王林輝 錢(qián)圓圓 趙 賀

(華東師范大學(xué)1.中國(guó)現(xiàn)代城市研究中心；2.經(jīng)濟(jì)學(xué)院,上海 200062)

一、引言

當(dāng)前，隨著人工智能在深度學(xué)習(xí)、自然語(yǔ)言處理、圖像視頻識(shí)別、計(jì)算機(jī)視覺(jué)等領(lǐng)域取得技術(shù)突破，其應(yīng)用范圍不斷拓展，并賦能制造、金融、醫(yī)療與教育等行業(yè)，成為引領(lǐng)科技革命的一種顛覆性技術(shù)。那么，人工智能技術(shù)是否會(huì)大規(guī)模影響勞動(dòng)就業(yè)，是否會(huì)對(duì)勞動(dòng)者的工資造成沖擊？這些問(wèn)題引發(fā)社會(huì)各界的普遍關(guān)注。Susskind認(rèn)為自動(dòng)化將給就業(yè)帶來(lái)威脅，一些傳統(tǒng)勞動(dòng)具備比較優(yōu)勢(shì)的工作任務(wù)將會(huì)被智能機(jī)器侵占，降低勞動(dòng)需求，進(jìn)一步誘發(fā)技術(shù)性失業(yè)與絕對(duì)工資下降[1]。Dinlersoz和Wolf的研究表明，機(jī)器人技術(shù)應(yīng)用會(huì)顯著降低美國(guó)勞動(dòng)力的就業(yè)和工資水平[2]。結(jié)合美國(guó)經(jīng)濟(jì)數(shù)據(jù)，Acemoglu等研究美國(guó)機(jī)器人應(yīng)用對(duì)當(dāng)?shù)貏趧?dòng)力市場(chǎng)的影響后，發(fā)現(xiàn)機(jī)器人應(yīng)用顯著降低美國(guó)通勤區(qū)域的就業(yè)和工資。人工智能作為資本增強(qiáng)型技術(shù)，無(wú)疑會(huì)加劇資本和勞動(dòng)的收入差距，而資本與勞動(dòng)要素的收入分配差距取決于二者的替代彈性[3]。DeCanio對(duì)美國(guó)橫截面數(shù)據(jù)進(jìn)行分布擬合后發(fā)現(xiàn)，若勞動(dòng)者和機(jī)器人之間的替代彈性高于1.9，人工智能技術(shù)會(huì)導(dǎo)致總體工資水平下降，具進(jìn)一步指出除非機(jī)器投資的回報(bào)在人群中廣泛分配，即勞動(dòng)均等享受智能化技術(shù)紅利，否則未來(lái)人工智能的發(fā)展可能會(huì)降低工資和加劇收入不平等[4]。也有研究認(rèn)為人工智能技術(shù)并不一定會(huì)誘發(fā)收入水平絕對(duì)下降，Graetz等利用1993—2007年17個(gè)發(fā)達(dá)國(guó)家面板數(shù)據(jù)研究機(jī)器人應(yīng)用的經(jīng)濟(jì)效應(yīng)后發(fā)現(xiàn)，機(jī)器人使用能夠提升勞動(dòng)生產(chǎn)率和工資，雖然機(jī)器人應(yīng)用會(huì)削減低技能勞動(dòng)就業(yè)，但并不會(huì)顯著降低總體就業(yè)[5]。Caselli等認(rèn)為，在滿(mǎn)足市場(chǎng)完全競(jìng)爭(zhēng)、利率固定、規(guī)模報(bào)酬不變和消費(fèi)者偏好相似條件下，新技術(shù)不太可能導(dǎo)致所有工人的工資下降，當(dāng)投資品的相對(duì)價(jià)格下降時(shí)，平均工資水平將會(huì)上升[6]。

