鄭玉艷 鞏師恩

摘 要：勞動收入份額是收入分配領(lǐng)域的重要內(nèi)容，探索人工智能對勞動收入份額的影響具有重要意義。本文使用系統(tǒng)GMM方法，以2016—2020年591家人工智能企業(yè)動態(tài)面板數(shù)據(jù)為研究樣本，從實證上驗證了人工智能對智能企業(yè)勞動收入份額的影響，同時基于分位數(shù)回歸法檢驗人工智能對勞動收入份額影響的邊際效應(yīng)。結(jié)果發(fā)現(xiàn)，人工智能對勞動收入份額的影響先波動降低到70%分位點(diǎn)處，達(dá)到最低值后開始呈現(xiàn)上升趨勢，本文結(jié)論對解釋我國勞動收入份額偏低這一事實提供了一定的經(jīng)驗證據(jù)。

關(guān)鍵詞：人工智能；系統(tǒng)GMM；分位數(shù)回歸；邊際效應(yīng)；勞動收入份額

本文索引：鄭玉艷，鞏師恩.<變量 2>[J].中國商論，2023（08）：-143.

中圖分類號：F062.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2096-0298（2023）04（b）--05

隨著我國經(jīng)濟(jì)實力的顯著提高，收入分配狀況明顯改善。黨的二十大報告在完善收入分配方面首次提出，“規(guī)范收入分配秩序，規(guī)范財富積累機(jī)制”。黨的十九屆五中全會明確要求，“扎實推動共同富?！?，而促進(jìn)共同富裕的手段之一是再分配問題。與此同時，2017年7月國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》；同年12月，工信部印發(fā)了《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018—2020年）》。人工智能作為推動經(jīng)濟(jì)發(fā)展的核心力量，在共同富裕背景下，對縮小財富分配差距進(jìn)而增強(qiáng)收入分配公平性具有重要意義。

現(xiàn)有關(guān)于人工智能與勞動收入份額的研究多集中在勞動生產(chǎn)率（惠煒，2022）、人口結(jié)構(gòu)轉(zhuǎn)型（蘆婷婷等，2022）和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級視角（郭凱明，2019）。本文主要的邊際貢獻(xiàn)在于：以2016—2020年我國上市人工智能企業(yè)微觀數(shù)據(jù)為基礎(chǔ)，采用人工智能有效專利數(shù)，在系統(tǒng)GMM方法下檢驗人工智能對企業(yè)勞動收入份額的影響，在分位數(shù)方法上進(jìn)一步驗證人工智能對企業(yè)勞動收入份額的邊際抑制效應(yīng)，該結(jié)論為解釋我國勞動收入份額偏低現(xiàn)象提供了一定的經(jīng)驗證據(jù)。

1 實證設(shè)計

1.1 實證模型構(gòu)建

為了分析人工智能對企業(yè)勞動收入份額變動的影響，本文選用動態(tài)面板模型及系統(tǒng)GMM方法對其進(jìn)行檢驗，可以有效解決模型的內(nèi)生性問題。

其中，表示人工智能企業(yè)的勞動收入份額；表示企業(yè)的人工智能水平；表示一組影響勞動收入份額的控制變量；和分別表示地區(qū)效應(yīng)和時間效應(yīng)；為隨機(jī)誤差項。

構(gòu)建分位數(shù)回歸模型如下：

其中，表示分位數(shù)，其他參數(shù)的含義與模型（1）相同。

1.2 樣本選擇與主要變量測度

首先，本文選取2016—2020年我國上市人工智能企業(yè)相關(guān)數(shù)據(jù)作為研究樣本，利用大智慧軟件，從企業(yè)主營業(yè)務(wù)入手，確定我國上市人工智能企業(yè)名單。其次，本文基于研發(fā)角度，在國家知識產(chǎn)權(quán)局專利數(shù)據(jù)庫中檢索樣本公司名單，收集相應(yīng)企業(yè)的人工智能有效專利信息數(shù)量。最后，人工智能企業(yè)財務(wù)數(shù)據(jù)來源于國泰安數(shù)據(jù)庫，其余變量員工教育程度來源于Wind資訊金融數(shù)據(jù)庫。

本文的被解釋變量為勞動收入份額，采用白重恩等（2008）的處理方法，計算企業(yè)勞動收入份額：勞動收入份額=支付給職工及為職工支付的現(xiàn)金/（營業(yè)利潤+固定資產(chǎn)折舊+支付給職工及為職工支付的現(xiàn)金）。另外，借鑒王雄元、黃玉菁等（2017）的方法，勞動收入份額=職工薪酬總額占營業(yè)總收入比例做穩(wěn)健性檢驗。本文的核心解釋變量為，通過檢索國家知識產(chǎn)權(quán)局專利數(shù)據(jù)庫中的企業(yè)人工智能有效專利數(shù)量來表示企業(yè)的人工智能應(yīng)用水平（王澤宇，2020）。穩(wěn)健性方法則采用年報文本分析的方法進(jìn)行測算。本文利用國泰安和萬得數(shù)據(jù)庫，共生成2016—2020年591家企業(yè)非平衡面板數(shù)據(jù)。

