人工智能渗透、劳动生产率与中国制造业出口韧性提升

李怀政，田晓宇，吴 虹

（1.浙江工商大学 经济学院，杭州 310018；2.贵州黔南经济学院 管理学院，贵州 黔南 550600）

一、问题的提出

在某种意义上，人类社会经济的发展与演进始终暗含着技术创新的驱动。因循这一历史逻辑，兼具通用性与赋能性的人工智能技术的兴起与渗透正诱致着社会分工的变革。近年来，以工序为边界的产品内国际分工日趋复杂化。历经四十多年改革开放与发展，中国制造业已然嵌入全球生产体系，但是由于多边贸易摩擦、新冠肺炎疫情与国际地缘政治冲突的叠加影响与冲击，制造业出口竞争优势越来越受制于出口韧性的强弱。目前，中国正致力于构建“以国内大循环为主体、国内国际双循环相互促进”的新发展格局，面对人工智能（Artificial Intelligence，AI）驱动的第四次产业革命浪潮，人工智能渗透（Artificial Intelligence Penetration，AIP）①由于AI作为通用性和赋能性兼具的一种数字技术，已被广泛应用于各行各业，本文将AI可渗透于产业的特性界定为人工智能渗透（AIP），作为AI的一个衍生概念。水平逐渐提升，制造业是否能够依托数字化、智能化转型实现出口韧性提升攸关产业链供应链韧性与国家经济安全。党的二十大报告明确提出“构建新一代信息技术、人工智能等一批新的增长引擎，促进数字经济和实体经济深度融合，加快建设贸易强国”；同时，指出未来五年中国式现代化建设的主要目标任务之一在于“劳动报酬提高与劳动生产率提高基本同步”，并强调“提升国际循环质量和水平，着力提升产业链供应链韧性和安全水平；以经济安全为基础，推进国家安全体系和能力现代化”。鉴于此，基于劳动生产率的调节，从理论和实证逻辑上探讨人工智能渗透是否能够促进中国制造业出口韧性提升具有较为深远的现代意义。

就历史与现实经验而言，从1956年8月约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Minsky）在达特茅斯会议上提出人工智能的概念，到2022年11月ChatGPT的诞生②ChatGPT 全称为Chat Generative Pre-trained Transformer，是2022年11月30日由美国人工智能研究实验室（OpenAI）推出的一种自然语言处理工具，它依赖于人工智能技术驱动，基于Transformer 神经网络架构，拥有语言理解和文本生成能力。，历经60多年的探索与发展，人工智能技术的开发与应用逐渐渗透到社会经济体系的各个层域，进而对人类生产和生活带来前所未有的变革。随着人工智能的商业价值日益凸显，人工智能也悄然成为中国制造业推动技术革新、转变生产方式的新引擎。2015年5月中国发布《中国制造2025》，此后陆续实施“互联网+”“数字中国”“新型基础设施建设”（简称“新基建”）③2020年4月，国家发展和改革委员会明确界定“新基建”设施包括信息基础设施、融合基础设施和创新基础设施三个方面，主要涵盖5G基站建设、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网七大领域。等重大战略，以及《新一代人工智能发展规划》《“十四五”智能制造发展规划》《“十四五”数字经济发展规划》，这标志着中国工业化与信息化、数字化、智能化融合发展的进程日益加快。据不完全统计，截至2018上半年，中国拥有人工智能企业1 000多家，全球占比达20%左右；同时，人工智能渗透的经济效应也日渐显著，2020年，中国人工智能产业规模达3 031亿元，同比增长15%④本文述及的数据源于2022年9月中国信息通信研究院和京东探索研究院联合发布的《人工智能生成内容（AIGC）白皮书》第4页，以及2021年7月中国互联网协会发布的《中国互联网发展报告》第9页。。然而，严格地说，学术界对于人工智能渗透的出口效应的关注尚不够充分，强化人工智能渗透是否有助于提升制造业出口韧性？人工智能渗透基于何种渠道与逻辑机制影响了出口韧性的提升？人工智能渗透在多大程度上影响了制造业出口韧性的变动？这些问题有待进一步得以较为系统和深入的探索，因而，本文尝试就此进行理论探讨与实证分析。

二、文献回顾

经不完全检索、梳理与回顾，人工智能渗透与制造业出口韧性的关联文献大致呈现三条脉络⑤人工智能是个较为宽泛的概念，不同学科有不同的解释，本文尝试从人工智能渗透视角予以探讨。客观上，直接述及这个概念的文献十分有限，但从实证分析的变量看，本文所选取的文献实质上大多与人工智能渗透问题存在一定关联。，较具代表性的思想和观点如下。

