论文部分内容阅读
[摘 要] 人工智能技术条件下如何全面落实“就业优先”政策，实现更高质量就业，成为“保民生”的重要议题。既有研究主要从单一视角来探索智能化条件下企业就业吸纳力的影响机制，所得到的不一致的结论甚至相互矛盾的观点，无法为智能化条件下提高企业就业吸纳力提供有益的参考。本研究以47家北京市已采用人工智能技术的企业为样本，采用QCA方法，以组态思维探索智能化条件下提高企业就业吸纳力的驱动路径。研究发现：一是企业就业吸纳力具有多重并发因果关系，且其影响因素具有不对称性。二是抑制—创造协同型组态与人力资本推力抑制型或组织环境拉力创造型的单一型组态是产生高就业吸纳力的重要路径。三是抑制—创造协同型组态是产生高就业吸纳力的主要原因。四是与目前对人工智能“技能偏向性”的直觉相反，高技能水平对产生高就业吸纳力的作用较小，但其缺失对低就业吸纳力的影响较大。五是低就业吸纳力的驱动路径分为五条，且在一定条件下低教育程度与低研发投入存在替代效应。
[关键词] 人工智能;就业吸纳力;组态思维;QCA方法
[中图分类号] F246 [文献标志码]A [文章编号] 1672-4917（2021）01-0079-11
一、 引言
人工智能技术作为新的经济增长动力，成为各国竞争的新焦点。2017年，我国就已经颁布了《新一代人工智能发展规划》，明确指出在新形势下，要抢占先机，引领世界人工智能发展新潮流。近来，党的十九届五中全会进一步强调推进人工智能等新技术的发展，强调突破性培育发展数字经济、人工智能等高端产业，加快推进5G、人工智能、工业互联网等“新基建”投资。技术进步是经济增长的决定性因素，从历次技术革命来看，每次技术的革新都会带来经济的增长，但同时也伴随着因自动化而带来的失业率的提高。人工智能作为新一轮的技术革命，与以往的技术进步存在很大的不同，人工智能不再是简单的对低技能重复性劳动的替代，有一定技能和知识的劳动者也有被替代的风险，其对就业造成的影响可能更高。因此，新技术在促进经济增长的同时，其可能对劳动力就业造成的负面影响也成为人们担忧的重要问题。而我国作为一个人口大国，保障就业稳定不仅是促进经济增长的重要条件，也是维护社会稳定的重要保证。目前我国仍然面临“民生保障存在短板”的重要挑战，就业作为最大的民生保障，党的十九届五中全会提出强化“就业优先”政策的目标，而在国家“就业优先”政策下，如何应对人工智能可能对就业造成的负面影响、保持较高的就业吸纳能力从而稳定就业便成为关注的重点。
近年来，学术界对于人工智能对就业的影响机理进行了大量的研究，以期能为突破可能面临的就业困境、保持较高的就业吸纳能力提供理论支撑。一方面，一些学者从宏观角度梳理了人工智能对就业的影响机理，从不同的角度论证了产生就业替代效应与创造效应的因素与机制，取得了丰富的研究成果。如程承坪和彭欢（2018年）[1]从技术进步影响就业的经济学机理和非经济学机理以及人工智能对就业影响的特殊性的角度，阐述了人工智能在何种条件下会产生创造效应及替代效应;吕荣杰和郝力晓（2018年）[2]通过总结历次工业革命对就业影响的特点，从理论视角梳理了人工智能对就业的创造效应及替代效应的框架等。从宏观角度来看，人工智能等技术进步带来的替代效应主要源于劳动生产率的提高、资本生产率的提高、劳动力需求结构的变化等因素（谢璐等，2019年）[3];创造效应主要源于产品价格下降、社会需求增加、新岗位及新行业的出现等因素（蔡跃洲等，2019年）[4]。另一方面，也有学者研究微观企业层面的影响路径，如王君等（2017年）[5]认为企业是否会采用技术进步，采用后能否扩大生产规模是智能化下微观企业层面是否会产生替代效应的关键点，并指出微观企业层面分析的影响因素应包括采用技术进步后的投资成本、利润实现、岗位创造、劳动需求变动等情况，但并没有进行具体的解读分析;何勤等人（2020年）[6]主要从人工智能技术研发投入的角度对微观企业层面的就业影响路径进行分析，指出企业增加人工智能研发投入并不会对就业产生绝对的负面影响，并强调人工智能技术研发投入对人才技能需求的变化，鼓励员工参与技能培训。总结起来，目前从微观企业层面就人工智能对就业影响机理的研究仍然较少，其研究角度主要涵盖了企业整体层面的人工智能研发投入、利润增长能力，以及对员工层面的劳动需求变动，如对员工技能水平的需求变动与培训、对员工教育程度的需求变动等。另外，整体看来无论从宏观层面还是微观层面，均缺乏从系统整体的角度研究各种因素的联动匹配对人工智能对就业总效应的影响，即各种因素如何联动匹配才能影响创造效应及替代效应的相对大小来对最终的就业规模产生影响，一般来说，创造效应越大于替代效应，最终就业规模就越大，就业吸纳力就越高。
事实上，人工智能作为新一轮的技术革命，与以往技术革命相同，均会对就业产生创造效应与替代效应，但对就业总效应的影响，是由各种因素协同联动，最终的影响是由创造效应与替代效应的相对大小来决定的，这是一个复杂的过程。现有研究虽然对人工智能对就业的影响机理进行了大量的研究，取得了豐富的成果，但往往囿于传统定量分析方法，局限于对每一单一因素的分析，鲜有从系统整体的视角考察各因素的协同联动对就业总效应的影响，并且目前大量研究均从宏观角度出发，缺乏微观的企业视角，而企业作为吸纳就业的重要组织单元，研究智能化下各种因素如何协同联动影响创造效应及替代效应的相对大小进而对企业就业吸纳力的大小产生影响，具有重要意义。因此，本文从微观企业角度出发，选用QCA定性比较分析方法，从微观企业角度选取变量，整合企业组织层面与企业员工层面影响因素，探索影响企业就业吸纳力大小的路径与机制，并试图回答智能化条件下何种路径能有效提升企业的就业吸纳力，何种路径会降低企业的就业吸纳力，产生企业高就业吸纳力和低就业吸纳力的路径有何种联系等问题。 二、文献综述与模型构建
自人工智能取得突破进展以来，社会各界高度关注人工智能产生的影响，尤其对就业产生的影响更为关注。国内大部分学者持中立态度，认为人工智能既会产生替代效应，也会产生创造效应，但其中大部分研究都是基于宏观角度，缺乏微观视角。
从宏观角度来看，人工智能对就业产生的创造效应和替代效应已有了全面系统的研究，也从不同角度进行了探索，总体而言，学者强调人工智能条件下劳动生产率、资本生产率、劳动力需求结构的变化等因素对就业替代效应的影响（谢璐等，2019年）[3]，以及人工智能条件下产品價格、社会需求、岗位及行业变化等因素对就业创造效应的影响（蔡跃洲等，2019年）[4]。具体来说，一方面，新技术的应用会推动劳动生产率提高、资本生产率提高，从而在生产规模不变的情况下直接减少就业岗位，且长期来看，技术进步一般为技术偏好型，对劳动者的知识积累以及技能要求更高，从而减少对低技能劳动者的需求（王君等，2017年）[5];另一方面，技术进步通过提高劳动生产率及资本生产率来增加居民收入、降低生产成本，有效提高社会需求，从而促进生产规模的扩大，增加就业岗位，且新技术的开发、推广及应用本身就会创造新的就业岗位，促进就业创造效应的产生（程承坪等，2018年）[1]。
随着研究的深入，学者们开始关注微观企业层面人工智能对就业的影响机理，主要从企业层面和员工层面两个角度探寻人工智能对就业创造效应和替代效应的影响机制，包括企业整体层面的人工智能研发投入、利润增长能力，以及员工层面的技能水平、教育程度、培训等因素，但目前专门探寻企业层面人工智能对就业的影响机理的研究还相对较少，大多零散在宏观层面的相关研究中。具体而言，于员工层面，在新技术的应用下，劳动者的教育程度、技能水平越高，被替代的风险越小（张于喆等，2019年;惠炜等，2020年）[7][8]，但也有学者指出中等技能群体可能在智能化条件下产生更大的替代效应（Autur，2015年）[9]。另外，员工接受培训也是缓解就业替代效应发生的重要因素。于企业层面，企业对新技术的研发投入会创造更多的新就业岗位，因使用新技术而带来的企业利润水平的提升，也会促使企业扩大生产规模从而创造更多就业机会（蔡跃洲等，2019年;王君等，2017年）[4][5]。总体来看，员工层面的影响因素主要起到抑制人工智能造成的就业替代效应的作用，能够抑制企业低就业吸纳力的出现;企业层面的影响因素主要起到一个创造性的作用，从而能够提升企业的就业吸纳力。
综上所述，目前已有的人工智能对就业影响的研究主要集中于宏观角度，缺乏微观的企业视角，而企业作为吸纳劳动力的重要组织单元，研究智能化条件下如何提高企业的就业吸纳力对于保障就业稳定具有重要意义。此外，微观企业角度的员工层面与企业层面的影响因素对企业的就业吸纳力均有非常重要的影响，但目前的研究大部分局限于分析每一单一因素的影响，尚未研究多种因素的不同组合会对就业产生的影响。
依赖组织构型理论的基本观点，作为一个复杂的系统，一个组织某种优势的形成是由组织内部不同因素或条件相互关联、共同作用形成的最终结果，其代表性观点因果关系的非线性及不同构型的等效性也体现出这种复杂性（李超平等，2019年）[10]。该理论认为，组织中某种结果的产生是由各种因素或条件相互匹配、共同作用而形成的路径所导致的，并且同一种结果的产生可由不同的因素和路径形成，但是在某一路径中表现出因果相关关系的变量在另一路径中可能表现为不相关或反向相关（Meyer et al.，1993年）[11]。例如，有些企业虽然利润增长能力得到上升，但不一定能够提高企业的就业吸纳力，而有些企业就能够提高。有鉴于此，在组织构型理论的指导下，考虑到影响企业就业吸纳力的多重并发因果关系，全面考虑员工的受教育程度、技能水平、培训以及企业的利润增长能力、与人工智能相关的研发投入五个因素之间是如何匹配、协同影响企业就业吸纳力，本文采用QCA的研究方法，并构建如图1所示的对企业就业吸纳力的影响机制模型。为更加简单直观，本文将以上五个因素简称为教育程度、技能水平、培训、利润增长能力以及研发投入（即与人工智能相关的研发投入）。其中，员工层面的影响因素包括教育程度、技能水平、培训，企业层面的影响因素包括利润增长能力以及研发投入。
