擴大生成人工智能的收益:基金組織工作人員討論說明(SDN)展示了基金組織工相關的分析和研究表◎2024國際貨幣基金組織SDN/2024/002基金組織工作人員討論說明財政事務部擴大生成人工智能的收益：財政政策的作用由VitorGaspar授權發行2024年6月基金組織工作人員討論說明基金組織工作人員討論說明(SDN)展示了基金組織工作人員正在開發的與政策相關的分析和研究，并發表了這些分析和研究以征求意見并鼓勵辯論。工作人員討論說明中表達的觀點是作者的觀點，不一定代表貨幣基釜組織、其執行董事會或貨幣基金組織管理層的觀點。摘要：生成人工智能(geerativeAl)在促進生產力增長和推進公共服務提供方面具有巨大潛力，但它也引起了人們對大規模勞動力中斷和不平等加劇的深刻擔憂。本說明討論了如何采用財政政策來引導技術及其部署，以最好地服務于人類，同時緩沖負面的勞動力市場和分配效應，以擴大收益。鑒于下一代人工智能發展的性質、影響和速度存在巨大的不確定性，政府應該采取敏捷的方法，為照常營業和高度破壞性的場景做好準備。推薦引用:Brollo和其他人。2024。“擴大生成人工智能的收益：財政政策的作用”。國際貨幣基金組織工作人員討論說明SDN2024/002,國際貨幣基金組織，華盛頓特區。關鍵字：作者的電子郵件地址：fbrollo@;edablanorris@imdgarciamacia@;thanappi@;lliu@im . .執行摘要1升級社會保護制度 升級稅收系統 為AI創新和部署提供資金_結論和政策影響 參考文獻1.機器人對美國當地勞動力市場就業和工資的影響：失業保險2.機器人對美國本地勞動力市場工資的影響：失業保險受教育程度的作用 ______73.機器人對貧困的影響：社會救助的作用 4.基線自動化沖擊 6.過渡動力學 大福利期限-139.企業對節省勞動力資產的稅收偏見 10.按國家劃分的節省勞動力資產的公司稅偏差 12.對自動化征稅與對勞動收入征稅以資助失業支持 13.資本收入在最高收入者中的集中：跨國證據 ___2014.勞動和資本收入的平均稅率，5年移動平均 ___2115.美國按來源和收入群體劃分的收入份額 附件附件1.示范框架附件2。有效稅率附件3。公司稅收和勞動收入份額(特別是在新興市場和發展中經濟體),以及在公共部門(教育，醫療保健，政府管理)的應用。理查德·鮑德溫(2019)“認知”自動化的興起。人工智能(AI)具有改變生產過程性質并提高生產率和增長的潛力。人工智能最近的快速發展，特別是基于可以產生新內容的大型語言模型的生成式人工智能(geerativeAI)的出現，正在極大地擴展計算機可以比人類更有效地執行的活動集。因此，人工智能在工作場所的潛在應用正在擴大。與過去由蒸汽機、電力和早期業轉型不同，一代人工智能的擴散速度比以前的顛覆性技術快得多。盡管企業正在努力找出部署當前數不清的好處。GeAI可以徹底改變商業和公共部門的運營。對于公司和行業而言，它具有新收入，節省成本以及改進產品和流程的潛力。對于政府來說，它預示著公共服務提供的改善，使其更加高效和有效。例如，財政業務，采購和收入收集可以受益于增強的欺詐檢測以及自動化的審計和保證流程。個性化交互式學習、增強現實和遠程患者監測可以從根本上改變公共教育和醫療保健，幫助人們更快、更公平地獲得服務。人工智能推動的公共部門運營進展可以為更有效的政策設計提供信息，并幫助轉變監管運營。對勞動力市場和不平等的影響。GeneAI的采用可能是不均衡的，轉型的規模和快速速度有可能破壞勞動力市場。許多涉及常2有證據表明，雖然早期的自動化浪潮取代了大多數藍領(低技能)工人，但白領(高技能)工人最容易接觸AI。3但人工智能也能夠為更智能的機器人提供動力，并可能導致藍領工作的進一步自動化。因此，勞動力節約自動化可能會加劇低技能和認知職業的失業，進一步降低相對于資本的勞動力份額和工資，加劇收入和財富不平等。雖然人工智能可以提高企業的生產率，從而提高非自動化任務中對勞動力的需求，并產生新的。箱(2020)發現，人工智能主要針對高技能任務，并指腸響變過高等教自的工人和年長的工人.Fete.