亚太科研论坛
Asia-Pacific Research Forum
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3645（P）
- ISSN:3079-9945（O）
- 期刊分类:人文社科
- 出版周期:月刊
- 投稿量:4
- 浏览量:561
相关文章
暂无数据
AI普及率差异对弹性退休政策的影响研究
Research on the Impact of Regional AI Penetration on Flexible Retirement Policies
引言
全球人口老龄化加剧，对养老保险体系和劳动力市场构成挑战，中国老龄化呈现速度快、规模大、程度深的特点，弹性退休政策是应对老龄化的重要举措，但目前全国差异化设计仍在探索。人工智能深刻重塑社会经济生态，我国AI普及率呈现东强西弱的地区差异：东部为AI发展核心区，中西部普及缓慢。这种差异影响各地区劳动生产率、就业结构及养老基金收支。本文核心问题：AI普及率地区差异如何影响弹性退休政策的实施基础与设计？如何结合差异构建合理退休年龄区间，实现技术与制度良性互动？
本文遵循“提出问题—理论铺垫—实证分析—政策设计—总结结论”思路，以AI普及率地区差异为切入点，围绕弹性退休政策展开。依次梳理现状、构建理论、量化差异、实证检验、设计政策并总结。
1 文献综述与理论基础
1.1 弹性退休政策的理论基础
弹性退休政策以生命周期理论、养老保险精算平衡理论、劳动力市场分割理论为支撑，构成本文分析框架。
生命周期理论认为，弹性退休契合劳动与闲暇的个体效用最大化，且技术进步能进一步延长大龄劳动者的有效工作年限。
养老保险精算平衡理论指出，退休年龄是基金收支关键，延迟退休可缓解支付压力，政策设计需兼顾基金可持续性与社会公平，结合地区差异制定方案。
劳动力市场分割理论表明，劳动力市场分主次两类，从业者退休需求差异显著，我国东中西部市场结构不同，决定弹性退休需差异化设计。
1.2 文献综述
近年来，人工智能对劳动力市场及养老保险体系的深刻影响已成为学界瞩目的焦点。现有文献指出，AI技术的广泛应用不仅引发了劳动力市场的“替代”与“创造”双重效应，使得大龄劳动者的就业前景面临被替代风险与新岗位适配交织的复杂局面，同时也大幅提升了劳动生产率。鉴于我国在经济、技术和人口结构上长期存在的“东强西弱”非均衡发展特征，多位学者强调，公共政策的制定必须摒弃“一刀切”模式。在探讨弹性退休政策时，学界普遍认为东部地区推行延迟退休的现实阻力较小、可行性较高，而中西部地区则受制于多重约束，亟需在“全国统一、地方弹性”的制度框架下审慎推进差异化方案。
2 核心变量、地区差异刻画与数据来源
2.1 核心变量定义与度量
本文的研究核心是探讨各地区AI普及率差异对弹性退休政策的影响，选取可量化、数据可获取的指标，进行实证分析。
2.1.1 自变量：地区人工智能普及率
地区人工智能普及率是本文的核心自变量，反映各地区人工智能技术的普及程度和应用水平。由于AI普及率是综合性概念，单一指标无法全面反映真实水平，结合现有研究和数据可获取性，选取“AI产业规模”“AI资本渗透”“AI人才密度”三个维度，每个维度选1—2个具体指标，通过熵值法合成“地区AI普及率综合指数”，实现对各地区AI普及水平的量化评价，具体指标选取如下：
第一，AI产业规模。选取“人工智能及相关产业增加值占GDP比重”作为核心代理指标，以直观反映AI产业在地区宏观经济中的地位与贡献度。数据主要源自《中国人工智能发展报告（2024）》及各省市权威统计公报。
第二，AI资本渗透。选取“每万员工工业机器人保有量”予以量化，工业机器人是AI资本渗透的典型载体。据工信部数据，我国制造业机器人密度已达470台/万人，且东部发达地区保有量显著领跑全国。相关测度数据依托《中国机器人产业发展报告（2024）》及各地工信部门资料整理取得。
第三，AI人才密度。选取“AI相关职位招聘占比”进行测度，反映各地区AI技术普及的核心智力支撑体系，依托智联招聘《2024年中国人工智能人才发展报告》的招聘数据发现，2025年1—10月含“大模型”“人工智能”等关键词的新发岗位占比增至19.18%，较上年同期提升约7个百分点，且人才需求呈现显著的“东高西低”集聚特征。
