导 读 

近年来，人工智能技术研发不断取得突破，智能化成为技术和产业发展的重要方向。制造业是人工智能创新技术的重要应用领域，人工智能与制造业深度融合发展是中国从制造大国走向制造强国的重要一步。受政策支持、数据环境、算力提升、算法模型优化、商业化应用潜力等有利因素驱动，中国制造业人工智能应用市场前景广阔。而目前，我国多数制造业企业面临着生产线设计灵活性弱、市场需求变化快、整体生产效率低等方面的压力。人工智能技术的应用不断催生新产品、新模式、新业态，为制造业企业生产率提升、传统制造业转型升级、向全球价值链中高端攀升提供了可行路径。

作者：郑琼洁 王高凤

 摘 要 

人工智能已成为中国制造业企业转型的重要方式。本文阐释了人工智能影响制造业企业生产率的内在机理，采用倾向得分匹配倍差法，利用2011-2018年中国制造业上市公司数据，实证检验人工智能技术应用对我国制造业企业生产率的影响，并分析人工智能技术影响的区域差异性，对生产力悖论进行了再检验。结果表明，人工智能技术应用对我国制造业企业全要素生产率提升有着正向促进作用，且结果是稳健的。就人工智能技术对制造业影响的空间差异性而言，人工智能技术对东部制造业企业促进效应最为明显，其次为西部地区，而中部地区人工智能技术应用的效果不显著，东北地区仅表现出并不明显的“生产率悖论”。

 关键词 ：人工智能 制造业 企业生产率 区域差异 生产率悖论

随着我国经济进入高质量发展阶段，人工智能作为引领未来的一项战略性技术，是产业转型发展的新动能，对产业发展带来深刻的变革与影响。党的十九大报告提出“加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合”，明确了促进人工智能与以制造业为主的实体经济部门深度融合的战略决策。人工智能与制造业深度融合带来巨大的效率和效益改进，对促进经济增长和产业发展起到了重要作用。因此，在人工智能加速发展的同时，有必要厘清人工智能与我国制造业生产率之间的关系，深入分析人工智能影响制造业企业生产率的内在机理。

人工智能的本质是一种动态变化的理论、方法和技术，是信息技术、数字技术发展的高级阶段[1]。早期，学者研究的焦点集中于信息技术与生产率的关系，尤其围绕“生产率悖论”进行了讨论。自1980年开始，信息技术作为潜在的变革性新技术，被认为是可以极大地提高生产率和经济福利的技术工具。但是，随着英美等国对信息技术领域的大量投资，人们发现工人的生产率增长不升反降。针对这一特殊现象，索洛于1987年提出“生产率悖论”这一理论，指出信息技术的大规模投入并没有带来生产率的显著提高和经济增长质量的提升。Annaratone等[2]也通过数据分析证明这一观点。

20世纪90年代中后期，由于生产率显著提升，“生产率悖论”开始被一些学者质疑。麻省理工学院经济学家Brynjolfsson等学者在1993年和2017年从生产率时滞性、度量偏差、利润分配不公、管理低效这四个方面对“生产率悖论”进行了解释和补充，改进当前衡量全要素生产率和产出的方式，破解了索洛悖论[3]。此外，不少学者从知识与产品创新、组织变革、人力资本和管理实践、价格指标等多个角度发现人工智能技术对企业生产率提升作出了积极的贡献[4]。由此可见，学者对于信息技术的应用能否直接促进企业生产率的提升仍存在一定的分歧。

