公共政策如何應對人工智能引發的失業風險？

黃 旭 許文立

一、引言

進入新時期以來，我們正在見證由中國共產黨領導的偉大民族復興，而人工智能可以為中國經濟發展與復興提供戰略新動能，也是引領中國經濟發展最重要的戰略抓手。我國經濟已由高速增長階段轉向高質量發展階段，正處在轉變發展方式、優化經濟結構、轉換增長動力的攻關期，迫切需要新一代人工智能等重大創新添薪續力(1)2018年10月31日，中共中央政治局就人工智能發展現狀和趨勢舉行第九次集體學習。中共中央總書記習近平在主持學習時強調，人工智能是新一輪科技革命和產業變革的重要驅動力量，加快發展新一代人工智能是事關我國能否抓住新一輪科技革命和產業變革機遇的戰略問題。要深刻認識加快發展新一代人工智能的重大意義，加強領導，做好規劃，明確任務，夯實基礎，促進其同經濟社會發展深度融合，推動我國新一代人工智能健康發展。。一方面，需要注意的是，人工智能和機器人的興起給經濟和社會帶來了廣泛而深遠的影響(王永欽和董雯，2020[1])，尤其是要警惕技術發展過程中可能出現的“人工智能陷阱”。例如，人工智能(AI) 和機器人技術的迅猛發展在推動生產力進步的同時，也加速了勞動力市場上機器人對人的替代，給人類工作帶來前所未有的挑戰(董志強和黃旭，2019[2])。雖然人工智能的發展也會創造新的工作崗位，但大多是高技能工作崗位，根據“中國企業-勞動力匹配調查”(CEES)數據，工業機器人在制造業中對勞動力工作崗位替代效應明顯，并且存在明顯異質性，即對非技能勞動力的替代效應大于技能勞動力，在2025年左右，機器人對我國勞動力市場的替代效應將上升至4.7%(程虹等，2018[3])。另一方面，根據中國統計年鑒數據顯示，2012年以來，中國制造業就業人口出現持續下滑，由2012年23 241萬左右下降為2019年的21 305萬，主要原因在于制造業工人工資大幅上升，推動了制造業機器換人的進程(蔡躍洲和陳楠，2019[4]；黃旭，2022a[5])。由此可見，在推動人工智能驅動高質量發展的進程中，中國可能面臨“人工智能陷阱”，進而引發失業風險，降低人們的福祉。那么，“人工智能陷阱”可能誘發的失業有多嚴重？對社會福利的影響有多大？可以采取哪些應對措施？這些問題都是本文關注的焦點。

為定量分析“人工智能陷阱”帶來的失業風險、對福利的影響，以及應對措施，本文構建包含人工智能和人力資本的動態一般均衡模型，探究了三種公共政策(直接救濟、培訓后再就業和投資高等教育)應對失業風險和福利的作用。模型經濟包含制造業和服務業，并將勞動力異質化，區分為高技能勞動力和低技能勞動力。人工智能在制造業中得到廣泛使用，可以同時提高智能資本和勞動者的生產效率，作為一種通用性技術，人工智能存在較強的溢出效應，能提高服務業全要素生產效率。結合中國實際背景，本文假設人工智能會替代制造業大量低技能工作崗位從而導致失業的產生。

二、文獻綜述

學術界對于人工智能或自動化生產的經濟影響的研究觀點并未達成一致。大部分學者認為人工智能會促進經濟高質量增長。人工智能通過自動化替代大量勞動力，提高了資本和勞動者生產效率(Acemoglu和Restrepo，2018a[6]；董志強和黃旭，2021[7]；孫早和侯玉琳，2021[8]；謝攀和張伊娜，2021[9]；黃旭，2022b[10])。Aghion 等(2017)[11]指出對于具體的工作任務，分配的資本與勞動力大于一定比值時，自動化會提高社會總產出。在此基礎上，陳彥斌等(2019)[12]指出人工智能可以通過智能化生產提高全要素生產率，從而實現經濟高速增長，同時可以合理應對老齡化的沖擊。實證方面，學者大多使用工業機器人、計算機資本等作為人工智能的代理變量，普遍支持人工智能對經濟增長的正面影響(Graetz和Michaels，2015[13])。

也有部分學者認為，人工智能的發展會導致貧困化增長(Immiserizing Growth)，貧富差距過大，甚至會出現經濟停滯的現象(Gasteiger和Prettner，2017[14])。Benzell 等(2015)[15]假設機器人完全替代低技能工人，同時可以部分替代高技能工作崗位，數值模擬發現經濟將呈現貧困化增長，社會總產出將提高，但對勞動力的需求會下降，工人工資將減少，工人的社會福利將下降。黃旭和董志強(2019)[16]的研究也支持上述結果，并進一步指出如果政府對人工智能征稅，可以實現經濟和社會福利U型增長。

