工业智能化能否降低企业出口生存风险？——来自中国上市公司的经验证据

马野青，王冠宇，乔刚

（1.南京大学 经济学院，南京 210093；2.南京大学 世界经济研究中心，南京 210093）

0 引言

党的二十大报告指出，为推动高质量发展，需“着力提升产业链供应链韧性和安全水平”。我国是制造业大国，构建了规模大、覆盖全的产业体系，是全球产业链供应链的重要组成部分，但我国制造业总体上仍处于全球价值链的中低端。在全球经济格局演变以及终端消费者需求多样化和定制化程度不断提升的情境中，高成本、低效率的发展短板越来越突出，导致我国产业链供应链韧性还不够强，应对国际风险、争取国际经济话语权的能力也比较弱。在此条件下，为了实现降本增效以及满足终端消费者对产品质量、效率和精度的要求，工业智能化已成为企业主要发展方向［1］。所谓工业智能化，是以5G、人工智能、大数据、物联网等为基础，以智能硬件、自动化设备等为核心，以智能制造、智慧物流等智能技术为应用场景的更高级的工业形态［2］，其本质是以人工智能系统替代人类的劳动，更加强调机器人等智能要素在生产中的作用［3］，是人工智能时代技术进步的物化体现［4］。那么，工业智能化能否成为突破我国现阶段发展桎梏的有效助力，提升产业链供应链韧性与安全水平？对这一问题，学界目前还未给出明确回答。现有研究主要从工业智能化对企业劳动力结构、劳动力收入、企业生产与经营效率等方面进行了讨论，鲜有从韧性与安全水平这一方向进行深入研究。为此，本文利用企业的出口生存能力来衡量在国际市场上的韧性与安全水平，对工业智能化发展能否有效降低企业出口生存风险进行探究。本文旨在为推动工业智能化和降低企业贸易风险等相关策略与政策制定提供重要的理论支撑与充足的启示意义。

1 文献综述

大数据和信息化时代的到来为工业向4.0阶段突破带来了可能。在此背景下，越来越多的学者关注工业智能化发展所带来的影响，相关的研究文献层出不穷。

1.1 工业智能化与劳动力替代

工业智能化主要通过智能机器代替工人执行常规的、可编码的任务［3］，其最直接、最主要的影响是对劳动力的替代，故多数学者从产业结构、就业以及收入等方面对工业智能化进行研究。在产业结构方面，工业智能化会对产业结构高级化和合理化水平产生显著的促进作用［6］，并通过减少低技能劳动者迁入［7］以及改变区域间产业单向梯度转移模式［8］，推动区域产业结构的升级。在就业方面，工业智能化不仅可以增加劳动力需求［9］，还可以产生工人、消费者和公司所有者广泛共享的生产力收益［10］。但孙早和侯玉琳［11］却认为，工业智能化对就业存在“两极化”影响，替代了中等教育程度的劳动力，但提高了低教育程度劳动力的就业。在收入和收入分配方面，ACEMOGLU和RESTREPO［12］研究发现，每千人多一台机器人，工资会降低0.42%。但陈东和姚笛［13］却发现，人工智能机器人应用会提高企业平均工资。周广肃和丁相元［14］基于收入分配视角，发现了工业智能化会通过对劳动力市场中不同群体就业机会和工资水平的异质性影响对整体的收入差距产生作用。

1.2 工业智能化与企业出口

与本文密切相关的另一支文献是关于智能化的出口效应研究。目前该领域的研究前沿主要集中在智能化所带来的出口规模、出口质量、出口增加值、出口技术复杂度、出口产品范围等绩效方面的表现。具体而言，智能化发展能够显著促进企业出口扩张［15］，但是在不同国家、不同机器人功能和不同产品上具有异质性影响［16］。人工智能技术会促进国际贸易交易模式平台化、小宗化，可为中小企业创造更多参与国际贸易的机遇［17］，也会为多产品企业扩大出口产品范围提供机会［18］。智能化水平也会影响贸易主体的贸易质量，智能化水平的提高会通过降低贸易成本、推动技术创新和优化要素配置实现出口产品质量的提高［19］，通过生产工艺优化以及中间投入优化促进企业出口国内技术含量提升［20］，以及通过推动效率优化促进出口国内增加率上升［21］。刘灿雷等［22］从国家层面出发，发现工业智能化发展能通过提升研发创新优势和产业内产品差异化来强化一国制造业整体出口的比较优势。

