论文部分内容阅读
摘 要：人工智能被称为人类历史上的第三次科技革命，是引领新世纪科技革命和工业革命的战略技术。本文通过建立两阶段最小二乘回归模型，研究了教育如何影响人工智能的发展，以及人工智能的发展如何影响经济增长。在教育导致劳动力成本攀升的背景下，本文探讨了人工智能对经济增长的影响机理。研究结果表明，教育提高了劳动力成本，促进了人工智能在我国企业中的应用。人工智能的快速发展促进了全社会的技术进步，提高了全要素生产率，促进了资本积累，提高了储蓄率和投资率，最终促进了经济增长。本文认为，各部门应大力推进人工智能的发展，加强人工智能的教育和培训。提供多才多艺的人工智能技术人才，制定有效的支持政策，提供良好的发展环境，确保经济社会的顺利运行。
关键词：人工智能 ;教育; 经济增长; 劳动力成本
引言
人工智能推动整个经济和社会的快速变化，对促进教育改革、经济增长和人民生活水平的提高起着非常重要的作用。我国将人工智能纳入国家战略，高度重视人工智能的发展。一方面，人工智能的发展可以促进教育改革，各种因素的投入增加了劳动力成本，减缓了经济增长;另一方面，随着人工智能应用的增多，人们对人工智能的需求也越来越大。机器人和自动化设备取代更多的劳动力，减少经济活动对劳动力的需求，减轻教育带来的劳动力成本增加对经济增长的负面影响。因此，有必要在劳动力成本上升的背景下，深入研究人工智能与经济增长的互动关系，为相关政策的出台提供参考。
人工智能的发展可能出现负面效果，如对部分传统行业造成冲击，甚至出现破产、失业等现象，导致一部分企业更难应对攀升的劳动力成本（陈秋霖等，2020）。人工智能的出现改变了传统的生产生活形式，本质上对劳动或资本产生偏向替代性（Acemoglu D等，2018）。龚遥等 （2020） 通过随机森林分类器算法预测，未来20年中国59.5%的就业岗位会受到人工智能冲击，且教育程度与职业替代风险呈负相关。然而，这些文献高估了人工智能对劳动力的替代效应，缺乏劳动力市场真正适应智能化改革的思路，新的就业岗位和产业将出现新的平衡。Aghion 等（2017）文献中表明人工智能对劳动的替代性取决于本身的弹性，因而并不意味着人工智能会完全代替劳动。事实上，人工智能技术的应用不仅会破坏传统的就业岗位，还会创造新的就业岗位，维持总就业增长;人工智能的发展也可以成为提高全要素生产率和劳动力需求的有力工具。低收入工作比高收入工作更容易替代，对高技能劳动力的需求增加和对低技能劳动力的需求减少。
本文的学术意义主要表现在三个方面。第一，陈彦斌等（2019）、林晨等（2020）等已有文献中，大都利用的是动态一般均衡模型，对数据的要求对比本文所利用的模型较弱，本文在理论梳理的基础上，引用中国各省实际数据进行定量分析，对教育、人工智能和经济增长之间的关系准确把握。第二， Acemoglu等（2018）等多个文献缺乏人工智能对出生率、平均工资、教育等因素的多方面分析，伍红林（2020）、文博等（2020）等文献主要聚焦于理论上探讨AI背景下教育的现状和未来，缺乏数据分析，也忽略了教育导致劳动力成本攀升这一因素。本文引入了这些变量，从而细致考察人工智能影响的核心机制。第三，本文还考虑了人工智能可以促进经济结构转化升级，优化资本结构，提高实体经济的吸引力，进而加强对经济增长的正面影响。
一、教育对经济增长的影响及人工智能的作用
基于国内外的实际情况和经验，总结了教育对经济增长的主要影响，探讨了人工智能能否降低劳动力成本的增长。为进一步实证分析人工智能及其对经济增长的影响奠定了基础，因为劳动力需求、资本积累和全要素生产率是长期经济增长的主要原因。本文从这三个方面进行了分析。
（一）劳动力需求层面的影响。劳动力是影响生产过程中经济增长的重要因素之一。随着教育的发展，一方面，工资和劳动力成本的提高推动了人工智能的创新;另一方面，随着教育的进步，人工智能技术的应用越来越广泛，教育的发展将进一步推动人工智能在经济中的应用。因此，教育的发展将进一步推动人工智能在经济中的应用，这种推进作用也会随着教育程度的深入而加强。（二）资本积累层面的影响。劳动力成本的增加会降低储蓄率和投资率，降低资本积累率，减缓经济增长。大量的实证研究表明，劳动力成本的增加将有效地降低国民储蓄率，储蓄率的下降必然导致投资率的下降（ 陈彦斌等，2014）。