北京市人工智能企业全要素生产率的测度及差异性研究＊

■ 李雅宁 何勤 陈春春 谢丽伟

1.北京联合大学管理学院 北京 100101

2.首都经贸大学劳动经济学院 北京 100070

0 引言

我国高度重视人工智能技术的创新与产业发展，2017～2019年连续3年的政府工作报告均提出要大力发展人工智能，显示出中国政府抢占人工智能时代至高点的战略决心和规划。作为国际科技创新中心，北京市将以人工智能为主的高精尖产业定位为未来新的重要经济增长点。2017年以来，北京市陆续出台了多项支持人工智能创新发展的政策措施，在产业环境、技术创新、资金支持、人才服务等方面对人工智能产业给予了政策支持。2017年12月，北京市发布《北京市加快科技创新培育人工智能产业的指导意见》，提出到2020年人工智能总体技术和应用达到世界先进水平。2018年11月，北京市科委发布《北京智源行动计划》，提出将北京打造成为链接世界人工智能产业与学术资源的中心枢纽。2019年2月，北京成立我国首个人工智能创新发展试验区，2020年获批人工智能创新先导区，北京已经成为我国人工智能发展和技术创新的前沿阵地。

国内外学者们围绕人工智能对经济增长、就业、收入分配、劳动者技能、人格和伦理等方面的影响进行了较广泛的探讨[1-4]，就人工智能的政策[5]、发展现状和未来的趋势[6]以及人工智能对产业的影响[7]进行了较为深入地研究。有关人工智能全要素生产率的研究视角多集中在区域、产业和企业层面。基于区域视角的研究多采用宏观数据测算和比较不同区域的生产率及差距[8]，预测生产率的发展趋势[9]。基于产业视角的研究多选取某个产业或行业，如农业产业[10]、装备制造业[11]、服务业[12]等，评价和比较不同地区的生产效率水平。基于企业视角的研究多选取上市企业作为研究样本，如互联网上市公司[13]、农业上市公司[14]、“区块链”上市公司[15]、人工智能板块上市公司[16,17]等，一些学者还构建了高新技术企业的生产效率评价指标体系，综合评价技术领域差异所带来的企业效率的变化[18,19]。

总体来看，有关人工智能的理论研究仍处于起步阶段，相关文献并不丰富。有关人工智能全要素生产率的定量研究较少，大多以测度技术进步或创新要素所带来的生产率变化为主，且主要测算单一的技术效率。人工智能企业全要素生产率是影响其行业、产业与区域生产率变化的基础因素，因此，以人工智能企业为视角研究全要素生产率变化更能体现人工智能技术对微观主体生产率的直接影响，有利于发现人工智能推动生产效率提升的微观机制和“异质性”。但是，由于微观企业调研和数据获取等方面存在一定的困难，现有文献对人工智能企业全要素生产率的测度与评价研究较少。北京市人工智能产业在政策红利的推动下得到快速发展，截至2019年4月，全国人工智能类企业共4084 家，其中北京市人工智能类企业1084 家，占比为26.5%。然而，人工智能企业“规模”上的迅速膨胀能否能带来“效率”水平的同步提升？人工智能企业全要素生产率如何定量评价？不同类型的人工智能企业全要素生产率有何差异？如何改进企业生产效率？本文以北京市人工智能企业为研究对象，依托上市公司披露的数据及企业调研问卷获取的数据，综合测度北京市人工智能企业的全要素生产率水平，比较不同类别、不同行业的北京市人工智能企业全要素生产率的差异，并提出改进企业生产效率的措施建议，对促进北京市人工智能产业的高效发展具有一定的现实意义。

1 研究方法

1.1 全要素生产率的测算及分解

技术进步水平的测算通常有两类方法：一类是参数方法，包括索洛余值法和随机前沿法；第二类是以数据包络法（DEA）为代表的非参数方法。DEA-Malmquist指数方法将技术进步水平分解成技术进步率和技术效率，其中，技术效率又可以分解为规模效率和纯技术效率，Malmquist 指数可以用于评估技术进步水平的动态变化。因此本文采用DEA－Malmquist指数法测算北京市人工智能企业全要素生产率及分解变化情况。

Malmquist 指数方法是在DEA 模型基础上设定的，假设每个人工智能企业被看作一个决策单元，将各个人工智能企业决策单元的效率与前沿面来对比，进而测量效率，见式1。

