人工智能与工业结构升级

戴魁早，吴婷莉，潘爱民

一、引 言

工业结构升级是走中国特色新型工业化道路的根本要求，也是实现工业大国向工业强国转变的必由之路。20世纪90年代以来，工业结构升级问题备受中国学术界和政府部门的关注，被多次写入政府文件。遗憾的是，尽管做出了很大努力，中国工业部门大多仍处在国际分工中低端，低水平重复建设与总体产能过剩等结构不合理问题依然突出，亟待实现持续升级。现有研究强调了技术创新、国际贸易、要素禀赋和产业政策等多种因素对中国工业结构升级的重要作用①②③陈佳贵：《中国工业现代化问题研究》，北京：中国社会科学出版社2004年版。，但大都忽略了正在快速发展的人工智能的可能影响。

作为全球新一轮科技和产业变革关键驱动力的新一代人工智能，呈现出蓬勃发展的趋势，全球产业规模从2015年的1 684亿元人民币增长到2018年的3 677．3亿元人民币以上，年均增长率超过29．73%，远高于同期的全球经济增长速度。预计到2030年，人工智能将为全球GPD带来额外14%的提升，为全球经济贡献15．7万亿美元。①相关数据来源于德勤《中国人工智能产业白皮书（2018年）》。近年来，中国政府高度重视人工智能发展，2017年 “人工智能” 首次写入政府工作报告。2017年7月国务院印发了《新一代人工智能发展规划》，以加快人工智能产业发展。2017年10月中共十九大报告强调，要推动互联网、大数据、人工智能和实体经济深度融合。2017年12月工业和信息化部印发了《促进新一代人工智能产业发展三年行动计划（2018—2020）》，以推动人工智能和实体经济深度融合。2019年《国务院政府工作报告》进一步强调，要深化大数据、人工智能等研发应用。2022年《国务院政府工作报告》进一步强调， “培育壮大集成电路、人工智能等数字产业” 。在新基建、数字经济等利好政策助推下，中国人工智能市场规模从2016年的154亿元人民币增长至2020年的1 280亿元人民币，年增长率达到69．79%；预计2022年将达2 729亿元人民币。

依据产业结构理论②Chenery，H．，Robinson，S．，Syrquin，M．，Industrialization and Growth：A Comparative Study，New York：Oxford University Press，1986．，工业结构升级是这样一个过程，原有要素和资源从劳动效率较低的工业部门向生产效率较高的技术密集型工业部门转移，新增的要素和资源也被配置到劳动效率较高的工业部门，这会导致技术密集型工业部门的份额不断上升，进而实现工业结构持续升级③张培刚、张建华、罗勇、李博：《新型工业化道路的工业结构优化升级研究》，《华中科技大学学报》（社会科学版）2007年第2期。。实际上，人工智能发展非对称地改变了不同技术部门生产率，拉大了高技术部门与低技术部门的劳动收入差距④王林辉、胡晟明、董直庆：《人工智能技术会诱致劳动收入不平等吗——模型推演与分类评估》，《中国工业经济》2020年第4期。，促进了生产要素在产业部门间的流动⑤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。，进而可能对工业结构升级产生重要的影响。因而，在当前全球新一轮科技和产业变革背景下，发展人工智能可能是推进中国工业结构升级的一条重要途径。

基于此，本文从理论与实证两个层面探究人工智能是否促进了工业结构升级，试图从人工智能发展视角为推动中国工业转型升级提供理论依据与经验证据。与本文主题紧密相关的第一类研究是探讨工业结构升级影响因素的文献。国外的文献认为，需求、供给和国际贸易都是驱动产业结构演变的重要因素，而且政府为增强竞争力出台诱导性产业政策是推动日本、德国和新加坡等国家工业结构变化的重要因素⑥Amsden，A．H．，Asia's Next Giants：South Korea and Late Industrialization，New York：Oxford University Press，1989．，技术进步与技术溢出⑦Dewick，P．，Greena，K．，Fleetwooda，T．，Miozzoa，M．， “Modelling Creative Destruction：Technological Diffusion and Industrial Structure Change to 2050” ，Technological Forecasting and Social Change，Vol．73，No．9，2006，pp．1084-1106．、信息通信技术服务业全球化⑧Takagi，S．，Tanaka，H．， “Globalization of Information Services and the Industrial Structure of the Japanese Economy” ，The Review of Socionetwork Strategies，Vol．8，No．1，2014，pp．19-33．也对产业结构演变产生了重要影响。国内文献也深入分析了多种因素在中国工业结构升级过程中的作用，研究发现，技术创新、组织与制度创新、产业政策、要素禀赋、互联网发展⑨许家云：《互联网如何影响工业结构升级：基于互联网商用的自然实验》，《统计研究》2019年第12期。等都是影响工业结构升级的重要因素。上述文献从不同角度深刻解释了这些因素在工业结构升级中的重要作用，但尚未涉及人工智能与工业结构调整这一主题。

与本文主题紧密相关的第二类研究是人工智能对产业结构的影响，代表性文献有郭凯明（2019）、胡俊和杜传忠（2020）、张万里等（2021）、郭艳冰和胡立君（2022）等。如郭凯明构建的理论模型发现，人工智能发展会促使生产要素在产业部门间流动，这一结构转型过程导致了劳动收入份额变动。但是人工智能的影响方向是不确定的，取决于不同产业部门在人工智能产出弹性和人工智能与传统生产方式的替代弹性上的差别。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》，《管理世界》2019年第7期。而郭艳冰和胡立君的经验研究则发现，人工智能对于产业结构升级具有显著的促进作用。②郭 艳冰、胡立君：《人工智能、人力资本对产业结构升级的影响研究——来自中国30个省份的经验证据》，《软科学》2022年第5期。胡俊和杜传忠的定性分析认为，人工智能将促进技术经济范式的升级，催生新兴智能化产业发展，最终将实现产业升级。③胡 俊、杜传忠：《人工智能推动产业转型升级的机制、路径及对策》，《经济纵横》2020年第3期。张万里等学者的经验研究还发现，劳动力结构和收入分配在产业智能化影响产业结构升级中发挥着重要的调节作用。④⑤⑥宣 旸、张万里：《产业智能化、收入分配与产业结构升级》，《财经科学》2021年第5期。就研究对象而言，上述文献关注的是三次产业结构，并未涉及人工智能对工业内部结构的影响，而工业内部结构有着自身的变化规律。⑦张 培刚、张建华、罗勇、李博：《新型工业化道路的工业结构优化升级研究》，《华中科技大学学报》（社会科学版）2007年第2期。就人工智能影响产业结构的机制而言，上述文献并未从部门间要素配置效率存在差异这一导致要素流动的机制进行解释。就分析范式而言，上述文献要么构建理论模型，要么定性分析，要么运用计量进行实证检验，并未从理论模型和实证检验两个层面分析两者的关系。这也为本文的研究提供了可能的突破空间。

