人工智能如何影响劳动力就业需求?——来自中国企业层面的经验证据

孟 浩,张美莎

(西安交通大学 经济与金融学院,陕西 西安 710061)

新技术的产生能否导致失业率上升是经济学界长期以来争论的话题之一。人工智能与机器人技术在推动经济发展的同时,也加速了“机器代人”的进程,给劳动力就业市场带来前所未有的挑战[1]。麦肯锡全球研究院2017年发布的《失业与就业:自动化时代的劳动力转型》报告指出,到2030年,全球将有多达8亿人的工作岗位可能被自动化的机器人取代。当前已有越来越多的人开始担心自己的工作是否会被人工智能技术取代,或者只能在人工智能的“夹缝”中生存。“稳就业”是经济社会发展目标的体现,也是经济工作的底线所在。2019年国务院印发的《关于进一步做好稳就业工作的意见》指出,要“坚持把稳就业摆在更加突出位置”“做实就业优先政策”;2020年的《政府工作报告》也提出要“优先稳就业保民生”,明确了“稳就业”在“六稳”中的基础作用。可以说,在人工智能快速发展的背景下,如何破解“机器代人”难题、实现“稳就业”目标已经成为当前亟待解决的重大课题。

自2013年工信部发布《关于推进工业机器人产业发展的指导意见》以来,中国政府相关部门先后发布了《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动计划》《新一代人工智能治理原则——发展负责任的人工智能》《国家新一代人工智能创新发展试验区建设工作指引》等一系列层层推进的配套指导文件,逐步将人工智能发展上升至国家战略高度。国际机器人联合会(IFR)统计数据显示,2010—2019年,中国工业机器人平均安装量占全球总安装量的29.34%;2013年中国成为全球工业机器人安装数量最多的国家(见图1)。作为一个人口规模庞大的转型经济体,人工智能发展对中国就业的影响将比其他国家更具代表性和深远性。然而,现有关于人工智能与就业的研究主要集中于欧美等发达经济体,针对发展中国家尤其是转型经济体的经验研究较为匮乏。近年来,一些学者从理论层面分析了人工智能对中国劳动力就业需求、劳动力生产率、劳动力工资、结构性失业的影响机制[2-3];还有少数学者基于中国地区和行业层面探讨了人工智能对劳动力就业需求影响的总体效应、结构效应及转移效应,为人工智能对就业需求的影响提供了宏观层面的经验证据[4-6]。从现有研究来看,当前关于人工智能对中国劳动力就业需求的影响主要集中于思辨式的理论分析和宏观层面的实证检验,鲜有文献从微观企业视角进行系统性的实证研究,仅王永钦等[7-8]利用制造业上市公司数据检验了人工智能对中国制造业劳动力就业市场的影响,但其研究样本局限于制造业企业,未能反映人工智能对服务业企业劳动力需求的影响。此外,从劳动力结构来看,当前低技能劳动力在中国劳动力市场中仍占据主导地位,而人工智能技术需要具备人机协作能力的技能型、复合型和专门型人才,技术与技能的不匹配必然导致技能劳动力重组,尽管现有文献分析了人工智能对劳动力就业需求的结构性差异,但尚未揭示人工智能对不同技能劳动力需求的内在影响机制。

图1 2010—2019年主要国家工业机器人安装量

本文的边际贡献主要有以下两方面:一是采用企业层面的微观数据,利用双重差分法(DID)系统研究了人工智能对不同技能劳动力就业需求的影响效果及作用渠道,丰富了人工智能与就业的相关理论,同时也为其提供了微观层面的经验证据。二是从企业产权性质、行业性质、区域差异三个维度考察了人工智能对技能劳动力需求的非对称影响,有助于进一步揭示新一代人工智能技术变革对就业需求的影响机制,为政府制定差异化的人工智能产业政策提供启示。

