人工智能技術(shù)對制造業(yè)資本溢價(jià)與技能溢價(jià)影響的區(qū)域異質(zhì)性研究

魏 巍

（嘉興南湖學(xué)院，浙江 嘉興 314000）

一、引言

勞動(dòng)收入是國民總收入的重要組成部分，是逐步實(shí)現(xiàn)全體人民共同富裕的重要內(nèi)容。黨的二十大報(bào)告指出，要不斷提高最低工資水平，這是擴(kuò)大勞動(dòng)收入在初次分配中的比重的制度安排。報(bào)告還提出，鼓勵(lì)勤勞致富，也是強(qiáng)調(diào)勞動(dòng)的重要性以及勞動(dòng)收入的重要性。這是基于我國勞動(dòng)收入份額占比偏低的現(xiàn)狀提出來的。自20 世紀(jì)90 年代以來，中國勞動(dòng)收入份額出現(xiàn)下降趨勢。資本溢價(jià)和技能溢價(jià)等問題開始成為國內(nèi)外學(xué)術(shù)研究的熱點(diǎn)。伴隨著人工智能的發(fā)展，資本溢價(jià)和技能溢價(jià)問題逐漸變得尖銳起來，這在發(fā)達(dá)國家的經(jīng)濟(jì)發(fā)展中尤其突出。多數(shù)學(xué)者的研究證實(shí)人工智能的發(fā)展更加有利于資本和部分高技能勞動(dòng)者，會(huì)加大勞動(dòng)收入的不平等（Acemoglu 和Restrepo，2018；王林輝等，2022）。美國的統(tǒng)計(jì)數(shù)據(jù)顯示，自動(dòng)化和人工智能的應(yīng)用使得美國的勞動(dòng)收入份額自1929 年開始下滑，最大跌幅高達(dá)8.71%（Sebastian，2017）。在經(jīng)濟(jì)快速發(fā)展的10 個(gè)擴(kuò)張階段，美國前10%的人口收入份額占比持續(xù)增加，從早期的20%上升到120%，后90%的人口收入份額占比持續(xù)下跌，勞動(dòng)收入分化明顯，技能溢價(jià)凸顯（Pavlina，2014）。作為科技革命的最新物化技術(shù)成果，人工智能的應(yīng)用已經(jīng)在中國呈現(xiàn)出強(qiáng)勁的發(fā)展勢頭，如何在人工智能發(fā)展背景下，優(yōu)化勞動(dòng)收入份額，縮小區(qū)域間收入分配差距是當(dāng)代社會(huì)發(fā)展面臨的重大課題（蒙昱竹等，2022）。制造業(yè)作為拉動(dòng)我國經(jīng)濟(jì)增長的龍頭產(chǎn)業(yè)，首當(dāng)其沖的受到人工智能帶來的影響，尤其是低技能勞動(dòng)崗位在制造業(yè)各行業(yè)中占比較高，人工智能技術(shù)的應(yīng)用所帶來的沖擊更加明顯。因此，我們有必要探求資本溢價(jià)與技能溢價(jià)的形成原因及發(fā)展特點(diǎn)，為我國人工智能的發(fā)展方向提供參考。

綜合國內(nèi)外研究文獻(xiàn)，對于資本溢價(jià)即勞動(dòng)收入份額占比下降的原因，很多學(xué)者從人工智能對勞動(dòng)力就業(yè)影響的角度來回應(yīng)。多數(shù)研究表面，在人工智能發(fā)展的初級階段，自動(dòng)化的應(yīng)用對勞動(dòng)力的替代作用成為發(fā)展的主旋律。大量的低技能勞動(dòng)崗位被自動(dòng)化所取代，導(dǎo)致勞動(dòng)力占比下降，勞動(dòng)收入份額持續(xù)下跌，這種現(xiàn)象在發(fā)達(dá)國家尤為顯著，Richard 和John（2017）的研究報(bào)告顯示，預(yù)計(jì)到2030 年，美國、德國、英國和日本的工作崗位被自動(dòng)化替代的潛在風(fēng)險(xiǎn)將分別達(dá)到38%、35%、30%和21%，甚至有學(xué)者測算的美國人工智能技術(shù)替代水平更高，達(dá)到45%或47%（James 和Michael，2011；Frey 和Michael，2017）。有學(xué)者研究發(fā)現(xiàn)資本份額會(huì)隨著自動(dòng)化水平的提高而不斷增加，原因是自動(dòng)化的大規(guī)模應(yīng)用將導(dǎo)致資本需求的上升，資本的不斷深化積累會(huì)降低勞動(dòng)收入份額，這從側(cè)面解釋了資本溢價(jià)的成因（Acemoglu 和Restrepo，2018；劉鳳良等，2022）。但隨著人工智能應(yīng)用的普及，一些崗位被自動(dòng)化替代的同時(shí)，也會(huì)創(chuàng)造一些新的崗位出來（魏巍，2022），但新崗位需要新技能與之相區(qū)配，會(huì)對人工智能替代勞動(dòng)產(chǎn)生制衡，短期內(nèi)會(huì)有就業(yè)結(jié)構(gòu)的失衡，但長期來看，會(huì)對勞動(dòng)力就業(yè)結(jié)構(gòu)進(jìn)行新的調(diào)整（孫早和侯玉琳，2019；王文，2020）。因此，隨著新崗位的補(bǔ)充，勞動(dòng)收入份額下降的趨勢后期可能會(huì)被人工智能的應(yīng)用所緩解，但勞動(dòng)收入份額的不平等現(xiàn)象可能更加突出（王林輝等，2020）。

