人工智能如何提升企業(yè)全要素生產(chǎn)率

摘要：如何充分釋放人工智能對全要素生產(chǎn)率的提升效應成為數(shù)字經(jīng)濟高質(zhì)量發(fā)展的核心議題。本文基于2010—2023年中國滬深A股上市公司數(shù)據(jù)，從技術(shù)創(chuàng)新和技術(shù)應用雙重視角實證檢驗人工智能對企業(yè)全要素生產(chǎn)率的影響及作用機制。研究結(jié)果顯示：人工智能技術(shù)創(chuàng)新和技術(shù)應用均能提升企業(yè)全要素生產(chǎn)率；人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率的提升效應在高數(shù)據(jù)資產(chǎn)企業(yè)、輕資產(chǎn)模式企業(yè)、非國有企業(yè)中更明顯，人工智能技術(shù)創(chuàng)新對企業(yè)全要素生產(chǎn)率的提升效應在高新技術(shù)企業(yè)中更明顯，人工智能技術(shù)應用對企業(yè)全要素生產(chǎn)率的提升效應在非高新技術(shù)企業(yè)中更明顯；人工智能技術(shù)創(chuàng)新通過降低企業(yè)成本、優(yōu)化企業(yè)勞動力結(jié)構(gòu)和促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率，但人工智能技術(shù)應用通過降低企業(yè)成本和優(yōu)化企業(yè)勞動力結(jié)構(gòu)提升企業(yè)全要素生產(chǎn)率；人工智能對企業(yè)全要素生產(chǎn)率的影響存在短周期的時間滯后效應。本文不僅豐富了人工智能對企業(yè)生產(chǎn)率影響方面的研究，而且對充分釋放人工智能賦能企業(yè)高質(zhì)量發(fā)展和精準實施“人工智能+”政策有重要意義。

關(guān)鍵詞：人工智能；全要素生產(chǎn)率；技術(shù)創(chuàng)新；技術(shù)應用

中圖分類號：F273.1；F425文獻標識碼：A文章編號：1000-176X（2025）01-0087-14

一、問題的提出

作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力，人工智能已成為推動經(jīng)濟高質(zhì)量發(fā)展的重要力量。作為第四次工業(yè)革命的通用目的技術(shù)，人工智能在產(chǎn)品生產(chǎn)、物流運輸、科學研究和公共治理等方面的普及應用將全面重構(gòu)經(jīng)濟社會運行方式。創(chuàng)新是發(fā)展新質(zhì)生產(chǎn)力的根本驅(qū)動力，在新一輪科技革命背景下，人工智能是發(fā)展新質(zhì)生產(chǎn)力的引擎。如何充分釋放人工智能對全要素生產(chǎn)率的提升效應成為數(shù)字經(jīng)濟高質(zhì)量發(fā)展的核心議題。一方面，關(guān)于人工智能對全要素生產(chǎn)率的理論研究還存在較大爭議。一種觀點認為，人工智能通過推進企業(yè)自動化、驅(qū)動新產(chǎn)業(yè)發(fā)展和賦能傳統(tǒng)產(chǎn)業(yè)提升全要素生產(chǎn)率。另一種觀點則認為，人工智能并不會顯著提升全要素生產(chǎn)率，并且由于帶來壟斷、失業(yè)和收入不平等會惡化經(jīng)濟績效。另一方面，中國政府采取各種推進人工智能技術(shù)創(chuàng)新和技術(shù)應用的政策。2024年《政府工作報告》提出：“深化大數(shù)據(jù)、人工智能等研發(fā)應用，開展‘人工智能+’行動，打造具有國際競爭力的數(shù)字產(chǎn)業(yè)集群。”但是，對于如何設(shè)計科學有效的政策來充分釋放人工智能賦能作用還處在探索階段，迫切需要基于理論機制分析提高政策的針對性和精準性。因此，厘清人工智能對企業(yè)全要素生產(chǎn)率的影響及作用機制成為有待深入研究的學術(shù)問題。

關(guān)于人工智能對生產(chǎn)率影響的研究主要從宏觀視角進行分析，并且得出了兩種相反的觀點。一方面，以Solow［1］、Acemoglu等［2］為代表的學者發(fā)現(xiàn)，人工智能技術(shù)應用沒有大幅提升國家整體層面的生產(chǎn)率。Solow［1］提出了著名的“索洛悖論”，即數(shù)字技術(shù)的大規(guī)模應用沒有提升美國生產(chǎn)率，同期反而出現(xiàn)生產(chǎn)率相對下降的情況。Acemoglu等［2］采用美國制造業(yè)機器人應用的數(shù)據(jù)分析發(fā)現(xiàn)，信息技術(shù)的應用沒有提高生產(chǎn)率。Parteka和Kordalska［3］采用經(jīng)濟合作與發(fā)展組織國家和非經(jīng)濟合作與發(fā)展組織國家的數(shù)據(jù)比較分析發(fā)現(xiàn)，人工智能與宏觀生產(chǎn)率增長之間缺乏強有力的關(guān)系，人工智能在生產(chǎn)率增長過程中的作用可以忽略不計。Acemoglu［4］基于美國制造業(yè)機器人應用的數(shù)據(jù)分析發(fā)現(xiàn)，過去10年人工智能使全要素生產(chǎn)率提升了0.66%，未來10年人工智能對全要素生產(chǎn)率的提升作用預計不會超過0.53%。另一方面，以Cockburn等［5］115-124、Brynjolfsson等［6］為代表的學者發(fā)現(xiàn)，人工智能會極大地提升生產(chǎn)率，只不過這種效應具有滯后性。Cockburn等［5］115發(fā)現(xiàn)，人工智能通過提高創(chuàng)新效率提升生產(chǎn)率。Brynjolfsson等［6］發(fā)現(xiàn)，人工智能對生產(chǎn)率的影響體現(xiàn)出典型的“J曲線”軌跡，即在初期人工智能對生產(chǎn)率的影響不顯著，但在后期人工智能會提升生產(chǎn)率。Gonzales［7］發(fā)現(xiàn)，人工智能對長期經(jīng)濟增長具有積極影響，并且這種效應在后期更明顯。

