企業價值鏈智能化對全要素生產率的影響

張龍鵬 張雙志 胡燕娟

一、引言

在資本、勞動力等生產要素的經濟增長貢獻率減弱的背景下（劉偉、陳彥斌，2020；陸旸，2021），黨的十九大報告首次在官方層面明確提出要“提高全要素生產率”①資料來源：習近平：決勝全面建成小康社會奪取新時代中國特色社會主義偉大勝利——在中國共產黨第十九次全國代表大會上的報告，https://www.gov.cn/zhuanti/2017-10/27/content_5234876.htm。，黨的二十大報告再次強調要“著力提高全要素生產率”②資料來源：習近平：高舉中國特色社會主義偉大旗幟為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告，https://www.gov.cn/xinwen/2022-10/25/content_5721685.htm。，突出了“著力”二字，更加表明中國對提高全要素生產率的重視程度。提高全要素生產率是轉變中國經濟增長動力、實現經濟高質量和可持續發展的變革重點。但研究顯示，相對于資本和市場潛能，全要素生產率的經濟增長貢獻率還比較低（程名望等，2019）。如何提高全要素生產率，增強其對經濟增長的貢獻率，便成為亟待解答的重大現實問題。在數字經濟時代，已有文獻研究了互聯網、大數據、數字化轉型等對全要素生產率的影響（郭家堂、駱品亮，2016；邱子迅、周亞虹，2021；趙宸宇等，2021；郭吉濤、梁爽，2021），為我們從技術進步和技術應用的角度探索提高中國全要素生產率的路徑提供了很好的啟示。本文也將繼續在數字經濟發展的背景下深入探討全要素生產率的影響因素。

隨著機器學習、深度學習等人工智能核心技術的突破與發展，人工智能產業呈現出了快速發展的趨勢。Cockburn et al.（2018）指出，作為通用技術，人工智能能夠滲透到其他產業發展的各個環節。無論是在傳統產業領域，還是在新興產業領域，人工智能均得到了不同程度的應用（郭凱明，2019；Cheng et al.，2019；張龍鵬、張雙志，2020），并對經濟社會發展產生了深刻的影響。黨的十九大報告明確提出“推動互聯網、大數據、人工智能和實體經濟深度融合”①資料來源：習近平：決勝全面建成小康社會奪取新時代中國特色社會主義偉大勝利——在中國共產黨第十九次全國代表大會上的報告，https://www.gov.cn/zhuanti/2017-10/27/content_5234876.htm。，2021年中共中央政治局就推動中國數字經濟健康發展進行第三十四次集體學習時再次強調要推動互聯網、大數據、人工智能同產業深度融合②資料來源：習近平主持中央政治局第三十四次集體學習：把握數字經濟發展趨勢和規律推動我國數字經濟健康發展，https://www.gov.cn/xinwen/2021-10/19/content_5643653.htm?jump=true。。可見，推動人工智能的廣泛和深入應用已成為國家戰略。人工智能技術是互聯網、大數據、云計算等新一代信息技術的集大成者（張龍鵬、張雙志，2020），其應用會產生更為重要和深遠的經濟社會影響。因此，本文致力于研究人工智能應用對全要素生產率的影響，討論人工智能應用如何更有效地推動中國全要素生產率的提高。

自信息技術誕生以來，關于是否存在信息技術生產率悖論的爭論一直持續不斷。人工智能作為新一代信息技術的典型代表，其對全要素生產率的影響也自然受到了學者們的關注和研究。得益于工業機器人數據的完善，已有文獻主要基于制造業樣本，從機器人角度研究了人工智能應用對全要素生產率的影響。Graetz and Michaels（2018）、Kromann et al.（2020）的跨國研究以及陳永偉、曾昭睿（2020）,Koch et al.（2021）基于中國、西班牙的研究均表明，機器人在制造業的應用顯著地推動了全要素生產率的提升。然而，也有學者指出，人工智能應用不是全要素生產率提升的核心動力（Cette et al.，2021；Park et al.，2021），甚至會對全要素生產率產生負向影響（郭敏、方夢然，2018）。事實上，由于應用程度、時滯效應等因素，人工智能應用對全要素生產率的影響效應不能從整體上一概而論。正如孫早、侯玉琳（2021）分別研究23 個行業所發現的，機器人應用對全要素生產率的影響在紡織服裝、通用設備等行業中顯著為正，在醫藥制造、計算機、儀器儀表制造等行業中不顯著，在煙草制造等行業中顯著為負。鄭瓊潔、王高鳳（2021）的研究也指出，人工智能應用對全要素生產率的影響存在顯著的地區異質性。總體而言，長期來看，人工智能作為一種技術進步，其應用最終會帶來全要素生產率的提升。在人工智能應用對全要素生產率影響的結論基本顯然的情況下，本文繼續實證研究人工智能應用對全要素生產率的影響的目的在于三個方面：

