هوش مصنوعی ، اتوماسیون و افزایش اشتغال زن در اروپا

تغییر تکنولوژیکی طیف وسیعی از فعالیتهایی را که کارگران در آن شرکت می کنند تغییر می دهد و به طور معمول عواقب توزیع دارد. تغییر تکنولوژیکی با مهارت در دهه 1970 و 1980 باعث افزایش تقاضا برای کارگران تحصیل کرده با هزینه کسانی که دارای سطح پایین تر از آموزش رسمی هستند (Autor et al. 1998 ، Autor و Katz 1999 ، و Acemoglu 2020) ، در حالی که فن آوری های اتوماسیون به طور گسترده اتخاذ شده و در دهه 1990 باعث افزایش تقاضا برای کارهای روزمره در Center Wage می شود (

تأثیر این فناوری ها نیز با جنسیت متفاوت است. مکانیزاسیون و تحولات تکنولوژیکی با مهارت ، زنان را به دلیل مزیت مقایسه ای در فعالیت های فکری در مقایسه با کار فیزیکی مورد علاقه خود قرار داد (گالور و ویل 2000). اگرچه زنان بیشتر در معرض اثرات جانبی اتوماسیون قرار داشتند (Cortes and Pan 2019 ، Albanesi و Kim 2021) ، پیشرفت های آموزشی و مهارت های بین فردی آنها به آنها اجازه می داد تا با انتقال به مشاغل حرفه ای به کار خود برسند ، در حالی که مردان به مشاغل خدمات سطح پایین تبدیل می شدند (Cortes et al. 2024).

جدیدترین موج نوآوری با توسعه فن آوری های دارای قابلیت هوش مصنوعی (AI) هدایت شده است. این برنامه ها مبتنی بر الگوریتم هایی است که با پیروی از الگوهای آماری در داده ها و ایجاد یک فناوری با هدف کلی که امکان اتوماسیون وظایف غیر روتین و خلاقانه را در ساخت و خدمات ایجاد می کنند ، انجام وظایف را یاد می گیرند.

در آلبانیسی و همکاران. (2023), we study the hyperlink between AI-enabled applied sciences and employment shares in occupation-sector cells in 16 European international locations (Austria, Belgium, Estonia, Finland, France, Germany, Greece, Eire, Italy, Latvia, Lithuania, Luxembourg, the Netherlands, Portugal, Spain, and the UK) over the interval 2011–2019. ما می دانیم که مشاغل به طور بالقوه در معرض فن آوری های فعال AI ، سهم اشتغال آنها را افزایش می دهند.

فن آوری های فعال AI در مورد اشتغال: تأثیر دیفرانسیل توسط جنسیت

یک سؤال پیگیری طبیعی این است که آیا انتشار این فناوری ها دارای تأثیرات دیفرانسیل توسط جنسیت خواهد بود یا خیر. ما در مقاله اخیر ، آلبانیسی و همکاران ، به این سؤال می پردازیم. (2025b) ، با بررسی ارتباط بین فناوری های فعال AI و سهم اشتغال زن در سلولهای بخش شغل برای همان مجموعه کشورها در مدت مشابه ، 2011-2019. ما از داده ها در سطح اشغال سه رقمی (با توجه به طبقه بندی استاندارد بین المللی مشاغل) از بررسی نیروی کار یوروستات استفاده می کنیم و قرار گرفتن در معرض AI در سطح شغل با دو اقدامات موجود برای ایالات متحده اندازه گیری می کنیم.

