中国人工智能产业发展态势及影响因素研究——基于中国AI上市公司全要素生产率的测算与分析

□耿子恒 汪文祥

一、引言

随着新一代人工智能浪潮兴起，世界各国纷纷加大对人工智能领域投入，以期发挥人工智能技术能力，推动经济社会变革与发展。人工智能属于战略性新兴产业，也是中国产业的重要组成部分。人工智能产业发展质量代表着人工智能技术的输出能力，发展质量的优劣代表着人工智能技术输出能力的强弱。人工智能技术输出能力越强，其扩散性和渗透性发挥的作用就越强，从而就能更好地赋能传统产业转型升级，推动经济高质量发展。在新一代人工智能浪潮席卷全球时，人工智能受到国家高度重视，逐步进入蓬勃发展的阶段。中国连续发布了《中国制造2025》《关于积极推进“互联网+”行动的指导意见》《促进大数据发展行动纲要》《新一代人工智能发展规划》和《促进新一代人工智能产业发展三年行动计划（2018—2020年）》等，从顶层设计上规划人工智能产业发展目标和路径，以及人工智能技术赋能传统产业，特别是制造业发展的措施。由此可见，人工智能产业发展在中国经济迈向高质量发展过程中具有重要的现实意义。

当前，人工智能产业发展备受学界关注，但是针对中国人工智能产业发展态势和发展效率的研究尚不全面。已有研究主要集中于中国人工智能产业发展基础、困难和薄弱之处等点状研究。中国人工智能产业发展的技术基础逐步坚实，据统计：截至2019年，中国学者AI领域的高被引论文的比例达到26.5%，与美国29%的比例差距逐步缩小，高于世界平均水平；中国AI总专利数排位世界第一，且在计算机视觉、自然语言处理、机器学习等专利申请方面占据主要位置；截至2019年，中国共设立745家人工智能企业，占世界人工智能企业总数的21.67%，仅次于美国，排名第二，且有6家公司入选2019年度AI百强创业公司榜单，并在全球11家AI独角兽企业中中国占据5个席位。但是，中国人工智能产业发展也面临着一些严峻的问题，如：受到芯片不足、算法不强与核心人才较少等严重制约，中国新一代人工智能产业发展与国际领先国家仍存在一定差距，此外，还存在基础研究投入不足、产业基础薄弱、政府数据联通开放滞后以及人才培养能力缺乏等短板。从机器人产业发展看，中国机器人产业也存在产业链不全、核心部件无法制造和大量机器人产品在中低端徘徊导致低端产能过剩等问题，阻碍了机器人产业的健康发展。企业是构成产业的基本单元，研究中国人工智能产业发展态势和效率，即衡量该产业所属企业的经营发展效率，而当前学界公认能够较好地完成生产效率评估的指标为全要素生产率（TFP）。已有研究对AI企业进行了较多研究，但也存在一些不足。如：侯志杰和朱承亮（2018）针对中国26家人工智能上市公司进行了实证研究，但是其研究的分析视角不包含人工智能产业生态和区域异质性，研究时间跨度较短，研究的深刻性和全面性均有进一步改进的空间。因此，本文通过研究中国85家AI上市公司10年间的数据，尝试回答人工智能产业发展状况以及AI产业发展是否有所进步等问题，对于定量评估人工智能产业发展态势和经营效率具有一定的理论意义和现实意义。

本文的研究思路是：（1）在构建DEA-Malmquist生产指数模型的基础上，使用中国AI上市公司数据测算人工智能企业TFP，并从纵向和横向两个方面按时序、人工智能产业生态和人工智能企业所在区域等，比较分析人工智能企业TFP及其分解项；（2）构建以人工智能企业TFP为被解释变量，以智力强度、盈利能力和企业稳定性等为解释变量的分析模型，根据可获取的AI上市公司数据选取刻画解释变量的数值，通过回归分析研究人工智能产业发展的影响因素。

