论人工智能技术对于收入分配差距的影响

曹景晟

摘 要：本文利用全球12个国家2002-2017年的面板数据，结合具体行业内工资水平现状分析，分析了人工智能自动化技术发展对于收入分配差距的传递机制，以对库兹涅兹经济增长的周期性理论进行验证。研究表明，人工智能具有短期内减少收入差距的作用，且兼具高效助推经济增长的生产力效应;但长期内替代效应的发挥及行业内技术垄断现象的逐步涌现会增大收入不平等，其总体变动规律与倒“U”型曲线相反。通过结构方程模型的构建进一步印证了智能化技术的直接助力需搭配各方面宏观政策的间接协作，方可完成各行业资源的合理配置及智能化技术与人力的完美对接。

关键词：人工智能;库兹涅兹曲线;收入分配

一、引言

近年来，人工智能高新技术的迅猛发展推动经济社会的各领域产生了重大变革，其所对应的技术进步带动了生产率的极大提高，引发了学术界新一轮的关注。自1956年约翰·麦卡锡等学者所组织的达特茅斯会议将人工智能（Artificial Intelligence，简称AI）这一术语引入，以此为源头而标志着人工智能学科的建立，从而展开对其实践意义的深入探究。根据麦卡锡的概念界定，人工智能化技术实为一项生产智能化机器，尤其指智能信息化程序的科学工程，其高效运用对于技术革命具备重大意义。聚焦近年来大数据的发展及蔓延、算法与硬件的进步，人工智能所带动的各行业的技术革新迈入了发展的新高潮。正如Brynjolfsson（2014）所提到，由人工智能自动化、数据化革命等引领的二次机器革命将实现前所未有的技术进步，论及广度或是深度都要超越以往任何一次科技革命，故其经济意义不可忽略。且学者Zeira（1998）较早明确关于人工智能技术进步对经济增长影响的探讨实为关于自动化技术革新对经济增长影响探究的延伸，在此基礎上Autor（2015）便提出设想，若自动化会引致部分劳动力变得多余，则当前核心经济问题将是分配而不是稀缺。而关于人工智能技术的收入分配效应的研究，Berg et al（2016）从要素占有份额出发，得出智能机器人成本降低及其产出提高会使资本相较于劳动的收入回报率升高，且不同技能水平劳动力替代程度不同也会促使收入进一步分化。Acemoglu & Restrepo（2016）为此将研究视角拉到宏观经济周期中去考虑，提出人工智能技术对于收入不平等的影响一方面在其所创造的新型任务岗位中得以弱化，另一方面在其所推动的不同经济发展阶段也呈现出不同特征。而国内学者任恒娜（2019）在对人工智能产业外延及内涵解析后，根据国内人工智能的态势分析，进一步提出国内人工智能技术尚属初级阶段，且与国际人工智能发展仍在衔接过程中，于是将人工智能发展及其产业化视角置于国际环境内是十分必要的，这对于国内智能化产业与国际接轨具备指导意义。基于此，我们引入Kuznets（1955）宏观经济周期性理论，其建立在技术推动传统产业向现代化产业过渡过程中，不同个体及不同经济活动周期性变动趋势的背景下，伴随经济增长收入差距表现出倒“U”型变化。以此为视角本文将展开相关实证分析来验证人工智能自动化背景下其收入分配变动是否仍满足此周期性变动趋势。此外引入结构方程模型来考察核心变量与结构性宏观控制变量对于被解释变量影响方式的不同，以对人工智能推动自动化变革的背景下所体现出的收入分配效应进行补充说明。

二、文献回顾

（一）关于人工智能的研究

近年来关于人工智能领域的理论研究取得突破性的进展。从人工智能的整个发展史出发，上世纪中叶，英国数学家图灵作为科技革命的先驱，使得一批科学家为人工智能这一学科的诞生提供了理论基础和实验工具。在1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批科学家在达茅斯会议上创立人工智能学科为标志，使得人工智能研究迈进了一个崭新的时代。其后以冯·诺伊曼等为代表的科学家们试图通过符号化编程实现人工智能。直至Bellman（1978）及Haugeland（1989）先后指明人工智能旨在创造一种像人类一样思考的机器。自此，“机器学习”的概念被引入，其作为人工智能的重要学科，却也是实现人工智能的首要方法（Taddy，2017），其使机器用算法来解析数据，并通过大量数据的学习找出实现任务的方法。国内学者钟义信（2004）结合相关专著确立了基于高等人工智能理论的科学观与方法论，建立了“基础意识-情感-理智”的系统模型，系统定义了现代人工智能技术的相关概念。另一方面，Agion P.et al（2017）在对人工智能的经济数理模型的构建中，首次明确了人工智能的技术发展实为一种高端的自动化技术革命。进而导致在人工智能化程度的相关测度领域，以Camerer C.F.（2017）为首的一大批行为经济学家与统计学家为使相关指标与效用测度方便，将“人工智能”与“机器学习”这两个概念视作等价，以便分析人工智能自动化的相关经济效应。

