ssren创建站点成功的简单介绍

陈秋霖1, 许多2, 周羿3

1中国社会科学院人口与劳动经济研究所

2北京大学国家发展研究院

3北京大学社会研究中心

【摘要】文章用刻画智能化生产水平的工业智能机器人安装指标，作为人工智能的代理变量，基于跨国面板数据和中国省级面板数据，构建二阶段最小二乘回归模型，通过研究人口老龄化如何影响人工智能应用以及人工智能应用如何影响经济增长，检验在老龄化背景下，人工智能对劳动力是否存在替代效应和存在怎样的替代效应。研究结果表明，老龄化导致的劳动力短缺会促使一个经济体更多地应用智能化生产，老龄化是人工智能发展的诱因；智能化生产对当地生产总值有正向效应，有助于抵偿老龄化所造成的经济增长放缓，人工智能是应对老龄化的重要工具。当前人工智能发展属于“诱导式创新”，和劳动力之间是替代关系，而且是“补位式替代”，不是“挤出式替代”。如果维护好这些特征，人工智能将在未来老龄化大背景下为中国经济做出更大的贡献。

【关键词】老龄化 人工智能 智能化生产 替代效应

JEL Classification:P23; O33

人口老龄化和人工智能的快速发展，都是当前中国经济发生深刻变革的关键原因。一方面，随着人口逐渐老龄化，人口红利消失所带来的劳动力成本增加会制约经济的发展。例如，Li等人 (2012)指出中国的劳动力价格优势正在消失，而陆旸和蔡昉(2014)基于人口结构变化预测中国潜在增长率将会大幅下降。另一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在重构包括生产、分配、交换、消费在内的经济活动每一个环节，被寄予厚望成为中国经济新的增长动能。其中，智能化生产[1]是当前人工智能在经济活动中的主要应用方式。智能化生产能替代一部分传统岗位，减少经济体对劳动力数量的总需求，从而弱化，甚至补偿人口老龄化对经济增长所造成的负面影响（可以称之为“补位式替代”）。但是，智能化生产也可能会带来负面后果，比如替代传统就业岗位、造成失业和加剧收入两极分化，进而使得一部分人反倒更无力应对老龄化（可以称之为“挤出式替代”）。

人工智能的效应究竟是以“补位式替代”为主还是以“挤出式替代”为主呢？更具体地说，人工智能能否作为补偿劳动力规模下降的替代手段去缓冲，甚至解决老龄化对经济增长的负面冲击呢？政府是否应该有针对人工智能行业的产业扶持政策呢？这些问题引起了学者、公众和政策制定者的广泛关注和激烈争论（Schwab,2017）。因此，厘清人工智能和经济发展在老龄化背景下的互动关系不仅在学术上有所贡献，也能为政策制定提供参考。

人工智能和劳动力市场如何相互影响，是最近几年越来越热的一个研究话题。已有的实证研究主要使用以下两种分析方法：

第一种方法邀请专家对一国的各种职业的特征和可替代性进行评分，然后结合机器学习方法预测每种职业被人工智能替代的可能性。Frey & Osborne（2017)用这一方法预测，美国700多个职业中有47%可以在短期内被替代。之后的研究又跟进预测了人工智能在其他国家对劳动力的替代性(Pajarinen&Rouvinen, 2014; Brzeski & Burk, 2015)。比如陈永伟等(2018)基于这一方法发现，76.8%的中国当前就业人口在今后20年将受到人工智能技术的冲击。这一方法的优点是具有前瞻性，但也有两个缺陷。首先，预测结果不够稳健。Arntz等（2016）借鉴Frey & Osborne的方法重新估算得出美国可被替代的职业仅有9%。其次，这一框架没有考虑劳动力市场会对技术变革做出相应调整并达到新的均衡,因而可能会高估人工智能对劳动力的挤出效应。

第二种方法使用工业智能机器人安装密度作为人工智能的代理变量，在一般均衡的框架下去分析技术冲击的后果。Acemoglu& Restrepo（2018a）基于这一方法指出，智能化生产对就业的影响机制是相对复杂的。它取决于资本利率和劳动力价格的相对水平，而劳动力价格又会受到人工智能化程度的影响。Graetz&Michaels（2015）使用17个国家在1993-2007年间的数据发现，由于工资和全要素生产率上升，机器人技术的使用让这些国家的GDP年增长率平均上升了0.37个百分点。基于德国数据的另一项研究也没有发现人工智能会造成失业的证据（Dauth et al., 2017）第二种方法的优点是可以全面地分析人工智能对经济体的生产率、就业率、平均工资、工作强度等多个维度的影响。但是这一系列研究在实证上主要采用工具变量法进行回归分析，而工具变量估计得到的只是局部平均干预效应（Local Average Treatment Effect），其结论只在特定条件下成立。更重要的是，在工具变量法中，人工智能和劳动力市场之间的相互作用经常被当作内生性噪音而消除掉，故而无法讨论整体的一般均衡结果。