對于技能溢價(jià)即高技能勞動(dòng)者收入高于低技能勞動(dòng)者的原因，眾多學(xué)者從不同角度進(jìn)行了研究。Acemoglu（2002）指出偏向型技術(shù)進(jìn)步是導(dǎo)致就業(yè)結(jié)構(gòu)調(diào)整的根本原因，就業(yè)結(jié)構(gòu)的調(diào)整導(dǎo)致高技能勞動(dòng)力需求的增加，進(jìn)而加劇了勞動(dòng)收入的不平等，具體表現(xiàn)為高技能和低技能就業(yè)崗位的增加，中等技能就業(yè)崗位的流失。David 和Olsen（2015）從另一個(gè)角度給出解釋，認(rèn)為自動(dòng)化的應(yīng)用導(dǎo)致低技能勞動(dòng)力實(shí)際工資的停止甚至下降，進(jìn)而拉大了技能溢價(jià)。兩位學(xué)者的共同點(diǎn)是都將技能溢價(jià)歸結(jié)于是技術(shù)進(jìn)步的結(jié)果，但也有學(xué)者認(rèn)為技能溢價(jià)產(chǎn)生的根源是教育的不平等（Arntz et al，2016）。低學(xué)歷勞動(dòng)者往往從事重復(fù)性較強(qiáng)的工作，更加容易被自動(dòng)化所取代，高學(xué)歷勞動(dòng)者從事的工作技能水平更高，不易被取代，且高學(xué)歷勞動(dòng)者的接受能力更強(qiáng)，更容易掌握新的技術(shù)。教育不平等所帶來的影響不僅限于當(dāng)代勞動(dòng)者，往往會(huì)延續(xù)到后代，高學(xué)歷的家庭更容易對子女教育形成天然的優(yōu)勢（杜傳忠和王飛，2015）。

上述成果為本文的研究奠定了基礎(chǔ)，本文的創(chuàng)新點(diǎn)和研究意義體現(xiàn)在：第一，基于偏向型技術(shù)進(jìn)步視角，構(gòu)建資本溢價(jià)和技能溢價(jià)內(nèi)生模型，數(shù)理分析演繹人工智能技術(shù)帶來的影響，根據(jù)推導(dǎo)結(jié)論提出人工智能對資本溢價(jià)和技能溢價(jià)影響及區(qū)域異質(zhì)性的兩個(gè)命題。為人工智能、資本溢價(jià)和技能溢價(jià)的理論研究提供了參考。第二，以制造業(yè)為研究對象，綜合人工智能發(fā)展程度評價(jià)指標(biāo)，將各省份區(qū)分為人工智能先發(fā)地區(qū)和后發(fā)地區(qū)，以四方程標(biāo)準(zhǔn)化供給面系統(tǒng)法測算各省份資本份額、高技能勞動(dòng)份額和低技能勞動(dòng)份額，進(jìn)一步分析人工智能先發(fā)地區(qū)和后發(fā)地區(qū)資本溢價(jià)和技能溢價(jià)的發(fā)展趨勢，探析我國人工智能、資本溢價(jià)和技能溢價(jià)的發(fā)展現(xiàn)狀并初步回應(yīng)兩個(gè)命題結(jié)論。第三，構(gòu)建人工智能影響資本溢價(jià)和技能溢價(jià)的基礎(chǔ)模型和偏效應(yīng)模型，通過實(shí)證檢驗(yàn)對比人工智能先發(fā)地區(qū)和后發(fā)地區(qū)的作用效果，聚焦差異、分析成因，驗(yàn)證命題結(jié)論，最后提出對策建議。

二、作用機(jī)制

（一）基本模型

本文在Acemoglu 和Fabrizio（2001）、Acemoglu 和Autor（2011）基于任務(wù)的理論模型基礎(chǔ)上，設(shè)定最終產(chǎn)品函數(shù)形式為代表i地區(qū)j行業(yè)生產(chǎn)的產(chǎn)品，借鑒Klump et al（2007）應(yīng)用CES（constant elasticity of substitution）生產(chǎn)函數(shù)設(shè)定各行業(yè)產(chǎn)品Yi的形式：

其中：Ki和Li分別為i地區(qū)的資本和勞動(dòng)；AKi和ALi分別為i地區(qū)的資本和勞動(dòng)的技術(shù)效率；σi為i地區(qū)資本與勞動(dòng)的替代彈性，當(dāng)0 ＜σi＜1，表示資本與勞動(dòng)呈現(xiàn)互補(bǔ)效應(yīng)，當(dāng)σi＞1，表示資本與勞動(dòng)呈現(xiàn)替代效應(yīng)。

MTRSKL刻畫資本與勞動(dòng)邊際生產(chǎn)率即邊際產(chǎn)出之比，假設(shè)市場出清，可得：

其中：ri為i地區(qū)的單位資本報(bào)酬；wi為i地區(qū)的單位勞動(dòng)報(bào)酬。MPKi為i地區(qū)的資本邊際產(chǎn)出；MPLi為i地區(qū)的勞動(dòng)邊際產(chǎn)出。

由式（1）和式（2）可得：

其中：αKi和αLi分別為i地區(qū)的資本和勞動(dòng)份額，且αKi+αLi=1。進(jìn)一步可得資本與勞動(dòng)份額的相對比（下稱資本溢價(jià)）：

即資本與勞動(dòng)的相對份額（下稱資本溢價(jià)）受資本與勞動(dòng)的相對技術(shù)效率、資本與勞動(dòng)的要素投入比及替代彈性的影響。

進(jìn)一步地，將L所代表的勞動(dòng)分為高技能勞動(dòng)LS和低技能勞動(dòng)LU，則上述CES 函數(shù)轉(zhuǎn)化為雙層嵌套形式：

其中：ASi和AUi分別為i地區(qū)的高技能和低技能勞動(dòng)的技術(shù)效率；ηi為i地區(qū)高技能和低技能勞動(dòng)的替代彈性。

假設(shè)勞動(dòng)市場出清，高技能與低技能勞動(dòng)邊際產(chǎn)出之比為

其中：wSi為i地區(qū)的單位高技能勞動(dòng)報(bào)酬；wUi為i地區(qū)的單位低技能勞動(dòng)報(bào)酬；MPSi為i地區(qū)的高技能勞動(dòng)邊際產(chǎn)出；MPUi為i地區(qū)的低技能勞動(dòng)邊際產(chǎn)出。參照上述方法，經(jīng)過進(jìn)一步推導(dǎo)，可得：