（二）关于收入分配问题的研究

收入分配差距问题的引出主要可以追溯到Karl Marx在《资本论》中的理论概述，其首先从要素市场中出发，提出由于劳动被资本所替代而出现的大量“闲置人口”，进而使得贫困率上升。随后在传统技术革命下的所诞生的Kuznets（1955）经济周期下的倒“U”型曲线，则进一步深化了关于经济增长背景下的资本积累及收入不平等的变化趋势的认识。以此为基础衍生出大量对于收入不平等影响因素的探讨。其中，Lars Ljungqvist（1993）首次明确了收入分配格局形成中人力资本的重要作用，现期教育投入的增加所带来的远期回报，若不足以弥补现期消费的减少，则会产生阶层性收入差距。国内学者姜艳凤等（2019）由此指出，一国消化及吸收高端技术的能力主要受该国内部人力资本水平的直接影响，且在此基础上明确了人力资本的投入是我国跨越中等收入陷阱的关键因素，如何完成人力资本与技术水平的匹配是最首要考虑的问题。另外，在资本主义社会由于存在经济增长率被资本回报率所超越的现象，进而产生的收入差距拉大，经济增长进程中的收入不平等得以弱化的倒“U”型变化趋势便会得不到满足（Thomas Piketty，2014）。所以引出对不同政策及制度结构背景下收入分配问题的若干研究。李实（1998）及程永宏（2007）先后将我国现阶段基尼系数增大的原因归结于要素分配合法性落实、刺激竞争等相关政策性制度变迁等举措。进而程强（2019）通过SEM结构方程模型对全球不同国家收入分配及市场状况进行实证分析，得出在由完善的经济制度及结构性因素推动的经济发展水平，将有利于缩小收入不平等。这其中不可忽略的是，学者Acemoglu（2015）在从制度变迁的内生性去分析收入不平等的决定因素时，他提到相关经济制度、政策性变量以及社会权力阶层的分配并非是助成收入分配格局的直接因素，而或是通过税收、薪酬水平及技术发展水平等若干因素再而影响到收入不平等。

（三）关于人工智能技术的收入分配效应研究

人工智能技术的飞速发展影响着经济社会的各个层面，理所当然也波及到了经济学领域。Aghion（2017）首先从自动化的视角入手，提出自动化的程度的提高将引致生产率的增长速度加快及经济中的资本回报份额提高并引发经济高速增长，与此带来的收入分配效应也甚为明显。他所认为的智能化技术应用背景下“技术偏向型”增长模式，会令高技能工人获益，而让低技能的工人受损，伴随着劳动力替代效应的发挥，导致分配不均。沿此方向发展，Lankisch et al（2017）将自动化引入模型发现自动化引出技能溢出效应，加剧了收入不平等，但Acemoglu & Restrepo（2017b）在前期研究成果上进一步拓展，在模型中引入低技能自动化与高技能自动化，发现人工智能的收入分配效应并不明确，低技能的自动化加剧收入不平等，而高技能的自动化会降低收入不平等。另一方面，从资本与劳动要素市场的角度分析，Hanson（2001）、Benzell（2015）与DeCanio（2016）先后提出理论，由于经济社会资本分布尤为不均，人工智能作为一项资本密集型产业，会促进生产过程中资本要素回报份额的相对提升，由此产生过高资本报酬加剧了收入分化。此外Hanson（2001）运用经济增长模型证明，工人的劳动报酬足够的条件下，经济增长的速度会决定其工资增长速度，收入不均出现与否在于资本所有者是否获得更多的劳动报酬。Brynjolfsson et al（2017）又对此理论提出另一方向的思考，自动化除了擠压普通资本与廉价劳动力，也会使财富流向那些具备创新优势和市场规模的商业群体，从而可能引发地区垄断，加剧收入不平等。国内学者姚伟（2018）则对上述两方面提出总结性的论断，认为人工智能引致的自动化技术实为科技及资本强者独占收益的工具，把控人工智能的资本和科技寡头垄断一系列生产及市场要素，造成了赢家通吃的状况。而从就业结构考虑，现代理论模型强调自动化兼具补充人力的补充作用与替代人力的替代作用，Acemoglu & Restrepo（2016）在此基础上假设劳动力富有弹性并代入任务模型，得出自动化降低传统任务就业的同时，新任务的增加产生了促进就业的趋势，反而缓和了劳动市场的收入不均问题。进而Dauth et al（2017）运用近几年德国的IFR机器人产业报告数据发现，机器人虽减少了制造业的就业，但却增加了服务业的就业。鲍春雷（2017）从此角度切入提出智能化行业将引导国家相关教育政策的偏移，短期内促进人们知识技术能力的提升，解放了传统就业劳动者的同时增加了其专事创造性工作的机会，在一定程度上则会缓和收入不平等。

