人工智能技术对制造业资本溢价与技能溢价影响的区域异质性研究

魏 巍

（嘉兴南湖学院，浙江 嘉兴 314000）

劳动收入是国民总收入的重要组成部分，是逐步实现全体人民共同富裕的重要内容。党的二十大报告指出，要不断提高最低工资水平，这是扩大劳动收入在初次分配中的比重的制度安排。报告还提出，鼓励勤劳致富，也是强调劳动的重要性以及劳动收入的重要性。这是基于我国劳动收入份额占比偏低的现状提出来的。自20 世纪90 年代以来，中国劳动收入份额出现下降趋势。资本溢价和技能溢价等问题开始成为国内外学术研究的热点。伴随着人工智能的发展，资本溢价和技能溢价问题逐渐变得尖锐起来，这在发达国家的经济发展中尤其突出。多数学者的研究证实人工智能的发展更加有利于资本和部分高技能劳动者，会加大劳动收入的不平等（Acemoglu 和Restrepo，2018；
王林辉等，2022）。美国的统计数据显示，自动化和人工智能的应用使得美国的劳动收入份额自1929 年开始下滑，最大跌幅高达8.71%（Sebastian，2017）。在经济快速发展的10 个扩张阶段，美国前10%的人口收入份额占比持续增加，从早期的20%上升到120%，后90%的人口收入份额占比持续下跌，劳动收入分化明显，技能溢价凸显（Pavlina，2014）。作为科技革命的最新物化技术成果，人工智能的应用已经在中国呈现出强劲的发展势头，如何在人工智能发展背景下，优化劳动收入份额，缩小区域间收入分配差距是当代社会发展面临的重大课题（蒙昱竹等，2022）。制造业作为拉动我国经济增长的龙头产业，首当其冲的受到人工智能带来的影响，尤其是低技能劳动岗位在制造业各行业中占比较高，人工智能技术的应用所带来的冲击更加明显。因此，我们有必要探求资本溢价与技能溢价的形成原因及发展特点，为我国人工智能的发展方向提供参考。

综合国内外研究文献，对于资本溢价即劳动收入份额占比下降的原因，很多学者从人工智能对劳动力就业影响的角度来回应。多数研究表面，在人工智能发展的初级阶段，自动化的应用对劳动力的替代作用成为发展的主旋律。大量的低技能劳动岗位被自动化所取代，导致劳动力占比下降，劳动收入份额持续下跌，这种现象在发达国家尤为显著，Richard 和John（2017）的研究报告显示，预计到2030 年，美国、德国、英国和日本的工作岗位被自动化替代的潜在风险将分别达到38%、35%、30%和21%，甚至有学者测算的美国人工智能技术替代水平更高，达到45%或47%（James 和Michael，2011；
Frey 和Michael，2017）。有学者研究发现资本份额会随着自动化水平的提高而不断增加，原因是自动化的大规模应用将导致资本需求的上升，资本的不断深化积累会降低劳动收入份额，这从侧面解释了资本溢价的成因（Acemoglu 和Restrepo，2018；
刘凤良等，2022）。但随着人工智能应用的普及，一些岗位被自动化替代的同时，也会创造一些新的岗位出来（魏巍，2022），但新岗位需要新技能与之相区配，会对人工智能替代劳动产生制衡，短期内会有就业结构的失衡，但长期来看，会对劳动力就业结构进行新的调整（孙早和侯玉琳，2019；
王文，2020）。因此，随着新岗位的补充，劳动收入份额下降的趋势后期可能会被人工智能的应用所缓解，但劳动收入份额的不平等现象可能更加突出（王林辉等，2020）。

对于技能溢价即高技能劳动者收入高于低技能劳动者的原因，众多学者从不同角度进行了研究。Acemoglu（2002）指出偏向型技术进步是导致就业结构调整的根本原因，就业结构的调整导致高技能劳动力需求的增加，进而加剧了劳动收入的不平等，具体表现为高技能和低技能就业岗位的增加，中等技能就业岗位的流失。David 和Olsen（2015）从另一个角度给出解释，认为自动化的应用导致低技能劳动力实际工资的停止甚至下降，进而拉大了技能溢价。两位学者的共同点是都将技能溢价归结于是技术进步的结果，但也有学者认为技能溢价产生的根源是教育的不平等（Arntz et al，2016）。低学历劳动者往往从事重复性较强的工作，更加容易被自动化所取代，高学历劳动者从事的工作技能水平更高，不易被取代，且高学历劳动者的接受能力更强，更容易掌握新的技术。教育不平等所带来的影响不仅限于当代劳动者，往往会延续到后代，高学历的家庭更容易对子女教育形成天然的优势（杜传忠和王飞，2015）。

