马克集数摘要
本文构建了一个人工智能技术的应用如何影响企业灵活用工需求的理论模型。模型预测：人工智能简化和标准化了一些工作任务，允许企业可以利用劳动力成本较低的灵活用工人员与人工智能配合，来替代全职员工完成任务。进一步，本文采用 2014—2024 年中国在线招聘大数据，利用自然语言处理方法识别了企业灵活用工需求，实证研究人工智能对企业灵活用工的影响效应与作用机制。研究发现：（1）人工智能暴露度每提高 1 个标准差，企业灵活用工需求占总用工需求的比例将显著提高 1.130 个百分点。这一结论在处理内生性问题以及经过稳健性检验后依然成立。（2）机制分析表明，人工智能降低了企业要求灵活用工人员所具备的技能数量，实现了对工作任务的简化和标准化；同时，人工智能减少了企业招聘较低学历、较低工资、较少经验的全职员工的数量，而增加了企业招聘相似背景的灵活用工的数量，这意味着人工智能与灵活用工人员协同可以替代全职员工完成一些简单任务；最后，人工智能提升了企业招聘员工的平均技能水平，促进企业人力资本结构升级。（3）拓展分析表明，企业可以通过增加灵活用工需求来降低劳动力成本，从而提高经营利润率等经营绩效。
关键词： 人工智能暴露度；人力资本结构；灵活用工；在线招聘平台；经营绩效
一、论文选题背景和意义
为应对人工智能技术进步对劳动力市场的冲击，国家层面提出支持多渠道灵活就业，企业端也日益通过灵活用工以降低用工成本和提升配置效率。论文从“职业人工智能暴露度—企业用工结构”这一视角出发，提出并检验人工智能推动企业灵活用工占比上升及人力资本结构升级的命题，弥补了既有研究在“灵活用工—AI 冲击”经验证据上的不足。论文的现实意义在于：为企业的人力资源策略与政府的就业政策（规范发展新就业形态）提供量化依据与可操作的识别框架。
二、论文主要内容
1. 理论模型
论文在任务分解框架下，引入“灵活人机”（AI 资本与灵活用工的 CES 组合）与全职员工的替代/互补关系，定义企业层面的人工智能暴露度，并给出比较静态：暴露度越高，灵活用工需求提升幅度越大；全职需求的变化取决于替代效应与生产率效应的相对大小。
2. 指标构建
（1）灵活用工识别：基于 Word2Vec 训练的词典，从岗位职责文本中识别实习、兼职、外包、劳务派遣等灵活用工招聘广告。
（2）AI 暴露度：利用中国专利数据库中 AI 专利摘要与《职业分类大典》中的任务表述，按“动词—名词对”计算任务与 AI 专利的相似度，并加总到职业与企业年度层面得到 AIOE 指数。
3. 主要发现
（1）基准结果：AIOE 每提高1个标准差，灵活用工占比提高1.130 个百分点。
（2）机制检验：AI 暴露度提升显著减少灵活用工岗位对技能数量的要求；企业减少对中低技能全职员工的需求、增加对相似背景的灵活用工与高技能人员（全职和灵活）的需求；平均工资、学历与经验要求上升，显示人力资本结构升级。
（3）拓展分析：灵活用工占比上升降低员工成本占比，并提升毛利率、经营利润率与经营性现金流率。
三、论文实证设计
1. 数据来源
（1）在线招聘数据：2014—2024 年来自 Boss 直聘、前程无忧、智联、拉勾、猎聘、58 同城等200余家平台累计2亿余条广告，去重与标准化后汇总为企业—年份面板。
（2）专利数据：1985—2024 年中国专利数据库的 AI 专利摘要，用于任务相似度计算。
（3）辅助数据：O*NET 职业技能分类用于技能需求归类；FDI Markets 用于工具变量控制；ICT 招聘数量、全国信息技术服务收入与城市 AI 企业注册量用于工具变量构造与控制。若无特别说明，变量均做缩尾或标准化处理。
2. 变量与模型
被解释变量为企业灵活用工需求占比（flex_pctit）；核心解释变量为企业年度 AI 暴露度（AIOEit，标准化）；控制企业招聘总量，并设定企业、行业×年份、省份×年份固定效应，标准误在企业层面聚类。为缓解内生性，使用三类工具变量：美国行业 AIOE、期初行业计算机存量（与时变指标交互）、期初城市 AI 企业注册量的移动份额 IV。
3. 机制与异质性
机制一：以灵活用工岗位的平均技能数量（含按技能重要性加权）为被解释变量，检验 AI 暴露度对技能要求的影响；
机制二：按工资（8000 元分组）、学历（本科阈值）与经验（3 年阈值）将全职与灵活用工分组，考察 AI 暴露度对不同技能层次岗位的影响；
异质性：引入企业平均学历（技能要求）、省级登记失业率（议价能力）、行业劳动力成本黏性与 AIOE 的交互项进行分组检验。
变量说明表格
| 变量名称 | 变量说明 |
|---|---|
| flex_pctit | 企业灵活用工招聘广告占全部招聘广告的比重（×100） |
| AIOEit | 企业年度人工智能暴露度（由“任务—AI 专利”相似度加总并标准化） |
| 招聘总量 | 企业年度在线招聘广告数量 |
| 技能数量（均值/加权） | 灵活用工岗位要求的平均技能数（按 O*NET 分类与重要性指数处理） |
| 工资/学历/经验分组计数 | 按工资、学历、经验阈值分组的全职与灵活用工岗位数量 |
| 人员成本占比/毛利率等 | 上市公司口径经营绩效指标（匹配样本） |
四、论文结论与政策建议
1. 结论
人工智能暴露度越高，企业越倾向以灵活用工与 AI 协作替代部分全职岗位，灵活用工占比显著上升；同时企业对人力资本的需求向高技能端迁移，招聘岗位的平均工资、学历与经验要求提高，显示人力资本结构升级。灵活用工的扩张还能降低员工成本占比并改善利润率与现金流。
2. 政策建议
（1）在保障劳动者权益的前提下，完善灵活用工的制度供给与合规边界；
（2）推动职业教育与在岗培训，提升劳动力适配 AI 环境的通用与数字技能；
（3）鼓励企业在任务标准化与流程再造中审慎采用 AI，发挥“灵活人机”协同的效率优势；
（4）完善地区与行业层面的信息基础设施与人才流动机制，缓解结构性错配。上述建议均与论文证据一致。
五、边际贡献与未来拓展
1. 边际贡献
（1）在任务模型框架下刻画“AI×灵活用工”的替代与协同机制，并提出企业层面的暴露度度量；
（2）构建覆盖 2014—2024 年的超大规模招聘微观数据库，结合 NLP 标准化岗位与词典识别灵活用工；
（3）通过多源工具变量缓解内生性，系统揭示 AI 对灵活用工与人力资本结构的影响路径及其经营绩效后果。
2. 未来拓展
（1）结合更细颗粒度的任务时间分配数据，度量人机协同下的生产率边际；
（2）扩展到用工关系与社保、税收等合规影响，评估不同灵活用工形态的福利与风险差异；
（3）跟踪更长区间的企业绩效与创新结果，检验人力资本结构升级的长期效应。