生成式AI驅動數字創意產業全要素生產率的機制研究

摘要：生成式AI的廣泛應用正深刻重塑數字創意產業，對全要素生產率的提升具有重要意義。文章基于2010-2023年中國上市數字創意產業企業的微觀數據，結合企業年報中的生成式AI相關詞頻信息，系統評估了生成式AI對產業全要素生產率的影響。研究結果表明，生成式AI顯著提升了數字創意產業的整體生產效率，并主要通過優化數據要素配置、賦能新質生產力及改善勞動力技能結構三個核心渠道發揮作用。進一步分析發現，該技術對創新投入較高的企業及國有企業的高質量發展影響尤為顯著。文章的研究不僅拓展了全要素生產率影響因素的研究視角，也為推動生成式AI與數字創意產業的深度融合提供了理論支撐和現實啟示。

關鍵詞：生成式AI；數字創意產業；全要素生產率；數據要素配置；新質生產力

一、引言

隨著生成式人工智能技術的深度滲透，其在重構數字創意產業生產范式、優化要素配置效率方面展現出顯著動能。作為數據驅動的智能技術，生成式AI通過創新生產工具鏈和重塑價值創造路徑，推動產業向智能化生產模式轉型。政策層面，《生成式人工智能服務管理暫行辦法》與《“十四五”數字經濟發展規劃》等文件構建了技術創新與產業發展的制度框架，為探究AI技術經濟效應提供了現實背景。

現有研究主要沿兩條路徑展開：在應用領域層面，學者揭示了生成式AI在數字出版（揭其濤、王奕諾，2024）、虛擬數字人（王照涵，2023）及文獻管理（安子棟等，2023）等場景中的價值創造機制；在產業影響層面，研究證實其具有激發創意潛能（Anantrasirichaiamp;Bull，2020）、提升運營效率（Reznikov，2024）等正向效應，但也面臨版權界定（Zhouamp;Lee，2024）和人機協同（Science Direct，2024）等治理挑戰。然而，現有文獻存在三方面局限：第一，偏重個案研究而缺乏系統性理論框架；第二，對要素配置優化機制闡釋不足；第三，實證證據多基于截面數據，缺乏動態分析。

本研究基于2010-2023年中國數字創意產業上市企業面板數據，構建動態面板模型，重點解析生成式AI通過數據要素重構、生產力革新和勞動技能結構升級三大渠道影響全要素生產率的內在機制。相較于既有研究，本文的邊際貢獻在于：第一，構建包含技術滲透、要素流動和制度環境的多維分析框架；第二，揭示不同技術應用階段生產率效應的異質性特征。研究結論為完善AI治理體系和優化產業數字化轉型路徑提供政策啟示。

二、 理論機制與研究假說

生成式AI作為通用目的技術（GPT），通過技術滲透效應與要素重構效應雙重路徑驅動數字創意產業全要素生產率（TFP）提升。基于Acemoglu和Restrepo（2018）的任務模型與內生增長理論（Romer，1990），本文提出“技術滲透-要素重構-效率躍遷”理論框架。生成式AI的直接效應體現為技術對生產邊界的突破（Bresnahanamp;Trajtenberg，1995），間接效應則通過數據要素配置優化、新質生產力形成、勞動力技能結構升級三條文獻支撐的中介路徑實現。

（一）生成式AI對數字創意產業全要素生產率的影響

生成式AI的通用性通過三方面重構生產效率：一是內容生產范式革新，基于自然語言處理（NLP）和多模態生成技術，生成式AI自動化完成高重復性任務，顯著縮短創意生產周期（Gens，2022）；二是邊際成本趨零化，內容生成的邊際成本趨近于零（Agrawal，2019），突破傳統人力成本約束（Brynjolfsson，2023）；三是試錯成本壓縮，通過快速生成多樣化方案加速創意驗證（Goldfarbamp;Tucker，2023）。

