专栏名称: 社会CJS

编辑部和作者、读者沟通交流，查阅稿件，发布相关信息。

论文 |【张顺、吕风光】智能时代的职业风险对主观阶层认同的影响

社会CJS · 公众号 · · 2024-12-04 17:00

正文

论文

智能时代的职业风险对主观阶层认同的影响

（照片由作者本人提供）

张顺

西安交通大学人文社会科学学院社会学系

（照片由作者本人提供）

吕风光

西安交通大学人文社会科学学院社会学系

原文刊于《社会》2024年第5期

摘要 ：本文从风险视角切入，揭示了在人工智能时代的背景下职业风险影响主观阶层认同的作用机制，厘清了阶层认同风险逻辑与资源逻辑的区别与联系，超越了以往基于资源逻辑的“阶层认同形成理论”。研究发现，智能时代的职业风险具有显著的阶层认同下移效应，失业风险和收入风险是职业风险影响阶层认同的双重传导机制。资源逻辑对职业风险的阶层认同下移效应具有调节效应，拥有更多资产的劳动者，职业风险对阶层认同的降低作用相对较弱；相对而言，中等收入群体面临的职业风险更高，从而使其阶层认同下移程度更大。本文从风险视角解释了主观阶层认同的下偏现象，同时较好地回应了中等收入群体“低位认同”的“时代之力”，对理解数字经济下社会分层的变化趋势有启发意义。

引言

伴随着经济的高速发展与收入分配制度改革的推进，中等收入群体的规模持续增长，2020年已约有4亿人（习近平，2020 ）。然而，高速发展的经济并未能带动中等收入群体主观阶层认同同步上升，甚至还有所背离。首先，主观阶层认同偏离了客观阶层标准，表现出认同偏低的特征（范晓光、陈云松，2015 ）；其次，主观阶层认同偏离呈现逐渐加深的趋势，2009—2021年，中等收入群体“低位阶层认同”的发生比提高了44.5%（邹宇春，2023 ）。阶层认同不仅是客观阶层的主观心理投射，往往还混杂着社会环境、价值观念等因素（ Chen and Williams， 2018 ）。探究主观阶层认同的形成并解释其偏低的问题，有助于把握中国居民的社会态度与行为（郭慧玲，2016 ），降低民众的主观阶层分化，对推进共同富裕、维护社会稳定具有积极的实践意义（陈云松、范晓光，2016；李骏，2021；张文宏等，2023 ）。

已有研究从多个维度阐释了阶层认同的影响机制。“结构决定论”认为主观阶层认同由个体的客观地位决定（ David，1989；沃特斯，2000 ）。然而，边燕杰、卢汉龙（ 2002 ）对20世纪90年代的考察发现，“结构决定论”对中国居民的阶层认同解释力不高，这意味着中国居民阶层的主客观偏差普遍存在且较为严重。一些研究开始对这些现象做出解释，如“认同碎片论”（李培林，2005 ）。近20年来的实证研究表明，中国社会的阶层分化对主观阶层认同的影响逐渐加深，但阶层认同整体偏下，相继出现“相对剥夺论”（刘欣，2002 ）、“参照系变动论”（高勇，2013 ）和“生活焦虑论”（陈光金，2013 ）。2010年后的研究又提出了“住房阶级论”（张海东、杨城晨，2017；魏万青、高伟，2020 ）、“代际流动论与网络信号论”（张顺、梁芳，2021 ）等，这些理论解释认为现有地位资源的不平等所引发的心理机制使得民众的阶层认同向下偏移。最新的研究表明，中国居民阶层认同偏低的主要表现是中等收入群体“低位认同”陡然升高并在高位运行，并将其称为“时代之力”（邹宇春，2023 ），但并未能给出合理的解释。

值得注意的是，当代中国在经过巨大的社会变迁后，已经呈现出风险社会的主要特征，甚至被认为已经进入“高风险社会”（李路路，2004 ）。特别是近十几年来，人工智能技术的快速发展对劳动力市场形成巨大冲击，许多传统职业面临被人工智能替代或部分替代的可能（ Frey and Osborne，2017 ），职业内工作岗位快速变动，劳动力市场职业流动性与风险性快速增强。这一现象几乎与2009年以来的阶层认同偏低，特别是中等收入群体认同明显偏低现象同步发生。这启示我们，风险逻辑很可能是理解阶层认同向下偏移的重要影响机制。本文将从风险分析的视角探讨职业风险影响民众阶层认同的作用机制及其与地位资源的交互效应，进而回应“中等收入群体阶层认同偏下”及其“时代之力”的解释逻辑。

