The Current Situation, Difficulties and Countermeasures of University Student Exchange in the Guangdong-Hong Kong-Macao Greater Bay Area
-
摘要: 粤港澳三地高校学生的合作和交流是建设粤港澳大湾区、打造大湾区教育和人才高地必不可少的一环。国家及粤港澳三地政府已出台一系列政策和计划来推动三地相互招生、联合培养、师生交流、文化交流、实习交流和创新创业交流，增进三地高校学生的相互理解、文化认同和国家认同。从粤港澳高校学生交流的现状进行分析，厘清高校学生交流过程中遇到的困境，提出完善粤港澳高校学生交流的制度和法律体系，以及促进学生“双向交流”、丰富学生交流体系和加强高校学生文化认同等针对性对策。Abstract: The cooperation and exchange among university students from Guangdong, Hong Kong and Macao is an indispensable link in the construction of the Guangdong-Hong Kong-Macao Greater Bay and of the education and talent highland of the Greater Bay Area. The state and the governments of Guangdong, Hong Kong and Macao have introduced a series of policies and plans aiming at promoting mutual enrollments, joint trainings, teacher-student exchanges, cultural exchanges, internship exchanges and innovation and entrepreneurship exchanges among university students from Guangdong, Hong Kong and Macao, so as to enhance mutual understanding, cultural identification and national identification among university students from the three areas. The current situation of university student exchange in Guangdong, Hong Kong and Macao is analyzed, the difficulties encountered in the process of university student exchange are clarified, and the countermeasures, such as improving the university student exchange system and legal system in Guangdong, Hong Kong and Macao, promoting the "two-way exchange" of students, enriching the student exchange system and strengthening the cultural identification of university students, are proposed.
-
随着中国老龄化的加剧，老龄化给经济带来的不利影响越来越突显。实证研究发现，老龄化的确会降低一国的储蓄率[1]，而储蓄率的下降不可避免地会导致投资率的下降。以日本为例，世界发展指数显示，日本投资率已经从1970年40%下降到2010—2016年的22.96%。除了老龄化的加剧，中国人工智能也正在蓬勃发展，随着深度神经网络和相关方法的最新改进，高性能机器算法的应用在不同数据场景更加自动化和强大，这导致人工智能(Artificial Intelligence，AI)迅速崛起。组织有目的地在其经营过程中收集大量数据[2-7]，这些数据经过人工智能的处理，将有可能成为最具价值的资产之一[8-9]。但是，如果没有能够从中提取更深刻见解的工具，大数据将毫无价值[10-13]。企业越来越多地投资于这些新兴技术以获取竞争优势[13-14]，如何从大数据中提取出有用的信息将是企业努力的方向之一，因此人工智能在管理领域中的应用受到了越来越多的关注[11, 15-19]。
本文基于老龄化背景，采用2010—2016年中国内地31个省份的面板数据，探究人工智能发展水平对人工成本的影响，以及这种影响会否受到人口老龄化的干扰。本文可能的贡献主要体现在以下三点。第一，研究内容。目前国内对于人工智能对经济影响的实证研究相对较少，本文探究人工智能和人口老龄化对各省份人工成本的影响，能够为企业采用人工智能技术提供一定的经验依据。第二，研究方法。本研究运用工具变量处理内生性问题，引入电力消费量、农村太阳能热水器使用数量、人口出生率等工具变量克服可能存在的内生性问题，提高结论的稳健性。第三，研究结论。研究揭示了人工智能的发展能够显著减少人工成本，同时还发现总体上人口老龄化会显著抑制人工智能发展水平对人工成本的减少作用。这与部分学者认为各省份人工智能的发展速度还不足以应对老龄化对经济增长的不利影响的研究结论存在差异[1]。
文章余下部分的内容安排如下：第一部分是相关研究综述与研究假设提出，第二部分是数据来源和模型设定，第三部分是模型的实证结果与稳健性检验，最后一部分是结论与讨论。
一. 相关研究与研究假设
