2015年以来,人工智能越来越成为社会各界关注焦点,计算能力提升、数据爆发式增长、机器学习算法进步等一系列因素推动了人工智能技术快速发展。新一代人工智能为经济社会发展注入了新动能,成为产业发展的重要驱动力。制造业是人工智能技术的重要应用领域,“物理世界”(由制造业设备代表)和“数字世界”(由人工智能技术代表)的碰撞融合必将催生制造业的巨大变革。人工智能技术不仅能影响企业劳动力数量,也可以帮助企业摆脱认知局限性,改变传统技术研发模式,通过数据科学和数据分析为企业决策及资源配置提供可量化依据,进而影响制造企业生产效率。那么,人工智能如何影响制造企业生产率?人工智能影响制造企业生产率背后的内在机制又是什么?回答以上问题不仅有助于深刻理解人工智能的微观经济后果,而且也将为政府制定有效的产业和创新政策提供理论依据。
然而,关于人工智能如何影响企业生产率的问题,学术界观点并不一致。一方面,部分学者认为人工智能对企业生产率具有积极促进作用。Acemoglu & Restrepo(2018)构建了机器智能理论模型,提出机器智能具有替代效应和生产率效应,替代效应会降低劳动力需求,而生产率效应通过使用更便宜的资本替代劳动力从而提高生产率;Brynjolfsson等[1-2]使用不同人工智能指标进行实证研究,发现人工智能对企业生产率有显著积极影响;Mark Purdy & Paul Daugherty[3]进一步提出人工智能是一种新的生产要素,是资本与劳动的混合体,可以通过优化智能自动化系统流程、增加人力与实物资本以及推动技术创新等方式提升企业生产率。另一方面,也有学者提出人工智能应用存在“生产率悖论”。Gordon[4]认为,始于20世纪70年代的“第三次工业革命”到2005年已基本接近尾声,后续技术创新的作用已经非常小,移动计算、机器人技术、3D打印、人工智能等对企业生产率几乎没有什么影响,因为这些创新或与企业关系不大,或还没有足够成熟到产生影响;Acemoglu & Restrepo[5]认为,人工智能等技术被过度采用,导致资本和劳动配置不当,从而阻碍生产率提升。
本文尝试从微观企业层面,使用我国A股上市制造企业数据,研究人工智能对制造企业生产率的影响,验证人工智能在制造企业的应用是否存在“生产率悖论”。以此为基础,进一步考察人工智能通过劳动生产率、资本使用效率、技术进步等影响制造企业生产率的内在机制。
关于人工智能是否影响制造企业生产率,实际上是“生产率悖论”讨论的继续。“生产率悖论”又称“索洛悖论”,由Solow于1987年提出,其认为技术变革随处可见,但统计数据却没有明确显示技术对增长产生的影响。
人工智能作为一种新的生产要素,能够克服人类资本和劳动力限制,促进制造业生产率提升。人工智能使常规生产活动可以用自动化代替,解放了劳动力,让更多人从事更能激发创造力和附加值更高的工作[6]。产品可以通过手工技术或工业技术两种方式生产,手工技术劳动投入需求大,资本投入需求小,而工业技术则相反。如果生产率低,依靠手工技术进行生产会更有利;而当生产率突破一定临界点时,采用工业技术进行生产会变得更高效。因此,技术进步可以促进生产率提高[7]。
此外,有研究认为,计算机、互联网、人工智能等新技术的出现并没有对生产率增长产生实质性影响,人工智能等技术不能像之前的技术革命一样让生产率产生明显增长[8]。人工智能等技术发展与应用要么与企业生产率提升无关,要么并未成熟到能够对生产率产生影响,形成了总体生产率伴随技术进步反而增长放缓甚至负增长的“生产率悖论”。针对上述说法,郭敏和方梦然[9]利用我国宏观层面数据研究发现,人工智能对生产率的滞后效应以及错误的人工智能统计是导致“生产率悖论”现象的主因,现阶段滞后的配套工作限制了人工智能作用的发挥。因此,结合中国制造业发展和人工智能应用情况,提出以下竞争性假设:
H1a:人工智能作为新的生产要素,能够促进制造企业生产率提高;
H1b:人工智能尚不成熟,不能有效驱动制造企业生产率提升。
人工智能等新技术对企业生产率的影响往往受到市场份额的约束和调节。制造业市场集中度较高,少数大公司掌握较大市场份额,且企业市场份额差距悬殊现象仍在加剧[10]。市场份额集中带来的结果是产业收益越来越集中于大公司[11]。如果这些制造业公司为了稳定自身市场份额,获取更多收益,采用人工智能技术,虽然会加速企业自动化进程,但也可能遭遇美国经济学家鲍莫尔于1967年提出的“鲍莫尔成本病”。目前,人工智能技术和设备成本较高,对企业技术要求高,但通用性较弱,智能产品低端化现象时有发生。因此,应用人工智能技术可能会显著提高制造企业非自动化部门成本,导致资本回报份额降低[12],投入产出效率下降。基于上述理论分析,提出如下假设:
H2:市场份额对人工智能与企业生产率的关系有负向调节作用。市场份额业绩越好的企业,应用人工智能促进企业生产率提升的作用越小。
一系列研究发现,人工智能需要与其它生产要素配合才能对企业全要素生产率产生具有统计意义的贡献[13]。因此,人工智能与劳动力、资本、技术等生产要素之间的关系会对企业生产率产生影响。
1.3.1 人工智能与劳动生产率
一方面,人工智能具有迅速扩大的数据集、机器学习能力和强大的计算能力,能够替代简单、重复、单一和常规的生产活动,创造虚拟劳动力,发挥替代效应[14]。人工智能创造的虚拟劳动力作为新的生产要素,可以在单位时间内产出更多劳动成果,进一步形成规模效应,从而提升生产率。此外,人工智能这一虚拟劳动力对劳动环境要求低,具有更长的劳动时间和更为高效的劳动方法,能够大幅降低生产成本,提高企业生产效率。Frey & Osborne[15]预测,在未来20年,美国近一半企业岗位将可能被人工智能代替。
