人工智能對全要素生產率的影響研究

李靜雯

（遼寧大學經濟學院，沈陽 110036）

引 言

在資源與環境雙重約束下，推動我國經濟發展方式由外延式向內涵式轉變，促進全要素生產率的提升已成為經濟轉型和實現中國經濟高質量發展的關鍵所在［1］，也成為新常態下中國經濟增長的重要著力點。黨的十九大報告明確提出“推動互聯網、大數據、人工智能和實體經濟深度融合” 的重要論斷，為提升全要素生產率提供重要的突破方向，以加速實現經濟增長方式由投資驅動向創新驅動的轉變。2021 年《政府工作報告》 明確提出“人工智能發展是新一輪產業變革的核心驅動力”，說明智能化信息技術將成為重塑產業發展的新優勢，提升國家競爭力的強戰略。根據《2020～2026 年中國工業機器人行業發展態勢與投資分析報告》 顯示，中國工業機器人產量在2019 年前兩個季度達到了13777 套，同比增長7.2%，全國工業機器人累計產量73849.1 套，同比增長23.9%。據推算，到2030 年，人工智能將超過信息和通信技術引致的0.6%的年均增長率，將推動GDP 年均增長1.2%［2］。為此，人工智能將成為新一輪支撐我國經濟高質量發展的關鍵抓手。在轉變經濟增長方式和人工智能重要作用凸顯的背景下，基于人工智能的視角來研究中國全要素生產率增長問題具有重要的理論及現實意義。

目前，關于人工智能與全要素生產率之間的關系研究存在兩種觀點：（1） 人工智能正向激勵全要素生產率提升。其原因主要在于：①機器人或人工智能技術的應用實現了“機器換人”，與傳統技術變革相比，人工智能技術實現了體力或腦力勞動者“雙重” 替代效應，在一定程度上降低了對中低技能勞動者的需求，擴充了高技能勞動力市場，有助于提升勞動生產效率和經濟整體增長率［3，4］；②人工智能技術的應用能夠精密控制生產流程，提高最終產品的附加值，從而促進全要素生產率提升。其促進效果主要源于技術溢出效應，會因制造業細分行業差異而產生異質效應［5］；③人工智能技術與傳統要素深度融合，增強傳統要素生產力，提升要素流動性，改善要素質量與配置效率［6］；④人工智能技術具有較高的滲透性，能夠徹底改變經濟運行方式，應用于經濟社會的各個環節，意味著人工智能技術在提高生產率的同時，還能促進互補式創新發展［7］；（2）人工智能發展一定程度上不利于全要素生產率的提升，形成生產率悖論。其原因主要在于：①在市場驅動下，人工智能技術偏向于走勞動節約型的發展路徑，可能會造成失業恐慌，不利于就業的增加和生產率的提高［8］；②人工智能技術可能導致過度的“智能自動化”，進而導致生產要素的錯配，造成全要素生產率的降低［9］；③人工智能技術仍有改進空間，需要相應的人員、基礎設施以及互補性技術與之相匹配，才能有效提升全要素生產率［10］。

綜上所述，關于人工智能與全要素生產率相關研究成果較為豐富。從經驗層面考慮，人工智能技術是否正向作用于全要素生產率，學術界依然存在一定爭議。現有文獻尚未深層次揭示人工智能影響全要素生產率提升的機制，且大量經驗研究集中于運用面板或截面數據，缺乏相對合理的理論闡釋和實證檢驗。鑒于此，本文從空間計量出發考察全要素生產率，探討人工智能對全要素生產率的空間效應。本文構建人工智能影響全要素生產率的理論模型，揭示二者之間的內在因果關系；將樣本分為全國和東、中、西部地區，回歸分析人工智能對全要素生產率的作用；基于人力資本投資和產業結構升級的視角，闡釋人工智能影響全要素生產率的傳導機制，為全要素生產率的提升提供新路徑。

1 理論分析與研究假說

本文借鑒Aghion 等［11］、Acemoglu 和Restrepo［12］的做法，假定最終品市場完全競爭，最終品由一般勞動力（無彈性供給）和處于（0，1）區間不同技術的連續中間品進行生產。假定經濟中最終品的生產函數為：

