人工智能何以提升中国制造业发展质量——索洛悖论在中国制造业的再检验.pdf

人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验李翔1 叶初升2 潘丽群3（1.新疆财经大学 经济学院，新疆 乌鲁木齐 830012；2.武汉大学经济发展研究中心，湖北 武汉 430072；3.广州大学 经济与统计学院，广东 广州 510006）内容摘要：人工智能在各行各业中的渗透融合是大势所趋。基于2011-2020年中国分省份分行业的制造业数据和行业人工智能使用数据，实证分析发现，人工智能在制造业中的应用并未提升制造业的发展质量，反而使制造业的发展表现出索洛悖论的情形，这种情况在落后地区以及高技术制造业中体现得更为明显。人工智能未能提升制造业发展质量的主要原因有：复合型高素质人才缺乏的制约，以及各地区研发投入强度和市场规模的约束。为了更好引导人工智能在制造业中的应用，打破制造业索洛悖论怪圈，建议加强政府引导，推动人工智能与制造业的深度融合；加强政、企、校合作，加大复合型人才的培养力度；提升研发投入的强度，提高制造业关键核心领域的技术创新能力；建立统一大市场、改善营商环境、降低交易成本。关 键 词：人工智能；制造业发展质量；索洛悖论；人力资本；研发投入；市场规模DOI：10.13885/j.issn.1000-2804.2023.04.004中图分类号：F49；F061.2文献标示码：A文章编号：1000-2804（2023）04-0044-15收稿日期：2023-04-22基金项目：国家社会科学基金一般项目“丝绸之路经济带建设背景下新疆产业结构升级的路径研究”（19BJL129）；国家社会科学基金重大项目“新发展阶段伟大实践与发展经济学理论创新研究”（21&ZD071）作者简介：李翔（1980-），女，山东青岛人，博士，副教授，从事产业经济研究。通讯作者：潘丽群。Journal of Lanzhou University(Social Sciences)第51卷 第4 期2023年7月（社会科学版）Vol.51 No.4July 2023从来没有一个时代像今天这样技术进步如此之快，人工智能技术在很多领域已经接近甚至超越人类，如图像和声音的识别技术、大数据处理技术等。然而，技术的繁荣似乎没有带来相应的生产率的突破。以制造业发展为例，如图1所示，2011年以来，伴随着人工智能在中国制造业中应用的不断增加，制造业的增速和全要素生产率却表现出波动下降的态势。尤其是2013年以后，人工智能的使用迅猛增长，但是制造业全要素生产率却从2011年的1.11下降到2020年的0.99，增加值的增速也从2013年的10.5%下降到2020年的3.4%。制造业表现出发展缓慢甚至停滞的状态，人工智能在制造业中的应用呈现索洛悖论的特征。对于人工智能时代生产率不升反降的现象，学者们从不同角度给出了解释：第一，测算不全面。传统生产率测算数据主要关注有形的投入和产出的关系，对于无形产出的统计不足。人工智能技术的应用会提升一些无形的产出，比如制造业中的产品多元化、质量改善和易用性增强等，服务业中的便利度、舒适度增强等1，而这些无形的生产率效应难以量化，导致人工智能的产出效应被低估。第二，领域错配。有研究者认为，当下人工智能虽然在新的领域不断有所突破，但是人工智能技术并没有被运用到能够广泛提升生产率的部门。如Griliches2的统计表明，信息和通信技术时代70%的IT资本投向了服务业部门，投到制造业中的比例较少；郭凯明3通过构建包含人工智能的多部门动态一般均衡模型，发现人工智能在产业中应用程度的提高会促使生产要素在部门之间流动，如果生产要素流向生产率更高的部门，则会促使产业结构升级，提升整个社会生产率水平，反之，若生产要素流向生产率较低的部门，则会引起社会生产率的停滞甚至倒退；孙早等4以中国制造业为研究对象，发现人工智能在制造业中的应用，较多停留在传统产业，而在那些引领技术进步的关键产业部门应用不足，因此领域错配是导致目前人工智能时代索洛悖论的根本原因。第三，滞后效应。新技术虽然前景看好，但其效益的发挥还需要互补的发明和投资予以支撑，且人工智能技术在各个行业中的扩散和应用还需要时间，目前人工智能的扩散不均衡，新技术的应用场景和应用范围也还处于探索阶段，随着新技术的不断成熟以及应用范围的不断扩大，最终将带动全要素生产率全面提升。关于这一点，部分学者在理论和实证层面也展开了验证。