馮樂童

（天津商業(yè)大學(xué)， 天津 300000）

0 引言

隨著中國經(jīng)濟(jì)的發(fā)展，能源消耗和環(huán)境污染問題日益嚴(yán)重。綠色發(fā)展代表了當(dāng)今世界的一個(gè)重要趨勢，這是一種科學(xué)的發(fā)展方向。當(dāng)前，中國經(jīng)濟(jì)正處于轉(zhuǎn)型的關(guān)鍵階段，要實(shí)現(xiàn)有質(zhì)量的經(jīng)濟(jì)發(fā)展，就必須走綠色發(fā)展之路。過去，很多研究者用TFP 來衡量經(jīng)濟(jì)發(fā)展，但這種方法沒有考慮能源、環(huán)境等因素的影響。相比之下，全要素生產(chǎn)率的綠色衡量標(biāo)準(zhǔn)包含了這些因素，符合當(dāng)前的經(jīng)濟(jì)發(fā)展理念。因此，綠色全要素生產(chǎn)率正逐漸成為一個(gè)重要的政策問題。

在當(dāng)前智能化和工業(yè)經(jīng)濟(jì)發(fā)展的背景下，人工智能與工業(yè)綠色GDP 之間的聯(lián)系及其影響機(jī)制尚未對現(xiàn)有文獻(xiàn)中提出的問題給出明確答案。因此，本文利用省級面板數(shù)據(jù)，實(shí)證研究人工智能對工業(yè)綠色全要素生產(chǎn)率的影響，為智能化工業(yè)企業(yè)經(jīng)濟(jì)發(fā)展提供相關(guān)的理論實(shí)證基礎(chǔ)。

1 文獻(xiàn)綜述

有關(guān)人工智能的文獻(xiàn)涵蓋了兩個(gè)主要方面：測量標(biāo)準(zhǔn)和影響。在衡量標(biāo)準(zhǔn)方面，有許多科學(xué)文獻(xiàn)專門探討了人工智能的發(fā)展，其中,定量研究文獻(xiàn)提供了具體指標(biāo)來衡量人工智能的發(fā)展水平。這些指標(biāo)可以用于評估人工智能技術(shù)的進(jìn)步和應(yīng)用在不同領(lǐng)域的影響。因此，通過研究人工智能的測量標(biāo)準(zhǔn)和影響，可以更全面地了解這一領(lǐng)域的文獻(xiàn)，并深入探討人工智能的發(fā)展及其對社會和經(jīng)濟(jì)的影響。Borland 和Coelli[1]提出將信息處理、軟件和信息技術(shù)服務(wù)業(yè)的全社會固定投資之和與國內(nèi)生產(chǎn)總值之比作為衡量人工智能發(fā)展水平的指標(biāo)。此外，也有研究學(xué)者將中國制造業(yè)細(xì)分行業(yè)與國際財(cái)務(wù)報(bào)告準(zhǔn)則的制造業(yè)分類相關(guān)聯(lián)，用工業(yè)機(jī)器人裝機(jī)容量作為衡量人工智能發(fā)展水平的指標(biāo)[2]。當(dāng)前，人工智能的發(fā)展方向與五大新發(fā)展理念一致，能夠通過多種方式促進(jìn)經(jīng)濟(jì)高質(zhì)量發(fā)展，包括改革生產(chǎn)方式和優(yōu)化交換方式等。

在綠色全要素生產(chǎn)率的相關(guān)研究中，衡量全要素生產(chǎn)率的綠色方法主要分為參數(shù)法和非參數(shù)法兩種。在參數(shù)法中，武義清等人[3]引入潛在效率因子來計(jì)算河北省各市的綠色全要素生產(chǎn)率。在非參數(shù)法中，陳超凡[4]依靠ML 指數(shù)的距離函數(shù)來測算中國的綠色全要素生產(chǎn)率，并進(jìn)一步發(fā)現(xiàn)中國不同地區(qū)的綠色全要素生產(chǎn)率存在顯著的異質(zhì)性。