其中：βSi和βUi分別為i地區(qū)的高技能和低技能勞動(dòng)份額。即高技能和低技能勞動(dòng)的相對份額（下稱技能溢價(jià)）受高技能和低技能勞動(dòng)相對技術(shù)效率、高技能和低技能勞動(dòng)投入比及替代彈性的影響。

（二）引入人工智能技術(shù)的資本溢價(jià)影響模型

最終生產(chǎn)廠商的利潤公示為

其中：Pi為i地區(qū)最終產(chǎn)品的價(jià)格；πi為i地區(qū)的利潤。人工智能技術(shù)的應(yīng)用，短期內(nèi)主要表現(xiàn)為機(jī)器設(shè)備的智能化，大量的資本被應(yīng)用到智能設(shè)備的建造中，并形成對勞動(dòng)力的替代。因此，利潤公示可以表示為

其中：KAi為i地區(qū)人工智能技術(shù)應(yīng)用導(dǎo)致的資本投入增加量；LAi為i地區(qū)人工智能技術(shù)應(yīng)用導(dǎo)致的勞動(dòng)投入減少量，根據(jù)利潤最大化原則，式（9）應(yīng)滿足條件：

式（4）可以表述為

式（11）說明，人工智能技術(shù)的應(yīng)用對資本溢價(jià)的影響取決于要素效率結(jié)構(gòu)、人工智能效應(yīng)和要素投入結(jié)構(gòu)的共同影響。要素效率結(jié)構(gòu)取決于資本技術(shù)效率和勞動(dòng)技術(shù)效率兩個(gè)方面。人工智能技術(shù)的應(yīng)用在資本技術(shù)效率上的體現(xiàn)主要是指人工智能技術(shù)作用于固定資產(chǎn)上加速產(chǎn)出所帶來的資本技術(shù)效率的提升，也就是說企業(yè)引進(jìn)人工智能技術(shù)后，資本與勞動(dòng)相對技術(shù)效率會(huì)趨于上升，即要素效率結(jié)構(gòu)增長。隨著人工智能技術(shù)應(yīng)用的普及，對于勞動(dòng)技能的要求越來越高，倒逼勞動(dòng)技術(shù)效率的提升，要素效率結(jié)構(gòu)上升趨緩甚至?xí)D(zhuǎn)為下降。要素替代效應(yīng)包括資本對傳統(tǒng)崗位勞動(dòng)的替代效應(yīng)和新崗位勞動(dòng)的創(chuàng)新效應(yīng)兩個(gè)方面（魏巍，2022）。人工智能技術(shù)應(yīng)用初期主要體現(xiàn)在對傳統(tǒng)崗位的替代上，此時(shí)大量的勞動(dòng)力被資本替代，要素投入結(jié)構(gòu)呈上升趨勢。隨著人工智能技術(shù)應(yīng)用的普及，一些新崗位逐漸被創(chuàng)造出來要素投入結(jié)構(gòu)呈下降趨勢。眾多經(jīng)驗(yàn)研究表明，我國多數(shù)地區(qū)和行業(yè)的資本和勞動(dòng)之間呈現(xiàn)替代效應(yīng)，即σi＞1（陳汝影和余東華，2020；張鑫宇，2021）。因此，本文提出：

命題1人工智能技術(shù)對資本溢價(jià)的影響表現(xiàn)為先升后降的倒“U”型趨勢，對勞動(dòng)的替代效應(yīng)主要在前期顯現(xiàn)。人工智能技術(shù)普及率低的后發(fā)地區(qū)，資本溢價(jià)呈上升趨勢；人工智能技術(shù)普及率高的先發(fā)地區(qū)，資本溢價(jià)已經(jīng)開始呈現(xiàn)倒“U”型中的下降趨勢。

（三）引入人工智能技術(shù)的技能溢價(jià)影響模型

式（13）說明，人工智能技術(shù)的應(yīng)用對技能溢價(jià)的影響取決于技能效率結(jié)構(gòu)、人工智能效應(yīng)和技能投入結(jié)構(gòu)的共同影響。在人工智能技術(shù)應(yīng)用的初期，最先被替代的是重復(fù)性高、機(jī)械性強(qiáng)的傳統(tǒng)崗位，低技能勞動(dòng)力大幅減少，技能投入結(jié)構(gòu)提升。崗位結(jié)構(gòu)的重組創(chuàng)造了一些新的技能崗位，使得高技能勞動(dòng)效率有所提升。因此技能效率結(jié)構(gòu)提升。由于人工智能技術(shù)普及率較低，往往技術(shù)進(jìn)步較為滯后，高技能和低技能勞動(dòng)之間很大程度上能夠相互替代，即ηi＞1，技能溢價(jià)上升。隨著人工智能技術(shù)應(yīng)用的深入，一些中高技能崗位開始被人工智能所取代，技能投入結(jié)構(gòu)增速趨緩，由于智能設(shè)備效率得到大幅提升，低技能勞動(dòng)效率被迫有所提升，技能效率結(jié)構(gòu)趨于下降，總體來說，技能溢價(jià)增速趨緩。當(dāng)人工智能技術(shù)普及率很高時(shí)，技能效率結(jié)構(gòu)會(huì)顯著提升，技能投入結(jié)構(gòu)變動(dòng)趨于平緩，高技能勞動(dòng)和低技能勞動(dòng)之間界限明顯，二者難以相互替代，即0 ＜ηi＜1，仍表現(xiàn)為高技能勞動(dòng)份額上升。因此，本文提出：

命題2人工智能技術(shù)對技能溢價(jià)的影響表現(xiàn)為替代效應(yīng)和創(chuàng)新效應(yīng)的綜合效應(yīng)。隨著人工智能技術(shù)應(yīng)用普及率的提升，技能溢價(jià)增速呈現(xiàn)高—低—高的“U”型趨勢，總體呈上升態(tài)勢。對于我國來說，人工智能技術(shù)普及率高的先發(fā)地區(qū)開始呈現(xiàn)明顯的上升態(tài)勢，技能溢價(jià)極化態(tài)勢明顯，而人工智能技術(shù)應(yīng)用普及率低的后發(fā)地區(qū)，主要處于“U”型的低谷區(qū)。