1.3 工业智能化的非线性影响

工业智能化属于高级生产形态，但当其处于较低水平时，可能无法产生显著的经济效益。贾根良［2］指出，低水平的产业结构与智能化互动能力较差，同时初级阶段的智能化与高技能劳动需求也存在摩擦，故低水平智能化难以实现对固有脑力劳动的替代。BENMELECH和ZATOR［23］的研究也支持这一观点，他们认为小投资规模的机器人对企业的影响是有限的，且从行业和地区的总就业来看，影响幅度也不大。汪前元等［24］研究发现，只有当智能化水平达到创新成果可以顺利转化的时候，才会对低碳经济转型的创新驱动产生显著的促进作用。与之类似，罗良文等［25］同样以低碳经济转型为研究对象，也发现智能化对低碳经济转型存在显著的非线性特征，只有当技术创新跨过一定水平后其促进作用才会凸显。

1.4 工业智能化的测度

既有文献的测度方式主要从地区与行业（企业）两个维度展开。关于地区维度的工业智能化水平测度，孙早和侯玉琳［10］最先基于软件普及和应用、智能化设备投入、信息资源采集能力等情况，用熵值法进行测度。而后汪前元等［24］与王林辉等［26］也参考这一做法选取地区层面的指标进行测度。而微观层面现有文献主要基于机器人的使用程度进行测度。工业机器人作为智能化生产的主要载体，提供了新动能与新手段［27］，同时工业机器人也是自动化技术的代表性成果，故其投入情况在一定程度上能反映智能化水平［6］。基于此，多数学者利用机器人密度衡量行业层面的工业智能化水平，用机器人渗透度来衡量企业层面的工业智能化水平，并以此探究对劳动力结构、创新以及出口的影响［6，28-29］。

1.5 文献简评

虽然现有文献对于理解工业智能化的经济效应提供了多维度的讨论，但少有深入探讨工业智能化的出口安全效应，同时也缺乏对工业智能化与企业出口生存风险之间可能存在的非线性关系的研究。基于此，本文主要的边际贡献体现在：①从智能化生产与企业出口安全视角出发，考察工业智能化如何影响企业出口生存风险；②在异质性企业出口模型的基础之上，构建将工业智能化内部化的一般均衡模型，通过数理推导梳理发现工业智能化影响企业出口生存风险的完整传导链条；③进一步讨论工业智能化对企业出口生存风险存在的阶段性影响，并利用门槛回归模型对这种阶段性影响产生的内在机理进行检验。

2 理论机制

2.1 消费者行为

基于KHANDELWA等［30］的设定，消费者效用取决于所消费产品的质量与数量，并假设产品之间的替代弹性为固定值σ（σ＞1），则消费者的效用函数可以表示为

其中，U表示总效用，xk表示产品k的消费数量，qk表示产品k的消费数量。在效用最大化条件下，消费数量可以表示为

其中，pk为产品k的价格；Y表示消费者的总支出；P为所有产品的综合价格指数，可以表示为

2.2 厂商行为

假定企业的异质性体现在生产率φ方面，一般意义上的企业生产的边际成本（mck）可以表示为

其中，κ为常数，τk为企业出口的冰山成本，即企业销售每单位产品到出口国还必须支付τk-1单位的冰山可变成本。ck为购买一单位生产要素的支付成本。除此之外，企业还需要支付一系列用于满足生产和出口行为的固定成本，用Fk表示。那么，企业出口利润可以表示为

此时，企业的出口利润为

其中，θ=(σ-1)σ-1σ-σ，为一个常数。

2.3 企业出口生存概率

企业能否在出口市场生存取决于在该出口市场上的利润表现，只有当企业的出口收益高于生存的期望临界值时，企业才会在该市场得以生存［31］。具体而言，除了出口成本的约束，企业还面临随机的退出因素ω，该因素服从N(0，ζ2)的正态分布［32］①服从正态分布就说明存在ω＜0的情况，例如部分企业出于战略目的能够接受短暂的利润亏损，则此时ω ＜ 0。，故企业出口生存概率λ*可表示为

