2026变革性AI的经济情景

1变革性人工智能的经济情景∗摘要本文提出一个框架，用于评估2026年至2030年间人工智能的经济后果。在该模型中，AI自动化了日益增长的认知工作份额，提高了生产力，并替代了必须在其他职业寻找工作的劳动者。该模型将AI能力的未来路径映射为GDP、劳动份额、工资、劳动力再分配和失业率的隐含路径。我们通过考虑三种情景来说明这个框架：温和、显著和极端。在温和变化下，到2030年，AI为GDP增长贡献不到半个百分点，并将失业率提高十分之一个百分点。2026年和2030年。在该模型中，人工智能自动化了日益增长的认知工作份额，提高了生产力，同时取代了必须寻找其他职业岗位的劳动者。该模型将人工智能能力的未来路径映射为GDP、劳动份额、工资、劳动力重新配置和失业率的隐含路径。我们通过三种情景来说明该框架：适度变化、显著变化和极端变化。在适度变化情景下，到2030年，人工智能对GDP增长的贡献不到0.5个百分点，并将失业率提高0.1个百分点。在极端变化情景下，AI具有变革性影响，到2030年，AI将执行当今近一半的认知工作。GDP年增长率随后升至15%，劳动收入份额从60%下降到45%，近五分之一的认知工作者面临失业。我们还调查了美国成年人对AI的预期。看法差异很大，但受访者的中位数回答与我们的显著变化情景相符，即到2030年，GDP增长8%，认知就业下降4该模型提供了一种结构化的方式，用于在不同关于AI的预期下比较我们经济未来的可能性。ECONOMICSCENARIOSFORTRANSFORMATIVEAI22模型62.1生产与要素份额 2.2创新 2.3失业 3校准223.1与生产函数相关的参数 3.2正常时期 3.3人工智能的发展速度 3.4破坏性 3.5美国成年人期待什么？ 4结果314.1适度变化情景 4.2实质性变化情景 4.3极端变化情景 4.4调查回复所隐含的情景 4.5稳健性：资本供给 4.6稳健性：工资刚性 5结论38附录参考文献52本文建议引用格式：Korinek,Anton,CharlesI.Jones,SzymonSacher,TessCotter,andPeterMcCrory.2026.“变革性人工智能的经济情景.”人类学研究所ECONOMICSCENARIOSFORTRANSFORMATIVEAI3人工智能很可能在未来十年深刻重塑美国和全球经济，但如何重塑以及重塑程度如何，则具有极大的不确定性。已发表的关于人工智能未来对生产力影响的估算跨越了数量级，而对其就业影响的预测则从微不足道到灾难性不等。许多估算基于不同的分析框架，这使得各种预测难以进行比较。本文采取了不同的方法。我们构建了一个简单、综合的经济框架，将少数几个参数——主要是经济中受人工智能影响的任务比例、人工智能的使用广泛程度、每项任务的生产力提升幅度，以及人工智能是自动化还是增强劳动力——转化为从现在到2030年的生产力、增长、工资、劳动份额、岗位重新配置和失业率的路径。这使我们能够追溯对人工智能发展预期的差异如何转化为经济结果的差异。因此，我们的贡献在于提供了一种结构化的方法来比较我们经济未来的各种可能性。这些情景并非预测，我们也不赋予其任何概率；其目的是使不同假设的后果具有可比性。我们在一款情景探索工具中实现了该模型，该工具可在/institute/econ-scenarios上获取。 该框架基于标准的经济任务模型，其中人工智能可以自动化或增强由劳动力执行的日益增长的任务部分。工人要么受雇于认知职业（管理、专业、销售和办公室工作），这些工作可能直接受到人工智能的影响，要么受雇于所有其他职业，这些职业不直接受暴露（例如建筑工人或电工）。人工智能的采用提高了生产力，但也取代了工人，降低了对认知职业的劳动力和工资需求，并意味着一些认知工人必须寻找其他职业的岗位。然而，这种转型受到摩擦的影响——例如，一名软件工程师可能很难成为电工——这可能导致失业率的持续上升。相比之下，人工智能的使用意味着对资本的需求增加，从而提高其回报率和在总要素收入中的份额。最后，人工智能还加速了新创意的发现，这是其提高经济增长的第二个渠道，尽管这些效应相对较我们设定了三种情景的参数：适度变化、重大变化和极端变化，这些情景大致对应了广泛发表的预测范围。在适度变化情景下，2030年的GDP比没有人工智能的情况下高出1.6%，这一效应仅略高于阿西莫格鲁（2025年）的估算，并且与菲利普奇、加尔和希夫（2024年，2025年）的经合组织数据处于同一数量级。在重大变化情景下，2030年GDP高出8.3%，这对应于2023年金融和咨询机构流传的预测——大致是布里格斯和科德纳尼（2023年）每年1.5个百分点的劳动生产率增长，以及麦肯锡全球研究所（2023年）、贝利、布林约尔松和科里内克（2023年）、阿吉翁和布内尔（2024年）以及宾夕法尼亚大学沃顿预算模型（阿农和斯梅特斯，2025年）中的类似数量级。2025年）。极端变化情景下，到2030年GDP增长32%，远超当前水平，最适合参照关于AGI驱动增长加速的文献进行基准对比：Korinek（2023）与Korinek和Suh（2024）的情景分析、Davidson（2023）以计算为核心的起飞模型、Erdil等人（2025）的综合评估模型，以及叙事性记述 ECONOMICSCENARIOSFORTRANSFORMATIVEAI4例如AI2027（Kokotajlo等人，2025年）在每种情景中，就业从认知类职业转向所有其他职业，认知类工资的增长速度慢于没有AI的情况，而其他职业的工资增长更快。在温和情景下，这些差异即使到2030年也很小。在极端情景下，影响非常大：认知类工资比没有AI的路径低11.5%，而所有其他职业的工资则高出34%。这种重新分配导致多少失业，取决于受AI影响的人数以及工人转换职业的难易程度。在不同情景中，几乎所有的差异都出现在2027年之后。在这三种情景下，劳动收入份额下降，因为工资增长落后于产出增长。