与二者相比，人工智能将提高资本回报率，进而提高储蓄率和投资率，减轻劳动力成本上升的影响，正如教育改革和发展促进了人工智能技术的进步一样，随着人工智能的进步，生产过程的智能化和自动化水平将不断提高。越来越多的生产劳动可以用资本代替劳动力来实现他们的目标，这使得资本在生产过程中比劳动力更重要，投资回报也相应提高。（三）全要素生产率层面的影响。大量国内外文献对劳动力成本增长对技术进步和全要素生产率的影响进行了研究，姜振茂（2016）通过查阅和比较相关文献发现，到目前为止，相关文献的研究没有得出一致的结论。教育影响劳动者的人力资本积累，通过增加企业的劳动力成本和教育培训的公共支出，减少研发投资。劳动力成本的增加不利于技术进步和全要素生产率的提高。另一部分研究认为，教育引导人们更加重视人力资本投资，并鼓励国家改变这种状况。只有促进人工智能的发展，我们才能提高技术进步和全要素生产率，从而削弱劳动力成本上升对经济增长缓慢的负面影响（Bryn，jolfssonet al，2017）。
二、实证分析
近几年来，我国将人工智能视为国家科技竞争的重要参与者，大力投资于智能技术的研究与开发。如图1所示，从2002年到2015年，中国人工智能专利申请数量保持稳定，专利申请数量变化的转折点是2016年，增长率显著提高。利用incoPat平台对人工智能技术专利数据进行分析，研究表明我国是世界上人工智能技术专利申请最多的国家。据日本财经网站统计，2016年后人工智能专利数量达到120%，从2016年到2018年，中国企业人工智能专利数量是美国企业的2.5倍。据文献记载，中国AI研究论文数量大幅增加，2007-2017年增长400%;在范围上，中國人工智能专利主要集中在电子商务、数据检索和语言转换方面，近年来已远远超过美国和日本，在行业中占有重要地位。 （一）数据来源和变量构造
本文利用佰腾网发布的数据集和国家统计局国家数据库中的数据组成面板数据，包括每年30个省市的人工智能专利申请数量。从1985年到2020年，区域和技术，占全国人工智能专利市场的93%。为了匹配不同的数据库数据和相关数据的可用性限制，本文选取2002～2018年我国13个省市的人工智能专利申请数量来描述人工智能的发展和应用，这13个省市分别是北京、上海、广东、天津、江苏、湖北、四川、重庆、安徽、陕西、山东、浙江、湖南，无论从企业规模、政策基础、学术基础和资本环境来看，其人工智能的实力和发展前景都优于其他省市;同时，从国家统计局数据库中相应年份和省的普通小学、初中、高中和大学（由于2011年前无法获得高中毕业生人数的数据，只有在校学生人数），劳动工资、出生率、教育支出、人均GDP和制造业占GDP的比重。
本文关注的因变量是人工智能专利申请数量，数据可以从佰腾网数据库中直接获得。专利申请数量越多，意味着其省市更多的应用人工智能技术，智能化水平越高。本文的关键自变量是教育（JY），定义为：7岁及以上人口所受普通教育的年限总和除以7岁及以上人口总数，公式：JY=（小学*6+初中*9+高中*12+大学*16）/总人数，也就是人口平均受教育年限。这一变量数值越高，表示所在省市的教育水平越高。
如图2所示，人口平均受教育年限越高的省市，相应的人工智能专利申请数量增多，也就是受教育水平越高的省市，智能化程度越高。因此，教育程度与智能化生产水平之间的正相关关系说明教育会促进人工智能的发展，增强中国企业运用人工智能的动机。
本文主要研究教育造成劳动力成本上升对人工智能运用的影响，因此必须控制劳动力工资变量和出生率变量，表1为主要变量的描述性统计。
（二） 回归模型
如图2所示，中国13个省市的教育程度与人工智能申请数量存在明显的正相关性。考虑到其余干扰因素可能造成的这种正相关性，本文引入相关控制变量，分别运用最小二乘法（OLS）模型、固定效应模型和工具变量（IV）模型进行回归，进一步测验教育程度对人工智能发展的影响关系。基准回归模型为：
其中，AIit 是i省市在t年的人工智能专利申请数量，JYit 是i省市在t年的受教育水平，Xit 是包含劳动力工资、出生率、人均GDP在内的一系列控制变量 ，δi是年份层面的固定效应。直接运用受教育水平对人工智能专利申请量进行回归，估计系数可能存在一些不可观测偏误，既影响受教育程度，又影响该省市的智能化生产程度，最终导致产生内生性问题影响回归结果。