和Seams(2023)有將其描能限在與gerA更相關的機器學習應用適應就業市場的變化。傳統上，社會保護系統包括基于工資的保險組成部分(例如，失業福利),終身教育和培訓計劃，現人工智能投資征稅：一場日益激烈的辯論。對人工智能的投資應該征稅嗎?稅收和監管可以通過阻止和減緩自動化的部署類能力的應用，并可能導致新的職業任務(Acemoglu、Autor和Johnson2023)。面對來自generAI的不平等和贏家通吃的動態，政府應該如何設計再Korinek2023a;Baily,Brynjolfsson和Kor其他人(2021);Beraja和Zorzi(2024);Costiot和Werig(2023);Gerreiro,Rebelo和Teles(2022);和警告。人工智能技術將如何發展和改變經濟是非常不確定的。關于(1)AI能力的提高速度，(2)國家和公司采用最新技術的程度以及如何使用這些技術，不同的方案是合理的。(3)人工智能將在多大程度上取代或補充不同類型的工人，(4)人們將如何適應新的工作現實，(5)政府的政策回應，以及(6)這些因素對生產力增長和經濟福祉的影響。財緩解勞動力市場混亂。社會保護系統如何在擁有通用AI的世界中提供穩定的就業和生產率增長(效率),同時為工人提供足夠的保護(公平)?社會保險，例如失業保險(UI),可以通過在信貸和保險市場失靈的情況下平滑消費來增強個人年；Chetty,2008年)。積極的勞動力市場政策(ALMP)補充了UI,并可以通過提高工人的技能(通過再培訓計劃)反映了當地需求下降對非貿易(服務)部門的溢出效應。5然后，新穎的分析利用了失業保險和社會慷慨方面的差異失業保險的緩沖效應。圖1中報告的經驗結UI的慷慨。失業保險的緩沖效應。圖1中報告的經驗結UI的慷慨。能產生長期影響(既不是促進當地勞動力需工作而對勞動力供應產生負面影響)。相比大學學位的工人尤其明顯(圖2),可能是圖1.機器人對美國當地勞動力市場就業和工資的影響：失業保險的作用(LowUIgenerostyHighUIonerostyLowUoeneroityHghUioin000124資料來源：Acemoglu和Restrepo(2020年)和國際貨幣基金組織工作人員計注意：該圖使用美國通勤區的橫截面數據，對采用機器人的就業和工資進行了估算。因變量是2000-07年樣本期內通勤區的就業與人口比率的變工資對數的變化。右側變量包括(1)對機器人的暴露程度的度量，人使用的行業級別變化和通勤區級別的基線就業份額，調整每個行業產出的整體擴(2)虛擬變量捕獲高(低)失業保險(UI)慷慨，如果UI慷慨高于(低于)美國各州的中位數，則等于1:(3)(1)和(2)之間的互相感化。回歸還包括對通勤區人口特征、制造業就業份額、對中國進口的敞口以及日常工作中就業份額的控制。條形圖分別顯度較高和較低的州中，通勤區采用機器人的效果。UI福利在州一級的慷慨法定福利金額及其持續時間的乘積來衡量的。晶須表示95%的信心。間隔。高UI狀態和低UI狀態之間的差異在1%的水平上具有統計意義。有關詳細信息，請參閱Brollo(2024)。圖2.機器人對美國當地勞動力市場工資的影響:失業保險按教育水平的Los0genarostyHoUigonerosdyLowUi004資料來源：Acemoglu和Restrepo(2020年)和國際貨幣基金組織工作人員計Note:ThefigurepresentDifferencesbetweenhighandlowUistates百分比水平。有關詳細信息，請參閱Brollo(2024)。工資分配底層的工人來說更加明顯。這些工人陷入貧困的風險更高，因為他們很難找到工資相似的新工作。社會救助計劃可以在這方面發揮關鍵的削弱作用。總體而從過去的教訓。總體而言，這些發現表明，社會保護的設計的變革，以減輕潛在的更廣泛的社會影響。在技術快速變化導致的長期失業，過渡可能非常昂貴。例如，如果一代人工資釋來源：”Acemog和Restrepo(2和潛愚的更重要的勞動力市場位移的世界中，注：該圖顯示了對機器人采用的貧困率的工具變量回歸2000-07年樣本期內通勤區貧困率的變化。