摘要:人工智能渗透加快推进产业升级与技术进步的同时,也在重塑劳动力市场格局,并对企业的员工薪酬产生深远影响。采用A股上市公司2019—2023年面板数据,通过双向固定效应模型分析人工智能渗透对员工薪酬的影响。研究发现:人工智能渗透整体上提高了企业的员工薪酬,在制造业企业中,人工智能渗透对员工薪酬产生积极影响,非制造业企业则产生显著的负向影响;同时,人工智能渗透通过影响企业绩效对员工薪酬水平产生影响。建议从国家监管、企业责任与社会协同3个方面着力,实现效率提升与人文关怀的协同发展。

　　关键词:人工智能渗透;员工薪酬;实证分析

　　0引言

　　人工智能是新一轮科技革命和产业变革的重要驱动力量,加快发展新一轮人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题[1]。人工智能作为目前人类最先进生产力的代表性产品,对人类未来生产力的发展具有相当重大的影响。眼下世界各国对于人工智能的研究进展很大程度上代表了其科技水平,这也导致人工智能的发展在各国政治领域也占有举足轻重的地位。人工智能是新一轮科技革命和产业变革的重要驱动力量,将对全球经济社会发展和人类文明进步产生深远影响[2]。

　　图灵1950年在《计算机器与智能》中提出:若人类思维是物理世界的产物,则可通过计算模型模拟,“机器思考”应转化为可验证的工程目标[3]。1956年达特茅斯会议上,“逻辑理论家”程序(JOHNNIAC计算机编写)首次实证机器逻辑推理能力,证明《数学原理》定理2.01[4],并确立“人工智能”学科。20世纪70年代微处理器技术突破后,专家系统因算力限制与知识编码低效陷入瓶颈[5],导致AI发展受挫,进入寒冬。21世纪第二个10年,大数据、搜索引擎及算力(摩尔定律、云计算)推动下,2016年AlphaGo基于深度神经网络击败李世石,标志AI在模式识别领域突破,并向医疗、自动化,语言处理等领域加速渗透。

　　在AlphaGo之后,人工智能领域在大量投资下产生了翻天覆地的变化,ChatGPT、DeepSeek等AI算法的先后出现将人工智能与日常生活的距离无限拉近。这样的发展固然方便了人们的日常生活,但其较高的智能程度与相对较低的使用成本也推动着资本家们越来越趋向于选用人工智能作为企业运营的基本“细胞”。这样的发展趋势客观上对部分机械化工作与创新程度较低的工作产生了较大威胁,也间接影响了企业员工的薪酬水平。目前国内对于这一领域内的研究较少。因此,研究人工智能技术尚未完全成熟和普及时期企业内的人工智能渗透对企业员工薪酬的影响不仅可以为人们对未来工作的预测提供数据支持,也为国家未来可能面临的失业率提高做出警示。

　　1理论分析与假设提出

　　Akerlof[6]提出了效率工资理论,效率工资理论是指企业支付的薪酬高于市场的平均水平以期让员工有更高的工作效率。高于市场水平的薪酬会吸引高绩效的员工,同时减弱员工的离职倾向和偷懒动机从而为企业带来更高的收益。而伴随着人工智能的发展,该技术已经具备了替代基层劳动者的客观条件。这就产生了两种可能:

　　可能1:人工智能以较低的用人代价代替了部分员工后,这部分节约下来的工资被作为效率工资发放给剩余的员工,导致员工的薪酬水平有所上升。

　　可能2:在人工智能以较低的水平替代部分员工或产生出替代员工的趋势后,企业通过这一趋势威胁降低其他员工的薪酬水平。

　　美国经济学家舒尔茨(Schultz)提出的人力资本理论认为人力资本是劳动者在教育、培训、实践、劳动力流动等方面进行的投资,从而获得的具有经济价值的知识、才能、经验和健康等因素的集合,是一种凝结在劳动者身上的资本,人力资本主要是由后天的投资和积累形成的[7]。在人工智能发展的当下,采用人工智能进行部分非创新性的工作宏观上是采用了较少的投入代替了较高的人力资本。这也可能会导致未采用人工智能的企业会尝试采取人工智能代替部分人工。以及已经采取人工智能的企业中无法被人工智能替代的员工们借此提高自身薪酬。

