人工智能的应用是否会产生“生产率悖论”——以A股上市公司为例

何珩铭

（暨南大学管理学院，广东 广州 510630）

一、引言

当前，我国经济进入结构调整的新阶段，党的十九大报告表示，我国经济已由高速增长阶段转向高质量发展阶段，必须坚持质量第一、效益优先，报告明确指出要以供给侧结构性改革为主线，提高全要素生产率。在此结构转型、产业升级和振兴实体经济的关键时期，人工智能作为引领新一轮科技革命和产业变革的战略性技术，同样得到了各国政府的充分重视。国务院多次印发相关文件，着力实现人工智能技术与实体经济的深度融合，以人工智能技术带动智能经济发展和促进经济社会进步。

有学者表示，技术创新在内生增长模型中是否具有社会价值，取决于其对总生产率的贡献程度（Kogan等，2017），人工智能的快速发展为经济发展注入了新动能，但人工智能应用是否能够提升生产率仍然存在争议。一方面，人工智能可以通过补充、替代人类劳动执行复杂任务，帮助企业提升生产力（Makridakis，2017）；人工智能作为一项通用目的技术，将促进互补性创新，带来乘数效应（Brynjolfsson等，2017），这也是总体经济增长和全要素生产率的重要影响因素（Kogan等，2017）。另一方面，Robert在1987年提出了“生产率悖论”现象，表示“除了生产率以外，计算机的作用无处不在”。一些学者认为受本土技术匹配程度、吸收能力等影响，人工智能等技术的应用对生产率的作用较为复杂，因此，人工智能无法像预期一样在短期内对经济增长以及生产效率产生显著影响（Agrawal等， 2018；Brynjolfsson等，2018）。

此外，现有研究主要集中在宏观层面上工业机器人、信息技术等对国家、行业层面生产率的影响，本文将使用微观层面的数据，验证人工智能的应用是否存在“生产率悖论”，为企业应用人工智能方向提供建议，政府制定有效产业和创新政策提供理论依据。

二、理论分析与研究假设

全要素生产率反映的是所有要素的综合生产率，基于“索洛余值原理”，采用资本和劳动力这两个生产要素以外的其他生产要素所带来的产出增长率进行测算。众多因素会对全要素生产率产生一定的影响，包括技术效率改善、技术进步以及规模效应等（余泳泽等，2015）。结合“人工智能”的特征，本文认为“人工智能”会从改善技术效率和促进技术进步这两个方面提高全要素生产率。

在技术效率改善上，人工智能可以从对人力资本改善和物质资源配置上提升效率。人力资本改善上，过去所有的技术革命都是淘汰生产资料，人工智能应用开始淘汰人这一生产力，即替代部分低技能工人的工作，进而提升劳动效率（Graetz等，2015）。人工智能机械化和自动化的特征可以基于科学设定自主执行工作，保持超长时间、超高效率工作，在高度精确算法下，无需人工控制监督（Złotowski等，2017）。从物质资源配置上来看，人工智能的发展基于互联网、大数据等信息系统，这些基础技术本身就可以通过数据资源共享提升沟通效率，合理配置资源（郭家堂等，2016），人工智能系统的新浪潮提高了组织使用数据进行预测的能力，大大降低了预测成本（Agrawal，Gans等，2018），例如，谷歌DeepMind团队训练了一组神经网络来优化数据中心的功耗，与专家水平相比，人工智能将用于冷却的能量减少40%。因此，我们认为人工智能可以从改善技术效率的角度提高全要素生产率。

在促进技术进步方面，人工智能技术的应用，可能会创造许多新的之前不存在的工作或任务（Dauth等，2017；Berriman等，2017）；人工智能技术也能催生出新的生产设备，这必然伴随大量的新设备资本投资，因此技术进步的速率将加快（王家庭等，2019），此外，人工智能作为一项通用目的技术，将促进互补性创新，激发配套创新科技，带来乘数效应，创新是总体经济增长和全要素生产率的重要影响因素（Kogan等，2017），因此长期来看人工智能将有助于全要素生产率的提升。基于以上分析，我们提出本文假设。

H1：其他条件不变的情况下，企业应用人工智能可以提升企业的全要素生产率。

三、研究设计

1.样本选择与数据来源

本文以中国2010年～2018年期间全部A股上市公司为研究样本。本文数据来源主要包括以下两个部分：第一，与公司治理有关的数据均来自国泰安（CSMAR）数据库；第二，衡量企业是否实施人工智能的人工智能应用数据是通过年报搜集以及人工判断的方式得到的。具体来说，本文通过利用中国A股上市公司2010年～2018年的年报，通过语义处理判断该企业是否实施了人工智能，构建了人工智能指标（AI_D）。

此外，本文还进行了如下的样本筛选：（1）鉴于金融行业指标和监管的特殊性，删除金融类上市公司；（2）删除主要变量缺失的上市公司；（3）本文除“人工智能”的变量是手工搜集外，其余数据均来自CSMAR数据库。为避免异常值影响，本文对所有连续变量在1%和99%分位采用了winsor处理。

2.变量定义

（1）被解释变量

经典的微观企业全要素生产率度量是用最小二乘法（OLS）测算索洛余值，但由于微观企业的数据限制，并没有很好的解释反向因果关系与样本选择性偏误的问题。因此本文根据Levinsohn等（2010）的基本思路，借鉴鲁晓东等（2012）的研究假设估算企业全要素生产率，记为TFP，根据LP方法，企业的生产函数可以表示为Yt=AtKαtLβt，取对数后变为：

lnYijt=β0+β1lnLijt+β2lnKijt+β3lnIijt+εijt

其中：Yijt代表营业收入，Lijt表示上市公司年报中披露的员工人数；Kijt表示公司的固定资产净额；Iijt为中间变量，表示公司购买商品、接受劳务实际支付的现金。将固定效应加入到生产函数模型中，以完全控制企业之间时间的异质性之后，得到的残差εijt则代表t 时期企业i的全要素生产率。

