人工智能驱动的可持续人才管理以保障劳动力稳定:双转型时代中人力资本、技能与员工保留的系统性研究
《Journal of Environmental Management》:AI-enabled sustainable talent management for workforce stability: A systematic review on human capital, skill and retention in the era of twin transition
【字体:
大
中
小
】
时间:2026年07月14日
来源:Journal of Environmental Management 9.2
编辑推荐:
I.G. Ambily Philomina | M. Mary Anbumathy | K.M. Vineeth
印度蒂鲁奇拉帕利巴拉萨迪桑大学附属尼赫鲁纪念学院(自治)商业系,邮编621007
**摘要**
随着企业面临数字化转型与环境可持续性两大挑战,人工智能驱
I.G. Ambily Philomina | M. Mary Anbumathy | K.M. Vineeth
印度蒂鲁奇拉帕利巴拉萨迪桑大学附属尼赫鲁纪念学院(自治)商业系,邮编621007
**摘要**
随着企业面临数字化转型与环境可持续性两大挑战,人工智能驱动的人才管理逐渐成为推动可持续人力资本发展、保障劳动力长期稳定的战略工具。本研究探讨了人工智能驱动的人才管理策略在提升员工参与度与留存率方面的作用,同时促进社会、经济、环境及技术的可持续发展。研究基于Scopus数据库(2005–2025年)采用PRISMA框架,设定明确的纳入与排除标准,通过双重独立筛选(Cohen’s κ=0.76)并运用MMAT方法评估研究质量,以减少选择偏差与重复。研究结果表明,人工智能在将人才管理与以人为中心的包容性方法相结合方面具有巨大潜力,有助于技能发展、产业赋能以及可持续人才保留策略的实现。本文综合了90篇经过同行评审的文章,提出了名为“人工智能赋能的可持续人才管理以提升留存率”的概念框架,其中包括针对不同行业与国家的比较分析,以及为教育工作者、企业决策者及政策制定者提供的分阶段实施路线图,旨在在双重转型背景下,通过实现可持续发展目标如SDG 8(体面工作与经济增长)和SDG 13(气候行动),培育具备韧性的未来型劳动力队伍。
**引言**
人才对于提升生产力、优化劳动力管理、培养未来领导者、辅助现有领导者以及增强劳动力的整体生产力与技能至关重要(Piwowar-Sulej, 2021)。人才管理通过系统地吸引、培养、保留并配置优秀人才,助力员工与企业实现持续的战略成功(Kassem and Ahmed, 2021)。尽管人才管理对吸引、培养及保留人才至关重要,但还需重新审视相关政策以提升员工参与度(Christensen Hughes and Rog, 2008)。据Samanta和Eleni(2021)指出,人才管理能够提升绩效、领导力与技能,而人力资源管理则侧重于通过人力资本实现成功。它通过高效地识别、吸引、招聘、培养及监管员工来提升生产力(?izmi? and Ahmi?, 2021)。人才管理还能通过招聘、培养及战略性劳动力规划,提升绩效、创新能力与品牌价值,同时降低人员流动率(Malik et al., 2021)。高效的人员管理对于吸引、培养及留住优秀人才极为重要(Al-Suraihi et al., 2021)。自麦肯锡提出“人才战争”以来,人才管理已演变为一种灵活的商业策略,旨在在不断变化的企业环境中留住技术娴熟的员工并提升绩效(Karthikvel and Samydoss, 2019)。Hosain等人(2020)认为,信息技术的应用使得电子招聘成为全球现代企业的普遍做法,并带来了诸多益处。因此,将人工智能引入企业需要开展员工培训,以确保在人与机器相互协作的环境中保持工作质量。为维持这一状况,企业必须实施内部与外部数据伦理管控,吸引技术熟练的劳动力,并加强培训资源,以应对日益多样化的需求(Alnamrouti et al., 2022)。1980年后出生的Y世代以其强大的技术技能、职业流动性以及更便捷的信息获取渠道而著称。研究表明,不同代际之间的互动存在紧张关系:千禧一代常认为X世代过于挑剔,而自己则被视作贪得无厌;婴儿潮一代则被认为过度关注工作或不愿适应变化(M. Zhang et al., 2018; Abdul-Rashid et al., 2017; Wijethilake et al., 2017)。在当前人们对人工智能高度关注之前,技术与人力资源管理就已经开始初步结合(Bates and Holton, 1995)。早期研究探讨了计算机化绩效监控,指出了效率提升的同时也存在公平性与员工压力问题,这为后来关于算法监控的讨论奠定了基础。