生成式人工智能、就業變動與收入不平等

摘 要：基于生成式人工智能迅速發展、就業和收入分配問題愈發凸顯的現實背景，文章建立了一個包含異質性主體的職業選擇模型，通過分析生成式人工智能如何影響不同居民的就業選擇和收入，探究生成式人工智能對居民收入不平等的影響及機制。研究發現：生成式人工智能對收入不平等具有雙刃劍效應。一方面，盡管生成式人工智能提高個體居民的人力資本，但會降低就業市場對勞動力的需求，導致失業率上升，經濟陷入“內卷”。同時，生成式人工智能可能使一部分企業家被排斥出信貸市場，降低居民收入水平，最終加劇收入不平等。另一方面，生成式人工智能通過促進技術創新增加企業的預期經營利潤，激勵更多居民創業以及更多企業家進入信貸市場并擴大生產，由此增加企業人力資本需求，降低失業率，增加居民收入水平，最終緩解收入不平等。總體而言，生成式人工智能能否緩解收入不平等，取決于其人力資本渠道和技術創新渠道相互抵消后的凈效應。異質性分析發現，在居民財富分布差距更大、企業生產的資本份額更低以及信貸市場的金融摩擦更大情況下，生成式人工智能更容易擴大收入不平等。政策分析發現，相較于普惠貸款類型的貨幣政策，針對企業減稅的財政政策更有助于改善生成式人工智能對收入不平等的影響，但兩者協調配合能夠發揮更好的收入分配效果。

關鍵詞：生成式人工智能 就業變動 收入不平等 職業選擇模型

DOI：10.19592/j.cnki.scje.420319

JEL分類號：J24，H23，G32" "中圖分類號：F240，F812，F832

文獻標識碼：A" "文章編號：1000 - 6249（2024）08 - 045 - 23

一、引 言

21世紀以來，人工智能（Artificial Intelligence）在全球的商業化應用不斷加速，世界經濟逐步進入到以“人工智能”為核心驅動力的智能發展階段。人工智能憑借強大的算力以及卓越的人機交互等功能，有效推動了各行各業向智能化和數字化躍遷，正被各國視為經濟增長的新引擎。目前，中國的人工智能整體發展水平已居世界前列，僅次于美國，并且在加快趕超。2017年，國務院印發《新一代人工智能發展規劃》，在國家戰略層面布局人工智能發展1。2023年，習近平總書記提出新質生產力的理念，旨在提倡具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態1。作為一項顛覆性技術，人工智能無疑將成為我國發展新質生產力和提升國際話語權的一個關鍵因素。其中，隨著大數據和機器學習技術的發展，以ChatGPT為代表的生成式人工智能（Generative Artificial Intelligence）在無人駕駛、語音識別等眾多人工智能技術中脫穎而出，已經成為目前人工智能發展的劃時代成果和最新方向。工業和信息化部數據顯示，2023年，我國生成式人工智能的企業采用率已達15%，市場規模約為14.4萬億元。生成式人工智能是一類基于算法、模型、文本、圖片、聲音、視頻等內容生成能力的模型及相關技術。與傳統人工智能相比，生成式人工智能具有強大的內容生成能力和人機自然交互能力，能夠廣泛應用于內容創作、知識管理、理財投資等多個領域，有效促進不同學科的跨界融合，并提高大量企業和從業人員的工作效率，因而受到學界和業界的高度關注。然而，正由于生成式人工智能更加強大的交互能力和應用能力，部分傳統的人力需求和崗位更容易被替代，大量從業人員的就業和收入結構也發生著潛移默化的改變，這一科技對現有職業生態和收入分布的影響正在引起學界反思。黨的二十大報告強調，要促進高質量充分就業，支持和規范發展新就業形態，同時完善收入分配制度2。鑒于此，作為人工智能發展的最新成果和方向，生成式人工智能會如何影響居民就業，進而影響收入不平等？在當前生成式人工智能飛速發展的熱潮下，這是亟待考慮的重要理論問題。

從對就業和居民收入的影響機制來看，生成式人工智能與傳統人工智能既有區別也有相同之處。一方面，相較于傳統人工智能側重通過物質資本積累影響就業和收入，生成式人工智能更偏向通過人力資本積累對就業變動和收入不平等產生影響。郭凱明（2019）認為，生成式人工智能能夠鏈接、整合不同行業的知識體系并生產出專屬用戶的高質量內容，是一種能突破行業限制和專業壁壘、賦能個人人力資本提升的通用型技術3。諸多研究也發現，生成式人工智能的個體賦能功能在不同行業，尤其在不同學科的學術研究中表現尤為突出（洪永淼和汪壽陽，2023；劉景江等，2023；汪壽陽等，2023）。另一方面，生成式人工智能也具有傳統人工智能的技術創新功能。首先，生成式人工智能作為引領新一輪信息革命的標志性成果，本身是劃時代的創新技術，能夠加速我國制造業和服務業的數字化與智能化轉型（蔡躍洲和陳楠，2019）。其次，生成式人工智能通過對不同行業的知識進行有效組合，有助于提高企業的研發效率和縮短技術創新周期，加快社會整體技術更新換代的速度，提升全要素生產率（Agrawal et al.，2019；張龍鵬等，2023；Korinek，2023）。通過人力資本渠道和技術創新渠道，生成式人工智能將改變企業的勞動力需求，進一步對居民就業和收入產生深遠影響。可見，考量以上兩個機制渠道對學者從理論上厘清生成式人工智能對居民就業變動和收入不平等的影響及機制尤為必要。

縱觀既有文獻，技術進步對居民就業和收入水平的影響一直都是國內外學界關注的重要話題（董直慶等，2014）。尤其是近年來，隨著人工智能迅速發展，新興技術對勞動力市場和居民收入分配的沖擊顯著放大，這一話題愈發成為學界關注的焦點。一方面，部分研究認為，人工智能可能與現有的物質資本相結合，或作為一種新的“智能資本”持續積累，對勞動力等其他要素進行替代，導致勞動就業崗位的消失（Acemoglu and Restrepo，2017；Acemoglu and Restrepo，2018a；Acemoglu and Restrepo，2018b；蔡躍和陳楠，2019；郭凱明，2019；Gregory et al.，2022）。如Acemoglu and Restrepo（2019）實證發現，高科技工業機器的推廣應用顯著降低了美國勞動力市場的就業規模和平均工資水平。Cheng et al.（2019）、余玲錚等（2021）統計發現，近年來中國尤其是東部沿海地區的“機器換人”速度明顯加快。而人工智能的發展不僅影響就業規模，還會造成就業結構的變化（Autor et al.，2006；Acemoglu and Autor，2011；Bughin et al.，2018；黃旭和董志強，2024）。如Autor et al.（2006）強調，人工智能在內的技術創新將導致高技能和低技能勞動者的就業比例上升，中等技能勞動者的就業比例下降，形成“就業極化”。黃旭和董志強（2024）通過構建多部門動態一般均衡模型并基于中國實際數據校準發現，人工智能將替代中等技能工作崗位進而導致勞動力市場極化現象。這一現象被多項實證文獻證實（Autor and Dorn，2013；Goos et al.，2014；Kunst，2019；王永欽和董雯，2020）。進一步地，在人工智能對就業規模和就業結構的影響下，居民的收入分配格局將產生變化。大部分研究認為，由于人工智能的資本偏向特征，人工智能應用的推廣更容易擴大資本要素與勞動要素的投資回報差距，進一步加劇資本和勞動在國民收入分配中的占比失衡（Autor，2014；Aghion et al.，2017；Acemoglu and Restrepo，2018a；Acemoglu and Restrepo，2018b；王林輝等，2020）。王林輝等（2020）拓展Acemoglu and Restrepo（2018a）的人工智能模型發現，人工智能的應用將擴大高低技術部門之間、不同產業結構地區之間的收入不平等。諸竹君等（2022）、何小鋼等（2023）采用中國工業企業數據庫與中國海關數據庫的匹配數據驗證了這一觀點。

