【人大财税之声】· 本文作者：

杨天宇，中国人民大学应用经济学院教授；

甄莹莹，中国人民大学应用经济学院博士研究生。

内容提要：人工智能对经济不平等的影响引起学术界的广泛重视，但已有文献对人工智能的财富分配效应研究不足。采用65个国家1996—2019年的面板数据实证分析全球视角下人工智能的财富分配效应。研究发现，人工智能具有扩大居民财富不平等的作用。从国际比较的角度来看，这一作用在发展中国家、人口红利期国家和低直接税强度国家中更为显著。机制分析的结果表明，人工智能通过技能溢价、资本收入份额提升和资本回报率上升等机制加剧了居民财富不平等。

一、问题提出

当前，人工智能在全球范围内蓬勃兴起，预示着新一轮科技革命的浪潮正以前所未有的速度和广度席卷全球。作为一种全新的通用技术，人工智能在提升生产效率、催生新产业、优化资源配置以及推动全球经济增长方面的巨大潜力已获得广泛共识。然而，人工智能在大幅提高生产率的同时，也会对世界各国的财富分配产生深远影响。人工智能的应用，是否会带来居民财富不平等的恶化？其具体机制是怎样的？如何能使人工智能带来的经济成果更公平地惠及全体人民？在即将到来的人工智能时代，这些都是我们必须要回答的问题。

已有文献已经对人工智能的财富分配效应进行过若干研究。但迄今为止，这些文献不是通过数值模拟，就是应用单一国家及部分发达国家的数据研究人工智能的财富分配效应。这些研究确实可以在一定程度上揭示人工智能对居民财富不平等的影响，但是，由于以下问题，这些研究仍存在较大的改进空间。首先，采用单一国家的微观数据，虽然可以反映该国内部视角下人工智能的财富分配效应，但却忽略了在全球不同国家之间进行国际比较的视角。在不同的国家，人工智能影响财富不平等的程度并不相同。从全球视角来考察人工智能的财富分配效应，可以让我们发现单一国家视角所无法发现的问题。其次，基于单一国家的微观数据，只能发现家庭层面的人工智能影响居民财富不平等的渠道，然而，人工智能对居民财富不平等的影响，有可能存在宏观层面的渠道，这是基于单一国家的微观数据研究难以揭示的。再次，有的文献基于少数发达国家的跨国面板数据考察人工智能的财富分配效应，这也可以起到国际比较的作用，但这个作用并不完整，需要基于更广泛国家的跨国面板数据进行验证和进一步分析。

鉴于此，在前人研究的基础上，本文使用国际机器人联合会（International Federation of Robotics，IFR）公布的1996—2019年的跨国工业机器人保有量数据衡量各国人工智能应用水平，使用世界财富与收入数据库（World Inequality Database，WID）中各国财富基尼系数和前10%人群财富份额数据衡量财富不平等状况，考察人工智能对财富不平等的影响。考虑到财富集中及资本积累可能反向促进对工业机器人的投资，本文分别使用相同收入水平国家工业机器人渗透度和移动份额法构建Bartik工具变量，以缓解内生性问题。实证研究结果表明，人工智能在一定程度上加剧了居民财富不平等。机制分析发现，人工智能技术应用带来的技能溢价提升、资本收入份额上升和资本回报率增加是加剧财富不平等的作用机制。同时，人工智能对本国财富不平等的影响存在发展阶段、人口红利阶段和直接税强度的异质性。

同已有文献相比，本文的贡献在于以下三点：第一，已有文献大多关注人工智能对就业和收入不平等的影响，对人工智能的财富分配效应研究较少。本文基于WID数据库中各国财富基尼系数和前10%人群财富份额数据衡量考察人工智能的财富分配效应，这是首次利用该权威数据库的全球层面数据研究人工智能的财富分配效应问题。第二，本文采用跨国面板数据考察了人工智能对居民财富不平等的影响，并通过国际比较发现，在发展中国家、处于人口红利期的国家和直接税占比较低的国家，人工智能加剧财富不平等的作用更加显著。这一发现突破了单一国家视角，对我国制定有针对性的治理政策有参考价值。第三，本文基于跨国面板数据的研究发现，人工智能可以通过技能溢价、资本收入份额和资本回报率等渠道影响居民财富不平等，这一结论突破了微观家庭的视角，丰富和拓展了相关的研究领域。

