□陳利鋒，鐘玉婷

一、引 言

近年來，大數(shù)據(jù)、機(jī)器學(xué)習(xí)的快速發(fā)展助推了人工智能在全球范圍內(nèi)的蓬勃發(fā)展[1]，據(jù)2018年3月28日《經(jīng)濟(jì)學(xué)家》雜志的報(bào)道，2015年全球與人工智能有關(guān)的并購(gòu)交易額不到8.5億美元，而2017年的交易額則達(dá)到220億美元，翻了近26倍。根據(jù)全球著名的管理咨詢公司麥肯錫的預(yù)測(cè)，2030年人工智能將為全球GDP貢獻(xiàn)13萬億美元，為全球經(jīng)濟(jì)增長(zhǎng)貢獻(xiàn)1.2個(gè)百分點(diǎn)。我國(guó)政府對(duì)人工智能的發(fā)展給予高度重視，并將人工智能的發(fā)展看做事關(guān)我國(guó)能否抓住新一輪科技革命和產(chǎn)業(yè)變革機(jī)會(huì)的戰(zhàn)略問題。根據(jù)德勤公司《中國(guó)人工智能產(chǎn)業(yè)白皮書(2018)》，2015年我國(guó)人工智能的市場(chǎng)規(guī)模為112億元人民幣，而2020年這一數(shù)字將增加至710億元。人工智能的快速發(fā)展引起全社會(huì)的廣泛關(guān)注，作為一項(xiàng)對(duì)人工具有替代性的革新性技術(shù)，人工智能的發(fā)展究竟如何影響收入分配以及社會(huì)福利是被重點(diǎn)關(guān)注的問題。Stevenson(2019)[2]3指出，對(duì)于人工智能的發(fā)展，存在兩個(gè)截然不同的觀點(diǎn)：一種反烏托邦式的觀點(diǎn)悲觀地認(rèn)為，人工智能發(fā)展導(dǎo)致機(jī)器完全替代人工，機(jī)器將取代人類，并最終導(dǎo)致社會(huì)福利的惡化，甚至使人類失去生存的意義；另一種烏托邦式的觀點(diǎn)則認(rèn)為，人工智能發(fā)展會(huì)使人類擺脫時(shí)間和金錢的約束，進(jìn)而更好地享受生活，這意味著人工智能的發(fā)展實(shí)現(xiàn)了社會(huì)福利的改進(jìn)。

事實(shí)上，近年來在關(guān)于人工智能影響收入分配的相關(guān)研究中，研究者并未對(duì)這一問題形成一致意見。Aghion等(2017)[3]1以及DeCanio(2016)[4]指出，人工智能發(fā)展必然引起企業(yè)傾向于使用具有更高生產(chǎn)率的人工智能，進(jìn)而引起失業(yè)增加。這些研究意味著人工智能發(fā)展必然會(huì)引起勞動(dòng)收入份額下降及社會(huì)福利的惡化。另外一些研究如Acemoglu和Autor(2011)[5]、Autor(2015)[6]、Acemoglu和Restrepo(2018)[7]2、Autor和Salomons(2019)[8]及Fueki和Maehashi(2019)[9]等則指出，盡管人工智能發(fā)展會(huì)產(chǎn)生對(duì)人工的替代和失業(yè)增加，但人工智能發(fā)展提高了勞動(dòng)生產(chǎn)率，最終的結(jié)果可能不會(huì)導(dǎo)致收入分配惡化。當(dāng)然，仍有一些研究如Nardhaus(2015)[10]、Graetz和Michaels(2018)[11]及Berg等(2016)[12]10等認(rèn)為人工智能發(fā)展并不一定對(duì)人工產(chǎn)生替代作用，因而不會(huì)必然導(dǎo)致工資下降。國(guó)內(nèi)研究者如陳彥斌等(2019)[13]、楊蕙馨等(2020)[14]認(rèn)為人工智能發(fā)展可以促進(jìn)我國(guó)經(jīng)濟(jì)增長(zhǎng)，但需要防范人工智能發(fā)展帶來的失業(yè)風(fēng)險(xiǎn)和收入分配失衡。郭凱明(2019)[15]61則指出，人工智能發(fā)展對(duì)于勞動(dòng)收入份額的影響取決于就業(yè)者所在的部門特征，人工智能對(duì)不同部門收入分配狀況的影響存在顯著差異。陳利鋒和鐘玉婷(2020)[16]指出，人工智能發(fā)展顯著影響了貨幣政策有效性。這些研究的共同點(diǎn)在于其模型構(gòu)建均基于經(jīng)濟(jì)增長(zhǎng)分析框架，重視分析人工智能發(fā)展的長(zhǎng)期影響。同時(shí)，在研究?jī)?nèi)容上，以往研究大多主要集中分析人工智能發(fā)展對(duì)經(jīng)濟(jì)增長(zhǎng)和收入分配的影響，而較少關(guān)注人工智能發(fā)展對(duì)勞動(dòng)力市場(chǎng)以及社會(huì)福利產(chǎn)生的影響。作為替代人類勞動(dòng)力的產(chǎn)物，人工智能發(fā)展必然引起勞動(dòng)力市場(chǎng)條件改變，那么，人工智能發(fā)展將如何影響勞動(dòng)者的就業(yè)崗位、勞動(dòng)收入份額以及社會(huì)福利呢？

