企業人工智能出口對全球價值鏈上游攀升和韌性的影響

摘 要：數字經濟背景下，人工智能等數字技術能幫助企業實現全球價值鏈上游攀升、提升全球價值鏈韌性，是促使我國經濟高質量發展、有效抵御全球沖擊的重要抓手。文章采用微觀企業層面數據，探究企業人工智能出口對全球價值鏈上游攀升的影響效應和作用機制，并進一步探討了企業人工智能出口對全球價值鏈韌性的影響。研究發現：企業人工智能出口可有效促使企業向全球價值鏈上游攀升；經穩健性檢驗、內生性分析后，結果依然顯著。該影響效應在不同貿易方式、企業所有制、不同行業及區域間具有顯著異質性，表現為企業人工智能出口對一般貿易和混合貿易企業、外資及港澳臺企業、中高技術行業及東部地區企業的全球價值鏈上游攀升效應更為突出。影響機制檢驗表明，企業人工智能出口主要通過提高總體資源配置效率、增強研發創新促使企業向全球價值鏈上游環節躍升。拓展性分析顯示，企業人工智能出口可顯著提升全球價值鏈韌性，主要體現在穩定已有鏈條、增強其韌性和安全性上。文章立足全球價值鏈上游攀升和韌性提高視角，為如何借助人工智能穩定高效地促使企業高質量發展提供了有益借鑒。

關鍵詞：人工智能" 全球價值鏈上游攀升" 全球價值鏈韌性

DOI：10.19592/j.cnki.scje.420344

JEL分類號：C23， F15， L22， O31" "中圖分類號：F746

文獻標識碼：A" "文章編號：1000 - 6249（2024）07 - 132 - 19

一、引 言

改革開放以來，中國依托勞動力和大市場優勢，逐步嵌入由跨國公司主導的全球生產分工體系。然而，在全球生產網絡中，中國主要依賴加工貿易從事低附加值任務環節，造成產品低端鎖定（呂越和鄧利靜，2020）、貿易大而不強的格局。高質量發展要求下，我國亟須借助人工智能等數字技術轉變生產方式，推進全球價值鏈（Global Value Chains，GVC）上游環節攀升。與此同時，貿易摩擦、逆全球化思潮及地緣沖突背景下，著力提高全球產業鏈供應鏈的安全穩定，提升全球價值鏈韌性水平成為又一值得關注的焦點。

當今世界正進入一個以“數字經濟”“人工智能”“互聯網+”等為標志的快速變革期，尤其是人工智能已成為各國構筑核心競爭力、促使全球價值鏈升級（呂越等，2020）、增強全球價值鏈韌性的關鍵抓手（楊仁發和鄭媛媛，2023），更成為推進自主創新和原始創新、加快新舊動能轉換的重要戰略引擎。截至目前，已有美、德、日等20多個國家和地區將人工智能列入國家發展戰略。早在2015年，我國便首次提出“機器人革命”，并在黨的二十大報告中明確指出要“構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環保等一批新的增長引擎”。在此背景下，中國應主動抓住以“人工智能”為契機的戰略轉型期，開展生產制造方式變革。為此，本文深入微觀企業層面，探究企業人工智能出口對全球價值鏈上游攀升的影響效應和作用機制，此外，考慮到全球生產分工高端生產環節存在分工難度大、參與多等特征（戴翔和王如雪，2021），還亟須破解企業向全球價值上游攀升“強鏈”基礎上的“固鏈”難題，將進一步探究企業人工智能出口對全球價值鏈韌性的影響。這不僅對豐富企業層面人工智能與全球價值鏈的經驗研究具有重要理論意義，還可為中國實體經濟創新發展注入新動力、建立新優勢，對我國快速融入新一代科技革命、加速產業變革、高水平融入全球生產分工體系具有重要現實意義。

人工智能作為一個迅速發展的學科，相關研究主要聚集于人工智能對就業、收入分配、全要素生產率、產業結構轉型升級以及經濟增長等方面的影響分析。一方面，人工智能的應用范圍廣泛，涉及在線平臺，制造、健康、金融、批發零售等行業，以及政府等監管部門（Agarwal et al.，2018；West，2018；Thompson，2019；Simonite，2020）。另一方面，與此相關的研究范圍也不斷擴大，第一，人工智能能否替代和打擊就業便是首要研究主題，各維度視角下的爭論層出不窮（Michaels and Graetz，2015；Acemoglu and Restrepo，2018a；Frey and Osborne，2017；Graetz and Michaels，2018；孫早和侯玉琳，2019；姜昊和董直慶，2023；孫興和祝黃河，2024；林峰等，2023）。第二，人工智能與收入分配成為當前探究經濟學下“公平”課題的又一主要方向（陳東和秦子洋，2022；Acemoglu and Restrepo，2020；郭凱明，2019；Korinek and Stiglitz，2017），人工智能所引致的自動化可能會通過增加資本占比、降低勞動占比，進一步壓低工資、誘發員工不平等問題（Acemoglu and Restrepo，2022；Acemoglu，2021）。第三，人工智能不僅可有效提高全要素生產率（Brynjolfsson et al.，2018），還可通過促使產業結構轉型升級（郭凱明，2019；劉燦雷等，2023），對經濟發展產生放大、疊加及倍增作用（Aghion et al.，2017；Acemoglu and Restrepo，2018b），一系列研究層出不窮。

與本文最為相關的文獻主要集中于數字經濟、人工智能應用對全球價值鏈的影響研究。一是數字經濟與全球價值鏈。數字經濟背景下，數字技術和數據要素成為全球生產分工的重要助推力（Antràs，2020），這使數字經濟發展不僅可有效增加全球價值鏈國內生產鏈長（劉宇英和盛斌，2023；王嵐和程志宙，2024）、提升全球價值鏈韌性水平（楊仁發和鄭媛媛，2023；Gereffi，2018；Tang and Veelenturf，2019），還可驅動全球價值鏈的地位提升（費越等，2021；張艷萍等，2022；霍春輝等，2023），增強省內價值鏈、國內價值鏈與全球價值鏈的耦合協調（王彬等，2023）。二是宏觀層面人工智能應用對全球價值鏈的研究。何宇等（2021）通過將人工智能技術應用納入多國多階段全球價值鏈競爭模型，發現人工智能技術沖擊會抑制發展中國家全球價值鏈的上游升級和下游位置的保持，使其在全球價值鏈分工中處于不利地位，與發達國家的GVC位置差異增大。劉斌和潘彤（2020）及周洺竹等（2022）采用國際機器人聯合會（IFR）中國家-行業層面的工業機器人數據，發現工業機器人使用密度的提升可提高一國行業的全球價值鏈參與度和分工地位，還可對其他國家、行業產生溢出效應。此外，呂越等（2020）、呂越等（2023）同樣采用IFR的行業層面機器人密集度，發現行業人工智能密集度不僅可提升制造業企業的全球價值鏈嵌入度，還可深化全球價值鏈網絡。

