人工智能发展会扩大收入差距吗——理论假说与省级证据

刘红英，朱 琪

(1.韶关学院 商学院,广东 韶关 512005；2.华南师范大学 经济管理学院,广州 510006)

一、引言

收入差距缩小是中国实现共同富裕的关键性指标，《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》明确指出，到2035年，要实现“中等收入群体显著扩大，基本公共服务实现均等化，城乡区域发展差距和居民生活水平差距显著缩小……全体人民共同富裕取得更为明显的实质性进展”。收入差距缩小在宏观上表现为城乡间、地区间收入差距缩小，在要素分配上表现为劳动报酬份额上升，在个体分配上表现为劳动者之间的收入差距缩小。目前，中国居民收入差距的基尼系数仍处于高位徘徊，城乡收入差距缩小，但劳动者工资收入差距扩大，缩小收入差距任务艰巨[1]。中国劳动收入份额呈“U”型演变趋势，技能溢价则不断扩大[2～3]。

技术进步作为影响收入分配格局的主导因素之一，受到了学界的普遍关注，而人工智能是新一轮科技革命的核心驱动力，将重构生产、分配、交换和消费等经济活动各环节，产生更为复杂的收入分配效应，并且人工智能作为一种非中性的技术进步，不能惠及所有部门、要素和群体，可能会加剧收入分配失衡。郭凯明和王钰冰(2022)对中国分配结构的分解研究认为，中国供需结构优化会提升中国劳动收入份额，但如果新一代技术革命推动了资本替代劳动，将可能降低劳动收入份额，同时也提升技能溢价[3]。当下，中国正处于全体人民迈向共同富裕的重要阶段，关注人工智能对收入差距的影响具有现实意义。

已有大多数研究认为人工智能等自动化技术会加剧收入分配失衡，Berg等(2016)将智能机器人视为可以取代劳动力的资本，而资本分配本身就是不平等的，引入机器人将增加资本份额，从而加剧要素收入不平等[4]。Korinek和Stiglitz(2017)认为人工智能技术创新会通过增加创新者盈余和提高资本要素相对价格这两种渠道，加剧收入分配不平等[5]。Acemoglu和Restrepo(2021)基于美国过去40年的工资结构变化研究，发现美国工资收入差距扩大主要是因为常规岗位的工资下降所致，自动化技术提高了常规工作任务的劳动生产率，从而降低了行业劳动收入份额[6]。王林辉等(2020)通过分解劳动收入差距变化和测算人工智能技术收入分配，证实人工智能扩大了高、低技术部门的劳动收入差距[7]。余玲铮等(2019)基于企业截面数据，证实使用机器人会降低企业劳动收入份额[8]。黄旭(2021)将高技能和低技能劳动力纳入新古典生产函数，基于模型演绎推导，得出人工智能会扩大技能溢价的结论[9]。

少部分研究认为人工智能发展不会扩大收入差距，Stevenson(2019)认为人工智能通过提高劳动生产率，提高消费需求和就业需求，和以往技术革命一样，人工智能技术变革最终会增加国民福利，收入不平等不会扩大[10]。邓翔和黄志(2019)基于行业面板数据的实证研究发现，人工智能对收入差距的影响是先扩大后缩小[11]。金陈飞等(2020)基于浙江中小企业调查数据，证实人工智能显著提升了企业劳动收入份额[12]。

人工智能对收入差距的影响仍处于探索阶段，尤其是缺乏对行业收入差距的影响研究，本文对现有文献的补充主要体现在：第一，基于人工智能的技术偏向性视角，将人工智能对收入差距的多方面影响纳入统一的研究框架，并对其中的逻辑机理进行理论阐述，进而提出研究假设；第二，实证检验了人工智能发展对中国收入差距的影响，并通过中介效应模型，识别了劳动生产率在人工智能与中国收入差距之间的中介或遮掩作用，为中国人工智能发展与收入分配治理提供了启示。