結(jié)合以往研究的分析思路，本文構(gòu)建了一個(gè)包含人工智能的動(dòng)態(tài)隨機(jī)一般均衡模型。模型中，人工智能發(fā)展表現(xiàn)為人工智能投資效率提高和人工智能使用范圍擴(kuò)大?；谶@一模型框架，本文分別使用穩(wěn)態(tài)分析法、短期分析法和福利分析法考察人工智能發(fā)展對(duì)勞動(dòng)收入份額及社會(huì)福利的影響。穩(wěn)態(tài)分析的結(jié)果顯示：(1)人工智能發(fā)展促進(jìn)了勞動(dòng)生產(chǎn)率提高和產(chǎn)出增加，但對(duì)實(shí)際工資和消費(fèi)的影響具有階段依存特征。在初級(jí)階段，人工智能發(fā)展導(dǎo)致失業(yè)增加，勞動(dòng)力需求減少引起實(shí)際工資和消費(fèi)下降；在較高級(jí)階段，人工智能發(fā)展導(dǎo)致實(shí)際工資提高和消費(fèi)增加。(2)無論是人工智能投資效率提高，還是人工智能使用范圍擴(kuò)大，人工智能發(fā)展均導(dǎo)致勞動(dòng)收入份額下降。本文使用短期分析方法考察了偏好沖擊與技術(shù)沖擊下人工智能發(fā)展對(duì)勞動(dòng)收入份額的影響，研究結(jié)果表明：(1)與人工智能發(fā)展情況無關(guān)，逆向偏好沖擊與積極的技術(shù)沖擊均引起勞動(dòng)收入份額下降，技術(shù)沖擊對(duì)勞動(dòng)收入份額的影響大于偏好沖擊；(2)無論是偏好沖擊還是技術(shù)沖擊，人工智能發(fā)展顯著影響勞動(dòng)收入份額。具體表現(xiàn)為，人工智能發(fā)展程度越高，勞動(dòng)收入份額下降的幅度越大。本文進(jìn)一步使用福利分析方法考察人工智能發(fā)展對(duì)社會(huì)福利的影響。結(jié)果表明，人工智能發(fā)展對(duì)社會(huì)福利的影響具有階段依存性。當(dāng)人工智能發(fā)展處于較低級(jí)階段，人工智能發(fā)展導(dǎo)致消費(fèi)和就業(yè)等宏觀經(jīng)濟(jì)變量更大的波動(dòng)，進(jìn)而引致社會(huì)福利的惡化；但是在人工智能發(fā)展的相對(duì)較高級(jí)階段，人工智能發(fā)展僅引起消費(fèi)和就業(yè)等宏觀經(jīng)濟(jì)變量較小的波動(dòng)，進(jìn)而相對(duì)實(shí)現(xiàn)社會(huì)福利的改善。

顯然，本文的研究結(jié)論表明，人工智能發(fā)展對(duì)我國(guó)社會(huì)福利的影響與人工智能發(fā)展階段存在密切聯(lián)系。那么，緣何人工智能發(fā)展的宏觀經(jīng)濟(jì)影響呈現(xiàn)這一特征呢？一個(gè)重要的原因在于，人工智能發(fā)展同時(shí)具有替代效應(yīng)和生產(chǎn)率獲得效應(yīng)兩種影響。在人工智能發(fā)展早期階段，人工智能投資效率相對(duì)較低且使用范圍相對(duì)較小，此時(shí)替代效應(yīng)占優(yōu)，就業(yè)和實(shí)際工資下降引起消費(fèi)和就業(yè)表現(xiàn)出較大幅度波動(dòng)，進(jìn)而導(dǎo)致社會(huì)福利惡化。在人工智能發(fā)展較高級(jí)階段，人工智能投資效率提高以及使用范圍擴(kuò)大，人工智能發(fā)展帶來的生產(chǎn)率獲得效應(yīng)超越替代效應(yīng)，盡管就業(yè)下降但是實(shí)際工資上升，消費(fèi)和就業(yè)波動(dòng)的幅度相對(duì)較小，因而最終實(shí)現(xiàn)了社會(huì)福利的相對(duì)改進(jìn)。

相比以往研究，本文完成的工作包括：(1)構(gòu)建動(dòng)態(tài)隨機(jī)一般均衡模型考察人工智能發(fā)展的宏觀經(jīng)濟(jì)效應(yīng)。以往研究大多基于局部均衡分析，同時(shí)在研究?jī)?nèi)容上主要關(guān)注的是人工智能對(duì)經(jīng)濟(jì)增長(zhǎng)層面的影響。(2)以往研究大多關(guān)注的是人工智能發(fā)展產(chǎn)生的長(zhǎng)期(也即穩(wěn)態(tài))效應(yīng)，而本文則同時(shí)關(guān)注了人工智能發(fā)展產(chǎn)生的長(zhǎng)期影響與短期影響。(3)與以往研究不同，本文詳細(xì)區(qū)分了人工智能發(fā)展產(chǎn)生的替代效應(yīng)和生產(chǎn)率獲得效應(yīng)，而以往研究大多關(guān)注的是人工智能發(fā)展產(chǎn)生的替代效應(yīng)。(4)從社會(huì)福利的角度綜合考察了人工智能發(fā)展的宏觀經(jīng)濟(jì)效應(yīng)，因而對(duì)于人工智能發(fā)展宏觀經(jīng)濟(jì)效應(yīng)的分析更加全面。

二、模型與設(shè)定

經(jīng)濟(jì)中包含勞動(dòng)互補(bǔ)性資本和勞動(dòng)替代性資本兩種資本：物質(zhì)資本和人工智能資本。與物質(zhì)資本不同，人工智能資本對(duì)勞動(dòng)具有替代作用。這一替代作用使得人工智能發(fā)展必然引起勞動(dòng)力市場(chǎng)條件發(fā)生改變，進(jìn)而影響勞動(dòng)力需求和勞動(dòng)者收入份額，并且最終通過勞動(dòng)力市場(chǎng)的變化影響整個(gè)宏觀經(jīng)濟(jì)以及社會(huì)福利狀況。

