机器人应用与劳动就业：基于任务偏向视角的经验分析

钱圆圆 王林辉 姜昊

摘 要：文章运用国际机器人联合会数据和中国劳动力动态调查数据，从任务的常规属性、认知属性以及社交属性三个维度，实证检验了机器人应用的任务偏向对就业的影响。研究发现：机器人应用具有显著的任务選择偏向，能提升非常规型任务、认知型任务和社交型任务的劳动力需求；机器人应用对不同学历劳动者的任务选择偏向具有异质性，能显著提升高学历非常规型、常规型、认知型及社交型任务的劳动力需求，但会减少低学历常规型、认知型和非认知型，以及高学历非社交型任务的劳动力需求。因此，要注重对劳动者特别是从事常规型、非认知型以及非社交型任务劳动者的综合素质培养和再培训，以助推更高质量和更充分就业。

关键词：机器人；任务偏向；就业

作者简介：钱圆圆，华东师范大学经济与管理学院博士研究生（上海 200062）；王林辉，华东师范大学经济与管理学院教授、博士生导师（上海 200062）；姜昊，华东师范大学经济与管理学院博士研究生（上海 200062）

基金项目：国家社会科学基金重大项目“人工智能技术与更充分更高质量就业问题研究”（20ZDA069）；教育部哲学社会科学研究后期资助重大项目“工业智能化的经济地理格局重塑效应研究：技术偏向与微观机制”（22JHQ011）

DOI编码： 10.19667/j.cnki.cn23-1070/c.2023.06.006

引言

当前，大数据、云计算等数字技术发展迅猛，推动了机器人等智能化技术在生产和生活中的普遍运用。国际机器人联合会（IFR）数据显示，2022年中国机器人安装量高达290 258台，同比增长5%，约占全球机器人安装量的52%，运行存量更是突破了150万。机器人的大规模运用再度引发了人们对“机器换人”的普遍担忧。世界经济论坛报告预计，到2025年，机器人将替代约8 500万人的工作岗位。机器人应用对劳动力市场究竟会产生何种影响是当前亟需解答的问题。部分学者对技术进步的就业破坏效应表现出担忧。当机器人相对于人工更具优势时，企业为了节约成本、提高劳动生产率会提高企业的自动化水平，此时，机器人技术发展将会与就业形成竞争关系，这种竞争关系会替代劳动力、降低劳动力需求。Frey和Osborne运用高斯过程分类估计美国702个详细职业的被计算机化概率后发现，大约有47%的岗位面临高自动化风险。王林辉等人基于任务属性测算出中国约有19.05%的就业面临高替代风险。Acemoglu 和Restrepo估计美国通勤区的机器人应用对就业的影响时发现，机器人渗透度每提升1单位，就业总人数将会下降0.2%，员工的工资收入将会下降0.42%。王永钦和董雯将中国行业机器人安装数据和制造业上市公司微观数据相结合研究中国的机器人兴起对就业的影响后发现，工业机器人应用对就业有一定的替代效应，机器人渗透度每提升1%，制造业企业的劳动需求会下降0.18%。周广肃等人运用中国人口普查和家庭追踪调查数据考察智能化对劳动力市场的影响，得出智能化将会对劳动就业产生明显的替代效应这一结论。虽然以人工智能为表征的技术进步会导致一部分人失业，但是研究新技术对劳动力市场的影响过程中并不能单纯地只考虑技术直接作用的部分，也要关注由技术应用引发的诸多其他部分的后果。Autor指出，从过去200多年的历史数据来看，失业率除了周期性波动以外，并没有明显上升。Graetz和Michaels运用跨国面板数据实证研究后发现，工业机器人并没有对总就业产生明显的负向冲击，原因在于，学者们可能夸大了人工智能技术或者自动化对劳动的替代程度，而忽略了人工智能技术与劳动之间的强互补性，恰恰是这些互补性能够明显地提高劳动生产率、提升收入水平，进而增加劳动需求。李磊等人运用中国微观企业数据检验机器人对劳动力市场的影响，发现不同于现有研究，机器人会显著地提升企业的劳动力需求，并将这种就业提升效应归因于由生产率效应引致的产出规模扩大。

