*網易財經智庫原創文章轉載需經授權。本文不構成投資決策。
出品|網易財經智庫 北大國發院
編輯|嶽佳彤 主編|楊澤宇
【中國經濟新動能】是網易財經智庫與北京大學國家發展研究院聯合出品的高端財經訪談節目，抖音作為特別支持平台。針對財經焦點及社會熱點，我們與北大國發院的知名專家學者進行深入探討，在不確定中尋找確定，探尋在當前形勢與不同研究視角下國家、企業和個人如何尋找發展的新動能。
NO.05 專訪北大國發院經濟學教授張丹丹：技術與人口對人力資本的沖擊
【完整版視訊】
【本期介紹】
2023年，以ChatGPT為代表的AIGC技術在全世界範圍內引起廣泛關註。長期來看，AIGC技術套用對勞動市場的影響存在多樣化的風險與挑戰，此外，在人口產生較大變化的當下，中國勞動力市場的問題與機遇並存，張丹丹將深度解析以AIGC為代表的人工智慧技術與當前中國較低生育率對人力資本的沖擊，探尋如何認知並應對當前及未來預期的挑戰。
60S要點速讀：
我們基於百萬份招聘數據的研究發現，容易被AIGC替代的就是白領的工作，包括財務、客服、會計、法律工作者；另一端不太可能被影響到的是一些藍領的工作，比如家政服務人員、物流運輸人員和技術工人。所以，從此結果可以看出，ChatGPT對腦力勞動者的替代程度更高，對藍領、體力勞動者的替代程度更低，這是我們從職業層面的主要發現。
以下為內容精編：
原來的技術進步更多的是對手的替代，AIGC技術則是對大腦的替代。原來是要素增強，比如某個技術與人結合，創造了更高的生產力，但是現在ChatGPT是一個要素替代，替代了一些相對簡單的腦力勞動。而且原來是一個局部的替代，現在是全生產過程的替代，所以它的出現確實是和之前的技術進步是完全不一樣的，特別是現在研究發現，對白領的影響比較大。
這些發現會引發整個社會的焦慮。這項新的技術充滿不確定性，且表現出的能力又很驚人，大家就會很擔心。我覺得這種擔心也是正常的。但是實際上大家對AIGC技術的認知呈現兩種極端情況，一種極端是神化它，覺得它太厲害了；另外一種極端是妖魔化它，它可能會對自身乃至整個人類產生威脅。但是從勞動力市場的角度，我們首先考慮的是就業會不會被影響，所以這種擔心可能是更顯性化一些。
當前，腦力勞動者會更直接地感受到這項技術給自己帶來的沖擊。但是實際上像大學老師也好，媒體記者也好，包括一些從事藝術工作的人，他們在使用了ChatGPT，包括文心一言這些大語言模型之後，他們的擔心其實會下降。因為他們發現，這項技術對自己是一個加持的作用。所以我覺得隨著大家去擁抱並使用這項技術，了解到這項技術如何與自身工作相結合，大家的焦慮感也會隨之下降。
因為人自然會對一些不確定的事物產生焦慮感，當這個事物變得確定化，你知曉它的能力範圍，這種擔心反而會減少。比如我們透過使用這個大語言模型之後，發現它其實有很多技能不如人類，我們可以借助它查一些文獻，或者做一些綜述等等，但是其他的方面，包括邏輯思維等等，它其實還不達標，在創造性方面也是相對較弱的。透過它可以反饋給大家在哪些方面要增強自己的能力，才不會被這項技術替代，大家就有一個被動變主動的過程。
我們在ChatGPT出來之後馬上就投入了這項研究，因為從我們研究的勞動經濟學來說，首先關心的就是一個非常有沖擊力的技術出現，它到底對我們的就業產生何種影響。我們這項研究從一年前就開始了，從某頭部招聘平台上隨機抽取了 百萬的招聘數據 ，招聘資訊是從2018年1月到2023年4月，我們抽取了當下勞動力市場的就業需求，每個崗位需要的技能，在多大程度上可以被大語言模型人工智慧替代，或者起到互補作用。我們在職業層面上，做了一個大語言模型的暴露指數。
