工业智能化能促进企业技术创新吗？——基于中国2010—2019年上市公司数据的分析

音乐·拾间

作者简介：睢博，男，陕西西安人，经济学博士，陕西师范大学国际商学院博士后流动站科研人员；雷宏振，男，陕西渭南人，经济学博士，陕西师范大学国际商学院教授，博士研究生导师。

基金项目：国家自然科学基金面上项目“经济制裁对中国技术创新的影响机制、效果及对策——基于省级面板数据的研究”(72074176)；陕西省2020年创新能力支撑计划项目“陕西营商环境优化与企业技术创新能力提升研究”(2020KRM120)

本文载于《陕西师范大学学报（哲学社会科学版）》2021年第3期专题“经济学研究”。

摘 要：随着数字化和智能化技术的应用，工业智能化成为新一轮科技革命的主要驱动力。依据劳动力结构和融资约束相关理论探究工业智能化对企业技术创新的影响，基于2010-2019年上市公司数据，运用双重差分倾向得分匹配（PSM-DID)实证检验工业智能化对企业创新的影响。研究发现：工业智能化对企业创新产生正向作用且存在时滞性；工业智能化优化了企业劳动力结构，进而促进企业创新水平提升；工业智能化的融资约束机制仅对企业专利授权有显著提升作用且存在时滞性。研究结论具有深刻的政策含义：政府与企业应当通力合作，加强高技能劳动力的培养和引进，提升工业智能转型企业的人力资本。

