人工智能与劳动力需求相关论文介绍

发布时间：2022-01-27 阅读 1687

Stata连享会主页 || 视频 || 推文 || 知乎 || Bilibili 站

温馨提示： 定期清理浏览器缓存，可以获得最佳浏览体验。

New！ lianxh 命令发布了：
随时搜索推文、Stata 资源。安装：
. ssc install lianxh
详情参见帮助文件 (有惊喜)：
. help lianxh
连享会新命令：cnssc, ihelp, rdbalance, gitee, installpkg

✌ 课程详情： https://gitee.com/lianxh/Course

⛳ 课程主页： https://gitee.com/lianxh/Course

⛳ Stata 系列推文：

全部 | Stata入门 | Stata教程 | Stata资源 | Stata命令
计量专题 | 论文写作 | 数据分享 | 专题课程
结果输出 | Stata绘图 | 数据处理 | Stata程序
回归分析 | 面板数据 | 交乘项-调节 | IV-GMM
内生性-因果推断 | 倍分法DID | 断点回归RDD | PSM-Matching | 合成控制法
Probit-Logit | 时间序列 | 空间计量 | 分位数回归 | 生存分析 | SFA-DEA
文本分析-爬虫 | Python-R-Matlab | 机器学习
Markdown | 工具软件 | 其它

☝ PDF下载 - 推文合集

作者：闫乃烯 (中山大学)
邮箱：yannx@mail2.sysu.edu.cn

编者按：本文部分摘译自下文，特此致谢！
Source：Acemoglu D, Restrepo P. The wrong kind of AI? Artificial intelligence and the future of labour demand[J]. Cambridge Journal of Regions, Economy and Society, 2020, 13(1): 25-35. -PDF-

1. 引言

2016 年 3 月 15 日，围棋九段高手李世石不敌人工智能 AlphaGo，以一比四的战绩结束了他与 AI 的对战之旅。这意味着在人类发明的最复杂的游戏上，人工智能的水平已经远远超越人类。随着人工智能的不断发展，许多人憧憬着高度发达的人工智能会极大提升人们的生活质量，而一些人则担忧成本低廉的人工智能会取代他们的工作。

当前，学术界针对人工智能对劳动力需求的研究并没有达成统一的意见，基于所选样本所在地区、行业的差异，诸多学者得到的结果不尽相同。Acemoglu 和 Restrepo 在 2019 年定性分析的研究中，表示了对当前人工智能发展方向的担忧。

本篇推文将从 Acemoglu 和 Restrepo 的观点出发，深入探究当前学术界对人工智能对劳动力需求影响机制的研究方向，并简要介绍了人工智能对社会其他领域的影响。

2. Acemoglu 和 Restrepo 核心观点

Acemoglu 和 Restrepo (2020) 提出，人工智能影响广泛，尤其在生产的组织方式上。人工智能既可以实现用自动化生产取代人工生产，也可以创造新的生产任务，提供更多岗位，提高生产力水平。目前人工智能发展方向一直偏向于实现自动化，并没有充分关注创造新的生产任务，使劳动力被充足的利用。这样做将引发劳动力需求停滞不前甚至下降，收入不平等加剧，甚至引发社会动荡。

2.1 技术对工作和劳动的影响

传统的观点认为，任何提高生产力的技术进步也会导致劳动力需求的提高，从而提高就业和工资。当然，这种技术进步也会导致某些部门的工作岗位流失，但即使发生这种情况，其他部门对劳动力的需求会相应扩大，导致整个社会对劳动力需求随之增大。

技术变革是相当不同的，例如自动化，它倾向于用成本更低的机器取代所有低技能水平劳动力，而这很大程度上将会削弱劳动力需求。因此为了衡量新技术是否减少了整体的劳动力需求，作者提出从如下两个角度展开讨论：

一是生产力效应。自动化技术通常会降低成本，随着成本下降，企业有扩大生产的倾向，这就提高了在生产过程中对非自动化劳动力的需求。除此之外，当该企业生产规模扩大时，与该企业互补的产品生产规模也随之扩大，对这些商品生产过程中需要的劳动力需求也会扩大。