一、文献综述与研究假设

(一)人工智能对劳动力需求的影响

人工智能主要通过就业替代效应和就业创造效应影响劳动力市场需求。就业替代效应的作用机制主要表现为:当采用人工智能技术的成本相对劳动力更具比较优势时,企业会选择使用新技术来提高生产效率,导致部分劳动力岗位被人工智能技术取代,特别是重复性强、创造性和情感交互性弱的工作岗位[9-11]。就业创造效应的作用机制主要体现在三个方面:一是人工智能技术有利于降低企业生产自动化任务成本,生产成本的下降增加了企业生产利润,促使企业扩大生产规模,提升了非自动化任务中的劳动力需求。二是人工智能技术在替代部分劳动岗位的同时,能够创造新型任务,进而衍生出新的就业岗位,如“培训师”(培训人工智能系统)、“解释者”(向客户传达和解释人工智能系统的输出)和“维持者”(监控人工智能系统的性能,包括它们对现行道德标准的遵守情况)等,进而增加劳动力市场的相对需求量。三是人工智能技术在降低企业成本的同时,使得消费者购买受自动化技术影响的相关商品和服务的价格下降,变相提升了消费者的实际购买力,促使消费者对其他行业产品和服务的消费增加,进而引致相关行业不断扩大生产规模,产生更多的就业岗位。

从上述人工智能对就业影响的作用路径来看,就业创造效应相比于就业替代效应更为丰富,但创造效应的实现存在以下现实障碍:一是劳动力从现有工作岗位转向新工作岗位过程中难以实现无缝对接,人工智能技术发展加快了同质产品更新换代速度,部分老企业因缺乏相关技术设备无法生产新产品,只能通过降低生产规模、裁员等方式规避风险,进而降低对劳动力的需求,而新企业无法快速进入投资生产阶段产生新就业岗位,短期内无法无摩擦实现劳动要素的重置,从而出现劳动力需求的空窗期。二是人工智能技术产生的新任务要求劳动者拥有新技能,当前劳动力拥有的技能水平无法与新技术产生的新任务相匹配时,必然减缓就业结构调整进程。人工智能对劳动力就业需求影响的最终结果取决于替代效应和创造效应的相对大小。基于此,本文提出以下假设:

假设1a:就业替代效应高于就业创造效应时,人工智能技术会降低企业劳动力就业总需求。

假设1b:就业替代效应低于就业创造效应时,人工智能技术会提升企业劳动力就业总需求。

(二)人工智能对就业结构的影响

人工智能技术对就业的替代效应和创造效应在不同技能劳动力间存在不对称性。技能偏向型技术进步(SBTC)理论为分析人工智能对技能需求模式的影响提供了一个总体框架[12-13]。该分析框架将劳动力分为高技能和低技能两类,在替代效应中,人工智能替代可预测的、程序性的低技能工作岗位,降低相应的劳动力需求;在创造效应中,生产价格降低、劳动生产率提升导致的生产规模扩张增加了低技能劳动力需求,同时物化于机器人中的技术升级衍生出更适合高技能劳动者的新型岗位。在许多情况下,人工智能不一定会引致失业,而是会改变公司的技能需求模式[14]。总的来说,人工智能对不同技能劳动力的需求大小取决于上述两种效应的综合作用结果。

基于上述分析框架,现有文献采用不同国家的经验数据分析了人工智能对不同技能劳动力就业需求的影响。Acemoglu等[11]基于美国劳动力市场的研究发现,人工智能技术对技能劳动力的就业需求存在显著的两极化现象,具体表现为劳动力市场对高、低技能劳动力需求的增加和中技能劳动力需求的减少。Bughin等[15]预测到2030年人工智能应用将促使13%左右的社会总收入由从事重复性工作的低技能岗位转移至创造性工作的高技能岗位,低技能劳动收入份额将从33%下降至20%。王永钦等[7]基于制造业的数据研究表明,中国制造业行业中高技能岗位和低技能岗位就业增加,中等技能岗位需求减少。可见,人工智能应用会减少中等技能员工需求、增加高技能和低技能劳动力需求已成为一种全球性趋势。有关这种现象最具代表性的解释是,人工智能本质上是自动化和信息化技术的变革与升级,主要替代没有情感性的程序化和常规化任务,而多数中等技能劳动者恰好承担此类劳动分工。基于上述分析,本文提出以下假设:

假设2:人工智能对高技能和低技能劳动力以就业创造为主,对中等技能劳动力以就业替代为主。

二、模型设定、研究方法与数据来源

(一)识别策略与模型设定

本文的研究目的在于考察人工智能对不同技能劳动力的影响。由于人工智能技术能够替代部分劳动力就业岗位,可将企业“采用人工智能”作为准自然实验,剥离这部分因素对劳动力就业的影响。具体地,本文从人工智能企业识别的技术维度、产品和行业维度出发,采用《中国人工智能发展报告2018》提供的涵盖“人工智能、机器学习、自然语言处理、计算机视觉、人脸识别、图像识别、语音识别、语义搜索、语义网络、文本分析、虚拟助手、视觉搜索、预测分析、智能系统、智能机器人、智能驾驶、无人机、AI+”等一系列人工智能相关术语作为关键词,利用Python网络爬虫技术分别在各个企业经营范围及会计报表附注、企业公告内容中进行文本检索与匹配。若企业在t年涉及1个或多个人工智能相关关键词业务,则表示该企业在t年被识别为人工智能相关企业;反之,则为非人工智能企业。本文识别的人工智能企业包含两类:一是主要从事人工智能产品研发、生产与制造的企业。二是将人工智能产品和技术应用到生产经营等业务流程中的企业。具体的模型设定如下:

laborit=β0+β1(AIi×Yeart)+β2Xit+θi+ηt+εit

(1)

式(1)中,i代表企业,t代表年份;AIi为人工智能;Yeart为企业采用人工智能技术的年份。本文的核心解释变量是AIi×Yeart,β1是重点关注的系数,代表企业采用人工智能技术对劳动力需求的替代弹性;核心被解释变量是laborit,其中,企业的总体劳动力需求采用企业员工总数的自然对数衡量,同时参照Haltiwanger等[16]的研究,按照受教育程度对劳动力技能进行划分,拥有大专及以上学历的劳动力视为高技能劳动者,拥有高中、中专、高职、初中学历的劳动力视为中等技能劳动力,小学及以下受教育者视为低技能劳动力。Xit为影响企业劳动力就业的其他因素,主要包括企业成立年限、企业资产规模、营业收入、研发投入及资本投入强度等;θi和ηt分别为城市固定效应和时间固定效应;εit为随机误差项。

(二)数据来源及变量定义

本文以2000—2019年中国上市公司的数据为样本,探讨采用人工智能技术对劳动力就业需求的影响效果及机制。其中,企业员工从业人数、员工受教育程度及员工类别数据来源于WIND数据库中的股票数据浏览器;企业成立年限、企业资产规模、营业收入、研发投入及资本投入强度等涉及企业层面的控制变量来自于CSMAR数据库中的公司研究系列数据及WIND数据库。具体的变量定义如表1所示。

表1 主要变量定义

(三)变量的描述性统计

表2为变量的描述性统计结果。从中可以看出,识别为采用人工智能企业(did)的均值为0.102,这表明样本中10.2%的企业属于实验组,即当前上市公司中采用人工智能技术的企业比例为10.2%。从劳动力技能类型来看,高技能劳动力(h-labor)、中技能劳动力(m-labor)和低技能劳动力(l-labor)占员工总量比重的均值分别为0.171、0.345、0.283,这表明中等技能和低技能劳动力依然是现阶段中国劳动力市场的主要组成部分。

表2 变量的描述性统计结果

三、实证结果分析

(一)基准回归结果

表3报告了人工智能对劳动力就业需求影响的基准回归结果,模型(1)—(4)只控制了企业个体固定效应和年份固定效应,模型(5)—(8)为加入企业层面控制变量后的回归结果。鉴于未加入控制变量的简约式回归与加入控制变量后的基准回归结果基本一致,且加入控制变量后的回归结果能够更真实地反映人工智能对劳动力需求的影响效果,本文主要针对基准回归结果进行分析。模型(5)为企业采用人工智能技术对总体劳动力就业需求的影响。结果显示,与对照组企业(未识别为人工智能企业)相比,实验组企业(识别为人工智能企业)对劳动力总体就业需求出现更大幅度的下降,并通过了1%的显著性水平检验,这意味着现阶段人工智能技术应用总体上降低了劳动力需求,假设1a得到验证,即短期来看人工智能对中国劳动力市场的就业替代效应大于就业创造效应。模型(6)—(8)为进一步按教育水平划分的劳动力技能回归结果,从交互项(did)的系数大小及方向来看,人工智能技术对高技能、低技能劳动力的需求上升,而对中等技能的劳动力需求下降,导致劳动力就业结构需求整体上表现为“两极化”现象,假设2得到验证。