随着技术水平的不断演进，信息化逐渐向数字化、智能化发展，智能化是信息化、数字化的最终目标，而人工智能是实现智能化的主要途径。部分学者认为，智能化通过促进技术进步增长、改善劳动力结果、增加物质资本使用率等方式实现对制造业企业全要素生产率的促进作用[5]。而典型的技术进步即为工业机器人的使用，李丫丫和潘安研究发现，工业机器人进口贸易通过技术溢出效应促进了中国制造业生产率提升，且工业机器人进口与制造业吸收能力存在交互作用，不同工业机器人及制造业分类的影响效果具有显著差异性[6]。而部分学者认为人工智能技术对我国制造业企业的作用仍未走出“生产率悖论”的怪圈。申丹虹和崔张鑫基于随机前沿分析（SFA）和Malmquist法的测算发现，智能制造业的全要素生产率年均增长为-5%，其原因主要在于技术水平的落后，说明人工智能与制造业的融合并没有消除“生产率悖论”的存在[7]。

总结现有文献，学者对人工智能技术应用是否能促进制造业企业生产率存在争论，研究存在以下不足：一是受人工智能发展的微观数据可获得性限制，现有研究主要集中在理论层面和数值模拟方面，为数不多的智能化统计指标测度方法有待改进。二是现有研究表明发达国家人工智能发展有助于生产率水平提升，但少有学者关注不同行业的差异性，有关人工智能应用对中国制造业行业影响的研究更是少之又少。基于此，本文拟从人工智能应用的理论出发，基于我国制造业上市公司数据设计并判断人工智能指标，采用倾向得分匹配倍差法（PSM-DID）定量分析人工智能技术对我国制造业企业生产率的影响及其空间差异性，兼对人工智能应用的“生产率悖论”进行再检验。本文试图解决以下两个问题：（1）人工智能技术应用是否有利于我国制造业企业提升生产率水平？（2）若人工智能技术应用能够促进制造业生产率水平提升，是否存在空间差异性？换言之，即使人工智能应用整体上能够促进生产率水平提升，那么人工智能运用是否会在部分区域表现出“生产率悖论”？

余文安排如下：第二部分为人工智能影响制造业企业生产率的机制分析，第三部分介绍了人工智能制造企业的判断方法，第四部分为计量模型的设计、结果分析和生产率悖论的再检验，第五部分是结论及政策建议。

人工智能技术作为经济社会发展的新动能，对我国制造业生产效率产生了深刻影响，具体体现在以下几个方面：

（一）人工智能通过增加技术创新力度和技术外溢促进企业生产率提升

人工智能是数字技术发展的高级阶段，随着数字经济的进一步普及和应用，人工智能的创新投入将带来更多的技术突破，在制造业企业关键核心技术攻关等问题上发挥重要作用。人工智能技术应用直接引发制造业创新变革，促使企业由传统的劳动密集型创新转向数字化的新型创新。此外，人工智能技术应用还通过“干中学”效应增加企业创新量级。人工智能在应用过程中通过“干中学”释放技术创新带动效应和劳动生产率提升效应，进一步促进企业生产效率的提升。同时，人工智能与大数据、云计算等相互结合，借助技术外溢效应为企业生产及管理各阶段提供创新解决方案[8]。随着人工智能与制造业融合程度的加深，以及人工智能技术扩散和外溢效应的扩展，将会给制造业的发展带来更多的源动力。

（二）人工智能通过优化生产要素投入结构促进企业生产率提升

人工智能技术在制造业中的广泛渗透和应用催生了智能制造，减少众多重复性高、规则标准化工作岗位对低层次劳动力的需求，实现机器对劳动力的“替代效应”。人工智能技术的投入也加大了企业对拥有专业技术的高技能劳动力的需求[9]，因基础性技术的设计和研发，以及人工智能设备和操作、维护等增加的高技能劳动力优化了企业劳动力结构，同时影响企业资本流向，增加了人工智能技术资本方面的投入。人力资本的增加加速了企业生产效率的提升，创造更高的附加值。人工智能技术应用对基础设施提出了更高的要求，企业利用数字基础设施，调整固定资产投入规划，提升创新频率、降低创新成本。由此，人工智能技术的应用促使企业不断调整生产要素投入结构，降低资源错配率，提升生产率。