二、理论分析与研究假设

(一)人工智能的内涵与特征界定

新一代人工智能的核心技术是深层神经网络技术(DNNS)，它通过机器学习增强了机器的感知和决策能力，使机器具备“人脑”的功能，赋予了机器智能化算法和模型，因此，人工智能本质上是具有自主学习、自主决策和判断能力的智能自动化技术[13]。从人工智能的内涵看人工智能有如下技术特征：首先，人工智能是具有数据偏向的数字通用技术，数据是人工智能的核心要素，深层神经网络技术可以实现对大型非结构化数据的处理与学习，如文本、图像、语音等，但它需要依赖大型数据集进行运算和分析，数据与算法汇聚，大大提高了AI应用行业的生产效率和营销效率，从而扩大了AI与非AI应用行业的收入差距。其次，人工智能是一种智能自动化技术，人工智能的智能化特征使得AI具有人工替代性，其对劳动力的广泛替代将降低劳动就业率与工资率，从而降低劳动收入份额，扩大要素收入差距。再次，人工智能是新一代的信息技术(ICT)，移动互联网、5G、云计算等为人工智能发展提供了海量的数据和强大的算力支持，因此人工智能是信息技术的延伸，具有信息通信技术(ICT)属性，从而对劳动力的冲击具有技能偏向性，增加技能溢价。

(二)人工智能影响收入差距的理论分析与研究假设

1.人工智能的数据偏向性与行业收入差距

人工智能是一种偏向数据、算法的通用性数字技术，数据是人工智能的核心要素，其对行业差距的影响具有两面性。一方面，数据、算法的非竞争性催生了行业之间的不公平竞争，引致行业间的收入差距扩大。数据具有两个典型特征，一是数据的经济价值是规模报酬递增的，数据获得性越强的企业将越有可能改善产品和服务质量，缺乏数据的企业则处于竞争劣势；二是数据具有非竞争性，这使得数字产品和数字服务(如算法和软件)都是非竞争性的，一旦企业率先部署了新的数字技术，就可以以零边际成本服务于不断增长的市场，从而快速获得规模经济。数据和人工智能算法汇聚，大大提高了AI领先行业的生产率，促使AI应用企业和行业的市场力量不断增强，最终导致赢者为大的竞争格局。典型事实是数据丰富的科技型企业或数据平台规模迅速扩大，如国内的三大科技巨头BAT。

另一方面，人工智能对传统行业的渗透，可以提高传统落后部门的行业增长率，从而缩小行业差距。首先，人工智能会提高服务业劳动生产率，人工智能算法通过提高行业供需匹配效率，提高了AI渗透率高的行业生产率，如医疗健康、金融和教育，这些曾被定义为生产率增长缓慢或停滞的部门，随着人工智能的技术介入和渗透，获得了生产率增长，“鲍莫尔成本病”将不复存在。未来五年，“AI+”将使教育业、零售业、制造业和金融业的效率分别提高82%、74%、64%和58%[14]。其次，5G、卫星成像、传感器和无人机等技术在农业部门的应用，也将提高农业劳动生产率，像人工智能和互联网技术融合，推动智慧农业和农村电子商务发展，从而提高农业部门的生产率和收入水平。据此，提出如下竞争性的研究假设。

H1a：人工智能发展通过提高AI领先行业的劳动生产率，扩大行业收入差距。

H1b：人工智能发展通过提高传统行业的劳动生产率，缩小行业收入差距。

2.人工智能的资本偏向性与要素收入差距

人工智能是一种智能自动化技术，其对劳动的替代速度和程度会较以往的技术更为显著，从而在要素收入分配上表现为劳动份额下降。已有研究将人工智能视为不同的技术进步类型，对劳动收入份额的下降进行了机理阐释。一是从要素增进型技术进步视角，认为人工智能是一种外生技术进步，可以增加有效劳动力，资本与劳动的收入份额由二者之间的替代弹性决定。其中，从资本增进型技术进步的视角，认为自动化资本只能替代部分劳动，当资本与劳动的替代弹性大于1时，劳动力收入份额下降[15]；从劳动增进型技术进步的视角，认为劳动增进型技术进步使“有效劳动力”增加，提高了劳动的边际产出，当资本与劳动的替代弹性小于1时，自动化技术会降低劳动收入份额[16]。二是从任务偏向型技术进步视角，认为人工智能是一种任务偏向型技术进步，自动化资本通过替代劳动，减少了劳动力所从事的任务范围，降低了劳动收入份额[17]。