與已有研究相比，本文的邊際貢獻主要體現在：第一，研究視角上。已有文獻多集中于探究國家及行業層面人工智能對全球價值鏈的影響，本文采用更為細致的微觀企業層面數據，考察企業人工智能出口對全球價值鏈上游攀升及韌性的影響，可有效識別出企業層面的內在機制及企業異質性。第二，指標構建上。本文在已有機器人數據基礎上，對人工智能的測度范圍進一步拓展，使其不僅涵蓋普遍使用的“機器人”信息，還依據人工智能的廣泛應用場景，將包含“無人”“識別”“智能”和“自動”等關鍵詞的HS8位碼產品信息囊括在內，具體包含機器人類、無人駕駛及無人機類、自動數據處理設備類以及智能識別類，更加精確地識別企業人工智能。此外，已有研究多集中于采用人工智能類產品的進口這一進口應用視角展開測度，區別于此，本文立足可體現企業價值增值水平的人工智能設備出口視角展開研究。第三，研究內容上。本文在探究企業人工智能出口對全球價值鏈上游攀升的影響及作用機制基礎上，進一步探究其對全球價值鏈韌性的影響。立足全球價值鏈攀升和全球價值鏈韌性視角，不僅豐富了微觀企業層面人工智能對全球價值鏈的經驗研究，還為如何借助人工智能穩定高效地促使企業高質量發展提供了有益借鑒。

二、影響機制及研究假說

企業人工智能出口主要通過國際市場反向助推、改善資源配置結構，提升資源配置效率。第一，依據新增長理論，激烈的國際市場競爭可反向促使出口企業提高生產效率，加快資源在物質產品生產部門與知識產品生產部門之間的優化配置（蒲阿麗和李平，2019），人工智能出口企業亦是如此。第二，人工智能出口企業在對智能化、自動化設備的生產加工及出口過程中，可直接促使企業內部加快對低技能勞動的簡單替代、增強對高技術高資本密集型設備以及數字技術等資源的廣泛利用，這將提升企業資源配置效率（Acemoglu and Restrepo，2018a；Graetz and Michaels，2018）。

企業資源配置效率的提升一方面可通過加大對勞動、資本及技術等生產要素的有效整合，促使企業進入由生產效率提高所引致的工藝升級，逐步躍升至產品升級、功能升級，乃至鏈條升級階段（Gereffi，1999），促使企業向價值鏈上游攀升。另一方面，資源配置效率的提升還可有效替代低技能勞動、創造高技能勞動崗位，在鞏固提升原有生產環節基礎上，促使員工從事高附加值的非自動化任務環節（Acemoglu，2021），加強對高技術、高附加值生產環節的探索，進而促使企業向上游研發設計等高附加值環節攀升（齊俊妍和任奕達，2022）。

假說1：企業人工智能出口通過提高資源配置效率，促使企業向GVC上游攀升。

Aghion et al.（2017）曾指出，經濟發展程度較高的經濟體往往聚焦于人工智能等前沿技術創新及出口上，相對于此，欠發達國家偏向于進口、學習和模仿前沿技術，且在激烈競爭中，更不利于其技術創新。本文企業人工智能出口主要是指，在全球生產分工體系中，中國企業對工業機器人、智能化設備等產品的生產及供給。人工智能出口企業為進入國際市場，并在激烈的國際市場競爭下生存，將投入更多的時間、精力及財力等資源，用于對人工智能類新產品的設計、研發及生產制造，這將加速企業研發創新。

企業創新研發可有效促使企業向GVC上游攀升（齊俊妍和任奕達，2022）。這主要是因為：第一，從事研發創新的企業在跨越國外技術吸收門檻基礎上，可有效提高對國外技術溢出的獲取及吸收能力，并通過自主創新實現產品和功能升級，進而促使企業向價值鏈高端攀升（屠年松和龔凱翔，2022）。第二，企業一旦開始自主創新，在研發資源和市場經驗加持下，可對貿易往來產品依偏好開展設計、進行定制化創新，并在需求與供給兩方面的及時反饋下，加快產品的迭代升級（趙宸宇等，2021），逐步向全球生產分工的高附加值環節邁進。第三，通過原始創新，可進一步滿足國內中間品及國外中間品的進口需求（鄭江淮和鄭玉，2020），逐步拓寬潛在市場，增加全球價值鏈高附加值環節參與，并在數字技術的廣泛應用下創造新的價值鏈分工節點（楊仁發和鄭媛媛，2023），助推企業向全球價值鏈上游環節攀升。

假說2：企業人工智能出口可通過提升企業創新水平，促使企業向GVC上游攀升。

企業人工智能出口可提升全球價值鏈韌性水平。這主要體現在：第一，人工智能設備的出口可反向助推企業加大對數字技術的廣泛應用，這將促使企業在受到外部沖擊時，利用數字技術實現各環節信息的快速傳遞、及時調整供需資源分配、削減價值鏈跨境次數，降低全球價值鏈沖擊后的斷鏈風險（王嵐和程志宙，2023），在對生產線整合重構的同時，提升了全球價值鏈的穩定性（Ivanov，2022）。第二，人工智能設備出口助推下的數字技術廣泛使用及數據要素流動，可有效激發企業增加出口產品多樣性、實現出口市場多元化，進而促使企業全球生產分工參與鏈條增加，有效提高全球價值鏈安全性（楊仁發和鄭媛媛，2023）。

假說3：企業人工智能出口可提高全球價值鏈穩定性和安全性，提升全球價值鏈韌性水平。

三、模型構建與變量選取

（一）模型構建

為檢驗企業人工智能出口對GVC上游攀升的影響，本文構建如下計量模型：

[lngvcupit=α0+α1lnaiexpit+βcontrols+μi+νt+εit]" " " （1）

上式中，i為企業，t為年份；被解釋變量為企業GVC上游參與度1lngvcupit；lnaiexpit是指企業層面的人工智能出口，由企業人工智能出口額代替；controls為控制變量的集合，μi表示企業固定效應，νt代表年份固定效應，εit為擾動項。

