人工智能發展對我國綠色全要素生產率的影響
——基于動態系統GMM估計和門檻模型的實證研究

郭婭妮

(福建師范大學，福建 福州 350108)

當前全球智能化產業快速發展，并廣泛應用在制造、教育、金融、交通、醫療等多領域。據推算，未來十年里，人工智能或將帶來全球生產總值增加12%左右。根據中國信通院統計，我國人工智能產業規模在2019年已達到約554億元，在2015—2018年期間復合平均增長率超過50%，遠遠大于世界平均水平(約36%)。新時代下，由智能化發展所催生的新模式、新業態不斷顯現，同時以驅動的傳統粗放型增長已不可繼續，轉變發展方式，探究經濟增長新動能成為關鍵。為此，在我國經濟由高速增長轉變為中速穩增長的今天，研究人工智能發展對我國綠色全要素生產率的影響，明確其作用效果與影響機制，對我國抓住人工智能產業革命的機遇，加快人工智能與實體經濟的融合，實現經濟平穩轉型升級等具有重要意義。

國內外文獻對人工智能與綠色全要素生產率關系的研究很少。劉津利用中國地級市面板數據實證得出，數字化技術對技術進步和綠色全要素生產率存在正面影響[1]。大多數學者研究的是智能化發展對全要素生產率(TFP)的影響。溫湖煒等根據中國制造業2009—2018年相關數據實證分析表明，智能化發展能顯著促進中國制造業企業的TFP，且對勞動密集、人力資本不足的企業促進作用更大[2]。劉亮等進一步探究了其作用機制，認為人工智能對制造業TFP的提升作用主要通過促進技術效率來實現，對技術進步的作用不明顯[3]。但李廉水等的結論與之相反，認為智能化對制造業TFP的促進是通過提升技術進步實現的[4]。將制造業進一步細分，孫早等研究發現，人工智能的發展能促進通用設備、紡織服裝等制造業的TFP，但對高端制造業如儀器制造、計算機等的促進作用不明顯[5]。對其他產業而言，申丹虹等對服務業生產率進行了研究，結果表明，人工智能可以帶來規模報酬遞增效應，并改善要素間的配置效率，促進服務業TFP的提升。但由于滯后性，其促進作用有限[6]。一些學者研究了人工智能與綠色發展、經濟轉型的關系。許憲春等研究認為大數據對綠色發展具有正面效應，通過大數據其自身特點，能優化需求結構，推動經濟轉型，促進經濟、環境的協調發展[7]。董怡漩等認為人工智能技術能提供經濟增長新動力，解決公共管理問題；但也存在一些負面效應，如投資風險的增大、法律法規的漏洞、陷入中等收入陷阱可能性增大等[8]。陳曉等研究認為，工業智能化能通過對高等技能勞動力的需求和對中等技能勞動力的替代來促進就業結構升級、提高經濟增長的質量[9]。劉亮等通過面板數據實證分析得出，智能化發展對經濟增長集約化具有先抑后揚的U型效應[10]。周建軍通過實證表明，人工智能發展會阻礙產業結構的合理化，但能促進產業結構高度化[11]。國外一些學者研究了人工智能相關技術對經濟的影響。Filippo Bertani等通過跨國實證分析表明，對數字平臺、人工智能等無形資產的投資能顯著提升TFP[12]。Ekkehardt Ernst等認為人工智能的發展可以使得資本成本大幅降低，以及提高生產率，特別是在低技能者中，生產率的提高能帶來巨大的機會[13]。Graetz等根據17個國家工業部門相關數據進行實證分析，發現工業機器人有效的提高了勞動生產率(大約0.36%)和全要素生產率[14]。Acemoglu等認為過度自動化會造成勞動力錯配、資源的浪費等，從而抑制生產率提高[15]。