相對于宏觀視角研究，人工智能對企業(yè)生產(chǎn)率影響的微觀研究相對不足。一種是人工智能技術(shù)創(chuàng)新對企業(yè)生產(chǎn)率的影響。Damioli等［8］采用全球在人工智能專利領(lǐng)域活躍的企業(yè)數(shù)據(jù)分析發(fā)現(xiàn)，人工智能專利會對企業(yè)勞動生產(chǎn)率產(chǎn)生額外積極的影響，并且在小企業(yè)和服務業(yè)中更明顯。Marioni等［9］采用歐洲15個國家的企業(yè)數(shù)據(jù)分析發(fā)現(xiàn)，人工智能技術(shù)創(chuàng)新會提升企業(yè)生產(chǎn)率，并且由于外溢效應和學習效應，人工智能技術(shù)創(chuàng)新會同時提升領(lǐng)先企業(yè)和落后企業(yè)的生產(chǎn)率。還有學者采用中國上市公司數(shù)據(jù)進行檢驗，Zhai和Liu［10］發(fā)現(xiàn)，人工智能技術(shù)創(chuàng)新會提升企業(yè)生產(chǎn)率，并且在大企業(yè)、國有企業(yè)和勞動密集產(chǎn)業(yè)中更明顯；任英華等［11］發(fā)現(xiàn)，人工智能技術(shù)創(chuàng)新通過推動生產(chǎn)、營銷、管理環(huán)節(jié)的降本增效提升企業(yè)全要素生產(chǎn)率；黃勃等［12］發(fā)現(xiàn)，人工智能等數(shù)字技術(shù)創(chuàng)新通過推動企業(yè)降低內(nèi)部管控成本、提高資產(chǎn)運營效率和投資決策質(zhì)量、改善勞動力資源提升企業(yè)全要素生產(chǎn)率。另一種是人工智能技術(shù)應用對企業(yè)生產(chǎn)率的影響。B?ck等［13］采用芬蘭企業(yè)數(shù)據(jù)分析發(fā)現(xiàn)，人工智能技術(shù)應用會提升企業(yè)生產(chǎn)率，在大企業(yè)中更明顯，并且企業(yè)生產(chǎn)率提升具有一定的滯后性。Czarnitzki等［14］采用德國企業(yè)層面數(shù)據(jù)分析發(fā)現(xiàn)，人工智能技術(shù)應用在短期會對企業(yè)生產(chǎn)率產(chǎn)生積極影響。Babina等［15］采用美國企業(yè)數(shù)據(jù)分析發(fā)現(xiàn)，人工智能投資主要通過產(chǎn)品創(chuàng)新而非工藝創(chuàng)新提升企業(yè)生產(chǎn)率，并且更有利于具有豐富數(shù)據(jù)資源的大企業(yè)。還有學者采用中國上市公司數(shù)據(jù)進行檢驗，杜傳忠等［16］發(fā)現(xiàn)，人工智能技術(shù)應用通過提高要素配置效率、降低企業(yè)成本和增強企業(yè)研發(fā)能力提升企業(yè)全要素生產(chǎn)率。

與已有研究相比，本文可能的邊際貢獻包括兩個方面。一方面，本文豐富了人工智能對企業(yè)生產(chǎn)率影響方面的研究。關(guān)于人工智能對企業(yè)生產(chǎn)率影響的微觀研究側(cè)重于技術(shù)創(chuàng)新或技術(shù)應用視角，沒有分析二者的差異性和協(xié)同問題。本文從人工智能技術(shù)創(chuàng)新和技術(shù)應用雙重視角進行分析，從而設(shè)計更有針對性的“人工智能+”推進政策。另一方面，本文提出人工智能通過降低企業(yè)成本、優(yōu)化企業(yè)勞動力結(jié)構(gòu)和促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率，并且檢驗了這三種機制在技術(shù)創(chuàng)新和技術(shù)應用中的差異，深化了人工智能對企業(yè)全要素生產(chǎn)率提升效應的機制解釋。

二、理論分析與研究假設(shè)

（一）理論模型

本文借鑒Prettner［17］和封進等［18］的研究，將人工智能視為一種智能化資本納入生產(chǎn)函數(shù)，假設(shè)企業(yè)生產(chǎn)函數(shù)為：

Yi=AiF（Ki，Li，KAIi）（1）

其中，Yi表示企業(yè)i的產(chǎn)出，Ai表示企業(yè)i的技術(shù)水平，Ki表示傳統(tǒng)資本投入，Li表示勞動力投入，KAIi表示人工智能的智能化資本投入。本文假設(shè)技術(shù)水平Ai受到人工智能的智能化資本投入KAIi的影響，即：

Ai=（KAIi）β（2）

其中，β表示人工智能的智能化資本對技術(shù)水平的彈性，且βgt;0。本文假設(shè)企業(yè)生產(chǎn)函數(shù)符合柯布—道格拉斯函數(shù)，且滿足規(guī)模報酬不變，則生產(chǎn)函數(shù)表示為：

Yi=（KAIi）βKαi（Li+θKAIi）1-α（3）

其中，α表示傳統(tǒng)資本產(chǎn)出彈性，且α∈（0，1）；θ表示人工智能的智能化資本對勞動力的替代能力，且θ∈（0，1]。本文假設(shè)企業(yè)產(chǎn)品價格為p，傳統(tǒng)資本價格為r，勞動力價格為w，人工智能的智能化資本價格為c，那么企業(yè)利潤為：

πi=p（KAIi）βKαi（Li+θKAIi）1-α-rKi-wLi-cθKAIi（4）

根據(jù)企業(yè)利潤最大化條件，可得到各生產(chǎn)要素報酬率?；跓o套利原則，傳統(tǒng)資本要素報酬率和人工智能的智能化資本要素報酬率應該相等，由此得到以下公式：

由上述模型可知，隨著人工智能的智能化資本投入增加，以及智能化資本對勞動力替代程度的提高，企業(yè)生產(chǎn)率也會隨之提升。人工智能技術(shù)應用主要體現(xiàn)為企業(yè)生產(chǎn)經(jīng)營活動的自動化，上述自動化過程也是企業(yè)資本增強的過程，企業(yè)自動化程度日益提高會顯著提升資本生產(chǎn)率，由此企業(yè)會用高生產(chǎn)率的資本替代低生產(chǎn)率的勞動，企業(yè)資本與勞動的結(jié)構(gòu)性調(diào)整會提升企業(yè)生產(chǎn)率。基于此，本文提出如下假設(shè)：

