魏 瑋， 張萬(wàn)里， 宣 旸

(1 西安交通大學(xué) 經(jīng)濟(jì)與金融學(xué)院， 陜西 西安 710061； 2 西安電子科技大學(xué) 人文學(xué)院， 陜西 西安 710126)

一、 問(wèn)題的提出

隨著人工智能、3D打印、智能裝備等科技的不斷產(chǎn)生，全球已經(jīng)進(jìn)入了全新的工業(yè)4.0階段，經(jīng)濟(jì)增長(zhǎng)的源泉和動(dòng)力發(fā)生了根本性改變。2018年全球機(jī)器人產(chǎn)業(yè)市場(chǎng)規(guī)模超過(guò)298.2億美元，同比增長(zhǎng)28.5%，而中國(guó)機(jī)器人市場(chǎng)規(guī)模為87.4億美元，同比增長(zhǎng)39.2%。其中,工業(yè)機(jī)器人市場(chǎng)規(guī)模約為62.3億美元，服務(wù)機(jī)器人市場(chǎng)規(guī)模約為18.4億美元，特種機(jī)器人市場(chǎng)規(guī)模約為6.7億美元(1)數(shù)據(jù)來(lái)源于《2019年中國(guó)機(jī)器人市場(chǎng)分析報(bào)告——行業(yè)調(diào)查與投資前景預(yù)測(cè)》。。工業(yè)機(jī)器人是工業(yè)智能的核心，中國(guó)作為全球第二大經(jīng)濟(jì)體，智能制造水平不斷提升。根據(jù)《中國(guó)制造2025》《智能制造發(fā)展規(guī)劃(2016—2020年)》等重要政策，2017年我國(guó)智能制造行業(yè)的產(chǎn)值規(guī)模約為1.5萬(wàn)億元，2018年我國(guó)智能制造業(yè)產(chǎn)值規(guī)模預(yù)計(jì)1.8萬(wàn)億元左右，智能制造業(yè)逐漸成為我國(guó)經(jīng)濟(jì)增長(zhǎng)的支柱。(2)數(shù)據(jù)來(lái)源于前瞻產(chǎn)業(yè)研究院《2018年智能制造行業(yè)產(chǎn)值規(guī)模與發(fā)展分析 2020年產(chǎn)值將達(dá)3萬(wàn)億》，前瞻經(jīng)濟(jì)學(xué)人網(wǎng)，https∥www.qianzhan.com/analyst/detasl/220/190305-ealed4c2.html。

工業(yè)智能吸引越來(lái)越多的企業(yè)向智能化轉(zhuǎn)變，這無(wú)疑擴(kuò)大了產(chǎn)量，提高了生產(chǎn)率。然而隨著越來(lái)越多的勞動(dòng)力被工業(yè)智能替代，“機(jī)器換人”的現(xiàn)象不斷出現(xiàn)，勞動(dòng)力結(jié)構(gòu)正發(fā)生著巨大的變化[1]。2017年美國(guó)制造業(yè)崗位比2007年少140萬(wàn)個(gè)，制造業(yè)工人工資及福利水平太高，企業(yè)將大量資金投入到自動(dòng)化和機(jī)器人領(lǐng)域，替代了工人崗位。工業(yè)智能引起的就業(yè)變化如同一把雙刃劍，一方面在提高了勞動(dòng)生產(chǎn)率和資本生產(chǎn)率的同時(shí)，直接減少了就業(yè)崗位，另一方面工業(yè)智能卻又創(chuàng)造了新的就業(yè)崗位[2-3]。工業(yè)智能發(fā)展的不同階段，對(duì)勞動(dòng)力的需求也是不同的。工業(yè)智能發(fā)展初期，由于技術(shù)水平不完善，對(duì)高技術(shù)人才的需求不是很高，智能裝備對(duì)普通工人的替代成本較高，不利于地區(qū)發(fā)展。工業(yè)智能發(fā)展后期，隨著普通勞動(dòng)力不斷被替代，高技術(shù)人才需求提高，若勞動(dòng)力結(jié)構(gòu)主要以普通勞動(dòng)力為主，也不利于地區(qū)發(fā)展[4]。

勞動(dòng)力結(jié)構(gòu)隨著工業(yè)智能的發(fā)展如何影響地區(qū)全要素生產(chǎn)率？不同地區(qū)工業(yè)智能水平又是如何？對(duì)于不同地區(qū)要素稟賦結(jié)構(gòu)，是否存在最優(yōu)的工業(yè)智能發(fā)展水平？基于此，本文使用宏觀和微觀數(shù)據(jù)構(gòu)建省級(jí)工業(yè)智能化指數(shù)，運(yùn)用面板平滑轉(zhuǎn)換模型(Panel Smooth Transition Regression, PSTR)分析2004—2016年我國(guó)不同地區(qū)勞動(dòng)力結(jié)構(gòu)隨工業(yè)智能變化而如何影響地區(qū)全要素生產(chǎn)率，并提出政策建議。

二、 理論基礎(chǔ)與假設(shè)