如Aghion等5 237-282、Acemoglu 等6从工作任务自动化的视角构建理论模型并进行预测，认为在人工智能大发展的背景下，生产率“停滞”的表现不过是暂时的，随着越来越多的人工智能被引入生产，其可以协助人类更加高效地完成工作，人工智能技术最终将推动生产率的高速增长。Bck 等7采用2013-2019年芬兰关于人工智能相关工作岗位的招聘数据，实证分析了人工智能与生产率的关系，发现总体上人工智能有利于提升劳动生产率，但是人工智能对劳动生产率的正向影响存在技术延迟和投资延迟，并且人工智能对劳动生产率的促进作用在大企业效果更为显著。陈长缨821通过对比分析世界主要发达国家和发展中国家生产率的变化指出，造成目前全球生产率增速下降的主要原因是以人工智能为代表的新科技产业革命尚处于成长阶段，一旦其进入成熟阶段，将会促进生产率增速大幅提升。综上所述，虽然学者们从“测算不全”“领域错配”“滞后效应”等角度给出了人工智能时代索洛悖论的相关解释，但是现有研究还是停留在对现象的一般性理解和讨论上，且大多研究还只局限于宏观层面。中国作为一个规模巨大、发展不平衡不充分的发展中大国，人工智能应用的索洛悖论现象除了一般性特征之外，还可能与中国自身的经济特征和所处的发展阶段密切相关，因此，需要我们深入产业层面具体分析中国出现索洛悖论的条件、辨析走出索洛悖论怪圈的方向。相对于前人研究，本文的边际贡献在于：一是不同于以往使用的制造业整体行业，立足制造业的细分行业，考虑细分行业的异质性；二是对索洛悖论进行再检验的过程中，不同于以往阐述的中介机制，从人力资本、研发投入和市场规模三个视角探讨人工智能使用不能提升制造业全要素生产率的制约条件。图1 人工智能与制造业发展质量 数据来源：制造业增加值增速数据来自中国统计年鉴，工业机器人安装量根据国际机器人联合会（IFR）提供的数据进行整理，各省份的平均tfp根据各省份统计年鉴整理。李翔等：人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验452023年第4期（社会科学版）一、文献综述人工智能作为新一代通用目的技术进步的代表，将深刻地影响人类的经济和社会发展。现有研究着重从宏观经济发展的角度探讨了人工智能应用的经济社会效应及其对制造业发展的影响。（一一）人工智能的应用及其经济社会效应人工智能的应用及其经济社会效应在经济增长方面，国内外学者多数都认为人工智能会促进经济增长，但是作用的路径不同。如陈彦斌等9研究发现人工智能主要从提高生产活动的智能化和自动化程度、提高资本回报率、提高全要素生产率三条机制以应对老龄化的冲击，进而促进经济增长；陈东等10则利用产业层面的世界工业机器人安装数据研究发现，在岗位更迭效应和生产率效应的作用下，人工智能总体上促进了产业内的包容性增长。就业问题也是宏观经济研究的重要话题，随着人工智能应用领域的不断扩大，越来越多的学者关注到了人工智能对劳动力就业的影响，发现人工智能主要通过劳动力替代效应和就业创造效应对不同技能、不同任务类型、不同行业以及不同地区劳动力的就业产生影响。如Lordan等 11利用1980-2015年间的CPS样本数据研究发现，自动化技术不利于低技能劳动力就业，但对高技能劳动力有积极影响；自动化技术能够替代执行常规任务的工人，但无法替代从事非常规任务的工人。因此，人工智能会减少对常规技能工人、增加对非常规技能工人的市场需求。Frey等 12、Gordon 13认为自动化技术对农业部门以及服务业部门劳动力就业的影响程度较小，但对制造业部门中低教育水平劳动力的就业比例影响较大。从不同国家层面来看，人工智能对欧洲北部、北美和新西兰地区的劳动力替代比率较低，而对南欧和东欧国家的替代比率较高。人工智能对收入分配的影响也是学者们关注较多的领域，现有文献着重从降低劳动收入份额以及劳动力之间的工资不平等方面探讨人工智能对收入不平等的影响及机制。国外学者DeCanio 14、Ben-zell 等15认为资本的分布比劳动力分布更加不均，多数资本往往集中于少部分人手中，而人工智能的发展会促进生产过程中资本要素的份额提升，资本报酬增加，从而加剧收入不平等。Lankisch等16研究发现，自动化降低了低技能工人的实际工资，从而提高了技能溢价和收入不平等。但国内学者王永钦等17利用制造业上市公司的数据探讨机器人的兴起如何影响中国劳动力市场，发现机器人应用对企业的劳动力需求产生一定的替代效应，对不同技能劳动力需求的影响具有显著差异，存在“就业极化”特征，但对企业的工资水平没有明显影响。