其中，Φ(·)为正态分布函数，其值（取决于πk）代表企业的出口生存概率，也反向代表企业出口生存风险，即πk越高，企业的出口生存概率越高、出口生存风险越低。结合式（7）和式（8），可得

2.4 引入工业智能化后的企业出口生存

用I表示企业的工业智能水平，I上升代表企业实现工业智能化。工业智能化主要对企业生产率以及出口产品质量产生影响②一般而言，企业实现工业智能化也要追加对固定资产的投资，从而可能也会对固定成本Fk产生影响。但事实上，工业智能化的实现也会降低对部分劳动力的需求，这也就意味着企业会降低部分雇佣成本和员工培训成本等与人力资本相关的固定成本投入，因此固定成本渠道对企业出口的影响是不明确的，并非严格约束企业出口。基于此，本文重点从企业生产率和出口产品质量两个影响明确且方便量化的渠道来探究工业智能化对企业出口生存风险的影响。当然，即使存在例如固定成本渠道等其他影响渠道，也并不与本文研究内容冲突，更不会反驳本文的核心结论。除此之外，文章在进一步讨论部分探讨了工业智能化发展的阶段性影响，也将验证关于上述关于固定成本之间权衡的猜想。。

首先，基于ACEMOGLU和RESTREPO［12］建立的框架，假定所有生产任务x都属于［N-1，N］的区间构成的一个连续统，延用杨光和侯钰［27］关于推动智能化时的全要素生产率（TFP）表达式，即

其中：e(I)是智能化生产的区间上限，是智能化水平I的增函数，e(I)∈[N-1，N]；φR和φL分别为智能化生产和劳动力生产的生产效率，且智能化带来的自动化生产技术以及信息化管理模式使得φR＞φL［12，18］。从TFP的表达式可以发现，TFP内生于工业智能化水平决定的生产区间，企业智能化水平越高，则越多的任务会被智能化生产，企业TFP也会提升，即

其次，借鉴KUGLER和VERHOOGEN［33］、沈国兵和袁征宇［34］对企业最终产品质量的界定，在生产层面的最终品质量由企业的生产能力和中间品投入质量决定。故企业最终产品质量的决定函数设为

其中：ψ为（高质量）中间投入品的质量水平；δ表示企业生产效率对产品质量的贡献能力，δ(I)＞1；ρ用来度量企业生产效率与中间投入品之间的耦合效应；ε(I)刻画了最终产品质量对中间投入品质量的吸收能力，ε(I)＞1。一方面，工业智能化的发展会促进企业能利用数字要素增强产品功能，进而提高实物商品的价值［35］，另一方面，实现工业智能化的出口企业能够应用数字技术加强对产品生产流程的规范性进行有效监督，进而能实现对产品质量的高效管控［36］。此外，工业智能化能够助力企业实现生产技术向更高复杂度跨越，主要体现在企业在制造最终产品过程中能组装和吸收更高质量中间投入品的技术能力［37］，同时工业智能化可以帮助企业内部的产品设计和生产部门精准把握消费者的真实需求，从而实现高性能产品的投入定制化研发和生产［38］，故ε会受到智能化水平I的影响，且

假定企业分别使用普通和高质量中间投入品进行生产，且生产函数可以表示为

其中，M0与Mh分别为普通与高质量投入品的量，μ为两者之间的产出弹性。若两种质量投入品的价格分别为p0与ph。那么此时式（4）关于企业边际成本函数可以改写为

接着考察中间品市场。为了简化模型，延用KUGLER和VERHOOGEN［33］的假设，即中间品由劳动力要素l生产且单位价格为1。将普通中间品质量单位化为1，则其生产函数可以表示为F0(l)=l，但高质量投入品的生产难度会随着质量要求的提高而增大，故可将质量要求为ψ的高质量投入品生产函数设定为，且ψ＞1。此时两种中间品利润函数为π0=F0(l)p0-lw和πh=Fh(l，ψ)ph-lw。在利润最大化的条件下，可得两者中间品的投入价格分别为p0=1和ph=ψ。此时，企业生产要素所支付的费用为ck=ψμ，将其代入式（7），最终的利润表达式为