与上述文献不同，本文构建理论模型探究人工智能对工业结构升级的影响及其机制，进而运用多种计量方法对理论预期进行经验验证。跟现有文献相比，本文的可能贡献主要体现在：（1）构建一个理论模型分析了人工智能发展与工业结构升级的内在关系，并利用中国各地区数据对理论模型的结论进行经验验证。这是对现有文献的有益补充，也为人工智能与产业结构的关系提供了新证据。（2）从部门间劳动生产率和技术溢出存在相对差异的视角，探讨了人工智能影响工业结构升级的机制，深化了对人工智能促进工业结构升级基本规律的认识和理解。（3）探讨了要素市场发展在人工智能推动工业结构升级中的作用，研究发现，劳动力市场、资本市场和技术市场等要素市场发展改善人工智能的作用效果，这丰富了人工智能与工业结构升级的研究内容。

二、理论模型

这里借鉴Duarte和Restuccia以及郭凯明⑧⑨D uarte，M．，Restuccia，D．， “The Role of the Structural Transformation in Aggregate Productivity” ，Quarterly Journal of Economics，Vol．1，2010，pp．129-173．的建模思路，构建一个涵盖人工智能的理论模型，探讨人工智能在工业结构高度化或工业结构升级中的作用。

（一）基本假设

Cheneryet al．（1986）将工业行业分为工业化初期代表产业（第一类产业）、工业化中期代表产业（第二类产业）和工业化后期代表产业（第三类产业），而戴魁早用第三类产业产值（高技术产业）占第一类产业与第二类产业的产值之和的比例，较好地度量了中国工业结构高度化或工业结构升级状况0戴魁早：《中国工业结构变迁的驱动因素：1985—2010》，《当代经济科学》2012年第6期。。基于此，这里将工业划分为高技术产业（第三类产业）和非高技术产业（第一类产业和第二类产业）两个部门。考虑一个产品市场是垄断竞争的经济体，每一时期只生产和消费这两种工业产品，不存在产品流动壁垒，也不存在劳动力等要素流动壁垒，各类要素可在企业间、产业间自由流动。

1．生产

为了简便以及表达更直观，这里的工业部门产出函数为仅有技术（A）和劳动力（L）两种要素的C-D生产函数，并假定人工智能（I）和劳动力供给（L）均为外生变量。这样，假设在不存在人工智能时，两个工业部门的生产函数由下式来刻画：

式（1）中，Y1和Y2分别表示不存在人工智能情况下，非高技术产业和高技术产业的产出水平，L1和L2为两个部门的劳动力投入。A1和A2表示两个工业部门的技术水平或者全要素生产率。

引入人工智能后，将对两个工业部门（高技术产业和非高技术产业）产生两个方面的影响，一是人工智能产业化，二是工业行业智能化。这样，两个工业部门的生产函数将受到两个方面的影响：（1）人工智能产业化的影响。人工智能技术属于高技术领域，人工智能产业归属于高技术产业，因而，在本文的工业部门分类中，人工智能作为一种新型的智能化产业，将归类到高技术产业，因而会直接影响或增加高技术产业的产出水平，即有Y2＝A2L2I。（2）工业行业智能化的影响。人工智能是一种全面影响经济各个产业的基础性与通用性技术，能够通过技术溢出等渠道影响所有工业部门（高技术产业和非高技术产业）的产出水平。假设人工智能对技术进步的技术溢出效应为希克斯中性，即人工智能仅通过技术进步这一途径影响工业部门产出，用Iα和Iβ反映人工智能对非高技术产业和高技术产业的技术溢出效应。这里为了简化，假设两个部门初始状况的技术水平相同，都等于A0。这样，非高技术产业技术水平A1可由A0Iα反映，高技术产业的技术水平A2可用A0Iβ反映。引入人工智能后，两个工业部门生产函数可由下式来刻画：

式（2）中，Iα和Iβ反映了人工智能对非高技术产业和高技术产业产生的技术溢出效应，其中，α和β∈（0，1）。A0表示两个部门初始状况的技术水平或全要素生产率，其他符号的含义与式（2）相同。

2．需求

为了简化，这里的消费者每一时期仅消费非高技术产品和高技术产品这两类工业品，并从这两类工业品的消费中获得效用。采用学术界通常的做法，设定市场出清时，假设效用函数U（C1，C2）为CES效用函数，具体形式如下：

式（3）中，C1和C2分别表示消费者对非高技术产品和高技术产品的消费量，θ∈（0，1），ρ∈（0，1）。用E反映消费者对两类工业品的总支出，piCi为消费者对第i类工业品的支出，其中，pi为i类工业品价格。这样，E可以由消费者对两类工业品支出之和来定义：

（二）基础模型

考虑一个劳动力等要素没有流动壁垒，工业品的消费者也是工业部门劳动力供给者的经济体，要素市场出清时，L＝L1＋L2；产品市场出清时，Yi＝Ci。由于要素流动没有壁垒，劳动力等要素可在产业间自由流动，两个工业部门的工资水平相等，都为w，因而，消费者的总收入为wL。

1．消费者的选择

依据上文定义的消费者效用函数、总支出和总收入，消费者的效用最大化问题可以由下式表达：

要想找出使得消费者效用最大化时对第i类工业品的消费量Ci，可以构建拉格朗日（Lagrange）函数进行求解。具体来说，构建拉格朗日函数后，对第i类工业品消费量Ci分别求偏导，令这些导数为零，取一阶条件的比值，可以得到：

