中國(guó)人工智能產(chǎn)業(yè)發(fā)展態(tài)勢(shì)及影響因素研究
——基于中國(guó)AI上市公司全要素生產(chǎn)率的測(cè)算與分析

□耿子恒 汪文祥

一、引言

隨著新一代人工智能浪潮興起，世界各國(guó)紛紛加大對(duì)人工智能領(lǐng)域投入，以期發(fā)揮人工智能技術(shù)能力，推動(dòng)經(jīng)濟(jì)社會(huì)變革與發(fā)展。人工智能屬于戰(zhàn)略性新興產(chǎn)業(yè)，也是中國(guó)產(chǎn)業(yè)的重要組成部分。人工智能產(chǎn)業(yè)發(fā)展質(zhì)量代表著人工智能技術(shù)的輸出能力，發(fā)展質(zhì)量的優(yōu)劣代表著人工智能技術(shù)輸出能力的強(qiáng)弱。人工智能技術(shù)輸出能力越強(qiáng)，其擴(kuò)散性和滲透性發(fā)揮的作用就越強(qiáng)，從而就能更好地賦能傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)，推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展。在新一代人工智能浪潮席卷全球時(shí)，人工智能受到國(guó)家高度重視，逐步進(jìn)入蓬勃發(fā)展的階段。中國(guó)連續(xù)發(fā)布了《中國(guó)制造2025》《關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見(jiàn)》《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》《新一代人工智能發(fā)展規(guī)劃》和《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃（2018—2020年）》等，從頂層設(shè)計(jì)上規(guī)劃人工智能產(chǎn)業(yè)發(fā)展目標(biāo)和路徑，以及人工智能技術(shù)賦能傳統(tǒng)產(chǎn)業(yè)，特別是制造業(yè)發(fā)展的措施。由此可見(jiàn)，人工智能產(chǎn)業(yè)發(fā)展在中國(guó)經(jīng)濟(jì)邁向高質(zhì)量發(fā)展過(guò)程中具有重要的現(xiàn)實(shí)意義。

當(dāng)前，人工智能產(chǎn)業(yè)發(fā)展備受學(xué)界關(guān)注，但是針對(duì)中國(guó)人工智能產(chǎn)業(yè)發(fā)展態(tài)勢(shì)和發(fā)展效率的研究尚不全面。已有研究主要集中于中國(guó)人工智能產(chǎn)業(yè)發(fā)展基礎(chǔ)、困難和薄弱之處等點(diǎn)狀研究。中國(guó)人工智能產(chǎn)業(yè)發(fā)展的技術(shù)基礎(chǔ)逐步堅(jiān)實(shí)，據(jù)統(tǒng)計(jì)：截至2019年，中國(guó)學(xué)者AI領(lǐng)域的高被引論文的比例達(dá)到26.5%，與美國(guó)29%的比例差距逐步縮小，高于世界平均水平；中國(guó)AI總專(zhuān)利數(shù)排位世界第一，且在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、機(jī)器學(xué)習(xí)等專(zhuān)利申請(qǐng)方面占據(jù)主要位置；截至2019年，中國(guó)共設(shè)立745家人工智能企業(yè)，占世界人工智能企業(yè)總數(shù)的21.67%，僅次于美國(guó)，排名第二，且有6家公司入選2019年度AI百?gòu)?qiáng)創(chuàng)業(yè)公司榜單，并在全球11家AI獨(dú)角獸企業(yè)中中國(guó)占據(jù)5個(gè)席位。但是，中國(guó)人工智能產(chǎn)業(yè)發(fā)展也面臨著一些嚴(yán)峻的問(wèn)題，如：受到芯片不足、算法不強(qiáng)與核心人才較少等嚴(yán)重制約，中國(guó)新一代人工智能產(chǎn)業(yè)發(fā)展與國(guó)際領(lǐng)先國(guó)家仍存在一定差距，此外，還存在基礎(chǔ)研究投入不足、產(chǎn)業(yè)基礎(chǔ)薄弱、政府?dāng)?shù)據(jù)聯(lián)通開(kāi)放滯后以及人才培養(yǎng)能力缺乏等短板。從機(jī)器人產(chǎn)業(yè)發(fā)展看，中國(guó)機(jī)器人產(chǎn)業(yè)也存在產(chǎn)業(yè)鏈不全、核心部件無(wú)法制造和大量機(jī)器人產(chǎn)品在中低端徘徊導(dǎo)致低端產(chǎn)能過(guò)剩等問(wèn)題，阻礙了機(jī)器人產(chǎn)業(yè)的健康發(fā)展。企業(yè)是構(gòu)成產(chǎn)業(yè)的基本單元，研究中國(guó)人工智能產(chǎn)業(yè)發(fā)展態(tài)勢(shì)和效率，即衡量該產(chǎn)業(yè)所屬企業(yè)的經(jīng)營(yíng)發(fā)展效率，而當(dāng)前學(xué)界公認(rèn)能夠較好地完成生產(chǎn)效率評(píng)估的指標(biāo)為全要素生產(chǎn)率（TFP）。已有研究對(duì)AI企業(yè)進(jìn)行了較多研究，但也存在一些不足。如：侯志杰和朱承亮（2018）針對(duì)中國(guó)26家人工智能上市公司進(jìn)行了實(shí)證研究，但是其研究的分析視角不包含人工智能產(chǎn)業(yè)生態(tài)和區(qū)域異質(zhì)性，研究時(shí)間跨度較短，研究的深刻性和全面性均有進(jìn)一步改進(jìn)的空間。因此，本文通過(guò)研究中國(guó)85家AI上市公司10年間的數(shù)據(jù)，嘗試回答人工智能產(chǎn)業(yè)發(fā)展?fàn)顩r以及AI產(chǎn)業(yè)發(fā)展是否有所進(jìn)步等問(wèn)題，對(duì)于定量評(píng)估人工智能產(chǎn)業(yè)發(fā)展態(tài)勢(shì)和經(jīng)營(yíng)效率具有一定的理論意義和現(xiàn)實(shí)意義。

