人工智能对金融业员工离职意愿的影响研究
——基于感知组织支持和竞争心理氛围的调节作用

高 萍

（深圳市坪山区科技创新服务中心，广东 深圳 518000）

近期，计算机视觉、机器学习、自然语言处理等人工智能技术快速发展并应用于金融业，《2019年度中国银行业服务改进情况报告》显示，金融业利用AI开展业务后，银行业离柜业务率为89.77%。AI在金融业的应用提高了企业的粘客能力，极大地降低了运营成本，提高了工作效率。研究表明，在AI应用的工作场所，增加了竞争心理氛围，使员工离职意愿明显加强。同时，组织支持使员工产生心理依恋和忠诚度，减弱员工离职意愿（Brougham＆Harr，2017）。

一、人工智能技术对就业的影响

Chui et al.（2015）认为如果企业运用人工智能技术，会导致员工职业选择存在潜在的高流动率。Brougham 和Harr（2017）研究强调了这一结果，他认为企业选择人工智能技术代替人工劳动时，员工会感到被低估或不受重视，研究显著证明了人工智能应用会让员工对职业前景产生不安全感而从当前职位中辞职。故提出以下假设：

假设1.人工智能应用（AI）对金融业员工的离职意愿（TI）有显著的负面影响。

二、感知组织支持的调节作用

Duke et al.（2009）认为有效组织支持包括提供公平、培训、奖励的工作条件，这些组织支持能够通过提高员工整体福祉减轻人工智能应用对员工的负面情绪影响；Cheng，Yang，Wan，& Chu（2013）调查研究表明良好的组织支持能够使员工对工作更满意，从而减少离职意愿。故提出一下假设：

假设2：组织支持（POS）能够调节人工智能应用对金融业员工离职的负面影响。

三、竞争心理氛围指标

Frey & Osbome（2017）研究表明，人工智能应用能够通过智能技术标准刺激员工持续改进工作效率。同时，也提升工作环境竞争压力，智能技术使员工产生被替代风险而被迫相互竞争，故人工智能应用使员工竞争显著加剧；Gimet al.（2015）研究表明人工智能应用使公司管理者的期望门槛越来越高，员工之间的竞争压力越来越大，在较高心理竞争氛围工作的员工往往会辞职。故提出以下假设：

假设3：心理竞争氛围（CPC）影响人工智能应用和金融业员工离职意愿的关系。

四、研究方法

（一）调查样本

本文以国内金融企业为研究对象，主要通过网络调查问卷、访谈等方法获取数据，问卷设计使用七点李克特量表来衡量。调查样本包括京津地区、长三角、珠三角等经济发达区域金融机构，收到调查问卷数量为494份，剔除有规律的选填及无效问卷数据，共计收到473份有效问卷，其中京津地区37家，长三角地区196家，珠三角地区240家；银行占比85%，其他金融机构占比15%；上市公司占比89%。问卷受访者平均年龄为35.2岁，38.4%受访者为管理者，近98%受访者至少拥有本科及以上学历，平均工作年限为2.5年，说明受访者具备知识理解调查问卷内容并能够给予准确答复。经数据分析，金融机构人工智能应用主要集中在智能客服、智能投顾、智能化交易等。

（二）统计分析方法

本文调查了473家金融企业人工智能应用影响（AII）与员工离职意愿（TI）的关系，并考察了组织支持（POS）和竞争心理氛围（CPC）对这种关系的调节作用，为了使统计分析更具客观和减少偏差，本文采用分层线性模型（HLM）分析相关调研数据，使用两级模型评估结果变量离职意愿，两个自变量分别为POS和CPC。本文采用直接共识模型评估POS和CPC变量，为了证明在金融企业层面汇总的POS和CPC数据的适用性，均使用统计软件估算两者的组内相关性（ICC）和值。POS的值为0.90，CPC的值为0.83，远高于统计分析推荐阈值0.7。故统计分析结果支持金融企业员工POS和CPC数据回归分析的潜在假设。

五、结果分析

（一）描述性统计分析

表1统计分析的Cronbachα系数说明多个李克特量表和数据条目都具有内部一致性，且Cronbach α系数值均超过推荐阈值0.7，系数数据支持本文提出的假设；AII分别与TI、CPC显著相关（γ= 0.22，p <.001；γ= 0.12，p <.05）。POS与TI负相关（γ= -0.56，p <.05）。但CPC与TI呈正相关关系（γ= 0.23，p <.05）。

表1 研究变量的均值、标准差及其关系

（二）验证性因素分析

表格2统计数据显示了模型的拟合优度（例如，单因子模型与多因子模型）。对比分析四个模型中的χ2、df、CFI、GFI、RMSEA等数据，四因素模型的拟合优度最显著，故模型1明显优于其他竞争模型。

表3显示了AII、POS、CPC和TI所有反射因子的提取平均方差（AVE）、复合可靠性（CR）以及其条目负载、t值等。这些指标的因子载荷范围为0.76至0.87，所有数据值均具有统计显著性；每个AVE值非常接近基准0.6，复合可靠性（CR）值超过了建议接受阈值0.7，说明模型是合理的，且数据具有统计意义的有效性。

表2 比较模型分析

表3 测量模型分析

表4分析结果显示TI可以通过组间差异的百分比解释，在金融业层面TI存在显著差异，可以增加更高级别预测变量。随机模型分析显示AII与TI显著正相关，支持假设1。拦截模型分析显示POS与CPC对TI有显著影响（γ01= -0.86，p <0.05；γ02= 0.58，p <0.05）；跨级调节模型显示AII与TI之间的关系分别由POS、CPC调节（γ21= -0.26，p <0.05；γ31= 0.40，p <0.01）。故此分析结果支持假设2和假设3。

表4 分层线性模型分析

六、讨论和结论

本文研究表明金融业人工智能应用影响与员工离职意愿有显著负相关关系，组织支持和竞争心理氛围对这种关系分别有削弱和加强的不同调节作用。鉴于金融业员工培养的高成本，企业应采取多种措施提供更多的组织支持以减少人工智能应用对员工离职的负面影响，特别是对于短时间不易被人工智能替代的复杂型、非重复性工作的员工，企业更应该营造较为宽松、开放的工作环境，提供更多的培训、团队建设、奖励、晋升机会，增加员工福祉，以帮助员工建立长期服务企业的意识。