人工智能技术对制造业企业全要素生产率的影响研究

The Impact of Artificial Intelligence Technology on Total Factor Productivity in Manufacturing Enterprises

摘要: 在数字经济与中国制造业转型升级深度融合的背景下，人工智能(AI)已成为驱动制造业高质量发展的关键力量。本研究基于2010~2023年沪深A股制造业上市公司数据，运用固定效应模型，实证检验了AI技术对企业全要素生产率(TFP)的影响及其机制，并探讨了地区数字经济发展水平的异质性作用。研究发现：1) AI技术显著提升了制造业企业全要素生产率，该结论经一系列稳健性检验后依然成立；2) 机制分析表明，AI技术不仅通过促进技术创新，还通过增强组织韧性——即企业应对内外部冲击的适应与恢复能力，进而提升TFP；3) 异质性分析显示，AI对TFP的促进作用在数字经济发展水平较高的地区更为显著，表明良好的区域数字生态有助于强化AI的赋能效应。本研究为政府与企业制定AI赋能策略提供了理论依据与经验支持。

Abstract: Against the backdrop of the deep integration of the digital economy and the transformation and upgrading of China’s manufacturing industry, artificial intelligence (AI) has become a key driver of high-quality development in manufacturing. Based on data from manufacturing listed companies on the Shanghai and Shenzhen A-shares markets from 2010 to 2023, this study employs a fixed-effects model to empirically examine the impact of AI technology on firms’ total factor productivity (TFP) and its underlying mechanisms, while also exploring the heterogeneous role of regional digital economy development levels. The findings indicate that: 1) AI technology significantly enhances the TFP of manufacturing firms, a conclusion that holds after a series of robustness tests; 2) Mechanism analysis shows that AI boosts TFP not only by promoting technological innovation but also by strengthening organizational resilience—i.e., the ability to adapt to and recover from internal and external shocks; 3) Heterogeneity analysis reveals that the positive effect of AI on TFP is more pronounced in regions with higher levels of digital economy development, suggesting that a robust regional digital ecosystem can amplify the empowering effect of AI. This study provides theoretical foundations and empirical evidence for governments and enterprises in formulating AI-enabled strategies.

1. 引言

在数字经济与中国制造业转型升级深度融合的背景下，人工智能(Artificial Intelligence, AI)技术已成为驱动制造业高质量发展的新引擎。全要素生产率(Total Factor Productivity, TFP)是衡量制造业高质量发展的关键指标。尽管现有研究广泛探讨了数字化转型对全要素生产率的整体影响，但针对人工智能技术这一核心驱动力如何影响制造业企业全要素生产率，其内在作用机制仍是一个亟待打开的“黑箱”。

现有研究虽肯定了人工智能的积极经济效应，但多将其置于宽泛的数字化转型范畴内，缺乏对其独立影响及内在机理的精细考察。具体而言，现有文献未能系统揭示人工智能技术通过何种中介路径影响企业效率，也较少关注外部数字生态在其中扮演的角色。

为弥补上述研究空白，本文构建一个整合性的理论框架，旨在深入探究以下核心问题：1) 人工智能技术是否影响制造业企业全要素生产率？2) 人工智能技术是否以及如何通过技术创新影响制造业企业全要素生产率？3) 人工智能技术是否以及如何通过组织韧性影响制造业企业全要素生产率？通过厘清上述机理与路径，本研究为理解和优化人工智能技术的赋能效应提供了新的理论视角与经验证据。

2. 理论基础与研究假设

2.1. 人工智能技术对制造业企业全要素生产率的影响

人工智能技术作为推动制造业数字化转型的核心力量，能够通过提升生产效率、优化资源配置和推动技术创新，显著提高企业的全要素生产率。

根据资源基础理论，企业的竞争优势来源于其独特、稀缺且难以模仿的资源。在人工智能的背景下，人工智能技术本身被视为一种关键资源，通过有效的资源整合，企业可以提升生产率。例如，人工智能技术能够优化生产过程中的资源配置、提高劳动和资本的利用效率，从而显著提升全要素生产率。

动态能力理论强调，企业能够通过整合和重组内部资源以适应外部环境的变化。在人工智能技术的应用中，企业的动态能力体现在如何快速应对技术变化、有效整合人工智能技术，并通过持续的创新保持竞争力(Teece et al., 1997) [1]。制造业企业如果能够在人工智能技术应用中具备较强的适应性和灵活性，就能更好地提升生产效率，推动全要素生产率的提升。

技术创新理论则强调，技术创新是推动经济增长和企业竞争力提升的重要驱动力。人工智能技术不仅能够推动产品和工艺的创新，还能够在生产过程中的每一环节优化资源配置，提高生产效率。通过引入人工智能技术，企业能够不断推动生产过程的智能化、自动化，不仅提升现有产品的生产效率，还能开辟新的市场机会，从而进一步提升全要素生产率。