本文余下的内容安排如下：第二部分在梳理总结现有文献的基础上提出本文的研究假说；第三部分介绍本文的数据来源、变量选取和研究方法；第四部分实证分析人工智能对财富不平等的影响；第五部分得出本文的研究结论并给出相关政策建议。

二、文献综述与研究假说

（一）文献综述

在人工智能相关的实证研究中，人工智能表征指标主要包含工业机器人数据、人工智能相关专利数据和信息通信技术相关数据等，其中，使用工业机器人数据表征人工智能发展水平被大量学者认可和采用。本文也采用工业机器人数据表征人工智能的发展水平。

人工智能的发展，及其在生产过程中与其他技术的结合，能够给生产方式带来深刻变革，对经济发展产生深远影响。目前学术界已经对人工智能的经济影响开展了大量研究，探讨了人工智能对劳动力市场就业规模的替代与促进效应，并分析了其对不同行业、不同技能群体就业和收入的异质性影响；另一些学者则对人工智能带来的经济效率和全要素生产率提升开展了一系列研究。

然而，上述文献并没有关注人工智能对居民财富不平等的影响。目前只有少数文献注意到了人工智能与居民财富不平等的关系。Fernandes et al.采用基于主体的随机博弈模型，并结合计算机模拟，考察了自私型、功利型、人类意识型及纳什均衡型等不同规范的人工智能系统对财富基尼系数的影响。Stabler构建了一个生命周期模型，指出机器人的应用能够弥补甚至逆转老龄化对人均产出的负面影响，但同时也会导致不同人群财富积累速度分化，加剧财富不平等。作者使用欧元区经济的数据进行数值模拟，并佐证了自己的结论。Moll et al.建立了一个异质性家庭与资本积累的动态一般均衡模型，指出自动化将惠及熟练劳动力和拥有资本的个人，并基于美国宏观数据进行数值模拟，揭示了机器人使用带来的自动化水平提升，将通过提高资本回报率，加剧资本所有权的集中，导致财富不平等的恶化。刘凤良等基于连续时间异质性个体一般动态均衡模型，发现人工智能在短期内会通过资本回报率机制扩大财富不平等，长期影响则因不同类型技术进步对资本回报率的差异化作用而不同。他们基于中国数据进行数值模拟，验证了上述结论，并具体展示了各类技术进步的影响差异。上述文献的结论都是基于数值模拟，其结论的可靠性还需要计量经济分析的进一步验证。

另一些学者使用单一国家或多个国家的数据进行了实证检验。Gomes et al.使用瑞典LINDA数据库在1999—2007年的微观数据，检验了自动化对财富不平等的加剧作用，并检验了投资组合渠道的存在性，即低教育水平家庭在面临人力资本风险（如失业风险）提升时，更容易调整家庭金融资产配置，导致财富积累水平下降，最终拉大财富差距。Skare et al.基于WID数据库提供的OECD国家财富基尼系数数据，发现人工智能资本存量增加会加剧财富不平等，且这一效应在顶层1%人群所占财富份额较高时更明显。Jia et al.使用IFR提供的行业层面工业机器人数据测算工业机器人密度，将2015年中国人口普查1%抽样数据中的住房资产作为家庭财富的代理变量，发现工业机器人密度增加会加剧中国居民财富不平等，并指出了加剧就业难度不平等和降低人力资本可转移性等作用渠道。上述文献确实提供了一些有价值的经验证据，但仍然存在缺乏国际比较和宏观视角，以及局限于发达国家样本等问题。

（二）研究假说

1.人工智能对财富不平等的总体影响。人工智能作为一种新型的通用目的技术，其内在的经济属性将从逻辑上加剧居民财富不平等。这个结论建立在以下几个递进的逻辑基石之上：首先，人工智能的本质是一种凝结了巨大前期研发成本的资本品，其开发、部署和维护具有极高的资本与技术门槛，这决定了其所有权和主要收益权将天然地集中于已具备雄厚资本和尖端技术的个体与企业，从而在源头上赋予了资本所有者相对于普通劳动者更强大的价值捕获能力，强化了资本回报对劳动回报的优势。其次，人工智能作为一种典型的技能偏向型技术进步，其与高技能认知任务的强互补性将扩大技能溢价，使得能够设计、操控并与人工智能协同的高技能劳动者的边际产出和收入倍增，而从事常规性、程序化任务的广大中低技能劳动者则面临被替代和收入挤压的严峻风险，劳动力市场的这一根本性重构将直接导致人力资本回报的两极分化。最后，上述基于资本、技能的优势并非孤立存在，而是会通过正反馈循环产生乘数效应。初始的财富优势可以转化为更优质的人工智能教育、更早的资本投入和更前沿的数据资产布局，从而在人工智能驱动的增长中获取指数级增长的回报；反之，初始的财富劣势则会导致在以上所有维度上的全面掉队。因此，人工智能不仅在静态上通过扩大资本与劳动、高技能与低技能之间的收入差距来加剧不平等，更在动态上通过创造一个自我强化的"赢家通吃"循环，加剧了居民财富不平等。综合以上分析，本文提出研究假设1：

