北京市人工智能企業全要素生產率的測度及差異性研究＊

■ 李雅寧 何勤 陳春春 謝麗偉

1.北京聯合大學管理學院 北京 100101

2.首都經貿大學勞動經濟學院 北京 100070

0 引言

我國高度重視人工智能技術的創新與產業發展，2017～2019年連續3年的政府工作報告均提出要大力發展人工智能，顯示出中國政府搶占人工智能時代至高點的戰略決心和規劃。作為國際科技創新中心，北京市將以人工智能為主的高精尖產業定位為未來新的重要經濟增長點。2017年以來，北京市陸續出臺了多項支持人工智能創新發展的政策措施，在產業環境、技術創新、資金支持、人才服務等方面對人工智能產業給予了政策支持。2017年12月，北京市發布《北京市加快科技創新培育人工智能產業的指導意見》，提出到2020年人工智能總體技術和應用達到世界先進水平。2018年11月，北京市科委發布《北京智源行動計劃》，提出將北京打造成為鏈接世界人工智能產業與學術資源的中心樞紐。2019年2月，北京成立我國首個人工智能創新發展試驗區，2020年獲批人工智能創新先導區，北京已經成為我國人工智能發展和技術創新的前沿陣地。

國內外學者們圍繞人工智能對經濟增長、就業、收入分配、勞動者技能、人格和倫理等方面的影響進行了較廣泛的探討[1-4]，就人工智能的政策[5]、發展現狀和未來的趨勢[6]以及人工智能對產業的影響[7]進行了較為深入地研究。有關人工智能全要素生產率的研究視角多集中在區域、產業和企業層面。基于區域視角的研究多采用宏觀數據測算和比較不同區域的生產率及差距[8]，預測生產率的發展趨勢[9]。基于產業視角的研究多選取某個產業或行業，如農業產業[10]、裝備制造業[11]、服務業[12]等，評價和比較不同地區的生產效率水平。基于企業視角的研究多選取上市企業作為研究樣本，如互聯網上市公司[13]、農業上市公司[14]、“區塊鏈”上市公司[15]、人工智能板塊上市公司[16,17]等，一些學者還構建了高新技術企業的生產效率評價指標體系，綜合評價技術領域差異所帶來的企業效率的變化[18,19]。

總體來看，有關人工智能的理論研究仍處于起步階段，相關文獻并不豐富。有關人工智能全要素生產率的定量研究較少，大多以測度技術進步或創新要素所帶來的生產率變化為主，且主要測算單一的技術效率。人工智能企業全要素生產率是影響其行業、產業與區域生產率變化的基礎因素，因此，以人工智能企業為視角研究全要素生產率變化更能體現人工智能技術對微觀主體生產率的直接影響，有利于發現人工智能推動生產效率提升的微觀機制和“異質性”。但是，由于微觀企業調研和數據獲取等方面存在一定的困難，現有文獻對人工智能企業全要素生產率的測度與評價研究較少。北京市人工智能產業在政策紅利的推動下得到快速發展，截至2019年4月，全國人工智能類企業共4084 家，其中北京市人工智能類企業1084 家，占比為26.5%。然而，人工智能企業“規模”上的迅速膨脹能否能帶來“效率”水平的同步提升？人工智能企業全要素生產率如何定量評價？不同類型的人工智能企業全要素生產率有何差異？如何改進企業生產效率？本文以北京市人工智能企業為研究對象，依托上市公司披露的數據及企業調研問卷獲取的數據，綜合測度北京市人工智能企業的全要素生產率水平，比較不同類別、不同行業的北京市人工智能企業全要素生產率的差異，并提出改進企業生產效率的措施建議，對促進北京市人工智能產業的高效發展具有一定的現實意義。

1 研究方法

1.1 全要素生產率的測算及分解

技術進步水平的測算通常有兩類方法：一類是參數方法，包括索洛余值法和隨機前沿法；第二類是以數據包絡法（DEA）為代表的非參數方法。DEA-Malmquist指數方法將技術進步水平分解成技術進步率和技術效率，其中，技術效率又可以分解為規模效率和純技術效率，Malmquist 指數可以用于評估技術進步水平的動態變化。因此本文采用DEA－Malmquist指數法測算北京市人工智能企業全要素生產率及分解變化情況。

Malmquist 指數方法是在DEA 模型基礎上設定的，假設每個人工智能企業被看作一個決策單元，將各個人工智能企業決策單元的效率與前沿面來對比，進而測量效率，見式1。

