人工智能对全要素生产率的影响研究

李静雯

（辽宁大学经济学院，沈阳 110036）

在资源与环境双重约束下，推动我国经济发展方式由外延式向内涵式转变，促进全要素生产率的提升已成为经济转型和实现中国经济高质量发展的关键所在［1］，也成为新常态下中国经济增长的重要着力点。党的十九大报告明确提出“推动互联网、大数据、人工智能和实体经济深度融合” 的重要论断，为提升全要素生产率提供重要的突破方向，以加速实现经济增长方式由投资驱动向创新驱动的转变。2021 年《政府工作报告》 明确提出“人工智能发展是新一轮产业变革的核心驱动力”，说明智能化信息技术将成为重塑产业发展的新优势，提升国家竞争力的强战略。根据《2020～2026 年中国工业机器人行业发展态势与投资分析报告》 显示，中国工业机器人产量在2019 年前两个季度达到了13777 套，同比增长7.2%，全国工业机器人累计产量73849.1 套，同比增长23.9%。据推算，到2030 年，人工智能将超过信息和通信技术引致的0.6%的年均增长率，将推动GDP 年均增长1.2%［2］。为此，人工智能将成为新一轮支撑我国经济高质量发展的关键抓手。在转变经济增长方式和人工智能重要作用凸显的背景下，基于人工智能的视角来研究中国全要素生产率增长问题具有重要的理论及现实意义。

目前，关于人工智能与全要素生产率之间的关系研究存在两种观点：（1） 人工智能正向激励全要素生产率提升。其原因主要在于：①机器人或人工智能技术的应用实现了“机器换人”，与传统技术变革相比，人工智能技术实现了体力或脑力劳动者“双重” 替代效应，在一定程度上降低了对中低技能劳动者的需求，扩充了高技能劳动力市场，有助于提升劳动生产效率和经济整体增长率［3，4］；②人工智能技术的应用能够精密控制生产流程，提高最终产品的附加值，从而促进全要素生产率提升。其促进效果主要源于技术溢出效应，会因制造业细分行业差异而产生异质效应［5］；③人工智能技术与传统要素深度融合，增强传统要素生产力，提升要素流动性，改善要素质量与配置效率［6］；④人工智能技术具有较高的渗透性，能够彻底改变经济运行方式，应用于经济社会的各个环节，意味着人工智能技术在提高生产率的同时，还能促进互补式创新发展［7］；（2）人工智能发展一定程度上不利于全要素生产率的提升，形成生产率悖论。其原因主要在于：①在市场驱动下，人工智能技术偏向于走劳动节约型的发展路径，可能会造成失业恐慌，不利于就业的增加和生产率的提高［8］；②人工智能技术可能导致过度的“智能自动化”，进而导致生产要素的错配，造成全要素生产率的降低［9］；③人工智能技术仍有改进空间，需要相应的人员、基础设施以及互补性技术与之相匹配，才能有效提升全要素生产率［10］。

综上所述，关于人工智能与全要素生产率相关研究成果较为丰富。从经验层面考虑，人工智能技术是否正向作用于全要素生产率，学术界依然存在一定争议。现有文献尚未深层次揭示人工智能影响全要素生产率提升的机制，且大量经验研究集中于运用面板或截面数据，缺乏相对合理的理论阐释和实证检验。鉴于此，本文从空间计量出发考察全要素生产率，探讨人工智能对全要素生产率的空间效应。本文构建人工智能影响全要素生产率的理论模型，揭示二者之间的内在因果关系；将样本分为全国和东、中、西部地区，回归分析人工智能对全要素生产率的作用；基于人力资本投资和产业结构升级的视角，阐释人工智能影响全要素生产率的传导机制，为全要素生产率的提升提供新路径。

本文借鉴Aghion 等［11］、Acemoglu 和Restrepo［12］的做法，假定最终品市场完全竞争，最终品由一般劳动力（无弹性供给）和处于（0，1）区间不同技术的连续中间品进行生产。假定经济中最终品的生产函数为：