关于人工智能的内涵，不同领域的学者给出了不同阐释，例如，有学者认为，人工智能是让机器做本需要人的智能才能做到的事情的一门科学[20]；也有学者认为，人工智能是指开发和创造能够模仿、学习和替代人类智能的“思维机器”[21]。学术界对人工智能的概念尚未形成共识。随着人工智能的发展、大数据时代的到来，加之计算机强大的信息处理能力和绝对理性特征能够突破有限理性和信息不对称，企业可以以最优决策为原则实施管理活动。基于人工智能的发展使得大数据和预测分析越来越成熟，本文将人工智能的范畴定位于新兴技术的发展和技术创新的水平。
有学者认为，技术创新不仅是全球竞争市场中成功的关键因素，而且在企业运营中也起着重要作用[22-23]。大数据和预测分析可以帮助组织降低成本[13, 24]。新兴技术(即大数据分析或大数据预测分析)显著正向影响运营绩效[13, 25-27]。Samuel等揭示，企业大数据分析能力影响公司获得、保留客户的能力以及提高销售能力、盈利能力、投资回报率的能力有两条路径：一是直接显著提升公司获得、保留客户的能力以及提高销售能力、盈利能力、投资回报率的能力；二是有效降低公司成本和提高公司在市场中的竞争能力，从而间接地显著提升公司获得、保留客户的能力以及提高销售能力、盈利能力、投资回报率的能力[26]。人工智能可以提高生产过程的自动化程度，用智能系统和设备替代劳动力，而且替代幅度比传统的机械自动化对劳动力的替代幅度更大，从而可以减少劳动力的需求量，降低人工成本[1]。智能化生产能够替代一部分传统岗位，通过改变企业内部劳动力结构，减少经济体对劳动力数量的总需求[28-29]。实证结果表明，机器人应用对企业的劳动力需求产生了一定的替代效应，工业机器人渗透度每增加1%，企业的劳动力需求将下降0.18%，而机器人应用对企业的工资水平并没有明显影响[30]。由此，本文提出假设：
H1人工智能的发展能够显著减少人工成本。
一台机器人目前平均每年大约可以替代60 000—83 000小时的劳动工作量。实证结果表明，机器人能够弥补的劳动力工作，可以部分抵消由人口老龄化带来的劳动力短缺问题[31]。另外，工业机器人的使用对制造业行业存在就业效应，其中对岗位数量有显著的负向冲击，工业机器人保有量每上升1%，就业岗位减少约4. 6%；对工资水平的影响整体上不明显[32]。使用机器人的确提高了非常规任务工人的相对工资水平。进一步的辅证表明，机器人并没有显著提升高等教育技能者的相对工资水平，意味着机器人更多体现的是一种任务偏向型技术进步(TBTC)，而非教育技能偏向型技术进步(SBTC)[33-34]。刘家强认为，在人口老龄化背景下，劳动力供给短缺、劳动生产率下降、储蓄率下降、公共财政负担加剧等会约束经济供给，进而削弱经济的发展活力[35]。也就是说，人口老龄化的加剧导致劳动力供给下降，在社会劳动生产率不变的情况下，很可能会导致企业、政府部门人力成本上升。因此，本文提出假设：
H2人口老龄化的加剧会显著提高人工成本。
H3人口老龄化的加剧会抑制人工智能发展水平对人工成本的减少作用。
另一方面，陈秋霖等采用2007—2016年14个国家的数据，实证检验发现，老年人口抚养比的倒数显著负向影响机器人的应用，进而证明了老年人口抚养比正向显著影响机器人的应用[28]。中国人口老龄化对出口结构存在“倒逼机制”，其作用路径为：人口老龄化对人工智能起正向影响，人工智能可以促进出口，抵消人口老龄化对出口的负向影响，从而导致人口老龄化“倒逼”出口[36]。基于中国劳动年龄人口规模2014年才开始呈负增长[37]的现实情况，本研究使用的是2010—2016年的面板数据。鉴于“倒逼机制”的存在以及中国劳动年龄人口规模刚刚开始下降，本文提出假设：
H4人口老龄化的加剧会促进人工智能发展水平对人工成本的减少作用。
综上所述，本文将使用中国省区人工智能数据，结合人工成本的变化，实证研究省区人工智能对人工成本的影响，并通过分组回归分析地区异质性、产业异质性和通过面板门槛效应模型分析老龄化与地区生产总值的门槛效应。
二. 数据来源和模型设定
一 数据来源
本文采用2010—2016年中国内地31个省份的面板数据，研究老龄化和人工智能对人工成本的影响。地方财政支出占当地GDP的比重、居民消费价格指数(CPI)、地区GDP、固定资产投资中国有经济占比均来自CSMAR数据库；通过中国经济与社会发展统计数据库、全国及各省的统计年鉴、行业/部门年鉴和统计调查资料的年度数据，得到农村太阳能热水器数量(以集热使用面积统计，单位为万平方米)、电力消费量(亿千瓦时)、1961—1967年人口出生率、老年人口抚养比；地区信息传输、计算机服务和软件业全社会资产投资额、地区劳动者报酬等数据均来自国家统计局。
二 模型设定与变量定义
为了分析中国老龄化和人工智能对人工成本的影响，设定如下基准模型：
lnLabourcostit=β0+β1AIit+β2ODRit+β3AIit×ODRit+β4Xit+Provi+Yeari+uit 其中，i代表省份，t代表年度，lnLabourcostit是被解释变量，表示i省第t年人工成本的对数；AIit和ODRit是解释变量，AIit表示i省第t年人工智能的水平，ODRit表示i省第t年的老龄化水平，AIit×ODRit表示人工智能和老龄化的交互项；Xit是系列控制变量，Prov是省区固定效应，Year是年度固定效应，β0是常数项，μ表示误差项。
1.人工成本的对数(lnLabourcost)。劳动者报酬指劳动者因从事生产活动所获得的全部报酬，包括劳动者获得的各种形式的工资、奖金和津贴，既包括货币形式的，也包括实物形式的，还包括劳动者所享受的公费医疗和医药卫生费、上下班交通补贴、单位支付的社会保险费、住房公积金等。本文使用国家统计局统计的劳动者报酬的对数作为人工成本的衡量指标。
2.人工智能(AI)。参考Borland和Coelli的做法，利用信息传输、计算机服务和软件业全社会资产投资额与地区当年GDP的比值来代表人工智能的技术使用规模，即本文的人工智能衡量指标[38]。
3.老龄化(ODR)。参考现有实证研究对于人口老龄化的量化指标，老年抚养比是指人口中非劳动年龄人口数的老年部分与劳动年龄人口数之比，用以表示每100名劳动年龄人口要负担多少名老年人[39-40]。