二、全要素生产率测算的理论基础与数据说明

（一）理论分析与测度方法

经济研究中，基于DEA方法计算的Malmquist生产率指数被广泛用于测算TFP。如：Diewert等（1982）构造了基于距离函数之比的生产率指数用于生产分析；Rolf和Shawna（1992）重新定义了Malmquist生产率指数，通过计算第t期及第t+1期生产率指数的几何平均数衡量生产率变动情况，并将Malmquist生产率指数分解为技术变动指数和技术效率变动指数的乘积。

Malmquist生产率指数的定义及分解式为：

本文参照既有产业全要素生产率测算的方法，使用全要素生产率指标衡量产业发展质量，其含义是产业全要素生产率越高，产业发展质量就越优。

（二）指标选择与数据说明

基于尹恒等（2015）关于企业全要素生产率估计方法比较的研究以及不同学者从不同产业测算结果，本文基于人工智能产业具有人力资本堆积性特征以及人工智能产业与战略性新兴产业、机器人产业的相关性，选择固定资产和员工总数作为投入变量，分别反映人工智能产业的资本投入和劳动投入；选择营业收入作为产出变量，反映产业的盈利能力和对可持续发展的支持能力。最终获得85家AI上市公司2010—2019年的数据，各变量描述性统计如表1所示。由表中数据可知：作为资本投入要素，固定资产均值总体呈现出从2012年开始持续上升的趋势，2019年较2010年固定资产增加了1.88倍；员工总数均值呈现持续上升的趋势，2019年较2010年员工总数增加了1.08倍；营业收入均值同样呈现持续上升的趋势，2019年较2010年营业收入增加了2.24倍。由此可见，要素投入带来了较为丰富的要素产出。2010年营业收入与固定资产比，即单位资本创造的收入为7.71，2019年达到8.19，比2010年提高了6.23%，说明中国人工智能产业每单位资本投入创造的价值有所增加。

表1 投入和产出变量描述性统计

三、全要素生产率的测算结果与分析

本文从时序、人工智能产业生态和人工智能企业所在区域三个角度计算和分析CCR模型（固定规模报酬）下的技术效率、BCC模型（变动规模报酬）下的纯技术效率以及DEA-Malmquist指数法下的全要素生产率及其分解项，结果见表2。由表2可知：在DEA-Malmquist模型下，TFP平均值是1.4282，说明生产率表现为提升；技术效率变动、规模效率变动、纯技术效率变动的平均值均大于1，表明要素配置效率等都在积极改善。此外，85家AI上市公司中，技术效率变动大于1的企业有82家，说明绝大多数企业都更接近生产前沿面；技术进步变动大于1的企业有41家，即占比43%的企业使生产前沿面向外推移，取得技术进步正增长率；TFP变动大于1的企业有70家，即占比82%的企业TFP增长为正，其中，广电运通、神州信息和紫光股份3家企业的TFP较小，这主要是由于技术效率较低。

表2 TFP测算结果的描述性统计

（一）按时序分析

表3列示了AI上市公司在三种模型下TFP变动情况，由表中数据可知：TFP在2014—2019年逐年上升后开始呈现波动式下降的趋势，2019年比2010年降低了3.6%；除2012年之外，TFP均值大于1，表明生产率在逐步提高，只是提升的空间在逐步缩小。

表3 三种模型下2010—2019年全要素生产率测算结果

表4揭示了TFP变动的内在原因：2019年TFP指数较2011年降低，主要是由技术效率变动和技术进步变动同时降低所导致的，由2011年和2019年的规模效率数值相差小可知，技术效率的下降主要是由纯技术效率变动引起的。由此可以认为：技术进步变动下降和纯技术效率下降，即技术进步的改进程度和要素资源配置效率的改进程度同时下降，导致了TFP上升速度变缓。总体上，中国AI上市公司正在接近生产前沿面，并在逐步调整到最适合经营规模，同时要素投入改善以及技术进步改善等能力均在逐步提升。

