智能制造技术创新的产业结构与经济增长效应——基于两部门模型的实证分析

郑江淮 冉 征

一、引言

德国提出“工业4.0”概念以来(1)2013年4月，德国政府在汉诺威工业博览会上正式公布《德国工业4.0战略计划实施建议》。，基于物联网的自动化智能生产成为先进制造业的发展蓝图，也是“中国制造2025”的主攻方向。在一系列政策的引导下(2)如《机器人产业发展规划(2016—2020 年)》《智能制造发展规划(2016—2020 年)》《关于促进机器人产业健康发展的通知》等。，中国工业机器人存量步入世界前列，人工智能产业发展迅速、规模不断扩大(3)数据来源：国际机器人联合会(IFR)；德勤：《中国人工智能产业白皮书》。。然而，不同行业的智能化水平仍存在较大差距，智能化设备的使用主要集中在计算机和电子、电气设备、运输设备、家具生产等制造业部门，较少涉及服务业。(4)F.Calvino,C.Criscuolo,L.Marcolin,and M.Squicciarini.“A Taxonomy of Digital Intensive Sectors”.OECD Science,Technology and Industry Working Paper No.14,2018.近年来，智能制造逐渐向运输设备、医疗、生物等非传统领域扩散，这主要源于20世纪 90 年代以来信息存储管理、互联网和人工智能等基础理论与核心技术的高速发展。(5)D.Autor，F.Levy，and R.J.Murnane.“The Skill Content of Recent Technological Change:An Empirical Exploration”.Quarterly Journal of Economics，2003，118(4)：1279-1333.智能制造的基本范式正在从以互联网为基础的网络化阶段转向以人工智能等一系列技术创新为基础的新智能化阶段。(6)J.Zhou，P.Li，Y.Zhou，B.Wang，and L.Meng.“Toward New-Generation Intelligent Manufacturing”.Engineering 2018,4(4):11-20.要把握智能制造未来的发展方向、提前制定智能化高速发展下的产业政策，必须准确评估智能制造技术创新水平，厘清智能制造技术创新对于产业结构、生产率等一系列经济指标的影响机制。

智能制造(Intelligent Manufacturing，IM)又被称为制造业智能化，是指基于新一代信息通信技术与先进制造技术的深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。与人工生产相比，智能制造有着高生产率、高质量、低成本等优势。因此，智能制造的广泛运用必然会对生产方式、商业模式以及劳动力结构产生冲击。(7)C.A.Keisner，J.Raffo，and S.Wunsch-Vincent.“Breakthrough Technologies—Robotics,Innovation and Intellectual Property”.WIPO Economic Research Working Paper,2015.

现有对智能制造的研究主要集中在智能化生产的就业破坏效应和就业创造效应(8)L.Karabarbounis，and N.Brent.“The Global Decline of the Labor Share”.Quarterly Journal of Economics，2014，129(1):61-103；E.Oberfield，and R.Devesh.“Micro Data and Macro Technology”.NBER Working Paper No.2045，2014；G.Graetz，and M.Guy.“Robots at Work”.Review of Economics and Statistics，2018，100(5)：753-768；D.Acemoglu，and P.Restrepo.“Robots and Jobs：Evidence from U.S.Labor Markets”.Journal of Political Economy，2020，128(6):2188-2244.，模型大多假定智能制造技术替代了低技术产业的劳动力，被替代的劳动力可以直接转移至高技术新产品的生产中(9)郭凯明：《人工智能发展、产业结构转型升级与劳动收入份额变动》，载《管理世界》，2019(7)；陈彦斌、林晨、陈小亮：《人工智能、老龄化与经济增长》，载《经济研究》，2019(7)；D.Acemoglu，and P.Restrepo.“The Race between Man and Machine:Implications of Technology for Growth，Factor Shares，and Employment”.American Economic Review，2018，108(6)：1488-1542。，这暗含着一个无摩擦的技能提升与匹配过程。考虑到再就业需要重新匹配及技术性失业的影响，上述模型可能高估智能制造的经济效益。此外，由于不同产业的智能化潜力存在差异，智能制造所产生的效应需要置于由可智能化产业与难以智能化产业构成的一般均衡框架中去分析。

中国制造业已经表现出明显的智能制造深化趋势。国内学者对测度智能制造水平进行了积极尝试，由于无法精确统计智能化设备数量，只能通过渗透度等指标对工业机器人数量或者其他代理变量进行近似估算。随着智能制造范式的调整，相较于传统智能化设备的使用，智能制造技术创新显得更加重要，但较少有研究涉及中国各地区智能制造技术水平的测度以及可能产生的经济效应。

本文研究的主要内容是：(1)鉴于目前智能制造技术主要针对制造业，本文模型设计了可智能化的制造业部门和无智能化的服务业部门，技术进步只影响制造业部门的生产模式，服务业部门依靠劳动力和资本的投入直接产出，可以合理接收被智能制造替代的劳动力。(2)通过专利数据的筛选测算地区层面的智能制造技术创新水平。专利数据提供了每项专利的申请(授权)年份、申请人地址、专利分类号、中英文描述等信息。本文使用文本分析法识别出智能制造技术的相关专利，尝试解决智能化水平难以精确统计的问题，从技术创新角度丰富了国内智能制造领域的经验性研究。

