人工智能、勞資關系與勞動收入份額

摘要：基于馬克思主義政治經濟學理論視角考察人工智能對勞動收入份額的作用機理，通過構造59個國家2001—2019年的平衡面板數據并采用面板向量自回歸（PVAR）模型研究發現：（1）人工智能自身的技術屬性不僅能夠通過提高資本技術構成所產生的勞動力擠出效應降低勞動收入份額，還會通過其就業創造效應提升勞動收入份額；（2）人工智能作為使用價值生產的要素投入，將和普通物質資本的深化一同影響勞動收入份額變動，特別是在發展中國家或人工智能使用規模小的國家，人工智能使用增加會對勞動收入份額產生顯著的負向影響；（3）人工智能的應用還將通過影響勞資關系變動而影響勞動收入份額變化，尤其是在發展中國家，人工智能的應用將抑制勞動收入份額下降。因此，在搶抓人工智能發展機遇的同時，還要客觀認識人工智能發展對社會就業和勞動收入份額帶來的沖擊與機遇，尤其要通過加快形成新質生產力實現勞動收入份額的持續提升。

關鍵詞：人工智能；勞資關系；勞動收入份額；資本有機構成；勞資議價能力；新質生產力

文獻標識碼：A文章編號：1002-2848-2024（05）-0089-16

一、問題提出

人工智能的快速發展，引起了全社會對“機器替代人”的普遍擔憂，成為廣受關注的熱點研究問題[1]。工業智能化的快速發展對勞動力市場造成了巨大沖擊，深刻影響著勞動收入份額的變動。2000—2019年，世界工業機器人存量呈現指數型增長態勢，如圖1所示。2000—2009年，人工智能發展初期工業機器人存量增速較為緩慢，從2000年的75萬臺增加到2009年的102萬臺，隨后迅猛增長到2019年的273萬臺。

在資本主義社會，生產資料私有制是致使無產階級陷入貧困的制度根源，資本主義生產的條件就是“資本積聚（或資本的龐大堆積）在少數人手中”[2]552。為了獲取盡可能多的剩余價值，資本家有盡可能壓低工人工資的內在沖動。在資本積累和資本家收入的增長過程中，“失去生存資料的、貧困的勞動能力即‘勞動貧民’的數量也增加”[2]499，使得失去生產資料的單個勞動者“在以私有權為前提的社會生產方式的各種可能的轉化形態下赤貧化” [2]582。新卡萊茨基學派對20世紀80年代以來金融主導的資本主義體制做了進一步思考，認為這一體制激化了資本主義生產社會化和生產資料私人占有之間的矛盾，造成了收入分配差距擴大[3]。在當今智能化時代，許多學者越來越關注機器人等智能化技術對勞動者就業特別是勞動收入份額的作用，對于勞動收入份額問題的研究依然具有重要的理論意義與實踐價值。

事實上，從馬克思主義政治經濟學視角，資本有機構成將隨著社會生產力的發展不斷提高，可變資本所占份額不斷下降，而人工智能作為當今智能化時代助推社會生產力快速發展的強大驅動力，又會對資本有機構成產生重要影響。與此同時，人工智能增長不僅會直接影響生產力，還會影響生產關系，并由此作用到勞動收入份額變動。鑒于此，本文將立足馬克思主義政治經濟學視角，從理論模型中推導出實證假設檢驗模型，深入考察人工智能對勞動收入份額的影響。

當前，人工智能迅猛發展，技術進步及其所產生的經濟社會影響備受關注。例如，分析人工智能在整個勞動力市場的替代效應[4]，分析人工智能或產業智能化對經濟增長的積極影響[5]，等等。Frey等[1]利用美國勞工部對職業分類的數據，將不同職業歸納為低、中、高三種風險類別，發現未來可能有近半數的職業被人工智能所取代。David[6]研究發現，在不遠的將來，日本就業市場將會有大約55%的崗位被智能化取代。王永欽等[7]研究發現，人工智能的滲透度每增加1個百分點，企業的雇傭人數就會下降0.18個百分點?？傮w上，多數學者認為人工智能對勞動力市場有著不容忽視的替代效應。當然，也有學者對人工智能發展背景下的勞動力就業保持樂觀態度。例如，Trajtenberg[8]認為盡管人工智能的發展會在短期內對就業產生一定沖擊，但在長期中其創造效應將愈發明顯，最終對勞動力就業形成正向沖擊。Acemoglu等[4]研究發現，雖然勞動力在人工智能背景下有被替代的風險，但人工智能同時也可以通過崗位創造效應拉動就業增長。此外，人工智能的發展還可以提高社會的全要素生產率，降低相關產品的市場價格，從而通過總需求擴張效應刺激企業擴大生產規模，推動就業水平提高[9]。

除了對勞動力需求數量方面的影響以外，人工智能的影響還將進一步體現在它對勞動力市場結構以及勞動收入份額的作用上。一方面，人工智能在生產過程中的應用將導致就業兩極分化。特別是人工智能對一些易于替代的工作會產生更大的影響[10]，而那些只需要人工智能起輔助作用以至于幾乎難以被取代的工作受到沖擊的可能性較小[11]。另一方面，人工智能不僅會影響就業崗位的增減，也會對勞動力的收入水平產生沖擊，因此勞動收入份額的變動更是學者關注的重點。已有研究從工人的議價能力[12]、市場結構[13]和資本市場配置效率[14]等不同影響因素探討了勞動收入份額的變動。具體到人工智能對勞動收入份額的影響方面，不少學者強調人工智能對勞動收入份額的負向作用[15-16]。譬如，工業機器人數與工人數之比每增長1‰則工資水平會降低0.25～0.50個百分點[17]。此外，還有學者認為，人工智能服務或人工智能擴展型技術提高都會導致勞動收入份額發生變動[11]，工業機器人的應用在長期中會促進勞動收入份額提高[15]。

