一、引言

　　伴隨著經(jīng)濟的高速發(fā)展與收入分配制度改革的推進，中等收入群體的規(guī)模持續(xù)增長，但高速發(fā)展的經(jīng)濟并未帶動中等收入群體主觀階層認同同步上升，甚至有所背離。主觀階層認同偏離客觀階層標(biāo)準(zhǔn)且偏離呈現(xiàn)逐漸加深的趨勢。階層認同對把握中國居民的社會態(tài)度與行為、降低民眾的主觀階層分化、推進共同富裕和維護社會穩(wěn)定具有積極意義。

　　已有研究從多個維度闡釋了階層認同的影響機制，但未能合理解釋中等收入群體 “低位認同” 的 “時代之力”。當(dāng)代中國呈現(xiàn)出風(fēng)險社會的特征，人工智能技術(shù)的發(fā)展對勞動力市場產(chǎn)生巨大沖擊，職業(yè)風(fēng)險增強，這與階層認同偏低現(xiàn)象同步發(fā)生，啟示我們風(fēng)險邏輯可能是理解階層認同向下偏移的重要機制。本文將從風(fēng)險分析的視角探討職業(yè)風(fēng)險影響民眾階層認同的作用機制及其與地位資源的交互效應(yīng)，回應(yīng) “中等收入群體階層認同偏下” 及其 “時代之力” 的解釋邏輯。

　　二、階層認同形成機制的理論視角

　　(一)中國居民階層認同的特征及其變遷

　　中國居民的階層認同具有 “低位認同” 的特征，與西方社會 “偏中” 的特征不同，自我階層主觀認定向下偏移。從橫向看，中國城市居民認同中間階層的比例較低，認同中等偏下階層的人明顯偏高;從縱向看，“低位認同” 逐漸普遍化，“底層認同” 不斷擴大，“中層認同” 不斷流失，中等收入群體認同偏低是突出表現(xiàn)。

　　令人不解的是，中等收入群體比例提高的同時，其主觀階層認同并未改善，甚至 “低位認同” 擴大。鄒宇春將造成階層認同偏下的時期因素概括為 “時代之力”，本文試圖從風(fēng)險視角明確階層認同的風(fēng)險邏輯，驗證職業(yè)風(fēng)險是引起中等收入群體認同顯著偏下的 “時代之力”。

　　(二)資源視角：地位資源與階層認同

　　資源邏輯隸屬于確定性分析范疇，強調(diào)資源占有的不平等對階層認同的影響，分為 “資源存量理論” 和 “資源比較理論”。“資源存量理論” 強調(diào)經(jīng)濟、文化等資源對階層認同的支持作用;“資源比較理論” 強調(diào)資源不平等狀況及其心理機制對階層認同的影響。雖然 “生活焦慮論” 與風(fēng)險邏輯相似，但它聚焦經(jīng)濟發(fā)展與物價上漲帶來的民生問題衍生的焦慮對階層認同的影響，仍屬于既有資源不平等的 “心理機制理論”，上述理論都忽略了風(fēng)險邏輯的影響。

　　(三)風(fēng)險視角：職業(yè)風(fēng)險與階層認同

　　職業(yè)風(fēng)險形塑階層認同的邏輯屬于風(fēng)險視角下的階層認同形成機制，隸屬于不確定性分析范疇，強調(diào)未來職業(yè)風(fēng)險分布的不平等性及其對主觀階層認同的作用。

　　在中國，計劃經(jīng)濟時期通過穩(wěn)定勞動關(guān)系消弭就業(yè)市場風(fēng)險。改革開放后，市場化進程中職業(yè)風(fēng)險逐步個體化并加大，但傳統(tǒng)風(fēng)險覆蓋范圍低且影響有限。進入智能時代，職業(yè)風(fēng)險陡然加大，生產(chǎn)智能化和消費市場過剩使勞動力市場不確定性增加，職業(yè)風(fēng)險成為影響階層認同的重要維度。

　　智能時代的職業(yè)風(fēng)險與傳統(tǒng)職業(yè)風(fēng)險不同，覆蓋范圍更廣、影響程度更深，人工智能不僅能替代簡單體力勞動，還威脅較高技能的職業(yè)崗位。在人工智能技術(shù)推進下，“階層認同理論” 從資源邏輯轉(zhuǎn)向風(fēng)險邏輯，兩者在理論淵源、分析視角和因果解釋邏輯上存在差異，風(fēng)險邏輯補充了階層認同理論，更契合當(dāng)今時代特征。