例如，在以自动化组装工艺著名的特斯拉生产线上，当装配工人数量因自动装配工艺的完善而下降，劳动成本减少时，特斯拉就可以将雇佣这部分工人所需资金用来雇佣更多销售人员，创造更多销售岗位。除此之外，汽车生产规模的扩大将导致与汽车配套的车载 GPS、真皮沙发车座等生产规模相应扩大，增加这部分生产的劳动力需求。

二是替代效应。新技术对原有生产过程中劳动力的替代作用，在上例中即指装配工人们的失业。

新技术对劳动力需求的影响，就取决于它们创造的生产力效应与直接替代效应相比的强度。

2.2 人工智能的发展潜力

就人工智能而言，大多数人工智能研究人员和经济学家认为它是一种将各种任务自动化的工具。人工智能可以很好的实现用机器代替人类完成一些任务，而且随着人工智能发展，其可以应用的场景也越来越广泛，例如汽车组装、语音识别、文本翻译等等。

但是这种人工智能实际上只起到了取代人工的作用，发挥了对劳动力需求的替代效应，而对创造新岗位，提高生产力水平帮助很小。事实上，人工智能在提高生产力方面潜力巨大，下面是一些可能实现或已经实现的人工智能提高生产力水平的例子：

目前的教育模式是一位老师面对一个班的孩子进行教学。一个班里面，孩子们的智商水平、认知能力、学习风格都不一样，很难有一套综合的教学体系适合所有孩子。人工智能可以收集每个学生在不同学科上的兴趣程度、学习能力、学习成绩等信息，加以分析后反馈给老师，帮助老师为每一位孩子量身制定适合他们的学习计划，提高老师们的教学水平。
在医疗保健方面，人工智能可以与手机绑定，定期收集人们的健康信息，例如心率、血压、血糖、饮食风格、睡眠时间等，帮助用户探明可能会患上或已经患上的疾病。当用户生病时，医生们可以查看人工智能收集到的信息，更加快速准确的判断出患者患了什么病，选择最为合适的治疗方法。
在一些复杂的生产工艺中，实现可以完全替代人工操作的人工智能目前还存在技术难点，但是研究人员可以转而研究交互式人工智能，通过工人与人工智能结合的方式提高工人们的工作效率，进而提高生产力水平。将人工智能应用于这些方面，不仅不会对劳动力需求产生负面冲击，而且会提高生产力水平，提升生产效率。

2.3 人工智能发展方向及市场影响机制

当前，人工智能的发展方向还停留在实现自动化，并没有足够的刺激因素使得人工智能向提高社会生产力、创造更多就业岗位的方向发展。市场机制往往可以起到资源配置最优化的结果，但是在人工智能方面，市场机制的作用并没有将人工智能的发展方向向对全社会整体效益最大化方向发展，这意味着在创新方面，市场机制失灵。具体市场失灵的原因有以下几方面：

创新创造了外部性：当某家公司采用人工智能提高公司生产力水平时，在长期内，他们竞争对手的公司也会受益于这项创新，因此创新创造了外部性；
行业领导者的引领作用：当某家企业成为行业龙头时，其他企业会倾向于模仿这家企业的生产模式、经营模式等。这将导致整个行业都与龙头保持高度一致，一旦行业龙头的经营模式存在弊端，那么整个行业都将走上错误的道路。具体到人工智能行业来说，一旦龙头企业通过实现自动化提高利润，那么也许全行业都会研究如何实现自动化，这样做很可能导致整个行业的基层工人失业；
政府干预减弱：防止市场失灵的一个重要手段是公私合营，通过政府宏观调控顾及市场未能作用到的地方。但是近年来政府干预力量持续下降，在支持研究方面更加节俭；
一些企业对自动化的额外偏爱：在高新科技企业中，做出决策的人们似乎格外倾向于实现自动化，例如硅谷中的高科技公司，对自动化的关注度远超其他技术；特斯拉似乎想实现整个生产过程的自动化，甚至是驾驶过程的自动化。