（二二）人工智能对制造业的影响研究人工智能对制造业的影响研究人工智能是信息技术、数字技术发展的高级阶段，作为推动行业发展的一项战略性新兴技术，其对制造业发展的影响是多方面的。1.人工智能对制造业就业的替代效应和创造效应。在替代效应方面，相比于工人，人工智能在执行计算、存储、精准操作等方面的能力可能更胜一筹，部分工作岗位的智能化已经成为常见的替代模式。Autor等18提出，一般劳动力只能从事一般劳动任务，而高技术劳动力能够从事非一般性任务。因此，即使在同一个行业中，人工智能对劳动者也存在影响差异，这一差异可能体现在对不同技能水平劳动者的影响不同。在创造效应方面，对于深度融合人工智能的企业来说，生产率的提升和高技能劳动力供给的增加促使企业业务量上升，企业规模随之扩大，从而增加了制造业就业机会和就业总量19。同时，工人在空间灵活性、适应能力等方面仍具有相对优势，劳动力与人工智能通过人机合作有效扩展了工作领域，很多职业并不会消失20，反而有可能会催生出新的业态和就业岗位，进而扩大对劳动力的需求，如与数据分析等相关的工作岗位等21，因此，从长期来看就业的创造效应可能会超越替代效应。46李翔等：人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验2.人工智能对制造业生产率的影响。人工智能可以通过优化要素投入结构、转变生产和管理模式来促进制造业生产率的提高。首先，人工智能在制造业企业的广泛应用减少了重复性高、简单的流水线工作岗位，同时也实现了对污染重、危险高的工作岗位的替代，加大了企业对高技能劳动力的需求，加速了企业的人力资本积累，从而促进企业生产效率的提升22-23。其次，在智能化深度学习等技术支持下，人工智能通过转变生产模式和管理模式促进制造业生产率提升。人工智能通过对海量数据进行自动分析来获取市场供求信息，制定合理的生产计划，降低了企业的搜索匹配成本，有效解决市场供求的非对称性，提升企业资源利用率和运营效率。同时，随着人工智能技术的渗透，企业与市场、客户的沟通，以及企业内部信息的传递变得更加便捷，管理结构逐渐扁平化，从而提高了决策和生产效率24。3.人工智能对制造业结构的影响。多数文献表明人工智能技术在制造业中的应用，有助于促进制造业结构优化升级。如付文宇等25通过实证得出，人工智能通过技术创新效应和人力资本积累效应推动制造业优化升级，促进了制造业产业结构合理化和高级化。吴旺延等26提出，从供给角度来看，智能制造有利于在核心技术、基础设施、人才培养等方面发挥促进作用，从而加快传统制造业智能化转型升级的步伐。在制造业资本和劳动替代弹性较高的情况下，人工智能等新型基础设施投资将在供给侧通过提高制造业资本密集程度和实际产出比重推动制造业升级27。因此，赋予制造业智能化生产模式，对于优化制造业服务化转型、增强制造业质量控制能力，促进人工智能与制造业融合模式的进一步创新性变革有重要推动作用。综上所述，虽然现有文献对人工智能的经济社会效应及其对制造业发展的影响展开了大量研究，但是结合中国现阶段经济社会发展的特点展开人工智能对制造业发展质量的探讨较少，对人工智能在制造业中充分发挥作用所需条件的探讨不足。本文以中国各省份制造业为研究对象，深入制造业二位数行业层面，分析制约中国制造业发展质量提升的条件，为中国制造业打破索洛悖论怪圈提供参考。二、人工智能技术影响制造业发展质量提升的调节机制分析人工智能具有的广泛渗透、生产率提升和协同创新等技术经济特征使得其在提高制造业发展质量中被寄予厚望28-31，但事实上，人工智能作为一种通用目的技术，其作用发挥需要一系列条件予以支撑。制造业要从人工智能技术红利释放中获得收益，需要在个人、机构和社会等多个层面做出相应的调整，如制造业面临的人力资本水平、研发投入强度和市场规模等。（一一）人力资本水平人力资本水平人工智能作为制造业的一种新的投入要素，需要与其他生产要素相协调才能发挥较好的作用。根据木桶原理，制造业全要素生产率的高低取决于影响全要素生产率的最薄弱环节的生产率，而非最强环节。因此，即使制造业应用最先进的人工智能技术，如果不能与智能化的基础设施、人力资本素质以及相应的生产组织管理模式等要素相协调，人工智能技术的边际产出也未必领先于传统要素。而在与人工智能相配合的诸多要素中，人力资本是最有活力、最能动性的要素，人力资本具有的创新能力、学习能力和适应能力有助于促进人工智能技术红利的释放32。因此人力资本水平高低是影响人工智能在制造业中发挥作用的重要因素。