本文的研究思路是：（1）在構(gòu)建DEA-Malmquist生產(chǎn)指數(shù)模型的基礎(chǔ)上，使用中國(guó)AI上市公司數(shù)據(jù)測(cè)算人工智能企業(yè)TFP，并從縱向和橫向兩個(gè)方面按時(shí)序、人工智能產(chǎn)業(yè)生態(tài)和人工智能企業(yè)所在區(qū)域等，比較分析人工智能企業(yè)TFP及其分解項(xiàng)；（2）構(gòu)建以人工智能企業(yè)TFP為被解釋變量，以智力強(qiáng)度、盈利能力和企業(yè)穩(wěn)定性等為解釋變量的分析模型，根據(jù)可獲取的AI上市公司數(shù)據(jù)選取刻畫(huà)解釋變量的數(shù)值，通過(guò)回歸分析研究人工智能產(chǎn)業(yè)發(fā)展的影響因素。

二、全要素生產(chǎn)率測(cè)算的理論基礎(chǔ)與數(shù)據(jù)說(shuō)明

（一）理論分析與測(cè)度方法

經(jīng)濟(jì)研究中，基于DEA方法計(jì)算的Malmquist生產(chǎn)率指數(shù)被廣泛用于測(cè)算TFP。如：Diewert等（1982）構(gòu)造了基于距離函數(shù)之比的生產(chǎn)率指數(shù)用于生產(chǎn)分析；Rolf和Shawna（1992）重新定義了Malmquist生產(chǎn)率指數(shù)，通過(guò)計(jì)算第t期及第t+1期生產(chǎn)率指數(shù)的幾何平均數(shù)衡量生產(chǎn)率變動(dòng)情況，并將Malmquist生產(chǎn)率指數(shù)分解為技術(shù)變動(dòng)指數(shù)和技術(shù)效率變動(dòng)指數(shù)的乘積。

Malmquist生產(chǎn)率指數(shù)的定義及分解式為：

本文參照既有產(chǎn)業(yè)全要素生產(chǎn)率測(cè)算的方法，使用全要素生產(chǎn)率指標(biāo)衡量產(chǎn)業(yè)發(fā)展質(zhì)量，其含義是產(chǎn)業(yè)全要素生產(chǎn)率越高，產(chǎn)業(yè)發(fā)展質(zhì)量就越優(yōu)。