(一)家庭的優(yōu)化問題

定義Ct和Nt分別表示典型家庭的消費(fèi)與就業(yè)，典型家庭的終身效用函數(shù)滿足：

式中，Sk(.)和Sz(.)分別為物質(zhì)資本和人工智能資本的調(diào)整成本，并滿足如下形式：

(1)

(2)

其中，δk和δz分別為物質(zhì)資本和人工智能資本的折舊率；ψk和ψz分別為物質(zhì)資本與人工智能資本調(diào)整成本規(guī)模系數(shù)。

定義μk為反映物質(zhì)資本投資效率的參數(shù)，μz為反映人工智能投資效率的參數(shù)，那么物質(zhì)資本和人工智能資本積累方程為：

(3)

(4)

定義Wt與wt分別表示名義工資與實(shí)際工資，那么二者的關(guān)系滿足wt=Wt/Pt。名義工資Wt依據(jù)交錯(cuò)方式設(shè)定，即：

(5)

決定最優(yōu)工資設(shè)定的一階條件為：

(6)

(二)產(chǎn)品生產(chǎn)企業(yè)

最終產(chǎn)品生產(chǎn)企業(yè)具有完全競(jìng)爭(zhēng)特征，其對(duì)應(yīng)的利潤(rùn)為零。定義Pt和Pt(i)分別為CPI與中間產(chǎn)品Yt(i)對(duì)應(yīng)的價(jià)格，εp為不同中間產(chǎn)品Yt(i)的替代彈性，Yt為最終產(chǎn)品產(chǎn)出，那么最終產(chǎn)品生產(chǎn)企業(yè)利潤(rùn)最大化問題的一階條件為：

Yt(i)=(Pt(i)/Pt)-εpYt

中間產(chǎn)品的生產(chǎn)技術(shù)滿足如下CES形式：

(7)

(8)

(9)

(三)市場(chǎng)出清、貨幣政策與沖擊過程

最終產(chǎn)品用于支持所有典型家庭消費(fèi)、人工智能資本投資及其調(diào)整成本、物質(zhì)資本投資及其調(diào)整成本。因此，市場(chǎng)出清條件為：

(10)

經(jīng)濟(jì)中的貨幣政策遵循如下規(guī)則：

(11)

三、模型參數(shù)化

依據(jù)陳利鋒(2019)[17]8、范愛軍和卞學(xué)宇(2018)[18]估計(jì)的結(jié)果，將貼現(xiàn)因子β、產(chǎn)品替代彈性εp、名義價(jià)格剛性θp、就業(yè)替代彈性εw、名義工資剛性θw、弗里希就業(yè)彈性η等參數(shù)分別取值為0.98、1.5、0.75、2、0.5和0.916；依據(jù)郭路和魏楊(2019)[19]的估計(jì)結(jié)果，將物質(zhì)資本折舊率δk、物質(zhì)資本貢獻(xiàn)份額γk分別取值設(shè)定為0.04和0.6。依據(jù)石峰和王懺(2019)[20]等關(guān)于穩(wěn)態(tài)物質(zhì)資本投資效率的設(shè)定，將物質(zhì)資本投資效率參數(shù)μk取值校準(zhǔn)為1?？紤]物質(zhì)資本與復(fù)合勞動(dòng)之間存在互補(bǔ)性，因而其替代彈性系數(shù)α的取值校準(zhǔn)為0.5。依據(jù)陳利鋒(2019)[17]9的設(shè)定，物質(zhì)資本調(diào)整成本參數(shù)ψk、典型家庭效用函數(shù)中就業(yè)的權(quán)重χ取值分別校準(zhǔn)為17.5和2。依據(jù)王博等(2019)[21]以及王立勇和紀(jì)堯(2019)[22]貝葉斯估計(jì)的結(jié)果，貨幣政策中的參數(shù)ρ、ry、rp分別取值為0.8、0.25和1.25。

由于國(guó)內(nèi)已有研究未對(duì)人工智能資本折舊率δz進(jìn)行估計(jì)，在基準(zhǔn)情形中，本文將其取值設(shè)定為0.04。依據(jù)Berg等(2016)[12]11以及郭凱明(2019)[15]70的做法，將人工智能對(duì)人工的替代彈性v、人工智能資本投資調(diào)整成本參數(shù)ψz的取值分別校準(zhǔn)為2.5和17.5。依據(jù)郭凱明(2019)[15]71的估算結(jié)果，將復(fù)合勞動(dòng)中人工智能的貢獻(xiàn)份額γz首先校準(zhǔn)為0.04(對(duì)應(yīng)γz1)，然后依據(jù)Berg等(2016)[12]13估算的結(jié)果進(jìn)行敏感性分析，即將γz取值分別設(shè)定為0(對(duì)應(yīng)γz2)和0.08(對(duì)應(yīng)γz3)。依據(jù)陳彥斌等(2019)[13]以及Berg等(2016)[12]13的做法，在基準(zhǔn)情形中將人工智能資本投資效率參數(shù)μz的取值設(shè)定為1(對(duì)應(yīng)μz1)，然后使用敏感性分析，分別將這一參數(shù)取值設(shè)定為0(對(duì)應(yīng)μz2)和2(對(duì)應(yīng)μz3)，分別代指經(jīng)濟(jì)中未使用人工智能以及人工智能深化兩種情形(表1)。

表1 參數(shù)校準(zhǔn)