假設(shè)1：人工智能可以提升企業(yè)全要素生產(chǎn)率。

（二）人工智能提升企業(yè)全要素生產(chǎn)率的理論機制

⒈企業(yè)成本降低效應

人工智能是一種通用目的技術(shù)，通過資本替代勞動、促進企業(yè)高效科學決策和優(yōu)化生產(chǎn)經(jīng)營流程降低企業(yè)成本，從而提升企業(yè)全要素生產(chǎn)率。其一，人工智能在企業(yè)的具體應用體現(xiàn)為工業(yè)機器人的大規(guī)模應用和實現(xiàn)大規(guī)模的自動化。從生產(chǎn)要素配置來說，企業(yè)智能化實際上是一種資本增強型技術(shù)進步，會大幅提升高效率智能化資本在生產(chǎn)中的作用，從而提升企業(yè)生產(chǎn)率［19］。其二，人工智能可以有效緩解信息不完全問題，促進企業(yè)更好地進行生產(chǎn)經(jīng)營決策，降低企業(yè)成本，從而提升企業(yè)生產(chǎn)率［15］?；诖髷?shù)據(jù)的人工智能可以對未來產(chǎn)品供需狀況進行精準預測，促使企業(yè)精準采購原材料，減少庫存積壓和缺貨風險，并且通過算法實現(xiàn)對市場需求的精準預測，最終實現(xiàn)供需匹配。其三，人工智能使企業(yè)可以對生產(chǎn)過程進行實時監(jiān)控，實現(xiàn)生產(chǎn)全流程和全生命周期管理，從而大幅度減少資源浪費。人工智能會促進企業(yè)生產(chǎn)經(jīng)營組織流程的變革，優(yōu)化生產(chǎn)工藝流程，從而實現(xiàn)資源優(yōu)化配置?；诖?，本文提出如下假設(shè)：

假設(shè)2a：人工智能通過降低企業(yè)成本提升企業(yè)全要素生產(chǎn)率。

⒉企業(yè)勞動力結(jié)構(gòu)優(yōu)化效應

人工智能會促進企業(yè)勞動力結(jié)構(gòu)優(yōu)化，從而提升企業(yè)全要素生產(chǎn)率。首先，人工智能對勞動力結(jié)構(gòu)的影響更多地體現(xiàn)為技能偏向性，即人工智能技術(shù)進步會使企業(yè)增加高技能勞動者，相對減少低技能勞動者，從而優(yōu)化企業(yè)勞動力結(jié)構(gòu)［20-21］。高技能勞動者增加會顯著提升企業(yè)運用人工智能技術(shù)的能力，從而對企業(yè)全要素生產(chǎn)率產(chǎn)生積極影響。其次，Autor等［22］發(fā)現(xiàn)，自動化主要是替代程序化常規(guī)任務崗位，會增加對從事非程序化創(chuàng)造任務的勞動力的需求。人工智能既會產(chǎn)生對低技能、從事程序化常規(guī)任務勞動力的替代效應，也會產(chǎn)生對高技能、從事非程序化創(chuàng)造任務勞動力的抑制替代效應，優(yōu)化企業(yè)勞動力結(jié)構(gòu)，從而對企業(yè)全要素生產(chǎn)率產(chǎn)生積極影響?；诖耍疚奶岢鋈缦录僭O(shè)：

假設(shè)2b：人工智能通過優(yōu)化企業(yè)勞動力結(jié)構(gòu)提升企業(yè)全要素生產(chǎn)率。

⒊企業(yè)創(chuàng)新促進效應

人工智能是一種自動化技術(shù)，也是一種發(fā)明技術(shù)，會顯著提升研發(fā)活動效率［5］119-124，通過促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率。首先，人工智能可以為創(chuàng)新測試提供接近現(xiàn)實的場景模擬，幫助企業(yè)在不確定的情況下作出創(chuàng)新研發(fā)決策［23］，降低創(chuàng)新不確定性風險，提高企業(yè)創(chuàng)新意愿，從而提升企業(yè)全要素生產(chǎn)率。其次，人工智能是一種“發(fā)明方法的發(fā)明”［24］，能夠產(chǎn)生新知識，緩解科研人員進行創(chuàng)新所面臨的“知識負擔”［25］，從而促進企業(yè)創(chuàng)新。同時，人工智能在科研領(lǐng)域的應用會形成一種人機交互的創(chuàng)新模式，可以提高創(chuàng)新效率，從而提升企業(yè)全要素生產(chǎn)率。最后，人工智能引發(fā)了開放式創(chuàng)新，突破了單個企業(yè)創(chuàng)新資源和創(chuàng)新能力的局限，通過整合互補性外部資源更好地創(chuàng)新［26］。人工智能實現(xiàn)了不同組織間的知識共享、協(xié)同創(chuàng)新和價值共創(chuàng)，通過促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率?；诖?，本文提出如下假設(shè)：

假設(shè)2c：人工智能通過促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率。

三、研究設(shè)計

（一）變量定義

⒈被解釋變量

本文的被解釋變量是企業(yè)全要素生產(chǎn)率（TFP_LP）。已有研究對企業(yè)全要素生產(chǎn)率的測算廣泛采用Olley和Pakes［27］的OP法和Levinsohn和Petrin［28］的LP法。LP法采用中間產(chǎn)品的投入作為代理變量，能夠有效避免數(shù)據(jù)截斷問題，因而本文基準回歸中采用LP法測算企業(yè)全要素生產(chǎn)率。

⒉解釋變量

本文的解釋變量是人工智能技術(shù)創(chuàng)新（AI_Inno）和人工智能技術(shù)應用（AI_appli1）。根據(jù)創(chuàng)新經(jīng)濟學對創(chuàng)新的定義，技術(shù)創(chuàng)新的核心是產(chǎn)出新的技術(shù)，專利產(chǎn)出是人工智能技術(shù)創(chuàng)新最重要的衡量指標，并且相較于研發(fā)支出等指標，專利可以更好地反映樣本期內(nèi)企業(yè)在技術(shù)創(chuàng)新領(lǐng)域的投入和已具備的知識存量［12］，因而可以采用企業(yè)專利數(shù)量衡量人工智能技術(shù)創(chuàng)新［8］。專利數(shù)據(jù)中的國際專利分類號（IPC）直接刻畫了研發(fā)活動所屬的技術(shù)領(lǐng)域，能夠精確地識別出人工智能領(lǐng)域的創(chuàng)新產(chǎn)出。本文借鑒Zhai和Liu［10］的研究，根據(jù)《戰(zhàn)略性新興產(chǎn)業(yè)分類與國際專利分類參照關(guān)系表（2021）》中的IPC，將屬于人工智能的專利識別出來，采用企業(yè)當年人工智能專利申請數(shù)量加1的自然對數(shù)衡量人工智能技術(shù)創(chuàng)新。同時，本文借鑒姚加權(quán)等［29］的研究，根據(jù)企業(yè)年報文本內(nèi)容，對與人工智能相關(guān)的關(guān)鍵詞詞頻進行統(tǒng)計，用企業(yè)當年年報中人工智能關(guān)鍵詞數(shù)量加1的自然對數(shù)衡量人工智能技術(shù)應用。