将该利润函数对投入品质量ψ求导，并将基于式（6）得到的以及基于式（11）得到的代入式（14），整理后可投入品质量ψ的内生表达式为

再将该式代入式（11），可得企业出口产品质量的决定式为

3 研究设计

3.1 数据来源与处理

本文的数据来源主要分为四类：①测算工业智能化使用的机器人数据来源于IFR统计的全球各国分行业工业机器人统计量，也是目前权威的工业机器人统计数据；②衡量企业出口生存风险使用的企业层面的出口数据来源于中国海关数据库，其详细报告了企业出口到每一个目的国市场的HS8位编码产品的价值量、数量以及贸易方式等信息；③企业特征数据来源于Wind、Choice数据库、CSMAR数据库以及CNRDS数据库；④中国与美国制造业行业层面的数据分别来自《中国统计年鉴》和NBER-CES数据库。

数据处理时，首先借鉴王永钦和董雯［39］的做法，将中国制造业分行业就业人数与IFR统计的工业机器人数据进行匹配；其次，选取中国沪深A股制造业上市公司为研究对象，按照年份、行业等信息将含有上市公司层数的员工人数、经济绩效等指标的数据库与前面得到的机器人数据进行匹配，并将行业层面的数据匹配进去，再按照式（18）进行测算；最后，利用2010—2016年中国海关数据库，依据年份、股票代码等信息匹配企业出口数据，并剔除了样本期内挂牌ST及退市的企业，得到完整的基准研究所需的数据。此外，由于工业和信息化部于2015年遴选出了首批智能制造试点示范项目共46家企业，为了排除智能制造试点示范项目政策的干扰，进一步对样本加以筛选，剔除了宝钢股份、雷柏科技、四川长虹、长安汽车、陕鼓动力、大族激光、东方通信、潍柴动力、天地科技等智能制造试点示范项目企业。

3.2 核心变量测度

3.2.1 被解释变量 采用企业出口产品退出目的国市场的风险率衡量企业出口生存风险（Exitfcpt），将建立贸易关系后下一年不再出口视为生存失败。即，若企业f的产品p在t期出口而t+1期停止出口到目的国c，则表明企业退出，取值为1，反之为0。关于生存风险的数据还存在两个问题。①多个持续时间段。参考陈勇兵等［40］的研究，将同一贸易关系的多个持续时间段视作为相互独立的持续时间段。②样本数据的删失。参考罗胜强和鲍晓华［41］的研究，以2010年与2016年为观察期分别处理左删失和右删失问题。

3.2.2 核心解释变量工业智能化（Intft） 基于研究维度的考虑，本文采用工业机器人渗透度衡量。关于企业层面工业机器人渗透度的测算，借鉴ACEMOGLU和RESTREPO［12］、王永钦和董雯［39］的做法，采用“巴蒂克（Bartik）工具变量”进行测算，具体测算方法为

其中：rsjt表示制造业s行业t年的工业机器人存量，labst=2010表示以2010年为基期的中国制造业s行业的从业人数，这两者的比值刻画了中国制造业在行业层面的机器人渗透度；peofst=2011表示s行业中f企业2011年（基期）生产职工人数占比，Midfst=2011表示2011年制造业所有企业生产职工人数占比中位数，这两者的比值相当于赋予每个企业在行业中的权重。

3.2.3 控制变量（X） 陈勇兵等［40］认为企业的特征变量和出口目的国的特征变量是关系国内企业出口生存的重要因素，且现有研究企业层面的工业机器人对出口影响的文献［19，21］中，控制变量的选取也多源自这两个方面。本文选取了能描述企业规模状况、盈利状况以及人力状况等一系列会直接影响企业出口生存风险以及企业工业智能化的特征变量作为控制变量。除了基本的竞争力要素外，目标国的经济政治稳定情况及对外贸易政策的变化情况往往是企业出口生存的决定性因素，因此，本文也控制了与目的国相关的特征变量。在企业规模状况方面，选取员工人数（Staff）与固定资产净额（Nfa）；在企业盈利状况方面，选取资产收益率（Roa）与资产周转率（Ast）；在企业人力状况方面，选取工资水平（Wage）与劳动资本比（Lcr）；在目的国特征方面，选取目的国的汇率水平（Exrate）、与目的国的经济制度距离（Ed）、与目的国的政治制度距离（Pd）④经济与政治制度距离测算指标分别来源于全球经济自由度指数与全球治理指数，并采用KOGUT和SINGH［42］提出的K&S模型测算。以及是否签订区域贸易协定（RTA）。