事實上，從馬克思主義政治經濟學角度看，人工智能在生產過程中的廣泛應用不僅會通過生產力變化而影響到勞動者的就業與收入份額，而且會通過影響生產關系作用到勞資關系和勞動者在勞資關系中的議價能力（下文簡稱“議價能力”），進而影響勞動者的收入份額變動。已有學者在不同程度上關注人工智能對勞資關系的影響，發現人工智能將導致資本由剝削剩余價值向剝奪工人勞動及生存權利轉化[18]；人工智能崛起將導致所有制關系新控制性、勞資關系新對抗性以及財富分配關系新不平等性等方面生產關系的新變化[19]；工業機器人應用背景下，企業下調工資水平和減少隱性福利是導致勞動關系惡化的主要渠道[20]。

綜上可知，已有研究集中于探討人工智能作為技術進步導致的技術偏向性，進而影響勞動收入份額，但基本上都是從人工智能或勞資關系的某個單一因素視角剖析勞動收入份額的變動，而忽視了人工智能對生產力和生產關系的作用機制，及其對勞動收入份額產生的聯動影響。鑒于此，本文選取59個國家的面板數據，旨在考察人工智能和勞資關系之間的動態變化關系以及由此影響的勞動收入份額變動，并進一步分析人工智能發展與勞動收入份額之間的內生作用機制在不同類型國家中的作用差異。

二、理論分析與研究假說

人工智能作為當今重要的生產要素，必然會對社會生產力和生產方式產生重要影響。雖然已有研究普遍認為人工智能會拉低勞動收入份額[15-16]，但是依然缺乏一個由人工智能使用規模擴大作用到資本技術構成，進而影響到勞動收入份額的作用機制。事實上，在生產力的內部構成層面，馬克思從社會生產過程中的物化勞動與活勞動之間的內在結構關系界定了資本有機構成，進而考察了社會生產力發展對資本有機構成變動趨勢的影響。因為“生產過程可能擴大的比例不是任意規定的，而是技術上規定的”[21]91，而這一規定則是通過生產過程中所投入和使用的生產資料與勞動力之間的比例亦即資本技術構成而體現出來的。在把價值因素納入進來后，資本有機構成（k）則可以用不變資本（C）和可變資本（V）之間的比例來測度，從而它是“由資本技術構成決定并且反映這種技術構成的資本價值構成”[22]163。

為了更好地分析人工智能作為一種特殊的資本對經濟的影響，將資本有機構成表示為：

k=C/V，k=C/V=C+C/V+V （1）

其中，k為不考慮人工智能技術影響的資本有機構成，k為受人工智能技術影響的資本有機構成；C為普通資本的固定投資；C 為與人工智能相關的資本的固定投資；相應地，V 為使用普通資本的工人的工資總額，V為使用人工智能資本工人的工資總額。需要說明的是，盡管人工智能作為智能化的機器設備系統，不僅是復雜勞動的物化，而且需要勞動復雜程度較高的勞動者進行操作，然而，人工智能在本質上是相對復雜的生產工具，其本身不會創造價值，而需要借助操控人工智能的復雜勞動來創造新價值以及轉移人工智能自身的價值。因此，從這一層面看，人工智能的使用與普通生產資料或不變資本的使用一樣，均可以提升資本有機構成，其差別主要在于它們所需要匹配不同勞動復雜程度的勞動力。

基于馬克思資本有機構成理論以及對資本主義生產關系中作出資本家占有全部的剩余價值而工人不儲蓄的基本假設，勞動收入一定程度上與可變資本一致，故勞動收入份額可寫成：

l=V/Y=V/C+V+M=1/k+1+m （2）

其中，l為勞動收入份額6a1cc98c6785cae898a52c4066839864，Y為總產出，M為剩余價值，m為剩余價值率。由此可以發現，勞動收入份額與資本有機構成呈負相關關系，也就意味著資本有機構成的增加會導致勞動收入份額的減少。可見，技術進步致使資本技術構成不斷提高，將使得不變資本的增長高于可變資本的增長，導致資本有機構成不斷提高，進而擠壓勞動收入所占的份額（如圖2所示）。

事實上，馬克思在分析資本主義機器大工業時指出，在機器成為某一生產部門的生產基礎和普遍條件后，機器將“隨著自己的改良而把工人排擠出去”[2]15，即“使用機器的公式在于……縮減工人人數”[2]197，以形成數量龐大而又符合資本增殖需要的產業與勞動后備軍。因此，資本主義生產的普遍趨勢便是“在所有生產部門中用機器代替人的勞動”[2]194。此時，不僅“工人是否還能是工人”會成為問題的焦點[23]119，而且“大工業把工資壓得越來越低”[24]82。人工智能作為一種先進的自動化、智能化生產設備，必將會強化資本對勞動者排擠力度。

需強調的是，人工智能作為當代先進生產力的重要組成部分，還能夠進行崗位創造及提高勞動生產率。一方面，人工智能的使用增加能夠擴大對高技能勞動力的需求[25]，具有就業創造效應[8]。因此，人工智能所伴隨的技術溢出與擴散效應有助于創造更多工作崗位，有利于緩解就業壓力，提升勞動收入份額。另一方面，一個行業中的人工智能使用增加，可提升生產效率[9]，由此導致勞動者工資上升。譬如，工人可以利用人工智能領域的機器學習方法更加快速地處理問題，提高生產率[26]。綜合以上分析，本文提出如下假說：

假說1：就人工智能對生產力的影響而言，人工智能的技術屬性會通過提高資本技術構成所產生的勞動力擠出效應而顯著降低勞動收入份額。同時，人工智能還會通過崗位創造及勞動生產率提高提升勞動收入份額。

