食品加工业全要素生产率及其影响因素研究——基于人工智能和农业效率的视角

申丹虹，赵筱楠

（中北大学经济与管理学院，太原 030051）

食品加工业是农产品的直接上游行业之一，其在赋能乡村振兴、推动农村供给侧结构性改革、一二三产业融合方面具有领头作用，是为耕者谋利的制造业；习近平总书记在逆全球化和新冠疫情的背景下提出了“双循环”战略，要求畅通国内大循环，食品加工业在实现农产品增值的同时为城乡居民提供高质量消费品，是扩大国内需求、为人民谋福祉的民生产业。中共中央《十四五规划建议》强调优先发展农业农村，资源要素向农村倾斜，2018 年农业部《关于实施农产品加工业提升行动的通知》明确了推动产业转型升级的主要目标和重点任务。

随着中国经济发展进入新常态，传统资源和劳动密集型的产业要实现转型升级就更要关注高质量发展，寻求除要素投入以外的新动能，很多学者认为全要素生产率（TFP）是中国未来经济增长的决定因素。因此，实证研究近10 年中国食品加工业TFP的变化和影响因素具有重要意义。

1 研究现状

中国学者对农产品加工业TFP变化趋势和影响因素非常关注，对于更细分的食品加工业研究成果较少，但仍有极大的借鉴意义。农产品加工业TFP的测算有两类主流方法：非参数数据包络模型（DEA-Malmquist）和随机前沿模型（SFA）。战炤磊等［1］、赵燃等［2］、龚新署等［3］基于行业面板数据测算中国农产品加工业TFP的变化趋势，样本阶段虽各不相同，都得出了TFP年均上升的结论，并且主要由技术进步推动。刘志雄等［4］使用SFA 的方法估计生产函数测算技术效率的变化，发现虽然1993—2005 年中国食品加工业技术效率逐年提高，却存在显著的技术损失，技术进步不明显。

很多学者实证分析了影响农产品加工业TFP的因素，当前已被证实的影响因素分为两大类：行业宏观层面和公司微观层面。产业集聚和外商直接投资在不同阶段显示出正外部性和负外部性［3］；赵燃等［2］认为，国有控股企业相对“三资企业”在技术进步上更有优势，资本密集度负向影响农产品加工业TFP的提高。胡泉水等［5］从公司角度分析融资约束和技能结构失衡对TFP的抑制作用机理。但是人工智能在食品加工业生产效率中的作用还没有学者研究，国内外学者关注“索洛悖论”在各国家制造业整体是否成立，并进行了大量实证研究。刘亮等［6］基于中国制造业数据证伪了“索洛悖论”，认为人工智能主要通过提高技术效率提高制造业TFP。付文宇等［7］认为人工智能通过技术创新和人力资本优化促进了地区制造业优化升级，而这种促进效果对中国东部地区和劳动密集型产业影响更显著。工业智能化如何影响制造业高质量发展，唐晓华等［8］检验了工业智能化与制造业发展的U 型关系，影响途径是优化劳动力结构、提高生产效率与提升产品质量。郭敏等［9］结合国际经验，验证了人工智能对中国劳动生产率的抑制作用，原因是劳动生产率具有滞后性、错误的劳动生产率估算和人工智能不精确计量共同导致。

虽然食品加工业是农业的直接上游行业，鲜有学者将第一产业与食品加工业纳入同一研究框架分析。靖飞等［10］将省际主要农产品产量加入投入变量计算中国食品加工业Malmquist 指数，用DEA 方法计算技术效率未完全有效的省份在农产品利用效率上调整改进的程度。张莉侠等［11］实证检验农业自身的效率并不会直接影响技术效率水平。

