人工智能对职工劳动收入份额的影响＊——基于技能偏向视角的实证研究

■ 轩轶轲 张义明

河北工业大学经济管理学院 天津 300401

0 引言

关注收入分配是扩大需求，顺应消费升级，实现新发展格局的趋势；也是缩小收入差距，实现人民对美好生活向往，实现小康社会的必经之路。从国际角度看，我国的劳动收入份额低于世界上大多数国家在55%～65%的平均水平[1]；在我国内部，劳动收入份额在不同地域间也存在差异，其中中西部地区相对较低，东部沿海各省相对较高[2]，但总体仍低于国际平均水平。较低的劳动收入份额影响个人体面劳动、企业技术革新、产业结构与升级、内需不足等方方面面。

虽然借助于技术进步，社会先进生产力得到了较大的发展，立足于“双循环”新发展格局，如何提高劳动收入份额成为了各界关注且需要解决的现实问题。2017年《新一代人工智能发展规划》强调推动人工智能以提高经济效益和社会福利。2017～2020年的政府报告连续4年提到人工智能，从重视人工智能与产业化的联系，到强调“促消费惠民生调结构增后劲”以提升民生和社会福祉。那么旨在提高经济效益和民生福祉为导向的人工智能的发展能否兼顾效率和公平，即是否有利于提升微观企业职工的劳动收入份额？以及中间机制如何？

人工智能带来的经济增长效应在现有研究中普遍持肯定态度。Zeira最早提出自动化经济增长模型，视自动化为一种资本投入推动经济持续增长[3]。Mark Purdy和Paul Daugherty 也认为人工智能是资本与劳动混合的一种新的生产要素,能够驱动技术创新来提高企业生产率[4]。随着经济增长的深入研究，以及收入分配不断恶化的现状，学术界开始关注人工智能对收入分配的影响，并且尚未形成相对统一的观点。最初以Roy Harrod和John R.Hicks为代表的学者开始关注技术进步与要素收入份额间的联结[5]。并且“卡尔多事实”认为在经济增长中要素分配份额保持不变，而中国的劳动收入份额并非稳定，这向相关理论提出了挑战[6]。部分学者从抽象的偏向性角度出发，认为人工智能技术具有劳动偏向性，将助于形成新的产业、产生新的劳动需求[7-9]，促进就业与增加收入，而有的学者则主张人工智能是资本偏向性的，产生利润侵占工资的现象，最终使收入份额下降[10]。进一步地，郭凯明[11]基于人工智能的通用技术属性实证发现，具有不同部门特征与产出弹性的产业对劳动收入份额的影响不同。如果人工智能在资本密集型部门具有更大的产出弹性，那么产业结构在进行转型升级时将更大幅度提高对劳动的需求，导致劳动收入份额上升。

通过梳理以往研究对人工智能与劳动收入份额关系的认识和理解有重要借鉴意义。首先，本研究不同于研究人工智能的“增长效应”，而从人工智能对收入产生功能性初次分配的“分配效应”的角度进行研究，更能体现劳动要素的地位，避免一系列再分配政策的干扰，机制更为清晰。其次，文章不从技术进步的抽象性质[12][13]出发，而聚焦人工智能这一具体技术的应用对劳动收入份额的影响。最后，关于收入分配的讨论，大都停留在宏观层面，然而宏观数据往往具有平滑群体差异。随着异质性企业理论的发展与数据可获取性的增强，以及上市公司的职工在整体劳动力市场中属于“首要劳动力市场”[14]，采用上市公司微观数据进行研究被认为能够克服宏观总量偏误。因此，本研究聚焦人工智能嵌入度最高的所属行业的上市公司，研究人工智能对企业职工劳动收入份额的影响，并通过构建中介效应模型进一步理清中间的作用机制。这对深入剖析劳动收入份额的局部影响极为重要[15]，有助于立足“双循环”新发展格局，为智能化社会的就业政策制定和企业行为提供参考依据。