实际上，机器人应用并不会均等惠及所有的劳动群体，仅仅研究机器人应用的整体就业效应并不能够全面反映机器人技术冲击。原因在于，机器人不仅具备可编码、可重复和自动控制等属性，还拥有高精度、高持久性和耐疲劳性等优势，其在生产生活中的应用无疑会呈现任务偏向性特征。如果一项任务可编码、可重复性高或者可预测性强，则该任务通常可以由机器人来完成。如果一项任务需要劳动者具备直觉判断能力、灵活解决问题能力、情景适应能力、互动交流能力甚至是创新能力时，这些任务的可替代性通常较弱。魏下海等人基于国际机器人联盟数据和2012—2016年的中国劳动力动态调查数据研究机器人对移民就业的影响时发现，机器人会显著地降低可被数字化和程序化、缺乏灵活性和自主性任务移民的就业概率，但能够显著地促进难被数字化和程序化、灵活性和自主性较高任务移民的就业，原因在于，相较于可自动化任务移民，在城市空间里难自动化任务移民更能够与机器人实现“人机共存”。余玲铮等人按照可编码和重复性程度、认知和社会互动需求高低，将任务划分为常规型和非常规型两类，利用广东省制造业企业调查数据检验工业机器人对非常规和常规任务工人的工资差距的影响后发现，工业机器人具有显著的非常规任务溢价效应，能够显著拉大两类劳动者的工资差距。根据现有文献可知，机器人应用具有任务偏向性，那么这种任务选择偏向对就业会产生何种影响呢？在不同学历群体间这种影响是否具有差异？对这些问题的回答，不仅有助于准确理解机器人应用就业效应背后的任务特征，还能为优化劳动力配置提供决策依据。

鉴于此，本文采用2012年、2014年和2016年中国劳动力动态调查数据（CLDS），根据受访者的工作内容特点，将劳动者分别划分为常规型和非常规型劳动者、认知型和非认知型劳动者，以及社交型和非社交型劳动者，基于微观数据考察机器人应用的任务选择偏向对就业的影响，并结合个体学历特征进行分类讨论。本文的边际贡献在于：第一，检验了机器人应用的任务选择偏向对就业的影响，已有研究通常根据职业特点对劳动者的工作任务按常规与否进行简单划分，但看似常规的职业也可能会包含难以自动化的任务内容，因此本文依据微观个体调查数据中关于工作内容的问卷，更加细致地对受访者的工作任务类型进行精准识别，旨在科学地评估机器人应用的任务选择偏向对就业的影响；第二，不同于现有文献仅仅将任务划分为常规型任务和非常规型任务，本文还根据任务需要的脑力劳动需求，将任务划分为认知型任务和非认知型任务，根据社交互动需求将任务划分为社交型任务和非社交型任务，从多个维度考察机器人应用的任务偏向对就业的影响；第三，结合劳动者学历异质性，考察机器人应用的任务选择效应在不同学历群体中呈现何种特征。这些结论对于从任务偏向视角系统、全面地评估机器人应用的经济效应、助推更高质量与更充分就业等意义重大。

本文剩余部分的安排如下：第一部分是文献综述与研究假说；第二部分介绍模型、数据与变量；第三部分实证检验机器人应用的任务选择偏向效应；第四部分对机器人应用的任务选择偏向效应展开异质性分析；第五部分结论与建议。

一、文献综述与研究假说

以机器人为载体的智能化技术并非完全替代某一类劳动，其对劳动力的影响会表现出偏向特征。文献通常将任务按照能被程序化与否划分为“常规型”和“非常规型”，按照认知能力要求高低划分为“认知型”和“非认知型”。④Black和 Spitz-Oener总结了更加广阔的任务范围，主要包括常规体力型、非常规体力型、非常规分析型以及常规互动型等任务。任务偏向性技术进步理论认为，技术进步通常对常规与非常规任务会产生不同的替代弹性，自动化技术会减少从事日常手工和常规型认知性任务的劳动力需求，但会提高从事非认知任务的劳动需求。邢春冰和李春顶在假设计算机化只能替代常规任务，对非常规任务不会产生影响这一前提下，分析技术进步对劳动收入份额的影响途径，结果发现技术进步会降低计算机的使用成本，因而企业倾向于采用计算机取代常规任务，劳动收入占比也会因此下降。都阳等人尝试从工作任务视角来解释劳动力市场的结构变迁，发现劳动市场上非常规任务需求在不断增加，但是操作型劳动分布无明显变化，進一步控制受教育水平后发现，不同任务类型的劳动回报存在差异，其中非常规、认知型劳动的收入溢价高达70%。不过，由于中国样本期内开始出现劳动力短缺问题，执行操作性任务的劳动者收入约提高了20%，但是执行常规认知型任务的劳动者收入出现明显下降。Ge等人利用人口普查和小普查数据对1990—2015年间中国就业结构动态变化进行分析，发现这一时期中国整体的常规操作工作岗位呈现上升趋势，其中常规体力劳动就业份额从57%下降至32%。