在不利經濟效應方面，失業風險尤其引人關注。人工智能的發展將導致大面積失業的風險，逐漸成為學者研究的熱點問題。Frey和Osborne(2017)[17]以自動化概率模型對美國702種職業進行分類，發現美國47%的勞動力工作崗位存在被自動化替代的風險。Acemoglu和 Restrepo(2020)[18]使用了1990—2007年美國數據實證發現，機器人的廣泛使用會顯著降低對勞動力的需求，1 000個勞動力中每增加1個機器人，就業率將下降約0.18%～0.34%。閆雪凌等(2020)[19]使用我國2006—2017年制造業分行業數據，實證發現工業機器人保有量每上升1%，就業崗位減少約4.6%。王永欽和董雯(2020)[1]實證發現如果工業機器人滲透度提高1%，企業對勞動力的需求將下降0.18%。孔高文等(2020)[20]基于中國地區層面和行業層面的數據，實證發現機器人的使用會降低當地被替代行業勞動力的需求，導致技術性失業現象，但同時會產生溢出效應，即勞動力從被替代的行業轉入其他行業。

此外，學界普遍認同人工智能對不同勞動力的影響并不相同。Autor等(2003)[21]指出人工智能或自動化的發展，將替代大量常規性工作崗位，例如流水線上工作，因此會導致大量低技能工人失業。孫早和侯玉琳(2021)[8]實證發現工業智能化將導致先進設備替代初中和高中學歷勞動力，并增加對高、低教育程度勞動力的需求。長期中，在人工智能替代效應和抑制效應的共同作用下，中國勞動力市場就業總量大致保持平穩，但在中短期中，受到崗位結構、年齡和受教育程度的影響，人工智能會造成較嚴重的結構性失業。

總之，現有的文獻主要使用西方數據預測人工智能對工作崗位的替代風險，而關于如何應對失業風險的文獻卻相對缺乏，少數文獻提出了對工人進行培訓等公共政策以應對失業風險的觀點(曹靜和周亞林，2018[22])，但并未用實證或數值模擬的方法進行驗證。基于此，本文可能的貢獻如下：第一，在陳彥斌等(2019)[12]、Acemoglu 和 Restrepo(2018a)[6]的基礎上，將人工智能區分為替代舊的工作任務和創造新的工作任務，并以Logistic函數表示其演進軌跡；第二，國內外文獻鮮有研究人工智能對社會總福利的影響，本文特別研究了人工智能失業背景下多種公共政策對社會總福利的影響，豐富了人工智能的研究內容；第三，相比無公共政策干預，本文對比了多種公共政策的效應，發現直接救濟將導致經濟增長率、勞動收入份額和社會總福利下降，而培訓后再就業和投資高等教育的公共政策效應均優于直接救濟。培訓后再就業和投資高等教育能分別提高低技能和高技能工人的人力資本，說明投資人力資本的公共政策能有效應對人工智能的失業風險。

三、理論模型構建與學理邏輯

為了研究人工智能對失業的影響，本文將構建包含人工智能和人力資本的代際交替動態一般均衡模型。本文借鑒陳彥斌等(2019)[12]、郭凱明(2019)[23]、黃旭(2021)[24]、Acemoglu和Restrepo(2018a)[6]、Prettner和Strulik(2020)[25]的做法，構建基于任務類基準模型，任務類模型最大的優點是能同時刻畫人工智能替代舊的勞動力工作任務和創造新的勞動力工作任務。本文在上述文獻基礎上做了如下改進：第一，上述文獻均沒有考慮人力資本，本文則引入人力資本，考察加強人力資本投資對失業的影響；第二，在上述文獻基礎上，本文以指數函數形式同時體現人工智能對智能資本和人力資本的增強效應，以及對其他行業的溢出效應；第三，陳彥斌等(2019)[12]采用Logistic函數刻畫人工智能技術的演進軌跡，本文則采用Logistic函數分別刻畫人工智能替代舊任務和創造新任務的演進軌跡；第四，陳彥斌等(2019)[12]假設勞動力是同質的，而本文將勞動力異質化，同時考察高技能工人和低技能工人。

本文所構建的理論模型中，人工智能將產生三種效應：替代效應、技術效應和溢出效應。人工智能將對現有工作崗位產生破壞效應，替代制造業中大量低技能工作崗位，例如流水線上常規性工作，從而導致失業現象的產生。同時人工智能將產生技術效應，提升勞動者和智能資本的生產效率，從而提高制造業生產產出。最后，人工智能具備溢出效應，不僅能提高制造業生產效率，還能帶來服務業生產效率的提升。

圖1 人工智能的多種效應

針對人工智能可能造成的失業現象，本文研究三種公共政策應對失業風險。政府對制造業和服務業在崗的勞動者勞動收入和資本收入征稅，籌集稅收用于宏觀調控：(1)政府對失業者直接救濟，保障其基本生活；(2)政府對失業者進行技能培訓，促進其在服務業再就業；(3)政府投資高等教育，增加高技能工人比例。原因是人工智能會替代制造業大量低技能工人，投資高等教育相當于提前布局，使未來失業人群提前提高技能水平，塑造成高技能工人。直接救濟沒有改變失業者人力資本水平，培訓再就業提高了低技能工人的人力資本水平，投資高等教育則提高了高技能工人的人力資本水平。

