https://www.digitalistpapers.com/vol2/marinescu
作者：Ioana Marinescu
我们如何应对变革性人工智能对劳动力市场的影响？在这篇文章中，Ioana Marinescu 提出了一种两层级的应对方案，认识到未来存在巨大的不确定性：“调整保险”用于帮助遭受暂时性失业的工人，以及“数字红利”用于支持那些可能发现自己更长期地没有工作的人。重要的是，随着我们对我们所面临的挑战有更多了解，后者可以扩大或缩小规模。
一、引言
人工智能可以自动化整个类别的任务，即使在创造新工作岗位的同时也会取代许多工人，从而可能改变就业结构。在文献中，“变革性人工智能”一词指的是人工智能可能以与工业革命相当的规模重塑经济和社会。即使人工智能未能达到这一规模，它作为一种通用技术的广泛采用也将显著改变我们所做工作的种类，并必然导致一些工作岗位的流失，因为工人将在不同部门之间重新配置。
历史表明，那些失去工作的人很少能顺利进入新的职位；持续的收入损失是常态。我们应该考虑哪些政策来帮助受人工智能影响的工人，并确保人工智能的收益被广泛分享？政策制定者常常担心慷慨的支持可能会阻碍工作。然而，研究表明这种影响通常是有限的，而且如果人工智能导致持久的、经济范围内的就业稀缺，这种担忧就变得不那么相关了。鉴于人工智能对劳动力市场影响的不确定性，考虑灵活的工人支持方法非常重要。在人工智能仅导致失业率短期上升的情景下，重点是确保工人的收入损失，同时促进就业和工人在各部门之间的重新配置。在另一个极端，在人工智能导致大规模和持久失业的情景下，工人支持的重点是收入保障而非保险，对促进就业的重视程度较低。为了适应不同的情景，我概述了一个两层架构。人工智能调整保险延长失业救济金，并为受人工智能影响的失业工人提供再培训和工资保险。数字红利是一项小规模的普遍现金福利，通过对数字部门征税来资助，并且如果经济范围内的就业稀缺成为现实，它可以作为通往更高无条件收入支持的可扩展途径。一个有条件和有时间限制的计划与一个可扩展的无条件计划的结合，可以在人工智能面前建立工人的韧性，无论最终的就业影响如何。这些政策蓝图旨在提供灵活的解决方案，以应对人工智能可能带来的工作岗位流失以及更广泛的就业转型。
二、政策蓝图：人工智能调整保险与数字红利
表1
在转型期间为工人提供保险：人工智能调整保险
想象一下你的工作被聊天机器人取代；人工智能调整保险将在这里介入，在你寻找下一步时提供支持。人工智能调整保险将保留给那些被确定因人工智能而失业的工人。一个人工智能调整保险系统将提供更慷慨的失业保险，同时促进工人向新工作的重新配置。首先，它将为这些工人提供更长时间的失业救济金：人工智能调整保险的这一部分将保护他们及其家人免受收入损失的不利影响。其次，为了鼓励工人更快地接受新工作，即使这些工作的报酬低于他们以前的工作，人工智能调整保险将提供工资保险，一种针对工人的就业补贴。具体来说，当他们的新工资和旧工资之间存在差距时，工资保险将在一定时期内弥补该差距的很大一部分，例如，在两年内弥补差距的70%。可以把它想象成一个临时的加薪，如果你的新工作报酬较低，它能在最多两年内弥补大部分的收入损失。最后，人工智能调整保险将提供额外培训，这有助于让工人为新的工作做好更充分的准备，并降低他们不得不接受一份收入远低于过去工作的可能性。
“一个人工智能调整保险系统将提供更慷慨的失业保险，同时促进工人向新工作的重新配置。”
总而言之，人工智能调整保险提供：
- 更慷慨的失业救济金：更长的救济金领取期限。
- 工资保险：在有限时期内，弥补新工资与旧工资之间差距的一定百分比。
- 额外培训。
