劳动力结构、工业智能与全要素生产率
——基于我国2004—2016年省级面板数据的分析
2020-10-14张万里
魏 玮, 张万里, 宣 旸
(1 西安交通大学 经济与金融学院, 陕西 西安 710061; 2 西安电子科技大学 人文学院, 陕西 西安 710126)
一、 问题的提出
随着人工智能、3D打印、智能装备等科技的不断产生,全球已经进入了全新的工业4.0阶段,经济增长的源泉和动力发生了根本性改变。2018年全球机器人产业市场规模超过298.2亿美元,同比增长28.5%,而中国机器人市场规模为87.4亿美元,同比增长39.2%。其中,工业机器人市场规模约为62.3亿美元,服务机器人市场规模约为18.4亿美元,特种机器人市场规模约为6.7亿美元(1)数据来源于《2019年中国机器人市场分析报告——行业调查与投资前景预测》。。工业机器人是工业智能的核心,中国作为全球第二大经济体,智能制造水平不断提升。根据《中国制造2025》《智能制造发展规划(2016—2020年)》等重要政策,2017年我国智能制造行业的产值规模约为1.5万亿元,2018年我国智能制造业产值规模预计1.8万亿元左右,智能制造业逐渐成为我国经济增长的支柱。(2)数据来源于前瞻产业研究院《2018年智能制造行业产值规模与发展分析 2020年产值将达3万亿》,前瞻经济学人网,https∥www.qianzhan.com/analyst/detasl/220/190305-ealed4c2.html。
工业智能吸引越来越多的企业向智能化转变,这无疑扩大了产量,提高了生产率。然而随着越来越多的劳动力被工业智能替代,“机器换人”的现象不断出现,劳动力结构正发生着巨大的变化[1]。2017年美国制造业岗位比2007年少140万个,制造业工人工资及福利水平太高,企业将大量资金投入到自动化和机器人领域,替代了工人岗位。工业智能引起的就业变化如同一把双刃剑,一方面在提高了劳动生产率和资本生产率的同时,直接减少了就业岗位,另一方面工业智能却又创造了新的就业岗位[2-3]。工业智能发展的不同阶段,对劳动力的需求也是不同的。工业智能发展初期,由于技术水平不完善,对高技术人才的需求不是很高,智能装备对普通工人的替代成本较高,不利于地区发展。工业智能发展后期,随着普通劳动力不断被替代,高技术人才需求提高,若劳动力结构主要以普通劳动力为主,也不利于地区发展[4]。
劳动力结构随着工业智能的发展如何影响地区全要素生产率?不同地区工业智能水平又是如何?对于不同地区要素禀赋结构,是否存在最优的工业智能发展水平?基于此,本文使用宏观和微观数据构建省级工业智能化指数,运用面板平滑转换模型(Panel Smooth Transition Regression, PSTR)分析2004—2016年我国不同地区劳动力结构随工业智能变化而如何影响地区全要素生产率,并提出政策建议。
二、 理论基础与假设
工业智能最早由美国计算机科学家约翰·麦卡锡(John McCarthy)提出,经过这么多年的发展,工业智能正在不断挤压着全社会的就业。然而有种观点认为,工业智能越发达,创造出的新岗位就越多,越能促进生产率的提高[5]。国内外关于工业智能影响劳动力结构的文献较为丰富,但大多都为理论性分析,而劳动力结构影响全要素生产率的文献比较多,涉及理论分析和实证分析。阿西玛格鲁(Acemoglu)等使用1990—2007年美国劳动力市场数据,得出机器人对劳动力的替代效应,美国每1 000名劳动力每增加1个机器人会使得总就业人口下降0.34%[6]。工业智能化能够促进经济增长这一结论似乎得到了学界的认可,因为它能够代替劳动力,提高生产率[7]。但是,机器人的使用又会抑制劳动力的工资提升,从而降低了投资,不利于未来的经济发展[8]。然而工业智能化对全要素生产率的作用机制到底如何?它将如何影响劳动力结构而改变全要素生产率?
