人口老龄化背景下人工智能的劳动力替代效应
三、老龄化推动智能化生产：国际经验
近年来，全球几个主要地区的工业智能机器人年度安装量都呈上升趋势（见图1）。
（一）数据来源和变量构造
本文用国际机器人联盟（IFR）公布的数据集和世界银行数据库中的国别数据检验第一个实证假说。采用2007～2016年14个安装工业智能机器人较多的国家的数据。这些国家工业智能机器人安装量占IFR所有会员国安装量的84.8%。
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（劳动人口数量乘以就业率）。这一指标越高，说明所在国家的智能化生产水平越高。关键自变量是潜在支持比（PSR），其定义为：15～64岁人口数除以65岁及以上老龄人口数，也就是“老年人口抚养比”的倒数。这一指标越低，说明所在国家的老龄化程度越高。
图2显示，总体上潜在支持比越低的国家，机器人安装密度相应越高，也就是人口老龄化程度越高的国家，智能化生产水平越高。
（二）回归模型
考虑到图2这种正相关性可能是由其他干扰因素造成的，本文加入相关控制变量，分别使用一般最小二乘法（OLS）模型、固定效应模型和工具变量（IV）模型回归，进一步检验老龄化对人工智能发展的因果效应。基准回归模型为：
lg（Rit）=β0+β1×PSRit+γXit+δi+lt+εit
其中，Rit是国家i在t年每千人就业人口的机器人安装密度，PSRit是国家i在t年的潜在支持比，Xit是包括人均GDP、预期寿命和滞后6期的中学毛入学率在内的一系列控制变量，δi是国家层面的固定效应，lt是年份层面的固定效应。本文选择滞后20～45年的粗出生率作为工具变量。
（三）回归结果
1.OLS和IV回归结果
表2是机器人安装密度对潜在支持比的OLS估计结果和IV估计结果。模型1是最简单的一元线性回归。模型2加入国家和年份固定效应，模型3进一步控制了人均GDP的自然对数、滞后6期中学入学率和出生时预期寿命。模型4至模型6是工具变量法的二阶段最小二乘法估计结果。总之，无论是OLS估计还是IV估计，都表明潜在支持比对于机器人安装密度有显著的负向效果。换句话说，工作年龄人口相对于老年人口的比例较高的国家，会更少地安装工业智能机器人，反之亦然。此外，富国比穷国安装了更多的工业智能机器人。人均GDP每上升1%，每千就业人口的累积机器人安装量将上升0.34%～0.47%。人力资本也是人工智能应用的决定因素，而且人力资本的不同维度（教育和健康）对于智能化生产的影响是不同的。劳动力的受教育水平与智能化生产之间的关系以互补性为主，而劳动力的健康水平与智能化生产之间的关系则更多是替代性的。
2.考虑国家产业结构后的回归结果
人工智能应用的驱动力和经济后果在不同行业可能是不同的。比如，最近一项关于人工智能应用和美国养老院护士数量的实证研究的结论，与基于制造业数据所获得的结论存在较大差异（Lu等，2018）。目前，绝大部分智能机器人集中在制造业，尤其是汽车和电子行业。可以推测，在制造业比重较高的国家，由人口老龄化所引致的人工智能应用会更为显著。在基准的回归方程中加入制造业占GDP的比重这一变量及这一变量和潜在支持比的交互项，回归结果显示：（1）制造业占比较高的国家会更多地安装工业智能机器人。平均来说，制造业占GDP的比重每上升1个百分点，机器人安装密度会上升6%左右。（2）老龄化对于人工智能的驱动作用在制造业占比较高的国家更为显著。（3）对于人工智能技术的需求主要来自于制造业因老龄化而面临的劳动力短缺。总体而言，这一部分的发现和“诱导式创新”理论的预测相一致。
四、智能化生产促进经济增长：中国证据
本文通过探讨智能化生产的中国实践，分析人口老龄化背景下，采用人工智能技术对经济增长的推动作用，以检验第二个实证假说。
（一）智能化生产在中国的发展
2013年开始中国已成为全球最大的工业智能机器人市场。2016年，工业智能机器人总安装量达到8.7万台，比2015年增加27%。2016年的安装量占全球总安装量的三成，接近于欧洲和美国同年安装量的总和。中国政府在政策上对于人工智能的发展给予了大力扶持。
图3显示，2000～2016年中国的潜在支持比一直在下降，特别是近10年，下降得越来越快；而机器人安装密度随着支持比的下降逐步提高。增速变化的转折点发生在2012年前后，这与相关扶持政策的出台时间大致吻合。
用各省机器人集成企业数作为智能化生产的代理变量。总的来说，人口老龄化进程越快的省份，机器人集成企业数也越多（图4），第一个假说在中国同样成立。
（二）数据来源和变量构造