另一方面,人工智能可能并不会直接减少劳动力,而是促进劳动力素质提升。人工智能可以解放劳动力,使劳动力转向高创造性和高专业性工作,被解放的劳动力通过参加高技能职业培训和学习,主动或被动提升自身素质和技能水平。人工智能与高技能、高素质劳动力结合,更能发挥出生产率效应,促进企业生产率提高。此外,制造企业应用人工智能会增加高技能劳动力需求[16],高技能劳动力对人工智能有较强的使用能力,在相同时间约束下,可以有效减少程序性工作,提高劳动力生产率,从而发挥人工智能的生产率效应。人工智能也可能创造出分析、应用、维护等多种新的劳动岗位,从而抵消或逆转人工智能造成制造企业劳动力减少的现象。因此,企业应用人工智能可能既增加劳动力数量,又提高劳动力素质。根据以上分析,提出以下假设:
H3a:人工智能通过影响劳动力数量,进而影响制造企业生产率;
H3b:人工智能通过影响劳动力素质,进而影响制造企业生产率。
1.3.2 人工智能与资本使用效率
人工智能会影响企业物质资本和人力资本使用效率[17]。一方面,人工智能能够完善和提高现有物质资本使用效率[18]。人工智能利用基础计算能力和优化数据的概念,借助大数据手段,可快速收集、处理市场信息和数据,有利于经济主体科学决策。智能化制造企业可实施定制化生产经营,节约大量物质投入,提高了物质资本使用效率,最大限度地使稀缺资本产生利润,提高生产率。人工智能具有智能控制和精准管理功能,通过数据处理、方案筛选和自动纠错功能,使制造企业在经济活动中实现有效控制、精细化管理和精准操作,减少资源浪费,促进生产率提升[19]。
另一方面,根据卢卡斯的人力资本经济增长模型,社会及个人的投资不仅会形成资产设备等物质资本,也会形成存在于劳动者身上的人力资本,仅仅在企业应用人工智能技术并不会对生产率产生显著促进作用,只有同时在人力资本方面进行相应投资才会得到更高生产率回报[20]。因此,人工智能技术在制造业的应用既可以影响物质资本使用效率,也可以影响人力资本使用效率。因此,提出如下假设:
H4a:人工智能通过影响物质资本使用效率,进而影响制造企业生产率;
H4b:人工智能通过影响人力资本使用效率,进而影响制造企业生产率。
1.3.3 人工智能与技术进步
人工智能、机器学习等新技术所产生的经济效应是基于其隶属于通用技术的属性[20]。作为一种新的通用技术,人工智能可以直接影响生产率。人工智能、机器学习的应用改变了机器感知能力,例如,机器视觉识别行人的错误率已经从每秒30帧出现1次错误降低到大约每秒3 000万帧出现1次错误,自动化汽车可行性大幅度提升,工厂自动化任务完成准确性也有了较大提升[21]。同时,人工智能还会间接增加互补性技术创新投入,激发大量互补性技术创新,成为制造业、物流业、金融业等行业增长的重要驱动力[22-23]。面对智能化转型压力,制造企业需要增强智能设备系统集成能力,因此会从产品设计、生产工艺流程、配套设施等方面加大研发投入和技术改造经费。人工智能技术和设备的广泛应用会产生技术扩散效应和溢出效应,加速新产品和新技术产生,促进相关产业设备更新,增加技术创新产出,最终提高企业生产率。但是,人工智能技术也不可避免地具有不确定性,和其它通用技术一样,人工智能可能不会带来生产率的立刻变化,技术史表明,多种新技术的“并存但不爆发”往往会持续很长时间,只有各种新旧力量之间产生关联,才会集中性爆发并扩散到传统行业,表现为生产率提升。基于此,本文提出如下假设:
H5a:人工智能通过影响技术创新投入,进而影响制造企业生产率;
H5b:人工智能通过影响技术创新产出,进而影响制造企业生产率。
本文选取2015—2017年沪、深两市A股制造业上市公司作为研究样本,主要基于以下两点考虑:①虽然早在1956年人工智能的概念就被提出,但人工智能取得迅猛发展并广泛应用于制造业主要发生在2015年以后,为发挥制造企业示范作用,2015年工信部开始发布智能制造试点示范企业名单;②在2011年德国提出工业4.0概念之后,2015年中国随即提出了“中国制造2025”战略,其核心就是实现制造业全面智能化,自2015年起越来越多的制造企业开始进行转型,实施与人工智能深度融合。
为确保数据的代表性和精准性,本文按照如下步骤进行了严格的样本处理:①剔除数据存在严重缺失的样本;②剔除业绩极差的ST、ST*公司;③考虑到年度行业均值调整,剔除某一年度行业观测值少于2个的样本。经过上述处理,最后获得29个行业共计4 346个样本观测值。
本文数据来源包括两个部分。一是反映上市公司是否应用人工智能技术的指标,通过对东方财富数据库中的新闻及公告进行爬虫搜集。使用“AI、人工智能、智能制造、智能化、智能应用、AI应用、智能、人工智能应用企业、制造业人工智能企业”等关键词,手动加工、整理和分析,最终确定已经应用人工智能技术的A股制造业上市公司共464家。二是研究涉及的其它财务数据均来自CSMAR数据库。为了剔除异常值对回归结果可靠性可能产生的影响,本文对除虚拟变量外的所有连续变量进行上下1%分位数的缩尾(Winsorize)处理,描述性统计和实证检验均使用缩尾处理后的数据。此外,本文对所有解释变量和控制变量进行了方差膨胀因子(VIF)诊断,结果显示,VIF均值为1.41,且都在2以内。因此,变量之间不存在严重的多重共线性问题。
本文首先研究制造企业应用人工智能技术能否影响制造企业生产率,以及市场份额对人工智能与制造企业生产率关系的调节作用,为检验H1a、H1b、H2,构建计量模型如下:
TFPit=α0+α1DIFAIit+α2lnageit+α3ROAit+α4levit+εi
(1)