上述关于使用DEA-Mamlquist 指数测算食品加工业全要素生产率已比较普遍，然而将人工智能、农业效率和食品加工业全要素生产率纳入同一框架中的研究还未出现。鉴于食品加工业对推动国家经济高质量发展、助推乡村振兴意义重大，为实现在新一轮科技革命阶段抓住人工智能技术机遇、充分发挥食品加工业对农产品的增值作用，本研究拟从2009—2019 年食品加工业Malmquist 指数及其分解项的增长变动情况研究行业发展趋势，并构建人工智能指标和农业效率指标，实证分析这2 个因素在中国食品加工行业的影响效果和影响机制，以期丰富这一领域研究成果。

2 人工智能、农业效率对食品加工业全要素生产率的影响机制

2.1 人工智能对食品加工业技术进步和全要素生产率的影响机制

人工智能在国家工业体系中具有知识溢出［12］和知识创造效应［13］。首先，智能化降低了企业间的信息传递成本，一定程度瓦解了企业间的技术壁垒从而促进知识共享，而人工智能技术作为通用目的的技术具有渗透性［6］，这种渗透性在区域产业集群中发挥知识溢出作用，推动食品加工业的技术进步。另外，人工智能以人机交互为基本形式，以深度学习和大数据分析为代表的智能化信息技术辅助企业关联和预测大量数据，在企业内部产生前向关联溢出、后向关联溢出，密切生产部门、研发部门和应用部门间的互动关系［14］，企业获得库存、生产、物流、营销各关节点的准确信息，为制造业企业创造丰富的显性知识，实现由数据到信息再到知识的价值转化，也带动制造业创新效率的提升，人工智能的知识创造效应有利于食品加工业的技术进步。

诺贝尔经济学奖获得者索洛提出“除开生产率统计，无论何处，你都能目睹计算机的时代”，“信息技术生产率悖论”是否存在于中国的食品加工业，是需要探讨的问题。第一，人工智能的生产率效应存在时滞性，在人工智能发展的前期，各企业投入有形固定资产、高技术人力资源还有无法准确计量的无形资产后续支出，相应的这些资本积累在当期带来的产出贡献却非常有限，通过Malmquist 指数计算TFP时通常以产值作为产出，这就导致了TFP被低估。如2020 年国内对无人驾驶汽车的投资达95.4亿元，却尚未在汽车市场上形成最终产出，然而新技术带来的市场潜力难以衡量，只有在未来趋向成熟时这些人工智能投资才能得到回报。第二，食品加工业属于非技术密集型的轻工业，目前在行业内推广使用的智能化设备如工业机器人、3D 打印、无人农机、智能检测设备虽然在安装量上大幅上升，但仍停留在形式层面，尤其是中低技术复杂度的传统工业机器人对生产率贡献有限［15］。第三，人工智能具有技术狭隘性，其仅对国民经济活动中的部分行业如广告定位、金融资产交易和高技术制造业的促进作用明显，而食品加工业在利用和发展人工智能技术时处于相对劣势，同时，新技术的好处加剧行业间和企业间的不公平竞争，造成资源浪费［16］，破坏了新技术带来的福利。鉴于人工智能具有生产率效应时滞性、技术狭隘性以及食品加工业在国民经济所处的地位，本研究认为人工智能不能促进全要素生产率提高。上述机理分析如图1 所示，基于此提出假说1。

图1 人工智能对食品加工业全要素生产率的影响机制框架

H1：人工智能促进食品加工业技术进步，但现阶段会阻碍全要素生产率的提高。

2.2 农业效率对食品加工业全要素生产率的影响机制

食品加工业是链接第一产业与第二产业、农村与城市的重要轻工业，现代农业发展水平为食品加工业提供原材料基础，现代农业和智慧农业的推广发展推动了农业效率提高，部分地区大力推进绿色农产品种植和营养强化型初级农产品研发，促进食品加工业现代种植技术、现代工业技术的推广普及。对食品加工业来说，高质量农产品原料供给赋能企业降低农产品产后损失并提高资源利用效率，食品加工业能够充分发挥农产品价值增加的作用。农业效率的提高促进了农产品加工业的技术效率，从而提高全要素生产率。基于上述分析提出假说2。

