人工智能、财政职能与中国经济发展质量

杨先明 王志阁

摘 要：在人口老龄化程度日益加深的背景下，作为新一轮科技革命的中坚力量，人工智能能否成为应对人口老龄化的有效手段并为提升我国经济发展质量提供新动能，值得进一步研究。在理论分析人口老龄化背景下人工智能对经济发展质量影响机理及财政职能的调节机制的基础上，采用2011-2019年我国30个省份的省级面板数据进行了实证检验，研究发现：人工智能对我国经济发展质量表现出显著的提升作用，人工智能水平每提高1%，经济发展质量水平就提高0.153%；而且，人工智能能显著缓解人口老龄化对我国经济发展质量的抑制作用，且在人口老龄化越严重的地区，这种缓解作用越明显；财政职能在人工智能对我国经济发展质量的影响中呈现非线性的调节作用，财政支持职能和财政保障职能的调节作用在跨过单一门槛值后分别表现为非线性的逐步增强和逐步减弱的趋势。下一步要充分利用人工智能來应对人口老龄化问题，并将其培育成为实现我国经济高质量发展的新动能。

关键词：人工智能；经济发展质量；财政职能

一、引言

习近平总书记在党的十九届五中全会第一次会议中指出，“发展中的矛盾和问题集中体现在发展质量上。这就要求我们必须把发展质量问题摆在更为突出的位置。”

“十四五”规划明确提出，“十四五”时期经济社会发展要“以推动高质量发展为主题”，同时提出：“瞄准人工智能、量子信息、集成电路等前沿领域，实施一批具有前瞻性、战略性的国家重大科技项目。”此后，习近平总书记更是强调，“我国经济已由高速增长阶段转向高质量发展阶段，迫切需要新一代人工智能等重大创新添薪续力。加强人工智能和产业发展融合，为高质量发展提供新动能。”可见，作为第四次科技革命的核心，人工智能被置于前沿科技的首位，有望成为提升我国经济发展质量的新动能。

一方面，在我国逐步迈向深度老龄化社会 截至2021年，我国65岁及以上人口占比14.2%，按照国际通行标准（超过14%即为深度老龄化社会），我国已进入深度老龄化社会。，劳动力供给不足、劳动成本跃升和新冠肺炎疫情冲击就业和宏观经济增长的背景下，尚处于弱人工智能阶段的人工智能能否成为应对人口老龄化的有效手段以及该如何支持其发展才能使其成长为提升我国经济发展质量的“新动能”？另一方面，以“卢德运动”（Luddite Movement）为代表的各类社会事件（Auto和Salomons，2017）无不印证了“所有提高劳动社会生产力的方法都是以牺牲个体工人利益为代价付诸实施的” （Marx，1867），而人工智能对劳动力的岗位替代会强于以往任何一次工业革命，将加重失业和收入不平等问题，这显然又不利于社会稳定和经济发展质量提升。面对这两方面的矛盾，此时就需要综合发挥政府财政职能为便于分析，本文将政府财政资金中用于“科学技术支出”的部分定义为对人工智能的“财政支持职能”；将用于“社会保障和就业支出”的部分定义为对人工智能的“财政保障职能”。 的作用来协调。那么，在高质量发展主题和人口老龄化背景下，人工智能能否应对人口老龄化对经济发展质量可能造成的不利影响并成为其“新动能”？是否存在地区和老龄化水平上的异质性？其应对机制是怎样的？进而面对上述矛盾，财政职能应更偏向于支持职能还是保障职能？其分别起到怎样的作用？对这些问题展开研究，将为“十四五”乃至更长时期如何利用人工智能应对人口老龄化、如何把握财政对人工智能的支持和保障力度，从而助力经济高质量发展提供重要的实践依据和政策启示。

现有文献针对人工智能展开了大量研究，主要包括人工智能对经济增长和生产率、高质量发展、技术创新、劳动力就业与收入不平等、产业组织等的影响（曹静和周亚林，2018）。与本文相关的研究主要涉及：

其一，人工智能对经济增长和生产率、高质量发展的影响。早期学者主要尝试将人工智能或自动化引入经济增长模型来寻求人工智能对经济增长的影响路径。较早开展尝试的是Hanson（2001）率先利用新古典增长模型估计人工智能对经济的影响，人工智能最终会从互补型转向替代型为主，经济实现快速增长，但其模型未考虑所创造的新工作岗位对经济增长的影响。Acemoglu和Restrepo（2018a）首先对上述缺陷进行了弥补，在Zeira（1998）基于任务模型的基础上引入自动化技术，认为自动化同时具有替代效应和生产力效应（Acemoglu和Restrepo，2018b）。Aghion等（2017）在Zeira（1998）基于任务模型的基础上引入鲍莫尔成本病思想，进一步构建包含人工智能的结构演变模型，指出人工智能会促使更多的资本替代劳动完成任务，可以缓解鲍莫尔成本病，进而促进生产率的提高。

基于这些理论基础，诸多学者通过实证检验肯定了人工智能对经济增长和生产率的促进作用。已有研究发现，计算机化在短期和长期对TFP均呈现显著的正向影响（Brynjolfsson和Hitt，2006），而工业机器人的使用可以使全要素生产率在行业层面提高5%（Kromann等，2011），经济增长率提高约0.37% （Graetz和Michaels，2018）。随着人工智能数据的丰富和指标拓展，针对发展中国家的研究日益增多。部分学者在深入分析人工智能对经济增长（陈彦斌等，2019）影响机制的基础上，从技术升级（杨光和侯钰，2020）、资本结构优化（林晨等，2020）等角度实证检验了人工智能对经济增长的促进作用（程承坪和陈志，2021）。一些学者从要素市场（邵慰和吴婷莉，2022）、产业升级和产业结构优化（耿子恒等，2021）等视角出发进行机制分析和实证检验，认为人工智能对经济高质量发展存在正向影响（唐晓华和迟子茗，2021）或非线性作用（李翠妮等，2022）。

虽然现有大部分文献肯定了人工智能对经济增长或生产率的积极作用，但也有学者持不同意见。Gasteiger和Prettner（2017）通过世代交叠模型，发现机器人的竞争会抑制经济增长；黄旭和董志强（2019）拓展了世代交叠模型，认为资本过度流向使用机器人的部门会加剧收入不平等，最终会使经济发展陷入停滞。而其中起关键作用的是要有与新技术相匹配的教育体系，劳动者技能的缺失会加剧TFP的降低（Acemoglu和Restrepo，2018b）。

