申丹虹，趙筱楠

（中北大學(xué)經(jīng)濟(jì)與管理學(xué)院，太原 030051）

食品加工業(yè)是農(nóng)產(chǎn)品的直接上游行業(yè)之一，其在賦能鄉(xiāng)村振興、推動農(nóng)村供給側(cè)結(jié)構(gòu)性改革、一二三產(chǎn)業(yè)融合方面具有領(lǐng)頭作用，是為耕者謀利的制造業(yè)；習(xí)近平總書記在逆全球化和新冠疫情的背景下提出了“雙循環(huán)”戰(zhàn)略，要求暢通國內(nèi)大循環(huán)，食品加工業(yè)在實(shí)現(xiàn)農(nóng)產(chǎn)品增值的同時(shí)為城鄉(xiāng)居民提供高質(zhì)量消費(fèi)品，是擴(kuò)大國內(nèi)需求、為人民謀福祉的民生產(chǎn)業(yè)。中共中央《十四五規(guī)劃建議》強(qiáng)調(diào)優(yōu)先發(fā)展農(nóng)業(yè)農(nóng)村，資源要素向農(nóng)村傾斜，2018 年農(nóng)業(yè)部《關(guān)于實(shí)施農(nóng)產(chǎn)品加工業(yè)提升行動的通知》明確了推動產(chǎn)業(yè)轉(zhuǎn)型升級的主要目標(biāo)和重點(diǎn)任務(wù)。

隨著中國經(jīng)濟(jì)發(fā)展進(jìn)入新常態(tài)，傳統(tǒng)資源和勞動密集型的產(chǎn)業(yè)要實(shí)現(xiàn)轉(zhuǎn)型升級就更要關(guān)注高質(zhì)量發(fā)展，尋求除要素投入以外的新動能，很多學(xué)者認(rèn)為全要素生產(chǎn)率（TFP）是中國未來經(jīng)濟(jì)增長的決定因素。因此，實(shí)證研究近10 年中國食品加工業(yè)TFP的變化和影響因素具有重要意義。

1 研究現(xiàn)狀

中國學(xué)者對農(nóng)產(chǎn)品加工業(yè)TFP變化趨勢和影響因素非常關(guān)注，對于更細(xì)分的食品加工業(yè)研究成果較少，但仍有極大的借鑒意義。農(nóng)產(chǎn)品加工業(yè)TFP的測算有兩類主流方法：非參數(shù)數(shù)據(jù)包絡(luò)模型（DEA-Malmquist）和隨機(jī)前沿模型（SFA）。戰(zhàn)炤磊等［1］、趙燃等［2］、龔新署等［3］基于行業(yè)面板數(shù)據(jù)測算中國農(nóng)產(chǎn)品加工業(yè)TFP的變化趨勢，樣本階段雖各不相同，都得出了TFP年均上升的結(jié)論，并且主要由技術(shù)進(jìn)步推動。劉志雄等［4］使用SFA 的方法估計(jì)生產(chǎn)函數(shù)測算技術(shù)效率的變化，發(fā)現(xiàn)雖然1993—2005 年中國食品加工業(yè)技術(shù)效率逐年提高，卻存在顯著的技術(shù)損失，技術(shù)進(jìn)步不明顯。

很多學(xué)者實(shí)證分析了影響農(nóng)產(chǎn)品加工業(yè)TFP的因素，當(dāng)前已被證實(shí)的影響因素分為兩大類：行業(yè)宏觀層面和公司微觀層面。產(chǎn)業(yè)集聚和外商直接投資在不同階段顯示出正外部性和負(fù)外部性［3］；趙燃等［2］認(rèn)為，國有控股企業(yè)相對“三資企業(yè)”在技術(shù)進(jìn)步上更有優(yōu)勢，資本密集度負(fù)向影響農(nóng)產(chǎn)品加工業(yè)TFP的提高。胡泉水等［5］從公司角度分析融資約束和技能結(jié)構(gòu)失衡對TFP的抑制作用機(jī)理。但是人工智能在食品加工業(yè)生產(chǎn)效率中的作用還沒有學(xué)者研究，國內(nèi)外學(xué)者關(guān)注“索洛悖論”在各國家制造業(yè)整體是否成立，并進(jìn)行了大量實(shí)證研究。劉亮等［6］基于中國制造業(yè)數(shù)據(jù)證偽了“索洛悖論”，認(rèn)為人工智能主要通過提高技術(shù)效率提高制造業(yè)TFP。付文宇等［7］認(rèn)為人工智能通過技術(shù)創(chuàng)新和人力資本優(yōu)化促進(jìn)了地區(qū)制造業(yè)優(yōu)化升級，而這種促進(jìn)效果對中國東部地區(qū)和勞動密集型產(chǎn)業(yè)影響更顯著。工業(yè)智能化如何影響制造業(yè)高質(zhì)量發(fā)展，唐曉華等［8］檢驗(yàn)了工業(yè)智能化與制造業(yè)發(fā)展的U 型關(guān)系，影響途徑是優(yōu)化勞動力結(jié)構(gòu)、提高生產(chǎn)效率與提升產(chǎn)品質(zhì)量。郭敏等［9］結(jié)合國際經(jīng)驗(yàn)，驗(yàn)證了人工智能對中國勞動生產(chǎn)率的抑制作用，原因是勞動生產(chǎn)率具有滯后性、錯誤的勞動生產(chǎn)率估算和人工智能不精確計(jì)量共同導(dǎo)致。

雖然食品加工業(yè)是農(nóng)業(yè)的直接上游行業(yè)，鮮有學(xué)者將第一產(chǎn)業(yè)與食品加工業(yè)納入同一研究框架分析。靖飛等［10］將省際主要農(nóng)產(chǎn)品產(chǎn)量加入投入變量計(jì)算中國食品加工業(yè)Malmquist 指數(shù)，用DEA 方法計(jì)算技術(shù)效率未完全有效的省份在農(nóng)產(chǎn)品利用效率上調(diào)整改進(jìn)的程度。張莉俠等［11］實(shí)證檢驗(yàn)農(nóng)業(yè)自身的效率并不會直接影響技術(shù)效率水平。

