人工智能、老龄化与经济高质量发展

李翠妮 葛晶 赵沙俊一

摘要： 技术进步是中国新时期实现经济高质量发展的动力源泉。在老龄化不断加深的背景下，人工智能技术的发展能否有效应对老龄化带来的不利影响、推动经济高质量发展值得深入探究。从理论上揭示了人工智能、老龄化对经济高质量发展的影响作用和内在机制，并结合中国2007—2018年30个省份的面板数据进行了经验检验。静态与动态模型检验发现，人工智能对经济高质量发展存在非线性影响，能有效缓解老龄化对经济高质量发展的不利影响，且该缓解效应存在区域差异，东部和西部区域显著，中部区域不显著。门限模型检验发现，人工智能、老龄化对经济高质量发展的影响存在门限效应，人工智能发展水平越高，越有助于缓解老龄化对经济高质量发展的不利影响。机制检验发现，人工智能能有效缓解老龄化对劳动力结构、技术创新效率、资本形成率带来的不利影响，实现要素升级以促进经济高质量发展。

 关键词： 人工智能;老龄化;劳动力结构;高质量发展;技术创新;资本形成

 文献标识码：A   文章编号： 100228482022（01）007715

党的十九大提出“中国经济由高速增长阶段转向高质量发展阶段”。高质量发展成为当下中国经济发展的重心。人口、技术、资本是经济发展的基本生产要素，其中任一要素的升级都会带动其他要素的协同升级，进而促进整体生产要素升级、实现企业技术进步，从而推动经济高质量发展。例如，技术不断进步发展会带动技能劳动力的增加与资本更新，从而实现生产要素升级，为经济高质量发展创造新动能与新优势。而任一要素发展受阻也会不利于中国经济高质量发展。近年来，我国人口结构发生了变化，人口老龄化问题不断加剧，面临着“未富先老”“未备先老”的不利局面[1]。国家统计局第七次人口普查数据显示，2010—2020年我国65岁及以上人口比例由887%增长到135%，增加了463个百分点;而在1953年第一次和2010年第六次人口普查间隔的57年里，该比例由37%增长到887%，增加了517个百分点①。可见，我国人口老龄化水平正在加速上升，老龄化趋势日益严峻。

那么，人口老龄化问题不断加剧会对我国经济高质量发展带来怎样的影响？Pifer等[2]曾断言，“人口老龄化继续发展下去所产生的冲击将不亚于全球化、城市化、工业化等人类历史上任何一次伟大的经济与社会革命”。人口老龄化问题加剧会增加经济长期低增长的风险，对中国经济高质量发展带来严峻的挑战。

一是劳动供给萎缩。劳动人口老龄化将直接导致市场中的适龄劳动力供给减少。

二是储蓄率和资本形成率走低。人口老龄化对储蓄与投资产生不利的影响，导致资本形成降低[3]。

三是技术创新效率下降。老龄化会使企业劳动力成本和政府养老福利支出增加，不利于技术创新效率的提升[4]，老龄群体的学习能力，包括对新知识、新技术的兴趣、接受速度往往相对较低。另外，老龄化会使得政府工作重心，例如财政支出[5]，更多的向养老保险和保障事业转移，而在教育、研发等涉及创新资源积累方面的投入减少。可见，如何应对老龄化，是中国在转型期需要迫切解决的问题。

党的十九大报告着重强调“推动互联网、大数据、人工智能和实体经济深度融合”。人工智能与经济社会各领域的深度融合，在激发消费、拉动投资、创造就业等方面发挥着重要作用[6]。第一，人工智能有利于缓解劳动力供给不足、改善劳动力质量。人工智能以“机器学习”“多元智能”等特征不仅能够替代普通劳动力从事各种烦琐的可重复性技术工作，减少对普通劳动力的需求，而且能促使劳动力有效利用时间，专注于更复杂的创新与思维活动。第二，人工智能有利于提高资本形成率。人工智能通过提高生产环节自动化智能化水平有助于提升生产效率，使企业更倾向于资本替代劳动，有助于提高资本回报率[1]，有利于提高资本形成率。第三，人工智能有利于催生科技创新。人机协同的实现以及人工智能与实体经济深度融合更有助于拓展和延伸劳动力的生产能力，提升和挖掘劳动力的创造力。

可见，人工智能是应对老龄化问题、实现经济高质量发展的有效途径。Acemoglu等[7]研究指出，老龄化越严重的国家越倾向于更早更多地使用人工智能技术从事生产活动。Acemoglu等[8]进一步为此提供了经验证据，发现老龄化将導致21～55岁的劳动力人口数量减少，而该年龄段劳动力对生产活动最重要，企业为了减弱老龄化对生产活动的冲击将会更多地使用机器人替代劳动。那么，在中国当下人口结构和经济结构双转型和新旧动能转换的关键时期[9]，中国人工智能的发展是否能有效缓解人口老龄化对经济高质量发展带来的不利影响？其内在的逻辑机制是什么？目前仍然缺乏关于中国人工智能、老龄化和经济高质量发展的经验证据，也鲜有文献对其中的内在机制进行详细的剖析与检验。鉴于此，本文拟构造人工智能发展指数，实证检验人工智能、老龄化和经济高质量发展的关系及其内在机制。