上述两种方法都隐含外生性假设，即人工智能的发展和应用完全是由外生的技术进步决定的。这类假设忽略了一个重要事实：智能化生产的应用和创新是厂商在当期要素价格和技术可选集条件下，为追求利润最大化所做出的内生选择。当劳动力成本随人口老龄化而上升，智能化生产的经济回报变得更高，厂商选择人工智能技术的动机也相应更强。换句话说，人工智能和经济发展之间的关系受到人口年龄结构的影响。数据上所显示的相关性不可被理解为因果关联，而应理解为市场一般均衡下的结果（Abeliansky&Prettner，2017；Acemoglu&Pascual， 2018）。

国际上，越来越多的研究开始探讨劳动力市场如何反过来影响人工智能的发展。基于人工智能设备完美替代劳动力的理论假设，Abeliansky & Prettner(2017)预测人口增长率低的国家会更先采用智能技术——人口增长率每下降1%，机器人安装密度增长率会上升近2%。Acemoglu & Restrepo（2018）针对美国722个通勤区的实证分析也发现，老龄化程度越高的地区，其机器人集成企业数量也相应越多。这一正向关联在对中等年龄（24-55岁）劳动力依赖较高的行业中尤为明显。不过，以上研究在实证分析中对没有充分控制劳动力质量变量（应当同时控制教育和健康水平）。老龄化对劳动力市场的作用是双重的，既有对劳动力数量的直接效应，还有对劳动力质量的间接效应，而关于其间接效应是提高还是降低人力资本在学术上仍有争论（Gradstein &Kaganovich, 2004）。在人工智能对老龄化的回归方程中如果没有控制劳动力质量（教育和健康）指标，那么回归结果同时包含了直接效应和间接效应，无法具体诠释其含义。

显然，国内现有研究仍缺少对人口老龄化背景下人工智能发展及其经济后果的系统梳理和实证研究。本文尝试从老龄化作为人工智能发展的诱因和人工智能作为应对老龄化的工具这两个维度，分别用跨国面板数据和中国省级面板数据进行实证研究，检验老龄化背景下人工智能对劳动力是否存在替代效应和存在怎样的替代效应。

按照Trajtenberg(2018)的观点，人工智能的技术创新可能是“赋能于人”的创新（Human enhancing innovation），也可能是“人力替代”的创新（Humanreplacing innovation），这两类创新对劳动力市场的影响是不同的：在“赋能于人”的属性下，人工智能和劳动者之间是互补关系。这意味着随着人口老龄化，劳动力数量变得短缺，人工智能对于经济发展的推动作用将会变弱。在“人力替代”的属性下，人工智能和劳动者之间是替代关系。这意味着劳动力数量越短缺、工资成本越高，人工智能的经济价值也相应越大，其对于经济发展的推动作用也会随着老龄化水平的提高而变强。正如Hicks(1963)所说，“生产要素的相对价格变动，本身就是对特定种类创新和发明的激励，以节约使用变得相对更贵的要素”。随着工资的上升，发展和应用人工智能技术去替代劳动力变得更有利可图。这一效应被称为“诱导式创新”(Induced Innovation)。

诱导式创新有两个层面的政策含义：一方面，它说明厂商会通过技术选择和技术创新来对劳动力市场的变化做出反应。所以，要想推动人工智能产业的发展，除了提供税收优惠和科研补贴之外，政府还应该完善要素市场，让价格信号充分发挥其引导资源优化配置的功能。另一方面，它也意味着人工智能不太可能会造成大规模失业，因为人工智能的应用一定程度上是厂商对劳动短缺的自发调整，也就是人工智能对劳动力的替代效用是补位式的，而不是挤出式的。