与人工智能调整保险具有类似特征的政策已显示出有希望的结果。如果总体失业率已经很高，[1] 更长的失业救济金不会显著增加失业（更多内容参见第三节），而且职业培训是一项行之有效的政策，可以提高失业者的收入和就业前景。[2] 贸易调整援助是一项具有成本效益的政策，具有与拟议的人工智能调整保险相同的三个特征，但适用于因贸易而失业的工人。证据表明，贸易调整援助有助于提高工人的收入，[3] 并且工资保险部分极具成本效益，即使在保守假设下，其收益也超过成本。[4] 重要的是，工资保险部分加快了重返工作的速度，而不会使工人陷入低薪工作。事实上，那些受益于工资保险的工人比没有受益于工资保险的工人更快地重返工作岗位，但从长远来看，他们的收入并没有减少。
一个自然的问题是，既然所有失业工人都能从这种支持中受益，为什么人工智能导致的失业应该被 singled out 进行特殊对待？其理由是通过补偿那些承受集中损失的人，来维持社会对人工智能广泛收益的接受。正如贸易调整援助被视为对促进贸易自由化的政策决策给予工人的补偿一样，人工智能调整保险可以视为对鼓励快速部署人工智能和消除监管壁垒的政策决策的补偿，正如美国政策在“赢得竞赛：美国人工智能行动计划”中正式阐述的那样。[5]
在实施人工智能调整保险时，人们可能会担心很难识别由人工智能导致的失业。这当然不会简单，但贸易调整援助计划的先例表明，建立适当的程序是可能的。为了确定一个工人是否因贸易而失业，工人的贸易调整援助申请会被分配给案件调查员，其任务是确定裁员是否与(1) 进口竞争导致的销售额直接下降，(2) 生产转移到美国境外，或(3) 成为受(1)或(2)影响公司的上游供应商或下游客户有关。这是一个有启发性的例子，因为它不仅涵盖了那些受到进口负面影响或外包的公司中的工人，也包括其他受到间接影响的公司的工人。人们可以调整这一过程来识别与人工智能相关的失业，例如，通过标记在采用新的人工智能软件后，在易受人工智能影响的职业中发生大规模裁员的情况。与贸易调整援助一样，结果（裁员）是明确的，而挑战在于归因；在这两种情况下，调查人员依靠上下文证据来建立这种联系。人工智能本身也可以通过支持调查人员使用数据驱动的方法来评估观察到的裁员是否与人工智能的采用有合理的联系，从而发挥作用。
“与贸易调整援助一样，结果（裁员）是明确的，而挑战在于归因；在这两种情况下，调查人员依靠上下文证据来建立这种联系。”
人工智能调整保险可以帮助工人更顺利地从受人工智能负面影响的职位过渡到新的职位，同时最大限度地减少收入损失。先前的政策经验表明，这样的计划对美国纳税人来说是可行的且具有成本效益的。
可扩展的收入支持：数字红利
数字红利可以帮助工人平稳过渡，并确保每个人都能从人工智能和数字经济中受益，即使是在最坏的情况下——人工智能导致大规模失业且创造的就业机会很少（关于人工智能时代就业情景的讨论，参见第三节）。该红利可以通过对数字经济（包括人工智能和数字广告）征收小额比例税[6] 来资助，因为这个部门很可能从人工智能的部署中获益最多。这样的税可以促进人工智能更渐进的部署，减轻工人逐步过渡到新工作时的成本。[7] 税收收入将投入一个数字基金，该基金将投资于多元化的投资组合，红利将分配给所有公民。人们可以设想基准税率最初为零，然后随着时间的推移，如果人工智能调整保险计划显示由人工智能导致的失业普遍存在并导致长期失业，则提高税率。因此，最初的征税故意设定得极小，以免给数字部门带来负担并保持创新激励。
“该红利可以通过对数字经济（包括人工智能和数字广告）征收小额比例税来资助，因为这个部门很可能从人工智能的部署中获益最多。”
总而言之，数字红利有两个组成部分：
- 对数字经济征收比例税：最初很小，但如果与人工智能相关的失业变得普遍，则增加。
- 分配给所有公民的数字基金红利：福利随着人工智能相关的失业而增加。
也许令人惊讶的是，即使是人工智能公司的首席执行官有时也提出过自动化税或全民/基本收入的想法，以在自动化情况下保护工人。微软联合创始人比尔·盖茨在2017年提议，政府应该对公司使用机器人征税，以减缓自动化。[8] 2021年，OpenAI的萨姆·奥尔特曼提出了一个由对大型公司和土地征税资助的普遍红利的想法，该红利将投资于一个美国股票基金。[9] 2024年，xAI的埃隆·马斯克预测，随着人工智能部署的推进，我们将没有工作，但会有普遍的 high income。[10] 2025年，Anthropic的首席执行官达里奥·阿莫代伊建议对人工智能公司的收入征收3%的“代币税”。[11]
