人工智能、勞動生產率與制造業轉型升級

摘"要：基于中國2007—2022年A股制造業上市公司的微觀數據，在新古典經濟增長理論框架下，構建固定效應模型評估人工智能應用對制造業勞動生產率及轉型升級的影響，并運用雙重差分傾向得分匹配法（PSM-DID）進一步進行了驗證。研究發現，人工智能的滲透顯著正向促進了制造業的轉型升級。進一步分析揭示，人工智能主要通過提升勞動生產率來促進制造業的轉型升級，其中，勞動生產率在人工智能與制造業轉型升級之間起到中介作用。異質性分析發現，不同行業、企業規模和區域位置等因素對人工智能的影響效應有顯著差異。

關鍵詞：人工智能；制造業轉型升級；勞動生產率；PSM-DID；行業異質性

中圖分類號：F424；F27"""文獻標識碼：A""文章編號：1001-148X（2024）06-0040-13

收稿日期：2024-05-12

作者簡介：賀剛（1971—），男，四川資陽人，副教授，博士，研究方向：產業經濟、宏觀經濟分析；唐李翊茉（1999—），女，陜西漢中人，碩士研究生，研究方向：產業經濟學。

基金項目：國家社會科學基金西部項目“數字經濟賦能農業生態產品價值實現機制研究”，項目編號：23XJL004；四川省科技廳軟科學項目“四川省數字經濟發展中科技與金融相結合的機制與模式研究”，項目編號：2019JDR0072；四川、成都雙循環新發展格局研究中心項目“人工智能驅動下的四川制造業轉型升級與創新研究”，項目編號：SXH202402；西華大學研究生教育教學改革與實踐項目“人工智能時代產業經濟學課程優化與教材體系改革實踐”，項目編號：YJG202316。

一、引"言

科技的迅猛發展已經將人工智能（AI）推至制造業轉型升級的核心舞臺。在信息化時代的背景下，人工智能不僅為制造業帶來了深刻的變革，也為經濟和社會開辟了新的發展路徑。制造業，作為全球經濟的重要支柱，涵蓋了產品設計、生產、銷售等多個環節。據苗宇（2023）［1］在《財經》雜志的報道，我國制造業增加值從2012年的1698萬億元增長至2022年的335萬億元，占全球制造業比重從225%上升至近30%。然而，面對技術進步和市場競爭的加劇，傳統制造業遭遇了成本上升、效率低下、創新不足等挑戰，這些問題制約了制造業乃至全球經濟的增長。人工智能技術的引入，為制造業的發展帶來了新的機遇和挑戰。

現有文獻對人工智能與制造業轉型升級的關系進行了廣泛研究，運用多種經濟理論、研究方法和案例分析，探討了人工智能對制造業發展、勞動生產率、智能化升級、就業影響及行業異質性的影響，為后續研究奠定了基礎。既有研究普遍認為，人工智能作為一項通用技術，通過提升生產流程的自動化水平，顯著提高了制造業的生產效率。McAfee等（2012）［2］和Graetz等（2018）［3］的研究均強調了人工智能在提升經濟增長同時可能對勞動力市場產生的結構性影響。國內學者張紅等人（2016）［4］和李明等人（2018）［5］的研究則從供應鏈優化和產品設計自動化的角度，展示了人工智能技術的應用效果。此外，鄭瓊潔和王高鳳（2021）［6］以及劉鑫鑫和韓先鋒（2023）［7］的研究表明，人工智能技術對中國制造業企業生產率具有正向促進作用，尤其在全要素生產率方面，以及在提升制造業韌性方面的顯著影響。

本文探討人工智能應用對制造業勞動生產率及轉型升級的影響，提供了一個綜合的研究視角，不僅關注人工智能技術本身，還探討其與制造業的融合與變革。邊際貢獻如下：（1）構建“人工智能-勞動生產率-制造業轉型升級”的理論分析框架，較好地闡述人工智能如何通過提高勞動生產率來促進制造業轉型升級的內在邏輯；（2）在研究方法上，采用了平衡面板數據與非平衡面板數據相結合的實證分析方法，并運用PSM-DID模型進行內生性問題的處理，增強了分析結論的可靠性。本文不僅為理論和實踐界提供了關于人工智能與制造業轉型的新理論觀點，還為企業提供了操作指南和戰略建議，幫助優化生產流程、提高生產效率和品質，增強競爭力。同時，研究結果也有助于政策制定者更好地了解技術發展趨勢，制定相應的支持政策和規范措施，促進制造業的轉型升級。

二、理論分析與研究假設

（一）人工智能與制造業全要素生產率

在新古典經濟增長理論的框架下，技術革新被廣泛認為是推動全要素生產率（TFP）增長的關鍵動力。自動化和機器人技術作為技術進步的具體表現，已在制造業中展現出其提升TFP的巨大潛力。黃曉鳳等（2023）［8］的研究進一步證實了這一觀點，指出人工智能與制造業的深度融合能夠激發大量互補性技術創新，從而增強專業化分工并提升TFP。然而，孫早和侯玉琳（2021）［9］的研究發現人工智能對傳統制造業的TFP提升效果顯著，而對高端制造業如醫藥制造和計算機儀器儀表制造的影響則相對有限。這一現象可能源于高端制造業所涉及的復雜和非常規性任務對人工智能技術提出了更高的挑戰。此外，楊光和侯鈺（2020）［10］的研究揭示了工業機器人通過提升TFP間接促進經濟增長的機制，突出了機器人規模效應和定價行為的重要性。李廉水等（2020）［11］的研究也強調了人工智能在促進技術進步、改善勞動力結構和增加物質資本使用效率等方面對提升TFP的積極作用。

從信息經濟學的角度來看，人工智能技術通過數據分析和預測模型為制造企業提供了更為豐富和精確的信息，這對于企業制定更優的生產經營決策至關重要。及時準確的信息是制造企業把握市場需求、優化生產工藝和提升產品質量的關鍵。經驗研究也表明，將數據分析與預測方法應用于制造業可顯著提升生產效率和TFP。Nordhaus"William（2015）［12］強調了人工智能技術高滲透率的潛力，認為其能夠徹底改變經濟運作模式，并推動創新發展。李丫丫和潘安（2017）［13］的研究也表明，人工智能技術能夠精確控制生產過程，增加產品的附加價值，從而提高TFP。