上述關(guān)于使用DEA-Mamlquist 指數(shù)測算食品加工業(yè)全要素生產(chǎn)率已比較普遍，然而將人工智能、農(nóng)業(yè)效率和食品加工業(yè)全要素生產(chǎn)率納入同一框架中的研究還未出現(xiàn)。鑒于食品加工業(yè)對推動國家經(jīng)濟(jì)高質(zhì)量發(fā)展、助推鄉(xiāng)村振興意義重大，為實(shí)現(xiàn)在新一輪科技革命階段抓住人工智能技術(shù)機(jī)遇、充分發(fā)揮食品加工業(yè)對農(nóng)產(chǎn)品的增值作用，本研究擬從2009—2019 年食品加工業(yè)Malmquist 指數(shù)及其分解項(xiàng)的增長變動情況研究行業(yè)發(fā)展趨勢，并構(gòu)建人工智能指標(biāo)和農(nóng)業(yè)效率指標(biāo)，實(shí)證分析這2 個因素在中國食品加工行業(yè)的影響效果和影響機(jī)制，以期豐富這一領(lǐng)域研究成果。

2 人工智能、農(nóng)業(yè)效率對食品加工業(yè)全要素生產(chǎn)率的影響機(jī)制

2.1 人工智能對食品加工業(yè)技術(shù)進(jìn)步和全要素生產(chǎn)率的影響機(jī)制

人工智能在國家工業(yè)體系中具有知識溢出［12］和知識創(chuàng)造效應(yīng)［13］。首先，智能化降低了企業(yè)間的信息傳遞成本，一定程度瓦解了企業(yè)間的技術(shù)壁壘從而促進(jìn)知識共享，而人工智能技術(shù)作為通用目的的技術(shù)具有滲透性［6］，這種滲透性在區(qū)域產(chǎn)業(yè)集群中發(fā)揮知識溢出作用，推動食品加工業(yè)的技術(shù)進(jìn)步。另外，人工智能以人機(jī)交互為基本形式，以深度學(xué)習(xí)和大數(shù)據(jù)分析為代表的智能化信息技術(shù)輔助企業(yè)關(guān)聯(lián)和預(yù)測大量數(shù)據(jù)，在企業(yè)內(nèi)部產(chǎn)生前向關(guān)聯(lián)溢出、后向關(guān)聯(lián)溢出，密切生產(chǎn)部門、研發(fā)部門和應(yīng)用部門間的互動關(guān)系［14］，企業(yè)獲得庫存、生產(chǎn)、物流、營銷各關(guān)節(jié)點(diǎn)的準(zhǔn)確信息，為制造業(yè)企業(yè)創(chuàng)造豐富的顯性知識，實(shí)現(xiàn)由數(shù)據(jù)到信息再到知識的價(jià)值轉(zhuǎn)化，也帶動制造業(yè)創(chuàng)新效率的提升，人工智能的知識創(chuàng)造效應(yīng)有利于食品加工業(yè)的技術(shù)進(jìn)步。

諾貝爾經(jīng)濟(jì)學(xué)獎獲得者索洛提出“除開生產(chǎn)率統(tǒng)計(jì)，無論何處，你都能目睹計(jì)算機(jī)的時(shí)代”，“信息技術(shù)生產(chǎn)率悖論”是否存在于中國的食品加工業(yè)，是需要探討的問題。第一，人工智能的生產(chǎn)率效應(yīng)存在時(shí)滯性，在人工智能發(fā)展的前期，各企業(yè)投入有形固定資產(chǎn)、高技術(shù)人力資源還有無法準(zhǔn)確計(jì)量的無形資產(chǎn)后續(xù)支出，相應(yīng)的這些資本積累在當(dāng)期帶來的產(chǎn)出貢獻(xiàn)卻非常有限，通過Malmquist 指數(shù)計(jì)算TFP時(shí)通常以產(chǎn)值作為產(chǎn)出，這就導(dǎo)致了TFP被低估。如2020 年國內(nèi)對無人駕駛汽車的投資達(dá)95.4億元，卻尚未在汽車市場上形成最終產(chǎn)出，然而新技術(shù)帶來的市場潛力難以衡量，只有在未來趨向成熟時(shí)這些人工智能投資才能得到回報(bào)。第二，食品加工業(yè)屬于非技術(shù)密集型的輕工業(yè)，目前在行業(yè)內(nèi)推廣使用的智能化設(shè)備如工業(yè)機(jī)器人、3D 打印、無人農(nóng)機(jī)、智能檢測設(shè)備雖然在安裝量上大幅上升，但仍停留在形式層面，尤其是中低技術(shù)復(fù)雜度的傳統(tǒng)工業(yè)機(jī)器人對生產(chǎn)率貢獻(xiàn)有限［15］。第三，人工智能具有技術(shù)狹隘性，其僅對國民經(jīng)濟(jì)活動中的部分行業(yè)如廣告定位、金融資產(chǎn)交易和高技術(shù)制造業(yè)的促進(jìn)作用明顯，而食品加工業(yè)在利用和發(fā)展人工智能技術(shù)時(shí)處于相對劣勢，同時(shí)，新技術(shù)的好處加劇行業(yè)間和企業(yè)間的不公平競爭，造成資源浪費(fèi)［16］，破壞了新技術(shù)帶來的福利。鑒于人工智能具有生產(chǎn)率效應(yīng)時(shí)滯性、技術(shù)狹隘性以及食品加工業(yè)在國民經(jīng)濟(jì)所處的地位，本研究認(rèn)為人工智能不能促進(jìn)全要素生產(chǎn)率提高。上述機(jī)理分析如圖1 所示，基于此提出假說1。