表3 基准回归结果

(二)DID设定的有效性及稳健性检验

1.预期效应

为检验是否存在预期效应,本文在基准模型(1)的基础上加入AIi×Yeart-1。其中,Yeart-1表示企业采用人工智能技术前一年的哑变量,若AIi×Yeart-1交互项的系数显著不为0,则意味着在企业使用人工智能技术之前,已经存在其他原因影响劳动力就业需求。这表明上文的结果是有偏的,DID模型中控制组和处理组的结果变量在采用人工智能技术之前不具有可比性。从表4的回归结果来看,AIi×Yeart-1的系数不显著,表明在企业使用人工智能技术之前,劳动力就业需求并没有发生明显变化,即企业“采用人工智能”行为具有较强的外生性。

表4 DID设定的有效性及稳健性检验结果

2.安慰剂检验

为检验上述估计结果的稳健性,本文进行了安慰剂检验。基本思路是在企业采用人工智能技术之前,对照组和实验组样本的劳动力就业需求并没有显著异质性,反之则说明可能存在影响上文结果的潜在因素。具体来讲,只选取企业未采取人工智能技术之前的数据进行处理,并假定企业采取人工智能技术的年份提前2年,重新对所选取的样本进行DID模型的实证检验。从表4的实证结果来看,交互项的系数didan不显著,说明不存在或可忽略影响上文结果的潜在因素。

3.控制产业时间趋势

企业劳动力需求变化可能受到其所在行业某些观测不到的特定产业因素的影响,因此不同行业中企业劳动力需求变化的时间趋势可能存在差异,这可能引致处理组与对照组的结果变量会随不同的路径发生变化,导致估计结果可能存在有偏性。为处理这一问题,本文借鉴Liu等[17]的研究,将产业特定的线性时间趋势纳入基准模型中进行估计,回归结果见表4。在控制产业时间趋势项后交叉项(did)的结果与前文基本一致,这表明未观测到的行业特定因素并未影响本文的核心结论。

(三)影响机制

人工智能技术的应用有利于降低生产自动化任务成本,企业生产成本的下降促使企业生产利润增加,生产规模扩大,进而提升了非自动化任务中的劳动力需求;同时产品价格下降提升了消费者的实际购买力,促使产业链上下游行业扩大生产规模,进一步增加了劳动力需求。基于此,本文推测人工智能技术可能通过企业生产规模扩张途径影响企业劳动力就业需求。借鉴王永进等[18]的做法,本文采用企业销售额增长率来衡量企业生产规模扩张(scale),同时引入三重交互项scale×AIi×Yeart,构建以下回归模型来验证企业规模扩张是否是影响人工智能与劳动力就业的机制:

Laborit=β0+β1(AIi×Yeart)+β2(scale×AIi×Yeart)+β3Xit+θi+ηt+εit

(2)

式(2)中,三重交互项scale×AIi×Yeart是本文关注的核心解释变量,若交互项系数β2显著为正,则意味着企业规模扩张是人工智能促进劳动力需求的机制;反之,则意味着企业规模扩张不是人工智能促进劳动力需求的机制。表5报告了企业规模扩张效应的回归结果,从中可以看出,在全样本中,三重交互项scale×AIi×Yeart的系数显著为正,这表明企业规模扩张效应能够增加劳动力总体就业需求,在一定程度上抑制了人工智能对劳动力的替代作用。进一步基于劳动力技能结构的回归结果表明,三重交互项scale×AIi×Yeart的系数仅在低技能劳动力就业样本中显著,在高技能、中技能劳动力样本中不显著,即企业规模扩张引致的就业创造效应主要增加了低技能劳动力的需求。

表5 影响渠道回归结果:规模扩张和技术升级

此外,随着人工智能与机器人技术在生产和服务领域中的广泛应用,物化于机器人中的技术升级能够不断创造出与新技术相匹配的新岗位,进而增加劳动力就业需求。因此,笔者推测人工智能可能通过技术升级渠道影响企业劳动力就业需求。具体地,本文借鉴岳文等[19]的做法,采用企业全要素生产率来衡量企业技术升级效果(tfp),同时引入三重交互项tfp×AIi×Year,构建以下回归模型来验证技术升级是否是影响人工智能与劳动力就业的机制:

Laborit=β0+β1(AIi×Yeart)+β2(tfp×AIi×Yeart)+β3Xit+θi+ηt+εit

(3)

式(3)中,三重交互项tfp×AIi×Year是本文关注的核心解释变量,若交互项系数β2显著为正,则意味着技术升级是人工智能促进劳动力就业需求的渠道;反之,则意味着技术升级效应会抑制劳动力就业。表5同时报告了企业技术升级效应的回归结果,从中可以看出,在全样本中,三重交互项tfp×AIi×Year的系数显著为负,这表明企业技术升级效应会降低劳动力总体就业需求,加剧了人工智能对劳动力的替代作用。进一步基于劳动力技能结构的回归结果发现,三重交互项tfp×AIi×Year的系数在高技能劳动力就业样本中显著为正,在中技能劳动力就业样本中显著为负,在低技能劳动力就业样本中不显著。换言之,物化于机器人中的技术升级引致的就业创造效应主要增加了高技能劳动力的需求,同时降低了中技能劳动力就业需求。

五、进一步分析

(一)微观视角:企业所有权性质分组回归

从计划经济体制向市场经济体制转型过程中,所有制结构决定了不同产权企业的生产目标函数不同。相比于民营企业,以社会福利最大化为目标函数的国有企业往往受到更多预算软约束限制,在经济社会中承担着“稳就业”的主要责任。这就导致国有企业即使大规模地采用人工智能技术,也依然无法在短期内大量裁员,而民营企业以利润最大化为目标函数,在企业用工制度更为灵活,解除劳务关系的成本也相对较低。考虑到人工智能对不同产权性质企业劳动力就业的需求可能存在显著异质性,本文根据企业产权性质将样本分为国有企业和非国有企业两组进行分析,具体的回归结果见表6。结果表明,人工智能对劳动力的就业替代效应主要表现在非国有企业。基于劳动力技能分类的结果发现,在国有企业中,人工智能对高技能劳动力需求增加,对中技能、低技能劳动力需求无明显影响,并未出现与欧美等发达经济体类似的就业两极化现象。而在非国有企业中,人工智能对高、低技能劳动力需求增加,对中等技能劳动力需求减少,与现有发达经济体的实证研究结论相吻合。究其原因,可能在于国有企业受制于企业用工制度的约束,一方面解除劳动力的成本较高;另一方面承担着更多的“稳就业”责任,导致其现有就业规模无法反映真实的劳动力就业需求。

表6 企业所有权性质分组结果

(二)中观视角:不同行业分组回归

企业劳动力需求变化可能受到其所在行业特定产业因素的影响,因此人工智能技术对不同行业企业的劳动力需求变化可能存在不对称性。Dauth等[20]基于德国劳动力市场的研究发现,人工智能应用减少了制造业常规性劳动岗位的需求,但同时增加了服务业非常规性劳动力需求。为验证人工智能对不同行业劳动力就业需求是否存在异质性,本文根据企业所属行业性质将样本划分成制造业和服务业两组分别进行回归分析,具体的回归结果见表7。从全样本来看,人工智能对劳动力的就业需求在制造业与服务业间存在异质性,人工智能对劳动力的就业替代效应主要存在于制造业企业。从劳动力技能的分类结果来看,在服务业企业中,人工智能对高技能和中技能劳动力需求增加,对低技能劳动力需求无明显影响,并未出现与欧美等发达经济体类似的就业双极化现象;而在制造业企业中,人工智能对高、低技能劳动力需求增加,对中技能劳动力需求减少,与现有发达经济体的实证研究结论相吻合。究其原因,一方面可能主要在于服务业中的大多岗位属于情感类的非常规任务,制造业中多数岗位属于常规性生产任务,而人工智能技术主要替代的是常规性任务岗位;另一方面可能是因为部分劳动力从制造业转移到服务业中,导致服务业劳动力需求增多。

