老齡化、人工智能和延遲退休

關鍵詞：老齡化人工智能轉移支付延遲退休DOI：10.19592/j.cnki.scje.421652JEL分類號：J14，O33，J26 中圖分類號：F063.4文獻標識碼：A 文章編號：1000-6249（2025）07-075-23

一、引 言

隨著中國社會的飛速發展和人口結構的深刻轉變，老齡化問題已成為國家面臨的重大挑戰之一。截至2023年底，我國60歲以上老年人口已達2.97億，占總人口的 。預計到2035年，我國老年人口規模將突破4億，占比超過 30% ，正式進人重度老齡化階段。在此背景下，勞動力供給不足問題將日益突出，少子化趨勢進一步加劇社會養老保險體系的收支失衡風險，對經濟社會的可持續發展構成嚴峻考驗。人工智能技術的進步在一定程度上被視為緩解勞動力短缺、提升經濟增長潛力的重要手段（陳彥斌等，2019）。然而，目前我國人工智能技術仍處于發展初期，其產業化和大規模應用尚未完全成熟，短期內難以徹底彌補人口老齡化帶來的勞動力缺口。因此，相較于依賴技術變革帶來的長期調整，延遲退休政策成為更加現實和可行的調控手段。適度延長勞動者的職業生涯能夠在短期內有效緩解養老金支付壓力，同時充分發揮年長勞動者的經驗與技能優勢，促進人力資本的持續利用，為經濟穩定增長提供支撐。然而，延遲退休政策的實施受到老齡化進程和人工智能技術發展的共同作用。因此，深人探討老齡化與人工智能如何協同影響延遲退休決策，剖析其內在機制，并探究政府如何通過合理的公共政策引導勞動者提升延遲退休意愿，成為當前亟待解決的重要問題。

對于老齡化程度較高的國家來說，普遍傾向于通過人工智能和自動化來替代部分勞動力崗位，以應對勞動力供給不足的挑戰（Acemoglu and Restrepo，2022;Abeliansky and Prettner，2023;咸金坤等，2022）。然而，現有研究大多集中在西方發達國家，這些國家資本積累雄厚，科技水平較高。與之相比，我國正處于“未富先老”的階段，國情與西方發達國家存在顯著差異。我國人工智能技術發展迅速，但仍處于初級階段，尚未完全釋放其經濟潛力。同時人工智能無法完全替代所有工作崗位，勞動力依然是經濟發展的重要支撐。在此背景下，人工智能能在多大程度上緩解社會養老保險的壓力？人工智能技術的發展是否能夠全面解決老齡化帶來的挑戰？這些問題正逐漸成為學界和政策制定者關注的焦點。

在當前老齡化加劇的背景下，延遲退休政策逐漸成為應對這一挑戰的關鍵策略之一。2024年7月21日發布的《中共中央關于進一步全面深化改革 推進中國式現代化的決定》明確提出，“按照自愿、彈性原則，穩妥有序推進漸進式延遲法定退休年齡改革\"①。該政策的穩步推進回應了人口結構變化的現實需求，為實現經濟社會的可持續發展提供了重要制度保障。具體而言，延遲退休將通過三條關鍵機制緩解老齡化所帶來的多重壓力。首先，延遲退休可以形成“緩解機制”。該政策既能有效減輕養老金支出帶來的財政負擔，又能充分挖掘老年勞動力蘊藏的經驗與技能價值，部分緩解勞動力供給緊張的結構性矛盾。其次，延遲退休體現“創新機制”。高技能老年勞動者在長期職業生涯中積累了深厚的專業知識和實踐經驗，其繼續參與勞動過程，能夠在科研與技術創新中發揮“經驗紅利”，助推包括人工智能在內的前沿科技發展。最后，延遲退休將構建\"饋贈機制”。老年人通過延遲退休持續繳納勞動稅收，為國家提供穩定的財政來源，這部分收入可作為轉移支付資源，用以減輕中青年群體在育兒和養老方面的經濟負擔，進而在一定程度上緩解生育率下降問題。因此，延遲退休政策通過緩解、創新與饋贈三重機制為破解人口老齡化困境提供了多維路徑，同時為推動中國式現代化建設和實現社會長期繁榮奠定了堅實基礎。

本文通過構建代際交替的動態一般均衡模型，系統分析了人口老齡化和人工智能技術對勞動者延遲退休決策的具體影響，并評估了政府政策的調節作用。研究發現，隨著老齡化加劇，勞動者傾向于減少消費，增加儲蓄，其延遲退休的傾向顯著增強。低技能工人由于收入較低，通常在老年時期工作時間更長。高技能勞動者更傾向于通過增加對子女教育的投資來應對經濟壓力，而低技能勞動者則傾向于通過增加生育數量來緩解經濟壓力。人工智能技術的進步提高了勞動者的工資水平，降低了延遲退休的意愿，同時也導致生育率下降，社會保障壓力依舊嚴峻。在此背景下，政府政策的調節作用顯得尤為重要。政府通過增加生育補貼和教育補貼等轉移支付手段，可以有效提升低技能勞動者的生育意愿，并促使其延遲退休。然而，這些政策對高技能工人的影響相對有限，因為高技能工人的延遲退休決策更多受到收入提升和職業前景的驅動。本文揭示了老齡化和人工智能技術對勞動市場結構的深遠影響，進而為政策制定者提供了應對老齡化問題的理論依據。

本文的創新性體現在以下幾個方面：首先，本文揭示了不同技能勞動者應對老齡化的策略差異。高技能工人傾向于通過提升子女教育質量來應對老齡化帶來的經濟壓力，而低技能工人則更注重增加子女數量。其次，本文發現高水平的人工智能技術能夠緩解社會保障壓力，實現養老金的U型增長。然而，在人工智能技術尚未充分發展的階段，延遲退休政策仍然是必要的。最后，本文探討了政府公共政策在延遲退休和生育率調節中的作用，擴展了相關理論研究范疇。過往的文獻普遍研究養老金的發放，本文重點考察了轉移支付的作用。研究表明，通過合理設計公共政策，政府可以有效減輕老齡化帶來的經濟壓力，提升生育率，為經濟社會的可持續發展提供理論支持。

二、文獻綜述

與本文相關的文獻主要分為如下幾個方面：（1）人工智能與老齡化；（2）人工智能與勞動力市場;3）老齡化與延遲退休。

現有文獻普遍證明老齡化程度較高的國家傾向于采用人工智能或自動化應對勞動力短缺的現象。Acemoglu and Restrepo（2018，2022）指出，老齡化嚴重的國家往往在生產過程中更多地采用人工智能和自動化技術，以此來提高生產率，從而抵消勞動力老齡化帶來的負面影響。繼他們的研究之后，關于這一問題的研究逐漸增多（Aisaetal.，2023; Irmen ，2021;Leitner and Stehrer，2019;Basso andJimeno，2021;Zhang et al.，2022;Stahler，2021）。Abelianskyand Pretner（2023）發現人口增長率每增加 1% ，自動化密度的增長率就會減少約 2% 。人口老齡化加快的國家在采用人工智能和自動化技術方面投入更多。原因是人口結構越老化，投資于自動化資本的動力越強，因為自動化可以替代相對稀缺的勞動力投入。也存在另一種可能的解釋是，老齡化國家更富有，更有能力投資于人工智能和自動化。陳彥斌等（2019）指出人工智能通過提升生產效率、增加資本回報和提高整體生產率，能夠有效緩解老齡化對經濟增長的負面影響，其效果優于延遲退休政策。但上述文獻沒有考慮人工智能對異質性勞動力的影響，也缺乏從人力資本角度的深入分析。

