人工智能时代的教育选择与职业替代风险-基于CFPS2020数据的实证研究

/人工智能时代的教育选择与职业替代风险——基于CFPS2020数据的实证研究【摘要】新一轮科技革命背景下，人工智能对我国劳动力市场的冲击及其对人才培养的影响受到广泛关注。基于CFPS2020数据实证测算了我国劳动者的职业替代性水平，并利用AIPW随机处理效应模型检验了不同阶段教育类型选择对职业人工智能替代风险的因果效应及内在机制。发现，我国劳动者总体职业替代性水平为0.618，东部地区最高，西部地区最低；“80后”“90后”群体的职业替代风险呈现“两头大、中间小”的分布特征；中等职业教育选择具有降低职业替代风险的优势，而高等职业教育选择面临更高职业替代风险；我国劳动力市场存在阻碍职业教育毕业生进入人工智能替代低风险职业的就业歧视。基于此，应充分发挥职业教育普及高中教育及促进社会公平效率的双重社会功能；增强人才培养质量规格的时代适切性；建立以供求匹配程度为依据的技能型人才评聘机制。【关键词】人工智能；职业替代风险；教育选择；人才培养；职业教育；普通教育 一、引言 随着以人工智能为主导的现代科技深入发展，我国已进入由第四次工业革命引领经济社会发展的全新时代。新一轮科技革命和产业变革对全球秩序和发展格局带来了深远影响。麦肯锡全球研究院报告显示，到2030年全球将有4亿～8亿人口的工作被机器人替代[1]。中国在产业转型升级中也会迎来最大规模的就业结构变迁，到2030年，预计多达2.2亿劳动者可能因自动化技术的影响而变更职业[2]。目前，人工智能技术对各行各业的替代效应已初现端倪[3-4]，且逐渐呈现替代范围广泛、程度加深、时间缩短的特点[5]。 在科技创新加剧变革的时代背景下，扎实推动教育强国建设，培养经济社会发展所需的大批高素质人才，是目前摆在政策制定者及研究者面前的重大课题。党的二十届三中全会提出推进教育科技人才体制机制一体改革[6]，科学回答了人才培养与发挥作用之间协同推进的重大问题。人才培养涉及数量、结构和质量问题。长期以来我国存在着普通与职业两种类型的教育，无论是基于个体投资还是国家战略角度，两类教育之间的选择都是关乎我国人才培养质量与效率的重要议题。在社会主义现代化强国建设进程中，普通教育与职业教育以何种数量及结构协同发展最能适应人工智能时代的经济转型升级要求?在建设教育强国的进程中，职业教育能否适应技术进步新形势和技能型人才成长新需求?本研究将通过揭示个体在中等及高等教育阶段的教育类型选择(普通VS.职业)与就业后职业被人工智能替代的风险水平之间的关系及内在机制，为未来我国全面提升教育服务高质量发展能力、扎实推动教育强国建设提供政策建议。 二、理论与文献综述 (一)人工智能对职业产生的替代效应 人工智能对劳动力市场的影响，特别是对劳动力市场中各类职业所产生的替代效应是学者们持续关注的问题。不同国家研究者对人工智能的职业替代性水平进行了测算。尽管由于测算方法或数据库差异导致具体结果值不一致，但所有结果均表明人工智能技术的广泛应用将对劳动力市场中的职业产生替代效应。弗雷(Frey)和奥斯本(Osborne)测算出美国702种职业的人工智能替代性程度，发现美国社会47％的职业面临高替代风险[3]，其测算方法被称为“FO方法”。 这一开创性的研究引发学术界广泛讨论，不少学者通过匹配国别职业编码将“FO方法”应用到芬兰、挪威等其他国家[7-8]。我国研究者也在“FO方法”的基础上实证测算了我国职业的替代风险。孙文凯等根据2014年城镇各行业就业规模，结合FO测算结果，得出我国所有行业总体平均替代率为0.45，即45％的就业人口存在可替代风险[9]。刘涛雄等人运用LASSO回归和随机森林方法测算出了美国职业信息网络(OccupationalInformationNetwork，O*NET)数据库中435个职业(对应中国职业分类大典中千余个细分职业)的替代可能性，发现我国有大约33％的劳动力处于高风险等级，性别、年龄、受教育水平和工资都与被替代性存在显著相关关系[10]。