上述成果为本文的研究奠定了基础，本文的创新点和研究意义体现在：第一，基于偏向型技术进步视角，构建资本溢价和技能溢价内生模型，数理分析演绎人工智能技术带来的影响，根据推导结论提出人工智能对资本溢价和技能溢价影响及区域异质性的两个命题。为人工智能、资本溢价和技能溢价的理论研究提供了参考。第二，以制造业为研究对象，综合人工智能发展程度评价指标，将各省份区分为人工智能先发地区和后发地区，以四方程标准化供给面系统法测算各省份资本份额、高技能劳动份额和低技能劳动份额，进一步分析人工智能先发地区和后发地区资本溢价和技能溢价的发展趋势，探析我国人工智能、资本溢价和技能溢价的发展现状并初步回应两个命题结论。第三，构建人工智能影响资本溢价和技能溢价的基础模型和偏效应模型，通过实证检验对比人工智能先发地区和后发地区的作用效果，聚焦差异、分析成因，验证命题结论，最后提出对策建议。

（一）基本模型

本文在Acemoglu 和Fabrizio（2001）、Acemoglu 和Autor（2011）基于任务的理论模型基础上，设定最终产品函数形式为代表i地区j行业生产的产品，借鉴Klump et al（2007）应用CES（constant elasticity of substitution）生产函数设定各行业产品Yi的形式：

其中：Ki和Li分别为i地区的资本和劳动；
AKi和ALi分别为i地区的资本和劳动的技术效率；
σi为i地区资本与劳动的替代弹性，当0 ＜σi＜1，表示资本与劳动呈现互补效应，当σi＞1，表示资本与劳动呈现替代效应。

MTRSKL刻画资本与劳动边际生产率即边际产出之比，假设市场出清，可得：

其中：ri为i地区的单位资本报酬；
wi为i地区的单位劳动报酬。MPKi为i地区的资本边际产出；
MPLi为i地区的劳动边际产出。

由式（1）和式（2）可得：

其中：αKi和αLi分别为i地区的资本和劳动份额，且αKi+αLi=1。进一步可得资本与劳动份额的相对比（下称资本溢价）：

即资本与劳动的相对份额（下称资本溢价）受资本与劳动的相对技术效率、资本与劳动的要素投入比及替代弹性的影响。

进一步地，将L所代表的劳动分为高技能劳动LS和低技能劳动LU，则上述CES 函数转化为双层嵌套形式：

其中：ASi和AUi分别为i地区的高技能和低技能劳动的技术效率；
ηi为i地区高技能和低技能劳动的替代弹性。

假设劳动市场出清，高技能与低技能劳动边际产出之比为

其中：wSi为i地区的单位高技能劳动报酬；
wUi为i地区的单位低技能劳动报酬；
MPSi为i地区的高技能劳动边际产出；
MPUi为i地区的低技能劳动边际产出。参照上述方法，经过进一步推导，可得：

其中：βSi和βUi分别为i地区的高技能和低技能劳动份额。即高技能和低技能劳动的相对份额（下称技能溢价）受高技能和低技能劳动相对技术效率、高技能和低技能劳动投入比及替代弹性的影响。

（二）引入人工智能技术的资本溢价影响模型

最终生产厂商的利润公示为

其中：Pi为i地区最终产品的价格；
πi为i地区的利润。人工智能技术的应用，短期内主要表现为机器设备的智能化，大量的资本被应用到智能设备的建造中，并形成对劳动力的替代。因此，利润公示可以表示为

