人工智能技術對制造業資本溢價與技能溢價影響的區域異質性研究

魏 巍

（嘉興南湖學院，浙江 嘉興 314000）

一、引言

勞動收入是國民總收入的重要組成部分，是逐步實現全體人民共同富裕的重要內容。黨的二十大報告指出，要不斷提高最低工資水平，這是擴大勞動收入在初次分配中的比重的制度安排。報告還提出，鼓勵勤勞致富，也是強調勞動的重要性以及勞動收入的重要性。這是基于我國勞動收入份額占比偏低的現狀提出來的。自20 世紀90 年代以來，中國勞動收入份額出現下降趨勢。資本溢價和技能溢價等問題開始成為國內外學術研究的熱點。伴隨著人工智能的發展，資本溢價和技能溢價問題逐漸變得尖銳起來，這在發達國家的經濟發展中尤其突出。多數學者的研究證實人工智能的發展更加有利于資本和部分高技能勞動者，會加大勞動收入的不平等（Acemoglu 和Restrepo，2018；王林輝等，2022）。美國的統計數據顯示，自動化和人工智能的應用使得美國的勞動收入份額自1929 年開始下滑，最大跌幅高達8.71%（Sebastian，2017）。在經濟快速發展的10 個擴張階段，美國前10%的人口收入份額占比持續增加，從早期的20%上升到120%，后90%的人口收入份額占比持續下跌，勞動收入分化明顯，技能溢價凸顯（Pavlina，2014）。作為科技革命的最新物化技術成果，人工智能的應用已經在中國呈現出強勁的發展勢頭，如何在人工智能發展背景下，優化勞動收入份額，縮小區域間收入分配差距是當代社會發展面臨的重大課題（蒙昱竹等，2022）。制造業作為拉動我國經濟增長的龍頭產業，首當其沖的受到人工智能帶來的影響，尤其是低技能勞動崗位在制造業各行業中占比較高，人工智能技術的應用所帶來的沖擊更加明顯。因此，我們有必要探求資本溢價與技能溢價的形成原因及發展特點，為我國人工智能的發展方向提供參考。

綜合國內外研究文獻，對于資本溢價即勞動收入份額占比下降的原因，很多學者從人工智能對勞動力就業影響的角度來回應。多數研究表面，在人工智能發展的初級階段，自動化的應用對勞動力的替代作用成為發展的主旋律。大量的低技能勞動崗位被自動化所取代，導致勞動力占比下降，勞動收入份額持續下跌，這種現象在發達國家尤為顯著，Richard 和John（2017）的研究報告顯示，預計到2030 年，美國、德國、英國和日本的工作崗位被自動化替代的潛在風險將分別達到38%、35%、30%和21%，甚至有學者測算的美國人工智能技術替代水平更高，達到45%或47%（James 和Michael，2011；Frey 和Michael，2017）。有學者研究發現資本份額會隨著自動化水平的提高而不斷增加，原因是自動化的大規模應用將導致資本需求的上升，資本的不斷深化積累會降低勞動收入份額，這從側面解釋了資本溢價的成因（Acemoglu 和Restrepo，2018；劉鳳良等，2022）。但隨著人工智能應用的普及，一些崗位被自動化替代的同時，也會創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配，會對人工智能替代勞動產生制衡，短期內會有就業結構的失衡，但長期來看，會對勞動力就業結構進行新的調整（孫早和侯玉琳，2019；王文，2020）。因此，隨著新崗位的補充，勞動收入份額下降的趨勢后期可能會被人工智能的應用所緩解，但勞動收入份額的不平等現象可能更加突出（王林輝等，2020）。

對于技能溢價即高技能勞動者收入高于低技能勞動者的原因，眾多學者從不同角度進行了研究。Acemoglu（2002）指出偏向型技術進步是導致就業結構調整的根本原因，就業結構的調整導致高技能勞動力需求的增加，進而加劇了勞動收入的不平等，具體表現為高技能和低技能就業崗位的增加，中等技能就業崗位的流失。David 和Olsen（2015）從另一個角度給出解釋，認為自動化的應用導致低技能勞動力實際工資的停止甚至下降，進而拉大了技能溢價。兩位學者的共同點是都將技能溢價歸結于是技術進步的結果，但也有學者認為技能溢價產生的根源是教育的不平等（Arntz et al，2016）。低學歷勞動者往往從事重復性較強的工作，更加容易被自動化所取代，高學歷勞動者從事的工作技能水平更高，不易被取代，且高學歷勞動者的接受能力更強，更容易掌握新的技術。教育不平等所帶來的影響不僅限于當代勞動者，往往會延續到后代，高學歷的家庭更容易對子女教育形成天然的優勢（杜傳忠和王飛，2015）。