表4 DEA-Malmquist动态效率结果

（二）按公司所处产业生态分析

人工智能产业生态可以分为应用层、技术层和基础层，其中，基础层包括芯片、计算能力和数据能力等，技术层包括软件框架层、算法层与行业通用类技术等，应用层包括应用软件平台、解决方案平台等。本文按照证监会行业分类，参考东方财富网行业分类，详细研究了中国85家AI上市公司的经营业务和范围后，将属于制造类的电子信息、电子元件等归属于芯片等硬件技术的基础层生态，将属于制造类的设备、软件、仪器、通信等企业归属于提供通用智能设备、软件系统、云计算平台以及通信技术服务的技术层生态，将属于安防、传媒、采矿、汽车、建筑、医疗以及其他信息技术服务等企业归属于专项智能应用服务提供的应用层生态。各产业生态企业数量分别是11家、14家和60家。可见，中国AI上市公司绝大多数处于应用层，掌握AI发展基础技术和通用技术的企业较少，大多数企业缺乏核心关键技术，大多以提供“拿来主义”的AI产品或服务获得经营收益。

表5为按企业所属产业生态层测算的生产率，表中数据表明：在DEA-Malmquist模型下TFP均大于1，即所有AI企业经营效率均在改善，且改善程度表现出技术层企业＞应用层企业＞基础层企业的特点。从技术进步变动看，只有技术层企业具有技术进步，基础层和应用层企业均没有技术进步；从技术效率变动看，所有AI企业均存在技术效率改进，且改进程度为技术层企业＞应用层企业＞基础层企业，由此可知，在规模报酬不变条件下，基础层和应用层的AI企业TFP提升是由技术效率变动引致的，技术层的AI企业TFP提升是由技术效率和技术进步共同作用引致的，但是技术进步的影响力极小；从纯技术效率变动看，所有AI企业均存在纯技术效率改进，改进程度为应用层企业＞基础层企业＞技术层企业，且企业之间的改进程度差别很小；从规模效率变动看，所有AI企业均存在规模效率改进，改进程度为技术层企业＞基础层企业＞应用层企业，且基础层企业与应用层企业改进效率差别不大，都在逐步调整到各自最合适的经营规模。由此可知，在规模报酬可变条件下，对基础层企业的TFP提升作用中，规模效率大于纯技术效率的力量，而在应用层和技术层企业的TFP提升作用中，规模效率的作用占据主导，纯技术效率的正向提升作用难以推动TFP大幅提升。

表5 按AI上市公司所处产业生态测算结果

（三）按所在地区分析

如表6所示，从区域看，85家AI上市公司分布在全国18个省（区、市），其中新疆和重庆TFP指数小于1，其他各地区生产率均大于1；京津地区中，天津的TFP高于北京，长三角区域（上海、浙江、江苏、安徽）中，上海的TFP最高，中部地区（河南、湖北、湖南）中，湖北的TFP最高，西部地区（新疆、甘肃、四川、重庆、贵州）中，贵州的TFP最高，东北地区中，辽宁的TFP大于1；TFP指数按从高到低排序的前五位是上海、天津、湖北、贵州、山东。由此可见，人工智能产业经营发展效率具有一定的区域异质性。

表6 按AI上市公司所在地区测算结果

从各地区包含企业数来看，广东以23家公司位列第一位；北京和浙江分别拥有14家和11家AI企业，数量位列全国第二和第三；各地区拥有AI上市企业数量从高到低排序前四位的依次是广东、北京、浙江、江苏。由此可见，东部发达地区是人工智能产业发展集聚区。同时，这些人工智能产业发展聚集区不仅人工智能产业集聚度高，而且人工智能企业经营效率也相对较好，人工智能产业发展质量优于其他地区。

四、全要素生产率影响因素分析

（一）模型构建和选取

本文以AI上市公司全要素增长率及其分解项作为被解释变量，综合考虑人工智能产业当前发展阶段、发展稳定性、可持续性以及影响产业经营绩效等实践因素，选取影响人工智能产业TFP的各种因素作为解释变量构建模型，即分别建立以TFP（全要素生产率）、EFFCH（技术效率变动）、TECHCH（技术进步变动）为被解释变量的模型：

