引言

人工智能已经成为目前最有前途的技术之一。据推算，到2030年，人工智能将推动全球GDP年均增长1.2%，超过了蒸汽机、信息和通信技术扩散引致的0.3%、0.6%的年均增长效应。①习近平总书记强调，人工智能是全球新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题，要在经济发展质量变革、效率变革、动力变革中发挥人工智能作用，提高全要素生产率。因此，如何准确把握人工智能的技术特性与优势，实现全要素生产率的提升，成为学界与政策制定部门关注的重大课题。

近年来，随着大数据、云计算、深度学习等技术的突破发展，人工智能开始呈现爆发式发展的态势，关于人工智能对经济社会发展各方面的影响的研究文献大量涌现。不过，正如Solo N所言：“计算机无处不在，唯独在生产率统计数据上难见其踪影。”②近年来，人工智能在感知与认知方面取得了突飞猛进的发展，人工智能图像识别的误差率已经由2010年的30%降低到2016年的5%以下，语音识别的误差率也由2016年的8.5%下降到2017年的5.5%。然而，2000年中期以来，美国的劳动生产率并未出现大幅度的增长，2005~2016年，美国劳动生产率的年均增速仅为1.3%，低于1995~2004年的2.8%。③这种生产率增速显著下降的现象也广泛出现在经济与合作组织（OECD）国家，并且在新兴经济体中也初见端倪。④

可见，人工智能在提升全要素生产率方面的作用依然存在争议。一些文献为人工智能对全要素生产率的影响提供了经验证据，但研究的样本多为发达国家，由于经济结构、发展阶段、技术水平等方面的差异，不同国家的技术溢出条件可能发生变化。⑤人工智能技术的应用是否提高了中国的全要素生产率？现有研究尚未给出确切答案。基于以上考虑，本文试图采用2006-2016年中国制造业二位数行业工业机器人装备量及相关数据，分析人工智能技术在中国的应用是否有效促进了全要素生产率的提升，剖析其影响渠道，检验人工智能的“生产率悖论”。

人工智能对全要素生产率的双向效应：“生产率悖论”的产生机理

人工智能作为新一代信息技术，具备替代性、协同性、创造性与渗透性四项技术特性，其对全要素生产率的影响主要体现在如下几个方面：

一是人工智能通过替代人类劳动，提高生产率。一方面，人工智能作为能够识别和响应环境而智能运行的机器、软件或算法，可以创造新的虚拟劳动力替代人类劳动执行程序化任务，实现复杂任务的“智能自动化”，直接提高生产效率。⑥另一方面，随着人工智能资本的扩张，知识与智力密集度不断积累的同时也产生了新任务，在这些新任务中高技能劳动力更具比较优势，进而导致对高技能劳动力的需求相对增加，最终变现为更高的生产率。二是人工智能可以与传统生产要素融合，改善要素质量与配置效率。人工智能的应用能够补充或增强其他要素的生产力，带来企业组织、管理、生产流程的改变，提升要素流动性与利用率。由于人工智能比一般技术改进得更快，在其他要素可以根据需要快速增长的情况下，人工智能的应用可将生产率提高一个或更多个数量级。⑦三是与以往的自动化技术存在差异，人工智能不仅是对体力劳动生理器官及其动力的替代，而且是对脑力劳动生理器官及其智能的替代。⑧“创新方法的创新”往往比任何单一创新更有潜在价值，深度学习等技术的快速发展使得人工智能具备了自我提升的能力，随着人工智能资本的不断积累，可能引致奇点的到来，在有限的时间带来无限的经济增长。⑨四是人工智能作为通用目的技术，具有渗透性。与蒸汽机、电力、内燃机和计算机等技术相似，人工智能能够应用于经济社会各个行业、各个环节，彻底改变经济的运行方式。这就意味着，人工智能不仅可以直接提升生产率，还能促进互补式创新的发展。现阶段，机器学习技术已广泛运用于自动驾驶、疾病诊疗、人脸识别、产品推荐等领域，推动了不同产业领域的创新发展。