基于第一条脉络的研究主要聚焦于人工智能及人工智能渗透的经济效应。作为经济增长的新引擎，人工智能不断向各行各业渗透（李怀政，2018；吴旭，2022）[1][2]，基于移动互联网普及率的大幅上升、云计算带来的算力成本下降以及算法技术的突破，人工智能快速进入新一轮发展期（陈志等，2022）[3]；随着人工智能技术研发及其应用的深入发展，新产品、新业态与新模式得以不断催生，产业结构、生产方式、生活方式乃至思维方式面临重大变革（隆云滔等，2020）[4]。从宏观层面来看，通过发挥渗透性、替代性、协同性和创造性，人工智能可以促进国民经济高质量增长（蔡跃洲、陈楠，2019；陈彦斌等，2019）[5][6]；通过与实体经济融合发展，人工智能有助于推动传统产业转型升级、新兴产业成长壮大以及生产端与消费端协同发展（任保平、宋文月，2019）[7]；基于劳动替代效应的发挥，人工智能会改变劳动结构（Acemoglu & Restrepo，2018）[8]，就业结构极化现象进一步加深（韩君等，2022）[9]，不过难以准确判断劳动收入份额变动的方向（郭凯明，2019）[10]，但是抑或加剧收入不平等（王林辉等，2022）[11]。从微观层面来看，人工智能可以助推制造业企业升级（付文宇等，2020）[12]，促使企业由传统制造方式向“柔性”生产方式转变（郑琼洁、王高凤，2021；唐晓华、景文治，2021）[13][14]；人工智能不仅可以通过提高生产率、降低生产成本使产品质量得到提升（邓洲，2018；孙早、侯玉琳，2021）[15][16]，而且能够促进企业内部资源优化配置与效益最大化（刘斌、潘彤，2020）[17]，增强技术创新及其技术外溢效应（郑琼洁、王高凤，2021）[18]。

基于第二条脉络的研究主要聚焦于出口韧性的动因。“韧性”的概念最早可追溯到生态韧性、工程韧性与演化韧性思想，出口韧性属于经济韧性的范畴，复杂系统理论通常将“经济韧性”阐释为经济主体通过重新配置其结构以维持现有发展路径或者利用冲击实现经济系统更新的能力（Martin，2012）[19]；由此，“出口韧性”暗含着两重含义：一是出口主体在国际经济循环系统中，面对外界冲击时抵抗风险的能力；二是出口主体在遭受冲击或危机之后，恢复到原有发展路径的能力。一些学者认为，相关多样化的产业结构抑制了出口韧性的提升（贺灿飞、陈韬，2019）[20]；另一些学者通过分析发现市场多元化策略（刘慧、綦建红，2021）[21]和市场相关多样化程度（王文宇，2021）[22]、数字化转型能力（魏昀妍等，2022）[23]、区域创新能力（边丽娜、梅媛，2023）[24]的提高有助于提升出口韧性；也有学者主张，全球价值链嵌入上游度一方面会降低企业抵抗风险的能力，另一方面却能促进企业出口恢复能力的提升（姜帅帅、刘慧，2021）[25]。

基于第三条脉络的研究主要聚焦于人工智能对出口的影响。一些学者认为，人工智能的诞生不仅改变了国际贸易理论模型的特征（Agrawal et al.，2019）[26]，而且驱动了国际贸易政策的变革（Korinek& Stiglitz，2021）[27]；另一些学者主张，人工智能作为一种通用技术有助于提升国际交易中的翻译（Brynjolfsson et al.，2019）[28]、出口销售预测（Sohrabpour et al.，2021）[29]等辅助性工作的效率；还有一些学者的研究发现，人工智能不仅能够通过促进技术创新进而驱动制造业全球价值链攀升（刘斌、潘彤，2020）[17]，还有助于促进出口产品质量（唐青青等，2021；张可云等，2022）[30][31]与出口国内附加值（韩峰、庄宗武，2022）[32]提升。

综上所述，学者们已经对人工智能的出口效应和中国出口韧性的动因给予了较多关注，尽管很少有文献直接探讨人工智能渗透对中国制造业出口韧性的影响，但十分肯定的是，前文一些卓有成效的关联文献在理论框架与分析范式上为本文提供了十分有益的借鉴。与既有的研究相比，本文可能存在的边际贡献如下：其一，较系统地阐释了人工智能渗透对制造业出口韧性的影响机理；其二，通过计量分析从统计学意义上证实了人工智能渗透对中国制造业出口韧性的正向影响及其行业异质性，并进行了机制检验；其三，尝试从人工智能渗透维度为中国制造业出口韧性提升提供些许新的思维触点和政策启示。

