何珩銘

（暨南大學(xué)管理學(xué)院，廣東 廣州 510630）

一、引言

當(dāng)前，我國(guó)經(jīng)濟(jì)進(jìn)入結(jié)構(gòu)調(diào)整的新階段，黨的十九大報(bào)告表示，我國(guó)經(jīng)濟(jì)已由高速增長(zhǎng)階段轉(zhuǎn)向高質(zhì)量發(fā)展階段，必須堅(jiān)持質(zhì)量第一、效益優(yōu)先，報(bào)告明確指出要以供給側(cè)結(jié)構(gòu)性改革為主線，提高全要素生產(chǎn)率。在此結(jié)構(gòu)轉(zhuǎn)型、產(chǎn)業(yè)升級(jí)和振興實(shí)體經(jīng)濟(jì)的關(guān)鍵時(shí)期，人工智能作為引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，同樣得到了各國(guó)政府的充分重視。國(guó)務(wù)院多次印發(fā)相關(guān)文件，著力實(shí)現(xiàn)人工智能技術(shù)與實(shí)體經(jīng)濟(jì)的深度融合，以人工智能技術(shù)帶動(dòng)智能經(jīng)濟(jì)發(fā)展和促進(jìn)經(jīng)濟(jì)社會(huì)進(jìn)步。

有學(xué)者表示，技術(shù)創(chuàng)新在內(nèi)生增長(zhǎng)模型中是否具有社會(huì)價(jià)值，取決于其對(duì)總生產(chǎn)率的貢獻(xiàn)程度（Kogan等，2017），人工智能的快速發(fā)展為經(jīng)濟(jì)發(fā)展注入了新動(dòng)能，但人工智能應(yīng)用是否能夠提升生產(chǎn)率仍然存在爭(zhēng)議。一方面，人工智能可以通過(guò)補(bǔ)充、替代人類勞動(dòng)執(zhí)行復(fù)雜任務(wù)，幫助企業(yè)提升生產(chǎn)力（Makridakis，2017）；人工智能作為一項(xiàng)通用目的技術(shù)，將促進(jìn)互補(bǔ)性創(chuàng)新，帶來(lái)乘數(shù)效應(yīng)（Brynjolfsson等，2017），這也是總體經(jīng)濟(jì)增長(zhǎng)和全要素生產(chǎn)率的重要影響因素（Kogan等，2017）。另一方面，Robert在1987年提出了“生產(chǎn)率悖論”現(xiàn)象，表示“除了生產(chǎn)率以外，計(jì)算機(jī)的作用無(wú)處不在”。一些學(xué)者認(rèn)為受本土技術(shù)匹配程度、吸收能力等影響，人工智能等技術(shù)的應(yīng)用對(duì)生產(chǎn)率的作用較為復(fù)雜，因此，人工智能無(wú)法像預(yù)期一樣在短期內(nèi)對(duì)經(jīng)濟(jì)增長(zhǎng)以及生產(chǎn)效率產(chǎn)生顯著影響（Agrawal等， 2018；Brynjolfsson等，2018）。

此外，現(xiàn)有研究主要集中在宏觀層面上工業(yè)機(jī)器人、信息技術(shù)等對(duì)國(guó)家、行業(yè)層面生產(chǎn)率的影響，本文將使用微觀層面的數(shù)據(jù)，驗(yàn)證人工智能的應(yīng)用是否存在“生產(chǎn)率悖論”，為企業(yè)應(yīng)用人工智能方向提供建議，政府制定有效產(chǎn)業(yè)和創(chuàng)新政策提供理論依據(jù)。

二、理論分析與研究假設(shè)

全要素生產(chǎn)率反映的是所有要素的綜合生產(chǎn)率，基于“索洛余值原理”，采用資本和勞動(dòng)力這兩個(gè)生產(chǎn)要素以外的其他生產(chǎn)要素所帶來(lái)的產(chǎn)出增長(zhǎng)率進(jìn)行測(cè)算。眾多因素會(huì)對(duì)全要素生產(chǎn)率產(chǎn)生一定的影響，包括技術(shù)效率改善、技術(shù)進(jìn)步以及規(guī)模效應(yīng)等（余泳澤等，2015）。結(jié)合“人工智能”的特征，本文認(rèn)為“人工智能”會(huì)從改善技術(shù)效率和促進(jìn)技術(shù)進(jìn)步這兩個(gè)方面提高全要素生產(chǎn)率。

