川海智库

报告概述

本报告构建了一个国家特定的、任务调整的人工智能暴露度量指标，覆盖108个国家，约占全球就业的89%。研究基于PIAAC、STEP和CULS等调查数据，通过回归模型预测缺乏调查数据的国家的暴露水平。报告重点分析了AI暴露在不同发展阶段的异质性，以及ICT强度、人力资本、全球化等因素的作用，为理解AI对全球劳动力的潜在影响提供了实证基础。

报告的核心结论

低收入国家工人AI暴露显著低于高收入国家

任务调整后的度量显示，低收入国家工人的AI暴露水平比高收入国家低约0.8个美国标准差，这一差距主要源自职业内部任务内容的差异，而非职业结构的不同。

ICT强度是解释AI暴露跨国差异的最主要因素

回归分解显示，ICT强度可解释24-45%的跨国暴露差异，远高于职业结构（19%）和人力资本（17%）。数字技术使用水平和能力是驱动暴露差距的关键。

高收入国家集中了全球最易受AI影响的工人

高收入国家占全球最易受AI影响工人的59.1%，而低收入国家则集中了61.8%的最不易受影响工人。这表明AI的短期影响将主要发生在发达经济体。

2010年代以来高收入国家AI暴露持续上升

利用两轮PIAAC数据发现，13个高收入国家的平均AI暴露在2010年代至2020年代间普遍增加，主要由职业内部任务变化驱动，而非就业结构变动。

报告回答的关键问题

不同发展水平国家的AI暴露有多大差异？

报告显示，低收入国家工人的AI暴露比高收入国家低约0.8个美国标准差，差异主要来自职业内部任务内容的不同。高收入国家工人更频繁从事与AI相关的非例行任务，而低收入国家工人则更多从事例行或手工任务。

哪些因素决定工人的AI暴露程度？

ICT强度是首要因素：在计算机使用率高的行业和部门，工人AI暴露更高。其次为人力资本（教育程度和读写能力），受教育程度高、认知技能强的工人即使在同一职业内也面临更高暴露。全球化指标如全球价值链参与则与暴露负相关。

AI暴露在时间上如何变化？

对于有两次调查数据的高收入国家，从2010年代到2020年代，平均AI暴露普遍上升，主要驱动力是职业内部任务内容的变化（如ICT使用增加），而非工人转向不同职业。这凸显了任务层面分析的重要性。

报告中的代表性数据

0.8个美国标准差

低收入与高收入国家AI暴露差距

2011-2023年，在任务调整后的AI暴露度量中，低收入国家工人的平均暴露比高收入国家低约0.8个美国标准差，该差距主要来自职业内部任务差异。

24-45%

ICT强度对暴露差异的解释程度

2011-2023年，在多种发展指标替代的稳健性检验中，ICT强度始终解释跨国AI暴露差异的24-45%，是最大的贡献因素。

59.1%

高收入国家在最易暴露工人中的占比

2020年代，综合调查和预测数据，高收入国家（占全球就业25.9%）却拥有全球最易受AI影响工人的59.1%，而低收入国家（就业40.2%）仅占16.7%。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整方法论与数据来源说明：包括O*NET、PIAAC、STEP、CULS调查的详细对比，以及如何将AI能力映射至职业能力的步骤。
  • 108个国家AI暴露的完整估计值：按国家和ISCO-08职业分类列出，涵盖调查国和预测国，便于研究者直接使用。
  • 丰富的跨国比较图表：按收入组、职业大类展示AI暴露分布，以及与美国均值的标准化对比。
  • 回归分解结果详细表格：展示ICT强度、人力资本、全球化等各因素对暴露差异的边际贡献和方差分解。
  • 两轮PIAAC数据的时间趋势分析：针对13个高收入国家，分解暴露变化的驱动因素（任务 vs 结构）。
  • 预测模型设置与变量选择：包括逐步回归过程、各ISCO-1D职业的预测变量清单和系数。
  • 附加稳健性检验：如替代开发指标（人力资本指数、城镇化率等）的分解结果。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告