人工智能创新投入能提升企业员工的收入吗？——基于技能结构错配视角的研究

何 勤

(首都经济贸易大学 劳动经济学院，北京 100070)

一、问题的提出

《新一代人工智能发展规划》指出，要推进人工智能研发攻关、产品应用和产业培育“三位一体”发展，以技术突破推动领域应用和产业升级，因此人工智能企业创新投入已成为未来人工智能突破发展的关键所在，并成为推动我国产业向智能化跃升以及经济高质量发展的主要动力。在经济高质量发展的现实背景下，通过人工智能创新促进高质量就业是提升我国劳动力就业质量的重要途径，而员工收入是表征劳动者就业质量的重要指标，因此研究人工智能创新投入对员工收入的影响，对探索我国在发展人工智能背景下实现更高质量就业的路径，以及在加快产业智能化升级的前提下，调节收入分配和推动共享发展等方面具有重要的现实意义。

在国家人工智能战略和政策红利的驱动下，我国持续加大在人工智能领域的投入，同时人工智能企业也得到资本的青睐，人工智能上市公司占比逐年攀升。人工智能上市公司，即人工智能概念股上市公司，是指依赖于科技和技术创新，以人工智能技术研发和应用为主营业务的上市企业，简称人工智能企业。由于人工智能上市企业对人工智能技术创新的投入具有筹资优势且投入逐年上升，这种变动趋势使人工智能上市企业在分析创新投入与员工收入关系方面具有典型性。

国内外对人工智能技术创新与员工收入的关系的认识存在较大争议，得出三种不一致的结论：一是单极化影响效应，认为高技能劳动者是人工智能技术进步的受益者，人工智能有利于高技能劳动者的工资增长。自20世纪80年代以来，欧美等发达国家人工智能技术创新对员工收入的影响呈现出高技能工人工资增速高于低技能工人的现象。Acemoglu & Restrepo[1-2]提出，人工智能对劳动力收入水平的影响与劳动力类型有关，即人工智能会对低技能劳动力收入水平产生负面影响，对从事抽象性、创造性领域劳动者的收入产生显著的正向影响。程红等[3]认为，人工智能新技术的运用为高质量劳动力带来了更高的工资溢价，同时将低质量劳动力挤出劳动力市场。二是两极化影响效应，即高技能劳动者、低技能劳动者都是人工智能技术进步的受益者。Autor[4]对1993—2010年欧盟16个国家不同技能等级劳动者的收入开展研究，发现就业极化促进工资极化现象的形成，即人工智能技术创新使高技能劳动者、低技能劳动者的收入增加，而中等技能水平劳动者收入降低。蔡跃洲、陈楠[5]对人工智能自动化过程进行分析，认为技术创新会带来就业结构两极化，并且拉大不同群体间的收入差距，带来收入不平等现象。三是收入整体下降效应，一些学者认为人工智能技术的替代效应在短期内导致更多劳动者面临失业问题。劳动力市场面临高质量劳动力的短缺与低质量劳动力转型缓慢两方面的问题，从而使员工整体收入水平在短期内呈现下降态势。上述讨论鲜有从二者的非线性关系及作用机制进行理论探讨和实证检验。

本文以我国人工智能上市企业为研究对象，旨在研究：人工智能企业创新投入与员工收入之间是否存在非线性的演变关系？人工智能创新投入如何影响员工收入水平？是否存在异质性？本文在理论分析的基础上提出研究假设，并且对所选取的2013—2018年人工智能上市样本企业的年报数据进行实证分析，力图探索人工智能企业创新投入与员工收入之间的关系及作用机制并提出相应建议。

本文的边际贡献在于：一是突破现有文献对人工智能与员工收入的线性关系的讨论，从创新激励机制的视野，聚焦人工智能企业创新投入与员工收入的非线性关系，提出人工智能企业创新投入对员工收入影响效应的“U”型曲线关系，得出“U”型曲线的拐点值，从技能结构错配的视角分析了关键影响机制；二是从提升产品价值、增加员工技能水平适配度以及提高企业成长能力三个方面探讨了人工智能企业创新投入对员工收入的影响机制，其中提升产品价值、增加员工技能水平适配度的作用机制得到验证，进一步拓展了现有文献的研究深度；三是发现了人工智能与员工收入的关系在不同行业类型、治理水平、不同企业规模中的异质性结论，为针对不同企业通过差异化的人工智能创新投入策略来调节收入分配提供了借鉴。