人工智能技術的發展對勞動力市場的影響深遠，具體表現為就業和收人兩個方面。（1）就業影響。大部分文獻指出，人工智能技術傾向于通過自動化替代低技能勞動力（FreyandOsborne，2017;李磊等，2022;汪前元等，2022;姜昊和董直慶，2023;黃旭和洪美玲，2024），但同時也會創造新的崗位，從而增加整體就業（Prettnerand Strulik，2020;王永欽和董雯，2020;黃旭和董志強，2023）。從長期來看，人工智能對就業總量的影響較為有限，但在短期內，它通過崗位更迭效應對勞動力市場造成顯著變化，要求勞動者具備新的技能（汪前元等，2022；王林輝等，2023）。（2）收人影響。關于收入分配，已有研究普遍認為，人工智能技術的普及會增加資本收入份額增加，同時減少勞動收入份額（徐春華和曾繁毅，2024;黃旭和董志強，2024）。從產業結構轉型的角度來看，人工智能使得資本成本降低，企業傾向于采用人工智能和自動化技術替代勞動力，導致資本和勞動力在各產業部門間的流動，從而引發勞動收入份額的變化（郭凱明，2019）。在生產率方面，人工智能提高了整體生產效率和工資水平，但勞動生產率的增長速度超過了工資水平的提高，從而使勞動收入份額逐步下降（孔高文等，2020）。短期內，人工智能將替代低技能崗位，同時增加對高技能崗位的需求，導致高技能工人工資上升，而低技能工人工資增速放緩或下降，這一變化加劇了收入差距（Hemous and Olsen，2022;胡晟明等，2021;Acemoglu and Re-strepo，2022;黃旭和董志強，2024;張展培等，2024;黃旭等，2025）。長期來看，隨著新崗位技能的普及，收入差距的擴大趨勢可能得到一定程度的遏制（陳東和秦子洋，2022;孫早和韓穎，2022）。但現有研究普遍忽視了老齡化社會背景下的特殊情況，未深入探討針對老齡化問題的應對策略。

延遲退休作為應對我國老齡化問題的有效策略，對養老金收支平衡產生了重要影響，同時通過多種機制對經濟增長、勞動力供給和生育率產生深遠作用。（1）延遲退休對經濟增長與勞動力供給的影響表現為，延遲退休能夠通過增加老年勞動者的工作時間來提高勞動力市場的供給，從而促進經濟增長。研究表明，延遲退休能夠緩解養老金收支缺口，特別是在預期壽命延長的背景下，能夠釋放二次人口紅利，推動經濟增長（巴曙松等，2018;耿志祥和孫祁祥，2017）。此外，延遲退休通過減輕家庭隔代撫養負擔，改變勞動力供給的結構，進而影響生育率和勞動力數量的增長趨勢（郭凱明等，2021;萬春林和張衛，2024）。（2）延遲退休與養老金制度之間的互動關系也不容忽視。研究指出，養老金待遇的設計及其與退休年齡的關系對勞動者的退休決策具有重要影響。過高的養老金待遇或延遲退休帶來的收益過低可能促使勞動者選擇提前退休，而隨著年齡增長，養老金待遇的提高則有助于促進勞動者延遲退休（Feldstein，1974;李昂和申曙光，2017）。因此，合理設計養老金待遇與退休年齡之間的關系，不僅有助于確保養老金制度的可持續性，還能有效引導勞動力的延遲退休行為。（3）延遲退休對家庭結構與生育行為的影響也日益受到關注。延遲退休不僅能夠影響家庭的收入分配和勞動力供給，還能夠通過提供更多的家庭照料支持，提高成年子女的第二胎生育概率，但對子女的總生育數量并未產生顯著影響（Eibich and Siedler，2020）。此外，延遲退休通過影響家庭內部的收人轉移和對子女數量與質量的權衡，長期影響勞動力市場的供給結構（郭凱明和顏色，2016）。在高生育成本和托幼資源不足的情況下，合理的退休年齡政策可以有效緩解生育與勞動力供給之間的矛盾（封進等，2020）。上述文獻缺乏對勞動力的異質性分析，也沒有考慮人工智能等新一代信息技術帶來的深遠影響。

綜上所述，現有文獻在人工智能與老齡化、人工智能與勞動力市場以及老齡化與延遲退休方面已取得了豐富的成果。然而，關于延遲退休對不同類型勞動力的異質性影響的研究較少，同時，將老齡化、人工智能和延遲退休整合在同一理論框架中的分析也較為稀缺。因此，基于現有研究，本文構建了一個理論模型，旨在對比分析老齡化和人工智能對不同類型勞動力在延遲退休中的不同影響，為應對老齡化和養老金缺口提供新的理論視角和政策依據。

三、理論模型的構建與求解

（一）家庭部門

假設社會中存在眾多家庭，每個人經歷幼年期、成年期和老年期三個階段。幼年期的個體接受教育以積累人力資本，此階段不參與工作。假設勞動者根據技能水平區分為高技能工人和低技能工人，t期其人力資本水平分別為 。在第 t期，成年人口總數為L，，其中成年期高技能勞動者和低技能勞動者的數量分別為 L_1，t 和 L_2，t^° 高技能勞動者主要從事研發部門的科研工作或生產部門的管理職位，而低技能勞動者則從事生產部門的常規性崗位。

父母對其子女的關心同時體現為對子女數量和教育水平（即子女的質量）的關切。為簡化分析，本文假設父母的技能水平對其子女的影響是直接且持續的，即高技能勞動者的后代通常會繼承其父母的高技能特點，成為高技能勞動者，而低技能勞動者的后代則往往會繼續維持低技能的勞動特征，形成低技能勞動者群體，這一假設有助于更清晰地剖析家庭背景對代際技能傳承及勞動市場結構的潛在影響。在成年階段，個體會優化自身的消費路徑，同時會權衡子女數量與教育投資的分配，以實現家庭福利的最大化。在此期間，個體需要履行經濟責任，包括繳納養老保險費和勞動稅，同時也會從政府獲得相應的財政支持，如成年期的轉移支付和未來的養老金。在進人老年階段后，個體面臨退休決策，其中包括是否選擇延遲退休。若選擇延遲退休，其延遲工作的時間將用于繼續獲得勞動收入，而退休后剩余的時間則用于領取養老金，以保障晚年生活的經濟穩定性。本文假設老年時期高技能和低技能工人的人力資本水平分別為 m_1，t+1，m_2，t+1 ，將勞動力進行異質性區分，是為了探究老齡化和人工智能的沖擊對不同勞動者決策的影響，下文中角標1表示高技能工人，2表示低技能工人。

1.個人

假設個體在成年時期的時間被單位化為1，每個個體將生育 n_i（i=1，2） 個子女，并需要花費 σ_V 個時間單位來照顧每個子女。因此，每個個體在成年時期可用于工作的時間為 1-vn_i，i=1，2 。在成年時期，個體還會對每個子女進行人力資本的投資，投資水平為 e_i，t ，以促進子女的人力資本積累。根據此假設，子女在第 Δt+1 期的最終人力資本水平 h_i，t+1 由以下函數決定：

h_i，t+1=ξe_i，t^θh_i，t^1-θ

其中，參數 ξgt;0 表示投資的效率， θ∈（0，1） 表示教育投資對人力資本積累的邊際效應。這種設置不僅考慮了成年時期的時間分配問題，還結合了子女人力資本積累的動態過程，體現了教育投資在跨代人力資本傳遞中的重要性。

個體成年時期的預算約束滿足如下條件：

其中，（2）式左側表示個體支出和消費，右式表示個體收入。 S_i，t 表示個體在成年時期的儲蓄， τ₁ 表示政府對勞動收入征收的稅率， τ₂ 表示養老保險繳費費率， Ω_St 表示t期政府對個體生育一個小孩進行的轉移支付，包含生育津貼和教育津貼等。

個體在老年時期的人力資本水平將受到老齡化、成年時期人力資本水平和人工智能技術的影響，滿足如下函數關系：

其中，p表示個體人力資本水平在老年時期的折舊 表示人工智能技術的發展速度， q_i 表示勞動者技能衰退對人工智能技術的彈性系數。 q_i 值越大代表老年人的技能適配性越差（ 012， ，因此 q_i 代表人工智能和老齡化的結合在晚年生產率下降方面起到的重要作用，這種結合最近被稱為\"老齡化與技術工作的脆弱性”，這一術語代表了老年工人因自身生物老化和工作任務自動化而面臨的工作質量下降（Alcoveretal.，2021）。

個體在老年時期的預算約束滿足如下條件①：

其中， d_i，t+1 表示老年時期的消費， Φ 表示老年時期的存活率， Φ 值越大代表老年時期壽命越長，老齡化程度越高。 R_t+1 表示在 χ_t 期的儲蓄到 Δt+1 期的無風險利率。如果某些人未能存活到老年期，他們的儲蓄將會被幸存的老年人繼承。因此，實際的儲蓄利率變為 。為簡化起見，本文假設老年時期的時間為1，個體在老年時期的工作時間為 ，因此將獲得 （1-τ₁-τ₂）ω_i，t+1m_i，t+1X_i，t+1 的勞動收入，退休后將領取 P_i，t+1 的養老金。 X_i，t+1 值越大，表示老年人愿意延遲退休的時間越長，從而說明老年人延遲退休的意愿越強烈。反之則相反。

