摘" "要：本文基于2015年、2017年中國家庭金融調(diào)查（CHFS）數(shù)據(jù)，考察了人工智能應(yīng)用對(duì)家庭債務(wù)的影響，并從信貸供求渠道驗(yàn)證了兩者間的作用機(jī)制。研究結(jié)果顯示，人工智能應(yīng)用抑制了家庭債務(wù)規(guī)模的上升。異質(zhì)性檢驗(yàn)結(jié)果表明，人工智能應(yīng)用更容易抑制戶主為低教育水平的家庭、農(nóng)村戶口家庭、西部地區(qū)家庭以及低人力資本存量地區(qū)家庭的債務(wù)擴(kuò)張。作用機(jī)制檢驗(yàn)結(jié)果表明，人工智能應(yīng)用主要通過緊縮信貸供給從而抑制了家庭債務(wù)上漲。

關(guān)鍵詞：人工智能應(yīng)用；家庭債務(wù)；勞動(dòng)力就業(yè)；信貸供求

中圖分類號(hào)：F832.479" 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-2265（2024）06-0079-10

DOI：10.19647/j.cnki.37-1462/f.2024.06.008

一、引言

人工智能是引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動(dòng)力。隨著新一輪科技革命的蓬勃發(fā)展，作為人工智能的一項(xiàng)重要應(yīng)用，工業(yè)機(jī)器人在全球的廣泛推廣與普及帶來了生產(chǎn)方式的革新與勞動(dòng)生產(chǎn)率的提高。據(jù)國際機(jī)器人聯(lián)合會(huì)（IFR）統(tǒng)計(jì)（見圖1），2010—2019年中國工業(yè)機(jī)器人應(yīng)用存量逐年上升，年均增長率高達(dá)35.23%，于2016年首次超越日本成為全球工業(yè)機(jī)器人應(yīng)用庫存量最大的國家。截至2019年，中國工業(yè)機(jī)器人應(yīng)用庫存量已達(dá)780913臺(tái)，占世界總工業(yè)機(jī)器人存量的28.69%。一方面，由于人工智能在技術(shù)上的不斷更迭能夠提升企業(yè)生產(chǎn)率（黃曉鳳等，2023）[1]，由此形成的規(guī)模效應(yīng)既能夠擴(kuò)大企業(yè)生產(chǎn)成本優(yōu)勢(shì)（Sahin，2020）[2]，還可以提高企業(yè)員工收入水平，并創(chuàng)造更多的就業(yè)機(jī)會(huì)，故而人工智能備受企業(yè)青睞；另一方面，人工智能加速了機(jī)器人在勞動(dòng)力市場(chǎng)上對(duì)人的替代，人類的就業(yè)面臨著前所未有的挑戰(zhàn)（Frey和Osborne，2017）[3]。因此，人工智能應(yīng)用受到了學(xué)術(shù)界的廣泛關(guān)注。

縱觀現(xiàn)有關(guān)于人工智能應(yīng)用的文獻(xiàn)，大部分研究關(guān)注其內(nèi)涵、技術(shù)開發(fā)及經(jīng)濟(jì)效應(yīng)。在內(nèi)涵與技術(shù)開發(fā)方面，主要圍繞什么是人工智能、如何設(shè)計(jì)開發(fā)人工智能從而更好地應(yīng)用于各個(gè)領(lǐng)域兩個(gè)問題展開。關(guān)于其經(jīng)濟(jì)效應(yīng)的文獻(xiàn)亦是層出不窮，主要涉及以下兩類：第一類是宏觀經(jīng)濟(jì)效應(yīng)研究，主要從行業(yè)層面與市場(chǎng)層面展開。一方面，研究識(shí)別了哪些行業(yè)更易受到人工智能的沖擊影響。如Frey和Osborne（2017）[3]測(cè)算了人工智能替代各個(gè)行業(yè)的可能性，研究表明約有47%的行業(yè)面臨替代風(fēng)險(xiǎn)。另一方面，研究探討了人工智能應(yīng)用對(duì)勞動(dòng)力市場(chǎng)需求的影響效應(yīng)。如王曉娟等（2022）[4]探討了長期和短期內(nèi)人工智能應(yīng)用對(duì)制造業(yè)就業(yè)需求的影響，研究表明，短期內(nèi)人工智能應(yīng)用將會(huì)擠占勞動(dòng)力就業(yè)，致使市場(chǎng)就業(yè)需求下降，而在中長期，其將創(chuàng)造就業(yè)崗位，增加市場(chǎng)就業(yè)需求。第二類是微觀經(jīng)濟(jì)效應(yīng)研究，主要從企業(yè)層面與個(gè)人層面展開。其一，人工智能對(duì)個(gè)人就業(yè)的影響。如Goddard等（2021）[5]的研究指出機(jī)器人的應(yīng)用將使得勞動(dòng)力失業(yè)概率上漲，存在替代效應(yīng)。其二，人工智能對(duì)就業(yè)收入的影響。羅潤東和郭怡笛（2022）[6]的研究表明人工智能應(yīng)用水平每提升1個(gè)單位，員工平均薪酬水平將會(huì)增長0.015個(gè)單位。而Daron和Pascual（2020）[7]研究表明，每千名工人多一個(gè)機(jī)器人，工資水平將會(huì)降低0.42%。Lankisch等（2019）[8]研究表明，機(jī)器人的推廣會(huì)使得低技能工人的工資水平下降，但對(duì)于高技能工人的工資水平具有溢出效應(yīng)，存在收入的“極化現(xiàn)象”。人工智能沖擊勞動(dòng)力就業(yè)，必然影響其家庭經(jīng)濟(jì)決策，其中，家庭債務(wù)決策首當(dāng)其沖。