本文剩余部分的安排如下：第二部分梳理相关文献；第三部分构造理论模型对智能制造技术的产业结构效应和经济增长效应进行归纳；第四部分介绍对于智能制造专利的筛选过程；第五、六部分进行实证研究，并展开进一步分析；第七部分进行总结并提出政策建议。

二、文献梳理

智能制造是对于一系列信息化、自动化概念的总结，文献中常见的人工智能、工业机器人都是智能制造在生产中的体现。智能制造技术造成广泛失业的观点可以追溯到20世纪，Keynes预言20世纪以来新技术的引入将使人均收入稳步增长，同时他也预测，随着机器替代人工，这将造成广泛的技术失业。(10)J.Keynes.“Economic Possibilities for Our Grandchildren”.In Essays in Persuasion.New York:Norton & Co，1930.智能制造对于劳动力的替代作用在很长一段时间里受到学者的广泛认同，Autor 等通过引入“任务模型”分析劳动力和计算机化生产在不同工作中的比较优势，指出智能化技术的进步可以削弱劳动力在原有优势领域的地位，进而产生就业破坏。(11)D.Autor,F.Levy,and R.J.Murnane.“The Skill Content of Recent Technological Change: An Empirical Exploration”.Quarterly Journal of Economics，2003，118(4)：1279-1333.一些研究也证明智能制造技术确实替代了相当一部分劳动力。Graetz等证明工业机器人会减少低技能工人的就业。(12)⑩ G.Graetz，and M.Guy.“Robots at Work”.Review of Economics and Statistics，2018，100(5)：753-768.Frey & Osborne认为接近一半现有工作岗位将会受到工业机器人的冲击。(13)C.B.Frey，and M.Osborne.“The Future of Employment： How Susceptible Are Jobs to Computerisation”.Technological Forecasting and Social Change，2017，114(1)：254-280.Acemoglu & Restrepo证明，1990年后的劳动力市场受到机器人使用的强烈冲击 ，1993—2007年机器人库存的增加(每千名工人中大约增加了一个新机器人)使地区的就业人口比率降低了0.37%，同时使平均工资水平降低了0.73%。在机器人应用最广泛的地区，从1990年到2007年就业和工资均显著下降，而机器人应用程度较低的地区则没有这种趋势。(14)

近年来，对于智能制造劳动力破坏效应的研究逐渐转为对劳动力结构调整的影响研究。Acemoglu & Restrepo指出人类劳动与马劳动的区别在于，人类在新的和更复杂的任务中具有相对优势。(15)D.Acemoglu,and P.Restrepo.“Robots and Jobs: Evidence from US Labor Markets”.Journal of Political Economy，2020，128(6):2188-2244.第三部分也参考该文献，受篇幅限制，后文不赘述。如果这种比较优势显著并且继续创造新的任务，则即使面对快速的自动化，就业和劳动份额也可以保持稳定。具体来说，目前的工业机器人(智能制造技术)还处于智能替代重复劳动的阶段，人力的优势在于可以处理智能制造技术不能处理的更“复杂”的技术。因此，作者认为以AI为代表的智能化改造只会挤出低端生产领域的劳动力。另一方面，其他技术的创新，即非智能制造技术，可以增加生产活动的可能性，通过新的“生产活动”创造新的制造业就业岗位，将劳动力保留在制造业。实证层面，Bessen等对美国劳动力数据进行研究发现，自动化和机器人的应用在降低制造业就业的同时，也提高非制造业就业，即将制造业的劳动力挤入非制造业。(16)J.E.Bessen，M.Goos，A.Salomons，and W.V.Berge.“Automatic Reaction-What Happens to Workers at Firms that Automate”.SSRN Working Paper，2019.Dauth等基于德国数据也发现了类似现象。(17)W.Dauth，S.Findeisen，J.Suedekum，and N.Woessner.“Adjusting to Robots:Worker-Level Evidence”.Opportunity & Inclusive Growth Institute Working Paper No.13,2018.Cheng等基于中国企业层面数据的研究发现，不同行业对机器人的使用强度存在明显差异，就业规模越大和资本劳动比越高的企业，应用机器人的程度也越高，而这些现象在发达国家也同样存在，进一步说明行业生产特征对机器人应用有着重要影响。(18)H.Cheng，R.X.Jia，D.D.Li，and H.B.Li.“The Rise of Robots in China”.Journal of Economic Perspectives，2019，33(3)：71-88.

此外，一些学者针对智能制造是否提升生产率进行研究。Graetz等基于不同国家不同行业的机器人使用差异，证明工业机器人会减少低技能劳动力的就业，但是可以提高生产率和工资。⑩Keisner等指出高收入国家组织积极开发智能制造技术，可以防止将制造转移到离岸地点并保留其竞争优势，因为制造业智能化可以提高生产率、提升质量、降低成本、追求新颖的商业模式。(19)C.Keisner,S.Wunsch-Vincent,and J.Raffo.“Breakthrough Technologies—Robotics,Innovation and Intellectual Property”.WIPO Economic Research Working Paper,2015.