现有研究主要把工业机器人进口量作为工业智能化指标,本文拟从微宏观视角重新构造工业智能化指数,并将工业智能化、劳动力结构和全要素生产率放在同一框架内进行研究,以检验劳动力结构如何随着工业智能化变化而影响全要素生产率;通过构建面板平滑转换模型(PSTR)研究劳动力结构和全要素生产率之间的非线性关系,得到适合当地发展的最优工业智能化指数。鉴于此,本文提出以下3个假设:
H1:劳动力结构对全要素生产率产生非线性影响
劳动力结构主要指社会中高等人才占比、男女比例、劳动力教育水平高低等,这些变量对经济增长和全要素生产率的影响显而易见。彭代彦等使用2003—2010年的中国农村劳动力结构变化,研究其对农村全要素生产率的影响,发现劳动力老龄化和高等教育会提高农业全要素生产率,但存在地区差异。[9]顾和军等通过分析我国劳动力结构演变历程,发现劳动力结构和产业结构转型升级不符,加之劳动力转移受阻,严重阻碍着经济增长,不利于全要素生产率的提高。[10]史桂芬等将人口迁移变量引入人口增长模型中,将劳动力结构内生化,通过使用2001—2015年31个省份面板数据研究劳动力结构如何影响经济增长,得出我国存在最优的劳动力结构。[11]地区之间存在产业结构差异,融资水平和地方政策也存在区别,不同的要素禀赋会使地区对劳动力的需求产生差异。如若地区以低技术水平的农业为主,则高技术人才比重的提高并不能显著提高当地的经济增长;相反,当地区以战略性新兴产业为主的制造业和服务业为主,那么低技术水平人才并不能将这些产业的作用发挥极致。
H2:工业智能化对全要素生产率的作用为正,但为非线性关系
工业智能是科学技术上的一次革命性升华,现有文献普遍认为工业智能能够提高生产率,并且促进经济增长。工业智能作为一种新的生产要素,能够通过3个方面促进经济增长:(1) 工业智能能够促使复杂的体力任务自动化;(2) 人工智能可以替代现有的劳动力和资本,提高生产效率;(3) 工业智能能够促进创新,并且通过溢出效应扩散到整个行业。[12]部分学者使用基于任务的模型得出自动化能够产生替代效应和生产力效应,替代效应会降低劳动力需求,而生产力效应则通过使用更便宜的资本替代劳动而提高生产力。[13-14]工业机器人作为工业智能的重要指标,其对经济增长的影响不容小觑,格拉茨(Grartz)使用1993—2007年全球17个国家的面板数据进行实证研究,发现工业智能能够提高当地经济和全要素生产率,但是随着工业智能水平的不断提高,拥挤效应出现,其产生的边际效应不断减弱。[15]李丫丫等使用2001—2014年省际面板数据得出,工业机器人进口贸易会促进中国制造业生产率的提升。[16]总的来说,工业智能化可以提高企业的生产效率,但也会对劳动力进行替代,被替代的劳动力无法在当地找到满意的工作,不能发挥他的全部价值,导致地区的经济增长放缓,但随着智能化水平不断提高,更多的岗位不断被创造,创新水品不断提高,工业智能会对全要素生产率产生正向作用。
H3:不同地区劳动力结构随着工业智能的变化,对全要素生产率的影响不同,也是非线性的
不同地区要素禀赋结构不同,地区间要素流动存在阻碍,所以地区的要素需求并非越多越好。东部沿海地区工业发展快,人民消费水平高,高科技人才汇集,这会导致东部沿海地区对工业智能需求增加。而对于中西部,由于以农业和落后的制造业为主,劳动力技能水平弱,对工业智能的需求不足,如果强行提高工业智能,则会造成失业,工业智能不能发挥全部作用,严重影响经济增长。董旭等测算了城市全要素生产率,得出东部沿海地区受信息基础设施、教育、制造业集聚的影响较大,而中西部地区全要素生产率主要受科技支出和经济密度影响,不同地区全要素生产率的关键影响因素是不同的。[17]孙早等使用2001—2015年省级面板数据,分析工业智能化对劳动力结业的影响,指出由于人工智能的发展,东部沿海地区已经出现了就业的单极化现象,这不利于经济的可持续增长。[18]所以,对不同地区而言,工业智能化水平并非越高越好,由于要素禀赋结构、产业结构等因素,工业智能存在最优点,在最优工业智能化水平上,劳动力结构、产业结构等因素才能更好地促进地区的全要素生产率。
三、 模型构建与变量介绍
(一) 模型设定
