人工智能与中国制造业企业高质量发展

刘松竹 肖生鹏 梁运文

摘要：我国经济已由数量规模的高速增长转向高质量发展新阶段，制造业企业高质量发展还面临着诸多问题和发展瓶颈。基于2011—2019年沪深A股制造业上市公司与国际机器人联合会（IFR）的匹配数据，考察人工智能应用对我国制造业企业高质量发展的影响效应及机制，可以发现人工智能应用对我国制造业企业高质量发展存在显著且稳健的促进作用;异质性分析结果显示，人工智能应用较大幅度地提升了国有企业、非沿海地区企业及高技术行业企业的高质量发展。政府应通过各种财政支持措施对机器人及人工智能技术的引进、应用及开发予以补贴及税收优惠等，在加大机器人及人工智能等机器人技术应用力度的同时，要转变技术创新模式，加强劳动者的职业技能培养和劳动者自身的技术吸收能力提升，充分发挥产学研之间相互合作的协同创新优势;扩大中西部地区人工智能技术的应用领域和范围，强化企业自主创新的能力，更大程度发挥其对地区社会经济发展的促进作用。

关键词：人工智能;制造业;企业高质量发展;技术创新;人力资本提升

基金项目：国家社会科学基金项目“‘一带一路’沿线国家‘互联网+’价值链连接机制与借势途径研究”（19BJL112）;湖南省社会科学成果评审委员会一般项目“疫情冲击下基于产品空间理论的湖南制造业转型升级路径与对策研究”（XSP22YBZ099）

中图分类号：F276    文献标识码：A    文章编号：1003-854X（2022）07-0024-08

一、引言与相关文献综述

当前，我国经济已由数量规模的高速增长转向高质量发展新阶段。改革开放尤其是加入WTO以来，我国经济规模快速跃进，国内生产总值已由1978年的3645亿元飙升到2021年近114万亿元，年均增长率高达14.3%，近40年间我国GDP实际增长了近313倍。然而，与我国经济规模的迅速扩张相比，制造业企业高质量发展还面临着诸多问题和发展瓶颈，诸如自主创新能力不强、产品附加值不高、生产管理效率较低等问题①，导致我国制造业企业一直处于“大而不强”的局面，对我国经济转型升级与高质量发展的支撑作用亟待加强。尤其在新冠肺炎疫情仍肆虐全球、中美贸易摩擦态势反复、全球经济发展趋势不确定性陡增的背景下，如何提升我国制造业企业高质量发展水平，加快产业转型升级，实现“中国制造”向“中国创造”的转变将成为推动新时代经济增长和高质量发展的重要驱动力。

人工智能作为一种新型的通用目的技术，借助大数据、算法、互联网等技术突破，通过与制造业融合发展引领新的产业变革。党的十九届五中全会也特别指出，要进一步加强大数据、人工智能等与制造业深度融合。得益于技术的进步及我国制造业的崛起，人工智能产业在我国得到了迅猛的发展，我国人工智能的投融资已占全球的60%②。中国信息通信研究院数据显示，在2004—2020年期间，我国人工智能企业数量保持了年均约11.77%的高增长，截至2020年已居于世界第二位，占全球比重达到24.7%，同时，我国人工智能产业的总规模在2020年也已高达3031亿元，与上年相比，增长幅度高达15.10%。此外，国家工业和信息化部的数据也表明，到2020年底，我国规模以上制造业企业的智能化应用率也已达到近50%。当前，数字化、智能化技术创新不断深化，以大数据、人工智能等为代表的新技术、新生产方式、新产品大量涌现，成为推动经济增长和高质量发展的主导力量和重要内涵③。那么，人工智能应用能否有助于促进我国企业高质量发展呢？其可能的影响渠道又是什么？这种影响是否又会因为企业的不同所有制属性、所处区域或行业技术特性而表现出差异性？这些问题的解决对于厘清人工智能应用与我国制造业企业高质量发展之间的关系十分重要。

