人工智能技术会促进代际收入流动吗？
——基于CFPS数据库的经验证据

赵 贺 董直庆 钱圆圆

一 引言与文献述评

“普惠”和“共享”理念的普及与深入，引发社会各界对收入不平等问题的关注。中国经济高速增长带来城乡收入稳步提升的同时，伴随而来的收入差距问题不容忽视。根据国家统计局公布的数据，自2003年以来我国基尼系数一直在0.46的水平之上，在全球范围内属于基尼系数较高的国家之一。以人工智能为代表的新兴技术在生产中的广泛应用，可能会重塑劳动力市场需求结构与收入分配格局，同时使父代与子代之间收入流动性发生新变化。因此，学者们研究的热点由收入分配静态不平等问题，开始转向代际收入流动的动态不平等。代际收入流动性是指家庭中子代收入水平所处层级相对父代所处层级的可变化程度。事实上，适度的收入流动性能够焕发劳动力市场活力，提高劳动者人力资本投资积极性，激励劳动者通过个人努力，积累更多的财富并逐步进入更高的收入层级。

关于代际收入流动的研究主要包括：代际收入流动性传导机制、代际收入弹性、代际收入流动的变化趋势以及国别比较等方面。代际流动早期研究可追溯到1979年，Becker和Tomes(1979)[1]构建代际收入传递模型，建立代际传递和收入分配的均衡理论，测算得出美国代际收入弹性系数处于0.2的较低水平，即美国的代际收入流动性较强，拥有较高的社会公平性。Solon(1992)[2]运用美国多年面板追踪数据，指出以往估计代际收入弹性存在偏差，运用父母终身收入的多年平均值来衡量父辈收入，并使用工具变量解决由父辈和子辈收入共同影响因素所导致的内生性问题，测得代际收入弹性为0.3。由于代际收入传递模型中的收入是指持久收入，但持久收入数据难以从调研数据中获取，所以学者开始根据可获得数据运用新指标来测度代际收入流动性。Dahl和DeLeire(2018)[3]运用代际收入秩关联系数，即子辈收入排序和父辈收入排序的关联系数来刻画代际收入流动性。代际收入秩关联系数实质上是运用子辈与父辈持久收入的排序情况去测度代际收入流动性，从而解决了直接使用持久收入测度代际收入流动性所导致的偏差问题。我国学者也针对中国国情对代际收入问题进行了大量研究：一方面，探讨中国代际收入流动的测算问题。方鸣和应瑞瑶(2010)[4]利用CGSS数据和CHNS数据，测得中国2005年的代际收入弹性系数为0.57，即我国父辈与子代的代际收入具有较强相关性。刘李华和孙早(2022)[5]基于CGSS数据和CHIP数据测算得出中国代际收入弹性约为0.46，且代际收入流动性没有表现出恶化趋势。另一方面，分析中国代际收入弹性的变化趋势。何石军和黄桂田(2013)[6]基于2000年、2004年、2006年和2009年CHNS数据测算出中国代际收入流动性呈上升趋势。阳义南和连玉君(2015)[7]利用2006年、2008年、2010年、2012年CGSS和CLDS混合横截面数据研究得出中国代际收入弹性呈下降趋势。胡霞和李文杰(2022)[8]利用CHARLS数据和CHIP数据，运用双样本两阶段最小二乘法，发现中国代际收入流动性呈先增后减，其后又缓慢增大的时间趋势。