圖1 人工智能對食品加工業(yè)全要素生產(chǎn)率的影響機(jī)制框架

H1：人工智能促進(jìn)食品加工業(yè)技術(shù)進(jìn)步，但現(xiàn)階段會阻礙全要素生產(chǎn)率的提高。

2.2 農(nóng)業(yè)效率對食品加工業(yè)全要素生產(chǎn)率的影響機(jī)制

食品加工業(yè)是鏈接第一產(chǎn)業(yè)與第二產(chǎn)業(yè)、農(nóng)村與城市的重要輕工業(yè)，現(xiàn)代農(nóng)業(yè)發(fā)展水平為食品加工業(yè)提供原材料基礎(chǔ)，現(xiàn)代農(nóng)業(yè)和智慧農(nóng)業(yè)的推廣發(fā)展推動了農(nóng)業(yè)效率提高，部分地區(qū)大力推進(jìn)綠色農(nóng)產(chǎn)品種植和營養(yǎng)強(qiáng)化型初級農(nóng)產(chǎn)品研發(fā)，促進(jìn)食品加工業(yè)現(xiàn)代種植技術(shù)、現(xiàn)代工業(yè)技術(shù)的推廣普及。對食品加工業(yè)來說，高質(zhì)量農(nóng)產(chǎn)品原料供給賦能企業(yè)降低農(nóng)產(chǎn)品產(chǎn)后損失并提高資源利用效率，食品加工業(yè)能夠充分發(fā)揮農(nóng)產(chǎn)品價(jià)值增加的作用。農(nóng)業(yè)效率的提高促進(jìn)了農(nóng)產(chǎn)品加工業(yè)的技術(shù)效率，從而提高全要素生產(chǎn)率。基于上述分析提出假說2。

H2：農(nóng)業(yè)效率正向影響食品加工業(yè)全要素生產(chǎn)率。

3 食品加工業(yè)全要素生產(chǎn)率測算與分析

3.1 DEA-Malmquist 指數(shù)法

Fare 等［17］指出Malmquist 指數(shù)有以下優(yōu)點(diǎn)：不要求價(jià)格信息、不需要假設(shè)行為、便于計(jì)算。運(yùn)用Malmquist 指數(shù)不僅可以測算TFP的變化，還可以根據(jù)分解項(xiàng)得出增長的主要動力。因此，本研究選擇DEA-Malmquist 指數(shù)方法測算中國食品加工業(yè)全要素生產(chǎn)率。

Malmquist 成產(chǎn)率指數(shù)利用距離函數(shù)的比率來計(jì)算投入產(chǎn)出效率，隨著該指數(shù)的不斷完善進(jìn)步，有下列3 個公式來說明Malmquist生產(chǎn)率指數(shù)的原理。

式（2）是式（1）的變形，用來表示技術(shù)進(jìn)步與技術(shù)效率變化的分離。在規(guī)模報(bào)酬可變的條件下，技術(shù)效率可進(jìn)一步分解為純技術(shù)效率變化指數(shù)（PECH）和規(guī)模效率變化指數(shù)（SECH）。

式（3）進(jìn)一步放松了式（1）和式（2）固定規(guī)模報(bào)酬的假設(shè)，描述了變動規(guī)模報(bào)酬的情形，進(jìn)一步將技術(shù)效率分解成純技術(shù)效率變化和規(guī)模效率變化。將TFP分解，能夠明確造成TFP變動的原因進(jìn)而動態(tài)分析變化的過程。

3.2 數(shù)據(jù)選取

按照中國國民經(jīng)濟(jì)二位數(shù)分類代碼（GB/T 4754—2017），選取農(nóng)副食品加工業(yè)、食品制造業(yè)和酒、飲料、茶制造業(yè)3 個子行業(yè)作為研究對象，統(tǒng)稱食品加工業(yè)，研究階段為2009—2019 年。為保證數(shù)據(jù)連續(xù)性和可獲得性，選取中國31 個?。ㄊ?、自治區(qū)）食品加工業(yè)主營業(yè)務(wù)收入（2019 年為營業(yè)收入）作為產(chǎn)出指標(biāo)，并用2009 年為基期各子行業(yè)相應(yīng)的生產(chǎn)者出廠價(jià)格指數(shù)平減處理。模型的投入指標(biāo)包括勞動投入和資本投入，勞動投入用行業(yè)平均用工人數(shù)表示，資本投入分為固定資本和流動資本投入，其中固定資本用行業(yè)固定資產(chǎn)凈值并以2009 年為基期的固定資產(chǎn)投資價(jià)格指數(shù)平減，行業(yè)流動資產(chǎn)用工業(yè)生產(chǎn)者購進(jìn)價(jià)格指數(shù)平減后的年均余額表示流動資本。 基于以上指標(biāo)使用DEAP 2.1 軟件計(jì)算Malmquist指數(shù)及其分解項(xiàng)。

數(shù)據(jù)來源于《中國統(tǒng)計(jì)年鑒》和《中國工業(yè)統(tǒng)計(jì)年鑒》，其中2018 年《中國工業(yè)統(tǒng)計(jì)年鑒》未出版，缺失數(shù)據(jù)用趨勢外推法估算補(bǔ)齊。

