高 萍

（深圳市坪山區(qū)科技創(chuàng)新服務(wù)中心，廣東 深圳 518000）

近期，計算機(jī)視覺、機(jī)器學(xué)習(xí)、自然語言處理等人工智能技術(shù)快速發(fā)展并應(yīng)用于金融業(yè)，《2019年度中國銀行業(yè)服務(wù)改進(jìn)情況報告》顯示，金融業(yè)利用AI開展業(yè)務(wù)后，銀行業(yè)離柜業(yè)務(wù)率為89.77%。AI在金融業(yè)的應(yīng)用提高了企業(yè)的粘客能力，極大地降低了運(yùn)營成本，提高了工作效率。研究表明，在AI應(yīng)用的工作場所，增加了競爭心理氛圍，使員工離職意愿明顯加強(qiáng)。同時，組織支持使員工產(chǎn)生心理依戀和忠誠度，減弱員工離職意愿（Brougham＆Harr，2017）。

一、人工智能技術(shù)對就業(yè)的影響

Chui et al.（2015）認(rèn)為如果企業(yè)運(yùn)用人工智能技術(shù)，會導(dǎo)致員工職業(yè)選擇存在潛在的高流動率。Brougham 和Harr（2017）研究強(qiáng)調(diào)了這一結(jié)果，他認(rèn)為企業(yè)選擇人工智能技術(shù)代替人工勞動時，員工會感到被低估或不受重視，研究顯著證明了人工智能應(yīng)用會讓員工對職業(yè)前景產(chǎn)生不安全感而從當(dāng)前職位中辭職。故提出以下假設(shè)：

假設(shè)1.人工智能應(yīng)用（AI）對金融業(yè)員工的離職意愿（TI）有顯著的負(fù)面影響。

二、感知組織支持的調(diào)節(jié)作用

Duke et al.（2009）認(rèn)為有效組織支持包括提供公平、培訓(xùn)、獎勵的工作條件，這些組織支持能夠通過提高員工整體福祉減輕人工智能應(yīng)用對員工的負(fù)面情緒影響；Cheng，Yang，Wan，& Chu（2013）調(diào)查研究表明良好的組織支持能夠使員工對工作更滿意，從而減少離職意愿。故提出一下假設(shè)：

假設(shè)2：組織支持（POS）能夠調(diào)節(jié)人工智能應(yīng)用對金融業(yè)員工離職的負(fù)面影響。

三、競爭心理氛圍指標(biāo)

Frey & Osbome（2017）研究表明，人工智能應(yīng)用能夠通過智能技術(shù)標(biāo)準(zhǔn)刺激員工持續(xù)改進(jìn)工作效率。同時，也提升工作環(huán)境競爭壓力，智能技術(shù)使員工產(chǎn)生被替代風(fēng)險而被迫相互競爭，故人工智能應(yīng)用使員工競爭顯著加劇；Gimet al.（2015）研究表明人工智能應(yīng)用使公司管理者的期望門檻越來越高，員工之間的競爭壓力越來越大，在較高心理競爭氛圍工作的員工往往會辭職。故提出以下假設(shè)：

假設(shè)3：心理競爭氛圍（CPC）影響人工智能應(yīng)用和金融業(yè)員工離職意愿的關(guān)系。

四、研究方法

（一）調(diào)查樣本

本文以國內(nèi)金融企業(yè)為研究對象，主要通過網(wǎng)絡(luò)調(diào)查問卷、訪談等方法獲取數(shù)據(jù)，問卷設(shè)計使用七點(diǎn)李克特量表來衡量。調(diào)查樣本包括京津地區(qū)、長三角、珠三角等經(jīng)濟(jì)發(fā)達(dá)區(qū)域金融機(jī)構(gòu)，收到調(diào)查問卷數(shù)量為494份，剔除有規(guī)律的選填及無效問卷數(shù)據(jù)，共計收到473份有效問卷，其中京津地區(qū)37家，長三角地區(qū)196家，珠三角地區(qū)240家；銀行占比85%，其他金融機(jī)構(gòu)占比15%；上市公司占比89%。問卷受訪者平均年齡為35.2歲，38.4%受訪者為管理者，近98%受訪者至少擁有本科及以上學(xué)歷，平均工作年限為2.5年，說明受訪者具備知識理解調(diào)查問卷內(nèi)容并能夠給予準(zhǔn)確答復(fù)。經(jīng)數(shù)據(jù)分析，金融機(jī)構(gòu)人工智能應(yīng)用主要集中在智能客服、智能投顧、智能化交易等。