国内学者也进行了一些理论研究，如：郭凯明指出人工智能对于产业结构和报酬分配的影响并不固定，而是取决于部门间以及生产方式之间的产出弹性；陈彦斌等从人工智能如何抵御老龄化冲击的视角，分析了技术进步对于资本积累和全要素生产率的影响。(20)郭凯明：《人工智能发展、产业结构转型升级与劳动收入份额变动》，载《管理世界》，2019(7)；陈彦斌、林晨、陈小亮：《人工智能、老龄化与经济增长》，载《经济研究》，2019(7)。此外，国内学者从技术特性出发扩展了人工智能等新型技术的经济内涵，如：郭凯明等将人工智能等领域的投资定义为新型基础设施投资，从基础设施投资的角度研究人工智能等技术如何促进资本密集型产业对劳动密集型产业的替代(21)郭凯明、潘珊、颜色：《新型基础设施投资与产业结构转型升级》，载《中国工业经济》，2020(3)。；郭凯明和罗敏进一步证明，产业内部的有偏技术进步是造成技能密集度差异、收入差距和产业结构变化的主要原因(22)郭凯明、罗敏：《有偏技术进步、产业结构转型与工资收入差距》，载《中国工业经济》，2021(3)。。

实证研究层面，由于中国关于智能制造的统计数据相对匮乏，国内学者通过各种方法对中国各地区的智能化水平进行估算。孙早和侯玉琳以软件普及和应用情况、智能制造企业情况和工业企业创新能力等10项细化指标测度工业智能化水平。(23)孙早、侯玉琳：《工业智能化如何重塑劳动力就业结构》，载《中国工业经济》，2019(5)。孔高文等利用中国商品贸易数据库、国际工业机器人统计数据，测算了不同地区每年进口机器人的近似规模数，考察机器人应用对中国劳动力市场的影响。(24)孔高文、刘莎莎、孔东民：《机器人与就业——基于行业与地区异质性的探索性分析》，载《中国工业经济》，2020(8)。杨飞和范从来运用世界投入产出表，以全球计算机制造业和信息服务业投入到中国每个行业的中间投入占增加值的比重作为产业智能化的代理指标，研究产业智能化对于益贫式发展的影响。(25)杨飞、范从来：《产业智能化是否有利于中国益贫式发展》，载《经济研究》，2020(5)。王永钦和董雯以企业员工数量与行业员工数量中位数之比为权重，从产业层面的工业机器人渗透度入手估算企业层面的工业机器人渗透度。(26)王永钦、董雯：《机器人的兴起如何影响中国劳动力市场?——来自制造业上市公司的证据》，载《经济研究》，2020(10)。韩民春和乔刚用工业机器人进口额表示工业机器人使用量，对工业机器人的产业结构效应进行分析。(27)韩民春、乔刚：《工业机器人对制造业劳动力就业的结构性影响与地区差异》，载《产经评论》，2020(3)。

综上所述，国外学者对于智能制造如何重塑经济结构的研究多以欧美发达国家为样本，来自中国的证据相对匮乏，究其原因在于智能制造相关数据的缺失。国际机器人联合会(IFR)的机器人数据虽然被广泛应用，但是仍不能精确描述中国现状，尤其是中国各地区的发展差异。为此，本文首先构造了一个两部门均衡模型，分析智能制造技术创新对于产业结构和生产率的影响；其次，基于技术进步视角，通过专利数据构造反映地区智能制造技术创新水平的指标，对理论模型进行验证。

三、基于技术进步视角的两部门模型阐释

随着智能制造技术进步，越来越多的生产领域出现“机器换人”的现象，外在表现为资本对于劳动的替代。Acemoglu & Restrepo构建智能化生产模型，将所有的生产活动都规定在一个连续的任务模型之内，新的、更复杂的任务取代最低端的任务，较简单的任务可以接受智能化改造。该框架假定低技术产业中被智能制造技术应用替代的劳动力直接转移至高技术新产品的生产中，忽视了可能存在的技术性失业或进入其他行业引发的产业结构变动。然而，不同行业接受智能化改造的潜力是不同的，服务业受本身特性所限很难出现大规模智能化。

本文构建了一个由制造业与服务业组成的两部门框架，将Acemoglu & Restrepo的任务模型应用于制造业部门，被智能制造替代的劳动力向服务业转移，产品创新所催生的新岗位也可以从服务业部门吸纳劳动力，服务业部门的生产函数由劳动力和资本构成。(28)受篇幅所限，模型部分一些具体推导过程省略，感兴趣的读者可向作者索取。

(一)模型设定

消费者需求用一个具有代表性的家庭刻画，代表性家庭的瞬时效用由物品消费和服务消费共同决定，用CES函数表示如下：

(1)

其中，η表示两部门产品之间的需求替代弹性，λ表示两部门产品所占份额，C1和C2分别代表家庭用于物品和服务的支出。家庭通过劳动获取工资，也可以通过投资获取利润，并将全部收入用于购买物品或服务，预算约束条件为：

P1C1+P2C2≤WL+RK

(2)

其中，L代表劳动力，K代表资本，P代表消费品价格，W代表工资，R代表利率。在约束条件下求解效用最大化可以得到：

(3)

市场上的物品由制造业部门生产，服务由服务业部门提供。制造业部门的生产函数Y1由一系列中间投入组成，服务业部门的生产函数Y2由资本和劳动力构成。具体的生产函数如下：