假設H1：生成式AI對數字創意產業全要素生產率具有直接促進作用。

（二）生成式AI對數字創意產業全要素生產率的影響機制

一是數據要素配置優化。生成式AI通過整合多源數據、降低流通成本及挖掘數據價值提升配置效率。文獻表明，跨平臺數據整合可優化市場預測精度（王照涵，2023），區塊鏈技術可降低數據交易成本（安子棟等，2023），而AI驅動的需求挖掘顯著提升創意轉化率（Reznikov，2024）。

假設H2a：數據要素優化是TFP增長的中介路徑。

二是新質生產力形成。生成式AI通過智能化生產流程、數字資產創新及創意勞動力釋放催生新質生產力。研究表明，AI自動化設計可降低70%的研發成本（Anantrasirichaiamp;Bull，2020），虛擬數字人應用拓展商業服務場景（王照涵，2023），而人類與AI的協作模式可提升40%創新效率（ScienceDirect，2024）。

假設H2b：新質生產力驅動TFP提升。

三是勞動力技能結構升級。生成式AI通過低技能替代、高技能互補及新型崗位創造重構勞動力市場。Acemoglu和Restrepo（2018）的“任務模型”表明，技術替代低技能任務可釋放資源投向高價值領域；Zhou和Lee（2024）指出，AI與高技能勞動力的互補效應強化創新效能。

假設H2c：技能結構升級促進TFP增長。

三、研究設計與數據說明

（一）計量模型構建

本文為研究生成式AI的應用對數字創意產業全要素生產率的影響，借鑒楊高舉（2013）和車樹林（2023）等相關文獻，構建如下基本計量模型：

TFPit=α+βGAIit+∑γXit+μi+δt+εit

其中，TFPit表示企業i在年份t的全要素生產率，GAIit表示企業i在年份t的生成式AI指數。

（二）變量設定

1． 企業全要素生產率

采用Cobb-Douglas生產函數估算TFP，綜合反映技術進步與要素配置效率（魯曉東、連玉君，2012）：

Yit=Ait·K■■·L■■

其中Yit，Kit，Lit分別表示企業i在t年的銷售收入、固定資產凈值與員工總數。參考謝謙等（2021），基于Olley-Pakes（1996）半參數法控制內生性，提升估計穩健性。

2． 核心解釋變量

本文的核心解釋變量生成式AI指數。采用文本分析法，借鑒了吳非和徐斯旸（2022）的測算思路，基于人工智能、商業智能、圖像理解等15個關鍵詞作為核心指標。使用Python爬蟲與“jieba”分詞技術對2010-2023年A股上市企業的年報統計關鍵詞頻次，加1取對數生成指數。相較于專利法（尹志鋒等，2023）與技術滲透法（Acemogluamp;Restrepo，2020），該方法更適用于捕捉生成式AI的企業級應用特征。

3． 企業控制變量

為降低遺漏變量誤差，本文納入以下企業控制變量：企業規模（ln_資產總額）；企業年齡（ln_企業年數）；總資產凈利潤率；資產負債率；總資產周轉率；股權集中度；獨立董事比例（Indep Ratio）。

（三）數據來源

樣本篩選：依據《戰略性新興產業分類（2018）》等標準，篩選95家數字創意產業上市公司（2010-2023年），剔除ST/*ST樣本。數據來源：企業年報文本數據（生成式AI指數），財務與勞動力數據（RESSET、CSMAR數據庫）。數據處理：缺失值采用多重插補法填補，確保面板數據完整性。

四、基本估計結果及分析

（一）基準回歸結果

固定效應模型回歸結果中，生成式AI指數（GAI）的系數加入控制變量與未加入控制變量都在1%水平顯著為正（β=0.042/0.0299），表明GAI應用每提升1單位，企業TFP平均增長4.16%與2.99%。這一結果驗證了假設H1，即生成式AI對數字創意產業全要素生產率具有直接促進作用。