在此基础上，本文提出如下假设：

H1：人工智能技术可以提高制造业企业全要素生产率。

2.2. 技术创新的中介效应

技术创新理论认为，创新是推动企业生产效率和经济增长的核心动力(Schumpeter, 1942) [2]。在研发流程方面，人工智能等数字化技术能够帮助企业实现研发过程的可视化，从而提升研发的精准度(陈剑等，2020) [3]，人工智能技术还能够精准识别用户需求，推动产品研发从经验驱动向数据驱动的转型。这种转变有效减少了技术创新的不确定性，增强了企业的创新驱动力，并激发了企业在创新方面的积极性。另一方面，人工智能技术的应用推动企业突破了行业和地理限制，有效缩短了企业的“认知距离”，显著提升了数据收集和信息处理的能力，这不仅大幅降低了研发过程中的信息成本，还提高了研发产出的效率(黄蕊等，2020) [4]。人工智能技术解放了企业员工，使其摆脱了简单、重复和低效的程序化工作，并雇佣了更多高技能劳动力从事更复杂和高级的研发设计任务，从而显著提高了企业的创新效率和研发产出(韩江波，2017) [5]。显而易见，人工智能技术的应用在推动企业技术创新方面起到了重要作用，例如显著提高了企业的发明专利数量或绿色发明专利数量(齐绍洲等，2018) [6]。技术创新能力的提升直接决定了企业的核心竞争力，同时为企业全要素生产率的提升奠定了坚实的技术基础。

基于以上分析，本文提出如下假设：

H2a：人工智能技术可以通过促进技术创新来提高制造业企业全要素生产率。

2.3. 组织韧性的中介效应

组织韧性是指企业在面对外部环境变化或危机时，能够有效应对、调整和恢复的能力。动态能力理论指出，企业在不确定的环境中，依赖于自身的动态适应能力来维持竞争力(Teece et al., 1997) [1]。人工智能具备感知、学习、推理、规划和语言理解的技术特征，能够帮助构建敏捷的风险管理系统，通过加强自我调节，对内外部冲击实现快速响应与干预，开发和灵活运用内部资源，降低企业生产运营的风险，提高组织韧性(张树山和董旭达，2024) [7]。这种增强的组织韧性使企业在应对市场波动、技术变化或突发危机时能够更灵活地调整资源和生产流程，避免生产中断或资源浪费，进而提升全要素生产率。

企业除维持危机后的短期盈利外，还需不断调整经营策略以适应环境变化，构建长期增长能力和实现可持续发展的竞争优势。AI技术能够通过数据分析、模型预测等方式帮助企业掌握市场动态信息，做出高效的经营决策(姚加权等，2024) [8]。AI技术还能协助研发人员处理重复性、复杂且高风险的工作任务，使其将更多精力投入到创造性工作中，进而构建长期发展的竞争优势(诸竹君等，2022) [9]。

基于以上分析，本文提出如下假设：

H2b：人工智能技术可以通过提升组织韧性来提高制造业企业全要素生产率。

3. 研究设计

3.1. 样本选取及数据来源

为克服行业异质性以及考虑到相关数据的可获得性，本研究选取沪深A股制造业上市公司作为研究对象，选取2010年到2023年的企业数据为研究样本，连续十四年的样本数据保证了研究数据的连续性，作为本文实证研究的基础样本。

为确保实证结果的可靠性，本研究对收集的数据作如下处理：1) 为避免IPO效应，剔除至2010年末上市不满2年的样本；2) 剔除所有处于ST、*ST、PT状态和已退市公司；3) 剔除数据存在缺失的样本；4) 对所有连续变量进行1%和99%的缩尾处理，消除极端值对实证分析的影响。经以上处理后，本研究获得了包含2502家制造业企业的样本数据集，该数据集的样本观测值共有18,836个。

3.2. 研究变量的设置

3.2.1. 被解释变量的设置

被解释变量为企业的全要素生产率(TFP)。论文在借鉴鲁晓东和连玉君(2012) [10]研究基础上，使用LP方法和GMM方法。

在考虑多种因素后，本研究首要选择了LP方法来估算全要素生产率，选择中间投入作为代理变量，解决了OP法存在的问题。参考孙阳阳和丁玉莲(2021) [11]的研究，本文采用LP法构建对数形式的Cobb-Douglas生产函数：

$Y_{it}={\lambda }_0+{\lambda }_1{L}_{it}+{\lambda }_2{K}_{it}+{\lambda }_3{M}_{it}+{\epsilon }_{it}$