式（6）表明，市场出清条件下消费者效用最大化时，消费者对两类工业品的消费量之比主要是由两类工业品的价格之比决定的。

2．生产者的选择

为了简化及表达更为直观，这里令α＝δ1，1＋β＝δ2，可以将式（2）调整为：

依据上文定义的生产函数和工资水平，第i类工业部门的利润最大化问题可由下式表达：

式（8）中，piIδiA0Li为第i类工业部门的销售收入，wLi为第i类工业部门的生产成本。这样，第i类工业部门利润最大化的一阶条件为：

化简可得：

考虑消费者效应最大化和生产者利润最大化的情形，即联立式（6）和式（10），可得：

式（11）表明，在市场出清情况下，两类工业产品的价格比由人工智能对两个工业部门的产出弹性之差决定（即Iδ2-δ1）。而且，消费者效用和生产者利润同时实现最大化时，两类工业产品的价格比也受到消费者对两类工业品消费量之比的影响。

（三）人工智能的影响

这里借鉴戴魁早的做法，采用高技术产业（第三类产业）与非高技术产业（第一类产业和第二类产业之和）增加值之比衡量工业结构高度化或工业结构升级①戴魁早：《中国工业结构变迁的驱动因素：1985—2010》，《当代经济科学》2012年第6期。，用符号指标UIS表示。根据上文的定义，UIS＝Y2／Y1。如果UIS值不断上升，则说明工业结构在向高技术化、高知识化和高附加值方向推进，工业结构在升级。

1．人工智能对工业结构升级的影响

依据上文定义，消费者效用最大化和生产者利润最大化时，产品市场和要素市场出清。我们知道，产品市场出清时，则C1＝Y1，C2＝Y2，这样，有 UIS＝Y2／Y1＝C2／C1。这里，将式（11）变换成消费者对两类工业品的消费量之比形式，可得：

然后，将工业结构高度化UIS＝Y2／Y1＝C2／C1，代入式（12）中，可得：

式（13）表明，工业结构高度化（UIS）受到人工智能（I）的影响。为了进一步明确人工智能的影响方向，这里对式（13）求I的偏导，可得：

式（14）中，θ∈（0，1），ρ∈（0，1），因而，［（1-θ）／θ］1／（1-ρ）大于 0，1-ρ也大于 0。由于δ1＝α，δ2＝1＋β，且α和 β∈（0，1），因而，δ2＞δ1。由此可知，（∂UIS／∂I）＞0。这表明，人工智能与工业结构升级（高技术产业与非高技术产业产出之比）之间存在单调递增的关系，即随着人工智能水平提高或者人工智能产业发展，高技术产业（第三类产业）的比重会不断上升，工业结构实现持续升级。综合以上分析，可得命题1。

命题1：在其他条件相同的情况下，人工智能水平提高会引起高技术产业（第三类产业）比重上升或工业结构高度化；或者说，人工智能发展能够促进工业结构升级。

2．人工智能促进工业结构升级的内在机制

依据产业结构理论，工业结构升级是这样一个过程，原有要素和资源从劳动效率较低的工业行业向生产效率较高的技术密集型工业行业转移，新增的要素和资源也被配置到劳动效率较高的资本密集型或技术密集型工业行业，这会导致劳动效率较高的资本密集型或技术密集型工业行业的份额不断上升，进而实现工业结构不断高度化。结合产业结构理论，这里进一步分析人工智能促进工业结构高度化或工业结构升级的内在机制。

将式（7）进行变形，可以得到第i类工业部门劳动生产率的表达公式：

式（15）表明，第i类工业部门的劳动生产率是由人工智能和技术水平等因素决定的。式（15）对I求偏导，可得：

式（16）中，由于 δi＞0，A0＞0，因而，∂（Yi／Li）∂I＞0。这表明，人工智能与第 i类工业部门的劳动生产率存在单调递增的关系，即人工智能发展能够提高第i类工业部门的劳动生产率。进一步地，由式（15）还可以得到高技术产业与非高技术产业的劳动生产率之比的表达公式：

式（17）表明，两个工业部门的劳动生产率之比由人工智能对两个工业部门的产出弹性差异决定。式（17）对I求偏导，可得：

式（18）中，因 δ2＞δ1，可知门的劳动生产率之比存在单调递增的关系，即人工智能发展对高技术产业劳动生产率的促进作用更为显著，使得两个工业部门之间的劳动生产率差异逐渐扩大。进一步地，将式（18）代入式（14），可得：

式（19）中，因 δ2＞δ1，θ∈（0，1），ρ∈（0，1），生产率的影响逐渐增强，人工智能对高技术产业比重提高的边际贡献不断上升。或者说，人工智能通过提高两类工业劳动生产率之比这一途径，促进了工业结构升级。综合以上分析，有命题2。

命题2：人工智能对高技术产业劳动生产率的相对影响逐渐增强提高了工业结构高度化水平；或者说，人工智能通过提升两个工业部门劳动生产率之比这一机制促进工业结构升级。

理论与经验研究都表明，技术溢出效应在技术进步过程中起着至关重要的作用，是推动劳动生产率提高或生产效率提升的重要力量。由前文定义可知，δi能够反映人工智能对两个工业部门的技术溢出效应。从式（16）可以看出，δi是决定∂（Yi／Li）／∂I大小的重要因素，这表明，人工智能对两个工业部门劳动生产率的边际贡献受到人工智能技术溢出效应的影响。此外，前文对重变化的边际贡献会受到两个工业部门劳动生产率之比的影响。由此可以推测，人工智能的技术溢出效应对两个工业部门劳动生产率产生的影响，会进一步改变高技术产业比重或工业结构高度化水平。综合以上分析，有如下推论。

