Artificial Intelligence Development and the Enhancement of New Quality Productive Forces:The Theoretical Mechanism and an Empirical Test

He Yuanlang1, Yuan Jianhong2,3

(1.School of Marxism, Southeast University;2.School of Economic and Management,Southeast University; 3.Institute for the Development of Socialism with Chinese Characteristics,Southeast University, Nanjing 211189, China)

Abstract：New quality productive forces refer to modern advanced productive forces that have been created through revolutionary technological breakthroughs, innovative allocation of production factors, and deep transformation and upgrading of industries, the core essence of which is the qualitative transformation of the three elements of workers,means of labor, and labor objects and their optimal combination, and the most significant symbol of which is a significant increase in total factor productivity. It significantly differs from the traditional productivity of high input and high energy consumption, emphasizes key and disruptive technological breakthroughs, and is characterized by high technology, high efficiency and high quality. New quality productive forces bring about a qualitative leap in productivity and serve as the driving force for facilitating high-quality development in the new era. The development of artificial intelligence(AI) provides new ideas and new impetus for fostering new quality productive forces and promoting high-quality development. AI's ongoing development will drive technological innovation, increase production intelligence, spawn new economic sectors, and integrate with traditional industries to enhance resource allocation efficiency and labor productivity. This integration will steer traditional production models towards greater scalability and specialization, moving industries up the value chain.

The examination of artificial intelligence's influence on new quality productive forces holds substantial theoretical and practical importance. The literature review indicates that existing studies predominantly concentrate on the essence, value, and developmental priorities of new quality productivity, as well as AI's effects on productivity, economic growth, employment, and industrial structure. However, there is a scarcity of research addressing the nexus between AI and new quality productive forces, and empirical evidence on AI's role in shaping these forces is limited. The reasons and mechanisms by which AI bolsters new quality productive forces are not well understood.

This paper aims to bridge this gap by theoretically and empirically analyzing AI's impact on new quality productive forces using provincial panel data, revealing the underlying mechanisms and regional disparities in AI's promotion of new quality productive forces, thereby enriching and advancing the discourse on AI and new quality productive forces. This study focuses on 30 provincial administrative regions in China. To ensure data consistency and completeness, linear interpolation is applied to estimate missing values in certain provinces; any unfillable gaps are addressed by listwise deletion, ensuring the reliability of the analysis.

The findings suggest that the development of AI can significantly contribute to the improvement of new quality productive forces. The robustness of the findings of this study is verified by conducting robustness tests,shortening the sample period, replacing the explanatory variable, adding control variables, and removing extreme values. In addition, the study employs the number of robots installed in the U.S. as the instrument variable to address potential endogeneity issues in the model and ensure that the estimates are unbiased. Through mechanism analysis, it reveals that AI contributes to new quality productive forces through three main channels: improving innovation, improving energy efficiency, and improving digitization. Through heterogeneity analysis, the study further finds that the driving effect of AI on new quality productive forces is more significant in regions with high marketization, high technology aggregation, and high industrial structure optimization.

This paper deepens the theoretical mechanisms by which AI promotes new quality productive forces on the basis of the existing literature and provides strong empirical evidence for the new quality productive forces effect of AI through empirical tests. Further, this study explores the fundamental question of the path through which AI mainly affects new quality productive forces within a unified framework, supporting the role of innovation capacity, energy efficiency, and digitization level in the path through which AI affects new quality productive forces, and deepens the existing literature and related studies. In accordance with the findings of the study, the paper puts forward policy recommendations conducive to the full development of AI and the promotion of new quality productive forces, which will provide important decision-making references for the development of new quality productive forces in various regions according to local conditions.

Key Words：New Quality Productive Forces; Artificial Intelligence; High-quality Development; Scientific and Technological Innovation; Industrial Structure

DOI：10.6049/kjjbydc.L2024XZ589

(资源服务)标识码(OSID)：

中图分类号：F207

文献标识码：A

文章编号：1001-7348(2025)11-0001-11

收稿日期：2024-05-11

修回日期：2024-09-25

基金项目：国家社会科学基金项目(24BKS153)

作者简介：何元浪(1994—),男,广西南宁人,东南大学马克思主义学院博士研究生,研究方向为人工智能与创新经济;袁健红(1966—),女,江苏苏州人,博士,东南大学经济管理学院党委书记,东南大学中国特色社会主义发展研究院教授、博士生导师,研究方向为创新管理。

0 引言

2023年9月,习近平总书记在黑龙江考察时强调,“积极培育新能源、新材料、先进制造、电子信息等战略性新兴产业,积极培育未来产业,加快形成新质生产力,增强发展新动能”[1],“整合科技创新资源,引领发展战略性新兴产业和未来产业,加快形成新质生产力”。[2]新质生产力是由技术革命性突破、生产要素创新性配置、产业深度转型升级催生形成的当代先进生产力,其核心要义在于劳动者、劳动资料和劳动对象三要素及其优化组合,核心标志是全要素生产率显著提升。新质生产力显著区别于高投入、高能耗的传统生产力,其强调关键性、颠覆性技术突破,凸显“新”与“质”,体现高科技、高效能、高质量等重要特征。新质生产力实现了生产力质态的跃迁,是新时代推动高质量发展的重要动力。