其中，变量均采用原值加一然后取对数的方法，Y代表总产出，以企业主营业务收入(百万元)衡量；L代表劳动投入，以企业员工人数衡量；K代表资本投入，以企业固定资产净额衡量；M代表中间投入，用企业购买商品、接受劳务支付的现金(百万元)衡量。控制年份和个体固定效应回归，以残差ε_it估计企业全要素生产率。

此外，本文采用GMM方法再次估算企业的全要素生产率，进行稳健性检验。

3.2.2. 核心解释变量的设置

核心解释变量为人工智能技术(AI)。本文使用目前人工智能技术研究中较为普遍的文本分析法，将人工智能技术相关关键词出现的频率作为人工智能技术的衡量指标。

本文参考吴非等(2021) [12]的研究做法，选取其细分类别中的人工智能技术维度，参考罗进辉和巫奕龙(2021) [13]的度量方法，借鉴其在吴非等(2021) [12]的基础上进行相似词扩充后的关键词词集，构建人工智能技术特征词库。

本研究选取沪深A股制造业上市公司2010年至2023年的年度财务报告，利用Python爬虫技术进行搜索、匹配和词频计数。此外，由于在个别企业年报中可能会出现人工智能技术的词频为零，为避免信息缺失以及为进一步减少误差，本研究对汇总后的词频数值进行加一取对数处理，从而生成用于衡量人工智能技术的指标(AI)。

3.2.3. 中介变量的设置

依据前文分析，本文将技术创新与组织韧性作为中介变量纳入回归分析。

1) 技术创新(IPA)

技术创新水平的度量上，国内外对创新的考察主要是从创新投入与创新产出两方面进行度量，以衡量企业创新意愿与创新成果。本文基于创新产出的角度，从中国研究数据服务平台(CNRDS)的创新专利研究(CIRD)数据库中，对企业当年独立申请的发明数量加一取对数来衡量企业技术创新水平。

2) 组织韧性(OR)

本研究借鉴了张少峰等(2023) [14]的做法，通过评估组织在面对环境变化时的财务绩效稳定性来衡量其韧性水平。

具体而言，这一评估包括两个测量维度：长期绩效增长和财务波动。其中，长期绩效增长的指标为三年内的累计销售收入增长额，由于该数据量级较大，本研究选择以十亿元为单位，进而加一取对数。而财务波动则需要先导出考虑现金红利再投资的月个股回报率，在考虑停牌等原因造成的零值与空值影响的条件下，计算一年内每月股票收益的标准差，并以此来作为衡量指标。在此基础上运用熵权法确定各财务指标的客观权重，得到长期绩效增长和财务波动的加权结果。

所有的变量定义如表1所示：

Table 1. Variable definitions

表1. 变量定义表

变量类型	变量名称	变量符号	变量定义说明
被解释变量	全要素生产率	TFP	LP法测算，稳健性检验采用GMM法
核心解释变量	人工智能技术	AI	ln(相关关键词词频 + 1)
控制变量	企业规模	Size	ln(年末总资产 + 1)
	上市年龄	Age	ln(当年年份 − 上市年份 + 1)
	股权集中度	Top1	年末第一大股东持股比率
	两职合一	Dual	董事长、总经理两职合一取1，否则取0
	独立董事比例	Rindir	独立董事人数与董事会总人数之比
	董事会规模	Board	ln(年末董事会人数 + 1)
	资产负债率	Lev	年末总负债与总资产的比值
	总资产收益率	ROA	当年净利润与平均总资产的比值
	成长性	Growth	当年较上年营业收入的增长率
中介变量	技术创新	IPA	ln(当年发明专利申请数 + 1)
	组织韧性	OR	使用熵权法加权结果

3.3. 模型构建

3.3.1. 基准回归模型

为了检验人工智能技术对制造业企业全要素生产率的影响，本文构建了如下的双向固定效应模型进行基准回归分析：

${\text{TFP}}_{it}={\alpha }_0+{\alpha }_1{\text{AI}}_{it}+{\alpha }_2{\text{Controls}}_{it}+\text{Industry}+\text{Year}+{\epsilon }_{it}$ (1)

被解释变量为企业全要素生产率(TFP)，核心解释变量为人工智能技术(AI)。模型中引入行业(Industry)和年份(Year)固定效应，以此缓解遗漏变量导致的内生性问题。考虑到模型残差项在企业内部可能存在自相关，而在企业间存在异方差，所有回归均使用在公司层面聚类的稳健标准误，这一处理使得假设检验更为保守和可靠。

