2023年12月12日晚，南开大学经济学院云鹰读书会在圆阶305教室“数字经贸科研训练：实证”课堂上顺利进行，本次读书会由2020级本科生祁馨仪和2021级本科生孙振峰同学展示Joao Guerreiro、Sergio Rebelo and Pedro Teles 的论文“SHOULD ROBOTS BE TAXED?”，由国际经济贸易系张洁老师跟进指导。

目录

一、引言

二、静态模型

三、动态模型

四、数值模拟

五、结论

  自动化大规模使用对工业生产和工业就业产生了巨大影响。本文建立了一个包含自动化的一般均衡模型，探究对机器人征税是否是最优的政策。模型将工分为两类，常规工人与非常规工人，对于常规工人来说，机器人是替代品，对于非常规工人来说，机器人是互补品，机器人的大规模应用使对两种类型劳动力的收入分配产生变化。

  首先，本文建立了一个工人拥有确定职业的静态模型，在这个模型中，自动化成本下降通过提高非常规工人的工资溢价（wage premium），加剧了收入不平等。若政府依据收入征收累进税，此时给机器人征税降低了非常规工人的工资溢价，最优机器人税可以在减少扭曲生产决策造成的效率损失和促进收入分配公平间实现平衡。其次，在基准模型中，本文建立了一个内生技术选择的的动态模型。工人在进入劳动力市场前可以自由选择其劳动力类型，机器人生产成本逐年递减，这会加剧收入不平等并降低常规工人福利水平。此时“是否要给机器人征税”这一问题较静态模型而言更为复杂。起初，决策者给机器人征税以帮助无法再次选择职业的年老一代常规工人，而当老一代常规工人退出劳动力市场后，机器人税征收终止。我们发现，在前30年，机器人税应该是正值，从2018年、2028年和2038年开始的几十年里，最佳机器人税分别为 5.1%、2.2% 和0.6%，机器人税最初高于2017年税制改革后实行税制中1.8%的预计有效税率，一旦第一代人退休，最优的机器人税为零。

  本文与最优资本品征税等领域的文献相关。现有研究（Slavík and Yazici (2014)）认为资本品是高技能工人的互补品，低技能工人的替代品。最优资本税在期初最高，此后逐渐上升。本文在技术进步和内生技能获得等两个方面拓展了这一模型。Thuemmel (2018) 和 Costinot and Werning (2018)等文也研究了机器人征税问题。Thuemmel (2018)将职业工资异质性引入模型中，Costinot and Werning (2018)构建了一个包含连续劳动力类型的一般静态模型。本文沿用Adao et al.（2018）的分析框架，将考虑技能获取的动态跨世代模型引入模型，更具一般性。

在本部分中，我们研究一个具有内生技能习得的模型中的最优税收政策。在这个模型中，工人在进入劳动力市场时选择他们的职业，之后根据效用最大化原则选择自己的消费策略，工人的异质性体现在掌握技能的成本之上，而政府的约束是满足政府的支出占总消费的一定比例。在这个框架下讨论给机器人加税的问题。

本文研究了一个实现非线性所得税系统和线性机器人税的规划问题，发现自动化成本的大幅下降将导致收入不平等的大幅加剧。本文设定在进入劳动力市场之前，工人选择是否获得常规或非常规技能，而成为一名非常规工人的成本是不相同的。设计一个最优的税收制度需要平衡两个目标，首先，规划者希望激励年轻一代投资于技能，成为非常规工人；其次，计划者希望将收入重新分配给常规工人，因为随着机器人变得更便宜，他们的工资会下降。而对机器人征税可以减少非常规工资溢价，并有助于将收入重新分配给常规工人。

研究发现，当最初的老一代常规工人还在劳动力市场上时，对机器人征税是最理想的，一旦他们退休，最理想的机器人税为零。换句话说，在短期内对机器人征税是最优的，但从长远来看并非如此。