人工智能发展为培育新质生产力、促进高质量发展提供了新思路与新动力。近代以来,工业生产经历了机械化—电力化—自动化的演变过程,每一次质变都引发生产组织与劳动过程的重大变革,对人类生产方式与劳动方式产生巨大影响。而今,全社会正步入智能时代,由人工智能及其智能硬件和软件系统共同构成的知识密集型数字技术将成为继蒸汽机、电力、信息与通信技术之后的新一代通用技术[3]。这一发展趋势标志着科技的巨大进步将再次深刻改变人类社会生产生活方式,预示着未来生产力水平显著提升。人工智能发展,不仅有助于推动技术革新与生产智能化,同时,催生新兴经济业态和产业形态出现[4]。人工智能与传统产业的深度融合,将显著提升资源配置效率和劳动生产率,推动传统生产模式在颠覆性变革中向规模化、专业化方向发展[5],促进传统产业由价值链低端迈向高端,成为新时代推动新质生产力提升和实现高质量发展的强大动力。在此背景下,深入研究人工智能对新质生产力的影响机制和作用机理,提出有利于人工智能发展和新质生产力培育的策略,无疑具有重大的理论价值和现实意义。

通过梳理文献发现,已有研究主要探讨新质生产力内涵、价值和发展着力点(黄群慧等,2024;洪银兴,2024;任保平,2024),也有大量文献关注人工智能对全要素生产率、经济增长、产业结构和劳动力就业等诸多方面的影响(Furman等,2019;Acemoglu等,2018;林晨等,2020;姚加权等,2024)。然而,鲜有文献研究人工智能与新质生产力间关系,尤其是人工智能何以赋能以及如何赋能新质生产力仍有待明晰。本文通过对人工智能与新质生产力影响关系进行理论分析,并利用2010—2022年中国内地30个省域面板数据进行实证检验。

本文边际贡献主要有3个方面:第一,在已有文献基础上深化人工智能提升新质生产力的理论机制,并通过实证分析为人工智能提升新质生产力的影响效应提供经验证据。第二,在统一框架下探讨人工智能对新质生产力的作用途径,探究创新能力、能源效率和数字化水平对人工智能影响新质生产力的中介作用,进一步拓展已有文献研究。第三,探讨人工智能影响效应在不同市场化程度、技术聚集水平和产业结构下的异质性表现,并提出发展人工智能、促进新质生产力提升的政策建议,为各地区因地制宜发展新质生产力提供决策参考。

1 文献回顾与假设提出

1.1 文献回顾

当前关于新质生产力的研究成果十分丰富。如洪银兴[6]认为,新质生产力是一个宏观概念,包含新科技、新能源与数字经济等方面;蒋永穆、乔张媛[7]从“数字生产力”“绿色生产力”“蓝色生产力”等方面概括新质生产力表现形式和构成要素;黄群慧、盛方富(2024)从系统要素视角定义新质生产力内涵,并从要素供给、产业体系、功能取向和生产关系等方面提出新质生产力发展路径;任保平、王昕[8]提出通过产权制度、生态培育、数实融合、制度完善等路径实现数据要素市场高标准化的战略目标,以支撑新质生产力形成和发展。综上,已有研究对新质生产力内涵、意义和培育路径等进行了分析,为本文奠定了坚实基础。

随着人工智能技术与相关产业的兴起,人工智能逐渐成为研究热点,已有文献主要聚焦于人工智能对科技创新、就业、收入分配以及产业结构等诸多方面的影响[9-10],并肯定人工智能对提升全要素生产率、带动经济增长的作用[11]。如Aghion 等[12]、 Acemoglu &Restrepo[13]等探讨了人工智能发展引致的资本对劳动力的替代效应;Graetz &Michael[14]研究发现,工业机器人应用能够显著促进全要素生产率和经济增长率提升;何玉长、方坤[15]研究认为,人工智能与实体经济的深度融合对经济转型及增长具有推动作用,但其研究以理论分析为主,并未进行实证检验;林晨等[4]通过构建一般均衡模型发现,人工智能在重塑资本结构方面具有双重效应,兼顾扩大居民消费和拉动经济增长的目的;张夏恒、马妍[16]基于理论框架分析生成式人工智能技术赋能新质生产力的价值意蕴、运行机理与实践路径,但未进行定量分析。

综上,当前文献主要关注新质生产力内涵、价值和发展等方面,也有文献研究了人工智能对生产率、经济增长、就业和产业结构等方面的影响,但鲜有文献研究人工智能与新质生产力的关系,尤其是人工智能何以赋能、如何赋能新质生产力仍有待明晰。本文将从理论上分析人工智能对新质生产力的影响效应,并利用省级面板数据和工业机器人数据进行实证检验,揭示人工智能促进新质生产力提升的内在机制与区域异质性,以进一步丰富和深化人工智能与新质生产力关系研究。

