人工智能应用、劳动报酬份额与失业率动态关系的实证分析

马国旺，李焙尧

（天津财经大学经济学院 ，天津 300222）

一、引 言

随着云计算、大数据、区块链等技术不断融合与延伸，全球发展进入工业4.0 时代。 智能技术作为技术进步的具体产物，正不断渗透到社会各个领域。 一些重复性和程序化的岗位正被逐步替代，同时诞生的新职业则多集中于高新技术和服务行业，因此，部分传统行业的劳动者面临着转岗和失业的危机。 2018 年5 月习近平总书记在中国院士大会上强调：“要以智能制造为主攻方向推动产业技术变革和优化升级，以‘鼎新’带动‘革故’，促进我国产业迈向全球价值链中高端。 ”人工智能技术对生产力和生产关系变革的影响力远远超过以往历次技术革命和产业结构变迁，其中最为关键的是对就业结构、就业模式和与之息息相关的国民收入分配格局的重大影响。

我国作为较早部署人工智能技术的国家，目前已经在智能产业领域初具规模。 2017 年国务院印发《新一代人工智能发展规划》，提出到2025 年我国实现部分技术与应用达到世界领先水平，人工智能成为产业升级和经济转型的主要动力； 到2030年，人工智能理论、技术与应用总体达到世界领先水平并孵化出10 万亿产值[1]。 近年来，人工智能技术的应用场景越来越广泛，贯穿于传统产业和新兴产业之间，并逐步促成二者的深度融合，智能经济时代的全新产业版图初步显现。 图1 展示了人工智能在我国的主要应用领域及其产业份额，可以看出，安防是当前人工智能的主要应用领域，人工智能技术在金融行业中也占据一定份额，然而，智能技术在农业和医疗行业中应用程度较低，二者巨大的市场潜力有待进一步开发。 我国正处在全面转型的关键期，伴随着老龄化问题加剧，产业转型升级压力增大，对人工智能的潜在市场需求日益增加。2020 年突如其来的新冠肺炎疫情在给全球经济造成巨大影响的同时，也带来了智能化新需求。 人工智能技术的一大特点是跨学科性极强且对产业链影响深远。 此外，基于技术偏向性特点，智能技术对不同行业的冲击程度不尽相同，但总体上对劳动力的替代作用正日益凸显。 2020 年我国城镇新增就业1186 万人，比上年少增加116 万人，失业保险基金支出大幅增加，各行业期望薪酬较2019 年普遍下降。 其中，程式化任务为主的职业遭受的冲击尤为严重，冲击效果非工业化时代所能比拟。 我国现阶段的核心技术比较薄弱，人力资本水平与发达国家差距较大，智能化变革所带来的结构性调整对市场的冲击强度很可能高于发达经济体，甚至将导致就业极化现象，引发一系列“就业难”和“招工难”的社会问题，加剧贫富分化程度[2]。 因此，我国在生产力维度上走向智能技术强国的过程中，也必须在生产关系维度上充分考虑人工智能应用带来的负面影响并前瞻性地制定应对之策。

图1 2019 年人工智能在不同应用领域的产业份额

二、相关文献综述

国外学者对于新技术的应用给就业市场带来的影响大多持悲观看法。 Bloom 曾经指出，新机器的出现将在未来逐步替代现有劳动力所承担的大部分工作，随着技术的入侵，劳动者将变得多余且贫穷[3]。 正如马克思所言，科学将成为与劳动对立且服务于资本的一种独立力量，这意味着科学技术成为替代劳动者的新生产力[4]。 从这些论断来看，二者似乎构成了不可调和的对立关系，以至于人工智能问世后，学界对此的担忧愈发增加。 Goos 等人的研究表明，当程序化工作交由人工智能自动完成之后，会导致失业率激增；相反，需要劳动者独立解决问题或具有创造性的工作需求则会因此上升[5]。Autor 认为人工智能虽然带来了效率方面的提升，但同时提高了资本要素回报率，加剧了初次分配中劳动与资本份额占比的差距，不利于维持既定的劳动报酬份额[6]。 Acemoglu 和Restrepo 从岗位调整角度指出，人工智能的推广既创造出一批新就业岗位，也会淘汰部分传统岗位[7]，这一过程中劳动者通常不太可能做到新旧岗位的高效转换，个人需因此承担繁重的社会成本。 为佐证上述观点，Benzell 构建出两期OLG 模型测算国民收入变动状况，结果显示智能技术的应用显著降低了劳动收入在总收入中的占比，且这种趋势将在未来继续保持，部分劳动者可能因此致贫[8]。然而随着研究的不断深入，部分学者提出了不同看法。 Caselli 和Manning 对市场做出经济假设，即在完全竞争和利率稳定的条件下，人工智能使得投入资本的价格同比于产品价格下降幅度更大，从而促进相对工资水平上涨[9]。 Graetz和Michaels 收集了1993～2007 年发达国家的行业数据进行实证研究，发现工业机器人的使用提高了生产率， 虽然小幅减少了中低技能工人的劳动时间，但对总劳动时间影响甚微，总就业量并未因此下降[10]。Lele 则以农业为研究对象考察人工智能对具体行业的影响，结论表明智能技术深化了市场与农民之间的信息传递，有效促进了包容性农业的健康发展，为农民增收创造了有利条件[11]。