上式y 和x 分别表示不同时期的产出量和投入量。Dt和Dt+1分别表示第t 期和第t+1 期的技术参照距离函数。假设规模报酬可变，Malmquist 指数表示的全要素生产率（用TFPch表示，下同）为技术效率（用Effch表示，下同）变化指数与技术进步（用Tech 表示，下同）变化指数的乘积，见式2：

在上述假设下，技术效率变化（Effch）等于规模效率（用Sech表示，下同）变化与纯技术效率（用Pech表示，下同）变化的乘积，见式3。各效率指标的变化反应相应的生产率变化，当效率指标小于1时，表示其对应的生产率呈现下降趋势；反之当效率指标大于1，表示其对应的生产率呈现上升趋势；等于1时，其对应的生产率不变。

1.2 指标选取及数据来源

本文选取2016～2018年114 家北京市人工智能企业为研究样本，其中包含同花顺Ifind金融数据库中披露的北京上市人工智能企业24家，通过课题组企业调研问卷获取的北京市非上市人工智能企业90 家。在北京市人工智能企业全要素生产率水平测度的研究部分，选取企业固定资产和技术人员数量作为投入变量，选取营业收入作为人工智能企业的产出指标，基于DEA-Malmquist指数模型和样本人工智能企业的数据，运用DEAP2.1 软件测算北京市人工智能企业全要素生产率及其分解指标，以企业差异、行业差异以及是否上市为维度，比较分析动态Malmquist 生产率指数及其变化情况。

2 北京市人工智能企业全要素生产率评价

2.1 全要素生产率水平

基于DEA－Malmquist 指数法本文测算得到北京市114 家人工智能企业2016年～2018年全要素生产率指数及其分解结果（表1）。2016～2018年114 家北京市人工智能企业的全要素生产率平均增长率为0.7%，其中，技术效率平均增长率为0.6%，技术进步平均增长率为0.1%，技术效率对企业全要素生产率的促进作用大于技术进步效率。其中，2016～2017年北京市人工智能企业的全要素生产率增长率为4%，2017-2018年的全要素生产率下降2.5%。

表1 北京市人工智能企业Malmquist 生产率指数及其分解（2016～2018年）

从Malmquist 生产率分解指标看，不同年份的全要素生产率、技术效率和技术进步效率都存在着一定的差异。2016～2017年，全要素生产率提高4%，其中技术进步增长率为50.7%，技术效率下降了31%，技术进步增长对全要素生产率的提升起到明显的促进作用，而技术效率阻碍了全要素生产率的提升。2017～2018年技术进步下降33.5%，抑制了全要素生产率的提高，技术效率提升了46.6%，促进了全要素生产率的提高，两者的作用结果表现为人工智能全要素生产率降低2.5%。

从技术效率的构成来看，2016～2018年技术效率平均增长为0.6%,其中纯技术效率增长率为4.4%，企业规模效率下降3.6%。其中，2016～2017年技术效率下降31%，这主要是因为纯技术进步效率下降了34%，企业规模效率提高了4.6%，纯技术进步效率的拖累作用大于企业规模效率的提升作用。2017～2018年纯技术效率提升65.1%，企业规模效率下降11.2%，使得技术效率增长率为46.6%。

2.2 北京市人工智能企业全要素生产率的差异比较

从总体来看，114 家北京市人工智能企业中全要素生产率为正的有56家，占49.12%，其中50家企业的技术效率增长率为正，16 家企业的技术进步增长率为正，技术效率增长率与技术进步增长率均为正值的有10家，可以看出，样本企业技术效率增长率和技术进步增长率对企业全要素生产率的增长贡献存在较大差异。此外，全要素生产率为负的企业为58 家，其中44 家企业的技术效率为负，45 家企业的技术进步效率为负，技术效率增长率与技术进步增长均为负的有31家，说明技术效率增长率和技术进步增长率对企业的拖累效应差异并不明显。因此，北京市人工智能企业全要素生产率增长的差异明显，其变化的动因也存在一定差异。由于篇幅限制，表2列举了北京市人工智能企业全要素生产率排名前20位的企业。