TFPit=α0+α1DIFAIit+β1lnsalesit+β2DIFAIit*lnsalesit+α2lnageit+α3ROAit+α4levit+εi
(2)
其中,i、t分别表示公司i与年度t(下同),αi代表变量系数,αi代表交乘项系数,εi代表随机误差项。
被解释变量TFP表示企业全要素生产率,通常被解释为总产出中不能由要素投入所解释的“剩余”,揭示生产率作为一个经济概念的本质,主要反映生产过程中各种投入要素的单位平均产出水平,即投入转化为最终产出的总体效率。经典的微观企业全要素生产率度量是用最小二乘法(OLS)测算索洛余值,但传统OLS法测算索洛余值时存在联立性偏误、样本选择偏误等问题。为解决以上问题,本文主要采用半参数法OP和LP方法测算全要素生产率。
解释变量DIFAI是反映制造业上市公司是否应用人工智能技术的虚拟变量。
调节变量为市场份额业绩指标。企业市场份额变化能够反映企业采取各种经营策略的经济后果,可以更有效地捕捉企业市场业绩变化。参考Campello等[24]的做法,本文采用经年度、行业中值调整后的销售收入自然对数的变动额(lnsales)衡量企业产品的市场份额,并构建市场份额与解释变量DIFAI的交互项(DIFAI*lnsales)。
本文参考Brynjolfsson等[25-26]的研究,选择计量模型的控制变量,包括上市公司年龄的对数(ln_age)、资产收益率(ROA)和财务杠杆率(Lev)。相关变量的定义如表1所示。
表1 变量说明
变量名变量含义变量类型全要素生产率(TFP)全要素生产率是指一个系统的总产出量与全部生产要素真实投入量之比,运用OP和LP法测算,分别表示为TFP_op、TFP_lp被解释变量人工智能应用虚拟变量(DIFAI)制造业上市公司是否应用了人工智能技术,公司在年报、公告、新闻等披露了“人工智能”相关信息,则取1,否则取0解释变量市场份额(lnsales)制造业上市公司经年度、行业中值调整后的销售收入自然对数的变动额调节变量交乘项(DIFAI∗lnsales)人工智能应用虚拟变量与市场份额的交乘项公司年龄(ln_age)公司自成立年份起的年数加1,并取自然对数控制变量资产收益率(ROA)资产收益率=净利润/总资产财务杠杆率(Lev)资产负债率,债务对投资者收益的影响,称为财务杠杆。资产负债率=总负债/总资产劳动力数量(lnL)公司雇佣劳动力数量取对数中介变量公司是否对员工研究发展进行投入(dum_RD)是否对员工发展进行投入的虚拟变量物质资本使用效率(PKI)用物质资本增值系数表示,物质资本增值系数=固定资产净额/企业增值人力资本使用效率(HCI)用人力资本增值系数表示,人力资本增值系数=人力资本/企业增值技术创新投入(RDexp)用研发投入强度表示,研发投入强度=企业当年研发支出/企业营业收入技术创新产出(ln-patenti)当期发明专利申请总数取对数,不包括实用新型和外观设计
本文通过结构方程模型检验人工智能对制造企业生产率影响的微观机制。具体变量包括:
(1)公司雇用工人数量的自然对数(lnL),表示劳动力数量。
(2)公司是否对员工研究发展进行投入(dum_RD),作为虚拟变量,公司对员工研究发展进行投入取1,否则取0。
(3)物质资本,主要指企业投入生产经营活动的生产物资,包括机器、设备、厂房、建筑物、交通运输设施等。首先,本文借鉴Heieh&Klenow[27]的方法,采用上市公司财务报表中的固定资产净额作为物质资本存量的代理指标;其次,借鉴Pulic[28]的方法,用物质资本增值系数衡量物质资本的使用效率(PKI),物质资本增值系数是企业物质资本存量与企业增值之比,其中企业增值=税前利润+应付职工薪酬-财务费用。
(4)企业人力资本,主要反映为支付给员工的现金。考虑数据的可获得性,选取年报中的“支付给职工以及为职工支付的现金”指标度量企业人力资本。本文用人力资本增值系数衡量人力资本使用效率(HCI),人力资本增值系数是企业人力资本与企业增值之比。
(5)技术创新投入变量采用公司当期研发投入强度(RDexp)表示,技术创新产出变量采用公司当期申请的发明专利数量取对数(lnpatenti)表示。
表2报告了制造业各细分行业解释变量和被解释变量的描述性统计结果。结果显示,除石油加工、烧焦及核燃料加工业和废弃资源综合利用业2个行业未应用人工智能技术外,其它制造业细分行业都应用了人工智能技术,表明制造企业都重视并引入人工智能。从平均值来看,2个未应用人工智能技术的行业全要素生产率并不明显低于应用人工智能技术的行业,需要进一步实证检验,判断人工智能对制造企业生产率的影响。
表2 解释变量、被解释变量描述性统计结果(分行业)
行业(SIC2)变量均值最小值最大值标准差农副食品加工业(13)DIFAI0.04225010.202599TFP_op19.5642117.0242621.522861.032412TFP_lp20.6453118.0275222.632351.056458食品制造业(14)DIFAI0.083333010.278325TFP_op19.0054616.5940821.586471.047709TFP_lp20.0817817.6638922.736381.080542酒、饮料和精制茶制造业(15)DIFAI0.1111111010.316475TFP_op19.066417.0427421.56771.073365TFP_lp20.1426518.0838722.749571.11047纺织业(17)DIFAI0.2205882010.417726TFP_op18.7617317.5716920.335480.