推论1：人工智能能够通过技术溢出这一机制作用于工业结构高度化或工业结构升级。

3．要素市场发展对人工智能促进作用的影响

前文基础模型构建时，假设要素流动没有壁垒，劳动力等要素可在产业间自由流动，两个工业部门的工资水平相等。但是，实际上，中国各地区要素市场因发育程度滞后于商品市场发展而存在较为严重的市场扭曲现象，这种扭曲主要体现在要素流动障碍和要素价格扭曲，而这种要素市场流动障碍抑制了企业或产业生产率提高，导致了很高的生产效率损失。由此自然有这样的疑问：如果考虑存在要素流动障碍这一事实，即放宽前文关于劳动力等要素自由流动这一假设，前文的结论会有怎样的改变？或者说，如果劳动力等要素不能完全自由流动，人工智能对工业结构升级的促进作用会怎样变化？

古典分配理论认为，劳动力等要素的价格取决于其边际产出；在劳动力等要素自由流动的情况下，不同工业部门的要素边际产出会趋于相同，这使得劳动力等要素的价格趋于相等。如果劳动力等要素不能完全自由流动，那么，两个工业部门的工资水平不相等。依据产业结构理论，相较于非高技术产业而言，高技术产业劳动力等要素的边际产出更高。因而，在存在要素流动障碍情况下，高技术产业的工资水平会高于非高技术产业。如果假设高技术产业（第三类产业）的工资水平为w2，非高技术产业（第一类产业和第二类产业）的工资水平为w1；那么，w1／w2＜1。这样，基于前文的基础模型均衡分析可得：

式（20）表明，存在要素流动障碍情况下，工业结构高度化UISd不仅受到人工智能（I）的影响，还受到两个工业部门要素相对价格（即相对工资w1／w2）的影响。式（20）对I求偏导，可得：

命题3：要素市场扭曲导致的要素流动障碍会弱化人工智能对工业结构高度化的促进作用。或者说，随着要素市场发展带来的要素流动性不断提高，人工智能对工业结构升级的促进作用会逐渐增强。

三、经验证据

（一）研究设计

1．计量模型设定

为了验证理论模型的结论，这里借鉴产业结构领域实证研究文献的通常做法，设定如下计量模型进行验证：

式（22）中，下标i表示地区，t表示时间，λi表示个体固定效应，μt表示时间固定效应，εit是随机扰动项。与理论模型相一致，UISit为工业结构高度化指数，衡量工业结构升级状况。AIit表示人工智能水平，如果AIit的系数α1显著为正，则说明人工智能发展显著促进了工业结构高度化或工业结构升级，即验证了命题1。

从现有产业结构领域文献可知，工业结构还可能受到创新投入、人力资本、资本深化、出口贸易、城市化和外商直接投资等因素（Xit）的影响。（1）科技创新是产业结构调整的动力，这里用工业行业R＆D经费内部支出与R＆D经费外部支出之和来衡量地区工业创新投入（取自然对数，RDK）。（2）在中国改革开放以来的产业结构调整过程中，人力资本水平的不断提升扮演着重要角色，使用各省每百万人毕业大学生人数表示人力资本（HC）。（3）资本深化是影响技术进步的重要因素，也是推进工业结构升级的重要因素，选取地区工业固定资产净值与从业人员数比重衡量（CAP）。（4）出口贸易也是影响工业结构调整的重要因素，使用地区出口额占GDP的比重衡量出口贸易依存度（EXD）。（5）城市化是推动中国产业转型升级的重要途径，对中国各地区工业结构升级产生了促进作用，用地区城镇人口数与总人口数比值衡量（URB）。（6）外商直接投资的技术溢出能够促进本国技术进步，也是影响工业产业结构升级的重要因素，这里用各省外商直接投资占GDP比重衡量（FDI）。

2．工业结构高度化的衡量

戴魁早（2012）基于工业结构 “高技术化、高知识化和高附加值” 过程中的典型事实——第三类产业（高技术产业）增长率要快于第一类产业和第二类产业（非高技术产业）增长率，采用工业行业中第三类产业产值占第一类产业与第二类产业产值之和的比例，较好地度量了中国工业结构高度化（许家云，2019）。与前文理论模型相一致，这里采用戴魁早（2012）的做法，以高技术产业总产值与非高技术产业总产值的比值衡量，具体计算公式如下：

式（23）中，UISit代表i地区t时的工业结构高度化。Yi2t为i地区高技术产业t时的产值，Yi1t为i地区t时非高技术产业的产值。如果UIS处于上升状态，说明地区工业结构在向高技术化、高知识化和高附加值的方向推进，工业结构在升级。

在依据式（23）进行测算时，需要明确工业内部的细分行业。考虑到三类产业分类法的广泛认可度以及地区层面数据的可获得性，这里采用戴魁早（2012）的做法对各地区的工业行业进行分类①戴魁早（2012）以Chenery et al．（1986）的工业内部三类产业分类法为依据，将中国的工业行业分成三类产业。，进而可以测算出地区层面工业结构高度化水平。

3．人工智能（AI）的衡量

从上文理论模型关于人工智能的界定可知，人工智能既是一种有形的生产要素，又能够产生无形的技术溢出，孙早和侯玉琳（2019）构建的工业智能化指数较好地反映了中国现阶段工业化和人工智能的融合程度和发展情况，能够体现人工智能的生产要素性质和技术溢出效应两个方面的信息，可能更符合理论模型界定的人工智能。基于此，这里采用涵盖基础建设、生产应用、竞争力与效益三个方面人工智能水平的工业智能化指数，并根据孙早和侯玉琳（2019）构建工业智能化指标的方法，把数据更新至2018年，即本文样本数据为2001—2018年。①工业智能化指数的具体构成与测算请见孙早和侯玉琳（2019）一文，这里不再赘述。

4．数据说明

本文数据样本区间为2001—2018年，样本共涉及30个省区市，由于西藏缺失了大量数据，研究时未将其纳入样本。数据主要来源于历年《中国统计年鉴》《中国工业统计年鉴》《中国高技术产业统计年鉴》和《中国科技统计年鉴》以及CSMAR数据库、EPS数据库和《中国工业经济》网站。主要变量的描述统计如表1所示。为了减轻异常值（或称离群值）对估计结果的影响，估计时对所有连续变量进行缩尾处理。

