陳秋霖1, 許多2, 周羿3

1中國社會科學院人口與勞動經(jīng)濟研究所

2北京大學國家發(fā)展研究院

3北京大學社會研究中心

【摘要】文章用刻畫智能化生產(chǎn)水平的工業(yè)智能機器人安裝指標，作為人工智能的代理變量，基于跨國面板數(shù)據(jù)和中國省級面板數(shù)據(jù)，構建二階段最小二乘回歸模型，通過研究人口老齡化如何影響人工智能應用以及人工智能應用如何影響經(jīng)濟增長，檢驗在老齡化背景下，人工智能對勞動力是否存在替代效應和存在怎樣的替代效應。研究結果表明，老齡化導致的勞動力短缺會促使一個經(jīng)濟體更多地應用智能化生產(chǎn)，老齡化是人工智能發(fā)展的誘因；智能化生產(chǎn)對當?shù)厣a(chǎn)總值有正向效應，有助于抵償老齡化所造成的經(jīng)濟增長放緩，人工智能是應對老齡化的重要工具。當前人工智能發(fā)展屬于“誘導式創(chuàng)新”，和勞動力之間是替代關系，而且是“補位式替代”，不是“擠出式替代”。如果維護好這些特征，人工智能將在未來老齡化大背景下為中國經(jīng)濟做出更大的貢獻。

【關鍵詞】老齡化 人工智能 智能化生產(chǎn) 替代效應

JEL Classification:P23; O33

人口老齡化和人工智能的快速發(fā)展，都是當前中國經(jīng)濟發(fā)生深刻變革的關鍵原因。一方面，隨著人口逐漸老齡化，人口紅利消失所帶來的勞動力成本增加會制約經(jīng)濟的發(fā)展。例如，Li等人 (2012)指出中國的勞動力價格優(yōu)勢正在消失，而陸旸和蔡昉(2014)基于人口結構變化預測中國潛在增長率將會大幅下降。另一方面，人工智能作為新一輪科技革命和產(chǎn)業(yè)變革的核心力量，正在重構包括生產(chǎn)、分配、交換、消費在內(nèi)的經(jīng)濟活動每一個環(huán)節(jié)，被寄予厚望成為中國經(jīng)濟新的增長動能。其中，智能化生產(chǎn)[1]是當前人工智能在經(jīng)濟活動中的主要應用方式。智能化生產(chǎn)能替代一部分傳統(tǒng)崗位，減少經(jīng)濟體對勞動力數(shù)量的總需求，從而弱化，甚至補償人口老齡化對經(jīng)濟增長所造成的負面影響（可以稱之為“補位式替代”）。但是，智能化生產(chǎn)也可能會帶來負面后果，比如替代傳統(tǒng)就業(yè)崗位、造成失業(yè)和加劇收入兩極分化，進而使得一部分人反倒更無力應對老齡化（可以稱之為“擠出式替代”）。

人工智能的效應究竟是以“補位式替代”為主還是以“擠出式替代”為主呢？更具體地說，人工智能能否作為補償勞動力規(guī)模下降的替代手段去緩沖，甚至解決老齡化對經(jīng)濟增長的負面沖擊呢？政府是否應該有針對人工智能行業(yè)的產(chǎn)業(yè)扶持政策呢？這些問題引起了學者、公眾和政策制定者的廣泛關注和激烈爭論（Schwab,2017）。因此，厘清人工智能和經(jīng)濟發(fā)展在老齡化背景下的互動關系不僅在學術上有所貢獻，也能為政策制定提供參考。

人工智能和勞動力市場如何相互影響，是最近幾年越來越熱的一個研究話題。已有的實證研究主要使用以下兩種分析方法：

第一種方法邀請專家對一國的各種職業(yè)的特征和可替代性進行評分，然后結合機器學習方法預測每種職業(yè)被人工智能替代的可能性。Frey & Osborne（2017)用這一方法預測，美國700多個職業(yè)中有47%可以在短期內(nèi)被替代。之后的研究又跟進預測了人工智能在其他國家對勞動力的替代性(Pajarinen&Rouvinen, 2014; Brzeski & Burk, 2015)。比如陳永偉等(2018)基于這一方法發(fā)現(xiàn)，76.8%的中國當前就業(yè)人口在今后20年將受到人工智能技術的沖擊。這一方法的優(yōu)點是具有前瞻性，但也有兩個缺陷。首先，預測結果不夠穩(wěn)健。Arntz等（2016）借鑒Frey & Osborne的方法重新估算得出美國可被替代的職業(yè)僅有9%。其次，這一框架沒有考慮勞動力市場會對技術變革做出相應調(diào)整并達到新的均衡,因而可能會高估人工智能對勞動力的擠出效應。