關於此指數構建的科學性，之前美國也做了一套，但我們並不是把美國相關的職業對應到中國相關的職業，我們是把中國的職業需求具體需要的技能，做了2萬個劃分，就是2萬個Task，對應到職業上，我們對這2萬個工作任務做了一個ChatGPT替代程度的打分，最後再匯總到職業層面。我們考慮到不同國家之間職業的差異性，之後我們是看中國每一個職業招聘方所要求的技能，到底多大程度上會被這項技術替代。最後發現，有20個最容易被替代的，和20個最不容易被替代的職業。研究指出，容易被替代的就是白領的工作，包括財務、客服、會計、包括法律工作者，這些暴露指數更高。
另一端不太可能被影響到的是一些藍領的工作，比如家政服務人員，物流運輸人員，還有技術工人。 所以從此結果可以看出，ChatGPT對腦力勞動者的替代程度更高，對藍領、體力勞動者的替代程度更低，這是我們從職業層面的主要發現。
上述的暴露指數強調的是替代，但實際上從勞動經濟學理論上來講，AIGC技術對就業的影響存在兩個維度，一個是替代，一個是互補。最終到底是替代還是互補居多，完全看經濟主體的主觀能動性，即能夠創造出來互補的價值還是被替代的這部份。
我們的研究截止到2023年4月份，之後的影響我們暫時是看不到的。所以我覺得這項研究像一個移動的靶子，要瞄準它其實是挺難的，因為這項技術在不斷進步。當我們研究ChatGPT的時候還沒有4.0出來，現在技術都已經更新換代了。我們在研究的時候也沒有文心一言，但是從2023年的10月開始，中國普通的使用者就開始用起來了。當大家了解這項技術之後，這項技術到底會產生何種影響，是否替代作用會不斷下降，這都是有待於我們去研究的。
AIGC技術導致的數位鴻溝也是我們擔心的，所以我們現在的研究就是想看什麽樣的人在這場技術革新中落後了，我們辨識出來一些在基礎層面的弱勢群體，給予一些幹預。但是現在它是一個移動的靶子，所以還很難說。比如在ChatGPT出來之後，我們國內的使用者使用起來是有一些障礙和壁壘的，比如我們很難註冊、使用國外的帳號，所以國內使用者使用的量是非常低的。
當時我們很擔心中美會產生國家之間的技術鴻溝，因為中國人用得少，美國人用得多，中國這邊沒有感受到這項技術的力量，可能慢慢會落後。文心一言釋出之後我們認為這個差異相對好一些了，我們還是要降低技術使用的限制，讓大家都有機會去使用，用起來以後我們才能了解到哪些人能夠抓住技術的進步從而實作自己個人的成長，哪些人可能抓不住。每一個時代都有人能夠抓住技術進步的浪潮，成為乘風破浪的人，也有人就被埋沒了，每一次技術進步都是這樣的。但是不管怎麽樣，至少要讓更多的人能夠使用它，大家要平權。
ChatGPT比之前的技術進步好在，它使用的成本是比較低的。相比我們多少年前去使用電腦、使用網路，它的成本是非常低的。所以我感覺這次應該是能讓更多的老百姓先接觸。當然肯定是教育程度高的人能更好地使用它，所以我們現在很多的研究也會考慮去做一些幹預，讓不同的群體去使用，觀察他們學習的過程。
除了使用成本低，平台化也是這項技術與之前的技術進步的差異化優勢。比如文心一言，包括ChatGPT，我們可以透過後台數據知道使用者畫像，包括使用者如何使用，使用的頻率、深度等等資訊，基於此我們就可以完全知道哪些人不使用，然後有針對性地盡量縮小這個鴻溝，讓那些沒有使用過的人用到，或者讓那些只用在某一個任務上的人去擴充套件更多的使用任務。所以我們完全可以知道哪些人領先哪些人落後，在理論上我們是可以知道這個排序的，所以相對以前的技術我們可以做很多的政策幹預，從這個角度講是樂觀的。
中國的人口紅利向人才紅利的轉變不是一個新的問題，不過老百姓感受到的是2022年人口負增長，相關數據可能給大家的沖擊比較大。但實際上中國的人口紅利從最高點開始往下落，已經是十年前了。