四、穩(wěn)態(tài)與短期動(dòng)態(tài)分析

本部分主要使用穩(wěn)態(tài)分析與短期動(dòng)態(tài)分析兩種方法考察人工智能發(fā)展的影響。穩(wěn)態(tài)分析方法基于比較靜態(tài)分析方法的思路，比較在無外生沖擊發(fā)生的情況下人工智能發(fā)展對(duì)宏觀經(jīng)濟(jì)變量穩(wěn)態(tài)的差異。這一分析方法可以反映人工智能對(duì)宏觀經(jīng)濟(jì)的長(zhǎng)期影響。短期動(dòng)態(tài)分析使用沖擊反應(yīng)分析方法，考察人工智能發(fā)展對(duì)不同外生沖擊脈沖響應(yīng)函數(shù)產(chǎn)生的影響。在使用短期動(dòng)態(tài)分析時(shí)，我們?cè)O(shè)定所有外生沖擊的持續(xù)性為0.8、沖擊大小為1個(gè)單位標(biāo)準(zhǔn)差。

(一)穩(wěn)態(tài)分析

表2顯示的是對(duì)應(yīng)不同的人工智能投資效率時(shí)產(chǎn)出等主要宏觀經(jīng)濟(jì)變量的穩(wěn)態(tài)。依據(jù)表2可以發(fā)現(xiàn)，對(duì)應(yīng)人工智能投資效率參數(shù)μz為0、1和2時(shí)各宏觀變量的特征為：(1)穩(wěn)態(tài)產(chǎn)出Y分別為0.8141、0.8334和0.8749，即人工智能投資效率提高引起穩(wěn)態(tài)產(chǎn)出增加。(2)穩(wěn)態(tài)消費(fèi)C分別為0.4559、0.4462和0.4709，穩(wěn)態(tài)實(shí)際工資w分別為0.7208、0.7120和0.7338，表明人工智能投資效率對(duì)穩(wěn)態(tài)消費(fèi)和穩(wěn)態(tài)實(shí)際工資的影響并不具有線性特征。(3)當(dāng)人工智能投資效率參數(shù)μz的取值為0時(shí)，表明人工智能資本在模型經(jīng)濟(jì)中未發(fā)生作用，企業(yè)生產(chǎn)過程中未使用人工智能，因而在這一情形中穩(wěn)態(tài)人工智能資本價(jià)格Rz、穩(wěn)態(tài)人工智能資本投資Iz以及穩(wěn)態(tài)人工智能資本存量Z均無取值；當(dāng)μz分別取值為1和2時(shí)，穩(wěn)態(tài)人工智能資本價(jià)格Rz分別取值為0.06和0.03，穩(wěn)態(tài)人工智能資本投資Iz的取值分別為0.0025和0.0075，穩(wěn)態(tài)人工智能資本存量Z分別為0.075和0.43。顯然，人工智能投資效率提高，引起穩(wěn)態(tài)人工智能資本價(jià)格下降以及穩(wěn)態(tài)人工智能資本投資和穩(wěn)態(tài)人工智能資本存量增加。(4)穩(wěn)態(tài)就業(yè)N分別為0.3582、0.3559和0.3530，即人工智能投資效率提高引起就業(yè)下降。(5)單位勞動(dòng)產(chǎn)出的穩(wěn)態(tài)值分別為2.2728、2.3417和2.4785，由于單位勞動(dòng)產(chǎn)出表示勞動(dòng)的生產(chǎn)效率，因而人工智能投資效率的提高引起了勞動(dòng)生產(chǎn)效率的提高。(6)穩(wěn)態(tài)勞動(dòng)收入份額分別為0.3171、0.3041和0.2961，表明人工智能資本投資效率提高降低了勞動(dòng)收入份額。

表2 人工智能資本投資效率與宏觀經(jīng)濟(jì)穩(wěn)態(tài)

人工智能投資效率參數(shù)μz取值越大，表明人工智能投資效率越高，人工智能資本的積累成本更低且更為便利，吸引企業(yè)偏好使用人工智能替代人工，導(dǎo)致就業(yè)減少。以往研究將這一效應(yīng)稱為人工智能發(fā)展的“替代效應(yīng)”[3]6。人工智能發(fā)展的替代效應(yīng)使勞動(dòng)力需求下降，并導(dǎo)致實(shí)際工資降低。不過，人工智能發(fā)展還可以通過生產(chǎn)率獲得效應(yīng)對(duì)實(shí)際工資施加影響[7]4，即人工智能投資效率提高促進(jìn)了人工智能的使用，進(jìn)而引起勞動(dòng)生產(chǎn)率提高。由于工資與勞動(dòng)生產(chǎn)率對(duì)應(yīng)，因而人工智能發(fā)展通過提高勞動(dòng)生產(chǎn)率而引起實(shí)際工資增加。Stevenson(2019)[2]4指出，替代效應(yīng)與生產(chǎn)率獲得效應(yīng)共同決定了人工智能發(fā)展對(duì)實(shí)際工資的影響：在人工智能發(fā)展的初級(jí)階段，替代效應(yīng)占優(yōu)，因而實(shí)際工資下降；而在人工智能發(fā)展的高級(jí)階段，生產(chǎn)率獲得效應(yīng)占優(yōu)，實(shí)際工資提高。因此，人工智能發(fā)展對(duì)實(shí)際工資的影響并不具有線性特征，實(shí)際工資表現(xiàn)出先下降后上升的特征。

