智能制造技術創新的產業結構與經濟增長效應
——基于兩部門模型的實證分析

鄭江淮 冉 征

一、引言

德國提出“工業4.0”概念以來(1)2013年4月，德國政府在漢諾威工業博覽會上正式公布《德國工業4.0戰略計劃實施建議》。，基于物聯網的自動化智能生產成為先進制造業的發展藍圖，也是“中國制造2025”的主攻方向。在一系列政策的引導下(2)如《機器人產業發展規劃(2016—2020 年)》《智能制造發展規劃(2016—2020 年)》《關于促進機器人產業健康發展的通知》等。，中國工業機器人存量步入世界前列，人工智能產業發展迅速、規模不斷擴大(3)數據來源：國際機器人聯合會(IFR)；德勤：《中國人工智能產業白皮書》。。然而，不同行業的智能化水平仍存在較大差距，智能化設備的使用主要集中在計算機和電子、電氣設備、運輸設備、家具生產等制造業部門，較少涉及服務業。(4)F.Calvino,C.Criscuolo,L.Marcolin,and M.Squicciarini.“A Taxonomy of Digital Intensive Sectors”.OECD Science,Technology and Industry Working Paper No.14,2018.近年來，智能制造逐漸向運輸設備、醫療、生物等非傳統領域擴散，這主要源于20世紀 90 年代以來信息存儲管理、互聯網和人工智能等基礎理論與核心技術的高速發展。(5)D.Autor，F.Levy，and R.J.Murnane.“The Skill Content of Recent Technological Change:An Empirical Exploration”.Quarterly Journal of Economics，2003，118(4)：1279-1333.智能制造的基本范式正在從以互聯網為基礎的網絡化階段轉向以人工智能等一系列技術創新為基礎的新智能化階段。(6)J.Zhou，P.Li，Y.Zhou，B.Wang，and L.Meng.“Toward New-Generation Intelligent Manufacturing”.Engineering 2018,4(4):11-20.要把握智能制造未來的發展方向、提前制定智能化高速發展下的產業政策，必須準確評估智能制造技術創新水平，厘清智能制造技術創新對于產業結構、生產率等一系列經濟指標的影響機制。

智能制造(Intelligent Manufacturing，IM)又被稱為制造業智能化，是指基于新一代信息通信技術與先進制造技術的深度融合，貫穿于設計、生產、管理、服務等制造活動的各個環節，具有自感知、自學習、自決策、自執行、自適應等功能的新型生產方式。與人工生產相比，智能制造有著高生產率、高質量、低成本等優勢。因此，智能制造的廣泛運用必然會對生產方式、商業模式以及勞動力結構產生沖擊。(7)C.A.Keisner，J.Raffo，and S.Wunsch-Vincent.“Breakthrough Technologies—Robotics,Innovation and Intellectual Property”.WIPO Economic Research Working Paper,2015.

現有對智能制造的研究主要集中在智能化生產的就業破壞效應和就業創造效應(8)L.Karabarbounis，and N.Brent.“The Global Decline of the Labor Share”.Quarterly Journal of Economics，2014，129(1):61-103；E.Oberfield，and R.Devesh.“Micro Data and Macro Technology”.NBER Working Paper No.2045，2014；G.Graetz，and M.Guy.“Robots at Work”.Review of Economics and Statistics，2018，100(5)：753-768；D.Acemoglu，and P.Restrepo.“Robots and Jobs：Evidence from U.S.Labor Markets”.Journal of Political Economy，2020，128(6):2188-2244.，模型大多假定智能制造技術替代了低技術產業的勞動力，被替代的勞動力可以直接轉移至高技術新產品的生產中(9)郭凱明：《人工智能發展、產業結構轉型升級與勞動收入份額變動》，載《管理世界》，2019(7)；陳彥斌、林晨、陳小亮：《人工智能、老齡化與經濟增長》，載《經濟研究》，2019(7)；D.Acemoglu，and P.Restrepo.“The Race between Man and Machine:Implications of Technology for Growth，Factor Shares，and Employment”.American Economic Review，2018，108(6)：1488-1542。，這暗含著一個無摩擦的技能提升與匹配過程。考慮到再就業需要重新匹配及技術性失業的影響，上述模型可能高估智能制造的經濟效益。此外，由于不同產業的智能化潛力存在差異，智能制造所產生的效應需要置于由可智能化產業與難以智能化產業構成的一般均衡框架中去分析。

中國制造業已經表現出明顯的智能制造深化趨勢。國內學者對測度智能制造水平進行了積極嘗試，由于無法精確統計智能化設備數量，只能通過滲透度等指標對工業機器人數量或者其他代理變量進行近似估算。隨著智能制造范式的調整，相較于傳統智能化設備的使用，智能制造技術創新顯得更加重要，但較少有研究涉及中國各地區智能制造技術水平的測度以及可能產生的經濟效應。

本文研究的主要內容是：(1)鑒于目前智能制造技術主要針對制造業，本文模型設計了可智能化的制造業部門和無智能化的服務業部門，技術進步只影響制造業部門的生產模式，服務業部門依靠勞動力和資本的投入直接產出，可以合理接收被智能制造替代的勞動力。(2)通過專利數據的篩選測算地區層面的智能制造技術創新水平。專利數據提供了每項專利的申請(授權)年份、申請人地址、專利分類號、中英文描述等信息。本文使用文本分析法識別出智能制造技術的相關專利，嘗試解決智能化水平難以精確統計的問題，從技術創新角度豐富了國內智能制造領域的經驗性研究。

