人工智能應用是否影響了家庭債務？

摘" "要：本文基于2015年、2017年中國家庭金融調查（CHFS）數據，考察了人工智能應用對家庭債務的影響，并從信貸供求渠道驗證了兩者間的作用機制。研究結果顯示，人工智能應用抑制了家庭債務規模的上升。異質性檢驗結果表明，人工智能應用更容易抑制戶主為低教育水平的家庭、農村戶口家庭、西部地區家庭以及低人力資本存量地區家庭的債務擴張。作用機制檢驗結果表明，人工智能應用主要通過緊縮信貸供給從而抑制了家庭債務上漲。

關鍵詞：人工智能應用；家庭債務；勞動力就業；信貸供求

中圖分類號：F832.479" 文獻標識碼：A 文章編號：1674-2265（2024）06-0079-10

DOI：10.19647/j.cnki.37-1462/f.2024.06.008

一、引言

人工智能是引領新一輪科技革命和產業變革的重要驅動力。隨著新一輪科技革命的蓬勃發展，作為人工智能的一項重要應用，工業機器人在全球的廣泛推廣與普及帶來了生產方式的革新與勞動生產率的提高。據國際機器人聯合會（IFR）統計（見圖1），2010—2019年中國工業機器人應用存量逐年上升，年均增長率高達35.23%，于2016年首次超越日本成為全球工業機器人應用庫存量最大的國家。截至2019年，中國工業機器人應用庫存量已達780913臺，占世界總工業機器人存量的28.69%。一方面，由于人工智能在技術上的不斷更迭能夠提升企業生產率（黃曉鳳等，2023）[1]，由此形成的規模效應既能夠擴大企業生產成本優勢（Sahin，2020）[2]，還可以提高企業員工收入水平，并創造更多的就業機會，故而人工智能備受企業青睞；另一方面，人工智能加速了機器人在勞動力市場上對人的替代，人類的就業面臨著前所未有的挑戰（Frey和Osborne，2017）[3]。因此，人工智能應用受到了學術界的廣泛關注。

縱觀現有關于人工智能應用的文獻，大部分研究關注其內涵、技術開發及經濟效應。在內涵與技術開發方面，主要圍繞什么是人工智能、如何設計開發人工智能從而更好地應用于各個領域兩個問題展開。關于其經濟效應的文獻亦是層出不窮，主要涉及以下兩類：第一類是宏觀經濟效應研究，主要從行業層面與市場層面展開。一方面，研究識別了哪些行業更易受到人工智能的沖擊影響。如Frey和Osborne（2017）[3]測算了人工智能替代各個行業的可能性，研究表明約有47%的行業面臨替代風險。另一方面，研究探討了人工智能應用對勞動力市場需求的影響效應。如王曉娟等（2022）[4]探討了長期和短期內人工智能應用對制造業就業需求的影響，研究表明，短期內人工智能應用將會擠占勞動力就業，致使市場就業需求下降，而在中長期，其將創造就業崗位，增加市場就業需求。第二類是微觀經濟效應研究，主要從企業層面與個人層面展開。其一，人工智能對個人就業的影響。如Goddard等（2021）[5]的研究指出機器人的應用將使得勞動力失業概率上漲，存在替代效應。其二，人工智能對就業收入的影響。羅潤東和郭怡笛（2022）[6]的研究表明人工智能應用水平每提升1個單位，員工平均薪酬水平將會增長0.015個單位。而Daron和Pascual（2020）[7]研究表明，每千名工人多一個機器人，工資水平將會降低0.42%。Lankisch等（2019）[8]研究表明，機器人的推廣會使得低技能工人的工資水平下降，但對于高技能工人的工資水平具有溢出效應，存在收入的“極化現象”。人工智能沖擊勞動力就業，必然影響其家庭經濟決策，其中，家庭債務決策首當其沖。

黨的十九大把防范化解重大風險作為決勝全面建成小康社會必須打贏的三大攻堅戰之一。2017年12月的中央經濟工作會議再次強調，打好防范化解重大風險攻堅戰，重點是防控金融風險。家庭債務作為現代社會普遍存在的一種經濟現象和社會現象，亦是引發金融風險的導火索之一。根據國家金融與發展實驗室2022年發布的中國國家資產負債表數據（見圖2），中國家庭債務占GDP的比重較16年前翻了三番，截至2021年末，該比重高達62.2%，家庭負債與可支配收入之比也由2004年的33%飆升至2018年的92%。快速增長的居民杠桿率引起了政府部門的高度關注。除此之外，信貸供給不足的問題也隨著居民杠桿率的提升漸漸顯露。2019年《中國農村金融服務供給與需求研究報告》顯示，在被調研的6個省60個縣180個村中，存在正規信貸需求的農戶占總樣本的31.39%，然而僅有18.38%的農戶獲得了信貸供給，故而農村信貸可獲得性處于較低水平，貸款難、貸款貴仍是當下需要攻克的難題。一方面是持續攀升的家庭負債率，另一方面是存在普遍的貸款難現象，兩者看似背道而馳，實則充分暴露出當下金融體系的低效率、金融體制的不完善與金融市場的結構失衡。居高不下的家庭負債水平加大了家庭部門的金融風險，而居民貸款難則降低了居民部門的消費支出，進一步阻礙了經濟的可持續增長。如何平衡防范家庭債務風險與提高信貸的可及性是當下亟待解答的問題之一。