三、理论探究及研究假设

（一）理论探究

综合当今学术界对于人工智能技术发展的收入分配效应的探究，我们从四方面对其整体理论框架进行分析。其一，Kuznets（1955）经济增长的周期性理论中曾着重强调由技术创新所引起的结构性收入差距，有学者将其阐释为优先现代化企业的“领跑”力量及传统部门的“追赶”力量（邵红伟，2016），以此进一步明确短期的技术创新及长期的技术扩散都存在助推经济增长的效用。基于这种技术引入及扩散所导致的经济周期性波动现象的存在，我们用生产力效应来定义人工智能所推动的技术进步背景下，生产率推动经济周期性增长，进而波及收入分配领域这一效果的发挥。其二，人工智能技术发展与传统技术革命一样，都会引发大量新型任务被开发。且由于技术偏向性效用的存在，导致了部分技能劳动力被替代，我们将其定义为替代效应。二者协同使得市场相关资源进一步集中，从而产生了技术垄断问题，并对收入不平等进一步影响（杜传忠，胡俊，2019）。其三，人工智能化变革所带来的行业间生产方式的转变，其产生的技能溢价造成了自动化行业中人力使用的减少进而增加了资本回报份额;与此同时，大批非自动化行业成本上升，由于 “鲍莫尔成本病”问题（Aghion et al，2017）的存在，削弱了资本回报率。二者在要素市场上对收入分化起到作用。其四，不可忽略的是非自动化行业中存在劳动密集型产业向资本密集型甚至技术密集型产业转型升级，且造成了相关人力资源向自动化所衍生的大量新型任务进行配置。伴随刚刚所提到的替代效应的发挥，共同对从就业结构分析的收入分配问题作出解释。综上，从人工智能自动化技术革命出发，历经四条基本脉络来对最终的社会整体收入差距进行理论诠释。其总体传导机制可由图1表示。另外涉及到收入分配的类别区分，其中包括了功能性收入分配与规模性收入分配，二者有着紧密且互为补充的关系，我们利用功能性收入分配理论对自动化与收入分配不平等的关系奠定了理论基础，但为了更直观的的量化国际民生与收入不均问题，规模性收入分配的引入则更具优势（胡怀国，2013）。基于此，本文利用2002—2017年全球12个国家的面板数据及相关前沿资料，系统考察全球性人工智能技术革命与收入分配差距之间的关系，以对上述理论分析进行验证。

图一 人工智能技术变革与收入分配差距

（二）研究假设

根据上述理论分析，本文提出如下研究假设：

首先，人工智能直接带动相关自动化技术跨越式发展，对经济发展产生直接推力。且结合要素配比与就业市场的资源整合，又涉及到人工智能化技术的普及应用存在一定时滞。整体而言会对经济增长产生周期性的影响。搭配理论界对技术替代效应及生产力效应的类比，从而建立假设1：其他条件不变的情况下，人工智能自动化技术发展对生产力存在短期直接拉动，其所对经济增长的助推效应此时要超过技术替代带来的资源失衡。其对收入分配的影响随经济周期应呈正“U”变化。

其次，结合传统技术革命条件下，其引致的人力资本水平的缓慢跃升及地区内技术垄断势力的积聚形成，建立理论假设2：人工智能技术长期来看会使人力资源向技术型企业倾斜，从而诞生技术垄断性企业，加剧收入分化;但整体技术型人力资本水平的上升会减弱此等趋势。

最后，结合任何技术本身对现有不同收入阶层的冲击，以及若干宏观经济变量的相关收入分配效应，有必要对其影响收入分化的方式进行探讨。进而建立假设3：人工智能技术所代表的核心变量对于收入差距具备直接作用，而经济结构性变量对于收入分化存在潜在的间接影响。

四、计量模型与相关指标选取

（一）计量模型设定

为了考察全球化人工智能技术发展与收入分配之间的关系，同时考察自动化推动的经济发展中，蕴含其中的各国政策导向的教育人力资本作用，以及验证Kuznets（1955）关于经济增长与收入分配的倒U型假说，遵照Anneli Kaasa（2005）宏观性分析及陈志刚（2016）变量选取的相关做法，计量回归模型形式如下：

[Gini=β0+β1?lnAJit+β2?lnrpctit+β3?lngit+β4?lng2it+β5?lnHit+γCVit+μit]                   （1）

式（1）中，下标i和t分别表示某国i第t年的相关指标。本部分的样本是由2002—2017年全球12个国家（美国、加拿大、中国、俄罗斯、韩国、日本、新加披、英国、德国、法国、意大利和巴西）的上述各项指标组成的面板数据。若模型中待检验变量的系数[β3>0]， [β4<0]，则Kuznets（1955）倒U型假说即为成立。