(4)

(5)

(二)智能制造技术进步

智能制造技术进步是指智能制造技术前沿的进步。借鉴Acemoglu & Restrepo的思路，人力可以完成所有的中间投入，而智能制造技术只能在一定程度上替代人力劳动，这种替代只能发生在较为简单的中间投入中。智能制造技术进步意味着智能制造技术可以胜任更复杂的中间投入生产工作，替代原有劳动力。

对于制造业部门，每项中间投入的生产需要投入劳动力或资本，劳动力和资本可以相互替代。智能制造技术可能应用的中间投入环节区间为I∈[N-1，N]，假设i≤I部分中间投入在技术上是可智能化的，即可以用资本替代劳动力进行生产，i>I部分中间投入不可智能化，必须用人工来完成。如果使用劳动力进行生产，中间投入生产函数为y(i)=γ(i)l(i)，其中：γ(i)表示劳动力在i中间投入中的生产率，满足γ(i)>0,γ′(i)>0。如果使用机器进行生产，生产函数为y(i)=k(i)。

除了技术约束，制造业企业进行智能化改造还面临成本决策。在竞争性均衡下，中间投入价格p(i)将等于生产的最低单位成本：

(6)

(7)

综合式(2)、(6)、(7)，可以得到制造业部门的劳动力和资本份额：

(8)

(9)

同理，可以得到服务业部门的劳动力份额和资本份额：

(10)

(11)

在均衡条件下，市场出清包括要素市场出清和产品市场出清：

L=L1+L2

(12)

K=K1+K2

(13)

Y1=C1，Y2=C2

(14)

(15)

均衡状态下的各内生变量由式(3)、(8)～(15)共同决定。

(三)智能制造技术进步对产业结构的影响

为简化模型，假设η=σ=1，将效用函数和制造业部门的生产函数转变为柯布—道格拉斯生产函数形式，式(8)、(9)可以写作：

(16)

(17)

本文关注智能制造技术进步对于劳动力结构的影响，求ΩL关于技术约束参数I的导数：

(18)

命题1：(1)在劳动力相对工资水平高于智能制造资本成本的情况下，企业有动机采用最前沿的智能制造技术，可供企业采用的智能制造技术创新水平越高，挤出制造业部门劳动力就越多；(2)在劳动力工资水平低于智能制造资本成本的情况下，即使现有的智能制造技术创新水平越高，但企业没有动机应用智能制造技术，也就不会对产业结构产生影响。

(四)智能制造技术对经济增长的影响

将ΩL和ΩK及假设条件η=σ=1带入制造业部门的生产函数，并在对数条件下对I*求导可得：

(19)

(20)

其中，M=α(1-λ)+λ(1-n*)>0，只有当I*-N+1>α时，智能制造技术创新才能提升服务业产值增长率。涉及I*和I的关系与上文类似，不再赘述。结合命题1的分析，得出如下命题：

命题2：(1)在劳动力工资水平低于智能制造资本成本的情况下，即使现有的智能制造技术创新水平提高，但是企业没有动力应用，就不会对经济增长产生影响。(2)在劳动力工资水平高于智能制造资本成本的情况下，企业应用的智能制造技术创新水平越高，对经济增长的作用效果越显著，作用方向受经济总体资本密集度和两部门资本产出弹性影响。如果资本密集度较高，且使用智能制造技术的制造业资本产出弹性高于服务业资本产出弹性，即资本从制造业智能制造投资获得的边际回报高于服务业，则企业应用智能制造技术水平越高对经济增长提升的促进效应就越显著；如果资本密集度和两部门资本产出弹性不能同时满足上述条件，企业应用的智能制造技术水平提高对经济增长的影响则呈现U型效应。

四、智能制造专利的识别方法及现状

学界对于智能制造的具体内涵，尤其对智能制造所涉及的专利技术还没有形成统一意见。目前达成的共识是智能制造与“工业机器人”“人工智能”存在密切关系。本文将智能制造技术细分为AI技术和机器人技术，并用不同的方法进行筛选过滤。AI技术目前还处于概念化阶段，缺少直接对应的专利代码，我们用关键词来识别与AI技术相关的专利。机器人技术有成型的专利分类号(IPC)，故本文用专利代码来识别。

(一)专利识别

AI技术相关专利的识别问题一直是学界关注的焦点，计算机协会(Association for Computing Machinery)一直致力于AI技术的跟踪报告，并提供了清晰的分析框架。计算机协会将AI技术分为三个主要类别：(1)通用AI技术(AI techniques)，统计和数学模型的高级形式，例如机器学习、模糊逻辑和专家系统，允许计算(通常由人类执行的任务)且不同的AI技术可用作实现不同AI功能的手段。(2)AI功能应用程序(AI functional applications)，可以使用一种或多种AI技术实现的功能，例如语音或计算机视觉。(3)AI应用领域(AI application fields)，AI技术可能应用于不同的领域或学科，例如交通运输、农业或生命和医学。其中，AI应用领域的专利通常具有独特目的，不能重新编程以执行其他任务，属于AI技术在其他领域中的独占性应用，与本文的研究对象差异较大。因此，本文所提取的AI专利主要包括通用AI技术和AI功能应用程序两个层面。世界知识产权组织(WIPO)在人工智能技术报告中详细汇报了AI技术的关键词。