（二）指標(biāo)選擇與數(shù)據(jù)說(shuō)明

基于尹恒等（2015）關(guān)于企業(yè)全要素生產(chǎn)率估計(jì)方法比較的研究以及不同學(xué)者從不同產(chǎn)業(yè)測(cè)算結(jié)果，本文基于人工智能產(chǎn)業(yè)具有人力資本堆積性特征以及人工智能產(chǎn)業(yè)與戰(zhàn)略性新興產(chǎn)業(yè)、機(jī)器人產(chǎn)業(yè)的相關(guān)性，選擇固定資產(chǎn)和員工總數(shù)作為投入變量，分別反映人工智能產(chǎn)業(yè)的資本投入和勞動(dòng)投入；選擇營(yíng)業(yè)收入作為產(chǎn)出變量，反映產(chǎn)業(yè)的盈利能力和對(duì)可持續(xù)發(fā)展的支持能力。最終獲得85家AI上市公司2010—2019年的數(shù)據(jù)，各變量描述性統(tǒng)計(jì)如表1所示。由表中數(shù)據(jù)可知：作為資本投入要素，固定資產(chǎn)均值總體呈現(xiàn)出從2012年開(kāi)始持續(xù)上升的趨勢(shì)，2019年較2010年固定資產(chǎn)增加了1.88倍；員工總數(shù)均值呈現(xiàn)持續(xù)上升的趨勢(shì)，2019年較2010年員工總數(shù)增加了1.08倍；營(yíng)業(yè)收入均值同樣呈現(xiàn)持續(xù)上升的趨勢(shì)，2019年較2010年?duì)I業(yè)收入增加了2.24倍。由此可見(jiàn)，要素投入帶來(lái)了較為豐富的要素產(chǎn)出。2010年?duì)I業(yè)收入與固定資產(chǎn)比，即單位資本創(chuàng)造的收入為7.71，2019年達(dá)到8.19，比2010年提高了6.23%，說(shuō)明中國(guó)人工智能產(chǎn)業(yè)每單位資本投入創(chuàng)造的價(jià)值有所增加。

表1 投入和產(chǎn)出變量描述性統(tǒng)計(jì)

三、全要素生產(chǎn)率的測(cè)算結(jié)果與分析

本文從時(shí)序、人工智能產(chǎn)業(yè)生態(tài)和人工智能企業(yè)所在區(qū)域三個(gè)角度計(jì)算和分析CCR模型（固定規(guī)模報(bào)酬）下的技術(shù)效率、BCC模型（變動(dòng)規(guī)模報(bào)酬）下的純技術(shù)效率以及DEA-Malmquist指數(shù)法下的全要素生產(chǎn)率及其分解項(xiàng)，結(jié)果見(jiàn)表2。由表2可知：在DEA-Malmquist模型下，TFP平均值是1.4282，說(shuō)明生產(chǎn)率表現(xiàn)為提升；技術(shù)效率變動(dòng)、規(guī)模效率變動(dòng)、純技術(shù)效率變動(dòng)的平均值均大于1，表明要素配置效率等都在積極改善。此外，85家AI上市公司中，技術(shù)效率變動(dòng)大于1的企業(yè)有82家，說(shuō)明絕大多數(shù)企業(yè)都更接近生產(chǎn)前沿面；技術(shù)進(jìn)步變動(dòng)大于1的企業(yè)有41家，即占比43%的企業(yè)使生產(chǎn)前沿面向外推移，取得技術(shù)進(jìn)步正增長(zhǎng)率；TFP變動(dòng)大于1的企業(yè)有70家，即占比82%的企業(yè)TFP增長(zhǎng)為正，其中，廣電運(yùn)通、神州信息和紫光股份3家企業(yè)的TFP較小，這主要是由于技術(shù)效率較低。

表2 TFP測(cè)算結(jié)果的描述性統(tǒng)計(jì)

（一）按時(shí)序分析

表3列示了AI上市公司在三種模型下TFP變動(dòng)情況，由表中數(shù)據(jù)可知：TFP在2014—2019年逐年上升后開(kāi)始呈現(xiàn)波動(dòng)式下降的趨勢(shì)，2019年比2010年降低了3.6%；除2012年之外，TFP均值大于1，表明生產(chǎn)率在逐步提高，只是提升的空間在逐步縮小。

表3 三種模型下2010—2019年全要素生產(chǎn)率測(cè)算結(jié)果

表4揭示了TFP變動(dòng)的內(nèi)在原因：2019年TFP指數(shù)較2011年降低，主要是由技術(shù)效率變動(dòng)和技術(shù)進(jìn)步變動(dòng)同時(shí)降低所導(dǎo)致的，由2011年和2019年的規(guī)模效率數(shù)值相差小可知，技術(shù)效率的下降主要是由純技術(shù)效率變動(dòng)引起的。由此可以認(rèn)為：技術(shù)進(jìn)步變動(dòng)下降和純技術(shù)效率下降，即技術(shù)進(jìn)步的改進(jìn)程度和要素資源配置效率的改進(jìn)程度同時(shí)下降，導(dǎo)致了TFP上升速度變緩。總體上，中國(guó)AI上市公司正在接近生產(chǎn)前沿面，并在逐步調(diào)整到最適合經(jīng)營(yíng)規(guī)模，同時(shí)要素投入改善以及技術(shù)進(jìn)步改善等能力均在逐步提升。