阶层认同形成机制的

理论视角

（一） 中国居民阶层认同的特征及其变 迁

既有研究表明，中国居民的阶层认同具有“低位认同”的特征。与西方社会的阶层认同“偏中”的特征有所不同，中国居民的自我阶层主观认定表现为向下偏移的分布特征（刘欣，2001；冯仕政，2011；范晓光、陈云松，2015 ）。从横向维度看，基于1996年武汉城市居民调查数据，刘欣（ 2001 ）发现，与其他国家相比，中国城市居民认同中间阶层的比例较低，认同中等偏下阶层的人明显偏高，呈现“低位认同”特征。其他一些研究进一步验证了这一发现（李培林，2005；张顺、梁芳，2021 ）。同时，在纵向维度上，已有研究发现“低位认同”逐渐普遍化，“底层认同”不断扩大，“中层认同”不断流失（冯仕政，2011；高勇，2013；陈云松、范晓光，2016 ）。还有研究发现，中等收入群体认同偏低是中国居民阶层认同偏低的突出表现（李培林、张翼，2008；邹宇春，2023 ）。然而，令人不解的是，伴随着中国的经济发展和收入分配制度改革的进行，中等收入群体的比例已有大幅度提高，但其主观阶层认同并未随着比例的提高而有所改善，甚至还出现“低位认同”扩大的趋势。邹宇春（ 2023 ）使用趋势分析模型分解了中等收入群体阶层认同的年龄效应、时期效应和世代效应，其中，时期效应的影响最为突出。时期效应的分析显示，2009—2017年，中等收入群体低位认同比例不断升高，与2009年相比，2017年“低位认同”发生比提高了68.4%，即便在2021年出现小幅回落，与2009年相比也提高了44.5%，仍保持在高位水平。客观上中等收入群体比例的扩大与主观上低位认同比例的提高形成巨大反差，这似乎成为一个“未解之谜”。鉴于时期效应的关键性作用，邹宇春（ 2023 ）将造成阶层认同偏下的时期因素概括为“时代之力”。本文试图从风险视角进一步明确阶层认同的风险逻辑，讨论并验证现阶段智能社会下的职业风险是引起中等收入群体认同显著偏下的“时代之力”。

（二） 资源视角：地位资源与阶层认同

资源逻辑隶属于确定性分析范畴，是在资源视角下揭示阶层认同的形成机制。资源逻辑强调资源占有的不平等对阶层认同的影响，可分为“资源存量理论”和“资源比较理论”。“资源存量理论”强调劳动者拥有的经济资源、文化资源等对阶层认同的支持作用，例如，“结构决定论”强调收入、职业等经济资源的作用（ Hodge and Treiman，1968；宋庆宇、乔天宇，2017 ）；“文化资本论”强调“品味”“惯习”等文化资本对于分层的作用（ Bourdieu，1987 ）；“住房阶级论”“资产决定论”强调住房、资产等财富对阶层认同的重要性（黄超，2020；魏万青、高伟，2020；李骏，2021 ）。“资源比较理论”强调劳动者的资源不平等状况及其心理机制对阶层认同的影响，比如：“参照系变动论”“社会网络论”“新社会比较理论”“多重建构理论”强调参照群体间的资源比较（高勇，2013；陈云松、范晓光，2016；王鹏、干一卿，2022；张文宏等，2023 ）；“相对剥削感”强调资源占有不平等产生的心理投射（刘欣，2002 ）；“生活焦虑论”强调资源相对不足产生的焦虑情绪（陈光金，2013 ）；“代际流动论与网络信号论”强调代际资源差异与人际网络位置对阶层认同偏移的影响（张顺、梁芳，2021 ）。因为风险也会导致“焦虑”，所以“生活焦虑论”似乎与风险逻辑比较相似，但“生活焦虑论”重点关注的是转型期间存在的上学贵、看病贵和住房贵等民生问题所衍生的情绪焦虑对阶层认同的影响，聚焦的是经济快速发展与物价上涨，揭示必要消费与收入之间的矛盾对自身阶层认同的影响，所以仍然属于既有资源不平等的“心理机制理论”。显然，上述理论无一例外地都强调了资源逻辑影响阶层认同的重要性，忽略了风险逻辑的影响及其作用机制。

（三）风险视角：职业风险与阶层认同

与确定性分析范畴下的资源逻辑不同，职业风险形塑阶层认同的逻辑属于风险视角下的阶层认同形成机制，隶属于不确定性分析范畴。风险逻辑强调未来职业风险分布的不平等性及其对人们的主观阶层认同的作用。从资源视角到风险视角，“阶层认同理论”的视角转换驱动力来自于社会风险的逐步深化，并集中体现在劳动力市场中的风险演变上。