679043TFP_lp19.8154818.6305121.421120.698886纺织服装、服饰业(18)DIFAI0.208333010.410414TFP_op18.9546617.3606220.830310.965738TFP_lp19.9758218.3460821.91510.9904969皮革、毛皮、羽毛及其制品和制鞋业(19)DIFAI0.538462010.518875TFP_op18.7033617.5650219.132940.527250TFP_lp19.7185118.6105820.145690.518074木材加工及木、竹、藤、棕、草制品业(20)DIFAI0.214286010.425815TFP_op18.9031518.1719319.948830.650399TFP_lp19.9495119.2087721.022490.647590家具制造业(21)DIFAI0.333333010.481543TFP_op18.7605317.6395619.778690.630004TFP_lp19.7890118.6016120.893510.673175造纸及纸制品业(22)DIFAI0.25010.437237TFP_op19.1068117.4069220.701460.844418TFP_lp20.2166518.4950221.941150.887498印刷和记录媒介复制业(23)DIFAI0.473684010.512989TFP_op18.3695817.2119119.059040.570709TFP_lp19.4329118.2189620.146550.589428文教、工美、体育和娱乐用品制造业(24)DIFAI0.277778010.460889TFP_op18.5429417.2447819.85050.8756469TFP_lp19.5688918.2119620.905540.880439石油加工、烧焦及核燃料加工业(25)DIFAI0000TFP_op19.8148418.1117322.031961.110798TFP_lp20.9424219.1174623.202521.159855化学原料及化学制品制造业(26)DIFAI0.077283010.267354TFP_op18.9393916.7904321.731720.965950TFP_lp20.0277317.7555322.867921.013576医药制造业(27)DIFAI0.085511010.279973TFP_op18.7303316.6485921.24080.865349TFP_lp19.7918317.7163322.313950.888180化学纤维制造业(28)DIFAI0.166667010.377196TFP_op19.3255117.5886821.933020.947942TFP_lp20.4343318.6420523.166380.985067橡胶和塑料制品业(29)DIFAI0.179856010.385457TFP_op18.8221217.4580220.905510.786155TFP_lp19.8876218.4334622.067270.819549非金属矿物制品业(30)DIFAI0.156863010.364866
续表2 解释变量、被解释变量描述性统计结果(分行业)
行业(SIC2)变量均值最小值最大值标准差TFP_op18.6851916.4021621.453391.01283TFP_lp19.7705917.4668922.682011.060087黑色金属冶炼及压延加工业(31)DIFAI0.236842010.427970TFP_op20.7918418.6159922.031960.756767TFP_lp21.9854119.6569123.202520.795535有色金属冶炼及压延加工业(32)DIFAI0.104167010.306543TFP_op19.6731616.5444722.031961.167198TFP_lp20.7785517.6164223.202521.195304金属制品业(33)DIFAI0.271930010.446918TFP_op18.8239916.5938821.683280.964654TFP_lp19.8852117.6263322.869240.996781通用设备制造业(34)DIFAI0.351648010.478362TFP_op18.5120716.4760721.858580.958355TFP_lp19.5641817.5737723.019890.988656专用设备制造业(35)DIFAI0.341860010.474886TFP_op18.3588215.8873821.741390.947362TFP_lp19.3983516.848922.792990.983605汽车制造业(36)DIFAI0.4010.490944TFP_op19.2545216.5311822.031961.26252TFP_lp20.3292117.5182623.202521.302201铁路、船舶、航空航天和其它运输设备制造业(37)DIFAI0.201923010.403379TFP_op19.1322315.4421122.031961.250492TFP_lp20.2047116.3447423.202521.299484电气机械及器材制造业(38)DIFAI0.355828010.479254TFP_op18.8836916.2321