其中，Ait為t期使用中間品i時的技術水平，Lit為勞動力數量，xit為生產中使用的中間品i的數量。

假定新產品技術研發存在兩種傾向：（1） 常規型技術，主要通過機械化的生產擴大中間品的種類范圍；（2） 人工智能技術，主要能夠提高中間品在生產最終品時的生產效率，即＝γAit－1，γ＞1。因此，兩種技術研發成功并投入使用的概率為：

其中，和分別為常規型技術和人工智能技術研發成功的概率，Rit和Rjt為兩種技術的研發投入，δ∈（0，1）為彈性，λ0和λAI為兩種技術的效率參數，且λAI＞λ0。

中間品壟斷廠商通常需要從企業家手中購買技術進行中間品的生產，假定在區間［0，αt］內中間品壟斷廠商購買常規型技術，并與簡單勞動力lit一并投入到最終品的生產中；在區間［αt，1］內中間品壟斷廠商購買人工智能技術，并與高技能勞動力sjt一并投入到最終品的生產中。因此，經濟整體的最終品產出可表示為：

假設經濟中選擇常規型技術的中間品壟斷廠商比例為αt，選擇人工智能技術的廠商比例為1－αt，經濟整體最終品產出為：yt＝αtyit＋（1－αt）yjt，因此，經濟整體的增長率為：

式（4） 中，Δα＝αt－αt－1為常規型技術生產導致中間品種類的擴大，為人工智能技術所帶來的生產率的增長。通過式（4） 可進一步得到經濟增長率與兩類技術發展的關系為：

通過式（5） 可以看出，人工智能技術對經濟增長的影響表現為正向促進作用，并且隨著常規型技術不斷發展而有所減弱。據此，本文提出相應的研究假說1：人工智能技術能夠有效促進行業生產率的提升。

則人工智能所帶來的技術進步率為：

其中，ρ＝δη2η＋1（1－η）1－η，通過式 （6） 可以進一步得到經濟技術進步率和高技能勞動力投入的關系為：

即高技能人力資本的投入能夠有效提高技術進步率，實現經濟增長和技術進步，提高整個社會的生產率。據此，本文提出研究假說2：人工智能發展帶來的高技能人力資本投入的增加，有助于行業生產率的提升。

產業結構升級有助于引導創新型生產要素的流動，人工智能作為新一代信息技術，通過賦能實體經濟，不斷推動產業結構升級。智能化信息技術在產業間的滲透，一定程度上降低了不同主體之間的交易成本［13］，提高了產業內的生產效率，假設節約的交易成本為c，且0＜c＜1。此時廠商預期凈利潤為：

通過利潤最大化決策得到人工智能技術研發成功并投入使用的概率為：

即智能化信息技術不僅降低了產業結構優化升級過程中的交易成本，還提高了人工智能技術研發成功概率。因此，進一步得到人工智能技術帶來的技術進步率為：

根據式（10），進一步得出經濟技術進步率和交易成本c之間的關系為：

式（11） 表明，人工智能在推動產業結構升級中降低的交易成本，能夠有效推動人工智能技術研發成功概率，提高經濟技術進步率，帶動經濟增長。據此，本文提出研究假說3：人工智能在推進產業結構升級過程中能夠有效促進行業生產率的提升。

綜上所述，人工智能對生產效率的提升具有顯著的積極影響。人工智能作為新一代信息技術，所具有的高技術性、高平臺性特征，突破了以往創新模式中買賣雙方信息不對稱問題，實現創新資源在產業鏈間的共享與整合，促進科技成果有效轉化，以提高研發成功率，實現全要素生產率的提升。此外，人工智能具備的滲透性、協同性，促使企業經營模式、參與主體、業務流程等偏向于網絡化、柔性化和個性化方向轉變，實現了關聯企業間的互惠互通，提升了經濟整體的要素配置效率和生產率［14］。值得注意的是，人工智能也具有一定外部性。在直接影響本地區全要素生產率的同時，還對鄰近地區生產率的提升具有溢出效應。人工智能不同于傳統勞動和資本，其憑借高流動性的信息技術，實現了多元主體的信息共享，打破了區域和空間障礙，其規模效應和正外部性使得不同行業、不同領域的交互相融式創新成為可能［15］。鑒于此，有必要從空間視角探討人工智能對全要素生產率的作用。