三、机理分析与理论假说

（一）基于技术与成本变动人工智能渗透对出口韧性的影响

理论上，人工智能渗透对出口韧性的影响往往存在多重传导路径，其中技术与成本的变动最为关键。制造业人工智能渗透不仅具有较明显的技术创新效应与技术突破特征（金祥义、张文菲，2022）[33]，而且具有资本对劳动的替代效应，即人工智能渗透引致生产及贸易成本的降低。具体而言，存在下述两个方面的机理。

其一，作为通用性技术，人工智能渗透除了不断变革传统的生产、消费及就业模式（陈南旭、李益，2022）[34]，还可以增强企业的创新能力（王磊等，2023）[35]。在生产端，由于人工智能技术具有较强的信息收集及处理能力，刚性生产逐步升级为弹性较大的柔性生产（唐晓华、景文治，2021）[14]，生产模式得以创新；在营销端，企业根据大数据获取和处理用户信息，将被动营销转变为面向目标客户推送产品或服务信息的主动营销，并进一步引导用户消费，助推营销模式创新；在管理端，传统的生产流水线依赖于人工衔接，工人较长时间疲劳工作通常导致出错率递增（刘斌、潘彤，2020）[17]，企业需要投入更多资源来提升管理效率，但基于大数据管理与机器学习，人工智能可以修正生产环节中的潜在出错路径，达到提升生产衔接过程中的管理信息传递质量、推动管理方式创新、提高管理效率的效果（金祥义、张文菲，2023）[36]。进而，企业创新能力的提升使得企业出口产品渐趋多样化，出口韧性不断提升（刘慧、綦建红，2021）[21]。

其二，人工智能渗透改变了劳动力结构。在“机器换人”政策实施过程中，资本积累及其深化产生了劳动力要素的替代效应，这一替代效应直接降低了生产过程中的边际成本（Acemoglu & Restrepo，2020）[37]。基于国际贸易的理论逻辑，边际生产成本的降低有助于企业将出口比较优势逐步转化为出口竞争优势，进而为出口产品质量提升创造条件（唐青青、白东北，2021；周科选、余林徽，2023）[30][38]，而高质量产品的需求价格弹性较小，当遭遇经济波动或外部冲击时，相较于低质量产品而言，高质量产品具有更强的出口韧性。

上述分析显示，在某种意义上，通过技术创新、降低成本与价值创造，人工智能渗透可以提升制造业出口韧性。据此，本文提出如下理论假说之一。

H1：人工智能渗透的强化有助于促进制造业出口韧性提升。

（二）劳动生产率对人工智能渗透影响出口韧性的调节

从本质上说，人工智能渗透是现代信息网络技术对传统产业技术不断替代进而实现智能转型的过程，在这一过程中人工智能通过替代低技能劳动力、辅助高技能劳动力引致劳动生产率的变化，反过来，人工智能渗透对制造业出口韧性的影响通常会受到既定劳动生产率的调节。一方面，人工智能技术的应用有助于创造虚拟劳动力，产生劳动力替代效应，即完全替代重复、简单或常规的人工劳动，或部分替代非重复、复杂或非常规的人工劳动（范晓男等，2020）[39]，换言之，人工智能有助于制造业充分发挥规模经济和范围经济效应，进而提升全要素生产率。另一方面，强化人工智能渗透会直接刺激企业加快技术创新与变革，进而推动企业传统业务流程再造与业态创新，实现数字化转型（郑琼洁、王高凤，2021）[18]，但由于制造业各行业发展阶段与技术密集度不同，自主创新能力、人工智能技术嵌入能力均存在较大差异，因此，行业本身的劳动生产率会影响人工智能渗透的强度和深度，进而制约人工智能对出口韧性的提升作用。根据企业异质性理论可知，劳动生产率较高企业进入国际市场，生产率较低企业面向国内市场或退出市场（Melitz，2003）[40]，即相较于低劳动生产率行业来讲，高劳动生产率行业拥有相对更加先进的工艺流程，出口持续时间更长、出口规模更大及制造自动化、智能化、信息化水平等均相对较高（段连杰等，2023）[41]，由人工智能渗透引致或衍生的出口韧性提升效应较为有限。