人工智能的應用在直接替代勞動力的同時，還將影響生產過程中的普通物質資本存量變動，由此進一步影響勞動收入份額變動。有鑒于此，本文在王藝明[27]的馬克思主義理論模型基礎上引入人工智能這一特殊資本，將資本家和工人抽象為一般化的經濟主體。為貼近現實經濟規律，放寬“工人階級無任何儲蓄、資本家無消費”的前提假設，因為資本家與工人的區別主要在于資本家在初期擁有大量的生產資料，而工人則不然。盡管工人可以儲蓄，但其資產的增加速度難以使其達到資本家的水平，故而工人的地位也保持穩定[27]。在商品生產的技術方面，當前研究為了考慮多種商品的生產情況普遍采用線性生產函數，從而較難解釋馬克思關于人工智能作為一種特殊的生產資料進入勞動過程的情況，給進一步分析勞動收入份額的非線性變化帶來了困難。因為當某些生產要素沒有直接進入生產時，線性生產函數就失去了它的作用[27]。因此，本文對勞動生產過程定義更加具有普適性的常規彈性系數（constant elasticity of substitution，CES）生產函數，以期更好地解釋人工智能的作用。

勞動過程是勞動者與生產資料相結合生產商品的使用價值或物質財富的過程，可以用生產函數反映勞動過程。假設包含人工智能的經濟體系最終產品的勞動過程為：

Y=（AL+P）^1－αK^α （3）

其中，Y為整個經濟的最終產品產量，K為社會資本總量，P為整個社會的人工智能總量，L為整個社會的總勞動力，A表示勞動生產力，t表示時期，并且資本的產出彈性系數α滿足0<α<1。在式（3）的基礎上，社會生產的最終產品Y減去生產資料折舊或損耗ρK，支付完實物工資wL后，剩余部分Y－ρK－wL即為資本家所獲得的剩余產品，其中ρ是生產資料的折舊或損耗率。值得注意的是，單位勞動力的實物工資wt不是每期都固定的。隨著勞動生產力的提高，生產和再生產勞動力要求的消費資料也會發生變化，因此不妨假設wt和At成正比，即有：

w=A（w/A）（4）

在生產資料數量有限的情況下，顯然不是雇傭越多勞動力越好，因為冗余勞動力創造的新價值可能低于其勞動力價值。在第t期，資本家需要支付給1單位雇傭勞動力的消費資料亦即實物工資w是給定的，因此他會選擇雇傭勞動量L以使得剩余產品量Y－ρK－wL最大化，問題轉化為式（5）對Lt求導：

（AL+P）^1-α（K）^α-ρK-wL（5）

令求導結果為0可得：

（AL+P）^－α=w/｛［（1－α）A］｝K^－α（6）

進而可以解得：

L=（K/A）［｛（1－α）A］/w｝^－1/α－P/A（7）

式（7）說明，資本家雇傭勞動量會隨著社會平均物質資本存量Kt的提高而提高，隨著人工智能的發展而減少。

用Λ表示1單位最終產品在t期的價值。物化勞動價值轉移到最終產品中去，轉移到最終產品中的價值應為Kt損耗或折舊的部分，而最終產品中的新價值全部由勞動力創造，即有：

ΛY=ΛρK+ΛwL+（1－Λw）L（8）

其中，ΛY是生產出來最終產品的價值，ΛρK為生產資料折舊或損耗部分的價值即不變資本部分，勞動力創造的新價值則包括支付給勞動者的勞動力價值ΛwL和資本家占有的剩余價值（1－Λw）L，即可變資本和剩余價值部分。

將式（3）（4）（7）代入式（8）可得：

Λ｛K［（1－α）A/w］^－1/α｝^1－αK^α=ΛρK+（K/A）｛（1－α）A/w｝^－1/α－P/A（9）

進而可以解得：

Λ=（1/A）｛［（1－α）A/w］^－1/α（P/K）｝/｛［（1－α）A/w］^{（1－α）/α}－ρ｝（10）

當勞動生產力At提高時，最終產品價值Λ減小，意味著生產最終產品的社會必要勞動時間減少。進一步可得勞動收入份額LS為：

LS=ΛwL/ΛY=（w/A0）｛［（1－α）A/w］^－1－［（1－α）A/w］^（1－α）/α（P/K） ｝（11）

式（11）表明，勞動收入份額與人工智能水平發展呈負相關關系，與物質資本存量Kt正相關。無論是使用人工智能還是普通物質資本，都是社會生產力發展的必然要求，也將進一步影響社會生產力的發展。在其他條件不變的情況下，勞動收入份額與人工智能發展的關系取決于人工智能資本相對于普通資本的增長速度：如果人工智能資本的增長快于普通資本的增長，勞動收入份額就會下降，這種情況是因為人工智能相對于普通資本可以給資本家帶來更多的收益，所以資本家會將資本投向人工智能，由此通過更具工人擠出效應的人工智能方式導致勞動收入份額的下降；相反地，當普通資本的增長率大于人工智能資本的增長率時，勞動收入份額則會上升。

在其他條件不變的情況下，對式（11）求關于Pt的偏導數，可得：

аLS/аP=－［（1－α）A/w］^{－（1－α）/α}（w/A）（1/K）<0（12）

從式（12）可知，人工智能規模Pt的增加確實能夠對勞動收入份額上升產生抑制作用。進一步地，由于發達國家的物質資本存量規模遠大于發展中國家，在其他條件相同并且保持不變時，增加1單位人工智能的使用，對發展中國家勞動收入份額增長的抑制作用要明顯大于發達國家。事實上，不僅在不同經濟發展水平的國家中會存在這一差異，而且在人均人工智能發展水平相對較高的國家中也會如此?；谝陨险J識，本文提出以下假說：

假說2：就人工智能作為使用價值生產的投入要素而言，勞動收入份額變動受到人工智能發展和普通物質資本深化的雙重影響。在人工智能使用規模較高或經濟發展水平相對較高的國家，人工智能增長不會像在發展中國家那樣對勞動收入份額產生更為顯著的負向影響。

