人工智能與全要素生產(chǎn)率*
——證偽“生產(chǎn)率悖論”的中國證據(jù)

劉 亮 胡國良

內(nèi)容提要 人工智能是引領新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術，對中國經(jīng)濟高質量發(fā)展至關重要。然而，人工智能對于生產(chǎn)率的影響非常復雜，對于究竟是否存在所謂的“生產(chǎn)率悖論”尚無一致見解?；谥袊圃鞓I(yè)數(shù)據(jù)的實證研究結果顯示，人工智能顯著促進了全要素生產(chǎn)率的提升，證偽了“生產(chǎn)率悖論”；進一步的異質性分析發(fā)現(xiàn)，人工智能對中高技術行業(yè)的生產(chǎn)率提升效應更強。但是，由于“擁擠效應”以及應用潛力被低估，人工智能對制造業(yè)全要素生產(chǎn)率提升的邊際效應在降低。人工智能主要通過提高技術效率來促進全要素生產(chǎn)率的提升，其對于技術進步的促進作用并不顯著。為此，應推動人工智能技術在中國制造業(yè)的應用，完善人工智能相關政策，加強智能化基礎設施建設，培養(yǎng)人工智能技術人才。

引 言

人工智能已經(jīng)成為目前最有前途的技術之一。據(jù)推算，到2030年，人工智能將推動全球GDP年均增長1.2%，超過了蒸汽機、信息和通信技術擴散引致的0.3%、0.6%的年均增長效應。①習近平總書記強調，人工智能是全球新一輪科技革命和產(chǎn)業(yè)變革的重要驅動力量，加快發(fā)展新一代人工智能是事關我國能否抓住新一輪科技革命和產(chǎn)業(yè)變革機遇的戰(zhàn)略問題，要在經(jīng)濟發(fā)展質量變革、效率變革、動力變革中發(fā)揮人工智能作用，提高全要素生產(chǎn)率。因此，如何準確把握人工智能的技術特性與優(yōu)勢，實現(xiàn)全要素生產(chǎn)率的提升，成為學界與政策制定部門關注的重大課題。

近年來，隨著大數(shù)據(jù)、云計算、深度學習等技術的突破發(fā)展，人工智能開始呈現(xiàn)爆發(fā)式發(fā)展的態(tài)勢，關于人工智能對經(jīng)濟社會發(fā)展各方面的影響的研究文獻大量涌現(xiàn)。不過，正如Solow所言：“計算機無處不在，唯獨在生產(chǎn)率統(tǒng)計數(shù)據(jù)上難見其蹤影?！雹诮陙恚斯ぶ悄茉诟兄c認知方面取得了突飛猛進的發(fā)展，人工智能圖像識別的誤差率已經(jīng)由2010年的30%降低到2016年的5%以下，語音識別的誤差率也由2016年的8.5%下降到2017年的5.5%。然而，2000年中期以來，美國的勞動生產(chǎn)率并未出現(xiàn)大幅度的增長，2005～2016年，美國勞動生產(chǎn)率的年均增速僅為1.3%，低于1995～2004年的2.8%。③這種生產(chǎn)率增速顯著下降的現(xiàn)象也廣泛出現(xiàn)在經(jīng)濟與合作組織(OECD)國家，并且在新興經(jīng)濟體中也初見端倪。④

可見，人工智能在提升全要素生產(chǎn)率方面的作用依然存在爭議。一些文獻為人工智能對全要素生產(chǎn)率的影響提供了經(jīng)驗證據(jù)，但研究的樣本多為發(fā)達國家，由于經(jīng)濟結構、發(fā)展階段、技術水平等方面的差異，不同國家的技術溢出條件可能發(fā)生變化。⑤人工智能技術的應用是否提高了中國的全要素生產(chǎn)率？現(xiàn)有研究尚未給出確切答案?；谝陨峡紤]，本文試圖采用2006～2016年中國制造業(yè)二位數(shù)行業(yè)工業(yè)機器人裝備量及相關數(shù)據(jù)，分析人工智能技術在中國的應用是否有效促進了全要素生產(chǎn)率的提升，剖析其影響渠道，檢驗人工智能的“生產(chǎn)率悖論”。

人工智能對全要素生產(chǎn)率的雙向效應：“生產(chǎn)率悖論”的產(chǎn)生機理

人工智能作為新一代信息技術，具備替代性、協(xié)同性、創(chuàng)造性與滲透性四項技術特性，其對全要素生產(chǎn)率的影響主要體現(xiàn)在如下幾個方面：