工業(yè)智能最早由美國(guó)計(jì)算機(jī)科學(xué)家約翰·麥卡錫(John McCarthy)提出，經(jīng)過(guò)這么多年的發(fā)展，工業(yè)智能正在不斷擠壓著全社會(huì)的就業(yè)。然而有種觀點(diǎn)認(rèn)為，工業(yè)智能越發(fā)達(dá)，創(chuàng)造出的新崗位就越多，越能促進(jìn)生產(chǎn)率的提高[5]。國(guó)內(nèi)外關(guān)于工業(yè)智能影響勞動(dòng)力結(jié)構(gòu)的文獻(xiàn)較為豐富，但大多都為理論性分析，而勞動(dòng)力結(jié)構(gòu)影響全要素生產(chǎn)率的文獻(xiàn)比較多，涉及理論分析和實(shí)證分析。阿西瑪格魯(Acemoglu)等使用1990—2007年美國(guó)勞動(dòng)力市場(chǎng)數(shù)據(jù)，得出機(jī)器人對(duì)勞動(dòng)力的替代效應(yīng)，美國(guó)每1 000名勞動(dòng)力每增加1個(gè)機(jī)器人會(huì)使得總就業(yè)人口下降0.34%[6]。工業(yè)智能化能夠促進(jìn)經(jīng)濟(jì)增長(zhǎng)這一結(jié)論似乎得到了學(xué)界的認(rèn)可，因?yàn)樗軌虼鎰趧?dòng)力，提高生產(chǎn)率[7]。但是，機(jī)器人的使用又會(huì)抑制勞動(dòng)力的工資提升，從而降低了投資，不利于未來(lái)的經(jīng)濟(jì)發(fā)展[8]。然而工業(yè)智能化對(duì)全要素生產(chǎn)率的作用機(jī)制到底如何？它將如何影響勞動(dòng)力結(jié)構(gòu)而改變?nèi)厣a(chǎn)率？

現(xiàn)有研究主要把工業(yè)機(jī)器人進(jìn)口量作為工業(yè)智能化指標(biāo)，本文擬從微宏觀視角重新構(gòu)造工業(yè)智能化指數(shù)，并將工業(yè)智能化、勞動(dòng)力結(jié)構(gòu)和全要素生產(chǎn)率放在同一框架內(nèi)進(jìn)行研究，以檢驗(yàn)勞動(dòng)力結(jié)構(gòu)如何隨著工業(yè)智能化變化而影響全要素生產(chǎn)率；通過(guò)構(gòu)建面板平滑轉(zhuǎn)換模型(PSTR)研究勞動(dòng)力結(jié)構(gòu)和全要素生產(chǎn)率之間的非線性關(guān)系，得到適合當(dāng)?shù)匕l(fā)展的最優(yōu)工業(yè)智能化指數(shù)。鑒于此，本文提出以下3個(gè)假設(shè)：

H1：勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率產(chǎn)生非線性影響

勞動(dòng)力結(jié)構(gòu)主要指社會(huì)中高等人才占比、男女比例、勞動(dòng)力教育水平高低等，這些變量對(duì)經(jīng)濟(jì)增長(zhǎng)和全要素生產(chǎn)率的影響顯而易見(jiàn)。彭代彥等使用2003—2010年的中國(guó)農(nóng)村勞動(dòng)力結(jié)構(gòu)變化，研究其對(duì)農(nóng)村全要素生產(chǎn)率的影響，發(fā)現(xiàn)勞動(dòng)力老齡化和高等教育會(huì)提高農(nóng)業(yè)全要素生產(chǎn)率，但存在地區(qū)差異。[9]顧和軍等通過(guò)分析我國(guó)勞動(dòng)力結(jié)構(gòu)演變歷程，發(fā)現(xiàn)勞動(dòng)力結(jié)構(gòu)和產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型升級(jí)不符，加之勞動(dòng)力轉(zhuǎn)移受阻，嚴(yán)重阻礙著經(jīng)濟(jì)增長(zhǎng)，不利于全要素生產(chǎn)率的提高。[10]史桂芬等將人口遷移變量引入人口增長(zhǎng)模型中，將勞動(dòng)力結(jié)構(gòu)內(nèi)生化，通過(guò)使用2001—2015年31個(gè)省份面板數(shù)據(jù)研究勞動(dòng)力結(jié)構(gòu)如何影響經(jīng)濟(jì)增長(zhǎng)，得出我國(guó)存在最優(yōu)的勞動(dòng)力結(jié)構(gòu)。[11]地區(qū)之間存在產(chǎn)業(yè)結(jié)構(gòu)差異，融資水平和地方政策也存在區(qū)別，不同的要素稟賦會(huì)使地區(qū)對(duì)勞動(dòng)力的需求產(chǎn)生差異。如若地區(qū)以低技術(shù)水平的農(nóng)業(yè)為主，則高技術(shù)人才比重的提高并不能顯著提高當(dāng)?shù)氐慕?jīng)濟(jì)增長(zhǎng)；相反，當(dāng)?shù)貐^(qū)以戰(zhàn)略性新興產(chǎn)業(yè)為主的制造業(yè)和服務(wù)業(yè)為主，那么低技術(shù)水平人才并不能將這些產(chǎn)業(yè)的作用發(fā)揮極致。

H2：工業(yè)智能化對(duì)全要素生產(chǎn)率的作用為正，但為非線性關(guān)系

工業(yè)智能是科學(xué)技術(shù)上的一次革命性升華，現(xiàn)有文獻(xiàn)普遍認(rèn)為工業(yè)智能能夠提高生產(chǎn)率，并且促進(jìn)經(jīng)濟(jì)增長(zhǎng)。工業(yè)智能作為一種新的生產(chǎn)要素，能夠通過(guò)3個(gè)方面促進(jìn)經(jīng)濟(jì)增長(zhǎng)：(1) 工業(yè)智能能夠促使復(fù)雜的體力任務(wù)自動(dòng)化；(2) 人工智能可以替代現(xiàn)有的勞動(dòng)力和資本，提高生產(chǎn)效率；(3) 工業(yè)智能能夠促進(jìn)創(chuàng)新，并且通過(guò)溢出效應(yīng)擴(kuò)散到整個(gè)行業(yè)。[12]部分學(xué)者使用基于任務(wù)的模型得出自動(dòng)化能夠產(chǎn)生替代效應(yīng)和生產(chǎn)力效應(yīng)，替代效應(yīng)會(huì)降低勞動(dòng)力需求，而生產(chǎn)力效應(yīng)則通過(guò)使用更便宜的資本替代勞動(dòng)而提高生產(chǎn)力。[13-14]工業(yè)機(jī)器人作為工業(yè)智能的重要指標(biāo)，其對(duì)經(jīng)濟(jì)增長(zhǎng)的影響不容小覷，格拉茨(Grartz)使用1993—2007年全球17個(gè)國(guó)家的面板數(shù)據(jù)進(jìn)行實(shí)證研究，發(fā)現(xiàn)工業(yè)智能能夠提高當(dāng)?shù)亟?jīng)濟(jì)和全要素生產(chǎn)率，但是隨著工業(yè)智能水平的不斷提高，擁擠效應(yīng)出現(xiàn)，其產(chǎn)生的邊際效應(yīng)不斷減弱。[15]李丫丫等使用2001—2014年省際面板數(shù)據(jù)得出，工業(yè)機(jī)器人進(jìn)口貿(mào)易會(huì)促進(jìn)中國(guó)制造業(yè)生產(chǎn)率的提升。[16]總的來(lái)說(shuō)，工業(yè)智能化可以提高企業(yè)的生產(chǎn)效率，但也會(huì)對(duì)勞動(dòng)力進(jìn)行替代，被替代的勞動(dòng)力無(wú)法在當(dāng)?shù)卣业綕M(mǎn)意的工作，不能發(fā)揮他的全部?jī)r(jià)值，導(dǎo)致地區(qū)的經(jīng)濟(jì)增長(zhǎng)放緩，但隨著智能化水平不斷提高，更多的崗位不斷被創(chuàng)造，創(chuàng)新水品不斷提高，工業(yè)智能會(huì)對(duì)全要素生產(chǎn)率產(chǎn)生正向作用。