人工智能作為先進的生產技術不僅會影響生產力的變化和生產率的提高[26]，還會對生產關系尤其是勞動議價能力產生重要影響，并由此作用到勞動收入份額的變化。由于人工智能將對低技能勞動力產生就業替代效應[28]，從而會增加對高技能勞動力的需求[25]，因此人工智能的使用將對不同經濟發展水平國家勞動議價能力產生不同影響。一方面，在廉價而低技能勞動力相對豐裕并且以勞動力密集型產業為主的發展中國家，人工智能的運用會加速擠出勞動力，由此進一步放大資本技術構成所伴隨的相對過剩人口效應，進而激化勞資雙方的矛盾。在這種情況下，工人會提升其內部凝聚力，強化工會組織的勞動保障作用，繼而提高勞資議價能力。另一方面，與發展中國家不同，在生產技術水平普遍較高的發達國家中，人工智能的就業創造效應將占據主導地位。更多就業崗位的創造有利于緩和勞動矛盾，從而勞資議價能力也不容易受到勞資矛盾的激化而增強。

進一步地，就勞動議價能力對勞動收入份額的作用而言，現有研究認為勞動議價能力與勞動收入占比顯著正相關[12]。然而值得注意的是，資本的流動性強于勞動，導致資本的議價能力強于勞動，從而會降低勞動收入占比[29]。在勞資雙方的力量變動過程中，如果資本方占統治地位，則工人名義工資將會低于勞動生產率[30]。特別是在經濟發展水平或人工智能資本深化程度較高的國家中，勞動議價能力的提升對勞動收入份額的影響往往被資本議價能力提升伴隨的抑制作用所掩蓋或抵消。因此，人工智能對勞動收入份額的影響還存在一條勞資關系的作用路徑。綜合以上認識，本文提出如下假說：

假說3：在發展中國家，人工智能的運用會提高勞資議價能力，并由此提升勞動收入份額；然而，在發達國家或人工智能使用規模大的國家，人工智能的應用會降低勞資議價能力，并且勞資議價能力提升不會對其勞動收入份額產生顯著的正向影響。

三、模型、變量與相關檢驗

（一）模型設定

一方面，面板向量自回歸（PVAR）模型充分利用了面板數據的優點，能有效控制個體效應和時間效應，捕捉個體差異性和不同截面的共同沖擊，從而可以更好地模擬現實的經濟系統，反映變量之間面對沖擊時的動態響應與長期交互路徑。另一方面，PVAR模型能夠將其變量都視作內生變量，當變量之間存在逆向因果關系時，可以處理內生性問題，通過計算正交化脈沖響應函數以及生成相對應的動態脈沖響應圖，測算在面對單個內生變量的沖擊時其他內生變量相對應的反應程度?；蛘哒f，PVAR模型不僅能夠呈現主要解釋變量對因變量的動態脈沖響應，還能夠審視因變量對主要解釋變量的動態脈沖響應情況——盡管這在本文中并不是主要的關注點，但是在經濟學的相關研究中得到了廣泛應用[31-32]。因此，本文通過使用PVAR 模型分析勞動收入份額、資本技術構成、人工智能發展水平以及勞資議價能力的內在動態關系：

y=α+β+∑^pβy+ε（13）

其中，i表示國家，t表示年份，p為模型的滯后階數；y是包含勞動收入份額增長率（gla）、與普通物質資本存量相聯系的資本技術構成增長率（gk1）、與人工智能發展水平相聯系的資本技術構成增長率（gk2）、勞資議價能力增長率（gba）、經濟實際總產值增長率（grg），以及對外開放水平增長率（gtr）在內的向量，即yit=｛gla，gk1，gk2，gba，grg，gtr｝；αi代表個體效應，用以體現地區間的個體差異，β代表時間效應，用以刻畫變量隨時間的變化趨勢，εit是白噪聲隨機擾動項。

（二）變量構造與數據來源

第一，對于被解釋變量勞動收入份額增長率，本文基于Penn World Table（PWT）10.0數據庫測算的勞動收入份額數據來計算。該數據庫包含各個國家及地區的宏觀經濟數據，其中的勞動收入份額數據是經過一系列的測算指標核算的結果，并且針對各國自我雇傭的情況進行核準，因而被廣泛使用。

第二，在參照楊光等[5]做法的基礎上，采用國際機器人聯合會（IFR）公布的各行業工業機器人的存量加總值與就業人數的比值，測度因人工智能使用而導致的資本技術構成變動情況，進而計算出其增長率。值得注意的是，人工智能因其發展時間較短而存在較大的數據可得性問題，如何測度全球各國的人工智能發展水平也是一大難點。對此，一個較為流行的做法是使用IRF公布的世界機器人年度報告中符合國際標準化組織（ISO）標準的機器人安裝與存量數據進行測度[5]。鑒于此，本文從IFR 2020年發布的世界工業機器人數據庫中搜集整理各國的人工智能數據。相較于專利數量作為人工智能的測算標準，工業機器人的使用直接參與了生產活動，直接影響了經濟的發展，可以更好地擬合人工智能對生產過程的影響。

第三，對于測度普通物質資本存量的資本技術構成增長率，本文假定資本價值構成保持不變，重點考察技術構成的變化，使用PWT 10.0數據庫中資本存量以及勞動人口數量構建了普通資本的資本技術構成，這也反映了資本深化程度。