事實(shí)上，人工智能技術(shù)作為物化型技術(shù)，通常以機(jī)器設(shè)備資本品為載體，更易于提高資本質(zhì)量和生產(chǎn)條件的智能化程度，對(duì)不同類(lèi)型勞動(dòng)的影響具有非均等滲透和非中性特征，對(duì)不同群體的影響存在明顯的異質(zhì)性[7-8]。或者說(shuō)，機(jī)器人等智能化設(shè)備在生產(chǎn)中的應(yīng)用改變了技術(shù)環(huán)境，由于技能勞動(dòng)更能適應(yīng)環(huán)境變化，人工智能技術(shù)就表現(xiàn)出技能偏向性，進(jìn)而易導(dǎo)致高技能勞動(dòng)相對(duì)需求上升和工資上漲。Katz和Margo發(fā)現(xiàn)在1920—2010年期間，美國(guó)低技能崗位諸如農(nóng)民、服務(wù)類(lèi)等職業(yè)的就業(yè)份額從44.1%下降至29%，但專(zhuān)業(yè)技術(shù)員、經(jīng)理等高技能職業(yè)的需求由12.4%上升至39.4%[9]。相關(guān)證據(jù)表明，技術(shù)更易與高技能勞動(dòng)形成互補(bǔ)，會(huì)借助人機(jī)合作提高勞動(dòng)生產(chǎn)率，進(jìn)而提升高技能勞動(dòng)者的工資；與之相反，低技能勞動(dòng)者的新環(huán)境適應(yīng)能力往往較低，難以快速學(xué)習(xí)新技術(shù)，勞動(dòng)需求下降進(jìn)而導(dǎo)致工資收入減少[10]。Lankisch等在內(nèi)生經(jīng)濟(jì)增長(zhǎng)模型中引入自動(dòng)化資本，經(jīng)驗(yàn)研究發(fā)現(xiàn)自動(dòng)化降低了低技能工人的實(shí)際工資，誘發(fā)了技能溢價(jià)和收入不平等[11]。Zhang將自動(dòng)化納入特定要素的技術(shù)進(jìn)步框架，發(fā)現(xiàn)自動(dòng)化會(huì)產(chǎn)生替代效應(yīng)和資本再分配效應(yīng)，當(dāng)勞動(dòng)力和資本之間的替代彈性足夠大時(shí)，資本再分配效應(yīng)會(huì)提高熟練工人的工資率，拉大非熟練工人和熟練工人的收入差距[12]。Jackson 等基于產(chǎn)業(yè)鏈視角，在生產(chǎn)流程中嵌入人工智能、機(jī)器人中間產(chǎn)品后，發(fā)現(xiàn)自動(dòng)化技術(shù)應(yīng)用能夠擴(kuò)大高、低技能勞動(dòng)的工資差距[13]。Acemoglu和Restrepo研究認(rèn)為機(jī)器人對(duì)高、低技能勞動(dòng)的替代程度主要取決于任務(wù)生產(chǎn)過(guò)程中高、低技能勞動(dòng)的比較優(yōu)勢(shì)，實(shí)證檢驗(yàn)結(jié)果發(fā)現(xiàn)機(jī)器人應(yīng)用導(dǎo)致高中及以下學(xué)歷工人的就業(yè)與工資降低[14]。

現(xiàn)有文獻(xiàn)已關(guān)注到人工智能技術(shù)對(duì)勞動(dòng)者工資的沖擊，并考察了其對(duì)高、低技能勞動(dòng)者工資的作用差異，但多數(shù)文獻(xiàn)對(duì)于高低技能勞動(dòng)的區(qū)分僅考慮勞動(dòng)者的受教育程度。新人力資本理論指出，忽略個(gè)體能力而只以教育程度來(lái)衡量勞動(dòng)者人力資本水平所獲得的結(jié)論可能是有偏的[15]。通常，個(gè)體能力取決于先天稟賦，并受家庭、學(xué)校、社會(huì)以及其他外部環(huán)境等綜合因素的影響。在經(jīng)濟(jì)生產(chǎn)過(guò)程中，個(gè)體勞動(dòng)效率、環(huán)境適應(yīng)能力與工作能力會(huì)因個(gè)體和環(huán)境差異而不同。相對(duì)于傳統(tǒng)人力資本理論，新人力資本理論不再單一地采用受教育程度來(lái)表征勞動(dòng)質(zhì)量，而是將個(gè)體能力視為人力資本的核心，認(rèn)為認(rèn)知和非認(rèn)知能力是個(gè)體勞動(dòng)質(zhì)量的關(guān)鍵因素，都會(huì)對(duì)工資收入產(chǎn)生重要影響[16]。其中，認(rèn)知能力主要指計(jì)算、閱讀、邏輯思維等能力，與之相對(duì)，非認(rèn)知能力則主要指情感、意志、性格、動(dòng)機(jī)與信念等，內(nèi)容包括自信、自尊、自制、成就動(dòng)機(jī)、對(duì)生活的態(tài)度等。可以看出，新人力資本理論的個(gè)體能力是一個(gè)系統(tǒng)框架體系，主要涵蓋個(gè)體先天稟賦、后天成長(zhǎng)與個(gè)體發(fā)展等諸多因素。個(gè)體認(rèn)知能力是重要的，并會(huì)通過(guò)提升勞動(dòng)質(zhì)量方式影響勞動(dòng)工資[17]。與此同時(shí)，非認(rèn)識(shí)能力在勞動(dòng)過(guò)程中也同樣扮演著重要角色，個(gè)體的非認(rèn)知能力如個(gè)性、人格特征、社會(huì)參與等同樣會(huì)影響勞動(dòng)質(zhì)量和工作效率。樂(lè)君杰和胡博文指出，非認(rèn)知能力能顯著促進(jìn)工資收入增長(zhǎng)，其重要性并不亞于傳統(tǒng)人力資本理論關(guān)注的受教育年限[18]。

