Artificial Intelligence, Demographic Structure Transition and Changes in Labor Income Share
-
摘要: 现有文献对人工智能与劳动收入份额关系的研究主要集中于线性层面的分析，却忽视了这一关系潜在的非线性特征。基于中国2006—2017年的省级面板数据，以人力资本和人口老龄化为门限变量构建面板门限模型，同时加入人工智能的平方项，考察人工智能对劳动收入份额的非线性影响。结果表明：人工智能对劳动收入份额的影响呈先抑后扬的U型特征，现阶段以抑制作用为主；这一影响存在人力资本双重门限特征和人口老龄化单门限特征，即随着人力资本水平的提高，人工智能对劳动收入份额的负向影响减弱，随着人口老龄化程度的加深，这一负向影响增强，且替换被解释变量、改变抽样次数、剔除极端值等进行稳健性检验后结论依然成立。因而应提高人力资本水平，促进人工智能技术的适老化发展，以缓解人工智能带来的劳动收入份额下降问题，加快人工智能的可持续发展，扎实推进共同富裕。Abstract: The previous researches focused on the linear relationship between artificial intelligence and labor income share, ignoring the potential nonlinear characteristics of this relationship. Based on the provincial panel data of China from 2006 to 2017, this paper takes human capital and population ageing as threshold variables to build a panel threshold model, and adds the square term of artificial intelligence to investigate the nonlinear impact of artificial intelligence on labor income share. The results show that the influence of artificial intelligence on labor income share demonstrates U-shaped characteristic of restraining first and then increasing, and the inhibition is the main effect at this stage; the influence of artificial intelligence on labor income share has the characteristics of double threshold of human capital and single threshold of population aging, that is, with the improvement of human capital level, the negative impact of artificial intelligence on labor income share decreases, while with the deepening of population aging, the negative impact of artificial intelligence on labor income share increases, and the conclusion is still valid after the robustness test of replacing explained variables, changing sampling times and eliminating extreme values. Therefore, it is proposed to improve the level of human capital and promote the aging development of artificial intelligence technology, so as to alleviate the decline of labor income share brought by artificial intelligence, accelerate the healthy and sustainable development of artificial intelligence and solidly promote common prosperity.
-
表 1 变量的描述性统计