黨的十九大把防范化解重大風(fēng)險(xiǎn)作為決勝全面建成小康社會(huì)必須打贏的三大攻堅(jiān)戰(zhàn)之一。2017年12月的中央經(jīng)濟(jì)工作會(huì)議再次強(qiáng)調(diào)，打好防范化解重大風(fēng)險(xiǎn)攻堅(jiān)戰(zhàn)，重點(diǎn)是防控金融風(fēng)險(xiǎn)。家庭債務(wù)作為現(xiàn)代社會(huì)普遍存在的一種經(jīng)濟(jì)現(xiàn)象和社會(huì)現(xiàn)象，亦是引發(fā)金融風(fēng)險(xiǎn)的導(dǎo)火索之一。根據(jù)國家金融與發(fā)展實(shí)驗(yàn)室2022年發(fā)布的中國國家資產(chǎn)負(fù)債表數(shù)據(jù)（見圖2），中國家庭債務(wù)占GDP的比重較16年前翻了三番，截至2021年末，該比重高達(dá)62.2%，家庭負(fù)債與可支配收入之比也由2004年的33%飆升至2018年的92%?？焖僭鲩L的居民杠桿率引起了政府部門的高度關(guān)注。除此之外，信貸供給不足的問題也隨著居民杠桿率的提升漸漸顯露。2019年《中國農(nóng)村金融服務(wù)供給與需求研究報(bào)告》顯示，在被調(diào)研的6個(gè)省60個(gè)縣180個(gè)村中，存在正規(guī)信貸需求的農(nóng)戶占總樣本的31.39%，然而僅有18.38%的農(nóng)戶獲得了信貸供給，故而農(nóng)村信貸可獲得性處于較低水平，貸款難、貸款貴仍是當(dāng)下需要攻克的難題。一方面是持續(xù)攀升的家庭負(fù)債率，另一方面是存在普遍的貸款難現(xiàn)象，兩者看似背道而馳，實(shí)則充分暴露出當(dāng)下金融體系的低效率、金融體制的不完善與金融市場(chǎng)的結(jié)構(gòu)失衡。居高不下的家庭負(fù)債水平加大了家庭部門的金融風(fēng)險(xiǎn)，而居民貸款難則降低了居民部門的消費(fèi)支出，進(jìn)一步阻礙了經(jīng)濟(jì)的可持續(xù)增長。如何平衡防范家庭債務(wù)風(fēng)險(xiǎn)與提高信貸的可及性是當(dāng)下亟待解答的問題之一。

自2008年金融危機(jī)爆發(fā)以來，日益嚴(yán)峻的家庭債務(wù)問題引人注目，學(xué)者們紛紛對(duì)其影響因素展開研究，試圖從源頭找到化解債務(wù)危機(jī)與降低金融風(fēng)險(xiǎn)的方法，家庭要素稟賦差異（Reboul等，2021）[9]、利率（Stockhammer和Wildauer，2018）[10]、地方經(jīng)濟(jì)不確定性（郭新華和朱小青，2021）[11]、地方房價(jià)水平（趙向琴等，2021）[12]、貨幣政策（Canakci，2021）[13]、社會(huì)保障與福利（Annarelli，2022）[14]等被認(rèn)為是影響家庭債務(wù)的主要因素。與本文主題密切相關(guān)的研究主要是勞動(dòng)力就業(yè)和收入對(duì)家庭債務(wù)影響的文獻(xiàn)。關(guān)于勞動(dòng)力就業(yè)對(duì)家庭債務(wù)的影響，吳衛(wèi)星等（2013）[15]研究發(fā)現(xiàn)勞動(dòng)力積極參與就業(yè)能夠正向影響家庭債務(wù)。周利等（2021）[16]研究則發(fā)現(xiàn)勞動(dòng)力消極就業(yè)與失業(yè)將會(huì)刺激家庭債務(wù)上漲。Barba和Pivetti（2009）[17]從收入的角度考察其對(duì)家庭債務(wù)的影響，結(jié)果發(fā)現(xiàn)低收入水平家庭往往有著更為強(qiáng)烈的借貸需求，故而這部分家庭的債務(wù)水平較高。還有學(xué)者發(fā)現(xiàn)，收入差距亦是影響家庭債務(wù)的重要因素之一，收入差距越大的地區(qū)家庭負(fù)債的可能性越高（Loschiavo，2021）[18]。

綜上，關(guān)于人工智能應(yīng)用對(duì)勞動(dòng)力市場(chǎng)的影響以及勞動(dòng)力市場(chǎng)對(duì)家庭債務(wù)影響的文獻(xiàn)較為豐富，但鮮有文獻(xiàn)從家庭層面研究人工智能應(yīng)用水平對(duì)家庭債務(wù)的影響。人工智能應(yīng)用能夠影響勞動(dòng)力就業(yè)和收入，而勞動(dòng)力就業(yè)和收入又能夠影響家庭債務(wù)，那么人工智能應(yīng)用能否對(duì)家庭債務(wù)產(chǎn)生影響，是創(chuàng)造效應(yīng)還是替代效應(yīng)？又將如何產(chǎn)生影響？為解答上述問題，本文利用2015年、2017年中國家庭金融調(diào)查（CHFS）的微觀家庭數(shù)據(jù)，匹配測(cè)算的省級(jí)機(jī)器人數(shù)據(jù)，形成兩期面板數(shù)據(jù)，實(shí)證檢驗(yàn)了人工智能應(yīng)用對(duì)家庭債務(wù)的影響及機(jī)制。本文的邊際貢獻(xiàn)在于：一是系統(tǒng)研究了人工智能應(yīng)用對(duì)家庭債務(wù)的影響，是較早采用家庭微觀數(shù)據(jù)論證人工智能應(yīng)用對(duì)家庭債務(wù)影響的文獻(xiàn)；二是從信貸供求渠道剖析了人工智能應(yīng)用對(duì)家庭債務(wù)的作用機(jī)制，并結(jié)合中國數(shù)據(jù)予以實(shí)證檢驗(yàn)；三是細(xì)化了人工智能應(yīng)用對(duì)家庭債務(wù)的影響效應(yīng)，能夠?yàn)槲覈婪都彝鶆?wù)風(fēng)險(xiǎn)或加強(qiáng)信貸的可及性提供思路。

二、理論分析

（一）信貸需求渠道

人工智能的大規(guī)模應(yīng)用對(duì)世界各國勞動(dòng)力市場(chǎng)產(chǎn)生了較大的沖擊。通過對(duì)現(xiàn)有文獻(xiàn)分析歸納，發(fā)現(xiàn)人工智能主要對(duì)勞動(dòng)力市場(chǎng)產(chǎn)生替代效應(yīng)與創(chuàng)造效應(yīng)。替代效應(yīng)主要是指機(jī)器人對(duì)人力的替代會(huì)降低企業(yè)對(duì)各崗位的需求與工資。而創(chuàng)造效應(yīng)則是指技術(shù)進(jìn)步推動(dòng)生產(chǎn)力水平及生產(chǎn)效率的提高，進(jìn)而刺激勞動(dòng)力需求上漲，就業(yè)人數(shù)上升。與此同時(shí)，技術(shù)進(jìn)步能夠提振要素生產(chǎn)效率，進(jìn)一步促進(jìn)勞動(dòng)力邊際報(bào)酬增加，就業(yè)收入也隨之上漲（Frey和Osborne，2017）[3]。還有研究指出，人工智能應(yīng)用對(duì)勞動(dòng)力市場(chǎng)存在填補(bǔ)效應(yīng)，即人工智能通過填補(bǔ)產(chǎn)業(yè)鏈中人所不能勝任卻又不可或缺的崗位，從而形成一個(gè)完整的產(chǎn)業(yè)鏈閉環(huán)，這將會(huì)極大增強(qiáng)勞動(dòng)力的就業(yè)意愿，從而促進(jìn)就業(yè)量增長（鄧洲和黃婭娜，2019）[19]。同時(shí)，產(chǎn)業(yè)經(jīng)濟(jì)鏈的完善對(duì)員工收入具有溢出效應(yīng)（Paweenawat，2021）[20]，進(jìn)而促進(jìn)就業(yè)人數(shù)與就業(yè)收入的穩(wěn)步增長。