（二二）研发投入强度研发投入强度人工智能技术在预测供需、指导制造业企业柔性化生产等方面优势明显，但这些应用重在提升信息传输领域的效率，要想促进制造业生产效率实质性进步还需要其他技术与之配合，如与大数据、云计算、物联网等其他新一代信息技术相互配合，才能实现海量数据的收集、整理、读取等，这些前沿472023年第4期（社会科学版）技术为人工智能技术的使用提供良好的数据基础和硬件支撑。有研究表明，越重视研发投入的企业，其技术实力越强，对新技术的适应能力也越强33。（三三）市场规模市场规模人工智能作为一种技术创新，具有创新的一般特点，如前期研发投入大、投资回报风险高，技术普及时滞长等，这就需要有较大的市场规模予以支撑。较大的市场规模能够为人工智能在制造业中提供规模化的应用场景和持续迭代优化的机会，为制造业企业掌握人工智能技术开发及应用提供成长空间。同时，由于人工智能技术等新一代信息技术具有典型的规模报酬递增特性34，大规模的市场有利于制造业相关企业、行业获得规模经济带来的效率和成本优势，从而在竞争中赢得主动。三、研究设计与变量说明（一一）模型设定模型设定制造业是强国之基，是综合国力的重要体现，提高制造业的发展质量是实现制造强国的必然选择。对于什么是制造业的发展质量目前并无统一的定义，但是学术界对于高质量发展的研究已经较为丰富，大多数学者从五大发展理念的角度定义高质量发展35-36，结合高质量发展的内涵，有学者指出制造业的高质量发展，就是把技术创新作为核心动力，把高端制造、智能制造、优质制造与绿色制造作为主要抓手，始终坚持新的发展理念和质量效益的原则，推动制造业实现质量变革、效率变革、动力变革37-38。结合前人研究，本文认为制造业全要素生产率的提升既是其效率变革和动力变革的结果，也是提升制造业发展质量的核心任务，同时鉴于主要目标在于检验人工智能技术在制造业中的应用是否存在索洛悖论，因此以制造业全要素生产率代表其发展质量。为验证人工智能对制造业发展质量的影响，设计如下基准回归模型：tfpijt=+AIijt+Xijt+vi+vj+vt+ijt (1)式(1)中，下标 i代表省份、j代表行业、t代表时间。tfp为制造业的全要素生产率，代表制造业的发展质量。AI代表人工智能应用程度，X代表控制变量，vi、vj、vt分别代表省份固定、行业固定和时间固定效应，ijt代表随机扰动项。（二二）变量说明变量说明1.被解释变量：制造业全要素生产率。为了避免因为生产函数设置不当带来的全要素生产率计算结果不准确的问题，本文采用DEAP2.1产出导向规模报酬可变的方法计算各省份制造业二位数行业的Malmquist DEA指数作为制造业各行业的全要素生产率。考虑统计口径和数据可获性问题，采用各省份制造业二位数行业的主营业务收入作为各行业的产出变量，采用各行业的资产总计和从业人员数作为投入变量。2.核心解释变量：人工智能应用。在人工智能应用程度的测度上，学界并无统一的标准，限于数据的可获性，目前学界普遍采用IFR公布的各行业工业机器人的数据近似表示人工智能的应用程度，本文借鉴Acemoglu等39的研究，选用中国制造业二位数行业工业机器人装备存量表示人工智能的应用程度，借鉴王文等40的做法，采用各省份制造业各行业就业人数在全国该行业就业人数中的比重作为权重，对制造业各行业的工业机器人存量进行分解，得到制造业各省份各行业的工业机器人存量（AIijt）以及各省份工业机器人存量（AIit）和各行业工业机器人的存量（AIjt）。具体算法如式(2)所示：AIijt=Eijtrobotsjt；AIit=j=1JAIijt；AIjt=robotsjt (2)式(2)中，Eijt表示 i 省t年j行业的从业人数在当年全国该行业总从业人数中所占份额，robotsjt为 IFR提供的j行业t年的工业机器人保有量。48李翔等：人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验3.控制变量。为了更加准确地估计人工智能对制造业发展规模和发展质量的影响，本文对影响制造业发展质量的一些相关因素进行了控制。贸易开放度，采用各省份制造业各行业进出口总额与主营业务收入之比来衡量，记为trade；行业密集度，采用各省份制造业各行业企业数在该行业企业数量中的比重来衡量，该比重越大代表该行业企业越密集、市场竞争越激烈，记为dense；产业盈利能力，采用各省份制造业各行业劳均收入来衡量，记为gain。4.机制变量。