在极端情景中，劳动收入份额从如今的60%下降到2030年的45%。我们模型的一个令人惊讶的发现是，即使在极端变化情景下，AI在创新方面带来的增长加速也相对较小。我们的模型遵循琼斯（1995年）的半内生增长模型传统。自动化研究增加了用于生产新知识的研究投入，但研究仍然受到实体任务的瓶颈限制。在三种情景中,通过这一渠道带来的劳动生产率增长均远低于1%，测量的全要素生产率增长更低。我们的模型专注于2030年之前的变化，也忽略了研究与自动化之间某些重要的反馈形式。因此，该模型无法产生阿吉翁、琼斯和琼斯（2019年）所说的奇点，或戴维森、哈尔佩林、霍尔登和科里内克（2026年）所说的爆炸性研究驱动加速，因此这里的创新效应可能是一个下限。 为了补充这三种情景，我们还对美国人口进行了一项代表性调查。我们询问了10,980名美国成年人：（a）AI何时能够完成难度递增的八项不同认知任务中的每一项，（b）AI的使用范围有多广，（c）生产力提升会有多大，（d）工人将被自动化取代还是得到增强,以及（e）被取代的工人需要多长时间才能找到新工作。使用他们的中位数回答作为模型输入进行模拟，我们发现公众的期望与我们的大幅变化情景接近。劳动力市场是经济情景中风险最高的部分。在迄今为止的宏观经济数据中，即使测量到的AI使用量迅速增长，AI对劳动力市场的影响也相对较小（尽管参见Humlum和Vestergaard，2025年；Azar等人，2025年，关于受影响职业的起薪，证据存在分歧）。有两种解释与这一事实相符。一种是我们处于温和变化情景，经济影响仍然很小。另一种是我们只是处于更极端情景的非常早期阶段，这种情景将重塑劳动力的角色和收入。这两种解释具有截然不同的政策含义。如果AI对经济的影响是温和的，那么现有机构所需的调整也相应较小。如果AI在取代工作的同时大幅提高产出，那么人们从更加繁荣的经济中获得资源的机制本身可能就需要改变。从工人再培训到新型保险和收入支持，合理的选择范围很广。该框架可以代表任何一种情况，并显⽰在每种情况下AI必须满足什么条件。ECONOMICSCENARIOSFORTRANSFORMATIVEAI5注意事项。与所有模型一样，我们的框架对复杂现实进行了高度简化：它只聚焦少数关键力量，而忽略了许多在未来数年可能变得重要且相关的其他因素。需要明确几点注意事项。首先，我们的框架忽略了众多潜在相关力量，例如灾难性风险、政治经济考量、商业周期以及可能的金融市场动荡。这些因素在我们的任何情景中都可能至关重要。其他被忽略的因素可在该框架的未来扩展版本中加以研究。我们未考虑价格刚性及其相关的需求效应（除实际工资缓慢调整外），因此模型无法生成负面反馈——即颠覆性冲击会抑制需求并放大其自身对劳动力市场的影响。我们未对人工智能在家务生产中的用途赋值，这部分活动基本不在国内生产总值统计范围内（Nguyen等，2026年）。工人异质性的设定非常粗糙：工人仅因就业状态及所属的两类职业群体而有所区别；同一群体内所有人薪资相同。转至另一群体的失业工人将立即获得该群体的薪资，不会因失去工龄或特定职业技能而打折扣（Jacobson、LaLonde与Sullivan，1993年；Huckfeldt，2022年；Braxton与Taska，2023年）。未来版本中，可能需要纳入按工龄和技能、企业采纳能力、地区产业构成以及人口群体流动性和再培训成本差异的异质性，从而更深入地探讨不平等问题。要素结构也有意简化：劳动力和单一资本品按外生设定的固定弹性供给曲线提供，该结构未区分计算资本与其他资本，也未明确建模储蓄决策。尽管我们允许人工智能随时间推移提升新自动化任务的生产率，但目前尚未捕捉到2024年前已由资本承担任务的生产率增长。这忽略了一个对经济增长和维持劳动份额均可能至关重要的渠道。我们还仅考虑了人工智能对认知任务的影响，未假设未来数年机器人技术的快速进步及其对体力任务的影响。主要基于此原因，我们未将分析延伸至2030年以后。文献综述。本文借鉴了两类文献。我们的基线模型建立在基于任务的自动化文献之上：Zeira（1998年）的形式化结构，Autor、Levy与Murnane（2003年）以及Acemoglu与Autor（2011年）对职业任务内容的刻画，以及Acemoglu与Restrepo （2019年）与Autor与Salomons（2018年）的“位移-重建”分解方法。Autor、Chin、Salomons与Seegmiller（2024年）衡量了新职业中的就业情况。我们的模型还借鉴了Korinek与Stiglitz（2019年）关于替代工人的技术变革分析，以及Trammell与Korinek（2026年）提出的变革性人工智能增长综合框架。我们根据Moll、Rachel与Restrepo（2022年）的长期财富曲线对资本供给进行建模。创新模型则遵循半内生增长文献（Romer，1990年；Jones，1995年）及Bloom、Jones、VanReenen与Webb（2020年）的相关实证发现。 劳动力市场模块借鉴了Diamond（1982年）开创的搜索与匹配传统，ECONOMICSCENARIOSFORTRANSFORMATIVEAI6Mortensen和Pissarides（1994），以及Pissarides（2000）。人工智能取代了认知职业中的工人，这些工人随后寻找新的工作，主要是在经济其他领域。我们采用了denHaan、Ramey和Watson（2000）引入的匹配函数，该函数将招聘视为广义劳动力市场紧度的函数，并适应转换职业时较低的搜索强度（见Abraham、Haltiwanger和Rendell（2020）)。由于职业特定人力资本的存在，转换职业可能很困难，如Kambourov和Manovskii(2009）所述。我们通过对失业工人跨职业搜索努力打折来建模这一点。裁员是由于Blanchard和Galí（2007）所述的实际工资刚性和Michaillat（2012）意义上的工作配给引起的。 