當(dāng)創(chuàng)造和填補(bǔ)效應(yīng)大于替代效應(yīng)時(shí)，人工智能的應(yīng)用可以增加家庭就業(yè)和收入，這將進(jìn)一步減少信貸需求，并導(dǎo)致家庭債務(wù)減少。原因可能在于，在永久收入假說的基礎(chǔ)上，家庭將根據(jù)預(yù)期的長期收入水平而不是臨時(shí)收入水平來確定其消費(fèi)水平（Madrigal等，1993）[21]。因此，短期內(nèi)收入的增加不會(huì)導(dǎo)致消費(fèi)水平的提高。相反，家庭將傾向于使用盈余來償還貸款或留出更多的儲(chǔ)蓄，以避免未來的收入波動(dòng)，這將減少家庭的借貸動(dòng)機(jī)（Brown和Taylor 2008）[22]和家庭債務(wù)的需求。Crook（2006）[23]研究表明，隨著未來預(yù)期收入的增加，家庭消費(fèi)可以被收入所滿足，從而降低了家庭信貸需求，抑制了家庭債務(wù)水平的上升。當(dāng)替代效應(yīng)大于創(chuàng)造和填補(bǔ)效應(yīng)時(shí)，人工智能應(yīng)用將擠占家庭就業(yè)，減少家庭收入，基于永久收入假說，短期內(nèi)收入的減少亦不會(huì)導(dǎo)致消費(fèi)水平的降低，反而會(huì)導(dǎo)致家庭為了維持原有的消費(fèi)水平產(chǎn)生而借貸需求，從而導(dǎo)致家庭債務(wù)增加，因此，我們提出以下兩個(gè)競(jìng)爭性假設(shè)。

H1a：人工智能應(yīng)用可以增加家庭就業(yè)和收入，抑制信貸需求，從而減少家庭債務(wù)。

H1b：人工智能應(yīng)用可以減少家庭就業(yè)和收入，刺激信貸需求，從而增加家庭債務(wù)。

（二）信貸供給渠道

隨著人工智能技術(shù)的不斷成熟以及與金融的跨界融合，智能金融逐步成為金融服務(wù)的主流。隨著金融資源分配的優(yōu)化，居民的流動(dòng)性約束得到緩解，居民的信貸可及性大大提高。如果人工智能應(yīng)用增加了家庭就業(yè)和收入，家庭所受信貸約束得到緩解，將刺激信貸供應(yīng)，從而可能增加家庭債務(wù)。此外，智能時(shí)代下金融機(jī)構(gòu)也對(duì)居民金融素養(yǎng)提出了更高的要求，通過智能網(wǎng)絡(luò)檢測(cè)居民金融素養(yǎng)，金融素養(yǎng)水平越高的居民越容易通過金融機(jī)構(gòu)貸款資質(zhì)核查，越可能獲得信貸供給（張樂柱和王劍楠，2022）[24]。受人工智能應(yīng)用影響就業(yè)和收入增加的群體往往為受教育程度較高人群，此類群體的金融素養(yǎng)通常較高，因而更容易通過金融機(jī)構(gòu)資質(zhì)核查獲得信貸供給，從而增加家庭債務(wù)。

然而，大量研究指出，智能化時(shí)代下“麥克米倫缺口”現(xiàn)象仍然存在，其原因在于，人工智能的引入為信貸審批流程提供了更為嚴(yán)苛的技術(shù)支持（王勛等，2022）[25]，如果人工智能應(yīng)用減少了家庭就業(yè)和收入，可能將進(jìn)一步加劇收入較低群體的信貸困境。具體作用機(jī)制如下：一方面，家庭成員失業(yè)或收入減少后，所受信貸約束收緊，從而抑制信貸供給；另一方面，人工智能應(yīng)用更可能替代受教育程度較低人群的就業(yè)（孫望書和孫旭，2024）[26]，該類人群往往金融素養(yǎng)水平較低，難以通過金融機(jī)構(gòu)貸款資質(zhì)核查，獲取信貸供給難度加大，從而減少了家庭債務(wù)。在此基礎(chǔ)上，我們提出以下兩個(gè)競(jìng)爭性假設(shè)。

H2a：人工智能應(yīng)用可以增加家庭就業(yè)和收入，刺激信貸供應(yīng)，從而增加家庭債務(wù)。

H2b：人工智能應(yīng)用可以減少家庭就業(yè)和收入，抑制信貸供應(yīng)，從而減少家庭債務(wù)。

綜上，由于人工智能應(yīng)用可能增加或減少家庭就業(yè)和收入，從而刺激或抑制信貸需求和信貸供給，進(jìn)而增加或減少家庭債務(wù)，因此，理論分析無法最終確定人工智能應(yīng)用對(duì)家庭債務(wù)的影響方向，需通過實(shí)證進(jìn)一步驗(yàn)證。本文研究框架見圖3。

圖3：研究框架

三、實(shí)證設(shè)計(jì)

（一）數(shù)據(jù)來源與處理

本文數(shù)據(jù)主要涵蓋微觀與宏觀兩個(gè)層面。本文所選用的微觀數(shù)據(jù)是CHFS 2015年、2017年數(shù)據(jù)。CHFS是我國首個(gè)家庭金融微觀調(diào)查，其數(shù)據(jù)覆蓋了全國29個(gè)?。ㄗ灾螀^(qū)、直轄市，不含港澳臺(tái)地區(qū)，以下簡稱省份），代表性較強(qiáng)。除人口統(tǒng)計(jì)特征外，該數(shù)據(jù)還涵蓋了以家庭為最小的微觀經(jīng)濟(jì)單元的收入、消費(fèi)水平以及資產(chǎn)與負(fù)債等方面的信息，為本文從微觀層面考察人工智能應(yīng)用對(duì)家庭債務(wù)的影響及其作用機(jī)制提供了關(guān)鍵的數(shù)據(jù)支撐。本文先剔除了家庭層面相關(guān)變量存在缺失值的家庭以及2017年未追蹤到的家庭。為避免異常值對(duì)回歸結(jié)果的影響，本文將戶主年收入與年總支出小于100元、資不抵債的家庭樣本進(jìn)行了剔除。參照現(xiàn)有相關(guān)文獻(xiàn)的做法，考慮到孩童、青少年以及老年人對(duì)家庭決策影響較低，本文僅保留了戶主年齡為18～70歲的家庭樣本，最后篩選得出4332戶有效家庭，共8664個(gè)有效樣本。宏觀數(shù)據(jù)方面，工業(yè)機(jī)器人數(shù)據(jù)來源于國際機(jī)器人聯(lián)合會(huì)，包括7個(gè)行業(yè)大類的機(jī)器人安裝量與存量數(shù)據(jù)，各省份細(xì)分行業(yè)就業(yè)人數(shù)數(shù)據(jù)來源于《中國勞動(dòng)統(tǒng)計(jì)年鑒》，其他變量數(shù)據(jù)來源于《中國統(tǒng)計(jì)年鑒》。