4.地方财政支出占当地GDP的比重(CZZC)。参考张鹏和梁辉的做法，利用地方财政支出占GDP的比重衡量地方政府经济行为指标，反映当地政府经济的干预能力[41]。
5. 居民消费价格指数(CPI)。居民消费价格指数是影响经济发展的一般性因素，为了获得稳健的检验结果，有必要对其进行控制。
6.地区生产总值的对数(lnGDP)。将地区生产总值加以控制，用来反映地区的经济实力水平, 本文使用其对数作为衡量指标。
7.固定资产投资中国有经济占比(SOE)。参考于晓萍和栾大鹏的做法，以固定资产投资中国有经济占比反映政府对经济的干预程度，从而反映当地经济的国有化程度[42]。
8.电力消费量与地区GDP的比值(dl)。电力消费量是各地区每年实际消费的各种电力能源消耗总量。本文使用电力消费量与地区GDP的比值反映当地电气化发展水平和趋势。
9. 农村太阳能热水器数量(以集热使用面积统计)的对数(lnSW)。农村太阳能热水器数量代表各地区当年农村所有太阳能热水器集热使用面积的总和，本文利用其对数反映当地的农村科技发展水平。
10. 人口出生率(BR)。二战结束后，生育率迅速提高。人口出生率反映了该国的人口结构[43]。
表 1 变量的描述性统计变量 观测值数 算术平均值 标准差 最小值 最大值 人工成本的对数 217 8.791 0.943 5.785 10.574 人工智能 217 0.007 0.004 0.000 3 0.033 2 老龄化 217 12.582 2.636 6.710 20.040 地区生产总值的对数 217 9.539 0.987 6.229 11.300 地方财政支出占当地GDP的比重 217 0.275 0.215 0.106 1.428 居民消费价格指数 217 102.822 1.342 100.567 106.338 固定资产投资中国有经济占比 217 0.031 8 0.021 0.002 0.088 电力消费量与地区GDP的比值 217 0.102 0.066 0.037 0.345 农村太阳能热水器数量的对数 217 4.842 1.187 0.956 7.168 人口出生率 217 34.739 9.887 11.000 53.260 三. 实证过程与结果分析
一 模型的选择
Baltagi指出，只有在变量内生性得到处理的情况下，才能使用hausman检验来比较固定效应模型和随机效应模型[44]。因此，本研究进行了如下处理：(1)处理内生性情况下的hausman检验。结果显示卡方值等于6.75，P值为0.240 2，无法拒绝原假设，因此选择EC2SLS模型。(2)内生性检验。为了结果的稳健性，本研究使用面板数据有限信息最大似然估计方法进行内生性检验(卡方值为10.288，P值为0.005 8)，结果拒绝不存在内生性的原假设。(3)自相关、异方差和截面相关问题的检验。首先，估计双向固定效应模型，使用pesaran检验(P值为0.492 3)和friedman检验(P值为1.000 0)，结果拒绝不存在截面相关的原假设；frees检验结果显示在1%的显著性水平下拒绝不存在截面相关的原假设。考虑到三种截面相关检验的前提假设，且本文数据为平衡面板数据，回归方程中控制时间效应，本文倾向于frees检验结果，即模型存在截面相关问题。其次，进行怀特检验(P值为0.000 6)，显著拒绝不存在异方差的原假设。最后，进行随机效应模型估计，检验自相关问题，结果显示P值为0.000 0，显著拒绝不存在误差项自相关的原假设。
二 工具变量的选择与有效性检验
由于人工智能与人工成本互为因果，加之遗漏变量、解释变量与误差项存在相关性等内生性问题，如果不加以控制，将会使得检验结果不可靠。为了准确地估计人工智能对人工成本的作用，必须寻找合适的工具变量：它们可以解释人工智能本身的变化(工具变量的相关性)，但除去人工智能这个唯一的途径以外，它们不会直接或间接地影响人工成本(工具变量的外生性)。本文以历史上中国各地区与人工智能相关的地理因素或自然变量作为中国目前人工智能的工具变量，根据数据的可得性，采用了各省份当年电力消费量、农村太阳能热水器数量。选取电力消费量这一变量的理由有：首先，电力消费量是对于电力消耗的体现，随着技术的进步和科技的普及，各省份的电器使用数量和频率都将增加。一个地区科技越进步，则很可能该地区电力消费量越大。其次，电力消费量和各地区的经济水平并不直接相关，符合工具变量外生性的要求。选取农村太阳能热水器数量这一变量的理由有：首先，农村太阳能热水器数量在一定程度上体现了农村太阳能热水器的普及程度，随着技术的进步和科技的普及，各省份的农村使用高科技产品的数量不断增加，该地区太阳能热水器的数量也不断增加。本文认为，电力消费量和农村太阳能热水器数量可以作为目前中国各省份人工智能的工具变量。借鉴李兵和任远的研究[45]，本文在考虑数据可得性的情况下，使用1961—1967年各省的出生率作为老龄化的另一个工具变量。进一步检验显示，人工智能作为因变量的回归结果显示F值为11.32；以人工智能和老龄化的交互项作为因变量，回归结果显示F值为16.51，均大于10，说明为人工智能和交互项寻找的工具变量具有显著强相关性。由于工具变量数大于内生变量数，不属于恰好识别情况，Sargan检验结果(卡方统计量为0.778，P值为0.377 7)在一定意义上说明工具变量外生性较好。因此，本文引入电力消费量、农村太阳能热水器数量、人口出生率作为工具变量具有强相关性和外生性，可以克服可能存在的人工智能与人工成本互为因果等内生性问题，得到一致并且有效的估计量。
三 实证结果
前面检验可知，误差项存在自相关问题、异方差和截面相关问题，这三大问题都会对统计推断造成重大影响。根据Hoechle的研究[46]，White是稳健标准误，解决了异方差的问题；Rogers是聚类稳健标准误，解决了异方差和自相关问题；Driscoll-Kraay解决了异方差、自相关和截面相关三大问题。因此，本文实证回归应当使用Driscoll-Kraay估计结果。hausman检验选择了随机效应模型，虽然Driscoll-Kraay不能直接处理随机效应的截面相关问题，但可以对广义离差方程进行回归从而解决截面相关问题。