人工智能是一種融合判斷力、學(xué)習(xí)力和決策力的數(shù)字智能技術(shù)，可以替代勞動(dòng)者執(zhí)行程式化的工作，但對(duì)于需要?jiǎng)?chuàng)新、情感溝通和協(xié)作等能力的工作任務(wù)，人工智能技術(shù)在短時(shí)間內(nèi)可能難以替代[8]。那么，在人工智能技術(shù)對(duì)勞動(dòng)工資的影響中，個(gè)體的認(rèn)知與非認(rèn)知能力將會(huì)發(fā)揮何種作用？在人工智能技術(shù)應(yīng)用過(guò)程中更易與哪一種能力互補(bǔ)而形成溢價(jià)？如果存在能力溢價(jià)效應(yīng)，在不同類(lèi)型崗位和不同性別群體中是否會(huì)表現(xiàn)出明顯差異？基于此，本文從個(gè)體認(rèn)知和非認(rèn)知能力視角出發(fā)，結(jié)合中國(guó)家庭追蹤調(diào)查微觀數(shù)據(jù)(CFPS)，考察人工智能技術(shù)與個(gè)體能力耦合對(duì)勞動(dòng)工資的影響，以及群體差異性特征。本文的邊際貢獻(xiàn)在于：第一，克服以個(gè)體受教育年限即以學(xué)歷教育水平來(lái)衡量勞動(dòng)者技能的局限性，從勞動(dòng)者認(rèn)知和非認(rèn)知能力的全新視角考察勞動(dòng)能力；第二，創(chuàng)新性地檢驗(yàn)個(gè)體能力與人工智能技術(shù)耦合對(duì)勞動(dòng)工資的影響，識(shí)別出何種能力更易與人工智能技術(shù)互補(bǔ)而形成溢價(jià)；第三，對(duì)比不同崗位類(lèi)型和不同性別群體的個(gè)體能力與人工智能技術(shù)耦合對(duì)勞動(dòng)工資影響的差異性。

二、計(jì)量模型選擇、指標(biāo)設(shè)計(jì)與數(shù)據(jù)來(lái)源說(shuō)明

(一)計(jì)量模型設(shè)定

本文構(gòu)建如下模型：

lnwagei=α0+α1lnAIj+α2abilityi+βlnAIj*abilityj+α3Xj+α4Ci+εi

(1)

其中，被解釋變量lnwage表示個(gè)體的小時(shí)工資，lnAI表示人工智能技術(shù)水平，ability表示個(gè)體的能力，具體分成認(rèn)知能力(cog)和非認(rèn)知能力(noncog)兩類(lèi)。在回歸過(guò)程中，分別加入認(rèn)知能力和非認(rèn)知能力與人工智能技術(shù)的交乘項(xiàng)，檢驗(yàn)個(gè)體的認(rèn)知和非認(rèn)知能力是否會(huì)對(duì)人工智能技術(shù)的收入分配效應(yīng)產(chǎn)生影響。X是省級(jí)層面的控制變量，C為個(gè)體層面的控制變量，ε為隨機(jī)誤差項(xiàng)，將標(biāo)準(zhǔn)誤聚類(lèi)到省份層面。

(二)指標(biāo)設(shè)計(jì)

1.被解釋變量和核心解釋變量

本文的被解釋變量是微觀個(gè)體的小時(shí)工資，具體計(jì)算公式為用每月稅后工資/(4*每周工作時(shí)間)；數(shù)據(jù)來(lái)源于2020年CFPS微觀個(gè)人層面調(diào)查數(shù)據(jù)。人工智能技術(shù)lnAI是核心解釋變量之一，用在Patenthub全球?qū)＠麛?shù)據(jù)庫(kù)獲取的2020年31個(gè)省份與人工智能技術(shù)相關(guān)的專(zhuān)利申請(qǐng)量來(lái)表征。另外，考慮到人工智能技術(shù)對(duì)工資收入的影響可能存在滯后性，本文還運(yùn)用2019年的人工智能專(zhuān)利數(shù)據(jù)進(jìn)行穩(wěn)健性檢驗(yàn)。