右側變量與圖1中所示的相同詳情。SA=社會援助。期生產力和增長紅利，但由于勞動力市場的他經濟領域使用的技能(Adāo,Beraja和Padalai-Nayar2024),那么勞動力市場的調整可能會更慢。工大還可能面臨8州-極社會接助的續概程度是基于美國最大的現金接助計劃，即筑困家庭臨時報助(TANF)福和的像障程度。每個州的TANF相和的概程度是通過19年設有收入的三口之家的最高每月福利來衡量的，199年是分所涵基于模型的分析和相關渠道。基于模型的分析用于確定應對破壞性技術進步的社會支出政策的最佳特征(詳見附件1)。該部門的潛力，可以討論不對稱的部門影響(另見需求逐漸減少，導致在新的穩定狀態下(大約15年后),就業率下降了20%。8同時，新的穩態的特點是工資增長約15%,因為自動化提高了總生產率(圖4)。9AI的長期影響存在很大的不確定性。例如，Korinek(2023b)和KoinekandSuh(2024)表明，隨著Al的逐步推進，產出可能在15年內翻一番。Cazzaniga和其他人(2024)發現增長較小，為10-16%,而Acemoglu(2024)建議的增長甚至更小，在隨后的10年8此模擬基于麥情錫(2023)的，即到2030年，白動化可以將工作活動所花費的時間替換20%至30%,但是請注意，該包括廣泛和案的利率，而模型農捕拊廣泛的利潤率圖4.基線自動化沖2024202注：該圖顯示了沒有策略的基準自動化方案，其中第1組初始和最終穩態之間的變化以及第2組初始穩態隨時間的偏差。模型被校準為進經濟體。詳見附件1。ppts=百分點。明需要相對較長的失業救濟期限。考慮了UI的兩種說明性設計：(1)UI替代率永久增加1個百分點；(2)臨時的不資的下降(圖6)。因此，結合UI和ALMP可以幫助減圖5.不同的UI程序2.Consumptionbyunemployedw150420注意：該圖示了基線模擬和兩個失業收入支持計個百分點的替代率和與經濟狀況保持一致的臨時計劃。這些政策由activelabormarketpolicies(AL每個時期的中立。的暴露較少(Pizzielli等2023年)。然而，平均而工智能(Cazzaiga等2024年)。例如，許多新興了人們對他們適應技術轉型能力的擔憂(阿昂，貝(ChettyandLooney2006).13基于模型的說明(圖7consumptionbyunemployedworker資料來源：貨幣基金組織工作人員模擬策空間更有限。兩種政策方案都包括失業保險和積極的勞動力市場政策(ALMP),但一種方案具有更大的響應和更快的部署(在最初的沖擊后2.5年),而另一種方案較小，ALMP的實施延遲(在最初的沖擊后五年)。失業當失業率比初始穩態高出1個百分點時。升級失業保險制度。升級失業保險制度。UI系統在多大程度上緩解了Al的負面影響，這可能取決于對自動化和覆蓋范圍、慷慨和設計功能的暴露。許多發達經濟體已經建立了慷慨的失業救濟金計劃，但工人有資格享受這些計劃的程度各不相同。此外，最大福利期限通常少于12個月(圖8),支持度在失業期間下降。14對基本UI的訪問不是普遍的，但在很大程度上分散在職業線上，并且收益不可移植。Minimumcontributionduration圖8.最大效益持續時間2臨時工和勞動力市場(再)進入者，以及最大福利接收其業保險的范圍，便攜性和靈活性，以便有足夠的時間進行再圖8.最大效益持續時間2臨時工和勞動力市場(再)進入者，以及最大福利接收其業保險的范圍，便攜性和靈活性，以便有足夠的時間進行再5加強社會援助。促進社會公乎的社會援助可以通過采取綜合計劃來加強，這些計劃支持直接或間接受到技術轉變影響的工人試的有保證的最低收入方案——向家庭分配現金或其他援助，隨著收入的增加，福利逐漸下降——以及其他形式的支持(例如，系統地投資于培訓和工作過渡服務，如下文所述)。另一方面是向所有人提供無條件的福利，而與收入或就業狀況無關再：。從設計上講，后一種方法將涵蓋可能受到AI傷害的高收入群體，可能會產生巨大的財政成本(IMF2017b)。