在人工智能发展的影响下，人工智能时代的劳动力转型和对策研究具有理论和现实的必要性，河北省教育厅因此设立了名为“人工智能时代河北省高等教育人才培养转型升级路径研究”的项目，本研究是该课题项目的部分成果。基于劳动技能偏向视角探索人工智能对劳动技能人才产生的影响及内在机制，为课题中人工智能时代人工智能时代劳动力市场需求、河北省高等教育人才培养转型升级路径研究提高部分支撑。

1 研究假设

1.1 人工智能与职工劳动收入份额

结合相关理论以及王雄元和黄玉菁[15]在微观层面的研究思想，人工智能对职工劳动收入份额的影响取决于两种不同方向的效应产生的综合效果。一方面，人工智能产生强劲的增强效应。首先，从企业战略布局角度，人工智能被视为企业面向未来的一项战略投资。根据“成功分享计划”认为，人工智能的投入实现企业面向未来的战略布局目标，促进企业流程改进、推动企业在市场上、技术上达到预期的目标，从战略上来看是成功的，因此企业会给员工更高的薪酬福利。尽管由于企业投入人工智能需要大量资金和管理成本，可能短期不能立即获得预期的利润目标，但企业借钱也会给员工发放福利，因为在企业看来借钱不意味亏损，恰恰是未来成功获得收益的净现值。其次，在补短板方面。随着人口老龄化、抚养比增加带来生产要素丰裕程度的不断弱化，我国劳动力存在供给数量和质量短缺的现象，劳动力并未被充分利用，效率低下。而人工智能通过“补短板”效应，弥补过去劳动力效率低的短板，有效促进劳动边际产出增长。也就是说，智能化水平提高促进技术进步方向偏于劳动要素[13]，产生增强效应，对劳动收入份额有正向的影响。另一方面，人工智能可能产生有限的节约效应。有学者将人工智能看成一种资本，即使产生设备维护、信息保护、隐私泄露等成本增加的现象，但能在一定程度上替代部分劳动力，使企业用工数量减少[16]，用工成本降低，进而可能形成马克思论述的“产业后备军”的境况。

随着劳动力成本越来越高，人工智能主要对一些人们不乐意和干不好的工作进行补位和替代，因此节约效应是有限的。人工智能产生的增强效应会更强，其产生的积极作用足以补偿节约效应对劳动收入份额带来的有限冲击，给企业带来更大的利润空间，提高劳动要素的地位，最终导致总体的收入占比上涨。基于以上，提出以下基准假设：

H1：人工智能的应用改善了制造业上市公司的职工劳动收入份额，即人工智能有助于提高职工劳动收入份额。

1.2 就业技能结构的中介效应

人工智能通过替代效应、互补效应、派生效应的特点对职工的就业结构产生影响，进而影响职工劳动收入份额。

第一，替代效应。依据成本假说，企业引入人工智能等创新型技术会增加企业的相关成本，包括有形损耗和无形损耗产生的折旧费用，以及后期设备维修费用也都计入成本中，从而增加了企业的运营成本，企业迫于成本压力和追求利润，会采取措施，减少雇佣用自动化可以代替的一些中低技能的生产型劳动力，同时高技能的雇佣量不仅不会减少还可能会增加，表现出技能偏向性这一特征[17]，进而促使就业结构向高技能化方向发展。

第二，互补效应。虽然人工智能的替代效应减少了低技能劳动力的雇佣，但是在智能化过程中会创造新的工作任务和就业岗位[18]，新的工作任务和岗位需要与之匹配的劳动力互补，譬如企业会加大对机器操作和技术维修人员等高技能的劳动者的需求与雇佣。 基于“资本-技能”互补理论，资本与技能劳动有很强的互补性，企业可以通过人机交互补充劳动力。另外，“干中学”理论认为智能设备应用将促使劳动者在生产实践中不断积累工作知识和经验，呈现向技能劳动转化的趋势[19]，实现工人的再技能化，促进技能结构高级化演进。因此，基于以上理论，人工智能的互补效应一方面直接增加了对高技能劳动需求，一方面促进低技能劳动转化为高技能。