　　同样的,斯密的《国富论》[8]中提出补偿性工资理论:基于理性经济人的假设,劳动者需要被给予补偿性的收入才能被激励去克服困难的工作条件。这一思路也可以被用于分析人工智能渗透对上市公司员工薪酬的影响。在企业中,无法被替代的员工们在人工智能发展的如今有理由要求更高的薪酬,而可以被替代的员工们则会主动或被动的降低薪酬以免被人工智能所替代。

　　因此,人工智能渗透对企业员工薪酬的影响可以从两个方面来分析:

　　1.积极影响

　　人工智能的发展使得企业可以通过人工智能来代替过去需要通过外包或者其他方式处理的重复性,非创新型劳动。在技术密集领域,掌握AI开发、算法优化、数据建模等能力的核心岗位薪资呈现爆发式增长。此外,薪酬结构本身也在优化,例如绩效评估引入AI算法后,高产出员工的奖金分配更透明,而不可替代的人才因稀缺性获得更高的岗位溢价。在员工的不可替代性越强的企业,这种情况发生的可能性越高。

　　2.消极影响

　　对于不可替代性岗位较少的企业来说,人工智能的渗透会导致标准化、重复性工作的薪资增长停滞甚至下降,企业更倾向于用“人机协同”模式降低人力成本。更隐蔽的影响在于,算法管理可能通过实时监控、效率量化等手段变相压低薪酬,显著的例子在于外卖与快递行业通过AI调度系统来改变配件逻辑,变相降低单件的配送费。

　　综上所述,本文提出如下假设:

　　H1:限定其他条件,人工智能渗透对企业员工薪酬有积极影响。

　　March[9]提出了双元性创新理论,理论阐述了两种不同的创新路径:①企业通过整合利用现有的资源与技术进行小步,渐进的创新;②企业通过探索全新领域,进行大量投入以实现高风险高回报的创新。将理论与人工智能实际结合来看,本研究观测的时段内(2019—2023年),市场上相对成熟的开源人工智能资料仍较为稀缺。因此企业发展人工智能的努力属于高风险高回报的创新活动。这也导致了企业需要在资源投入初期承受较高的成本与不确定性风险。这种“高成本、高风险”的特性可能意味着短期内其对企业财务绩效可能会产生抑制效应,然而,企业进行人工智能投资需要大量专业人才。为了争夺人工智能领域的

　　稀缺人才,企业往往需支付显著的薪酬溢价,从而从需求侧拉动员工薪酬水平上升。因此,本文提出假设:

　　B1:H1条件下,人工智能渗透会负向影响企业短期财务绩效,企业短期财务绩效在人工智能渗透与员工薪酬之间起中介作用。

　　2研究设计

　　2.1样本选取

　　本文选择A股上市公司2019—2023年连续5年的面板数据进行分析,选择依据主要有二:其一,2018年中央全面深化改革委员会将人工智能确立为国家战略科技力量,经过约12个月的政策传导周期,在2019年将会显著的传导至企业;其二,考虑到技术发展成熟需要一定程度的研究周期,2019年之后的数据能够有效避免企业初期投入情况的影响。经过剔除观测期间被ST、∗ST、PT的企业并剔除中上协分类下的金融业企业,本文共选取了5 680家企业近5年来的相关数据,共计16 238个有效观测值。为减轻极端数据对整体趋势的影响,本文对数据进行了1%和99%的缩尾处理。本文企业数据除董监高平均薪酬外均直接来自CSMAR数据库,数据处理完全采用STATA完成。