اولین امتیاز تأثیر شغلی هوش مصنوعی از فلتن و همکاران است. (2019). این اندازه گیری پیشرفت در برنامه های هوش مصنوعی ، مانند یافتن الگوهای در داده ها و پیش بینی در مورد آینده ، به توانایی های مورد نیاز یک شغل پیوند می زند. اندازه گیری دوم ، از وب (2020) ، قرار گرفتن در معرض هوش مصنوعی را بر اساس همپوشانی متنی ثبت اختراعات از داده های عمومی Google ثبت شده با توضیحات شغل مبتنی بر وظیفه ، مانند پیش بینی پیش آگهی و درمان ، تشخیص سرطان ، شناسایی آسیب ها و تشخیص کلاهبرداری ، تعیین می کند. این اقدامات میزان انجام مشاغل توسط هوش مصنوعی را ضبط می کند و بنابراین می تواند به عنوان پروکسی برای اتوماسیون بالقوه AI فعال باشد.

با هر دو اقدام ، می فهمیم که قرار گرفتن در معرض بالاتر با AI با افزایش سهم سلول ها از اشتغال کلی زنان همراه است. به طور متوسط ​​، افزایش 10 مرکز در طول توزیع قرار گرفتن در معرض با افزایش 2.2 ٪ -2.9 ٪ در سهم اشتغال زن به طور کلی همراه است. این تخمین ها تقریباً دو برابر است که برای کل سهم اشتغال در آلبانیسی و همکاران. (2023 ، 2025a). همچنین ، از نظر آماری مثبت بین قرار گرفتن در معرض هوش مصنوعی و سهم اشتغال زن نسبت به ارتباط بین سهم کل اشتغال و قرار گرفتن در معرض هوش مصنوعی ، که عمدتاً توسط مشاغل حرفه ای هدایت می شود ، در سراسر مشاغل قوی تر است.

در حالی که ناهمگونی در کشورها وجود دارد ، تقریباً همه بین تغییرات در سهام اشتغال زنان در مشاغل و قرار گرفتن در معرض اتوماسیون فعال AI رابطه مثبت نشان می دهند.

دستیابی به تحصیلات به عنوان یک عامل

دستیابی به تحصیلات یک عامل مهم برای تأثیر فناوری های جدید بر اشتغال است ، به طوری که کارگران بسیار تحصیل کرده به احتمال زیاد می توانند از مزایای اشتغال از انتشار فن آوری های جدید بهره مند شوند (آلبانی و همکاران 2023 ، 2025a).

با توجه به تغییر زیاد در دستیابی به تحصیلات زنان در نمونه ما ، ما نتایج را بر اساس متوسط ​​تحصیلات زن کشورها طبقه بندی می کنیم. ما ارتباط قوی تری بین قرار گرفتن در معرض فن آوری های فعال AI و سهم زن از اشتغال در کشورهایی که افزایش بیشتری در دستیابی به تحصیلات زنان را تجربه کرده اند ، می یابیم. در این کشورها ، تخمین زده می شود که 10 سانتیل در طول توزیع قرار گرفتن در معرض هوش مصنوعی با افزایش سهم اشتغال زن بخش شغل 2.7 ٪ با استفاده از اندازه گیری قرار گرفتن در معرض وب و 3.4 ٪ با استفاده از اندازه گیری از Felten و همکاران همراه باشد. (شکل 1 ، پانل های A و B).

شکل 1 قرار گرفتن در معرض هوش مصنوعی و تغییر در سهام اشتغال زنان ، توسط مشارکت و آموزش زنان