1.3 描述性統(tǒng)計分析與相關(guān)性分析

1.3.1 描述性統(tǒng)計分析

表1報告了所有變量的描述性統(tǒng)計特征。

1.3.2 相關(guān)性分析

本文使用Matlab軟件對2016—2020年全國112家人工智能企業(yè)的勞動收入份額進(jìn)行核密度估計，如圖1所示。總體來看，勞動收入份額的密度分布曲線隨著年份的變化先右移后左移，勞動收入份額呈先上升后下降的趨勢，說明人工智能企業(yè)的勞動收入份額隨時間的變化呈現(xiàn)出不同的變化特征。

2 實證結(jié)果與分析

2.1 基準(zhǔn)回歸結(jié)果與分析

表2報告了人工智能對企業(yè)勞動收入份額的影響回歸結(jié)果。列（1）為OLS回歸結(jié)果，同時在列（2）加入了時間、地區(qū)控制變量，列（3）為系統(tǒng)GMM估計結(jié)果。本文在回歸過程中采用企業(yè)層面的聚類穩(wěn)健標(biāo)準(zhǔn)誤進(jìn)行相關(guān)分析。結(jié)果表明：人工智能對企業(yè)勞動收入份額具有顯著的負(fù)向影響，系統(tǒng)GMM回歸結(jié)果與OLS回歸雖然存在數(shù)值及顯著性上的差別，但人工智能對企業(yè)勞動收入份額具有負(fù)向影響的結(jié)論依然成立。控制變量回歸結(jié)果顯示，企業(yè)資本生產(chǎn)率、員工工資水平、教育水平有助于提高企業(yè)勞動收入份額；相反，企業(yè)規(guī)模、企業(yè)市場勢力、資本收益率、有機(jī)構(gòu)成越高，企業(yè)勞動收入份額越低，實證結(jié)果符合經(jīng)濟(jì)現(xiàn)實。

在系統(tǒng)GMM回歸的基礎(chǔ)上，本文進(jìn)行了擾動項自相關(guān)檢驗，AR（1）=0.001，AR（2）=0.714，符合系統(tǒng)GMM回歸法使用的前提條件。工具變量的過度識別檢驗Hansen的P值為0.297，接受了原工具變量具有有效性的假設(shè)，說明本文所選工具變量具有一定的合理性。

2.2 分位數(shù)回歸結(jié)果與分析

前述基礎(chǔ)分析顯示，人工智能對企業(yè)勞動收入份額具有顯著的抑制作用，為了刻畫人工智能在勞動收入份額變動中邊際效應(yīng)的動態(tài)演化軌跡，本文借鑒李樂樂、杜天天（2021）的研究，采用bootstrap方法對勞動收入份額進(jìn)行分位數(shù)回歸。表3給出了人工智能企業(yè)勞動收入份額在第20%、40%、60%和80%分位點(diǎn)處的回歸結(jié)果。

由表3可以看出，在所有分位數(shù)上，人工智能的估計系數(shù)均為負(fù)，且系數(shù)的絕對值呈現(xiàn)先遞增后遞減的趨勢，說明其邊際抑制效應(yīng)在不同的勞動收入份額分位點(diǎn)處具有不同的影響。具體表現(xiàn)為，人工智能的估計系數(shù)從0.20分位數(shù)上的-0.00366下降到0.60分位數(shù)上的-0.00683，繼而上升到0.80分位數(shù)上的-0.00522。對其解釋為，隨著勞動收入份額水平的提升，人工智能的替代效應(yīng)得以釋放，直到勞動收入份額水平提升到一定程度，就業(yè)創(chuàng)造效應(yīng)開始顯現(xiàn)，并逐漸超越替代效應(yīng)，對勞動收入份額的負(fù)向影響減弱。

從控制變量的估計結(jié)果來看，在全部分位數(shù)上，員工教育水平、資本產(chǎn)出比和工資水平對勞動收入份額的影響顯著為正，即對勞動收入份額具有提升作用；企業(yè)規(guī)模、價格加成、資產(chǎn)收益率及資本有機(jī)構(gòu)成對勞動收入份額的影響顯著為負(fù)，即對勞動收入份額具有抑制作用。值得注意的是，員工教育水平的估計系數(shù)始終為正，且隨著分位數(shù)的增加逐漸提高，從0.20分位數(shù)上的0.0232提高至0.80分位數(shù)上的0.0488，表明員工教育水平對勞動收入份額具有顯著的促進(jìn)作用。就顯著性而言，系數(shù)在0.20分位數(shù)上不顯著，0.40分位數(shù)和0.60分位數(shù)上的系數(shù)在10%的水平上顯著，0.80分位數(shù)上的系數(shù)則在1%的水平上顯著，意味著隨著勞動力教育水平的提升，人工智能對勞動收入份額的促進(jìn)作用越來越顯著。工資水平的估計系數(shù)在所有分位數(shù)上顯著為正，且呈逐漸上升趨勢，表明勞動力工資水平的提升有助于勞動收入份額的提高。資本產(chǎn)出的估計系數(shù)在所有分位數(shù)上顯著為正，總體呈波動下降趨勢，對勞動收入份額的正向影響逐漸減弱；企業(yè)規(guī)模和價格加成的估計系數(shù)絕對值不斷增加，對勞動收入份額的負(fù)向影響逐漸加強(qiáng)；資產(chǎn)收益率及資本有機(jī)構(gòu)成對勞動收入份額的負(fù)向影響逐漸減弱。實證結(jié)果符合經(jīng)濟(jì)現(xiàn)實。