其中：KAi为i地区人工智能技术应用导致的资本投入增加量；
LAi为i地区人工智能技术应用导致的劳动投入减少量，根据利润最大化原则，式（9）应满足条件：

式（4）可以表述为

式（11）说明，人工智能技术的应用对资本溢价的影响取决于要素效率结构、人工智能效应和要素投入结构的共同影响。要素效率结构取决于资本技术效率和劳动技术效率两个方面。人工智能技术的应用在资本技术效率上的体现主要是指人工智能技术作用于固定资产上加速产出所带来的资本技术效率的提升，也就是说企业引进人工智能技术后，资本与劳动相对技术效率会趋于上升，即要素效率结构增长。随着人工智能技术应用的普及，对于劳动技能的要求越来越高，倒逼劳动技术效率的提升，要素效率结构上升趋缓甚至会转为下降。要素替代效应包括资本对传统岗位劳动的替代效应和新岗位劳动的创新效应两个方面（魏巍，2022）。人工智能技术应用初期主要体现在对传统岗位的替代上，此时大量的劳动力被资本替代，要素投入结构呈上升趋势。随着人工智能技术应用的普及，一些新岗位逐渐被创造出来要素投入结构呈下降趋势。众多经验研究表明，我国多数地区和行业的资本和劳动之间呈现替代效应，即σi＞1（陈汝影和余东华，2020；
张鑫宇，2021）。因此，本文提出：

命题1人工智能技术对资本溢价的影响表现为先升后降的倒“U”型趋势，对劳动的替代效应主要在前期显现。人工智能技术普及率低的后发地区，资本溢价呈上升趋势；
人工智能技术普及率高的先发地区，资本溢价已经开始呈现倒“U”型中的下降趋势。

（三）引入人工智能技术的技能溢价影响模型

式（13）说明，人工智能技术的应用对技能溢价的影响取决于技能效率结构、人工智能效应和技能投入结构的共同影响。在人工智能技术应用的初期，最先被替代的是重复性高、机械性强的传统岗位，低技能劳动力大幅减少，技能投入结构提升。岗位结构的重组创造了一些新的技能岗位，使得高技能劳动效率有所提升。因此技能效率结构提升。由于人工智能技术普及率较低，往往技术进步较为滞后，高技能和低技能劳动之间很大程度上能够相互替代，即ηi＞1，技能溢价上升。随着人工智能技术应用的深入，一些中高技能岗位开始被人工智能所取代，技能投入结构增速趋缓，由于智能设备效率得到大幅提升，低技能劳动效率被迫有所提升，技能效率结构趋于下降，总体来说，技能溢价增速趋缓。当人工智能技术普及率很高时，技能效率结构会显著提升，技能投入结构变动趋于平缓，高技能劳动和低技能劳动之间界限明显，二者难以相互替代，即0 ＜ηi＜1，仍表现为高技能劳动份额上升。因此，本文提出：

命题2人工智能技术对技能溢价的影响表现为替代效应和创新效应的综合效应。随着人工智能技术应用普及率的提升，技能溢价增速呈现高—低—高的“U”型趋势，总体呈上升态势。对于我国来说，人工智能技术普及率高的先发地区开始呈现明显的上升态势，技能溢价极化态势明显，而人工智能技术应用普及率低的后发地区，主要处于“U”型的低谷区。

参照Klump et a（l2007）的设定方法，将生产函数及其一阶条件标准化并构建四方程标准化系统，利用SUR 模型及可行的广义非线性最小二乘法对参数进行估计。