总体而言，机器人应用的任务偏向性可能会对不同任务类型的就业需求产生差异化影响。文献通常认为，按照既定流程执行的、可被程序化的体力或认知操作的工作任务更容易被替代，而以思考、分析、管理和决策为核心，或者以情景适应、人际沟通为主的抽象或手工任务较难被人工智能技术应用替代。其中，抽象任务是指需要直觉、创造力、说服力和解决力等能力的工作，如专业技术或管理岗位等，手工任务通常是需要手指灵巧度、眼脚协调等能力的工作岗位。常规任务智能化程度的逐渐深入，会降低执行常规任务劳动力的工资。倘若人工智能技术应用与执行非常规任务劳动者的认知能力和隐形知识水平形成良好互补，则会增加这类技能劳动者的需求。可以预见，自动化将会减少从事日常手工和常规型、非认知型、非互动型任务的劳动力需求，但会提高非常规互动和非常规分析任务以及互动型任务的劳动力需求。换而言之，劳动力市场对具有高认知能力、沟通技巧、技术水平、自我组织管理能力以及人际交往能力强的劳动者需求不断上升。综合上述分析，易知现有文献的非常规任务界定较为宽泛，实际上非常规型任务不仅反映了任务的难自动化和难程序化，还反映了其对脑力劳动需求和社交能力需求。为了更加细致地考察机器人应用的任务偏向对就业的影响，本文将任务细分为常规型和非常规型、认知型和非认知型以及社交型和非社交型，从而提出本文的研究假说1。

假说1：机器人应用影响就业存在任务选择偏向性，会提升非常规型任务、认知型任务、社交型任务的劳动力需求。

随着生产的自动化、智能化进程不断加快和优化，劳动者的岗位更替将会日益频繁，学历是自动化冲击下劳动者能否适应岗位的关键。一方面，受教育程度高的群体通常具有更高的生产率提升效应；另一方面，根据人力资本理论，受教育水平高的劳动者更能够实现技术互补，胜任非常规任务。机器人应用对劳动的替代与创造实际上反映了其对劳动者的技能需求变化差异，因此有必要从学历异质性视角考察机器人应用任务偏向的就业效应。现有文献也常以受教育水平来衡量劳动者的技能水平，将受教育水平为大专和大专以上的群体归为高技能劳动，将受教育水平为大专以下的群体归为低技能劳动进而展开研究。宁光杰和林子亮运用世界银行提供的企业调查数据，研究信息技术对技能结构的影响后发现，信息技术能够显著提升高技能劳动力比例、减少低技能劳动占比。杨白冰等人研究发现，数字化转型能够显著地提升高技能、服务型劳动力的需求，对于生产型、低技能型员工具有显著的替代效应。Graetz和Michaels研究指出，机器人能够帮助实现机械化、自动化生产，能够显著地减少低技能工人的就业份额。王林辉等人研究发现，技能水平的提升能够缓解机器人对劳动者的替代效应。说明高学历群体通常具备综合的任务执行能力，机器人应用的任务选择偏向会提升对高技能劳动力需求。根据上述分析，提出本文研究假说2。

假说2：机器人应用对不同学历劳动者的任务选择偏向效应具有异质性，相较于低学历群体，机器人应用更可能提升高学历常规型、认知型以及社交型任务的劳动力需求。

二、模型、数据与变量

（一）模型设定

采用如下模型检验机器人应用的任务选择效应：

lntaskijt = α0lnrobotjt + α1lnXjt + δt + σj + εjt（1）

taskijt 表示j 城市t 年任务i 的就业人员占比，其中i = {1，2，3，4，5，6}，task1到task6 依次表示常规型/非常规型、认知型/非认知型、社交型/非社交型三组六类任务就业人员占比，robotjt 表示j 城市t 年机器人应用水平，Xjt 为控制变量，δt 表示年份固定效应，σj 表示城市固定效应，εjt 表示随机误差项，考虑到变量可能存在序列相关性，标准误聚类到城市和年份层面。