一些研究人員對影響GTFP 的因素進(jìn)行了深入研究，發(fā)現(xiàn)能源效率、產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和其他因素可以提高GTFP。此外，也有研究者認(rèn)為，環(huán)境治理投資、人口規(guī)模和扭曲因素等因素對綠色全要素生產(chǎn)率有顯著影響。

研究者原則上認(rèn)同人工智能能夠促進(jìn)綠色TFP發(fā)展的結(jié)論。基于省級數(shù)據(jù)進(jìn)行的實(shí)證分析表明，人工智能技術(shù)的開發(fā)和應(yīng)用能夠顯著提高環(huán)保生產(chǎn)和管理水平。同時(shí)，研究者認(rèn)為，人工智能等新技術(shù)與制造企業(yè)、政府等領(lǐng)域形成的智慧城市，可以提高區(qū)域綜合生產(chǎn)力水平。

2 人工智能對工業(yè)綠色全要素生產(chǎn)率的直接效應(yīng)

人工智能技術(shù)的成功發(fā)展和廣泛應(yīng)用，引發(fā)了生產(chǎn)方式、產(chǎn)業(yè)關(guān)聯(lián)方式和宏微觀經(jīng)濟(jì)運(yùn)行方式的多方面變革，提供了更加綠色的生產(chǎn)方式、更加高效的工作方式和更加有力的發(fā)展范式，實(shí)現(xiàn)了多層次、全方位的綠色增長。首先，從生產(chǎn)管理上看，人工智能具有自學(xué)習(xí)、自適應(yīng)和自活動的特點(diǎn)，可以實(shí)現(xiàn)對生產(chǎn)環(huán)境的實(shí)時(shí)動態(tài)監(jiān)測和智能控制，推動 “管末控制” 的主動清潔生產(chǎn)環(huán)境管理模式。例如，華為云與精銳數(shù)智科技公司聯(lián)合推出 “煤礦大腦” 解決方案，應(yīng)用人工智能技術(shù)，深度檢測煤炭生產(chǎn)過程運(yùn)維中的損耗效率和污染信息，并提供優(yōu)化解決方案，提高煤礦生產(chǎn)效率、并提供優(yōu)化方案，改進(jìn)生產(chǎn)工藝或生產(chǎn)流程，幫助煤礦企業(yè)治污、降本增效，促進(jìn)效率提升。其次，從產(chǎn)業(yè)鏈角度看，人工智能的分布式創(chuàng)新特征可以促進(jìn)創(chuàng)新要素的集聚與重新布局、協(xié)同配置以及加速產(chǎn)業(yè)鏈自身的綠色技術(shù)改造，進(jìn)一步擴(kuò)散綠色技術(shù)的影響，使產(chǎn)業(yè)鏈的上游、中游和下游環(huán)節(jié)、生產(chǎn)工藝、研發(fā)設(shè)計(jì)、生產(chǎn)加工和運(yùn)輸裝配等提高運(yùn)行效率，降低能耗和污染，促進(jìn)產(chǎn)業(yè)的整體生態(tài)化發(fā)展。最后，從經(jīng)濟(jì)運(yùn)行角度看，隨著資源要素的適度開發(fā)、發(fā)展環(huán)境的成熟、配套技術(shù)的完善以及配套產(chǎn)業(yè)的補(bǔ)充，人工智能與傳統(tǒng)技術(shù)不僅可以更好地滲透到經(jīng)濟(jì)的各個(gè)行業(yè)，應(yīng)用合成，高效發(fā)展、倒逼生產(chǎn)效率和資源利用效率的大幅提升，而且可以大量聚焦綠色技術(shù)創(chuàng)新，這些新產(chǎn)業(yè)、新業(yè)態(tài)可以在更大范圍、更大規(guī)模上實(shí)現(xiàn)資源的 “再利用、減量化和再循環(huán)” ，從而真正實(shí)現(xiàn)提高產(chǎn)業(yè)生產(chǎn)環(huán)境效率的目標(biāo)。