3.3 中國食品加工業(yè)全要素生產(chǎn)率及分解

表1列出了2009—2019 年中國食品加工業(yè)Malmquist 指數(shù)。由表1 可知，2009—2019 中國食品加工業(yè)TFP的平均變化率是1.041，在這10 年間平均提升4.1%，但是TFP增長率呈波動式下降，僅研究期的起始年2009—2010 年增長率達(dá)30%，之后的8 年增長率在-10%～10%浮動。其中，技術(shù)效率指數(shù)（EFFCH）和技術(shù)進(jìn)步指數(shù)（TECHCH）分別上升1.6%和2.5%，說明食品加工業(yè)TFP的增長是技術(shù)效率提升和技術(shù)進(jìn)步共同作用的結(jié)果，但技術(shù)進(jìn)步的貢獻(xiàn)更明顯。由圖1 可以發(fā)現(xiàn)，TFP與技術(shù)進(jìn)步趨勢基本一致，2010—2017 年技術(shù)效率的變化不明顯，食品加工業(yè)TFP的波動主要是由技術(shù)進(jìn)步引起的，尤其在2017—2018 年TFP大幅下降了12.7 個百分點(diǎn)，同時(shí)技術(shù)變化下降幅度高達(dá)21.0%，拖累效應(yīng)明顯，技術(shù)效率卻一改下降趨勢，呈現(xiàn)出11.8%的增長，可能原因：①國家統(tǒng)計(jì)局在編訂2019 年《中國工業(yè)統(tǒng)計(jì)年鑒》時(shí)，修改了統(tǒng)計(jì)制度，將工業(yè)各行業(yè)“主營業(yè)務(wù)收入”指標(biāo)調(diào)整為“營業(yè)收入”指標(biāo)，致使2018 年食品加工業(yè)3 個子行業(yè)的產(chǎn)出數(shù)值明顯下降，3 個子行業(yè)收入下降幅度達(dá)20%以上。同時(shí)，由于2018 年新會計(jì)制度允許新購進(jìn)500 萬元以下固定資產(chǎn)一次性計(jì)提折舊，固定資產(chǎn)凈值出現(xiàn)較大幅度的下降，但其他投入指標(biāo)沒有明顯變化。②2018 年中國食品加工業(yè)規(guī)模以上企業(yè)數(shù)量增加，但R&D 投入和R&D 人員數(shù)量減少，專利申請數(shù)也有所降低，說明在2018 年企業(yè)更加規(guī)?；髽I(yè)采取提高管理效率、調(diào)整產(chǎn)品結(jié)構(gòu)等優(yōu)化產(chǎn)業(yè)配置的措施，短暫忽略技術(shù)創(chuàng)新能力提升，使2017—2018 年食品加工業(yè)技術(shù)效率提升，尤其是規(guī)模效率的增幅達(dá)7.1 個百分點(diǎn)，而技術(shù)進(jìn)步出現(xiàn)了大幅降低。

表1 2009—2019 年中國食品加工業(yè)全要素生產(chǎn)率及分解項(xiàng)變動

從各項(xiàng)指標(biāo)的經(jīng)濟(jì)學(xué)含義來看，技術(shù)變化指標(biāo)為企業(yè)除投入要素以外對產(chǎn)出有影響的無形要素，包括技術(shù)進(jìn)步、組織創(chuàng)新等。技術(shù)效率指標(biāo)衡量在現(xiàn)有技術(shù)條件下，組織管理、產(chǎn)業(yè)結(jié)構(gòu)等是否優(yōu)化，純技術(shù)效率指標(biāo)說明企業(yè)管理效率是否提高，規(guī)模效率指數(shù)說明現(xiàn)有規(guī)模是否達(dá)到了最優(yōu)規(guī)模。中國食品加工業(yè)的技術(shù)效率進(jìn)步不明顯，近10 年增長僅1.6%，主要是因?yàn)橐?guī)模效率平均下降0.04%的拖累，規(guī)模效率僅在2010 年、2012 年、2015 年和2018 年是增長的，其他年份均下降，說明中國食品加工業(yè)規(guī)模經(jīng)濟(jì)帶來的作用還沒有顯現(xiàn)。純技術(shù)效率增長也不明顯，食品加工業(yè)提高管理水平、提高資源利用效率和擴(kuò)大經(jīng)營規(guī)模是下一階段的重要努力方向，并在政策的支持下，鼓勵食品加工業(yè)提高市場集中度，注重食品質(zhì)量并加快打響國際知名品牌，著重?cái)U(kuò)大國內(nèi)市場。

圖2 2009—2019 年中國食品加工業(yè)全要素生產(chǎn)率及分解項(xiàng)變動趨勢

3.4 各經(jīng)濟(jì)區(qū)食品加工業(yè)全要素生產(chǎn)率變動

為進(jìn)一步分析中國各省食品加工業(yè)全要素生產(chǎn)率的空間異質(zhì)性，將31 個?。ㄊ小⒆灾螀^(qū)）（以下簡稱各地區(qū)）按照“十二五”期間區(qū)域規(guī)劃的“八大經(jīng)濟(jì)區(qū)”進(jìn)行劃分（表2）。其中，各地區(qū)間資源稟賦、主導(dǎo)產(chǎn)業(yè)和經(jīng)濟(jì)發(fā)展水平相似，尤其在農(nóng)業(yè)專業(yè)化生產(chǎn)方面具有相似性，食品加工業(yè)與農(nóng)業(yè)的關(guān)系最緊密，因此有必要進(jìn)行經(jīng)濟(jì)區(qū)層面的分析，以促進(jìn)區(qū)域間的協(xié)調(diào)發(fā)展。