其二，人口老龄化背景下人工智能对劳动力市场的影响。诸多学者围绕人工智能与劳动者之间的关系展开研究。部分学者认为人工智能与劳动者之间存在互补关系，人口老龄化越严重的国家和地区，越倾向于率先采用人工智能（机器人）进行生产活动（Acemoglu和Restrepo，2017），用以弥补劳动力不足对经济增长产生的不利影响（Abeliansky 和Prettner，2017）。人工智能可以通过减少生产所需劳动力、提高资本回报率和全要素生产率等多种途径来弱化人口老龄化对经济增长（陈彦斌等，2019；林晨等，2020）、经济高质量发展的不利影响（李翠妮等，2022）。邓洲（2016）、吕洁等（2017）的研究也肯定了工业机器人和劳动力之间存在互补关系。邓悦和蒋琬仪（2022）则认为智能化转型会通过提高企业劳动力教育多样性和来源地多样性，进而推动企业创新。与此相反，相当一部分学者认为人工智能与劳动者之间呈现替代关系。为了降低人口老龄化对生产活动的冲击，企业将更多地投入机器人以替代劳动（Acemoglu和Restrepo，2018b），且对劳动者的替代将占主导地位（Hanson，2001），但Gregory等（2016）则认为工业机器人会带来就业的净增长。进一步的现有研究对替代作用的影响效果也尚未达成一致意见。郑秋霖等（2018）认为人工智能是应对人口老龄化的重要工具，且与劳动力之间是“补位式替代”，从而有助于人口老龄化背景下的经济发展。尽管对现有岗位的替代比例仍存在较大分歧，但更多的研究则认为人工智能和自动化存在导致劳动者大面积失业的风险（Frey和Osborne，2017；黄旭和董志强，2019），进一步加剧收入不平等（Decanio，2016；王林辉等，2020）。

面对上述研究人工智能对经济增长或生产率的促进与人工智能可能加重失业和收入不平等的矛盾，肖涵和葛伟（2021）深入分析了财政职能对人工智能带来的经济奇点临界值的影响，并通过数值模拟发现政府投资规模和再分配规模分别与经济奇点临界值呈现“U”形和“倒U”形关系，即会影响经济奇点时间节点到来的时间。

总体来看，上述研究为本文提供了一定的基础和启示，但仍存在一些不足：第一，视角缺失问题。虽然有学者已经关注到从财政职能入手考虑对人工智能带来的经济奇点临界值的影响，但尚未发现从财政职能视角针对人工智能对经济发展质量的影响展开研究的文献。第二，指标衡量问题。现有研究对人工智能和经济发展质量指标的衡量，存在指标选取单一、过程指标和结果指标混合使用的问题。第三，测度方法问题。现有文献在采用面板熵值法进行指标测度时往往忽略了时间因素，分年测度的方法导致每个基础指标每年的权重并不一致，从而影响指标测度结果的科学性。对此，本文在深入分析人口老龄化背景下人工智能对我国经济发展质量的影响机理，并针对上述矛盾从财政职能视角分析其在人工智能对经济发展质量影响中的调节机制的基础上，慎重选取并重新测度人工智能和经济发展质量指标，采用2011-2019年我国30个省份的省际面板数据，实证检验人工智能及其与人口老龄化交互项对我国经济发展质量的影响并对财政职能调节機制进行检验，进而根据所得结论提出针对性建议。

本文力求在以下三个方面有所贡献：第一，研究视角上，本文在理论分析并实证检验人口老龄化背景下人工智能对我国经济发展质量的影响基础上，进而着重从财政职能这一新视角，分析并实证检验财政职能在人工智能对我国经济发展质量影响中的调节作用，从而为如何缓和上述矛盾找到突破口，这既丰富了人工智能与经济发展质量的研究视角，也为“十四五”乃至更长时期如何把握财政对人工智能的支持和保障力度、实现经济发展质量提升提供了重要的实践依据和政策启示。第二，指标衡量上，在充分考虑人工智能和经济发展质量指标选取可能存在重复性和共线性问题的基础上，删除了经济发展质量指标体系中的电信设施水平等基础指标，重新选取并衡量了两大指标，尤其是特别注意从结果层面选取经济发展质量指标，以避免高投入对低产出的掩盖问题，为实证结果的科学性提供了基础。第三，测度方法上，进行了科学审慎的改进，进而对所借鉴的杨丽和孙之淳（2015）熵值法测度步骤中的错误进行了改进具体改进见后文 “测度方法”部分脚注。，使得指标体系得分更加合理、实证结果更加可信。

后文结构安排如下：第二部分为理论分析与研究假设；第三部分为计量模型构建、指标选取与数据说明；第四部分为实证检验与结果分析；第五部分为机制检验；第六部分为结论与启示。

二、理论分析与研究假设

（一）人口老龄化背景下人工智能对经济发展质量的影响

劳动力成本优势给我国带来了长期的增长奇迹，但随着我国劳动力供给刘易斯拐点的出现（蔡昉，2009），“人口红利”式微，我国已步入老龄化社会据国家统计局数据，1999年我国60岁及以上人口占比为10.97%；2000年65岁及以上人口占比达到了7%，按照联合国对人口老龄化界定的标准（旧标准为60岁及以上人口占比超过10%；新标准为65岁及以上人口占比超过7%），我国已在1999年或2000年左右步入老龄化社会。。劳动力供给端乏力的情形下，可以从需求端着手寻求应对之策。已有文献研究表明，一个国家的人口老龄化越严重，越倾向于更早、更多地投入使用人工智能从事生产活动（Acemoglu和Restrepo，2017），以替代劳动从而减少人口老龄化对生产活动的冲击影响（Acemoglu和Restrepo，2022）。可见，人工智能作为新一轮科技革命的核心变革力量，在一定程度上成为应对人口老龄化、促进经济发展质量提升的有效手段。

首先，针对人口老龄化导致的劳动力供给不足，人工智能可以实现生产过程的自动化和智能化，实现比机械自动化替代幅度更大范围的劳动力替代这符合马克思主义唯物史观，生产力作为人类社会最活跃的元素，生产力跃升会改变劳动力与生产资料结合的方式，而以人工智能为代表的第四次科技革命弱化了生产过程中劳动者与传统生产资料之间不可分割的关系。，并提升生产效率和产品质量。此外，人工智能还会创造出新的行业部门及新的就业岗位（孟浩和张美莎，2021），促使劳动力为适应新的岗位需求提升自身素质，实现整体人力资本质量的提升和结构的升级，形成“创造性补偿”效应，这都有利于实现我国经济发展质量提升。

其次，针对人口老龄化造成的储蓄率和投资率下降，人工智能对劳动力的替代会大幅减少养老和医疗保障资金支出，促进储蓄增加和投资率提高。此外，人工智能会抑制资本边际报酬递减，提升投资意愿；人工智能会促使更多的生产任务由资本替代劳动来完成，资本密集型会带来更高的资本回报率（陈彦斌等，2019），进一步实现全社会投资率的提升，助力我国经济发展质量提升。

最后，针对人口老龄化对技术创新和全要素生产率的不利影响，养老和医疗保障资金支出的减少会减少对研发投入的挤出，并且可以提高研发效率、节约研发成本（程承坪和陈志，2021）；虽然由于“新索洛悖论” “新索洛悖论”指人工智能的快速发展与全球全要素生产率不断下降这一事实。，人工智能短期内可能无法实现生产率的显著提升，但长期来看，人工智能通过知识创造和知识溢出等方式实现对技术创新和全要素生产率的提高（Brynjolfsson等，2017）。