1.2 假设提出

1.2.1 人工智能与新质生产力

新质生产力的基本内涵体现为劳动者、劳动资料(工具)和劳动对象三要素及其优化组合的质变,核心标志是全要素生产率的显著提升(黄群慧、盛方富,2024),其具有高科技、高效能、高质量等显著特征。作为新质生产力的标志之一,新型劳动工具不仅为新质生产力提供载体,而且是新质生产力形成的重要体现,其创新和应用显著促进社会生产力提升。在第四轮科技革命加速演进的时代背景下,人工智能凭借广泛渗透性、数据驱动性和系统智能化等优势成为重要的新型劳动工具,其创新与使用必将加速生产力质态的迭代跃迁,引领传统生产模式发生深刻变革[17]。具体表现为:第一,人工智能可以发挥渗透性优势,通过与各行业各产业部门深度融合,淘汰落后的技术装备和生产模式,推动生产全过程自动化、数字化和智能化,降低生产运营管理和信息搜寻成本,通过优化生产要素投入实现资源高效配置,进一步提升产业质量和全要素生产率,促进新质生产力培育和发展。第二,人工智能可以发挥数据驱动优势和系统智能化优势,推动数据要素深度嵌入生产过程,有助于生产者精准掌握市场供需状况,提供优质产品和服务,促进不同市场主体、不同行业间紧密联系,实现人与人、人与物、物与物之间互联互通,真正实现智能化生产,从而推动生产力质态的迭代跃迁。第三,人工智能与传统产业的深度融合有利于推动传统产业由价值链低端向高端跃迁,催生一批新兴产业和未来产业,形成新经济形态和产业质态,并成为新时代推动新质生产力提升和实现高质量发展的不竭动力。同时,人工智能对低技能劳动力具有替代效应,倒逼劳动力努力提高自身劳动技能和素质[18-19],从而在整体上促进劳动力水平与生产能力提升。据此,本文提出以下假设:

H1:人工智能可以显著促进新质生产力提升。

1.2.2 人工智能、创新能力与新质生产力

新质生产力涌现与提升主要依靠颠覆性创新,以创新能力增强带来生产效率与产品质量的提高,通过新型科技应用与手段推动生产活动更加智能化、自动化和高效。科技创新的引领作用表现为科学技术持续驱动生产力发展,创新能力提升和新技术应用促进生产要素在广度、深度、频度上得到深入拓展,实现优化组合,从而带来生产力形态跃迁与社会生产水平显著提升。作为一种通用目的技术,人工智能与各产业部门紧密结合能够大幅拓展其应用领域,深化数实融合,通过技术溢出效应对区域整体创新能力发挥驱动作用。通过技术的广泛传播和应用,人工智能能够在一定程度上打破时空界限,扩大对不同行业与领域的覆盖,推动制造、交通、医疗、教育以及金融等行业实现智能化与数字化升级。而人工智能与大数据、云计算等新兴技术的融合,将产生巨大的整合式创新效应,为其它场景下的突破性创新提供参考,从而提升区域整体创新能力。发展人工智能企业、提升区域智能化水平,有利于为科技突破性升级与颠覆式创新创造良好的产业生态和创新生态。人工智能企业为区域创新主体提供了海量AI素材、数据信息和数据库,同时,提供了能够直接用于创新的算法和代码开源社区[20],极大便利了创新主体的知识搜寻和信息检索活动,显著降低了创新成本。这有利于充分激发创新主体研发意愿、提升突破式创新积极性,并带来区域整体创新能力和创新绩效的显著提升,从而促进地区新质生产力长足发展。根据以上分析,本文提出以下假设:

H2:人工智能通过增强创新能力促进新质生产力提升。

1.2.3 人工智能、能源效率与新质生产力

新质生产力的发展遵循新发展理念,即在发展经济的同时将生态维度纳入考量,充分考虑经济与环境、人与自然关系的平衡。改革开放后我国创造了经济高速增长的“中国奇迹”,但高投入、高消耗的增长方式也给生态系统带来压力。新质生产力发展要求摆脱依靠大量资源投入和高能源消耗的传统生产模式,转向更加清洁、更加高效的绿色发展模式。从该角度而言,绿色化与可持续发展是反映生产力发展质量和水平的重要标志。换而言之,新质生产力也是绿色生产力,是对“绿水青山就是金山银山”和“保护生态环境就是保护生产力”等绿色发展理念的贯彻。由于技术水平与能源利用效率息息相关,技术水平提高有利于降低能源消耗和污染排放,促进经济实现可持续发展[21]。作为第四轮产业革命的代表性成果,人工智能有利于提高能源利用效率,促进可持续发展[22],从而加快新质生产力形成与发展。一方面,人工智能有利于产业生态化和生态产业化,即推动农业、工业和服务业全面实现绿色化、智能化和低碳化转型,进而获得环境影响更小、能源利用效率更高的增长结果。另一方面,借助数据驱动、万物互联和系统智能等优势,人工智能技术在电力、热力、建筑和制造等高排放重点行业的大力推广,在城市治理领域和交通出行领域的广泛应用,有助于形成绿色生产方式和生活方式,促进以绿色为底色的新质生产力提升(蒋永穆等,2024)。 据此,本文提出以下假设:

H3:人工智能通过改善能源效率促进新质生产力提升。

1.2.4 人工智能、数字化水平与新质生产力

数字经济时代,新质生产力表现为一种以数据要素为基底、以数字技术为引领的数字生产力(蒋永穆等,2024)。人工智能的出现催生出相比传统公共基础设施更具生产力优势的新型基础设施,即包括大数据中心、物联网、智能终端、数字平台、工业互联网等在内的数字基础设施,促使数据要素深度融入生产全过程,推动数字经济与实体经济深度融合。而数实融合的实质是通过数字化对传统产业进行全链条改造、推动数智化转型,对传统经济“生产函数”进行革命性重构,进而促进生产力提质升级。数据已成为培育新质生产力和实现高质量发展的关键新型生产要素[23]。人工智能通过发挥数据驱动优势,促进数据要素充分流动与开放共享[24],而数据资源的快速增长与创新利用将重塑传统要素投入和产出规模,进一步改变要素配置结构与方式,突破传统要素有限供给对经济增长模式的桎梏,发挥数据要素的乘数效应,带来全要素生产率的大幅度提高,为新质生产力发展提供有力支撑。人工智能与数字化技术的融合,有助于优化生产线整体设计和提高模拟仿真结果,借助传感器与物联网技术全过程、全方位监控生产运行周期,以智能化和自动化实现对生产过程的精准把控,大幅提升生产效率和质量(王永钦等,2020)。通过应用以工业机器人为代表的人工智能技术推动数字化转型,在提高生产效率与产品质量的同时,与传统生产要素深度融合,促进传统生产要素创新性配置[25],实现生产流程数据化与可追溯化,从而助力新质生产力涌现与提升。通过上述分析,本文提出以下假设:

H4:人工智能通过提高数字化水平促进新质生产力提升。

2 数据来源、变量说明与模型构建

2.1 数据来源

本文以中国内地30个省份(西藏因数据不全未纳入)为研究对象,研究时间段为 2010—2022年。研究中,机器人安装密度数据来源于国际机器人联合会(IFR),人工智能企业数据来源于天眼查,数字普惠金融指数来源于北京大学数字金融研究中心。其它变量数据主要来源于历年《中国统计年鉴》《中国能源统计年鉴》《中国劳动统计年鉴》《中国环境统计年鉴》等,以及各省市统计年鉴。为了保持数据平稳性和完整性,使用线性插值法对个别缺失数据进行补充。

2.2 变量说明

2.2.1 被解释变量

新质生产力(Produ)。参考卢江等[26]做法的基础上,将新质生产力界定包含科技生产力、绿色生产力和数字生产力3个方面,并运用熵权-TOPSIS法进行指标测算,最终得到2010—2022年各省市新质生产力水平。其中,科技生产力包括高技术产业收入、规上工业企业R&D经费、规上工业企业劳动生产率和规上工业企业R&D人员全时当量等4个二级指标;绿色生产力包括能源结构(煤炭消费量/国内生产总值)、用水强度(工业用水量/国内生产总值)、废物利用(工业固废物综合利用量/产生量)以及废气排放(工业二氧化硫排放总量/国内生产总值)等4个二级指标;数字生产力包括集成电路产量、电子商务销售额、电信业务总量、互联网宽带接入端口数和软件业务收入等5个二级指标。测算过程留存备索。

2.2.2 解释变量

人工智能发展水平(AI)。当前人工智能发展水平测度有多种方法,本文参考相关研究(Acemoglu and Restrepo,2020;闫雪凌等,2020;王永钦等[27]),使用机器人安装密度作为人工智能发展水平测度指标,计算公式如下:

(1)

其中,Lijt为i 地区j 行业t 年就业人数,Lit为i地区t年就业人数,AIjt 为j行业t年工业机器人存量,Ljt为j行业t年全国就业总人数。

2.2.3 控制变量

本文使用的控制变量主要有:①经济发展水平(Pgdp),采用人均GDP衡量;②高等教育水平(Sch),以所在地区高等院校数量为代理变量;③财政支持力度(Sci),使用该地区财政科学技术支出衡量;④城镇化率(Urban),以城市人口占地区总人口的比值衡量;⑤劳动力质量,以该地区在校大学生数量(Stu)和高校毕业生数量(Labo)衡量。本文变量定义如表1所示。

2.3 模型设定

本文构建回归模型如下:

Produit=α+βAIit+γControlsit+year+provi+εit

(2)

其中,Produit表示i省域在t年的新质生产力水平,AIit表示i省域在t年的人工智能发展水平,Controlsit代表一系列控制变量,εit为随机误差项,year和 provi分别代表时间固定效应与省份固定效应。β 为核心待估参数,如果系数显著为正,说明人工智能对新质生产力具有促进作用;反之,则说明人工智能对新质生产力具有抑制作用。根据研究假设H1,本文预测回归系数 β 显著为正。