自2008年金融危機爆發以來，日益嚴峻的家庭債務問題引人注目，學者們紛紛對其影響因素展開研究，試圖從源頭找到化解債務危機與降低金融風險的方法，家庭要素稟賦差異（Reboul等，2021）[9]、利率（Stockhammer和Wildauer，2018）[10]、地方經濟不確定性（郭新華和朱小青，2021）[11]、地方房價水平（趙向琴等，2021）[12]、貨幣政策（Canakci，2021）[13]、社會保障與福利（Annarelli，2022）[14]等被認為是影響家庭債務的主要因素。與本文主題密切相關的研究主要是勞動力就業和收入對家庭債務影響的文獻。關于勞動力就業對家庭債務的影響，吳衛星等（2013）[15]研究發現勞動力積極參與就業能夠正向影響家庭債務。周利等（2021）[16]研究則發現勞動力消極就業與失業將會刺激家庭債務上漲。Barba和Pivetti（2009）[17]從收入的角度考察其對家庭債務的影響，結果發現低收入水平家庭往往有著更為強烈的借貸需求，故而這部分家庭的債務水平較高。還有學者發現，收入差距亦是影響家庭債務的重要因素之一，收入差距越大的地區家庭負債的可能性越高（Loschiavo，2021）[18]。

綜上，關于人工智能應用對勞動力市場的影響以及勞動力市場對家庭債務影響的文獻較為豐富，但鮮有文獻從家庭層面研究人工智能應用水平對家庭債務的影響。人工智能應用能夠影響勞動力就業和收入，而勞動力就業和收入又能夠影響家庭債務，那么人工智能應用能否對家庭債務產生影響，是創造效應還是替代效應？又將如何產生影響？為解答上述問題，本文利用2015年、2017年中國家庭金融調查（CHFS）的微觀家庭數據，匹配測算的省級機器人數據，形成兩期面板數據，實證檢驗了人工智能應用對家庭債務的影響及機制。本文的邊際貢獻在于：一是系統研究了人工智能應用對家庭債務的影響，是較早采用家庭微觀數據論證人工智能應用對家庭債務影響的文獻；二是從信貸供求渠道剖析了人工智能應用對家庭債務的作用機制，并結合中國數據予以實證檢驗；三是細化了人工智能應用對家庭債務的影響效應，能夠為我國防范家庭債務風險或加強信貸的可及性提供思路。

二、理論分析

（一）信貸需求渠道

人工智能的大規模應用對世界各國勞動力市場產生了較大的沖擊。通過對現有文獻分析歸納，發現人工智能主要對勞動力市場產生替代效應與創造效應。替代效應主要是指機器人對人力的替代會降低企業對各崗位的需求與工資。而創造效應則是指技術進步推動生產力水平及生產效率的提高，進而刺激勞動力需求上漲，就業人數上升。與此同時，技術進步能夠提振要素生產效率，進一步促進勞動力邊際報酬增加，就業收入也隨之上漲（Frey和Osborne，2017）[3]。還有研究指出，人工智能應用對勞動力市場存在填補效應，即人工智能通過填補產業鏈中人所不能勝任卻又不可或缺的崗位，從而形成一個完整的產業鏈閉環，這將會極大增強勞動力的就業意愿，從而促進就業量增長（鄧洲和黃婭娜，2019）[19]。同時，產業經濟鏈的完善對員工收入具有溢出效應（Paweenawat，2021）[20]，進而促進就業人數與就業收入的穩步增長。