（一）员工层面
教育程度，具体指企业员工所拥有的学历水平。在受教育程度方面，对容易受到人工智能替代影响的人群，学者们进行了详细分析，尽管很多要素并没有清晰的结论，但受教育程度这方面结论已经非常明显（段海英等，2018年）[12]，只受过低等教育的人在人工智能条件下比接受过高等教育的人更容易被替代（张于喆，2019年）[7]，接受过高等教育的人可塑性更高、更容易适应人工智能带来的变化。因为通常教育程度越高，其接受过的知识就越多，拥有的技能水平可能就越高，能够较快地学习和适应人工智能所需要的新技术，能够减少被淘汰的概率。再者，教育程度较高的人群所从事的职业相较教育程度较低的人群，需要更高的技能水平与人际交往能力，因此也能够降低被替代的概率。故教育程度越高，越能抑制替代效应的发生，从而使企业就业吸纳力保持较好的状态。
技能水平，具体指企业员工所拥有的职称或技能级别。在技能水平方面，有学者认为人工智能等技术进步会对低技能人群产生就业替代效应（惠炜等，2020年）[8]，也有学者认为人工智能对中等技能人群也会产生较大的替代效应，而高技能群体较中低技能群体来说职业范围更广，替代风险较小（段海英等，2018年）[12]。但总体来说，技能水平越高，其工作特点越灵活，越不易被替代;技能水平越低，工作内容越常规，越易被替代。相对中低技能人群来说，高技能人群更能适应人工智能所带来的变化。因此，拥有较高的技能水平能够降低被替代的风险，能抑制企业低就业吸纳力的发生。
培训，具体指企业员工是否接受过与人工智能相关的企业培训。在培训方面，多位学者指出要加强职业技能的培训，提高劳动者在人工智能条件下适应新技能、新岗位的能力从而缓解替代效应（程承坪等，2108年;王君等，2107年;谢璐等，2019年）[1][3][5]。培训能使不具有人工智能应用所需的技能要求的人具备所需的技能，通过转岗或重新适应新岗位的技能要求来抑制替代效应的发生。因此，企业是否对员工进行人工智能相关业务的培训对保持企业就业吸纳力具有重要作用。 （二）企业层面
利润增长能力，具体指企业采取人工智能技术后企业的利润增长幅度。多位学者指出，人工智能技术的应用能使得劳动生产率与资本生产率提高、产品成本下降、利润上升，企业利润的增长会促使企业规模扩大，从而增加就业，产生创造效应，提高就业吸纳力（程承坪等，2018年;王君等，2017年;蔡跃洲等，2019年）[1][3][4]。因此，在应用人工智能的条件下，利润增长能力越强，企业扩大生产规模的可能性就越大，而扩大生产规模必然要增加就业岗位，因此，较强的利润增长能力能够对就业产生创造效应，提高企业的就业吸纳力。
研发投入，具体指企业在人工智能技术相关的研发投入程度。新技术的研发和应用通常伴随着新岗位、新部门的出现（程承坪等，2018年;王君等，2017年）[1][3]，企业对新技术的投入力度越大，可能产生的新的就业人数就越多（何勤等，2020年）[6]。如对人工智能的投入，可能会使研发部门人数增加、可能会出现与人工智能相关的特定岗位或特定部门。故对人工智能研发投入力度越大，越有可能产生创造效应。
三、研究设计
（一）研究方法
本文选用QCA定性比较研究方法中的fsQCA研究教育程度、技能水平、培训、利润增长能力以及研发投入五个前因条件如何组态匹配来影响企业的就业吸纳力。QCA是一种结合定性与定量研究的新的研究范式，它使小样本的定性研究与大样本的定量研究相容（查尔斯 C·拉金，2019年）[13]。它的一个非常重要的特点就是能够分析复杂的因果关系，它认为一个结果的出现可能来自不同的前因条件或前因条件组合，即具备一种非常重要的组态思维，从整体的角度进行思考，与传统定量研究仅关注各变量对结果的净效應相比具有优势（张明等，2019年）[14]。并且，它认为导致结果“成功”或结果“失败”的原因并不是对称的，即导致结果“成功”的前因条件或前因条件组合的存在，并不意味着其缺失一定会导致结果的“失败”，而这种因果的非对称性也并不能通过定量分析得到有效的识别（查尔斯 C·拉金，2019年）[13]。而QCA的具体方法中，fsQCA（模糊集定性比较分析）相较csQCA（清晰集定性比较分析）与mvQCA（多值集定性比较分析），模糊集可以被视为一个连续的变量，能够更好地反应定距变量在集合中的隶属程度（查尔斯 C·拉金，2019年）[13]。综合以上分析，本文采用模糊集定性比较分析法，具体使用fsQCA3.0软件进行分析。
（二）研究样本与数据来源
为研究智能化条件下各因素对企业就业吸纳力的影响，本文选取北京市100家已经开始使用人工智能的企业，通过调查问卷的形式获得各企业2016年至2018年的相关数据。三年的时间跨度既能防止因时间范围继续扩大而减少案例数量造成的“有限多样性”问题，又能比较清晰地看出就业量的变化，并且其中既包含高就业吸纳力的正向案例，又包含低就业吸纳力的负向案例，确保结论的全面性。对问卷进行检查，去除数据缺失以及数据异常的无效样本;去除2018年新成立的企业，因新成立企业不涉及就业变化问题。最终，为符合研究问题及样本使用条件，经筛选后，本文对北京市47家已使用人工智能的企业进行QCA分析。
（三）变量的测量
本文所关注的结果变量为企业的就业吸纳力，所关注的条件变量为员工层面的教育程度、技能水平、培训以及企业层面的利润增长能力以及研发投入。考虑到人工智能对就业影响的长期性以及“有限多样性”问题，各指标均采用企业近三年的数据进行测量。各变量的描述与赋值见表1。
对于结果变量。因智能化下企业的就业吸纳力与人工智能对就业的创造效应及替代效应的相对大小密切相关，创造效应越大于替代效应，企业的就业吸纳力就越高，而研究者在分析技术进步对就业的影响时，通常以总就业量的上升或下降来判断创造效应和替代效应的相对大小（张于喆，2019年）[7]，且就业增长率指标能够很好地体现就业量的增减情况，故本文采用企业近三年的就业年均增长率来测量企业的就业吸纳力，具体使用年均增长率计算公式，即：m=nB/A-1
其中，m为年均增长率，B为最后一年的值，A为第一年的值，n为增长的次数。
对于条件变量。其一，对教育程度的测量，参考已有文献，接受过高等教育的劳动者更不易被人工智能所替代（张于喆，2019年）[7]，且考虑到北京地处全国教育高地，因此借鉴学者叶明确等人（2017年）[15]采用企业不同学历层级员工人数/企业总人数来代表受教育程度的测量方法，并考虑到时点数据的统计学计算原理，采用首末折半法计算近三年本科及以上学历平均人数占近三年企业平均总人数的比例对教育程度进行赋值。其二，对技能水平的测量，参考已有文献，高技能群体较中低技能群体来说职业范围更广，替代风险较小（段海英等，2018年）[12]，因此借鉴学者叶明确等人（2017年）[15]采用企业不同技能层级员工人数/企业总人数来代表技能水平的测量方法，同样考虑到时点数据的统计学计算原理，采用首末折半法计算近三年拥有高技能的企业平均人数占近三年所有技能水平平均人数的比例对技能水平进行赋值。其三，对培训的测量，本文将培训视为一个二分变量，以“是”或“否”进行表示。其四，对利润增长能力的测量，借鉴学者李晓华（2013年）[16]用利润增长率指标来反映企业的利润增长情况的做法，本文采用各企业近三年利润年均增长率来进行赋值。其五，对研发投入的测量，参考已有研究，研发力度的衡量方法主要有两种：研发费用除以总资产;研发费用除以营业收入（曹晶等，2018年）[17]，本文采用第二种方法，即用近三年与人工智能相关的平均研发费用占近三年企业平均营业总收入的比例进行反映，其中，分子分母分别采用首末折半法进行计算。
（四）变量的校准
本文所采用的研究方法fsQCA是以集合论为基础的，如何定义每个案例在不同集合中的隶属度，这就需要校准。本文采用的校准方法为直接校准法，根据已有研究，基于研究者实质和理论知识的校准最重要的是要确定完全隶属（0.95）、交叉点（0.5）以及完全不隶属（0.05）三个定性锚点，经过校准之后的集合隶属度处于0～1之间（查尔斯 C·拉金，2019年）[13]。本文共选择五个条件变量，教育程度、技能水平、培训、利润增长能力以及研发投入。其中培训为清晰集，其余为模糊集变量。结果变量为就业吸纳力，为模糊集变量。参考已有的研究，本文对模糊集变量校准的三个定性锚点的确定，采用上四分位数、上下四分位数的均值以及下四分位数来确定（Fiss， 2011年;程建青等，2019年）[18][19]。对清晰集变量，完全隶属赋值为1，完全不隶属赋值为0。各条件变量与结果变量的校准锚点见表2。 四、实证分析
（一）必要条件分析
在构建真值表进行组态分析之前，通常首先进行各因素的必要条件分析。对必要条件的分析是非常重要的，若必要条件存在于真值表中，则可能会被简约解消除（伯努瓦·里豪克斯等， 2017年）[20]，可能会错过导致结果出现的重要条件。通过表3对就业吸纳力的必要性检验结果可知，各前因条件对就业吸纳力必要性检验的一致性均未超过临界值0.9，说明各前因条件均不构成影响结果的必要条件。这也意味着高就业吸纳力或低就业吸纳力的发生具有复杂的因果关系，需要考虑多种因素的联动影响。
（二）组态分析
本文参考已有研究的建议，将一致性阈值设为0.8（Fiss，2011年）[18]，案例阈值设为1，并参考伯努瓦·里豪克斯等（2017年）[20]的建议，从模糊集定性比较分析中得出的复杂解、简约解、中间解三类解，选择中间解对结果进行分析。本文采用Ragin and Fiss （2008年）[21]对结果的呈现方式，用黑色实心圆表示条件存在，用圆叉表示缺失，空格表示条件的存在与消失对结果的影响不大;大圆表示核心条件，小圆表示边缘条件。表4与表5分别展示了产生高就业吸纳力与产生低就业吸纳力的组态路径。
