人工智能技術會促進代際收入流動嗎？
——基于CFPS數據庫的經驗證據

趙 賀 董直慶 錢圓圓

一 引言與文獻述評

“普惠”和“共享”理念的普及與深入，引發社會各界對收入不平等問題的關注。中國經濟高速增長帶來城鄉收入穩步提升的同時，伴隨而來的收入差距問題不容忽視。根據國家統計局公布的數據，自2003年以來我國基尼系數一直在0.46的水平之上，在全球范圍內屬于基尼系數較高的國家之一。以人工智能為代表的新興技術在生產中的廣泛應用，可能會重塑勞動力市場需求結構與收入分配格局，同時使父代與子代之間收入流動性發生新變化。因此，學者們研究的熱點由收入分配靜態不平等問題，開始轉向代際收入流動的動態不平等。代際收入流動性是指家庭中子代收入水平所處層級相對父代所處層級的可變化程度。事實上，適度的收入流動性能夠煥發勞動力市場活力，提高勞動者人力資本投資積極性，激勵勞動者通過個人努力，積累更多的財富并逐步進入更高的收入層級。

關于代際收入流動的研究主要包括：代際收入流動性傳導機制、代際收入彈性、代際收入流動的變化趨勢以及國別比較等方面。代際流動早期研究可追溯到1979年，Becker和Tomes(1979)[1]構建代際收入傳遞模型，建立代際傳遞和收入分配的均衡理論，測算得出美國代際收入彈性系數處于0.2的較低水平，即美國的代際收入流動性較強，擁有較高的社會公平性。Solon(1992)[2]運用美國多年面板追蹤數據，指出以往估計代際收入彈性存在偏差，運用父母終身收入的多年平均值來衡量父輩收入，并使用工具變量解決由父輩和子輩收入共同影響因素所導致的內生性問題，測得代際收入彈性為0.3。由于代際收入傳遞模型中的收入是指持久收入，但持久收入數據難以從調研數據中獲取，所以學者開始根據可獲得數據運用新指標來測度代際收入流動性。Dahl和DeLeire(2018)[3]運用代際收入秩關聯系數，即子輩收入排序和父輩收入排序的關聯系數來刻畫代際收入流動性。代際收入秩關聯系數實質上是運用子輩與父輩持久收入的排序情況去測度代際收入流動性，從而解決了直接使用持久收入測度代際收入流動性所導致的偏差問題。我國學者也針對中國國情對代際收入問題進行了大量研究：一方面，探討中國代際收入流動的測算問題。方鳴和應瑞瑤(2010)[4]利用CGSS數據和CHNS數據，測得中國2005年的代際收入彈性系數為0.57，即我國父輩與子代的代際收入具有較強相關性。劉李華和孫早(2022)[5]基于CGSS數據和CHIP數據測算得出中國代際收入彈性約為0.46，且代際收入流動性沒有表現出惡化趨勢。另一方面，分析中國代際收入彈性的變化趨勢。何石軍和黃桂田(2013)[6]基于2000年、2004年、2006年和2009年CHNS數據測算出中國代際收入流動性呈上升趨勢。陽義南和連玉君(2015)[7]利用2006年、2008年、2010年、2012年CGSS和CLDS混合橫截面數據研究得出中國代際收入彈性呈下降趨勢。胡霞和李文杰(2022)[8]利用CHARLS數據和CHIP數據，運用雙樣本兩階段最小二乘法，發現中國代際收入流動性呈先增后減，其后又緩慢增大的時間趨勢。