人力资本水平（talent），一般认为劳动者受教育程度越高，对技术变革、组织变革等的适应能力越强，复合型高素质人才越多，因此，本文采用各省份劳动者平均受教育年限来表示人力资本水平。研发投入强度（rdqd），采用各省份规模以上工业企业研究与试验发展内部经费支出在国民经济中的比重表示，用来检验各省份制造业研发资金投入水平对人工智能促进制造业发展的影响。市场规模（ec），采用样本期各省份的地区生产总值在国内生产总值的比重衡量，用于检验各省份的市场规模对人工智能技术促进制造业发展的影响。本文采用我国30个省（不含西藏自治区以及港澳台地区）2011-2020年制造业各行业的数据展开分析，数据来自各年中国工业统计年鉴、各省份各年统计年鉴以及IFR数据库。为了减少变量之间共线性以及异常值问题，对所有变量首先进行对数处理，然后在 99%和 1%分位处进行缩尾。需要说明的是，由于IFR提供的工业机器人数据按国际标准行业分类（ISIC Rev 4.0）标准分类，而中国工业统计年鉴以及各省份统计年鉴中制造业的行业分类按照国民经济行业分类（GB/T4754-2017）标准分类，因此本文对二者进行匹配，得到15个制造业行业，具体行业匹配方式见表1。各变量的描述性统计见表2。序号123456789101112131415行业分类食品饮料加工纺织及服装制造业木制品和家具制造业造纸及印刷医药制造化学制品业橡胶和塑料制品非金属矿物金属加工冶炼业金属制品业计算机、通信和其他电子设备制造业电气机械和器材制造业通用及专用设备制造业运输制造业其他制造业分支国民经济行业分类（GB/T4754-2017）13 农副食品加工业、14 食品制造业、15 酒、饮料和精制茶制造业、16 烟草制品业17 纺织业、18 纺织服装、服饰业、19 皮革、毛皮、羽毛及其制品和制鞋业20木材加工和木、竹、藤、棕、草制品业、21家具制造业22造纸和纸制品业、23印刷和记录媒介复制业、24文教、工美、体育和娱乐用品制造业27医药制造业25石油、煤炭及其他燃料加工业、26化学原料和化学制品制造业、28化学纤维制造业29橡胶和塑料制品业30非金属矿物制品业31黑色金属冶炼和压延加工业32有色金属冶炼和压延加工业33金属制品业；43金属制品、机械和设备修理业39计算机、通信和其他电子设备制造业、40仪器仪表制造业38电气机械和器材制造业34通用设备制造业、35专用设备制造业36汽车制造业、37铁路、船舶、航空航天和其他运输设备制造业41其他制造业、42废弃资源综合利用业国际标准行业分类（ISIC Rev 4.0）10-1213-151617-181920-212223242526272829-3091表1 中国制造业二位数行业对照表492023年第4期（社会科学版）变量名lntfplnAIlntradelndenselngainlntalentlnrdqdlnec说明制造业全要素生产率人工智能贸易开放度行业集中度产业盈利能力人力资本水平研发投入强度市场规模样本量4 5004 5004 5004 5004 5004 5004 5004 500均值0.0213.867-4.102-4.5104.6462.308-4.721-3.703标准差0.2912.6461.7471.9180.5930.1030.5850.851最小值-1.061-4.006-8.947-11.5132.9622.097-6.177-5.846最大值1.1959.358-0.366-1.6206.3402.641-3.801-2.206表2 各变量的算法及描述性统计四、实证结果和分析（一一）基准回归结果及分析基准回归结果及分析根据前文的计量模型，表3报告了基本回归结果。为了缓解可能存在的遗漏变量所导致的内生性问题，在控制行业固定效应、省份固定效应和时间固定效应的基础上，进一步控制行业与年份的交乘项、省份与年份的交乘项41。表3中列（1）显示，人工智能在促进制造业提升发展质量的过程中，并没有对制造业全要素生产率产生显著的正向影响，反而显著抑制了制造业全要素生产率的提升。具体来看，人工智能在制造业中的使用率每提升1%，制造业的全要素生产率下降0.016%。列（2）和列（3）分别加入了行业和年份的交乘项、省份与年份的交乘项，这两列的回归结果与列（1）基本相同。列（4）同时考虑了行业与年份的交乘项和省份与年份的交乘项，控制了同时影响制造业各行业以及各省份制造业的第三方因素以后，回归结果仍然与前几列相同。这说明由于遗漏变量因素而引起的内生问题对本研究没有太大的影响。