上式y 和x 分別表示不同時期的產出量和投入量。Dt和Dt+1分別表示第t 期和第t+1 期的技術參照距離函數。假設規模報酬可變，Malmquist 指數表示的全要素生產率（用TFPch表示，下同）為技術效率（用Effch表示，下同）變化指數與技術進步（用Tech 表示，下同）變化指數的乘積，見式2：

在上述假設下，技術效率變化（Effch）等于規模效率（用Sech表示，下同）變化與純技術效率（用Pech表示，下同）變化的乘積，見式3。各效率指標的變化反應相應的生產率變化，當效率指標小于1時，表示其對應的生產率呈現下降趨勢；反之當效率指標大于1，表示其對應的生產率呈現上升趨勢；等于1時，其對應的生產率不變。

1.2 指標選取及數據來源

本文選取2016～2018年114 家北京市人工智能企業為研究樣本，其中包含同花順Ifind金融數據庫中披露的北京上市人工智能企業24家，通過課題組企業調研問卷獲取的北京市非上市人工智能企業90 家。在北京市人工智能企業全要素生產率水平測度的研究部分，選取企業固定資產和技術人員數量作為投入變量，選取營業收入作為人工智能企業的產出指標，基于DEA-Malmquist指數模型和樣本人工智能企業的數據，運用DEAP2.1 軟件測算北京市人工智能企業全要素生產率及其分解指標，以企業差異、行業差異以及是否上市為維度，比較分析動態Malmquist 生產率指數及其變化情況。

2 北京市人工智能企業全要素生產率評價

2.1 全要素生產率水平

基于DEA－Malmquist 指數法本文測算得到北京市114 家人工智能企業2016年～2018年全要素生產率指數及其分解結果（表1）。2016～2018年114 家北京市人工智能企業的全要素生產率平均增長率為0.7%，其中，技術效率平均增長率為0.6%，技術進步平均增長率為0.1%，技術效率對企業全要素生產率的促進作用大于技術進步效率。其中，2016～2017年北京市人工智能企業的全要素生產率增長率為4%，2017-2018年的全要素生產率下降2.5%。

表1 北京市人工智能企業Malmquist 生產率指數及其分解（2016～2018年）

從Malmquist 生產率分解指標看，不同年份的全要素生產率、技術效率和技術進步效率都存在著一定的差異。2016～2017年，全要素生產率提高4%，其中技術進步增長率為50.7%，技術效率下降了31%，技術進步增長對全要素生產率的提升起到明顯的促進作用，而技術效率阻礙了全要素生產率的提升。2017～2018年技術進步下降33.5%，抑制了全要素生產率的提高，技術效率提升了46.6%，促進了全要素生產率的提高，兩者的作用結果表現為人工智能全要素生產率降低2.5%。

從技術效率的構成來看，2016～2018年技術效率平均增長為0.6%,其中純技術效率增長率為4.4%，企業規模效率下降3.6%。其中，2016～2017年技術效率下降31%，這主要是因為純技術進步效率下降了34%，企業規模效率提高了4.6%，純技術進步效率的拖累作用大于企業規模效率的提升作用。2017～2018年純技術效率提升65.1%，企業規模效率下降11.2%，使得技術效率增長率為46.6%。

2.2 北京市人工智能企業全要素生產率的差異比較

從總體來看，114 家北京市人工智能企業中全要素生產率為正的有56家，占49.12%，其中50家企業的技術效率增長率為正，16 家企業的技術進步增長率為正，技術效率增長率與技術進步增長率均為正值的有10家，可以看出，樣本企業技術效率增長率和技術進步增長率對企業全要素生產率的增長貢獻存在較大差異。此外，全要素生產率為負的企業為58 家，其中44 家企業的技術效率為負，45 家企業的技術進步效率為負，技術效率增長率與技術進步增長均為負的有31家，說明技術效率增長率和技術進步增長率對企業的拖累效應差異并不明顯。因此，北京市人工智能企業全要素生產率增長的差異明顯，其變化的動因也存在一定差異。由于篇幅限制，表2列舉了北京市人工智能企業全要素生產率排名前20位的企業。