表 2中模型(1)对变量进行了广义离差处理，使用了Driscoll-Kraay的标准误进行回归；模型(2)不加入工具变量对固定效应模型进行估计；模型(3)不加入工具变量对随机效应模型进行估计；模型(4)是双向固定效应的两阶段最小二乘估计；模型(5)是随机效应的两阶段最小二乘估计；模型(6)是加入工具变量的固定效应广义矩阵估计回归。模型(1)—(6)均加入核心变量和控制变量。
表 2 人工智能、老龄化与人工成本的回归结果(1) (2) (3) (4) (5) (6) Driscoll-Kraay FE RE FE2SLS EC2SLS FE2SLS+GMM AI -5.300** -8.682 -8.682 -84.312** -84.311** -84.312** (2.088) (6.204) (6.204) (39.233) (39.233) (37.595) ODR 0.004 0.002 0.002 -0.043 -0.043 -0.043 (0.003) (0.006) (0.006) (0.032) (0.032) (0.031) AI×ODR 0.656*** 0.931* 0.931* 7.919* 7.919* 7.919* (0.149) (0.505) (0.505) (4.595) (4.595) (4.403) lnGDP 0.639*** 0.658*** 0.658*** 0.880** 0.880** 0.880** (0.069) (0.090) (0.090) (0.440) (0.440) (0.422) CZZC 0.254** 0.473** 0.473** 0.908* 0.908* 0.908* (0.101) (0.209) (0.209) (0.517) (0.517) (0.495) CPI -0.000 -0.000 -0.000 0.003 0.003 0.003 (0.006) (0.009) (0.009) (0.032) (0.032) (0.031) SOE 3.661** 3.298*** 3.298*** -1.163 -1.163 -1.163 (1.104) (1.233) (1.233) (7.653) (7.654) (7.334) 省份 YES YES YES NO YES NO 年份 YES YES YES YES YES YES Constant 0.408** 2.156* 2.258* 0.336 0.303 (0.112) (1.171) (1.201) (6.797) (7.033) R-sq：
Within
Between
Overall
0.967 2
0.979 4
0.966 9
0.967 2
1.000 0
0.997 8
0.924 5
0.967 9
0.960 2
0.926 8
1.000 0
0.994 3R-sq:
Centered
Uncentered
0.924 5
0.924 5R-squared 0.980 0 N 217 195 195 190 190 189 Way OLS FE RE+ GLS IV+FE IV+RE IV+FE+GMM Wald chi2 67 496.46*** 3.42e+06*** 25 641.12*** F 2 452.51*** 342.52*** 143.95*** 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 从结果来看，人工智能在模型(1)—(3)的OLS结果显示，AI的估计系数均为负数；在处理了异方差、截面相关问题和误差项自相关问题后的回归结果显示，AI系数显著为负；模型(4)—(6)加入了工具变量进行2SLS回归解决了内生性问题，三个模型结果都表明，人工智能的提高有助于人工成本的减少。因此，人工智能对人工成本的负向预测作用显著且稳健，假设H1得到证实。这一结果与Aydiner等[13]、Tsan-Ming Choi等[24]和杨扬等[43]的研究结论相一致。一方面，伴随着人工智能时代的到来，使用机器人、人工智能软件或程序取代劳动力的现象越来越普遍，从而导致企业成本中劳动力成本所占比重有所下降，最终导致人工成本下降；另一方面，人工智能的发展，使得地区社会生产力提高，从而导致人工成本下降。
老龄化在模型(1)—(6)中均不显著，这表明老龄化对人工成本没有显著影响，因此假设H2未得到证实。老龄化对人工成本并没有显著的影响，这一结果与杨扬等[43]、刘苓玲和秦若涵[47]的研究结果相冲突，但这种差异或许是由于采用数据年份不同引致的。蒋同明发现劳动年龄人口规模从2014年才开始减少，此时老龄化影响人工成本的效果还未体现[37](见表 3)。人工智能与老龄化的交互项在模型(1)—(6)均显著正向影响人工成本，这表明老龄化会抑制人工智能对人工成本的影响，假设H3得到证实，同时假设H4未能得到证实。随着老龄化的加剧，劳动力人口规模将会下降，使得劳动力市场供不应求，企业为能招聘到足够的员工不得不提高人工成本。为了应对这一问题，加强人工智能的发展将有利于提高当地劳动生产率，提高企业的产出效率。
表 3 2000—2018年人口劳动参与率变动情况①年份 劳动年龄人口/人 经济活动人口/人 劳动参与率/% 2000 88 910 73 992 83.22 2001 89 849 73 884 82.23 2002 90 302 74 492 82.49 2003 90 976 74 911 82.34 2004 92 184 75 290 81.67 2005 94 197 76 120 80.81 2006 95 068 76 315 80.27 2007 95 833 76 531 79.86 2008 96 680 77 046 79.69 2009 97 484 77 510 79.51 2010 99 938 78 388 78.44 2011 100 283 78 579 78.36 2012 100 403 78 894 78.58 2013 100 582 79 300 78.84 2014 100 469 79 690 79.32 2015 100 361 80 091 79.80 2016 100 260 80 694 80.48 2017 99 829 80 686 80.82 2018 99 357 80 567 81.09 四 稳健性检验