设定高技能和低技能劳动效率的增长率满足BOX-COX 变换：

四方程标准化供给面系统为

参照式（13）求解思路，可得相关参数值。

（一）替代弹性和技术效率的测算

综合考虑各项数据的可获得性和连续性（1993 年后统计口径发生变化），本文选取的研究期间为1993—2019 年，重庆市与四川省数据合并。①制造业产出：最常用的做法是选取增加值作为产出指标，为了使结果更加精准、消除政府的影响，本文在制造业增加值的基础上剔除了生产税作为产出。对于不能直接获得制造业增加值的省份，以制造业产值占工业产值的比重为权重乘以工业增加值剔除税金之后的数额作为制造业产出；
②劳动投入：对于制造业劳动投入，以《中国工业统计年鉴》中公布的各地区细分行业的从业人员平均数加总求得。对于高技能行业劳动投入，分别以国家统计局印发的《高技术产业（制造业）分类（2017）》中的高技术行业和经济合作与发展组织（organization for economic co-operation and development，OECD）标准划分的高技术行业为依据，汇总两种标准下高技能行业的从业人员平均数，低技能行业劳动投入以制造业劳动投入减去高技能行业劳动投入来获取；
③资本投入：借鉴魏巍和王林辉（2020）的做法，以1993—2019 年间各省份制造业投资的平均增长速度来估算1993 年的资本存量。以1993 年为基期，以制造业固定资产投资额近似固定资本增加额，借鉴张军等（2004）的做法，求得制造业各年资本存量；
④劳动报酬：以《中国劳动统计年鉴》公布的城镇单位制造业从业人员平均工资与上述制造业从业人员平均数的乘积来表示制造业劳动报酬，分别以两种划分标准下高技术行业对应的各细分行业城镇单位从业人员平均工资与各对应的细分行业从业人员平均数的乘积汇总数作为两种标准下的高技能劳动报酬。低技能劳动报酬等于制造业劳动报酬减去高技能行业劳动报酬；
⑤资本报酬：以《中国统计年鉴》公布的“收入法”核算的国民经济组成中的各省份历年“固定资本折旧”和“营业盈余”数据之和为依据，除以根据张军等的计算方法得到的以1993 年为基期的各省份资本存量，经过平减后可得各省份的资本报酬率，以各省份资本报酬率近似替代制造业资本报酬率，乘以前述计算得到的制造业资本存量即得资本报酬。上述数据均以1993 年为基期进行平减，缺失数据采用线性插值法补全，数据来源于历年《中国统计年鉴》《中国工业统计年鉴》《中国劳动统计年鉴》《中国固定资产投资统计年鉴》和各省份统计年鉴。

分别根据两种标准下高技能与低技能的划分方法，结合式（15）进行测算，得到各参数值见表1，下标为1的结果是以国家统计局印发的《高技术产业（制造业）分类（2017）》归纳的高技术行业为依据测算的结果，下标为2 的结果是以OECD 标准划分的高技术行业为依据测算的结果。不难发现，在劳动和资本的关系上，劳动和资本替代率σ、资本平均份额αK在两种测算方法下的结果较为相近，体现了测算结果的稳定性。在高技能劳动和低技能劳动的关系上，由于第一种高技术行业划分标准的涵盖面显著高于第二种标准。因此，第一种结果下的高技能劳动平均份额值βS1均大于第二种结果βS2，但二者的高技能劳动与低技能劳动替代率结果η相差不大、替代方向一致。尤其是多数人工智能技术普及率排名靠前的省份高技能劳动与低技能劳动替代率η＜0，高技能劳动与低技能劳动呈现互补效应，这说明人工智能技术的应用助推了技能劳动的极化分工，使得高技能劳动和低技能劳动之间的替代性越来越弱，根据参数结果可以求得各技术效率值（限于篇幅，各技术效率值、技术效率相对比等结果省略）。考虑到我国制造业行业特色，下文主要参照国家统计局的划分方式来界定各指标数值。

表1 1993—2019 年四方程标准化供给面系统回归结果核心指标

续表1

（二）资本溢价和技能溢价的先发-后发地区对比分析

由于我国人工智能起步较晚，大部分地区发展还处于初级阶段，为了更直观的呈现资本溢价及劳动溢价的变化趋势，应选取我国人工智能技术普及率高的先发地区来分析。由于人工智能技术发展并未形成一致的度量标准，本文通过各省份信息传输企业主营业务收入占GDP 比重、信息传输企业数占总企业数比重、人工智能企业分布区域占比三个指标分别度量，并以综合排名来确定。见表2，选取三个指标下排名前5 的省份作为我国人工智能技术普及率高省份的代表，选取排名靠后的5 个省份作为后发地区的代表。图1 和图2 刻画了先发地区和后发地区的资本溢价趋势图，在研究期间内先发地区资本溢价均呈现不同程度的倒U 型态势，而后发地区主要呈上升态势。图3 和图4 刻画了先发地区和后发地区的技能溢价趋势图，各地区的技能溢价均呈上升态势，但先发地区的上升态势更加明显（其他省份的变化趋势处于先发地区和后发地区之间，鉴于篇幅不再阐释），印证了命题1 和命题2 的推论。

