科学研究与应用
Journal of Scientific Research and Applications
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-7071（P）
- ISSN:3080-0757（O）
- 期刊分类:科学技术
- 出版周期:月刊
- 投稿量:5
- 浏览量:715
相关文章
暂无数据
人工智能对员工基本社会保障权益的影响研究
Research on the Impact of Artificial Intelligence on Employees' Basic Social Security Rights and Interests
引言
第四次工业革命以智能化为核心，深刻影响全球各领域。党的二十届三中全会明确优化人工智能等战略性产业发展政策与治理体系，我国人工智能产业规模持续快速增长，大模型技术演进推动其工程化发展，应用深化重塑生产模式，成为国家战略性产业核心。社会保障是民生根基，习近平总书记在党的二十大报告中明确了新时代社会保障体系建设方向。当前，在多重冲击下，社会保障体系面临治理挑战，女性群体权益保障困境更为突出。据相关监测报告，女性社保存在“参保率高、受益率低”的结构性矛盾，人工智能重塑就业形态后，近半数女性灵活就业者未参保，制度与技术变革的张力加剧女性权益失衡，人工智能背景下女性社保权益是否受新一轮冲击，成为亟待探讨的重要议题。
1 文献回顾
1.1 关于女性基本权益保障权益方面的研究
现有女性基本社会保障权益研究多聚焦政策制度、社会公平与性别差异。国际上，国际劳工组织指出全球女性社保参保率低于男性，生育保险、失业保险缺口明显；联合国开发计划署认为，社保政策缺乏性别视角会加剧女性贫困。国内研究提出构建女性“全生命周期保障”，我国生育保险虽全覆盖，但农村女性参保率仅为城市的60%，城乡报销有差异。此外，女性养老保险因职业中断积累偏低；医疗保险中女性生殖健康支出占比超30%，商业补充医保覆盖率不足男性一半；仅28%女性用公积金贷款购房，较男性低12个百分点。学者发现，企业生育保险成本每增1%，女性员工流失率降2.3%，但中小企业参保意愿受成本制约，相关法规存在执行偏差，而“社会保障性别红利”理论认为女性参保率提升可推动经济增长。
1.2 人工智能对女性员工基本社会保障的影响
人工智能发展深刻影响就业市场，既存在替代部分岗位的“替代效应”，也有扩大产业、新增岗位的“补偿效应”，同时打破地域限制、降低信息壁垒，助力就业创业与经济稳定。它不会大幅减少岗位，但会显著改变就业结构，高学历劳动者机会增多，中等薪资岗位占比下降，工资整体提升的同时，学历工资差距扩大。其普及重塑就业与社保体系，对女性的差异化影响尤为突出。依据“技能替代假说”，AI对低技能、重复性岗位冲击更大，国内研究显示，AI自动化使女性失业率上升3.2%，再就业难度为男性1.8倍；印度研究发现，AI客服外包致女性工资下降40%，且缺乏社保。欧盟2023年《人工智能法案》要求高风险AI开展性别影响评估，德国学者提出算法正义三原则。国内研究表明，AI就业性别偏好压缩女性机会，影响社保缴费年限；工伤保险中算法易模糊女职工职业伤害认定边界，住房公积金领域女性获批额度普遍低于男性。当前我国女性在AI时代面临多重权益挑战，助力其跨越数字鸿沟、完善保障机制意义重大。
2研究假设
人工智能应用普遍提升生产效率、优化工作流程，对女性员工意义深远。科技进步与人力资本积累相互促进，可大幅减轻女性承担的繁琐重复性工作，提升职场安全，降低工伤风险。这契合马克思人力资本理论，技术进步提升劳动者技能、推动生产力发展；企业也会优化生育保险、弹性福利等制度吸引高技能女性，形成 “技术赋能—人力资本增值—权益保障强化” 的良性循环。但冲突理论指出，技术红利分配可能加剧劳资博弈，使女性面临技术性失业与技能升级压力。因此，人工智能通过多重路径影响女性社保权益，一些有助于实现技术赋能与权益保障的平衡。基于此，本文提出假设1：人工智能的应用对女性员工享受基本保障权益具有积极影响。