那么，影響代際收入流動的因素究竟有哪些？分析已有文獻發現，影響代際收入流動的因素主要為以下四種：人力資本投資、先天條件、財富資本和社會環境變化。Mayer和Lopoo(2008)[9]基于美國各州財政教育支出數據，對人均財政教育支出水平進行分組，研究發現相較于人均財政教育支出較低的組，人均財政教育支出水平較高組別的代際收入彈性高出0.17。王學龍和袁易明(2015)[10]實證研究發現教育水平對代際收入流動具有顯著負向影響。部分文獻從先天基因的角度探討代際收入流動的變化。Das和Sjogren(2002)[11]運用224個家庭樣本數據，包括114個生物學家庭(父子關系為基因遺傳學中的血緣父子關系)和109個領養家庭(父子關系不是血緣父子關系)，且領養家庭的父母特征和生物學家庭十分相似，對比研究生物學家庭和領養家庭發現，生物學家庭中子代的收入水平很大程度上取決于他的基因構成。還有文獻從資本視角研究代際收入流動的變化。陳琳和袁志剛(2012)[12]基于中國家庭收入調查數據(CHIPS)研究發現，財富資本、人力資本和社會資本能夠解釋60%以上代際收入流動的變化，即子代的經濟收入水平主要取決于代際財富轉移的多少。也有文獻從社會環境變化的角度分析代際收入流動性。社會環境的變化是指社會制度的進步以及社會經濟發展所處階段的變遷等。孫三百等(2012)[13]研究戶籍制度對代際收入流動的影響，發現相比于未遷移者，遷移者的代際收入彈性更大，即戶籍制度的存在對代際收入向上流動產生了不利影響。Fan(2016)[14]基于1995年和2002年CHIP數據庫研究中國經濟轉型期的代際收入傳遞及其傳導機制，發現在中國經濟轉型期前，對低于平均收入水平家庭代際收入傳遞貢獻最大的是父輩工作單位所有權性質，而對高于平均收入水平家庭代際收入傳遞貢獻最大的是家庭所擁有的社會資本；在中國經濟轉型期后，處于平均收入水平以下家庭的父輩對子代的教育投資加大，使得代際收入向上流動，而平均收入水平以上家庭主要通過家庭所擁有的社會資本來提升子代收入水平。

近年來，技術進步對勞動收入不平等的影響也受到研究者的關注。Autor et al.(2017)[15]運用企業層面數據分析發現，技術進步對企業的影響具有異質性，技術進步對“超級企業”具有選擇性偏好，由于“超級企業”的勞動工資增長率低于企業利潤增長率，從而降低勞動收入份額。Acemoglu和Restrepo(2018a)[16]研究發現，機器人技術一方面會產生替代效應，使得勞動者工資下降；另一方面會帶來生產率效應，對勞動收入產生正面影響，兩種效應共同作用于勞動收入份額并最終對其產生負向影響。Graetz和Michaels(2018)[17]基于跨國樣本研究認為人工智能技術屬于要素擴展型技術，對勞動收入份額的影響取決于資本與勞動的替代彈性。國內部分學者也對技術進步的收入分配效應進行了探討。王林輝等(2018)[18]構建農業和非農業兩部門模型，基于技術進步視角，研究發現有偏型技術進步對勞動收入份額的影響具有產業效應和結構效應，且有偏型技術進步可以解釋1/3～1/2的勞動收入份額變化。郭凱明(2019)[19]通過建立多部門動態一般均衡模型，發現人工智能技術對要素收入分配格局的影響取決于人工智能技術與傳統生產方式替代彈性的大小。

就本文研究所及，僅有少量文獻直接探討人工智能技術對代際收入流動的影響，如Sachs和Kotlikoff(2012)[20]研究發現機器人應用使得家庭收入能力和儲蓄能力下降，進而降低家庭對技能學習和物質資本的投入，導致下一代成員收入降低，且這種不利影響具有代際傳遞性。Jansson和Karabulut(2021)[21]研究自動化程度提升對家庭金融財富的影響，認為機器人應用加大了部分勞動者的失業風險，使其風險承擔能力下降，影響其金融投資決策，并在長期降低其金融收入，即在工作中接觸機器人更多的家庭積累的家庭財富更少，這種減少家庭金融財富的影響具有代際傳承性，造成家庭代際收入向下流動。實際上，人工智能技術與歷次工業技術革命中的蒸汽、電氣以及信息技術一樣，屬于通用目的技術，對生產生活的各個領域都會產生影響(Agrawal et al.，2019)[22]。一方面，人工智能技術是信息技術發展的高階產物，以機器設備為載體，區別于一般的技能偏向型技術進步，人工智能技術能夠直接替代部分勞動崗位，不僅體力勞動者甚至腦力勞動者都有被替代的風險(Frey和Osborne，2017)[23]，同時，人工智能技術的應用也會衍生出新崗位，如人工智能技術訓練員等(Acemoglu和Restrepo，2019)[24]。王林輝等(2022)[25]基于中國勞動力動態調查數據，應用機器學習模型測算得出中國19.05%的勞動就業被人工智能技術替代的風險較大，且職業替代風險的高低與任務屬性密切相關。Acemoglu和Restrepo(2018b)[26]運用內生任務模型推導得出，自動化技術發展會催生新興就業崗位，且新興就業崗位與技能水平較高的勞動力更加匹配。另一方面，人工智能技術作為通用目的型和平臺型技術，不僅具備崗位更替的效應，還在更大范圍對勞動力遷移產生影響，當勞動者面臨人工智能技術的沖擊時，勞動力遷移是使勞動者重新獲得就業崗位、勞動力市場再次歸于均衡的重要推力(Faber et al.，2022)[27]。陳媛媛等(2022)[28]基于中國人口普查微觀數據和工業機器人數據，發現伴隨人工智能技術推廣，中國勞動力出現遷移行為，即工業機器人應用會影響勞動力空間配置。