本文利用工具变量法解决可能存在的内生性问题。一个好的工具变量一是要与关键自变量有较强的相关性，只通过影响关键自变量这一因素去影响因变量，二是与模型中其他解释变量和随机误差项不相关。为了与本文数据匹配，选取2002-2018年的教育经费作为工具变量。武力婷（2020）利用全国31个省及直辖市2008-2018年间的面板数据，实证检验了教育经费投入和高等教育对创新的影响，结果证明：教育经费和高等教育均可促进区域创新效率，进而提升整体的竞争力。所以2002-2018年的教育经费和教育有很强的相关性，即教育经费通过教育这一关键自变量去影响人工智能。同时，2002-2018年的教育经费与劳动力工资、出生率的相关性较弱。总而言之，这是一个可以利用的工具变量。本文用二阶段最小二乘法模型来估计关键自变量的系数。
（三） 回归结果
1、OLS和IV回归结果
人工智能专利申请数量对教育的OLS估计结果和IV估计结果如表2所示。
模型1：最基础的一元线性回归;
模型 2 ：在模型 1 的基礎上加入年份固定效应;
模型 3 ：进一步控制了出生率、劳动力工资的自然对数和人均 GDP 的自然对数。
模型 4 和模型5 是工具变量法的二阶段最小二乘法预估结果。
从模型1可以看出教育和人工智能专利申请数量之间的相关性在统计意义上是显著的，且教育与人工智能的相关关系呈正相关，代表着教育程度越人工智能推广应用越高。从表中观察得到虽然模型2相较于模型1、模型3的R2有所下降，但并没有降低模型的显著性。模型 3 的结果显示，教育程度每增加1 个单位，人工智能专利申请数量将增加71.735个单位。对比模型1和模型3的估计结果，由于模型3引入了相关控制变量，教育这一关键自变量的系数有所下降，但符号相同R2增加，所以总体来说回归系数比较稳健，引入的控制变量有效。
对比OLS估计和2SLS估计的关键自变量的回归系数，可以看出 IV 估计的系数要偏大一些;以模型5 为例，教育程度每增加 1个单位，人工智能专利申请数量增加66.690个单位，与模型3对比，OLS 回归结果稍微偏小，证明OLS回归中存在的内生性问题，但并不严重，这种偏差倾向于造成低估;此外从劳动力工资的回归系数观察得出富的城市比穷的城市智能化水平高，劳动力工资每增加1个单位，应用人工智能技术和自动化设备的意愿增加83.768个单位，与模型3对比，引入教育经费这一工具变量后，系数显著增加，其原因在于劳动力工资的增加，招工成本相应增加，促使厂商选择人工智能技术应用的动机也增加，且从表中得到人工智能与人均GDP存在极强的正相关关系，核心在于厂商越多的选择人工智能技术经济回报越高，提高全要素生产率和经济产量，有利于扩大再生产和资本积累，引起经济的高速增长。且教育程度越高的城市，GDP越显著。综上所述，无论是 OLS 模型预估估计还是 IV 模型预估，都表明教育程度对于人工智能专利申请数量和人工智能专利申请数量对于人均GDP有显著的正相关性。教育程度越高的城市相对于教育程度低的城市，会更多地选择应用人工智能技术和自动化设备，受教育程度越高，工资越高，应用自动化设备和机器人动机越高，对经济增长的拉动效果也最明显。说明国家应大力发展教育，推动人工智能技术的创新，才能达到经济高速增长的目标。 三、结论
本文通过建立教育和人工智能两阶段最小二乘模型，探讨了在教育导致劳动力成本上升的背景下，教育对经济增长的影响，探讨了人工智能能否消除或减少劳动力成本对经济增长的负面影响，提高对经济增长的拉动效应。研究发现，人工智能能够刺激经济增长，并对劳动力成本的上升做出反应。一是主要提高生产的智能化和自动化水平，增加资本对劳动力的替代，减少生产活动对劳动力的需求;第二，提高劳动报酬率，从而提高储蓄率和投资率，增加资本积累。提高全社会全要素生产率和技术进步，进一步降低劳动力成本对经济增长的负面影响。
实证结果表明，人工智能能够有效地应对教育带来的劳动力成本上升。人工智能技术的发展具有“人为替代”和“脑力替代”的特点。这两个属性可以有效地降低生产活动对劳动力的需求，进而降低招聘成本，从而获得更高的经济效益。中国企业将自发地应用和支持人工智能技术，而不是人力，这将为它们提供扩大再生产的机会。此外，人工智能本身代表着信息和技术的创新。新一代信息技术的普及和应用必然会带来更多的资本积累，资本的深化将导致全要素生产率和劳动生产率的提高。整个社会的技术进步，进一步降低了招聘成本和产品成本，从而提高了对经济增长的贡献率。
四、建议