国内学者的研究起步较晚，但对相关问题的担忧同样存在。 蒋南平等人认为人工智能的应用对于第二和第三产业中一些传统行业会产生破坏性影响， 各产业中低技能劳动者将因此面临失业危机[12]。 邓洲和黄娅娜持有相同观点并补充提出，人工智能具有通用技术和使能技术的双重特征，在催生新产业和新岗位的同时淘汰部分传统岗位，从而造成大规模结构性失业[13]。 杨伟国等从产业分布视角进行模型推导，发现我国人工智能的普及亦会产生就业极化现象，中等技能劳动者所承担的失业风险高于两极，工资不平等问题也将随之加剧[14]。 谢萌萌和夏炎围绕智能技术对制造业的影响展开实证分析，结果表明低技能就业比重随企业融合人工智能的时间逐年递减，技术融合会在一定程度上刺激当期资本和收入积累，降低劳动边际产出，最终迫使企业做出裁员决定[15]。 吴清军和陈轩则选取电商平台为研究对象，测算出人工智能对市场就业的影响并用倍差法和差值法加以验证[16]。

另一方面，乐观派学者则对此表达不同见解。蔡昉认为人工智能具有特殊性，应从长远视角考察其对劳动力市场的影响，未来它可能会推动世界经济进入“里夫金式”的时代[17]。 王裕国以大数据、物联网、人工智能等新技术所创造的产品为例，说明新技术的应用颠覆了传统消费理念，在惠民便民的同时成为拉动社会生产的强大引擎[18]。 蔡跃洲运用经典归纳演绎方法对经济特征和人工智能的关系进行梳理，发现人工智能与国民经济增长存在直接联系，但结构性冲击在所难免。 年龄和岗位结构构成错配，中短期内结构性失业现象较为频发[19]。 张鹏飞也对技能偏向型技术进步与就业、程序偏向型技术进步与就业等问题进行了系统梳理，指出二者并非此消彼长的简单关系，需要放在动态系统中考察其关联性[20]。 张于喆通过对技术革命的剖析提出，人工智能技术进入应用扩散阶段后，可能对市场经济引发链式反应，各方若不及时干预将导致无法控制的复杂局面，长期就业效应不容乐观[21]。

尽管已有相关文献已涉及人工智能与劳动力市场、 人工智能与收入分配之间的关系等问题，但尚存在以下有待进一步拓展之处：第一，人工智能应用、劳动报酬份额以及劳动者失业之间可能存在一定的双向关系，但尚未有文献清晰地将三者结合起来纳入一个统一的系统模型中进行研究。 第二，多数文献侧重于讨论3 个变量两两之间的影响机制并进行现象描述，但由于经济运行处于动态变化之中，一般静态模型难以准确捕捉结构性变化，亦无法刻画出多个变量间的动态关联性。 第三，已有研究多采用国际比较视角并以全国宏观数据为切入点，缺乏对省际面板数据的研究分析，亦较少具体探究各变量间的影响效应和程度，以及通过实证模型进行长期趋势性预测。随着我国对人工智能重视程度不断提高，相关应用场景不断延伸，在省际层面研究人工智能与失业、收入分配间的动态关系显得十分必要。

三、人工智能应用对就业和收入分配的影响机制

伴随着第四次工业革命的进程，人工智能给产业结构和生产方式带来了一场系统性变革。新熊彼特创新理论对此的解读是，在不可分解的复杂系统中， 技术创新的本质是正反馈和负反馈的结合，即使微小的变动都可能引发剧烈的后果。 正因如此，人工智能的发展速度和规模将决定其所产生的不同效应。图2 展示了人工智能应用在经济系统中的两大作用机制，即替代效应和补偿效应。