二、理论分析与研究假设

(一)人工智能创新投入对员工收入的影响效应分析

人工智能创新投入对员工收入的影响表现为时间维度上的动态演变关系，以及影响结果的抑制和促进“双刃剑”效应。人工智能创新投入通过就业对收入的影响分为短期和长期两个方面，刘春燕[6]认为，短期创新投入引发的技术进步会减少就业，降低收入，但在长期内又会促进就业的增长，提高整体收入水平。Acemoglu & Autor[7]提出机器人的使用在短期内对非技能劳动力会产生1～2个百分点的即期冲击，但从10～20年跨度的长期角度看，机器人对劳动力的替代效应趋近于零。王君等[8]分析了人工智能创新投入引发的技术进步在时序上对就业影响的阶段性差异，即在技术进步导入期，破坏效应明显，而在拓展期，创造效应凸显，在衰退期，其对就业的影响减弱。同时，王君等[8]还对技术进步对就业总量的拓展性影响进行探讨，认为一方面，技术进步提高了劳动生产率和资本生产率，在直接减少就业岗位的同时，导致资本对劳动的替代，对就业造成冲击。另一方面，技术进步及其广泛应用，又会创造新的就业岗位，对就业产生正向创造效应，同时，技术进步还能够显著降低劳动强度，提高劳动生产率，改善工作环境，提高劳动者的工作舒适度和满意度，推动劳动者报酬快速增长和休闲时间延长，整体上具有明显的就业质量改善效应。据此，人工智能企业创新投入对员工收入可能产生两方面的影响。

第一，从抑制效应来看，主要体现为短期就业替代机制下的破坏作用。一方面，人工智能对部分岗位和工作任务的直接替代。在短期内，由于人工智能技术带来的低成本、高效率、精细化等优势相对于人类的工作能力较为显著，从而导致企业对劳动需求下降并对员工总体收入产生消极影响。同时，人工智能对常规体力型和常规认知型任务的替代性也得到验证，其对劳动者收入变化的解释力越来越强[7]。另一方面，员工技能不匹配带来的工资调整“滞后性”。人工智能技术创新提升了岗位的技能要求，进一步加快了就业极化的趋势，即常规性、事务性岗位的劳动需求相对于高技能和低技能岗位减少[9]，不同技能水平岗位的就业比重呈“U”型变动趋势，这一现象使部分被人工智能替代的失业者向技能要求的两端流动，然而新的任务往往需要新的技能，如果就业者不具备这些技能，那么在其调整工作岗位的过程中就会遭遇较大的阻力，造成技术与技能的不匹配，从而减缓了就业和工资的调整。而劳动者提升知识技能的过程中存在一定的时间滞后效应，因此导致劳动力需求在短期内呈现下降趋势，从而造成员工收入整体水平降低。

第二，从促进效应来看，主要体现为长期就业创造机制下的补偿作用。一方面，新岗位创造带来整体收入增加。随着企业对人工智能技术创新投入的不断增加，它也需要引入更多劳动力填补创造出的新岗位空缺。长期来看，当企业的创新投入达到一定水平时会增加更多新产品的消费需求，企业对劳动力的需求依然大量存在，员工总体收入将呈现上涨趋势。另一方面，员工技能提升后带来工资溢价提升。员工在技术发展的潮流中得到新知识技能的培训，通过消耗一定的时间成本，提升其工作能力，从而产生技能的工资溢价。朱巧玲、李敏[10]认为人工智能技术创新通过提升工作任务的技能要求，在一定程度上提升了自身的价值，从而使员工收入整体水平趋于提升。基于上述分析，本文提出如下待验证的研究假设。

H1：人工智能企业创新投入对员工收入产生显著影响，并且这种影响效应呈现出非线性的“U”型关系。当创新投入位于“U”型曲线左侧拐点时，对员工收入产生抑制效应，当创新投入位于“U”型曲线右侧拐点时，人工智能创新投入对员工收入产生促进效应。

(二)作用机制分析

1.人工智能创新投入与产品价值

熊彼特认为技术进步不是单纯的节省劳动力的过程创新，在这个过程中还产生了新的生产分支，代替了旧产品，打破了原有产品的价值，产生了新产品，刺激了额外的消费，但人工智能技术进步总体上加剧了收入的不平等，员工实际工资短期内下降，最终会上升，但上升需要很长时间，长到令人担忧[11]。同时，人工智能创新投入导致生产率提高，可能造成平均生产成本下降，这在高度竞争的市场中会转化为产品价格的下降，但这种下降可能因价格刚性和市场的非竞争性而受限，这将削弱新产品的价值，抑制消费和岗位的创造，降低收入。综上，人工智能投入在短期内可能导致产品价值下降，员工收入降低。