表1 主要变量的描述性统计

（二）基准估计结果

在估计之前，运用方差膨胀因子方法对解释变量之间的多重共线性进行检验，结果显示，主要模型的方差膨胀因子（VIF）总值和单个解释变量的VIF值都小于10，这表明主要模型的解释变量之间不存在多重共线性。为了控制时间趋势可能产生的影响，估计时控制了年度固定效应。考虑到中国地区层面经济变量存在较大差别，为避免截面单元的异方差性带来的估计不一致问题，参数估计采用稳健性（robust）估计（下文同）。

表2中模型1和模型2报告了固定效应的估计结果，可以看出，无论是否控制解释变量，工业智能化指数（AI）的系数值在1%的水平上显著为正，值为0．233和0．118。这说明人工智能发展对地区工业结构高度化产生了正向影响，即人工智能发展显著地促进了各地区工业结构升级，这验证了命题1。

由于可能存在因遗漏变量导致的内生性问题，为了克服式（22）可能存在的内生性问题，这里采用动态面板模型的广义矩估计方法（GMM）作进一步的稳健性检验。考虑到样本观察值的有限性，本文以被解释变量的一阶滞后项作为工具变量。表2中模型3和模型4报告了未加入控制变量和加入控制变量后的两步系统GMM估计结果，Hansen检验和AB检验均满足GMM估计的要求，即残差显著存在一阶自相关而不存在二阶自相关，Hansen统计量表明工具变量合理有效，也不存在工具变量过度识别问题。可以看出，各个解释变量的系数值与模型1、模型2结果在影响方向和显著性方面没有明显差异，这验证了前文结论具有较好的稳健性，即人工智能发展对地区工业结构升级的促进作用显著且稳健。①限于篇幅，控制变量的结果解释未报告。

表2 基准估计结果

（三）工具变量结果

第一个工具变量选择思路如下：合适的工具变量需要同时满足与地区人工智能发展具有高度相关性，且对工业结构高度化是外生的，即该外生变量仅能通过人工智能影响地方工业结构升级。考虑到数据可获得性，这里借鉴学术界通常的工具变量构建思路，采用其他地区工业智能化指数的加权平均值（用符号ORAI表示）作为该地区人工智能的工具变量。从逻辑上来看，该指标（ORAI）能够较好地满足工具变量的相关性和外生性的两个标准：一方面，由于处于同一国家，各地区的人工智能技术发展及应用具有一定的相似性，这满足了相关性要求；另一方面，该指标是其他地区工业智能化指数的加权值，不会直接影响该地区工业结构高度化水平，而该地区工业结构高度化水平对其他地区人工智能发展水平的影响也微乎其微，这满足外生性要求。

第二个工具变量的选择思路如下：就相关性来说，人工智能水平与计算机技术及应用密切相关，而计算机技术及应用与地方计算机专业高等教育状况有着密切的关联，所以，地方高等学校计算机专业数量的高低能够影响计算机技术及应用的人才输出量，进而影响人工智能水平。就外生性来说，高等学校计算机专业的设立由教育部认定或认可，所以在短期内属于固定的量。由于前文的数据是面板数据，只采用所在地区高等学校计算机专业数量作为工具变量可能会因为固定效应而无法进行估计，这里借鉴Nunn＆Qian对工具变量的设置方法①Nunn，N．，Qian，N．， “US Food Aid and Civil Conflict” ，American Economic Review，Vol．104，No．6，2014，pp．1630-1666．，构造2001—2018年各地区高等学校计算机专业数量（与个体变化有关）和上一年全国工业智能化指数（与时间有关）的交互项，作为内生变量人工智能的工具变量（用符号SNAI表示）。关于2000—2017年全国工业智能化指数测算，采用前文孙早和侯玉琳（2019）的工业智能化指标体系进行测算。

表3报告了引入两个工具变量后两阶段最小二乘法（2SLS）的异方差稳健性估计结果。工具变量1（ORAI）未控制变量和控制变量时，Kleibergen-Paaprk Wald F（简称RKF检验）统计量分别为411．763和392．635。工具变量2（SNAI）未控制变量和控制变量时，RKF检验统计量为87．621和92．376。这明显大于Stock和Yogo（2005）审定的F值在10%偏误水平下的16．38的临界值，说明两个工具变量都不存在弱工具变量问题。

表3 2SLS第二阶段回归结果

表3第二阶段回归结果中，加入控制变量后内生变量工业智能化指数（AI）系数没有发生明显变化，间接说明了估计变量满足排他性约束，即工具变量是外生的。因而，本文选取的工具变量具有有效性。从表3的结果可以看出，模型1至模型4中的工业智能化指数（AI）和控制变量对工业结构高度化的系数值显著性和影响方向大多一致，且与表2对应的估计结果没有明显的差异，这验证了前文相应结论具有较好的稳健性。

（四）稳健性检验

1．人工智能的重新衡量

在人工智能的研究文献中，工业机器人数也是常有的衡量指标，如Kromann et al．（2011）、Acemoglu＆Restrepo（2017a）以工业机器人的使用作为自动化衡量标准进行跨国、跨行业的实证研究，宋旭光和左马华青（2019）、王林辉等（2020）则采用工业机器人投入对中国人工智能发展水平进行了衡量。鉴于王林辉等（2020）采用宋旭光和左马华青（2019）的计算公式测算的每百家企业工业机器人投入数，与前文的工业智能化指数的变化趋势基本一致，且两个指标的相关系数达0．93，因而，该指标应该是稳健性检验较为理想的指标。具体的计算公式为，工业机器人投入数（IROB）＝工业机器人进口数＋（国产工业机器人产量-工业机器人出口）。该指标的详细测算说明请见宋旭光和左马华青（2019）、王林辉等（2020）的相关描述，这里不再赘述。相关数据来源于国际机器人联合会（IFR）、联合国贸发数据库（UNCTAD）和国家统计局网站。

根据测算的工业机器人投入数（IROB）①限于篇幅，工业机器人投入数（IROB）的测算结果未报告，结果备索。，这里采用固定效应与工具变量两阶段最小二乘法（2SLS）对工业结构高度化指数（UIS）进行估计，两种估计方法的结果显示，IROB与控制变量系数值的显著性、影响方向与前文基本一致，这验证了前文相关结论具有稳健性。