表4 DEA-Malmquist動(dòng)態(tài)效率結(jié)果

（二）按公司所處產(chǎn)業(yè)生態(tài)分析

人工智能產(chǎn)業(yè)生態(tài)可以分為應(yīng)用層、技術(shù)層和基礎(chǔ)層，其中，基礎(chǔ)層包括芯片、計(jì)算能力和數(shù)據(jù)能力等，技術(shù)層包括軟件框架層、算法層與行業(yè)通用類(lèi)技術(shù)等，應(yīng)用層包括應(yīng)用軟件平臺(tái)、解決方案平臺(tái)等。本文按照證監(jiān)會(huì)行業(yè)分類(lèi)，參考東方財(cái)富網(wǎng)行業(yè)分類(lèi)，詳細(xì)研究了中國(guó)85家AI上市公司的經(jīng)營(yíng)業(yè)務(wù)和范圍后，將屬于制造類(lèi)的電子信息、電子元件等歸屬于芯片等硬件技術(shù)的基礎(chǔ)層生態(tài)，將屬于制造類(lèi)的設(shè)備、軟件、儀器、通信等企業(yè)歸屬于提供通用智能設(shè)備、軟件系統(tǒng)、云計(jì)算平臺(tái)以及通信技術(shù)服務(wù)的技術(shù)層生態(tài)，將屬于安防、傳媒、采礦、汽車(chē)、建筑、醫(yī)療以及其他信息技術(shù)服務(wù)等企業(yè)歸屬于專(zhuān)項(xiàng)智能應(yīng)用服務(wù)提供的應(yīng)用層生態(tài)。各產(chǎn)業(yè)生態(tài)企業(yè)數(shù)量分別是11家、14家和60家?？梢?jiàn)，中國(guó)AI上市公司絕大多數(shù)處于應(yīng)用層，掌握AI發(fā)展基礎(chǔ)技術(shù)和通用技術(shù)的企業(yè)較少，大多數(shù)企業(yè)缺乏核心關(guān)鍵技術(shù)，大多以提供“拿來(lái)主義”的AI產(chǎn)品或服務(wù)獲得經(jīng)營(yíng)收益。

表5為按企業(yè)所屬產(chǎn)業(yè)生態(tài)層測(cè)算的生產(chǎn)率，表中數(shù)據(jù)表明：在DEA-Malmquist模型下TFP均大于1，即所有AI企業(yè)經(jīng)營(yíng)效率均在改善，且改善程度表現(xiàn)出技術(shù)層企業(yè)＞應(yīng)用層企業(yè)＞基礎(chǔ)層企業(yè)的特點(diǎn)。從技術(shù)進(jìn)步變動(dòng)看，只有技術(shù)層企業(yè)具有技術(shù)進(jìn)步，基礎(chǔ)層和應(yīng)用層企業(yè)均沒(méi)有技術(shù)進(jìn)步；從技術(shù)效率變動(dòng)看，所有AI企業(yè)均存在技術(shù)效率改進(jìn)，且改進(jìn)程度為技術(shù)層企業(yè)＞應(yīng)用層企業(yè)＞基礎(chǔ)層企業(yè)，由此可知，在規(guī)模報(bào)酬不變條件下，基礎(chǔ)層和應(yīng)用層的AI企業(yè)TFP提升是由技術(shù)效率變動(dòng)引致的，技術(shù)層的AI企業(yè)TFP提升是由技術(shù)效率和技術(shù)進(jìn)步共同作用引致的，但是技術(shù)進(jìn)步的影響力極??；從純技術(shù)效率變動(dòng)看，所有AI企業(yè)均存在純技術(shù)效率改進(jìn)，改進(jìn)程度為應(yīng)用層企業(yè)＞基礎(chǔ)層企業(yè)＞技術(shù)層企業(yè)，且企業(yè)之間的改進(jìn)程度差別很??；從規(guī)模效率變動(dòng)看，所有AI企業(yè)均存在規(guī)模效率改進(jìn)，改進(jìn)程度為技術(shù)層企業(yè)＞基礎(chǔ)層企業(yè)＞應(yīng)用層企業(yè)，且基礎(chǔ)層企業(yè)與應(yīng)用層企業(yè)改進(jìn)效率差別不大，都在逐步調(diào)整到各自最合適的經(jīng)營(yíng)規(guī)模。由此可知，在規(guī)模報(bào)酬可變條件下，對(duì)基礎(chǔ)層企業(yè)的TFP提升作用中，規(guī)模效率大于純技術(shù)效率的力量，而在應(yīng)用層和技術(shù)層企業(yè)的TFP提升作用中，規(guī)模效率的作用占據(jù)主導(dǎo)，純技術(shù)效率的正向提升作用難以推動(dòng)TFP大幅提升。