個體將從成年時期消費、老年時期消費、老年時期的閑暇獲得效用，同時個體關心下一代的數量和質量并從中獲得效用，因此個體一生的效用函數如下：

其中， β 表示時間折現率，ε表示個體對后代數量和質量的重視程度， μ 表示個體對閑暇的重視程

個體在約束條件（2）—（4）下選擇 c_i，t，d_i，t+1，s_i，t，n_i，t，e_i，t，X_i，t+1 以獲得個人一生效用（5）式取得最大值，計算可得

其中 上述第一個不等式表明政府轉移支付小于個體養育小孩的實際支出，第二個不等式表明個人老年時領取的退休金小于老年時期的退休收入。第三個不等式確保了儲蓄率為正值，其經濟學含義在于，個體在成年時期的收人應高于老年時期的收人，從而形成儲蓄的必要性。換言之，若成年時期的收人充足且高于未來的老年收人，個體才有動力在工作階段進行儲蓄，以平衡生命周期內的消費水平，保障退休后的生活質量。這一約束條件反映了生命周期消費理論中的基本邏輯，即個體通過儲蓄在不同生命周期階段之間進行資源配置，以實現跨期消費的平滑化。

（6）—（8）式表明，個體在成年時期和老年時期的消費主要來源于兩個階段的收入。其中，成年期消費依賴于個體當期的勞動收入 ω_i，th_i，tR_t+1 ，而老年時期的消費則依賴于老年期收入 Φω_i，t+1m_i，t+1 （24延遲退休可延長勞動收入的獲取時間，提升成年期和老年期的消費水平。由于退休時間縮短，個體無須積累過多儲蓄，更多收入會用于當前消費。（9）式表明，個體對子女教育的投資主要受到成年時期收人和政府轉移支付的影響。其中，成年時期的可支配收入 是教育投資的主要來源，政府轉移支付s緩解了個體的教育負擔。（10）式表明，教育投資 e_i.t 的增加通常伴隨生育率下降，反映了“質量-數量\"替代效應。選擇延遲退休可增加勞動收入，改善經濟狀況，進而可能提升生育意愿，部分緩解教育投資帶來的生育率下降。（11）式表明，個體是否延遲退休受勞動收人和養老金水平等因素影響。當收入和養老金較高時，經濟保障充足，個體繼續工作的必要性降低，延遲退休意愿減弱。這表明養老金制度與個體勞動供給決策密切相關，合理制度安排有助于優化勞動供給和勞動力市場平衡。

命題1：

（1）隨著老齡化程度的加深（ Φ 變大），個體的經濟決策將相應調整，其成年時期和老年時期的消費水平趨于下降，而儲蓄意愿增強，以應對未來的不確定性。同時，個體的生育率下降，以減少撫養子女所帶來的經濟負擔。此外，個體更傾向于延遲退休，以延長勞動收入獲取期，從而提高整體經濟保障水平。

（2）政府進行轉移支付將減輕家庭負擔，有利于促進個體提高生育率。政府提高養老金待遇，將降低個體延遲退休的意愿①。

在面對人口老齡化加劇的現實背景下，個體的經濟決策將受到深刻影響。隨著老齡化程度的加深，個體的生命周期中的消費、儲蓄、生育和退休決策發生變化。首先，個體在面對未來不確定性時，傾向于降低當前和未來的消費水平，并提高儲蓄意愿，以確保老年階段的經濟安全。此外，撫養子女的成本不斷上升，生育率下降成為理性選擇。人們更多地選擇延遲退休，以延長勞動收入獲取期，從而提高整體經濟保障水平。這一系列變化反映了人口老齡化對個體經濟決策的深刻影響，揭示了老齡化如何改變家庭的消費模式、儲蓄行為及勞動市場的參與方式。

從政府層面來看，轉移支付政策和養老金待遇調整分別針對不同群體，旨在緩解人口老齡化帶來的社會壓力。轉移支付主要面向勞動年齡人口，減少家庭經濟負擔，尤其是在育兒和教育方面，從而刺激生育率的提升和消費的增長，減緩人口老齡化的進程。與此同時，政府通過增加養老金待遇保障老年人的基本生活需求，但這一政策可能會降低個體延遲退休的動力，進而加大養老金支付壓力。因此，如何平衡養老金的提高與延遲退休的激勵，是政府面臨的重要挑戰。

2.人口變化

本文假設人口增長率是內生決定的，t期的高技能工人包含成年期高技能勞動力 L_1，t 和老年期選擇延遲退休的高技能勞動力 Φx_1，tL_1，t-1 ，t期的低技能工人包含成年期低技能勞動力 L_2，t 和老年期選擇延遲退休的低技能勞動力Φx2，L2，-10

為了反映高技能和低技能人口比例的變化，本文定義t期高技能和低技能人口比例分別為

老齡化程度也可以使用社會撫養比來刻畫，即社會老齡人口除以社會總人口， Δt+Δ1 期的社會撫養比表達式如下

其中， λ_1，t+λ_2，t=1 ○

本文定義總和生育率滿足如下函數關系式

由于老年時期不考慮生育并且老人最終將消亡，因此總和生育率也可以理解為成年時期人口的變化，從而 L_t+1=n_tL_t°

（二）企業部門

1.最終品生產部門

為簡化起見，本文假設社會上僅存在一家最終品生產企業，其生產要素為高技能人力資本、低技能人力資本和智能資本，最終品生產函數如下所示：

其中， H_1，p，t=L_1，p，th_1，t+?L_1，p，t-1m_1，t-1 為t期投入生產部門的高技能人力資本， H_2，t=L_2，th_2，t+ ΦL_2，t-1m_2，t-1 為t期投入生產部門的低技能人力資本。 γ_i，t 為第i種智能機器， α∈（0，1） 表示低技能人力資本的產出彈性，低技能勞動力容易被智能機器所替代。 A_t 表示智能機器的種類數量，也代表了人工智能技術前沿， A_t 值越大表示人工智能技術越先進，這一擴展體現為全要素生產率（TFP）的增長，也可以看作是生產過程中機器種類的多樣化增加。（15）式表明人工智能技術與低技能勞動力呈現替代關系，與高技能勞動力呈現互補關系。

本文定義 ω_ω1，p，t 為生產部門高技能工人工資， ω_2，t 為生產部門低技能工人工資， p_i，t 為第i種中間品的價格。企業追求利潤最大化，求解可得

p_i，t=α（A_1，p，tH_1，p，t）^1-αγ_i，t^α-1

2.中間品生產部門

為簡化分析，假設所有資本都投入智能設備的制造中（如工業機器人）。中間產品部門由眾多企業在壟斷情形下進行生產，基于OLG模型的設定，本文假定這些企業的壟斷地位僅能維持一個時期（約25至30年），之后產品將進入完全競爭的市場環境，利潤降至零。這一假設特別適用于新技術（尤其是軟件開發領域），因為在產品首次上市后，經過一定時間，這些創意通常可以被復制和模仿。

假設生產是線性的，生產每單位智能設備需要1單位資本，即

γ_i，t=k_i，t

其中 k_i，t 是生產第i種智能設備所使用的資本量。

中間品生產部門利用來自研發部門智能設備的藍圖（專利）作為固定投入，它們在壟斷競爭的市場結構下運營，因此生產智能設備的利潤函數為

π_i，t=p_i，tγ_i，t-R_tγ_i，t

其中 p_i，t 表示第i種智能設備的壟斷價格。

中間品生產部門所獲得的超額利潤，必須全部用于支付給研發部門以獲得藍圖，否則，研發部門可以將藍圖出售給其他中間品生產企業。因此，盡管中間品生產商能夠獲取超額利潤，但這部分利潤并不歸其所有（萬春林和張衛，2024）。在壟斷競爭市場中，依據利潤最大化原則，可以得出

達到均衡時，每個企業以相同的價格 Δp_t 生產相同的產量 γ_i，t≡γ_tc 將（18）和（21）式代人（20）式可得中間品部門轉移給研發部門的超額利潤為

π_i，t≡π_t=α（1-α）γ_t^α（A_1，p，tH_1，p，t）^1-α

3.研發部門

研發部門雇傭高技能工人來研發設計新型智能設備的藍圖，以推動人工智能技術的發展。借鑒Jones（1995），研發部門的生產函數為

其中， H_1，A，t=h_1，tL_1，A，t 為從高技能工人中招募的科學家的人力資本存量， 表示科學家的研發效率，受到效率參數8、跨期知識外溢的強度 以及擁擠效應 1-φ 的共同影響，其中 Φ∈（0，1] 參數 對每個研發企業來說都是外生的。