诸多研究显示劳动力结构和全要素生产率之间的非线性关系,并且工业智能对全要素生产率的影响为正向。随着不同地区工业智能化水平不同,劳动力结构对全要素生产率的影响是不同的,所以本文构建带有门槛的面板平滑转换模型(PSTR),具体模型如下:
(1)
其中,γ反映了转换函数的变换速度,该值越大转换越快。c为平滑参数,qit为转换变量,其中转换函数g(·)为:
(2)
本文根据上述的理论模型建立如下PSTR模型:
GML=∑β×xit+∑β′×g(AIit;γ,c)×xit+uit
(3)
其中,uit表示随机扰动项,xit表示AIit、LSIit、CONSPit、ISit、FDIit、FINit、INFit和PRit。
(二) 变量选取与数据来源
1. 被解释变量
采用引入非期望产出的GML指数(Global Malmquist-Luenberger)衡量各个省份的全要素生产率,该指数既可以避免出现线性规划无可行解的问题,又具有可传递性特征,能够循环累加,有效解决传统ML指数和曼奎斯特(Malmquist)指数的缺陷,投入产出主要从2004—2016年《中国统计年鉴》获得。
(1) 投入指标。该指标将固定资产合计(亿元)、年末从业人数(万人)、单位国内生产总值(GDP)能源消耗(万吨/亿元)作为投入变量。
(2) 产出指标,即工业总产值(亿元)。
(3) 非期望产出指标。该指标使用工业废水排放量(万吨)、工业废气排放量(万吨)、工业固体排放量(万吨)3个指数来衡量。
2. 解释变量
本文的解释变量包括劳动力结构和工业智能化指数,具体计算方法如下:
(1) 劳动力结构(LSI)。受工业智能影响最大的是地区高技术人才的占比,工业智能会替代部分低技术水平人才,但仍需部分了解智能技术和管理技术的高技术员工,所以本文采取朱巧玲等使用的劳动力结构指数[1]。这里将劳动力结构定义为技能劳动与非技能劳动的比值,其中技能劳动为大专及以上学历就业人员占全国就业人数的比值,非技能劳动为其余就业人员占全国就业人数的比值,用公式表达为:
LSI=LS/LUS=LS/(1-LS)
(4)
其中LS为技能劳动就业人数占比,LUS为非技能劳动就业人数占比,以上的指标数据均来自2004—2016年《中国劳动力统计年鉴》和《中国统计年鉴》。
(2) 工业智能化指数(AI)。按照赛迪智库装备工业研究所整理数据可知,工业智能化主要包括智能制造装备及生产线、机器人、大型生产系统、数字化智能化工厂(车间)、智能部件及装置、控制系统、应用软件等。[20]但是由于数据的可得性,这里借鉴孙早等研究中使用的指标[18],通过熵权法构建工业智能化指数。所有数据来自2004—2016年《中国电子信息产业统计年鉴》《中国信息产业年鉴》和《中国统计年鉴》,具体指标如下: 1) 软件使用情况。采用基础软件、支撑软件、嵌入式软件和应用软件的进口额占工业和运输、邮电和软件行业营业收入的比重; 2) 工业智能仪器设备使用情况。使用计算机、电子元件、电子器件、电子材料和电子仪器的进口额占工业和运输、邮电和软件行业营业收入的比重; 3) 数据处理情况。使用信息技术咨询设计服务、数据服务和运营服务收入占工业和运输、邮电和软件行业营业收入的比重; 4) 平台维护服务情况。主要是用信息系统集成业务、电子商务平台服务和运营维护服务收入占工业和运输、邮电和软件行业营业收入的比重; 5) 信息采集能力。使用各省份互联网使用人数占总人口数的比重; 6) 工业智能企业情况。这里使用各地区工业智能企业数目进行替代(3)工业智能相关企业通过使用python软件从智能制造网(https:∥www.gkzhan.com/)爬虫所得。;7) 创新能力。这里使用所有工业智能企业授权专利数进行衡量(4)通过爬虫得到所有工业智能企业数据,然后使用python在佰腾网(https:∥www.baiten.cn/)爬虫匹配所得。。8) 能源消耗情况。使用各省份的单位GDP(国内生产总值)能源消耗情况衡量。通过以上构建的8个指标,使用熵权法将这些指标合并为一个指数,本文秉承最大化反映工业智能的原则构建指标。
3. 转换变量
使用上文构建的工业智能化指数(AI)作为转换变量,得出劳动力结构随着AI指数的变化如何影响全要素生产率。
4. 控制变量