另外，人工智能也会作为新的智能资本要素进入经济和社会系统。例如，人工智能产业链的延伸可以带来“人工智能+”新业态并带动相关垂直行业的发展；人工智能与大数据、互联网等技术的融合，可以实现对生产要素和商品需求的精准预测，提高市场运作效率、节约市场运行成本；人工智能还可以通过智能治理模式助力“放管服”改革，提高政府治理效率（程承坪和陈志，2021）。针对以上分析，本文提出假设1和假设2：

H1：人工智能可以促进我国经济发展质量提升。

H2：人工智能可以有针对性地缓解人口老龄化对我国经济发展质量的不利影响。

（二）财政职能在人工智能对经济发展质量影响中的调节作用

人工智能对劳动力的替代并非都是“补位式替代”，也存在相当比例的“挤出式替代”，导致失业和收入不平等问题的加剧，表现为“破坏性替代”效应。具体来说，一方面，人工智能作为重大科技革新，必然会对传统制造业岗位带来巨大冲击，成为就业市场和整个社会的重大不稳定因素（韩民春等，2020）；另一方面，资本往往掌握在少数人手中，更多的资本替代劳动会加剧收入不平等。人工智能所导致的失业和收入不平等问题会导致消费下降和经济活力不足，造成产能过剩（肖涵和葛伟，2021），显然不利于我国经济发展质量提升。此时，就需要政府发挥财政保障职能，加大就业和社会保障支出，加大收入再分配力度，并积极引导失业者转岗再就业，从而促进社会消费，实现经济良性循环和经济发展质量提升。

当前，人工智能正处于弱人工智能阶段，需要在人工智能相关的5G网络、大数据中心等“新基建”方面进行大量公共建设投资，这显然不是一般企业所能承担的。这就需要政府利用财政支持职能进行集中的投资攻关，以引导资金流向，加大对重点领域和龙头企业的支持力度，同时也需要国家注重人工智能所需的紧缺人才的培养，从而加快人工智能的发展，发挥人工智能对经济发展质量的提升作用。

可见，无論是弱人工智能阶段的发展现状，还是为了应对人工智能所导致的失业和收入不平等问题，都离不开财政职能作用的发挥。然而，政府的财政能力毕竟是有限的，必然需要在财政支持职能和财政保障职能之间寻找平衡点，不同的财政支持职能和财政保障职能水平倾向下，人工智能对我国经济发展质量的影响程度也必然呈现差异性。据此，本文提出假设3a和假设3b：

H3a：财政支持职能在人工智能对我国经济发展质量的影响中呈现非线性的调节作用。

H3b：财政保障职能在人工智能对我国经济发展质量的影响中呈现非线性的调节作用。

三、计量模型构建、指标选取与数据说明

（一）计量模型设定

1.基准模型和交互效应模型

本文的核心目标是考察人口老龄化背景下人工智能对经济发展质量的影响，同时加入了人口老龄化，结合理论分析和指标选取构建了如下基准模型：

lnYit=α0+β1lnAIit+β2lnOldit+γXit+δi+τt+εit（1）

考虑到异方差问题，对所有变量进行取对数处理。其中，i和t分别代表地区和时间，lnYit为被解释变量，表示i省份t年的经济发展质量水平；lnAIit为核心解释变量，表示i省份t年的人工智能水平；lnOldit表示i省份t年的人口老龄化水平；Xit代表一系列控制变量，δi、τt、εit分别表示个体固定效应、时间固定效应及随机误差项。

为验证假设H2，即人工智能能否有针对性地缓解人口老龄化对我国经济发展质量的不利影响，参考左鹏飞（2020）的经验，在式（1）的基础上加入二者的交互项lnAIit×lnOldit，构建交互效应模型：

lnYit=α0+β1lnAIit+β2lnOldit+β3lnAIit×lnOldit+γXit+δi+τt+εit（2）

2.财政职能的调节效应模型

基于理论分析和研究假设财政职能在人工智能对经济发展质量影响中的调节作用，本文首先分别构建包含人工智能与财政支持职能交互项（lnAI×lnFinsup）和人工智能与财政保障职能交互项（lnAI×lnFinsec）的线性交互效应模型：

lnYit=α0+β1lnAIit+β2lnFinsupit+β3lnAIit×lnFinsupit+γXit+δi+τt+εit（3）

lnYit=α0+β1lnAIit+β2lnFinsecit+β3lnAIit×lnFinsecit+γXit+δi+τt+εit（4）

财政职能的调节作用可能是非线性的，借鉴海本禄等（2020）的经验做法，在模型式（3）和式（4）的基础上，分别加入人工智能与财政支持职能平方项的交互项（lnAI×lnFinsup2）和人工智能与财政保障职能平方项的交互项（lnAI×lnFinsec2），从而建立非线性交互效应模型：

lnYit=α0+β1lnAIit+β2lnFinsupit+β3lnAIit×lnFinsupit+β4lnFinsup2it+β5lnAIit×lnFinsup2it+γXit+δi+τt+εit（5）

lnYit=α0+β1lnAIit+β2lnFinsecit+β3lnAIit×lnFinsecit+β4lnFinsec2it+β5lnAIit×lnFinsec2it+γXit+δi+τt+εit（6）

进一步考察财政职能的调节作用可能存在的区间差异。鉴于Hansen（1999）提出的非线性门槛面板模型使门槛区间的划分内生化，避免人为划分偏误，本文借此分别构建以财政支持职能和财政保障职能为门槛变量，以人工智能为门槛效应变量的门槛面板模型，以考察不同财政职能水平门槛值下人工智能对经济发展质量的影响差异：

lnYit=α0+β1lnAIitI（lnFinsupit≤φ）+β2lnAIitI（lnFinsupit>φ）+γXit+εit（7）

lnYit=α0+β1lnAIitI（lnFinsecit≤φ）+β2lnAIitI（lnFinsecit>φ）+γXit+εit （8）

式中，lnFinsupit和lnFinsecit分别表示财政支持职能和财政保障职能，I（·）为指示函数，φ为待估计的门槛值，β1、β2为不同门槛区间的影响系数，其他变量含义同基准模型式（1）。