然而，尽管理论上人工智能对促进经济增长有重要的支撑作用，但经济运行的实践与理论预期往往存在较大偏差。⑩一是目前人工智能的应用更偏向“智能自动化”的替代效应，没有足够的精力创造新任务。这种选择可能导致劳动需求停滞不前甚至下降，进而在造成劳动力收入份额下降的同时，降低劳动生产率。⑪二是通用目的技术对全要素生产率的促进效应并不是自动实现的，需要互补性技术、基础设施、人员素质等与之匹配。现阶段，人工智能技术尚未成熟，人工智能对全要素生产率的促进作用需要存量积累达到具有全局影响的规模。⑫三是人工智能对全要素生产率的促进作用需要大量的投资以及个人、企业乃至国家适应能力的提升。⑬过度的“智能自动化”可能会导致劳动力无法匹配人工智能所需的新技能，人工智能的生产率促进效应将被抑制。而人工智能的过快引入，也可能以牺牲其他提高生产率的技术为代价，不仅直接导致效率低下，也可能造成资源浪费，导致整体生产率的下降。⑭

综上，人工智能对全要素生产率存在促进与抑制的双向影响，验证中国是否存在“生产率悖论”，需要进行进一步严格的计量检验。

人工智能对中国全要素生产率的影响:基于制造业的实证检验

（一）模型设定

本文设定如下模型估计人工智能对全要素生产率的影响:

其中，TFP<t表示i行业t时期的全要素生产率;Alit表示i行业t时期人工智能应用程度;X表示控制变量，包括研发投入（R&D）、政府干预（Gov）、外商直接投资（FDI）、要素禀赋（Factor）、行业规模（Scale）; ε表示随机扰动项；α、β、γ表示待估计系数。

（二）变量说明

1.人工智能（AI）

人工智能可以被定义为能够识别和响应环境而智能运行的机器、软件或算法，也可以简单理解为“机器模仿人类智能行为的能力”。⑮工业机器人作为人工智能在制造业领域应用最广泛的技术之一，是一种自动控制的多用途的机器，可以通过编程完全自主地执行焊接、喷漆、组装、搬运、包装等任务。本文借鉴Acemoglu和Restrepo等的研究，选用中国制造业二位数行业工业机器人装备增长量表示人工智能的应用程度。⑮

2.全要素生产率（TFP）

本文采用基于DEA模型的Malmquist生产率指数法，估算中国制造业全要素生产率的变化趋势。用行业固定资产合计、年末从业人数作为投入变量，用主营业务收入作为产出变量。由于国际机器人联盟（IFR）提供的工业机器人数据按《国际标准行业分类（ISICRev4.0）》标准分类，本文将中国制造业二位数行业按照《国民经济行业分类（GB/T4754-2017）》与《国际标准行业分类（ISICRev4.0）》匹配，具体匹配方式与部分年份计算结果见表1。

表1中国制造业二级行业全要素生产率计算结果

3.控制变量及数据说明

参考已有研究，控制变量研发投入（R&D）采用各行业R&D经费内部支出进行度量;政府干预（Gov）采用各行业国有资本进行度量；外商直接投资（FDI）采用各行业外商资本进行度量；要素禀赋（Factor）采用劳均固定资本净值表示；产业规模（Scale）采用劳均主营业务收入表示。相关数据主要来源于2007~2017年《中国统计年鉴》《中国工业统计年鉴》和国际机器人联盟网站等。为避免异方差，本文对AI、R&D、Gov、FDI进行对数化处理，并对所有变量进行了1%以下和99%以上分位数缩尾（Winsorize）处理。

（三）结果分析

1.基准结果分析

本文采用最小二乘法（OLS）对基准模型进行估计，结果见表2。表2中，列（1）和列（2）分别为只包含人工智能核心解释变量与加入控制变量的回归结果，系数分别为0.0121和0.0059，且均通过显著性检验，这说明人工智能的应用对中国制造业全要素生产率变化有显著的正向影响。列（3）和列（4）分别为控制行业因素和时间因素的回归结果，人工智能变量的系数均显著为正。上述结果初步表明，考察期内人工智能的应用促进了中国制造业全要素生产率的提升。人工智能资本积累与深化，对全要素生产率形成有益补充。尽管存在潜在的“机器对人的替代”，但具备工程和编程功能的数据管理师、数据分析师等高技能任务开始出现，有利于行业劳动生产率的提升。