由于当期的人工智能水平和老龄化水平可能并未体现在当期的人工成本中，而是体现在下一期的人工成本中，因此，本文对所有连续变量均采取滞后一期处理，包括因变量人工成本、所有核心变量以及所有控制变量，再重新对基准模型进行检验(见表 4)。表 4中第(1)列至第(6)列结果显示，本文所得结论依然成立。
表 4 滞后一期的回归结果(1) (2) (3) (4) (5) (6) Driscoll-Kraay FE RE FE2SLS EC2SLS FE2SLS+GMM L.AI -6.557** -10.793 -10.793 -101.035** -101.035** -101.035** (2.127) (7.458) (7.458) (51.429) (51.428) (49.090) L.ODR 0.003 0.001 0.001 -0.043* -0.043* -0.043** (0.003) (0.006) (0.006) (0.022) (0.022) (0.021) L.AI×ODR 0.745*** 1.109* 1.109* 8.924** 8.924** 8.924*** (0.156) (0.621) (0.621) (3.616) (3.616) (3.452) L.lnGDP 0.585*** 0.604*** 0.604*** 0.786 0.786 0.786* (0.062) (0.113) (0.113) (0.500) (0.500) (0.477) L.CZZC 0.235 0.504** 0.504** 0.873* 0.873* 0.873** (0.132) (0.238) (0.238) (0.460) (0.460) (0.439) L.CPI 0.003 0.006 0.006 0.003 0.003 0.003 (0.007) (0.011) (0.011) (0.029) (0.029) (0.028) L.SOE 3.688* 3.167* 3.167* 3.150 3.150 3.150 (1.609) (1.676) (1.676) (4.567) (4.567) (4.359) 省份 YES YES YES NO YES NO 年份 YES YES YES YES YES YES Constant 0.401** 2.247 2.367 1.146 1.209 (0.124) (1.473) (1.511) (7.493) (7.693) R-sq：
Within
Between
Overall
0.961 6
0.973 1
0.957 4
0.961 6
1.000 0
0.997 9
0.925 9
0.557 9
0.962 9
0.927 6
1.000 0
0.995 5R-sq:
Centered
Uncentered
0.925 9
0.925 9R-squared 0.977 4 N 186 170 170 166 166 165 Way OLS FE RE+GLS IV+FE IV+RE IV+FE+GMM Wald chi2 59 718.65*** 3.39e+06*** 26 941.47*** F 129.10*** 265.21*** 133.23*** 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 五 异质性分析
1 地区的异质性分析
(1) 沿海省份与内陆省份②样本的异质性分析
本文参考张莉等[48]的研究，将中国内地31个省份分为东部沿海省份和内陆省份，异质性分析结果见表 5。表 5表明，全样本中人工智能显著负向影响人工成本，老龄化水平的上升抑制了人工智能对人工成本的影响；在内陆省份中，人工智能仍然显著负向影响人工成本，但人工智能与老龄化的交互项并不显著；在沿海省份中，人工智能对于人工成本的影响并不显著。可以认为，全样本中人工智能对人工成本的负向影响效果主要归因于内陆省份人工智能对人工成本的负向影响；在全国样本中，老龄化抑制人工智能对人工成本的影响，但对于内陆省份或沿海省份抑制作用并不明显。
表 5 沿海省份与内陆省份样本的异质性分析全国 沿海 内陆 (1) (2) (3) (4) (5) (6) AI -84.311** -84.312** -84.582 -84.584 -86.536** -86.537** (39.233) (39.233) (402.020) (401.985) (42.462) (42.462) AI×ODR 7.919* 7.919* 2.077 2.078 7.025 7.025 (4.595) (4.595) (32.082) (32.079) (5.137) (5.137) ODR -0.043 -0.043 -0.007 -0.007 -0.034 -0.034 (0.032) (0.032) (0.185) (0.185) (0.047) (0.047) lnGDP 0.880** 0.880** 0.901 0.901 0.758 0.758 (0.440) (0.440) (1.590) (1.590) (0.537) (0.537) CZZC 0.908* 0.908* -1.356 -1.356 0.735* 0.735* (0.517) (0.517) (5.638) (5.637) (0.443) (0.443) CPI 0.003 0.003 -0.014 -0.014 -0.024 -0.024 (0.032) (0.032) (0.070) (0.070) (0.033) (0.033) SOE -1.163 -1.163 8.949* 8.949* 1.837 1.837 (7.654) (7.653) (5.010) (5.010) (7.232) (7.232) 省份 YES NO YES NO YES NO 年份 YES YES YES YES YES YES Constant 0.303 0.336 1.992 1.877 4.103 4.091 (7.033) (6.797) (10.575) (10.907) (7.091) (7.055)