一、文献综述与理论假说

劳动力是经济发展不可或缺的生产资源和投入要素之一，低成本劳动力带来的人口红利也是我国能够在全球经济中占据一席之地的先决条件。然而老龄化将会使劳动力供给逐渐减少，全社会劳动参与率逐渐降低[10]、人口红利逐渐消失，导致生产企业的劳动力需求得不到满足，特别是制造业，不利于经济可持续发展。老龄化也会导致人力资本投资减少，不利于人力资本积累。由于老年人的学习能力以及对新思想的接受能力不及年轻人，相同的人力资本投资对老年人来说人力资本积累也不及年轻人，而且投资预期收益时间更是低于年轻人，导致老年人缺乏动机与激励进行人力资本投资，对劳动力结构升级会产生一定的不利影响[11]。

人工智能的发展对劳动力结构产生了深远的影响。一方面，人工智能技术的发展与应用改变了企业生产方式，在生产过程中能够通过自动化智能化技术替代劳动力进行生产，而且人工智能对劳动力的替代相较于机械自动化对劳动力的替代范围更广、幅度更深，可以使企业减少对劳动力的依赖，这既有利于提高生产效率，更有利于提升产品质量，从而削弱了老龄化对企业生产的不利影响[1]，实现经济高质量发展。另一方面，技术进步还具有创造就业效应，新技术的出现会创造出新产业、新部门和新职业[12]。人工智能技术的开发、扩散及应用，为高技术产业、新兴产业及服务行业开拓了更广阔的发展空间，将会提供更多基础研究、产品设计、文化创意、金融投资等更高层次和质量的就业岗位[13]。而具有较高技能水平的劳动力能够快速适应新的技术环境[14]，因此企业会更多雇佣高技能劳动力以适应新技术，通过与人工智能技术相互融合相互促进，降低生产成本、提高生产效率，继而收入增加、总需求扩大、总投资增加，又能再创造更多的就业机会，从而形成良性循环。社会各界对研究型人才、创新型人才、技术型人才以及实用型人才等需求不断增大[15]。高技能劳动力与低技能劳动力相对供给增加，促使劳动力结构逐渐由体力向脑力和智力、由低技能向高技能、由规则性向非规则性转变，进而推动了劳动力结构优化、提升了人力资本整体质量。国内外学者的相关研究一致认为劳动力结构优化、人力资本质量提升对经济高质量增长至关重要[1617]。因此，本文提出以下假设：

假设1：人工智能通过缓解老龄化对优化劳动力结构的不利影响，实现经济高质量发展。

国内外学者关于老龄化对创新效率的影响已作了较多探索，但研究结论仍存在差异。老龄化对创新效率的不利影响有两点：一是老龄化导致体力、脑力等机能减弱，学习能力、吸收能力和创新能力等逐渐下滑，不利于人力资本形成和技术创新，也不利于企业新技术扩散和成果转化，导致创新效率降低，这在Meyer[4]的研究中得以体现。Meyer发现拥有较多年轻职员的公司更易于采用新技术，而拥有较多高龄职员的公司难以采用新技术。二是随着老龄化发展，企业劳动力成本和政府养老福利支出提升，导致企业与政府研发投入相应减少，对提升技术创新效率产生不利影响。这一点可以从Noda等[1819]的研究中体现出来。前者发现在人口老龄化的背景下，企业付给有能力的员工（以研发类员工来表示）的费用增多，加大了企业的研发成本，从而削弱了企业的研发动机，影响企业引进有能力的员工，最终对企业的创新比率产生消极作用。后者通过构造世代交替模型发现当政府仅调整税率和政府支出但不延长退休年龄时，伴随着人口老龄化而上涨的社会保障费用会挤出政府公共投资。而老龄化对创新效率的有利影响则是认为老龄化会倒逼企业和政府增加技术研发投入，重视人力资本建设，转变经济发展方式[20]，以应对老龄化产生的不利影响。由上述文献可知，关于老龄化对技术创新效率的影响尚未达成共识[1]。

而关于人工智能的发展对技术创新效率的影响研究方面，基本一致认为人工智能能够有效促进技术创新效率[2122]。Brynjolfsson等[21]在对比人工智能快速发展与全球全要素生产率不断下降事实的基础上，提出了新索洛悖论，并认为虽然短期内人工智能技术的发展还不能显著提高生产率，但人工智能能够通过机器学习以及激发配套创新科技等方式促进全要素生产率提升和全社会技术进步。国内学者对新索洛悖论展开讨论，认为出现新索洛悖论现象的一个重要原因是人工智能技术发展需要一定时间的累积，形成一定的规模，才能对生产率产生显著的积极作用[2324]。不仅如此，人工智能产业融合对技术创新的促进作用不仅体现在创新数量上，也体现在创新质量上，且人工智能技术的通用性越强，其与产业融合的技术创新效应越显著[22]。从当前我国实际情况来看，人工智能具有的自我学习和创新能力尚未得到有效发展和广泛使用，其依赖相应匹配的创新科技相继问世并得以应用[1]。但从长远来看，人工智能的发展能够有效地缓解老龄化对技术创新的抑制作用，进而促进经济高质量发展。通过上述关于人工智能和老龄化对技术创新效率的影响综述，可以认为人工智能的发展有利于促进技术创新，实现技术进步，促进经济高质量发展，那么就会缓解老龄化对经济高质量发展的不利影响。因此，本文提出以下假设：