（二）變量選取

1.被解釋變量

企業向全球價值鏈上游環節攀升，不僅是推進企業自主創新和原始創新、加快高水平科技自立自強的關鍵所在，更是響應黨的二十大報告中所強調的，實施創新驅動發展戰略、加快建設制造強國的必經之路。為此，借鑒蘇丹妮等（2020），對企業全球價值鏈上游參與度gvcup展開測算。

[gvcupijto=EXPtotalijto|BEC×1?IMPtotalijto|BECYijt×EXPtotalijto+Dijto|BEC+θ1j?θ2j×EXPtotalijtoEXPtotalijto×θ3jEXPtotalijto]" " " （2）

[gvcupijtp=EXPtotalijtp|BEC×1?IMPtotalijtp|BEC+Dijtp|BEC+θ1j?θ2j×EXPtotalijtpEXPtotalijtp×θ3jEXPtotalijtp]" " " " " "（3）

[gvcupijtm=ωo×EXPtotalijto|BEC×1?IMPtotalijto|BECYijt?EXPtotalijtp×EXPtotalijto+Dijto|BEC+θ1j?θ2j×EXPtotalijtoEXPtotalijto×θ3jEXPtotalijto][+ωp×EXPtotalijtp|BEC×1?IMPtotalijtp|BEC+Dijtp|BEC+θ1j?θ2j×EXPtotalijtpEXPtotalijtp×θ3jEXPtotalijtp]" "（4）

其中，i、j、t、o、p、m分別表示企業、所屬產業、年份、一般貿易、加工貿易和混合貿易，[EXPtotalijto|BEC]、[EXPtotalijtp|BEC]分別表示考慮了從中間貿易代理商間接進口后的一般貿易企業、加工貿易企業在t年的總出口額，[IMPtotalijto|BEC]、[IMPtotalijtp|BEC]分別表示考慮了從中間貿易代理商間接進口后的一般貿易企業、加工貿易企業在t年的中間品進口總額，[Dijto|BEC]、[Dijtp|BEC]分別表示一般貿易企業和加工貿易企業的資本折舊累積額，[Yijt]表示企業的銷售額（國內銷售額與出口交貨值之和），[θ1j]、[θ2j]、[θ3j]分別表示企業所在行業間接進口比例、返回增加值比例以及企業中間產品的間接出口比例1，[ωo]、[ωp]分別表示混合貿易企業中一般貿易出口占比、加工貿易出口占比。綜上，（2）（3）（4）式分別為一般貿易、加工貿易和混合貿易企業的GVC上游參與度。

2.解釋變量

本文在陳東和秦子洋（2022），呂越等（2020），劉斌和潘彤（2020）等采用國家、行業工業機器人作為人工智能代理變量基礎上，將宏觀層面的人工智能指標拓展至微觀企業層面。依據中國信通院及中國科學院發布的《人工智能發展白皮書》，對企業層面的人工智能展開識別，使其不僅需包含“機器人”等關鍵詞所涵蓋的HS產品編碼（李磊等，2021），還包含自助無人系統技術的其他產品（如無人駕駛車輛、無人機、無人車間等），以及以人臉識別和人臉支付為代表的智能人臉技術，以智能客服、語音助手等代表的系列智能產品。為此，拓展并嘗試構建囊括“機器人類”“無人駕駛及無人機類”“自動數據處理設備類”“智能識別類”HS8位碼上的企業人工智能出口指標2。

如圖1所示，2000年—2013年我國制造業企業的人工智能進口額lnaiimp和出口額lnaiexp均呈波動上升趨勢。其中，人工智能進口側企業多為以加工貿易為主的混合貿易企業，其生產制造環節長期依賴國外先進自動化設備進口，進口應用視角更多地體現了國外人工智能技術的增值，并不能真實衡量出我國企業自身的人工智能水平。相對于此，企業人工智能出口多為進口設備的增值出口，或自主創新式高附加值設備的出口，可有效反映出我國企業人工智能水平，為此，本文采用企業人工智能出口lnaiexpit作為本文的核心解釋變量。

此外，兩者之比由2000年的近7倍縮小至2013年的2.23倍，比值的大幅縮減，說明了我國以往存在長期依賴國外高端設備進口現象，但伴隨國內供給側和需求側的轉型升級，開始由長期依賴國外人工智能類設備進口逐步向生產制造人工智能類設備出口為主導方向轉變。人工智能類設備的創新設計、生產制造及對外出口成為彰顯我國運用數字技術、掌握企業人工智能水平，并向高質量發展的重要一步。

3.控制變量

借鑒已有研究，本文加入如下企業和行業層面的控制變量：（1）企業規模（lnsize）：采用企業固定資產對數形式衡量。（2）企業年齡（lnage）：age=當年年份-企業開業年份+1，將企業年齡為負的調整為0，將企業年齡超過100的調整為100，以消除異常記錄。（3）企業資本勞動比（lnkl）：采用企業固定資產合計與年末從業人員比值的對數形式表示。（4）資產負債率（alr）：采用企業負債總額占資產總額的比重衡量。（5）融資能力（finance）：采用利息支出與固定資產的比值表示。（6）赫芬達爾指數（lnhhi）：[HHIjt=i∈jsaleit/salejt2=i∈jSit2]，Saleit代表企業i在t年的營業額，Salejt代表兩位碼行業j在t年的總營業額，Sit代表企業i在j行業t年的市場占有率，代表企業所在地區行業的市場集中度。（7）企業所有制虛擬變量（soe）：以企業登記注冊類型進行劃分，國有和民營等本地企業為1，外資等企業為0。（8）加工貿易企業虛擬變量（process）：一般貿易企業為0，加工貿易和混合貿易企業為1。

（三）描述性統計分析

本文微觀企業數據主要來自2000—2013年中國工業企業數據庫和中國海關數據庫的匹配數據，樣本觀測值的描述性統計分析如表1所示。由表1可見，企業全球價值鏈上游參與度對數的平均值和標準差分別為-4.50、3.09，說明樣本企業間在GVC上游參與度水平上存在一定的個體差異；企業人工智能出口額對數的標準差達3.54，最大值、最小值分別為20.88和0，這表明企業間人工智能出口額差異較大。

此外，經表2相關性系數檢驗結果可得，（1）除融資能力finance外，其余解釋變量均在1%顯著性水平上與企業全球價值鏈上游參與度lngvcup相關，而借鑒呂越等（2020），在企業全球價值鏈影響因素研究中，企業融資能力也應被作為解釋變量考慮進來。（2）解釋變量間的相關性系數均小于0.8，這說明解釋變量間不存在多重共線性問題1。