3 研究設(shè)計(jì)

3.1 計(jì)量模型構(gòu)建

基于上述理論分析，本文采用以下固定面板模型來研究人工智能對制造業(yè)企業(yè)全要素生產(chǎn)率的影響，構(gòu)建以下模型：

式中：i為城市；t為年份；GTFP 為被解釋變量（式中用PGTF，i，t表示），是城市綠色全要素生產(chǎn)率的累乘指標(biāo)；AI 為核心解釋變量（式中用LAI表示），表示人工智能發(fā)展水平，采用人工智能專利授權(quán)量進(jìn)行衡量；Controls為一系列控制變量的集合，包括財(cái)政支出、金融發(fā)展水平、對外貿(mào)易和地區(qū)生產(chǎn)總值；α0為常數(shù)項(xiàng)；α1和α2分別為人工智能發(fā)展對工業(yè)綠色全要素生產(chǎn)率的邊際貢獻(xiàn)和其他控制變量的系數(shù)；εi，t為隨機(jī)擾動項(xiàng)。

3.2 變量解釋

3.2.1 被解釋變量

本文中，GTFP 作為解釋變量的本質(zhì)，是以最小的環(huán)境成本和投入實(shí)現(xiàn)城市經(jīng)濟(jì)增長。其中，勞動力、資本和能源是投入變量，GDP 和污染物排放是產(chǎn)出變量。

在勞動力投入方面，本文中的勞動力是指年末城市從業(yè)人員數(shù)。

資本投入，即實(shí)際資本存量，是根據(jù)張軍[5]等人的方法計(jì)算的，公式為Kt=It+（1-r）Kt-1。假設(shè)初始資本存量為初始固定資本投資的10%，固定資產(chǎn)折舊率統(tǒng)一為9.6%，然后計(jì)算出以2003 年為基期的各城市資本存量。

在能源方面，選擇市區(qū)年用電總量作為期望產(chǎn)出的衡量指標(biāo)。

期望產(chǎn)量是通過計(jì)算2003 年各地級市的實(shí)際GDP 來衡量的。非期望的產(chǎn)出選擇工業(yè)廢水、工業(yè)SO2和工業(yè)煙（粉）塵排放作為非期望產(chǎn)出的指標(biāo)。這些指標(biāo)是基于環(huán)境數(shù)據(jù)的可得性及其經(jīng)濟(jì)影響進(jìn)行選取的。

3.2.2 解釋變量

選取人工智能作為解釋變量，本文沿用了彭代彥[6]采用人工智能發(fā)明專利數(shù)據(jù)衡量人工智能的方法，但基于使用世界知識產(chǎn)權(quán)組織（WIPO）發(fā)布的國際專利分類（IPC 分類）清單，作為人工智能專利申請技術(shù)領(lǐng)域的檢索和分析，來測算2007—2020 年人工智能專利授權(quán)量?？梢钥闯?，這種方法既避免了指標(biāo)過于偏重某一方面的問題，又克服了指標(biāo)將技術(shù)分開的缺點(diǎn)，能夠更加全面地反映人工智能的發(fā)展水平。同時(shí)，選取相關(guān)發(fā)明專利授權(quán)量的數(shù)據(jù)來衡量新技術(shù)發(fā)展的影響，也是比較常見的做法。

3.2.3 控制變量

本文以人工智能為自變量，以工業(yè)GTFP 為因變量，分析了人工智能對工業(yè)綠色全要素生產(chǎn)率的影響。由于其他相關(guān)因素也會影響人工智能和工業(yè)GTFP，因此，選取了財(cái)政支出水平、城市金融發(fā)展水平、對外開放水平和各城市經(jīng)濟(jì)發(fā)展水平等相關(guān)變量作為控制變量。具體變量的描述性統(tǒng)計(jì)如表1 所示。其中，平均GTFP 為1.647（＞1），表明自2007 年以來，中國工業(yè)GTFP 總體呈上升趨勢。

表1 描述性統(tǒng)計(jì)