一是人工智能通過替代人類勞動，提高生產(chǎn)率。一方面，人工智能作為能夠識別和響應環(huán)境而智能運行的機器、軟件或算法，可以創(chuàng)造新的虛擬勞動力替代人類勞動執(zhí)行程序化任務，實現(xiàn)復雜任務的“智能自動化”，直接提高生產(chǎn)效率。⑥另一方面，隨著人工智能資本的擴張，知識與智力密集度不斷積累的同時也產(chǎn)生了新任務，在這些新任務中高技能勞動力更具比較優(yōu)勢，進而導致對高技能勞動力的需求相對增加，最終變現(xiàn)為更高的生產(chǎn)率。二是人工智能可以與傳統(tǒng)生產(chǎn)要素融合，改善要素質量與配置效率。人工智能的應用能夠補充或增強其他要素的生產(chǎn)力，帶來企業(yè)組織、管理、生產(chǎn)流程的改變，提升要素流動性與利用率。由于人工智能比一般技術改進得更快，在其他要素可以根據(jù)需要快速增長的情況下，人工智能的應用可將生產(chǎn)率提高一個或更多個數(shù)量級。⑦三是與以往的自動化技術存在差異，人工智能不僅是對體力勞動生理器官及其動力的替代，而且是對腦力勞動生理器官及其智能的替代。⑧“創(chuàng)新方法的創(chuàng)新”往往比任何單一創(chuàng)新更有潛在價值，深度學習等技術的快速發(fā)展使得人工智能具備了自我提升的能力，隨著人工智能資本的不斷積累，可能引致奇點的到來，在有限的時間帶來無限的經(jīng)濟增長。⑨四是人工智能作為通用目的技術，具有滲透性。與蒸汽機、電力、內(nèi)燃機和計算機等技術相似，人工智能能夠應用于經(jīng)濟社會各個行業(yè)、各個環(huán)節(jié)，徹底改變經(jīng)濟的運行方式。這就意味著，人工智能不僅可以直接提升生產(chǎn)率，還能促進互補式創(chuàng)新的發(fā)展。現(xiàn)階段，機器學習技術已廣泛運用于自動駕駛、疾病診療、人臉識別、產(chǎn)品推薦等領域，推動了不同產(chǎn)業(yè)領域的創(chuàng)新發(fā)展。

然而，盡管理論上人工智能對促進經(jīng)濟增長有重要的支撐作用，但經(jīng)濟運行的實踐與理論預期往往存在較大偏差。⑩一是目前人工智能的應用更偏向“智能自動化”的替代效應，沒有足夠的精力創(chuàng)造新任務。這種選擇可能導致勞動需求停滯不前甚至下降，進而在造成勞動力收入份額下降的同時，降低勞動生產(chǎn)率。二是通用目的技術對全要素生產(chǎn)率的促進效應并不是自動實現(xiàn)的，需要互補性技術、基礎設施、人員素質等與之匹配?，F(xiàn)階段，人工智能技術尚未成熟，人工智能對全要素生產(chǎn)率的促進作用需要存量積累達到具有全局影響的規(guī)模。三是人工智能對全要素生產(chǎn)率的促進作用需要大量的投資以及個人、企業(yè)乃至國家適應能力的提升。過度的“智能自動化”可能會導致勞動力無法匹配人工智能所需的新技能，人工智能的生產(chǎn)率促進效應將被抑制。而人工智能的過快引入，也可能以犧牲其他提高生產(chǎn)率的技術為代價，不僅直接導致效率低下，也可能造成資源浪費，導致整體生產(chǎn)率的下降。

綜上，人工智能對全要素生產(chǎn)率存在促進與抑制的雙向影響，驗證中國是否存在“生產(chǎn)率悖論”，需要進行進一步嚴格的計量檢驗。

人工智能對中國全要素生產(chǎn)率的影響：基于制造業(yè)的實證檢驗

(一)模型設定

本文設定如下模型估計人工智能對全要素生產(chǎn)率的影響：

TFPit=α+βAIit+γXit+εit

(1)

其中，TFPit表示i行業(yè)t時期的全要素生產(chǎn)率；AIit表示i行業(yè)t時期人工智能應用程度；X表示控制變量，包括研發(fā)投入(R&D)、政府干預(Gov)、外商直接投資(FDI)、要素稟賦(Factor)、行業(yè)規(guī)模(Scale)；ε表示隨機擾動項；α、β、γ表示待估計系數(shù)。