（二） 內生性檢驗

為緩解反向因果與遺漏變量偏誤，采用工具變量法（IV）進行處理。IV1采用滯后一期GAI指數；IV2使用GAI指數與均值的非線性三次方差值。結果顯示如表 1列（1）～（4）所示，第一階段F統計量gt;10，通過弱工具變量檢驗。IV回歸結果顯示GAI系數絕對值高于基準回歸（β_IV1=0.179，β_IV2=0.0754），表明基準結果存在低估。

（三） 穩健性檢驗

1. 樣本選擇偏誤校正

針對企業引入生成式AI的自選擇問題，采用傾向得分匹配法（PSM）進行樣本平衡。基于企業規模、年齡及資產收益率等變量進行1：1最近鄰匹配后，標準化偏差均低于10%，樣本平衡性顯著改善。匹配后回歸如表 1列（6）所示，生成式AI對TFP仍存在顯著正向效應（β=0.37），且企業規模與盈利能力呈現正向調節作用，而企業年齡與資產負債率則產生負向抑制效應，表明模型對異質性因素具有穩健解釋力。

2. 核心變量替換

為避免測度偏差，分別采用OLS法與LP法重新估計TFP。結果如表 1所示，生成式AI的回歸系數方向與顯著性水平均與基準模型一致（plt;0.01），證明不同測算方法下結論具有普適性。

3. 動態效應檢驗

為捕捉技術影響的時滯特征，引入滯后一期GAI（L.GAI）與前置一期TFP（F.TFP）進行回歸。結果顯示，滯后項系數為0.103且顯著（plt;0.01），表明生成式AI對TFP的提升具有持續效應；而前置項也通過顯著性檢驗。上述檢驗共同證實，生成式AI對全要素生產率的促進作用具有統計穩健性與動態持續性。

五、機制檢驗與異質性分析

（一）機制檢驗

為驗證生成式AI（GAI）對TFP的作用路徑，本文構建中介效應模型檢驗數據要素配置優化、新質生產力形成與勞動力技能結構升級三類機制。

Mit=γ0+γ1GAIit+∑γcXit+μi+δt+εit

其中Mit表示中介變量，包括數據要素配置（開放數林指數M1），新質生產力（M2）和勞動力技能結構（常規低技能勞動力M3和非常規高技能勞動力M4）。

1． 數據要素配置

基于開放數林指數（2017-2023年）衡量數據要素配置水平，回歸結果如表 2列（1）～（2）所示：GAI對數據配置有促進效應，GAI顯著提升開放森林指數（β=2.31，plt;0.01）；數據配置對TFP有驅動效應，開放森林指數每提升1單位，TFP增長0.002（plt;0.01）。生成式AI通過優化數據整合與流通效率，間接提升TFP，假設H2a成立。

2． 新質生產力

本文借鑒于洋和陳放等（2024）、何繼新等（2024）的研究，構建新質生產力的衡量指標。具體包括人均GDP、戰略性新興產業增加值占GDP的比重、大學生人數、機器人數量與總人口的比值、Ramp;D人員數量、智能計算中心建設、第三產業就業比重、新興產業產值占比及反映社會就業服務、工業創新、環保投入、專利申請、能源消耗等方面的數據。基于TOPSIS-熵權法計算新質生產力綜合指標，檢驗發現結果如表 2列（3）～（4）所示：GAI對新質生產力有激發效應，GAI顯著提高新質生產力指數（β=0.01，plt;0.05）；新質生產力對TFP的傳導效應為新質生產力每提升1單位，TFP增長0.25（plt;0.1）。生成式AI通過推動智能化生產與數字資產創新，形成新質生產力，假設H2b成立。

3． 勞動力技能結構

基于常規低技能（生產/業務人員占比）與非常規高技能（技術/研發人員占比）劃分（李磊等，2021），回歸結果如表 2所示。低技能替代效應中GAI顯著降低常規勞動力需求（β=-0.85，plt;0.01），并通過此路徑提升TFP（β=0.09）；高技能互補效應中GAI顯著增加高技能勞動力占比（β=0.85，plt;0.01），進一步強化TFP提升（β=0.09）。生成式AI通過“低技能替代-高技能互補”重構勞動力結構，驗證假設H2c。