綜上所述，通過對相關文獻的梳理，發現大多數文獻研究的僅僅是人工智能與TFP的關系，未將綠色發展理念包含其中；一些文獻從定量或定性的角度研究人工智能與綠色發展或經濟轉型的關系。直接研究人工智能發展對我國整體GTFP的影響的文獻很少，從定量分析的角度研究的文獻則更少。基于此，本研究通過SBM-ML指數，測算了我國2009—2018年間29個省份的綠色全要素生產率，試圖從量化分析和實證檢驗的角度探究人工智能對我國GTFP的影響。首先，運用系統GMM模型實證檢驗了人工智能發展對GTFP的線性影響，并將綠色全要素生產率分解為綠色技術進步和綠色技術效率，探究人工智能對GTFP的具體作用路徑。其次將研發投入與制度環境作為門檻變量，探究人工智能對GTFP的非線性影響，并進一步進行拓展分析，利用分位數回歸模型，探究人工智能對不同分位點處GTFP的影響。

一、理論機制與假說

(一)人工智能發展對GTFP的影響機制分析

考察人工智能發展對GTFP的影響，既要考慮到投入與產出，也需要考慮能源的消耗和環境的污染。一方面，人工智能相關技術能幫助、輔佐人類進行生產決策及在生產過程中對生產設備進行自主監控工作，或在某些領域直接代替人類進行復雜勞動，實現復雜任務的自動化，從而提高勞動生產率和生產力。人工智能機器、算法、軟件等屬于高新技術，在生產中對具有高技能、高知識的勞動力的需求也會相應增加，最終表現為更高的生產率。人工智能技術與傳統要素的融合，能有效改善原有要素的配置效率與質量，有效增強生產企業組織、管理協調性、生產要素整體利用率。這些均能使企業減少要素投入的情況下，一定程度上使產出增加，進而使綠色全要素生產率提高。另一方面，作為通用目的技術的人工智能，能促進互補創新，往往比單一創新產品更具潛在價值，能夠應用于生產的各個環節、各個產業領域，從而改變經濟運行方式。通過人工智能、大數據、云計算等技術，各行各生產企業的具體生產流程不斷透明化，以環境污染為代價來獲得短暫的經濟利益的方式已經行不通，高污染高耗能的企業將會被不斷淘汰。企業在生產過程中也能通過智能監控、智能預警等技術準確地找到污染源，從而便于從源頭上消滅所造成的環境污染問題。在激烈的競爭和智能技術不斷更新的環境中，只有生產技術更加先進，過程更加清潔高效的企業才能獲得優勢。這些均能促進企業降低污染排放，從整體上提高綠色全要素生產率。

但是人工智能對GTFP的作用受到多種因素的影響。使用人工智能相關技術需要與相應的基礎設施建設、人力資本水平、其他相關聯技術相匹配。如果人工智能的過快發展，導致該地區原有技術與人工智能相關技術不相協調，不能匹配，則在生產過程中，人工智能技術對生產率的促進作用不僅將會被大大減弱，還在一定程度上造成社會資源的浪費。另外現階段，我國還處于人工智能發展的初期，人工智能的規模可能還達不到其作為通用目的技術影響全局所要求的規模。其對生產率的影響也存在時滯，一項技術的應用在長期確實能帶來生產率的提高，但在短期可能并不會對生產率產生影響。對此，本文提出以下假說：

H1：人工智能發展會影響綠色全要素生產率，但作用路徑很復雜，對其影響的最終結果不太確定。

(二)人工智能對GTFP的非線性影響分析

受本地區多種資源稟賦條件的影響，人工智能發展對GTFP的影響機制較復雜。其中研發投入、制度環境與人工智能綠色技術效應的發揮密切相關。對前沿基礎理論的研發是人工智能技術取得突破、行業革新與產業化推進的根本。其次是關鍵核心技術的研發投入，特定的應用場景比如計算機視覺，在農業生產方面，確實能利用機器視覺技術，智能識別病蟲害，提高農產品的生產質量和效率，但目前在農業中我國該應用的實時準確性還處于較低水平。因此，當人工智能基礎理論與核心技術的研發還處于較低水平時，勢必會影響人工智能對綠色全要素生產率效應的發揮。對其他非人工智能技術的研發投入，能使得企業現有技術不斷革新，使之在生產過程中與人工智能相關技術更加的協調匹配，從整體上提高企業的綠色技術效率。良好的制度環境能為各主體的人工智能創新活動提供保護，同時能帶來一定的激勵作用，促進人工智能在生產過程中的運用，實現綠色技術創新。完善的法律法規和政府與市場的良性互動，引導性資金和基礎設施建設的投入，能在一定程度上破解人工智能在發展過程中面臨的瓶頸。反之，若制度環境達不到一定水平，人工智能的發展及其與實體經濟的融合便會受到阻礙，人工智能技術對綠色全要素生產率的正向推動效應便會被減弱。對此，本文提出假說：

