論人工智能技術對于收入分配差距的影響

曹景晟

摘 要：本文利用全球12個國家2002-2017年的面板數據，結合具體行業內工資水平現狀分析，分析了人工智能自動化技術發展對于收入分配差距的傳遞機制，以對庫茲涅茲經濟增長的周期性理論進行驗證。研究表明，人工智能具有短期內減少收入差距的作用，且兼具高效助推經濟增長的生產力效應;但長期內替代效應的發揮及行業內技術壟斷現象的逐步涌現會增大收入不平等，其總體變動規律與倒“U”型曲線相反。通過結構方程模型的構建進一步印證了智能化技術的直接助力需搭配各方面宏觀政策的間接協作，方可完成各行業資源的合理配置及智能化技術與人力的完美對接。

關鍵詞：人工智能;庫茲涅茲曲線;收入分配

一、引言

近年來，人工智能高新技術的迅猛發展推動經濟社會的各領域產生了重大變革，其所對應的技術進步帶動了生產率的極大提高，引發了學術界新一輪的關注。自1956年約翰·麥卡錫等學者所組織的達特茅斯會議將人工智能（Artificial Intelligence，簡稱AI）這一術語引入，以此為源頭而標志著人工智能學科的建立，從而展開對其實踐意義的深入探究。根據麥卡錫的概念界定，人工智能化技術實為一項生產智能化機器，尤其指智能信息化程序的科學工程，其高效運用對于技術革命具備重大意義。聚焦近年來大數據的發展及蔓延、算法與硬件的進步，人工智能所帶動的各行業的技術革新邁入了發展的新高潮。正如Brynjolfsson（2014）所提到，由人工智能自動化、數據化革命等引領的二次機器革命將實現前所未有的技術進步，論及廣度或是深度都要超越以往任何一次科技革命，故其經濟意義不可忽略。且學者Zeira（1998）較早明確關于人工智能技術進步對經濟增長影響的探討實為關于自動化技術革新對經濟增長影響探究的延伸，在此基礎上Autor（2015）便提出設想，若自動化會引致部分勞動力變得多余，則當前核心經濟問題將是分配而不是稀缺。而關于人工智能技術的收入分配效應的研究，Berg et al（2016）從要素占有份額出發，得出智能機器人成本降低及其產出提高會使資本相較于勞動的收入回報率升高，且不同技能水平勞動力替代程度不同也會促使收入進一步分化。Acemoglu & Restrepo（2016）為此將研究視角拉到宏觀經濟周期中去考慮，提出人工智能技術對于收入不平等的影響一方面在其所創造的新型任務崗位中得以弱化，另一方面在其所推動的不同經濟發展階段也呈現出不同特征。而國內學者任恒娜（2019）在對人工智能產業外延及內涵解析后，根據國內人工智能的態勢分析，進一步提出國內人工智能技術尚屬初級階段，且與國際人工智能發展仍在銜接過程中，于是將人工智能發展及其產業化視角置于國際環境內是十分必要的，這對于國內智能化產業與國際接軌具備指導意義。基于此，我們引入Kuznets（1955）宏觀經濟周期性理論，其建立在技術推動傳統產業向現代化產業過渡過程中，不同個體及不同經濟活動周期性變動趨勢的背景下，伴隨經濟增長收入差距表現出倒“U”型變化。以此為視角本文將展開相關實證分析來驗證人工智能自動化背景下其收入分配變動是否仍滿足此周期性變動趨勢。此外引入結構方程模型來考察核心變量與結構性宏觀控制變量對于被解釋變量影響方式的不同，以對人工智能推動自動化變革的背景下所體現出的收入分配效應進行補充說明。

二、文獻回顧

（一）關于人工智能的研究

近年來關于人工智能領域的理論研究取得突破性的進展。從人工智能的整個發展史出發，上世紀中葉，英國數學家圖靈作為科技革命的先驅，使得一批科學家為人工智能這一學科的誕生提供了理論基礎和實驗工具。在1956年夏季，以麥卡賽、明斯基、羅切斯特和申農等為首的一批科學家在達茅斯會議上創立人工智能學科為標志，使得人工智能研究邁進了一個嶄新的時代。其后以馮·諾伊曼等為代表的科學家們試圖通過符號化編程實現人工智能。直至Bellman（1978）及Haugeland（1989）先后指明人工智能旨在創造一種像人類一樣思考的機器。自此，“機器學習”的概念被引入，其作為人工智能的重要學科，卻也是實現人工智能的首要方法（Taddy，2017），其使機器用算法來解析數據，并通過大量數據的學習找出實現任務的方法。國內學者鐘義信（2004）結合相關專著確立了基于高等人工智能理論的科學觀與方法論，建立了“基礎意識-情感-理智”的系統模型，系統定義了現代人工智能技術的相關概念。另一方面，Agion P.et al（2017）在對人工智能的經濟數理模型的構建中，首次明確了人工智能的技術發展實為一種高端的自動化技術革命。進而導致在人工智能化程度的相關測度領域，以Camerer C.F.（2017）為首的一大批行為經濟學家與統計學家為使相關指標與效用測度方便，將“人工智能”與“機器學習”這兩個概念視作等價，以便分析人工智能自動化的相關經濟效應。