鉴于此，本文认为，中国可以通过发展人工智能来缓解劳动力成本上涨对经济增长的影响，但对中国经济的贡献更大。实现这一目标并非易事，基于以上研究成果，政府应在产业政策、产业规制、社会保障等方面采取相应的政策措施。大力支持人工智能产业发展，加快人工智能在社会各领域的渗透，充分发挥人工智能的积极作用，有效应对结构性冲击;完善要素市场，克服企业在智能化生产过程中面临的技术和财务问题，积极推动各行业创新，充分发挥价格信号在优化资源配置中的主导作用，引导中国制造商自发选择人工智能技术，减少人工智能技术的负面影响。劳动力成本增加;改革现有的教学观念和培训模式，深化人工智能相关教育培训，为智能化生产提供必要的复合型专业人才，帮助劳动者适应人工智能技术对人才的新要求，加快劳动者的转化，减少技术变革对劳动者失业和就业困难的负面影响;促进人工智能在不同领域和地区的均衡发展，扩大人工智能在各个领域的渗透，创造更多就业机会，减少其结构性影响和收入分配差距扩大的负面影响;提高人工智能在制造业中的比重，由于人工智能与其他行业的互补性强，可以通过促进制造业的发展来提高其他行业的比重。
参考文献：
[1] Acemoglu，D.，Restrepo，P.（2017），Secular Stagnation？ The Effect of Aging on Economic Growth in the Age ofAutomation. American Economic Review. 107（5）：174- 179.
[2] Acemoglu，D.，Restrepo，P.（2018b），Demographics and Automation. NBER Working Paper No.w24421.
[3] Aghion，P， B. F. Jones， and C. I. Jones. Artificial Intelligence and Economic Growth [R]. NBER Working Paper，2017.
[4] DauthW， FindeisenS， SudekumJ， WBnerN， 2017，GermanRobots—The Impact of industrial robots on workers[R]，IABDiscussi on paper.
[5] AgrawalA， McHaleJ， OettlA， 2018， Finding Needles in Haystacks：Artificial Intelligence and Recombinant Growth[R]，NBER Working Paper，No 14024.
[6] KorinekA， StiglitzJ.E， 2017， Aritificial Intelligence and Its Implications for Income Distribution and Unemployment[R]，NBER Working Paper，No 24147
[7]Frey and Osborne，M.A.（2017），The Future of Employment：How Susceptible are Jobs to Computer is Technological Forecasting and Social Change. 114（C）：254- 280.
[8]龔遥，彭希哲。《人工智能技术应用的职业替代效应》，复旦大学社会发展与公共政策学院，上海200433;复旦大学人口与发展政策研究中心，上海200433.
[9]王欣欣，宋金珂，贠晓可，李梦楠，《人工智能时代大学生面临的就业挑战及应对策略》，河南科技大学，河南洛阳，471000，10.13939/j.cnki.zgsc.2020.27.177.
[10]王威，李利珍。《人工智能对当代大学生就业的影响》，濮阳职业技术学院，机电与汽车工程学院，河南濮阳 ，457000，G647.38A 1672-9161（2020）04-0023-04.
[11]陈彦斌 林 晨 陈小亮，《人工智能、老龄化与经济增长》，中国人民大学经济学院18JD790015，2019 年第 7 期.
[12]陈秋霖，许多，周羿。《人口老龄化背景下人工智能的劳动力替代效应》，北京大学，2019年.
[13]刘文博，刘 吉。《人工智能时代高校思想政治教育面临的变革与挑战年》，陕西高校辅导员精品项目G641A ，1007-5968（2020）07-0021-04.
