2026-03-16 21:29:03 
系列介绍：
经济统计著作系列推文将深入浅出的解读国际上具有影响力的经济统计著作。除出版社出版的经济统计著作以外，也包括国际组织（OECD、UN、World Bank、IMF、EU等）出版的部分经济统计方法论手册和专题论文集，经济统计学主题的博士论文，经济研究机构的部分Working Paper（工作论文）。
著作信息：
Georgieff, A. 2024. Artificial Intelligence and Wage Inequality. OECD Artificial Intelligence Papers, No.13, OECD Publishing, Paris.
《Artificial Intelligence and Wage Inequality》英文文献首页
过去十年，人工智能技术在图像识别、自然语言处理等领域实现突破性发展，2022年生成式人工智能正式推出后，其对劳动力市场的影响迅速成为经济学界与政策制定层关注的核心焦点。人工智能对工资及工资不平等的作用机制存在理论模糊性。一方面，它可能通过自动化替代效应压低部分劳动者的工资：人工智能能够替代重复性、规律性较强的工作任务，降低对这部分劳动力的需求，进而抑制其工资水平。另一方面，人工智能也可能通过生产率效应推动工资上涨：随着生产效率的提升，市场对劳动力的整体需求可能扩大，从而带动整体工资水平的上升。此前有关自动化技术工资效应的实证研究主要集中于工业机器人领域，多数结论表明替代效应占据主导地位，进而加剧了职业间的工资不平等。相比之下，专门针对人工智能工资影响的研究仍处于起步阶段，现有证据呈现出结论尚不一致、缺乏跨国系统分析的特征，同时也尚未对职业间与职业内部工资不平等的差异进行深入考察。
在此背景下，OECD于2024年发布《人工智能与工资不平等》研究报告，以19个OECD国家为研究样本，系统探究人工智能与工资不平等的关联，填补了人工智能工资效应跨国研究的空白。该研究采用Edward W. Felten等开发的职业人工智能暴露度测度方法，结合2014-2018年工资与就业数据，从职业间和职业内部两个维度分析人工智能对工资不平等的影响，尝试探讨其潜在作用机制，为后续相关研究与政策制定奠定坚实基础。
研究选取比利时、捷克、德国、美国等19个OECD国家作为研究对象，涵盖36个职业类别，研究时间跨度为2014-2018年。该阶段人工智能技术处于初步应用阶段，行业采纳率较低，能够有效捕捉其发展初期对工资不平等的影响特征。同时，研究剔除了与人工智能开发直接相关的信息技术专业人员、技师两类职业，以此避免研究结果出现偏误。
本研究指标设定具体如下：
被解释变量为工资泰尔指数，作为衡量工资不平等的核心指标，并将其分解为职业间不平等与职业内不平等两个维度。同时，采用P90/P10等分位数比作为职业内不平等的替代测度，并同步考察性别、年龄等维度的工资差距。
核心解释变量为人工智能暴露度指数。该指标基于PIAAC数据，采用Antoine Georgieff和Chang-Tai Hsieh在Felten等人（需补充年份）基础上拓展的跨国测度方法测算得出。结果显示，2010年代初，白领职业的人工智能暴露度显著高于体力劳动职业。
为排除其他因素干扰，研究进一步引入控制变量，包括软件和工业机器人等其他技术进步的暴露度、职业离岸可交易性、国际贸易暴露度等指标，以排除各类混杂因素对研究结果的干扰。
本研究的核心数据来源明确且具有针对性。工资与就业相关数据来源于欧盟收入结构调查和美国当前人口调查，为工资不平等的测度与就业相关分析提供核心支撑。控制变量数据取自O*NET数据库、欧盟劳动力调查等权威渠道，为有效排除各类混杂因素对研究结果的干扰提供保障。
为保障数据可靠性，研究剔除了自雇劳动者样本，同时对小时工资进行下界修正，有效规避不合理数据对分析结果的干扰。实证分析层面，研究采用职业-国家层面的回归分析方法，分别构建对应模型，系统探究人工智能与职业间、职业内部工资不平等的关联。而且为确保研究结论的可靠性，研究还通过替换测度方法、调整时间跨度等方式，开展了一系列稳健性检验，充分验证了结论的稳健性。
研究通过描述性统计发现，人工智能暴露度存在显著职业异质性，白领职业暴露度远高于体力劳动职业，人工智能技术的发展主要集中于非常规认知任务相关的能力领域，多数样本国家中，职业内部工资不平等对整体不平等的贡献度高于职业间，2014-2018年各国工资不平等趋势差异显著，中东欧国家大幅下降，挪威、希腊则显著上升。2014-2018年所有职业实际工资均实现增长，低技能职业工资增长率更高，高、低工资职业间差距有所收窄，且多数职业内部工资不平等呈下降趋势，高技能白领职业降幅更为显著。人口统计特征方面，性别、年龄工资差距主要由职业内部差异驱动，2018年样本国家平均14%的性别工资差距几乎全部来自职业内部，而教育水平工资差距在职业间、内部差异贡献度相近。
