人工智能对制造业产品质量升级的影响研究
2022-11-15袁毓蔓黎想冯嘉敏石瑞婷安依然
袁毓蔓 黎想 冯嘉敏 石瑞婷 安依然
(南京审计大学 江苏南京 211815)
1 引言
如今的中国虽已成为世界第一制造业大国,但随着国内外竞争的日益激烈,我国制造业出口产品在总体上“大而不强”。首先,中国的人口红利逐步消失,曾经低廉的劳动力成本优势不断降低,劳动密集型产品占比也呈现下降趋势,资本和技术密集型产品逐渐占据主导地位,而且占比还在不断增大。此外,人口老龄化和城镇化率的不断提高正在动摇出口导向型增长模式的根基。其次,制造业创新型人才的匮乏与创新能力不足,导致产品附加值低,使得我们仍处于价值链低端环节。
2 理论机制与研究假设
基础建设方面,人工智能可通过提高软件普及和应用,加大智能化设备投入,进而增强信息资源采集、数据处理和储存能力,以此提高产品质量合格率。人工智能拥有学习模型建力和信息分析能力,将其融入生产制造方面,人工智能可以识别各种环境信息并对最终产品质量产生影响。人工智能通过动态调节,可以最终找到最佳的生产工艺参数,从而优化生产流程,提升产品质量。(杨家荣,2019)[1]。
假设1:人工智能可通过提高软件普及和应用,加大智能化设备投入,进而增强信息资源采集、数据处理和储存能力,并以此提高产品质量合格率。
在生产应用方面,人工智能主要通过装备智能化支撑生产智能化和管理智能化来影响产品质量,并在生产过程中实现精准品控、故障处理、高效配置生产要素以达到提升产品质量和生产效率、降低生产成本的目标。为获取行业竞争优势,制造企业需要预测市场需求动向,而人工智能能在产品的计划阶段协助预测需求,制定个性化、差异化、合理化价格以提升销量,拓展市场份额,优化产品供给以提升产品质量,而在生产阶段人工智能可以提升新产品的研发效率和质量(刘卫河,2020)[2]。人工智能帮助制造业企业进行技术平台的运营和维护,提高智能化运营水平,实现降本增效,未来需利用人工智能检测和解决不可见问题,如工艺优化等(顾硕,2021)[3]。
假设2:人工智能通过生产应用可以提升制造业产品质量。
3 指标构建和测度方法
3.1 指标构建
通过参考国家工业和信息化部关于工业化和信息化融合的指标体系,本文构建了工业智能化水平测度指标,包括基础建设、生产应用、竞争力和效益三个方面,共涉及软件普及和应用情况、智能制造企业情况和创新能力等。
3.2 测度方法
本文借鉴韩峰和吴雨桐的方法,采用主成分分析方法,对指标体系降维,得到智能化综合指标。
4 模型设计
4.1 样本选取与数据来源
本文主要涉及两方面的数据,一是制造业产品出口企业的微观经济数据,二是工业智能化水平相关数据。数据来源于《中国电子信息统计年鉴》《中国统计年鉴》及《中国科技统计年鉴》。收集每个指标2003—2019年期间数据,选取29个省市作为研究对象。对原始数据进行数据清洗与指标计算、数据分析挖掘,形成新的指标体系,得到最终建模的数据指标。
4.2 变量说明
被解释变量:产品质量合格率(passrate),测度的是各省份产品质量情况。
解释变量:智能化水平(intelligent)用来测度各省份的智能化水平,该指标通过主成分分析法计算得出;
控制变量:考虑到其他可能影响产品质量合格率的因素,基于理论认知及对参考文献的研究,本文选取固定资产投资规模(lninv)、经济发展水平(lngdp)作为控制变量。
4.3 模型设计
基于本文研究内容,构建以下模型对研究内容进行实证分析。
式(1)中:i为不同省份,t为不同年份,year(年份)为控制变量,ε为随机扰动项1。
5 实证分析
5.1 最优模型的选择
面板数据的回归模型有混合效应模型、固定效应模型和随机效应模型,具体选择哪种模型,需要在回归前先对模型进行选择。
5.1.1 混合效应模型与固定效应模型的选择
固定效应F检验值为5.680,P值均为0,小于0.05,说明模型在5%显著性水平下拒绝了“所有地市sµ全部相等”的原假设,故确定使用固定效应模型。
5.1.2 随机效应模型与固定效应模型的选择