四、實證結果及分析

（一）基準回歸

由表3列（1）—（4）結果可見，企業人工智能出口對GVC上游攀升的影響系數均在1%水平下顯著為正，在加入控制變量及雙向固定效應后，企業人工智能出口額每增加1%可促使GVC上游參與度提升0.069%。這主要是因為，企業人工智能出口，一方面源自進口設備的加工利用，可有效提升生產效率及資源配置（Acemoglu and Restrepo，2018a；Graetz and Michaels，2018）；另一方面，激烈的競爭市場倒逼企業對人工智能類設備的研發創新、生產設計及出口，促使企業加強原始創新（Aghion et al.，2017）；企業資源配置效率的提高和自主創新能力的增強將促使企業向全球價值鏈上游環節躍升。

（二）穩健性檢驗

1.更換核心解釋變量

本文將基準回歸中的企業人工智能出口額更換為企業對人工智能產品的出口量lnaiexp_qty，展開穩健性檢驗，回歸結果如表4列（1）所示。回歸結果表明，企業人工智能出口量可在1%顯著性水平上有效促使企業向全球價值鏈上游攀升，與基準回歸結論一致。

2.剔除異常值

為規避異常值對檢驗結果的影響，本文對所有連續變量進行1%雙側縮尾處理，而后展開穩健性檢驗。回歸結果如表4列（2）所示，企業人工智能出口在1%水平上顯著為正，再次驗證了基準回歸結果的穩健性。

3.考慮數據質量問題

鑒于中國工業企業數據庫在2010年之后，將“規模以上”企業的統計范圍由500萬調整為2000萬。為保持統計范圍內企業具有相同的統計標準，本文接下來僅采用2000—2009年的數據展開回歸，結果如表4列（3）所示，同樣證實了基準回歸結果的穩健性。

（三）內生性分析

本文所采用的固定效應模型雖在一定程度上緩解了不隨時間及個體改變的變量被遺漏問題，但仍易存在逆向因果等造成的內生性問題，鑒于此，采用兩種方式進行處理。第一，借鑒Fisman and Svensson（2007）、蘇丹妮等（2020）的做法，構建年份-城市-行業層面企業人工智能出口額的均值lnaiexpnew1，作為企業人工智能出口的工具變量。其內在邏輯主要體現在：企業人工智能出口往往會受到周圍環境的影響，尤其易受同一城市同行業人工智能出口平均水平的影響，選用lnaiexpnew1作工具變量，可有效滿足IV應具備的相關性要求。此外，盡管年份-城市-行業整體層面的人工智能出口平均水平會影響年份-城市-行業內各企業的人工智能出口，但難以對單個企業的全球價值鏈上游環節參與度產生直接影響，滿足外生性條件。經兩階段最小二乘法（2SLS）回歸后，表5列（1）的第一階段回歸結果顯示，該工具變量可在1%顯著性水平上替代企業人工智能出口額，且列（2）的第二階段回歸結果與基準回歸結果一致，即核心解釋變量的系數在1%水平上顯著；此外，Kleibergen-Paap rk LM檢驗在1%水平上拒絕了工具變量識別不足的原假設，Kleibergen-Paap rk Wald F統計量大于Stock-Yogo檢驗在10%水平上的臨界值，拒絕了工具變量存在弱識別現象的原假設。第二，借鑒Lewbel（1997）基于誤差的異方差信息構建工具變量的方法，本文采用核心解釋變量與其均值之差的三次方lnaiexpnew2，作為企業人工智能出口的工具變量，其優勢體現在，僅依托核心解釋變量便可構建出有效的工具變量，且該工具變量還充分保留了企業的異質性特征。采用2SLS回歸后，表5列（3）—（4）第一階段和第二階段的回歸結果再次驗證了處理內生性問題后，核心結論依舊成立。

（四）異質性分析

鑒于企業人工智能出口水平在不同貿易方式、不同所有制企業以及不同行業及區域間具有顯著差異1，為此，該部分將立足于企業貿易方式異質性、企業所有制異質性、行業異質性以及區域異質性四個維度，進一步探究企業人工智能出口對企業向GVC上游攀升可能存在的差異化影響。

1.企業貿易方式異質性分析

表6匯報了加工貿易企業、一般貿易企業以及混合貿易企業分類下，企業人工智能出口對企業向GVC上游攀升的影響結果。結果顯示，相對于加工貿易企業，一般貿易企業和混合貿易企業的人工智能出口均至少在5%水平上顯著促使企業向GVC上游攀升，且經似無相關檢驗得出的組間系數差異均至少在5%水平上顯著。這主要是因為，加工貿易企業涉及到的企業人工智能類設備出口較少，且以來料加工、進料加工為主，隸屬于低附加值的加工制造環節，對全球價值鏈上游研發設計等環節的影響較弱。而與此相對應的，一般貿易企業和混合貿易企業不僅涵蓋的人工智能類設備企業較多，且多從事高附加值產品的生產制造及出口，在參與全球價值鏈過程中，有助于企業向全球價值鏈上游環節攀升。

2.企業所有制異質性分析

由表7可見，民營、外資及港澳臺企業的人工智能均至少在10%水平上顯著促使企業向GVC上游攀升，而國有企業核心解釋變量的影響效果不顯著。此外，國有企業與民營企業的組間系數無顯著差異，這可能與民營企業的系數顯著性較低有關；但相對于民營企業，外資及港澳臺企業的人工智能出口可顯著促使企業向全球價值鏈上游攀升。這主要是因為，一方面，外資及港澳臺企業不僅企業數量眾多，而且人工智能類產品貿易額相對更多，在出口側不僅涵蓋企業內高技術的吸收和學習效應，還可通過替代低附加值勞動有效提升企業的資源配置效率，促使企業向全球生產分工上游環節躍升。

3.行業異質性分析

由表8列（1）—（3）可見，相對于低技術行業，中等技術和高技術行業的企業人工智能出口可至少在10%水平上顯著促使企業向GVC上游攀升，組間系數差異均至少在5%水平上顯著。這主要源于企業人工智能進出口集中分布于中、高技術行業，且相對于低技術行業，中、高技術行業的人工智能類設備多用于智能類研發設計、高端制造等環節，在出口側將直接促使企業向全球價值鏈上游環節遷移。而低技術行業的自動化設備主要用于替代低附加值勞動密集環節，對全球價值鏈上游環節影響較弱。