假设1：人工智能技术的普及应用将会扩大居民财富不平等。

2.人工智能影响财富不平等的技能溢价机制。人工智能在生产过程中的渗透，首先体现为技能偏向型技术进步的特征，即通过扩大高技能与低技能劳动力之间的技能溢价而加剧收入差距。依据技能偏向型技术进步理论，人工智能的应用会提升与之互补的高技能劳动力的边际产出，同时替代部分中低技能劳动力的工作任务。这种技术偏向性导致劳动力市场需求结构发生根本性转变：企业对高技能人才的需求持续增长，使其获得显著的薪酬溢价；而中低技能劳动者则面临替代压力和工资增长停滞。这种分化在实证层面得到广泛验证。Kaymak et al.进一步指出，基于技能溢价导致的劳动收入分化，将传导至财富积累过程。高技能劳动者凭借较高收入，不仅储蓄与投资能力较强，也更易进入高回报的投资渠道，加速财富增殖；相反，收入受损的中低技能劳动者储蓄能力下降，在面临就业冲击时可能动用既有财富以维持消费。这种由收入差距引致的财富积累能力差异，构成人工智能加剧财富不平等的重要渠道。基于以上分析，本文提出研究假设2：

假设2：人工智能通过技能溢价加剧了居民财富不平等。

3.人工智能影响财富不平等的要素份额机制。人工智能的应用不仅体现为对劳动力的替代，而且深刻地改变了生产过程中要素边际贡献的对比关系。根据Acemoglu et al.的任务模型框架，人工智能通过自动化技术接管了标准化、可编码的常规任务，同时将资本的作用范围扩展至数据分析、流程优化等部分非常规任务领域。这种任务组织方式的重构，使得劳动被重新分配到更有限的任务范围，特别是低技能劳动力的任务空间被显著压缩，导致劳动力供给相对过剩，进而改变了资本与劳动在收入分配中的相对份额。

具体而言，资本所有者凭借对人工智能技术的主导权强化了对剩余价值的控制，而劳动者在资本执行范围外的剩余任务中面临供给过剩，导致其在收入分配中的议价能力下降，在工资谈判中处于弱势地位，实际收入水平相对降低。这一现象在低技能群体中表现得尤为突出。与此同时，企业为适应技术变革而加大资本投入，进一步推动了资本收入份额的上升。

基于上述机制，人工智能技术的发展将使国民收入分配格局呈现出资本收入份额上升、劳动收入份额下降的特征，这意味着财富分配更加向资本所有者倾斜。资本所有者凭借增加的收入提升了财富积累能力，并通过高回报投资渠道实现财富的进一步增殖；而劳动者的收入相对减少，加之面临由资本替代带来的失业风险，导致其财富积累能力持续弱化，最终加剧了财富不平等程度。基于上述分析，本文提出研究假设3：

假设3：人工智能通过资本收入份额上升加剧了居民财富不平等。

4.人工智能影响财富不平等的资本回报率机制。人工智能技术能够替代劳动力执行重复性、高精度或高强度任务，显著减少人为失误和生产中断，从而提升生产线的整体运行效率；同时，它还能优化生产流程，实现快速的任务切换，通过自动化降低生产过程中的摩擦成本与协调成本，提高全产业链的协同效率。已有文献的研究表明，人工智能的应用显著提升了生产效率与资本的边际产出，作为成本下降与产出增加共同作用的结果，企业通过使用人工智能可以获得更高利润，进而推高了资本回报率。在此基础上，资本持有者通过增加对人工智能的投资来应对技术进步带来的冲击，实现了财富增长。然而，资本回报率的上升对不同财富水平家庭的影响并不均衡。资本所有权在人群中的分布高度集中，顶层家庭持有绝大部分生产性资本。因此，资本回报率提升所带来的收益主要流向少数富裕的资本所有者。同时，不同群体之间存在明显的投资渠道隔离：富裕家庭能够直接投资于高收益的人工智能相关企业股权，而普通家庭的投资大多局限于低收益的安全资产。这种隔离导致资本持有者与普通家庭之间的财富增长率差距持续扩大，强化了顶层财富人群的优势，加剧了财富不平等程度。基于上述分析，本文提出研究假设4：