表2基准回归结果

注：***、**、*分别表示1%、5%、10%的显著性水平，括号中为标准误，下同。

2.人工智能对全要素生产率影响的行业异质性

由于制造业不同行业应用的工业机器人的种类、技术含量等存在明显差异，因而，人工智能应用对全要素生产率的提升作用可能会存在行业异质性。借鉴《国际标准行业分类（ISICRev4.0）》将11个行业划分为低技术行业、中技术行业、高技术行业，在基准模型的基础上引入低技术行业（Low）、高技术行业（High）虚拟变量与人工智能的交互项，考察人工智能对全要素生产率影响的行业异质性。以中技术行业为参照组的回归结果见表3。表3中，列（1）和列（2）分别为加入控制变量、同时控制行业因素与时间因素的回归结果。从结果来看，人工智能应用对全要素生产率的影响系数显著为正，表明基准回归结果较为稳健。从交互项系数来看，人工智能的应用对全要素生产率的影响存在行业异质性。以列（2）为例，人工智能与低技术行业的交互项（AI*Low）系数为-0.0112，通过10%的显著性检验，人工智能与高技术行业的交互项（AI*High）系数为-0.0099，但并不显著。这说明，人工智能的生产率效应主要体现在中技术行业与高技术行业上，而人工智能对低技术行业生产率的促进作用相对较小。原因可能是目前中高技术行业的人工智能设备、软件、算法等技术水平更高，人工智能对流程化任务的替代得以让中高技能劳动力释放更多的精力，进一步强化了非流程化任务的比较优势。此外，中高技术行业的人工智能相关投入更多，也具有更为良好的技术基础与吸收能力，可以与工业机器人等人工智能技术形成互补、促进技术外溢，从而更好发挥其生产率效应。

3.人工智能对全要素生产率影响的阶段性特征本文以2014年为界，将全样本分为2006~2013年和2014~2016年两个时间段分别进行回归，以分析人工智能对全要素生产率影响的阶段性特征。表3的分时段回归结果揭示了人工智能对中国制造业全要素生产率的影响强度在不同阶段的差异。其中，列（3）为2006~2013年样本的回归结果，人工智能对全要素生产率的影响系数显著为正，列（4）为2014~2016年样本的回归结果，正向影响依然显著。这表明，在考虑人工智能对全要素生产率影响的阶段性特征后，基准回归结果依然稳健。从影响的阶段性特征来看，在经济进入“新常态”后，人工智能对全要素生产率提升的边际影响似乎在下降。这一结果与Graetz和Michaels的结论相似，他们认为随着工业机器人在制造业的广泛运用，人工智能的边际收益似乎在减少，会产生“拥挤效应”。⑰这种“拥挤效应”。的确需要引起重视，不过本文认为造成这种结果的更重要的原因是人工智能在制造业领域的应用潜力被低估。尽管近年来中国人工智能相关投资屡创新高，但2015~2018年人工智能相关项目投资最大的300项中，制造业领域仅占1%，远低于商业及零售领域（23.4%）与自动驾驶领域（18.3%）。因此，不应对人工智能的生产率效应过于悲观，相反，随着人工智能技术在制造业领域的逐渐推广与不断发展，人工智能对未来制造业发展的贡献是巨大的。

（四）稳健性检验

以上结果均支持人工智能对全要素生产率提升的积极作用。然而，模型的内生性问题不可忽视。对于遗漏变量造成的内生性问题，本文尝试通过基于面板数据的固定效应（FE）模型予以缓解，回归结果见表3列（5）。列（5）结果表明，在缓解了遗漏变量引起的内生性问题后，人工智能的应用程度越高，全要素生产率增速越高。对于人工智能与全要素生产率潜在的双向因果关系引起的内生性问题，本文尝试采用系统广义矩估计（SYS-GMM）模型予以缓解，回归结果见表4列（6）。从结果来看，在缓解双向因果关系引起的内生性问题后，人工智能与全要素生产率显著正相关。

表3行业异质性、阶段异质性与稳健性检验结果

（五）机制检验

为验证人工智能影响中国制造业全要素生产率的渠道，本文进一步将Malmquist生产率指数分解为技术效率（Technical Efficiency Change，EF）和技术进步（Technical Change，TC）两部分。分别以技术效率和技术进步两个指数增长率为被解释变量，对人工智能影响全要素生产率的传导路径进行检验和识别。考虑结果的稳健性以及行业异质性，本文分别用FE、系统GMM模型进行回归分析，并加入低技术行业、高技术行业虚拟变量与人工智能的交互项，回归结果见表4。表4中，列（1）和列（2）是以技术效率为被解释变量的回归结果，列（3）和列（4）是以技术进步为被解释变量的回归结果。由结果可知，人工智能对技术效率的影响显著为正，系数在0.0119~0.0175之间。人工智能对于技术效率的影响依然存在行业异质性，只是这种异质性可能并不明显，系统GMM模型的回归结果通过了5%的显著性检验。人工智能的应用对技术进步有正向影响，但这种影响并不显著。这说明，人工智能主要通过补充与替代劳动力的方式提高技术效率，进而提高中国制造业的全要素生产率，而作为通用目的技术的技术进步效应并不显著。