表2 人工智能技术应用普及率高的先发地区

图1 1993—2019 年先发地区资本溢价发展趋势折线图

图2 1993—2019 年后发地区资本溢价发展趋势折线图

图3 1993—2019 年先发地区技能溢价发展趋势折线图

图4 1993—2019 年后发地区技能溢价发展趋势散点图

（一）计量模型及指标选取

为了进一步检验人工智能技术对资本溢价和技能溢价的影响，结合前述理论推导中式（11）和式（13）的结论，为减弱异方差的影响，将模型对数化，构建计量检验模型如下：

其中：xn为一组控制变量；
γ和δ为各变量的作用系数；
u为随机误差项，具体变量的对应指标、表示方法和描述性统计参见表1。相关指标均以1993 年为基期进行了平减。由于我国没有专门针对人工智能方面的统计数据，结合数据可得性，选取信息传输业主营业务收入与GDP 之比作为替代变量，并用软件和信息技术服务业收入与GDP 之比进行稳健性检验。本文将控制变量界定为产业结构、传统行业自主研发水平、对外贸易程度和劳动力受教育水平。由于2002 年新《国民经济行业分类》国家标准（GB/T4754—2002）推出，部分指标仅能获取2003 年后的数据。因此对于实证检验的研究期限选取2003—2019 年，由于西藏地区存在较多数据缺失，故面板研究对象剔除西藏地区。数据来源于《中国工业统计年鉴》《中国固定资产投资统计年鉴》《中国劳动统计年鉴》《中国基本单位统计年鉴》《中国信息产业年鉴》《中国电子信息产业统计年鉴》《中国税务年鉴》《中国统计年鉴》和各省份统计年鉴，部分缺失数据通过拟合得到。各变量的具体描述性统计如表3所示。

表3 各变量的描述性统计情况

（二）实证检验

参照前文对人工智能技术应用普及率程度的划分，从先发地区和后发地区两个层面对资本溢价进行回归（除了先发地区的5 个省份，其余省份差别不大，均归结为后发地区），结果见表4。指标1 和指标2 中各变量的作用系数大同小异，说明了回归结果较为稳健。对比先发地区和后发地区的回归结果发现，先发地区的各变量作用系数均大于后发地区，意味着先发地区资本溢价对三个变量的变动更加敏感，这也解释了为什么先发地区资本溢价的变动要先于后发地区，引领我国资本溢价变动的趋势。具体来说，要素结构和技术效率结构都对技能溢价形成了显著的正向影响，这符合前文公式推导的结论。人工智能技术普及度对资本溢价形成影响相对于要素结构和技术效率结构，作用系数较小，这说明我国人工智能技术的普及度较低，还不能形成较大的规模效应，一些学者也得到了同样的结论（赵丹丹和周世军，2021）。其中，先发地区人工智能技术的应用对于资本溢价的作用呈现负向影响，说明先发地区人工智能技术在制造业中的应用已经在较大程度上提升了劳动工资水平，形成了一定的规模效应。控制变量中，产业结构和对外贸易程度对技能溢价形成正向影响，即第三产业占比的增加和对外贸易程度的提升均能增加资本溢价，说明资本在第三产业中的获利能力更强，外资的获利能力更强，基本符合我国国情。自主研发水平的提升和劳动力受教育水平的提升均会降低资本溢价，说明二者可能会通过提升劳动技能水平，进而提升劳动工资水平。其中，先发地区自主研发水平的反向作用系数明显大于后发地区，这也在一定程度上解释了随着研发水平的提升，先发地区资本溢价增速放缓甚至趋于下降。另外，劳动力受教育水平的反向作用系数要大于自主研发水平，说明要降低资本溢价程度，可以重点从提升劳动力受教育水平着手。

