今日财经期刊佳作关注 人工智能、产业结构优化与绿色发展效率——理论分析和经验证据

 二、今日财经期刊佳作关注  

人工智能、产业结构优化与绿色发展效率——理论分析和经验证据

  导读  

一、引言

长期以来,急速扩张经济规模和快速推进工业化进程的粗放型增长模式致使能源效率低下、环境污染严重和生态系统退化,在一定程度上阻碍了中国经济的高质量发展。中国亟需培养经济发展的新动能,向经济结构调整和环境效率优化的内涵式模式转变。因此,倡导绿色发展新理念,强调经济增长与环境保护协调共赢。通过不断优化环境政策体系,在更大的覆盖范围和更深的系统层面,推动经济结构和经济形态向集约化、效率化和生态化路径转变,有效提升绿色发展效率,为实现“双碳”目标发展战略、构筑高质量发展核心竞争优势提供有力抓手。

现阶段,要实现经济绿色发展,必须走创新驱动之路。具有新一代通用技术属性、强溢出效应和高发展潜力的人工智能无疑是值得关注的焦点[1]。人工智能在经济系统的各个环节加速演进、与自动化生产方式紧密结合、同实体经济发展融合共建,对要素资源配置、产业竞争格局变动和经济结构调整产生深远影响。同时,依靠智能技术驱动的研发平台的发展,通过技术创新的溢出效应,构建生产资源互联互通的高效连接网络,提升节能降耗、减排增效及绿色发展意识,推动全社会向绿色低碳行为方式转变[2]。然而,从现实情境而言,尽管当前智能技术与经济活动有着广泛而密切的联系,但从经济学视域直接考察人工智能绿色发展效应的文献较少,大多研究主要从要素投入和使用的变动视角(如资本结构优化[3]和劳动收入份额变动[1]),及产业分工和布局优化的动态视角(如制造业价值链提升[4]和产业空间转移[5])来聚焦人工智能的社会经济效果,而对于通过变革传统技术创新模式,加速机器学习、知识图谱、人机交互等智能技术释放绿色发展效应缺乏理论和实证上的足够支撑。实际上,依托于智能技术,可以促进高效、节能、先进的环境保护和资源循环利用,提升绿色创造能力和经济发展效率。那么,综合而言,人工智能是否提升绿色发展效率?其机制路径是怎样的?考虑中国转型阶段的现实背景因素,人工智能对绿色发展的作用效果是否存在显著差异?对这些问题的研究有助于挖掘人工智能在绿色低碳转型方面的技术与结构红利,进而对推动中国在未来大国博弈中抢占高质量发展制高点具有重要的理论价值和实践意义。

绿色发展是实现中国转型发展的战略目标和重要推力[6]。近年来,在信息通讯技术(ICT)和大数据技术的带动下,立足于产业智能化、数字化,数字经济的绿色发展效应受到理论界和实务界的广泛关注。主流观点认为,数字经济能够实现生产要素的集中整合与高效利用,尤其是数据要素通过与劳动力、资本、资源等传统生产要素紧密融合,推动传统要素发生深刻变革与优化重组,助力绿色发展[2,6]。但是,相比于数字经济,人工智能可以借助于“类人思维”,进行自主决策、规律识别和科学判断,对生产方式进行更加精准把控,实现绿色生产[7]。例如,通过嵌入计算机视听觉和复杂环境识别等智能技术,企业能够实现对生产过程的实时监测、智能控制和协作分工,在大幅提高劳动生产率的同时有效降低要素耗损;对不同群体的消费能力和消费偏好进行精准对接和完美匹配,实现高效供给和绿色消费[8]。又如,智慧电网通过及时捕捉企业和公众的电力消费数据实现“电力流、信息流、业务流”的一体化融合,同时满足供需、降耗和节能。因此,相对于数字经济,人工智能的绿色效应更值得关注。

与此同时,产业结构作为各类经济投入与产出的“资源转换器”,及各种污染物种类和数量的“环境控制器”,其优化与低碳转型能为提升绿色发展效率开拓新路径[9]。一方面,从理论层面而言,结合非连续性创新理论,人工智能在创新技术、组织制度和创新理念的突破幅度较之前的技术进步更为巨大,能为后发国家优化产业路径、获取产业控制力及实现产业升级提供机会窗口;另一方面,从实践层面而言,进入新发展阶段,产业形态和组织变革呈现智能化、数字化、网络化和绿色化发展新趋势[10],在依托智能技术驱动,带来智能产业化创新和产业智能化转型的同时,推动产业结构的智能化重构,能为中国破解资源环境约束下经济增长困局、提升绿色发展效率提供重要支撑[11]。因此,研究人工智能绿色发展效应的产业结构优化机制,并据此制定合理产业政策和创新政策调控模式,是构建新发展格局、为实现经济提质增效奠定结构性基础与提供结构性动能的战略要求。

从人工智能、产业结构优化和绿色发展的现有研究来看,相关文献从理论和实践层面进行了多维分析,加速了技术创新由传统向智能的过渡,但仍存在一定的改进空间:第一,在研究对象上,将人工智能与绿色发展效率紧密连接、综合考察的文献较少,大多文献从一般技术进步的环境绩效等间接视角推断智能制造的绿色节能效果。实际上,作为一种贯穿于设计、生产、管理、服务等经济流通各个环节的新型生产技术方式,人工智能与应用部门间技术的关联互动,在经济系统中同各产业的融合发展,对宏观经济整体的全要素生产率具有促增作用[12],因而有必要立足人工智能技术,考察其对中国绿色发展的实际影响。第二,在研究框架上,现有研究集中在人工智能与产业结构优化、产业结构优化与绿色发展两个独立的领域,忽视二者的可结合性。若立足于中国情景,将产业结构优化纳入人工智能与绿色发展效率的理论分析框架,对中国各地区有效选择智能化转型路径,实现绿色发展提供理论支撑。第三,在实证层面,大多研究以工业机器人、信息行业固定资产投资等单一指标表征人工智能发展[4,8,13],缺乏整体层面反映智能技术发展特征,可能会造成潜在变量测度偏误,影响研究结论的准确性。