另外，人工智能通過人力資本投資和產業結構升級實現要素生產率的提升。（1） 人力資本作為產業間公共物品，通過對技術的擴散共享，提高生產效率以帶動經濟增長。現階段，伴隨著人工智能的不斷發展，社會對高技能勞動力等復合型人才的需求日益旺盛，在此背景下，對人力資本投資的持續性也逐漸增強。因此，人工智能技術通過與高技能勞動力、企業家才能等要素融合，實現各種要素的互融互通，實現對傳統生產要素的重構，以新技術、新產品的研發推動技術進步，提高生產效率；（2） 產業結構升級有助于引導創新型生產要素流動，實現技術變革，提高全要素生產率。當前，人工智能作為新一代信息技術賦能實體經濟，實現對傳統產業技術的研發與創新，通過提升各產業間數字化、智能化水平，實現要素間高效協同配置，降低各主體之間的交易成本，提高行業內勞動生產率和管理效率，提升全要素生產率。

2 變量、數據與方法

2.1 模型構建

2.1.1 基本模型構建

已有研究表明，全要素生產率具有顯著的空間自相關性，忽視空間效應的估計結果會存在一定偏誤［16，17］。同時，人工智能的滲透性、融合性等特征，使其憑借較高的信息網絡技術打破地理距離限制，產生空間溢出效應，出現本地區人工智能的發展對其他地區全要素生產率產生影響現象。因此，本文將采用空間計量研究分析人工智能與全要素生產率之間的作用效果及其影響機制問題。通過空間極大似然估計法對本文空間計量模型進行選取，結果顯示LM（Lag）比LM（Error）更加顯著，并根據Wald 檢驗結果，最終選用空間滯后模型（SAR）①。模型的具體設定形式如下：

進一步分析人工智能對全要素生產率的傳導機制，構建如下中介效應模型為：

式（12）～（15） 中，i和t分別表示地區和年份，TFPit為全要素生產率，humit為人力資本投資，insit為產業結構升級，AIit為人工智能，W為空間權重矩陣，ρ為空間自相關系數，Xit為控制變量，εit為隨機誤差項。

2.1.2 空間權重矩陣構建

依據新經濟地理學“中心－外圍” 理論，本文主要從地理鄰接和地理距離兩方面構建空間權重矩陣，說明兩個空間單元i和j之間的影響程度，更加全面的反應人工智能與全要素生產率之間空間效應。

鄰接權重矩陣（W0－1）。當空間單元i和j鄰接時，將鄰接權重矩陣賦值為1；當空間單元i和j不鄰接時，則將其賦值為0。具體表示為：

距離權重矩陣（Wgeo）。以兩單元之間地理距離為參考，認為隨著地理距離的增加空間溢出效應可能會逐漸衰減，具體表示為：

其中，di，j表示兩地區質心之間的距離。

2.2 變量選取

被解釋變量：全要素生產率（TFP）。目前，測算省級全要素生產率主要有基于增長核算的數據包絡分析法（DEA）和基于生產函數估算的隨機前沿分析法（SFA）兩種。相較于DEA 方法，基于生產函數核算的SFA 方法得到的TFP更能反映其真實性。SFA 通常將生產函數通常設定為Cobb－Douglas 和超越對數兩種形式，本文將設定為超越對數形式，以放松常規替代彈性的假設，來檢驗函數形式的有效性，能夠保證較好的擬合效果［18］。并根據Battese 和Coelli［19］的研究采用廣義似然率進行檢驗，具體生產函數形式為：

uit＝｛uitexp［η（t－T）］｝～iidN＋（μ，σ2u）

式（18） 中，Y、K和L分別代表產出、物質資本和勞動力數量；υit和uit分別為隨機干擾項和技術無效率項；η為技術水平的時變參數。產出Yit采用經2000 年不變價格平減處理后的GDP 衡量；對于投入指標Kit，采用永續盤存法，以2007 年為基期，采用固定資產投資總額表示，為了考察估算區間內每年實際投資額，運用固定資產投資價格指數估算投資品價格指數，同時將折舊率取值為5%［20］。將勞動力Lit數量作為另一投入指標，用全社會從業人員數衡量。

