人工智能背景下税收结构对劳动收入的影响研究

●孙群力 谢滨泽

一、引言

随着我国经济发展和居民收入水平的不断提高，如何优化收入分配格局成为学术界关注的焦点。当前我国收入分配格局存在收入差距较大、劳动报酬份额较低等问题，国家统计局公布的数据显示，2010年至2019年我国基尼系数均高于0.46，远高于0.4的国际警戒线；与此同时，我国劳动报酬份额长期处于较低水平。研究表明劳动要素报酬下降是收入分配差距扩大的主要原因之一 （张车伟等，2010；Jacobson &Occhino，2012），提高劳动报酬份额能有效改善收入分配不均的现状（邹红和喻开志，2011）。然而近年来，伴随着人工智能的兴起，社会对“机器换人”式的人工智能技术表示担忧，作为资本偏向型技术进步，人工智能技术通过模拟人类思考活动，以资本替代劳动等技术特点，必将对要素分配格局产生重大影响，税收政策是调节我国收入分配的重要政策工具，税收结构也是影响要素分配格局的重要因素之一。因此，研究人工智能发展背景下，税收结构对劳动收入份额的影响，对优化新常态下的税收结构，充分发挥税收的宏观调控作用，改善我国收入分配格局具有重要意义。

二、文献述评

经济学界普遍将人工智能视为一 种 自 动 化 技 术 （Benzel et al.，2015，2017；Aghion et al.，2017），针对人工智能与劳动报酬的研究可追溯至Zeira（1998）提出的自动化模型，该模型将产品生产投入要素分为手工技术和工业技术，手工技术对劳动要素的要求较高，对资本要素要求较低，生产率的高低取决于技术水平的发展，在生产率水平较低时，厂商会采用更多的手工技术，而在生产率较高时，则会采用更多的工业技术进行生产，因此，劳动报酬份额会随着自动化进程的加速而降低。Hémous& Olsen（2016）认为自动化进程会经历三个阶段，在自动化程度较低的第一阶段，收入分配状况和劳动收入份额较稳定；在自动化程度加深的第二阶段，收入分配格局会随着自动化程度的加深而发生改变，劳动收入份额下降，不平等现象加剧；在自动化程度趋向稳定的第三阶段，要素报酬份额相对稳定，但收入差距将持续扩大。类似研究均将人工智能视为资本偏向型技术进步，认为人工智能主要通过自动化、“机器换人”的形式作用于经济生产，是资本替代劳动的过程，因而随着人工智能技术的发展，资本报酬份额将会上升，劳动报酬份额则会下降（Benzell et al.，2015；De Canio，2016）。然而，随着近几年人工智能技术的更迭，学界对人工智能技术特点有了更清晰的认识，不少研究对此提出了不同的观点。其中，Aghion et al.（2017）认为人工智能发展存在自动化和“鲍莫尔病”两种效应，前者会降低劳动报酬，提高资本报酬份额，后者则与之相反，而人工智能发展最终对要素报酬份额的影响并不确定。Acemoglu&Restrepo（2017，2018）在认可人工智能作为自动化技术降低劳动报酬份额观点的同时，指出人工智能还会通过创造更多劳动岗位进而提高劳动报酬份额，最终对要素报酬份额的影响方向存在不确定性，杨飞（2022）采用世界投入产出数据研究了智能化对要素报酬份额的影响，通过实证研究得出了与Acemoglu & Restrepo（2018）一致的结论，研究发现智能化带来的替代效应会降低劳动收入份额，而智能化带来的岗位创造效应、资本积累效应和生产率效应会提高劳动收入份额。郭凯明（2019）则认为人工智能会引起生产要素在不同产业部门间流动，进而引起劳动报酬份额变动，研究发现在不同类型产业之间，人工智能的产出弹性和人工智能与传统生产要素之间的替代弹性均存在差别，因而生产要素的流动方向并不确定，所以人工智能最终对劳动报酬的影响方向也不确定。王林辉和袁礼（2018）将劳动报酬变动分解为结构效应和产业效应两部分，构建了农业和非农业两部门模型，运用我国1978—2012年的数据进行参数估计，发现劳动报酬的变动由有偏型技术进步和要素禀赋共同决定，变动的方向由要素禀赋的替代弹性决定。