20世纪90年代和21世纪初关于电子人力资源管理(e-HRM)的研究表明,基于网络的平台改变了招聘、评估及人才管理的方式,使人力资源从单纯的行政职能转变为战略职能(Broderick and Boudreau, 1991; Lepak and Snell, 1998; Bondarouk and Ru?l, 2009; Davoudi and Fartash, 2012)。在Zuboff(1985)的基础上,Johnson等人(2012)进一步区分了自动化与信息处理,指出人力资源信息系统不仅降低了交易成本,还提供了更全面的决策数据,为人工智能驱动的劳动力分析奠定了基础。这些早期研究共同勾勒出了从监控与数字化到人工智能强化的人力资源管理的历史发展脉络。在2020年的可持续发展报告中,大众集团强调数字化是其重要推动力,表示将更多运用人工智能来消除单调的行政任务,让员工有更多时间准备最终决策,从而提升工作质量(Asokan et al., 2022)。人工智能算法可监控4000多家供应商,及时提供透明数据,有助于及早发现可持续发展问题,进而降低风险并提高合规性(Asokan et al., 2022)。人力资本是每个组织的重要资产(O'riordan, 2017),也是可持续竞争优势的重要基础(Banmairuroy et al., 2022; Sharma et al., 2025)。可持续人才管理被定义为采取一系列方法与技术,以实现长期的经济、社会与环境目标,同时避免产生不良后果。因此,人力资源在吸引并留住优秀人才方面发挥着关键作用,有助于维持组织的竞争优势(Ray, 2014)。许多企业注重引进新人才,却忽视了对现有员工的激励,导致留存率下降,这对中小企业而言尤为严峻(Ford-Colin, 2022)。人才管理系统必须营造灵活且富有激励性的工作环境,才能吸引那些具备推动组织成功所需才能的员工(Alsakarneh et al., 2024)。社会交换理论认为,将技术娴熟的员工纳入人才管理实践能够提升他们的参与度与忠诚度,因为投入工作的员工会感受到更高的工作热情与归属感,从而提升绩效(Lee et al., 2020)。重视员工参与度的企业能够实现更高的营收增长与绩效表现,因为由动机、挑战、尊严、重要性、参与感与激情所驱动的承诺能够留住顶尖人才并提升整体业绩(Ateeq, 2023; Baker and Clegg, 2023)。本综述将数字化转型定义为引入包括人工智能、HRIS、大数据分析及自动化在内的先进技术,这些技术彻底改变了招聘、绩效评估及劳动力规划等人力资源运作方式(Dahlbom et al., 2020; Banerjee and Sharma, 2024)。绿色转型则指与环境保护目标直接相关的人力资源管理策略,包括提升生态效率、减少碳足迹以及制定注重气候的劳动力政策(Kumar et al., 2025; Faruque, 2025)。双重转型则意味着这两者的融合:数字化进展虽然能够推动可持续发展,但也可能带来一些权衡,比如数字化基础设施所需的能源或资源,这就需要人力资源政策在技术应用与环境目标之间寻求平衡。实证研究也支持这一观点,例如Siedschlag等人(2024)证明了组织中数字技术应用与可持续发展实践之间存在关联,而Montresor和Vezzani(2022)则发现,人工智能驱动的数字化投资显著提升了意大利企业的生态创新能力。随着行业的不断发展,人力资本管理面临的挑战愈发严峻复杂(Hameed et al., 2020)。如果不加以干预,日益扩大的技能缺口可能会进一步恶化,尤其是在人力资源政策不断变化的背景下,劳动力供应也会受到影响。在工业4.0时代,数字化转型重新定义了人力资源的职能,包括招聘、学习、评估及保留,这使得入职、培训及离职管理对于提升效率与技能更新变得至关重要(Agarwal et al., 2022)。近期关于双重转型的系统性文献强调了与数字化与可持续发展整合相关的技能要求与框架,尤其是在制造业与循环经济领域(Lalic et al., 2026; Trevisan et al., 2025; Beducci et al., 2025)。这些研究为数字与绿色的融合提供了重要见解,但大多集中在技能与培训框架上,较少涉及影响员工参与度与双重转型背景下长期留存能力的组织人才管理系统。本系统性综述基于人力资源管理、组织可持续性及员工行为领域的成熟理论,这些理论共同指导了研究主题的确定。以往关于人工智能集成人力资源管理的研究表明,人工智能在基本人力资源任务中的应用可作为重要的战略资产,影响员工体验与劳动力成果(Vrontis et al., 2022)。可持续的人力资源管理实践通过提升公平性、技能获取、效率、负责任的资源利用以及数字适应性,推动社会、经济、环境及技术的可持续发展(Kurniawan et al., 2025)。