（三）人工智能通过转变生产模式促进企业生产率提升

人工智能结合大数据、图像识别等技术，对市场趋势及生产规模做出准确预测和判断，制定合理生产计划，降低库存积压率，甚至实现“零库存”，提升企业资源利用率[10]。对突发性事件也能迅速有效地给出生产调整方案，降低生产成本。在人工智能技术的应用下，对于客户需求的数据搜集更为全面和系统，通过对数据进行及时的分析整理和储存，并以此作为基础，向客户及时发送关联性信息，对其需求进行引导和关注，从而进一步提升企业产品和市场的匹配率，降低甚至杜绝生产资源错配，彻底解决柔性生产的“最后一公里”难题。

（四）人工智能通过重构管理模式促进企业生产率提升

传统制造业管理方式多数以垂直化的金字塔方式为主，管理理念是以企业为核心进行经营管理，采用规模经济和标准化生产方式降低生产成本。而随着人工智能技术的广泛渗透与融合，制造业的传统管理方式发生重大转变。进入数字经济时代，用户需求成为了组织生产和制定发展战略的核心关注点。制造业中的生产决策者在重新对市场、客户、产品、价值链等整个管理流程进行重新审视的基础上，逐步构建数字经济时代所需要的管理理念。在人工智能技术及相关设备引入后，信息沟通等变得更为便捷，删减了一些不必要的环节，整个办公流程更为灵活。数字经济时代的制造业管理组织构架则不断趋向扁平化，管理层级不断降低，员工和管理层的直接沟通渠道越来越多，从而刺激了员工的创新积极性，提高了决策效率。

从理论上看，人工智能技术对提升制造业企业生产率具有重要的作用，但现实应用中仍存在以下问题：一是人工智能技术的应用需与企业人力资本提升、基础设施改善等共同作用才能真正提升企业全要素生产率[11]。但目前，我国多数制造业企业的劳动力技能、资本投资及基础设施建设等未达到人工智能技术应用的标准，抑制了人工智能技术对企业生产率的正向效应。二是部分制造业企业在高估其本身发展能力的前提下，过快的引入人工智能技术可能导致其他促进企业生产率提升的技术流产，造成资源错配，降低企业全要素生产率[12]。三是人工智能技术的应用对制造业企业生产率的提升具有时滞效应。由于新技术的存量累积到足以产生聚合效应的规模需要较长的时间，而人工智能作为具有广泛潜力的通用技术，实现其充分利用需要各项辅助及补充性技术发展完善，所需时间较为漫长，从而对制造业企业全要素生产率真正发挥正向效用的时间也较长[13]。总体而言，人工智能技术的应用对制造业企业全要素生产率可能存在抑制作用，即存在“生产率悖论”，具体需要数据进一步进行验证。

（一）样本选择与数据来源

本文初始样本为沪深两市和全国中小企业股份转让系统挂牌（新三板）全部制造业企业共6281家企业，数据跨度为2011-2018年，制造业的界定以证监会行业（2018）划分标准为准。之所以选择2011年作为基期，一是因为2011年以前企业披露的岗位员工数据和受教育员工数据大量缺失且分类方式不统一，二是因为2000年至2011年间人工智能技术应用的进展较为缓慢。参照已有文献的做法，本文剔除了部分样本：一是已停牌、退市或中止状态的企业，二是ST股票。数据主要来源为Wind经济金融数据库，专利数据来自国泰安企业专利数据库，供网络爬虫的网页来自百度、搜狗和360搜索引擎，政策问卷来自于中央和各省市的相关部门网站。

（二）应用人工智能技术企业的判定

研究人工智能对制造业技术水平的影响，首要的问题就是从企业层面判断哪些企业应用了人工智能技术。关于这一范围的定义，本文综合现有研究从五个方面进行审慎分析，最终判断得出640家制造业企业属于应用人工智能技术的企业。