核心變量：人工智能（AI）。本文參照Acemoglu 和Restrepo （2017）［21］的測度方法，采用各省（區、市）工業機器人的安裝密度衡量，具體數據源自IFR 數據庫。其中，IFR 數據庫是由機器人制造商統計的世界機器人的安裝和庫存總量。具體計算公式為：

其中，Robotsit代表i省（區、市）t年的工業機器人安裝量，Eijt代表i省（區、市）t年j行業的從業人數占全國j行業從業人數比重，Robotsjt代表IFR 數據庫中j行業t年的工業機器人安裝量，empit代表i省（區、市）t年的制造業從業人數，J表示制造業行業數量。

其他核心變量：人力資本投資（hun）。隨著人工智能技術的發展，社會對高技能勞動力和復合型人才的需求逐漸增加，因此，本文采用各地區教育經費占地區生產總值的比重衡量人力資本投資情況。

產業結構升級（ins）。借鑒唐曉華和李靜雯（2022）［22］研究方法，用三大產業的產出和要素投入的耦合度衡量。認為產業結構升級本質上強調中觀層面的升級，以優化產業結構和提升產業效率為目的，來最終實現資源要素在產業間的高效合理配置。其具體計算公式為：這里，i代表三次產業，Y和E分別代表各產業產值和就業人數。

另外，為緩解遺漏變量可能造成的估計偏誤，本文進一步控制對外開放水平（open）、對外貿易依存度（fdi）、財政支出水平（fiscal）以及金融發展水平（fin）變量，具體指標說明和統計結果見表1。

表1 變量定義與描述性統計

2.3 數據說明與描述性統計

（1） 數據說明

為了提高樣本數據的連續性和完備性，避免數據缺失嚴重的年份或者數據波動性大的地區對本文的實證結果造成一定影響。本文最終選取2007～2021 年我國30 個省（區、市）的面板數據，基于數據的可獲得性，西藏自治區、香港澳門特別行政區以及臺灣地區暫未涵蓋。衡量人工智能的原始數據來源于IFR 數據庫；衡量全要素生產率、人力資本投資、產業結構升級、對外開放水平、對外貿易依存度、財政支出水平的原始數據主要來源于《中國統計年鑒》 及其計算。

（2） 人工智能與全要素生產率的相關性分析

為了初步揭示人工智能與全要素生產率是否有相關性，本文在測算兩組數據基礎上，運用Stata 軟件繪制出人工智能發展水平和全要素生產率之間的散點圖和擬合直線（如圖1）。可以看出，人工智能發展水平和全要素生產率之間呈現明顯的正相關關系，表明人工智能發展促進了區域全要素生產率水平的提升。鑒于此，為檢驗二者之間的關系是否可靠，本文將在回歸模型的基礎上進行實證檢驗與分析。

圖1 人工智能與全要素生產率的相關關系

3 實證結果分析

3.1 空間計量結果分析

在鄰接和距離權重矩陣下，全國和東、中、西部人工智能與全要素生產率的回歸估計結果如表2 所示。結果表明，從全國和分地區上看，人工智能能夠顯著促進全要素生產率的提升，二者之間存在明顯的正相關關系，驗證了前文研究假說1。具體而言，在鄰接和距離權重矩陣下，東部地區人工智能對全要素生產率的影響系數分別為0.127 和0.117，且在1%和5%的水平下顯著大于中、西部地區，即人工智能對全要素生產率的激勵效果在東部明顯高于中、西部地區。其原因主要在于：東部地區信息化水平發展較高，人工智能技術應用范圍相對較廣，技術的外溢帶動形成規模效應，全面提升本地區全要素生產率水平。相比之下，中、西部地區信息技術水平相對較低，人工智能的發展還有待提升，同時受制于地方政府的干預，知識產權保護意識淡薄，科技成果轉化能力不足，使得創新能力更依賴于自身要素的調節，全要素生產率不高。