上述成果為本文的研究奠定了基礎，本文的創新點和研究意義體現在：第一，基于偏向型技術進步視角，構建資本溢價和技能溢價內生模型，數理分析演繹人工智能技術帶來的影響，根據推導結論提出人工智能對資本溢價和技能溢價影響及區域異質性的兩個命題。為人工智能、資本溢價和技能溢價的理論研究提供了參考。第二，以制造業為研究對象，綜合人工智能發展程度評價指標，將各省份區分為人工智能先發地區和后發地區，以四方程標準化供給面系統法測算各省份資本份額、高技能勞動份額和低技能勞動份額，進一步分析人工智能先發地區和后發地區資本溢價和技能溢價的發展趨勢，探析我國人工智能、資本溢價和技能溢價的發展現狀并初步回應兩個命題結論。第三，構建人工智能影響資本溢價和技能溢價的基礎模型和偏效應模型，通過實證檢驗對比人工智能先發地區和后發地區的作用效果，聚焦差異、分析成因，驗證命題結論，最后提出對策建議。

二、作用機制

（一）基本模型

本文在Acemoglu 和Fabrizio（2001）、Acemoglu 和Autor（2011）基于任務的理論模型基礎上，設定最終產品函數形式為代表i地區j行業生產的產品，借鑒Klump et al（2007）應用CES（constant elasticity of substitution）生產函數設定各行業產品Yi的形式：

其中：Ki和Li分別為i地區的資本和勞動；AKi和ALi分別為i地區的資本和勞動的技術效率；σi為i地區資本與勞動的替代彈性，當0 ＜σi＜1，表示資本與勞動呈現互補效應，當σi＞1，表示資本與勞動呈現替代效應。

MTRSKL刻畫資本與勞動邊際生產率即邊際產出之比，假設市場出清，可得：

其中：ri為i地區的單位資本報酬；wi為i地區的單位勞動報酬。MPKi為i地區的資本邊際產出；MPLi為i地區的勞動邊際產出。

由式（1）和式（2）可得：

其中：αKi和αLi分別為i地區的資本和勞動份額，且αKi+αLi=1。進一步可得資本與勞動份額的相對比（下稱資本溢價）：

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

進一步地，將L所代表的勞動分為高技能勞動LS和低技能勞動LU，則上述CES 函數轉化為雙層嵌套形式：

其中：ASi和AUi分別為i地區的高技能和低技能勞動的技術效率；ηi為i地區高技能和低技能勞動的替代彈性。

假設勞動市場出清，高技能與低技能勞動邊際產出之比為

其中：wSi為i地區的單位高技能勞動報酬；wUi為i地區的單位低技能勞動報酬；MPSi為i地區的高技能勞動邊際產出；MPUi為i地區的低技能勞動邊際產出。參照上述方法，經過進一步推導，可得：

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

（二）引入人工智能技術的資本溢價影響模型

最終生產廠商的利潤公示為

其中：Pi為i地區最終產品的價格；πi為i地區的利潤。人工智能技術的應用，短期內主要表現為機器設備的智能化，大量的資本被應用到智能設備的建造中，并形成對勞動力的替代。因此，利潤公示可以表示為