关键词：人工智能；工业智能化；技术创新；企业技术创新

一、问题的提出 为了实现数字化与实体经济的融合，国务院于2015年首次提出《中国制造2025》战略，全面推进实施制造强国战略。2019年3月，李克强在《政府工作报告》中强调，要围绕推动制造业高质量发展，拓展“智能+”，为制造业转型升级赋能。“十四五”规划指出要“推动数字经济和实体经济深度融合。以数字化转型整体驱动生产方式、生活方式和治理方式变革”。随着实体经济投入数字化怀抱，众多企业拥抱智能化技术。然而，工业智能化的转型困难重重，工业智能化的实施能否真正提升技术创新?工业智能化与技术创新之间的作用机制又是什么?这些问题都需要进一步进行研究。 持续提升企业创新能力是我国实施创新驱动战略的重要保障，已有研究分别从产业政策以及制度保护和产业集聚层面对企业创新的影响进行研究。工业智能化对技术创新影响的研究开始于诸多学者对人工智能的相关研究。目前，人工智能的相关研究主要集中在人工智能对经济增长、就业以及收入分配的影响。在宏观经济增长方面，由于人工智能具有ICT(Information and Communication Technology，即信息和通信技术）的基本技术—经济特征，因此，人工智能通过渗透性、替代性以及协同性等技术特征，实现产业结构升级，进而影响国民经济增长。人工智能还通过“机器学习”不断诱发新的技术进步，改变了劳动力结构和资本积累，促进全要素生产率提升和经济高质量发展。在就业和收入分配方面，以自动化为代表的人工智能对于复杂程度较高的高端就业岗位以及部分低端就业岗位替代能力不强，由此导致中端就业岗位比重相对下降，出现所谓的就业极化。人工智能技术对工作重复性高、创造性低的行业冲击更大。工业智能化通过网络化和信息化，使得劳动力摆脱了重复的劳动。智能化与工业化的结合会对企业内部的劳动力结构产生巨大的冲击，企业使用廉价资本替代劳动力的同时，也加速了劳动力与其他资本的结合程度。工业智能化的实施克服了手工劳动计算的低效率，计算机通过设置好的软件系统进行信息的搜集、分析以及处理，增加信息的搜集和处理能力；也使研发人员摆脱了简单的、重复的数据搜集和处理工作，可以全身心地投入到更加复杂的、高级的研发设计工作之中，企业创新效率显著提升。智能技术对制造业的渗透与改造使得企业的信息共享和处理能力大幅提升，企业之间“认知距离”突破行业和地理的限制，降低了企业创新过程中的信息收集的成本，提升企业创新产出。关于工业智能化的研究方向与人工智能方向大体一致。需要说明的是，按照科技革命理论划分，工业智能化是第三次工业革命的核心，强调以人工智能系统替代人类的脑力劳动，是工业化的新类型及高级阶段。 综上所述，从研究思路来看，已有文献讨论了工业智能化对经济增长以及就业的影响，工业智能化的实施，改变了劳动力结构、提升全要素生产率，进而提升经济增长。上述研究结论暗含一个基本观点：即工业智能化一定引致技术创新。然而，工业智能化转型并非一蹴而就，工业智能化与技术创新之间的关系是什么?工业智能化的实施能否真正提升技术创新?工业智能化与技术创新之间的作用机制又是什么?对于上述问题鲜有提及，涉及企业层面的研究更少。由于中国工业智能化始于2015年，时间维度短，已有研究在宏观层面使用因子分析法测度工业智能化水平，在微观层面则利用企业是否使用工业机器人作为工业智能化的替代变量，缺乏对工业智能化的有效度量。基于以上认识，本文从微观企业视角，利用双重差分法研究工业智能化与技术创新之间的关系，并进一步讨论工业智能化与企业技术创新之间的作用机制，为提高企业创新产出提供依据和建议。 二、研究假设的提出 工业智能化是现代工业在机械化、电气化、自动化的基础上，通过网络化和信息化，实现智能化的过程。在这一过程中，计算机通过设置好的软件系统进行信息的搜集、分析以及处理，进而控制机器进行有序的生产。工业智能化的实施摆脱了手工劳动局限，增加信息的搜集和处理能力，不仅将劳动力从简单重复的工作中解放出来，而且打破了不同行业之间的限制，加速了知识的流动和整合。由此可见，工业智能化的基本特征是实现计算机代替脑力劳动的高级化过程。智能技术的应用有助于企业生产效率的提升，降低生产成本，缓解企业创新过程中面临的不确定性，从而释放内部创新动力，激发企业创新的积极性。工业智能系统在信息搜集广度和处理速度方面比人的脑力劳动更具有优势。在企业进行研发创新时，当研发人员摆脱了简单的、重复的数据搜集和处理工作后，可以全身心地投入到更加复杂的、高级的研发设计工作当中，企业创新效率显著提升。