人工智能、勞動生產(chǎn)率與制造業(yè)轉(zhuǎn)型升級

摘"要：基于中國2007—2022年A股制造業(yè)上市公司的微觀數(shù)據(jù)，在新古典經(jīng)濟增長理論框架下，構(gòu)建固定效應(yīng)模型評估人工智能應(yīng)用對制造業(yè)勞動生產(chǎn)率及轉(zhuǎn)型升級的影響，并運用雙重差分傾向得分匹配法（PSM-DID）進一步進行了驗證。研究發(fā)現(xiàn)，人工智能的滲透顯著正向促進了制造業(yè)的轉(zhuǎn)型升級。進一步分析揭示，人工智能主要通過提升勞動生產(chǎn)率來促進制造業(yè)的轉(zhuǎn)型升級，其中，勞動生產(chǎn)率在人工智能與制造業(yè)轉(zhuǎn)型升級之間起到中介作用。異質(zhì)性分析發(fā)現(xiàn)，不同行業(yè)、企業(yè)規(guī)模和區(qū)域位置等因素對人工智能的影響效應(yīng)有顯著差異。

關(guān)鍵詞：人工智能；制造業(yè)轉(zhuǎn)型升級；勞動生產(chǎn)率；PSM-DID；行業(yè)異質(zhì)性

中圖分類號：F424；F27"""文獻標(biāo)識碼：A""文章編號：1001-148X（2024）06-0040-13

收稿日期：2024-05-12

作者簡介：賀剛（1971—），男，四川資陽人，副教授，博士，研究方向：產(chǎn)業(yè)經(jīng)濟、宏觀經(jīng)濟分析；唐李翊茉（1999—），女，陜西漢中人，碩士研究生，研究方向：產(chǎn)業(yè)經(jīng)濟學(xué)。

基金項目：國家社會科學(xué)基金西部項目“數(shù)字經(jīng)濟賦能農(nóng)業(yè)生態(tài)產(chǎn)品價值實現(xiàn)機制研究”，項目編號：23XJL004；四川省科技廳軟科學(xué)項目“四川省數(shù)字經(jīng)濟發(fā)展中科技與金融相結(jié)合的機制與模式研究”，項目編號：2019JDR0072；四川、成都雙循環(huán)新發(fā)展格局研究中心項目“人工智能驅(qū)動下的四川制造業(yè)轉(zhuǎn)型升級與創(chuàng)新研究”，項目編號：SXH202402；西華大學(xué)研究生教育教學(xué)改革與實踐項目“人工智能時代產(chǎn)業(yè)經(jīng)濟學(xué)課程優(yōu)化與教材體系改革實踐”，項目編號：YJG202316。

一、引"言

科技的迅猛發(fā)展已經(jīng)將人工智能（AI）推至制造業(yè)轉(zhuǎn)型升級的核心舞臺。在信息化時代的背景下，人工智能不僅為制造業(yè)帶來了深刻的變革，也為經(jīng)濟和社會開辟了新的發(fā)展路徑。制造業(yè)，作為全球經(jīng)濟的重要支柱，涵蓋了產(chǎn)品設(shè)計、生產(chǎn)、銷售等多個環(huán)節(jié)。據(jù)苗宇（2023）［1］在《財經(jīng)》雜志的報道，我國制造業(yè)增加值從2012年的1698萬億元增長至2022年的335萬億元，占全球制造業(yè)比重從225%上升至近30%。然而，面對技術(shù)進步和市場競爭的加劇，傳統(tǒng)制造業(yè)遭遇了成本上升、效率低下、創(chuàng)新不足等挑戰(zhàn)，這些問題制約了制造業(yè)乃至全球經(jīng)濟的增長。人工智能技術(shù)的引入，為制造業(yè)的發(fā)展帶來了新的機遇和挑戰(zhàn)。

現(xiàn)有文獻對人工智能與制造業(yè)轉(zhuǎn)型升級的關(guān)系進行了廣泛研究，運用多種經(jīng)濟理論、研究方法和案例分析，探討了人工智能對制造業(yè)發(fā)展、勞動生產(chǎn)率、智能化升級、就業(yè)影響及行業(yè)異質(zhì)性的影響，為后續(xù)研究奠定了基礎(chǔ)。既有研究普遍認為，人工智能作為一項通用技術(shù)，通過提升生產(chǎn)流程的自動化水平，顯著提高了制造業(yè)的生產(chǎn)效率。McAfee等（2012）［2］和Graetz等（2018）［3］的研究均強調(diào)了人工智能在提升經(jīng)濟增長同時可能對勞動力市場產(chǎn)生的結(jié)構(gòu)性影響。國內(nèi)學(xué)者張紅等人（2016）［4］和李明等人（2018）［5］的研究則從供應(yīng)鏈優(yōu)化和產(chǎn)品設(shè)計自動化的角度，展示了人工智能技術(shù)的應(yīng)用效果。此外，鄭瓊潔和王高鳳（2021）［6］以及劉鑫鑫和韓先鋒（2023）［7］的研究表明，人工智能技術(shù)對中國制造業(yè)企業(yè)生產(chǎn)率具有正向促進作用，尤其在全要素生產(chǎn)率方面，以及在提升制造業(yè)韌性方面的顯著影響。

本文探討人工智能應(yīng)用對制造業(yè)勞動生產(chǎn)率及轉(zhuǎn)型升級的影響，提供了一個綜合的研究視角，不僅關(guān)注人工智能技術(shù)本身，還探討其與制造業(yè)的融合與變革。邊際貢獻如下：（1）構(gòu)建“人工智能-勞動生產(chǎn)率-制造業(yè)轉(zhuǎn)型升級”的理論分析框架，較好地闡述人工智能如何通過提高勞動生產(chǎn)率來促進制造業(yè)轉(zhuǎn)型升級的內(nèi)在邏輯；（2）在研究方法上，采用了平衡面板數(shù)據(jù)與非平衡面板數(shù)據(jù)相結(jié)合的實證分析方法，并運用PSM-DID模型進行內(nèi)生性問題的處理，增強了分析結(jié)論的可靠性。本文不僅為理論和實踐界提供了關(guān)于人工智能與制造業(yè)轉(zhuǎn)型的新理論觀點，還為企業(yè)提供了操作指南和戰(zhàn)略建議，幫助優(yōu)化生產(chǎn)流程、提高生產(chǎn)效率和品質(zhì)，增強競爭力。同時，研究結(jié)果也有助于政策制定者更好地了解技術(shù)發(fā)展趨勢，制定相應(yīng)的支持政策和規(guī)范措施，促進制造業(yè)的轉(zhuǎn)型升級。

二、理論分析與研究假設(shè)

（一）人工智能與制造業(yè)全要素生產(chǎn)率

在新古典經(jīng)濟增長理論的框架下，技術(shù)革新被廣泛認為是推動全要素生產(chǎn)率（TFP）增長的關(guān)鍵動力。自動化和機器人技術(shù)作為技術(shù)進步的具體表現(xiàn)，已在制造業(yè)中展現(xiàn)出其提升TFP的巨大潛力。黃曉鳳等（2023）［8］的研究進一步證實了這一觀點，指出人工智能與制造業(yè)的深度融合能夠激發(fā)大量互補性技術(shù)創(chuàng)新，從而增強專業(yè)化分工并提升TFP。然而，孫早和侯玉琳（2021）［9］的研究發(fā)現(xiàn)人工智能對傳統(tǒng)制造業(yè)的TFP提升效果顯著，而對高端制造業(yè)如醫(yī)藥制造和計算機儀器儀表制造的影響則相對有限。這一現(xiàn)象可能源于高端制造業(yè)所涉及的復(fù)雜和非常規(guī)性任務(wù)對人工智能技術(shù)提出了更高的挑戰(zhàn)。此外，楊光和侯鈺（2020）［10］的研究揭示了工業(yè)機器人通過提升TFP間接促進經(jīng)濟增長的機制，突出了機器人規(guī)模效應(yīng)和定價行為的重要性。李廉水等（2020）［11］的研究也強調(diào)了人工智能在促進技術(shù)進步、改善勞動力結(jié)構(gòu)和增加物質(zhì)資本使用效率等方面對提升TFP的積極作用。

從信息經(jīng)濟學(xué)的角度來看，人工智能技術(shù)通過數(shù)據(jù)分析和預(yù)測模型為制造企業(yè)提供了更為豐富和精確的信息，這對于企業(yè)制定更優(yōu)的生產(chǎn)經(jīng)營決策至關(guān)重要。及時準(zhǔn)確的信息是制造企業(yè)把握市場需求、優(yōu)化生產(chǎn)工藝和提升產(chǎn)品質(zhì)量的關(guān)鍵。經(jīng)驗研究也表明，將數(shù)據(jù)分析與預(yù)測方法應(yīng)用于制造業(yè)可顯著提升生產(chǎn)效率和TFP。Nordhaus"William（2015）［12］強調(diào)了人工智能技術(shù)高滲透率的潛力，認為其能夠徹底改變經(jīng)濟運作模式，并推動創(chuàng)新發(fā)展。李丫丫和潘安（2017）［13］的研究也表明，人工智能技術(shù)能夠精確控制生產(chǎn)過程，增加產(chǎn)品的附加價值，從而提高TFP。