上述分析表明，在一定程度上，劳动生产率可能制约人工智能渗透对出口韧性产生的提升作用。据此，本文提出如下理论假说之二。

H2：劳动生产率负向调节了人工智能渗透对中国制造业出口韧性的影响。

概而言之，从理论逻辑上看，提升人工智能渗透水平有助于提升制造业出口韧性，但现阶段这一影响机制受到劳动生产率的负向调节，即劳动生产率较低的行业该影响机制更加明显。

四、实证研究与检验

（一）研究设计

1.样本处理

本文以制造业人工智能渗透对出口韧性的影响为研究对象，考虑到数据的可得性与匹配性，综合考虑联合国《国际贸易标准分类（修订4）》（SITC）、世界海关组织（WCO）制定的《商品名称和编码协调制度（修订4）》（HS07）、中国《国民经济行业分类》（GB∕T4754-2017）与国际机器人联合会（International Federation of Robotics，IFR）公布的全球工业机器人数据库①近年来，IFR全球工业机器人数据库已被广泛应用于经济学研究，该数据库基于ISO标准提供了全球100多个国家或地区的工业机器人相关数据，是目前研究机器人应用比较权威的数据库之一。的统计口径差异，并参照《中国统计年鉴》对制造业细分行业进行了归并与整合，进而形成2008～2019 年中国制造业12 个细分行业144 个样本②参照联合国统计司构建的商品贸易统计数据库（UN Comtrade），结合《国际贸易标准分类（修订4）》（SITC）基本目与《商品名称和编码协调制度（修订4）》（HS07）子目的对应关系，本文所研究的制造业12个细分行业共计隐含3535种商品，具体品类数量为：食品饮料制造业181 种；木材加工和木制品业135 种；橡胶和塑料制品业211 种；医药制造业45种；仪器仪表制造业143种；造纸和纸制品业122种；电气电子制造业296种；非金属矿物制品业298种；金属制品业570种；化学原料和化学制品制造业590种；交通运输设备制造业147种；纺织业797种。的面板数据。

具体而言，12个细分行业为：食品饮料制造业、木材加工和木制品业、橡胶和塑料制品业、医药制造业、仪器仪表制造业、造纸和纸制品业、电气电子制造业、非金属矿物制品业、金属制品业、化学原料和化学制品制造业、交通运输设备制造业、纺织业。其中，食品饮料制造业涵盖HS07第4类中第16至22章的“食品；饮料、酒及醋；烟草、烟草及烟草代用品的制品”，与IFR数据库中“食品、饮料制造业”相对应；木材加工和木制品业涵盖HS07第9类中第44、45章的“木及木制品；木炭软木及软木制品”，与IFR数据库中“木制品业”相对应；橡胶和塑料制品业涵盖HS07第7类中第39、40章的“塑料及其制品，橡胶及其制品”，与IFR 数据库中“橡胶与塑料业”相对应；医药制造业涵盖HS07 第6 类中第30 章的“药品”，与IFR数据库中“药品制造业”相对应；仪器仪表制造业涵盖HS07第18类中第90章“光学、照相、电影、计量、检验、医疗或外科用仪器及设备、精密仪器及设备；上述物品的零件、附件”，与IFR数据库中“医疗、精密、光学仪器制造业”相对应；造纸和纸制品业涵盖HS07第10类中第47、48章的“木浆及其他纤维状纤维素浆；纸及纸板的废碎品纸及纸板；纸浆、纸或纸板制品”，与IFR数据库中“纸品制造业”相对应；电气电子制造业涵盖HS07第16类中第85章的“电机、电气设备及其零件；录音机及放声机、电视图像、声音的录制和重放设备及其零件、附件”，与IFR数据库中“电气电子制造业”相对应；非金属矿物制品业涵盖HS07第5类中第25至27章的“矿产品”及第13类中第68至70章的“石料、石膏、水泥、石棉、云母及类似材料的制品；陶瓷产品；玻璃及其制品”，与IFR数据库中“玻璃、陶瓷、石材、矿产品制造业”相对应；金属制品业涵盖HS07第15类中第72至83章的“贱金属及其制品”，与IFR数据库中“金属制造业”相对应；化学原料和化学制品制造业涵盖HS07第6类中第28和29章的“无机化学品、贵金属、土金属、放射性元素及其同位素的有机及无机化合物；有机化学品”，与IFR数据库中“化学产品制造业”相对应；交通运输设备制造业涵盖HS07第17类中第86至88章的“车辆、航空器、船舶及有关运输设备”，与IFR数据库中“汽车及其他交通工具制造业”相对应；纺织业涵盖HS07第11类中第50至63章的“纺织原料及纺织制品”，与IFR数据库中“纺织业”相对应。