龚遥和彭希哲利用O*NET数据库，通过随机森林分类器算法，预测出我国处于高替代风险的职业数占当前职业总数的59.5％，且受教育程度与职业替代风险呈现负向关系[11]。王林辉等利用中国劳动力动态调查数据，选取任务属性、职业特征、工作环境与经济环境等输入变量，应用机器学习模型测算出我国有19.05％的劳动者面临高替代风险，并且发现职业技能宽度越大则可替代风险越低，而年龄越大且受教育年限越短的劳动者可替代风险越高[12]。 (二)教育选择与职业的人工智能替代性 研究人工智能等技术变革对劳动力市场影响的文章通常关注两种变化[13]：一种是整个社会职业的结构化迁移(compositionalshift)，即具有某个特定技术水平的职业的产生或者淘汰，以及劳动者在这些职业结构中的从业变化；另一种是职业内部工作内容的变化(changesinworkcontent)。不同的社会力量将带来不同的变化模式。例如，宏观的经济发展以及劳动力市场供求改变更可能通过职业结构迁移带来技术变化；而科技革新与进步更容易通过改变工作内容带来技术变化。因此关于人工智能时代的教育类型选择为何会影响职业替代性，目前存在两种理论视角。 1.宏观职业结构视角：劳动力市场分割与学历歧视造成不同教育选择下的职业替代性结果不同 这一视角认为，以人工智能为特征的技术进步将导致劳动力市场中的职业结构变迁：某些容易被计算机及人工智能替代的职业将在数量上缩减甚至被淘汰，而某些基于新技术技能需求新兴的职业数量将激增。我国劳动力市场由差异显著的不同部分组成，存在着基于职业的分割，通常包括主要和次要劳动力市场，两类市场间相对封闭，流动性低。人工智能时代，不同职业除了在工作环境、薪酬待遇、晋升空间等传统维度上存在分割外，也存在着基于替代风险水平的分割。教育是决定个体进入何种劳动力市场的重要因素之一[14]。已有实证研究指出，在目前的体制与就业环境下，职业院校毕业生在劳动力市场中面临学历和身份的双重歧视[15]，导致其进入主要劳动力市场的机会更少，大部分只能进入次要劳动力市场就业[16]，承受着劳动力市场的“分割性损失”[17]。 2.微观工作任务视角：“技能倾向型”技术进步导致的职业内部工作任务技能需求变化造成不同教育选择下的职业替代性结果不同 这一视角认为，在生产过程领域发生的技术变革导致技术性工人相比于非技术性工人边际生产率水平的提高，因而大部分经济体的生产部门都呈现出对高技术型人才需求的增长趋势[18]。经济学家认为，这种现象是由技能倾向型技术进步(skill-biasedtechnologicalchange)带来的。人工智能之所以能够对职业产生不同程度的替代效应，与职业内部工作任务的技能需求转变密切相关。奥特尔(Autor)等学者以技能被计算机技术替代的程度为标准，通过询问被调查者在工作中实际做了些什么，建立了工作任务模型(TheTaskModel)，将工作任务成分细分为程序性认知技能、程序性操作技能、非程序性分析技能、非程序性操作技能及非程序性互动技能五类[19]。在此模型中，程序性(routine)被定义为一个任务可以由机器按照明确的编程规则来完成的程度。程序性的认知类工作或操作类工作，如文职、推销、生产和技术工种等容易被计算机替代。非程序性任务由于无法用一套可编程的规则来描述，且多发生在复杂的环境中，需要人对环境进行判断，因此难以被机器替代，如法学、医学、科学研究、管理类等领域的工作。 不同类型的学校教育培养的人才所具备的技术技能类型与特点各有侧重。一般意义上讲，普通教育侧重于培养通用的、一般型技术技能，如学科基础知识、批判性思维能力、沟通能力、团队协作能力、自我管理能力及创新能力；职业教育则偏重培养专业领域内的高级技术知识及专用的、特殊型技术技能。不同类型的学校教育在人才培养过程中所传授的技能类型差异可能导致其毕业生在进入劳动力市场就业后从事职业的人工智能替代性差异。 