在這一點上，這種方法可能是不可取的，因為對勞動力市場的負面影響并不普遍，現有的社會安全網在大多數發達經濟體中以更低的成本提供更多的保護。也就是說，面對潛在的廣泛破壞性技術變革，必須仔細評估社會援助計劃的適當設計，覆蓋范圍和資在培訓完成后的一年內(Katz等2022年)帶來了14-38%的收入增長，并持續增長。其他研究發現，對于因“離岸外包”當前的稅收制度是否有利于替代勞動力的投資?現有的稅收制度已經區分了對大類資產的投資。這些類別可能包括設備(例如，機器和計算機),結構(例如，辦公室),庫存和知識產權(例如，軟件，專利)。這些資產類別的不同稅收處理是由刻意的政策導致的，例如加速稅收折舊、投資稅收抵免和特定資產(例如知識產權)的降低稅率。稅收制度提供的投資于特定資產的動機可以用邊際有效稅率權，以及對AI研究人員和員工的投資。培訓計劃。一些稅收制度目前有利于替代勞動力的投資例如，對軟件、計算機硬件和知識產權投資的稅收誘導培訓計劃。一些稅收制度目前有利于替代勞動力的投資例如，對軟件、計算機硬件和知識產權投資的稅收誘導(DIS)激勵可以通過它們各來衡量(正的差異表明稅收較高，因此對universalacrossacross,p在顛覆性NetherlandsSlovenia0 MBB?n相發純物的M度組街公咨立酮養句E平MBB?n相發純物的M度組街公咨立酮養句E平R相新于n2047-20年度建筑物的MEIR衡量。“正值裝賃嚴和對子建筑物的稅負較高。”MeTR5基于投資苗股權融資的假設新興市場和發展中經濟體：METR=邊際有效稅率。資產進行投資(見附件圖資料來源：經合組織2023d;ZEW2021;和國際貨幣基金組織工作人員計算。資料來源：經合組織2023d;ZEW2021;和國際貨幣基金組織工作人員計算。注：該圖顯示了公司稅偏向最大的10個經濟體偏向于節省勞動力的資產。偏差以每種資產類型相對于建筑物ME來衡量，并基于2022年85個經濟體的樣本來獲取軟件和計算機硬件；對于知識產權，樣本僅涵蓋2020年的E示資產上的METR相對較低。建筑物。METR=邊際有效稅率。間的推移，一些國家已間的推移，一些國家已的資產(圖11)。例如，美國減稅和就業法案(TCJA)于2018年生效,允許公司將資本支出折舊。18對于中位數國家，物)。19這些改革可能激勵自動征稅。自動化對勞動力圖11.改變公司稅收偏差0METRdifferential,2000和METRdifferential,19METRdifferential,20J資科殃襟：國際貨幣基金組織工作人員根據ZEW202注：該圖繪制了1998年知識產權投資與2020年知識結構的稅收待遇隨時間變化的情況。收購軟件和計算機硬件的M簽使用國際組織17Thetulespensingwillexpoctby2026.Proponentsofalong-tomstablepoicyoffllospensinghavearguedforthisp19基于經合組織(2023d)涵蓋的85個國家，不包括沒有稅制改革的國家。,不應該對通用人工智能、機器人或其他形式的勞動力替代技術征稅。然而，可能有效率和公平的理由偏離這一原則。20效率考慮：過度工作錯位造成的福利損失。對自動化征稅的一個論點是減輕過度的工作位移，當技術變革迅速展開而勞動的勞動力市場摩擦模型。在這個框架中，機器人稅可能是可取的，以阻止邊際自動化(即自動化產生最小的生產率提高)。信貸約束為對自動化征稅以內部化工作轉移的外部成本提供了進一步的論據。Beraja和Zorzi(2024)表明，雖然這意和Werig2023;Themmel2023)。Costiot和Werig(2023)估計機器人的最佳稅率為機器人價格的1%至3.7%。20另一個煙因可能是人工相能服務器的碳足跡，這蓄要大的電力(daVies2023),藏脫將是趣這些外部成本內部化為技術價格的最有效方法。然而，在沒有種配下，對人工智能(或人工程能使用的能源)框限題供了一種21如果改變資本和勞動的一般概存在限制，那么自動化稅是最優的。如果沒有這些限制，和時于勢動段的商臨本概就足以有效地減擇勞動替代(力框1討論了勞動收入份額的發展對勞動和資本的一般視的影響)。