人工智能对劳动收入分配的影响：从技术进步偏见的视角来看

《Economic Analysis and Policy》：The impact of Artificial Intelligence on Labor Income Share: From the Perspective of Technological Progress Bias

　　陈磊|何芳|何永学|王瑞甜|张琼欣
中国中南财经政法大学商学院，武汉，430073

**摘要**
人工智能（AI）作为一种通用技术，具有新型基础设施的特点，能够同时提升资本和劳动力的效率。它对劳动收入份额（LIS）的影响仍然存在争议。本文从技术进步偏好的角度出发，通过理论和实证分析探讨了AI如何影响劳动收入份额。首先，我们利用要素增强型CES生产函数，将AI和技术进步偏好纳入一个统一的框架中，以确定劳动收入份额，并明确了劳动力份额变化的来源。其次，我们利用机器学习构建了AI词典，进行了专利文本分析，并编制了城市层面的AI指数；然后利用2008年至2022年287个中国城市的面板数据，研究了AI和技术进步偏好对劳动收入份额的影响。研究结果表明，AI的发展显著降低了劳动收入份额。这一发现对不同的衡量指标、不同的样本时间段、不同的估计方法以及解决内生性的工具变量（2SLS）策略都具有稳健性。机制和渠道分析表明，AI促进了资本偏向型技术变革，从而压低了劳动收入份额。产业升级和所有权结构显著提高了劳动收入份额，减轻了AI的负面影响。异质性分析显示，AI对劳动收入份额的负面影响在劳动密集型、内陆地区、中小城市以及中西部城市更为明显。本研究为发展中国家（如中国）提供了政策建议，以缓解AI对劳动力市场的冲击，缩小收入差距，并促进共同繁荣。

**引言**
劳动收入是国家收入的核心组成部分，直接影响社会公平与稳定，以及可持续发展和共同繁荣的实现。几十年来，稳定的劳动收入份额一直被视为收入不平等的“自动稳定器”（Bises等人，2024年）。新古典经济学假定劳动收入份额在长期内相对稳定。然而，自20世纪80年代以来，OECD国家的劳动收入份额均有不同程度的下降，这与Kaldor的经验事实直接相悖。为了解释劳动收入份额下降的谜团，研究人员考察了多种因素，包括人口变化（Schmidt和Vosen，2013年）、实际工资（Hur，2021年）、劳动力的相对议价能力（Kristal，2010年）、自动化水平（Ergül和G?ksel，2020年）、市场力量和资本密集度（Kim等人，2020年；Jacob和Paul，2024年）、新兴技术（Ghodsi等人，2024年）、商业环境（Lai等人，2024年）、数字化和数字基础设施（Wan和Bi，2025年）、企业税收（Li等人，2021年）、环境法规（Cui等人，2023年；Lu，2025年）、职业性别隔离（Seguino和Braunstein，2019年）、无形资产积累（Stehrer，2024年）以及全球化和国外直接投资（Flaherty和Riain，2020年），以解释劳动收入份额的波动。

随着“中国制造2025”计划的实施以及信息技术与工业化的深度融合，AI在中国得到了快速发展并被广泛采用。根据国际机器人联合会（IFR）的统计数据显示，2013年中国超越日本成为全球最大的工业机器人市场。到2014年，年销售额达到57,000台，同比增长56%，占全球总量的四分之一。五年内，机器人密度从11台/千人上升至36台/千人。到2024年，中国工业机器人的年安装量达到295,000台，占全球总量的54%以上，连续第十二年保持全球最大市场的地位。值得注意的是，中国工业机器人普及的拐点出现在2013年左右，这恰逢人口红利消退和劳动力成本快速上升的时期，促使企业大规模采用机器人。历史经验表明，新技术在连续的技术革命中的广泛应用通常伴随着要素收入份额的变化。在AI时代，了解AI将通过何种方式和途径影响劳动收入份额，对于发展中国家（如中国）来说尤为重要，这将有助于应对AI对劳动力市场的影响，以及解决收入不平等和中等收入陷阱问题。

AI与经济学的交叉是一个活跃的研究领域，但AI对劳动收入份额的影响仍存在争议。一种主流观点认为，AI将收入从劳动力转移到资本上。通过替代效应，AI减少了劳动力需求，提高了资本回报，并改变了利润与工资之间的分配，从而压低了劳动收入份额（Wang等人，2023年；Chen等人，2024年）。当前AI的发展主要集中在替代劳动力的自动化领域。虽然AI在某些低技能任务上提高了生产率，但并未创造出新的任务使劳动力能够更高效地工作。这种技术偏见加剧了资本与劳动力之间的收入差距，导致劳动收入份额下降（Acemoglu和Restrepo，2020年；Gimarr?es和Gil，2022年；Acemoglu，2025年）。Minniti等人（2025）研究了欧洲地区，发现AI创新翻倍与劳动收入份额下降0.5-1.6个百分点有关。其他研究则持更乐观的看法，认为AI的采用可以通过多种渠道提高劳动收入份额，包括促进创新和技术升级（Wang和Jiao，2025年）、改善企业整体表现以及与高技能劳动力的互补性（Wang和Hu，2025年），以及技能需求和技能溢价的变化（Fan等人，2025年）。