在中国，计划经济时期的生产资料公有制依托国有机关单位和农村生产队来实现全民就业，通过长期稳定的劳动关系消弭就业市场的风险。改革开放之后，市场机制逐渐成为资源配置的基础性机制。市场化成为这一时期的主旋律，大学生逐步实现自主择业，非公有制经济快速发展，劳动形式和劳动关系趋于多样化。同时，下岗、失业成为一种正常现象，职业风险逐步个体化并在市场改革中逐步加大。值得说明的是，虽然职业分化的速度不断加快，但与资源匮乏时期相比，消费市场不断扩张并拉动了就业人数的上升。这一阶段的劳动力市场存在一些传统风险，例如，政策调整、贸易不稳定性等引发的就业波动，但由于消费市场稀缺，新产业不断出现，失业或降薪主要集中在特定的行业和区域，并能够通过经济增长和新行业的发展来实现再就业，这种传统风险覆盖范围还比较低且影响有限。

自从进入智能时代以来，职业风险陡然加大。生产的智能化推动了生产效率的再次提升，加上消费市场开始进入过剩时期，市场的疲软对生产领域产生反向冲击，导致企业与用人单位倾向于提高生产的智能化和“以数代人”以降低运营成本，从而使得劳动力市场与职业的不确定性快速增加，职业风险逐渐成为影响阶层认同的重要维度，也为本文从风险视角解释中国的阶层认同问题提供了经验基础。与传统意义上的职业风险不同，智能时代的职业风险覆盖范围更广，影响程度更深。人工智能是一种更具深度和广度的机械化与自动化。虽然传统的机械化与自动化也导致了就业波动，但过程较为缓慢，给工人和社会提供了调整时间，并且，传统的机械化与自动化集中于简单、重复性高的体力劳动岗位，如流水线工人、纺织工人等，这些被替代的劳动力可以被其他行业再吸收。然而，人工智能对劳动力市场的影响是全方位的，它不仅能替代简单重复的体力劳动，还能够处理复杂的认知任务，较高技能的职业岗位也受到威胁。智能时代职业替代的速度和广度超出了传统工业社会的范畴，给劳动力市场带来了更大的不确定性，这可能会对劳动者的认知产生重要影响。

因此，在人工智能技术的不断推进下，职业风险的不断深化促使“阶层认同理论”从资源逻辑转向风险逻辑，但两者存在诸多差异。一是理论渊源不同：资源逻辑源于传统工业社会的社会分层理论，认为资源占有不平等导致了阶层认同的差异性；风险逻辑源于风险社会学理论，风险是社会系统相互作用而产生的不确定性并在劳动力市场中被不平等分配。二是分析视角不同：资源逻辑关注生活现状确定性的资源拥有的不平等性对阶层认同的影响；风险逻辑关注未来生活机会不确定性的分化对阶层认同的影响，两者分属确定性和不确定两种分析范畴。三是因果解释逻辑不同：资源逻辑用过去与当下的资源数量解释当下的主观认知，是一种事实性因果解释逻辑；风险逻辑则用未来风险解释当下的主观认知，是一种心理性因果解释逻辑。整体而言，风险逻辑补充了以往资源视角占主导地位的阶层认同理论，两者共同解释了阶层认同的形成过程。此外，伴随着社会风险性特征的凸显，风险逻辑在理解社会发展趋势上具有独特优势，更契合当今的时代特征，并将逐渐成为理解中国社会结构变迁的新维度。

职业风险与阶层认同：

智能时代的风险视角

人工智能的大量应用正在以“创造性破坏”的方式影响劳动力市场，引起人们对“以数代人”“以机代人”的担忧，加剧了劳动者的职业风险（张顺，2022 ），进而成为劳动者主观阶层认同下移的“时代之力”。

（一） 人工智能时代的职业风险

1. 人工智能的职业冲击效应

人工智能对劳动力市场的职业冲击同时存在替代效应和创造效应。替代效应认为，人工智能有助于提高用人单位运营的智能化和自动化（陈彦斌等，2019 ）。出于节约劳动力成本和提高生产效率的考虑，企业往往会选择人工智能而淘汰人工。弗雷和奥斯本（ Frey and Osborne，2017 ）通过对美国702个职业的分析发现，超过40%的工作岗位存在被人工智能替代的潜在风险。替代效应一方面造成就业岗位总量的下降和失业人数的增加，另一方面也导致劳动福利的下降，表现在劳动者收入下降或上涨幅度回落，这是由于人工智能替代引起的劳动力需求下降，进而会降低均衡的工资水平，使劳动者在薪酬谈判中处于劣势地位。创造效应则充分肯定人工智能对新岗位的创造能力（李磊等，2021 ）。一方面，人工智能创造了新岗位，这些岗位来自于人工智能与传统岗位的结合，例如数据标注工、量化分析师等；另一方面，人工智能并不能完全替代人工，因为生产过程仍然存在非智能化环节。伴随着生产流程的数字化革命的发展，人工智能引致的生产力进步会增加非智能化环节的劳动力需求（ Autor，2015；Acemoglu and Restrepo，2019 ），也具有强大的创造效应。

