人工智能對制造企業是否存在“生產率悖論”

范曉男，孟繁琨，鮑曉娜，曲 剛

(1.大連工業大學 管理學院，遼寧 大連 116034；2.卡迪夫大學 商學院，威爾士 卡迪夫 CF10 3AT；3.大連理工大學 經濟管理學院，遼寧 大連 116024)

0 引言

2015年以來，人工智能越來越成為社會各界關注焦點，計算能力提升、數據爆發式增長、機器學習算法進步等一系列因素推動了人工智能技術快速發展。新一代人工智能為經濟社會發展注入了新動能，成為產業發展的重要驅動力。制造業是人工智能技術的重要應用領域，“物理世界”(由制造業設備代表)和“數字世界”(由人工智能技術代表)的碰撞融合必將催生制造業的巨大變革。人工智能技術不僅能影響企業勞動力數量，也可以幫助企業擺脫認知局限性，改變傳統技術研發模式，通過數據科學和數據分析為企業決策及資源配置提供可量化依據，進而影響制造企業生產效率。那么，人工智能如何影響制造企業生產率？人工智能影響制造企業生產率背后的內在機制又是什么？回答以上問題不僅有助于深刻理解人工智能的微觀經濟后果，而且也將為政府制定有效的產業和創新政策提供理論依據。

然而，關于人工智能如何影響企業生產率的問題，學術界觀點并不一致。一方面，部分學者認為人工智能對企業生產率具有積極促進作用。Acemoglu & Restrepo(2018)構建了機器智能理論模型，提出機器智能具有替代效應和生產率效應，替代效應會降低勞動力需求，而生產率效應通過使用更便宜的資本替代勞動力從而提高生產率；Brynjolfsson等[1-2]使用不同人工智能指標進行實證研究，發現人工智能對企業生產率有顯著積極影響；Mark Purdy & Paul Daugherty[3]進一步提出人工智能是一種新的生產要素，是資本與勞動的混合體，可以通過優化智能自動化系統流程、增加人力與實物資本以及推動技術創新等方式提升企業生產率。另一方面，也有學者提出人工智能應用存在“生產率悖論”。Gordon[4]認為,始于20世紀70年代的“第三次工業革命”到2005年已基本接近尾聲，后續技術創新的作用已經非常小，移動計算、機器人技術、3D打印、人工智能等對企業生產率幾乎沒有什么影響，因為這些創新或與企業關系不大，或還沒有足夠成熟到產生影響；Acemoglu & Restrepo[5]認為，人工智能等技術被過度采用，導致資本和勞動配置不當，從而阻礙生產率提升。

本文嘗試從微觀企業層面，使用我國A股上市制造企業數據，研究人工智能對制造企業生產率的影響，驗證人工智能在制造企業的應用是否存在“生產率悖論”。以此為基礎，進一步考察人工智能通過勞動生產率、資本使用效率、技術進步等影響制造企業生產率的內在機制。

1 理論分析與研究假設

1.1 人工智能與制造企業生產率

關于人工智能是否影響制造企業生產率，實際上是“生產率悖論”討論的繼續。“生產率悖論”又稱“索洛悖論”，由Solow于1987年提出，其認為技術變革隨處可見，但統計數據卻沒有明確顯示技術對增長產生的影響。

人工智能作為一種新的生產要素，能夠克服人類資本和勞動力限制，促進制造業生產率提升。人工智能使常規生產活動可以用自動化代替，解放了勞動力，讓更多人從事更能激發創造力和附加值更高的工作[6]。產品可以通過手工技術或工業技術兩種方式生產，手工技術勞動投入需求大，資本投入需求小，而工業技術則相反。如果生產率低，依靠手工技術進行生產會更有利；而當生產率突破一定臨界點時，采用工業技術進行生產會變得更高效。因此，技術進步可以促進生產率提高[7]。