那么，影响代际收入流动的因素究竟有哪些？分析已有文献发现，影响代际收入流动的因素主要为以下四种：人力资本投资、先天条件、财富资本和社会环境变化。Mayer和Lopoo(2008)[9]基于美国各州财政教育支出数据，对人均财政教育支出水平进行分组，研究发现相较于人均财政教育支出较低的组，人均财政教育支出水平较高组别的代际收入弹性高出0.17。王学龙和袁易明(2015)[10]实证研究发现教育水平对代际收入流动具有显著负向影响。部分文献从先天基因的角度探讨代际收入流动的变化。Das和Sjogren(2002)[11]运用224个家庭样本数据，包括114个生物学家庭(父子关系为基因遗传学中的血缘父子关系)和109个领养家庭(父子关系不是血缘父子关系)，且领养家庭的父母特征和生物学家庭十分相似，对比研究生物学家庭和领养家庭发现，生物学家庭中子代的收入水平很大程度上取决于他的基因构成。还有文献从资本视角研究代际收入流动的变化。陈琳和袁志刚(2012)[12]基于中国家庭收入调查数据(CHIPS)研究发现，财富资本、人力资本和社会资本能够解释60%以上代际收入流动的变化，即子代的经济收入水平主要取决于代际财富转移的多少。也有文献从社会环境变化的角度分析代际收入流动性。社会环境的变化是指社会制度的进步以及社会经济发展所处阶段的变迁等。孙三百等(2012)[13]研究户籍制度对代际收入流动的影响，发现相比于未迁移者，迁移者的代际收入弹性更大，即户籍制度的存在对代际收入向上流动产生了不利影响。Fan(2016)[14]基于1995年和2002年CHIP数据库研究中国经济转型期的代际收入传递及其传导机制，发现在中国经济转型期前，对低于平均收入水平家庭代际收入传递贡献最大的是父辈工作单位所有权性质，而对高于平均收入水平家庭代际收入传递贡献最大的是家庭所拥有的社会资本；在中国经济转型期后，处于平均收入水平以下家庭的父辈对子代的教育投资加大，使得代际收入向上流动，而平均收入水平以上家庭主要通过家庭所拥有的社会资本来提升子代收入水平。

近年来，技术进步对劳动收入不平等的影响也受到研究者的关注。Autor et al.(2017)[15]运用企业层面数据分析发现，技术进步对企业的影响具有异质性，技术进步对“超级企业”具有选择性偏好，由于“超级企业”的劳动工资增长率低于企业利润增长率，从而降低劳动收入份额。Acemoglu和Restrepo(2018a)[16]研究发现，机器人技术一方面会产生替代效应，使得劳动者工资下降；另一方面会带来生产率效应，对劳动收入产生正面影响，两种效应共同作用于劳动收入份额并最终对其产生负向影响。Graetz和Michaels(2018)[17]基于跨国样本研究认为人工智能技术属于要素扩展型技术，对劳动收入份额的影响取决于资本与劳动的替代弹性。国内部分学者也对技术进步的收入分配效应进行了探讨。王林辉等(2018)[18]构建农业和非农业两部门模型，基于技术进步视角，研究发现有偏型技术进步对劳动收入份额的影响具有产业效应和结构效应，且有偏型技术进步可以解释1/3～1/2的劳动收入份额变化。郭凯明(2019)[19]通过建立多部门动态一般均衡模型，发现人工智能技术对要素收入分配格局的影响取决于人工智能技术与传统生产方式替代弹性的大小。

就本文研究所及，仅有少量文献直接探讨人工智能技术对代际收入流动的影响，如Sachs和Kotlikoff(2012)[20]研究发现机器人应用使得家庭收入能力和储蓄能力下降，进而降低家庭对技能学习和物质资本的投入，导致下一代成员收入降低，且这种不利影响具有代际传递性。Jansson和Karabulut(2021)[21]研究自动化程度提升对家庭金融财富的影响，认为机器人应用加大了部分劳动者的失业风险，使其风险承担能力下降，影响其金融投资决策，并在长期降低其金融收入，即在工作中接触机器人更多的家庭积累的家庭财富更少，这种减少家庭金融财富的影响具有代际传承性，造成家庭代际收入向下流动。实际上，人工智能技术与历次工业技术革命中的蒸汽、电气以及信息技术一样，属于通用目的技术，对生产生活的各个领域都会产生影响(Agrawal et al.，2019)[22]。一方面，人工智能技术是信息技术发展的高阶产物，以机器设备为载体，区别于一般的技能偏向型技术进步，人工智能技术能够直接替代部分劳动岗位，不仅体力劳动者甚至脑力劳动者都有被替代的风险(Frey和Osborne，2017)[23]，同时，人工智能技术的应用也会衍生出新岗位，如人工智能技术训练员等(Acemoglu和Restrepo，2019)[24]。王林辉等(2022)[25]基于中国劳动力动态调查数据，应用机器学习模型测算得出中国19.05%的劳动就业被人工智能技术替代的风险较大，且职业替代风险的高低与任务属性密切相关。Acemoglu和Restrepo(2018b)[26]运用内生任务模型推导得出，自动化技术发展会催生新兴就业岗位，且新兴就业岗位与技能水平较高的劳动力更加匹配。另一方面，人工智能技术作为通用目的型和平台型技术，不仅具备岗位更替的效应，还在更大范围对劳动力迁移产生影响，当劳动者面临人工智能技术的冲击时，劳动力迁移是使劳动者重新获得就业岗位、劳动力市场再次归于均衡的重要推力(Faber et al.，2022)[27]。陈媛媛等(2022)[28]基于中国人口普查微观数据和工业机器人数据，发现伴随人工智能技术推广，中国劳动力出现迁移行为，即工业机器人应用会影响劳动力空间配置。