2.4 错误的人工智能发展方向造成的后果

目前的人工智能研究方向，主要集中于实现自动化生产取代劳动力，这将对社会造成一系列负面冲击。

其中，最直接的影响就是失业率上升。随着自动化渗透到越来越多的行业，失业率将会持续升高，下岗潮将会覆盖社会各个行业。工作群体会因为担心自己的职业被自动化生产取代而被迫降低收入，失业的群体则已经失去了收入来源，这种收入停滞或减少将引发剧烈的社会动荡。

同时，自动化的趋势往往会给社会上一少部分资本家和政客带来好处。为了扩大这种好处，他们又会推进自动化的发展，从而形成负向循环，失业的工人越来越多，资本家越来越富。

3. 劳动力需求领域延伸研究

3.1 人工智能对不同技能劳动力需求的非对称影响

Xie 等 (2021) 利用 2011-2017 年中国制造业的微观数据，建立了一个基于稳健差分 (DID) 模型和倾向得分匹配 (PSM) 方法的方案来评估人工智能对不同技能水平相对需求的非对称效应。研究发现，人工智能降低了中国各地区对低技能劳动力的相对需求，并且仅在东部地区增加了对高技能劳动力的相对需求。人工智能使用时间越长，对高技能劳动力相对需求的影响越大。

3.1.1 变量说明

AI-adoption firms：文章将人工智能与产业融合分为两种模式：AI Industrialization 指从事人工智能产品研发和制造的企业；Industry AI 指在生产过程中使用人工智能产品的企业。当目标企业存在上述任一行为时，即赋值为 1，反之为 0；
The year of AI-adoption：文章通过企业年度财务报告中的相关描述以及企业官网和相关新闻等渠道确定企业使用人工智能的年份；
Skill Structure：根据职业分类和教育程度，文章将劳动力技能水平分为三类：高技能群体包括技术员工；中等技能群体包括财务管理员、销售和行政人员、管理人员、采购和仓储人员以及其他非技能工人；低技能群体包括生产工人。

3.1.2 基准模型与结果分析

通过构建稳健的 DID 模型，可以判断企业采用人工智能，对不同技能水平群体的因果效应，基本 DID 模型如下：

l_{i t} = α + β_{1} A I_{i} + β_{2} {Year}_{i t} + β_{3} A I_{i} \times {Year}_{i t} + ε_{i t} (1)

其中， $l_{i t}$ 表示企业 $i$ 在 $t$ 时间段内某一技能类型的相对需求， $A I_{i}$ 表示企业是否使用人工智能的虚拟变量， $Y e a r_{i t}$ 表示企业 $i$ 在 $t$ 年内是否使用人工智能的虚拟变量。为了满足零条件均值假设 $E (X | ϵ) = 0$ ，构造了几个控制变量，并使用了 $t - 1$ 期的数据防止反向因果。

l_{i t} = α + β_{1} A I_{i} + β_{2} {Year}_{i t} + β_{3} A I_{i} \times {Year}_{i t} + θ X_{i t - 1} + μ_{i} + λ_{i} + η_{i} + ε_{i t} (2)

其中， $X_{i t - 1}$ 表示公司 $i$ 在 $t - 1$ 年的控制变量，包括资本劳动比、公司成立时间、总资产、全要素生产率、R&D 比例和 R&D 投入强度等。

由于不同技能类型工人比例总和为 1，和残差相关，因此作者使用 SUR 方法来对公式中的扰动项进行相关性操作以提高估计的准确性。考虑奇异性矩阵引起的问题，SUR 估计系统可以写成：

[\begin{array}{l} l_{1} \\ l_{2} \end{array}] = [\begin{array}{ll} Γ_{1} & 0 \\ 0 & Γ_{2} \end{array}] [\begin{array}{l} B_{1} \\ B_{2} \end{array}] + [\begin{array}{l} Ψ_{1} \\ Ψ_{2} \end{array}]

其中， $l_{1}$ 和 $l_{2}$ 分别表示来自三种技能水平的任意两种群体比例， $Γ_{1}$ 和 $Γ_{2}$ 都是式 2 中 T 个独立变量的 $1 * T$ 向量， $B_{1}$ 和 $B_{2}$ 都是一个 $T * 1$ 的回归系数向量， $Ψ_{1}$ 和 $Ψ_{2}$ 都是一个随机误差项的向量，每个均值都是零。