本文剩余部分的安排如下：第二部分梳理相關文獻；第三部分構造理論模型對智能制造技術的產業結構效應和經濟增長效應進行歸納；第四部分介紹對于智能制造專利的篩選過程；第五、六部分進行實證研究，并展開進一步分析；第七部分進行總結并提出政策建議。

二、文獻梳理

智能制造是對于一系列信息化、自動化概念的總結，文獻中常見的人工智能、工業機器人都是智能制造在生產中的體現。智能制造技術造成廣泛失業的觀點可以追溯到20世紀，Keynes預言20世紀以來新技術的引入將使人均收入穩步增長，同時他也預測，隨著機器替代人工，這將造成廣泛的技術失業。(10)J.Keynes.“Economic Possibilities for Our Grandchildren”.In Essays in Persuasion.New York:Norton & Co，1930.智能制造對于勞動力的替代作用在很長一段時間里受到學者的廣泛認同，Autor 等通過引入“任務模型”分析勞動力和計算機化生產在不同工作中的比較優勢，指出智能化技術的進步可以削弱勞動力在原有優勢領域的地位，進而產生就業破壞。(11)D.Autor,F.Levy,and R.J.Murnane.“The Skill Content of Recent Technological Change: An Empirical Exploration”.Quarterly Journal of Economics，2003，118(4)：1279-1333.一些研究也證明智能制造技術確實替代了相當一部分勞動力。Graetz等證明工業機器人會減少低技能工人的就業。(12)⑩ G.Graetz，and M.Guy.“Robots at Work”.Review of Economics and Statistics，2018，100(5)：753-768.Frey & Osborne認為接近一半現有工作崗位將會受到工業機器人的沖擊。(13)C.B.Frey，and M.Osborne.“The Future of Employment： How Susceptible Are Jobs to Computerisation”.Technological Forecasting and Social Change，2017，114(1)：254-280.Acemoglu & Restrepo證明，1990年后的勞動力市場受到機器人使用的強烈沖擊 ，1993—2007年機器人庫存的增加(每千名工人中大約增加了一個新機器人)使地區的就業人口比率降低了0.37%，同時使平均工資水平降低了0.73%。在機器人應用最廣泛的地區，從1990年到2007年就業和工資均顯著下降，而機器人應用程度較低的地區則沒有這種趨勢。(14)

近年來，對于智能制造勞動力破壞效應的研究逐漸轉為對勞動力結構調整的影響研究。Acemoglu & Restrepo指出人類勞動與馬勞動的區別在于，人類在新的和更復雜的任務中具有相對優勢。(15)D.Acemoglu,and P.Restrepo.“Robots and Jobs: Evidence from US Labor Markets”.Journal of Political Economy，2020，128(6):2188-2244.第三部分也參考該文獻，受篇幅限制，后文不贅述。如果這種比較優勢顯著并且繼續創造新的任務，則即使面對快速的自動化，就業和勞動份額也可以保持穩定。具體來說，目前的工業機器人(智能制造技術)還處于智能替代重復勞動的階段，人力的優勢在于可以處理智能制造技術不能處理的更“復雜”的技術。因此，作者認為以AI為代表的智能化改造只會擠出低端生產領域的勞動力。另一方面，其他技術的創新，即非智能制造技術，可以增加生產活動的可能性，通過新的“生產活動”創造新的制造業就業崗位，將勞動力保留在制造業。實證層面，Bessen等對美國勞動力數據進行研究發現，自動化和機器人的應用在降低制造業就業的同時，也提高非制造業就業，即將制造業的勞動力擠入非制造業。(16)J.E.Bessen，M.Goos，A.Salomons，and W.V.Berge.“Automatic Reaction-What Happens to Workers at Firms that Automate”.SSRN Working Paper，2019.Dauth等基于德國數據也發現了類似現象。(17)W.Dauth，S.Findeisen，J.Suedekum，and N.Woessner.“Adjusting to Robots:Worker-Level Evidence”.Opportunity & Inclusive Growth Institute Working Paper No.13,2018.Cheng等基于中國企業層面數據的研究發現，不同行業對機器人的使用強度存在明顯差異，就業規模越大和資本勞動比越高的企業，應用機器人的程度也越高，而這些現象在發達國家也同樣存在，進一步說明行業生產特征對機器人應用有著重要影響。(18)H.Cheng，R.X.Jia，D.D.Li，and H.B.Li.“The Rise of Robots in China”.Journal of Economic Perspectives，2019，33(3)：71-88.

此外，一些學者針對智能制造是否提升生產率進行研究。Graetz等基于不同國家不同行業的機器人使用差異，證明工業機器人會減少低技能勞動力的就業，但是可以提高生產率和工資。⑩Keisner等指出高收入國家組織積極開發智能制造技術，可以防止將制造轉移到離岸地點并保留其競爭優勢，因為制造業智能化可以提高生產率、提升質量、降低成本、追求新穎的商業模式。(19)C.Keisner,S.Wunsch-Vincent,and J.Raffo.“Breakthrough Technologies—Robotics,Innovation and Intellectual Property”.WIPO Economic Research Working Paper,2015.