总体看来，现有文献多关注代际收入流动的影响因素，但缺乏从人工智能技术角度研究代际收入流动性问题的文献。因此，本文基于2010—2016年间四次中国家庭追踪调查(CFPS)数据，构建父辈和子代收入百分位阶层来测度代际收入流动，探讨人工智能技术对代际收入流动性及流动方向的影响，从代际职业流动和劳动力迁移两个方面分析人工智能技术影响代际收入流动的作用机制，并在个体特征和地区特征两个维度下，从个体家庭教育背景、个体性别、个体户籍、地区市场化水平、地区知识产权保护程度和地区财政教育支出水平六个方面，进一步探讨人工智能技术对代际收入流动的异质性影响。相比已有文献，本文的主要贡献如下：第一，与现有研究多采用代际收入弹性指标刻画代际收入流动不同，本文采用子代收入和父辈收入所处百分位阶层来准确衡量代际收入流动性，并探究人工智能技术对代际收入流动方向的影响。第二，基于Python网络爬虫技术，通过搜索相关关键词获取人工智能专利数量，能够更为精准地衡量人工智能技术发展水平。第三，从代际职业流动和劳动力迁移两个方面，探究人工智能技术与代际收入流动之间可能的传导途径。剩余内容结构安排如下：第二部分为计量模型构建、指标设计与数据来源说明；第三部分为实证检验结果分析；第四部分为人工智能技术对代际收入流动的传导机制检验；第五部分为进一步分析；第六部分为结论与政策启示。

二 计量模型构建、指标设计与数据来源说明

(一)计量模型构建

构建如下Probit模型检验人工智能技术对代际收入流动性的影响：

imijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(1)

upimijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(2)

downimijt=α+βaijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(3)

其中，下标i、j、t分别表示个体、地区、时间。式(1)用于检验人工智能技术是否会引发代际收入流动，被解释变量imijt为代际收入流动性，是一个二值变量，当子代收入与父辈收入属于不同分位数等级时取值1，当子代收入与父辈收入属于相同分位数等级时取值0。式(2)和式(3)用于探究人工智能技术导致代际收入流动的方向。其中，式(2)用于检验人工智能技术是否会导致代际收入向上流动，被解释变量upimijt用于衡量代际收入向上流动，当子代收入分位数等级高于父辈时取值为1，低于和等于父辈时取值为0；式(3)用于检验人工智能技术是否会导致代际收入向下流动，被解释变量downimijt用于衡量代际收入向下流动，当子代收入分位数等级低于父辈时取值为1，而高于或等于父辈时取值为0。aijt为核心解释变量人工智能技术，用人工智能专利数量衡量。Zit为个体层面的控制变量，包括子代的年龄、年龄的平方、健康状况、受教育程度，以及父辈的年龄、年龄的平方、受教育程度。Cjt为地区层面的控制变量，包括地区经济发展水平、教育规模、产业结构和对外贸易水平。γj为地区固定效应，ηt为时间固定效应，εijt为随机误差项。

(二)指标设计

1.核心变量指标设计

(1)代际收入流动(imijt)。为衡量代际收入流动性及代际收入的具体流动方向，本文借鉴Ahsan和Chatterjee(2015)[29]的思路，将子代收入和父辈收入按照百分位划分为十个等级，若子代所处收入百分位等级与父辈不相同，则发生代际收入流动，否则为代际收入未流动。同时，若子代所处的收入百分位等级高于父辈，则为代际收入向上流动(upimijt); 若子代所处的收入百分位等级低于父辈,则为代际收入向下流动(downimijt)。

(2)人工智能技术(aijt)。借鉴Popp(2002)[30]的做法，运用与技术相关的专利数量来衡量技术进步，本文运用人工智能专利数量(rpatent)测度人工智能技术这一指标。人工智能专利数量采用Python网络爬虫技术，在中国专利数据库中搜索关键词获取人工智能的相关专利数据，再整理归类到地区层面。此外，本文运用各地区人工智能企业数量的对数(lnind)作为人工智能技术的替换指标，地区层面的人工智能企业数量是在“天眼查”数据库中运用关键词搜索和提取方法整理得到。