⒊中介變量

企業(yè)成本（Cost），本文借鑒倪克金和劉修巖［30］的研究，采用營業(yè)成本與營業(yè)收入之比衡量；企業(yè)勞動力結(jié)構(gòu)（Labor），本文借鑒王永欽和董雯［31］的研究，采用研究生及以上學歷員工數(shù)與總員工數(shù)之比衡量；企業(yè)創(chuàng)新（Innovation），本文借鑒You等［32］的研究，采用企業(yè)專利申請數(shù)量衡量，但為了避免與解釋變量重復，具體采用企業(yè)專利申請量減去企業(yè)人工智能專利申請數(shù)量并加1取自然對數(shù)衡量。

⒋控制變量

本文選取如下控制變量：研發(fā)投入（Ramp;D），采用研發(fā)投入與營業(yè)收入之比衡量；總資產(chǎn)周轉(zhuǎn)率（ATO），采用營業(yè)收入與平均資產(chǎn)總額之比衡量，平均資產(chǎn)總額采用資產(chǎn)合計期末余額與資產(chǎn)合計上年期末余額之和除以2計算得到；總資產(chǎn)凈利潤率（ROA），采用凈利潤與平均資產(chǎn)總額之比衡量；資產(chǎn)負債率（LEV），采用總負債與總資產(chǎn)之比衡量；第一大股東持股比例（Top1），采用第一大股東持股數(shù)量與總股數(shù)之比衡量；股權(quán)制衡度（Balance），采用第二大股東到第五大股東持股比例之和與第一大股東持股比例之比衡量。

（二）模型構(gòu)建

為檢驗人工智能對企業(yè)全要素生產(chǎn)率的影響，本文構(gòu)建如下計量模型：

TFP_LPit=α0+α1AI_Innoit/AI_appli1it+α2Xit+μi+λt+εit（8）

其中，i和t分別表示企業(yè)和年份，Xit表示上述一系列控制變量，μi和λt分別表示企業(yè)固定效應和年份固定效應，εit表示隨機誤差項。

（三）數(shù)據(jù)來源

本文研究樣本為2010—2023年中國滬深A股上市公司。根據(jù)世界知識產(chǎn)權(quán)組織（WIPO）發(fā)布的《2023世界知識產(chǎn)權(quán)指數(shù)》，中國專利申請從2010年開始激增，考慮到2010年之前專利數(shù)量不足，因而本文研究樣本期為2010—2023年。本文對數(shù)據(jù)進行以下處理：剔除當年被ST、*ST和PT的樣本，剔除金融行業(yè)的樣本，剔除關(guān)鍵指標缺失過多的樣本；對連續(xù)變量進行1%和99%的縮尾處理，以減少異常值的影響。本文相關(guān)數(shù)據(jù)主要來源于CSMAR數(shù)據(jù)庫、中國國家知識產(chǎn)權(quán)局、國家統(tǒng)計局和上市公司年報。表1是本文主要變量的描述性統(tǒng)計結(jié)果。

四、實證結(jié)果與分析

（一）基準回歸結(jié)果

表2是人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率影響的基準回歸結(jié)果。表2列（1）和列（3）僅引入解釋變量、企業(yè)固定效應和年份固定效應，表2列（2）和列（4）在此基礎(chǔ)上引入上述一系列控制變量，并且使用企業(yè)層面的聚類穩(wěn)健標準誤的回歸結(jié)果。表2列（2）和列（4）的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新的系數(shù)為0.0544，且在1%水平上顯著；人工智能技術(shù)應用的系數(shù)為0.0713，且在1%水平上顯著，表明人工智能技術(shù)創(chuàng)新和技術(shù)應用均能提升企業(yè)全要素生產(chǎn)率。假設(shè)1得到驗證。

（二）內(nèi)生性處理

人工智能技術(shù)創(chuàng)新和技術(shù)應用與企業(yè)全要素生產(chǎn)率之間可能存在反向因果關(guān)系。為解決反向因果問題，本文使用工具變量法進行內(nèi)生性處理。本文借鑒Zhao等［33］的研究，以省級光纜密度作為工具變量。一方面，光纜是人工智能的首選材料，其密度水平與人工智能發(fā)展水平有顯著正向關(guān)系，滿足工具變量的相關(guān)性要求。另一方面，省級光纜密度與單個企業(yè)全要素生產(chǎn)率之間不存在直接的相關(guān)關(guān)系，滿足工具變量的外生性要求。因此，本文分別采用省級光纜密度與相同省份同年度同行業(yè)除本企業(yè)外其他企業(yè)人工智能技術(shù)創(chuàng)新和技術(shù)應用均值的交互項構(gòu)建工具變量（IV_1和IV_2）。內(nèi)生性處理結(jié)果如表3所示。表3列（1）和列（3）中上述工具變量的系數(shù)均為正，且至少在5%水平上顯著，驗證了工具變量的相關(guān)性要求，并且Kleibergen?PaaprkLM值拒絕了工具變量識別不足的假設(shè)，Cragg?DonaldWaldF值拒絕了弱工具變量的假設(shè)。表3列（2）和列（4）中人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)分別為1.2688和0.6389，且均在1%水平上顯著，表明在利用工具變量解決了內(nèi)生性問題后，人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率有顯著正向影響的假設(shè)依然穩(wěn)健。

（三）穩(wěn)健性檢驗①

⒈替換被解釋變量

其一，不同測算方法可能會對回歸結(jié)果產(chǎn)生差異，本文采用OP法、OLS法和FE法測算企業(yè)全要素生產(chǎn)率。回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著。其二，由于人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率的影響可能會存在時滯效應，本文選擇滯后一期的被解釋變量重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著，與基準回歸結(jié)果一致。