H2：农业效率正向影响食品加工业全要素生产率。

3 食品加工业全要素生产率测算与分析

3.1 DEA-Malmquist 指数法

Fare 等［17］指出Malmquist 指数有以下优点：不要求价格信息、不需要假设行为、便于计算。运用Malmquist 指数不仅可以测算TFP的变化，还可以根据分解项得出增长的主要动力。因此，本研究选择DEA-Malmquist 指数方法测算中国食品加工业全要素生产率。

Malmquist 成产率指数利用距离函数的比率来计算投入产出效率，随着该指数的不断完善进步，有下列3 个公式来说明Malmquist生产率指数的原理。

式（2）是式（1）的变形，用来表示技术进步与技术效率变化的分离。在规模报酬可变的条件下，技术效率可进一步分解为纯技术效率变化指数（PECH）和规模效率变化指数（SECH）。

式（3）进一步放松了式（1）和式（2）固定规模报酬的假设，描述了变动规模报酬的情形，进一步将技术效率分解成纯技术效率变化和规模效率变化。将TFP分解，能够明确造成TFP变动的原因进而动态分析变化的过程。

3.2 数据选取

按照中国国民经济二位数分类代码（GB/T 4754—2017），选取农副食品加工业、食品制造业和酒、饮料、茶制造业3 个子行业作为研究对象，统称食品加工业，研究阶段为2009—2019 年。为保证数据连续性和可获得性，选取中国31 个省（市、自治区）食品加工业主营业务收入（2019 年为营业收入）作为产出指标，并用2009 年为基期各子行业相应的生产者出厂价格指数平减处理。模型的投入指标包括劳动投入和资本投入，劳动投入用行业平均用工人数表示，资本投入分为固定资本和流动资本投入，其中固定资本用行业固定资产净值并以2009 年为基期的固定资产投资价格指数平减，行业流动资产用工业生产者购进价格指数平减后的年均余额表示流动资本。 基于以上指标使用DEAP 2.1 软件计算Malmquist指数及其分解项。

数据来源于《中国统计年鉴》和《中国工业统计年鉴》，其中2018 年《中国工业统计年鉴》未出版，缺失数据用趋势外推法估算补齐。

3.3 中国食品加工业全要素生产率及分解

表1列出了2009—2019 年中国食品加工业Malmquist 指数。由表1 可知，2009—2019 中国食品加工业TFP的平均变化率是1.041，在这10 年间平均提升4.1%，但是TFP增长率呈波动式下降，仅研究期的起始年2009—2010 年增长率达30%，之后的8 年增长率在-10%～10%浮动。其中，技术效率指数（EFFCH）和技术进步指数（TECHCH）分别上升1.6%和2.5%，说明食品加工业TFP的增长是技术效率提升和技术进步共同作用的结果，但技术进步的贡献更明显。由图1 可以发现，TFP与技术进步趋势基本一致，2010—2017 年技术效率的变化不明显，食品加工业TFP的波动主要是由技术进步引起的，尤其在2017—2018 年TFP大幅下降了12.7 个百分点，同时技术变化下降幅度高达21.0%，拖累效应明显，技术效率却一改下降趋势，呈现出11.8%的增长，可能原因：①国家统计局在编订2019 年《中国工业统计年鉴》时，修改了统计制度，将工业各行业“主营业务收入”指标调整为“营业收入”指标，致使2018 年食品加工业3 个子行业的产出数值明显下降，3 个子行业收入下降幅度达20%以上。同时，由于2018 年新会计制度允许新购进500 万元以下固定资产一次性计提折旧，固定资产净值出现较大幅度的下降，但其他投入指标没有明显变化。②2018 年中国食品加工业规模以上企业数量增加，但R&D 投入和R&D 人员数量减少，专利申请数也有所降低，说明在2018 年企业更加规模化，企业采取提高管理效率、调整产品结构等优化产业配置的措施，短暂忽略技术创新能力提升，使2017—2018 年食品加工业技术效率提升，尤其是规模效率的增幅达7.1 个百分点，而技术进步出现了大幅降低。

