人工智能对工业绿色全要素生产率的影响

冯乐童

（天津商业大学， 天津 300000）

0 引言

随着中国经济的发展，能源消耗和环境污染问题日益严重。绿色发展代表了当今世界的一个重要趋势，这是一种科学的发展方向。当前，中国经济正处于转型的关键阶段，要实现有质量的经济发展，就必须走绿色发展之路。过去，很多研究者用TFP 来衡量经济发展，但这种方法没有考虑能源、环境等因素的影响。相比之下，全要素生产率的绿色衡量标准包含了这些因素，符合当前的经济发展理念。因此，绿色全要素生产率正逐渐成为一个重要的政策问题。

在当前智能化和工业经济发展的背景下，人工智能与工业绿色GDP 之间的联系及其影响机制尚未对现有文献中提出的问题给出明确答案。因此，本文利用省级面板数据，实证研究人工智能对工业绿色全要素生产率的影响，为智能化工业企业经济发展提供相关的理论实证基础。

1 文献综述

有关人工智能的文献涵盖了两个主要方面：测量标准和影响。在衡量标准方面，有许多科学文献专门探讨了人工智能的发展，其中,定量研究文献提供了具体指标来衡量人工智能的发展水平。这些指标可以用于评估人工智能技术的进步和应用在不同领域的影响。因此，通过研究人工智能的测量标准和影响，可以更全面地了解这一领域的文献，并深入探讨人工智能的发展及其对社会和经济的影响。Borland 和Coelli[1]提出将信息处理、软件和信息技术服务业的全社会固定投资之和与国内生产总值之比作为衡量人工智能发展水平的指标。此外，也有研究学者将中国制造业细分行业与国际财务报告准则的制造业分类相关联，用工业机器人装机容量作为衡量人工智能发展水平的指标[2]。当前，人工智能的发展方向与五大新发展理念一致，能够通过多种方式促进经济高质量发展，包括改革生产方式和优化交换方式等。

在绿色全要素生产率的相关研究中，衡量全要素生产率的绿色方法主要分为参数法和非参数法两种。在参数法中，武义清等人[3]引入潜在效率因子来计算河北省各市的绿色全要素生产率。在非参数法中，陈超凡[4]依靠ML 指数的距离函数来测算中国的绿色全要素生产率，并进一步发现中国不同地区的绿色全要素生产率存在显著的异质性。

一些研究人员对影响GTFP 的因素进行了深入研究，发现能源效率、产业结构优化和其他因素可以提高GTFP。此外，也有研究者认为，环境治理投资、人口规模和扭曲因素等因素对绿色全要素生产率有显著影响。

研究者原则上认同人工智能能够促进绿色TFP发展的结论。基于省级数据进行的实证分析表明，人工智能技术的开发和应用能够显著提高环保生产和管理水平。同时，研究者认为，人工智能等新技术与制造企业、政府等领域形成的智慧城市，可以提高区域综合生产力水平。

2 人工智能对工业绿色全要素生产率的直接效应

人工智能技术的成功发展和广泛应用，引发了生产方式、产业关联方式和宏微观经济运行方式的多方面变革，提供了更加绿色的生产方式、更加高效的工作方式和更加有力的发展范式，实现了多层次、全方位的绿色增长。首先，从生产管理上看，人工智能具有自学习、自适应和自活动的特点，可以实现对生产环境的实时动态监测和智能控制，推动 “管末控制” 的主动清洁生产环境管理模式。例如，华为云与精锐数智科技公司联合推出 “煤矿大脑” 解决方案，应用人工智能技术，深度检测煤炭生产过程运维中的损耗效率和污染信息，并提供优化解决方案，提高煤矿生产效率、并提供优化方案，改进生产工艺或生产流程，帮助煤矿企业治污、降本增效，促进效率提升。其次，从产业链角度看，人工智能的分布式创新特征可以促进创新要素的集聚与重新布局、协同配置以及加速产业链自身的绿色技术改造，进一步扩散绿色技术的影响，使产业链的上游、中游和下游环节、生产工艺、研发设计、生产加工和运输装配等提高运行效率，降低能耗和污染，促进产业的整体生态化发展。最后，从经济运行角度看，随着资源要素的适度开发、发展环境的成熟、配套技术的完善以及配套产业的补充，人工智能与传统技术不仅可以更好地渗透到经济的各个行业，应用合成，高效发展、倒逼生产效率和资源利用效率的大幅提升，而且可以大量聚焦绿色技术创新，这些新产业、新业态可以在更大范围、更大规模上实现资源的 “再利用、减量化和再循环” ，从而真正实现提高产业生产环境效率的目标。