本文采用熵值法对上述三个指标进行处理，合成地区AI普及率综合指数，具体步骤如下：第一步，对原始数据进行标准化处理，消除不同指标的量纲差异，采用正向标准化方法，公式为：，其中为第i个省份第j个指标的原始值，为第j个指标的最小值，为第j个指标的最大值，为标准化后的指标值；第二步，计算各指标的熵值，公式为：，其中n为省份数量（本文选取全国31个省、自治区、直辖市，不包含港澳台地区）；第三步，计算各指标的权重，公式为：，其中m为指标数量（本文m=3）；第四步，计算地区AI普及率综合指数，公式为：，其中为第i个省份第t年的AI普及率综合指数，指数取值范围为0-1，值越高，说明该地区AI普及率越高。
2.1.2 因变量/政策背景：弹性退休政策需求与约束
弹性退休政策的实施基础由政策需求与政策约束双重维度共同决定。本文分别选取特定核心指标，以全面刻画各地区弹性退休的实施条件。
政策需求侧指标：该维度反映各地区推行弹性退休政策的紧迫程度，紧迫性越高，越需要通过该政策缓解相关压力。核心考量指标为养老保险基金支付压力，其直接关系到基金的长期可持续性。本文选取“养老保险基金累计结余可支付月数”进行量化。数据源自《中国人力资源和社会保障年鉴2024》及各地方统计公报与人社部门报告。
政策约束侧指标：弹性退休政策的可行性取决于大龄劳动力就业活力与产业结构高度，决定了政策引发就业矛盾的风险与市场吸纳容量。本文分别采用“45-64岁人口劳动参与率”和“第三产业增加值占比”进行测度。大龄群体是推行延迟退休的基础，数据显示，东部发达地区大龄劳动参与率显著领先，且第三产业占比普遍超60%，部分中西部则不足50%。
2.1.3 控制变量
为避免评估偏差，本文选取人均GDP、财政自给率与平均工资作为控制变量。其中，人均GDP反映经济整体水平；财政自给率衡量地方政府的财政实力与社保补贴支撑能力；平均工资则映射劳动力收入状况。上述变量的基础数据均源自国家及各省市权威统计年鉴与公报。
2.2 数据来源汇总表
本文选取全国31个省、自治区、直辖市（不包含港澳台地区）2020—2024年的面板数据作为研究样本，具体数据来源汇总如表1所示。
| 变量类别 | 具体指标 | 主要数据来源 | 数据来源网址 |
|---|---|---|---|
| AI普及率 | 人工智能及相关产业增加值占GDP比重 | 《中国人工智能发展报告（2024）》、各省市统计公报 | http://www.caict.ac.cn/kxyj/qwfb/bps/202502/t20250213_653884.htm；各省市统计局官网 |
| 每万员工工业机器人保有量 | 《中国机器人产业发展报告（2024）》、各省市工业和信息化厅报告 | https://www.miit.gov.cn/jgsj/zbys/wjfb/art/2024/art_607a7c8a1f2d4a8d8b7e8f9a0b1c2d3e.html | |
| AI相关职位招聘占比 | 《2025年度人才迁徙报告》（脉脉高聘）、《2024年中国人工智能人才发展报告》（智联招聘） | https://www.m脉脉.com/topic/report/2025talent；https://www.zhaopin.com/research/ | |
| 退休压力（政策需求） | 养老保险基金累计结余可支付月数 | 《中国人力资源和社会保障年鉴2024》、各省市统计公报、各省市人社厅报告 | http://www.mohrss.gov.cn/SYrlzyhshbzb/zwgk/szrs/tjgb/；各省市人社厅官网 |
| 老年抚养比（65岁以上人口/15-64岁人口） | 《中国人口和就业统计年鉴2024》、各省市统计公报 | https://www.stats.gov.cn/tjsj/ndsj/；各省市统计局官网 | |
| 就业市场（政策约束） | 45-64岁人口劳动参与率 | 第三次全国时间利用调查公报、各省市统计年鉴 | https://www.stats.gov.cn/sj/zxfb/202410/t20241031_1957215.html；各省市统计局官网 |
| 第三产业增加值占比 | 《中国统计年鉴2024》、各省市统计公报 | https://www.stats.gov.cn/tjsj/ndsj/；各省市统计局官网 | |
| 控制变量 | 人均GDP | 《中国统计年鉴2024》、各省市统计公报 | https://www.stats.gov.cn/tjsj/ndsj/；各省市统计局官网 |
| 财政自给率 | 《中国财政年鉴2024》、各省市财政厅报告 | http://www.mof.gov.cn/gkml/caizhengwengao/2024/；各省市财政厅官网 | |