第一，當前的大多數研究主要是利用地區或行業層面數據來進行，利用企業層面數據進行實證分析的文獻相對較少，因此，本文希望利用中國上市公司數據對人工智能應用對全要素生產率的影響進行再分析，進一步豐富這方面研究的維度。第二，現有文獻基本認為，人工智能應用可以通過技術創新來促進全要素生產率提升，但沒有與企業價值鏈結合起來，然而不同企業價值鏈的人工智能應用可能對技術創新的影響效應不一致，從而對全要素生產率產生差異性的影響。基于此，本文在企業價值鏈視角下，分析了人工智能應用是如何通過技術創新來影響全要素生產率，同時構建了人工智能在研發、生產、銷售等環節應用的度量指標，實證檢驗了各個價值鏈環節的智能化發展對全要素生產率的影響。第三，不同行業企業價值鏈對人工智能應用的需求是存在差異性的，那么不同行業不同企業價值鏈的智能化發展對全要素生產率的影響是否存在異質性，是一個值得探討的話題。因此，本文根據價值鏈中主導環節的不同，將價值鏈區分為生產者驅動型價值鏈與購買者驅動型價值鏈，進而討論價值鏈為生產者驅動型的產業和購買者驅動型的產業在不同價值鏈環節應用人工智能對全要素生產率所產生的差異化影響。

基于上述實證原因，本文借助上市公司年報文本，通過提取與人工智能應用相關的關鍵詞，構造度量企業人工智能應用的指標，進而實證檢驗人工智能應用對全要素生產率的影響。本文首先在企業層面實證人工智能應用對全要素生產率的影響；其次借助技術創新視角分析人工智能應用影響全要素生產率的機制；最后在技術創新視角的基礎上，進一步結合企業價值鏈視角，實證分析人工智能應用對全要素生產率的影響。

二、研究假設提出

信息技術的發展促使企業在不同產業間實現了技術、產品、業務和市場等多個層次的交叉和融合，進而引發了產業融合理論的誕生（吳穎等，2004）。馬健（2002）將產業融合界定為，由于技術進步和放松管制，發生在產業邊界和交叉處的技術融合，改變了原有產業產品的特征和市場需求，導致產業的企業之間競爭合作關系發生改變，從而導致產業界限的模糊化甚至重劃產業界限。Cockburn et al.（2018）在理論上說明了由于機器學習、深度學習等關鍵技術的發展，人工智能技術具備了通用技術的特征。根據產業融合理論，作為通用技術的人工智能技術必然會滲透到其他產業中，從而引發產業滲透、產業交叉和產業重組（胡漢輝、邢華，2003）。產業融合理論認為，通用技術在產業中的應用是一個熊彼特式的創造性破壞，進而帶來新產品和新服務的出現（聶子龍、李浩，2003；吳穎等，2004）。馬健（2002）也認為，高技術融入到其他產業中，是一個價值創造的過程，產業融合是推動傳統產業創新的重要方式和手段。將產業融合理論的理論推斷延伸到人工智能應用領域，我們可以認為，人工智能技術在其他產業中的應用也必然會推動這些產業的技術創新。張龍鵬、張雙志（2020）的經驗研究也證實了人工智能與產業的融合發展具有顯著的技術創新效應。人工智能應用所產生的技術創新效應會成為推動全要素生產率增長的重要源泉。全要素生產率是指資本、勞動力等要素投入之外的技術進步、效率改善和非恒定規模報酬所導致的產出增加（郭慶旺、賈俊雪，2005；左暉、艾丹祥，2022）。一系列的實證研究表明了技術創新顯著地提升了全要素生產率（Griliches，1986；Tientao et al.，2016；程惠芳、陸嘉俊，2014）。涂正革、肖耿（2005）的研究更是指出，前沿技術進步已經成為全要素生產率增長的最重要動力。基于上述分析，提出研究假設1：

H1：人工智能應用能夠帶來顯著的技術創新效應，進而推動全要素生產率增長。

Milgrom and Roberts（1990）的企業信息化互補機制強調，企業的信息化、人力資本、互補型組織變革只有相互補充，才能取得預期的良好企業績效。何小鋼等（2019）的研究指出，大企業的信息技術應用對企業生產率的促進效應強于中小企業，這得益于大企業具有雄厚的資金和技術優勢來打造與信息技術應用相匹配的企業環境。因此，我們認為，規模較大的企業擁有更多的互補性資源與人工智能應用形成協同效應，對企業技術創新產生更強的促進效應，從而有助于全要素生產率實現更大幅度的提升。技術密集度高的企業聚集了一批高技能的勞動者。人工智能應用可以幫助這些高技能勞動者從程序化的任務中釋放出來（何小鋼等，2019），使得高技能勞動者能夠有更多精力投入創新性活動。同時，高技能勞動者可以更好地利用人工智能技術從事技術創新活動。由此可以推斷，對于技術密集度高的企業而言，人工智能應用的全要素生產率提升效應更為顯著。基于企業的異質性分析，可以得到研究假設2：