PSM 方法被用来匹配使用人工智能的企业和不使用人工智能的企业在劳动力需求方面的相似趋势，倾向得分是当给定观测到的协变量的向量时，实验组的条件概率。PSM 模型机制是通过 $l o g i t (A I_{i t} = 1)$ 对协变量回归估计倾向评分。具体回归模型如下：

logit (A I_{i t} = 1) = f ({TYratio}_{i t - 1}, \ln {KLratio}_{i t - 1}, \ln {Age}_{i t - 1}, \ln {Scale}_{i t - 1}, \ln t f p_{i t - 1})

我们使用 PSM 来确保从控制组中选择的影响技能水平需求的变量与引入人工智能的实验组企业最接近。在 PSM 中，当结果是企业引入人工智能，即 $A I_{i t} = 1$ 时，五个匹配变量是资本劳动比的滞后对数形式、以总资产衡量的企业规模、公司成立时间、总资产回报率、研发占比和出口收入占比。

使用替代临近匹配得分法，将 logit 模型回归应用于 PSM 中，并确保每个使用 AI 的公司对应于控制组中的几个公司，选择 1:3 为最近邻匹配比，并使用局部线性回归匹配和最近邻匹配比来验证稳健性，结果发现控制组和对照组的匹配变量没有显著差异。

回归结果发现，人工智能的加入，使得生产工人的份额下降了 2.468%，技术工人的份额增加了 1.56%，而对中等技能群体及其子职业，包括销售、财务管理等影响不显著。对企业特定要素来说，资本劳动比率较高的企业，其低技能工人份额较低； $T Y r a t i o_{i t - 1}$ 和 $l n (t f p_{l} p)_{i t - 1}$ 对低技术群体份额的系数都是负的，意味着劳动投入和产出已经一定程度上取代了他们；公司的出口率与低技术群体份额呈正比例关系。

3.1.3 对不同技能劳动力需求的非对称效应异质性分析

作者从区域异质性、企业异质性和人工智能使用时间异质性三个维度研究了人工智能对不同技能水平相对需求的非对称性效应的异质性表现。

区域异质性：描述统计发现，大多数人工智能企业位于我国东部，主要集中于广东 (18.42%)、江苏 (10.32%)、山东 (9.51%)、浙江 (9.31%)、北京 (6.48%)。随后采取次样本回归方法，研究人工智能对发达地区和欠发达地区就业影响的结构性差异，模型设计如下：

l_{i t}^{R} = α^{R} + β_{1}^{R} {AI}_{i}^{R} + β_{2}^{R} {Year}_{i t}^{R} + β_{3}^{R} {AI}_{i}^{R} {Year}_{i t}^{R} + θ^{R} X_{i t - 1}^{R} + μ_{i}^{R} + λ_{i}^{R} + η_{i}^{R} + ε_{i t}^{R}

其中， $R$ 表示样本企业所在地 (东部、中部、东北、西部)，回归结果分析如下：

东部地区：AI 的采用降低了低技术水平工人比例，提高了高技术水平工人群体。该结果支持了人工智能的采用增强发达地区对高技术水平群体吸引力的观点；
中部地区：AI 显著减少了低技术水平工人比例，增加了中等技能工人比例；
东北地区：没有显著的统计系数，说明 AI 的使用在东北地区是中性的；
西部地区：低技能工人需求与 AI 的使用呈负相关关系。

综上所述，可以认为在全国各地，AI 的使用都会导致一定程度的低技术水平劳动力失业。东部和中部地区分别吸引高技能水平人才和中等技能水平人才。这将迫使低技能水平工人向西部迁移，长期来看，这些低技能水平的劳动力有可能成为中西部地区通过制造业重新崛起的关键。

企业异质性：描述统计发现，样本中高新技术企业占比最高，达到 80%。随后采取次样本回归办法，研究人工智能对高新技术企业、中等技术企业和低技术企业的结构性差异，模型设计如下：

\begin{array}{l} l_{i t}^{Tech} = α^{Tech} + β_{1}^{Tech} {AI}_{i}^{Tech} + β_{2}^{Tech} {Year}_{i t}^{Tech} + β_{3}^{R} {AI}_{i}^{Tech} {Year}_{i t}^{Tech} + θ^{Tech} X_{i t - 1}^{Tech} \\ + μ_{i}^{Tech} + λ_{i}^{Tech} + η_{i}^{Tech} + ε_{i t}^{Tech} \end{array}