本文参考Abeliansky&Prettner（2017）的理论思路来设定本文的实证假说，从一般均衡的视角去理解人工智能和劳动力市场的互动关系。在人口老龄化的背景下，劳动力的增长逐渐放缓，劳动力市场越来越多地出现供不应求的现象，短期内均衡工资上升；同时，招工难将会提升企业用工成本、降低企业的最优用工量和最优产量，在宏观层面表现出经济增长放缓。从长期来看，随着劳动力成本的逐步升高，人工智能的性价比也会越来越显现出来；原先在经济上不划算的人工智能技术逐渐得到应用，企业用智能化设备来填补了人类劳动力的缺口，实现了产出的增长，在宏观层面表现出人工智能设备被广泛使用、经济增速得到提升，抵偿老龄化所造成的经济增长放缓。人工智能和自动化技术在制造业中的应用更为广泛，同时制造业的年轻劳动力人口更为集中（杨伟国等，2018）。所以，本文的研究主要聚焦在工业制造业，用刻画智能化生产水平的工业智能机器人安装指标，作为人工智能的代理变量。基于以上讨论，本文具体提出了两个实证假说：第一，人口老龄化会促进工业智能机器人的安装；第二，当人口结构越趋向于老龄化，工业智能机器人对于经济增长的边际促进作用也就越大。

这一部分使用国际机器人联盟(后简称IFR)公布的数据集和世界银行数据库中的国别数据来估计人口老龄化对各国工业智能机器人安装应用的影响，从而对第一个实证假说进行检验。这一部分的工作参考了Abeliansky & Prettner(2017)和Acemoglu & Restrepo（2018）的研究设计。由于研究重心的不同，我们一方面控制了劳动力质量的相关变量（教育和健康），而另一方面关注了人工智能的效应是否会因一国的制造业占比不同或者经济发展水平不同而存在差异。前述提及的两项研究，尤其是Acemoglu & Restrepo（2018）的研究，对发展中国家关注不足，而将这一话题的讨论拓展到发展中国家是尤为重要的，因此本文做了重新分析。

IFR数据包含50个国家1993至2016年分年度分行业的工业智能机器人[2]安装量和存量，覆盖了全球工业智能机器人市场90%的安装信息。为了匹配不同数据库数据，本文采用14个安装工业智能机器人较多的国家[3]从2007年至2016年的数据。我们又从世界银行数据库选取相应年份的如下国家层面变量：15-65岁年龄人口数、65岁以上人口数、劳动力规模、就业率、人均GDP、中学毛入学率、出生时预期寿命、粗出生率，以及制造业增加值占GDP的比重。

我们关心的因变量是机器人安装密度，其定义为一国累积的工业智能机器人安装数量除以同年总就业人数。这一指标越高，表明该国的智能化生产水平越高。关键自变量则是潜在支持比（Potential Support Rate，后简称PSR），其定义为15-64岁年龄人口数[4]除以65岁以上老龄人口数的比例。这一指标越低，说明该国的老龄化程度越高。相较于支持比（SupportRate），它的优点是能区分老年人和未成年人对工作年龄人口造成的不同负担。

如前文所述，老龄化不仅会改变劳动力规模，还与劳动力质量之间有较复杂的关联。本文将主要关注老龄化造成的劳动力数量下降对人工智能应用的影响，所以需要控制劳动力质量的相关变量。所以我们在回归中又加入了滞后6期的中学毛入学率和出生时预期寿命衡量。表1是对主要变量的统计描述。

[1]Uhlmann等人（2017）在关于德国工业4.0的讨论中，提出将智能化生产理解为一种以机器的认知能力（或者说“智能”）作为有效互动基础的生产系统。所谓智能化生产，是指人和机器在分布式工业生产环境中以更为复杂、更为数字化的形式展开合作。与传统工业生产的模式不同，智能化生产中的人机合作所采取的是一种基于信息物理系统和因特网的数据驱动模式。

[2]根据IFR的定义，工业智能机器人是“自动控制的、可重复编程的、多用途操作器，可在三轴或更多轴上编程，在智能化生产应用时可以固定在位或移动。（automatically controlled, reprogrammable, multipurpose manipulator,programmable in three or more axes, which can be either fixed in place ormobile for use in industrial automation applications.）”

[3]这14个国家分别是：巴西、德国、法国、韩国、加拿大、美国、墨西哥、日本、泰国、西班牙、意大利、印度、英国和中国。这些国家工业智能机器人安装量较大，在2016年的机器安装量占到IFR所有会员国安装量的84.8%。

[4]根据人口数据的统计口径，为保证数据可得性，将工作年龄人口定为15-64岁。

参考文献：

1.陈永伟等(2018):《人工智能的就业影响》,《比较》,第2期。http://bijiao.caixin.com/2018-06-21/101273992.html

2. 陆旸、蔡昉(2014):《人口结构变化对潜在增长率的影响: 中国和日本的比较》,《世界经济》,第1期。http://kns.cnki.net/KCMS/detail/detail.aspx?dbname=cjfd2014&filename=sjjj201401002&dbcode=cjfq