表2 人工智能與全要素生產率的SAR 模型估計結果

此外，表2 模型（1）～（8） 顯示在鄰接權重矩陣和距離權重矩陣下，全國和分地區全要素生產率的空間自相關系數ρ都通過了顯著性水平檢驗，并且均為正，說明全要素生產率具有顯著的空間依賴性。因此，本文根據SAR 模型的估計結果，進一步測算了人工智能對全要素生產率的空間效應，結果如表3 所示。就全國而言，在兩種權重矩陣下，人工智能對全要素生產率的空間效應顯著為正，其間接效應的影響系數0.071 和0.052大于直接效應的影響系數0.039 和0.033，這表明人工智能與全要素生產率之間存在明顯的空間溢出效應，說明人工智能在促進本地區全要素生產率提升的同時，對臨近地區的發展也起到良好的空間協同效應。這說明人工智能除提升本地區全要素生產率外，還使得區域間信息技術、人力資本等交流的成本逐漸降低，先進的技術能夠滲透到各個行業，加大了周邊地區相關行業提質增效的激勵作用，輻射帶動了周邊地區全要素生產率的提升。

表3 人工智能對全要素生產率的空間效應

就地區而言，在鄰接和距離空間權重矩陣下，東、中、西部地區的間接效應同樣顯著大于直接效應且為正，意味著地區差異性不影響人工智能對全要素生產率的空間溢出效應。同時，在兩種權重矩陣下，東部地區溢出效應的影響系數分別為0.215 和0.292，且在1%和5%的水平下顯著大于中、西部地區，相比于中、西部地區，東部地區的促進效果更明顯。這可能是因為：東部地區高端裝備制造業、電子信息技術制造業等技術密集型產業較多，人工智能技術普及率高、適用范圍廣，所形成的規模效應較大；另外，東部地區區域間經濟聯動性強，具有較高的經濟發展實力，產業分工更加合理，相對合理的產業結構體系使得人工智能通過標準化的作業流程提高本地區勞動生產率之外，還通過信息技術、人力資本等要素溢出滿足了鄰近地區的發展，帶動周邊地區全要素生產率的提升。相比之下，東部地區直接效應的影響系數，即促進效果相對大于中、西部地區。主要原因在于中、西部地區勞動密集型產業偏多，人工智能應用范圍狹小，工業智能化水平整體偏低，同時受限于自身智能化信息技術水平，導致人工智能的發展在對本地區全要素生產率提升效果不明顯的前提下，更無法對周邊地區全要素生產率產生明顯的正向溢出效應，反而會出現落后地區生產要素被發達地區所吸納的“虹吸現象”，降低了人工智能對全要素生產率的促進效果。

3.2 影響機制分析

本文進一步檢驗人力資本投資和產業結構升級的中介作用，具體回歸結果如表4 所示。其中模型（1） 和（2） 分別通過系統GMM 的方法檢驗人工智能對人力資本投資和產業結構升級的影響，發現人工智能對二者的影響均在1%的水平下顯著，且系數分別為0.003 和0.022，說明人工智能的發展增加了人力資本的投資，促進了產業結構的升級。且AR（1）、AR（2）以及Sargan 的檢驗結果均表明該模型選取以及估計結果的合理性。進一步來看，表4 中模型（3） 和（4） 是分別引入鄰接權重矩陣和距離權重矩陣下人工智能發展與人力資本投資和產業結構升級對全要素生產率的影響。從結果來看，在鄰接和距離權重矩陣下，人力資本投資和產業結構升級對全要素生產率的回歸系數顯著為正，即人力資本投資和產業結構升級對全要素生產率的提升存在積極影響。綜合模型（1） 和（2） 的結論進一步表明人工智能發展通過人力資本投資和產業結構升級實現全要素生產率的提升。驗證了前文研究假說2 和3。

表4 人工智能對全要素生產率影響機制檢驗

3.3 內生性和穩健性檢驗

3.3.1 內生性檢驗

為了進一步證明實證結果的穩健性，借鑒陶長琪和彭永樟（2017）［23］的做法，運用系統GMM替換基準回歸模型，其回歸結果如表5 模型（1）和（2） 所示，Sargan 值通過了檢驗，說明滯后1期人工智能作為工具變量的合理性。同時，人工智能對全要素生產率的影響系數顯著為正，進一步表明，人工智能對全要素生產率的積極作用再次得到證實，同時，人工智能發展也會通過人力資本投資和產業結構升級間接影響全要素生產率的提升。