(二)變量說明

1.人工智能(AI)

人工智能可以被定義為能夠識別和響應環(huán)境而智能運行的機器、軟件或算法，也可以簡單理解為“機器模仿人類智能行為的能力”。工業(yè)機器人作為人工智能在制造業(yè)領域應用最廣泛的技術之一，是一種自動控制的多用途的機器，可以通過編程完全自主地執(zhí)行焊接、噴漆、組裝、搬運、包裝等任務。本文借鑒Acemoglu和Restrepo等的研究，選用中國制造業(yè)二位數(shù)行業(yè)工業(yè)機器人裝備增長量表示人工智能的應用程度。

2.全要素生產(chǎn)率(TFP)

本文采用基于DEA模型的Malmquist生產(chǎn)率指數(shù)法，估算中國制造業(yè)全要素生產(chǎn)率的變化趨勢。用行業(yè)固定資產(chǎn)合計、年末從業(yè)人數(shù)作為投入變量，用主營業(yè)務收入作為產(chǎn)出變量。由于國際機器人聯(lián)盟(IFR)提供的工業(yè)機器人數(shù)據(jù)按《國際標準行業(yè)分類(ISIC Rev 4.0)》標準分類，本文將中國制造業(yè)二位數(shù)行業(yè)按照《國民經(jīng)濟行業(yè)分類(GB/T 4754-2017)》與《國際標準行業(yè)分類(ISIC Rev 4.0)》匹配，具體匹配方式與部分年份計算結果見表1。

表1 中國制造業(yè)二級行業(yè)全要素生產(chǎn)率計算結果

3.控制變量及數(shù)據(jù)說明

參考已有研究，控制變量研發(fā)投入(R&D)采用各行業(yè)R&D經(jīng)費內(nèi)部支出進行度量；政府干預(Gov)采用各行業(yè)國有資本進行度量；外商直接投資(FDI)采用各行業(yè)外商資本進行度量；要素稟賦(Factor)采用勞均固定資本凈值表示；產(chǎn)業(yè)規(guī)模(Scale)采用勞均主營業(yè)務收入表示。相關數(shù)據(jù)主要來源于2007～2017年《中國統(tǒng)計年鑒》《中國工業(yè)統(tǒng)計年鑒》和國際機器人聯(lián)盟網(wǎng)站等。為避免異方差，本文對AI、R&D、Gov、FDI進行對數(shù)化處理，并對所有變量進行了1%以下和99%以上分位數(shù)縮尾(Winsorize)處理。

(三)結果分析

1.基準結果分析

本文采用最小二乘法(OLS)對基準模型進行估計，結果見表2。表2中，列(1)和列(2)分別為只包含人工智能核心解釋變量與加入控制變量的回歸結果，系數(shù)分別為0.0121和0.0059，且均通過顯著性檢驗，這說明人工智能的應用對中國制造業(yè)全要素生產(chǎn)率變化有顯著的正向影響。列(3)和列(4)分別為控制行業(yè)因素和時間因素的回歸結果，人工智能變量的系數(shù)均顯著為正。上述結果初步表明，考察期內(nèi)人工智能的應用促進了中國制造業(yè)全要素生產(chǎn)率的提升。人工智能資本積累與深化，對全要素生產(chǎn)率形成有益補充。盡管存在潛在的“機器對人的替代”，但具備工程和編程功能的數(shù)據(jù)管理師、數(shù)據(jù)分析師等高技能任務開始出現(xiàn)，有利于行業(yè)勞動生產(chǎn)率的提升。