人工智能的替代效应与创造效应并存，给劳动者带来职业的不确定性。其一，替代效应导致劳动者职业变动或失业（孔高文等，2020；王永钦、董雯，2020 ）；其二，非智能化环节的劳动力需求上升，推动劳动者“失业—再就业”（王林辉等，2023 ），使得劳动者面临更多的职业流动或福利变动等不确定性。更为重要的是，人工智能替代与创造下的职业岗位较难实现向上流动。一方面，人工智能创造的高收入岗位要低于替代的岗位，这是资本替代劳动的必然趋势。虽然平台经济也创造了大量的就业岗位，但这些岗位以快递员、骑手、网约车主为主，是以不稳定、门槛低为特征的新业态从业群体。换言之，可供被替代劳动者选择的“高质量”职业较少，难以实现向上流动。另一方面，受制于人力资本的专用性（赖德胜、孟大虎，2006 ），被替代的劳动者为了获得高收入的工作，需要投入巨大精力以实现技能转型。即使这一转型可以迅速完成，但由于同一职业具有相似的技能特征，同一被替代职业的劳动者之间也将出现激烈的竞争或“内卷”，最终导致大量劳动者面临失业风险或向下兼容（王寓凡、潘慧妮，2024 ）。

2. 智能时代职业风险的内涵与形式

那么，何为智能时代的职业风险？简单说，就是该职业被人工智能替代导致劳动者失业、换岗的可能性。研究表明，人工智能对于不同职业的替代可能性是不同的，人工智能替代具有任务偏向（技能偏向），常规性的工作最容易被替代。人工智能替代的本质在于通过模仿人类工作的处理方式，通过程序运转替代人类工作，而不同任务的编程处理难度不一，程式化、常规性的工作任务最容易编程，也最容易被替代（何小钢、刘叩明，2023 ）。奥特尔等（ Autor，et al.，2003 ）最先构建了基于工作任务的分析框架，把生产过程细分为工作任务。此后，基于这一分析框架，研究者把工作任务分为常规任务和非常规任务，进一步指出技术进步与常规任务是替代关系，与非常规任务是互补关系，并基于这一理论设想解释了美国就业和工资的两极分化以及低技能服务职业增长的现象（ Autor and Dorn，2013 ）。国内的相关研究也表明，人工智能等相关技术对不同的工作任务有不同的替代程度，从而导致非常规任务的就业增长，常规任务的就业快速减少，进而产生就业极化效应（何小钢、刘叩明，2023 ）。更为直接的证据来自王林辉等（ 2022 ）对职业可替代率的研究，他们发现，应用人工智能技术的职业可替代风险存在群体异质性，程式化且非认知型职业的可替代程度最高，如针织人员、机械表面处理加工人员、金属轧制人员、石油炼制生产人员、建筑安装施工人员等；非程式化且认知型职业的可替代程度最低，如高等学校的教师、航天工程技术人员、西医医师、律师、文艺创作与编导人员等。

需要指出的是，风险是一个面向未来的可能性范畴。关于风险，存在是否具有损失性的争论。部分学者认为，风险等同于不确定性，但不一定表现为损失性（吉登斯，2011 ），也有学者认为，风险具有损失性特征，是一种负面的象征（贝克，2018 ）。本文认为，风险是否具有损失性，取决于论述语境。在劳动力市场中，风险倾向于具有损失的不确定性，这是由于劳动者有较强的风险厌恶心理，偏向追求就业保障和就业稳定，表明在替代效应的催动下，智能时代的职业风险具有损失性特征。

因此，智能时代的职业风险是职业的工作任务被人工智能替代的不确定性。把替代效应与创造效应综合起来看，职业风险表现为两种形式：失业风险和收入风险。失业风险强调的是人工智能全部替代劳动者的威胁，关注人工智能对劳动者下岗失业的可能影响，如果绝大部分的工作任务或核心任务被人工智能替代，劳动者就将面临较大的失业风险。收入风险强调的是人工智能对劳动者就业质量与福利的威胁，认为人工智能替代会造成劳动者收入下降或上涨减缓。或者，在替代效应与创造效应并存的条件下，被替代的劳动者转岗或职业流动增加了劳动者的收入风险。

（二）阶层认同的风险逻辑

从社会分层的理论维度看，职业是连接教育、技能和收入的桥梁，是“持续得到供应和赢利机会的基础”，也是阶层认同的基础（韦伯，1997 ）。这是因为，在现代社会中，作为物质资源分配的核心机制，职业直接影响劳动者的收入水平，代表劳动者所拥有的权力、财富和声望，决定不同社会群体的差异化的“生活机会”（仇立平，2001 ），越是“高质量”的职业，越能够提供更好的“生活机会”。这种更好的“生活机会”有两重含义，一是当前职业拥有的地位资源数量与质量决定当前的“生活机会”。换言之，职业不仅影响居民的地位资源数量，如经济资源，也影响地位资源质量，如社会权力及其影响力。“高质量”的职业兼具资源数量和质量优势，影响居民的消费与心态，提供了更好的“生活机会”。二是职业在未来的较好地位资源决定了未来的“生活机会”，并影响居民的阶层认同。前三次的技术革命造就机械、能源等业态的稳定性较强，劳动者的职业地位也具有较好的稳定性，职业的地位资源既决定当前，也决定未来的“生活机会”，是个体阶层认同的决定性因素。但是，在数字经济快速发展的背景下，职业风险的攀升导致未来“生活机会”的不确定性快速增加，进而影响劳动者当前的阶层认同，使得职业风险成为影响劳动者阶层认同的新的重要因素。