由表2 可知，2009—2019 年中國27 個省（市、自治區(qū)）的食品加工業(yè)實(shí)現(xiàn)了TFP增長，8 個經(jīng)濟(jì)區(qū)的平均增長率都是正值。首先，南部沿海地區(qū)TFP增長幅度最大，達(dá)到近9%，海南省和福建省TFP的增長分別位于全國的前2 位，引領(lǐng)了該經(jīng)濟(jì)區(qū)的生產(chǎn)前沿面，并且是源于技術(shù)效率和技術(shù)進(jìn)步共同的推進(jìn)作用。海南省是中國最大的熱帶作物、特色禽畜、水產(chǎn)品初加工基地之一，2018 年成為經(jīng)濟(jì)特區(qū)后，其在生產(chǎn)技術(shù)發(fā)展、管理技術(shù)人員吸引、外資引進(jìn)方面具有優(yōu)勢，發(fā)展?jié)摿薮螅晦r(nóng)產(chǎn)品加工業(yè)是福建省重要支柱產(chǎn)業(yè)之一，依靠地理優(yōu)勢和豐富的農(nóng)產(chǎn)品優(yōu)勢，福建省的糖果、罐頭和冷凍水產(chǎn)品產(chǎn)量位居全國前列。其次是大西南經(jīng)濟(jì)區(qū)，5 個省份的食品加工業(yè)TFP平均增長6.8%，貴州省、云南省、廣西均保持7%以上增長率，其中云南省9.7%的增長率主要由技術(shù)效率中的純技術(shù)效率貢獻(xiàn)，說明近10 年云南省食品加工業(yè)的管理組織效率提升、產(chǎn)業(yè)結(jié)構(gòu)不斷合理化，但是規(guī)模效率仍是下降趨勢。東北地區(qū)和黃河中下游綜合經(jīng)濟(jì)區(qū)的食品加工業(yè)TFP的年均增長率最低，主要因?yàn)榧夹g(shù)進(jìn)步拉動作用不足，其中吉林省和河南省TFP年均下降2%，作為重要的糧食大省，這2 個省應(yīng)加大政策指引并擴(kuò)大消費(fèi)需求，提高本省優(yōu)勢農(nóng)業(yè)產(chǎn)品利用效率。此外，山東省、西藏和青海省食品加工業(yè)TFP下降，均是由技術(shù)效率中規(guī)模效率變化的負(fù)增長拖累所致，青海省和西藏地理環(huán)境阻礙制造業(yè)的發(fā)展，因此較難實(shí)現(xiàn)產(chǎn)業(yè)規(guī)模化，但山東省是經(jīng)濟(jì)發(fā)達(dá)地區(qū)，食品加工業(yè)產(chǎn)值高，應(yīng)注重生產(chǎn)技術(shù)研發(fā)、抓住智能制造機(jī)遇，打造現(xiàn)代化食品加工業(yè)以促進(jìn)地區(qū)經(jīng)濟(jì)發(fā)展。

表2 2009—2019 年各經(jīng)濟(jì)區(qū)食品加工業(yè)全要素生產(chǎn)率及分解項(xiàng)變動

4 計(jì)量模型設(shè)定和變量選取

4.1 模型設(shè)定

依據(jù)上述研究假設(shè)，設(shè)立以下模型實(shí)證檢驗(yàn)假設(shè)的正確性。

式中，TFPit代表i地區(qū)t時(shí)期的全要素生產(chǎn)率；AIit表示i地區(qū)t時(shí)期的人工智能指數(shù)；AGRIit表示農(nóng)業(yè)效率；Controlit為模型的控制變量；ξi為個體固定效應(yīng)；εit為隨機(jī)誤差項(xiàng)；α為常數(shù)項(xiàng)分別為人工智能指數(shù)、農(nóng)業(yè)效率、控制變量對食品加工業(yè)全要素生產(chǎn)率變動的影響程度。

為進(jìn)一步探究人工智能和農(nóng)業(yè)效率對食品加工業(yè)全要素生產(chǎn)率的影響途徑，進(jìn)一步將Malmquist 指數(shù)的分解項(xiàng)TECHCH和EFFCH作為被解釋變量設(shè)定模型（5）和（6），進(jìn)行影響因素的回歸檢驗(yàn)。

4.2 人工智能評價(jià)體系構(gòu)建

本研究核心解釋變量之一是人工智能指數(shù)AI，參考季良玉［18］構(gòu)建智能化水平測度體系的方法，從基礎(chǔ)設(shè)施層和生產(chǎn)應(yīng)用層選取人工智能指標(biāo)。李廉水等［12］強(qiáng)調(diào)從投入的角度衡量各地區(qū)智能化水平，本研究選取更有針對性的基礎(chǔ)設(shè)施投入指標(biāo)如下：①C1：食品加工業(yè)3 個子行業(yè)的內(nèi)部R&D 經(jīng)費(fèi)。R&D 經(jīng)費(fèi)主要用于高技術(shù)研發(fā)設(shè)備購進(jìn)、研發(fā)人員工資發(fā)放，因此分別將經(jīng)費(fèi)的50%以當(dāng)年固定資產(chǎn)投資價(jià)格指數(shù)平減，50%以當(dāng)年消費(fèi)者價(jià)格指數(shù)平減，得到剔除價(jià)格因素后的R&D 內(nèi)部支出。②C2：3個子行業(yè)的研發(fā)機(jī)構(gòu)R&D 人員數(shù)量之和。③C3：高技術(shù)設(shè)備投入指標(biāo)。一個地區(qū)的電信基礎(chǔ)設(shè)施完善程度為人工智能在制造業(yè)中的普遍應(yīng)用提供條件，如5G 配套設(shè)施，因此選用電信固定資產(chǎn)投資作為高技術(shù)設(shè)備投入指標(biāo)。生產(chǎn)應(yīng)用層指標(biāo)從食品加工行業(yè)內(nèi)部和所在地區(qū)外部環(huán)境2 方面分別選取如下：①C4：各地區(qū)食品加工業(yè)規(guī)模以上企業(yè)工業(yè)機(jī)器人的安裝數(shù)量。工業(yè)機(jī)器人代替了部分低技能勞動力，并貫穿生產(chǎn)的各階段，由于相關(guān)數(shù)據(jù)僅具體到工業(yè)二級行業(yè)全國安裝量，用各地區(qū)規(guī)模以上食品加工企業(yè)數(shù)量占全國總量的比重估計(jì)了各區(qū)域的安裝量。②C5：高技術(shù)產(chǎn)業(yè)發(fā)展水平。用各地區(qū)高技術(shù)制造業(yè)營業(yè)收入占制造業(yè)整體營業(yè)收入的比重表示。③C6：信息服務(wù)業(yè)發(fā)展水平。用各地區(qū)信息服務(wù)業(yè)營業(yè)收入占制造業(yè)整體營業(yè)收入的比重表示，營業(yè)收入用相應(yīng)的行業(yè)生產(chǎn)者出廠價(jià)格指數(shù)換算成2009 年的不變價(jià)格。以上6 個指標(biāo)選取的樣本考察期均為2009—2019 年，并用熵值法測算出綜合評分作為各地區(qū)人工智能指數(shù)AI，指數(shù)越大說明這個地區(qū)食品加工業(yè)的人工智能程度越高。