參照Klump et a（l2007）的設(shè)定方法，將生產(chǎn)函數(shù)及其一階條件標(biāo)準(zhǔn)化并構(gòu)建四方程標(biāo)準(zhǔn)化系統(tǒng)，利用SUR 模型及可行的廣義非線性最小二乘法對參數(shù)進(jìn)行估計(jì)。

設(shè)定高技能和低技能勞動(dòng)效率的增長率滿足BOX-COX 變換：

四方程標(biāo)準(zhǔn)化供給面系統(tǒng)為

參照式（13）求解思路，可得相關(guān)參數(shù)值。

三、關(guān)鍵指標(biāo)的測算及分析

（一）替代彈性和技術(shù)效率的測算

綜合考慮各項(xiàng)數(shù)據(jù)的可獲得性和連續(xù)性（1993 年后統(tǒng)計(jì)口徑發(fā)生變化），本文選取的研究期間為1993—2019 年，重慶市與四川省數(shù)據(jù)合并。①制造業(yè)產(chǎn)出：最常用的做法是選取增加值作為產(chǎn)出指標(biāo)，為了使結(jié)果更加精準(zhǔn)、消除政府的影響，本文在制造業(yè)增加值的基礎(chǔ)上剔除了生產(chǎn)稅作為產(chǎn)出。對于不能直接獲得制造業(yè)增加值的省份，以制造業(yè)產(chǎn)值占工業(yè)產(chǎn)值的比重為權(quán)重乘以工業(yè)增加值剔除稅金之后的數(shù)額作為制造業(yè)產(chǎn)出；②勞動(dòng)投入：對于制造業(yè)勞動(dòng)投入，以《中國工業(yè)統(tǒng)計(jì)年鑒》中公布的各地區(qū)細(xì)分行業(yè)的從業(yè)人員平均數(shù)加總求得。對于高技能行業(yè)勞動(dòng)投入，分別以國家統(tǒng)計(jì)局印發(fā)的《高技術(shù)產(chǎn)業(yè)（制造業(yè)）分類（2017）》中的高技術(shù)行業(yè)和經(jīng)濟(jì)合作與發(fā)展組織（organization for economic co-operation and development，OECD）標(biāo)準(zhǔn)劃分的高技術(shù)行業(yè)為依據(jù)，匯總兩種標(biāo)準(zhǔn)下高技能行業(yè)的從業(yè)人員平均數(shù)，低技能行業(yè)勞動(dòng)投入以制造業(yè)勞動(dòng)投入減去高技能行業(yè)勞動(dòng)投入來獲取；③資本投入：借鑒魏巍和王林輝（2020）的做法，以1993—2019 年間各省份制造業(yè)投資的平均增長速度來估算1993 年的資本存量。以1993 年為基期，以制造業(yè)固定資產(chǎn)投資額近似固定資本增加額，借鑒張軍等（2004）的做法，求得制造業(yè)各年資本存量；④勞動(dòng)報(bào)酬：以《中國勞動(dòng)統(tǒng)計(jì)年鑒》公布的城鎮(zhèn)單位制造業(yè)從業(yè)人員平均工資與上述制造業(yè)從業(yè)人員平均數(shù)的乘積來表示制造業(yè)勞動(dòng)報(bào)酬，分別以兩種劃分標(biāo)準(zhǔn)下高技術(shù)行業(yè)對應(yīng)的各細(xì)分行業(yè)城鎮(zhèn)單位從業(yè)人員平均工資與各對應(yīng)的細(xì)分行業(yè)從業(yè)人員平均數(shù)的乘積匯總數(shù)作為兩種標(biāo)準(zhǔn)下的高技能勞動(dòng)報(bào)酬。低技能勞動(dòng)報(bào)酬等于制造業(yè)勞動(dòng)報(bào)酬減去高技能行業(yè)勞動(dòng)報(bào)酬；⑤資本報(bào)酬：以《中國統(tǒng)計(jì)年鑒》公布的“收入法”核算的國民經(jīng)濟(jì)組成中的各省份歷年“固定資本折舊”和“營業(yè)盈余”數(shù)據(jù)之和為依據(jù)，除以根據(jù)張軍等的計(jì)算方法得到的以1993 年為基期的各省份資本存量，經(jīng)過平減后可得各省份的資本報(bào)酬率，以各省份資本報(bào)酬率近似替代制造業(yè)資本報(bào)酬率，乘以前述計(jì)算得到的制造業(yè)資本存量即得資本報(bào)酬。上述數(shù)據(jù)均以1993 年為基期進(jìn)行平減，缺失數(shù)據(jù)采用線性插值法補(bǔ)全，數(shù)據(jù)來源于歷年《中國統(tǒng)計(jì)年鑒》《中國工業(yè)統(tǒng)計(jì)年鑒》《中國勞動(dòng)統(tǒng)計(jì)年鑒》《中國固定資產(chǎn)投資統(tǒng)計(jì)年鑒》和各省份統(tǒng)計(jì)年鑒。

分別根據(jù)兩種標(biāo)準(zhǔn)下高技能與低技能的劃分方法，結(jié)合式（15）進(jìn)行測算，得到各參數(shù)值見表1，下標(biāo)為1的結(jié)果是以國家統(tǒng)計(jì)局印發(fā)的《高技術(shù)產(chǎn)業(yè)（制造業(yè)）分類（2017）》歸納的高技術(shù)行業(yè)為依據(jù)測算的結(jié)果，下標(biāo)為2 的結(jié)果是以O(shè)ECD 標(biāo)準(zhǔn)劃分的高技術(shù)行業(yè)為依據(jù)測算的結(jié)果。不難發(fā)現(xiàn)，在勞動(dòng)和資本的關(guān)系上，勞動(dòng)和資本替代率σ、資本平均份額αK在兩種測算方法下的結(jié)果較為相近，體現(xiàn)了測算結(jié)果的穩(wěn)定性。在高技能勞動(dòng)和低技能勞動(dòng)的關(guān)系上，由于第一種高技術(shù)行業(yè)劃分標(biāo)準(zhǔn)的涵蓋面顯著高于第二種標(biāo)準(zhǔn)。因此，第一種結(jié)果下的高技能勞動(dòng)平均份額值βS1均大于第二種結(jié)果βS2，但二者的高技能勞動(dòng)與低技能勞動(dòng)替代率結(jié)果η相差不大、替代方向一致。尤其是多數(shù)人工智能技術(shù)普及率排名靠前的省份高技能勞動(dòng)與低技能勞動(dòng)替代率η＜0，高技能勞動(dòng)與低技能勞動(dòng)呈現(xiàn)互補(bǔ)效應(yīng)，這說明人工智能技術(shù)的應(yīng)用助推了技能勞動(dòng)的極化分工，使得高技能勞動(dòng)和低技能勞動(dòng)之間的替代性越來越弱，根據(jù)參數(shù)結(jié)果可以求得各技術(shù)效率值（限于篇幅，各技術(shù)效率值、技術(shù)效率相對比等結(jié)果省略）。考慮到我國制造業(yè)行業(yè)特色，下文主要參照國家統(tǒng)計(jì)局的劃分方式來界定各指標(biāo)數(shù)值。