三、研究设计 (一)数据来源 本研究使用中国家庭追踪调查数据(CFPS)。它由北京大学中国社会科学中心发起，在2010年利用分层次、多阶段、按比例概率抽样方法获得覆盖25个省/市/自治区的全国代表性样本，并在此后每两年对基线样本进行追踪调查。本研究选取其在2020年的第六轮调查数据。CFPS数据库不仅涵盖个体的教育、工作、家庭背景等信息，还记录了被调查者基于国际标准分类编码(ISCO-88)的职业类别。然而CFPS数据库并未提供我国劳动者职业的人工智能替代性水平数据。因此本研究借鉴弗雷和奥斯本测算出的美国社会702种职业的人工智能替代性水平资料，并基于职业类别编码，利用“FO方法”计算获得的职业人工智能替代性数值与CFPS数据库进行合并①[11][20]。删除了在主要变量上存在缺失的样本后，用于描述我国职业替代性水平的CFPS全样本的样本量为10223人，用于评估个体教育选择与职业替代性之间关系的基线模型与因果推断模型样本量为6151人②。 (二)模型构建 1.基线模型 本研究首先构建线性回归模型分析个体教育选择对职业人工智能替代性的影响效应，具体模型如下： Yijt=β0+β1Eduijt+β2Xijt+β3Provincej+β4Timet+εijt (1) 方程(1)中下标i表示个体，j表示省份，t表示世代。Yijt为被解释变量，即j省的t世代个体i的职业人工智能替代性。Eduijt表示个体的教育选择；Xijt表示其他控制变量，包括性别、民族、户籍等。为避免由地区和时间层面不可观测因素导致的估计偏误，模型中还加入省份固定效应Provincej及出生世代固定效应Timet；εijt为随机干扰项。 2.内生处理效应模型：增强逆概率加权模型 个体在不同教育阶段做出的有关教育数量及类型的选择具有一定内生性，因而普通线性回归模型可能导致估计偏误。本研究构建增强逆概率加权模型(AugmentedInverse-ProbabilityWeights，AIPW)实现对教育选择与职业人工智能替代性关系的因果推断，并作为对基线模型的稳健性检验。增强逆概率加权模型(AIPW)在逆概率加权模型(Inverse-ProbabilityWeights，IPW)③的基础上加入了偏差校正项，确保只要处理模型和结果模型中有一个方程识别正确，整体估计的准确性就能得到保障。因此AIPW模型是一种“双重稳健”模型，具体操作步骤如下。 (1)预估处理模型。基于影响个体教育选择的一系列可观测变量，构建logit模型，并预测个体进入处理组的概率，即倾向得分值Pijt： Pijt=β0+β1Zijt+εijt (2) 方程(2)中Pijt为个体做出某种教育选择的概率。β0为常数项，Zijt为影响个体教育选择的一系列可观测协变量，εijt为随机干扰项。方程(2)的拟合值(倾向值得分)设定为。 (2)估计结果模型。分别利用处理组和控制组的样本，获得结果变量的拟合值： Ê(Yijt｜Pijt=1，Zijt) (3) Ê(Yijt｜Pijt=0，Zijt) (4) 利用结果变量的拟合值，获得AIPW估计量： 在方程(5)中，第一行是利用倾向得分构建的逆概率加权估计量(IPW)，为了克服可能的模型设定错误产生的估计偏误，在第二行加入两个回归估计量的加权平均值对IPW模型进行调整，从而获得AIPW估计量。(三)变量设定 1.被解释变量(结果变量)：职业的人工智能替代性 本研究的被解释变量，即职业的人工智能替代性指标来自国际范围内广泛使用的基于“FO方法”计算的职业替代性指数④。“FO方法”基于美国劳工部2010年职业分类标准(SOC)构建出包括70种职业的训练集，将人工智能完全可替代的职业标记为1，人工智能完全不可替代的职业标记为0，并基于O*NET数据库中提供的创造力、感知操作等九种影响人类劳动能够被人工智能替代程度的职业技能特征变量，利用高斯分类器法预测出不同职业大类及细分小类的人工智能替代风险。