表5 按AI上市公司所處產(chǎn)業(yè)生態(tài)測(cè)算結(jié)果

（三）按所在地區(qū)分析

如表6所示，從區(qū)域看，85家AI上市公司分布在全國(guó)18個(gè)省（區(qū)、市），其中新疆和重慶TFP指數(shù)小于1，其他各地區(qū)生產(chǎn)率均大于1；京津地區(qū)中，天津的TFP高于北京，長(zhǎng)三角區(qū)域（上海、浙江、江蘇、安徽）中，上海的TFP最高，中部地區(qū)（河南、湖北、湖南）中，湖北的TFP最高，西部地區(qū)（新疆、甘肅、四川、重慶、貴州）中，貴州的TFP最高，東北地區(qū)中，遼寧的TFP大于1；TFP指數(shù)按從高到低排序的前五位是上海、天津、湖北、貴州、山東。由此可見(jiàn)，人工智能產(chǎn)業(yè)經(jīng)營(yíng)發(fā)展效率具有一定的區(qū)域異質(zhì)性。

表6 按AI上市公司所在地區(qū)測(cè)算結(jié)果

從各地區(qū)包含企業(yè)數(shù)來(lái)看，廣東以23家公司位列第一位；北京和浙江分別擁有14家和11家AI企業(yè)，數(shù)量位列全國(guó)第二和第三；各地區(qū)擁有AI上市企業(yè)數(shù)量從高到低排序前四位的依次是廣東、北京、浙江、江蘇。由此可見(jiàn)，東部發(fā)達(dá)地區(qū)是人工智能產(chǎn)業(yè)發(fā)展集聚區(qū)。同時(shí)，這些人工智能產(chǎn)業(yè)發(fā)展聚集區(qū)不僅人工智能產(chǎn)業(yè)集聚度高，而且人工智能企業(yè)經(jīng)營(yíng)效率也相對(duì)較好，人工智能產(chǎn)業(yè)發(fā)展質(zhì)量?jī)?yōu)于其他地區(qū)。

四、全要素生產(chǎn)率影響因素分析

（一）模型構(gòu)建和選取

本文以AI上市公司全要素增長(zhǎng)率及其分解項(xiàng)作為被解釋變量，綜合考慮人工智能產(chǎn)業(yè)當(dāng)前發(fā)展階段、發(fā)展穩(wěn)定性、可持續(xù)性以及影響產(chǎn)業(yè)經(jīng)營(yíng)績(jī)效等實(shí)踐因素，選取影響人工智能產(chǎn)業(yè)TFP的各種因素作為解釋變量構(gòu)建模型，即分別建立以TFP（全要素生產(chǎn)率）、EFFCH（技術(shù)效率變動(dòng)）、TECHCH（技術(shù)進(jìn)步變動(dòng)）為被解釋變量的模型：

被解釋變量分別為全要素生產(chǎn)率、技術(shù)效率和技術(shù)進(jìn)步效率；解釋變量指標(biāo)、縮寫(xiě)、說(shuō)明與解釋詳見(jiàn)表7。以上模型中，n表示人工智能企業(yè)編號(hào)，t表示該企業(yè)的數(shù)據(jù)年份，即TFP表示第n家人工智能企業(yè)在第t年份的全要素生產(chǎn)率，其他變量解釋也如此，β是自變量對(duì)應(yīng)的回歸系數(shù)，ε為殘差項(xiàng)。

表7 變量說(shuō)明及解釋

本文以中國(guó)85家AI上市公司為研究對(duì)象，根據(jù)上市公司數(shù)據(jù)可獲取性，使用Wind軟件收集整理上市公司2010—2019年財(cái)務(wù)報(bào)表和年報(bào)數(shù)據(jù)，運(yùn)用Stata軟件對(duì)計(jì)量模型進(jìn)行估計(jì)。

（二）實(shí)證分析

單位根檢驗(yàn)結(jié)果顯示：計(jì)量模型中變量在5%的顯著性水平上全都顯著。因此，面板數(shù)據(jù)的回歸模型的估計(jì)結(jié)果是有效的，同時(shí)加入因變量滯后一期的回歸模型也是有效的。多重共線(xiàn)性檢驗(yàn)結(jié)果顯示：所有變量的方差膨脹因子（VIF）數(shù)值都小于10，表明變量之間不存在多重共線(xiàn)性，因此不會(huì)產(chǎn)生偽回歸而得到有偏誤的系數(shù)估計(jì)值。本文在BCC、CCR、DEA-Malmquist三種模型下，采取不同模型對(duì)TFP及分解項(xiàng)等被解釋變量與影響TFP的解釋變量進(jìn)行回歸分析（結(jié)果見(jiàn)表8至表10），并對(duì)不同模型方法下回歸結(jié)果進(jìn)行對(duì)比分析。