(一)企業與人工智能

1.企業。

借鑒郭凱明(2019)[23]的做法，假設社會上存在一個最終品生產部門和兩個中間品生產部門，其中中間品生產部門分別為制造業和服務業，最終品生產部門將制造業和服務業產品進行復合形成最終品。為簡化起見，假設每個部門均只有一家代表性企業進行生產，市場處于完全競爭狀態，最終品生產函數為

(1)

其中，Yt表示最終品產出，Ym,t為制造業產出，Ys,t為服務業產出，ε∈(0,+∞)為兩中間品部門產出的替代彈性，γ∈(0,1)表示兩部門產出權重的系數。制造業采用人工智能驅動自動化進行生產，同時人工智能是一種通用技術，對其他行業存在較強的溢出效應，因而也能促進服務業生產效率的提升。j={m,s}分別表示制造業和服務業。

假設最終品價格標準化為1，制造業t期價格為Pm,t，服務業t期價格為Ps,t，則制造業與服務業相對價格Pt為：

(2)

且滿足

(3)

制造型企業同時包含研發部門和生產部門。高技能勞動力參與研發工作，低技能勞動力從事生產部門常規性工作，例如流水線上工作。制造型企業使用Cobb-Douglas技術將研發部門RDt和生產部門Xt結合在一起，生產函數為：

Ym,t=(RDm,t)1-αm[Xm,t(Ak,tKm,t,A2,tH2,m,t)]αm

(4)

其中，αm為制造型企業生產部門的產出彈性，1-αm為制造型企業研發部門的產出彈性。Ak,t為智能資本Km,t的生產效率，A2,t為低技能工人人力資本H2,m,t的生產效率。采用Cobb-Douglas生產函數的原因是，雖然人工智能技術的發展增加了對高技能工人的需求，但高技能工人的份額目前在中國相對比較固定(2)參見http://nads.ruc.edu.cn/zkcg/zcjb/2979e6117e1e4e819610ffbd05252920.htm。。制造型企業研發部門RDm,t的生產來源于高技能工人的創意，故假設研發部門由高技能工人的人力資本決定，為簡化起見，制造型企業研發部門的生產函數為：

RDm,t=A1,tH1,m,t

(5)

制造型企業生產部門借鑒Acemoglu和Restrepo(2018a)[6]基于任務類模型，假設制造型企業生產部門Xm,t通過CES函數加總多種生產任務得到，t期任務區間為[Nt-1,Nt]，其長度標準化為1，Xm,t生產函數為：

(6)

其中，z∈[Nt-1,Nt]為中間品的生產任務，Xm,t(z)為任務z生產的中間品數量，εm≥0為中間品生產任務之間的替代彈性。

中間品生產任務z既可以由智能資本進行生產，也可以由勞動力進行生產，其生產函數為：

(7)

制造業生產部門所有低技能工人人力資本存量H2,m,t和智能資本數量Km,t分別為:

(8)

由式(7)可知任務z的價格為:

(9)

由式(6)～式(8)得：

(10)

采取與Acemoglu和Restrepo(2018a)[6]相同的簡化假設，令γl,t(z)=γk,t(z)=1得：

(11)

將式(11)代入式(4)可得制造型企業生產函數為：

(12)

其中，

(13)

式(12)本質上是CES函數嵌入Cobb-Douglas函數得到的嵌套函數，外層函數使用Cobb-Douglas函數的原因是相對于低技能工人，高技能工人與人工智能驅動的自動化生產相對互補。內層函數使用CES函數的原因是人工智能驅動的自動化生產會替代低技能工人從事的常規性工作。其經濟學含義是高技能工人在研發部門工作促進人工智能的發展，包含自動化技術的進步和新生任務的產生。

采用類似的方法，服務型企業生產函數為：

(14)

為簡化起見，假設制造型企業和服務型企業資本投資均來自自有資本(本企業工人的儲蓄)，從而資本存量動態方程如下：

Kj,t+1=(1-δk)Kj,t+Ij,t

(15)

Ij,t=L1,j,ts1,j,t+L2,j,ts2,j,t

(16)

其中，δk為資本折舊率，Ij,t為企業投資，來自本企業總儲蓄。

企業完全競爭并追求利潤最大化，從而由式(12)、式(14)可得：

(17)

(18)

又由于人力資本存量Hi,j,t=lihi,tLi,j,t,i=1,2;j=m,s，其中li為勞動力的工作時間，hi,t為單個勞動力的人力資本存量。從而，企業對勞動力的需求函數為

(19)

(20)

其中低技能勞動力在制造業和服務業產出彈性分別為：

(21)

本文計算失業人口的方法為，分別計算出制造業和服務業對低技能和高技能勞動力的需求函數，再用總的勞動力減去制造業和服務業勞動力人口即為失業人口。在平衡狀態時，高技能工人工資在制造業和服務業相同，低技能在兩家企業也相同，從而ω1,m,t=ω1,s,t,ω2,m,t=ω2,s,t，由此計算得到制造業企業對低技能工人的需求L2,m,t=zL2,s,tL1,m,t/L1,s,t。從而失業人數為Ut=Lt-(L1,m,t+L2,m,t+L1,s,t+L2,s,t)， 其中Lt為總的勞動力數量，由此可知失業率et=Ut/Lt，結合式(17)、式(18)可求出失業率et為：