本研究以2008年国际标准职业分类代码(ISCO-08)为桥梁，为CFPS数据库中的职业类别匹配上相应的人工智能替代性指数。 2.解释变量(处理变量)：个体教育选择 本研究的解释变量为教育选择，基于个体最高学历变量构建。首先，中等教育阶段选择，即个体在初中毕业时面临的三类选择：(1)毕业后直接工作(保持初中学历)；(2)升入普通高中；(3)升入中等职业学校(包括职业高中、中等专业学校、技工学校)。本研究将中等教育阶段的教育选择变量编码如下：0表示选择中等职业学校，1表示直接工作(保持初中学历)，2表示选择普通高中。其次，高等教育阶段选择，即个体在高中毕业时面临的三类选择：(1)直接工作(保持高中学历)；(2)升入普通本科院校；(3)升入高等职业院校。本研究将高等教育阶段的教育选择变量编码如下：0表示选择高等职业院校；1表示直接工作(保持高中学历)；2表示选择普通本科院校。 3.控制变量与协变量 (1)基线模型/结果模型的控制变量：性别、民族、户口、出生世代、工作省份以及个体职业大类的二级职业小类虚拟变量(共30类)。 (2)处理模型的协变量：家庭背景是个体教育选择的重要影响因素[21]，因此教育选择模型中加入了教育选择时期的家庭背景变量，包括12岁时户口状况、14岁时父亲受教育年限、14岁时父亲职业类型及14岁时居住省份。 四、实证研究结果 (一)职业的人工智能替代性水平 参考弗雷和奥斯本对职业人工智能替代性水平的划分标准，本文以0.7和0.3为替代率分界点，将九种职业分为替代性风险高、中、低三类⑤[3]。由表1描述统计结果可知，管理人员(0.152)和专业技术人员(0.287)属于低替代风险职业；技术和辅助专业人员(0.594)、服务与销售人员(0.631)、农业、林业和渔业技工(0.599)属于中替代风险职业；办事人员(0.931)、工艺与相关行业工(0.775)、工厂/机械操作与装配工(0.767)、初级职业(0.861)属于高替代风险职业。基于劳动者在各类职业中的就业占比数据计算得出我国劳动者的总体职业替代性水平为0.618。 下页表2比较了各出生世代和各地区劳动者职业的人工智能替代水平。相应比较结果显示：“60后”的职业替代性水平最低(0.612)，而“70后”(0.625)、“80后”(0.620)、“90后”(0.619)三个世代的职业替代性与年龄呈正相关关系；东部地区劳动者的职业替代性水平最高(0.630)，西部地区最低(0.606)。 下页图1呈现了基于就业人数占比计算的三类不同替代风险职业在不同出生世代劳动者中的分布情况。结果显示，“60后”和“70后”两个群体中，中替代风险职业占比最高；“80后”和“90后”两个群体中，高替代风险职业占比最高。低替代风险职业在所有四个世代中均占比最低。从世代对比的角度看，“80后”“90后”两个群体的低风险及高风险职业占比均高于“60后”“70后”。由此可见，“80后”“90后”两代人的职业替代风险呈现“两头大、中间小”的分布特征。 图1不同替代风险职业从业者比例的出生世代分布图 下页图2呈现了基于就业人数占比计算的三类不同替代风险职业在不同地区劳动者中的分布情况。结果显示，从三个地区的内部来看，中部和西部地区均呈现中替代风险职业占比最高，低替代风险职业占比最低的特征；东部地区则呈现高替代风险职业占比最高的特征。从三个地区的横向对比来看，东部地区的低替代风险和高替代风险职业比例均高于中部和西部地区；西部地区的中替代风险职业比例高于东部和中部地区。换句话说，低替代风险和高替代风险职业均主要集中在东部地区，而中替代风险职业则主要集中在西部地区。 图2不同替代风险职业从业者比例的地区分布图 (二)教育选择对职业人工智能替代性的影响效果 1.基线模型结果 下页表3中模型1和模型2分别呈现中等和高等教育选择对职业人工智能替代性影响的线性回归结果。模型1结果显示，在中等教育阶段，初中毕业后选择直接就业(保持初中学历)及选择升入普通高中的群体，其就业后的职业人工智能替代风险比选择升入中等职业学校的群体分别高出0.053个和0.030个单位。