R-sq：
Within
Between
Overall
0.926 8
1.000 0
0.994 3
0.924 5
0.967 9
0.960 2
0.892 7
1.000 0
0.992 3
0.882 3
0.945 2
0.935 7
0.935 5
1.000 0
0.993 1
0.934 4
0.963 1
0.950 9N 190 190 66 66 124 124 Way IV+RE IV+FE IV+RE IV+FE IV+RE IV+FE Wald chi2 25 641.12*** 3.42e+06*** 5 448.88*** 849 455.46*** 13 218.39*** 2.13e+06*** 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 (2) 西北地区③与非西北地区④的异质性分析
由国家统计局对地区的常规分类，中国内地31个省份可以分为华北地区、东北地区、华东地区、中南地区、西南地区和西北地区。不同地区之间人工智能对人工成本的影响是否存在显著差异呢？将六个地区分为非西北地区和西北地区，然后进行分组回归，回归结果如表 6所示。结果显示，在西北地区，人工智能的发展能显著促进人工成本的下降，同时老龄化的加剧，也在促进人工成本的下降；但在非西北地区，人工智能和老龄化并未对人工成本有显著的影响。
表 6 西北地区与非西北地区分组回归结果全国 非西北地区 西北地区 (1) (2) (3) (4) (5) (6) AI -84.311** -84.312** 26.506 26.505 37.510 37.505 (39.233) (39.233) (104.652) (104.651) (22.921) (22.922) AI×ODR 7.919* 7.919* 0.850 0.850 -3.923* -3.922* (4.595) (4.595) (6.162) (6.162) (2.197) (2.197) ODR -0.043 -0.043 -0.001 -0.001 0.033 0.033 (0.032) (0.032) (0.034) (0.034) (0.031) (0.031) lnGDP 0.880** 0.880** 1.228** 1.228** 1.188* 1.189* (0.440) (0.440) (0.568) (0.568) (0.655) (0.655) CZZC 0.908* 0.908* 1.155* 1.155* 0.432 0.432 (0.517) (0.517) (0.675) (0.675) (0.612) (0.612) CPI 0.003 0.003 0.005 0.005 -0.003 -0.003 (0.032) (0.032) (0.024) (0.024) (0.023) (0.023) SOE -1.163 -1.163 -4.865 -4.865 24.615*** 24.614*** (7.654) (7.653) (7.792) (7.792) (9.540) (9.540) 省份 YES NO YES NO YES NO 年份 YES YES YES YES YES YES Constant 0.303 0.336 -3.936 -3.746 -2.242 -2.732 (7.033) (6.797) (7.332) (7.114) (6.044) (6.529) R-q：
Within
Between
Overall
0.926 8
1.000 0
0.994 3
0.924 5
0.967 9
0.960 2
0.900 1
1.000 0
0.989 2
0.894 6
0.966 5
0.947 0
0.994 9
1.000 0
0.999 5
0.994 9
0.962 9
0.951 5N 190 190 161 161 29 29 Way IV+RE IV+FE IV+RE IV+FE IV+RE IV+FE Wald chi2 25 641.12*** 3.42e+06*** 11 187.89*** 2.17e+06*** 21 365.98*** 2.72e+06*** 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 2 老龄化与地区生产总值的门槛效应
(1) 老龄化是否存在门槛效应
在老龄化背景下，随着老龄化的加剧，人工智能对人工成本的影响可能存在门槛效应。以老龄化作为门槛变量，通过反复抽样300次得到的门槛效应检验的结果显示，单一门槛效应(P值为0.017 1)和双重门槛效应(P值为0.015 5)均在5%的显著性水平通过显著性检验，但未通过三重门槛检验，所以人工智能对人工成本的影响存在基于老龄化的双重门槛效应，门槛估计值及95%的置信区间如表 7所示，门槛模型回归结果如表 8所示，以老龄化作为门槛变量的似然比函数图见图 1。
表 7 老龄化的门槛估计值门槛变量 门槛估计值 95%的置信区间 Lower Upper 老龄化 13.64 13.48 13.7 16.17 16.15 16.26 表 8 老龄化门槛模型回归结果老龄化 ODR＜13.64 13.64≤ODR＜16.17 ODR≥16.17 AI -0.476 488 6 15.479 12*** 45.093 86*** (2.858 103) (4.146 526) (7.470 856) CZZC 2.844 906*** (0.367 760 2) CPI -0.078 618 1*** (0.008 268) SOE 11.391 85*** (2.538 884) Constant 15.680 75*** (0.893 844 9) R-sq：