其中：KAi為i地區人工智能技術應用導致的資本投入增加量；LAi為i地區人工智能技術應用導致的勞動投入減少量，根據利潤最大化原則，式（9）應滿足條件：

式（4）可以表述為

式（11）說明，人工智能技術的應用對資本溢價的影響取決于要素效率結構、人工智能效應和要素投入結構的共同影響。要素效率結構取決于資本技術效率和勞動技術效率兩個方面。人工智能技術的應用在資本技術效率上的體現主要是指人工智能技術作用于固定資產上加速產出所帶來的資本技術效率的提升，也就是說企業引進人工智能技術后，資本與勞動相對技術效率會趨于上升，即要素效率結構增長。隨著人工智能技術應用的普及，對于勞動技能的要求越來越高，倒逼勞動技術效率的提升，要素效率結構上升趨緩甚至會轉為下降。要素替代效應包括資本對傳統崗位勞動的替代效應和新崗位勞動的創新效應兩個方面（魏巍，2022）。人工智能技術應用初期主要體現在對傳統崗位的替代上，此時大量的勞動力被資本替代，要素投入結構呈上升趨勢。隨著人工智能技術應用的普及，一些新崗位逐漸被創造出來要素投入結構呈下降趨勢。眾多經驗研究表明，我國多數地區和行業的資本和勞動之間呈現替代效應，即σi＞1（陳汝影和余東華，2020；張鑫宇，2021）。因此，本文提出：

命題1人工智能技術對資本溢價的影響表現為先升后降的倒“U”型趨勢，對勞動的替代效應主要在前期顯現。人工智能技術普及率低的后發地區，資本溢價呈上升趨勢；人工智能技術普及率高的先發地區，資本溢價已經開始呈現倒“U”型中的下降趨勢。

（三）引入人工智能技術的技能溢價影響模型

式（13）說明，人工智能技術的應用對技能溢價的影響取決于技能效率結構、人工智能效應和技能投入結構的共同影響。在人工智能技術應用的初期，最先被替代的是重復性高、機械性強的傳統崗位，低技能勞動力大幅減少，技能投入結構提升。崗位結構的重組創造了一些新的技能崗位，使得高技能勞動效率有所提升。因此技能效率結構提升。由于人工智能技術普及率較低，往往技術進步較為滯后，高技能和低技能勞動之間很大程度上能夠相互替代，即ηi＞1，技能溢價上升。隨著人工智能技術應用的深入，一些中高技能崗位開始被人工智能所取代，技能投入結構增速趨緩，由于智能設備效率得到大幅提升，低技能勞動效率被迫有所提升，技能效率結構趨于下降，總體來說，技能溢價增速趨緩。當人工智能技術普及率很高時，技能效率結構會顯著提升，技能投入結構變動趨于平緩，高技能勞動和低技能勞動之間界限明顯，二者難以相互替代，即0 ＜ηi＜1，仍表現為高技能勞動份額上升。因此，本文提出：

命題2人工智能技術對技能溢價的影響表現為替代效應和創新效應的綜合效應。隨著人工智能技術應用普及率的提升，技能溢價增速呈現高—低—高的“U”型趨勢，總體呈上升態勢。對于我國來說，人工智能技術普及率高的先發地區開始呈現明顯的上升態勢，技能溢價極化態勢明顯，而人工智能技術應用普及率低的后發地區，主要處于“U”型的低谷區。

參照Klump et a（l2007）的設定方法，將生產函數及其一階條件標準化并構建四方程標準化系統，利用SUR 模型及可行的廣義非線性最小二乘法對參數進行估計。