对于像数字红利这样的政策，确实存在先例。例如，在美国，阿拉斯加永久基金就具有与数字红利相同的两个组成部分。阿拉斯加永久基金通过对阿拉斯加石油资源征税来资助，并向所有阿拉斯加人提供红利。对于数字红利的税收部分，可以在机场和航空信托基金中找到类比，该基金通过对机票征收7.5%的消费税来获取收入，以资助美国航空系统，包括联邦航空管理局。
福利对经济状况的依赖也不是一个新特征。美国失业保险系统会在州失业率达到某些阈值时自动触发更长的失业救济金。[12]
数字红利有两个理由。首先，税收部分促进了人工智能更渐进的部署：税收将部分由数字部门承担，部分由数字技术的购买者承担，因为采用人工智能的个人和公司将不得不支付更高的价格。其次，红利部分为工人提供了额外收入。在人工智能部署的早期阶段，第一个理由占主导地位，而如果最坏情况的就业稀缺情景成为现实，第二个理由在后期可能变得更重要。
数字红利的第一个理由是通过税收鼓励更渐进地引入人工智能技术。人工智能更渐进的部署不仅可以由再分配论点证明是合理的，也可以通过诉诸效率来证明。从再分配的角度来看，税收部分通过减缓自动化来帮助保护自动化的输家，从而支撑他们的市场工资，这是一种预分配形式。[13] 从效率的角度来看，在市场不完善的情况下，税收帮助自动化公司内部化一种金钱外部性：自动化导致工资下降（金钱外部性），而工人受到信贷约束（市场不完善），因此无法通过资助顺利过渡到下一份工作来完全保险自己免受工资损失。[14]
“如果来自人工智能的失业被证明是巨大的，那么触发更高的数字红利福利不仅对工人有帮助，而且对整体经济也有帮助。”
数字红利的第二个理由是向每个人提供补充收入。这种收入的价值取决于人工智能对劳动力市场的影响，这可以涵盖不同的情景，如第三节的表3所总结。如果经济适应人工智能，使就业和工资最终恢复（表3中的好情景或中间情景），可能不需要补充收入，税收最终可能会减少。如果高失业率变得持久且普遍，就像在最坏情景中那样，我们可以考虑提高税率，将税基扩大到数字部门之外，并增加税收累进性。这将增加收入，并有助于资助更高水平的红利收入，进行更多的再分配。在这种最坏情景和人工智能部署的后期阶段，数字红利充当全民基本收入，因此其焦点主要转向资助福利，而不是减缓人工智能部署。
如果来自人工智能的失业被证明是巨大的，那么触发更高的数字红利福利不仅对工人有帮助，而且对整体经济也有帮助。事实上，无条件的现金转移在宏观层面上比在个体层面上对就业产生更积极影响的关键原因是刺激效应。当人们口袋里有更多的现金用于当地企业消费时，这些企业最终会需要更多的工人。现在，如果你想象人工智能导致的失业是大规模和普遍的，这种刺激效应可能会特别大，因为有很多消费者愿意消费，而且人工智能转型可能会产生很多人们想要购买的产品。
然而，你可能会担心这种现金福利会阻碍工作（更多细节见第三节）。但因为红利是无条件的，它不会惩罚工作的人：失业者如果重返工作岗位，不会失去这笔钱。从这个意义上说，福利不会扭曲工作与不工作之间的选择。同时，这种无条件现金具有收入效应：因为人们不那么贫困，所以他们不太可能 rush 去接受第一个找到的工作，无论它有多糟糕。在宏观层面上，转移支付将更多现金交到消费者手中，从而有助于创造更多更好的工作。实证证据支持这两点：在个体层面上考虑时，无条件的现金转移对工作的负面影响很小，[15] 但在宏观层面上对就业产生零或积极的影响。[16]
“在个体层面上考虑时，无条件的现金转移对工作的负面影响很小，但在宏观层面上对就业产生零或积极的影响。”