3 研究设计

3.1 计量模型构建

基于上述理论分析，本文采用以下固定面板模型来研究人工智能对制造业企业全要素生产率的影响，构建以下模型：

式中：i为城市；t为年份；GTFP 为被解释变量（式中用PGTF，i，t表示），是城市绿色全要素生产率的累乘指标；AI 为核心解释变量（式中用LAI表示），表示人工智能发展水平，采用人工智能专利授权量进行衡量；Controls为一系列控制变量的集合，包括财政支出、金融发展水平、对外贸易和地区生产总值；α0为常数项；α1和α2分别为人工智能发展对工业绿色全要素生产率的边际贡献和其他控制变量的系数；εi，t为随机扰动项。

3.2 变量解释

3.2.1 被解释变量

本文中，GTFP 作为解释变量的本质，是以最小的环境成本和投入实现城市经济增长。其中，劳动力、资本和能源是投入变量，GDP 和污染物排放是产出变量。

在劳动力投入方面，本文中的劳动力是指年末城市从业人员数。

资本投入，即实际资本存量，是根据张军[5]等人的方法计算的，公式为Kt=It+（1-r）Kt-1。假设初始资本存量为初始固定资本投资的10%，固定资产折旧率统一为9.6%，然后计算出以2003 年为基期的各城市资本存量。

在能源方面，选择市区年用电总量作为期望产出的衡量指标。

期望产量是通过计算2003 年各地级市的实际GDP 来衡量的。非期望的产出选择工业废水、工业SO2和工业烟（粉）尘排放作为非期望产出的指标。这些指标是基于环境数据的可得性及其经济影响进行选取的。

3.2.2 解释变量

选取人工智能作为解释变量，本文沿用了彭代彦[6]采用人工智能发明专利数据衡量人工智能的方法，但基于使用世界知识产权组织（WIPO）发布的国际专利分类（IPC 分类）清单，作为人工智能专利申请技术领域的检索和分析，来测算2007—2020 年人工智能专利授权量。可以看出，这种方法既避免了指标过于偏重某一方面的问题，又克服了指标将技术分开的缺点，能够更加全面地反映人工智能的发展水平。同时，选取相关发明专利授权量的数据来衡量新技术发展的影响，也是比较常见的做法。

3.2.3 控制变量

本文以人工智能为自变量，以工业GTFP 为因变量，分析了人工智能对工业绿色全要素生产率的影响。由于其他相关因素也会影响人工智能和工业GTFP，因此，选取了财政支出水平、城市金融发展水平、对外开放水平和各城市经济发展水平等相关变量作为控制变量。具体变量的描述性统计如表1 所示。其中，平均GTFP 为1.647（＞1），表明自2007 年以来，中国工业GTFP 总体呈上升趋势。

表1 描述性统计

3.3 数据来源

根据数据的可获得性，本文选择了2007—2020年中国30 个省（自治区、直辖市）的面板数据作为分析样本。人工智能专利申请数据来自世界知识产权组织（WIPO）发布的国际专利分类器（IPC），其他变量数据来自《中国统计年鉴》《中国能源统计年鉴》和各省统计年鉴。如果某些城市的数据缺失，则采用内插法补全数据。