在技術(shù)效率改善上，人工智能可以從對(duì)人力資本改善和物質(zhì)資源配置上提升效率。人力資本改善上，過(guò)去所有的技術(shù)革命都是淘汰生產(chǎn)資料，人工智能應(yīng)用開(kāi)始淘汰人這一生產(chǎn)力，即替代部分低技能工人的工作，進(jìn)而提升勞動(dòng)效率（Graetz等，2015）。人工智能機(jī)械化和自動(dòng)化的特征可以基于科學(xué)設(shè)定自主執(zhí)行工作，保持超長(zhǎng)時(shí)間、超高效率工作，在高度精確算法下，無(wú)需人工控制監(jiān)督（Z?otowski等，2017）。從物質(zhì)資源配置上來(lái)看，人工智能的發(fā)展基于互聯(lián)網(wǎng)、大數(shù)據(jù)等信息系統(tǒng)，這些基礎(chǔ)技術(shù)本身就可以通過(guò)數(shù)據(jù)資源共享提升溝通效率，合理配置資源（郭家堂等，2016），人工智能系統(tǒng)的新浪潮提高了組織使用數(shù)據(jù)進(jìn)行預(yù)測(cè)的能力，大大降低了預(yù)測(cè)成本（Agrawal，Gans等，2018），例如，谷歌DeepMind團(tuán)隊(duì)訓(xùn)練了一組神經(jīng)網(wǎng)絡(luò)來(lái)優(yōu)化數(shù)據(jù)中心的功耗，與專家水平相比，人工智能將用于冷卻的能量減少40%。因此，我們認(rèn)為人工智能可以從改善技術(shù)效率的角度提高全要素生產(chǎn)率。

在促進(jìn)技術(shù)進(jìn)步方面，人工智能技術(shù)的應(yīng)用，可能會(huì)創(chuàng)造許多新的之前不存在的工作或任務(wù)（Dauth等，2017；Berriman等，2017）；人工智能技術(shù)也能催生出新的生產(chǎn)設(shè)備，這必然伴隨大量的新設(shè)備資本投資，因此技術(shù)進(jìn)步的速率將加快（王家庭等，2019），此外，人工智能作為一項(xiàng)通用目的技術(shù)，將促進(jìn)互補(bǔ)性創(chuàng)新，激發(fā)配套創(chuàng)新科技，帶來(lái)乘數(shù)效應(yīng)，創(chuàng)新是總體經(jīng)濟(jì)增長(zhǎng)和全要素生產(chǎn)率的重要影響因素（Kogan等，2017），因此長(zhǎng)期來(lái)看人工智能將有助于全要素生產(chǎn)率的提升?；谝陨戏治?，我們提出本文假設(shè)。

H1：其他條件不變的情況下，企業(yè)應(yīng)用人工智能可以提升企業(yè)的全要素生產(chǎn)率。

三、研究設(shè)計(jì)

1.樣本選擇與數(shù)據(jù)來(lái)源

本文以中國(guó)2010年～2018年期間全部A股上市公司為研究樣本。本文數(shù)據(jù)來(lái)源主要包括以下兩個(gè)部分：第一，與公司治理有關(guān)的數(shù)據(jù)均來(lái)自國(guó)泰安（CSMAR）數(shù)據(jù)庫(kù)；第二，衡量企業(yè)是否實(shí)施人工智能的人工智能應(yīng)用數(shù)據(jù)是通過(guò)年報(bào)搜集以及人工判斷的方式得到的。具體來(lái)說(shuō)，本文通過(guò)利用中國(guó)A股上市公司2010年～2018年的年報(bào)，通過(guò)語(yǔ)義處理判斷該企業(yè)是否實(shí)施了人工智能，構(gòu)建了人工智能指標(biāo)（AI_D）。

此外，本文還進(jìn)行了如下的樣本篩選：（1）鑒于金融行業(yè)指標(biāo)和監(jiān)管的特殊性，刪除金融類上市公司；（2）刪除主要變量缺失的上市公司；（3）本文除“人工智能”的變量是手工搜集外，其余數(shù)據(jù)均來(lái)自CSMAR數(shù)據(jù)庫(kù)。為避免異常值影響，本文對(duì)所有連續(xù)變量在1%和99%分位采用了winsor處理。