H3：不同地區(qū)勞動(dòng)力結(jié)構(gòu)隨著工業(yè)智能的變化，對(duì)全要素生產(chǎn)率的影響不同，也是非線性的

不同地區(qū)要素稟賦結(jié)構(gòu)不同，地區(qū)間要素流動(dòng)存在阻礙，所以地區(qū)的要素需求并非越多越好。東部沿海地區(qū)工業(yè)發(fā)展快，人民消費(fèi)水平高，高科技人才匯集，這會(huì)導(dǎo)致東部沿海地區(qū)對(duì)工業(yè)智能需求增加。而對(duì)于中西部，由于以農(nóng)業(yè)和落后的制造業(yè)為主，勞動(dòng)力技能水平弱，對(duì)工業(yè)智能的需求不足，如果強(qiáng)行提高工業(yè)智能，則會(huì)造成失業(yè)，工業(yè)智能不能發(fā)揮全部作用，嚴(yán)重影響經(jīng)濟(jì)增長(zhǎng)。董旭等測(cè)算了城市全要素生產(chǎn)率，得出東部沿海地區(qū)受信息基礎(chǔ)設(shè)施、教育、制造業(yè)集聚的影響較大，而中西部地區(qū)全要素生產(chǎn)率主要受科技支出和經(jīng)濟(jì)密度影響，不同地區(qū)全要素生產(chǎn)率的關(guān)鍵影響因素是不同的。[17]孫早等使用2001—2015年省級(jí)面板數(shù)據(jù)，分析工業(yè)智能化對(duì)勞動(dòng)力結(jié)業(yè)的影響，指出由于人工智能的發(fā)展，東部沿海地區(qū)已經(jīng)出現(xiàn)了就業(yè)的單極化現(xiàn)象，這不利于經(jīng)濟(jì)的可持續(xù)增長(zhǎng)。[18]所以，對(duì)不同地區(qū)而言，工業(yè)智能化水平并非越高越好，由于要素稟賦結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)等因素，工業(yè)智能存在最優(yōu)點(diǎn)，在最優(yōu)工業(yè)智能化水平上，勞動(dòng)力結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)等因素才能更好地促進(jìn)地區(qū)的全要素生產(chǎn)率。

三、 模型構(gòu)建與變量介紹

(一) 模型設(shè)定

諸多研究顯示勞動(dòng)力結(jié)構(gòu)和全要素生產(chǎn)率之間的非線性關(guān)系，并且工業(yè)智能對(duì)全要素生產(chǎn)率的影響為正向。隨著不同地區(qū)工業(yè)智能化水平不同，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響是不同的，所以本文構(gòu)建帶有門(mén)檻的面板平滑轉(zhuǎn)換模型(PSTR)，具體模型如下：

(1)

其中，γ反映了轉(zhuǎn)換函數(shù)的變換速度，該值越大轉(zhuǎn)換越快。c為平滑參數(shù)，qit為轉(zhuǎn)換變量，其中轉(zhuǎn)換函數(shù)g(·)為：

(2)

本文根據(jù)上述的理論模型建立如下PSTR模型：

GML=∑β×xit+∑β′×g(AIit;γ,c)×xit+uit

(3)

其中，uit表示隨機(jī)擾動(dòng)項(xiàng)，xit表示AIit、LSIit、CONSPit、ISit、FDIit、FINit、INFit和PRit。

(二) 變量選取與數(shù)據(jù)來(lái)源

1. 被解釋變量

采用引入非期望產(chǎn)出的GML指數(shù)(Global Malmquist-Luenberger)衡量各個(gè)省份的全要素生產(chǎn)率，該指數(shù)既可以避免出現(xiàn)線性規(guī)劃無(wú)可行解的問(wèn)題，又具有可傳遞性特征，能夠循環(huán)累加，有效解決傳統(tǒng)ML指數(shù)和曼奎斯特(Malmquist)指數(shù)的缺陷，投入產(chǎn)出主要從2004—2016年《中國(guó)統(tǒng)計(jì)年鑒》獲得。

(1) 投入指標(biāo)。該指標(biāo)將固定資產(chǎn)合計(jì)(億元)、年末從業(yè)人數(shù)(萬(wàn)人)、單位國(guó)內(nèi)生產(chǎn)總值(GDP)能源消耗(萬(wàn)噸/億元)作為投入變量。