1.高就业吸纳力组态分析
表4呈现了由中间解获得的产生高就业吸纳力的五种组态（纵向看）。可以看出，无论是各组态（路径）的一致性还是解的一致性均高于最低标准0.75，五个组态的一致性分别为0.754、0.805、0.889、0.956和1.000，解的一致性為0.865。这说明在能够满足这五种组态的所有案例中，绝大部分案例都产生了高就业吸纳力，即证明了这五种组态为产生高就业吸纳力的充分条件。解的覆盖度为0.483，说明这五种组态解释了48.3%的产生高就业吸纳力的原因。
为更好地比较产生高就业吸纳力的路径，本文将产生高就业吸纳力的组态归纳为以下三种：
（1）抑制—创造协同型
抑制—创造协同型主要包括三条路径：组态1、组态2以及组态3。组态1表明在缺乏高技能水平的情况下，无论是否对员工进行培训，只要员工有较高的教育程度，且企业的利润增长能力和对人工智能相关的研发投入都较高，就能产生较高的企业就业吸纳力。具体而言，要产生较高的企业就业吸纳力，不仅要通过采用新技术提升效率，从而实现成本降低、利润提高，即企业能够利用人工智能技术带来新的利润增长动力，带动生产规模的增长，还要持续不断地进行对人工智能相关的研发投入，以支持企业的利润增长和新岗位、新部门的增加。与此同时，企业也必须具有高教育程度的人力资本，也即拥有较多的高端人才以匹配企业快速的利润增长和高强度的研发投入，满足智能化下企业对人力资本的需求。该条路径能够解释10.3%的产生高就业吸纳力的案例，且有6.7%的产生高就业吸纳力的案例仅能被这条路径所解释。组态2表明在缺乏企业较高的利润增长能力的条件下，只要员工具有较高的教育程度、技能水平以及相应的人工智能相关业务技能的培训，且企业对人工智能相关的研发投入较高，就能产生较高的企业就业吸纳力。具体而言，如果企业不能通过人工智能技术带来新的利润增长动力，难以带动生产规模的增长，在这种情况下，企业必须克服短视行为，持续不断地进行与人工智能相关的研发投入，一方面支持企业新岗位、新部门的增加，另一方面为企业未来的利润增长提供动力和支撑。与此同时，企业必须具有高教育程度、高技能水平的人力资本以匹配企业高强度的研发投入，也必须对员工进行相应的人工智能相关业务技能的培训，来满足智能化下企业对人力的需求。该条路径能够解释13.5%的产生高就业吸纳力的案例，且有11.6%的产生高就业吸纳力的案例仅能被这条路径所解释。组态3表明在缺乏高技能水平、高研发投入的条件下，无论员工是否具有较高的教育程度，只要对员工有相应的人工智能相关业务技能的培训，且企业的利润有较大的增长，就能产生较高的企业就业吸纳力。具体来说，若企业缺乏具有高水平技能的人力资本来适应智能化下企业对人力的需求，并且企业仅想通过使用已有的人工智能技术而带来新的利润增长点，并不想投入过多的资本进行与人工智能相关的研发。在这种情况下，企业通过运用人工智能技术必须能够实际的获得较高的利润增长能力，从而有能力扩大生产规模、增加就业岗位，同时，也要对员工进行培训，使其迅速具有人工智能所需的技术能力或有能力从事新的职位，才能维持企业较高的就业吸纳力。该条路径能够解释15.9%的产生高就业吸纳力的案例，且有13.8%的案例仅能被这条路径所解释。以上三条路径都既包含了在智能化下对就业替代效应产生抑制作用的因素，也包含了产生创造效应的因素，因此将这两条路径命名为抑制—创造协同型。
（2）人力资本推力抑制型
人力资本推力抑制型即组态4。组态4表明在缺乏对员工的培训、企业较高的利润增长能力以及较高的对人工智能相关的研发投入时，无论员工是否有较高的技能水平，只要员工具有较高的教育程度，就能产生较高的企业就业吸纳力。具体来说，在少数情况下，尽管企业缺乏抑制就业替代效应以及产生就业创造效应的大部分因素，但通过企业较高教育程度的人力资本积累来满足智能化下企业人力资本的需求，从而抑制就业替代效应也能够维持企业较高的就业吸纳力。可能的原因在于，大部分具有较高教育程度的员工所从事的工作要比具有较低教育程度的员工所从事的工作创造性及灵活性更强，更不易被人工智能所替代，且具有较高教育程度的员工可塑性更高，接收新知识以及新技能的能力也更高，能更快适应新环境、新岗位，其在工作中所积累的经验知识与新知识、新技能的融合能够为企业创造更大的价值，更好满足智能化下企业人力资本的需求。故在缺乏其他因素时，企业员工层面整体较高的教育程度也能有力支撑企业较高的就业吸纳力。该条路径能够解释9.6%的产生高就业吸纳力的案例，且有7.9%的案例仅能被这条路径所解释。因为此路径能够对就业替代效应产生抑制作用的员工层面较高的教育程度是产生高就业吸纳力的主要原因，故将此路径命名为人力资本推力抑制型。 （3）组织环境拉力创造型
组织环境拉力创造型即组态5。组态5表明在员工缺乏较高的教育程度，企业对员工缺乏相应的技能培训以及企业的利润增长水平较低的条件下，无论员工是否有较高的技能水平，只要企业对人工智能相关业务的研发投入较高，即研发投入较高，就能产生较高的企业就业吸纳力。具体来说，在少数情况下，尽管企业缺乏抑制就业替代效应以及产生就业创造效应的大部分因素，但通过企业不断地对人工智能相关业务进行研发投入，以此来催生与人工智能相关的新岗位或新部门，从而产生大量的人力资本需求，也能够维持企业较高的就业吸纳力。其内在原因在于，人工智能新技术在企业内部的采用会使得企业原有的岗位或部门不能有效应对新技术进步为企业带来的变化，需要通过新岗位或新部门的设置来支撑人工智能新技术在企业内部的研发、推广和应用，以有效发挥人工智能在企业内部的应用效能，从而产生大量的人力资本需求。另外，对人工智能相关业务的研发投入能有效促进产品创新，有效增加社会需求，进而促进企业扩大投资，从而产生更多的就业岗位。故而企业组织层面较高的研发投入能有效弥补其他因素的缺失，有力支撑企业较高的就业吸纳力。该条路径能够解释5.4%的产生高就业吸纳力的案例，且有4.2%的案例仅能被这条路径所解释。因为此路径能够对就业产生创造效应的企业组织层面较高的研发投入为产生高就业吸纳力的主要原因，故将此路径命名为组织环境拉力创造型。
从以上产生高就业吸纳力的三种类型的组态可看出，抑制—创造协同型的覆盖度远超过人力资本推力抑制型或组织环境拉力创造型，这表明大多数具有高就业吸纳力的企业都具有此类型的组态，即抑制—创造协同型组态是产生高就业吸纳力的主要原因，更有可能通过这种方式提高企业的就业吸纳力。人力资本推力抑制型或组织环境拉力创造型组态虽然也能产生较高的就业吸纳力，但比例较少。因此，在考虑提高企业的就业吸纳力时，应考虑从抑制替代效应和产生创造效应的两个方面的因素入手。
同时，通过对比组态1与组态3，可以发现较高的教育程度、研发投入与对员工进行培训，对产生高就业吸纳力有明显的替代作用。即在企业具有较高的利润增长能力但员工缺乏较高的技能水平的条件下，企业同时满足较高的教育程度与较高的研发投入两个条件或只满足对员工进行培训一个条件就可引发高就业吸纳力的发生。
2.低就业吸纳力组态分析
为了更好地探寻如何提高企业的就业吸纳力，本文对产生低就业吸纳力的组态进行分析。表5呈现了由中间解获得的产生低就业吸纳力的五种组态（纵向看）。可以看出，各组态的一致性结果与解的一致性结果均高于最低标准0.75，表明在能够满足这五种组态的所有案例中，绝大部分案例都产生了低就业吸纳力，即证明这五种组态为产生低就业吸纳力的充分条件。解的覆盖度为0.551，表明这五种组态解释了55.1%的产生低就业吸纳力的原因。具体如表5所示：
组态1表明，即使员工有较高的技能水平，无论是否对员工进行培训，企业是否有较高的利润增长能力，但若同时缺乏员工层面较高的教育程度以及企业层面较高的研发投入，就会导致企业低就业吸纳力的发生。该条路径能够解释29.8%的产生低就业吸纳力的案例，且有12.1%的案例仅能被这条路径所解释。组态2表明，即使员工有较高的教育程度且企业的研发投入较高，但若同时缺乏较高的员工技能水平、对员工的培训以及企业较高的利润增长能力，就会导致企业低就业吸纳力的发生。该条路径能够解释5.8%的产生低就业吸纳力的案例，且有4.8%的案例仅能被这条路径所解释。组态3表明，即使员工有较高的技能水平，无论员工是否有较高的教育程度、是否对员工进行培训，若同时缺乏较高的利润增长能力以及较高的研发投入，即会导致企业低就业吸纳力的发生。该条路径能够解释23.8%的产生低就业吸纳力的案例，且有5.9%的案例仅能被这条路径所解释。组态4表明，即使企业有较高的利润增长能力，无论较高的研发投入是否存在，若同时缺乏较高的员工教育程度、技能水平以及对员工进行培训，就会导致低就业吸纳力的发生。该条路径能够解释10.7%的产生低就业吸纳力的案例，且有6.8%的案例仅能被这条路径所解释。组态5表明，即使企业有较高的利润增长能力，无论员工是否有较高的教育程度，若同时缺乏较高的研发投入、较高的员工技能水平以及对员工的培训，就会导致低就业吸纳力的发生。该条路径能够解释8.2%的产生低就业吸纳力的案例，且有3.8%的案例仅能被这条路径所解释。
通过比较以上五个组态可发现，相较其他组态，组态1与组态3的覆盖度远大于其他组态，且比较组态1与组态3可发现，两个组态的共同点为具有员工层面的高技能水平但缺乏对就业产生创造效应的因素，这说明仅有高技能水平而缺乏能够对就业产生创造效应的因素，是造成低就业吸纳力的重要原因。同时，通过比较组态4与组态5，可发现低教育程度与低研发投入两者之间在解释低就业吸纳力时存在替代作用，即当存在较高的利润增长能力，但缺乏员工高技能水平和对员工的培训的条件下，只要缺乏较高的员工教育程度，或缺乏较高的企业研发投入，就会导致低就业吸纳力的发生。