近期文献强调职业是由任务组成的，而工人在不同职业中的生产率存在差异（Autor和Thompson，2025；Freund和Mann，2026；Althoff和Reichardt，2026）。我们目前尚未纳入这种丰富性。这些模型为被取代的工人产生收入损失，并在受到影响的职业内部产生工资收益或损失。在Autor和Thompson（2025）中，自动化一个职业中的非专业任务提高了剩余工作的专业性和工资，而自动化专业任务则两者都降低。在Fukui、Nakamura和Steinsson（2026）中，标准化任务的技术降低了工资而不降低就业。 概述。第2部分阐述了模型，研究人工智能如何自动化商品和服务的生产，如何提高研究投入从而促进增长，以及工人的摩擦性重新分配如何造成失业。第3部分校准参数，明确三种情景，并说明我们的调查方法。第4部分展⽰了我们定义的情景的结果以及美国成年人的预期。第5部分总结。附录A描述了模拟策略，附录B详细介绍了对美国成年人的调查,附录C提供了我们模型创新部分的推导。 2.模型简而言之。人工智能的改进提高了生产率，并随着时间的推移使经济更加富简而言之。人工智能的改进提高了生产率，并随着时间的推移使经济更加富裕。这些收益以两种方式分配：通过资本所有者的更高回报和通过工资变化。在长期中，在标准新古典模型中，资本是完全弹性的，因为新机器总可以建造。因此所有生产率的收益都归于劳动力并提高工资，而资本获得其通常（不变）的长期回报。然而，在短期和中期——在我们的框架中包括从今天到2030年之间——资本的弹性较小且调整较慢，因此部分生产率收益表现为资本所有者的更高回报。资本和工资之间的收益分配取决于经济增加资本的难易程度。第二个分配问题是如何认知职业与所有其他职业之间的工资差异。在长期，在所有调整发生后，还有ECONOMICSCENARIOSFORTRANSFORMATIVEAI7模型中单一工资水平通常因模型中单一工资水平通常因AI而上升。但在中期，AI通过自动化认知任务减少了对认知劳动力的需求。这种减少表现为认知职业的工资下降和就业减少（相对于没有AI时的路径）。相对工资下降多少、就业减少多少，取决于模型中的另一个要素——实际工资刚性程度。如果企业不愿降低工资，相对工资下降幅度较小，需求下降则体现为认知职业就业减少。从认知工作中转移出来的工人必须转换职业，在经济其他领域寻找工作。由于搜索和匹配需要时间，这会提高受AI影响工人的失业率。最后，AI还加速了新思想的发现。在半内生增长框架下，思想通过研究产生，因此研究投入的一次性增加会提高思想存量的长期水平，而非其长期增长率。AI对研究投入的提升每年对思想增长率贡献微小，且这些增量缓慢累积。从现在到2030年，对技术水平的影响通常较小。我们现在正式构建模型。以下是关键要素：•生产由一系列任务组合完成，每项任务由劳动力或资本执行。最终产品市场完全竞争。•劳动力供给外生给定，资本供给则遵循向上倾斜的供给曲线。•存在两类职业群体，其中仅认知群体受到AI影响。摩擦和搜寻/匹配过程决定了失业率。•一个情景描述了描述AI在生产中影响的五个对象的路径——AI影响的任务数量、其在任务间的扩散程度、每项任务的收益、AI使用中自动化而非增强的份额，以及每项自动化任务新增的人工任务数量——同时结合了劳动力市场的两种摩擦因素。我们展⽰了模型相对于无AI的反事实经济的预测。特定情景与无AI的反事实经济之间的差距用Δ表⽰。例如，Δln表⽰在时间，有AI的经济与无AI的经济的产出对数差异。我们首先探讨AI对产出和就业水平的影响，接着讨论其对通过创意实现的经济增长的影响，最后分析其对失业率的影响。ECONOMICSCENARIOSFORTRANSFORMATIVEAI82.1生产与要素份额2.1.1技术与要素市场产出由基于任务实例的恒定回报技术生产，遵循Zeira（1998）、Autor等人（2003）、Acemoglu和Autor（2011）以及Acemoglu和Restrepo（2018）的任务框架传统。具体而言，产出是任务实例的CES加总：,∑其中,是任务的一个实例的输出，权重,具有=1，是基期支出份额。一项任务是一种工作类型，例如审查合同或记录患者病史。一个实例是任务的一次单独执行，例如一次一项任务包含大量实例，且方程(1)中的求和涵盖所有实例，同一任务的实例均等共享其权重。人工智能逐个实例到来：有些合同使用人工智能审查，而有些则没有。这两种类型的实例在生产函数中作为独立条目存在，拥有各自的价格和数量，而非单一的汇总复合体。参数是实例间的替代弹性，无论这些实例属于同一任务还是不同任务。我们将其称为跨任务弹性。特别地，同一任务中由人工智能执行的实例和由人类执行的实例，是替代弹性为的不完全替代品。我们设定=0.5，因此任务之间呈总体互补关系，这是Acemoglu和Restrepo（2022）采用的取值，该值源自Humlum(2019）对三大职业群体的估计。估计值范围从低于1到我们将设为0.5，这样各任务呈现总互补关系——这一数值由Acemoglu和Restrepo（2022）所采用，其来源可追溯至Humlum（2019）对三大职业群体的估算结果。该弹性估计值范围从低于1到高于1不等（例如基于职业分类的估算，可参见Burstein、Morales和Vogel，2019年的研究）。Jones和Tonetti（2026）则依据资本-劳动替代弹性的相关证据对任务弹性进行了边界约束，并采用了更低的数值。每个任务实例可以由劳动或资本生产：,=,,ℓ,+,,,，其中ℓ,和,是每个实例的劳动和资本投入，,,和,,是任务特定的要素生产率（人工智能会随时间推移改变这些生产率），是知识存量，它增强每项任务的劳动生产力，并在本节中被视为给定。在没有人工智能的情况下，模型中的采用劳动增强型结构有助于实现平衡增长路径；让其同时增强劳动和资本对此后结论的影响甚微（尽管在更长的时间范围内影响会更大）。因此，资本和劳动在任务内部是完全替代的，并且由于<1，它们在任务之间呈总体互补关系。