人工智能具有技术乘数补偿效应，从长期看，企业对人工智能技术创新投入增加到一定程度，会带来经济范围的扩大[8]，对微观企业来说，主要表现为新产品、新部门的形成，人工智能技术通过改进生产工艺，使生产效率和企业创新能力得到极大提高，在提升原有产品的质量和出厂速度的同时，随着企业研发能力的提高，产品的性能、功能和设计等方面都会有所突破，产品价值得到提升，从而增加企业利润。对于劳动者来说，新技术的研发、推广和应用需要大量人员，进而使其工作机会和收入水平得到提升。与传统生产过程相比，人工智能技术的可复制性使其产品生产的边际成本为零，可以通过对知识进行重组和整合的方式，快速催生出更为丰富的创新型产品。基于上述分析，本文提出如下待验证的研究假设。

H2：人工智能企业创新投入对员工收入产生的“U”型关系通过产品价值提升产生作用。当创新投入位于“U”型曲线左侧拐点时，人工智能创新投入会引发产品价值下降从而对员工收入产生抑制效应，当创新投入位于“U”型曲线右侧拐点时，人工智能创新投入会提升产品价值，对员工收入产生促进效应。

2.人工智能创新投入与技能适配度

Acemoglu & Restrepo[12]提出人工智能创造的新技术和任务要求与劳动力技能的不匹配，导致新技术生产率受限制，减缓了劳动力需求，引发收入不平等，也降低了生产力的收益。这一观点为本文提供了一个全新的研究视角和新的中介变量，即技术与技能适配度。人工智能创新投入早期，人工智能创造的新技术和任务要求与劳动力具备的技能不匹配，会引发技能结构错配化，这种错配化会导致收入降低，而员工收入水平的提高需要相对长期的培训和教育投资，因此会对员工收入产生抑制效应。同时，人工智能与高技能劳动之间存在互补关系，而与低技能劳动存在替代关系，因此人工智能通过增强人机合作提高了高技能工人的劳动生产率，使高技能劳动力工资上涨，相反，人工智能对低技能劳动的替代会降低他们的工资，在这个过程中会拉大收入差距。Braconier & Ruizvalenzuel[13]进一步指出，如果当前偏向高技能的技术趋势持续，到2060年OECD(经济合作与发展组织)国家的收入差距会比现在提高30%。

随着人工智能创新投入程度增加，根据技术进步下的劳动力供给效应补偿机制[8]，由于企业增加人工智能创新投入对员工的工作机会产生影响，必然会对员工技能供给产生影响，为了能够满足技术创新带来的岗位新要求，员工需要延伸其受教育水平，参加新技能培训，以提高自身的技能，从而增强对技术创新的反馈效应，这一过程会提高员工的技能结构适配度，提升技能溢价能力，对员工收入产生促进效应。同时，随着人工智能的普及，人工智能成本的下降为企业以人工智能替代劳动力带来了巨大的经济激励，同时，那些自身技能由于人工智能化过程中的技能提升带来的技能溢价大幅提高，对员工收入产生促进效应。基于上述分析，本文提出待验证的研究假设：

H3：人工智能企业创新投入对员工收入产生的“U”型关系通过员工技能水平适配性产生作用。当创新投入位于“U”型曲线左侧拐点时，人工智能创新投入会引发技能结构错配化从而对员工收入产生抑制效应，当创新投入位于“U”型曲线右侧拐点时，人工智能创新投入会加速技能结构适配，对员工收入产生促进效应。

3.人工智能创新投入与企业成长能力

李晓宇、陈国卿[14]认为企业成长能力在人工智能创新投入与企业绩效之间起到显著非线性中介作用。人工智能创新投入需要经历组织变革转型期和创新能力构建期,才会对企业成长能力产生促进作用，因此在人工智能创新投入早期，企业成长能力下降。同时，由于企业资源的有限性，人工智能创新投入可能挤占生产、销售、人力资本等投入，增加人工智能创新投入势必会打破人工智能创新投入与企业成长能力之间的最佳平衡点，使企业成长能力下降，导致企业绩效下降甚至亏损，从而对员工的收入产生抑制效应。

随着人工智能创新投入增加，企业创新环境、专利数量、技术创新能力等呈现出显著的改善状态，这些改善将提高企业的竞争优势。同时，人工智能的创新投入会通过降低外部融资约束，使企业获得更高的市场回报率和成长性，给企业带来较高经济效益，进而为提高员工收入水平提供了利润空间，对员工的收入产生促进效应。基于上述分析，本文提出待验证的研究假设：