一是企业科技产出-人工智能匹配。本文参考谢萌萌等框定应用人工智能技术制造业企业的方法[14]，通过人工智能专利和文本挖掘筛选企业。本文利用专利查询网站，如SooPAT、佰腾网，搜索人工智能字段的方法，筛选出具备技术专利的企业，进而判断企业类型，即判断其是纯研发人工智能技术或产品还是应用已有人工智能技术的企业，或是企业实行自主研发人工智能技术并将其应用于其主营业务生产，后两者与本文目标样本吻合。同时，本文还利用网络爬虫技术对有无研发专利的企业进行识别，借助网络爬虫技术在各搜索引擎内搜索“人工智能”“语音识别”等关键词，再对爬取信息进行筛选判断，进一步得到被遗漏的非专利研发型企业。

二是企业管理体系-人工智能匹配。人工智能企业可以通过企业管理系统进行界定：应用人工智能的企业就是全面运用企业智能管理体系，实现企业“人因素”[15]高效整合智能化，并拥有人机结合智能与企业群体智能、能够实现“人机协调”的企业[16]。智能决策是智能管理的核心。目前，企业中流行的智能决策系统包括供应链管理系统（SCM）、集成计算机制造系统（CIMS）、客户关系管理系统（CRM）、企业资源计划系统（ERP）等。此外，人要素管理的重要支柱是企业智能化绩效管理。平衡计分卡（BSC）等智能化的绩效管理系统已经开始大量应用在新一代商务智能系统中，且有效解决传统人力资源管理中绩效考核等方面的人情问题等难点。因此，可以通过查询企业官网及问卷调查的形式对企业采用的智能管理系统进行统计，进而判断企业类型。

三是行业应用-人工智能匹配。本文通过参考《互联网周刊》发布的2018-2019年中国人工智能企业100强名单，分析100强企业业务和应用场景，识别企业类型。同时，参考清华大学、腾讯研究院和艾瑞研究院等研究机构出具的人工智能研究报告，人工智能企业可划分为基础层、技术层和应用层，且应用层企业占多数，技术层以及基础层企业相对较少。本文根据层级分布梳理智能制造的应用场景，制定应用人工智能技术制造业产业图谱，图谱主要表现各制造业细分产业中人工智能的布局情况。作为补充，本文还利用网络爬虫技术在各大搜索引擎内搜索“智能制造企业”“人工智能应用”等字段，对爬取信息进行再分析，筛选企业。

四是政策扶持-人工智能匹配。本文整理了中央和地方政府2011年至今颁布的人工智能政策。2013年以前，人工智能政策较少，2013年至2015年，各界逐渐意识到人工智能的重要性，2015年至2017年，中国人工智能飞速发展，出台了大量相关政策，2017年后为人工智能发展的热潮，出台的政策也更具针对性。整理发现，自2015年人工智能与制造业相互融合以来，已有超20省区评选出“智能制造试点示范项目”。此外，中央及各地政府关于“大数据试点”“工业互联网试点”等示范项目申报也进行得如火如荼，因而可以通过政策颁布的各类“试点”来定位人工智能作用企业。同时，各地也在积极组织人工智能企业（项目）的申报工作，如南京市栖霞区于2019年发布《关于组织申报人工智能企业（项目）的通知》，栖霞区政府从企业基本情况和人工智能项目两个主要方面，拟定8个方面的评分标准，征求相关专家的意见建议得出企业的认定结果并作出公示。因此，通过各地政府关于申报企业的认定工作也能进一步筛选出人工智能企业。

五是年报关键词-人工智能匹配。将上述方法中判定的企业与样本企业进行对比分析，搜集整理未被分析的制造业上市公司的年报，通过关键词搜索，将出现“人工智能”“智能制造”“智能化”等字样的报表进行归纳、分析，判断企业是否使用了人工智能技术，若使用了人工智能技术则分析，是在哪一年开始的，且区分出现这类关键词的企业是研发人工智能技术的企业还是应用人工智能技术于生产、管理的企业。