一旦每个实例被分配到某个要素，方程(1)-(2)中的技术便成为总资本=∑,的规模报酬不变加总∑,的规模报酬不变加总在没有失业的情况下（这一点将在第2.3节中介绍），劳动力是外生供给的，并获得工资，该工资由劳动力市场出清决定。资本以利率出租，该利率由资本市场出清决定，其供给将在稍后具体说明。市场是ECONOMICSCENARIOSFORTRANSFORMATIVEAI9竞争性强，因此每项任务实例按单位成本定价，成本最小化将其分配给较便宜的生产要素，}，，,,,,因此，资本在日期t执行任务实例i当且仅当,,/(,,)>/。按照资本的比较优势, ,/,,对实例进行排序，均衡分配是一个阈值规则，如Acemoglu和Restrepo(2018)所述。以最终产品为计价单位，方程(1)中的CES结构可推导出支出份额 ,≡,,(,)1−=(∑,其中，是最终产品的价格指数。设表⽰在日期由劳动执行的任务实例集合。那么劳动与资本的份额以及工资恒等式为∑∈L工资恒等式在每个日期都严格成立，我们反复使用它：工资、人均产出和劳动份额中的任意两个可以决定第三个。我们将,0设为0.6。在基期0=2024年，即大语言模型广泛应用前的最后一年，我们设定各单位的单位成本相等，且,0=。我们通过各任务在总劳动报酬中的初始份额来衡量其重要性：≡,0/ =1，其中求和范围涵盖所有由劳动执行的任务。在0之后，成本份额,随相对单位成本变动。其供给是一条向上倾斜的租金率曲线：相对于无人工智能时经济遵循的路径（租金率恒定为），每当租金率超过一个百分点时，资本存量就高出个百分点，该曲线是Moll、Rachel和Restrepo（2022）的简化形式——其研究中的家庭会积累储蓄,且在长期中，回报率越高则持有财富越多。当→∞时，租金率固定为（类似小型经济体在国际资本市场的情况），任何数量的资本都能以不变的回报率获得。当=0时，资本存量在考察期内对人工智能完全没有响应。资本收益归资本所有者所有。我们将租金率报告为净回报率−,其中=0.115，年折旧率=0.05，因此无人工智能时的净回报率为6.5%，资本产出比为,0/=3.5。¹¹Moll、Rachel和Restrepo在其曲线中使用了净回报的半弹性公式Δln=Δ(−)，并设定=50。由于恒定，Δ(−)≈Δln，因此当=（即50×0.115≈6）时，两条曲线在处一阶近似一致。他们将=50视为保守估计，因为大量证据表明资本供给的弹性较小。ECONOMICSCENARIOSFORTRANSFORMATIVEAI没有人工智能的经济。在没有人工智能的情况下，我们假设经济处于平衡增长路径。思想存量以的速度增长，劳动力以的速度增长。租金率恒定在，每个支出份额也保持不变。因此，人均工资和产出以的速度增长，资本以+的速度增长，而测算的全要素生产率以 ,0的速度增长。我们设定=每年1.67%，因此测算的全要素生产率以≡,0=每年1%的速度增长，并假设劳动力以每年0.33%的速度增长，这与劳工统计局的预测范围一致。因此，没有人工智能的GDP每年增长+=2%。两类职业群体。劳动力执行的任务被分为两类职业群体，我们将其视为两个“岛屿”：认知类职业（管理、专业、销售和办公室工作），其任务受人工智能影响；以及其他所有职业（例如体力劳动和人际交往工作），其任务不受人工智能影响。我们分别称它们为认知群体和其他群体。它们的任务分别占基期支出的份额,0和,0，且,0+,0=,0，它们雇用了ℓ,和ℓ,名工人。我们将就业人数以及后来的岗位间劳动力池，都衡量为劳动力份额,无论是否有AI，它都以的速度增长，我们用不加下标的表⽰这些单位中的劳动力，它是一个常数，因此ℓ,+ℓ,=。工人在生产中是同质的。在这些单位中，力是一个常数，因此ℓ,+ℓ,=。工人在生产中具有同质性。在本节充分就业的经济中，工人可以在各群体间自由流动，无论他们在哪里工作，都能获得共同的工资。在2.3节的转型过程中，每个群体将获得其自身的工资。关于这些群体，有两个事实对模型至关重要。首先，人工智能影响群体而不影响群体,因此随着人工智能的普及，群体中的一些工人必须转换职业。其次，群体之间的流动需要搜索，这会提高失业率。因此，在劳动力固定的情况下，人工智能改变的是工人在这两个群体之间的分配以及处于工作间隙的工人比例。2.1.2人工智能情景AI场景很大程度上由五个外生对象的路径集合决定，这些路径描述了AI在商品和服务生产中的作用。在时间点，AI会影响经济体中任务子集A，这些任务均为认知任受影响的任务规模即为该子集的规模，记作≡∈A：即受AI影响的经济体任务占比。在每个受影响的任务上，扩散份额,表⽰该任务实例中实际由AI完成的比例，增益,表⽰每个由AI完成实例的对数生产率增长（或等价地对数单位成本下降）从整体看，≡∑/∑∈A,/是质量加权扩散份额，且≡∑∈A,,∈A,平均增益在AI执行的实例上，因此,,=恒等成立。所有三个对象都是从AI前基准开始累积测量的。它们在论文其余部分出现的乘积遵循与相同的而他们的经济需要数十年才能达到其所描述的稳态。因此我们设定ε=3，为其数值的一半。在他们的单位中，净回报率每上升一个百分点，资本存量就会增加约3/0.115≈26%。ECONOMICSCENARIOSFORTRANSFORMATIVEAI⼈⼯智能执⾏的经济任务实例数量，⽽则表⽰该⽐例乘以每个实例的增益。⼈⼯智能执⾏任务实例有两种形式。在增强模式下，⼈⼯智能被认为能将⼯⼈在该实例上的劳动⽣产率,,提升,对数点。在⾃动化模式下，⼈⼯智能系统直接执⾏该实例，因此实例由资本执⾏。在这种情况下，我们假设⼈⼯智能将资本⽣⽐⽆⼈⼯智能时劳动的单位成本低,对数点，其中横通过资本。在这种情况下，我们假设⼈⼯智能将资本的⽣产率,,提⾼到这样⼀个⽔平：以⽆⼈⼯智能的利率租⽤的资本，在提供实例时的单位成本为/,,=−,?̄?/(,)，即,对数点低于⽆⼈⼯智能时劳动⼒的单位成本，其中横线表⽰⽆⼈⼯智能路径。