國內學者也進行了一些理論研究，如：郭凱明指出人工智能對于產業結構和報酬分配的影響并不固定，而是取決于部門間以及生產方式之間的產出彈性；陳彥斌等從人工智能如何抵御老齡化沖擊的視角，分析了技術進步對于資本積累和全要素生產率的影響。(20)郭凱明：《人工智能發展、產業結構轉型升級與勞動收入份額變動》，載《管理世界》，2019(7)；陳彥斌、林晨、陳小亮：《人工智能、老齡化與經濟增長》，載《經濟研究》，2019(7)。此外，國內學者從技術特性出發擴展了人工智能等新型技術的經濟內涵，如：郭凱明等將人工智能等領域的投資定義為新型基礎設施投資，從基礎設施投資的角度研究人工智能等技術如何促進資本密集型產業對勞動密集型產業的替代(21)郭凱明、潘珊、顏色：《新型基礎設施投資與產業結構轉型升級》，載《中國工業經濟》，2020(3)。；郭凱明和羅敏進一步證明，產業內部的有偏技術進步是造成技能密集度差異、收入差距和產業結構變化的主要原因(22)郭凱明、羅敏：《有偏技術進步、產業結構轉型與工資收入差距》，載《中國工業經濟》，2021(3)。。

實證研究層面，由于中國關于智能制造的統計數據相對匱乏，國內學者通過各種方法對中國各地區的智能化水平進行估算。孫早和侯玉琳以軟件普及和應用情況、智能制造企業情況和工業企業創新能力等10項細化指標測度工業智能化水平。(23)孫早、侯玉琳：《工業智能化如何重塑勞動力就業結構》，載《中國工業經濟》，2019(5)。孔高文等利用中國商品貿易數據庫、國際工業機器人統計數據，測算了不同地區每年進口機器人的近似規模數，考察機器人應用對中國勞動力市場的影響。(24)孔高文、劉莎莎、孔東民：《機器人與就業——基于行業與地區異質性的探索性分析》，載《中國工業經濟》，2020(8)。楊飛和范從來運用世界投入產出表，以全球計算機制造業和信息服務業投入到中國每個行業的中間投入占增加值的比重作為產業智能化的代理指標，研究產業智能化對于益貧式發展的影響。(25)楊飛、范從來：《產業智能化是否有利于中國益貧式發展》，載《經濟研究》，2020(5)。王永欽和董雯以企業員工數量與行業員工數量中位數之比為權重，從產業層面的工業機器人滲透度入手估算企業層面的工業機器人滲透度。(26)王永欽、董雯：《機器人的興起如何影響中國勞動力市場?——來自制造業上市公司的證據》，載《經濟研究》，2020(10)。韓民春和喬剛用工業機器人進口額表示工業機器人使用量，對工業機器人的產業結構效應進行分析。(27)韓民春、喬剛：《工業機器人對制造業勞動力就業的結構性影響與地區差異》，載《產經評論》，2020(3)。

綜上所述，國外學者對于智能制造如何重塑經濟結構的研究多以歐美發達國家為樣本，來自中國的證據相對匱乏，究其原因在于智能制造相關數據的缺失。國際機器人聯合會(IFR)的機器人數據雖然被廣泛應用，但是仍不能精確描述中國現狀，尤其是中國各地區的發展差異。為此，本文首先構造了一個兩部門均衡模型，分析智能制造技術創新對于產業結構和生產率的影響；其次，基于技術進步視角，通過專利數據構造反映地區智能制造技術創新水平的指標，對理論模型進行驗證。

三、基于技術進步視角的兩部門模型闡釋

隨著智能制造技術進步，越來越多的生產領域出現“機器換人”的現象，外在表現為資本對于勞動的替代。Acemoglu & Restrepo構建智能化生產模型，將所有的生產活動都規定在一個連續的任務模型之內，新的、更復雜的任務取代最低端的任務，較簡單的任務可以接受智能化改造。該框架假定低技術產業中被智能制造技術應用替代的勞動力直接轉移至高技術新產品的生產中，忽視了可能存在的技術性失業或進入其他行業引發的產業結構變動。然而，不同行業接受智能化改造的潛力是不同的，服務業受本身特性所限很難出現大規模智能化。

本文構建了一個由制造業與服務業組成的兩部門框架，將Acemoglu & Restrepo的任務模型應用于制造業部門，被智能制造替代的勞動力向服務業轉移，產品創新所催生的新崗位也可以從服務業部門吸納勞動力，服務業部門的生產函數由勞動力和資本構成。(28)受篇幅所限，模型部分一些具體推導過程省略，感興趣的讀者可向作者索取。

(一)模型設定

消費者需求用一個具有代表性的家庭刻畫，代表性家庭的瞬時效用由物品消費和服務消費共同決定，用CES函數表示如下：

(1)

其中，η表示兩部門產品之間的需求替代彈性，λ表示兩部門產品所占份額，C1和C2分別代表家庭用于物品和服務的支出。家庭通過勞動獲取工資，也可以通過投資獲取利潤，并將全部收入用于購買物品或服務，預算約束條件為：

P1C1+P2C2≤WL+RK

(2)

其中，L代表勞動力，K代表資本，P代表消費品價格，W代表工資，R代表利率。在約束條件下求解效用最大化可以得到：

(3)

市場上的物品由制造業部門生產，服務由服務業部門提供。制造業部門的生產函數Y1由一系列中間投入組成，服務業部門的生產函數Y2由資本和勞動力構成。具體的生產函數如下：

