的变量（包括人工智能技术密度）均使用滞后一年（即 t-1 年）的观测值。μj为 城市固定效应，以控制城市层次不随时间变化的特征；σt 为年份固定效应，以控制与个 体特征无关的时间趋势；εijt 为误差项。为了控制城市内个体之间的相关性对估计结果 的影响，本文将标准误聚类到城市层面。本文重点关注系数 α1，即人工智能对个人劳动 参与和工作时长的影响。

　　四、实证分析结果

　　（一）基准回归结果

　　利用上述数据和模型方法，表 2 模型 1 和模型 2 分别展示了人工智 能影响个人劳动参与和工作时长的 基准回归结果。模型 1 的结果显示， 在考虑了模型中其他因素的影响后， 城市人工智能技术密度对当地劳动 年龄受访者的参与劳动概率具有显 著的负向作用，假设 1 得以验证。具 体来看，所在地级市每万名从业人员 对应的人工智能专利授权数每增加 1 件，受访者参与劳动的概率平均下 降 2.2 个百分点。这一发现与 Grigoli 等（2020）的研究结论一致，以人工智 能为代表的技术进步对个人的劳动 参与率产生了负向影响。模型 2 显 示，城市人工智能技术密度的提高显 著降低了就业者的周工作小时数，每 万名从业人员对应的人工智能专利 授权数每增加 1 件，就业者的周工作 时长平均下降 1.4 小时，约相当于样本均值（47.551）的 3%。模型 2 的结果支持了研究假设 2。

　　控制变量的系数显示，个人的劳动参与概率随年龄呈倒 U 形变化特征，拐点在 43 岁左右，即劳动参与率在 43 岁左右达到峰值，此后随年龄逐渐下降。与女性相比，男性 的劳动参与概率显著更高、工作时长更长。与低学历受访者相比，较高学历者的劳动参 与概率显著更高、工作时长却更短。这可能是因为低学历者更多从事重体力、低保障的 职业，其工作强度更大、工作时长更长，但劳动参与概率可能因年龄老化或健康变差而 受到客观限制。城镇受访者的劳动参与概率较低，但就业者的工作时长显著较长；农业 户口就业者的工作时长也显著较长，可能反映了农民工群体的高强度工作特征。已婚 受访者的劳动参与概率明显较低，但婚姻状况对就业者的工作时长并没有显著影响。 0～5 岁子女数和 6～15 岁子女数均对劳动参与概率具有显著的负向影响，且前者的负 向影响更大，这可能反映了照料子女特别是婴幼儿会明显抑制个人的劳动参与。6～15 岁子女数会显著增加就业者的工作时长，这可能源于养育子女的经济压力。此外，与父 母或配偶父母同住显著增加了受访者的劳动参与概率，可能的解释是老年父母通过分 担家务和提供照料支持促进了成年子女的劳动参与（沈可等，2012）。

　　（二）内生性处理

　　本文的计量模型设置能够较好地规避因反向因果导致的内生性风险；然而，受客观 现实复杂性的影响，模型可能存在遗漏变量，进而导致内生性问题。例如，城市的创新氛 围、劳动力市场的人才政策等因素既可能影响人工智能技术进步，也会影响当地劳动者 的劳动决策。为排除相应内生性风险，本文借鉴 Acemoglu 等（2020a）、魏下海等（2020） 的做法，采用 Bartik-IV 方法，利用机器人进口来源国分行业的机器人密度（机器人与人 工劳动力之比），以 2009 年①中国各城市分行业就业份额为权重，构建机器人进口来源 国对中国各城市的机器人覆盖度作为工具变量，具体构造方法如下：