當創造和填補效應大于替代效應時，人工智能的應用可以增加家庭就業和收入，這將進一步減少信貸需求，并導致家庭債務減少。原因可能在于，在永久收入假說的基礎上，家庭將根據預期的長期收入水平而不是臨時收入水平來確定其消費水平（Madrigal等，1993）[21]。因此，短期內收入的增加不會導致消費水平的提高。相反，家庭將傾向于使用盈余來償還貸款或留出更多的儲蓄，以避免未來的收入波動，這將減少家庭的借貸動機（Brown和Taylor 2008）[22]和家庭債務的需求。Crook（2006）[23]研究表明，隨著未來預期收入的增加，家庭消費可以被收入所滿足，從而降低了家庭信貸需求，抑制了家庭債務水平的上升。當替代效應大于創造和填補效應時，人工智能應用將擠占家庭就業，減少家庭收入，基于永久收入假說，短期內收入的減少亦不會導致消費水平的降低，反而會導致家庭為了維持原有的消費水平產生而借貸需求，從而導致家庭債務增加，因此，我們提出以下兩個競爭性假設。

H1a：人工智能應用可以增加家庭就業和收入，抑制信貸需求，從而減少家庭債務。

H1b：人工智能應用可以減少家庭就業和收入，刺激信貸需求，從而增加家庭債務。

（二）信貸供給渠道

隨著人工智能技術的不斷成熟以及與金融的跨界融合，智能金融逐步成為金融服務的主流。隨著金融資源分配的優化，居民的流動性約束得到緩解，居民的信貸可及性大大提高。如果人工智能應用增加了家庭就業和收入，家庭所受信貸約束得到緩解，將刺激信貸供應，從而可能增加家庭債務。此外，智能時代下金融機構也對居民金融素養提出了更高的要求，通過智能網絡檢測居民金融素養，金融素養水平越高的居民越容易通過金融機構貸款資質核查，越可能獲得信貸供給（張樂柱和王劍楠，2022）[24]。受人工智能應用影響就業和收入增加的群體往往為受教育程度較高人群，此類群體的金融素養通常較高，因而更容易通過金融機構資質核查獲得信貸供給，從而增加家庭債務。

然而，大量研究指出，智能化時代下“麥克米倫缺口”現象仍然存在，其原因在于，人工智能的引入為信貸審批流程提供了更為嚴苛的技術支持（王勛等，2022）[25]，如果人工智能應用減少了家庭就業和收入，可能將進一步加劇收入較低群體的信貸困境。具體作用機制如下：一方面，家庭成員失業或收入減少后，所受信貸約束收緊，從而抑制信貸供給；另一方面，人工智能應用更可能替代受教育程度較低人群的就業（孫望書和孫旭，2024）[26]，該類人群往往金融素養水平較低，難以通過金融機構貸款資質核查，獲取信貸供給難度加大，從而減少了家庭債務。在此基礎上，我們提出以下兩個競爭性假設。

H2a：人工智能應用可以增加家庭就業和收入，刺激信貸供應，從而增加家庭債務。

H2b：人工智能應用可以減少家庭就業和收入，抑制信貸供應，從而減少家庭債務。

綜上，由于人工智能應用可能增加或減少家庭就業和收入，從而刺激或抑制信貸需求和信貸供給，進而增加或減少家庭債務，因此，理論分析無法最終確定人工智能應用對家庭債務的影響方向，需通過實證進一步驗證。本文研究框架見圖3。

圖3：研究框架

三、實證設計

（一）數據來源與處理

本文數據主要涵蓋微觀與宏觀兩個層面。本文所選用的微觀數據是CHFS 2015年、2017年數據。CHFS是我國首個家庭金融微觀調查，其數據覆蓋了全國29個省（自治區、直轄市，不含港澳臺地區，以下簡稱省份），代表性較強。除人口統計特征外，該數據還涵蓋了以家庭為最小的微觀經濟單元的收入、消費水平以及資產與負債等方面的信息，為本文從微觀層面考察人工智能應用對家庭債務的影響及其作用機制提供了關鍵的數據支撐。本文先剔除了家庭層面相關變量存在缺失值的家庭以及2017年未追蹤到的家庭。為避免異常值對回歸結果的影響，本文將戶主年收入與年總支出小于100元、資不抵債的家庭樣本進行了剔除。參照現有相關文獻的做法，考慮到孩童、青少年以及老年人對家庭決策影響較低，本文僅保留了戶主年齡為18～70歲的家庭樣本，最后篩選得出4332戶有效家庭，共8664個有效樣本。宏觀數據方面，工業機器人數據來源于國際機器人聯合會，包括7個行業大類的機器人安裝量與存量數據，各省份細分行業就業人數數據來源于《中國勞動統計年鑒》，其他變量數據來源于《中國統計年鑒》。