2．工业结构升级的重新衡量

（1）前文式（23）工业结构高度化测算采用的是工业产值数据，较好地从生产角度反映了工业结构高度化水平。鉴于工业行业销售收入反映了工业产品的市场实现状况，因而，采用工业销售收入替代式（23）中的工业产值能够从销售（或消费）角度较好地刻画工业结构高度化水平。为此，这里采用地区工业销售收入数据重新测算工业结构高度化指标（用符号SUIS表示），以确保前文的相关结论具有稳健性。（2）借鉴韩永辉等（2017）测算产业结构高度化的做法，以工业部门产出占比与劳动生产率的乘积项作为衡量指标，计算公式如下：

式（24）中，LEISit代表i地区t时的工业结构高度化，n为工业细分行业总数。Yidt为i地区d工业细分行业t时的产值，LEidt代表i地区d工业细分行业t时的劳动生产率，LEidf为d工业行业在完成工业化后的劳动生产率，LEidf的选择依据刘伟等（2008）的产业结构标准化阶段模型。如果劳动生产率较高的工业细分行业产值占工业总产值的比重越高，则说明工业结构高度化水平越高，LEISit的值越大。

根据重新测算的工业结构高度化指标（SUIS、LEIS），②限于篇幅，工业结构高度化指标（SUIS、LEIS）的测算结果未报告，结果备索。这里采用固定效应与工具变量两阶段最小二乘法（2SLS）对前文主要结论进行稳健性检验。两种估计方法的结果显示，各个解释变量与表2、表4对应系数值的显著性和影响方向大多相一致，这进一步验证了前文相关结论具有稳健性。

四、影响机制

这里借鉴詹新宇和刘文彬的机制检验方法③詹新宇、刘文彬：《中国式财政分权与地方经济增长目标管理——来自省、市政府工作报告的经验证据》，《管理世界》2020年第3期。，对理论模型的命题2和推论1进行经验验证，具体分析过程包括两步：第一步探究人工智能对不同工业部门劳动生产率之比、技术溢出效应之比的影响；第二步以工业结构高度化为被解释变量与实现机制（不同工业部门的劳动生产率之比与技术溢出效应之比）进行回归，作为对整个机制分析链条的进一步完善和补充说明。

（一）人工智能与实现机制

为了考察人工智能对机制变量产生了怎样的影响，这里构建如下计量模型进行检验：

式（25）中，Mit为机制变量，根据理论模型的分析，机制变量包括高技术产业与非高技术产业的劳动生产率之比（RLP）以及技术溢出效应之比（RTS）两个变量。其他符号的含义与式（22）相同。

关于劳动生产率测算，现有文献大多以产业增加值或总产值与从业人员数之比衡量。考虑到数据可获得性，这里采用地区规模以上工业企业总产值与从业人员数之比衡量不同工业部门劳动生产率。在测算出不同工业部门劳动生产率的基础上，再用高技术产业劳动生产率除以非高技术产业劳动生产率，得到两个工业部门劳动生产率之比（RLP）。

这里借鉴FDI技术溢出效应的研究思路来验证人工智能的技术溢出效应，即采用全要素生产率作为技术溢出效应的间接衡量指标，先检验人工智能是否提高了全要素生产率，接着检验全要素生产率是否促进了工业结构升级。关于全要素生产率的测算，说明如下：（1）采用基于DEA的Malmquist指数法测算不同工业部门地区层面的全要素生产率（TFP）。（2）借鉴余泳泽等（2020）的做法，采用不同工业部门1998年为基期实际总产值衡量地区不同工业部门的产出，选择不同工业部门的从业人员作为劳动投入指标。（3）选用永续盘存法来估算地区工业固定资产的资本存量来衡量资本投入。（4）再用高技术产业全要素生产率除以非高技术产业全要素生产率，以两者之比间接衡量技术溢出效应之比（RTS）。

这里的样本区间与前文相一致，测算机制变量的相关数据主要来源于《中国工业统计年鉴》《中国统计年鉴》《中国劳动统计年鉴》，还有部分数据来自各省市区相关年度的统计年鉴。两个机制变量为被解释变量（RLP和RTS）的固定效应估计结果如表4中模型1和模型2所示，为了确保估计结果的稳健性，这里还采用前文工具变量2（SNAI）作为稳健性检验，对应的2SLS估计结果为模型3和模型4。

从表4中模型1和模型3可以看出，工业智能化指数（AI）对机制变量RLP的系数值都在1%显著性水平上为正，值为0．018和0．576，这说明人工智能发展显著地提高了两个工业部门劳动生产率之比，即验证了理论模型式（18）的结论。结合 “人工智能对高技术产业劳动生产率和非高技术产业劳动生产率都产生的正向影响” 这一事实可知，人工智能对高技术产业劳动生产率的提升作用明显高于同期的非高技术产业劳动生产率。

表4中模型2和模型4的结果显示，工业智能化指数（AI）对机制变量RTS的系数值都显著为正（值为0．021和0．497），结合 “人工智能对不同工业部门都产生了技术溢出效应” 这一事实，该结论表明，人工智能发展对高技术产业的技术溢出效应显著高于非高技术产业。比较两个机制变量中工业智能化指数的系数值大小，可以发现，人工智能对劳动生产率之比这一机制变量的正向影响更大。

（二）机制变量与工业结构升级

劳动生产率之比和技术溢出效应之比这两个机制变量能否显著促进高技术产业产业比重的提高，如果这一结论成立，无疑是对整个机制分析过程的进一步完善和补充。为此，表4中模型5和模型6报告了引入两个机制变量（RLP和RTS）对工业结构高度化的固定效应估计结果，对应的2SLS估计结果为模型7和模型8。

表4 影响机制的估计结果

从表4中模型5和模型7可以看出，机制变量RLP对工业结构高度化的系数值在1%显著性水平上为正，值为0．961和1．428，这说明高技术产业劳动生产率的相对提高显著促进了工业结构升级。模型6和模型8的结果显示，机制变量RTS对工业结构高度化的系数值也都显著为正，表明全要素生产率之比反映的高技术产业技术溢出效应相对提高促进了工业结构升级。