表1 2009—2019 年中国食品加工业全要素生产率及分解项变动

从各项指标的经济学含义来看，技术变化指标为企业除投入要素以外对产出有影响的无形要素，包括技术进步、组织创新等。技术效率指标衡量在现有技术条件下，组织管理、产业结构等是否优化，纯技术效率指标说明企业管理效率是否提高，规模效率指数说明现有规模是否达到了最优规模。中国食品加工业的技术效率进步不明显，近10 年增长仅1.6%，主要是因为规模效率平均下降0.04%的拖累，规模效率仅在2010 年、2012 年、2015 年和2018 年是增长的，其他年份均下降，说明中国食品加工业规模经济带来的作用还没有显现。纯技术效率增长也不明显，食品加工业提高管理水平、提高资源利用效率和扩大经营规模是下一阶段的重要努力方向，并在政策的支持下，鼓励食品加工业提高市场集中度，注重食品质量并加快打响国际知名品牌，着重扩大国内市场。

图2 2009—2019 年中国食品加工业全要素生产率及分解项变动趋势

3.4 各经济区食品加工业全要素生产率变动

为进一步分析中国各省食品加工业全要素生产率的空间异质性，将31 个省（市、自治区）（以下简称各地区）按照“十二五”期间区域规划的“八大经济区”进行划分（表2）。其中，各地区间资源禀赋、主导产业和经济发展水平相似，尤其在农业专业化生产方面具有相似性，食品加工业与农业的关系最紧密，因此有必要进行经济区层面的分析，以促进区域间的协调发展。

由表2 可知，2009—2019 年中国27 个省（市、自治区）的食品加工业实现了TFP增长，8 个经济区的平均增长率都是正值。首先，南部沿海地区TFP增长幅度最大，达到近9%，海南省和福建省TFP的增长分别位于全国的前2 位，引领了该经济区的生产前沿面，并且是源于技术效率和技术进步共同的推进作用。海南省是中国最大的热带作物、特色禽畜、水产品初加工基地之一，2018 年成为经济特区后，其在生产技术发展、管理技术人员吸引、外资引进方面具有优势，发展潜力巨大；农产品加工业是福建省重要支柱产业之一，依靠地理优势和丰富的农产品优势，福建省的糖果、罐头和冷冻水产品产量位居全国前列。其次是大西南经济区，5 个省份的食品加工业TFP平均增长6.8%，贵州省、云南省、广西均保持7%以上增长率，其中云南省9.7%的增长率主要由技术效率中的纯技术效率贡献，说明近10 年云南省食品加工业的管理组织效率提升、产业结构不断合理化，但是规模效率仍是下降趋势。东北地区和黄河中下游综合经济区的食品加工业TFP的年均增长率最低，主要因为技术进步拉动作用不足，其中吉林省和河南省TFP年均下降2%，作为重要的粮食大省，这2 个省应加大政策指引并扩大消费需求，提高本省优势农业产品利用效率。此外，山东省、西藏和青海省食品加工业TFP下降，均是由技术效率中规模效率变化的负增长拖累所致，青海省和西藏地理环境阻碍制造业的发展，因此较难实现产业规模化，但山东省是经济发达地区，食品加工业产值高，应注重生产技术研发、抓住智能制造机遇，打造现代化食品加工业以促进地区经济发展。

表2 2009—2019 年各经济区食品加工业全要素生产率及分解项变动

4 计量模型设定和变量选取

4.1 模型设定

依据上述研究假设，设立以下模型实证检验假设的正确性。

式中，TFPit代表i地区t时期的全要素生产率；AIit表示i地区t时期的人工智能指数；AGRIit表示农业效率；Controlit为模型的控制变量；ξi为个体固定效应；εit为随机误差项；α为常数项分别为人工智能指数、农业效率、控制变量对食品加工业全要素生产率变动的影响程度。