第四，使用勞資議價能力增長率測度勞資關系緊張程度的變化。一般而言，一國的勞資議價能力上升意味著工人力量更強，勞動者獲取更多的勞動份額。這一指標的原始數據來源于《世界經濟自由》報告中關于勞動市場管制的子指標“集中勞資談判能力” 。值得一提的是，這項指標越小代表工人的工資水平越大程度由勞資談判決定，體現更加強大的階級力量，故其與勞資議價能力之間是相反關系。出于分析方便的考慮，首先將其相反數作為勞資議價能力的替代指標。其次，重點分析人工智能使用變化對勞資議價能力變動趨勢的影響，亦即人工智能使用增加與勞資議價能力增速之間是否存在顯著的內生互動關系。值得注意的是，發達國家與發展中國家之間的勞資議價能力增長率均值存在明顯的差異（見圖3），即在2001—2019年，發展中國家的這一均值有11年為負，而發達國家的這一均值則僅有5年為負。由此可見，較之于發展中國家而言，發達國家的勞資關系緊張程度總體上更多地處于不斷上升通道中。

第五，本文使用實際人均國內生產總值增長率作為經濟增長率的替代指標，以控制各國經濟發展差異的影響。相關數據來自PWT數據庫中關于各個國際或者地區以2017年美元作為購買力平價單位計算的實際GDP增長率，反映單個國家或者地區全部最終產品和服務的市值總額，以及人工智能發展對勞動收入份額帶來的總需求效應。該數據的計算包括家庭消費、投資、政府購買、出口及進口等方面的信息，這些數據來自聯合國國民賬戶數據庫。

第六，參照劉峰[33]利用基于世界發展指標（WDI）數據庫來測度對外開放的方法，使用進出口總額占GDP的比重作為對外開放程度的指標，進而求得對外開放程度增長率。

通過以上變量構造方法并經過配對、刪去數據大面積缺失樣本并用插補法補齊數據，得到了59個國家2001—2019年平衡面板數據，變量的描述性統計結果見表1。

（三）變量的面板單位根檢驗和滯后階數選擇

在構建PVAR模型之前需要對變量是否存在單位根進行平穩性檢驗，如果存在單位根，就意味著該變量為非平穩時間序列，在這種情況下，回歸分析中會出現偽回歸的情況。從表2檢驗結果可知，無論是適用于平衡面板數據情形的萊文-林-朱（Levin-Lin-Chu）統計量（LLC統計量）和尹-佩薩諾-茜恩（Im-Pesaran-Shin）統計量（IPS統計量）的檢驗結果，還是允許非平衡面板數據情形的擴展的迪克-富勒-費歇爾（augmented dickey fuller-Fisher）統計量（ADF-Fisher統計量）的單位根檢驗結果，均在1%的水平下拒絕了存在單位根的原假設，即它們均為平穩序列。

全樣本層面PVAR模型變量的滯后階數檢驗結果如表3所示 本文借鑒連玉君的PVAR2程序包進行滯后階選擇。?？紤]模型的有效性、穩定性以及更優的數據預測性，除了貝葉斯信息準則（BIC）外，模型的赤池信息準則（AIC）與漢南奎恩信息準則（HQIC）準則均建議PVAR模型的最優滯后階數為4階，故而應建立PVAR（4）模型。

四、全樣本層面回歸結果分析

（一）PVAR回歸結果分析及面板格蘭杰因果檢驗

全樣本層面PVAR模型的廣義矩（GMM）估計回歸結果如表4所示。首先，gk2滯后2期（L2.gk2）的回歸系數為-0.004并且通過了5%的顯著性檢驗，表明人工智能的發展與勞動收入份額增長率之間存在顯著負相關性；同時，gk2滯后4期（L4.gk2）的回歸系數為0.004并且也通過了5%的顯著性檢驗，表明人工智能發展在更長時期內還與勞動收入份額增長有顯著正相關性，初步符合假說1的相關論斷。從第（1）列的回歸結果可以看出，gk1和gba的不同滯后期的回歸系數均不顯著，因此假說2和假說3的論斷還有待區分不同經濟發展水平后再作進一步考察。

為了進一步識別PVAR模型估計回歸結果中各解釋變量之間的因果關系，本文對各變量進行了格蘭杰因果檢驗，結果如表5所示?？梢园l現，人工智能的發展是勞動收入份額的格蘭杰原因，并且通過了5%的顯著性檢驗，驗證了假說1中的因果關系。同時，經濟增長是勞動收入份額的格蘭杰原因。

（二）脈沖響應分析

通過繪制伴隨矩陣的特征根圖對模型進行穩定性檢驗可知，模型6個變量的特征根均位于單位圓內，意味著本文選取的6個變量所構成的經濟系統是穩定的，可以對其執行脈沖響應分析。

全樣本PVAR（4）回歸的脈沖響應結果如圖4所示。可以發現，在受到人工智能影響的資本技術構成正向沖擊之后，勞動收入份額在第2期呈現顯著負效應，然后隨著時間推移逐步遞減，并在第4期后開始向零值衰減收斂。總體而言，人工智能助推的資本技術構成增長在長期中會顯著地削減勞動收入份額，從而假說1中的論斷是成立的。普通物質資本深化程度對勞動收入份額的沖擊在第1期出現顯著的負效應，并隨著時間推移逐步遞減；同時，勞資議價能力發生1個標準差沖擊后，勞動收入份額的脈沖響應曲線在第4期呈現較為顯著的正響應特征。這一方面印證了假說2中關于勞動收入份額變動受到人工智能發展和資本深化的雙重影響的論斷，另一方面則印證了假說3中人工智能的勞動力擠出效應會提升勞資關系緊張程度而抬高勞動收入份額的作用機制。當然，相關作用機制的國別差異還有待進一步考察。

五、進一步分析

（一）不同經濟發展水平層面的回歸結果分析

1.PVAR回歸結果分析及面板格蘭杰因果檢驗

遵循前文的研究思路，發達國家的PVAR模型選擇滯后一階 。從表6中回歸結果可知，發達國家的L1.gk2以及L1.gba均不再對勞動收入份額有顯著影響，這與假說2和假說3的判斷相吻合。

發達國家樣本的格蘭杰因果檢驗結果顯示，發達國家樣本中出現了與全樣本不一致的因果情況，由人工智能使用決定的資本技術構成增長率不再是勞動收入份額增長率的格蘭杰原因，這與假說2的論述吻合。