服務(wù)經(jīng)濟學(xué)理論認為，服務(wù)業(yè)的發(fā)展對提升整體經(jīng)濟的生產(chǎn)率具有顯著影響。人工智能技術(shù)的智能化服務(wù)和設(shè)備維修提高了裝備的可靠性和運行效率，減少了停機時間，這在謝雁翔等（2023）［14］的研究中得到了體現(xiàn)。人工智能技術(shù)的智能化服務(wù)與維修標(biāo)志著從制造到服務(wù)經(jīng)濟的轉(zhuǎn)變，通過遠程監(jiān)控、預(yù)測性維護和故障診斷等智能化服務(wù)，制造企業(yè)能夠更有效地滿足客戶需求，提高客戶滿意度，增強市場競爭力和長期利潤。劉婷婷等（2020）［15］的研究和溫湖煒和鐘啟明（2021）［16］的研究均指出，智能化發(fā)展水平與服務(wù)創(chuàng)新之間存在顯著的正向交互效應(yīng)，智能制造與服務(wù)創(chuàng)新的深度融合促進了企業(yè)向價值鏈下游的升級，進一步提升了TFP?；谏鲜龇治?，本文提出以下研究假設(shè)：

H1：人工智能通過自動化與機器人技術(shù)、數(shù)據(jù)分析和預(yù)測模型的應(yīng)用以及智能化服務(wù)和維護等路徑，顯著提升了制造業(yè)的TFP。這種提升對制造業(yè)的效率、質(zhì)量和競爭力產(chǎn)生了積極影響，并推動了制造業(yè)的轉(zhuǎn)型升級。

（二）人工智能與制造業(yè)勞動生產(chǎn)率

從自動化到智能化，人工智能在制造業(yè)轉(zhuǎn)型升級中的關(guān)鍵作用。人工智能的核心能力，包括機器學(xué)習(xí)、自動控制和機器人技術(shù)，正在替代部分人力工作，這不僅降低了企業(yè)成本，還提高了生產(chǎn)效率和產(chǎn)品質(zhì)量。基于新古典增長理論，科技進步是經(jīng)濟發(fā)展的主要驅(qū)動力，人工智能作為當(dāng)代技術(shù)進步的典范，正促使制造業(yè)從勞動密集型向科技密集型轉(zhuǎn)變，進而優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)。實證研究也支持這一觀點，謝偉麗等（2023）［17］的研究發(fā)現(xiàn)，人力資本的提升在人工智能驅(qū)動的制造業(yè)發(fā)展中起到了中介作用。韓永輝等（2023）［18］的研究通過工業(yè)機器人數(shù)據(jù)分析，證實了人工智能通過提高勞動力生產(chǎn)率促進了區(qū)域經(jīng)濟的轉(zhuǎn)型。這些研究為理解人工智能與制造業(yè)升級之間的關(guān)系提供了堅實的理論和實證基礎(chǔ)。

跨越生產(chǎn)率邊界，人工智能在制造業(yè)中具有創(chuàng)新溢出效應(yīng)，提升整個行業(yè)的生產(chǎn)率。在簡化的生產(chǎn)函數(shù)資本與勞動稟賦不變的情況下，人工智能技術(shù)發(fā)展會導(dǎo)致生產(chǎn)可能性邊界曲線向右移動，從而提供更多的產(chǎn)品和服務(wù)。進一步地，人工智能技術(shù)的應(yīng)用還促進了制造業(yè)知識和技能的升級，這對于制造業(yè)的轉(zhuǎn)型升級至關(guān)重要。人力資本理論強調(diào)，勞動力的知識與技能水平是勞動生產(chǎn)率的關(guān)鍵決定因素。人工智能技術(shù)通過承擔(dān)程序化工作，不僅提升了工作效率，還替代了部分體力及腦力勞動，進而促進了全要素生產(chǎn)率的提升。學(xué)者們分析指出，隨著工業(yè)機器人的廣泛應(yīng)用，工作性質(zhì)正在經(jīng)歷變革，崗位功能正加速調(diào)整，這導(dǎo)致了高技能勞動力就業(yè)規(guī)模的上升（“補償效應(yīng)”）和低技能勞動力就業(yè)規(guī)模的下降（“替代效應(yīng)”）。為適應(yīng)這一變化，必須加強對勞動力的培訓(xùn)，特別是在數(shù)據(jù)解析、算法運用和機器學(xué)習(xí)等方面。這種技能的升級不僅促進了制造業(yè)的創(chuàng)新，也推動了產(chǎn)業(yè)的轉(zhuǎn)型和升級。余玲錚等（2021）［19］的研究進一步提出，人工智能對不同任務(wù)的勞動力具有差異性影響，這強調(diào)了勞動力需要通過知識和技能的升級來適應(yīng)人工智能技術(shù)的應(yīng)用。

此外，人工智能技術(shù)還通過優(yōu)化資源配置來提高勞動生產(chǎn)率。通過數(shù)據(jù)分析和預(yù)測模型，人工智能技術(shù)能夠提供更為準(zhǔn)確的市場需求預(yù)測，優(yōu)化生產(chǎn)計劃和庫存管理，從而減少資源浪費。實證研究表明，人工智能技術(shù)的應(yīng)用有效地節(jié)約了勞動力成本并提升了勞動生產(chǎn)率。王兵和王啟超（2019）［20］認為，實施工業(yè)智能化戰(zhàn)略可以有效改進行業(yè)內(nèi)的資源錯配問題，進而帶動全要素生產(chǎn)率的增長。實務(wù)個案也證實了人工智能在資源優(yōu)化中的作用，例如汽車制造企業(yè)通過應(yīng)用人工智能技術(shù)進行市場需求預(yù)測，優(yōu)化生產(chǎn)計劃，顯著提高了生產(chǎn)效率和勞動生產(chǎn)率。在綜合考慮上述路徑與機理后，本文提出以下研究假設(shè)：

H2：人工智能通過技術(shù)改進、知識技能升級和資源優(yōu)化等路徑提高勞動生產(chǎn)率，并在此過程中促進制造業(yè)的轉(zhuǎn)型升級，其中勞動生產(chǎn)率充當(dāng)中介變量的角色。

（三）人工智能對制造業(yè)轉(zhuǎn)型升級影響的異質(zhì)性分析

在探討人工智能對制造業(yè)轉(zhuǎn)型升級的影響時，行業(yè)特征的作用不容忽視。產(chǎn)業(yè)組織理論強調(diào)，不同行業(yè)的市場結(jié)構(gòu)和生產(chǎn)特點對人工智能技術(shù)應(yīng)用的效果產(chǎn)生顯著影響。實證研究揭示了規(guī)?；潭容^高的行業(yè)，例如汽車制造業(yè)，在人工智能技術(shù)應(yīng)用上具有優(yōu)勢，而創(chuàng)新型行業(yè)如軟件開發(fā)則側(cè)重于人工智能的數(shù)據(jù)分析和算法應(yīng)用。Brynjolfsson等（2019）［21］提出，人工智能對就業(yè)的影響會隨著其發(fā)展階段的不同而變化。孫文遠和劉于山（2023）［22］指出，在中國制造業(yè)中，人工智能技術(shù)的應(yīng)用主要集中在一線生產(chǎn)崗位，并通過替代效應(yīng)減少勞動力投入。王磊等（2023）［23］的研究進一步證實，工業(yè)機器人的應(yīng)用顯著促進了中國制造業(yè)的創(chuàng)新，特別是在資本和技術(shù)密集型行業(yè)。

企業(yè)規(guī)模也是影響人工智能技術(shù)應(yīng)用的一個關(guān)鍵因素。根據(jù)資源基礎(chǔ)理論，企業(yè)規(guī)模與資源的獲取和使用密切相關(guān)。大型企業(yè)由于規(guī)模優(yōu)勢，更有能力投資于人工智能技術(shù)的研發(fā)和基礎(chǔ)設(shè)施建設(shè)，而中小企業(yè)可能受限于資本和技術(shù)的限制。在生產(chǎn)效率方面，大型企業(yè)能夠通過人工智能技術(shù)提高生產(chǎn)自動化和智能化水平，從而降低成本；而小企業(yè)則可能面臨較高的轉(zhuǎn)換成本和技術(shù)難度。趙濱元（2023）［24］的研究顯示，數(shù)字技術(shù)的應(yīng)用顯著提升了制造業(yè)企業(yè)的生產(chǎn)效率。