2.数据说明

被解释变量出口韧性的基础数据源于《中国统计年鉴》，核心解释变量人工智能渗透的基础数据源于IFR全球工业机器人数据库与《中国劳动统计年鉴》，控制变量研发密度、技术外溢、外资进入度、出口依存度的基础数据源于《中国科技统计年鉴》与《中国统计年鉴》，调节变量劳动生产率的基础数据源于《中国劳动统计年鉴》。值得重点说明的是，据不完全梳理，目前学术界用以测度人工智能渗透等类似变量的方法主要有下述两种：一是采用海关数据库中的进口机器人数量作为代理变量（Acemoglu & Restrepo，2020；陈东、姚笛，2022；李琴琴等，2023）[42][43][44]，二是基于国际机器人联合会（IFR）发布的机器人安装量和存量指标构建代理变量（金祥义、张文菲，2022；毛其淋、石步超，2022；黄亮雄等，2023）[33][45][46]。但考虑进口机器人数量无法表示企业实际使用与安装的机器人数量，且若以企业为样本研究出口韧性，又派生出样本选择偏差问题，即由于部分企业不具备持续经营与出口的能力被剔除在样本之外，因而排除采用企业维度的进口机器人数量表征人工智能渗透，同时，也暗含着本文选择企业作为样本不够妥当，从而，本文采用第二种方法，即基于IFR机器人安装量和存量等指标，以行业为样本进行数据处理和进一步研究。

3.变量类型、含义及其测度

（1）被解释变量：出口韧性（RES）。本文参考贺灿飞等（2019）[45]提出的出口韧性测算方法，采用抵抗风险冲击能力表征出口韧性。由于2008年全球遭遇金融危机，且金融危机带来的衰退在2009年才开始显现出来，所以本文将2009年作为基年，进而基于各年出口总额与2009年出口总额的偏离度测算不同细分行业的抵抗风险冲击能力，即采用出口偏离度衡量出口韧性，具体公式如下：

式（1）中，exportit和exporti2009分别为i行业t年的出口总额与i行业2009年的出口总额，RESit的值越大，意味着遭受风险冲击时该行业出口总额减少的程度越小，即抵抗风险冲击能力越强，出口韧性越高。

（2）核心解释变量：人工智能渗透（AIP）。在基准回归估计中，本文根据国际机器人联合会（IFR）发布的“国家-行业-时间”层面的工业机器人数据，参考Acemoglu & Restrepo（2018、2019）[8][37]的方法，以工业机器人密度即每千名就业人员操作的工业机器人数量表征人工智能渗透。简而言之，若每千名就业人员操作的工业机器人越多，工业机器人密度越大，制造业人工智能渗透越强。另外，在更换解释变量的稳健性检验中，拟以机器人使用数量（Rob）作为代理变量表征人工智能渗透。

（3）调节变量：劳动生产率（Lp）。考虑到劳动生产率会在一定程度上调节人工智能渗透的出口韧性效应，即由于劳动生产率不同，人工智能渗透对出口韧性的影响机制不同，因此，本文将劳动生产率作为调节变量，以行业当期生产总值与从业人员数量的比值表示。

（4）控制变量：鉴于已有文献的研究结果显示，研发密度（吕迪伟等，2108）[48]、外资进入度（赵新泉，2015；陈海英，2022）[49][50]、技术外溢（范秋芳等，2018）[51]、出口依存度（李亚波、崔洁，2022）[52]等因素对制造业出口韧性乃至人工智能渗透均会产生重要影响，因此，本文选取这些变量作为控制变量。具体而言：研发密度（Rd），用研发支出费用与总出口额的比值表示；外资进入度（Fi），用各行业外商和港澳台地区企业投资销售产值与规上工业销售产值的比值表示；技术外溢（Ts），用新产品销售收入与总销售收入的比值表示；出口依存度（Ed），用总出口额与生产总值的比值表示。

4.变量描述性统计及其相关性分析

本文实证分析的样本量为144个，各变量的描述性统计结果如表1所示。为了避免变量之间的异方差影响回归估计的稳健性，对标准差较大的AIP、Lp及Rob数据进行了取对数处理，记为lnAIP、lnLp及lnRob。从表1可以发现，出口韧性、研发密度、外资进入度、技术外溢、出口依存度等变量的差异性不大，数值均介于0和2之间，其中，技术外溢的标准差最小，仅为0.093；但人工智能渗透变化率、机器人使用数量变动率的数值间存在较大差异，标准差分别达到1.126、1.491。这在一定程度上显示，人工智能渗透变化率、机器人使用数量变动率存在较大波动，而行业技术外溢、外资进入度、出口依存度、研发密度、劳动生产率与出口韧性较为稳定。

