总结了几个O*NET数据测量AI职业暴露度的顶刊文献
- 2026-11-03 09:42:12
人工智能尤其是大语言模型的快速迭代，使职业层面的AI暴露度成为评估劳动力市场冲击的核心指标。ONET系统刻画了职业的任务、能力与技能特征，与微观招聘数据形成了良好的职业测量体系，我们梳理了Science、《管理世界》等期刊对于职业暴露度相关的测量，以飨读者。
1.O*NET任务层 + LLM逐项评分
Eloundou, T., Manning, S., Mishkin, P., & Rock, D. (2024). GPTs are GPTs: Labor market impact potential of LLMs. Science, 384(6702), 1306–1308.
测算方法：以O*NET的DWA与Task为评分单元，由人工与GPT-4按“借助GPT完成该任务能否至少节省50%时间”的标准逐项标注，分α/β/ζ三口径，按任务权重聚合至职业层面。
张丹丹, 于航, 李力行, 胡佳胤, 莫怡青, 李泓孛. (2025). 中国人工智能技术暴露度的测算及其对劳动需求的影响——基于大语言模型的新证据. 管理世界, 41(7), 59–75.
测算方法：以中国招聘广告中的岗位任务描述为评分对象，O*NET任务体系作分类骨架，GPT-4逐项评分后聚合至职业；DWA与Task两层并行产出暴露指数。
2.O*NET能力层 + 众包关联映射
Felten, E., Raj, M., & Seamans, R. (2021). Occupational, industry, and geographic exposure to artificial intelligence: A novel dataset and its potential uses. Strategic Management Journal, 42(12), 2195–2217.
测算方法：mTurk众包建立10项AI应用与52项O*NET能力的10×52关联矩阵，以能力普遍程度为权重聚合为AIOE指数，测度职业与AI技术前沿的相对邻近程度。
3.O*NET特征 → 自动化/替代概率
Frey, C. B., & Osborne, M. A. (2017). The future of employment: How susceptible are jobs to computerisation? Technological Forecasting and Social Change, 114, 254–280.
测算方法：专家标注70个职业的“自动化瓶颈”，以O*NET技能特征为输入，用高斯过程分类器外推至702个职业，产出计算机化替代概率（0—1）。
王林辉, 胡晟明, 董直庆. (2022). 人工智能技术、任务属性与职业可替代风险：来自微观层面的经验证据. 管理世界, 38(7), 60–79.
测算方法：以CLDS微观数据中的任务属性变量为输入，用逻辑回归、支持向量机与随机森林测算职业可替代率，并考察技能宽度的调节作用。
魏宏冰, 李贺, 马弘. (2025). 工业机器人与结构性就业变化：职业和任务的视角. 世界经济, 48(4), 144–169.
测算方法：基于O*NET将中国职业细分为161种任务组合，用随机森林估计各职业替代概率，分析工业机器人冲击对城市就业的结构性影响。
4.招聘平台任务文本 + 企业需求侧
陈琳, 高悦蓬, 余林徽. (2024). 人工智能如何改变企业对劳动力的需求？——来自招聘平台大数据的分析. 管理世界, 40(6), 74–91+5.
测算方法：以企业层面在线招聘大数据为来源，运用常规任务/非常规任务的分析性区分构建企业AI渗透度，考察AI暴露对细分职业劳动力需求的结构性影响。
什么是O*NET
数据说明
O*NET职业信息研究数据库是由美国劳工部支持建设的一个权威、公开的职业信息数据库，旨在提供全面、结构化、可比性强的职业数据资源。它被广泛应用于职业指导、人力资源管理、劳动力市场分析、教育培训设计、政策研究等领域。同时，它也是全美最主要的职业信息来源，其有效的数据对于理解工作性质的快速变化及其对劳动力和美国经济的影响至关重要。基于这些信息，相关应用得以开发，以促进高素质劳动力队伍的建设与维护。
近年来，随着人工智能、数字化转型、自动化技术发展等变革对劳动市场以及就业方面的影响不断引发舆论热议，主要表现在工作场景中相关技术的暴露程度是否会对就业与薪资造成何种影响。
另一方面，在最近不到10年内国内外顶刊也逐步刊登相关研究。据我们对这些研究的文献引用网络观察发现，该研究方向在理论层面目前主要是由2024年诺贝尔经济学奖获得者阿西莫格鲁牵头。具体方向为衡量一项技术升级会对工作场景、就业人数、工作时长、生产效率等方面影响效应，而在研究过程中需要一个经过优秀系统性归纳的职业分类体系，这样能更加完好地匹配研究场景。
因此，O*NET数据库被采用为职业分类体系参考的频次水涨船高；不仅如此，在针对中国方面的研究，部分专家学者在所发表的顶刊研究中皆借鉴了美国的职业分类标准，O*NET数据，用来对应中国的职业信息，主要在工作任务内容方面，因为中美两国在各类职业所涉及的任务内容上差异不大，此做法合理且适用；并且，先前部分研究如Zhou等（2019）和王林辉、胡晟明和董直庆（2022）通过构建如人工智能技术造成的美国部分职业类别可替代风险，来映射到中国各职业中，所采用的也是O*NET数据库。还有就是，陈琳、高悦蓬和余林徽（2024）指出，“运用企业招聘大数据研究人工智能技术劳动力市场效应的文献正在兴起，目前已有不少关于对美国和印度等国家的研究，但是针对中国的研究相对缺乏”。
