马克集数摘要
大语言模型人工智能技术发展迅速。本文利用 2018年 1月~2024年 5月之间发布的 125万条在线招聘信息，基于对岗位工作任务的具体描述，构建了各职业“大语言模型人工智能技术暴露度”，估计了人工智能技术对劳动力需求以及对岗位学历和薪资等要求的影响。研究发现，在样本期内，中国劳动力市场上新增职位的大语言模型人工智能技术暴露度呈现降低的趋势；暴露度较高的职业主要是对受教育程度要求较高和薪资较高的白领职业，包括会计、编辑、销售及程序员等。基于职业层面的工具变量的回归结果显示，技术暴露度与劳动力需求呈现负相关关系，高暴露度的职业薪资增幅下降、职业内部的薪资差距变大，对教育和工作经验方面的要求也越高。本文强调，中国劳动力市场对新技术的适应性有待加强，建议在加大对大语言模型人工智能技术的研发投入的同时，降低应用门槛，鼓励企业和劳动者使用新技术。
关键词： 人工智能 大语言模型 劳动需求 就业 ChatGPT
一、论文选题背景和意义
本研究聚焦大语言模型人工智能技术对劳动市场的影响，围绕“岗位技术暴露度—劳动力需求变化”的主线展开，回应新技术可能对高技能白领岗位产生冲击的现实关切。文章指出，以往针对中国的研究多借助中美职业匹配，存在内涵不一致问题；本文直接基于中国招聘广告文本构建技术暴露指数，更能反映本土职业任务特征。
在理论与政策层面，论文强调技术暴露度仅表示岗位与技术的匹配程度，不等同于替代概率；真正影响就业的是企业和劳动者的适应与调整。研究结果为提高中国劳动力市场对新技术的适应性、降低应用门槛与推动研发提供依据。
二、论文主要内容
首先，提出以招聘文本刻画岗位任务，结合O*NET“详细工作活动（DWA）/任务（Task）”两条路线，构建职业层面的大语言模型技术暴露指数。其次，描述性分析显示：2019—2024年新增职位的暴露度持续下降，暴露度高的职业（如会计、编辑、销售、程序员）需求份额下滑更快。再次，计量结果表明：职业层面暴露度与需求变动显著负相关，且与更高的教育与经验要求相关，职业内部薪资差距扩大。最后，城市层面结果方向一致，高暴露城市的需求份额下降、学历与经验门槛上升、薪酬不均加剧。论文并进行跨国对比与政策含义讨论。
三、论文实证设计
论文使用的数据来源包括：2018年1月—2024年5月智联招聘平台随机抽样的约125万条招聘广告文本（覆盖78个职业组别、346个职业）；O*NET数据库的2087项DWA与任务库用于任务匹配与加权；用于对照与工具变量的美国Felten-LLM暴露指数；城市层面控制变量来自各城市统计年鉴；职业权重使用2015年1%人口抽样普查城市—职业就业结构。
模型设计部分包括：
1) 职业层面：以暴露指数解释2019—2024年相对于2019—2020年的招聘占比、平均受教育年限、工作经验、薪资及其变异系数的变化，采用加权OLS与工具变量法（以匹配到的美国Felten-LLM暴露指数为工具）。
2) 城市层面：构造城市平均暴露指数，并采用Bartik思路的工具变量（以2015年城市职业结构对Felten-LLM加权的Predictc）进行两阶段估计，控制人均GDP、产业结构及基期招聘特征。
稳健性包括：去极值职业、分组对比、任务与DWA两路线指数互证、季节性调整与标准化处理等。
变量说明表格
| 变量名称 | 变量说明 |
|---|---|
| 大语言模型人工智能技术暴露度（职业层面） | 基于招聘文本与O*NET DWA/Task加权构建的职业暴露指数 |
| 新增职位市场占比变化 | 2022年6月—2024年5月相对2019—2020年的招聘占比变动 |
| 受教育年限要求 | 招聘广告对学历/教育年限的平均要求（职业或城市层面） |
| 工作经验要求 | 招聘广告对经验年限的平均要求 |
| 薪资水平 | 招聘广告所提供的平均薪资 |
| 薪资变异系数 | 职业或城市内部薪资水平的离散度指标 |
| Felten-LLM暴露指数 | 基于美国职业匹配的对照/工具变量指数 |
| 城市平均暴露指数 | 以城市内职业构成对职业暴露度加权的城市层面指数 |
| Predictc（工具变量） | 以2015年城市职业结构对Felten-LLM加权的预测暴露度 |
| 职业/城市控制变量 | 城市人均GDP、产业结构、基期招聘教育/经验/薪资等 |
四、论文结论与政策建议
结论方面：新增职位的大语言模型暴露度总体下降；暴露度越高的职业新增需求越少，且学历与经验门槛更高、职业内部薪资差距扩大；城市层面结果一致。论文强调中国劳动力市场对新技术的适应性仍待提升。
政策建议方面：在加大大语言模型技术研发投入的同时，降低应用门槛、鼓励企业与劳动者采纳使用；完善数据与算力等基础设施、营造技术转移与应用环境；针对潜在就业冲击，加强技能培训、岗位转型支持与社会保障兜底。
五、边际贡献与未来拓展
边际贡献在于：直接以中国招聘广告文本构建本土职业的技术暴露指数；以高频岗位数据刻画2019—2024年的需求变化与岗位要求；通过职业与城市两层面的工具变量策略识别技术暴露度与需求变化的关系。
未来拓展包括：持续跟踪职业内任务内容的动态调整，结合更多制度情境与外生冲击开展识别，综合不同数字技术（如机器人等）评估对中国劳动力市场的联合作用。