与已有研究相比,本文可能的贡献是:(1)在学理方面,将非连续性技术创新理论融入“人工智能-产业结构优化-绿色发展”的机制分析框架,并从产业结构高级化和合理化两个维度揭示人工智能影响绿色发展效率的逻辑链条,使人工智能经济效应的研究边界拓展到环境经济领域,以适应创新驱动服务于我国经济高质量发展的战略需求。(2)在因果识别方面,引入Bartik和2015年《中国制造2025》政策冲击两种工具变量,强化对内生性问题的控制,使实证结果更稳健。(3)鉴于技术创新是从要素投入到创新产品产出的多阶段、多要素价值链传递过程,因此,本文进一步从时间维度进行动态分析,探究智能技术创新的时滞效应,以便为当局明晰智能技术创新价值转化规律,优化科技资源配置,有效引导智能产业发展提供有价值的参考。

二、机制分析和研究假说

(一)人工智能对绿色发展效率的直接影响

人工智能技术的蓬勃发展和泛化应用引发了生产方式、产业间关联和宏微观经济运转三者间的逐层变革,提供了更绿色的生产方式、更高效的运行模式和更强劲的发展范式,多层次全方面为绿色发展赋能[7]。具体而言,首先,从生产把控上,人工智能具有自学习、自适应和自行动属性,可以对生产环境进行实时动态监控与智能控制,推动环境治理模式由控制型的末端治理走向预防型的清洁生产,如华为云和精英数智科技公司共同推出“煤矿大脑”解决方案,运用人工智能技术,深度感知煤炭行业生产过程中效率耗损和运维污染等信息,并提供改进生产工艺或生产流程的优化方案,帮助煤企治污降本增效,带动绿色生产效率提高。其次,从产业链条上,人工智能扩散式创新特征能促使创新要素集聚重组、协同配置,加速产业链自身绿色技术改造,进一步会形成绿色技术效应溢出[14],使产业链上、中、下游环节,生产流程、研发设计、制造加工、运输装配等关键节点在智能化、网络化和绿色技术一体化的叠加优势下提高运行效率,降低能耗污染,带动行业整体绿色发展。最后,从经济运转上,随着资源要素适配、发展载体成熟、互补技术完善及配套产业补齐,人工智能不仅能更好地与经济各产业传统技术互相渗透、融合运用、高效发展,促使生产效率与资源利用效率显著提高,还通过赋能效应催生大批注重绿色技术创新的新产业、新业态(1)例如,武汉以获批创建国家新一代人工智能创新发展试验区和落户全国碳排放权登记结算系统为契机,探索“人工智能+低碳工厂”“人工智能+低碳能源”,构建可持续发展的绿色能源产业体系,助推人工智能赋能武汉生态环境建设。,这些新产业、新业态能在更高程度和更大范围实现资源“再利用、减量化、循环化”,真正实现产业绿色发展效率提升的目标。综上,提出第一个假说。

H1 人工智能会提升绿色发展效率。

(二)人工智能提升绿色发展效率的作用机制

已有研究发现,技术进步推动产业变革具有两种特征,第一,在新技术的创新应用及与固有技术的融合发展过程中,推动产业整体向着高素质方向发展,实现产业层次跃升,即产业结构高级化;第二,技术进步改变系统内已有的需求供给结构、生产资源条件和要素配置模式,使产业结构与不同生产效率的技术方式有效匹配,即产业结构合理化。因此,本文沿袭这一脉络并结合非连续性技术创新理论,考察人工智能技术创新影响产业结构优化(产业结构高级化和产业结构合理化),提升绿色发展效率的逻辑链条。

根据非连续创新路径跨越理论,新技术创新能够在原有技术轨道上实现技术跨级和迭代加速,帮助产业发展摆脱低层次轨道锁定和路径依赖。作为新型通用技术,人工智能及智能服务在生产的各个环节、产业的不同层面及经济主体连接的中间节点上相继落地和泛化应用,实现对旧技术的改造和替代,改变原有产品和服务的技术路线、原产业的成本函数,带动产业层次跃升、实现产业结构高级化,在这一过程中将带来显著的资本重置效应和技术推进效应。一方面,资本重新配置将物质资本、人力资本、制度资本从高能耗、高污染行业挤出,流入以知识技术密集型为主要特征的清洁行业,也会驱使创新资源从低效率部门向高效率部门转移,加速技术创新,为产业绿色发展效率提升提供准备[13]。另一方面,在技术推进作用下,产业结构趋向高级化有利于破除国内低端制造业锁定,催生先进智能化制造业,并且,在智能化制造业发展过程中,新技术会进一步向第三产业延伸与拓展,融入到更深的产业结构和组织体系当中,促进智能化生产性服务业快速发展[15],这些新兴产业本身具备更高水平的节能环保属性。还会带来绿色生产方式、绿色产品供给等一系列正外部性活动,从而在资源节约和环境绩效改善的同时提升绿色发展效率。

基于非连续创新技术范式转换理论,技术创新向实践的应用转化过程中,会在产品、过程、管理和组织等更广义的领域延伸技术范畴,综合调动、合理配置各种要素资源进而实现经济结构调整。因此,智能技术应用范围扩大、技术成果不断转化,不仅将驱使各种要素资源在产业内部向更高边际产出的生产方式集中、也会推动其流向生产率更高的产业部门[14],推动产业结构趋向合理。这一过程将优化产业内要素投入结构,推动产业融合发展。一方面,要素投入结构优化可以减少要素错配(如高效率资本与技能劳动失衡),增强不同生产要素对产业内外部环境变化和扰动的适应性[16],降低资源耗损并提升经济效率。另一方面,智能技术推动的产业融合发展,可以实现清洁产业联合运营,带动绿色经济活动集聚,促进产业间环保知识、治污经验以及污染处理技术的分享与溢出[17],最终打造绿色产业体系,为发挥经济持续增长和环境绩效改善的协同增长效应提供关键支撑。综上,提出第二个假说。