　　其中，j 为中国的城市，k 为进口来源国，t 为年份，s 为行业，n 为行业数②；workerj，s，t=2009 表示 2009 年中国 j 城市 s 行业的就业人数，workerj，t=2009 表示 2009 年 j 城市的就业总人 数，robotkst 为 t 年 k 进口来源国 s 行业的工业机器人存量，workerk，s，t=2009 表示 2009 年 k 进 口来源国 s 行业的就业人数③。目前中国机器人进口来源国主要有美国、日本、德国、瑞典和韩国，因此分别使用这 5 个国家的工业机器人存量数据，构建相应的 Rob_expkjt 指标。 然后，取其均值作为 t 年中国 j 城市人工智能技术密度的工具变量。该工具变量的合理 性在于，一方面，在开放经济条件下，进口来源国工业机器人的存量情况会通过产品出 口和技术外溢影响中国人工智能的发展，满足相关性条件；另一方面，进口来源国工业 机器人应用状况通常不会直接影响中国劳动力市场，满足外生性条件。

　　利用上述工具变量，本文拟合的两阶段最小二乘回归模型结果如表 3 所示。模型 3 和模型 4 的第一阶段估计结果显示，工具变量与城市人工智能技术密度显著正相关， Kleibergen-Paap rk Wald F 统计量大于 Stock-Yogo 检验 10%显著性水平对应的临界值， 拒绝了弱工具变量的零假设；Kleibergen-Paap rk LM 统计量的 p 值远小于 0.01，拒绝了 识别不足的零假设。模型 3 和模型 4 的第二阶段回归结果表明，城市人工智能技术密度 显著降低了当地劳动者的劳动参与概率和工作时长，印证了基准回归结果的有效性。

　　注：Wald F 统计量的方括号内为 Stock-Yogo 检验 10%水平下的临界值，LM 统计量的方括号内为 p 值。 受限于篇幅，未汇报控制变量的估计系数，以下各表同。 和韩国，因此分别使用这 5 个国家的工业机器人存量数据，构建相应的 Rob_expkjt 指标。 然后，取其均值作为 t 年中国 j 城市人工智能技术密度的工具变量。该工具变量的合理 性在于，一方面，在开放经济条件下，进口来源国工业机器人的存量情况会通过产品出 口和技术外溢影响中国人工智能的发展，满足相关性条件；另一方面，进口来源国工业 机器人应用状况通常不会直接影响中国劳动力市场，满足外生性条件。

　　利用上述工具变量，本文拟合的两阶段最小二乘回归模型结果如表 3 所示。模型 3 和模型 4 的第一阶段估计结果显示，工具变量与城市人工智能技术密度显著正相关， Kleibergen-Paap rk Wald F 统计量大于 Stock-Yogo 检验 10%显著性水平对应的临界值， 拒绝了弱工具变量的零假设；Kleibergen-Paap rk LM 统计量的 p 值远小于 0.01，拒绝了 识别不足的零假设。模型 3 和模型 4 的第二阶段回归结果表明，城市人工智能技术密度 显著降低了当地劳动者的劳动参与概率和工作时长，印证了基准回归结果的有效性。

　　（三）稳健性检验

　　1. 变换样本

　　为进一步检验分析结果对样本选择的敏感性，本文通过以下方式替换样本重新进行 分析。首先，考虑到 2019 年正式实施的个人所得税改革及 2019 年底暴发的重大突发性 公共卫生事件会影响劳动力市场（蔡昉等，2021；毛畅果、徐东烁，2024），由此对估计结 果产生干扰，本文剔 除 2020 年样本进行 稳健性检验，结果见 表 4 模型 5 和模型 6。 其次，考虑到农业劳 动者的劳动参与和工作时长等特征与非农劳动者差异较大，本文剔除从事农业劳动的样本进行稳健性检验， 结果见模型 7 和模型 8。表 4 中各模型的估计结果一致显示，在替换样本后，城市人工智 能技术密度对个人的劳动参与和工作时长仍然具有显著的负向影响，本文基准回归结 果具有稳健性。