　　2.2变量定义与模型设计

　　1.被解释变量

　　StaffSalaryLevel(员工薪酬水平)企业中不包括董监高在内的所有员工的平均薪酬。该指标排除了董监高可能的高工资对数据带来的影响。同时,这一数据也能够较为精准的代表员工的薪酬水平。

　　2.解释变量

　　AIInvestTotal(AT)指标衡量企业人工智能方面的总投资。这一指标可以很好地体现出企业的人工智能渗透水平,越高的人工智能投资水平意味着企业内部的人工智能化程度越高。从资本的角度看,人工智能化程度高意味着企业可以剩下大量的员工薪酬。而剩下的员工薪酬也可能被用于改善剩余员工的待遇。

　　3.控制变量

　　本文对员工薪酬水平产生影响的变量主要选取了董事会规模,是否两职合一,企业的资本规模,企业的股权集中度,董监高平均薪酬,营业利润增长率。选取营业利润增长率与资本规模的原因是减轻企业本身的发展趋势对员工薪酬产生的影响,选取董事会规模,是否两职合一,董监高平均薪酬,股权集中度的原因是减轻管理层变动与股东行为对员工薪酬产生的影响。变量的具体定义见表1。

　　在衡量员工薪酬方面,员工平均薪酬(不包括董监高)能够最好的代表企业员工的平均薪酬水平,因此,本文选取员工平均薪酬作为员工薪酬水平。同时人工智能投资水平因其能够衡量企业人工智能投资占总资产的比重,因此,本文选择人工智能水平作为替换解释变量进行稳健性分析。由于人工智能投资与员工平均薪酬之间差距过大,所以本文在统一单位为元后,取两变量组的自然对数作为替代。

　　由于人工智能在不同行业中所能发挥的作用各不相同,例如,在制造业企业中,低技术含量的工作几乎可以被人工智能完全替代。而服务业中,人工智能则只能对低技术含量的工作起到辅助的作用。因此,本文通过将观测值分为制造业企业与非制造业企业两大类进行异质性分析,研究人工智能渗透在不同行业中对企业员工薪酬的研究影响差异。

　　3实证检验与结果分析

　　3.1描述性统计

　　员工薪酬水平(SL)的均值为11.933,中位数为11.883,标准差为0.433,显示薪酬差异较小,呈现显著右偏分布,表明高技能岗位薪酬显著拉高整体水平,而普通员工薪酬增长相对滞后,薪酬分化严重。人工智能投资(AT)均值为15.944,标准差为1.909,表明企业间AI投资差异显著。其中最小值10.847与最大值20.674相比,差距极大,反映技术资源高度集中于少数龙头企业。年报AI词频均值为8.847次,标准差为19.492次,最大值达123次,说明企业间存在显著披露差异。股权集中度(LHR)均值为33.5%(中位数31.1%),存在“一股独大”风险;董监高平均薪酬(XCB)均值为50.4万元标准差为35.4万元,表明不同企业高管薪酬差距极大。其中最小值11.677(对数化处理)与最大值14.585(对数化处理)相比,差距极大。营业利润增长率(OPGR)均值为-82.1%(中位数-20.2%),且存在极端亏损(如-4 881%),这说明多数企业普遍面临盈利压力,营业利润近年来下降明显。资本规模(ZG)均值为22.3(对数化处理),标准差1.3,其中最大值与最小值之间差距极大,少数企业规模远高于行业平均水平。具体数据见表2。

　　3.2相关性分析

　　出于验证变量选择的科学性与准确性,本文进行了相关性分析,结果见表3。通过对分析结果进行解读,可以得出,本文所选解释变量AT与被解释变量SL之间在1%水平显著相关;各控制变量均与被解释变量呈现1%水平的正相关关系。

　　同时,本文也对各变量之间的多重共线性关系进行了检验,检验结果见表4。从分析结果来看,本文所选各变量之间的VIF检测值均小于10,各变量间均不存在多重共线性,该结果均可以进行回归分析。