（二）变量选取与说明

1.被解释变量

中国经济发展质量（Y）。以往仅以人均GDP（陈诗一和陈登科，2018）衡量经济高质量发展的做法难免有失偏颇，越来越多的学者通过经济高质量发展内涵构建多维指标体系对经济高质量发展予以测度。高质量发展是为应对社会主要矛盾变化，为满足“美好生活需要”和解决“不平衡不充分发展”问题而提出的，而贯彻新发展理念是实现高质量发展的必然要求和评判准则，并考虑到在社会主义初级阶段“以交换价值所体现的市场经济的工具理性机制仍然具有重要意义”（金碚，2018）。因此，对经济高质量發展的测度也应是在一定发展总量基础上并集中体现创新、协调、绿色、开放、共享五大发展理念的，本文主要基于五大发展理念，并借鉴徐志向和丁任重（2019）、吕承超和崔悦（2020）的经验做法，结合数据可获性，从总量、创新、协调、绿色、开放、共享6个维度选取28个基础指标构建中国省际经济发展质量指标评价体系，并针对现有指标选取时存在的问题进行了优化、创新和改进受李金昌等（2019）的启发，并根据本文需要主要考虑从以下四个方面进行指标优化：（1）经济发展质量应是经济发展结果的体现，为避免过程指标和结果指标混合使用进而可能造成高投入对低产出的掩盖问题，本文主要考虑从结果层面选取指标，剔除政府投资、研发经费投入和研发人员投入等过程指标；（2）坚持少而精的原则，避免过多同类指标进入指标层，同时增加了产业协调等新的指标加以完善指标体系；（3）对产品优等品率、服务产品高级度等数据缺失严重的指标予以删除；（4）考虑到本文是考察人工智能对经济发展质量的影响，为避免重复性和共线性，并未将电信设施水平等电子和软件层面的指标纳入考察。，具体如表1所示。

2.核心解释变量

人工智能（AI）。现有文献对人工智能的度量主要包括以“人工智能”为关键词搜索得到的相关专利数据，信息传输、软件和信息技术服务业城镇单位就业人员占比（程承坪和陈志，2021）或固定资产投资比重（陈志等，2022）以及通过国际机器人联合会（IFR）公布的工业机器人数据（陈秋霖等，2018；韩民春等，2020）等方式，然而单一指标的测度方法往往难以反映出我国人工智能发展的综合水平。本文根据国家工业和信息化部对工业化和信息化融合的指标体系，借鉴孙早和侯玉林（2019）、刘亮等（2020）的研究，主要从人工智能投入和应用层面选取五大基础指标构建综合反映中国省际人工智能发展水平的评价体系，具体如表2所示。

3.人口老龄化和财政职能

人口老龄化（Old）。参考已有文献的经验做法，本文采用65岁及以上人口占比测度人口老龄化（李竞博和高瑗，2022）。

财政职能。财政支持职能（Finsup）和财政保障职能（Finsec）。本文所涉及的两种财政职能主要是针对人工智能发展过程中的“新动能”作用与可能加重失业和收入不平等的矛盾而提出的，因此，本文有针对性地以科学技术支出占地方一般公共预算支出比重来表示财政支持职能（Finsup）（胡晟明等，2021；沈洋等，2022）；以社会保障和就业支出占地方一般公共预算支出比重来表示财政保障职能（Finsec）（邸俊鹏等，2021；杨穗等，2021）。

4.控制变量

地区政府干预（Gov），用地方一般公共预算支出占国内生产总值的比重衡量；外商直接投资水平（Fdi），用外商直接投资总额占国内生产总值的比重衡量（李翠妮等，2022）；资本强度（Cap），用固定资产投资额占国内生产总值的比重衡量（唐晓华和迟子茗，2021）；R&D经费投入强度（RDf），用研发经费支出占GDP的比重衡量；R&D人力投入强度（RDp），用研发人员数占城镇单位就业人员数的比重衡量（吕承超和崔悦，2020）；金融发展水平（Fdl），采用金融机构贷款余额占国内生产总值的比重衡量；市场化水平（Mar），采用王小鲁等（2019）公布的各省份的市场化指数来衡量，由于分省份的市场化指数报告截至2016年，对2017-2019年的市场化指数采用平均增长率予以补充。

（三）数据来源和测度方法

1.数据来源

本文采用2011-2019年我国30个省份的省级面板数据为样本，剔除数据缺失严重的西藏及港澳台地区。相关指标数据来源于《中国统计年鉴》、《中国科技统计年鉴》、《高技术产业统计年鉴》、《中国农村统计年鉴》、《中国电子信息产业统计年鉴》、《中国环境年鉴》、《中国金融年鉴》、《中国贸易外经统计年鉴》《中国分省份市场化指数报告（2018）》及各省份统计年鉴。对部分存在缺失的数据采用均值法进行了补充；为了使各年数据可比，根据指标数据的类型和特点，分别采用2011年为基期的GDP指数、人均GDP指数、GDP平减指数、进出口额指数、居民消费价格指数、商品零售价格指数、固定资产投资价格指数等进行平减，并进行对数化处理。变量的描述性统计如表3所示。

2.测度方法

现有的综合评价方法根据权重确定方式的不同，可分为两类：一类是主观赋权评价法，包括德尔菲法、头脑风暴法等；另一类是客观赋权评价法，包括因子分析法、主成分分析法、熵值法等（郭芸等，2020）。相比于前者，客观赋权评价法可以避免主观因素的干扰，尤其是熵值法通过信息熵原理可以比较客观地确定权重，相比其他客观赋权法也更具合理性（郭显光，1998）。针对现有文献对面板熵值法运用过程中往往忽略时间因素，分年测度的方法导致每个基础指标每年的权重并不一致的弊病，本文参考杨丽和孙之淳（2015）的研究，在具体测算过程中纳入时间因素，并对其计算步骤中的错误其错误体现在步骤（3），由于极差标准化后会产生零值数据，但其未进行非负平移，而后续步骤会进行取对数，这显然存在错误，本文对此进行了修正。进行了修正，使综合评价结果更趋合理。