⒉替換解釋變量

其一，本文重新構(gòu)建人工智能技術(shù)創(chuàng)新變量（AI_dummy），如果企業(yè)當年人工智能專利數(shù)量大于等于1，人工智能技術(shù)創(chuàng)新取值為1，否則取值為0，并且采用人工智能技術(shù)創(chuàng)新（AI_dummy）重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)創(chuàng)新的系數(shù)為正，且在1%水平上顯著。其二，本文基于專利名稱關(guān)鍵詞識別方法得到企業(yè)人工智能專利申請數(shù)量，將企業(yè)人工智能專利申請數(shù)量加1取自然對數(shù)得到人工智能技術(shù)創(chuàng)新（AI_Word），并且重新進行回歸。回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新的系數(shù)為正，且在1%水平上顯著。其三，考慮到上市公司年報中關(guān)鍵詞的選取對識別企業(yè)人工智能技術(shù)應用的影響，本文借鑒姚加權(quán)等［29］的研究，采用擴展詞匯方式計算得到人工智能技術(shù)應用（AI_appli2），并且重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)應用的系數(shù)為正，且在1%水平上顯著。

⒊剔除特殊樣本

其一，與數(shù)字相關(guān)產(chǎn)業(yè)的企業(yè)可能會擁有相對較高的數(shù)字技術(shù)研發(fā)能力，從而這些企業(yè)的人工智能技術(shù)水平相對其他企業(yè)較高，本文借鑒任英華等［11］的研究，剔除計算機、通信和其他電子設(shè)備制造業(yè)及儀器儀表制造業(yè)樣本后重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著。其二，由于中國直轄市的經(jīng)濟環(huán)境具有較大的特殊性，直轄市的企業(yè)在知識技術(shù)溢出效應等方面與其他企業(yè)存在較大差異，本文借鑒倪克金和劉修巖［30］的研究，剔除直轄市樣本后重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著。

⒋增加控制變量

考慮到遺漏變量的內(nèi)生性問題，本文進一步增加控制變量，以觀察回歸結(jié)果是否會發(fā)生顯著變化。其一，較大規(guī)模的企業(yè)相對于中小企業(yè)會有一定的人工智能研發(fā)優(yōu)勢。本文借鑒任英華［11］的研究，采用企業(yè)員工總數(shù)的自然對數(shù)衡量企業(yè)規(guī)模（Size），作為控制變量引入后重新進行回歸。回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著。其二，數(shù)字經(jīng)濟催生新技術(shù)、新業(yè)態(tài)和新模式，企業(yè)數(shù)字化轉(zhuǎn)型程度也會影響人工智能的創(chuàng)新研發(fā)和場景適用。本文統(tǒng)計上市公司年報中與人工智能技術(shù)、區(qū)塊鏈技術(shù)、云計算技術(shù)、大數(shù)據(jù)技術(shù)、數(shù)字技術(shù)應用相關(guān)的關(guān)鍵詞詞頻總數(shù)并加1取自然對數(shù)，用來衡量企業(yè)數(shù)字化轉(zhuǎn)型程度（Dig），作為控制變量引入后重新進行回歸?；貧w結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著。

（四）異質(zhì)性分析

⒈數(shù)據(jù)資產(chǎn)異質(zhì)性

數(shù)據(jù)是人工智能技術(shù)創(chuàng)新和技術(shù)應用的關(guān)鍵投入要素，數(shù)據(jù)資產(chǎn)豐富的企業(yè)能夠為人工智能技術(shù)創(chuàng)新和技術(shù)應用提供高質(zhì)量的數(shù)據(jù)供給，提升人工智能的質(zhì)量和應用性，有助于提升企業(yè)全要素生產(chǎn)率。本文借鑒路征等［34］的研究，采用ln（市場價值-固定資產(chǎn)-金融資產(chǎn)-無形資產(chǎn)）衡量數(shù)據(jù)資產(chǎn)，如果企業(yè)擁有的數(shù)據(jù)資產(chǎn)高于中位數(shù)，為高數(shù)據(jù)資產(chǎn)企業(yè)，否則為非高數(shù)據(jù)資產(chǎn)企業(yè)。表4是數(shù)據(jù)資產(chǎn)異質(zhì)性回歸結(jié)果。表4的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著，但高數(shù)據(jù)資產(chǎn)企業(yè)人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均大于非高數(shù)據(jù)資產(chǎn)企業(yè)，且通過了組間系數(shù)差異檢驗，表明人工智能對高數(shù)據(jù)資產(chǎn)企業(yè)全要素生產(chǎn)率的影響更明顯。

⒉資產(chǎn)運營模式異質(zhì)性

輕資產(chǎn)企業(yè)運營靈活，其更容易根據(jù)市場需求和技術(shù)發(fā)展優(yōu)化業(yè)務和運營策略。因此，在引入人工智能時，輕資產(chǎn)企業(yè)可以更快地對市場變化作出響應，實現(xiàn)企業(yè)運營效率和全要素生產(chǎn)率的提升。本文借鑒邵建軍和張世焦［35］的研究，根據(jù)輕資產(chǎn)占比情況將企業(yè)資產(chǎn)運營模式分為重資產(chǎn)模式和輕資產(chǎn)模式。其中，輕資產(chǎn)占比=（無形資產(chǎn)+商譽）/總資產(chǎn)，企業(yè)輕資產(chǎn)占比在70%以上，為輕資產(chǎn)模式企業(yè)，否則為重資產(chǎn)模式企業(yè)。表5是資產(chǎn)運營模式異質(zhì)性回歸結(jié)果。表5的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著，但輕資產(chǎn)模式企業(yè)人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)更大，且通過了組間系數(shù)差異檢驗，表明人工智能對輕資產(chǎn)運營模式企業(yè)全要素生產(chǎn)率的影響更明顯。

⒊企業(yè)產(chǎn)權(quán)性質(zhì)異質(zhì)性

產(chǎn)權(quán)性質(zhì)不同，企業(yè)的創(chuàng)新行為、目標和經(jīng)營環(huán)境也不同，從而影響企業(yè)全要素生產(chǎn)率。本文將企業(yè)分為國有企業(yè)和非國有企業(yè)，對于產(chǎn)權(quán)性質(zhì)模糊的企業(yè)，根據(jù)實際控股人性質(zhì)進行劃分。表6是企業(yè)產(chǎn)權(quán)性質(zhì)異質(zhì)性回歸結(jié)果。表6的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且在1%水平上顯著，但非國有企業(yè)人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均大于國有企業(yè)，且通過了組間系數(shù)差異檢驗，表明人工智能技術(shù)創(chuàng)新和技術(shù)應用對非國有企業(yè)全要素生產(chǎn)率的影響更明顯。這可能是因為非國有企業(yè)處在充分競爭的市場，創(chuàng)新是其獲得競爭優(yōu)勢和高利潤回報的主要途徑，有較強的激勵通過智能化實現(xiàn)高效率發(fā)展。