（二）變量設定

1. 被解釋變量：家庭債務規模，為家庭負債總額的對數值。其中，家庭負債總額為各類負債金額之和，包括農業經營、工商業經營、商鋪、住房、車輛、股票、其他金融產品、教育、其他負債。本文還采用家庭負債率（家庭總負債與總資產的比值）與家庭是否負債作為替換變量進行穩健性檢驗。

2. 核心解釋變量：人工智能應用。參照王文等（2020）[27]的思路，采用各省份工業機器人安裝密度（每萬名工人擁有的工業機器人數量）來衡量人工智能應用水平。計算思路如下：先根據國際機器人聯合會（IFR）數據庫按行業大類選取A—B（農林漁牧）、C（采礦業）、D（制造業）、E（電燃水氣供應業）、F（建筑業）、P（教育科研業）、99（其他行業）七類，以此分類從《中國勞動統計年鑒》獲取細分行業各省份就業人數，進而計算各省份各行業就業人數占各省份就業總人數的百分比，加權計算各省份機器人安裝量。然后用各省份機器人安裝量除以各省就業總人口數算出工業機器人安裝密度。計算公式如下：

[ρrobotpt=∑laborpjtlaborpt×robotjtlaborpt]" " " （1）

其中，[ρrobotpt]表示[p]省[t]年的機器人安裝密度，[laborpjt]表示[p]省[j]行業[t]年的就業人數，[laborpt]表示[p]省[t]年的就業總人數，[robotjt]表示[j]行業[t]年的機器人安裝量。

本文還參照上述測算思路，按照機器人應用存量計算出存量密度作為替代變量進行穩健性檢驗。文章還借鑒Du 和Lin（2022）[28]等的研究，采用Bartik工具變量法計算機器人安裝密度，進行穩健性檢驗。其計算公式如下：

[ρrobotpt=∑laborpjtlaborpt×robotjtlaborjt]" " " "（2）

其中，[laborjt]表示[j]行業[t]年的就業總人數。

3. 其他控制變量。其他控制變量主要包括地區房價水平、地區GDP、地區金融發展深度、地區社會保障與就業支出、戶主年齡平方、戶主性別、戶主年齡、家庭是否有房產以及家庭戶口類型。具體變量定義見表1。

表2為變量的描述性統計結果。家庭平均債務規模為8.601，標準差為4.435，說明我國居民債務水平存在較大差異。而人工智能應用的平均水平為5.56，標準差為2.842，表明各地區人工智能應用的推廣程度也有所不同。本文進一步將樣本分為負債家庭樣本組與無負債家庭樣本組，結果顯示抽取的8664個樣本中7017個樣本存在家庭負債，占比為80.99%，說明居民家庭普遍存在借貸行為。另外，負債家庭樣本組所在省份的人工智能應用水平的均值為5.009，小于無負債家庭樣本組所在省份的人工智能應用的平均水平7.909，故而初次得出推斷，人工智能應用水平可能與家庭債務呈負相關關系。

（三）模型設定

為了估計人工智能應用對家庭債務的影響效應，構建基準回歸方程如下：

[debtit=α0+α1ρrobotpt+α2Zpt+α3Xit+Dt+Di+εitp]" "（3）

如公式（3）所示，[debtit]為被解釋變量，表示[t]年[i]家庭的家庭債務規模。[ρrobotpt]為核心解釋變量，表示各個家庭所屬省份地區[t]年的機器人安裝密度。[Zpt]為宏觀層面的控制變量，具體包括地區房價水平、地區GDP、地區金融發展深度、地區社會保障與就業支出。[Xit]則代表家庭微觀層面的控制變量，涵蓋戶主年齡平方、戶主性別、戶主年齡、家庭是否有房產以及家庭戶口類型。[Dt]、[Di]分別代表樣本家庭的時間固定效應、個體固定效應。[εitp]為隨機誤差項。

四、實證結果分析

（一）人工智能應用對家庭債務的影響研究

1. 基準回歸結果。基準回歸結果如表3所示。第（1）列為固定了時間與個體但尚未引入控制變量的回歸結果，核心解釋變量人工智能應用的估計系數為-0.194，在1%的顯著性水平下顯著為負。在引入了控制變量后，其系數為-0.221，同樣在1%的顯著性水平下顯著，且呈負相關關系。這表明人工智能應用對家庭債務規模具有顯著的負向影響，原因可能在于，人工智能應用通過增加家庭就業和收入抑制了信貸需求，從而減少了家庭債務；或者人工智能應用通過減少家庭就業和收入抑制了信貸供給，從而減少了家庭債務。具體原因還需通過作用機制檢驗進一步驗證。