表1 1993—2019 年四方程標(biāo)準(zhǔn)化供給面系統(tǒng)回歸結(jié)果核心指標(biāo)

續(xù)表1

（二）資本溢價(jià)和技能溢價(jià)的先發(fā)-后發(fā)地區(qū)對比分析

由于我國人工智能起步較晚，大部分地區(qū)發(fā)展還處于初級階段，為了更直觀的呈現(xiàn)資本溢價(jià)及勞動(dòng)溢價(jià)的變化趨勢，應(yīng)選取我國人工智能技術(shù)普及率高的先發(fā)地區(qū)來分析。由于人工智能技術(shù)發(fā)展并未形成一致的度量標(biāo)準(zhǔn)，本文通過各省份信息傳輸企業(yè)主營業(yè)務(wù)收入占GDP 比重、信息傳輸企業(yè)數(shù)占總企業(yè)數(shù)比重、人工智能企業(yè)分布區(qū)域占比三個(gè)指標(biāo)分別度量，并以綜合排名來確定。見表2，選取三個(gè)指標(biāo)下排名前5 的省份作為我國人工智能技術(shù)普及率高省份的代表，選取排名靠后的5 個(gè)省份作為后發(fā)地區(qū)的代表。圖1 和圖2 刻畫了先發(fā)地區(qū)和后發(fā)地區(qū)的資本溢價(jià)趨勢圖，在研究期間內(nèi)先發(fā)地區(qū)資本溢價(jià)均呈現(xiàn)不同程度的倒U 型態(tài)勢，而后發(fā)地區(qū)主要呈上升態(tài)勢。圖3 和圖4 刻畫了先發(fā)地區(qū)和后發(fā)地區(qū)的技能溢價(jià)趨勢圖，各地區(qū)的技能溢價(jià)均呈上升態(tài)勢，但先發(fā)地區(qū)的上升態(tài)勢更加明顯（其他省份的變化趨勢處于先發(fā)地區(qū)和后發(fā)地區(qū)之間，鑒于篇幅不再闡釋），印證了命題1 和命題2 的推論。

表2 人工智能技術(shù)應(yīng)用普及率高的先發(fā)地區(qū)

圖1 1993—2019 年先發(fā)地區(qū)資本溢價(jià)發(fā)展趨勢折線圖

圖2 1993—2019 年后發(fā)地區(qū)資本溢價(jià)發(fā)展趨勢折線圖

圖3 1993—2019 年先發(fā)地區(qū)技能溢價(jià)發(fā)展趨勢折線圖

圖4 1993—2019 年后發(fā)地區(qū)技能溢價(jià)發(fā)展趨勢散點(diǎn)圖

四、實(shí)證檢驗(yàn)

（一）計(jì)量模型及指標(biāo)選取

為了進(jìn)一步檢驗(yàn)人工智能技術(shù)對資本溢價(jià)和技能溢價(jià)的影響，結(jié)合前述理論推導(dǎo)中式（11）和式（13）的結(jié)論，為減弱異方差的影響，將模型對數(shù)化，構(gòu)建計(jì)量檢驗(yàn)?zāi)Ｐ腿缦拢?/p>

其中：xn為一組控制變量；γ和δ為各變量的作用系數(shù)；u為隨機(jī)誤差項(xiàng)，具體變量的對應(yīng)指標(biāo)、表示方法和描述性統(tǒng)計(jì)參見表1。相關(guān)指標(biāo)均以1993 年為基期進(jìn)行了平減。由于我國沒有專門針對人工智能方面的統(tǒng)計(jì)數(shù)據(jù)，結(jié)合數(shù)據(jù)可得性，選取信息傳輸業(yè)主營業(yè)務(wù)收入與GDP 之比作為替代變量，并用軟件和信息技術(shù)服務(wù)業(yè)收入與GDP 之比進(jìn)行穩(wěn)健性檢驗(yàn)。本文將控制變量界定為產(chǎn)業(yè)結(jié)構(gòu)、傳統(tǒng)行業(yè)自主研發(fā)水平、對外貿(mào)易程度和勞動(dòng)力受教育水平。由于2002 年新《國民經(jīng)濟(jì)行業(yè)分類》國家標(biāo)準(zhǔn)（GB/T4754—2002）推出，部分指標(biāo)僅能獲取2003 年后的數(shù)據(jù)。因此對于實(shí)證檢驗(yàn)的研究期限選取2003—2019 年，由于西藏地區(qū)存在較多數(shù)據(jù)缺失，故面板研究對象剔除西藏地區(qū)。數(shù)據(jù)來源于《中國工業(yè)統(tǒng)計(jì)年鑒》《中國固定資產(chǎn)投資統(tǒng)計(jì)年鑒》《中國勞動(dòng)統(tǒng)計(jì)年鑒》《中國基本單位統(tǒng)計(jì)年鑒》《中國信息產(chǎn)業(yè)年鑒》《中國電子信息產(chǎn)業(yè)統(tǒng)計(jì)年鑒》《中國稅務(wù)年鑒》《中國統(tǒng)計(jì)年鑒》和各省份統(tǒng)計(jì)年鑒，部分缺失數(shù)據(jù)通過擬合得到。各變量的具體描述性統(tǒng)計(jì)如表3所示。