服務經濟學理論認為，服務業的發展對提升整體經濟的生產率具有顯著影響。人工智能技術的智能化服務和設備維修提高了裝備的可靠性和運行效率，減少了停機時間，這在謝雁翔等（2023）［14］的研究中得到了體現。人工智能技術的智能化服務與維修標志著從制造到服務經濟的轉變，通過遠程監控、預測性維護和故障診斷等智能化服務，制造企業能夠更有效地滿足客戶需求，提高客戶滿意度，增強市場競爭力和長期利潤。劉婷婷等（2020）［15］的研究和溫湖煒和鐘啟明（2021）［16］的研究均指出，智能化發展水平與服務創新之間存在顯著的正向交互效應，智能制造與服務創新的深度融合促進了企業向價值鏈下游的升級，進一步提升了TFP?；谏鲜龇治?，本文提出以下研究假設：

H1：人工智能通過自動化與機器人技術、數據分析和預測模型的應用以及智能化服務和維護等路徑，顯著提升了制造業的TFP。這種提升對制造業的效率、質量和競爭力產生了積極影響，并推動了制造業的轉型升級。

（二）人工智能與制造業勞動生產率

從自動化到智能化，人工智能在制造業轉型升級中的關鍵作用。人工智能的核心能力，包括機器學習、自動控制和機器人技術，正在替代部分人力工作，這不僅降低了企業成本，還提高了生產效率和產品質量。基于新古典增長理論，科技進步是經濟發展的主要驅動力，人工智能作為當代技術進步的典范，正促使制造業從勞動密集型向科技密集型轉變，進而優化產業結構。實證研究也支持這一觀點，謝偉麗等（2023）［17］的研究發現，人力資本的提升在人工智能驅動的制造業發展中起到了中介作用。韓永輝等（2023）［18］的研究通過工業機器人數據分析，證實了人工智能通過提高勞動力生產率促進了區域經濟的轉型。這些研究為理解人工智能與制造業升級之間的關系提供了堅實的理論和實證基礎。

跨越生產率邊界，人工智能在制造業中具有創新溢出效應，提升整個行業的生產率。在簡化的生產函數資本與勞動稟賦不變的情況下，人工智能技術發展會導致生產可能性邊界曲線向右移動，從而提供更多的產品和服務。進一步地，人工智能技術的應用還促進了制造業知識和技能的升級，這對于制造業的轉型升級至關重要。人力資本理論強調，勞動力的知識與技能水平是勞動生產率的關鍵決定因素。人工智能技術通過承擔程序化工作，不僅提升了工作效率，還替代了部分體力及腦力勞動，進而促進了全要素生產率的提升。學者們分析指出，隨著工業機器人的廣泛應用，工作性質正在經歷變革，崗位功能正加速調整，這導致了高技能勞動力就業規模的上升（“補償效應”）和低技能勞動力就業規模的下降（“替代效應”）。為適應這一變化，必須加強對勞動力的培訓，特別是在數據解析、算法運用和機器學習等方面。這種技能的升級不僅促進了制造業的創新，也推動了產業的轉型和升級。余玲錚等（2021）［19］的研究進一步提出，人工智能對不同任務的勞動力具有差異性影響，這強調了勞動力需要通過知識和技能的升級來適應人工智能技術的應用。

此外，人工智能技術還通過優化資源配置來提高勞動生產率。通過數據分析和預測模型，人工智能技術能夠提供更為準確的市場需求預測，優化生產計劃和庫存管理，從而減少資源浪費。實證研究表明，人工智能技術的應用有效地節約了勞動力成本并提升了勞動生產率。王兵和王啟超（2019）［20］認為，實施工業智能化戰略可以有效改進行業內的資源錯配問題，進而帶動全要素生產率的增長。實務個案也證實了人工智能在資源優化中的作用，例如汽車制造企業通過應用人工智能技術進行市場需求預測，優化生產計劃，顯著提高了生產效率和勞動生產率。在綜合考慮上述路徑與機理后，本文提出以下研究假設：

H2：人工智能通過技術改進、知識技能升級和資源優化等路徑提高勞動生產率，并在此過程中促進制造業的轉型升級，其中勞動生產率充當中介變量的角色。

（三）人工智能對制造業轉型升級影響的異質性分析

在探討人工智能對制造業轉型升級的影響時，行業特征的作用不容忽視。產業組織理論強調，不同行業的市場結構和生產特點對人工智能技術應用的效果產生顯著影響。實證研究揭示了規模化程度較高的行業，例如汽車制造業，在人工智能技術應用上具有優勢，而創新型行業如軟件開發則側重于人工智能的數據分析和算法應用。Brynjolfsson等（2019）［21］提出，人工智能對就業的影響會隨著其發展階段的不同而變化。孫文遠和劉于山（2023）［22］指出，在中國制造業中，人工智能技術的應用主要集中在一線生產崗位，并通過替代效應減少勞動力投入。王磊等（2023）［23］的研究進一步證實，工業機器人的應用顯著促進了中國制造業的創新，特別是在資本和技術密集型行業。

企業規模也是影響人工智能技術應用的一個關鍵因素。根據資源基礎理論，企業規模與資源的獲取和使用密切相關。大型企業由于規模優勢，更有能力投資于人工智能技術的研發和基礎設施建設，而中小企業可能受限于資本和技術的限制。在生產效率方面，大型企業能夠通過人工智能技術提高生產自動化和智能化水平，從而降低成本；而小企業則可能面臨較高的轉換成本和技術難度。趙濱元（2023）［24］的研究顯示，數字技術的應用顯著提升了制造業企業的生產效率。

區域位置對人工智能技術的應用及制造業的轉型升級同樣至關重要。不同國家和地區的制度環境、政策支持、文化和教育水平等因素，對人工智能技術的采納和應用產生了異質性影響。開放和彈性的制度環境有助于企業獲取技術和市場資源，而封閉或復雜的制度環境可能限制企業的發展。政策支持，如財政補貼和稅收優惠，對企業人工智能投資和創新具有積極作用。此外，文化和教育的成熟度也對企業人工智能技術的轉型和應用起到了推動作用。李新娥等（2020）［25］的研究強調了區域人工智能政策對制造業就業的顯著影響。基于上述分析，本文提出以下研究假設：