2其地研究著眼于段革，而是最就微散，以說機器人橄的分配和和效牢皮本之剛的權漸(Bmg等2021年)。Patao和SMmk(2020年)強調，機器人脫不是面分冊收入的殿住工具，因為其低域策比它們對增長的力轉移帶來的過渡成本很高(例如在高度破壞性的AI場景下),那么臨時的自動化稅可自動化征稅以資助失業保險福利的含義(與本進行比較)。23Aautomationtax來自于將勞動力市場和信貸摩擦內部化(效率理由有可能取代勞動力的技術(或體現這些技術的資本資產)。然而，將這些特征編入實際政策是一項艱巨的任務。稅收制有爭議的問題。今天的主流觀點是，資本收,AI加強了這些論點。入分配的頂端(圖13)。因此，資本收入份額(Aghio等2019)。此外，這些創新產生了可觀的(準)租這些租金往往高度集中在一小群高收入人群中用geAI進一步擴大這些趨勢，那么有效地圖13.資本收入在最高收入者中的集中度：跨國證據10得稅可能是有效的(例如，見銀行和鉆石2011:斯特勞布和沃寧2020)的收入占總額的20%至30%,但資本收入最高的10%的收入與勞動收入相比。衡量——一直在下降(圖14)。與此同時，勞動的平均稅負——以勞動和社會保障繳款的個人稅占勞動收入的比例來衡量——穩步上升。盡管資本和勞動收入在20世紀80年代初按類似的平均稅率征稅，但差距在2018年擴大到近10個百分點年前是顯著的。在其他國家，如法國和意大利，差距也有所擴大，但主要是由于勞動力平均稅的上升；平均資本稅一直(百分比)資料來源：Bachas等2022年；以及國際貨幣基金組織工作人員的計算。注：ATR是根據1965-2018年的全球宏觀經濟數據(https://globaltaxation.world/),通過將已繳稅款的歷量標準相關聯來構建的。見附件2。ATR=平均稅率。)的倡議下的自動信息交流(AEOI),已經有效地幫助了打擊離岸逃稅(。EUTAX2024)。GenAI可以通過更有效地使用信息來打擊稅收欺詐來進一步加強這種執法。這樣,提高有效稅率。,允許遞延納稅義務。在一些國家，資本收益部example,institution同時，資本收益高度集中于收入最高的人(圖15)。因此，增強資本收益的稅收提供了減輕不平等的機會，同Wheeler2021;Chirio礎設施(例如，數字連接，電網),特別是在新興市場和發展中經濟體，并在公共部門(教育、衛生、政府管理)推廣人工蹤人工智能的發展和使用。這樣的機構可以幫助為構建、部署和控制人工智能的公司以及下游用戶開發更廣泛的問責框架國際科學合作可能會提供有用的經驗教訓(聯合國2023年)。為AI重新設計的“分布式CERN”可以擴大在創新，使用里獲得收益嗎?保護機制進行全面的重新評估。如果人工智能像通用技術(例如蒸汽機，電力)一樣，那么一系列工作任務將實現自動化教育系統本身可以利用GenAI來培養更高級別的技能，例如批判性思維，分析和策略。但是，GenAl和機器人技術的發展將要求人們開發與AI系統一起工作的技能，而不僅僅是現有技術。如,而且可以促進收入動員-隨著自動化的到來，這對于資助高等教育和社會支出是必要的。更有效地對資本收入征稅需要恢復)。總而言之，CIT對勞動收入份額的影響是一個實證問題。對42個發達和新興市場經濟體的面板回歸個百分點，勞動力份額就會下降0.1%。相,勞動力份額就會增加0.11%。因此，在(2005-18年間從27.7%降至23.9%),加上平均最高PIT率的小幅上升(從41.9%降至43.7%),估計在此期間，(百分比)210210-0.5-0.6變化及其對勞動力份額的估計影響。CIT=公司附件1.示范框架該分析擴展了Rav和Ster(2021)開發的勞動力市場摩擦的易于處理的HANK-DGSE模型，以納入自動化。經濟有兩個研究支持部門流動的政策。兩個中間部門的產出結合起來，就產生了最終的商品。勞動力市場受到Diamod-Mortese-Pissarides傳統的搜索和匹配摩擦的影響。