增强人力资本：关于AI增强经济中认知因子分解的统一理论与基于大语言模型的测量框架
综合经济学
2026-04-02 v1 经济学
摘要
本文提出将人力资本分解为三个正交组成部分——物理-手动资本(H^P)、例行认知资本(H^C)和可增强认知资本(H^A)，并构建一个生产函数，其中AI资本以非对称方式与这些组成部分互动：取代例行认知工作，同时通过放大函数phi(D)辅助可增强认知工作。我推导了修正后的Mincer工资方程，证明在AI增强经济中，标准规格是被误指定的。利用基于大语言模型(LLM)的18,796项O*NET任务声明（映射至440个哥伦比亚职业）的人力资本增强性测度，结合105,517名劳动者的家庭调查微观数据，我估计了增强Mincer方程。在正式部门，H^A的工资回报随AI采纳而提高(beta_2 = +0.051, p < 0.001)，而非正式劳动者无法获取增强租金(beta_2 = -0.044)。三重交互作用确认正式制度是关键约束机制(beta_{AHC x D x Formal} = +0.272, p < 0.001)。增强溢价对经验丰富的劳动者(年龄46-65岁)和健康与教育部门最为强烈。这些结果提供了来自发展中国家AI增强劳动力市场中认知因子分解的首次证据，表明全球南方人机协作的约束条件并非技术获取，而是劳动力市场制度。
引用
@article{arxiv.2604.01066,
title = {Augmented Human Capital: A Unified Theory and LLM-Based Measurement Framework for Cognitive Factor Decomposition in AI-Augmented Economies},
author = {Cristian Espinal Maya},
journal= {arXiv preprint arXiv:2604.01066},
year = {2026}
}
备注
Working paper. 18 pages, 5 figures, 4 tables, 28 references. Code and data: https://github.com/Cespial/cognitive-factor-economics