🏭 产业经济 · 数字经济

打造人社人工智能重大场景，有6方面部署

📅 发布日期：2026-07-08🔗 原文链接🎓 5 个论文选题

📄 新闻正文

新华社北京7月8日电题：打造人社人工智能重大场景，有6方面部署新华社记者张晓洁记者7月8日获悉，人力资源社会保障部等四部门近日联合印发关于加快推进"人工智能+人社"应用发展的实施意见，提出推动人工智能产业和人社工作协同优化，开拓创新人社行业领域人工智能应用场景。场景聚焦哪些方面？场景建设如何推进？人力资源社会保障部有关负责人作出介绍。这位负责人表示，有关部门将从6个方面打造人社人工智能重大场景。聚焦发展数智就业，打造就业服务管理新模式，意见提出"构建职业分类知识图谱和求职招聘模型，快速识别用人单位招聘需求和劳动者求职意向""加快建立人工智能就业影响评估体系，建立人工智能就业影响调查制度，引导创新资源向创造就业潜力大的方向倾斜，减少对就业的冲击"等。聚焦深化智慧社会保险，促进管理服务能力新提升，意见提出"推动待遇申领条件智能识别，提升社保待遇审核能力""提升社保基金智能化管理和监督水平"等。聚焦加强人才精准培养使用，构建人才智能供给新机制，意见提出"构建紧缺岗位需求图谱、核心技术人才地图等，分析研判区域、产业、岗位、劳动力发展趋势""推动人才分布、市场供需、培训资源等动态感知和态势研判，支撑技术技能培训、人才引进等，实现产业链人才链有效衔接"等。聚焦深化智慧劳动关系，构筑智能化劳动权益保障新形态，意见提出"打造智能化劳动用工指导、政策咨询、维权引导等智能体应用""打造劳动人事争议智慧调解助手，辅助分析争议焦点、案情要素，智能推送调解策略，提高调解能力和水平"等。聚焦开拓智慧人力资源服务，形成人力资源服务新生态，意见提出"发展人力资源智慧匹配、智慧评测、智慧开发、智慧管理等新业务新模式""探索基于人工智能的用工管理服务新范式"等。聚焦构建人社智慧治理模式，推动治理能力现代化，意见提出"推动全国人社政务服务平台、全国就业公共服务平台、国家社保公共服务平台、电子社保卡、掌上12333等线上服务平台数智化升级改造"等。 "意见同步制定人社行业领域人工智能应用场景全景图，包含6个一级场景，19个二级场景和67个细分场景，后续将结合工作推进情况动态更新。"这位负责人说。推进场景建设，构建人工智能基础设施十分重要。据悉，意见从搭建人工智能应用平台、建设行业高质量数据集和人工智能语料库、建设人社行业算法模型、建立制度标准和发展生态4个方面，提出基础设施构建要求。 "在工作推动方面，将用5年时间，完成'三步走'的工作目标。"这位负责人说，到2026年，培育一批高性能人社行业大模型和智能体应用，打造20个左右基于人社行业大模型建设的应用场景及相应高质量数据集；到2027年，普及应用一批人社行业大模型和智能体，探索50个左右高价值应用场景赋能路径；到2030年，形成人社行业领域人工智能普遍应用的创新局面。

🎓 论文选题（5 个）

选题 1 · 新古典(市场均衡/资源配置)

AI驱动的劳动力市场匹配效率：职业知识图谱对搜寻摩擦的消减效应

研究问题	意见提出"构建职业分类知识图谱和求职招聘模型，快速识别用人单位招聘需求和劳动者求职意向"。AI匹配技术能否显著降低劳动力市场的搜寻摩擦，使工资水平更贴近均衡价格？匹配效率的提升对不同技能群体的资源配置效应是否存在异质性？
理论框架	Diamond（1982）& Mortensen（1994）搜寻匹配理论（DMP模型）+ Pissarides（2000）均衡失业理论 + Acemoglu & Restrepo（2018）任务替代与新任务创造框架
研究方法	结构模型估计（搜寻匹配模型校准）+ 随机对照试验（RCT）+ 双重差分法
数据来源	全国就业公共服务平台求职招聘微观数据、BOSS直聘/智联招聘月度岗位匹配数据（商业合作获取）、中国劳动力动态调查（CLDS）、各省公共就业服务机构登记数据
创新点	将AI匹配技术引入DMP搜寻模型，推导匹配函数中技术参数的变化对均衡失业率和工资分布的影响，并利用公共就业平台上线AI功能的时间差异做因果识别