（二）關于收入分配問題的研究

收入分配差距問題的引出主要可以追溯到Karl Marx在《資本論》中的理論概述，其首先從要素市場中出發，提出由于勞動被資本所替代而出現的大量“閑置人口”，進而使得貧困率上升。隨后在傳統技術革命下的所誕生的Kuznets（1955）經濟周期下的倒“U”型曲線，則進一步深化了關于經濟增長背景下的資本積累及收入不平等的變化趨勢的認識。以此為基礎衍生出大量對于收入不平等影響因素的探討。其中，Lars Ljungqvist（1993）首次明確了收入分配格局形成中人力資本的重要作用，現期教育投入的增加所帶來的遠期回報，若不足以彌補現期消費的減少，則會產生階層性收入差距。國內學者姜艷鳳等（2019）由此指出，一國消化及吸收高端技術的能力主要受該國內部人力資本水平的直接影響，且在此基礎上明確了人力資本的投入是我國跨越中等收入陷阱的關鍵因素，如何完成人力資本與技術水平的匹配是最首要考慮的問題。另外，在資本主義社會由于存在經濟增長率被資本回報率所超越的現象，進而產生的收入差距拉大，經濟增長進程中的收入不平等得以弱化的倒“U”型變化趨勢便會得不到滿足（Thomas Piketty，2014）。所以引出對不同政策及制度結構背景下收入分配問題的若干研究。李實（1998）及程永宏（2007）先后將我國現階段基尼系數增大的原因歸結于要素分配合法性落實、刺激競爭等相關政策性制度變遷等舉措。進而程強（2019）通過SEM結構方程模型對全球不同國家收入分配及市場狀況進行實證分析，得出在由完善的經濟制度及結構性因素推動的經濟發展水平，將有利于縮小收入不平等。這其中不可忽略的是，學者Acemoglu（2015）在從制度變遷的內生性去分析收入不平等的決定因素時，他提到相關經濟制度、政策性變量以及社會權力階層的分配并非是助成收入分配格局的直接因素，而或是通過稅收、薪酬水平及技術發展水平等若干因素再而影響到收入不平等。

（三）關于人工智能技術的收入分配效應研究

人工智能技術的飛速發展影響著經濟社會的各個層面，理所當然也波及到了經濟學領域。Aghion（2017）首先從自動化的視角入手，提出自動化的程度的提高將引致生產率的增長速度加快及經濟中的資本回報份額提高并引發經濟高速增長，與此帶來的收入分配效應也甚為明顯。他所認為的智能化技術應用背景下“技術偏向型”增長模式，會令高技能工人獲益，而讓低技能的工人受損，伴隨著勞動力替代效應的發揮，導致分配不均。沿此方向發展，Lankisch et al（2017）將自動化引入模型發現自動化引出技能溢出效應，加劇了收入不平等，但Acemoglu & Restrepo（2017b）在前期研究成果上進一步拓展，在模型中引入低技能自動化與高技能自動化，發現人工智能的收入分配效應并不明確，低技能的自動化加劇收入不平等，而高技能的自動化會降低收入不平等。另一方面，從資本與勞動要素市場的角度分析，Hanson（2001）、Benzell（2015）與DeCanio（2016）先后提出理論，由于經濟社會資本分布尤為不均，人工智能作為一項資本密集型產業，會促進生產過程中資本要素回報份額的相對提升，由此產生過高資本報酬加劇了收入分化。此外Hanson（2001）運用經濟增長模型證明，工人的勞動報酬足夠的條件下，經濟增長的速度會決定其工資增長速度，收入不均出現與否在于資本所有者是否獲得更多的勞動報酬。Brynjolfsson et al（2017）又對此理論提出另一方向的思考，自動化除了擠壓普通資本與廉價勞動力，也會使財富流向那些具備創新優勢和市場規模的商業群體，從而可能引發地區壟斷，加劇收入不平等。國內學者姚偉（2018）則對上述兩方面提出總結性的論斷，認為人工智能引致的自動化技術實為科技及資本強者獨占收益的工具，把控人工智能的資本和科技寡頭壟斷一系列生產及市場要素，造成了贏家通吃的狀況。而從就業結構考慮，現代理論模型強調自動化兼具補充人力的補充作用與替代人力的替代作用，Acemoglu & Restrepo（2016）在此基礎上假設勞動力富有彈性并代入任務模型，得出自動化降低傳統任務就業的同時，新任務的增加產生了促進就業的趨勢，反而緩和了勞動市場的收入不均問題。進而Dauth et al（2017）運用近幾年德國的IFR機器人產業報告數據發現，機器人雖減少了制造業的就業，但卻增加了服務業的就業。鮑春雷（2017）從此角度切入提出智能化行業將引導國家相關教育政策的偏移，短期內促進人們知識技術能力的提升，解放了傳統就業勞動者的同時增加了其專事創造性工作的機會，在一定程度上則會緩和收入不平等。