此外，有研究認為，計算機、互聯網、人工智能等新技術的出現并沒有對生產率增長產生實質性影響，人工智能等技術不能像之前的技術革命一樣讓生產率產生明顯增長[8]。人工智能等技術發展與應用要么與企業生產率提升無關，要么并未成熟到能夠對生產率產生影響，形成了總體生產率伴隨技術進步反而增長放緩甚至負增長的“生產率悖論”。針對上述說法，郭敏和方夢然[9]利用我國宏觀層面數據研究發現，人工智能對生產率的滯后效應以及錯誤的人工智能統計是導致“生產率悖論”現象的主因，現階段滯后的配套工作限制了人工智能作用的發揮。因此，結合中國制造業發展和人工智能應用情況，提出以下競爭性假設：

H1a：人工智能作為新的生產要素，能夠促進制造企業生產率提高；

H1b：人工智能尚不成熟，不能有效驅動制造企業生產率提升。

1.2 市場份額的調節作用

人工智能等新技術對企業生產率的影響往往受到市場份額的約束和調節。制造業市場集中度較高，少數大公司掌握較大市場份額，且企業市場份額差距懸殊現象仍在加劇[10]。市場份額集中帶來的結果是產業收益越來越集中于大公司[11]。如果這些制造業公司為了穩定自身市場份額，獲取更多收益，采用人工智能技術，雖然會加速企業自動化進程，但也可能遭遇美國經濟學家鮑莫爾于1967年提出的“鮑莫爾成本病”。目前，人工智能技術和設備成本較高，對企業技術要求高，但通用性較弱，智能產品低端化現象時有發生。因此，應用人工智能技術可能會顯著提高制造企業非自動化部門成本，導致資本回報份額降低[12]，投入產出效率下降。基于上述理論分析，提出如下假設：

H2：市場份額對人工智能與企業生產率的關系有負向調節作用。市場份額業績越好的企業，應用人工智能促進企業生產率提升的作用越小。

1.3 人工智能影響制造企業生產率的機制

一系列研究發現，人工智能需要與其它生產要素配合才能對企業全要素生產率產生具有統計意義的貢獻[13]。因此，人工智能與勞動力、資本、技術等生產要素之間的關系會對企業生產率產生影響。

1.3.1 人工智能與勞動生產率

一方面，人工智能具有迅速擴大的數據集、機器學習能力和強大的計算能力，能夠替代簡單、重復、單一和常規的生產活動，創造虛擬勞動力，發揮替代效應[14]。人工智能創造的虛擬勞動力作為新的生產要素，可以在單位時間內產出更多勞動成果，進一步形成規模效應，從而提升生產率。此外，人工智能這一虛擬勞動力對勞動環境要求低，具有更長的勞動時間和更為高效的勞動方法，能夠大幅降低生產成本，提高企業生產效率。Frey & Osborne[15]預測，在未來20年，美國近一半企業崗位將可能被人工智能代替。

另一方面，人工智能可能并不會直接減少勞動力，而是促進勞動力素質提升。人工智能可以解放勞動力，使勞動力轉向高創造性和高專業性工作，被解放的勞動力通過參加高技能職業培訓和學習，主動或被動提升自身素質和技能水平。人工智能與高技能、高素質勞動力結合，更能發揮出生產率效應，促進企業生產率提高。此外，制造企業應用人工智能會增加高技能勞動力需求[16]，高技能勞動力對人工智能有較強的使用能力，在相同時間約束下，可以有效減少程序性工作，提高勞動力生產率，從而發揮人工智能的生產率效應。人工智能也可能創造出分析、應用、維護等多種新的勞動崗位，從而抵消或逆轉人工智能造成制造企業勞動力減少的現象。因此，企業應用人工智能可能既增加勞動力數量，又提高勞動力素質。根據以上分析，提出以下假設：

H3a：人工智能通過影響勞動力數量，進而影響制造企業生產率；

H3b：人工智能通過影響勞動力素質，進而影響制造企業生產率。

1.3.2 人工智能與資本使用效率

人工智能會影響企業物質資本和人力資本使用效率[17]。一方面，人工智能能夠完善和提高現有物質資本使用效率[18]。人工智能利用基礎計算能力和優化數據的概念，借助大數據手段，可快速收集、處理市場信息和數據，有利于經濟主體科學決策。智能化制造企業可實施定制化生產經營，節約大量物質投入，提高了物質資本使用效率，最大限度地使稀缺資本產生利潤，提高生產率。人工智能具有智能控制和精準管理功能，通過數據處理、方案篩選和自動糾錯功能，使制造企業在經濟活動中實現有效控制、精細化管理和精準操作，減少資源浪費，促進生產率提升[19]。