AI对劳动收入份额影响的不确定性还可以从另一个角度看待。有人认为AI使劳动力市场两极分化，同时增加了对高技能和低技能劳动力的需求，但减少了中等技能劳动力的需求。因此，AI对劳动收入份额的影响取决于不同劳动力群体的相对议价能力（Autor，2015年）。尽管AI的替代效应降低了劳动收入份额，但新任务的创造可以抵消这一效应。AI对劳动收入份额的净影响取决于机器替代和任务创造的相对速度（Acemoglu和Restrepo，2018年；Qian等人，2023年）。这种影响还受到所有权结构、资本密集度和区域异质性的影响（Du等人，2024年）。总体而言，关于AI与劳动收入份额的研究大多假设技术变革是中性的，很少关注技术进步偏好，这限制了我们对AI影响更深入的理解。此外，大多数研究强调AI对就业和工资的总体影响，而对发展水平的异质性和产业结构在塑造AI对劳动收入份额影响中的作用关注不足。

本文做出了四个贡献：首先，我们将AI和技术进步偏好纳入一个统一的新古典增长框架中，以确定劳动收入份额的演变；其次，我们利用机器学习构建了AI词典，进行了专利文本分析，并编制了城市层面的AI指数；然后利用2008年至2022年287个中国城市的面板数据，实证研究了AI和技术进步偏好对劳动收入份额的影响；最后，我们研究了产业升级和所有权结构在推动劳动收入份额变化中的作用及其在AI与劳动收入份额关系中的调节作用。

**部分摘录**
**AI与要素收入份额**
与传统的单一偏向型技术变革不同，AI对资本和劳动力都有要素增强效应：在生产过程中，既有劳动增强型创新，也有资本增强型创新和应用。因此，在纳入AI时，生产函数应明确包含这两种类型的技术进步；其一般形式如方程（1）所示：
$$ Q_t = F(A_tK_t, B_tL_t) $$
其中，$Q_t$表示总产出，$K_t$和$L_t$分别表示资本和劳动力投入。

**中介效应模型**
本文构建了一个双向固定效应模型，以研究AI、技术进步偏好与劳动收入份额之间的关系。模型具体如下：
$$ Lis_t = \beta_0 + c_A i_t + \gamma X_t + f_i + f_t + \epsilon_t $$
其中，$Lis_t$表示劳动收入份额，$A_i t$表示人工智能技术的水平，$X_t$是控制变量向量，$f_i$和$f_t$表示时间和个体固定效应，$\epsilon_t$是随机误差项。参数$\beta_c$、$\gamma$等需要估计。如果$c$显著为负，则……

**基于早期分析，本研究使用2008年至2022年中国287个城市的面板数据来估计固定效应模型和中介模型，目的是检验AI和技术进步偏好对劳动收入份额的影响。表2显示了基线回归的结果。第（1）至（3）列仅包含城市和年份的固定效应，没有其他控制变量，而第（4）至（6）列增加了经济发展、人力资本、金融发展的控制变量。**劳动密集型和资本密集型地区**
要素禀赋是决定要素收入份额的重要因素。新古典分配理论认为，在完全竞争下，劳动收入份额取决于劳动的边际产品相对于资本。在劳动力相对丰富的地区，劳动的边际产品下降，可能导致劳动收入份额降低；相反，在资本相对丰富的地区，资本的边际产品下降，可能导致劳动收入份额升高。

**结论**
劳动收入份额不仅反映了收入分配的公平性，还关系到宏观经济稳定和增长。作为通用技术，AI具有资本增强和劳动增强效应，其对劳动收入份额的影响仍然存在争议。从技术进步偏好的角度来看，本文从理论和实证两个角度分析了AI对劳动收入份额的影响。首先，我们利用要素增强型CES生产函数，将AI和技术进步偏好纳入模型……

**未引用的参考文献**
Qinli, 2013

**作者贡献声明**
陈磊：撰写——原始草稿、可视化、软件、方法论、数据整理、概念化；
何芳：监督、方法论、数据整理；
何永学：可视化、监督、方法论；
王瑞甜：可视化、软件、数据整理；
张琼欣：撰写——审稿与编辑、可视化、监督。