H2：隨著企業規模的擴大和技術密集度的上升，人工智能應用將會帶來更為顯著的技術創新效應，從而實現全要素生產率更大幅度的提升。

企業的主要價值鏈活動包括產品研發設計、生產制造、市場營銷等環節（張龍鵬、周立群，2016）。根據前文的分析，人工智能技術也會應用到這些企業價值鏈環節，推動企業的技術創新，從而促進全要素生產率的提升。人工智能在研發設計和市場營銷環節的應用可以推動企業的產品創新來提升全要素生產率。大多數研發設計活動本質上是智力勞動密集型活動，需要靠研發人員不斷地搜索和試驗，并且搜索和試驗的邊際成本不斷上升（Cockburn et al.，2018）。應用人工智能可以實現搜索和試驗的快速化、海量化，并能得到更佳的產品設計方案（Paul et al.，2021），這加快了企業的產品創新進程。通過深度學習、圖計算、知識圖譜等人工智能技術，企業可以基于客戶大數據信息更加精準地展開客戶畫像。與基于一般信息技術的客戶畫像不同，人工智能技術下的客戶畫像不僅能呈現客戶認知方面的信息，更能挖掘深層次的感知信息（王烽權等，2020）。基于大數據、人工智能的用戶數據和需求分析，為持續改進產品質量和實施產品創新提供了條件，有助于形成數據驅動的企業與用戶產品互動創新（Ghasemaghaei et al.，2017；肖靜華等，2020）。劉啟仁、黃建忠（2016），韓孟孟等（2020）的研究也進一步證實了企業的產品創新對生產率提升具有顯著的推動作用。人工智能在生產制造中的應用有助于加速智慧工廠、數字孿生工廠等新型加工制造組織的發展，也是一個資本、技術替代勞動力的過程，這會對生產制造流程帶來根本性創新和變革（Szalavetz，2019；陽鎮等，2022；程虹、袁璐雯，2020）。Graetz and Michaels（2018）的研究表明，機器人在制造領域的應用帶來了企業生產效率的提升。劉丹鷺、魏守華（2013）的研究也揭示了，企業的流程創新對生產率提升有顯著的推動作用。綜上所述，本文的研究假設3為：

H3：人工智能在研發設計、生產制造、市場營銷等企業價值鏈中的應用能夠促進全要素生產率的提升，并且技術創新依然是一個重要的正向影響機制。

進一步，根據價值鏈中主導環節的不同，Gereffi（1999）等人將價值鏈劃分為了生產者驅動型價值鏈與購買者驅動型價值鏈。生產者驅動型價值鏈是由生產者投資推動市場需求，形成生產供應鏈的垂直分工體系（尚濤，2015）。對于這類價值鏈，最核心的環節在于產品設計、關鍵核心零部件的研發與生產，研發設計、生產制造環節的人工智能應用更能促進全要素生產率的提升。在購買者驅動型價值鏈中，以國際大型品牌商、零售商等為代表的購買者通過全球外包體系，建立國際品牌流通網絡，其戰略性環節在設計、市場銷售。價值鏈為購買者驅動型的產業更依賴于商業資本、品牌與市場能力提升對價值鏈的控制能力（尚濤，2015），人工智能在市場營銷環節的應用有助于增強產業的該種控制能力，因此市場營銷環節的人工智能應用更能提升企業全要素生產率。可見，對于不同價值鏈類型的產業，人工智能在各價值鏈環節的應用對全要素生產率的影響效應存在差異性，由此得到研究假設4：

H4：對于價值鏈為生產者驅動型的產業，研發設計、生產制造環節的人工智能應用更能促進企業全要素生產率的提升；對于價值鏈為購買者驅動型的產業，市場營銷環節的人工智能應用的全要素生產率提升效應更大。

三、數據、變量與模型

（一）數據來源

研究樣本為2007年到2019年中國A 股所有上市公司。隨著2006年深度學習神經網絡的提出，人工智能進入了感知和認知智能的新階段（張龍鵬、張雙志，2020），這使得人工智能與經濟社會的融合逐漸普遍，因此，將深度學習神經網絡提出后的2007年作為研究的起始年份。初始樣本中，剔除了以下樣本：金融保險類公司，ST、*ST、PT公司，主要變量缺失的公司。度量上市公司人工智能應用的數據來源于上市公司年報，其他變量度量需要的數據來自國泰安（CSMAR）數據庫。

（二）變量說明

1.全要素生產率

Olley and Pakes（1996）發展的OP 方法和Levinsohn and Petrin（2003）發展的LP 方法是估計企業全要素生產率常用的方法。OP方法和LP方法都可在一定程度上解決同時性偏差和樣本選擇偏差問題，并有效緩解內生性問題。本文利用OP方法估計的上市公司全要素生產率展開實證研究，同時使用LP方法估計的全要素生產率進行穩健性檢驗。按照Olley and Pakes（1996）的基本思路，同時參考魯曉東、連玉君（2012），張沁琳、沈洪濤（2020）的估計模型，本文基于OP方法的全要素生產率測算模型如式（1）所示。