另一方面，根據盧卡斯的人力資本經濟增長模型，社會及個人的投資不僅會形成資產設備等物質資本，也會形成存在于勞動者身上的人力資本，僅僅在企業應用人工智能技術并不會對生產率產生顯著促進作用，只有同時在人力資本方面進行相應投資才會得到更高生產率回報[20]。因此，人工智能技術在制造業的應用既可以影響物質資本使用效率，也可以影響人力資本使用效率。因此，提出如下假設：

H4a：人工智能通過影響物質資本使用效率，進而影響制造企業生產率；

H4b：人工智能通過影響人力資本使用效率，進而影響制造企業生產率。

1.3.3 人工智能與技術進步

人工智能、機器學習等新技術所產生的經濟效應是基于其隸屬于通用技術的屬性[20]。作為一種新的通用技術，人工智能可以直接影響生產率。人工智能、機器學習的應用改變了機器感知能力，例如，機器視覺識別行人的錯誤率已經從每秒30幀出現1次錯誤降低到大約每秒3 000萬幀出現1次錯誤，自動化汽車可行性大幅度提升，工廠自動化任務完成準確性也有了較大提升[21]。同時，人工智能還會間接增加互補性技術創新投入，激發大量互補性技術創新，成為制造業、物流業、金融業等行業增長的重要驅動力[22-23]。面對智能化轉型壓力，制造企業需要增強智能設備系統集成能力，因此會從產品設計、生產工藝流程、配套設施等方面加大研發投入和技術改造經費。人工智能技術和設備的廣泛應用會產生技術擴散效應和溢出效應，加速新產品和新技術產生，促進相關產業設備更新，增加技術創新產出，最終提高企業生產率。但是，人工智能技術也不可避免地具有不確定性，和其它通用技術一樣，人工智能可能不會帶來生產率的立刻變化，技術史表明，多種新技術的“并存但不爆發”往往會持續很長時間，只有各種新舊力量之間產生關聯，才會集中性爆發并擴散到傳統行業，表現為生產率提升。基于此，本文提出如下假設：

H5a：人工智能通過影響技術創新投入，進而影響制造企業生產率；

H5b：人工智能通過影響技術創新產出，進而影響制造企業生產率。

2 研究設計

2.1 數據樣本

本文選取2015—2017年滬、深兩市A股制造業上市公司作為研究樣本，主要基于以下兩點考慮：①雖然早在1956年人工智能的概念就被提出，但人工智能取得迅猛發展并廣泛應用于制造業主要發生在2015年以后，為發揮制造企業示范作用，2015年工信部開始發布智能制造試點示范企業名單；②在2011年德國提出工業4.0概念之后，2015年中國隨即提出了“中國制造2025”戰略，其核心就是實現制造業全面智能化，自2015年起越來越多的制造企業開始進行轉型，實施與人工智能深度融合。

為確保數據的代表性和精準性，本文按照如下步驟進行了嚴格的樣本處理：①剔除數據存在嚴重缺失的樣本；②剔除業績極差的ST、ST*公司；③考慮到年度行業均值調整，剔除某一年度行業觀測值少于2個的樣本。經過上述處理，最后獲得29個行業共計4 346個樣本觀測值。

本文數據來源包括兩個部分。一是反映上市公司是否應用人工智能技術的指標，通過對東方財富數據庫中的新聞及公告進行爬蟲搜集。使用“AI、人工智能、智能制造、智能化、智能應用、AI應用、智能、人工智能應用企業、制造業人工智能企業”等關鍵詞，手動加工、整理和分析，最終確定已經應用人工智能技術的A股制造業上市公司共464家。二是研究涉及的其它財務數據均來自CSMAR數據庫。為了剔除異常值對回歸結果可靠性可能產生的影響，本文對除虛擬變量外的所有連續變量進行上下1%分位數的縮尾(Winsorize)處理，描述性統計和實證檢驗均使用縮尾處理后的數據。此外，本文對所有解釋變量和控制變量進行了方差膨脹因子(VIF)診斷，結果顯示，VIF均值為1.41，且都在2以內。因此，變量之間不存在嚴重的多重共線性問題。