假设4：人工智能通过提升资本回报率加剧了居民财富不平等。

三、数据处理与研究设计

（一）数据来源

本文使用工业机器人数据衡量各国人工智能发展水平，这一数据来自于IFR发布的世界工业机器人数据库，该数据库包含了75个国家1993年以来安装和保有的符合ISO标准的工业机器人数量，是目前研究工业机器人最权威的国别数据库。财富不平等的数据来自于WID数据库，该数据库基于各国财政数据、普查数据与国民账户数据，致力于刻画国家间和国内收入和财富分配状况，目前，该数据库的数据覆盖了全球近120个国家，并提供了各国财富基尼系数和不同分位数人群的财富份额数据，大部分国家的数据最早可查至1995年。此外，本文的控制变量和机制变量还采用了来自世界银行、联合国开发计划署、国际货币基金组织、佩恩表和标准化世界收入不平等数据库等相关组织和机构发布的公开数据。将国家名称与年份进行匹配，最终可以得到65个国家1996—2019年的非平衡面板数据。

（二）变量说明与描述性统计

1.被解释变量。本文的被解释变量是财富不平等。学术界对于财富不平等程度的关注大致集中于两个方面，即贫富差距大小和顶层财富集中状况。因此，本文使用WID提供的国家层面数据，采用财富基尼系数（gini）衡量贫富差距，采用前10%人群财富份额（wt10）衡量顶层财富集中状况，共同代表本国的财富不平等状况，分别作为方程的被解释变量进行回归。

2.核心解释变量。本文关注的核心解释变量是人工智能。参照杨光等（2020）的做法，本文使用IFR公布的国家工业机器人保有量衡量本国人工智能发展水平。在国家层面数据基础上，IFR还提供了包括农林渔业、采矿业、制造业、水电气供给业、教育业、建筑业、其他非制造业分支以及无法分类的机器人等八大行业层面的工业机器人数据。为了分类标准的统一，本文把无法明确分类的机器人从总数中剔除，得到更具有代表性的机器人使用量。因此，本文的核心解释变量是工业机器人保有量总数减去无法分类的机器人之后剩下的机器人保有量数，并加1取自然对数（lnAI）。

3.控制变量。已有文献研究表明，国家间在经济发展水平、产业结构、人口结构、宏观经济状况、政策环境以及金融市场发展等方面的系统性差异，都有可能影响财富不平等。为此，本文选择的控制变量有：（1）经济发展水平（ypc），以基于购买力平价（PPP）计算的人均GDP（2011年不变价国际元）衡量；（2）经济增长速度（ygr），以GDP年度增长率衡量；（3）贸易全球化程度（trade），以货物和服务进出口总额占GDP的百分比衡量；（4）制造业发展规模（mva），以制造业增加值占GDP的百分比衡量；（5）社会老龄化程度（old），以65岁及以上人口占总人口的百分比衡量；（6）人口增长速度（popgr），以年度人口增长率衡量；（7）国民教育水平（EDU），以各国当前平均受教育年限与儿童预期受教育年限的平均值计算；（8）通货膨胀水平（inf），以GDP平减指数年度变化率衡量；（9）劳动力市场波动（un），以失业人数占劳动力总数的百分比衡量；（10）社会储蓄能力（SAVINGS），以国民总储蓄额占GDP的百分比衡量；（11）国际资本流动规模（FDIni），以外国直接投资净流入占GDP的百分比衡量；（12）政府消费规模（govcs），以一般政府最终消费支出占GDP百分比衡量；（13）直接税调节力度（tax），以所得税、利润税和资本收益税收占总税收收入的百分比衡量；（14）财政再分配强度（REDIS），以税前收入基尼系数与税后收入基尼系数之差衡量；（15）政治稳定性（polsta），由世界银行对政治稳定与暴力或恐怖主义事件发生情况的估计结果衡量；（16）政府效能（govef），由世界银行的政府效率估计值衡量；（17）金融发展水平（FD），以金融机构发展指数与金融市场发展指数的加总得分衡量；（18）私营部门信贷深度（CREDIT），以私营部门国内信贷规模占GDP的百分比衡量。