式（1）中，i、t 分別表示上市公司、年份；Y 表示企業的增加值，用上市公司主營業務收入表示；K 表示資本存量，用固定資產原值、工程物資與在建工程之和表示；L 為企業的員工人數；Age 表示企業年齡，用當年年份減去上市公司注冊時間得到；SOE 為產權性質虛擬變量，國有企業賦值為1，否則為0；Export表示上市公司是否有海外收入，如果有賦值為1，否則為0；Year、Ind、Pro分別表示時間、行業、省份虛擬變量。在利用OP方法估計中，狀態變量為ln K、Age；代理變量為企業投資，用購建固定資產、無形資產等支付的現金表示；自由變量有ln L、Year、Ind、Pro；控制變量為SOE、Export。另外，如果上市公司簡稱和所處行業同時發生變化，則退出變量設為1，否則為0。

2.人工智能應用

本文使用兩個指標衡量企業的人工智能應用水平。首先，參考張葉青等（2021）、趙宸宇等（2021）的研究，通過統計上市公司年報文本中出現的與人工智能相關的關鍵詞的次數作為上市公司人工智能整體應用程度的代理變量。當年企業年報中出現的與人工智能相關的關鍵詞越多，表明該年人工智能在企業中的應用傾向和程度也就越高。在統計與人工智能相關的關鍵詞時，本文關注的是人工智能、智能、AI、Artificial Intelligence 等關鍵詞。根據對企業年報文本的分析，我們發現統計這些關鍵詞已經能夠在很大程度上反映了企業的人工智能應用情況。例如，“智能”關鍵詞后面通常會緊跟“制造”“生產”“倉儲”“物流”“管理”“終端”等關鍵詞，進而表明人工智能在這些企業活動領域的應用。其次，根據孫文遠、劉于山（2023）的研究，采用企業機器設備的人均價值作為人工智能應用的另一個度量指標，該指標具體為企業固定資產報表中公布的機器賬面價值除以員工總數的值。為了綜合衡量企業人工智能應用水平，本文將上述兩個指標進行標準化，然后視為同等重要的指標，進而求和得到一個綜合度量指標。

由于本文還將從企業價值鏈的角度實證分析人工智能應用對全要素生產率的影響，因此我們借助上市公司年報中人工智能詞頻數據的統計，構造人工智能在研發設計、生產制造、市場營銷三個環節應用的度量指標。在價值鏈視角下構造人工智能應用指標不能僅是簡單直接識別相關的關鍵詞，例如，如果企業推動人工智能在研發設計中的應用，不一定直接使用“智能研發”“智能設計”等這樣的關鍵詞，因此，我們需要新的思路構造人工智能在企業價值鏈中應用的度量指標。通常而言，企業會在一句話中描述其推動人工智能在價值鏈中應用的情況，因此，我們將上市公司的年報文本按每句話進行分割，如果一句話中同時出現了與人工智能、企業價值鏈相關的關鍵詞，就認為企業推動了人工智能在價值鏈中的應用，相應的度量指標就加1。基于這樣的思路，本文構建了研發設計智能化、生產制造智能化、市場營銷智能化三個指標，用以分別衡量人工智能在研發設計、生產制造、市場營銷三個環節的應用程度。由于詞頻數據離散程度較大且存在為零的情況，因此實證研究中我們將變量加1后取自然對數。

3.技術創新

關于技術創新的度量，一般我們會使用研發投入、專利等數據。考慮到研發投入與人工智能應用之間存在較為明顯的內生性問題，因為有些企業的研發投入會用于人工智能技術創新，從而推動企業的人工智能應用，本文利用企業獨立申請發明專利的數量來衡量企業的技術創新水平。為了進一步緩解人工智能應用與技術創新之間的內生性問題，本文在統計企業獨立申請發明專利的數量時，先剔除掉了與人工智能相關的發明專利。另外，本文沒有使用所有類型專利獨立申請數量來測度技術創新水平的原因在于，相比實用新型專利和外觀設計專利，發明專利的創新質量更高，更能代表企業的技術創新能力。

4.控制變量

為了緩解遺漏重要解釋變量所帶來的內生性問題，參考張沁琳、沈洪濤（2020），鄭寶紅、張兆國（2018）關于上市公司全要素生產率影響因素的研究，控制了以下研究變量。①企業年齡（Age）。年齡用當年年份減去企業注冊時間得到，由于有些企業年齡為0，因此研究將數值加1后取自然對數。②企業規模（Size）。企業規模為平均每個員工擁有的資產額，實證中取自然對數。③產權性質（SOE）。如果上市公司的最終控制人是國有單位，則產權性質賦值為1，否則為0。④財務杠桿（Lev）。財務杠桿利用總負債占總資產的比重衡量。⑤大股東持股比率（Top1）。大股東持股比率為上市公司第一大股東持股比率。