假设2：人工智能通过缓解老龄化对技术创新效率的不利影响，实现经济高质量发展。

储蓄是资本形成的重要来源。在封闭经济中，国内投资必然等同于国民储蓄，资本形成的唯一来源途径就是国民储蓄[23]。在人口老龄化进程中，经济活动人口创造的社会总产出用于非经济活动人口消费的比例会增加，而社会总产出在消费和投资间进行分配。假设在一定时期内社会总产出不能快速增长，还要保证经济活动人口的消费水平不下降，那么总产出中用于储蓄部分会减少;假定经济活动人口和非经济活动人口的消费水平不变，那么社会总产出用于消费的比例会随着老龄化逐渐增加，而用于转换成投资的部分储蓄会相应地减少，因此投资总量会相应地减少，假定其他因素保持不变，总产出会减少。进一步分析，人口老齡化带来劳动力供给减少的速度慢于储蓄下降的速度，将导致投资/劳动比率下降，也就是意味着资本形成不足，这将会导致人均产出水平下降[23]。开放经济不同于封闭经济，资本形成的途径除了国民储蓄，还可通过国际资本的跨界流动获得。理论上，资本和劳动力都可以跨界流动，然而出于成本考虑，资本流动成本低于劳动力流动，且限制较少，而劳动力流动受到各个国家的移民政策限制较多。在不考虑其他因素的条件下，各国人口老龄化程度的差异会导致国际资本向人力资本水平较高的国家流动，也可以说是导致国际资本从老龄化相对严重的国家流向年轻人口较多的国家，以获取更多的产出收益。在开放经济下，人口老龄化会导致地区资本外流，从而抑制资本形成。

根据内生增长理论，不断的技术创新正是经济体突破资本边际报酬递减、实现经济持续增长的根本动力，因而，技术创新有利于资本回报率的提升[24]，技术进步是决定资本回报率的主因。以人工智能为代表的技术进步，能够提高资本回报率，从而提高储蓄率和投资率。随着人工智能技术的发展与应用，自动化和智能化在生产过程中不断深化，带来的生产效率提升促使企业在更多的生产任务中使用资本替代劳动，产业部门会朝着资本密集型方向发展。资本密集型产业往往具有更高的附加值，有利于资本回报率的提升。韩民春等[25]的研究为此提供了经验证据。该研究利用中国2002—2017年30个省份宏观面板数据以资本回报作为中介变量探究人工智能机器人的经济增长效应，结果发现工业智能机器人的使用本身就带有经济效应，还能通过提高资本回报率对经济增长产生促进作用，并认为工业机器人的规模应用加快资本积累的速度，促进了资本密集型产业的发展，既提高了资本相对于其他生产要素的重要性，提高了资本相对价格，提升了资本回报率，又对产业结构升级有一定的积极作用。基于以上分析，人工智能通过提高资本回报率和投资率缓解老龄化对资本形成的不利冲击。因此，本文提出以下假设：

假设3：人工智能通过缓解老龄化对资本形成的不利影响，实现经济高质量发展。

二、计量模型及数据说明

（一）计量模型设定

1.静态面板模型

首先从直接影响机制出发，构建双向固定效应模型检验人工智能和老龄化的经济高质量发展效应：

Yi，t=α0+α1Mi，t+αZi，t+μi，t+δi，t+εi，t（1）

其中，i和t分别表示地区和时间，Yi，t表示在第t年i省份的经济高质量发展水平;

Mi，t表示本文核心解释变量人工智能和人口老龄化，采用主成分分析法获得人工智能指标（AI），使用老年抚养比（old）来衡量老龄化水平;

Zi，t表示一系列相关的控制变量，包括地区政府干预（gov）、外商投资水平（fdi）、城市化水平（urb）以及基础设施建设水平（str）;

μi，t表示地区i不随时间变化的地区固定效应，δi，t表示时间固定效应，εi，t则表示随机干扰项。

2.动态面板模型

考虑到经济高质量发展过程具有一定的持续性和动态性，为了能检验这些特征同时也能进一步降低遗漏变量产生的偏误，在式（1）的传统静态面板数据模型中引入被解释变量的一阶滞后项，以得到动态面板数据模型：

Yi，t=α0+βYi，t-1+α1Mi，t+αZi，t+μi，t+δi，t+εi，t（2）

其中，Yi，t-1表示地区i在第t-1年的经济高质量发展水平。另外，为了检验人工智能对老龄化的交互效应，借鉴左鹏飞等[26]的做法，在式（2）的基础上加入两者的交乘项，得到交互效应面板模型：