另一方面，諸多研究認為，人工智能也能通過知識生產推動技術進步和全要素生產率提升，促進微觀企業利潤增加和生產規模擴張，并創造大量新的工種和崗位，最終轉化為更大的勞動力需求（Acemoglu and Restrepo，2018a；Acemoglu and Restrepo，2018b；Furman and Seamans，2018；Mutascu，2021；蔡躍洲和陳楠，2019；李磊等，2021）。如Autor and Salomon（2017）采用跨國數據實證發現，盡管生產率提升會導致行業內勞動力占比下降，但在宏觀層面，就業總量仍然呈現出穩健增長的趨勢。李磊等（2021）基于中國微觀企業數據實證發現，在我國人工智能發展背景下，機器人應用反而增加了中國企業的整體勞動力需求。與此同時，其他研究發現人工智能帶來的效率提升會擴大企業生產規模、降低產品成本和售價，增加企業對產業鏈上下游或者居民對其他產品的需求，推動其他企業和行業規模的擴大和就業崗位的增加（Autor and Salomons，2017；Acemoglu and Restrepo，2018a；Acemoglu and Restrepo，2018b；王永欽和董雯，2020；Gregory et al.，2022）。如王永欽和董雯（2020）實證發現，上游行業機器人應用的增加可能通過中間品渠道，導致下游行業對專科學歷人才需求的增加。通過增加新的就業崗位，人工智能可能會給相關勞動力帶來更多收入。但是，需要強調的是，盡管歷史經驗表明每次技術創新所導致的傳統就業崗位消失最終都會被新的勞動需求所彌補，但期間就業崗位的變化和就業結構的轉化仍然給處于相關技術轉型期的居民帶來不可忽視的陣痛。由于個人在傳統和新興崗位之間的轉換通常存在摩擦，經濟內部的勞動力要素重新配置會消耗大量的社會成本。毫無疑問，這些成本大多將由低技能勞動力等弱勢群體所承擔，最終擴大收入不平等。

鑒于此，本文旨在構建一個包含異質性主體的職業選擇模型，從理論層面分析生成式人工智能對就業變動進而對收入不平等的影響、機理及政策應對。其中，模型采用兩種方法衡量居民收入不平等，一是傳統的基尼系數，二是近年來頗受關注的FGT指數。本文對已有文獻的改進和貢獻主要體現在三個方面：首先，區別于現有文獻主要關注傳統人工智能的影響，本文聚焦于探討人工智能的最新成果，即生成式人工智能對居民就業和收入的影響。文章較早地構建了有關生成式人工智能和居民收入分布的理論模型，從理論層面探討了生成式人工智能影響居民就業和收入的內在機理，為分析生成式人工智能的經濟效應等有關話題提供了一個可選的理論框架。其次，與現有文獻主要從物質資本渠道探討人工智能影響機制不同，本文根據生成式人工智能的典型特征，從人力資本渠道和技術創新渠道嘗試厘清生成式人工智能對居民收入不平等的影響機理，特別是生成式人工智能如何通過人力資本提升和技術創新影響居民的就業選擇和就業收入，進而影響收入不平等。文章還進一步分析了不同經濟條件下，生成式人工智能的人力資本渠道和技術創新渠道會如何變化，并最終影響居民就業和收入不平等。最后，本文從貨幣政策和財政政策的雙政策視角出發，探討如何最大程度上優化生成式人工智能對收入不平等的效果，有助于為當局如何應對生成式人工智能等新興科技對勞動力市場的沖擊提供一定理論借鑒和參考。

二、理論模型

模型考慮一個由異質性居民、企業、銀行以及政府構成的經濟環境。居民根據差異化財富和可獲人力資本進行就業選擇，或非自愿失業，或成為企業員工，或創業成為企業家。選擇創業的企業家需要根據自身資產條件決定是否向銀行申請貸款。政府向企業家和員工征稅，滿足政府開支。

假設居民差異化的初始財富[b]服從對數正態分布，即[lnb～N?σ22，σ]。其中[σ]為方差，衡量初始財富的分布差距。居民根據收入最大化原則進行擇業，或退出就業市場成為失業人員，或進入就業市場成為企業員工或者企業家。接下來，依次介紹這三類群體。

（一）失業群體

對于退出就業市場的居民，假設其財富值[b]如果低于一個外生給定的閾值[Ω]，政府將給予固定的失業補貼[T]，則其收入可以簡單表示為：

[ueb=b+T，blt;Ω] （1）

（二）企業員工

對于企業員工，其目的是向企業提供人力資本進而獲取勞動報酬。為了獲得人力資本，他們需要事先消耗財富投資教育或購買培訓服務。假設擁有財富[b]的居民投資教育可以獲得[bβGAI]單位的人力資本，[W]為單位人力資本的市場均衡工資，則企業員工提供人力資本所獲工資收入為：

[wb=1?τwWbβGAI] （2）

其中，[τw]為工資稅，[βGAI]衡量單位財富投入所能獲得的人力資本，是生成式人工智能[GAI]的函數，即：

[βGAI=β+κ1GAI?] （3）

上式中，[κ1]和[?∈0，1]共同衡量生成式人工智能對人力資本的提升效率，[κ1=0]代表生成式人工智能對居民人力資本的提升作用很低或居民不使用生成式人工智能的情形。[β]代表單位投入所獲得的人力資本中，被生成式人工智能之外的其他因素所解釋的部分1。以上設定表明，生成式人工智能通過提升居民的學習能力，能夠使居民獲得比未使用生成式人工智能時更多的人力資本。

（三）被排斥在金融市場之外的企業家

市場上存在兩類企業家。第一類企業家由于自身資產不足或營商環境不佳，無法進入金融市場獲得信貸。這些受金融市場排斥的企業家需要以自身財富購買資本[k]，其預算約束滿足：

[k=b] （4）

購得資本后，企業家雇傭勞動力以生產產品，生產函數滿足經典的柯布—道格拉斯形式：

[y=ZGAIkα?1?α] （5）

其中，[h]是企業家雇傭的人力資本，[ZGAI]代表全要素生產率。諸多文獻認為，生成式人工智能能夠對不同行業的知識進行有效組合，提高企業研發效率和技術創新水平，提升全要素生產率（Agrawal et al.，2019；蔡躍洲和陳楠，2019；張龍鵬等，2023）。因此，令[ZGAI]是生成式人工智能[GAI]的函數：

[ZGAI=Z+κ2GAI?] （6）

其中，[κ2]衡量生成式人工智能對[ZGAI]的提升作用，[Z]代表全要素生產率中，被生成式人工智能之外的其他因素所解釋的部分。

關于生成式人工智能，一方面，生成式人工智能的發展以大數據為支撐，另一方面，中國背景下的人工智能技術研發也有賴于政府扶持（郭凱明，2019；黃旭和董志強，2024）。因此，本文假設生成式人工智能[GAI]是大數據和政府投入的生產函數，同樣滿足柯布—道格拉斯形式：

[GAI=qGφD1?φ] （7）

其中，[q]代表生成式人工智能沖擊。關于大數據[D]，多數研究認為大數據是經濟活動特別是企業生產的副產品（Bergemann and Bonatti，2019；Jones and Tonetti，2020；洪永淼和汪壽陽，2023；劉景江等，2023；汪壽陽等，2023）。Farboodi et al.（2019）、Farboodi and Veldkamp（2020）進一步認為，企業生產所產生的數據規模與企業產出規模直接相關。鑒于此，本文參考Farboodi et al.（2019）、Jones and Tonetti（2020）、楊俊等（2022），將大數據[D]構建為企業產出的函數，即：

[D=υy] （8）

其中，[υ]衡量一單位產品的生產過程中所產生的數據規模。由式（3）、（6）可知，生成式人工智能會通過人力資本和技術進步，影響企業產出。而由式（7）、（8）可知，企業生產過程中也會通過產生數據，進而影響生成式人工智能的發展。由此，模型引入了內生的生成式人工智能。

產品生產銷售完成后，企業出售折舊后的剩余資本[1?δk]，[δ]是折舊率，[τπ]為企業的經營性收入稅負則受斥企業家的經營利潤為：

[πoutb=1?τπy?W?+1?δk] （9）

根據以上設定，基于利潤最大化原則可以求得，企業家的最優人力資本需求為：

[?=1?αZGAIW1αk=1?αZGAIW1αb] （10）

（四）能夠獲得金融服務的企業家

與第一類受斥企業家不同，第二類企業家能夠進入金融市場獲得信貸服務。在簽訂信貸合約獲得信貸前，他們需要事先支付一項固定費用[γ]。[γ]衡量企業獲得信貸服務的直接成本和衍生成本，包括但不限于企業辦理貸款業務所需支付的固定交易費用、年費以及證明本身資質所需的材料和時間成本等。信貸合約規定，企業家需要以剩余資產[b?γ]作為抵押申請貸款，貸款數額[d]滿足以下抵押約束：

[d≤dmax=?b?γ] （11）

其中，[?]為抵押系數，決定企業家可得的最大貸款額度[dmax]。獲得貸款后，企業家以剩余資金和貸款購買物質資本，因此預算約束滿足：

[b?γ+d=k] （12）

考慮信貸雙方存在信息不對稱，銀行未能完全掌握企業家的經營情況。對企業而言，如果企業未破產，企業家需要向銀行支付貸款本息，共計[rdd]。如果企業破產，由于信息不對稱，企業家能夠占有[1?η]比例的剩余資本，即[1?η1?δk]。銀行只能獲得[η]比例的剩余資本，即[η1?δk]。同時，在企業破產情況下，銀行為了執行信貸合約獲得賠付，還需要支付一項固定成本[ω]。因此，銀行在制定貸款利率時，需要綜合考慮企業未破產和破產兩種情況的收益。假設企業破產概率為[p]，則根據Bernanke et al.（1999），銀行發放貸款應滿足以下約束條件：