2. 穩健性檢驗。（1）考慮內生性問題。核心解釋變量的內生性問題是實證研究中不可忽視的部分，故而本文將尋找人工智能應用的工具變量，采用工具變量法處理測量偏誤并獲得一致性估計。本文選取各省光纜密度作為工具變量，即每平方公里光纜線路的長度。一方面，人工智能的關鍵元件是傳感器，光纖因具備能夠承載大量信息進行遠距離傳輸且不易受電磁干擾的特性而成為制造傳感器的不二之選，故而各地區光纜密度會影響人工智能應用水平；另一方面，各地區光纜的設置不受家庭債務水平的影響，故而該變量具備一定的外生性。

表4中第一列為工具變量一階段回歸結果，地區光纜密度的估計系數為0.175，且在1%的顯著性水平下顯著為正，表明光纜密度越高的地區人工智能應用水平越高。第二列為二階段回歸結果。結果顯示人工智能應用仍顯著負向影響家庭債務規模，弱工具檢驗下F值為1062.31大于16.38，說明地區光纜密度是強工具變量。加入工具變量克服了潛在內生性之后，結論仍然穩健，表明人工智能應用水平的上升會抑制家庭債務規模的擴張。

（2）替換被解釋變量。本文將家庭負債率與家庭是否負債作為家庭債務規模的替換代理變量。其中，家庭負債率為家庭總負債與總資產的比值，能夠反映各個家庭債務的相對水平。考慮到該變量為截堵變量，故而采用xttobit模型進行回歸。而家庭是否負債則根據家庭現有債務是否為0進行判斷，當家庭債務為0時，該變量取值為0，反之則為1。由于該變量為二值變量，故而采用xtprobit模型進行回歸。表4第三、四列回歸結果表明，人工智能應用水平每提升1個單位，家庭負債的可能性將會降低5.9%個單位，家庭負債率將會減少0.9%個單位。該結果支持了基準回歸結果，穩健性檢驗通過。

（3）替換核心解釋變量。進一步地，本文還將滯后一期的機器人安裝密度與采用Bartik 工具變量法計算的機器人安裝密度作為核心解釋變量的替換變量。如表4第五、六列所示，人工智能應用的系數符號仍為負，且在1%的顯著性水平上顯著，與基準回歸結果一致，穩健性檢驗通過。

（4）替換樣本。考慮到戶主年齡可能會對家庭債務決策產生相應的影響，且適齡勞動力家庭樣本更能夠體現人工智能應用對家庭債務的影響，因此，篩選戶主年齡小于等于60歲的家庭進行回歸。表4第七列為回歸結果，在替換了樣本后，核心解釋變量的系數符號和顯著性都與基準回歸結果保持一致。

（二）人工智能應用對家庭債務影響的作用機制檢驗

理論分析表明，人工智能應用可以通過信貸需求與信貸供給渠道對家庭債務產生影響。本部分參考馬述忠與張洪勝（2017）[29]、邵朝對與蘇丹妮（2019）[30]以及劉誠等（2023）[31]的研究，先檢驗核心解釋變量是否會影響中介變量，然后引入兩者的交乘項以檢驗人工智能應用的作用機制。具體的計量模型如式（4）和式（5）所示。

[mediatorit=β0+β1ρrobotpt+β2Zpt+β3Xit+Dt+Di+εitp]" （4）

[debtit=δ0+δ1ρrobotpt×mediatorit+δ2mediatorit+δ3Zpt+δ4Xit+Dt+Di+εitp]" " （5）

上式中，[mediatorit]為信貸需求與信貸供給的統稱。為避免交乘項與原變量間可能存在的多重共線性，本文已對交乘項進行了去中心化處理。

為進一步驗證上文假設，本部分具體考察了人工智能應用是否通過信貸供給機制和信貸需求機制影響了家庭債務水平。其中，信貸供給根據CHFS問卷設置的“截止到目前，您家是否曾獲得過來自銀行/信用社的貸款？”與“截止到目前，您家是否曾向銀行/信用社申請貸款，但是被拒絕？”問題進行定義，曾經申請貸款并成功獲得貸款則表明該家庭曾獲得信貸供給。獲得信貸供給時取值為1，否則為0。信貸需求則根據CHFS問卷中“家庭是否存在資金需求”這一問題進行定義，存在資金需求時取值為1，否則為0。