       回归结果见表6,包括无固定效应,只固定行业的单项固定效应以及时间行业的双向固定效应。

　　需要特别说明的是,在行业分类变量(industry_code)中存在两个细分行业各自仅包含1家上市公司(行业G57,行业N76)。由于固定效应模型要求分组变量必须存在组内变异,Stata在执行行业固定效应回归时自动剔除了这两个单样本行业组(共2个观测值),导致模型(2)和(3)的有效样本量减少至16 236。

　　根据上述回归结果可以看出,对于上市公司来说,人工智能总投资与员工薪酬在3种固定效应下均在1%水平显著正相关。其中双向固定效应下回归系数为0.014,这说明人工智能投资水平对员工薪酬水平而言有显著积极的影响。越高的人工智能投资水平下企业员工的薪酬水平也越高,H1得证。实证结果同时也表明企业的资产规模与营业收入增长率与员工薪酬显著正相关,这符合经营状况良好的企业往往会有较高的员工薪酬的一般结论。

　　3.4稳健性检验

　　为了进一步验证人工智能渗透对员工薪酬水平的影响。通过对已有文献进行总结,同时考虑通过人工智能总投资衡量企业对人工智能的重视程度,以及企业管理层的重视程度与总投资数额并不存在绝对值程度的对应关系,出于消除该因素,本文选取年报人工智能总词频率作为解释变量的替换变量[10]。分析结果见表7。

　　根据上述变量替换法下的回归结果,以ARW作为企业人工智能投资程度的主要代表指标的情况下,固定效应回归中ARW与SL之间在1%水平显著正相关,同时,该相关性与前文AT与SL的相关性相同。综上所述,有理由认为人工智能渗透对企业普通员工薪酬水平呈现显著的正相关关系,即较高的人工智能渗透水平会提高普通员工的薪酬水平。

　　3.5内生性检验

　　出于削弱双向因果影响的目的,本文加入了解释变量的滞后项并以此进行回归,见表8。从表8可以看出,滞后一期的人工智能渗透水平对企业普通员工的平均薪酬水平的影响在1%水平显著,表明人工智能渗透水平对企业普通员工的平均薪酬水平具有长期的正向促进作用。

　　本文还采用工具变量法进行内生性检验并得出结论:工具变量有效且不存在弱工具变量问题。检测结果见表9、表10。

　　3.6异质性检验

　　对企业来说,其所处行业的不同与股权性质的不同很大程度上影响了自身的经营决策与发展状况。在人工智能领域,行业与股权的不同可能导致人工智能对企业员工薪酬产生不同影响。例如,制造业企业的AI部署多聚焦于生产自动化与设备智能化,其薪酬增长集中于高技能技术岗位,而低技能劳动力可能因机器替代而部分甚至全部消失,在这种情况下,制造业企业的员工薪酬相比人工智能渗透前反而有所升高;相比之下,非制造业企业(如金融、服务业)的人工智能应用更侧重数据驱动的流程优化,对提高员工工作效率有明显作用,但由于人工智能难以完全替代基层员工,所以人工智能反而可能推动资本家以此为由减少员工工资。股权方面,国有企业具备更高的人员稳定性与较低的盈利压力,因此,国有企业的人工智能部署投入对员工薪酬的影响程度相较于非国有企业较低。综上所述,制造业与非制造业,国有与非国有企业在技术应用场景、生产组织模式及人力需求结构上的本质差异,导致人工智能渗透对薪酬的作用呈现显著分化。因此,本文依据行业属性将样本划分为制造业与非制造业两组,根据股权结构将样本划分为国有非国有两组采用分组回归模型人工智能渗透程度对员工薪酬水平的影响差异,不同组别下人工智能渗透水平与员工薪酬之间的回归系数及显著性水平见表11。

　　需要说明的是,在异质性检验的分组回归中,由于固定效应模型要求组内存在足够变异以估计参数,对制造业与非制造业组内的单样本观测值进行了必要剔除:制造业组检测到4家企业的“行业—年份”组合为单一观测值模型,非制造业组存在6个单样本观测值因无法计算组内变异自动剔除(合计剔除10个观测值,占比极低),样本剔除对结论的干扰可忽略。