H3：人工智能對制造業轉型升級的影響具有異質性，這一影響受行業特征因素的影響。具備特定行業特征更可能廣泛且深入地應用人工智能技術。

H4：在制度環境穩定、政策扶持明確的地區，企業更可能采納人工智能技術，進而促進制造業的轉型升級。

三、研究設計

（一）模型構建

由于不同公司存在上市時間差異，為確保研究的全面性與真實性，本文將企業數據分為非平衡面板與平衡面板兩類，非平衡面板數據用于研究縱向層面各企業上市年限不同的問題，平衡面板數據用于研究橫向層面企業異質問題。

1非平衡面板模型

為檢驗人工智能的直接影響，構建式（1）所示的基準模型，同時為檢驗中介效應，借鑒溫忠麟等建立的中介效應檢驗方法，設定模型（2）和模型（3），固定企業個體與行業檢驗人工智能在A股上市制造業企業轉型升級效率上的影響。由于人工智能滲透率在時間趨勢上的變化并不明顯，因此暫不固定模型的時間效應。

tfp_lpit=α+βaiit+γxit+θt+δt+εit（1）

lnldsit=α+βaiit+γxit+θt+δt+εit（2）

tfp_lpit=α+α1lnldsit+βaiit+γxit+θt+δt+εit（3）

其中，下標i和t分別表示企業和年份，tfp_lpit為被解釋變量，表示第i個企業t年的全要素生產率，α為截距項，aiit為核心解釋變量，表示第i個企業t年的人工智能水平，lnldsit為中介變量，表示第i個企業t年的勞動生產率，模型（1）—模型（3）共同構成中介效應模型；xit為控制變量，分別表示第i個企業t年的人力資本、企業資產、研發投入強度、營業收入、資產報酬率，θt為個體固定效應，δt為行業固定效應，用以控制行業異質性，εit為隨機擾動項。

2.平衡面板模型

平衡面板數據在一定程度上簡化了數據的統計分析和解釋過程，更好地控制時間和群體的影響；減少由于數據缺失導致的偏誤，得出更具可信度和有效性的結論。因此，設立固定效應模型檢驗人工智能的直接影響，構建如式（4）所示的基準模型，同時設定中介效應檢驗模型（5）和模型（6）如下：

tfp_lpit=β0+β1aiit+β2Controlsit+τt+ωt+μit（4）

ldsit=β0+β1aiit+β2Controlsit+τt+ωt+μit（5）

tfp_lpit=β0+β1aiit+ρ1ldsit+β2Controlsit+τt+ωt+μit（6）

其中，除控制變量與模型（1）—模型（3）有差異外，模型中的下標和變量與模型（1）—模型（3）一致；Controlsit為控制變量，分別表示第i個企業t年的企業資產、營業收入、資產報酬率、供應鏈集中度以及專利質量，τt為企業個體固定效應，ωt為行業固定效應，μit為隨機擾動項。

3.PSM-DID模型

為克服人工智能的變動趨勢上存在的系統性差異，本文利用PSM-DID的方法進行穩健性檢驗。PSM方法可被看作是模擬隨機分組方法之一，DID是在不可觀測變量選擇或不可見偏差假設下估計因果效應的方法，理論上PSM-DID"可以消除可見偏差與不可見偏差，某種程度上結合了PSM和DID的優點［26］。本文進一步采用人工智能的環境特征構想，中國于2009年正式提出建設人工智能環境的智慧城市試點，自2012年起，已陸續啟動三批試點。人工智能環境的建設融合了多種先進技術，包括大數據、云計算、物聯網等，這些技術不僅優化了城市資源的配置和利用，也為制造業企業提供了更智能、更高效的運營環境。在這樣的背景下，人工智能的發展對制造業的轉型和升級起到了關鍵作用。人工智能技術的應用使得制造業企業能夠提升生產效率、降低成本，并推動產品創新。由此，本文參考石大千等（2018）［27］、王鋒和葛星（2022）［28］將試點政策視為準自然實驗，使用多期雙重差分法（DID）評估人工智能環境建設對制造業轉型升級的影響。首先，設立DID模型的兩個虛擬變量：（1）實驗組和控制組虛擬變量。實驗組為試點城市，定義為Treat=1；控制組為非試點城市，定義為Treat=0。（2）政策時間虛擬變量。試點建設政策實施后為Post=1，實施前為Post=0。運用PSM-DID相結合的方法同時解決樣本選擇偏差和因變量遺漏產生的內生性問題。同時控制企業固定效應和行業固定效應，用以控制企業個體和行業的異質性，由于模型中控制了企業固定效應和行業固定效應，因此不再控制Treat和Post虛擬變量。根據上述分析，本文基于DID方法構建的回歸模型如下：

tfp_lpit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（7）

進一步地，本文基于PSM-DID的方法，構建具體PSM-DID模型，同時設定中介效應檢驗模型如下：

tfp_lppsmit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（8）

ldspsmit=α0+βTreati×Postt+γControlsit+τt+ωt+μit（9）

tfp_lppsmit=α0+βTreati×Postt+ρ2ldsit+γControlsit+τt+ωt+μit（10）

模型（3）為試點建設對制造業企業轉型升級的影響效應模型，模型（4）主要用于PSM-DID的穩健估計，其中的控制變量包括人工智能滲透率、企業資產、營業收入、資產報酬率、供應鏈集中度、專利質量。

（二）指標測度

1被解釋變量：全要素生產率（tfp_lp）

本文參考鄭瓊潔和王高鳳（2021）［6］提出的制造業轉型升級的測算方法，采用全要素生產率表征制造業轉型升級水平?，F有關于全要素生產率的測算方法有OP、LP、FE、ACF、DEA五種方法，眾多學者選用OLLEY和PAKES、PETRIN等提出的半參數法，即OP和LP。相較之下，一是LP可以減少測算TFP時存在的偏誤，LP方法在選取代理變量作為中間投入，最大程度地減少樣本的損失。二是LP方法中使用的中間投入更能完全地響應生產率變化。基于以上考慮，借鑒趙海峰等（2022）［29］的思路，采用以LP方法測算的TFP作為實證檢驗的主要被解釋變量。此外，采用FE（固定效應）方法測算的全要素生產率作為穩健性檢驗的替換變量，FE方法測算全要素生產率在現有研究中應用頻率比較高，在所測得的數值上具有準確性、合理性。