4.3 變量說明

被解釋變量：上述測算了31 個地區(qū)2009—2019年Malmquist 指數(shù)和分解結(jié)果，令2009 年的TFPCH、TECHCH、EFFCH指數(shù)為1，之后年份換算成以2009年為基期的累計(jì)值得到絕對全要素生產(chǎn)率。3 個指數(shù)分別作為被解釋變量進(jìn)行影響因素回歸分析。

核心解釋變量：人工智能指數(shù)AI和農(nóng)業(yè)效率指數(shù)AGRI。AI的測度方法已在上一節(jié)敘述，農(nóng)、林、牧、漁產(chǎn)業(yè)為食品加工業(yè)提供基本生產(chǎn)原材料，農(nóng)產(chǎn)品初加工企業(yè)往往選用其所在區(qū)域的易腐易敗或運(yùn)輸成本高的農(nóng)業(yè)產(chǎn)品加工生產(chǎn)，一個地區(qū)農(nóng)業(yè)效率高低在一定程度上決定了原材料供給能力。本研究用各地區(qū)第一產(chǎn)業(yè)增加值占農(nóng)業(yè)總產(chǎn)值的比重作為農(nóng)業(yè)效率指數(shù)AGRI。

控制變量：①外商投資依存度FDI。開放經(jīng)濟(jì)下外商投資進(jìn)入制造業(yè)諸多行業(yè)，為行業(yè)帶來國外先進(jìn)技術(shù)、設(shè)備和管理體系，食品加工業(yè)是中國最早引進(jìn)外資的行業(yè)，F(xiàn)DI的知識溢出效應(yīng)有利于食品加工業(yè)的生產(chǎn)率提高，但是FDI在產(chǎn)業(yè)集群中會產(chǎn)生技術(shù)擠出效應(yīng)，抑制東道國企業(yè)全要素生產(chǎn)率提高［3］，用外商直接投資規(guī)模以上企業(yè)的營業(yè)收入占整個食品加工業(yè)營業(yè)收入的比重表示。②產(chǎn)業(yè)結(jié)構(gòu)STR。一個地區(qū)3 個產(chǎn)業(yè)的比例不盡相同，工業(yè)增加值反映了這一地區(qū)制造業(yè)發(fā)展程度，用第二產(chǎn)業(yè)增加值與第三產(chǎn)業(yè)增加值的比重衡量地區(qū)產(chǎn)業(yè)結(jié)構(gòu)。③行業(yè)規(guī)模SCAL。如果食品加工業(yè)成為一個地區(qū)的支柱產(chǎn)業(yè)，容易形成專業(yè)化經(jīng)濟(jì)的產(chǎn)業(yè)集群，有利于行業(yè)內(nèi)技術(shù)和資源共享并獲得政策支持，提高全要素生產(chǎn)率，用食品加工業(yè)營業(yè)收入與從業(yè)人員數(shù)比值的對數(shù)表示。④產(chǎn)權(quán)特征INST。鼓勵非公有所有制經(jīng)濟(jì)的改革措施有效促進(jìn)企業(yè)間自由競爭，從而促進(jìn)技術(shù)進(jìn)步，用國有控股食品加工企業(yè)營業(yè)收入占全部食品加工業(yè)營業(yè)收入的比重表示。以上產(chǎn)值指標(biāo)均用各行業(yè)生產(chǎn)者出廠價(jià)格指數(shù)平減計(jì)算。

上述省級產(chǎn)值數(shù)據(jù)、價(jià)格指數(shù)和規(guī)模以上企業(yè)數(shù)來源于2010—2020 年《中國統(tǒng)計(jì)年鑒》《中國工業(yè)統(tǒng)計(jì)年鑒》。人工智能指標(biāo)相關(guān)數(shù)據(jù)來源于2010—2020 年《中國科技統(tǒng)計(jì)年鑒》和《中國高技術(shù)產(chǎn)業(yè)統(tǒng)計(jì)年鑒》，工業(yè)機(jī)器人分行業(yè)安裝量來源于國際機(jī)器人聯(lián)盟（IFR）公布的統(tǒng)計(jì)數(shù)據(jù)。

5 人工智能、農(nóng)業(yè)效率影響食品加工業(yè)全要素生產(chǎn)率的實(shí)證檢驗(yàn)

基于上述設(shè)定的模型（4）、模型（5）和模型（6），使用Stata 14.0 軟件對省級面板數(shù)據(jù)進(jìn)行豪斯曼檢驗(yàn)，結(jié)果顯示P分別為0.000 1、0.000 6 和0.000 1，均拒絕原假設(shè)，選用固定效應(yīng)模型更有效。因此選擇控制個體效應(yīng)的固定效應(yīng)模型（FE）進(jìn)行實(shí)證分析，并提供最小二乘法（OLS）的回歸結(jié)果，隨后修改被解釋變量證明實(shí)證結(jié)果的穩(wěn)健性。