H4：人工智能企业创新投入对员工收入产生的“U”型关系通过企业成长能力产生作用。当创新投入位于“U”型曲线左侧拐点时，人工智能创新投入会引发企业成长能力下降从而对员工收入产生抑制效应，当创新投入位于“U”型曲线右侧拐点时，人工智能创新投入会提高企业成长能力，对员工收入产生促进效应。

三、变量定义、数据来源与模型设定

(一)变量定义

1.被解释变量

本文将员工收入作为被解释变量，选取企业财务报表中的应付职工薪酬作为衡量指标。

2.解释变量

基于当前已有的包括人工智能在内的技术创新相关研究，参考王雷[15]的变量指标选取方式，本文选择研发投入作为衡量企业人工智能创新投入的指标。由于本文提出人工智能创新投入可能会对员工收入产生“U”型的非线性影响，因而解释变量也包括了其二次项。

3.中介变量

借鉴已有文献的做法[13],本研究将产品价值、技能水平和成长能力作为本文中介变量，中介变量的定义见表1。

4.控制变量

本文借鉴现有文献，在回归中纳入企业年龄、资产规模、资本结构、盈利能力、营运能力、员工规模作为控制变量。变量选取与说明如表1所示。

表1 变量定义

(二)数据来源

本文数据来源于同花顺数据库。根据数据的可获得性和完整性，本文数据处理步骤为：(1)从同花顺数据库中检索我国当前人工智能上市公司，根据前后4次检索结果，获得相关企业数量共138家；(2)根据企业年报数据的发布状况，避免出现大面积数据缺失，导出2013—2018年我国人工智能上市公司各指标的数据；(3)在所得样本公司中剔除ST和*ST公司；(4)在所得样本公司中剔除各主要变量指标数据缺失的企业样本。经过筛选，最终获得87家人工智能上市企业数据，样本量共522个。

(三)模型设定

本文首先构建静态面板数据的固定效应回归模型，在该模型中引入RD的二次项，以检验人工智能技术创新与员工收入的“U”型非线性关系，根据沈能、张斌[16]的研究，构建模型方程如下：

(1)

其中，SI为员工收入水平，RD表示企业的人工智能创新投入，RD2是其平方项，控制变量X包括Age、AS、CS、RE、IT、SS，i和t分别表示企业以及年份。

从影响员工收入的因素来看，如企业规模、企业生命周期、组织结构等具有存量因素特征，从而导致员工收入无法在短期内迅速进行调整。由于式(1)中隐含了员工收入不存在滞后效应的假设，借鉴沈能、张斌[16]的研究方法根据局部调整模型的思路在回归模型中纳入滞后效应，调整模型如下：

(2)

在式(2)中，SI*为预期最优员工收入，U表示解释变量组成的向量，s为其系数向量，θ、ξ分别表示常数项和随机扰动项。该方程体现了解释变量当期水平对企业员工收入期望值的影响，根据局部调整模型的假设，在技术发展水平、市场机制、企业内部体制等条件的作用下，员工收入期望值的调整与实际变化存在一定程度的差异，其调整关系方程(3)。其中，1-λ(0<λ<1)为实际员工收入向期望值调整的系数，将方程(2)带入式(3)得出式(4)。

(3)

(4)

其中，θ*=(1-λ)θ，s*=(1-λ)s，ξ*=(1-λ)ξ。s*和s分别为短期和长期乘数，反映解释变量U对员工收入的短期和长期影响，SIi,t-1表示滞后一期的员工收入，一方面控制了各企业初始状态存在的差异，另一方面对降低企业创新投入内生性问题起到一定的作用。最终的回归模型如式(5)，β0～β8为待估参数，μ为随机扰动项。

β5CSi,t+β6REi,t+β7ITi,t+β8SSi,t+μi,t

(5)

四、实证结果及分析

(一)描述性统计结果

样本公司所属地区主要包括广东(25.3%)、北京(22.1%)、浙江(10.5%)等地，并且广东和北京市所属地区的企业居多。从地理位置分布来看，样本企业主要分布在我国沿海地区，并且这些地区的人工智能技术发展处于全国领先地位。从上市地分布来看，样本企业在深圳证券交易所上市占比为81%，上海证券交易所占比为19%，说明该地区对人工智能企业的接纳和重视度较高，大多数人工智能企业选择从东南沿海地区上市。从企业性质来看，样本企业以民营企业(72.6%)为主，说明民营企业相对来说对人工智能技术的引进和研发程度较大，受到约束相对国有企业来说较小，在做决策和选择上具有相对较大的灵活性。此外，本文对各变量的对数取值进行了描述性统计分析，结果如表2所示。SI均值为8.304，标准差为1.617，最大值与最小值均处于正向，说明总体上SI呈现上升趋势；RD标准差为1.509，最大值与最小值差异较大，说明RD值总体波动性较小，但有个别值的差异较大。