3 实证检验结果与分析

3.1 描述性统计与相关性分析

本文测算2010—2022年各省份新质生产力水平(Produ),描述性统计结果如表2所示。可以发现,新质生产力水平均值为0.231,最小值为0.027,最大值为0.896,而全要素生产率(TFP)的最小值和最大值分别为1与2.689,说明各省份新质生产力和全要素生产率水平存在较大差异。人工智能发展水平(AI)的均值为0.086,标准差为0.125,标准差大于均值,说明各省市人工智能发展水平悬殊。

表3反映变量间相关系数矩阵。可以发现,人工智能的两个指标(AI、AI_Enterprise)与新质生产力(Produ)的相关系数分别为0.312和0.257,并且都在1%水平上显著,说明人工智能与新质生产力具有显著的正相关性。

3.2 基准回归结果

表4反映人工智能对新质生产力提升的影响。由列(1)可知,在不包含控制变量的情况下,人工智能发展水平(AI)对新质生产力(Produ)的影响系数为0.910,并且通过1%水平上的显著性检验。在控制省份、年份固定效应且逐步加入控制变量后,人工智能水平(AI)对新质生产力(Produ)的影响系数依然显著为正,且系数绝对值变化较小,证明本文回归结果稳健,即在其它因素一定情况下,提高人工智能水平能够显著促进新质生产力提升,故研究假设H1成立。在控制变量方面,本文研究发现,提升高等教育水平(Sch)和科学技术支出(Sci)均能够显著提升新质生产力。

3.3 稳健性检验

为验证人工智能对新质生产力影响的稳健性,本文采用缩短样本周期、替换被解释变量、替换解释变量、增加控制变量、删除极端值等方式进行稳健性检验。

3.3.1 缩短样本周期

自2015年提出“创新、协调、绿色、开放、共享”的新发展理念后,国家更加重视创新在经济发展中的地位,工业和信息化部、财政部发布《智能制造发展规划(2016—2020年)》,强调以智能制造为经济增长培育新动能。为了更好地识别该政策效应,将样本回归时间聚焦于2015—2019年,结果如表5列(1)所示。数据显示,人工智能(AI)系数为0.397,在1%水平上显著,进而验证上述基准回归结果的可靠性。

3.3.2 替换被解释变量

新质生产力属于生产力范畴,在一定程度上可以用全要素生产率衡量。参考姚加权等(2024)的研究,依据实际GDP、资本存量和就业人数3个指标,采用DEA法测算各省市全要素生产率(TFP),将其作为新质生产力的替代变量,放入基准模型重新进行回归,结果如表5列(2)所示。结果显示,AI系数为0.448,并且通过10%水平上的显著性检验,验证了本文研究结论稳健。

3.3.3 替换解释变量

当前人工智能发展水平的测度方法有多种,除使用机器人安装密度作为人工智能发展水平(AI)的代理变量外,本文尝试以区域人工企业数作为特征指标,将其作为核心解释变量放入模型,重新回归。表5列(3)显示,人工智能(AI)系数依然显著为正,且绝对值变化较小,验证本文研究结论稳健。

3.3.4 增加控制变量

为减少因遗漏变量造成的估计偏误,提高研究结论可靠性,通过增加市场化指数(Mark)和专利授权数(Tech)两个控制变量进行稳健性检验。市场化指数(Mark)主要参考王小鲁和樊纲等的《中国分省份市场化指数报告(2021)》,其衡量了各省份市场化进程和资源配置效率等,对新质生产力发展具有重要影响。稳健性检验结果如表5列(4)所示,添加上述两个控制变量后,人工智能水平(AI)对新质生产力的影响系数为0.318,显著性水平为1%,与基准回归结果基本一致,进而验证研究结论稳健。

3.3.5 考虑极端值的影响

样本中有可能存在极端值,从而影响回归结果准确性。为避免这一影响,对样本数据进行上下1%的缩尾处理,重新进行基准回归。表5列(5)为剔除极端值后的回归结果,结果显示,人工智能(AI)对新质生产力(Produ)的影响系数仍然显著为正,显著性水平为5%,绝对值为0.248,再次验证本文结论可靠。

3.4 内生性检验

为缓解模型中可能存在的内生性问题,本文借鉴Acemoglu &Restrepo(2020)、杨飞和范从来[28]、王永钦和董雯(2020)等的研究思路,采用美国机器人安装数量(US_Robot)作为人工智能水平(AI)的工具变量。选择该工具变量的原因在于:第一,美国机器人应用与我国新质生产力水平之间不存在直接关系,满足工具变量的外生性条件;第二,美国机器人应用水平居于全球前列,能够反映未来人工智能发展趋势,而且样本期内美国的机器人应用趋势与中国较接近,因此满足工具变量的相关性要求。参考已有文献的普遍做法,本文以滞后二期的人工智能水平作为第二个工具变量(L2.AI),考察人工智能发展促进新质生产力提升的稳健性。