| 平均工资 | 《中国劳动统计年鉴2024》、各省市统计公报 | https://www.stats.gov.cn/tjsj/ndsj/；各省市统计局官网 |
注：部分省份个别年份的数据存在缺失，采用线性插值法进行补充，确保面板数据的完整性；所有数据均经过标准化处理，消除量纲差异，用于后续的实证分析。具体方法为：若某省份第t年数据缺失，采用该省份第t-1年和第t+1年的数据进行线性插值，公式为：，其中为缺失年份的数据，为前一年的数据，为后一年的数据。
2.3 中国各地区AI普及率与退休压力的现状与差异分析
2.3.1 描述性统计分析
描述性统计结果如表2所示（以2024年数据为例，涵盖全国31个省份）。
| 变量名称 | 均值 | 标准差 | 最小值 | 最大值 | 变量说明 |
|---|---|---|---|---|---|
| AI普及率综合指数 | 0.423 | 0.187 | 0.121 | 0.896 | 熵值法合成，0-1区间，值越高普及率越高 |
| 养老保险基金可支付月数（个月） | 17.8 | 6.3 | 8.9 | 32.1 | 值越低，基金支付压力越大 |
| 老年抚养比（%） | 22.8 | 3.5 | 16.2 | 30.1 | 值越高，老龄化程度越深 |
| 45-64岁人口劳动参与率（%） | 68.7 | 5.2 | 59.3 | 81.2 | 值越高，大龄劳动力就业活力越强 |
| 第三产业增加值占比（%） | 54.6 | 6.8 | 42.1 | 78.5 | 值越高，产业结构越优化 |
| 人均GDP（万元） | 8.2 | 2.9 | 4.1 | 19.8 | 反映地区经济发展水平 |
| 财政自给率（%） | 56.3 | 18.7 | 22.1 | 92.5 | 反映地区财政实力 |
| 平均工资（万元） | 9.8 | 2.3 | 6.5 | 18.6 | 反映地区劳动力收入水平 |
描述性统计表明，我国各地区在AI普及率与退休压力上存在显著空间分化。AI普及率指数介于0.121至0.896之间，凸显东部与中西部的技术鸿沟。养老金可支付月数从8.9个月到32.1个月不等，暴露出各地基金支付压力的严重不平衡。此外，老年抚养比与大龄劳动参与率的区域剧烈波动，进一步印证了各地在老龄化深度与大龄就业活力层面面临截然不同的现实境况。
各控制变量的标准差较大，凸显地区间经济、财政与收入水平差距显著。总体而言，我国在AI普及率、退休压力及社会经济发展上均存在明显区域分化。这不仅构成了弹性退休差异化设计的现实背景，更为本文探讨其异质性影响奠定了核心研究前提。
2.3.2 空间分布差异分析
为直观呈现各地区AI普及率与退休压力的空间分布特征，本文结合2024年各省份AI普及率综合指数与养老保险基金可支付月数，将全国31个省份划分为四种区域类型。
高AI普及率与低退休压力型地区涵盖北京、上海、广东、浙江及江苏。该类地区经济发达，AI产业集聚且劳动生产率高，其推行弹性退休政策的基础最为优越，延迟退休可行性极高。
高AI普及率与高退休压力型地区主要包括山东、天津与重庆。该类地区虽具备一定产业基础，但受制于深度老龄化及劳动力外流。其推行弹性退休政策的紧迫性较高，而技术与经济支撑使其可行性居中。
低AI普及率与低退休压力型地区包含内蒙古、新疆、青海和西藏。此类地区老龄化程度低且劳动力外流较轻，社保收支相对平衡。然而，受限于薄弱的AI基础、中等的就业活力与传统产业结构，其推行该政策的紧迫性与可行性均属中等。
低AI普及率与高退休压力型地区涉及吉林、黑龙江等19个省份。其AI普及率处于全国最低水平，部分省份养老金逼近支付安全线。该类地区极低的大龄劳动参与率与传统产业结构，使其推行弹性退休紧迫性极高，但受制于就业约束，政策可行性最低。
整体而言，我国AI普及率呈现“东高西低”格局，而退休压力呈“东北及中西部高、东部及边疆低”特征，两者存在显著负相关。此空间差异印证了AI普及率深刻影响着弹性退休的实施基础，为差异化政策设计提供了直观依据。
2.3.3 聚类分析初探
为进一步验证各地区AI普及率与退休压力的分类合理性，采用基础的K-均值聚类分析法，以AI普及率综合指数和养老保险基金可支付月数为核心聚类指标，对全国31个省份进行聚类分析，K值选取4（与前文空间分布分类一致），具体聚类结果如表3所示。