综上所述，结合 “人工智能对两个机制变量都产生了正向影响” 可知，人工智能通过提高两个工业部门的劳动生产率之比和技术溢出效应之比（或者说，通过增强对高技术产业劳动生产率和技术溢出效应的相对影响）等渠道机制，促进了工业结构高度化或工业结构升级，这验证了命题2和推论1。

五、拓展分析

（一）要素市场发展的影响

理论模型的命题3表明，人工智能对工业结构升级的正向效应依赖于劳动力等要素的自由流动程度，而中国各地区要素市场发展相对滞后导致的要素流动障碍会弱化人工智能的促进作用，即人工智能对地方工业结构的作用效果可能会受到地方要素市场发展程度的影响。随着要素市场的不断发育和发展，劳动力等要素的流动性会逐渐提高，进而能够改善人工智能对工业结构升级的作用效果。为了验证命题3，这里采用学术界通常的做法，在式（22）解释变量中加入工业智能化指数与要素市场发展变量乘积项进行检验，具体计量模型如下：

式（26）中，FM表示要素市场发展变量，由要素市场发展指数（FMD）或者资本市场发展指数（CMD）、劳动力市场发展指数（LMD）、技术市场发展指数（TMD）等要素细分市场指数来反映，γ2为工业智能化指数与要素市场发展变量乘积项的系数，反映要素市场发展在人工智能促进工业结构升级中的作用。

关于要素市场发展变量的选择，王小鲁等的《中国分省份市场化指数报告（2018）》以樊纲等的指数为基础，测算了2008—2016年要素市场及要素细分市场的市场化进程指数。①王小鲁、樊纲、胡李鹏：《中国分省份市场化指数报告（2018）》，北京：社会科学文献出版社2019年版。基于此，这里的要素市场发展指数及要素细分市场发展指数采用王小鲁等测算的数据，样本区间为2008—2016年。

表5报告了引入人工智能与要素市场发展乘积项的估计结果，其中，模型1至模型4为固定效应的结果，模型5至模型8为工具变量2（SNAI）的2SLS估计结果。表5中模型1和模型5的两种方法估计结果显示，乘积项AI*FMD的系数都在5%水平下显著为正，值为0．107和0．105，说明要素市场发展显著增强了人工智能对工业结构高度化的促进作用，这验证了命题3，即要素市场发展带来的劳动力等要素流动性提高能够改善人工智能对工业结构升级的作用效果。这个结论表明，对于北京、天津、上海等要素市场发展程度较高地区来说（年均值为9．887 5、7．882 5、9．240 0），人工智能的作用效果更明显，而对于新疆、甘肃、青海等要素市场发展水平较低地区来说（年均值为1．232 5、2．820 0、1．742 5），需要加大要素市场体制改革力度，以更好地发挥人工智能在推动工业结构升级中的作用。

表5 要素市场发展的影响估计结果

从表5还可以看出，两种估计方法的乘积项AI*LMD、AI*CMD、AI*TMD系数值都显著为正，说明了劳动力市场、资本市场、技术市场等要素细分市场发展都改善了人工智能的作用效果，这为命题3提供了进一步证据支持。这表明，在要素细分市场发展水平较高的地区，人工智能对工业结构升级的作用更明显。而对于劳动力市场发展较慢的青海、新疆、甘肃（年均值为0．465 0、0．125 0、1．330 0），资本市场发展水平较低的新疆、青海、贵州（年均值为 4．625 0、2．892 5、4．572 5），技术市场发育程度较低的新疆、广西、海南（年均值为0．095 0、0．080 0、0．120 0），加大力度推进要素细分市场的市场化改革，以降低人才、资本、技术等要素流动障碍，对工业结构升级具有重要的现实意义。

（二）人工智能的异质性影响

1．人工智能影响的地区差异

为了验证人工智能影响的地区差异是否存在，这里依据学术界常用的分类方法，将全国分为东部地区、中部地区、西部地区。以中部地区为对照组，设置虚拟变量ER和WR。ER的含义是，如果是东部地区取值1，否则取值0；如果是西部地区，WR取值1，否则取值0。表6中模型1和模型4报告了固定效应和工具变量（前文的工具变量SNAI）2SLS的估计结果，可以看出，两种方法估计时的解释变量系数值显著性与影响方向基本一致，这说明相关结果具有较好的稳健性。

表6中模型1和模型4的结果显示，东部地区虚拟变量乘积项AI*ER的系数值都显著为正，值为0．322和0．133，而西部地区虚拟变量乘积项AI*WR的系数不显著为正，这说明，与对照组中部地区相比，东部地区人工智能发展的促进作用更明显，而西部地区的影响没有明显差异。对此可能的解释是：一方面，相对于中部地区和西部地区来说，东部地区在培养和吸引高素质人才等方面具有明显的优势，而且人工智能发展的基础较好且发展水平更高，因而东部地区劳动效率提高的难度较小，先进技术的溢出效果更好，从而表现为人工智能更好地促进了工业结构高度化。另一方面，东部地区较好的工业基础、资源禀赋优势（包括区位优势和人才优势等），大数据、互联网、物联网等相对成熟，使得沿海地区在中国工业结构升级过程中起着引领作用，在国家产业转移政策的推动下，东部地区沿海地区大力发展了高技术产业和高端装备制造业，工业结构将呈现出高技能偏向型特征。其结果是，在相似的人工智能发展水平情况下，东部地区的工业结构高度化程度更高。

2．人工智能影响的时期差异

在本文的样本区间2001—2018年间，2008年金融危机使中国工业过去依赖的一些有利的内外部条件（较低的要素成本、巨大的国际市场需求）发生显著变化，是影响中国工业化进程的重大事件。 “十二五” 规划纲要明确提出要走新型工业化道路，加快用高新技术改造提升传统制造业，这会对中国工业结构升级产生重大影响，由此可以推测，金融危机与 “十二五” 规划前后，人工智能发展对工业结构升级的影响程度可能不同。为了验证这种可能存在的时期差异，这里引入两个时间虚拟变量 T1和 T2。T1为考察金融危机前后的影响是否存在差异，2001—2007年取值1，2008—2018年取值0；T2为考察 “十二五” 前后的影响是否存在差异，2001—2010年取值0，2011—2018年取值1。