4.机制变量。为验证研究假设，本文构建和选取了三个机制变量用于检验人工智能对财富不平等的影响机制。具体包括：（1）技能溢价水平（skp），采用高低技能劳动者月平均薪酬的比值来衡量。其中，高低技能劳动者的定义来自于国际劳工组织发布的国际标准职业分类（ISCO-08）。高技能劳动者包括管理人员、专业人员、技术和辅助专业人员，低技能劳动者包括简单劳动职业人员。（2）资本回报率（irr），采用佩恩表提供的各国实际内部收益率来衡量。（3）资本收入份额（capsh），采用WID数据库提供的资本收入份额数据来衡量。

主要变量的描述性统计详见表1。

表1 描述性统计

（三）计量模型设定

为检验人工智能对财富不平等的影响，本文构建了如下形式的固定效应模型：

其中，c表示国家，t表示年份。gini_c,t表示国家c在t年的财富基尼系数，wt10_c,t表示国家c在t年前10%人群所占财富份额，lnAI_c,t表示国家c在t年的工业机器人保有量，X为各控制变量，v、θ分别表示年份和国家固定效应，ε为随机扰动项，并将残差聚类到国家层面。本文重点关注的是lnAI_c,t的估计系数β，本文预估β的符号显著为正，即人工智能将会加剧居民财富不平等。

四、实证结果及分析

（一）基准回归结果

表2报告了使用OLS方法进行估计的结果。在只控制国家固定效应时，人工智能的发展对贫富差距和顶层财富集中存在显著的正向影响，在此基础上加入年份固定效应，人工智能的发展对顶层财富集中的正向影响依然显著，对贫富差距影响的显著性有所减弱。在控制了国家特征、年份和国家固定效应后，估计结果中lnAI对gini和wt10的回归系数均在1%的水平上显著为正。这表明，人工智能的发展在一定程度上扩大了贫富差距、加剧了顶层财富集中，恶化了财富不平等状况，从而验证了假设1。

表2 基准回归结果

注：***、**、*分别表示在1%、5% 、10%统计水平上显著; 括号中数据为国家层面的聚类稳健标准误。

（二）考虑内生性问题

在基准回归中，本文已经控制了多个变量和国家、年份的固定效应。但是，人工智能与财富不平等之间仍有可能存在潜在的反向因果关系。为了缓解内生性问题，本文选取了两个工具变量，并使用二阶段最小二乘法（2SLS）进行估计。

首先，本文使用相同收入水平国家的平均人工智能水平，构造本国人工智能发展水平的工具变量（IV₁）。在工具变量构造过程中，我们按照基于购买力平价的人均GNI，对各国数据进行匹配，并使用同年其他国家工业机器人渗透度AIP（以每百万就业人员工业机器人保有量衡量，使用基期就业人数计算）的均值作为本国工业机器人渗透度的工具变量（IVP₁），再乘以基期（1996年）本国就业人员数量得到，并加1取自然对数放入回归。表3（1）～（3）列报告了工具变量回归的结果。在第一阶段回归中，工具变量对lnAI的回归系数在1%的统计水平上显著，F统计值大于10，可以排除弱工具变量问题；在第二阶段回归中，lnAI对gini和wt10的回归系数均在5%的统计水平上显著为正，证明了本文基准回归结果的稳健性。

其次，本文使用移动份额法构建Bartik工具变量（IV₂）。该方法的基本思想为，使用解释变量的初始份额和总体的增长率来模拟估计值，用此方法得到的估计值与实际值高度相关，但是与其残差项不相关。在构造过程中，为确保工具变量能够同时解决国家和行业层面的内生性，本文使用AIP_wcit代表各年除本国本行业外全球工业机器人渗透度，L.AIP_wcit代表滞后一期除本国本行业外全球工业机器人渗透度，AIP_wcit计算公式为：