對三種類型的家庭進行了建模：公司所有者與公司所需的技能之間存在潛在的不匹配(Brach,Petrosy-Nadea和Rochetea2016;DiPace和Hattwec2019;Walsh2011)。由于這些勞動力市場摩擦，就業前景不確定，使家庭面臨特殊的收入風險。就業工人沒有充分投保這種風險其他標準特征包括名義剛性和基于泰勒規則的利率。以下等式描述了生產結構和勞動力市場動態。□1/nuo(yu-1)/ya1no0ye=i最終產品是使用具有柯布-道格拉斯生產函數的兩個中間部門的投入生產的27:27使用CES函數，兩個部門的份額相等，彈性為09,結果相似□好處(例如家庭生產)的常數。AnnexTable1.1presentsthecalibrationofthekeyparametersofthem,并匹配彈性μ經過校準以匹配三個目標：(1)7%的失業率，在美國的5%和歐元區國家的10%之間；(2)每季度45%的工人找到工作的可能性；(3)每個季度70%的公司空缺填補概率(Christoffel,Kster和Lizert2009;Challe2020)。置換率定為50%。失業保險以外的失業福利經過校準，以適應失業后20-30%的消費損失(DeHa這一基準模擬校準了一系列沖擊，這些沖擊到2030年將自動化資本的生產率提高了300%,導致受影響部門的勞動力減少了20%。這與麥肯錫(2023)的預測一致，即到2030年，自動化可以取代20%到30%的工作時間。但是請注意，投影包伯格、布菲和贊娜(2018)匹配效率工人工資議價能力失業工人的其他福利□o00口□□伯格、布菲和贊娜(2018)口□62匹配的平均頻率注：標準值基于Smets和Wouters(2007年);Christiano,Eichenbaum和Evans(2005年);Gomes,Jacquinot和Pisa年);以及Gertler,Sala和Trigari(2008年)替代方案考慮了自動化資本生產率的較小增長-大約是圖4中基線水平的一半-類似于Cazzaniga和其他人(2024)。在此假設下，產出增加約17%,而受影響部門的勞動收入份額下降了10個百分點，使經濟中的總勞動收入份額減少了5個百分點(附件圖1.1)。由于部門流動摩擦，過渡仍然代價高昂，但不如基線嚴重(附件圖1.2)。00-25BaselineAlternati資料來源：貨幣基金組織工作人員計算。注：在替代情景中，部門生產率對自動化資本的沖擊幅度約為基準情景的一半。附件圖1.2。過渡動3210—Comsumptionbyunemployed86420對自動化資本的沖擊大約是基準情景的一半。附件2.有效稅率許多國家的目標是使稅收折舊與經濟折舊相匹配。然而，出于稅收目的的加速(或獎金)折舊已被廣泛用于支持被認為具對投資產生重大影響。據集。兩者都包含不同國家，資產組和時間段的ME間34個國家的三項主要資產(建筑物，機械，已獲得的專利)。OECD的數據涵蓋了2017-22年期間74個國家的8種不同資產(包括購置的軟件和計算機硬件；見附件圖2.1)。附件圖2.1顯示，當前的METRs(基于股權融資并在74個國家/地區平均)在資產類型之間遠非中性。平均值遠高于零，大部分觀測值在12.5%至35%之間。附件圖2.1.按資產組劃分的METRs,2017-22年，74個國Non-residentialstructu資料來源：經濟合作與發展組織：和國際貨幣基金組織工作人員計算。注：METR=邊際有效稅率。(百分比)LiberiaSenegalEswatiniCroatiaAustriaEstoniaIrelandCyprus資料來源：經濟合作與發展組織：ZEW萊布尼茨歐洲經濟研究中心：和國際貨幣基金組織的工作人員計的，并且基于2022年85個經濟體的樣本來獲取軟件和計算機硬件；對于知識產權，樣本僅涵蓋2020年的EU27。負(正)值表示資產相對于建筑物的較低(較高)METR。METR=邊際有效稅率。平均稅率(ATR)是通過將所繳納稅款的歷史數據與稅基的度量相關聯來構建的。本說明中使用的ATR是基于Bachas和其他人(2022)匯編的宏觀經濟數據，他們開發了關于資本和勞動力的長期全球時間序列。