3.3.2. 中介效应模型

为进一步研究人工智能技术对于制造业企业全要素生产率可能存在的作用机制进行中介效应检验，探究人工智能技术能否通过促进技术创新、提升组织韧性进而提升企业全要素生产率，参考温忠麟和叶宝娟(2014) [15]的研究思想，运用逐步回归的方法进一步建立如下回归模型：

${\text{Med}}_{it}={\beta }_0+{\beta }_1{\text{AI}}_{it}+{\beta }_2{\text{Controls}}_{it}+\text{Industry}+\text{Year}+{\epsilon }_{it}$ (2)

${\text{TFP}}_{it}={\gamma }_0+{\gamma }_1{\text{AI}}_{it}+{\gamma }_2{\text{Controls}}_{it}+\text{Industry}+\text{Year}+{\epsilon }_{it}$ (3)

4. 实证分析

4.1. 描述性统计

表2汇报了本研究所有变量的描述性统计结果。由表可知，所有变量均包含18,836个观测值，且无严重缺失或极端异常值，满足回归分析的基本要求。

从核心变量来看，被解释变量全要素生产率(TFP)的均值为3.95，标准差为0.86，最小值为−1.08，最大值为7.62，反映出不同企业间的生产效率存在较为明显的差异，且整体水平仍有较大提升空间。核心解释变量人工智能技术(AI)的均值为1.72，标准差为1.31，分布区间为0至5.52，表明样本企业人工智能应用水平存在较大差距，且仍有部分企业尚未引入人工智能技术，其背后的动因与障碍值得深入探讨。

总体来看，各项变量的分布特征与现实经济情境基本吻合，数据质量良好，可为后续实证分析提供可靠基础。同时，企业间在人工智能应用、生产效率、规模及治理结构等方面的差异，也为研究人工智能技术对制造业企业全要素生产率的影响提供了良好的样本变异基础。

Table 2. Table of descriptive statistics

表2. 描述统计表

变量名称	观察值	平均值	标准差	最小值	最大值
TFP	18,836	3.950	0.860	−1.080	7.620
AI	18,836	1.720	1.310	0	5.520
IPA	18,836	2.390	1.540	0	7.080
OR	18,836	0.700	0.120	0	0.990
Size	18,836	3.810	1.140	1.370	7.550
Age	18,836	2.240	0.670	1.100	3.530
Top1	18,836	0.330	0.140	0.080	0.790
Dual	18,836	0.290	0.460	0	1
Rindir	18,836	0.370	0.0500	0.140	0.670
Lev	18,836	0.410	0.200	0.050	1.170
ROA	18,836	0.040	0.0700	−0.330	0.290
Growth	18,836	0.150	0.360	−0.600	5.950
Board	18,836	2.230	0.170	1.790	2.770

4.2. 相关性分析

表3报告了本研究所有变量的Pearson相关系数矩阵结果，初步揭示了变量间的两两线性关系。

核心解释变量人工智能技术(AI)与被解释变量全要素生产率(TFP)在1%的水平上显著正相关(系数为0.08)，初步支持了人工智能技术有助于提升制造业企业生产率的假设，为后续回归分析提供了基础支持。

两个中介变量技术创新(IPA)和组织韧性(OR)均与被解释变量全要素生产率(TFP)显著正相关(系数分别为0.43和0.44，均在1%水平上显著)，且它们与核心解释变量人工智能技术(AI)也存在显著正相关关系，这初步符合中介效应发挥作用的基本路径，暗示人工智能技术可能通过促进技术创新与增强组织韧性进而影响全要素生产率。

Table 3. Correlation analysis

表3. 相关性分析

TFP

AI

IPA

OR

Size

Age

Top1

TFP

1

AI

0.08***

1

IPA

0.43***

0.33***

1

OR

0.44***

0.07***

0.23***

1

Size

0.78***

0.09***

0.53***

0.37***

1

Age

0.34***

−0.13***

0.12***

−0.01

0.39***

1

Top1

0.15***

−0.05***

0.01

0.09***

0.14***

−0.08***

1

Dual

−0.10***

0.12***

−0.02***

0

−0.11***

−0.24***

−0.02***

Rindir

−0.01*

0.07***

0.03***

0.01

0

−0.07***

0.06***

Lev

0.37***

−0.01*

0.18***

0.07***

0.42***

0.31***

0.01

ROA

0.20***

0

0.06***

0.28***

0.06***

−0.15***

0.13***

Growth

0.12***

−0.01

0.03***

0.22***

0.04***

−0.08***

0.02**

Board

0.17***

−0.13***

0.09***

0.08***

0.23***

0.19***

−0.01

Dual

Rindir

Lev

ROA

Growth

Board

Dual

1

Rindir

0.11***

1

Lev

−0.10***

−0.02***

1

ROA

0.03***

−0.01

−0.36***

1

Growth

0.02***

−0.01

0.04***

0.27***

1

Board

−0.19***

−0.53***

0.14***

0.02***

0.01

1

注：*、**、***代表的显著性水平分别是10%、5%、1%。

4.3. 回归结果分析

4.3.1. 人工智能技术对制造业企业全要素生产率的基准回归

Table 4. Baseline regression results

表4. 基准回归结果

变量	(1)	(2)
	TFP	TFP
AI	0.0768***	0.0169**
	(5.7458)	(2.2425)
控制变量		控制
观测值	18,836	18,836
Adjusted R-squared	0.1287	0.6810
行业固定	YES	YES
年份固定	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

