📈 economics

Digital Dividend or Digital Divide? The U-Shaped Effect of Artificial Intelligence on the Urban-Rural Income Gap

이 논문은 이론적인 일반균형 모델과 중국 도시들의 실증적 증거를 결합하여, 인공지능이 도농 간 소득 격차에 미치는 영향이 초기에는 혁신을 통한 수렴으로 격차를 좁히다가 결국에는 이를 다시 벌리는 U자형 궤적을 따른다는 점을 입증하며, 이 변곡점은 정부 지출의 영향을 받으며 자원 의존 지역에서는 나타나지 않는다는 것을 보여준다.

원저자: Weiping Wang, Jianping Jing, Jingjing Ma

게시일 2026-09-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Weiping Wang, Jianping Jing, Jingjing Ma

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

수십 년 동안 경제학자와 기술자들은 하나의 고집스러운 질문을 두고 논쟁해 왔습니다. 인공지능의 부상이 모두를 함께 부유하게 만드는가, 아니면 사회를 분열시키는가 하는 문제입니다. 한쪽에는 새로운 도구가 장벽을 낮추고, 원격 지역의 노동자들이 글로벌 시장에 접근하도록 도우며, 빈곤층의 소득을 끌어올리는 '디지털 배당'에 대한 희망이 있습니다. 다른 한쪽에는 기계가 인간의 노동을 대체하고, 부를 소수의 숙련된 전문가들에게 집중시켜 나머지 사람들을 뒤처지게 만들 것이라는 '디지털 격차'에 대한 공포가 있습니다. 양측 모두 실질적인 근거를 제시합니다. 어떤 연구들은 AI 도구가 평균적인 노동자들의 생산성을 극적으로 높일 수 있음을 보여주는 반면, 다른 연구들은 자동화가 이미 공장의 저숙련 일자리 임금을 삭감했음을 보여줍니다. 이러한 모순은 정책 입안자들을 혼란에 빠뜨렸으며, 기술을 환영해야 할지 아니면 두려워해야 할지 확신하지 못하게 만들었습니다. 문제의 핵심은 대부분의 사람들이 직선적인 관계를 찾으려 했다는 점입니다. 즉, 더 많은 AI가 항상 더 많은 평등이나 더 많은 불평등으로 이어진다고 가정했을 뿐, 그 관계가 곡선을 그릴 수 있다는 사실은 깨닫지 못했습니다.

절강기술경제대학교와 신장농업대학교의 연구팀은 이제 그 곡선을 그려내어, 답이 결코 직선이 아니라 U자 형태임을 밝혀냈습니다. 중국 전역 288개 도시의 데이터를 10년 이상 분석한 결과, 그들은 인공지능이 처음에는 도시와 농촌 간의 소득 격차를 좁히지만, 특정 지점에 도달할 때까지만 그렇다는 것을 발견했습니다. 기술이 깊숙이 침투하고 고도로 자율화되면, 격차는 다시 벌어지기 시작합니다. 마치 기술이 처음에는 유능한 조수처럼 작동하다가, 결국에는 부유한 자들만이 온전히 활용할 수 있는 강력한 엔진으로 변모하는 것과 같습니다. 연구진은 단순히 이 패턴을 추측한 것이 아니라, 이를 예측하기 위한 수학적 모델을 구축한 후 실제 데이터를 통해 확인했으며, 이 전환점이 무작위가 아니라 교육 지출이나 혁신과 같은 특정 지역 조건에 달려 있음을 보여주었습니다.

연구는 인공지능이 업무 방식을 어떻게 변화시키는지 살펴보는 것으로 시작되었습니다. 초기 단계에서 AI는 비즈니스 비용을 낮추는 일련의 도구 역할을 합니다. 이는 농촌 마을의 농부가 작물에 대한 더 나은 가격을 찾거나, 소규모 공방 주인이 재고를 더 효율적으로 관리하도록 돕습니다. 이러한 '접근 배당'은 낙후된 지역의 사람들이 따라잡을 수 있게 하여, 도시와 농촌 사이의 소득 격차를 줄여줍니다. 연구진은 데이터에서 이 현상을 관찰했습니다. 도시들이 산업용 로봇과 AI 시스템을 처음 도입하기 시작하면서 도시와 농촌 거주자 사이의 소득 비율이 하락했습니다. 그러나 이 도움이 되는 단계가 영원히 지속되지는 않습니다. 기술이 성숙해짐에 따라, 기술은 단순한 조수에서 스스로 복잡한 과업을 수행할 수 있는 자율적 에이전트로 전환됩니다. 이 더 깊은 수준에서 기술은 대도시의 고도로 숙련된 노동자들의 능력을 증폭시켜, 그들이 엄청난 양의 자본과 노동을 놀라운 효율성으로 관리할 수 있게 합니다. 반면, 저숙련 농촌 노동자들을 위한 혜택은 그들이 해오던 업무가 완전히 자동화되면서 점차 사라지기 시작합니다. 결과적으로 기술이 임계점을 통과하면 격차는 다시 벌어집니다.