表1 变量的描述性统计

为了判断因变量和自变量之间的共变趋势和关联程度，有必要进行变量的相关性分析 ，以便进一步进行基准回归估计。变量的相关性检验结果如表2所示，从该表可以发现，总体上，自变量与因变量之间以及各个自变量之间均存在明显的相关性。但值得注意的是，这也抑或引致变量的多重共线性，为了避免变量之间存在的线性关系引致回归估计结果的较大误差，进行了多重共线性检验，结果显示方差膨胀因子（VIF）平均值为1.80（严格小于10），可以认为解释变量间不存在多重共线性。

表2 主要变量相关性分析

5.模型设定

（1）基准回归模型。结合前文有关影响机理的分析与豪斯曼（Hausman）检验①为了判断是否适合采用固定效应（FE）模型进行面板数据回归估计，有必要进行Hausman检验。由于该检验结果显示，卡方统计值的伴随概率小于0.01，这表明在1%的显著性水平上拒绝了豪斯曼检验的原假设，从而适合采用FE模型进行基准回归。，本文以中国制造业出口韧性为被解释变量，以人工智能渗透为核心解释变量，再加入行业层面的控制变量，进而构建面板数据②面板数据能在一定程度上解决遗漏变量（个体异质性）问题，而且具备针对个体动态行为予以建模的优点。固定效应（FE）模型，就人工智能渗透对制造业出口韧性的影响进行基准回归估计，预设模型如下。

式（2）中，RESit为t年i行业的出口韧性，AIPit为t年i行业的人工智能渗透程度，β0与β1为截距项和核心解释变量回归系数；和βn分别表示四个行业层面的控制变量及其对应回归系数，其中，“n- 1”表示行业层面控制变量的个数，n= 2…m,且m= 5，同时，控制变量具体包括研发密度（Rd）、外资进入度（Fi）、技术外溢（Ts）及出口依存度（Ed）；ωi、ηt分别表示个体（行业）固定效应和时间固定效应①事实上更应该注意时间层面的不可观测因素对结果造成的干扰，但除非样本中行业的时间频繁发生变化，否则加入个体固定效应足以吸收掉大部分的时间层面的不可观测的因素。为此，也在模型中加入了时间固定效应，但发现其对回归结果的影响不够显著，所以本文没有加入时间固定效应。，μit为扰动项②扰动项即随机干扰项，也称随机误差项，一般包括未知影响因素、残缺数据、数据观察误差、模型设定误差及变量内在随机性。。

（2）机制检验模型。为了更好地检验人工智能渗透对制造业出口韧性的影响机制，基于前文理论分析与假说，引入调节变量劳动生产率，进一步构建机制检验模型，如式（3）所示。

式（3）中，lnLpit为调节变量，lnAIPit× lnLpit为调节变量与核心解释变量的交乘项，β2与β3表示调节变量及上述交乘项的回归系数；和βn分别表示四个行业层面的控制变量及其对应回归系数，其中，“n- 3”表示行业层面控制变量的个数，n= 2…m,且m= 7；其余符号的含义与式子（2）相同。另外，若式（3）中回归系数β1与β2均显著，则表明劳动生产率的调节作用存在；若回归系数β1与β2的符号相同，则显示劳动生产率对于人工智能渗透对制造业出口韧性的影响起到了增强作用，即存在正向调节效应，反之，则产生了削弱作用，即存在负向调节效应。

（二）基准回归结果

本文采用逐步回归法依据式（2）进行基准回归估计，结果如表3所示。由表3可以发现，人工智能渗透有助于显著增强中国制造业的出口韧性；研发密度、技术外溢、出口依存度都对制造业出口韧性产生了正向影响；而外资进入度对制造业出口韧性呈现显著的抑制作用，从既有研究来看，这一结果可能源于下述原因：短期内外资进入产生水平溢出效应，而其竞争效应超过示范效应，导致外资企业抢占本土企业市场，压缩利润空间（赵新泉，2015）[49]，即外资进入产生的正外部性更多惠及到了外资企业而非东道国本土企业（陈海英，2022）[50]，进而在一定程度上削弱了制造业总体出口韧性。至此，能够得出结论：人工智能渗透的强化有助于促进制造业出口韧性提升，即理论假说（H1）得证。