4.區域異質性分析

由表8列（4）—（5）可見，相對于中西部地區而言，東部地區的企業人工智能出口可顯著促使企業向全球價值鏈上游攀升，且兩組間系數差異在10%水平上顯著。這主要是因為，相對于中西部地區，東部地區不僅交通便利、更接近國外市場，利于人工智能類設備出口，還具有豐富的資金及技術資源，在人工智能出口促使企業向全球價值鏈上游攀升過程中可有效補充高技術資源，影響效果更顯著。

五、影響機制檢驗

基準回歸結果證實了企業人工智能出口可有效促使企業向全球價值鏈上游攀升，本部分將對前文研究假說中提出的企業人工智能出口通過提高資源配置效率、提升企業創新水平，促使企業向GVC上游攀升兩條影響路徑展開檢驗。參考對機制檢驗的建議，在中介變量對企業全球價值鏈上游攀升因果關系（Acemoglu，2021；屠年松和龔凱翔，2022；齊俊妍和任奕達，2022；鄭江淮和鄭玉，2020）較為直觀的前提下，接下來將重點關注企業人工智能出口對中介變量的影響，為此，構建如下計量模型并展開檢驗。

（一）模型構建

[intervarit=θ0+θ1lnaiexpit+δcontrols+μi+νt+εit]" " " " "（5）

上式中，intervarit代表中介變量，具體為企業總體資源配置效率（rae）以及企業研發創新（lninnov）。其中，借鑒蒲阿麗和李平（2019），立足于勞動、資本及其他資源三個維度綜合測度企業總體資源配置效率，具體如表9所示。此外，企業研發創新采用企業新產品產值與工業總產值的比值衡量。

表9 企業總體資源配置效率的測算方法

[變量 定義及測度 企業勞動配置效率 勞動配置效率=企業勞動生產率/所有企業勞動生產率平均值

其中，企業勞動生產率=全部職工人數/企業工業總產值 企業資本配置效率 資本配置效率=企業資本生產率/所有企業資本生產率平均值

其中，企業資本生產率=企業資本存量/企業工業總產值 企業其他資源配置效率 其他資源配置效率=企業其他資源生產率/所有企業其他資源生產率平均值

其中，企業其他資源生產率為采用LP方法計算的企業TFP 企業總體資源配置效率 勞動配置效率、資本配置效率及其他資源配置效率的算術平均值 ]

（二）檢驗結果及分析

表10報告了影響機制的檢驗結果。由列（1）可見，企業人工智能出口可在5%水平上顯著促使企業總體資源配置效率的提升。這表明，企業人工智能出口不僅可通過借助自動化設備實現對簡單重復生產組裝環節的替代，還可通過引入智能類及數據處理類設備的生產制造及研發利用，有效提升企業總體資源配置效率。而資源配置效率的提升不僅可促使企業進入工藝升級、產品升級、功能升級及鏈條升級路徑中，還可通過替代低技能勞動、促使高技術員工從事高附加值技術環節，促使企業向全球價值鏈上游環節攀升（Acemoglu，2021；齊俊妍和任奕達，2022），證實了前文假說1。

由列（2）可見，企業人工智能出口對企業研發創新的作用效果在5%水平上顯著為正。這表明，國外的多樣化需求及激烈的競爭，將反向促使企業從事初創性、定制化以及更高附加值的人工智能類產品的設計、生產制造及出口，由此，企業將加大對自身創新研發環節的投入及新產品的產出。而企業研發創新力度的加大將直接促使企業在全球生產分工中，不斷向研發設計、高端制造等上游環節遷移（鄭江淮和鄭玉，2020），證實了前文假說2。

六、拓展性分析：企業人工智能出口對全球價值鏈韌性的影響分析

在以數字經濟為特征的快速變革期，人工智能已成為促使企業融入全球價值鏈（呂越等，2020）、增強全球價值鏈韌性的關鍵抓手（楊仁發和鄭媛媛，2023）。具體體現在：人工智能可促使企業高效整合資源，推動研發創新，使企業向全球價值鏈上游攀升，更多地以高附加值環節參與全球生產分工體系，起到“強鏈”的作用（呂越和張杰，2024）。此外，企業向全球價值鏈上游攀升過程中，更多地以中間品及原材料供給者的身份參與全球生產分工，這可有效降低對關鍵原材料中間品的外部依賴，直接提升全球價值鏈的安全性和穩定性，增強全球價值鏈韌性水平（呂越和張杰，2024）。

當前，“逆全球化”、貿易摩擦乃至貿易脫鉤對全球生產分工體系提出了新的挑戰，全球價值鏈進入重塑期。鑒于全球生產分工高端生產環節存在分工難度大、參與多等特征（戴翔和王如雪，2021），為此，企業通過向全球價值鏈上游環節攀升達到“強鏈”效果的同時（呂越和張杰，2024），還亟須破解“固鏈”難題——提升全球價值鏈韌性，尤其是企業向全球價值鏈上游攀升基礎上能否實現全球價值鏈韌性的提升。為此，本文從穩定性和安全性兩個視角衡量全球價值鏈韌性，探究企業人工智能出口對全球價值鏈韌性的影響效應。

首先，全球價值鏈的穩定性主要體現在，當全球生產分工體系遭遇沖擊時，能夠通過在一定范圍內的短暫波動，有效抵御沖擊，快速恢復原始狀態；或遭遇沖擊后，已有鏈條通過較大幅度正向波動，使全球價值鏈變得更加堅韌。據此，第一，通過測度GVC上游參與度與樣本期均值之差，構建GVC上游參與度波動項，以衡量企業向全球價值鏈上游攀升同時，能否保持全球價值鏈的穩定性。第二，借鑒Braun and Larrain（2005），通過波動項與其標準差的關系，將穩定性劃分為三個階段：危機階段、穩定階段及繁榮階段，具體如下所示：

[stdlngvcupi=1T?1t=1Tlngvcupit?1Tt=1Tlngvcupit12]" " " （6）

[lngvcupvolitlngvcupvolitlt;?stdlngvcupi?stdlngvcupi≤lngvcupvolit≤stdlngvcupistdlngvcupilt;lngvcupvolit]" " " （7）

上式（6）中，[stdlngvcupi]為GVC上游參與度的樣本標準差，T為樣本期14年。John et al.（2008）曾用樣本標準差衡量波動的穩定性，但因單一企業在T時間段內的標準差為同一數值，無法體現各年間的波動差異。故本文借鑒Braun and Larrain（2005），按照公式（7）將GVC上游參與度的波動項劃分為三個階段：若波動項為負且小于其標準差的負值，則企業向GVC上游攀升過程中缺乏韌性，陷入危機階段；若波動項的絕對值介于標準差絕對值范圍內，則其波動保持在穩定階段，可有效抵御沖擊；若波動項為正且大于其標準差，則企業向GVC上游攀升過程中富有韌性，處于繁榮階段，不僅可有效抵御沖擊且可在沖擊中使鏈條更加堅韌。