Yi，t=α0+βYi，t-1+α1AIi，t+α2oldi，t+α3AIi，t×oldi，t+αZi，t+μi，t+δi，t+εi，t（3）

其中，若人工智能与老龄化的交乘项系数α3显著大于0，表明人工智能与老龄化存在显著的交互效应，两者交互作用有利于促进经济高质量发展;而若交乘项系数α3显著小于0，表明两者交互作用不利于经济高质量发展。

3.门限面板模型

人工智能对老龄化的经济高质量发展的不利影响存在一定的补偿作用，因此本文通过构建面板门限回归模型来研究在不同人工智能水平区间内老龄化对经济高质量发展的异质性影响，设定人工智能作为门限变量，老龄化作为受门限变量影响的门限效应变量，从而得到门限面板模型：

Yi，t=α0+βoldi，t（AIi，t，γ）it+αZi，t+μi，t+δi，t+εi，t（4）

oldi，t（AIi，t，γ）=[JB（{]oldi，tI（AIi，t<γ）oldi，tI（AIi，t≥γ）[JB）]（5）

在式（5）中，I（AIi，t）为门限变量根据门限值γ划分的示性函数。当对应的条件为真时，取值为1;条件为假时，取值为0。参数β反映老龄化对经济高质量发展的非线性影响，其他变量与基准回归模型式（1）设定相同。[WTBZ]

（二）变量及数据说明

本文选用我国2007—2018年的30个省份的面板数据，不包含我国港澳台地区和缺失数据较多的西藏自治区。数据来源于历年的《中国统计年鉴》《中国电子信息产业统计年鉴》《中国劳动统计年鉴》《中国贸易外经统计年鉴》《中国科技统计年鉴》。相关的数据均以1998年不变价平减，并对有关数据进行对数化处理。

1.被解释变量

经济高质量发展（Y）。关于如何度量经济高质量发展学者们莫衷一是。陈诗一等[27]在研究经济高质量发展时采用人均GDP来测度，随着研究数据的可获得性增强，越来越多的学者，例如郭然等[28]在研究中通过构建多维度指标体系来测度经济高质量发展水平。

鉴于此，本文分别使用各省份实际人均GDP的自然对数（lny）和经济高质量发展指数（qua）来衡量各省份的经济高质量发展水平。其中，关于经济高质量发展指标的构建，本文结合新时代我国经济高质量发展战略，实现由数量增长型向质量增长型发展方式转变的目标，并考虑到以人工智能为代表的信息技术产业发展所带来的经济社会效益，同时兼顾到测度指标数据可得性，从经济发展、创新发展、生态发展以及民生发展4个维度出发构建经济高质量发展测度体系，详见表1。

关于经济高质量发展指数的测算，本文参照郭然等[28]的方法。第一步，由于各指标量纲、数量级等存在较大的差异，采用极差法对来自我国30个省份2007—2018年的18个衡量经济高质量发展的各项指标进行标准化处理：

其中，Xtpi為t时期p地区i指标的原始值，Zpi为标准化后的指标值，max（Xpi）和min（Xpi）分别为指标原始数据中的最大值与最小值，p=1，…，30，i=1，…，18。

第二步，计算t时期p地区第i个指标在该总指标的比重Ytpi，并进一步计算各指标信息熵Eti：

第三步，利用各指标的信息熵值计算出信息熵冗余度Vti=1-Eti，进而对其进行归一化处理得到各指标权重Wti：

第四步，计算出t年p省份经济高质量发展水平qua：

2.核心解释变量

人口老龄化（old）。本文使用各地区老年抚养比（65岁及以上人口数与15～64岁人口数的比值）来衡量各地区人口老龄化水平。

人工智能（AI）。受限于数据可得性，本文借鉴孙早等[29]的处理方法构建了人工智能测度指标，包括人工智能技术使用规模、信息技术服务能力、软件普及和应用能力和嵌入式系统软件应用能力4个分指标，尽可能地反映各地区人工智能发展水平。数据来自《中国统计年鉴》和《中国电子信息产业统计年鉴》。采用主成分分析法获得各地区人工智能水平（AI）。由主成分分析法得到特征值与特征向量，前3个特征值累计贡献率达9908%，说明前3个主成分基本包含了全部指标的信息。

3.机制变量

劳动力结构升级（lso）。本文使用各地区就业人员受教育程度构成衡量不同技能劳动力的市场需求情况，包括未上过学、小学、初中、高中（含中等职业教育）、大学专科（含高等职业教育）、大学本科和研究生（含硕士研究生和博士研究生）7类受教育程度的就业情况。为了使研究更具有代表性，本文将其划分为3大类，分别是低技能劳动力需求（小学及以下）、中技能劳动力需求（初中和高中）和高技能劳动力需求（大学专科及以上），并将高技能劳动力与中低技能劳动力的比值作为劳动力结构升级指标。

技术创新效率（inna）。专利产出是衡量技术创新效率的常用指标，包括专利申请数和专利授权数。其中，专利授权数在时间上存在一定的滞后性，且受人为干预较强，因此本文使用地区专利申请数的自然对数衡量技术创新效率，并使用专利授权数（innr）做稳健性检验。