从发展事实看，首先，人工智能对制造业就业的负面冲击最显著，Acemoglu和Restrepo(2020)基于美国的数据证实，工业机器人应用使制造业就业下降0.18到0.34个百分点，工资下降0.25到0.5个百分点[18]。闫雪凌等(2020)基于中国制造业分行业数据，也证实使用工业机器人会显著减少就业岗位[19]。麦肯锡预测，到2030年，智能机器人和自动化设备将使制造业的操作类岗位减少50%，岗位需求下降速度为整体经济的两倍。其次，人工智能的替代效应会蔓延至服务业，如服务机器人被广泛应用于餐饮、零售、金融等服务行业，不仅取代了低级认知类服务岗位，如工资或账务计算、人工客服等岗位，还取代了高级认知类岗位，如医疗诊断(X光图像)、人事招聘(筛选申请人)等[20]，人工智能在服务业的应用催生了很多无人化商业模式，像亚马逊的无人超市和阿里巴巴的无人酒店等。Eggleston 等(2021)基于日本养老院的数据，证实机器人在护理行业的应用通过降低护理难度和护理人员留任难度，从而降低了正规员工的工资[21]。据此，提出假设H2。

H2:人工智能发展会降低中国整体劳动收入份额，同时也降低工业和服务业部门的劳动收入份额。

3.人工智能的技能偏向性与劳动者之间的收入差距

人工智能是新一代的ICT技术，具有技能偏向性，AI偏向于替代中等技能或低技能工人，从而强化技能溢价，扩大技能型劳动者和非技能型劳动者的收入差距。理论上，人工智能技术对技能溢价的影响取决于劳动者技能与人工智能技术的匹配程度，一方面，人工智能技术与技能型劳动力是互补的，人工智能技术的开发与应用需要高技能工人完成对智能机器的发明、维护和操作，这提高了技能型工人的需求和工资，目前，AI人才的薪酬溢价现象突出，2019年AI人才需求较2015年增长11.75倍，人工智能岗位的平均薪酬溢价达85%，其中高、中、低技能AI岗位的溢价分别为55%、90%和110%。另一方面，人工智能技术对非技能型劳动力的替代，降低了非技能型工人的工资和就业率，并且由于非技能型劳动力存在技能升级慢和职业转换难的问题，从而面临更为严重的技术性失业，低技能工资下降幅度更大，导致高低技能溢价上升。事实上，人工智能人才短缺也加剧了薪酬溢价，《人工智能产业人才发展报告(2019—2020)》显示，中国AI人才缺口为30万，人工智能行业人才供需比低于0.4，技能短缺加大了对AI人才的竞争，提高了AI人才的薪酬。基于此，得到研究假设H3。

H3：人工智能发展会提高技能溢价，扩大技能型和非技能型劳动者的收入差距。

综上所述，人工智能影响中国收入差距的内在逻辑如图1所示。

三、模型构建与数据说明

(一)计量模型构建

基于上述的理论分析，构建如下检验人工智能发展与中国收入分配差距的计量模型：

Yit=α0+α1AIit+α2Xit+δi+λt+εit

(1)

其中，下标i和t分别表示省份和年份，被解释变量Yit为收入差距，根据理论假设，Yit包括行业收入差距(Giniit)、劳动收入份额(Lsit)、工业部门劳动收入份额(Ishit)、服务业部门劳动收入份额(Sshit)和劳动者技能溢价水平(Premit)，核心解释变量(AIit)为各省份人工智能发展水平，Xit为控制变量的向量集，δi为省份固定效应，λt为年份固定效应，εit为随机干扰项。选取的研究样本为2004—2018年中国省级面板数据。

(二)指标设计与变量说明

1.收入差距

2.人工智能发展水平(AI)