实证结果显示，2014-2018年人工智能暴露度与职业间工资不平等无显著关联，其与职业平均工资增长率的回归系数不显著，与低、中等工资职业虚拟变量的交互项系数亦不显著，且按计算机使用强度、社会任务密集度等分组后，二者关联仍无统计显著性，说明人工智能发展初期尚未对职业间工资分配产生可检测的显著影响。
图注：该图展示人工智能暴露度与职业间工资不平等的关联及相关检验结果，清晰呈现二者无显著统计关联，佐证人工智能发展初期尚未对职业间工资分配产生可检测的显著影响这一结论。
更高的职业人工智能暴露度与更低的职业内部工资不平等增长显著相关，该结论在核心测度下通过5%的显著性检验，纳入控制变量后仅边际失去5%显著性，且负向关联覆盖工资分布整体。量化分析显示，人工智能暴露度每提高一个标准差，职业内部P90/P10分位数比的增长率将降低1.5个百分点，而样本中该指标平均增长率为-2.4%，可见其对职业内部工资不平等下降具有实质性贡献。职业层面上，人工智能暴露度最低的体力类职业内部工资不平等增长更高，暴露度最高的白领类职业降幅更大，且各类稳健性检验均验证了结论可靠性，只有使用学者 Webb 在2020年发表的论文《The Impact of Artificial Intelligence on the Labor Market》中提出的另一种人工智能暴露度测算方法时，得出的结果不再具有统计显著性，即无法明确证明两者的关联。
图注：该图展示2014-2018年间，不同职业的人工智能暴露度与职业内部P90/P10工资不平等对数变化的关联，清晰呈现二者显著负向关系，直观佐证人工智能暴露度越高的职业，其内部工资不平等下降幅度越大，印证了人工智能对职业内部工资不平等下降的实质性贡献。
此外，职业内部人工智能暴露度与性别、年龄工资差距的变化无显著关联，仅与壮年劳动者（30-49岁）内部工资不平等的负相关关系具有提示性意义，该结论纳入控制变量后即失去显著性。研究未分析教育水平维度工资差距，因职业教育水平与人工智能暴露度存在强相关性，易产生选择偏误导致结果难以解释。
针对人工智能与职业内部工资不平等的负向关联，研究提出了生产率收敛效应与选择效应两种潜在解释路径，但尚未通过实证分析检验这两种路径的相对重要性。与此同时，受研究时期、测度方法等客观条件的限制，本研究的部分结论仍需后续研究进一步验证完善。尽管存在上述局限，该研究的学术贡献依然较为突出。该研究立足跨国视角，从职业间与职业内部两个维度，系统探究了人工智能对工资不平等的影响，不仅填补了相关领域的研究空白，证实了人工智能对工资不平等影响的维度异质性，还完善了跨国人工智能暴露度的测度方法，为当前相关研究提供了基准证据与方法参考，也为后续研究开展及政策制定筑牢了实证基础。基于本研究的成果与局限，后续研究可结合生成式人工智能的发展态势更新研究数据，重点实证检验相关作用机制，进一步拓展群体分析维度，不断完善测度方法并开展政策效应研究，从而持续深化人工智能与工资不平等相关领域的研究。
Alexandre Georgieff
亚历山大・乔吉耶夫是深耕国际经济学、公共政策与人工智能劳动经济领域的资深学者，经合组织（OECD）核心研究者，也是全球AI与劳动力市场研究领域的代表性经济学家。
他毕业于巴黎政治经济学院、伦敦政治经济学院等欧洲顶尖院校，拥有经济学博士学位及经济学、金融工程师等多项专业文凭，兼具扎实的定量分析、经济建模能力与国际视野。其职业经历融合学术研究、教学与政策实践，曾任职GRET研究官员、巴黎第一大学助教，兼具发展政策研究与教学经验，后加入OECD深度参与AI-WIPS等核心国际研究计划，主导多国跨国实证研究。
乔吉耶夫的研究聚焦AI对劳动力市场、工资分配的影响，产出《Artificial Intelligence and Wage Inequality》等具有国际影响力的成果，研究成果为OECD成员国制定技术变革下的劳动经济政策提供重要实证参考，在国际经济学与公共政策交叉领域形成了显著的专业影响力。
经济合作与发展组织（OECD，经合组织）是总部设于法国巴黎的知名政府间国际经济组织，前身为1948年助力二战后欧洲重建的欧洲经济合作组织，1961年正式成立，现拥有3个成员国及众多全球伙伴国家，秉持 “更好的政策，更好的生活” 宗旨，核心通过跨国数据研究、权威政策分析、国际标准制定与多边协作，聚焦宏观经济、就业、数字经济、人工智能、绿色发展等关键领域，为成员国及全球提供实证导向的政策参考，推动实现繁荣、可持续与包容性发展，其研究成果与政策框架对全球经济治理和各国政策制定具有重要的标杆与引领作用。
https://assets.clay.earth/api/images/avatars/optimized/MTE4NTcxMDQtNzIyODUwNTk1