变量 变量测度 观测值 均值 标准差 最小值 最大值 劳动收入份额(labs) 劳动所得/(劳动者报酬+营业盈余+固定资产折旧) 360 53.612 6.273 36.752 71.392 人工智能水平(Rob) 机器人安装密度(台/万人) 360 0.492 0.694 0.004 4.215 经济发展水平(lngdp) 实际人均GDP(元) 360 8.965 0.611 7.278 10.739 对外开放程度(ope) 进出口总额在名义GDP中的占比 360 29.559 33.562 1.158 166.816 产生结构(ins) 第二产业增加值在名义GDP中的占比 360 46.397 8.106 19.014 59.045 政府干预程度(gov) 财政支出占名义GDP的比重 360 22.218 9.631 8.372 62.686 国有经济比重(sta) 国有企业职工人数占总职工人数的比例 360 49.377 16.005 15.192 76.547 人力资本水平(edu) 劳动力平均受教育年限 360 9.407 1.245 6.420 13.525 劳动年龄人口(lp) 15~64岁的人口在总人口中的占比 360 73.709 3.588 64.481 83.845 税负水平(bur) 财政收入占名义GDP的比重 360 10.247 3.153 5.411 22.734 金融发展水平(fin) 贷款总额占名义GDP的比重 360 1.146 0.375 0.533 2.371 人口老龄化程度(old) 65岁及以上人口占总人口的比重 360 9.554 1.879 5.473 14.415 
下载: 导出CSV
表 2 人工智能对劳动收入份额影响的基准回归结果
变量 (1)
随机效应模型(2)
固定效应模型(3)
2SLS(4)
随机效应模型(5)
固定效应模型(6)
2SLSRob -2.153*** -2.521** -2.450*** -3.973*** -7.509*** -6.079*** (0.434) (1.026) (0.666) (1.113) (1.980) (2.242) Rob2 0.495* 1.274*** 1.237** (0.278) (0.354) (0.602) lngdp 4.495*** -9.813 0.140 5.393*** -11.077* 0.785 (1.223) (5.967) (1.056) (1.327) (5.879) (1.200) ope -0.094*** -0.036 -0.037*** -0.099*** -0.024 -0.046*** (0.014) (0.038) (0.010) (0.014) (0.035) (0.129) ins -0.238*** -0.165* -0.289*** -0.244 -0.165* -0.282*** (0.048) (0.100) (0.033) (0.048) (0.091) (0.033) gov 0.201*** -0.048 0.312*** 0.195*** -0.159 0.309*** (0.060) (0.178) (0.055) (0.060) (0.155) (0.057) sta -0.015 -0.015 -0.124*** -0.027 -0.038 -0.146*** (0.036) (0.071) (0.035) (0.037) (0.067) (0.038) edu -0.232 -0.581 1.290*** -0.266 0.531 1.357*** (0.379) (0.652) (0.317) (0.379) (0.709) (0.332) lp -0.418*** -0.330 -0.730*** -0.487*** -0.434* -0.798*** (0.127) (0.232) (0.121) (0.132) (0.227) (0.139) bur -0.087 0.141 -0.542*** -0.079 0.224 -0.518*** (0.168) (0.333) (0.124) (0.167) (0.296) (0.125) fin 0.957 -0.083 0.177 0.807 -1.186 0.009 (1.336) (2.858) (1.125) (1.334) (2.620) (1.151) 观测值 360 360 360 360 360 360 R2 0.472 0.603 0.542 0.479 0.629 0.533 F检验 — 25.140 — — 22.820 — 注：***、**、*分别表示在1%、5%、10%的水平下显著，括号内数值为标准误。下同。
下载: 导出CSV
表 3 人力资本的门限效应检验
原假设和备择假设 检验统计量 Bootstrap
P值临界值 90% 95% 99% 单一门限值检验 H0：没有门限值 10.360 0.057 8.569 11.408 16.278 H1：至少存在1个门限值 双重门限值检验 H0：只有1个门限值 8.550 0.073 7.935 9.883 15.128 H1：至少存在2个门限值 三重门限值检验 H0：只有2个门限值 3.550 0.753 10.010 12.033 18.212 H1：至少存在3个门限值
下载: 导出CSV
表 4 人口老龄化的门限效应检验
原假设和备择假设 检验统计量 Bootstrap
P值临界值 90% 95% 99% 单一门限值检验 H0：没有门限值 19.390 0.013 11.075 14.636 20.149 H1：至少存在1个门限值 双重门限值检验 H0：只有1个门限值 3.260 0.717 11.987 14.470 21.700 H1：至少存在2个门限值
下载: 导出CSV
表 5 门限估计值和置信区间
门槛变量 门槛 估计值 95%置信区间 人力资本 第一个门限值 8.579 [7.903，8.590] 第二个门限值 9.984 [9.797，9.985] 人口老龄化 第一个门限值 12.935 [12.551，12.939]
下载: 导出CSV
表 6 门限效应回归结果(N=360)