（二）變量設(shè)定

1. 被解釋變量：家庭債務(wù)規(guī)模，為家庭負(fù)債總額的對(duì)數(shù)值。其中，家庭負(fù)債總額為各類負(fù)債金額之和，包括農(nóng)業(yè)經(jīng)營、工商業(yè)經(jīng)營、商鋪、住房、車輛、股票、其他金融產(chǎn)品、教育、其他負(fù)債。本文還采用家庭負(fù)債率（家庭總負(fù)債與總資產(chǎn)的比值）與家庭是否負(fù)債作為替換變量進(jìn)行穩(wěn)健性檢驗(yàn)。

2. 核心解釋變量：人工智能應(yīng)用。參照王文等（2020）[27]的思路，采用各省份工業(yè)機(jī)器人安裝密度（每萬名工人擁有的工業(yè)機(jī)器人數(shù)量）來衡量人工智能應(yīng)用水平。計(jì)算思路如下：先根據(jù)國際機(jī)器人聯(lián)合會(huì)（IFR）數(shù)據(jù)庫按行業(yè)大類選取A—B（農(nóng)林漁牧）、C（采礦業(yè)）、D（制造業(yè)）、E（電燃水氣供應(yīng)業(yè)）、F（建筑業(yè)）、P（教育科研業(yè)）、99（其他行業(yè)）七類，以此分類從《中國勞動(dòng)統(tǒng)計(jì)年鑒》獲取細(xì)分行業(yè)各省份就業(yè)人數(shù)，進(jìn)而計(jì)算各省份各行業(yè)就業(yè)人數(shù)占各省份就業(yè)總?cè)藬?shù)的百分比，加權(quán)計(jì)算各省份機(jī)器人安裝量。然后用各省份機(jī)器人安裝量除以各省就業(yè)總?cè)丝跀?shù)算出工業(yè)機(jī)器人安裝密度。計(jì)算公式如下：

[ρrobotpt=∑laborpjtlaborpt×robotjtlaborpt]" " " （1）

其中，[ρrobotpt]表示[p]省[t]年的機(jī)器人安裝密度，[laborpjt]表示[p]省[j]行業(yè)[t]年的就業(yè)人數(shù)，[laborpt]表示[p]省[t]年的就業(yè)總?cè)藬?shù)，[robotjt]表示[j]行業(yè)[t]年的機(jī)器人安裝量。

本文還參照上述測(cè)算思路，按照機(jī)器人應(yīng)用存量計(jì)算出存量密度作為替代變量進(jìn)行穩(wěn)健性檢驗(yàn)。文章還借鑒Du 和Lin（2022）[28]等的研究，采用Bartik工具變量法計(jì)算機(jī)器人安裝密度，進(jìn)行穩(wěn)健性檢驗(yàn)。其計(jì)算公式如下：

[ρrobotpt=∑laborpjtlaborpt×robotjtlaborjt]" " " "（2）

其中，[laborjt]表示[j]行業(yè)[t]年的就業(yè)總?cè)藬?shù)。

3. 其他控制變量。其他控制變量主要包括地區(qū)房價(jià)水平、地區(qū)GDP、地區(qū)金融發(fā)展深度、地區(qū)社會(huì)保障與就業(yè)支出、戶主年齡平方、戶主性別、戶主年齡、家庭是否有房產(chǎn)以及家庭戶口類型。具體變量定義見表1。

表2為變量的描述性統(tǒng)計(jì)結(jié)果。家庭平均債務(wù)規(guī)模為8.601，標(biāo)準(zhǔn)差為4.435，說明我國居民債務(wù)水平存在較大差異。而人工智能應(yīng)用的平均水平為5.56，標(biāo)準(zhǔn)差為2.842，表明各地區(qū)人工智能應(yīng)用的推廣程度也有所不同。本文進(jìn)一步將樣本分為負(fù)債家庭樣本組與無負(fù)債家庭樣本組，結(jié)果顯示抽取的8664個(gè)樣本中7017個(gè)樣本存在家庭負(fù)債，占比為80.99%，說明居民家庭普遍存在借貸行為。另外，負(fù)債家庭樣本組所在省份的人工智能應(yīng)用水平的均值為5.009，小于無負(fù)債家庭樣本組所在省份的人工智能應(yīng)用的平均水平7.909，故而初次得出推斷，人工智能應(yīng)用水平可能與家庭債務(wù)呈負(fù)相關(guān)關(guān)系。

（三）模型設(shè)定

為了估計(jì)人工智能應(yīng)用對(duì)家庭債務(wù)的影響效應(yīng)，構(gòu)建基準(zhǔn)回歸方程如下：

[debtit=α0+α1ρrobotpt+α2Zpt+α3Xit+Dt+Di+εitp]" "（3）

如公式（3）所示，[debtit]為被解釋變量，表示[t]年[i]家庭的家庭債務(wù)規(guī)模。[ρrobotpt]為核心解釋變量，表示各個(gè)家庭所屬省份地區(qū)[t]年的機(jī)器人安裝密度。[Zpt]為宏觀層面的控制變量，具體包括地區(qū)房價(jià)水平、地區(qū)GDP、地區(qū)金融發(fā)展深度、地區(qū)社會(huì)保障與就業(yè)支出。[Xit]則代表家庭微觀層面的控制變量，涵蓋戶主年齡平方、戶主性別、戶主年齡、家庭是否有房產(chǎn)以及家庭戶口類型。[Dt]、[Di]分別代表樣本家庭的時(shí)間固定效應(yīng)、個(gè)體固定效應(yīng)。[εitp]為隨機(jī)誤差項(xiàng)。