1.基于BCC模型下純技術(shù)效率的回歸分析

由表8數(shù)據(jù)可知，純技術(shù)效率與智力強(qiáng)度、企業(yè)規(guī)模和企業(yè)穩(wěn)定性均存在顯著負(fù)相關(guān)關(guān)系。一是智力強(qiáng)度與純技術(shù)效率存在顯著負(fù)相關(guān)關(guān)系，表明人工智能企業(yè)在尋求企業(yè)經(jīng)營(yíng)發(fā)展過(guò)程中，為智力資本付出了較高的成本，對(duì)企業(yè)經(jīng)營(yíng)效率提升產(chǎn)生了較弱的負(fù)向影響。二是企業(yè)規(guī)模與純技術(shù)效率均存在顯著負(fù)相關(guān)關(guān)系，表明人工智能企業(yè)規(guī)模越大，運(yùn)營(yíng)成本就越增加，從而對(duì)企業(yè)運(yùn)營(yíng)效率造成負(fù)面影響。三是企業(yè)穩(wěn)定性與純技術(shù)效率在1%水平下存在顯著負(fù)相關(guān)關(guān)系，表明資產(chǎn)運(yùn)營(yíng)效率和穩(wěn)定性對(duì)當(dāng)前處于起步發(fā)展階段的人工智能企業(yè)具有略微的負(fù)向作用。

表8 基于BCC模型下純技術(shù)效率的回歸結(jié)果

2.基于CCR模型下技術(shù)效率的回歸分析

表9數(shù)據(jù)顯示，技術(shù)效率與智力強(qiáng)度、盈利能力、資本投入、企業(yè)運(yùn)營(yíng)力、企業(yè)穩(wěn)定性存在正相關(guān)關(guān)系，與市場(chǎng)能力、企業(yè)規(guī)模存在負(fù)相關(guān)關(guān)系。首先，企業(yè)的盈利能力與技術(shù)效率顯著正相關(guān)，表明人工智能企業(yè)凈利潤(rùn)能夠?yàn)槠髽I(yè)發(fā)展帶來(lái)更大的效率優(yōu)勢(shì)，但是這種正向作用較??；其次，企業(yè)穩(wěn)定性與技術(shù)效率在1%水平下存在顯著正相關(guān)關(guān)系，表明資產(chǎn)運(yùn)營(yíng)效率和穩(wěn)定性對(duì)當(dāng)前處于起步發(fā)展階段的人工智能企業(yè)具有略微的正向作用。

表9 基于CCR模型下技術(shù)效率的回歸結(jié)果

3.基于DEA-Malmquist模型下的回歸分析

基于全要素生產(chǎn)率和技術(shù)進(jìn)步作為被解釋變量的模型選擇FE時(shí)通過(guò)了Hausman檢驗(yàn)，而技術(shù)效率未通過(guò)，模型回歸結(jié)果見(jiàn)表10。表10結(jié)果表明：智力強(qiáng)度與TFP、技術(shù)效率在1%水平下均存在顯著正相關(guān)，而與技術(shù)進(jìn)步存在不顯著正相關(guān)，表明智力投入對(duì)人工智能企業(yè)經(jīng)營(yíng)發(fā)展有積極的正向作用，不僅能促進(jìn)經(jīng)營(yíng)效率提升，還能推進(jìn)技術(shù)進(jìn)步，為技術(shù)創(chuàng)新、產(chǎn)品設(shè)計(jì)、服務(wù)供給等提供了有用價(jià)值，同時(shí)對(duì)企業(yè)經(jīng)營(yíng)效率提升也具有略微正向影響，即智力強(qiáng)度越高，經(jīng)營(yíng)效率和技術(shù)效率就越高，越有可能促進(jìn)技術(shù)進(jìn)步；盈利能力與TFP、技術(shù)效率、技術(shù)進(jìn)步分別在1%、5%、10%水平下存在顯著正相關(guān)，表明人工智能企業(yè)凈利潤(rùn)可以為企業(yè)發(fā)展帶來(lái)更大的效率優(yōu)勢(shì)，不僅能夠促進(jìn)企業(yè)技術(shù)進(jìn)步，還可以提高技術(shù)效率，即盈利能力越強(qiáng)，經(jīng)營(yíng)效率、技術(shù)效率和技術(shù)進(jìn)步程度越好；資本投入與TFP在5%水平下存在顯著正相關(guān)，表明人工智能企業(yè)投資或資本存量（固定資產(chǎn)）越大，則企業(yè)運(yùn)營(yíng)效率越高，但是對(duì)技術(shù)進(jìn)步可能會(huì)有負(fù)向作用；企業(yè)規(guī)模與TFP、技術(shù)效率在1%水平下均存在顯著負(fù)相關(guān)關(guān)系，表明人工智能企業(yè)規(guī)模越大，越可能對(duì)企業(yè)運(yùn)營(yíng)效率造成拖累，不利于促進(jìn)企業(yè)經(jīng)營(yíng)效率提升。