变量 人力资本 人口老龄化 Rob×I(edu≤8.579) -6.028***(1.054) Rob×I(8.579<edu≤9.984) -3.402***(0.578) Rob×I(edu>9.984) -1.837***(0.458) Rob×I(old≤12.935) -1.829***(0.463) Rob×I(old>12.935) -3.562***(0.541) lngdp 8.890***(1.467) 6.682***(1.370) ope -0.099***(0.021) -0.116***(0.020) ins -0.228***(0.055) -0.259***(0.056) gov 0.160*(0.086) 0.150*(0.087) sta 0.020(0.040) 0.038(0.040) edu -1.526***(0.462) -0.397(0.395) lp -0.206(0.141) -0.308**(0.140) bur -0.113(0.204) -0.159(0.205) fin 0.854(1.422) 0.826(0.205)
下载: 导出CSV
表 7 2006—2017年人力资本、人口老龄化处于不同门槛区间的数量(N=30)
门限变量 门槛区间 2006 2007 2008 2009 2010 2011 人力资本 edu≤8.579 19 18 11 9 6 2 8.579 < edu≤9.984 8 9 16 18 21 21 edu>9.984 3 3 3 3 3 7 人口老龄化 old≤12.935 29 29 29 29 30 30 12.935 < old 1 1 1 1 0 0 人力资本 edu≤8.579 2 1 2 2 9 1 8.579 < edu≤9.984 19 16 13 12 16 9 edu>9.984 9 13 15 16 5 20 人口老龄化 old≤12.935 30 29 28 28 25 23 old>12.935 0 1 2 2 5 7
下载: 导出CSV
表 8 2006年和2017年各区域人力资本和人口老龄化的空间分布状况(N=30)
年份 人力资本 人口老龄化 edu≤8.579 8.579 < edu≤9.984 edu>9.984 old≤12.935 old>12.935 2006 河北、内蒙古、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏 山西、辽宁、吉林、黑龙江、江苏、广东、海南、新疆 北京、天津、上海 北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆 上海 2017 贵州 安徽、江西、河南、广西、重庆、四川、云南、甘肃、青海 北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、福建、山东、湖北、湖南、广东、海南、陕西、宁夏、新疆 北京、天津、河北、山西、内蒙古、吉林、黑龙江、浙江、福建、江西、河南、湖北、湖南、广东、广西、海南、贵州、云南、陕西、甘肃、青海、宁夏、新疆 辽宁、上海、江苏、安徽、山东、重庆、四川
下载: 导出CSV
表 9 门限效应的稳健性检验
变量 门槛值 (1)替换被解释变量 (2)改变抽样次数 (3)剔除极端值 估计值 95%置信区间 估计值 95%置信区间 估计值 95%置信区间 人力资本 第一门槛值 8.579 [8.425, 8.590] 8.579 [7.903, 8.590] 8.579 [8.568, 8.590] 第二门槛值 9.984 [9.769, 9.985] 9.984 [9.797, 9.985] 9.984 [9.689, 9.985] 人口老龄化 第一门槛值 12.935 [12.551, 12.939] 12.935 [12.551, 12.939] 12.935 [12.550, 12.939]
下载: 导出CSV
表 10 门限回归结果的稳健性检验(N=360)
变量 (1)替换被解释变量 (2)改变抽样次数 (3)剔除极端值 人力资本 人口老龄化 人力资本 人口老龄化 人力资本 人口老龄化 Rob×I(edu≤γ1) -5.384*** -6.028*** -5.628*** (0.932) (1.054) (1.046) Rob×I(γ1<edu≤γ2) -2.673*** -3.401*** -3.312*** (0.511) (0.578) (0.589) Rob×I(edu>γ2) -1.363*** -1.837*** -1.922*** (0.405) (0.458) (0.503) Rob×I(old≤δ1) -1.285*** -1.829*** -1.904*** (0.408) (0.463) (0.510) Rob×I(old>δ1) -3.039*** -3.562*** -3.456*** (1.258) (0.541) (0.551) lngdp 9.771*** 7.760*** 8.890*** 6.682*** 8.200*** 6.128*** (1.297) (1.207) (1.467) (1.370) (1.466) (1.389) ope -0.105*** -0.122*** -0.097*** -0.116*** -0.093*** -0.110*** (0.019) (0.018) (0.021) (0.020) (0.022) (0.021) ins -0.100** -0.130*** -0.228*** -0.259*** -0.224*** -0.251*** (0.049) (0.049) (0.055) (0.056) (0.055) (0.056) gov 