基于上述研究變量的度量說明，表1匯報了變量的描述性統計特征。

表1 變量的描述性統計

（三）實證模型設定

采用如式（2）所示的基準模型檢驗人工智能在上市公司中的應用對全要素生產率的影響。

式（2）中，i、t 分別代表上市公司、年份。TFP 表示上市公司的全要素生產率。AI 表示人工智能在上市公司的整體應用程度以及在研發設計、生產制造、市場營銷等價值鏈環節的應用程度。Ctr為企業層面的控制變量。η、θ分別代表企業固定效應和年份固定效應。?為隨機誤差項。α1是本文關注的估計系數，如果其顯著為正，則說明人工智能應用能夠促進企業全要素生產率的提升。

進一步，為了檢驗人工智能整體應用及其在企業價值鏈中的應用是否通過技術創新來影響全要素生產率，本文根據MacKinnon et al.（1995）、Selig and Preacher（2009）的研究，構建了如式（3）和式（4）所示的中介效應模型。

式（3）和式（4）中，Innovation 表示上市公司的技術創新水平。如果β1、γ2均顯著，說明人工智能整體應用及其在價值鏈中的應用對全要素生產率的影響至少有一部分是通過技術創新來實現的。當然，β1、γ2中至少有一個不顯著時，根據MacKinnon et al.（1995）的研究，我們需要進行Sobel檢驗（Sobel，1982，1986），以明確是否存在中介效應。

四、基本回歸與穩健性檢驗

（一）基本回歸

基于式（2）所示的實證模型，利用普通最小二乘法（OLS）估計了人工智能應用對全要素生產率的影響，回歸結果如表2所示。如第（1）列所示，在未加入控制變量、企業和年份固定效應的情況下，人工智能應用的估計系數在1%的顯著性水平上為正，表明人工智能應用與全要素生產率之間存在顯著的正相關關系。由于遺漏重要解釋變量會引發內生性問題，使得我們難以得到確切的因果關系，因此第（2）列和第（3）列依次加入了企業和年份固定效應、控制變量。由第（3）列的估計結果可知，在加入控制變量和控制企業、年份固定效應的情況下，人工智能應用的估計系數在1%的顯著性水平上為正，這表明人工智能應用顯著提高了企業的全要素生產率，推動人工智能與實體經濟深度融合是實現經濟高質量發展的重要路徑。

表2 基本回歸結果

（二）穩健性檢驗

1.更換關鍵變量度量

首先，更換全要素生產率的度量。由于并非每家企業每年都有正的投資，使用OP方法估計會導致投資額為零的企業不能被估計，帶來研究樣本的丟失，LP方法使用中間投入代替投資作為不可觀測的生產率沖擊的代理變量使用（魯曉東、連玉君，2012），可有效解決OP 方法的這一問題。雖然上市公司基本每年都會有正的投資，基于OP方法的全要素生產率的估計不會存在上述問題，但為了說明基本回歸研究結論的穩健性，我們基于魯曉東、連玉君（2012）的研究，使用LP 方法重新估計上市公司的全要素生產率，表3 第（1）列匯報了更換全要素生產率度量方式的回歸結果。由表可知，重新使用LP 方法估計全要素生產率后，上市公司人工智能應用依然促進了全要素生產率的提升。

表3 更換關鍵變量度量

其次，更換人工智能應用的度量。基本回歸中人工智能應用詞頻提取根據的是較窄范圍的人工智能關鍵詞，這就會遺漏其他與人工智能應用相關的關鍵詞，從而產生變量測度的偏差。為了說明人工智能關鍵詞的提取不會造成研究結論的改變，本文參考張龍鵬、張雙志（2020）關于人工智能關鍵詞的提取思路，從智能、云、數據、物聯、機器學習五個維度，從更加廣泛的角度，在上市公司年報文本中重新提取了與人工智能相關的關鍵詞，進而參照變量定義部分的思路，構造新的人工智能應用度量指標。表3 第（2）列報告了更換人工智能應用度量方式的回歸結果。估計結果顯示，人工智能應用的估計系數在1%的顯著性水平上為正，這表明人工智能關鍵詞的提取范圍不會影響基本回歸所呈現的研究結論。

最后，同時更換全要素生產率和人工智能應用的度量。表3 第（3）列匯報了同時更換被解釋變量和核心解釋變量的估計結果。結果顯示，人工智能應用的估計系數為正，且通過了1%的顯著性檢驗，進一步表明關鍵變量的度量方式沒有對研究結論產生影響。

2.內生性處理

首先，處理遺漏重要解釋變量。基本回歸雖然加入了企業層面的控制變量以及控制了企業、年份固定效應，但上市公司的人工智能應用和全要素生產率還會受到其他共同因素的影響，如一些不同地區隨時間變化的因素以及不同行業隨時間變化的因素。如果遺漏這些重要解釋變量，可能會帶來內生性問題。為處理該問題，表4第（1）列在控制企業固定效應和年份固定效應的基礎上，進一步控制了“城市—年份固定效應”和“行業—年份固定效應”。這里的城市為地級行政區、行業為2012年版上市公司行業分類指引中的二位碼行業。第（1）列的估計結果顯示，控制了“城市—年份固定效應”和“行業—年份固定效應”后，人工智能應用的估計系數依然顯著為正，表明基本回歸所顯示的研究結論沒有受到遺漏共同影響因素的影響。