lnAIlntradelndenselngainNR2行业*年份固定省份*年份固定（1）lntfp-0.016*（-3.30）-0.009*（-2.01）-0.008*（-1.85）0.214*（21.88）4 5000.150否否（2）lntfp-0.017*（-3.69）-0.007（-1.59）-0.001（-0.16）0.204*（20.99）4 5000.294否是（3）lntfp-0.016*（-2.78）-0.007（-1.53）-0.007（-1.54）0.200*（20.29）4 5000.228是否（4）lntfp-0.017*（-3.21）-0.005（-1.04）0.001（0.28）0.187*（19.20）4 5000.373是是表3 基准回归注：括号内为t统计量，*、*、*分别表示1%、5%、10%的显著性，以下表格同此。人工智能技术在制造业中的应用之所以表现出抑制全要素生产率的提升，可能的原因在于：第一，人工智能在制造业中的融合应用不足。人工智能技术在制造业中的应用还处于初级阶段，达不到智能制造的要求。智能制造需要人工智能与制造业各环节深度融合，除了需要先进生产工艺和软件系统，还需要先进的生产设备、生产模式和管理理念。目前我国大部分制造业企业对人工智能的应用还处于简单替代重复性劳动的阶段，虽然对提高劳动生产率有一定的帮助，但对于促进实质性创新、进而推动制造业升级作用有限，因此在全要素生产率上的表现不显著。第二，人才队伍建设滞后。人才50李翔等：人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验是促进人工智能与制造业相融合的关键要素，但我国在高端制造领域的领军人物和高技能人才均明显不足，尤其是对制造业的技术和发展规律有深刻认识、对人工智能的关键技术有一定了解、可以进行应用开发的复合型人才十分匮乏。因此现阶段，人才制约了人工智能在制造业中作用的发挥，对制造业全要素生产率并未表现出促进作用，反而抑制了全要素生产率的提升。（二二）内生性检验内生性检验控制固定效应交乘项的办法，虽然部分地解决了遗漏变量带来的内生性问题，但是并不能解决反向因果造成的内生性问题。借鉴王永钦等17、陈媛媛42的思路，选取美国工业机器人存量构造相应的中国省份、制造业行业的工业机器人存量的工具变量。选择美国工业机器人数据构造工具变量是因为：美国作为制造业强国，其工业机器人的使用水平体现了人工智能的发展趋势，在本文的研究样本期间，中国的工业机器人使用水平与美国使用水平和趋势相似，满足相关性假定；美国的工业机器人应用水平与中国的制造业高质量发展并没有直接联系，满足外生性假定。具体构造为：以同时期美国工业机器人的存量作为基础，以中国各省份分行业就业人数占比作为权重，构造新的各省份制造业分行业工业机器人存量，以此作为中国各省份制造业分行业人工智能的工具变量，检验结果见表4。变量lnAIlntradelndenselngain第一阶段回归结果IV控制变量行业*年份固定省份*年份固定N（1）lntfp-0.010*（-5.24）-0.000（-0.18）-0.006*（-2.59）0.138*（17.68）0.892*（97.43）是否否4 500（2）lntfp-0.010*（-5.46）-0.000（-0.16）-0.006*（-2.55）0.138*（17.74）0.963*（23.36）是是否4，500（3）lntfp-0.010*（-5.18）-0.000（-0.19）-0.006*（-2.62）0.137*（17.66）0.888*（96.21）是否是4 500（4）lntfp-0.010*（-5.41）-0.000（-0.17）-0.006*（-2.57）0.138*（17.73）0.961*（22.70）是是是4 500表4 内生性检验 从表4的2SLS回归结果可以看到，首先，第一阶段回归结果表明工具变量的显著性；其次，工具变量的回归结果与表3基准回归的结果基本一致，即人工智能在制造业中的应用并未促进制造业全要素生产率的提升，反而起到了抑制作用。（三三）稳健性检验稳健性检验为了进一步验证回归结果的稳健性，本文做如下检验：一是替换被解释变量，分别采用索洛余值法和Max-dea超效率模型再次计算各省份制造业的全要素生产率，分别记为tfp2和tfp3（表5）。二是更换样本：把样本汇集到省级层面，在控制省份固定效应和年份固定效应的基础上，加入省份和年份的交乘项，进一步验证结果的稳健性（表6）。