事实上，关于机器人、人工智能应用的经济效应研究，主要源自西方发达国家，并聚焦于经济增长、劳动力市场、收入分配等方面。就经济增长而言，陈彦斌等通过构建动态一般均衡模型，研究表明人工智能能够缓解老龄化对经济的冲击，从而促进经济增长④;Kromann等的研究发现机器人、工业智能化不仅可以促进经济增长，还能促進其全要素生产率的提高⑤;杨光和侯钰的研究则进一步证实了上述结论，还发现在人口红利的不同阶段存在显著的差异性⑥。关于人工智能应用对劳动力市场的影响，Gregory等认为工业智能化的使用能够增加产品需求，也会创造出新的就业岗位，进而促进就业的增长⑦;Acemoglu和Restrepo的研究则发现，增加使用机器人会减少美国劳动力市场的就业人口比例⑧;Dauth等采用德国的IFR数据研究表明，机器人应用未对其总体就业造成损失，而只是改变了德国的就业结构⑨，即机器人、人工智能应用对不同行业的影响存在差异性。在收入分配方面，DeCanio与Brynjolfsson等认为，人工智能的大量应用会代替更多劳动，致使资本要素的份额增加，资本报酬递增，进而加剧了收入不平等⑩。同时，还有部分研究进一步从微观层面考察了机器人及人工智能应用等对企业劳动生产率、企业出口产品质量、企业绿色发展等的影响{11}。近年来制造业企业如何实现高质量发展渐成学术界研究的热点问题，且主要以宏观层面的研究为主，例如经济高质量发展的评判体系{12}、经济高质量发展的影响因素{13}等，而较少关注企业微观层面的研究。企业是经济高质量发展的微观主体，只有企业实现高质量发展才能从根本上推动经济的高质量发展。

从上述文献梳理可知，既有研究要么仅考察了机器人及人工智能应用对企业出口产品质量、劳动生产率及绿色发展等的影响，要么仅从区域及产业视角关注其对经济高质量发展的影响。如从省级层面考察工业智能化对制造业高质量发展的影响，结果发现，工业智能化与制造业发展质量之间呈现“U”型关系，且这种关系存在较强的行业及区域异质性特征{14}，因此难以捕捉企业微观层面影响。基于此，本文从人工智能视角来考察其对我国制造业企业高质量发展的影响，为机器人及人工智能应用助推我国经济转型升级和企业高质量发展提供新的经验证据。

二、研究设计

（一）数据来源

本文数据主要源自国际机器人联合会（IFR）所公布的“年份—国家—行业”层面的机器人统计数据、国泰安（CSMAR）数据库、万得（WIND）数据库以及《中国工业统计年鉴》。由于本文考察的工业机器人主要应用于制造业领域，基于数据可得性，我们将考察期设定为2011—2019年，并以中国沪深A股制造业上市公司为研究对象进行实证研究。依据《GB/T 4754—2017国民经济行业分类与代码》以及《所有经济活动的国际标准行业分类（第四版）》，我们将制造业上市公司行业数据与IFR的工业机器人数据进行匹配，并在剔除了ST、*ST类上市公司以及存在数据严重缺失的样本后，最终得到1948家制造业上市公司的12088个样本观测值的并集数据。同时，为消除样本异常值的影响，本文对主要连续变量进行了前后1%的Winsorize处理，并使用统计软件Stata 15.0进行数据分析。

（二）构建计量模型

本文旨在考察人工智能应用对中国制造业企业高质量发展的影响，为此，我们构建如下基准计量模型进行估计：

Hqualityijt=δ0+δ1AIijt+Σδicontrolit+γj+γt+εijt （1）

式（1）中的下标i、j与t分别表示企业、国民经济行业分类（CIC）4位码行业及年份;Hquality为被解释变量，即企业高质量发展;AI为人工智能的代理变量，即本文的核心解释变量;controlit表示一系列控制变量，γj、γt分别为行业和年份层面的固定效应，ε为随机误差项。