即使现金福利不会增加失业，人们也可能会担心这种无条件的现金转移会加剧通货膨胀，从而抵消其好处。然而，在发展中国家进行的大规模现金转移实验表明，即使是大型和广泛分布的现金转移，通常对通货膨胀的影响也很小甚至没有，[17] 阿拉斯加永久基金对阿拉斯加通货膨胀也没有统计上显著的影响。[18]
虽然数字红利将在面对大规模失业时帮助人们，但现金可能不够。在我们的文化中，人们失业时会失去意义感，失业甚至可能致命。[19] 因此，我们可能还需要设想新的政策，鼓励人们参与社会活动和公民生活。如果人工智能使我们目前对市场工作的概念变得过时，我们将不得不培养和发展其他活动，以提供 Gheaus 和 Herzog 理论化的工作的非货币性商品，[20] 即实现卓越、做出社会贡献、体验社区和获得社会认可。
数字红利是一个可扩展的解决方案，以应对人工智能可能导致的大规模失业的可能性。今天，税收和红利将非常小，甚至可能为零，但如果人工智能导致就业率显著下降，我们就有一个可以迅速启动并开始向每个人提供无条件现金缓冲的政策。在大规模失业的情况下，需要这项政策，因为失业保险不覆盖长期失业者、零工经济工作者、自雇人士或工作经验不足的人。特别是，在那个大规模失业时代进入劳动力市场的年轻人将难以获得失业保险的资格，因此也无法从人工智能调整保险中受益。这就是为什么我们需要一个备用计划，比如数字红利，以便在人工智能驱动的大规模失业情况下提供更广泛的支持。
表1总结并比较了人工智能调整保险和数字红利政策。
三、为什么我们支持失业工人以及为什么政策在人工智能时代演变
为什么我们支持失业工人
大多数人工作是为了养活自己和家人。当工人失去工作时，他们家庭的生计面临风险。如果他们失业太久，他们可能会失去房子或挨饿。为了避免这种可怕的后果，我们建立了支持系统，如失业保险和福利金。这些系统确保失业工人及其家庭不会变得赤贫。通过为工人提供最低水平的支持，它们充当收入底线或收入保障。
然而，对于中产阶级家庭来说，仅仅收入保障不足以提供安全感。即使失业不会立即导致贫困，收入的大幅下降也会迫使这些家庭做出痛苦的调整，比如卖掉房子。这就是为什么我们还为工人提供保险，帮助他们在面临失业时也能大体上维持生活方式。
重要的是，这些支持系统是以工人保持失业或低收入为条件的；毕竟，这些系统是为了帮助那些失去工作的人而建立的。不幸的是，副作用是这些系统可能鼓励工人更长时间地保持失业以继续领取福利，可能导致长期依赖。这就是这些福利所谓的“道德风险”效应。慷慨的工人支持系统可能导致失业效应。
“一个无条件的收入支持系统，即每个人都获得收入保障，无论情况如何，将避免产生人们为了领取福利而保持失业或贫困的激励。”
一个无条件的收入支持系统，即每个人都获得收入保障，无论情况如何，将避免产生人们为了领取福利而保持失业或贫困的激励。实证研究表明，这种无条件的现金转移在大规模部署时不会减少就业。[21] 然而，这样的系统要昂贵得多，因为每个人都能获得收入保障，无论是否失业，无论贫富。这是我们选择更有针对性的系统的关键原因，该系统将福利领取与失业或低收入挂钩，即使这种条件性可能阻碍工人接受新工作。
在实践中，研究表明，是的，更慷慨的失业保险往往会增加失业持续时间，[22] 正如道德风险效应所预测的那样。但正如我们在2008年的大衰退或2020年的COVID-19衰退期间所看到的，在高失业期，当工作稀缺且工人找到新工作面临显著困难时，这些影响可能变得极小。[23]
对失业工人的支持系统通常明确设计为鼓励就业，例如，通过要求失业保险受益人积极寻找工作。这些特征有助于限制道德风险效应并促进就业。
我们为什么要促进就业？一个原因是财政：为了限制福利的总成本，并增加税收收入，因为就业工人比失业工人缴纳更高的税。但也有其他原因。有些人认为工作具有内在价值，提供意义和尊严。
总而言之，我们有相应的系统，提供收入保障和保险，以帮助失去工作的工人养活自己和家人，并促进就业（见表2的总结）。但是，这些系统是否足以应对人工智能可能带来的失业？