勞動(dòng)收入份額的變化取決于三個(gè)因素：實(shí)際工資w、就業(yè)N和產(chǎn)出Y。人工智能投資效率參數(shù)μz取值越大，企業(yè)將更加偏好使用人工智能替代人工，勞動(dòng)生產(chǎn)率得以提高，因而產(chǎn)出隨著人工智能投資效率μz取值的增加而增加。在初級(jí)階段，人工智能發(fā)展引起實(shí)際工資w、就業(yè)N減少以及產(chǎn)出增加，因而勞動(dòng)收入份額必然下降；在高級(jí)階段，人工智能發(fā)展由于生產(chǎn)率獲得效應(yīng)而引起實(shí)際工資增加、就業(yè)減少和產(chǎn)出增加，但實(shí)際工資源于勞動(dòng)生產(chǎn)率提高，因而其增加的速度慢于勞動(dòng)生產(chǎn)率增加的速度，勞動(dòng)收入份額依然下降。

當(dāng)人工智能投資效率保持不變(μz取值等于1)時(shí)，表3顯示了人工智能資本在復(fù)合勞動(dòng)中的貢獻(xiàn)份額(即人工智能使用范圍)γz取不同數(shù)值時(shí)宏觀經(jīng)濟(jì)變量各自的穩(wěn)態(tài)值。依據(jù)表3可以發(fā)現(xiàn)，對(duì)應(yīng)γz的取值分別為0、0.04、0.08，宏觀經(jīng)濟(jì)變量的特征為：(1)穩(wěn)態(tài)產(chǎn)出Y的取值分別為0.8188、0.8334、0.8848。由于γz取值越大表明人工智能資本的使用范圍越廣泛，因而隨著人工智能在復(fù)合勞動(dòng)中的貢獻(xiàn)份額γz取值增加，產(chǎn)出也隨之增加，意味著人工智能適用范圍擴(kuò)大推動(dòng)了穩(wěn)態(tài)產(chǎn)出增加。(2)與人工智能投資效率參數(shù)μz變化對(duì)穩(wěn)態(tài)實(shí)際工資w和穩(wěn)態(tài)消費(fèi)C的影響類似，穩(wěn)態(tài)消費(fèi)C相應(yīng)的取值分別為0.4585、0.4462、0.4804，穩(wěn)態(tài)實(shí)際工資w的取值分別為0.7364、0.7120、0.7560，二者均經(jīng)歷先下降后上升的過程。(3)穩(wěn)態(tài)就業(yè)N的取值分別為0.3603、0.3559、0.3509，表明人工智能使用范圍擴(kuò)大引致就業(yè)減少。穩(wěn)態(tài)勞動(dòng)生產(chǎn)率也即單位勞動(dòng)產(chǎn)出的取值分別為2.2726、2.3417、2.5215，而穩(wěn)態(tài)勞動(dòng)收入份額的取值則為0.3240、0.3041、0.2998，表明人工智能使用范圍擴(kuò)大提高了勞動(dòng)生產(chǎn)率，并降低了勞動(dòng)收入份額。顯然，這一發(fā)現(xiàn)與表2類似，導(dǎo)致這一變化的原因仍然是人工智能發(fā)展同時(shí)存在替代效應(yīng)和生產(chǎn)率獲得效應(yīng)。(4)當(dāng)γz取值為0時(shí)，人工智能對(duì)于復(fù)合勞動(dòng)無貢獻(xiàn)，即企業(yè)生產(chǎn)活動(dòng)中未使用人工智能，因而此時(shí)穩(wěn)態(tài)人工智能資本價(jià)格Rz、穩(wěn)態(tài)人工智能資本投資Iz以及穩(wěn)態(tài)人工智能資本存量Z均無取值；當(dāng)γz取值為0.04和0.08時(shí)，穩(wěn)態(tài)人工智能資本價(jià)格Rz取值均為0.06，這與表2中人工智能資本投資效率對(duì)穩(wěn)態(tài)人工智能資本價(jià)格的影響不同。原因在于，穩(wěn)態(tài)人工智能資本價(jià)格Rz滿足：

(12)

顯然，Rz的取值與人工智能適用范圍γz的取值無關(guān)，僅與人工智能的投資效率μz的取值有關(guān)，因此，表3中γz的變化并未引起穩(wěn)態(tài)人工智能資本價(jià)格Rz的取值發(fā)生改變。當(dāng)γz取值為0.04和0.08時(shí)，穩(wěn)態(tài)人工智能資本投資Iz分別取值為0.0025和0.0151，穩(wěn)態(tài)人工智能資本存量Z的取值分別為0.075和0.3789，即人工智能使用范圍擴(kuò)大推動(dòng)了穩(wěn)態(tài)人工智能資本投資Iz、穩(wěn)態(tài)人工智能資本存量Z的增加。其原因在于人工智能資本使用范圍越大，生產(chǎn)過程對(duì)人工智能資本的需求越大，刺激了人工智能投資增加，人工智能資本存量也隨之增加。

結(jié)合表2和表3可以發(fā)現(xiàn)，無論是人工智能投資效率提高還是人工智能使用范圍擴(kuò)大(二者合稱人工智能發(fā)展)，均引起經(jīng)濟(jì)中長(zhǎng)期產(chǎn)出、人工智能投資、人工智能資本存量增加以及勞動(dòng)生產(chǎn)率提高，同時(shí)也引起就業(yè)減少以及勞動(dòng)收入份額下降，并且人工智能發(fā)展對(duì)于長(zhǎng)期實(shí)際工資和消費(fèi)的影響與人工智能的發(fā)展階段密切相關(guān)。

(二)短期分析

與以往相近研究類似，本文使用脈沖響應(yīng)函數(shù)分析方法進(jìn)行短期分析，即計(jì)算偏好沖擊與技術(shù)沖擊下勞動(dòng)收入份額的脈沖響應(yīng)路徑，通過比較人工智能投資效率參數(shù)μz、人工智能使用范圍參數(shù)γz在不同取值下勞動(dòng)收入份額的脈沖響應(yīng)，考察人工智能發(fā)展對(duì)勞動(dòng)收入份額的短期影響。