人工智能技术(AI)对企业全要素生产率(TFP)影响的基准回归结果如表4所示。本文采用了双向固定效应模型，且所有回归均在个体层面进行了聚类调整标准误，以确保推断结果的可靠性。

根据第(1)列结果，AI的系数为0.0768，在1%的水平上高度显著。在第(2)列中，我们进一步引入了一系列控制变量，AI的系数仍保持在0.0169，且通过5%水平的显著性检验。说明AI对TFP的促进效应具有较好的稳健性，主假设H1由此获得初步支持。

4.3.2. 技术创新的中介效应

表5汇报了以技术创新(IPA)为中介变量的中介效应回归结果。第(2)列中，AI对IPA的系数为0.1826，在1%水平上高度显著，说明AI技术的应用确实能够有效促进企业技术创新水平的提升。第(3)列同时引入AI和IPA后，IPA在1%水平上显著为正，而AI的显著性水平减弱至10%，这表明技术创新在AI影响TFP的过程中发挥了部分中介作用。

这一研究结果揭示了技术创新作为关键中介渠道的内在机制，说明人工智能技术不仅直接优化生产过程，还通过激发企业创新活力间接推动生产率增长。

Table 5. Mediating effect of technological ınnovation

表5. 技术创新的中介效应回归结果

变量	(1)	(2)	(3)
	TFP	IPA	TFP
AI	0.0169**	0.1826***	0.0126*
	(2.2425)	(10.5128)	(1.6749)
IPA			0.0235***
			(3.1247)
控制变量	控制	控制	控制
观测值	18,836	18,836	18,836
Adjusted R-squared	0.6810	0.4489	0.6819
行业固定	YES	YES	YES
年份固定	YES	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

4.3.3. 组织韧性的中介效应

Table 6. Mediating effect of organizational resilience

表6. 组织韧性的中介效应回归结果

变量	(1)	(2)	(3)
	TFP	OR	TFP
AI	0.0169**	0.0024***	0.0145**
	(2.2425)	(2.6761)	(1.9671)
OR			0.9869***
			(15.9130)
控制变量	控制	控制	控制
观测值	18,836	18,836	18,836
Adjusted R-squared	0.6810	0.3401	0.6939
行业固定	YES	YES	YES
年份固定	YES	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

以组织韧性(OR)为中介变量的中介效应回归结果如表6所示。第(2)列中，AI对OR的系数在1%水平上高度显著为正。第(3)列同时引入AI和OR后，OR的系数在1%水平上显著为正，而AI的的显著性水平仍保持在5%，这表明组织韧性在人工智能影响全要素生产率的过程中发挥了部分中介作用。

这一研究结果揭示了组织韧性作为关键中介渠道的内在机制，说明人工智能技术可以通过增强企业应对内外部冲击、适应环境变化的组织能力间接推动生产率增长。

4.4. 内生性与稳健性检验

4.4.1. 内生性检验

1) 倾向得分匹配

由于企业是否引入人工智能技术往往并非随机决策，而是受到其经营状况、资源禀赋、技术基础及外部环境等多重因素的综合影响，样本可能存在系统性差异，从而导致估计结果出现选择性偏误。为缓解这一内生性问题，本文借鉴杜传忠等(2024) [16]的处理思路，采用倾向得分匹配法(PSM)对样本进行预处理，再对匹配后的样本进行固定效应回归。

与以往研究通常基于是否应用人工智能技术进行分组不同，本文进一步考虑了技术应用的强度差异。我们依据企业人工智能技术应用水平的年度平均值，按年份进行动态分组：若企业在该年度的人工智能应用程度高于同年全样本均值，则将其视为高应用组，定义处理变量(Treat)取值为1；反之，若低于年度均值，则划分为低应用组，处理变量取值为0。这一分组方式能够更好地区分技术应用的强度效应，并控制时间层面上的共同变化趋势。

