人工智能是否會降低企業勞動收入份額

鄭玉艷 鞏師恩

摘 要：勞動收入份額是收入分配領域的重要內容，探索人工智能對勞動收入份額的影響具有重要意義。本文使用系統GMM方法，以2016—2020年591家人工智能企業動態面板數據為研究樣本，從實證上驗證了人工智能對智能企業勞動收入份額的影響，同時基于分位數回歸法檢驗人工智能對勞動收入份額影響的邊際效應。結果發現，人工智能對勞動收入份額的影響先波動降低到70%分位點處，達到最低值后開始呈現上升趨勢，本文結論對解釋我國勞動收入份額偏低這一事實提供了一定的經驗證據。

關鍵詞：人工智能；系統GMM；分位數回歸；邊際效應；勞動收入份額

本文索引：鄭玉艷，鞏師恩.<變量 2>[J].中國商論，2023（08）：-143.

中圖分類號：F062.4 文獻標識碼：A 文章編號：2096-0298（2023）04（b）--05

隨著我國經濟實力的顯著提高，收入分配狀況明顯改善。黨的二十大報告在完善收入分配方面首次提出，“規范收入分配秩序，規范財富積累機制”。黨的十九屆五中全會明確要求，“扎實推動共同富裕”，而促進共同富裕的手段之一是再分配問題。與此同時，2017年7月國務院發布《新一代人工智能發展規劃》；同年12月，工信部印發了《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》。人工智能作為推動經濟發展的核心力量，在共同富裕背景下，對縮小財富分配差距進而增強收入分配公平性具有重要意義。

現有關于人工智能與勞動收入份額的研究多集中在勞動生產率（惠煒，2022）、人口結構轉型（蘆婷婷等，2022）和產業結構轉型升級視角（郭凱明，2019）。本文主要的邊際貢獻在于：以2016—2020年我國上市人工智能企業微觀數據為基礎，采用人工智能有效專利數，在系統GMM方法下檢驗人工智能對企業勞動收入份額的影響，在分位數方法上進一步驗證人工智能對企業勞動收入份額的邊際抑制效應，該結論為解釋我國勞動收入份額偏低現象提供了一定的經驗證據。

1 實證設計

1.1 實證模型構建

為了分析人工智能對企業勞動收入份額變動的影響，本文選用動態面板模型及系統GMM方法對其進行檢驗，可以有效解決模型的內生性問題。

其中，表示人工智能企業的勞動收入份額；表示企業的人工智能水平；表示一組影響勞動收入份額的控制變量；和分別表示地區效應和時間效應；為隨機誤差項。

構建分位數回歸模型如下：

其中，表示分位數，其他參數的含義與模型（1）相同。

1.2 樣本選擇與主要變量測度

首先，本文選取2016—2020年我國上市人工智能企業相關數據作為研究樣本，利用大智慧軟件，從企業主營業務入手，確定我國上市人工智能企業名單。其次，本文基于研發角度，在國家知識產權局專利數據庫中檢索樣本公司名單，收集相應企業的人工智能有效專利信息數量。最后，人工智能企業財務數據來源于國泰安數據庫，其余變量員工教育程度來源于Wind資訊金融數據庫。

本文的被解釋變量為勞動收入份額，采用白重恩等（2008）的處理方法，計算企業勞動收入份額：勞動收入份額=支付給職工及為職工支付的現金/（營業利潤+固定資產折舊+支付給職工及為職工支付的現金）。另外，借鑒王雄元、黃玉菁等（2017）的方法，勞動收入份額=職工薪酬總額占營業總收入比例做穩健性檢驗。本文的核心解釋變量為，通過檢索國家知識產權局專利數據庫中的企業人工智能有效專利數量來表示企業的人工智能應用水平（王澤宇，2020）。穩健性方法則采用年報文本分析的方法進行測算。本文利用國泰安和萬得數據庫，共生成2016—2020年591家企業非平衡面板數據。

1.3 描述性統計分析與相關性分析

1.3.1 描述性統計分析

表1報告了所有變量的描述性統計特征。

1.3.2 相關性分析

本文使用Matlab軟件對2016—2020年全國112家人工智能企業的勞動收入份額進行核密度估計，如圖1所示。總體來看，勞動收入份額的密度分布曲線隨著年份的變化先右移后左移，勞動收入份額呈先上升后下降的趨勢，說明人工智能企業的勞動收入份額隨時間的變化呈現出不同的變化特征。

2 實證結果與分析

2.1 基準回歸結果與分析

表2報告了人工智能對企業勞動收入份額的影響回歸結果。列（1）為OLS回歸結果，同時在列（2）加入了時間、地區控制變量，列（3）為系統GMM估計結果。本文在回歸過程中采用企業層面的聚類穩健標準誤進行相關分析。結果表明：人工智能對企業勞動收入份額具有顯著的負向影響，系統GMM回歸結果與OLS回歸雖然存在數值及顯著性上的差別，但人工智能對企業勞動收入份額具有負向影響的結論依然成立?？刂谱兞炕貧w結果顯示，企業資本生產率、員工工資水平、教育水平有助于提高企業勞動收入份額；相反，企業規模、企業市場勢力、資本收益率、有機構成越高，企業勞動收入份額越低，實證結果符合經濟現實。

在系統GMM回歸的基礎上，本文進行了擾動項自相關檢驗，AR（1）=0.001，AR（2）=0.714，符合系統GMM回歸法使用的前提條件。工具變量的過度識別檢驗Hansen的P值為0.297，接受了原工具變量具有有效性的假設，說明本文所選工具變量具有一定的合理性。