H2 人工智能通过产业结构高级化和合理化两条途径作用于绿色发展效率提升。

(三)人工智能提升绿色发展效率的异质性效果

上文已剖析人工智能对绿色发展效率的作用机制,但未考虑不同异质性因素对人工智能产业结构优化机制的调节作用,因而难以加深对人工智能绿色发展效应的理解,也难以因地制宜地为人工智能与产业结构优化的协同发展制定针对性决策依据。现有文献表明,中国作为转型经济国家具有如下典型特征:要素市场普遍存在扭曲,要素市场的市场化进程不但滞后于产品市场,且各地要素市场的市场化进程差异明显[18];面对人口红利逐渐褪去、人力资本投资相对不足的严峻局面,智能经济发展必须依托优质人力资本尤其是技术创新型人力资本的支撑;全面深化改革阶段,制度系统虽呈现稳定性和全局性特点,但市场制度环境却趋于动态变化,市场化水平不断提高。正如诺贝尔经济学奖得主斯蒂格勒茨所言,中国转型经济体的典型特征与西方发达国家或经济体存在较大差异,这种差异使得中国经济活动面临着与成熟经济体截然不同的异质性特征。因而,在中国产业结构优化不仅是经济转型的客观要求,也是应对国际竞争的现实压力,有必要探究要素市场扭曲、技术创新人力资本及市场化水平对人工智能影响绿色发展效率的调节作用。

第一,要素市场扭曲影响人工智能产业结构优化效应。人工智能技术以深度学习和万物互联等特征为基础,推动全产业数字化、智能化和网络化发展,使产业内各环节和产业间各节点要素利用效率显著提高、资源配置更加协调。但在要素市场存在扭曲的情况下,智能技术创新与互补性技术、共生产业的耦合发展过程不可避免地遭到破坏[19],不利于新技术的应用转化,难以为产业转型创造条件。具体而言,当劳动力要素市场扭曲时,工资水平不能正确反馈劳动者价值创造的大小,会削弱研发人员开展人工智能技术创新的热情和动力[20],且鉴于智能技术经济活动复杂性特征,其对人才具有更高要求,因此会直接阻碍智能技术研发效率及智能成果应用转化,导致产业结构转型发展过程放缓。当资本要素市场扭曲时,囿于多数企业狭窄的融资渠道难以匹配新技术创新高额的资金需求,大多企业往往会选择密集使用资本、劳动力等有形要素来开展生产活动,甚至通过寻租活动获取稀缺要素资源而获利,从而削弱企业对智能技术创新的投资力度,导致整个社会技术革新进程的迟滞[19],阻碍产业结构优化升级。

第二,技术创新人力资本影响人工智能产业结构优化效应。在智能经济时代,以知识与技能为主要结合点的技术创新型人力资本更能适应智能技术变革下对劳动力的技能需求,主动应对技术调整和产业形态、结构变革带来的不利冲击[14],并利用自身高水平技能与智能技术的互补性,推动智能技术扩散传播,由此驱动产业结构优化。进一步,当技术创新型人力资本与人工智能在结构和规模的关联性协同提高,会推动信息、知识、思想和创意等要素的生产、扩散和积累,激发整个社会的创新灵感,产生巨大的正外部性[21],为产业层次跃升和结构优化提供外在动力。

第三,市场化水平影响人工智能产业结构优化效应。美国经济学家诺斯认为,在决定一个国家经济增长和社会发展方面,制度因素具有决定性作用,尤其中国作为一个转型经济国家,市场化制度因素对经济系统的干预效果具有深远影响。一方面,市场竞争程度提高加剧生产资源争夺、压缩同质产品利润空间,企业在发展压力的驱动下加大智能技术研发投入,进行产品差异化以提高市场竞争力。在这一优胜劣汰的过程中,智能技术会不断被复制、模仿、改进、研发与应用,使产业的结构形态和层次形态不断向高附加值产业转变[22],推动产业升级。另一方面,市场完善度提高促使产品市场和要素市场发育趋向完善,市场秩序更加规范,强化创新要素和创新资本向以智能技术为代表的高技术行业流动配置[16],更大程度调整不同产业生产效率,推动各产业分工明确化、精细化,加速产业结构优化。此外,市场环境更加完善有利于降低政府对科技创新活动的干预,发挥“看不见的手”在技术资源配置、技术成果转换和技术知识共享方面的主导作用[23],为实现技术创新作用下产业变革提供有利条件。综上,提出第三个假说。

H3 要素市场扭曲对人工智能产业结构优化效应具有负向调节作用,技术创新人力资本积累和市场化水平提高对人工智能产业结构优化效应具有正向调节作用。

图1 人工智能影响绿色发展效率的作用机制

三、研究设计

(一)基准模型设定

为检验人工智能对绿色发展效率的影响效果,本文建立如下基准回归模型

lnGDEit=α0+β1lnAIit+β2lnFDIit+β3lnPOPit+β4lnESit+γXit+μi+λt+εit

(1)

式(1)中,lnGDEit表示i省份t年的绿色发展效率水平;lnAIit表示i省份t年的人工智能发展水平;基于有关绿色发展的经典文献,方程中还引入外商直接投资(FDIit)、人口密度(POPit)和能源结构(ESit);Xit为其他控制变量,具体包括:创新能力(Innoit)、经济集聚(Aggit)、地区对外开放程度(OPit)、地区教育水平(Eduit)以及城镇化率(Urbit)。α0为截距,μi为地区固定效应,λt为年份固定效应,εit为随机扰动项。β1、β2、β3、β4和γ为待估参数,其中β1估计值为本文关注的核心结果。