이를 증명하기 위해 연구진은 2012년부터 2023년까지 288개 중국 도시를 포괄하는 방대한 데이터 세트를 조사했습니다. 그들은 지역 산업의 역사를 바탕으로 얼마나 많은 자동화를 겪을지 예측하는 방법을 사용하여 각 도시가 산업용 로봇에 얼마나 노출되어 있는지를 측정했습니다. 그런 다음 동일한 도시들의 도시와 농촌 간 소득 비율을 추적했습니다. 데이터는 명확한 이야기를 들려주었습니다. 관계는 정말로 U자형이었습니다. 격차를 좁히는 데서 벌어지는 데로 추세가 바뀌는 전환점은 특정 수준의 로봇 노출량에서 발생했습니다. 연구된 도시들에서 이 티핑 포인트는 로봇 밀도가 2019년경 동부 해안 도시들에서 나타난 평균 노출량에 해당하는 수준에 도달했을 때 발생했습니다. 이 지점 이전에는 AI의 모든 증가가 농촌의 추격을 도왔습니다. 이 지점 이후에는 AI의 모든 증가가 도시를 더욱 앞서 나가게 했습니다.

또한 연구진은 이 전환점이 고정된 것이 아니라 인간의 선택에 의해 움직일 수 있다는 것을 발견했습니다. 그들은 지역 혁신 수준이 높고 과학 및 교육에 대한 정부 지출이 강력한 도시들이 격차가 벌어지기 시작하는 순간을 늦출 수 있다는 것을 찾아냈습니다. 노동자 훈련과 연구 지원에 정부가 집중적으로 투자하는 곳에서는 AI의 '도움이 되는' 단계가 더 오래 지속되었습니다. 데이터에 따르면, 이러한 분야에 대한 정부 지출이 한 단계 올라갈 때마다, 도시는 불평등이 다시 커지기 전에 더 많은 AI 노출을 감당할 수 있었습니다. 반대로, 광업이나 석유와 같은 천연자원에 크게 의존하는 도시들은 U자형 패턴 자체가 나타나지 않았습니다. 이러한 곳에서는 기술이 농촌 노동자의 추격을 돕지도 않았고, 동일한 종류의 자본 중심적 격차를 만들어내지도 못했는데, 이는 그들의 경제가 동일한 종류의 기술적 심화로부터 혜택을 받지 못하는 다른 경로에 갇혀 있었기 때문입니다.

이러한 발견은 우리가 AI의 혜ç과 불평등의 위험 중 하나를 선택해야 한다는 생각에 도전합니다. 대신, 결과는 사회가 곡선의 어디에 위치하느냐에 전적으로 달려 있음을 시사합니다. AI 도입의 초기 단계는 불평등을 줄일 수 있는 진정한 기회이지만, 이는 매우 좁은 창입니다. 만약 사회가 이 단계 동안 사람들의 기술과 혁신 역량에 투자하지 못한다면, 필연적으로 격차가 벌어지는 두 번째 단계로 미끄러지게 될 것입니다. 연구진은 해결책이 기술을 멈추는 것이 아니라, 그 전환을 관리하는 것이라고 주장합니다. 정책은 농촌의 디지털 인프라를 강화하고 직업 훈련을 촉진함으로써 첫 번째 단계를 연장하고, 교육과 연구에 대한 공공 투자를 지속함으로써 전환점을 더 멀리 밀어내는 데 집중해야 합니다. 연구는 이러한 구체적인 개입 없이는 인공지능의 자연스러운 궤적이 결국 농촌을 뒤처지게 하여, 잠재적인 배당을 심화되는 격차로 바꿀 것이라고 결론짓습니다.

기술 요약: 디지털 배당인가, 디지털 격차인가? 인공지능이 도시-농촌 소득 격차에 미치는 U자형 효과

문제 제로 (Problem Statement)
본 논문은 인공지능(AI)과 소득 불평등에 관한 문헌의 근본적인 모순을 다룬다. 기존의 프레임워크들은 상충하는 인과적 서사를 제공한다: 일부는 AI가 진입 장벽을 낮추고 기술 프리미엄을 압축하는 범용 기술로서 작용하여 도시-농촌 소득 격차를 줄인다고 주장하는 반면(수렴), 다른 이들은 AI가 저숙련 노동을 대체하고 도시 중심지의 자본-노동 보완성을 심화시켜 격차를 벌린다고 주장한다(발산). 저자들은 이러한 상충하는 결과가 기존 모델들이 단조성(monotonicity)을 가정함으로써, AI가 도시-농절 소득 비율에 미치는 효과가 역전되는 구조적 전환점을 설명하지 못하기 때문에 발생한다고 본다. 핵심 연구 질문은 AI 노출과 도시-농촌 소득 격차 사이의 관계가 비선형적인지, 구체적으로 U자형인지, 그리고 이러한 전환점의 위치를 결정하는 구조적 요인은 무엇인지이다.