（一）人工智能技术应用的生产率效应分析

1.模型构建

本研究采用倾向得分匹配倍差法（PSM-DID）考察人工智能的应用对制造业全要素生产率的影响。考虑不同企业使用人工智能技术的时间差异性，采用多期双重差分法进行回归分析，计量模型如下：

TFPit为被解释变量制造业企业的全要素生产率，采用OP-LP半参数法测算。AIi×timeit为核心解释变量，AIi为处理组与对照组的虚拟变量，AIi=1表示使用人工智能技术的企业，AIi=0表示未使用人工智能技术的企业；timeit为年份虚拟变量，timet=1表示企业使用人工智能技术后的时期，timet=0表示使用人工智能技术前的时期。ES为企业总资产规模，衡量企业整体发展水平。ER为企业研发投入强度（研发支出/营业收入），衡量企业后续的持续创新能力。EH为企业现有的研发能力（本科及以上学历人数/员工总数），衡量企业现有的技术水平。CD为企业资本深化程度（固定资产净值/员工总数），衡量企业资本创造能力。u为区域固定效应，控制区域差异性影响；η为企业固定效应，控制企业差异性影响；t为时间固定效应，控制时间差异性影响；ε为残差项。主要变量描述性统计见表1。

▼表1 主要变量描述性统计

倾向得分匹配步骤如下：首先，选择匹配变量，选取企业规模、企业研发投入强度、企业现有的研发能力、企业资本深化程度为协变量；其次，采用Logit方法计算表示控制匹配变量后企业使用人工智能技术的倾向得分；最后，依据处理组和对照组企业倾向得分相近程度进行倾向得分匹配。匹配后处理组为2011-2018年间使用人工智能技术的企业，对照组为2011-2018年未使用人工智能技术的企业，并选取2015年为处理组和对照组的节点期。使用人工智能为确保匹配后处理组和对照组可观测变量在企业使用人工智能前后不存在显著差异，满足“条件独立性”假设。需要说明的是，在倾向得分匹配估计之前，本文仅对共同范围内的个体进行逐年匹配，并对结果做了匹配平衡性检验。结果显示，匹配前后各匹配变量标准偏差绝对值均小于5%，且处理组和对照组企业在所有可观测特征上都不存在显著差异，满足了匹配平衡性假设，匹配结果可靠。而后又进行同趋势检验，从图1中可以看出，双重差分模型满足平行趋势假定。

▲图1 同趋势检验

（点击可查看大图）

2.计量结果分析

表2的结果显示，人工智能技术的应用对我国制造业企业全要素生产率整体上具有正向的促进作用。由理论分析可知，人工智能技术的应用通过促进技术创新等方式提升制造业企业全要素生产率。目前，我国制造业产业链条完整，但整体经济效益不强，关键核心技术掌握力度较弱，产业整体位于全球价值链中低端。而人工智能技术推动企业技术创新，使得创新技术在制造业中更有效率、更大规模的运用，推进制造业产业升级，提升其在全球价值链中的位置。同时，人工智能的运用能够帮助制造业企业根据市场需求进行通过快速迭代的微创新方式，敏捷响应市场需求，实现了预期的效果。

▼表2 PSM-DID方法计量结果

（点击可查看大图）

人工智能技术的应用通过改善制造业企业生产模式和管理模式促进企业生产效率的提升，其前提和基础是高效的数据采集。人工智能不仅削弱了企业内部的信息不对称，实现了从整个企业层面进行资源的优化配置，同时削弱了企业间的信息不对称，实现了产业层面的工业互联网、协同制造网络、离散制造网络等，实现了制造业层面的统一管理和灵活调度。因此，人工智能的运用在一定程度上消除了现有企业之间的信息交流障碍，促进了制造业企业的信息流通、开放和共享，加速制造业企业由个体最优向局部最优甚至全局最优转化，最终实现了我国制造业产业资源的高效利用和配置优化。