被解释变量分别为全要素生产率、技术效率和技术进步效率；解释变量指标、缩写、说明与解释详见表7。以上模型中，n表示人工智能企业编号，t表示该企业的数据年份，即TFP表示第n家人工智能企业在第t年份的全要素生产率，其他变量解释也如此，β是自变量对应的回归系数，ε为残差项。

表7 变量说明及解释

本文以中国85家AI上市公司为研究对象，根据上市公司数据可获取性，使用Wind软件收集整理上市公司2010—2019年财务报表和年报数据，运用Stata软件对计量模型进行估计。

（二）实证分析

单位根检验结果显示：计量模型中变量在5%的显著性水平上全都显著。因此，面板数据的回归模型的估计结果是有效的，同时加入因变量滞后一期的回归模型也是有效的。多重共线性检验结果显示：所有变量的方差膨胀因子（VIF）数值都小于10，表明变量之间不存在多重共线性，因此不会产生伪回归而得到有偏误的系数估计值。本文在BCC、CCR、DEA-Malmquist三种模型下，采取不同模型对TFP及分解项等被解释变量与影响TFP的解释变量进行回归分析（结果见表8至表10），并对不同模型方法下回归结果进行对比分析。

1.基于BCC模型下纯技术效率的回归分析

由表8数据可知，纯技术效率与智力强度、企业规模和企业稳定性均存在显著负相关关系。一是智力强度与纯技术效率存在显著负相关关系，表明人工智能企业在寻求企业经营发展过程中，为智力资本付出了较高的成本，对企业经营效率提升产生了较弱的负向影响。二是企业规模与纯技术效率均存在显著负相关关系，表明人工智能企业规模越大，运营成本就越增加，从而对企业运营效率造成负面影响。三是企业稳定性与纯技术效率在1%水平下存在显著负相关关系，表明资产运营效率和稳定性对当前处于起步发展阶段的人工智能企业具有略微的负向作用。

表8 基于BCC模型下纯技术效率的回归结果

2.基于CCR模型下技术效率的回归分析

表9数据显示，技术效率与智力强度、盈利能力、资本投入、企业运营力、企业稳定性存在正相关关系，与市场能力、企业规模存在负相关关系。首先，企业的盈利能力与技术效率显著正相关，表明人工智能企业净利润能够为企业发展带来更大的效率优势，但是这种正向作用较小；其次，企业稳定性与技术效率在1%水平下存在显著正相关关系，表明资产运营效率和稳定性对当前处于起步发展阶段的人工智能企业具有略微的正向作用。

表9 基于CCR模型下技术效率的回归结果

3.基于DEA-Malmquist模型下的回归分析

基于全要素生产率和技术进步作为被解释变量的模型选择FE时通过了Hausman检验，而技术效率未通过，模型回归结果见表10。表10结果表明：智力强度与TFP、技术效率在1%水平下均存在显著正相关，而与技术进步存在不显著正相关，表明智力投入对人工智能企业经营发展有积极的正向作用，不仅能促进经营效率提升，还能推进技术进步，为技术创新、产品设计、服务供给等提供了有用价值，同时对企业经营效率提升也具有略微正向影响，即智力强度越高，经营效率和技术效率就越高，越有可能促进技术进步；盈利能力与TFP、技术效率、技术进步分别在1%、5%、10%水平下存在显著正相关，表明人工智能企业净利润可以为企业发展带来更大的效率优势，不仅能够促进企业技术进步，还可以提高技术效率，即盈利能力越强，经营效率、技术效率和技术进步程度越好；资本投入与TFP在5%水平下存在显著正相关，表明人工智能企业投资或资本存量（固定资产）越大，则企业运营效率越高，但是对技术进步可能会有负向作用；企业规模与TFP、技术效率在1%水平下均存在显著负相关关系，表明人工智能企业规模越大，越可能对企业运营效率造成拖累，不利于促进企业经营效率提升。