認(rèn)知能力和非認(rèn)知能力是本文需要重點(diǎn)關(guān)注的兩個(gè)變量?？紤]到認(rèn)知能力是指人腦加工、儲(chǔ)存和提取信息的能力，從識(shí)字能力、記憶能力等角度選取指標(biāo)，結(jié)合CFPS微觀數(shù)據(jù)庫(kù)中調(diào)查問(wèn)題“是否讀書(shū)”“總閱讀量”“能記住主要事情嗎”“是否使用外語(yǔ)”“智力水平”等構(gòu)建綜合的認(rèn)知能力指標(biāo)。關(guān)于非認(rèn)知能力的度量，程虹和李唐[19]、王春超和張承莎[20]基于“大五人格”模型，從嚴(yán)謹(jǐn)性、順從性、外向性、開(kāi)放性以及情緒穩(wěn)定性等五個(gè)方面進(jìn)行綜合測(cè)度。本文借鑒上述文獻(xiàn)的“大五人格”模型，結(jié)合CFPS微觀數(shù)據(jù)庫(kù)中2020的調(diào)查問(wèn)卷，按照相關(guān)問(wèn)題回答評(píng)分，綜合評(píng)價(jià)非認(rèn)知能力。其中嚴(yán)謹(jǐn)性選擇的問(wèn)題有“對(duì)陌生人的信任度”；順從性選取的問(wèn)題有“對(duì)自己生活滿(mǎn)意度”，“對(duì)聰明才干能得到回報(bào)”這種說(shuō)法的認(rèn)同度；外向性選取的問(wèn)題有過(guò)去一周內(nèi)“我感到孤獨(dú)”發(fā)生的頻率，“對(duì)有多幸?！钡脑u(píng)分；開(kāi)放性方面選取的問(wèn)題分別為對(duì)“女人干得好不如嫁得好”這種說(shuō)法的認(rèn)同度，對(duì)“女人應(yīng)該有孩子才算完整”這種說(shuō)法的認(rèn)同度；情緒穩(wěn)定性問(wèn)題為“我感到悲傷難過(guò)”發(fā)生的頻率，“我覺(jué)得生活無(wú)法繼續(xù)”發(fā)生的頻率。選取的認(rèn)知和非認(rèn)知能力指標(biāo)說(shuō)明詳見(jiàn)表1。為了避免主觀設(shè)計(jì)權(quán)重可能引發(fā)的綜合指標(biāo)衡量偏誤，本文運(yùn)用主成分分析法分別合成認(rèn)知和非認(rèn)知能力指標(biāo)。表2是認(rèn)知和非認(rèn)知能力按照受教育程度分類(lèi)的描述性統(tǒng)計(jì)，結(jié)果顯示認(rèn)知和非認(rèn)知能力水平的均值隨著學(xué)歷水平的上升而上升，表明指標(biāo)設(shè)計(jì)符合預(yù)期。

表1 認(rèn)知能力和非認(rèn)知能力指標(biāo)說(shuō)明

表2 認(rèn)知能力和非認(rèn)知能力的描述性統(tǒng)計(jì)

2.控制變量

省際層面變量：產(chǎn)業(yè)結(jié)構(gòu)lnind，以第三產(chǎn)業(yè)占比來(lái)表征；文化建設(shè)lnpub_cul，以人均擁有公共圖書(shū)館藏量來(lái)表征；互聯(lián)網(wǎng)基礎(chǔ)建設(shè)lnpub_int，以互聯(lián)網(wǎng)寬帶接入端口數(shù)來(lái)表征。省際層面數(shù)據(jù)來(lái)源于國(guó)家統(tǒng)計(jì)局。

個(gè)體層面變量：性別gender，其中女性取值為1，男性取值為0；勞動(dòng)者受教育年限lnsch，具體而言，文盲或半文盲的受教育年限為0年、小學(xué)學(xué)歷為6年、初中學(xué)歷為9年、高中學(xué)歷為12年、大專(zhuān)學(xué)歷為15年、本科學(xué)歷為16年、碩士學(xué)歷為19年，博士學(xué)歷為22年；勞動(dòng)者的年齡age和年齡的平方項(xiàng)age2，樣本的年齡區(qū)間為16～65歲。另外，對(duì)勞動(dòng)者的工作相關(guān)特征進(jìn)行控制，具體有是否簽訂勞動(dòng)合同constr和勞動(dòng)者的工作滿(mǎn)意度jobsa。上述變量除了年齡外都進(jìn)行了取對(duì)數(shù)處理。個(gè)體層面數(shù)據(jù)來(lái)源于CFPS2020年個(gè)體調(diào)查數(shù)據(jù)。

三、實(shí)證檢驗(yàn)結(jié)果與評(píng)價(jià)

(一)基準(zhǔn)回歸

表3匯報(bào)了基準(zhǔn)估計(jì)結(jié)果。其中，列(1)和列(4)分別報(bào)告了只加入認(rèn)知能力和非認(rèn)知能力的估計(jì)結(jié)果。結(jié)果顯示，在1%的顯著性水平下，認(rèn)知能力的估計(jì)系數(shù)為0.0643，非認(rèn)知能力估計(jì)系數(shù)為0.0928，說(shuō)明勞動(dòng)者的認(rèn)知和非認(rèn)知能力存在工資增長(zhǎng)效應(yīng)。表3的列(2)是同時(shí)加入人工智能技術(shù)和認(rèn)知能力的估計(jì)結(jié)果，列(5)是同時(shí)加入人工智能技術(shù)和非認(rèn)知能力的估計(jì)結(jié)果，結(jié)果顯示認(rèn)知能力和非認(rèn)知能力的工資提升效應(yīng)仍然存在。列(3)為加入人工智能技術(shù)和認(rèn)知能力的交互項(xiàng)(lnAI*cog)的回歸結(jié)果，列(6)為加入人工智能技術(shù)和非認(rèn)知能力的交互項(xiàng)(lnAI*noncog)的回歸結(jié)果。結(jié)果顯示，人工智能技術(shù)和認(rèn)知能力的交互項(xiàng)的估計(jì)系數(shù)為0.0143，在5%的水平上顯著，說(shuō)明在控制其他變量的情況下，人工智能技術(shù)可以讓高認(rèn)知能力勞動(dòng)者獲得更高的工資收入，表明人工智能技術(shù)與勞動(dòng)者的認(rèn)知能力具有良好的耦合性，個(gè)體認(rèn)知能力越高則人工智能技術(shù)的工資提升效應(yīng)越強(qiáng)，越能給勞動(dòng)者帶來(lái)豐厚的工作收入。同樣地，人工智能技術(shù)和非認(rèn)知能力的交互項(xiàng)的估計(jì)系數(shù)為0.0220且保持 5%的顯著性水平，說(shuō)明在控制其他變量的情況下，人工智能技術(shù)同樣可以讓高非認(rèn)知能力勞動(dòng)者獲得更高的工資收入。可見(jiàn)，人工智能技術(shù)在生產(chǎn)中的應(yīng)用不僅需要?jiǎng)趧?dòng)者認(rèn)知能力，也依賴(lài)于勞動(dòng)者的非認(rèn)知能力。同時(shí)，相較于認(rèn)知能力，人工智能技術(shù)與非認(rèn)知能力的交互項(xiàng)系數(shù)更大，可以初步判斷人工智能技術(shù)更易與非認(rèn)知能力互補(bǔ)形成溢價(jià)。