为进一步探究人工智能和农业效率对食品加工业全要素生产率的影响途径，进一步将Malmquist 指数的分解项TECHCH和EFFCH作为被解释变量设定模型（5）和（6），进行影响因素的回归检验。

4.2 人工智能评价体系构建

本研究核心解释变量之一是人工智能指数AI，参考季良玉［18］构建智能化水平测度体系的方法，从基础设施层和生产应用层选取人工智能指标。李廉水等［12］强调从投入的角度衡量各地区智能化水平，本研究选取更有针对性的基础设施投入指标如下：①C1：食品加工业3 个子行业的内部R&D 经费。R&D 经费主要用于高技术研发设备购进、研发人员工资发放，因此分别将经费的50%以当年固定资产投资价格指数平减，50%以当年消费者价格指数平减，得到剔除价格因素后的R&D 内部支出。②C2：3个子行业的研发机构R&D 人员数量之和。③C3：高技术设备投入指标。一个地区的电信基础设施完善程度为人工智能在制造业中的普遍应用提供条件，如5G 配套设施，因此选用电信固定资产投资作为高技术设备投入指标。生产应用层指标从食品加工行业内部和所在地区外部环境2 方面分别选取如下：①C4：各地区食品加工业规模以上企业工业机器人的安装数量。工业机器人代替了部分低技能劳动力，并贯穿生产的各阶段，由于相关数据仅具体到工业二级行业全国安装量，用各地区规模以上食品加工企业数量占全国总量的比重估计了各区域的安装量。②C5：高技术产业发展水平。用各地区高技术制造业营业收入占制造业整体营业收入的比重表示。③C6：信息服务业发展水平。用各地区信息服务业营业收入占制造业整体营业收入的比重表示，营业收入用相应的行业生产者出厂价格指数换算成2009 年的不变价格。以上6 个指标选取的样本考察期均为2009—2019 年，并用熵值法测算出综合评分作为各地区人工智能指数AI，指数越大说明这个地区食品加工业的人工智能程度越高。

4.3 变量说明

被解释变量：上述测算了31 个地区2009—2019年Malmquist 指数和分解结果，令2009 年的TFPCH、TECHCH、EFFCH指数为1，之后年份换算成以2009年为基期的累计值得到绝对全要素生产率。3 个指数分别作为被解释变量进行影响因素回归分析。

核心解释变量：人工智能指数AI和农业效率指数AGRI。AI的测度方法已在上一节叙述，农、林、牧、渔产业为食品加工业提供基本生产原材料，农产品初加工企业往往选用其所在区域的易腐易败或运输成本高的农业产品加工生产，一个地区农业效率高低在一定程度上决定了原材料供给能力。本研究用各地区第一产业增加值占农业总产值的比重作为农业效率指数AGRI。

控制变量：①外商投资依存度FDI。开放经济下外商投资进入制造业诸多行业，为行业带来国外先进技术、设备和管理体系，食品加工业是中国最早引进外资的行业，FDI的知识溢出效应有利于食品加工业的生产率提高，但是FDI在产业集群中会产生技术挤出效应，抑制东道国企业全要素生产率提高［3］，用外商直接投资规模以上企业的营业收入占整个食品加工业营业收入的比重表示。②产业结构STR。一个地区3 个产业的比例不尽相同，工业增加值反映了这一地区制造业发展程度，用第二产业增加值与第三产业增加值的比重衡量地区产业结构。③行业规模SCAL。如果食品加工业成为一个地区的支柱产业，容易形成专业化经济的产业集群，有利于行业内技术和资源共享并获得政策支持，提高全要素生产率，用食品加工业营业收入与从业人员数比值的对数表示。④产权特征INST。鼓励非公有所有制经济的改革措施有效促进企业间自由竞争，从而促进技术进步，用国有控股食品加工企业营业收入占全部食品加工业营业收入的比重表示。以上产值指标均用各行业生产者出厂价格指数平减计算。