2核心解釋變量：人工智能滲透率（ai）

在平衡面板和非平衡面板中，本文參考Acemoglu等（2018，2020）［30-31］、李懷政等（2023）［32］、王磊等（2023）［23］的測量方法，以工業機器人密度即每千名就業人員操作的工業機器人數量表征人工智能滲透率。換句話說，每千名就業人員操作的工業機器人越多，工業機器人密度越大，人工智能滲透率水平越高。

3中介變量：勞動生產率（lds）

勞動生產率是影響企業經營活動的重要經濟指標，它不僅反映企業的經濟實力和發展水平，而且能夠反映出整個制造業經濟發展水平，考慮到人工智能會在一定程度上通過勞動力的替代效應對企業的生產效率產生影響，即由于人工智能滲透使勞動生產率發生不同變化，進而對制造業轉型升級產生不同的影響機制。因此，本文將勞動生產率作為中介變量，以單位人員創造的收入表示。

4控制變量：為解決遺漏重要解釋變量所帶來的內生性問題，綜合現有文獻研究，人力資本［33］、企業資產和研發投入強度［6］、營業收入［34］、資產報酬率［29］等因素對制造業轉型升級會產生重要影響。借鑒已有研究，考慮到變量之間的多重共線性問題，在非平衡面板中，本文選取企業規模（size）、研發投入強度（rd）、職工薪酬（pm）以及資產報酬率（roa）作為控制變量。在平衡面板中，選取企業資產（qi）、營業收入（yi）、資產報酬率（roa）、供應鏈集中度（scc）、專利質量（zq）作為控制變量，其中供應鏈集中度參考趙宸宇等（2021）［35］、吳非等（2021）［36］的測算方法，采用前五大供應商、客戶采購銷售比例之和的均值測算。專利質量采用李宏等（2021）［37］的測算方法，用企業專利知識寬度衡量專利質量，即企業專利的知識寬度越大，專利質量越高。具體測算方法見表1。

（三）數據說明

首先，關于微觀數據的選擇。中國A股上市制造業企業涵蓋了制造業中的各個行業，這些現代化企業的技術創新、市場規模、經營管理等具有典型行業特征，基本上能夠代表中國制造業轉型升級的趨勢變化；故以中國滬深A股上市公司為研究對象，選取企業、行業和城市層面的多維度數據進行實證分析。其次，關于時間窗口的選擇。根據《2019年中國人工智能行業市場前景研究報告》，2007年以后，人工智能在制造業中大量應用，并且該領域的專利發明開始步入發展階段。同時，根據《2017年中國人工智能產業專題研究報告》，人工智能發展浪潮于2006年掀起，實現了技術上的重大突破。此外，2007年黨的十七大報告提出“中國特色新型工業化道路”的命題，強調信息化與工業化的深度融合，通過信息技術提升工業生產效率，促進工業結構優化升級。因此，本文選取樣本時期起點為2007年，時間跨度為2007—2022年的A股制造業上市公司。第三，關于平衡面板與非平衡面數據的選擇。如果采用平衡面板數據，2007年后上市的企業不能納入樣本觀測，樣本規模較小，可能存在選擇性偏誤，以偏概全；如果采用非平衡面板數據，解決了樣本量較小問題，但對于企業的追蹤效應研究不足，不同企業的時間周期不一樣。例如，根據國民經濟行業分類（GB/T"4754-2017）的分類標準，在非平衡面板中，計算機、通信和其他電子設備制造業的企業樣本數量最多，而金屬制品、機械和設備修理業只有一家，但在平衡面板中，醫藥制造業最多，而金屬制品、機械和設備修理業所包含的企業樣本為0。為了發揮兩類數據各自的比較優勢，所以采取兩種數據策略方式解決存在的問題。第四，數據來源于WIND、IFIND等數據庫。第五，關于數據的清洗問題。按照如下程序對樣本數據作出篩選：（1）剔除股票代碼前有ST、*ST樣本（財務狀況異?；蛎媾R退市風險的企業樣本），部分缺失值采用線性插值法完成；（2）剔除樣本數據缺失嚴重的企業樣本；（3）最后確定制造業上市公司企業樣本數量，平衡面板為8400個，非平衡面板為17261個，這為研究的準確性和可靠性提供了堅實的基礎。

四、實證結果分析

（一）數據描述性統計

在開展基準回歸分析之前，對所有變量進行描述性統計是必要的步驟。為了消除數值單位差異對回歸系數解釋的潛在影響，本研究對所有變量進行了標準化處理。在數據處理過程中，我們剔除了一些異常值，以確保分析的準確性。最終，用于基準回歸的樣本總數為17112個觀測值。表2展示了本研究的主要描述性統計結果。從表2中數據可以看出，在2007—2022年間，使用LP方法估算的制造業企業全要素生產率（TFP）的平均值為82092，而人工智能滲透率的平均值為67879。值得注意的是，不同制造業企業在這兩個指標上存在較大差異，其中TFP的最小值為00028，最大值為16，而人工智能滲透率的變化范圍也顯示出不同企業間在經營能力、技術水平和盈利能力上的顯著差異。

進一步地，表2提供了平衡面板數據的主要描述性統計信息。在相同的時間段內，平衡面板數據顯示，制造業企業全要素生產率的平均值為85378，人工智能滲透率的平均值為615。與非平衡面板數據相比，平衡面板中企業TFP的最小值與非平衡面板數據存在較大差異。具體而言，非平衡面板數據中TFP的最小值為62757，而平衡面板中為35672，兩者之間的差距約為兩倍。這一差異可能反映了兩種面板數據在樣本構成和數據完整性上的不同。

（二）非平衡面板模型基準回歸結果分析

在本研究中，我們采用普通最小二乘法（OLS）對A股上市公司數據進行估計，以探討人工智能對制造業轉型升級的影響。表3展示了人工智能對制造業轉型升級影響的線性估計結果。我們選擇個體固定效應模型來控制個體間差異，這有助于我們更準確地評估個體內部變化，并克服異方差和個體差異等問題。該模型為個體內部效應提供了有力解釋，避免了遺漏變量問題，減少了估計結果的偏誤，增強了實證結果的可靠性。