2.控制变量

个体层面。子代年龄(age)，由问卷中“请问您的出生日期(年)”这一问题计算得到。子代健康状况(health)，由问卷中“您认为自己的健康状况”这一问题的回答得到，回答“非常不健康”则取值为1，“不健康”取值为2，“比较不健康”取值为3，“一般”取值为4，“健康”取值为5。子代受教育程度(edu)，以问卷中“个人最高学历”这一问题的回答转换为受教育年限来衡量，文盲/半文盲的取值为0年、小学为6年、初中为9年、高中/中专/技校/职高为12年、大专为15年、大学本科为16年、硕士为19年、博士为23年。在模型中不仅控制子代的年龄，也控制了父辈的年龄，这样可以削减年龄增加导致收入增加的效应(Blanden，2013)[31]。父辈年龄(fage)，由问卷中“父亲年龄”这一问题整理得到。陈琳和袁志刚(2012)[12]的研究表明父亲的受教育程度可以反映家庭资本对子代收入的影响。因此，本文也引入父辈的受教育程度(fedu)作为控制变量，以问卷中“父亲最高学历”问题的回答转换为受教育年限后衡量，具体转换取值与子代受教育年限转换相同。

地区层面。控制省级层面各特征对代际收入流动的影响，具体包括：经济发展水平(rgdp)，用各省级地区人均生产总值来测度。教育规模(sedu)，以各省级地区每万人在校大学生数衡量。产业结构(industry)，以各省级地区第二产业产值占GDP的比值来测度。对外贸易水平(rfdi)，以各省级地区外商实际投资额的人均值衡量。

(三)数据来源及数据处理说明

本文所用人工智能专利数据是使用Python网络爬虫方法，通过搜索人工智能相关关键词，在中国专利数据库中爬取得到，再将其归类到省级层面。依据《国家新一代人工智能标准体系建设指南》展示的人工智能技术框架，进行Python网络爬虫时所选关键词包含：智能传感器、智能芯片、机器学习、视觉识别、图像识别、语音识别、神经网络、类脑智能运算、智能机器人、新型人机交互等。地区控制变量数据来自《中国统计年鉴》以及各地区统计年鉴。所用微观数据来源于中国家庭追踪调查(CFPS)，该项目由北京大学中国社会科学调查中心实施，是涵盖全国25个省(自治区、直辖市)的连续性调查项目。为满足本文研究变量的选取条件，使用2010、2012、2014和2016共四个年份的调查数据组合而成的混合截面数据。对CFPS原始数据进行如下处理：首先，将“父亲个人问卷中对应的样本编码”与“个人id编码”相匹配，得到子代信息和与之对应的父辈信息样本。然后，鉴于本文研究的问题，筛选出包含子代与父辈收入、年龄、健康状况、受教育程度、职业等信息的已配对样本。最后，剔除父亲已去世以及缺失所需关键变量数据的样本。最终得到有效样本18486份。相关指标的统计特征描述如表1所示。

表1 主要变量描述性统计结果

三 实证检验结果分析

(一)基准回归

表2为人工智能技术对代际收入流动影响的基准回归结果。列(1)和列(2)为采用Probit模型的回归结果，列(3)和列(4)为采用Logit模型的回归结果。其中，列(1)和列(3)未加入地区层面的控制变量，而列(2)和列(4)为考虑地区层面相关控制变量后的回归结果。可以发现，人工智能技术对代际收入流动性的影响均显著为正，说明人工智能技术能够促进代际收入流动性的增强，即人工智能技术能够很好地缓解代际收入固化的问题。

表2 基准回归：代际收入流动性

(续上表)

表2说明人工智能技术能够促进代际收入流动性的增强，下面进一步探讨人工智能技术是促进代际收入向上流动还是向下流动。表3为人工智能技术对代际收入流动方向影响的回归结果，列(1)—列(4)为采用Probit模型的结果，且在列(2)和列(4)中加入地区层面控制变量，列(5)—列(8)为采用Logit模型的结果，且在列(6)和列(8)中加入地区层面控制变量。结果表明，人工智能技术对代际收入向上流动的影响均显著为正，说明人工智能技术水平较高地区相对于人工智能技术水平较低地区，子代实现收入阶层高于父辈收入阶层的概率更大。此外，人工智能技术对代际收入向下流动的影响为负，说明人工智能技术抑制了子代收入向下流动。总的来说，人工智能技术使得子代相比于父辈实现收入阶层跃升的可能性增大。