總體看來，現有文獻多關注代際收入流動的影響因素，但缺乏從人工智能技術角度研究代際收入流動性問題的文獻。因此，本文基于2010—2016年間四次中國家庭追蹤調查(CFPS)數據，構建父輩和子代收入百分位階層來測度代際收入流動，探討人工智能技術對代際收入流動性及流動方向的影響，從代際職業流動和勞動力遷移兩個方面分析人工智能技術影響代際收入流動的作用機制，并在個體特征和地區特征兩個維度下，從個體家庭教育背景、個體性別、個體戶籍、地區市場化水平、地區知識產權保護程度和地區財政教育支出水平六個方面，進一步探討人工智能技術對代際收入流動的異質性影響。相比已有文獻，本文的主要貢獻如下：第一，與現有研究多采用代際收入彈性指標刻畫代際收入流動不同，本文采用子代收入和父輩收入所處百分位階層來準確衡量代際收入流動性，并探究人工智能技術對代際收入流動方向的影響。第二，基于Python網絡爬蟲技術，通過搜索相關關鍵詞獲取人工智能專利數量，能夠更為精準地衡量人工智能技術發展水平。第三，從代際職業流動和勞動力遷移兩個方面，探究人工智能技術與代際收入流動之間可能的傳導途徑。剩余內容結構安排如下：第二部分為計量模型構建、指標設計與數據來源說明；第三部分為實證檢驗結果分析；第四部分為人工智能技術對代際收入流動的傳導機制檢驗；第五部分為進一步分析；第六部分為結論與政策啟示。

二 計量模型構建、指標設計與數據來源說明

(一)計量模型構建

構建如下Probit模型檢驗人工智能技術對代際收入流動性的影響：

imijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(1)

upimijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(2)

downimijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(3)

其中，下標i、j、t分別表示個體、地區、時間。式(1)用于檢驗人工智能技術是否會引發代際收入流動，被解釋變量imijt為代際收入流動性，是一個二值變量，當子代收入與父輩收入屬于不同分位數等級時取值1，當子代收入與父輩收入屬于相同分位數等級時取值0。式(2)和式(3)用于探究人工智能技術導致代際收入流動的方向。其中，式(2)用于檢驗人工智能技術是否會導致代際收入向上流動，被解釋變量upimijt用于衡量代際收入向上流動，當子代收入分位數等級高于父輩時取值為1，低于和等于父輩時取值為0；式(3)用于檢驗人工智能技術是否會導致代際收入向下流動，被解釋變量downimijt用于衡量代際收入向下流動，當子代收入分位數等級低于父輩時取值為1，而高于或等于父輩時取值為0。aijt為核心解釋變量人工智能技術，用人工智能專利數量衡量。Zit為個體層面的控制變量，包括子代的年齡、年齡的平方、健康狀況、受教育程度，以及父輩的年齡、年齡的平方、受教育程度。Cjt為地區層面的控制變量，包括地區經濟發展水平、教育規模、產業結構和對外貿易水平。γj為地區固定效應，ηt為時間固定效應，εijt為隨機誤差項。

(二)指標設計

1.核心變量指標設計

(1)代際收入流動(imijt)。為衡量代際收入流動性及代際收入的具體流動方向，本文借鑒Ahsan和Chatterjee(2015)[29]的思路，將子代收入和父輩收入按照百分位劃分為十個等級，若子代所處收入百分位等級與父輩不相同，則發生代際收入流動，否則為代際收入未流動。同時，若子代所處的收入百分位等級高于父輩，則為代際收入向上流動(upimijt); 若子代所處的收入百分位等級低于父輩,則為代際收入向下流動(downimijt)。

(2)人工智能技術(aijt)。借鑒Popp(2002)[30]的做法，運用與技術相關的專利數量來衡量技術進步，本文運用人工智能專利數量(rpatent)測度人工智能技術這一指標。人工智能專利數量采用Python網絡爬蟲技術，在中國專利數據庫中搜索關鍵詞獲取人工智能的相關專利數據，再整理歸類到地區層面。此外，本文運用各地區人工智能企業數量的對數(lnind)作為人工智能技術的替換指標，地區層面的人工智能企業數量是在“天眼查”數據庫中運用關鍵詞搜索和提取方法整理得到。