設定高技能和低技能勞動效率的增長率滿足BOX-COX 變換：

四方程標準化供給面系統為

參照式（13）求解思路，可得相關參數值。

三、關鍵指標的測算及分析

（一）替代彈性和技術效率的測算

綜合考慮各項數據的可獲得性和連續性（1993 年后統計口徑發生變化），本文選取的研究期間為1993—2019 年，重慶市與四川省數據合并。①制造業產出：最常用的做法是選取增加值作為產出指標，為了使結果更加精準、消除政府的影響，本文在制造業增加值的基礎上剔除了生產稅作為產出。對于不能直接獲得制造業增加值的省份，以制造業產值占工業產值的比重為權重乘以工業增加值剔除稅金之后的數額作為制造業產出；②勞動投入：對于制造業勞動投入，以《中國工業統計年鑒》中公布的各地區細分行業的從業人員平均數加總求得。對于高技能行業勞動投入，分別以國家統計局印發的《高技術產業（制造業）分類（2017）》中的高技術行業和經濟合作與發展組織（organization for economic co-operation and development，OECD）標準劃分的高技術行業為依據，匯總兩種標準下高技能行業的從業人員平均數，低技能行業勞動投入以制造業勞動投入減去高技能行業勞動投入來獲取；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，以制造業固定資產投資額近似固定資本增加額，借鑒張軍等（2004）的做法，求得制造業各年資本存量；④勞動報酬：以《中國勞動統計年鑒》公布的城鎮單位制造業從業人員平均工資與上述制造業從業人員平均數的乘積來表示制造業勞動報酬，分別以兩種劃分標準下高技術行業對應的各細分行業城鎮單位從業人員平均工資與各對應的細分行業從業人員平均數的乘積匯總數作為兩種標準下的高技能勞動報酬。低技能勞動報酬等于制造業勞動報酬減去高技能行業勞動報酬；⑤資本報酬：以《中國統計年鑒》公布的“收入法”核算的國民經濟組成中的各省份歷年“固定資本折舊”和“營業盈余”數據之和為依據，除以根據張軍等的計算方法得到的以1993 年為基期的各省份資本存量，經過平減后可得各省份的資本報酬率，以各省份資本報酬率近似替代制造業資本報酬率，乘以前述計算得到的制造業資本存量即得資本報酬。上述數據均以1993 年為基期進行平減，缺失數據采用線性插值法補全，數據來源于歷年《中國統計年鑒》《中國工業統計年鑒》《中國勞動統計年鑒》《中國固定資產投資統計年鑒》和各省份統計年鑒。

分別根據兩種標準下高技能與低技能的劃分方法，結合式（15）進行測算，得到各參數值見表1，下標為1的結果是以國家統計局印發的《高技術產業（制造業）分類（2017）》歸納的高技術行業為依據測算的結果，下標為2 的結果是以OECD 標準劃分的高技術行業為依據測算的結果。不難發現，在勞動和資本的關系上，勞動和資本替代率σ、資本平均份額αK在兩種測算方法下的結果較為相近，體現了測算結果的穩定性。在高技能勞動和低技能勞動的關系上，由于第一種高技術行業劃分標準的涵蓋面顯著高于第二種標準。因此，第一種結果下的高技能勞動平均份額值βS1均大于第二種結果βS2，但二者的高技能勞動與低技能勞動替代率結果η相差不大、替代方向一致。尤其是多數人工智能技術普及率排名靠前的省份高技能勞動與低技能勞動替代率η＜0，高技能勞動與低技能勞動呈現互補效應，這說明人工智能技術的應用助推了技能勞動的極化分工，使得高技能勞動和低技能勞動之間的替代性越來越弱，根據參數結果可以求得各技術效率值（限于篇幅，各技術效率值、技術效率相對比等結果省略）。考慮到我國制造業行業特色，下文主要參照國家統計局的劃分方式來界定各指標數值。

表1 1993—2019 年四方程標準化供給面系統回歸結果核心指標

續表1

（二）資本溢價和技能溢價的先發-后發地區對比分析

由于我國人工智能起步較晚，大部分地區發展還處于初級階段，為了更直觀的呈現資本溢價及勞動溢價的變化趨勢，應選取我國人工智能技術普及率高的先發地區來分析。由于人工智能技術發展并未形成一致的度量標準，本文通過各省份信息傳輸企業主營業務收入占GDP 比重、信息傳輸企業數占總企業數比重、人工智能企業分布區域占比三個指標分別度量，并以綜合排名來確定。見表2，選取三個指標下排名前5 的省份作為我國人工智能技術普及率高省份的代表，選取排名靠后的5 個省份作為后發地區的代表。圖1 和圖2 刻畫了先發地區和后發地區的資本溢價趨勢圖，在研究期間內先發地區資本溢價均呈現不同程度的倒U 型態勢，而后發地區主要呈上升態勢。圖3 和圖4 刻畫了先發地區和后發地區的技能溢價趨勢圖，各地區的技能溢價均呈上升態勢，但先發地區的上升態勢更加明顯（其他省份的變化趨勢處于先發地區和后發地區之間，鑒于篇幅不再闡釋），印證了命題1 和命題2 的推論。

