人工智能的應用是否會產生“生產率悖論”
——以A股上市公司為例

何珩銘

（暨南大學管理學院，廣東 廣州 510630）

一、引言

當前，我國經濟進入結構調整的新階段，黨的十九大報告表示，我國經濟已由高速增長階段轉向高質量發展階段，必須堅持質量第一、效益優先，報告明確指出要以供給側結構性改革為主線，提高全要素生產率。在此結構轉型、產業升級和振興實體經濟的關鍵時期，人工智能作為引領新一輪科技革命和產業變革的戰略性技術，同樣得到了各國政府的充分重視。國務院多次印發相關文件，著力實現人工智能技術與實體經濟的深度融合，以人工智能技術帶動智能經濟發展和促進經濟社會進步。

有學者表示，技術創新在內生增長模型中是否具有社會價值，取決于其對總生產率的貢獻程度（Kogan等，2017），人工智能的快速發展為經濟發展注入了新動能，但人工智能應用是否能夠提升生產率仍然存在爭議。一方面，人工智能可以通過補充、替代人類勞動執行復雜任務，幫助企業提升生產力（Makridakis，2017）；人工智能作為一項通用目的技術，將促進互補性創新，帶來乘數效應（Brynjolfsson等，2017），這也是總體經濟增長和全要素生產率的重要影響因素（Kogan等，2017）。另一方面，Robert在1987年提出了“生產率悖論”現象，表示“除了生產率以外，計算機的作用無處不在”。一些學者認為受本土技術匹配程度、吸收能力等影響，人工智能等技術的應用對生產率的作用較為復雜，因此，人工智能無法像預期一樣在短期內對經濟增長以及生產效率產生顯著影響（Agrawal等， 2018；Brynjolfsson等，2018）。

此外，現有研究主要集中在宏觀層面上工業機器人、信息技術等對國家、行業層面生產率的影響，本文將使用微觀層面的數據，驗證人工智能的應用是否存在“生產率悖論”，為企業應用人工智能方向提供建議，政府制定有效產業和創新政策提供理論依據。

二、理論分析與研究假設

全要素生產率反映的是所有要素的綜合生產率，基于“索洛余值原理”，采用資本和勞動力這兩個生產要素以外的其他生產要素所帶來的產出增長率進行測算。眾多因素會對全要素生產率產生一定的影響，包括技術效率改善、技術進步以及規模效應等（余泳澤等，2015）。結合“人工智能”的特征，本文認為“人工智能”會從改善技術效率和促進技術進步這兩個方面提高全要素生產率。

在技術效率改善上，人工智能可以從對人力資本改善和物質資源配置上提升效率。人力資本改善上，過去所有的技術革命都是淘汰生產資料，人工智能應用開始淘汰人這一生產力，即替代部分低技能工人的工作，進而提升勞動效率（Graetz等，2015）。人工智能機械化和自動化的特征可以基于科學設定自主執行工作，保持超長時間、超高效率工作，在高度精確算法下，無需人工控制監督（Z?otowski等，2017）。從物質資源配置上來看，人工智能的發展基于互聯網、大數據等信息系統，這些基礎技術本身就可以通過數據資源共享提升溝通效率，合理配置資源（郭家堂等，2016），人工智能系統的新浪潮提高了組織使用數據進行預測的能力，大大降低了預測成本（Agrawal，Gans等，2018），例如，谷歌DeepMind團隊訓練了一組神經網絡來優化數據中心的功耗，與專家水平相比，人工智能將用于冷卻的能量減少40%。因此，我們認為人工智能可以從改善技術效率的角度提高全要素生產率。

在促進技術進步方面，人工智能技術的應用，可能會創造許多新的之前不存在的工作或任務（Dauth等，2017；Berriman等，2017）；人工智能技術也能催生出新的生產設備，這必然伴隨大量的新設備資本投資，因此技術進步的速率將加快（王家庭等，2019），此外，人工智能作為一項通用目的技術，將促進互補性創新，激發配套創新科技，帶來乘數效應，創新是總體經濟增長和全要素生產率的重要影響因素（Kogan等，2017），因此長期來看人工智能將有助于全要素生產率的提升。基于以上分析，我們提出本文假設。

H1：其他條件不變的情況下，企業應用人工智能可以提升企業的全要素生產率。

三、研究設計

1.樣本選擇與數據來源

本文以中國2010年～2018年期間全部A股上市公司為研究樣本。本文數據來源主要包括以下兩個部分：第一，與公司治理有關的數據均來自國泰安（CSMAR）數據庫；第二，衡量企業是否實施人工智能的人工智能應用數據是通過年報搜集以及人工判斷的方式得到的。具體來說，本文通過利用中國A股上市公司2010年～2018年的年報，通過語義處理判斷該企業是否實施了人工智能，構建了人工智能指標（AI_D）。

此外，本文還進行了如下的樣本篩選：（1）鑒于金融行業指標和監管的特殊性，刪除金融類上市公司；（2）刪除主要變量缺失的上市公司；（3）本文除“人工智能”的變量是手工搜集外，其余數據均來自CSMAR數據庫。為避免異常值影響，本文對所有連續變量在1%和99%分位采用了winsor處理。

2.變量定義

（1）被解釋變量

經典的微觀企業全要素生產率度量是用最小二乘法（OLS）測算索洛余值，但由于微觀企業的數據限制，并沒有很好的解釋反向因果關系與樣本選擇性偏誤的問題。因此本文根據Levinsohn等（2010）的基本思路，借鑒魯曉東等（2012）的研究假設估算企業全要素生產率，記為TFP，根據LP方法，企業的生產函數可以表示為Yt=AtKαtLβt，取對數后變為：

lnYijt=β0+β1lnLijt+β2lnKijt+β3lnIijt+εijt

其中：Yijt代表營業收入，Lijt表示上市公司年報中披露的員工人數；Kijt表示公司的固定資產凈額；Iijt為中間變量，表示公司購買商品、接受勞務實際支付的現金。將固定效應加入到生產函數模型中，以完全控制企業之間時間的異質性之后，得到的殘差εijt則代表t 時期企業i的全要素生產率。