本研究采用一比一近邻匹配方法进行样本匹配，并剔除共同支持域以外的异常样本。匹配后平衡性检验结果如表7所示。

匹配前，处理组与对照组在多方面特征变量上存在显著差异，绝大多数变量的标准化偏差绝对值高于10%，且T检验在1%水平上拒绝平衡原假设。经过PSM匹配后，所有变量的标准化偏差(% bias)均大幅下降，全部低于5%的稳健标准，且T检验结果均显示组间差异在统计上不显著(p值均大于0.1)。同时，绝大多数变量标准误绝对值下降幅度均超过50%，部分变量甚至达到90%以上，表明匹配显著降低了组间系统性差异。图中偏差变化和共同支持域分布也进一步表明，匹配后样本特征变量分布平衡良好，匹配效果满足后续分析要求。

表8汇报了使用倾向得分匹配(PSM)处理样本选择性偏差后的回归结果。为缓解自选择问题，本文首先采用1:1近邻匹配对处理组(高应用组)和对照组(低应用组)进行匹配，并在此基础上重新估计模型。

如第(2)列所示，在采用PSM匹配后的样本中，AI的系数为0.0191，仍在5%的水平上显著，且系数大小与基准回归结果0.0169相比略有提高。这一结果表明，在控制由企业自身特征导致的选择性偏差后，人工智能技术对企业全要素生产率仍存在显著且稳健的提升效应，进一步强化了本文的基本结论。

Table 7. Bias between the treatment and control groups after PSM

表7. PSM处理后的控制组和试验组偏差

变量	样本	均值		标准误(%)	T检验
		处理组	控制组		T值	P值
Size	未匹配	3.880	3.753	11.1	7.65	0.000
	匹配	3.880	3.865	1.3	0.89	0.373
Age	未匹配	2.156	2.325	−25.4	−17.40	0.000
	匹配	2.156	2.151	0.7	0.46	0.647
Top1	未匹配	0.332	0.332	−0.1	−0.06	0.950
	匹配	0.332	0.329	2.1	1.43	0.153
Dual	未匹配	0.324	0.266	12.6	8.66	0.000
	匹配	0.324	0.319	1.1	0.69	0.491
Rindir	未匹配	0.377	0.373	7.0	4.80	0.000
	匹配	0.377	0.377	−0.5	−0.32	0.746
Lev	未匹配	0.418	0.409	4.7	3.22	0.001
	匹配	0.418	0.421	−1.7	−1.14	0.254
ROA	未匹配	0.043	0.040	4.6	3.13	0.002
	匹配	0.043	0.042	1.9	1.28	0.201
Growth	未匹配	0.164	0.143	5.7	3.92	0.000
	匹配	0.164	0.160	1.2	0.81	0.416
Board	未匹配	2.220	2.240	−11.8	−8.06	0.000
	匹配	2.220	2.220	−0.4	−0.26	0.798

Table 8. Regression results after PSM matching

表8. PSM匹配后回归结果

变量	(1)	(2)
	PSM匹配前回归结果	PSM匹配后回归结果
AI	0.0169**	0.0191**
	(2.2425)	(2.2036)
控制变量	控制	控制
观测值	18,836	10,037
Adjusted R-squared	0.6810	0.6823
行业固定	YES	YES
年份固定	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

2) 工具变量

为缓解可能由遗漏变量或反向因果导致的内生性问题，本文参考丁锋(2024) [17]的做法，选取企业所在城市的上市企业规模数量(firms_city)作为人工智能技术应用(AI)的工具变量，并进行两阶段最小二乘法(2SLS)估计。该工具变量的合理性在于：一方面，一个城市的上市企业规模数量越大，则该地区企业需要面临的竞争更为激烈，技术外溢效应和竞争效应会推动本地制造业企业更广泛地应用人工智能技术，满足相关性要求；另一方面，城市层面的上市企业规模数量与单个企业的全要素生产率并无直接关联，其主要通过影响企业人工智能技术应用决策间接发挥作用，满足排他性约束。

工具变量回归结果如表9所示。第一阶段回归表明，工具变量firms_city对AI存在显著正向影响，系数为0.0006且在1%的水平上显著，F统计量为15.67，高于10%水平上的Stock-Yogo临界值，拒绝弱工具变量假设。第二阶段估计结果显示，在控制内生性后，AI对TFP仍具有显著正向影响，系数为0.772且在1%水平上显著，并且系数大于基准回归结果，表明忽略内生性可能低估AI的实际效应。不可识别检验统计量为15.45，对应p值为0.0001，拒绝“工具变量不可识别”的原假设，表明工具变量与内生变量存在显著相关性。内生性检验统计量为39.658，在1%水平上拒绝AI为外生变量的原假设，进一步证实工具变量法的必要性。