研發部門企業以價格 p_i，t 出售新智能設備的藍圖，并支付科學家的工資 ω_1，A，t 。因此，他們的利潤為 通過利潤最大化和自由進入條件，可以得出最優的工資條件為

其中， p_A，t=π_t° 高技能工人在生產部門和研發部門獲得相同的工資，統一記為 ω_1，10 根據（1）一（24）式，探究人工智能技術發展的影響，可以得到下列結論：

命題2：

人工智能技術的發展將對高技能工人和低技能工人產生差異化影響。

（1）人工智能技術的發展將提高高技能工人成年時期和老年時期的消費，增加對后代的教育投資，降低生育率和延遲退休的意愿。

（2）人工智能技術的發展將降低低技能工人成年時期的消費，增加其儲蓄和老年時期的消費，降低生育率和延遲退休的意愿①

命題2表明，人工智能技術的發展對不同技能層次的工人群體帶來了差異化的經濟影響。高技能工人的勞動收人和資本收益在技術應用推動下得到提升，成年和老年階段的消費水平上升，對子女教育的投資意愿增強。資本收益的增長增強了其經濟保障感，促使部分人群在具備較強經濟基礎的情況下選擇提前退休，以追求更高的生活質量。低技能工人盡管勞動收人增長有限，資本市場的發展帶動其資本性收入有所提高，經濟保障感隨之改善，消費模式趨于保守，儲蓄傾向增強，生育意愿減弱，退休選擇更趨靈活。人工智能技術的進步正在深刻重構工人群體在儲蓄、消費與退休決策方面的行為邏輯。

人工智能技術通過提升勞動者收入水平，增強了其經濟保障感，并在一定程度上改變了個體在消費、儲蓄和退休等方面的經濟行為。人工智能產生的收人增長效應使勞動者具備更強的資源配置能力，有助于優化消費結構，緩解對未來不確定性的預期，從而在生育和退休決策上展現出趨于謹慎和前移的特征。生育率的下降與提前退休的傾向可能進一步加劇人口老齡化進程。在勞動年齡人口比例逐步降低、老年人口比重持續上升的背景下，人工智能具備推動經濟增長的潛力，但也可能引發勞動力供給收縮，加重養老金支付和社會保障體系的負擔。為應對這一結構性挑戰，有必要通過系統性公共政策引導技術紅利轉化為有效的人口應對能力，保障勞動力市場的穩健運行，并提升社會保障體系的可持續性。

（三）政府部門

在政府財政體系中，養老金和轉移支付均需實現內部收支平衡。養老保險基金的繳費收入應與養老金支出相匹配，以確保制度的可持續性，避免因資金缺口影響養老金的穩定發放。同樣，政府的轉移支付需在稅收收人范圍內進行分配，即稅收收人應等于轉移支付支出，從而保持財政預算的平衡性和政策實施的可行性。通過這一機制，政府能夠在不增加財政負擔的前提下，實現養老保障和收入再分配的功能，促進社會經濟的穩定與公平。本文假設t期政府征收的勞動稅收收入為 G_1，t， 養老保險繳費為 G_2，t ，個體在延遲退休期間仍需要繳納勞動稅收和養老保險費，因此

由于養老金和轉移支付均實現內部收支平衡，則

?（1-x_?1，t）P_?1，tL_?1，t-1+?（1-x_?2，t）P_?2，tL_?2，t-1=G_?2，t

在現實中，養老金的多少通常與個人的成年期收人密切相關。個人在其職業生涯中的收入水平會影響其繳納的社會保險費用，而這些費用最終會轉化為養老金。因此，收入較高的個體通常會積累更多的養老金，而收人較低的個體的養老金則相對較少。故本文假設個人領取的養老金與其個人收入正相關，從而

（四）均衡分析

均衡狀態下，勞動力市場出清，即家庭部門供給的勞動力等于生產部門和研發部門勞動力之和，從而 L_t=L_1，p，t+L_1，A，t+L_2，t^° 資本市場出清指生產部門的下一次投資來源于家庭儲蓄，即 K_t+1=S_t= s_1，tL_1，t+s_2，tL_2，t° 最終品市場出清，即最終品用于高技能工人和低技能工人消費、投資、轉移支付和養老金，即

由（18）和（21）式可得

由于 γ_i，t≡γ_t ，最終品生產函數可改寫為

Y_t=（A_1，p，tH_1，p，t）^1-α[（A_2，tH_2，t）^α+A_tγ_t^α]

假設從事中間品生產的企業是同質的，這樣就可以將生產部門的下標i省略。資本市場出清要求總的資本存量 K_t 等于所有中間品企業資本存量之和，即 代入（29）式可以解出

R_t=α²k_t^α-1

其中， 再由 K_t+1=S_t=s_1，tL_1，t+s_2，tL_2，t ，得

高技能工人在最終品生產部門和研發部門獲得的工資相同，從而 ω_{（0）1，p，t}=ω_ω1，A，t ，化簡可得

（A_2，tH_2，t）^α+A_tγ_t^α=αδA_t^σH_1，4，t^φ-1γ_t^αH_1，p，t

將（29）式代人（33）式可得隱函數方程

根據（34）式，由隱函數定理可以證明 aLA gt;0，即人工智能技術的發展將增加對研發部門高技能勞動力的需求，誘導高技能工人從生產部門流向研發部門。由于本模型解出的表達式過于復雜，較難進行理論分析，本文將使用數值模擬的方式探究人口老齡化、人工智能技術的發展對延遲退休的影響。

四、參數校準與數值模擬

（一）參數設定

本文將模擬4期，每期25年。人口方面，借鑒《中國統計年鑒2023》，第1期成年期勞動力總人口7.8×10⁸ ，低技能工人大約是高技能工人的兩倍，高技能工人在生產部門與研發部門的數量大致相當，從而第1期低技能工人數量為 5.2×10⁸ ，第1期在生產部門與研發部門的高技能工人均為 1.3× 10⁸ 。借鑒 Tran（2022） ，假設中國老年人存活率 Φ=0.63 。

關于低技能人力資本的產出彈性，參考董志強和黃旭（2021）的研究，設定 ∝=0.5 ，以刻畫低技能勞動力在經濟產出中的貢獻比例。其次，在時間偏好因子方面，依據陳彥斌等（2019）的測算，取值為0.99，并折算至25年期的貼現因子 β=0.366 ，以匹配長期經濟動態分析的需求。在生育決策參數設定上，參考于文廣等（2021），設定家庭對生育子女的重視程度參數 ε=0.4 ，以衡量子女養育在家庭效用中的權重。同時，依據郭凱明和余靖雯（2017），將照顧子女的時間分配參數設定為 u=0.1 ，反映家庭在撫育子女過程中投人的時間成本。此外，參考郭凱明等（2021），設定家庭對子女成長的重視程度參數 μ=1 ，以刻畫家庭對子女未來發展的關注程度。在人力資本投資方面，借鑒郭凱明和余靖雯（2017），設定投資相關參數 ξ=3.162，Θ=0.5 ，以反映教育和培訓在提升個體人力資本水平方面的作用。此外，老年個體的人力資本水平參數 γ=0.5，ρ=0.1 ，依據CGSS（中國綜合社會調查）數據測算，以更準確地描述我國老年勞動力的特征。同時，考慮到不同技能水平的勞動者在應對技術變革時的適應能力差異，本文設定高技能工人和低技能工人的人工智能適應能力參數分別為 q₁=Φ 1.5，q₂=2 ，以體現高技能工人相較于低技能工人在技術變革中的優勢。在人工智能研發參數設定方面，參考PrettnerandStrulik（2020），設定 S=0.55，σ=0.7，φ=0.49 ，以反映人工智能技術進步的關鍵特征，并分析其對經濟增長和就業結構的潛在影響。