需要指出的是，虽然WIPO的关键词能够识别人工智能技术，但是同一词汇的含义在不同的语境下可能有一定差别。本文在中文语言环境下，对以上两类关键词进行再识别。英文关键词“neural network”可以翻译为“神经网络”，也可以翻译为“神经网”，在中文语境下可以分解为“神经”和“网络”两个关键词分散在专利描述当中。根据以上方法，对每个英文关键词进行分解，可以得到一套中文AI技术关键词。中国国家知识产权局所统计的专利数据包含了中英文双语摘要，为了确保数据的准确性，本文用英文和中文两套关键词对发明专利数据进行识别，只有当一项专利的双语描述中分别包括AI技术的中英文关键词时，才将其标记为AI专利。

机器人技术专利代码的界定较为成熟，此前学者对于机器人专利的研究涉及的专利代码有较为全面的总结。(29)UK Intellectual Property Office Informatics Team.“Eight Great Technologies.Robotics and Autonomous Systems.A Patent Overview”.Newport:Intellectual Property Office，2014.为了保证机器人专利的精确性、通用性，并能够直接为生产智能化服务，以及尽量与AI专利保持区别，本文只针对B25J、G05B、G06F和G08G1/16四类代码的专利进行分析。

(二)特征事实

第一，中国的智能制造专利数量明显提升。智能制造技术的专利申请数在从1995年开始进入高速增长时期，这一趋势直到2012年左右才有所放缓。总体情况如图1所示。1985年在华申请的智能制造相关专利约为650件，2015年在华申请专利数量超过11万件。从申请人所属国家来看，1995年以前，智能制造专利的国内申请占比维持在40%以上，并逐年攀升；1995年开始，大量国外申请人涌入中国专利市场，造成国内申请占比急速下降，低至1998年的21%；从1999年开始，国内申请占比逐渐攀升，即使2001年中国加入WTO后，国外申请人在华申请的智能制造专利数量快速上升，也并没有影响这一趋势。2006年国内申请占比超过50%，2015年国内申请占比超过90%。虽然近年来国外申请占比下滑明显，但是国外申请数量一直在稳步上升，国外专利申请人在中国智能制造技术进步的过程中发挥了重要作用。

图1 智能制造专利数量及增长率

第二，智能制造技术的发展存在显著的地区差异。从中国各省份智能制造专利分布来看，1995年以前，北京市一直是国内智能制造技术研发的核心地区，智能制造专利申请数远高于其他省份。1996年开始，上海市和广东省的智能制造技术迅速发展，成为第二梯队，其中广东省智能制造技术的发展尤为迅速，并于2003年超越北京市，成为申请智能制造专利最多的省份，这一优势一直保持到现在。2008年以后，江苏、浙江、四川(将重庆市专利数统计在内)、湖北等省份的智能制造专利数量出现了快速增长，但还无法挑战北京市和广东省的领先地位。

五、实证研究

(一)研究设计和变量说明

为了检验智能制造技术创新的产业结构效应和经济增长效应，本文构建如下的基准回归模型：

L_sndct=β0+β1ln_im_act+∑βX+λarea+λyear+εct

(21)

ln_per_gdpct=β0+β1ln_im_act+∑βX+λarea+λyear+εct

(22)

其中，ln_im_a为主要解释变量智能制造专利申请数的对数形式；ln_per_gdp为地区人均GDP的对数形式；L_snd为第二产业劳动力占比。考虑到数据的完整性和可得性，控制变量X包括劳动力数量/人均资本存量的对数形式(ln_K/L)、政府财政支出占比(gov)、外商直接投资占比(fdi)、非智能制造专利申请数(ln_non_im_a)等。人均资本存量通过永续盘存法计算，基础指标为地区每年的真实投资额，折旧率取15%；政府财政支出占比为当年政府财政支出与地区GDP的比值；外商直接投资占比为当年外商直接投资总额与地区GDP的比值。

主要解释变量ln_im_a通过智能制造的专利数量反映地区智能制造技术创新水平。智能制造专利的识别基于发明申请专利文本筛选。被解释变量包括产业结构和地区人均产出。在实证层面研究产业结构效应，需要按照模型设定将产业区分为两类。通过研究专利代码和行业代码之间的对应关系可以发现，绝大部分专利都属于第二产业，智能制造技术的相关专利全部属于第二产业。因此，实证部分将第二产业视作理论模型中的制造业，以第二产业的劳动力占比代表地区的产业结构。

(二)数据来源和描述性统计

专利数据来源于国家知识产权局的相关数据库。由于西藏自治区和海南省的专利数量远少于其他省份，且其他变量的统计值也存在比较严重的缺失问题，为了保证实证结果的稳健性剔除这两个省份的数据。重庆市从1997年开始设立直辖市，为了便于指标测度、不产生歧义，本文的实证部分将1997年以后的重庆市数据与四川省数据合并，与1997年之前的统计口径保持一致。其他变量的数据主要来源于历年《中国统计年鉴》，我们结合《中国劳动统计年鉴》、全国经济普查数据以及 CSMAR数据库进行了补充。