（二）指标设计

1.被解释变量

文章被解释变量包括：非常规任务就业人员占比（nonroutine）、常规任务就业人员占比（routine）；非认知任务就业人员占比（noncognitive）、认知任务就业人员占比（cognitive）；非社交任务就业人员占比（nonsocial）、社交任务就业人员占比（social）。魏下海等人和王林辉等人的研究思路是用CLDS数据，从工作内容自主性、进度安排灵活性和工作强度自主性三个方面构建非常规任务指标。本文在上述文章构建思想的基础上，进一步结合CLDS调查问卷中关于所从事工作的特点，将劳动个体归类为非常规任务/常规任务就业人员、非认知任务/认知任务就业人员、非社交任务/社交任务就业人员，并且按照任务类型在城市层面上加总，以计算不同任务类别的就业人员占比。以非常规任务就业人员占比为例，非常规任务就业人员占比=非常规任务就业人数（/ 非常规任务就业人数+常规任务就业人数）。

其中任务类型的常规与否，是根据工作过程的工作内容、进度安排和工作强度三个维度所对应的自主能力和灵活度来测度。具体问题有：（1）工作内容在多大程度上由自己决定；（2）工作进度的安排在多大程度上由自己决定；（3）工作量和工作强度在多大程度上由自己决定；（4）是否需要频繁的体力劳动；（5）是否需要快速而频繁地移动身体的位置。根据对上述问题的回答，完全由自己决定时取值为1，部分由自己决定时取值为2，完全由他人决定时取值为3。若取值为1和2，则将劳动者从事的工作任务属性划分为非常规任务；若取值为3，将劳动者的工作任务属性划分为常规任务。

任务类型属于认知型还是非认知型是根据劳动者在工作过程中，是否需要快速反应的思考等脑力劳动来判断，回答“经常”时取值为1，回答“有时”时取值为2，回答“很少”时取值为3，回答“从不”时取值为4。如果取值为1或2，就认为劳动者从事的工作任务为认知型，如果取值为3或4，就认为劳动者从事的工作任务为非认知型。

任务类型属于社交型还是非社交型主要根据以下问题来判断：（1）与顾客/服务对象打交道的频繁程度；（2）与客户/供应商打交道的频繁程度；（3）与各种来客打交道的频繁程度；（4）被访者在工作中，与上级领导打交道的频繁程度；（5）被访者在工作中，与下级同事打交道的频繁程度；（6）被访者在工作中，与平级同事打交道的频繁程度；（7）被访者在工作中，与上级部门/单位打交道的频繁程度；（8）被访者在工作中，与下级部门/单位打交道的频繁程度；（9）被访者在工作中，与其他单位打交道的频繁程度。频率为“经常”取值为1，频率为“有时”取值为2，频率为“很少”取值为3，频率为“从不”取值为4。取值1、2、3时认为劳动者从事的工作任务为社交型；取值为4时就认为劳动者从事的工作任务为非社交型。

2.核心解释变量

核心解释变量：机器人应用水平。机器人通常作为一种生产要素应用到生产中，因此本文采用国际机器人联合会（IFR）提供的机器人存量数据测算机器人渗透度来表征机器人应用水平。由于机器人存量数据只提供了国家-行业层面数据，没有提供城市层面的数据，我们参考Acemoglu和Restrepo、陈媛媛等人的研究，用“巴蒂克工具变量法”构建城市层面的机器人渗透度。为了保证结果的稳健性，并且考虑到人工智能企业数量也是地区机器人应用水平高低的重要表现，本文还通过归纳人工智能相关关键词，运用Python技术在天眼查企业信息数据库获取人工智能企业信息，将城市层面的人工智能企业加总作为机器人渗透度的替代变量，进行稳健性检验。

3.控制变量

为了缓解因遗漏变量导致的估计偏误，参考汪前元等人和王林辉等人的研究，本文尽可能多地加入既影响机器人应用又影响地区就业水平的控制变量。具体包括地区的经济发展水平（gdp），用地区生产总值，即GDP来表征；人口规模（peo），用城市常住人口数来表征；产业结构（ind），用第三产业占GDP的比重来表征；工资水平（wage），用在岗职工工资来表征；城市企业规模（ent），用规模以上工业企业数来表征；研发技术水平（rd），用科研综合技术服务业从业人员数占全市非农人口的比重来表征。GDP以2000年为基期的GDP平减指数进行平减，就业工资水平以2000年为基期的CPI进行平减。