在两种形式下，实例的单位成本在⽆⼈⼯智能要素价格下均下降,。第四个情景基元，⾃动化份额∈[0,1]，是指由⼈⼯智能执⾏的实例中，被⾃动化⽽⾮增强的⽐例。技术决定了实例是被⾃动化还是增强，企业将其视为既定条件。⾃动化的实例增益仅在资本执⾏时可⽤。增强的实例增益仅在⼯⼈执⾏时可⽤。第五个情景对象，恢复⽐率∈[0,1]，是指新创造的劳动任务数量占⾃动化任务数量的⽐例，借鉴了Acemoglu和Restrepo（2019）以及Autor等⼈（2024）的思路。即，现有劳动任务中有的量被⾃动化，同时与剩余劳动任务相同的单位成本进⼊。因此，恢复效应在受影响⼯资账单中⼀对⼀地抵消了置换，没有为产出增加独⽴的多样性或弱链接项，且要素价格前沿保持不变。劳动⼒在同⼀组任务间可以流动，因此新任务⼀旦进⼊即可获得⼈员配置。我们遵循Acemoglu和Restrepo （2018）的⽅法，其中新的劳动密集型任务进⼊⼀个固定任务范围的⼀端，⽽旧的由资本执⾏的任务从另⼀端退出。受影响的数量和扩散份额遵循逻辑曲线，⽽对数增益则遵循线性路径：=在三种情景中，⾃动化⽐例和恢复⽐例保持不变。在本⽂剩余部分，我们将报告模型⽅程在等号下的精确解，以及使⽤≈符号表⽰的⼀阶近似解，这通常能提供更直观的理解附录A中的表格给出了求解模型的完整步骤2.1.3测算全要素生产率与要素价格边界对于任务i中使⽤⼈⼯智能的执⾏实例⽐例di,t，单位成本下降ai,t个对数点——⽆论是由⼯⼈配合⼈⼯智能执⾏，还是由资本独⽴完成。根据以下条件 2原则上，企业仍可将⾃动化后的实例交回给未使⽤⼈⼯智能的⼯⼈处理。根据公式（3），只要满⾜以下条件，该实Δlnrt-Δlnwt≤ai,t7）也就是说，只要⼈⼯智能尚未使资本租⾦相对于⼯资的涨幅超过其⾃⾝增益，该条件便成⽴。ECONOMICSCENARIOSFORTRANSFORMATIVEAI阿西莫格鲁（2025）指出，越来越多的文献运用赫尔滕定理（Hulten,1978）来计算由此带来的全要素生产率提升——即各项成本降幅之和，每项降幅以其多马尔权重加权，在我们的模型中该权重为任务支出份额。将多马尔权重除以,0得到质量，因此测度的全要素生产率上升为∑∑Δln全要素生产率,≈,=,0,,=,0。（9）该表达式不涉及自动化份额，因为对全要素生产率的影响仅取决于单个实例的单位成本下降，无论人工智能以自动化还是增强方式使用，该成本下降均为,。收益归工人还是资本所有者，这是一个独立的问题。在规模报酬不变和竞争性定价条件下，要素报酬耗尽总产出：=+。测算的全要素生产率增长等于其对偶形式，即两种要素价格份额加权增长之和。以最终产品为计价单位，则有lnTFP=,ln+,ln。应用于式(9)中的生产率增益时， 也就是说，无论、和的取值如何，两种要素价格共同吸收了全部全要素生产率增益。若租金率保持不变（如=∞时），工资将完全吸收全要素生产率增益，Δln≈（参见Caselli和Manning，2019）。若资本调整缓慢且租金率上升，则工资对全要素生产率增长的响应幅度将减小。租金率上升对工资变化的削减程度由式(10)给出：租金率每上升一个百分点，工资将下降,0/,0=2/3个百分点。若资本供给缺乏弹性，工资甚至可能出现相对于无AI情景的实际下降，式(9)和(10)为一阶近似结果，但赫尔滕定理的优势在于，在有效经济体中，该结果对任何规模报酬不变的技术均成立。人工智能带来的增益可能很大，因此对于本文考虑的极端情景，一阶近似可能不够精确。我们在模拟中使用精确解，但借助一阶近似描述部分直为便于说明，我们采用2030年初重大变化情景下设定的参数值：AI影响经济体30%的任务（），实际应用于其中40%的任务实例（），并将每个此类实例的单位成本降低=0.45个对数点。随后，AI执行了=经济中任务实ΔlnTFP2030≈0.6×0.30×0.40×0.45=0.032约为3%（精确解为0.029）。如果资本完全调整后的租金率保持在，那么要素价格前沿(10）表明全部收益归劳动者所有，工资将比无AI路径高出=0.054。当资本供给弹性小于完全弹性时，租金率上升，两种要素共享收益：在=3的情况下ECONOMICSCENARIOSFORTRANSFORMATIVEAI2030年的租金率比高出4.6%，因此方程（10）中的资本项为0.4×0.045=0.018，而工资比无人工智能路径高出1.9%，而非5.5%。2.1.4一阶解模型的一阶解总结如下关键方程：工资方程源自刚刚在方程（10）中讨论的全要素生产率增长表达式。使资本需求与沿路径（6）的资本供给相等，得出租金率缺口。在Δln方程中的括号内，是人工智能在租金价格不变时所需的资本：资本与收益本身产生的产出同步增长，即。此外，每个自动化实例将其工资支出转移到资本，并等量提高产出，这两者共同需要多出/,0的资本（减去重新安置和替代效应回流到劳动力任务的支出）。租金率上涨到足以使需求与供给路径协调。需求随租金率以弹性/,0下降，供给则随租金率以弹性上升。劳动份额通过三个渠道响应。首先，自动化将任务从劳动力重新分配给资本。一个自动化实例的全部工资支出转移到资本，无论促成转变的成本节省有多小。扣除重新安置后,劳动份额下降了(1−)。其次，劳动力保留的实例成本下降，仅抵消了这一影响。工资上涨中的(1−)部分。相对于自动化实例，其余劳动实例平均变得更为昂贵，幅度为。由于各项任务是总互补关系（<1），需求对这些任务实例的替代程度低于其价格比例。它们是薄弱环节，因此其支出份额上升，这又增加了(1−)。第三，基于同样的互补性，当租金率上升时，资本实例相对于劳动实例变得更为昂贵，支出也随之转移，这使劳动份额降低了进而，人均产出可从（5）式中的劳动份额得出。同样，资本也可从资本份额推导得出，Δln=Δln,+Δln(/)−Δln。由此直接得出两点见解。第一，在固定租金率下，工资追踪的是生产率，而非净替代量(1−)。替代量衡量的是劳动所执行任务数量的变化。它影响劳动份额和资本需求，并仅通过租金率影响工资。