此时，全球工业机器人渗透度增长率（GP_t）可表示为：

然后再使用移动份额法构建本国本行业工业机器人渗透度的工具变量：

在此基础上，将各行业基期（1996年）的就业人数与IVP_it2相乘，加总得到本国t年AI的工具变量IV₂，并加1取自然对数放入回归。根据这种方法构造的行业层面Bartik工具变量通过上一期工业机器人渗透度与全球工业机器人渗透度增长率相乘得到，并按照基期就业人数加总到国家层面得到AI的工具变量，在与核心解释变量高度相关的同时，不会与其他影响本国财富不平等的残差项相关。

表3（4）～（6）列报告的工具变量回归结果中，第一阶段回归时，工具变量对lnAI的回归系数在1%的统计水平上显著，F统计值大于10，可以排除弱工具变量的问题；第二阶段回归时，lnAI对gini和wt10的回归系数分别在5%和1%的统计水平上显著为正，再次证明了本文基准回归结果的稳健性。

表3 工具变量回归结果

注：***、**、*分别表示在1%、5% 、10%统计水平上显著; 括号中数据为国家层面的聚类稳健标准误。

（三）其他稳健性检验

1.剔除部分国家。在IFR报告的各国工业机器人数据中包含日本和俄罗斯，但这两个国家的数据在样本期内存在重大的重新分类，可能影响数据的可比性。在表4（1）～（2）列中，本文剔除这两个国家的样本观测值，再次进行回归，报告结果中lnAI对gini和wt10的回归系数仍在1%统计水平上显著为正，说明在控制样本偏误后，人工智能加剧财富不平等的作用仍然成立。

2.Gama回归。由于gini和wt10有可能不完全服从正态分布，本文进一步使用面板Gama回归模型进行参数估计，估计时同样控制了控制变量、国家固定效应和年份固定效应。表4（3）～（4）列的结果支持基准回归得出的结论，即lnAI对gini和wt10的影响仍然显著为正。

3.更换核心解释变量。为了进一步检验表2回归结果的稳健性，本文采用工业机器人渗透度（AIP）替代工业机器人存量（AI），并重新回归。工业机器人渗透度用每百万就业人员的工业机器人保有量衡量，计算该指标时使用基期（1996年）就业人数以缓解内生性问题。表4（5）～（6）列展示了更换核心解释变量后的回归结果，lnAIP对gini和wt10的回归系数分别在5%和1%水平上显著为正，支持了基准回归得出的结果。

表4 其他稳健性检验结果

注：***、**、*分别表示在1%、5% 、10%统计水平上显著; 括号中数据为国家层面的聚类稳健标准误。

（四）机制检验

基准回归的结果表明，人工智能的发展在一定程度上扩大了贫富差距、加剧了顶层财富集中，恶化了财富不平等。那么，人工智能通过什么机制扩大了居民财富不平等？本文在研究假设部分提出了三个可能的机制，接下来本文将使用技能溢价水平、资本回报率和资本收入份额三个机制变量进行检验。本文构建了以下模型，用于检验人工智能对财富不平等可能存在的影响机制。其中，mechanism_c,t为本文选取的各机制变量。

其中，c、t分别代表国家和年份，其他变量的含义与基准回归式设定一致。

1.技能溢价机制。根据假设1，人工智能对不同技能劳动群体会产生异质性影响，具体来说，人工智能在生产中的渗透表现为对低技能劳动者的替代，同时与高技能劳动者产生互补，导致对低技能劳动者需求下降、对高技能劳动者需求上升。在不同技能劳动者供给短时间内较为固定的现实背景下，高低技能劳动者之间的收入差距将会扩大，并导致不同技能群体的财富积累能力进一步分化，结果加剧了居民财富不平等。表5第（1）列的回归结果表明，人工智能的发展会显著提升本国的技能溢价水平，推动高低技能群体之间劳动收入的分化。现有研究指出，高技能劳动者因高工资而积累更多财富，低技能劳动者因收入劣势而财富积累不足，最终导致财富不平等加剧。因此，本文的实证结果支持了假设2，即人工智能会通过技能溢价扩大居民财富不平等。

2.资本收入份额机制。根据假说3，人工智能的应用会扩大资本在生产中的使用，而劳动被压缩至更小的任务范围，产生相对过剩的现象，导致劳动收入份额下降、资本收入份额上升，从而加剧居民财富不平等。本文选取资本收入份额（capsh）作为机制变量，使用（5）式进行估计。表5第（2）列的回归结果表明，人工智能的发展会显著提升资本收入份额。现有研究提出，顶层群体中持有更多的财富。由于资本的分配比劳动收入的分配更不均衡，因而拥有更多财富的顶层群体受益于资本收入份额的提升，财富加速积累。相反，依靠劳动收入进行储蓄和投资的群体财富积累停滞，从而贫富差距和顶层财富集中情况恶化。因此，本文的实证结果支持了假设3，即人工智能会通过资本收入份额机制扩大居民财富不平等。