上述省级产值数据、价格指数和规模以上企业数来源于2010—2020 年《中国统计年鉴》《中国工业统计年鉴》。人工智能指标相关数据来源于2010—2020 年《中国科技统计年鉴》和《中国高技术产业统计年鉴》，工业机器人分行业安装量来源于国际机器人联盟（IFR）公布的统计数据。

5 人工智能、农业效率影响食品加工业全要素生产率的实证检验

基于上述设定的模型（4）、模型（5）和模型（6），使用Stata 14.0 软件对省级面板数据进行豪斯曼检验，结果显示P分别为0.000 1、0.000 6 和0.000 1，均拒绝原假设，选用固定效应模型更有效。因此选择控制个体效应的固定效应模型（FE）进行实证分析，并提供最小二乘法（OLS）的回归结果，随后修改被解释变量证明实证结果的稳健性。

5.1 基准回归结果

总体样本的基准回归结果如表3 所示，使用OLS 和FE 模型进行回归后，模型的拟合优度保持较高水平，说明控制变量的选取具有合理性，以固定效应回归结果为例进行分析。由表3 可知，人工智能对食品加工业TFP的影响系数为-0.310，对技术进步的影响系数为0.392，均通过显著性检验，对技术效率的影响系数为负但不显著，说明在样本期间，从基础设施投入和生产应用层面衡量的人工智能阻碍了全要素生产率的提升，却促进了技术进步，“生产率悖论”在中国食品加工业中存在，假说1 得到验证。对于资本密集型和劳动密集型的制造业，人工智能没有起到优化企业制造流程并提高管理效率的作用，食品加工业在智能化设备投入、研发支出方面不成熟，属于低效率的资本投入和人力投入，在行业内部缺乏与人工智能技术相匹配的人才以充分发挥资本作用，于是在基础投入层、生产应用层和产出层之间未实现环环相扣。这可能是由于中国的制造业正处于由大转强、由高速发展向高质量发展的攻坚时期，食品加工企业在高技能劳动力配备和管理技术方面面临瓶颈，难以将人工智能投入向产出转化。Black 等［19］认为即使在工厂车间广泛应用信息技术，却没有相应的技术互补系统，如车间管理实践、高质量产品创新和丰富技术经验的劳动力，那么投资信息技术反而会抑制企业生产率提升，当前中国食品加工业也面临着互补系统与人工智能生产应用不匹配的瓶颈，但是随着新一轮科技革命逐渐深化，人工智能技术趋向成熟、走向市场，食品加工企业应抓住智能制造机遇，参与重构全球食品产业结构，注重人工智能资本积累和成果转化。

表3 基准回归结果

农业效率对食品加工业全要素生产率和技术效率回归系数分别为4.281 和3.223，均通过5%和10%的显著性水平检验，但是对技术进步的影响不显著，说明食品加工业所在地区的农业增效通过提高食品加工业技术效率促进了全要素生产率，验证了假说2。农业效率的提高意味着该地区农业生产的专业化、标准化水平提高，并为食品加工业提供高质量的原材料供给，有利于降低产后损失并实现农产品增值。此外食品加工业现代种植技术、现代工业技术的推广普及，提高了以管理效率、农产品物流效率和营销效率为代表的技术效率，对行业整体TFP的正向影响显著。

从控制变量系数看，外商直接投资的技术挤出效应明显，抑制了食品加工业的技术进步，促进技术效率提高，对TFP的影响为负但没有通过显著检验，原因是中国食品加工企业与外商投资企业技术水平差距不明显，加之外商投资企业利用东道国的劳动力和资源优势，仅将处于价值链下游的加工业务建立在中国，并且有意封锁核心技术，这就使得食品加工业吸引的外资无法带来技术溢出作用，但是外企拥有的管理技术优势却显著提高了本国企业的管理效率；地区产业结构对于3 个被解释变量的影响均显著为正，第二产业的发达程度有效促进食品加工业TFP逐渐提高；行业规模正向影响了全要素生产率及其分解项，说明提高食品加工业规模能够吸引促进技术进步和技术效率的有利条件，对TFP的提高产生积极作用；产权特征对TFP的影响不显著，可能因为食品加工业子行业的产权特征差别明显，酒制造业之中，国有控股企业占比高，有利于商品的对外贸易、控价，而农副食品加工业和食品制造业占比小，行业内自由竞争程度高，所以国有或“三私”食品加工企业TFP并不会因为产权特征的差别而发生变化。