　　三、職業(yè)風(fēng)險與階層認同：智能時代的風(fēng)險視角

　　(一)人工智能時代的職業(yè)風(fēng)險

　　人工智能的職業(yè)沖擊效應(yīng)：人工智能對勞動力市場的職業(yè)沖擊存在替代效應(yīng)和創(chuàng)造效應(yīng)。替代效應(yīng)使企業(yè)為節(jié)約成本和提高效率選擇人工智能淘汰人工，導(dǎo)致就業(yè)崗位總量下降、失業(yè)人數(shù)增加和勞動福利下降;創(chuàng)造效應(yīng)則肯定了人工智能創(chuàng)造新崗位的能力，以及對非智能化環(huán)節(jié)勞動力需求的增加。但人工智能的替代效應(yīng)與創(chuàng)造效應(yīng)并存，給勞動者帶來職業(yè)的不確定性，包括職業(yè)變動、失業(yè)、“失業(yè) — 再就業(yè)”、福利變動等，且職業(yè)崗位較難實現(xiàn)向上流動。

　　智能時代職業(yè)風(fēng)險的內(nèi)涵與形式：智能時代的職業(yè)風(fēng)險是職業(yè)的工作任務(wù)被人工智能替代的不確定性。人工智能替代具有任務(wù)偏向，常規(guī)性工作最容易被替代。在勞動力市場中，智能時代的職業(yè)風(fēng)險具有損失性特征，其表現(xiàn)形式為失業(yè)風(fēng)險和收入風(fēng)險。失業(yè)風(fēng)險強調(diào)人工智能全部替代勞動者的威脅，收入風(fēng)險強調(diào)對勞動者就業(yè)質(zhì)量與福利的威脅。

　　(二)階層認同的風(fēng)險邏輯

　　職業(yè)是連接教育、技能和收入的橋梁，是階層認同的基礎(chǔ)，影響勞動者的收入水平、權(quán)力、財富和聲望，決定 “生活機會”。在數(shù)字經(jīng)濟快速發(fā)展的背景下，職業(yè)風(fēng)險攀升導(dǎo)致未來 “生活機會” 不確定性增加，進而影響勞動者當(dāng)前的階層認同。

　　職業(yè)風(fēng)險會增加階層認同偏下的可能性，通過失業(yè)風(fēng)險和收入風(fēng)險這兩種路徑影響階層認同。失業(yè)風(fēng)險表現(xiàn)為人工智能完全替代人力，導(dǎo)致勞動者人力資本失效;收入風(fēng)險表現(xiàn)為人工智能部分替代人力，導(dǎo)致勞動者工作內(nèi)容變化或流動到低技能崗位，人力資本貶值，進而產(chǎn)生收入下降或增長變緩的風(fēng)險。基于此，提出職業(yè)風(fēng)險的 “階層認同下移效應(yīng)假設(shè)” 和 “傳導(dǎo)路徑假設(shè)”。

　　(三)風(fēng)險邏輯下中等收入群體的 “低位認同” 之謎

　　中等收入群體的劃分標(biāo)準(zhǔn)多樣，考慮到職業(yè)與收入的相關(guān)性，中等收入群體是包括部分白領(lǐng)階層在內(nèi)的更大范圍的職業(yè)集合。

　　中等收入群體可能在更大程度上面臨智能時代的職業(yè)風(fēng)險，更容易產(chǎn)生階層認同的下移，這與他們的職業(yè)分布密切相關(guān)。大部分中等收入群體從事的中等技能水平工作具有程式化、常規(guī)化特征，容易被人工智能替代。人工智能技術(shù)的應(yīng)用會導(dǎo)致就業(yè)極化，中等收入群體就業(yè)比例下降。因此，提出假設(shè)：與低收入群體和高收入群體相比，中等收入群體要承受更高的職業(yè)風(fēng)險沖擊;職業(yè)風(fēng)險使中等收入群體更容易產(chǎn)生階層認同下移，且下移程度更高。

　　(四)資源邏輯對職業(yè)風(fēng)險邏輯的調(diào)節(jié)效應(yīng)

　　風(fēng)險的階層認同下移效應(yīng)可能受到地位資源分布的影響，資源邏輯指向當(dāng)前生活機會，風(fēng)險邏輯指向未來生活機會下降的可能性。占有較多資源的勞動者具有較高的資源存量和較強的對抗風(fēng)險事件的韌性，能夠減緩風(fēng)險對生活機會的沖擊。

　　本文用資產(chǎn)和收入這兩個具有地位資源典型特征的指標(biāo)分析風(fēng)險的階層認同下移效應(yīng)中的資源邏輯，提出資源對風(fēng)險邏輯的 “調(diào)節(jié)效應(yīng)假設(shè)”：資產(chǎn)和收入能夠緩解職業(yè)風(fēng)險對階層認同的負向影響。