改进的面板熵值法的具体计算方法和步骤如下：

（1）指标选择：假设有d个年份、m个省份、n个指标，则xθij表示第θ年i省份第j个指标的值。

（2）指标的标准化处理：鉴于直接使用量纲不同的各个指标进行测算会产生较大误差，因此采用极差法进行标准化处理。

其中，xmax和xmin分别表示第j个指标在i个省份θ个年份中的最大值和最小值，即该指标在全部年份的最大值和最小值，x'θij为标准化处理后的指标值。

（3）非负平移：由于极差标准化后会产生零值数据，为便于后续步骤取对数，需要做数据平移。

X'θij=x'θij+0.01（11）

（4）计算指标权重：

（6）计算第j个指标的差异系数：

Dj=1-Ej（14）

（7）计算第j个指标的权重：

基于上述测度方法和步骤，计算出2011-2019年我国30个省份的经济发展质量和人工智能的综合指数，分别如表4和表5所示。

四、实证检验与结果分析

（一）基准回归结果

为考量人口老龄化背景下人工智能对我国经济发展质量的影响，基于基准模型式（1）采用混合OLS回归、GLS回归和固定效应回归对此进行估计。为了降低遗漏变量可能产生的影响，按照“一般到特殊”的建模原则，在混合OLS回归中逐步引入控制变量，考察各个控制变量的冲击影响。表6中模型1～模型8的回归结果显示，人工智能对经济发展质量的影响系数和显著性变化不大，表明回归结果是稳健的，人工智能在1%的水平下显著促进了我国经济发展质量提升，具体来讲，人工智能水平每提高1%，经济发展质量水平提高0.153%，与模型10中的GLS回归结果、模型11的固定效应回归结果是一致的，这验证了假设H1，与现有大部分文献的结论较为一致（李翠妮等，2022）。为初步验证人工智能能否有针对性地缓解人口老龄化对我国经济发展质量的不利影响，利用交互效应模型式（2）重点考察人工智能和人口老龄化交互项（lnAI×lnOld）的系数影响。模型9显示，交互项（lnAI×lnOld）系数（-0.025）仍然为负且不显著，但相比模型8中人口老龄化的影响系数（-0.117）大幅缩小，这一方面表明人工智能在人口老龄化对经济发展质量的负向影响中具有一定的缓解作用，另一方面也说明人工智能的缓解作用可能是非线性的，一定程度上验证了假设H2，通过进一步按照老龄化程度进行分组分析发现详见异质性检验部分“（2）不同老龄化水平下人工智能对经济发展质量的影响”。，人工智能对经济发展质量的提升作用的确随着老龄化程度的加深而增强（陈秋霖等，2018）。

控制变量中，资本强度不利于我国经济发展质量提升，固定资产投资规模的扩大有利于企业规模的扩大，但难以避免结构性问题的出现，对经济发展质量产生不利影响；金融发展水平的提升为企业各方面融资需求提供了便利，促进了我国经济发展质量的提升。

（二）内生性问题处理

首先，针对遗漏变量可能导致的有偏影响，本文已在基准回归中采用逐步引入控制变量的方法验证了回归结果的稳健性；其次，为进一步解决人工智能与经济发展质量之间反向因果关系可能产生的内生性问题，本文采用工具变量法进行解决。

选用解释变量人工智能的滞后一期（韩民春等，2020；程承坪和陈志，2021；韩峰和庄宗武，2022）作为工具变量。人工智能的滞后一期会对当期人工智能产生影响，但当期经济发展质量水平却不会影響到前一期的人工智能水平，且人工智能的滞后一期只能通过影响当期人工智能进而影响当期的经济发展质量水平，满足相关性和外生性两个条件。另一个工具变量选取除本省之外全国其他省份人工智能的平均水平（胡晟明等，2021；孙早和侯玉琳，2021；刘亮等，2020）。本省的人工智能水平必然会受全国其他省份人工智能平均水平的影响，但由于当前人工智能仍处于“弱人工智能”阶段及地方保护和市场分割等问题影响，人工智能的技术外溢条件尚不充分，因此全国其他省份人工智能平均水平对本省的经济发展质量水平没有直接影响或直接影响很小，而只能通过影响本省的人工智能发展来影响本省的经济发展质量水平，这一工具变量的选取同样满足工具变量选取的相关性和外生性要求。

采用两阶段最小二乘法（2SLS）进行估计，回归结果如表7所示。第一阶段的结果显示，人工智能的滞后一期（lnAI_1）在10%的水平下显著促进了当期人工智能发展水平，除本省之外全国其他省份人工智能的平均水平（lnmean_AI）在1%的水平下显著抑制了本省人工智能发展水平。这说明在当前全国人工智能水平一定的情形下，各省之间人工智能的发展主要表现为“竞争”关系，实证检验通过了工具变量的相关性要求。第二阶段结果主要考察工具变量选取的有效性，识别不足检验Anderson-Rubin Wald（F统计量）和不可识别检验Kleibergen-Paap rk（LM统计量）p值为0，弱识别检验Kleibergen-Paap rk Wald（F统计量）远远大于Stock-Yogo 弱识别检验统计量在10%显著性水平下的临界值；过度识别检验（Hansen J统计量）在10%的水平下接受“所有工具变量都是外生的”原假设，所有检验的结果显示本文所选工具变量是有效的。回归结果表明，人工智能的系数在1%的水平下显著为正，人工智能促进了我国经济发展质量提升，在利用工具变量法处理内生性问题后的估计结果与基准回归结果保持一致，说明基准回归结果是稳健的。

（三）稳健性检验

1.替换被解释变量

为了增强模型回归结果的可信度，本文参考陈诗一和陈登科（2018）对经济发展质量的测度方法，将被解释变量经济发展质量的测度指标替换为人均实际GDP。使用该指标重新进行估计的结果如表8列（1）所示，人工智能对经济发展质量的系数在5%的水平下显著为正，表明替换被解释变量指标后，人工智能仍促进了我国经济发展质量提升，基准回归结果是可信的。

2.替换核心解释变量

尽管工业机器人数据在综合反映人工智能水平方面存在一定的局限性，未能体现农业和服务业中人工智能的状况。但据国际机器人联合会公布的数据显示，截至2019年，我国制造业机器人的保有量占所有行业机器人保有量的80%。因此，本文参考Acemoglu和Restrepo（2020）、王晓娟等（2022）的研究，将人工智能指标替换为制造业机器人保有量。表8列（2）显示，重新估计后，人工智能对我国经济发展质量的显著影响与基准回归结果差别不大，再次验证了基准回归结果的可靠性。

3.变量缩尾后再检验

借鉴陈强远等（2020）的经验，对所有指标进行1%的双边缩尾后重新回归，结果如表8所示，所得结果影响程度均有小幅增强，说明基准回归结果的确存在指标异常值影响，但同时验证了基准回归结果的稳健性。

4.异质性检验

（1）不同地区人工智能对经济发展质量的影响

本文将30个省级样本个体按照经验做法进行区域划分东部地区包括北京、天津、河北、辽宁、山东、江苏、浙江、上海、广东、福建、海南，中部地区包括内蒙古、黑龙江、吉林、山西、河南、安徽、湖北、湖南、江西，西部地区包括广西、陕西、甘肃、四川、贵州、重庆、云南、新疆、宁夏、青海。，进一步探讨人口老龄化背景下人工智能对经济发展质量影响的区域异质性。

从表8的分地区再检验结果来看，对东部地区来说，对比人口老龄化及其与人工智能的交互项系数，人工智能可以明显缓和人口老龄化对东部地区经济发展质量的抑制作用，但东部地区人工智能并未对经济发展质量产生显著的正向影响。可能由于虽然东部地区人工智能总体发展水平较高，但由于东部地区凭借区位优势、基础设施及公共服务优势吸引了大量高素质人才，致使东部地区人工智能应用更多偏向于高精尖领域，前期资产投资回报率有限（李翠妮等，2022），且出于对人口老龄化和人工智能的就业冲击效应的应对，财政保障职能分散了一部分的财政资金流向，最终导致人工智能对东部地区经济发展质量的提升作用仍未凸显，这也引发了后文对财政职能偏向的思考和检验。对中部地区来说，人工智能及其与人口老龄化的交互作用对经济发展质量产生的影响与基准回归结论最接近，在较大程度上印证了基准回归结论。相比东部地区，中部地区人才等各方面优势受限，人工智能的提升作用也显得更加迅速。对西部地区来说，人工智能作用则不明显，这可能分别受限于经济发展阶段和国家政策的影响。