Table 9. Results of ınstrumental variable tests

表9. 工具变量检验结果

变量	(1)	(2)
	AI	TFP
	工具变量模型第一阶段
firms_city	0.000621***
	(0.000157)
	工具变量模型第二阶段
AI		0.772***
		(0.218)
不可识别检验	通过	通过
弱工具变量检验	通过	通过
内生性检验	通过	通过
控制变量	YES	YES
行业固定	YES	YES
年份固定	YES	YES
观测值	18,836	18,836

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

4.4.2. 稳健性检验

1) 替换被解释变量

为检验基准回归结论是否依赖于全要素生产率(TFP)的特定测算方法，本文进行了稳健性检验，采用广义矩估计(GMM)方法重新计算了企业的全要素生产率，以替代此前使用的LP方法。GMM方法通过克服同时性偏差和选择性偏差问题，提供了另一种公认的TFP估计思路，其有效性在相关研究领域已得到广泛认可。在此基础上，本文保持了与基准模型一致的设定，对模型进行了重新估计。

表10汇报了以GMM方法测算TFP作为被解释变量的回归结果。即便更换了TFP的测度方式，人工智能技术的促进作用依然明显。即使采用不同的TFP测算方法，人工智能技术对企业全要素生产率的正向促进效应仍然稳健存在。这一结果充分说明，本文的核心结论并非源于特定生产率测算方法带来的测量误差，而是反映了人工智能技术真实的经济影响，从而增强了研究结论的可靠性和普适性。

Table 10. Regression results with the dependent variable replaced

表10. 替换被解释变量回归结果

变量	(1)	(2)
	TFP(GMM)	TFP(GMM)
AI	0.0252***	0.0097**
	(5.4767)	(2.2482)
控制变量		控制
观测值	18,836	18,836
Adjusted R-squared	0.0843	0.2164
行业固定	YES	YES
年份固定	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

2) 更改样本周期

为检验2015年中国股市剧烈波动对研究结论可能产生的特殊影响，本研究进行了稳健性检验，将2015年及2016年的数据从样本中剔除，使用新的样本周期重新进行回归，结果汇报于表11。

在更改样本周期后，核心解释变量人工智能技术(AI)的系数在1%的水平上依然显著为正，这与主回归中的结论完全一致。这一结果有力地表明，本研究关于“人工智能技术应用能显著提升企业全要素生产率”的核心发现是高度稳健的，不受2015~2016年极端市场事件的影响。股灾期间异常的市场环境、情绪波动和政策干预并未构成影响本研究核心因果识别的混淆因素。

综上所述，通过变更样本周期的稳健性检验证实了人工智能对企业全要素生产率促进效应的结论具有高度的稳健性和可靠性，排除了特定极端事件时期对研究结果的干扰。

Table 11. Regression results using a different sample period

表11. 更改样本周期回归结果

变量	(1)	(2)
	TFP	TFP
AI	0.0768***	0.0163**
	(5.7187)	(2.1575)
控制变量		控制
观测值	16,622	16,622
Adjusted R-squared	0.1309	0.6885
行业固定	YES	YES
年份固定	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

4.5. 地区数字经济发展的异质性检验

前述基准回归结果表明，人工智能技术(AI)对企业全要素生产率(TFP)具有显著的提升作用。这种促进效应是否在所有环境下都一致是一个值得深入探究的问题，在此基础上，本文进一步考察了企业所处地区数字经济发展环境的异质性影响。理论上，地区数字经济发展水平越高，越能通过完善基础设施、促进知识溢出、优化要素配置等方式，为企业应用人工智能技术提供更肥沃的“土壤”，从而可能产生协同效应，放大人工智能技术对全要素生产率的提升效果。

为科学、全面地刻画这一外部环境，本文参考赵涛等(2020) [18]的研究，构建了一个综合性的地区数字经济发展指数(URDIG)。从互联网发展和数字金融普惠两方面对地区数字经济发展水平进行测度。对于城市层面的互联网发展测度，基于中国城市统计年鉴中的数据计算出互联网普及率、互联网相关从业人员情况、互联网相关产出情况和移动电话普及率四个方面的指标。对于数字金融发展，采用中国数字普惠金融指数。通过主成分分析的方法，将以上5个指标的数据标准化后降维处理，得到的地区数字经济发展指数。

基于上述构建的URDIG指数，本文将全样本按其中位数划分为“高数字经济发展水平组”和“低数字经济发展水平组”，并进行分组回归，结果汇报于表12。

回归结果呈现出非常清晰且具有经济意义的异质性模式。在高数字经济发展水平地区，人工智能技术(AI)的系数为0.0178，且在5%的水平上显著。这表明，在数字基础设施完善、数字金融普惠程度高的地区，企业应用人工智能技术能够获得显著的全要素生产率提升。相反，在低数字经济发展水平地区，AI的系数虽然为正，但统计上并不显著。这意味着，在数字化环境相对落后的地区，企业应用人工智能技术的积极效果被弱化。