[14]蔡跃洲，陈楠。《中国社会科学院数量经济与技术经济研究所》;中国社会科学院大学 2019.05.001.
[15]武丽婷，《R&D经费、 高等教育与区域创新》，（中央财经大学北京100081），2020年.
[16]彭莹莹，《人工智能技术对制造业就业的影响效应分析》，人力资源管理研究所，2020年.
关键词：人工智能 ;教育; 经济增长; 劳动力成本
引言
人工智能推动整个经济和社会的快速变化，对促进教育改革、经济增长和人民生活水平的提高起着非常重要的作用。我国将人工智能纳入国家战略，高度重视人工智能的发展。一方面，人工智能的发展可以促进教育改革，各种因素的投入增加了劳动力成本，减缓了经济增长;另一方面，随着人工智能应用的增多，人们对人工智能的需求也越来越大。机器人和自动化设备取代更多的劳动力，减少经济活动对劳动力的需求，减轻教育带来的劳动力成本增加对经济增长的负面影响。因此，有必要在劳动力成本上升的背景下，深入研究人工智能与经济增长的互动关系，为相关政策的出台提供参考。
人工智能的发展可能出现负面效果，如对部分传统行业造成冲击，甚至出现破产、失业等现象，导致一部分企业更难应对攀升的劳动力成本（陈秋霖等，2020）。人工智能的出现改变了传统的生产生活形式，本质上对劳动或资本产生偏向替代性（Acemoglu D等，2018）。龚遥等 （2020） 通过随机森林分类器算法预测，未来20年中国59.5%的就业岗位会受到人工智能冲击，且教育程度与职业替代风险呈负相关。然而，这些文献高估了人工智能对劳动力的替代效应，缺乏劳动力市场真正适应智能化改革的思路，新的就业岗位和产业将出现新的平衡。Aghion 等（2017）文献中表明人工智能对劳动的替代性取决于本身的弹性，因而并不意味着人工智能会完全代替劳动。事实上，人工智能技术的应用不仅会破坏传统的就业岗位，还会创造新的就业岗位，维持总就业增长;人工智能的发展也可以成为提高全要素生产率和劳动力需求的有力工具。低收入工作比高收入工作更容易替代，对高技能劳动力的需求增加和对低技能劳动力的需求减少。
本文的学术意义主要表现在三个方面。第一，陈彦斌等（2019）、林晨等（2020）等已有文献中，大都利用的是动态一般均衡模型，对数据的要求对比本文所利用的模型较弱，本文在理论梳理的基础上，引用中国各省实际数据进行定量分析，对教育、人工智能和经济增长之间的关系准确把握。第二， Acemoglu等（2018）等多个文献缺乏人工智能对出生率、平均工资、教育等因素的多方面分析，伍红林（2020）、文博等（2020）等文献主要聚焦于理论上探讨AI背景下教育的现状和未来，缺乏数据分析，也忽略了教育导致劳动力成本攀升这一因素。本文引入了这些变量，从而细致考察人工智能影响的核心机制。第三，本文还考虑了人工智能可以促进经济结构转化升级，优化资本结构，提高实体经济的吸引力，进而加强对经济增长的正面影响。
一、教育对经济增长的影响及人工智能的作用
基于国内外的实际情况和经验，总结了教育对经济增长的主要影响，探讨了人工智能能否降低劳动力成本的增长。为进一步实证分析人工智能及其对经济增长的影响奠定了基础，因为劳动力需求、资本积累和全要素生产率是长期经济增长的主要原因。本文从这三个方面进行了分析。
（一）劳动力需求层面的影响。劳动力是影响生产过程中经济增长的重要因素之一。随着教育的发展，一方面，工资和劳动力成本的提高推动了人工智能的创新;另一方面，随着教育的进步，人工智能技术的应用越来越广泛，教育的发展将进一步推动人工智能在经济中的应用。因此，教育的发展将进一步推动人工智能在经济中的应用，这种推进作用也会随着教育程度的深入而加强。（二）资本积累层面的影响。劳动力成本的增加会降低储蓄率和投资率，降低资本积累率，减缓经济增长。大量的实证研究表明，劳动力成本的增加将有效地降低国民储蓄率，储蓄率的下降必然导致投资率的下降（ 陈彦斌等，2014）。与二者相比，人工智能将提高资本回报率，进而提高储蓄率和投资率，减轻劳动力成本上升的影响，正如教育改革和发展促进了人工智能技术的进步一样，随着人工智能的进步，生产过程的智能化和自动化水平将不断提高。越来越多的生产劳动可以用资本代替劳动力来实现他们的目标，这使得资本在生产过程中比劳动力更重要，投资回报也相应提高。（三）全要素生产率层面的影响。大量国内外文献对劳动力成本增长对技术进步和全要素生产率的影响进行了研究，姜振茂（2016）通过查阅和比较相关文献发现，到目前为止，相关文献的研究没有得出一致的结论。教育影响劳动者的人力资本积累，通过增加企业的劳动力成本和教育培训的公共支出，减少研发投资。劳动力成本的增加不利于技术进步和全要素生产率的提高。另一部分研究认为，教育引导人们更加重视人力资本投资，并鼓励国家改变这种状况。只有促进人工智能的发展，我们才能提高技术进步和全要素生产率，从而削弱劳动力成本上升对经济增长缓慢的负面影响（Bryn，jolfssonet al，2017）。