第二種方法使用工業(yè)智能機器人安裝密度作為人工智能的代理變量，在一般均衡的框架下去分析技術沖擊的后果。Acemoglu& Restrepo（2018a）基于這一方法指出，智能化生產(chǎn)對就業(yè)的影響機制是相對復雜的。它取決于資本利率和勞動力價格的相對水平，而勞動力價格又會受到人工智能化程度的影響。Graetz&Michaels（2015）使用17個國家在1993-2007年間的數(shù)據(jù)發(fā)現(xiàn)，由于工資和全要素生產(chǎn)率上升，機器人技術的使用讓這些國家的GDP年增長率平均上升了0.37個百分點?；诘聡鴶?shù)據(jù)的另一項研究也沒有發(fā)現(xiàn)人工智能會造成失業(yè)的證據(jù)（Dauth et al., 2017）第二種方法的優(yōu)點是可以全面地分析人工智能對經(jīng)濟體的生產(chǎn)率、就業(yè)率、平均工資、工作強度等多個維度的影響。但是這一系列研究在實證上主要采用工具變量法進行回歸分析，而工具變量估計得到的只是局部平均干預效應（Local Average Treatment Effect），其結論只在特定條件下成立。更重要的是，在工具變量法中，人工智能和勞動力市場之間的相互作用經(jīng)常被當作內(nèi)生性噪音而消除掉，故而無法討論整體的一般均衡結果。

上述兩種方法都隱含外生性假設，即人工智能的發(fā)展和應用完全是由外生的技術進步?jīng)Q定的。這類假設忽略了一個重要事實：智能化生產(chǎn)的應用和創(chuàng)新是廠商在當期要素價格和技術可選集條件下，為追求利潤最大化所做出的內(nèi)生選擇。當勞動力成本隨人口老齡化而上升，智能化生產(chǎn)的經(jīng)濟回報變得更高，廠商選擇人工智能技術的動機也相應更強。換句話說，人工智能和經(jīng)濟發(fā)展之間的關系受到人口年齡結構的影響。數(shù)據(jù)上所顯示的相關性不可被理解為因果關聯(lián)，而應理解為市場一般均衡下的結果（Abeliansky&Prettner，2017；Acemoglu&Pascual， 2018）。

國際上，越來越多的研究開始探討勞動力市場如何反過來影響人工智能的發(fā)展?；谌斯ぶ悄茉O備完美替代勞動力的理論假設，Abeliansky & Prettner(2017)預測人口增長率低的國家會更先采用智能技術——人口增長率每下降1%，機器人安裝密度增長率會上升近2%。Acemoglu & Restrepo（2018）針對美國722個通勤區(qū)的實證分析也發(fā)現(xiàn)，老齡化程度越高的地區(qū)，其機器人集成企業(yè)數(shù)量也相應越多。這一正向關聯(lián)在對中等年齡（24-55歲）勞動力依賴較高的行業(yè)中尤為明顯。不過，以上研究在實證分析中對沒有充分控制勞動力質量變量（應當同時控制教育和健康水平）。老齡化對勞動力市場的作用是雙重的，既有對勞動力數(shù)量的直接效應，還有對勞動力質量的間接效應，而關于其間接效應是提高還是降低人力資本在學術上仍有爭論（Gradstein &Kaganovich, 2004）。在人工智能對老齡化的回歸方程中如果沒有控制勞動力質量（教育和健康）指標，那么回歸結果同時包含了直接效應和間接效應，無法具體詮釋其含義。

顯然，國內(nèi)現(xiàn)有研究仍缺少對人口老齡化背景下人工智能發(fā)展及其經(jīng)濟后果的系統(tǒng)梳理和實證研究。本文嘗試從老齡化作為人工智能發(fā)展的誘因和人工智能作為應對老齡化的工具這兩個維度，分別用跨國面板數(shù)據(jù)和中國省級面板數(shù)據(jù)進行實證研究，檢驗老齡化背景下人工智能對勞動力是否存在替代效應和存在怎樣的替代效應。