2.2 分位數回歸結果與分析

前述基礎分析顯示，人工智能對企業勞動收入份額具有顯著的抑制作用，為了刻畫人工智能在勞動收入份額變動中邊際效應的動態演化軌跡，本文借鑒李樂樂、杜天天（2021）的研究，采用bootstrap方法對勞動收入份額進行分位數回歸。表3給出了人工智能企業勞動收入份額在第20%、40%、60%和80%分位點處的回歸結果。

由表3可以看出，在所有分位數上，人工智能的估計系數均為負，且系數的絕對值呈現先遞增后遞減的趨勢，說明其邊際抑制效應在不同的勞動收入份額分位點處具有不同的影響。具體表現為，人工智能的估計系數從0.20分位數上的-0.00366下降到0.60分位數上的-0.00683，繼而上升到0.80分位數上的-0.00522。對其解釋為，隨著勞動收入份額水平的提升，人工智能的替代效應得以釋放，直到勞動收入份額水平提升到一定程度，就業創造效應開始顯現，并逐漸超越替代效應，對勞動收入份額的負向影響減弱。

從控制變量的估計結果來看，在全部分位數上，員工教育水平、資本產出比和工資水平對勞動收入份額的影響顯著為正，即對勞動收入份額具有提升作用；企業規模、價格加成、資產收益率及資本有機構成對勞動收入份額的影響顯著為負，即對勞動收入份額具有抑制作用。值得注意的是，員工教育水平的估計系數始終為正，且隨著分位數的增加逐漸提高，從0.20分位數上的0.0232提高至0.80分位數上的0.0488，表明員工教育水平對勞動收入份額具有顯著的促進作用。就顯著性而言，系數在0.20分位數上不顯著，0.40分位數和0.60分位數上的系數在10%的水平上顯著，0.80分位數上的系數則在1%的水平上顯著，意味著隨著勞動力教育水平的提升，人工智能對勞動收入份額的促進作用越來越顯著。工資水平的估計系數在所有分位數上顯著為正，且呈逐漸上升趨勢，表明勞動力工資水平的提升有助于勞動收入份額的提高。資本產出的估計系數在所有分位數上顯著為正，總體呈波動下降趨勢，對勞動收入份額的正向影響逐漸減弱；企業規模和價格加成的估計系數絕對值不斷增加，對勞動收入份額的負向影響逐漸加強；資產收益率及資本有機構成對勞動收入份額的負向影響逐漸減弱。實證結果符合經濟現實。

另外，本文展示了不同解釋變量影響勞動收入份額增長的分位數回歸變化趨勢，如圖2所示，人工智能對勞動收入份額具有負向影響，總體上呈先降低后升高的變化特征。具體表現為，人工智能對總份額的影響先波動降低到70%分位點處，達到最低值后呈現上升趨勢，控制變量的變化趨勢符合上述分析。

3 穩健性檢驗

本部分分別替代核心解釋變量、被解釋變量及對各變量進行縮尾處理后進行穩健性檢驗，回歸結果如表4所示。從表4的第一列來看，人工智能的估計系數在5%的水平上顯著為負，F值為84.9709，且在1%的水平上顯著。表4的第二列采用年報文本分析方法對核心解釋變量進行替換，結果顯示，人工智能的估計系數為-0.0079，略大于基準回歸的系數-0.0051。表4的第三列對所有連續變量統一進行5%的Winsorize雙側縮尾處理后重新進行回歸。穩健性檢驗結果顯示，人工智能及絕大部分控制變量在系數符號及統計顯著性上均與表2一致，表明所得的回歸結果是穩健的。

4 結語

本文基于2016—2020年我國上市人工智能企業微觀面板數據，在實證的基礎上考察人工智能對企業勞動收入份額的影響，檢驗了人工智能對勞動收入份額影響的邊際效應。本文的主要發現包括：一是人工智能對企業勞動收入份額具有顯著的負向影響；二是從勞動收入份額的邊際效應來看，人工智能在不同分位點對勞動收入份額的影響存在明顯變化，先波動降低到70%分位點處，達到最低值后呈現上升趨勢。從邊際效應的角度來看，隨著就業創造效應的釋放，人工智能的替代效應隨著勞動收入份額水平的提升而降低，所以不必過于擔心人工智能對勞動收入份額的負向影響。本研究結論對解釋我國勞動收入份額偏低事實具有一定的意義。

參考文獻

惠煒.人工智能與勞動收入份額：來自中國城市數據的經驗證據[J].北京工業大學學報（社會科學版），2022，22（6）：99-112.

蘆婷婷，祝志勇，劉暢暢.人工智能、人口結構轉型與勞動收入份額變化[J].廣東財經大學學報，2022，37（4）：4-17.

郭凱明.人工智能發展、產業結構轉型升級與勞動收入份額變動[J].管理世界，2019，35（7）：60-77+202-203.

王澤宇.企業人工智能技術強度與內部勞動力結構轉化研究[J].經濟學動態，2020（11）：67-83.

白重恩，錢震杰，武康平.中國工業部門要素分配份額決定因素研究[J].經濟研究，2008（8）：16-28.

王雄元，黃玉菁.外商直接投資與上市公司職工勞動收入份額：趁火打劫抑或錦上添花[J].中國工業經濟，2017（4）：135-154.

鈔小靜，周文慧.人工智能對勞動收入份額的影響研究：基于技能偏向性視角的理論闡釋與實證檢驗[J].經濟與管理研究，2021，42（2）：82-94.

李樂樂，杜天天.人口年齡變化、醫療需求行為與醫療費用增長：基于醫療保險結算數據的實證研究[J].當代經濟管理，2021，43（4）：72-80.