在经学者专家们反映的有关科研需求后，数据皮皮侠团队联手CNPD数据团队一起引入并整理开发了O*NET美国职业信息网络数据库，历经两个月，对历年所出版的版本（共计64版，2000年-2026年）通过人工调研进行分类处理和开发，并采用设定好的数据处理管道还有大语言模型，进行最终翻译与整理，统共分为中英文版本，以方便您的研究。
我们参照美国劳工部就业与培训管理局的标准将该数据库进行子库分类：
基本职业信息
如职业描述表
职业特别信息
如职业任务表、职业对应技术与工具表
工作者特征
如职业相关能力表、兴趣表
工作者要求
如职业相关技能表、知识表
职业要求
如工作活动表、工作情景表
经验要求
如职业对应教育、培训、经验表
需要特别说明的是，考虑到您的研究方向可能会涉及到考察职业相关的特定描述的随时间的变化，（如Wei Jiang，Junyoung Park 和Rachel (Jiqiu) Xiao（2025）的研究中，对于O*NET数据的应用是基于追踪所有职业历年工作任务描述的变化，我们称该研究类型为“动态研究”，而只用到某一年版本的相关描述，则称为“静态研究”），我们特此将历年O*NET数据版本，共计64版，做出整理，始于1998年，最新版为2026年，中间有的年份可能发布了好几版，而1999年未出。
根据该数据库内容含量，我们判断它可以适用一些方面的参考，包括但不仅限于：
人文经管社科科研，如劳动经济、人力资源领域 |
人口学研究 |
岗位招聘参考 |
岗位求职参考 |
岗位求职参考 |
职业规划参考 |
调研辅助 |
其他方向，待发掘 |
为了便利您的研究，我们对该数据库进行了全面翻译，提供中英文版本；由于该数据库组织极其复杂，所包含较高的广度和精度，可挖掘性还有综合结合性很高，因此我们日后还会对其做出一系列整理（包括结合倾尽现有能力发现的所有与之相关的科研思路），并期望它将非常好地以一种参考的方式助您完成目标科研效果。
同时，我们也感谢美国劳工部就业与培训管理局的整理调研，以及当前国内外学者在此科研大方向上做出的努力！
数据库信息
数据来源：美国劳工部就业与培训管理局
时间跨度：2000-2026
数据频率：年度
数据范围：近1000多个职业，六种分类体系：职业聚类、职业子聚类、行业、职位族、STEM 职业类型、前景光明的职业的类别
数据格式：excel & csv
数据量：约500万+
数据可匹配：包括但不限于招聘大数据、就业数据、中国劳动统计年鉴等，我们会持续性发掘。
研究方向
职业分类，是指按照一定的标准和方法，将社会中存在的各种职业，根据其工作内容、职责、所需技能、工作对象等特征，进行系统归类的过程。这个过程有助于建立一套结构清晰、层级分明的职业体系，从而为职业管理、劳动力统计、就业研究等提供基础框架。
近年来，随着人工智能、数字化转型、自动化技术法展等变革对劳动市场以及就业方面的影响不断引发舆论热议，主要表现在工作场景中相关技术的暴露程度是否会对就业与薪资造成何种影响。
另一方面，近期的国内外顶刊也逐步刊登相关研究。据我们对这些研究的文献引用网络观察发现，该研究方向在理论层面目前主要是由2024年诺贝尔经济学奖获得者阿西莫格鲁牵头。具体方向为衡量一项技术升级会对工作场景、就业人数、工作时长、生产效率等方面影响效应，而在研究过程中需要一个经过优秀系统性归纳的职业分类体系，这样能更加完好地匹配研究场景。我们整理出了部分研究案例：
01
陈琳、高悦蓬和余林徽团队在《管理世界》2024年第6期发表的论文中所提到的“企业人工智能渗透度”。 研究借鉴了阿西莫格鲁等人在2022年的研究观点，指出当企业的某些生产任务可以由人工智能完成时，该企业便可以视为已被人工智能渗透。企业中由人工智能承担的任务在所有任务中所占的比例，被用来衡量其人工智能渗透程度。由于企业内部的具体任务分配难以直接观测和度量，但这些任务通常是通过员工在不同职业岗位上完成的，因此企业的职业结构可以作为其生产任务安排的替代指标。换句话说，如果一家企业在其员工构成中，高比例地雇佣了那些人工智能渗透度较高的职业人员，那么可以认为这家企业整体的人工智能渗透度也相对较高。基于这一逻辑，该研究据此构建了企业层面的人工智能渗透度指标。
02
魏宏冰、李贺和马弘团队发表在《世界经济》2025年第4期的研究中运用机器学习方法构造的职业替代概率，具体指不同职业被机器人替代的概率，反映该职业与机器人的替代弹性，也是决定一个职业受自动化技术不同效应的影响强度。
03
Wei Jiang，Junyoung Park 和Rachel (Jiqiu) Xiao等在NBER Working Paper 2025年2月发表地研究中基于美国人工智能专利AIPD，通过这些专利的文本描述，与各项职业对应的工作任务描述进行相似度分析，构建AI暴露程度。
04
周广肃、李力行和孟岭生团队，于2021年在《金融研究》上发表的研究成果，将美国劳工部标准职业代码与中国职业代码相匹配，基于Frey and Osborne（2017）对美国各种职业被智能化替代概率的估计结果，估算了中国各职业被智能化替代的概率，并在此基础上计算了城市层面的被替代指标，而且进一步研究智能化对中国劳动力市场就业人数和工作时长的影响。
与此同时，普林斯顿大学计算机科学和公共事务教授爱德华·费尔顿等研究“A Method to Link Advances in Artificial Intelligence to Occupational Abilities”中构建的职业人工智能渗透度指标构建原理方法广受欢迎，在类似研究中，阿西莫格鲁等也选择了与其一样的职业分类参考，即O*NET美国职业信息网络数据库。
权威期刊相关研究
[1] 陈琳,高悦蓬,余林徽.人工智能如何改变企业对劳动力的需求？——来自招聘平台大数据的分析[J].管理世界,2024,40(06):74-93.