回歸結果如表5所示。表5第一列結果顯示，人工智能應用對家庭信貸供給在10%的顯著性水平上存在負向影響。這一結果初步驗證了前文的假設，即人工智能技術賦能全流程金融風險控制，具有更為嚴苛的信貸準入機制，這進一步加劇了家庭部門的信貸約束。表5第二列結果顯示，信貸供給的估計系數為7.004，在1%的顯著性水平上顯著為正。而交乘項的系數為0.444，也在1%的顯著性水平上為正，表明人工智能應用水平能夠強化信貸供給對家庭債務的正向影響，即人工智能應用水平越高，信貸供給對家庭債務的正向影響越強。該機制表明，人工智能的普及能夠通過約束信貸供給進而抑制家庭債務水平的上升。該結論佐證了假設H2b成立，即人工智能應用可以減少家庭就業和收入，抑制信貸供應，從而減少家庭債務。然而，根據表5第三列和第四列的結果可知，人工智能應用并沒有對信貸需求產生影響，從而不會進一步影響家庭債務規模。該結果也證實了人工智能應用與信貸需求間并不存在顯著的相關關系，故而該機制無法得到經驗數據的支撐，因此，該結論表明假設H1a和H1b均不成立，原因可能在于替代效應帶來失業的家庭不會立即產生信貸需求。

綜上，人工智能應用主要通過信貸供給機制影響家庭債務。人工智能的替代效應使得家庭難以獲得信貸供給，加之受人工智能的替代效應影響的群體往往金融素養水平較低，導致其難以通過金融機構貸款資質核查，獲取信貸供給難度加大，從而進一步降低了家庭債務水平。

（三）異質性分析

考慮到家庭稟賦特征與地區異質性在一定程度上會影響家庭債務決策，故而本文選取了戶主受教育程度、城鄉戶口差異、家庭所處經濟帶以及地區人力資本水平作為劃分標準進行異質性分析。

1. 戶主受教育程度。戶主往往掌握著家中事務決策權，戶主的受教育程度不僅會直接影響其對事物的認知、判斷，而且往往決定了其工作所需的技能類別。例如，受教育程度較低的人群往往從事低勞動技能的工作，而受教育程度高的人群往往從事較高勞動技能的工作。故本文根據戶主受教育程度進行分組，大專以下劃分為低學歷水平組，大專及大專以上為高學歷水平組，并分樣本進行回歸分析。

回歸結果見表6。第一列為低學歷水平組的回歸結果，核心解釋變量的估計系數為-0.304，且在1%的水平下顯著，表明對于戶主受教育水平較低的家庭，人工智能應用水平的提升會抑制家庭債務規模的增長。低教育水平往往決定了該類人員的崗位為低勞動技能崗位，人工智能的廣泛普及將會擠出這一部分就業，隨著家庭預期收入的下降以及所受信貸約束的增長，債務供給受限進而導致家庭債務降低。表6第二列為高學歷水平組的回歸結果，核心解釋變量的估計系數為0.245，但不顯著，原因可能在于高教育水平人員的就業難以被機器人所替代，根據創造效應，人工智能應用將顯著提升這一部分人群的收入，雖然由此得到緩解的信貸約束可能導致債務擴張，但可能由于這部分人群產生的信貸需求不強烈，因此，并未對家庭債務產生顯著影響。

2. 城鄉戶口差異。城鄉戶口的差異在很大程度上決定了各個家庭原有的經濟狀況與消費結構，故而也會影響一個家庭的債務決策。因此，本節將按照城鄉戶口劃分樣本進行異質性分析。如表6所示，第三、四列分別展示了人工智能應用對農村和城鎮戶口家庭債務規模的影響。結果顯示，當家庭為農村戶口時，核心解釋變量的估計系數為-0.306，在1%的水平下顯著為負，表明人工智能的應用將會顯著抑制農村家庭的債務水平；而當家庭為城鎮戶口時，其作用并不顯著。針對該結果，可能的解釋是大部分農村家庭會由于其經濟能力以及教育經歷受限而無法獲得更高層次的就業機會，人工智能應用的替代效應更容易在農村家庭中產生。進一步地，由于家庭預期收入水平的降低，這些家庭將受到更高的信貸約束，抑制了家庭債務水平的上升。但對于城鎮戶口家庭，即使人工智能應用對城鎮戶口家庭的低技能勞動力產生了替代效應，也可能由于其良好的經濟能力不會受到嚴格的信貸約束。

3. 地區差異。不同地區要素稟賦存在差異，人工智能的應用水平也存在著顯著的差異，這將對家庭的債務決策產生不同的影響。故而本節將樣本按照家庭戶口所在省份劃分為東、中、西部之后進行分樣本回歸，結果如表6第五至七列所示。人工智能應用對東、中部地區家庭的債務水平并沒有產生顯著的影響，但對西部家庭的債務水平具有顯著的負向影響。可能的原因在于，相對于東、中部地區而言，西部地區家庭收入水平較低，基礎設施建設較為落后，產業結構不完善，勞動力市場的高技術人才極度匱乏，勞動力的流動性不足。人工智能的應用會使得更多西部地區家庭成員失業，隨之而來的信貸供應緊縮最終抑制了其家庭債務的上漲。