⒋行業(yè)技術(shù)密度異質(zhì)性

本文根據(jù)《上市公司資質(zhì)認定信息文件》“認定項目類型”判斷企業(yè)是否為“高新技術(shù)企業(yè)”，將企業(yè)分為高新技術(shù)企業(yè)和非高新技術(shù)企業(yè)。表7是行業(yè)技術(shù)密度異質(zhì)性回歸結(jié)果。表7的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新和技術(shù)應用的系數(shù)均為正，且至少在5%水平上顯著，但高新技術(shù)企業(yè)人工智能技術(shù)創(chuàng)新的系數(shù)大于非高新技術(shù)企業(yè)，且通過了組間系數(shù)差異檢驗，表明高新技術(shù)企業(yè)人工智能技術(shù)創(chuàng)新對企業(yè)全要素生產(chǎn)率的影響更明顯。這可能是因為高新技術(shù)企業(yè)在人力資本、技術(shù)積累和數(shù)據(jù)處理能力等方面具有較強的優(yōu)勢，更有利于企業(yè)進行創(chuàng)新活動和完成創(chuàng)新成果的轉(zhuǎn)化［12］，從而提升企業(yè)全要素生產(chǎn)率。非高新技術(shù)企業(yè)人工智能技術(shù)應用的系數(shù)大于高新技術(shù)企業(yè)，且通過了組間系數(shù)差異檢驗，表明非高新技術(shù)企業(yè)人工智能技術(shù)應用對企業(yè)全要素生產(chǎn)率促進效應更明顯，這可能是因為非高新技術(shù)企業(yè)在人工智能方面與高新技術(shù)企業(yè)之間存在較大差距，從而在引入人工智能后帶來更明顯的全要素生產(chǎn)率提升。

五、機制檢驗與進一步分析

（一）機制檢驗

根據(jù)前文理論分析部分，本文借鑒王鈺和唐要家［26］的研究，構(gòu)建如下計量模型：

Mediait=β0+β1AI_innoit/AI_appliit+β2Xit+μi+λt+εit（9）

其中，Mediait表示上述一系列中介變量，其他變量含義同式（8）。

表8列（1）至列（3）是人工智能技術(shù)創(chuàng)新機制檢驗結(jié)果。表8列（1）的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新能降低企業(yè)成本，從而提升企業(yè)全要素生產(chǎn)率。假設(shè)2a得到驗證。表8列（2）的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新對企業(yè)勞動力結(jié)構(gòu)有正向影響，從而提升企業(yè)全要素生產(chǎn)率。假設(shè)2b得到驗證。表8列（3）的回歸結(jié)果顯示，人工智能技術(shù)創(chuàng)新對企業(yè)創(chuàng)新有正向影響，從而提升企業(yè)全要素生產(chǎn)率。假設(shè)2c得到驗證。

表8列（4）至列（6）是人工智能技術(shù)應用機制檢驗結(jié)果。表8列（4）的回歸結(jié)果顯示，人工智能技術(shù)應用能降低企業(yè)成本，從而提升企業(yè)全要素生產(chǎn)率。假設(shè)2a得到驗證。表8列（5）的回歸結(jié)果顯示，人工智能技術(shù)應用能優(yōu)化企業(yè)勞動力結(jié)構(gòu)，從而提升企業(yè)全要素生產(chǎn)率。假設(shè)2b得到驗證。表8列（6）的回歸結(jié)果顯示，人工智能技術(shù)應用對企業(yè)創(chuàng)新的影響不顯著。假設(shè)2c未得到驗證。

（二）進一步分析

關(guān)于人工智能對企業(yè)全要素生產(chǎn)率影響的滯后效應存在兩種觀點。一是人工智能與企業(yè)全要素生產(chǎn)率之間呈現(xiàn)J型關(guān)系［6，13］，即人工智能對企業(yè)全要素生產(chǎn)率的影響在初期不顯著，甚至為負向影響，而在后期則會產(chǎn)生正向影響，并且滯后效應的持續(xù)時間較短。二是人工智能對企業(yè)全要素生產(chǎn)率的影響存在一個較長的滯后期［36］，因為技術(shù)擴散應用需要更為復雜和漫長的組織結(jié)構(gòu)調(diào)整。為進一步研究人工智能對企業(yè)全要素生產(chǎn)率的動態(tài)影響，本文使用多期DID模型進行檢驗。本文借鑒王冠宇和馬野青［37］的研究，根據(jù)樣本期內(nèi)企業(yè)是否擁有人工智能專利將企業(yè)劃分為處理組和對照組，將至少擁有一個人工智能專利的企業(yè)作為處理組，treat取值為1，否則為對照組，取值為0。然后本文構(gòu)造年份虛擬變量T，企業(yè)首次擁有人工智能專利及其之后年份取值為1，否則取值為0。本文用Tt表示企業(yè)擁有人工智能專利之后的第t年，如果當年為企業(yè)擁有專利的第t年，該變量取值為1，否則取值為0。本文構(gòu)建如下多期動態(tài)DID模型：

TFPit=γ0+γ1treati×T+γ2Xit+μi+λt+εit（10）

TFPit=γ0+γ1Σt=0nβttreati×Tt+γ2Xit+μi+λt+εit（11）

其中，treati×T和Σt=0nβttreati×Tt表示人工智能處理效應，其他變量含義同式（8）；式（10）用來估計人工智能對企業(yè)全要素生產(chǎn)率的總效應；式（11）用來估計人工智能對企業(yè)全要素生產(chǎn)率的動態(tài)效應。

總效應treat×T的系數(shù)為0.0722，且在1%水平上顯著，表明總體樣本期內(nèi)人工智能對企業(yè)全要素生產(chǎn)率有正向影響。表9是進一步分析回歸結(jié)果。動態(tài)效應結(jié)果顯示，人工智能處理當期和之后第一期系數(shù)為負，第二、三期為正，但不顯著，從第四期才呈現(xiàn)顯著為正的效果，表明人工智能在短期內(nèi)對企業(yè)全要素生產(chǎn)率的促進效應并不顯著，甚至為負，長期促進效應顯著為正，驗證了人工智能與企業(yè)全要素生產(chǎn)率的J型關(guān)系，并且相比于蒸汽機、電力、計算機等已有通用目的技術(shù)，人工智能極大縮短了全要素生產(chǎn)率提升效應的滯后期。人工智能對企業(yè)全要素生產(chǎn)率正向影響滯后期縮短的原因可能有如下三點。一是人工智能具有典型的軟件化特征，技術(shù)應用不需要大規(guī)模長周期的固定資本建設(shè)，所以相較于前三次通用目的技術(shù)的普及應用，人工智能的速度更快。二是人工智能技術(shù)具有突出的通用性，能夠較快地在各行業(yè)廣泛應用。三是人工智能對企業(yè)全要素生產(chǎn)率的提升效應很大程度上受到勞動者技能的影響，由于中國長期重視教育和人力資本投入，較高的勞動者技能為全要素生產(chǎn)率提升提供了重要基礎(chǔ)，從而使得人工智能的企業(yè)全要素生產(chǎn)率提升效應得以更快實現(xiàn)。