(2) 產(chǎn)出指標(biāo)，即工業(yè)總產(chǎn)值(億元)。

(3) 非期望產(chǎn)出指標(biāo)。該指標(biāo)使用工業(yè)廢水排放量(萬(wàn)噸)、工業(yè)廢氣排放量(萬(wàn)噸)、工業(yè)固體排放量(萬(wàn)噸)3個(gè)指數(shù)來(lái)衡量。

2. 解釋變量

本文的解釋變量包括勞動(dòng)力結(jié)構(gòu)和工業(yè)智能化指數(shù)，具體計(jì)算方法如下：

(1) 勞動(dòng)力結(jié)構(gòu)(LSI)。受工業(yè)智能影響最大的是地區(qū)高技術(shù)人才的占比，工業(yè)智能會(huì)替代部分低技術(shù)水平人才，但仍需部分了解智能技術(shù)和管理技術(shù)的高技術(shù)員工，所以本文采取朱巧玲等使用的勞動(dòng)力結(jié)構(gòu)指數(shù)[1]。這里將勞動(dòng)力結(jié)構(gòu)定義為技能勞動(dòng)與非技能勞動(dòng)的比值，其中技能勞動(dòng)為大專(zhuān)及以上學(xué)歷就業(yè)人員占全國(guó)就業(yè)人數(shù)的比值，非技能勞動(dòng)為其余就業(yè)人員占全國(guó)就業(yè)人數(shù)的比值，用公式表達(dá)為：

LSI=LS/LUS=LS/(1-LS)

(4)

其中LS為技能勞動(dòng)就業(yè)人數(shù)占比，LUS為非技能勞動(dòng)就業(yè)人數(shù)占比，以上的指標(biāo)數(shù)據(jù)均來(lái)自2004—2016年《中國(guó)勞動(dòng)力統(tǒng)計(jì)年鑒》和《中國(guó)統(tǒng)計(jì)年鑒》。

(2) 工業(yè)智能化指數(shù)(AI)。按照賽迪智庫(kù)裝備工業(yè)研究所整理數(shù)據(jù)可知，工業(yè)智能化主要包括智能制造裝備及生產(chǎn)線、機(jī)器人、大型生產(chǎn)系統(tǒng)、數(shù)字化智能化工廠(車(chē)間)、智能部件及裝置、控制系統(tǒng)、應(yīng)用軟件等。[20]但是由于數(shù)據(jù)的可得性，這里借鑒孫早等研究中使用的指標(biāo)[18]，通過(guò)熵權(quán)法構(gòu)建工業(yè)智能化指數(shù)。所有數(shù)據(jù)來(lái)自2004—2016年《中國(guó)電子信息產(chǎn)業(yè)統(tǒng)計(jì)年鑒》《中國(guó)信息產(chǎn)業(yè)年鑒》和《中國(guó)統(tǒng)計(jì)年鑒》，具體指標(biāo)如下： 1) 軟件使用情況。采用基礎(chǔ)軟件、支撐軟件、嵌入式軟件和應(yīng)用軟件的進(jìn)口額占工業(yè)和運(yùn)輸、郵電和軟件行業(yè)營(yíng)業(yè)收入的比重； 2) 工業(yè)智能儀器設(shè)備使用情況。使用計(jì)算機(jī)、電子元件、電子器件、電子材料和電子儀器的進(jìn)口額占工業(yè)和運(yùn)輸、郵電和軟件行業(yè)營(yíng)業(yè)收入的比重； 3) 數(shù)據(jù)處理情況。使用信息技術(shù)咨詢(xún)?cè)O(shè)計(jì)服務(wù)、數(shù)據(jù)服務(wù)和運(yùn)營(yíng)服務(wù)收入占工業(yè)和運(yùn)輸、郵電和軟件行業(yè)營(yíng)業(yè)收入的比重； 4) 平臺(tái)維護(hù)服務(wù)情況。主要是用信息系統(tǒng)集成業(yè)務(wù)、電子商務(wù)平臺(tái)服務(wù)和運(yùn)營(yíng)維護(hù)服務(wù)收入占工業(yè)和運(yùn)輸、郵電和軟件行業(yè)營(yíng)業(yè)收入的比重； 5) 信息采集能力。使用各省份互聯(lián)網(wǎng)使用人數(shù)占總?cè)丝跀?shù)的比重； 6) 工業(yè)智能企業(yè)情況。這里使用各地區(qū)工業(yè)智能企業(yè)數(shù)目進(jìn)行替代(3)工業(yè)智能相關(guān)企業(yè)通過(guò)使用python軟件從智能制造網(wǎng)(https:∥www.gkzhan.com/)爬蟲(chóng)所得。；7) 創(chuàng)新能力。這里使用所有工業(yè)智能企業(yè)授權(quán)專(zhuān)利數(shù)進(jìn)行衡量(4)通過(guò)爬蟲(chóng)得到所有工業(yè)智能企業(yè)數(shù)據(jù)，然后使用python在佰騰網(wǎng)(https:∥www.baiten.cn/)爬蟲(chóng)匹配所得。。8) 能源消耗情況。使用各省份的單位GDP(國(guó)內(nèi)生產(chǎn)總值)能源消耗情況衡量。通過(guò)以上構(gòu)建的8個(gè)指標(biāo)，使用熵權(quán)法將這些指標(biāo)合并為一個(gè)指數(shù)，本文秉承最大化反映工業(yè)智能的原則構(gòu)建指標(biāo)。

3. 轉(zhuǎn)換變量

使用上文構(gòu)建的工業(yè)智能化指數(shù)(AI)作為轉(zhuǎn)換變量，得出勞動(dòng)力結(jié)構(gòu)隨著AI指數(shù)的變化如何影響全要素生產(chǎn)率。