（三）变量选取

1. 被解释变量：企业高质量发展（Hquality），后文均以此指代制造业企业高质量发展。对于其测度方式，目前主要分为两大类，即单一指标法和多指标法。其中单一指标法较为常见，较多采用全要素生产率、劳动生产率、经济增加值等进行测度，也有部分学者使用多指标法对其进行表征，如唐红祥等{15}。但这些测度方法的不足之处在于主观性较大，难以得到统一评估指标。基于此，本文借鉴陈诗一和陈登科的做法{16}，以企业全要素生产率表征企业高质量发展。此外，由于全要素生产率的测算方法众多，其中最小二乘法（OLS法）和固定效应法（FE法）无法解决内生性问题，且涵盖的信息不全面，而广义矩估计法（GMM法）要求样本具有足够长的时间跨度，同时，OP法又会因企业投资额缺失导致大量数据丢失问题，因此，本文借鉴Arnold等的做法{17}，使用LP法计算企业全要素生产率，并将其作为企业高质量发展的代理变量。

2. 核心解释变量：人工智能应用（AI）。作为本文的核心解释变量，人工智能应用被视为自动化技术的一种高阶类型。我们借鉴Acemoglu和Restrepo{18}、王永钦和董雯{19}等的做法，使用工业机器人数据作为人工智能应用的代理变量。我们选择以企业层面工业机器人密度表征人工智能应用水平，具体测度方法如下：首先，利用行业层面工业机器人存量与行业基期就业人数（万人）的比值计算出行业层面工业机器人渗透度;其次，将企业基期生产人员占比与制造业全部企业基期生产人员占比的中位数之比作为权重;最后，将企业权重与对应行业的工业机器人渗透度的乘积作为企业层面工业机器人密度。如式（2）所示：

Robotsijt=（2）

式（2）中，Robotsijt表示制造业行业j中i企业在t年的工业机器人密度，IRjt为行业j在t年的工业机器人存量，Laborjt=2010为行业j在2010年（基期）的就业人数，PPijt=2011为行业j中i企业在2011年（基期）生产人员的比重，MedPPt=2011为全部制造业所有企业在2011年的生产人员占比的中位数。

3. 控制变量。参考既有研究，本文选取了一系列指标作为控制变量，具体包括：（1）企业规模（Size），以企业期末资产总额的自然对数表征;（2）企业年龄（Age），以企业当期年份减去成立之年的差额取自然对数表示;（3）资产负债率（Lev），以企业期末负债总额与资产总额的比值表征;（4）董事会规模（Bsize），以董事会总人数的自然对数进行表征;（5）独立董事比例（Indep），以独立董事人数与董事会总人数的比值表示;（6）股权集中度（Top1），以第一大股东持股比例表征;（7）企业市场价值（Tq），以企业市值与总资产的比值表征;（8）研发投入强度（RD），以企业研发投入与营业收入的比值表征;（9）高管薪酬（EI），以企业高管年薪总额的自然对数表征。表1报告了相关变量的描述性统计结果。

三、实证分析

（一）基准回归估计结果分析

本文利用式（1）考察了人工智能应用对我国制造业企业高质量发展的影响，具体回归结果如表2所示。第（1）列未添加任何控制变量，第（2）列加入各层面控制变量，各列均控制了行业固定效应和年份固定效应。可以看出，无论是否添加控制变量，人工智能应用对我国企业高质量发展的估计系数在1%显著性水平上均为正，这表明人工智能应用有助于促进我国企业的高质量发展。导致这一现象的原因可能在于，一是人工智能应用有助于减少               表2  基准回归结果