表3 基準(zhǔn)回歸

(二)內(nèi)生性檢驗(yàn)

1.工具變量法

為了防止指標(biāo)設(shè)計(jì)偏差可能引發(fā)的偏誤，在此選取2019年長(zhǎng)途光纜線(xiàn)路長(zhǎng)度的對(duì)數(shù)作為人工智能技術(shù)的工具變量，理由如下：光纖技術(shù)是現(xiàn)代數(shù)據(jù)中心基礎(chǔ)設(shè)施的重要橋梁，而光纖需要借助光纜來(lái)傳輸，光纖技術(shù)越發(fā)達(dá)，越有利于數(shù)據(jù)傳輸，進(jìn)而促進(jìn)人工智能技術(shù)發(fā)展，滿(mǎn)足工具變量的相關(guān)性要求；與此同時(shí)，光纜的鋪設(shè)里程等主要取決于經(jīng)濟(jì)環(huán)境、地理環(huán)境和政策環(huán)境，與勞動(dòng)者的認(rèn)知能力、非認(rèn)知能力以及工資收入無(wú)關(guān)[21]。選取滯后一期的2019年長(zhǎng)途光纜線(xiàn)路長(zhǎng)度，能進(jìn)一步避免因反向因果造成的內(nèi)生性。表4的列(1)和列(3)匯報(bào)了同時(shí)加入核心解釋變量和工具變量的回歸結(jié)果，人工智能技術(shù)系數(shù)顯著為正而工具變量的系數(shù)并不顯著，說(shuō)明工具變量主要通過(guò)影響人工智能技術(shù)這一途徑，對(duì)勞動(dòng)個(gè)體的工資產(chǎn)生影響。綜上可知，工具變量滿(mǎn)足排他性要求。表4的列(2)、列(4)分別表示2SLS的回歸結(jié)果。工具變量不可識(shí)別檢驗(yàn)(Anderson LM 統(tǒng)計(jì)量)與弱工具變量檢驗(yàn)(Kleibergen-Paaprk Wald F 統(tǒng)計(jì)量)均顯著拒絕原假設(shè)，表明不存在不可識(shí)別問(wèn)題和弱工具變量問(wèn)題。在1%和5%的顯著性水平下，交互項(xiàng)lnAI*cog和lnAI*noncog的系數(shù)顯著為正，說(shuō)明解決內(nèi)生性問(wèn)題后的結(jié)果依然穩(wěn)健。

表4 內(nèi)生性檢驗(yàn)1：工具變量法

2.處理效應(yīng)模型

考慮到不同崗位對(duì)認(rèn)知和非認(rèn)知能力的需求存在異質(zhì)性，個(gè)體可能會(huì)憑借其高認(rèn)知和高非認(rèn)知能力，尋求到更合適的工作，獲得更高的勞動(dòng)報(bào)酬。在同等情況下，企業(yè)也會(huì)主動(dòng)選擇符合本企業(yè)招聘需求的高認(rèn)知和高非認(rèn)知能力員工。借鑒王春超和張承莎的做法，本文用處理效應(yīng)來(lái)解決上述自選擇引發(fā)的內(nèi)生性問(wèn)題[20]。相較于兩階段工具變量法，當(dāng)內(nèi)生變量為虛擬變量時(shí)，處理效應(yīng)模型的估計(jì)效果更好[22]。鑒于此，本文首先構(gòu)造第一階段的二值變量作為被解釋變量，為盡可能緩解分組的非隨機(jī)問(wèn)題，采取兩種構(gòu)造方法：方法一是根據(jù)全樣本認(rèn)知和非認(rèn)知能力均值，分別將認(rèn)知和非認(rèn)知能力大于平均值的，設(shè)定為高認(rèn)知能力組和高非認(rèn)知能力組；同理，低于均值的劃定為低認(rèn)知能力組和低非認(rèn)知能力組。方法二是分別將認(rèn)知能力和非認(rèn)知能力的0. 25和0. 75 分位點(diǎn)作為劃分的界限，依次將分位數(shù)小于0. 25和0. 75 分位點(diǎn)的勞動(dòng)者劃分為低認(rèn)知能力組和低非認(rèn)知能力組，相應(yīng)地將非認(rèn)知能力大于等于0.25和0.75分位點(diǎn)的勞動(dòng)者劃分為高認(rèn)知和高非認(rèn)知能力組。然后，運(yùn)用Probit模型估計(jì)勞動(dòng)者進(jìn)入高認(rèn)知能力組和高非認(rèn)知能力組的概率，見(jiàn)方程(2)：