当资本弹性不足时，其租金价格ECONOMICSCENARIOSFORTRANSFORMATIVEAI工资因此上升并受到影响。这解释了与Caselli和Manning（2019）的差异，他们表明当资本完全弹性（例如长期内）时，利率固定，技术变革无法降低平均工资。这直接引出第二个见解：在什么条件下工资会下降？答案取决于替代效应和成本节约。自动化将所接管任务的工资支出转移给资本，即(1−)，无论这些任务的成本节约是大是小。相比之下，来自（10）式的成本节约,0，是可分配收益。 当每个自动化任务的节约相对于转移量较小，且资本供应不足时，租金价格必须充分上涨以合理化这种转移。如果这种上涨超过成本节约，工资将低于无人工智能路径：劳动力失去了任务，并非与廉价丰富的资本协作，而是受限于稀缺昂贵的资本。这便是Acemoglu和Restrepo（2019）提出的“平庸自动化”，即替代效应超过了适度的生产率提升。在2030年我们的基准=3情况下，每种情景下工资均上涨。然而，如果资本供应弹性足够小，工资将下降，我们随后将看到这一情况。2.1.5两个群体的就业情况有多少工人需要从认知职业重新配置到所有其他职业？写为ℓ,表⽰工人在群体间无成本自由流动且所有工人获得相同工资时，群体的就业水平。我们将这种分配称为各群体的目标值，因为它是就业调整的方向。有趣的是，认知职业的目标值可通过观察所有未受人工智能直接影响的工人来确定。关键结论。人工智能不会影响所有其他职业的任务生产率关键结论。人工智能不会影响所有其他职业的任务生产率，因此每个任务的成本取决于工资，而非自动化收益。对这些任务中的劳动力需求，与价格为的商品面临的标准CES需求相同：它随产出同步上升，但随工资下降，弹产出并随工资下降，弹性为。换句话说，只要人工智能提高工资与产出，的就业增长率就会低于产出增长率。由于劳动力供给固定，工人的收益正是工人的损失，因此的下降比例等于的上升比例乘以两组工人的相对规模,0/,0：上升比例乘以两组工人的相对规模,0/,0：当/<1时（正如这里的情况），认知就业的下降幅度小于的上升幅度，因而也小于的上升幅度；认知就业的损失小于GDP的增长。ℓ,0,0ℓ,0,≡ln方程(13)一旦确定对产出和工资的影响，就能锁定认知类及其他所有职业的目标就业人数。此前，第2.1.4节仅提供了这些影响的一阶近似3将方程(11)的第一行代入第二行，可得：当且仅当[ ,0ECONOMICSCENARIOSFORTRANSFORMATIVEAI为了培养对模型运作机制的直觉，以下命题提供了精确解。命题1（封闭形式的模型）。到目前为止所述完整模型的精确解为封闭形式：命题1（封闭形式的模型）。到目前为止所述完整模型的精确解为封闭形式：[∑其中Δln,=ln(,/,0)，这两个目标遵循式(13)中由,导出的结果。租金率缺口是资本市其右侧的式(17)在Δln上严格递减；当=∞时，该根为零。)](直观解释。将一阶关系式(11)代入式(13)，或展开式(15)，可以得到两个就业群体目标更易,净位移由收益释放的劳动力其中,≡ln(ℓ/ℓ,)是认知对数就业所需的变化,决定“其他”职业目标就业的两个因素，正是将工人推离认知职业的相同力量。第一个是净位移：自动化转移给资本的任务，扣除其创造的任务。第二个是(1−)乘以增强实例的收益。每个增强实例需要的劳动力减少对数点。但由于任务存在总互补性，对这些实例的需求因而增加，因为它们成本更低，因此只有其中1−σ比例的劳动力被释放出来。当σ=0.5时，每次收益的一半被用于增加同类型任务的工作量2.2创新ECONOMICSCENARIOSFORTRANSFORMATIVEAI2.2.1创意生产与研究资金到目前为止，我们已将创意存量维持在无人工智能路径上。本节使其成为半内生模型，人工智能通过经济投入于研究的资源进入模型。创意由研究投入产生，遵循Romer（1990）和Jones（1995）,。0）我们设定≤1且<1：随着创意存量增长，按比例获得的收益越来越难找到。研究。研究使用最终产出，如同Rivera-Batiz和Romer（1991）的实验室设备模型。经济将GDP的一部分,用于研究，资金来自对家庭的一次性税收；政府用该预算支付研究人员的工资及其设备和计算费用⁴。产出分配如下,其中是研究，是投资，是消费。影响效应。人工智能提高了研究投入，因为预算占GDP的一定比例，而人工智能提高了GDP：第2.1节中的水平通道使经济生产力更高，而更大经济体的给定份额意味着更大的研究预算。对路径进行对数差分=,无人工智能情况下得出Δln=Δln22）其中Δln是GDP和研究份额的差距，两条路径共同的这一差距已消失。人工智能通过自动化用于产生创意的商品来实现研究自动化。现在考虑人工智能对增长的影响。定义Δ≡,−为增长率差距，并对（20）取对数差分， 这是本部分的关键方程。增长率的百分比差距小于研究投入的百分比差距，而研究投入的百分比差距又对应于第2.1节的GDP差距。GDP差距是产出水平的提升，而此处它应用于每GDP差距是产出水平的提升，而此处它应用于每年约1%的增长率。因此，5%的GDP差距使创意增长率提升低于5%，例如将测度的TFP增长率从1.00%提高到1.05%。由于Δln>0且λ<1，该数值甚至更小。人工智能对创意增长的影响在此处往往很小。4我们允许,随时间外生上升，以捕捉美国及其他经济体中研发占GDP比重的增长；详见附录C。5鉴于我们对资本（包括部分由国外融资的可能性）的建模方式，无需在消费与投资之间进行具体划分。ECONOMICSCENARIOSFORTRANSFORMATIVEAI随时间积累。然而，研究投入的一次性增加会逐年持续提升。由于思想存量的回报递减（<1），仅当思想存量处于某一特定水平时，既定研究投入水平才能与基准增长率保持一致：在式(20)中设定,=可得=(/)1/(1−)，因此∝/(1−)，长期来看，保持研究投入的提高将使思想存量发生如下变动研究投入的给定水平与基准增长率在仅一个思想存量水平上保持一致：在方程(20)中设定,=得到=(/)1/(1−)，因此∝/(1−)，而研究投入的提升（若维持此水平）将在长期内推动思想存量的变化其中的取值基于Bloom等人（2020年）的研究结果因此，方程（24）已经给出了该渠道的规模量级。