2.控制變量

個體層面。子代年齡(age)，由問卷中“請問您的出生日期(年)”這一問題計算得到。子代健康狀況(health)，由問卷中“您認為自己的健康狀況”這一問題的回答得到，回答“非常不健康”則取值為1，“不健康”取值為2，“比較不健康”取值為3，“一般”取值為4，“健康”取值為5。子代受教育程度(edu)，以問卷中“個人最高學歷”這一問題的回答轉換為受教育年限來衡量，文盲/半文盲的取值為0年、小學為6年、初中為9年、高中/中專/技校/職高為12年、大專為15年、大學本科為16年、碩士為19年、博士為23年。在模型中不僅控制子代的年齡，也控制了父輩的年齡，這樣可以削減年齡增加導致收入增加的效應(Blanden，2013)[31]。父輩年齡(fage)，由問卷中“父親年齡”這一問題整理得到。陳琳和袁志剛(2012)[12]的研究表明父親的受教育程度可以反映家庭資本對子代收入的影響。因此，本文也引入父輩的受教育程度(fedu)作為控制變量，以問卷中“父親最高學歷”問題的回答轉換為受教育年限后衡量，具體轉換取值與子代受教育年限轉換相同。

地區層面。控制省級層面各特征對代際收入流動的影響，具體包括：經濟發展水平(rgdp)，用各省級地區人均生產總值來測度。教育規模(sedu)，以各省級地區每萬人在校大學生數衡量。產業結構(industry)，以各省級地區第二產業產值占GDP的比值來測度。對外貿易水平(rfdi)，以各省級地區外商實際投資額的人均值衡量。

(三)數據來源及數據處理說明

本文所用人工智能專利數據是使用Python網絡爬蟲方法，通過搜索人工智能相關關鍵詞，在中國專利數據庫中爬取得到，再將其歸類到省級層面。依據《國家新一代人工智能標準體系建設指南》展示的人工智能技術框架，進行Python網絡爬蟲時所選關鍵詞包含：智能傳感器、智能芯片、機器學習、視覺識別、圖像識別、語音識別、神經網絡、類腦智能運算、智能機器人、新型人機交互等。地區控制變量數據來自《中國統計年鑒》以及各地區統計年鑒。所用微觀數據來源于中國家庭追蹤調查(CFPS)，該項目由北京大學中國社會科學調查中心實施，是涵蓋全國25個省(自治區、直轄市)的連續性調查項目。為滿足本文研究變量的選取條件，使用2010、2012、2014和2016共四個年份的調查數據組合而成的混合截面數據。對CFPS原始數據進行如下處理：首先，將“父親個人問卷中對應的樣本編碼”與“個人id編碼”相匹配，得到子代信息和與之對應的父輩信息樣本。然后，鑒于本文研究的問題，篩選出包含子代與父輩收入、年齡、健康狀況、受教育程度、職業等信息的已配對樣本。最后，剔除父親已去世以及缺失所需關鍵變量數據的樣本。最終得到有效樣本18486份。相關指標的統計特征描述如表1所示。

表1 主要變量描述性統計結果

三 實證檢驗結果分析

(一)基準回歸

表2為人工智能技術對代際收入流動影響的基準回歸結果。列(1)和列(2)為采用Probit模型的回歸結果，列(3)和列(4)為采用Logit模型的回歸結果。其中，列(1)和列(3)未加入地區層面的控制變量，而列(2)和列(4)為考慮地區層面相關控制變量后的回歸結果。可以發現，人工智能技術對代際收入流動性的影響均顯著為正，說明人工智能技術能夠促進代際收入流動性的增強，即人工智能技術能夠很好地緩解代際收入固化的問題。

表2 基準回歸：代際收入流動性

(續上表)

表2說明人工智能技術能夠促進代際收入流動性的增強，下面進一步探討人工智能技術是促進代際收入向上流動還是向下流動。表3為人工智能技術對代際收入流動方向影響的回歸結果，列(1)—列(4)為采用Probit模型的結果，且在列(2)和列(4)中加入地區層面控制變量，列(5)—列(8)為采用Logit模型的結果，且在列(6)和列(8)中加入地區層面控制變量。結果表明，人工智能技術對代際收入向上流動的影響均顯著為正，說明人工智能技術水平較高地區相對于人工智能技術水平較低地區，子代實現收入階層高于父輩收入階層的概率更大。此外，人工智能技術對代際收入向下流動的影響為負，說明人工智能技術抑制了子代收入向下流動。總的來說，人工智能技術使得子代相比于父輩實現收入階層躍升的可能性增大。