其次，全球價值鏈的安全性主要體現在，企業在全球價值鏈參與過程中，尤其是向上游環節躍升過程中，做到與較強企業之間的差距逐步縮小，這樣不僅能增加企業GVC高附加值環節參與，還可預防被邊緣化的風險。為此，構建如下公式（8）衡量其安全性：

[lngvcupgapijt=maxlngvcupjt?lngvcupijt]" " " " " " （8）

上式中，i、j、t分別為企業、行業以及年份，[maxlngvcupjt]為企業所屬行業中的GVC上游參與度的最大值，[lngvcupgapijt]為j行業中的企業i在t年的GVC上游參與差距，該數值越小則與行業內頂尖的差距越小。

表11列（1）—（4）為企業人工智能出口對全球價值鏈穩定性的影響結果，列（5）—（6）為企業人工智能出口對全球價值鏈的安全性的影響結果。其中，列（1）—（2）中，被解釋變量為GVC上游參與度波動項lngvcupvol，結果顯示，企業人工智能出口可顯著促使GVC上游參與度正向波動，有效抵御外界沖擊。為進一步破解此種促進作用主要源于對哪個階段的影響，本文構建離散被解釋變量多值選擇模型，以GVC上游參與度波動項所處各階段作為被解釋變量，并對危機階段、穩定階段和繁榮階段分別賦值為1、2、3。回歸時，以GVC上游參與度波動項處于危機階段為基準，表11列（3）—（4）檢驗結果發現，企業人工智能出口對GVC上游參與度的小幅穩定波動的促進效果不顯著，但可顯著提升其大幅度正向波動，這表明企業人工智能出口促使GVC上游參與度正向波動主要源于對繁榮階段的提升作用，在抵御沖擊之余還使鏈條更加堅韌。此外，表11列（5）—（6）結果顯示，企業人工智能出口可顯著縮小與行業內GVC上游參與度最大值之間的差距。綜上可見，企業人工智能出口的增加可促使企業偏向于采用高附加值、高技術產品鏈接國際市場，不僅可通過精準匹配、提前預防，穩定國際供需網絡，有效抵御全球價值鏈沖擊；還可通過人工智能技術的溢出效應，促使學習效應及多樣化供給效應發揮，進而使鏈條更加堅韌、安全，驗證了前文假說3。

為檢驗企業人工智能出口對全球價值鏈韌性影響結果的穩健性1，本文將依次采用更換解釋變量（更換為企業人工智能產品的出口量lnaiexp_qty）和剔除異常值（雙側縮尾1%）兩種方法，展開穩健性檢驗。由表12列（1）—（4）穩健性檢驗結果可見，企業人工智能出口均在1%水平上顯著促使GVC上游參與度正向波動，顯著縮小企業與行業內GVC上游參與度最大值之間的差距，驗證了表11回歸結果的穩健性。

此外，為避免企業人工智能出口對全球價值鏈韌性影響中，因反向因果等造成的內生性問題，采用前文兩種工具變量（年份-城市-行業層面企業人工智能出口額的均值lnaiexpnew1、核心解釋變量與其均值之差的三次方lnaiexpnew2）展開內生性檢驗。由表13列（1）—（4）2SLS的第二階段回歸結果可見，經內生性處理后，企業人工智能出口可顯著提升全球價值鏈韌性的核心結論依舊成立。

七、結論與政策啟示

以加工貿易為主的低附加值嵌入已難以滿足高質量經濟發展需求，亟須借助人工智能等現代數字技術轉變生產模式，促使企業向全球價值鏈上游攀升，并不斷增強其全球價值鏈韌性。為此，本文采用2000—2013年中國工業企業數據庫和中國海關數據庫匹配的微觀企業數據集，探究企業人工智能出口對全球價值鏈上游攀升的影響效應和作用機制，并在此基礎上，進一步探究其對全球價值鏈韌性的影響。研究結論主要體現在：第一，企業人工智能出口可有效促使企業向GVC上游攀升；經穩健性檢驗、內生性分析后，結果依然顯著。第二，企業人工智能出口對GVC上游攀升的影響在不同貿易方式、不同所有制、不同技術行業及不同區域間均具有顯著差異，其中，對一般貿易和混合貿易企業、外資及港澳臺企業、中高技術行業及東部地區企業的GVC上游攀升效應最為突出。第三，影響機制結果顯示，企業人工智能出口可通過提高總體資源配置效率、增強企業研發創新，進而促使企業向GVC上游攀升。第四，拓展性分析顯示，企業人工智能出口可顯著提升其全球價值鏈韌性，主要體現在提高了全球價值鏈的穩定性和安全性。

本文的政策啟示主要體現在：

第一，把握快速變革期，為經濟高質量發展注入新動能。把握以“人工智能”為契機的快速變革期和戰略轉型期，將人工智能引入到更多的制造行業和企業中去，在替代低技術勞動力、提高資源配置效率的同時，通過“人工智能與制造業的深度融合”，促使“中國制造”向“中國智造”轉型升級。此外，在第一、三產業層面，積極引入人工智能設備、產品和技術，促使向高端農業、優質數智化服務轉型，并以此為基礎，促進人工智能加持下的新業態、新模式的萌芽和發展，最終促使我國產業結構優化升級，經濟高質量發展。

第二，多措并舉，切實解決核心技術“卡脖子”難題。發達國家對核心技術、關鍵零部件輸出持管制態度，眾多企業被列入美國實體清單。在此背景下，為切實增強我國的科技創新能力、快速進入全球數字變革調整期，政府既可加大對核心技術研發的精準支持，還可在加快建設全國統一大市場基礎上，爭取全球數字經濟規則制定話語權。企業方面，應在強化企業創新主體地位基礎上，立足自身發展需要，加大研發投入，積極引進高端人才，建立產學研實驗基地以及構建創新產業鏈條等，多措并舉，提升我國人工智能進出口水平，促使企業向全球價值鏈上游攀升。