(二)机制分析模型设定

为进一步理解人工智能发展如何提升绿色发展效率,根据前文的理论分析,本文重点检验产业结构高级化和合理化的传导作用(假说2),构建如下模型进行机制检验

lnGDEit=φ0+φ1lnAIit+φ2Xit+μi+λt+εit

(2)

lnGDEit=ρ0+ρ1lnAIit+ρ2lnMit+ρ3Xit+μi+λt+εit

(3)

其中,Mit为机制变量,代表人工智能对绿色发展效率的传导途径。根据上文机制分析,从产业结构高级化和合理化两方面检验人工智能对绿色发展的作用机制,Xit包含所有控制变量,其他变量和符号的含义与式(1)类似。在实证检验中,分别对式(2)(3)进行回归,通过判断人工智能系数ρ1同φ1相比是否显著下降、甚至不显著来验证产业结构优化的机制传导作用。

(三)指标构建和变量设定

1.被解释变量

绿色发展效率(GDE),主流文献通常采用全要素生产率指标或单要素指标表征,虽然单要素指标能比较直观地衡量资源利用情况,并与我国现有统计口径和节能减排考核目标相一致,但其反映的信息比较有限,无法全面反映资源投入的效率和经济发展的质量,无法估计给定技术水平下资源利用效率的改进空间,且投入要素之间的相互替代可能会影响生产率的有效测算和客观评价[24],因此,本文选用全要素指标刻画绿色发展效率。

具体而言,基于DEA模型,Tone等提出的包含径向和非径向两类距离函数的EBM模型,既考虑了投入前沿值与实际值的径向比例,又反映了各投入变量之间差异化的非径向松弛变量,可在产出不变的条件下,衡量各投入变量的变化情况[25]。同时,EBM模型也克服了CCR模型和SBM模型测算时效率值被高估或低估的问题,有效提高了测算结果的准确性和科学性。因而,采用EBM模型能够较好地测度能源效率,模型计算公式如下

(4)

式(4)中,γ*代表最优效率得分;λ为输入i的权重;εx取值在0到1之间,为核心参数,反映测算中径向与非径向变量的变动比例。使用EBM模型测算绿色发展效率时,需要提前设定εx和

在绿色发展效率指标构建上,需要考虑投入要素、期望产出和非期望产出。具体而言,要素投入,包括劳动要素投入,用各地区年末就业人员总数(万人)衡量;资本要素投入,用永续盘存法计算出折旧率和以2009年为基期的资本存量衡量;能源要素投入,用各地区能源消费总量(万吨标准煤)衡量。期望产出,采用以2009年为基期,并根据各地区 GDP平减指数进行平减消除价格因素的影响,最终以各地区实际生产总值(亿元)表征。非期望产出,采用各地区二氧化硫排放量(万吨)、烟粉尘排放量(万吨)及废水排放量(万吨)表征。

2.核心解释变量

人工智能(AI)。客观准确地测度人工智能发展水平是评估人工智能绿色发展效应的前提。目前,大多文献采用工业机器人使用数量进行测度,但人工智能作为通用技术,具有广泛的渗透性和协同性,其经济影响覆盖面广、层次高,仅用工业机器人应用数据难以从综合层面反映这一事实,因而,本文借鉴顾国达和马文景的研究[26],并参考《国家创新指数报告-2020》(2)中国科学技术发展战略研究院.国家创新指数报告-2020[M].北京:科学技术文献出版社,2021.中指标评价思想和设计框架,构建人工智能发展综合评价指标体系,既从相对全面的研究视角来反映中国人工智能发展现状,也一定程度上避免由上述代理变量因测量误差引致内生性问题。

人工智能综合评价指标体系,主要从智能环境支撑、技术创造产出、产业竞争表现三个层面构建(见表1)。对于智能环境支撑能力,任何新兴技术的出现都必须以现实物质环境支撑为依托,尤其是以人工智能为代表的战略性新兴技术尚处于前沿领域,其在生产生活的深度普及和同多产业的融合应用更需要科研开发支持、技术人才储备和基础设施支持。对于技术创造产出能力,人工智能与互补性产业的协同发展和融合应用,不仅能加速物质创造产出,还能在新理念、新知识的指导下带来新的生产组织关系、创新理念等知识创造产出。对于产业竞争表现能力,企业的营运绩效和资本运作能力是关键,在竞争压力下,企业必然会加大资本投入和改善运营绩效以获取人工智能技术红利,进而维持竞争优势。综上,运用熵值法对三个一级指标、七个二级指标进行数据处理,测度2009—2021年中国省级层面人工智能总体发展水平,得出人工智能发展指数,指数越大,表明人工智能发展水平越高。

表1 人工智能发展水平评价指标体系

3.机制变量

产业结构高级化(TS),实质是产业结构升级的衡量,反映了产业结构由低级到高级的过程,因此采用如下公式衡量

(5)

其中,li为对应产业劳动生产率,ki是各地区不同产业占地区生产总值的比重。

产业结构合理化(TL),反映产业间的聚合质量,借鉴张万里等的做法[22],使用如下公式衡量

(6)

TL=

(7)

其中,Yijt为i地区t年份j产业的增加值;Fijkt为生产要素k的数量,Eijt为产业偏离度水平。

4.控制变量

(1)外商直接投资(FDI),以实际利用外资与GDP的比值表征;(2)人口密度(POP),以各地区单位面积的人口数表征;(3)能源结构(ES),用煤炭消费量占能源消费总量比重刻画;(4)创新能力(Inno),采用“每万人发明专利申请授权量”衡量;(5)经济集聚(Agg),采用单位面积的非农产出表征;(6)地区对外开放程度(OP),用进出口贸易总额占各地区生产总值比重予以刻画;(7)地区教育水平(Edu),用各地区平均受教育年限衡量;(8)城镇化率(Urban),用城镇人口和占年末总人口的比值衡量。