Within
Between
Overall
0.691 4
0.248 6
0.151 3F 67.20*** Way FE 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 结果显示，当老龄化(ODR)处于13.64和16.17之间时，人工智能每增加1%，人工成本将增加15.48%；当老龄化(ODR)大于等于16.17时，人工智能每增加1%，人工智能增加45.10%。由前面分析可知，老龄化显著抑制人工智能对人工成本的影响，而门槛效应表明随着老龄化的加剧，老龄化将抑制人工智能对人工成本的影响，甚至人工智能将无法有效降低成本，特别是当老龄化大于等于16.17时，反而使得人工成本大大提高。截至2016年，中国内地31个省份中，已有辽宁省、重庆市、湖南省、江苏省、山东省、四川省和上海市等7个省份老龄化大于16.17；共有14个省份老龄化处于13.64和16.17之间，分别是北京市、吉林省、天津市、安徽省、广西壮族自治区、江西省、河北省、河南省、浙江省、湖北省、福建省、贵州省、陕西省和黑龙江省；其余10个省份老龄化仍低于13.64，分别有云南省、内蒙古自治区、宁夏回族自治区、山西省、广东省、新疆维吾尔族自治区、海南省、甘肃省、西藏自治区和青海省。目前中国部分地区老龄化水平超过16.17，此时老龄化的抑制作用明显；老龄化低于13.64的10个省份目前老龄化对人工智能的抑制作用尚不明显。
(2) 地区经济发展水平是否存在门槛效应
由于地区经济发展水平的不同，可能影响人工智能和人工成本的关系，因此有必要进行地区经济发展水平的门槛效应检验。以老龄化作为门槛变量，通过反复抽样300次得到的门槛检验的结果显示，单一门槛效应(P值为0.014 3)和双重门槛效应(P值为0.011 7)均在5%的显著性水平下通过显著性检验，但未通过三重门槛检验，所以人工智能、人工智能与老龄化的交互项对人工成本的影响存在基于地区GDP的双重门槛效应，门槛估计值及95%的置信区间如表 9所示，门槛模型回归结果如表 10所示，以地区生产总值作为门槛变量的似然比函数图见图 2。
表 9 地区生产总值的门槛估计值门槛变量 门槛估计值 95%的置信区间 Lower Upper GDP 4 053.2 3 702.76 4 120.75 10 368.6 10 160.42 10 502.56 表 10 地区生产总值门槛模型回归结果地区生产总值 GDP＜4 053.2 4 053.2≤GDP＜10 368.6 GDP≥10 368.6 AI -18.349 27 -115.479*** -97.640 26*** (19.830 62) (32.176 48) (17.400 97) AI×ODR 2.261 729 6.389 429** 7.547 527*** (1.978 321) (2.460 747) (1.135 005) CZZC 2.627 357*** (0.350 154 8) CPI -0.070 686 9*** (0.007 653 1) SOE 10.983 92*** (2.273 062) Constant 15.007 67*** (0.820 087 2) R-sq：
Within
Between
Overall
0.768 2
0.216 7
0.118 9F 65.18*** Way FE 注：*p＜0.1, * *p＜0.05, * * *p＜0.01。 结果显示，当GDP处于4 053.2亿元与10 368.6亿元之间时，人工智能每增加1%，人工成本将减少115.48%，老龄化的加剧将抑制人工智能对人工成本的影响；当GDP大于等于10 368.6亿元时，人工智能每增加1%，人工成本将减少97.64%，老龄化的加剧的抑制作用更加明显。到2016年年末，GDP大于等于10 368.6亿元的省份已经达到25个，分别有上海市、云南省、内蒙古自治区、北京市、吉林省、四川省、天津市、安徽省、山东省、山西省、广东省、广西壮族自治区、江苏省、江西省、河北省、河南省、浙江省、湖北省、湖南省、福建省、贵州省、辽宁省、重庆市、陕西省和黑龙江省；GDP处于4 053.2亿元与10 368.6亿元之间的省份有甘肃省和新疆维吾尔自治区；GDP低于4 053.2亿元的省份有宁夏回族自治区、海南省、西藏自治区和青海省。整体来看，甘肃省和新疆维吾尔自治区两个省份加快人工智能发展，将会大幅减少人工成本；宁夏回族自治区、海南省、西藏自治区和青海省四个GDP低于4 053.2亿元的省份，目前人工智能的发展还未能有效降低人工成本；而上海市等25个GDP大于等于10 368.6亿元的省份，积极引导人工智能发展，能够有效降低人工成本，同时应当采取一定措施减缓老龄化的消极影响。
3 产业的异质性
对三大产业增加值⑤低于平均值的异质性分析结果显示，在第一产业和第二产业增加值低于平均值的样本中，人工智能显著降低人工成本；在第三产业增加值低于平均值的样本中，人工智能不仅显著降低人工成本，并且老龄化抑制人工智能对人工成本的影响。对三大产业增加值高于平均值的异质性分析结果显示，在三大产业增加值高于平均值的样本中，人工智能和老龄化对人工成本均无显著性影响。⑥
四. 结论与讨论
鉴于人工智能与人工成本可能存在互为因果关系，本文基于中国2010—2016年省级面板数据，以各省电力消费量、农村太阳能热水器使用情况、1961—1967年的出生率作为工具变量，有效克服遗漏变量、测量误差、人工智能和人工成本互为因果等内生性问题，分析了人工智能和老龄化对人工成本的影响，从而得到一致有效的估计结果。本文研究发现，在全国内地31个省份，人工智能的发展能够显著减少人工成本，人口老龄化的加剧会抑制人工智能发展水平对人工成本的减少作用。根据异质性检验结果，得到以下四点结论。