税收政策作为宏观调控的重要工具，通过调整税率、优化税收结构能够对再分配产生直接影响，具有较强的收入分配调节效应。国内外学者就税收政策、税收结构对劳动要素报酬的影响开展了深入研究，涌现了大量研究成果。其中，白重恩和钱震杰（2010）通过对我国1985—2003年的数据研究发现，生产税净额对劳动报酬份额存在显著的负向影响，郭庆旺和吕冰洋（2011）也得出了相似的结论，文章通过构建包含税收的Ramsey模型进行研究，发现税收会对劳动要素报酬产生要素替代效应和要素收入效应，前者指直接税和间接税通过影响要素相对投入来改变要素收益率进而影响劳动要素报酬，后者指直接税改变了税后要素报酬，进而导致报酬份额发生变动，此外，作者还通过系统广义矩的估计方法验证了相关结论。Acemoglu（2003）得出结论则与之相反，研究发现在引入偏向型技术进步后，税收对劳动报酬份额的影响并不显著，王燕和陈欢（2015）将技术进步、税收和劳动报酬份额纳入同一分析框架，研究发现资本偏向型技术的发展和生产税率的提高均会降低劳动要素报酬，但该研究缺乏对税收结构的深入分析，并未探讨技术进步背景下，不同税种、税类的结构变化对要素报酬的影响。实际上，税收结构的变化会对劳动收入份额产生直接影响，优化税收结构能有效提高劳动报酬份额，优化收入分配格局，已有文献针对该问题进行了大量研究。郭庆旺和吕冰洋（2011）的研究发现增值税会对劳动要素报酬产生显著的负向影响，企业所得税对资本报酬份额的影响同样为负，而营业税对劳动报酬份额的影响并不显著，认为适当调整税收结构能对要素分配起到较好的优化效果。李稻葵等（2009）得出了相似的观点，研究发现企业所得税占比与劳动收入份额显著负相关，企业所得税占比每提升一个百分点，劳动要素报酬则会降低0.67个百分点。周克清等（2015）得出的研究结论与之相反，认为企业所得税和财产税均有利于劳动要素报酬的提高，而个人所得税、货劳税会降低劳动收入份额。李绍荣和耿莹（2005）则认为我国流转税类、所得税类和财产税类会扩大劳资要素回报差距。高凌江（2011）的研究同样认为流转税会扩大资本要素回报和劳动要素回报之间的差距。

综上所述，已有研究普遍认为人工智能对劳动报酬份额存在显著影响，但在具体影响方向上并未形成一致结论；在税收结构的研究中，大多文献未将人工智能因素纳入到实证研究框架中，王燕和陈欢（2015）的研究填补了这部分空缺，但欠缺对税收结构的深入探究，得出的相关结论和建议过于宏观，缺乏现实指导意义。基于此，本文试图在已有研究的基础上，从人工智能发展的视角研究税收结构对劳动要素报酬的影响，为优化税收结构、改善收入分配格局提供一定的参考。

三、计量模型设定与变量说明

（一）计量模型设定

为了研究人工智能发展背景下，税收结构对劳动收入份额的影响，本文构建了如式（1）所示的计量模型：

其中，Labi,t表示i地区第t年的劳动收入份额，Taxi,t表示i地区第t年各类税种占当地税收收入的比重，Aii,t表示i地区第t年人工智能发展水平，X为控制变量，μt和φi分别为时间固定效应和地区固定效应，εi,t是残差项，β0、β1、β2和β3均为估计参数。

由于我国地区间经济发展存在较大差异，为进一步分析不同地区间税收结构对劳动收入份额影响的差异，本文借鉴孙群力（2009）的做法，设置了East、Mid和West三个虚拟变量，分别表示东、中、西部地区，并针对东、中、西部地区相应省份分别赋值为1，其他地区省份赋值为0，在式（1）的基础上构建了如式（2）所示的异质性回归模型：

其中，Taxi,t×Easti、Taxi,t×Midi和Taxi,t×Westi为地区虚拟变量与税收结构的交互项，其他变量定义与式（1）保持一致。

（二）变量说明

1、被解释变量。劳动收入份额是本文的被解释变量，本文主要研究税收结构对要素报酬份额的影响，因此在测算要素报酬份额时，应扣除分配份额中税收因素的影响，白重恩和钱震杰（2009）、郭庆旺和吕冰洋（2011）对此作了深入探讨，本文借鉴已有研究的测算方法，分别测算了扣除税收因素后的劳动报酬份额和资本报酬份额，具体计算公式如式（3）、式（4）所示：

郭庆旺和吕冰洋（2011）、薛钢等（2021）认为劳动报酬份额和资本报酬份额存在此消彼长的关系，本文将运用劳动报酬份额比上资本报酬份额得到劳资报酬比，并采用劳资报酬比作为劳动报酬份额的度量指标，一方面能够消除分母中GDP的影响，另一方面能够更直观地体现劳动报酬份额对资本报酬份额的相对变动。

2、核心解释变量。税收结构Tax和人工智能发展水平Ai为本文的核心解释变量。

（1）税收结构。税收结构运用各类税收在税收总收入中所占的比重来表示，包括直接税、间接税及其相关税种（增值税、营业税、企业所得税和个人所得税），其中，直接税和间接税采用小口径度量方法，参考骆永民和樊丽明（2019）、薛钢等（2021）的分类方法，将企业所得税和个人所得税归为直接税，将增值税、消费税和营业税归为间接税，此外，本文还将房产税作为研究对象纳入到研究范围内。