表3 基準回歸：代際收入流動方向

(續上表)

(二)穩健性檢驗

為檢驗基準回歸結果是否穩健，此處采用從“天眼查”數據庫中整理獲取的各地區人工智能企業數量的對數值(lnind)作為人工智能技術的替換指標。具體的穩健性回歸結果見表4，列(1)—列(3)為Probit模型的回歸結果，列(4)—列(6)為Logit模型的回歸結果，可知人工智能技術對代際收入流動性的影響均顯著為正，表明人工智能技術促進代際收入流動性的增強。同時，人工智能技術對代際收入向上流動具有顯著正向影響，而對代際收入向下流動具有顯著抑制作用。這與基準回歸結果一致，再次驗證了前文結論。

表4 穩健性檢驗

(續上表)

(三)內生性檢驗

考慮到人工智能技術與代際收入流動之間可能存在互為因果關系，這是因為地區人工智能技術的研發和推廣會增加對高技能勞動力的需求，在一定程度上提高高技能勞動力的工資水平，而高收入的高技能勞動者往往更符合人工智能技術對相應人才的需求，高技能勞動者又能夠促進地區人工智能技術水平的進一步提升。由于在模型中無法控制住同時影響人工智能技術和代際收入流動的全部變量，存在諸如個體先天稟賦、地區優勢等難以控制的遺漏變量。因此，本文參考Acemoglu和Restrepo(2020)[32]的思路，采用美國工業機器人滲透度(robosmo)作為人工智能技術的工具變量，具體按照式(4)進行計算。

(4)

其中，robosmojt為美國工業機器人滲透度，Pjc2005為j地區c行業的就業人數與全國c行業總就業人數的比值，robotct為美國c行業工業機器人安裝數量，laborj2005為j地區的總就業人數。借鑒Autor和Dorn(2013)[33]的思路，對變量Pjc2005和laborj2005采用滯后五年的取值來衡量。

以測算出的美國工業機器人對中國的滲透度作為中國人工智能技術水平的工具變量。從工具變量的相關性角度分析，依據中國機器人產業聯盟(CRIA)數據，在2020年中國工業機器人的累計銷量中，外資品牌的工業機器人占據70%以上，說明我國工業機器人應用仍然以進口為主，即其他國家的工業機器人產量會影響到我國工業機器人進口安裝數量。由于美國人工智能技術在全球居于領先水平，且工業機器人作為人工智能技術的重要載體，美國工業機器人數量可以部分反映中國人工智能技術的變化情況，即用美國工業機器人滲透度作為中國人工智能技術發展的工具變量滿足相關性假設。從工具變量排他性角度分析，美國工業機器人滲透度作為美國人工智能技術的測度指標，不會對中國代際收入流動產生直接影響，只能通過向中國出口機器人的渠道作用于中國人工智能技術，進而影響中國代際收入流動，即工具變量的選擇滿足外生性條件。

由于完全外生且相關的工具變量通常難以獲得，僅使用一種工具變量較難讓人信服，因此，本文進一步選取1984年固定電話人均擁有數(histel)作為工具變量來佐證結論的可信度。從工具變量相關性來看，人工智能技術是基于超大量數據資源運行并結合學習策略以實現智能化應用，而數據資源的采集和處理工作均建立在互聯網絡的基礎之上，即信息基礎設施水平對人工智能技術研發和推廣具有重要影響。從工具變量的外生性來看，自1976年第一根光纖應用以來，我國信息基礎設施歷經數十年的發展，過往年份的信息基礎設施水平對勞動者收入的直接影響已微乎其微，只能通過影響當前的人工智能技術水平來作用于勞動者收入水平，滿足工具變量外生性條件。本文借鑒黃群慧等(2019)[34]的研究，選取《中國城市統計年鑒》中1984年各地區固定電話人均擁有數來衡量歷史信息基礎設施水平，并構造1984年固定電話人均擁有數與時間趨勢的交互項(histel)作為工具變量。