第三，派生效应。由于人类需求是不会饱和的[20]，总会派生出新的就业机会。人工智能提高工作效率引致产品价格降低，市场需求增大，使得产业规模扩大，衍生出更高级的就业岗位，需要更多的人才辅助，不易被替代的非常规性、高技能劳动的相对需求增大[21]，比如市场部门中创新研发、技术实施、工艺设计等高技能人才推动企业内部员工的就业技能结构向高级化的方向不断演进。

人工智能的应用带来就业技能结构向高级化方向演进，拉高高技能劳动者的相对从业人数[22]，进而提高职工报酬所占的比重，引致职工劳动收入份额上升。基于以上，提出以下假设：

H2：人工智能有利于促进就业技能结构高级化发展。

H3：就业技能结构在人工智能影响职工劳动收入份额的关系中具有中介效应。

2 研究设计

2.1 模型设定

基于假设H1，为了检验人工智能是否能够改善职工劳动收入份额，设定如下模型：

结合前文分析，参考温忠麟和叶宝娟[23]的方法构建如下模型检验就业技能的中介效应。其中，i表示企业；t表示时间；LSit是职工劳动收入份额；AIit代表人工智能；skill_jobit和skill_eduit分别是用工作性质和受教育年限定义的就业技能结构；Xit是模型的控制变量；α 是系数；γit是个体固定效应；εit是随机扰动项。

2.2 指标选取

（1）被解释变量：职工劳动收入份额（LS）。在微观层面，通常用劳动分配率来表示企业中职工分配水平[15]，因此，本研究采用劳动分配率即员工薪酬与营业收入的比值衡量被解释变量。

（2）解释变量：人工智能（AI）。首先本人收集研究对象的所有上市公司的年报，选取了“智能制造”、“智能化”、“智能”3个能够代表企业是否应用人工智能的关键词；其次根据PDF 的高级查找功能对关键词进行精准定位，并根据关键词所在的语句分析该企业是否在用或用过人工智能；最后基于所选语句统计企业应用人工智能的频率并将其标准化，频率越高表明该企业人工智能的应用程度越大。

（3）中介变量：就业技能结构。国际上通常对劳动力技能划分有2种：首先，以工作性质定义就业技能结构（skill_job）。企业的研发主要靠高技能、高素质的人力资本，参考刘丹鹭[24]认为企业的研发创新可以看成高技能劳动的一个替代指标，用企业研发投入总额占营业收入的比例代表就业技能结构，比值越大代表研发人员越多，就业技能结构越高级。其次，用受教育水平衡量就业技能结构（skill_edu）。企业年度报告中，员工情况一栏披露了不同学历员工的就业人数，因此参照孙文远和周寒[25]有关就业技能结构的测算方法，将就业者的受教育程度作为就业技能的替代变量。运用PDF 中的定位功能手工收集企业年报中的员工学历构成，本科及以上的员工数与本科以下的员工数的比值为就业技能结构。

（4）控制变量：企业规模为营业收入的自然对数（size）；盈利能力（roa）用资本利润率表示，为利润总额与总资产的比值；偿债能力（liab）为负债总额与总资产的比值；税收负担（tax）为应交税费比营业收入；资本密集度（fix）为资产总额与员工人数比值的自然对数；发展能力（pog）用总资产增长率衡量。

2.3 数据来源与统计特征

《中国制造2025》的颁布推动了制造业智能化发展。然而人工智能在不同制造行业的应用程度不同。根据现实经验和权威文献支持，人工智能在计算机、通信和其他电子设备制造业中的嵌入度最高[26]，因此选择2015～2019年深沪证券交易所A 股上市的计算机、通信和其他电子设备制造业（C39）的企业作为研究的初始样本。样本进行如下筛选：（1）剔除ST、*ST、退市的上市公司；（2）剔除年报数据缺失的公司。最终得出2015～2019年231家上市企业的相关数据。本研究中的一部分数据来自国泰安（CSMAR）数据库，一部分数据根据相关样本公司2015～2019年的年度报告进行手动收集。