四、實(shí)證結(jié)果分析

（一）人工智能應(yīng)用對(duì)家庭債務(wù)的影響研究

1. 基準(zhǔn)回歸結(jié)果。基準(zhǔn)回歸結(jié)果如表3所示。第（1）列為固定了時(shí)間與個(gè)體但尚未引入控制變量的回歸結(jié)果，核心解釋變量人工智能應(yīng)用的估計(jì)系數(shù)為-0.194，在1%的顯著性水平下顯著為負(fù)。在引入了控制變量后，其系數(shù)為-0.221，同樣在1%的顯著性水平下顯著，且呈負(fù)相關(guān)關(guān)系。這表明人工智能應(yīng)用對(duì)家庭債務(wù)規(guī)模具有顯著的負(fù)向影響，原因可能在于，人工智能應(yīng)用通過增加家庭就業(yè)和收入抑制了信貸需求，從而減少了家庭債務(wù)；或者人工智能應(yīng)用通過減少家庭就業(yè)和收入抑制了信貸供給，從而減少了家庭債務(wù)。具體原因還需通過作用機(jī)制檢驗(yàn)進(jìn)一步驗(yàn)證。

2. 穩(wěn)健性檢驗(yàn)。（1）考慮內(nèi)生性問題。核心解釋變量的內(nèi)生性問題是實(shí)證研究中不可忽視的部分，故而本文將尋找人工智能應(yīng)用的工具變量，采用工具變量法處理測(cè)量偏誤并獲得一致性估計(jì)。本文選取各省光纜密度作為工具變量，即每平方公里光纜線路的長度。一方面，人工智能的關(guān)鍵元件是傳感器，光纖因具備能夠承載大量信息進(jìn)行遠(yuǎn)距離傳輸且不易受電磁干擾的特性而成為制造傳感器的不二之選，故而各地區(qū)光纜密度會(huì)影響人工智能應(yīng)用水平；另一方面，各地區(qū)光纜的設(shè)置不受家庭債務(wù)水平的影響，故而該變量具備一定的外生性。

表4中第一列為工具變量一階段回歸結(jié)果，地區(qū)光纜密度的估計(jì)系數(shù)為0.175，且在1%的顯著性水平下顯著為正，表明光纜密度越高的地區(qū)人工智能應(yīng)用水平越高。第二列為二階段回歸結(jié)果。結(jié)果顯示人工智能應(yīng)用仍顯著負(fù)向影響家庭債務(wù)規(guī)模，弱工具檢驗(yàn)下F值為1062.31大于16.38，說明地區(qū)光纜密度是強(qiáng)工具變量。加入工具變量克服了潛在內(nèi)生性之后，結(jié)論仍然穩(wěn)健，表明人工智能應(yīng)用水平的上升會(huì)抑制家庭債務(wù)規(guī)模的擴(kuò)張。

（2）替換被解釋變量。本文將家庭負(fù)債率與家庭是否負(fù)債作為家庭債務(wù)規(guī)模的替換代理變量。其中，家庭負(fù)債率為家庭總負(fù)債與總資產(chǎn)的比值，能夠反映各個(gè)家庭債務(wù)的相對(duì)水平?？紤]到該變量為截堵變量，故而采用xttobit模型進(jìn)行回歸。而家庭是否負(fù)債則根據(jù)家庭現(xiàn)有債務(wù)是否為0進(jìn)行判斷，當(dāng)家庭債務(wù)為0時(shí)，該變量取值為0，反之則為1。由于該變量為二值變量，故而采用xtprobit模型進(jìn)行回歸。表4第三、四列回歸結(jié)果表明，人工智能應(yīng)用水平每提升1個(gè)單位，家庭負(fù)債的可能性將會(huì)降低5.9%個(gè)單位，家庭負(fù)債率將會(huì)減少0.9%個(gè)單位。該結(jié)果支持了基準(zhǔn)回歸結(jié)果，穩(wěn)健性檢驗(yàn)通過。

（3）替換核心解釋變量。進(jìn)一步地，本文還將滯后一期的機(jī)器人安裝密度與采用Bartik 工具變量法計(jì)算的機(jī)器人安裝密度作為核心解釋變量的替換變量。如表4第五、六列所示，人工智能應(yīng)用的系數(shù)符號(hào)仍為負(fù)，且在1%的顯著性水平上顯著，與基準(zhǔn)回歸結(jié)果一致，穩(wěn)健性檢驗(yàn)通過。

（4）替換樣本。考慮到戶主年齡可能會(huì)對(duì)家庭債務(wù)決策產(chǎn)生相應(yīng)的影響，且適齡勞動(dòng)力家庭樣本更能夠體現(xiàn)人工智能應(yīng)用對(duì)家庭債務(wù)的影響，因此，篩選戶主年齡小于等于60歲的家庭進(jìn)行回歸。表4第七列為回歸結(jié)果，在替換了樣本后，核心解釋變量的系數(shù)符號(hào)和顯著性都與基準(zhǔn)回歸結(jié)果保持一致。

（二）人工智能應(yīng)用對(duì)家庭債務(wù)影響的作用機(jī)制檢驗(yàn)

理論分析表明，人工智能應(yīng)用可以通過信貸需求與信貸供給渠道對(duì)家庭債務(wù)產(chǎn)生影響。本部分參考馬述忠與張洪勝（2017）[29]、邵朝對(duì)與蘇丹妮（2019）[30]以及劉誠等（2023）[31]的研究，先檢驗(yàn)核心解釋變量是否會(huì)影響中介變量，然后引入兩者的交乘項(xiàng)以檢驗(yàn)人工智能應(yīng)用的作用機(jī)制。具體的計(jì)量模型如式（4）和式（5）所示。

[mediatorit=β0+β1ρrobotpt+β2Zpt+β3Xit+Dt+Di+εitp]" （4）

[debtit=δ0+δ1ρrobotpt×mediatorit+δ2mediatorit+δ3Zpt+δ4Xit+Dt+Di+εitp]" " （5）

上式中，[mediatorit]為信貸需求與信貸供給的統(tǒng)稱。為避免交乘項(xiàng)與原變量間可能存在的多重共線性，本文已對(duì)交乘項(xiàng)進(jìn)行了去中心化處理。

為進(jìn)一步驗(yàn)證上文假設(shè)，本部分具體考察了人工智能應(yīng)用是否通過信貸供給機(jī)制和信貸需求機(jī)制影響了家庭債務(wù)水平。其中，信貸供給根據(jù)CHFS問卷設(shè)置的“截止到目前，您家是否曾獲得過來自銀行/信用社的貸款？”與“截止到目前，您家是否曾向銀行/信用社申請(qǐng)貸款，但是被拒絕？”問題進(jìn)行定義，曾經(jīng)申請(qǐng)貸款并成功獲得貸款則表明該家庭曾獲得信貸供給。獲得信貸供給時(shí)取值為1，否則為0。信貸需求則根據(jù)CHFS問卷中“家庭是否存在資金需求”這一問題進(jìn)行定義，存在資金需求時(shí)取值為1，否則為0。