通过比较产生高就业吸纳力的五个组态以及产生低就业吸纳力的五个组态，可以发现，影响企业就业吸纳力的原因并不是对称的，即使高就业吸纳力产生的组态的对立面并不一定会产生低就业吸纳力。同时，某个因素的存在或缺失对就业吸纳力的影响可能也是不对称的，它可能与一些条件的匹配会产生高就业吸纳力，与另一些条件的匹配则会产生低就业吸纳力，这也充分证明了其因果复杂性。例如，将产生高就业吸纳力的组态5与产生低就业吸纳力的组态2进行比较，在产生高就业吸纳力的組态5中，仅有边缘条件较高的研发投入存在，就能产生高就业吸纳力;反之，在产生低就业吸纳力的组态2中，虽然同时存在核心条件较高的研发投入以及较高的教育程度，仍然产生了低就业吸纳力。进一步分析可发现，两个组态较大的不同点在于，在产生低就业吸纳力的组态2中，核心条件较高的技能水平缺失，而在产生高就业吸纳力的组态5中，较高的技能水平的存在与否不重要，说明员工层面较高的技能水平对高就业吸纳力的产生作用较小，但其缺失对低就业吸纳力的产生作用较大，是较为关键的因素，这也进一步可以说明企业就业吸纳力的因果复杂性。 五、结论与启示
（一）研究结论
本研究基于北京市47家企业2016—2018年的调研数据，从微观企业视角，运用组态思维及fsQCA方法，整合企业与员工两个层面5个条件因素，探讨了影响企业智能化条件下的就业吸纳力差异的多重并发及因果复杂机制，得出以下结论：第一，就业吸纳力具有多重并发因果关系，且其影响因素具有不对称性。即企业智能化条件下的就业吸纳力的高低可通过由不同因素组成的多条路径产生，且导致高就业吸纳力产生的因素的存在并不意味着其缺失就会导致低就业吸纳力。第二，企业智能化条件下高就业吸纳力可通过抑制—创造协同型、人力资本推力抑制型、组织环境拉力创造型三种类型的组态产生。具体来说，以高教育程度、高利润增长能力、高研发投入为构成，以高教育程度、高技能水平、高研发投入和对员工培训为构成，以及以高利润增长能力和对员工进行培训为构成的抑制—创造协同型组态，与以教育程度为主导的人力资本推力抑制型或以研发投入为主导的组织环境拉力创造型的单一型组态是产生高就业吸纳力的重要路径。第三，抑制—创造协同型组态是产生高就业吸纳力的主要原因，相较人力资本推力抑制型与组织环境拉力创造型更有可能有效提升企业就业吸纳力。第四，与目前对人工智能“技能偏向性”的直觉相反，高技能水平对产生高就业吸纳力的作用较小，但其缺失对低就业吸纳力的影响较大。具体来说，产生高就业吸纳力结果的所有组态中，高技能水平要么缺失，要么其存在和缺失并不重要，其中仅有一条路径需要高技能水平的存在，且为边缘条件;而在产生低就业吸纳力结果的五种组态中，有三条路径均有高技能水平的缺失，故高技能水平对高就业吸纳力结果的产生作用并不明显，但其缺失可能为智能化下导致企业低就业吸纳力产生的重要条件。第五，低就业吸纳力的驱动路径分为五条，且在一定条件下低教育程度与低研发投入存在替代作用。其中，仅有员工高技能水平而同时缺乏能够对就业产生创造效应的因素的组态，是产生低就业吸纳力的重要原因。
（二）实践启示
企业作为吸纳劳动力的重要组织单元，从企业的角度研究智能化条件下如何提高企业的就业吸纳力对于保障就业稳定具有重要意义。本文的研究结论对提高整体企业就业吸纳力从而保障就业稳定具有如下实践启示：
首先，鼓励创造、抑制替代，“两架马车”并驾齐驱。基于本文研究发现的五种产生高就业吸纳力的组态，抑制—创造协同型的组态对产生企业智能化下的高就业吸纳力尤为重要，因此在应对人工智能对就业造成的影响、保持企业的高就业吸纳力时，应注意将员工层面能够对人工智能对就业的替代效应产生抑制作用的因素与企业整体层面能够对人工智能对就业的创造效应产生激发作用的因素结合起来，使其共同发挥作用。另外，在3种抑制—创造协同型的组态中，其中组态1与组态3两种抑制—创造协同型的组态，较高的利润增长能力是不可或缺的因素，这揭示出企业高就业吸纳力产生的关键点为企业在采用新技术后是否能获得较高的利润增长，企业只有自身得到较好的发展，才有余力吸纳更多劳动力。因此，无论企业还是政府，都应充分意识到促进企业发展在提高企业就业吸纳力中的重要性，采取相应的措施。
其次，警惕过度关注高技能水平人力资本积累，忽视企业利润增长和研发投入。在以往研究中，大部分学者均认为人工智能更倾向于“技术偏好型”，更加强调人工智能对高技能人才的需求，积累更多高技能水平人力资本。但从就业优先、维持企业高就业吸纳力的角度来看，智能化条件下员工高技能水平的缺失虽然对低就业吸纳力的影响较大，是导致企业低就业吸纳力产生的重要条件，但是，其存在对企业高就业吸纳力的产生作用较小。从产生低就业吸纳力的重要路径组态1与组态3可以发现，仅有较高技能水平的人力资本，缺乏能够对就业产生创造效应的高利润增长能力、高研发投入并不能使企业产生较高的就业吸纳力，因此，在智能化下不能过度关注对高技能水平人力资本的积累，而忽略企业的利润增长和研发投入，这可能是大部分企业产生低就业吸纳力的原因，需要引起重视。另外，进一步比较产生低就业吸纳力的重要路径组态1与组态3也可以发现，企业较高的与人工智能相关的研发投入的缺失是两条路径的共同点，这从侧面反映出许多企业管理层存在短视行为。Stein（1988年）[22]指出管理层短视即管理者为最大化短期财务绩效或股价来牺牲企业长远利益的行为。由于与人工智能相关的研发投入不能在短期内使企业迅速收回回报，管理者为了满足自身的当前利益（如报酬、声誉等），不愿意在与人工智能相关的研发方面投入过高。综上，企业应顺应时代要求，在积累高技能水平人力资本的同时，注意技能与技术的适配性，通过培训、引进与人工智能相关业务的专业人才，提高运用新技术的能力。同时，克服管理层的短视行为，加大研发投入力度，促进科技成果转化，将企业做大做强，肩负企业的社会责任吸纳更多就业。
最后，正确认识企业吸纳就业的复杂性。企业组织作为一个复杂的系统，其在智能化条件下高就业吸纳力结果的形成是由多种因素或条件匹配共同发挥作用而产生的，不同的因素或条件形成不同的路径，且企业高就业吸纳力的发生具有非对称性，因此，不应通过经验总结低企业就业吸纳力的原因推论高企业就业吸纳力如何产生，应把握好不同层次前因条件之间的动态匹配关系以及核心条件的作用，根据企业自身的实际条件和所处环境来选择适合自己的提高企业就业吸纳力的路径。同时，根据本文的研究结论，在选择提高企业就业吸纳力的路径时，应注意联动匹配智能化条件下企业组织层面激发就业创造效应的因素以及企業员工层面抑制就业替代效应的因素，使其在更大程度上提高企业就业吸纳力。
[参考文献]
[1] 程承坪、彭欢：《人工智能影响就业的机理及中国对策》，《中国软科学》2018年第10期。
[2] 吕荣杰、郝力晓：《人工智能等技术对劳动力市场的影响效应研究》，《工业技术经济》2018年第12期。
[3] 谢璐、韩文龙、陈翥：《人工智能对就业的多重效应及影响》，《当代经济研究》2019年第9期。 [4] 蔡跃洲、陈楠：《新技术革命下人工智能与高质量增长、高质量就业》，《数量经济技术经济研究》2019年第5期。
[5] 王君、张于喆、张义博等：《人工智能等新技术进步影响就业的机理与对策》，《宏觀经济研究》2017年第10期。
[6] 何勤、邱玥：《人工智能的就业效应研究：锦上添花抑或是釜底抽薪？》，《北京联合大学学报（人文社会科学版）》2020年第2期。
[7] 张于喆：《人工智能、机器人的就业效应及对策建议》，《科学管理研究》2019年第1期。
[8] 惠炜、姜伟：《人工智能、劳动力就业与收入分配：回顾与展望》，《北京工业大学学报（社会科学版）》2020年第5期。
[9] AutorDH：“Why are there still so many jobs？ The history and future of workplace automation”，Journal of Economic Perspectives， 2015.
[10] 李超平、徐世勇：《管理与组织研究常用的60个理论》，北京大学出版社2019版。
[11] MeyerA，Tsui A S，& Hinings C R：“Configurational approaches to organizational analysis”，Academy of Management Journal，1993.
[12] 段海英、郭元元：《人工智能的就业效应述评》，《经济体制改革》2018年第3期。
[13] [美]查尔斯 C.拉金：《重新设计社会科学研究》，杜运周等译，机械工业出版社2019年版。
[14] 张明、杜运周：《组织与管理研究中QCA方法的应用：定位、策略和方向》，《管理学报》2019年第9期。
[15] 叶明确、杨亚娟：《人力资本与中国高新技术企业的创新绩效——基于上海高新技术企业问卷调查的实证分析》，《科技与经济》2017年第5期。
[16] 李晓华：《中国制造业的“成本上涨与利润增长并存”之谜》，《数量经济技术经济研究》2013年第12期。
[17] 曹晶、杨百寅、王东等：《企业高管教育程度对其研发投入的影响——高管权力分布和企业所有制性质的调节作用》，《技术经济》2018年第5期。
[18] Fiss P C：“Building better causal theories： A fuzzy set approach to typologies in organization research”，Academy ofManagement Journal，2011.