表2 主要变量的描述性统计结果

(二)创新投入对员工收入水平影响的实证分析

表3展示了87家人工智能上市企业创新投入对员工收入影响效应的基准回归结果。其中，分别采取静态和动态下的POLS法、RE法、FE法以及GMM估计方法对模型进行检验，结果显示，主要解释变量的估计系数基本上呈现较为一致的符号方向和显著性。从解释变量的估计结果来看：模型1、模型3、模型5分别采用三种静态估计方法，对人工智能企业创新投入的一次项和二次项进行估计。模型1采用静态POLS估计法，人工智能企业创新投入的一次项不显著且呈现负向，其二次项显著且系数为正向；在模型3、模型5中，人工智能企业创新投入一次项和二次项均显著，且一次项系数为负，二次项系数为正。模型2、模型4、模型6分别采用三种动态估计方法，对人工智能企业创新投入的一次项和二次项进行估计，其结果和静态模型下的估计结果一致，即模型2采用动态POLS估计法中，人工智能企业创新投入的一次项不显著且呈现负向，模型4、模型6中RD一次项系数显著为负，二次项系数显著为正。

表3 创新投入对员工收入水平影响的基准回归结果

上述模型初步回归结果显示，若暂时抛开人工智能企业创新投入的非线性效应，创新投入对企业员工收入存在降低作用，这说明对于较多企业在人工智能技术发展的早期，企业增加对人工智能创新投入，对员工收入的影响是负向的，与学术界较多学者的研究结果较为一致。随着创新投入程度的提高，企业对部分岗位的需求量增长趋势逐渐超过人工智能技术的替代效应，并且员工的知识技能在时间推移中不断增强和适配，将获得更多就业机会和技能的工资溢价，因而对其收入水平提升产生促进作用。也就是说，人工智能企业创新投入对员工收入的影响效应是非线性的。因此，根据模型估计结果，人工智能企业创新投入对员工收入的影响呈现显著的“U”型关系。接下来进一步根据SI的估计系数计算得出不同估计方法下“U”型曲线的拐点值，如果人工智能企业创新投入低于该值，则其对员工收入的影响位于“U”型曲线左侧的下降阶段，此时增加创新投入将导致员工收入水平降低；而如果人工智能企业创新投入高于该值，那么其对员工收入的影响效应位于“U”型曲线右侧的上升阶段，此时增加创新投入会相应地提高员工收入水平。

(三)工具变量与GMM估计

本文采用固定效应估计方法，一定程度上能够缓解遗漏变量引发的内生性误差，然而更重要的内生性偏误可能来自逆向因果关系[17]，即员工收入存在反向影响人工智能企业创新投入的可能性。例如，从员工角度来看，收入水平提高将在一定程度上激发员工个体的积极性，从而增加其工作投入，推动企业创新，为企业提高盈利空间，促使企业增加创新投入；从企业层面来看，技术进步下的员工收入水平反映了企业的劳动力需求，当员工收入呈现上升趋势，表现为新技术在企业中的运用产生了盈利效果，从而反过来促使企业进一步提升创新投入。

本文首先借鉴刘志彪、凌永辉[17]的做法，使用解释变量的一阶和二阶滞后项作为工具变量，分别将其放入表4的模型1和模型2，并且将二者同时放入模型3进行GMM估计；其次借鉴王亮亮、王跃堂[18]对工具变量的选取，以及王永钦、董雯[19]的工具变量检验过程，本文使用企业年均研发投入自然对数(研发投入/企业成立年限)的一阶和二阶滞后项作为工具变量，再次进行GMM估计，分别将其放入表4的模型4和模型5，并将二者同时放入模型6；最后将企业人均研发投入自然对数(研发投入/员工人数)作为工具变量放入模型7。根据表4中的检验结果，本文使用解释变量的一阶、二阶滞后项以及企业年均研发投入自然对数、企业人均研发投入自然对数作为工具变量存在合理性。

表4 人工智能企业创新投入影响员工收入的GMM估计结果

(四)稳健性检验

首先，从表3中可以看出，随着控制变量不断加入，创新投入的一次项和二次项显著且方向一致，分布呈现一负一正。其次，根据现有研究对稳健性的检验方式，本文选取控制上市地(沪深两市)和企业性质来确保主要发现的可靠性。本文参考陈秋平等[20]研究中进行子样本回归的做法，选取深圳交易所和民营人工智能上市企业分别作为子样本进行回归。表5的模型1～模型8结果显示，控制上市地和企业性质后，原先的主要结论依然成立。