發展中國家GMM回歸結果如表7所示，從第（1）列可以發現，L.gk的回歸系數為-0.005并且通過了5%的顯著性檢驗，而L.gk的回歸系數為0.003并且通過了10%的顯著性檢驗。這與假說1中人工智能應用對勞動收入份額的雙重作用密切相關，也符合假說2中關于人工智能增長將對發展中國家的勞動收入份額產生顯著負向影響的論述。與全樣本不同的是，發展中國家中勞資議價能力的滯后4期（L.gba）對勞動收入份額的影響顯著為正，說明在發展中國家，工會力量和勞工議價能力的提高可以為勞動者爭取更大的初次分配份額，表現為勞動收入份額的增加，這符合假說3中的判斷。

發展中國家格蘭杰因果檢驗結果表明 ，人工智能發展依然是勞動收入份額變動的格蘭杰原因，同樣經濟增長也是勞動收入份額的一個格蘭杰原因。

2.PVAR回歸結果的脈沖響應分析

發達國家的脈沖響應也呈現與全樣本不同的情況，如圖5所示。在人工智能影響下的資本技術構成增長受到1個標準差沖擊后，勞動收入份額的脈沖響應曲線呈水平狀并且始終位于零值水平線置信區間內，而沒有表現出顯著的響應特征。這驗證了假說2中關于發達國家人工智能增長不會對其勞動收入份額產生顯著影響的論斷。勞動收入份額受到勞資議價能力的1個標準差沖擊后，在第1期呈現負響應特征，并在第2期后不斷收斂為0，但零值水平線幾乎一直位于置信區間內，所以這一響應的顯著性很弱。同時，人工智能影響下的資本技術構成增長在樣本初期能對勞資議價能力產生顯著的負向沖擊。以上結果符合假說3中人工智能在發達國家中的應用會降低勞資議價能力，同時勞資議價能力提升不會對其勞動收入份額產生顯著正向影響的判斷。

發展中國家各變量之間的脈沖響應結果表明，勞動收入份額受到人工智能1個經正交分解的標準差沖擊之后，在第2期有明顯的負響應，并在第4期后衰減收斂到零值附近。這意味著在發展中國家人工智能使用增加會通過提升資本技術構成顯著降低勞動收入份額，由此證實了假說1和假說2中的相關論斷。在勞資議價能力受到1個標準差沖擊后，勞動收入份額表現出波動型的脈沖響應特征，特別是在第4期呈現顯著的順周期變動特征。同時，勞資議價能力受到人工智能作用下資本技術構成增長率的1個標準差正向沖擊后，在初期有一個較為顯著的正向響應，隨后在第2期轉為不顯著的負向響應。由此表明，人工智能的運用在提高資本有機構成后，的確會進一步提高勞資議價能力，進而又通過勞資議價能力對勞動收入份額的正向作用機制提升勞動收入份額，亦即存在一條“人工智能使用增加→勞資議價能力提高→勞動收入份額增加”路徑。這一結果與假說3中的論斷相吻合。對發展中國家的這一研究結論與何小鋼等[16]的發現相一致，即勞動者議價能力的提高有助于緩解機器人應用對勞動收入份額的負面效應。

（二）人工智能人均規模差異層面的回歸結果分析

1.PVAR回歸結果分析及面板格蘭杰因果檢驗

將人均人工智能發展程度高于平均水平的國家歸為人工智能使用規模高的國家，而將人均人工智能發展程度低于平均水平的國家劃為人工智能使用規模低的國家。其中，人工智能使用規模高的國家有22個，低的國家有37個。在經過單位根檢驗以及滯后階數判定后，這兩類國家的滯后階數均為4，故而構建PVAR（4）模型對數據進行GMM回歸分析。

人工智能使用規模高的國家GMM回歸結果表明，以gla為被解釋變量，L3.gk2的回歸系數為0013且通過了10%的顯著性檢驗，但L4.gk2的回歸系數為-0.010，也通過了10%的顯著性檢驗。由此表明，在人工智能使用規模高的國家，人均人工智能使用規模的進一步增長的確能夠對勞動收入份額發揮出假說1中所論述的正反兩方面的雙重作用。與全樣本不同的是，人均普通物質資本增長率的滯后2階對勞動收入份額的回歸系數為-0.276，且通過了1%的顯著性檢驗，說明人工智能使用規模高的國家，普通物質資本的提高對勞動收入份額有著顯著的負向影響。此外，人工智能對勞動者議價能力有著積極的反向作用，并且勞資議價能力提升并未對其勞動收入份額產生顯著影響，均符合假說3的判斷。

人工智能使用規模低的國家回歸結果顯示 ，人工智能的滯后2階對勞動收入份額的回歸系數為-0.004，并通過了1%的顯著性檢驗，說明人均人工智能水平提升會削減勞動者的收入份額。這表明人工智能使用規模低的國家中的人工智能增長更多地是通過假說1中論及的勞動力擠出效應來降低勞動收入份額，由此會增大這些國家可能原本就相對較大的就業壓力。此外，L4.gba對gla的影響顯著為正，說明在人工智能使用規模低的國家，勞動者議價能力為勞動者爭取了更有利的地位，進而獲取了提升的勞動者收入份額，符合假說3中的相應判斷。

格蘭杰因果檢驗結果表明，在人工智能使用規模高的國家中，人工智能發展不再是勞動收入份額的格蘭杰原因，而人均普通物質資本增長是勞動收入份額的顯著格蘭杰原因。同時，人工智能是勞資議價能力的格蘭杰原因，說明人工智能的發展確實會影響到勞資關系力量的變化。 有所不同的是，人工智能使用規模低的國家格蘭杰因果檢驗結果顯示，人工智能是導致勞動收入份額變動的顯著格蘭杰原因，而人均普通物質資本提高則不再是其格蘭杰原因。與此同時，勞資關系也是資本深化的顯著格蘭杰原因。