表6为使用两阶段最小二乘法(2SLS)的工具变量回归结果。第一阶段回归结果表明,工具变量(US_Robot)的回归系数为0.026,且在5%的水平上显著,表明美国的机器人安装数量与我国的机器人安装密度具有显著相关性。同时,由表6列(1)可知,另一个工具变量(L2.AI)与核心解释变量AI存在显著的正相关关系。在统计检验方面,Cragg-Donald Wald F统计量为294.57,大于Stock-Yogo统计量的临界值(19.95),通过弱工具变量检验;Anderson LM检验结果显示,在1%水平上显著拒绝“工具变量识别不足”的原假设,表明工具变量是合理的。表6列(2)表明,使用工具变量法进行内生性检验后,人工智能(AI)对新质生产力(Produ)影响的回归系数在5%水平上显著为正,系数值为0.236,再次验证人工智能对新质生产力具有显著的提升效应。

4 作用机制与异质性分析

4.1 作用机制分析

为验证本研究提出的假设H2、H3和H4,更好地识别人工智能提升新质生产力的作用机理,引入创新能力(Inno)、能源效率(Effi)和数字化水平(Digi)3个机制变量进行机制分析。其中,创新能力采用规模以上工业企业新产品项目数衡量;能源效率通过计算地区GDP与能源消费总量的比值得到;数字化水平参考黄群慧等[29]、赵涛等[30]、刘军等[31]的方法,根据数字金融普惠指数、光缆密度、信息技术服务从业人员占比、百人中移动电话用户数等4个指标,利用主成分分析法测算得出。由于传统意义上检验中介效应的“三步法”存在明显的内生性问题[32],本文借鉴寇宗来等[33]的做法,使用“两步法”对以上3个作用机制进行检验,模型设定见公式(3)(4)。

Produit=α+βAIit+γControlsit+year+provi+εit

(3)

Mit=δ+θAIit+ϑControlsit+year+provi+εit

(4)

其中,M为机制变量,AI为地区人工智能水平,ε 为随机误差项,year和 provi分别代表年份固定效应与省份固定效应,控制变量Controls的设定同基准模型一致。模型(3)中 AI系数反映人工智能对地区新质生产力的总效应。模型(4)中AI系数反映人工智能对能源效率、创新能力和数字化水平的影响效应,根据理论分析,若θ显著为正,则说明存在能源效率效应、创新能力效应和数字化水平效应。

(1)创新能力机制。创新能力机制通过提高人工智能水平,以智能化革命带动区域创新能力与创新绩效提高,从而实现突破性创新,促进地区新质生产力提升。表7列(1)反映人工智能(AI)对创新能力(Inno)的影响效应,从经济意义上看,人工智能水平每提高一个标准差,将促进创新能力提升13.2%(0.125×1.056×100%),且经济意义显著。这是因为,发展人工智能、提升区域智能化水平,有利于为科技创新创造良好的产业生态和创新生态。人工智能所提供的海量AI素材数据库,有助于区域创新主体直接用于创新算法和代码开源社区。这极大便利了创新主体知识搜索和信息采集,降低创新成本,有利于激发创新主体开展突破式创新,促进创新能力和创新绩效显著提升,释放地区创新体系效能,助力新质生产力长足发展。因此,研究假设H2得证。

(2)能源效率机制。能源效率机制通过提高智能化水平,促进地区以低能耗实现生产效率提高,从而大幅改善能源利用效率,促进新质生产力提升。表7列(2)表明,地区人工智能水平提升可以显著改善能源使用效率。这主要得益于人工智能推动运行模式优化升级,以及传统设备的智能化改造与数字化升级,促进生产精细化和规模化,从而实现生产过程节能和高效。此外,随着人工智能水平进一步提高和人工智能技术的全面覆盖,生产过程实现全程监控和及时调整,能够有效减少能源消耗,提高能源利用效率,进而显著提升地区新质生产力,因此假设H3成立。

(3)数字化水平机制。人工智能发展促使数据要素深度融入生产过程,通过数字化对传统产业进行全链条改造和实现数智化转型,对传统经济生产函数进行革命性重构,促进生产力提质升级。表7列(3)的回归结果表明,人工智能水平提高能够显著提升数字化水平,进而提升新质生产力,验证了假设H4成立。在互联网经济与工业4.0的双重加持下,数字化成为大势所趋[34]。应用人工智能技术有助于加速数字化转型,促进传统生产要素创新性配置,实现生产流程数据化与可追溯化,助力精准预测和掌控生产过程,及时调整生产策略,推动生产过程智能化和自动化,大幅度提升生产效率和质量,从而促进新质生产力涌现与提升。

4.2 异质性分析

不同地区在市场化程度、营商环境、产业结构等方面存在显著差异,因此,需要探讨人工智能在不同市场化程度、技术聚集程度和产业结构优化水平地区对新质生产力影响效应的异质性。

4.2.1 市场化程度

我国各地区的市场化进程、政策支持力度和营商环境等存在较大差异,导致地区资金、技术、数据等要素资源配置效率也不同,从而影响人工智能对新质生产力的提升作用。地区市场发育和完善程度越高,说明人工智能企业越能够充分利用资金、调整投资,或更易于获得政府支持,进行技术研发(何小钢等,2019),从而促进突破性创新和科技成果转化。以市场化程度(Mark)的中位数为依据,将研究样本划分为高市场化程度和低市场化程度两组,回归结果如表8列(1)(2)所示。该结果表明,在低市场化程度地区人工智能对新质生产力没有显著影响,而在高市场化程度地区人工智能显著促进新质生产力提升。通过Bootstrap法抽样1 000次,得到组间回归系数差异值p为0.014,说明组间差异显著存在。