表4 对资本溢价影响的回归结果

根据前文理论推导结果，各省份技能溢价的发展趋势较为一致，但先发地区的上升趋势要更为显著。表5 中各变量对技能溢价的回归结果显示，先发地区和后发地区的作用系数较为相近，但先发地区作用系数较高，指标2 的回归结果也显示各变量作用系数较为稳定。具体来看，技能劳动结构、技能效率结构和人工智能技术普及程度对技能溢价具有显著的正向影响，这与前述理论分析结果一致。其中，技能劳动结构的作用系数最大，技能效率结构和人工智能技术普及程度的作用系数较小。控制变量中，产业结构、对外贸易程度和劳动力受教育水平的提升均会增加技能溢价程度，这说明第三产业中高技能劳动投入水平较高，外资更加青睐于高技能投资产品，劳动力受教育水平正在逐渐拉开差距，就业趋势朝极化方向发展，与多数学者的研究结论相符（屈小博，2019；
孙早和侯玉琳，2019），基本符合我国现实情况。

表5 对技能溢价影响的回归结果

根据理论分析，人工智能技术的应用会通过作用于要素结构和技术效率，进而影响资本溢价；
通过作用于技能劳动结构和技能效率进而影响技能溢价。因此，对于人工智能技术应用带来的偏效应有必要做进一步分析。表6 分别对先发地区和后发地区的资本溢价影响因素进行了回归分析，模型1 检验人工智能技术应用通过技术效率结构对资本溢价的影响；
模型2 检人工智能技术应用通过要素结构对资本溢价的影响。总体来看，先发地区和后发地区两个模型的关键指标作用存在差异，主要体现在交叉项变量的作用效果上。先发地区的模型1 证实了人工智能技术的应用通过技术效率结构对资本溢价形成了负向作用，产生了抑制资本溢价的偏效应；
模型2 证实了人工智能技术的应用通过要素结构对资本溢价形成了负向作用，也产生了抑制资本溢价的偏效应。后发地区的模型1 反映了人工智能技术的应用通过技术效率结构对资本溢价形成了正向的偏效应；
模型2 反映了人工智能技术的应用通过要素结构对资本溢价也形成了正向的偏效应，且后发地区的作用系数显著小于先发地区。说明我国先发地区的人工智能技术应用效果已初具带动效应，在一定程度上提升了劳动效率、创造了新的工作岗位。后发地区还处于人工智能技术应用的初级阶段，规模效应有待提升。

表7 分别对先发地区和后发地区的技能溢价影响因素进行了回归分析，模型1 检验人工智能技术应用通过技能效率结构对技能溢价的影响；
模型2 检验人工智能技术应用通过技能劳动结构对技能溢价的影响。结果证实，先发地区和后发地区的人工智能技术应用对技能溢价影响的作用效果类似，即人工智能技术的应用通过技能劳动结构对技能溢价形成了显著的正向偏效应；
通过技能效率结构对技能溢价形成了显著的负向偏效应，但后者小于前者，总体呈现正向影响。说明人工智能技术的应用已经对低技能劳动效率产生了一定的拉动作用，人工智能技术在行业中的发展开始呈现极化效应。

表7 对技能溢价影响的回归结果

作为工业革命4.0 的主要产物，人工智能技术在我国的发展呈现出强劲的增长势头，面对全国劳动收入水平持续走低、资本溢价和技能溢价日益凸显的问题，人工智能技术的应用可能会使劳动力结构面临重组，能否平稳的完成新时期的现代化进程、降低可能出现的社会矛盾是我国政府面临的重大考验。本文结合资本溢价和技能溢价的内生模型，数理演绎了人工智能技术对二者的影响，并结合我国国情提出了两个命题：①人工智能技术对资本溢价的影响表现为先升后降的倒“U”型趋势，且后发地区资本溢价呈上升趋势；
先发地区资本溢价呈微降趋势，全国资本溢价呈上升趋势；
②人工智能技术对技能溢价增速影响呈现高—低—高的“U”型趋势，总体呈上升态势。且先发地区和后发地区，都表现为高技能劳动份额上升，技能溢价呈现极化态势。通过应用四方程标准化供给面系统法，选取我国1993—2019 年的省际数据，区分先发地区和后发地区以走势图验证了命题结论。进一步地，对人工智能影响资本溢价和技能溢价的直接效应和偏效应进行了检验，得到结论：相较于后发地区，先发地区资本溢价对要素结构、技术效率结构和人工智能带来影响的反应更敏感，已经进入到人工智能发展新阶段；
先发地区技能溢价对技能劳动结构、技能效率结构和人工智能带来的影响作用效果更强，技能劳动收入极化效应均已显现。控制变量中，传统制造业研发水平的提升和劳动者受教育水平的提升均能在一定程度上缓解资本溢价和技能溢价的增长。