H2 ：在控制其他影響因素的情況下，人工智能發展對GTFP的影響存在研發投入、制度環境的門檻效應。

二、研究設計

(一)指標體系構建

為達到研究目的，本研究選取了10個變量，并將其具體分為被解釋變量、核心解釋變量、門檻變量、控制變量。各變量的賦值和描述性統計詳見表1。

表1 變量的賦值和描述性統計

1.被解釋變量。被解釋變量有綠色全要素生產率、綠色技術效率、綠色技術進步。指標的數值借助SBM方向距離函數的Malmquist-Luenberger指數測得。首先通過該模型測得各省t到t+1期的ML生產率指數。再借鑒李斌等的做法，假設2008年的綠色全要素生產率為1，那么2009年的GTFP則等于2009年的ML指數乘上2008年的綠色全要素生產率。同理，2010年的GTFP則等于2010年的ML指數乘上2009年的GTFP[16]。由此，逐步計算出各省各年的GTFP數據。并進一步將GTFP分解為綠色技術效率(MEC)與綠色技術進步(MTC)，指標具體計算公式可表示如下：

其中，計算GTFP的投入與產出指標包括：資本投入，采用資本存量(億元)來衡量，資本存量根據張軍等的做法，資本折舊率取9.6%，運用永續盤存法計算得出，并調整為以2000年不變價格[17]；勞動投入，采用各省年末就業人數(萬人)衡量；能源投入，采用各省能源消費總量(萬噸標準煤)表示；期望產出為地區生產總值(億元)，同樣調整為以2000年不變價格；非期望產出，使用各省SO2排放量(萬噸)來衡量。

2.核心解釋變量。核心解釋變量為人工智能，基于數據的可獲得性，具體衡量指標借鑒沈賞等的做法[18]。人工智能發展水平的均值為144.862 7，標準差為121.299 6，表明地區人工智能發展水平差距較大。

3.門檻變量。門檻變量為研發投入和制度環境。研發投入的最小值為0.002，最大值為0.060 1，表明各地區研發投入還存在一定差距。對于制度環境而言，由于不同的地區制度環境影響因素有很多，且各不相同，難以放在一起量化比較。由樊綱和王小魯等計算的市場化指數包括了多個方面，其可作為一個制度變量[19]。由此，本研究采用樊綱等的市場化指數來衡量各地區的制度環境。其市場化指數的最新數據(2017年和2018年)根據樊綱等的報告外推而來。制度環境的均值為6.522 2，表明我國制度體系較為完善。

4.控制變量。控制變量包括人力資本、外商直接投資、財政支出、對外貿易。人力資本的均值為9.159 5，表明我國人力資本水平較高。外商直接投資的均值為0.023 0，標準差為0.017 7，表明各省外商直接投資額差距較大。財政支出和對外貿易的均值分別為0.236 7和0.283 3，表明我國財政支出和進出口貿易處于較高水平。

(二)模型設定

1.動態面板模型。為驗證假說1，探究人工智能對GTFP的影響，本研究構建動態面板模型，采用兩步GMM估計方法對模型進行估計。模型具體設定如下：

lnGTFPit=α1+α2lnGTFPit-1+α3lnAIit+α4lnHUMit+α5lnGOVit+α6lnMXit+α7lnFDIit+εit

(1)

lnMECit=α1+α2lnMECit-1+α3lnAIit+α4lnHUMit+α5lnGOVit+α6lnMXit+α7lnFDIit+εit

(2)

lnMTCit=α1+α2lnMTCit-1+α3lnAIit+α4lnHUMit+α5lnGOVit+α6lnMXit+α7lnFDIit+εit

(3)