(4)

(5)

(二)智能制造技術進步

智能制造技術進步是指智能制造技術前沿的進步。借鑒Acemoglu & Restrepo的思路，人力可以完成所有的中間投入，而智能制造技術只能在一定程度上替代人力勞動，這種替代只能發生在較為簡單的中間投入中。智能制造技術進步意味著智能制造技術可以勝任更復雜的中間投入生產工作，替代原有勞動力。

對于制造業部門，每項中間投入的生產需要投入勞動力或資本，勞動力和資本可以相互替代。智能制造技術可能應用的中間投入環節區間為I∈[N-1，N]，假設i≤I部分中間投入在技術上是可智能化的，即可以用資本替代勞動力進行生產，i>I部分中間投入不可智能化，必須用人工來完成。如果使用勞動力進行生產，中間投入生產函數為y(i)=γ(i)l(i)，其中：γ(i)表示勞動力在i中間投入中的生產率，滿足γ(i)>0,γ′(i)>0。如果使用機器進行生產，生產函數為y(i)=k(i)。

除了技術約束，制造業企業進行智能化改造還面臨成本決策。在競爭性均衡下，中間投入價格p(i)將等于生產的最低單位成本：

(6)

(7)

綜合式(2)、(6)、(7)，可以得到制造業部門的勞動力和資本份額：

(8)

(9)

同理，可以得到服務業部門的勞動力份額和資本份額：

(10)

(11)

在均衡條件下，市場出清包括要素市場出清和產品市場出清：

L=L1+L2

(12)

K=K1+K2

(13)

Y1=C1，Y2=C2

(14)

(15)

均衡狀態下的各內生變量由式(3)、(8)～(15)共同決定。

(三)智能制造技術進步對產業結構的影響

為簡化模型，假設η=σ=1，將效用函數和制造業部門的生產函數轉變為柯布—道格拉斯生產函數形式，式(8)、(9)可以寫作：

(16)

(17)

本文關注智能制造技術進步對于勞動力結構的影響，求ΩL關于技術約束參數I的導數：

(18)

命題1：(1)在勞動力相對工資水平高于智能制造資本成本的情況下，企業有動機采用最前沿的智能制造技術，可供企業采用的智能制造技術創新水平越高，擠出制造業部門勞動力就越多；(2)在勞動力工資水平低于智能制造資本成本的情況下，即使現有的智能制造技術創新水平越高，但企業沒有動機應用智能制造技術，也就不會對產業結構產生影響。

(四)智能制造技術對經濟增長的影響

將ΩL和ΩK及假設條件η=σ=1帶入制造業部門的生產函數，并在對數條件下對I*求導可得：

(19)

(20)

其中，M=α(1-λ)+λ(1-n*)>0，只有當I*-N+1>α時，智能制造技術創新才能提升服務業產值增長率。涉及I*和I的關系與上文類似，不再贅述。結合命題1的分析，得出如下命題：

命題2：(1)在勞動力工資水平低于智能制造資本成本的情況下，即使現有的智能制造技術創新水平提高，但是企業沒有動力應用，就不會對經濟增長產生影響。(2)在勞動力工資水平高于智能制造資本成本的情況下，企業應用的智能制造技術創新水平越高，對經濟增長的作用效果越顯著，作用方向受經濟總體資本密集度和兩部門資本產出彈性影響。如果資本密集度較高，且使用智能制造技術的制造業資本產出彈性高于服務業資本產出彈性，即資本從制造業智能制造投資獲得的邊際回報高于服務業，則企業應用智能制造技術水平越高對經濟增長提升的促進效應就越顯著；如果資本密集度和兩部門資本產出彈性不能同時滿足上述條件，企業應用的智能制造技術水平提高對經濟增長的影響則呈現U型效應。

四、智能制造專利的識別方法及現狀

學界對于智能制造的具體內涵，尤其對智能制造所涉及的專利技術還沒有形成統一意見。目前達成的共識是智能制造與“工業機器人”“人工智能”存在密切關系。本文將智能制造技術細分為AI技術和機器人技術，并用不同的方法進行篩選過濾。AI技術目前還處于概念化階段，缺少直接對應的專利代碼，我們用關鍵詞來識別與AI技術相關的專利。機器人技術有成型的專利分類號(IPC)，故本文用專利代碼來識別。

(一)專利識別

AI技術相關專利的識別問題一直是學界關注的焦點，計算機協會(Association for Computing Machinery)一直致力于AI技術的跟蹤報告，并提供了清晰的分析框架。計算機協會將AI技術分為三個主要類別：(1)通用AI技術(AI techniques)，統計和數學模型的高級形式，例如機器學習、模糊邏輯和專家系統，允許計算(通常由人類執行的任務)且不同的AI技術可用作實現不同AI功能的手段。(2)AI功能應用程序(AI functional applications)，可以使用一種或多種AI技術實現的功能，例如語音或計算機視覺。(3)AI應用領域(AI application fields)，AI技術可能應用于不同的領域或學科，例如交通運輸、農業或生命和醫學。其中，AI應用領域的專利通常具有獨特目的，不能重新編程以執行其他任務，屬于AI技術在其他領域中的獨占性應用，與本文的研究對象差異較大。因此，本文所提取的AI專利主要包括通用AI技術和AI功能應用程序兩個層面。世界知識產權組織(WIPO)在人工智能技術報告中詳細匯報了AI技術的關鍵詞。