其中， $Tech$ 表示企业科技水平，具体回归结果分析如下：

高技术行业：AI 的采用显著影响了相对技能需求，促使低技术水平的劳动力向中高技术水平劳动力转变；
中等技术行业：AI 的采用促进了中等技术产业向高技能群体的劳动力升级过程；
低技术行业：人工智能的采用并未显著影响劳动力技能的相对需求。

综上所述，我们可以发现，在人工智能的影响下，高技能人才是中高技术行业企业获取竞争力的需要。

采用人工智能时持续时间的异质性：描述统计发现，东部和中部的人工智能企业比西部和东北地区的企业创新更快。随后采取次样本回归办法，研究人工智能对就业结构的影响是否具有时间异质性，人工智能的就业效应是否随着采用年份的变化而变化，这种变化是否有趋势，构建如下模型：

\begin{aligned} l_{i t} & = α + β_{1} A I_{i} + β_{2} {Year}_{i t} + β_{3} A I_{i} \times {Year}_{i t} \times {Trendn}_{i, t} + θ X_{i t - 1} + μ_{i} + λ_{i} + η_{i} \\ + ε_{i t} \end{aligned}

其中， ${Trendn}_{i, t}$ 表示采用人工智能的时间长度，具体回归结果分析如下：

人工智能对低技术水平工人和高技术水平工人的影响强度随时间推移而增加，且影响的增长速度在前两年左右达到顶峰；
人工智能对中等技术水平工人的影响一直在 0 的百分点左右波动，因此对其影响并不显著。

3.1.4 结论

Xie 等 (2021) 提出了一种基于人工智能采用准自然实验的因果推理，研究人工智能是否会影响相对技能需求，并综合分析这种非对称效应对不同地区、企业类别和采用人工智能时间的异质性。实证结果表面，人工智能的应用对相对技能需求有较大的影响，具体得到了以下结论：

中国制造业企业采用人工智能减少了对低技术水平劳动力的需求，同时增加了对高技术水平劳动力的需求。这种效应随着人工智能应用时间的增加而增大；
人工智能对低技术水平劳动力相对需求的降低效应存在于东、中、西部地区，而对中等技术水平劳动力相对需求的增加效应只存在于中、东部地区。短期来看，被挤出东部地区的低技能水平工人可能会转移到其他行业和工作岗位。长远来看，这些工人会向中西部地区迁移，对这些地区未来通过制造业重新崛起是一个积极因素；
企业技术水平越高，人工智能的使用越显著地增加了对中高技术劳动力的需求，降低了对低技术群体的需求。这意味着人工智能一定程度上引领着企业科技水平的提升、生产组织形式的创新。

3.2 劳动力需求分析框架

在 Acemoglu 和 Restrepo 研究的基础上，Klinova 和 Korinek (2021) 提出了一套针对某种具体的人工智能的广泛应用对劳动力需求市场的影响分析框架。

Klinova 和 Korinek 首先指出，技术变革对工人就业和收入的影响方向很难判断，并举出了一些常见类型的技术变革影响机理：

自动化：自动化往往伴随着旧岗位的消失和新岗位的产生，而这两者规模的大小决定了实现自动化对劳动力需求的作用方向，但这种效果往往很难衡量。此外，如果产生的新岗位所需的技能水平比消失的旧岗位高，那么即使总的岗位数量提高了，下岗工人们的经济水平和收入也并没有得到缓解；
偏重技能的技术变革：偏重技能的技术变革是指一些只有受教育程度低的群体才能受益的技术变革。先进技术使得低技术群体得到和高技术群体相同的生产力水平，从而提高整个低技术群体在就业市场中的竞争地位，对高技术群体的就业产生挤出效应，而整个劳动力需求变化方向取决于这种挤出效应的大小；
先进技术与工人生产结合：使用先进技术提高工人的生产力，会使得在生产相同单位的产品时，只需要比原来更少的工人，造成工人收入下降甚至失业。