表2 基準回歸結果

注：***、**、*分別表示1%、5%、10%的顯著性水平，括號中為標準誤，下同。

2.人工智能對全要素生產(chǎn)率影響的行業(yè)異質性

由于制造業(yè)不同行業(yè)應用的工業(yè)機器人的種類、技術含量等存在明顯差異，因而，人工智能應用對全要素生產(chǎn)率的提升作用可能會存在行業(yè)異質性。借鑒《國際標準行業(yè)分類(ISIC Rev 4.0)》將11個行業(yè)劃分為低技術行業(yè)、中技術行業(yè)、高技術行業(yè)，在基準模型的基礎上引入低技術行業(yè)(Low)、高技術行業(yè)(High)虛擬變量與人工智能的交互項，考察人工智能對全要素生產(chǎn)率影響的行業(yè)異質性。以中技術行業(yè)為參照組的回歸結果見表3。表3中，列(1)和列(2)分別為加入控制變量、同時控制行業(yè)因素與時間因素的回歸結果。從結果來看，人工智能應用對全要素生產(chǎn)率的影響系數(shù)顯著為正，表明基準回歸結果較為穩(wěn)健。從交互項系數(shù)來看，人工智能的應用對全要素生產(chǎn)率的影響存在行業(yè)異質性。以列(2)為例，人工智能與低技術行業(yè)的交互項(AI*Low)系數(shù)為-0.0112，通過10%的顯著性檢驗，人工智能與高技術行業(yè)的交互項(AI*High)系數(shù)為-0.0099，但并不顯著。這說明，人工智能的生產(chǎn)率效應主要體現(xiàn)在中技術行業(yè)與高技術行業(yè)上，而人工智能對低技術行業(yè)生產(chǎn)率的促進作用相對較小。原因可能是目前中高技術行業(yè)的人工智能設備、軟件、算法等技術水平更高，人工智能對流程化任務的替代得以讓中高技能勞動力釋放更多的精力，進一步強化了非流程化任務的比較優(yōu)勢。此外，中高技術行業(yè)的人工智能相關投入更多，也具有更為良好的技術基礎與吸收能力，可以與工業(yè)機器人等人工智能技術形成互補、促進技術外溢，從而更好發(fā)揮其生產(chǎn)率效應。

3.人工智能對全要素生產(chǎn)率影響的階段性特征

本文以2014年為界，將全樣本分為2006～2013年和2014～2016年兩個時間段分別進行回歸，以分析人工智能對全要素生產(chǎn)率影響的階段性特征。表3的分時段回歸結果揭示了人工智能對中國制造業(yè)全要素生產(chǎn)率的影響強度在不同階段的差異。其中，列(3)為2006～2013年樣本的回歸結果，人工智能對全要素生產(chǎn)率的影響系數(shù)顯著為正，列(4)為2014～2016年樣本的回歸結果，正向影響依然顯著。這表明，在考慮人工智能對全要素生產(chǎn)率影響的階段性特征后，基準回歸結果依然穩(wěn)健。從影響的階段性特征來看，在經(jīng)濟進入“新常態(tài)”后，人工智能對全要素生產(chǎn)率提升的邊際影響似乎在下降。這一結果與Graetz和Michaels的結論相似，他們認為隨著工業(yè)機器人在制造業(yè)的廣泛運用，人工智能的邊際收益似乎在減少，會產(chǎn)生“擁擠效應”。這種“擁擠效應”的確需要引起重視，不過本文認為造成這種結果的更重要的原因是人工智能在制造業(yè)領域的應用潛力被低估。盡管近年來中國人工智能相關投資屢創(chuàng)新高，但2015～2018年人工智能相關項目投資最大的300項中，制造業(yè)領域僅占1%，遠低于商業(yè)及零售領域(23.4%)與自動駕駛領域(18.3%)。因此，不應對人工智能的生產(chǎn)率效應過于悲觀，相反，隨著人工智能技術在制造業(yè)領域的逐漸推廣與不斷發(fā)展，人工智能對未來制造業(yè)發(fā)展的貢獻是巨大的。

(四)穩(wěn)健性檢驗

以上結果均支持人工智能對全要素生產(chǎn)率提升的積極作用。然而，模型的內(nèi)生性問題不可忽視。對于遺漏變量造成的內(nèi)生性問題，本文嘗試通過基于面板數(shù)據(jù)的固定效應(FE)模型予以緩解，回歸結果見表3列(5)。列(5)結果表明，在緩解了遺漏變量引起的內(nèi)生性問題后，人工智能的應用程度越高，全要素生產(chǎn)率增速越高。對于人工智能與全要素生產(chǎn)率潛在的雙向因果關系引起的內(nèi)生性問題，本文嘗試采用系統(tǒng)廣義矩估計(SYS-GMM)模型予以緩解，回歸結果見表4列(6)。從結果來看，在緩解雙向因果關系引起的內(nèi)生性問題后，人工智能與全要素生產(chǎn)率顯著正相關。