需要指出的是，雖然WIPO的關鍵詞能夠識別人工智能技術，但是同一詞匯的含義在不同的語境下可能有一定差別。本文在中文語言環境下，對以上兩類關鍵詞進行再識別。英文關鍵詞“neural network”可以翻譯為“神經網絡”，也可以翻譯為“神經網”，在中文語境下可以分解為“神經”和“網絡”兩個關鍵詞分散在專利描述當中。根據以上方法，對每個英文關鍵詞進行分解，可以得到一套中文AI技術關鍵詞。中國國家知識產權局所統計的專利數據包含了中英文雙語摘要，為了確保數據的準確性，本文用英文和中文兩套關鍵詞對發明專利數據進行識別，只有當一項專利的雙語描述中分別包括AI技術的中英文關鍵詞時，才將其標記為AI專利。

機器人技術專利代碼的界定較為成熟，此前學者對于機器人專利的研究涉及的專利代碼有較為全面的總結。(29)UK Intellectual Property Office Informatics Team.“Eight Great Technologies.Robotics and Autonomous Systems.A Patent Overview”.Newport:Intellectual Property Office，2014.為了保證機器人專利的精確性、通用性，并能夠直接為生產智能化服務，以及盡量與AI專利保持區別，本文只針對B25J、G05B、G06F和G08G1/16四類代碼的專利進行分析。

(二)特征事實

第一，中國的智能制造專利數量明顯提升。智能制造技術的專利申請數在從1995年開始進入高速增長時期，這一趨勢直到2012年左右才有所放緩。總體情況如圖1所示。1985年在華申請的智能制造相關專利約為650件，2015年在華申請專利數量超過11萬件。從申請人所屬國家來看，1995年以前，智能制造專利的國內申請占比維持在40%以上，并逐年攀升；1995年開始，大量國外申請人涌入中國專利市場，造成國內申請占比急速下降，低至1998年的21%；從1999年開始，國內申請占比逐漸攀升，即使2001年中國加入WTO后，國外申請人在華申請的智能制造專利數量快速上升，也并沒有影響這一趨勢。2006年國內申請占比超過50%，2015年國內申請占比超過90%。雖然近年來國外申請占比下滑明顯，但是國外申請數量一直在穩步上升，國外專利申請人在中國智能制造技術進步的過程中發揮了重要作用。

圖1 智能制造專利數量及增長率

第二，智能制造技術的發展存在顯著的地區差異。從中國各省份智能制造專利分布來看，1995年以前，北京市一直是國內智能制造技術研發的核心地區，智能制造專利申請數遠高于其他省份。1996年開始，上海市和廣東省的智能制造技術迅速發展，成為第二梯隊，其中廣東省智能制造技術的發展尤為迅速，并于2003年超越北京市，成為申請智能制造專利最多的省份，這一優勢一直保持到現在。2008年以后，江蘇、浙江、四川(將重慶市專利數統計在內)、湖北等省份的智能制造專利數量出現了快速增長，但還無法挑戰北京市和廣東省的領先地位。

五、實證研究

(一)研究設計和變量說明

為了檢驗智能制造技術創新的產業結構效應和經濟增長效應，本文構建如下的基準回歸模型：

L_sndct=β0+β1ln_im_act+∑βX+λarea+λyear+εct

(21)

ln_per_gdpct=β0+β1ln_im_act+∑βX+λarea+λyear+εct

(22)

其中，ln_im_a為主要解釋變量智能制造專利申請數的對數形式；ln_per_gdp為地區人均GDP的對數形式；L_snd為第二產業勞動力占比。考慮到數據的完整性和可得性，控制變量X包括勞動力數量/人均資本存量的對數形式(ln_K/L)、政府財政支出占比(gov)、外商直接投資占比(fdi)、非智能制造專利申請數(ln_non_im_a)等。人均資本存量通過永續盤存法計算，基礎指標為地區每年的真實投資額，折舊率取15%；政府財政支出占比為當年政府財政支出與地區GDP的比值；外商直接投資占比為當年外商直接投資總額與地區GDP的比值。

主要解釋變量ln_im_a通過智能制造的專利數量反映地區智能制造技術創新水平。智能制造專利的識別基于發明申請專利文本篩選。被解釋變量包括產業結構和地區人均產出。在實證層面研究產業結構效應，需要按照模型設定將產業區分為兩類。通過研究專利代碼和行業代碼之間的對應關系可以發現，絕大部分專利都屬于第二產業，智能制造技術的相關專利全部屬于第二產業。因此，實證部分將第二產業視作理論模型中的制造業，以第二產業的勞動力占比代表地區的產業結構。

(二)數據來源和描述性統計

專利數據來源于國家知識產權局的相關數據庫。由于西藏自治區和海南省的專利數量遠少于其他省份，且其他變量的統計值也存在比較嚴重的缺失問題，為了保證實證結果的穩健性剔除這兩個省份的數據。重慶市從1997年開始設立直轄市，為了便于指標測度、不產生歧義，本文的實證部分將1997年以后的重慶市數據與四川省數據合并，與1997年之前的統計口徑保持一致。其他變量的數據主要來源于歷年《中國統計年鑒》，我們結合《中國勞動統計年鑒》、全國經濟普查數據以及 CSMAR數據庫進行了補充。