[1?prdd+pη1?δk?ω+γ=rd] （13）

上式的含義是，銀行發放貸款的預期收益需要覆蓋存款的利息支出。由式（11）—（13）可以求得，企業的貸款利率為：

[rd=r??pη1?δ1+??1?p+pω?γ?1?pb?γ] （14）

可以發現，企業的貸款利率與企業家的初始財富[b]直接相關。在[pω?γgt;0]下，稟賦[b]越大，企業家貸款利率越低。由此表明，金融市場對不同稟賦的居民存在不同程度的信貸排斥。

生產完成后，企業家出售產品獲得收入，并出售剩余資本回籠資金，因此企業家的收入包括產品銷售收益以及出售剩余物質資本所得，支出則包括貸款本息、員工工資以及稅負。企業家的經營利潤為：

[πinb=1?τπ1?py?rdd?W?+1?δk+p1?η1?δk] " （15）

其中，[δ]為資本折舊率，[τπ]為企業的經營性收入稅負。

（五）經濟主體的決策分析

綜上所述，居民失業、成為員工、無貸款創業和貸款創業的收入分別為[ueb]、[wb]、[πoutb]和[πinb]。根據收入最大化原則，居民收入滿足[incb=maxueb，wb，πoutb，πinb]。基于此，本文提出命題1：

命題1：在收入最大化下，居民的收入函數如式（16）所示。財富[b∈[0，b]的居民被迫失業；財富[b∈[b，b]的居民選擇成為企業員工；財富[b∈[b，b]的居民選擇創業，但無法獲得信貸服務；財富[b∈[b，∞]的居民選擇貸款創業。其中，正數[b]、[b]、[b]和[b]分別為等式[wb=πoutb]、[wb=ueb]、[πinb=πoutb]和[wb=πinb]的解。

[incb=ueb， 0≤blt;b≤Ωwb，" " " "b≤blt;bπoutb， b≤blt;bπinb，" " " " " " b≤b] （16）

圖1更加直觀地展示了居民的擇業、收入與初始財富的具體關系。可以發現，居民初始財富由低到高，其擇業選擇也相應變化。當財富低于就業閾值[b]，居民難以支付人力資本投資成本或創業成本，無法通過就業或創業提升收入，因而被迫失業［即[incb=ueb]］。當財富高于就業閾值[b]但低于創業閾值[b]，居民投資人力資本所獲得的工資要高于創業收入［即[incb=wb]］，因而會選擇成為企業員工。然而，由于人力資本投資的邊際遞減特性，當居民財富提升到創業閾值[b]與信貸閾值[b]之間，其勞動工資將低于創業收入，因此他會選擇創業。但由于此時信貸服務門檻和融資成本較高，居民難以支付信貸成本，因此被排斥在金融市場之外［即[incb=πoutb]］。只有當財富高于信貸閾值[b]、足以支付信貸成本時，居民才能夠且愿意通過貸款創業獲得更高收入［即[incb=πinb]］1。

市場上，有兩類群體特別需要關注。第一類是失業群體，他們受限于自身稟賦，難以通過教育投資獲得足夠的人力資本，因而被排除在就業市場之外，形成非自愿失業。第二類是無法貸款的企業家，這類群體雖然具有一定財富或抵押資產，但由于過高的金融服務門檻和信貸成本而被排除在信貸市場之外，無法獲得正規的信貸服務以擴大生產，收入被明顯限制。第一類失業群體的規模反映了就業率的高低，第二類受斥企業家的規模則反映了就業結構的優劣。

（六）市場均衡

假設勞動力市場完全競爭，根據式（10）可以得到工資函數[W]：

[W=1?αZGAIKHα] （17）

其中，[K]為社會總物質資本，需求等于所有企業所購物質資本的總和，即：

[K=bbfbdb+b∞kbfbdb] （18）

[H]是社會總人力資本，滿足：

[H=b∞?bfbdb] （19）

勞動力市場均衡下，所有企業所雇傭的總人力資本等于所有企業員工所提供的總人力資本，因此勞動力市場的出清條件是：

[H=bbbβGAIfbdb] （20）

結合式（17）—（20）容易證明，上述的閾值解是穩定的。以創業閾值[b]為例，根據前文分析，財富大于創業閾值的居民會選擇創業。假設人為地提高創業閾值，使得財富高于原本創業閾值的部分居民成為企業員工，則人力資本供給增加（式19），總物質資本減少（式18），最終使得市場工資下降（式17），因此反過來會促使更多企業員工選擇創業，創業閾值降低至原本水平。

三、參數校準

本文基于實際數據與經典文獻取值來校準模型參數。關于無風險利率[r]，參考2010—2020年一年期國債收益率均值取1.02。教育投入的人力資本彈性[β]、生成式人工智能對人力資本的提升效率[?]、財富分布方差[σ]和失業補貼[T]分別取0.9、0.8、0.5和0.035，以將模型失業率校準在我國2010—2020年失業率均值4%附近。全要素生產率[Z]和單位產品生產所產生的數據規模[υ]，參考多數文獻做法標準化為1。勞動稅[τw]參考卞志村和楊源源（2016）取7%。企業經營稅[τπ]參考張杰等（2018）取20%。資本折舊率[δ]參考大多數文獻做法將其設為0.025（潘敏和周闖，2019）。資本份額[α]衡量的是產出中的資本投入比例，國內已有文獻關于該參數的估計或測算結果從0.3至0.6不等（馬勇和陳雨露，2013），考慮到我國的生產方式正逐漸從勞動密集型向資本密集型轉型，本文參考莊子罐等（2018）將其取值0.6。

對于抵押系數[?]，該參數決定了擁有一定抵押品的企業家所能獲得的貸款比例。研究認為，國內企業抵押貸款的抵押率上限一般在0.5—0.7之間（侯成琪和劉穎，2015；孟憲春等，2018）。國家統計局數據顯示，2010—2020年我國工業企業資產負債率區間為［0.5587，0.5810］，因此本文將[?]設為中間值0.56。對于企業破產概率[p]，銀保監會數據顯示，2008—2020年我國商業銀行不良貸款率區間為［0.009，0.0578］，因此本文將[p]設為中間值0.023。對于銀行獲取的破產企業的剩余資本比例[η]，參考Dabla-Norris et al.（2021）取0.7。[γ]指的是企業獲得金融服務的直接和衍生成本，[ω]是銀行為了執行信貸合約獲得賠付所需支付的固定成本，在抵押系數[?]確定的情況下，[γ]和[ω]直接決定了企業信貸規模，因此與社會融資規模直接相關。本文將[γ]和[ω]分別校準為0.089和4.35，以此得到模型的企業貸款占產出比重為0.26，位于根據國家統計局數據計算得到2010—2020年我國社會融資規模占GDP比重的變動區間［0.23，0.36］。模型參數符號、含義和校準值等如表1所示。

四、數值模擬

（一）生成式人工智能與收入不平等

在探討生成式人工智能對收入不平等的影響之前，需要測度收入不平等。本文采用兩種方法測度收入不平等，分別是基尼系數以及FGT指數。

1.基尼系數

基尼系數表示在全部居民收入中，分配不平均的那部分收入占總收入的百分比，是國際公認的衡量收入不平等的權威指標。基尼系數越大，意味著收入不平等程度越高。如圖2，基尼系數主要根據收入分布曲線（即洛倫茨曲線）計算。其中，橫軸和縱軸分別代表累計人口百分比和累計收入百分比，對角線是絕對平均收入分布線，對角線下方的曲線是實際收入分布曲線。要得到實際收入分布線，需要先將居民按照收入水平從低到高排序。其次，從低收入居民開始依次累計人口比例和居民收入，并計算累計收入與居民收入總和的比值。最后根據這一比值與累計人口比例的關系繪制實際收入分布線。對角線和曲線之間的面積A，相當于分配不均的收入。基尼系數則等于A/（A+B），即這部分分配不均的收入占全部收入的比值。