在极端路径下，Δln在2030年达到0.28，这意味着创意存量将比无人工智能路径高出10个百分点（在全要素生产率单位中甚至更低）。这就是该渠道在一次性变化下能达到的最大效果。到2030年实现的实际值更小，因为长期收益需要数十年累积。在极端路径下，2030年的创意存量仅比无人工智能路径高0.6个百分点我们模型的一个简化之处在于，创意不会对人工智能的收益产生反馈研究提高了人们所做一切工作的生产率，但其本身并不会自动完成任何工作。我们转而选择让和成为场景本身参数。从这个意义上说，递归自我改进（RSI）的收益可以被视为硬编码到中。2.2.2测量到的全要素生产率创意存量并非计量经济学家测量的全要素生产率。测量到的全要素生产率是索洛剩余，lnTFP≡ln−,ln−,ln，在该模型中，它结合了创意存量与第2.1节的水平渠道。它具有简单的闭合形式。如第2.1.3节所述，由于要素支付耗尽了产出，该剩余等于其对偶项：TFP,=,,+,,.AI水平项和增长项Δln均以劳动份额及其多马权重进入残差，如公式(9)所⽰。创意存量使每个劳动实例的成本降低ln，而水平渠道则使受影响实例的成本降低。为达到一阶近似，公式(25)因此给出了相对于无AI路径的累计差距为ΔlnTFP≈,0Δln+.(26)6当然，情况未必如此，这一渠道值得在未来进一步探索。ECONOMICSCENARIOSFORTRANSFORMATIVEAI2.3失业我们现描述推动就业朝向第2.1.5节⽬标变动的流动，并以⽉度时间跨度研究其对失业的影响。在正常时期，⼀定数量的失业⼯⼈时刻处于岗位转换中，因此基期就业量为ℓ,+ℓ,=−?̄?。⃞程(13)的⃞标值针对这⃞稳态失业进⃞了调整，其中ℓ,=(,/,)(−?̄?)，且 2.3.1离职与职位空缺属于群体∈{,}的⼯⼈⾯临两类离职⾏为：⾃愿辞职和因岗位转换导致的裁员。他们以以下速率离职其中是外⽣基础离职率，第⼆项使离职率随就业前景上升⽽增加。这由该群体上个⽉的求职成功率,−1相对于其稳态值的偏离来体现。在正常情况下，离职率即为,=+≡。每个⽉，群体的雇主会将当前就业⽔平与下个⽉的⽬标进⾏⽐较。在我们的情景路径中，认知型就业⽬标仅下降，⽽⾮认知型仅上升，因此认知型职业存在就业过剩，⽽⾮认知型职业存在就业缺⼝，两者均以对数缺⼝衡量。{}{},,=最⼤0,lnℓ,−lnℓ+1，,=最⼤0,lnℓ,+1−lnℓ,,市场两侧的调整⽅式不同。扩张型职业每⽉会为任何短缺缺⼝中的⽐例发布招聘信息。⽽收缩型职业则会解雇那些他们不需要的⼯⼈，同时⼯资调整缓慢，具体如下所述。失业由此成为两种摩擦共同作⽤的结果：⼯资下降速度过慢，⽆法使被替代者继续就业；以及需要花费时间的搜寻过程。认知⼯资与裁员。设,为依附于该群体的认知劳动⼒，即受雇者加上超出正常储备池的认并设为在,⽔平上出清认知群体的⼯资，即如果没有额外类⼯⼈被迫失业时的⼯资。在正,常时期，该⼯资等于普通⼯资，但当⼯⼈⾯临流动时，要完全雇佣他们所要求的⼯资甚⾄更低。如第2.1.1节所述，本节中的每个计数（就业、储备池、依附劳动⼒、职位空缺、招聘、裁员及⽬标值）均为劳动⼒的ECONOMICSCENARIOSFORTRANSFORMATIVEAI我们假设认知工资调整缓慢，因此认知劳动力市场无法出清并存在失业。具体而言，实际支付的认知工资,仅以其与之间差距的一部分，每月一次的方式，按照Blanchard和Galí（2007）的方法缩小与均衡水平的差距：,)( 其中∈[0,1)为每年认知工资的刚性。当=0时，工资每月出清群体；当→1时，则为共同工资。这种刚性是相对于共同工资而言的，刚性的部分是认知折扣。在此工资水平下，认知劳动力市场并未出清，企业通过调整雇佣量使其符合劳动力需求曲线。由于模型的搜索/匹配结构，雇佣量在当月内是预先确定的，因此企业通过离职来实现其需求。令ℓ,表⽰企业在,水平下需求的劳动力，并令=max{0,ℓ,−ℓ,是他们带入该月的过剩就业量。来自过剩职位的辞职不会被替代，而裁员,（“解雇”）则移除剩余部分：,=max{0,−,ℓ,}，(31)以使认知类就业从下个月起回归需求曲线。这种解雇是Michaillat（2012）意义上的工作配给：当工资高于其出清水平时，企业需求的认知工人数量少于该群体中的附着人数，差额部分被解雇而非以更低工资雇佣。在配给约束生效时，被雇佣的认知工人按其边际产品获得报酬。职位空缺。当企业需要填补辞职空缺并弥补比例的就业不足时，会发布职位空缺。对于认知群体，就业不足是指需求超过就业量，=max{0,ℓ−ℓ,}，通常为零；对于其他群体，则是对数缺口,,到其目标。岗位空缺,随后 max{0,,ℓ,−}+,+,ℓ,其中<1是雇主期望在本月内填补的职位空缺比例，即其正常时期的填补率，而,是每月的职位发布流量。当=1时，其他所有群体一次性发布其全部短缺职位。低于1时，职位发布会随时间分散，代表扩张型职业的招聘和培训能力。2.3.2匹配离职的工人进入失业池，我们按原属群体追踪失业者，即,和,。他们在两个群体中寻找工作，但在原属群体外求职的工人处于劣势，这反映了职业特定人力资本（Kambourov和 ECONOMICSCENARIOSFORTRANSFORMATIVEAIManovskii,2009），这超出了模型范围：一名软件工程师不会立刻变成电工或护士。我们通过跨群体的搜索折扣∈(0,1]来捕捉这一点因此，针对每个群体的有效搜索努力为3）群体的雇佣人数由结合搜索努力和职位空缺的匹配函数给出，形式为由denHaan等人（2000）提出的形式,=+在标准曲率=1.27和匹配效率≤1.8的情况下，该函数具有规模报酬不变的特征，因此填充率和每次有效搜索的雇佣人数仅取决于职位空缺与搜索者的比率，即该群体市场的紧张,无论紧密度如何，两者都介于零和之间，因此雇佣人数永远不会超过针对某个群体或其空缺岗位的搜索者数量。