3.资本回报率机制。根据假设4，人工智能在生产中的渗透能够提高资本的生产效率，使单位资本的边际产出增加。同时，人工智能提升了对资本的需求，在短期内资本供给固定的情况下，将导致资本回报率上升。资本持有家庭与无资本或少资本家庭的财富积累速度因此产生分化，扩大财富不平等。本文使用佩恩表提供的各国实际资本收益率衡量资本回报率（irr），用资本回报率的上升代表人工智能发展带来的资本效率提高。资本回报率取自然对数后放入模型进行参数估计。表5第（3）列的回归结果表明，人工智能的发展对资本回报率有显著的正向影响。现有研究指出，资本回报率上升意味着资本收益的增加，拥有资本的家庭特别是高财富群体会因资本回报率上升而受益，而无资本或少资本的家庭则难以受益，从而加剧财富不平等。因此，本文的实证结果支持了假设4，即人工智能会通过资本回报率机制扩大居民财富不平等。

表5 机制检验

注：**表示在5%统计水平上显著；括号中数据为国家层面的聚类稳健标准误。

（五）异质性分析

从全球视角来看，由于监管质量、社会状况、社会保障力度等在不同国家并不相同，人工智能的财富分配效应大小也会出现差别。因此，本文将从发展阶段、人口红利阶段和直接税强度三方面进行分组回归，讨论人工智能对财富不平等影响的国家异质性。

1.基于发展阶段的异质性。不同发展阶段的国家，对于失业和再就业培训、社会保障、资本监管和维护公平正义的关注和投入力度不同，因而人工智能的财富分配效应也各不相同。发展中国家因为对资本监管和社会保障不完善等原因，更有可能因为人工智能的发展而加剧本国的财富不平等。本文根据国际货币基金组织（IMF）发布的发达经济体名单，对发达国家和发展中国家样本分别进行回归，回归结果如表6（1）～（4）列所示，与发达国家相比，发展中国家更有可能因人工智能的发展而加剧本国财富不平等。

表6 按发展阶段分组回归结果

注：**、*分别表示在 5% 、10% 统计水平上显著；括号中数据为国家层面的聚类稳健标准误。组间差异系数 P 值是基于 bootstrap 的费舍尔组合检验法，重复抽样 1000 次计算获得，下同。

2.基于人口红利阶段的异质性。处于不同人口红利阶段的国家，在劳动力市场供求状况和劳动者议价能力等方面各不相同。尚处于人口红利期的国家，劳动力市场供给充足，往往存在更多的低技能劳动者和常规工人，在受到人工智能冲击时，这部分工人在劳动收入谈判中更容易处于劣势，从而加剧劳动收入分化，并导致劳动收入份额下降，进而加剧本国的财富不平等。本文根据世界银行的标准，将工作年龄抚养比大于等于50%，且65岁及以上人口占总人口的百分比大于7%的观测值记为处于后人口红利期，将工作年龄抚养比小于等于50%的其他观测值记为处于人口红利期，对人口红利期和后人口红利期样本分别进行回归，回归结果如表7（1）～（4）列所示，与处于后人口红利期的国家相比，处于人口红利期的国家更有可能因为人工智能的发展而加剧本国财富不平等。

表7 按人口红利阶段分组回归结果

注：**表示在5%统计水平上显著；括号中数据为国家层面的聚类稳健标准误。

3.基于直接税强度的异质性。一个国家可以通过调整对所得税、利润税和资本收益税等直接税的征税强度，参与到一国收入和财富的再分配当中，从而影响征税对象的经济活动选择。直接税征收强度更高的国家，更有可能通过税收手段减弱人工智能通过资本收入份额对财富不平等的影响；而直接税征收强度较低的国家，更容易在受到人工智能发展冲击时加剧本国财富不平等。本文使用直接税调节力度（tax）变量（以所得税、利润税和资本收益税收占总税收收入的百分比衡量），将样本期内直接税调节力度均值处于所有国家中位数以上的记为高直接税国家，低于所有国家中位数的记为低直接税国家，对高直接税国家和低直接税国家分别进行回归。回归结果如表8（1）～（4）列所示，与高直接税国家相比，低直接税国家更有可能因为人工智能的发展而加剧本国财富不平等。