本文各指标的具体定义与衡量方法见表1。

表1 主要变量定义Tab.1 Definition of main variables

3.3 计量模型构建

为检验工业智能化对企业出口生存风险的影响，本文构建二值选择模型（Logit模型）进行回归。原因在于，本文被解释变量为二值虚拟变量，相较于普通线性模型，使用该模型得到的估计系数的可解释性较强且具有更强的预测能力。模型具体形式为

其中，f、p、c、t分别代表企业、产品、出口国和年份，Exitfcpt表示企业的出口生存风险，Intft表示企业工业智能化水平，X为一系列控制变量，λt、γfpc分别表示时间（年份）固定效应与个体（企业—产品—目的国）固定效应，εfpct为随机扰动项。

4 实证结果分析

4.1 基准回归结果分析

工业智能化对企业出口生存风险Exitfcpt影响的基准估计结果展示在表2中。其中，列（1）核心解释变量的系数显著为负，且在列（2）和列（3）逐步控制了企业特征状况以及目的国特征状况可能对结果产生的干扰后，发现工业智能化的系数仍显著为负，表明工业智能化总体上会显著降低企业出口产品在目的国市场上的出口生存风险。

表2 基准回归结果Tab.2 Benchmark regression results

4.2 稳健性检验

4.2.1 采用线性面板模型 虽然二值选择模型与本文研究适配度更高，但线性面板模型可以通过组内变换或差分变换来解决二值选择模型无法解决的伴生参数问题。基于此，本文使用线性面板模型进行稳健性检验。结果汇报在表3中，从列（1）和列（2）可以看出，各列中工业智能化的系数均显著为负，表明工业智能化能显著降低企业的出口生存风险，这与基准回归的结果一致。

表3 稳健性检验结果Tab.3 Robustness test result

4.2.2 采用Cloglog生存模型 为了进一步验证基准研究结论的可靠性，本文构建出口企业离散时间Cloglog生存分析模型进行经验研究，具体模型为

被解释变量Cloglog(1-hfpct)越大，则企业出口生存风险越大，生存概率越低。需要说明的是，受限于Cloglog模型固定效应的识别上限，参考李磊等［42］的做法，这里个体固定效应控制了地区、行业和目的国。结果如表3所示，列（3）和列（4）中核心解释变量系数同样显著为负，表明工业智能化能显著降低企业的出口生存风险，与基准回归的结果一致。

4.2.3 采用Kaplan-Meier（K-M）估计 本文采用危险函数对企业出口生存风险的分布特征进行描述，并利用2011—2014年中国工业企业数据库与中国海关数据库合并后的数据进行估计。参考主流做法，将当年进口机器人的企业视为使用工业机器人，否则视为不使用。采用K-M估计，可以从其他估计角度来验证本文核心结论；使用海关数据库也可以缓解使用上市公司这样的大企业样本带来的样本自选择问题。假设企业在第t期生存，持续T期后，在第t+Δt期生存失败的概率ht为

基于式（20），可以得到使用工业机器人的出口企业和不使用工业机器人的出口企业的K-M生存曲线，如图1所示，使用工业机器人的企业出口生存风险要显著小于不使用工业机器人的企业，与核心结论一致。

图1 Kaplan-Meier生存曲线Fig.1 Kaplan-Meier survival curve

4.2.4 采用“企业出口生存”作为被解释变量 对于初次进入国外市场的贸易关系而言，第二年能否持续存在是衡量企业出口关系质量的重要因素。因此，参考孙浦阳和张龑[31]衡量出口生存的办法，只考察首次建立贸易关系的样本，将贸易关系首期建立后的第二年出口额仍然为正视为出口成功生存，否则视为失败，并以此建立“企业出口生存”（Survivalfpct）的虚拟变量为被解释变量。结果如表3所示，可以发现，列（5）和列（6）中核心解释变量系数显著为正，表明工业智能化能有效提高企业的出口生存概率，即降低企业的出口生存风险，与本文的核心结论一致。