目前人工智能的衡量指标多采用国际机器人联合会(IFR)提供的机器人安装数量表示[19],但工业机器人主要应用于工业部门，也有学者选用人工智能专利数量表示,通常以人工智能作为关键词进行专利量搜索，人工智能专利的定义较为随意[11]。本文参考了国家信息安全发展研究中心2019年公布的《人工智能中国专利技术分析报告》，该报告归纳了在深度学习、语音识别、自然语言处理、计算机视觉、智能驾驶、云计算和智能机器人等7个分支领域中人工智能专利的IPC分类号，作者从国家知识产权局手动收集并整理出2004—2018年各省份人工智能专利申请量，来表征人工智能发展水平。从人工智能专利数量看，专利数最小值为0，最大值为64758，专利最多的省份为广东、北京、江苏、上海、浙江，基本符合各省份人工智能发展现状。同时，从国际机器人联合会(IFR)获取了中国工业行业机器人安装数量，并参照王文(2020)的做法，构造了各地区的机器人安装密度(Robm)作为人工智能的替代指标，用于稳健性检验[24]。

3.控制变量

参照已有研究，模型回归包含如下变量：外商投资水平(FDI)为各省份外商投资企业投资额占GDP比重；对外贸易水平(Open)，用各省份进出口总额占GDP比重表示；劳动力平均受教育程度(Edu)，计算公式为(小学教育人数×6+初中教育人数×9+高中教育人数×12+大学文化程度人数×16)/6岁以上人口数；资本深化(Ky)，用资本-产出比表示，资本存量采用单豪杰(2008)[25]的算法,并折算为1978年的不变价；研发投入强度(Rd)，表示各地区的科技创新水平，用各地区研究与试验发展经费占GDP比重表示；人均GDP(Rgdp)，用各省份GDP价格指数折算成2004年为基期的不变人均GDP。相关数据来源于各期的《中国贸易外经统计年鉴》《中国人口与就业统计年鉴》和《中国统计年鉴》。所有变量的描述性统计如表1。

表1 各变量含义与描述性统计

四、实证分析

(一)基准回归

为了减少异方差，对各解释变量进行对数化处理，采用双向固定效应模型进行方程估计。表2模型(1)为人工智能与行业收入差距的回归结果，实证支持了人工智能发展会缩小行业收入差距的假设H1b。现阶段人工智能对传统行业的广泛渗透，促进了落后行业的生产率增长和销售量增长，总体上表现为行业收入差距缩小。模型(2)～(4)为人工智能与中国劳动收入份额的回归结果，回归表明人工智能发展会显著降低中国整体和分部门的劳动收入份额，人工智能可能通过对劳动力的替代和资本的深化而降低劳动份额，验证了假说H2。模型(5)为人工智能与劳动者技能溢价的回归结果，表明人工智能发展显著增加了劳动者技能溢价，扩大了技能型和非技能型劳动者的收入差距，验证了假说H3。

表2 基准回归结果

(二)内生性处理

人工智能并非严格的外生变量，各地区人工智能发展可能受到国家政策引导，或迫于本地区产业智能化升级压力而产生的自选择行为，模型的内生性还可能来自反向因果，即人工智能与收入分配差距之间可能存在双向因果关系，一些企业为了提高企业绩效，如劳动生产率或销售额，而自发选择采用或开发人工智能技术，促进了人工智能技术的发展，而人工智能岗位的高薪酬溢价也激励更多高技术人才投身于人工智能产业。为了克服模型可能存在的内生性问题，本文使用二阶段最小二乘法(IV-2SLS)进行IV估计，工具变量选取方法有两种：一是使用LAI的滞后一期和二期作为LAI的工具变量；二是借鉴孙早、侯玉琳(2021)的做法，采用各省份光缆密度作为人工智能发展水平的工具变量，用各省份每平方公里长途光缆长度衡量[26]。光纤是人工智能技术的首选材料，光缆密度与人工智能技术发展密切相关，但不能直接影响收入差距，在一定程度上满足了工具变量相关性和外生性的条件。表3 Panel A为采用LAI滞后一期和二期为LAI工具变量的回归结果，Panel B为采用光缆密度(LGL)作为工具变量的回归结果，列(1)为第一阶段回归结果，列(2)～(6)为第二阶段回归结果(1)为节省文章篇幅，表3仅列出了工具变量和核心变量的回归结果，完整回归结果备索。，两种工具变量法均通过了识别不足和弱工具变量检验，工具变量与核心解释变量LAI显著正相关，弱化内生性问题后，工具变量法结论与基准回归结论一致，并且核心变量LAI的显著性水平和系数值均有明显提升。