區(qū)域位置對人工智能技術(shù)的應(yīng)用及制造業(yè)的轉(zhuǎn)型升級同樣至關(guān)重要。不同國家和地區(qū)的制度環(huán)境、政策支持、文化和教育水平等因素，對人工智能技術(shù)的采納和應(yīng)用產(chǎn)生了異質(zhì)性影響。開放和彈性的制度環(huán)境有助于企業(yè)獲取技術(shù)和市場資源，而封閉或復(fù)雜的制度環(huán)境可能限制企業(yè)的發(fā)展。政策支持，如財政補貼和稅收優(yōu)惠，對企業(yè)人工智能投資和創(chuàng)新具有積極作用。此外，文化和教育的成熟度也對企業(yè)人工智能技術(shù)的轉(zhuǎn)型和應(yīng)用起到了推動作用。李新娥等（2020）［25］的研究強調(diào)了區(qū)域人工智能政策對制造業(yè)就業(yè)的顯著影響。基于上述分析，本文提出以下研究假設(shè)：

H3：人工智能對制造業(yè)轉(zhuǎn)型升級的影響具有異質(zhì)性，這一影響受行業(yè)特征因素的影響。具備特定行業(yè)特征更可能廣泛且深入地應(yīng)用人工智能技術(shù)。

H4：在制度環(huán)境穩(wěn)定、政策扶持明確的地區(qū)，企業(yè)更可能采納人工智能技術(shù)，進而促進制造業(yè)的轉(zhuǎn)型升級。

三、研究設(shè)計

（一）模型構(gòu)建

由于不同公司存在上市時間差異，為確保研究的全面性與真實性，本文將企業(yè)數(shù)據(jù)分為非平衡面板與平衡面板兩類，非平衡面板數(shù)據(jù)用于研究縱向?qū)用娓髌髽I(yè)上市年限不同的問題，平衡面板數(shù)據(jù)用于研究橫向?qū)用嫫髽I(yè)異質(zhì)問題。

1非平衡面板模型

為檢驗人工智能的直接影響，構(gòu)建式（1）所示的基準(zhǔn)模型，同時為檢驗中介效應(yīng)，借鑒溫忠麟等建立的中介效應(yīng)檢驗方法，設(shè)定模型（2）和模型（3），固定企業(yè)個體與行業(yè)檢驗人工智能在A股上市制造業(yè)企業(yè)轉(zhuǎn)型升級效率上的影響。由于人工智能滲透率在時間趨勢上的變化并不明顯，因此暫不固定模型的時間效應(yīng)。

tfp_lpit=α+βaiit+γxit+θt+δt+εit（1）

lnldsit=α+βaiit+γxit+θt+δt+εit（2）

tfp_lpit=α+α1lnldsit+βaiit+γxit+θt+δt+εit（3）

其中，下標(biāo)i和t分別表示企業(yè)和年份，tfp_lpit為被解釋變量，表示第i個企業(yè)t年的全要素生產(chǎn)率，α為截距項，aiit為核心解釋變量，表示第i個企業(yè)t年的人工智能水平，lnldsit為中介變量，表示第i個企業(yè)t年的勞動生產(chǎn)率，模型（1）—模型（3）共同構(gòu)成中介效應(yīng)模型；xit為控制變量，分別表示第i個企業(yè)t年的人力資本、企業(yè)資產(chǎn)、研發(fā)投入強度、營業(yè)收入、資產(chǎn)報酬率，θt為個體固定效應(yīng)，δt為行業(yè)固定效應(yīng)，用以控制行業(yè)異質(zhì)性，εit為隨機擾動項。

2.平衡面板模型

平衡面板數(shù)據(jù)在一定程度上簡化了數(shù)據(jù)的統(tǒng)計分析和解釋過程，更好地控制時間和群體的影響；減少由于數(shù)據(jù)缺失導(dǎo)致的偏誤，得出更具可信度和有效性的結(jié)論。因此，設(shè)立固定效應(yīng)模型檢驗人工智能的直接影響，構(gòu)建如式（4）所示的基準(zhǔn)模型，同時設(shè)定中介效應(yīng)檢驗?zāi)Ｐ停?）和模型（6）如下：

tfp_lpit=β0+β1aiit+β2Controlsit+τt+ωt+μit（4）

ldsit=β0+β1aiit+β2Controlsit+τt+ωt+μit（5）

tfp_lpit=β0+β1aiit+ρ1ldsit+β2Controlsit+τt+ωt+μit（6）

其中，除控制變量與模型（1）—模型（3）有差異外，模型中的下標(biāo)和變量與模型（1）—模型（3）一致；Controlsit為控制變量，分別表示第i個企業(yè)t年的企業(yè)資產(chǎn)、營業(yè)收入、資產(chǎn)報酬率、供應(yīng)鏈集中度以及專利質(zhì)量，τt為企業(yè)個體固定效應(yīng)，ωt為行業(yè)固定效應(yīng)，μit為隨機擾動項。

3.PSM-DID模型

為克服人工智能的變動趨勢上存在的系統(tǒng)性差異，本文利用PSM-DID的方法進行穩(wěn)健性檢驗。PSM方法可被看作是模擬隨機分組方法之一，DID是在不可觀測變量選擇或不可見偏差假設(shè)下估計因果效應(yīng)的方法，理論上PSM-DID"可以消除可見偏差與不可見偏差，某種程度上結(jié)合了PSM和DID的優(yōu)點［26］。本文進一步采用人工智能的環(huán)境特征構(gòu)想，中國于2009年正式提出建設(shè)人工智能環(huán)境的智慧城市試點，自2012年起，已陸續(xù)啟動三批試點。人工智能環(huán)境的建設(shè)融合了多種先進技術(shù)，包括大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等，這些技術(shù)不僅優(yōu)化了城市資源的配置和利用，也為制造業(yè)企業(yè)提供了更智能、更高效的運營環(huán)境。在這樣的背景下，人工智能的發(fā)展對制造業(yè)的轉(zhuǎn)型和升級起到了關(guān)鍵作用。人工智能技術(shù)的應(yīng)用使得制造業(yè)企業(yè)能夠提升生產(chǎn)效率、降低成本，并推動產(chǎn)品創(chuàng)新。由此，本文參考石大千等（2018）［27］、王鋒和葛星（2022）［28］將試點政策視為準(zhǔn)自然實驗，使用多期雙重差分法（DID）評估人工智能環(huán)境建設(shè)對制造業(yè)轉(zhuǎn)型升級的影響。首先，設(shè)立DID模型的兩個虛擬變量：（1）實驗組和控制組虛擬變量。實驗組為試點城市，定義為Treat=1；控制組為非試點城市，定義為Treat=0。（2）政策時間虛擬變量。試點建設(shè)政策實施后為Post=1，實施前為Post=0。運用PSM-DID相結(jié)合的方法同時解決樣本選擇偏差和因變量遺漏產(chǎn)生的內(nèi)生性問題。同時控制企業(yè)固定效應(yīng)和行業(yè)固定效應(yīng)，用以控制企業(yè)個體和行業(yè)的異質(zhì)性，由于模型中控制了企業(yè)固定效應(yīng)和行業(yè)固定效應(yīng)，因此不再控制Treat和Post虛擬變量。根據(jù)上述分析，本文基于DID方法構(gòu)建的回歸模型如下：

tfp_lpit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（7）

進一步地，本文基于PSM-DID的方法，構(gòu)建具體PSM-DID模型，同時設(shè)定中介效應(yīng)檢驗?zāi)Ｐ腿缦拢?/p>

tfp_lppsmit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（8）

ldspsmit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（9）

tfp_lppsmit=α0+βTreati×Postt+ρ2ldsit+γControlsit+τt+ωt+μit（10）

模型（3）為試點建設(shè)對制造業(yè)企業(yè)轉(zhuǎn)型升級的影響效應(yīng)模型，模型（4）主要用于PSM-DID的穩(wěn)健估計，其中的控制變量包括人工智能滲透率、企業(yè)資產(chǎn)、營業(yè)收入、資產(chǎn)報酬率、供應(yīng)鏈集中度、專利質(zhì)量。