4. 控制變量

為了能夠更好的構(gòu)建模型，需要補(bǔ)充其他的控制變量，涉及產(chǎn)業(yè)結(jié)構(gòu)、金融、能源、創(chuàng)新、貿(mào)易水平等，具體如下： 1) 消費(fèi)水平(CONSP)，使用各省城鎮(zhèn)居民家庭人均消費(fèi)支出占可支配收入的比重； 2) 產(chǎn)業(yè)結(jié)構(gòu)(IS)，使用各省份第三產(chǎn)業(yè)總產(chǎn)值占地區(qū)GDP的比重； 3) 直接外商投資(FDI)，使用各省份外商直接投資占GDP的比重來(lái)衡量； 4) 投融資水平(FIN)，使用各省份年末存貸款占GDP的比重； 5) 基礎(chǔ)設(shè)施(INF)，使用人均城市道路面積來(lái)衡量； 6) 創(chuàng)新水平(PR)，使用各省份有效專(zhuān)利數(shù)和研發(fā)投入的比值來(lái)衡量。以上的數(shù)據(jù)均通過(guò)2004—2016年《中國(guó)統(tǒng)計(jì)年鑒》和《中國(guó)科技統(tǒng)計(jì)年鑒》搜集[18][21-22]。

(三) 描述性統(tǒng)計(jì)與現(xiàn)狀分析

在進(jìn)行描述性統(tǒng)計(jì)前，這里先對(duì)數(shù)據(jù)進(jìn)行處理，具體如下： (1) 由于西藏的絕大多數(shù)數(shù)據(jù)沒(méi)有披露，所以本文將西藏自治區(qū)剔除，對(duì)其余30個(gè)省份進(jìn)行研究； (2) 本文對(duì)所有指標(biāo)取對(duì)數(shù)，所以出現(xiàn)絕大多數(shù)變量為負(fù)數(shù)的情況。表1為所有變量的描述性統(tǒng)計(jì)，可以看出，GML的自然對(duì)數(shù)均值和方差分別為-0.01和0.04，其變化幅度較小；工業(yè)智能化指數(shù)(AI)的自然對(duì)數(shù)均值分別為-2.73和0.33，波動(dòng)也比較小，說(shuō)明我國(guó)工業(yè)智能最近幾年的發(fā)展速度不是很快，地區(qū)差異不大；勞動(dòng)力結(jié)構(gòu)的自然對(duì)數(shù)均值為-0.89，方差為1.00，波動(dòng)幅度是所有變量最大的，說(shuō)明各個(gè)地區(qū)不同年份的勞動(dòng)力結(jié)構(gòu)差異比較大。而控制變量中，除投融資水平(FIN)和外商直接投資(FDI)的方差較大以外，其他變量的變化都比較小，各個(gè)地區(qū)各個(gè)年份變量變化都較為穩(wěn)定。

表1 相關(guān)變量的統(tǒng)計(jì)性描述

表1對(duì)所有變量進(jìn)行了描述性統(tǒng)計(jì)，對(duì)于本文的核心變量GML、LSI和AI，這里列出了2016年的全國(guó)分布圖，如圖1所示。從中可以看出，我國(guó)全要素生產(chǎn)率水平較高的地區(qū)主要分布在山東、廣東等地，而北京等地區(qū)的全要素水平并不高。對(duì)于勞動(dòng)力結(jié)構(gòu)，我國(guó)高技能人才主要集中在北京、天津、上海、浙江和江蘇等地，中部地區(qū)和西南地區(qū)的高技能人才比重很小。而對(duì)于工業(yè)智能化指數(shù)，我國(guó)工業(yè)智能發(fā)展水平較高的地區(qū)主要集中在廣東、北京、山東，而中部和西部四川等地區(qū)的工業(yè)智能水平要比其他地區(qū)高很多。通過(guò)以上分析可以看出，并非工業(yè)智能化水平和勞動(dòng)力結(jié)構(gòu)水平越高，全要素生產(chǎn)率就越高，它們之間存在著非線性關(guān)系。

圖12016年相關(guān)指標(biāo)分布

四、 實(shí)證結(jié)果

(一) 面板單位根檢驗(yàn)和非線性檢驗(yàn)

一些非平穩(wěn)的經(jīng)濟(jì)時(shí)間序列往往存在共同的變化趨勢(shì)，但這些變量可能沒(méi)有直接的關(guān)聯(lián)，通過(guò)回歸可以得到較高的擬合度，其結(jié)果是無(wú)效的，這種情況稱(chēng)為偽回歸。為了防止偽回歸，確保估計(jì)結(jié)果的有效性和穩(wěn)健性，需要使用單位根檢驗(yàn)對(duì)面板數(shù)據(jù)進(jìn)行平穩(wěn)檢驗(yàn)。本文使用LLC、IPS和HT指標(biāo)對(duì)面板數(shù)據(jù)進(jìn)行檢驗(yàn)，結(jié)果如表2。除過(guò)PR的LLC檢驗(yàn)、AI的IPS檢驗(yàn)和HT檢驗(yàn)沒(méi)有通過(guò)1%的顯著性水平，但都在5%的水平上拒絕了原假設(shè)，而其他變量的所有檢驗(yàn)都在1%的顯著性水平上拒絕了原假設(shè)，說(shuō)明變量平穩(wěn)性較好，不存在單位根。

表2 面板單位根檢驗(yàn)

相關(guān)文獻(xiàn)表明，截面之間可能存在相關(guān)性，這會(huì)導(dǎo)致傳統(tǒng)的單位根檢驗(yàn)失效，造成顯著性偏差。如若存在截面相關(guān)性，則需要使用考慮截面相關(guān)的單位根檢驗(yàn)來(lái)驗(yàn)證面板數(shù)據(jù)是否為平穩(wěn)的。這里采用佩薩然(Pesaran)年提出的CD檢驗(yàn)和CIPS檢驗(yàn)來(lái)測(cè)量，通過(guò)Matlab編程得到檢驗(yàn)結(jié)果如表3所示[22]?？梢钥闯龀^(guò)AI、CONSP和FIN的CD檢驗(yàn)在部分滯后期沒(méi)有通過(guò)原假設(shè)，其他變量都在10%的顯著性水平上拒絕原假設(shè)，說(shuō)明所有變量均存在著截面相關(guān)。為此，本文需要進(jìn)行第二代單位根檢驗(yàn)，除過(guò)部分變量的部分檢驗(yàn)沒(méi)有通過(guò)原假設(shè)，其他檢驗(yàn)都在10%的顯著性水平上拒絕了原假設(shè)，這說(shuō)明所有變量都是平穩(wěn)的。