表3 基准回归结果

（三）稳健性检验

在回归估计中，如果存在内生性③一般而言，遗漏变量、测量误差及变量互为因果关系是导致内生性的根源，计量经济学家们通常主张借助工具变量将内生变量分离为与扰动项相关和不相关的两部分，从而进一步对不相关（外生）的部分予以回归估计。问题，那么回归估计量将不会收敛到真实的总体参数。加入个体固定效应可以解决部分不随时间变化和不可观测变量引致的内生性问题，为了进一步解决其他方面的内生性，保证基准回归结果的可靠性，本文使用两种方法进行稳健性检验。一是更换计量模型，将解释变量的滞后一期作为工具变量④使用工具变量法解决内生性问题，有必要事先进行弱工具变量检验，以保证工具变量的有效性。为此，本文采取F拇指规则和Cragg-Donald Wald F统计量，针对解释变量滞后一期进行联合检验，结果均拒绝了“存在弱工具变量”的原假设，从而，有理由认为工具变量是有效的。，采用两阶段最小二乘法（2SLS）对基准模型进行重新回归；二是更换解释变量的代理变量，由于前文进行基准回归估计时，解释变量是以工业机器人密度予以表征，从而可能与劳动生产率产生一定的相关性，为排除这一影响，将人工智能渗透的代理变量更换为机器人使用数量（Rob），进而验证原先的基准回归估计结果是否稳健。

首先，将回归估计模型由FE 模型更换为2SLS 模型，其回归估计结果如表4所示。从表4显而易见，在解决内生性问题之后，人工智能渗透对出口韧性的影响仍然显著为正，与基准回归结果一致，说明基准回归模型是稳健的。

表4 更换计量模型后的回归结果

其次，替换解释变量的代理变量后的回归结果如表5所示。从表5可见，除了人工智能渗透的回归系数大小稍有变化之外，系数符号与显著性均与基准回归结果保持一致，同样显示基准回归结果具有稳健性。

表5 更换解释变量代理变量后的回归结果

综上，稳健性检验结果表明：人工智能对出口韧性的提升作用十分显著，即人工智能渗透程度越高，我国制造业出口抵抗外界冲击的能力越强。

（四）异质性分析

本文借鉴郑涛和杨如雪（2022）[51]的分类方法，按照产业技术密集度高低，将制造业十二个细分行业分为高技术制造业、中技术制造业和低技术制造业三类，进行异质性分析①具体而言，高技术制造业是指：交通运输设备制造业、仪器仪表制造业、化学原料和化学制品制造业、医药制造业、电气电子制造业；中技术制造业是指：橡胶和塑料制品业、金属制品业、非金属矿物制品业；低技术制造业是指：木材加工和木制品业、纺织业、造纸和纸制品业、食品饮料制造业。，回归结果如表6所示。从表6可以看出，人工智能渗透对制造业出口韧性的影响具有明显的异质性。具体而言，一方面，人工智能渗透对高技术制造业的出口韧性呈显著的正向影响，这主要是由于人工智能技术在高技术制造业的推广与应用更加深入，人工智能的技术创新、价值创造与技术“活化”效应更加显著，进而增强了高技术制造业出口的抗风险能力、恢复能力与产品竞争力。

表6 异质性回归估计结果

另一方面，表6还显示人工智能渗透对中低技术制造业出口韧性的提升作用并不显著，这可能是由于中技术制造业大多属于传统的资本密集型产业，低技术制造业大多属于传统的劳动密集型产业，这些产业面临的用工成本压力相对较小，大规模推广与引入人工智能的动能不足，人工智能与此类产业缺乏深度融合，基础设施与人工智能技术适配度不高，倘若大幅度强化人工智能渗透抑或引致结构性成本骤升，但产品质量与技术含量难以同步显著提升，反而导致资源配置效率下降，难以促进出口韧性提升。