622.031960.987129TFP_lp19.9286817.2137123.202521.017631计算机、通信和其他电子设备制造业(39)DIFAI0.450147010.497874TFP_op18.7312515.9431722.031961.104648TFP_lp19.7671916.9179323.202521.134682仪器仪表制造业(40)DIFAI0.506173010.503077TFP_op17.8526516.4356919.597130.788861TFP_lp18.8529717.42620.664280.821263其他制造业(41)DIFAI0.130435010.344350TFP_op18.828417.4180821.811251.502421TFP_lp19.8333218.3842222.825321.511576废弃资源综合利用业(42)DIFAI0000TFP_op19.1203718.4707720.198410.532119TFP_lp20.1799519.2636721.375580.62373
根据上市公司是否应用人工智能技术进行分组,对主要变量进行描述性统计分析,如表3所示。结果显示,相比未应用人工智能技术的样本,应用人工智能技术的样本全要素生产率明显更高,即TFP_op和 TFP_lp更高。从均值看,应用人工智能技术的公司比未应用公司的全要素生产率高。
表3 主要变量分组描述性统计结果
样本统计值TFP_opTFP_lpDIFAIlnsalesDIFAI∗lnsales均值18.7661419.8275400.2660690标准差1.026791.06637200.64881630未应用人工智能技术的样本最小值15.4421116.344740-1.6500890最大值22.0319623.2025202.9793040样本31873187318715841584均值19.0993720.1592710.35036810.3503681标准差1.1894731.23352300.60401010.6040101应用人工智能技术的样本最小值15.8873816.84891-1.650089-1.650089最大值22.0319623.2025212.9793042.979304样本115911591159760760均值18.8550119.916010.2666820.29340150.1136006标准差1.0825281.1228830.44227560.63573280.3809097最小值15.4421116.344740-1.650089-1.650089最大值22.0319623.2025212.9793042.979304样本43464346434623442344
本文应用Stata15软件进行估计。运用面板数据模型检验H1a、H1b、H2,在作面板数据模型回归时,经过Hausman检验,采用随机效应模型进行估计。为确保没有异方差问题,采用稳健标准误进行回归。
表4的回归结果显示,应用人工智能技术显著提升了制造业上市公司的全要素生产率。具体地,第(1)、(3)列的回归结果显示,DIFAI系数均显著为正,且在1%的水平下显著,表明在控制了公司年龄、ROA、Lev等相关变量后,企业应用人工智能技术会显著提升全要素生产率。因此,H1a成立,即人工智能的应用可以有效促进制造企业生产率提升。
表4 人工智能对制造业全要素生产率的影响
TFP_op(1)(2)TFP_lp(3)(4)DIFAI0.277∗∗∗0.156∗∗∗0.276∗∗∗0.148∗∗∗(5.80)(2.98)(5.56)(2.73)lnsales0.0960∗∗∗0.0962∗∗∗(8.07)(7.89)DIFAI∗ln-sales-0.0611∗∗∗-0.0632∗∗∗(-2.61)(-2.64)ln_Age0.642∗∗∗0.512∗∗∗0.676∗∗∗0.540∗∗∗(8.45)(5.70)(8.55)(5.78)ROA2.783∗∗∗2.192∗∗∗2.741∗∗∗2.169∗∗∗(19.51)(11.93)(18.84)(11.50)Lev1.723∗∗∗1.327∗∗∗1.760∗∗∗1.369∗∗∗(26.81)(15.92)(26.72)(15.97)_cons16.04∗∗∗17.19∗∗∗16.98∗∗∗18.17∗∗∗(71.92)(64.19)(73.14)(65.28)N4346234443462344
注:***、**、*分别表示1%、5%、10%的显著性水平,下同
本文在模型中加入市场份额与人工智能变量的交互项,以检验是否存在一些因素显著影响人工智能与制造企业生产率间的关系。表4第(2)、(4)列结果显示,加入交互项后,人工智能应用虚拟变量系数仍然为正,且在1%的水平下显著,市场份额变量系数也显著为正,交互项系数显著为负,置信水平为1%。说明调节变量市场份额显著影响人工智能与制造企业生产率间的关系,即市场份额具有负向调节效应。具体来说,DIFAI对TFP的影响取决于lnsales大小,当lnsales取值较小时,DIFAI对TFP的影响可能为正;当lnsales取值较大时,DIFAI对TFP的影响可能为负。因此,制造业上市公司市场份额业绩越好,越不利于发挥人工智能对制造业上市公司全要素生产率的促进作用。因此,H2得以验证。中国人工智能技术尚不成熟,人工智能应用的基础设施和条件不够完备[29],并非所有的制造企业都能受益于人工智能技术应用。从控制变量看,公司年龄、ROA、Lev的影响都较为显著,这些发现均与以往研究结论基本一致。
