參考文獻
人工智慧的引入和馬克思的「實質包容」所帶來的勞動過程的變革
AI の導入による労働過程の変質と マルクスの「実質的包摂」
三家本 里実、第74巻第3号、(2021年1月 , pp. 81－104)
文献1：AN00248808_74-3_08.pdf
研究目的：
→有人悲觀地認為AI會剝奪工作，筆者支持樂觀意見認為AI會產生新的工作。
目的是從理論上掌握在各個領域引進的AI對雇傭質量的影響。
通過AI導入，明確勞動者的工作方式的變質，以及科技和AI的連續性、共同點、差別，利用馬克思的勞動過程論研究AI如何影響人類“思考”“實行”的部分。
研究假設：
在勞動過程中，人與人的關係越多，就會受到AI的正的影響，質量也會提高。(H1)
AI導入對熟練科技人員來說是受到負的影響的假說。(H2)
根據產業種類的不同，AI導入會使勞動過程變質的假說。(H3)
假設AI承擔勞動過程中的“結構”時，它對人有負面影響。
假設AI承擔勞動過程中的“執行”時，它對人有正面影響。
調査人工智慧、機器人、失業率的關係
Artificial Intelligence, Robots and Unemployment: Evidence from OECD Countries
Florent Bordo, (2022/1)
文獻2：Artificial Intelligence, Robots and Unemployment: Evidence from OECD Countries | Cairn.info
研究目的：
有沒有證據證明機器人工程學和AI科技有可能新增失業率？
檢驗破壞就業和創造就業的淨效果。
通過這項研究中，探索以下4個項目。
-
預計總失業率與機器人、AI之間呈正相關。（H1）
-
機器人與低學歷工人失業率之間呈正相關，預計機器人與高學歷工人失業率之間呈負相關。（H2）
-
AI和機器人主要驗證影響中熟練工人失業率的假說。（H3）
-
機器人與低學歷年輕人失業率之間存在正相關，預計AI與高學歷年輕人失業率之間存在負相關。（H4）
研究方法設計：
為了驗證四個假設，研究“AI、機器人、失業率”的關係。
從三個角度進行研究，可以在宏觀層面驗證效果，而不是在特定的企業或產業。
-
决定各自的定義（值）。
-
參考OECD加盟33個國家的資料
-
GDP增長率（U）、
-
非活動率（IR），其通過增减勞動力人口而對失業率產生直接影響
-
機器人（IR）和AI專利庫存（AI）的成長率
*失業也包括從屬變數的滯後，因為即使其原因减弱也會持續新增。
2.數據來源
-
人均實際GDP和失業率數據由OECD提供。
-
失業率和非活動率由各國統計局實施，並從OECD集中管理的勞動力調查中收集。
-
教育水准與聯合國教科文組織製定的2011年國際標準教育分類（ISCED）相對應。
-
OECD（2017）的「未滿高等教育」的範疇，利用25～34歲，35～44歲，45～54歲，55～64歲的4個年齡層的數據。
-
從國際機器人聯盟（IFR）獲得有關機器人運行台數的數據。
3.在用固定效應模型估計之後，使用GMM系統估計重新估計模型以消除偏差。
按教育水准和年齡層區分驗證失業率。
研究結論：
H1假設：預計總失業率與機器人、AI之間呈正相關
→可知機器人的庫存與中等教育水准的人們的失業率之間的正相關關係。 無論在哪個年齡層確實都是正的，有統計意義。
H2假設：機器人與低學歷工人失業率之間呈正相關，預計機器人與高學歷工人失業率之間呈負相關
→相關的大小隨著教育水准的提高而變小，囙此機器人工程學是“基於技能的技術性變化”，與對低學歷者不利、對高學歷者有利的一般意見相反，機器人對所有工人都不利，但對熟練工人來說卻略顯不利。
H3假設：AI和機器人主要驗證影響中熟練工人失業率的假說
→只能部分驗證
H4假設：機器人與低學歷年輕人失業率之間存在正相關，預計AI與高學歷年輕人失業率之間存在負相關
→雖然只能部分驗證，但可以看出“經驗”效果比“知識陳舊”效果更强。
通過這研究發現以下的事情。
1.發現機器人和AI都有新增失業率的趨勢。
2.教育水准和年齡層差別化的失業率，AI和機器人的效果有很强的異質性（部分年齡層）
3.發現機器人的效果對中等學歷人群的失業率影響最大，這是科技變化誘發的勞動力市場兩極化。
4.AI會使具有中等教育水准的人群失業率上升，但對於其他人群，其效果是負面的或不顯著的。
研究架構：
H1…失業率與機器人、AI之間呈正相關。
H2…機器人與低學歷工人失業率之間呈正相關，然後機器人與高學歷工人失業率之間呈負相關。
H3…AI和機器人主要驗證影響中熟練工人失業率的假說。
H4…機器人與低學歷年輕人失業率之間存在正相關，然後AI與高學歷年輕人失業率之間存在負相關。
驗證了人工智慧對高科技已開發國家失業率的影響
Artificial intelligence and unemployment in high-tech developed countries: New insights from dynamic panel data model
Hasraddin Guliyev, Volume7, December (2023).