根據這種方法，宏觀經濟數據中捕獲的每個稅收類別都歸因于兩個生產要素之一。稅收收入數據是根據OECD收入統計(OECD2023e)中的方法構建的，類別1200(CIT)完全歸因于資本，類別2000(社會保障繳款[SSC])完全歸因于勞動力，類別1100(個人所得稅[PIT])部分歸因于資本，部分歸因于勞動力。歸因于資本和勞動力的PIT份額因國家和年份而異。盡管關于勞動收入的ATR的定義遵循Bachas等(2022),但我們通過排除財產稅和財產稅來對資本收入應用不同的ATR定義，以更好地反映影響企業自動化決策的稅收。分析中排除了消費稅。將每種稅收歸因于兩種生產要素之一后，總數除以根據國民賬戶數據計算的資本和勞動收入份額。將ATR進一步分解為其組成部分表明，自1980年以來，公司收入和資本收入(在個人層面)的ATR均有所下降，后者在1980年代初和2000年代初經歷了顯著下降。CIT部分受商業周期的影響更大，自20世紀70年代末以來一直處于下降軌道。自2016年以來，銀行信息的自動交換可能對個人稅收成分的小幅恢復起到了作用。附件圖2.3顯示了各個國家勞動力和資本的ATR趨勢。附件圖2.3.個別國家勞動力和資本的附件3公司稅收和勞動收入份額勞動收入份額。自1965年以來，155個國家/地區的長期勞動收入份額可從Bachas等(2022年)獲得。它使用聯合國的報酬加上混合收入的一部分(私人非法人企業的經營盈余)。雖然衡量工人的報酬相對簡單，但混合收入(非法人企業)中的勞動份額卻很難衡量。混合收入中勞動份額的基準系列假設為75%;也就是說，混合收入的25%被認為是資本收基準規范評估了公司和個人所得稅對勞動收入份額的影響，控制了1990-2008年期間42個發達和新興市場經濟體勞動收數(美元，不變價格);資本成本，定義為資本相對于消費的平均價格；貿易開放度，定義為接受國出口和進口占GDP份額的總和；和金融發展水平。C表示法定企業所得稅稅率，以及000表示最高法定個人所得稅。回歸還包括國家和年份健結果匯總在附件表3.1中，僅在規范(3)中針對發達經濟體的結果，在方框1中進行了討論。如果所有國家都包括在規范(1)和(2)中，則CIT率的估計系數為正，并且微不足道。這掩蓋了規范(3)中發達經濟體的正(90%)CIT同期為43.7%,或1.8個百分點。這些加在一起，意味著勞動力份額減少了0.58%,其他所有不變(方框圖1.1果國家FEYY0.02YYY(0.03)(0.03)YYY資料來源：Bachas等2022年；國際貨幣基金組織，《世界經濟展望》數據庫：以及國際貨幣基金組織工=個人所得稅：Y=是。Acemoglu,Daron。2024。“人工智能的簡單宏觀經濟學”。NBER工作文件32487,國家經濟研究局，馬Acemoglu,Daron,DavidAutorandSimonJohnson.Acemoglu,Daron,andSimonJohAcemoglu,Daron和PascualRestrepo。2018。“人與機器之間的競賽：技術對增長，要素份額和就業的影響。”國經濟評論108(6):1488-542。Acemoglu,Daron和PascualRestrepo。2020年。“機器人和工作：來自美國勞動力市場的證據。”政治經Acemoglu,Daron,ClaireLelarge和PascualRestrepo。2020。“與機據"AEA論文和論文集，110:383-88。///sites/default/files/inline-files/transitions_JPE_Macro_revised_OAghion,Phiippe,CelineAntonin,Amaglobeli,David,RuudA.deMoj,AndualemMengistu,MarianoMoszoPattanayak,LorenaRiverodelPaso,FrankosigiSolomon,RebeccaSparkmanAtkinson,Anthony,andJofPublicEconomi公共經濟學雜志，6(1-2),55-75。