表3 各變量的描述性統(tǒng)計(jì)情況

（二）實(shí)證檢驗(yàn)

參照前文對人工智能技術(shù)應(yīng)用普及率程度的劃分，從先發(fā)地區(qū)和后發(fā)地區(qū)兩個(gè)層面對資本溢價(jià)進(jìn)行回歸（除了先發(fā)地區(qū)的5 個(gè)省份，其余省份差別不大，均歸結(jié)為后發(fā)地區(qū)），結(jié)果見表4。指標(biāo)1 和指標(biāo)2 中各變量的作用系數(shù)大同小異，說明了回歸結(jié)果較為穩(wěn)健。對比先發(fā)地區(qū)和后發(fā)地區(qū)的回歸結(jié)果發(fā)現(xiàn)，先發(fā)地區(qū)的各變量作用系數(shù)均大于后發(fā)地區(qū)，意味著先發(fā)地區(qū)資本溢價(jià)對三個(gè)變量的變動(dòng)更加敏感，這也解釋了為什么先發(fā)地區(qū)資本溢價(jià)的變動(dòng)要先于后發(fā)地區(qū)，引領(lǐng)我國資本溢價(jià)變動(dòng)的趨勢。具體來說，要素結(jié)構(gòu)和技術(shù)效率結(jié)構(gòu)都對技能溢價(jià)形成了顯著的正向影響，這符合前文公式推導(dǎo)的結(jié)論。人工智能技術(shù)普及度對資本溢價(jià)形成影響相對于要素結(jié)構(gòu)和技術(shù)效率結(jié)構(gòu)，作用系數(shù)較小，這說明我國人工智能技術(shù)的普及度較低，還不能形成較大的規(guī)模效應(yīng)，一些學(xué)者也得到了同樣的結(jié)論（趙丹丹和周世軍，2021）。其中，先發(fā)地區(qū)人工智能技術(shù)的應(yīng)用對于資本溢價(jià)的作用呈現(xiàn)負(fù)向影響，說明先發(fā)地區(qū)人工智能技術(shù)在制造業(yè)中的應(yīng)用已經(jīng)在較大程度上提升了勞動(dòng)工資水平，形成了一定的規(guī)模效應(yīng)。控制變量中，產(chǎn)業(yè)結(jié)構(gòu)和對外貿(mào)易程度對技能溢價(jià)形成正向影響，即第三產(chǎn)業(yè)占比的增加和對外貿(mào)易程度的提升均能增加資本溢價(jià)，說明資本在第三產(chǎn)業(yè)中的獲利能力更強(qiáng)，外資的獲利能力更強(qiáng)，基本符合我國國情。自主研發(fā)水平的提升和勞動(dòng)力受教育水平的提升均會(huì)降低資本溢價(jià)，說明二者可能會(huì)通過提升勞動(dòng)技能水平，進(jìn)而提升勞動(dòng)工資水平。其中，先發(fā)地區(qū)自主研發(fā)水平的反向作用系數(shù)明顯大于后發(fā)地區(qū)，這也在一定程度上解釋了隨著研發(fā)水平的提升，先發(fā)地區(qū)資本溢價(jià)增速放緩甚至趨于下降。另外，勞動(dòng)力受教育水平的反向作用系數(shù)要大于自主研發(fā)水平，說明要降低資本溢價(jià)程度，可以重點(diǎn)從提升勞動(dòng)力受教育水平著手。

表4 對資本溢價(jià)影響的回歸結(jié)果

根據(jù)前文理論推導(dǎo)結(jié)果，各省份技能溢價(jià)的發(fā)展趨勢較為一致，但先發(fā)地區(qū)的上升趨勢要更為顯著。表5 中各變量對技能溢價(jià)的回歸結(jié)果顯示，先發(fā)地區(qū)和后發(fā)地區(qū)的作用系數(shù)較為相近，但先發(fā)地區(qū)作用系數(shù)較高，指標(biāo)2 的回歸結(jié)果也顯示各變量作用系數(shù)較為穩(wěn)定。具體來看，技能勞動(dòng)結(jié)構(gòu)、技能效率結(jié)構(gòu)和人工智能技術(shù)普及程度對技能溢價(jià)具有顯著的正向影響，這與前述理論分析結(jié)果一致。其中，技能勞動(dòng)結(jié)構(gòu)的作用系數(shù)最大，技能效率結(jié)構(gòu)和人工智能技術(shù)普及程度的作用系數(shù)較小。控制變量中，產(chǎn)業(yè)結(jié)構(gòu)、對外貿(mào)易程度和勞動(dòng)力受教育水平的提升均會(huì)增加技能溢價(jià)程度，這說明第三產(chǎn)業(yè)中高技能勞動(dòng)投入水平較高，外資更加青睞于高技能投資產(chǎn)品，勞動(dòng)力受教育水平正在逐漸拉開差距，就業(yè)趨勢朝極化方向發(fā)展，與多數(shù)學(xué)者的研究結(jié)論相符（屈小博，2019；孫早和侯玉琳，2019），基本符合我國現(xiàn)實(shí)情況。