(22)

2.人工智能。

本文借鑒Acemoglu和Restrepo(2018a)[6]，將人工智能理解成為自動化生產方式，其核心變量是自動化前沿技術It和新生任務Nt，但Acemoglu和Restrepo(2018a)[6]并未闡述It和Nt的變動過程。人工智能技術以深度學習等方式發展，It和Nt函數形式需要進一步確定。根據Mckinsey(2018)[26]人工智能技術演化軌跡滿足“先凸后凹”的形式，原因是人工智能在初始時期普及程度較慢，發展比較遲緩；隨著人工智能研發的投入，其普及程度速度加快；當人工智能技術普及到一定程度后，其發展又趨于緩和。借鑒陳彥斌等(2019)[12]的研究思路，本文用Logistic函數描述Nt和It的演化過程，原因是Logistic函數呈現“先凸后凹”的形式，具體函數形式如下：

(23)

(24)

本文雖然引入了研發部門，但是并沒有采用完全內生化方式處理人工智能技術的發展，而是采用式(23)和式(24)的方式處理，原因是：第一，人工智能研發部門生產函數的形式很復雜，目前還難以確定；第二，目前人工智能在發展中國家尚處于初級發展階段，數據比較難獲取，對參數校準比較困難。借鑒陳彥斌等(2019)[12]采用的形式，既可以將人工智能技術進步速度、新生任務和自動化前沿技術變化趨勢考慮進去，又容易實現參數校準。

(二)家庭

(25)

失業風險概率采用上述形式可以同時保證0

低技能工人在制造業和服務業生產部門從事常規性工作，數量分別為L2,m,t、L2,s,t。高技能工人在制造業研發部門從事人工智能技術的研發工作，或在服務業從事管理類工作，數量分別為L1,m,t、L1,s,t。人工智能會替代制造業低技能工人，從而導致失業現象的產生。高技能工人能同時獲得勞動收入和資本收入，而低技能工人僅僅能獲得勞動收入。本文將勞動力進行異質性處理，是因為人工智能更容易替代低技能工作崗位，同時也是為了和現實相符合。

勞動力通過接受教育獲得人力資本，低技能工人接受高中教育之后人力資本存量為h2,t，每個高技能工人接受高等教育后人力資本存量為h1,t。低技能工人工作的時間為l2=1-d，高技能工人工作的時間為l1=1-d-q。總的人力資本存量與勞動力工作時間、每個個體人力資本存量和勞動力數量有關，從而低技能工人總的人力資本存量分別為H2,j,t=l2h2,tL2,j,t，高技能工人總的人力資本存量為H1,j,t=l1h1,tL1,j,t，其中j={m,s}，分別表示制造業和服務業。

1.個人。

工人的效用分為成年時期和老年時期，其終生效用函數為：

i=1, 2；j=m,s

(26)

高技能工人預算約束條件為：

(1-τ1-ζ1)l1ω1,j,th1,t=c1,j,t+s1,j,t

(27)

其中，τ1為政府對高技能工人收入征稅的稅率，ζ1為高技能工人投資人力資本所占勞動收入的比例，從而高技能工人人力資本的投資為e1,t=ζ1l1ω1,j,th1,t。

高技能工人追求一生效用最大化，由式(26)和式(27)計算可得:

(28)

低技能工人進行消費和儲蓄抉擇時將面臨失業風險的衡量，當低技能工人就業時，其收入來源于企業工資ω2,j,t；當低技能工人失業時，其收入來源于政府的救濟金bt。又由于低技能工人面臨失業風險的概率為pt，就業的概率為1-pt，從而

(1-pt)[(1-τ2)l2ω2,j,th2,t]+ptbt=c2,j,t+s2,j,t+e2,t

(29)

其中,左式為低技能工人的期望收入;τ2為政府對低技能工人收入征稅的稅率; 低技能工人人力資本的投資為e2,t，e2, t=ζ2{(1-pt)[(1-τ2)l2ω2, j, th2, t]+ptbt}，ζ2為低技能工人投資人力資本所占期望收入的比例。

低技能工人追求一生效用最大化，由式(26)和式(29)可得：

(30)

(31)

2.個人教育抉擇。

個人是否選擇高等教育成為高技能工人取決于上述兩種效用的大小，個人選擇成為高技能工人的條件為u1,j,t≥u2,j,t，將式(28)、式(30)和式(31)代入化簡可得：

m(a)≤(1+β)

(32)

(33)

