摘要：采用我国28个省市中小企业2019-2024年面板数据，以AI招聘工具应用深度为门槛变量构建面板门槛模型，实证检验AI招聘工具对中小企业员工入职公平性的非线性影响。研究结果表明：AI招聘工具应用、企业人力资源规范化水平均显著正向提升中小企业入职公平性；控制其他变量不变的情况下，AI招聘工具对入职公平性的影响存在基于自身应用深度的单一门槛效应，不同应用门槛区间内AI招聘的公平赋能效果存在显著差异；分区域来看，东部、中西部地区中小企业的门槛效应特征存在异质性，各区域实现公平招聘所需的AI工具应用深度阈值各不相同。本文为中小企业智能化招聘转型、消解招聘歧视、完善入职公平体系提供实证依据与优化路径。

关键词：AI招聘工具；中小企业；入职公平性；门槛效应；招聘歧视

一 引言

在数字经济与人力资源数字化转型深度融合的背景下，智能化招聘已成为中小企业优化用工管理、降低招聘成本的核心路径，AI招聘工具凭借简历智能筛选、结构化面试测评、人岗精准匹配等功能，彻底改变了传统人工招聘的工作模式，在中小企业招聘场景中的渗透率持续攀升。入职公平是劳动力市场公平的核心组成部分，也是保障劳动者平等就业、规范企业用工、稳定中小企业人才供给的关键基础。相较于大型企业完善的招聘制度与专业HR团队，中小企业普遍存在招聘流程不规范、人工主观干预强、招聘歧视隐蔽、公平性保障机制缺失等问题，年龄、性别、学历、地域等主观歧视长期困扰中小企业招聘工作，严重破坏入职公平秩序，制约企业人才储备与长效发展。

随着人工智能技术在人力资源领域的落地应用，AI招聘工具凭借算法标准化、流程透明化、评价客观化的优势，有效规避人工招聘的主观偏见，为破解中小企业入职不公问题提供了技术支撑。但与此同时，算法偏见、数据偏差、应用浅层化等问题也随之显现，部分中小企业盲目套用AI招聘系统，因训练数据失衡、算法模型缺陷引发新型招聘歧视，反而损害入职公平。因此，AI招聘工具对中小企业入职公平性并非简单的线性影响，其赋能效果依赖于工具应用深度、企业适配能力与场景规范程度，存在显著的门槛特征。

入职公平性的核心是消除非能力因素的招聘歧视，保障所有求职者凭借岗位适配能力平等获得入职机会。传统人工招聘模式下，HR的个人认知、主观偏好、经验差异是招聘不公的主要诱因，而AI招聘工具通过标准化评价体系、量化考核指标、去身份化筛选机制，能够弱化身份特征干扰，提升招聘的客观性与公平性。但技术赋能的效果并非绝对正向，当企业AI招聘应用深度不足、系统适配性较差时，算法固化的历史歧视数据、单一的筛选维度会形成新型公平壁垒，抑制入职公平性提升。

AI招聘工具的落地应用是一个循序渐进的过程，需要企业配套制度、人员能力、应用场景的全方位支撑，其对入职公平性的改善作用存在明显的阶段性特征。深入探究AI招聘工具与中小企业入职公平性的非线性关系，识别其应用门槛与区域异质性，厘清不同应用深度下AI招聘的公平赋能效果，能够有效破解中小企业智能化招聘中的公平性困境。基于此，本文构建以AI招聘工具应用深度为门槛变量的面板门槛模型，实证检验AI招聘工具对中小企业入职公平性的影响机制与门槛效应，为中小企业规范AI招聘应用、构建公平入职体系提供理论参考与实践依据。

二 文献综述

随着智能化招聘的普及，招聘公平性问题成为人力资源管理与劳动经济学的研究热点，国内外学者围绕AI招聘、入职公平、招聘歧视等领域展开大量研究，形成丰富的研究成果。

在AI招聘工具应用价值研究方面，国外学者较早开展智能化招聘的实证研究。有研究表明，AI智能筛选与面试测评工具能够有效降低人工招聘的主观偏差，提升招聘流程的标准化程度，减少人为歧视问题。但也有实践研究发现，AI算法模型会依托历史招聘数据形成固化偏见，对特定求职者群体存在隐性歧视，暴露了AI招聘的算法公平缺陷。国内相关研究指出，AI招聘工具通过量化岗位匹配指标、剥离身份特征干扰，可显著降低中小企业招聘中的地域、学历歧视，提升入职公平水平。同时有研究证实，AI招聘的公平赋能效果存在企业规模异质性，中小企业因制度不完善、技术适配度低，AI应用的公平提升效果显著弱于大型企业。