（二）指標(biāo)測度

1被解釋變量：全要素生產(chǎn)率（tfp_lp）

本文參考鄭瓊潔和王高鳳（2021）［6］提出的制造業(yè)轉(zhuǎn)型升級的測算方法，采用全要素生產(chǎn)率表征制造業(yè)轉(zhuǎn)型升級水平?，F(xiàn)有關(guān)于全要素生產(chǎn)率的測算方法有OP、LP、FE、ACF、DEA五種方法，眾多學(xué)者選用OLLEY和PAKES、PETRIN等提出的半?yún)?shù)法，即OP和LP。相較之下，一是LP可以減少測算TFP時存在的偏誤，LP方法在選取代理變量作為中間投入，最大程度地減少樣本的損失。二是LP方法中使用的中間投入更能完全地響應(yīng)生產(chǎn)率變化?；谝陨峡紤]，借鑒趙海峰等（2022）［29］的思路，采用以LP方法測算的TFP作為實證檢驗的主要被解釋變量。此外，采用FE（固定效應(yīng)）方法測算的全要素生產(chǎn)率作為穩(wěn)健性檢驗的替換變量，F(xiàn)E方法測算全要素生產(chǎn)率在現(xiàn)有研究中應(yīng)用頻率比較高，在所測得的數(shù)值上具有準(zhǔn)確性、合理性。

2核心解釋變量：人工智能滲透率（ai）

在平衡面板和非平衡面板中，本文參考Acemoglu等（2018，2020）［30-31］、李懷政等（2023）［32］、王磊等（2023）［23］的測量方法，以工業(yè)機器人密度即每千名就業(yè)人員操作的工業(yè)機器人數(shù)量表征人工智能滲透率。換句話說，每千名就業(yè)人員操作的工業(yè)機器人越多，工業(yè)機器人密度越大，人工智能滲透率水平越高。

3中介變量：勞動生產(chǎn)率（lds）

勞動生產(chǎn)率是影響企業(yè)經(jīng)營活動的重要經(jīng)濟指標(biāo)，它不僅反映企業(yè)的經(jīng)濟實力和發(fā)展水平，而且能夠反映出整個制造業(yè)經(jīng)濟發(fā)展水平，考慮到人工智能會在一定程度上通過勞動力的替代效應(yīng)對企業(yè)的生產(chǎn)效率產(chǎn)生影響，即由于人工智能滲透使勞動生產(chǎn)率發(fā)生不同變化，進而對制造業(yè)轉(zhuǎn)型升級產(chǎn)生不同的影響機制。因此，本文將勞動生產(chǎn)率作為中介變量，以單位人員創(chuàng)造的收入表示。

4控制變量：為解決遺漏重要解釋變量所帶來的內(nèi)生性問題，綜合現(xiàn)有文獻研究，人力資本［33］、企業(yè)資產(chǎn)和研發(fā)投入強度［6］、營業(yè)收入［34］、資產(chǎn)報酬率［29］等因素對制造業(yè)轉(zhuǎn)型升級會產(chǎn)生重要影響。借鑒已有研究，考慮到變量之間的多重共線性問題，在非平衡面板中，本文選取企業(yè)規(guī)模（size）、研發(fā)投入強度（rd）、職工薪酬（pm）以及資產(chǎn)報酬率（roa）作為控制變量。在平衡面板中，選取企業(yè)資產(chǎn)（qi）、營業(yè)收入（yi）、資產(chǎn)報酬率（roa）、供應(yīng)鏈集中度（scc）、專利質(zhì)量（zq）作為控制變量，其中供應(yīng)鏈集中度參考趙宸宇等（2021）［35］、吳非等（2021）［36］的測算方法，采用前五大供應(yīng)商、客戶采購銷售比例之和的均值測算。專利質(zhì)量采用李宏等（2021）［37］的測算方法，用企業(yè)專利知識寬度衡量專利質(zhì)量，即企業(yè)專利的知識寬度越大，專利質(zhì)量越高。具體測算方法見表1。

（三）數(shù)據(jù)說明

首先，關(guān)于微觀數(shù)據(jù)的選擇。中國A股上市制造業(yè)企業(yè)涵蓋了制造業(yè)中的各個行業(yè)，這些現(xiàn)代化企業(yè)的技術(shù)創(chuàng)新、市場規(guī)模、經(jīng)營管理等具有典型行業(yè)特征，基本上能夠代表中國制造業(yè)轉(zhuǎn)型升級的趨勢變化；故以中國滬深A(yù)股上市公司為研究對象，選取企業(yè)、行業(yè)和城市層面的多維度數(shù)據(jù)進行實證分析。其次，關(guān)于時間窗口的選擇。根據(jù)《2019年中國人工智能行業(yè)市場前景研究報告》，2007年以后，人工智能在制造業(yè)中大量應(yīng)用，并且該領(lǐng)域的專利發(fā)明開始步入發(fā)展階段。同時，根據(jù)《2017年中國人工智能產(chǎn)業(yè)專題研究報告》，人工智能發(fā)展浪潮于2006年掀起，實現(xiàn)了技術(shù)上的重大突破。此外，2007年黨的十七大報告提出“中國特色新型工業(yè)化道路”的命題，強調(diào)信息化與工業(yè)化的深度融合，通過信息技術(shù)提升工業(yè)生產(chǎn)效率，促進工業(yè)結(jié)構(gòu)優(yōu)化升級。因此，本文選取樣本時期起點為2007年，時間跨度為2007—2022年的A股制造業(yè)上市公司。第三，關(guān)于平衡面板與非平衡面數(shù)據(jù)的選擇。如果采用平衡面板數(shù)據(jù)，2007年后上市的企業(yè)不能納入樣本觀測，樣本規(guī)模較小，可能存在選擇性偏誤，以偏概全；如果采用非平衡面板數(shù)據(jù)，解決了樣本量較小問題，但對于企業(yè)的追蹤效應(yīng)研究不足，不同企業(yè)的時間周期不一樣。例如，根據(jù)國民經(jīng)濟行業(yè)分類（GB/T"4754-2017）的分類標(biāo)準(zhǔn)，在非平衡面板中，計算機、通信和其他電子設(shè)備制造業(yè)的企業(yè)樣本數(shù)量最多，而金屬制品、機械和設(shè)備修理業(yè)只有一家，但在平衡面板中，醫(yī)藥制造業(yè)最多，而金屬制品、機械和設(shè)備修理業(yè)所包含的企業(yè)樣本為0。為了發(fā)揮兩類數(shù)據(jù)各自的比較優(yōu)勢，所以采取兩種數(shù)據(jù)策略方式解決存在的問題。第四，數(shù)據(jù)來源于WIND、IFIND等數(shù)據(jù)庫。第五，關(guān)于數(shù)據(jù)的清洗問題。按照如下程序?qū)颖緮?shù)據(jù)作出篩選：（1）剔除股票代碼前有ST、*ST樣本（財務(wù)狀況異?；蛎媾R退市風(fēng)險的企業(yè)樣本），部分缺失值采用線性插值法完成；（2）剔除樣本數(shù)據(jù)缺失嚴(yán)重的企業(yè)樣本；（3）最后確定制造業(yè)上市公司企業(yè)樣本數(shù)量，平衡面板為8400個，非平衡面板為17261個，這為研究的準(zhǔn)確性和可靠性提供了堅實的基礎(chǔ)。

四、實證結(jié)果分析

（一）數(shù)據(jù)描述性統(tǒng)計

在開展基準(zhǔn)回歸分析之前，對所有變量進行描述性統(tǒng)計是必要的步驟。為了消除數(shù)值單位差異對回歸系數(shù)解釋的潛在影響，本研究對所有變量進行了標(biāo)準(zhǔn)化處理。在數(shù)據(jù)處理過程中，我們剔除了一些異常值，以確保分析的準(zhǔn)確性。最終，用于基準(zhǔn)回歸的樣本總數(shù)為17112個觀測值。表2展示了本研究的主要描述性統(tǒng)計結(jié)果。從表2中數(shù)據(jù)可以看出，在2007—2022年間，使用LP方法估算的制造業(yè)企業(yè)全要素生產(chǎn)率（TFP）的平均值為82092，而人工智能滲透率的平均值為67879。值得注意的是，不同制造業(yè)企業(yè)在這兩個指標(biāo)上存在較大差異，其中TFP的最小值為00028，最大值為16，而人工智能滲透率的變化范圍也顯示出不同企業(yè)間在經(jīng)營能力、技術(shù)水平和盈利能力上的顯著差異。

進一步地，表2提供了平衡面板數(shù)據(jù)的主要描述性統(tǒng)計信息。在相同的時間段內(nèi)，平衡面板數(shù)據(jù)顯示，制造業(yè)企業(yè)全要素生產(chǎn)率的平均值為85378，人工智能滲透率的平均值為615。與非平衡面板數(shù)據(jù)相比，平衡面板中企業(yè)TFP的最小值與非平衡面板數(shù)據(jù)存在較大差異。具體而言，非平衡面板數(shù)據(jù)中TFP的最小值為62757，而平衡面板中為35672，兩者之間的差距約為兩倍。這一差異可能反映了兩種面板數(shù)據(jù)在樣本構(gòu)成和數(shù)據(jù)完整性上的不同。