同时，本文采用安慰剂检验的方法检验计量结果的稳定性，在所有企业中随机产生处理组名单，并将企业应用人工智能技术的时间往前进行虚拟推移，从而产生一个估计系数，具体结果如表3所示。从表3的结果中可知，AI×time的系数并不显著，可以看出在随机产生的处理组中，人工智能技术的应用对制造业企业生产率并未产生促进作用，表明上文计量结果具有稳健性。

▼表3 安慰剂检验结果

（点击可查看大图）

（二）区域人工智能技术应用的“生产率悖论”再检验

从上文分析可以看出，人工智能技术的应用通过生产要素投入结构调整、生产模式和管理模式创新等途径显著地促进了我国制造业企业全要素生产率的提升，不存在“生产率悖论”。但从区域角度看，我国智能制造水平是否存在空间差异性仍需进一步检验。参考中商产业研究院发布的《2019-2024年中国智能制造市场前景及投资机会研究报告》，目前我国智能制造形成了环渤海、长三角、珠三角、中西部地区四大聚集区，但中西部地区明显落后于东部地区，人工智能布局还较为缓慢。因此，有必要进一步检验人工智能技术的应用对于东、中、西、东北四个区域[17]的制造业企业的差异性影响。本部分将全国640家应用人工智能技术的制造业企业按照区域进行划分，其中东部422家、中部107家、西部77家、东北部34家，并按照上述方法进行倾向得分匹配倍差法对四个区域进行分析，结果如表4所示。

▼表4 区域性计量结果

（点击可查看大图）

表4的结果表明，人工智能对制造业企业全要素生产率提升的影响具有较大的空间差异性。具体而言，东部地区人工智能技术应用在2015年后对制造业企业产生明显的正向影响。究其原因，东部地区依托较强的新基建发展水平及完善的制度、政策、产业基础，智能制造水平占据全国领先地位，江苏、浙江、广东、山东等传统制造业大省智能制造发展优势明显，工业互联网平台建设如火如荼，人工智能技术与制造业融合程度较高，传统制造业智能化转型速度加快。人工智能技术的应用加速了东部地区制造业企业生产规模的扩大，加速了研发投入的增加，并提升了制造业企业的现有研发能力和资本深化程度。而东部地区制造企业整体创新能力相对较强，对人工智能技术的接受和适应程度也相对较高，进而缩短了人工智能技术应用的时滞效应。在扩大技术外溢效率、提升生产和管理效率的基础上，最终促进东部地区制造业企业全要素生产率的提升。

人工智能对西部地区企业全要素生产率的促进作用仅次于东部地区。得益于政府强力推动，西部地区智能产业发展迅猛，四川、贵州、重庆等地区在信息安全、光通信与移动互联网、国家大数据综合试验区等建设方面取得了一定的成就。随着西部地区各级智能化相关政策的逐步实施，人工智能技术应用的辅助和补充性技术不断完善，西部地区智能制造水平将产生质的飞跃。但西部地区人工智能水平仍有较大提升空间，西部地区的科技创新资源、产业规模、产业基础环境等方面与东部地区存在较大差距，产业数字化市场巨大。同时由于西部制造业企业原有生产能力较弱，缺乏大中型企业，人工智能技术的应用进一步降低了其资本深化程度。

与东部地区和西部地区不同的是，人工智能技术对中部地区制造业企业生产率提升效应虽然为正但并不显著。安徽、湖南两省依托良好的特色制造基础及丰富的科创资源，人工智能技术应用水平较高，人工智能技术与制造业融合促进制造业呈现多元发展、多点开花的态势，同时河南、湖北在东部地区的带动下，智能化发展也逐渐成为新生中坚力量。但中部地区整体信息化基础设施及数据设施还需完善，制造业企业受高技能劳动力、资本、产业结构等方面限制，整体创新能力还不强，人工智能技术的加快发展吸引更多的创新资源的流入，降低了其他技术研发的成功率。计量结果显示，人工智能技术的应用降低了中部地区制造业企业现有研发能力和资本深化程度，人工智能技术应用的生产率正向效应并不明显。