工业智能化代替研发人员从事基础性工作的同时，也扩大了企业对知识的学习和应用能力。然而，传统的产业理论认为知识的学习具有高度地方化的特征，知识的流动仅仅发生在相关联的企业之间，完全不相干的企业之间不会产生知识的共享和外溢。企业之间的“认知距离”可能过大或者过小，难以达到最优的“认知距离”。一定“认知距离”范围内的企业更容易发生的知识的外溢。智能技术对制造业的渗透与改造使得企业的信息共享和处理能力的大幅提升，企业之间的“认知距离”突破了行业和地理的限制，降低了企业创新过程中的信息搜集的成本，提升企业信息搜集的效率。除此以外，工业智能化引起的就业极化现象激发了企业对高技能劳动者的需求，企业的人力资本随之增加。在先进技术和机器设备快速更新的时代，高人力资本劳动者对企业创新的促进作用更为重要。基于此，我们提出假设1：实施工业智能化有利于企业的技术创新。 传统经济理论认为，劳动投入是经济增长的重要动力源泉之一。随着我国进入老龄化社会，人口红利逐渐消失。劳动力市场供给不足引发劳动力市场价格持续上升。劳动力成本的上升迫使企业寻找先进的技术和设备，提高企业生产效率，降低企业成本。一方面，智能技术能够将简单重复的劳动通过计算机程序实现，与工业化的结合对企业内部劳动力结构发生巨大的冲击，企业使用更加廉价的资本替代传统劳动力，工业智能化的劳动力“替代效应”随之发生。企业内部从事一线工作的中技能劳动者在整体就业中的比重不断下降，人们逐步摆脱了重复的低技能劳动，降低了企业低技能劳动力的需求。由于高技能劳动者从事大量复杂的、无序的工作，高技能劳动力受到的冲击反而较小，在整体就业中的占比重逐渐增加。另一方面，工业智能化导致了劳动力“互补效应”。工业智能化加速了劳动力与其他资本的结合程度，工业智能技术的应用促使企业生产人员“干中学”的效果得到加强，研发人员搜寻信息和学习知识的能力大幅提升。在研发投入既定的前提下，高技能劳动者对新知识的学习和应用效果更好，更加适合采用智能技术吸收外界纷杂无序的信息，将其转化为自身所需的技术，生产新的产品。无论是劳动力的“替代效应”还是“互补效应”，都暗含伴随着工业智能化的实施，企业的劳动力结构发生了改变，高技能劳动力在整体就业中占比逐渐增加。基于此，我们提出假设2：实施工业智能化会改变企业的劳动力结构，进而提升企业技术创新水平。 融资约束是影响企业创新的重要因素之一，工业智能化使得企业使用更加廉价的资本代替劳动力，通过数据共享与组织柔性化提高了企业的生产效率，称为工业智能化的“生产力效应”。企业的大部分劳动者从重复性的劳动中释放出来，企业的劳动力成本降低，节约了企业的自有资金，使企业转而投向更加复杂的、高端的技术研发中，缓解了企业在研发过程中的融资约束。除此以外，智能技术的应用将企业价值链中的研发、生产和销售等环节紧密地联系在一起，打破企业在上述环节的地理界限和行业边界，会降低交易费用，促使企业将剩余的资金用于研发。由于知识的流动仅仅发生在相关联的企业之间，采用智能化技术为不同企业之间交流建立了平台，企业可以通过互联网、物联网和云计算进行信息、知识的交换和存储，企业搜寻信息和学习知识的能力大幅度提升，提高了企业的知识溢出水平，降低企业研发过程中的不确定性，缓解企业面临的融资约束，提升企业创新水平。基于此，提出假设3：实施工业智能化缓解了企业的融资约束，进而促进企业技术创新水平的提升。 三、实证分析 （一）变量选取与模型构建 1. 变量的选取第一，被解释变量。借鉴阿塔纳索夫(J.Atanassov)等人以及温军和冯根福的研究，使用企业发明专利申请量和企业当年发明专利授权量反映企业的创新产出。分别记为Patentapply和Patentsq。 第二，解释变量的选取。由于工业智能化的提出较晚，国内工业智能化数据匮乏，采用双重差分法(Difference-in-difference)构建测度指标Zngy_it×d_it。先构建虚拟变量Zngy_i，表示i企业是否实施工业智能化，实施的企业为1，其余为0；d_it表示i企业实施工业智能化的年份，实施年份为1，其余为0。因此，Zngy_it×d_it表示t年工业智能企业是否实施工业智能化转型，1表示实施，其余为0。 第三，控制变量。其一，公司特征变量。使用企业研发投入占营业收入比重表示企业的研发强度，记为Rmd。一般来说，企业规模越大，创新能力越强。借鉴汉森(Hansen)和希尔(Hill)的做法，采用公司总资产的对数值衡量企业规模，表示为Size。使用净资产负债率、流动比率和速动比率反映企业的偿债能力，分别记为Jzcfzl、Ldbl、Sdbl；使用总资产周转率反映企业营运能力，记为Laz；使用主营业务比率和管理费用与营业总收入之比反映企业的成长能力，分别记为Zyywbl、Glfybyysr。其二，行业特征变量。不同的行业具有不同的竞争程度、不同的产品模式和不同的技术升级换代速度，资产规模和企业价值均具有显著差异。因此，为了控制行业差异对企业价值的影响，本文借鉴大卫(David)等的做法，用行业净资产负债率，行业净资产收益率来反映企业的行业特征，分别记为Indus1和Indus2。 2. 模型构建