Table 12. Regression results by subgroups

表12. 异质性分组回归结果

变量	高数字经济发展水平组	低数字经济发展水平组
	TFP	TFP
AI	0.0178**	0.0086
	(2.0019)	(0.7924)
控制变量	控制	控制
观测值	9418	9418
Adjusted R-squared	0.7094	0.6602
行业固定	YES	YES
年份固定	YES	YES

注：括号里的值为t统计量；*、**、***代表的显著性水平分别是10%、5%、1%。

5. 研究结论与建议

5.1. 研究结论

本研究探讨了人工智能技术对中国制造业企业全要素生产率的影响。结果表明，人工智能技术通过赋能企业内在能力，显著提升了全要素生产率，但这一效果高度依赖于企业所处的外部数字生态。具体结论如下：

第一，人工智能技术显著促进了制造业企业全要素生产率的提升。这一结论在经过一系列稳健性检验后依然成立，表明人工智能技术是驱动制造业效率改进的关键力量。

第二，人工智能技术通过“技术创新”和“组织韧性”双路径推动全要素生产率增长。一方面，人工智能通过数据挖掘、算法优化等手段提升研发效率，推动技术前沿外移与效率差距缩小；另一方面，其增强了企业应对内外部冲击的适应与恢复能力，保障了生产过程的稳定性，从而为全要素生产率持续提升提供支撑。

第三，人工智能的赋能效果存在明显的区域异质性。在数字经济发展水平较高的地区，人工智能对全要素生产率的促进作用更为显著；而在数字基础设施薄弱的地区，其效应则明显受限。这表明，良好的区域数字生态是人工智能技术发挥其赋能效应的关键宏观条件。

5.2. 对策建议

本研究证实，人工智能技术通过提升技术创新与增强组织韧性，显著促进制造业企业全要素生产率，且该效应在数字经济发展水平较高地区更为突出。据此，提出以下建议：

对企业层面的建议：1) 深化AI技术融合与创新。在研发、生产、供应链等环节部署专用AI系统，如研发仿真、视觉检测、智能预测等，联合高校、科研机构及产业链上下游，推动技术协同与成果转化。2) 增强组织韧性。推进扁平化架构改革，建立数据中台支持实时决策，并利用AI进行风险预警与资源灵活配置，提升应对不确定性的能力。3) 因地制宜推进数字化：基础薄弱企业可优先采用SaaS化AI应用、云化分析服务等轻量方案，从质检、排产等环节切入，逐步提升数字化能力。

对政府层面的建议：1) 强化数字基础设施：支持建设行业型工业互联网平台(如装备性能管理、纺织协同生产平台)及区域性共享算力中心，强化欠发达地区网络与算力覆盖。2) 完善政策与资金支持：设立AI专项基金，落实税收优惠，推广创新券等政策，支持企业特别是中小企业开展AI改造与应用。3) 构建人才与生态体系：推动校企共建“AI + 制造”实训基地，引进高端人才，培育科技中介服务，优化创新生态。4) 促进区域协同发展：建立区域对口帮扶机制，支持欠发达地区结合产业特色开展AI示范，推动数字资源均衡布局。

政府与企业需协同发力，方能充分释放人工智能对制造业高质量发展的赋能效应。

5.3. 研究不足与展望

本研究在探讨人工智能技术对制造业企业全要素生产率的影响时，仍存在以下局限性，并据此提出未来研究方向。

研究不足：1) 变量测度局限。对人工智能技术的测度主要依赖文本分析等代理指标，难以全面反映技术融合深度与员工应用水平。2) 样本代表性局限。数据主要来自上市公司，对中小企业的适用性有待验证，且未能完全涵盖AI技术的快速迭代。3) 内生性问题。虽采用多种计量方法控制，但仍难以完全排除遗漏变量与反向因果的干扰。4) 机制探索不足。主要聚焦技术创新与组织韧性两条路径，其他潜在中介机制与变量间联动关系有待挖掘。

研究展望：1) 开发多维度测量指标。融合多源数据构建复合指数，或通过企业合作获取云服务使用等直接行为数据。2) 开展动态与案例研究。利用长周期面板数据追踪技术融合全过程，结合质性研究深入揭示影响机制。3) 拓展理论框架。引入商业模式创新、员工技能等中介变量，以及高管背景等调节变量，完善机制研究。4) 关注新技术与政策评估。跟踪生成式AI等前沿技术应用，并采用严谨方法评估相关产业政策的效果。

NOTES

^*通讯作者。