從模型（2）—模型（5），我們依次引入了企業規模（size）、研發投入強度（rd）、資產報酬率（roa）以及職工薪酬（lnpm）等控制變量。實證結果表明，人工智能的系數在1%的統計水平上顯著為正，且在加入控制變量后保持穩定，這表明模型具有較好的穩健性。對于A股上市制造業公司而言，人工智能顯著提升了企業的全要素生產率（TFP），對制造業轉型升級起到了顯著的正向促進作用。具體而言，人工智能每增加1%，制造業轉型升級水平平均提升03%，從而驗證了假設H1關于人工智能推動制造業轉型升級的預期。

在控制變量方面，企業資產規模與制造業轉型升級水平呈現正相關，且始終通過了1%水平的顯著性檢驗。這表明，資產規模較大的企業在制造業轉型升級方面也表現得更為積極，反映了企業實力與轉型動力之間的正向關聯。資產報酬率（roa）的正向系數同樣表明，資產報酬率越高，制造業轉型升級的效率越高。此外，應付職工薪酬在1%的水平上顯著正相關，表明其對企業TFP的提升提供了重要支撐。

然而，企業研發投入強度的系數為負，表明其對制造業轉型升級存在負向影響，并在5%的水平上顯著。這一發現與傳統觀念，即研發投入和專利數量是企業創新和生產力提升的關鍵因素相悖?？赡艿慕忉尠ǎ憾唐趦龋髽I可能通過增加投資和創新活動來應對生產率下降的趨勢，但這些努力需要時間才能轉化為生產率的正向影響。此外，企業管理能力、市場結構、勞動力素質等其他因素可能對生產率有更大的影響。還有可能是研發投入過多導致知識碎片化、專利競爭加劇，從而對生產率產生不利影響［38］。另一種可能性是，企業未能有效地將研發投入轉化為實際成果，導致資源浪費或配置不當，進而對企業經營績效產生負向影響。

（三）平衡面板模型基準回歸結果

在平衡面板數據的分析中，我們采用固定效應模型，控制了行業和企業層面的不變特征，以估計A股上市制造企業中人工智能應用對制造業轉型升級的影響。表4展示了人工智能滲透率對企業全要素生產率（TFP）的影響。模型（1）至模型（6）均采用了個體和行業的固定效應，而從模型（2）開始，逐步引入了企業資產、營業收入、資產報酬率、供應鏈集中度和專利質量等控制變量。實證結果表明，即使在控制了其他因素后，人工智能在1%的水平上對制造業轉型升級效率仍有顯著的正向影響。具體而言，人工智能滲透率的系數為00163，這一數值較非平衡面板數據的系數更大，表明隨著制造企業人工智能應用水平的提升，制造業轉型升級效率也隨之增加。具體來說，人工智能水平每增加1%，制造業企業轉型升級效率平均提升16%。這一發現與非平衡面板數據的結果一致，均支持了假設H1，即人工智能的應用可以促進制造企業生產率的提高和制造業的轉型升級。

在控制變量方面，企業資產、營業收入、供應鏈集中度和專利質量均與制造業轉型升級水平呈正相關，且這些變量在1%和5%的水平上均通過了顯著性檢驗。企業資產的增加能夠顯著提升企業轉型成果的概率，形成資產積累與制造業轉型升級之間的良性循環。營業收入作為衡量企業經營狀況和盈利能力的重要指標，有助于提升技術創新能力，增強企業的核心競爭力。供應鏈集中度反映了企業在經營過程中的合作策略和資源配置方式，集中度的提高有利于企業實現資源的集中管理和優化，提高供應鏈的可靠性和響應速度，從而支持制造業的轉型升級。專利質量則體現了企業的創新能力和技術實力，推動產業結構的升級，引領制造業企業轉型升級的方向，即供應鏈集中度和專利質量能夠顯著促進制造企業TFP的提升，進而正向推動制造業的轉型升級。

（四）基于PSM-DID模型的檢驗

1PSM傾向得分匹配的穩健性分析

為確保匹配方法的穩健性，本研究采用了多種傾向得分匹配（PSM）技術，包括一對一近鄰匹配、一對四近鄰匹配、卡尺001和002的一對四近鄰匹配、半徑卡尺匹配、核匹配以及局部線性回歸匹配。這些方法均以控制變量作為協變量，并通過比較不同匹配方式的計算結果來驗證基本回歸結果的穩健性。七種匹配方法得到的ATT（平均處理效應）值并無顯著差異，且所有方法的平均處理效應（ATT），均處于1%的顯著性水平。這表明，人工智能促進制造業轉型升級的基本回歸結論對于PSM匹配方法具有不變性。

2平行趨勢檢驗

平行趨勢檢驗是構建差異中的差異（DID）模型的關鍵步驟，也是DID模型有效性的前提條件?？紤]到政策實施7年和后3年的數據情況，本文將政策實施前7年的數據匯總到-7期，將政策實施后3年的數據匯總到第3期。圖1所示的平行趨勢檢驗結果顯示，試點與非試點城市企業在政策實施前并無顯著差異，在試點政策實施后，政策效應顯著提升，即研究樣本通過了平行趨勢檢驗。

3匹配平衡性檢驗

為了確保傾向得分匹配結果的準確性和可靠性，在PSM-DID模型中，本研究將人工智能和控制變量同時作為協變量進行平衡性檢驗。檢驗顯示，匹配前處理組和控制組之間存在顯著差異，但匹配后所有變量的標準化偏差均小于10%，不拒絕處理組與控制組無系統差異的原假設。與匹配前相比，大多數變量的標準化偏差顯著縮小。這表明，經過PSM處理后，處理組和控制組在關鍵協變量上已達到平衡，滿足了平衡性假設。

圖1"平行趨勢檢驗

圖2"匹配前后傾向得分核密度圖

通過傾向得分核密度圖可以直觀地檢查共同支撐情況，如圖2所示。結果顯示，處理組與控制組匹配前（見圖2（a））和匹配后（見圖2（b））的傾向得分核密度圖預測得分差異較小，匹配結果有效，匹配后，處理組與控制組的傾向得分共同支撐區域明顯擴大，且匹配后，對照組與控制組的傾向得分核密度幾乎重合，說明通過共同支撐假設檢驗。