表5 稳健性检验

五、机制检验与异质性分析

(一)机制检验

上文已经得到人工智能创新投入与员工收入水平之间“U”型关系的经验证据，本部分将重点分析人工智能创新投入对员工收入水平的影响机制。本部分将从开发产品价值、促进员工技能适配、延伸企业成长能力三个方面对H2～H4进行检验。

本文借鉴黄冰冰、马元驹[21]对非线性模型中介效应的检验方法，分两步对人工智能创新投入对员工收入水平的非线性影响机制进行检验：第一步：以创新投入为解释变量、员工收入为被解释变量，检验人工智能创新投入对员工收入的主效应模型；第二步：以创新投入为解释变量，同时分别加入产品价值、技能适配度、企业成长能力作为解释变量，将员工收入作为被解释变量，分别检验产品价值、技能适配度、企业成长能力在人工智能创新投入与员工收入水平之间的中介效应。本部分基于前文主效应基准模型，分别构建中介效应模型。

其中，前文式(5)为中介效应检验的第一步，检验人工智能创新投入与员工收入之间的主效应。在此基础上，构建式(6)作为中介效应检验的第二步，分别检验产品价值、技能适配度、企业成长能力在人工智能创新投入与员工收入关系中的中介效应。人工智能创新投入与员工收入之间存在显著的“U”型关系在前文已得到验证，本部分进一步验证中介效应，在中介变量系数显著的前提下，重点关注系数γ2。若γ2不显著，说明产品价值、技能适配度、企业成长能力分别在人工智能创新投入与员工收入之间存在完全中介效应，若γ2显著但是变小，说明产品价值、技能适配度、企业成长能力分别在人工智能创新投入与员工收入之间存在部分中介效应。

1.开发产品价值

如前文所述，产品价值是影响企业创新投入与员工收入水平之间的一个重要中介变量。人工智能技术进步深化了产业分工，延长了产业链，这不仅有利于降低生产成本，而且生产手段、过程的创新能够对产品价值起到延伸作用，为产品创新以及新产品的研发提供了基础。

水源热泵项目取用地下水水资源论证技术要点分析……………………………………………… 江 剑，董殿伟(3.50)

本文借鉴Chemmanur et al.[22]的研究成果，选择样本企业无形资产账面价值作为产品价值的衡量指标，包括专利技术、非专利技术和商标权等，对产品价值的中介作用进行检验，回归结果如表7所示。根据黄冰冰、马元驹[21]的中介效应检验方法，在主效应回归结果(模型1)的基础上，检验创新投入、产品价值同时对员工收入水平的影响。构建基于产品价值为中介变量的模型如下：

γ4Controlit+εit

(6)

其中，SI为员工收入，RD为创新投入，RD2为创新投入的平方项，PI表示产品价值，γ0～γ4为待估参数，i和t分别表示不同企业以及不同年份。根据表6结果显示，模型1中检验了人工智能创新投入对员工收入的影响，创新投入的一次项和二次项均显著，主效应模型得到验证，说明中介效应第一步检验通过；模型2中，同时加入人工智能创新投入与产品价值后，其系数值均显著，通过中介效应的第二步检验，这说明产品价值在人工智能创新投入和员工收入水平中起到部分中介作用，H2得到验证。经计算，产品价值中介效应占总效应的比例为12.88%。

在企业不断增加人工智能技术创新投入的过程中，由于技术运用的周期性特征，短期内产品价值难以显现，然而从长期来看能够促进企业产品价值提升，这与许多学者的观点较为一致。人工智能技术是一项通用性技术，具有知识外溢的特征，能够应用于企业中较多场景和模块，并且在提高产品质量的同时促进产品更新和升级，推动企业经济效应增长，员工收入也相应得到提升。

2.促进员工技能适配

人工智能技术环境下，企业部分工作内容和结构发生调整。新技术和工作任务会影响员工技能水平与工作要求间的平衡，主要表现为员工现有能力难以满足新的工作要求，这种差距会影响技术与技能的匹配程度。人工智能会带来新技术，新技术的运用带来新的任务，为了完成这些任务，需要更新劳动者的知识技能，从而导致企业中技术与技能匹配程度产生重大变化。