表4 內生性處理

其次，利用人工智能應用滯后一期變量再回歸。基本回歸結果還會受到雙向因果關系所帶來的內生性問題的影響，全要素生產率高的企業可能更傾向于推動人工智能的應用。為消除該類內生性問題，本文利用人工智能應用的滯后一期再次檢驗人工智能應用對全要素生產率的影響，回歸結果如表4 第（2）列所示。估計結果顯示，人工智能應用滯后一期的估計系數為正，并且通過了1%的顯著性檢驗，由此表明企業的人工智能應用后續會對全要素生產率產生顯著的提升效應。

最后，進行工具變量回歸。工具變量回歸是解決內生性問題的有效方式，本文也將尋找合適的工具變量，再次檢驗人工智能應用對全要素生產率的影響。Kolko（2012），秦芳等（2022），劉傳明、馬青山（2020）等學者在研究信息基礎設施、數字經濟的經濟績效時，選擇了一個區域的平均海拔高度、地形起伏度（海拔的標準差）等地理變量作為信息基礎設施、數字經濟的工具變量。借鑒已有研究的思路，本文利用地級行政區的平均高程構造企業人工智能應用的工具變量。高程指的是某點沿鉛垂線方向到絕對基面的距離，其與企業人工智能應用具有相關性。在高程越高的地區，信息基礎設施的建設和維護成本越高，這會制約信息技術的普及和應用，也進而會制約企業的人工智能應用程度。另外，高程是長期歷史所形成的天然地理條件，與其他時變經濟指標并不直接相關，滿足工具變量的外生性要求。企業人工智能應用是一個時變變量，而區域平均高程不隨時間變化，因此，參考Duflo and Pande（2007），王群勇、陸鳳芝（2021）的研究，采用地級行政區的平均高程與時間交叉項作為企業人工智能應用的工具變量。在確定工具變量的基礎上，表4 第（3）列利用兩階段最小二乘法（2SLS）重新估計了人工智能應用對全要素生產率的影響。估計結果顯示，人工智能應用的估計系數顯著為正。此外，未識別檢驗和弱識別檢驗均通過了顯著性檢驗，說明工具變量不存在未識別問題和弱識別問題，選擇的工具變量是有效的。基于工具變量的估計結果表明，基本回歸結果未受到內生性問題的影響，依舊能夠認為人工智能應用能夠顯著提升企業的全要素生產率。

五、技術創新視角下的實證分析

（一）技術創新機制分析

在基本回歸和穩健性檢驗的基礎上，本文從技術創新的角度研究人工智能應用對全要素生產率的影響機制。基于式（3）和式（4）所顯示的實證思路，技術創新機制的實證結果如表5 所示。第（1）列到第（3）列討論的是人工智能應用對技術創新的影響。從第（1）列來看，人工智能應用的估計系數在1%的顯著性水平上為正，說明人工智能應用能夠推動企業的技術創新，主要表現為發明專利申請數量的上升，這與張龍鵬、張雙志（2020）的研究結論是一致的。對于技術創新能力強的企業而言，有可能會傾向于人工智能應用，這種反向因果關系會影響第（1）列所示的實證結果。為處理這一內生性問題，第（2）列重新檢驗了人工智能應用滯后一期對技術創新的影響，第（3）列也利用地級行政區平均高程作為工具變量進行了再檢驗，這兩列的回歸結果顯示人工智能應用的估計系數依然顯著為正，從而表明內生性問題沒有影響人工智能應用促進企業技術創新這一結論。在明確人工智能應用對技術創新有正向影響的基礎上，第（4）列同時檢驗了人工智能應用與技術創新對企業全要素生產率的影響，人工智能應用與技術創新的估計系數均顯著為正，這說明技術創新是人工智能應用影響全要素生產率的一個渠道。由于人工智能應用與技術創新的度量單位不一致，因此第（5）列將兩個變量標準化后重新檢驗，從而明確人工智能應用與技術創新對全要素生產率的影響孰大孰小。由估計結果可知，人工智能應用的影響效應要大于技術創新，說明人工智能應用是促進全要素生產率提升更為重要的因素。結合表2 到表5 的實證結果，我們認為人工智能應用可以通過促進企業技術創新來提升全要素生產率，研究假設1得以驗證。

（二）技術創新視角下的異質性分析

表6 的第（1）列和第（2）列討論了不同規模企業人工智能應用影響全要素生產率的異質性。研究根據2019年上市公司的員工人數，將員工人數大于均值的上市公司歸為大企業組，企業規模變量賦值為1，員工人數小于或等于均值的上市公司則歸為中小企業組，企業規模變量賦值為0。第（1）列中，人工智能應用與企業規模的交乘項顯著為正，這說明人工智能應用的全要素生產率提升效應在大企業中更大。前文的理論分析指出，規模較大的企業擁有更多的互補性資源與人工智能應用形成協同效應，對企業技術創新產生更強的促進效應，從而有助于全要素生產率實現更大幅度的提升，第（2）列的回歸結果也證實了這一觀點。人工智能應用與企業規模交乘項的估計系數均顯著為正，說明人工智能應用更為顯著地推動了大企業的技術創新。