在計算基尼系數時需要對人口進行求和，在本文模型中則需要調整為對財富求積分，調整后的公式如下：

[Gini=0∞fb1?incbincdb] （21）

其中，[fb]為分布密度函數，衡量每個初始財富值上的人口數。[inc]為居民總收入，等于[inc=0∞fbincbdb]。

圖3展示了隨著引入一單位正向的生成式人工智能沖擊（[q]從0到0.01），基尼系數所產生的變化。結果顯示，生成式人工智能的提升使基尼系數上升了0.82%，表明生成式人工智能會增加收入不平等程度。這一結論與劉清春等（2017）、王林輝等（2020）、閆雪凌等（2020）的結論類似，以上文獻發現人工智能等高新技術的創新容易擴大居民尤其是城鄉居民收入的收入差距。進一步發現，生成式人工智能通過人力資本渠道和技術創新渠道對收入不平等的影響截然不同。在人力資本渠道（[κ1=0.1]、[κ2=0]），生成式人工智能沖擊使基尼系數上升了1.70%。而在技術創新渠道（[κ1=0]、[κ2=0.1]），生成式人工智能的提升使基尼系數下降了0.26%。由此可見，生成式人工智能使基尼系數整體上升的主要原因是，其技術創新渠道的正向作用小于在人力資本渠道的負向影響。以上說明，生成式人工智能能否緩解收入不平等，取決于生成式人工智能在不同傳導渠道的綜合效應。

2.FGT指數

接下來，我們采用FGT指數衡量收入不平等，進一步驗證生成式人工智能的影響。區別于基尼系數簡單反映不同收入階層收入的占比，FGT指標是基于收入分布設定一條相對貧困線，以此測度相對貧困居民的平均收入，能夠更好地反映某一群體的收入不平等狀況（陳宗勝等，2013；孫久文和夏添，2019）。自2020年我國絕對貧困消除以來，FGT指數逐漸得到國內學界的廣泛關注和應用。

本文參考汪三貴和孫俊娜（2021）、斯麗娟和郭海霞（2022）構建FGT指數，公式如下：

[FGTχ（z）=1Ni=1Qz?xizχ;χ?0] （22）

其中，[N]為總人口數；[Q]為貧困人口數；[z]為相對貧困線；[xi]代表第[i]個貧困者的收入；[χ]為貧困厭惡參數，一般取值為0、1、2。當[χ=0]時，[FGT0（z）]表示相對貧困人口數與人口總數的比率，即相對貧困發生率；當[χ=1]時，[FGT1（z）]表示相對貧困人口的人均收入與相對貧困線之間的收入相對距離，稱為相對貧困深度；[χ=2]時，[FGT2（z）]是相對貧困發生率與深度的乘積，稱為相對貧困強度。相對貧困強度在計算時賦予相對貧困人口更大權重，以進一步突出相對貧困人口的收入不平等情況。為了較為全面地反映整體收入不平等程度，本文同時采用相對貧困發生率、相對貧困深度和相對貧困強度三個FGT指數分析生成式人工智能對收入不平等的影響。同樣，式（22）計算FGT指數的方法是對人口進行求和，在本文模型中需要將FGT指數調整為對財富求積分，調整后的公式如下：

[FGTχ（incb;z）=0inc?1zfbz?incbzχdb] （23）

其中，[inc?1z]是反函數，代表收入等于相對貧困線的居民所具有的初始財富，[z]為相對貧困線。相對貧困線是相對貧困群體的識別標準，現有研究大多使用居民收入中位數或平均值的40%、50%和60%作為相對貧困線（胡聯等，2021；斯麗娟和郭海霞，2022；汪晨等，2020），但是鑒于中國當前仍處于發展中國家，學者建議在中國相對貧困初期階段選取收入分布中位數的40%作為相對貧困線（孫久文和夏添，2019；汪三貴和孫俊娜，2021）。因此，本文借鑒現有文獻選取居民收入中位數的40%作為基準相對貧困線，[z=0.4×medianincb]1。

圖4展示了不同FGT指數隨生成式人工智能的提升而產生的變化。結果顯示，生成式人工智能水平所造成的相對貧困發生率、相對貧困深度、相對貧困強度的變化方向明顯不同。生成式人工智能水平從低到高，[FGT0（0.4）]、[FGT1（0.4）]、[FGT2（0.4）]分別下降了0.16%、-0.47%、-1.10%。其中，相對貧困深度和強度的上升趨勢與基尼系數的變化方向一致，而相對貧困發生率下降趨勢則與其相反。這是因為，相對貧困發生率的計算沒有考慮相對貧困群體的收入變化，容易低估生成式人工智能對居民收入結構的負面影響。另一方面發現，生成式人工智能對不同FGT指數的影響差異，同樣源于其兩個機制渠道的影響不同。在人力資本渠道下，生成式人工智能的提升使三個FGT指數分別上升了0.08%、1.10%、2.31%。而在技術創新渠道，生成式人工智能的提升使三個FGT指數分別下降了0.27%、0.85%、1.08%。再次證明，生成式人工智能對收入不平等的作用取決于對不同傳導機制的綜合影響。

（二）生成式人工智能如何影響就業變動

為什么生成式人工智能從人力資本和技術創新兩個渠道對收入不平等的影響截然不同？根據模型設定，生成式人工智能一方面會增加居民可獲得的人力資本，進而影響其就業選擇和勞動收入。另一方面也會通過影響企業技術和生產規模，擴大人力資本需求，同樣會影響居民就業和收入。接

下來本文嘗試分析生成式人工智能如何從以上兩個渠道影響就業變動，進而影響收入不平等。為厘清生成式人工智能對就業變動的影響機理，圖5展示了企業總產出、物質資本、人力資本、信貸規模、市場工資、受排斥企業家占比、失業率等宏觀經濟變量以及就業、創業和信貸三種閾值的變動情況。我們重點關注失業率和受斥企業家這兩個變量的變化。如上所述，模型中這兩個變量最能夠反映經濟的就業率和就業結構。根據圖5結果，圖6清晰展示了人工智能分別通過人力資本渠道和技術創新渠道影響就業變動，進而影響收入不平等的具體過程。

首先看人力資本渠道：對居民而言，生成式人工智能的提升意味著居民一單位教育培訓投入所獲得的人力資本增加（式3），就業的預期收入隨之上升（式2），將促使更多居民成為企業員工（式16）。然而，在企業生產規模不變的情況下，單個居民的人力資本增加會導致企業的勞動力雇傭數量下降，這使得就業率反而下降。再加上預期勞動收入上升促使部分企業家擠向勞動力市場成為員工，社會的總投入和產出下降［圖5（1）、（2）］，進一步加劇總企業人力資本需求的減少［圖5（3）］。因此，失業率大幅增長［圖5（7）］，經濟陷入“內卷”。對于企業而言，在生成式人工智能提升導致企業人力資本需求和物質資本需求下降的過程中，由于人力資本需求的下降幅度比物質資本需求更明顯，因此市場均衡工資反而上升［圖5（5）］，這無疑加劇了企業的經營成本，導致企業經營狀況惡化。在此情況下，一部分原本能夠獲得貸款的企業家無法承擔信貸服務成本，被擠出信貸市場，受斥企業家的占比上升［圖5（6）］，社會總信貸的規模下降［圖5（4）］。最終，就業結構惡化，居民收入減少，收入不平等加劇。

接著看技術創新渠道：對居民而言，生成式人工智能通過提升企業技術水平，提高了全要素生產率，直接擴大了企業的生產規模［圖5（1）］）。由于生產規模的擴大，企業的人力資本需求和物質資本需求隨之增加［圖5（2）、（3）］，促使更多居民投資教育培訓以獲得人力資本，進而進入勞動力市場。然而，與人力資本渠道的影響不同，此時更多居民進入勞動力市場是由企業需求增加所導致的，并不會導致“內卷”。由于企業的人力資本需求增加，市場工資和居民勞動報酬會上升［圖5（5）］，更多失業群體愿意回到就業市場，失業率降低［圖5（7）］。對企業家而言，生成式人工智能所帶來的技術水平提高和生產規模擴大意味著更高的經營利潤，企業經營狀況得到改善，因此不僅會刺激更多企業家創業和增加資本投入，還會使更多原本被排斥在信貸市場之外的企業家能夠進入信貸市場融資并擴大生產。在此情況下，受斥企業家的占比下降［圖5（6）］，社會總信貸規模增加［圖5（4）］。最終，就業結構得到改善，居民收入增加，收入不平等緩解。以上結果與李磊和何艷輝（2024）的結論相似，該文同樣發現人工智能背景下的機器人應用對創業活動存在促進效應。

上述生成式人工智能通過人力資本渠道和技術創新渠道影響收入不平等的結論，與初始財富的分布緊密相關。本文模型中，異質性居民具有差異化初始財富。一方面，對于初始財富高于創業閾值的居民而言，他們能夠進行創業，充分利用生成式人工智能對企業技術的促進作用來提高產出，進而獲得更高收入。尤其是初始財富高于信貸閾值的居民，他們還能通過貸款，獲得更多資金創業。因此，生成式人工智能對其收入的提升作用會通過杠桿效應放大。另一方面，對于初始財富低于創業閾值的居民而言，他們由于不具備創業條件，只能成為企業員工通過勞動獲得工資。雖然員工能夠憑借生成式人工智能提升自身人力資本獲得更多勞動報酬，但在企業所需人力資本相對固定的情況下，群體性人力資本提升的結果是就業人數反而減少，失業率反而上升。最終，不同財富的居民收入差距越大，生成式人工智能對收入不平等的擴大效應越明顯。