表2 人工智能企業Malmquist 生產率指數及其分解排名（2016～2018）

2.3 人工智能上市企業與非上市企業全要素生產率的比較分析

基于DEA－Malmquist指數法，本文測算得到2016～2018年的24 家北京市上市人工智能企業和90 家非上市人工智能企業的全要素生產率指數及其分解情況，見表3。2016～2018年間上市企業與非上市企業的全要素生產率分別為9.4%和-2%，其中，上市企業的技術效率平均增長率為10.6%，技術進步平均增長率為-1%，非上市企業的技術效率平均增長率為8.6%，技術進步平均增長率為-9.8%，因此，上市企業全要素生產率高于非上市企業。此外，上市企業和非上市企業的技術效率差異不大，其規模效率和純技術效率的變化均呈現增長趨勢。

表3 人工智能上市企業Malmquist 生產率指數及其分解（2016～2018年）

從時序變化來看，2016～2017年，上市企業的技術進步推動了全要素生產率的增長，技術進步效率增長率為123.5%，技術效率增長率為-42.9%；非上市企業技術效率增長率為3.4%，技術進步效率為-38%。2017～2018年，上市企業技術效率增長率為114.1%，技術進步效率增長率為-56.2%；非上市企業技術效率增長率為14.1%，技術進步效率為-15.4%。可以看出，技術效率與技術進步率的變化存在此消彼長的負向關系。

總體來看，75%（18 家）的上市企業和45%（41 家）的非上市企業的全要素增長率是正向的，說明上市企業的全要素生產水平優于非上市企業。由于篇幅限制，表4和表5分別列舉了排名前20 位的上市企業與非上市企業生產率指數。

表4 上市企業Malmquist 生產率指數及其分解排名（2016～2018年）

表5 非上市企業Malmquist 生產率指數及其分解排名（2016～2018年）

2.4 北京市人工智能企業全要素生產率的行業比較

將114 家樣本企業按照行業類別分為12 大類，總體來看，6 個行業的平均全要素增長率是正向的，7 個行業的全要素增長率為負。其中，信息傳輸、計算機服務和軟件業是全要素增長率最高的行業，平均為13.1%，且主要是由36.8%的技術效率貢獻，其技術進步率為-17.3%，拖累了全要素的增長；全要素增長率最低的行業是教育業，平均為-20.8%，技術效率的拖累效應為-20.5%，大于-0.4%技術進步效率的拖累效應。在全要素增長率為正的6 個行業中，技術效率增長率為正的行業有4 個，技術進步增長率為正的行業有3個（見表6）。

表6 北京市人工智能企業Malmquist 生產率指數及其分解的行業比較

3 結論與建議

3.1 研究結論

本文基于2016～2018年114 家北京市人工智能企業數據，對北京市人工智能企業全要素生產率進行了測度，結果顯示，北京市人工智能企業全要素生產率2016～2018年平均增長率為0.70%，其中技術效率平均增長0.60%，技術進步平均增長0.10%，技術效率是使得北京市人工智能企業全要素生產效率得到提升的主要原因。此外，上市企業全要素生產率高于非上市企業，信息傳輸、計算機服務和軟件業是全要素增長率最高的行業，平均為13.1%，且主要是由36.8%的技術效率貢獻，其技術進步率則拖累全要素的增長，為-17.3%；全要素增長率最低的行業是教育業，平均為-20.8%，技術效率增長率為-20.5%，技術進步效率增長率為-0.4%，技術效率的拖累效應大于技術進步效率的拖累效應。

3.2 提升人工智能企業技術進步效率的建議

人工智能的發展對諸多市場帶產生了沖擊效應，但這一沖擊既是挑戰也是機遇。隨著中國數字化和智能化的迅速發展，尤其是5G 時代的到來，使得很多技術的實現成為可能，而中國將加速發展數字化、智能化。在這一過程中，中國應抓住機遇，由被動適應到雙向互動、主動適應，轉變粗放型發展方式，提高企業生產效率；發揮人工智能企業核心技術優勢，全面提升人工智能企業全要素生產率；整合各方資源，完善政府對人工智能產業的政策支持，盡快適應我國高質量發展的階段。具體建議措施如下：

