生成式AI冲击下的德国劳动力市场：一项职业层面的计量经济学研究

本研究利用2015-2025年德国职业层面面板数据，通过双重差分和事件研究法，实证分析生成式AI暴露度对不同职业劳动力市场结果的影响。核心发现：高AI暴露职业在后ChatGPT时期呈现更高失业-空缺比率（需求侧压力大）和更长空缺持续时间（技能错配）；研究为政策制定（技能再培训、社会保障调整等）提供实证基础，方法论上采用职业层面精细分析及开源可复制设计。

自2022年底ChatGPT发布以来，生成式AI对认知型、知识型工作的渗透引发学术界和政策制定者关注，但AI对就业的实际影响缺乏大规模严谨实证。本研究通过德国职业层面面板数据，量化AI暴露度与劳动力市场指标的因果关系，填补这一空白。

数据来源：2015-2025年德国KldB（德国职业分类系统）3位编码职业面板数据，关键时间节点为2022年底ChatGPT发布；核心数据集包括panel_dataset_controls.csv（就业、工资等控制变量）和AIOE_DataAppendix.xlsx（AI暴露度评分）。 核心变量：log_relation（失业人数与空缺职位比率的对数）、log_vakanz（空缺职位平均持续天数的对数）、log_bestand（就业规模的对数）、log_median_wage（工资中位数的对数）、ai_exposure（职业AI暴露度评分）、post（2023年及以后年份的虚拟变量）。 计量方法：基线横截面回归、连续处理双重差分（DiD）模型（控制职业固定效应与年份固定效应）、事件研究法（动态估计AI冲击轨迹及平行趋势检验）。

核心结果：高AI暴露职业在后ChatGPT时期，失业-空缺比率更高（需求侧压力大）、空缺持续时间更长（技能错配）。 稳健性检验：二元处理DiD（高/低AI暴露分组）、排除2020-2021疫情干扰期、定义2023年及以后为处理期，均支持核心结论。

研究对政策的启示：1. 加大受影响职业群体的技能再培训支持，助力向AI互补型技能转型；2. 调整失业保险和再就业服务，应对结构性失业需求；3. 关注区域劳动力市场异质性，制定差异化政策。

方法论贡献：职业层面精细分析（更精准识别AI影响传导机制）、ChatGPT发布作为外生冲击的DiD设计、开源代码（Python/pyfixest库）可复制。 局限：仅覆盖德国（结论外推需谨慎）、AI暴露度基于美国职业数据（跨文化适用性待验证）、短期效应无法预测长期均衡结果。 未来方向：扩展至更多国家、更长时间跨度，探索AI暴露与工资、工作质量等维度的关系。