按照Trajtenberg(2018)的觀點，人工智能的技術創(chuàng)新可能是“賦能于人”的創(chuàng)新（Human enhancing innovation），也可能是“人力替代”的創(chuàng)新（Humanreplacing innovation），這兩類創(chuàng)新對勞動力市場的影響是不同的：在“賦能于人”的屬性下，人工智能和勞動者之間是互補關系。這意味著隨著人口老齡化，勞動力數(shù)量變得短缺，人工智能對于經(jīng)濟發(fā)展的推動作用將會變?nèi)酢Ｔ凇叭肆μ娲钡膶傩韵?，人工智能和勞動者之間是替代關系。這意味著勞動力數(shù)量越短缺、工資成本越高，人工智能的經(jīng)濟價值也相應越大，其對于經(jīng)濟發(fā)展的推動作用也會隨著老齡化水平的提高而變強。正如Hicks(1963)所說，“生產(chǎn)要素的相對價格變動，本身就是對特定種類創(chuàng)新和發(fā)明的激勵，以節(jié)約使用變得相對更貴的要素”。隨著工資的上升，發(fā)展和應用人工智能技術去替代勞動力變得更有利可圖。這一效應被稱為“誘導式創(chuàng)新”(Induced Innovation)。

誘導式創(chuàng)新有兩個層面的政策含義：一方面，它說明廠商會通過技術選擇和技術創(chuàng)新來對勞動力市場的變化做出反應。所以，要想推動人工智能產(chǎn)業(yè)的發(fā)展，除了提供稅收優(yōu)惠和科研補貼之外，政府還應該完善要素市場，讓價格信號充分發(fā)揮其引導資源優(yōu)化配置的功能。另一方面，它也意味著人工智能不太可能會造成大規(guī)模失業(yè)，因為人工智能的應用一定程度上是廠商對勞動短缺的自發(fā)調(diào)整，也就是人工智能對勞動力的替代效用是補位式的，而不是擠出式的。

本文參考Abeliansky&Prettner（2017）的理論思路來設定本文的實證假說，從一般均衡的視角去理解人工智能和勞動力市場的互動關系。在人口老齡化的背景下，勞動力的增長逐漸放緩，勞動力市場越來越多地出現(xiàn)供不應求的現(xiàn)象，短期內(nèi)均衡工資上升；同時，招工難將會提升企業(yè)用工成本、降低企業(yè)的最優(yōu)用工量和最優(yōu)產(chǎn)量，在宏觀層面表現(xiàn)出經(jīng)濟增長放緩。從長期來看，隨著勞動力成本的逐步升高，人工智能的性價比也會越來越顯現(xiàn)出來；原先在經(jīng)濟上不劃算的人工智能技術逐漸得到應用，企業(yè)用智能化設備來填補了人類勞動力的缺口，實現(xiàn)了產(chǎn)出的增長，在宏觀層面表現(xiàn)出人工智能設備被廣泛使用、經(jīng)濟增速得到提升，抵償老齡化所造成的經(jīng)濟增長放緩。人工智能和自動化技術在制造業(yè)中的應用更為廣泛，同時制造業(yè)的年輕勞動力人口更為集中（楊偉國等，2018）。所以，本文的研究主要聚焦在工業(yè)制造業(yè)，用刻畫智能化生產(chǎn)水平的工業(yè)智能機器人安裝指標，作為人工智能的代理變量?；谝陨嫌懻摚疚木唧w提出了兩個實證假說：第一，人口老齡化會促進工業(yè)智能機器人的安裝；第二，當人口結構越趨向于老齡化，工業(yè)智能機器人對于經(jīng)濟增長的邊際促進作用也就越大。

這一部分使用國際機器人聯(lián)盟(后簡稱IFR)公布的數(shù)據(jù)集和世界銀行數(shù)據(jù)庫中的國別數(shù)據(jù)來估計人口老齡化對各國工業(yè)智能機器人安裝應用的影響，從而對第一個實證假說進行檢驗。這一部分的工作參考了Abeliansky & Prettner(2017)和Acemoglu & Restrepo（2018）的研究設計。由于研究重心的不同，我們一方面控制了勞動力質量的相關變量（教育和健康），而另一方面關注了人工智能的效應是否會因一國的制造業(yè)占比不同或者經(jīng)濟發(fā)展水平不同而存在差異。前述提及的兩項研究，尤其是Acemoglu & Restrepo（2018）的研究，對發(fā)展中國家關注不足，而將這一話題的討論拓展到發(fā)展中國家是尤為重要的，因此本文做了重新分析。