注：***、**和*分别表示在1%、5%和10%的水平上显著;括号内为t值;所有回归均控制了行业固定效应及年份固定效应。下同。

技术创新的风险和不确定性，进而降低创新成本，提升创新效率;二是人工智能应用助推的人力资本结构优化引起的高质量就业所致。

（二）稳健性检验

1. 内生性检验。在上文基准回归部分，我们利用OLS方法估计了人工智能应用对我国企业高质量发展的影响，为减少由此带来的内生性偏误，提高研究结论的稳健性，我们借鉴王永钦和董雯{20}、唐青青等{21}选取工具变量的思路，选取以下两种工具变量并采取2SLS方法进行内生性检验。首先，以美国工业机器人的存量构造相应的中国制造业企业工业机器人存量密度，并将取自然对数后得到的人工智能变量作为工具变量，之所以选取美国工业机器人數据构造工具变量，主要基于两方面的考虑：其一，美国是制造业强国且工业机器人应用水平处于全球前列，能够反映未来人工智能发展趋势，而且在样本期内，美国同中国工业机器人应用的发展趋势较为接近，因此满足相关性假定;其二，美国工业机器人应用水平与中国企业高质量发展间并没有直接的联系，因此满足外生性假定。其次，进一步借鉴唐青青等的做法{22}，选用滞后一期的人工智能数据作为工具变量进行2SLS回归，这是因为企业的机器人密度对当期企业机器人密度有一定影响，同时作为被解释变量的当期的企业高质量发展不会对滞后一期的企业机器人密度产生影响，工具变量的回归结果如表3第（1）、（2）列所示。第一阶段估计结果显示，两种工具变量都与机器人密度的估计系数在1%的显著性水平上分别为1.038和0.928，表明这两种工具变量与企业机器人密度的相关性条件成立，在第二阶段两种工具变量法下，人工智能对我国企业高质量发展的回归系数也均显著为正，且P值和F值显示在1%水平上拒绝了工具变量识别不足及弱识别的原假设，这说明上述两种工具变量的选取是有效的。

2. 替换被解释变量。参考王桂军和卢潇潇{23}、石大千等{24}的做法，本文采用劳动生产率和以OP法重新计算的企业全要素生产率作为企业高质量发展的代理变量，考察其对企业高质量发展的影响。劳动生产率和OP法重新计算的企业全要素生产率的回归结果依次如表3的第（3）列与第（4）列所示。结果显示，两种替换后的被解释变量的回归系数在1%显著性水平上为正，其结果与基准回归结果基本一致，表明其结论是稳健的。

3. 替换解释变量。借鉴曹平等{25}、王永钦和董雯{26}的思路，使用滞后一期的人工智能和工业机器人安装密度的自然对数作为人工智能的代理变量，采用基准回归模型式（1）进行稳健性检验，以进一步验证研究结论的可信度，结果如表3第（5）、（6）列所示。可以看出，替换两种解释变量后的回归系数分别在5%和1%的显著性水平上为正，其符号方向及大小均未发生实质性改变，这反映出本文基准回归的结论是可靠的。

（三）异质性分析

我们进一步从企业所有制类型、企业所在区域和不同技术水平企业进行样本分类，分别考察人工智能应用对我国制造业企业高质量发展的异质性影响。

一是企业所有制类型的分析。由于国有企业与非国有企业在资源配置效率、企业经营、资产规模等方面存在差异，与非国有企业相比，国有企业体量庞大，融资与经营压力小，总体运营效率不高，因此，不同所有制企业受到人工智能应用的影响也可能存在差异。基于此，我们将样本划分为国有企业和非国有企业两个样本后进行分组回归，表4第（1）、（2）列分别给出了国有企业与非国有企业子样本组的回归结果，每列均添加了各层面控制变量、行业固定效应和年份固定效应。可以发现，人工智能应用对不同所有制企业高质量发展的影响系数均显著为正，且与非国有企业相比，国有企业的影响系数更大，表明人工智能应用对国有企业高质量发展的促进作用更大。这可能是由于国有企业规模大，且运营效率本身并不高，人工智能更能发挥出削减人力成本的作用以及对效率提升的作用等，从而更大程度地促进了企业高质量发展。