为兼顾数据的有效性和可获得性,本文选取2009—2021年中国30个(排除西藏和港澳台地区)省级行政区面板数据作为样本,数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》《中国高技术产业统计年鉴》《中国人口和就业统计年鉴》和各地方统计年鉴。对于个别缺失数据,采用插值法进行补齐,最终形成390个样本的平衡面板数据。本文用相应的价格指数将所有名义变量统一折算为以2009年为基期的固定价格。为处理异方差问题,所有变量均取自然对数。

表2 主要变量描述性统计结果

四、实证结果分析

(一)基准回归结果

与式(1)双向固定效应模型对应,检验人工智能对绿色发展效率的提升效果,为准确评估人工智能技术红利释放的绿色发展效应提供经验证据。鉴于各地区同期经济活动可能存在较大相关性,因而首先对模型进行组间异方差修正Wald检验、组内自相关Wooldridge检验和组间同期相关Pesaran检验,结果表明模型显著存在组间异方差、组内自相关和组间同期相关(3)修正Wald检验值为3 791.40;Wooldridge检验值为397.80;Pesaran检验值为16.05;P值为均0.00,因此,采用可行广义最小二乘估计(FGLS)来估计式(1),以解决存在的异方差、自相关和同期相关问题。

在表3中,列(1)汇报仅人工智能作为解释变量的回归结果,列(2)汇报加入经典文献中控制变量(FDI、POP、ES)的回归结果,列(3)汇报继续引入其他控制变量的回归结果,但未控制固定效应。列(4)在列(3)基础上汇报控制固定效应的回归结果。根据上述回归结果,lnAI的系数都为正,且在1%水平显著,这表明人工智能发展能够直接提升绿色发展效率。

在FGLS估计基础上,为进一步控制异方差,提升估计效率和准确性,增强结论可信度,进行两步最优GMM估计,回归结果见表3列(5)-(8)。人工智能(lnAI)系数依然在1%水平显著为正,进一步表明人工智能发展具有明显绿色发展效应,能够带动绿色发展效率提升。综上,假说1得证。人工智能绿色发展效应来源于生产层面人工智能对生产流程的动态监控和优化决策、产业链层面智能技术扩散助推绿色创新溢出、经济系统层面人工智能对不同产业的绿色融合改造和清洁新产业创造。中国绿色发展水平提升,应该充分释放人工智能绿色发展效应的潜力,加大人工智能对产业的嵌入程度,逐步实现生产自动化、高效化和智能化,加强智能产业间的有效联动。

表3 人工智能对中国绿色发展的赋能效果检验结果

注:*、**、***分别表示在10%、5%和1%的水平上显著,括号内为标准误。下同。

(二)机制分析

在基准回归的基础上,进一步考察人工智能与绿色发展效率关系的路径作用。根据前文分析,人工智能会通过产业结构优化(高级化与合理化)对绿色发展效率产生促增效应,基于此,本文从产业结构高级化与合理化两方面进行影响机制识别。

在表4中,列(1)是人工智能(AI)对绿色发展效率(GDE)的回归结果,列(2)、列(3)是在列(1)基础上分别加入产业结构高级化(TS)与合理化(TL)的回归结果。可以看出,引入产业结构高级化后,人工智能的回归系数由0.14显著下降为0.03;引入产业结构合理化后,人工智能的回归系数由0.14显著下降为0.04,这表明产业结构优化在人工智能提升绿色发展效率过程中发挥较强的机制作用。此外,表4还汇报了人工智能与产业结构高级化、合理化的交互项回归结果,结果显示,交互项回归系数为正,且在1%水平高度显著,进一步表明产业结构优化(高级化与合理化)是人工智能实现绿色发展效率提升的重要机制路径。综上,假说2得证。

表4 人工智能影响绿色发展效率的作用机制检验结果

(三)异质性分析

中国当前存在要素市场扭曲、技术创新人力资本积累加速及市场化水平不断提高的典型特征。进一步深入研究人工智能对绿色发展的影响机制,为制定人工智能发展政策提供有益启示,有必要分析在上述异质性因素作用下人工智能产业结构优化效应的差异。因此,本文采用层级调节回归分析方法对其进行检验,模型如下

lnTSit=β0+β1lnAIit+β2lnWit+β3lnAIit×lnWit+β4Xit+μi+λt+εit

(8)

lnTLit=ρ0+ρ1lnAIit+ρ2lnWit+ρ3lnAIit×lnWit+ρ4Xit+μi+λt+εit

(9)

在模型中,Wit为调节变量,若调节变量与人工智能交互项系数显著则调节效应成立,其他变量与符号同模型(1)-(3)保持一致。调节变量包括如下三个变量。

(1)要素市场扭曲(Fmdit)。采用柯布道格拉斯生产函数法度量,函数形式为Y=AKαLβ,其中Y为总产出,K为资本投入,L为劳动投入,α为资本产出弹性,β为劳动产出弹性。根据厂商利润最大化条件,可得资本边际产出MPKit=αit(Yit/Kit)和劳动边际产出MPLit=βit(Yit/Lit),当资本和劳动的价格分别为r和w时,以要素边际产出与其实际价格之比表征劳动扭曲、资本扭曲,进而构建要素市场总体扭曲指标。

(10)