三、理論探究及研究假設

（一）理論探究

綜合當今學術界對于人工智能技術發展的收入分配效應的探究，我們從四方面對其整體理論框架進行分析。其一，Kuznets（1955）經濟增長的周期性理論中曾著重強調由技術創新所引起的結構性收入差距，有學者將其闡釋為優先現代化企業的“領跑”力量及傳統部門的“追趕”力量（邵紅偉，2016），以此進一步明確短期的技術創新及長期的技術擴散都存在助推經濟增長的效用。基于這種技術引入及擴散所導致的經濟周期性波動現象的存在，我們用生產力效應來定義人工智能所推動的技術進步背景下，生產率推動經濟周期性增長，進而波及收入分配領域這一效果的發揮。其二，人工智能技術發展與傳統技術革命一樣，都會引發大量新型任務被開發。且由于技術偏向性效用的存在，導致了部分技能勞動力被替代，我們將其定義為替代效應。二者協同使得市場相關資源進一步集中，從而產生了技術壟斷問題，并對收入不平等進一步影響（杜傳忠，胡俊，2019）。其三，人工智能化變革所帶來的行業間生產方式的轉變，其產生的技能溢價造成了自動化行業中人力使用的減少進而增加了資本回報份額;與此同時，大批非自動化行業成本上升，由于 “鮑莫爾成本病”問題（Aghion et al，2017）的存在，削弱了資本回報率。二者在要素市場上對收入分化起到作用。其四，不可忽略的是非自動化行業中存在勞動密集型產業向資本密集型甚至技術密集型產業轉型升級，且造成了相關人力資源向自動化所衍生的大量新型任務進行配置。伴隨剛剛所提到的替代效應的發揮，共同對從就業結構分析的收入分配問題作出解釋。綜上，從人工智能自動化技術革命出發，歷經四條基本脈絡來對最終的社會整體收入差距進行理論詮釋。其總體傳導機制可由圖1表示。另外涉及到收入分配的類別區分，其中包括了功能性收入分配與規模性收入分配，二者有著緊密且互為補充的關系，我們利用功能性收入分配理論對自動化與收入分配不平等的關系奠定了理論基礎，但為了更直觀的的量化國際民生與收入不均問題，規模性收入分配的引入則更具優勢（胡懷國，2013）。基于此，本文利用2002—2017年全球12個國家的面板數據及相關前沿資料，系統考察全球性人工智能技術革命與收入分配差距之間的關系，以對上述理論分析進行驗證。

圖一 人工智能技術變革與收入分配差距

（二）研究假設

根據上述理論分析，本文提出如下研究假設：

首先，人工智能直接帶動相關自動化技術跨越式發展，對經濟發展產生直接推力。且結合要素配比與就業市場的資源整合，又涉及到人工智能化技術的普及應用存在一定時滯。整體而言會對經濟增長產生周期性的影響。搭配理論界對技術替代效應及生產力效應的類比，從而建立假設1：其他條件不變的情況下，人工智能自動化技術發展對生產力存在短期直接拉動，其所對經濟增長的助推效應此時要超過技術替代帶來的資源失衡。其對收入分配的影響隨經濟周期應呈正“U”變化。

其次，結合傳統技術革命條件下，其引致的人力資本水平的緩慢躍升及地區內技術壟斷勢力的積聚形成，建立理論假設2：人工智能技術長期來看會使人力資源向技術型企業傾斜，從而誕生技術壟斷性企業，加劇收入分化;但整體技術型人力資本水平的上升會減弱此等趨勢。

最后，結合任何技術本身對現有不同收入階層的沖擊，以及若干宏觀經濟變量的相關收入分配效應，有必要對其影響收入分化的方式進行探討。進而建立假設3：人工智能技術所代表的核心變量對于收入差距具備直接作用，而經濟結構性變量對于收入分化存在潛在的間接影響。

四、計量模型與相關指標選取

（一）計量模型設定

為了考察全球化人工智能技術發展與收入分配之間的關系，同時考察自動化推動的經濟發展中，蘊含其中的各國政策導向的教育人力資本作用，以及驗證Kuznets（1955）關于經濟增長與收入分配的倒U型假說，遵照Anneli Kaasa（2005）宏觀性分析及陳志剛（2016）變量選取的相關做法，計量回歸模型形式如下：

[Gini=β0+β1?lnAJit+β2?lnrpctit+β3?lngit+β4?lng2it+β5?lnHit+γCVit+μit]? ? ? ? ? ? ? ? ? ?（1）

式（1）中，下標i和t分別表示某國i第t年的相關指標。本部分的樣本是由2002—2017年全球12個國家（美國、加拿大、中國、俄羅斯、韓國、日本、新加披、英國、德國、法國、意大利和巴西）的上述各項指標組成的面板數據。若模型中待檢驗變量的系數[β3>0]， [β4<0]，則Kuznets（1955）倒U型假說即為成立。