表2 人工智能企业Malmquist 生产率指数及其分解排名（2016～2018）

2.3 人工智能上市企业与非上市企业全要素生产率的比较分析

基于DEA－Malmquist指数法，本文测算得到2016～2018年的24 家北京市上市人工智能企业和90 家非上市人工智能企业的全要素生产率指数及其分解情况，见表3。2016～2018年间上市企业与非上市企业的全要素生产率分别为9.4%和-2%，其中，上市企业的技术效率平均增长率为10.6%，技术进步平均增长率为-1%，非上市企业的技术效率平均增长率为8.6%，技术进步平均增长率为-9.8%，因此，上市企业全要素生产率高于非上市企业。此外，上市企业和非上市企业的技术效率差异不大，其规模效率和纯技术效率的变化均呈现增长趋势。

表3 人工智能上市企业Malmquist 生产率指数及其分解（2016～2018年）

从时序变化来看，2016～2017年，上市企业的技术进步推动了全要素生产率的增长，技术进步效率增长率为123.5%，技术效率增长率为-42.9%；非上市企业技术效率增长率为3.4%，技术进步效率为-38%。2017～2018年，上市企业技术效率增长率为114.1%，技术进步效率增长率为-56.2%；非上市企业技术效率增长率为14.1%，技术进步效率为-15.4%。可以看出，技术效率与技术进步率的变化存在此消彼长的负向关系。

总体来看，75%（18 家）的上市企业和45%（41 家）的非上市企业的全要素增长率是正向的，说明上市企业的全要素生产水平优于非上市企业。由于篇幅限制，表4和表5分别列举了排名前20 位的上市企业与非上市企业生产率指数。

表4 上市企业Malmquist 生产率指数及其分解排名（2016～2018年）

表5 非上市企业Malmquist 生产率指数及其分解排名（2016～2018年）

2.4 北京市人工智能企业全要素生产率的行业比较

将114 家样本企业按照行业类别分为12 大类，总体来看，6 个行业的平均全要素增长率是正向的，7 个行业的全要素增长率为负。其中，信息传输、计算机服务和软件业是全要素增长率最高的行业，平均为13.1%，且主要是由36.8%的技术效率贡献，其技术进步率为-17.3%，拖累了全要素的增长；全要素增长率最低的行业是教育业，平均为-20.8%，技术效率的拖累效应为-20.5%，大于-0.4%技术进步效率的拖累效应。在全要素增长率为正的6 个行业中，技术效率增长率为正的行业有4 个，技术进步增长率为正的行业有3个（见表6）。

表6 北京市人工智能企业Malmquist 生产率指数及其分解的行业比较

3 结论与建议

3.1 研究结论

本文基于2016～2018年114 家北京市人工智能企业数据，对北京市人工智能企业全要素生产率进行了测度，结果显示，北京市人工智能企业全要素生产率2016～2018年平均增长率为0.70%，其中技术效率平均增长0.60%，技术进步平均增长0.10%，技术效率是使得北京市人工智能企业全要素生产效率得到提升的主要原因。此外，上市企业全要素生产率高于非上市企业，信息传输、计算机服务和软件业是全要素增长率最高的行业，平均为13.1%，且主要是由36.8%的技术效率贡献，其技术进步率则拖累全要素的增长，为-17.3%；全要素增长率最低的行业是教育业，平均为-20.8%，技术效率增长率为-20.5%，技术进步效率增长率为-0.4%，技术效率的拖累效应大于技术进步效率的拖累效应。

3.2 提升人工智能企业技术进步效率的建议

人工智能的发展对诸多市场带产生了冲击效应，但这一冲击既是挑战也是机遇。随着中国数字化和智能化的迅速发展，尤其是5G 时代的到来，使得很多技术的实现成为可能，而中国将加速发展数字化、智能化。在这一过程中，中国应抓住机遇，由被动适应到双向互动、主动适应，转变粗放型发展方式，提高企业生产效率；发挥人工智能企业核心技术优势，全面提升人工智能企业全要素生产率；整合各方资源，完善政府对人工智能产业的政策支持，尽快适应我国高质量发展的阶段。具体建议措施如下：