当Fmdit值等于1时,要素市场总体完善,不等于1时,要素市场存在扭曲,越偏离1,扭曲现象越严重。

(2)技术创新人力资本(Tihcit),用各地区R&D人员中大学及以上学历人员占比表征。

(3)市场化水平(Mlit)。用各地区私有部门就业人数占本地区就业人员总数比值表征。

在表5中,列(1)-(3)分别报告要素市场扭曲、技术创新人力资本、市场化水平对人工智能和产业结构高级化关系的调节作用。依据检验结果,要素市场扭曲与人工智能交互项系数为-0.17,在1%水平显著,表明要素市场扭曲负向调节人工智能和产业结构高级化之间的关系;技术创新人力资本、市场化水平同人工智能交互项系数分别为0.77和0.07,至少在5%水平显著为正,表明技术创新人力资本、市场化水平正向调节人工智能和产业结构高级化之间的关系。

表5 调节效应分析回归结果

列(4)-(6)分别报告要素市场扭曲、技术创新人力资本、市场化水平对人工智能和产业结构合理化关系的调节作用。依据检验结果,要素市场扭曲与人工智能交互项系数为-0.40,在1%水平显著,表明要素市场扭曲负向调节人工智能和产业结构合理化之间的关系;技术创新人力资本、市场化水平同人工智能交互项系数分别为0.17和0.05,都在1%水平显著为正,表明技术创新人力资本、市场化水平正向调节人工智能和产业结构合理化之间的关系。综上,假说3得证。因此,发挥人工智能产业结构优化特性进而释放绿色发展效应,要以抑制要素市场扭曲、积累技术创新人力资本及提高市场化水平为突破口,疏通人工智能绿色发展效应释放的关键堵点,夯实其有利基础。

为进一步显示要素市场扭曲、技术创新人力资本和市场化水平的调节作用,绘制调节效应图(图2和图3)。由图2可以看出,不同程度调节变量作用下,人工智能对产业结构高级化的影响作用有所差别。在高程度要素市场扭曲情况下,人工智能对于产业结构高级化的促进效果较小,反之更高;在高积累技术创新人力资本和高水平市场化条件下,人工智能对于产业结构高级化的促进效果较大,反之则较低。

图2 对产业结构高级化路径的调节效应图

注:依次为要素市场扭曲、技术创新人力资本和市场化水平的调节效应图,其中虚线为相应变量高水平程度,实线反之。下同。

由图3可以看出,不同程度调节变量作用下,人工智能对产业结构合理化的影响作用有所差别。在高程度要素市场扭曲情况下,人工智能对于产业结构合理化的促进效果较小,反之更高;在高积累技术创新人力资本和高水平市场化条件下,人工智能对于产业结构合理化的促进效果较大,反之则较低。以上结果进一步表明,推动人工智能优化产业结构,必须因“素”制宜,既要准确甄别阻碍因素,抑制其不利影响,又要发挥积极因素因势利导作用,实现同“好”因素的联动配套,助推人工智能技术红利释放。

图3 对产业结构合理化路径的调节效应图

(四)内生性控制

人工智能提升绿色发展效率的同时,随着各地区智能化水平的不断提高,同经济结构的关联度同步加强,因而,前文的结论还可能面临如下内生性挑战:(1)反向因果关系。绿色发展效率提升,不仅统筹绿色因素和发展因素,而且连接着产业转型升级和经济提质增效,这一过程必然推动不同产业产能优化、布局优化、结构优化和体系优化,进而更能为智能技术快速发展及智能服务泛化应用创造条件。(2)遗漏变量问题。人工智能发展过程中,各地区基础设施建设水平也可能是影响其发展的重要因素,且鉴于中国市场环境特征,政府干预对于人工智能技术发展的影响也不可忽视。(3)在面板数据分析中,前文采用双向固定效应模型,对内生性控制可能不够严格。

第一,针对反向因果关系导致的内生性问题,本文选用如下两个工具变量予以解决:(1)Bartik工具变量。借鉴易行健等的做法[27],将人工智能指数滞后一阶AIt,t-1和人工智能指数在时间上的一阶差分ΔAIt,t-1的乘积作为具体构建方法。从整体而言,其他各地人工智能发展水平不会受到某个地区绿色发展效率变动的影响,即其他地区人工智能指数的变化对具体某地而言是相对外生的。(2)以一个政策冲击作为工具变量控制内生性问题。2015年国务院签批《中国制造2025》,这是一个全面推进实施制造强国的战略文件,系统推动创新中心建设工程、智能制造工程、工业强基工程、绿色制造工程和高端装备创新工程五大工程建设,不仅为中国人工智能发展方向定下基调,也对系统推进绿色发展具有重要影响,因而,可作为一个良好的政策冲击。构造工具变量Post2015×Inf_year,Post2015为虚拟变量,表明是否发生冲击,当年份大于等于2015取值为1,反之取值为0;Inf_year代表各地区基础设施建设超过近十年平均基础设施建设水平年份,表明各地区基础设施水平差异,基础设施水平会影响人工智能发展。

表6报告2SLS回归结果。对于工具变量的相关性检验,Anderson canon．corr．LM统计量的P值均小于0.1,拒绝工具变量识别不足的原假设;Cragg-Donald Wald F统计量均大于相应的Stock-Yogo临界值16.38,拒绝弱工具变量的原假设,表明工具变量选取较为适宜。在Bartik工具变量回归中,第一阶段和第二阶段的回归系数显著为正,表明人工智能对绿色发展效率提升的效果仍然显著。在以政策冲击(Post2015×Inf_year)为工具变量回归中,第一阶段工具变量回归系数显著为正,说明基础设施建设较慢的地区在政策发布后确有推动人工智能发展;第二阶段人工智能系数为正显著,表明政策冲击之后人工智能会促进绿色发展效率提升。综上,说明即使考虑潜在逆向因果关系导致的内生性偏误,人工智能依然能提升绿色发展效率。

表6 内生性检验回归结果

第二,针对遗漏变量和双向固定效应内生性控制不够问题,将基础设施建设水平(Inf)、政府干预(Gov)引入模型,结果发现前文结论依然稳健(4)限于篇幅,仅汇报工具变量回归结果,遗漏变量和高阶联合固定效应回归结果备索。。此外,使用高阶联合固定效应方法对模型进行估计,前文结论依然成立。