图2 人工智能的作用机制

从短期来看，替代效应发挥主导作用。 基于多学科交叉的人工智能技术能够与经济社会各领域相结合，有效提高投入—产出效率，促使资本要素的贡献比重提升，客观上提高资本有机构成，并推动产业转型升级。同时人工智能的应用将淘汰一批落后的产业体系，有助于各部门经济实现高质量发展。 经济发达地区凭借发展优势，对人才和要素产生虹吸效应，为人工智能提供更丰富的应用场景。

当市场和企业广泛应用人工智能技术后，补偿效应将成为主导。 创新作为既定要素之外的推动力带来了新的产品，引发稳定的市场需求，并且孵化出新兴企业，形成与人工智能相关的完整产业生态链。 人工智能的趋同机制加速了知识扩散，而可观的技术红利使其获得资本市场的青睐。 与此同时，区域发展的不平衡也将因此被放大，产业聚集和资本聚集将在空间上出现极化现象。 此外，围绕人工智能的新一轮市场竞争将在各领域展开，特别是一些传统企业和部门会面临重大转型问题，如何根据时代特点选择适合的发展道路成为一大难题。

人工智能带来的两大效应也将对劳动就业和收入分配产生深远影响。 劳动就业受技术普及的影响最为直接，不论就业形式还是就业内容都在不同程度上发生重大变革。 从理论层面分析，智能化的推广客观上缩短了劳动时间并改善了部分岗位的就业质量，新平台经济也为市场孕育出新职业。短期来看，人工智能对就业的消极影响可能更为显著，传统岗位被替代意味着部分劳动力的失业在所难免。 人工智能挤占传统岗位将产生大量剩余劳动力，短期内规模性失业可能引发一系列社会问题。纵观历次技术革命，都会降低对低技能人才的需求。技术革命创造的工作岗位对人力资本的要求更高，而市场无法在短期内提供符合要求的人才，造成技术岗位空缺。 上述两种情况构成了劳动力市场的结构性失业，引发社会各界关于失业问题的恐慌。但是经过阵痛期之后，人力资本充分积累，产业结构全面升级，生产规模逐步扩大，人工智能在研发、管理、维护等过程中为市场创造出大量新增就业岗位。 此时，劳动力边际产出高于原先水平，市场需求同步增加，这意味着人工智能的补偿效应大于替代效应。 除此之外，人工智能技术的发展逐步降低了资本价格，刺激企业增加资本要素投入，进而减少劳动要素的投入总量，拉大二者在收入分配中的差距。 另一方面，智能技术对部分行业的替代率较高，厂商多倾向于增加技术投入以提高生产率，致使劳动报酬份额降低。 回顾20 世纪80 年代，发达国家正是因此出现了普遍的劳动报酬份额下降趋势。 基于行业和分工不同，初次分配中财富集聚效应被放大，管理层和高技能岗位出现工资溢价，社会财富向小部分人群倾斜，再次引发“技术变革陷阱”，最终导致社会两极分化加剧。

随着中国对人工智能重视程度不断提高，相关应用场景不断延伸，将人工智能与劳动就业、收入分配纳入同一框架下进行系统分析显得尤为重要。笔者拟借助统计数据和实证模型，探究失业率和劳动报酬份额受人工智能影响的程度以及三者的内在关联性。 考虑到行业类型的异质性，智能技术对于不同行业劳动者收入和就业的影响不尽相同，然而囿于数据可获得性，本文拟从省际层面整体讨论人工智能的作用效果。 未来的研究将进一步细化对研究对象的分类，并对不同行业进行深入的比较探究。

四、模型设定与变量选择

（一）模型设定

通过对已有文献的梳理，结合当下针对人工智能影响收入分配和就业的热点争论，笔者初步推测失业率、劳动报酬份额、人工智能应用程度之间可能存在着复杂的内生动态耦合关系，且由于技术进步和劳动力市场滞后性等客观因素的存在，一般回归模型无法较为准确地估算出变量间的关联程度。有鉴于此，本文运用VAR 模型及脉冲响应函数来观测各变量间的相互作用关系，并进一步预测其中某一变量的冲击将会对自身乃至其他变量产生何种动态化影响。鉴于本文选用的数据是各省不同年份的省际面板数据，因此采用面板向量自回归模型（PVAR）。 此外，面板数据中往往存在非观测效应，为提高预测精度，需要在PVAR 中引入个体效应和时间效应。将失业率、劳动报酬份额、人工智能应用程度作为系统内生变量构建如下动态面板模型：