[2] 魏宏冰, 李贺, 马弘. 工业机器人与结构性就业变化：职业和任务的视角[J]. 世界经济, 2025, 48(4): 144-169
[3] 周广肃,李力行,孟岭生.智能化对中国劳动力市场的影响——基于就业广度和强度的分析[J].金融研究,2021,(06):39-58.
[4] 王林辉,胡晟明,董直庆.人工智能技术、任务属性与职业可替代风险：来自微观层面的经验证据[J].管理世界,2022,38(07):60-79.
[5]李磊,何艳辉.人工智能与就业——以中国为例[J].贵州大学学报(社会科学版),2019,37(05):13-22.
[6] 龚遥,彭希哲.人工智能技术应用的职业替代效应[J].人口与经济,2020,(03):86-105.
[7] Acemoglu，D. and Autor，D.，2011，“Skills，Tasks and Technologies：Implications for Employment and Earnings”，in Card，D. and Ashenfelter，O.，eds：Handbook of Labor Economics，Elsevier，pp.1043~1171.
[8] Acemoglu，D.，Autor，D.，Hazell，J. and Restrepo，P.，2022，“Artificial Intelligence and Jobs：Evidence from Online Vacancies”，Journal of Labor Economics，Vol.40（1），pp.293~340.
[9] Acemoglu，D. and Restrepo，P.，2018，“Artificial Intelligence，Automation and Work”，NBER Working Paper，No.24196.
[10] Acemoglu，D. and Restrepo，P.，2019，“The Wrong Kind of AI？ Artificial Intelligence and the Future of Labour Demand”，Cambridge Journal of Regions，Economy and Society，Vol.13（1），pp.25~35.
[11] Acemoglu, D.; Autor, D. and Hazell, J. “Artificial Intelligence and Jobs: Evidence from Online Vacancies.” Journal of Labor Economics, 2022, 40(S1), pp.293‒340.
[12] Acemoglu，D. and Restrepo，P.，2020，“Robots and Jobs：Evidence from Us Labor Markets”，Journal of Political Economy，Vol.128（6），pp.2188~2244.
[13] Acemoglu，D. and Restrepo，P.，2022，“Tasks，Automation，and the Rise in U.S. Wage Inequality”，Econometrica，Vol.90（5），pp.1973~2016.
[14] Zhou，G.，Chu，G.，Li，L. and Meng，L.，2019，“The Effect of Artificial Intelligence on China’s Labor Market”，China Economic Journal，Vol.13（1），pp.1~18.
[15] Jiang, W., Zhang, S., Xiao, R. (Jiqiu), & Park, J. (2025). AI and the Extended Workday: Productivity, Contracting Efficiency, and Distribution of Rents. NBER Working Paper Series. https://doi.org/10.3386/w33536
[16] Bartel，A.，Ichniowski，C. and Shaw，K.，2007，“How Does Information Technology Affect Productivity？Plant~Level Comparisons of Product Innovation，Process Improvement，and Worker Skills”，The Quarterly Journal of Economics，Vol.122（4），pp.1721~1758.
[17] Felten，E.，Raj，M. and Seamans，R.，2018，“A Method to Link Advances in Artificial Intelligence to Occupational Abilities”，AEA Papers and Proceedings，Vol.108，pp.54~57.
数据指标
基本职业信息
职业描述表
需要注意的是，在“STEM职业类型中”，空值指该职业不属于STEM类。在“前景光明的职业的类别中”，空值指该职业不被视为前景光明，这是基于美国的劳动力市场情况所做出的分类，您在研究中可以根据需要进行排除。
职业特别信息
职业任务表
职业对应工具表
职业对应技术表
工作者特征
职业相关能力表
职业相关兴趣表
工作者要求
职业相关技能表
知识表
职业要求
工作活动表
工作情景表
经验要求
职业对应教育、培训、经验表