那么，智能时代的职业风险是如何以及通过何种途径或机制影响阶层认同的呢？首先，职业风险会增加阶层认同偏下的可能性。从作用机制看，职业风险是未来负面事件出现的可能性，这种负面事件给劳动者带来了“生活机会”的不确定性，对劳动者的财富和资源累积造成威胁，进而降低了劳动者的主观阶层认同。或者说，职业风险导致人们预期资源积累速度或拥有量下降，使其主观阶层地位认同偏下的可能性上升。其次，从影响路径来看，职业风险具体表现为失业风险和收入风险，前者表现为人工智能完全替代人力，导致劳动者人力资本失效；后者表现为人工智能部分替代人力，导致劳动者工作内容变化或流动到低技能岗位，人力资本贬值，进而产生收入下降或增长变缓的风险。失业风险与收入风险均能导致预期社会经济地位的下降，使人们阶层认同偏下的可能性上升。基于此，本文提出职业风险的“阶层认同下移效应假设”（假设1 ）和“传导路径假设”（假设2 ）。

假设1 ： 人工智能替代的职业风险越高，人们的阶层认同就越低。

假设2 ： 人工智能替代的职业风险提高了劳动者的失业风险与收入风险，因而降低了劳动者的阶层认同。

（三） 风险逻辑下中等收入群体的“低位认同”之谜

分析中等收入群体的阶层认同首先需要对群体进行界定。中等收入群体的划分标准有很多种，包括收入、财产、教育程度、职业等维度（李培林、朱迪，2015；李春玲，2016；王阳、常兴华，2018 ），绝大部分研究基本遵循了以收入为核心的判定标准。事实上，由于劳动力市场是劳动者通过就业取得收入的主要途径，职业在一定程度上反映了劳动者收入和财富的积累状况，因而包括陆学艺的“十大阶层”“EGP分层框架”在内的等传统社会学意义上的阶层划分往往都是以职业为基础。部分研究指出了中等收入群体与中产阶层的区别，认为前者是相较于高收入者和低收入者而言的处于中等收入水平的群体，而后者反映的是职业结构，主要是指白领阶层（李培林、朱迪，2015；李春玲，2018 ）。虽然中等收入群体并不主要按职业来划分，但考虑到职业与收入的相关性，并结合中国收入分配格局与社会结构，中等收入群体就是包括部分白领阶层在内的更大范围的职业集合。

那么，中等收入群体是否可能在更大程度上面临智能时代的职业风险，因而更容易产生阶层认同的下移呢？答案是肯定的，这与中等收入群体的职业分布密切相关。李春玲（ 2018 ）认为，目前中等收入群体包括中高层蓝领（技术工人）、中低层白领（专业技术人员和经理人员、办事人员）、小业主和自雇劳动者。在中等收入群体内部，蓝领从业者在中低收入群体、中间收入群体和中高收入群体中分别占2/3、1/2和1/3；高收入群体中以企业主、经理人员、小业主为主；低收入群体以农民和部分工人为主，其中，农民占低收入群体的一半（李春玲，2018 ）。根据以上划分可知，相对而言，大部分中等收入群体从事的是中等技能水平的工作，这类工作具有较强的程式化、常规化特征，而高收入群体从事的是认知型的非常规复杂性工作，低收入群体从事的是非认知型非常规的简单性工作（ Autor，et al.，2003；王永钦、董雯，2020 ）。由于人工智能的程式化任务编码特征随着自动化、机器人等的出现不断应用于劳动力市场，程式化、常规化的职业风险变得最大，也最容易被替代。从长远来看，人工智能等技术的应用会导致就业极化——中等收入群体（中等技能水平劳动者）就业比例下降，高收入（高技能水平劳动者）与低收入（低技能水平劳动者）就业比例扩大，这些在对欧美地区发达经济体的研究中已经得到证实（ Acemoglu and Autor，2011；Autor and Dorn，2013 ）。因此，中等收入群体更大程度上承受了人工智能技术发展带来的不利冲击，具有更大的职业风险，据此，本文提出假设3。