2.2 模型設定與變量說明

本文首先研究制造企業應用人工智能技術能否影響制造企業生產率，以及市場份額對人工智能與制造企業生產率關系的調節作用，為檢驗H1a、H1b、H2，構建計量模型如下：

TFPit=α0+α1DIFAIit+α2lnageit+α3ROAit+α4levit+εi

(1)

TFPit=α0+α1DIFAIit+β1lnsalesit+β2DIFAIit*lnsalesit+α2lnageit+α3ROAit+α4levit+εi

(2)

其中，i、t分別表示公司i與年度t(下同)，αi代表變量系數，αi代表交乘項系數，εi代表隨機誤差項。

被解釋變量TFP表示企業全要素生產率，通常被解釋為總產出中不能由要素投入所解釋的“剩余”，揭示生產率作為一個經濟概念的本質，主要反映生產過程中各種投入要素的單位平均產出水平，即投入轉化為最終產出的總體效率。經典的微觀企業全要素生產率度量是用最小二乘法(OLS)測算索洛余值，但傳統OLS法測算索洛余值時存在聯立性偏誤、樣本選擇偏誤等問題。為解決以上問題，本文主要采用半參數法OP和LP方法測算全要素生產率。

解釋變量DIFAI是反映制造業上市公司是否應用人工智能技術的虛擬變量。

調節變量為市場份額業績指標。企業市場份額變化能夠反映企業采取各種經營策略的經濟后果，可以更有效地捕捉企業市場業績變化。參考Campello等[24]的做法，本文采用經年度、行業中值調整后的銷售收入自然對數的變動額(lnsales)衡量企業產品的市場份額，并構建市場份額與解釋變量DIFAI的交互項(DIFAI*lnsales)。

本文參考Brynjolfsson等[25-26]的研究，選擇計量模型的控制變量，包括上市公司年齡的對數(ln_age)、資產收益率(ROA)和財務杠桿率(Lev)。相關變量的定義如表1所示。

表1 變量說明

本文通過結構方程模型檢驗人工智能對制造企業生產率影響的微觀機制。具體變量包括：

(1)公司雇用工人數量的自然對數(lnL)，表示勞動力數量。

(2)公司是否對員工研究發展進行投入(dum_RD)，作為虛擬變量，公司對員工研究發展進行投入取1，否則取0。

(3)物質資本，主要指企業投入生產經營活動的生產物資，包括機器、設備、廠房、建筑物、交通運輸設施等。首先，本文借鑒Heieh&Klenow[27]的方法，采用上市公司財務報表中的固定資產凈額作為物質資本存量的代理指標；其次，借鑒Pulic[28]的方法，用物質資本增值系數衡量物質資本的使用效率(PKI)，物質資本增值系數是企業物質資本存量與企業增值之比，其中企業增值=稅前利潤+應付職工薪酬-財務費用。

(4)企業人力資本，主要反映為支付給員工的現金。考慮數據的可獲得性，選取年報中的“支付給職工以及為職工支付的現金”指標度量企業人力資本。本文用人力資本增值系數衡量人力資本使用效率(HCI)，人力資本增值系數是企業人力資本與企業增值之比。

(5)技術創新投入變量采用公司當期研發投入強度(RDexp)表示，技術創新產出變量采用公司當期申請的發明專利數量取對數(lnpatenti)表示。

2.3 描述性統計

表2報告了制造業各細分行業解釋變量和被解釋變量的描述性統計結果。結果顯示，除石油加工、燒焦及核燃料加工業和廢棄資源綜合利用業2個行業未應用人工智能技術外，其它制造業細分行業都應用了人工智能技術，表明制造企業都重視并引入人工智能。從平均值來看，2個未應用人工智能技術的行業全要素生產率并不明顯低于應用人工智能技術的行業，需要進一步實證檢驗，判斷人工智能對制造企業生產率的影響。

表2 解釋變量、被解釋變量描述性統計結果(分行業)