4.2.5 排除异常值影响 为排除样本中的异常值对基准回归产生干扰，本文将工业智能化指标在1%和99%分位上进行缩尾。缩尾后的回归结果见表3，列（7）和列（8）汇报的结果显示，排除异常值影响后，核心解释变量的系数符号的方向与显著性与基准回归均基本一致。

4.3 内生性检验

虽然本文在基准回归以及稳健性检验中采用了一系列的固定效应和控制变量来尽可能排除遗漏变量导致的内生性问题，但仍无法排除互为因果造成的内生干扰，因为企业出口生存能力也代表了一定程度的盈利能力，可以反过来帮助企业实现工业智能化。基于此，文章选择使用工具变量法来检验可能存在的这一问题。本文利用日本、德国、韩国以及美国行业层面的工业机器人均值构造工具变量。采用这一工具变量的思想为：一方面，这些国家工业机器人研发与应用引领国际前沿，会对中国机器人的采用产生显著影响；另一方面，这些国家的工业机器人应用对中国国内企业而言是相对外生的。参考王永钦和董雯［39］的做法，工具变量的构造方法为

基于二值选择模型工具变量的使用，采用Probit两步法进行估计，估计结果见表4。其中，列（1）汇报了工具变量第一阶段的回归结果，列（2）汇报了第二阶段回归结果。此外，考虑日德韩美的工业智能化水平可能通过市场竞争间接影响中国企业出口的生存风险，本文做了两方面处理：①去掉出口目的国为日韩德美的样本，进而排除中国企业与这些国家本土企业竞争这一因素的影响；②去掉出口目的国为日韩德美主要贸易伙伴的样本（分别去掉了与日韩德美四国当年贸易量排在前五的贸易伙伴），进而排除中国企业与这些国家出口企业在同一第三方市场竞争这一因素的影响，处理后的第一阶段与第二阶段回归结果分别汇报在列（3）、列（4）。表4显示，列（2）、列（4）中工业智能化系数均在1%的水平下显著为负，表明工业智能化能显著降低企业的出口生存风险，基准回归结论依然成立。接着验证工具变量的有效性，观察工具变量的“相关性”及是否存在弱工具变量问题，借鉴阮荣平等［43］的方法进行判断，根据表4列（1）和列（3）可知，工具变量在1%的显著水平下对工业智能化存在显著影响，且在使用工具变量后，列（2）和列（4）参数的t统计量并没有明显比基准回归的低，故本文不存在弱工具变量问题。

表4 内生性检验Tab.4 Endogenous test

4.4 机制检验

为了完整地验证理论假说，接下来对这两个影响渠道进行实证检验。检验方法采用式（18），将被解释变量替换成企业全要素生产率（TFPft）和出口产品质量（Qualityfpct）。OP法能较好解决同时性偏差和样本选择问题，因此前者用OP方法测算的全要素生产率来衡量［44］，后者采用主流的“剩余价值法”测算的出口产品质量衡量［30］。检验结果见表5。为了尽量缓解可能存在的内生性问题，本文沿用并使用式（21）构建的工具变量，并将使用工具变量后的检验结果汇报在列（2）、列（4）。列（1）、列（2）中工业智能化的系数显著为正，表明工业智能化能显著提高企业的全要素生产率；列（3）、列（4）中工业智能化系数同样显著为正，表明工业智能化能显著提高企业的出口产品质量。由此，验证了本文的理论假说⑤此外，本文也根据温忠麟和叶宝娟［45］提出的中介效应模型进行了逐步回归检验，检验结果也验证了企业全要素生产率和出口产品质量是工业智能化影响企业出口生存风险的主要渠道，具体结果备索。。