表3 基准回归：代际收入流动方向

(续上表)

(二)稳健性检验

为检验基准回归结果是否稳健，此处采用从“天眼查”数据库中整理获取的各地区人工智能企业数量的对数值(lnind)作为人工智能技术的替换指标。具体的稳健性回归结果见表4，列(1)—列(3)为Probit模型的回归结果，列(4)—列(6)为Logit模型的回归结果，可知人工智能技术对代际收入流动性的影响均显著为正，表明人工智能技术促进代际收入流动性的增强。同时，人工智能技术对代际收入向上流动具有显著正向影响，而对代际收入向下流动具有显著抑制作用。这与基准回归结果一致，再次验证了前文结论。

表4 稳健性检验

(续上表)

(三)内生性检验

考虑到人工智能技术与代际收入流动之间可能存在互为因果关系，这是因为地区人工智能技术的研发和推广会增加对高技能劳动力的需求，在一定程度上提高高技能劳动力的工资水平，而高收入的高技能劳动者往往更符合人工智能技术对相应人才的需求，高技能劳动者又能够促进地区人工智能技术水平的进一步提升。由于在模型中无法控制住同时影响人工智能技术和代际收入流动的全部变量，存在诸如个体先天禀赋、地区优势等难以控制的遗漏变量。因此，本文参考Acemoglu和Restrepo(2020)[32]的思路，采用美国工业机器人渗透度(robosmo)作为人工智能技术的工具变量，具体按照式(4)进行计算。

(4)

其中，robosmojt为美国工业机器人渗透度，Pjc2005为j地区c行业的就业人数与全国c行业总就业人数的比值，robotct为美国c行业工业机器人安装数量，laborj2005为j地区的总就业人数。借鉴Autor和Dorn(2013)[33]的思路，对变量Pjc2005和laborj2005采用滞后五年的取值来衡量。

以测算出的美国工业机器人对中国的渗透度作为中国人工智能技术水平的工具变量。从工具变量的相关性角度分析，依据中国机器人产业联盟(CRIA)数据，在2020年中国工业机器人的累计销量中，外资品牌的工业机器人占据70%以上，说明我国工业机器人应用仍然以进口为主，即其他国家的工业机器人产量会影响到我国工业机器人进口安装数量。由于美国人工智能技术在全球居于领先水平，且工业机器人作为人工智能技术的重要载体，美国工业机器人数量可以部分反映中国人工智能技术的变化情况，即用美国工业机器人渗透度作为中国人工智能技术发展的工具变量满足相关性假设。从工具变量排他性角度分析，美国工业机器人渗透度作为美国人工智能技术的测度指标，不会对中国代际收入流动产生直接影响，只能通过向中国出口机器人的渠道作用于中国人工智能技术，进而影响中国代际收入流动，即工具变量的选择满足外生性条件。

由于完全外生且相关的工具变量通常难以获得，仅使用一种工具变量较难让人信服，因此，本文进一步选取1984年固定电话人均拥有数(histel)作为工具变量来佐证结论的可信度。从工具变量相关性来看，人工智能技术是基于超大量数据资源运行并结合学习策略以实现智能化应用，而数据资源的采集和处理工作均建立在互联网络的基础之上，即信息基础设施水平对人工智能技术研发和推广具有重要影响。从工具变量的外生性来看，自1976年第一根光纤应用以来，我国信息基础设施历经数十年的发展，过往年份的信息基础设施水平对劳动者收入的直接影响已微乎其微，只能通过影响当前的人工智能技术水平来作用于劳动者收入水平，满足工具变量外生性条件。本文借鉴黄群慧等(2019)[34]的研究，选取《中国城市统计年鉴》中1984年各地区固定电话人均拥有数来衡量历史信息基础设施水平，并构造1984年固定电话人均拥有数与时间趋势的交互项(histel)作为工具变量。