在入职公平性影响因素研究方面，现有研究普遍认为招聘模式、制度规范、技术水平、企业治理是核心影响因素。多数研究提出，传统人工招聘的主观性、随意性是中小企业入职不公的主要诱因，标准化、数字化的招聘模式可有效改善公平现状。同时，诸多学者验证了人力资源管理制度规范化对入职公平的正向驱动作用，完善的制度约束可有效规避招聘乱象。但也有部分差异化研究观点表明，浅层化的AI招聘应用无法消除算法偏见，反而会形成新型隐性歧视，对入职公平性产生抑制作用。

梳理现有文献可知，学界已证实AI招聘工具对入职公平性存在显著影响，但现有研究仍存在不足：一是多数研究仅关注线性影响关系，忽略了AI招聘应用的阶段性、非线性门槛特征；二是针对中小企业的细分实证研究较少，缺乏区域异质性分析；三是未明确AI招聘工具实现公平赋能的最优应用阈值。基于此，本文依托2019-2024年省级面板数据，构建面板门槛模型，系统探究AI招聘工具对中小企业入职公平性的非线性影响及区域差异，弥补现有研究短板。

三 研究设计

（一）模型设定

通过文献梳理与理论分析可知，AI招聘工具应用、人力资源规范化水平会显著影响中小企业入职公平性，且二者的影响存在非线性特征，因此本文构建基础线性回归模型与面板门槛模型，探究变量间的作用关系。

首先构建普通固定效应线性模型：

$$ Fair_{it}=lpha_0+lpha_1 AI_{it}+lpha_2 HR_{it}+sumlpha_k Control_{kit}+mu_i+arepsilon_{it} $$

式中：$$Fair_{it}$$为被解释变量，代表i省份t年中小企业入职公平性水平；$$AI_{it}$$为核心解释变量，代表AI招聘工具应用深度；$$HR_{it}$$为辅助核心变量，代表企业人力资源规范化水平；$$Control_{kit}$$为系列控制变量；$$lpha_0$$为常数项；$$lpha_1、lpha_2、lpha_k$$为变量回归系数；$$mu_i$$为个体固定效应；$$arepsilon_{it}$$为随机扰动项。

由于AI招聘工具对入职公平性的影响随应用深度变化呈现阶段性特征，存在门槛效应，因此借鉴Hansen（1999）非动态面板门槛模型，以AI招聘工具应用深度（AI）为门槛变量，构建单一门槛模型：

$$ Fair_{it}=eta_0+eta_1 AI_{it}cdot I(AI_{it}leqgamma)+eta_2 AI_{it}cdot I(AI_{it}>gamma)+eta_3 HR_{it}+sumeta_k Control_{kit}+mu_i+arepsilon_{it} $$

式中：$$gamma$$为门槛估计值；$$I(cdot)$$为指示函数，满足括号内条件时取值为1，否则为0；$$eta_1、eta_2$$分别为门槛变量低于、高于阈值时AI招聘工具的影响系数，其余变量符号与上文一致。

为验证多重门槛存在的可能性，进一步构建双重门槛模型：

$$ Fair_{it}=delta_0+delta_1 AI_{it}cdot I(AI_{it}leqgamma_1)+delta_2 AI_{it}cdot I(gamma_1gamma_2)+delta_4 HR_{it}+sumdelta_k Control_{kit}+mu_i+arepsilon_{it} $$

式中：$$gamma_1、gamma_2$$为双重门槛值，且$$gamma_1<gamma_2$$，其余变量含义不变。

（二）数据来源与变量选取

本文选取2019-2024年我国28个省、自治区、直辖市（剔除新疆、西藏、青海及港澳台地区，数据缺失严重）中小企业面板数据开展实证研究。数据来源于《中国中小企业发展年鉴》、人社部招聘行业监测报告、各省份人力资源服务业发展统计公报、前瞻产业研究院数据库，所有数据均经过标准化处理，保证数据真实性与连续性。