(三)基準回歸結果

表1的前三列匯報了式(21)的基準回歸結果，其中列(1)為隨機效應模型，列(2)為固定時間效應的FE模型，列(3)為時間地區雙固定的FE模型。通過Hausman檢驗，最終選擇時間地區雙固定的FE模型作為基準回歸的主要結果。在固定時間效應和地區效應，并加入相關控制變量后，智能制造專利申請數對于第二產業勞動力占比的回歸系數為-0.010，且在5%的水平上顯著。這說明在中國背景下，地區智能制造技術水平越高，第二產業的勞動力占比越低。表1的后三列匯報了式(22)的基準回歸結果。在時間地區雙固定的FE模型中，智能制造專利申請數對于人均GDP的回歸系數為0.037，且在1%的水平上顯著，說明智能制造技術水平越高，地區經濟增長水平越高。結合理論部分，上述結果總體上說明中國的勞動力工資水平較高，制造業生產者有意愿進行智能化改造。

其他控制變量的結果顯示，非智能制造專利申請數對第二產業勞動力占比和人均GDP均有正向影響，說明產品創新可以增加制造業的就業占比并提升總體經濟增長水平。外商直接投資占比對于第二產業勞動力占比沒有顯著影響，但是可以提升地區人均GDP，這說明外資的進入并沒有產業偏向，但是可以為地區帶來更高的經濟增長。

表1 智能制造技術的產業結構效應和經濟增長效應

(四)內生性解決

內生性的來源主要包括以下兩個方面：一是遺漏重要變量，二是核心解釋變量與被解釋變量之間存在逆向因果。雖然本文參考相關文獻，在保證數據完整性的前提下盡量多地引入控制變量，但是仍然可能存在遺漏變量導致內生性的問題。此外，人均GDP反映了地區的經濟發展水平，而經濟發展水平高的地區通常創新能力較強，可能研發出更多的智能制造專利，從而導致基準回歸存在逆向因果問題。第二產業勞動力占比也存在類似的問題。

為此，首先本文用解釋變量的滯后期替代主要解釋變量解決逆向因果問題。表2納入了核心解釋變量智能制造專利申請數的滯后1期至滯后3期，結果顯示，智能制造專利申請數的滯后1期至滯后3期對于第二產業勞動力占比均有顯著的負向影響，且系數恒為-0.009，略小于當期的結果。另一方面，智能制造專利申請數的滯后1期至滯后3期對于人均GDP均有顯著的正向影響，且均在1%的水平上顯著，但是系數的絕對值從0.039逐漸下降到0.033。還需要注意的是，滯后1期智能制造專利申請數對于人均GDP的系數大于基準回歸中的系數，說明技術進步的經濟增長效應存在一定的滯后性。以上結果說明，智能制造技術創新影響了地區產業結構和經濟增長，且這些影響是持續性的。

表2 內生性解決：滯后項

其次，本文嘗試構建一個外生變量作為智能制造專利申請數的工具變量，并使用2SLS法解決內生性問題。國家知識產權局的專利數據顯示，國外申請人提交的專利申請占1985—2015年在華提交專利總數的近30%，大部分外國專利由跨國企業參與研發申請，而這些專利又從屬于某個成型的專利族。通常，專利族的形成表示這一專利有著較高的質量，因為只有在一項專利價值足夠高時，專利申請人才有動力在不同國家對同一專利提出申請，從而形成專利族。已有研究普遍認為，外國發明人在中國申請專利的動機主要是對中國的同行業競爭者進行技術封鎖，幫助企業占據更大的市場份額，符合競爭壟斷假說。(30)A.G.Hu.“Propensity to Patent，Competition and China’s Foreign Patenting Surge”.Research Policy，2010，39(7)：985-993；曲如曉、劉霞：《外國在華專利申請的技術外溢效應研究》，載《世界經濟》，2019(11)。因此，外國專利申請主要受企業自身戰略主導，一般并不會受到特定省份專利申請的影響。

一方面，高質量的外國專利可以產生知識溢出，國內研發人員通過研究外國專利獲取新的知識并進行再創新，從而獲取更多專利。另一方面，外國專利的知識溢出是有偏向性的，一個地區更容易從與本地現有產業結構和知識結構聯系較為緊密的專利中獲得知識溢出。本文聚焦智能制造技術的經濟效應，一個地區的知識結構越偏向于智能制造技術，那么該地區從國外智能制造專利中獲取的知識溢出也就越明顯。綜上，本文借鑒孔高文等(31)孔高文、劉莎莎、孔東民：《機器人與就業——基于行業與地區異質性的探索性分析》，載《中國工業經濟》，2020(8)。的做法構造工具變量：IVct=ln_foreign_imt×im_ratect-1。其中，ln_foreign_im表示國外申請人在華申請智能制造專利數量的對數形式；im_rate表示地區智能制造專利申請數與專利申請總數之比，為了進一步避免內生性，對其取滯后1期。

表3匯報了引入工具變量進行2SLS回歸的結果。在固定時間效應和地區效應的情況下，工具變量對于智能制造專利申請數的回歸系數為1.104，在1%的水平上顯著，這說明本文構造的工具變量與被解釋變量之間存在顯著的正相關關系，外國專利對地區智能制造技術存在知識溢出，且這種知識溢出受到地區知識結構的影響。本文所關注的重點是第二階段回歸中核心解釋變量的系數，表3的列(2)和列(3)顯示，智能制造專利申請數對于第二產業勞動力占比的回歸系數為-0.038，對于人均GDP的系數為0.031，且均在1%的水平上顯著，這與基準回歸的結果基本一致。以上結果說明，智能制造技術創新擠出第二產業的勞動力，并促進總體經濟增長，這一結論并不受內生性的影響。

