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[2024-11-25].
引言
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。
从“新常态”到“新质生产力”
实证结果及分析
（一）基准回归结果
本文检验了人工智能投入与产业国际比较优势之间的关系，基准回归结果见表1。根据表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。因此，假说1得到证实，前期人工智能资本成本较低，生产任务实现自动化 能够降低成本，提高产业国际比较优势，但在人工智能资本供给有限的前提下，过度投入人工智能资本反而会推升资本成本，削弱产业国际比较优势。
（二）稳健性检验和内生性问题
为考察表1结论的稳健性和内生性，进行了如下检验：①更换被解释变量，采用前向关联分解法测算各产业的新显示性比较优势指数；②采用倾向得分匹配法对样本分组匹配并重新估计式（23），以缓解样本自选择的问题；③将人工智能资本投入滞后一期回归，以识别人工智能投入对产业比较优势所产生的滞后影响；④利用工业机器人渗透度替换原解释变量；⑤剔除部分主导国家和主导产业的影响；⑥利用人工智能资本存量替换原解释变量；⑦采用多种工具变量检验内生性问题。
通过检验结果表明：
（1）替换被解释变量。通过测算各产业的新显示性优势指数（NRCAijt），将其作为被解释变量再次估计式（23），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。
（2）样本的自选择效应。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。
（3）滞后一期的回归。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。
（4）使用工业机器人渗透度替换解释变量。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。
（5））剔除部分国家和产业的回归。基准回归的倒U型关系可能由少数几个国家和产业来主导，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。
（6）人工智能资本存量的检验。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。折旧率越高，说明当期存量越少，而低存量的智能资本对产业比较优势的影响越明显，从侧面说明了利用当期人工智能资本投入的研究意义。
（7）内生性检验。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，倒U型关系维持稳健，与假说1的理论分析结果一致。
（三）异质性分析
根据假说2.分析人工智能投入的部门和国家异质性。
（1）部门异质性
如表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。原因在于，资本密集型产业资本生产率高于劳动生产率（杨光和侯钰， 2020），即便是新投入的人工智能资本，想要逆转要素价格与生产效率之间的比例关系，也需要更多的投入才能显现出来，因此二者的非线性关系并不显著。
（2）国家异质性
表5第（1）—（4）列结果显示，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。原因可能在于，低创新及发展中国家的自动化技术有限，生产过程中的要素结构仍偏向传统要素，人工智能技术引入的初期就能大幅提升生产效率，进而提升相关产业的国际比较优势。
机制分析
1.要素成本的影响因素机制检验
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。这与前文中的理论推导相呼应，初期人工智能投入有助于降低企业的生产成本，从而降低要素成本；而在后期，在供给约束下，过度的人工智能投入反而推升要素成本。此外，由增加值率的均衡条件式可知，要素成本对部门的增加值率起到决定性影响。综上，假说3成立。
2.增加值率的机制检验
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。主要原因在于，人工智能投入初期会通过成本优势和生产率优势，提升部门采用自身生产的基础投入要素的比例，在受到供给约束影响后，人工智能资本成本与劳动成本出现倒挂，部门增加值率下降。至此，假说4得到证实。
3.中间品需求的机制检验
结果见表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。这表明，人工智能投入与要素成本之间呈倒U型关系，即人工智能资本的投入前期会增加中间品需求，当投入和使用量到一定比例使得资本成本高于劳动成本时，又会降低中间品需求。综上，假说5成立。
4.人工智能供给约束的检验
本文提出的5个假说基于共同的基础，即由于供给约束的存在，人工智能投入的持续增加将 推升要素成本。由理论分析可知，提升人工智能资本供给将有助于缓解要素成本的上升。本文使用IFR数据库中各国各部门的机器人存量数据（Stocki，j，t），作为人工智能资本供给的测度。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。这印证了人工智能供给约束的存在及其对倒U型关系的影响。
结论与启示
（一）研究结论
（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。
（二）政策启示
（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。
顶刊数据展示
高级、永久会员数据展示