（2）不同老龄化水平下人工智能对经济发展质量的影响

基于交互效应模型所得结论，人工智能在人口老龄化对经济发展质量的负向影响中的缓解作用可能是非线性的。因此，本部分首先借鉴沈永建等（2020）的研究，以各省各年人口老龄化程度中位数作为分组标准，将样本划分为高老龄化地区和低老龄化地区，在不同的老龄化分组下验证人工智能对经济发展质量的影响程度差异，检验结果如表9所示。从分组回归结果来看，在两个分组下，人工智能对经济发展质量的影响系数均在1%的水平下显著为正，但从影响系数大小来看，人工智能对高老龄化地区经济发展质量的影响系数（0.165）大于对低老龄化地区经济发展质量的影响系数（0.149），表明人工智能在人口老龄化对经济发展质量的负向影响中的确存在非线性的缓解作用。人口老龄化水平越高的地区，人工智能越能弥补人口老龄化对经济发展质量的不利影响，这验证了假设H3，同时也间接验证了Acemoglu和Restrepo （2017）的结论，人口老龄化越严重的地区，越倾向于使用机器人去替代劳动。

為了验证极端情形下的影响，本文借鉴陈晓等（2022）的做法，进一步按照国际通行标准，将老年人口占比超过14%的地区划为深度老龄化地区，其他地区则为轻度老龄化地区。结果表明，相比于轻度老龄化地区，深度老龄化地区人工智能对经济发展质量的影响系数更大，人工智能对经济发展质量的提升作用随着老龄化程度的加深而增强（陈秋霖等，2018），再次强烈验证了假设H3，人工智能的确存在非线性的缓解作用。

五、机制检验

（一）财政职能的线性调节机制检验——财政支持职能和财政保障职能

假设H3的理论分析表明，财政职能（包括财政支持职能和财政保障职能）在人工智能对经济发展质量的影响中具有重要的调节作用。本文首先根据线性交互效应模型式（3）和式（4）从线性角度展开检验。

线性调节机制的具体检验结果如表10 所示。具体来看，虽然人工智能的影响系数仍然为正，一定程度上验证了基准回归结果的稳健性，但人工智能与财政支持职能交互项系数和人工智能与财政保障职能交互项系数均为负值，且后者的影响系数并未通过显著性检验，这说明财政职能在人工智能对经济发展质量的影响中并非简单的正向调节作用，而可能存在非线性的作用效果。这可能源于财政投入水平本身有限，财政职能必然呈现对某项职能的倾向性，不可能有源源不断的资金流向某一职能，这更加印证了假设H3财政职能非线性调节作用的预设。

（二）财政职能的非线性调节机制检验——财政支持职能和财政保障职能

鉴于前文财政职能线性调节作用检验并不显著，参考温忠麟等（2005）的研究，当自变量和调节变量都是连续变量时，应使用带有乘积项的回归方法，进行层次回归分析。进一步使用非线性交互效应模型式（5）和式（6）进行非线性调节机制检验。

非线性调节机制的具体检验结果如表11所示。在此，重点关注人工智能与财政支持职能平方项的交互项系数和人工智能与财政保障职能平方项的交互项系数。具体来看，人工智能与财政支持职能平方项的交互项系数和人工智能与财政保障职能平方项的交互项系数均为负，分别为-0.038和-0.044，且前者在5%的水平下顯著，后者则未通过显著性水平检验。虽然，财政保障职能的非线性调节作用并不显著，但总体来看，财政支持职能和财政保障职能在人工智能对经济发展质量影响中均呈现“倒U”形调节作用。面对人工智能发展过程中的“新动能”作用与可能加重失业和收入不平等的矛盾，在一定区间内，加大对人工智能的财政支持力度和加大对人工智能可能造成加重失业和收入不平等的财政保障力度，均能显著促进人工智能对经济发展质量的正向作用；但由于政府的财政能力有限，一味地加大财政支持或财政保障而忽视另一方的做法，均会导致人工智能对经济发展质量的作用由正转负，这也印证了理论分析和研究假设中需要在财政支持职能和财政保障职能之间寻找平衡点的观点。

（三）财政职能的门槛效应检验——财政支持职能和财政保障职能

为进一步考察财政职能的非线性调节效应，识别出财政支持职能和财政保障职能的作用区间差异，分别根据门槛面板模型式（7）和式（8）进行门槛效应分析。

表12呈现的是分别以财政支持职能和财政保障职能为门槛变量，通过自抽样（Bootstrap）1000次所得到的门槛值个数和门槛估计值的估计结果。结果显示，财政支持职能和财政保障职能均在5%的显著性水平下通过了单一门槛效应检验，门槛估计值分别为0.0114和0.0837。

表13报告了不同的财政职能门槛值区间下，人工智能对我国经济发展质量水平的影响差异的估计结果。财政支持职能的门槛效应，当财政支持职能水平低于门槛值0.0114时，人工智能的影响系数为0.156，且通过了1%的显著性水平检验；当财政支持职能水平越过门槛值0.0114时，人工智能的影响系数为0.165，同样通过了1%的显著性检验，表明财政支持职能的调节效应是非线性逐步增强的，验证了假设H3a。在当前的弱人工智能阶段，普通市场主体难以承担高昂的人工智能相关“新基建”的投资成本，要想进一步发挥人工智能对我国经济发展质量的提升作用，必须持续加大对人工智能的财政支持力度，引导资金投资流向，优化经济结构，带动经济发展质量提升（肖涵和葛伟，2021）。财政保障职能的门槛效应，财政保障职能水平在跨过门槛值0.0837前后的影响系数均在1%的水平下显著为正，但系数值从0.171减小为0.158，表明财政保障职能的调节效应呈现非线性的减弱趋势，这验证了假设H3b。

可能由于财政保障职能水平的过度提升，一方面会挤压财政对人工智能支持职能所需投资资金，另一方面则会削弱失业者再就业的积极性，且对富人过度征税来筹集再分配资金的做法也会打击其组织生产的积极性，最终弱化人工智能对我国经济发展质量的提升作用，因此必须将财政保障职能水平保持在合理区间。