二是不同区域的分析。据中国海关数据库的各省工业机器人进口情况的统计，我们发现机器人进口数量较多的省份主要分布在长三角、珠三角等沿海地区，相比非沿海地区，我国沿海地区在经济发展水平、基础设施建设及劳动力素质等方面有优势，因此，人工智能应用可能会对我国不同区域企业高质量发展产生差异性影响。为此，我们按照企业所在区域将其划分为沿海地区企业与非沿海地区企业样本{27}，在此基础上进行异质性检验，结果如表4第（3）、（4）列所示，每列均加入了各类控制变量、行业固定效应和年份固定效应。可以看出，两类样本下人工智能应用的影响系数分别在10%和5%的显著性水平上均为正，但与沿海地区企业相比，非沿海地区企业人工智能应用的影响系数更大，这说明人工智能应用对非沿海地区企业高质量发展的提升效应更大。可能的原因是，人工智能具有削减人力规模与成本的作用，且能提升要素配置效率，这为经济欠发达的非沿海地区企业高质量发展起到了更大的提升作用。而对于经济发达的沿海地区企业，能促进企业高质量发展的有利条件多，且企业本身高质量发展水平比较高，因而人工智能对于企业高质量发展的提升作用有限。

三是分行业技术特性的分析。考虑到不同行业内企业技术特征及技术先进程度不同，人力资本水平也存在差异，因而其对技术的吸收能力差异可能对企业高质量发展产生不同的影响。为此，我们根据国民经济行业分类代码（2002年版）将制造业按照行业技术性高低进行分组{28}，进一步考察人工智能应用对不同技术水平行业企业高质量发展的异质性影响，结果如表4第（5）、（6）列所示，每列均加入了各类控制变量、行业固定效应和年份固定效应。回归结果显示，人工智能应用更有助于推动高技术行业企业的高质量发展，对于低技术行业企业的影响并不显著。对此可能的解释是，高技术行业内企业的技术更先进，人力资本水平也更高，对技术的学习能力和消化吸收能力也更强，因而更有助于推动企业高质量发展。

（四）影响机制分析

本文通过梳理相关文献，认为人工智能应用可能会从技术创新与人力资本提升渠道来影响我国企业高质量发展。

一是人工智能应用通过技术创新影响企业高质量发展。作为具有基础和通用性特征的技术，人工智能具有很强的溢出带动效应。一方面，人工智能技术可以有效解决信息不对称和协调沟通效率问题，显著提高了信息流通的效率和质量，加速了技术创新、产品创新与市场创新的协同创新效率和质量。由于人工智能系统在信息搜索广度和处理速度上更具优势，因此研发人员可以更专注于复杂而高级的研发活动中，摆脱简单、重复的信息搜寻和处理工作，提高了企业创新效率，扩大了企业对知识的学习和应用能力{29}。另一方面，人工智能应用有助于降低企业生产经营成本和贸易成本。融资约束是影响企业创新的重要因素之一，这些成本的降低可以使企业有更多的资金用以研发创新，从而可能促进企业高质量发展。人工智能的“生产率效应”会使得企业的大部分劳动者从重复性的劳动中释放出来，企业的劳动力成本降低，节约了企业的自有资金，使企业转而投向更加复杂的、高端的技术研发中，缓解了企业在研发过程中的融资约束，从而可以提升企业创新水平。此外，人工智能投资还会产生“干中学”的创新效应。作为实物形态的创新成果，人工智能更易于在实践中应用、模仿和学习，特别是由于其兼具科技性、融合性和智能化等特征，由此所带来的技术进步和劳动生产率的促进作用也将比一般性固定资产投资和研发投资更为显著{30}。同时，技术创新有助于优化配置生产要素，进而提高企业全要素生产率和企业发展质量{31}。因此，我们认为人工智能通过技术创新效应促进了企业高质量发展。