　　2. 更换核心解释变量的测度方法

　　为检验核心解释变量的测度方式对分析结果稳健性的影响，本文主要从以下几个方 面考虑替换城市人工智能技术密度的测量方式。首先，鉴于人工智能的外溢效应会扩散 至非生产领域，本文将核心解释变量替换为基于城市总人口计算的人均人工智能专利 授权数。其次，以往研究大多采用工业机器人作为人工智能的代理变量，本文也尝试将核 心解释变量更换为工业机器人存量渗透度进行稳健性检验，以便与同类研究发现进行交 叉验证。参考王林辉等（2022b）的做法，本文采用 Bartik-IV 方法构建中国城市层面工业 机器人存量渗透度指标①。表 5 各模型的结果表明，替换核心解释变量后，主要研究发现 与前文基准模型结论一致。

　　3. 更换估计方法

　　鉴于是否参与劳动为二分类变量，本文将基准回归的线性概率模型更改为 Probit 模 型，同时计算各变量的平均边际效应。表 6 模型 13 的结果表明，人工智能技术密度的边 际效应在 1%的水平上显著为负，验证了基准回归结果的稳健性。

　　由于未就业者的工作时长无法观测，本文在考察城市人工智能技术密度对就业者 工作时长的影响时，仅对就业样本进行回归可能会造成样本选择性偏差。为检验相应影 响，本文采用 Heckman 两阶段模型重新检验人工智能对工作时长的影响。第一步以是否 就业为被解释变量，采用 Probit 模型估计个人是否就业的概率选择模型，并计算逆米尔 斯比率②。第二步，将逆米尔斯比率加入周工作时长的模型中重新进行回归。表 6 中模型14 的估计结果表明，在考虑 样本选择性偏差的影响后，城 市人工智能技术密度的估计 系数依然显著为负，基准回归 结果具有稳健性。

　　（四）异质性分析

　　前述分析结果表明，城市 人工智能发展对当地劳动者 的劳动参与具有挤出效应，对就业者的工作时长也有显著的缩减效应。为探讨相应效应 在不同人群中的潜在异质性，以下将从劳动者的年龄、技能和地区工资水平的视角进行 异质性分析。

　　在年龄维度，本文将年龄在 45 岁及以上的受访者界定为中老年劳动者，其余为青年 劳动者，由此构建年龄虚拟变量（中老年劳动者赋值为 1，其余为 0）。表 7 模型 15 和模型 18 加入了年龄虚拟变量与城市人工智能技术密度的交互项，以检验人工智能技术密度 对不同年龄劳动者影响的异质性。结果显示，模型 15 中交互项系数在 1%的水平上显著为 负，表明相较于青年劳动者，人工智能技术密度对中老年劳动者的劳动参与有更强的负 面影响，这与 Acemoglu 等（2020a）和王林辉等（2022a）的研究发现一致。模型 18 中交互 项的系数显著为正，表明城市人工智能技术密度对青年就业者的工作时长缩减效应更强。

　　从技能视角看，现有研究通常以劳动者的受教育程度来代理衡量其技能水平（王林 辉等，2022b），本文也依据受访者的受教育程度构建虚拟变量，将初中及以下学历的劳 动力定义为低技能劳动力，赋值为 1；其余赋值为 0。模型 16 显示，技能水平虚拟变量与 人工智能技术密度的交互项系数在 5%的水平上显著为负，表明人工智能对低技能劳动者 的劳动参与具有更强的挤出效应。模型 19 中交互项的系数在 1%的水平上显著为正，即人工智能对高技能就业者的工时缩短效应明显更强。

　　综合以上两个维度的异质性分析结果可以推断，一方面，中老年和低技能劳动者由 于知识结构老化、技术迭代能力较弱，其就业机会被人工智能替代的风险更高；另一方 面，青年和高技能就业者更有可能充分利用人工智能发展带来的机会缩短个人工作时 长，这在客观上有助于增加个人的闲暇消费。

　　最后，本文构建地区工资水平的虚拟变量，将调查前一年城市人均工资水平高于全 国平均水平的地区赋值为 1，其余赋值为 0。模型 17 和模型 20 的结果显示，地区工资水 平（滞后一期）虚拟变量与人工智能技术密度的交互项系数均显著为负，表明地区工资 水平越高，人工智能对当地劳动者劳动参与的挤出效应越强，对就业者工作时长的缩减 效应也越强。这一结果与前文理论分析相呼应，在高工资地区，企业更倾向于以人工智 能替代高成本的人力，从而降低了劳动者的就业机会和工作时长。