表10 全要素生产率及其分解项回归结果

五、研究结论与对策建议

（一）研究结论

本文基于2011—2019年中国85家AI上市公司面板数据，通过测度AI企业TFP及其分解项分析了中国人工智能产业发展的影响因素，得到以下结论：第一，中国人工智能产业全要素生产率呈现上升趋势，AI企业整体经营效率正在逐步改进，但是依靠技术进步驱动AI企业发展质量提升的能力尚有不足；第二，区域性良好人工智能产业生态已初步形成，但是全国人工智能产业发展水平存在异质性；第三，中国人工智能产业全要素生产率及分解项对其影响因素的影响力度具有差异性，并且对处于不同人工智能产业生态企业的影响因素存在异质性。这具体表现为：中国人工智能产业全要素生产率与智力强度、盈利能力、市场能力、资本投入存在正相关关系，与企业规模、企业运营力和企业稳定性存在负相关关系；技术效率与智力强度、盈利能力、资本投入存在正相关关系，与市场能力、企业规模、企业运营力、企业稳定性存在负相关关系；技术进步与智力强度、盈利能力、市场能力、企业稳定性存在正相关关系，与资本投入、企业规模、企业运营力等存在负相关关系。

（二）对策建议

1.加大对技术创新的支持力度，促进人工智能产业发展质量提升

技术进步已经成为影响中国人工智能产业全要素生产率进一步提升的重要因素。因此，可以从顶层政策设计、财政资金和投融资等方面全方位支持人工智能企业提速发展，重点可加强企业产品所需的基础层技术研究、技术创新及产品创新。政府应制定激励政策，引导企业在技术研发方面敢于投入与尝试，如可以为开展技术研发与创新的企业提供资金支持、税费补贴等，推动企业主动参与到技术进步的之中。此外，政策与制度设计还应在融资渠道、融资方式和重点领域上作出规定，鼓励银行、基金与多元化投资方为开展技术创新的人工智能企业提供利率优惠等多种金融服务，为企业技术研发与创新提供资金保障，以增强中国人工智能产业发展动力。

2.强化专业人才培养力度，支撑人工智能产业发展质量提升

研究表明，智力强度与全要素生产率、技术效率、技术进步均有显著正相关关系，说明人力要素投入可以促进人工智能企业经营效率提升。因此，政府层面：进一步鼓励和支持高校、科研院所招收和培养人工智能专业人才，重视理论研究型与技术研发型人工智能专业人才的培养；通过财政资金支持等形式鼓励社会培训机构提供人工智能专业技能型、操作实践型方面的培训。企业层面：人工智能企业应进一步加大人力资本投入，为吸引高端可用的人工智能专业人才采取特殊举措；加强对在岗员工的理论、专业与技能培训，持续提高企业人才核心竞争力，为企业技术研发、创新与突破提供动力。由此，逐步建立起由政府、社会资源与企业自身组成的人工智能人才培养体系，不断为人工智能产业高质量发展提供人才支撑。

3.平衡质量与速度之间的关系，保障人工智能产业平稳快速发展

在推进中国人工智能产业发展过程中，只有同时了解和分析影响AI产业发展的有利因素和不利因素，才能更有效地保障AI产业发展质量不断提升。因此，建议人工智能企业在经营过程中要时刻保持清醒，持续强化成本意识、质量意识和风险意识，动态把握发展规模、发展速度与发展质量之间的关系。企业应主动充分地了解竞争对手与市场环境，制定战略规划与发展目标，拒绝盲目投资扩张，要时刻关注营业收入与成本控制、投资项目的可行性研究、投资决策质量的控制、技术创新与要素投入必要性、产品或服务收入与资金链等，更加合理地控制经营成本和管理费用，通过降本增效、开源节流、精准投资等方式千方百计增加企业净利润。这不仅有利于增强企业抗风险能力与市场竞争力，还可以为企业人才投入、研发投入、资产投入和经营规模扩张奠定更加坚实的资金基础。此外，企业要持续推动研发创新，努力攻关核心技术，以市场应用为出发点，不断契合产业整体发展，促进AI企业稳定快速发展，逐步提高AI产业发展质量。