(三)基准回归结果

表1的前三列汇报了式(21)的基准回归结果，其中列(1)为随机效应模型，列(2)为固定时间效应的FE模型，列(3)为时间地区双固定的FE模型。通过Hausman检验，最终选择时间地区双固定的FE模型作为基准回归的主要结果。在固定时间效应和地区效应，并加入相关控制变量后，智能制造专利申请数对于第二产业劳动力占比的回归系数为-0.010，且在5%的水平上显著。这说明在中国背景下，地区智能制造技术水平越高，第二产业的劳动力占比越低。表1的后三列汇报了式(22)的基准回归结果。在时间地区双固定的FE模型中，智能制造专利申请数对于人均GDP的回归系数为0.037，且在1%的水平上显著，说明智能制造技术水平越高，地区经济增长水平越高。结合理论部分，上述结果总体上说明中国的劳动力工资水平较高，制造业生产者有意愿进行智能化改造。

其他控制变量的结果显示，非智能制造专利申请数对第二产业劳动力占比和人均GDP均有正向影响，说明产品创新可以增加制造业的就业占比并提升总体经济增长水平。外商直接投资占比对于第二产业劳动力占比没有显著影响，但是可以提升地区人均GDP，这说明外资的进入并没有产业偏向，但是可以为地区带来更高的经济增长。

表1 智能制造技术的产业结构效应和经济增长效应

(四)内生性解决

内生性的来源主要包括以下两个方面：一是遗漏重要变量，二是核心解释变量与被解释变量之间存在逆向因果。虽然本文参考相关文献，在保证数据完整性的前提下尽量多地引入控制变量，但是仍然可能存在遗漏变量导致内生性的问题。此外，人均GDP反映了地区的经济发展水平，而经济发展水平高的地区通常创新能力较强，可能研发出更多的智能制造专利，从而导致基准回归存在逆向因果问题。第二产业劳动力占比也存在类似的问题。

为此，首先本文用解释变量的滞后期替代主要解释变量解决逆向因果问题。表2纳入了核心解释变量智能制造专利申请数的滞后1期至滞后3期，结果显示，智能制造专利申请数的滞后1期至滞后3期对于第二产业劳动力占比均有显著的负向影响，且系数恒为-0.009，略小于当期的结果。另一方面，智能制造专利申请数的滞后1期至滞后3期对于人均GDP均有显著的正向影响，且均在1%的水平上显著，但是系数的绝对值从0.039逐渐下降到0.033。还需要注意的是，滞后1期智能制造专利申请数对于人均GDP的系数大于基准回归中的系数，说明技术进步的经济增长效应存在一定的滞后性。以上结果说明，智能制造技术创新影响了地区产业结构和经济增长，且这些影响是持续性的。

表2 内生性解决：滞后项

其次，本文尝试构建一个外生变量作为智能制造专利申请数的工具变量，并使用2SLS法解决内生性问题。国家知识产权局的专利数据显示，国外申请人提交的专利申请占1985—2015年在华提交专利总数的近30%，大部分外国专利由跨国企业参与研发申请，而这些专利又从属于某个成型的专利族。通常，专利族的形成表示这一专利有着较高的质量，因为只有在一项专利价值足够高时，专利申请人才有动力在不同国家对同一专利提出申请，从而形成专利族。已有研究普遍认为，外国发明人在中国申请专利的动机主要是对中国的同行业竞争者进行技术封锁，帮助企业占据更大的市场份额，符合竞争垄断假说。(30)A.G.Hu.“Propensity to Patent，Competition and China’s Foreign Patenting Surge”.Research Policy，2010，39(7)：985-993；曲如晓、刘霞：《外国在华专利申请的技术外溢效应研究》，载《世界经济》，2019(11)。因此，外国专利申请主要受企业自身战略主导，一般并不会受到特定省份专利申请的影响。

一方面，高质量的外国专利可以产生知识溢出，国内研发人员通过研究外国专利获取新的知识并进行再创新，从而获取更多专利。另一方面，外国专利的知识溢出是有偏向性的，一个地区更容易从与本地现有产业结构和知识结构联系较为紧密的专利中获得知识溢出。本文聚焦智能制造技术的经济效应，一个地区的知识结构越偏向于智能制造技术，那么该地区从国外智能制造专利中获取的知识溢出也就越明显。综上，本文借鉴孔高文等(31)孔高文、刘莎莎、孔东民：《机器人与就业——基于行业与地区异质性的探索性分析》，载《中国工业经济》，2020(8)。的做法构造工具变量：IVct=ln_foreign_imt×im_ratect-1。其中，ln_foreign_im表示国外申请人在华申请智能制造专利数量的对数形式；im_rate表示地区智能制造专利申请数与专利申请总数之比，为了进一步避免内生性，对其取滞后1期。

表3汇报了引入工具变量进行2SLS回归的结果。在固定时间效应和地区效应的情况下，工具变量对于智能制造专利申请数的回归系数为1.104，在1%的水平上显著，这说明本文构造的工具变量与被解释变量之间存在显著的正相关关系，外国专利对地区智能制造技术存在知识溢出，且这种知识溢出受到地区知识结构的影响。本文所关注的重点是第二阶段回归中核心解释变量的系数，表3的列(2)和列(3)显示，智能制造专利申请数对于第二产业劳动力占比的回归系数为-0.038，对于人均GDP的系数为0.031，且均在1%的水平上显著，这与基准回归的结果基本一致。以上结果说明，智能制造技术创新挤出第二产业的劳动力，并促进总体经济增长，这一结论并不受内生性的影响。