2.PVAR回歸結果的脈沖響應分析

人工智能使用規模高的國家脈沖響應結果顯示 ，勞動收入份額在受到人工智能使用規模增長的1個標準差正向沖擊后，呈現以負向脈沖響應為主的特征，并在第7期后收斂至0，但其顯著性總體上相對較弱，符合假說1和假說2中的相應論斷。勞動收入份額在受到普通物質資本深化1個正交化信息的沖擊后，出現了明顯的正向反饋，并在第1期達到最大值，隨后衰減至0。人均普通物質資本在受到人工智能資本1個正向沖擊后，出現了顯著正效應，雖然在第1期有所放緩，但是隨后到第3期后又呈現微幅上升過程，并在第7期后開始收斂為0。勞資議價能力在受到人工智能的標準差正向沖擊時，呈現波動變化，但只在第2期時零值水平線在置信區間外，故總體響應水平為負，符合假說3中關于人工智能使用規模高的國家的勞資議價能力提升不會對其勞動收入份額產生顯著的正向影響的論斷。

相對的，人工智能使用規模低的國家脈沖響應結果顯示，勞動收入份額在受到人工智能的1個正向沖擊后，其脈沖響應曲線在第2期呈現相對顯著的負向探底過程，與假說1和假說2中的相關論斷相吻合。普通物質資本深化在受到人工智能發展的1個標準差正向沖擊后，出現了顯著的正效應，并在第4期后開始衰減至零值水平線。這說明在人工智能使用規模低的國家，人工智能的發展推動了普通物質資本深化的進程。從長期動態趨勢看，當勞資議價能力受到人工智能的標準差正向沖擊后，在第2期表現出相對明顯的探底回升過程，但是由于零值線依然位于置信區間中，因此總體上并不顯著。

六、結論與啟示

本文從馬克思主義政治經濟學理論出發，通過梳理人工智能、勞資關系對勞動收入份額的作用機理并建立相應的研究假說，構造了59個國家2001—2019年平衡面板數據，采用PVAR模型研究發現：第一，人工智能自身的技術屬性使其不僅能夠通過提高資本技術構成所產生的勞動力擠出效應而降低勞動收入份額，而且會通過就業創造效應提升勞動收入份額；第二，人工智能作為使用價值生產的收入要素，將和普通物質資本的深化一同影響勞動收入份額變動，特別是在發展中國家或人工智能使用規模低的國家，人工智能使用增加會對勞動收入份額產生顯著的負向影響；第三，人工智能的應用還將通過影響勞資關系變動而影響勞動收入份額變化，尤其是在發展中國家，人工智能的運用會提高勞資議價能力，并由此提升勞動收入份額。

本文的研究具有較強的理論與政策啟示。第一，搶抓人工智能發展機遇，加快形成新質生產力。人工智能不僅是驅動新一輪科技革命的核心驅動力，還是孕育新質生產力的引擎。因此，中國要抓住人工智能時代的技術革新機遇，加快推進重大科技創新基地建設，通過擴大人工智能產7wQLD+P1KUi4n/EbzcxZ8hQvm+TB8H2IdB9ROc9IroE=業化應用規模提升孕育智能化、自動化因素的資本技術構成，由此助力智能產業發展和新質生產力加速形成，實現經濟高質量發展和勞動收入份額持續提升。第二，要客觀認識人工智能發展對社會就業和勞動收入份額帶來的沖擊與機遇。作為當今智能時代先進生產力發展的重要驅動力，人工智能具有與其他新技術類似的“雙刃劍”效應。人工智能的快速發展不僅會通過其就業替代效應對傳統就業崗位帶來重大沖擊，還會通過其崗位創造效應形成新的就業機會。對此，中國要深化高等教育類型結構、學科專業結構改革，培育與挖掘人才紅利，加快高端人才隊伍建設。同時，要以適應產業變革為導向，建立和完善勞工就業培訓及相關咨詢服務方面的政策措施，強化在崗、轉崗職業培訓力度，推動人機合作、人機互補，以期在新一輪技術變革浪潮中推動實現更加充分、更高質量就業，實現勞動收入份額的持續提升。

參考文獻：

［1］FREY C B， OSBORNE M A. The future of employment： how susceptible are jobs to computerisation？[J].Technological Forecasting and Social Change， 2017， 114：254-280.

［2］馬克思恩格斯全集：第37卷[M].中共中央馬克思恩格斯列寧斯大林著作編譯局，編譯.北京：人民出版社，2019.

［3］段雨晨，田佳禾.新卡萊茨基學派對當代資本主義金融危機的研究[J].政治經濟學評論，2021（2）：190-208.

［4］ACEMOGLU D， RESTREPO P. The race between man and machine： implications of technology for growth， factor shares， and employment[J].American Economic Review， 2018， 108（6）：1488-1542.

［5］楊光，侯鈺.工業機器人的使用、技術升級與經濟增長[J].中國工業經濟，2020（10）：138-156.

［6］DAVID B. Computer technology and probable job destructions in Japan： an evaluation[J]. Journal of the Japanese and International Economies， 2017， 43（1）：77-87.

［7］王永欽，董雯.機器人的興起如何影響中國勞動力市場：來自制造業上市公司的證據[J].經濟研究，2020（10）：159-175.

［8］TRAJTENBERG M. AI as the next GPT： a political-economy perspective[R]. National Bureau of Economic Research Working Paper， No.24245，2018.

［9］AUTOR D H. Why are there still so many jobs？ The history and future of workplace automation[J]. The Journal of Economic Perspectives， 2015， 29（3）：3-30.

［10］BORJAS G J， FREEMAN R B. From immigrants to robots： the changing locus of substitutes for workers[R]. National Bureau of Economic Research Working Papers， No.25438， 2019.