为了能够更好的构建模型,需要补充其他的控制变量,涉及产业结构、金融、能源、创新、贸易水平等,具体如下: 1) 消费水平(CONSP),使用各省城镇居民家庭人均消费支出占可支配收入的比重; 2) 产业结构(IS),使用各省份第三产业总产值占地区GDP的比重; 3) 直接外商投资(FDI),使用各省份外商直接投资占GDP的比重来衡量; 4) 投融资水平(FIN),使用各省份年末存贷款占GDP的比重; 5) 基础设施(INF),使用人均城市道路面积来衡量; 6) 创新水平(PR),使用各省份有效专利数和研发投入的比值来衡量。以上的数据均通过2004—2016年《中国统计年鉴》和《中国科技统计年鉴》搜集[18][21-22]。
(三) 描述性统计与现状分析
在进行描述性统计前,这里先对数据进行处理,具体如下: (1) 由于西藏的绝大多数数据没有披露,所以本文将西藏自治区剔除,对其余30个省份进行研究; (2) 本文对所有指标取对数,所以出现绝大多数变量为负数的情况。表1为所有变量的描述性统计,可以看出,GML的自然对数均值和方差分别为-0.01和0.04,其变化幅度较小;工业智能化指数(AI)的自然对数均值分别为-2.73和0.33,波动也比较小,说明我国工业智能最近几年的发展速度不是很快,地区差异不大;劳动力结构的自然对数均值为-0.89,方差为1.00,波动幅度是所有变量最大的,说明各个地区不同年份的劳动力结构差异比较大。而控制变量中,除投融资水平(FIN)和外商直接投资(FDI)的方差较大以外,其他变量的变化都比较小,各个地区各个年份变量变化都较为稳定。
表1 相关变量的统计性描述
表1对所有变量进行了描述性统计,对于本文的核心变量GML、LSI和AI,这里列出了2016年的全国分布图,如图1所示。从中可以看出,我国全要素生产率水平较高的地区主要分布在山东、广东等地,而北京等地区的全要素水平并不高。对于劳动力结构,我国高技能人才主要集中在北京、天津、上海、浙江和江苏等地,中部地区和西南地区的高技能人才比重很小。而对于工业智能化指数,我国工业智能发展水平较高的地区主要集中在广东、北京、山东,而中部和西部四川等地区的工业智能水平要比其他地区高很多。通过以上分析可以看出,并非工业智能化水平和劳动力结构水平越高,全要素生产率就越高,它们之间存在着非线性关系。
图12016年相关指标分布
四、 实证结果
(一) 面板单位根检验和非线性检验
一些非平稳的经济时间序列往往存在共同的变化趋势,但这些变量可能没有直接的关联,通过回归可以得到较高的拟合度,其结果是无效的,这种情况称为伪回归。为了防止伪回归,确保估计结果的有效性和稳健性,需要使用单位根检验对面板数据进行平稳检验。本文使用LLC、IPS和HT指标对面板数据进行检验,结果如表2。除过PR的LLC检验、AI的IPS检验和HT检验没有通过1%的显著性水平,但都在5%的水平上拒绝了原假设,而其他变量的所有检验都在1%的显著性水平上拒绝了原假设,说明变量平稳性较好,不存在单位根。
表2 面板单位根检验
相关文献表明,截面之间可能存在相关性,这会导致传统的单位根检验失效,造成显著性偏差。如若存在截面相关性,则需要使用考虑截面相关的单位根检验来验证面板数据是否为平稳的。这里采用佩萨然(Pesaran)年提出的CD检验和CIPS检验来测量,通过Matlab编程得到检验结果如表3所示[22]。可以看出除过AI、CONSP和FIN的CD检验在部分滞后期没有通过原假设,其他变量都在10%的显著性水平上拒绝原假设,说明所有变量均存在着截面相关。为此,本文需要进行第二代单位根检验,除过部分变量的部分检验没有通过原假设,其他检验都在10%的显著性水平上拒绝了原假设,这说明所有变量都是平稳的。
表3 面板单位根检验
表4 线性与剩余非线性检验
(二) 实证结果分析