ability(1,0)i=γ0+γ1X2+ε

(2)

ability(1,0)為個(gè)體所在的分組，高認(rèn)知能力或者高非認(rèn)知能力組取值為1，低認(rèn)知能力或者低非認(rèn)知能力組取值為0，γ0為常數(shù)項(xiàng)，X2除了包括基準(zhǔn)回歸中的控制變量X和C以外，還加入了外生排他變量即工具變量lnIV。再將第一步估計(jì)的個(gè)體進(jìn)入高認(rèn)知或者高非認(rèn)知能力組的概率代入到基準(zhǔn)回歸模型，見(jiàn)方程(3)：

lnwagei=φ0+φ1lnAIj+φ2abilityj+σlnAIj*abilityi+θability(1,0)i+φ3X3+εi

(3)

其中σ反映人工智能技術(shù)與認(rèn)知能力或非認(rèn)知能力耦合對(duì)工資的作用，結(jié)果見(jiàn)表5。表5中列(1)和(4)是根據(jù)平均值分組后的回歸結(jié)果，列(2)、列(3)、列(5)和列(6)是根據(jù)樣本分位點(diǎn)分組后的回歸結(jié)果。結(jié)果表明，無(wú)論是以平均值分組，還是以不同分位數(shù)點(diǎn)分組，lnAI*cog和lnAI*noncog的系數(shù)均顯著為正，說(shuō)明人工智能技術(shù)與認(rèn)知能力和非認(rèn)知能力均具有較強(qiáng)的互補(bǔ)性，人工智能技術(shù)應(yīng)用能夠給高認(rèn)知能力和高非認(rèn)知能力勞動(dòng)個(gè)體帶來(lái)明顯的工資增長(zhǎng)效應(yīng)，且從系數(shù)大小和顯著性上看，人工智能技術(shù)與非認(rèn)知能力的互補(bǔ)性更強(qiáng)，與基準(zhǔn)回歸結(jié)論一致。

表5 內(nèi)生性檢驗(yàn)2：處理效應(yīng)模型

(三)穩(wěn)健性檢驗(yàn)

本文嘗試用更換變量和縮尾的方法來(lái)進(jìn)行穩(wěn)健性檢驗(yàn)：一是將單位有效工資更換為每月稅后工資，結(jié)果見(jiàn)表6的列(1)和列(2)二是將核心解釋變量更換為2019年的人工智能技術(shù)水平，結(jié)果見(jiàn)表6的列(3)和列(4)。結(jié)果顯示，lnAI*cog和lnAI*noncogn的系數(shù)仍然為正并且顯著，估計(jì)結(jié)果穩(wěn)健；二是考慮到部分工資數(shù)據(jù)、認(rèn)知能力和非認(rèn)知能力值以及人工智能技術(shù)水平可能呈現(xiàn)出過(guò)高或者過(guò)低現(xiàn)象，為了剔除這些異常值對(duì)估計(jì)結(jié)果的可能影響，進(jìn)一步對(duì)上述指標(biāo)進(jìn)行縮尾處理，將落于(1%，99%)、(5%，95%)之外的觀察值分別替換為1%和99%分位、5%和95%分位的數(shù)值，對(duì)縮尾處理后的新樣本重新進(jìn)行回歸，結(jié)果見(jiàn)表7。其中列(1)和列(2)是1%縮尾后的回歸結(jié)果，列(3)和列(4)是5%縮尾后的回歸結(jié)果。估計(jì)結(jié)果與前文相比并未發(fā)生實(shí)質(zhì)性變化，進(jìn)一步支持了本文的結(jié)論。

表6 穩(wěn)健型性檢驗(yàn)1：更換變量

表7 穩(wěn)健性檢驗(yàn)2：縮尾處理

四、異質(zhì)性檢驗(yàn)