（二）指標選取

Gini：收入分配差距指標。由于學術界對其在描述狀態分布不均等方面的優良性質進行了廣泛論證（周曉桂，2019），故用其作為被解釋變量以代表國際不同國家與地區的收入差距相對貼切。基尼系數值越大，便說明經濟社會整體收入分配的不平等程度越高。

AJ：人工智能技術發展水平指標。鑒于人工智能這一新興產業未出現市場集群化經營或占據一定主導性地位，并且與之產生的數據可得性問題，本部分決定將實證研究重點集中在人工智能中最具代表性的領域。而搜集現有國際上關于人工智能經濟效應的實證文獻，大都廣泛采用工業智能機器人相關指標以刻畫衍生的就業及收入等經濟問題（Acemoglu & Restrepo，2017a）。學者Dauth et al（2017）對其概念作進一步闡釋，工業智能機器人初始為一種面向工業并依靠自身動能及智控能力來完成各項機械任務的自動化機器。而伴隨21世紀信息技術革命的到來，現代化工業智能機器人與人工智能技術便實現了緊密結合，各種感知能力的提升和整體于操作任務環境中的自適應性的進步更使得自動化技術在各產業的應用愈加廣泛和徹底。考慮到本文的數據時間跨度以及當前國際學術界對其代表性的認可，故采取工業智能機器人銷量代表當前人工智能技術發展水平指標。

為了確保實證結果的可靠性，在接下來的實證回歸分析中引入工業智能機器人的產業投融資額AJ1替換上述核心變量，以對相關實證結果所具有的穩健性進行驗證。

rpct：企業技術壟斷水平指標。由經濟學理論，經濟利潤的高低與企業的市場力量密切相關，而人工智能所導致的高新技術壟斷必將導致地區內占據高市場份額的企業獲得巨額利潤，加劇收入分化（Autor，De loecker，2017）。基于技術壟斷性水平差異對收入分配的顯著影響（曾小春、王金龍，2012），本文采取國際PCT專利申請數量國際占比來表示一個國家內部相關企業的市場技術壟斷水平，由于PCT專利申請是由國際認證以代表國家整體產業的自主創新能力，且技術專利多被地區內相關主導企業牢牢把持（曾繁華等，2013），故對技術壟斷具有廣泛意義上的代表性。

G：經濟增長指標。由于國際學者通常利用人均實際GDP來衡量一國經濟發展水平，并用其評定經濟社會總體發展的階段性特征（Deininger and Squire，1998;Barro，2000），本部分也決定采用該指標。而在實證分析中，為消除時間序列數據的異方差特征對實證結果的影響，對人均實際GDP冠以自然對數形式Ln的基本形式。而關注到非線性關系可能存在于經濟發展水平與收人分配之間，故我們在回歸模型中將人均實際GDP自然對數的二次項引入，用以驗證Kuznets假說在各國成立與否。若人均實際GDP自然對數平方的回歸系數小于0且變量顯著，則倒U型假說成立。

H：教育人力資本水平。教育人力資本是由人工智能發展到收入差距傳遞的重要媒介，且眾多研究都表明教育人力資本投資可以有效緩解收入分配的不平等狀況。遵照王云多（2018）對其定義，教育人力資本是由各級各類教育投資獲得的人力資本，是一種最主要的人力資本形式。由于跨國數據搜集的限制，相關企業以及個人的教育投入不可得，且考慮到分析有關收入分配效應時宏觀政策的導向性，所以采取各國政府的教育投入占GDP的比值代表教育人力資本水平，其具備合理性。

CV：控制變量。將一國就業結構、對外開放程度以及財政收支結構這些因素作為控制變量引入回歸方程，考慮其為影響一國宏觀經濟和居民收入的重要因素。其中，sy為就業結構指標，用各國年度失業率來刻畫;ex為對外貿易依存度，用進出口額占GDP的比重表示;cz為財政調控指標，用各國政府財政收入占GDP的比值來衡量。

五、數據來源說明及現狀描述性分析

（一）數據來源處理

人工智能發展指標工業智能機器人銷量、工業智能機器人產業投融資額與PCT專利申請數量占比來自wind數據庫，基尼系數取自國家統計局網站與聯合國數據庫，美國的相關缺失數據由美國中情統計局披露數據補全。另由聯合國數據分析報道，日本與韓國基尼系數平穩，故首尾缺失數據由整體均值補充，間隔數據由前后數值的中位數補齊。教育經費支出數據取自國家同國家統計局網站，部分缺失數據由以上相同方法或由總體變動趨勢補齊。總體GDP與人均GDP數據來自國家統計局網站，以現價進行平減。失業率由《國際統計年鑒》獲取，統一以年末失業率來說明。進出口總額與財政收入來自國家統計局網站，并與總體GDP核算形成對外貿易依存度與財政收入占比的結構型變量。