表10 全要素生產(chǎn)率及其分解項(xiàng)回歸結(jié)果

五、研究結(jié)論與對(duì)策建議

（一）研究結(jié)論

本文基于2011—2019年中國(guó)85家AI上市公司面板數(shù)據(jù)，通過(guò)測(cè)度AI企業(yè)TFP及其分解項(xiàng)分析了中國(guó)人工智能產(chǎn)業(yè)發(fā)展的影響因素，得到以下結(jié)論：第一，中國(guó)人工智能產(chǎn)業(yè)全要素生產(chǎn)率呈現(xiàn)上升趨勢(shì)，AI企業(yè)整體經(jīng)營(yíng)效率正在逐步改進(jìn)，但是依靠技術(shù)進(jìn)步驅(qū)動(dòng)AI企業(yè)發(fā)展質(zhì)量提升的能力尚有不足；第二，區(qū)域性良好人工智能產(chǎn)業(yè)生態(tài)已初步形成，但是全國(guó)人工智能產(chǎn)業(yè)發(fā)展水平存在異質(zhì)性；第三，中國(guó)人工智能產(chǎn)業(yè)全要素生產(chǎn)率及分解項(xiàng)對(duì)其影響因素的影響力度具有差異性，并且對(duì)處于不同人工智能產(chǎn)業(yè)生態(tài)企業(yè)的影響因素存在異質(zhì)性。這具體表現(xiàn)為：中國(guó)人工智能產(chǎn)業(yè)全要素生產(chǎn)率與智力強(qiáng)度、盈利能力、市場(chǎng)能力、資本投入存在正相關(guān)關(guān)系，與企業(yè)規(guī)模、企業(yè)運(yùn)營(yíng)力和企業(yè)穩(wěn)定性存在負(fù)相關(guān)關(guān)系；技術(shù)效率與智力強(qiáng)度、盈利能力、資本投入存在正相關(guān)關(guān)系，與市場(chǎng)能力、企業(yè)規(guī)模、企業(yè)運(yùn)營(yíng)力、企業(yè)穩(wěn)定性存在負(fù)相關(guān)關(guān)系；技術(shù)進(jìn)步與智力強(qiáng)度、盈利能力、市場(chǎng)能力、企業(yè)穩(wěn)定性存在正相關(guān)關(guān)系，與資本投入、企業(yè)規(guī)模、企業(yè)運(yùn)營(yíng)力等存在負(fù)相關(guān)關(guān)系。

（二）對(duì)策建議

1.加大對(duì)技術(shù)創(chuàng)新的支持力度，促進(jìn)人工智能產(chǎn)業(yè)發(fā)展質(zhì)量提升

技術(shù)進(jìn)步已經(jīng)成為影響中國(guó)人工智能產(chǎn)業(yè)全要素生產(chǎn)率進(jìn)一步提升的重要因素。因此，可以從頂層政策設(shè)計(jì)、財(cái)政資金和投融資等方面全方位支持人工智能企業(yè)提速發(fā)展，重點(diǎn)可加強(qiáng)企業(yè)產(chǎn)品所需的基礎(chǔ)層技術(shù)研究、技術(shù)創(chuàng)新及產(chǎn)品創(chuàng)新。政府應(yīng)制定激勵(lì)政策，引導(dǎo)企業(yè)在技術(shù)研發(fā)方面敢于投入與嘗試，如可以為開(kāi)展技術(shù)研發(fā)與創(chuàng)新的企業(yè)提供資金支持、稅費(fèi)補(bǔ)貼等，推動(dòng)企業(yè)主動(dòng)參與到技術(shù)進(jìn)步的之中。此外，政策與制度設(shè)計(jì)還應(yīng)在融資渠道、融資方式和重點(diǎn)領(lǐng)域上作出規(guī)定，鼓勵(lì)銀行、基金與多元化投資方為開(kāi)展技術(shù)創(chuàng)新的人工智能企業(yè)提供利率優(yōu)惠等多種金融服務(wù)，為企業(yè)技術(shù)研發(fā)與創(chuàng)新提供資金保障，以增強(qiáng)中國(guó)人工智能產(chǎn)業(yè)發(fā)展動(dòng)力。