其中，i表示地區，t代表時間。GTFPit為被解釋變量綠色全要素生產率，由于其一般具有延續性，為減小內生性和偏誤，在模型中加入GTFPit-1，即綠色全要素生產率滯后一期項作為解釋變量。AIit、HUMit、GOVit、MXit、FDIit分別表示人工智能、人力資本、財政支出、對外貿易、外商直接投資。εit是誤差項。MECit、MECit-1分別為綠色技術效率及其滯后一期項。MTCit、MTCit-1為綠色技術進步及其滯后一期項。

2.門檻回歸模型。為驗證假說2，研究人工智能對GTFP的非線性影響，分別以研發投入和制度環境兩個變量作為門檻變量，借鑒Hansen(1999)的方法，構建如下面板門檻模型[20]。

lnGTFPit=α0+α1lnAIitI(RD≤γ1)+α2lnAIitI(γ1γn)+β∑X+εit

(4)

lnGTFPit=α0+α1lnAIitI(INS≤γ1)+α2lnAIitI(γ1γn)+β∑X+εit

(5)

其中，RD、INS分別為研發投入、制度環境。γ、I(·)分別表示門檻值、指示函數，ΣX為控制變量。

(三)數據來源

本文實證分析的時間跨度為2009—2018年。源于數據的可獲得性，為了收集與整理的方便，本文選取了29個省市面板數據進行分析(未包括西藏、新疆、港澳臺地區)。相關數據來源于各地區的統計年鑒、《中國環境統計年鑒》《中國統計年鑒》《中國能源統計年鑒》等。

三、實證分析

(一)動態GMM估計

本研究采用兩步系統GMM方法對模型進行估計，為了消除短面板存在的異方差問題，對模型進行了穩健標準誤處理，回歸結果如表2。模型(一)到(五)中的AR(2)和Hansen檢驗均接受原假設，表示模型不存在自相關，且工具變量均是有效的。在逐個加入控制變量的過程中，滯后一期的綠色全要素生產率和人工智能的系數始終顯著為正。在模型(五)中，人工智能的系數為0.011 2，且在5%的水平上顯著。表明人工智能發展水平每提高1%，會使綠色全要素生產率增長0.011 2%。這可能是因為在人工智能發展過程中，其對綠色全要素生產率的正面促進效應較大，在一些領域直接代替人類進行復雜勞動。與傳統要素融合，有效改善要素的配置效率與質量，通過智能監控、智能預警等技術準確找到企業生產過程中的污染源，降低企業治污成本，促使企業在競爭中向清潔高效型升級。而與原有要素或技術不協調、過快的增長造成的資源浪費和對其他技術發展的抑制等負面效應較小，從而在整體上顯著促進了綠色全要素生產率的增長。

對于控制變量，人力資本和政府財政支出能顯著促進GTFP的提升。其中人力資本的系數為0.107 3，在5%水平顯著。人力資本可以加快企業技術擴散和技術模仿，提高全要素生產率；同時也能推動綠色技術，降低減少污染的成本，從而對綠色全要素生產率產生正向推動作用。政府財政支出系數在10%的水平上顯著。近些年來對環境的逐漸重視，政府在環境治理和維護方面的投入不斷加大，在一定程度上提升了綠色技術效率。對外貿易對GTFP無顯著影響。這可能源于，我國在對外貿易中主要以初級產品為主，高端制造業創新動力、高技術競爭力不足，從而使得對外貿易對綠色全要素生產率無顯著影響。外商直接投資的技術溢出效應存在一定的時滯，本土企業對外資企業的優秀技術技能進行效仿，以及將所學到的先進技術、管理經驗運用到生產過程中等都需要一定的時間，因此短期內外商直接投資可能并不會顯著促進GTFP的增長。

表2中模型(六)和模型(七)分別將綠色技術效率和綠色技術進步作為被解釋變量。模型(六)中人工智能的系數顯著為正，數值為0.025 6。模型(七)中人工智能的系數為負，但未通過檢驗。表明人工智能發展主要提升了綠色技術效率，其對綠色技術進步的影響不顯著。

表2 動態GMM估計結果

(二)門檻回歸

前面的研究證實了人工智能對綠色全要素生產率的增長效應，但是基于線性分析的視角。由于人工智能對GTFP的影響受到多種因素的制約，且不同地區的資源要素存在很大的差異，因此，本研究以制度環境、研發投入兩個變量作為門檻變量，來研究人工智能發展對GTFP的非線性影響。