1.被解释变量

中小企业入职公平性（Fair）：参考现有研究方法，采用招聘歧视发生率反向测算，结合中小企业性别、年龄、地域、学历歧视投诉整改率、求职者公平感知评分综合构建入职公平性指数，指数越高代表入职公平性水平越高，对原始数据进行对数化处理降低异方差影响。

2.核心解释变量

AI招聘工具应用深度（AI）：从AI简历筛选使用率、AI面试测评覆盖率、智能匹配岗位渗透率、招聘流程数字化率四个维度构建指标体系，采用熵值法合成综合指数，衡量中小企业AI招聘工具的整体应用水平。

3.辅助核心变量

人力资源规范化水平（HR）：以中小企业招聘制度完善率、HR岗位专业化程度、招聘流程公示率为核心指标，合成规范化指数，反映企业人力资源管理基础水平。

4.控制变量

（1）企业数字化水平（Dig）：采用中小企业数字化转型覆盖率衡量，反映企业整体数字化基础；

（2）行业竞争程度（Comp）：采用各省份中小企业行业集聚度、市场竞争指数测算；

（3）政策扶持力度（Pol）：以地方中小企业人才扶持政策数量、数字化招聘补贴力度合成指数；

（4）人才供给水平（Tal）：采用各省份高校毕业生人数、技能人才存量占比衡量。

（三）变量描述性统计

对所有变量进行标准化处理后，各变量的观测值、均值、标准差、最小值、最大值统计结果如下表所示。

表1 变量描述性统计

四 实证分析

（一）普通静态模型回归分析

为初步检验变量间的线性相关关系，本文分别采用混合回归、固定效应模型对样本数据进行回归分析，同时通过豪斯曼检验确定最优模型，具体回归结果如表2所示。

豪斯曼检验结果显示P值为0.000，强烈拒绝随机效应原假设，因此选取固定效应模型作为基准模型。固定效应模型拟合优度R²为0.935，表明模型拟合效果良好，变量能够较好解释中小企业入职公平性的变异特征。

表2 普通静态回归结果

注：*、**、***分别代表在10%、5%、1%水平下显著，下同。

由固定效应回归结果可知：核心解释变量AI招聘工具应用深度系数为0.412，在1%水平下显著为正，表明AI招聘工具的普及应用能够显著提升中小企业入职公平性；人力资源规范化水平系数为0.358，同样呈现显著正向影响，规范的人力资源管理制度能够配合AI工具发挥公平赋能作用。控制变量中，企业数字化水平、政策扶持力度、人才供给水平均显著正向影响入职公平性；行业竞争程度系数显著为负，过度的行业竞争会促使中小企业为压缩成本简化招聘流程，加剧招聘不公。

（二）门槛效应检验

为验证AI招聘工具对入职公平性的非线性门槛特征，本文采用Bootstrap自抽样法（重复抽样500次）对单一、双重、三重门槛效应进行显著性检验，检验结果如表3所示。

表3 门槛效应Bootstrap检验结果

由检验结果可知，单一门槛效应F值为42.58，在1%水平下显著，双重门槛、三重门槛效应均不显著，说明AI招聘工具对中小企业入职公平性的影响仅存在单一门槛效应，不存在多重门槛特征。

进一步测算门槛估计值及95%置信区间，结果如表4所示。AI招聘工具应用深度的门槛估计值为0.528，95%置信区间为[0.521,0.534]，置信区间范围较窄，门槛估计结果精准有效。

表4 门槛估计值与置信区间

（三）单一门槛模型参数估计

基于确定的单一门槛值，对门槛模型参数进行回归估计，不同门槛区间内AI招聘工具对入职公平性的影响系数如表5所示。

表5 单一门槛模型回归结果

根据回归结果可知，AI招聘工具对中小企业入职公平性的正向影响存在显著的门槛跃升特征。当AI招聘工具应用深度低于门槛值0.528时，AI的影响系数为0.326，在1%水平下显著为正，此时浅层化的AI应用仅能小幅改善招聘公平现状，仅能替代基础简历筛选工作，无法彻底消解人工偏见与算法隐性歧视；当AI招聘应用深度突破0.528的门槛值后，影响系数提升至0.489，公平赋能效果显著增强。