[19] 程建青、罗瑾琏、杜运周等：《制度环境与心理认知何时激活创业？ ——一个基于QCA方法的研究》，《科学学与科学技术管理》2019年第2期。
[20] [比利时]伯努瓦·里豪克斯、[美]查尔斯 C.拉金：《QCA设计原理与应用：超越定性与定量研究的新方法》，杜运周，李永发等译，机械工业出版社2017版。
[21] RaginC C，and P C Fiss：Net Effects Analysis versus Configurational Analysis：An Empirical Demonstration，in Re-desining Social Inquiry：Fuzzy Set and Beyond，edited by C. C. Ragin，University of Chicago Press，2008，pp.190-212.
[22] Stein，J.C.“Takeover Threats and Managerial Myopia”，Journal of Political Economy，1988.
[关键词] 人工智能;就业吸纳力;组态思维;QCA方法
[中图分类号] F246 [文献标志码]A [文章编号] 1672-4917（2021）01-0079-11
一、 引言
人工智能技术作为新的经济增长动力，成为各国竞争的新焦点。2017年，我国就已经颁布了《新一代人工智能发展规划》，明确指出在新形势下，要抢占先机，引领世界人工智能发展新潮流。近来，党的十九届五中全会进一步强调推进人工智能等新技术的发展，强调突破性培育发展数字经济、人工智能等高端产业，加快推进5G、人工智能、工业互联网等“新基建”投资。技术进步是经济增长的决定性因素，从历次技术革命来看，每次技术的革新都会带来经济的增长，但同时也伴随着因自动化而带来的失业率的提高。人工智能作为新一轮的技术革命，与以往的技术进步存在很大的不同，人工智能不再是简单的对低技能重复性劳动的替代，有一定技能和知识的劳动者也有被替代的风险，其对就业造成的影响可能更高。因此，新技术在促进经济增长的同时，其可能对劳动力就业造成的负面影响也成为人们担忧的重要问题。而我国作为一个人口大国，保障就业稳定不仅是促进经济增长的重要条件，也是维护社会稳定的重要保证。目前我国仍然面临“民生保障存在短板”的重要挑战，就业作为最大的民生保障，党的十九届五中全会提出强化“就业优先”政策的目标，而在国家“就业优先”政策下，如何应对人工智能可能对就业造成的负面影响、保持较高的就业吸纳能力从而稳定就业便成为关注的重点。
近年来，学术界对于人工智能对就业的影响机理进行了大量的研究，以期能为突破可能面临的就业困境、保持较高的就业吸纳能力提供理论支撑。一方面，一些学者从宏观角度梳理了人工智能对就业的影响机理，从不同的角度论证了产生就业替代效应与创造效应的因素与机制，取得了丰富的研究成果。如程承坪和彭欢（2018年）[1]从技术进步影响就业的经济学机理和非经济学机理以及人工智能对就业影响的特殊性的角度，阐述了人工智能在何种条件下会产生创造效应及替代效应;吕荣杰和郝力晓（2018年）[2]通过总结历次工业革命对就业影响的特点，从理论视角梳理了人工智能对就业的创造效应及替代效应的框架等。从宏观角度来看，人工智能等技术进步带来的替代效应主要源于劳动生产率的提高、资本生产率的提高、劳动力需求结构的变化等因素（谢璐等，2019年）[3];创造效应主要源于产品价格下降、社会需求增加、新岗位及新行业的出现等因素（蔡跃洲等，2019年）[4]。另一方面，也有学者研究微观企业层面的影响路径，如王君等（2017年）[5]认为企业是否会采用技术进步，采用后能否扩大生产规模是智能化下微观企业层面是否会产生替代效应的关键点，并指出微观企业层面分析的影响因素应包括采用技术进步后的投资成本、利润实现、岗位创造、劳动需求变动等情况，但并没有进行具体的解读分析;何勤等人（2020年）[6]主要从人工智能技术研发投入的角度对微观企业层面的就业影响路径进行分析，指出企业增加人工智能研发投入并不会对就业产生绝对的负面影响，并强调人工智能技术研发投入对人才技能需求的变化，鼓励员工参与技能培训。总结起来，目前从微观企业层面就人工智能对就业影响机理的研究仍然较少，其研究角度主要涵盖了企业整体层面的人工智能研发投入、利润增长能力，以及对员工层面的劳动需求变动，如对员工技能水平的需求变动与培训、对员工教育程度的需求变动等。另外，整体看来无论从宏观层面还是微观层面，均缺乏从系统整体的角度研究各种因素的联动匹配对人工智能对就业总效应的影响，即各种因素如何联动匹配才能影响创造效应及替代效应的相对大小来对最终的就业规模产生影响，一般来说，创造效应越大于替代效应，最终就业规模就越大，就业吸纳力就越高。
事实上，人工智能作为新一轮的技术革命，与以往技术革命相同，均会对就业产生创造效应与替代效应，但对就业总效应的影响，是由各种因素协同联动，最终的影响是由创造效应与替代效应的相对大小来决定的，这是一个复杂的过程。现有研究虽然对人工智能对就业的影响机理进行了大量的研究，取得了豐富的成果，但往往囿于传统定量分析方法，局限于对每一单一因素的分析，鲜有从系统整体的视角考察各因素的协同联动对就业总效应的影响，并且目前大量研究均从宏观角度出发，缺乏微观的企业视角，而企业作为吸纳就业的重要组织单元，研究智能化下各种因素如何协同联动影响创造效应及替代效应的相对大小进而对企业就业吸纳力的大小产生影响，具有重要意义。因此，本文从微观企业角度出发，选用QCA定性比较分析方法，从微观企业角度选取变量，整合企业组织层面与企业员工层面影响因素，探索影响企业就业吸纳力大小的路径与机制，并试图回答智能化条件下何种路径能有效提升企业的就业吸纳力，何种路径会降低企业的就业吸纳力，产生企业高就业吸纳力和低就业吸纳力的路径有何种联系等问题。 二、文献综述与模型构建
自人工智能取得突破进展以来，社会各界高度关注人工智能产生的影响，尤其对就业产生的影响更为关注。国内大部分学者持中立态度，认为人工智能既会产生替代效应，也会产生创造效应，但其中大部分研究都是基于宏观角度，缺乏微观视角。
从宏观角度来看，人工智能对就业产生的创造效应和替代效应已有了全面系统的研究，也从不同角度进行了探索，总体而言，学者强调人工智能条件下劳动生产率、资本生产率、劳动力需求结构的变化等因素对就业替代效应的影响（谢璐等，2019年）[3]，以及人工智能条件下产品價格、社会需求、岗位及行业变化等因素对就业创造效应的影响（蔡跃洲等，2019年）[4]。具体来说，一方面，新技术的应用会推动劳动生产率提高、资本生产率提高，从而在生产规模不变的情况下直接减少就业岗位，且长期来看，技术进步一般为技术偏好型，对劳动者的知识积累以及技能要求更高，从而减少对低技能劳动者的需求（王君等，2017年）[5];另一方面，技术进步通过提高劳动生产率及资本生产率来增加居民收入、降低生产成本，有效提高社会需求，从而促进生产规模的扩大，增加就业岗位，且新技术的开发、推广及应用本身就会创造新的就业岗位，促进就业创造效应的产生（程承坪等，2018年）[1]。
随着研究的深入，学者们开始关注微观企业层面人工智能对就业的影响机理，主要从企业层面和员工层面两个角度探寻人工智能对就业创造效应和替代效应的影响机制，包括企业整体层面的人工智能研发投入、利润增长能力，以及员工层面的技能水平、教育程度、培训等因素，但目前专门探寻企业层面人工智能对就业的影响机理的研究还相对较少，大多零散在宏观层面的相关研究中。具体而言，于员工层面，在新技术的应用下，劳动者的教育程度、技能水平越高，被替代的风险越小（张于喆等，2019年;惠炜等，2020年）[7][8]，但也有学者指出中等技能群体可能在智能化条件下产生更大的替代效应（Autur，2015年）[9]。另外，员工接受培训也是缓解就业替代效应发生的重要因素。于企业层面，企业对新技术的研发投入会创造更多的新就业岗位，因使用新技术而带来的企业利润水平的提升，也会促使企业扩大生产规模从而创造更多就业机会（蔡跃洲等，2019年;王君等，2017年）[4][5]。总体来看，员工层面的影响因素主要起到抑制人工智能造成的就业替代效应的作用，能够抑制企业低就业吸纳力的出现;企业层面的影响因素主要起到一个创造性的作用，从而能够提升企业的就业吸纳力。
综上所述，目前已有的人工智能对就业影响的研究主要集中于宏观角度，缺乏微观的企业视角，而企业作为吸纳劳动力的重要组织单元，研究智能化条件下如何提高企业的就业吸纳力对于保障就业稳定具有重要意义。此外，微观企业角度的员工层面与企业层面的影响因素对企业的就业吸纳力均有非常重要的影响，但目前的研究大部分局限于分析每一单一因素的影响，尚未研究多种因素的不同组合会对就业产生的影响。
依赖组织构型理论的基本观点，作为一个复杂的系统，一个组织某种优势的形成是由组织内部不同因素或条件相互关联、共同作用形成的最终结果，其代表性观点因果关系的非线性及不同构型的等效性也体现出这种复杂性（李超平等，2019年）[10]。该理论认为，组织中某种结果的产生是由各种因素或条件相互匹配、共同作用而形成的路径所导致的，并且同一种结果的产生可由不同的因素和路径形成，但是在某一路径中表现出因果相关关系的变量在另一路径中可能表现为不相关或反向相关（Meyer et al.，1993年）[11]。例如，有些企业虽然利润增长能力得到上升，但不一定能够提高企业的就业吸纳力，而有些企业就能够提高。有鉴于此，在组织构型理论的指导下，考虑到影响企业就业吸纳力的多重并发因果关系，全面考虑员工的受教育程度、技能水平、培训以及企业的利润增长能力、与人工智能相关的研发投入五个因素之间是如何匹配、协同影响企业就业吸纳力，本文采用QCA的研究方法，并构建如图1所示的对企业就业吸纳力的影响机制模型。为更加简单直观，本文将以上五个因素简称为教育程度、技能水平、培训、利润增长能力以及研发投入（即与人工智能相关的研发投入）。其中，员工层面的影响因素包括教育程度、技能水平、培训，企业层面的影响因素包括利润增长能力以及研发投入。