養老金方面，根據2019年4月《國務院辦公廳關于印發降低社會保險費率綜合方案的通知》①，各省份陸續下調至 16% 附近，故本文假設養老金繳費率 τ₁=0.16 。轉移支付方面，根據國家醫保局數據和國家統計局數據，2023年我國人均生育津貼為2.6萬元，全年出生人口為902萬，得出2023年國家支出生育津貼約為2345.2億元。根據教育部數據，2023年全國義務教育經費總投人為28427億元。所以，這兩項轉移支付的總金額約為30772.2億元。然后，以2023年全國一般公共預算收入約20.4萬億元為基數，假設勞動收入占GDP比重為 60% ，2023年GDP為129.5萬億元左右，則勞動收入約為77.7萬億元。若僅依靠勞動收入征稅來滿足上述轉移支付，所需稅率約為 3.96% ，故本文假設τ₂=0.04 。

（二）動態變化下，人口老齡化和人工智能技術對延遲退休等的影響

本部分使用撫養比率表示人口老齡化程度，人工智能技術的發展受到老齡化程度和高技能人力資本投資的影響，本部分在一個動態的環境下綜合考慮人口老齡化和人工智能技術變化對延遲退休等因素的影響。

圖1顯示了我國人口老齡化加劇的趨勢以及隨之而來的社會撫養負擔的上升，使社會保障體系面臨更大的財務壓力。在這一背景下，人工智能技術呈現出U型增長態勢。由于人工智能的研發依賴于高技能工人的知識積累和創新能力，圖1（2）顯示，在老齡化和智能化并行發展的背景下，高技能工人加大了對教育的投資，以提高人力資本水平，從而進一步推動人工智能技術的進步。同時，由于高技能工人的工資水平較高，他們往往比低技能工人更早退休，而低技能工人則由于經濟壓力更傾向于延遲退休。這種差異不僅反映了不同技能層次勞動者在經濟決策上的分化，也表明在老齡化社會中，高技能勞動者的人力資本積累和創新投人是驅動人工智能技術發展的關鍵因素。

與此同時，人工智能的廣泛應用在提高整體工資水平的同時，也增強了勞動者的提前退休意愿。隨著老齡化的加深和技術進步的持續推進，勞動者的生育率呈下降趨勢。人工智能技術對勞動市場、養老保障和生育政策的影響日益顯著，要求政府在政策制定過程中充分考慮不同技能層次勞動者的需求，在技術進步與老齡化挑戰之間尋求平衡，以確保經濟的可持續發展和社會保障體系的穩健運行。

注： x₁，x₂ 分別表示高技能工人和低技能工人延遲退休的時間， ?n₁，n₂ 分別表示高技能工人和低技能工人的生育率，下同。

圖1人口老齡化和人工智能技術對延遲退休等的影響

注： ω_{（0）1，∞2} 分別表示高技能工人和低技能工人的工資 .P₂ 表示低技能工人老年時期領取的養老金，s表示政府對個體的轉移支付。

圖2人口老齡化和人工智能技術對養老金等的影響

圖2顯示，在老齡化趨勢持續加劇時，人工智能技術的發展提高了整體工資水平。在老齡化沖擊下，不同技能層次的勞動者在教育投資上的反應呈現出明顯分化。低技能工人逐步減少教育投入，而高技能工人則顯著增加教育支出。這一現象表明，高技能工人具備更強的適應人工智能技術變革的能力，其工資增長速度也快于低技能工人。與此同時，隨著老齡化程度不斷加深，養老金和轉移支付逐步減少，反映出當前人工智能技術的發展尚未能完全抵消老齡化帶來的經濟壓力。在此背景下，延遲退休政策仍然具有重要的現實意義，它有助于緩解社會保障體系的負擔，同時在一定程度上維持勞動力市場的穩定。

這一現象進一步揭示了人工智能技術對技能需求的偏向性，使得高技能工人能夠更有效地分享技術紅利，并通過持續的教育投資提升自身競爭力。而對于低技能工人而言，養老金和社會保障水平的下降可能會加劇其經濟困境，促使其提前退休和減少教育投入，從而進一步削弱其適應新技術環境的能力。這種分化趨勢在當前人工智能技術尚未成熟且無法完全填補勞動力缺口的情況下，延遲退休政策在緩解勞動力供給壓力和減輕養老負擔方面發揮著關鍵作用。單一的延遲退休政策難以解決所有結構性問題，必須輔之以更全面的人工智能發展戰略和職業培訓政策，以增強低技能勞動者的適應能力，縮小技能鴻溝，推動勞動力市場的可持續發展，并確保社會公平與經濟長期穩定增長。

（三）人口老齡化對生育率、延遲退休等的影響

本部分將深入探討在沒有人工智能影響的情況下，人口老齡化如何對生育率、延遲退休等因素產生影響，并進一步分析其經濟后果。在圖3和圖4中，本文對比了老年人存活率分別為 Φ=0.63 和Φ=0.73 的情形，探究人口老齡化對各經濟變量的影響。

從圖3的第（1）部分可以看出，隨著老齡化程度的加深（ Φ 值增加），高技能和低技能工人在老年時期的工作時間均有所延長。隨著年齡進一步增長，勞動者的退休意愿也隨之上升。這表明，老齡化的加劇促使勞動者推遲退休，以滿足老年時期的消費需求，但不同技能水平的勞動者在延遲退休的幅度上存在顯著差異。高技能工人的延遲退休時間相對較短，主要原因在于他們能夠更好地適應人工智能技術的進步，從而獲得更高的工資收人和更強的財富積累能力。這使得他們在老年時期無須通過長期工作即可維持較高的生活質量，而低技能工人則由于工資增長有限，需要更長的工作時間來彌補退休后的經濟缺口。

注： e₁，e₂ 分別表示高技能工人和低技能工人對后代的教育投資，下同。

圖3無AI，人口老齡化對延遲退休、生育率、教育投資的影響

圖3的第（2）至第（4）部分進一步揭示了老齡化對高技能和低技能工人在教育投資和生育決策上的分化影響。高技能工人更傾向于優化后代的教育質量，而低技能工人則更注重子女數量的增加。高技能工人在面對老齡化帶來的經濟壓力和職業挑戰時，通常選擇通過增加教育投資來提升自身及后代的競爭力。這種策略不僅能夠增強他們在人工智能時代的適應能力，還能在長期內實現更高的經濟回報。同時，高技能工人的生育率呈現下降趨勢，這一現象可被視為他們在面對日益增長的生活成本和職業發展壓力時所做出的理性權衡。相較之下，低技能工人則采取了截然不同的應對策略。由于在快速變化的勞動力市場中，教育回報率相對較低，他們減少了教育投資，并更多地依賴生育數量來確保未來家庭的經濟支撐。這一行為模式反映了不同技能群體在老齡化背景下的適應機制，高技能工人依托教育投資和人口數量的優化來提升自身的經濟安全感，而低技能工人則更多地依賴增加家庭勞動力供給，以應對潛在的經濟風險。

在圖4中，本文對比了不同老齡化程度下勞動力工資、養老金及轉移支付的變化趨勢。從圖4的第（1）和（2）部分可以看出，老齡化的加深加劇了技能溢價，高技能工人由于能夠充分利用人工智能技術的優勢，持續增加人力資本投資，并顯著提高工資水平。相比之下，低技能工人則面臨工資增長乏力甚至下降的趨勢，反映出他們在技術進步和市場競爭加劇的雙重沖擊下所遭遇的結構性困境。圖4的第（3）和（4）部分則進一步揭示了老齡化對社會保障體系的深遠影響。隨著生育率的持續下降，勞動年齡人口相對減少，導致養老金和轉移支付逐步減少，并可能在長期內難以為繼。這一趨勢表明，在缺乏新的經濟增長點的情況下，現有的社會保障體系難以維持原有的支付能力，老齡化對社會資源的擠壓效應將進一步加劇。

圖4無AI，老齡化對工資、養老金和轉移支付的影響

上述分析凸顯了延遲退休政策在應對老齡化沖擊中的關鍵作用。隨著人工智能技術的發展，高技能工人能夠更有效地適應經濟結構轉型，而低技能工人則需要更長期的勞動參與以維持基本生活水平。在這一背景下，僅依賴延遲退休政策并不足以徹底解決問題，還需要輔之以更完善的社會保障體系和技能提升政策，以縮小技能差距，提升低技能勞動者的適應能力，從而促進社會的可持續發展。這些結果不僅揭示了老齡化對不同技能群體工資和社會保障的分化影響，也反映出在快速老齡化進程下，社會經濟結構面臨的嚴峻挑戰。通過優化延遲退休政策、促進技術進步與經濟增長的協同作用，可以更有效地緩解老齡化對社會經濟帶來的負面影響，推動社會保障體系的可持續性，實現更加公平和包容的經濟發展模式。