表2 人工智能技術應用普及率高的先發地區

圖1 1993—2019 年先發地區資本溢價發展趨勢折線圖

圖2 1993—2019 年后發地區資本溢價發展趨勢折線圖

圖3 1993—2019 年先發地區技能溢價發展趨勢折線圖

圖4 1993—2019 年后發地區技能溢價發展趨勢散點圖

四、實證檢驗

（一）計量模型及指標選取

為了進一步檢驗人工智能技術對資本溢價和技能溢價的影響，結合前述理論推導中式（11）和式（13）的結論，為減弱異方差的影響，將模型對數化，構建計量檢驗模型如下：

其中：xn為一組控制變量；γ和δ為各變量的作用系數；u為隨機誤差項，具體變量的對應指標、表示方法和描述性統計參見表1。相關指標均以1993 年為基期進行了平減。由于我國沒有專門針對人工智能方面的統計數據，結合數據可得性，選取信息傳輸業主營業務收入與GDP 之比作為替代變量，并用軟件和信息技術服務業收入與GDP 之比進行穩健性檢驗。本文將控制變量界定為產業結構、傳統行業自主研發水平、對外貿易程度和勞動力受教育水平。由于2002 年新《國民經濟行業分類》國家標準（GB/T4754—2002）推出，部分指標僅能獲取2003 年后的數據。因此對于實證檢驗的研究期限選取2003—2019 年，由于西藏地區存在較多數據缺失，故面板研究對象剔除西藏地區。數據來源于《中國工業統計年鑒》《中國固定資產投資統計年鑒》《中國勞動統計年鑒》《中國基本單位統計年鑒》《中國信息產業年鑒》《中國電子信息產業統計年鑒》《中國稅務年鑒》《中國統計年鑒》和各省份統計年鑒，部分缺失數據通過擬合得到。各變量的具體描述性統計如表3所示。

表3 各變量的描述性統計情況

（二）實證檢驗

參照前文對人工智能技術應用普及率程度的劃分，從先發地區和后發地區兩個層面對資本溢價進行回歸（除了先發地區的5 個省份，其余省份差別不大，均歸結為后發地區），結果見表4。指標1 和指標2 中各變量的作用系數大同小異，說明了回歸結果較為穩健。對比先發地區和后發地區的回歸結果發現，先發地區的各變量作用系數均大于后發地區，意味著先發地區資本溢價對三個變量的變動更加敏感，這也解釋了為什么先發地區資本溢價的變動要先于后發地區，引領我國資本溢價變動的趨勢。具體來說，要素結構和技術效率結構都對技能溢價形成了顯著的正向影響，這符合前文公式推導的結論。人工智能技術普及度對資本溢價形成影響相對于要素結構和技術效率結構，作用系數較小，這說明我國人工智能技術的普及度較低，還不能形成較大的規模效應，一些學者也得到了同樣的結論（趙丹丹和周世軍，2021）。其中，先發地區人工智能技術的應用對于資本溢價的作用呈現負向影響，說明先發地區人工智能技術在制造業中的應用已經在較大程度上提升了勞動工資水平，形成了一定的規模效應。控制變量中，產業結構和對外貿易程度對技能溢價形成正向影響，即第三產業占比的增加和對外貿易程度的提升均能增加資本溢價，說明資本在第三產業中的獲利能力更強，外資的獲利能力更強，基本符合我國國情。自主研發水平的提升和勞動力受教育水平的提升均會降低資本溢價，說明二者可能會通過提升勞動技能水平，進而提升勞動工資水平。其中，先發地區自主研發水平的反向作用系數明顯大于后發地區，這也在一定程度上解釋了隨著研發水平的提升，先發地區資本溢價增速放緩甚至趨于下降。另外，勞動力受教育水平的反向作用系數要大于自主研發水平，說明要降低資本溢價程度，可以重點從提升勞動力受教育水平著手。