其中，Ait为t期使用中间品i时的技术水平，Lit为劳动力数量，xit为生产中使用的中间品i的数量。

假定新产品技术研发存在两种倾向：（1） 常规型技术，主要通过机械化的生产扩大中间品的种类范围；（2） 人工智能技术，主要能够提高中间品在生产最终品时的生产效率，即＝γAit－1，γ＞1。因此，两种技术研发成功并投入使用的概率为：

其中，和分别为常规型技术和人工智能技术研发成功的概率，Rit和Rjt为两种技术的研发投入，δ∈（0，1）为弹性，λ0和λAI为两种技术的效率参数，且λAI＞λ0。

中间品垄断厂商通常需要从企业家手中购买技术进行中间品的生产，假定在区间［0，αt］内中间品垄断厂商购买常规型技术，并与简单劳动力lit一并投入到最终品的生产中；在区间［αt，1］内中间品垄断厂商购买人工智能技术，并与高技能劳动力sjt一并投入到最终品的生产中。因此，经济整体的最终品产出可表示为：

假设经济中选择常规型技术的中间品垄断厂商比例为αt，选择人工智能技术的厂商比例为1－αt，经济整体最终品产出为：yt＝αtyit＋（1－αt）yjt，因此，经济整体的增长率为：

式（4） 中，Δα＝αt－αt－1为常规型技术生产导致中间品种类的扩大，为人工智能技术所带来的生产率的增长。通过式（4） 可进一步得到经济增长率与两类技术发展的关系为：

通过式（5） 可以看出，人工智能技术对经济增长的影响表现为正向促进作用，并且随着常规型技术不断发展而有所减弱。据此，本文提出相应的研究假说1：人工智能技术能够有效促进行业生产率的提升。

则人工智能所带来的技术进步率为：

其中，ρ＝δη2η＋1（1－η）1－η，通过式 （6） 可以进一步得到经济技术进步率和高技能劳动力投入的关系为：

即高技能人力资本的投入能够有效提高技术进步率，实现经济增长和技术进步，提高整个社会的生产率。据此，本文提出研究假说2：人工智能发展带来的高技能人力资本投入的增加，有助于行业生产率的提升。

产业结构升级有助于引导创新型生产要素的流动，人工智能作为新一代信息技术，通过赋能实体经济，不断推动产业结构升级。智能化信息技术在产业间的渗透，一定程度上降低了不同主体之间的交易成本［13］，提高了产业内的生产效率，假设节约的交易成本为c，且0＜c＜1。此时厂商预期净利润为：

通过利润最大化决策得到人工智能技术研发成功并投入使用的概率为：

即智能化信息技术不仅降低了产业结构优化升级过程中的交易成本，还提高了人工智能技术研发成功概率。因此，进一步得到人工智能技术带来的技术进步率为：

根据式（10），进一步得出经济技术进步率和交易成本c之间的关系为：

式（11） 表明，人工智能在推动产业结构升级中降低的交易成本，能够有效推动人工智能技术研发成功概率，提高经济技术进步率，带动经济增长。据此，本文提出研究假说3：人工智能在推进产业结构升级过程中能够有效促进行业生产率的提升。

综上所述，人工智能对生产效率的提升具有显着的积极影响。人工智能作为新一代信息技术，所具有的高技术性、高平台性特征，突破了以往创新模式中买卖双方信息不对称问题，实现创新资源在产业链间的共享与整合，促进科技成果有效转化，以提高研发成功率，实现全要素生产率的提升。此外，人工智能具备的渗透性、协同性，促使企业经营模式、参与主体、业务流程等偏向于网络化、柔性化和个性化方向转变，实现了关联企业间的互惠互通，提升了经济整体的要素配置效率和生产率［14］。值得注意的是，人工智能也具有一定外部性。在直接影响本地区全要素生产率的同时，还对邻近地区生产率的提升具有溢出效应。人工智能不同于传统劳动和资本，其凭借高流动性的信息技术，实现了多元主体的信息共享，打破了区域和空间障碍，其规模效应和正外部性使得不同行业、不同领域的交互相融式创新成为可能［15］。鉴于此，有必要从空间视角探讨人工智能对全要素生产率的作用。