3.3 數(shù)據(jù)來源

根據(jù)數(shù)據(jù)的可獲得性，本文選擇了2007—2020年中國30 個(gè)省（自治區(qū)、直轄市）的面板數(shù)據(jù)作為分析樣本。人工智能專利申請數(shù)據(jù)來自世界知識產(chǎn)權(quán)組織（WIPO）發(fā)布的國際專利分類器（IPC），其他變量數(shù)據(jù)來自《中國統(tǒng)計(jì)年鑒》《中國能源統(tǒng)計(jì)年鑒》和各省統(tǒng)計(jì)年鑒。如果某些城市的數(shù)據(jù)缺失，則采用內(nèi)插法補(bǔ)全數(shù)據(jù)。

4 實(shí)證結(jié)果與分析

4.1 人工智能與工業(yè)GTFP 的相關(guān)性分析

為了直觀地觀察人工智能發(fā)展水平與工業(yè)GTFP之間的關(guān)系，繪制了二者的二維散點(diǎn)圖和線性擬合直線，如圖1 所示。由圖1 可以看出，人工智能發(fā)展水平與工業(yè)GTFP 之間呈現(xiàn)正相關(guān)關(guān)系。在國家大力促進(jìn)綠色轉(zhuǎn)型發(fā)展和加快發(fā)展人工智能建設(shè)的背景下，人工智能的蓬勃發(fā)展是否有效地促進(jìn)了中國工業(yè)綠色TFP 的提升？下文將通過嚴(yán)格的實(shí)證檢驗(yàn)進(jìn)行驗(yàn)證。

圖1 人工智能與工業(yè)GTFP 的關(guān)系

4.2 基準(zhǔn)回歸結(jié)果分析

首先，本文利用豪斯曼檢驗(yàn)法選擇國家面板數(shù)據(jù)的計(jì)量經(jīng)濟(jì)模型，檢驗(yàn)結(jié)果顯著，拒絕了隨機(jī)效應(yīng)的原假設(shè)，這表明在實(shí)證分析中應(yīng)選擇固定效應(yīng)模型。其次，為考察人工智能對綠色綜合生產(chǎn)率的影響，本文采用逐步回歸法，分別對政府干預(yù)程度（gov）、金融發(fā)展水平（fina）、對外貿(mào)易（open）和國內(nèi)生產(chǎn)總值（Pgdp）等主要解釋變量和控制變量進(jìn)行回歸估計(jì)。本文采用逐步回歸法對人工智能和工業(yè)GTFP 進(jìn)行檢驗(yàn)，實(shí)證結(jié)果表明，關(guān)鍵變量的系數(shù)和顯著性符合預(yù)期，說明固定效應(yīng)模型的結(jié)果相對穩(wěn)定，比較回歸結(jié)果如表2 所示。

表2 固定效應(yīng)模型回歸結(jié)果

在模型（1）中不添加任何控制變量的情況下，結(jié)果顯示：主要解釋變量人工智能（AI）對綠色要素總績效的回歸系數(shù)為0.366，通過了1%的顯著性檢驗(yàn)，說明人工智能的發(fā)展與綠色要素總績效之間存在顯著的正相關(guān)關(guān)系，證實(shí)了人工智能的發(fā)展具有環(huán)保價(jià)值，能夠以環(huán)保、高質(zhì)量的方式促進(jìn)經(jīng)濟(jì)發(fā)展，符合當(dāng)前綠色發(fā)展的新理念，證實(shí)了人工智能能夠促進(jìn)城市層面綠色要素總生產(chǎn)力水平的提升。

