![]()
来源：社科学术汇
原文信息：[1]夏晓华,陈哲昂,巫佳潞.人工智能供给约束、技术异质性与国际比较优势[J/OL].中国工业经济,2024,(09):5-23.
![]()
以人工智能技术为抓手，重塑全球生产网络和产业国际比较优势，已成为改变全球产业竞争格局的关键力量。2016年以来，先后有40余个国家和地区将人工智能发展上升到国家重大战略，人工智能已成为大国竞争关注的新焦点。近年来，中国相继出台《新一代人工智能发展规划》《“十四五”智能制造发展规划》等政策大力支持人工智能产业的发展。党的二十届三中全会指出，建立未来产业投入增长机制，完善推动新一代信息技术、人工智能、航空航天、新能源、新材料、高端装备、生物医药、量子科技等战略性产业发展政策和治理体系。本文用显示性比较优势指数（VRCA）来测度产业国际比较优势：基于上述理论分析，本文考虑到人工智能投入对产业比较优势的影响可能是非线性的，因此，设定基准回归模型如下：本文使用的人工智能投入数据来源于OECD数据库，产业比较优势指标的计算数据来自亚洲开发银行发布的多区域投入产出表（ADB-MRIO），最终整合为2011—2020年44个国家15个产业的数据。表1第（1）列，加入控制变量和地区固定效应后，人工智能投入（AI）一次项的估计系数在1%的水平上显著为正，二次项（AI2）在5%水平上显著为负，说明倒U型关系存在，与假说1的理论预测相符。为检验基准结果的稳健性，本文分别加入产业以及时间固定效应，再次进行回归检验，如表1中第（2）、（3）列所示，结果依然稳健。 本文借鉴Wangetal.（2017）的方法测算各产业的新显示性优势指数，将其作为被解释变量再次估计式，结果如表2第（1）列所示，在替换被解释变量的情况下，人工智能投入与产业比较优势仍呈倒U型关系，且在1%水平上显著，本文的研究结论稳健。
为了剔除样本自选择效应的影响，本文利用倾向得分匹配法对样本进行分组匹配并重新回归。回归的结果如表2第（2）列所示，从回归结果可以发现，即使在剔除了样本的自选择效应后，人工智能投入的一次项仍显著为正，二次项显著为负，倒U型关系仍然成立。由表2第（3）列可知，滞后一期投入的一次项系数显著为正，二次项系数显著为负，与基准回归结果一致。 结果如表2第（4）列所示，渗透度和产业国际比较优势间的倒U型关系依然显著。本文首先借鉴李磊和马欢（2023）的做法，剔除德国、日本和韩国三个大型机器人生产商的集中地，重新开展实证检验。此外，根据投资总额的规模，剔除投资量最大的中美两国。结果表明，剔除主导国家后的回归结果与基准回归结果仍保持一致，倒U型关系成立。参考李建军和吴周易（2024），本文利用直线法测算人工智能资本折旧后的存量，将折旧率分别设置为5%、10%和15%。人工智能资本存量的回归结果如表3第（1）—（3）列所示。结果表明，在考虑到人工智能资本存量的情形下，结果依然稳健，且折旧率越高，倒U型关系越陡峭。 将每一年相同经济发展水平国家同一产业的人工智能投入作为工具变量（IV1）。此外，借鉴赵奎等（2021）、陈东和秦子洋（2022），使用移动份额法构建Bartik工具变量（IV2），将上一期的人工智能投资程度与外生的全球人工智能投资增长率（排除本国本产业）进行交乘，得到满足相关性和外生性的工具变量。结果表明，在同时控制地区、产业以及时间固定效应后，核心解释变量及其平方项的估计系数显著且符号没有发生改变。
表4第（1）—（4）列所示，异质性检验的结果与上文理论分析一致，人工智能投入和产业比较优势的倒U型关系在劳动密集型产业中显著成立；在资本密集产业中，倒U型关系并不显著，但二者呈现显著的线性关系。 表5第（1）—（4）列结果，低创新国家及发展中国家的倒U型关系依然显著，但对于高创新国家及经济发达地区，倒U型关系并不显著。表6中第（1）列表明，人工智能投入与要素成本之间呈现正U型关系，即人工智能资本的投入前期会使得要素成本降低，而后期则又使得要素成本回升。表6第（2）列结果表明，人工智能投入与部门增加值率呈倒U型关系，证实了理论分析部分的预测：伴随人工智能投入的积累，增加值率先上升后下降。表6第（3）列。人工智能投入的一次项对要素成本的影响系数在1%水平上显著为正，二次项系数在5%水平上显著为负。结果表明，工业机器人存量起到了调节作用，其数量越大，要素成本上升的趋势越缓慢，产业国际竞争力的拐点出现越晚。①人工智能投入和使用对产业国际比较优势起到先促进后抑制的作用，二者之间存在显著的倒U型关系；②考虑不同部门技术差异后发现，劳动密集型产业比资本密集型产业的拐点更早到来，人工智能资本的投入和使用对劳动密集型产业比较优势的抑制性影响更为明显；③异质性分析表明，低创新国家和发展中国家的智能技术生产效率较低，智能资本的供给量较小，人工智能投入和使用对发展中国家和低创新国家的比较优势抑制作用更大； ④在影响机制方面，要素成本、增加值率和中间品需求在二者的非线性关系之间起显著的传导作用。结合上述研究结论，（1）充分考虑智能技术引致的国际比较优势非单调变化，及时调整和优化人工智能投入规模与发展方向。（2）结合国家和部门的要素结构特征，优化人工智能投入的发展策略和实施节奏。（3）重视人工智能资本供给能力与生产效率之间的协调，推进前沿智能技术与中国要素禀赋结构融合互补发展。