六、结论与启示

本文在深入分析人口老龄化背景下人工智能对经济发展质量影响机理及财政职能的调节机制的基础上，采用2011-2019年我国30个省份的省级面板数据，通过构建基准模型、线性交互效应模型、非线性交互效应模型及门槛面板模型，多角度实证检验人工智能及其与人口老龄化交互项对我国经济发展质量的影响并对财政职能调节机制进行检验。主要研究结论包括：第一，人工智能对我国经济发展质量表现出显著的提升作用，且呈现明显的区域异质性，人工智能水平每提高1%，经济发展质量水平提高0.153%；人工智能对我国经济发展质量的提升作用仅在中部地区显著。第二，人工智能能显著缓解人口老龄化对我国经济发展质量的抑制作用，东部地区和中部地区均呈现出一定程度的缓解作用；且在人口老龄化越严重的地区，这种缓解作用越明显。第三，财政职能在人工智能对我国经济发展质量的影响中呈现非线性的调节作用，从门槛区间差异来看，财政支持职能和财政保障职能的调节作用在跨过单一门槛值后分别表现为非线性的逐步增强和逐步减弱趋势。

本文的研究结论具有重要的政策启示：第一，各市场主体要深刻认识并充分把握我国不断加深的老龄化背景所带来的机遇与挑战，高擎高质量发展主题，积极应对老龄化问题，明确人工智能在未来前沿科技中的首要位置和在高质量发展中的新动能发展目标。第二，鉴于人工智能可以在劳动力供给、资本回报率提高及全要素生产率提升等角度有针对性地应对人口老龄化对经济发展质量带来的不利影响，因此要增强对人工智能的投资强度，推动人工智能与经济社会各领域深度融合，不断提高传统生产要素对接人工智能的能力，各地区也要根据区域差异，扬长避短，因地制宜地充分发挥人工智能对经济发展质量的提升作用。第三，在当前的弱人工智能阶段，政府部门要不断加大对人工智能的财政支持职能水平，发力“新基建”，引导市场资金投资流向，优化投资结构，提高投资效率；同时，要大力培养高素质创新型人才，组织进行人工智能核心技术公关，突破核心技术瓶颈，实现人工智能产业链的本土化和现代化，将人工智能真正打造为应对老龄化、实现经济发展质量提升的新动能。第四，在不断加大财政支持力度的同时，也要兼顾财政保障职能的作用。不断完善社会保障体系和再分配制度，加大对失业者再就业培训力度，提高其自身素质和转岗再就业的能力；同时要注意将财政保障水平保持在合理区间，既达到应对人工智能带来的短期失业和收入不平等问题可能造成的社会不稳定、消费不足及产能过剩进而对经济发展质量的不利影响，又不会因此造成对财政支持资金的挤出或对失业者再就业积极性的削弱。

参考文献：

［1］ 蔡昉，2009：《未来的人口红利——中国经济增长源泉的开拓》，《中国人口科学》第1期。

［2］ 曹静、周亚林，2018：《人工智能对经济的影响研究进展》，《经济学动态》第1期。

［3］ 陈强远、林思彤、张醒，2020：《中国技术创新激励政策：激励了数量还是质量》，《中国工业经济》第4期。

［4］ 陈秋霖、许多、周羿，2018：《人口老龄化背景下人工智能的劳动力替代效应——基于跨国面板数据和中国省级面板数据的分析》，《中国人口科学》第6期。

［5］ 陈诗一、陈登科，2018：《雾霾污染、政府治理与经济高质量发展》，《经济研究》第2期。

［6］ 陈晓、郑玉璐、姚笛，2022：《人口老龄化、工业智能化与经济高质量发展》，《统计与决策》第6期。

［7］ 陈彦斌、林晨、陈小亮，2019：《人工智能、老龄化与经济增长》，《经济研究》第7期。

［8］ 陈志、程承坪、封立涛，2022：《人工智能是否有助于解决中国经济增长的结构性减速》，《经济问题探索》第2期。

［9］ 程承坪、陈志，2021：《人工智能促进中国经济增长的机理——基于理论与实证研究》，《经济问题》第10期。

［10］ 邓悦、蒋琬仪，2022：《智能化转型何以激发企业创新？ ——基于制造业劳动力多样性的解释》，《改革》第9期。

［11］ 邓洲，2016：《工业机器人发展及其对就业影响》，《地方财政研究》第6期。

［12］ 邸俊鹏、惠浩、张明元，2021：《制度发展指数及演进研究》，《上海经济研究》第9期。

［13］ 耿子恒、汪文祥、郭万福，2021：《人工智能与中国产业高质量发展——基于对产业升级与产业结构优化的实证分析》，《宏观经济研究》第12期。

［14］ 郭显光，1998：《改进的熵值法及其在经济效益评价中的应用》，《系统工程理论与实践》第12期。

［15］ 郭芸、范柏乃、龙剑，2020：《我国区域高质量发展的实际测度与时空演变特征研究》，《数量经济技术经济研究》第10期。

［16］ 海本禄、尹西明、陈劲， 2020：《CEO特征、研发投资与企业绩效》，《科学学研究》第2期。

［17］ 韩峰、庄宗武，2022：《国内大市场、人工智能应用与制造业出口国内附加值》，《世界经济研究》第5期。

［18］ 韩民春、韩青江、夏蕾，2020：《工业机器人应用对制造业就业的影响——基于中国地级市数据的实证研究》，《改革》第3期。

［19］ 胡晟明、王林辉、赵贺，2021：《人工智能应用、人机协作与劳动生产率》，《中国人口科学》第5期。

［20］ 黄旭、董志强，2019：《人工智能如何促进经济增长和社会福利提升？》，《中央财经大学学报》 第11期。

［21］ 金碚，2018：《关于“高质量发展”的经济学研究》，《中国工业经济》第4期。

［22］ 李翠妮、葛晶、赵沙俊一，2022：《人工智能、老龄化与经济高质量发展》，《当代经济科学》第1期。

［23］ 李金昌、史龙梅、徐蔼婷，2019：《高质量发展评价指标体系探讨》，《统计研究》第1期。

［24］ 李竞博、高瑗，2022：《人口老龄化视角下的技术创新与经济高质量发展》，《人口研究》第2期。

［25］ 林晨、陈小亮、陈伟泽、陈彦斌，2020：《人工智能、经济增长与居民消费改善：资本结构优化的视角》，《中国工业经济》第2期。

［26］ 刘亮、李廉水、刘军、程中华，2020：《智能化与经济发展方式转变：理论机制与经验证据》，《经济评论》第2期。

［27］ 吕承超、崔悦，2020：《中国高质量发展地区差距及时空收敛性研究》，《数量经济技术经济研究》第9期。

［28］ 吕洁、杜传文、李元旭，2017：《工业机器人应用会倒逼一国制造业劳动力结构转型吗？——基于1990—2015年间22个国家的经验分析》，《科技管理研究》第22期。