　　五、进一步分析

　　（一）人工智能抑制劳动参与的效应分解

　　人工智能可能通过两种路径降低劳动者的劳动参与：一是使原本参与劳动的个体退 出劳动力市场（以下简称“退出效应”）；二是使原本不在劳动力市场的个体就业意愿低 迷，降低其进入劳动力市场的概率（简称“进入受阻效应”）。本文参考 Bellon 等（2021）和 杨紫等（2024）的方法，尝试对这两种效应进行区分。首先，根据基期（2010 年）的劳动参 与状态，将样本分为参与劳动者和不参与劳动者两组。其次，使用基期参与劳动的样本 检验第一条路径（即“退出效应”），构建“退出劳动力市场”虚拟变量以衡量受访者在追 踪调查时是否退出劳动力市场，是赋值为 1，否为 0。

　　使用基期不参与劳动的样本检验第 二条路径（“进入受阻效应”），构建“进入劳动力市场”虚拟变量以衡量受访者在追踪调 查时点是否进入劳动力市场，是赋值为 1，否为 0。 表 8 模型 21 和模型 22 分别在考虑控制变量的基础上检验上述两种效应。模型 21 显示，城市人工智能技术密度显著增加了当地劳动者退出劳动力市场的概率，这可能 反映了人工智能通过岗位替代产生的挤出效应。模型 22 显示，城市人工智能技术密度 还显著降低了原本不参与劳动的劳动年龄人口进入劳动力市场的概率。结合相应样本 的分布特征，在调查基期，样本中 36%的 受访者为45 岁及以上中老年劳动力，初 中及以下学历的低技能劳动力占83%。 由此推断，受人工智能的冲击，中老年和 低技能劳动者找工作的意愿和努力可能 下降。综上可见，人工智能对劳动参与的负面影响中上述两种效应同时存在。

　　（二）人工智能对过度劳动的影响

　　如表 1 所示，本文分析样本中就业者的周工作时长均值明显高于法定工作时长。 国家统计局的数据显示，2015 年起，全国企业就业人员的周平均工作时长逐年增加，到 2023 年已达到 49 小时①。可见，过度劳动现象已成为不可忽视的现实问题。这些问题对 劳动者的身心健康和劳动生产率具有客观不利影响，也可能破坏员工工作与生活平衡， 对生育率下降、经济和人口高质量发展产生负面影响。

　　本文基准模型显示，人工智能具有显著的工时缩减效应。然而，人工智能的工时缩 减效应是否有助于缓解过度劳动现象，是否降低了劳动者的过度劳动风险？为回答这一 问题，本文基于 CFPS2014～2020 年就业样本，参考祝仲坤（2020）的做法构建“过度劳 动”变量，将周工作时长大于 50 小时界定为过度劳动，赋值为 1，其余赋值为 0。按照这 一界定方式，样本中 43.1%的就业者属于过度劳动。此外，本文还使用受访者的周工作 时长减去 50，并在 0 值处作向下截尾处理（即对差值为负的统一赋值为 0），构建了“过 度劳动程度”变量。

　　利用这两个变量，本文将被解释变量 替换为过度劳动和过度劳动程度，分别拟 合线性概率模型和 Tobit 模型，以探讨人工 智能对过度劳动发生概率及其程度的影 响。模型 23 的估计结果表明，城市每万名 从业人员对应的人工智能专利授权数每增 加 1 件，就业者过度劳动的概率显著降低 3.3 个百分点。模型 24 的回归结果表明，城市 人工智能技术密度也显著降低了就业者的过度劳动程度。