| 聚类类型 | 包含省份 | AI普及率均值 | 基金可支付月数均值 | 核心特征 |
|---|---|---|---|---|
| 类型1（高AI-低压力） | 北京、上海、广东、浙江、江苏 | 0.802 | 28.7 | AI普及度高，基金压力小，经济基础好 |
| 类型2（高AI-高压力） | 山东、天津、重庆 | 0.587 | 15.3 | AI普及度中等偏上，基金压力较大 |
| 类型3（低AI-低压力） | 内蒙古、新疆、青海、西藏 | 0.315 | 21.5 | AI普及度中等偏下，基金压力小 |
| 类型4（低AI-高压力） | 吉林、黑龙江、甘肃等19个省份 | 0.208 | 10.7 | AI普及度低，基金压力大，基础薄弱 |
聚类分析结果与前文空间分布分类完全一致，说明各地区AI普及率与退休压力的分类具有较强的合理性。从聚类结果能看出，四类地区的核心特征差异显著，为后续实证分析提供了重要的分类依据。
3 实证分析
3.1研究假设
假设H1：AI普及率与养老保险基金支付压力呈负相关关系，即AI普及率越高，养老保险基金支付压力越小。
假设H2：AI普及率与大龄劳动力就业活力呈正相关关系，即AI普及率越高，大龄劳动力就业活力越强。
假设H3：AI普及率对养老保险基金支付压力和大龄劳动力就业活力的影响存在地区异质性，即相较于低AI普及率地区，高AI普及率地区的AI普及率对基金支付压力的缓解作用更显著，对大龄劳动力就业活力的提升作用更显著。
3.2 模型设定
本文分别构建两个基准回归模型，分别检验AI普及率对养老保险基金支付压力和大龄劳动力就业活力的影响，同时构建分组回归模型，检验地区异质性。
3.2.1 基准回归模型
模型1：检验AI普及率对养老保险基金支付压力的影响，被解释变量为养老保险基金可支付月数（Fund），解释变量为AI普及率综合指数（AI），控制变量为人均GDP（PGDP）、财政自给率（FS）、平均工资（Wage），模型设定如下：
其中，表示省份（i=1,2,...,31），表示年份（t=2020,2021,...,2024），为常数项，为回归系数，为个体固定效应，用于控制各省份的固有差异（如地理位置、政策环境等），为随机误差项。若显著为正，说明AI普及率越高，养老保险基金可支付月数越多，基金支付压力越小，假设H1成立。
模型2：检验AI普及率对大龄劳动力就业活力的影响，被解释变量为45-64岁人口劳动参与率（Employ），解释变量为AI普及率综合指数（AI），控制变量与模型1一致，模型设定如下：
其中，为常数项，为回归系数，其他变量含义与模型1一致。若显著为正，说明AI普及率越高，大龄劳动力就业活力越强，假设H2成立。
3.2.2 分组回归模型
为检验假设H3（地区异质性），根据AI普及率综合指数的均值（0.423），将全国31个省份分为高AI普及率地区（AI≥0.423）和低AI普及率地区（AI<0.423），分别对模型1和模型2进行分组回归，比较两组回归系数的差异。若高AI普及率地区的和均显著大于低AI普及率地区，且显著性水平更高，说明AI普及率的影响存在地区异质性，假设H3成立。
本文采用Stata16.0软件进行回归分析，回归前对所有控制变量进行多重共线性检验，采用方差膨胀因子（VIF）检验法，同时进行异方差检验，采用怀特检验法，确保模型设定的合理性。
3.3 实证结果与分析
3.3.1 多重共线性与异方差检验
多重共线性检验结果显示，模型1和模型2中所有控制变量的VIF值均在1.2-3.5之间，均小于10，说明不存在严重多重共线性，模型设定合理；怀特检验结果显示，模型1的P值为0.327，模型2的P值为0.289，均大于0.05，说明不存在异方差，回归结果具有可靠性。
3.3.2 基准回归结果分析
| 变量 | 列（1）：Fund | 列（2）：Employ |
|---|---|---|
| AI（AI普及率） | 8.723***（2.156） | 10.562***（2.341） |
| PGDP（人均GDP） | 1.235**（0.562） | 1.876**（0.783） |
| FS（财政自给率） | 0.087*（0.045） | 0.123*（0.062） |
| Wage（平均工资） | 0.562**（0.231） | 0.789**（0.324） |
| 常数项 | 5.321***（1.234） | 48.765***（3.456） |
| N（样本量） | 155 | 155 |