表5 內生性和穩健性檢驗

3.3.2 穩健性檢驗

（1） 替換空間權重矩陣。空間權重矩陣的差異容易造成變量之間空間關聯度的偏差［24］。為了降低人工智能與全要素生產率的空間關聯度偏差，本文進一步構建經濟空間權重矩陣（Weco），用兩個空間單元（i，j）之間人均GDP 差額的倒數表示，具體度量規則如下：

其中，GDPi、GDPj分別表示地區i和地區j的人均GDP 水平。表5 中模型（3） 和（4） 為替換空間權重矩陣的估計結果。可以看出，在經濟權重矩陣下，人工智能對全要素生產率的影響系數依然顯著為正，這與基準回歸結果相符。

（2） 替換核心解釋變量衡量方式。借鑒已有文獻的做法，本文采取信息傳輸、軟件和信息技術服務業固定資產投資額作為人工智能的指標參數［25］。表5 中模型（5）～（8） 給出了鄰接權重矩陣和距離權重矩陣下更換人工智能核心解釋變量的估計結果，發現人工智能依然能夠顯著促進全要素生產率提升，這與基準回歸結果相符。同時，也能夠驗證產業結構升級和人力資本投資成為人工智能促進全要素生產率提升的重要路徑。綜上所述，考慮替換空間權重矩陣、更換核心變量的衡量方式，使用滯后1 期解釋變量等因素后，本文的實證結果保持穩健。

4 結論與對策建議

本文運用空間自相關回歸模型（SAR），分析空間視角下人工智能對全要素生產率的影響及其作用機制，得出以下結論：（1） 人工智能對全要素生產率的提升具有顯著的促進作用。同時，該促進效果存在顯著的空間溢出效應，即人工智能發展在提升本地區全要素生產率的同時，也能促進鄰近地區全要素生產率的提升；（2） 人工智能影響全要素生產率會因地區差異而表現出不同效應，東部地區的促進效果優于中部和西部地區；（3） 進一步研究發現，人工智能主要通過人力資本投資和產業結構升級而實現全要素生產率的提升。

基于上述研究結論，得到如下政策啟示：

（1） 充分利用互聯網和大數據新生服務業態，推進人工智能產業發展。要轉變傳統發展模式，充分借助互聯網和大數據的發展平臺，有效對接科研院所和高校等供給方與智能化生產要素等需求方，實現在發展本地區人工智能產業的同時，帶動其他地區智能化及相關產業的發展，推動經濟整體全要素生產率的提升；另外，地方政府應建立完善的系統性支撐體系和財政補貼政策，為企業研發投入提供重要保障。同時，要打造兼顧技能型和智能化的產業創新體系，為繼續開拓人工智能相關產業發展奠定基礎，為提升全要素生產率提供有力的保障。

（2） 完善政策環境，因地制宜推動人工智能發展。一方面，要探索人工智能與本地區產業融合的平衡點，形成適合本地區的發展體系。中、西部地區應該進一步加強智能化信息技術的開發和應用，布局與地區產業相適應的人工智能技術開發試點，在培育區域發展新業態的同時，充分釋放人工智能對地區產業發展的帶動作用；另外，中、西部地區要建立完善的人才支持政策，吸引東部地區智能型技術人才積極流入中、西部地區，破除阻礙中、西部地區人工智能產業發展門檻，突破原有發展界限，積極開放市場，引導人才跨區域的交流與合作，實現產業鏈向多維度發展，推動生產效率的提升。

（3） 適應人工智能發展新需求，助力全要素生產率提升。伴隨著人工智能的不斷發展，高技能勞動力等復合型人才需求不斷增加，在此形式下，必然增強對人力資本投資的持續性。因此，要把握人力資本投資的合理性，在區域內部要注意避免“買斷式” 的人才引進方式，避免出現勞動力就業結構的兩極化，合理激發勞動者的創新活力，推動新產品和新技術的開發和使用；另外，人工智能的發展實現了上下游產業之間智能化，降低了各主體之間的交易成本。因此，在推進人工智能技術研發與創新的同時，應注重完善要素的市場化配置，促進要素間高效率的配置與流動，積極引導技能型生產要素向高成長性行業流動，提升全要素生產率。

注釋：

①限于篇幅，空間極大似然估計結果此處未提供，備索。