第一，泊松回归。由于企业专利数据符合泊松分布的假设，普通面板OLS估计会造成研究结果出现偏差，本文使用固定效应计数模型(HHG)验证工业智能化对企业技术创新的影响，其模型的设定形式如下：E（Patent_it | x_i1，x_j1，…，x_iT，c)=E（patent_it | x_it，c_i)
式(1)表示严格外生假定下HHG模型，i代表企业个体，t代表年份。其中，Patent_it为被解释变量，表示企业创新产出，x_it为控制变量。Patent_it服从均值为c_im（x_it，β₀)的泊松分布。 第二，双重差分。考虑到工业智能化对企业创新的影响是一个长期过程，本文采用双重差分法。由于被解释变量为非负整数型数据，本文使用混合截面计数模型进行回归，构建模型(2)：E（Patent_it | x_it，c_i)=exp（β₁zngy_it+β₂d_it+β₃zngy_it×d_it+x_itβ+a_i） 其中，Zngy_it表示i企业是否实施工业智能化，d_it表示i企业实施工业智能化的年份，Zngy_it×d_it表示工业智能化企业是否实施工业智能化转型。由于不同企业实施工业智能化的时间并不相同。因此，本文使用异时性双重差分处理微观企业面板数据，构建模型(3)：E（Patent_it | x_it，c_i)=exp（β₁zngy_it×d_it+x_itβ+a_i） 
为了刻画工业智能化对企业创新的滞后影响，构建包含工业智能化滞后虚拟变量的模型(4)：E（Patent_it | x_it，c_i)=exp(β₁zngy_it×d_it+β₂after1_it+β₃after2_it+x_itβ+a_i) 其中，after1和after2分别表示工业智能化实施的时间滞后1期和滞后2期。 第三，倾向得分匹配。为了处理内生性问题，本文借鉴温军等人的研究方法，采用倾向得分匹配（PSM)方法为每个工业智能化企业匹配适宜的非工业智能化企业，尽可能使工业智能化的选择过程由非随机化向随机化逼近，以减少企业创新水平对选择过程的影响，从而缓解“反事实样本数据”的缺失和内生性问题，保证回归结果的有效性和准确性。 （二）数据来源与描述性统计分析 本文选择沪深两市全部A股上市公司的数据作为研究样本。其中，企业发明专利申请量和专利授权量、企业研发强度指标均来自国泰安数据库，其他上市公司财务指标来自万得数据库。由于上市部分财务指标以及专利数据无法更新到2020年，本文最终选取2010—2019年的上市公司作为研究对象。在样本选取过程中，其一，剔除金融行业数据；其二，为了控制极端值的影响，对模型中的所有连续变量在1%的水平上进行缩尾处理；其三，剔除报告日与首发日的年份差额为负数的样本；其四，剔除资产负债率大于100%的含有奇异值的样本。最终确定的研究观测值为1878个。
表1表示相关变量的统计性描述，企业创新产出分别使用发明专利的申请量（Patentapply）和授权量（Patentsq）表示，企业当年发明专利申请和授权量的均值分别为8.116和11.681，标准差为27.540和37.944，表明企业发明申请和授权专利的变化比较大，企业间创新产出波动比较大；研发投入（Rmd）的均值为3.859，标准差为3.020，表明企业研发投入波动也较大。专利和研发数据的波动反映企业创新行为存在较大的差异。  