(五)其他稳健性分析(5)限于篇幅,其他稳健性分析的估计结果未作汇报,备索。

第一,更换核心解释变量。采用单一要素工业机器人安装密度数据作为人工智能代理变量重新进行回归分析。工业机器人数据测算利用中国11个制造业工业机器人安装量和省级分行业就业人数,与《中国劳动统计年鉴》中的制造业分类方式进行匹配,最终测算出各省级地区工业机器人安装密度数据。回归结果表明,核心解释变量系数依然显著,符合理论预期,表明前文结论是稳健的。第二,更换模型估计方法。考虑到宏观经济变量通常存在惯性,将绿色发展效率(GDE)的一阶滞后项纳入模型(1),并把模型(1)扩展为动态面板模型,分别采用差分GMM和系统GMM方法进行估计,回归结果表明结论依然稳健。第三,更换机制分析检验方法。采用中介效应模型重新检验人工智能影响绿色发展效率的产业结构优化机制。回归结果表明产业结构优化(高级化与合理化)仍是较为显著的机制路径,这表明实证分析结果较为稳健。

五、进一步分析:智能技术创新的时滞效应

现有研究指出,技术创新是从要素投入到创新产品产出的一个多阶段、多要素的价值链传递过程,各阶段创新资源的投入与产出并非同步进行,而是存在一定的滞后性[28]。因此,人工智能作为一项全新技术创新范式,在发展的初期阶段,受内外部环境因素制约,对提升绿色发展效率的影响同样可能存在时滞效应。一方面,从人工智能发展属性看,智能技术从研发投入到成果转化再到市场化收益是一个渐进演变过程[28],该过程所需的生产条件准备、资源配套供给、系统风险管控都需要长期的时间积累,故而对绿色发展效率的影响存在滞后性。另一方面,从人工智能的产业结构优化效应看,智能技术的泛化应用、智能服务的全面落地,对整个经济系统中不同产业的渗透改造、结构调整需要不断突破行业壁垒和地理限制[30],这将涉及全行业、全产业链的不同细分领域,会滞后人工智能通过产业结构优化进而提升绿色发展效率的影响效果。因而,有必要从时间的维度进行动态分析,探究智能技术创新的时滞效应,以便为政府科技管理部门明晰智能技术创新价值转化规律,优化科技资源配置,有效引导智能产业发展提供有价值的参考。

基于经验法确定技术创新投入成果转化1年为滞后期,将滞后一期的人工智能作为解释变量进行时滞效应检验。结果见表7,人工智能滞后项对绿色发展效率、产业结构高级化与产业结构合理化的影响为正,且均在1%水平显著,表明人工智能对提升绿色发展的影响效果具有时滞影响。

表7 时滞效应检验回归结果

进一步研究,划分样本类型判断人工智能时滞效应的影响差异。根据各地区样本期内平均资本密集度和平均技术密集度不同,将高于平均值的分类为资本密集型地区和技术密集型地区,低于平均值的分类为劳动密集型地区和非技术密集型地区(6)属于技术密集型的地区有:北京、江苏、广东、上海、山东、浙江、四川、河南,其他为非技术密集型地区;属于资本密集型的地区有:北京、天津、辽宁、上海、广东、江苏、浙江、山东、湖北、河南,其他为劳动密集型地区。。其中,各地区资本密集度用就业人数平均资本存量表征,技术密集度用高技术企业数量占比表征。依据表8可以看出,人工智能滞后项系数在技术密集型地区和资本密集型地区明显减小,在劳动密集型地区和非技术密集型地区有增大趋势,这表明加大技术与资本投入可以减轻人工智能提升绿色发展效率的时滞效果,更充分释放人工智能技术与结构红利。

表8A 分样本时滞效应检验回归结果

表8B 分样本时滞效应检验回归结果

六、研究结论与启示

实现绿色低碳转型和高质量发展迫切需要探寻经济增长新动能,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,能否促进绿色发展效率的提升?本文结合非连续性技术创新理论,构建“人工智能-产业结构优化-绿色发展效率”统一分析框架,并利用2009-2021年中国30个省级行政单位面板数据,实证考察人工智能对绿色发展效率的提升效应及其渠道机制。研究发现:(1)人工智能会提升绿色发展效率,在进行内生性控制和多种稳健性分析后,这一结论仍成立。(2)机制分析揭示,人工智能会通过产业结构高级化和合理化提升绿色发展效率。(3)异质性分析表明,人工智能的产业结构优化效应在技术创新人力资本积累越深厚、市场化水平越高、要素市场扭曲程度更低的地区中表现得更明显,进而能更显著地提升绿色发展效率。(4)拓展性分析发现,人工智能对提升绿色发展效率具有时滞效应,但加大资本和技术投入可一定程度缓解该效应。本文的结论具有如下政策启示。

第一,把握人工智能高速发展契机,通过产业智能化转型和智能产业化创新提升绿色发展效率。推进多元多类产业和智能生态的内在协同发展,打造融智能化、集约化、绿色化为一体的新型产业设施体系,为绿色发展效率提高奠定产业结构优势。政府也应加大对人工智能技术创新活动的政策支持力度,优化技术创新的政策体系,均等化配置智能基本公共服务,营造智能技术、智能产业快速发展的有利环境。

第二,构筑市场制度环境保障,解决要素市场扭曲问题,贯通智能技术连接绿色发展的脉络。各地区应以加快建设全国统一大市场为制度契机,通过全面深入改革地方官员政绩考核体系、加大民间资本参与竞争力度等方式,解决长期存在的市场分割和地方保护等问题,打通市场堵点,破除市场壁垒,实现要素优化配置,提高市场化水平,为产业智能化转型进而提升绿色发展效率创造有利条件。