（二）非平衡面板模型基準(zhǔn)回歸結(jié)果分析

在本研究中，我們采用普通最小二乘法（OLS）對A股上市公司數(shù)據(jù)進行估計，以探討人工智能對制造業(yè)轉(zhuǎn)型升級的影響。表3展示了人工智能對制造業(yè)轉(zhuǎn)型升級影響的線性估計結(jié)果。我們選擇個體固定效應(yīng)模型來控制個體間差異，這有助于我們更準(zhǔn)確地評估個體內(nèi)部變化，并克服異方差和個體差異等問題。該模型為個體內(nèi)部效應(yīng)提供了有力解釋，避免了遺漏變量問題，減少了估計結(jié)果的偏誤，增強了實證結(jié)果的可靠性。

從模型（2）—模型（5），我們依次引入了企業(yè)規(guī)模（size）、研發(fā)投入強度（rd）、資產(chǎn)報酬率（roa）以及職工薪酬（lnpm）等控制變量。實證結(jié)果表明，人工智能的系數(shù)在1%的統(tǒng)計水平上顯著為正，且在加入控制變量后保持穩(wěn)定，這表明模型具有較好的穩(wěn)健性。對于A股上市制造業(yè)公司而言，人工智能顯著提升了企業(yè)的全要素生產(chǎn)率（TFP），對制造業(yè)轉(zhuǎn)型升級起到了顯著的正向促進作用。具體而言，人工智能每增加1%，制造業(yè)轉(zhuǎn)型升級水平平均提升03%，從而驗證了假設(shè)H1關(guān)于人工智能推動制造業(yè)轉(zhuǎn)型升級的預(yù)期。

在控制變量方面，企業(yè)資產(chǎn)規(guī)模與制造業(yè)轉(zhuǎn)型升級水平呈現(xiàn)正相關(guān)，且始終通過了1%水平的顯著性檢驗。這表明，資產(chǎn)規(guī)模較大的企業(yè)在制造業(yè)轉(zhuǎn)型升級方面也表現(xiàn)得更為積極，反映了企業(yè)實力與轉(zhuǎn)型動力之間的正向關(guān)聯(lián)。資產(chǎn)報酬率（roa）的正向系數(shù)同樣表明，資產(chǎn)報酬率越高，制造業(yè)轉(zhuǎn)型升級的效率越高。此外，應(yīng)付職工薪酬在1%的水平上顯著正相關(guān)，表明其對企業(yè)TFP的提升提供了重要支撐。

然而，企業(yè)研發(fā)投入強度的系數(shù)為負，表明其對制造業(yè)轉(zhuǎn)型升級存在負向影響，并在5%的水平上顯著。這一發(fā)現(xiàn)與傳統(tǒng)觀念，即研發(fā)投入和專利數(shù)量是企業(yè)創(chuàng)新和生產(chǎn)力提升的關(guān)鍵因素相悖?？赡艿慕忉尠ǎ憾唐趦?nèi)，企業(yè)可能通過增加投資和創(chuàng)新活動來應(yīng)對生產(chǎn)率下降的趨勢，但這些努力需要時間才能轉(zhuǎn)化為生產(chǎn)率的正向影響。此外，企業(yè)管理能力、市場結(jié)構(gòu)、勞動力素質(zhì)等其他因素可能對生產(chǎn)率有更大的影響。還有可能是研發(fā)投入過多導(dǎo)致知識碎片化、專利競爭加劇，從而對生產(chǎn)率產(chǎn)生不利影響［38］。另一種可能性是，企業(yè)未能有效地將研發(fā)投入轉(zhuǎn)化為實際成果，導(dǎo)致資源浪費或配置不當(dāng)，進而對企業(yè)經(jīng)營績效產(chǎn)生負向影響。

（三）平衡面板模型基準(zhǔn)回歸結(jié)果

在平衡面板數(shù)據(jù)的分析中，我們采用固定效應(yīng)模型，控制了行業(yè)和企業(yè)層面的不變特征，以估計A股上市制造企業(yè)中人工智能應(yīng)用對制造業(yè)轉(zhuǎn)型升級的影響。表4展示了人工智能滲透率對企業(yè)全要素生產(chǎn)率（TFP）的影響。模型（1）至模型（6）均采用了個體和行業(yè)的固定效應(yīng)，而從模型（2）開始，逐步引入了企業(yè)資產(chǎn)、營業(yè)收入、資產(chǎn)報酬率、供應(yīng)鏈集中度和專利質(zhì)量等控制變量。實證結(jié)果表明，即使在控制了其他因素后，人工智能在1%的水平上對制造業(yè)轉(zhuǎn)型升級效率仍有顯著的正向影響。具體而言，人工智能滲透率的系數(shù)為00163，這一數(shù)值較非平衡面板數(shù)據(jù)的系數(shù)更大，表明隨著制造企業(yè)人工智能應(yīng)用水平的提升，制造業(yè)轉(zhuǎn)型升級效率也隨之增加。具體來說，人工智能水平每增加1%，制造業(yè)企業(yè)轉(zhuǎn)型升級效率平均提升16%。這一發(fā)現(xiàn)與非平衡面板數(shù)據(jù)的結(jié)果一致，均支持了假設(shè)H1，即人工智能的應(yīng)用可以促進制造企業(yè)生產(chǎn)率的提高和制造業(yè)的轉(zhuǎn)型升級。

在控制變量方面，企業(yè)資產(chǎn)、營業(yè)收入、供應(yīng)鏈集中度和專利質(zhì)量均與制造業(yè)轉(zhuǎn)型升級水平呈正相關(guān)，且這些變量在1%和5%的水平上均通過了顯著性檢驗。企業(yè)資產(chǎn)的增加能夠顯著提升企業(yè)轉(zhuǎn)型成果的概率，形成資產(chǎn)積累與制造業(yè)轉(zhuǎn)型升級之間的良性循環(huán)。營業(yè)收入作為衡量企業(yè)經(jīng)營狀況和盈利能力的重要指標(biāo)，有助于提升技術(shù)創(chuàng)新能力，增強企業(yè)的核心競爭力。供應(yīng)鏈集中度反映了企業(yè)在經(jīng)營過程中的合作策略和資源配置方式，集中度的提高有利于企業(yè)實現(xiàn)資源的集中管理和優(yōu)化，提高供應(yīng)鏈的可靠性和響應(yīng)速度，從而支持制造業(yè)的轉(zhuǎn)型升級。專利質(zhì)量則體現(xiàn)了企業(yè)的創(chuàng)新能力和技術(shù)實力，推動產(chǎn)業(yè)結(jié)構(gòu)的升級，引領(lǐng)制造業(yè)企業(yè)轉(zhuǎn)型升級的方向，即供應(yīng)鏈集中度和專利質(zhì)量能夠顯著促進制造企業(yè)TFP的提升，進而正向推動制造業(yè)的轉(zhuǎn)型升級。

（四）基于PSM-DID模型的檢驗

1PSM傾向得分匹配的穩(wěn)健性分析

為確保匹配方法的穩(wěn)健性，本研究采用了多種傾向得分匹配（PSM）技術(shù)，包括一對一近鄰匹配、一對四近鄰匹配、卡尺001和002的一對四近鄰匹配、半徑卡尺匹配、核匹配以及局部線性回歸匹配。這些方法均以控制變量作為協(xié)變量，并通過比較不同匹配方式的計算結(jié)果來驗證基本回歸結(jié)果的穩(wěn)健性。七種匹配方法得到的ATT（平均處理效應(yīng)）值并無顯著差異，且所有方法的平均處理效應(yīng)（ATT），均處于1%的顯著性水平。這表明，人工智能促進制造業(yè)轉(zhuǎn)型升級的基本回歸結(jié)論對于PSM匹配方法具有不變性。

2平行趨勢檢驗

平行趨勢檢驗是構(gòu)建差異中的差異（DID）模型的關(guān)鍵步驟，也是DID模型有效性的前提條件?？紤]到政策實施7年和后3年的數(shù)據(jù)情況，本文將政策實施前7年的數(shù)據(jù)匯總到-7期，將政策實施后3年的數(shù)據(jù)匯總到第3期。圖1所示的平行趨勢檢驗結(jié)果顯示，試點與非試點城市企業(yè)在政策實施前并無顯著差異，在試點政策實施后，政策效應(yīng)顯著提升，即研究樣本通過了平行趨勢檢驗。

3匹配平衡性檢驗

為了確保傾向得分匹配結(jié)果的準(zhǔn)確性和可靠性，在PSM-DID模型中，本研究將人工智能和控制變量同時作為協(xié)變量進行平衡性檢驗。檢驗顯示，匹配前處理組和控制組之間存在顯著差異，但匹配后所有變量的標(biāo)準(zhǔn)化偏差均小于10%，不拒絕處理組與控制組無系統(tǒng)差異的原假設(shè)。與匹配前相比，大多數(shù)變量的標(biāo)準(zhǔn)化偏差顯著縮小。這表明，經(jīng)過PSM處理后，處理組和控制組在關(guān)鍵協(xié)變量上已達到平衡，滿足了平衡性假設(shè)。