圖1顯示的是對(duì)應(yīng)不同人工智能投資效率偏好沖擊與技術(shù)沖擊下勞動(dòng)收入份額的動(dòng)態(tài)變化軌跡?；趫D1可以發(fā)現(xiàn)：第一，與人工智能投資效率μz取值無關(guān)，偏好沖擊與技術(shù)沖擊發(fā)生之后勞動(dòng)收入份額均表現(xiàn)出下降趨勢(shì)。第二，無論是偏好沖擊還是技術(shù)沖擊，μz取值為2的情形下勞動(dòng)收入份額下降的幅度最大，μz取值為1的情形次之，而μz取值為0的情形下勞動(dòng)收入份額下降的幅度最小。這意味著，隨著μz取值增加，偏好沖擊、技術(shù)沖擊發(fā)生之后，勞動(dòng)收入份額下降的幅度越大，即人工智能投資效率越高，勞動(dòng)收入份額下降的幅度越大。第三，相對(duì)偏好沖擊，無論人工智能投資效率μz取值如何，技術(shù)沖擊下勞動(dòng)收入份額下降的幅度均大于偏好沖擊下勞動(dòng)收入份額下降的幅度，意味著技術(shù)沖擊對(duì)勞動(dòng)收入份額的影響大于偏好沖擊帶來的影響。

圖1 人工智能投資效率與勞動(dòng)收入份額

圖2顯示了偏好沖擊與技術(shù)沖擊下對(duì)應(yīng)人工智能使用范圍系數(shù)γz不同取值時(shí)勞動(dòng)收入份額的動(dòng)態(tài)變化軌跡?；趫D2可以發(fā)現(xiàn)：第一，與圖1中人工智能投資效率對(duì)勞動(dòng)收入份額的影響類似，無論人工智能使用范圍系數(shù)γz取值如何，偏好沖擊與技術(shù)沖擊均引起勞動(dòng)收入份額下降。第二，當(dāng)人工智能投資效率μz的取值固定為1時(shí)，人工智能使用范圍系數(shù)γz取值為0.08時(shí)，無論是偏好沖擊還是技術(shù)沖擊，勞動(dòng)收入份額下降的幅度均最大，γz取值為0.04時(shí)勞動(dòng)收入份額下降的幅度次之，而γz取值為0時(shí)勞動(dòng)收入份額下降的幅度最小。這意味著，無論是偏好沖擊還是技術(shù)沖擊，人工智能使用范圍系數(shù)γz的取值越大，勞動(dòng)所得份額下降的幅度越大。第三，與圖1中勞動(dòng)收入份額的變化軌跡類似，獨(dú)立于人工智能使用范圍系數(shù)γz取值情況，技術(shù)沖擊發(fā)生之后勞動(dòng)收入份額下降的幅度均大于偏好沖擊下勞動(dòng)收入份額下降的幅度，換言之，技術(shù)沖擊對(duì)于勞動(dòng)收入份額的影響大于偏好沖擊的影響。

圖2 人工智能使用范圍與勞動(dòng)收入份額

結(jié)合圖1與圖2，可以認(rèn)為即使在短期人工智能發(fā)展也將導(dǎo)致勞動(dòng)收入份額下降，同時(shí)，比較圖1和圖2中勞動(dòng)收入份額的下降幅度可以發(fā)現(xiàn)，相同的外生沖擊下，人工智能投資效率參數(shù)μz提高1倍(比如取值從1至2)對(duì)勞動(dòng)收入份額的影響大于人工智能使用范圍參數(shù)γz提高1倍(比如取值從0.04到0.08)對(duì)勞動(dòng)收入份額的影響。這一發(fā)現(xiàn)與穩(wěn)態(tài)分析的結(jié)果基本一致：當(dāng)μz取值從1增加至2時(shí)，穩(wěn)態(tài)勞動(dòng)收入份額從0.3041下降至0.2961；而當(dāng)γz取值從0.04增加至0.08時(shí)，穩(wěn)態(tài)勞動(dòng)收入份額從0.3041下降至0.2998。顯然，μz取值改變對(duì)穩(wěn)態(tài)勞動(dòng)收入份額的影響大于γz取值改變對(duì)穩(wěn)態(tài)勞動(dòng)收入份額的影響。

那么，為何偏好沖擊與技術(shù)沖擊均引起勞動(dòng)收入份額下降呢？首先，逆向偏好沖擊表明典型家庭對(duì)當(dāng)前消費(fèi)與未來消費(fèi)之間更傾向于未來消費(fèi)，相當(dāng)于總需求下降，因而偏好沖擊必然降低就業(yè)、實(shí)際工資和產(chǎn)出。不過，由于產(chǎn)出下降的幅度小于就業(yè)的幅度，進(jìn)而必然導(dǎo)致勞動(dòng)收入份額下降。第二，積極的技術(shù)沖擊意味著勞動(dòng)生產(chǎn)率提高，同樣的產(chǎn)出需要投入的勞動(dòng)力減少，勞動(dòng)力需求減少導(dǎo)致就業(yè)與實(shí)際工資下降。與就業(yè)、實(shí)際工資變化方向相反，技術(shù)進(jìn)步提高了勞動(dòng)生產(chǎn)率進(jìn)而引起產(chǎn)出增加，依據(jù)勞動(dòng)收入份額的定義可知，技術(shù)進(jìn)步必然導(dǎo)致勞動(dòng)收入份額下降。另一個(gè)與之相關(guān)的問題是，無論是哪一類型外生沖擊，為何人工智能發(fā)展引致勞動(dòng)收入份額下降呢？原因在于，無論是人工智能投資效率提高(即μz取值增大)還是人工智能使用范圍擴(kuò)大(即γz取值增大)，均引致勞動(dòng)力需求減少和勞動(dòng)生產(chǎn)率提高，勞動(dòng)力需求減少直接導(dǎo)致實(shí)際工資降低。依據(jù)勞動(dòng)收入份額的定義可知，勞動(dòng)收入份額必然隨著人工智能發(fā)展而下降。更重要的是，人工智能發(fā)展程度越高，勞動(dòng)生產(chǎn)率水平越高，盡管實(shí)際工資由于勞動(dòng)生產(chǎn)率水平的提高而上升，但勞動(dòng)生產(chǎn)率提高的速度快于實(shí)際工資的變化，因而勞動(dòng)收入份額依然會(huì)下降。