IV-Probit模型回歸結果如表5所示。列(1)—列(4)是運用美國工業機器人滲透率(robosmo)作為工具變量的結果，其中列(1)為第一階段的回歸結果，表明美國工業機器人滲透率對中國人工智能技術產生正向作用；列(5)—列(8)是運用1984年固定電話人均擁有數(histel)作為工具變量的結果，其中列(5)為第一階段的回歸結果，表明我國1984年固定電話人均擁有數對人工智能技術具有正向影響。由于工具變量第一階段回歸F統計量均大于其臨界值，表明本文選取的兩個工具變量均與人工智能技術存在強相關性，排除弱工具變量的問題。列(2)—列(4)和列(6)—列(8)分別為兩個工具變量的第二階段回歸結果，可知無論以美國工業機器人滲透率還是以1984年固定電話人均擁有數作為工具變量，人工智能技術對代際收入流動性、向上流動、向下流動的影響均顯著，且回歸系數符號與基準回歸一致，佐證了基準回歸結果的可信度。

表5 內生性檢驗

四 傳導機制檢驗

前文分析發現人工智能技術會提升代際收入流動性并推動代際收入向上流動，那么，人工智能技術通過何種路徑對代際收入流動產生影響？本部分嘗試探討人工智能技術影響代際收入流動的機制。

(一)人工智能技術促進代際職業流動

人工智能技術的研發和推廣大大提升技能職業對相關勞動力的需求。個人收入與個人職業密不可分，個人職業類型對代際收入流動性具有決定性影響，因此，代際職業地位變動是人工智能技術影響代際收入階層變動的一個途徑。要獲取代際職業流動情況，就需要對各職業社會地位進行評分，目前被廣泛應用的國際社會經濟地位指數(ISEI)，是根據職業屬性，計算每種職業實際平均工資和所需受教育程度加權平均后的取值。根據張延吉等(2019)[35]的研究，ISEI評分中科學研究類、醫療類、高管類和法務類的職業評分較高，而農業類和服務業類的職業評分較低，較符合我國就業實際情形，故本文選取ISEI指數對各職業社會經濟地位進行評分。此外，本文所用CFPS數據庫中，對職業的編碼方法為國標碼，而ISEI評分與國際標準職業分類ISCO編碼一一對應，故本文先將CFPS數據庫中各職業的國標碼轉換為ISCO編碼，進而得到各職業的ISEI評分。因此，當子代職業社會經濟地位評分與父輩職業社會經濟地位評分屬于不同分位數等級時取值為1，屬于相同分位數等級時取值為0，從而獲得代際職業流動(om)虛擬變量的取值，構建的中介效應模型如下：

omijt=α+δ2aijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(5)

imijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(6)

upimijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(7)

downimijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(8)

表6為代際職業流動這一傳導機制的回歸結果。列(1)和列(2)為式(5)的回歸結果，可知無論是否加入地區層面控制變量，人工智能技術對代際職業流動的影響均顯著為正，即人工智能技術會使代際職業流動性增強。列(3)為式(6)的回歸結果，加入代際職業流動變量(om)后，人工智能技術的系數相比于基準回歸結果(表2)有所減小，由0.6606下降至0.2941，表明人工智能技術通過促進代際職業流動進而影響代際收入流動。列(4)和列(5)分別為式(7)和式(8)的回歸結果，可知在加入代際職業流動變量(om)后，相比于基準回歸結果(表3)，人工智能技術對代際收入向上流動和向下流動的影響依然顯著，且系數絕對值均有所下降，表明人工智能技術通過促進代際職業流動，進而促進代際收入向上流動。

表6 傳導機制檢驗(1)

(二)人工智能技術促進勞動力遷移

孫三百等(2012)[13]認為相比于未遷移人群，遷移人群代際收入向上傳遞的可能性更大。人工智能技術的推廣與應用是否會促使勞動者向生產率水平更高地區遷移？那么，生產率水平更高地區的勞動者工資水平應該更高，勞動力遷移就會提升子代相對于父輩的收入。因此，本文只保留有遷移歷史的樣本數據，將子女現住地與出生地不同時取值為1，反之為0，從而獲得勞動力遷移(move)虛擬變量數據，構建如下中介效應模型進行分析：

moveijt=α+δ2aijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(9)

imijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(10)

upimijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(11)

downimijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(12)