0.081 8 0.070 0.160* 0.150* 0.177** 0.171** (0.076) (0.076) (0.086) (0.087) (0.088) (0.088) sta 0.063* 0.080** 0.020 0.038 0.022 0.035 (0.036) (0.036) (0.040) (0.040) (0.040) (0.040) edu -1.514*** -0.441 -1.526*** -0.397 -1.317** -0.282 (0.408) (0.348) (0.462) (0.395) (0.465) (0.398) lp -0.111 -0.211* -0.206 -0.308** -0.260* -0.347** (0.125) (0.123) (0.141) (0.140) (0.145) (0.143) bur 0.145 0.101 -0.113 -0.159 -0.080 -0.149 (0.181) (0.181) (0.204) (0.205) (0.209) (0.211) fin -0.595 -0.613 0.854 0.826 0.954 1.006 (1.257) (1.258) (1.422) (1.428) (1.461) (1.466)
下载: 导出CSV
-
[1] 洪永淼, 张明. 发展数字经济应注重维护社会公平[N]. 经济参考报, 2021-04-06(007). [2] KORINEK A, STIGLITZ J E, Artificial intelligence and its implications for income distribution and unemployment[R]. NBER Working Paper, 2017: 24174. [3] 沈红兵. 人工智能技术进步对劳动就业的影响研究[M]. 成都: 西南财经大学, 2019. [4] 李稻葵, 刘霖林, 王红领. GDP中劳动收入份额演变的U型规律[J]. 经济研究, 2009(1): 70-82. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ200901005.htm [5] 罗志恒, 杨新, 万赫. 共同富裕的现实内涵与实现路径: 基于财税改革的视角[J]. 广东财经大学学报, 2022(1): 4-13. http://xb.gdufe.edu.cn/article/id/ba57276d-a27c-49f1-a4c9-6f4e71cf67db [6] 陈秋霖, 许多, 周羿. 人口老龄化背景下人工智能的劳动力替代效应——基于跨国面板数据和中国省级面板数据的分析[J]. 中国人口科学, 2018(6): 30-42, 126-127. https://www.cnki.com.cn/Article/CJFDTOTAL-ZKRK201806004.htm [7] 高春明, 于潇, 陈世坤. 人工智能对中国未来劳动力就业的影响——基于劳动力供给视角的分析[J]. 社会科学战线, 2020(10): 249-254. https://www.cnki.com.cn/Article/CJFDTOTAL-SHZX202010027.htm [8] 陈彦斌, 林晨, 陈小亮. 人工智能、老龄化与经济增长[J]. 经济研究, 2019(7): 47-63. doi: 10.3969/j.issn.1672-5719.2019.07.045 [9] 曹守新, 徐晓雯. 人工智能对劳动力就业的影响及其应对[J]. 山东社会科学, 2020(12): 153-159. https://www.cnki.com.cn/Article/CJFDTOTAL-SDSK202012022.htm [10] 杜传忠, 陈维宣, 胡俊. 发达国家人工智能发展经验以及中国的借鉴[J]. 湖南科技大学学报: 社会科学版, 2019(3): 45-52. https://www.cnki.com.cn/Article/CJFDTOTAL-XTGS201903009.htm [11] 屈小博. 机器人和人工智能对就业的影响及趋势[J]. 劳动经济研究, 2019(5): 133-143. https://www.cnki.com.cn/Article/CJFDTOTAL-LDJJ201905006.htm [12] 金陈飞, 吴杨, 池仁勇, 等. 人工智能提升企业劳动收入份额了吗?[J]. 科学学研究, 2020(1): 54-62. https://www.cnki.com.cn/Article/CJFDTOTAL-KXYJ202001008.htm [13] KARABARBOUNIS L, NEIMAN B. The global decline of the labor share[J]. The Quarterly Journal of Economics, 2014, 129(1): 61-103. doi: 10.1093/qje/qjt032 [14] 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): 1448-1542. [15] 董志强, 黄旭. 人工智能技术发展背景下的失业及政策: 理论分析[J]. 社会科学战线, 2019(12): 76-84, 281. https://www.cnki.com.cn/Article/CJFDTOTAL-SHZX201912015.htm [16] 余玲铮, 魏下海, 吴春秀. 