随后，他们还指出了市场机制对人工智能发展方向的影响：市场机制往往使效率最大化，却不能确保技术进步带来的收益得到合理的分配。因此如果人工智能的发展完全由市场力量决定，那么人工智能的进步就不能带来一个包容的未来。

第一，市场价格并不能反映企业活动产生的真正社会成本和效益。例如，工业企业生产过程中需要排污，而当企业并不需要对污染承担责任时，污染实际上对全社会造成了负面效应，此时的市场机制并不能很好的限制企业的这种排污行为。即使征收排污税，企业也有义务对排污数量进行限制，而不是在可盈利的范围内无限排放；
第二，市场价格同样也不反应分配问题。当新技术的发展造成基层工人失业，公司整体收入增加时，进行决策的公司董事会很可能会选择牺牲基层员工，换取公司整体利益最大化。这将导致整个社会内贫富差距更加严重，技术进步带来的社会收益只集中在少部分已经很富有的群体里，收入分配更加不平等。

综上所述，人工智能的发展将会对劳动力需求产生不可预测的影响，而且这种影响很可能会导致分配不均、贫富差距加大等一系列社会问题。为了具体评估这种影响，他们提出了一个循序渐进的分析框架，用于系统性的评估某种类型的人工智能发展对劳动力需求的影响。这个分析框架考虑了以下五方面：

直接影响：直接影响表现为人工智能的应用对传统岗位的直接取代以及直接创造新的岗位。例如，聊天机器人的广泛应用会直接取代大多数公司客服的岗位，同时创造出升级机器人聊天话术、维护机器人正常工作的软件工程师等岗位；
需求影响：需求影响表现为当人工智能的应用提高了商品的价值或降低了商品的成本时，这种优势将会辐射到市场对商品的需求端，扩大市场对商品的需求，从而增加生产岗位。例如顾客觉得京东的售后服务效率快，就会增加在京东购物的频率，从而扩大了对京东商品的需求，刺激了厂家生产更多商品，雇佣更多的劳动力；
垂直效应：垂直效应表现为当人工智能的应用提高了该产品生产规模时，对生产链上游产品需求也相应增大，从而提高了上游企业的劳动力需求；
水平效应：水平效应表现为当人工智能的应用提高该产品生产规模时，处于与该企业竞争地位的公司可能会因在市场中被挤兑而进行裁员，而与其互补的公司可能会相应的扩大生产规模。例如网上买菜，配送到家的购物模式势必会降低菜市场小摊小贩们的收入，而物流公司却会雇佣更多司机和车辆进行配送；
部门转移下如何再次达到就业平衡：人工智能的应用会造成一部分人失业，另一部分人就业。失业的人可能需要通过重新培训、竞争上岗，这可能会造成工人们薪水下降。而就业的群体可能会因为市场需求较高，得到较高的工资。这样的结果会加剧不平等还是减轻不平等，需要具体情况具体分析。

3.3 自动化对失业的影响可以忽略不计

当前学术界研究认为，自动化取代工人生产这一行为将最先从生产工艺简单的劳动密集型产业开始。南非的服装制造业，正是学者们认为被自动化取代风险最高的行业之一。因此，Parschau 和 Hauge (2020) 深入南非，在对南非服装行业公司经理以及政府和工会代表的采访后发现，自动化对失业的总体影响可以忽略不计，而且预计将继续忽略不计。他们的访谈得到了以下结果：