（二）指标选取

Gini：收入分配差距指标。由于学术界对其在描述状态分布不均等方面的优良性质进行了广泛论证（周晓桂，2019），故用其作为被解释变量以代表国际不同国家与地区的收入差距相对贴切。基尼系数值越大，便说明经济社会整体收入分配的不平等程度越高。

AJ：人工智能技术发展水平指标。鉴于人工智能这一新兴产业未出现市场集群化经营或占据一定主导性地位，并且与之产生的数据可得性问题，本部分决定将实证研究重点集中在人工智能中最具代表性的领域。而搜集现有国际上关于人工智能经济效应的实证文献，大都广泛采用工业智能机器人相关指标以刻画衍生的就业及收入等经济问题（Acemoglu & Restrepo，2017a）。学者Dauth et al（2017）对其概念作进一步阐释，工业智能机器人初始为一种面向工业并依靠自身动能及智控能力来完成各项机械任务的自动化机器。而伴随21世纪信息技术革命的到来，现代化工业智能机器人与人工智能技术便实现了紧密结合，各种感知能力的提升和整体于操作任务环境中的自适应性的进步更使得自动化技术在各产业的应用愈加广泛和彻底。考虑到本文的数据时间跨度以及当前国际学术界对其代表性的认可，故采取工业智能机器人销量代表当前人工智能技术发展水平指标。

为了确保实证结果的可靠性，在接下来的实证回归分析中引入工业智能机器人的产业投融资额AJ1替换上述核心变量，以对相关实证结果所具有的稳健性进行验证。

rpct：企业技术垄断水平指标。由经济学理论，经济利润的高低与企业的市场力量密切相关，而人工智能所导致的高新技术垄断必将导致地区内占据高市场份额的企业获得巨额利润，加剧收入分化（Autor，De loecker，2017）。基于技术垄断性水平差异对收入分配的显著影响（曾小春、王金龙，2012），本文采取国际PCT专利申请数量国际占比来表示一个国家内部相关企业的市场技术垄断水平，由于PCT专利申请是由国际认证以代表国家整体产业的自主创新能力，且技术专利多被地区内相关主导企业牢牢把持（曾繁华等，2013），故对技术垄断具有广泛意义上的代表性。

G：经济增长指标。由于国际学者通常利用人均实际GDP来衡量一国经济发展水平，并用其評定经济社会总体发展的阶段性特征（Deininger and Squire，1998;Barro，2000），本部分也决定采用该指标。而在实证分析中，为消除时间序列数据的异方差特征对实证结果的影响，对人均实际GDP冠以自然对数形式Ln的基本形式。而关注到非线性关系可能存在于经济发展水平与收人分配之间，故我们在回归模型中将人均实际GDP自然对数的二次项引入，用以验证Kuznets假说在各国成立与否。若人均实际GDP自然对数平方的回归系数小于0且变量显著，则倒U型假说成立。

H：教育人力资本水平。教育人力资本是由人工智能发展到收入差距传递的重要媒介，且众多研究都表明教育人力资本投资可以有效缓解收入分配的不平等状况。遵照王云多（2018）对其定义，教育人力资本是由各级各类教育投资获得的人力资本，是一种最主要的人力资本形式。由于跨国数据搜集的限制，相关企业以及个人的教育投入不可得，且考虑到分析有关收入分配效应时宏观政策的导向性，所以采取各国政府的教育投入占GDP的比值代表教育人力资本水平，其具备合理性。

CV：控制变量。将一国就业结构、对外开放程度以及财政收支结构这些因素作为控制变量引入回归方程，考虑其为影响一国宏观经济和居民收入的重要因素。其中，sy为就业结构指标，用各国年度失业率来刻画;ex为对外贸易依存度，用进出口额占GDP的比重表示;cz为财政调控指标，用各国政府财政收入占GDP的比值来衡量。

五、数据来源说明及现状描述性分析

（一）数据来源处理

人工智能发展指标工业智能机器人销量、工业智能机器人产业投融资额与PCT专利申请数量占比来自wind数据库，基尼系数取自国家统计局网站与联合国数据库，美国的相关缺失数据由美国中情统计局披露数据补全。另由联合国数据分析报道，日本与韩国基尼系数平稳，故首尾缺失数据由整体均值补充，间隔数据由前后数值的中位数补齐。教育经费支出数据取自国家同国家统计局网站，部分缺失数据由以上相同方法或由总体变动趋势补齐。总体GDP与人均GDP数据来自国家统计局网站，以现价进行平减。失业率由《国际统计年鉴》获取，统一以年末失业率来说明。进出口总额与财政收入来自国家统计局网站，并与总体GDP核算形成对外贸易依存度与财政收入占比的结构型变量。