假设3 ： 与低收入群体和高收入群体相比，中等收入群体要承受更高的职业风险冲击。

虽然中国中等收入群体的规模在不断扩大，但其阶层认同并未得到显著提升，甚至还有所下降（邹宇春，2023 ）。那么，为什么近十几年来中等收入群体“低位阶层认同”的概率（发生比）会提高？我们认为，因为同一个时期，数字经济与人工智能也迎来了突破性进展，计算机、机器人开始应用于生产劳动，并影响劳动力市场，导致中等收入群体的职业风险不断增加。在各收入阶层对职业风险具有相同敏感度的前提下，中等收入群体的职业风险最高，这意味着他们更容易出现阶层认同下移。这些分析进一步回应了中等收入群体“低位认同”之谜，也构成了职业风险的阶层认同下移效应对中等收入群体的推论。因此，我们根据假设1与假设3，提出假设4。

假设4： 与低收入群体和高收入群体相比，职业风险使中等收入群体更容易产生阶层认同下移，且下移程度更高。

（四）资源逻辑对职业风险逻辑的调节效应

正如前文所分析的，风险的阶层认同下移效应可能受到地位资源分布的影响，这是由于资源逻辑与风险逻辑最终都指向了劳动者的生活机会，不同的是，资源逻辑指向的是当前的生活机会，而风险逻辑指向的是未来生活机会下降的可能性。由于人们的需求和消费存在边际效用递减规律，因而占有较多资源的劳动者在满足生活机会后往往具有较高的资源存量和较强的对抗风险事件的韧性（沈坤荣、谢勇，2012 ）。较高的资源存量能够减缓风险对生活机会的冲击，进而降低职业风险对生活机会的负向影响。

因为资产和收入具有地位资源的典型特征，所以本文用这两个指标分析风险的阶层认同下移效应中的资源逻辑。资产和收入虽然都属于地位资源，但性质不同：前者属于冗余资源，具有对抗风险的韧性；后者属于非冗余资源，但较高水平的收入也能形成冗余资源和资源存量，增强人们抵抗风险的能力。在风险的阶层认同下移效应中，资产与收入提高了家庭抗击风险的能力，能够缓解职业风险对“生活机会”的冲击。据此，本文提出资源对风险逻辑的“调节效应假设”：

假设5 ： 资产和收入能够缓解职业风险对阶层认同的负向影响。

变量测量与实证策略

（一） 数据与样本

本研究数据来自2014年、2016年和2018年中国劳动力动态调查（简称CLDS ）。其中，2014年CLDS数据的劳动技能指标最全面，可以用来计算职业层面的人工智能替代风险。为避免因果倒置等内生性问题，个体层面的数据取自2016年和2018年的CLDS数据，选取的是16—60周岁的就业者样本。此外，数字经济指数、人均GDP和二三产业占比等宏观层面（省份层面）的数据来自各省份的统计年鉴和北京大学数字普惠金融指数。本研究剔除了由于拒答等原因缺失的样本，最终得到17623个就业者样本，其中，2016年有10055个，2018年有7568个。

（二） 职业风险测度：人工智能职业替代率

笔者借鉴王林辉等（ 2022 ）的研究，基于职业技能要求，利用机器学习方法、统计分析方法等计算职业层面的人工智能替代率（ AIoccu ），然后再进行区域调整，得到最终的职业风险（ AIadj ）。其中，最为关键的是测算人工智能替代率，测算原理为：把职业分解为多个任务要求，例如阅读能力、合作能力、管理能力等多个任务属性，并把任务属性作为预测变量，以能够确定人工智能替代率的职业为因变量，建立预测模型，再根据预测模型计算其他职业的替代率。具体步骤如下：

第一，数据集选择。本研究选择2014年的CLDS数据测算人工智能替代率，一是由于2014年的CLDS对劳动者工作技能做了最为详实的调查，能够提供尽可能多的职业任务属性变量；二是2014年正是人工智能发展的初期阶段，工作属性受人工智能技术影响程度较低，能够避免在阶层认同和人工智能替代之间出现反向因果等问题。

第二，确定预测变量。本研究的预测变量包括掌握工作技能的时间、能力和技能使用状况，以及专业技术资格数量、专业技术资格等级、互联网使用、互联网工作参与、阅读能力、打交道频率、合作能力、社交机会、外语能力、普通话能力、管理能力等18个任务属性变量。此外，预测变量还纳入了单位规模、是否有工会、所在行业等就业单位信息，以及所在地区的GDP、二三产业占比和贸易依存度等宏观层面的信息。