1. 理论分析与研究假说

DMP框架中失业源于信息不对称和搜寻成本。AI匹配通过职业知识图谱降低信息摩擦，提升匹配函数效率参数。H1：AI平台上线缩短平均失业持续期；H2：对低技能劳动者就业促进大于高技能群体；H3：均衡工资离散度下降，缩小同技能岗位间工资方差。

2. 识别策略

利用全国就业公共服务平台分批上线AI匹配功能的时间-地区差异，以率先部署城市为处理组、尚未部署城市为对照组，采用交错DID估计因果效应。关键假定为上线时间由中央统一规划，与地方短期波动无关，满足外生性。辅以部分城市RCT设计，随机分配AI推荐与传统推荐通道。

3. 计量模型设定

DID：Duration = α + β₁·AI×Post + β₂·Skill + β₃·(AI×Post×Skill) + γ·X + μ_j + δ_t + ε。Duration为求职天数，AI为部署虚拟变量，Post为上线后，Skill为技能分组。结构模型用Nash议价DMP校准匹配函数。

4. 变量构造与数据

被解释变量为求职持续天数及匹配工资；核心解释变量为AI平台上线交互项；调节变量为技能等级（按学历和职业资格证分组）；控制变量含年龄、性别、行业、城市GDP增速、登记失业率。数据覆盖200个地级市2022—2028年季度面板，结合CLDS微观数据。

5. 稳健性检验方案

（1）用Callaway & Sant'Anna（2021）稳健估计量处理交错处理异质性偏差；（2）以相邻未部署城市做PSM-DID；（3）安慰剂检验——上线时间随机前移2年重复估计；（4）RCT子样本结果与DID交叉验证。

---

选题 2 · 凯恩斯(总需求/政策乘数)

"AI+人社"公共投资的就业乘数：数字基础设施财政支出的劳动力市场效应

研究问题	四部门联合推进"AI+人社"建设，涉及应用平台搭建、数据集建设、算法模型开发等大量公共投资。此类数字基础设施投资的就业乘数有多大？与传统基建投资相比，其创造就业的传导机制和时滞结构有何不同？
理论框架	Keynes（1936）有效需求原理与乘数理论 + Barro & Redlick（2011）政府支出乘数估计 + Auerbach & Gorodnichenko（2012）状态依赖财政乘数 + David & Dorn（2024）AI投资的劳动力需求效应
研究方法	局部投影法（Local Projections, Jordà 2005）+ SVAR模型 + 省级面板财政乘数估计
数据来源	各省人社信息化财政支出数据（财政部预决算公开平台）、各省IT基础设施投资统计（工信部）、城镇新增就业人数（国家统计局）、人社行业AI应用项目投资额（公开招标数据）
创新点	首次将"数字基础设施"从传统基建中剥离，单独估计AI类公共投资的就业乘数，并比较经济下行期与扩张期的状态依赖差异，为数字时代财政政策提供新证据

1. 理论分析与研究假说

凯恩斯乘数理论认为政府支出通过直接需求和间接消费扩大就业。AI+人社投资兼具短期建设需求（平台开发、数据标注）和长期效率提升，乘数路径与传统基建不同——通过技术溢出创造新岗位。H1：AI+人社投资就业乘数在1.2—1.8之间；H2：经济下行期乘数显著大于扩张期；H3：乘数效应存在6—12个月时滞。

2. 识别策略

利用省级面板"AI+人社"财政支出占信息化总支出比例的外生变动，结合Jordà局部投影法估计动态就业乘数。外生性来源：中央"三步走"时间表为各省投资节奏提供非周期性政策冲击。以中央转移支付中"数字政府"专项拨款额度作为工具变量，满足排他性约束——中央拨款不直接受地方当期就业影响。

3. 计量模型设定

LP方程：ΔEmp_i,t+h = α_h + β_h·ΔAIInvest + γ_h·X + μ_i + δ_t + ε，h=0,...,8季。Emp为就业对数，AIInvest为支出实际值。状态依赖引入β_h·AIInvest·Recession。SVAR用Cholesky递归。

4. 变量构造与数据

核心变量为各省"AI+人社"实际财政支出（预决算平台IT项目按关键词筛选）；被解释变量为城镇IT服务业和公共管理业新增就业人数；控制变量含GDP增速、一般财政支出、传统基建投资、人口流动。样本为31省份2020—2028年季度面板，约1000个观测值。

5. 稳健性检验方案

（1）替换被解释变量为全行业新增就业和登记失业率，检验溢出效应；（2）用Blanchard & Perotti（2002）SVAR替代局部投影法交叉验证；（3）剔除中央直属项目支出排除直投干扰；（4）以"数字政府"中央转移支付为工具变量做IV-LP估计。

---

选题 3 · 制度经济学(产权/交易成本/激励)