（一）员工层面
教育程度，具体指企业员工所拥有的学历水平。在受教育程度方面，对容易受到人工智能替代影响的人群，学者们进行了详细分析，尽管很多要素并没有清晰的结论，但受教育程度这方面结论已经非常明显（段海英等，2018年）[12]，只受过低等教育的人在人工智能条件下比接受过高等教育的人更容易被替代（张于喆，2019年）[7]，接受过高等教育的人可塑性更高、更容易适应人工智能带来的变化。因为通常教育程度越高，其接受过的知识就越多，拥有的技能水平可能就越高，能够较快地学习和适应人工智能所需要的新技术，能够减少被淘汰的概率。再者，教育程度较高的人群所从事的职业相较教育程度较低的人群，需要更高的技能水平与人际交往能力，因此也能够降低被替代的概率。故教育程度越高，越能抑制替代效应的发生，从而使企业就业吸纳力保持较好的状态。
技能水平，具体指企业员工所拥有的职称或技能级别。在技能水平方面，有学者认为人工智能等技术进步会对低技能人群产生就业替代效应（惠炜等，2020年）[8]，也有学者认为人工智能对中等技能人群也会产生较大的替代效应，而高技能群体较中低技能群体来说职业范围更广，替代风险较小（段海英等，2018年）[12]。但总体来说，技能水平越高，其工作特点越灵活，越不易被替代;技能水平越低，工作内容越常规，越易被替代。相对中低技能人群来说，高技能人群更能适应人工智能所带来的变化。因此，拥有较高的技能水平能够降低被替代的风险，能抑制企业低就业吸纳力的发生。
培训，具体指企业员工是否接受过与人工智能相关的企业培训。在培训方面，多位学者指出要加强职业技能的培训，提高劳动者在人工智能条件下适应新技能、新岗位的能力从而缓解替代效应（程承坪等，2108年;王君等，2107年;谢璐等，2019年）[1][3][5]。培训能使不具有人工智能应用所需的技能要求的人具备所需的技能，通过转岗或重新适应新岗位的技能要求来抑制替代效应的发生。因此，企业是否对员工进行人工智能相关业务的培训对保持企业就业吸纳力具有重要作用。 （二）企业层面
利润增长能力，具体指企业采取人工智能技术后企业的利润增长幅度。多位学者指出，人工智能技术的应用能使得劳动生产率与资本生产率提高、产品成本下降、利润上升，企业利润的增长会促使企业规模扩大，从而增加就业，产生创造效应，提高就业吸纳力（程承坪等，2018年;王君等，2017年;蔡跃洲等，2019年）[1][3][4]。因此，在应用人工智能的条件下，利润增长能力越强，企业扩大生产规模的可能性就越大，而扩大生产规模必然要增加就业岗位，因此，较强的利润增长能力能够对就业产生创造效应，提高企业的就业吸纳力。
研发投入，具体指企业在人工智能技术相关的研发投入程度。新技术的研发和应用通常伴随着新岗位、新部门的出现（程承坪等，2018年;王君等，2017年）[1][3]，企业对新技术的投入力度越大，可能产生的新的就业人数就越多（何勤等，2020年）[6]。如对人工智能的投入，可能会使研发部门人数增加、可能会出现与人工智能相关的特定岗位或特定部门。故对人工智能研发投入力度越大，越有可能产生创造效应。
三、研究设计
（一）研究方法
本文选用QCA定性比较研究方法中的fsQCA研究教育程度、技能水平、培训、利润增长能力以及研发投入五个前因条件如何组态匹配来影响企业的就业吸纳力。QCA是一种结合定性与定量研究的新的研究范式，它使小样本的定性研究与大样本的定量研究相容（查尔斯 C·拉金，2019年）[13]。它的一个非常重要的特点就是能够分析复杂的因果关系，它认为一个结果的出现可能来自不同的前因条件或前因条件组合，即具备一种非常重要的组态思维，从整体的角度进行思考，与传统定量研究仅关注各变量对结果的净效應相比具有优势（张明等，2019年）[14]。并且，它认为导致结果“成功”或结果“失败”的原因并不是对称的，即导致结果“成功”的前因条件或前因条件组合的存在，并不意味着其缺失一定会导致结果的“失败”，而这种因果的非对称性也并不能通过定量分析得到有效的识别（查尔斯 C·拉金，2019年）[13]。而QCA的具体方法中，fsQCA（模糊集定性比较分析）相较csQCA（清晰集定性比较分析）与mvQCA（多值集定性比较分析），模糊集可以被视为一个连续的变量，能够更好地反应定距变量在集合中的隶属程度（查尔斯 C·拉金，2019年）[13]。综合以上分析，本文采用模糊集定性比较分析法，具体使用fsQCA3.0软件进行分析。
（二）研究样本与数据来源
为研究智能化条件下各因素对企业就业吸纳力的影响，本文选取北京市100家已经开始使用人工智能的企业，通过调查问卷的形式获得各企业2016年至2018年的相关数据。三年的时间跨度既能防止因时间范围继续扩大而减少案例数量造成的“有限多样性”问题，又能比较清晰地看出就业量的变化，并且其中既包含高就业吸纳力的正向案例，又包含低就业吸纳力的负向案例，确保结论的全面性。对问卷进行检查，去除数据缺失以及数据异常的无效样本;去除2018年新成立的企业，因新成立企业不涉及就业变化问题。最终，为符合研究问题及样本使用条件，经筛选后，本文对北京市47家已使用人工智能的企业进行QCA分析。
（三）变量的测量
本文所关注的结果变量为企业的就业吸纳力，所关注的条件变量为员工层面的教育程度、技能水平、培训以及企业层面的利润增长能力以及研发投入。考虑到人工智能对就业影响的长期性以及“有限多样性”问题，各指标均采用企业近三年的数据进行测量。各变量的描述与赋值见表1。
对于结果变量。因智能化下企业的就业吸纳力与人工智能对就业的创造效应及替代效应的相对大小密切相关，创造效应越大于替代效应，企业的就业吸纳力就越高，而研究者在分析技术进步对就业的影响时，通常以总就业量的上升或下降来判断创造效应和替代效应的相对大小（张于喆，2019年）[7]，且就业增长率指标能够很好地体现就业量的增减情况，故本文采用企业近三年的就业年均增长率来测量企业的就业吸纳力，具体使用年均增长率计算公式，即：m=nB/A-1
其中，m为年均增长率，B为最后一年的值，A为第一年的值，n为增长的次数。
对于条件变量。其一，对教育程度的测量，参考已有文献，接受过高等教育的劳动者更不易被人工智能所替代（张于喆，2019年）[7]，且考虑到北京地处全国教育高地，因此借鉴学者叶明确等人（2017年）[15]采用企业不同学历层级员工人数/企业总人数来代表受教育程度的测量方法，并考虑到时点数据的统计学计算原理，采用首末折半法计算近三年本科及以上学历平均人数占近三年企业平均总人数的比例对教育程度进行赋值。其二，对技能水平的测量，参考已有文献，高技能群体较中低技能群体来说职业范围更广，替代风险较小（段海英等，2018年）[12]，因此借鉴学者叶明确等人（2017年）[15]采用企业不同技能层级员工人数/企业总人数来代表技能水平的测量方法，同样考虑到时点数据的统计学计算原理，采用首末折半法计算近三年拥有高技能的企业平均人数占近三年所有技能水平平均人数的比例对技能水平进行赋值。其三，对培训的测量，本文将培训视为一个二分变量，以“是”或“否”进行表示。其四，对利润增长能力的测量，借鉴学者李晓华（2013年）[16]用利润增长率指标来反映企业的利润增长情况的做法，本文采用各企业近三年利润年均增长率来进行赋值。其五，对研发投入的测量，参考已有研究，研发力度的衡量方法主要有两种：研发费用除以总资产;研发费用除以营业收入（曹晶等，2018年）[17]，本文采用第二种方法，即用近三年与人工智能相关的平均研发费用占近三年企业平均营业总收入的比例进行反映，其中，分子分母分别采用首末折半法进行计算。
（四）变量的校准
本文所采用的研究方法fsQCA是以集合论为基础的，如何定义每个案例在不同集合中的隶属度，这就需要校准。本文采用的校准方法为直接校准法，根据已有研究，基于研究者实质和理论知识的校准最重要的是要确定完全隶属（0.95）、交叉点（0.5）以及完全不隶属（0.05）三个定性锚点，经过校准之后的集合隶属度处于0～1之间（查尔斯 C·拉金，2019年）[13]。本文共选择五个条件变量，教育程度、技能水平、培训、利润增长能力以及研发投入。其中培训为清晰集，其余为模糊集变量。结果变量为就业吸纳力，为模糊集变量。参考已有的研究，本文对模糊集变量校准的三个定性锚点的确定，采用上四分位数、上下四分位数的均值以及下四分位数来确定（Fiss， 2011年;程建青等，2019年）[18][19]。对清晰集变量，完全隶属赋值为1，完全不隶属赋值为0。各条件变量与结果变量的校准锚点见表2。 四、实证分析
（一）必要条件分析
在构建真值表进行组态分析之前，通常首先进行各因素的必要条件分析。对必要条件的分析是非常重要的，若必要条件存在于真值表中，则可能会被简约解消除（伯努瓦·里豪克斯等， 2017年）[20]，可能会错过导致结果出现的重要条件。通过表3对就业吸纳力的必要性检验结果可知，各前因条件对就业吸纳力必要性检验的一致性均未超过临界值0.9，说明各前因条件均不构成影响结果的必要条件。这也意味着高就业吸纳力或低就业吸纳力的发生具有复杂的因果关系，需要考虑多种因素的联动影响。
（二）组态分析
本文参考已有研究的建议，将一致性阈值设为0.8（Fiss，2011年）[18]，案例阈值设为1，并参考伯努瓦·里豪克斯等（2017年）[20]的建议，从模糊集定性比较分析中得出的复杂解、简约解、中间解三类解，选择中间解对结果进行分析。本文采用Ragin and Fiss （2008年）[21]对结果的呈现方式，用黑色实心圆表示条件存在，用圆叉表示缺失，空格表示条件的存在与消失对结果的影响不大;大圆表示核心条件，小圆表示边缘条件。表4与表5分别展示了产生高就业吸纳力与产生低就业吸纳力的组态路径。
1.高就业吸纳力组态分析