主要变量的描述性统计结果见表1，数据分布较为合理，满足回归的需求。

表1 主要变量的描述性统计结果

3 实证分析

对各个模型进行Hausman 检验，检验结果显示适合选用固定效应模型对假设进行检验。各个模型的VIF值均小于10，避免了多重共线性。

3.1 基本假设检验

首先，表2的列（1）至（2）是全样本回归结果。列（1）报告了只包含控制变量的回归结果，表明这些控制变量是影响职工劳动收入份额变动的重要因素，列（2）报告了引入人工智能后的结果。其次，考虑到部分企业在2015年未上市，采用2016-2019年存续的企业样本构成平衡面板样本进行回归，列（3）为回归结果。非平衡面板和平衡面板检验中AI系数均显著为正，假设H1成立。说明在观察期内制造企业应用人工智能带来更强的增强效应，出现提高职工劳动收入份额的行为，与金陈飞等[9]的结论一致，也与刘亮等[13]认为随着智能化发展，收入分配会倾向劳动力的结论相吻合。该结果为后文的机制检验奠定了基础。

3.2 稳健性检验

首先，改变职工劳动收入份额的衡量方式。本研究参考魏下海等[27]的衡量方法替换被解释变量，回归结果为表2的列（4）。其次，重新衡量人工智能再次回归。本研究参考李雅宁等[28]的数据获取思路，对同花顺数据库中纰漏的人工智能概念板块上市公司进行样本收集，并筛选属于制造业C39 行业的样本与初始样本进行对照。初始样本中属于人工智能概念板块的上市公司记为1，否则记为0。回归结果如表2 的列（5）所示。此外，为了克服可能存在内生性问题，采用滞后一期的自变量重新回归，表2的列（6）为回归结果。以上几次回归结果均和前文的结论一致，再次验证基准假设的稳健性。

3.3 机制检验

表2 的列（7）至（10）报告了就业技能结构的中介效应检验。其中列（7）和列（9）中AI的系数均显著为正，假设H2 成立，说明人工智能不论从工作性质还是教育程度角度，都利于促进就业技能结构高级化。列（8）和列（10）是同时加入自变量和中介变量的模型，可以看出就业技能结构的系数在1%和10%水平下显著为正，AI 的系数虽然从0.102 下降到0.061 和0.098，但仍保持正显著，假设H3 成立，说明就业技能结构在人工智能与职工劳动收入份额间起部分中介作用。中国正在处于经济转型时期，人工智能应用程度增强带来高技能劳动力需求加大，中低技能劳动力需求下降，结果就是逐渐实现就业技能结构高级化，这一现象有效强化和提高职工的谈判能力，促进职工劳动收入份额提升。

表2 实证检验回归结果

4 进一步分析

4.1 非线性关系探讨

从长远来看，随着人工智能的应用，职工劳动收入份额与人工智能间可能存在非线性的关系。人工智能的应用创新企业的生产模式，提高了企业的管理效率，但智能化程度过高会造成企业中相关人员的冗余，导致大量裁员，此时人工智能的节约效应越来越强，直至占据主导地位，造成职工劳动收入份额下降。另外，强人工智能对人的依赖减弱，智能化程度太高可能会造成竞争机制的失灵，企业应用强人工智能提高生产率，而不愿花高成本吸引人才成为市场的一种默契，造成人工智能的增强效应减弱，职工劳动收入份额减少。基于以上，认为人工智能对职工劳动收入份额间可能存在倒“U”型的非线性关系。在模型（2）的基础上加入人工智能的平方项（AI_sq）再次回归，结果如表3的列（1）所示。通过回归结果可看出，AI_sq 系数显著为负，证明人工智能确实能提高职工劳动收入份额，但是对职工劳动收入份额的提升作用存在边际递减效应。具体而言，当智能化应用程度达到0.51 时，边际效应开始下降至负数，此后人工智能的节约效应开始占主导，产生利润侵占工资现象，挤出职工劳动收入份额，两者间存在倒“U”关系。