表6 技術創新視角下的異質性分析

表6的第（3）列和第（4）列研究了不同技術密集度企業人工智能應用影響全要素生產率的異質性。本文根據2019年上市公司的研發投入強度①研發投入強度為研發經費支出占總資產規模的比重。，將研發投入強度大于均值的企業視為高技術密集度企業，技術密集度變量賦值為1，研發投入強度小于或等于均值的企業視為低技術密集度企業，技術密集度變量賦值為0。從第（3）列的估計結果看，人工智能應用與技術密集度的交乘項顯著為正，說明企業技術密集度越高，人工智能應用對全要素生產率的提升效應越大。第（4）列的估計結果進一步地說明，人工智能應用更能推動高技術密集度企業的技術創新，從而實現企業全要素生產率更大幅度的提升。

表6 的估計結果表明，規模較大的企業、技術密集度較高的企業應用人工智能可以帶來更為顯著的技術創新效應，實現全要素生產率的提升，通過異質性分析進一步論證了人工智能應用與全要素生產率之間的因果關系，也驗證了本文的研究假設2。

六、技術創新與企業價值鏈視角下的實證分析

（一）企業價值鏈智能化對全要素生產率影響

表7 考察了人工智能在具體價值鏈中的應用對全要素生產率的影響。從第（1）列到第（3）列的估計結果來看，研發設計智能化、生產制造智能化、市場營銷智能化的估計系數均在1%的顯著性水平上為正，說明從企業價值鏈的角度來看，人工智能應用對全要素生產率的促進作用依然顯著存在，我們要深入推進人工智能技術在企業的研發、生產、營銷等所有價值鏈環節的深度一體化應用。從估計系數大小來看，市場營銷智能化估計系數要較大一些，分別比研發設計智能化、生產制造智能化的估計系數高30.3%、32.9%，這表明市場營銷的智能化發展更能促進企業全要素生產率的提升，這主要是因為市場營銷環節會產生大規模的客戶數據，人工智能在市場營銷環節的應用有助于企業能夠更加充分地挖掘客戶數據，形成數據驅動的技術創新，帶來更加顯著的全要素生產率提升效應，這一觀點也將在接下來的實證研究中得以驗證。

表7 企業價值鏈智能化影響全要素生產率的回歸結果

（二）企業價值鏈智能化與技術創新對全要素生產率的影響

表8第（1）列到第（3）列研究了企業價值鏈智能化對技術創新的影響。由表可知，人工智能在研發設計、生產制造、市場營銷等企業價值鏈環節中的應用均能顯著地推動企業的技術創新。同時，我們也發現，市場營銷智能化的估計系數比研發設計智能化、生產制造智能化的估計系數分別高13.2%、13.4%，說明與研發設計智能化、生產制造智能化相比，市場營銷智能化的技術創新效應要更為明顯，這從技術創新的角度說明了市場營銷智能化更能促進全要素生產率提升的原因。表8 第（4）列到第（6）列同時討論了企業價值鏈智能化發展和技術創新對全要素生產率的影響。由表可知，企業價值鏈智能化和技術創新的估計系數均顯著為正。表7 和表8 的估計結果聯合說明，在企業價值鏈視角下，人工智能在具體價值鏈中的應用能夠通過技術創新實現企業全要素生產率的顯著提升，并且市場營銷環節的人工智能應用對全要素生產率的提升更為明顯，從而驗證了研究假設3。

表8 企業價值鏈智能化與技術創新影響全要素生產率的回歸結果

（三）技術創新與企業價值鏈視角下的異質性分析

本文認為，對于價值鏈為生產者驅動型的產業和價值鏈為購買者驅動型的產業而言，人工智能在不同企業價值鏈環節的應用對企業全要素生產率的影響是有差異的。準確界定哪些產業價值鏈是生產者驅動型，哪些是購買者驅動型，這是本節實證研究的關鍵。由于有些產業既有生產者驅動型特征，也有購買者驅動型特征，我們較難將所有產業都區分為生產者驅動型或購買者驅動型，因此本節選擇具有典型特征的產業展開實證分析。電子信息產業的價值鏈大體分為研發設計、關鍵核心零部件生產、加工組裝、銷售等環節，是典型的生產者驅動型價值鏈（Gereffi，1999），高附加值環節在上游環節的研發設計、關鍵核心零部件生產等。紡織服裝產業的價值鏈包括棉花、紡布、紡紗等原材料的生產和供應，打樣、裁剪、鎖鈕等服裝生產環節，款式和概念設計、面料開發、大規模生產及試驗等服裝設計研發以及品牌銷售，是典型的購買者驅動型價值鏈（Gereffi，1999），高附加值環節在下游環節的設計研發、品牌銷售等。基于電子信息產業與紡織服裝產業價值鏈類型的典型性，本文接下來利用電子信息產業與紡織服裝產業的上市公司數據，分析對于不同價值鏈類型的產業，各價值鏈環節的智能化對企業全要素生產率所產生的差異化影響，表9匯報了相應的估計結果。