表4呈现了由中间解获得的产生高就业吸纳力的五种组态（纵向看）。可以看出，无论是各组态（路径）的一致性还是解的一致性均高于最低标准0.75，五个组态的一致性分别为0.754、0.805、0.889、0.956和1.000，解的一致性為0.865。这说明在能够满足这五种组态的所有案例中，绝大部分案例都产生了高就业吸纳力，即证明了这五种组态为产生高就业吸纳力的充分条件。解的覆盖度为0.483，说明这五种组态解释了48.3%的产生高就业吸纳力的原因。
为更好地比较产生高就业吸纳力的路径，本文将产生高就业吸纳力的组态归纳为以下三种：
（1）抑制—创造协同型
抑制—创造协同型主要包括三条路径：组态1、组态2以及组态3。组态1表明在缺乏高技能水平的情况下，无论是否对员工进行培训，只要员工有较高的教育程度，且企业的利润增长能力和对人工智能相关的研发投入都较高，就能产生较高的企业就业吸纳力。具体而言，要产生较高的企业就业吸纳力，不仅要通过采用新技术提升效率，从而实现成本降低、利润提高，即企业能够利用人工智能技术带来新的利润增长动力，带动生产规模的增长，还要持续不断地进行对人工智能相关的研发投入，以支持企业的利润增长和新岗位、新部门的增加。与此同时，企业也必须具有高教育程度的人力资本，也即拥有较多的高端人才以匹配企业快速的利润增长和高强度的研发投入，满足智能化下企业对人力资本的需求。该条路径能够解释10.3%的产生高就业吸纳力的案例，且有6.7%的产生高就业吸纳力的案例仅能被这条路径所解释。组态2表明在缺乏企业较高的利润增长能力的条件下，只要员工具有较高的教育程度、技能水平以及相应的人工智能相关业务技能的培训，且企业对人工智能相关的研发投入较高，就能产生较高的企业就业吸纳力。具体而言，如果企业不能通过人工智能技术带来新的利润增长动力，难以带动生产规模的增长，在这种情况下，企业必须克服短视行为，持续不断地进行与人工智能相关的研发投入，一方面支持企业新岗位、新部门的增加，另一方面为企业未来的利润增长提供动力和支撑。与此同时，企业必须具有高教育程度、高技能水平的人力资本以匹配企业高强度的研发投入，也必须对员工进行相应的人工智能相关业务技能的培训，来满足智能化下企业对人力的需求。该条路径能够解释13.5%的产生高就业吸纳力的案例，且有11.6%的产生高就业吸纳力的案例仅能被这条路径所解释。组态3表明在缺乏高技能水平、高研发投入的条件下，无论员工是否具有较高的教育程度，只要对员工有相应的人工智能相关业务技能的培训，且企业的利润有较大的增长，就能产生较高的企业就业吸纳力。具体来说，若企业缺乏具有高水平技能的人力资本来适应智能化下企业对人力的需求，并且企业仅想通过使用已有的人工智能技术而带来新的利润增长点，并不想投入过多的资本进行与人工智能相关的研发。在这种情况下，企业通过运用人工智能技术必须能够实际的获得较高的利润增长能力，从而有能力扩大生产规模、增加就业岗位，同时，也要对员工进行培训，使其迅速具有人工智能所需的技术能力或有能力从事新的职位，才能维持企业较高的就业吸纳力。该条路径能够解释15.9%的产生高就业吸纳力的案例，且有13.8%的案例仅能被这条路径所解释。以上三条路径都既包含了在智能化下对就业替代效应产生抑制作用的因素，也包含了产生创造效应的因素，因此将这两条路径命名为抑制—创造协同型。
（2）人力资本推力抑制型
人力资本推力抑制型即组态4。组态4表明在缺乏对员工的培训、企业较高的利润增长能力以及较高的对人工智能相关的研发投入时，无论员工是否有较高的技能水平，只要员工具有较高的教育程度，就能产生较高的企业就业吸纳力。具体来说，在少数情况下，尽管企业缺乏抑制就业替代效应以及产生就业创造效应的大部分因素，但通过企业较高教育程度的人力资本积累来满足智能化下企业人力资本的需求，从而抑制就业替代效应也能够维持企业较高的就业吸纳力。可能的原因在于，大部分具有较高教育程度的员工所从事的工作要比具有较低教育程度的员工所从事的工作创造性及灵活性更强，更不易被人工智能所替代，且具有较高教育程度的员工可塑性更高，接收新知识以及新技能的能力也更高，能更快适应新环境、新岗位，其在工作中所积累的经验知识与新知识、新技能的融合能够为企业创造更大的价值，更好满足智能化下企业人力资本的需求。故在缺乏其他因素时，企业员工层面整体较高的教育程度也能有力支撑企业较高的就业吸纳力。该条路径能够解释9.6%的产生高就业吸纳力的案例，且有7.9%的案例仅能被这条路径所解释。因为此路径能够对就业替代效应产生抑制作用的员工层面较高的教育程度是产生高就业吸纳力的主要原因，故将此路径命名为人力资本推力抑制型。 （3）组织环境拉力创造型
组织环境拉力创造型即组态5。组态5表明在员工缺乏较高的教育程度，企业对员工缺乏相应的技能培训以及企业的利润增长水平较低的条件下，无论员工是否有较高的技能水平，只要企业对人工智能相关业务的研发投入较高，即研发投入较高，就能产生较高的企业就业吸纳力。具体来说，在少数情况下，尽管企业缺乏抑制就业替代效应以及产生就业创造效应的大部分因素，但通过企业不断地对人工智能相关业务进行研发投入，以此来催生与人工智能相关的新岗位或新部门，从而产生大量的人力资本需求，也能够维持企业较高的就业吸纳力。其内在原因在于，人工智能新技术在企业内部的采用会使得企业原有的岗位或部门不能有效应对新技术进步为企业带来的变化，需要通过新岗位或新部门的设置来支撑人工智能新技术在企业内部的研发、推广和应用，以有效发挥人工智能在企业内部的应用效能，从而产生大量的人力资本需求。另外，对人工智能相关业务的研发投入能有效促进产品创新，有效增加社会需求，进而促进企业扩大投资，从而产生更多的就业岗位。故而企业组织层面较高的研发投入能有效弥补其他因素的缺失，有力支撑企业较高的就业吸纳力。该条路径能够解释5.4%的产生高就业吸纳力的案例，且有4.2%的案例仅能被这条路径所解释。因为此路径能够对就业产生创造效应的企业组织层面较高的研发投入为产生高就业吸纳力的主要原因，故将此路径命名为组织环境拉力创造型。
从以上产生高就业吸纳力的三种类型的组态可看出，抑制—创造协同型的覆盖度远超过人力资本推力抑制型或组织环境拉力创造型，这表明大多数具有高就业吸纳力的企业都具有此类型的组态，即抑制—创造协同型组态是产生高就业吸纳力的主要原因，更有可能通过这种方式提高企业的就业吸纳力。人力资本推力抑制型或组织环境拉力创造型组态虽然也能产生较高的就业吸纳力，但比例较少。因此，在考虑提高企业的就业吸纳力时，应考虑从抑制替代效应和产生创造效应的两个方面的因素入手。
同时，通过对比组态1与组态3，可以发现较高的教育程度、研发投入与对员工进行培训，对产生高就业吸纳力有明显的替代作用。即在企业具有较高的利润增长能力但员工缺乏较高的技能水平的条件下，企业同时满足较高的教育程度与较高的研发投入两个条件或只满足对员工进行培训一个条件就可引发高就业吸纳力的发生。
2.低就业吸纳力组态分析
为了更好地探寻如何提高企业的就业吸纳力，本文对产生低就业吸纳力的组态进行分析。表5呈现了由中间解获得的产生低就业吸纳力的五种组态（纵向看）。可以看出，各组态的一致性结果与解的一致性结果均高于最低标准0.75，表明在能够满足这五种组态的所有案例中，绝大部分案例都产生了低就业吸纳力，即证明这五种组态为产生低就业吸纳力的充分条件。解的覆盖度为0.551，表明这五种组态解释了55.1%的产生低就业吸纳力的原因。具体如表5所示：
组态1表明，即使员工有较高的技能水平，无论是否对员工进行培训，企业是否有较高的利润增长能力，但若同时缺乏员工层面较高的教育程度以及企业层面较高的研发投入，就会导致企业低就业吸纳力的发生。该条路径能够解释29.8%的产生低就业吸纳力的案例，且有12.1%的案例仅能被这条路径所解释。组态2表明，即使员工有较高的教育程度且企业的研发投入较高，但若同时缺乏较高的员工技能水平、对员工的培训以及企业较高的利润增长能力，就会导致企业低就业吸纳力的发生。该条路径能够解释5.8%的产生低就业吸纳力的案例，且有4.8%的案例仅能被这条路径所解释。组态3表明，即使员工有较高的技能水平，无论员工是否有较高的教育程度、是否对员工进行培训，若同时缺乏较高的利润增长能力以及较高的研发投入，即会导致企业低就业吸纳力的发生。该条路径能够解释23.8%的产生低就业吸纳力的案例，且有5.9%的案例仅能被这条路径所解释。组态4表明，即使企业有较高的利润增长能力，无论较高的研发投入是否存在，若同时缺乏较高的员工教育程度、技能水平以及对员工进行培训，就会导致低就业吸纳力的发生。该条路径能够解释10.7%的产生低就业吸纳力的案例，且有6.8%的案例仅能被这条路径所解释。组态5表明，即使企业有较高的利润增长能力，无论员工是否有较高的教育程度，若同时缺乏较高的研发投入、较高的员工技能水平以及对员工的培训，就会导致低就业吸纳力的发生。该条路径能够解释8.2%的产生低就业吸纳力的案例，且有3.8%的案例仅能被这条路径所解释。
通过比较以上五个组态可发现，相较其他组态，组态1与组态3的覆盖度远大于其他组态，且比较组态1与组态3可发现，两个组态的共同点为具有员工层面的高技能水平但缺乏对就业产生创造效应的因素，这说明仅有高技能水平而缺乏能够对就业产生创造效应的因素，是造成低就业吸纳力的重要原因。同时，通过比较组态4与组态5，可发现低教育程度与低研发投入两者之间在解释低就业吸纳力时存在替代作用，即当存在较高的利润增长能力，但缺乏员工高技能水平和对员工的培训的条件下，只要缺乏较高的员工教育程度，或缺乏较高的企业研发投入，就会导致低就业吸纳力的发生。
通过比较产生高就业吸纳力的五个组态以及产生低就业吸纳力的五个组态，可以发现，影响企业就业吸纳力的原因并不是对称的，即使高就业吸纳力产生的组态的对立面并不一定会产生低就业吸纳力。同时，某个因素的存在或缺失对就业吸纳力的影响可能也是不对称的，它可能与一些条件的匹配会产生高就业吸纳力，与另一些条件的匹配则会产生低就业吸纳力，这也充分证明了其因果复杂性。例如，将产生高就业吸纳力的组态5与产生低就业吸纳力的组态2进行比较，在产生高就业吸纳力的組态5中，仅有边缘条件较高的研发投入存在，就能产生高就业吸纳力;反之，在产生低就业吸纳力的组态2中，虽然同时存在核心条件较高的研发投入以及较高的教育程度，仍然产生了低就业吸纳力。进一步分析可发现，两个组态较大的不同点在于，在产生低就业吸纳力的组态2中，核心条件较高的技能水平缺失，而在产生高就业吸纳力的组态5中，较高的技能水平的存在与否不重要，说明员工层面较高的技能水平对高就业吸纳力的产生作用较小，但其缺失对低就业吸纳力的产生作用较大，是较为关键的因素，这也进一步可以说明企业就业吸纳力的因果复杂性。 五、结论与启示