(一)不同崗位類(lèi)型

分析人工智能技術(shù)與生產(chǎn)任務(wù)屬性關(guān)系可知，人工智能技術(shù)會(huì)逐漸取代程序化的工作崗位，而非程序化工作崗位或可程序化水平低的崗位通常很難被自動(dòng)化技術(shù)所替代[23]。為了檢驗(yàn)崗位類(lèi)型不同時(shí)人工智能技術(shù)與個(gè)體能力耦合所形成的工資效應(yīng)差異，參照Autor和Cortes 等的分類(lèi)方式[23]，按照職業(yè)的技術(shù)特點(diǎn)將就業(yè)崗位劃分為程式化和非程式化工作。其中，程式化工作是指按照既定流程和規(guī)則，可被程序化的工作任務(wù)，更多出現(xiàn)在農(nóng)、林、牧、漁、水利業(yè)的就業(yè)崗位，或生產(chǎn)、運(yùn)輸、建筑等崗位；非程式化工作是指工作內(nèi)容沒(méi)有統(tǒng)一的范式，在不同的環(huán)境或情形下需要采取不同的應(yīng)對(duì)措施，如教育、管理和營(yíng)銷(xiāo)等崗位。人工智能技術(shù)對(duì)不同職業(yè)類(lèi)型群體收入分配影響的回歸結(jié)果見(jiàn)表8。表8的列(1)和列(2)表明，人工智能技術(shù)與認(rèn)知能力耦合對(duì)從事程式化和非程式化工作的勞動(dòng)者工資，都具有顯著的正向作用，說(shuō)明人工智能技術(shù)與認(rèn)知能力耦合引發(fā)的能力溢價(jià)在兩種職業(yè)類(lèi)型中均存在，但程式化崗位與認(rèn)知能力互補(bǔ)的溢價(jià)效應(yīng)更高。表8的列(3)顯示，人工智能技術(shù)與非認(rèn)知能力耦合的溢價(jià)效應(yīng)只存在于非程式化崗位。這是因?yàn)榉浅淌交ぷ魍ǔｌ`活性和自主性較高，往往需要人機(jī)協(xié)作來(lái)完成，更需要具有較高的非認(rèn)知能力勞動(dòng)者參與，因而在非程式化崗位，人工智能技術(shù)與非認(rèn)知能力可實(shí)現(xiàn)良性互動(dòng)，進(jìn)而形成能力溢價(jià)效應(yīng)。

表8 異質(zhì)性檢驗(yàn)1：職業(yè)類(lèi)型

(二)不同性別差異

事實(shí)上，不同類(lèi)型的生產(chǎn)任務(wù)可能表現(xiàn)出不同的性別偏好且勞動(dòng)者通常也愿意選擇與個(gè)體特征更匹配的工作崗位。一般而言，女性在體力方面存在劣勢(shì)，而在溝通、協(xié)調(diào)等人際互動(dòng)方面更具優(yōu)勢(shì)。另外，女性具有更突出的情感識(shí)別能力和語(yǔ)言表達(dá)能力，因而不同性別勞動(dòng)個(gè)體就會(huì)選擇與性別更匹配的工作崗位。而人工智能技術(shù)引致勞動(dòng)者能力需求變化，某些智能化工作崗位表現(xiàn)出更適合女性就業(yè)的特性，那么可能為這一領(lǐng)域女性發(fā)揮其性別優(yōu)勢(shì)創(chuàng)造更大的空間，進(jìn)而有助于縮小性別工資差距[29]。換言之，人工智能技術(shù)替代常規(guī)任務(wù)如傳統(tǒng)需要體力或高危險(xiǎn)性的崗位，進(jìn)而減少男性就業(yè)。而智能化環(huán)境創(chuàng)造出更適合發(fā)揮女性性別優(yōu)勢(shì)的非常規(guī)性任務(wù)崗位，使得從事這類(lèi)非常規(guī)任務(wù)的女性工資增長(zhǎng)進(jìn)而縮小性別收入差距[30]。表9給出了不同性別群體的人工智能技術(shù)與認(rèn)知能力和非認(rèn)知能力互補(bǔ)性的回歸結(jié)果。由表9的列(1)和列(2)可以看出，在1%的顯著性水平下，人工智能技術(shù)與認(rèn)知能力交互項(xiàng)(lnAI*cog)的系數(shù)值為0.0191，且在女性群體中顯著，在男性群體中系數(shù)值為0.0097并保持顯著。可以發(fā)現(xiàn)在女性群體中系數(shù)值明顯高于男性，說(shuō)明人工智能技術(shù)與認(rèn)知能力互補(bǔ)所形成的能力溢價(jià)效應(yīng)，在女性群體中更高。由列(3)和列(4)易知，在1%的水平下，人工智能技術(shù)與非認(rèn)知能力交互項(xiàng)(lnAI*noncog)的系數(shù)在女性群體中顯著為0.0465，在男性群體中為負(fù)但不顯著。這是由于人工智能技術(shù)應(yīng)用往往會(huì)替代繁重體力勞動(dòng)，但那些非常規(guī)的交互型的工作任務(wù)還無(wú)法完全由機(jī)器執(zhí)行，往往需要人機(jī)協(xié)作來(lái)完成。而女性在語(yǔ)言表達(dá)、親和、細(xì)心、耐性和社交等非認(rèn)知能力方面要高于男性，這些隱形特質(zhì)更易與人工智能技術(shù)環(huán)境互補(bǔ)，有利于提高女性工資收入而形成能力溢價(jià)。