表3 面板單位根檢驗(yàn)

表4 線性與剩余非線性檢驗(yàn)

(二) 實(shí)證結(jié)果分析

圖2為全國(guó)、東部、中部和西部地區(qū)回歸結(jié)果的轉(zhuǎn)換函數(shù)，結(jié)果顯示Model1-Model4的部分觀測(cè)值存在于工業(yè)智能的高機(jī)制和低機(jī)制之間，全國(guó)和東部地區(qū)存在兩個(gè)轉(zhuǎn)換區(qū)間，而中部和西部地區(qū)存在一個(gè)轉(zhuǎn)換區(qū)間，如果使用線性回歸模型和帶有高階變量的非線性回歸模型都會(huì)對(duì)結(jié)果造成誤差。表5為Model1-Model4的實(shí)證結(jié)果，從中可以看出，工業(yè)智能化指數(shù)AI和勞動(dòng)力結(jié)構(gòu)LSI的絕大多數(shù)回歸系數(shù)均在10%的水平上顯著，其他控制變量也大都顯著，說(shuō)明使用PSTR模型回歸得到的擬合結(jié)果較好。全國(guó)和東部地區(qū)存在兩個(gè)門(mén)限值，分別為AI=e-4.754 4、AI=e-5.796 4和AI=e-4.757 8、AI=e-6.377 8,轉(zhuǎn)換速度分別為γ=119.532和γ=251.185，這說(shuō)明全國(guó)和東部地區(qū)轉(zhuǎn)換速度較為陡峭。而對(duì)于中部和西部地區(qū)，都只存在一個(gè)位置參數(shù)，分別為AI=e-6.955 1和AI=e-7.106 2，轉(zhuǎn)換速度分別為γ=12.936和γ=25.109，可以看出工業(yè)智能化指數(shù)的位置參數(shù)要比全國(guó)和東部地區(qū)要低，并且轉(zhuǎn)換速度較為平緩。

圖2 全國(guó)地區(qū)轉(zhuǎn)換函數(shù)

首先來(lái)看勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響，對(duì)全國(guó)來(lái)說(shuō)，當(dāng)工業(yè)智能化水平較低的時(shí)候，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響為0.012 4(-0.086 7+0.099 1)，而當(dāng)工業(yè)智能化水平不斷增加到門(mén)檻值A(chǔ)I=e-5.796 4，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的作用為-0.086 7，當(dāng)工業(yè)智能化水平指數(shù)繼續(xù)增加到門(mén)檻值A(chǔ)I=e-4.754 4時(shí)，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響為0.012 4(-0.086 7+0.099 1)。對(duì)于東部地區(qū)而言，工業(yè)智能化較小的時(shí)候，勞動(dòng)力結(jié)構(gòu)對(duì)當(dāng)?shù)厝厣a(chǎn)率的作用為正向的，即0.040 7；隨著工業(yè)智能化指數(shù)不斷提升至門(mén)檻值A(chǔ)I=e-6.377 8，其對(duì)全要素生產(chǎn)率的正向作用逐漸降低為負(fù)值，即-0.117 3；而當(dāng)工業(yè)智能化智能持續(xù)增加到門(mén)檻值A(chǔ)I=e-4.756 78，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響又變?yōu)檎怠＿@說(shuō)明雖然工業(yè)智能化能夠影響勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響，但從長(zhǎng)期來(lái)看，東部地區(qū)擁有充足的智能化配套基礎(chǔ)設(shè)施，因此智能化技術(shù)的發(fā)展比中西部地區(qū)快，勞動(dòng)力結(jié)構(gòu)更能夠促進(jìn)全要素生產(chǎn)率。對(duì)于中部地區(qū)，當(dāng)工業(yè)智能化水平發(fā)展不足的時(shí)候，并非高技能勞動(dòng)力就能促進(jìn)全要素生產(chǎn)率，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的貢獻(xiàn)率為-0.292 0，而隨著工業(yè)智能化不斷地提高到門(mén)檻值A(chǔ)I=e-6.955 1，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響逐漸變?yōu)檎担@種正向作用比較小，為0.036。中部地區(qū)門(mén)檻值不高以及勞動(dòng)力結(jié)構(gòu)的正向作用不強(qiáng)都說(shuō)明中部地區(qū)工業(yè)智能化需求不高。而對(duì)于西部地區(qū)，當(dāng)工業(yè)智能水平低的時(shí)候，其對(duì)全要素生產(chǎn)率的影響系數(shù)為-0.143 0，當(dāng)工業(yè)智能不斷發(fā)展，其對(duì)全要素生產(chǎn)率的影響不斷為正，與中部地區(qū)相同，其正向作用偏弱，為0.057 7，說(shuō)明中西部獨(dú)有的地區(qū)特點(diǎn)使勞動(dòng)力結(jié)構(gòu)并非高技能勞動(dòng)力越多越好。以工業(yè)智能化指數(shù)對(duì)全要素生產(chǎn)率的影響為例，表5可以看出不同地區(qū)的影響系數(shù)均為正值，說(shuō)明人工智能可以促進(jìn)全要素生產(chǎn)率的提升。