　　由表11可以看出制造业企业中人工智能渗透对企业员工薪酬的影响在1%水平正向显著。非制造业企业中人工智能渗透对企业员工的薪酬影响呈负相关且在5%水平显著负相关。这种差异主要源于不同行业中低技术工作的可替代性不同。这一结果表明,对于制造业企业来说,由于该行业内低技术含量的工作几乎可以完全被替代,因此这些企业倾向于将节约的资金作为对高技术水平工作的员工的薪酬增加。而对于非制造业企业来说,由于这些行业内的低技术水平工作难以被完全替代,因此,资本家们更倾向于通过人工智能的效率量化等手段变相降低员工的薪酬。

　　4中介机制检验

　　为检验人工智能渗透对员工薪酬的影响是否通过ROE传递,本研究基于温忠麟[11-12]的中介机制检验方法,结合Efron的Bootstrap法进行中介效应分析。首先构建如下回归方程

　　通过在stata中进行1 000次Bootstrap抽样检验。结果显示(见表12、表13,变量ROE存在6个缺失值,导致模型(3)和(4)的实际观测值数量略少于模型(2)。因其数量占比极低(约0.04%),故对估计结果的影响可忽略不计),变量AT对变量SL的总效应c为0.014(p<0.01),路径系数a=-0.003(p<0.001),b=-0.031(p<0.1),直接效应c′=0.013(p<0.01)。中介效应ab=0.000 093,其95%偏差校正置信区间不包含0,表明ROE在员工薪酬与人工智能渗透之间起部分中介作用,B1得证。需要具体说明的是,在分析中发现,人工智能投资带来的人才竞争机制事实上显著提高了员工薪酬(见于直接系数0.013),但同时也存在人工智能投资拖累企业盈利能力,并因此降低员工薪酬这一中介机制(见于路径系数b),最终,人工智能提高员工薪酬的效果被这一中介机制部分抵消。

　　5研究结论与建议

　　5.1研究结论

　　本文收集了5 680家上市公司近5年来的相关数据,在去除ST、∗ST企业与金融业之后共计16 238个观测值。通过这些数据研究了人工智能渗透对企业员工薪酬的影响。实证结果表明,企业的人工智能渗透对企业的员工薪酬有着显著的正向作用。同时,在异质性分析中,发现制造业企业中人工智能渗透对企业员工薪酬的影响呈正相关,非制造业企业中人工智能渗透对企业员工薪酬的影响表现出显著的负相关关系。

　　5.2建议

　　综上所述,本文提出建议如下:

　　1.国家层面

　　政府应当认识到,尽管人工智能的高速发展会带来一些新的就业岗位,但从宏观角度上来看,人工智能所摧毁的岗位相较其带来的新岗位更多,且这些新岗位需要一定程度的教育水平或特殊能力。因此,在国家发展人工智能的同时,也应当建立人工智能相关的职业技能培训体系,帮助失业员工再就业。另外,政府应当注意到部分服务型行业中人工智能带来的新型隐秘剥削手段,例如外卖与快递行业中通过AI配单,“拼好饭”等方式变相降低骑手单价,出租车行业中利用AI分析实时数据,进行所谓“动态定价”,以此对司机进行剥削。甚至包括部分在线教育中机构通过量化教师的课堂效果(弗兰德斯互动分析系统)[12]来对教师进行评价,但这些评价指标往往会给教师与学生带来许多不必要的压力,甚至成为机构压榨教师的帮凶。政府应当对以上这些剥削行为进行严厉打击,推动技术民主化与合理化,维护社会公平正义。