（三）数据来源

城市层面的数据来自于《中国统计年鉴》《中国城市统计年鉴》，机器人数据来自于IFR，个体工作任务类型等相关数据来自CLDS2012、CLDS2014、CLDS2016。其中，地方人工智能企业数，来自于天眼查企业信息数据库，对所有变量都进行了取对数处理。不同任务占比和机器人应用数据的描述性统计详见表1。

三、机器人应用的任务选择偏向效应

（一）基准回归

模型（1）用于检验机器人应用的任务选择偏向效应，表2汇报了机器人应用对不同任务类型就业群体的影响，其中列（1）和（2）汇报了机器人应用对非常规、常规任务就业人员占比的影响。结果发现，在5%的显著性水平上，机器人应用能够显著地提升非常规任务劳动力的需求，机器人应用对常规任务劳动群体的影响为负，但不显著，表明机器人应用不会偏向于该群体，说明机器人应用具有显著的任务偏向效应。该结论与现有文献的研究发现相吻合，如余玲铮等人运用中国人口普查数据测算了中国1982—2015年职业结构后发现，常规型职业逐年下降，而非常规型职业人数增长迅猛。原因在于，重复性、程式化的工作的“可编码性”和“可预测性”较强，很容易被人工智能替代；而需要劳动者把握工作内容、工作进度，或者是需要劳动者快速、频繁移动身体等无法复制的非常规任务很难被人工智能替代。特别是，非常规型任务人员还可以与机器人应用形成良性互补，进而提升非常规任务从业人员占比。表2的列（3）和（4）汇报了机器人应用对非认知型任务人员和认知型任务人员占比的影响，结果显示，在1%的显著性水平上，机器人应用对认知型任务从业人员占比的影响系数为正，对非认知型劳动的影响并不显著，说明机器人应用对于认知型任务具有选择偏向。表2的列（5）和（6）汇报了机器人应用对非社交型任务人员和社交型任务人员占比的影响，结果显示，机器人应用能够显著提高社交型任务人员就业占比，对于非社交型人员占比的影响系数为负并不显著，说明机器人应用能够与社交型任务形成良好的互补，而对非社交型任务人员占比的负向影响尚不明显。综上可知，機器人应用对于非常规任务、认知型任务以及社交型任务具有选择偏向，能够显著提升从事这三类任务的劳动需求。

（二）内生性处理

考虑到模型可能存在因遗漏变量等原因产生的内生性问题，本文选取工具变量法来尝试进行内生性处理。参考王永钦和董雯的做法，采用美国的机器人存量作为工具变量。主要原因在于：一方面，美国的机器人发展与中国的机器人发展的趋同性很高，满足工具变量的相关性假设；另一方面，美国的机器人应用状况可反映机器人应用的前沿水平，但不能直接对中国的就业产生影响，满足工具变量的外生性假设。内生性检验的结果见表3。其中，第一阶段lniv 系数均显著为正，且Kleibergen-Paap F值大于临界值10，表明美国机器人应用对中国的机器人应用具有显著的正向冲击。工具变量的第二阶段回归结果均显示，机器人应用能够显著地提升非常规任务、认知型任务以及社交型任务的劳动力需求，说明在考虑潜在的内生性问题之后，机器人应用的任务选择偏向效应依然成立。

（三）稳健性检验

（1）更换聚类方式。基准回归汇报的是采取二维聚类的估计结果，考虑到更稳健的标准误虽然会降低统计推断的偏差，但也会增大犯第二类错误的可能性。表4汇报了只聚类到城市层面的一维聚类的估计结果，以检验不同的聚类方式下回归结果是否具有稳健性。（2）更换核心解释变量，考虑到“巴蒂克工具变量法”构造的城市层面机器人应用水平可能存在测量偏误，参考胡晟明等人的研究，将核心解释变量更换为人工智能企业数进行稳健性检验。结果见表5。易知，经过上述稳健性处理后的回归结果依然支持机器人应用对于非常规任务、认知型任务以及社交型任务具有选择偏向，即机器人应用能够显著增加从事这三类任务的劳动力需求，本文的研究结论稳健。