图2为全国、东部、中部和西部地区回归结果的转换函数,结果显示Model1-Model4的部分观测值存在于工业智能的高机制和低机制之间,全国和东部地区存在两个转换区间,而中部和西部地区存在一个转换区间,如果使用线性回归模型和带有高阶变量的非线性回归模型都会对结果造成误差。表5为Model1-Model4的实证结果,从中可以看出,工业智能化指数AI和劳动力结构LSI的绝大多数回归系数均在10%的水平上显著,其他控制变量也大都显著,说明使用PSTR模型回归得到的拟合结果较好。全国和东部地区存在两个门限值,分别为AI=e-4.754 4、AI=e-5.796 4和AI=e-4.757 8、AI=e-6.377 8,转换速度分别为γ=119.532和γ=251.185,这说明全国和东部地区转换速度较为陡峭。而对于中部和西部地区,都只存在一个位置参数,分别为AI=e-6.955 1和AI=e-7.106 2,转换速度分别为γ=12.936和γ=25.109,可以看出工业智能化指数的位置参数要比全国和东部地区要低,并且转换速度较为平缓。
图2 全国地区转换函数
首先来看劳动力结构对全要素生产率的影响,对全国来说,当工业智能化水平较低的时候,劳动力结构对全要素生产率的影响为0.012 4(-0.086 7+0.099 1),而当工业智能化水平不断增加到门槛值AI=e-5.796 4,劳动力结构对全要素生产率的作用为-0.086 7,当工业智能化水平指数继续增加到门槛值AI=e-4.754 4时,劳动力结构对全要素生产率的影响为0.012 4(-0.086 7+0.099 1)。对于东部地区而言,工业智能化较小的时候,劳动力结构对当地全要素生产率的作用为正向的,即0.040 7;随着工业智能化指数不断提升至门槛值AI=e-6.377 8,其对全要素生产率的正向作用逐渐降低为负值,即-0.117 3;而当工业智能化智能持续增加到门槛值AI=e-4.756 78,劳动力结构对全要素生产率的影响又变为正值。这说明虽然工业智能化能够影响劳动力结构对全要素生产率的影响,但从长期来看,东部地区拥有充足的智能化配套基础设施,因此智能化技术的发展比中西部地区快,劳动力结构更能够促进全要素生产率。对于中部地区,当工业智能化水平发展不足的时候,并非高技能劳动力就能促进全要素生产率,劳动力结构对全要素生产率的贡献率为-0.292 0,而随着工业智能化不断地提高到门槛值AI=e-6.955 1,劳动力结构对全要素生产率的影响逐渐变为正值,但这种正向作用比较小,为0.036。中部地区门槛值不高以及劳动力结构的正向作用不强都说明中部地区工业智能化需求不高。而对于西部地区,当工业智能水平低的时候,其对全要素生产率的影响系数为-0.143 0,当工业智能不断发展,其对全要素生产率的影响不断为正,与中部地区相同,其正向作用偏弱,为0.057 7,说明中西部独有的地区特点使劳动力结构并非高技能劳动力越多越好。以工业智能化指数对全要素生产率的影响为例,表5可以看出不同地区的影响系数均为正值,说明人工智能可以促进全要素生产率的提升。
表5 参数的估计结果
通过以上的分析可知,所有地区随着工业智能化水平的提高,劳动力结构对全要素生产率的正向作用会达到最优。这说明我国智能化发展水平不是很高,各个地区需要大力发展工业智能,并且配备更多的高技能人才,才能将生产率提升到最大。对于东部地区,存在两个门槛。一方面是因为全国的高技能人才都集中在东部沿海地区,早期小规模的智能化能够带动企业扩大产量,促进当地的经济发展,但随着智能化技术的不断应用,为了获得智能化带来的利益,新企业不断加入,而盲目地使用智能化技术以及地区智能化配套基础设施没有及时建立,会导致企业之间竞争压力增加,高技能人才无法发挥低技术水平的工业智能化设备和技术,从而导致劳动力结构阻碍经济发展。但是随着工业智能化技术水平的不断提升,企业对技术的应用更加熟练,劳动力也逐渐适应全新生产模式,对高技能劳动力的需求提升又再次促进全要素生产率。对于中部和西部地区,由于本身劳动力结构以低技能和农业劳动力为主,企业发展规模不足,创新能力差,早期的智能化需要投资大量的资本,不能完全取代廉价的劳动力,并且其无法与东部沿海地区企业进行竞争,所以劳动力结构对全要素生产率的影响为负,但是随着技术水平不断完善,劳动力不断学习智能技术,企业规模和创新水平不断提高,大量高技能人才能够熟练使用智能技术,从而促进当地经济增长,提高全要素生产率。