4PSM-DID模型檢驗結果分析

在應用PSM-DID方法進行分析時，我們首先依據虛擬變量對模型中的控制變量執行LOGIT回歸，以計算各企業的傾向得分值。隨后，采用一比一且放回的最鄰近匹配法，根據傾向得分值確定實驗組企業的配對企業。在刪除未匹配到的樣本后，我們繼續進行模型回歸。如表5所示，回歸分析揭示了PSM應用前后的顯著變化：回歸系數分別為03087和03155，均顯著為正。這一結果表明，作為人工智能的背景特征，試點建設政策在解決內生性問題后，對企業全要素生產率（TFP）的提升起到了積極作用，且該效應在不同模型間保持了一致性和穩健性，從而有效驗證了假設H4。

進一步觀察，我們發現控制變量的顯著性得到了增強，這表明所構建的模型在控制潛在混雜因素和減少選擇性偏差方面表現更佳，進而提升了研究結果的可靠性與穩定性。此外，處理效應的增強表現在處理變量系數的增大上。具體而言，企業資產、資產報酬率、供應鏈集中度以及專利質量等處理變量的系數均有所提升，這顯示了人工智能環境建設對這些變量的顯著正向影響，即供應鏈集中度和專利質量均能顯著促進制造業的轉型升級。

（五）進一步穩健性檢驗

為了保證本文結論的穩健性，針對個體效應與固定效應的穩定性檢驗，不同人工智能發展水平的企業不僅會對制造業轉型升級產生正向效應，也可能帶來負向沖擊，從而高估人工智能的顯著性。由于數據的可得性，本文從PSM、替換被解釋變量測算方法、更換樣本周期等三個角度處理這種潛在的問題，最終得到穩健性結果表明，人工智能對制造業轉型升級的影響仍然顯著為正，本文研究結果穩健且不會隨外部條件的變化而產生根本性的變化。

1替換被解釋變量

將被解釋變量替換為FE方法測算的制造業企業的全要素生產率，用以評估模型設定的穩健性，經替換后，對比回歸結果發現，模型的估計結果和結論仍然保持一致，即模型對于不同的被解釋變量選擇具有穩定性，即該模型是穩健的?；貧w模型結果顯示，在非平衡面板、平衡面板、DID、PSM-DID四個模型中，同時在替換了控制變量的條件下，核心解釋變量對被解釋變量仍然顯著，這表明人工智能始終能夠對制造業的轉型升級產生顯著正向的影響，具備正向效應，另外，大部分控制變量的回歸系數符號與顯著性也與基準回歸大致相同，這意味著替換被解釋變量的測算方法也不會改變上文關于控制變量得出的結論。

2縮短樣本周期

2011年，信息化引領工業化，中國制造業進入轉型升級時期，因此，選擇2011年作為樣本時間周期分割點，選取2011—2022年的樣本做穩健性檢驗，與前文相似，縮短樣本周期后與原本周期的回歸結果一致，即在不同時間段內都具有穩定性，這表明本文所設定的模型較為穩健，同時，人工智能顯著正向影響制造業的轉型升級。

五、進一步分析

（一）中介效應檢驗

在理論分析部分，我們提出人工智能可能通過提升勞動生產率來增強制造業的全要素生產率（TFP），進而促進制造業的轉型升級。為了驗證這一中介效應的存在性及其顯著性，我們對非平衡面板、平衡面板和PSM-DID三種主要模型進行了中介效應檢驗。檢驗結果匯總在表6中。在非平衡面板模型（Panel"A）中，通過模型（1）—模型（3）的檢驗發現，勞動生產率作為一個中介變量，在人工智能提升制造業轉型升級的過程中起到了顯著的中介作用，該中介效應占總效應的比例高達567%。此外，平衡面板模型（Panel"B）的回歸結果也證實了人工智能通過提升勞動生產率顯著促進了制造業TFP的增長，進而推動了制造業的轉型升級，從而驗證了假設H2。PSM-DID模型的中介效應檢驗（Panel"C）同樣顯示出，試點建設通過提供有利的人工智能發展環境，顯著促進了TFP的提升，且勞動生產率在這一過程中起到了顯著的中介作用，這一發現支持了假設H2。

（二）異質性分析

1非平衡面板

考慮到不同行業的人工智能技術發展水平存在顯著差異，其對制造業轉型升級的影響可能表現出行業異質性。為此，我們使用模型（1）對不同行業進行了回歸分析，結果如表7所示。在控制了變量和行業、個體固定效應的情況下，我們發現在紡織業、文教體育用品制造業等九個行業中，人工智能對制造業轉型升級具有顯著的正向影響。這表明在這些行業中，人工智能更容易替代人力，提高生產制造的效率，且在這些領域中人工智能的應用和發展潛力巨大。然而，由于部分行業上市公司數量有限，樣本的分布特性導致某些行業的回歸結果不具有統計效力，從而驗證了假設H3。值得注意的是，黃曉鳳等（2023）［8］的研究發現輕紡工業中人工智能的應用可以顯著提升企業的TFP，這與本文的結論有所差異。可能的解釋是本文采用了更為細致的行業分類標準，即2017年國民經濟行業分類（GB/T"4754—2017），并且控制變量的選擇也有所不同。

2平衡面板

在平衡面板的行業異質性分析中，我們選取了樣本數量較多的四個行業——醫藥制造業、計算機通信和其他電子設備制造業、化學原料及化學制品制造業、電氣機械及器材制造業——進行分析。我們還選取了樣本量較小的紡織服裝、服飾業作為對照。平衡面板的異質性檢驗回歸結果見表8。醫藥制造業、計算機通信和其他電子設備制造業、化學原料及化學制品制造業、電氣機械及器材制造業中人工智能的應用對全要素生產率產生了正向影響，均在1%的水平上顯著，其中，計算機、通信和其他電子設備制造業中人工智能的影響程度更深，即人工智能滲透率每上升1%，該行業的全要素生產率增加約001%?？赡艿脑蚴牵嬎銠C、通信和其他電子設備制造業的人工智能技術應用較為成熟、轉型升級需求與潛力較大，人工智能的引入會產生更大的影響。相比之下，紡織服裝、服飾業中人工智能的應用并未產生顯著影響，這可能是由于該行業對人力資本的需求較高，人工智能在替代勞動力方面的作用不明顯，因此在這類行業中人工智能的影響有限。