资本形成率（cfri）。地区资本形成率是指一定时期内资本形成总额占地区国内生产总值的比重。由于2018年的资本形成总额缺失，为了能完整实现计量分析，本文使用插值法计算出2018年资本形成总额和固定资本形成率，并使用固定资本形成率（cfrk）替代资本形成率进一步检验。

4.控制变量

为了更全面地分析人工智能、老龄化对经济高质量发展的影响效应，还需要控制对经济高质量发展可能产生影响的变量。本文主要设定以下控制变量：地区政府干预（gov），用各地区政府一般性财政支出与地区生产总值之比衡量;外商投资水平（fdi），用外商直接投资额与地区生产总值之比衡量;基础设施建设（str），以铁路营业里程代表各省基础设施水平衡量，并使用高速营业里程替代铁路营业里程进一步检验;城市化水平（urb），用城镇人口与总人口之比衡量。主要变量的描述性统计结果见表3。

三、人工智能、老龄化对经济高质量发展的实证检验

（一）静态面板基准模型的回归与分析

根据上述各类回归模型检验人工智能和老龄化对经济高质量发展的影响。式（1）的回归结果见表4，第（1）（2）列中，人工智能和老龄化对以lny表征的经济高质量发展的影响并不显著。老龄化对经济高质量发展产生负向影，这可能是由于老龄化带来的负向的劳动力效应所致，但并不达到统计意义上显著。第（3）（4）列中，人工智能和老龄化对以qua表征的经济高质量发展的影响也并不显著。上述回归结果可能是潜在的非线性作用所致，鉴于此，下文将采用门限面板模型来进一步探究人工智能、老龄化对经济高质量发展的影响作用。

控制变量对两种衡量经济高质量发展的被解释变量的影响显著性基本一致，对经济高质量发展产生正向影响的有城市化水平和外商直接投资，地区政府干预对经济高质量发展产生负向的阻碍作用，基础设施建设对经济高质量发展的影响并不显著。在城市化进程中，主要通过固定资产投资、基础设施和公共服务改善吸引更多的人才与资金以刺激经济高质量发展，外商直接投资有助于提高生产技术效率、加快国内技术进步，能显著促进经济高质量发展。地方政府财政支出通常更倾向于具有更强经济拉动能力、更高生产效率以及公共服务的相关产业，这种政府干预在一定程度上扭曲了市场资源的有效配置，从而对经济高质量发展产生不利影响。

（二）动态面板模型的回归与分析

经济高质量发展是一个动态渐进过程，存在发展惯性，若忽略前期经济发展对当期的影响，而仅仅考虑当期人工智能、老龄化等因素对经济高质量发展的影响，结果会产生一定的偏误。因此，表5第（1）（3）列在静态面板基准模型基础上加入经济高质量发展变量的滞后一期，即对式（2）进行回归估计。经济高质量发展滞后一期系数显著为正，表明经济高质量发展存在显著时间延续性[26];而人工智能的经济高质量发展效应并不显著，这可能由于人工智能对经济高质量发展的影响具有非线性特征所导致;老龄化对以人均GDP衡量的经济高质量发展的影响均在10%水平上显著为负，但对构建得到的经济高质量发展指标的影响却为正，但并不显著。整体来说，老龄化对经济高质量发展存在不利影响。

本文理论部分分析了人工智能缓解老龄化对经济高质量发展的不利影响，表5第（2）（4）列对此进行检验，即对式（3）进行回归估计。结果显示，交乘项系数均大于0，并且分别在1%和10%水平上显著，表明人工智能和老龄化存在互补效应，随着人工智能技术的发展与普及，人工智能能有效防范和缓解老龄化对经济高质量发展的不利影响。

（三）门限面板模型的回归与分析

在静态基准回归分析可知，人工智能、老龄化对经济高質量发展可能存在潜在的非线性关系，因此，该部分借鉴谢莉娟等[30]使用门限面板模型对此进行检验。本文设定人工智能为门限变量，老龄化为受门限变量影响的门限效应变量，亦为核心解释变量。通过对式（4）（5）进行门限效应检验并经F检验，发现老龄化对表征经济高质量发展的lny与qua两个指标均存在单一人工智能门限效应，对应的门限值分别为0650和-0475;接下来，设定人工智能为门限效应变量，亦为核心解释变量，通过门限效应检验并经F检验后发现人工智能对表征经济高质量发展的lny与qua两个指标也分别存在单一门限效应，对应的门限值分别为0499和-0475，以上结果均与似然比检验的图形相一致（见图1），具体结果见表6。

基于上述检验结果，得到式（4）（5）门限效应的估计结果，具体见表7。首先分析老龄化对经济高质量发展的门限效应，从第（1）列可知老龄化对以lny表征的经济高质量发展的影响系数存在两个区间变化，即人工智能门限变量将样本分为2个区制，分别为较低人工智能发展水平地区（门限值≤0650）和较高人工智能发展水平地区（门限值>0650）。当人工智能发展处于较低水平时，即在门限值0650以下时，老龄化对经济高质量发展存在微弱的负向作用但并不显著;当人工智能发展处于较高水平时，即超过门限值时，老龄化对经济高质量发展的作用转负为正，且在1%水平上显著。