| R²（拟合优度） | 0.687 | 0.723 |
基准回归结果如表4所示，其中列（1）为模型1（AI对基金支付压力的影响）的回归结果，列（2）为模型2（AI对大龄劳动力就业活力的影响）的回归结果。
基准回归结果显示，AI普及率在两个模型中均于1%水平下显著为正。具体而言，AI普及率指数每提升0.1，养老金可支付月数显著增加0.8723个月，大龄群体劳动参与率提升1.0562个百分点，充分验证了AI普及能缓解基金支付压力并增强大龄就业活力的假设（H1与H2成立）。同时，人均GDP、财政自给率及平均工资等控制变量的回归系数均显著为正，表明较高的经济、财政与收入水平对改善弹性退休实施条件具有积极协同作用。此外，两模型的拟合优度分别达0.687与0.723，展现出良好的解释力，整体结果高度符合理论预期。
3.3.3 分组回归结果分析（地区异质性检验）
分组回归结果如表5所示，其中列（1）和列（2）为高AI普及率地区的回归结果，列（3）和列（4）为低AI普及率地区的回归结果。
| 变量 | 高AI地区：Fund | 高AI地区：Employ | 低AI地区：Fund | 低AI地区：Employ |
|---|---|---|---|---|
| AI（AI普及率） | 12.345***（2.345） | 15.678***（2.567） | 3.214*（1.876） | 4.321*（2.123） |
| PGDP（人均GDP） | 1.567**（0.678） | 2.123**（0.890） | 0.876（0.543） | 1.023（0.765） |
| FS（财政自给率） | 0.123**（0.056） | 0.156**（0.078） | 0.056（0.043） | 0.087（0.065） |
| Wage（平均工资） | 0.789**（0.267） | 0.987**（0.365） | 0.345（0.212） | 0.456（0.312） |
| 常数项 | 4.231***（1.345） | 45.678***（3.678） | 6.789**（2.123） | 50.123***（3.890） |
| N（样本量） | 65 | 65 | 90 | 90 |
| R²（拟合优度） | 0.789 | 0.812 | 0.567 | 0.598 |
分组回归结果深刻揭示了AI普及率的影响存在显著的地区异质性，有效验证了前文假设，表明高AI地区的技术应用更为成熟，能够显著缓解养老保险基金支付压力。反之，低AI地区因技术应用滞后，替代效应更趋凸显，对弹性退休实施条件的改善作用较为微弱。与此同时，人均GDP、财政自给率及平均工资等经济变量在高AI地区均显著为正，而在低AI地区普遍不显著，进一步印证了区域经济发展鸿沟对政策落地的深刻制约。
3.4 稳健性检验
为确保实证结果的可靠性，本文采用“替换核心解释变量”法进行稳健性检验。具体将核心变量“AI普及率综合指数”替换为“AI相关产业产值占GDP比重”（记为AI_GDP）。该指标数据整理自《中国数字经济发展报告》，能直观反映地区AI产业发展水平且与原指数高度相关，具备良好的替代性。本文据此重新进行基准与分组回归，若新模型中AI_GDP的回归系数符号及显著性水平与前文基本一致，则印证了前文实证结果的稳健性与研究结论的可靠性。
稳健性检验结果如表6所示，列（1）（2）为基准回归稳健性检验结果，列（3）（4）为高AI地区分组回归结果，列（5）（6）为低AI地区分组回归结果：
| 变量 | 基准: Fund | 基准: Employ | 高AI: Fund | 高AI: Employ | 低AI: Fund | 低AI: Employ |
|---|---|---|---|---|---|---|
| AI_GDP（AI产业占比） | 7.982*** (2.015) | 9.673*** (2.218) | 11.564*** (2.287) | 14.892*** (2.496) | 2.987* (1.795) | 3.876* (2.012) |
| PGDP（人均GDP） | 1.189** (0.543) | 1.798** (0.765) | 1.498** (0.654) | 2.015** (0.876) | 0.812 (0.521) | 0.987 (0.743) |