根據上市公司是否應用人工智能技術進行分組，對主要變量進行描述性統計分析，如表3所示。結果顯示，相比未應用人工智能技術的樣本，應用人工智能技術的樣本全要素生產率明顯更高，即TFP_op和 TFP_lp更高。從均值看，應用人工智能技術的公司比未應用公司的全要素生產率高。

表3 主要變量分組描述性統計結果

3 實證分析

3.1 基本回歸結果

本文應用Stata15軟件進行估計。運用面板數據模型檢驗H1a、H1b、H2，在作面板數據模型回歸時，經過Hausman檢驗，采用隨機效應模型進行估計。為確保沒有異方差問題，采用穩健標準誤進行回歸。

表4的回歸結果顯示，應用人工智能技術顯著提升了制造業上市公司的全要素生產率。具體地，第(1)、(3)列的回歸結果顯示，DIFAI系數均顯著為正，且在1%的水平下顯著，表明在控制了公司年齡、ROA、Lev等相關變量后，企業應用人工智能技術會顯著提升全要素生產率。因此，H1a成立，即人工智能的應用可以有效促進制造企業生產率提升。

表4 人工智能對制造業全要素生產率的影響

本文在模型中加入市場份額與人工智能變量的交互項，以檢驗是否存在一些因素顯著影響人工智能與制造企業生產率間的關系。表4第(2)、(4)列結果顯示，加入交互項后，人工智能應用虛擬變量系數仍然為正，且在1%的水平下顯著，市場份額變量系數也顯著為正，交互項系數顯著為負，置信水平為1%。說明調節變量市場份額顯著影響人工智能與制造企業生產率間的關系，即市場份額具有負向調節效應。具體來說，DIFAI對TFP的影響取決于lnsales大小，當lnsales取值較小時，DIFAI對TFP的影響可能為正；當lnsales取值較大時，DIFAI對TFP的影響可能為負。因此，制造業上市公司市場份額業績越好，越不利于發揮人工智能對制造業上市公司全要素生產率的促進作用。因此，H2得以驗證。中國人工智能技術尚不成熟，人工智能應用的基礎設施和條件不夠完備[29]，并非所有的制造企業都能受益于人工智能技術應用。從控制變量看，公司年齡、ROA、Lev的影響都較為顯著，這些發現均與以往研究結論基本一致。

3.2 機制檢驗：基于結構方程的多重中介效應模型

3.2.1 機制檢驗路徑設定

本文運用結構方程方法檢驗人工智能影響制造企業生產率的機制，即對H3a、H3b、H4a、H4b、H5a、H5b進行檢驗。構建多重中介效應模型研究勞動生產率、資本使用效率、技術進步對企業應用人工智能技術與生產率的中介效應。在以往實證研究中，往往采用一系列回歸方程檢驗中介過程，但前提是要預先假定研究變量間的因果關系及發生的時間順序。本文嘗試采用結構方程模型，基于一個自變量、多個中介變量、一個因變量建模，不僅能同時分析多條影響路徑，而且可以對比中介效應[30]。

為研究人工智能能否通過影響勞動生產率進而促進制造企業生產率提高，模型選擇勞動力數量(lnL)和企業員工研究發展投入虛擬變量(dum_RD)作為中介變量；為研究人工智能能否通過影響資本使用效率進而促進制造企業生產率提高，模型選擇物質資本使用效率(PKI)和人力資本使用效率(HCI)作為中介變量；為了研究人工智能能否通過影響技術進步進而促進制造企業生產率提高，模型選擇技術創新投入(RDexp)和技術創新產出(lnpatenti)作為中介變量。

圖1 基于結構方程的多重中介效應模型

3.2.2 機制檢驗模型估計

通過結構方程模型檢驗中介效應，一般是先進行模型估計，然后計算中介效應。以TFP_op為例，先進行結構方程模型估計。根據協方差(Covariance)、修正指數(Modification Indices，MI)等信息修正模型后，如表5所示，結構方程模型的RMSEA小于0.1，SRMR小于0.05，CFI大于0.9，TLI接近0.9，符合擬合標準，說明結構方程模型擬合度較好。