受东北地区智能化水平整体较低的影响，人工智能发展对其制造业企业提升具有阻碍作用，但并不显著。对于东北部地区而言，人工智能技术对制造业企业生产提升效应为负，表现出并不明显的“生产率悖论”。东北部地区智能化水平相对滞后，产业基础、产业创新力较弱，企业特别是传统制造业企业智能化转型力度弱，智能化技术应用范围较小，两者融合程度较浅。同时，现有人工智能技术在一定程度上与企业现有的生产水平不适配，劳动力、资本、基础设施等方面的供给与人工智能技术应用要求存在一定差距，人工智能技术的运用削弱了企业现有研发能力和资本深化程度，最终削弱了对制造业企业生产率的促进作用，出现“生产率悖论”现象。

人工智能通过模拟人类智能实现机器的智能化，同时依据自主化的机器学习算法，并基于现代计算机强大的计算力及海量的大数据训练，归纳总结出规律并进行决策，是一个集自然科学特性和社会科学特性为一体的复杂技术系统。中国经济进入高质量发展阶段，迫切需要向创新驱动转型。而人工智能具有创新和技术进步的属性。制造业与人工智能的融合为制造业转型升级提供了更多的契机和机遇，同时也给制造业发展带来了不竭动力。对于制造业而言，尽快对高端生产要素做出准确把握，通过人工智能改变传统生产模式和管理模式，最终推动产业的转型升级，已经成为未来发展的趋势。

本文以2011-2018年间我国制造业上市公司为例，采用倾向得分匹配倍差法（PSM-DID）考察人工智能的应用对我国制造业全要素生产率的影响，通过比较分析制造业企业不使用人工智能与使用人工智能技术两种情况下对企业生产率的差异，进而确定人工智能技术对我国制造业企业生产率提升的正向效应。同时，分析人工智能技术的应用对我国不同区域制造业企业产生的差异性影响，并对生产率悖论进行再检验。结果表明，人工智能对我国制造业企业全要素生产率具有正向的促进作用，弹性值为0.0335，且结果是稳健的；我国东部地区、西部地区人工智能技术对制造业企业全要素生产率的提升效应显著，不存在“生产率悖论”；中部及东北部地区人工智能技术与制造业融合程度较弱，在样本期间人工智能技术应用并未产生显著效果，仅有东北地区表现出并不明显的“生产率悖论”。

基于以上研究结论，提出以下政策建议：

第一，聚焦地区资源禀赋和特色优势，开展区域人工智能创新资源顶层设计。明确不同地区“人工智能+制造业”的思路、阶段性目标、推进方式和重点任务。开展“人工智能+制造业”专项规划和方案设计，分任务、分部门、分地区、分重点载体编制专项规划或方案。鼓励各地区实行差异化发展战略。

第二，加强区域带动性，推动东部创新资源充分有序转移转化。依托东部地区市场需求优势，支持中部、西部、东北部地区企业与东部领先企业开展合作，增强合作创新，缩短跟跑学习周期，推进强强联合。

第三，以需求为主体，形成“人工智能+制造业”新范式。坚持问题导向和需求导向相结合，掌握全国“人工智能+制造业”实际建设需求和推进情况，遴选优质项目入库，同时对接人工智能深度融合应用解决方案供应商，促进各地区“人工智能+制造业”供需双方开展务实合作。

 注释：

[1]Harari, Y.N., Reboot for the AI Revolution, Nature, 2017, 550(7676): 324-327.

[2]Annaratone, M., Loveman, D.B. and Offner, C.D., High Performance Fortran on Workstation Farms, International Parallel Processing Symposium IEEE, 1994.