圖1"平行趨勢檢驗

圖2"匹配前后傾向得分核密度圖

通過傾向得分核密度圖可以直觀地檢查共同支撐情況，如圖2所示。結(jié)果顯示，處理組與控制組匹配前（見圖2（a））和匹配后（見圖2（b））的傾向得分核密度圖預(yù)測得分差異較小，匹配結(jié)果有效，匹配后，處理組與控制組的傾向得分共同支撐區(qū)域明顯擴大，且匹配后，對照組與控制組的傾向得分核密度幾乎重合，說明通過共同支撐假設(shè)檢驗。

4PSM-DID模型檢驗結(jié)果分析

在應(yīng)用PSM-DID方法進行分析時，我們首先依據(jù)虛擬變量對模型中的控制變量執(zhí)行LOGIT回歸，以計算各企業(yè)的傾向得分值。隨后，采用一比一且放回的最鄰近匹配法，根據(jù)傾向得分值確定實驗組企業(yè)的配對企業(yè)。在刪除未匹配到的樣本后，我們繼續(xù)進行模型回歸。如表5所示，回歸分析揭示了PSM應(yīng)用前后的顯著變化：回歸系數(shù)分別為03087和03155，均顯著為正。這一結(jié)果表明，作為人工智能的背景特征，試點建設(shè)政策在解決內(nèi)生性問題后，對企業(yè)全要素生產(chǎn)率（TFP）的提升起到了積極作用，且該效應(yīng)在不同模型間保持了一致性和穩(wěn)健性，從而有效驗證了假設(shè)H4。

進一步觀察，我們發(fā)現(xiàn)控制變量的顯著性得到了增強，這表明所構(gòu)建的模型在控制潛在混雜因素和減少選擇性偏差方面表現(xiàn)更佳，進而提升了研究結(jié)果的可靠性與穩(wěn)定性。此外，處理效應(yīng)的增強表現(xiàn)在處理變量系數(shù)的增大上。具體而言，企業(yè)資產(chǎn)、資產(chǎn)報酬率、供應(yīng)鏈集中度以及專利質(zhì)量等處理變量的系數(shù)均有所提升，這顯示了人工智能環(huán)境建設(shè)對這些變量的顯著正向影響，即供應(yīng)鏈集中度和專利質(zhì)量均能顯著促進制造業(yè)的轉(zhuǎn)型升級。

（五）進一步穩(wěn)健性檢驗

為了保證本文結(jié)論的穩(wěn)健性，針對個體效應(yīng)與固定效應(yīng)的穩(wěn)定性檢驗，不同人工智能發(fā)展水平的企業(yè)不僅會對制造業(yè)轉(zhuǎn)型升級產(chǎn)生正向效應(yīng)，也可能帶來負向沖擊，從而高估人工智能的顯著性。由于數(shù)據(jù)的可得性，本文從PSM、替換被解釋變量測算方法、更換樣本周期等三個角度處理這種潛在的問題，最終得到穩(wěn)健性結(jié)果表明，人工智能對制造業(yè)轉(zhuǎn)型升級的影響仍然顯著為正，本文研究結(jié)果穩(wěn)健且不會隨外部條件的變化而產(chǎn)生根本性的變化。

1替換被解釋變量

將被解釋變量替換為FE方法測算的制造業(yè)企業(yè)的全要素生產(chǎn)率，用以評估模型設(shè)定的穩(wěn)健性，經(jīng)替換后，對比回歸結(jié)果發(fā)現(xiàn)，模型的估計結(jié)果和結(jié)論仍然保持一致，即模型對于不同的被解釋變量選擇具有穩(wěn)定性，即該模型是穩(wěn)健的。回歸模型結(jié)果顯示，在非平衡面板、平衡面板、DID、PSM-DID四個模型中，同時在替換了控制變量的條件下，核心解釋變量對被解釋變量仍然顯著，這表明人工智能始終能夠?qū)χ圃鞓I(yè)的轉(zhuǎn)型升級產(chǎn)生顯著正向的影響，具備正向效應(yīng)，另外，大部分控制變量的回歸系數(shù)符號與顯著性也與基準(zhǔn)回歸大致相同，這意味著替換被解釋變量的測算方法也不會改變上文關(guān)于控制變量得出的結(jié)論。

2縮短樣本周期

2011年，信息化引領(lǐng)工業(yè)化，中國制造業(yè)進入轉(zhuǎn)型升級時期，因此，選擇2011年作為樣本時間周期分割點，選取2011—2022年的樣本做穩(wěn)健性檢驗，與前文相似，縮短樣本周期后與原本周期的回歸結(jié)果一致，即在不同時間段內(nèi)都具有穩(wěn)定性，這表明本文所設(shè)定的模型較為穩(wěn)健，同時，人工智能顯著正向影響制造業(yè)的轉(zhuǎn)型升級。

五、進一步分析

（一）中介效應(yīng)檢驗

在理論分析部分，我們提出人工智能可能通過提升勞動生產(chǎn)率來增強制造業(yè)的全要素生產(chǎn)率（TFP），進而促進制造業(yè)的轉(zhuǎn)型升級。為了驗證這一中介效應(yīng)的存在性及其顯著性，我們對非平衡面板、平衡面板和PSM-DID三種主要模型進行了中介效應(yīng)檢驗。檢驗結(jié)果匯總在表6中。在非平衡面板模型（Panel"A）中，通過模型（1）—模型（3）的檢驗發(fā)現(xiàn)，勞動生產(chǎn)率作為一個中介變量，在人工智能提升制造業(yè)轉(zhuǎn)型升級的過程中起到了顯著的中介作用，該中介效應(yīng)占總效應(yīng)的比例高達567%。此外，平衡面板模型（Panel"B）的回歸結(jié)果也證實了人工智能通過提升勞動生產(chǎn)率顯著促進了制造業(yè)TFP的增長，進而推動了制造業(yè)的轉(zhuǎn)型升級，從而驗證了假設(shè)H2。PSM-DID模型的中介效應(yīng)檢驗（Panel"C）同樣顯示出，試點建設(shè)通過提供有利的人工智能發(fā)展環(huán)境，顯著促進了TFP的提升，且勞動生產(chǎn)率在這一過程中起到了顯著的中介作用，這一發(fā)現(xiàn)支持了假設(shè)H2。

（二）異質(zhì)性分析

1非平衡面板

考慮到不同行業(yè)的人工智能技術(shù)發(fā)展水平存在顯著差異，其對制造業(yè)轉(zhuǎn)型升級的影響可能表現(xiàn)出行業(yè)異質(zhì)性。為此，我們使用模型（1）對不同行業(yè)進行了回歸分析，結(jié)果如表7所示。在控制了變量和行業(yè)、個體固定效應(yīng)的情況下，我們發(fā)現(xiàn)在紡織業(yè)、文教體育用品制造業(yè)等九個行業(yè)中，人工智能對制造業(yè)轉(zhuǎn)型升級具有顯著的正向影響。這表明在這些行業(yè)中，人工智能更容易替代人力，提高生產(chǎn)制造的效率，且在這些領(lǐng)域中人工智能的應(yīng)用和發(fā)展?jié)摿薮?。然而，由于部分行業(yè)上市公司數(shù)量有限，樣本的分布特性導(dǎo)致某些行業(yè)的回歸結(jié)果不具有統(tǒng)計效力，從而驗證了假設(shè)H3。值得注意的是，黃曉鳳等（2023）［8］的研究發(fā)現(xiàn)輕紡工業(yè)中人工智能的應(yīng)用可以顯著提升企業(yè)的TFP，這與本文的結(jié)論有所差異?？赡艿慕忉屖潜疚牟捎昧烁鼮榧氈碌男袠I(yè)分類標(biāo)準(zhǔn)，即2017年國民經(jīng)濟行業(yè)分類（GB/T"4754—2017），并且控制變量的選擇也有所不同。