其中，Yit是一个1*3 的矩阵，包含本文的3 个关键变量：人工智能应用程度（Application degree of artificial intelligence，DAI）、失业率（Unemployment rate，UR）、劳动报酬份额（Share of labor remuneration，SLR）。 下标 i 代表不同省份截面单位，包括了全国31 个省级行政单位，t 对应各统计年份，s 为向量滞后阶数。 考虑到随着时间推移经济发展水平和技术进步可能出现的变化，在PVAR 模型中加入不可观测的时间效应；同时为了突出不同省份之间劳动力市场、就业人口数量、财政收支水平等因素的差异性，又加入了表示不可观测个体效应的变量表示不考虑个体效应和时间效应的随机误差项。

（二）数据来源与变量说明

笔者所选用的PVAR 模型以省际面板数据作为研究基础， 文中所涉及的各年份数据来源于2007～2020 年出版的 《中国统计年鉴》、《中国人口和就业统计年鉴》、《中国劳动统计年鉴》 以及各省份统计年鉴，其中个别年份中未收录西藏自治区相关数据，故采取线性插补法进行推断补齐。 与一般VAR 模型相比，PVAR 模型的优势在于对时间序列的跨度要求降低，为实证分析提供了便利。 本文所涉及的实证分析均由stata15 软件完成， 主要变量的统计性特征和相关系数如表1 所示。

表1 变量描述性统计

本文PVAR 模型中3 个主要变量的度量方式如下：

人工智能应用程度（DAI）。 我国目前并没有确立公认的人工智能应用程度指标，对其估算存在一定难度。 笔者参照Borland 和Coelli 所著经典文献中的处理方法，用信息传输、计算机服务和软件业全社会固定资产投资与生产总值的比值来表示人工智能的应用程度[22]。 此外，人工智能技术从投入到产生影响需要经过一段时间，故对各年份的数据先进行滞后一期（1 年时间）处理再展开实证分析。

失业率（UR）。 作为衡量某一地区闲置劳动产能的主要指标，失业率主要是指失业人口占劳动人口的百分比，鉴于目前人工智能对农业的影响份额极小，数据可获得性有限，本研究中的失业率默认为城镇人口失业率。 由于劳动就业部门的失业登记数据往往不够全面，可能低估实际失业情况，故2018 年之前采用人口抽查数据测算出城镇失业率，2018 年后采用国家统计局公布的城镇调查失业率作为估计指标。

劳动报酬份额（SLR）。 劳动报酬份额也称劳动收入占比，是指国民收入分配中劳动收入所占的比重，将其引入PVAR 系统中以反映劳动收入变动情况。本文采用依据收入法计算的劳动者报酬增加值除以总增加值（包括工资、折旧、福利费、营业盈余）表示劳动报酬份额指标，为控制影响变量，将增加值中的税收部分予以剔除。考虑不同年份利率差异可能造成的影响，以初始年份的GDP 指数为基准对各省数据进行标准化处理后计算对应指标。

五、人工智能应用、失业率、劳动报酬份额整体关联程度分析

(一)变量平稳性检验

为确保PVAR 模型的估计系数以及后续的脉冲响应函数和方差分解的准确性，需要先对各主要变量进行平稳性检验。 针对PVAR 模型特点，本文参考Levin 等人所使用的LLC 方法进行分类检验，按照假设条件的宽松程度依次对变量展开检验[23]。其中，前缀FE-TW 表示在估计模型中加入个体固定效应和时间趋势，前缀FE 表示仅考虑变量的个体固定效应，而无前缀表示变量不考虑上述两种效应。 文章遵循BIC 准则选择滞后较大阶数进行初步检验，结果如表2 所示。

LLC 原假设是面板数据含有单位根，即面板数据不稳定。 观测Adjusted-t 和对应的Adjusted-p，不难发现调整的p 值小于0.01，说明模型在1%的显著性水平下拒绝原假设，可以不考虑单位根的影响。由于3 种检验模式下Adjusted-p 值均小于0.01，为了进一步判断模型是否需要加入其他效应， 故将不同省份的变量进行整合后发现， 随着时间的推移，各省的失业率、人工智能应用程度、劳动报酬份额的变化趋势在整体上具有共性，满足加入时间趋势项的假设。 值得注意的是，个别省份的变化虽然符合时间趋势特征， 但在某些年份的波动性较大。因此，有必要加入个体固定效应以提高PVAR 模型的估计精度。