(三)政府部門

Acemoglu和Restrepo(2018b)[27]等西方文獻研究對象大多為西方發達資本主義國家，主要分析了人工智能對經濟增長或勞動力市場的影響，但很少考察政府的作用。本文引入政府部門，是因為中國政府與西方服務型政府不同，中國政府在經濟增長中起到的作用很顯著，例如中國政府過去多年投資基礎設施建設拉動經濟高速增長，“穩增長”“保就業”一直是中國政府長期關注的目標。中國政府有很多職能，本文研究中國政府籌集稅收，進行轉移支付救濟失業者或投資人力資本。

大多數研究表明，人工智能會替代大量常規性工作，導致失業風險提高。面對失業，常見的方法有向失業工人發放救濟金和再就業培訓。發放救濟金可以保障失業者的基本生活，同時可以幫助失業者尋找新的工作。再就業培訓，指失業者經過技能培訓后實現再就業。中國目前的狀況是制造業實現智能化生產后，對常規性勞動力需求會逐漸減弱。與此同時，隨著物流業和京東等平臺型企業的蓬勃發展，中國的服務業規模迅速擴大，將制造業多余的勞動力轉移到服務業是當下中國解決失業的一條合適路徑。

除了上述兩種方法外，鑒于中國對高技能勞動力需求規模的擴大，政府在教育措施方面可以進行相應調整以適應未來發展需求，例如擴大本科生和研究生招生規模，對招生專業及人數進行相應調整等。

政府的稅收來源于三部分：對高技能工人征稅、對低技能工人征稅、對資本征稅。假設政府對高技能工人勞動收入征收的稅率為τ1，對低技能工人勞動收入征收的稅率為τ2，對資本收入征收的稅率為τ3，從而政府t期的稅收Gt為：

Gt=τ1(ω1,m,tH1,m,t+ω1,s,tH1,s,t)+τ2(ω2,m,tH2,m,t

+ω2,s,tH2,s,t)+τ3(Rm,tKm,t+Rs,tKs,t)

(34)

政府將籌集的稅收用于兩種用途：對失業者發放救濟金和進行教育投資。中國目前的背景是由于人工智能的替代作用，制造業勞動力逐漸多余，服務業對勞動力需求在增加，但由于制造業低技能工人未必能適應服務業工作崗位需求，所以存在結構性失業的風險，因此，本文僅考慮制造業失業的情形。

為了和現實相符合，假設救濟金bt與制造業低技能工人工資成正比，

bt=ψω2, m, t

(35)

其中，比例系數ψ∈(0,1)。比例系數小于1的原因是，如果救濟金大于工人工資，則參與工作的工人將沒有動力工作，也選擇失業領取救濟金。政府支出的所有救濟金為Bt=btUt。

政府支付救濟金后，將剩余的資金全部用于教育投資，提升在職工人的人力資本存量，從而教育投資Et為：

Et=Gt-Bt

(36)

假設政府構建了公共教育體系，每個個體接受高中教育將花費政府d2,t成本，接受高等教育將花費政府ft成本，從而高技能工人將花費政府的成本為d1,t=d2,t+ft。政府將教育資金Et中的μ部分投資于高中教育，1-μ部分投資于高等教育，從而

μEt=d2,t(L1,m,t+L2,m,t+L1,s,t+L2,s,t)

(37)

(1-μ)Et=ft(L1,m,t+L1,s,t)

(38)

勞動力的技能水平，既受政府提供的公共教育的影響，也與個人提升技能水平的投資正相關。政府投資于教育，有利于教育行業的發展，提升教育的質量，例如專注于人力資源培訓的促進會，大學開設的各種在職教育，政府部門組織面向企業員工的各種講座等。制造業和服務業工人通過政府的投資獲得再培訓的機會，提升了人力資本存量。個人為了滿足自身發展的需要，會通過培訓提升自己的技能水平，例如在線教育等等。從而人力資本存量的變動方程為:

i=1, 2；j=m,s

(39)

其中，δ1、δ2分別為高技能工人和低技能工人人力資本的折舊率，γ1、γ2分別為政府投資于高技能工人和低技能工人人力資本的邊際效應，1-γ1、1-γ2分別為高技能和低技能工人投資于人力資本的邊際效應，a1、a2分別為投資于高技能工人和低技能工人人力資本的技術參數。

(四)模型均衡系統

當模型達到均衡時，勞動力市場出清，即高技能工人和低技能工人的勞動供給總量等于服務業和制造業的勞動需求量，從而Lt=L1,m,t+L1,s,t+L2,m,t+L2,s,t+Ut；最終品市場出清，即最終品用于高技能低技能工人消費、救濟失業者、智能資本再投資和高技能低技能工人人力資本再投資，從而Yt=C1,m,t+C1,s,t+C2,m,t+C2,s,t+Bt+Im,t+Is,t+Et。模型達到均衡時，高技能工人效用實現了最大化、企業利潤實現了最大化。由于模型過于復雜，人工智能技術的變化是Logistic函數，難以求出解析解，因此本文主要通過數值模擬分析公共政策對失業的影響。

四、參數校準

借鑒陳彥斌等(2019)[12]的做法，本文選取模擬的時間為2016—2035年，每一期為一年。選取2016年，是為了結合中國2016—2018年實際經濟數據進行擬合。和陳彥斌等(2019)[12]不同的是，本文關注的核心變量是體現人工智能替代勞動力工作任務的變量It和表示人工智能創造新工作任務的變量Nt。和陳彥斌等(2019)[12]的研究方法類似，本文用Logistic函數表示It、Nt的演化過程。