另外，本文展示了不同解釋變量影響勞動收入份額增長的分位數(shù)回歸變化趨勢，如圖2所示，人工智能對勞動收入份額具有負(fù)向影響，總體上呈先降低后升高的變化特征。具體表現(xiàn)為，人工智能對總份額的影響先波動降低到70%分位點(diǎn)處，達(dá)到最低值后呈現(xiàn)上升趨勢，控制變量的變化趨勢符合上述分析。

3 穩(wěn)健性檢驗

本部分分別替代核心解釋變量、被解釋變量及對各變量進(jìn)行縮尾處理后進(jìn)行穩(wěn)健性檢驗，回歸結(jié)果如表4所示。從表4的第一列來看，人工智能的估計系數(shù)在5%的水平上顯著為負(fù)，F(xiàn)值為84.9709，且在1%的水平上顯著。表4的第二列采用年報文本分析方法對核心解釋變量進(jìn)行替換，結(jié)果顯示，人工智能的估計系數(shù)為-0.0079，略大于基準(zhǔn)回歸的系數(shù)-0.0051。表4的第三列對所有連續(xù)變量統(tǒng)一進(jìn)行5%的Winsorize雙側(cè)縮尾處理后重新進(jìn)行回歸。穩(wěn)健性檢驗結(jié)果顯示，人工智能及絕大部分控制變量在系數(shù)符號及統(tǒng)計顯著性上均與表2一致，表明所得的回歸結(jié)果是穩(wěn)健的。

4 結(jié)語

本文基于2016—2020年我國上市人工智能企業(yè)微觀面板數(shù)據(jù)，在實證的基礎(chǔ)上考察人工智能對企業(yè)勞動收入份額的影響，檢驗了人工智能對勞動收入份額影響的邊際效應(yīng)。本文的主要發(fā)現(xiàn)包括：一是人工智能對企業(yè)勞動收入份額具有顯著的負(fù)向影響；二是從勞動收入份額的邊際效應(yīng)來看，人工智能在不同分位點(diǎn)對勞動收入份額的影響存在明顯變化，先波動降低到70%分位點(diǎn)處，達(dá)到最低值后呈現(xiàn)上升趨勢。從邊際效應(yīng)的角度來看，隨著就業(yè)創(chuàng)造效應(yīng)的釋放，人工智能的替代效應(yīng)隨著勞動收入份額水平的提升而降低，所以不必過于擔(dān)心人工智能對勞動收入份額的負(fù)向影響。本研究結(jié)論對解釋我國勞動收入份額偏低事實具有一定的意義。

參考文獻(xiàn)

惠煒.人工智能與勞動收入份額：來自中國城市數(shù)據(jù)的經(jīng)驗證據(jù)[J].北京工業(yè)大學(xué)學(xué)報（社會科學(xué)版），2022，22（6）：99-112.

蘆婷婷，祝志勇，劉暢暢.人工智能、人口結(jié)構(gòu)轉(zhuǎn)型與勞動收入份額變化[J].廣東財經(jīng)大學(xué)學(xué)報，2022，37（4）：4-17.

郭凱明.人工智能發(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級與勞動收入份額變動[J].管理世界，2019，35（7）：60-77+202-203.

王澤宇.企業(yè)人工智能技術(shù)強(qiáng)度與內(nèi)部勞動力結(jié)構(gòu)轉(zhuǎn)化研究[J].經(jīng)濟(jì)學(xué)動態(tài)，2020（11）：67-83.

白重恩，錢震杰，武康平.中國工業(yè)部門要素分配份額決定因素研究[J].經(jīng)濟(jì)研究，2008（8）：16-28.

王雄元，黃玉菁.外商直接投資與上市公司職工勞動收入份額：趁火打劫抑或錦上添花[J].中國工業(yè)經(jīng)濟(jì)，2017（4）：135-154.

鈔小靜，周文慧.人工智能對勞動收入份額的影響研究：基于技能偏向性視角的理論闡釋與實證檢驗[J].經(jīng)濟(jì)與管理研究，2021，42（2）：82-94.

李樂樂，杜天天.人口年齡變化、醫(yī)療需求行為與醫(yī)療費(fèi)用增長：基于醫(yī)療保險結(jié)算數(shù)據(jù)的實證研究[J].當(dāng)代經(jīng)濟(jì)管理，2021，43（4）：72-80.