1.門檻存在性檢驗。如表3所示，門檻變量研發投入通過了單一門檻和雙重門檻的檢驗，三重門檻的P值為0.333 3，大于0.1，未通過檢驗。門檻變量制度環境的門檻P值均大于0.1，未通過門檻檢驗。表明人工智能對GTFP的影響存在研發投入的雙重門檻效應，并不存在制度環境的門檻效應。從表4可看出，研發投入的第一門檻值為0.033 7，即地區研發投入額占地區GDP的3.37%。第二門檻值為0.039 3，即地區研發投入額占地區GDP的3.93%。2018年研發投入已跨越第二門檻值的地區只有北京(0.056 5)，只跨越第一門檻值的地區有上海和天津(分別為0.037 7、0.036 8)，也即絕大多數地區研發投入還未達到第一門檻值。

表3 門檻存在性檢驗

表4 門檻估計值及置信區間

2.門檻回歸結果分析。基于上述檢驗結果，設置研發投入的雙重門檻模型后進行回歸，回歸結果如表5。在研發投入的不同區間，人工智能發展對GTFP的影響存在差異。當研發投入水平小于或等于0.033 7時，人工智能的系數為0.033 9，在1%水平上顯著。表示人工智能發展水平提高1%，會使GTFP增長0.033 9%。當研發投入水平大于0.033 7但小于等于0.039 3時，人工智能的系數為0.098 1。當研發投入水平大于0.039 3時，人工智能的系數為0.637 5，且P值均小于0.01，通過了檢驗。從回歸結果可看出，隨著研發投入水平不斷上升到更高的區間，人工智能發展對GTFP的促進效應也不斷增強。并且，當研發投入跨越第二門檻值時，人工智能對GTFP促進效應的增長幅度大于研發投入跨越第一門檻值時的增長幅度。這主要源于，當研發投入低于某一值，特別是在人工智能核心基礎技術方面投入不足時，人工智能技術發展不成熟，難以與其他產業相互融合。只有當研發投入跨越這一門檻值且不斷提高時，人工智能技術得到不斷發展，才能在生產中與其他要素進行良性互動，提高生產效率；人工智能達到一定的規模才能帶來互補性創新。

表5 基于研發投入的門檻回歸結果

(三)穩健性檢驗

為確保原模型估計的穩健性，本研究從以下幾個方面進行穩健性檢驗：①分別使用最小二乘估計(OLS)和固定效應模型(FE)重新進行回歸，結果如下表中模型(九)和模型(十)。模型(九)中人工智能的系數為0.017 8，但不顯著。模型(十)中人工智能系數為0.036 4。②由于被解釋變量GTFP的個別特殊值可能影響估計結果，因此對GTFP作相應的處理，在去掉1%的GTFP極大極小值后重新回歸，模型(十一)為對應的回歸結果，人工智能的系數為0.019 5。③改變核心解釋變量人工智能的衡量指標，使用地區信息傳輸、軟件和信息技術服務業固定資產投資額占地區GDP的比重來表示。回歸結果如模型(十二)，人工智能的系數為0.026 1。④將控制變量人力資本替換成人力資本存量，使用各地區平均受教育年限乘以地區年末就業人數的積來衡量，結果如模型(十三)，人工智能的系數為0.012 8。除最小二乘估計中人工智能的系數未通過檢驗外，其余模型的人工智能系數均顯著為正。且從模型(十一)到模型(十三)，AR(2)和Hansen的P值均大于0.1，接受不存在自相關和工具變量有效的原假設。雖然各模型中人工智能系數的絕對值大小有所差別，但符號并未改變，即人工智能對GTFP影響的總方向均為正，表示原模型的估計結果是穩健有效的。