4. 地區人力資本水平。鑒于人力資本能夠為人工智能的應用與普及提供智力支撐，同時人工智能的發展也將助力人力資本結構優化，因而人工智能的應用對不同人力資本存量水平的地區產生的替代效應和創造效應可能不同。因此，本文根據人力資本存量是否超過全國平均水平將29個省份分為高人力資本地區與低人力資本地區，在此基礎上進行分樣本分析。其中，人力資本存量采用省份人均受教育年限來衡量。一般而言，人均受教育年限越高代表該地區人力資本水平越高。回歸結果見表6第八和九列，人工智能應用與高人力資本水平地區的家庭負債并不存在顯著的相關關系，但與低人力資本水平地區家庭的債務規模呈顯著的負相關關系。可能的解釋是低人力資本水平地區的家庭往往受教育水平較低，進而加劇了人工智能所帶來的替代效應，工人失業沖擊使得信貸約束加強，進而導致家庭債務規模減小。

五、結論與建議

本文基于2015年、2017年中國家庭金融調查（CHFS）數據，通過匹配微觀家庭數據、經測算得到的各省份機器人數據以及其他相關省份層面的數據形成兩期平衡面板數據，實證檢驗了人工智能應用對家庭債務的影響及其作用機制。基準回歸的結果表明，人工智能應用對家庭債務規模具有抑制作用，在考慮內生性問題、替換被解釋變量、替換核心解釋變量與替換樣本后，回歸結果依然穩健。異質性檢驗發現，戶主為低教育水平的家庭、農村戶口家庭、位于西部經濟帶以及低人力資本地區的家庭，其家庭債務水平更易受到人工智能的負向影響。作用機制檢驗結果表明，人工智能應用主要通過緊縮信貸供給渠道抑制了家庭債務規模。

基于上述結論，本文提出如下政策建議：第一，創新就業模式與推動人機優勢互補。人工智能通過減少家庭就業抑制了家庭債務規模，體現為當前階段人工智能對勞動力市場的替代效應大于創造效應和填補效應。對此，應鼓勵利用人工智能和機器人技術開拓更多新業態、新模式，從而創造出更多就業機會，例如智能設備研發與維修等。同時，應創造更多人機協同的工作場景，推動實現人機優勢互補，以緩解人工智能技術對勞動力市場帶來的沖擊。

第二，促進失業者再就業與提升社會保障力度。人工智能對低教育水平家庭、農村戶口家庭以及經濟教育落后地區家庭的家庭債務抑制作用更強，這說明人工智能應用對由中低技能勞動力組成的家庭的替代效應更大。為應對人工智能時代帶來的就業挑戰，政府應完善人口流動政策，降低勞動力區域流動的制度壁壘，加速失業群體再就業過程。同時，政府應進一步健全相關的就業培訓制度和再就業支持政策，提高勞動者對新技術的適應能力。此外，應加大非正式就業者的社會保障力度，以緩沖人工智能應用對失業群體帶來的負面影響。

第三，提升居民金融素養與促進普惠金融發展。人工智能的引入為信貸審批流程提供了更為嚴苛的技術支持，進一步加劇了失業群體的信貸困境。鑒于金融素養水平越高的居民越容易通過金融機構貸款資質核查，越可能獲得信貸供給，因此，應擴大金融知識的普及范圍，加大金融相關政策的宣傳力度，建立健全城鄉居民金融素養培育的體制機制，切實提升失業人群的金融素養與技能水平；銀行等金融機構還應充分利用人工智能等新技術推動數字普惠金融發展，運用大數據等技術向家庭提供精準的個性化信貸服務，進一步增強信貸可及性，推動居民消費，促進經濟可持續增長。

參考文獻：

[1]黃曉鳳，朱瀟玉，王金紅.人工智能提升了中國制造業企業的全要素生產率嗎 [J]. 財經科學，2023，418（01）.

[2]Sahin L. 2020. Impacts of Industrial Robot Usage on International Labor Markets and Productivity：Evidences from 22 OECD Countries [J].Journal of International Studies，13（3）.

[3]Frey C B，Osborne M A. 2017. The Future of Employment：How Susceptible are Jobs to Computerisation？[J].Technological Forecasting and Social change，（114）.

[4]王曉娟，朱喜安，王穎.工業機器人應用對制造業就業的影響效應研究 [J].數量經濟技術經濟研究，2022，39（04）.