　　六、结论与政策建议

　　近年来，人工智能的高速发展对劳动力市场产生了前所未有的深刻影响。本文结合 宏观层面的城市人工智能专利数据和微观层面的中国家庭追踪调查数据，系统考察了城 市人工智能发展对当地劳动者劳动参与和工作时长的影响及其异质性，并深入探讨了人 工智能对缓解过度劳动的具体作用。主要研究结论如下。首先，人工智能显著降低了当 地劳动年龄人口的劳动参与概率，缩短了就业者的平均工作时长，该结论在不同样本界 定、变量测量和模型设定方式下保持高度稳健。其次，人工智能对个人劳动参与的抑制效应作用方式至少包括“退出效应”与“进入受阻效应”。再次，人工智能对不同群体劳 动参与和工作时长的影响存在明显差异。具体而言，中老年和低技能劳动力的劳动参与 受到更为明显的挤出效应，青年和高技能就业者则受到更为明显的工作时长缩减效应。 在工资水平较高的地区，人工智能对劳动参与和工作时长的负向影响更强。最后，人工 智能有效降低了就业者的过度劳动风险及其程度。

　　本文的研究发现意味着，人工智能对就业具有双刃剑效应。一方面，相对于人工智能 的就业扩容效应，其就业替代效应在现阶段仍占据主导地位。人工智能通过生产自动化和 智能化替代了一系列程式化、低创造性的岗位，如收银员、装卸搬运工、印刷工、仓储人员、 机械热加工人员等，导致劳动者特别是中老年和低技能劳动者的劳动参与率明显降低。换 言之，人工智能与劳动力存在竞争关系。另一方面，人工智能与劳动者有协作关系。人工智 能发展有助于减轻劳动者的部分高强度、程式化、重复性工作任务，减轻了就业者特别是 青年和高技能就业者的工作强度，缓解了过度劳动现象。例如，机器人帮助生产线操作员 完成组装、焊接和包装任务，机器视觉技术帮助质检师自动监测产品缺陷，语音助手帮助 客服人员处理简单的客户需求。此外，人工智能还能通过职业改造升级和工资水平提升使 就业者在降低工作强度的同时增加闲暇消费。值得注意的是，本文考察的时段为 2010～ 2020 年，2022 年底以来 OpenAI 发布 ChatGPT 使得生成式人工智能进入大规模应用阶 段，在提高效率、降低成本和增强创造力方面又迈上新的台阶。由此，人工智能与劳动者 之间的竞争与协作关系可能会呈现新的特征，这还有待基于更新的数据开展进一步探究。

　　基于上述结论，本文提出如下政策建议。

　　第一，鉴于人工智能对低技能、中老年劳动者就业存在更强的负面冲击，尤其是通 用人工智能更广泛地引发了对传统岗位和人力需求的替代风险（马晔风等，2024），政府、 企业与社会组织应多元协作，加强对高失业风险人群的技能培训，帮助其尽快实现职业 转型。一方面，提供顺应新技术要求的职业培训，开设通用能力终身学习项目，帮助其提 升技能能级、拓展技能宽度；另一方面，提供就业咨询、职业指导与职位匹配服务，同时 扩大失业保险的覆盖面，保障劳动者在培训和寻找新工作期间的基本生活需求。

　　第二，面对“人机协同”的发展前景，尤其是生成式人工智能突破专业壁垒、实现多 学科融合的发展趋势，高等院校应动态调整学科专业和课程设置，如增设人工智能相关 专业，增补人工智能应用的伦理、法律问题等课程，使未来求职者的技能结构更精准地 匹配人工智能衍生的新岗位需求，充分发挥人工智能的就业扩容效应。与此同时，高校应 更注重学生通用技能的培养，如想象力、批判性思维、沟通和合作能力等，使学生在技术 更迭日新月异的时代赢得主动权。

　　第三，加强对劳动者就业保护，避免人工智能在减轻工作负荷的同时导致员工薪酬 下降（王林辉等，2022b）。一方面，加强劳动合同的规范性，要求雇主与劳动者签订书面合同时明确工作条件；另一方面强化劳动监察机构的职能，落实对企业违规行为的整治 和处罚。积极发挥人工智能的工时缩减效应，在改善员工福祉的同时，帮助劳动者更好 地平衡工作与生活，促进生育友好型社会的构建。