第三，發揮人工智能對全球價值鏈韌性的提升作用。企業人工智能不僅體現在通過人工智能類設備的進出口鏈接國際生產分工網絡，還體現在人工智能技術的學習效應和溢出效應上。有效發揮在全球生產分工體系中的精準匹配、提前預防作用，穩定全球價值鏈；并通過差異化供需鏈接、多樣化匹配，使全球價值鏈更加堅韌、安全。此外，通過人工智能引進的優化利用，以更高質量、更高附加值的產品和服務融入到國內大循環體系中，并以不斷增強的國內優勢，提升我國人工智能出口水平，最終以國內循環促國際循環，促使國內、國際生產分工體系穩定、安全。

參考文獻

陳東、秦子洋，2022，“人工智能與包容性增長——來自全球工業機器人使用的證據”，《經濟研究》，第4期，第85-102頁。

戴翔、王如雪，2021，“中國開展OFDI有助于固鏈和強鏈嗎？”，《財經論叢》，第12期，第3-14頁。

費越、張勇、丁仙、吳波，2021，“數字經濟促進我國全球價值鏈地位升級——來自中國制造業的理論與證據”，《中國軟科學》，第S1期，第68-75頁。

郭凱明，2019，“人工智能發展、產業結構轉型升級與勞動收入份額變動”，《管理世界》，第7期，第60-77+202-203頁。

何宇、陳珍珍、張建華，2021，“人工智能技術應用與全球價值鏈競爭”，《中國工業經濟》，第10期，第117-135頁。

霍春輝、呂夢曉、許曉娜，2023，“數字技術與制造企業全球價值鏈地位攀升——打開數字技術賦能的‘黑箱’”，《南方經濟》，第3期，第11-28頁。

姜昊、董直慶，2023，“人工智能技術應用會存在選擇性偏向嗎？——行業屬性與就業偏向”，《南方經濟》，第12期，第37-61頁。

李磊、王小霞、包群，2021，“機器人的就業效應：機制與中國經驗”，《管理世界》，第9期，第104-119頁。

林峰、潘麗群、李宏兵，2023，“工業機器人的使用是否提振了創業活力？——來自跨國數據的經驗證據”，《南開經濟研究》，第10期，第145-164頁。

劉斌、潘彤，2020，“人工智能對制造業價值鏈分工的影響效應研究”，《數量經濟技術經濟研究》，第10期，第24-44頁。

劉燦雷、張靜、高超，2023，“中國產業智能化與智能產業發展——政策驅動視角”，《南開經濟研究》，第7期，第126-145頁。

劉宇英、盛斌，2023，“數字經濟與全球價值鏈國內鏈長”，《財經研究》，第4期，第35-49頁。

呂越、鄧利靜，2020，“全球價值鏈下的中國企業‘產品鎖定’破局——基于產品多樣性視角的經驗證據”，《管理世界》，第8期，第83-98頁。

呂越、谷瑋、包群，2020，“人工智能與中國企業參與全球價值鏈分工”，《中國工業經濟》，第5期，第80-98頁。

呂越、谷瑋、尉亞寧、包群，2023，“人工智能與全球價值鏈網絡深化”，《數量經濟技術經濟研究》，第1期，第128-151頁。

呂越、張杰，2024，“人工智能與產業鏈韌性提升”，《西安交通大學學報（社會科學版）》，第2期，第29-38頁。

蒲阿麗、李平，2019，“出口、市場化與資源配置效率的行業異質性分析”，《改革》，第9期，第93-102頁。

齊俊妍、任奕達，2022，“數字經濟發展、制度質量與全球價值鏈上游度”，《國際經貿探索》，第1期，第51-67頁。

蘇丹妮、盛斌、邵朝對、陳帥，2020，“全球價值鏈、本地化產業集聚與企業生產率的互動效應”，《經濟研究》，第3期，第100-115頁。

孫興、祝黃河，2024，“人工智能時代’機器換人’現象的審思”，《江西社會科學》，第5期，第152-161頁。

孫早、侯玉琳，2019，“工業智能化如何重塑勞動力就業結構”，《中國工業經濟》，第5期，第61-79頁。

屠年松、龔凱翔，2022，“‘引進來’‘走出去’的技術溢出對制造業價值鏈的效應研究——基于研發能力和產業集聚的門限回歸檢驗”，《暨南學報（哲學社會科學版）》，第7期，第64-79頁。

王彬、高敬峰、宋玉潔，2023，“數字經濟對三重價值鏈協同發展的影響”，《統計研究》，第1期，第18-32頁。

王嵐、程志宙，2023，“數字化投入、本土市場規模與服務業價值鏈復雜程度”，《國際貿易問題》，第8期，第71-87頁。

王嵐、程志宙，2024，“服務業數字投入、本土市場規模與國內分工深化——兼論產業鏈外部風險”，《經濟學動態》，第4期，第49-69頁。

楊仁發、鄭媛媛，2023，“數字經濟發展對全球價值鏈分工演進及韌性影響研究”，《數量經濟技術經濟研究》，第8期，第69-89頁。

張艷萍、凌丹、劉慧嶺，2022，“數字經濟是否促進中國制造業全球價值鏈升級？”，《科學學研究》，第1期，第57-68頁。

趙宸宇、王文春、李雪松，2021，“數字化轉型如何影響企業全要素生產率”，《財貿經濟》，第7期，第114-129頁。

鄭江淮、鄭玉，2020，“新興經濟大國中間產品創新驅動全球價值鏈攀升——基于中國經驗的解釋”，《中國工業經濟》，第5期，第61-79頁。

周洺竹、綦建紅、張志彤，2022，“人工智能對全球價值鏈分工位置的雙重影響”，《財經研究》，第10期，第34-48+93頁。

Acemoglu， D.， 2021， “Harms of AI”， NBER Working Paper， No. w29247.

Acemoglu， D. and Restrepo， P.， 2018a， “Artificial Intelligence， Automation， and Work”， The Economics of Artificial Intelligence： An Agenda， Chicago： University of Chicago Press， 197-236.

Acemoglu， D. and Restrepo， P.， 2018b， “The Race Between Man and Machine： Implications of Technology for Growth， Factor Shares， and Employment”， American Economic Review， 108（6）： 1488-1542.

Acemoglu， D. and Restrepo， P.， 2020， “The Wrong Kind of AI？ Artificial Intelligence and The Future of Labor Demand”， Cambridge Journal of Regions， Economy and Society， 13（1）： 25-35.

Acemoglu， D. and Restrepo， P.， 2022， “Tasks， Automation， and The Rise in US Wage Inequality”， Econometrica， 90（5）： 1973-2016.

Aghion， P.， Jones， B.F. and Jones， C. I.， 2017， “Artificial Intelligence and Economic Growth”， NBER Working Paper， No. w23928.