员工技能与人工智能新技术的适配度是影响员工收入水平提升的关键因素。学历水平一方面反映了员工所拥有技能的专业性程度，另一方面能够体现员工技能的范围和体系，包括技能多元性、跨领域水平以及综合素质能力。根据Autor & Salomons[23]对人工智能背景下学历水平与收入水平关系的研究，技术进步对收入分配的影响表现为：高学历、高技能劳动者群体的收入水平不断提升。据此，本文以员工学历水平作为技能水平的测量指标，技能水平高的员工对新技术的要求有更高的适配性，因此将员工学历水平作为技能适配度的测量指标。构建基于员工技能适配度的中介效应模型与式(6)类似，这里不再赘述。

表6中的模型3结果显示，同时加入人工智能创新投入与员工技能适配度后，其系数值均显著，通过中介效应的第二步检验，说明技能适配度在人工智能创新投入和员工收入水平中起到部分中介作用，因此H3得到验证。经计算，技能水平中介效应占总效应的比例为12.92%。

表6 人工智能创新投入对员工收入水平的作用机制检验

根据企业能力理论，企业增加创新投入能够使企业获得相应的竞争优势，对其成长能力起到提升作用，并且使企业获得长期经济利益，从而对员工收入起到促进作用。本文借鉴刘洋、臧日宏[24]的研究，选取营业收入增长率作为企业成长能力的衡量指标。构建基于企业成长能力的中介效应模型，与式(6)类似，这里不再赘述。

根据表6中模型1、模型4的检验结果，虽然主效应通过了中介效应第一步检验，但是在模型4中，企业成长能力系数不显著，即未通过中介效应检验，因此H4不成立。这说明，人工智能创新投入需要经历组织变革转型期和创新能力构建期才会产生促进作用，企业成长能力的作用机制不显著。

(二)异质性分析

为了进一步检验人工智能创新投入的异质性影响，本文分别检验人工智能创新投入对不同行业类型、不同治理水平以及不同企业类型企业的影响。在行业类型方面，将其划分为制造业企业(取值为1)和非制造业企业(取值为0)；在治理水平方面，选取高管学历作为衡量指标，将其划分为本科学历(取值1)、硕士研究生学历(取值为2)和博士研究生学历(取值为3)；在企业类型方面，采用同花顺数据库对大中小型企业的判分标准，将企业划分为大型企业(取值为1)和中小型企业(取值为0)。依次对其进行检验，分组检验结果如表7所示。

由表7可知，在不同行业类型下，制造业企业和非制造业企业均显示出人工智能创新投入对员工收入的“U”型关系，其中制造业企业中人工智能创新投入与员工收入“U”型曲线的拐点值为5.910 1，表明若人工智能创新投入值低于该点时，人工智能创新投入对员工收入影响效应处于“U”型曲线左侧的下降阶段，此时增加人工智能创新投入将对员工收入产生负向影响；而若高于该值，人工智能创新投入对员工收入影响效应处于“U”型曲线右侧的上升阶段，此时增加人工智能创新投入将对员工收入产生正向影响。非制造业企业中的拐点值为2.087 5，说明相对于制造业企业，非制造业企业增加人工智能创新投入能够更早地实现人工智能技术对员工收入的提升效应。在不同治理水平下，只有具有博士学历水平的现任高管所在的企业呈现人工智能创新投入对员工收入的“U”型关系，其拐点值为6.229 0，说明硕士研究生及以下学历高管所在企业，增加人工智能创新投入对其员工收入水平的影响不明显。在不同企业类型中，大型企业符合人工智能创新投入对员工收入的“U”型关系，其拐点值为5.126 9，说明人工智能创新投入对员工收入的影响在大型企业中更为显著。

表7 基于不同行业类型、不同治理水平和不同企业类型的异质性检验结果

六、研究结论与启示

(一)研究结论

本文在借鉴已有文献对于人工智能与收入关系研究的基础上，提出研究假设，并且基于87家人工智能上市企业的面板数据构建计量模型，对研究假设进行实证检验，研究发现：

(1)创新投入对于员工收入的作用表现为先递减后递增的趋势，其影响效应呈现出非线性的“U”型关系。当创新投入位于“U”型曲线左侧时，其对员工收入产生抑制效应；当创新投入位于“U”型曲线右侧时，其对员工收入产生促进效应，并得出在不同估计方法下“U”型曲线的拐点值。这其中的关键原因在于，人工智能创新投入会引发技能结构错配化，短期内会出现部分员工结构性失业或岗位向下调整的现象，从而表现为员工收入减少；而当创新投入达到一定程度，技术运用逐渐成熟，员工掌握的技能与智能化技术产生较高的配合度，提高了工作绩效，从而提升了企业整体绩效和利润空间，为员工收入的提升提供了利润保障。同时，部分员工通过培训满足了企业的劳动力需求，因而促进了员工收入的上升。