表2 PVAR 模型的LLC 检验

(二) 模型滞后阶数的确定

确定合适的变量滞后阶数对于构建PVAR 具有重要意义，若滞后阶数不足可能导致无法完全捕捉模型的动态特征，从而难以充分诠释动态变化特征；反之，滞后阶数过多将损失模型自由度从而降低拟合精度。笔者使用stata15 软件，按照赤池信息准则（AIC）、贝叶斯信息准则（BIC）、汉南昆信息准则（HQIC）3 种信息准则，分别滞后5 阶对模型进行检验，结果如表3 所示。 从结果可知，每种信息准则下的最小值用星号标出，星号最多的滞后项即最优滞后项，故PVAR 模型的最优滞后阶数为2 阶。考虑到本文数据时间跨度较短，故在后续模型构建中加入2 阶滞后项进行拟合回归。

表3 滞后阶数选择结果

（三） PVAR 模型构建及变量关联性分析

参考学者Love 的系统研究方法，本文运用系统GMM 法对PVAR 模型进行估计[24]，系数估计结果如表4 所示。 可以看出，人工智能应用程度（DAI）、失业率（UR）、劳动报酬份额（SLR）3 个变量间并非完全的双向动态关系。

在以失业率为主要研究对象的方程中，滞后期的人工智能应用程度对失业率产生了显著的负向影响，说明随着人工智能应用场景的不断延伸，其所能提供的就业岗位和就业选择逐渐增加。 劳动者通过学习使用智能技术，在一定程度上可以最大化实现自身就业。 这一结论未支持部分学者关于人工智能替代劳动力从而造成失业的观点。滞后期的劳动力报酬份额同样和失业率构成反向关联，这表明合理调整劳动报酬份额可在一定程度上对就业产生促进作用。

在劳动报酬份额作为响应变量的方程中，人工智能应用程度对劳动报酬份额的估计系数为负，意味着当前人工智能技术对劳动报酬份额的影响初步显现。 在样本期间内，劳动报酬份额与人工智能应用可能存在负向关联，这一结果与我国产业结构转型和数字经济发展关系密切， 因为技术更迭降低了市场准入门槛，相比于为雇用劳动者所支付的薪酬，人工智能技术的投入和维护费用更为低廉，该技术已被证实能够在部分岗位上发挥替代功能，用人单位倾向于选择这种高效且适用的生产模式，劳动报酬份额将会受到抑制。 这一实证结果也验证了学界关于智能技术改变劳资要素贡献比重的推断，二者在社会生产中贡献率的差异，将直接影响收入分配的比例。 失业率的滞后期系数同样为负，本文认为这可能是因为前一期失业率的攀升会影响市场就业积极性，为实现早日就业，劳动者不得不接受更低的劳动报酬，从而加剧了劳动力市场的不平衡。

当人工智能应用程度作为响应变量时，失业率的滞后期影响不显著，说明上一期的失业率变动情况对于下一期人工智能的普及程度并未产生实质性影响。 其原因在于，技术应用的推广主要取决于资深的创新型人才、完整的产业生态链以及研发成果的整合转化，劳动力市场中的就业波动无法直接作用于人工智能的场景应用。 同理，劳动报酬份额对人工智能产生的冲击亦不显著。

以上分析结果表明，失业率和劳动报酬份额之间具有对称的负向关联，即就业市场中失业率的攀升会抑制劳动报酬份额；相反，劳动报酬份额的提高会引发就业热潮，从而降低失业率。 此外，人工智能应用对于失业问题有所缓解，显现出就业补偿效应。 值得注意的是，人工智能对劳动报酬份额呈现负向影响，从侧面揭示出新技术的应用成本可能是决定其能否落地生根的关键因素。 在人工智能走向市场的过程中，高额的融资成本、研发投入和设备费用可能会成为主要掣肘因素。