从表7第（3）列可知，老龄化对以qua表征的经济高质量发展的影响系数也存在两个区间变化，并且影响系数的正负以及显著性均与第（1）列基本一致。这在一定程度上证明研究结果是稳健的。结合第（1）（3）列的回归结果发现，伴随着人工智能发展水平的提高，老龄化对经济高质量发展的作用由负转正，由不显著到显著。也可以说，人工智能能有效缓解老龄化对经济高质量发展的负向效应。这与陈彦斌等[1]采用数值模拟得到的结果基本一致。该结果也呼应了动态面板模型中检验的人工智能对经济高质量发展具有非线性影响。

然后分析人工智能对经济高质量发展的门限效应，估计结果见表7第（2）（4）列。从第（2）列可知人工智能对以lny表征的经济高质量发展的影响系数存在两个区间变化，当人工智能发展处于较低水平时，即在门限值0499以下时，人工智能对经济高质量发展存在显著的负向作用，但系数值较小;当人工智能发展处于较高水平时，即超过门限值时，人工智能对经济高质量发展的作用转负为正，在1%水平上显著，且系数值较大。第（4）列中人工智能对以qua表征的经济高质量发展的影响与第（2）列基本一致，可见检验结果稳健性较好。结果说明，人工智能发展前期，由于资产投资回报较低，对经济高质量发展产生一定的拖累，跨过门限值后就会对经济高质量发展产生显著的促进作用。

四、人工智能与老龄化的经济高质量发展效应的区域异质性

不同地区的经济发展阶段、资源禀赋、信息技术发展水平、城镇化水平、基础设施建设等存在差异性，会使不同地区人工智能、老龄化和经济高质量发展呈现较大的区域差异。为了探究区域异质性问题，基于式（2）（3）对东、中、西部样本分别进行回归，估计结果见表8。首先，以lny表征的经济高质量发展为被解释变量来逐一进行分析：式（2）是在基准模型中加入被解释变量滞后一期，回归结果显示，东部区域的人工智能系数为0048，并在1%水平上显著，说明东部区域的人工智能发展已见成效，成功跨越了增长门限，对该区域经济高质量发展产生显著的正向促进作用，而中部和西部区域尚未突破门限值，目前仍处于前期投入发展阶段。老龄化对东部区域的经济高质量发展影响甚微，虽然系数为负，但数值很小且并不显著，这可能是由于东部区域经济发展水平较高、就业机会较多、基础设施建设以及公共服务较为完善，会吸引大量素质较高的年轻劳动力，因此老龄化对经济高质量发展的消极影响并不显著。与其背道而驰的则是西部区域，人才流失、年轻劳动力流失问题较为严重，导致地区老龄化加重，对经济高质量发展产生严重的消极影响。对式（3）进行回归的结果显示，三个区域的交乘项系数均为正，东部和西部区域的系数显著大于，表明在東部和西部区域，人工智能能有效缓解老龄化对经济高质量发展的不利影响，而中部区域还并不显著，作用还未显现。

当以qua表征经济高质量发展逐一进行回归时发现，经济高质量发展的两种表征方法所得到的各项回归系数的正负及其显著性基本一致

受篇幅限制，以qua来表征经济高质量发展效应的区域差异性的回归结果请与笔者联系索取。，这在一定程度上检验了人工智能、老龄化的经济高质量发展效应以及区域异质性是稳健的。

五、经济高质量发展效应的机制检验

在前文的理论分析部分本文提出人工智能可以通过优化劳动力结构、提高技术创新效率、提升资本形成率来缓解老龄化带来的经济负效应，以促进经济高质量发展。在人工智能发展水平不同的地区，老龄化对经济高质量发展的机制效应强弱也会存在差异。因此，该部分分别从劳动力结构优化水平、技术创新效率以及资本形成率三个视角出发，探究人工智能是如何影响老龄化对经济高质量发展的作用机制。

（一）劳动力结构升级效应

本文采用两种检验方法探究劳动力结构优化机制。第一种借鉴孙早等[29]的方法，首先检验人工智能有助于优化劳动力结构。将各级别的劳动力就业占比作为被解释变量，逐一进行回归，实证结果见表9。按技能划分的结果可知，人工智能技术的应用降低了对低技能与中技能劳动力的岗位需求，却显著增加了高技能劳动力的市场需求。进一步按受教育水平划分可发现，在高技能劳动力中，相对于研究生和大学专科，现阶段人工智能对大学本科的市场需求最大，也就是说对大学本科劳动力的就业提升效应最大。然后考察老龄化对劳动力需求结构带来的影响，表9中按技能划分的结果中老龄化的影响系数并不显著，但在按受教育年限分类的回归结果中，老龄化对高中和大学专科劳动力就业有显著的提升作用，对大学本科和研究生高技能劳动力就业产生抑制作用，同时也对初中及以下较低技能劳动力就业有抑制作用，这将不利于劳动力结构优化，对经济可持续高质量发展带来不利影响。整体来看，人工智能能有效缓解老龄化带来的不利于劳动力结构优化的问题。