以上我们分析了劳动力结构和工业智能两个核心解释变量的实证结果,接下来对控制变量进行简单分析。对于人均消费,随着工业智能水平的提升,所有地区最后都会对全要素生产率产生正向作用。对于产业结构,其随着工业智能水平的提升对全要素生产率的影响为负,这说明我国还是以农业和制造业为主,第三产业占比过高不利于国家经济快速增长。东部地区和中部地区的外商直接投资随着工业智能的增加对全要素生产率的作用为负,说明其对当地的企业发展造成了挤出效应;而西部地区却相反,主要是因为西部地区的外商投资较少,并且当地的企业融资水平也不高,外商投资有利于当地经济增长。东部地区基础设施水平会对全要素生产率产生不利影响,出现了拥挤现象,而中部地区和西部地区的基础设施会随着工业智能水平的太高而促进全要素生产率。除西部地区的专利会对负向影响全要素生产率之外,中部和东部地区都会提高全要素生产率,说明西部地区企业创新能力明显乏力,需要当地政府提高资金投资和人才引进,促进有效创新。
(三) 稳健性检验
这里对模型进行稳健性检验,使用ML指数替代GML指数,并且用主成分分析将工业智能化的相关指标合成一个指数(AIP),通过使用PSTR方法检验模型和实证结果的合理性。Model5-Model8为全国、东部、中部和西部的实证结果,可以看出工业智能化指数(AIP)和劳动力结构(LSI)的绝大多数系数都在10%的水平显著,全国和东部地区存在两个位置参数,而中部和西部地区存在一个位置参数,除过部分变量不显著,并且与表5中符号相反,其余大多数变量的符号均相同(见表6),这说明了实证结果的有效性。
表6核心变量改变的稳健性检验
表7为通过创建新的变量来对模型和实证结果的稳健性进行检验,并没有说明本文PSTR模型的合理性,这里使用引入交叉项的系统GMM来进行回归拟合,变量与表5相同。可以看出,交乘项的系数都在10%的水平上显著,说明了存在非线性。工业智能化指数和劳动力结构的系数都为正,也说明了本文使用PSTR模型的合理性,实证结果也有较好的解释性。
表7模型构建改变的稳健性检验
五、 结论
受第三次工业革命的影响,全球处在科技浪潮的风口浪尖,我国三大产业正在向智能化靠拢。一方面随着工业智能的不断发展,企业生产结构、消费者生活以及劳动力结构都在发生质的改变,大量的资本和劳动被工业智能替代,提高了生产率,但另一方面失业、要素禀赋等因素又阻碍着地区的经济增长。本文基于2004—2016年我国的省级面板数据,构建了工业智能化指数,通过使用面板平滑转换模型研究劳动力结构随着工业智能化指数的变化如何影响引入非期望产出的全要素生产率。得到结论如下: (1) 工业智能能够促进全要素生产率,说明企业引入智能制造可以促进规模化生产,提高产量; (2) 劳动力结构随着工业智能的发展最终对全要素生产率产生正向作用,现阶段需要提高工业智能化水平,才能够引入高技能人才,提高劳动力结构,从而促进全要素生产率; (3) 随着地区特点不同,工业智能化水平不同发展阶段劳动力结构对全要素生产率的作用不同,东部沿海地区工业智能早期阶段劳动力对生产率产生正向作用,而中西部产生负向影响,不同地区不同智能化水平需要的高技能人才不同。
基于以上的结论,劳动力结构并非一直对全要素生产率产生正向作用,当地的产业结构、基础设施、融资水平等因素不同,导致工业智能化的提高并非引起高技能人才对经济增长产生促进作用,所以本文提出以下政策建议: (1) 各地区在大力兴建工业智能的同时,不能盲目地吸引高技能人才,应该根据当地产业结构、生活成本等因素,适量并逐步改变劳动力结构,尽量让现有劳动力能够发挥所有资本的作用,提高工业智能在三大产业的生产力; (2) 全国各地应该扩大关于工业智能的高等教育投资,加强高等教育的内涵,提高产学研合作机制,调整和优化大学教育的结构,促进高等教育人才和智能化企业之间的有效衔接,并且高校还要提高科研水平,促进工业智能科学技术水平的研发,发挥高校对智能化进程的推动作用; (3) 在产业政策方面,鼓励北上广深地区工业智能发展速度较快的区域建立产业集群式发展模式,重点培育先进企业成为全国乃至国际领先带头企业,而其他地区产业要根据企业自身发展情况和未来发展目标,适当引入和发展智能技术,避免智能技术的浪费; (4) 各地方政府应该制定政策建立国际性合作机构,中国的5G技术在全球处于顶尖,这都是国内企业和国外企业共同努力合作的结果,未来智能化发展也应如此。我国应该牵头建立国际智能监管机构,对有关智能技术的创造、使用和学习进行监督管理,避免智能技术的漏洞和滥用,全力推动智能技术高速发展。