（四）人工智能技術對生育率、延遲退休等的影響

本部分主要討論人工智能技術的發展是否能應對老齡化的挑戰，人工智能技術對勞動者將產生哪些影響。數值模擬部分，本文假設老年人存活率 Φ=0.63 （本部分通過老年人存活率體現老齡化程度，老年人存活率越高，社會老齡化程度越深），并調整了參數使人工智能技術分別處于增長率為5% 和 10% 的兩種情形，如圖5和圖6所示（變量下標標注a的對應人工智能技術的增長率為 10% ，沒有標注a的表示人工智能技術的增長率為 5% ）。

從圖5可以看出，人工智能技術的發展對高技能和低技能工人的工資水平均產生了顯著的提升。這種工資增長不僅增強了勞動者的經濟能力，也在一定程度上降低了對長期勞動的依賴，使部分勞動者能夠更早實現財務獨立，從而減少工作年限的壓力。人工智能技術推動了工資水平的上升，高技能和低技能工人均呈現出生育率下降的趨勢。這一現象的背后反映出人工智能技術發展對勞動力市場結構及家庭決策模式的深遠影響。人工智能技術的進步對勞動力技能水平提出了更高要求，使得教育在個體經濟發展中的作用愈發凸顯。在這一背景下，勞動者更加重視對子女教育的投人，以確保后代能夠適應人工智能驅動的經濟環境。然而，高額的教育成本無形中增加了家庭的經濟壓力，削弱了個體的生育意愿。對于高技能工人而言，盡管工資水平提升，但他們往往傾向于通過更高質量的教育投人來提升后代的競爭力，從而減少子女數量以優化資源配置。低技能工人同樣面臨人工智能帶來的技能挑戰，他們在適應技術變革的過程中，可能需要額外的技能培訓或面臨更激烈的就業競爭，這進一步加劇了他們的經濟負擔。因此，在人工智能技術迅速發展的背景下，個體出于對子女未來發展和家庭經濟穩定性的考量，更傾向于減少生育，以確保資源能夠更有效地分配到教育投資之中。

現實中，這種生育率的下降將對社會保障體系產生深遠的影響。隨著勞動人口的減少，社會保障基金的來源也將逐漸萎縮，導致養老金和其他社會福利的發放壓力增大。在這種情況下，雖然人工智能技術帶來的經濟效益在短期內能夠緩解部分社會保障的壓力，但從長遠來看，如果生育率持續下降而沒有相應的應對措施，社會保障體系的可持續性將面臨嚴峻挑戰。因此，這一結果揭示了人工智能對勞動力市場的深刻影響，同時提示人們在技術進步和社會政策之間尋找平衡的必要性，以應對未來可能出現的經濟和社會問題。

從圖6的第（1）和（2）部分可以看出，人工智能技術的發展促使勞動者加大人力資本投資，尤其在后代教育和培養質量方面表現突出。長期來看，高技能工人的人力資本投資呈現出明顯的U型增長趨勢，說明他們在初期階段可能因適應技術變革而暫時減少投資，但隨著技術成熟和市場回報增加，重新加大了對后代教育的投入。相比之下，低技能工人的人力資本投資雖然也有所提升，但與高技能工人之間的差距卻逐漸擴大。這一現象反映了高技能工人對后代教育和技能培養的重視程度更高，可能因為他們更清楚地意識到，在人工智能主導的經濟環境中，高水平的教育和技能是未來競爭力的關鍵。

從圖6的第（3）和（4）部分可以看出，養老金和轉移支付均呈現出U型增長趨勢。這說明人工智能技術的發展對社會保障體系產生了深遠的影響。在人工智能技術發展的初期，技術尚不成熟且規模有限，因而其帶來的經濟收益不足以支撐龐大的社會保障需求，導致養老金和轉移支付的水平較低。然而，隨著技術的不斷進步和規模的擴大，人工智能逐漸成為新的經濟增長點，創造了更多的財富，從而使得社會保障體系得以加強，養老金和轉移支付水平也隨之提高。

圖6人工智能技術發展對教育投資、養老金和轉移支付的影響

當前，我國的人工智能技術發展雖然取得了一定進展，但總體水平仍不夠高，還需要進一步加大對人工智能技術的研發和推廣，以滿足經濟社會發展的需求。此外，在人工智能技術尚未充分發展和普及的情況下，社會保障體系面臨的壓力較大，特別是在人口老齡化加劇的背景下，延遲退休仍然是一項必要且現實的政策選擇，有助于緩解社會保障資金的壓力，為未來的經濟增長和社會穩定提供更有力的支持。

（五）公共政策對延遲退休的影響

當前，我國正處于人工智能技術快速發展與人口結構深刻變動的交匯時期。盡管人工智能技術在部分領域已經取得顯著進展，但整體發展水平仍顯不足，特別是在推動經濟增長和提高生產率方面尚未完全發揮其潛力。與此同時，我國也面臨著日益嚴重的老齡化和少子化問題，這種雙重壓力對現有的社會保障體系構成了嚴峻挑戰。

在這一背景下，本文系統探討政府財政收人分配對勞動者延遲退休意愿和生育率的影響，重點分析不同稅收分配策略如何在復雜的社會經濟環境中影響個體決策行為。通過構建基準情形與對比情形的理論框架，本文深人揭示了財政政策在應對人口老齡化、優化勞動力供給結構及促進社會可持續發展方面的潛在作用，為政策制定提供了重要的理論支撐和實踐參考。具體而言，本文設定了兩個情境進行對比分析。在基準情形下，假定政府為實現轉移支付而征收的勞動收入稅率為0.04，而在對比情形下，該稅率提高至0.05，以擴大財政收入規模，從而提供更高水平的轉移支付（圖7中下標a代表對比情形）。

從圖7可以看出，當政府提高轉移支付水平時，生育補貼和教育補貼等財政支出顯著增加，并呈現出U型增長的趨勢。這表明，政府通過直接的經濟支持激勵家庭增加生育意愿，尤其是低技能工人群體，其生育率亦呈現U型變化。這一現象可以從“饋贈機制”的角度加以解釋：由于老年人在延遲退休期間仍需繳納勞動稅，政府通過財政轉移支付向家庭提供經濟補助，相當于在代際之間建立了一種財富再分配機制。在老齡化加劇的背景下，該機制有效緩解了育齡家庭的經濟壓力，從而影響其生育決策。

圖7公共政策對延遲退休、生育率、養老金和轉移支付的影響

此外，隨著政府轉移支付的增加，低技能工人的延遲退休意愿亦有所增強。這主要是由于低技能工人相較于高技能工人擁有較低的收入水平，因此在面臨生活成本上升的情況下，更加依賴政府補貼來維持家庭經濟穩定并保障未來生活。值得注意的是，隨著生育率的回升，人口總量的增加在一定程度上緩解了社會保障體系的壓力，使養老金水平亦呈現U型增長。這一結果進一步表明，合理的財政政策調整不僅能夠促進生育率回升，還可通過優化人口結構增強社會保障體系的可持續性，為應對老齡化挑戰提供了有效路徑。

然而，這一政策對高技能工人的影響相對有限。高技能工人由于其收人較高，轉移支付在其總體收入中所占的比例較低，因此，政策對其生育決策和退休選擇的影響不如對低技能工人顯著。高技能工人通常擁有更多的經濟資源和選擇權，他們更可能通過自主規劃來應對養老和子女教育問題，而不依賴于政府的轉移支付。這種現象在現實中也得到了一定程度的驗證：高收人群體往往更注重通過投資和儲蓄來規劃退休，而低收入群體則更多依賴社會保障和政府補貼。上述分析揭示了不同群體在面對公共政策時的反應差異，凸顯了在設計社會保障政策時，需要綜合考慮各階層的不同需求和行為特征。

（六）敏感性分析和穩健性檢驗

為驗證本文模型的可靠性和結論的穩健性，本文對關鍵參數進行了敏感性分析，并對模型進行穩健性檢驗。具體來說，本文將調整一些核心參數的設定，并重新進行數值模擬，以分析其對模型結果的影響。