自动化应用非常普遍：与其他发展中国家不同，近年来，南非政府在扶持服装业实现自动化方面下了很大功夫。然而，即便是最自动化的公司也没有拥有最先进的技术，大多数工厂只能将自动化应用在生产的部分步骤中。这表明自动化仍存在很大的应用空间；
金融壁垒与非金融壁垒高：对于南非公司来说，服装业盈利能力低，很难吸引到投资，而且服装业生产风格随时间变化差异较大，投资于专为一种风格或材料的设备风险也很大，这使其形成了较高的金融壁垒。南非的基础环境差，缺少先进技术引领的变革所需的人才。除此之外，能源基础条件差、财务管理不规范等都构成了较高的非金融壁垒。综上所述，自动化的局限性在南非是非常显著的一个特点；
自动化并不会导致失业：南非服装业使用自动化最主要的目的是提高生产率，而非削减工人数量。当公司采用自动化提高生产效率、扩大生产规模时，生产过程中非自动化的部分劳动力需求相应的也被扩大了，且原来的生产工人完全可以胜任这些岗位，因此总体的就业水平并没有下滑；
未来的自动化并不能完全取代人力：缝纫过程涉及许多复杂的操作任务，针对不同的布料、不同的设计都有着相应的操作。因此在纺织业中，未来的自动化也很难完全取代人力。而且自动化的发展是渐进式的，许多材料处理方面的难题仍未解决，而在完全自动化出现之前，市场和供应链的重新配置会持续影响生产过程，导致完全自动化难以实现。

4. 其他领域延伸研究

4.1 自动化对政府税收的影响

Hotte 等 (2021) 将政府税收分解为三个来源：劳动力、资本、消费，通过分析 1995-2016 年间 19 个欧盟国家税收数据，研究自动化对政府税收的影响，得到了以下结果：

工业机器人作为纯粹的自动化技术，对税收总额产生了负面影响。这种效应在 2007 年之前最为强烈，当时机器人的扩散伴随着自动化行业的劳动力替代，导致资本和劳动收入下降，工资、资本价格和资本存量下降，并对总消费产生负面影响。此时，由于从资本中筹集的税收减少，税收总额减少，从资本税向商品税的转变发生了；
2008 年之后，虽然工业机器人进一步取代了劳动力，但产品价格随着成本降低而降低，社会总需求数量上升，按价值计算的总消费没有受到影响，因此这部分税收也是如此；
纵观整个时期，自动化导致了来自劳动力的税收向其他来源转变，这个经济现象分为三个阶段：早期发展、广泛采用和技术成熟。同时，研究还表明了自动化在扩散早期表现为替代劳动力，而后期提供更多岗位。

4.2 人工智能的应用对碳排放强度的影响

Liu 等 (2021) 基于 STIRPAT 模型，利用 2005 年至 2016 年的中国工业部门数据，研究了人工智能对碳强度的影响，得到了以下结果：

工业机器使用的增加与碳强度的降低有关，这意味着人工智能对中国碳强度具有负向影响；
人工智能对碳强度的影响具有阶段性和行业异质性，随着机器人技能和技术吸收能力的提高，人工智能对碳强度的抑制作用逐渐增强；
与资本密集型行业相比，人工智能在劳动密集型和技术密集型行业对碳强度的降低作用更大。

5. 参考文献

Xie M, Ding L, Xia Y, et al. Does artificial intelligence affect the pattern of skill demand? Evidence from Chinese manufacturing firms[J]. Economic Modelling, 2021, 96: 295-309. -PDF-
Klinova K, Korinek A. AI and Shared Prosperity[J]. arXiv preprint arXiv:2105.08475, 2021. -PDF-
Parschau C, Hauge J. Is automation stealing manufacturing jobs? Evidence from South Africa’s apparel industry[J]. Geoforum, 2020, 115: 120-131. -PDF-
Hötte K, Theodorakopoulos A, Koutroumpis P. Does automation erode governments' tax basis? An empirical assessment of tax revenues in Europe[J]. arXiv preprint arXiv:2103.04111, 2021. -PDF-
Liu J, Liu L, Qian Y, et al. The effect of artificial intelligence on carbon intensity: Evidence from China's industrial sector[J]. Socio-Economic Planning Sciences, 2021: 101002. -PDF-

6. 相关推文

Note：产生如下推文列表的 Stata 命令为：
lianxh PSM SUR, m
安装最新版 lianxh 命令：
ssc install lianxh, replace

专题	嘉宾	直播/回看视频
⭐ 最新专题		文本分析、机器学习、效率专题、生存分析等
研究设计	连玉君	我的特斯拉-实证研究设计，-幻灯片-
面板模型	连玉君	动态面板模型，-幻灯片-
面板模型	连玉君	直击面板数据模型 [免费公开课，2小时]