（三）異質性分析

以上分析了生成式人工智能如何通過人力資本渠道和技術創新渠道影響居民收入不平等。接下來探討，在不同的經濟環境下，生成式人工智能對居民收入不平等的影響會如何變化。我們具體考察三種經濟環境條件的改變：初始財富的分布差距、企業生產的資本份額、金融摩擦程度。分別對應參數：初始財富的分布方差[σ]、產出的資本彈性系數[α]、抵押系數[?]。

1.初始財富的分布差距

差異化的初始財富是居民具有不同就業選擇和收入，進而產生收入不平等的前提。因此，模型中，初始財富的分布方差[σ]是一個重要參數。現有文獻同樣發現，居民或家庭的初始財富對其收入水平乃至整個社會的收入分布都具有重要影響（吳衛星等，2016）。為考察居民初始財富差異對生成式人工智能效應的影響，圖7分別展示了居民初始財富的分布方差更大（[σ=0.75]，圓心線）和更小（[σ=0.5]，非圓心線）兩種情形下，基尼系數和FGT指數等變量隨生成式人工智能的發展而發生的變化。

結果表明，更大的初始財富分布方差放大了生成式人工智能對收入不平等的擴大效應。圖7（3）的圓心實線和實線對比顯示，初始財富的分布方差更大相較于更小情景，生成式人工智能技術提升所導致的基尼系數上升幅度從0.8%增加至1.8%。進一步對比圓心虛線和虛線、圓心點線和點線發現，這主要是在初始財富分布方差較大情景下，生成式人工智能的人力資本渠道的影響更大所導致。在更大的初始財富分布方差下，居民財富兩極分化更為嚴重，更多居民的初始財富達不到創業條件而選擇成為企業員工。因此，當生成式人工智能通過人力資本渠道導致市場均衡工資上升時，由于企業員工人數更多，企業的勞動力成本將增加更多，經營狀況更加惡化。在此情況下，更多企業家難以承擔外部融資成本而被排斥在信貸市場之外，受斥企業家占比的上升幅度增加了5.2%［圖7（1）］，收入不平等程度進一步加劇。

此外，從FGT指數所衡量的收入不平等來看，圖7（4）—（6）的圓心實線和實線對比顯示，相對貧困發生率和相對貧困深度均無顯著變化，相對貧困強度甚至略微下降。出現這一結果的原因在于，在更大的初始財富分布方差情景下，更多社會財富集中在少數居民中。這部分居民所創辦企業的經營狀況更好，更容易抵御生成式人工智能對就業市場的沖擊。因此，在生成式人工智能的影響下，其生產規模和人力資本需求降低幅度更低，促使失業率上升幅度更小。因此，以失業人口為主要對象的FGT指數變化幅度不明顯，相對貧困強度甚至略微下降。以上結果表明從不同方式衡量收入不平等的必要性。同時，綜合基尼系數和FGT指數來看，初始財富分布方差的增大仍舊放大了生成式人工智能對收入不平等的擴大效應。

2.企業生產的資本份額

企業生產的資本份額變動會影響企業的勞動力需求和市場工資，進而影響居民的就業條件和收入。因此，在不同的企業資本份額下，生成式人工智能對就業變動和收入不平等的影響也會隨之變化。現有文獻同樣認為，人工智能、企業的資本需求和居民收入差距之間存在直接聯系（Autor，2014；Acemoglu and Restrepo，2018a；Acemoglu and Restrepo，2018b；王林輝等，2020）。鑒于此，為考察企業資本份額對生成式人工智能效應的影響，圖8分別展示了產出資本彈性系數更大（[α=0.63]，圓心線）和更小（[α=0.6]，非圓心線）兩種情形下，生成式人工智能對居民收入不平等的影響差異。

結果表明，更大的產出資本彈性緩解了生成式人工智能對收入不平等的擴大效應。圖8（3）的圓心實線和實線對比顯示，產出的資本彈性更大相較于更小情景，生成式人工智能技術提升所導致的基尼系數上升幅度從0.8%下降至0.1%。同時，圖8（4）—（6）的圓心實線和實線對比也顯示，除了相對貧困發生率無明顯變化，相對貧困深度和相對貧困強度增幅分別顯著下降了0.2%和0.8%。進一步對比圓心虛線和虛線、圓心點線和點線發現，這同樣主要是在產出資本彈性更大情景下，生成式人工智能的人力資本渠道的影響更小所導致。

在更大的產出資本彈性下，企業對物質資本的需求相對更高，這會產生兩方面的影響。一方面，企業的物質資本需求相對更高意味著，企業生產更依賴物質資本而非人力資本。生成式人工智能通過人力資本渠道所造成的市場工資上漲對企業經營成本的沖擊更小，企業經營狀況的惡化程度更低。因此，企業家更不容易因難以承擔外部融資成本而被排斥在信貸市場之外，受斥企業家占比的上升幅度降低2.8%［圖8（1）］，收入不平等緩解。另一方面，在企業對物質資本的需求相對更高的情景下，生成式人工智能所造成的市場工資上漲幅度將更大，這反而刺激了失業群體進入就業市場，使失業率的上升幅度降低了約26%。綜上，產出資本彈性的增大緩解了生成式人工智能對收入不平等的擴大效應。

3.金融摩擦程度

金融摩擦程度的大小直接決定居民能否獲得外部融資、擴大生產以提高自身收入，進而影響市場的勞動力需求和工資水平。模型中，衡量金融摩擦程度的參數有多個，包括抵押系數[?]、企業申請貸款的固定費用[γ]、企業破產時銀行執行信貸合約的成本[ω]和獲得賠付的剩余資本比例[η]。我們選擇抵押系數[?]進行分析，這一參數直接決定了企業外部融資規模，其他參數主要影響的是企業外部融資成本。企業的外部融資規模和外部融資成本分別對應了制約我國小微企業發展的兩種金融摩擦因素，即“融資難”和“融資貴”。文獻發現，“融資難”對我國小微企業發展的影響要大于“融資貴”（侯成琪和劉穎，2015）。可見，抵押系數[?]能夠更好地體現我國的金融摩擦程度。圖9分別考察了抵押系數較小（[?=0.52]，圓心線）和較大（[?=0.56]，非圓心線）兩種情形，生成式人工智能對居民收入不平等的影響差異。

結果表明，更小的抵押系數加劇了生成式人工智能對收入不平等的擴大效應。圖9（3）的圓心實線和實線對比顯示，抵押系數較小相較于較大情景，生成式人工智能技術提升所導致的基尼系數上升幅度從0.8%上升至1.0%。同時，圖9（4）—（6）的圓心實線和實線對比也顯示，除了相對貧困發生率略微下降，相對貧困深度和相對貧困強度增幅分別上升了0.1%和0.3%。

進一步對比圓心虛線和虛線、圓心點線和點線發現，這同樣主要是在抵押系數較小情景下，生成式人工智能的人力資本渠道的影響更大所導致。在更小的抵押系數下，企業可獲得的外部融資更少，經營條件和生產規模更差。此時，生成式人工智能通過人力資本渠道所造成的市場工資上漲對企業經營成本的沖擊更大，企業經營狀況的惡化程度更高。因此，企業家更容易因難以承擔外部融資成本而被排斥在信貸市場之外，受斥企業家占比的上升幅度上升0.6%［圖9（1）］。同時，由于經營狀況進一步惡化，企業對人力資本需求的減少更大，失業率的上升幅度增加了約10%。綜上，更小的抵押系數放大了生成式人工智能對收入不平等的擴大效應。

（四）生成式人工智能的政策應對

上述分析厘清了生成式人工智能如何通過就業變動影響居民收入不平等。接下來，我們進一步從政策角度，考察如何強化生成式人工智能的正向渠道作用和降低負面渠道的影響，進而使生成式人工智能對收入不平等的緩解作用最大化。我們分別考慮兩類政策，一是向企業提供普惠貸款的結構型貨幣政策，二是針對企業稅收減免的財政政策。

1.貨幣政策：普惠貸款

普惠貸款是政府向高新技術企業、中小微企業等提供由銀行發放、由政府承擔利息成本的專項信貸。這種傾斜性政策能在不增加金融機構成本的前提下，降低企業融資成本，是中國發展普惠金融、扶持高新技術企業發展的重要工具（張珩等，2017；李建軍等，2020）。具體而言，假設企業總信貸中的政府貼息貸款比例為[λ]，則企業的總融資成本為：