表5 參數(shù)的估計(jì)結(jié)果

通過(guò)以上的分析可知，所有地區(qū)隨著工業(yè)智能化水平的提高，勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的正向作用會(huì)達(dá)到最優(yōu)。這說(shuō)明我國(guó)智能化發(fā)展水平不是很高，各個(gè)地區(qū)需要大力發(fā)展工業(yè)智能，并且配備更多的高技能人才，才能將生產(chǎn)率提升到最大。對(duì)于東部地區(qū)，存在兩個(gè)門(mén)檻。一方面是因?yàn)槿珖?guó)的高技能人才都集中在東部沿海地區(qū)，早期小規(guī)模的智能化能夠帶動(dòng)企業(yè)擴(kuò)大產(chǎn)量，促進(jìn)當(dāng)?shù)氐慕?jīng)濟(jì)發(fā)展，但隨著智能化技術(shù)的不斷應(yīng)用，為了獲得智能化帶來(lái)的利益，新企業(yè)不斷加入，而盲目地使用智能化技術(shù)以及地區(qū)智能化配套基礎(chǔ)設(shè)施沒(méi)有及時(shí)建立，會(huì)導(dǎo)致企業(yè)之間競(jìng)爭(zhēng)壓力增加，高技能人才無(wú)法發(fā)揮低技術(shù)水平的工業(yè)智能化設(shè)備和技術(shù)，從而導(dǎo)致勞動(dòng)力結(jié)構(gòu)阻礙經(jīng)濟(jì)發(fā)展。但是隨著工業(yè)智能化技術(shù)水平的不斷提升，企業(yè)對(duì)技術(shù)的應(yīng)用更加熟練，勞動(dòng)力也逐漸適應(yīng)全新生產(chǎn)模式，對(duì)高技能勞動(dòng)力的需求提升又再次促進(jìn)全要素生產(chǎn)率。對(duì)于中部和西部地區(qū)，由于本身勞動(dòng)力結(jié)構(gòu)以低技能和農(nóng)業(yè)勞動(dòng)力為主，企業(yè)發(fā)展規(guī)模不足，創(chuàng)新能力差，早期的智能化需要投資大量的資本，不能完全取代廉價(jià)的勞動(dòng)力，并且其無(wú)法與東部沿海地區(qū)企業(yè)進(jìn)行競(jìng)爭(zhēng)，所以勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的影響為負(fù)，但是隨著技術(shù)水平不斷完善，勞動(dòng)力不斷學(xué)習(xí)智能技術(shù)，企業(yè)規(guī)模和創(chuàng)新水平不斷提高，大量高技能人才能夠熟練使用智能技術(shù)，從而促進(jìn)當(dāng)?shù)亟?jīng)濟(jì)增長(zhǎng)，提高全要素生產(chǎn)率。

以上我們分析了勞動(dòng)力結(jié)構(gòu)和工業(yè)智能兩個(gè)核心解釋變量的實(shí)證結(jié)果，接下來(lái)對(duì)控制變量進(jìn)行簡(jiǎn)單分析。對(duì)于人均消費(fèi)，隨著工業(yè)智能水平的提升，所有地區(qū)最后都會(huì)對(duì)全要素生產(chǎn)率產(chǎn)生正向作用。對(duì)于產(chǎn)業(yè)結(jié)構(gòu)，其隨著工業(yè)智能水平的提升對(duì)全要素生產(chǎn)率的影響為負(fù)，這說(shuō)明我國(guó)還是以農(nóng)業(yè)和制造業(yè)為主，第三產(chǎn)業(yè)占比過(guò)高不利于國(guó)家經(jīng)濟(jì)快速增長(zhǎng)。東部地區(qū)和中部地區(qū)的外商直接投資隨著工業(yè)智能的增加對(duì)全要素生產(chǎn)率的作用為負(fù)，說(shuō)明其對(duì)當(dāng)?shù)氐钠髽I(yè)發(fā)展造成了擠出效應(yīng)；而西部地區(qū)卻相反，主要是因?yàn)槲鞑康貐^(qū)的外商投資較少，并且當(dāng)?shù)氐钠髽I(yè)融資水平也不高，外商投資有利于當(dāng)?shù)亟?jīng)濟(jì)增長(zhǎng)。東部地區(qū)基礎(chǔ)設(shè)施水平會(huì)對(duì)全要素生產(chǎn)率產(chǎn)生不利影響，出現(xiàn)了擁擠現(xiàn)象，而中部地區(qū)和西部地區(qū)的基礎(chǔ)設(shè)施會(huì)隨著工業(yè)智能水平的太高而促進(jìn)全要素生產(chǎn)率。除西部地區(qū)的專(zhuān)利會(huì)對(duì)負(fù)向影響全要素生產(chǎn)率之外，中部和東部地區(qū)都會(huì)提高全要素生產(chǎn)率，說(shuō)明西部地區(qū)企業(yè)創(chuàng)新能力明顯乏力，需要當(dāng)?shù)卣岣哔Y金投資和人才引進(jìn)，促進(jìn)有效創(chuàng)新。

(三) 穩(wěn)健性檢驗(yàn)

這里對(duì)模型進(jìn)行穩(wěn)健性檢驗(yàn)，使用ML指數(shù)替代GML指數(shù)，并且用主成分分析將工業(yè)智能化的相關(guān)指標(biāo)合成一個(gè)指數(shù)(AIP)，通過(guò)使用PSTR方法檢驗(yàn)?zāi)Ｐ秃蛯?shí)證結(jié)果的合理性。Model5-Model8為全國(guó)、東部、中部和西部的實(shí)證結(jié)果，可以看出工業(yè)智能化指數(shù)(AIP)和勞動(dòng)力結(jié)構(gòu)(LSI)的絕大多數(shù)系數(shù)都在10%的水平顯著，全國(guó)和東部地區(qū)存在兩個(gè)位置參數(shù)，而中部和西部地區(qū)存在一個(gè)位置參數(shù)，除過(guò)部分變量不顯著，并且與表5中符號(hào)相反，其余大多數(shù)變量的符號(hào)均相同(見(jiàn)表6)，這說(shuō)明了實(shí)證結(jié)果的有效性。

表6核心變量改變的穩(wěn)健性檢驗(yàn)