第三，构建训练集。依据人工智能技术发展现状和权威专家判断，以专利、机器人应用和相关新闻报道等为佐证（王林辉等，202 2 ），我们在劳动力个体层面建立训练集，确定完全可以替代的职业（取值为1 ）与完全不可以替代的职业（取值为0 ）。确定完全可以替代的职业的依据是人工智能技术的发展状况，用以下三个方面的证据评估职业是否可能被完全替代：（1）专利库中是否存在可以自动化执行相关职业任务的专利；（2）新闻资讯中是否存在相关职业任务已经实现自动化的实际案例；（3）根据国际机器人联合会统计的中国不同行业和不同用途的机器人数量来判断机器人替代劳动的情况。完全不可以替代职业的确定依据的是权威专家的判断，在牛津大学工程科学系研讨会上，人工智能领域的权威专家凭借自身的专业知识，筛选出了人工智能技术短期内难以替代的职业。如果在发达国家现有技术都无法替代的职业，中国短期内可能也难以实现人工智能替代。按照职业判断的结果，把装卸搬运和运输代理服务人员、仓储人员、纺纱人员、针织人员、印染人员、印刷人员、橡胶制品生产人员、塑料制品加工人员、耐火材料制品生产人员、矿物采选人员、机械冷加工人员、机械热加工人员、包装人员等标记为完全可以替代的职业（取值为1 ），把人民法院和人民检察院负责人、基层群众自治组织负责人、企业负责人、事业单位负责人、法学研究人员、管理学研究人员、其他科学研究人员、建筑工程技术人员、西医医师、中医医师、律师、高等教育教师、中等职业教育教师、中小学教育教师、幼儿教育教师、工艺美术与创意设计专业人员、体育专业人员等标记为完全不可以替代的职业（取值为0 ），并以此作为训练集（王林辉等，2022 ）。

第四，测算职业层面的人工智能替代率。具体测算步骤为：（1）利用个体层面的训练集信息，以预测变量为输入变量，以二分类的替代率作为输出变量，采用随机森林、支持向量机和Logit回归建立预测模型；（2）根据预测模型，对全体劳动者样本的替代率进行测量，得到每个劳动者的人工智能替代倾向；（3）计算职业层面的人工智能替代率，用三个预测模型下各职业分组的人工智能替代倾向均值衡量；（4）综合三种预测模型，计算每个职业下的三种预测方法的均值。

第五，指数调整。在不同数字经济发展条件下，同一种职业的人工智能替代风险也不同，因此需要对职业层面的人工智能替代率（ AIoccu ）进行调整。本文把省份层面的年度数字经济指数（ dig ）作为调整系数，利用如下公式计算：

其中， dig _max 为数字经济指数的最大值， dig _min 为数字经济指数的最小值，调整系数为对数字经济指数的归一化处理。经过上述调整，把职业风险细化为职业和省份的交互层面。公式1中的数字经济指数是由省份层面的百人互联网宽带接入用户数、计算机服务和软件业从业人员占比、人均电信业务总量、百人中移动电话用户数和数字普惠金融指数等五个指标经过主成分降维得到（赵涛等，2020 ）。

（三）变量测量

1. 因变量

本研究的因变量为“阶层认同”。CLDS问卷要求被访者用1—10分评价自身的地位。题项为“在我们的社会里，有些人居于顶层，有些人则在底层。您认为您自己目前在哪个等级上？最高的10分代表最顶层，最低的1分代表最底层”。表1的数据显示，阶层认同的均值为4.376，表明大多数人认为自身地位偏低，符合目前研究“向下偏移”的分布形态结论（黄超，2020 ）。

2. 自变量

本研究的主要自变量为“职业风险”，在前面已有详细说明。值得注意的是，本文在计算职业人工智能替代率时，以随机森林模型、Logit统计模型和支持向量机三种预测模型下的人工智能替代率均值为标准，同时使用不进行区域调整的职业人工智能替代率均值和分别利用三种预测模型计算的数据进行稳健性检验。

本研究的其他自变量还包括“各收入阶层”和“收入位置”。“各收入阶层”包括低收入群体、中等收入群体和高收入群体三类，把处在个人年度收入中位数76%—200%的群体界定为“中等收入群体”，两侧为“低收入群体”和“高收入群体”（李培林，2017 ）。“收入位置”测量了劳动者的个人年度收入所处的位置（百分位），取值范围为0—1，数值越大，表明在年度内的收入排名越靠前。“收入位置”用来补充三类收入群体的粗略划分。

3. 中介变量

本研究的中介变量之一为“失业风险”。失业风险是用来衡量劳动者在未来面临失业风险的程度，用“被访者对自身未来就业状况的评估”表示，对应的题项为“未来五年里，您遭遇失业的可能性有多大？”，赋值方式为：“可能性非常小”=1；“可能性比较小”=2；“可能性比较大”=3；“可能性非常大”=4。表1的数据显示，失业风险的均值为1.571，表明大多数人认为自己的失业风险可能性非常小。由于“失业风险”变量仅在2016年CLDS数据中有提供，且存在少量缺失，因此其有效样本量较少。

本研究的中介变量之二为“收入风险”。风险是面向未来的可能性范畴，而非事实性范畴，测算风险就要对劳动者未来的市场表现做出预测（ Cisse and Barrett，2018 ），具体而言，预测未来收入并与当下收入做出比较可用来衡量收入风险。沿着这一思路，本文建立了收入预测模型来估计预期收入，进而计算收入下降的情况。如果在未来的收入下降比率较高，则表明劳动者面临收入下降或增长减缓的概率会增大，收入风险也越高。具体步骤如下，第一，设定收入预测方程：