IV-Probit模型回归结果如表5所示。列(1)—列(4)是运用美国工业机器人渗透率(robosmo)作为工具变量的结果，其中列(1)为第一阶段的回归结果，表明美国工业机器人渗透率对中国人工智能技术产生正向作用；列(5)—列(8)是运用1984年固定电话人均拥有数(histel)作为工具变量的结果，其中列(5)为第一阶段的回归结果，表明我国1984年固定电话人均拥有数对人工智能技术具有正向影响。由于工具变量第一阶段回归F统计量均大于其临界值，表明本文选取的两个工具变量均与人工智能技术存在强相关性，排除弱工具变量的问题。列(2)—列(4)和列(6)—列(8)分别为两个工具变量的第二阶段回归结果，可知无论以美国工业机器人渗透率还是以1984年固定电话人均拥有数作为工具变量，人工智能技术对代际收入流动性、向上流动、向下流动的影响均显著，且回归系数符号与基准回归一致，佐证了基准回归结果的可信度。

表5 内生性检验

四 传导机制检验

前文分析发现人工智能技术会提升代际收入流动性并推动代际收入向上流动，那么，人工智能技术通过何种路径对代际收入流动产生影响？本部分尝试探讨人工智能技术影响代际收入流动的机制。

(一)人工智能技术促进代际职业流动

人工智能技术的研发和推广大大提升技能职业对相关劳动力的需求。个人收入与个人职业密不可分，个人职业类型对代际收入流动性具有决定性影响，因此，代际职业地位变动是人工智能技术影响代际收入阶层变动的一个途径。要获取代际职业流动情况，就需要对各职业社会地位进行评分，目前被广泛应用的国际社会经济地位指数(ISEI)，是根据职业属性，计算每种职业实际平均工资和所需受教育程度加权平均后的取值。根据张延吉等(2019)[35]的研究，ISEI评分中科学研究类、医疗类、高管类和法务类的职业评分较高，而农业类和服务业类的职业评分较低，较符合我国就业实际情形，故本文选取ISEI指数对各职业社会经济地位进行评分。此外，本文所用CFPS数据库中，对职业的编码方法为国标码，而ISEI评分与国际标准职业分类ISCO编码一一对应，故本文先将CFPS数据库中各职业的国标码转换为ISCO编码，进而得到各职业的ISEI评分。因此，当子代职业社会经济地位评分与父辈职业社会经济地位评分属于不同分位数等级时取值为1，属于相同分位数等级时取值为0，从而获得代际职业流动(om)虚拟变量的取值，构建的中介效应模型如下：

omijt=α+δ2aijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(5)

imijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(6)

upimijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(7)

downimijt=α+β1aijt+β2omijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(8)

表6为代际职业流动这一传导机制的回归结果。列(1)和列(2)为式(5)的回归结果，可知无论是否加入地区层面控制变量，人工智能技术对代际职业流动的影响均显著为正，即人工智能技术会使代际职业流动性增强。列(3)为式(6)的回归结果，加入代际职业流动变量(om)后，人工智能技术的系数相比于基准回归结果(表2)有所减小，由0.6606下降至0.2941，表明人工智能技术通过促进代际职业流动进而影响代际收入流动。列(4)和列(5)分别为式(7)和式(8)的回归结果，可知在加入代际职业流动变量(om)后，相比于基准回归结果(表3)，人工智能技术对代际收入向上流动和向下流动的影响依然显著，且系数绝对值均有所下降，表明人工智能技术通过促进代际职业流动，进而促进代际收入向上流动。

表6 传导机制检验(1)

(二)人工智能技术促进劳动力迁移

孙三百等(2012)[13]认为相比于未迁移人群，迁移人群代际收入向上传递的可能性更大。人工智能技术的推广与应用是否会促使劳动者向生产率水平更高地区迁移？那么，生产率水平更高地区的劳动者工资水平应该更高，劳动力迁移就会提升子代相对于父辈的收入。因此，本文只保留有迁移历史的样本数据，将子女现住地与出生地不同时取值为1，反之为0，从而获得劳动力迁移(move)虚拟变量数据，构建如下中介效应模型进行分析：

moveijt=α+δ2aijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(9)

imijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(10)

upimijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(11)

downimijt=α+β1aijt+β2moveijt+θ1Zit+θ2Cjt+γj+ηt+εijt

(12)