[ro=1?λrd+λr] （24）

圖10展示了在有、無普惠金融貸款（0、0.3）下，基尼系數和FGT指數等變量隨生成式人工智能的發展而發生的變化。圓心實線和實線對比顯示，有普惠貸款相較于無普惠貸款情景，生成式人工智能技術提升所導致的基尼系數整體上升幅度下降約0.1%［圖10（3）］，三個FGT指數沒有明顯變化［圖10（4）—（6）］。

一方面，普惠貸款能部分緩解生成式人工智能所導致的基尼系數上升的原因在于，這一政策能夠一定程度放大生成式人工智能通過技術創新渠道對收入不平等的緩解作用。可以看到，圖10（1）中圓心點線相較于點線的向下變化較為明顯，使圓心實線相較于實線也有一定程度下降。具體而言，普惠貸款通過降低貸款利率有效降低了企業的經營成本，改善了企業的經營環境。在此情形下，生成式人工智能通過促進企業的技術創新能夠增加更多的經營利潤，吸引更多居民進行創業，以及促使更多原本被排斥在金融市場之外的企業家進入信貸市場并獲得融資。因此，受斥企業家占比下降［圖10（1）］，就業結構得到改善，居民收入增加，基尼系數增幅隨之略微下降。類似地，張呈磊等（2021）也發現數字普惠金融能夠通過刺激創業改善收入不平等。另一方面，普惠貸款無法顯著緩解生成式人工智能所導致的FGT指數上升的原因在于，這一政策無法有效提升居民工資收入和就業率。雖然普惠貸款能夠吸引更多企業進入信貸市場并一定程度上擴大生產規模，但在企業的金融摩擦以抵押約束為主的情況下，這一政策無法通過增加企業的抵押品價值有效緩解大多數企業的融資約束，因此對企業生產規模和人力資本需求的擴大作用十分有限。因此，市場均衡工資沒有太大變化，就業率和企業員工的勞動收入也基本不變［圖10（2）］，以該群體為主要對象的FGT指數上升幅度也沒有發生顯著下降。

以上啟示著，相較于“融資貴”，“融資難”才是當前制約新興技術企業發展的首要因素。因此，針對新興技術企業的普惠貸款在實施過程中不應該以降低企業原有商業貸款的貸款成本為目標，而最好以增量貸款的形式發放到企業之中，才能在擴大生產、促進就業和提高收入方面起到更好的效果。對于新興產業和科技型初創企業，政府部門應適當放松融資條件，適度開展行業性專業擔保等創新信貸擔保方式，設計個性化小微普惠貸款、特色產業貸款等多樣化的金融產品，降低在位企業和潛在進入企業的金融準入門檻，切實提高“融資難”群體的信貸可得性，加速新技術推廣和普及。

2.財政政策：稅收減免

接下來，我們進一步考察針對企業減稅的財政政策對生成式人工智能作用的影響。長期以來，我國一直對高科技企業實行優惠的稅收政策，包括高新技術企業所得稅優惠、軟件企業所得稅優惠、研發費用加計扣除、軟件產品即征即退等稅收優惠。近年來，為布局人工智能產業發展，我國特別加大了對新能源汽車、芯片等重要產業的稅收扶持力度。

圖11展示了在高低兩種企業經營稅率下（0.2、0.15），基尼系數和FGT指數隨生成式人工智能的發展而發生的變化。圓心實線和實線對比顯示，企業經營稅率較低情景相較于較高情景，生成式人工智能技術提升所導致的基尼系數下降了1.2%，三個FGT指數分別下降了-0.3%、0.3%和0.9%。說明對企業減稅的財政政策有助于緩解生成式人工智能所造成的收入不平等加劇。

一方面，這主要是因為對企業減稅的財政政策削弱了生成式人工智能通過人力資本渠道所造成的負向影響。對比圓心虛線和虛線可知，雖然在較低的企業經營稅率下，生成式人工智能依舊會導致企業減少勞動力雇傭、失業率上升，并促使企業家放棄創業而擠向勞動市場，但由于此時企業經營環境更好，企業家數量的降低相對更少，社會總投入和經濟總產出的下降規模更小，企業的總人力資本需求減少幅度也明顯縮減。因此，失業率的上升幅度大幅縮減93.6%。同時，在企業經營稅率更低的情況下，企業家被擠出信貸市場的可能性更低，受斥企業家占比的增加幅度也縮減了4.3%，就業結構相對改善。最終，居民收入不平等得到緩解。另一方面，對企業減稅的財政政策也會同時削弱生成式人工智能通過技術創新渠道對收入不平等產生的正向作用，但這可能與模型穩態有關。對比圓心點線和點線發現，在較低的企業經營稅下，模型經濟中的失業率和受斥企業家占比已經處于相對低水平。此時，生成式人工智能經技術創新渠道所發揮的收入不平等效果較為有限。

以上啟示著，要注重減稅降費、轉移支付等財政政策對人工智能等領域的高科技企業的引導能力和支持作用，實行多樣化、差別化的結構性稅收政策。比如在現有增值稅及企業所得稅的基礎上繼續加大對高科技企業、科技型中小企業和科技型初創企業的結構性稅收減免和降費力度，以及擴大對上述企業的研發費用補貼和退稅范圍。

3.貨幣政策和財政政策協調搭配

以上分別探討了貨幣政策和財政政策對生成式人工智能的就業和收入作用的影響。接下來，綜合考察兩類政策協調搭配能否更好地促進生成式人工智能對收入不平等的正面影響。貨幣政策和財政政策的協調可以更有效地調控總需求和總供給，增強經濟對外部沖擊的抵御能力，對經濟的穩定增長至關重要。

圖12顯示，隨著普惠貸款的增加和企業經營稅率的下降，生成式人工智能正向沖擊下的基尼系數和FGT指數均發生了明顯下降。其中，相較于低普惠貸款占比和高企業經營稅率，高普惠貸款占比和低企業經營稅率下的基尼系數下降幅度約1.7%，FGT指數下降幅度約0.3%，再次驗證了貨幣政策和財政政策能夠改善生成式人工智能對收入不平等的影響。此外發現，雖然FGT指數對普惠貸款的反應并不顯著，但是隨著普惠貸款占比的提升和企業經營稅率的降低，基尼系數的下降速度明顯加快，這表明貨幣政策和財政政策協調配合能夠更好地改善生成式人工智能對收入不平等的影響。由此可見，應對生成式人工智能對勞動力市場和居民收入的沖擊需要財政部門與金融機構協同發力。應以財政專項資金投入、財政補貼、財稅減免等財政政策工具為先導，積極合理地將資源傾斜配置到人工智能等高新科技產業和領域。同時，引導銀行類金融機構信貸資金及時跟進，配合增加科技型中小企業的普惠小微信用貸款發放、加大貼息貸款，以此加強財政政策與貨幣政策等政策手段的協調配合。

五、結論和政策啟示

本文構建了一個包含異質性代理人的職業選擇模型，探討生成式人工智能如何通過就業變動影響收入不平等。研究發現：（1）生成式人工智能能否緩解收入不平等，取決于生成式人工智能從人力資本和技術創新兩個渠道對就業變動的綜合影響。在人力資本渠道，生成式人工智能雖然能夠增加單個居民的人力資本，但會降低就業市場對勞動力的需求，導致失業率上升，經濟陷入“內卷”。同時，生成式人工智能會將更多企業家擠出信貸市場，導致就業結構惡化，最終使居民收入水平下降，收入不平等加劇。在技術創新渠道，生成式人工智能會通過促進技術創新提高全要素生產率，增加預期經營利潤，刺激更多企業家進入信貸市場融資，改善就業結構。同時，生成式人工智能通過擴大企業生產規模提高人力資本需求，增加市場工資，促使更多居民進入就業市場，降低失業率，最終使居民收入水平提高，收入不平等緩解。（2）異質性分析發現，在居民財富分布差距更大、企業生產的資本份額更低以及信貸市場的金融摩擦更大的情況下，生成式人工智能的人力資本渠道影響更容易被放大，導致收入不平等進一步加劇。（3）政策分析發現，普惠貸款型的貨幣政策和對企業減稅的財政政策均能改善生成式人工智能對居民收入不平等的影響，但后者的作用大于前者。此外，兩種政策協調配合能更有效地提升生成式人工智能對收入不平等的緩解效果。

基于以上結論，本文提出以下政策啟示：

第一，加快發展人工智能，形成新質生產力。人工智能作為當前世界科技領域的尖端技術，是我國發展新質生產力的重要陣地之一。尤其是生成式人工智能作為人工智能領域的最新成果，更是我國加快產業智能化發展、提升全要素生產力的重要工具。我國應抓住生成式人工智能給傳統行業帶來的結構性變革機會，綜合運用財稅、信貸、保險等政策工具，加快生成式人工智能發展及其與傳統產業的結合，為傳統產業轉型升級賦能。