性别角色理论指出，社会对男女的角色期待差异，使男性更多参与市场有偿劳动，女性承担家庭照料责任，进而面临职业中断多、工资偏低的困境。但中国男性工资存在约6.8%的婚姻溢价，可能与妻子“相夫效应”相关特征有关。人工智能技术虽提升生产效率，其设计与推广却隐含性别偏见：一是设备多基于男性生理特征设计，不便女性操作，加剧其权益劣势；二是企业技术培训与晋升中存在性别偏好，限制女性职业发展；三是人工智能在人力资源管理中存在价值识别偏差，未充分衡量女性劳动贡献，损害薪酬公平。上述现象揭示了劳动力市场性别差异的结构性矛盾，凸显人工智能应用中的性别偏见及其对女性职业发展和社会保障权益的负面影响。基于此，本文提出假设2：在人工智能技术的应用过程中，两性员工存在享受基本保障权益上的差距并且女性享受权益程度处于劣势。
自我决定理论指出，个体有积极自我调节的倾向，会主动学习提升技能，进而促进绩效。人工智能应用要求员工具备相应科技素养与专业技能。对女性员工而言，学历与其科技教育、培训水平密切相关，也影响其在人工智能中的角色与职责。高学历女性更易从事挑战性、创新性工作，承担更多权责。同时，学历是女性在 AI 应用中获得社会认同与尊重的重要标志。高学历女性更易获得认可，企业也更重视其贡献，愿意提供更好薪酬与条件，激发其工作与创新热情，使其获得更多资源支持。这既推动性别平等与职场多元，也提升企业创新力与竞争力。据此，本文提出假设3：在人工智能技术的应用过程中，学历对女性员工享受基本社会保障权益产生调节效应。
3研究设计
3.1 数据来源
本文数据来源于中国人民大学劳动人事学院2021年中国雇主—雇员匹配跟踪调查，采用结构化问卷形式，样本覆盖不同地区与行业企业。2021年雇主数据包含工业机器人使用相关题目，与本文研究主题一致。本文使用该年度完整手工整理的匹配数据，样本筛选过程如下：总观测值3781个，其中男性1736个、女性2045个。剔除男性劳务派遣工175名、女性劳务派遣工134名后，最终有效观测值3472个，其中女性有效样本1911个，无缺失值。
3.2变量选取
因变量：女性员工是否享受基本社会保障权益。我国将养老保险、医疗保险、失业保险、工伤保险和生育保险以及住房公积金规定为主要的基本社会保障体系。它们源自于针对雇员的调查问卷中是否参加五险一金，若是，每项赋值为1，反之赋值为0。赋值完毕后六项相加，值为6，则表示为该员工享受基本社会保障权益，赋值为1；若值相加取值为0—5，则表示员工不完全享受基本社会保障权益，赋值为0。
自变量：核心自变量是使用人工智能，它源自针对雇主的调查问卷中“2020年底贵企业使用机器人设备现值”这一项，如果答案显示数值，则证明该企业使用人工智能技术，表示为“是”，该变量赋值为1；反之，表示为“否”，其赋值为0。
调节变量：学历，根据被访者实际受教育情况，若受过高等教育（即本科及以上），该变量赋值为1；反之，表示为“否”，其赋值为0。
控制变量：分为个体特征与就业特征。个体特征包含性别、年龄、户籍、婚姻状况、日平均工作时长、政治面貌。就业特征包括企业工会、企业类型及行业类别。每个变量的具体含义与描述性统计结果如下表1所示。
| 变量类型 | 变量符号 | 变量名称 | 变量定义 |
|---|---|---|---|
| 因变量 | fund | 享受基本社会保障权益 | 是否享受基本社会保障权益（1=是，0=否） |
| 自变量 | robot | 使用人工智能技术 | 是否使用人工智能技术（1=是，0=否） |
| 调节变量 | edu | 学历 | 是否受过高等教育（1=是，0=否） |
| 控制变量 | gender | 性别 | 0=女性，1=男性 |
| com | 企业类型 | 是否公有制（1=是，0=否） | |
| mar | 婚姻状况 | 是否已婚（1=是，0=否） | |
| party | 政治面貌 | 是否加入中国共产党（1=是，0=否） | |
| dom | 户籍 | 是否本地户口（1=是，0=否） | |
| age | 年龄 | 被访者实际年龄 | |
| work | 日平均工作时长 | 被访者实际日平均工作时长 | |
| union | 企业工会 | 是否存在工会（1=是，0=否） | |
| industry | 行业类别 | 是否为第二产业（1=是，0=否） |
3.3 模型构建