IFR數(shù)據(jù)包含50個國家1993至2016年分年度分行業(yè)的工業(yè)智能機器人[2]安裝量和存量，覆蓋了全球工業(yè)智能機器人市場90%的安裝信息。為了匹配不同數(shù)據(jù)庫數(shù)據(jù)，本文采用14個安裝工業(yè)智能機器人較多的國家[3]從2007年至2016年的數(shù)據(jù)。我們又從世界銀行數(shù)據(jù)庫選取相應年份的如下國家層面變量：15-65歲年齡人口數(shù)、65歲以上人口數(shù)、勞動力規(guī)模、就業(yè)率、人均GDP、中學毛入學率、出生時預期壽命、粗出生率，以及制造業(yè)增加值占GDP的比重。

我們關心的因變量是機器人安裝密度，其定義為一國累積的工業(yè)智能機器人安裝數(shù)量除以同年總就業(yè)人數(shù)。這一指標越高，表明該國的智能化生產(chǎn)水平越高。關鍵自變量則是潛在支持比（Potential Support Rate，后簡稱PSR），其定義為15-64歲年齡人口數(shù)[4]除以65歲以上老齡人口數(shù)的比例。這一指標越低，說明該國的老齡化程度越高。相較于支持比（SupportRate），它的優(yōu)點是能區(qū)分老年人和未成年人對工作年齡人口造成的不同負擔。

如前文所述，老齡化不僅會改變勞動力規(guī)模，還與勞動力質量之間有較復雜的關聯(lián)。本文將主要關注老齡化造成的勞動力數(shù)量下降對人工智能應用的影響，所以需要控制勞動力質量的相關變量。所以我們在回歸中又加入了滯后6期的中學毛入學率和出生時預期壽命衡量。表1是對主要變量的統(tǒng)計描述。

[1]Uhlmann等人（2017）在關于德國工業(yè)4.0的討論中，提出將智能化生產(chǎn)理解為一種以機器的認知能力（或者說“智能”）作為有效互動基礎的生產(chǎn)系統(tǒng)。所謂智能化生產(chǎn)，是指人和機器在分布式工業(yè)生產(chǎn)環(huán)境中以更為復雜、更為數(shù)字化的形式展開合作。與傳統(tǒng)工業(yè)生產(chǎn)的模式不同，智能化生產(chǎn)中的人機合作所采取的是一種基于信息物理系統(tǒng)和因特網(wǎng)的數(shù)據(jù)驅動模式。

[2]根據(jù)IFR的定義，工業(yè)智能機器人是“自動控制的、可重復編程的、多用途操作器，可在三軸或更多軸上編程，在智能化生產(chǎn)應用時可以固定在位或移動。（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]這14個國家分別是：巴西、德國、法國、韓國、加拿大、美國、墨西哥、日本、泰國、西班牙、意大利、印度、英國和中國。這些國家工業(yè)智能機器人安裝量較大，在2016年的機器安裝量占到IFR所有會員國安裝量的84.8%。

[4]根據(jù)人口數(shù)據(jù)的統(tǒng)計口徑，為保證數(shù)據(jù)可得性，將工作年齡人口定為15-64歲。

參考文獻：

1.陳永偉等(2018):《人工智能的就業(yè)影響》,《比較》,第2期。http://bijiao.caixin.com/2018-06-21/101273992.html

2. 陸旸、蔡昉(2014):《人口結構變化對潛在增長率的影響: 中國和日本的比較》,《世界經(jīng)濟》,第1期。http://kns.cnki.net/KCMS/detail/detail.aspx?dbname=cjfd2014&filename=sjjj201401002&dbcode=cjfq

3. 楊偉國等（2018）:《人工智能應用的就業(yè)效應研究綜述》，《中國人口科學》，第5期。

4.田巍等(2013):《人口結構與國際貿(mào)易》,《經(jīng)濟研究》,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