二是人工智能应用通过人力资本提升来影响企业高質量发展。人力资本提升主要涉及劳动体能、技能和智能的改善。既有研究发现，以人工智能技术为基础的工业智能化将逐步实现对劳动力的替代{32}，然而，实际上，人工智能技术只能替代部分劳动，而对难以被自动化、对技能要求较高的劳动力无法实现替代，同时在人工智能技术下劳动力结构将由操作型和技能型员工向知识型员工转变{33}，这必然会对劳动力的技能提出更高的要求。Hémous和Olsen的研究也发现，人工智能技术的应用在提高劳动生产率、增加对高技能劳动力要求的同时，会减少对低技能劳动力的需求{34}。同时，人工智能与不同产业的融合发展，将催生新业态和新模式，进而推动产业结构转型升级。此外，产业结构的转型升级还会带动相关技能岗位的增加，使得生产部门扩大对人力资本的需求，从而致使劳动者获得更多的职业培训机会{35}。由于劳动力结构优化所引致的高质量就业是制造业实现高质量发展的关键因素，因此，人力资本提升所带来的劳动力结构优化将有助于实现我国企业高质量发展。

为进一步验证上述影响机制分析结果，我们参考Baron和Kenny{36}的思路，在基准回归模型（1）的基础上，通过构建如下中介效应模型（3）与（4）来识别其背后可能的作用机制。

Medit=μ0+μ1AIijt+Σμicontrolit+γj+γt+εijt（3）

Hqualityijt=φ0+φ1AIijt+φ2Medit+Σφicontrolit+γj+γt+εijt                   （4）

其中，Medit表示中介变量，即当期技术创新（Innovation）和人力资本提升（Capital）。关于中介变量的具体度量如下：关于技术创新（Innovation）的测度，黎文靖和郑曼妮{37}认为，发明专利能够实质性地推动技术进步，属于高质量的创新行为;而专利申请数量包括获得授权专利与未获得授权专利，因其未获授权无法反映企业真实的技术创新水平。基于此，我们以发明专利授权数量+1后的自然对数作为技术创新的代理变量;人力资本提升（Capital）的测度，我们参考魏浩和李晓庆{38}的思路，以企业平均工资水平的自然对数作为人力资本提升的代理变量，其中，企业平均工资使用应付职工薪酬/员工人数计算得出。同时，式（3）—（5）中的其他变量的含义与式（1）一致。

根据中介效应的检验原理，要分别检验回归系数δ1、μ1、φ1与φ2，由于上文基准回归结果已表明人工智能应用显著推动了我国企业高质量发展，即回归系数δ1检验结果显著，因此进入第二步，即检验回归系数μ1是否显著，如显著则继续到下一步，否则停止检验;在第三步，如回归系数φ1与φ2均显著，表明存在部分中介效应，且无需进行sobel检验。而当回归系数φ1不显著但回归系数φ2显著时，表明为完全中介效应;反之，当回归系数φ1显著而回归系数φ2不显著时，则需进一步进行sobel检验，如果检验结果显著，说明中介效应成立，反之则不成立。

表5给出了两类中介机制检验的回归结果。其中第（1）、（3）列为采用式（3）考察人工智能应用对中介变量技术创新与人力资本提升的估计结果，第（2）、（4）列报告了将中介变量添加到式（4）后的回归结果。同时，由于表2第（2）列所示结果已表明回归系数δ1检验结果为显著，因此，只需对回归系数μ1、φ1与φ2进行检验即可。由结果可知，在技术创新机制下，人工智能应用显著促进了企业技术创新水平，继而通过技术创新水平的提升来助推我国企业高质量发展。通过表5第（2）列的结果，可以发现在企业当期技术创新变量加入后，人工智能应用的回归系数较之表2第（2）列的系数有所减少，表明人工智能应用通过技术创新机制来促进企业高质量发展，即技术创新的中介机制效应成立。同时，第（3）列的结果显示，人工智能应用的回归系数同样显著为正，说明人工智能应用具有显著的人力资本提升作用。结合表5第（4）列与表2第（2）列的回归结果，可以看出人工智能應用与人力资本提升的回归系数也均显著为正，说明人力资本提升对于我国制造业企业高质量发展的中介效应同样成立。