这就是我们采用这种形式而非Petrongolo和Pissarides（2001）评述的大多数研究所使用的柯布-道格拉斯函数的原因——该函数必须设置上限以将雇佣人数限制在这些范围内，而该上限会在模拟情景路径中产生拐点。当→∞时，该函数变为min{,,,}。一个群体按每单位有效搜索量,/,的速率进行雇佣，而一名工人在其原始群体提供一单位搜索，在另一个群体提供单位搜索，因此按原始群体划分的工作找到率为,,,,因此，当所有其他职业大量发布招聘信息且接近1时，被裁员的认知工人找到工作的机会就很高，反之则很低。就业通过两种离职（辞职和裁员）以及招聘来演变。每个失业工人群体通过相同的离职方式演变，但减去找到工作的工人：∈{,},∈{,},其中,=0，且被雇佣到组的工人此后都算作组工人。注意根据方程(33)和(35)，,,+,,=,+,：每一次雇佣都离开池子，每一次离职进入池子，因此在每个时间点，ℓ,+ℓ,+,+,=。劳动力市场的新进入者按比例加入两组和失业池。8DenHaan等人设定=1；我们保留，以便招聘率的水平可以与曲[率分开校准。招】聘对搜索努力的弹性，是随着紧俏程度上升；在职位空缺稀缺之处，额外求职者对招聘的增加作用甚微ECONOMICSCENARIOSFORTRANSFORMATIVEAI根据其规模，因此的份额中运动定律（36）和（37）成⽴。所有离职都经过失业池，换组的⼯⼈也如此。历史上，职业流动总量远⼤于净流量，其中⼤部分调整通过劳动⼒市场的进⼊和退出实现（Pilossoph,2012;Carrillo-TudelaandVisschers,2023b;Autoretal.,2014;Cortesetal.,2017）。我们关注的是被解雇⼯⼈必须经过失业池的情况。 稳态。该块从稳态开始，在此状态下，各群体按组别招聘替代离职，且每个来源的流⼊量∑由此决定总找到率池⼦隐含的条件是=(−?̄?)/?̄?。第三个⃞程在稳态下逆向匹配函数，得出招聘规则(32)所⽤的正常填充率，只要单位有效搜索的正常雇佣量低于上限，该⽅程就有解。我们设定使得和的就业加权均值为每⽉0.65。9与之间的差距，就是当⼤量失业⼯⼈同时在某群体中搜索时，该群体填充率可以上升的空间。在正常时期，池⼦规模为劳动⼒的3.8%，离职率为由此得出的总就业发现率为每⽉0.92×96.2/3.8≈0.23，⽽数据中为0.22。池⼦中认知类劳动⼒占1.76%，其他类占2.08%，即⼀个群体占2.9%，另⼀个占5.4%。填充率分别为0.66和0.64，为0.76。这些数字背后的搜索折扣为?̄?=0.17，在此稳态下改变群体的求职者占⽐为七分之⼀，根据CPS校准为此值。每个场景中稳态均在?̄?下评估，因此这些对象在各场景中通⃞，且?̄?不受AI构建的影响。两个关键搜索参数——认知类⼯⼈转换职业的难易程度以及企业发布新职位的速度——是场景对象。温和、显著和极端场景分别设定=0.17、0.08和0.04（公式(33)和(35)中=0.10、0.25 和0.50。温和场景保持正常时期的折扣，另外两个场景则使失业的认知类⼯⼈在试图转换职业时⾯临更⼤的劣势。9我们采⽤Davis等⼈(2013)的⽇度模型进⾏校准。应⽤于2010-2019年JOLTS的招聘和职位空缺数据，该模型得出每个⼯作⽇的填充率为4.0%，平均职位空缺持续时间为26个⼯作⽇，当⽉内填补的⽐例为0.65。ECONOMICSCENARIOSFORTRANSFORMATIVEAI2.3.3带有失业模型的小结我们的模拟经济呈现出一个特征：随着劳动力市场对人工智能的调整，失业率最初会上升。认知群体的工人领取粘性工资,，而所有其他职业的工人则按其边际生产率,获得报酬。表A.1列出了模拟求解的完整方程组，以描述具有人工智能的经济特征。3.校准我们首先总结模型中的关键参数及其所起的作用：•能力范围与扩散参数的乘积，即由人工智能执行的任务实例所占份额。这些参数始终以乘积形式出现。•人工智能影响任务生产率的幅度为。其乘积为决定了全要素生产率的提升，从而推动人工智能带来的GDP整体增长•参数表⽰由AI执行且实现自动化并转向资本的任务比例，而1−则是增强型任务，仍由认知劳动者完成•复职比例衡量新任务出现的速率，以及这些任务如何将工作从资本重新转向认知劳动者。这是AI增强认知劳动的另一种方式•资本供给弹性决定了生产率提升在资本与劳动之间的分配方式•认知工资刚性决定了认知劳动者承担的成本是以工资下降还是失业形式呈现正常时期的劳动力市场——包括两个群体规模大小、劳动力池容量、两群体离职率对比、以及求职者跨群体流动的频率——均根据当前人口调查进行测算。辞职水平由失业人数和求职成功率共同决定，以确保稳态值与2025年美国劳动力市场吻合。AI相关数据始于2026年中期对AI使用和采纳情况的测量，而2030年的数值则基于情景假设我们的论文考虑了三种主要情景，按人工智能到2030年改变经济的整体程度排序：适度变化、重大变化和极端变化。这三种情景在两个关键维度上有所不同。第一个维度是人工智能能力及其应用进展的速度，由、和在2030年的值体现。第二个维度是给定数量的人工智能对工人的破坏程度，由自动化份额、复位比率、搜索折扣和发布速度体现。表1列出了每个数字及其来源。这三种情景是说明性的。我们的框架允许设定每个情景对象并追踪其后续路径。第3.5节对美国成年人调查的代表性答案进行了这一操作。 ECONOMICSCENARIOSFORTRANSFORMATIVEAI表1：校准：参数与情景数值符号含义温和显著极端来源或依据A.技术、要素市场与创意⽣产（第2.1.1节和第2.2节）；各情景共通任务间替代弹性0.5总互补（阿西莫格鲁和雷斯特雷波，2022； ,0,0,0/,0就业的认知份额0.624CPS2025（美国劳⼯统计局，2026b）：SOC主要组别中的雇员份额资本供给弹性