表3 内生性解决：工具变量

(五)稳健性检验

本文主要通过替换解释变量的方法进行稳健性检验。首先，专利申请量虽然能够较为准确地反映地区的研发水平，但是存在质量参差不齐以及为完成政策指标过度申请的现象。因此，中国专利申请数量确实存在一定的泡沫问题。(32)龙小宁、王俊：《中国专利激增的动因及其质量效应》，载《世界经济》，2015(6)。其次，专利申请数和专利授权数均是增量概念，不能表现一项专利持续带来经济效应的现象。实际上专利之间的质量存在差异，在专利续费机制的背景下，当一项专利能够持续为创新主体带来效应时，申请人才会不断为其续费。当申请人不再为一项专利续费时，该专利失效。综上，本文用智能制造技术专利授权数和有效专利数量作为主要解释变量进行稳健性检验。

表4的列(1)、(2)展示了以智能制造技术专利授权数为主要解释变量的回归结果，其中智能制造技术专利授权数(ln_im_g)对于第二产业劳动力占比的回归系数为-0.013，对于人均GDP的回归系数为0.016，且均在1%的水平上显著。列(3)、(4)展示了以智能制造技术有效专利数量为主要解释变量的回归结果，其中智能制造技术有效专利数量(ln_im_e)对于第二产业劳动力占比的回归系数为-0.006，在10%的水平上显著为负，对于人均GDP的回归系数为0.031，在1%的水平上显著为正。与基准回归的结果保持一致。

表4 稳健性检验：替换解释变量

此外，本文还通过替换被解释变量的方式进行稳健性检验。产业结构效应方面，用地区制造业的劳动力占比(L_m)代替第二产业劳动力占比进行回归，制造业比第二产业更贴合模型的定义，但是省级层面制造业的相关数据存在一定缺失，回归结果如表5的列(1)～(3)所示。经济增长效应方面，替换后的被解释变量为地区真实总产值的对数形式(ln_y_real)，回归结果如表5的列(4)～(6)所示。主要解释变量的回归系数与显著性并没有明显变化。

表5 稳健性检验：替换被解释变量

(六)机制检验

1.智能制造技术对于不同产业经济增长的影响

基准结果显示，智能制造技术的进步将劳动力从第二产业挤入其他产业，并提升了人均产出。本文对第二产业和第三产业的产值增长率进行分析，1985年以来中国各地区的经济增长水平均大幅提升，所有省份第二产业的人均产出都明显高于第三产业。因此，本文认为智能制造技术提升地区经济增长的机制主要在于提升了第二产业的产值增长率。

表6的列(1)、(2)展示了智能制造技术对于不同类型产业的影响。智能制造专利申请数与第二产业的真实人均产值(ln_y2per)呈正相关，且在1%的水平上显著，系数为0.045。同时，智能制造专利申请数与第三产业的真实人均产出(ln_y3per)之间的系数为0.002，远小于0.045，且该系数不显著。这一结果与表4列(1)～(3)的结果共同说明，智能制造技术可以替代第二产业中的低端劳动力，在保存高端技术工人的情况下，提升第二产业产值增长率。结合命题2，上述结果说明目前中国有着较高的资本密集度，但是智能制造技术的发展仍处于较低水平。

表6 机制检验

2.智能制造技术效应的地区差异——基于工资水平

本文理论部分指出，只有在工资水平高于智能制造技术使用成本时，智能制造技术创新的产业结构效应和经济增长效应才能体现。考虑到目前数据的可得性，智能制造技术使用成本难以直接观测或间接测算，本文假设生产者的智能制造技术使用成本是相同的。在此假设下进一步求证命题1和命题2等同于验证命题：只有在工资水平较高的地区，智能制造技术创新的产业结构效应和经济增长效应才能体现。为了证明上述机制，构建门槛回归模型对不同工资水平下智能制造技术的经济效应进行检验。门槛模型的具体形式为：

Yct=β0+β1ln_im_act×1I(Uit≤T)+β2ln_im_act×I(Uit>T)+∑βX+λarea+λyear+εct

(23)

其中，U代表进行价格指数平减后地区当年的真实工资水平，T表示门槛值，I表示判断工资水平与门槛大小关系的示性函数。被解释变量Y包括地区人均GDP的对数形式ln_per_gdp和第二产业劳动力占比L_snd。其他变量的含义与基准回归相同。

表6的列(3)、(4)汇报了基于式(23)的回归结果，在门槛左侧，智能制造专利申请数(ln_im_a_0)对于第二产业劳动力占比的回归系数为负但是并不显著，对于人均GDP的系数为正但不显著；在门槛右侧，智能制造专利申请数(ln_im_a_1)对于第二产业劳动力占比的回归系数显著为负，对于人均GDP的系数显著为正。以上结果说明，只有当地区工资达到一定水平后，智能制造技术的产业结构效应和经济增长效应才能显现。