表4 對資本溢價影響的回歸結果

根據前文理論推導結果，各省份技能溢價的發展趨勢較為一致，但先發地區的上升趨勢要更為顯著。表5 中各變量對技能溢價的回歸結果顯示，先發地區和后發地區的作用系數較為相近，但先發地區作用系數較高，指標2 的回歸結果也顯示各變量作用系數較為穩定。具體來看，技能勞動結構、技能效率結構和人工智能技術普及程度對技能溢價具有顯著的正向影響，這與前述理論分析結果一致。其中，技能勞動結構的作用系數最大，技能效率結構和人工智能技術普及程度的作用系數較小。控制變量中，產業結構、對外貿易程度和勞動力受教育水平的提升均會增加技能溢價程度，這說明第三產業中高技能勞動投入水平較高，外資更加青睞于高技能投資產品，勞動力受教育水平正在逐漸拉開差距，就業趨勢朝極化方向發展，與多數學者的研究結論相符（屈小博，2019；孫早和侯玉琳，2019），基本符合我國現實情況。

表5 對技能溢價影響的回歸結果

五、進一步討論

根據理論分析，人工智能技術的應用會通過作用于要素結構和技術效率，進而影響資本溢價；通過作用于技能勞動結構和技能效率進而影響技能溢價。因此，對于人工智能技術應用帶來的偏效應有必要做進一步分析。表6 分別對先發地區和后發地區的資本溢價影響因素進行了回歸分析，模型1 檢驗人工智能技術應用通過技術效率結構對資本溢價的影響；模型2 檢人工智能技術應用通過要素結構對資本溢價的影響。總體來看，先發地區和后發地區兩個模型的關鍵指標作用存在差異，主要體現在交叉項變量的作用效果上。先發地區的模型1 證實了人工智能技術的應用通過技術效率結構對資本溢價形成了負向作用，產生了抑制資本溢價的偏效應；模型2 證實了人工智能技術的應用通過要素結構對資本溢價形成了負向作用，也產生了抑制資本溢價的偏效應。后發地區的模型1 反映了人工智能技術的應用通過技術效率結構對資本溢價形成了正向的偏效應；模型2 反映了人工智能技術的應用通過要素結構對資本溢價也形成了正向的偏效應，且后發地區的作用系數顯著小于先發地區。說明我國先發地區的人工智能技術應用效果已初具帶動效應，在一定程度上提升了勞動效率、創造了新的工作崗位。后發地區還處于人工智能技術應用的初級階段，規模效應有待提升。

表7 分別對先發地區和后發地區的技能溢價影響因素進行了回歸分析，模型1 檢驗人工智能技術應用通過技能效率結構對技能溢價的影響；模型2 檢驗人工智能技術應用通過技能勞動結構對技能溢價的影響。結果證實，先發地區和后發地區的人工智能技術應用對技能溢價影響的作用效果類似，即人工智能技術的應用通過技能勞動結構對技能溢價形成了顯著的正向偏效應；通過技能效率結構對技能溢價形成了顯著的負向偏效應，但后者小于前者，總體呈現正向影響。說明人工智能技術的應用已經對低技能勞動效率產生了一定的拉動作用，人工智能技術在行業中的發展開始呈現極化效應。

表7 對技能溢價影響的回歸結果

六、總結

作為工業革命4.0 的主要產物，人工智能技術在我國的發展呈現出強勁的增長勢頭，面對全國勞動收入水平持續走低、資本溢價和技能溢價日益凸顯的問題，人工智能技術的應用可能會使勞動力結構面臨重組，能否平穩的完成新時期的現代化進程、降低可能出現的社會矛盾是我國政府面臨的重大考驗。本文結合資本溢價和技能溢價的內生模型，數理演繹了人工智能技術對二者的影響，并結合我國國情提出了兩個命題：①人工智能技術對資本溢價的影響表現為先升后降的倒“U”型趨勢，且后發地區資本溢價呈上升趨勢；先發地區資本溢價呈微降趨勢，全國資本溢價呈上升趨勢；②人工智能技術對技能溢價增速影響呈現高—低—高的“U”型趨勢，總體呈上升態勢。且先發地區和后發地區，都表現為高技能勞動份額上升，技能溢價呈現極化態勢。通過應用四方程標準化供給面系統法，選取我國1993—2019 年的省際數據，區分先發地區和后發地區以走勢圖驗證了命題結論。進一步地，對人工智能影響資本溢價和技能溢價的直接效應和偏效應進行了檢驗，得到結論：相較于后發地區，先發地區資本溢價對要素結構、技術效率結構和人工智能帶來影響的反應更敏感，已經進入到人工智能發展新階段；先發地區技能溢價對技能勞動結構、技能效率結構和人工智能帶來的影響作用效果更強，技能勞動收入極化效應均已顯現。控制變量中，傳統制造業研發水平的提升和勞動者受教育水平的提升均能在一定程度上緩解資本溢價和技能溢價的增長。