| FS（财政自给率） | 0.081* (0.042) | 0.118* (0.059) | 0.119** (0.053) | 0.149** (0.075) | 0.051 (0.041) | 0.082 (0.062) |
| Wage（平均工资） | 0.521** (0.221) | 0.756** (0.312) | 0.734** (0.256) | 0.923** (0.354) | 0.312 (0.201) | 0.415 (0.301) |
| 常数项 | 5.678*** (1.211) | 49.123*** (3.389) | 4.567*** (1.312) | 46.123*** (3.612) | 6.987** (2.098) | 50.567*** (3.812) |
| N（样本量） | 155 | 155 | 65 | 65 | 90 | 90 |
| R²（拟合优度） | 0.665 | 0.701 | 0.768 | 0.795 | 0.543 | 0.576 |
注：括号内为标准误，***、**、*分别表示在1%、5%、10%的显著性水平下显著；样本量与前文一致。基准回归155 个观测值，高 AI 地区65 个观测值，低 AI 地区90 个观测值。
稳健性检验表明，将核心解释变量替换为AI_GDP后，其在所有模型中的回归系数均显著为正。无论是在基准回归、高AI地区（均在1%水平显著），还是低AI地区（10%水平显著），各变量的符号与显著性均与前文高度一致，这充分证明替换变量后的实证结果稳健可靠，有效支撑了前文提出的三大研究假设。
4结语
本文基于2020至2024年全国31省份面板数据，探讨了AI普及率地区差异对弹性退休实施基础的影响。研究表明，二者均呈现显著的空间分化特征。东部AI普及率偏高，而中西部及东北相对滞后。退休压力与就业约束也展现出复杂的区域交织，东部面临较低退休压力与较弱就业约束，中西部及东北则承受双重高压，据此划分的四类典型区域验证了空间差异的客观存在。
实证发现，AI普及率提升对改善弹性退休条件起到关键支撑作用。其逻辑在于，AI带动了生产率飞跃并充实了基金收入，同时催生适老岗位、降低劳动强度，全面夯实了制度根基。该优化效应存在强烈的地区异质性，并与经济社会发展水平深度挂钩。人均GDP、财政自给率及平均工资等控制变量同样发挥重要调节作用。这些指标的提升能有效化解养老金支付风险并增强大龄就业黏性，深刻揭示了技术普及与经济社会发展的协同演进关系，二者的良性互动为改善弹性退休环境提供了最优实施路径。
参考文献：
- [1] 蔡昉. 人口负增长时代: 中国经济增长的挑战与机遇[J]. 上海支部生活,2023(07):57-57.
- [2] 陈肖华, 杨再贵,朱冠平. 延迟退休政策下职工弹性退休意愿与养老保险基金可持续性[J].保险研究,2025(01):81-97.
- [3] 袁理. 弹性退休政策下养老保障第二支柱的发展机遇与挑战[J]. 中国保险,2025(09):6-10.
- [4] 朱尔茜. 新结构经济学视角下区域经济发展战略审视[J]. 青海社会科学,2016(05):100-104+111.
- [5] 陈雨菲. 新结构经济学视角下中国经济发展对金融结构的影响分析[D]. 吉林大学,2020.
- [6] 丁楠, 张小玉. 面向产业需求的高校人工智能人才培养策略——基于人工智能劳动力市场供需匹配度的实证分析[J]. 教育评论,2025(06):29-38.
- [7] 清华大学人工智能研究院.2023-2024中国人工智能发展报告[R]. 北京: 清华大学出版社,2024.
- [8] Acemoglu D, Restrepo P. The race between man and machine: Implications of technology for growth, factor shares, and employment[J]. American Economic Review,2018,108(06):1488-1542.
- [9] Modigliani F, Brumberg R. Utility analysis and the consumption function: an interpretation of cross-section data[A]//Post-Keynesian Economics. New Brunswick: Rutgers University Press,1954.