（2）人工智能。人工智能发展水平参考孙早和侯玉琳（2019）的研究，借鉴国家工信部提出的指标体系结构，从基础设施情况、生产活动情况和创新与企业效益三个维度共十二个指标来构建人工智能指数，衡量各省份人工智能发展水平。

3、控制变量。除了人工智能技术和税收因素的影响外，其他宏观经济变量也会对劳动收入份额产生重要影响，已有文献对此进行了系统研究，张松林等（2014）、杨瑞龙和张泽华（2014）认为我国城乡二元经济制度对劳动收入份额存在显著影响，王晓芳和高榴（2011）认为教育水平与劳动收入份额之间的关系呈U型，还有研究指出对外贸易、产业结构、金融发展、经济发展等宏观因素会对劳动要素报酬产生显著影响（白重恩和钱震杰，2009）。因此，本文借鉴已有研究成果，将城镇化水平、教育水平、贸易开放程度、产业结构、金融深化程度和经济发展水平作为控制变量引入到计量模型中。其中，城镇化水平用各省份城镇人口占总人口比例来衡量；教育水平用各省份人均教育支出表示，贸易开放程度运用各省份进出口总额占其GDP的比重代替；产业结构用第三产业增加值占各省份GDP比值表示；金融深化程度用各省份存贷款余额占GDP比重表示；经济发展用各地区人均GDP的对数表示。

（三）数据来源与描述性统计

本文用于测算要素收入份额的相关数据来源于历年《中国统计年鉴》和《中国税务年鉴》，测算人工智能发展水平的相关数据来源于历年《中国电子信息产业统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》和CSMAR数据库。税收数据均来源于历年《中国税务年鉴》，其他控制变量的数据则来源于《中国统计年鉴》和《中国财政年鉴》。由于《中国电子信息产业统计年鉴》在2015年后的统计口径与往年存在较大差异，为保证人工智能发展指数的纵向可比性，本文选取指标的时间跨度为2001—2015年，考虑到数据的完整性，剔除了青海省和西藏自治区，共包含29个省市区，主要变量的描述性统计如表1所示。

表1 变量描述性统计结果

四、实证结果分析

（一）全样本回归结果分析

为了研究税收结构对劳动收入份额的影响，本文将对式（1）进行估计，通过豪斯曼检验结果表明拒绝随机效应的原假设，故采取固定效应模型进行估计。最终回归结果如表2所示，表中回归结果均控制了其他可能影响劳动报酬份额因素，以及个体固定效应和时间效应，估计结果表明，税收结构对劳动收入份额存在显著影响，不同税种对劳动收入份额的影响是不同的。

从间接税来看，表2第（1）列回归结果表明间接税对劳动收入份额的影响为负，但不显著，与间接税相关的主体税种均通过了显著性检验。其中，表2第（3）列结果表明营业税对劳动收入份额的影响在1%的水平上显著为负，即：提高营业税占比会显著降低劳动收入相对份额；表2第（4）列结果表明，增值税占比对劳动收入份额存在显著的正向影响，即提高增值税占比能够提高劳动收入相对份额。

从直接税来看，表2第（2）列回归结果表明直接税占比对劳动收入相对份额的影响在1%的水平上显著为正，也就是说提高直接税占比能显著提高劳动收入份额，与直接税相关的主体税种包括企业所得税和个人所得税。其中，由表2第（5）列和第（6）列回归结果可知，个人所得税对劳动收入份额的影响在1%水平上显著为负，企业所得税对劳动收入份额的影响在1%水平上显著为正，表明征收企业所得税能够提高劳动收入的相对份额，征收个人所得税会降低劳动收入的相对份额，其原因在于企业所得税主要针对资本要素征收，会降低企业税后利润，而个人所得税是针对个人所得征收，个人所得中包含了劳动所得和资本所得，其中工资薪金所得、劳务报酬所得、稿酬所得等收入项目均属于劳动所得，劳动所得在个人所得中的占比较大，且不易发生转嫁，进而使得个人所得税与劳动收入相对份额呈显著负相关。此外，本文还对房产税占比与劳动收入份额的关系进行了研究，表2第（7）列结果显示，房产税占比对劳动收入份额的影响在1%的水平上显著为负，表明征收房产税并未起到优化要素分配的调节效果，反而会降低劳动收入相对份额，提高资本要素相对份额，除了少数房产税试点城市外，绝大部分省份的房产税征收仅面向用于生产经营的房产，其本质是对资本要素进行征税，但实际上，缴纳房产税的纳税人可通过提高租金或是压低工资等方式完成房产税的转嫁，进而导致劳动收入相对份额下降。