（五）机制检验

本文以劳动生产率为调节变量，依据式（3）进行调节机制检验，结果如表7第Ⅱ列所示。显而易见，人工智能渗透（变化率）与劳动生产率（变动率）的交互项（lnAIP× lnLp）的系数在5%的水平上显著为负，这在一定程度上说明劳动生产率负向调节或抑制了人工智能渗透对制造业出口韧性的提升作用。换言之，在劳动生产率较高的行业中，人工智能渗透对出口韧性的正向促进作用更弱，而在劳动生产率较低的行业中，人工智能渗透对出口韧性的正向促进作用更强。这可能是因为，劳动生产率越高的行业，其信息化、自动化程度已经相对较高，人工智能引致的技术创新、成本削减与价值创造效应有限，进而导致人工智能渗透对出口韧性的提升作用被削弱；而劳动生产率较低的行业，其产品边际成本通常较高，难以充分发挥规模经济与范围经济效应，但伴随着人工智能技术的应用与渗透，全要素生产率与产品国际竞争力大幅提升，人工智能渗透对出口韧性的提升作用更加显著。由此，理论假说（H2）得证。

表7 调节效应机制检验结果

五、结论与启示

（一）研究结论

本文基于人工智能渗透对制造业出口韧性的影响机理分析提出了理论假说，进而构建行业面板数据计量模型，就人工智能渗透对中国制造业出口韧性的影响进行了实证分析和检验。整合理论与实证研究，得出如下结论：1.人工智能渗透对制造业出口韧性呈现显著的正向影响，人工智能渗透的强化有助于促进制造业出口韧性提升；2.人工智能渗透对制造业出口韧性的影响存在明显的异质性，高技术制造业人工智能渗透显著促进了出口韧性提升，中低技术制造业的这一效应尚未显现；3.劳动生产率负向调节了人工智能渗透对出口韧性的提升作用，对于劳动生产率较高的行业，人工智能渗透对出口韧性的提升作用更弱，但对于劳动生产率较低的行业，人工智能渗透对出口韧性的提升作用更强。

（二）政策启示

其一，进一步促进人工智能与制造业深度融合，助推制造业出口韧性提升。首先，健全智能制造业规制政策体系，通过税收优惠、财政支持、技术研发补贴等鼓励制造企业深化人工智能技术的研发和应用；加快制定并完善人工智能产业技术标准和规范，降低制造业人工智能技术应用与推广的准入门槛，助推制造业数字化、智能化转型升级，进而提升制造业出口技术复杂度与国内附加值率。其次，构建促进人工智能与制造业深度融合的专业人才引进与培养机制，提升制造企业智能化生产和智慧化管理绩效，增强危机意识及其应对能力。

其二，提高企业研发密度和抗风险潜能，提高劳动生产率。首先，完善科技金融与金融科技体系，依托人工智能技术应用与推广，优化金融服务与科技服务，合理设立人工智能专项基金，支持智能制造企业加强研发与自主技术创新。其次，鼓励制造企业研发部门与出口部门深入交流与合作，系统地掌握国外客户消费偏好，聚焦国际市场需求，优化产品研发市场定位，激励员工创新研发思维，营造开放、包容、竞争、合作的企业创新氛围，不断改进和优化研发流程，促进制造业全球创新链升级，增加产品出口国内附加值。

其三，充分利用技术外溢效应，优化劳动就业技能结构。首先，设立人工智能技术转移与推广专项平台，引导龙头企业或优势企业通过技术转移支持中小制造企业逐步实现数字化转型，促进新型数字技术资源优化配置。其次，优化“政产学研金服用”合作机制，鼓励企业聚焦创新网络关键节点开展常态化合作交流，鼓励“头部”企业共享人工智能研发成果和相关技术资源，拓展成长型企业技术交流渠道，推动人工智能科技成果产业化，持续创新企业业态与运营模式，促进劳动就业技能结构升级，应对制造业新一轮技术变革。

其四，在坚定推进高水平对外开放，持续改善营商环境的前提下，合理调控出口依存度与外资进入度①外资引进与利用是把双刃剑，国内外一些经验事实显示，进入度过高或引进质量不高通常会抑制制造业出口韧性，尤其是演化韧性；换言之，外资的引进存在一个安全规制问题，短期内，较高的外资依存度通常会有利于促进出口规模扩大，增进就业，但一旦受到外部冲击，出口韧性可能会受到抑制。，保障产业链供应链安全。一方面，导引和激励本土企业通过工艺、产品、功能和链条升级提高产品出口国内附加值，同时，加强品牌建设，吸引更多国内需求，合理降低制造业对国外需求的过度依赖，使出口依存度保持在合理区间。另一方面，以“共同、综合、合作、可持续”的新安全观为指导，逐步优化外资引进政策，合理调控外资企业的市场准入，重点吸引高技术含量、高附加值、高质量的外资项目，发挥FDI对制造业产业链供应链的强链、补链与延链作用，提升制造业本土企业国内国际双循环地位与出口韧性。