表3 內生性解決：工具變量

(五)穩健性檢驗

本文主要通過替換解釋變量的方法進行穩健性檢驗。首先，專利申請量雖然能夠較為準確地反映地區的研發水平，但是存在質量參差不齊以及為完成政策指標過度申請的現象。因此，中國專利申請數量確實存在一定的泡沫問題。(32)龍小寧、王俊：《中國專利激增的動因及其質量效應》，載《世界經濟》，2015(6)。其次，專利申請數和專利授權數均是增量概念，不能表現一項專利持續帶來經濟效應的現象。實際上專利之間的質量存在差異，在專利續費機制的背景下，當一項專利能夠持續為創新主體帶來效應時，申請人才會不斷為其續費。當申請人不再為一項專利續費時，該專利失效。綜上，本文用智能制造技術專利授權數和有效專利數量作為主要解釋變量進行穩健性檢驗。

表4的列(1)、(2)展示了以智能制造技術專利授權數為主要解釋變量的回歸結果，其中智能制造技術專利授權數(ln_im_g)對于第二產業勞動力占比的回歸系數為-0.013，對于人均GDP的回歸系數為0.016，且均在1%的水平上顯著。列(3)、(4)展示了以智能制造技術有效專利數量為主要解釋變量的回歸結果，其中智能制造技術有效專利數量(ln_im_e)對于第二產業勞動力占比的回歸系數為-0.006，在10%的水平上顯著為負，對于人均GDP的回歸系數為0.031，在1%的水平上顯著為正。與基準回歸的結果保持一致。

表4 穩健性檢驗：替換解釋變量

此外，本文還通過替換被解釋變量的方式進行穩健性檢驗。產業結構效應方面，用地區制造業的勞動力占比(L_m)代替第二產業勞動力占比進行回歸，制造業比第二產業更貼合模型的定義，但是省級層面制造業的相關數據存在一定缺失，回歸結果如表5的列(1)～(3)所示。經濟增長效應方面，替換后的被解釋變量為地區真實總產值的對數形式(ln_y_real)，回歸結果如表5的列(4)～(6)所示。主要解釋變量的回歸系數與顯著性并沒有明顯變化。

表5 穩健性檢驗：替換被解釋變量

(六)機制檢驗

1.智能制造技術對于不同產業經濟增長的影響

基準結果顯示，智能制造技術的進步將勞動力從第二產業擠入其他產業，并提升了人均產出。本文對第二產業和第三產業的產值增長率進行分析，1985年以來中國各地區的經濟增長水平均大幅提升，所有省份第二產業的人均產出都明顯高于第三產業。因此，本文認為智能制造技術提升地區經濟增長的機制主要在于提升了第二產業的產值增長率。

表6的列(1)、(2)展示了智能制造技術對于不同類型產業的影響。智能制造專利申請數與第二產業的真實人均產值(ln_y2per)呈正相關，且在1%的水平上顯著，系數為0.045。同時，智能制造專利申請數與第三產業的真實人均產出(ln_y3per)之間的系數為0.002，遠小于0.045，且該系數不顯著。這一結果與表4列(1)～(3)的結果共同說明，智能制造技術可以替代第二產業中的低端勞動力，在保存高端技術工人的情況下，提升第二產業產值增長率。結合命題2，上述結果說明目前中國有著較高的資本密集度，但是智能制造技術的發展仍處于較低水平。

表6 機制檢驗

2.智能制造技術效應的地區差異——基于工資水平

本文理論部分指出，只有在工資水平高于智能制造技術使用成本時，智能制造技術創新的產業結構效應和經濟增長效應才能體現。考慮到目前數據的可得性，智能制造技術使用成本難以直接觀測或間接測算，本文假設生產者的智能制造技術使用成本是相同的。在此假設下進一步求證命題1和命題2等同于驗證命題：只有在工資水平較高的地區，智能制造技術創新的產業結構效應和經濟增長效應才能體現。為了證明上述機制，構建門檻回歸模型對不同工資水平下智能制造技術的經濟效應進行檢驗。門檻模型的具體形式為：

Yct=β0+β1ln_im_act×1I(Uit≤T)+β2ln_im_act×I(Uit>T)+∑βX+λarea+λyear+εct

(23)

其中，U代表進行價格指數平減后地區當年的真實工資水平，T表示門檻值，I表示判斷工資水平與門檻大小關系的示性函數。被解釋變量Y包括地區人均GDP的對數形式ln_per_gdp和第二產業勞動力占比L_snd。其他變量的含義與基準回歸相同。

表6的列(3)、(4)匯報了基于式(23)的回歸結果，在門檻左側，智能制造專利申請數(ln_im_a_0)對于第二產業勞動力占比的回歸系數為負但是并不顯著，對于人均GDP的系數為正但不顯著；在門檻右側，智能制造專利申請數(ln_im_a_1)對于第二產業勞動力占比的回歸系數顯著為負，對于人均GDP的系數顯著為正。以上結果說明，只有當地區工資達到一定水平后，智能制造技術的產業結構效應和經濟增長效應才能顯現。