究其原因，低应用深度阶段，中小企业仅简单套用AI招聘工具，未结合企业岗位特征优化算法模型，系统仍依托传统招聘数据训练，固化了历史招聘歧视，公平提升效果有限；当应用深度突破阈值后，企业实现AI招聘全流程覆盖，通过算法优化、数据迭代、人工复核机制规避算法偏见，充分发挥标准化、去主观化的技术优势，大幅降低身份歧视、主观筛选带来的入职不公问题。同时，人力资源规范化、数字化转型等配套条件进一步放大了AI招聘的公平赋能效应。

（四）区域异质性分析

为探究不同区域的差异化特征，本文将28个省份划分为东部、中西部两大区域，分别开展门槛效应检验与回归分析，探究区域异质性特征，门槛检验结果如表6所示。

表6 分区域门槛效应检验结果

由表6可知，东部、中西部地区均仅存在显著的单一门槛效应，双重、三重门槛均不显著。进一步测算各区域门槛值与回归系数，结果如表7、表8所示。

表8 分区域门槛回归结果

从区域结果来看，东部地区门槛值（0.586）显著高于中西部地区（0.473），且各区间AI的影响系数均大于中西部地区，呈现出“高门槛、高赋能”的特征。东部地区中小企业数字化基础好、制度体系完善，对AI招聘工具的适配性、精细化应用要求更高，只有达到更高的应用深度，才能彻底规避算法偏见，实现公平赋能最大化；而中西部地区中小企业数字化转型滞后，人力资源管理制度不完善，较低的AI应用门槛即可实现基础的公平优化效果，但整体赋能上限低于东部地区。

从提升幅度来看，东部地区AI系数提升幅度（0.161）大于中西部地区（0.161），表明东部地区AI招聘的边际公平赋能效应更强，区域数字化、制度、人才资源的优势形成良好配套支撑，能够充分释放智能化招聘的公平价值。

五 结论与启示

（一）研究结论

本文基于2019-2024年我国28个省份中小企业面板数据，以AI招聘工具应用深度为门槛变量构建面板门槛模型，实证探究AI招聘工具对中小企业员工入职公平性的非线性影响与区域异质性，主要研究结论如下：

第一，整体层面，AI招聘工具应用、人力资源规范化水平均对中小企业入职公平性存在显著正向影响，企业数字化水平、政策扶持、人才供给能够协同提升入职公平水平，而过度行业竞争会抑制入职公平性提升。

第二，AI招聘工具对入职公平性的影响存在显著的单一门槛效应，门槛值为0.528。在低应用深度区间，AI招聘仅能小幅改善入职公平现状；突破门槛值后，AI招聘的公平赋能效果显著跃升，技术标准化、去主观化的核心优势充分释放。

第三，存在显著的区域异质性，东部地区门槛值更高、赋能效果更强，呈现高门槛高回报特征；中西部地区门槛阈值更低，但整体公平赋能上限不足，区域资源禀赋与制度环境的差异导致AI招聘的落地效果存在明显分化。

（二）实践启示

基于上述研究结论，为规范中小企业AI招聘应用、提升入职公平性、消解招聘歧视，提出以下对策启示：

第一，分层推进AI招聘工具深度应用，突破公平赋能门槛。中小企业需摒弃浅层化、工具化的AI应用模式，结合自身岗位特征优化AI招聘算法模型，迭代更新招聘训练数据，规避历史数据固化的算法偏见，推动AI招聘从简单筛选向全流程标准化、公平化管控转型，确保AI应用深度突破最优门槛值，充分发挥技术的公平赋能作用。

第二，完善人力资源配套制度，强化协同赋能效果。中小企业需同步完善招聘管理制度、算法审核机制、人工复核机制，构建“AI智能筛选+人工监督复核”的双重招聘体系，弥补AI算法的公平性缺陷。通过规范化的制度约束，规范智能化招聘流程，从制度层面杜绝各类隐性招聘歧视。

第三，因地制宜制定区域差异化发展策略。东部地区中小企业可依托数字化优势，深化AI招聘精细化应用，打造智能化公平招聘示范模式；中西部地区需优先补齐数字化、制度短板，加大政策扶持力度，降低中小企业AI转型成本，稳步提升AI招聘应用深度，逐步缩小区域入职公平差距。

第四，健全行业AI招聘公平监管体系。相关部门需出台AI招聘算法规范标准，建立算法偏见筛查、动态审核机制，严厉打击依托AI工具实施的隐性招聘歧视，规范中小企业智能化招聘行为，全方位保障劳动者平等入职权益。