为了平滑数据，我们对相关数据取了自然对数，以去除经济时间序列数据异方差的影响。各变量数据的描述性统计由表1所展示。利用该样本整体数据的描述性统计可观察到，基尼系数、工业智能机器人销量、PCT专利申请数量占比、教育人力资本水平以及各结构性变量之间的差异性都较为明显，这允许我们探究与人工智能发展水平有关的各种可能影响收入差距的因素。

（二）全球人工智能产业发展现状

由于人工智能产业类别众多，且由赛迪数据显示，目前智能化产业主要集中于相关基础原件设计及机器学习等工业智能化领域。结合相关资料我们将重点放在智能化机器人这一核心产业，对此进行相关统计。由图2可以看出，全球机器人市场规模不断扩大，其中工业智能机器人增速稳定且占据了市场主体。此处再次说明了本文选取的工业智能机器人指标代表人工智能整体发展水平的合理性及代表性。

资料来源：IFR，中国电子学会整理

图五 2017年全球主要国家工业智能机器人销量分布

基于当前各国数据调查及数据可得性原因，在此利用全球2017年工业智能机器人销量作为指标，选取了12个产销量及产值额较高的国家作为代表，其分别为美国、加拿大、中国、俄罗斯、韩国、日本、新加披、英国、德国、法国、意大利和巴西。结果如上图所示，由各国家工业智能机器人销量分布可以看出，其在全球产业分布相对均匀且广泛，尤其以美洲、亚洲以及欧洲为产业发展的主要区域，近年来尤以中国及美国的人工智能产业最为迅猛。基于该数据统计进一步明确了当今全球人工智能产业代表性国家，并再一次说明在全球人工智能产业区域化与新兴产业化的背景下，用跨国数据进行实证分析的合理性及必然性。

（三）人工智能相关行业收入水平分析

图三 我国制造业平均工资增幅与工业增加值同比增速对比

图四  2010-2017年全球工业智能机器人售价总体变动趋势

资料来源：IFR，中国电子学会整理

根据国际机器人联合会的报告，自 2013年始我国逐步跃升至全球工业智能机器人第一大市场的位置，以制造业为产业核心的“机器换人”需求旺盛，预计仍将保持快速增长，我们可以制造业的工资水平现状来分析其相关经济性。

其一，经济性拐点临近。图中数据显示，我国制造业整体平均工资水平保持高速增长态势，2010年至2016年表现出12.3%的年复合增长率;反之，全球以工业智能机器人为核心的相关自动化设备均价却逐年下降，其价格自2012年攀至峰值后逐渐回落。伴随着机器人自身的稳定性、精准性、高效性逐渐被认可，其对体力劳动者的替代作用也在日渐显现，以其替代效应的发挥为经济效用的拐点已然出现。

其二，促进产业转型。机器人逐渐将一些劳动密集型行业中的技能型工人取代，这也同样标志着相关产业逐步完成自劳动密集型发展向资本密集型发展的模式转换。整体产业的产能由于自动化机器设备的引入而得到改善，伴随着产品质量的提升及生产周期的大为缩短等经济效益的出现。而一些暂时无法实行自动化的劳动密集型企业，也会由于资本成本的上升而扩大生产，以减少失业。

其三，渗透率稳步提升。根据BCG的行业统计数据，如今将近10%左右的工業制造任务由智能化机器人所承担及创造，且到2025年时其行业渗透率将跃升至25%。此外配备工业智能机器人后的劳动力成本也会由于所处行业的差异，产生不同程度的下降，全球平均值预估将下降 16%左右，而对于中国来说预计下降幅度略高，约至18%。因而深化机器人应用的渗透率有利于用工成本的下降。此外在劳动力受教育水平整体提升的背景下，初始阶段机器人只会针对部分熟练工人操作的任务予以替代，此时工人则完全可以去执行相对复杂的加工任务。

以上是对当今人工智能化时代中的经济发展现状作简要描述分析，其再次佐证了模型核心变量设置的合理性，并为我们利用跨国面板数据对人工智能与收入分配之间关系作进一步的实证性研究奠定了现实基础，并赋予了一定的实践意义。

六、实证检验结果

（一）总体回归结果分析

表4模型组内自相关与组间异方差、同期相关检验结果

[检验对象 Greene检验 Wooldridge检验 LM检验 Chi统计量 P值 F统计量 P值 LM统计量 P值 （1） 358.39 0.0000 36.119 0.0003 94.007 0.0000 （2） 882.91 0.0000 35.960 0.0003 61.958 0.0046 （3） 190.78 0.0000 44.127 0.0002 76.753 0.0001 ]

在验证人工智能与收入分配差距关系的过程中，我们选择在此模型中逐渐引入控制变量的方法，以最终确认人工智能发展、技术垄断及经济增长等对于居民收入差距的作用程度。首先由面板数据类别选定长面板的估计策略，并考虑到误差项可能存在异方差与自相关，我们根据模型设定把数据分作三组，（1）组变量包括lngini、lnaj、lnrpct、lng、（lng）2，（2）组变量加入lnh，（3）组加入控制变量lnsy、lncz、lnex。对其分别进行组内自相关与组间异方差、同期相关的检验，检验结果如表4给出。