六、研究結(jié)論與政策建議

人工智能是發(fā)展新質(zhì)生產(chǎn)力的引擎，對實現(xiàn)數(shù)字經(jīng)濟高質(zhì)量發(fā)展具有重要意義。本文基于2010—2023年中國滬深A股上市公司數(shù)據(jù)，采用雙向固定效應模型實證檢驗了人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率的影響及作用機制。研究結(jié)果顯示：人工智能技術(shù)創(chuàng)新和技術(shù)應用均能提升企業(yè)全要素生產(chǎn)率；人工智能技術(shù)創(chuàng)新和技術(shù)應用對企業(yè)全要素生產(chǎn)率的提升效應在高數(shù)據(jù)資產(chǎn)企業(yè)、輕資產(chǎn)模式企業(yè)和非國有企業(yè)中更明顯，人工智能技術(shù)創(chuàng)新對企業(yè)全要素生產(chǎn)率的提升效應在高新技術(shù)企業(yè)中更明顯，人工智能技術(shù)應用對企業(yè)全要素生產(chǎn)率的提升效應在非高新技術(shù)企業(yè)中更明顯；人工智能技術(shù)創(chuàng)新通過降低企業(yè)成本、優(yōu)化企業(yè)勞動力結(jié)構(gòu)和促進企業(yè)創(chuàng)新提升企業(yè)全要素生產(chǎn)率，而人工智能技術(shù)應用通過降低企業(yè)成本和優(yōu)化企業(yè)勞動力結(jié)構(gòu)提升企業(yè)全要素生產(chǎn)率；人工智能對企業(yè)全要素生產(chǎn)率的影響存在短周期的時間滯后效應?；谝陨涎芯拷Y(jié)論，本文提出如下政策建議。

第一，協(xié)同推進人工智能技術(shù)創(chuàng)新和技術(shù)應用，全面釋放人工智能提升企業(yè)全要素生產(chǎn)率的巨大潛能。強化高質(zhì)量數(shù)據(jù)供給，加強算力設(shè)施建設(shè)，培養(yǎng)和吸引高端人工智能人才，為技術(shù)創(chuàng)新提供堅實的要素投入、基礎(chǔ)設(shè)施支持和人力資本保障；在發(fā)揮技術(shù)創(chuàng)新的引領(lǐng)作用的同時，注重技術(shù)應用的賦能作用，以增強人工智能技術(shù)創(chuàng)新主體的產(chǎn)業(yè)化應用綜合服務能力。

第二，細化“人工智能+”政策設(shè)計，根據(jù)不同類型企業(yè)精準施策。發(fā)揮數(shù)據(jù)要素賦能作用，積極推進數(shù)據(jù)資產(chǎn)化；鼓勵企業(yè)向平臺化、生態(tài)化組織模式轉(zhuǎn)型，積極培育產(chǎn)業(yè)互聯(lián)網(wǎng)平臺；營造公平競爭的市場環(huán)境和營商環(huán)境，充分發(fā)揮非國有企業(yè)的作用；注重提高傳統(tǒng)行業(yè)企業(yè)人工智能應用的能力，實現(xiàn)高新技術(shù)企業(yè)與非高新技術(shù)企業(yè)協(xié)同發(fā)展。

第三，強化企業(yè)智能化轉(zhuǎn)型的互補性要素供給和組織結(jié)構(gòu)重構(gòu)，縮短人工智能提升企業(yè)全要素生產(chǎn)率的滯后期。建立行業(yè)或地區(qū)的公共性數(shù)據(jù)平臺，創(chuàng)新產(chǎn)學研合作體制，形成勞動者全職業(yè)周期的動態(tài)技能培訓體制；構(gòu)建互補性企業(yè)合作的智能化生態(tài)體系，更好地整合利用生態(tài)內(nèi)不同企業(yè)的互補性資源；穩(wěn)步推進企業(yè)建立與智能化相適應的組織結(jié)構(gòu)和管理體制，充分釋放人工智能對企業(yè)全要素生產(chǎn)率的提升效應。

參考文獻：

［1］SOLOWR.We’dbetterwatchout［J］.TheNewYorktimesbookreview，1987，12（36）：1-2.

［2］ACEMOGLUD，AUTORD，DORND，etal.ReturnoftheSolowparadox？IT，productivity，andemploymentinUSmanufacturing［J］.TheAmericaneconomicreview，2014，104（5）：394-399.

［3］PARTEKAA，KORDALSKAA.Artificialintelligenceandproductivity：globalevidencefromAIpatentandbibliometricdata［J］.Technovation，2023，125（7）：102764.

［4］ACEMOGLUD.ThesimplemacroeconomicsofAI［R］.NBERWorkingPaperNo.w32487，2024.

［5］COCKBURNIM，HENDERSONR，STERNS.Theimpactofartificialintelligenceoninnovation：anexploratoryanalysis［M］.Chicago：UniversityofChicagoPress，2019.

［6］BRYNJOLFSSONE，ROCKD，SYVERSONC.TheProductivityJ?Curve：howintangiblescomplementgeneralpurposetechnologies［J］.Americaneconomicjournal：macroeconomics，2021，13（1）：333-372.

［7］GONZALESJT.ImplicationsofAIinnovationoneconomicgrowth：apaneldatastudy［J］.Journalofeconomicstructures，2023，12（13）：1-37.

［8］DAMIOLIG，VANROYV，VERTESYD.Theimpactofartificialintelligenceonlaborproductivity［J］.Eurasianbusinessreview，2021，11（1）：1-25.

［9］MARIONILDS，RINCON?AZNARA，VENTURINIF.Productivityperformance，distancetofrontierandAIinnovation：firm?levelevidencefromEurope［J］.Journalofeconomicbehaviorandorganization，2024，228（12）：106762

［10］ZHAIS，LIUZ.Artificialintelligencetechnologyinnovationandfirmproductivity：evidencefromChina［J］.Financeresearchletters，2023，58（8）：104437.