表7為人工智能技術通過促進勞動力遷移這一傳導機制作用于代際收入流動的回歸結果。列(1)和列(2)為式(9)的回歸結果，人工智能技術對勞動力遷移變量的影響顯著為正，即在人工智能技術水平更高的地區，發生勞動力流動的可能性更大。列(3)為式(10)的回歸結果，表明相較于基準回歸結果(表2)，加入勞動力遷移變量(move)后，人工智能技術對代際收入流動性的影響下降為0.4459，證明人工智能技術是通過促進勞動力流動進而影響代際收入流動性。進一步地，列(4)和列(5)分別為式(11)和式(12)的回歸結果，表明加入勞動力遷移變量(move)后，人工智能技術對代際收入向上流動和向下流動的影響依然顯著，且較基準回歸結果(表3)系數絕對值均有所下降，證明了人工智能技術通過促進勞動力遷移，進而對代際收入向上流動產生正向影響。

表7 傳導機制檢驗(2)

五 進一步分析

人工智能技術對代際收入流動性的影響是否存在異質性？本部分按照個體特征和地區特征兩個維度，分別從個體家庭教育背景、個體性別、個體戶籍、地區市場化水平、地區知識產權保護程度和地區財政教育支出水平六個方面進一步分析人工智能技術對代際收入流動的異質性影響。

(一)個體家庭教育背景

家庭教育背景反映一個家庭的知識文化底蘊，父輩良好的教育水平能夠為子代提供較好的生活和教育條件，耳濡目染的家庭文化氛圍也對子代的擇業和收入產生深刻影響。因此，人工智能技術對代際收入流動性的作用是否因個體家庭教育背景的不同而有所差異？本文取問卷中“父親最高學歷”和“母親最高學歷”中的學歷較高者，按照學歷水平將樣本劃分為家庭教育程度較低、家庭教育程度中等和家庭教育程度較高三組。具體地，將父輩最高學歷為文盲/半文盲、小學的個體劃分為家庭教育程度較低，將父輩最高學歷為初中、高中/中專/技校/職高的個體劃分為家庭教育程度中等，將父輩最高學歷為大專、大學本科、碩士、博士的個體劃分為家庭教育程度較高。具體回歸結果見表8。列(1)和列(2)為家庭教育程度較低樣本組的回歸結果，可知人工智能技術對家庭受教育程度較低群體的代際收入向下流動具有顯著抑制作用，但對其代際收入向上流動并無顯著影響。列(3)和列(4)為家庭教育程度中等樣本組的回歸結果，可知人工智能技術對家庭受教育程度中等群體的代際收入向上流動具有顯著促進作用。列(5)和列(6)為家庭教育程度較高樣本組的回歸結果，可知人工智能技術對家庭受教育程度較高群體的代際收入向上流動和向下流動均無顯著影響。

表8 分組檢驗：個體家庭教育背景

(二)個體性別及戶籍

本文按照問卷中個體對性別及戶籍的回答，將樣本劃分為男性樣本組和女性樣本組，以及非農戶樣本組和農戶樣本組，進行分組檢驗，具體回歸結果如表9所示。列(1)和列(2)為男性樣本組的回歸結果，列(3)和列(4)為女性樣本組的回歸結果，可知人工智能技術顯著促進了男性的代際收入向上流動，同時抑制男性的代際收入向下流動，但人工智能技術并未對女性的代際收入流動方向產生顯著影響。列(5)和列(6)為非農戶樣本組的回歸結果，列(7)和列(8)為農戶樣本組的回歸結果，可知人工智能技術能夠促進非農戶個體代際收入向上流動，并抑制其代際收入向下流動，而對農戶個體的代際收入向上流動和向下流動均無顯著作用。

表9 分組檢驗：個體性別及戶籍

(三)地區市場化水平

一般而言，市場化程度較高地區的要素配置效率較高，為人工智能技術的研發與推廣創造了有利的市場環境。人工智能技術對代際收入流動性的影響是否因地區市場化水平的高低而有所不同？本文按照樊綱等(2011)[36]的方法測度市場化指數，將樣本按照市場化水平取值的前1%—30%、31%—70%、71%—100%劃分為市場化水平較低、中等和較高三組，具體回歸結果如表10所示。列(1)和列(2)為市場化水平較低樣本組的回歸結果，列(3)和列(4)為市場化水平中等樣本組的回歸結果，列(5)和列(6)為市場化水平較高樣本組的回歸結果，可知人工智能技術對市場化水平較低和中等地區個體代際收入流動的影響均不顯著，而對市場化水平較高地區個體的代際收入向上流動具有顯著促進作用，并抑制市場化水平較高地區個體的代際收入向下流動。