由于面板数据检验结果均强烈的拒绝原假设，故决定首先采用最具效率的全面GLS估计。又由于国家个体n相对于年数t较小，为把控可能存在的固定效应，本部分运用LSDV法加入了个体虚拟变量，而对于时间效应，则加入时间趋势项进行控制。总体回归结果由表5模型（1）（2）（3）给出。

在模型（1）的初步回归中，仅引入了人工智能发展水平及经济增长两个指标以大体判断人工智能技术进步对于收入差距的作用。实证结果由表6显示。其中lngini的系数为负，意味着人工智能的发展对于收入分配差距存在减弱而不是扩大的作用。这与前文所引用的一部分国际学者的论点是一致的，意即若考量没有其他资源引进及制度变革的条件下，人工智能与自动化的引入实则降低了收入不平等。作为一种新型的技术革命，人工智能所起到的作用其实为一次外生技术冲击，它的引入将现代部门“领跑”及传统部门“追赶”的时限大大降低（邵红伟，2016），其高效性表现在短时间内大批创造性岗位的涌现及工人新任务的被开发，局部及短暂的收入分配差距易被一系列经济效益所淡化。但是据此推断只仅仅关注了人工智能这一单一变量的收入分配效应，其所引致的技术替代本来就是一个缓慢的过程，需往下进一步探究。其次，lnrpct的系数为正，表示技术垄断水平的提升将会缩小收入差距。这与国内外众多学者的结论是相同的，至于人工智能产业是否也具备一定的地区垄断性，我们需根据最终趋势对比来探究。另外，lng的回归系数为负，而（lng）2为正，且都表现显著，这与Kuznets倒“U”的变化轨迹不符。对此可以解释，人工智能的高效应用必然对生产率及经济增长具备助推效应，二者短期内协同降低了收入差距，但技术创新的普及、扩散依赖于个人能力的进步及制度的完善等条件，故在长期来看，对其忽略可能触发了经济增长对于收入不平等推动的拐点。

为了进一步确定人工智能对于收入差距的作用，我们首先将教育人力资本指标引人回归方程，结果由表6模型（2）给出。模型回归结果与大多数学者的观点保持一致，其回归系数符号为负，这便表明提高工人教育人力资本水平有助于缩小整体收入差距。根据经典理论，一国教育水平的整体提升会加速地区企业人力资本水平的进步，进而该国的总体收入分配状况应该会得到改善。其次，人工智能的变量指标回归系数由0.478跃升至0.5341，而技术垄断变量的回归系数出现小幅减弱，说明国家对相应教育部门整体投入的背景下，一方面激发了对智能化产业的人力资本构建，另一方面引发了技能化人才的流动，削弱了地区内先进技术企业对于相关人力资源的垄断，进而抑制了收入不平等。此外经济增长性指标虽作用方向未发生变动，但已不再显著。又因技术进步对劳动力的影响并不仅仅依赖于它们作用的部分，而且也与经济社会中其他因素的调整息息相关（Acemoglu，2017a）。因此，接下来有必要涉及更多角度以探究人工智能对收入的影响。

顺应以上分析，为了俘获单纯人工智能发展对收入差距的真实作用，我们继续引入了对外贸易依存度、失业率以及财政收入结构等变量，以对一些影响收入差距的结构性变量进行控制。结果由表3模型（3）给出。首先各解释变量的作用方向没有发生变化，人工智能发展变量及技术垄断变量均在1%的水平上显著。经济增长指标恢复了模型（1）表现的高显著性。教育人力资本水平依旧和收入分配显著的负相关，随着结构性指标的逐级引入，回归系数无明显波动。

进一步结合控制变量的回归结果对模型各解释变量的总体趋势进行分析。失业率变量在模型（3）中与收入差距具备一定正相关性，这与学术界总体理论一致，但经济社会整体技术创新水平的提升，使得就业结构对于居民收入分化的显著性影响渐弱。此外一国财政收入占比表现不显著，但可由系数方向大体判断出与收入不平等呈现负相关。而对外贸易依存度指标与基尼系数表现出显著的负相关关系，说明其淡化了资本的过分集中的问题，减少了收入分化现象的发生。反观人工智能自动化程度这一主要解释变量，自模型（2）至模型（3）财政收入结构指标等控制变量引入，回归系数表现为递减态势，由此我们可以看到技术替代效用的逐渐显露，进而使人工智能发展对于减少收入不均效用渐弱。另外观察变量总趋势，人工智能与技术垄断两变量回归系数的变动存在完全相反的趋势，说明人工智能产业发展对于垄断性势力的形成具有影响，二者对于收入分配存在相反的作用状态。而对于经济增长的收入分配效应，总体作用情况并不具备倒“U”型变化，这与学术界对于一般技术变革条件下的结论相反，其中原因恰恰体现在人工智能革命的特殊性，短期内引起生产力大幅提升拉动经济增长，但长期来看智能型替代效应的发挥，使其所带动的经济增长与收入差距存在正相關关系。