中國總人口在2022年呈現下降趨勢，但我們測算的勞動年齡人口（16到65歲）達峰是在2016年，之後開始下降。如果從2016年到現在，也有七八年的時間了，我們的人口轉型早就發生了，人口紅利已經進入了後人口紅利時代。但是如果我們考慮到勞動參與率，指在16歲到65歲的勞動年齡人口中有多少人是積極地尋找和參與工作的，去掉不工作的人，其實過去40年，中國的勞動參與率呈現直線下降的趨勢。
實際上我們會看到所謂的人口紅利時代，早就不紅了。勞動參與率下降有很多原因，其中下降的主要原因是因為很多年輕的群體開始接受教育，所以這部份群體推遲了進入勞動力市場的時間，二十多歲才進入勞動力市場。所以我們看到主要的下降是在年輕人這部份，16歲到24歲。
另外一個就是相對年長的中老年群體。因為我們的退休制度規定女性50歲退休，男性60歲退休，所以在65歲之前就可以明顯地觀察到，特別是城市地區的老年人呈現大規模的勞動參與率的下降。
此外還有一項研究是觀察女性的勞動參與率，除了中國，全世界所有國家在過去的三四十年女性勞動力的參與率是上升的，只有中國是下降的。
為什麽中國是下降的？50後、60後勞動參與率依然是非常強的，但是到70後、80後，現在的90後、00後，她們的勞動參與率在下降。不同代際的女性勞動參與意願的差別，與她們的成長背景有關。上世紀五六十年代的女性受「婦女能頂半邊天」的教育影響大，所以中國女性勞動參與率一直以來遠遠高於世界平均水平。但現在的女性有更多的選擇，所以當下的女性勞動參與率才是一個正常狀態。
我們在不考慮人力資本的時候，人口數量對經濟增長是一個非常顯著的正向加持作用。但是一旦把人力資本加進去，比如教育加進去，數量的影響就消失了。對整個中國的經濟增長來說，人力資本的影響要比數量的影響大，也就是說 人才紅利的作用要遠遠大於人口紅利對中國經濟增長的作用。
我們透過研究觀察到高中及以上特別是大學以上的教育程度對經濟增長的作用是特別明顯的，但是對個人不太好說。現在新技術的進步真的需要一些天才，需要一些特別聰明的頭腦把它往前推。創造天才的教育，創新的教育，能激發人的創造性的教育將會越來越重要。
但我們現在的教育還是比較倚重應試，在生成式的人工智慧技術突然出來以後，會倒逼教育的改革，因為很多知識或者技能的重要性降低，反而是那些大語言模型做不到的方面，是需要我們著重提升的。
就像我們原來需要計算，但是有了小算盤以後，計算變得不那麽重要了。現在同樣的道理，有了大語言模型之後，很多基礎的知識也變得沒有那麽重要了，思維方式更重要。我們的教育不能完全迎合市場需求——為了就業導向的教育。
但是另一方面我們也觀察到， 過去幾十年的技術進步，對中等技術的人才需求量不斷下降 ，整個勞動力市場出現兩極化趨勢，要麽是需求特別高端的人才，要麽對技術的要求非常低。這在全世界都是這樣，中間的這些「高不成低不就」的，可能以後對他們的需求真的沒有那麽多了。但是當下的教育更多教育出的是中間部份的人，與社會兩極化的需求極不相符。現在全世界都在討論，在人工智慧的沖擊下，教育會何去何從。這不是中國自身的問題，而是全世界都要面臨的挑戰，所以教育變革必須面向未來。
在珠三角、長三角的制造業企業，很多用人單位對勞動力的要求是完全不需要他有腦子，他只要有一雙靈活的手，在目前自動化做不到那麽精細的地方，它需要人手去擰一個很小的螺絲，組裝或者是打磨，所以它對人力資本的要求極低，甚至幾乎為零。我們也非常擔心，這些勞動力甚至有很多都是職高、中專畢業，教育程度不算低，他們算是新一代的農民工，一天十個小時就在那按機器的按鈕，長此以往他們的職業發展會如何。稍微年長一些的，四十多歲的人因為一天十個小時高強度的工作做不了，很多人就會淪為日結工。我們很擔心這個群體，他們以後怎麽辦，能不能成長，能不能市民化，能不能擺脫低水平的生活陷阱。