首先，考慮到中國老年人存活率參數的設定 （Φ=0.63 ）。為了驗證該參數對模型的敏感性，本文將 Φ 的值調整為0.6和0.65，分別反映較低和較高的老年存活率情境。數值模擬結果表明，存活率的變化對老年人延遲退休的決策產生了一定影響，但整體趨勢仍保持一致，即老年人口的延遲退休決策與其他經濟因素（如生育率和養老金）相互影響。因此，老年人存活率的變化對模型結論的影響較為溫和，說明本文的結論具有一定的穩健性。

其次，本文對人力資本投資相關參數進行了敏感性分析。根據郭凱明和余靖雯（2017）的研究，本文設定了教育投資參數 ξ=3.162 和 θ=0.5 ，反映了教育和培訓對提升個體人力資本的作用。為了分析這一參數對模型結果的影響，本文分別將g調整為3.0和3.5，0調整為0.45和0.55。結果表明，盡管人力資本投資參數的波動會影響勞動者技能水平的提升，但對勞動者延遲退休意愿和生育率的影響較為有限，說明該參數的變化不會顯著改變模型的總體結論。

在人工智能適應能力方面，本文設定高技能工人和低技能工人的人工智能適應能力分別為 q₁= 1.5和 q₂=2 。為進一步分析這一設定對模型結果的影響，本文將 q₁ 調整為1.3和 調整為1.8和2.2。數值模擬結果顯示，人工智能適應能力的變化會影響技能層次較低工人的就業結構和收入分配，但對高技能工人的影響相對較小。總體而言，人工智能適應能力對延遲退休的政策效果有一定影響，但不會改變核心結論。

關于養老金繳費率的設定，本文根據2019年《國務院辦公廳關于印發降低社會保險費率綜合方案的通知》假設養老金繳費率 τ₁=0.16 。為檢驗該設定的敏感性，本文將 τ₁ 的值調整為0.14和0.18，數值模擬結果表明，養老金繳費率的變化會影響社會保障的支出水平，但對低技能勞動者的延遲退休意愿和生育意愿的影響相對較小，仍維持政策效果的穩定性。

最后，本文對轉移支付參數進行了敏感性分析。根據2023年數據，生育津貼和教育補貼的總金額為30772.2億元，假設勞動收入占GDP的比重為 60% ，所需稅率 τ₂=0.04 。為檢驗這一假設的穩健性，本文將 τ₂ 分別調整為0.03和0.05，數值模擬結果表明，稅率的變化對轉移支付金額和勞動者生育意愿的影響較為顯著，但對延遲退休意愿的影響相對較小。總體而言，稅率調整不會改變延遲退休政策的核心效應，但對社會保障體系的負擔和財政收入結構有一定影響。

此外，本文還對模型的前置期和后置期進行了穩健性檢驗。通過調整模型中勞動力、資本存量、技術等變量的初始值，并重新進行數值模擬，結果與之前的模擬結論基本一致。進一步，將模擬周期從4期擴展至10期，結論仍然穩固，說明模型對參數變動不敏感，具備較高的穩健性。

綜上所述，本文的敏感性分析和穩健性檢驗表明，盡管參數的變化會對一些細節產生影響，但對核心結論的影響較為溫和，驗證了本文模型的可靠性和政策建議的穩健性。

五、結論與政策建議

中國正面臨日益嚴峻的人口老齡化挑戰，這一結構性變化已成為制約社會經濟可持續發展的關鍵性問題。在低生育率趨勢與人口年齡結構加速老化的雙重壓力下，社會保障體系特別是養老金收支失衡風險持續加劇，如何構建有效的政策應對機制成為亟待解決的重要議題。人工智能技術被視為緩解老齡化壓力的潛在途徑，但其現階段發展仍處于技術積累期，經濟效益尚未充分釋放，短期內的應對效能存在顯著局限性。在此背景下，探究延遲退休政策的現實意義具有重要研究價值。

本文基于代際交替的動態一般均衡模型，系統分析了人口老齡化與人工智能技術對勞動者延遲退休行為的影響機制及其政策含義。研究發現，人口老齡化程度的加深對勞動者延遲退休具有顯著驅動效應。人口老齡化在不同技能群體間產生了異質性影響，高技能勞動者傾向于通過提升子代的人力資本質量來優化代際投資，而低技能勞動者則更可能通過增加子女數量來分散養老風險。這種決策分化可能導致社會資源分配的代際失衡，進而強化弱勢群體的貧困循環。人工智能技術通過生產率提升引致的收入增長效應，在部分群體中催生了提前退休的經濟可行性，但這種個體理性選擇可能加劇人口再生產意愿的持續弱化，形成對長期人口均衡發展的負向沖擊。

在當前階段，由于人工智能尚未完全成熟，延遲退休政策仍是緩解老齡化沖擊的重要手段。延遲退休政策在短期內可通過緩解、創新和饋贈三重機制發揮緩沖作用，即延遲退休有助于增加勞動力供給、依托人力資本存量的延長使用促進技術創新，并優化代際財富轉移。數值模擬發現，政府在推進延遲退休政策的過程中，還應充分考慮技術變革與人口老齡化的雙重作用，制定更加精準的配套政策。例如，加大對低技能勞動者的轉移支付力度，包括提供生育津貼、教育補貼及職業技能培訓，以提升其生育意愿，并增強其就業穩定性。由于高技能勞動者的職業發展路徑通常受技術進步驅動，其對財政補貼的依賴程度較低，因此政策的邊際效應相對有限。

基于上述研究發現，本文提出以下政策啟示，以應對老齡化和人工智能技術對勞動力市場及社會保障體系的深遠影響。

首先，延遲退休政策的設計可與人工智能技術的發展階段相協調，以實現勞動力供需的動態平衡。當前人工智能尚處于發展階段，短期內難以全面替代傳統勞動者，適度推遲退休年齡有助于緩解勞動力供給壓力，并減緩養老金支出的增長速度。在具體實施過程中，延遲退休政策宜避免“一刀切\"式推進，更加關注群體差異，特別是高強度體力勞動者和低技能勞動者的實際承受能力。探索更加彈性的退休機制，如階段性退休、部分工時安排和鼓勵再就業的政策工具，可能為不同群體提供更具選擇性的退休路徑。同時，加強對中高齡勞動者的技能培訓和職業支持，構建終身學習機制，也有助于提升其適應技術變革的能力，減少因技能滯后帶來的就業困難。

其次，在社會保障資源配置方面，適度加強對生育和教育的財政支持，可能有助于在延遲退休與提高生育率之間尋求新的平衡點。研究表明，不同技能群體在代際投資策略上存在差異，高技能勞動者傾向于通過提升子女教育質量實現家庭收益最大化，而低技能勞動者則更依賴增加子女數量應對未來養老的不確定性。在當前生育率持續下行的社會背景下，適當提高在住房、托育服務、學前教育等方面的公共資源投入，有助于緩解家庭在養育過程中的經濟壓力，進而穩定勞動者的生育意愿。同時，隨著老年勞動參與趨勢的變化，逐步完善面向老年群體的就業支持體系，如改善工作環境、提供靈活用工形式與再就業培訓等，也可能有助于延長其勞動參與年限，增強老齡化社會的經濟韌性。

最后，在人工智能快速發展的社會背景下，持續關注高技能勞動者的職業發展問題，對實現技術紅利的有效轉化具有重要意義。相關研究顯示，高技能勞動者的勞動收人和資本積累能力增強后，往往具備提前退休的經濟條件，但由此帶來的技術型人才流失，也可能對經濟創新和技術進步產生不利影響。因此，在政策層面適度優化職業發展通道與激勵機制，如拓展科研資助渠道、強化企業技術創新獎勵、完善薪酬與稅收激勵機制等，或可進一步增強高技能勞動者的工作積極性與持續參與動力。此外，圍繞高技能勞動者的退休制度改革，例如優化養老金領取機制、提升退休后返崗工作的激勵水平等，也有助于引導其在職業生涯末期繼續發揮專業價值。通過上述舉措的統籌安排，有望在增強技術進步帶動經濟增長的同時，實現社會福利的持續改善，推動社會經濟實現更加包容和可持續的發展。