3.2.1 由“單驅動”向“雙驅動”轉變，提高全要素生產效率水平

調整人工智能企業粗放型發展方式，提高人工智能企業生產效率水平。企業全要素生產效率體現各個要素的綜合生產率，是企業技術創新、管理模式完善、產品質量提高、企業結構升級的綜合體現，反映了產業升級與生產力發展的水平，推動人工智能產業高質量發展，提高作為產業微觀主體的企業全要素生產率水平是關鍵。改善企業全要素生產效率，應積極發揮人工智能技術進步的“驅動效應”，充分開發技術效率提升空間，加快企業技術改造，提高資源使用效率，加強企業管理，轉變人工智能企業粗放型的發展方式。具體而言，政府可從以下3個方面支持人工智能企業向技術效率和技術進步效率“雙驅動”型轉變：首先，提高財稅政策扶持力度，適當給予企業所得稅稅收優惠和創新產品補貼，引導產業投資基金創新政府、企業、投資僅夠信息互通機制，為人工智能企業提供技術研發、產品創新和市場拓展等全方位程資本服務。其次，進一步加強人才隊伍儲備，培育企業創新團隊，通過設立人才基金和項目基金等方式，支持人工智能企業集聚頂尖創新人才，著力培養技術、產業和商業的跨界復合型精英。第三，完善人工智能資源共享平臺，建設人工智能產業創新中心，深化政務信息系統整合和信息資源共享機制，打造人工智能產業生態，為人工智能企業發展提供知識、技術、信息、管理和資本等方面的多元化服務體系。基于本研究前文的實證結果，將人工智能企業分為技術效率、技術進步雙拖累型；技術效率驅動，技術進步拖累型；技術進步驅動、技術效率拖累型。針對上述3 種不同類型的人工智能企業提升全要素生產效率的改進手段和所需的支持

3.2.2 根據企業全要素生產率構成的“異質性”，采取差異化提升策略

我國人工智能的發展已具備一定的技術和產業基政策提出差異化的策略（見表7）。礎，人工智能已經在客服、醫療、金融、農業等行業領域實現應用，在數據、平臺和應用等領域集聚了一批較為優質的人工智能企業，人工智能企業依靠各自關鍵的核心技術正在成為中國企業越來越有競爭力的一部分群體。然而，人工智能企業全要素生產率及其構成存在一定差異，不同的企業在技術水平、管理水平和資源投入有效性等方面存在較大的差異。對于技術效率和技術進步效率“雙驅動”的企業，應保持這種雙邊優勢，持續提升企業的生產效率。對于技術進步驅動、技術效率拖累的公司，首先要明確導致技術效率拖累的原因，然后有針對性的采取措施：規模效率低下的企業應著力提高資源的使用效率，切記盲目擴張，防止生產要素投入產生冗余；純技術效率低下的企業應加強公司治理和管理水平，改進管理模型。此外，相對于非上市人工智能企業，上市人工智能企業可利用證券市場進行籌資，廣泛地吸收社會閑散資金，擴大企業規模，增強產品的競爭力和市場占有率，且定期披露財務信息，管理水平相對較高，因此，上市人工智能企業具有較高的全要素生產率水平。對于上市的人工智能企業而言，政府應進一步落實企業生產效率提升的“雙驅動”轉型政策支持，在財政、金融、人才與資源等領域提供持續支持；同時，人工智能上市企業自身還應注重發揮自身核心技術優勢，創新技術手段，拓展應用場景，開發創新產品，進一步提升市值和市場競爭力，成為產業內龍頭創新企業和創新標桿企業。對于非上市人工智能企業而言，政府可通過設立投資引導基金，為企業提供孵化、成長、上市全流程資本服務，同時企業自身也應進一步拓寬融資渠道，優化融資結構，提高資本有機構成，并注重發揮自身核心技術優勢，提升管理水平，形成規模效益，從而整體提升全要素生產率和競爭力（見表8）。

表7 人工智能企業提升全要素生產率水平的改進手段和政策支持

表8 上市與非上市人工智能企業全要素生產率水平提升策略

（3）整合資源，完善政府對人工智能產業的政策支持

人工智能是引領新一輪科技革命和產業變革的核心技術，我國頒布的各種政策和規劃中都體現了中國要搶占人工智能發展制高點的決心。但人工智能的發展不僅需要政策的支持，還需要各方資源的傾斜，因此政府對人工智能發展的補貼政策和支持措施是必不可少的。需要強調的是，政府應實施有針對性的補貼政策，注重補貼方式的靈活性和多樣性，進一步加強具有較高生產效率企業的補貼力度，適當擴大具有核心關鍵技術和發展前景企業的支持力度，鼓勵人工智能行業龍頭企業發揮關聯帶動和引領作用。對于具有全要素生產效率優勢的人工智能行業，如信息傳輸、計算機服務和軟件業，應加大核心技術要素投入，提升技術進步效率，實現規模經營（見表9）。

表9 不同行業優勢的全要素生產率水平提升策略