回歸結(jié)果如表5所示。表5第一列結(jié)果顯示，人工智能應(yīng)用對(duì)家庭信貸供給在10%的顯著性水平上存在負(fù)向影響。這一結(jié)果初步驗(yàn)證了前文的假設(shè)，即人工智能技術(shù)賦能全流程金融風(fēng)險(xiǎn)控制，具有更為嚴(yán)苛的信貸準(zhǔn)入機(jī)制，這進(jìn)一步加劇了家庭部門的信貸約束。表5第二列結(jié)果顯示，信貸供給的估計(jì)系數(shù)為7.004，在1%的顯著性水平上顯著為正。而交乘項(xiàng)的系數(shù)為0.444，也在1%的顯著性水平上為正，表明人工智能應(yīng)用水平能夠強(qiáng)化信貸供給對(duì)家庭債務(wù)的正向影響，即人工智能應(yīng)用水平越高，信貸供給對(duì)家庭債務(wù)的正向影響越強(qiáng)。該機(jī)制表明，人工智能的普及能夠通過約束信貸供給進(jìn)而抑制家庭債務(wù)水平的上升。該結(jié)論佐證了假設(shè)H2b成立，即人工智能應(yīng)用可以減少家庭就業(yè)和收入，抑制信貸供應(yīng)，從而減少家庭債務(wù)。然而，根據(jù)表5第三列和第四列的結(jié)果可知，人工智能應(yīng)用并沒有對(duì)信貸需求產(chǎn)生影響，從而不會(huì)進(jìn)一步影響家庭債務(wù)規(guī)模。該結(jié)果也證實(shí)了人工智能應(yīng)用與信貸需求間并不存在顯著的相關(guān)關(guān)系，故而該機(jī)制無法得到經(jīng)驗(yàn)數(shù)據(jù)的支撐，因此，該結(jié)論表明假設(shè)H1a和H1b均不成立，原因可能在于替代效應(yīng)帶來失業(yè)的家庭不會(huì)立即產(chǎn)生信貸需求。

綜上，人工智能應(yīng)用主要通過信貸供給機(jī)制影響家庭債務(wù)。人工智能的替代效應(yīng)使得家庭難以獲得信貸供給，加之受人工智能的替代效應(yīng)影響的群體往往金融素養(yǎng)水平較低，導(dǎo)致其難以通過金融機(jī)構(gòu)貸款資質(zhì)核查，獲取信貸供給難度加大，從而進(jìn)一步降低了家庭債務(wù)水平。

（三）異質(zhì)性分析

考慮到家庭稟賦特征與地區(qū)異質(zhì)性在一定程度上會(huì)影響家庭債務(wù)決策，故而本文選取了戶主受教育程度、城鄉(xiāng)戶口差異、家庭所處經(jīng)濟(jì)帶以及地區(qū)人力資本水平作為劃分標(biāo)準(zhǔn)進(jìn)行異質(zhì)性分析。

1. 戶主受教育程度。戶主往往掌握著家中事務(wù)決策權(quán)，戶主的受教育程度不僅會(huì)直接影響其對(duì)事物的認(rèn)知、判斷，而且往往決定了其工作所需的技能類別。例如，受教育程度較低的人群往往從事低勞動(dòng)技能的工作，而受教育程度高的人群往往從事較高勞動(dòng)技能的工作。故本文根據(jù)戶主受教育程度進(jìn)行分組，大專以下劃分為低學(xué)歷水平組，大專及大專以上為高學(xué)歷水平組，并分樣本進(jìn)行回歸分析。

回歸結(jié)果見表6。第一列為低學(xué)歷水平組的回歸結(jié)果，核心解釋變量的估計(jì)系數(shù)為-0.304，且在1%的水平下顯著，表明對(duì)于戶主受教育水平較低的家庭，人工智能應(yīng)用水平的提升會(huì)抑制家庭債務(wù)規(guī)模的增長。低教育水平往往決定了該類人員的崗位為低勞動(dòng)技能崗位，人工智能的廣泛普及將會(huì)擠出這一部分就業(yè)，隨著家庭預(yù)期收入的下降以及所受信貸約束的增長，債務(wù)供給受限進(jìn)而導(dǎo)致家庭債務(wù)降低。表6第二列為高學(xué)歷水平組的回歸結(jié)果，核心解釋變量的估計(jì)系數(shù)為0.245，但不顯著，原因可能在于高教育水平人員的就業(yè)難以被機(jī)器人所替代，根據(jù)創(chuàng)造效應(yīng)，人工智能應(yīng)用將顯著提升這一部分人群的收入，雖然由此得到緩解的信貸約束可能導(dǎo)致債務(wù)擴(kuò)張，但可能由于這部分人群產(chǎn)生的信貸需求不強(qiáng)烈，因此，并未對(duì)家庭債務(wù)產(chǎn)生顯著影響。

2. 城鄉(xiāng)戶口差異。城鄉(xiāng)戶口的差異在很大程度上決定了各個(gè)家庭原有的經(jīng)濟(jì)狀況與消費(fèi)結(jié)構(gòu)，故而也會(huì)影響一個(gè)家庭的債務(wù)決策。因此，本節(jié)將按照城鄉(xiāng)戶口劃分樣本進(jìn)行異質(zhì)性分析。如表6所示，第三、四列分別展示了人工智能應(yīng)用對(duì)農(nóng)村和城鎮(zhèn)戶口家庭債務(wù)規(guī)模的影響。結(jié)果顯示，當(dāng)家庭為農(nóng)村戶口時(shí)，核心解釋變量的估計(jì)系數(shù)為-0.306，在1%的水平下顯著為負(fù)，表明人工智能的應(yīng)用將會(huì)顯著抑制農(nóng)村家庭的債務(wù)水平；而當(dāng)家庭為城鎮(zhèn)戶口時(shí)，其作用并不顯著。針對(duì)該結(jié)果，可能的解釋是大部分農(nóng)村家庭會(huì)由于其經(jīng)濟(jì)能力以及教育經(jīng)歷受限而無法獲得更高層次的就業(yè)機(jī)會(huì)，人工智能應(yīng)用的替代效應(yīng)更容易在農(nóng)村家庭中產(chǎn)生。進(jìn)一步地，由于家庭預(yù)期收入水平的降低，這些家庭將受到更高的信貸約束，抑制了家庭債務(wù)水平的上升。但對(duì)于城鎮(zhèn)戶口家庭，即使人工智能應(yīng)用對(duì)城鎮(zhèn)戶口家庭的低技能勞動(dòng)力產(chǎn)生了替代效應(yīng)，也可能由于其良好的經(jīng)濟(jì)能力不會(huì)受到嚴(yán)格的信貸約束。