二、实证分析
近几年来，我国将人工智能视为国家科技竞争的重要参与者，大力投资于智能技术的研究与开发。如图1所示，从2002年到2015年，中国人工智能专利申请数量保持稳定，专利申请数量变化的转折点是2016年，增长率显著提高。利用incoPat平台对人工智能技术专利数据进行分析，研究表明我国是世界上人工智能技术专利申请最多的国家。据日本财经网站统计，2016年后人工智能专利数量达到120%，从2016年到2018年，中国企业人工智能专利数量是美国企业的2.5倍。据文献记载，中国AI研究论文数量大幅增加，2007-2017年增长400%;在范围上，中國人工智能专利主要集中在电子商务、数据检索和语言转换方面，近年来已远远超过美国和日本，在行业中占有重要地位。 （一）数据来源和变量构造
本文利用佰腾网发布的数据集和国家统计局国家数据库中的数据组成面板数据，包括每年30个省市的人工智能专利申请数量。从1985年到2020年，区域和技术，占全国人工智能专利市场的93%。为了匹配不同的数据库数据和相关数据的可用性限制，本文选取2002～2018年我国13个省市的人工智能专利申请数量来描述人工智能的发展和应用，这13个省市分别是北京、上海、广东、天津、江苏、湖北、四川、重庆、安徽、陕西、山东、浙江、湖南，无论从企业规模、政策基础、学术基础和资本环境来看，其人工智能的实力和发展前景都优于其他省市;同时，从国家统计局数据库中相应年份和省的普通小学、初中、高中和大学（由于2011年前无法获得高中毕业生人数的数据，只有在校学生人数），劳动工资、出生率、教育支出、人均GDP和制造业占GDP的比重。
本文关注的因变量是人工智能专利申请数量，数据可以从佰腾网数据库中直接获得。专利申请数量越多，意味着其省市更多的应用人工智能技术，智能化水平越高。本文的关键自变量是教育（JY），定义为：7岁及以上人口所受普通教育的年限总和除以7岁及以上人口总数，公式：JY=（小学*6+初中*9+高中*12+大学*16）/总人数，也就是人口平均受教育年限。这一变量数值越高，表示所在省市的教育水平越高。
如图2所示，人口平均受教育年限越高的省市，相应的人工智能专利申请数量增多，也就是受教育水平越高的省市，智能化程度越高。因此，教育程度与智能化生产水平之间的正相关关系说明教育会促进人工智能的发展，增强中国企业运用人工智能的动机。
本文主要研究教育造成劳动力成本上升对人工智能运用的影响，因此必须控制劳动力工资变量和出生率变量，表1为主要变量的描述性统计。
（二） 回归模型
如图2所示，中国13个省市的教育程度与人工智能申请数量存在明显的正相关性。考虑到其余干扰因素可能造成的这种正相关性，本文引入相关控制变量，分别运用最小二乘法（OLS）模型、固定效应模型和工具变量（IV）模型进行回归，进一步测验教育程度对人工智能发展的影响关系。基准回归模型为：
其中，AIit 是i省市在t年的人工智能专利申请数量，JYit 是i省市在t年的受教育水平，Xit 是包含劳动力工资、出生率、人均GDP在内的一系列控制变量 ，δi是年份层面的固定效应。直接运用受教育水平对人工智能专利申请量进行回归，估计系数可能存在一些不可观测偏误，既影响受教育程度，又影响该省市的智能化生产程度，最终导致产生内生性问题影响回归结果。
本文利用工具变量法解决可能存在的内生性问题。一个好的工具变量一是要与关键自变量有较强的相关性，只通过影响关键自变量这一因素去影响因变量，二是与模型中其他解释变量和随机误差项不相关。为了与本文数据匹配，选取2002-2018年的教育经费作为工具变量。武力婷（2020）利用全国31个省及直辖市2008-2018年间的面板数据，实证检验了教育经费投入和高等教育对创新的影响，结果证明：教育经费和高等教育均可促进区域创新效率，进而提升整体的竞争力。所以2002-2018年的教育经费和教育有很强的相关性，即教育经费通过教育这一关键自变量去影响人工智能。同时，2002-2018年的教育经费与劳动力工资、出生率的相关性较弱。总而言之，这是一个可以利用的工具变量。本文用二阶段最小二乘法模型来估计关键自变量的系数。
