2026年4月30日上午，第759期“现代经济学系列讲座”在复旦大学经济学院1211会议室举行。本次讲座由匹兹堡大学Eric Donald老师主讲，报告题目为“Optimal Taxation with Automation: Navigating Capital and Labor’s Complicated Relationship”。讲座由复旦大学经济学院奚锡灿老师主持，学院相关领域师生参加了本次讲座。
报告围绕人工智能与自动化背景下的最优税收政策展开。随着AI工具和自动化技术快速发展，社会普遍担心资本会替代劳动、压低部分劳动者工资。对此，一种常见政策直觉是对机器人或自动化资本征税，以缓解其对劳动者的负面影响。Eric Donald老师指出，这一直觉虽然具有庇古税意义上的吸引力，但可能忽略了自动化影响劳动者的不同机制。论文的核心区分在于：资本在“自动化采用”的外延边际上可能替代劳动、损害受影响工人的工资；但在已经自动化的任务中，进一步资本深化则可能通过提高生产率和扩大需求来提升工资。
基于这一思路，论文将自动化纳入Mirrlees最优税收框架，刻画不同劳动者因任务结构和自动化暴露程度差异而面临的收入分配变化。研究表明，如果政策制定者能够直接针对“是否采用自动化”这一外延边际设置门槛规则，即要求资本相对于劳动具有足够成本优势后才能替代劳动，那么最优资本税应为零。这一结果意味着，面对自动化带来的分配问题，关键并不在于笼统地提高资本税，而在于更精确地调节自动化采用本身。
在定量分析中，论文结合美国职业层面的自动化暴露数据，对不同政策工具的福利效果进行比较。结果显示，在完全优化的非线性所得税体系下，最优自动化门槛约为17.1%；而在维持美国现行税制背景下，最优门槛上升至34.9%。进一步模拟AI技术引入后，研究发现，随着资本增强型技术进步加快，最优自动化门槛也显著提高；当资本生产率翻倍时，最优门槛可上升至91.2%，相应福利收益也大幅增加。
在随后的提问与讨论环节，与会师生围绕自动化的外延与内涵边际、资本税与自动化规制的政策差异、AI冲击下职业异质性暴露，以及模型在现实政策中的可操作性等问题，与Eric Donald老师进行了深入交流。本次讲座从最优税收理论出发，为理解AI时代的劳动替代、收入分配与政策设计提供了新的分析框架，也为相关领域研究带来了有益启发。
文/钟岳霖