為了平滑數據，我們對相關數據取了自然對數，以去除經濟時間序列數據異方差的影響。各變量數據的描述性統計由表1所展示。利用該樣本整體數據的描述性統計可觀察到，基尼系數、工業智能機器人銷量、PCT專利申請數量占比、教育人力資本水平以及各結構性變量之間的差異性都較為明顯，這允許我們探究與人工智能發展水平有關的各種可能影響收入差距的因素。

（二）全球人工智能產業發展現狀

由于人工智能產業類別眾多，且由賽迪數據顯示，目前智能化產業主要集中于相關基礎原件設計及機器學習等工業智能化領域。結合相關資料我們將重點放在智能化機器人這一核心產業，對此進行相關統計。由圖2可以看出，全球機器人市場規模不斷擴大，其中工業智能機器人增速穩定且占據了市場主體。此處再次說明了本文選取的工業智能機器人指標代表人工智能整體發展水平的合理性及代表性。

資料來源：IFR，中國電子學會整理

圖五 2017年全球主要國家工業智能機器人銷量分布

基于當前各國數據調查及數據可得性原因，在此利用全球2017年工業智能機器人銷量作為指標，選取了12個產銷量及產值額較高的國家作為代表，其分別為美國、加拿大、中國、俄羅斯、韓國、日本、新加披、英國、德國、法國、意大利和巴西。結果如上圖所示，由各國家工業智能機器人銷量分布可以看出，其在全球產業分布相對均勻且廣泛，尤其以美洲、亞洲以及歐洲為產業發展的主要區域，近年來尤以中國及美國的人工智能產業最為迅猛。基于該數據統計進一步明確了當今全球人工智能產業代表性國家，并再一次說明在全球人工智能產業區域化與新興產業化的背景下，用跨國數據進行實證分析的合理性及必然性。

（三）人工智能相關行業收入水平分析

圖三 我國制造業平均工資增幅與工業增加值同比增速對比

圖四? 2010-2017年全球工業智能機器人售價總體變動趨勢

資料來源：IFR，中國電子學會整理

根據國際機器人聯合會的報告，自 2013年始我國逐步躍升至全球工業智能機器人第一大市場的位置，以制造業為產業核心的“機器換人”需求旺盛，預計仍將保持快速增長，我們可以制造業的工資水平現狀來分析其相關經濟性。

其一，經濟性拐點臨近。圖中數據顯示，我國制造業整體平均工資水平保持高速增長態勢，2010年至2016年表現出12.3%的年復合增長率;反之，全球以工業智能機器人為核心的相關自動化設備均價卻逐年下降，其價格自2012年攀至峰值后逐漸回落。伴隨著機器人自身的穩定性、精準性、高效性逐漸被認可，其對體力勞動者的替代作用也在日漸顯現，以其替代效應的發揮為經濟效用的拐點已然出現。

其二，促進產業轉型。機器人逐漸將一些勞動密集型行業中的技能型工人取代，這也同樣標志著相關產業逐步完成自勞動密集型發展向資本密集型發展的模式轉換。整體產業的產能由于自動化機器設備的引入而得到改善，伴隨著產品質量的提升及生產周期的大為縮短等經濟效益的出現。而一些暫時無法實行自動化的勞動密集型企業，也會由于資本成本的上升而擴大生產，以減少失業。

其三，滲透率穩步提升。根據BCG的行業統計數據，如今將近10%左右的工業制造任務由智能化機器人所承擔及創造，且到2025年時其行業滲透率將躍升至25%。此外配備工業智能機器人后的勞動力成本也會由于所處行業的差異，產生不同程度的下降，全球平均值預估將下降 16%左右，而對于中國來說預計下降幅度略高，約至18%。因而深化機器人應用的滲透率有利于用工成本的下降。此外在勞動力受教育水平整體提升的背景下，初始階段機器人只會針對部分熟練工人操作的任務予以替代，此時工人則完全可以去執行相對復雜的加工任務。

以上是對當今人工智能化時代中的經濟發展現狀作簡要描述分析，其再次佐證了模型核心變量設置的合理性，并為我們利用跨國面板數據對人工智能與收入分配之間關系作進一步的實證性研究奠定了現實基礎，并賦予了一定的實踐意義。

六、實證檢驗結果

（一）總體回歸結果分析

表4模型組內自相關與組間異方差、同期相關檢驗結果

[檢驗對象 Greene檢驗 Wooldridge檢驗 LM檢驗 Chi統計量 P值 F統計量 P值 LM統計量 P值 （1） 358.39 0.0000 36.119 0.0003 94.007 0.0000 （2） 882.91 0.0000 35.960 0.0003 61.958 0.0046 （3） 190.78 0.0000 44.127 0.0002 76.753 0.0001 ]

在驗證人工智能與收入分配差距關系的過程中，我們選擇在此模型中逐漸引入控制變量的方法，以最終確認人工智能發展、技術壟斷及經濟增長等對于居民收入差距的作用程度。首先由面板數據類別選定長面板的估計策略，并考慮到誤差項可能存在異方差與自相關，我們根據模型設定把數據分作三組，（1）組變量包括lngini、lnaj、lnrpct、lng、（lng）2，（2）組變量加入lnh，（3）組加入控制變量lnsy、lncz、lnex。對其分別進行組內自相關與組間異方差、同期相關的檢驗，檢驗結果如表4給出。