（三） 回归结果
1、OLS和IV回归结果
人工智能专利申请数量对教育的OLS估计结果和IV估计结果如表2所示。
模型1：最基础的一元线性回归;
模型 2 ：在模型 1 的基礎上加入年份固定效应;
模型 3 ：进一步控制了出生率、劳动力工资的自然对数和人均 GDP 的自然对数。
模型 4 和模型5 是工具变量法的二阶段最小二乘法预估结果。
从模型1可以看出教育和人工智能专利申请数量之间的相关性在统计意义上是显著的，且教育与人工智能的相关关系呈正相关，代表着教育程度越人工智能推广应用越高。从表中观察得到虽然模型2相较于模型1、模型3的R2有所下降，但并没有降低模型的显著性。模型 3 的结果显示，教育程度每增加1 个单位，人工智能专利申请数量将增加71.735个单位。对比模型1和模型3的估计结果，由于模型3引入了相关控制变量，教育这一关键自变量的系数有所下降，但符号相同R2增加，所以总体来说回归系数比较稳健，引入的控制变量有效。
对比OLS估计和2SLS估计的关键自变量的回归系数，可以看出 IV 估计的系数要偏大一些;以模型5 为例，教育程度每增加 1个单位，人工智能专利申请数量增加66.690个单位，与模型3对比，OLS 回归结果稍微偏小，证明OLS回归中存在的内生性问题，但并不严重，这种偏差倾向于造成低估;此外从劳动力工资的回归系数观察得出富的城市比穷的城市智能化水平高，劳动力工资每增加1个单位，应用人工智能技术和自动化设备的意愿增加83.768个单位，与模型3对比，引入教育经费这一工具变量后，系数显著增加，其原因在于劳动力工资的增加，招工成本相应增加，促使厂商选择人工智能技术应用的动机也增加，且从表中得到人工智能与人均GDP存在极强的正相关关系，核心在于厂商越多的选择人工智能技术经济回报越高，提高全要素生产率和经济产量，有利于扩大再生产和资本积累，引起经济的高速增长。且教育程度越高的城市，GDP越显著。综上所述，无论是 OLS 模型预估估计还是 IV 模型预估，都表明教育程度对于人工智能专利申请数量和人工智能专利申请数量对于人均GDP有显著的正相关性。教育程度越高的城市相对于教育程度低的城市，会更多地选择应用人工智能技术和自动化设备，受教育程度越高，工资越高，应用自动化设备和机器人动机越高，对经济增长的拉动效果也最明显。说明国家应大力发展教育，推动人工智能技术的创新，才能达到经济高速增长的目标。 三、结论
本文通过建立教育和人工智能两阶段最小二乘模型，探讨了在教育导致劳动力成本上升的背景下，教育对经济增长的影响，探讨了人工智能能否消除或减少劳动力成本对经济增长的负面影响，提高对经济增长的拉动效应。研究发现，人工智能能够刺激经济增长，并对劳动力成本的上升做出反应。一是主要提高生产的智能化和自动化水平，增加资本对劳动力的替代，减少生产活动对劳动力的需求;第二，提高劳动报酬率，从而提高储蓄率和投资率，增加资本积累。提高全社会全要素生产率和技术进步，进一步降低劳动力成本对经济增长的负面影响。
实证结果表明，人工智能能够有效地应对教育带来的劳动力成本上升。人工智能技术的发展具有“人为替代”和“脑力替代”的特点。这两个属性可以有效地降低生产活动对劳动力的需求，进而降低招聘成本，从而获得更高的经济效益。中国企业将自发地应用和支持人工智能技术，而不是人力，这将为它们提供扩大再生产的机会。此外，人工智能本身代表着信息和技术的创新。新一代信息技术的普及和应用必然会带来更多的资本积累，资本的深化将导致全要素生产率和劳动生产率的提高。整个社会的技术进步，进一步降低了招聘成本和产品成本，从而提高了对经济增长的贡献率。
四、建议