［11］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（7）：60-77.

［12］柏培文，楊志才.勞動力議價能力與勞動收入占比：兼析金融危機后的影響[J].管理世界，2019（5）：78-91.

［13］寧光杰.市場結構與勞動收入份額：基于世界銀行對中國企業調查數據的分析[J].當代經濟科學，2013（2）：61-70.

［14］施新政，高文靜，陸瑤，等.資本市場配置效率與勞動收入份額：來自股權分置改革的證據[J].經濟研究，2019（12）：21-37.

［15］孫慧文，王賀雨.工業機器人使用與勞動收入份額：基于馬克思主義政治經濟學的分析[J].財經科學，2023（7）：64-76.

［16］何小鋼，朱國悅，馮大威.工業機器人應用與勞動收入份額：來自中國工業企業的證據[J].中國工業經濟，2023（4）：98-116.

［17］ACEMOGLU D， RESTREPO P. Robots and jobs： evidence from US labor markets[J]. Journal of Political Economy， 2020， 128（6）：2188-2244.

［18］張新春.人工智能技術條件下資本主義勞資關系演化與啟示[J].當代經濟研究，2018（12）：12-18.

［19］蔣紅群.人工智能崛起與當代資本主義生產方式新變化[J].學術論壇，2020（5）：54-61.

［20］張軍，閆雪凌，余沭樂，等.工業機器人應用與勞動關系：基于司法訴訟的實證研究[J].管理世界，2023（12）：90-112.

［21］資本論：第2卷[M].中共中央馬克思恩格斯列寧斯大林著作編譯局，編譯.北京：人民出版社，2004.

［22］資本論：第3卷[M].中共中央馬克思恩格斯列寧斯大林著作編譯局，編譯.北京：人民出版社，2004.

［23］卡梅倫.機器會奪走你的工作嗎[M]. 魏倩，王麗陶，譯.北京：中國工人出版社，2019.

［24］馬克思，恩格斯.共產黨宣言[M].中共中央馬克思恩格斯列寧斯大林著作編譯局，編譯.北京：人民出版社，2014.

［25］黃旭，董志強.人工智能如何促進高質量發展和就業？[J].中央財經大學學報，2023（11）：3-18.

［26］姚建華，徐偲骕.新“盧德運動”會出現嗎：人工智能與工作/后工作世界的未來[J].現代傳播（中國傳媒大學學報），2020（5）：45-50.

［27］王藝明.經濟增長與馬克思主義視角下的收入和財富分配[J].經濟研究，2017（11）：27-42.

［28］汪前元，魏守道，金山，等.工業智能化的就業效應研究：基于勞動者技能和性別的空間計量分析[J].管理世界，2022（10）：110-126.

［29］JAYADEV A. Capital account openness and the labor share of income[J]. Cambridge Journal of Economics， 2007，31：423-444.

［30］楊小忠，丁曉欽.勞動力匹配、收入分配與資本主義積累的社會結構穩定性[J].世界經濟，2019（8）：3-24.

［31］LOVE I， ZICCHINO L. Financial development and dynamic investment behavior： evidence from panel VAR[J]. Quarterly Review of Economics & Finance， 2006， 46（2）：190-210.

［32］徐春華.人工智能、一般利潤率與全球性長期產能過剩：政治經濟學三大部類視角[J].經濟管理，2024（1）：5-24.

［33］劉峰. 經濟全球化與國家貿易利益和收入分配格局研究[D].南京：東南大學，2021.

編輯：張靜，高原Vol. 46No. 5Sep. 2024

Artificial Intelligence，Labor-Capital Relations and Labor Income Share

XU Chunhua ZENG Fanyi

1. School of Economics and the Wang Yanan Institute for Studies in Economics， Xiamen University， Xiamen 361005， China

2. Jiangxi Provincial Investment Group Co.， Ltd， Nanchang 330000， China

SummaryIn recent years， the rapid integration of artificial intelligence （AI） into production processes has significantly impacted the labor market， influencing labor income distribution and drawing considerable attention from the academic community. However， much of the current research lacks an empirical analysis grounded in Marxist political economics. Marx’s theories on productivity and production relations offer a valuable framework for analyzing the effects of AI on the labor income share.This study aims to bridge this gap by examining the mechanisms and hypotheses of AI’s impact on labor income share through the lenses of productivity and production relations. Using balanced panel data from 59 countries covering the period from 2001 to 2019， and employing the panel vector autoregression （PVAR） model， the findings reveal three key insights： First， the technological attributes of AI reduce labor income share by intensifying the labor displacement effect through improvements in capital composition. However， AI also positively influences labor income by creating new employment opportunities. Second， AI， when combined with the increasing use of traditional capital， affects labor income share， especially in developing countries or regions with low AI adoption. In such contexts， higher AI usage has a marked negative effect on labor income share. Third， AI also impacts labor income by altering labor-management relations. In developing countries， AI use can strengthen labor’s bargaining power， thereby increasing the share of labor income.This study provides two main contributions to the literature： First， it establishes a comprehensive framework for analyzing AI’s effects on both productivity and production relations and their combined influence on labor income share. Previous research primarily focuses on one dimension—either productivity or production relations—while this study integrates both aspects. Second， this study advances the quantitative analysis of Marxist political economics. In an era of abundant economic data and advanced econometric methods， applying these tools to explore contemporary issues in Marxist theory represents a pathway toward modernizing the Marxism.This research expands the theoretical perspective of Marxist political economics regarding AI’s impact on labor income share， offering new insights into how AI development creates both challenges and opportunities for employment and income distribution. Moreover， it contributes to ongoing discussions about the economic and social effects of AI， emphasizing the importance of empirical research within the political economy.

Keywordsartificial intelligence; labor-capital relations; labor income share; organic composition of capital; bargaining power of labor; new quality productivity