即在中等教育阶段做出职业教育选择有利于降低就业后的职业人工智能替代风险。模型2结果显示，在高等教育阶段，高中毕业后选择直接就业(保持高中学历)群体的职业替代性比选择高等职业教育的群体高0.103个单位；选择普通本科的职业替代性比选择高等职业院校的群体低0.116个单位。即在高等教育阶段做出职业教育选择的群体，其就业后的职业人工智能替代风险尽管低于高中毕业生，但仍高于普通本科教育群体。 2.AIPW模型的因果推断结果 本研究在基线模型的基础上采用增强逆概率加权模型(AIPW)进行因果效应估计。由下页表4可知，中等教育选择效应模型结果显示，初中毕业后选择直接就业、升入普通高中及升入中等职业学校的群体的人工智能职业替代风险(即潜在结果均值POM)分别为0.660、0.649和0.593。直接就业选择(保持初中学历)的平均处理效应值为0.068，表明相比于选择中等职业学校，初中毕业后直接就业的职业替代风险显著更高。普通高中选择的平均处理效应值为0.056，表明相比于选择中等职业学校，初中毕业后选择普通高中的职业替代风险显著更高。由此可见，在中等教育阶段，进行职业教育选择的群体在进入劳动力市场后的职业替代风险显著低于初中毕业后直接就业及初中毕业后选择普通教育的群体。 高等教育选择效应模型结果显示，高中毕业后选择直接就业、升入普通本科及升入高等职业院校的群体的人工智能职业替代风险(即潜在结果均值POM)分别为0.649、0.419和0.545。直接就业选择(保持高中学历)的平均处理效应值为0.104，表明相比于选择高等职业院校，高中毕业后直接就业的职业替代风险显著更高。普通本科选择的平均处理效应值为-0.125，表明相比于选择高等职业院校，高中毕业后选择普通本科院校的职业替代风险显著更低。由此可见，在高等教育阶段，选择普通教育的群体在进入劳动力市场后的职业替代性风险显著低于选择职业教育的群体。在解决了教育选择变量内生性问题后，AIPW模型结果与前文基线模型结果一致。 (三)教育选择对职业人工智能替代性影响的内在机制 为了解释为何个体教育类型选择影响就业后的职业人工智能替代性水平，本文基于前文文献综述部分的两个理论视角，提出两个研究假设并进行验证。 1.假设一：基于职业替代性风险的劳动力市场分割与学历歧视解释了教育选择与职业人工智能替代性的关系 为了验证这一假设，本研究将检验具有不同教育选择(普通教育VS.职业教育)的劳动者在不同替代风险职业类型上的就业分布情况是否存在差异。如存在显著差异，即证明个体的教育选择影响了其进入不同替代风险的职业类型，进而影响了其职业被人工智能替代的程度。 (1)中等教育阶段的检验结果。表5呈现了普通高中和中等职业学校毕业生在9种职业上的就业分布情况。结果显示，普通高中和中等职业学校毕业生在9种职业上的分布存在显著差异(非参数检验卡方值为69.346，且在1‰水平上显著)。进一步通过字母标记法进行多重比较可知，普通高中和中等职业学校毕业生在管理人员、技术和辅助专业人员、服务与销售人员、工艺与相关行业工、初级职业5种职业上的就业分布不存在显著差异，在其余4种职业上的分布均存在显著差异。具体来说，普通高中毕业生的就业优势仅仅体现在农业、林业和渔业这一类职业中，在其他3类职业中，中等职业学校毕业生的就业占比均显著高于普通高中毕业生。值得注意的是，中等职业学校毕业生在两类高替代风险职业中的就业占比均显著高于普通高中毕业生。 综上可知，中等职业学校毕业生进入高替代风险职业的比例高于普通高中毕业生，表明在中等教育阶段选择职业教育的毕业生在劳动力市场就业时受到了学历类型歧视。研究假设一成立。 (2)高等教育阶段的检验结果。表6呈现了普通本科毕业生和高等职业院校毕业生在9种职业上的就业分布情况。结果显示，普通本科毕业生和高等职业院校毕业生在9种职业上的就业分布存在显著差异(非参数检验卡方值为100.315，且在1‰水平上显著)。