Agrawal， A.， Gans， J. and Goldfarb， A.， 2018， “Prediction Machines： The Simple Economics of Artificial Intelligence”， Boston： Harvard Business Press.

Antràs， P.， 2020， “Conceptual Aspects of Global Value Chains”， The World Bank Economic Review， 34（3）： 551-574.

Braun， M. and Larrain， B.， 2005， “Finance and The Business Cycle： International， Inter-Industry Evidence”， Journal of Finance， 60（3）：1097-1128.

Brynjolfsson， E.， Rock， D. and Syverson， C.， 2018， “Artificial Intelligence and The Modern Productivity Paradox： A Clash of Expectations and Statistics”， The Economics of Artificial Intelligence： An Agenda， Chicago： University of Chicago Press， 23-57.

Fisman， R. and Svensson， J.， 2007， “Are Corruption and Taxation Really Harmful to Growth？ Firm Level Evidence”， Journal of Development Economics， 83（1）： 63-75.

Frey， C.B. and Osborne， M.A.， 2017， “The Future of Employment： How Susceptible Are Jobs To Computerisation？”， Technological Forecasting and Social Change， 114： 254-280.

Gereffi， G.， 1999， “International Trade and Industrial Upgrading in The Apparel Commodity Chain”， Journal of International Economics， 48（1）： 37-70.

Gereffi， G.， 2018， “Global Value Chains and Development： Redefining the Contours of 21st Century Capitalism”， Cambridge： Cambridge University Press.

Graetz， G. and Michaels， G.， 2018， “Robots at Work”， Review of Economics and Statistics， 100（5）： 753-768.

Ivanov， D.， 2022， “Viable Supply Chain Model： Integrating Agility， Resilience and Sustainability Perspectives—Lessons from And Thinking Beyond The COVID-19 Pandemic”， Annals of Operations Research， 319（1）： 1411-1431.

John， K.， Litov， L. and Yeung， B.， 2008， “Corporate Governance and Risk-Taking”， Journal of Finance， 63（4）： 1679-1728.

Korinek， A. and Stiglitz， J.E.， 2017， “Artificial Intelligence， Worker-Replacing Technological Progress and Income Distribution”， NBER Working Paper， No. w24174.

Lewbel， A.， 1997， “Constructing Instruments for Regressions with Measurement Error When No Additional Data are Available， With an Application to Patents and Ramp;D”， Econometrica， 65（5）： 1201-1213.

Michaels， G. and Graetz， G.， 2015， “Estimating the Impact of Robots on Productivity and Employment”， Center for Economic Performance.

Simonite， T.， 2020， “Algorithms Were Supposed to Fix the Bail System. They Haven't”， https：//www. wired. com/story/algorithms-supposed-fix-bail-system-they-havent/gt;. Acesso em， 28： e43057.

Tang， C.S. and Veelenturf， L.P.， 2019， “The Strategic Role of Logistics in The Industry 4.0 Era”， Transportation Research Part E： Logistics and Transportation Review， 129：1-11.

Thompson， D.， 2019， “Should We Be Afraid of AI in the Criminal-Justice System？”， The Atlantic.https：//www.theatlantic.com/ideas/archive/2019/06/should-we-be-afraid-of-aiin-the-criminal-justice-system/592084.

West， D.M.， 2018， “The Future of Work： Robots， AI， And Automation”， Washington， DC： Brookings Institution Press.

The Impact of Enterprise's Artificial Intelligence Exports on Moving Up

and Resilience of Global Value Chain

Zhao Wentao" Wang Lan

Abstract： In the context of digital economy， how to move up the global value chain and enhance global value chain resilience with the help of digital technologies such as artificial intelligence is an important starting point to promote the high-quality development of China's economy and effectively resist global shocks. This paper explores the impact and mechanism of artificial intelligence （AI） exports on moving up the global value chain （GVC） at the micro enterprise level， and further explores the impact of AI exports on global value chain resilience. It is found that enterprise’s AI exports can effectively promote to move up the GVC， which are still significant after robustness test and endogeneity analysis. Moreover， it has heterogeneous effects on different trade modes， enterprise ownerships， industries and areas， as shown by the fact that enterprise’s AI exports are more likely to promote general trade and mixed trade enterprises， foreign investment and Hong Kong， Macao and Taiwan enterprises， medium and high-tech industries and enterprises in eastern regions to move up the GVC. The influence mechanism of enterprise’s AI exports on moving up the GVC is mainly reflected in two ways： improving overall resource allocation efficiency， enhancing Ramp;D and innovation. The extended analysis shows that enterprise’s AI exports can significantly improve GVC resilience by stabilizing existing chains and enhancing their resilience and security. It provides useful reference for how to promote enterprise’s high-quality development with the help of artificial intelligence based on the perspective of moving up the GVC and GVC resilience.

Keywords： Artificial Intelligence; Moving up of Global Value Chains; Global Value Chain Resilience

（責任編輯：徐久香）

*趙文濤（通訊作者），天津財經大學經濟學院，E-mail：zwt1202@163.com，通訊地址：天津市河西區珠江道25號天津財經大學經濟學院，郵編：300222；王嵐，天津財經大學數字經濟與管理學院，E-mail：lovelyclare2006@126.com。

基金項目：本文受國家社會科學基金青年項目“新發展格局下雙重價值鏈耦合對中國產業數字化轉型的影響及對策研究”（22CJY015）、國家社會科學基金一般項目“數字貿易規則對全球價值鏈重構的影響及其優化路徑研究”（21BGJ025）、天津財經大學優秀青年教師支持計劃的資助。

1本文全球價值鏈上游參與即全球價值鏈的前向參與。

1借鑒Wang et al.（2013）對出口增加值的分解方法，利用WIOD數據測算所得。其中，企業所在行業間接進口比例[θ1j]是指行業中間品出口中來自直接進口國和其他國家的國外增加值所占比例，由出口增加值分解中的FVA_INT測算所得。返回增加值比例[θ2j]是指經過通過中間品進口返回國內的本國增加值部分所占比例，由出口增加值分解中的RDV_INT測算所得。企業中間產品的間接出口比例[θ3j]是指行業出口的中間品被直接進口國利用，并進而出口至第三國，被第三國吸收的國內增加值比例，由出口增加值分解中的DVA_INTrex測算所得。

2篇幅所限，具體步驟留存備索。

1感謝審稿專家對檢驗多重共線性的寶貴建議。

1篇幅所限，企業人工智能出口的典型特征事實分析留存備索。

1感謝審稿專家對補充穩健性檢驗和內生性檢驗的寶貴建議。