表2
人工智能时代的工人支持政策：有何新意？
作为一种通用技术，人工智能有潜力在许多不同领域使用，并可以激发进一步的创新并随着时间的推移而改进。随着它在各个经济部门被采用，一种通用技术将重组这些部门的工作。当工作被重组以更好地适应新技术时，一些工作岗位的流失在很大程度上是不可避免的。我们需要准备好支持那些失业的工人，即使是暂时性的。
历史上，我们曾面临过几次这样的结构性冲击，在采用新的通用技术后，劳动力市场被重组。一个主要的例子是电力，它在20世纪初彻底重组了美国经济。随着美国越来越多的地区实现电气化，劳动力市场的结构发生了转变，农业工作岗位减少，工业工作岗位增加。换句话说，电力促进了所谓的“结构性转型”，即工人从第一产业转移到第二产业。[24]
“重要的是，即使创造了新的工作岗位，就像电气化的例子一样，失业的工人通常也会遭受重大损失。”
重要的是，即使创造了新的工作岗位，就像电气化的例子一样，失业的工人通常也会遭受重大损失。从更近期的证据来看，因工厂关闭和大规模裁员而失业的工人遭受了15%至25%的显著且持久的收入损失。[25] 对失业工人来说，这种过渡通常并不顺利，这凸显了拥有设计良好的支持系统的重要性。
但是，人工智能导致的失业会有多大、多持久？有一个光谱的两端：一个好的情景和一个坏的情景。在好的就业情景中，人工智能在各行各业部署，生产率提高，并创造了与人工智能技术互补的新工作岗位。然而，这并不能阻止那些工作被人工智能取代的工人失去工作，研究表明，通过机器人[26] 或人工智能技术[27] 进行的自动化确实加速了受影响部门的就业减少。但重要的是，在这种好的情景下，我们可以预期，随着工人在蓬勃发展的人工智能经济中找到新工作，失业率会迅速下降。在这种情况下，我们可能需要一些暂时的工人支持增加来度过难关，但技术冲击不会迫使工人支持系统发生大规模变化。
在最坏的情景下，人工智能和机器人取代了现有工作的很大一部分，但产生的新工作很少。人工智能可能比电力等其他技术传播得更快，因为部署所需的必要基础设施更少。我们已经有了计算机、数据中心和高速互联网，而电气化需要建设新的发电厂和输电线路。因此，人工智能的传播可能导致在比以往通用技术所需时间短得多的时间尺度上出现大规模失业。在这种最坏的情景下，我们可能迫切需要认真加强失业保险系统。这样的扩张不会产生显著的失业效应，因为根本没有工作可供工人去做，所以道德风险效应的机会有限。如果预计工人将面临永久性失业，那么至关重要的是，从假设就业为标准状况的失业保险系统转向为所有人实施某种形式的收入保障。
“如果预计工人将面临永久性失业，那么至关重要的是，从假设就业为标准状况的失业保险系统转向为所有人实施某种形式的收入保障。”
也可能存在一个中间情景，即出现重大失业和长期的大规模失业，随后随着工人在受影响较小的部门或由人工智能促进的全新工作中找到工作而复苏。这种情景也需要增加失业保险支持，以及可能更强的收入保障。然而，如果我们能够合理预期就业会复苏，我们就需要更加注意我们为失业工人建立的加强支持系统是否会阻碍部门间的重新配置，即工人从受影响部门向新工作的过渡。我们需要思考如何在为受人工智能冲击的工人提供充足保险的同时，促进这种重新配置。
表3总结了这些不同的情景。重要的是要记住，“好”或“坏”的标签指的是就业，最坏的情景对应于高的就业损失。这些标签并非指人们的福祉：有可能，在正确的工人支持系统下，就业的“坏”情景可能成为人们福祉的“好”情景，因为人们可以从高收入和更多的闲暇时间中受益。
表3
四、结论