六、时期变化分析与影响程度评估

(一)时期变化分析

结合上文推导的模型，笔者绘制出脉冲响应函数图，以进一步分析关键变量受到系统中其他变量冲击后的时间路径变化情况。 将PVAR 模型中DAI、UR、SLR 两两组合绘制脉冲图，结果见图 3。 图3 中纵轴表示冲击造成的波动程度，横轴表示冲击作用的持续滞后期数(以年为单位)。 每张小图中，中间那条线表示变量受到1 个标准差冲击后所产生的脉冲响应值，上下两条虚线表示95%置信区间的上下界。最终结果使用Monte Carlo method，经过大量模拟生成脉冲响应函数。

通过脉冲响应函数图，可以得到如下发现：

第一，给予人工智能应用程度1 个标准差冲击后，初期作用效果显著，随着时间推移这种影响会逐步衰减，即人工智能技术达到市场饱和后，其占比将出现收敛趋势。 加入失业率和劳动报酬份额的冲击后，人工智能未发生明显波动，响应程度在短期内归零，表明劳动力市场对智能技术的反馈作用甚微。

第二，给失业率1 个标准差冲击后，由于市场稳定器的作用，加之政府运用财政手段干预市场，失业率水平会有所调整，而目前失业率对于人工智能的冲击没有显著响应。 这一结果同上文系统GMM 分析结果相一致。此外，失业率对劳动报酬份额产生负向响应，说明提高劳动报酬份额对市场就业发挥了促进作用。

第三，施加给劳动报酬份额自身冲击之后，劳动报酬份额将会逐期递减。 根据分配调节机制可知，在不完全竞争市场前提下，国家通过货币政策和财政政策对收入增长和物价水平进行动态调控，致使劳动报酬份额在长期内趋于稳态。 失业率同样对劳动报酬份额产生短期负向冲击，说明在该系统内，二者存在双向动态负影响关系。 与之相仿，人工智能的标准差冲击将使得劳动报酬份额降至新的稳态水平。 结论印证了理论推导，即技术冲击在短期内对于收入产生抑制效应，达到技术饱和后，补偿效应使得劳动报酬份额回升至新的合理区间。综合上述分析可知，失业率和劳动报酬份额互为负向响应，它们对人工智能应用程度均无显著作用。

(二)影响程度评估

脉冲响应函数揭示出标准差冲击对各变量的动态影响，但未能解释冲击的影响程度。 因此，本文需要就各扰动项对系统内变量冲击的影响程度进行精确评估，以此作为判断不同类型冲击对每个内生变量重要程度的依据。 表5 是对PVAR 模型预测期的方差分解结果，依次给出了主要变量在第10 个、第20 个、第30 个预测期的方差分解值。

从方差分解的结果来看， 失业率的波动在第10 期大部分来源于自身作用， 第20 期和第30 期略有下降， 但整体上自身贡献率仍维持在79%左右。 劳动报酬份额的冲击次之，三期贡献度基本稳定。 这一结果否定了部分研究对于人工智能造成大规模技术性失业的担忧，说明国内失业类型仍以自然失业和结构性失业为主。 结合我国国情可知，政府宏观调控的着力点主要是解决结构性失业，运用法律、经济、行政手段保障就业市场稳定。 稳定的市场调节机制作为“看不见的手”对资本和劳动力进行合理化配置，确保二者处于相对稳定的冲击区间内，即劳动报酬的调整可以激发市场就业积极性，从而在一段时间内有效降低失业率。

当人工智能应用程度受到冲击后，同样是自身贡献值最大，失业率和劳动报酬份额的冲击可忽略不计，说明目前我国人工智能技术推广尚处于起步阶段，受劳动力市场的反馈影响较小。

反观劳动报酬份额的响应情况，不难发现，除了自身影响外，人工智能的冲击效果较为显著且在预测期内贡献度逐步上升， 三期贡献度分别为11.99%、12.65%、12.66%，这也再次印证了学界关于智能技术对收入分配产生影响的推论。已有研究对此的解释是，人工智能通过改变就业结构从而影响劳动收入，传统岗位被替代和新增岗位准入门槛增加造成“工作极化”，最终导致“收入极化”和劳动报酬份额下降。 由此本文推测，随着我国人工智能技术进入高速发展阶段，在未来一段时期，人工智能的应用对劳动收入的影响可能逐步明显，部分行业劳动者的收入份额将因此下降。 长期受此影响，失业率的提升具有潜在的可能性。 通过对脉冲响应函数和预测期方差分解的综合考量，本文认为，下一步有关部门应着眼于提高劳动报酬份额，激发市场活力以改善失业情况，并调节人工智能对劳动报酬份额的抑制作用。