(一)模型外參數校準

人口方面，本文不考慮人口老齡化，故假設人口增長率n=0。根據《中國統計年鑒2017》，以九年義務教育為界限劃分為低技能和高技能工人，比例大約為1∶2，2016年制造業人口約為2.2億，服務業人口約為3.4億，故推算出L1,m,t=0.7×108，L2,m,t+Ut=1.5×108，L1,s,t=1.1×108,L2,s,t=2.3×108。根據中國統計年鑒教育經費家庭投資估算，ζ1=0.2,ζ2=0.1。根據郭凱明(2019)[23]，智能資本和低技能勞動力的替代彈性為εm=1.5，服務業中傳統物質資本與低技能勞動力的替代彈性為εs=0.95。制造業和服務業產品互補，故假設ε=0.9。根據《中國統計年鑒2017》數據，2016年制造業社會產值為296 236億元，服務業社會產值為384 220.5億元，故假設γ=0.44。再根據郭凱明(2019)[23]，λ取值為0.5。根據張車偉和趙文(2020)[28]，2016年中國勞動收入份額約為45.97%，由此推算出αm=0.85,αs=0.85。個人消費方面，根據郭凱明(2019)[23]，本文假設時間偏好率β=0.96。

人力資本方面，本文不考慮養老問題。雖然我國人口壽命大致為75歲左右，但是65歲即退休，0～5歲處于幼童時代，從而個人處于人力資本積累和工作的時間僅為60年。本文將個人一生的時間單位化為1，并將12年高中教育作為基準狀態。因此，12年高中教育的時間轉化為d=12/60=1/5。勞動力再經過高等教育成為高技能者，故本文假設q=4/60=1/15。從而低技能工人工作的時間為l2=1-d=4/5。借鑒Lucas(1988)[29]，假設政府投資教育對高技能和低技能工人人力資本的邊際效應相同，即γ1=γ2=0.5，為簡化起見，假設資金被平均分配給制造業和服務業高技能和低技能工人，即a1=a2=1/4。

智能資本折舊率方面，借鑒郭凱明(2019)[23]，δk=0.05。假設人力資本折舊率δ1=δ2=0，原因是后續實驗要考慮沒有人力資本投資和有人力資本投資兩種情況，假設人力資本折舊率為0可以更方便進行數值模擬。借鑒郭凱明(2019)[23]，本文將人工智能理解成資本偏向性技術，故人工智能對資本生產效率的邊際效應大于對勞動力生產效率的邊際效應，同時根據生活經驗，人工智能對高技能工人生產效率的邊際效應大于低技能工人，再根據勞動收入份額和增長率進行校準得到mk=1,m1=0.8,m2=0.6,ms=0.5。征稅方面，借鑒陳彥斌(2019)[12]，假設τ1=0.05,τ2=0.05,τ3=0.01。

(二)模型內參數校準

表1 人工智能替代勞動力工作任務相關參數校準結果

對于剩下的參數，借鑒陳彥斌等(2019)[12]，g0=0.025。借鑒Acemoglu和Restrepo(2018a)[6]，N0=1.0,I0=0.3。此時總的工作區間初始值為[0,1]，智能資本的工作區間為[0,0.3]，勞動力工作區間為(0.3,1]，這樣便于后續計算和模擬。再根據國家統計局公布的2016年失業率4.02%，代入式(24)可得a=0.028。中國各地救濟金比例并不一致，為保障失業者基本生活，救濟金一般為當地平均工資的20%左右，故假設ψ=0.2。

(三)模型的適用性分析

根據上述參數模擬得到的2016—2018年經濟增長率分別為7.55%、6.85%和6.43%，與現實2016—2018年經濟增長率6.7%、6.8%和6.6%比較接近。勞動收入份額方面，模擬得到的2016—2018年數值分別為47.49%、46.22%和45.94%，根據張車偉和趙文(2020)[28]，2016—2018年中國勞動收入份額分別為45.97%，47.26%和47.80%，模擬值和真實值比較接近。另外本模型采用的人口數據與2016年人口數據相符。可見，本模型模擬得到的數據和現實比較相符，能較好地擬合中國的現實經濟狀況。

五、數值模擬

本文構建包含人工智能和人力資本的動態一般均衡模型，主要關注政府應對失業問題采取公共政策的效應，本文關注的公共政策有：政府直接救濟失業者、培訓失業者實現再就業和投資高等教育，增加高技能工人比例。其中政府直接救濟失業者和培訓失業者再就業屬于事后干預，而進行教育擴招屬于事前干預。對失業者進行救濟可以保障失業者的基本生活，讓失業者有更多時間尋找新的工作；對失業者培訓實現再就業則可以實現政府高質量就業的目標；進行教育擴招則可以提高高技能工人的比例，重塑勞動力素質，改變目前中國結構性失業的現狀，讓勞動力市場能更好地適應人工智能的發展。需要指出的是本文關注的主要是結構性失業問題，即人工智能替代制造業中低技能工人的工作崗位，培訓后再就業指的是對制造業失業者培訓，使之獲得相應技能后在服務業實現再就業。