第二，健全就業保障體系，多舉措穩定就業市場。各地政府應結合區域比較優勢發展高科技產業和新興產業，深入分析人工智能等技術在不同行業和職業中的發展速度和勞動力替代情況，及時應對人工智能對勞動力市場和收入的沖擊。要加強對勞動力市場的關注和監測。特別在一些勞動力資源比較豐富的地區，政府在推動產業轉型期間要更加注重建立員工的職業培訓和再培訓機制，制定崗位轉移方案，加大失業救濟力度，緩解人工智能技術可能帶來的結構性失業問題，確保經濟社會穩定。

第三，加快研發人才培養，鼓勵高科技創新創業。盡管本文顯示，市場規模不變下的單個居民人力資本積累會減少企業的勞動力雇傭，對就業市場形成沖擊。但在當前老齡化背景下，提高個人人力資本也是緩解未來勞動力減少的備選途徑之一。當然，在具體的政策實施過程中，當局應該積極推動學界、業界的交流與合作，積極培養復合型人才和與人工智能相關的專業人才，以加快產業轉型升級和提升經濟全要素生產率為目的，推動高科技領域的創新創業活動，使生成式人工智能的技術創新渠道作用最大化。

針對生成式人工智能對就業變動和收入不平等的影響和政策應對，文章還可以在其他方面進行拓展，包括引入人口結構，考慮人口老齡化背景下生成式人工智能對經濟增長和收入分配的作用；或者拓展到多個地區，考慮生成式人工智能對勞動力跨區域流動和收入分配的影響。同時，本文在政策分析上還可以探討其他政策措施，如政府的教育培訓投入和對人工智能的監管等。此外，在企業生產函數和居民的人力資本函數中進一步引入更多異質性因素，也是一個值得深入研究的方向。

參考文獻

卞志村、楊源源，2016，“結構性財政調控與新常態下財政工具選擇”，《經濟研究》，第3期，第66-80頁。

陳斌開、張鵬飛、楊汝岱，2010，“政府教育投入、人力資本投資與中國城鄉收入差距”，《管理世界》，第1期，第36-43頁。

陳宗勝、沈揚揚、周云波，2013，“中國農村貧困狀況的絕對與相對變動——兼論相對貧困線的設定”，《管理世界》，第1期，第67-77+187-188頁。

蔡躍洲、陳楠，2019，“新技術革命下人工智能與高質量增長、高質量就業”，《數量經濟技術經濟研究》，第5期，第3-22頁。

董直慶、蔡嘯、王林輝，2014，“技能溢價：基于技術進步方向的解釋”，《中國社會科學》，第10期，第22-40+205-206頁。

郭凱明，2019，“人工智能發展、產業結構轉型升級與勞動收入份額變動”，《管理世界》，第7期，第60-77+202-203頁。

何小鋼、朱國悅、馮大威，2023，“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”，《中國工業經濟》，第4期，第98-116頁。

洪永淼、汪壽陽，2023，“人工智能新近發展及其對經濟學研究范式的影響”，《中國科學院院刊》，第3期，第353-357頁。

侯成琪、劉穎，2015，“外部融資溢價機制與抵押約束機制——基于DSGE模型的比較研究”，《經濟評論》，第4期，第134-147頁。

胡聯、姚紹群、楊成喻、吉路涵，2021，“數字普惠金融有利于緩解相對貧困嗎？”，《財經研究》，第12期，第93-107頁。

黃旭、董志強，2024，“人工智能對勞動力市場極化的影響與對策”，《系統工程理論與實踐》，第1期，第272-298頁。

李建軍、彭俞超、馬思超，2020，“普惠金融與中國經濟發展：多維度內涵與實證分析”，《經濟研究》，第4期，第37-52頁。

李磊、王小霞、包群，2021，“機器人的就業效應：機制與中國經驗”，《管理世界》，第9期，第104-119頁。

李磊、何艷輝，2024，“機器人使用與創業選擇”，《南方經濟》，第1期，第124-141頁。

廖楚暉，2006，“中國人力資本和物質資本的結構及政府教育投入”，《中國社會科學》，第1期，第23-33+205-206頁。

劉景江、鄭暢然、洪永淼，2023，“機器學習如何賦能管理學研究？——國內外前沿綜述和未來展望”，《管理世界》，第9期，第191-216頁。

劉清春、張瑩瑩、C.-Y.Cynthia Lin Lawell，2017，“創新與收入不平等”，《南方經濟》，第2期，第24-39頁。

馬勇、陳雨露，2013，“宏觀審慎政策的協調與搭配：基于中國的模擬分析”，《金融研究》，第8期，第57-69頁。

孟憲春、張屹山、李天宇，2018，“有效調控房地產市場的最優宏觀審慎政策與經濟‘脫虛向實’”，《中國工業經濟》，第6期，第81-97頁。

潘敏、周闖，2019，“宏觀審慎監管、房地產市場調控和金融穩定——基于貸款價值比的DSGE模型分析”，《國際金融研究》，第4期，第14-23頁。

斯麗娟、郭海霞，2022，“面向共同富裕的中國城鄉相對貧困指數的測度及變動分解”，《數量經濟技術經濟研究》，第5期，第47-63頁。

孫久文、夏添，2019，“中國扶貧戰略與2020年后相對貧困線劃定——基于理論、政策和數據的分析”，《中國農村經濟》，第10期，第98-113頁。

王林輝、胡晟明、董直慶，2020，“人工智能技術會誘致勞動收入不平等嗎——模型推演與分類評估”，《中國工業經濟》，第4期，第97-115頁。

王永欽、董雯，2020，“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”，《經濟研究》，第10期，第159-175頁。

汪晨、萬廣華、吳萬宗，2020，“中國減貧戰略轉型及其面臨的挑戰”，《中國工業經濟》，第1期，第5-23頁。

汪三貴、孫俊娜，2021，“全面建成小康社會后中國的相對貧困標準、測量與瞄準——基于2018年中國住戶調查數據的分析”，《中國農村經濟》，第3期，第2-23頁。

汪壽陽、李明琛、楊昆、林文燦、姜尚榮、魏云捷，2023，“ChatGPT+金融：八個值得關注的研究方向與問題”，《管理評論》，第4期，第3-11頁。

吳衛星、邵旭方、陶利斌，2016，“家庭財富不平等會自我放大嗎？——基于家庭財務杠桿的分析”，《管理世界》，第9期，第44-54頁。

閆雪凌、朱博楷、馬超，2020，“工業機器人使用與制造業就業：來自中國的證據”，《統計研究》，第1期，第74-87頁。

楊俊、李小明、黃守軍，2022，“大數據、技術進步與經濟增長——大數據作為生產要素的一個內生增長理論”，《經濟研究》，第4期，第103-119頁。

余玲錚、魏下海、孫中偉、吳春秀，2021，“工業機器人、工作任務與非常規能力溢價——來自制造業‘企業—工人’匹配調查的證據”，《管理世界》，第1期，第47-59+4頁。

張呈磊、郭忠金、李文秀，2021，“數字普惠金融的創業效應與收入不平等：數字鴻溝還是數字紅利？”，《南方經濟》，第5期，第110-126頁。

張杰、龐瑞芝、鄧忠奇，2018，“財政自動穩定器有效性測定：來自中國的證據”，《世界經濟》，第5期，第27-52頁。

張龍鵬、張雙志、胡燕娟，2023，“企業價值鏈智能化對全要素生產率的影響”，《南方經濟》，第10期，第94-111頁。

張珩、羅劍朝、郝一帆，2017，“農村普惠金融發展水平及影響因素分析——基于陜西省107家農村信用社全機構數據的經驗考察”，《中國農村經濟》，第1期，第2-15+93頁。

諸竹君、袁逸銘、焦嘉嘉，2022，“工業自動化與制造業創新行為”，《中國工業經濟》，第7期，第84-102頁。

莊子罐、賈紅靜、劉鼎銘，2018，“貨幣政策的宏觀經濟效應研究：預期與未預期沖擊視角”，《中國工業經濟》，第7期，第80-97頁。

Acemoglu， D. and Autor， D.， 2011， “Skills， Tasks and Technologies： Implications for Employment and Earnings”， Handbook of Labor Economics， 4： 1043-1171.

Acemoglu， D. and Restrepo， P.， 2017， “Robots and Jobs： Evidence from US Labor Market”， NBER Working Paper， No.23285.

Acemoglu， D. and Restrepo， P.， 2018a， “Artificial Intelligence， Automation and Work”， NBER Working Paper， No.24196.