本文用IFR公布的数据集和中国省份（不含港澳台）面板数据检验第二个实证假说。因变量是各省GDP总量。
自变量是智能机器人安装密度。与跨国分析的处理类似，机器人安装密度为各省工业智能机器人累积安装数量除以该省就业人口总数。数据年份为2010～2014年。对于未申报用途的机器人，本文借鉴Acemoglu等（2017）的方法，用插值和按比例分配的方法将未分类的机器人分配到每个行业。通过Bartik工具变量方法计算省级层面的机器人技术冲击强度，作为智能化生产水平的替代变量：基于2010～2014年的全国分行业的机器人安装数据和各行业年度就业人数，先计算出每个行业当年的机器人安装密度，再结合每个省的产业结构算出省级层面当年的技术冲击强度指标。
一个重要控制变量是支持比。支持比的定义是15～64岁人口数量除以15岁以下和64岁以上人口之和，相当于抚养比的倒数。制造业占比也是控制变量。
（三）回归模型
回归方程设定为：
lg（Yit）=β0+β1×Bit+β2×SRit+β3×Bit×SRit+γXit+δi+lt+εit
其中，Yit是i省t年GDP总量的自然对数或者i省t年某一产业产值。Bit是使用Bartik工具变量方法构造出来的各省机器人安装密度，SRit是i省在t年的人口支持比，Xit是制造业占该省GDP的比重，δi是省份层面的固定效应，lt是年份层面的固定效应。考虑到之前讨论过的智能化生产和人口老龄化之间复杂的互动关系，在回归方程中加入了支持比及技术冲击强度和支持比的交互项。与实际机器人安装密度变量相比，基于技术冲击强度估计的机器人安装密度变量相对于许多省级层面的不可观测变量来说是外生的，这使估计出来的回归系数更少受到内生性偏误的干扰。
（四）回归结果
表5中模型11只加入关键自变量和人口结构，模型12和模型13逐步加入交互项和制造业占比，模型14控制了省份和年份的固定效应。结果显示：（1）机器人安装密度对地区经济发展有明显的正向影响：以控制了固定效应的回归结果为例，机器人安装密度每上升1%，当地的GDP总量将上升约0.17%。（2）在人口老龄化程度较高的省份，人工智能对经济发展的推动作用相对越强。（3）制造业比重较高的省份，其经济发展也更快。总之，在过去的一段时间内，老龄化导致经济增长放缓，但生产智能化的发展及时补足了一部分因人口老龄化导致的劳动力下降，发展人工智能成为缓冲老龄化造成的经济增长放缓的一种手段。考察人工智能对不同产业增加值的推动作用，可以发现：人工智能对于第一产业增加值的推动效果并不明显。人工智能对于第二产业增加值的正向作用最为明显。以控制了省份和年份固定效应的回归结果为例，机器人安装密度每上升1%，当地的第二产业增加值将上升0.27%。人工智能对第三产业增加值的推动作用，在统计上显著，但效果比第二产业稍弱。
五、结论与讨论
本文实证结果表明，当前的人工智能发展属于“诱致性创新”，人工智能与劳动力之间是替代关系，这种替代关系是“补位式替代”，而不是“挤出式替代”。如果这些特征保持不变，人工智能将在老龄化大背景下为中国经济做出更大贡献。目前越来越多的国家开始意识到老龄化背景下人工智能的重要性，比如日本。
基于上述研究结果，本文提出以下政策建议：（1）从“人口红利”转向“智能红利”。应正确看待人工智能与劳动力的关系，充分认识到老龄化背景下人工智能对劳动力的补位式替代作用，大力支持人工智能产业发展，积极发挥技术进步带来的“智能红利”。（2）完善要素市场，保持和推动“诱致性创新”。应让价格信号充分发挥其引导资源优化配置的功能，引导企业主动选择人工智能技术，以消解劳动力短缺造成的负面影响，扫除企业在智能化改造过程中面临的技术、资金等方面的障碍。（3）加强教育培训，提供智能化生产所需的人力资本。开展与人工智能相匹配的职业教育，帮助劳动者在人工智能时代转型，降低新技术变革对于劳动者福利的负面冲击。（4）推进人工智能在不同产业和不同地区的平衡发展。当前，人工智能应用更多集中在工业制造业和相对富裕地区。应推动人工智能在第一、第三产业的应用，在欠发达地区的应用，为高质量发展的平衡发展做出贡献。（5）理性把握人工智能的推动速度。在人口老龄化背景下，人工智能发挥“补位式替代”作用的前提是人工智能应用的速度和劳动力市场的调整相匹配。
参考文献：（略）返回搜狐，查看更多
原文发表于《中国人口科学》2018年第6期，有删减，转载请注明，查看原文请点击：。杨伟国等《人工智能应用的就业效应研究综述》，2018年第5期。郑秉文《社会保障40年：经验总结与改革取向》，2018年第4期。胡必亮，2018年第1期。查看其他精彩文章，请点击：。