2平衡面板

在平衡面板的行業(yè)異質(zhì)性分析中，我們選取了樣本數(shù)量較多的四個行業(yè)——醫(yī)藥制造業(yè)、計算機通信和其他電子設(shè)備制造業(yè)、化學(xué)原料及化學(xué)制品制造業(yè)、電氣機械及器材制造業(yè)——進行分析。我們還選取了樣本量較小的紡織服裝、服飾業(yè)作為對照。平衡面板的異質(zhì)性檢驗回歸結(jié)果見表8。醫(yī)藥制造業(yè)、計算機通信和其他電子設(shè)備制造業(yè)、化學(xué)原料及化學(xué)制品制造業(yè)、電氣機械及器材制造業(yè)中人工智能的應(yīng)用對全要素生產(chǎn)率產(chǎn)生了正向影響，均在1%的水平上顯著，其中，計算機、通信和其他電子設(shè)備制造業(yè)中人工智能的影響程度更深，即人工智能滲透率每上升1%，該行業(yè)的全要素生產(chǎn)率增加約001%。可能的原因是，計算機、通信和其他電子設(shè)備制造業(yè)的人工智能技術(shù)應(yīng)用較為成熟、轉(zhuǎn)型升級需求與潛力較大，人工智能的引入會產(chǎn)生更大的影響。相比之下，紡織服裝、服飾業(yè)中人工智能的應(yīng)用并未產(chǎn)生顯著影響，這可能是由于該行業(yè)對人力資本的需求較高，人工智能在替代勞動力方面的作用不明顯，因此在這類行業(yè)中人工智能的影響有限。

此外，平衡面板與非平衡面板分析的結(jié)果一致，都表明人工智能的應(yīng)用顯著提升了這些主要行業(yè)的TFP，促進了制造業(yè)的轉(zhuǎn)型升級，但存在行業(yè)間影響程度的異質(zhì)性，例如人工智能在計算機、通信和其他電子設(shè)備制造業(yè)中存在顯著影響，而在紡織服裝、服飾業(yè)中無顯著相關(guān)關(guān)系，這表明，人工智能對制造業(yè)轉(zhuǎn)型升級的影響受行業(yè)特征因素的影響，具備特定行業(yè)特征更可能廣泛且深入地應(yīng)用人工智能技術(shù)，進一步支持了假設(shè)H3。

六、結(jié)論與政策建議

本文探討了人工智能（AI）技術(shù)對制造業(yè)轉(zhuǎn)型升級的影響及其作用機制。通過采用中國A股上市公司2007—2022年的數(shù)據(jù)，運用PSM-DID方法分析人工智能對制造業(yè)全要素生產(chǎn)率（TFP）的提升作用，并檢驗了勞動生產(chǎn)率的中介效應(yīng)以及不同行業(yè)、企業(yè)規(guī)模和區(qū)域位置的異質(zhì)性影響。研究發(fā)現(xiàn)：（1）人工智能的滲透顯著正向促進了制造業(yè)的轉(zhuǎn)型升級，這一結(jié)果在非平衡面板和平衡面板數(shù)據(jù)中均得到驗證，且通過了穩(wěn)健性檢驗。（2）勞動生產(chǎn)率在人工智能與制造業(yè)轉(zhuǎn)型升級之間起到了重要的中介作用。（3）異質(zhì)性分析表明，人工智能對不同行業(yè)的制造業(yè)轉(zhuǎn)型升級具有不同的影響，不同行業(yè)、企業(yè)規(guī)模和區(qū)域位置等因素對人工智能的影響效應(yīng)有顯著差異。其中，在資本密集型和技術(shù)密集型行業(yè)中影響更為顯著。（4）試點建設(shè)促進人工智能發(fā)展大環(huán)境的養(yǎng)成，有助于提升人工智能發(fā)展水平，集聚了高效的勞動生產(chǎn)率，與制造業(yè)轉(zhuǎn)型升級正向相關(guān)。

基于上述結(jié)論，本文提出以下政策建議：

1"加強人工智能技術(shù)的研發(fā)和應(yīng)用。政府應(yīng)加大對人工智能基礎(chǔ)研究和應(yīng)用創(chuàng)新的支持力度，通過財政補貼、稅收減免等政策措施，鼓勵企業(yè)進行技術(shù)研發(fā)和創(chuàng)新。同時，如果政府給不了資源資金支持，就給出創(chuàng)新機制，完善知識產(chǎn)權(quán)保護體系，激發(fā)企業(yè)的創(chuàng)新活力，例如政府支持企業(yè)與高校、科研機構(gòu)的合作，共同開展人工智能技術(shù)的研究，可以獲得股權(quán)或推進后期IPO上市等，促進產(chǎn)學(xué)研一體化發(fā)展。此外，政府應(yīng)鼓勵企業(yè)通過技術(shù)創(chuàng)新提升生產(chǎn)效率和產(chǎn)品質(zhì)量，推動制造業(yè)向高端化、智能化轉(zhuǎn)型，以適應(yīng)未來市場競爭的需求。鼓勵企業(yè)開展國際合作，通過技術(shù)交流和合作，提升企業(yè)的國際競爭力。

2"優(yōu)化人工智能人才培養(yǎng)和引進機制。高素質(zhì)的人才是推動人工智能發(fā)展的關(guān)鍵。政府和企業(yè)應(yīng)聯(lián)合高校和研究機構(gòu)，建立人工智能學(xué)院和人工智能專業(yè)，加強對人工智能、數(shù)字人才及相關(guān)領(lǐng)域人才的培養(yǎng)和引進。政府可以通過設(shè)立專項基金、提供獎學(xué)金等方式，吸引和培養(yǎng)更多的人工智能專業(yè)人才。同時，企業(yè)也應(yīng)建立健全人才培養(yǎng)體系，通過內(nèi)部培訓(xùn)、外部引進等方式，不斷提升員工的人工智能技術(shù)水平和應(yīng)用能力，為人工智能技術(shù)的發(fā)展提供人力資源保障。

3"推動人工智能環(huán)境建設(shè)和人工智能的融合發(fā)展。人工智能環(huán)境為人工智能技術(shù)提供了廣闊的應(yīng)用場景。智慧城市的試點建設(shè)，通過PSM-DID研究發(fā)現(xiàn)，人工智能技術(shù)發(fā)展的大環(huán)境對制造業(yè)轉(zhuǎn)型的影響，說明人工智能的環(huán)境與載體建設(shè)具有積極影響。政府應(yīng)擴大試點建設(shè)范圍，通過政策引導(dǎo)和資金支持，促進人工智能技術(shù)在城市管理、產(chǎn)業(yè)發(fā)展、環(huán)境保護等多個領(lǐng)域的應(yīng)用。同時，政府應(yīng)鼓勵企業(yè)參與人工智能環(huán)境建設(shè)項目，通過實際應(yīng)用推動人工智能技術(shù)的不斷完善和發(fā)展。

4"制定差異化的行業(yè)政策。鑒于人工智能對不同行業(yè)的影響存在異質(zhì)性，政策制定應(yīng)考慮行業(yè)特點，制定針對性的發(fā)展戰(zhàn)略。對于人工智能技術(shù)應(yīng)用較為成熟、轉(zhuǎn)型升級需求迫切的行業(yè)，如電子信息、高端裝備制造等，政府應(yīng)給予更多的關(guān)注和支持，通過專項資金、技術(shù)指導(dǎo)等方式，促進這些行業(yè)的快速發(fā)展。而對于勞動密集型產(chǎn)業(yè)，加強人工智能應(yīng)用和替代，通過資本深化方式優(yōu)化資源配置方式。

5"鼓勵企業(yè)提升規(guī)模和加強供應(yīng)鏈管理。企業(yè)規(guī)模的擴大和供應(yīng)鏈管理的優(yōu)化有助于提升企業(yè)的市場競爭力和抗風(fēng)險能力。政府應(yīng)通過財稅、金融等政策工具，激勵企業(yè)通過兼并重組、供應(yīng)鏈整合等方式，提高資源配置效率。此外，政府還應(yīng)支持企業(yè)建立和完善供應(yīng)鏈管理體系，通過信息化手段提升供應(yīng)鏈的透明度和響應(yīng)速度，降低運營成本。

參考文獻：

［1］"苗宇.加快推進新型工業(yè)化"推動我國制造業(yè)再上新臺階［N］．""財經(jīng)，2023-11-23.

［2］"McAfee，"Andrew，"Erik"Brynjolfsson，"et"al.Big""Data："the"Management"Revolution［J］．"Harvard"Business"Review，2012，90（10）："60-68.

［3］"Graetz，"Georg，"and"Guy"Michaels."Robots"at"Work［J］．"Review"of"Economics"and"Statistics，2018，100（5）："753-768.

［4］"張紅，崔琰琰，萬瑩潔.考慮損失厭惡者參與的一對多型供應(yīng)鏈回購契約研究［J］．"工業(yè)技術(shù)經(jīng)濟，2016，35（1）：19-25.

［5］"李明，賀偉，丁本洲.基于S2B模式的小微企業(yè)競爭情報多元協(xié)同供給機制研究［J］．"情報科學(xué)，2018，36（12）：52-56.

［6］"鄭瓊潔，王高鳳.人工智能技術(shù)應(yīng)用與中國制造業(yè)企業(yè)生產(chǎn)率——兼對“生產(chǎn)率悖論”的再檢驗［J］．"學(xué)習(xí)與實踐，2021（11）：59-69.