为验证人工智能应用对女性员工基本社会保障权益以及两性存在的差距的影响，本文构建回归模型如下。是否使用人工智能是二分类变量，故用Logit回归进行分析，其表达式为：
Logit(P(Y=1)) = β0 + β1⋅robot + β2⋅控制变量 +ϵ （1）
式（1）中 Y 表示享受基本社会保障权益；robot 表示为使用人工智能（1=是，0=否）；控制变量包括个人特征变量（学历、户籍、年龄、婚姻状况、党派、日平均工作时长）和企业特征变量（企业类型、企业工会、行业类别）；β0 为模型的常数项。β1, β2 为各自变量的回归系数，反映自变量对因变量的影响程度；ϵ 为误差项。
为验证学历在人工智能对女性员工基本社会保障权益是否产生调节作用，特构建 Logit 回归进行分析，其表达式为：
Logit(P'(Y=1)) = β'0 + β'1⋅robot + β'2⋅控制变量 + β3⋅edu + β4M +ϵ' （2）
式（2）中 Y 表示享受基本社会保障权益的概率；robot 表示为使用人工智能（1=是，0=否）；控制变量包括个人特征变量（户籍、年龄、婚姻状况、党派、日平均工作时长）和企业特征变量（企业类型、企业工会、行业类别）；edu 为调节变量学历；M 为 robot 与 edu 的交互项；β'0 为模型的常数项。β'1, β'2, β3, β4 为各自变量的回归系数，反映自变量对因变量的影响程度；ϵ' 为误差项。
4 实证结果与分析
4.1 logistic回归分析
表2 模型1列（1）显示，控制学历、户籍、年龄、企业类型、婚姻状况、政治面貌、日均工作时长、企业工会及行业后，人工智能应用的回归系数为0.302，在10%水平上显著，对女性员工基本社会保障权益具有正向影响，假设1得证。模型2列（1）在模型1控制变量基础上加入性别变量，人工智能应用系数为0.445，在1%水平上显著，对全体员工社会保障权益存在正向作用。性别变量系数为-0.255，在5%水平上显著，表明女性享受基本社会保障权益的概率显著低于男性，性别差距显著，假设2得证。
为进一步分析，本文将养老保险、医疗保险、工伤保险、失业保险、生育保险与住房公积金分项进行 Logit 回归，结果见表2列（2）-（7）。模型1列（2）-（7）显示，人工智能仅对女性员工住房公积金权益在10%水平上存在显著正向影响，对五险无显著作用，这与住房公积金相关政策完善、覆盖与效率提升有关。模型2列（7）中，人工智能对全体员工住房公积金的影响系数提高且在1%水平显著，性别系数为-0.182（10%水平显著），女性住房公积金水平仍低于男性。模型2列（2）-（6）显示，人工智能对医疗、工伤、失业、生育保险均存在10%水平上的显著正向影响，且性别系数均为负，女性在五险方面仍处于劣势。
| 模型1 | ||||||||||||||
| 享受五险一金 | 养老
保险 |
医疗
保险 |
工伤
保险 |
失业
保险 |
生育
保险 |
住房公积金 | ||||||||
| 使用人工智能 | 0.302*
(0.140) |
0.193
(0.185) |
0.285
(0.191) |
0.233
(0.183) |
0.255
(0.181) |
0.274
(0.173) |
0.309*
(0.143) |
|||||||
| 控制
变量 |
已控制 | 已控制 | 已控制 | 已控制 | 已控制 | 已控制 | 已控制 | |||||||
| 常数 | 0.059
(0.521) |
2.101***
(0.611) |
2.450***
(0.630) |
2.667***
(0.605) |
2.702***
(0.603) |
3.337***
(0.579) |
-0.095
(0.531) |
|||||||
| 观测值 | 1911 | 1911 | 1911 | 1911 | 1911 | 1911 | 1911 | |||||||
| R2 | 0.075 | 0.063 | 0.050 | 0.052 | 0.057 | 0.057 | 0.077 | |||||||
| 模型2 | ||||||||||||||
| 享受五险一金 | 养老
保险 |
医疗
保险 |
工伤
保险 |
失业
保险 |
生育
保险 |
住房公积金 | ||||||||