表3 IV-2SLS回归结果

(三)稳健性检验

本文采用两种方法进行稳健性检验。首先是替换核心被解释变量，用各地区19个国民经济行业的泰尔指数(Thei)替换行业基尼系数，劳动收入份额的替代指标(LSS)用劳动者报酬占GDP比重表示，技能溢价的替代指标选用科学研究与技术服务业与农林牧渔业平均工资之比表示，记为Pay。回归结果如表3列(1)～(3)，与基准回归结果一致，人工智能显著缩小了行业收入差距，同时也降低了劳动收入份额，并扩大了高低技能劳动者的收入差距。

其次是变换核心解释变量。沿用国内外学者的做法，用IFR提供的中国工业机器人安装量构造的各地区机器人安装密度(Robm)作为人工智能的替代指标，样本期为2006—2018年，考虑到工业机器人对服务业部门的劳动份额没有直接影响，故稳健性检验不再考虑分部门的情况。回归结果如表4列(4)～(6)所示，与基准回归结论高度一致。

表4 稳健性检验回归结果

(四)异质性分析

1.区域异质性检验

中国人工智能发展事实表明，AI企业、AI产业和AI人才主要汇聚在东部地区，其中，京津冀、江浙沪、粤港澳三地的AI企业占比分别为30.98%、26.70%和25.17%，尤其是北京、深圳、上海、杭州、广州成为引领中国人工智能发展的主要城市，汇集了众多AI巨头和AI新创独角兽企业。相对于东部蓬勃发展的人工智能，中西部人工智能的渗透率较低。据此，将中国划分为东部和中西部地区进行区域异质性分析(2)东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南11个省份；中西部地区包括山西、内蒙古、辽宁、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆19个省份。不含西藏、港澳台。。回归结果如表5，Chow test显示，各分组系数存在显著的差异。表5模型(1)回归结果显示，人工智能在中西部地区的发展显著缩小了行业收入差距，但在东部地区不显著，这可能是因为东部人工智能发展水平较高，对行业渗透不均衡的特点更为突出，受人工智能影响行业收入差距的正反机制作用，短期内无法判断影响的显著性。模型(2)～(4)的回归结果表明，人工智能发展显著降低了中西部总体及各部门的劳动份额，同时，也显著降低了东部工业部门的劳动份额，但对东部整体和服务业部门的劳动份额影响不显著，这可能是因为自动化技术主要冲击的是工业领域，以及劳动密集型产业或低技能岗位，而东部地区的产业结构、人口结构可以有效平熨人工智能的负面冲击，并且由于人工智能发展的领先优势，东部地区还受益于人工智能的岗位创造效应，最终人工智能对东部整体和服务业部门的劳动收入份额影响不显著。模型(5)结果表明，人工智能发展均提高了东部、中西部的劳动者技能溢价水平，并且人工智能对东部地区劳动者收入差距的扩大效应要大于中西部地区，这与人工智能人才主要汇聚在东部地区的现实相符，东部AI人才数量占比高达62.7%。