（二）稳健性分析

考虑单纯利用工业智能机器人产销量指标进行回归分析可能会引发偏误，这便需要对被解释变量与相关解释变量之间的关系稳健性进行检验。我们在此选择另一全球通行的衡量人工智能技术发展的指标——工业智能机器人产业投融资额作为核心解释变量，以考察各解释变量的作用方向与作用程度。另外由于组内异方差与组间同期相关检验均强烈拒绝原假设，普通的固定效应模型有可能存在稳健标准误问题，为此，使用最为稳健的OLS面板校正标准误进行估计。回归结果由表6模型（4）（5）（6）显示。

与模型（1）（2）（3）的回归结果对比，主要解释变量在整体的变动趋势上并没有发生变化，其中人工智能化水平lnaj由模型（2）到（3）与模型（5）到（6）皆存在显著性变弱的趋势，而技术垄断水平指标lnrpct整体仍保持较高的显著性水平。代表经济增长的两指标变动方向未发生改变，但总体显著性从之前回归中的不确定变至不显著，回归系数绝对值的大小仍维持着相同的增减态势，其变动的不稳定性及前后回归趋势上的协同性，库兹涅兹倒“U”型假说都无法得到支持。由此可以看出，一方面由于人工智能化革命在广度与深度上表现出与以往的传统工业化革命不同，且地区、国家之间差异普遍存在，造成经济上的倒“U”型变动不稳定;另一方面根据Acemoglu & Restrepo引入的两效应的说法，短期的生产力效应与长期的替代效应并存对应经济增长的周期性变动，使得其对收入分配差异的影响呈正“U”型。另外值得注意的是，教育人力资本水平在前后回归中回归系数都具有减小的走势，其中伴随着的是技术垄断指标回归系数的大幅跃升，此为教育人力资本分配不平衡现象的主要原因。这种状况一方面会引发不同行业间收入剧烈分化，另一方面削弱了人工智能的生产力效应，使得lnaj如模型（6）所示丧失显著性。

模型（6）控制变量失业率的回归系数变为负值，但由于失去显著性，我们无法准确判断其对被解释变量的真实影响，这与一些研究结论是一致的。因全球不同国家或地区间智能化发展水平和状态呈不协同现状，且这种差异性也普遍存在于劳动力市场内部，产出弹性和劳动力供给弹性不完全相同，从而智能自动化背景下就业结构表现出的复杂性，造就了其收入分配效应的不确定性。财政收入水平指标及对外贸易依存度的显著性进一步增强，更加证实了财政保障政策的倾斜与进出口贸易的扶持会减少收入分化现象的发生。综上，由于两种计量方法下，各解释变量整体表现出的影响程度与变动趋势相对一致，且对相关理论有了进一步的印证及补充作用，我们可以判断模型整体稳健。

（三）结构方程模型的构建及分析

结构方程模型主要用来处理复杂的多变量研究数据的探究与分析，本文考虑采用结构方程模型来研究全球化人工智能技术发展与收入分配之间的关系，并量化这种关系。我们基于面板数据的整体回归得到各变量对于收入差距的影响效果，却无法以此来判断核心变量及各宏观结构型变量影响方式的异同。而结构方程模型的引入在于引入潜变量，其包含相关控制因素，一方面将多个潜在变量及其测量变量置于同一模型中分析，且能够允许自变量及因变量的测量误差;另一方面将传统回归及路径分析进行整合以补充和验证原有经济理论。

结合研究目的和文献调研，我们预期的结构模型是：CZ、SY、EX这三个变量通过潜变量F1来间接影响gini，AJ、rpct、g、H这四个变量直接影响gini，具体示意图如下所示：

通过SPSS AMOS软件对数据进行分析处理，得到模型的估计结果如下：

[ Estimate S.E. P F1 <--- LNgini -0.373 0.154 0.015 LNCZ <--- F1 1 LNSY <--- F1 0.477 0.251 0.058 LNEX <--- F1 -0.367 0.29 0.205 LNAJ <--- LNgini -1.923 0.5 *** LNrpct <--- LNgini -2.109 0.508 *** LNg <--- LNgini -2.493 0.281 *** LNh <--- LNgini 0.027 0.068 0.687 ]

从以上结构方程模型结果可以得出两方面结论：

其一，F1的显著性为0.015<0.05，表示LNCZ、LNSY、LNEX这三个变量通过一个潜变量来间接影响收入分配差距。这说明相关宏观控制因素对于收入分配存在明显的间接效应，且各控制变量路径系数与基本回归保持大体一致。与之对照，核心解释变量对于收入差距直接作用，与潜变量间不存在关联。