据此，本文提出以下政策建议。

一是增强先发地区人工智能技术的传带作用，助力后发地区降低资本溢价水平。先发地区即人工智能技术应用普及程度较高的地区已经可以借助人工智能技术对要素结构和技术效率的影响来缓解资本溢价的增长甚至开始缩小资本溢价程度，这对其他地区形成了很好的示范作用。先发地区应该发挥自己的先动优势，带动贸易往来密切地区及毗邻地区的人工智能技术发展，扩大辐射效应，形成联动影响。后发地区应该主动寻求与先发地区加大产业合作的可能性，提高贸易往来水平，扩大人工智能技术的应用范围，利用先进带动后进的传帮带模式，提升后发地区的人工智能技术应用水平。同时依托本地现有人工智能技术应用高精尖产业，开展内部的传帮带模式，由内而外的快速提升人工智能技术的应用普及度，减缓资本溢价速度，提升科技发展水平，一举两得。

二是重视各地区低技能劳动力技术效率的提升，缓解技能溢价差距和降低失业率。研究结果表明，无论是先发地区还是后发地区，人工智能技术除了自身，还可以通过技能劳动结构和技能效率结构对技能溢价形成影响。虽然人工智能技术对技能溢价的总体作用呈现正向影响，但通过技能效率结构对技能溢价形成的偏效应呈现负向影响。说明各地政府应积极提升低技能劳动力的技术效率水平，进而提升技能效率水平，缓解技能溢价的上涨。低技能劳动力面临人工智能技术的替代作用，短期内在人工智能技术应用普及程度还不高的时候，可以通过提升本岗位的技能水平来避免被替代的风险；
但长期来看，随着人工智能技术的普及，机械性强、重复性高的低技能岗位被替代是大势所趋，政府应引导低技能劳动力尽快掌握人工智能发展所需要的新技能，在新的岗位中提升技能水平，缓解就业压力、降低失业率。

三是大力提升素质教育水平，从根源上缓解资本溢价和技能溢价水平。关于技能溢价的众多研究中，已有学者提到教育不平等是助推技能溢价上涨的根本原因，且这种影响会持续到子孙后代。本文的结论也证实了同样的观点，劳动者受教育水平的提升将会在很大程度上缓解技能溢价的上涨，是政府应重点关注的作用途径。但劳动者受教育水平的提升并非一朝一夕可以改变的，是需要政府系统谋划、长远规划的民生问题。随着人工智能技术的不断普及，高技能劳动力将是各企业争相的焦点，必须从根本上提升整体国民素质，提高受教育水平，才能塑造足够多的高技能劳动力来满足人工智能发展所创造的新型岗位，而人工智能的发展也会提升社会的整体国民素质，进而反哺劳动者的技能水平和受教育程度。因此，政府需要在长远规划中将提升素质教育摆到更高的水平，出台相应内培外引的政策，逐步推进劳动力提升受教育水平。

四是提升传统制造业的研发水平，增强劳动力技能，降低资本溢价和技能溢价水平。一般来说，传统制造业岗位被人工智能技术所取代的主要原因是传统制造业的自主研发水平较低，尤其我国的传统制造业以中低技能的劳动密集型产业为主，这些岗位工作的劳动者首当其冲的受到人工智能技术的威胁。如果加大传统制造业的研发投入，将制造业的价值链提升到较高水平，相应的岗位所需技能也会提升，倒逼劳动者提升技能水平，当人工智能技术来袭时不会产生大量岗位被替代的情况。一些研究证实，研发水平的提升确实可以在一定程度上抑制资本溢价或技能溢价的增长（徐少俊和郑江淮，2022；
魏巍，2021）。长远来看，各地政府应重视制造业研发水平的提升，推动制造业产业链的转型升级。