(三)人工智能發(fā)展與社會(huì)福利

(13)

依據(jù)方程(13)，表4分別給出了人工智能投資效率、人工智能使用范圍對(duì)社會(huì)福利的影響。表4上半部分給出的是人工智能投資效率對(duì)社會(huì)福利的影響，從中可以發(fā)現(xiàn)：(1)當(dāng)人工智能投資效率參數(shù)μz取值為0時(shí)，偏好沖擊下消費(fèi)和就業(yè)的方差分別為0.0259和0.0174；當(dāng)人工智能投資效率參數(shù)μz取值為1時(shí)，消費(fèi)的方差近似等于(實(shí)際值大于)0.0259，就業(yè)的方差為0.0175。這表明當(dāng)人工智能投資效率參數(shù)由0提高至1，消費(fèi)和就業(yè)的波動(dòng)性變大。技術(shù)沖擊的情況與偏好沖擊類似。當(dāng)μz取值為0時(shí)，消費(fèi)與就業(yè)的方差分別為0.0225和0.1128；而當(dāng)μz取值為1時(shí)，消費(fèi)的方差近似等于(實(shí)際值大于)0.0225，就業(yè)的方差為0.1145，同樣大于μz取值為0 的情形。因此，無論是偏好沖擊還是技術(shù)沖擊，人工智能投資效率參數(shù)由0提高至1 ，消費(fèi)和就業(yè)均表現(xiàn)出更大的波動(dòng)性。(2)當(dāng)人工智能投資效率μz取值為2時(shí)，偏好沖擊下消費(fèi)和就業(yè)的方差分別為0.0221和0.0131，小于μz取值為0和1時(shí)的情形；類似的，技術(shù)沖擊下消費(fèi)與就業(yè)的波動(dòng)性分別為0.0028和0.0403，同樣小于μz取值為0和1時(shí)的情形。因此，當(dāng)人工智能投資效率μz的取值從1增加至2時(shí)，消費(fèi)和就業(yè)的波動(dòng)性下降。(3)從社會(huì)福利損失的角度，人工智能投資效率μz取值為0時(shí)，偏好沖擊與技術(shù)沖擊的社會(huì)福利損失分別為0.0352和0.0831；μz取值為1時(shí)，偏好沖擊的社會(huì)福利損失近似等于(實(shí)際值大于)0.0352，技術(shù)沖擊的社會(huì)福利損失近似等于(實(shí)際值大于)0.0831；μz取值為2時(shí)，偏好沖擊的社會(huì)福利損失分別為0.0289和0.0238，顯然，μz的取值由0增加至1時(shí)，無論是偏好沖擊還是技術(shù)沖擊，社會(huì)福利損失均增加；當(dāng)μz的取值由1增加至2時(shí)，無論是偏好沖擊還是技術(shù)沖擊，社會(huì)福利損失均降低。

表4 人工智能發(fā)展與社會(huì)福利

表4下半部分顯示的是人工智能使用范圍參數(shù)γz對(duì)社會(huì)福利的影響。基于表4可以發(fā)現(xiàn)：(1)人工智能使用范圍參數(shù)γz取值為0時(shí)，消費(fèi)與就業(yè)的方差分別為0.0259和0.0174；當(dāng)γz取值為0.04時(shí)，消費(fèi)的方差近似等于(實(shí)際值大于)0.0259，就業(yè)的方差近似等于(實(shí)際值大于)0.0175。因此，當(dāng)人工智能的使用范圍參數(shù)γz的取值由0增加至0.04時(shí)，消費(fèi)與就業(yè)的波動(dòng)性增加。(2)人工智能使用范圍參數(shù)γz取值為0.08時(shí)，偏好沖擊下消費(fèi)與就業(yè)的方差分別為0.0258和0.0171，技術(shù)沖擊下消費(fèi)與就業(yè)的方差分別為0.0223和0.0224，均小于γz取值為0和0.04時(shí)二者的方差。(3)從社會(huì)福利損失的估算結(jié)果看，γz取值為0時(shí)，偏好沖擊和技術(shù)沖擊各自引致的社會(huì)福利損失分別為0.0353和0.0846；γz取值為0.04時(shí)，偏好沖擊和技術(shù)沖擊各自引致的社會(huì)福利損失分別近似等于(實(shí)際值大于)0.0353和0.0831；γz取值為0.08時(shí)，偏好沖擊和技術(shù)沖擊各自引致的社會(huì)福利損失分別為0.0348和0.0338。因此，當(dāng)人工智能使用范圍參數(shù)由0增加至0.04，無論是偏好沖擊還是技術(shù)沖擊，社會(huì)福利損失將增加；當(dāng)人工智能使用范圍參數(shù)由0.04增加至0.08，偏好沖擊與技術(shù)沖擊引致的社會(huì)福利損失將減少。