表10 分組檢驗：地區市場化水平

(四)地區知識產權保護程度

本文采用地區人工智能專利數衡量人工智能技術，專利數與地區知識產權保護程度密切相關，因此，在不同知識產權保護程度的地區，人工智能技術對代際收入流動的影響是否不同？本文參考許春明和單曉光(2008)[37]對知識產權保護程度的測算方法，將樣本按照知識產權保護程度取值的前1%—30%、31%—70%、71%—100%劃分為知識產權保護程度較低、中等和較高三組，以分析不同知識產權保護程度下人工智能技術對代際收入流動的異質性作用，具體回歸結果見表11。列(1)和列(2)為知識產權保護程度較低樣本組的回歸結果，列(3)和列(4)為知識產權保護程度中等樣本組的回歸結果，列(5)和列(6)為知識產權保護程度較高樣本組的回歸結果，可知人工智能技術發展對知識產權保護程度較高和中等地區個體的代際收入向上流動具有顯著正向影響，并對知識產權保護程度較高地區個體的代際收入向下流動具有抑制作用，而對知識產權保護程度較低地區個體的代際收入向上流動和向下流動均無顯著影響。

表11 分組檢驗：地區知識產權保護程度

(五)地區財政教育支出水平

教育投資是勞動者收入水平的重要影響因素，而地區財政教育支出水平直接反映了該地區對教育的重視程度和財政教育投資情況。本文按照各地區一般公共預算支出中的教育支出水平取值的前1%—30%、31%—70%、71%—100%，將樣本劃分為財政教育支出水平較低、中等和較高三組，以探討不同財政教育支出水平下人工智能技術對代際收入流動的異質性作用，具體回歸結果見表12。列(1)和列(2)為財政教育支出水平較低樣本組的回歸結果，列(3)和列(4)為財政教育支出水平中等樣本組的回歸結果，列(5)和列(6)為財政教育支出水平較高樣本組的回歸結果，可知人工智能技術對財政教育支出水平較高和中等地區個體的代際收入向上流動具有促進作用，并對財政教育支出水平較高地區個體的代際收入向下流動具有抑制作用，而對財政教育支出水平較低地區個體的代際收入向上流動和向下流動作用均不顯著。

表12 分組檢驗：地區財政教育支出水平

六 結論與政策啟示

本文基于2010、2014、2016和2018年的CFPS數據，以人工智能專利數表征地區人工智能技術水平，運用Probit模型和Logit模型分析人工智能技術對代際收入流動性及流動方向的作用，并探究人工智能技術影響代際收入流動的傳導機制和異質性。結果顯示：人工智能技術能促進代際收入流動性的增強并進一步促進代際收入向上流動，這一結果在用人工智能企業數量衡量地區人工智能技術水平時仍然成立。傳導機制分析發現，一方面人工智能技術增加對高技能勞動力的需求，使得子代所從事職業的社會評分高于父輩職業的可能性增大，即人工智能技術通過促進代際職業向上流動，使得代際收入向上流動；另一方面人工智能技術促進勞動力流動，而勞動力流動為子代收入階層高于父輩收入階層創造了條件和可能性，促進代際收入向上流動。進一步分析發現，人工智能技術對代際收入流動性的作用因個體的家庭受教育背景、性別、戶籍以及地區的市場化水平、知識產權保護程度、財政教育支出水平而異。具體地，人工智能技術對家庭教育程度中等人群的代際收入向上流動具有促進作用，而對家庭教育程度較低和較高人群的代際收入向上流動作用不顯著；人工智能技術發展促進男性和非農戶群體的代際收入向上流動，而對女性和農戶群體代際收入向上流動的影響不顯著；人工智能技術顯著促進了市場化水平較高地區、知識產權保護程度中高地區、財政教育支出水平中高地區個體的代際收入向上流動。

由結論得到的政策啟示為：(1)鑒于人工智能技術對代際收入向上流動具有促進作用，政策制定部門應加大對人工智能技術及相關產業發展的支持力度，為促進子代相對于父代收入躍遷營造良好的政策環境。(2)人工智能技術對家庭教育程度較低、女性和農戶群體的代際收入向上流動沒有顯著影響，故而應繼續加大教育投資規模，推進教育公平，并關注勞動力市場的弱勢群體，使其在就業機會和薪酬上享有同等權利。(3)人工智能技術對代際收入向上流動的積極作用在市場化水平較高、知識產權保護程度較高和財政教育支出水平較高地區具有顯著的作用，因此，應繼續深入推進市場化改革、完善知識產權保護體系并加大財政教育支出水平，充分釋放人工智能技術促進代際收入向上流動的紅利。