（三）基础回归 表1表示工业智能化对企业创新的回归结果，模型(1)—(4)反映工业智能化对企业专利授权的影响。模型(5)—(8)反映工业智能化对企业专利申请的影响。从整体上看，泊松回归的wald统计量和LL统计量结果良好，模型整体的拟合结果良好。模型(1)—(2)反映静态条件下实施工业智能化对企业专利授权的影响。在控制时间效应和个体效应时，模型(1)中Zngy×d的回归系数在1%的水平上显著，然而，Zngy×d的系数为负，表示工业智能化在当期对企业专利授权的影响显著为负。将工业智能化的时间滞后项引入模型(2)中，时间滞后项after1和after2的回归系数均在1%的水平上显著，且after1和after2的系数均为正。模型(2)的结果表明在滞后1期和滞后2期时，工业智能化的实施促进了企业专利授权的增加。模型(3)—(4)分别表示动态条件下工业智能化对企业专利授权的影响，模型(3)—(4)中Zngy×d、after1和after2的回归系数在显著性和方向上与静态实证结果基本一致。比较模型(4)中after1和after2的系数，动态条件下工业智能化对企业专利授权的正向作用在滞后一期最为明显，在滞后二期正向作用逐渐减弱。 模型(5)—(6)反映静态条件下实施工业智能化对企业专利申请的影响。在控制时间效应和个体效应时，模型(5)中Zngy×d的回归系数在1%的水平上显著为正，表示当期工业智能化的实施显著促进了企业专利申请。将工业智能化的时间滞后项引入模型(6)中，时间滞后1期的回归系数均在1%的水平上显著为正，滞后2期的回归系数为正，但是在10%的水平上不显著。比较模型(6)中不同时期工业智能化对企业专利申请的影响，引入工业智能化的时间滞后项之后，工业智能化对企业专利申请的当期正向作用减弱，滞后1期的正向作用最为明显，滞后2期的正向作用并不显著。模型(7)—(8)分别表示动态条件下工业智能化对企业专利申请的影响，模型(7)—(8)中Zngy×d和after1的回归系数在显著性和方向上与静态实证结果基本一致。模型(8)中，工业智能化滞后2期的回归系数为负，且在10%的水平上不显著。比较模型(8)中不同时期的工业智能化对企业专利申请的影响，Zngy×d、after1和after2的系数在动态条件下工业智能化对企业专利申请的正作用在滞后1期最为明显，在滞后2期并不显著，且为负向作用。 从整体上看，工业智能化的实施促进了企业创新，假设1成立。这种正向促进作用在工业智能化实施滞后1期最为明显。值得注意的是，比较工业智能化对企业专利申请和专利授权的影响，工业智能化对企业专利授权的正向作用在滞后1期和滞后2期显著，工业智能化对企业专利申请的正向作用在当期和滞后1期显著。工业智能化对企业专利授权和专利申请影响差异的原因可能是专利授权本身具有一定的滞后性。智能技术的应用使企业员工摆脱了重复的低技能劳动，增强企业吸收知识和应用知识的能力，增加企业间的知识溢出，降低企业研发中的不确定性。工业智能化的应用促进了企业的创新，企业专利申请显著提升。企业的专利申请并不一定最终被认可，只要经过一定的程序审核，被国家专利认定机构认可的专利才能称为专利授权。
 （四）基于倾向得分匹配的内生性处理 使用双重差分（DID）方法分析工业智能化对企业技术创新影响时，存在两个隐含的问题。一是存在“反事实样本数据”缺失。现有数据仅能反映工业智能化实施后的企业创新水平，并不能反映企业未实施工业智能化的情况。二是工业智能化与企业创新之间可能存在一定的内生性。工业智能化的实施可能会影响企业创新，而企业创新的变化，反过来影响企业工业智能化的选择，单纯依靠双重差分方法容易造成结果偏差。为了减少“反事实样本数据”缺失和内生性造成的结果偏差，借鉴温军和冯根福的研究，使用倾向得分匹配（PSM）对工业智能化企业进行匹配，尽可能降低引发结果的偏差，保证回归结果的有效性和准确性。 通过构建影响企业是否实施工业智能化的logit模型，获得处理组和控制组的倾向性得分，按照邻近匹配规则进行一对一匹配。匹配完成后，对变量匹配效果进行检验。表3表示2015年实施工业智能化时处理组和控制组的控制变量变化情况。大部分变量匹配前后的标准化偏差小于10%，不存在显著性差异。值得注意的是，Zyywbl匹配后的标准化偏差有所上升，然而处理组和控制组的标准化偏差上升幅度不大。从整体上看，按照邻近匹配规则进行一对一匹配后，大部分控制变量的实验组和控制组之间差异不在显著，倾向得分匹配效果比较理想。
 使用泊松模型对匹配后的样本进行分析，检验工业智能化对企业创新的影响，结果见表4。表4与基准模型表2的形式一致，比较表3和表4的实证结果，我们发现匹配前后工业智能化对企业创新的影响基本一致。值得注意的是，工业智能化对企业专利授权的滞后1期和滞后2期影响在匹配后均有所增强，而对企业专利申请的影响在滞后2期有所减弱。上述结果表明，在控制影响企业是否实施工业智能化的因素后，对企业专利授权和专利申请的影响存在一定的差异，且这种差异存在一定的时滞性。从整体上看，匹配后工业智能化对企业创新的影响与匹配前无显著差异，工业智能化对企业创新产生了正向促进作用，假设1成立。
 