另外，人工智能通过人力资本投资和产业结构升级实现要素生产率的提升。（1） 人力资本作为产业间公共物品，通过对技术的扩散共享，提高生产效率以带动经济增长。现阶段，伴随着人工智能的不断发展，社会对高技能劳动力等复合型人才的需求日益旺盛，在此背景下，对人力资本投资的持续性也逐渐增强。因此，人工智能技术通过与高技能劳动力、企业家才能等要素融合，实现各种要素的互融互通，实现对传统生产要素的重构，以新技术、新产品的研发推动技术进步，提高生产效率；（2） 产业结构升级有助于引导创新型生产要素流动，实现技术变革，提高全要素生产率。当前，人工智能作为新一代信息技术赋能实体经济，实现对传统产业技术的研发与创新，通过提升各产业间数字化、智能化水平，实现要素间高效协同配置，降低各主体之间的交易成本，提高行业内劳动生产率和管理效率，提升全要素生产率。

2.1.1 基本模型构建

已有研究表明，全要素生产率具有显着的空间自相关性，忽视空间效应的估计结果会存在一定偏误［16，17］。同时，人工智能的渗透性、融合性等特征，使其凭借较高的信息网络技术打破地理距离限制，产生空间溢出效应，出现本地区人工智能的发展对其他地区全要素生产率产生影响现象。因此，本文将采用空间计量研究分析人工智能与全要素生产率之间的作用效果及其影响机制问题。通过空间极大似然估计法对本文空间计量模型进行选取，结果显示LM（Lag）比LM（Error）更加显着，并根据Wald 检验结果，最终选用空间滞后模型（SAR）①。模型的具体设定形式如下：

进一步分析人工智能对全要素生产率的传导机制，构建如下中介效应模型为：

式（12）～（15） 中，i和t分别表示地区和年份，TFPit为全要素生产率，humit为人力资本投资，insit为产业结构升级，AIit为人工智能，W为空间权重矩阵，ρ为空间自相关系数，Xit为控制变量，εit为随机误差项。

2.1.2 空间权重矩阵构建

依据新经济地理学“中心－外围” 理论，本文主要从地理邻接和地理距离两方面构建空间权重矩阵，说明两个空间单元i和j之间的影响程度，更加全面的反应人工智能与全要素生产率之间空间效应。

邻接权重矩阵（W0－1）。当空间单元i和j邻接时，将邻接权重矩阵赋值为1；当空间单元i和j不邻接时，则将其赋值为0。具体表示为：

距离权重矩阵（Wgeo）。以两单元之间地理距离为参考，认为随着地理距离的增加空间溢出效应可能会逐渐衰减，具体表示为：

其中，di，j表示两地区质心之间的距离。

被解释变量：全要素生产率（TFP）。目前，测算省级全要素生产率主要有基于增长核算的数据包络分析法（DEA）和基于生产函数估算的随机前沿分析法（SFA）两种。相较于DEA 方法，基于生产函数核算的SFA 方法得到的TFP更能反映其真实性。SFA 通常将生产函数通常设定为Cobb－Douglas 和超越对数两种形式，本文将设定为超越对数形式，以放松常规替代弹性的假设，来检验函数形式的有效性，能够保证较好的拟合效果［18］。并根据Battese 和Coelli［19］的研究采用广义似然率进行检验，具体生产函数形式为：

uit＝｛uitexp［η（t－T）］｝～iidN＋（μ，σ2u）

式（18） 中，Y、K和L分别代表产出、物质资本和劳动力数量；υit和uit分别为随机干扰项和技术无效率项；η为技术水平的时变参数。产出Yit采用经2000 年不变价格平减处理后的GDP 衡量；对于投入指标Kit，采用永续盘存法，以2007 年为基期，采用固定资产投资总额表示，为了考察估算区间内每年实际投资额，运用固定资产投资价格指数估算投资品价格指数，同时将折旧率取值为5%［20］。将劳动力Lit数量作为另一投入指标，用全社会从业人员数衡量。