四、异质性分析

为检验机器人应用的任务偏向效应在不同学历群体间是否存在差异，参考王林辉等人的研究，将劳动者是大专以及大专以上学历的归为高学历，将大专以下的归为低学历。对机器人应用的任务选择偏向效应展开学历异质性分析。结果见表6。

表6的列（1）—（4）汇报了非常规任务选择偏向效应的学历异质性估计结果。易知，对于高学历劳动者而言，机器人应用的系数均显著为正，说明机器人冲击下，高学历非常规和常规任务的就业占比均会显著上升。原因可能在于，高学历劳动者具有较高的创造力和灵活性，能够适应不断变化的技术要求。但是低学历工人的学习适应能力很弱，主要从事简单的、重复的、不依赖脑力劳动的常规工作，因此低学历劳动力特别是从事常规任务的低学历劳动更易遭受智能化技术的负向冲击。

表6的列（5）—（8）汇报了认知任务选择偏向效应的学历异质性估计结果。结果显示，高学历认知型任务的就业占比均会上升，而对于低学历劳动者，无论他们是从事认知型还是非认知型工作，均会被机器人替代。原因在于高学历劳动者往往具有高认知能力，不但较少受到技术的负向冲击，还会凭借其再学习能力及时适应技术变化进而完成工作任务，而低学历劳动者多为低技术部门所雇佣，更容易被机器人替代。

表6的列（9）—（12）汇报了社交任务选择偏向效应的学历异质性估计结果。易知，机器人会同时提升高学历和低学历社交型任务的劳动需求，其中高学历劳动群体中的lnrobot 系数更大，说明在机器人应用条件下，高学历社交型任务的劳动需求上升幅度更大。高社交能力需求工作岗位的学历需求更高，反映了机器人应用加强了人机联结，更易与高学历和高社交能力群体形成互补。但是机器人应用会降低高学历非社交型任务的劳动需求，说明非社交型工作更易被机器人替代，高学历的非社交型劳动力也会遭受技能贬值冲击。

五、结论与建议

本文运用2012年、2014年、2016年CLDS微观调查数据，将任务分为常规型和非常规型、认知型和非认知型、社交型和非社交型，检验机器人应用的任务选择偏向效应，并详细探讨了该影响的学历异质性，研究表明：机器人应用具有显著的任务选择偏向，能显著提升高学历常规型、非常规型、认知型以及社交型任务的劳动力需求，但会减少低学历常规型、认知型和非认知型以及高学历非社交型任务的劳动力需求。针对以上结论，提出政策建议如下：

第一，劳动者要注重自身综合素质的培养和工作技能的再培训。机器人应用可以重构劳动力市场的供求格局，而非常规能力、认知能力以及社交能力不仅是抵御“机器换人”的重要屏障，也是保证机器人应用持续推进、实现人机协作的关键技能。因此，伴随着机器人在生产中的广泛应用，劳动者要不断学习、更新自己的各项技能，特别是提高自身的认知能力、沟通技巧以及人际交往能力等，以抵御机器人应用的替代风险。劳动者在不断提升自身技能水平的同时，也要注重向与机器人良性互动的方向发展，进而实现就业质量的稳步提升。

第二，高校要深化教育改革和不断完善教育体系，提升高等教育质量，为社会发展输送专业技术人才。一方面，学校要通过内涵式发展提升教育质量，不仅要帮助学生夯实专业技术基本功，还要重视对学生演绎推理、判断决策以及协调管理等软技能的培养。另一方面，高校要动态监测劳动力市场需求，积极把握科技创新规律，以新技术人才需求为导向，为培养出能够适应人工智能技术发展的高素質人才统筹规划。这样不仅能为就业市场提供丰裕的劳动力资源，还能够降低劳动者因技术变革而面临的摩擦性失业和技术性失业风险，保障更充分、更高质量就业。

第三，政府要完善社会保障制度和就业政策体系，为机器人冲击下劳动力市场结构调整过程中的弱势群体提供社会保障。一方面，建议通过积极组织岗前、转岗和再就业培训，并采取相关激励措施鼓励企业开展培训，帮助被替代群体提升再就业能力，协助低技能群体顺利完成技能更新升级，保障劳动力市场稳定；另一方面，建议建立适应新技术形势的就业政策体系，通过破除影响劳动者流动的制度壁垒，提供均等化的公共服务和就业机会等方式提高不同技能群体劳动者的就业能力，缓解由“机器换人”引致的就业结构性矛盾。

［责任编辑 求实］