在模型（5）中，在控制變量的作用下，政府預(yù)算支出（gov）通過了1%水平的顯著性檢驗(yàn)，但其系數(shù)值為負(fù)，表明政府預(yù)算支出的增加無法促進(jìn)區(qū)域綠色經(jīng)濟(jì)增長質(zhì)量的提高。這是由于地方政府的財(cái)政行為更傾向于發(fā)展能帶來 “生產(chǎn)力” 的工業(yè)產(chǎn)業(yè)，而忽視了環(huán)境保護(hù)。城市金融發(fā)展（fina）對GTFP 有益，表明金融業(yè)的不斷發(fā)展為企業(yè)提供了多種融資渠道，降低了融資成本，并合理引導(dǎo)資金流向環(huán)保產(chǎn)業(yè)和高新技術(shù)產(chǎn)業(yè)，從而提高了城市的GTFP。然而，對外開放程度（open）與中國綠色TFP 顯著負(fù)相關(guān)，說明地區(qū)出口企業(yè)在經(jīng)濟(jì)效應(yīng)和環(huán)境效應(yīng)中忽略后者。各城市經(jīng)濟(jì)發(fā)展水平（Pgdp）的系數(shù)值為正，但不顯著，說明在整體經(jīng)濟(jì)增長的同時(shí)，環(huán)境要素的整體生產(chǎn)力水平并沒有得到有效提高，這是由于各城市的GDP 統(tǒng)計(jì)并不重視相關(guān)環(huán)保產(chǎn)業(yè)，沒有將環(huán)境環(huán)境和污染物排放納入相關(guān)統(tǒng)計(jì)結(jié)果中。

5 研究結(jié)論與政策啟示

5.1 研究結(jié)論

人工智能促進(jìn)工業(yè)GTFP 對我國實(shí)現(xiàn)企業(yè)綠色發(fā)展與可持續(xù)發(fā)展具有重要意義。在系統(tǒng)梳理人工智能對GTFP 效應(yīng)的基礎(chǔ)上，本文基于2007—2020 年中國30 個(gè)省份（西藏和港澳臺地區(qū)除外）的面板數(shù)據(jù)，運(yùn)用SBM方向距離函數(shù)與GML 指數(shù)對各省份的GTFP進(jìn)行測算，通過人工智能專利申請數(shù)據(jù)衡量了各省份人工智能發(fā)展水平。基于此，采用固定效應(yīng)模型實(shí)證檢驗(yàn)了人工智能對工業(yè)GTFP 的影響效應(yīng)。結(jié)果表明：根據(jù)全國樣本數(shù)據(jù)，人工智能的發(fā)展對于提高工業(yè)GTFP 具有顯著的積極影響。人工智能發(fā)展水平每變化1%，會引起工業(yè)綠色GDP 0.366%的變化。人工智能可以通過多種途徑間接提高工業(yè)GTFP，包括推動金融發(fā)展水平、加速技術(shù)進(jìn)步以及優(yōu)化能源結(jié)構(gòu)等。

5.2 政策啟示

1）繼續(xù)推動人工智能的發(fā)展，在綠色行業(yè)中有效利用人工智能的力量，促進(jìn)工業(yè)綠色經(jīng)濟(jì)提質(zhì)增效。要立足各地區(qū)的比較優(yōu)勢，推進(jìn)能夠帶來社會經(jīng)濟(jì)效益的新型數(shù)字基礎(chǔ)設(shè)施建設(shè)，為全面提高工業(yè)綠色生產(chǎn)力作出貢獻(xiàn)。

2）積極關(guān)注人工智能與工業(yè)綠色創(chuàng)新的互動融合，加強(qiáng)數(shù)據(jù)要素供給，建立企業(yè)數(shù)據(jù)采集共享機(jī)制，建立企業(yè)數(shù)據(jù)共享中心，開發(fā)資源，催生工業(yè)綠色發(fā)展新動能。

3）各地區(qū)應(yīng)充分利用資源稟賦，推動工業(yè)全要素生產(chǎn)率實(shí)現(xiàn)綠色突破。各地區(qū)應(yīng)加大人工智能領(lǐng)域人才培養(yǎng)和科研技術(shù)投入力度，提高企業(yè)資源利用效率，實(shí)現(xiàn)各地區(qū)工業(yè)綠色轉(zhuǎn)型發(fā)展，促進(jìn)工業(yè)經(jīng)濟(jì)高質(zhì)量發(fā)展。