（五）工业智能化对企业创新影响的作用机制探讨 进一步对工业智能化对企业创新影响的作用机制进行分析，通过对已有文献的梳理和理论分析，本文重点关注工业智能化实施过程中的人力资本机制和融资约束机制。 首先，对劳动力结构进行检验。借鉴阿西莫格鲁（Acemoglu D)等的劳动力分类标准，使用上市公司硕士以上职工人数占企业总人数比重表示企业的劳动力结构。比较不同劳动力水平的工业智能化对企业创新的影响。表5反映劳动力结构作用机制下工业智能化对企业创新的影响。模型(1)—(2)表示劳动力结构作用机制下工业智能化对企业专利授权的影响。在模型(1)中，基期工业智能化的实施对高劳动力水平企业的专利授权产生正向影响，然而工业智能化对低劳动力水平企业创新的负向作用大于前者，因此基期工业智能化对企业专利授权的劳动力结构机制并不成立。同理，在模型(2)中，滞后1期工业智能化对企业专利授权的劳动力结构机制是成立的，假设2成立。基期和滞后2期工业智能化对企业专利授权的作用机制并不成立。依次分析模型(3)和(4)中工业智能化对企业专利申请的影响，模型(3)中，基期工业智能化对企业专利申请的劳动力机制不成立。在模型(4)中，工业智能化滞后1期对企业专利授权的劳动力结构机制是成立的，假设2成立。然而，基期和滞后2期工业智能化对企业专利授权的作用机制不成立。从整体上看，在滞后1期时，工业智能化对企业创新的劳动力结构机制是成立的，假设2成立。
 其次，对融资约束机制进行检验。借鉴吴秋生和黄贤环的研究成果，使用SA指数衡量企业的融资约束。表6反映融资约束作用机制下工业智能化对企业创新的影响。模型(1)—(2)表示融资约束机制下工业智能化对企业专利授权的影响。在模型（1)中，基期工业智能化的实施对高融资约束企业的专利授权产生负向影响，且工业智能化对低融资约束企业的创新的负向作用大于前者。因此，基期工业智能化对企业专利授权的融资约束机制不成立。同理，模型(2)中工业智能化滞后1期和滞后2期时，工业智能化对企业专利授权的融资约束机制成立，假设3成立。依次分析模型(3)和(4)中工业智能化对企业专利申请的影响。模型(3)基期工业智能化对企业专利申请的融资约束机制不成立。在模型(4)中，工业智能化对企业专利申请的融资约束机制均不成立。从整体上看，工业智能化对企业创新的融资约束机制仅对企业专利授权产生作用，且融资约束机制在工业智能化滞后1期和2期存在。
 四、研究结论与政策建议 本文研究了工业智能化对企业创新的影响，研究结论如下：第一，工业智能化对企业创新产生正向作用，且工业智能化存在一定的时滞性；第二，工业智能化的实施会优化企业的劳动力结构，进而促进企业的创新水平提升；第三，工业智能化对企业创新的融资约束机制仅对企业专利授权产生作用，且融资约束机制存在时滞性。针对上述结论，本文提出以下几点建议： 第一，企业在进行工业智能化转型时，需要保持更多的耐心，工业智能化对企业创新的促进作用并非一蹴而就，创新需要一定的周期才能实现；企业需要不断加强高技能人才的引进和培养，为实施工业智能促进企业创新提供智力支持。第二，由于工业智能化的人力资本机制暗含了人力资本积累是工业智能化顺利实施的关键所在，政府应当加大对相关人员的培训，提高劳动者的人力资本水平。第三，政府有针对性地出台有效的金融支持政策，缓解企业在工业智能化转型和研发过程中的融资约束。 总之，通过企业和政府的不懈努力，工业智能化必将推动企业创新水平的提升，为经济高质量发展提供充足的动力。

部分参考文献

本文编辑/陕西师范大学学报编辑部
图源网络，侵权则删

往期推荐

扫码关注我们更多精彩等你来看