表5 区域异质性检验回归结果

2.时期异质性检验

对于人工智能发展高速和低速时期的划分，有的学者以2010年神经网络技术突破了机器学习对量级数据集的训练和学习局限为界[27]，还有学者以2011年德国提出的工业4.0为界[19]。从中国人工智能专利发展事实来看，2004—2010年，AI专利申请量增长了82.75%，2011—2018年增长了403.61%，2011年是中国人工智能发展的分水岭，据此，将中国人工智能发展阶段划分为低速发展(2004—2010年)和高速发展阶段(2011—2018年)，进行时期异质性分析，回归结果如表6。Chowtest显示，各分组存在显著的系数差异。模型(1)显示，随着人工智能加速发展，其对中国行业收入差距的作用可能先缩小后扩大，虽然这一效应在统计上不显著，但这仍然意味着人工智能带来的部门生产率差异所引致的收入差距扩大将可能成为主导效应。模型(2)～(4)表明，在人工智能发展的低速时期，其对中国劳动收入份额的抑制作用不显著，但进入高速发展阶段以后，人工智能显著降低了中国整体和分部门的劳动收入份额。模型(5)的回归结果表明，人工智能无论是低速还是高速发展阶段，对劳动者技能溢价的促进效应都是显著的，并且随着人工智能的发展，这种影响效应有所减缓。

表6 时期异质性检验回归结果

(五)进一步分析：劳动生产率的中介效应检验

理论分析表明，劳动生产率在人工智能与收入差距中可能起着中介作用，人工智能技术可能通过提高劳动生产率，扩大或缩小收入差距，人工智能也可能通过提高劳动生产率影响劳动收入份额，同样地，根据Acemoglu和Restrepo(2020)的研究，高技能自动化会降低劳动者技能溢价，而低技能自动化会增加劳动者技能溢价，自动化技术通过影响劳动生产率来影响劳动力工资[28]。基于此，建立中介效应模型，检验劳动生产率是否在人工智能与收入差距中起到中介作用。

lnLPit=γ0+γ1lnAIit+γ2Xit+vi+μt+ε1it

(2)

Yit=β0+β1LnAIit+β2lnLPit+β3Xit+φi+øt+ε2it

(3)

其中，LPit为劳动生产率，采用罗长远和张军的做法，用名义GDP与从业人员数之比表示，取自然对数值，记为LLP。Yit为收入差距，包含模型(1)～(5)中的被解释变量Giniit、Lsit、Ishit、Sshit和Premit。vi、φi为省份固定效应，μt和øt为年份固定效应，ε1it、ε2it为随机干扰项，其他解释变量含义不变，完整的中介效应模型包含模型(1)、(2)、(3)。基准回归已证实中介效应的第一步成立，模型(2)和(3)分别为中介效应模型的第二、第三步。

表7列(1)为模型(2)的回归结果，人工智能发展显著提高了劳动生产率，中介效应的第二步成立。列(2)～(6)为模型(3)的检验结果，中介变量劳动生产率的系数均通过了显著性检验，且各模型的Sobel检验结果在10%的显著性水平上显著，这表明中介机制成立，由于各模型的AI的系数仍然显著，符号与基准回归一致，说明劳动生产率起部分中介作用(3)为了避免由于(a*b)样本内分布非正态均匀分布而导致的估计偏误，本文还采用了Bootstrap法计算了模型(2)～(6)中介效应(a*b)的置信区间及其标准误，基本结论没有改变，劳动生产率的中介效应存在，为节省篇幅，正文部分未汇报Bootstrap 的中介效应检验结果，备索。。具体而言，列(3)～(5)中，间接效应r1β2与直接效应β1符号相同，表明劳动生产率的中介作用显著，即人工智能通过提高劳动生产率降低了中国整体和分部门的劳动收入份额。根据余玲铮等(2019)的研究，自动化技术带来的劳动生产率的增长超过了工资率增长，从而表现为劳动份额下降[8]。列(2)和列(6)由于间接效应γ1β2与直接效应β1符号相反，因此劳动生产率在模型中起到遮掩(或抑制)效应[29]，列(2)表明，人工智能发展与行业收入差距之间存在劳动生产率的遮掩效应，即劳动生产率提高会扩大行业收入差距，从而抑制了人工智能缩小行业收入差距的直接效应。同理，列(6)表明劳动生产率提高会降低劳动者技能溢价水平，通过生产率的抑制作用，人工智能对劳动者技能溢价的扩大效应将减弱。由此，劳动生产率起着双刃剑的作用，一方面，人工智能带来的劳动生产率增长会通过中介或遮掩效应，分别降低劳动收入份额，以及扩大行业收入差距；另一方面，劳动生产率增长通过发挥遮掩效应，也会降低劳动者技能溢价，缩小异质性技能的收入差距。总之，中介效应检验验证了劳动生产率在人工智能与收入差距中起到显著的中介或遮掩作用。