［11］任英華，劉宇釗，李海彤.人工智能技術(shù)創(chuàng)新與企業(yè)全要素生產(chǎn)率［J］.經(jīng)濟管理，2023，45（9）：50-67.

［12］黃勃，李海彤，劉俊岐，等.數(shù)字技術(shù)創(chuàng)新與中國企業(yè)高質(zhì)量發(fā)展——來自企業(yè)數(shù)字專利的證據(jù)［J］.經(jīng)濟研究，2023，58（3）：97-115.

［13］B?CKA，HAJIKHANIA，J?GERA，etal.ReturnoftheSolow?paradoxinAI？AI?adoptionandfirmproductivity［R］.LundUniversityCIRCLEPapersinInnovationStudiesNo.2022/01，2022.

［14］CZARNITZKID，F(xiàn)ERNáNDEZGP，RAMMERC.Artificialintelligenceandfirm?levelproductivity［J］.Journalofeconomicbehavioramp;organization，2023，211（7）：188-205.

［15］BABINAT，F(xiàn)EDYKA，HEA，etal.Artificialintelligence，firmgrowth，andproductinnovation［J］.Journaloffinancialeconomics，2024，151（1）：103745.

［16］杜傳忠，曹效喜，任俊慧.人工智能影響我國全要素生產(chǎn)率的機制與效應研究［J］.南開經(jīng)濟研究，2024（2）：3-24.

［17］PRETTNERK.Anoteontheimplicationsofautomationforeconomicgrowthandthelaborshare［J］.Macroeconomicdynamics，2019，23（3）：1294-1301.

［18］封進，趙發(fā)強，宋弘.失之東隅，收之桑榆：智能時代下老齡化發(fā)展與勞動生產(chǎn)率變化［J］.社會科學，2024，（8）：142-155.

［19］ACEMOGLUD，RESTREPOP.Automationandnewtasks：howtechnologydisplacesandreinstateslabor［J］.Journalofeconomicperspectives，2019，33（2）：3-30.

［20］ACEMOGLUD，AUTORD.Skills，tasksandtechnologies：implicationsforemploymentandearnings［J］.Handbookoflaboreconomics，2011，4：1043-1171.

［21］ACEMOGLUD，RESTREPOP.Robotsandjobs：evidencefromUSlabormarkets［J］.Journalofpoliticaleconomy，2020，128（6）：2188-2244.

［22］AUTORDH，LEVYF，MURNANERJ.Theskillcontentofrecenttechnologicalchange：anempiricalexploration［J］.Thequarterlyjournalofeconomics，2003，118（4）：1279-1333.

［23］KAKATKARC，BILGRAMV，F(xiàn)üLLERJ.Innovationanalytics：leveragingartificialintelligenceintheinnovationprocess［J］.Businesshorizons，2020，63（2）：171-181.

［24］AGRAWALA，MCHALEJ，OETTLA.Findingneedlesinhaystacks：artificialintelligenceandrecombinantgrowth［M］//AGRAWALA，GANSJ，GOLDFARBA.Theeconomicsofartificialintelligence：anagenda.Chicago：UniversityofChicagoPress，2018：149-174.

［25］JONESBF.Theburdenofknowledgeandthe“deathoftherenaissanceman”：isinnovationgettingharder？［J］.Reviewofeconomicstudies，2009，76（1）：283-317.

［26］王鈺，唐要家.人工智能應用如何影響企業(yè)創(chuàng)新寬度？［J］.財經(jīng)問題研究，2024（2）：38-50.

［27］OLLEYGS，PAKESA.Thedynamicsofproductivityinthetelecommunicationsequipmentindustry［J］.Econometrica，1996，64（6）：1263-1297.

［28］LEVINSOHNJ，PETRINA.Estimatingproductionfunctionsusinginputstocontrolforunobservables［J］.Reviewofeconomicstudies，2003，70（2）：317-341.

［29］姚加權(quán)，張錕澎，郭李鵬，等.人工智能如何提升企業(yè)生產(chǎn)效率？——基于勞動力技能結(jié)構(gòu)調(diào)整的視角［J］.管理世界，2024，40（2）：101-116+133.

［30］倪克金，劉修巖.數(shù)字化轉(zhuǎn)型與企業(yè)成長：理論邏輯與中國實踐［J］.經(jīng)濟管理，2021，43（12）：79-97.

［31］王永欽，董雯.機器人的興起如何影響中國勞動力市場？——來自制造業(yè)上市公司的證據(jù)［J］.經(jīng)濟研究，2020，55（10）：159-175.

［32］YOUS，ZHOUK，JIAL.Howdoeshumancapitalfosterproductinnovation？Thecontingentrolesofindustryclusterfeatures［J］.Journalofbusinessresearch，2021，130（9）：335-347.

［33］ZHAOP，GAOY，SUNX.Howdoesartificialintelligenceaffectgreeneconomicgrowth？EvidencefromChina［J］.Scienceofthetotalenvironment，2022，834（33）：155306.

［34］路征，周婷，王理，等.數(shù)據(jù)資產(chǎn)與企業(yè)發(fā)展——來自中國上市公司的經(jīng)驗證據(jù)［J］.產(chǎn)業(yè)經(jīng)濟研究，2023，（4）：128-142.

［35］邵建軍，張世焦.輕資產(chǎn)運營企業(yè)會傾向于內(nèi)源性融資嗎？［J］.財會通訊，2019（24）：101-104.

［36］JUHáSZR，SQUICCIARINIMP，VOIGTL?NDERN.Technologyadoptionandproductivitygrowth：evidencefromindustrializationinFrance［J］.Journalofpoliticaleconomy，2024，132（10）：3215-3259.

［37］王冠宇，馬野青.技術(shù)壁壘、創(chuàng)新激勵與企業(yè)全要素生產(chǎn)率——基于動態(tài)視角的理論與實證分析［J］.山西財經(jīng)大學學報，2023，45（11）：86-99.

（責任編輯：孫艷）

基金項目：國家社會科學基金項目“常態(tài)化監(jiān)管下數(shù)據(jù)與算法反壟斷監(jiān)管研究”（23BJY003）；教育部人文社會科學重點研究基地重大項目“數(shù)字經(jīng)濟數(shù)據(jù)?算法?平臺三位一體關(guān)系與反壟斷政策創(chuàng)新研究”（22JJD790008）