4.2.2 技术聚集程度

技术聚集度对人工智能促进新质生产力提升发挥重要作用。本文将各省份专利授权数作为技术聚集度(Tech)的表征变量,根据其中位数,将研究样本划分为高技术聚集度地区和低技术聚集度地区两个组别,然后进行分组回归,结果如表8列(3)和列(4)所示。结果表明,在低技术聚集度地区人工智能对新质生产力具有一定抑制作用,但在高技术聚集度地区人工智能对新质生产力具有显著促进作用。组间回归系数差异检验值p为0.000,说明在高技术聚集组和低技术聚集组之间具有显著差异,且在高技术聚集度地区人工智能对新质生产力的促进作用更显著。

4.2.3 产业结构优化程度

地区产业结构与新质生产力发展密切相关,产业结构不同可能导致新质生产力发展模式不同,因而不同产业结构下人工智能对新质生产力的影响也存在差异化。本文使用第三产业产值占GDP的比重表征产业结构优化程度(Indust),占比越高说明产业结构越合理。本文按其中位数,将样本分为产业结构优化程度高低两组,分组回归结果如表8列(5)和列(6)所示。数据显示,组间回归系数差异检验值p为0.048,在5%水平下显著,表明在产业结构优化程度较高地区人工智能促进新质生产力发展的影响效应更显著。可能的解释是,产业结构优化意味着资源重新配置和技术迭代进步,其中,技术进步带来生产效率与能源利用效率提升,进而促进新质生产力发展。此外,更加完备、现代化的产业链也给人工智能企业提供了更优越的发展条件和创新生态,有利于其进行研发活动和成果转化,实现突破性创新,进而带动地区新质生产力提升。

5 结语

本文梳理了人工智能影响新质生产力的理论机制,并基于2010—2022年中国内地30个省份面板数据和国际机器人联合会(IFR)的工业机器人数据,测算各省域人工智能发展水平和新质生产力水平,运用双向固定模型和工具变量法实证检验人工智能对新质生产力的促进效应。研究发现:①各省份之间人工智能发展水平悬殊,新质生产力发展水平也迥异;②人工智能通过能源效率、创新能力和数字化水平三个机制显著促进新质生产力提升;③人工智能在市场化程度高、技术聚集程度高和产业结构优化水平高的地区对新质生产力的促进作用更显著。本文研究对于更好地发展人工智能、培育新质生产力具有重要的政策含义。

根据本文研究结论,提出如下政策建议:

第一,完善市场经济基础制度,创建有利于人工智能企业发展的营商环境。研究发现,市场化程度高、产业结构优化的地区,人工智能对新质生产力的促进作用更显著。因此,各地区应该坚持市场中性原则,确保人工智能企业在市场准入、要素获取、市场执法、权益保护等方面的平等地位,建立与人工智能、新质生产力发展相适应的治理体系和政策法规体系;加大财政资金支持力度,持续优化与人工智能相关的基础设施配套建设;鼓励开办更多人工智能企业,加大培养人工智能龙头企业,建设人工智能产业集群和现代化产业链,促进人工智能与传统产业深度融合,不断推动产业结构优化升级,带动新质生产力发展。

第二,加快发展人工智能技术,充分发挥其对地区新质生产力的促进作用。各地区应加大研究投入力度,坚持以自主创新加快实现高水平科技自立自强,加大人工智能相关的通用性、基础性技术研发攻坚力度,着力突破战略性、前沿性领域的技术瓶颈,致力于以现代新型生产工具赋能生产力发展质量和效率提升。新质生产力是绿色生产力,提高能源利用效率有利于形成绿色生产力。因此,要努力摆脱高资源投入和传统要素驱动的经济增长路径,大力探索开发应用绿色低碳技术,强化能源利用模式创新,以更加清洁、高效、优质的能源利用模式培育和形成新质生产力。

第三,搭建人工智能应用场景,加强人工智能技术推广。场景是具有复杂、多视角、动态化特征的概念,本身具有叙事性[35],只有搭建人工智能创新应用场景,真正实现区域企业数字化、智能化转型,才能从整体上提高地区智能化水平,带动新质生产力形成和发展。为此,要积极建设创新基地、科技园区与孵化器等平台,以财政激励政策引导和支持相关产业园区发展,为入驻企业提供良好的办公场所和先进的设备,鼓励创新创业团队探索人工智能技术应用方案。政府应当优化服务,为企业应用人工智能技术提供包括政策支持、技术推广、人才培训和市场拓展等在内的综合式服务,提高企业应用人工智能技术的积极性。同时,通过完善人才薪酬制度、出台人才政策等方式加大人才培养和引进力度,吸引更多高层次人才加入人工智能企业与行业,以人才优势提高人工智能领域的竞争力。

参考文献：

[1] 习近平主持召开新时代推动东北全面振兴座谈会强调 牢牢把握东北的重要使命 奋力谱写东北全面振兴新篇章[N].人民日报,2023-9-10(01).