表4机制检验结果

结论与政策建议

本文基于国际机器人联盟提供的2006~2016年中国制造业二位数行业工业机器人数据，实证检验了在生产中应用工业机器人的程度对中国制造业全要素生产率的影响及其机制。研究发现：（1）整体而言，提高生产过程中人工智能的应用程度显著提高了全要素生产率，而提高技术效率是人工智能影响全要素生产率的主要路径。（2）人工智能对全要素生产率的影响存在行业异质性，在中高技术行业更为明显，在低技术行业相对较低。（3）人工智能对中国制造业全要素生产率的影响存在阶段性差异，由于可能的“拥挤效应”与相对重视程度不足，人工智能对制造业全要素生产率的边际贡献在降低。

基于上述研究结论，本文得到以下政策启示：（1）人工智能技术的应用可以有效提升制造业全要素生产率，因此，应积极推广人工智能技术在制造业产品设计、生产制造、智能供应链等环节的运用。（2）由于不同行业技术水平存在较大差异，因此，应针对不同行业的优势与特点，制定差异化的具体政策，提升政策工具的实用性。（3）人工智能技术尚处在早期阶段，相关规范、标准、制度尚未统一，因此，应完善人工智能相关法律法规，加强人工智能基础理论和关键核心技术的研究，规避潜在的“拥挤效应”。（4）人工智能技术进步效应的有效发挥依赖于技术基础与吸收能力，因此，应加大人工智能互补性技术的投入，推动智能化信息基础设施建设，培养人工智能技术人才，保障人工智能生产率效应的有效发挥。

①Bughin J.，J.Seeing，J.Manyika，etal.，"Notes from the Alfrontier:Modeling the impact of Al on the world economy",McKinseyGlobalInstitute，2018.

②Solow R.，"We'd better watch out，review of SS Cohen andJ.Zysman，Manufacturing matters:The myth of the post-industri­al economy"，New York Times Book Review，1987，36.

③⑬Brynjolfsson E.，D.Rock，C.Syverson"Artificial intelli­gence and the modern productivity paradox:A clash of expecta­tions and statistics"，NBER working Paper，2017,No.w24001.

④Syverson C.，"Challenges to mismeasurement explanations for the US productivity slow down"，Journal of Economic Perspec­tives，2017,31(2)，pp.165〜86.

⑤  何小钢、梁权熙、王善骝：《信息技术、劳动力结构与企业生产率——破解“信息技术生产率悖论”之谜》，《管理世界》2019年第9期。

⑥⑪⑮Acemoglu D.，P.Restrepo"The Race between Man and Machine:Implications of Technology for Growth，Factor Shares，and Employment"，American Economic Review，2018，108(6)，pp.1488~1542.

⑦Purdy M.，S.Qiu，F.Chen"How Artificial Intelligence Can Drive China's Growth"，Accunture Research Paper，2017.

⑧韩江波：《智能工业化：工业化发展范式研究的新视角》，《经济学家》2017年第10期.

⑨Nordhaus W.D.，"Are We Approaching an Economic Singularity? Information Technology and the Future of Economic Growth"，NBER working Paper，2015，No.w21547.

⑩⑫蔡跃洲、陈浦《新技术革命下人工智能与高质量增长、高质量就业》，《数量经济技术经济研究》2019年第5期.

⑭Acemoglu D.，P.Restrepo, "Artificial intelligence，automation and work"，NBER working paper，2018，No.w24196.

⑫Acemoglu D.，P.Restrepo"Robots and Jobs:Evidence from US Labor Markets"，NBER working paper，2017，No.w23285.

⑰Graetz G.，G.Michaels"Robots at work:The impact on pro­ductivity and jobs"，The Magazine for Economic Performance，LSE，2015,447.