通过部分线性双重机器学习估计器识别人工智能对企业劳动结构的影响：来自高维面板数据的证据 刘华丽（Huali Liu） 李文杰（Wenjie Li） 林彦凯（Yankai Lin） 李镇荣（Zne-Jung Lee）

《Mathematics》：Causal Identification of Artificial Intelligence Effects on Enterprise Labor Structure via a Partially Linear Double Machine Learning Estimator: Evidence from High-Dimensional Panel Data Huali Liu, Wenjie Li, Yankai Lin and Zne-Jung Lee

　　

。

摘要

本研究构建了一个半参数因果推断框架，用于在高频混杂因素存在的情况下量化人工智能（AI）采纳对企业劳动力结构的影响。我们采用了双重机器学习（DML）估计方法，该方法结合了Neyman正交性和交叉拟合技术，从而在传统回归方法因高维控制变量和非线性混杂因素而容易产生偏差的情境下实现可靠的因果识别。通过Lasso和随机森林模型估计噪声函数，从而能够灵活地建模控制变量与结果之间的复杂关系。利用2006年至2023年间中国A股上市公司的不平衡面板数据，我们发现AI采纳对高技能劳动力的比例产生了显著的正向平均处理效应（估计值：0.118；95%置信区间：[0.073, 0.163]），这表明在企业层面，AI与技能工人之间的互补性占主导地位，超过了替代效应。异质性分析显示，这种效应在制造业（0.183）中的强度大于服务业（0.071），并且在东部地区（0.142）比在中部和西部地区（0.079）更为明显。分位数回归进一步表明，这种互补性效应在高技能分位数上更为强烈。面板平滑转换回归（PSTR）模型发现了一个数字化阈值，超过这一阈值后，AI与技能之间的互补性会进一步增强。中介分析证实，生产率提升、数字化转型和创新活动共同解释了这一效应的大部分，其中仅生产率提升就贡献了约34%。安慰剂检验和倾向得分加权验证了我们的研究结果的稳健性。