為了探究公共政策的效應，本文設置了多組實驗進行數值模擬(如表2所示)。其中：實驗1是為了探究政府對失業者進行直接救濟的政策效應；實驗2則可以評估政府采取培訓再就業的政策效應；實驗3是為了探究政府預判到未來失業的可能性，投資高等教育提高高技能工人比例的政策效應。本部分將無公共政策設置為基準狀態，其他三種公共政策與之進行對比考察公共政策的效應。

表2 數值模擬實驗的設定

(一)政府對失業者進行直接救濟的政策效應

當政府選擇直接救濟失業者時，實驗結果如圖2所示。當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，2035年社會總產出分別為1.26×1010、1.40×1010、1.5×1010，制造業和服務業產出同時隨著人工智能的發展而提高。由此可見，人工智能的發展可以克服失業帶來的不利影響，能促進經濟持續發展。但人工智能的發展會導致失業率攀升，隨著失業工人的增加，政府救濟失業工人的財政負擔會逐漸增加。當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，到2035年救濟金占政府財政支出的比例由14.11%上升為15.27%、16.68%。

圖2 人工智能失業背景下政府救濟失業者對經濟的影響

(二)政府對失業者培訓再就業的政策效應

當政府選擇將原本用于救濟失業者的資金用于培訓失業者，幫助其獲得相應技能，實現在服務業再就業時，實驗結果如圖3所示。當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，2035年社會總產出分別為1.42×1010、1.62×1010、1.81×1010，制造業和服務業產出同樣呈現逐漸提高的趨勢。同時，當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，政府對失業者進行就業再培訓所花費的資金到2035年逐漸由4.33%下降為4.20%、4.03%。原因是當失業者再就業后，不再需要政府進一步救濟，同時再就業者提高了社會總產出，緩解了政府財政壓力。

(三)政府投資高等教育的政策效應

當政府提前預估到未來可能的失業時，政府可選擇投資高等教育，提高高技能工人的比例，實驗結果如圖4所示。投資高等教育的依據是人工智能的發展會增加對高技能工人的需求。當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，2035年社會總產出分別為1.47×1010、1.65×1010、1.85×1010，制造業和服務業產出同樣呈現逐漸提高的趨勢。同時，當人工智能替代的勞動力工作任務由5%逐漸上升到10%、15%時，政府進行教育擴招所花費的資金到2035年逐漸由4.25%下降為4.17%、3.96%。原因是投資高等教育可以滿足人工智能發展對高技能工人的需求，同時減少了失業率，有利于社會總產出的提高。

圖3 人工智能失業背景下政府培訓失業者再就業對經濟的影響

圖4 人工智能失業背景下政府投資高等教育對經濟的影響

(四)三種政策的進一步對比

為了進一步評估三種公共政策的政策效應，本文列舉了到2035年，人工智能替代5%工作崗位時經濟增長率和勞動收入份額的變化(人工智能替代10%和15%工作崗位具有類似的結果)，其中無公共政策為基準狀態，結果如表3所示。三種公共政策下，經濟均實現了U型增長，說明面對失業政府的宏觀調控是有效的。2035年無公共政策、直接救濟、培訓再就業和投資高等教育下經濟增長率分別為6.31%，6.22%、6.89%和6.96%。這說明：(1)直接救濟會導致經濟增長率下滑。原因是直接救濟的財政支出來自對勞動者和資本收入的稅收，征稅會影響勞動者的積極性，會導致經濟增長率下滑。(2)培訓再就業和投資高等教育的政策下，勞動收入份額均高于直接救濟。培訓再就業提升的是低技能工人的人力資本，投資高等教育提升的是高技能工人的人力資本，說明投資人力資本可以有效應對失業問題。

隨著人工智能的發展，勞動收入份額將呈現逐年下滑的趨勢。原因是智能資本對勞動力存在替代的作用，同時本文僅假設人工智能替代勞動力的工作崗位，沒有考慮人工智能創造新的任務，資本的生產效率高于勞動力，從而導致勞動收入份額下降的局面。到2035年，當人工智能替代5%工作崗位時，無公共政策、直接救濟、培訓后再就業和投資高等教育三種公共政策下勞動收入份額分別為43.05%、42.94%、43.80%和44.83%。由此可見：(1)直接救濟會影響經濟效率，導致勞動收入份額下降；(2)培訓后再就業和投資高等教育均可以有效延緩勞動收入份額下降的局面。

表3 三種公共政策經濟增長率和勞動收入份額對比

為了評估三種公共政策對社會總福利的影響，本文列舉了到2035年，人工智能替代5%工作崗位時社會總福利的變化(人工智能替代10%和15%工作崗位具有類似的結果)，其中無公共政策為基準狀態。社會總福利指的是全體社會勞動者總效用的加總，能衡量整個社會的幸福感。通過表4可以發現，到2035年，當人工智能替代5%工作崗位時，無公共政策、直接救濟、培訓后再就業和投資高等教育三種公共政策下社會總福利分別為3.52×1011、3.45×1011、4.09×1011、4.12×1011。