表7為通過(guò)創(chuàng)建新的變量來(lái)對(duì)模型和實(shí)證結(jié)果的穩(wěn)健性進(jìn)行檢驗(yàn)，并沒(méi)有說(shuō)明本文PSTR模型的合理性，這里使用引入交叉項(xiàng)的系統(tǒng)GMM來(lái)進(jìn)行回歸擬合，變量與表5相同?？梢钥闯觯怀隧?xiàng)的系數(shù)都在10%的水平上顯著，說(shuō)明了存在非線性。工業(yè)智能化指數(shù)和勞動(dòng)力結(jié)構(gòu)的系數(shù)都為正，也說(shuō)明了本文使用PSTR模型的合理性，實(shí)證結(jié)果也有較好的解釋性。

表7模型構(gòu)建改變的穩(wěn)健性檢驗(yàn)

五、 結(jié)論

受第三次工業(yè)革命的影響，全球處在科技浪潮的風(fēng)口浪尖，我國(guó)三大產(chǎn)業(yè)正在向智能化靠攏。一方面隨著工業(yè)智能的不斷發(fā)展，企業(yè)生產(chǎn)結(jié)構(gòu)、消費(fèi)者生活以及勞動(dòng)力結(jié)構(gòu)都在發(fā)生質(zhì)的改變，大量的資本和勞動(dòng)被工業(yè)智能替代，提高了生產(chǎn)率，但另一方面失業(yè)、要素稟賦等因素又阻礙著地區(qū)的經(jīng)濟(jì)增長(zhǎng)。本文基于2004—2016年我國(guó)的省級(jí)面板數(shù)據(jù)，構(gòu)建了工業(yè)智能化指數(shù)，通過(guò)使用面板平滑轉(zhuǎn)換模型研究勞動(dòng)力結(jié)構(gòu)隨著工業(yè)智能化指數(shù)的變化如何影響引入非期望產(chǎn)出的全要素生產(chǎn)率。得到結(jié)論如下： (1) 工業(yè)智能能夠促進(jìn)全要素生產(chǎn)率，說(shuō)明企業(yè)引入智能制造可以促進(jìn)規(guī)?；a(chǎn)，提高產(chǎn)量； (2) 勞動(dòng)力結(jié)構(gòu)隨著工業(yè)智能的發(fā)展最終對(duì)全要素生產(chǎn)率產(chǎn)生正向作用，現(xiàn)階段需要提高工業(yè)智能化水平，才能夠引入高技能人才，提高勞動(dòng)力結(jié)構(gòu)，從而促進(jìn)全要素生產(chǎn)率； (3) 隨著地區(qū)特點(diǎn)不同，工業(yè)智能化水平不同發(fā)展階段勞動(dòng)力結(jié)構(gòu)對(duì)全要素生產(chǎn)率的作用不同，東部沿海地區(qū)工業(yè)智能早期階段勞動(dòng)力對(duì)生產(chǎn)率產(chǎn)生正向作用，而中西部產(chǎn)生負(fù)向影響，不同地區(qū)不同智能化水平需要的高技能人才不同。

基于以上的結(jié)論，勞動(dòng)力結(jié)構(gòu)并非一直對(duì)全要素生產(chǎn)率產(chǎn)生正向作用，當(dāng)?shù)氐漠a(chǎn)業(yè)結(jié)構(gòu)、基礎(chǔ)設(shè)施、融資水平等因素不同，導(dǎo)致工業(yè)智能化的提高并非引起高技能人才對(duì)經(jīng)濟(jì)增長(zhǎng)產(chǎn)生促進(jìn)作用，所以本文提出以下政策建議： (1) 各地區(qū)在大力興建工業(yè)智能的同時(shí)，不能盲目地吸引高技能人才，應(yīng)該根據(jù)當(dāng)?shù)禺a(chǎn)業(yè)結(jié)構(gòu)、生活成本等因素，適量并逐步改變勞動(dòng)力結(jié)構(gòu)，盡量讓現(xiàn)有勞動(dòng)力能夠發(fā)揮所有資本的作用，提高工業(yè)智能在三大產(chǎn)業(yè)的生產(chǎn)力； (2) 全國(guó)各地應(yīng)該擴(kuò)大關(guān)于工業(yè)智能的高等教育投資，加強(qiáng)高等教育的內(nèi)涵，提高產(chǎn)學(xué)研合作機(jī)制，調(diào)整和優(yōu)化大學(xué)教育的結(jié)構(gòu)，促進(jìn)高等教育人才和智能化企業(yè)之間的有效銜接，并且高校還要提高科研水平，促進(jìn)工業(yè)智能科學(xué)技術(shù)水平的研發(fā)，發(fā)揮高校對(duì)智能化進(jìn)程的推動(dòng)作用； (3) 在產(chǎn)業(yè)政策方面，鼓勵(lì)北上廣深地區(qū)工業(yè)智能發(fā)展速度較快的區(qū)域建立產(chǎn)業(yè)集群式發(fā)展模式，重點(diǎn)培育先進(jìn)企業(yè)成為全國(guó)乃至國(guó)際領(lǐng)先帶頭企業(yè)，而其他地區(qū)產(chǎn)業(yè)要根據(jù)企業(yè)自身發(fā)展情況和未來(lái)發(fā)展目標(biāo)，適當(dāng)引入和發(fā)展智能技術(shù)，避免智能技術(shù)的浪費(fèi)； (4) 各地方政府應(yīng)該制定政策建立國(guó)際性合作機(jī)構(gòu)，中國(guó)的5G技術(shù)在全球處于頂尖，這都是國(guó)內(nèi)企業(yè)和國(guó)外企業(yè)共同努力合作的結(jié)果，未來(lái)智能化發(fā)展也應(yīng)如此。我國(guó)應(yīng)該牽頭建立國(guó)際智能監(jiān)管機(jī)構(gòu)，對(duì)有關(guān)智能技術(shù)的創(chuàng)造、使用和學(xué)習(xí)進(jìn)行監(jiān)督管理，避免智能技術(shù)的漏洞和濫用，全力推動(dòng)智能技術(shù)高速發(fā)展。