其中， ln income _i _{，

t} 为被解释变量，表示t期劳动者的收入对数； ln income _i _{，

t-1} 为t-1期的收入对数， λ ₁ 为其回归系数； CV ¢ _{i

，

t-1} 为协变量集合，包括性别、年龄、婚姻、户口、政治面貌、受教育年限、单位类型、劳动合同、人均GDP、二三产业占比和适龄劳动力，回归系数省略； o ¢ _{i

，

t-1} 为职业固定效应，采用的职业编码及其颗粒度与自变量（职业风险）保持一致； p ¢ _{i

，

t-1} 为省份固定效应； λ ₀ 和 ε _i _{，

t} 分别为截距和残差。鉴于数据的可得性，本文假设协变量、职业变量和省份变量在相邻期保持不变，即劳动者的人口学特征和劳动市场表现等变量在相邻期（ 2年）保持稳定。第二，估计模型，并使用模型预测劳动者未来收入。本研究将利用相关数据估计收入预测模型，然后预测劳动者未来的收入，并利用如下公式衡量收入风险：

其中，

为未来一期（t+1期）的收入预测值，

为当期（t期）的收入，

为收入风险，用收入下降比率表示。表1的数据显示，收入风险的有效样本为16797个，均值为0.008，标准差为0.749，这是由于存在少量劳动者收入为0，无法计算收入下降比率，并表明整体样本的收入风险略大于0。

4. 调节变量

本研究的调节变量为收入和资产，收入是由劳动者的就业年收入计算而来，为矫正收入右偏特征，本研究做了取对数处理。资产包括三类：住房资产（包括自有产权和共有产权的住房的市值，并扣除住房贷款）、金融资产（包括相关债务往来，由净借出额表示）和非金融资产（包括工商业资产、农业机械、汽车、摩托车等）（黄超，2020；王晓娟、石智雷，2022 ）。资产变量由上述三类资产加总而来，因为部分家庭存在负资产，所以本研究以资产最小值为基准进行了资产金额调整。为矫正资产右偏特征，本研究也对资产变量做了取对数处理。

5. 控制变量

本研究的控制变量包括劳动者的个体属性、就业特征、家庭状况、所在地区的发展状况等。个体层面的控制变量包括性别、年龄、婚姻、户口、政治面貌、受教育年限、单位类型、劳动合同、收入、资产；省份层面的控制变量包括人均GDP、二三产业占比和适龄劳动力。此外，本研究还控制了职业固定效应、区域固定效应和年份固定效应。变量的具体测算参见表1。

（四）统计分析方法

第一，为检验假设1，考察人工智能替代的职业风险与阶层认同的关系，本研究使用全体劳动者样本，设定OLS模型进行检验。模型设定如下：

其中， Y _1i 为因变量，代表劳动者的阶层认同； a ₀ 为截距项； AI _i 为自变量，代表劳动者的人工智能替代的职业风险；CV为控制变量集合； o _i 、 p _i 和 t _i 分别表示职业固定效应、区域固定效应和年份固定效应； ε _i 为残差项。通过估计回归系数 a ₁ 可以判断样本数据对假设1的支持情况，若 a ₁ 显著小于0，则表示职业风险降低阶层认同，支持假设1。

第二，为了检验假设2，考察失业风险和收入风险是否能成为职业风险与阶层认同之间的作用机制，本研究在假设1检验的基础上，还设定中介效应模型进行检验：

其中，公式的变量符号与前文保持一致， M _i 为机制变量，分别表示失业风险和收入风险； β ₁ 反映了职业风险对失业风险或收入风险的影响强度，若 β ₁ 显著大于0，则表示职业风险显著提高了劳动者的失业风险或收入风险； θ ₂ 反映了失业风险或收入风险与阶层认同的相关关系，若 θ ₂ 显著小于0，则表示失业风险或收入风险显著降低了劳动者的阶层认同。当 β ₁ 与 θ ₂ 的回归系数符合预期时，即中介效应成立，失业风险或收入风险是职业风险与阶层认同之间的中介机制。

第三，假设3和假设4整体上估算了职业风险对阶层认同平均影响的收入阶层差异。对于s群体而言，职业风险对阶层认同的平均影响为。其中，为s群体阶层认同对职业风险的敏感度，含义为，每上升1个单位的职业风险阶层认同上升或下降的程度，与方程4中的含义一致；为s群体的职业风险均值，即承受的风险水平。相乘项的社会学含义可以理解为，s群体相对于无风险状态的阶层认同受职业风险的影响程度。如果中等收入群体的阶层认同更容易受到职业风险的冲击，那么相乘项（绝对值）会更大。