3.2.1 机制检验路径设定
本文运用结构方程方法检验人工智能影响制造企业生产率的机制,即对H3a、H3b、H4a、H4b、H5a、H5b进行检验。构建多重中介效应模型研究劳动生产率、资本使用效率、技术进步对企业应用人工智能技术与生产率的中介效应。在以往实证研究中,往往采用一系列回归方程检验中介过程,但前提是要预先假定研究变量间的因果关系及发生的时间顺序。本文尝试采用结构方程模型,基于一个自变量、多个中介变量、一个因变量建模,不仅能同时分析多条影响路径,而且可以对比中介效应[30]。
为研究人工智能能否通过影响劳动生产率进而促进制造企业生产率提高,模型选择劳动力数量(lnL)和企业员工研究发展投入虚拟变量(dum_RD)作为中介变量;为研究人工智能能否通过影响资本使用效率进而促进制造企业生产率提高,模型选择物质资本使用效率(PKI)和人力资本使用效率(HCI)作为中介变量;为了研究人工智能能否通过影响技术进步进而促进制造企业生产率提高,模型选择技术创新投入(RDexp)和技术创新产出(lnpatenti)作为中介变量。
图1 基于结构方程的多重中介效应模型
3.2.2 机制检验模型估计
通过结构方程模型检验中介效应,一般是先进行模型估计,然后计算中介效应。以TFP_op为例,先进行结构方程模型估计。根据协方差(Covariance)、修正指数(Modification Indices,MI)等信息修正模型后,如表5所示,结构方程模型的RMSEA小于0.1,SRMR小于0.05,CFI大于0.9,TLI接近0.9,符合拟合标准,说明结构方程模型拟合度较好。
表5 模型拟合度检验结果
拟合指标RMSEASRMRCFITLI理想参数<0.1<0.05≥0.9≥0.9模型参数0.0860.0470.9560.896
具体的结构方程模型路径系数如图2所示,H3a、H4a、H4b、H5a、H5b,均成立,但H3b未得到验证。其中,人工智能通过中介变量劳动力数量促进了制造企业生产率提高,验证了H3a。具体地,DIFAI和lnL的路径系数显著为正,说明人工智能显著增加了制造企业劳动力数量,因为目前制造企业应用人工智能技术并不成熟,需要更多懂技术的劳动力;lnL和TFP_op的路径系数显著为正,说明懂技术的劳动力数量增加提高了人工智能技术应用效率,进而提高了企业全要素生产率。dum_RD并未构成人工智能影响企业生产率的中介变量,H3b未通过验证。具体地,DIFAI和dum_RD的路径系数不显著,同时dum_RD和TFP_op的路径系数也不显著。
图2 结构方程模型路径系数
物质资本使用效率、人力资本使用效率构成了人工智能影响企业生产率的中介变量,H4a、H4b通过验证。具体来看,DIFAI和PKI的路径系数显著为正,PKI和TFP_op的路径系数也显著为正,说明人工智能提升了物质资本使用效率,促进了生产率增长,但是,DIFAI对HCI的影响显著为负,而HCI对TFP_op的影响显著为正,说明人工智能不能有效优化人力资本使用效率,进而抑制企业生产率提高。
人工智能通过中介变量技术创新投入,抑制了制造企业全要素生产率提高,验证了H5a。具体地,DIFAI对RDexp的影响显著为正,说明人工智能技术的应用增加了研发投入;同时,RDexp对TFP_op的影响显著为负,原因可能是技术创新的滞后性抑制了当期企业生产率提高。人工智能通过中介变量技术创新产出促进了制造企业生产率提高,验证了H5b。具体地,DIFAI和lnpatenti的路径系数显著为正,说明人工智能应用增加了制造企业实质性发明专利数量;同时,lnpatenti和TFP_op的系数显著为正,说明实质性发明专利数量越多,企业生产率越高。
此外,应用人工智能技术对生产率的直接影响仍然显著,但路径系数为负,具体为-0.065 4,与表4结果相比,系数明显降低,由正转为负,表明企业应用人工智能技术主要通过多重中介机制提升企业生产率。
可见,人工智能技术目前在中国并不成熟,仍处于初级阶段,制造企业应用人工智能增加了对知识劳动力的需求,而懂技术的知识劳动力促进了人工智能技术的充分使用,发挥了生产率效应。人工智能使计算效率成倍提升,借助机器深度学习,构建人机合作决策系统,可以优化生产流程,提高物质资本使用效率,实现要素优化配置。在新一轮科技变革和产业革命中,人工智能已成为制造业创新驱动发展的先导力量,加强人工智能与制造企业互融互通,有利于新产品、新技术产生,促进制造业生产率提升。与此同时,劳动力需求增加,引起了人力资本存量增加,从而降低了人力资本使用效率,对生产率提高产生了消极影响;当期研发投入强度提高,并不一定就能在当期提升企业生产率。
3.2.3 中介效应分析
进一步以TFP_op为例,进行中介效应分析,如表6所示。结果显示,企业应用人工智能对生产率有直接负效应,为-0.064 5;企业应用人工智能通过各中介变量对生产率有间接正效应,为0.397 7;企业应用人工智能技术对生产率的总效应等于直接效应加上间接效应,为0.333 2。因此,人工智能之所以能对企业生产率产生积极影响,主要是通过中介变量实现的。
表6 多重中介效应检验结果