AI治理中的制度设计：人社领域算法决策的交易成本与激励相容分析

研究问题	意见提出社保待遇智能审核、劳动争议智慧调解、智能用工指导等AI决策场景。当公共治理从人工裁量转向算法决策时，制度性交易成本（申诉成本、纠错成本、监督成本）如何变化？算法决策的激励结构是否相容于公共服务的公平性目标？
理论框架	Williamson（1985）交易成本经济学 + Holmström & Milgrom（1991）多任务激励理论 + Tirole（1994）政府内部规制与激励理论 + Acemoglu（2024）AI治理的制度经济学分析
研究方法	理论建模（委托-代理模型）+ 断点回归（RDD）+ 案例比较分析
数据来源	全国社保基金审计报告（审计署公开数据）、各省劳动争议案件统计（最高人民法院司法大数据）、12333热线投诉分类数据（人社部信息中心）、各地人社AI应用部署进度（公开招标信息）
创新点	构建"算法治理的交易成本"分析框架，量化AI决策系统在审核准确率、申诉处理效率、公平性偏差等维度的制度成本，为公共服务AI化提供制度经济学的评估基准

1. 理论分析与研究假说

Williamson交易成本框架指出治理结构取决于交易频率、资产专用性与不确定性。AI审核高频且标准化优势突出，但处理非标准案件时面临"算法刚性"，纠错申诉成本上升。H1：AI降低标准案件交易成本但增加非标准案件申诉成本；H2：准确率与申诉率呈U型关系；H3：混合治理结构在激励相容下实现福利最大化。

2. 识别策略

利用社保待遇申领中AI审核的分数阈值作为断点设计：当AI置信度低于阈值时转入人工复核，高于阈值时自动审批。以阈值为断点比较刚通过和刚未通过AI审核的申请人在审批速度、申诉率、待遇获得率上的差异，识别AI审核对交易成本的因果效应。假定阈值附近的申请人特征连续分布，满足RDD的有效性要求。

3. 计量模型设定

RDD模型：Y_i = α + β₁·f(Score_i-c) + β₂·Above_i + β₃·Above×f(Score-c) + γ·X_i + ε_i。Score为AI置信度，c为阈值，Above为通过AI自动审批，f(·)为多项式。Y取审批天数、是否申诉、申诉天数、待遇获得。

4. 变量构造与数据

AI审核置信度分数（社保智能审核系统日志）、审批结果与持续天数、是否申诉及处理结果、申请人特征（年龄、性别、缴费年限、申报类型）。数据来源于已部署AI审核的试点省份社保经办系统，预计覆盖200万条申请记录（2024—2027年）。

5. 稳健性检验方案

（1）McCrary密度检验验证断点处分布连续性；（2）不同带宽（最优的0.5倍和2倍）重新估计RDD；（3）多项式阶数（1—4阶）做敏感性检验；（4）利用不同省份阈值差异做跨地区比较，检验外部有效性。

---

选题 4 · 行为经济学(有限理性/锚定/前景理论)

AI求职推荐中的算法锚定效应：智能匹配如何影响劳动者的职业选择与工资预期

研究问题	意见提出构建"求职招聘模型，快速识别用人单位招聘需求和劳动者求职意向"。当AI系统向求职者推荐岗位时，推荐列表中呈现的工资水平和职位类型是否会形成锚定效应，系统性地影响求职者的工资预期和职业选择？算法推荐的框架效应是否加剧了职业性别隔离或技能错配？
理论框架	Tversky & Kahneman（1974）锚定与调整启发式 + Kahneman & Tversky（1979）前景理论（参考点依赖）+ Thaler & Sunstein（2008）助推理论 + Bertrand & Mullainathan（2004）简历实验中的隐性偏见
研究方法	线上随机对照试验（RCT）+ 调查实验法（Survey Experiment）+ 平台数据分析
数据来源	与公共就业服务平台合作开展的线上实验数据、中国综合社会调查（CGSS）劳动力市场模块、合作招聘平台的岗位推荐日志与用户点击行为数据
创新点	将行为经济学的锚定理论引入AI算法推荐研究，首次量化AI求职系统中"推荐顺序-工资锚定-求职决策"的因果链条，揭示算法助推可能带来的系统性偏差

1. 理论分析与研究假说

Tversky和Kahneman指出人们在不确定条件下依赖锚点判断。AI推荐列表首位工资和职位构成天然锚点，求职者据此调整预期。H1：首位工资显著锚定保留工资（系数约0.3—0.5）；H2：职业性别标签通过框架效应加剧性别化职业选择；H3：提供全行业工资中位数等反锚定信息可减弱锚定效应。