연구 방법론 (Methodology)
본 연구는 이론적 모델링과 288개 중국 시·현급 도시(2012~2023년)의 패널 데이터를 활용한 엄격한 실증 분석을 결합한 이중 접근법을 채택한다.

이론적 프레임워크:
- 저자들은 AI가 연속적인 **과업 자율성 파라미터( $\alpha$ )**로 유입되는 이중 부문 일반균형 모델(도시 및 농촌)을 구축한다.
- 농촌 부문: 저숙련 노동으로 모델링되며, AI는 초기에는 정보 마찰을 줄이는 보조 도구로 작용하지만, 결국 자율적 에이전트가 저숙련 과업을 대체함에 따라 포화 상태에 이른다.
- 도시 부문: 고숙련 노동과 AI 자본으로 모델을 구성하며, 자율적 에이전트는 통제 범위와 자본-노동 보완성을 기하급수적으로 증가시킨다.
- 도출: 모델은 AI가 도시-농촌 임금 비율에 미치는 한계 효과에 대한 폐쇄형 식(closed-form expression)을 도출한다. 농촌 생산성 이득의 한계 수량 체감과 도시 자본 심화의 볼록한 가속화 사이의 상호작용은 고유한 내부 최솟값( $\alpha^*$ )을 갖는 U자형 관계를 생성한다.
실증 전략:
- 데이터: 288개 도시의 균형 패널 데이터(3,456개 관측치).
- 주요 독립 변수: AI 노출은 2006년 기준 산업 구성을 투영한 산업용 로봇 밀도(IFR 데이터) 기반의 **바틱 시프트-쉐어 지수(Bartik shift-share index)**를 사용하여 측정한다. 강건성 검증을 위해 도시별 AI 특허 건수를 대안적 대리 변수로 사용한다.
- 종속 변수: 도시-농촌 소득 비율(1인당 가처분 소득).
- 추정: 이차항(quadratic term)을 포함한 이방향 고정 효과(two-way fixed-effects) 모델을 사용한다. 저자들은 Lind-Mehlum (2010) 검정을 통해 하한에서는 기울기가 음수이고 상한에서는 양수이며, 전환점이 표본 범위 내에 있음을 확인하여 U자형 관계를 공식적으로 검증한다.
- 내생성: 역인과관계와 누락 변수 편향을 해결하기 위해 도구 변수(IV) 접근법을 사용한다. 도구 변수는 1984년 우편 밀도(통신 인프라의 역사적 대리 변수)와 시차를 둔 국가 인터넷 사용자 수의 상호작용이다. 또한 Wooldridge(2015)의 제어 함수(control-function) 접근법을 적용한다.
- 메커니즘 테스트:
  - 매개 효과: 수렴 단계(AI < 전환점)에서 지역 혁신이 AI 효과를 어떻게 전달하는지 테스트하기 위해 인과 매개 분석(Imai et al., 2010)을 적용한다.
  - 조절 효과: 정부 과학기술 교육 지출(GOVSE)과 AI 간의 상호작용 항을 사용하여 정책이 전환점을 이동시키는지 테스트한다.

주요 결과 (Key Results)