路径标准化总效应z标准化直接效应z标准化间接效应z应用人工智能技术→劳动力数量0.5034∗∗∗13.400.5034∗∗∗13.400--劳动力数量→生产率0.6728∗∗∗69.100.6728∗∗∗69.100--应用人工智能技术→是否对员工研究发展进行投入-0.0006-0.75-0.0006-0.750--是否对员工研究发展进行投入→生产率-0.2844-0.71-0.2844-0.710--应用人工智能技术→物质资本使用效率0.3151∗∗∗9.860.3151∗∗∗9.860--物质资本使用效率→生产率0.0573∗∗∗5.850.0573∗∗∗5.850--应用人工智能技术→人力资本使用效率-0.0910∗∗-1.99-0.0910∗∗-1.990--人力资本使用效率→生产率0.1379∗∗∗19.980.1379∗∗∗19.980--应用人工智能技术→技术创新投入1.1366∗∗∗9.181.1366∗∗∗9.180--技术创新投入→生产率-0.0598∗∗∗-22.63-0.0598∗∗∗-22.630--应用人工智能技术→技术创新产出0.9397∗∗∗20.010.9397∗∗∗20.010--技术创新产出→生产率0.1291∗∗∗17.660.1291∗∗∗17.660--应用人工智能技术→生产率0.3332∗∗∗8.83-0.0645∗∗∗-3.130.3977∗∗∗11.96
具体来说,劳动力数量在应用人工智能技术与生产率关系之间的中介效应为0.338 7(0.503 4×0.672 8),且在1%的水平上显著;是否对员工研究发展进行投入的中介效应虽然为正,但不显著;物质资本使用效率在应用人工智能技术与生产率关系之间的中介效应为0.018 1(0.315 1×0.057 3),且在1%的水平上显著;人力资本使用效率在应用人工智能技术与生产率关系之间的中介效应是负效应,为-0.012 5(-0.091 0×0.137 9),在5%的水平上显著;技术创新投入在应用人工智能技术与生产率关系之间的中介效应也是负效应,为-0.068 0(1.136 6×-0.059 8);技术创新产出在应用人工智能技术与生产率关系之间的中介效应是正效应,为0.121 3(0.939 7×0.129 1)。
综合分析可知,制造企业应用人工智能通过影响劳动力数量、物质资本使用效率和技术创新产出,提升了企业生产率,具有正向中介效应;通过影响人力资本使用效率和技术创新投入,抑制了企业生产率提升,具有负向中介效应;而且,正向中介效应大于负向中介效应,整体中介效应为正。
本文采用替换检验方法进行稳健性检验,主要结论均未发生实质性改变。首先,本文选用极大似然估计方法进行检验,H1a、H2依然成立,结论未发生实质性改变。其次,参考宣烨和余泳泽[31]的研究,对制造业上市公司的所有权性质进行分组,然后分别对国有企业和民营企业进行验证。结果显示,对于民营企业,H1a、H2依然成立,主要结论未发生实质性改变;对于国有企业,H1a仍然成立,但H2未通过检验,即市场份额的调节作用不再显著。说明无论国有企业还是民营企业,人工智能已成为其创新发展的重要驱动力,但由于国有企业能够得到政府更多政策和资金支持,因此市场份额等并不是影响人工智能与生产率关系的主要因素。
利用中国制造业上市公司2015—2017年相关数据,本文研究发现,制造业普遍重视与人工智能深度融合,绝大部分制造业细分行业都应用了人工智能技术,但整体渗透率较低;制造业上市公司与人工智能融合显著提高了企业生产率;市场份额影响了人工智能技术应用与企业生产率的关系,市场份额业绩越好的企业,应用人工智能促进制造企业生产率提升的作用越小,某些市场份额业绩好的企业可能存在“生产率悖论”。
进一步的机制检验发现,人工智能通过劳动力数量、物质资本使用效率和技术创新产出3个中介变量,促进了企业生产率提升,产生了正向中介效应;通过人力资本使用效率和技术创新投入抑制了企业生产率提升,产生了负向中介效应;且正向中介效应大于负向中介效应。本文的研究结论表明,人工智能技术在制造企业的应用并不成熟。一方面,我国制造业数字化、信息化水平参差不齐,未能为人工智能在制造业的广泛应用提供条件和基础;另一方面,制造业产业链条远比其它行业复杂,制造业从业人员也未能充分精准掌握人工智能技术。因此,人工智能技术在制造企业的应用难度较大。
(1)制造企业应积极应用人工智能,更好地发挥人工智能的生产率效应。当前,我国人工智能在制造业领域的应用还处于起步和初级阶段,制造企业应用人工智能技术基础还比较薄弱,而且在如何实现与人工智能深度融合方面缺乏具体措施。因此,制造企业应加大人工智能技术的投入力度,提升企业数字化能力和智能化成熟度,为人工智能发挥生产率效应提供软件基础;加快设备连接和厂房改造,为人工智能应用奠定硬件基础。
(2)结合制造业细分行业特点,开发设计人工智能系统,降低人工智能技术开发应用成本。目前,市场份额业绩好的制造企业纷纷开展人工智能竞赛,建立各自的研发中心,进行自动化、信息化升级,导致人工智能实施成本居高不下。但是,由于制造业各行业技术、流程差异大,对人工智能有不同需求,因此降低设计实施成本不是建立一个通用的人工智能系统,而是鼓励和引导制造业各细分行业领军企业自主开发或合作开发智能制造技术、软硬件体系,再逐步扩散到整个行业。
(3)制造企业要着力推进劳动力转型,优化资本要素配置,合理规划研发投入,加强自主技术创新。制造企业需要列出所需AI技术清单,以确定内部资源可以在多大程度上满足需求,或需要从外部获得何种技术,并制定工人技能培训和提升计划。同时,要加强与高校院所合作,强化与国际领先人工智能企业在关键技术方面的研究开发合作,提升关键技术领域研发能力。
[1] BRYNJOLFSSON E,HITT L M,KIM H H.Strength in numbers:how does data-driven decisionmaking affect firm performance[J].Social Science Electronic Publishing,2011,4(22):1-18.