表8 按直接税强度分组回归结果

注：***、**分别表示在1%、5% 统计水平上显著；括号中数据为国家层面的聚类稳健标准误。

五、结语

人工智能技术的飞速发展和普及应用，在创造了大量社会财富的同时，也引发了财富分配是否合理的担忧。如何在人工智能时代保障发展成果由全体人民共享，是中国乃至世界各国都亟待解决的难题。本文基于IFR公布的国家层面的工业机器人数据，和WID数据库的各国财富基尼系数及前10%人群财富份额数据，从国际比较的角度研究了全球视角下人工智能的财富分配效应。研究发现，人工智能发展会显著提高基尼系数和前10%人群的财富份额，从而扩大财富不平等。究其原因，人工智能发展带来的技能溢价、资本收入份额提升和资本回报率上升，是人工智能扩大财富不平等的主要作用机制。同时，这一结论也具有国家层面的异质性，在发达经济体、后人口红利期和高直接税国家中，人工智能扩大财富不平等的可能性减弱，而在发展中国家、人口红利期和低直接税国家中，人工智能对财富不平等的加剧作用更为显著。

以上结论来自跨国面板数据实证检验的结果，考虑了包括但不限于中国的情况。其中，与中国情况比较相似的发展中国家、人口红利期国家和低直接税国家的检验结果值得注意。研究表明，人工智能在这些国家会更加显著地扩大财富不平等。因此，中国要实现全体人民的共同富裕，在人工智能时代确实面临着一定的挑战。当前，我们既要把握住人工智能发展的机遇，推动中国经济发展迈上新的台阶，又要警惕人工智能发展的负面财富分配效应，防止贫富差距进一步拉大。为此，本文提出如下政策建议：

1.坚持产业智能化发展方向，引导人工智能发展走普惠共赢之路。当前，人工智能是世界发展新的潮流和增长点，中国不可能走在人工智能发展道路之外。发展是共同富裕的前提，应当坚持产业智能化方向，利用人工智能技术革新生产方式，推动经济跨越式发展，为共同富裕奠定基础。同时，应对人工智能的发展方向和路径进行适当引导，开发人工智能的普惠应用场景，支持中小微企业应用人工智能技术加强自身市场竞争力，使发展成果更多地由全体人民共享。

2.加大对工人教育和培训支持力度，帮助劳动者应对人工智能冲击。人工智能的发展和在生产过程中的应用，极大地挑战了就业市场中的低技能劳动力。如果不加以合理引导，单凭劳动者个人很难应对人工智能的冲击。政府应当发挥公共服务提供者的职能，加大对公众教育水平和劳动者技能提高的投入，引导劳动者认识AI、接触AI、拥抱AI，训练人工智能所不能替代的、与人工智能互补的劳动技能；建立政府、企业、职业院校联动机制，确保低技能群体具备适应人工智能时代的能力，缩小技能溢价差距。

3.优化资本收益分配和税收调节，分享人工智能发展成果。一方面，对于积极采用人工智能、发展人工智能的企业，政府应当针对投资用途给予一定的税收减免，用以支持相关企业拿出更多利润投资人工智能的进一步发展。另一方面，政府可以通过完善资本利得税和财产税制度，对高净值人群的资本收益实施累进税率，同时扩展普通家庭的投资渠道，增加普通居民的财产性收入，以缓解资本回报率差异导致的财富分化。政府还应引导、鼓励科技企业向核心技术人员和一线员工让渡部分股权，使劳动者也能参与资本收益分配，降低资本收入份额集中化程度。

4.建立人工智能冲击下的社会保障缓冲机制，强化公共服务均等化供给。人工智能对就业市场的冲击具有阶段性和群体差异性，低技能劳动者、传统行业从业者等群体更易因人工智能冲击导致的就业变化陷入收入波动和财富积累困境。政府应构建针对性的社会保障缓冲体系，对因自动化替代失业的群体发放过渡性生活补贴，配套提供职业介绍和创业扶持，帮助失业者再就业。在人工智能冲击较大的地区，政府还可以对低收入家庭适度发放普惠性补贴，增强其应对技术变革的经济韧性，避免因短期冲击陷入长期贫困。