表7为人工智能技术通过促进劳动力迁移这一传导机制作用于代际收入流动的回归结果。列(1)和列(2)为式(9)的回归结果，人工智能技术对劳动力迁移变量的影响显著为正，即在人工智能技术水平更高的地区，发生劳动力流动的可能性更大。列(3)为式(10)的回归结果，表明相较于基准回归结果(表2)，加入劳动力迁移变量(move)后，人工智能技术对代际收入流动性的影响下降为0.4459，证明人工智能技术是通过促进劳动力流动进而影响代际收入流动性。进一步地，列(4)和列(5)分别为式(11)和式(12)的回归结果，表明加入劳动力迁移变量(move)后，人工智能技术对代际收入向上流动和向下流动的影响依然显著，且较基准回归结果(表3)系数绝对值均有所下降，证明了人工智能技术通过促进劳动力迁移，进而对代际收入向上流动产生正向影响。

表7 传导机制检验(2)

五 进一步分析

人工智能技术对代际收入流动性的影响是否存在异质性？本部分按照个体特征和地区特征两个维度，分别从个体家庭教育背景、个体性别、个体户籍、地区市场化水平、地区知识产权保护程度和地区财政教育支出水平六个方面进一步分析人工智能技术对代际收入流动的异质性影响。

(一)个体家庭教育背景

家庭教育背景反映一个家庭的知识文化底蕴，父辈良好的教育水平能够为子代提供较好的生活和教育条件，耳濡目染的家庭文化氛围也对子代的择业和收入产生深刻影响。因此，人工智能技术对代际收入流动性的作用是否因个体家庭教育背景的不同而有所差异？本文取问卷中“父亲最高学历”和“母亲最高学历”中的学历较高者，按照学历水平将样本划分为家庭教育程度较低、家庭教育程度中等和家庭教育程度较高三组。具体地，将父辈最高学历为文盲/半文盲、小学的个体划分为家庭教育程度较低，将父辈最高学历为初中、高中/中专/技校/职高的个体划分为家庭教育程度中等，将父辈最高学历为大专、大学本科、硕士、博士的个体划分为家庭教育程度较高。具体回归结果见表8。列(1)和列(2)为家庭教育程度较低样本组的回归结果，可知人工智能技术对家庭受教育程度较低群体的代际收入向下流动具有显著抑制作用，但对其代际收入向上流动并无显著影响。列(3)和列(4)为家庭教育程度中等样本组的回归结果，可知人工智能技术对家庭受教育程度中等群体的代际收入向上流动具有显著促进作用。列(5)和列(6)为家庭教育程度较高样本组的回归结果，可知人工智能技术对家庭受教育程度较高群体的代际收入向上流动和向下流动均无显著影响。

表8 分组检验：个体家庭教育背景

(二)个体性别及户籍

本文按照问卷中个体对性别及户籍的回答，将样本划分为男性样本组和女性样本组，以及非农户样本组和农户样本组，进行分组检验，具体回归结果如表9所示。列(1)和列(2)为男性样本组的回归结果，列(3)和列(4)为女性样本组的回归结果，可知人工智能技术显著促进了男性的代际收入向上流动，同时抑制男性的代际收入向下流动，但人工智能技术并未对女性的代际收入流动方向产生显著影响。列(5)和列(6)为非农户样本组的回归结果，列(7)和列(8)为农户样本组的回归结果，可知人工智能技术能够促进非农户个体代际收入向上流动，并抑制其代际收入向下流动，而对农户个体的代际收入向上流动和向下流动均无显著作用。

表9 分组检验：个体性别及户籍

(三)地区市场化水平

一般而言，市场化程度较高地区的要素配置效率较高，为人工智能技术的研发与推广创造了有利的市场环境。人工智能技术对代际收入流动性的影响是否因地区市场化水平的高低而有所不同？本文按照樊纲等(2011)[36]的方法测度市场化指数，将样本按照市场化水平取值的前1%—30%、31%—70%、71%—100%划分为市场化水平较低、中等和较高三组，具体回归结果如表10所示。列(1)和列(2)为市场化水平较低样本组的回归结果，列(3)和列(4)为市场化水平中等样本组的回归结果，列(5)和列(6)为市场化水平较高样本组的回归结果，可知人工智能技术对市场化水平较低和中等地区个体代际收入流动的影响均不显著，而对市场化水平较高地区个体的代际收入向上流动具有显著促进作用，并抑制市场化水平较高地区个体的代际收入向下流动。