یادداشت ها: ضرایب رگرسیون ارتباط بین قرار گرفتن در معرض فناوری و تغییر در سهم اشتغال زن را اندازه گیری می کند. هر مشاهده یک طبقه بندی استاندارد بین المللی از مشاغل (ISCO) سلول 3 رقمی است. مشاهدات با میانگین تأمین نیروی کار در سلول وزن می شود. صنعت و آدمک های کشور گنجانده شده است. نمونه: 16 کشور اروپایی ، 2011-2019. ضریب نمونه کامل توسط خط متراکم افقی نشان داده شده است. میله های موجود در پانل ها (الف) و (ب) ضریب تخمین زده شده برای نمونه کشورها را با توجه به میانگین تغییر بین سال 2011 تا 2019 در دستیابی به تحصیلات زنان نسبت به مردان در همان کشور نشان می دهد. میله های دارای برچسب “آموزش عالی” نتایج گروهی از کشورها را با افزایش نسبی زیاد در دستیابی به تحصیلات زنان نشان می دهد ، در حالی که کسانی که دارای عنوان “آموزش پایین” هستند ، نتایج گروه کشورهایی را نشان می دهد که افزایش نسبی در دستیابی به تحصیلات زنان پایین تر از میانگین همه کشورها در نمونه است. میله های موجود در پانل ها (c) و (d) ضریب تخمین زده شده برای نمونه را با توجه به میزان مشارکت زنان در سال 2011 نشان می دهد. کشورهای “کم” یا “مشارکت بالا” کسانی هستند که مشارکت زنان در سال 2011 برای همه کشورهای نمونه کمتر/بالاتر از میانگین بود.
منبع: آلبانیسی و همکاران. (2025).

دلبستگی بازار کار به عنوان یک عامل

دلبستگی بازار کار همچنین عامل مهمی در پاسخ به شوک های اقتصادی است که مشارکت بیشتر با نرخ اشتغال بالاتر و نرخ بیکاری پایین تر برای زنان همراه است (آلبانیسی و ساهین 2018). در نمونه ما ، کشورهایی که سطح اولیه مشارکت زنان دارند ، روند مثبت تری در رشد اشتغال زنان دارند. این روند اساسی می تواند به طور مستقل از قرار گرفتن در معرض هوش مصنوعی ، سهام اشتغال زنان را تحت تأثیر قرار دهد.

برای پاسخ به این امر ، ما تجزیه و تحلیل خود را بر اساس میزان مشارکت نیروی کار زنان در سال 2011 طبقه بندی می کنیم. یافته های ما نشان می دهد که ارتباط بین سهم زن اشتغال و قرار گرفتن در معرض هوش مصنوعی در کشورهایی که سطح اولیه بالایی از مشارکت زنان برای هر دو اقدامات قرار گرفتن در معرض AI دارند قوی تر است (شکل 1 ، پانل ها C) و D اقدامات مربوط به کشورهایی که دارای آموزش زن نسبی بالاتر هستند).

این الگوی نشان می دهد که دلبستگی بیشتر به نیروی کار ، زنان را قادر می سازد تا هرگونه اثر جابجایی مرتبط با انتشار این فناوری ها را به حداقل برسانند و ارتباط مثبت بین سهم اشتغال زنان و قرار گرفتن در معرض هوش مصنوعی با رشد سریعتر در اشتغال زنان در کشورهای پایین تر مشارکت انجام نمی شود.

فن آوری های فعال AI می توانند اشتغال زنان را تقویت کنند

به طور خلاصه ، نتایج ما با این ایده سازگار است که انتشار فن آوری های فعال AI می تواند به نفع اشتغال زنان باشد و این مزیت توسط سطوح بالاتر آموزش تقویت می شود.

علاوه بر این ، ارتباط مثبت بین سهم اشتغال زن و قرار گرفتن در معرض فن آوری های دارای AI در کشورهایی که مشارکت اولیه با نیروی کار زن بالاتر دارند قوی تر است ، نشان می دهد که دلبستگی بیشتر نیروی کار و تجربه کار زنان را قادر می سازد تا اثرات جابجایی مرتبط با انتشار این فناوری های جدید را به حداقل برسانند. این یافته ها همچنین از مفهوم در یونسکو (2022) پشتیبانی می کند که اعتبارنامه آموزشی برای مهار هرگونه تأثیرات مفید هوش مصنوعی برای اشتغال زنان بسیار مهم است.

Acemoglu و همکاران. (2022) نشان می دهد که کارگران مسن در مشاغل مختلف کار می کنند که از جهات مختلف با کارگران جوان متفاوت است ، و به نظر می رسد هوش مصنوعی پتانسیل ایجاد یک محیط کار دوستانه سن را دارد. به همین ترتیب ، یافته های ما نشان می دهد که هوش مصنوعی همچنین می تواند مشاغل سازگار با جنسیت را ارتقا بخشد.