此外，平衡面板與非平衡面板分析的結果一致，都表明人工智能的應用顯著提升了這些主要行業的TFP，促進了制造業的轉型升級，但存在行業間影響程度的異質性，例如人工智能在計算機、通信和其他電子設備制造業中存在顯著影響，而在紡織服裝、服飾業中無顯著相關關系，這表明，人工智能對制造業轉型升級的影響受行業特征因素的影響，具備特定行業特征更可能廣泛且深入地應用人工智能技術，進一步支持了假設H3。

六、結論與政策建議

本文探討了人工智能（AI）技術對制造業轉型升級的影響及其作用機制。通過采用中國A股上市公司2007—2022年的數據，運用PSM-DID方法分析人工智能對制造業全要素生產率（TFP）的提升作用，并檢驗了勞動生產率的中介效應以及不同行業、企業規模和區域位置的異質性影響。研究發現：（1）人工智能的滲透顯著正向促進了制造業的轉型升級，這一結果在非平衡面板和平衡面板數據中均得到驗證，且通過了穩健性檢驗。（2）勞動生產率在人工智能與制造業轉型升級之間起到了重要的中介作用。（3）異質性分析表明，人工智能對不同行業的制造業轉型升級具有不同的影響，不同行業、企業規模和區域位置等因素對人工智能的影響效應有顯著差異。其中，在資本密集型和技術密集型行業中影響更為顯著。（4）試點建設促進人工智能發展大環境的養成，有助于提升人工智能發展水平，集聚了高效的勞動生產率，與制造業轉型升級正向相關。

基于上述結論，本文提出以下政策建議：

1"加強人工智能技術的研發和應用。政府應加大對人工智能基礎研究和應用創新的支持力度，通過財政補貼、稅收減免等政策措施，鼓勵企業進行技術研發和創新。同時，如果政府給不了資源資金支持，就給出創新機制，完善知識產權保護體系，激發企業的創新活力，例如政府支持企業與高校、科研機構的合作，共同開展人工智能技術的研究，可以獲得股權或推進后期IPO上市等，促進產學研一體化發展。此外，政府應鼓勵企業通過技術創新提升生產效率和產品質量，推動制造業向高端化、智能化轉型，以適應未來市場競爭的需求。鼓勵企業開展國際合作，通過技術交流和合作，提升企業的國際競爭力。

2"優化人工智能人才培養和引進機制。高素質的人才是推動人工智能發展的關鍵。政府和企業應聯合高校和研究機構，建立人工智能學院和人工智能專業，加強對人工智能、數字人才及相關領域人才的培養和引進。政府可以通過設立專項基金、提供獎學金等方式，吸引和培養更多的人工智能專業人才。同時，企業也應建立健全人才培養體系，通過內部培訓、外部引進等方式，不斷提升員工的人工智能技術水平和應用能力，為人工智能技術的發展提供人力資源保障。

3"推動人工智能環境建設和人工智能的融合發展。人工智能環境為人工智能技術提供了廣闊的應用場景。智慧城市的試點建設，通過PSM-DID研究發現，人工智能技術發展的大環境對制造業轉型的影響，說明人工智能的環境與載體建設具有積極影響。政府應擴大試點建設范圍，通過政策引導和資金支持，促進人工智能技術在城市管理、產業發展、環境保護等多個領域的應用。同時，政府應鼓勵企業參與人工智能環境建設項目，通過實際應用推動人工智能技術的不斷完善和發展。

4"制定差異化的行業政策。鑒于人工智能對不同行業的影響存在異質性，政策制定應考慮行業特點，制定針對性的發展戰略。對于人工智能技術應用較為成熟、轉型升級需求迫切的行業，如電子信息、高端裝備制造等，政府應給予更多的關注和支持，通過專項資金、技術指導等方式，促進這些行業的快速發展。而對于勞動密集型產業，加強人工智能應用和替代，通過資本深化方式優化資源配置方式。

5"鼓勵企業提升規模和加強供應鏈管理。企業規模的擴大和供應鏈管理的優化有助于提升企業的市場競爭力和抗風險能力。政府應通過財稅、金融等政策工具，激勵企業通過兼并重組、供應鏈整合等方式，提高資源配置效率。此外，政府還應支持企業建立和完善供應鏈管理體系，通過信息化手段提升供應鏈的透明度和響應速度，降低運營成本。

參考文獻：

［1］"苗宇.加快推進新型工業化"推動我國制造業再上新臺階［N］．""財經，2023-11-23.

［2］"McAfee，"Andrew，"Erik"Brynjolfsson，"et"al.Big""Data："the"Management"Revolution［J］．"Harvard"Business"Review，2012，90（10）："60-68.

［3］"Graetz，"Georg，"and"Guy"Michaels."Robots"at"Work［J］．"Review"of"Economics"and"Statistics，2018，100（5）："753-768.

［4］"張紅，崔琰琰，萬瑩潔.考慮損失厭惡者參與的一對多型供應鏈回購契約研究［J］．"工業技術經濟，2016，35（1）：19-25.

［5］"李明，賀偉，丁本洲.基于S2B模式的小微企業競爭情報多元協同供給機制研究［J］．"情報科學，2018，36（12）：52-56.

［6］"鄭瓊潔，王高鳳.人工智能技術應用與中國制造業企業生產率——兼對“生產率悖論”的再檢驗［J］．"學習與實踐，2021（11）：59-69.

［7］"劉鑫鑫，韓先鋒.人工智能與制造業韌性：內在機制與實證檢驗［J］．"經濟管理，2023，45（11）：48-67.

［8］"黃曉鳳，朱瀟玉，王金紅.人工智能提升了中國制造業企業的全要素生產率嗎［J］．"財經科學，2023（1）：138-148.

［9］"孫早，侯玉琳.人工智能發展對產業全要素生產率的影響——一個基于中國制造業的經驗研究［J］．"經濟學家，2021（1）：32-42.

［10］楊光，侯鈺.工業機器人的使用、技術與經濟增長［J］．"中國工業經濟，2020（10）：138-156.

［11］李廉水，鮑怡發，劉軍.智能化對中國制造業全要素生產率的影響研究［J］．"科學學研究，2020，38（4）：609-618+722.