文獻3：https://www.sciencedirect.com/science/article/pii/S2590051X23000308
研究目的：
有沒有AI對高科技發達國家失業率的影響？
研究國家與AI相關的country's Google Trend Index與失業率之間的關係。
通過這項研究中，探索以下3個項目。
-
AI與失業率的關係。（H1）
-
機器學習與失業率的關係。（H2）
-
數據科學與失業率的關係。（H3）
研究方法設計：
為了驗證三個假設，研究“AI、機器學習、數據科學 跟失業率”的關係。
從兩個角度進行研究，可以在宏觀層面驗證效果，而不是在特定的企業或產業。
-
數據集、變量和描述性統計
-
以 24 個高科技先進國家 (2005-2021 年) 為研究對象，使用面板數據進行分析。
-
研究對象國為全球創新指數 2022 年排名靠前的國家。
-
用因變數，表示失業率
-
用自變數，表示 Google 趨勢指數 (與人工智慧、機器學習、數據科學相關的搜索量) - 分別對三個進行模型估計
-
用控制變數，表示通膨率、GDP 成長率、政府支出
2.計量經濟學模型和估算
-
本研究是動態面板數據模型來探討高科技先進國的人工智慧與失業率的關係。
-
由於失業率容易受到其歷史值的影響，因此採用動態面板數據模型。
-
使用 Windmeijer (2005) 的穩健標準誤差，模型中的控制變數和興趣變數在 5% 水準下都具有統計顯著性。
→結果
前一年的失業率上升 1%，會使當年的失業率上升 0.877%。
政府開支與國內生產總值的比率每增加 1%，就會使失業率上升 0.08%。
通貨膨脹率和經濟增長率每上升 1%，失業率就會分別下降 0.145%和 0.159%。
以上結果表明，失業率受過去數值的影響，政府支出會提高失業率，而通貨膨脹率和經濟增長率會降低失業
率。
研究結論：
-
H1假設：人工智能 (AI) 與失業率的關係
→人工智能對失業率有 負面影響。
-
H2假設：機器學習與失業率的關係
→機器學習對失業率有 負面影響。
-
H3假設：數據科學與失業率的關係
→數據科學對失業率有 負面影響。
通過這研究發現以下的事情。
-
在所有情況下，通貨膨脹率對失業率的負面影響都與菲利普斯（1958 年）曲線一致。
-
奧肯定律也傾向於高科技發達國家經濟增長與失業率之間的反比關係。
在所有情景中，政府支出都與失業率顯著負相關，這些結果都得到了 Feldmann，2006 年，Brückner 和 Pappa，2012 年的充分支持。
-
位移效應 "在人工智能中得到了驗證。
-
AI通過創造新的工作角色、實現日常任務自動化和提高生產率，有可能徹底改變勞動力隊伍。
-
AI對就業的積極影響是創造一個更高效、更有生產力、更充實的工作環境和新的工作崗位。
研究架構：
H1…人工智能 (AI) 與失業率的關係
H2…機器學習與失業率的關係
H3…數據科學與失業率的關係