表3 行業(yè)異質性、階段異質性與穩(wěn)健性檢驗結果

(五)機制檢驗

為驗證人工智能影響中國制造業(yè)全要素生產(chǎn)率的渠道，本文進一步將Malmquist生產(chǎn)率指數(shù)分解為技術效率(Technical Efficiency Change, EF)和技術進步(Technical Change, TC)兩部分。分別以技術效率和技術進步兩個指數(shù)增長率為被解釋變量，對人工智能影響全要素生產(chǎn)率的傳導路徑進行檢驗和識別?？紤]結果的穩(wěn)健性以及行業(yè)異質性，本文分別用FE、系統(tǒng)GMM模型進行回歸分析，并加入低技術行業(yè)、高技術行業(yè)虛擬變量與人工智能的交互項，回歸結果見表4。表4中，列(1)和列(2)是以技術效率為被解釋變量的回歸結果，列(3)和列(4)是以技術進步為被解釋變量的回歸結果。由結果可知，人工智能對技術效率的影響顯著為正，系數(shù)在0.0119～0.0175之間。人工智能對于技術效率的影響依然存在行業(yè)異質性，只是這種異質性可能并不明顯，系統(tǒng)GMM模型的回歸結果通過了5%的顯著性檢驗。人工智能的應用對技術進步有正向影響，但這種影響并不顯著。這說明，人工智能主要通過補充與替代勞動力的方式提高技術效率，進而提高中國制造業(yè)的全要素生產(chǎn)率，而作為通用目的技術的技術進步效應并不顯著。

表4 機制檢驗結果

結論與政策建議

本文基于國際機器人聯(lián)盟提供的2006～2016年中國制造業(yè)二位數(shù)行業(yè)工業(yè)機器人數(shù)據(jù)，實證檢驗了在生產(chǎn)中應用工業(yè)機器人的程度對中國制造業(yè)全要素生產(chǎn)率的影響及其機制。研究發(fā)現(xiàn)：(1)整體而言，提高生產(chǎn)過程中人工智能的應用程度顯著提高了全要素生產(chǎn)率，而提高技術效率是人工智能影響全要素生產(chǎn)率的主要路徑。(2)人工智能對全要素生產(chǎn)率的影響存在行業(yè)異質性，在中高技術行業(yè)更為明顯，在低技術行業(yè)相對較低。(3)人工智能對中國制造業(yè)全要素生產(chǎn)率的影響存在階段性差異，由于可能的“擁擠效應”與相對重視程度不足，人工智能對制造業(yè)全要素生產(chǎn)率的邊際貢獻在降低。

基于上述研究結論，本文得到以下政策啟示：(1)人工智能技術的應用可以有效提升制造業(yè)全要素生產(chǎn)率，因此，應積極推廣人工智能技術在制造業(yè)產(chǎn)品設計、生產(chǎn)制造、智能供應鏈等環(huán)節(jié)的運用。(2)由于不同行業(yè)技術水平存在較大差異，因此，應針對不同行業(yè)的優(yōu)勢與特點，制定差異化的具體政策，提升政策工具的實用性。(3)人工智能技術尚處在早期階段，相關規(guī)范、標準、制度尚未統(tǒng)一，因此，應完善人工智能相關法律法規(guī)，加強人工智能基礎理論和關鍵核心技術的研究，規(guī)避潛在的“擁擠效應”。(4)人工智能技術進步效應的有效發(fā)揮依賴于技術基礎與吸收能力，因此，應加大人工智能互補性技術的投入，推動智能化信息基礎設施建設，培養(yǎng)人工智能技術人才，保障人工智能生產(chǎn)率效應的有效發(fā)揮。

①Bughin J., J.Seong, J.Manyika, et al., “Notes from the AI frontier: Modeling the impact of AI on the world economy”,McKinseyGlobalInstitute, 2018.

②Solow R., “We’d better watch out, review of SS Cohen and J. Zysman, Manufacturing matters: The myth of the post-industrial economy”,NewYorkTimesBookReview, 1987, 36.

④Syverson C., “Challenges to mismeasurement explanations for the US productivity slowdown”,JournalofEconomicPerspectives, 2017, 31(2), pp.165～86.

⑤何小鋼、梁權熙、王善騮：《信息技術、勞動力結構與企業(yè)生產(chǎn)率——破解“信息技術生產(chǎn)率悖論”之謎》，《管理世界》2019年第9期。

⑦Purdy M., S.Qiu, F.Chen, “How Artificial Intelligence Can Drive China’s Growth”,AccuntureResearchPaper, 2017.

⑧韓江波：《智能工業(yè)化：工業(yè)化發(fā)展范式研究的新視角》，《經(jīng)濟學家》2017年第10期。

⑨Nordhaus W.D., “Are We Approaching an Economic Singularity? Information Technology and the Future of Economic Growth”,NBERworkingPaper, 2015, No.w21547.