2. 识别策略

与公共就业服务平台合作设计线上RCT：新注册求职者随机分三组——（A）标准AI推荐（按匹配度排序）、（B）工资锚定操纵（随机高薪或低薪岗位置顶）、（C）反锚定干预（附加工资分布信息）。随机分配保证组间可比性。同时利用平台日志中同一用户不同时段的推荐排序自然变异作为辅助识别。

3. 计量模型设定

模型：WageExpect = α + β₁·TopWage + β₂·Female + β₃·TopWage×Female + γ·X + δ_j + ε。WageExpect为期望工资或投递行为，TopWage为首位工资，Female为性别虚拟变量。实验组加Treat_B/C及交互项。

4. 变量构造与数据

被解释变量为期望工资（问卷）和投递岗位工资中位数（行为数据）；核心解释变量为首位岗位工资（实验操纵或自然变异）；调节变量为性别、学历、工作经验、求职紧迫度；控制变量为浏览时长、列表长度。实验样本3000名求职者，平台日志覆盖50万次推荐事件。

5. 稳健性检验方案

（1）IV策略——以算法版本更新导致的排序规则变化为推荐顺序工具变量；（2）按学历和年龄分组检验锚定效应的异质性；（3）Hochberg校正多重比较p值控制假阳性率；（4）在第二家平台开展预注册复制实验验证外部有效性。

---

选题 5 · 劳动经济学(工资/就业/人力资本)

AI就业影响评估：技术替代、任务重组与人力资本回报率的动态变迁

研究问题	意见明确提出"加快建立人工智能就业影响评估体系，建立人工智能就业影响调查制度，引导创新资源向创造就业潜力大的方向倾斜"。AI在人社领域的深度应用对不同类型劳动者的就业和工资产生了怎样的异质性影响？AI是否改变了人力资本（教育、技能）的回报率结构？
理论框架	Acemoglu & Restrepo（2018）任务模型框架（替代效应vs.恢复效应）+ Autor, Levy & Murnane（2003）常规任务替代假说 + Goldin & Katz（2008）教育与技术竞赛理论 + Webb（2020）AI专利与职业暴露度测算
研究方法	Bartik工具变量法 + 任务暴露度指数构建 + 面板固定效应与事件研究法
数据来源	中国劳动统计年鉴（国家统计局）、中国家庭追踪调查（CFPS）、中国劳动力动态调查（CLDS）、招聘平台岗位数据（万宝盛华/前程无忧）、美国O\*NET职业任务数据库（用于构建中国版AI职业暴露度指数）
创新点	首次为中国劳动力构建行业-职业层面的"AI暴露度指数"，结合"AI+人社"政策推进的外生时间变异，识别AI对就业和工资因果效应，并检验人力资本回报率的结构性变迁

1. 理论分析与研究假说

Acemoglu & Restrepo任务模型视劳动为任务集。AI替代常规认知任务（录入、审核），同时创造新任务（AI训练、人机协作）。H1：高暴露职业替代效应更显著，新任务部分抵消，净效应3—5年后转正；H2：AI提升非常规分析任务工资溢价，压低常规任务工资；H3：高暴露区STEM回报率上升更快。

2. 识别策略

构建中国版AI职业暴露度指数（借鉴Webb 2020; Felten等2021），基于AI专利与职业任务匹配度测算。利用该指数与"AI+人社"政策推进进度交互项作Bartik工具变量：AIExp_j × Policy_it。假定：职业AI暴露度由全球技术趋势决定，不受单一地区短期劳动力市场影响。

3. 计量模型设定

基准：ΔEmp = α + β₁·AIExp×Post + γ·X + μ_j + δ_i + λ_t + ε。工资：lnWage = α + θ₁·AIExp×Post + θ₂·Edu + θ₃·AIExp×Edu + γ·Z + FE + ε。j职业，i地区，t时间。用事件研究法检验动态效应。

4. 变量构造与数据

AI暴露度：中国职业分类大典与O*NET任务描述对接，以AI专利与任务描述语义相似度构建。就业变量为职业-地区就业人数变化率；工资为个人小时工资对数；人力资本含受教育年限、STEM专业虚拟变量、技能证书。覆盖340个职业、290个地级市、2020—2028年面板。

5. 稳健性检验方案

（1）替换AI暴露度——用AI论文-职业匹配度和AI岗位招聘密度替代；（2）Autor等（2013）shift-share分解将冲击分解为全国趋势与地方结构，排除内生性；（3）工业机器人做安慰剂检验——应与AI有不同效应模式；（4）分位数回归检验AI对工资分布10%、50%、90%分位的异质性影响。

---
# 论文选题：习近平在科技大会讲话 — 研发强度首超OECD与科技体制改革

> 📅 生成日期：2026-07-08
> 📰 新闻来源：中国政府网
> 🤖 生成模型：Claude

---