由于面板數據檢驗結果均強烈的拒絕原假設，故決定首先采用最具效率的全面GLS估計。又由于國家個體n相對于年數t較小，為把控可能存在的固定效應，本部分運用LSDV法加入了個體虛擬變量，而對于時間效應，則加入時間趨勢項進行控制。總體回歸結果由表5模型（1）（2）（3）給出。

在模型（1）的初步回歸中，僅引入了人工智能發展水平及經濟增長兩個指標以大體判斷人工智能技術進步對于收入差距的作用。實證結果由表6顯示。其中lngini的系數為負，意味著人工智能的發展對于收入分配差距存在減弱而不是擴大的作用。這與前文所引用的一部分國際學者的論點是一致的，意即若考量沒有其他資源引進及制度變革的條件下，人工智能與自動化的引入實則降低了收入不平等。作為一種新型的技術革命，人工智能所起到的作用其實為一次外生技術沖擊，它的引入將現代部門“領跑”及傳統部門“追趕”的時限大大降低（邵紅偉，2016），其高效性表現在短時間內大批創造性崗位的涌現及工人新任務的被開發，局部及短暫的收入分配差距易被一系列經濟效益所淡化。但是據此推斷只僅僅關注了人工智能這一單一變量的收入分配效應，其所引致的技術替代本來就是一個緩慢的過程，需往下進一步探究。其次，lnrpct的系數為正，表示技術壟斷水平的提升將會縮小收入差距。這與國內外眾多學者的結論是相同的，至于人工智能產業是否也具備一定的地區壟斷性，我們需根據最終趨勢對比來探究。另外，lng的回歸系數為負，而（lng）2為正，且都表現顯著，這與Kuznets倒“U”的變化軌跡不符。對此可以解釋，人工智能的高效應用必然對生產率及經濟增長具備助推效應，二者短期內協同降低了收入差距，但技術創新的普及、擴散依賴于個人能力的進步及制度的完善等條件，故在長期來看，對其忽略可能觸發了經濟增長對于收入不平等推動的拐點。

為了進一步確定人工智能對于收入差距的作用，我們首先將教育人力資本指標引人回歸方程，結果由表6模型（2）給出。模型回歸結果與大多數學者的觀點保持一致，其回歸系數符號為負，這便表明提高工人教育人力資本水平有助于縮小整體收入差距。根據經典理論，一國教育水平的整體提升會加速地區企業人力資本水平的進步，進而該國的總體收入分配狀況應該會得到改善。其次，人工智能的變量指標回歸系數由0.478躍升至0.5341，而技術壟斷變量的回歸系數出現小幅減弱，說明國家對相應教育部門整體投入的背景下，一方面激發了對智能化產業的人力資本構建，另一方面引發了技能化人才的流動，削弱了地區內先進技術企業對于相關人力資源的壟斷，進而抑制了收入不平等。此外經濟增長性指標雖作用方向未發生變動，但已不再顯著。又因技術進步對勞動力的影響并不僅僅依賴于它們作用的部分，而且也與經濟社會中其他因素的調整息息相關（Acemoglu，2017a）。因此，接下來有必要涉及更多角度以探究人工智能對收入的影響。

順應以上分析，為了俘獲單純人工智能發展對收入差距的真實作用，我們繼續引入了對外貿易依存度、失業率以及財政收入結構等變量，以對一些影響收入差距的結構性變量進行控制。結果由表3模型（3）給出。首先各解釋變量的作用方向沒有發生變化，人工智能發展變量及技術壟斷變量均在1%的水平上顯著。經濟增長指標恢復了模型（1）表現的高顯著性。教育人力資本水平依舊和收入分配顯著的負相關，隨著結構性指標的逐級引入，回歸系數無明顯波動。

進一步結合控制變量的回歸結果對模型各解釋變量的總體趨勢進行分析。失業率變量在模型（3）中與收入差距具備一定正相關性，這與學術界總體理論一致，但經濟社會整體技術創新水平的提升，使得就業結構對于居民收入分化的顯著性影響漸弱。此外一國財政收入占比表現不顯著，但可由系數方向大體判斷出與收入不平等呈現負相關。而對外貿易依存度指標與基尼系數表現出顯著的負相關關系，說明其淡化了資本的過分集中的問題，減少了收入分化現象的發生。反觀人工智能自動化程度這一主要解釋變量，自模型（2）至模型（3）財政收入結構指標等控制變量引入，回歸系數表現為遞減態勢，由此我們可以看到技術替代效用的逐漸顯露，進而使人工智能發展對于減少收入不均效用漸弱。另外觀察變量總趨勢，人工智能與技術壟斷兩變量回歸系數的變動存在完全相反的趨勢，說明人工智能產業發展對于壟斷性勢力的形成具有影響，二者對于收入分配存在相反的作用狀態。而對于經濟增長的收入分配效應，總體作用情況并不具備倒“U”型變化，這與學術界對于一般技術變革條件下的結論相反，其中原因恰恰體現在人工智能革命的特殊性，短期內引起生產力大幅提升拉動經濟增長，但長期來看智能型替代效應的發揮，使其所帶動的經濟增長與收入差距存在正相關關系。