5.1 基準(zhǔn)回歸結(jié)果

總體樣本的基準(zhǔn)回歸結(jié)果如表3 所示，使用OLS 和FE 模型進(jìn)行回歸后，模型的擬合優(yōu)度保持較高水平，說明控制變量的選取具有合理性，以固定效應(yīng)回歸結(jié)果為例進(jìn)行分析。由表3 可知，人工智能對食品加工業(yè)TFP的影響系數(shù)為-0.310，對技術(shù)進(jìn)步的影響系數(shù)為0.392，均通過顯著性檢驗(yàn)，對技術(shù)效率的影響系數(shù)為負(fù)但不顯著，說明在樣本期間，從基礎(chǔ)設(shè)施投入和生產(chǎn)應(yīng)用層面衡量的人工智能阻礙了全要素生產(chǎn)率的提升，卻促進(jìn)了技術(shù)進(jìn)步，“生產(chǎn)率悖論”在中國食品加工業(yè)中存在，假說1 得到驗(yàn)證。對于資本密集型和勞動密集型的制造業(yè)，人工智能沒有起到優(yōu)化企業(yè)制造流程并提高管理效率的作用，食品加工業(yè)在智能化設(shè)備投入、研發(fā)支出方面不成熟，屬于低效率的資本投入和人力投入，在行業(yè)內(nèi)部缺乏與人工智能技術(shù)相匹配的人才以充分發(fā)揮資本作用，于是在基礎(chǔ)投入層、生產(chǎn)應(yīng)用層和產(chǎn)出層之間未實(shí)現(xiàn)環(huán)環(huán)相扣。這可能是由于中國的制造業(yè)正處于由大轉(zhuǎn)強(qiáng)、由高速發(fā)展向高質(zhì)量發(fā)展的攻堅(jiān)時(shí)期，食品加工企業(yè)在高技能勞動力配備和管理技術(shù)方面面臨瓶頸，難以將人工智能投入向產(chǎn)出轉(zhuǎn)化。Black 等［19］認(rèn)為即使在工廠車間廣泛應(yīng)用信息技術(shù)，卻沒有相應(yīng)的技術(shù)互補(bǔ)系統(tǒng)，如車間管理實(shí)踐、高質(zhì)量產(chǎn)品創(chuàng)新和豐富技術(shù)經(jīng)驗(yàn)的勞動力，那么投資信息技術(shù)反而會抑制企業(yè)生產(chǎn)率提升，當(dāng)前中國食品加工業(yè)也面臨著互補(bǔ)系統(tǒng)與人工智能生產(chǎn)應(yīng)用不匹配的瓶頸，但是隨著新一輪科技革命逐漸深化，人工智能技術(shù)趨向成熟、走向市場，食品加工企業(yè)應(yīng)抓住智能制造機(jī)遇，參與重構(gòu)全球食品產(chǎn)業(yè)結(jié)構(gòu)，注重人工智能資本積累和成果轉(zhuǎn)化。

表3 基準(zhǔn)回歸結(jié)果

農(nóng)業(yè)效率對食品加工業(yè)全要素生產(chǎn)率和技術(shù)效率回歸系數(shù)分別為4.281 和3.223，均通過5%和10%的顯著性水平檢驗(yàn)，但是對技術(shù)進(jìn)步的影響不顯著，說明食品加工業(yè)所在地區(qū)的農(nóng)業(yè)增效通過提高食品加工業(yè)技術(shù)效率促進(jìn)了全要素生產(chǎn)率，驗(yàn)證了假說2。農(nóng)業(yè)效率的提高意味著該地區(qū)農(nóng)業(yè)生產(chǎn)的專業(yè)化、標(biāo)準(zhǔn)化水平提高，并為食品加工業(yè)提供高質(zhì)量的原材料供給，有利于降低產(chǎn)后損失并實(shí)現(xiàn)農(nóng)產(chǎn)品增值。此外食品加工業(yè)現(xiàn)代種植技術(shù)、現(xiàn)代工業(yè)技術(shù)的推廣普及，提高了以管理效率、農(nóng)產(chǎn)品物流效率和營銷效率為代表的技術(shù)效率，對行業(yè)整體TFP的正向影響顯著。

從控制變量系數(shù)看，外商直接投資的技術(shù)擠出效應(yīng)明顯，抑制了食品加工業(yè)的技術(shù)進(jìn)步，促進(jìn)技術(shù)效率提高，對TFP的影響為負(fù)但沒有通過顯著檢驗(yàn)，原因是中國食品加工企業(yè)與外商投資企業(yè)技術(shù)水平差距不明顯，加之外商投資企業(yè)利用東道國的勞動力和資源優(yōu)勢，僅將處于價(jià)值鏈下游的加工業(yè)務(wù)建立在中國，并且有意封鎖核心技術(shù)，這就使得食品加工業(yè)吸引的外資無法帶來技術(shù)溢出作用，但是外企擁有的管理技術(shù)優(yōu)勢卻顯著提高了本國企業(yè)的管理效率；地區(qū)產(chǎn)業(yè)結(jié)構(gòu)對于3 個被解釋變量的影響均顯著為正，第二產(chǎn)業(yè)的發(fā)達(dá)程度有效促進(jìn)食品加工業(yè)TFP逐漸提高；行業(yè)規(guī)模正向影響了全要素生產(chǎn)率及其分解項(xiàng)，說明提高食品加工業(yè)規(guī)模能夠吸引促進(jìn)技術(shù)進(jìn)步和技術(shù)效率的有利條件，對TFP的提高產(chǎn)生積極作用；產(chǎn)權(quán)特征對TFP的影響不顯著，可能因?yàn)槭称芳庸I(yè)子行業(yè)的產(chǎn)權(quán)特征差別明顯，酒制造業(yè)之中，國有控股企業(yè)占比高，有利于商品的對外貿(mào)易、控價(jià)，而農(nóng)副食品加工業(yè)和食品制造業(yè)占比小，行業(yè)內(nèi)自由競爭程度高，所以國有或“三私”食品加工企業(yè)TFP并不會因?yàn)楫a(chǎn)權(quán)特征的差別而發(fā)生變化。

5.2 穩(wěn)健性檢驗(yàn)結(jié)果

為確保實(shí)證結(jié)果的穩(wěn)健性，修改全要素生產(chǎn)率的計(jì)算方法，使用固定效應(yīng)模型進(jìn)行主要解釋變量對TFP的影響回歸分析。選用索洛余值法基于柯布-道格拉斯生產(chǎn)函數(shù)計(jì)算技術(shù)進(jìn)步效率，在假設(shè)規(guī)模收益不變的前提下技術(shù)進(jìn)步率代表了全要素生產(chǎn)率?；貧w結(jié)果與原模型相比，人工智能指數(shù)AI和農(nóng)業(yè)效率AGRI系數(shù)值和顯著性沒有太大變化，人工智能對食品加工業(yè)TFP發(fā)生阻礙作用，農(nóng)業(yè)效率起到促進(jìn)作用。