六、“技術的技術”：智能制造技術對于其他技術的影響

長期視角下，智能制造技術創新對于產業結構的影響可能產生一系列連鎖反應。智能制造技術替代人工生產是持續性的，一般不會出現勞動力反向替代智能制造的情況，這將導致尚未進入市場的潛在勞動力對自身受教育水平進行重新規劃。在智能制造技術進步的背景下，高技能勞動力依然可以憑借自身能力選擇任意合適部門的工作崗位，獲取相對較高的工資收入；中低技能勞動力在制造業部門中喪失競爭優勢，只能在低技術部門提供服務獲取收入。本文分析顯示，第二產業的工資水平高于第三產業，智能制造技術的發展將降低中低技能勞動力的工資期望。因此，智能化活動必然促使更多的勞動力和潛在勞動力尋求長期教育、獲得更高的技能水平。已有文獻廣泛關注智能制造如何催生就業極化(33)V.Jerbashian.“Automation and Job Polarization:On the Decline of Middling Occupations in Europe”.CERGE-EI Working Paper No.576,2016.，本文則進一步聚焦智能制造技術創新對于知識生產部門的影響。

目前智能制造技術甚至人工智能技術還很難參與知識生產部門的研發過程。(34)F.Calvino,C.Criscuolo,L.Marcolin,and M.Squicciarini.“A Taxonomy of Digital Intensive Sectors”.OECD Science,Technology and Industry Working Paper No.14,2018.人力資本是知識生產部門的主要生產要素，在勞動力整體受教育水平和技能水平上升的情況下，知識生產部門的發展必然受到促進。智能制造技術的發展可以提升地區整體人力資本水平，進而推動其他技術的進步。因此，可以將智能制造技術稱為“技術的技術”。

本文通過FE模型和系統廣義矩估計法(sys-GMM)對上述機制進行檢驗。表7匯報了智能制造專利與非智能制造專利之間的回歸結果。其中列(1)、(2)基于專利申請數構造指標，列(3)、(4)基于專利授權數構造相關指標。另外，為了避免可能存在的內生性問題，以及反映專利研發的動態效應，本文在FE模型中將主要解釋變量取滯后1期引入回歸，并用sys-GMM法進行穩健性檢驗。結果顯示，不管針對專利申請數還是授權數進行指標構建，智能制造專利都能促進其他技術專利的進步，納入系統廣義矩估計模型中，這一促進效應依然存在。上述結果驗證了智能制造技術是“技術的技術”，可以推動其他技術的進步。在滿足廣泛適用性(各產業廣泛使用)、內在的技術改進潛力(持續專利數量增長)和創新互補性(刺激其他技術)三項條件的情況下，智能制造技術有可能成為新一代的通用技術。

表7 智能制造技術對其他技術的影響

七、主要結論

本文構建了嵌入智能制造技術進步的兩部門模型，從技術創新的視角出發研究了智能制造技術進步對于地區產業結構和經濟增長水平的影響。在此基礎上，使用文本分析法對1985—2015年在中國專利局登記的發明專利數據進行處理，篩選出與智能制造相關的發明專利，表征中國各地區智能制造技術創新的水平，并對理論模型的結果進行檢驗。

本文的主要結論包括：(1)智能制造技術的產業結構效應和經濟增長效應都是顯著的，智能制造技術的進步將會擠出一部分第二產業的勞動力，同時提升地區整體的經濟增長水平；智能制造技術進步只會提升第二產業的產值增長率，對于第三產業沒有影響。(2)智能制造的產業結構效應和經濟增長效應存在地區差異，只有當地區工資水平高于某一門檻值時，智能制造技術的進步才能達到預期效果。(3)智能制造技術可以推動其他技術的進步。智能制造技術促使潛在勞動力提高自身技能水平，人力資本的增加對研發創新活動有顯著的推動作用，在滿足三項必要條件的情況下，智能制造技術很可能成為未來的通用技術。

本文研究結論的戰略含義是，在產業結構服務化程度以及服務業資本密集度和資本產出彈性不斷提升的長期發展趨勢下，智能制造技術水平只有不斷創新，且伴隨著較大的投資規模增加，才有可能帶來產業結構服務化所需的勞動力就業和整體的經濟增長水平提高。在未來“工業4.0”的競爭中，加強和加快智能制造技術創新和應用對中國經濟增長至關重要。相應的政策含義包括：第一，需要完善社會保障體系，以應對智能化改造可能帶來的摩擦性失業和結構性失業。著重對失業保險制度進行改革，為失業者提供再就業的輔導平臺，尤其是要大力支持職工在崗技能培訓活動，以防止大量失業所帶來的潛在危機。第二，智能制造技術進步對于勞動力市場需求的影響是長期、不可逆的，必須進一步改革教育體系，提高在職勞動力以及潛在勞動力對于智能制造技術的適應能力。重點是平衡高等教育和職業教育的投入水平，形成以高等教育促進技術發展、以職業教育提供特色勞動力的教育結構，為市場提供更為多樣化的人力資本。第三，目前中國高校為智能制造技術創新提供了重要的基礎學科和應用性研究支撐，要積極引導產學研協同創新。聚焦以智能制造等技術為代表的新興技術領域，積極推進“政產學研資”深度融合，由政府協調多方建設合作平臺，協同破解“卡脖子”技術難點，實現在關鍵核心技術上的不斷突破，保證高校和研究機構的最新成果能夠溢出到企業，并最終產生積極效應。