| 使用人工智能 | 0.445***
(0.101) |
0.235
(0.128) |
0.290* (0.132) | 0.288*
(0.128) |
0.273*
(0.124) |
0.292*
(0.117) |
0.514***
(0.104) |
|||||||
| 性别 | -0.255**
(0.080) |
-0.137
(0.099) |
-0.161
(0.101) |
-0.170
(0.098) |
-0.211*
(0.097) |
-0.407***
(0.092) |
-0.182*
(0.082) |
|||||||
| 控制
变量 |
已控制 | 已控制 | 已控制 | 已控制 | 已控制 | 已控制 | 已控制 | |||||||
| 常数 | -0.426
(0.490) |
1.167**
(0.412) |
1.615***
(0.420) |
1.547***
(0.410) |
1.728***
(0.402) |
2.282***
(0.384) |
-0.570
(0.366) |
|||||||
| 观测值 | 3472 | 3472 | 3472 | 3472 | 3472 | 3472 | 3472 | |||||||
| R2 | 0.084 | 0.078 | 0.070 | 0.062 | 0.068 | 0.071 | 0.096 | |||||||
注：* p<0.10, ** p<0.05, *** p<0.001。
为进一步验证人工智能应用对男女员工社会保障权益的影响，本文通过边际效应绘制预测概率图（图1），结果为：（1）人工智能使用效应：无论性别，员工社会保障权益的预测概率均随人工智能使用频率提升而显著上升，表明人工智能对男女员工权益均具有普遍正向作用，有助于推动职场福利普惠与性别平等。（2）性别差异：在未使用人工智能时，男性员工的社会保障预测概率显著高于女性员工，说明职场存在固有性别权益差距。（3）性别差距变化：人工智能应用后，男女员工间的社会保障权益预测概率差距有所缩小，但男性概率仍高于女性。
4.2 调节效应
表3 模型1显示，人工智能应用对员工基本社会保障权益具有正向影响，系数为0.290，在10%水平上显著，初步验证了人工智能在提升五险一金福利中的积极作用。模型2在模型1基础上引入学历作为调节变量，经去中心化处理后，调节效应项在5%水平上显著，证明学历调节的合理性与有效性。同时，学历系数为1.156，在1%水平上极其显著，表明学历提升会显著增强员工享受基本社会保障权益的程度。纳入学历调节变量后，人工智能应用的系数从0.290提升至0.384且保持显著，模型R²从0.035升至0.078，拟合度显著提高，因此假设3成立。
| 模型1 | 模型2 | |
|---|---|---|
| 使用人工智能 | 0.290*
(0.136) |
0.384**
(0.147) |
| 学历 | 1.156***
(0.116) |
|
| M | 0.679**
(0.260) |
|
| 控制变量 | 已控制 | 已控制 |
| 常数 | 1.115*
(0.500) |
1.962***
(3.54) |
| 观测值 | 1911 | 1911 |
| R2 | 0.035 | 0.078 |
注：*p<0.10, **p<0.05, ***p<0.001。
4.3 内生性检验
个体对人工智能技术的采纳具有自发性与选择性，易使基准模型估计存在自选择偏差。为缓解该内生性问题，本文借鉴李磊的方法，采用倾向得分匹配修正样本选择偏差，提升估计精度。通过以控制变量为协变量、核匹配法构建个体采纳倾向得分并匹配处理组与控制组，降低个体特征差异带来的估计偏误，得到更可靠的因果推断，并使用筛选后样本重新回归。表4 显示，模型1中人工智能应用与女性员工权益水平仍显著正相关。相较于基准模型，相关系数提高0.008，且在10%的统计水平上显著。结果支持假设1，即人工智能应用对女性基本权益水平具有正向提升作用，且该效应随模型优化有所增强。
| 模型1 | 模型2 | |
|---|---|---|
| 使用人工智能 | 0.310*
(0.141) |
0.446***
(0.101) |