3. 地區(qū)差異。不同地區(qū)要素稟賦存在差異，人工智能的應(yīng)用水平也存在著顯著的差異，這將對(duì)家庭的債務(wù)決策產(chǎn)生不同的影響。故而本節(jié)將樣本按照家庭戶口所在省份劃分為東、中、西部之后進(jìn)行分樣本回歸，結(jié)果如表6第五至七列所示。人工智能應(yīng)用對(duì)東、中部地區(qū)家庭的債務(wù)水平并沒有產(chǎn)生顯著的影響，但對(duì)西部家庭的債務(wù)水平具有顯著的負(fù)向影響?？赡艿脑蛟谟?，相對(duì)于東、中部地區(qū)而言，西部地區(qū)家庭收入水平較低，基礎(chǔ)設(shè)施建設(shè)較為落后，產(chǎn)業(yè)結(jié)構(gòu)不完善，勞動(dòng)力市場(chǎng)的高技術(shù)人才極度匱乏，勞動(dòng)力的流動(dòng)性不足。人工智能的應(yīng)用會(huì)使得更多西部地區(qū)家庭成員失業(yè)，隨之而來的信貸供應(yīng)緊縮最終抑制了其家庭債務(wù)的上漲。

4. 地區(qū)人力資本水平。鑒于人力資本能夠?yàn)槿斯ぶ悄艿膽?yīng)用與普及提供智力支撐，同時(shí)人工智能的發(fā)展也將助力人力資本結(jié)構(gòu)優(yōu)化，因而人工智能的應(yīng)用對(duì)不同人力資本存量水平的地區(qū)產(chǎn)生的替代效應(yīng)和創(chuàng)造效應(yīng)可能不同。因此，本文根據(jù)人力資本存量是否超過全國平均水平將29個(gè)省份分為高人力資本地區(qū)與低人力資本地區(qū)，在此基礎(chǔ)上進(jìn)行分樣本分析。其中，人力資本存量采用省份人均受教育年限來衡量。一般而言，人均受教育年限越高代表該地區(qū)人力資本水平越高。回歸結(jié)果見表6第八和九列，人工智能應(yīng)用與高人力資本水平地區(qū)的家庭負(fù)債并不存在顯著的相關(guān)關(guān)系，但與低人力資本水平地區(qū)家庭的債務(wù)規(guī)模呈顯著的負(fù)相關(guān)關(guān)系?？赡艿慕忉屖堑腿肆Y本水平地區(qū)的家庭往往受教育水平較低，進(jìn)而加劇了人工智能所帶來的替代效應(yīng)，工人失業(yè)沖擊使得信貸約束加強(qiáng)，進(jìn)而導(dǎo)致家庭債務(wù)規(guī)模減小。

五、結(jié)論與建議

本文基于2015年、2017年中國家庭金融調(diào)查（CHFS）數(shù)據(jù)，通過匹配微觀家庭數(shù)據(jù)、經(jīng)測(cè)算得到的各省份機(jī)器人數(shù)據(jù)以及其他相關(guān)省份層面的數(shù)據(jù)形成兩期平衡面板數(shù)據(jù)，實(shí)證檢驗(yàn)了人工智能應(yīng)用對(duì)家庭債務(wù)的影響及其作用機(jī)制?；鶞?zhǔn)回歸的結(jié)果表明，人工智能應(yīng)用對(duì)家庭債務(wù)規(guī)模具有抑制作用，在考慮內(nèi)生性問題、替換被解釋變量、替換核心解釋變量與替換樣本后，回歸結(jié)果依然穩(wěn)健。異質(zhì)性檢驗(yàn)發(fā)現(xiàn)，戶主為低教育水平的家庭、農(nóng)村戶口家庭、位于西部經(jīng)濟(jì)帶以及低人力資本地區(qū)的家庭，其家庭債務(wù)水平更易受到人工智能的負(fù)向影響。作用機(jī)制檢驗(yàn)結(jié)果表明，人工智能應(yīng)用主要通過緊縮信貸供給渠道抑制了家庭債務(wù)規(guī)模。

基于上述結(jié)論，本文提出如下政策建議：第一，創(chuàng)新就業(yè)模式與推動(dòng)人機(jī)優(yōu)勢(shì)互補(bǔ)。人工智能通過減少家庭就業(yè)抑制了家庭債務(wù)規(guī)模，體現(xiàn)為當(dāng)前階段人工智能對(duì)勞動(dòng)力市場(chǎng)的替代效應(yīng)大于創(chuàng)造效應(yīng)和填補(bǔ)效應(yīng)。對(duì)此，應(yīng)鼓勵(lì)利用人工智能和機(jī)器人技術(shù)開拓更多新業(yè)態(tài)、新模式，從而創(chuàng)造出更多就業(yè)機(jī)會(huì)，例如智能設(shè)備研發(fā)與維修等。同時(shí)，應(yīng)創(chuàng)造更多人機(jī)協(xié)同的工作場(chǎng)景，推動(dòng)實(shí)現(xiàn)人機(jī)優(yōu)勢(shì)互補(bǔ)，以緩解人工智能技術(shù)對(duì)勞動(dòng)力市場(chǎng)帶來的沖擊。

第二，促進(jìn)失業(yè)者再就業(yè)與提升社會(huì)保障力度。人工智能對(duì)低教育水平家庭、農(nóng)村戶口家庭以及經(jīng)濟(jì)教育落后地區(qū)家庭的家庭債務(wù)抑制作用更強(qiáng)，這說明人工智能應(yīng)用對(duì)由中低技能勞動(dòng)力組成的家庭的替代效應(yīng)更大。為應(yīng)對(duì)人工智能時(shí)代帶來的就業(yè)挑戰(zhàn)，政府應(yīng)完善人口流動(dòng)政策，降低勞動(dòng)力區(qū)域流動(dòng)的制度壁壘，加速失業(yè)群體再就業(yè)過程。同時(shí)，政府應(yīng)進(jìn)一步健全相關(guān)的就業(yè)培訓(xùn)制度和再就業(yè)支持政策，提高勞動(dòng)者對(duì)新技術(shù)的適應(yīng)能力。此外，應(yīng)加大非正式就業(yè)者的社會(huì)保障力度，以緩沖人工智能應(yīng)用對(duì)失業(yè)群體帶來的負(fù)面影響。

第三，提升居民金融素養(yǎng)與促進(jìn)普惠金融發(fā)展。人工智能的引入為信貸審批流程提供了更為嚴(yán)苛的技術(shù)支持，進(jìn)一步加劇了失業(yè)群體的信貸困境。鑒于金融素養(yǎng)水平越高的居民越容易通過金融機(jī)構(gòu)貸款資質(zhì)核查，越可能獲得信貸供給，因此，應(yīng)擴(kuò)大金融知識(shí)的普及范圍，加大金融相關(guān)政策的宣傳力度，建立健全城鄉(xiāng)居民金融素養(yǎng)培育的體制機(jī)制，切實(shí)提升失業(yè)人群的金融素養(yǎng)與技能水平；銀行等金融機(jī)構(gòu)還應(yīng)充分利用人工智能等新技術(shù)推動(dòng)數(shù)字普惠金融發(fā)展，運(yùn)用大數(shù)據(jù)等技術(shù)向家庭提供精準(zhǔn)的個(gè)性化信貸服務(wù)，進(jìn)一步增強(qiáng)信貸可及性，推動(dòng)居民消費(fèi)，促進(jìn)經(jīng)濟(jì)可持續(xù)增長。

參考文獻(xiàn)：

[1]黃曉鳳，朱瀟玉，王金紅.人工智能提升了中國制造業(yè)企業(yè)的全要素生產(chǎn)率嗎 [J]. 財(cái)經(jīng)科學(xué)，2023，418（01）.