（一）研究结论
本研究基于北京市47家企业2016—2018年的调研数据，从微观企业视角，运用组态思维及fsQCA方法，整合企业与员工两个层面5个条件因素，探讨了影响企业智能化条件下的就业吸纳力差异的多重并发及因果复杂机制，得出以下结论：第一，就业吸纳力具有多重并发因果关系，且其影响因素具有不对称性。即企业智能化条件下的就业吸纳力的高低可通过由不同因素组成的多条路径产生，且导致高就业吸纳力产生的因素的存在并不意味着其缺失就会导致低就业吸纳力。第二，企业智能化条件下高就业吸纳力可通过抑制—创造协同型、人力资本推力抑制型、组织环境拉力创造型三种类型的组态产生。具体来说，以高教育程度、高利润增长能力、高研发投入为构成，以高教育程度、高技能水平、高研发投入和对员工培训为构成，以及以高利润增长能力和对员工进行培训为构成的抑制—创造协同型组态，与以教育程度为主导的人力资本推力抑制型或以研发投入为主导的组织环境拉力创造型的单一型组态是产生高就业吸纳力的重要路径。第三，抑制—创造协同型组态是产生高就业吸纳力的主要原因，相较人力资本推力抑制型与组织环境拉力创造型更有可能有效提升企业就业吸纳力。第四，与目前对人工智能“技能偏向性”的直觉相反，高技能水平对产生高就业吸纳力的作用较小，但其缺失对低就业吸纳力的影响较大。具体来说，产生高就业吸纳力结果的所有组态中，高技能水平要么缺失，要么其存在和缺失并不重要，其中仅有一条路径需要高技能水平的存在，且为边缘条件;而在产生低就业吸纳力结果的五种组态中，有三条路径均有高技能水平的缺失，故高技能水平对高就业吸纳力结果的产生作用并不明显，但其缺失可能为智能化下导致企业低就业吸纳力产生的重要条件。第五，低就业吸纳力的驱动路径分为五条，且在一定条件下低教育程度与低研发投入存在替代作用。其中，仅有员工高技能水平而同时缺乏能够对就业产生创造效应的因素的组态，是产生低就业吸纳力的重要原因。
（二）实践启示
企业作为吸纳劳动力的重要组织单元，从企业的角度研究智能化条件下如何提高企业的就业吸纳力对于保障就业稳定具有重要意义。本文的研究结论对提高整体企业就业吸纳力从而保障就业稳定具有如下实践启示：
首先，鼓励创造、抑制替代，“两架马车”并驾齐驱。基于本文研究发现的五种产生高就业吸纳力的组态，抑制—创造协同型的组态对产生企业智能化下的高就业吸纳力尤为重要，因此在应对人工智能对就业造成的影响、保持企业的高就业吸纳力时，应注意将员工层面能够对人工智能对就业的替代效应产生抑制作用的因素与企业整体层面能够对人工智能对就业的创造效应产生激发作用的因素结合起来，使其共同发挥作用。另外，在3种抑制—创造协同型的组态中，其中组态1与组态3两种抑制—创造协同型的组态，较高的利润增长能力是不可或缺的因素，这揭示出企业高就业吸纳力产生的关键点为企业在采用新技术后是否能获得较高的利润增长，企业只有自身得到较好的发展，才有余力吸纳更多劳动力。因此，无论企业还是政府，都应充分意识到促进企业发展在提高企业就业吸纳力中的重要性，采取相应的措施。
其次，警惕过度关注高技能水平人力资本积累，忽视企业利润增长和研发投入。在以往研究中，大部分学者均认为人工智能更倾向于“技术偏好型”，更加强调人工智能对高技能人才的需求，积累更多高技能水平人力资本。但从就业优先、维持企业高就业吸纳力的角度来看，智能化条件下员工高技能水平的缺失虽然对低就业吸纳力的影响较大，是导致企业低就业吸纳力产生的重要条件，但是，其存在对企业高就业吸纳力的产生作用较小。从产生低就业吸纳力的重要路径组态1与组态3可以发现，仅有较高技能水平的人力资本，缺乏能够对就业产生创造效应的高利润增长能力、高研发投入并不能使企业产生较高的就业吸纳力，因此，在智能化下不能过度关注对高技能水平人力资本的积累，而忽略企业的利润增长和研发投入，这可能是大部分企业产生低就业吸纳力的原因，需要引起重视。另外，进一步比较产生低就业吸纳力的重要路径组态1与组态3也可以发现，企业较高的与人工智能相关的研发投入的缺失是两条路径的共同点，这从侧面反映出许多企业管理层存在短视行为。Stein（1988年）[22]指出管理层短视即管理者为最大化短期财务绩效或股价来牺牲企业长远利益的行为。由于与人工智能相关的研发投入不能在短期内使企业迅速收回回报，管理者为了满足自身的当前利益（如报酬、声誉等），不愿意在与人工智能相关的研发方面投入过高。综上，企业应顺应时代要求，在积累高技能水平人力资本的同时，注意技能与技术的适配性，通过培训、引进与人工智能相关业务的专业人才，提高运用新技术的能力。同时，克服管理层的短视行为，加大研发投入力度，促进科技成果转化，将企业做大做强，肩负企业的社会责任吸纳更多就业。
最后，正确认识企业吸纳就业的复杂性。企业组织作为一个复杂的系统，其在智能化条件下高就业吸纳力结果的形成是由多种因素或条件匹配共同发挥作用而产生的，不同的因素或条件形成不同的路径，且企业高就业吸纳力的发生具有非对称性，因此，不应通过经验总结低企业就业吸纳力的原因推论高企业就业吸纳力如何产生，应把握好不同层次前因条件之间的动态匹配关系以及核心条件的作用，根据企业自身的实际条件和所处环境来选择适合自己的提高企业就业吸纳力的路径。同时，根据本文的研究结论，在选择提高企业就业吸纳力的路径时，应注意联动匹配智能化条件下企业组织层面激发就业创造效应的因素以及企業员工层面抑制就业替代效应的因素，使其在更大程度上提高企业就业吸纳力。
[参考文献]
[1] 程承坪、彭欢：《人工智能影响就业的机理及中国对策》，《中国软科学》2018年第10期。
[2] 吕荣杰、郝力晓：《人工智能等技术对劳动力市场的影响效应研究》，《工业技术经济》2018年第12期。
[3] 谢璐、韩文龙、陈翥：《人工智能对就业的多重效应及影响》，《当代经济研究》2019年第9期。 [4] 蔡跃洲、陈楠：《新技术革命下人工智能与高质量增长、高质量就业》，《数量经济技术经济研究》2019年第5期。
[5] 王君、张于喆、张义博等：《人工智能等新技术进步影响就业的机理与对策》，《宏觀经济研究》2017年第10期。
[6] 何勤、邱玥：《人工智能的就业效应研究：锦上添花抑或是釜底抽薪？》，《北京联合大学学报（人文社会科学版）》2020年第2期。
[7] 张于喆：《人工智能、机器人的就业效应及对策建议》，《科学管理研究》2019年第1期。
[8] 惠炜、姜伟：《人工智能、劳动力就业与收入分配：回顾与展望》，《北京工业大学学报（社会科学版）》2020年第5期。
[9] AutorDH：“Why are there still so many jobs？ The history and future of workplace automation”，Journal of Economic Perspectives， 2015.
[10] 李超平、徐世勇：《管理与组织研究常用的60个理论》，北京大学出版社2019版。
[11] MeyerA，Tsui A S，& Hinings C R：“Configurational approaches to organizational analysis”，Academy of Management Journal，1993.
[12] 段海英、郭元元：《人工智能的就业效应述评》，《经济体制改革》2018年第3期。
[13] [美]查尔斯 C.拉金：《重新设计社会科学研究》，杜运周等译，机械工业出版社2019年版。
[14] 张明、杜运周：《组织与管理研究中QCA方法的应用：定位、策略和方向》，《管理学报》2019年第9期。
[15] 叶明确、杨亚娟：《人力资本与中国高新技术企业的创新绩效——基于上海高新技术企业问卷调查的实证分析》，《科技与经济》2017年第5期。
[16] 李晓华：《中国制造业的“成本上涨与利润增长并存”之谜》，《数量经济技术经济研究》2013年第12期。
[17] 曹晶、杨百寅、王东等：《企业高管教育程度对其研发投入的影响——高管权力分布和企业所有制性质的调节作用》，《技术经济》2018年第5期。
[18] Fiss P C：“Building better causal theories： A fuzzy set approach to typologies in organization research”，Academy ofManagement Journal，2011.
[19] 程建青、罗瑾琏、杜运周等：《制度环境与心理认知何时激活创业？ ——一个基于QCA方法的研究》，《科学学与科学技术管理》2019年第2期。
[20] [比利时]伯努瓦·里豪克斯、[美]查尔斯 C.拉金：《QCA设计原理与应用：超越定性与定量研究的新方法》，杜运周，李永发等译，机械工业出版社2017版。
[21] RaginC C，and P C Fiss：Net Effects Analysis versus Configurational Analysis：An Empirical Demonstration，in Re-desining Social Inquiry：Fuzzy Set and Beyond，edited by C. C. Ragin，University of Chicago Press，2008，pp.190-212.
[22] Stein，J.C.“Takeover Threats and Managerial Myopia”，Journal of Political Economy，1988.