鉴于此，本文认为，中国可以通过发展人工智能来缓解劳动力成本上涨对经济增长的影响，但对中国经济的贡献更大。实现这一目标并非易事，基于以上研究成果，政府应在产业政策、产业规制、社会保障等方面采取相应的政策措施。大力支持人工智能产业发展，加快人工智能在社会各领域的渗透，充分发挥人工智能的积极作用，有效应对结构性冲击;完善要素市场，克服企业在智能化生产过程中面临的技术和财务问题，积极推动各行业创新，充分发挥价格信号在优化资源配置中的主导作用，引导中国制造商自发选择人工智能技术，减少人工智能技术的负面影响。劳动力成本增加;改革现有的教学观念和培训模式，深化人工智能相关教育培训，为智能化生产提供必要的复合型专业人才，帮助劳动者适应人工智能技术对人才的新要求，加快劳动者的转化，减少技术变革对劳动者失业和就业困难的负面影响;促进人工智能在不同领域和地区的均衡发展，扩大人工智能在各个领域的渗透，创造更多就业机会，减少其结构性影响和收入分配差距扩大的负面影响;提高人工智能在制造业中的比重，由于人工智能与其他行业的互补性强，可以通过促进制造业的发展来提高其他行业的比重。
参考文献：
[1] Acemoglu，D.，Restrepo，P.（2017），Secular Stagnation？ The Effect of Aging on Economic Growth in the Age ofAutomation. American Economic Review. 107（5）：174- 179.
[2] Acemoglu，D.，Restrepo，P.（2018b），Demographics and Automation. NBER Working Paper No.w24421.
[3] Aghion，P， B. F. Jones， and C. I. Jones. Artificial Intelligence and Economic Growth [R]. NBER Working Paper，2017.
[4] DauthW， FindeisenS， SudekumJ， WBnerN， 2017，GermanRobots—The Impact of industrial robots on workers[R]，IABDiscussi on paper.
[5] AgrawalA， McHaleJ， OettlA， 2018， Finding Needles in Haystacks：Artificial Intelligence and Recombinant Growth[R]，NBER Working Paper，No 14024.
[6] KorinekA， StiglitzJ.E， 2017， Aritificial Intelligence and Its Implications for Income Distribution and Unemployment[R]，NBER Working Paper，No 24147
[7]Frey and Osborne，M.A.（2017），The Future of Employment：How Susceptible are Jobs to Computer is Technological Forecasting and Social Change. 114（C）：254- 280.
[8]龔遥，彭希哲。《人工智能技术应用的职业替代效应》，复旦大学社会发展与公共政策学院，上海200433;复旦大学人口与发展政策研究中心，上海200433.
[9]王欣欣，宋金珂，贠晓可，李梦楠，《人工智能时代大学生面临的就业挑战及应对策略》，河南科技大学，河南洛阳，471000，10.13939/j.cnki.zgsc.2020.27.177.
[10]王威，李利珍。《人工智能对当代大学生就业的影响》，濮阳职业技术学院，机电与汽车工程学院，河南濮阳 ，457000，G647.38A 1672-9161（2020）04-0023-04.
[11]陈彦斌 林 晨 陈小亮，《人工智能、老龄化与经济增长》，中国人民大学经济学院18JD790015，2019 年第 7 期.
[12]陈秋霖，许多，周羿。《人口老龄化背景下人工智能的劳动力替代效应》，北京大学，2019年.
[13]刘文博，刘 吉。《人工智能时代高校思想政治教育面临的变革与挑战年》，陕西高校辅导员精品项目G641A ，1007-5968（2020）07-0021-04.
[14]蔡跃洲，陈楠。《中国社会科学院数量经济与技术经济研究所》;中国社会科学院大学 2019.05.001.
[15]武丽婷，《R&D经费、 高等教育与区域创新》，（中央财经大学北京100081），2020年.
[16]彭莹莹，《人工智能技术对制造业就业的影响效应分析》，人力资源管理研究所，2020年.