5.2 稳健性检验结果

为确保实证结果的稳健性，修改全要素生产率的计算方法，使用固定效应模型进行主要解释变量对TFP的影响回归分析。选用索洛余值法基于柯布-道格拉斯生产函数计算技术进步效率，在假设规模收益不变的前提下技术进步率代表了全要素生产率。回归结果与原模型相比，人工智能指数AI和农业效率AGRI系数值和显著性没有太大变化，人工智能对食品加工业TFP发生阻碍作用，农业效率起到促进作用。

6 小结与建议

本研究基于2009—2019 年省级面板数据，计算了食品加工业的DEA-Malmquist 指数及分解项，从基础设施投入层和生产应用层构建了智能化指标，并构建农业效率指标，在固定效应模型下实证检验人工智能和农业效率对食品加工业全要素生产率的影响路径，得出结论如下：①2009—2019 年中国食品加工业全要素生产率年均增长4.1%，技术效率变动贡献1.6%，技术进步贡献2.5%，全要素生产率的变动趋势与技术进步高度吻合，全要素生产率的增长率呈波动式下降。其中，2017—2018 年全要素生产率下降幅度较大，主要是规模扩大而技术变化负增长导致。②分经济区来看，南部沿海地区和大西南地区生产率增长最快，而东北地区增长最慢。③在固定个体效应的模型下，人工智能显著促进食品加工业技术进步，却抑制了全要素生产率提高，说明在2009—2019 年的10 年间中国食品加工业存在“生产率悖论”。④农业效率水平正向影响食品加工业技术效率进而促进全要素生产率增长，且回归系数较大。基于此提出以下建议。

1）发挥政策引领、加强顶层设计，赋能食品加工业转型升级。近10 年食品加工业TFP增长速度远低于学者测算的制造业TFP增长速度，2019 年中国食品加工业产值占工业总产值的7.8%，却仍处于大而不强的地位。新常态下，各地政府应加快食品加工业转型升级，推动量质齐增的发展方式，通过技术创新、管理创新提高资源利用效率，改变资源消耗式的增长动力。在现有政策文件的支持下，各地区明确“十四五”时期食品加工业发展方向，落实农产品加工园区规划建设，农业发达地区充分发挥特色农产品比较优势，经济发达地区则积极引进先进生产技术和设备，吸引高技术人才，开拓国内市场畅通国内大循环。全国范围内统筹规划初加工、精深加工和副产品综合利用，实现食品加工业高质量发展。

2）发展人工智能互补性技术，吸引高技术人才。人工智能在现阶段还无法促进食品加工业的生产率提升，但是这种负向影响不会一直持续。食品加工企业应抓住智能制造机遇，充分发挥人工智能的知识溢出和知识创造效应，虽然企业进行人工智能的有形投资和无形投资是昂贵的，在现阶段对生产率的促进作用有限，然而这些通用型的技术和设备可以帮助企业实现互补性创新。企业着重推进经营策略变革、高素质人才培养、管理水平提升，实施技术培训和轮岗制提升工人的高技术设备操作能力。当企业内部配备与人工智能匹配的技术和人才时，这些前期的投资才能够体现在生产率的提高上。

3）加快建设现代农业，保证农产品高效供给。现代农业是中国农业发展的方向。农业现代化是应用现代科学技术、装备、先进管理理念和营销方式，推动传统小农经济向产供销相结合转化，打造一二三产业融合的新型产业，延伸产业链条，促进食品加工业与农业紧密联系进而实现农产品多环节增值。同时，食品加工企业与当地农户采取“产品定制”交易，既为农民创收又保证食品加工企业获得高质量原材料供应。