表7 不同行业分组回归结果

(三)宏观视角:不同区域分组回归

在分析人工智能对劳动力就业结构影响时,区域差异是不容忽视的一个关键因素。例如,北上广深等人工智能技术应用较为广泛的地区,面对先进设备投资的大规模增长及持续创新产生的新型任务,对高技能劳动力需求急剧增长。相反,在西北地区等人工智能发展程度较低的地区,囿于经济条件匮乏及产业结构的低级化,劳动力就业结构以中、低技能劳动力为主,很难吸引高技能人才流入。为研究人工智能对劳动力就业需求影响的区域异质性,本文将所有企业按其地理位置分为东部、中部、西部3个区域(中国香港、澳门、台湾除外),其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南;中部地区包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西;西部地区包括四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。从表8的回归结果来看,人工智能对就业的替代效应主要存在于东部地区,对中、西部地区的整体就业需求无显著影响,可能原因在于当前人工智能技术主要集中在上海、深圳、广州、江苏等东部省份。从劳动力技能结构来看,人工智能的应用提升了东部地区高技能劳动力需求,中部地区高技能、低技能劳动力需求以及西部地区中技能劳动力需求;降低了东部地区中、低技能劳动力需求。其原因可能在于人工智能在东部地区的应用替代了常规性的中技能劳动岗位,增加了高、低技能劳动力的需求,但东部地区过高的生活成本对低技能劳动力产生挤出效应,最终导致东部地区部分中、低技能劳动力转移到中、西部地区,这与当前劳动力回流现象相一致。

表8 不同区域分组回归结果

六、结论与政策启示

人工智能技术作为新一轮技术革命的核心驱动力,是建设制造强国、发展先进制造业、促进产业结构升级的关键途径。然而,人工智能技术的快速发展加速了“机器代人”的进程,势必会对实现“稳就业”目标造成不可避免的冲击。在人工智能快速发展的背景下,如何实现“稳就业”目标已经成为当前亟待攻克的重大课题。基于此,本文在一个准自然实验的框架下,以中国上市公司2010—2019年员工就业数据为样本,采用双重差分法系统研究了人工智能对不同技能劳动力就业需求的影响效果及作用机制。主要研究结论如下:(1)人工智能降低了现阶段企业劳动力的总体需求,即当前人工智能的就业替代效应大于就业创造效应。(2)人工智能对劳动力就业需求的影响具有显著的结构性特征,人工智能显著提升了对高技能和低技能劳动力的就业需求,降低了对中技能劳动力的就业需求。(3)从作用机制来看,人工智能通过企业生产规模扩张途径增加了低技能劳动力就业需求,通过技术升级途径提升了高技能劳动力的就业需求,降低了中技能劳动力就业需求。(4)进一步研究发现,人工智能对劳动力的就业替代效应在民营企业、制造业企业及东部地区企业中更为明显。本文的研究结论为厘清人工智能对就业需求的影响及政府制定人工智能产业政策提供了理论依据和政策参考,结合上述研究结论,可以得到以下政策启示:

第一,针对不同人群制定差异化的就业促进和社会保障政策。首先,加大中、低技能群体职业技能培训投入及教育经费投入,特别是加强在岗职工、失业人员的专业技能培训,帮助其快速适应劳动力市场变化的新需求;强化就业服务体系建设,提高劳动力市场信息的透明度,减少摩擦性失业,加快劳动力就业转移和结构调整进程。其次,加快人工智能专业人才队伍建设,优化和调整智能制造学科体系,以应对人工智能技术对高技能劳动力的巨大需求;以培育新兴产业创造就业机会、提升劳动力素质适应高技能岗位为重点,培育具有较强创新能力、高度理解运用能力、能够解决核心技术问题的高素质人才,增强我国人工智能技术的竞争能力和创新能力。

第二,结合各地实际情况,制定差异化的人工智能产业政策。东部地区应继续提升人工智能应用水平,大力支持国产人工智能产品的研发,积极发展新兴产业和新型业态,放大人工智能和机器人对就业的创造效应。由于采用了人工智能,旨在通过将制造业从东部转移到中西部地区来改善中西部地区大量低技能工人就业的政策效果会逐渐减弱,为适应技术自动化的进程,中西部城市一方面应逐步推进产业结构升级,增加基础性就业岗位,吸纳东部地区转移的中低技能劳动力;另一方面要加快促进人工智能技术应用的相关制度建设和人才建设,为人工智能未来在中西部地区的应用提供条件。