其二，由于结构方程模型主要定格于研究整体模型的结构性影响因素，故我们将代表经济增长周期性变量（lng）2删去，以考察变量间存在的结构关系。结果显示LNAJ、LNrpct、LNg的因子得分均为负数，表示这三个因素对于对于收入分配差距存在减弱而不是扩大的作用。尤为值得注意的是人均PCT专利申请数量对收入差距的影响系数转换为负值，与之表现趋同，教育人力资本水平lnh与被解释变量变为正相关。这表明，技术垄断指标需要将技术变革置于一个较长周期中才得以发挥，短期内技术所带来的市场资源的集中带来生产上效率的扩大。而排除长期影响后，智能自动化所引发的技术创新对于整体人力结构可能存在负面影响的，这种对人力资本结构的冲击势必波及到收入分化。

七、结论及政策建议

（一）结论综述

基于理论探究、描述性统计及实证研究结果，我们得出结论：人工智能自动化技术创新存在降低收入分配差距的短期效应，其所带来的新任务创造高效助推了相关劳动密集型产业的转型升级，也促进了非自动化产业的资源引进，意即智能化行业的进步短周期内所带来的生产力效应将超过替代效应，达到削弱收入差距的整体效果。但长周期来看，不完全竞争市场内的部分超级企业利用对智能技术及相关专利的垄断，加速了对市场超额利润的掠夺，增大了收入不平等。并且在此条件下，国际范围内Kuznets（1955）关于经济增长周期性的倒“U”型曲线理论无法得到满足，究其原因体现在人工智能的技术创新不仅具备传统信息技术革命技术替代特征，更重要的是其会缩减企业用工成本使得利润空间快速增大，所以短期助推经济增长的高效与需要一个长周期的技术替代，造成了完全倒“U”型的变动趋势不明显，甚至呈现正“U”型变动。

此外，智能型替代与传统技术替代不同之处在于其深度与广度，人工智能利用机器学习可使得自动化进程高级化，甚至达到对劳动力的完全替代。虽然我们利用实证分析没有明确证实人工智能自动化与收入差距正“U”型变化拐点的到来，但其对收入不均的削弱作用正面临渐弱趋势，这足矣表明智能化替代的作用正在发挥。另外着眼于当下经济形势，人工智能化技术应用主要集中在第二产业，并以此为基础向第一及第三产业进行扩散，以此带动新一轮的产业转型升级。若以自动化对整体行业进行区分，前期具有激发非自动化行业劳动力高需求的可能性，且带动了部分劳动力成本上升，后期则势必受到自动化改造的影响而被迫进行资本和技术密集型的生产。故单单从就业结构角度去分析其收入分配效应，会出现阶段及类别复杂化的特征。

结合对结构方程模型的分析，可以看出一国政府政策性举措对于收入分配存在间接助力的作用。其中财政政策效用决定了一国政府对于经济社会的宏观调控力度，遏制了地区内技术垄断型企业的形成;而政府对于经济社会总体的教育投入，决定了一国整体的人力资本水平。与面板数据回归不同的是，结构方程模型从宏观经济结构出发剖析出，经济发展水平水平、技术垄断及智能自动化发展对收入分化的削弱呈现协同性，此方法抛开周期性而专注于宏观结构性变化，同时也再一次佐证了原有结论。从整体理论研究结果评价，基于当今人工智能技术革命正处于萌芽阶段，本文结合国内外文献将重点放在人工智能发展阶段中最直接影响的自动化领域，且将实证研究视角定位在其所覆盖的相关工业领域，故希望未来伴随智能化技术的进一步蔓延应用及学术研究的进一步深入，在整體宏观经济性与不同产业间人力资源流动等角度的探究中能有新的突破。

（二）政策建议

（1）专门设立以汇聚新一代人工智能技术型企业为核心的科创板，重点支持高端设备、信息技术及机器自动化等高新技术产业和战略型新兴产业，助推人工智能技术同制造业和某些服务业深度融合。由于当前人工智能技术尚处在初期发展阶段，其技术不成熟导致有关产业普及程度不高，故追随当今国家所提倡的加快培植一批以追求自主高新技术创新为核心战略的新兴企业板块的政策趋势，人工智能作为落实创新发展战略的新型推力必将引领企业整体创新水平迈入新发展阶段。在此意义上，强调人工智能技术在国家科创板的主体地位，从长远来看必将进一步促进技术创新达到与资本市场的完美融合。且由于人工智能技术的引入同历来传统技术革命的初期产业发展现状呈现一致性，都存在投入大、融资难及风险高的特点，故资本市场常存在与科技创新难以相容。而若国家单独将人工智能企业单独列入科创板予以政策扶持，则会有效补齐资本扶持技术的短板，为人工智能谋求更长远发展。