从表5和表6中可以看到，替换被解释变量和样本以后，人工智能对制造业发展质量的影响与基准回归基本相同，人工智能对制造业全要素生产率依然表现出显著的负向影响。（四四）人工智能对制造业发展的异质性分析人工智能对制造业发展的异质性分析基准回归表明，人工智能在制造业中的使用对制造业全要素生产率表现出显著的抑制性影响，考虑到人工智能对制造业全要素生产率呈现出的负向影响可能与各省份经济发展水平以及各行业技术经济特征有关，因此从区域和行业两个方面展开异质性分析，以期了解不同区域和不同行业人工智能对512023年第4期（社会科学版）制造业发展的影响。在区域划分上，依据地理区位，以秦岭淮河为界，将30个省份分为北方和南方两个区域；在行业划分上，参照国家统计局发布的国民经济行业分类（2017）的分类，将 15 个制造业行业划分为高技术行业和非高技术行业进行回归，其中高技术行业 6类（医药制造、电气机械、化学制品、通用及专用、交通运输和计算机、通讯），非高技术行业 9 类（造纸及印刷、食品饮料加工、金属加工冶炼业、非金属矿物、橡胶和塑料、金属制品、其他制造业、木制品和家具制造业、纺织及服装制造业）。具体结果见表7。变量lnAIlntradelndenselngain行业*年份固定省份*年份固定NR2lntfp北方-0.028*（-4.04）-0.015*（-2.32）-0.014*（-2.27）0.223*（15.92）是是2 2500.176南方-0.004（-0.53）0.003（0.39）0.001（0.16）0.210*（15.08）是是2 2500.127高技术-0.033*（-3.76）0.001（0.18）0.000（0.04）0.243*（15.64）是是1 8000.173非高技术-0.007（-1.20）-0.020*（-3.20）-0.011*（-2.08）0.200*（15.44）是是2 7000.158表7 人工智能对制造业全要素生产率异质性分析 首先从区域来看，虽然无论北方还是南方，人工智能对制造业全要素生产率均表现出显著的抑制作用，但是对北方和南方的影响程度有显著不同，人工智能在制造业中的应用对北方制造业全要素生变量lnAIlntradelndenselngainConstant行业*年份省份*年份NR2（1）lntfp2-0.006*（-1.79）-0.005（-1.13）0.007（1.19）0.014（1.15）1.967*（28.13）否否4 5000.263（2）lntfp2-0.007*（-2.15）-0.006（-1.27）0.010（1.41）0.018（1.40）1.963*（29.83）是否4 5000.334（3）lntfp2-0.014*（-1.70）-0.012*（-1.74）0.006（0.84）0.013（0.91）1.933*（23.21）否是4 5000.354（4）lntfp2-0.008*（-1.85）-0.018*（-2.52）0.005（0.68）0.014（0.94）1.941*（22.55）是是4 5000.425（5）lntfp3-0.024*（-8.52）0.007*（1.76）0.041*（7.27）0.496*（43.85）-3.939*（-67.49）否否4 5000.859（6）lntfp3-0.024*（-8.89）0.009*（2.19）0.043*（7.12）0.494*（44.20）-3.914*（-67.55）是否4 5000.881（7）lntfp3-0.015*（-1.70）-0.020*（-3.25）0.040*（6.64）0.489*（37.51）-4.097*（-55.74）否是4，5000.884（8）lntfp3-0.014*（-1.60）-0.018*（-2.99）0.040*（6.29）0.485*（37.47）-4.071*（-56.09）是是4 5000.906表5 替换被解释变量变量lnAIlntradelndenselngainConstant省份*年份固定NR2（1）lntfp1-0.079*（-6.83）-0.020（-0.66）-0.236*（-5.44）0.376*（7.41）-3.011*（-7.97）是3000.250（2）lntfp2-0.109*（-15.82）-0.017（-0.93）-0.061*（-2.37）0.697*（23.09）-3.523*（-15.67）是3000.976（3）lntfp3-0.077*（-3.62）-0.055*（-2.37）0.175*（4.36）0.551*（13.17）-2.305*（-6.94）是3000.827表6 更换样本检验52李翔等：人工智能何以提升中国制造业发展质量索洛悖论在中国制造业的再检验产率有显著的负向影响，但对南方制造业全要素生产率的影响不显著。