表5 机制检验Tab.5 Mechanism test

5 进一步分析：工业智能化的阶段性影响

2010年后，工业智能化在中国兴起，但每个企业的工业智能化发展程度存在显著差异。那么，不同阶段的工业智能化所产生的出口生存效果是否存在差异性？这一问题值得进一步的深究。

从理论上来说，工业智能化主要通过影响企业全要素与出口产品质量两种途径来影响企业的出口生存。首先，对于生产率途径，实现的基础条件是智能化生产的生产效率要大于劳动力生产效率，即φR＞φL。但低水平的智能化与企业产业结构难以实现有效的匹配与良性互动［2］，主要表现在低水平智能化无法实现快速响应优化以及助力企业建立涵盖研发设计、设备生产、传输装配等产品全生命周期的闭环智能化系统等多个方面，因此，在智能化发展初期，使用低水平智能化的生产率并不一定高于使用固有劳动的生产率。回归到模型中，若φR＞φL不成立，则也不成立，即在低水平工业智能化时，企业全要素生产率并不一定随着工业智能化水平的提高而提高。其次，对于出口产品质量途径，实现的基础条件在于最终产品质量对中间投入品质量的吸收能力ε(I)＞1，且其随着工业智能化水平的提高而提高但低水平工业智能化难以助力企业实现生产技术向更高复杂度跨越［24］，高性能产品的定制和研发要求企业在制造最终产品过程中有足够的能组装和吸收更高质量中间投入品的技术能力，而这均难以在低水平的工业智能化条件下实现。若不成立，则无法得出的结论，即在处于低水平工业智能化时，企业出口产品质量并不一定随着工业智能化水平的提高而提高。综上所述，在智能化发展的初期，较低水平的工业智能化对企业出口生存风险的影响有限，只有当工业智能化水平跨过一定门槛值后才能有效降低企业出口生存风险。

实证上，本文利用门槛回归对工业智能化在不同阶段对企业出口生存风险可能存在的异质性影响进行检验。门槛回归的设定形式⑥使用面板门槛回归模型研究前，需要检验门槛效应是否存在以及门槛的数量，本文运用Bootstrap抽样法模拟似然比统计量，并最终根据结果选择单一门槛模型进行估计。为

其中，γ为门槛参数；T（·）是指标函数，其余符号所代表的变量均与前文一致。

门槛回归结果如表6所示。由表6中列（1）可知，工业智能化对企业出口生存影响的门槛估计值为2.182 0，当小于门槛估计值时，系数未通过显著性检验，但当越过门槛估计值后，列（1）中工业智能化系数绝对值显著变大，并由原先的不显著转变为在1%水平下显著为负，说明随着工业智能化的发展，其对企业出口生存风险的抑制作用效果逐渐增强，最终二者呈现倒J形的走向关系。为了探究这一情况出现的内在机理，本文利用企业全要素生产率以及出口产品质量替换式（22）中的被解释变量，进行门槛回归，结果如表6的列（2）和列（3）所示。可以发现，工业智能化对企业全要素生产率与出口产品质量影响的门槛估计值分别为1.572 4和3.173 5。当工业智能化小于门槛估计值时，其系数均不显著，当工业智能化越过门槛估计值后，其系数均明显增大，并由原先的不显著均转变为在1%水平下显著为正。这就说明，工业智能化发展到一定程度才会对企业全要素生产率与出口产品质量产生显著的促进作用，也进一步地解释了工业智能化与企业出口生存风险呈现倒J形的走向关系的内在机理。总而言之，门槛回归的经验结果说明，初期的工业智能化发展对企业出口生存的影响有限，只有当企业工业智能化水平跨过一定门槛值后才能显著促进其全要素生产率与出口产品质量的提高，进而才能有效降低其出口生存风险。这一结论符合前文的理论预期。

表6 门槛回归Tab.6 Threshold regression

6 结论与启示

6.1 研究结论

本文考察了工业智能化对企业出口生存风险的影响及其影响机制，并利用2010—2016上市公司层面的微观数据进行实证检验，研究发现：总体来看，工业智能化能有效降低企业的出口生存风险，且在进行一系列稳健性以及内生性检验后结论依然稳健；工业智能化主要从提高企业全要素生产率与出口产质量两个渠道来缓解企业出口生存风险；进一步利用门槛回归后发现，初期或较低水平的工业智能化发展对企业出口生存的影响有限，只有当工业智能化水平跨过一定门槛值后才能显著促进企业全要素生产率与出口产品质量的提高，进而才能有效降低出口生存风险。