據此，本文提出以下政策建議。

一是增強先發地區人工智能技術的傳帶作用，助力后發地區降低資本溢價水平。先發地區即人工智能技術應用普及程度較高的地區已經可以借助人工智能技術對要素結構和技術效率的影響來緩解資本溢價的增長甚至開始縮小資本溢價程度，這對其他地區形成了很好的示范作用。先發地區應該發揮自己的先動優勢，帶動貿易往來密切地區及毗鄰地區的人工智能技術發展，擴大輻射效應，形成聯動影響。后發地區應該主動尋求與先發地區加大產業合作的可能性，提高貿易往來水平，擴大人工智能技術的應用范圍，利用先進帶動后進的傳幫帶模式，提升后發地區的人工智能技術應用水平。同時依托本地現有人工智能技術應用高精尖產業，開展內部的傳幫帶模式，由內而外的快速提升人工智能技術的應用普及度，減緩資本溢價速度，提升科技發展水平，一舉兩得。

二是重視各地區低技能勞動力技術效率的提升，緩解技能溢價差距和降低失業率。研究結果表明，無論是先發地區還是后發地區，人工智能技術除了自身，還可以通過技能勞動結構和技能效率結構對技能溢價形成影響。雖然人工智能技術對技能溢價的總體作用呈現正向影響，但通過技能效率結構對技能溢價形成的偏效應呈現負向影響。說明各地政府應積極提升低技能勞動力的技術效率水平，進而提升技能效率水平，緩解技能溢價的上漲。低技能勞動力面臨人工智能技術的替代作用，短期內在人工智能技術應用普及程度還不高的時候，可以通過提升本崗位的技能水平來避免被替代的風險；但長期來看，隨著人工智能技術的普及，機械性強、重復性高的低技能崗位被替代是大勢所趨，政府應引導低技能勞動力盡快掌握人工智能發展所需要的新技能，在新的崗位中提升技能水平，緩解就業壓力、降低失業率。

三是大力提升素質教育水平，從根源上緩解資本溢價和技能溢價水平。關于技能溢價的眾多研究中，已有學者提到教育不平等是助推技能溢價上漲的根本原因，且這種影響會持續到子孫后代。本文的結論也證實了同樣的觀點，勞動者受教育水平的提升將會在很大程度上緩解技能溢價的上漲，是政府應重點關注的作用途徑。但勞動者受教育水平的提升并非一朝一夕可以改變的，是需要政府系統謀劃、長遠規劃的民生問題。隨著人工智能技術的不斷普及，高技能勞動力將是各企業爭相的焦點，必須從根本上提升整體國民素質，提高受教育水平，才能塑造足夠多的高技能勞動力來滿足人工智能發展所創造的新型崗位，而人工智能的發展也會提升社會的整體國民素質，進而反哺勞動者的技能水平和受教育程度。因此，政府需要在長遠規劃中將提升素質教育擺到更高的水平，出臺相應內培外引的政策，逐步推進勞動力提升受教育水平。

四是提升傳統制造業的研發水平，增強勞動力技能，降低資本溢價和技能溢價水平。一般來說，傳統制造業崗位被人工智能技術所取代的主要原因是傳統制造業的自主研發水平較低，尤其我國的傳統制造業以中低技能的勞動密集型產業為主，這些崗位工作的勞動者首當其沖的受到人工智能技術的威脅。如果加大傳統制造業的研發投入，將制造業的價值鏈提升到較高水平，相應的崗位所需技能也會提升，倒逼勞動者提升技能水平，當人工智能技術來襲時不會產生大量崗位被替代的情況。一些研究證實，研發水平的提升確實可以在一定程度上抑制資本溢價或技能溢價的增長（徐少俊和鄭江淮，2022；魏巍，2021）。長遠來看，各地政府應重視制造業研發水平的提升，推動制造業產業鏈的轉型升級。