表5 對技能溢價(jià)影響的回歸結(jié)果

五、進(jìn)一步討論

根據(jù)理論分析，人工智能技術(shù)的應(yīng)用會(huì)通過作用于要素結(jié)構(gòu)和技術(shù)效率，進(jìn)而影響資本溢價(jià)；通過作用于技能勞動(dòng)結(jié)構(gòu)和技能效率進(jìn)而影響技能溢價(jià)。因此，對于人工智能技術(shù)應(yīng)用帶來的偏效應(yīng)有必要做進(jìn)一步分析。表6 分別對先發(fā)地區(qū)和后發(fā)地區(qū)的資本溢價(jià)影響因素進(jìn)行了回歸分析，模型1 檢驗(yàn)人工智能技術(shù)應(yīng)用通過技術(shù)效率結(jié)構(gòu)對資本溢價(jià)的影響；模型2 檢人工智能技術(shù)應(yīng)用通過要素結(jié)構(gòu)對資本溢價(jià)的影響。總體來看，先發(fā)地區(qū)和后發(fā)地區(qū)兩個(gè)模型的關(guān)鍵指標(biāo)作用存在差異，主要體現(xiàn)在交叉項(xiàng)變量的作用效果上。先發(fā)地區(qū)的模型1 證實(shí)了人工智能技術(shù)的應(yīng)用通過技術(shù)效率結(jié)構(gòu)對資本溢價(jià)形成了負(fù)向作用，產(chǎn)生了抑制資本溢價(jià)的偏效應(yīng)；模型2 證實(shí)了人工智能技術(shù)的應(yīng)用通過要素結(jié)構(gòu)對資本溢價(jià)形成了負(fù)向作用，也產(chǎn)生了抑制資本溢價(jià)的偏效應(yīng)。后發(fā)地區(qū)的模型1 反映了人工智能技術(shù)的應(yīng)用通過技術(shù)效率結(jié)構(gòu)對資本溢價(jià)形成了正向的偏效應(yīng)；模型2 反映了人工智能技術(shù)的應(yīng)用通過要素結(jié)構(gòu)對資本溢價(jià)也形成了正向的偏效應(yīng)，且后發(fā)地區(qū)的作用系數(shù)顯著小于先發(fā)地區(qū)。說明我國先發(fā)地區(qū)的人工智能技術(shù)應(yīng)用效果已初具帶動(dòng)效應(yīng)，在一定程度上提升了勞動(dòng)效率、創(chuàng)造了新的工作崗位。后發(fā)地區(qū)還處于人工智能技術(shù)應(yīng)用的初級階段，規(guī)模效應(yīng)有待提升。

表7 分別對先發(fā)地區(qū)和后發(fā)地區(qū)的技能溢價(jià)影響因素進(jìn)行了回歸分析，模型1 檢驗(yàn)人工智能技術(shù)應(yīng)用通過技能效率結(jié)構(gòu)對技能溢價(jià)的影響；模型2 檢驗(yàn)人工智能技術(shù)應(yīng)用通過技能勞動(dòng)結(jié)構(gòu)對技能溢價(jià)的影響。結(jié)果證實(shí)，先發(fā)地區(qū)和后發(fā)地區(qū)的人工智能技術(shù)應(yīng)用對技能溢價(jià)影響的作用效果類似，即人工智能技術(shù)的應(yīng)用通過技能勞動(dòng)結(jié)構(gòu)對技能溢價(jià)形成了顯著的正向偏效應(yīng)；通過技能效率結(jié)構(gòu)對技能溢價(jià)形成了顯著的負(fù)向偏效應(yīng)，但后者小于前者，總體呈現(xiàn)正向影響。說明人工智能技術(shù)的應(yīng)用已經(jīng)對低技能勞動(dòng)效率產(chǎn)生了一定的拉動(dòng)作用，人工智能技術(shù)在行業(yè)中的發(fā)展開始呈現(xiàn)極化效應(yīng)。

表7 對技能溢價(jià)影響的回歸結(jié)果

六、總結(jié)

作為工業(yè)革命4.0 的主要產(chǎn)物，人工智能技術(shù)在我國的發(fā)展呈現(xiàn)出強(qiáng)勁的增長勢頭，面對全國勞動(dòng)收入水平持續(xù)走低、資本溢價(jià)和技能溢價(jià)日益凸顯的問題，人工智能技術(shù)的應(yīng)用可能會(huì)使勞動(dòng)力結(jié)構(gòu)面臨重組，能否平穩(wěn)的完成新時(shí)期的現(xiàn)代化進(jìn)程、降低可能出現(xiàn)的社會(huì)矛盾是我國政府面臨的重大考驗(yàn)。本文結(jié)合資本溢價(jià)和技能溢價(jià)的內(nèi)生模型，數(shù)理演繹了人工智能技術(shù)對二者的影響，并結(jié)合我國國情提出了兩個(gè)命題：①人工智能技術(shù)對資本溢價(jià)的影響表現(xiàn)為先升后降的倒“U”型趨勢，且后發(fā)地區(qū)資本溢價(jià)呈上升趨勢；先發(fā)地區(qū)資本溢價(jià)呈微降趨勢，全國資本溢價(jià)呈上升趨勢；②人工智能技術(shù)對技能溢價(jià)增速影響呈現(xiàn)高—低—高的“U”型趨勢，總體呈上升態(tài)勢。且先發(fā)地區(qū)和后發(fā)地區(qū)，都表現(xiàn)為高技能勞動(dòng)份額上升，技能溢價(jià)呈現(xiàn)極化態(tài)勢。通過應(yīng)用四方程標(biāo)準(zhǔn)化供給面系統(tǒng)法，選取我國1993—2019 年的省際數(shù)據(jù)，區(qū)分先發(fā)地區(qū)和后發(fā)地區(qū)以走勢圖驗(yàn)證了命題結(jié)論。進(jìn)一步地，對人工智能影響資本溢價(jià)和技能溢價(jià)的直接效應(yīng)和偏效應(yīng)進(jìn)行了檢驗(yàn)，得到結(jié)論：相較于后發(fā)地區(qū)，先發(fā)地區(qū)資本溢價(jià)對要素結(jié)構(gòu)、技術(shù)效率結(jié)構(gòu)和人工智能帶來影響的反應(yīng)更敏感，已經(jīng)進(jìn)入到人工智能發(fā)展新階段；先發(fā)地區(qū)技能溢價(jià)對技能勞動(dòng)結(jié)構(gòu)、技能效率結(jié)構(gòu)和人工智能帶來的影響作用效果更強(qiáng)，技能勞動(dòng)收入極化效應(yīng)均已顯現(xiàn)。控制變量中，傳統(tǒng)制造業(yè)研發(fā)水平的提升和勞動(dòng)者受教育水平的提升均能在一定程度上緩解資本溢價(jià)和技能溢價(jià)的增長。