表10 分组检验：地区市场化水平

(四)地区知识产权保护程度

本文采用地区人工智能专利数衡量人工智能技术，专利数与地区知识产权保护程度密切相关，因此，在不同知识产权保护程度的地区，人工智能技术对代际收入流动的影响是否不同？本文参考许春明和单晓光(2008)[37]对知识产权保护程度的测算方法，将样本按照知识产权保护程度取值的前1%—30%、31%—70%、71%—100%划分为知识产权保护程度较低、中等和较高三组，以分析不同知识产权保护程度下人工智能技术对代际收入流动的异质性作用，具体回归结果见表11。列(1)和列(2)为知识产权保护程度较低样本组的回归结果，列(3)和列(4)为知识产权保护程度中等样本组的回归结果，列(5)和列(6)为知识产权保护程度较高样本组的回归结果，可知人工智能技术发展对知识产权保护程度较高和中等地区个体的代际收入向上流动具有显著正向影响，并对知识产权保护程度较高地区个体的代际收入向下流动具有抑制作用，而对知识产权保护程度较低地区个体的代际收入向上流动和向下流动均无显著影响。

表11 分组检验：地区知识产权保护程度

(五)地区财政教育支出水平

教育投资是劳动者收入水平的重要影响因素，而地区财政教育支出水平直接反映了该地区对教育的重视程度和财政教育投资情况。本文按照各地区一般公共预算支出中的教育支出水平取值的前1%—30%、31%—70%、71%—100%，将样本划分为财政教育支出水平较低、中等和较高三组，以探讨不同财政教育支出水平下人工智能技术对代际收入流动的异质性作用，具体回归结果见表12。列(1)和列(2)为财政教育支出水平较低样本组的回归结果，列(3)和列(4)为财政教育支出水平中等样本组的回归结果，列(5)和列(6)为财政教育支出水平较高样本组的回归结果，可知人工智能技术对财政教育支出水平较高和中等地区个体的代际收入向上流动具有促进作用，并对财政教育支出水平较高地区个体的代际收入向下流动具有抑制作用，而对财政教育支出水平较低地区个体的代际收入向上流动和向下流动作用均不显著。

表12 分组检验：地区财政教育支出水平

六 结论与政策启示

本文基于2010、2014、2016和2018年的CFPS数据，以人工智能专利数表征地区人工智能技术水平，运用Probit模型和Logit模型分析人工智能技术对代际收入流动性及流动方向的作用，并探究人工智能技术影响代际收入流动的传导机制和异质性。结果显示：人工智能技术能促进代际收入流动性的增强并进一步促进代际收入向上流动，这一结果在用人工智能企业数量衡量地区人工智能技术水平时仍然成立。传导机制分析发现，一方面人工智能技术增加对高技能劳动力的需求，使得子代所从事职业的社会评分高于父辈职业的可能性增大，即人工智能技术通过促进代际职业向上流动，使得代际收入向上流动；另一方面人工智能技术促进劳动力流动，而劳动力流动为子代收入阶层高于父辈收入阶层创造了条件和可能性，促进代际收入向上流动。进一步分析发现，人工智能技术对代际收入流动性的作用因个体的家庭受教育背景、性别、户籍以及地区的市场化水平、知识产权保护程度、财政教育支出水平而异。具体地，人工智能技术对家庭教育程度中等人群的代际收入向上流动具有促进作用，而对家庭教育程度较低和较高人群的代际收入向上流动作用不显著；人工智能技术发展促进男性和非农户群体的代际收入向上流动，而对女性和农户群体代际收入向上流动的影响不显著；人工智能技术显著促进了市场化水平较高地区、知识产权保护程度中高地区、财政教育支出水平中高地区个体的代际收入向上流动。

由结论得到的政策启示为：(1)鉴于人工智能技术对代际收入向上流动具有促进作用，政策制定部门应加大对人工智能技术及相关产业发展的支持力度，为促进子代相对于父代收入跃迁营造良好的政策环境。(2)人工智能技术对家庭教育程度较低、女性和农户群体的代际收入向上流动没有显著影响，故而应继续加大教育投资规模，推进教育公平，并关注劳动力市场的弱势群体，使其在就业机会和薪酬上享有同等权利。(3)人工智能技术对代际收入向上流动的积极作用在市场化水平较高、知识产权保护程度较高和财政教育支出水平较高地区具有显著的作用，因此，应继续深入推进市场化改革、完善知识产权保护体系并加大财政教育支出水平，充分释放人工智能技术促进代际收入向上流动的红利。