U자형의 존재:
- 기초 회귀 분석은 통계적으로 유의미한 U자형 관계를 확인한다. 선형 AI 계수는 음수이고 이차항 계수는 양수이다.
- Lind-Mehlum 검정은 5% 수준에서 단조성을 기각한다. 추정된 전환점( $AI^*$ )은 7.33이며, 이는 표본 범위(1.95 ~ 10.31) 내에 존재한다.
- 대안적 AI 대리 변수(특허), 다른 종속 변수(Theil 지수), 표본 제한(팬데로믹 기간 또는 성도 제외)을 사용한 강건성 검사에서도 대부분 U자형 관계가 확인되었으나, Theil 지수 명세는 단조성을 기각하지 못했다. 이는 비율 명세가 신호를 더 명확하게 포착함을 시사한다.
- 내생성 테스트(2SLS 및 제어 함수) 결과는 일관되게 나타났으며, 전환점은 9.52로 약간 이동했으나 여전히 표본 범위 내에 있었다.
메커니즘 (매개 및 조절):
- 수렴 단계 매개: 곡선의 왼쪽 구간(AI < 7.33)에서 지역 혁신은 전체 효과의 약 **31.8%**를 매개한다. 높은 혁신 밀도는 도시가 AI 노출을 농촌의 한계 생산성 이득으로 전환할 수 있게 하여 수렴 단계를 지속시킨다.
- 첨점 조절: **정부 과학기술 교육 지출(GOVSE)**은 전환점을 바깥쪽으로 이동시키는 조절 역할을 한다. GO-VSE가 높은 도시는 더 늦게 격차 발생 임계점에 도달한다. 구체적으로, GOVSE의 25백분위수에서 75백분위수로 이동할 때 전환점은 5.88에서 6.41로 이동한다.
이질성 분석:
- 자원 의존성: 자원 의존형 도시에서는 U자형이 나타나지 않는다. 이러한 경제 구조에서는 천연자원 지대가 AI 기반 자본 심화를 구축(crowd out)하여, 격차 발생 단계에 필요한 도시 자본 심화 채널을 무력화한다.
- 인적 자본: 인적 자본 깊이가 높은 도시는 전환점이 늦게 나타나 수렴 단계를 연장한다.
- 지리적 요인: 동부 지역 도시(높은 AI 노출)는 곡선의 양쪽 구간을 모두 통과하는 반면, 중부 및 동북 지역 도시들은 조사 기간 동안 수렴 단계에 머물러 있다.

주요 기여 (Key Contributions)

이론적 통합: 본 논문은 AI 노출이 단일한 U자형 과정의 두 단계임을 보여줌으로써 "수렴"과 "발산" 진영을 연결한다. 이는 단순한 자동화 모델을 넘어, 이중 경제 환경에서 부호가 바뀌는 효과에 대한 최초의 폐쇄형 조건을 제공한다.
전환점의 구조적 식별: 평균적인 효과에 집중하는 기존 연구와 달리, 본 논문은 내부 최솟값( $AI^*$ )을 식별하고 이것이 고정된 것이 아니라 혁신, 인적 자본, 자원 보유량와 같은 구조적 조건 변수에 따라 반응한다는 것을 입증한다.
차별화된 메커니즘: 연구는 두 가지 상호 보완적인 메커니즘을 구분한다:
- 내부 시장 메커니즘: 지역 혁신이 수렴 단계를 매개한다.
- 외부 정책 메커니즘: 공공 과학기술 교육 지출이 첨점(cusp)의 위치를 조절한다.
  이러한 구분은 정책이 단순히 평균적인 AI 노출을 줄이는 것이 아니라, 전환점의 구조적 이동 요인을 목표로 해야 함을 명확히 한다.

의의 및 정책적 시사점 (Significance and Policy Implications)
본 논문은 AI가 "디지털 배당"을 창출할 것인지 아니면 "디지털 격차"를 만들 것인지에 대한 논쟁이 잘못된 이분법이라고 주장한다. 그 결과는 구조적 전환점 대비 AI 노출 수준에 달려 있다.

정책 타겟팅: 정책 입안자는 평균적인 AI 노출을 줄이는 것이 아니라, 수렴 단계를 연장하고 격차 발생 단계를 늦추는 것을 목표로 해야 한다.
- 수렴 연장: 농촌 디지털 인프라와 직업 AI 교육에 투자함으로써 "접근 배당(access dividend)"을 유지할 수 있다(농촌의 생산성 성장 항을 높게 유지).
- 격차 발생 지연: 과학기술 및 교육에 대한 지속적인 공공 지출(GOVSE)이 매우 중요하다. 이는 흡수 능력을 구축하여 전환점을 외곽으로 밀어내고, 도시가 격차가 커지기 전까지 더 오랫동안 AI의 혜택을 누릴 수 있게 한다.
자원 경제: 자원 의존형 도시는 U자형이 나타나지 않는 구조적 장벽에 직면해 있다. 이들 지역에는 산업 다각화가 AI 도입의 전제 조건이다. 이들의 생산 함수는 AI-자본 보완성이 아닌 자원 추출에 고착되어 있기 때문이다.

저자들은 U자형이 보수적인 하한선이라고 결론짓는다. 서비스 부문의 생성형 AI(도시 지역에 집중됨)가 제외되었기 때문에 격차 발생 단계가 실제로는 더 강력할 수 있으며, 이는 실제 전환점이 추정치보다 더 빨리 나타날 수 있음을 의미한다. 향후 연구는 서비스 부문의 AI 도입을 직접 측정하여 이 추정치를 정교화하는 데 초점을 맞추어야 한다.

유사한 논문