Acemoglu， D. and Restrepo， P.， 2018b， “The Race between Man and Machine： Implications of Technology for Growth， Factor Shares， and Employment”， American Economic Review， 108（6）： 1488-1542.

Acemoglu， D. and Restrepo， P.， 2019， “Automation and New Tasks： How Technology Displaces and Reinstates Labor”， Journal of Economic Perspectives， 33（2）： 3-30.

Aghion， P.， Jones， B.F. and Jones， C.I.， 2017， “Artificial Intelligence and Economic Growth”， NBER Working Paper， No.23928.

Agrawal， A.， Gans， J.S. and Goldfarb， A.， 2019， “Artificial Intelligence： The Ambiguous Labor Market Impact of Automating Prediction”， Journal of Economic Perspectives， 33（2）： 31-50.

Autor， D.， Katz， L.F. and Kearney， M.S.， 2006， “The Polarization of the U.S. Labor Market”， American Economic Review， 96（2）： 189-194.

Autor， D. and Dorn， D.， 2013， “The Growth of Low-skill Service Jobs and the Polarization of the U.S. Labor Market”， American Economic Review， 103（5）： 1553-1597.

Autor， D.， 2014， “Polanyi's Paradox and the Shape of Employment Growth”， NBER Working Paper， No.20485.

Autor， D. and Salomons， A.， 2017， “Robocalypse Now： Dose Productivity Growth Threaten Employment？”， Paper prepared for the ECB Forum on Central Banking.

Bergemann， D. and Bonatti， A.， 2019， “Markets for Information： An Introduction”， Annual Review of Economics， 11（1）： 85-107.

Bernanke， B.， Gertler， M. and Gilchrist， S.， 1999， “The Financial Accelerator in a Quantitative Business Cycle Framework”， Handbook of Macroeconomics， 1： 1341-1393.

Bughin， J.， Seong， J.， Manyika， J.， Chui， M. and Joshi， R.， 2018， “Notes from the Al Frontier： Modeling the lmpact of Al on the World Economy”， McKinsey Global Institute Discussion Paper.

Cheng， H.， Jia， R.， Li， D. and Li， H.， 2019， “The Rise of Robots in China”， Journal of Economic Perspectives， 33（2）： 71-88.

Dabla-Norris， E.， Ji， Y.， Townsend， R.M. and Unsal， D.F.， 2021， “Distinguishing Constraints on Financial Inclusion and Their Impact on GDP， TFP， and the Distribution of Income”， Journal of Monetary Economics， 117： 1-18.

Farboodi， M.， Mihet， R.， Philippon， T. and Veldkamp， L.， 2019， “Big Data and Firm Dynamics”， AEA Papers and Proceedings， 109： 38-42.

Farboodi， M. and Veldkamp， L.， 2020， “A Growth Model of the Data Economy”， NBER Working Paper， No.28427.

Furman， J. and Seamans， R.， 2018， “Al and the Economy”， NBER Working Paper， No.24689.

Goos， M.， Manning， A. and Salomons， A.， 2014， “Explaining Job Polarization： Routine-biased Technological Change and Offshoring”， American Economic Review， 104（8）： 2509-2526.

Gregory， T.， Salomons A. and Zierahn， U.， 2022， “Racing with or Against the Machine？ Evidence on the Role of Trade in Europe”， Journal of the European Economic Association， 20（2）： 869-906.

Jones， C.I. and Tonetti， C.， 2020， “Nonrivalry and the Economics of Data”， American Economic Review， 110（9）： 2819-2858.

Korinek， A.， 2023， “Generative AI for Economic Research： Use Cases and Implications for Economists”， Journal of Economic Literature， 61 （4）： 1281-1317.

Kunst， D.， 2019， “Deskilling among Manufacturing Production Workers”， Tinbergen Institute Discussion Papers， No.19-050/VI.

Mutascu， M.， 2021， “Artificial Intelligence and Unemployment： New Insights”， Economic Analysis and Policy， 69： 653-667.

Generative Artificial Intelligence， the Change of Employment and Income Inequality

Zhang Zhanpei" Liang Jieying" Liu Xiaoyong

Abstract： Generative artificial intelligence （Generative AI）， represented by ChatGPT， is gaining prominence in fields such as autonomous driving， speech recognition， and image recognition， and is increasingly scrutinized for its impact on employment and income distribution. This paper constructs a vocational selection model to analyze how Generative AI influences the employment and incomes of diverse residents， thereby affecting income inequality.

In our model， generative artificial intelligence reveals a dual effect on income inequality. On one hand， while it enhances the human capital of individual residents， it also reduces labor demand in the job market， leading to higher unemployment rates. Furthermore， generative AI excludes certain entrepreneurs from accessing credit markets， thereby reducing residents' income and exacerbating income inequality. On the other hand， generative AI increases enterprise profits through technological innovation， encouraging more entrepreneurs to enter the credit market and expand production. This stimulates demand for human capital， raises wages， reduces unemployment， and ultimately mitigates income inequality. Overall， the extent to which generative AI alleviates income inequality hinges on the combined impact of its human capital and technological innovation channels. Heterogeneity analysis shows that generative AI is more likely to exacerbate income inequality in conditions where wealth distribution is more unequal， capital's share in production is lower， and there are larger financial frictions in the credit market. Additional policy analysis indicates that fiscal policies aimed at lowering taxes for businesses are more effective in mitigating the impact of generative artificial intelligence on income inequality compared to inclusive lending-oriented monetary policies. Nonetheless， a coordinated approach combining both strategies can achieve more substantial improvements.

The conclusions point to several policy implications： （1） Promote the development of artificial intelligence， with a focus on generative AI， to accelerate the modernization of traditional sectors. （2） Enhance the employment security system and implement various measures to stabilize the job market. （3） Foster innovation in high-tech industries and encourage entrepreneurship.

This paper contributes to the existing literature in three key ways： （1） Unlike previous studies that focus primarily on the impact of artificial intelligence， this paper specifically examines the economic effects of the latest generative artificial intelligence. It develops a theoretical model that links generative AI to resident incomes， offering a new quantitative framework for analyzing the income impacts of generative AI. （2） While existing research typically explores AI's impact through physical capital， this paper shifts the focus to how generative AI influences income inequality through human capital and technological innovation mechanisms. （3） The paper also provides a discussion on optimizing the effects of generative AI on income inequality from the perspectives of monetary and fiscal policy. This offers theoretical insights for policymakers on managing the impact of emerging technologies like generative AI on the labor market.

Keywords： Generative Artificial Intelligence; the Change of Employment; Income Inequality; the Vocational Selection Model

（責任編輯：黃旭）

* 張展培，華南理工大學經濟與金融學院，E-mail：zhangzhanpeizzp@163.com，通訊地址：廣東省廣州市番禺區廣州大學城外環東路382號，郵編：510006；梁潔瑩（通訊作者），廣東財經大學會計學院/智能財會管理學院，E-mail ：liangjieying@gdufe.edu.cn，通訊地址：廣東省廣州市海珠區侖頭路21號，郵編：510320；劉小勇，華南理工大學經濟與金融學院，E-mail ：lxyshh@scut.edu.cn。作者文責自負。

基金項目：本文受國家社會科學基金項目“新時代區域協調發展的財政體制研究”（19BJL045）；廣東省普通高校創新團隊項目“粵港澳大灣區資本市場財務與會計創新研究團隊”（2020WCXTD009）；浙江省人力資源保障廳科學研究課題“人工智能對大學生高質量就業影響效果及‘就業難’‘招工難’突破路徑”（2024015）研究資助。

1 國務院印發《新一代人工智能發展規劃》，中國政府網，https：//www.gov.cn/xinwen/2017-07/20/content_5212064.htm。

1 習近平在中共中央政治局第十一次集體學習時強調：加快發展新質生產力 扎實推進高質量發展，中國政府網，https：//www.gov.cn/yaowen/liebiao/202402/content_6929446.htm。

2 習近平：高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告，中國政府網，https：//www.gov.cn/xinwen/2022-10/25/content_5721685.htm。

3 這也是自2022年底問世以來ChatGPT僅一年多就得到數億全球用戶的廣泛應用的原因。實際上，ChatGPT的發展速度遠超其他人工智能技術。

1 參考以往文獻做法（廖楚暉，2006；陳斌開等，2010），令人力資本的投入產出彈性[β∈0，1]，因此人力資本函數具有經典的邊際遞減特性。

1 兩類企業家的創業收入必須高于初始財富，即[πinbgt;b]和[πoutbgt;b]，否則居民不會選擇創業。

1 在以上參數校準下，模型計算得到的中國基尼系數為0.4，接近國家統計局數據在2016年測算得到中國的居民收入基尼系數（0.46），說明本文模型構建具有一定合理性。