2.強(qiáng)化專(zhuān)業(yè)人才培養(yǎng)力度，支撐人工智能產(chǎn)業(yè)發(fā)展質(zhì)量提升

研究表明，智力強(qiáng)度與全要素生產(chǎn)率、技術(shù)效率、技術(shù)進(jìn)步均有顯著正相關(guān)關(guān)系，說(shuō)明人力要素投入可以促進(jìn)人工智能企業(yè)經(jīng)營(yíng)效率提升。因此，政府層面：進(jìn)一步鼓勵(lì)和支持高校、科研院所招收和培養(yǎng)人工智能專(zhuān)業(yè)人才，重視理論研究型與技術(shù)研發(fā)型人工智能專(zhuān)業(yè)人才的培養(yǎng)；通過(guò)財(cái)政資金支持等形式鼓勵(lì)社會(huì)培訓(xùn)機(jī)構(gòu)提供人工智能專(zhuān)業(yè)技能型、操作實(shí)踐型方面的培訓(xùn)。企業(yè)層面：人工智能企業(yè)應(yīng)進(jìn)一步加大人力資本投入，為吸引高端可用的人工智能專(zhuān)業(yè)人才采取特殊舉措；加強(qiáng)對(duì)在崗員工的理論、專(zhuān)業(yè)與技能培訓(xùn)，持續(xù)提高企業(yè)人才核心競(jìng)爭(zhēng)力，為企業(yè)技術(shù)研發(fā)、創(chuàng)新與突破提供動(dòng)力。由此，逐步建立起由政府、社會(huì)資源與企業(yè)自身組成的人工智能人才培養(yǎng)體系，不斷為人工智能產(chǎn)業(yè)高質(zhì)量發(fā)展提供人才支撐。

3.平衡質(zhì)量與速度之間的關(guān)系，保障人工智能產(chǎn)業(yè)平穩(wěn)快速發(fā)展

在推進(jìn)中國(guó)人工智能產(chǎn)業(yè)發(fā)展過(guò)程中，只有同時(shí)了解和分析影響AI產(chǎn)業(yè)發(fā)展的有利因素和不利因素，才能更有效地保障AI產(chǎn)業(yè)發(fā)展質(zhì)量不斷提升。因此，建議人工智能企業(yè)在經(jīng)營(yíng)過(guò)程中要時(shí)刻保持清醒，持續(xù)強(qiáng)化成本意識(shí)、質(zhì)量意識(shí)和風(fēng)險(xiǎn)意識(shí)，動(dòng)態(tài)把握發(fā)展規(guī)模、發(fā)展速度與發(fā)展質(zhì)量之間的關(guān)系。企業(yè)應(yīng)主動(dòng)充分地了解競(jìng)爭(zhēng)對(duì)手與市場(chǎng)環(huán)境，制定戰(zhàn)略規(guī)劃與發(fā)展目標(biāo)，拒絕盲目投資擴(kuò)張，要時(shí)刻關(guān)注營(yíng)業(yè)收入與成本控制、投資項(xiàng)目的可行性研究、投資決策質(zhì)量的控制、技術(shù)創(chuàng)新與要素投入必要性、產(chǎn)品或服務(wù)收入與資金鏈等，更加合理地控制經(jīng)營(yíng)成本和管理費(fèi)用，通過(guò)降本增效、開(kāi)源節(jié)流、精準(zhǔn)投資等方式千方百計(jì)增加企業(yè)凈利潤(rùn)。這不僅有利于增強(qiáng)企業(yè)抗風(fēng)險(xiǎn)能力與市場(chǎng)競(jìng)爭(zhēng)力，還可以為企業(yè)人才投入、研發(fā)投入、資產(chǎn)投入和經(jīng)營(yíng)規(guī)模擴(kuò)張奠定更加堅(jiān)實(shí)的資金基礎(chǔ)。此外，企業(yè)要持續(xù)推動(dòng)研發(fā)創(chuàng)新，努力攻關(guān)核心技術(shù)，以市場(chǎng)應(yīng)用為出發(fā)點(diǎn)，不斷契合產(chǎn)業(yè)整體發(fā)展，促進(jìn)AI企業(yè)穩(wěn)定快速發(fā)展，逐步提高AI產(chǎn)業(yè)發(fā)展質(zhì)量。