第一，在内陆省份中，人工智能显著负向影响人工成本，但老龄化的加剧并不抑制人工智能对人工成本的影响；在沿海地区省份中，人工智能对人工成本的影响并不显著，老龄化的加剧并不抑制人工智能对人工成本的影响。总体来看，在全国范围内，人工智能对人工成本的影响效果主要来自中国内陆省份。
第二，在西北地区省份中，即陕西省、甘肃省、青海省、宁夏回族自治区和新疆维吾尔自治区五个省份中，人工智能与老龄化的交互项能够显著负向影响人工成本，表明人工智能的发展能够显著促进人工成本的下降，老龄化的加剧将促进人工智能对人工成本的影响。
第三，通过面板门槛效应检验，随着老龄化的加剧，老龄化对人工智能的抑制作用越来越明显，地区应当加大人工智能的发展，引入更高水平的人工智能从而降低人工成本和企业压力，促进经济发展。其中，宁夏回族自治区、青海省、西藏自治区和海南省的老龄化对人工智能的抑制作用不显著，人工智能还未能有效降低人工成本，其他27个省份目前人工智能能够有效降低人工成本，同时老龄化对人工智能的抑制作用显著，其中老龄化对人工智能的抑制作用最大的省份有辽宁省、重庆市、湖南省、江苏省、山东省、四川省和上海市。
第四，三大产业增加值高于平均值时，人工智能和老龄化对于人工成本均无显著性影响；第一产业第二产业低于平均值时，人工智能有效降低了人工成本；第三产业低于平均值时，人工智能显著降低了人工成本，老龄化能抑制人工智能对人工成本的影响。
对结果的进一步检验显示结论是稳健可靠的。
本研究尚存在一些有待完善之处，未来可以考虑在如下几方面加以拓展。
第一，人工智能对人工成本的影响是一个非常复杂的问题，人工智能通过各种生产工具越来越广泛地渗透到各种生产环节和生产过程，其作用链条和因果机制都是研究者和实践者非常感兴趣的方向和潜在的研究热点。例如，人工智能可能通过对传统技术的改造从而提高生产效率，也有可能通过新生产方式的创新提升生产效能，在此过程中不可避免将提升人工成本(例如增加高技能操作人才的培训或者其他人力资本投资)，但是，通过人工智能提升生产效率能够有效降低单位人工成本，所以在综合成本的作用力方面需要综合分析，难以一概而论。
第二，人们仍然难以全面完整理解人工智能对劳动力、组织结构、经济结构、政府规制和整个社会的影响，尤其是政府宏观政策对人工智能企业技术选择和采用对生产过程和人工成本的影响也是一个重要方向。同时，人工智能技术的选择和采用对劳动力就业和技术偏向型劳动力工资有何重要影响？这些都会对人工成本造成一定的作用。
第三，人工智能对生产企业的作用也有溢出效应。这种溢出效应能够有效对其他生产组织产生相应影响，例如，采用人工智能技术的企业对人工成本的影响是否有同群效应，等等。
另外，相应的制度环境和企业文化也会对人工智能技术采用形成一定程度的影响，这些都是未来需要进一步研究的内容。
① 使用《中国统计年鉴(2019)》数据，劳动参与率的计算公式设定为: 劳动参与率=经济活动人口/15—64岁人口。其中，经济活动人口=就业人员+失业人员。
② 东部沿海省份包含北京市、天津市、河北省、辽宁省、上海市、江苏省、浙江省、福建省、山东省、广东省和海南省共11个省份；西部内陆省份包括甘肃省、新疆维吾尔自治区、云南省、内蒙古自治区、吉林省、四川省、安徽省、山西省、广西壮族自治区、江西省、河南省、湖北省、湖南省、贵州省、重庆市、陕西省、黑龙江省、宁夏回族自治区、西藏自治区和青海省共20个省份。
③ 按照国家统计局分类，西北地区包括陕西省、甘肃省、青海省、宁夏回族自治区和新疆维吾尔自治区。
④ 华北地区包括北京市、天津市、河北省、山西省和内蒙古自治区；东北地区包括辽宁省、吉林省和黑龙江省；华东地区包括上海市、江苏省、浙江省、安徽省、福建省、江西省和山东省；中南地区包括河南省、湖北省、湖南省、广东省、广西壮族自治区和海南省；西南地区包括重庆市、四川省、贵州省、云南省和西藏自治区。
⑤ 根据国家统计局指标解释，第一产业增加值是指按市场价格计算的一个国家(或地区)所有常住单位在一定时期内从事第一产业生产活动的最终成果，第一产业是指农、林、牧、渔业；第二产业增加值是指按市场价格计算的一个国家(或地区)所有常住单位在一定时期内从事第二产业生产活动的最终成果，第二产业是指采矿业、制造业、电力，煤气及水的生产和供应业、建筑业；第三产业增加值是指按市场价格计算的一个国家(或地区)所有常住单位在一定时期内从事第三产业生产活动的最终成果，第三产业是指除第一、二产业以外的其他行业。
⑥ 限于篇幅，表格未列出，结果备索。
-
表 1 中山大学2019年“港澳与内地大中小学师生交流计划”项目名单
合作院校 项目名称 项目类型 交流时间/天 中山大学 第十一届粤港澳医学生暑假联合夏令营 短期项目 15 中山大学、香港中文大学 三峡、神农架地区
地质地貌与人文环境科学考察项目短期项目 14 中山大学、香港科技大学 粤港澳大湾区海洋环境与资源考察项目 短期项目 6 中山大学 第六届粤港澳台海洋科学优秀学生夏令营 短期项目 9 中山大学 第六届护理专业学生暑期联合夏令营 短期项目 21 中山大学、香港城市大学 会计专业学生学习交流项目 短期项目 28 中山大学、香港大学 第七届口腔医学专业本科教学模式
交流与体验项目短期项目 5 中山大学、香港中文大学 穗港辅助生殖及胚胎学临床及科研训练营 短期项目 5/47 中山大学、香港科技大学 数学专业本科生学术交流活动(一期) 短期项目 3 中山大学 粤港澳外语与翻译专业研究生交流周 短期项目 4 中山大学、香港理工大学 康复医学专业本科生实习及交流项目 短期项目 29/15 中山大学、香港岭南大学 第二十三届董事会杯学生交流活动 短期项目 3 中山大学 粤港澳青年志愿服务交流合作营 短期项目 7 中山大学、香港理工大学 视光学本科生眼科临床实习交流项目 短期项目 7 中山大学、香港城市大学 公共管理专业本科生学术交流计划 短期项目 3 中山大学、香港中文大学 药学专业研究生联合学术竞赛 短期项目 4 中山大学、香港大学 粤港澳大湾区城市发展研究项目 短期项目 5 
下载: 导出CSV
计量
- 文章访问数: 854
- HTML全文浏览量: 408
- PDF下载量: 131