表5 模型擬合度檢驗結果

具體的結構方程模型路徑系數如圖2所示，H3a、H4a、H4b、H5a、H5b，均成立，但H3b未得到驗證。其中，人工智能通過中介變量勞動力數量促進了制造企業生產率提高，驗證了H3a。具體地，DIFAI和lnL的路徑系數顯著為正，說明人工智能顯著增加了制造企業勞動力數量，因為目前制造企業應用人工智能技術并不成熟，需要更多懂技術的勞動力；lnL和TFP_op的路徑系數顯著為正，說明懂技術的勞動力數量增加提高了人工智能技術應用效率，進而提高了企業全要素生產率。dum_RD并未構成人工智能影響企業生產率的中介變量，H3b未通過驗證。具體地，DIFAI和dum_RD的路徑系數不顯著，同時dum_RD和TFP_op的路徑系數也不顯著。

圖2 結構方程模型路徑系數

物質資本使用效率、人力資本使用效率構成了人工智能影響企業生產率的中介變量，H4a、H4b通過驗證。具體來看，DIFAI和PKI的路徑系數顯著為正，PKI和TFP_op的路徑系數也顯著為正，說明人工智能提升了物質資本使用效率，促進了生產率增長，但是，DIFAI對HCI的影響顯著為負，而HCI對TFP_op的影響顯著為正，說明人工智能不能有效優化人力資本使用效率，進而抑制企業生產率提高。

人工智能通過中介變量技術創新投入，抑制了制造企業全要素生產率提高，驗證了H5a。具體地，DIFAI對RDexp的影響顯著為正，說明人工智能技術的應用增加了研發投入；同時，RDexp對TFP_op的影響顯著為負，原因可能是技術創新的滯后性抑制了當期企業生產率提高。人工智能通過中介變量技術創新產出促進了制造企業生產率提高，驗證了H5b。具體地，DIFAI和lnpatenti的路徑系數顯著為正，說明人工智能應用增加了制造企業實質性發明專利數量；同時，lnpatenti和TFP_op的系數顯著為正，說明實質性發明專利數量越多，企業生產率越高。

此外，應用人工智能技術對生產率的直接影響仍然顯著，但路徑系數為負，具體為-0.065 4，與表4結果相比，系數明顯降低，由正轉為負，表明企業應用人工智能技術主要通過多重中介機制提升企業生產率。

可見，人工智能技術目前在中國并不成熟，仍處于初級階段，制造企業應用人工智能增加了對知識勞動力的需求，而懂技術的知識勞動力促進了人工智能技術的充分使用，發揮了生產率效應。人工智能使計算效率成倍提升，借助機器深度學習，構建人機合作決策系統，可以優化生產流程，提高物質資本使用效率，實現要素優化配置。在新一輪科技變革和產業革命中，人工智能已成為制造業創新驅動發展的先導力量，加強人工智能與制造企業互融互通，有利于新產品、新技術產生，促進制造業生產率提升。與此同時，勞動力需求增加，引起了人力資本存量增加，從而降低了人力資本使用效率，對生產率提高產生了消極影響；當期研發投入強度提高，并不一定就能在當期提升企業生產率。

3.2.3 中介效應分析

進一步以TFP_op為例，進行中介效應分析，如表6所示。結果顯示，企業應用人工智能對生產率有直接負效應，為-0.064 5；企業應用人工智能通過各中介變量對生產率有間接正效應，為0.397 7；企業應用人工智能技術對生產率的總效應等于直接效應加上間接效應，為0.333 2。因此，人工智能之所以能對企業生產率產生積極影響，主要是通過中介變量實現的。

表6 多重中介效應檢驗結果

具體來說，勞動力數量在應用人工智能技術與生產率關系之間的中介效應為0.338 7(0.503 4×0.672 8)，且在1%的水平上顯著；是否對員工研究發展進行投入的中介效應雖然為正，但不顯著；物質資本使用效率在應用人工智能技術與生產率關系之間的中介效應為0.018 1(0.315 1×0.057 3)，且在1%的水平上顯著；人力資本使用效率在應用人工智能技術與生產率關系之間的中介效應是負效應，為-0.012 5(-0.091 0×0.137 9)，在5%的水平上顯著；技術創新投入在應用人工智能技術與生產率關系之間的中介效應也是負效應，為-0.068 0(1.136 6×-0.059 8)；技術創新產出在應用人工智能技術與生產率關系之間的中介效應是正效應，為0.121 3(0.939 7×0.129 1)。