4.2 异质性分析

促进消费外循环的背景下，出口企业往往具有更高的贸易自由度。基于Stolper-Samuelson 定理，国际贸易会提高丰裕要素报酬，从而认为在劳动要素相对丰裕的中国，有出口行为的企业可能会有更高的劳动收入份额。吴晓怡和Huang 等部分学者通过中国数据进行实证研究支持这一推论的同时，还提到出口与技术进步的互动会进一步地增加劳动收入份额[29-30]。本研究以营业收入构成中是否存在国外业务收入判断企业是否有出口业务，将企业分为出口导向组和非出口导向型组。通过表3 中列（2）至（3）的报告显示，出口导向组企业的AI系数为正。即在出口企业中人工智能对职工劳动收入份额的提升效果更明显，企业的出口行为增加人工智能对职工劳动收入份额的正向作用。

表3 进一步分析结果

5 结论及建议

收入分配作为民生之本，特别是初次收入分配的下降将导致技术革新动力欠缺、消费增长乏力、内需不足，影响“双循环”新发展格局的构建，阻碍经济发展和人民幸福。在新科技革命时代，我国强调人工智能与实体经济深度融合提升民生福利和社会福利。那么，迅速发展的惠民生的人工智能在企业应用是否有利于改善职工的劳动收入份额？人工智能在计算机、通信和其他电子设备制造业（C39）的应用程度最大、嵌入度最高，因此本研究在此行业聚焦人工智能对职工劳动收入份额的影响及内在机制，回答上述问题。

具体而言，本研究基于2015～2019年C39 行业制造企业上市公司的微观数据，通过理论分析和实证检验考察了人工智能在微观层面对职工劳动收入份额的影响，有效克服了宏观总量偏误。研究结果表明：人工智能在制造企业的应用不仅可以直接提高职工劳动收入份额，而且可以通过促进企业员工就业技能结构高级化进而改善职工劳动收入份额。这说明人工智能的应用，确实有助于改善职工的劳动收入份额。进一步探讨发现，两者存在倒“U”型关系，即人工智能对职工劳动收入份额的影响有边际递减效应。此外通过异质性分析表明，人工智能对出口企业的促进作用比非出口企业更明显，即出口行为有利于提高人工智能对职工劳动收入份额的促进作用。

根据研究结论本研究提出如下政策建议：

（1）政策推动人工智能高质量发展。一方面，应调整产业内部人工智能深度结合，推动制造业创新发展。比如浙江“机器换人”战略不是粗放地替代工人，而用智能设备替换传统设备来改善工作环境，提高生产效率，拓展更多就业的机会。另一方面，加强人工智能与产业转型升级的粘合，发展高端生产性服务业，扩大消费外循环的出口升级，提高全球价值链分工地位，促进制造业国际化与服务化转型。

（2）优化收入再分配领域的政策调控方式。双循环的关键在于收入分配格局，因此要加强再分配对收入的调控助推国内大循环。一方面，税收作为收入再分配的直接手段，政府应完善和建立更加科学有效的税收体系。比如各国政府都在思考征收“机器人税”的政策，这是解决机器取代人问题的一个方向。另一方面，要继续完善社会保障体系，建立合理的失业保障和最低工资标准，激发劳动者工作的积极性，实现个人发展，兼顾效率与公平，共享科技进步成果。

（3）完善教育培养和再培训制度。人工智能的应用与发展整体上提高劳动收入份额，其背后是高技能劳动力相对需求增加产生的结果。一是应完善人才培养机制，支持高校与企业合作，培养适应智能化时代的创新型人才，在供给端提高人才与就业岗位的匹配度。二是需鼓励企业制定与智能技术相关的员工培训策略，开展员工技能培训教育活动，推动中低技能劳动力高级化。三是鼓励企业结合人工智能等技术，深度剖析市场需求，开拓更多就业机会，扩大人工智能增强效应的影响。