Aum,Sangmin和YongseokShin。2022。“軟件正在吞噬世界嗎?”舊金山聯邦儲備銀行工作文件2022/10/21。https://www.frb/wp-content/uploads/sites/4/10-21-2022-Shin-paper.pdf。30074,國家經濟研究局，馬薩諸塞州劍橋Autor,David。2024。“應用AI重建中產階級工作”。NBER工作文件32140,國家經濟研究局，馬薩諸塞州劍橋OMarket?QuarterlyJournalofBachas,Pierre,MatthewH.Fisher-Post,AndersJensen,andGabrielZucman.2022."CapitalTaxation,Develop理查德·鮑德溫。《全球動蕩：全球化，機器人技術和工作的未來》。2019牛津，英國：牛津大學出版社。班克斯，詹姆斯和彼得·戴蒙德。2011年。“直接稅的基礎”。《稅收設計的維度》,由斯圖爾特·亞當，蒂姆·貝斯利·波特巴編輯，548-674。牛津，英國：牛津大學出版社。Beraja,Martin,andNathanZor自動化時代的權衡。“。國際貨幣基金組織工作文件2021/187,國際貨幣基金組織，華盛頓特區。《計量經濟學雜志》65(1):9-43。美國經濟評論113(2):279-316。“加強社會保護為技術創新鋪平道路：來自美國的證據”,國際貨幣基金組織工作文件2024/095,華盛頓特區。Bürgisser,Reto.2023."PolicyResponsCazzaniga,Mauro,FlorenceJaumotte,LongjiLi,GiovanniMelChalle,Edouard。2020。“零流動性經濟中的無保險失業風險和最優貨幣政策。”美國經濟雜志：宏觀經濟學12(2Challe,Edouard,JulienMateron,XavierRagot,andJuanF.Rubio-Ramirez.2017.“預防性儲蓄和總需求”.QuantitativeEconomics8(2):435-78.Chetty,Raj,andAdamLooney.2006."ConsumptionSmoothingEconomies."JournalofPublicEconomics90(12):2351-56.States."國家稅務雜志76(3):481-523。Christiano,LawrenceJ.,ofaShocktoMonetaryPolicy.Christoffel,Kai,KeithKuster,andTobiasLinzert.2009.“TheRoleEuropeanEconomicRevComunale,Mariarosaria,andAndreaManera.2024.“TheAcademicLiteratureandPolicyActiCostinot,Arnaud,andlvanWerning.2023.TechnologyRegulation."ReviewofEconomDauthWolfgang,SebastianFindeisen,JensSuedekum,andNicoleWoessnerRobots."JournaloftheEurdeMooij,RaudA.,andGatandeVries,Alex.2023“人工智能不斷增長的能源足跡”.焦耳7(10):2191-94.EconomicAssociation16Devereux,MichaelP.,LiTaxRecords."AmericanEconomicJournal:EcoEloundou、Tyna、SamFatica,Serena。2017。“稅收資本投入的衡量和分配：對經合組織國家的敏感性分析。”收入和財富回顧63(1)Felten,EdwardW.,ManavRaj,andRobertSeamans.2023."occupational異質性inexpositiontogenerativeAl."/10.2139/ssrn.4414065.Frey,CarlBe