［12］Nordhaus，"William"D."Are"We"Approaching"an"Economic"Singularity？"Information"Technology"and"The"Future"of"Economic"Growth［J］．"American"Economic"Journal：nbsp;Macroeconomics，2021，13（1）"：299-332.

［13］李丫丫，潘安.工業機器人進口對中國制造業生產率提升的機理及實證研究［J］．"世界經濟研究，2017（3）：87-96+136.

［14］謝雁翔，覃家琦，金振，等.企業工業智能化與全要素生產率提升——基于制造業上市公司的經驗證據［J］．"科學學與科學技術管理，2023，44（11）：148-165.

［15］劉婷婷，羅義南，楊晨陽.基于多智能體深度強化學習的分布式干擾協調［J］．"通信學報，2020，41（7）：38-48.

［16］溫湖煒，鐘啟明.智能化發展對企業全要素生產率的影響——來自制造業上市公司的證據［J］．"中國科技論壇，2021（1）：84-94.

［17］謝偉麗，石軍偉，張起帆.人工智能、要素稟賦與制造業高質量發展——來自中國208個城市的經驗證據［J］．"經濟與管理研究，2023，44（4）：21-38.

［18］韓永輝，劉洋，王賢彬.人工智能對區域經濟增長的異質性影響與機制識別——基于中國“機器換人”的實證檢驗［J］．"學術研究，2023（2）：97-104.

［19］余玲錚，魏下海，孫中偉，等.工業機器人、工作任務與非常規能力溢價——來自制造業“企業-工人”匹配調查的證據［J］．"管理世界，2021，37（1）：47-59+4.

［20］王兵，王啟超.全要素生產率、資源錯配與工業智能化戰略——基于廣東企業的分析［J］．"廣東社會科學，2019（5）：17-26.

［21］Brynjolfsson，"Erik，"Daniel"Rock，"and"Chad"Syverson."Artificial"Intelligence"and"The"Modern"Productivity"Paradox［J］．"The"Economics"of"Artificial"Intelligence："An"Agenda，2019，23："23-57.

［22］孫文遠，劉于山.人工智能對勞動力市場的影響機制研究［J］．"華東經濟管理，2023，37（3）：1-9.

［23］王磊，肖倩，鄧芳芳.人工智能對中國制造業創新的影響研究——來自工業機器人應用的證據［J］．"財經論叢，2023（9）：14-24.

［24］趙濱元.數字技術應用、智能制造生產模式和企業生產效率［J］．"經濟與管理，2023，37（6）：76-84.

［25］李新娥，何勤，李曉宇，等.基于政策量化的人工智能政策對制造業就業的影響研究［J］．"科技管理研究，2020，40（23）：197-203.

［26］李俊霖，周志強.主流因果效應估計方法的比較分析［J/OL］．"蘭州財經大學學報：1-16［2024-09-09］．

［27］石大千，丁海，衛平，等.智慧城市建設能否降低環境污染［J］．"中國工業經濟，2018（6）：117-135.

［28］王鋒，葛星.低碳轉型沖擊就業嗎——來自低碳城市試點的經驗證據［J］．"中國工業經濟，2022（5）：81-99.

［29］趙海峰，李世媛，巫昭偉.中央環保督察對制造業企業轉型升級的影響——基于市場化進程的中介效應檢驗［J］．"管理評論，2022，34（6）：3-14.

［30］Acemoglu，"Daron，"and"Pascual"Restrepo."The"Race"Between"Man"and"Machine："Implications"of"Technology"for"Growth，"Factor"Shares，"and"Employment［J］．"American"Economic"Review，"2018，108（6）"："1488-1542.

［31］Acemoglu，"Daron，"and"Pascual"Restrepo."The"Wrong"Kind"of"AI？"Artificial"Intelligence"and"the"Future"of"Labour"Demand［J］．"Cambridge"Journal"of"Regions，"Economy"and"Society，"2020，13（1）："25-35.

［32］李懷政，田曉宇，吳虹.人工智能滲透、勞動生產率與中國制造業出口韌性提升［J］．"西北人口，2023，44（6）：29-42.

［33］吳淼."減稅政策對我國制造業企業轉型升級的影響研究［D］．昆明：云南財經大學，2022.

［34］孫雯."“營改增”對制造業企業轉型升級的影響研究［D］．"杭州：浙江財經大學，2022.

［35］趙宸宇，王文春，李雪松.數字化轉型如何影響企業全要素生產率［J］．"財貿經濟，2021，42（7）：114-129.

［36］吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］．"管理世界，2021（7）：130-144+10.

［37］李宏，王云廷，吳東松.專利質量對企業出口競爭力的影響機制：基于知識寬度視角的探究［J］．"世界經濟研究，2021（1）：32-46+134.

［38］李沁嶧.企業研發強度對經營績效波動的影響研究［J］．"全國流通經濟，2022（12）：94-97.

Artificial"Intelligence，"Labor"Productivity"and"the"Transformation"and"Upgrading"of

Manufacturing"Industry

HE"Gang，"TANG"Liyimo

（School"of"Economics，"Xihua"University，"Chengdu"610039，"China）

Abstract："Based"on"the"micro"data"of"A-share"manufacturing"listed"companies"in"China"from"2007"to"2022，under"the"framework"of"the"neoclassical"growth"theory，a"fixed"effects"model"was"constructed"to"evaluate"the"impact"of"artificial"intelligence（AI）application"on"the"labor"productivity"and"transformation"and"upgrading"of"the"manufacturing"industry.The"propensity"score"matching-difference-in-differences（PSM-DID）method"was"further"employed"for"verification.The"study"found"that"the"penetration"of"AI"significantly"and"positively"promoted"the"transformation"and"upgrading"of"the"manufacturing"industry.Further"analysis"revealed"that"AI"mainly"promotes"the"transformation"and"upgrading"of"the"manufacturing"industry"by"improving"labor"productivity，in"which"labor"productivity"plays"an"intermediary"role"between"AI"and"the"transformation"and"upgrading"of"the"manufacturing"industry.The"heterogeneity"analysis"found"that"factors"such"as"different"industries，firm"sizes，and"regional"locations"have"significant"differences"in"the"impact"effects"of"AI.

Key"words：artificial"intelligence;"manufacturing"industry"transformation"and"upgrading;"labor"productivity;"PSM-DID;"industry"heterogeneity

（責任編輯：周正）