3.2.1 由“单驱动”向“双驱动”转变，提高全要素生产效率水平

调整人工智能企业粗放型发展方式，提高人工智能企业生产效率水平。企业全要素生产效率体现各个要素的综合生产率，是企业技术创新、管理模式完善、产品质量提高、企业结构升级的综合体现，反映了产业升级与生产力发展的水平，推动人工智能产业高质量发展，提高作为产业微观主体的企业全要素生产率水平是关键。改善企业全要素生产效率，应积极发挥人工智能技术进步的“驱动效应”，充分开发技术效率提升空间，加快企业技术改造，提高资源使用效率，加强企业管理，转变人工智能企业粗放型的发展方式。具体而言，政府可从以下3个方面支持人工智能企业向技术效率和技术进步效率“双驱动”型转变：首先，提高财税政策扶持力度，适当给予企业所得税税收优惠和创新产品补贴，引导产业投资基金创新政府、企业、投资仅够信息互通机制，为人工智能企业提供技术研发、产品创新和市场拓展等全方位程资本服务。其次，进一步加强人才队伍储备，培育企业创新团队，通过设立人才基金和项目基金等方式，支持人工智能企业集聚顶尖创新人才，着力培养技术、产业和商业的跨界复合型精英。第三，完善人工智能资源共享平台，建设人工智能产业创新中心，深化政务信息系统整合和信息资源共享机制，打造人工智能产业生态，为人工智能企业发展提供知识、技术、信息、管理和资本等方面的多元化服务体系。基于本研究前文的实证结果，将人工智能企业分为技术效率、技术进步双拖累型；技术效率驱动，技术进步拖累型；技术进步驱动、技术效率拖累型。针对上述3 种不同类型的人工智能企业提升全要素生产效率的改进手段和所需的支持

3.2.2 根据企业全要素生产率构成的“异质性”，采取差异化提升策略

我国人工智能的发展已具备一定的技术和产业基政策提出差异化的策略（见表7）。础，人工智能已经在客服、医疗、金融、农业等行业领域实现应用，在数据、平台和应用等领域集聚了一批较为优质的人工智能企业，人工智能企业依靠各自关键的核心技术正在成为中国企业越来越有竞争力的一部分群体。然而，人工智能企业全要素生产率及其构成存在一定差异，不同的企业在技术水平、管理水平和资源投入有效性等方面存在较大的差异。对于技术效率和技术进步效率“双驱动”的企业，应保持这种双边优势，持续提升企业的生产效率。对于技术进步驱动、技术效率拖累的公司，首先要明确导致技术效率拖累的原因，然后有针对性的采取措施：规模效率低下的企业应着力提高资源的使用效率，切记盲目扩张，防止生产要素投入产生冗余；纯技术效率低下的企业应加强公司治理和管理水平，改进管理模型。此外，相对于非上市人工智能企业，上市人工智能企业可利用证券市场进行筹资，广泛地吸收社会闲散资金，扩大企业规模，增强产品的竞争力和市场占有率，且定期披露财务信息，管理水平相对较高，因此，上市人工智能企业具有较高的全要素生产率水平。对于上市的人工智能企业而言，政府应进一步落实企业生产效率提升的“双驱动”转型政策支持，在财政、金融、人才与资源等领域提供持续支持；同时，人工智能上市企业自身还应注重发挥自身核心技术优势，创新技术手段，拓展应用场景，开发创新产品，进一步提升市值和市场竞争力，成为产业内龙头创新企业和创新标杆企业。对于非上市人工智能企业而言，政府可通过设立投资引导基金，为企业提供孵化、成长、上市全流程资本服务，同时企业自身也应进一步拓宽融资渠道，优化融资结构，提高资本有机构成，并注重发挥自身核心技术优势，提升管理水平，形成规模效益，从而整体提升全要素生产率和竞争力（见表8）。

表7 人工智能企业提升全要素生产率水平的改进手段和政策支持

表8 上市与非上市人工智能企业全要素生产率水平提升策略

（3）整合资源，完善政府对人工智能产业的政策支持

人工智能是引领新一轮科技革命和产业变革的核心技术，我国颁布的各种政策和规划中都体现了中国要抢占人工智能发展制高点的决心。但人工智能的发展不仅需要政策的支持，还需要各方资源的倾斜，因此政府对人工智能发展的补贴政策和支持措施是必不可少的。需要强调的是，政府应实施有针对性的补贴政策，注重补贴方式的灵活性和多样性，进一步加强具有较高生产效率企业的补贴力度，适当扩大具有核心关键技术和发展前景企业的支持力度，鼓励人工智能行业龙头企业发挥关联带动和引领作用。对于具有全要素生产效率优势的人工智能行业，如信息传输、计算机服务和软件业，应加大核心技术要素投入，提升技术进步效率，实现规模经营（见表9）。

表9 不同行业优势的全要素生产率水平提升策略