　　2.企业层面

　　在制造业领域,人工智能的深度应用显著提高了员工人力资本的价值。根据效率工资理论,企业通过提高高技能员工薪酬可激发其技术创新效能。非制造业企业的AI应用更易陷入“算法暴政”陷阱。美国亚马逊仓储管理系统通过AI实时监控员工拣货效率,如果员工的工作速度变慢,或者长时间没有接触包裹就会受到惩罚甚至被辞退。这种技术优势的滥用本质上是技术与责任的完全不对等化。企业通过技术优势在规避劳动法的前提下剥削员工劳动力。企业应当按照人性化的工作理念安排员工,改善工作环境,建立和谐、平等的企业文化。

　　3.社会层面

　　公共媒体应当重点关注人工智能渗透对员工薪酬的影响,需承担技术传播的缓冲作用,减缓当今社会上主流技术万用的盲目乐观以及岗位消失的极度悲观。同时,社会舆论应推动建立人工智能公共监督机制,需通过公众监督防止资本过度侵占人工智能发展带来的技术红利。同时,社会各方也应当共同设立总体就业的帮扶措施与机构,帮助在人工智能浪潮中受到损害的普通员工。这需要突破传统意义上政府主导的单一模式,转而激发媒体、企业、教育机构、社会组织等主体的协同创新。只有当技术演进与社会状况相适应,才能避免薪酬体系被人工智能过度改造,真正实现“效率提升”与“人文关怀”的协同发展。

　　6结语

　　本研究深入分析了人工智能对员工薪酬的复杂影响,研究发现:人工智能的普及确实会推动员工薪酬上涨,但这种影响在不同类型的企业中差别很大。

　　具体来说,在制造业企业里,人工智能的应用更倾向于提升员工的工资水平,尤其是那些高技能岗位,出现所谓的“技能溢价”;而在非制造业(比如金融、服务业等),人工智能却可能通过算法优化、流程监控等方式,无形中拉低部分基层员工的实际收入。此外,国有企业由于本身制度比较规范、人员也相对稳定,人工智能对薪酬的提升效果相对较弱;而非国有企业则较深的受到人工智能发展的影响。

　　这项研究不仅为理解人工智能如何影响劳动薪酬提供了来自中国企业的最新证据,也对如何在技术发展中兼顾效率与公平提供了重要启发。它提醒业界,在大力推广人工智能的同时,也要关注它可能带来的收入分配问题—尤其是针对具有较高可替代性的岗位。对推动实现技术进步与人文关怀的协调发展具有积极意义。

参考文献

　　[1]学习强国学习平台.习*平在十九届中央*治局第九次集*学习时的讲话[EB/OL].(2018-10-31)[2025-03-23].

　　[2]央广网.习*平向世界智能产业博览会致贺信[EB/OL].(2024-06-20)[2025-03-23].

　　[3]TURING A M.Computing machinery and intelligence[J].Mind,1950,59(23):433-460

　　[4]王璐珂.赫伯特·西蒙及其对机器定理证明的贡献[D].石家庄:河北科技大学,2021.

　　[5]常昌盛.人工智能发展史[J].新经济导刊,2023(6):75-78.

　　[6]AKERLOF G A,YELLEN L.Efficiency wage models of the labor market:labor contracts as partial gift exchange[M].Cambridge:Cambridge University Press,1986.

　　[7]李兆颜.人工智能对企业高低技能员工薪酬差距的影响[D].天津:天津财经大学,2022.

　　[8]斯密.国民财富的性质和原因的研究[M].郭大力,王亚南,译.北京:商务印书馆,1972.

　　[9]MARCH J.Exploration and exploitation in organizational learning[J].Organization Science,1991,2(1):71-87.

　　[10]张益豪.企业数字化转型对员工薪酬水平和薪酬差距的影响分析[J].现代商业,2024(20):36-40.

　　[11]温忠麟,叶宝娟.中介效应分析:方法和模型发展[J].心理科学进展,2014,22(5):731-745.

　　[12]温忠麟,张雷,侯杰泰,等.中介效应检验程序及其应用[J].心理学报,2004(5):614-620.

　　[13]邓伟,杨晓丹,高倩倩,等.人工智能支持下的课堂教学评价模型研究[J].中国教育信息化,2023,29(8):3-14.