| 性别 | -0.254**
(0.080) |
|
| 控制变量 | 已控制 | 已控制 |
| 常数 | 0.095
(0.526) |
-0.458
(0.360) |
| 观测值 | 1882 | 3448 |
| R2 | 0.073 | 0.084 |
注：*p<0.10, **p<0.05, ***p<0.001。
进一步地，模型2的回归结果揭示了系数为0.446，该系数在极为严格的1%显著性水平下依然保持显著。这一发现不仅与现有研究中的性别不平等现象相呼应，也再次验证了本文提出的假设2。通过内生性检验后，本文的两个核心假设均得到了实证支持。
4.4 稳健性检验
在本文的稳健性检验部分，我们采用了替换模型的方法来进一步验证研究结论。具体而言，我们将原先的logitistic回归模型替换为了Probit模型，并报告了模型1与模型2的回归结果，以此作为稳健性检验的依据。在表5模型1中，我们发现人工智能应用对女性员工享受基本社会保障水平的正向影响系数为0.192，并且在统计显著性水平为10%的条件下显著。虽然这一系数值较小，但其显著性表明人工智能应用对女性员工权益水平确实存在正向影响，这与我们的研究假设保持一致。
| 模型1 | 模型2 | |
|---|---|---|
| 使用人工智能 | 0.192*
(0.085) |
0.273***
(0.061) |
| 性别 | -0.160**
(0.049) |
|
| 控制变量 | 已控制 | 已控制 |
| 常数 | 0.020
(0.319) |
-0.272
(0.221) |
| 观测值 | 1911 | 3472 |
| R2 | 0.076 | 0.084 |
注：*p<0.10, ** p<0.05, ***p<0.001。
进一步地，模型2结果显示，人工智能应用对员工整体社会保障权益水平的正向影响仍在1%水平上高度显著；性别系数为-0.160，在5%水平上显著，表明在控制其他因素后，女性在五险一金等福利获取上仍显著劣于男性。该结果揭示了社会保障权益分配中的性别差异，为探讨性别平等问题提供了经验依据。通过更换估计方法开展稳健性检验，本文进一步验证了人工智能对女性员工社会保障权益的正向作用，以及男女员工间的福利差距，研究假设得到有力支持，结论稳健可靠。
5结论与讨论
本文实证结果表明，三个核心假设均得到有力验证。人工智能应用对女性员工基本社会保障权益有显著正向影响，改善其工作权益与生活质量，推动构建包容多元的工作环境。但男女员工社保权益仍有显著差距，男性更优。此外，学历调节作用显著，高学历女性社保权益优于低学历女性，学历提升可帮助女性适应变革、提升福利。基于上述结果，提出以下建议：
第一，完善女性员工权益保障政策，构建多元包容企业文化。政府与企业应协同完善女性福利保障，重点强化生育、哺乳、育儿支持，通过延长产假、增设哺乳场所、发放育儿补贴等减轻女性家庭负担。企业需营造尊重多元、包容平等的文化，关注女性职业发展，完善职业规划与晋升通道；健全心理健康服务体系，缓解职场压力，提升女性职业满意度与幸福感。
第二，推进公共政策性别主流化，促进人工智能与女性就业融合。将性别视角全面嵌入政策制定与执行全过程，推动性别平等理念落地。鼓励企业积极应用人工智能，依托技术创新为女性创造更多高质量、高附加值就业岗位；在技术应用、技能培训、职业发展等环节坚持性别平等原则，保障男女员工享有同等机会。
第三，加大女性员工技能培训投入，重点提升高学历女性适应新技术的能力，通过继续教育与职业培训增强女性职场竞争力，缩小性别薪酬差距，推动职场性别平等与社会资源优化配置。
本研究揭示人工智能对女性员工社会保障权益的双向影响机制，提出政策优化路径，以平衡社会和谐与经济发展。政府、企业与社会协同发力，可有效提升人工智能时代女性就业公平性与保障水平，为构建公正、包容、可持续发展的社会提供支撑。
参考文献：
- [1] Brynjolfsson E, McAfee A. The second machine age: Work, progress, and prosperity in a time of brilliant technologies[J]. Technovation,2015,35:71-71.