表2 全样本回归结果

人工智能发展水平对劳动收入份额的影响显著为正，也就是说人工智能发展能够提高劳动报酬相对份额，人工智能发展程度越高，劳动报酬相对份额越高，这可能与Acemoglu & Restrepo（2018）、杨飞（2022）提到的人工智能通过工作创造效应、资本积累效应和生产率效应提高劳动报酬份额有关。此外，相对于其他控制变量而言，城镇化水平与劳动报酬份额显著负相关，金融深化程度与劳动报酬相对份额显著正相关，这与现有研究结论保持一致。

（二）异质性检验

考虑到不同地区经济发展水平差异较大，城镇化水平、产业结构、人工智能发展程度也存在较大区别，为进一步分析税收结构对劳动收入份额的影响，本文将对式（2）进行估计，通过豪斯曼检验发现，采用固定效应模型更加合适，回归结果如表3所示。

由表3可知，直接税、间接税和其他主要税种对三个地区劳动收入份额的影响存在明显差异。在东部地区，直接税、增值税、企业所得税对劳动收入份额均产生显著的正向影响，提高直接税、增值税或是企业所得税占比均能提高东部地区劳动收入相对份额，而营业税、个人所得税和房产税对劳动收入份额的影响显著为负，这与全样本回归结果基本一致；在中部地区，增值税占比对劳动收入份额的影响在10%的水平上显著为正，但直接税占比、企业所得税占比对劳动收入相对份额的影响表现为负；在西部地区，增值税占比、房产税占比对劳动收入份额的影响方向与东部地区保持一致，但企业所得税、个人所得税和营业税占比对该地区劳动收入份额的影响并不显著。

表3 分地区回归结果

（三）内生性检验

考虑到近二十年来我国劳动报酬份额持续下降，政府可能因此采取相应的税收政策进行调节，使得劳动要素报酬与税收结构存在互为因果的关系，进而导致回归存在内生性问题。因此本文将滞后一期的各类税收占比作为工具变量，采用二阶段最小二乘法对计量模型进行内生性检验，检验结果如表4所示。

表4 内生性检验结果

由表4可知，直接税占比、增值税占比和企业所得税占比对劳动收入报酬的影响显著为正，而营业税占比、个人所得税占比和房产税占比对劳动收入报酬的影响显著为负，此外，人工智能发展水平和金融深化程度对劳动报酬同样具有显著的正向影响。与表2所示的全样本回归结果相比，表4所示的内生性检验结果在核心解释变量和控制变量的系数方向上保持高度一致，显著性水平有所提高，说明本文回归结果及研究结论具有较强的稳健性。

五、结论与建议

本文运用我国省级面板数据，从人工智能发展的视角，研究了税收结构对劳动收入份额的影响。研究发现：首先，就税收结构而言，直接税对劳动收入份额存在显著的正向影响，间接税对劳动收入份额的影响并不显著，其中，提高企业所得税占比或增值税占比能够提高劳动报酬份额，提高营业税占比或个人所得税占比则会降低劳动收入份额，此外，征收房产税也会对劳动收入份额产生显著的负向影响。其次，受经济发展水平、产业结构等因素影响，间接税、直接税以及其他主要税种对不同地区劳动收入份额的影响存在明显差异。最后，人工智能发展对劳动收入相对份额的提高有着明显的促进作用，这可能与人工智能技术带来的工作创造效应、资本积累效应和生产率效应有关。

基于上述研究结论，本文提出以下四点建议：第一，提高直接税比重，增强税收调节劳动收入份额的整体性。当前我国税收以间接税为主，直接税占税收总收入的比重相对较小，而以间接税为主的税收结构不利于要素收入分配的优化，实证结果表明提高直接税占比能提升劳动收入份额，应适当提高直接税占税收收入比重，充分发挥税制结构对要素收入分配的调节作用。第二，将更多的资本性收入纳入到累进税体系中，扩大个人所得税的征收范围。当前我国个人所得税更多是针对劳动收入进行征税，对资本收入征税较少，在个人所得税税制设计上，应考虑将更多的资本收入纳入到个人所得税的征收范围，提高对资本要素的征税份额，最大程度上发挥个人所得税的优点。第三，房产税的实际政策效果受到多方面因素的影响，调节要素收入分配应以直接税为主，房产税为辅。第四，推动人工智能技术发展，最大程度发挥工作创造效应、资本积累效应和生产率效应对劳动收入份额的促进作用。

注释：

①2006年以前的农业各税包含农业税、牧业税、农业特产税、烟叶税、契税和耕地占用税，2006年以后的农业各税只包含烟叶税、耕地占用税和契税。