現在中國的生育率已經不到1.1，我們現在已經頒布了一些提升生育率的政策，比如放開二胎的政策，但該政策對生育率的提升並沒有顯著作用。
從經濟學的角度看，生育率下降最主要的原因是生育成本的增加，成本高到孩子從「必需品」變成了「奢侈品」，從而導致生育意願的下降。要想提高生育率，從生育成本和收益的角度來看，最關鍵的就是降低生育成本。生育成本主要是指育兒的成本，現在中國0歲到3歲的托幼發展還是相對緩慢，大部份0歲到3歲的小孩還是靠家裏老人或者僱用家政服務來解決，這個成本是非常高的，對家庭的負擔也是非常重的。如何把它社會化，讓育兒成本下降，可能需要政府承擔一部份的養育成本，同時讓媽媽們能夠在孩子很小的時候回到勞動力市場。
我們研究發現女性55歲退休之後，再就業的比例非常低，男性則很高， 很可能女性因照顧下一代而放棄「再就業」， 這裏還是有增長潛力的。從全世界看，中國的退休年齡太年輕了。我們的預期壽命在不斷延長，現在將近80歲了，而且受教育程度越來越高，可以考慮適當延長大家的退休年齡。
此外，當前中國的出生人口是九百多萬，死亡人口是一千多萬，還有一千萬人口是常年忽略的，就是人工流產的一千萬。這裏面是不是可能會有一些不得已的原因，比如，女性可能想要孩子，但是出於落戶或者未婚等種種原因沒有辦法要孩子。如果我們能夠解決這些問題，雖然涉及到社會倫理，但如果我們能夠放開生育落戶等方面的限制，可能生育率會有一定的提高。現在的家庭觀念也在不斷更叠，很多高知的女性希望非婚生育，但這在中國是不合法的。我們需要權衡哪個更重要，如果把生育率看得更重要，或可考慮將非婚生子合法化。
職場中的歧視分為兩種，一種是統計性歧視，一種是偏好歧視。偏好歧視是指只要求職者是女性就不聘用，憎惡女性。這個現象相對比較少見，主要是統計性歧視。我們知道大多數女性都會選擇結婚生子就會結束職場，或者有一段時間不能提供勞動供給。那麽企業方就會考慮，在支付同等薪資的情況下，為何要聘用女性。企業是基於女性和男性勞動生產率的差異而產生的不同的對待，這種我們把它叫統計性歧視。
特別是現在鼓勵生育以後，哪怕是生過孩子的女性，用人單位也會猜測女性是否會生二胎，所以在放開生育以後會加強這種歧視。有一些單位可能會簽不能結婚，或者多少年不生育的協定。但是在職場中，生育肯定對女性存在較大影響，可能在入職時就無法跟男性平起平坐，女性在職場中的機會會相應減少。
去年克勞迪婭·高爾丁獲得了諾貝爾經濟學獎，她的很多研究都是聚焦在這個領域——如何縮小男女之間的收入差異及不平等，她在美國做了將近一個世紀數據的跟蹤分析。
她提出一個值得深思的觀點，她認為哪怕是高知女性，跟男性同樣入職一個高薪的工作，若幹年後女性和男性的收入差異還是會大振幅地擴大。因為女性不可能把自己全部的生活貢獻給公司，她需要帶孩子，她會更多地承擔一些家庭的責任，所以就存在女性職場的天花板——女性晉升上不去，男性可以突破。
女性一旦結婚生子，她的薪資就會下降，她參與勞動的時間就會下降，至少在幾年內她是回不到正常狀態的，這是一個客觀的事實。克勞迪婭·高爾丁提出一些辦法，提議大家可以嘗試把工作碎片化，或者變成一個團隊協同工作，公司不要指望一個人從早到晚犧牲自己全部的時間。這個人可以加班的時候，另外一個人可以回家照顧孩子，大家有一個互相的補充，這樣就可以減少工作對女性的壓力。另外靈活就業的女性可以更多地照顧家裏，她不需要把自己全部的時間用在工作上。