　　四、變量測量與實證策略

　　(一)數(shù)據(jù)與樣本

　　本研究數(shù)據(jù)來自 2014 年、2016 年和 2018 年中國勞動力動態(tài)調(diào)查(CLDS)，為避免內(nèi)生性問題，個體層面數(shù)據(jù)取自 2016 年和 2018 年，選取 16 - 60 周歲的就業(yè)者樣本，宏觀層面數(shù)據(jù)來自各省份的統(tǒng)計年鑒和北京大學(xué)數(shù)字普惠金融指數(shù)。剔除缺失樣本后，最終得到 17623 個就業(yè)者樣本。

　　(二)職業(yè)風(fēng)險測度：人工智能職業(yè)替代率

　　借鑒王林輝等的研究，基于職業(yè)技能要求，利用機器學(xué)習(xí)方法、統(tǒng)計分析方法等計算職業(yè)層面的人工智能替代率，再進行區(qū)域調(diào)整得到最終的職業(yè)風(fēng)險。具體步驟包括數(shù)據(jù)集選擇、確定預(yù)測變量、構(gòu)建訓(xùn)練集、測算職業(yè)層面的人工智能替代率和指數(shù)調(diào)整。

　　(三)變量測量

　　因變量：本研究的因變量為 “階層認同”，CLDS 問卷要求被訪者用 1 - 10 分評價自身地位，數(shù)據(jù)顯示階層認同均值為 4.376，符合 “向下偏移” 的分布形態(tài)。

　　自變量：主要自變量為 “職業(yè)風(fēng)險”，以隨機森林模型、Logit 統(tǒng)計模型和支持向量機三種預(yù)測模型下的人工智能替代率均值為標(biāo)準(zhǔn)，同時使用不進行區(qū)域調(diào)整的職業(yè)人工智能替代率均值和分別利用三種預(yù)測模型計算的數(shù)據(jù)進行穩(wěn)健性檢驗。其他自變量還包括 “各收入階層” 和 “收入位置”。

　　中介變量：中介變量之一為 “失業(yè)風(fēng)險”，用被訪者對自身未來就業(yè)狀況的評估表示;中介變量之二為 “收入風(fēng)險”，通過建立收入預(yù)測模型估計預(yù)期收入，進而計算收入下降情況來衡量。

　　調(diào)節(jié)變量：調(diào)節(jié)變量為收入和資產(chǎn)，收入取對數(shù)處理，資產(chǎn)由住房資產(chǎn)、金融資產(chǎn)和非金融資產(chǎn)加總并調(diào)整后取對數(shù)處理。

　　控制變量：控制變量包括勞動者的個體屬性、就業(yè)特征、家庭狀況、所在地區(qū)的發(fā)展?fàn)顩r等，還控制了職業(yè)固定效應(yīng)、區(qū)域固定效應(yīng)和年份固定效應(yīng)。

　　(四)統(tǒng)計分析方法

　　為檢驗假設(shè) 1，使用全體勞動者樣本，設(shè)定 OLS 模型考察人工智能替代的職業(yè)風(fēng)險與階層認同的關(guān)系。

　　為檢驗假設(shè) 2，在假設(shè) 1 檢驗的基礎(chǔ)上，設(shè)定中介效應(yīng)模型，考察失業(yè)風(fēng)險和收入風(fēng)險是否為職業(yè)風(fēng)險與階層認同之間的作用機制。

　　假設(shè) 3 和假設(shè) 4 通過估算職業(yè)風(fēng)險對階層認同平均影響的收入階層差異進行檢驗，分別使用相應(yīng)方程估計各收入階層承受的職業(yè)風(fēng)險情況和中等收入群體的職業(yè)風(fēng)險對階層認同平均影響。

　　為檢驗假設(shè) 5，在職業(yè)風(fēng)險的階層認同下移效應(yīng)模型基礎(chǔ)上引入交互項，考察收入與資產(chǎn)對風(fēng)險的階層認同下移效應(yīng)的影響。

　　五、實證分析結(jié)果與討論

　　(一)風(fēng)險的階層認同下移效應(yīng)及其傳導(dǎo)機制檢驗

　　采用 OLS 模型估計職業(yè)風(fēng)險對階層認同的影響，結(jié)果表明職業(yè)風(fēng)險降低了階層認同，支持假設(shè) 1，同時發(fā)現(xiàn)受教育年限、收入和資產(chǎn)對階層認同有積極影響。

　　采用中介效應(yīng)模型檢驗職業(yè)風(fēng)險影響階層認同的傳導(dǎo)機制，結(jié)果顯示職業(yè)風(fēng)險提高了勞動者的失業(yè)風(fēng)險和收入風(fēng)險，失業(yè)風(fēng)險和收入風(fēng)險降低了階層認同，支持假設(shè) 2。