原假设H0:iµ与Xit,iz不相关:
Hausman检验P值为0,小于0.05,故在5%的显著性水平下,强烈拒绝原假设H0,应使用固定效应模型,而非随机效应模型。
综上所述,应选择面板数据的固定效应模型。
5.2 回归分析
5.2.1 基准回归
将各变量对被解释变量进行固定效应回归,回归结果如表1所示。
表1 回归结果
由表1可知,模型有效性检验的F值为41.750,对应的P值为0,小于0.05,故在5%的显著性水平下,模型的参数估计不全为0,即模型整体是有效的。
智能化水平(intelligent)对产品质量合格率(passrate)的回归系数为0.0731,而且在5%的水平下显著,故在5%的显著性水平下,智能化水平对产品质量合格率有正向的促进作用,即智能化水平越高,产品质量合格率越高,具体表现为其他变量不变的情况下,智能化水平每提高1个单位,产品质量合格率相应地增加0.0731个单位。
5.2.2 异质性分析
按经济发达程度将29个省市划分为东、中、西部地区进行异质性检验。
由检验结果可知,模型有效性检验的F值均大于10,对应的P值均为0,小于0.05,故在5%的显著性水平下,模型的参数估计不都全为0,即模型整体均是有效的。
对比表1三个地区的回归结果可知,智能化水平对产品质量合格率均有正向促进作用,但在中部地区和西部地区作用不显著。这可能是工业机器人产业主要集中于东部(根据2021中国制造业企业500强营收来看,东部地区营收占比为77.96%),因而人工智能的促进效应也集中于东部。虽然中部地区在工业机器人发展领域具有一定的发展基础,但人才流失严重,从而难以发挥工业机器人的结构促进效应。西部地区虽然机器人产业的后发潜力较高,但由于其人才较为匮乏,导致其产业基础薄弱。同时,这种地区影响差异,与创新能力、基础设施也不无关系。
总的来说,人工智能的影响尚处于较低水平说明智能化水平对产品质量合格率的正向影响在经济较为发达地区影响更显著。究其原因,人工智能投入使用促进了制造业企业生产规模的扩大,提升了制造业企业的现有研发能力和资本深化程度。再加上东部地区制造企业整体创新能力相对较强,对人工智能技术的接受和适应程度也相对较高,进而缩短了人工智能技术应用的时滞效应。此外,我国先进制造业集群多分布在东部地区,如深圳、武汉、合肥的信息技术集群,北京、上海的生物医药制造集群,正是由于这种集群的存在,使得在制造业区域集群进一步细分的情况下,制造业公司无论是在相关技术交流还是人才的获取方面都有极大优势。
5.2.3 稳健性检验
为验证上述回归结果的可靠性,需进行稳健性检验,考虑到智能化水平对产品质量合格率的影响需要一定相应时长,因此用滞后期的智能化水平对产品质量合格率进行回归分析,稳健性检验结果如表2所示。
由表2可知,模型有效性检验的F值均大于10,对应的P值均为0,小于0.05,故在5%的显著性水平下,模型的参数估计不都全为0,即模型整体均是有效的。
表2 稳健性检验结果
滞后一期、滞后二期的智能化水平对产品质量合格率均有显著的正向影响,说明智能化水平对产品质量合格率确实有显著的正向影响,因此上述回归得出的结论是稳健可靠的。
6 结论与建议
6.1 研究结论
企业的智能化水平对产品质量合格率有正向促进作用,而且该影响存在区域异质性,即对东部地区的影响最大,对中部和西部地区影响不显著。智能化水平对产品质量合格率的正向影响在经济发达地区更为显著。
6.2 政策建议
第一,虽然我国各地都为促进企业智能化推出了各项激励促进政策,但智能化改革不能操之过急,企业智能化升级需要考虑各个企业的实际情况和各个地区的经济发展水平,要以提升产品质量合格率为主要目的。
第二,需要关注企业智能化在不同地区的影响效应的显著性,对于我国地区经济发展不平衡所带来的影响。本文研究显示,企业智能化对于产品质量合格率的影响在东部地区尤为显著,而中部和西部地区影响并不显著。这是我国迈入新技术革命所带来的影响与挑战,需要关注并制定合理、有效的政策,迎接和解决新技术时代的挑战。