表6 穩健性檢驗

(四)進一步拓展分析

上述研究著重采用的是均值回歸，但均值回歸容易受到極端值的影響，導致結果不穩健。Koenker和Bassett提出的分位數回歸，能對解釋變量對被解釋變量條件分布的影響有更加全面準確的認識，且不會受到個別異常值的干擾[21]。因此，本研究在上述研究的基礎上，使用面板分位數回歸模型，進一步探究人工智能對GTFP的非線性影響。回歸結果如表7所示。由表7可知，對于不同分位點處的GTFP，人工智能對其的影響不同。當GTFP處于25%分位點處時，人工智能的系數為0.029 8。對于50%分位點處的GTFP，人工智能的系數變為0.036 2。當GTFP處于75%分位點處時，人工智能的系數最高，為0.0416。由此表明，人工智能對處于高分位點處GTFP的促進作用更大。其主要源于，GTFP更高的那些省份往往經濟發展水平更高，資源稟賦相對優越。人工智能發展水平與企業的技術創新能力也更強，在生產過程中，人工智能相關技術與企業原有要素、技術能得到更有效的融合。從而使得人工智能對GTFP的提升效應更強。

表7 分位數回歸結果

四、結論與對策建議

(一)結論

基于我國2009—2018年29個省(市、區)的面板數據，構建動態系統GMM模型，實證分析了人工智能對綠色全要素生產率的影響及其作用機制，并進一步采用面板門檻模型、分位數回歸探究了人工智能對綠色全要素生產率的非線性影響。得出如下結論：(1)人工智能發展對綠色全要素生產率具有顯著的正面效應，人工智能發展水平每提高1%，會使綠色全要素生產率增長0.011 2%。且主要是通過提升綠色技術效率，進而促進GTFP的增長，其對綠色技術進步的影響不明顯。(2)人工智能發展對綠色全要素生產率的影響存在研發投入的雙重門檻效應，基于制度環境的門檻效應不顯著。隨著研發投入水平不斷上升到更高的區間，人工智能發展對GTFP的促進效應也不斷增強。(3)人工智能對于不同分位點處的綠色全要素生產率的影響不同，對處于高分位點處綠色全要素生產率的促進作用更大。

(二)對策建議

1.加快相關基礎設施建設。如前所述，使用人工智能相關技術需要與相應的基礎設施建設相匹配。如果相關基礎設施不能隨著人工智能的發展而不斷完善，人工智能技術對生產率的促進作用將會被大大減弱。例如，采礦業中，確實能使用人工智能技術進行預見性維修，通過實時數據可視化和分析，判斷是否應該建設礦山或者進一步鉆探。但是地下礦井的通信環境十分復雜，若5G網絡、相關通信設施建設無法普及、加強，則確保通信會成為一大挑戰，從而阻礙人工智能潛力的發揮。

2.積極引導人工智能與優勢產業的融合發展。根據不同區域所具有的資源稟賦，加快發展各自的優勢產業，促進人工智能與比較優勢產業的融合。違背地區產業發展特征，盲目使用人工智能機器、發展工業等，不僅達不到預期的增長，可能還會造成對勞動力的替代，引起失業等負面效應。東部地區應加快人工智能在高端制造業、工業的應用，中西部地區人口密度較大，基礎設施建設相比東部地區較為落后，因此中西部地區可以不斷促進人工智能產業與當地農業、旅游業的融合，使智能化發展對生產率的促進作用更快地發揮出來，不斷助力各生產部門綠色全要素生產率的提升。

3.加大人工智能各項政策的扶持力度，促進研發投入。政府可鼓勵地方財政加大人工智能關鍵領域的研發投入，特別是目前還未跨越研發投入第一門檻值的地區。政府可設計扶持基金，對人工智能產業予以適當補貼，加快現有研究繼續取得突破性成果，同時為未來所要研究的全新領域奠定扎實的研究基礎。政府也應對使用人工智能技術的企業予以一定的補貼、進口稅收減免，促進技術的廣泛傳播與應用。一般，使用新技術的成本很高。若市場上只有幾家企業應用該技術，則每個企業承擔的固定成本會很高；若該技術能有效地傳播開來，普遍運用于生產中，則單個企業的使用成本會大大降低。

4.完善相關法律法規，使人工智能產業發展更加標準規范化。健全法律體系，明晰相關人員的法律責任，減少技術發展對社會的負面影響。進一步加強環境規制水平，強化地區綠色經濟發展指標考核，完善知識產權保護制度，運用社會、法律、經濟等多種途徑激勵智能技術綠色創新。