یادداشت نویسندگان: نظرات بیان شده از نویسندگان است و لزوماً منعکس کننده ECB ، Banco de España یا Eurosystem نیست.

منابع

Acemoglu ، D (2020) ، “تغییر فنی ، نابرابری و بازار کار” ، مجله ادبیات اقتصادی 40 (1): 7-72.

Acemoglu ، D ، NS Mühlbach و AJ Scott (2022) ، “افزایش مشاغل دوستانه سن” ، مقاله کار NBER 30463.

Albanesi ، S ، A Dias Da Silva ، JF Jimeno ، A Lamo و A Wabitsch (2023) ، “هوش مصنوعی و مشاغل: شواهدی از اروپا“، voxeu.org ، 29 ژوئیه.

Albanesi ، S ، A Dias Da Silva ، JF Jimeno ، A Lamo و A Wabitsch (2025a) ، “فناوری ها و مشاغل جدید در اروپا” ، سیاست اقتصادی 40 (121): 71-139.

Albanesi ، S ، A Dias Da Silva ، JF Jimeno ، A Lamo و A Wabitsch (2025b) ، “AI و اشتغال زنان در اروپا” ، مقالات AEA و مجموعه مقالات 2025 115: 1-5.

Albanesi ، S ، and J Kim (2021) ، “تأثیر رکود اقتصادی Covid-19 بر بازار کار ایالات متحده: شغل ، خانواده و جنسیت” ، مجله دیدگاههای اقتصادی 35 (3): 3-24.

Albanesi ، S ، and A Sahin (2018) ، “شکاف بیکاری جنسیتی” ، بررسی پویایی اقتصادی 30: 47-67.

Autor ، D ، L Katz و A Krueger (1998) ، “محاسبه نابرابری: آیا رایانه ها بازار کار را تغییر داده اند؟” فصلنامه اقتصاد 113 (4): 1169–213.

Autor ، DH و LF Katz (1999) ، “تغییر در ساختار دستمزد و نابرابری درآمد” ، کتابچه راهنمای اقتصاد کار 3 (الف): 1463-555.

Autor ، DH ، F Levy ، and RJ Murnane (2003) ، “محتوای مهارت تغییر تکنولوژیکی اخیر: یک اکتشاف تجربی” ، فصلنامه اقتصاد 118 (4): 1279-333.

Cortes ، P ، Y Feng ، N Guida-Johnson و J Pan (2024) ، “اتوماسیون و جنسیت: پیامدهای مربوط به تفکیک شغلی و شکاف مهارت جنسیتی” ، دفتر ملی تحقیقات اقتصادی.

Cortes ، P و J Pan (2019) ، “جنسیت ، تفکیک شغلی و اتوماسیون” ، مطالعات اقتصاد در بروکینگز.

Felten ، E ، M Raj ، and R Seamans (2019) ، “تأثیر هوش مصنوعی بر کار انسان: یک رویکرد مبتنی بر توانایی” ، آکادمی مجموعه مقالات مدیریت.

Galor ، O ، and Dn Weil (2000) ، “جمعیت ، فناوری و رشد: از رکود مالتوسیایی به انتقال جمعیتی و فراتر از آن” بررسی اقتصادی آمریکا 90 (4): 806-28.

Goos ، M ، and A Manning (2007) ، “مشاغل بدبخت و دوست داشتنی: رواج در حال افزایش کار در انگلیس” ، بررسی اقتصاد و آمار 89 (1): 118-33.

یونسکو (2022) ، تأثیر هوش مصنوعی بر زندگی کار زنان ، یونسکو/OECD/IDB.

وب ، م (2020) ، “تأثیر اطلاعات مصنوعی در بازار کار” ، مقاله کار.