（二）穩健性分析

考慮單純利用工業智能機器人產銷量指標進行回歸分析可能會引發偏誤，這便需要對被解釋變量與相關解釋變量之間的關系穩健性進行檢驗。我們在此選擇另一全球通行的衡量人工智能技術發展的指標——工業智能機器人產業投融資額作為核心解釋變量，以考察各解釋變量的作用方向與作用程度。另外由于組內異方差與組間同期相關檢驗均強烈拒絕原假設，普通的固定效應模型有可能存在穩健標準誤問題，為此，使用最為穩健的OLS面板校正標準誤進行估計。回歸結果由表6模型（4）（5）（6）顯示。

與模型（1）（2）（3）的回歸結果對比，主要解釋變量在整體的變動趨勢上并沒有發生變化，其中人工智能化水平lnaj由模型（2）到（3）與模型（5）到（6）皆存在顯著性變弱的趨勢，而技術壟斷水平指標lnrpct整體仍保持較高的顯著性水平。代表經濟增長的兩指標變動方向未發生改變，但總體顯著性從之前回歸中的不確定變至不顯著，回歸系數絕對值的大小仍維持著相同的增減態勢，其變動的不穩定性及前后回歸趨勢上的協同性，庫茲涅茲倒“U”型假說都無法得到支持。由此可以看出，一方面由于人工智能化革命在廣度與深度上表現出與以往的傳統工業化革命不同，且地區、國家之間差異普遍存在，造成經濟上的倒“U”型變動不穩定;另一方面根據Acemoglu & Restrepo引入的兩效應的說法，短期的生產力效應與長期的替代效應并存對應經濟增長的周期性變動，使得其對收入分配差異的影響呈正“U”型。另外值得注意的是，教育人力資本水平在前后回歸中回歸系數都具有減小的走勢，其中伴隨著的是技術壟斷指標回歸系數的大幅躍升，此為教育人力資本分配不平衡現象的主要原因。這種狀況一方面會引發不同行業間收入劇烈分化，另一方面削弱了人工智能的生產力效應，使得lnaj如模型（6）所示喪失顯著性。

模型（6）控制變量失業率的回歸系數變為負值，但由于失去顯著性，我們無法準確判斷其對被解釋變量的真實影響，這與一些研究結論是一致的。因全球不同國家或地區間智能化發展水平和狀態呈不協同現狀，且這種差異性也普遍存在于勞動力市場內部，產出彈性和勞動力供給彈性不完全相同，從而智能自動化背景下就業結構表現出的復雜性，造就了其收入分配效應的不確定性。財政收入水平指標及對外貿易依存度的顯著性進一步增強，更加證實了財政保障政策的傾斜與進出口貿易的扶持會減少收入分化現象的發生。綜上，由于兩種計量方法下，各解釋變量整體表現出的影響程度與變動趨勢相對一致，且對相關理論有了進一步的印證及補充作用，我們可以判斷模型整體穩健。

（三）結構方程模型的構建及分析

結構方程模型主要用來處理復雜的多變量研究數據的探究與分析，本文考慮采用結構方程模型來研究全球化人工智能技術發展與收入分配之間的關系，并量化這種關系。我們基于面板數據的整體回歸得到各變量對于收入差距的影響效果，卻無法以此來判斷核心變量及各宏觀結構型變量影響方式的異同。而結構方程模型的引入在于引入潛變量，其包含相關控制因素，一方面將多個潛在變量及其測量變量置于同一模型中分析，且能夠允許自變量及因變量的測量誤差;另一方面將傳統回歸及路徑分析進行整合以補充和驗證原有經濟理論。

結合研究目的和文獻調研，我們預期的結構模型是：CZ、SY、EX這三個變量通過潛變量F1來間接影響gini，AJ、rpct、g、H這四個變量直接影響gini，具體示意圖如下所示：

通過SPSS AMOS軟件對數據進行分析處理，得到模型的估計結果如下：

[ Estimate S.E. P F1 <--- LNgini -0.373 0.154 0.015 LNCZ <--- F1 1 LNSY <--- F1 0.477 0.251 0.058 LNEX <--- F1 -0.367 0.29 0.205 LNAJ <--- LNgini -1.923 0.5 *** LNrpct <--- LNgini -2.109 0.508 *** LNg <--- LNgini -2.493 0.281 *** LNh <--- LNgini 0.027 0.068 0.687 ]

從以上結構方程模型結果可以得出兩方面結論：

其一，F1的顯著性為0.015<0.05，表示LNCZ、LNSY、LNEX這三個變量通過一個潛變量來間接影響收入分配差距。這說明相關宏觀控制因素對于收入分配存在明顯的間接效應，且各控制變量路徑系數與基本回歸保持大體一致。與之對照，核心解釋變量對于收入差距直接作用，與潛變量間不存在關聯。