2.變量定義

（1）被解釋變量

經(jīng)典的微觀企業(yè)全要素生產(chǎn)率度量是用最小二乘法（OLS）測(cè)算索洛余值，但由于微觀企業(yè)的數(shù)據(jù)限制，并沒(méi)有很好的解釋反向因果關(guān)系與樣本選擇性偏誤的問(wèn)題。因此本文根據(jù)Levinsohn等（2010）的基本思路，借鑒魯曉東等（2012）的研究假設(shè)估算企業(yè)全要素生產(chǎn)率，記為TFP，根據(jù)LP方法，企業(yè)的生產(chǎn)函數(shù)可以表示為Yt=AtKαtLβt，取對(duì)數(shù)后變?yōu)椋?/p>

lnYijt=β0+β1lnLijt+β2lnKijt+β3lnIijt+εijt

其中：Yijt代表營(yíng)業(yè)收入，Lijt表示上市公司年報(bào)中披露的員工人數(shù)；Kijt表示公司的固定資產(chǎn)凈額；Iijt為中間變量，表示公司購(gòu)買商品、接受勞務(wù)實(shí)際支付的現(xiàn)金。將固定效應(yīng)加入到生產(chǎn)函數(shù)模型中，以完全控制企業(yè)之間時(shí)間的異質(zhì)性之后，得到的殘差εijt則代表t 時(shí)期企業(yè)i的全要素生產(chǎn)率。

（2）解釋變量

本文定義實(shí)施人工智能的企業(yè)為當(dāng)年通過(guò)年報(bào)公開(kāi)披露“企業(yè)實(shí)施人工智能情況”的樣本。人工智能數(shù)據(jù)處理過(guò)程如下：①對(duì)年報(bào)進(jìn)行分詞，并提取出包含“人工智能”關(guān)鍵詞的句子；②對(duì)包含“人工智能”關(guān)鍵詞的句子進(jìn)行字面及語(yǔ)義判斷，確定句子描述的是否為人工智能的應(yīng)用；③得到處理效應(yīng)數(shù)據(jù)，確定為企業(yè)當(dāng)年實(shí)施了人工智能，即存在人工智能的處理效應(yīng)（AI_D=1），否則AI_D=0；④為了避免自變量的量化中存在主觀判斷的問(wèn)題，凡是公司在年報(bào)中披露了“人工智能”的相關(guān)信息，根據(jù)該詞匯出現(xiàn)次數(shù)取對(duì)數(shù)后得到一個(gè)無(wú)主觀判斷的指數(shù)AI_KW。

（3）控制變量

在以往文獻(xiàn)的基礎(chǔ)上（鄭寶紅等，2018；孔東民，2015），本文控制了一系列可能影響生產(chǎn)率的企業(yè)層面特征變量，同時(shí)控制行業(yè)與年份變量。變量定義表詳見(jiàn)表1。

表1 變量定義表

3.模型構(gòu)建

根據(jù)本文提出的假設(shè)，構(gòu)建出人工智能與全要素生產(chǎn)率的回歸模型：

TFP=α+β1AI_D+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8No10+Year+Ind+ε

TFP=α+β1AI_KW+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8NO10+Year+Ind+ε（2）

四、實(shí)證分析

1.描述性統(tǒng)計(jì)

表2報(bào)告了分類的描述性統(tǒng)計(jì)的結(jié)果，本文通過(guò)是否實(shí)施人工智能（AI_D）進(jìn)行了分類統(tǒng)計(jì)。被解釋變量TFP的均值為15.93，與其他研究上市公司全要素生產(chǎn)率文獻(xiàn)的取值范圍類似（鄭寶紅，2018）。從描述性統(tǒng)計(jì)結(jié)果看，實(shí)施了人工智能的樣本TFP均值和中位數(shù)均高于沒(méi)有實(shí)施人工智能的樣本，在1%的置信水平下顯著，假設(shè)H1初步得到了驗(yàn)證。

表2 描述性統(tǒng)計(jì)

2.回歸分析

表3前兩列提供了H1的檢驗(yàn)結(jié)果。全樣本回歸中，AI_D和AI_KW的系數(shù)均顯著為正，且AI_D的系數(shù)通過(guò)了5%的顯著性水平，AI_KW的系數(shù)通過(guò)了1%的顯著性水平，這說(shuō)明企業(yè)實(shí)施人工智能確實(shí)會(huì)顯著提高企業(yè)的全要素生產(chǎn)率，假設(shè)得到了驗(yàn)證，人工智能的應(yīng)用對(duì)整體生產(chǎn)率并未產(chǎn)生“生產(chǎn)率悖論”。

表3 設(shè)一檢驗(yàn)結(jié)果

3.進(jìn)一步分析

（1）產(chǎn)權(quán)性質(zhì)的分組分析

已有學(xué)者發(fā)現(xiàn)在混合所有制改革不斷推進(jìn)的背景下，國(guó)有企業(yè)TFP分布已經(jīng)相當(dāng)接近于民營(yíng)企業(yè)（朱沛華等，2020），但國(guó)有企業(yè)的規(guī)模效應(yīng)和勞動(dòng)力雇傭效應(yīng)較之非國(guó)有企業(yè)不明顯（李磊等，2020），國(guó)有企業(yè)與非國(guó)有企業(yè)在生產(chǎn)技術(shù)與資源配置效率上仍然存在著一定的差異，導(dǎo)致兩者應(yīng)用技術(shù)的生產(chǎn)效率存在差距（龔關(guān)，2015）。因此本文在H1的基礎(chǔ)上進(jìn)行了產(chǎn)權(quán)性質(zhì)的分組檢驗(yàn)。