表9 企業價值鏈智能化影響全要素生產率的異質性回歸結果

從電子信息產業樣本的估計結果看，研發設計智能化、生產制造智能化、市場營銷智能化的估計系數均顯著為正，這表明推動電子信息企業全價值鏈的智能化發展對全要素生產率提升具有顯著的正向作用。從具體的影響效應大小來看，研發設計智能化、生產制造智能化的估計系數明顯大于市場營銷智能化的估計系數，說明推動電子信息企業研發設計、生產制造環節的智能化發展更能促進企業全要素生產率的上升。在紡織服裝產業的上市公司樣本中，紡織服裝企業研發設計與生產制造智能化的估計系數沒有通過顯著性檢驗；市場營銷智能化的估計系數顯著為正，且大于研發設計智能化、生產制造智能化的估計系數。回歸結果表明，對于紡織服裝企業而言，市場營銷環節的智能化發展對全要素生產率具有更為顯著的促進作用。如表10 所示，造成上述異質性的原因在于，研發設計、生產制造智能化更能促進電子信息企業的技術創新，市場營銷智能化更能促進紡織服裝企業的技術創新。

表10 企業價值鏈智能化影響技術創新的異質性回歸結果

表9和表10的回歸結果表明，從提升企業全要素生產率的角度來看，對于電子信息產業這類生產者驅動型價值鏈的產業，需要推進企業全價值鏈的智能化發展，尤其是研發設計、生產制造智能化；對于紡織服裝這類購買者驅動型價值鏈的產業，重點在于促進市場營銷環節的智能化發展。表9和表10的估計結果也說明了研究假設4的成立。

七、研究結論與政策啟示

鑒于當前文獻主要探討的是人工智能在產業或企業中的整體應用對全要素生產率的影響，忽視了人工智能在具體價值鏈中的應用對全要素生產率所產生的影響，因此本文借助上市公司年報文本，創新性地構造了人工智能在價值鏈中應用的度量指標，從而在企業價值鏈和技術創新的雙重視角下，基于2007年到2019年中國上市公司微觀數據研究了人工智能應用對全要素生產率的影響效應與機制。從技術創新的視角看，人工智能應用能夠通過促進技術創新實現全要素生產率的提升；人工智能應用對大企業、高技術企業全要素生產率的提升效應更大，這主要是因為人工智能應用在這些企業樣本中表現出更為顯著的技術創新效應。在技術創新視角的基礎上融合企業價值鏈視角后，我們發現，人工智能在研發設計、生產制造、市場營銷等環節的應用也均能通過技術創新顯著地促進企業全要素生產率的提升，并且市場營銷智能化的技術創新效應更為明顯一些，從而更能促進全要素生產率的提升；對于價值鏈為生產者驅動型的產業，研發設計、生產制造環節的人工智能應用更能促進企業全要素生產率的提升；對于價值鏈為購買者驅動型的產業，市場營銷環節的人工智能應用的全要素生產率提升效應更大。

誠然，本文的研究也存在一定的局限性，主要體現在人工智能應用的度量上。雖然本文已經參考現有文獻的做法，使用上市公司年報中的人工智能詞頻數據和企業機器設備的人均價值，構造了衡量人工智能應用的綜合指標，但企業人工智能應用涉及到的維度比較多，因此后續我們還需要不斷地完善指標度量，從而更加準確地考察企業的人工智能應用。此外，本文也只用人工智能文本詞頻數據考察了企業價值鏈的智能化發展，下一步我們也將收集上市公司的專利文本數據，結合專利文本綜合衡量人工智能在企業價值鏈的應用水平。

基于本文的研究結論，我們可以得到如下的政策啟示。第一，推進企業的全價值鏈智能化發展，從創新、資金、人才、治理等方面形成支持企業應用人工智能提升研發、生產和服務的智能化水平的政策體系，特別地，探索建立與人工智能產業發展相適應的產品準入制度，從而推進人工智能產品在企業價值鏈中的應用。第二，不同產業智能化發展的需求和重點是存在異質性的，因此，政府部門需要針對不同產業領域企業智能化轉型需求的重點，分行業出臺企業智能化轉型指導方案，形成重點行業企業全價值鏈智能化轉型路線圖，統籌推進各項工作開展。第三，政府部門一方面可以政府購買服務或補貼等形式，推動數字化服務商為中小企業智能化轉型提供診斷評估、規劃設計、解決方案、培訓指導等一體化服務，降低數字化服務商的服務成本和企業智能化轉型成本；另一方面可通過設立數字經濟發展專項資金、制定數字人才專項發展規劃等方式，強化資金和人才的要素保障，解決中小企業智能轉型過程中面臨的資金和人才短缺等問題。