六、“技术的技术”：智能制造技术对于其他技术的影响

长期视角下，智能制造技术创新对于产业结构的影响可能产生一系列连锁反应。智能制造技术替代人工生产是持续性的，一般不会出现劳动力反向替代智能制造的情况，这将导致尚未进入市场的潜在劳动力对自身受教育水平进行重新规划。在智能制造技术进步的背景下，高技能劳动力依然可以凭借自身能力选择任意合适部门的工作岗位，获取相对较高的工资收入；中低技能劳动力在制造业部门中丧失竞争优势，只能在低技术部门提供服务获取收入。本文分析显示，第二产业的工资水平高于第三产业，智能制造技术的发展将降低中低技能劳动力的工资期望。因此，智能化活动必然促使更多的劳动力和潜在劳动力寻求长期教育、获得更高的技能水平。已有文献广泛关注智能制造如何催生就业极化(33)V.Jerbashian.“Automation and Job Polarization:On the Decline of Middling Occupations in Europe”.CERGE-EI Working Paper No.576,2016.，本文则进一步聚焦智能制造技术创新对于知识生产部门的影响。

目前智能制造技术甚至人工智能技术还很难参与知识生产部门的研发过程。(34)F.Calvino,C.Criscuolo,L.Marcolin,and M.Squicciarini.“A Taxonomy of Digital Intensive Sectors”.OECD Science,Technology and Industry Working Paper No.14,2018.人力资本是知识生产部门的主要生产要素，在劳动力整体受教育水平和技能水平上升的情况下，知识生产部门的发展必然受到促进。智能制造技术的发展可以提升地区整体人力资本水平，进而推动其他技术的进步。因此，可以将智能制造技术称为“技术的技术”。

本文通过FE模型和系统广义矩估计法(sys-GMM)对上述机制进行检验。表7汇报了智能制造专利与非智能制造专利之间的回归结果。其中列(1)、(2)基于专利申请数构造指标，列(3)、(4)基于专利授权数构造相关指标。另外，为了避免可能存在的内生性问题，以及反映专利研发的动态效应，本文在FE模型中将主要解释变量取滞后1期引入回归，并用sys-GMM法进行稳健性检验。结果显示，不管针对专利申请数还是授权数进行指标构建，智能制造专利都能促进其他技术专利的进步，纳入系统广义矩估计模型中，这一促进效应依然存在。上述结果验证了智能制造技术是“技术的技术”，可以推动其他技术的进步。在满足广泛适用性(各产业广泛使用)、内在的技术改进潜力(持续专利数量增长)和创新互补性(刺激其他技术)三项条件的情况下，智能制造技术有可能成为新一代的通用技术。

表7 智能制造技术对其他技术的影响

七、主要结论

本文构建了嵌入智能制造技术进步的两部门模型，从技术创新的视角出发研究了智能制造技术进步对于地区产业结构和经济增长水平的影响。在此基础上，使用文本分析法对1985—2015年在中国专利局登记的发明专利数据进行处理，筛选出与智能制造相关的发明专利，表征中国各地区智能制造技术创新的水平，并对理论模型的结果进行检验。

本文的主要结论包括：(1)智能制造技术的产业结构效应和经济增长效应都是显著的，智能制造技术的进步将会挤出一部分第二产业的劳动力，同时提升地区整体的经济增长水平；智能制造技术进步只会提升第二产业的产值增长率，对于第三产业没有影响。(2)智能制造的产业结构效应和经济增长效应存在地区差异，只有当地区工资水平高于某一门槛值时，智能制造技术的进步才能达到预期效果。(3)智能制造技术可以推动其他技术的进步。智能制造技术促使潜在劳动力提高自身技能水平，人力资本的增加对研发创新活动有显著的推动作用，在满足三项必要条件的情况下，智能制造技术很可能成为未来的通用技术。

本文研究结论的战略含义是，在产业结构服务化程度以及服务业资本密集度和资本产出弹性不断提升的长期发展趋势下，智能制造技术水平只有不断创新，且伴随着较大的投资规模增加，才有可能带来产业结构服务化所需的劳动力就业和整体的经济增长水平提高。在未来“工业4.0”的竞争中，加强和加快智能制造技术创新和应用对中国经济增长至关重要。相应的政策含义包括：第一，需要完善社会保障体系，以应对智能化改造可能带来的摩擦性失业和结构性失业。着重对失业保险制度进行改革，为失业者提供再就业的辅导平台，尤其是要大力支持职工在岗技能培训活动，以防止大量失业所带来的潜在危机。第二，智能制造技术进步对于劳动力市场需求的影响是长期、不可逆的，必须进一步改革教育体系，提高在职劳动力以及潜在劳动力对于智能制造技术的适应能力。重点是平衡高等教育和职业教育的投入水平，形成以高等教育促进技术发展、以职业教育提供特色劳动力的教育结构，为市场提供更为多样化的人力资本。第三，目前中国高校为智能制造技术创新提供了重要的基础学科和应用性研究支撑，要积极引导产学研协同创新。聚焦以智能制造等技术为代表的新兴技术领域，积极推进“政产学研资”深度融合，由政府协调多方建设合作平台，协同破解“卡脖子”技术难点，实现在关键核心技术上的不断突破，保证高校和研究机构的最新成果能够溢出到企业，并最终产生积极效应。