據(jù)此，本文提出以下政策建議。

一是增強(qiáng)先發(fā)地區(qū)人工智能技術(shù)的傳帶作用，助力后發(fā)地區(qū)降低資本溢價(jià)水平。先發(fā)地區(qū)即人工智能技術(shù)應(yīng)用普及程度較高的地區(qū)已經(jīng)可以借助人工智能技術(shù)對要素結(jié)構(gòu)和技術(shù)效率的影響來緩解資本溢價(jià)的增長甚至開始縮小資本溢價(jià)程度，這對其他地區(qū)形成了很好的示范作用。先發(fā)地區(qū)應(yīng)該發(fā)揮自己的先動(dòng)優(yōu)勢，帶動(dòng)貿(mào)易往來密切地區(qū)及毗鄰地區(qū)的人工智能技術(shù)發(fā)展，擴(kuò)大輻射效應(yīng)，形成聯(lián)動(dòng)影響。后發(fā)地區(qū)應(yīng)該主動(dòng)尋求與先發(fā)地區(qū)加大產(chǎn)業(yè)合作的可能性，提高貿(mào)易往來水平，擴(kuò)大人工智能技術(shù)的應(yīng)用范圍，利用先進(jìn)帶動(dòng)后進(jìn)的傳幫帶模式，提升后發(fā)地區(qū)的人工智能技術(shù)應(yīng)用水平。同時(shí)依托本地現(xiàn)有人工智能技術(shù)應(yīng)用高精尖產(chǎn)業(yè)，開展內(nèi)部的傳幫帶模式，由內(nèi)而外的快速提升人工智能技術(shù)的應(yīng)用普及度，減緩資本溢價(jià)速度，提升科技發(fā)展水平，一舉兩得。

二是重視各地區(qū)低技能勞動(dòng)力技術(shù)效率的提升，緩解技能溢價(jià)差距和降低失業(yè)率。研究結(jié)果表明，無論是先發(fā)地區(qū)還是后發(fā)地區(qū)，人工智能技術(shù)除了自身，還可以通過技能勞動(dòng)結(jié)構(gòu)和技能效率結(jié)構(gòu)對技能溢價(jià)形成影響。雖然人工智能技術(shù)對技能溢價(jià)的總體作用呈現(xiàn)正向影響，但通過技能效率結(jié)構(gòu)對技能溢價(jià)形成的偏效應(yīng)呈現(xiàn)負(fù)向影響。說明各地政府應(yīng)積極提升低技能勞動(dòng)力的技術(shù)效率水平，進(jìn)而提升技能效率水平，緩解技能溢價(jià)的上漲。低技能勞動(dòng)力面臨人工智能技術(shù)的替代作用，短期內(nèi)在人工智能技術(shù)應(yīng)用普及程度還不高的時(shí)候，可以通過提升本崗位的技能水平來避免被替代的風(fēng)險(xiǎn)；但長期來看，隨著人工智能技術(shù)的普及，機(jī)械性強(qiáng)、重復(fù)性高的低技能崗位被替代是大勢所趨，政府應(yīng)引導(dǎo)低技能勞動(dòng)力盡快掌握人工智能發(fā)展所需要的新技能，在新的崗位中提升技能水平，緩解就業(yè)壓力、降低失業(yè)率。

三是大力提升素質(zhì)教育水平，從根源上緩解資本溢價(jià)和技能溢價(jià)水平。關(guān)于技能溢價(jià)的眾多研究中，已有學(xué)者提到教育不平等是助推技能溢價(jià)上漲的根本原因，且這種影響會(huì)持續(xù)到子孫后代。本文的結(jié)論也證實(shí)了同樣的觀點(diǎn)，勞動(dòng)者受教育水平的提升將會(huì)在很大程度上緩解技能溢價(jià)的上漲，是政府應(yīng)重點(diǎn)關(guān)注的作用途徑。但勞動(dòng)者受教育水平的提升并非一朝一夕可以改變的，是需要政府系統(tǒng)謀劃、長遠(yuǎn)規(guī)劃的民生問題。隨著人工智能技術(shù)的不斷普及，高技能勞動(dòng)力將是各企業(yè)爭相的焦點(diǎn)，必須從根本上提升整體國民素質(zhì)，提高受教育水平，才能塑造足夠多的高技能勞動(dòng)力來滿足人工智能發(fā)展所創(chuàng)造的新型崗位，而人工智能的發(fā)展也會(huì)提升社會(huì)的整體國民素質(zhì)，進(jìn)而反哺勞動(dòng)者的技能水平和受教育程度。因此，政府需要在長遠(yuǎn)規(guī)劃中將提升素質(zhì)教育擺到更高的水平，出臺(tái)相應(yīng)內(nèi)培外引的政策，逐步推進(jìn)勞動(dòng)力提升受教育水平。

四是提升傳統(tǒng)制造業(yè)的研發(fā)水平，增強(qiáng)勞動(dòng)力技能，降低資本溢價(jià)和技能溢價(jià)水平。一般來說，傳統(tǒng)制造業(yè)崗位被人工智能技術(shù)所取代的主要原因是傳統(tǒng)制造業(yè)的自主研發(fā)水平較低，尤其我國的傳統(tǒng)制造業(yè)以中低技能的勞動(dòng)密集型產(chǎn)業(yè)為主，這些崗位工作的勞動(dòng)者首當(dāng)其沖的受到人工智能技術(shù)的威脅。如果加大傳統(tǒng)制造業(yè)的研發(fā)投入，將制造業(yè)的價(jià)值鏈提升到較高水平，相應(yīng)的崗位所需技能也會(huì)提升，倒逼勞動(dòng)者提升技能水平，當(dāng)人工智能技術(shù)來襲時(shí)不會(huì)產(chǎn)生大量崗位被替代的情況。一些研究證實(shí)，研發(fā)水平的提升確實(shí)可以在一定程度上抑制資本溢價(jià)或技能溢價(jià)的增長（徐少俊和鄭江淮，2022；魏巍，2021）。長遠(yuǎn)來看，各地政府應(yīng)重視制造業(yè)研發(fā)水平的提升，推動(dòng)制造業(yè)產(chǎn)業(yè)鏈的轉(zhuǎn)型升級。