七、研究结论与对策建议

（一）主要结论

本文基于我国2006～2019 年省际面板数据，构建PVAR 模型对人工智能应用程度、失业率、劳动报酬份额之间的关系进行实证分析，辅以脉冲响应和方差分解分析以进一步探究各变量的冲击程度及时间变化趋势。 主要研究结论如下：

第一，失业率与劳动报酬份额之间存在动态的双向关系。 劳动报酬份额上升将直接刺激市场经济，提高劳动者就业意愿，从而对失业率产生一定的缓解作用。 反之，失业率上升表明劳动力市场可能面临需求萎缩但供给过剩的问题，劳动者被迫接受更低的收入待遇。

第二，当前劳动力市场变动对人工智能的推广与应用影响较小。 智能技术的应用尚未对劳动力市场产生明显的挤占效应，而是显现出一定的补偿效应。 从系数符号来看，未来人工智能可能会抑制劳动报酬份额，因为资本扩张性技术进步降低劳动成本，同时制约了部分劳动力需求，对劳动报酬份额起到抑制作用。

第三，我国人工智能的应用尚处在探索阶段，虽发展速度较快但是所涉及的领域和环节相对较少，诸多影响尚未完全显现。 从长期预测结果来看，对于失业率和劳动报酬份额的影响仍将逐年提升。待人工智能红利减少且市场趋于饱和后，国民经济将达到新的稳态水平。

（二）对策建议

根据本文的实证结果，提出以下对策建议：

第一，围绕人工智能技术,实现产业升级和就业增长。 长期来看，人工智能的普及将在淘汰落后产能的同时催生大批新型业态和新兴产业，深化改革需放眼长远发展。 一方面，可参考上海临港新区等发展模式，建立人工智能数据库和测试基地。 面向行业领军企业和跨国企业开展靶向招商，围绕城市群整合多方技术、人才优势，打造优质“双创”平台。 同时，将发达地区人工智能的技术资源辐射至全国，注重培育新兴产业，促进生产要素跨区域合理流动，缩小地区间技术和产业差距。另一方面，应深化人工智能与产业发展配套机制， 强化就业服务。各地可通过落实创业和就业政策吸引人工智能领域人才，利用公共资源因地制宜开展就业服务。技术部门应切实引导人工智能与劳动者展开任务对接，在落实技术应用的同时，提高劳动参与率。

第二，完善人工智能相关教育体系，加强技术型人才统筹。 近年来，我国人工智能应用已经逐步赋能生产领域并促进产业结构调整，被赋能的行业对于技术型人才的需求尤为迫切。应汲取大湾区发展经验，助力高校和企业形成“人工智能+X”的精准布点办学模式，加强产业链与教育链的深度融合和技术成果转化，不断提高青年对人工智能的适应力。针对人工智能的下游产业以及设备维护和检修开展针对性岗位培训， 进一步降低劳动力供需结构错配， 扩大新增就业岗位并科学优化就业结构。政府主体在充分了解劳动力市场结构的前提下，应更为重视优化新型人才培养模式，将人工智能人才的培养计划分为长期和短期实施。 针对供给不足的行业，需要在短期内制定智能化方向的职业教育培养方案， 同时鼓励劳动者主动参与相关技术培训，重新掌握就业和创业主动权。从长期发展来看，我国需要建立起与智能经济相配套的就业培训以及终身学习体系。 关注机器学习、语言处理、神经网络等热门领域的课程规划，依托高等职业教育院校，扩大技术培训的覆盖范围。

第三，构建科学保障制度，积极引导劳动力转岗和再就业。 市场和有关部门对于人工智能技术带来的挑战需从实际出发做出判断和决策，合理应对技术性失业问题。 考虑到人工智能时代失业问题的特殊性，各级人力资源和社会保障部门针对失业者可采取混合保障模式并提高城乡覆盖率。 在提供失业保险和基本保障的同时，要加强对人工智能技术和相关就业岗位的调查统计和专业化评估，安排失业人员参与相关技术培训，拓宽就业渠道，有效对接不同教育程度劳动者的转岗就业。 积极提倡零工经济和分享经济，政府和社会组织应帮扶劳动者充分利用碎片时间，根据自身优势实现自主灵活就业。 政府应针对特困失业者提供公益性安置岗位和补贴工资，防止贫困加剧。 此外，还需要从调节收入分配的角度具体考察人工智能技术的经济效应和未来趋势，以此为依据调整现行税率与税基。