3. 杨伟国等（2018）:《人工智能应用的就业效应研究综述》，《中国人口科学》，第5期。

4.田巍等(2013):《人口结构与国际贸易》,《经济研究》,第11期。http://kns.cnki.net/KCMS/detail/detail.aspx?dbname=cjfd2013&filename=jjyj201311007&dbcode=cjfq

5.Abeliansky, A., Prettner, K. (2017),Automation and Demographic Change.Available at SSRN:https://ssrn.com/abstract=2959977

6.Acemoglu, D., Restrepo, P. (2017), SecularStagnation? The Effect of Aging on Economic Growth in the Age of Automation. AmericanEconomic Review, 107(5):174–179.

7.Acemoglu, D., Pascual, R. (2018), TheRace between Man and Machine: Implications of Technology for Growth, FactorShares, and Employment, AmericanEconomic Review, 108 (6): 1488-1542.

8.Acemoglu, D.,Restrepo, P. (2018), Demographics and automation (No. w24421).National Bureau of Economic Research.http://xintu.nber.org/papers/w24421.

9.Arntz, M., Gregory, T., Zierahn, U. (2016),The risk of automation for jobs in OECD countries: A comparative analysis. OECDSocial, Employment, and Migration Working Papers, 189(1).

10. Brzeski,C., Burk, I. (2015), Die Roboterkommen.FolgenDer AutomatisierungFür Den DeutschenArbeitsmarkt. INGDiBa Economic Research.http://xintu.carespektive.de/pdf/economic-research-FolgenIndustrie%204.0.pdf

11. Dauth, W., Findeisen, S., Südekum, J., and Woessner, N.(2017), German robots-the impact of industrial robots on workers, (CEPR Discussion Paper No. DP10477),Available atSSRN: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3039031

12.Frey,C. B., and Osborne, M. A. (2017), The future of employment: How susceptible arejobs to computerisation? Technological Forecasting and Social Change, 114(C): 254–280.

13.Gradstein,M.,Michael, K.(2004), Aging population and education finance,Journal of Public Economics, 88(12):2469-2485.

14.Graetz,G., Michaels, G.(2015),Robots at Work,CEPRDiscussion PaperNo. DP10477,Available at SSRN: https://ssrn.com/abstract=2575781

15.Goolsbee,A. (2018), Public Policy in an AI Economy(Working Paper No. 24653). NationalBureau of Economic Research.https://doi.org/10.3386/w24653

16.Hicks, J. (1963),The theory of wages.Springer.https://books.google.com/books?hl=zh-CN&lr=&id=nhmwCwAAQBAJ&oi=fnd&pg=PR5&dq=The+theory+of+wages&ots=lpYn-P1yrJ&sig=rty_S-Vpr89Y89opbrPvkKJVhDk#v=onepage&q=The%20theory%20of%20wages&f=false

17.Japanese Strategic Council for AITechnology (2017), Artificial intelligence technology strategy.http://xintu.nedo.go.jp/content/100865202.pdf

18. Lee, R., Zhou, Y.(2017), Does fertility or mortality drive contemporary population aging? Therevisionist view revisited. Populationand Development Review, 43(2): 285-301.

19. Li, H., Li, L., Wu, B., Xiong, Y. (2012), The end of cheapChinese labor. Journal of Economic Perspectives, 26(4): 57–74.

20.Lu, S. F., Rui, H., Seidmann, A. (2018),Does Technology Substitutefor Nurses? Staffing Decisions in Nursing Homes.Management Science, 64(4): 1842–1859.

21.Pajarinen,M., Rouvinen, P. (2014), Computerization threatens one third of Finnishemployment. ETLA Brief, 22(13.1).https://xintu.etla.fi/wp-content/uploads/ETLA-Muistio-Brief-22.pdf

22.Schwab, K. (2017), The fourth industrialrevolution. Crown Business.http://xintu.inovasyon.org/pdf/WorldEconomicForum_The.Fourth.Industrial.Rev.2016.pdf

23.Trajtenberg, M. (2018),AI as the next GPT: a Political-EconomyPerspective (Working Paper No. 24245). National Bureau of Economic Research. https://doi.org/10.3386/w24245

Uhlmann, E., Hohwieler, E., &Geisert,C. (2017)， Intelligentproduction systems in the era of Industrie 4.0–changing mindsets and businessmodels. Journal of Machine Engineering,17.https://xintu.researchgate.net/publication/317834627_Intelligent_production_systems_in_the_era_of_industrie_40-Changing_mindsets_and_business_models