綜合分析可知，制造企業應用人工智能通過影響勞動力數量、物質資本使用效率和技術創新產出，提升了企業生產率，具有正向中介效應；通過影響人力資本使用效率和技術創新投入，抑制了企業生產率提升，具有負向中介效應；而且，正向中介效應大于負向中介效應，整體中介效應為正。

3.3 穩健性檢驗

本文采用替換檢驗方法進行穩健性檢驗，主要結論均未發生實質性改變。首先，本文選用極大似然估計方法進行檢驗，H1a、H2依然成立，結論未發生實質性改變。其次，參考宣燁和余泳澤[31]的研究，對制造業上市公司的所有權性質進行分組，然后分別對國有企業和民營企業進行驗證。結果顯示，對于民營企業，H1a、H2依然成立，主要結論未發生實質性改變；對于國有企業，H1a仍然成立，但H2未通過檢驗，即市場份額的調節作用不再顯著。說明無論國有企業還是民營企業，人工智能已成為其創新發展的重要驅動力，但由于國有企業能夠得到政府更多政策和資金支持，因此市場份額等并不是影響人工智能與生產率關系的主要因素。

4 結論與建議

4.1 研究結論

利用中國制造業上市公司2015—2017年相關數據，本文研究發現，制造業普遍重視與人工智能深度融合，絕大部分制造業細分行業都應用了人工智能技術，但整體滲透率較低；制造業上市公司與人工智能融合顯著提高了企業生產率；市場份額影響了人工智能技術應用與企業生產率的關系，市場份額業績越好的企業，應用人工智能促進制造企業生產率提升的作用越小，某些市場份額業績好的企業可能存在“生產率悖論”。

進一步的機制檢驗發現，人工智能通過勞動力數量、物質資本使用效率和技術創新產出3個中介變量，促進了企業生產率提升，產生了正向中介效應；通過人力資本使用效率和技術創新投入抑制了企業生產率提升，產生了負向中介效應；且正向中介效應大于負向中介效應。本文的研究結論表明，人工智能技術在制造企業的應用并不成熟。一方面，我國制造業數字化、信息化水平參差不齊，未能為人工智能在制造業的廣泛應用提供條件和基礎；另一方面，制造業產業鏈條遠比其它行業復雜，制造業從業人員也未能充分精準掌握人工智能技術。因此，人工智能技術在制造企業的應用難度較大。

4.2 對策建議

(1)制造企業應積極應用人工智能，更好地發揮人工智能的生產率效應。當前，我國人工智能在制造業領域的應用還處于起步和初級階段，制造企業應用人工智能技術基礎還比較薄弱，而且在如何實現與人工智能深度融合方面缺乏具體措施。因此，制造企業應加大人工智能技術的投入力度，提升企業數字化能力和智能化成熟度，為人工智能發揮生產率效應提供軟件基礎；加快設備連接和廠房改造，為人工智能應用奠定硬件基礎。

(2)結合制造業細分行業特點，開發設計人工智能系統，降低人工智能技術開發應用成本。目前，市場份額業績好的制造企業紛紛開展人工智能競賽，建立各自的研發中心，進行自動化、信息化升級，導致人工智能實施成本居高不下。但是，由于制造業各行業技術、流程差異大，對人工智能有不同需求，因此降低設計實施成本不是建立一個通用的人工智能系統，而是鼓勵和引導制造業各細分行業領軍企業自主開發或合作開發智能制造技術、軟硬件體系，再逐步擴散到整個行業。

(3)制造企業要著力推進勞動力轉型，優化資本要素配置，合理規劃研發投入，加強自主技術創新。制造企業需要列出所需AI技術清單，以確定內部資源可以在多大程度上滿足需求，或需要從外部獲得何種技術，并制定工人技能培訓和提升計劃。同時，要加強與高校院所合作，強化與國際領先人工智能企業在關鍵技術方面的研究開發合作，提升關鍵技術領域研發能力。