（二）統(tǒng)計分析方法

本文調(diào)查了473家金融企業(yè)人工智能應(yīng)用影響（AII）與員工離職意愿（TI）的關(guān)系，并考察了組織支持（POS）和競爭心理氛圍（CPC）對這種關(guān)系的調(diào)節(jié)作用，為了使統(tǒng)計分析更具客觀和減少偏差，本文采用分層線性模型（HLM）分析相關(guān)調(diào)研數(shù)據(jù)，使用兩級模型評估結(jié)果變量離職意愿，兩個自變量分別為POS和CPC。本文采用直接共識模型評估POS和CPC變量，為了證明在金融企業(yè)層面匯總的POS和CPC數(shù)據(jù)的適用性，均使用統(tǒng)計軟件估算兩者的組內(nèi)相關(guān)性（ICC）和值。POS的值為0.90，CPC的值為0.83，遠(yuǎn)高于統(tǒng)計分析推薦閾值0.7。故統(tǒng)計分析結(jié)果支持金融企業(yè)員工POS和CPC數(shù)據(jù)回歸分析的潛在假設(shè)。

五、結(jié)果分析

（一）描述性統(tǒng)計分析

表1統(tǒng)計分析的Cronbachα系數(shù)說明多個李克特量表和數(shù)據(jù)條目都具有內(nèi)部一致性，且Cronbach α系數(shù)值均超過推薦閾值0.7，系數(shù)數(shù)據(jù)支持本文提出的假設(shè)；AII分別與TI、CPC顯著相關(guān)（γ= 0.22，p <.001；γ= 0.12，p <.05）。POS與TI負(fù)相關(guān)（γ= -0.56，p <.05）。但CPC與TI呈正相關(guān)關(guān)系（γ= 0.23，p <.05）。

表1 研究變量的均值、標(biāo)準(zhǔn)差及其關(guān)系

（二）驗(yàn)證性因素分析

表格2統(tǒng)計數(shù)據(jù)顯示了模型的擬合優(yōu)度（例如，單因子模型與多因子模型）。對比分析四個模型中的χ2、df、CFI、GFI、RMSEA等數(shù)據(jù)，四因素模型的擬合優(yōu)度最顯著，故模型1明顯優(yōu)于其他競爭模型。

表3顯示了AII、POS、CPC和TI所有反射因子的提取平均方差（AVE）、復(fù)合可靠性（CR）以及其條目負(fù)載、t值等。這些指標(biāo)的因子載荷范圍為0.76至0.87，所有數(shù)據(jù)值均具有統(tǒng)計顯著性；每個AVE值非常接近基準(zhǔn)0.6，復(fù)合可靠性（CR）值超過了建議接受閾值0.7，說明模型是合理的，且數(shù)據(jù)具有統(tǒng)計意義的有效性。

表2 比較模型分析

表3 測量模型分析

表4分析結(jié)果顯示TI可以通過組間差異的百分比解釋，在金融業(yè)層面TI存在顯著差異，可以增加更高級別預(yù)測變量。隨機(jī)模型分析顯示AII與TI顯著正相關(guān)，支持假設(shè)1。攔截模型分析顯示POS與CPC對TI有顯著影響（γ01= -0.86，p <0.05；γ02= 0.58，p <0.05）；跨級調(diào)節(jié)模型顯示AII與TI之間的關(guān)系分別由POS、CPC調(diào)節(jié)（γ21= -0.26，p <0.05；γ31= 0.40，p <0.01）。故此分析結(jié)果支持假設(shè)2和假設(shè)3。

表4 分層線性模型分析

六、討論和結(jié)論

本文研究表明金融業(yè)人工智能應(yīng)用影響與員工離職意愿有顯著負(fù)相關(guān)關(guān)系，組織支持和競爭心理氛圍對這種關(guān)系分別有削弱和加強(qiáng)的不同調(diào)節(jié)作用。鑒于金融業(yè)員工培養(yǎng)的高成本，企業(yè)應(yīng)采取多種措施提供更多的組織支持以減少人工智能應(yīng)用對員工離職的負(fù)面影響，特別是對于短時間不易被人工智能替代的復(fù)雜型、非重復(fù)性工作的員工，企業(yè)更應(yīng)該營造較為寬松、開放的工作環(huán)境，提供更多的培訓(xùn)、團(tuán)隊(duì)建設(shè)、獎勵、晉升機(jī)會，增加員工福祉，以幫助員工建立長期服務(wù)企業(yè)的意識。