6 小結(jié)與建議

本研究基于2009—2019 年省級面板數(shù)據(jù)，計(jì)算了食品加工業(yè)的DEA-Malmquist 指數(shù)及分解項(xiàng)，從基礎(chǔ)設(shè)施投入層和生產(chǎn)應(yīng)用層構(gòu)建了智能化指標(biāo)，并構(gòu)建農(nóng)業(yè)效率指標(biāo)，在固定效應(yīng)模型下實(shí)證檢驗(yàn)人工智能和農(nóng)業(yè)效率對食品加工業(yè)全要素生產(chǎn)率的影響路徑，得出結(jié)論如下：①2009—2019 年中國食品加工業(yè)全要素生產(chǎn)率年均增長4.1%，技術(shù)效率變動貢獻(xiàn)1.6%，技術(shù)進(jìn)步貢獻(xiàn)2.5%，全要素生產(chǎn)率的變動趨勢與技術(shù)進(jìn)步高度吻合，全要素生產(chǎn)率的增長率呈波動式下降。其中，2017—2018 年全要素生產(chǎn)率下降幅度較大，主要是規(guī)模擴(kuò)大而技術(shù)變化負(fù)增長導(dǎo)致。②分經(jīng)濟(jì)區(qū)來看，南部沿海地區(qū)和大西南地區(qū)生產(chǎn)率增長最快，而東北地區(qū)增長最慢。③在固定個體效應(yīng)的模型下，人工智能顯著促進(jìn)食品加工業(yè)技術(shù)進(jìn)步，卻抑制了全要素生產(chǎn)率提高，說明在2009—2019 年的10 年間中國食品加工業(yè)存在“生產(chǎn)率悖論”。④農(nóng)業(yè)效率水平正向影響食品加工業(yè)技術(shù)效率進(jìn)而促進(jìn)全要素生產(chǎn)率增長，且回歸系數(shù)較大?；诖颂岢鲆韵陆ㄗh。

1）發(fā)揮政策引領(lǐng)、加強(qiáng)頂層設(shè)計(jì)，賦能食品加工業(yè)轉(zhuǎn)型升級。近10 年食品加工業(yè)TFP增長速度遠(yuǎn)低于學(xué)者測算的制造業(yè)TFP增長速度，2019 年中國食品加工業(yè)產(chǎn)值占工業(yè)總產(chǎn)值的7.8%，卻仍處于大而不強(qiáng)的地位。新常態(tài)下，各地政府應(yīng)加快食品加工業(yè)轉(zhuǎn)型升級，推動量質(zhì)齊增的發(fā)展方式，通過技術(shù)創(chuàng)新、管理創(chuàng)新提高資源利用效率，改變資源消耗式的增長動力。在現(xiàn)有政策文件的支持下，各地區(qū)明確“十四五”時(shí)期食品加工業(yè)發(fā)展方向，落實(shí)農(nóng)產(chǎn)品加工園區(qū)規(guī)劃建設(shè)，農(nóng)業(yè)發(fā)達(dá)地區(qū)充分發(fā)揮特色農(nóng)產(chǎn)品比較優(yōu)勢，經(jīng)濟(jì)發(fā)達(dá)地區(qū)則積極引進(jìn)先進(jìn)生產(chǎn)技術(shù)和設(shè)備，吸引高技術(shù)人才，開拓國內(nèi)市場暢通國內(nèi)大循環(huán)。全國范圍內(nèi)統(tǒng)籌規(guī)劃初加工、精深加工和副產(chǎn)品綜合利用，實(shí)現(xiàn)食品加工業(yè)高質(zhì)量發(fā)展。

2）發(fā)展人工智能互補(bǔ)性技術(shù)，吸引高技術(shù)人才。人工智能在現(xiàn)階段還無法促進(jìn)食品加工業(yè)的生產(chǎn)率提升，但是這種負(fù)向影響不會一直持續(xù)。食品加工企業(yè)應(yīng)抓住智能制造機(jī)遇，充分發(fā)揮人工智能的知識溢出和知識創(chuàng)造效應(yīng)，雖然企業(yè)進(jìn)行人工智能的有形投資和無形投資是昂貴的，在現(xiàn)階段對生產(chǎn)率的促進(jìn)作用有限，然而這些通用型的技術(shù)和設(shè)備可以幫助企業(yè)實(shí)現(xiàn)互補(bǔ)性創(chuàng)新。企業(yè)著重推進(jìn)經(jīng)營策略變革、高素質(zhì)人才培養(yǎng)、管理水平提升，實(shí)施技術(shù)培訓(xùn)和輪崗制提升工人的高技術(shù)設(shè)備操作能力。當(dāng)企業(yè)內(nèi)部配備與人工智能匹配的技術(shù)和人才時(shí)，這些前期的投資才能夠體現(xiàn)在生產(chǎn)率的提高上。

3）加快建設(shè)現(xiàn)代農(nóng)業(yè)，保證農(nóng)產(chǎn)品高效供給?，F(xiàn)代農(nóng)業(yè)是中國農(nóng)業(yè)發(fā)展的方向。農(nóng)業(yè)現(xiàn)代化是應(yīng)用現(xiàn)代科學(xué)技術(shù)、裝備、先進(jìn)管理理念和營銷方式，推動傳統(tǒng)小農(nóng)經(jīng)濟(jì)向產(chǎn)供銷相結(jié)合轉(zhuǎn)化，打造一二三產(chǎn)業(yè)融合的新型產(chǎn)業(yè)，延伸產(chǎn)業(yè)鏈條，促進(jìn)食品加工業(yè)與農(nóng)業(yè)緊密聯(lián)系進(jìn)而實(shí)現(xiàn)農(nóng)產(chǎn)品多環(huán)節(jié)增值。同時(shí)，食品加工企業(yè)與當(dāng)?shù)剞r(nóng)戶采取“產(chǎn)品定制”交易，既為農(nóng)民創(chuàng)收又保證食品加工企業(yè)獲得高質(zhì)量原材料供應(yīng)。