表5  影响机制检验

四、研究结论与政策启示

本文基于2011—2019年中国沪深A股制造业上市公司与国际机器人联合会（IFR）的匹配数据，考察了人工智能应用对我国制造业企业高质量发展的影响效应及机制。研究发现：第一，人工智能应用对我国制造业企业高质量发展存在显著且稳健的促进作用，这一结果在采用工具变量法、替换解释变量和被解释变量进行检验后仍然显著;第二，异质性分析结果显示，人工智能应用较大幅度地提升了国有企业、非沿海地区企业及及高技术行业企业的高质量发展;第三，机制检验表明，人工智能应用主要通过技术创新效应及人力资本提升效应的作用机制来促进我国制造业企业高质量发展。

基于上述研究结论，本文的政策启示在于：

第一，考虑到人工智能应用对我国制造业企业高质量发展产生了显著的促进作用，政府应通过各种财政支持措施对机器人及人工智能技术的引进、应用及开发予以补贴及税收优惠等，尤其是对国有企业、非沿海地区企业及高技术行业企业。

第二，企业在加大机器人及人工智能等机器人技术应用力度的同时，要转变技术创新模式，加强劳动者的职业技能培养和劳动者自身技术吸收能力的提升，充分发挥产学研之间相互合作的协同创新优势。

第三，扩大中西部地区人工智能技术的应用领域和范围，强化企业自主创新的能力，更大程度发挥其对地区社会经济发展的促进作用。

注释：

① 赵宸宇、王文春、李雪松：《数字化转型如何影响企业全要素生产率》，《财贸经济》2021年第7期。

② 杨伟国、邱子童、吴清军：《人工智能应用的就业效应研究综述》，《中国人口科学》2018年第5期。

③ 汤铎铎、刘学良、倪红福、杨耀武、黄群慧、张晓晶：《全球经济大变局、中国潜在增长率与后疫情时期高质量发展》，《经济研究》2020年第8期。

④ 陈彦斌、林晨、陈小亮：《人工智能、老龄化与经济增长》，《经济研究》2019年第7期。

⑤ L. Kromann， J. R. Skaksen， A. S？准rensen， Automation， Labor Productivity and Employment： A Cross Country Comparison， CEBR， Copenhagen Business School Working Paper， 2011.

⑥ 杨光、侯钰：《工业机器人的使用、技术升级与经济增长》，《中国工业经济》2020年第10期。

⑦ T. Gregory， A. Salomons， U. Zierahn， Racing with or Against the Machine？ Evidence from Europe， ZEW-Discussion Papers Series， 2016， No.DP12063.

⑧{18} D. Acemoglu， P. Restrepo， Robots and Jobs： Evidence from  U.S. Labor Markets， Journal of Political Economy， 2020， 128（6）， pp.2188-2244.

⑨ W. Dauth， S. Findeisen， J. Südekum， N. Woessner， German Robots： The Impact of Industrial Robots on Workers， CEPR Discussion Paper， 2017， No.DP12306.

⑩ S. J. DeCanio， Robots and Humans-Complements or Substitutes？ Journal of Macroeconomics， 2016， 49， pp.280-291; E. Brynjolfsson， A. McAfee， M. Spence， New World Order： Labor， Capital， and Ideas in the Power Law Economy， Foreign Affairs， 2014， 93（4）， pp.44-53.

{11} 李磊、徐大策：《机器人能否提升企业劳动生产率？——机制与事实》，《产业经济研究》2020年第3期;唐青青、白东北、王珏：《人工智能对出口产品质量促进的异质效应与影响路径》，《现代财经》2021年第12期;S. Mahalakshmi， A. Arokiasamy， J. F. A. Ahamed， Productivity Improvement of an Eco Friendly Warehouse Using Multi Objective Optimal Robot Trajectory Planning， International Journal of Productivity and Quality Management， 2019， 27（3）， pp.305-328.