4 实证结果与分析

4.1 人工智能与工业GTFP 的相关性分析

为了直观地观察人工智能发展水平与工业GTFP之间的关系，绘制了二者的二维散点图和线性拟合直线，如图1 所示。由图1 可以看出，人工智能发展水平与工业GTFP 之间呈现正相关关系。在国家大力促进绿色转型发展和加快发展人工智能建设的背景下，人工智能的蓬勃发展是否有效地促进了中国工业绿色TFP 的提升？下文将通过严格的实证检验进行验证。

图1 人工智能与工业GTFP 的关系

4.2 基准回归结果分析

首先，本文利用豪斯曼检验法选择国家面板数据的计量经济模型，检验结果显著，拒绝了随机效应的原假设，这表明在实证分析中应选择固定效应模型。其次，为考察人工智能对绿色综合生产率的影响，本文采用逐步回归法，分别对政府干预程度（gov）、金融发展水平（fina）、对外贸易（open）和国内生产总值（Pgdp）等主要解释变量和控制变量进行回归估计。本文采用逐步回归法对人工智能和工业GTFP 进行检验，实证结果表明，关键变量的系数和显著性符合预期，说明固定效应模型的结果相对稳定，比较回归结果如表2 所示。

表2 固定效应模型回归结果

在模型（1）中不添加任何控制变量的情况下，结果显示：主要解释变量人工智能（AI）对绿色要素总绩效的回归系数为0.366，通过了1%的显著性检验，说明人工智能的发展与绿色要素总绩效之间存在显著的正相关关系，证实了人工智能的发展具有环保价值，能够以环保、高质量的方式促进经济发展，符合当前绿色发展的新理念，证实了人工智能能够促进城市层面绿色要素总生产力水平的提升。

在模型（5）中，在控制变量的作用下，政府预算支出（gov）通过了1%水平的显著性检验，但其系数值为负，表明政府预算支出的增加无法促进区域绿色经济增长质量的提高。这是由于地方政府的财政行为更倾向于发展能带来 “生产力” 的工业产业，而忽视了环境保护。城市金融发展（fina）对GTFP 有益，表明金融业的不断发展为企业提供了多种融资渠道，降低了融资成本，并合理引导资金流向环保产业和高新技术产业，从而提高了城市的GTFP。然而，对外开放程度（open）与中国绿色TFP 显著负相关，说明地区出口企业在经济效应和环境效应中忽略后者。各城市经济发展水平（Pgdp）的系数值为正，但不显著，说明在整体经济增长的同时，环境要素的整体生产力水平并没有得到有效提高，这是由于各城市的GDP 统计并不重视相关环保产业，没有将环境环境和污染物排放纳入相关统计结果中。

5 研究结论与政策启示

5.1 研究结论

人工智能促进工业GTFP 对我国实现企业绿色发展与可持续发展具有重要意义。在系统梳理人工智能对GTFP 效应的基础上，本文基于2007—2020 年中国30 个省份（西藏和港澳台地区除外）的面板数据，运用SBM方向距离函数与GML 指数对各省份的GTFP进行测算，通过人工智能专利申请数据衡量了各省份人工智能发展水平。基于此，采用固定效应模型实证检验了人工智能对工业GTFP 的影响效应。结果表明：根据全国样本数据，人工智能的发展对于提高工业GTFP 具有显著的积极影响。人工智能发展水平每变化1%，会引起工业绿色GDP 0.366%的变化。人工智能可以通过多种途径间接提高工业GTFP，包括推动金融发展水平、加速技术进步以及优化能源结构等。

5.2 政策启示

1）继续推动人工智能的发展，在绿色行业中有效利用人工智能的力量，促进工业绿色经济提质增效。要立足各地区的比较优势，推进能够带来社会经济效益的新型数字基础设施建设，为全面提高工业绿色生产力作出贡献。

2）积极关注人工智能与工业绿色创新的互动融合，加强数据要素供给，建立企业数据采集共享机制，建立企业数据共享中心，开发资源，催生工业绿色发展新动能。

3）各地区应充分利用资源禀赋，推动工业全要素生产率实现绿色突破。各地区应加大人工智能领域人才培养和科研技术投入力度，提高企业资源利用效率，实现各地区工业绿色转型发展，促进工业经济高质量发展。