人工智能的发展为经济发展提供了独特的机遇，但也带来了大规模失业的重大风险。为了确保工人从人工智能中受益，我们应该考虑一个灵活的工人支持系统，该系统为工人提供针对人工智能引起的失业的保险，促进工人向新工作的过渡，并在大规模失业的情况下提供广泛的无条件收入支持。人工智能调整保险是一个有针对性的计划，支持因人工智能而失业的工人，结合了收入支持、培训和工资保险。该计划还允许我们追踪由人工智能导致的失业。数字红利开始时很小，资助它的税收促进了人工智能的渐进式部署。如果劳动力市场能够很好地适应人工智能，数字红利可以被逐步取消，或者如果永久性的、由人工智能驱动的大规模失业和工作稀缺成为现实，则可以随着时间的推移而增加，以向所有人提供无条件的收入支持。这个灵活的系统在人工智能对劳动力市场可能产生的各种影响范围内为工人提供支持。
“为了确保工人从人工智能中受益，我们应该考虑一个灵活的工人支持系统，该系统为工人提供针对人工智能引起的失业的保险，促进工人向新工作的过渡，并在大规模失业的情况下提供广泛的无条件收入支持。”
参考文献
[1] Ioana Marinescu, “The General Equilibrium Impacts of Unemployment Insurance: Evidence from a Large Online Job Board,” Journal of Public Economics 150 (2017年6月): 14–29.
[2] David Card, Jochen Kluve, and Andrea Weber, “Active Labour Market Policy Evaluations: A Meta-Analysis,” The Economic Journal 120, no. 548 (2010): F452–F477.
[3] Benjamin Hyman, “Can Displaced Labor Be Retrained? Evidence from Quasi-Random Assignment to Trade Adjustment Assistance,” SSRN学术论文第3155386号, 2018年1月10日.
[4] Benjamin Hyman, Brian Kovak, and Adam Leive, “Wage Insurance for Displaced Workers,” 美国国家经济研究局工作论文第32464号, 2024年5月.
[5] 美国总统行政办公室, Winning the Race: America’s AI Action Plan (白宫, 2025).
[6] 与大致适用于利润的企业所得税不同，数字红利将按收入征收，这意味着在给定的税率下可以提高更多收入。
[7] Nils Haakon Lehr and Pascual Restrepo, “Optimal Gradualism,” 美国国家经济研究局工作论文第30755号, 2022年12月; Joao Guerreiro, Sergio Rebelo, and Pedro Teles, “Should Robots Be Taxed?” The Review of Economic Studies 89, no. 1 (2022): 279–311; Martin Beraja and Nathan Zorzi, “Inefficient Automation,” The Review of Economic Studies 92, no. 1 (2025): 69–96.
[8] Kevin J. Delany, “Bill Gates: This is Why We Should Tax Robots,” 世界经济论坛, 2017年2月10日.
[9] Sam Altman, “Moore’s Law for Everything,” Sam Altman博客, 2021年3月16日.
[10] John Csiszar, “Elon Musk Says Universal Income is Inevitable: Why He Thinks That’s a Bad Thing,” Nasdaq, 2025年3月27日.