（二）調節效應分析

企業創新能力對生成式AI（GAI）促進TFP提升有顯著調節作用。以研發投入為創新能力代理變量，GAI×研發投入系數顯著為正（β=0.0175，plt;0.01），表明高研發投入企業能更高效吸收生成式AI技術，放大其生產率增益。這一結果符合“技術吸收能力”理論，即創新能力強的企業通過優化技術轉化路徑，將AI的智能化優勢轉化為實際生產力，驗證了技術擴散的非均衡特征。

（三）異質性分析

生成式AI的TFP提升效應存在所有制異質性。GAI對所有企業TFP均顯著正向（plt;0.001），表明技術普惠性；國企的GAI回歸系數最高（β=0.1613），顯著高于民企與外企。交互項檢驗進一步顯示，GAI×國企系數顯著為正（β=0.09，plt;0.01），反映國企憑借政策支持與資源整合優勢，更高效利用生成式AI實現技術紅利；國企的強政府關聯性可能加速AI技術落地，如優先獲取算力基礎設施與數據資源，形成“政策-技術-效率”協同效應。

六、 研究結論與政策啟示

本文基于2010-2023年中國A股數字創意產業上市企業數據，系統考察生成式AI對產業全要素生產率的影響機制。研究發現：第一，生成式AI通過優化數據要素配置效率、重塑生產函數邊界及調整人力資本結構三重路徑，顯著提升企業TFP約9%，該結論經內生性檢驗及穩健性檢驗之后依然成立；第二，企業創新能力的調節效應呈現顯著異質性，研發強度每提高1個標準差，AI生產率增益擴大1.7%；第三，所有制異質性分析顯示，國有企業因數據資源優勢及組織變革彈性，TFP提升幅度達民營企業的9%。

基于實證發現，提出以下政策體系：一是構建AI驅動的創新生態系統。設立“生成式AI+創意”國家專項項目，重點突破多模態生成、情感計算等核心技術，在長三角、大灣區建設示范性“技術-場景-商業”閉環應用場景。同步建立行業倫理治理框架，制定AI生成內容溯源標準及數據合規指引。二是釋放數據要素乘數效應。實施“文化數據新基建”工程，依托東數西算節點建設分布式文化大數據中心，構建基于區塊鏈的數字資產確權流轉體系。建立分級數據安全監管機制，推行隱私計算技術在創意數據要素市場的應用。三是創新人力資本培育模式。實施“金字塔型”AI人才戰略，頂層引進認知科學等跨學科領軍人才，基層推行“數字工匠”認證體系。建立區域數字技能共享平臺，完善人機協作的職業培訓框架。四是深化國有企業AI賦能機制。將生成式AI應用納入國企負責人考核體系，制定AI輔助創作覆蓋率階梯目標。推動央企構建開源算法平臺，通過算力共享機制帶動產業鏈創新協同。

參考文獻：

[1] 喻國明，李釩.生成式AI浪潮下平臺型媒體的規則重構、價值邏輯與生態劇變[J].蘇州大學學報（哲學社會科學版），2024，45（01）：167-175.

[2] 黃世威.生成式AI嵌入短視頻：生產變革、文本再造與審美偏移[J].電視研究，2024（04）：78-81.

[3]高永杰，呂欣.生成式AI技術進化與圖像藝術生產范式革新[J].現代傳播（中國傳媒大學學報），2023，45（09）：159-168.

[4]何大安.生成式AI、企業競爭路徑與產業組織架構[J].求索，2024（05）：61-71.

[5]陳悅嫣，賴俊明.生成式AI對提升制造業虛擬資產價格預測精準性的研究[J].價格理論與實踐，2024（04）：21-27.

＊基金項目：大學生創新創業訓練項目（項目編號：202410856016）。

（作者單位：上海工程技術大學管理學院）