第二种就是采用门限效应的方法。首先将高技能劳动力与中低技能劳动力的比值作为劳动力结构优化指标，并作为被解释变量，同时以人工智能作为门限变量，老龄化作为门限效应变量，构建门限面板回归进行门限效应和门限个数的识别检验。模型参数估计结果见表10第（1）（2）列，老龄化对劳动力结构优化的影响存在门限效应，且存在一个门限值（0283）。在人工智能发展水平较低的地区，老龄化对优化劳动力结构的影响在10%的水平上存在促进作用（0381）;在人工智能发展水平较高的地区，老龄化优化劳动力结构的促进作用更加强烈。随着人工智能水平不断提升，当超过门限值时，人工智能能够有效缓解老龄化对劳动力结构优化的负向效应（在第一种方法中，老龄化对高学历劳动力就业存在抑制作用），并能显著提升老龄化对优化劳动力结构的促进作用。

综合以上两种方法可知，检验结果具有一定的稳健性，假设1得证。

（二）技术创新效应

以人工智能作为门限变量，以地区专利申请数衡量的技术创新水平作为被解释变量，构建面板门限回归模型探究不同人工智能水平下老龄化经济高质量发展效应的技术创新效率路径。模型估计结果见表10第（3）（4）列，发现以人工智能作为门限变量时，老龄化对技术创新效率的影响存在门限效应，且存在一个门限值（0582），在人工智能发展水平较低的地区，老龄化对技术创新效率的影响为负（-0129），但并不显著;在人工智能发展水平较高的地区，老龄化对技术创新效率的影响转负为正（1121），且在1%水平上显著。也就是说，随着人工智能水平不断提升，当超过门限值时，人工智能能够有效缓解老龄化对技术创新效率的负向效应，并显著提升老龄化对技术创新效率的促进作用。

关于技术创新效率路径的稳健性检验，本文使用专利授权数替代被解释变量专利申请数做稳健性检验。同样采用面板门限回归模型逐一进行分析，结果发现，也存在一个人工智能门限值（0499），当人工智能水平超过该门限值，老龄化的技术创新效率路径的估计系数以及对应的显著性与专利申请数的结果基本一致，说明本部分实证结果具有一定的稳健性

受篇幅限制，有关以专利授权数作为被解释变量做稳健性检验的实证结果请与笔者联系索取。。综上，假设2得证。

（三）资本形成效应

同样，以人工智能作为门限变量，以地区资本形成率作为被解释变量，构建面板门限回归模型探究不同人工智能水平下老龄化经济高质量发展效应的资本形成路径。模型参数估计结果见表10第（5）（6）列，以人工智能作为门限变量时，老龄化对资本形成率的影响存在门限效应，且存在一个人工智能门限值（-0475）。在门限值前后，人工智能的影响系数均显著为负，这说明老龄化对资本形成率有显著的负向影响。当人工智能发展水平超过该门限值，老龄化资本形成效应的估计系数从-3482提升到-1551，且均在1%水平上显著。这可以理解为老龄化带来储蓄率和投资率的下滑，导致资本形成降低[3]，而人工智能的发展带动了地区投资意愿，提高了地区资本回报率和投资率[24]，结合研究结果，说明人工智能能有效缓解老龄化带来的低资本形成率问题，进而减弱老龄化对经济高质量发展的不利影响。综上，假设3得证。

关于资本形成路径的稳健性检验，本文使用固定资本形成率替代被解释变量资本形成率做稳健性检验。同样采用面板门限回归模型进行分析，也仅存在一个人工智能门限值（-0586），当超过门限值时，老龄化的资本形成效应的估计系数以及对应的显著性与资本形成率结果基本一致，说明本部分实证结果具有一定的稳健性

受篇幅限制，有关以固定资本形成率作为被解释变量做稳健性检验的实证结果请与笔者联系索取。。

六、结论与启示

本文基于2006—2018年中国30个省份的面板数据，通过构建静态面板模型、动态面板模型以及门限面板模型，多维度实证检验人工智能、老龄化对经济高质量发展的影响效应与区域差异，进一步从劳动力结构、技术创新效率与资本形成率三个视角出发，运用门限面板模型检验人工智能和老龄化对经济高质量发展的内在机制。研究结论如下：第一，人工智能能够有效缓解老龄化对经濟高质量发展的不利影响，且高质量发展效应存在区域异质性，在东部区域和西部区域显著，中部区域不显著;第二，人工智能、老龄化对经济高质量发展的影响存在门限效应，在人工智能发展水平越高的地区，越有助于缓解老龄化对经济高质量发展的不利影响;第三，人工智能可缓解老龄化对劳动力结构、技术创新效率、资本形成率带来的不利影响，实现要素升级并促进经济高质量发展。