核心变量：人工智能（AI）。本文参照Acemoglu 和Restrepo （2017）［21］的测度方法，采用各省（区、市）工业机器人的安装密度衡量，具体数据源自IFR 数据库。其中，IFR 数据库是由机器人制造商统计的世界机器人的安装和库存总量。具体计算公式为：

其中，Robotsit代表i省（区、市）t年的工业机器人安装量，Eijt代表i省（区、市）t年j行业的从业人数占全国j行业从业人数比重，Robotsjt代表IFR 数据库中j行业t年的工业机器人安装量，empit代表i省（区、市）t年的制造业从业人数，J表示制造业行业数量。

其他核心变量：人力资本投资（hun）。随着人工智能技术的发展，社会对高技能劳动力和复合型人才的需求逐渐增加，因此，本文采用各地区教育经费占地区生产总值的比重衡量人力资本投资情况。

产业结构升级（ins）。借鉴唐晓华和李静雯（2022）［22］研究方法，用三大产业的产出和要素投入的耦合度衡量。认为产业结构升级本质上强调中观层面的升级，以优化产业结构和提升产业效率为目的，来最终实现资源要素在产业间的高效合理配置。其具体计算公式为：这里，i代表三次产业，Y和E分别代表各产业产值和就业人数。

另外，为缓解遗漏变量可能造成的估计偏误，本文进一步控制对外开放水平（open）、对外贸易依存度（fdi）、财政支出水平（fiscal）以及金融发展水平（fin）变量，具体指标说明和统计结果见表1。

表1 变量定义与描述性统计

（1） 数据说明

为了提高样本数据的连续性和完备性，避免数据缺失严重的年份或者数据波动性大的地区对本文的实证结果造成一定影响。本文最终选取2007～2021 年我国30 个省（区、市）的面板数据，基于数据的可获得性，西藏自治区、香港澳门特别行政区以及台湾地区暂未涵盖。衡量人工智能的原始数据来源于IFR 数据库；衡量全要素生产率、人力资本投资、产业结构升级、对外开放水平、对外贸易依存度、财政支出水平的原始数据主要来源于《中国统计年鉴》 及其计算。

（2） 人工智能与全要素生产率的相关性分析

为了初步揭示人工智能与全要素生产率是否有相关性，本文在测算两组数据基础上，运用Stata 软件绘制出人工智能发展水平和全要素生产率之间的散点图和拟合直线（如图1）。可以看出，人工智能发展水平和全要素生产率之间呈现明显的正相关关系，表明人工智能发展促进了区域全要素生产率水平的提升。鉴于此，为检验二者之间的关系是否可靠，本文将在回归模型的基础上进行实证检验与分析。

图1 人工智能与全要素生产率的相关关系

在邻接和距离权重矩阵下，全国和东、中、西部人工智能与全要素生产率的回归估计结果如表2 所示。结果表明，从全国和分地区上看，人工智能能够显着促进全要素生产率的提升，二者之间存在明显的正相关关系，验证了前文研究假说1。具体而言，在邻接和距离权重矩阵下，东部地区人工智能对全要素生产率的影响系数分别为0.127 和0.117，且在1%和5%的水平下显着大于中、西部地区，即人工智能对全要素生产率的激励效果在东部明显高于中、西部地区。其原因主要在于：东部地区信息化水平发展较高，人工智能技术应用范围相对较广，技术的外溢带动形成规模效应，全面提升本地区全要素生产率水平。相比之下，中、西部地区信息技术水平相对较低，人工智能的发展还有待提升，同时受制于地方政府的干预，知识产权保护意识淡薄，科技成果转化能力不足，使得创新能力更依赖于自身要素的调节，全要素生产率不高。