进一步通过字母标记法进行多重比较可知，普通本科毕业生和高等职业院校毕业生除了在管理人员职业上分布差异不显著外，在其余8种职业上的就业分布均存在显著差异。具体来说，普通本科院校毕业生相对于高等职业院校毕业生更多地进入了专业技术人员、技术和辅助专业人员这两类中、低替代风险职业；高等职业院校毕业生则更多地在服务与销售、农业、林业和渔业、办事人员、工艺与相关行业工、工厂/机械操作与装配工、初级行业等中、高替代风险职业就业。高等职业院校毕业生在所有高替代风险职业的就业占比均显著高于普通本科院校毕业生。 综上可知，普通本科毕业生和高等职业院校毕业生在劳动力市场不同职业中的就业分布存在显著差异，基于职业替代风险高低的劳动力市场分割和学历类型歧视阻碍了在高等教育阶段选择职业教育的毕业生进入高专业技能职业，从而导致高等职业教育毕业生就业后有更高的职业替代风险。研究假设一成立。 2.假设二：劳动者自身技能是否适应人工智能时代工作任务的技能需求解释了教育选择与职业人工智能替代性的关系 为了验证这一假设，本研究在模型中加入劳动者所在9个职业大类下的30个二级职业小类虚拟变量，以控制基于职业替代性风险的劳动力市场分割效应，检验进入同一个职业小类的劳动者的工作任务技能对职业替代风险的影响。如加入职业小类虚拟变量后，做出不同教育选择的劳动者的职业替代水平仍存在显著差异，则证明劳动者自身所具有的技术技能满足人工智能时代工作任务技能需求的程度不同，进而影响其人工智能替代风险。表7呈现了在中等/高等教育选择效应模型中加入职业小类控制变量后的估计结果。 (1)中等教育阶段的检验结果。结果显示，直接就业选择(保持初中学历)的平均处理效应值为0.011，但结果不再显著。前文表4结果显示，初中毕业后直接就业者的职业替代风险显著高于选择中等职业学校的群体，而表7结果显示职业类别控制变量的加入使得差异变得不再显著。这一结果表明，劳动力市场对初中学历劳动者的学历水平歧视是其职业替代风险显著高于中等职业教育毕业生的主要原因。 普通高中选择的平均处理效应值为0.019，且在5％水平上显著。前文表4结果显示，初中毕业后选择升入普通高中者的职业替代风险显著高于选择中等职业学校的群体。表7结果显示，职业类别控制变量的加入并没有改变这一结果，表明即使在劳动力市场存在对职业教育就业歧视的情况下，中等职业学校毕业生就业后的职业替代风险仍显著低于普通高中毕业生。即中等教育阶段的职业教育选择优势并未因劳动力市场的学历类型歧视而消失，表明中等职业教育毕业生的工作任务技能更不容易被人工智能所替代。研究假设二成立。 (2)高等教育阶段的检验结果。结果显示，直接就业选择(保持高中学历)的平均处理效应值为0.015，且在1％水平上显著。表明高中毕业后直接就业者的职业替代性显著高于选择升入高等职业院校的群体，与前文表4结果一致。即职业类别控制变量的加入并没有改变这种结果，表明在同一职业内，相比于高中毕业直接就业的劳动者，高等职业院校毕业生所在岗位的任务技能更不容易被人工智能所替代。 普通本科选择的平均处理效应值为-0.024，且在1％水平上显著。表明高中毕业后选择升入普通本科院校者就业后的职业替代性比选择高等职业院校的群体更低，与前文表4结果一致。职业类别控制变量的加入并没有改变这一结果，表明在同一职业内，相比于普通本科毕业生，高等职业院校毕业生所在工作岗位的任务技能更容易被人工智能所替代。研究假设二成立。 这一研究发现可能与目前我国高等职业教育在技术技能型人才培养方面存在的局限性有关。职业教育的定位是培养符合经济社会发展需求的高素质技术技能型人才。但在实际培养过程中，职业院校出现了不同程度的普通化、升学化倾向[22]，在一定程度上与技术技能型人才的培养目标不符。此外，人工智能时代的劳动力市场对高职院校毕业生的技能需求表现出专业能力、方法能力及社会能力三者并重的趋势，而我国高职院校对人工智能带来的就业结构调整、就业方式转变、技能需求更新的反应还不够敏锐，尚未厘清满足人工智能产业需求的高职毕业生技能有哪些[23]。