[11] Jim VandeHei and Mike Allen, “Behind the Curtain: A White-Collar Bloodbath,” Axios, 2025年5月28日.
[12] Marinescu, “The General Equilibrium Impacts of Unemployment Insurance.”
[13] Lehr and Restrepo, “Optimal Gradualism”; Guerreiro, Rebelo, and Teles, “Should Robots Be Taxed?”; Arnaud Costinot and Iván Werning, “Robots, Trade, and Luddism: A Sufficient Statistic Approach to Optimal Technology Regulation,” Review of Economic Studies 90, no. 5 (2023): 2261–91.
[14] Beraja and Zorzi, “Inefficient Automation.”
[15] Ioana Marinescu, “No Strings Attached: The Behavioral Effects of U.S. Unconditional Cash Transfer Programs,” 美国国家经济研究局工作论文第24337号, 2018; Eva Vivalt, Elizabeth Rhodes, Alexander Bartik, David Broockman, Patrick Krause, and Sarah Miller, “The Employment Effects of a Guaranteed Income: Experimental Evidence from Two U.S. States,” 美国国家经济研究局工作论文第32719号, 2024.
[16] Damon Jones and Ioana Marinescu, “The Labor Market Impacts of Universal and Permanent Cash Transfers: Evidence from the Alaska Permanent Fund,” American Economic Journal: Economic Policy 14, no. 2 (2022年5月): 315–40; Dennis Egger, Johannes Haushofer, Edward Miguel, Paul Niehaus, and Michael Walker, “General Equilibrium Effects of Cash Transfers: Experimental Evidence from Kenya,” Econometrica 90, no. 6 (2022): 2603–43.
[17] Egger et al., “General Equilibrium Effects of Cash Transfers.”
[18] Damon Jones and Ioana Marinescu, “Universal Cash Transfers and Inflation,” National Tax Journal 75, no. 3 (2022): 627—53.
[19] Daniel Sullivan and Till von Wachter, “Job Displacement and Mortality: An Analysis Using Administrative Data,” Quarterly Journal of Economics 124, no. 3 (2009): 1265–306.
[20] Anca Gheaus and Lisa Herzog, “The Goods of Work (Other Than Money!),” Journal of Social Philosophy 47, no. 1 (2016): 70–89.
[21] Egger et al., “General Equilibrium Effects of Cash Transfers”; Jones and Marinescu, “The Labor Market Impacts of Universal and Permanent Cash Transfers.”
[22] Ioana Marinescu and Daphné Skandalis, “Unemployment Insurance and Job Search Behavior,” The Quarterly Journal of Economics 136, no. 2 (2021): 887–931.
[23] Marinescu, “The General Equilibrium Impacts of Unemployment Insurance”; Ioana Marinescu, Daphné Skandalis, and Daniel Zhao, “The Impact of the Federal Pandemic Unemployment Compensation on Job Search and Vacancy Creation,” Journal of Public Economics 200 (2021年8月): 104471.
[24] Paul Gaggl, Rowena Gray, Ioana Marinescu, and Miguel Morin, “Does Electricity Drive Structural Transformation? Evidence from the United States,” Labour Economics 68 (2021年1月): 101944.
[25] Louis S. Jacobson, Robert J. LaLonde, and Daniel G. Sullivan, “Earnings Losses of Displaced Workers,” The American Economic Review 83, no. 4 (1993): 685–709; Kenneth A. Couch and Dana W. Placzek, “Earnings Losses of Displaced Workers Revisited,” American Economic Review 100, no. 1 (2010): 572–89.
[26] Daron Acemoglu and Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Market,” Journal of Political Economy 128, no. 6 (2020): 2188–244.
[27] Menaka Hampole, Dimitris Papanikolaou, Lawrence D.W. Schmidt, and Bryan Seegmiller, “Artificial Intelligence and the Labor Market,” 美国国家经济研究局工作论文第33509号, 2025年2月.
转载请注明：《中国社会分红/基本收入研究网》 浏览量：9 views