（2）解释变量

本文定义实施人工智能的企业为当年通过年报公开披露“企业实施人工智能情况”的样本。人工智能数据处理过程如下：①对年报进行分词，并提取出包含“人工智能”关键词的句子；②对包含“人工智能”关键词的句子进行字面及语义判断，确定句子描述的是否为人工智能的应用；③得到处理效应数据，确定为企业当年实施了人工智能，即存在人工智能的处理效应（AI_D=1），否则AI_D=0；④为了避免自变量的量化中存在主观判断的问题，凡是公司在年报中披露了“人工智能”的相关信息，根据该词汇出现次数取对数后得到一个无主观判断的指数AI_KW。

（3）控制变量

在以往文献的基础上（郑宝红等，2018；孔东民，2015），本文控制了一系列可能影响生产率的企业层面特征变量，同时控制行业与年份变量。变量定义表详见表1。

表1 变量定义表

3.模型构建

根据本文提出的假设，构建出人工智能与全要素生产率的回归模型：

TFP=α+β1AI_D+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8No10+Year+Ind+ε

TFP=α+β1AI_KW+β2Size+β3Roa+β4Growth+β5State+β6Lever+β8NO10+Year+Ind+ε（2）

四、实证分析

1.描述性统计

表2报告了分类的描述性统计的结果，本文通过是否实施人工智能（AI_D）进行了分类统计。被解释变量TFP的均值为15.93，与其他研究上市公司全要素生产率文献的取值范围类似（郑宝红，2018）。从描述性统计结果看，实施了人工智能的样本TFP均值和中位数均高于没有实施人工智能的样本，在1%的置信水平下显著，假设H1初步得到了验证。

表2 描述性统计

2.回归分析

表3前两列提供了H1的检验结果。全样本回归中，AI_D和AI_KW的系数均显著为正，且AI_D的系数通过了5%的显著性水平，AI_KW的系数通过了1%的显著性水平，这说明企业实施人工智能确实会显著提高企业的全要素生产率，假设得到了验证，人工智能的应用对整体生产率并未产生“生产率悖论”。

表3 设一检验结果

3.进一步分析

（1）产权性质的分组分析

已有学者发现在混合所有制改革不断推进的背景下，国有企业TFP分布已经相当接近于民营企业（朱沛华等，2020），但国有企业的规模效应和劳动力雇佣效应较之非国有企业不明显（李磊等，2020），国有企业与非国有企业在生产技术与资源配置效率上仍然存在着一定的差异，导致两者应用技术的生产效率存在差距（龚关，2015）。因此本文在H1的基础上进行了产权性质的分组检验。

表4第（1）、第（2）列报告了回归结果。非国企的组别中，人工智能对全要素生产率的影响分别在1%的水平上显著为正，而在国有上市公司中，该提升作用不显著。说明相对于国有上市公司而言，非国有上市公司实施人工智能对全要素生产率的提升作用更大。

（2）不同密集型企业的分组分析

本文进一步考察了上市公司应用人工智能的影响在不同密集型企业间是否存在差异。资本密集型企业里，随着资本投入显著增加，由此形成的规模经济也会驱动企业生产率提高。本文对资本密集型和劳动密集型企业的划分参考了李磊（2020）、廖冠民等（2014）的方法。分析结果见表4第（3）、第（4）列。AI_D在资本密集型上市公司中显著为正，在劳动密集型企业中不显著。说明相较劳动密集型公司而言，资本密集型上市公司中应用人工智能可以显著提升全要素生产率。

（3）高新、非高新企业差异分析

不同高新技术程度企业的技术先进度与劳动力素质存在差异，因此在使用人工智能后，对企业全要素生产率的影响可能不同。表4第（5）、第（6）列分别报告了高新技术企业与非高新技术企业应用人工智能后全要素生产率的异质性结果。结果显示，高新技术与非高新技术上市公司的核心解释变量回归系数均为正，但非高新技术企业核心解释变量的回归系数相对较大，使用人工智能后非高新技术企业的全要素生产率提升程度可能相对更高。

表4 进一步分析检验

4.稳健性检验

为了保证本文结论可靠性，本文使用op法衡量上市公司的全要素生产率对本文假设进行重新检验，使用倾向得分匹配法进行检验，结果均保持不变。

五、结论与启示

在人工智能应用得到国家层面重视、进入高速发展阶段的背景下，本文利用2010年～2018年上市公司年报资料及相关数据，检验了人工智能对上市公司生产率是否存在“生产率悖论”。研究结果表明，上市公司使用人工智能提升了企业的全要素生产率，不存在“生产率悖论”。此外，人工智能对生产率的促进作用在非国企上市公司、资本密集型企业中更加突出。

本文的研究表明，在“互联网+”、大数据快速发展的时代背景下，上市公司应结合行业经营特性和企业自身发展特点，更有针对性地应用人工智能，以此提高企业的全要素生产率。政府应积极推进人工智能基础设施建设，搭建完善的工业互联网平台，鼓励企业引进高技术人才，对先进技术的应用创新进行持续鼓励，以人工智能技术带动智能经济发展、促进经济社会进步。