与此观点相呼应,关于员工参与度的研究也表明,以可持续发展为导向的人力资源政策能够提升有意义的工作体验、心理安全感与信任度,而这些因素都与更高的参与度与留存意愿密切相关(Saks, 2019)。总体而言,这些理论框架为将人工智能驱动的可持续人才管理方法在各种组织环境中应用于提升员工参与度与长期留存能力提供了坚实的基础。关于人工智能在人力资源管理中应用的更多研究显示,人工智能驱动的人才管理方法可作为重要的战略能力,提升组织的长期劳动力价值创造能力(V. Pereira et al., 2023)。系统性证据表明,人工智能在核心人力资源功能中的应用正在重塑人力资源决策与员工体验。当这些实践融入可持续的人力资源管理系统中时,它们能够同时推动社会(公平与包容)、经济(生产力与技能优化)、环境(资源高效的HR流程)及技术(数字适应性)层面的可持续发展(Bakker and Demerouti, 2007; Stoykova and Shakev, 2023)。以往的研究也表明,以可持续发展为导向的人力资源系统能够提升心理安全感与有意义的工作体验,而这些是员工参与度的必要前提(Adegoke et al., 2024)。更高的参与度通常与更强的组织承诺与留存意愿相关,这说明了人工智能驱动的可持续人才管理如何有助于实现劳动力的长期稳定(Stoykova and Shakev, 2023; Taslim et al., 2025)。本研究为人工智能强化的人力资源管理及可持续劳动力成果的相关研究做出了重要贡献。首先,它构建了一个完整的概念框架,阐述了人工智能驱动的人才管理方法如何通过社会、经济、环境及技术等多维度可持续发展途径,影响员工参与度与留存率。其次,本研究通过超越零散的观点,提供系统的综合分析,阐明了人工智能驱动的人力资源实践与长期劳动力成果之间的内在机制。本研究通过基于PRISMA框架对Scopus索引的90篇文章进行系统性文献回顾,并结合双重独立筛选、评分者间信度评估及方法质量评价,确保了研究的严谨性,从而提升了分析的透明度与一致性。最后,通过分析多个行业与情境中的共性模式,本研究增强了人工智能驱动的可持续人才管理在双重转型大背景下的普遍适用性与实际意义。根据联合国2030年可持续发展议程,本研究的结果将人工智能驱动的人力资源管理明确置于双重转型之中,将其与SDG 8(体面工作与经济增长)及SDG 13(气候行动)联系起来(Baharin et al., 2023)。具体而言,人工智能在人力资源管理中的应用通过提升劳动力稳定性、生产力及公平的劳动实践来支持SDG 8,同时通过资源高效且环保的人力资源流程来减少纸张使用与差旅等高碳活动,从而为SDG 13做出贡献。这些关联表明,人工智能驱动的可持续人才管理能够同时推动包容性就业与气候行动的发展。下一节将评述有关人工智能驱动的人力资源管理、可持续人才管理及员工留存率的现有文献,为本研究奠定系统基础,并帮助构建概念框架。
**文献综述**
本节整合了各关键领域的已有研究成果,从基本的人力资源管理理念逐步深入到人工智能的整合、可持续发展层面以及与员工留存相关的理论框架。
**方法论**
本研究对经过同行评审的期刊文章进行了系统性回顾,旨在汇总有关人工智能驱动的人才管理及其对可持续人力资源管理及劳动力稳定性的贡献的信息。为确保研究的透明度与有效性,本研究遵循PRISMA(系统性回顾与元分析首选报告项目)规范。2025年4月15日,我们在Scopus数据库进行了系统性搜索。研究范围涵盖2005年至2025年的文献。
**讨论**
这项系统性文献分析强调了人工智能驱动的人才管理在推动多个行业实现可持续发展中的重要性。人工智能在招聘、培养、员工参与度提升及预防职业倦怠等人力资源功能中的应用,可从多个层面促进可持续发展:在社会层面,通过倡导包容性与员工福祉;在经济层面,通过优化资源利用并降低人员流动率;在技术层面,通过提升适应能力与推动道德创新;在环境层面,通过倡导绿色理念。
**结论**
本研究表明,在数字化与绿色双重转型背景下,人工智能驱动的可持续人才管理对于实现劳动力稳定、提升员工留存率以及增强组织的长期适应能力至关重要。本研究运用PRISMA框架分析了Scopus数据库中的90篇同行评审文章,证明了人工智能的整合如何推动社会、经济、环境及技术的可持续发展,进而提升员工的参与度与准备工作准备程度。
**CRediT作者贡献说明**
I.G.安比莉·菲洛米娜:概念设计、数据整理、正式分析、资金筹措、调查研究、方法论设计、项目管理、资源协调、软件使用、监督指导、结果验证、可视化处理、初稿撰写、审稿与编辑。M. 玛丽·安布马西:项目管理、监督指导、审稿与编辑。K.M. 维尼特:项目管理、监督指导、审稿与编辑。利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢:本研究未获得公共部门、商业机构或非营利组织提供的任何特定资助。