机器人对劳动收入份额的影响研究——来自企业调查的微观证据[J]. 中国人口科学, 2019(4): 114-125, 128. https://www.cnki.com.cn/Article/CJFDTOTAL-ZKRK201904012.htm [17] 郭凯明. 人工智能发展、产业结构转型升级与劳动收入份额变动[J]. 管理世界, 2019(7): 60-77, 202-203. doi: 10.3969/j.issn.1002-5502.2019.07.007 [18] 李霞, 涂涛涛, 雷泽奎. 人工智能与中国要素报酬分配——基于GTAP模型的分析[J]. 中国科技论坛, 2020(9): 133-144. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKT202009020.htm [19] 吴振华. 中国劳动收入份额影响机理研究[M]. 北京: 经济科学出版社, 2018. [20] 龚刚, 杨光. 论工资性收入占国民收入比例的演变[J]. 管理世界, 2010(5): 45-55, 187-188. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ201005006.htm [21] 杨虎涛. 人工智能、奇点时代与中国机遇[J]. 财经问题研究, 2018(12): 12-20. https://www.cnki.com.cn/Article/CJFDTOTAL-CJWT201812002.htm [22] 程承坪, 彭欢. 人工智能影响就业的机理及中国对策[J]. 中国软科学, 2018(10): 62-70. doi: 10.3969/j.issn.1002-9753.2018.10.008 [23] 蔡啸, 黄旭美. 人工智能技术会抑制制造业就业吗?——理论推演与实证检验[J]. 商业研究, 2019(6): 53-62. https://www.cnki.com.cn/Article/CJFDTOTAL-BUSI201906007.htm [24] 张美莎, 曾钰桐, 冯涛. 人工智能对就业需求的影响: 基于劳动力结构视角[J]. 中国科技论坛, 2021(12): 125-133. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKT202112015.htm [25] 张新春, 董长瑞. 人工智能技术条件下"人的全面发展"向何处去——兼论新技术下劳动的一般特征[J]. 经济学家, 2019(1): 43-52. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXJ201901008.htm [26] 李新娥, 喻子君, 夏静, 等. 人工智能技术应用下制造业企业就业效应研究——基于101家上市公司的实证检验[J]. 中国软科学, 2021(S1): 277-286. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGRK2021S1033.htm [27] HURST E. The retirement of a consumption puzzle[R]. NBER Working Paper, 2008: 13789. [28] 蔡昉, 王美艳. 如何解除人口老龄化对消费需求的束缚[J]. 财贸经济, 2021(5): 5-13. https://www.cnki.com.cn/Article/CJFDTOTAL-CMJJ202105002.htm [29] HANSEN B E. Threshold effects in non-dynamic panels: estimation, testing, and inference[J]. Journal of Econometrics, 1999, 93(2): 345-368. [30] CHENG H, JIA R, LI D, et al. The rise of robots in China[J]. Journal of Economic Perspectives, 2019, 33(2): 71-88. [31] ACEMOGLU D, RESTREPO P. Robots and jobs: evidence from U.S. labor market[J]. Journal of Political Economy, 2020, 128(6): 2188-2244. [32] 闫雪凌, 朱博楷, 马超. 工业机器人使用与制造业就业: 来自中国的证据[J]. 统计研究, 2020(1): 74-87. https://www.cnki.com.cn/Article/CJFDTOTAL-TJYJ202001008.htm [33] 魏下海, 张沛康, 杜宇洪. 机器人如何重塑城市劳动力市场: 移民工作任务的视角[J]. 经济学动态, 2020(10): 92-109. https://www.cnki.com.cn/Article/CJFDTOTAL-JJXD202010007.htm [34] HANSEN B E. Sample splitting and threshold estimation[J]. Econometrica, 2000, 68(3): 575-604. -
点击查看大图
图(3) / 表(10)
计量
- 文章访问数: 394
- HTML全文浏览量: 307
- PDF下载量: 62
- 被引次数: 0