表2 人工智能与全要素生产率的SAR 模型估计结果

此外，表2 模型（1）～（8） 显示在邻接权重矩阵和距离权重矩阵下，全国和分地区全要素生产率的空间自相关系数ρ都通过了显着性水平检验，并且均为正，说明全要素生产率具有显着的空间依赖性。因此，本文根据SAR 模型的估计结果，进一步测算了人工智能对全要素生产率的空间效应，结果如表3 所示。就全国而言，在两种权重矩阵下，人工智能对全要素生产率的空间效应显着为正，其间接效应的影响系数0.071 和0.052大于直接效应的影响系数0.039 和0.033，这表明人工智能与全要素生产率之间存在明显的空间溢出效应，说明人工智能在促进本地区全要素生产率提升的同时，对临近地区的发展也起到良好的空间协同效应。这说明人工智能除提升本地区全要素生产率外，还使得区域间信息技术、人力资本等交流的成本逐渐降低，先进的技术能够渗透到各个行业，加大了周边地区相关行业提质增效的激励作用，辐射带动了周边地区全要素生产率的提升。

表3 人工智能对全要素生产率的空间效应

就地区而言，在邻接和距离空间权重矩阵下，东、中、西部地区的间接效应同样显着大于直接效应且为正，意味着地区差异性不影响人工智能对全要素生产率的空间溢出效应。同时，在两种权重矩阵下，东部地区溢出效应的影响系数分别为0.215 和0.292，且在1%和5%的水平下显着大于中、西部地区，相比于中、西部地区，东部地区的促进效果更明显。这可能是因为：东部地区高端装备制造业、电子信息技术制造业等技术密集型产业较多，人工智能技术普及率高、适用范围广，所形成的规模效应较大；另外，东部地区区域间经济联动性强，具有较高的经济发展实力，产业分工更加合理，相对合理的产业结构体系使得人工智能通过标准化的作业流程提高本地区劳动生产率之外，还通过信息技术、人力资本等要素溢出满足了邻近地区的发展，带动周边地区全要素生产率的提升。相比之下，东部地区直接效应的影响系数，即促进效果相对大于中、西部地区。主要原因在于中、西部地区劳动密集型产业偏多，人工智能应用范围狭小，工业智能化水平整体偏低，同时受限于自身智能化信息技术水平，导致人工智能的发展在对本地区全要素生产率提升效果不明显的前提下，更无法对周边地区全要素生产率产生明显的正向溢出效应，反而会出现落后地区生产要素被发达地区所吸纳的“虹吸现象”，降低了人工智能对全要素生产率的促进效果。

本文进一步检验人力资本投资和产业结构升级的中介作用，具体回归结果如表4 所示。其中模型（1） 和（2） 分别通过系统GMM 的方法检验人工智能对人力资本投资和产业结构升级的影响，发现人工智能对二者的影响均在1%的水平下显着，且系数分别为0.003 和0.022，说明人工智能的发展增加了人力资本的投资，促进了产业结构的升级。且AR（1）、AR（2）以及Sargan 的检验结果均表明该模型选取以及估计结果的合理性。进一步来看，表4 中模型（3） 和（4） 是分别引入邻接权重矩阵和距离权重矩阵下人工智能发展与人力资本投资和产业结构升级对全要素生产率的影响。从结果来看，在邻接和距离权重矩阵下，人力资本投资和产业结构升级对全要素生产率的回归系数显着为正，即人力资本投资和产业结构升级对全要素生产率的提升存在积极影响。综合模型（1） 和（2） 的结论进一步表明人工智能发展通过人力资本投资和产业结构升级实现全要素生产率的提升。验证了前文研究假说2 和3。

表4 人工智能对全要素生产率影响机制检验

3.3.1 内生性检验

为了进一步证明实证结果的稳健性，借鉴陶长琪和彭永樟（2017）［23］的做法，运用系统GMM替换基准回归模型，其回归结果如表5 模型（1）和（2） 所示，Sargan 值通过了检验，说明滞后1期人工智能作为工具变量的合理性。同时，人工智能对全要素生产率的影响系数显着为正，进一步表明，人工智能对全要素生产率的积极作用再次得到证实，同时，人工智能发展也会通过人力资本投资和产业结构升级间接影响全要素生产率的提升。