第三,提高劳动力与智能技术的适配能力,加强技术创新人力资本积累。在智能经济时代,应该转变教育理念和人才选拔机制,从培养“工程师思维”切换至培养创新思维,并加强职业教育,改革高等教育,推动成人教育,加快培育具有科学探索精神的研发型人才,为智能技术研发、提升绿色发展效率提供人才支撑,主动塑造人才红利。

第四,加大对各地区的资本投入和技术支持力度,降低智能技术效能发挥的时滞影响。政府既可以通过财政补贴、专项资金和税收减免等方式缓解各地企业在智能技术开发中的融资需求压力,又应该运用制度之手,完善科技成果奖励机制,加强科技成果落地制度建设,有效引导民间资金、FDI等各种形式资本向智能技术开发的前沿领域汇集,通过更高强度的资本投入和更大力度的技术支撑,加快智能技术成果更快落地,加速绿色发展动能转换。

参考文献

[1]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[J]. 管理世界,2019,35(7):60-77+202-203.

[2]韩晶,陈曦,冯晓虎. 数字经济赋能绿色发展的现实挑战与路径选择[J]. 改革,2022(9):11-23.

[3]林晨,陈小亮,陈伟泽,等.人工智能、经济增长与居民消费改善:资本结构优化的视角[J].中国工业经济,2020(2):61-83.

[4]刘斌,潘彤.人工智能对制造业价值链分工的影响效应研究[J]. 数量经济技术经济研究,2020,37(10):24-44.

[5]CHENGH,JIA R X,LI D D,et al. The rise of robots in China [J]. Journal of Economic Perspectives,2019,33(2):71-88.

[6]许宪春,任雪,常子豪.大数据与绿色发展[J].中国工业经济,2019(4):5-22.

[7]王文军,李琪,刘丹.论人工智能时代绿色发展的挑战及应对[J]. 西安财经大学学报,2020,33(1):30-36.

[8]唐晓华,迟子茗.工业智能化提升工业绿色发展效率的实证研究[J]. 经济学家,2022(2):43-52.

[9]于斌斌. 产业结构调整如何提高地区能源效率?——基于幅度与质量双维度的实证考察[J]. 财经研究,2017,43(1):86-97.

[10]余东华,李云汉. 数字经济时代的产业组织创新——以数字技术驱动的产业链群生态体系为例[J]. 改革,2021(7):24-43.

[11]DUK R,LI P Z,YANG Z M,et al. Do green technology innovations contribute to carbon dioxide emission reduction?Empirical evidence from patent data[J]. Technological Forecasting and Social Change,2019,146:297-303.

[12]蔡跃洲,陈楠.新技术革命下人工智能与高质量增长、高质量就业[J]. 数量经济技术经济研究,2019,36(5):3-22.

[13]陈芳,刘松涛.人工智能技术能否成为引领城市绿色发展的新引擎[J]. 南京财经大学学报,2022(3):78-86.

[14]师博.人工智能助推经济高质量发展的机理诠释[J]. 改革,2020(1):30-38.

[15]ACEMOGLUD,P RESTREPO. Secular stagnation? The effect of aging on economic growth in the age of automation [J]. American Economic Review,2017,107(5):174-179.

[16]柳志娣,张骁.互联网发展、市场化水平与中国产业结构转型升级[J]. 经济与管理研究,2021,42(12):22-34.

[17]师博.人工智能促进新时代中国经济结构转型升级的路径选择[J]. 西北大学学报(哲学社会科学版),2019,49(5):14-20.

[18]林伯强,杜克锐. 要素市场扭曲对能源效率的影响[J]. 经济研究,2013,48(9):125-136.

[19]徐盈之,张瑞婕,孙文远.绿色技术创新、要素市场扭曲与产业结构升级[J]. 研究与发展管理,2021,33(6):75-86.

[20]戴魁早,刘友金.要素市场扭曲如何影响创新绩效[J]. 世界经济,2016,39(11):54-79.

[21]ISHISEH,SAWADA Y. Aggregate returns to social capital:estimates based on the augmented augmented-solow model [J]. Journal of Macroeconomics,2009,31(3):376-393.

[22]张万里,宣旸,睢博,等.产业智能化、劳动力结构和产业结构升级[J]. 科学学研究,2021,39(8):1384-1395.

[23]叶祥松,刘敬.政府支持与市场化程度对制造业科技进步的影响[J]. 经济研究,2020,55(5):83-98.

[24]赵林,高晓彤,刘焱序,等.中国包容性绿色效率空间关联网络结构演变特征分析[J]. 经济地理,2021,41(9):69-78+90.

[25]TONEK,TSUTSUI M. An epsilon-based measure of efficiency in DEA:a third pole of technical efficiency [J]. European Journal of Operational Research,2010,207(3):1554-1563.

[26]顾国达,马文景.人工智能综合发展指数的构建及应用[J].数量经济技术经济研究,2021,38(1):117-134.

[27]易行健,周利. 数字普惠金融发展是否显著影响了居民消费——来自中国家庭的微观证据[J]. 金融研究,2018(11):47-67.

[28]MORALLESH F,REBELATTO D.The effects and time lags of R&D spillovers in Brazil [J]. Technology in Society,2016,47(1):148-155.

[29]MUBARAKM F,TIWARI S,PETRAITE M,et al. How industry 4.0 technologies and open innovation can improve green innovation performance? [J]. Management of Environmental Quality,2021,32(5):1007-1022.

[30]王林辉,姜昊,董直庆. 工业智能化会重塑企业地理格局吗[J]. 中国工业经济,2022(2):137-155.

【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。

《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第2624期）

编辑整理：蔡子团队  

团队成员：陈晨、张晓丹、白晓萌、李茸茸、梁晓娟、王建飞、吴玉婷、王晴晴、丁慧、李炳杰、杨国臣、孙桂萍