綜合表4的結(jié)果可以認(rèn)為，人工智能發(fā)展對(duì)于社會(huì)福利的影響并不具有線性特征。依據(jù)Stevenson(2019)[2]8、Acemoglu和Restrepo(2018)[7]10關(guān)于人工智能發(fā)展階段的劃分可以認(rèn)為，人工智能發(fā)展對(duì)于社會(huì)福利的影響具有階段依存特征：在人工智能發(fā)展初級(jí)階段，比如人工智能投資效率參數(shù)μz取值從0至1、人工智能使用范圍參數(shù)γz取值從0至0.04(分別代表著人工智能投資效率相對(duì)較低、人工智能使用范圍較小的發(fā)展階段)，人工智能發(fā)展加劇了消費(fèi)和就業(yè)等宏觀經(jīng)濟(jì)變量波動(dòng)，并導(dǎo)致了社會(huì)福利的惡化；在人工智能發(fā)展較高級(jí)階段，比如人工智能投資效率參數(shù)μz取值從1至2、人工智能使用范圍參數(shù)γz取值從0.04至0.08(分別代表著人工智能投資效率相對(duì)較高、人工智能使用范圍較廣的發(fā)展階段)，人工智能發(fā)展降低了消費(fèi)和就業(yè)等宏觀經(jīng)濟(jì)變量的波動(dòng)，進(jìn)而實(shí)現(xiàn)了社會(huì)福利的改進(jìn)。

五、結(jié)論

結(jié)合人工智能快速發(fā)展的現(xiàn)實(shí)，構(gòu)建包含人工智能的動(dòng)態(tài)隨機(jī)一般均衡模型，并使用穩(wěn)態(tài)分析、短期分析以及福利分析方法，考察人工智能發(fā)展對(duì)勞動(dòng)收入份額以及社會(huì)福利的影響，得到如下研究結(jié)論：(1)穩(wěn)態(tài)分析的結(jié)果顯示，人工智能投資效率提高和人工智能使用范圍擴(kuò)大均引起產(chǎn)出增加、勞動(dòng)生產(chǎn)率提高以及就業(yè)減少。不過，人工智能發(fā)展對(duì)實(shí)際工資以及消費(fèi)的影響具有階段依存特征。同時(shí)，人工智能投資效率提高和人工智能使用范圍擴(kuò)大均引起勞動(dòng)收入份額下降。(2)短期分析的結(jié)果顯示，無論人工智能發(fā)展如何，逆向偏好沖擊和擴(kuò)張性技術(shù)沖擊均引起勞動(dòng)收入份額下降，并且技術(shù)沖擊對(duì)勞動(dòng)收入份額的影響大于偏好沖擊。隨著人工智能的發(fā)展，人工智能投資效率越高，或者人工智能使用范圍越廣，勞動(dòng)收入份額下降的幅度越大。(3)福利分析的結(jié)果表明，人工智能發(fā)展對(duì)于社會(huì)福利的影響與人工智能的發(fā)展階段密切相關(guān)。在人工智能發(fā)展的初級(jí)階段，無論是人工智能投資效率提高，還是人工智能使用范圍擴(kuò)大，均會(huì)導(dǎo)致社會(huì)福利的惡化。在人工智能發(fā)展的較高級(jí)階段，無論是人工智能投資效率提高，還是人工智能使用范圍擴(kuò)大，均會(huì)引起社會(huì)福利的改進(jìn)。

本文嘗試將對(duì)人工具有替代特征的人工智能資本引入模型框架，并基于這一框架分析了人工智能發(fā)展對(duì)勞動(dòng)收入份額及社會(huì)福利的影響。作為嘗試，本文仍存在一些可以深入研究之處：(1)在本文的模型中，企業(yè)使用人工智能決策并非內(nèi)生決定，而是看做一個(gè)必然選擇。這一做法可以簡(jiǎn)化分析過程及難度，但忽略了人工智能發(fā)展過程中企業(yè)的決策選擇。一個(gè)可行的做法是借鑒勞動(dòng)力市場(chǎng)搜尋與匹配方法，考慮企業(yè)在使用人工智能決策時(shí)的成本和收益，完整地分析人工智能作為生產(chǎn)投入的最優(yōu)決策過程。這一方面的研究可以參考Petrosky-Nadeau和Wasmer(2017)[24]等關(guān)于資本市場(chǎng)搜尋與匹配的分析思路。(2)本文盡管分析了人工智能發(fā)展的宏觀經(jīng)濟(jì)影響，但并未對(duì)人工智能時(shí)代的財(cái)政政策或者貨幣政策進(jìn)行考察，因此，一個(gè)可行的拓展是基于本文的分析框架考察人工智能發(fā)展背景下實(shí)現(xiàn)宏觀經(jīng)濟(jì)穩(wěn)定的財(cái)政與貨幣政策設(shè)計(jì)。(3)本文主要采用的是數(shù)值模擬方法考察人工智能發(fā)展對(duì)勞動(dòng)收入份額以及社會(huì)福利的影響，并未使用相關(guān)宏觀數(shù)據(jù)或者微觀調(diào)查數(shù)據(jù)，因此，另一個(gè)可行的方向是使用人工智能發(fā)展方面的相關(guān)數(shù)據(jù)進(jìn)行參數(shù)估計(jì)或?qū)?yīng)的經(jīng)驗(yàn)研究(1)余玲錚等(2019)[25]使用微觀企業(yè)調(diào)查數(shù)據(jù)考察了人工智能發(fā)展對(duì)勞動(dòng)者收入的影響。。(4)本文并未分析人工智能發(fā)展對(duì)財(cái)政政策與貨幣政策傳導(dǎo)機(jī)制產(chǎn)生的影響，關(guān)于這一方面的研究，可以參考陳利鋒和鐘玉婷(2020)[16]以及韓民春和韓青江(2020)[26]的相關(guān)研究。