可能的原因在于：第一，南方经济发展规模明显强于北方。2020年，南方地区的经济规模达到65万亿，是北方的1.8倍。较大的经济规模为人工智能在制造业中的应用提供了良好的市场支撑，有利于人工智能与制造业的深度融合。但是由于制造业生产技术相对复杂，不同制造业的生产流程差异较大，虽然南方地区的经济规模相对于北方要大一些，但还是难以使人工智能在制造业中实现规模化的应用，因此即使在经济较为发达的南方地区，人工智能在制造业中的应用依然无法显著促进制造业发展质量的提升。第二，南方规模以上工业企业的研发投入强于北方。从研发投入的绝对数上看，2020年南方规模以上工业企业研究与试验发展经费内部支出额达到8 892亿元，占全国规模以上工业企业研发投入的58%；从规模以上工业企业研发投入在国民经济中的比重来看，南方占1.69%，北方占1.2%，南方是北方的1.4倍。第三，南方由于经济较为发达，汇聚了更多的高技术人才，相对北方而言，更加符合人工智能时代制造业发展的需要。其次从行业来看，人工智能对高技术制造业的全要素生产率表现出显著的负向影响，而对非高技术制造业的影响不显著。事实上，在制造业各行业中，高技术制造业是人工智能应用最为集中的行业，2020年高技术制造业工业机器人的使用量是非高技术产业的4.27倍。表现出这样的结果，原因可能有三：第一，虽然人工智能在制造业中的应用逐年增加，但目前人工智能的应用方向仍然是以劳动节约型为主，对各行业的核心技术创新能力提升不足。而且对于高技术制造业来讲，本身的用工数量不多，通过节约劳动力提升生产效率空间已经非常有限；第二，从制造业各行业应用人工智能对要素的要求来看，由于制造业不同行业技术、流程差异巨大，对要素配套需求也会各不相同，导致制造业中与人工智能技术相关的要素配套过程较长，人工智能促进制造业全要素生产率的作用还未完全发挥，并且人工智能在高技术产业应用中的“低垂的果实”已经不多，而那些“高悬的果实”还难以采摘，因此现阶段表现为抑制了高技术制造业发展质量的提升。第三，高技术制造业使用的技术较多，同时对技术的要求也更高，需要更多的研发投入加以支撑。五、调节机制分析前文的分析表明，无论是分区域还是分行业来看，人工智能技术在制造业中的应用显著抑制了制造业全要素生产率的提升，而全要素生产率的提升是制造业发展质量的重要表征。为了进一步探析这一现象出现的原因，准确把握人工智能对我国制造业发展质量的影响，从人力资本水平、研发投入和市场规模展开调节机制分析。（一一）人力资本水平的影响人力资本水平的影响人工智能与制造业融合的过程中，“低垂的果实”几乎已被“摘取”，接下来的深度融合，以及与人工智能相匹配的其他技术的研发等，需要更多高素质、综合型人才的参与，因此人力资本水平的高低，决定了人工智能技术在制造业中的边际产出能否进一步提升。为了验证这一点，本文加入人工智能与人力资本水平的交互项对基准模型再次进行回归，回归模型如下：tfpijt=+AIijt+talentijt+AIijttalentijt+Xijt+vi+vj+vt+ijt (3)从表8的结果可以看到，交互项系数显著为正，说明人力资本水平上升，将助力人工智能推动制造业整体的全要素生产率提升。分区域来看，这种作用在北方地区和非高技术产业中更为明显。这意味着，相对于南方，北方更缺乏人才，北方人力资本水平的提升对于促进人工智能赋能制造业全要素生产率提升作用更为显著。分行业看，非高技术行业人力资本水平提升对于人工智能提升制造业全要素生产率的作用更为显著。原因在于非高技术制造业中的人工智能应用水平相对较低，人力资本水平的提升有助于加强人工智能在制造业中的融合程度，发挥人工智能在信息传递、市场数据分析等方面的优势，优化非高技术制造业的生产流程，从而提高非高技术制造业的全要素生产率。532023年第4期（社会科学版）（二二）研发投入强度和市场规模的影响研发投入强度和市场规模的影响考虑到研发投入强度和市场规模是人工智能在制造业中应用的重要支撑，不同程度的研发投入强度和市场规模影响着人工智能在制造业中的应用程度，进而影响到人工智能对制造业发展质量的提升，因此二