(2)若暂时抛开人工智能企业创新投入的非线性效应，其对企业员工收入存在降低作用。这体现了现阶段我国较多人工智能企业处于技术发展的起步阶段：一方面，企业增加对人工智能创新投入，在部分工作任务中凸显了人工智能技术的比较优势，从而对员工产生替代作用，降低了人工成本；另一方面，在技术创新的早期，员工的知识技能提升存在滞后性，尚未能够满足企业发展的需要，从而导致大部分存在高替代风险的员工向低层级职位流动，因此，企业增加对人工智能技术投入对员工收入的影响是负向的，这与较多学者的研究结果基本一致。

(3)人工智能创新投入对员工收入的影响是多种因素作用的结果。本文实证结果发现，企业产品价值和员工技能适配度在人工智能创新投入与员工收入关系之间起到中介作用。一方面，人工智能在企业中的运用能够激发企业进行技术创新，通过新产品的研发，促使产品升级换代。同时，工艺流程创新对降低企业生产成本、稳定产品性能产生重要作用，从而提高产品价值并增加企业利润，促使企业经济增加值提升，提高员工收入水平。另一方面，企业增加人工智能创新投入在短期内打破了员工技能水平与工作要求间的平衡，使员工现有技能水平难以满足新工作要求，这种差距会影响技能与技术的匹配程度，而员工的现有技能水平与技术的适配度，一定程度上间接影响了人工智能创新投入与员工收入间的关系。

(4)人工智能创新投入对员工收入的影响存在异质性。在不同行业类型下，制造业企业和非制造业企业虽然均显示出人工智能创新投入对员工收入的“U”型关系，但是非制造业企业增加人工智能创新投入，较之制造业企业，能够更早地实现人工智能技术对员工收入正向影响的转变。在不同治理水平下，具有博士研究生学历水平的现任高管所在的企业呈现人工智能创新投入对员工收入的“U”型关系，表明高学历高管团队，企业人工智能创新投入对员工收入的影响更为显著。在不同企业类型中，大型企业符合人工智能创新投入对员工收入的“U”型关系，大型企业的人工智能创新投入对员工收入的影响更为显著。

(二)研究启示

为了进一步加强人工智能创新投入对员工收入的促进效应, 推动实现更高质量的就业，基于本文的实证研究结果,提出以下对策。

(1)完善支持企业进行长期创新投入的激励机制。本文研究结果表明，在“U”型曲线的右侧，即从长期来看，随着人工智能技术创新投入的增加，其对劳动者收入的提高具有促进作用，因此要完善支持企业长期研发投入的创新激励机制。一是提高企业的治理水平。改革企业高管的绩效考核制度和薪酬激励制度，以企业高管的长期价值创造贡献为重要的考核要素，提高人工智能创新对企业价值的边际贡献，显著提高企业的创新水平和企业价值。二是建立长期创新投入机制。通过长期创新投入，使企业获取人工智能技术知识，降低生产成本,通过技术知识增量推动企业创新,从而持续取得竞争优势，为员工收入的增长提供长期保障。三是变革员工报酬激励模型。设计基于长期探索和创新贡献的“创新驱动报酬体系”，激发员工的创造力，同时为员工自身进行人力资本可持续投资奠定物质基础。异质性研究结果表明，不同行业、不同治理水平、不同类型的企业在不同阶段应采取不同的创新投入策略，加大非制造业、大型企业的人工智能长期创新投入，对员工收入增加有更强的促进效应。

(2)提高员工技能与技术的动态适配性。在员工层面，需要不断更新观念，将人工智能视为延伸和增强自身智能的工作伙伴，在人机协同工作中，通过提高员工技能与技术的动态适配性，提升自身的自豪感、成就感和价值感。主动更新智能化下的知识技能结构，积极参与培训和学习，主动掌握数字化、智能化以及人机协作所需的知识技能。同时，在企业智能化研发和应用过程中主动遵守伦理规范，正确运用和维护企业创新成果。在企业层面，搭建有利于员工提升智能化技能的平台，通过知识分享、在线学习、体验式培训等帮助员工及时获取工作过程中所需的新技能。制订员工智能化技能提升的补贴策略，实施科学的技能培训补偿机制，激励员工主动参与智能化技能培训。建立与人工智能岗位相关的技能认证标准，建立职业等级，明确各等级所需的知识技能及工作要求，针对各等级要求提出明确的培训清单并开展相应的技能认证，建立认证结果与晋升和绩效薪酬的关联体系，从体系和制度上推动员工技能的提升。