本文研究结论具有以下政策启示：首先，在老龄化不断加深的现实情况下，加大对人工智能的投资力度，推进人工智能与社会经济各方面的深度融合，有利于缓解人口老龄化带来的经济损失，有助于发挥人工智能为经济发展带来的技术红利。其次，人工智能通过优化劳动力结构、提升人力资本质量、提升创新效率以及提升资本形成率为经济高质量发展带来内生动力的路径机制，证明了人工智能应对老龄化的不利影响，通过提升现有生产要素质量，为经济高质量发展发挥重要作用，应给与高度重视并在政策上加大支持力度。再次，应高度重视高素质高层次创新型人才的引进与培养，只有不断推陈出新，加快技术更替，突破核心技术瓶颈，才能确保人工智能的技术红利持续发挥经济效用。最后，考虑到人工智能、老龄化对经济高质量发展效应存在区域差异，不同区域应因地制宜给予相适宜的政策支持，特别是对于人工智能效应并不显著的中部地区，应引进人才、加大教育与科研投资，通过优化劳动力结构、提高创新效率以及提高资本形成率，积极应对老龄化问题，实现经济高质量发展。

参考文献：

[1] 陈彦斌，林晨，陈小亮.人工智能、老龄化与经济增长 [J].经济研究，2019（7）：4763.

[2] PIFER A，BRONTE D L.Our aging society：paradox and promise [M].New York：WW Norton & Company，1986.

[3] VOGEL E，LUDWIG A，BRSCHSUPAN A.Aging and pension reform：extending the retirement age and human capital formation [J].Journal of Pension Economics and Finance，2017，16（1）：81107.

[4] MEYER J.Older worker and the adoption of new technologies in ICTintensive services [M]∥KUHN M，OCHSEN C.Labour markets and demographic change.Wiesbaden：VS Verlag für Sozialwissenschaften，2009：85119.

[5] 朱墨蕤，严明义.人口老龄化与财政支出结构：基于中国经验的SD分析 [J].统计与信息论坛，2019（11）：5058.

[6] 赵涛，张智，梁上坤.数字经济、创业活跃度与高质量发展：来自中国城市的经驗证据 [J].管理世界，2020（10）：6576.

[7] ACEMOGLU D，RESTREPO P.Robots and jobs：evidence from US labor markets [R].NBER Working Paper，2017.

[8] ACEMOGLU D，RESTREPO P.Artificial intelligence，automation and work [R].NBER Working Paper，2018.

[9] 逯进，王晓飞.固定资产投资、老龄化与经济活力：基于省域视角研究 [J].人口学刊，2019（5）：5771.

[10]周祝平，刘海斌.人口老龄化对劳动力参与率的影响 [J].人口研究，2016（3）：5870.

[11]邵汉华，汪元盛.人口结构与技术创新 [J].科学学研究，2019（4）：739749.

[12]孟浩，张美莎.人工智能如何影响劳动力就业需求：来自中国企业层面的经验证据 [J].西安交通大学学报（社会科学版），2021（5）：6573.

[13]谭泓，张丽华.人工智能促进人力资本流动与提升 [J].科学学研究，2021（5）：833841.

[14]KATZ L F，MURPHY K M.Changes in relative wages，19631987：supply and demand factors [J].The Quarterly Journal of Economics，1992，107（1）：3578.

[15]朱巧玲，李敏.人工智能、技术进步与劳动力结构优化对策研究 [J].科技进步与对策，2018（6）：3641.

[16]史桂芬，黎涵.人口迁移、劳动力结构与经济增长 [J].管理世界，2018（11）：174175.

[17]刘智勇，李海峥，胡永远，等.人力资本结构高级化与经济增长：兼论东中西部地区差距的形成和缩小 [J].经济研究，2018（3）：5063.

[18]NODA H.Population aging and creative destruction [J].Journal of Economic Research，2011（16）：2958.

[19]GONZALEZEIRAS M，NIEPELT D.Ageing，government budgets，retirement，and growth [J].European Economic Review，2012，56（1）：97115.

[20]汪伟，姜振茂.人口老龄化对技术进步的影响研究综述 [J].中国人口科学，2016（3）：114125.

[21]BRYNJOLFSSON E，ROCK D，SYVERSON C.Artificial intelligence and the modern productivity paradox：a clash of expectations and statistics [R].NBER Working Paper，2017.

[22]张龙鹏，张双志.技术赋能：人工智能与产业融合发展的技术创新效应 [J].财经科学，2020（6）：7488.

[23]齐传钧.人口老龄化对经济增长的影响分析 [J].中国人口科学，2010（S1）：5465.

[24]黄德春，刘志彪.环境规制与企业自主创新：基于波特假设的企业竞争优势构建 [J].中国工业经济，2006（3）：100106.

[25]韩民春，乔刚.工业机器人对中国区域经济的异质性影响研究：基于新结构经济学的视角 [J].技术经济，2020（8）：8594.

[26]左鹏飞，姜奇平，陈静.互联网发展、城镇化与我国产业结构转型升级 [J].数量经济技术经济研究，2020（7）：7191.

[27]陈诗一，陈登科.雾霾污染、政府治理与经济高质量发展 [J].经济研究，2018（2）：2034.

[28]郭然，原毅军.生产性服务业集聚能够提高制造业发展质量吗？ [J].当代经济科学，2020（2）：120132.

[29]孙早，侯玉琳.工业智能化如何重塑劳动力就业结构 [J].中国工业经济，2019（5）：6179.

[30]谢莉娟，陈锦然，王诗桪.ICT投资、互联网普及和全要素生产率 [J].统计研究，2020（9）：5667.