6.2 理论贡献

在研究视角上，目前关于人工智能与出口领域的研究前沿主要集中在智能化所带来的出口规模［15］、出口产品范围［18］、出口质量［19］、出口技术复杂度［20］、出口增加值［21］等绩效方面的表现上，鲜有文献考虑“出口安全”问题。党的二十大报告和中央经济工作会议反复强调“着力提升产业链供应链韧性和安全水平”，在此背景下，“出口安全”问题值得被重视，对该问题的研究具有重要的现实价值。基于此，本文考察了工业智能化对企业出口生存风险的影响，探索出智能化生产如何影响产业链韧性与安全的一般规律，从具有创新性的“出口安全”视角推进了“人工智能与出口”领域的研究前沿。

在研究内容上，构建了一个将工业智能化内部化的理论模型，通过数理推导得出均衡条件下工业智能化水平对企业出口生存风险的影响及具体影响渠道。与传统文献研究智能化与出口关系时大多采用文字性描述相比，本文通过数理模型分析所得到的结论是基于均衡背景下即消费者效用以及企业利润最大化的条件下的企业最优反应，对工业智能化如何影响企业行为提供了更深层次且更可靠的解释。

在研究框架上，现有文献鲜有注意不同阶段的智能化对企业出口行为所产生的异质性影响，也缺少对这种阶段化影响的内在机理分析与实证检验。而本文通过理论与实证相结合的方法对工业智能化的阶段性影响进行了探究：理论方面，在基准分析构建的理论模型的基础之上，进一步通过内在参数分析挖掘出阶段性影响产生的机理；实证方面，利用门槛回归模型对这种阶段性影响进行了有效识别。

在研究方法上，既有文献多数采用机器人进口量作为智能化发展的代理指标［18，20-21］，但这种衡量方式不够严谨，一方面企业进口的机器人不一定均用在自身生产，存在用于加工贸易或进口代理的可能性；另一方面，贸易企业的进口与出口之间关系密切，出口能力也会影响进口状况。而本文以机器人渗透率作为工业智能化水平的代理变量进行研究，可以有效避免潜在测量误差以及严重反向因果问题造成的估计偏误。此外，现有研究主要利用美国机器人水平构建工具变量［28-29，39］，但无论是工业机器人研制前沿国，还是中国工业机器人的主要进口来源地，日本、德国和韩国均领先于美国，故仅利用美国数据容易产生弱工具变量问题。因此，本文使用日德韩美四国机器人水平构建工具变量，实现了更为可靠的内生性检验。

6.3 政策启示

如今世界经济低迷，出口贸易的发展面临严峻的压力。在新一代信息技术浪潮下，推动企业实现工业智能化以提高产业链供应链韧性与安全水平、应对贸易风险至关重要。基于此，一方面企业要深入推进智能化改造，利用AI、5G等数字化技术加快研发智能装备，在装备、生产线智能化的基础上，进一步建设集出口产品研发设计、系统集成、产品制造等于一体的智能化车间，全面实现工艺、生产、质量、能耗等涉及企业生产效率与产品质量的智能优化。另一方面，政府也要完善财政与金融支持政策，在统筹工业与信息化发展财政专项资金的基础上，重点支持对企业智能化改造的服务，适当提高补助标准，根据企业智能化发展对融资的需求，完善专项信贷政策，创新金融产品等。同时，为企业智能化发展提供服务平台，牵头打通关于供应、生产以及管理的数据共享，为企业智能化决策提供支撑。

6.4 研究局限与展望

囿于数据可得性，本文使用的是上市公司样本，没有考虑小企业的智能化与出口情况，因此研究结论在小企业的适用性上有待进一步明确考证。同时，虽然本文通过门槛回归对企业智能化的成本投入与成本节约的动态权衡给予一定的解释，但具体的成本变化情况还需要更明确的测度与更加严谨的实证分析，后续研究可对此进行深入探讨。