表5 内生性和稳健性检验

3.3.2 稳健性检验

（1） 替换空间权重矩阵。空间权重矩阵的差异容易造成变量之间空间关联度的偏差［24］。为了降低人工智能与全要素生产率的空间关联度偏差，本文进一步构建经济空间权重矩阵（Weco），用两个空间单元（i，j）之间人均GDP 差额的倒数表示，具体度量规则如下：

其中，GDPi、GDPj分别表示地区i和地区j的人均GDP 水平。表5 中模型（3） 和（4） 为替换空间权重矩阵的估计结果。可以看出，在经济权重矩阵下，人工智能对全要素生产率的影响系数依然显着为正，这与基准回归结果相符。

（2） 替换核心解释变量衡量方式。借鉴已有文献的做法，本文采取信息传输、软件和信息技术服务业固定资产投资额作为人工智能的指标参数［25］。表5 中模型（5）～（8） 给出了邻接权重矩阵和距离权重矩阵下更换人工智能核心解释变量的估计结果，发现人工智能依然能够显着促进全要素生产率提升，这与基准回归结果相符。同时，也能够验证产业结构升级和人力资本投资成为人工智能促进全要素生产率提升的重要路径。综上所述，考虑替换空间权重矩阵、更换核心变量的衡量方式，使用滞后1 期解释变量等因素后，本文的实证结果保持稳健。

本文运用空间自相关回归模型（SAR），分析空间视角下人工智能对全要素生产率的影响及其作用机制，得出以下结论：（1） 人工智能对全要素生产率的提升具有显着的促进作用。同时，该促进效果存在显着的空间溢出效应，即人工智能发展在提升本地区全要素生产率的同时，也能促进邻近地区全要素生产率的提升；（2） 人工智能影响全要素生产率会因地区差异而表现出不同效应，东部地区的促进效果优于中部和西部地区；（3） 进一步研究发现，人工智能主要通过人力资本投资和产业结构升级而实现全要素生产率的提升。

基于上述研究结论，得到如下政策启示：

（1） 充分利用互联网和大数据新生服务业态，推进人工智能产业发展。要转变传统发展模式，充分借助互联网和大数据的发展平台，有效对接科研院所和高校等供给方与智能化生产要素等需求方，实现在发展本地区人工智能产业的同时，带动其他地区智能化及相关产业的发展，推动经济整体全要素生产率的提升；另外，地方政府应建立完善的系统性支撑体系和财政补贴政策，为企业研发投入提供重要保障。同时，要打造兼顾技能型和智能化的产业创新体系，为继续开拓人工智能相关产业发展奠定基础，为提升全要素生产率提供有力的保障。

（2） 完善政策环境，因地制宜推动人工智能发展。一方面，要探索人工智能与本地区产业融合的平衡点，形成适合本地区的发展体系。中、西部地区应该进一步加强智能化信息技术的开发和应用，布局与地区产业相适应的人工智能技术开发试点，在培育区域发展新业态的同时，充分释放人工智能对地区产业发展的带动作用；另外，中、西部地区要建立完善的人才支持政策，吸引东部地区智能型技术人才积极流入中、西部地区，破除阻碍中、西部地区人工智能产业发展门槛，突破原有发展界限，积极开放市场，引导人才跨区域的交流与合作，实现产业链向多维度发展，推动生产效率的提升。

（3） 适应人工智能发展新需求，助力全要素生产率提升。伴随着人工智能的不断发展，高技能劳动力等复合型人才需求不断增加，在此形式下，必然增强对人力资本投资的持续性。因此，要把握人力资本投资的合理性，在区域内部要注意避免“买断式” 的人才引进方式，避免出现劳动力就业结构的两极化，合理激发劳动者的创新活力，推动新产品和新技术的开发和使用；另外，人工智能的发展实现了上下游产业之间智能化，降低了各主体之间的交易成本。因此，在推进人工智能技术研发与创新的同时，应注重完善要素的市场化配置，促进要素间高效率的配置与流动，积极引导技能型生产要素向高成长性行业流动，提升全要素生产率。

注释：

①限于篇幅，空间极大似然估计结果此处未提供，备索。