［7］"劉鑫鑫，韓先鋒.人工智能與制造業(yè)韌性：內(nèi)在機制與實證檢驗［J］．"經(jīng)濟管理，2023，45（11）：48-67.

［8］"黃曉鳳，朱瀟玉，王金紅.人工智能提升了中國制造業(yè)企業(yè)的全要素生產(chǎn)率嗎［J］．"財經(jīng)科學(xué)，2023（1）：138-148.

［9］"孫早，侯玉琳.人工智能發(fā)展對產(chǎn)業(yè)全要素生產(chǎn)率的影響——一個基于中國制造業(yè)的經(jīng)驗研究［J］．"經(jīng)濟學(xué)家，2021（1）：32-42.

［10］楊光，侯鈺.工業(yè)機器人的使用、技術(shù)與經(jīng)濟增長［J］．"中國工業(yè)經(jīng)濟，2020（10）：138-156.

［11］李廉水，鮑怡發(fā)，劉軍.智能化對中國制造業(yè)全要素生產(chǎn)率的影響研究［J］．"科學(xué)學(xué)研究，2020，38（4）：609-618+722.

［12］Nordhaus，"William"D."Are"We"Approaching"an"Economic"Singularity？"Information"Technology"and"The"Future"of"Economic"Growth［J］．"American"Economic"Journal：nbsp;Macroeconomics，2021，13（1）"：299-332.

［13］李丫丫，潘安.工業(yè)機器人進口對中國制造業(yè)生產(chǎn)率提升的機理及實證研究［J］．"世界經(jīng)濟研究，2017（3）：87-96+136.

［14］謝雁翔，覃家琦，金振，等.企業(yè)工業(yè)智能化與全要素生產(chǎn)率提升——基于制造業(yè)上市公司的經(jīng)驗證據(jù)［J］．"科學(xué)學(xué)與科學(xué)技術(shù)管理，2023，44（11）：148-165.

［15］劉婷婷，羅義南，楊晨陽.基于多智能體深度強化學(xué)習(xí)的分布式干擾協(xié)調(diào)［J］．"通信學(xué)報，2020，41（7）：38-48.

［16］溫湖煒，鐘啟明.智能化發(fā)展對企業(yè)全要素生產(chǎn)率的影響——來自制造業(yè)上市公司的證據(jù)［J］．"中國科技論壇，2021（1）：84-94.

［17］謝偉麗，石軍偉，張起帆.人工智能、要素稟賦與制造業(yè)高質(zhì)量發(fā)展——來自中國208個城市的經(jīng)驗證據(jù)［J］．"經(jīng)濟與管理研究，2023，44（4）：21-38.

［18］韓永輝，劉洋，王賢彬.人工智能對區(qū)域經(jīng)濟增長的異質(zhì)性影響與機制識別——基于中國“機器換人”的實證檢驗［J］．"學(xué)術(shù)研究，2023（2）：97-104.

［19］余玲錚，魏下海，孫中偉，等.工業(yè)機器人、工作任務(wù)與非常規(guī)能力溢價——來自制造業(yè)“企業(yè)-工人”匹配調(diào)查的證據(jù)［J］．"管理世界，2021，37（1）：47-59+4.

［20］王兵，王啟超.全要素生產(chǎn)率、資源錯配與工業(yè)智能化戰(zhàn)略——基于廣東企業(yè)的分析［J］．"廣東社會科學(xué)，2019（5）：17-26.

［21］Brynjolfsson，"Erik，"Daniel"Rock，"and"Chad"Syverson."Artificial"Intelligence"and"The"Modern"Productivity"Paradox［J］．"The"Economics"of"Artificial"Intelligence："An"Agenda，2019，23："23-57.

［22］孫文遠，劉于山.人工智能對勞動力市場的影響機制研究［J］．"華東經(jīng)濟管理，2023，37（3）：1-9.

［23］王磊，肖倩，鄧芳芳.人工智能對中國制造業(yè)創(chuàng)新的影響研究——來自工業(yè)機器人應(yīng)用的證據(jù)［J］．"財經(jīng)論叢，2023（9）：14-24.

［24］趙濱元.數(shù)字技術(shù)應(yīng)用、智能制造生產(chǎn)模式和企業(yè)生產(chǎn)效率［J］．"經(jīng)濟與管理，2023，37（6）：76-84.

［25］李新娥，何勤，李曉宇，等.基于政策量化的人工智能政策對制造業(yè)就業(yè)的影響研究［J］．"科技管理研究，2020，40（23）：197-203.

［26］李俊霖，周志強.主流因果效應(yīng)估計方法的比較分析［J/OL］．"蘭州財經(jīng)大學(xué)學(xué)報：1-16［2024-09-09］．

［27］石大千，丁海，衛(wèi)平，等.智慧城市建設(shè)能否降低環(huán)境污染［J］．"中國工業(yè)經(jīng)濟，2018（6）：117-135.

［28］王鋒，葛星.低碳轉(zhuǎn)型沖擊就業(yè)嗎——來自低碳城市試點的經(jīng)驗證據(jù)［J］．"中國工業(yè)經(jīng)濟，2022（5）：81-99.

［29］趙海峰，李世媛，巫昭偉.中央環(huán)保督察對制造業(yè)企業(yè)轉(zhuǎn)型升級的影響——基于市場化進程的中介效應(yīng)檢驗［J］．"管理評論，2022，34（6）：3-14.

［30］Acemoglu，"Daron，"and"Pascual"Restrepo."The"Race"Between"Man"and"Machine："Implications"of"Technology"for"Growth，"Factor"Shares，"and"Employment［J］．"American"Economic"Review，"2018，108（6）"："1488-1542.

［31］Acemoglu，"Daron，"and"Pascual"Restrepo."The"Wrong"Kind"of"AI？"Artificial"Intelligence"and"the"Future"of"Labour"Demand［J］．"Cambridge"Journal"of"Regions，"Economy"and"Society，"2020，13（1）："25-35.

［32］李懷政，田曉宇，吳虹.人工智能滲透、勞動生產(chǎn)率與中國制造業(yè)出口韌性提升［J］．"西北人口，2023，44（6）：29-42.

［33］吳淼."減稅政策對我國制造業(yè)企業(yè)轉(zhuǎn)型升級的影響研究［D］．昆明：云南財經(jīng)大學(xué)，2022.

［34］孫雯."“營改增”對制造業(yè)企業(yè)轉(zhuǎn)型升級的影響研究［D］．"杭州：浙江財經(jīng)大學(xué)，2022.

［35］趙宸宇，王文春，李雪松.數(shù)字化轉(zhuǎn)型如何影響企業(yè)全要素生產(chǎn)率［J］．"財貿(mào)經(jīng)濟，2021，42（7）：114-129.

［36］吳非，胡慧芷，林慧妍，等.企業(yè)數(shù)字化轉(zhuǎn)型與資本市場表現(xiàn)——來自股票流動性的經(jīng)驗證據(jù)［J］．"管理世界，2021（7）：130-144+10.

［37］李宏，王云廷，吳東松.專利質(zhì)量對企業(yè)出口競爭力的影響機制：基于知識寬度視角的探究［J］．"世界經(jīng)濟研究，2021（1）：32-46+134.

［38］李沁嶧.企業(yè)研發(fā)強度對經(jīng)營績效波動的影響研究［J］．"全國流通經(jīng)濟，2022（12）：94-97.

Artificial"Intelligence，"Labor"Productivity"and"the"Transformation"and"Upgrading"of

Manufacturing"Industry

HE"Gang，"TANG"Liyimo

（School"of"Economics，"Xihua"University，"Chengdu"610039，"China）

Abstract："Based"on"the"micro"data"of"A-share"manufacturing"listed"companies"in"China"from"2007"to"2022，under"the"framework"of"the"neoclassical"growth"theory，a"fixed"effects"model"was"constructed"to"evaluate"the"impact"of"artificial"intelligence（AI）application"on"the"labor"productivity"and"transformation"and"upgrading"of"the"manufacturing"industry.The"propensity"score"matching-difference-in-differences（PSM-DID）method"was"further"employed"for"verification.The"study"found"that"the"penetration"of"AI"significantly"and"positively"promoted"the"transformation"and"upgrading"of"the"manufacturing"industry.Further"analysis"revealed"that"AI"mainly"promotes"the"transformation"and"upgrading"of"the"manufacturing"industry"by"improving"labor"productivity，in"which"labor"productivity"plays"an"intermediary"role"between"AI"and"the"transformation"and"upgrading"of"the"manufacturing"industry.The"heterogeneity"analysis"found"that"factors"such"as"different"industries，firm"sizes，and"regional"locations"have"significant"differences"in"the"impact"effects"of"AI.

Key"words：artificial"intelligence;"manufacturing"industry"transformation"and"upgrading;"labor"productivity;"PSM-DID;"industry"heterogeneity

（責(zé)任編輯：周正）