（2）解釋變量

本文定義實施人工智能的企業為當年通過年報公開披露“企業實施人工智能情況”的樣本。人工智能數據處理過程如下：①對年報進行分詞，并提取出包含“人工智能”關鍵詞的句子；②對包含“人工智能”關鍵詞的句子進行字面及語義判斷，確定句子描述的是否為人工智能的應用；③得到處理效應數據，確定為企業當年實施了人工智能，即存在人工智能的處理效應（AI_D=1），否則AI_D=0；④為了避免自變量的量化中存在主觀判斷的問題，凡是公司在年報中披露了“人工智能”的相關信息，根據該詞匯出現次數取對數后得到一個無主觀判斷的指數AI_KW。

（3）控制變量

在以往文獻的基礎上（鄭寶紅等，2018；孔東民，2015），本文控制了一系列可能影響生產率的企業層面特征變量，同時控制行業與年份變量。變量定義表詳見表1。

表1 變量定義表

3.模型構建

根據本文提出的假設，構建出人工智能與全要素生產率的回歸模型：

TFP=α+β1AI_D+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8No10+Year+Ind+ε

TFP=α+β1AI_KW+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8NO10+Year+Ind+ε（2）

四、實證分析

1.描述性統計

表2報告了分類的描述性統計的結果，本文通過是否實施人工智能（AI_D）進行了分類統計。被解釋變量TFP的均值為15.93，與其他研究上市公司全要素生產率文獻的取值范圍類似（鄭寶紅，2018）。從描述性統計結果看，實施了人工智能的樣本TFP均值和中位數均高于沒有實施人工智能的樣本，在1%的置信水平下顯著，假設H1初步得到了驗證。

表2 描述性統計

2.回歸分析

表3前兩列提供了H1的檢驗結果。全樣本回歸中，AI_D和AI_KW的系數均顯著為正，且AI_D的系數通過了5%的顯著性水平，AI_KW的系數通過了1%的顯著性水平，這說明企業實施人工智能確實會顯著提高企業的全要素生產率，假設得到了驗證，人工智能的應用對整體生產率并未產生“生產率悖論”。

表3 設一檢驗結果

3.進一步分析

（1）產權性質的分組分析

已有學者發現在混合所有制改革不斷推進的背景下，國有企業TFP分布已經相當接近于民營企業（朱沛華等，2020），但國有企業的規模效應和勞動力雇傭效應較之非國有企業不明顯（李磊等，2020），國有企業與非國有企業在生產技術與資源配置效率上仍然存在著一定的差異，導致兩者應用技術的生產效率存在差距（龔關，2015）。因此本文在H1的基礎上進行了產權性質的分組檢驗。

表4第（1）、第（2）列報告了回歸結果。非國企的組別中，人工智能對全要素生產率的影響分別在1%的水平上顯著為正，而在國有上市公司中，該提升作用不顯著。說明相對于國有上市公司而言，非國有上市公司實施人工智能對全要素生產率的提升作用更大。

（2）不同密集型企業的分組分析

本文進一步考察了上市公司應用人工智能的影響在不同密集型企業間是否存在差異。資本密集型企業里，隨著資本投入顯著增加，由此形成的規模經濟也會驅動企業生產率提高。本文對資本密集型和勞動密集型企業的劃分參考了李磊（2020）、廖冠民等（2014）的方法。分析結果見表4第（3）、第（4）列。AI_D在資本密集型上市公司中顯著為正，在勞動密集型企業中不顯著。說明相較勞動密集型公司而言，資本密集型上市公司中應用人工智能可以顯著提升全要素生產率。

（3）高新、非高新企業差異分析

不同高新技術程度企業的技術先進度與勞動力素質存在差異，因此在使用人工智能后，對企業全要素生產率的影響可能不同。表4第（5）、第（6）列分別報告了高新技術企業與非高新技術企業應用人工智能后全要素生產率的異質性結果。結果顯示，高新技術與非高新技術上市公司的核心解釋變量回歸系數均為正，但非高新技術企業核心解釋變量的回歸系數相對較大，使用人工智能后非高新技術企業的全要素生產率提升程度可能相對更高。

表4 進一步分析檢驗

4.穩健性檢驗

為了保證本文結論可靠性，本文使用op法衡量上市公司的全要素生產率對本文假設進行重新檢驗，使用傾向得分匹配法進行檢驗，結果均保持不變。

五、結論與啟示

在人工智能應用得到國家層面重視、進入高速發展階段的背景下，本文利用2010年～2018年上市公司年報資料及相關數據，檢驗了人工智能對上市公司生產率是否存在“生產率悖論”。研究結果表明，上市公司使用人工智能提升了企業的全要素生產率，不存在“生產率悖論”。此外，人工智能對生產率的促進作用在非國企上市公司、資本密集型企業中更加突出。

本文的研究表明，在“互聯網+”、大數據快速發展的時代背景下，上市公司應結合行業經營特性和企業自身發展特點，更有針對性地應用人工智能，以此提高企業的全要素生產率。政府應積極推進人工智能基礎設施建設，搭建完善的工業互聯網平臺，鼓勵企業引進高技術人才，對先進技術的應用創新進行持續鼓勵，以人工智能技術帶動智能經濟發展、促進經濟社會進步。