［29］ 马克思、恩格斯，2009：《马克思恩格斯文集：第5卷》，北京：人民出版社。

［30］ 孟浩、张美莎，2021：《人工智能如何影响劳动力就业需求？——来自中国企业层面的经验证据》，《西安交通大学学报（社会科学版）》第5期。

［31］ 邵慰、吴婷莉，2022：《智能化、要素市场与工业经济高质量发展》，《经济问题探索》第2期。

［32］ 沈洋、魏丹琪、周鹏飞，2022：《数字经济、人工智能制造与劳动力错配》，《统计与决策》第3期。

［33］ 沈永建、梁方志、蒋德权、王亮亮，2020：《社会保险征缴机构转换改革、企业养老支出与企业价值》，《中国工业经济》第2期。

［34］ 孙早、侯玉琳，2019：《工业智能化如何重塑劳动力就业结构》，《中国工业经济》第5期。

［35］ 孙早、侯玉琳，2021：《人工智能发展对产业全要素生产率的影响——一个基于中国制造业的经验研究》，《经济学家》第1期。

［36］ 唐晓华、迟子茗，2021：《工业智能化对制造业高质量发展的影响研究》，《当代财经》第5期。

［37］ 王林辉、胡晟明、董直庆，2020：《人工智能技术会诱致劳动收入不平等吗——模型推演与分类评估》，《中國工业经济》第4期。

［38］ 王晓娟、朱喜安、王颖，2022：《工业机器人应用对制造业就业的影响效应研究》，《数量经济技术经济研究》第4期。

［39］ 王小鲁，樊纲，胡李鹏，2019：《中国分省份市场化指数报告（2018）》．北京：社会科学文献出版社，216-223.

［40］ 温忠麟、侯杰泰、张雷：《调节效应与中介效应的比较和应用》，《心理学报》第2期。

［41］ 肖涵、葛伟，2021：《人工智能、财政职能与经济奇点——基于动态一般均衡模型的模拟分析》，《中南财经政法大学学报》第3期。

［42］ 徐志向、丁任重，2019：《新時代中国省际经济发展质量的测度、预判与路径选择》，《政治经济学评论》第1期。

［43］ 杨光、侯钰，2020：《工业机器人的使用、技术升级与经济增长》，《中国工业经济》第10期。

［44］ 杨丽、孙之淳，2015：《基于熵值法的西部新型城镇化发展水平测评》，《经济问题》第3期。

［45］ 杨穗、高琴、赵小漫，2021：《新时代中国社会政策变化对收入分配和贫困的影响》，《改革》第10期。

［46］ 左鹏飞、姜奇平、陈静，2020：《互联网发展、城镇化与我国产业结构转型升级》，《数量经济技术经济研究》第7期。

［47］ Abeliansky， A. and Prettner，K.，2017， Automation and Demographic Change， SSRN Working Paper.

［48］ Acemoglu， D. and Restrepo， P.，2018a， Artificial Intelligence， Automation， and Work， NBER Working Paper 24196.

［49］ Acemoglu， D. and Restrepo， P.， 2022， Demographics and Automation， Review of Economic Studies，89（1）：1-44.

［50］ Acemoglu， D. and Restrepo P.， 2020， Robots and Jobs： Evidence from US Labor Markets， Journal of Political Economy，128（6）：2188-2244.

［51］ Acemoglu， D. and Restrepo P.， 2017， Secular Stagnation？ The Effect of Aging on Economic Growth in the Age of Automation， American Economic Review， 107（5）：174-179.

［52］ Acemoglu， D. and Restrepo， P.， 2018b， The Race Between Machine and Man： Implications of Technology for Growth， Factor Shares and Employment， American Economic Review， 108 （6）：1488-1542.

［53］ Aghion， P.， Jones， B. and Jones， C.， 2017， Artificial Intelligence and Economic Growth， NBER Working Paper.

［54］ Auto， D. and Salomons， A.，2017， Robocalypse Now-does Productivity Growth Threaten Employment？Paper Prepared for the ECB Forum on Central Banking.

［55］ Brynjolfsson， E. and Hitt L. M.，2003， Computing Productivity： Firm-level Evidence， Review of Economics and Statistics，85（4）：793-808.

［56］ Brynjolfsson， E.， Rock， D. and Syverson， C.，2017， Artificial Intelligence and the Modern Productivity Paradox： A Clash of Expectations and Statistics， NBER Working Paper.

［57］ DeCanio， S. J.，2016， Robots and Humans-Complements or Substitutes？ Journal of Macroeconomics，49：280-291.

［58］ Frey， C. B. and Osborne， M. A.，2017， The Future of Employment： How Susceptible are Jobs to Computerisation？ Technological Forecasting and Social Change，114：254-280.

［59］ Gasteiger， E. and Prettner， K.，2017， A Note on Automation， Stagnation， and the Implications of a Robot Tax， Free University Discussion Papers.

［60］ Good， I. J.，1966， Speculations Concerning the First Ultraintelligent Machine， Advances in Computers，6（31）：31-88.

［61］ Graetz， G. and Michaels， G.，2018， Robots at Work： The Impact on Productivity and Jobs， Review of Economic and Statistics，100（5）：753-768.

［62］ Gregory，T.， Salomons，A. and Zierahn，U.，2016， Racing With or Against the Machine？ Evidence from Europe， ZEW-Centre for European Economic Research Discussion Paper.

［63］ Hansen， B. E.，1999， Threshold Effects in Non-dynamic Panels： Estimation， Testing， and Inference， Journal of Econometrics， 93（2）：345-368.

［64］ Hanson， R.，2001， Economic Growth Given Machine Intelligence， Technical Report， University of California， Berkeley.

［65］ Kromann， L.， Skaksen， J. R. and Srensen， A.，2011， Automation，Labor Productivity and Employment—a Cross Country Comparison， CEBR，Copenhagen Business School Working Paper.

［66］ Zeira， J.，1998， Workers， Machines， and Economic Growth， Quarterly Journal of Economics， 113（4）：1091-1117.

Artificial Intelligence， Financial Function， and the Quality of China’s Economic Development

Yang Xianming1 and Wang Zhige2

（1.Development Research Institute， Yunnan University;2.School of Economics， Yunnan University）

Abstract：With the deepening of population aging， as the backbone of a new round of technological revolution， whether artificial intelligence can become an effective means to address population aging and provide new driving force for improving the quality of China’s economic development is worth further research. On the basis of theoretical analysis of the impact mechanism of artificial intelligence on the quality of economic development and the regulatory mechanism of fiscal functions in the context of population aging， an empirical test was conducted using provincial-level panel data from 30 provinces in China from 2011 to 2019. The study found that artificial intelligence has a significant improvement effect on the quality of economic development in China. For every 1% increase in artificial intelligence level， the quality of economic development level increases by 0.153%; Moreover， artificial intelligence can significantly alleviate the inhibitory effect of population aging on the quality of China’s economic development， and in areas with more severe population aging， this mitigating effect is more pronounced; The fiscal function exhibits a non-linear regulatory effect in the impact of artificial intelligence on the quality of China’s economic development. The regulatory effects of fiscal support function and fiscal security function show a non-linear trend of gradually increasing and gradually decreasing after crossing a single threshold. The next step is to fully utilize artificial intelligence to address the issue of population aging and cultivate it as a new driving force for achieving high-quality economic development in China.

Key Words： artificial intelligence; the quality of economic development; financial function