表4第（1）、第（2）列報(bào)告了回歸結(jié)果。非國(guó)企的組別中，人工智能對(duì)全要素生產(chǎn)率的影響分別在1%的水平上顯著為正，而在國(guó)有上市公司中，該提升作用不顯著。說(shuō)明相對(duì)于國(guó)有上市公司而言，非國(guó)有上市公司實(shí)施人工智能對(duì)全要素生產(chǎn)率的提升作用更大。

（2）不同密集型企業(yè)的分組分析

本文進(jìn)一步考察了上市公司應(yīng)用人工智能的影響在不同密集型企業(yè)間是否存在差異。資本密集型企業(yè)里，隨著資本投入顯著增加，由此形成的規(guī)模經(jīng)濟(jì)也會(huì)驅(qū)動(dòng)企業(yè)生產(chǎn)率提高。本文對(duì)資本密集型和勞動(dòng)密集型企業(yè)的劃分參考了李磊（2020）、廖冠民等（2014）的方法。分析結(jié)果見(jiàn)表4第（3）、第（4）列。AI_D在資本密集型上市公司中顯著為正，在勞動(dòng)密集型企業(yè)中不顯著。說(shuō)明相較勞動(dòng)密集型公司而言，資本密集型上市公司中應(yīng)用人工智能可以顯著提升全要素生產(chǎn)率。

（3）高新、非高新企業(yè)差異分析

不同高新技術(shù)程度企業(yè)的技術(shù)先進(jìn)度與勞動(dòng)力素質(zhì)存在差異，因此在使用人工智能后，對(duì)企業(yè)全要素生產(chǎn)率的影響可能不同。表4第（5）、第（6）列分別報(bào)告了高新技術(shù)企業(yè)與非高新技術(shù)企業(yè)應(yīng)用人工智能后全要素生產(chǎn)率的異質(zhì)性結(jié)果。結(jié)果顯示，高新技術(shù)與非高新技術(shù)上市公司的核心解釋變量回歸系數(shù)均為正，但非高新技術(shù)企業(yè)核心解釋變量的回歸系數(shù)相對(duì)較大，使用人工智能后非高新技術(shù)企業(yè)的全要素生產(chǎn)率提升程度可能相對(duì)更高。

表4 進(jìn)一步分析檢驗(yàn)

4.穩(wěn)健性檢驗(yàn)

為了保證本文結(jié)論可靠性，本文使用op法衡量上市公司的全要素生產(chǎn)率對(duì)本文假設(shè)進(jìn)行重新檢驗(yàn)，使用傾向得分匹配法進(jìn)行檢驗(yàn)，結(jié)果均保持不變。

五、結(jié)論與啟示

在人工智能應(yīng)用得到國(guó)家層面重視、進(jìn)入高速發(fā)展階段的背景下，本文利用2010年～2018年上市公司年報(bào)資料及相關(guān)數(shù)據(jù)，檢驗(yàn)了人工智能對(duì)上市公司生產(chǎn)率是否存在“生產(chǎn)率悖論”。研究結(jié)果表明，上市公司使用人工智能提升了企業(yè)的全要素生產(chǎn)率，不存在“生產(chǎn)率悖論”。此外，人工智能對(duì)生產(chǎn)率的促進(jìn)作用在非國(guó)企上市公司、資本密集型企業(yè)中更加突出。

本文的研究表明，在“互聯(lián)網(wǎng)+”、大數(shù)據(jù)快速發(fā)展的時(shí)代背景下，上市公司應(yīng)結(jié)合行業(yè)經(jīng)營(yíng)特性和企業(yè)自身發(fā)展特點(diǎn)，更有針對(duì)性地應(yīng)用人工智能，以此提高企業(yè)的全要素生產(chǎn)率。政府應(yīng)積極推進(jìn)人工智能基礎(chǔ)設(shè)施建設(shè)，搭建完善的工業(yè)互聯(lián)網(wǎng)平臺(tái)，鼓勵(lì)企業(yè)引進(jìn)高技術(shù)人才，對(duì)先進(jìn)技術(shù)的應(yīng)用創(chuàng)新進(jìn)行持續(xù)鼓勵(lì)，以人工智能技術(shù)帶動(dòng)智能經(jīng)濟(jì)發(fā)展、促進(jìn)經(jīng)濟(jì)社會(huì)進(jìn)步。