[2] KROMANN L,SKAKSEN J R,SORENSEN A.Automation and productivity-across-country,cross-industry comparison[J].Social Science Electronic Publishing,2011.
[3] PURDY M,DAUGHERTY P.How AI boosts industry profits and innovation[J].Accenture Institute for High Performance,2017.
[4] GORDON R J.The demise of US economic growth:restatement,rebuttal and reflections[J].National Bureau of Economic Research,2014(11):95-98.
[5] ACEMOGLU D,RESTREPO P.The race between man and machine:implications of technology for growth,factor shares,and employment[J].American Economic Review,2018,108(6):1488-1542.
[6] BRYNJOLFSSON E,ROCK D,SYVERSON C.Artificial intelligence and the modern productivity paradox:a clash of expectations and statistics[J].NBER Working Papers,2017.
[7] ZEIRA JOSEPH.Workers,machines,and economic growth[J].Quarterly Journal of Economics,1998,113(4):1091-1117.
[8] COWEN T.The great stagnation:how America ate all the low-hanging fruit of modern history,got sick,and will(eventually)feel better[J].Survival,2012,53(3):190-191.
[9] 郭敏,方梦然.人工智能与生产率悖论:国际经验[J].经济体制改革,2018(5):171-178.
[10] AUTOR D H,DAVID,DORN D,et al.Concentrating on the fall of the labor share[J].American Economic Review Papers and Proceedings,2017,107(5):180-185.
[11] 杨俊仙,周洁.组织资本、横截面收益和全要素生产率——来自中国上市公司的经验[J].中国管理科学,2016,24(S1):418-423.
[12] 陈永伟.人工智能与经济学:近期文献的一个综述[J].东北财经大学学报,2018(3):6-21.
[13] BRESNAHAN T F,BRYNJOLFSSON E,HITT L M.Information technology,workplace organization,and the demand for skilled labor:firm-level evidence[J].The Quarterly Journal of Economics,2002,117(1):339-376.
[14] 吕荣杰,郝力晓.人工智能等技术对劳动力市场的影响效应研究[J].工业技术经济,2018,37(12):133-139.
[15] FREY C B,OSBORNE M A.The future of employment:how susceptible are jobs to computerisation[J].Technological Forecasting and Social Change,2013,114:254-280.
[16] 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[J].经济评论,2018(2):15-29.
[17] 曹静,周亚林.人工智能对经济的影响研究进展[J].经济学动态,2018(1):103-115.
[18] 腾讯研究院.人工智能[M].北京:中国人民大学出版社,2017.
[19] 何玉长,方坤.人工智能与实体经济融合的理论阐释[J].学术月刊,2018(5):56-67.
[20] BRYNJOLFSSON ERIK,ANDREW MAAFEE.What's driving the machine learning explosion[J].Harvard Business Review,2017,18(6):3-11.
[21] COCKBURN I M,HENDERSON R,STERN S.The impact of artificial intelligence on innovation[J].NBER Working Papers,2018.
[22] BRESNAHAN,TIMOTHY F,MANUEL TRAJTENBERG.General purpose technologies:engines of growth[J].Journal of Econometrics,Annals of Econometrics,1996,65(1):83-108.
[23] 邵必林,赵煜,宋丹,等.AI产业技术创新系统运行机制与优化对策研究[J].科技进步与对策,2018,35(22):77-84.
[24] CAMPELLO M.Capital structure and product markets interactions:evidence from business cycles[J].Journal of Financial Economics,2003,68(3):353-378.
[25] 侯志杰,朱承亮.中国人工智能企业全要素生产率及其影响因素[J].企业经济,2018,37(11):55-62.
[26] 张万里,魏玮.要素密集度、产业集聚与生产率提升——来自中国企业微观数据的经验研究[J].财贸研究,2018,29(7):28-41.
[27] HEIEH C T,KLENOW P J.Misallocation and manufacturing TFP in China and India[J].The Quarterly Journal of Economics,2009,124(4),1403-1448.
[28] PULIC A.VAIC:an accounting tool for IC management[J].International Journal of Technology Management,2000,20(5):702-714.
[29] 黄俊,杨紫锐,殷丽梅,等.国产机器人企业研发效率评价及影响因素研究——基于DEA-Tobit两阶段分析法[J].科技进步与对策,2017,34(18):101-106.
[30] 方杰,温忠麟,张敏强,等.基于结构方程模型的多重中介效应分析[J].心理科学,2014(3):735-741.
[31] 宣烨,余泳泽.生产性服务业集聚对制造企业全要素生产率提升研究——来自230个城市微观企业的证据[J].数量经济技术经济研究,2017,34(2):89-104.