[3]Brynjolfsson, E., AI and Employment: The Future of the Workforce, AAAS 2017 Annual Meeting Report, 2017.

[4]Richmond, B.W., Introduction to the Special Issue on Economics of Information Systems, Journal of Organizational Computing, 1995, 5(3): 195-196；Liu J. et al., Influence of Artificial Intelligence on Technological Innovation: Evidence from the Panel Data of China’s Manufacturing Sectors, Technological Forecasting and Social Change, 2020, 158: 120142.

[5]李廉水、鲍怡发、刘军：《智能化对中国制造业全要素生产率的影响研究》，《科学学研究》，2020年第3期；范晓男、张雪、鲍晓娜：《市场竞争，技术创新与企业全要素生产率——基于A股制造业上市公司的实证分析》，《价格理论与实践》，2020年第7期。

[6]李丫丫、潘安：《工业机器人进口对中国制造业生产率提升的机理及实证研究》，《世界经济研究》，2017年第3期。

[7]申丹虹、崔张鑫：《基于SFA方法的中国智能制造业全要素生产率研究》，《调研世界》，2021年第1期。

[8]邵必林、赵煜、宋丹、胡珍：《AI产业技术创新系统运行机制与优化对策研究》，《科技进步与对策》，2018年第22期。

[9]邵文波、匡霞、林文轩：《信息化与高技能劳动力相对需求——基于中国微观企业层面的经验研究》，《经济评论》，2018年第2期；郑琼洁、王高凤：《人工智能驱动制造业价值链攀升：何以可能，何以可为？》，《江海学刊》，2021年第4期。

[10]何玉长、方坤：《人工智能与实体经济融合的理论阐释》，《学术月刊》，2018年第5期。

[11]蔡跃洲、陈楠：《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。

[12]Acemoglu, D. and Restrepo, P., Artificial intelligence，Automation and Work, NBER  Working Paper, 2018, No.24196．

[13]Nordhaus, W.D., Are We Approaching an Economic Singularity? Information Technology and the Future of Economic Growth, NBER Working Paper, 2015, No.21547．

[14]谢萌萌、夏炎、潘教峰、郭剑锋：《人工智能、技术进步与低技能就业——基于中国制造业企业的实证研究》，《中国管理科学》，2020年第12期。

[15]“人因素”（Human Factor）是工程心理学（Engineering Psychology）的概念，是在产品设计或工作环境构造中大量应用人的各类特性信息，改善产品功能或工作环境中人们的工具、设备、周围环境等，使其符合人的特性，从而发挥产品或系统的更大功效。这里笔者借用这个概念，将企业中的人与“人因素”对应起来。企业智能管理实质上要求智能化地实现企业“人因素”管理，从而创造企业群体智能。“人因素”管理是企业智能管理的基础。

[16]龙腾：《企业智能管理与智能企业》，《经济与管理研究》，2008年第4期。

[17]“十一五”时期，为推进区域经济均衡发展，国务院将我国分为中部、东北、西部、东部四大区域，而后制定“中部崛起”“东北振兴”“西部开发”和“东部新跨越”的战略决策。因此，本文选择分析人工智能技术应用对四大区域制造业企业全要素生产率影响的差别是与国家发展战略要求保持一致。

（▲向下滑动查看全部注释）

 基金项目 

国家社科基金青年项目“人工智能推动中国制造业全球价值链攀升的影响机理与路径研究”（项目编号：19CGL021）、江苏省社科基金项目“南京打造人工智能高地研究”（项目编号：20XZB001）、南京市社会科学基金专项项目“新发展格局下提升南京制造业产业链现代化水平研究”（项目编号：21YB06）。

 作者简介 

郑琼洁，南京大学经济学院博士后，南京市社会科学院副研究员，江苏省扬子江创新型城市研究院特约研究员；

王高凤（通讯作者），南京大学经济学院博士研究生。

本文原载于《学习与实践》2021年第11期。

-end-