參考文獻

巴曙松、方墳豪、朱偉豪，2018，“中國人口老齡化背景下的養老金缺口與對策”，《經濟與管理》，第6期，第18-24頁。

陳東、秦子洋，2022，“人工智能與包容性增長——來自全球工業機器人使用的證據”，《經濟研究》，第4期，第85-102頁。

陳彥斌、林晨、陳小亮，2019，“人工智能、老齡化與經濟增長”，《經濟研究》，第7期，第47-63頁。

董志強、黃旭，2021，“人工智能發展背景下公共政策的增長和不平等效應——一個動態一般均衡模型”，《學術研究》，第2期，第92-99+178頁。

封進、艾靜怡、劉芳，2020，“退休年齡制度的代際影響——基于子代生育時間選擇的研究”，《經濟研究》第9期，第106-121頁。

耿志祥、孫祁祥，2017，“人口老齡化、延遲退休與二次人口紅利”，《金融研究》，第1期，第52-68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。

郭凱明、顏色，2016，“延遲退休年齡、代際收入轉移與勞動力供給增長”，《經濟研究》，第6期，第128-142頁。

郭凱明、余靖雯，2017，“工資增長、生育率差異與人力資本積累——基于內生生育和退休的動態一般均衡研究”，《金融研究》，第3期，第1-15頁。

郭凱明、余靖雯、龔六堂，2021，“家庭隔代撫養文化、延遲退休年齡與勞動力供給”，《經濟研究》第6期，第127-141頁。

胡晟明、王林輝、趙賀，2021，“人工智能應用、人機協作與勞動生產率”，《中國人口科學》，第5期，第 48-62+127 頁

黃旭、董志強，2023，“人工智能如何促進高質量發展和就業？”，《中央財經大學學報》，第11期，第3-18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。

黃旭、洪美玲，2024，“生成式人工智能助力數字經濟高質量發展的影響機制與提升路徑”，《南方經濟》，第8期，第23-44頁。

黃旭、許文立，2022，“公共政策如何應對人工智能引發的失業風險？”，《中央財經大學學報》，第10期，第71-84+93頁。

黃旭、閆雪凌、朱啟飚，2025，“生成式人工智能技術應用與勞動收入差距\"《經濟學動態》，第5期，第70-88頁。

姜昊、董直慶，2023，“人工智能技術應用會存在選擇性偏向嗎？——行業屬性與就業偏向”，《南方經濟》，第12期，第37-61頁。

孔高文、劉莎莎、孔東民，2020，“機器人與就業——基于行業與地區異質性的探索性分析”，《中國工業經濟》，第8期，第80-98頁。

李昂、申曙光，2017，“社會養老保險與退休年齡選擇——基于CFPS2010的微觀經驗證據”，《經濟理論與經濟管理》，第9期，第55-70頁。

李磊、王小霞、包群，2022，“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。

孫早、韓穎，2022，“人工智能會加劇性別工資差距嗎？——基于我國工業部門的經驗研究”，《統計研究》，第3期，第102-116頁。

萬春林、張衛，2024，“延遲退休、生育率與內生增長”，《中央財經大學學報》，第8期，第82-101頁。

汪前元、魏守道、金山、陳輝，2022，“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”，《管理世界》，第10期，第110-126頁。

王林輝、錢圓圓、周慧琳、董直慶，2023，“人工智能技術沖擊和中國職業變遷方向”，《管理世界》，第11期，第74-95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。

咸金坤、汪偉、蘭袁，2022，“人口老齡化必然導致資本替代勞動嗎”，《南方經濟》，第5期，第43-62頁。

徐春華、曾繁毅，2024，“人工智能、勞資關系與勞動收入份額”，《當代經濟科學》，第5期，第89-104頁。

嚴成樑，2016，“延遲退休、內生出生率與經濟增長”，《經濟研究》，第11期，第28-43頁。

于文廣、李倩、王琦，2021，“延遲退休、隔代教養與企業年金繳費率”，《經濟科學》，第2期，第123-134頁。

張展培、梁潔瑩、劉小勇，2024，“生成式人工智能、就業變動與收人不平等”，《南方經濟》，第8期，第45-69頁。

Abeliansky，rAtalthdoi”，alhavioramp;Organization，208： 345-358.

Acemoglu，D.ndRestrepoP.O18，“TheRaceBetwenanandMacine：ImplicatiosofTchnologforGrowth，FactorSares，dEployment\"，American Economic Review，108（6）： 1488-1542.

Acemoglu，D.and Restrepo，P.，2022，“Demographics and Automation\"，The Review of Economic Studies，89（1）： 1-44.

AisaR.，Cabea，.ndatinJ\"utotioadgin：pactoOlerokesintok，JualfEnomics of Ageing，26：100476.

Alcover，C.M.，GuglieliD.，Deplp，.andMazeiG1“Agigand-TchJobVulnrabilit：AProosdFramewokothalImpactof AgingandA，Robotics，andAutomationAmongOlder Workers”，OrganzationalPsychologyReview，1（2）：175-201.

Basso，H.S.andJieno，JF.1，“FromeculrStagationtRobocalse？IplicationsofemogaphicndThnologicalages”，Journal ofMonetaryEconomics，117： 833-847.

Eibich，P.dtlsi.

Feldstein，M.97，“SocialerityIducedetireent，ndAegateapitalulatio”，Joualofliticalo（5）：905-926.

Frey，C.B.adOsb，A，“Tefpt：HoepibleJbstoptesati”，eicalFiand Social Change，114： 254-280.

Hemous，D.andOsen，“Teiseofthces：utoaioHzoalIationdoeeality”，canomic Journal： Macroeconomics，14（1）： 179-223.

Irmen，A.，20，“AutoationGrowthndFactorareseErafopulaAging”，JoualofooicGowth，26（4）：4.

Jones，C.I.，1995，“Ramp;D-Based Models of Economic Growth\"，Journal of Political Economy，103（4）：759-784.

Leitner，S.M.andStehrer，R.，019，“TheAutomatisationChallngeMeetstheDemographcChallnge：InNeedofHgherProuctivityGrowth\"， Wiiw Working Paper.

Pretner，K.nrlik，“otioutotioeality：oliclgicestteaci，JolMonetary Economics，116：249-265.

Stahler，N.，“Tectgdutotioeooodality\"Jlocoooics，8.

Tran，Q.T.，2022，“The Aging Tax onPotential Growth inAsia”，Journal of Asian Economics，81：101495.

Zhang，X.，Palios，.ndLu，X“AgigdutoatioiEooiesiharchFictios”，oualfoplationos（2）： 621-642.

Aging，Artificial Intelligence，and Delayed Retirement

Huang Xu

Abstract：This paper develops an overlapping generations dynamic general equilibrium model to examine how population agingandartificialintellgence（AI）technologiesaffectworkers'retirementdecisions.Theresultsshowthat，underthebackdrop of increasingaging，thecurrentlevelofAdevelopmentisinsufficient toefectivelyallviatelaborshortagesandsocialsecuritypressures.Intheshort term，thepolicyofdelayedretirementhelpsmitigatetheimpactof populationaging byincreasing laborsupply，promotingresearchandinnovation，andehancing intergenerational wealth transfer.Inthelong term，AIcanreplace some labor and promote economic growth，thus allviating the cconomic challengesbrought bypopulation aging and graduallyreducingtherelianceondelayedretirementpolicies.Furtheranalysisrevealsthattheagingtrendleads workers to adjusttheireconomic behaviorbyreducing currentconsumption，increasing savings，loweringfertilityintentions，andchsingdelaydretirementtocopewith futurepensionuncertainties.High-skilledworkersare more inclined tooptimizeintergenerationalinvestmentbyimprovingthehumancapitalqualityoftheirofspring，whilelow-skilledworkers focus moreonincreasingthenumberofchildren todiversifyretirementrisks.ThedevelopmentofAI，whileincreasing labor compensation， alsotriggers workers'desireforearlyretirement，weakeningtheirfertilitymotivation.Inthiscontext，iftegovernmentappropriatelyincreases transferpayments tolow-skilld groups，suchasproviding fertilityallowanesand educationalsubsidies，it caneffectivelyenhancetheirwillngnesstodelayetirementandincreasefertity.However，suchincentiveshavelimitedeffects onhigh-skiled groups.Thispaper notonlyprovidestheoretical supportforoptimizing delayedretirement policiesbut alsoreveals theheterogeneityin behavioralresponsesand policysensitivityamong workersofdiferentskillevels during technological changeanddemographic transitions.Theconclusionsof this paper areof significant practical importance for promotingrational humanresourcealocation，enhancingthesustainabilityofthesocialsecuritysystem，anddriving inclusive economic growth.

Keywords：Aging;Artificial Intelligence; TransferPayments;Delayed Retirement

（責任編輯：徐久香）