表7 中介效应检验回归结果

五、结论与启示

本文从人工智能的内涵得出人工智能具有数据偏向、资本偏向和技能偏向特征，并从偏向性视角阐释了人工智能影响中国收入差距的逻辑机理。同时，采用2004—2018年省级面板数据进行实证检验，主要结论为：第一，人工智能发展有利于缩小中国整体和中西部地区的行业收入差距，但对东部地区行业收入差距的影响不显著，这可能受人工智能影响收入差距的正反机制作用所致；第二，人工智能发展显著降低了中国整体和中西部地区的劳动收入份额，但对东部整体和服务业部门劳动份额的影响不显著，这是因为东部人工智能发展较快，平熨了智能化技术的部分负面效应；第三，人工智能会显著提高劳动者技能溢价水平，在东部地区和人工智能低速发展时期，劳动者技能溢价效应更强；第四，人工智能带来的劳动生产率增长，通过发挥中介作用，降低了劳动收入份额，通过发挥遮掩作用，减弱了人工智能对行业差距的缩小效应，也缓解了人工智能对劳动者技能溢价的扩大效应。

该研究结论为治理人工智能引致的收入分配失衡提供了如下启示：

第一，完善数据立法，加快数据开放，促进企业公平竞争。实证表明人工智能会缩小行业差距，但人工智能带来的生产率增长会抑制这一效应，这可能意味着人工智能高速发展，会扩大行业间的生产率差异，从而扩大行业收入差距，这一结果的根源在于AI的数据偏向性，数据和算法汇聚引发了不公平竞争，扩大了行业收入差距，因此政府需加强对数据的治理，当务之急，需完善数据立法，倡导数据开放，在企业数据共享方面，应允许个人数据由一个平台合法迁移到另一个平台，营造公平的竞争环境，对于政府拥有的国民税收、银行、教育、健康等公共数据，也应该通过立法共享给企业，以促进技术创新。例如美国《开放政府数据法案》要求联邦机构必须以机器可读和开放的格式发布任何非敏感的政府数据并使用开放许可协议。

第二，完善数据要素分配制度，增加劳动者报酬。人工智能作为一种资本集约型技术，不可避免地带来劳动收入份额的减少，因此在初次分配范畴上增加劳动者报酬，需完善数据要素分配制度。埃里克等(2019)在《激进市场》中测算，未来20年，如果对数据劳动支付报酬，将使经济总量的9%由资本所有者转移到劳动者，收入不平等将大幅削减[30]。数据要素报酬分配的关键在于将数据划分为劳动还是资本？ 数据要素分配首先需对数据的劳动属性进行界定，允许数据劳动通过参与生产过程获得回报，以体现劳动价值。其次是对数据权属进行确权，消费者拥有个人数据的所有权、处置权和财产权，有权通过有偿共享数据参与企业利润分配，获得数据的财产性收入。再次是完善数据交易市场，便于数据加工、许可和转让等操作，促使数据实现其财产性收入功能，在受益各方进行分配。

第三，增加人工智能适用性人才供给，提升普通劳动者数字技能，降低劳动者技能溢价水平。首先，针对人工智能人才匮乏导致的高薪酬溢价的情形，各类高校应从人才结构、岗位类型、知识和技能要求等方面厘清AI人才岗位能力标准，区分博士、硕士、本科和大专层次，建立匹配产业发展的各级人才培养体系，并吸纳AI企业为高校提供场景实训或采取学徒制的产教融合培养模式，培养人工智能适用性人才。其次，针对普通就业者缺乏数字技能造成就业难的问题，政府可设立专项资金，进行普惠性的数字技能化培训，减弱数字技术进步带来的结构性失业，比如欧盟启动的欧洲新技能议程计划，投资了270亿欧元用于提升民众的基本数字技能；新加坡政府推出的SkillsFuture Initiative项目，为每位25岁以上的居民提供500新加坡元的数字技能培训经费。