{12} 任保平、李禹墨：《新时代我国高质量发展评判体系的构建及其转型路径》，《陕西师范大学学报》（哲学社会科学版）2018年第3期。

{13} 赵儒煜、常忠利：《经济高质量发展的空间差异及影响因素识别》，《财经问题研究》2020年第10期。

{14} 唐晓华、迟子茗：《工业智能化对制造业高质量发展的影响研究》，《当代财经》2021年第5期。

{15} 唐红祥、张祥祯、吴艳等：《中国制造业发展质量与国际竞争力提升研究》，《中国软科学》2019年第2期。

{16} 陈诗一、陈登科：《雾霾污染、政府治理与经济高质量发展》，《经济研究》2018年第2期。

{17} J. M. Arnold， B. S. Javorcik， Gifted Kids or Pushy Parents？ Foreign Direct Investment and Plant Productivity in Indonesia， Journal of International Economics， 2009， 79（1）， pp.42-53.

{19}{20}{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》，《经济研究》2020年第10期。

{21}{22} 唐青青、白东北、王珏：《人工智能对出口产品质量促进的异质效应与影响路径》，《现代财经》2021年第12期。

{23} 王桂军、卢潇潇：《“一带一路”倡议与中国企业升级》，《中国工业经济》2019年第3期。

{24} 石大千、胡可、陈佳：《城市文明是否推动了企业高质量发展？——基于环境规制与交易成本视角》，《产业经济研究》2019年第6期。

{25} 曹平、肖生鹏、林常青：《产品关联密度与企业出口产品质量升级》，《中南财经政法大学学报》2021年第6期。

{27} 沿海地区企业包括位于北京、天津、河北、辽宁、山东、上海、江苏、浙江、福建、广东、广西和海南的企业，其余为非沿海地区企业。

{28} 参考现有研究，将化学原料及其制品业、电子及光学仪器制造业、机械制造业以及交通运输设备制造业划定为高技术行业，其余制造业行业为低技术行业。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》，《管理世界》2019年第7期。

{29} 睢博、雷宏振：《工业智能化能促进企业技术创新吗？》，《陕西师范大学学报》（哲学社会科学版）2021年第3期。

{30} 师博：《人工智能助推經济高质量发展的机理诠释》，《改革》2020年第1期。

{31} B. Y. Aw， M. J. Roberts， D. Y. Xu， R&D Investments， Exporting and the Evolution of Firm Productivity， The American Economic Review， 2008， 98（2）， pp.451-456.

{32} 贾根良：《第三次工业革命与工业智能化》，《中国社会科学》2016年第8期。

{33} 张新春、董长瑞：《人工智能技术条件下“人的全面发展”向何处去——兼论新技术下劳动的一般特征》，《经济学家》2019年第1期。

{34} D. Hémous， M. Olsen， The Rise of the Machines： Automation， Horizontal Innovation and Income Inequality， Barcelona： CEPR Discussion Papers， 2014.

{35} 张桂文、孙亚南：《人力资本与产业结构演进耦合关系的实证研究》，《中国人口科学》2014年第6期。

{36} R. M. Baron， D. A. Kenny， The Moderator-Mediator Variable Distinction in Social Psychological Research： Conceptual， Strategic， and Statistical Considerations， Journal of Personality and Social Psychology， 1986， 51（6）， pp.1173-1182.

{37} 黎文靖、郑曼妮：《实质性创新还是策略性创新？——宏观产业政策对微观企业创新的影响》，《经济研究》2016年第4期。

{38} 魏浩、李晓庆：《知识产权保护与中国企业进口产品质量》，《世界经济》2019年第6期。

作者简介：刘松竹，广西大学工商管理学院博士研究生，广西南宁，530004;广西财经学院经济与贸易学院副教授，广西南宁，530003。肖生鹏，通讯作者，广西大学工商管理学院博士研究生，广西南宁，530004。梁运文，广西大学工商管理学院教授、博士生导师，广西南宁，530004。

（责任编辑  陈孝兵）