[5]Goddard MA，Davies ZG，Guenat S，Ferguson MJ，Dallimer M. 2021. A Global Horizon Scan of the Future Impacts of Robotics and Autonomous Systems on Urban Ecosystems [J].Nature Ecology amp; Evolution，5（2）.

[6]羅潤東，郭怡笛.人工智能技術進步會促進企業員工共同富裕嗎？[J].廣東社會科學，2022，（01）.

[7]Daron Acemoglu，Pascual Restrepo. 2020. Robots and Jobs：Evidence from US Labor Markets [J].Journal of Political Economy，128（6）.

[8]Lankisch C，Prettner K，Prskawetz A. 2019. How can Robots Affect Wage Inequality？[J].Economic Modelling，（81）.

[9]Reboul E，Guérin I，Nordman C J. 2021. The Gender of Debt and Credit：Insights from Rural Tamil Nadu [J]. World Development，（142）.

[10]Stockhammer E R，Wildauer R. 2018. Expenditure cascades，Low Interest Rates or Property Booms？Determinants of Household Debt in OECD Countries [J].Review of Behavioral Economics，5（2）.

[11]郭新華，朱小青. 本地經濟不確定性如何影響家庭借貸行為？——基于房價與收入波動機制的分析 [J]. 湘潭大學學報（哲學社會科學版），2021，45（02）.

[12]趙向琴，陸震，陳國進. 房價與家庭債務的“逆周期” [J]. 中國工業經濟，2021，（04）.

[13]Canakci M. 2021. The Impact of Monetary Policy on Household Debt in China [J].The Journal of Asian Finance，Economics and Business，8（4）.

[14]Annarelli K M. 2022. Welfare Generosity，Credit Access and Household Debt：Clarifying Relationships Through a New Welfare-Debt Typology [J].New Political Economy，27（4）.

[15]吳衛星，徐芊，白曉輝. 中國居民家庭負債決策的群體差異比較研究 [J]. 財經研究，2013，39（03）.

[16]周利，柴時軍，周李鑫泉. 互聯網普及如何影響中國家庭債務杠桿率[J]. 南方經濟，2021，（03）.

[17]Barba A，Pivetti M. 2009. Rising Household Debt：Its Causes and Macroeconomic Implications—a Long-Period Analysis [J].Cambridge Journal of Economics， 33（1）.

[18]Loschiavo D. 2021. Household Debt and Income Inequality：Evidence from Italian Survey Data [J].Review of Income and Wealth，67（1）.

[19]鄧洲，黃婭娜. 人工智能發展的就業影響研究 [J].學習與探索，2019，（07）.

[20]Paweenawat S W. 2021. The Impact of Global Value Chain Integration on Wages：Evidence from Matched Worker-Industry Data in Thailand [J].Journal of the Asia Pacific Economy，27（4）.

[21]Madrigal Vicente，Tan Tommy，Daniel Vicent，Sergio Ribeiro da Costa Werlang. 1993. Credit Rationing and the Permanent Income Hypothesis [J].Economic Analysis Review，8（2）

[22]Brown S，Taylor K. 2008. Household Debt and Financial Assets：Evidence from Germany，Great Britain and the USA [J].Journal of the Royal Statistical Society Series A：Statistics in Society，171（3）.

[23]Crook J. 2006. Household Debt Demand and Supply：A Cross-Country Comparison [J].The Economics of Consumer Credit.

[24]張樂柱，王劍楠. 新型農業經營主體金融素養與信貸可得性——基于CSQCA與Probit方法的實證 [J]. 東岳論叢，2022，43（09）.

[25]王勛，黃益平，茍琴 ，邱晗.數字技術如何改變金融機構：中國經驗與國際啟示 [J].國際經濟評論，2022，157（01）.

[26]孫望書，孫旭.人工智能將會“搶走”誰的工作？——異質勞動者的就業替代風險 [J].河北經貿大學學報，2024，45（02）.

[27]王文，牛澤東，孫早.工業機器人沖擊下的服務業：結構升級還是低端鎖定 [J]. 統計研究，2020，37（07）.

[28]Du L，Lin W. 2022. Does the Application of Industrial Robots Overcome the Solow Paradox？Evidence from China [J]. Technology in Society，（68）.

[29]馬述忠，張洪勝.集群商業信用與企業出口—對中國出口擴張奇跡的一種解釋 [J].經濟研究，2017，52（01）.

[30]邵朝對，蘇丹妮.產業集聚與企業出口國內附加值：GVC升級的本地化路徑 [J].管理世界，2019，35（08）.

[31]劉誠，王世強，葉光亮.平臺接入、線上聲譽與市場競爭格局 [J].經濟研究，2023，58（03）.