表9 異質(zhì)性檢驗(yàn)2：不同性別

五、基本結(jié)論

本文利用人工智能專(zhuān)利數(shù)據(jù)，結(jié)合最新公布的2020年中國(guó)家庭追蹤調(diào)查數(shù)據(jù)(CFPS)，引入個(gè)體認(rèn)知和非認(rèn)知能力因素，實(shí)證檢驗(yàn)人工智能技術(shù)與認(rèn)知和非認(rèn)知能力耦合對(duì)工資的影響及異質(zhì)性特征。結(jié)果顯示：(1)人工智能技術(shù)與認(rèn)知和非認(rèn)知能力耦合，均有助于提高勞動(dòng)者工資；但人工智能技術(shù)與非認(rèn)知能力耦合形成的能力溢價(jià)效應(yīng)要高于認(rèn)知能力；運(yùn)用工具變量法和處理效應(yīng)模型進(jìn)行內(nèi)生性處理后結(jié)論依然穩(wěn)健。(2)對(duì)于不同崗位類(lèi)型，人工智能技術(shù)與個(gè)體能力耦合的溢價(jià)效應(yīng)不同。人工智能技術(shù)與認(rèn)知能力耦合對(duì)從事程式化和非程式化工作的勞動(dòng)者工資，均具有顯著的正向作用；而人工智能技術(shù)與非認(rèn)知能力耦合的溢價(jià)效應(yīng)只存在于非程式化崗位，原因在于非程式化工作通常靈活性和自主性較高，易于與勞動(dòng)者的非認(rèn)知能力互補(bǔ)而實(shí)現(xiàn)良性互動(dòng)，進(jìn)而形成能力溢價(jià)效應(yīng)。(3)人工智能技術(shù)與認(rèn)知能力、非認(rèn)知能力耦合所形成的能力溢價(jià)效應(yīng)，在女性群體中更明顯。這是由于人工智能技術(shù)應(yīng)用往往會(huì)替代繁重體力勞動(dòng)，但那些非常規(guī)的交互型的工作任務(wù)還無(wú)法完全由機(jī)器執(zhí)行，往往還需要人機(jī)協(xié)作來(lái)完成。而女性在語(yǔ)言表達(dá)、親和、細(xì)心、社交等非認(rèn)知能力方面要高于男性，這些隱形特質(zhì)更易與人工智能技術(shù)環(huán)境融合，更有利于形成能力溢價(jià)，提高女性工資收入。

本文研究結(jié)果表明，認(rèn)知和非認(rèn)知能力對(duì)勞動(dòng)者的收入均會(huì)產(chǎn)生顯著影響，暗示認(rèn)知和非認(rèn)知能力在人工智能技術(shù)影響收入分配過(guò)程中扮演著重要的角色。因此，提高勞動(dòng)者的認(rèn)知和非認(rèn)知能力，是應(yīng)對(duì)人工智能技術(shù)沖擊和縮小社會(huì)收入差距的重要渠道。據(jù)此，本文提出以下建議：首先，鼓勵(lì)個(gè)體提高自我認(rèn)知能力和非認(rèn)知能力，尤其是非認(rèn)知能力。除努力提升自身素質(zhì)如接受更高教育外，個(gè)體還應(yīng)積極參與各類(lèi)社會(huì)活動(dòng)，通過(guò)多元化的實(shí)踐場(chǎng)景提高非認(rèn)知能力。其次，激勵(lì)企業(yè)加大對(duì)員工的能力培訓(xùn)。企業(yè)不僅需要組織常規(guī)技能等培訓(xùn)，同時(shí)也要注重對(duì)勞動(dòng)者的非認(rèn)知能力的培養(yǎng)，關(guān)注員工自信、自尊、成就動(dòng)機(jī)等非認(rèn)知能力，為提高員工的智能化情境適應(yīng)能力創(chuàng)造良好環(huán)境。再次，引導(dǎo)高校優(yōu)化教學(xué)內(nèi)容、教育模式和教育體系。在提高學(xué)生傳統(tǒng)認(rèn)知能力的同時(shí)，注重在嚴(yán)謹(jǐn)性、情緒穩(wěn)定性和外向性等方面提升學(xué)生的非認(rèn)知能力，使學(xué)生能夠較快較好地適應(yīng)新技術(shù)環(huán)境。最后，政府應(yīng)積極營(yíng)造女性公平、公正的就業(yè)與工作環(huán)境。研究表明，人工智能技術(shù)更易于與女性的認(rèn)知能力和非認(rèn)知能力互補(bǔ)而形成能力溢價(jià)，政府應(yīng)注重為女性創(chuàng)造一個(gè)更加公平的職場(chǎng)環(huán)境、更加完善的社會(huì)保障系統(tǒng)，借助于新興技術(shù)縮小性別工資差距，提高社會(huì)平等性。