从表6中模型2和模型5可以看出，两种估计方法乘积项AI*T1的系数值都显著为负，这说明金融危机以后人工智能对工业结构高度化的促进作用增强了。对此可能的解释是：一方面，金融危机以后尤其是 “十八大” 以后，中国进一步推进了以要素市场为重点的经济体制改革，这在一定程度上缓解了人才、资本、技术等要素的流动障碍，因而表现为改善了人工智能对工业结构升级的作用效果。另一方面，金融危机以后尤其是 “十八大” 以来，我国大力推进了供给侧结构性改革，扩大了工业行业的中高端供给，有效地减少了工业产品的低端供给，这也有助于增强人工智能在工业结构升级中的作用。

表6模型3和模型6的两种方法估计结果显示， “十二五” 虚拟变量与工业智能化指数乘积项AI*T2的系数值都在1%水平上显著为正，值为0．073和0．154，这说明 “十二五” 以后人工智能的促进作用明显增强了。对此可能的解释是：《国务院发布 “十二五” 工业转型升级规划（2011—2015年）》提出了先进制造业在内的六大重点行业和领域的发展导向和升级路径，把高端制造业作为重点领域，同时推进节能环保、新一代的信息技术、生物、高端装备制造、新能源、新材料、新能源汽车等战略性新兴产业发展①参见2012年1月18日，国务院发布《工业转型升级规划（2011—2015年）》。，而为了贯彻执行中央的会议精神，地方政府完善并加强了对工业转型升级政策措施的支持，如科技投入政策、技术改造政策、高端人才计划、财税政策支持等，这一系列政策的实施有效推动了制造模式向数字化、网络化、智能化、服务化转变，推动了工业转型升级，进而表现为增强了人工智能对工业结构升级的促进作用。

表6 人工智能的异质性影响估计结果

六、主要结论与政策启示

本文重点关注了人工智能发展对工业结构升级的影响。理论模型发现，人工智能发展会引起高技术产业比重不断上升，进而能够促进工业结构持续升级。人工智能发展通过提高两个工业部门劳动生产率之比这一机制对工业结构升级产生了促进作用；同时，人工智能对两个工业部门产生的技术溢出效应也会影响工业结构高度化水平。此外，要素市场扭曲导致的劳动力等要素流动障碍会弱化人工智能发展的促进作用。

经验研究的主要结论如下：（1）人工智能发展显著地促进了中国各地区工业结构升级。（2）人工智能对工业结构升级的促进作用主要是通过增强对高技术产业劳动生产率（即提高两个工业部门劳动生产率之比）和技术溢出效应的相对影响等机制实现的。（3）人工智能对工业结构升级的促进作用受到要素市场发展状况的影响，而资本市场、劳动力市场和技术市场等要素细分市场发展都明显改善了人工智能的作用效果。（4）人工智能的影响存在地区差异，东部地区更为明显的促进作用可能源于工业基础和资源禀赋等方面的优势。金融危机以后和 “十二五” 期间的供给侧结构性改革和政策支持增强了人工智能对工业结构升级的促进作用。

根据上述结论，不论是人工智能提高工业部门劳动效率还是改善对工业部门的技术溢出效果，都要求人工智能与工业部门、要素市场发展深度融合。据此，本文提出以人工智能发展推动工业转型升级的政策建议：需要大力促进人工智能发展，加快实现人工智能与工业部门（尤其是高技术产业）的深度融合；需要更好地发挥人工智能在提高工业劳动效率和先进技术应用推广中的作用；人工智能发展需要依托 “互联网＋” 等技术手段，实现与资本市场、技术市场和人才市场等要素市场发展的深度融合。具体政策措施如下：

（1）促进人工智能发展，加快实现人工智能与工业部门深度融合。围绕增加人工智能创新源头供给，加强前沿基础理论、关键共性技术、基础平台等方面研究。建立健全保障人工智能健康发展的法律法规和伦理道德框架，建立完善人工智能基础共性、互联互通、行业应用、网络安全、隐私保护等技术标准。落实财税优惠政策，落实税收优惠和研发费用加计扣除等政策支持人工智能企业发展。设立人工智能发展基金，利用现有政府投资基金、天使投资、风险投资、创业投资基金等多种渠道，支持人工智能重大项目实施和科技成果转化应用。

（2）更好发挥人工智能在提高工业劳动效率和先进技术应用推广中的作用。一方面，建立适应智能经济需要的终身学习和就业培训体系，全面提高全社会对人工智能的整体认知和应用水平。支持和鼓励高等院校、职业学校、企业和社会化培训机构等开展、提供人工智能技能培训。完善国有工业企业目标管理制度、管理层的激励约束机制、预算约束，提高国有高技术企业的劳动效率。另一方面，支持企业与高校、科研院所合作，促进人工智能技术成果、资源和服务的精准对接。建立人工智能公共专利池，通过财税政策优惠，激励工业企业对引进的先进人工智能技术的消化、吸收、应用与再创新，提升人工智能技术溢出效果。

（3）依托技术手段实现与要素市场发展的深度融合。大力推动资本市场、劳动力市场和技术市场等要素市场的市场化改革。推动要素价格改革，不断健全要素市场的制度规范，增强金融机构竞争，进一步推动利率市场化。完善法律政策保障体系，发展壮大技术市场服务体系，健全监督管理体系，深化科技成果使用权、处置权和收益权改革，完善技术交易的税收优惠政策。发展完善人才自由流动和先进技术交易的市场体系，通过利用 “互联网＋” 等技术手段，促进资本市场、技术市场和人才市场衔接融合，推进全国资本市场、人才市场和技术市场服务网络形成。

需要指出的是，本文的假设只适合工业内部结构的研究，相关结论可能不能适用于解释人工智能对三次产业结构（或农业内部结构或服务业内部结构）的影响，这是本文可能存在的不足之一。此外，本文采用现有的工业智能化指数和工业机器人数两个指标衡量人工智能，可能不能准确反映理论模型关于人工智能的假设，这也是本文可能存在的不足。因而，寻找更为合适的指标衡量人工智能可能是该领域的重要研究方向。