[2]Sahin L. 2020. Impacts of Industrial Robot Usage on International Labor Markets and Productivity：Evidences from 22 OECD Countries [J].Journal of International Studies，13（3）.

[3]Frey C B，Osborne M A. 2017. The Future of Employment：How Susceptible are Jobs to Computerisation？[J].Technological Forecasting and Social change，（114）.

[4]王曉娟，朱喜安，王穎.工業(yè)機(jī)器人應(yīng)用對(duì)制造業(yè)就業(yè)的影響效應(yīng)研究 [J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2022，39（04）.

[5]Goddard MA，Davies ZG，Guenat S，F(xiàn)erguson MJ，Dallimer M. 2021. A Global Horizon Scan of the Future Impacts of Robotics and Autonomous Systems on Urban Ecosystems [J].Nature Ecology amp; Evolution，5（2）.

[6]羅潤東，郭怡笛.人工智能技術(shù)進(jìn)步會(huì)促進(jìn)企業(yè)員工共同富裕嗎？[J].廣東社會(huì)科學(xué)，2022，（01）.

[7]Daron Acemoglu，Pascual Restrepo. 2020. Robots and Jobs：Evidence from US Labor Markets [J].Journal of Political Economy，128（6）.

[8]Lankisch C，Prettner K，Prskawetz A. 2019. How can Robots Affect Wage Inequality？[J].Economic Modelling，（81）.

[9]Reboul E，Guérin I，Nordman C J. 2021. The Gender of Debt and Credit：Insights from Rural Tamil Nadu [J]. World Development，（142）.

[10]Stockhammer E R，Wildauer R. 2018. Expenditure cascades，Low Interest Rates or Property Booms？Determinants of Household Debt in OECD Countries [J].Review of Behavioral Economics，5（2）.

[11]郭新華，朱小青. 本地經(jīng)濟(jì)不確定性如何影響家庭借貸行為？——基于房價(jià)與收入波動(dòng)機(jī)制的分析 [J]. 湘潭大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2021，45（02）.

[12]趙向琴，陸震，陳國進(jìn). 房價(jià)與家庭債務(wù)的“逆周期” [J]. 中國工業(yè)經(jīng)濟(jì)，2021，（04）.

[13]Canakci M. 2021. The Impact of Monetary Policy on Household Debt in China [J].The Journal of Asian Finance，Economics and Business，8（4）.

[14]Annarelli K M. 2022. Welfare Generosity，Credit Access and Household Debt：Clarifying Relationships Through a New Welfare-Debt Typology [J].New Political Economy，27（4）.

[15]吳衛(wèi)星，徐芊，白曉輝. 中國居民家庭負(fù)債決策的群體差異比較研究 [J]. 財(cái)經(jīng)研究，2013，39（03）.

[16]周利，柴時(shí)軍，周李鑫泉. 互聯(lián)網(wǎng)普及如何影響中國家庭債務(wù)杠桿率[J]. 南方經(jīng)濟(jì)，2021，（03）.

[17]Barba A，Pivetti M. 2009. Rising Household Debt：Its Causes and Macroeconomic Implications—a Long-Period Analysis [J].Cambridge Journal of Economics， 33（1）.

[18]Loschiavo D. 2021. Household Debt and Income Inequality：Evidence from Italian Survey Data [J].Review of Income and Wealth，67（1）.

[19]鄧洲，黃婭娜. 人工智能發(fā)展的就業(yè)影響研究 [J].學(xué)習(xí)與探索，2019，（07）.

[20]Paweenawat S W. 2021. The Impact of Global Value Chain Integration on Wages：Evidence from Matched Worker-Industry Data in Thailand [J].Journal of the Asia Pacific Economy，27（4）.

[21]Madrigal Vicente，Tan Tommy，Daniel Vicent，Sergio Ribeiro da Costa Werlang. 1993. Credit Rationing and the Permanent Income Hypothesis [J].Economic Analysis Review，8（2）

[22]Brown S，Taylor K. 2008. Household Debt and Financial Assets：Evidence from Germany，Great Britain and the USA [J].Journal of the Royal Statistical Society Series A：Statistics in Society，171（3）.

[23]Crook J. 2006. Household Debt Demand and Supply：A Cross-Country Comparison [J].The Economics of Consumer Credit.

[24]張樂柱，王劍楠. 新型農(nóng)業(yè)經(jīng)營主體金融素養(yǎng)與信貸可得性——基于CSQCA與Probit方法的實(shí)證 [J]. 東岳論叢，2022，43（09）.

[25]王勛，黃益平，茍琴 ，邱晗.數(shù)字技術(shù)如何改變金融機(jī)構(gòu)：中國經(jīng)驗(yàn)與國際啟示 [J].國際經(jīng)濟(jì)評(píng)論，2022，157（01）.

[26]孫望書，孫旭.人工智能將會(huì)“搶走”誰的工作？——異質(zhì)勞動(dòng)者的就業(yè)替代風(fēng)險(xiǎn) [J].河北經(jīng)貿(mào)大學(xué)學(xué)報(bào)，2024，45（02）.

[27]王文，牛澤東，孫早.工業(yè)機(jī)器人沖擊下的服務(wù)業(yè)：結(jié)構(gòu)升級(jí)還是低端鎖定 [J]. 統(tǒng)計(jì)研究，2020，37（07）.

[28]Du L，Lin W. 2022. Does the Application of Industrial Robots Overcome the Solow Paradox？Evidence from China [J]. Technology in Society，（68）.

[29]馬述忠，張洪勝.集群商業(yè)信用與企業(yè)出口—對(duì)中國出口擴(kuò)張奇跡的一種解釋 [J].經(jīng)濟(jì)研究，2017，52（01）.

[30]邵朝對(duì)，蘇丹妮.產(chǎn)業(yè)集聚與企業(yè)出口國內(nèi)附加值：GVC升級(jí)的本地化路徑 [J].管理世界，2019，35（08）.

[31]劉誠，王世強(qiáng)，葉光亮.平臺(tái)接入、線上聲譽(yù)與市場(chǎng)競(jìng)爭格局 [J].經(jīng)濟(jì)研究，2023，58（03）.