其二，由于結構方程模型主要定格于研究整體模型的結構性影響因素，故我們將代表經濟增長周期性變量（lng）2刪去，以考察變量間存在的結構關系。結果顯示LNAJ、LNrpct、LNg的因子得分均為負數，表示這三個因素對于對于收入分配差距存在減弱而不是擴大的作用。尤為值得注意的是人均PCT專利申請數量對收入差距的影響系數轉換為負值，與之表現趨同，教育人力資本水平lnh與被解釋變量變為正相關。這表明，技術壟斷指標需要將技術變革置于一個較長周期中才得以發揮，短期內技術所帶來的市場資源的集中帶來生產上效率的擴大。而排除長期影響后，智能自動化所引發的技術創新對于整體人力結構可能存在負面影響的，這種對人力資本結構的沖擊勢必波及到收入分化。

七、結論及政策建議

（一）結論綜述

基于理論探究、描述性統計及實證研究結果，我們得出結論：人工智能自動化技術創新存在降低收入分配差距的短期效應，其所帶來的新任務創造高效助推了相關勞動密集型產業的轉型升級，也促進了非自動化產業的資源引進，意即智能化行業的進步短周期內所帶來的生產力效應將超過替代效應，達到削弱收入差距的整體效果。但長周期來看，不完全競爭市場內的部分超級企業利用對智能技術及相關專利的壟斷，加速了對市場超額利潤的掠奪，增大了收入不平等。并且在此條件下，國際范圍內Kuznets（1955）關于經濟增長周期性的倒“U”型曲線理論無法得到滿足，究其原因體現在人工智能的技術創新不僅具備傳統信息技術革命技術替代特征，更重要的是其會縮減企業用工成本使得利潤空間快速增大，所以短期助推經濟增長的高效與需要一個長周期的技術替代，造成了完全倒“U”型的變動趨勢不明顯，甚至呈現正“U”型變動。

此外，智能型替代與傳統技術替代不同之處在于其深度與廣度，人工智能利用機器學習可使得自動化進程高級化，甚至達到對勞動力的完全替代。雖然我們利用實證分析沒有明確證實人工智能自動化與收入差距正“U”型變化拐點的到來，但其對收入不均的削弱作用正面臨漸弱趨勢，這足矣表明智能化替代的作用正在發揮。另外著眼于當下經濟形勢，人工智能化技術應用主要集中在第二產業，并以此為基礎向第一及第三產業進行擴散，以此帶動新一輪的產業轉型升級。若以自動化對整體行業進行區分，前期具有激發非自動化行業勞動力高需求的可能性，且帶動了部分勞動力成本上升，后期則勢必受到自動化改造的影響而被迫進行資本和技術密集型的生產。故單單從就業結構角度去分析其收入分配效應，會出現階段及類別復雜化的特征。

結合對結構方程模型的分析，可以看出一國政府政策性舉措對于收入分配存在間接助力的作用。其中財政政策效用決定了一國政府對于經濟社會的宏觀調控力度，遏制了地區內技術壟斷型企業的形成;而政府對于經濟社會總體的教育投入，決定了一國整體的人力資本水平。與面板數據回歸不同的是，結構方程模型從宏觀經濟結構出發剖析出，經濟發展水平水平、技術壟斷及智能自動化發展對收入分化的削弱呈現協同性，此方法拋開周期性而專注于宏觀結構性變化，同時也再一次佐證了原有結論。從整體理論研究結果評價，基于當今人工智能技術革命正處于萌芽階段，本文結合國內外文獻將重點放在人工智能發展階段中最直接影響的自動化領域，且將實證研究視角定位在其所覆蓋的相關工業領域，故希望未來伴隨智能化技術的進一步蔓延應用及學術研究的進一步深入，在整體宏觀經濟性與不同產業間人力資源流動等角度的探究中能有新的突破。

（二）政策建議

（1）專門設立以匯聚新一代人工智能技術型企業為核心的科創板，重點支持高端設備、信息技術及機器自動化等高新技術產業和戰略型新興產業，助推人工智能技術同制造業和某些服務業深度融合。由于當前人工智能技術尚處在初期發展階段，其技術不成熟導致有關產業普及程度不高，故追隨當今國家所提倡的加快培植一批以追求自主高新技術創新為核心戰略的新興企業板塊的政策趨勢，人工智能作為落實創新發展戰略的新型推力必將引領企業整體創新水平邁入新發展階段。在此意義上，強調人工智能技術在國家科創板的主體地位，從長遠來看必將進一步促進技術創新達到與資本市場的完美融合。且由于人工智能技術的引入同歷來傳統技術革命的初期產業發展現狀呈現一致性，都存在投入大、融資難及風險高的特點，故資本市場常存在與科技創新難以相容。而若國家單獨將人工智能企業單獨列入科創板予以政策扶持，則會有效補齊資本扶持技術的短板，為人工智能謀求更長遠發展。