- [2] 李迎生. 生育保险制度覆盖率的城乡差异研究[J]. 社会保障研究,2018(03):45-58.
- [3] 蔡昉. 人工智能对劳动力市场的冲击研究[J].经济学动态,2020(05):12-25.
- [4] 郑功成. 女性养老金权益保障的制度性障碍[J]. 社会保障研究,2018(03):45-52.
- [5] 李珍, 王芳. 医疗保险中的性别差异与政策调整[J]. 中国卫生经济,2020,39(06):30-34.
- [6] 张翼.住房公积金制度与性别收入差距关联性研究[J].住房研究,2021(02):77-85.
- [7] Kocher L. Debating explainable AI: A report on a workshop with philosophers, engineers, and social scientists[J]. Proceedings of machine learning research,2019,97:1-22.
- [8] 张敏. 劳务派遣视角下的女职工劳动保护困境[J]. 法学研究,2021(02):89-105.
- [9] 蔡昉, 张新民, 王美艳. 人工智能时代的就业与社会保障[J]. 管理世界,2021(03):112-128.
- [10] Bessen J. Artificial intelligence and jobs[J]. The economics of artificial intelligence: An agenda,2019,291.
- [11] 马亮. 社会保障性别红利：理论与实证[J]. 中国社会科学,2023(01):42-61.
- [12] Wang S Q. Algorithmic discrimination and social security coverage among female delivery workers in China[J]. Gender & development,2023,21(02):287-301.
- [13] 谢绚丽, 沈艳, 张皓星, 等. 数字金融能促进创业吗?——来自中国的证据[J].经济学(季刊),2018,17(04):1557-1580.
- [14] 赵涛, 张智, 梁上坤. 数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J]. 管理世界,2020,36(10):65-76.
- [15] 余玲铮, 魏下海, 吴春秀.机器人对劳动收入份额的影响研究——来自企业调查的微观证据[J]. 中国人口科学,2019(04):114-125+128.
- [16] 姜琪, 李吉志, 倪硕. 人工智能会加剧学历工资差距吗[J]. 财经科学,2024(06):61-76.
- [17] Acemoglu D, Restrepo P. Automation and new tasks: How technology displaces and reinstates labor[J]. Journal of economic perspectives,2019,33(02):3-30.
- [18] 陈楠, 蔡跃洲. 数字经济热潮下中国ICT制造业的发展质量及区域特征——基于省域数据的实证分析[J]. 中国社会科学院研究生院学报,2019(05):23-39.
- [19] Chatterjee S, Roy T. Artificial intelligence and gendered labor markets: Evidence from India’s ITES sector[J]. World development,2022,154:105893.
- [20] Korinek A, Stiglitz J E. Artificial intelligence and its implications for income distribution and unemployment[M]. Chicago: University of Chicago Press,2018.
- [21] 李敏, 王雪. 零工经济平台劳动者的工伤保险困境研究——以电商骑手为例[J]. 中国人力资源开发,2023,40(02):67-75.
- [22] 王雪, 陈刚. 人工智能招聘算法的性别歧视及其规制[J]. 法学论坛,2022,37(04):89-97.
- [23] 李敏. 自动化监控与女性劳动者职业伤害认定困境研究[J]. 中国人力资源开发,2023,40(01):55-63.
- [24] 张琳,赵辉.住房公积金额度分配的算法公平性研究——基于性别视角的实证分析[J]. 金融研究,2021(12):112-120.
- [25] 刘芳. 社会保险待遇发放中的算法歧视及其法律规制[J]. 社会保障研究,2023(02):34-42.
- [26] 王智波, 李长洪. 好男人都结婚了吗?——探究我国男性工资婚姻溢价的形成机制[J].经济学(季刊),2016,15(03):917-940.
- [27] 李磊, 王小霞, 包群.机器人的就业效应：机制与中国经验[J]. 管理世界,2021,37(09):104-119.