[2] 习近平在黑龙江考察时强调 牢牢把握在国家发展大局中的战略定位 奋力开创黑龙江高质量发展新局面[N].人民日报,2023-9-9(01).

[3] 刘志彪,凌永辉,孙瑞东.新质生产力下产业发展方向与战略——以江苏为例[J].南京社会科学,2023,34(11):59-66.

[4] 林晨,陈小亮,陈伟泽,等.人工智能、经济增长与居民消费改善:资本结构优化的视角[J].中国工业经济,2020,38(2):61-83.

[5] 陈劲,吕文晶.人工智能与新工科人才培养:重大转向[J].高等工程教育研究,2017,35(6):18-23.

[6] 洪银兴.发展新质生产力 建设现代化产业体系[J].当代经济研究,2024,35(2):7-9.

[7] 蒋永穆,乔张媛.新质生产力:逻辑、内涵及路径[J].社会科学研究,2024,46(1):10-18,211.

[8] 任保平,王昕.新质生产力形成中建设高标准数据要素市场的框架与路径研究[J].西北工业大学学报(社会科学版),2025,27(1):98-104.

[9] 陈彦斌,林晨,陈小亮.人工智能、老龄化与经济增长[J].经济研究,2019,54(7):47-63.

[10] ACEMOGLU D, RESTREPO P. Robots and jobs: evidence from US labor markets[J]. Journal of Political Economy,2020, 128(6): 2188-2244.

[11] 姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率——基于劳动力技能结构调整的视角[J].管理世界,2024,40(2):101-116,133.

[12] AGHION P, JONES B F, JONES C I.Artificial intelligence and economic growth[D].NBER Working Paper, 2017.

[13] 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.

[14] GRAETZ G, MICHAELS G.Robots at work[J]. Review of Economics and Statistics, 2018,100(5): 753-768.

[15] 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,2018,50(5):56-67.

[16] 张夏恒,马妍.生成式人工智能技术赋能新质生产力涌现:价值意蕴、运行机理与实践路径[J].电子政务,2024,21(4):17-25.

[17] 胡俊,杜传忠.人工智能推动产业转型升级的机制、路径及对策[J].经济纵横,2020,36(3):94-101.

[18] AUTOR D, SALOMONS A. Is automation labor-displacing? productivity growth, employment, and the labor share[R].National Bureau of Economic Research,2018.

[19] CALVINO F, VIRGILLITO M E.The innovation-employment nexus: a critical survey of theory and empirics[J]. Journal of Economic Surveys,2018, 32(1):83-117.

[20] 王钰,唐要家.人工智能应用如何影响企业创新宽度[J].财经问题研究,2024,46(2):38-50.

[21] 王雨辰.习近平生态文明思想视域下的“人与自然和谐共生的现代化”[J].求是学刊,2022,49(4):11-20.

[22] 郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界,2019,35(7):60-77.

[23] 尹西明,陈劲,王冠.场景驱动:面向新质生产力的数据要素市场化配置新机制[J].社会科学辑刊,2024,46(3):178-188.

[24] 周文,韩文龙.数字财富的创造、分配与共同富裕[J].中国社会科学,2023,44(10):4-23,204.

[25] 闫雪凌,朱博楷,马超.工业机器人使用与制造业就业:来自中国的证据[J].统计研究,2020,37(1):74-87.

[26] 卢江,郭子昂,王煜萍.新质生产力发展水平、区域差异与提升路径[J].重庆大学学报(社会科学版),2024,30(3):1-17.

[27] 王永钦,董雯.机器人的兴起如何影响中国劳动力市场——来自制造业上市公司的证据[J].经济研究,2020,55(10):159-175.

[28] 杨飞,范从来.产业智能化是否有利于中国益贫式发展[J].经济研究,2020,55(5):150-165.

[29] 黄群慧,余泳泽,张松林.互联网发展与制造业生产率提升:内在机制与中国经验[J].中国工业经济,2019,37(8):5-23.

[30] 赵涛,张智,梁上坤.数字经济、创业活跃度与高质量发展——来自中国城市的经验证据[J].管理世界,2020,36(10):65-76.

[31] 刘军,杨渊鋆,张三峰.中国数字经济测度与驱动因素研究[J].上海经济研究,2020,39(6):81-96.

[32] 江艇.因果推断经验研究中的中介效应与调节效应[J].中国工业经济,2022,40(5):100-120.

[33] 寇宗来,刘学悦.中国企业的专利行为:特征事实以及来自创新政策的影响[J].经济研究,2020,55(3):83-99.

[34] 喻登科,祝可,肖欢.CEO知性特质与企业数字化转型关系研究[J/OL].科技进步与对策,1-11[2025-05-29].http://kns.cnki.net/kcms/detail/42.1224.G3.20240708.1556.004.html.

[35] 李应博.两岸科技合作治理的知识场域:范式构建与时空演进[J].科技进步与对策,2022,39(24):119-129.

(责任编辑：胡俊健)