表4 三種公共政策社會總福利對比

一方面，直接救濟會導致社會總福利減少，原因是直接救濟會導致勞動者收入減少，影響總體經濟效率，導致社會總產出下滑，影響社會總福利。在公共政策理論與實踐中，直接補貼這種社會福利政策與勞動者的工作積極性存在一定程度的取舍，直接補貼可能會讓人們變得更不愿意工作，這也與本文的福利分析結論一致。

另一方面，培訓后再就業和投資高等教育公共政策下，社會總福利均高于直接救濟。這意味著投資工人的人力資本，可以提高生產效率，增加社會總產出，進而達到提高社會總福利的目的。因此，“授人以魚不如授人以漁”，讓人們掌握工作技能，提升人力資本水平從全社會的角度來講是一種更好的措施。

六、結論

人工智能的發展會替代制造業大量常規性工作崗位，導致中短期結構性失業的現象。本文構建包含人工智能和人力資本的動態一般均衡模型，模型中同時包含制造業和服務業，勞動力在兩部門中區分為高技能和低技能工人，并假設失業來源于制造業中人工智能驅動的自動化替代低技能工作崗位。面對人工智能可能造成的失業風險，本文探究了三種應對失業風險的公共政策效應，即對失業者直接救濟、對失業者培訓后在服務業再就業和投資高等教育。

研究結果表明，對失業者直接救濟將增加政府的財政支出，與無公共政策相比，直接救濟將導致經濟增長率、勞動收入份額和社會總福利下降。原因是直接救濟的資金來源于其他勞動者的收入，為救濟失業者需要對勞動收入和資本收入征稅，這將導致經濟效率下滑。對失業者培訓再就業和投資高等教育的公共政策效應均將優于直接救濟，不僅能提高經濟增長率、延緩勞動收入份額下降，而且能提高社會總福利。說明未來隨著人工智能技術的提高，對人的綜合素質能力要求也將提高，投資人力資本可以有效應對人工智能帶來的沖擊。

結合上述研究結論，本文給出如下政策啟示：第一，對失業者進行直接救濟的必要性。未來人工智能的發展使得社會存在大面積失業的風險，失業者從制造業崗位被自動化替代，短時間內可能并不具備服務業的技能，因此對失業者進行短時間救濟是必要的。救濟失業者可以保障失業基本生活，同時可以讓他們有更多的時間參加技能培訓、尋找新的工作。需要指出的是，對失業者進行救濟屬于短時間的公共政策，救濟金不易過高。因為如果對失業者進行長時間救濟，會加重政府財政負擔，同時會導致失業率的進一步攀升。如果救濟金過高，會導致一部分就業者也選擇失業，不利于社會經濟持續健康的發展。第二，對失業者培訓后再就業有利于穩就業，實現社會高質量就業和經濟高質量發展的目標。培訓后再就業可以降低失業率，實現穩就業的目標。同時失業者經過再培訓獲得了新的技能，提升了人力資本存量，有利于實現高質量就業的目標。失業者在服務業實現再就業有利于服務業生產規模的擴大，由于服務業中高技能工人和低技能互補，服務業低技能工人數量增加會提高對服務業高技能工人的需求，進一步推動服務業發展。制造業中使用人工智能替代了大量常規性工作崗位，幫助企業降低生產成本，同時提高了企業的生產效率，有利于制造業生產規模的擴大。由此可見，培訓后再就業可以同時促進制造業和服務業生產規模的擴大，有利于社會實現高質量發展的目標。第三，投資高等教育可以提高高技能勞動力的比例，有利于重塑勞動力市場，以適應未來人工智能的發展。根據現有研究文獻，人工智能的發展會降低對低技能勞動力的需求，增加對高技能勞動力的比例。如果政府投資高等教育，則可以在未來提高高技能勞動力的比例。高技能勞動力比例的提高，可以減少失業率，同時高技能勞動力比例的提高可以促進人工智能研發水平的提升，促進人工智能的進一步發展。當人工智能技術水平提高后，又可以促進制造業和服務業的發展，提高社會總產出。

未來值得進一步研究的內容如下：第一，本文沒有細致討論再培訓和教育擴招的費用，只是簡單地將救濟金總額轉化為再培訓和教育擴招的費用，這樣便于進行對比，未來可以針對培訓內容和費用進行更細致的研究。第二，本文人工智能僅考慮了自動化對勞動力工作任務的替代，并沒有考慮新生任務對失業的影響，未來可以進一步研究新生任務對勞動力的技能需求變化及其對失業的影響。第三，本文采取Logistic函數表示人工智能的演化過程，屬于外生化處理，未來可以對人工智能技術的發展進行全內生化處理，考察高技能工人比例的提升對人工智能發展的影響。凡此種種，均可以作為下一步研究內容。