　　(二)中等收入群體的階層認同：“時代之力” 的風(fēng)險邏輯檢驗

　　估計職業(yè)風(fēng)險在各個收入階層的分布情況和各個收入階層的風(fēng)險敏感度，結(jié)果顯示中等收入群體的職業(yè)風(fēng)險水平顯著最高，各收入階層的風(fēng)險敏感度相同，但中等收入群體的職業(yè)風(fēng)險水平更高，因而更容易出現(xiàn)階層認同下移，支持假設(shè) 3 和假設(shè) 4，表明中等收入群體是人工智能技術(shù)進步中的相對 “劣勢” 群體。

　　(三)地位資源對職業(yè)風(fēng)險階層認同的調(diào)節(jié)效應(yīng)檢驗

　　在職業(yè)風(fēng)險的階層認同下移效應(yīng)模型基礎(chǔ)上依次加入職業(yè)風(fēng)險與收入、資產(chǎn)的交互項，結(jié)果表明資產(chǎn)減緩了職業(yè)風(fēng)險對階層認同的負向影響，具有 “風(fēng)險安全網(wǎng)效應(yīng)”，資源邏輯能夠?qū)︼L(fēng)險邏輯產(chǎn)生顯著的調(diào)節(jié)效應(yīng)，支持假設(shè) 5。

　　(四)穩(wěn)健性檢驗

　　調(diào)整職業(yè)風(fēng)險計算方法：通過更改測量方式進行穩(wěn)健性檢驗，結(jié)果表明職業(yè)風(fēng)險的階層認同下移效應(yīng)是穩(wěn)健的。

　　工具變量法：選擇省份層面 “郵電業(yè)務(wù)量” 作為工具變量進行回歸估計，結(jié)果表明前文的研究結(jié)論是穩(wěn)健的。

　　更改回歸模型：使用多層線性模型和交叉分類模型進行估計，結(jié)果顯示人工智能替代的職業(yè)風(fēng)險和階層認同之間的負相關(guān)關(guān)系是穩(wěn)健的。

　　六、研究結(jié)論與展望

　　(一)研究結(jié)論

　　智能時代的職業(yè)風(fēng)險能顯著降低勞動者主觀階層認同，揭示了職業(yè)風(fēng)險的階層認同下移效應(yīng)。

　　智能時代的職業(yè)風(fēng)險通過失業(yè)風(fēng)險和收入風(fēng)險兩種路徑影響人們的生活機會預(yù)期，進而作用于人們的主觀階層認同。

　　職業(yè)風(fēng)險具有顯著的收入階層異質(zhì)性，中等收入群體面臨人工智能更大的沖擊風(fēng)險，因而更容易出現(xiàn) “低位認同”，支持了職業(yè)風(fēng)險作為 “時代之力” 的理論解釋。

　　揭示了地位資源對職業(yè)風(fēng)險階層認同下移效應(yīng)的調(diào)節(jié)作用，即資產(chǎn)擁有量可以有效緩解職業(yè)風(fēng)險對階層認同影響的強度，表明資源邏輯和風(fēng)險邏輯既相互獨立又相互影響。

　　(二)研究啟示

　　強化勞動者的就業(yè)技能更新意識：政府應(yīng)重視公眾意識和心理支持，增強勞動者對新技術(shù)的接受度和適應(yīng)能力，強化勞動者數(shù)字技能，引導(dǎo)技能轉(zhuǎn)型。

　　重點關(guān)注中等收入群體的職業(yè)風(fēng)險：在智能時代的社會治理中，應(yīng)關(guān)注中等收入群體的職業(yè)風(fēng)險，通過政策支持幫助他們穩(wěn)固社會地位。

　　合理分配資源，增強勞動者抗風(fēng)險能力：社會治理應(yīng)注重資源和資產(chǎn)的公平分配，縮小貧富差距，提升中低收入群體的資產(chǎn)積累能力，增強抵御職業(yè)風(fēng)險的能力。

　　(三)討論和展望

　　本文從風(fēng)險視角補充了階層認同研究的理論視野，為風(fēng)險影響社會結(jié)構(gòu)變遷提供了經(jīng)驗證據(jù)。但由于缺乏追蹤數(shù)據(jù)或多期截面數(shù)據(jù)的支持，只能通過假設(shè)來推論和回應(yīng)中等收入群體階層認同變遷的部分問題。

　　未來研究可以優(yōu)化職業(yè)風(fēng)險測量，分析職業(yè)風(fēng)險的多重效應(yīng)，以及宏觀調(diào)控下階層認同的風(fēng)險邏輯，進一步探討中國勞動者職業(yè)風(fēng)險的階層認同下移效應(yīng)及相關(guān)問題。

張 順;呂風(fēng)光,西安交通大學(xué)人文社會科學(xué)學(xué)院社會學(xué)系;西安交通大學(xué)人文社會科學(xué)學(xué)院社會學(xué)系,202405