报告行业投资评级 未提及相关内容 报告的核心观点 - 研究聚焦中低收入国家，运用AI职业暴露指数分析25国劳动力调查数据 发现不同收入国家AI职业暴露差异大 高收入国家暴露最高 中低收入国家较低 凸显AI潜在影响的全球不均衡性 [3][74] - 多变量分析显示教育、性别、城乡等因素影响职业AI暴露 高技能职业和白领行业更易受AI影响 [75] - 低收入国家尤其是农村地区电力基础设施不足 限制AI应用 政策需考虑此因素并制定针对性策略 [76] 根据相关目录分别进行总结 1. 引言 - AI近年发展显著 生成式AI崛起引发全球关注 但其对就业和经济的影响尚不确定 [8] - 多数AI经济研究聚焦高收入国家 中低收入国家因基础设施、人力资本和经济结构差异 受AI影响可能不同 [9] - 研究运用AI职业暴露指数分析25国劳动力调查数据 覆盖35亿人口 采用更详细职业代码和多变量分析 以提供更细致视角 [10] 2. 衡量AI暴露和劳动力市场影响 2.1 衡量AI暴露 - 采用任务模型评估数字技术和AI对职业的影响 常用美国ONET数据库 其中AI职业暴露（AIOE）指数应用广泛 [18] - AIOE指数基于ONET职业分类 定义AI暴露 其他类似方法包括Webb的专利视角和Brynjolfsson对机器学习适用性的评估 [19][20] 2.2 AI对全球劳动力市场的影响 - 企业层面引入AI或提高生产率 但需时间适应 研究通过多种方式评估AI对企业的影响 综合估计AI adoption对企业年劳动生产率增长的影响在1.7 - 2.7个百分点 [22] - 高技能工人可能受AI影响更大 但生成式AI在某些任务上对低技能工人的生产率提升更明显 [23] - 美国约20%的工作有超50%的任务受大语言模型影响 欧洲和美国未来约27%和30%的任务将基于AI 生成式AI或替代四分之一的现有工作 使美国劳动生产率增长约1.5个百分点 [24][25] - 少数研究关注中低收入国家 发现不同国家AI职业暴露因就业结构而异 女性、高学历和高收入工人暴露更高 AI可能加剧不平等 [26] 2.3 数据和方法 - 研究使用全球劳动力数据库（GLD）的25国劳动力调查数据 涵盖约300万工人 并采用AIOE指数衡量职业AI暴露 [30] - AIOE指数构建分两步 先确定AI应用 再结合O*NET信息 研究将其值归一化到0 - 100 以表示职业AI暴露程度 [30] - 研究使用4位数ISCO代码减少对中低收入国家AI暴露的高估 并通过熵测度证明其提供更多信息 [32][33] - 研究采用简单回归模型分析AI职业暴露与工人特征的关系 并将AIOE值分为四个暴露等级 [36][37] 3. 低收入、中等收入和高收入国家AI的典型事实 3.1 每两个工作中就有一个可能受AI影响 因收入和国家而异 - 所有国家的平均AIOE值为47 高收入国家职业AI暴露最高 均值为63 其次是上中等收入国家（49）、下中等收入国家（44）和低收入国家（37） [39][41] - 不同国家即使GNI人均水平相似 AIOE也可能不同 表明AI在不同国家的潜在作用存在差异 [44] - 将AIOE分数分为四个暴露等级 分析不同国家和群体的分布 揭示国家层面的异质性 [47] 3.2 工人特征在决定AI职业暴露中的作用 - 不同收入群体的年龄模式无明显差异 年轻工人因过早离校 较少从事受AI影响的职业 [48] - 低收入国家男女职业AI暴露均较低 高收入和上中等收入国家女性受AI影响更大 性别差距更明显 [52] - 城市工人比农村工人更易受AI影响 低收入国家城乡差距最大 [56] - 所有国家中 受教育程度越高的工人越易在工作中接触AI 且暴露程度随收入水平略有增加 [57] 3.3 全球范围内工作选择对AI职业暴露的重要性 - 高技能职业比中低技能职业更易受AI影响 白领行业整体受AI影响最大 蓝领行业受影响最小 [61] 3.4 职业和行业部门是AI职业暴露的最强预测因素 - 多变量回归分析显示 与从事基础职业相比 从事专业工作在不同收入国家均显著增加AI职业暴露 [64] - 年龄仅在中下等收入和高收入国家与AI职业暴露相关 接受高等教育的工人在低和上中等收入国家更易受AI影响 [66] - 自雇和无薪工作在低、中下和上中等收入国家与更高的AI暴露显著相关 性别和城乡差异在多变量结果中的作用较小 [66] 3.5 电力基础设施不足是AI应用的障碍 - 多数AI分析假设基础设施完备 但发展中国家存在电力和互联网接入问题 低收入国家尤为严重 [65] - 分析纳入家庭电力接入情况 发现高收入和上中等收入国家无差异 但低收入国家约41%的职业无电力接入 农村地区问题更严重 [67][70] 4. 结论 - 研究聚焦中低收入国家 发现不同收入国家AI职业暴露差异大 高收入国家暴露最高 凸显AI潜在影响的全球不均衡性 [74] - 多变量分析显示教育、性别、城乡等因素影响职业AI暴露 高技能职业和白领行业更易受AI影响 [75] - 低收入国家尤其是农村地区电力基础设施不足 限制AI应用 政策需考虑此因素并制定针对性策略 [76] - 研究结果表明短期内AI在中低收入国家造成大规模劳动力市场破坏的担忧可能被夸大 其更可能改善服务质量 [78]