因此高职院校的专业设置、人才培养模式、职业通用能力培养未能较好应对职业替代挑战[5]。 五、研究结论与政策启示 (一)研究结论 本研究使用CFPS2020数据，实证测算了人工智能时代我国劳动者的职业替代性程度，并利用AIPW随机处理效应模型检验了不同阶段的教育类型选择对职业人工智能替代风险的因果效应及其内在机制。研究发现：(1)我国居民的总体职业替代性水平为0.618；东部地区最高，西部地区最低；“80后”“90后”群体的低替代及高替代风险职业占比均高于“60后”“70后”群体，呈现“两头大、中间小”的分布特征⑥。(2)教育类型选择(即人力资本投资类型)对个体就业后的职业替代风险具有显著影响。在中等教育阶段做出职业教育选择有利于降低就业后的人工智能替代风险；而高等教育阶段，普通教育选择仍是确保个体就业稳定性(降低人工智能替代风险)的最佳选择。但无论在何种教育阶段，较高学历层次劳动者的职业替代风险均低于较低学历层次劳动者，表明人力资本的数量积累有助于降低劳动力市场上的职业替代风险。(3)我国劳动力市场对中等和高等职业教育毕业生均存在就业歧视，阻碍他们进入人工智能替代风险更低的职业领域。有趣的是，这种劳动力市场分割及歧视并未改变中等职业学校毕业生相对更低的职业替代风险，表明中等职业学校毕业生所在工作岗位的任务技能更加符合人工智能时代需求。而在排除了劳动力市场分割及歧视因素的影响后，高等职业院校毕业生的职业替代风险仍显著高于普通本科院校毕业生，表明高等职业教育毕业生同时面临“外患”与“内忧”，不仅受到劳动力市场歧视，且自身工作任务技能无法完全满足人工智能时代需求。 (二)政策启示 1.充分发挥中等职业教育普及高中教育、促进社会公平及效率的双重社会功能 学校教育作为一种重要的人力资本投资形式，其水平和类型对于个体职业及社会地位获得具有重要影响。本研究揭示出人力资本投资数量及类型均对职业的人工智能替代风险具有显著影响。一方面，学历水平越高，个体从事的职业被人工智能所替代的风险越低，这一结论与前人研究一致[11][26]。提升全社会人力资本存量，确保每个个体具有基本的语言沟通及数学思维等能力，这不仅仅是劳动力市场职业技能需求提升的要求，更是因为没有高中学历的劳动者将更容易被市场淘汰。因此通过扩大中等职业教育规模，普及高中阶段教育，提升目前人口教育分布至少1/3甚至一半群体的人力资本水平将产生“兜底”作用，对促进社会公平产生积极影响。另一方面，作为目前我国劳动力市场主力的“80后”及“90后”群体，低替代风险及高替代风险职业的占比均较高。这是因为人工智能时代的到来将原本复杂繁琐的工作及任务进行拆解，部分工作任务的难度水平不增反降[13]，并且中等职业学校毕业生的工作任务技能更能满足人工智能时代的岗位技能需求。因此公众对于中等职业教育发展的关注应从单纯为高职院校输送合格生源的升学价值转向中等职业学校独有的为经济社会发展输送合格技能型劳动者的价值上来，充分发挥中等职业教育服务经济社会发展的社会功能。 2.构建“宽底多维”、职普融通的职业院校课程内容体系，增强人才培养质量规格的时代适切性 本研究发现高等职业教育相比于普通本科教育，在抵御职业的人工智能替代风险方面处于劣势。这表明高职院校毕业生目前的技能储备不足以应对人工智能时代的技能挑战。目前我国劳动力市场中的学历及能力与职业技能需求不相匹配的现象十分普遍。花更多的时间和资源用于研究和提升劳动者与工作之间的匹配将比整体上提高劳动者受教育水平和培训时长更为高效。这是因为劳动者与工作之间的匹配程度及质量很大程度上限制了学历和职业培训能够发挥的工具价值。 在人工智能技术飞速发展背景下，高等职业院校亟须提升人才培养内容的时代适切性，从而降低毕业生的职业替代风险。一方面，劳动力市场对于劳动者的技能需求处于不断调整变化之中。在这种不确定性下，太过依赖单一技术类型的职业教育或培训项目就如同将鸡蛋放在一个篮子里，是不明智的做