时间跨度：2007-2022年
区域范围：上市公司
注:参考本篇论文的做法，在收集上市公司的样本数据时，进行了如下处理：
- 剔除了金融行业公司
- 剔除了信息传输、软件和信息技术服务业以及科学研究和技术服务行业
- 剔除当年处于 ST 和*ST 状 态的样本
指标说明：
本文选取的变量如以下数据指标体系所示：
注：在本数据集中，非常规高技能劳动力表示为上市公司的研发人员占公司总体员工的比重（%），常规低技能劳动力则表示为100%-非常规高技能劳动力。本数据集将收集到的四个季度的托宾Q的值取算数平均后，做为了企业价值的替代变量。
本数据在收集过程中，研发人员占企业总员工人数数据并不完整，所以非常规高技能劳动力与常规低技能劳动力数据在部分企业和年份存在缺失。
此外，本数据集在进行上市公司年报以及MD&A中人工智能词频分析时，选取的人工智能词典也列示如下。
|----------------------|---------------|---------------------------------|
| 变量名称 | 变量符号 | 变量描述 |
| 全要素生产率 | TFP | 根据奥利和帕克斯(1996)的方法计算 |
| 年报人工智能关键词词频 | Lnwords | 上市公司年报中人工智能关键词数量加1,取自然对数 |
| 年报中MD&A部分人工智 能关键词词频 | Lnwords_MD&A | 上市公司年报中MD&A部分人工智能关键词数量加1,取自然对数 |
| 人工智能专利数量 | Lnpatent | 上市公司当年申请的人工智能专利数量加1,取自然对数 |
| 常规低技能劳动力 | Routine | 上市公司生产、业务、市场和财务人员数量，除以企业员工人数 |
| 非常规高技能劳动力 | Non_routine | 上市公司技术和研发人员数量，除以企业员工人数 |
| 企业价值 | Tobinq | 企业市场价值/(资产总计-无形资产净额-商誉净额) |
| 公司规模 | Size | 公司员工总数，取自然对数 |
| 公司年龄 | Age | 公司成立年龄，取自然对数 |
| 资产负债率 | Leverage | 总负债/总资产 |
| 成长性 | Growth | 销售收入增长率，取自然对数 |
| 董事会规模 | BoardSize | 董事会人数，取自然对数 |
| 两职合一 | Dual | 董事长与总经理两职合一时取1,否则取0 |
| 股权集中度 | Top1 | 第一大股东持股比例 |
| 技术创新 | Lnallpats | 企业申请专利总数加1,取自然对数 |
下载链接：
参考资料（免费）：https://download.csdn.net/download/li514006030/89155160
复现数据：https://download.csdn.net/download/li514006030/89155162
回归代码：https://download.csdn.net/download/li514006030/89155161
人工智能词典：
|---------|----------|-------------|------------|
| 年份 | 股票代码 | 公司名称 | 总词频 |
| 词频加1取对数 | 人工智能 | 计算机视觉 | 图像识别 |
| 知识图谱 | 智能教育 | 增强现实 | 智能政务 |
| 特征提取 | 商业智能 | 智能养老 | 支持向量机（SVM） |
| 知识表示 | 模式识别 | 物联网 | 人机对话 |
| AI产品 | 人机交互 | 数据挖掘 | 智慧银行 |
| 智能客服 | 虚拟现实 | 自动驾驶 | 无人驾驶 |
| 智慧金融 | 大数据营销 | 长短期记忆（LSTM） | 智能芯片 |
| 边缘计算 | 云计算 | 深度神经网络 | AI芯片 |
| 深度学习 | 特征识别 | 智能保险 | 智能零售 |
| 智能医疗 | 智能运输 | 智能家居 | 循环神经网络 |
| 大数据风控 | 机器人流程自动化 | 可穿戴产品 | 大数据平台 |
| 增强智能 | 大数据运营 | 机器翻译 | 神经网络 |
| 语音合成 | 人机协同 | 智能农业 | 智能音箱 |
| 卷积神经网络 | 问答系统 | 强化学习 | 大数据分析 |
| 自然语言处理 | 大数据管理 | 智能计算 | 语音交互 |
| 机器学习 | 生物识别 | 语音识别 | 智能监管 |
| 智能投顾 | 智能语音 | 声纹识别 | 人脸识别 |
| 智能体 | 大数据处理 | 分布式计算 | 智能传感器 |
| 智能搜索 | 智能环保 | | |
参考文献：姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率？------基于劳动力技能结构调整的视角[J].管理世界,2024,40(02):101-116+133+117-122.
摘要
【摘要】人工智能技术对实现经济的高质量发展具有重要意义。现有研究多聚焦于人工智能对宏观经济的影响，本文从企业层面考察了人工智能技术如何影响生产效率和劳动力技能结构。本文运用机器学习方法生成了人工智能词典，并对上市公司的年报和专利进行文本分析，进而构建了企业层面的人工智能指标。研究发现，人工智能显著提升了中国上市公司的生产率，并且该结论在一系列稳健性检验后依旧成立。在影响机制方面，人工智能通过促使企业减少常规低技能劳动力需求、增加非常规高技能劳动力需求的方式提升企业的生产率，这体现了企业劳动力技能结构的调整。异质性分析表明，产权性质、人才获得方式、劳动力保障、治理结构等企业层面因素对人工智能的生产率效应有较大影响。此外，企业所处的行业和地区层面因素也影响了人工智能的生产率效应。最后，本文发现人工智能提高了企业价值。本文加深了对微观企业层面人工智能在生产过程中所扮演角色的认知和理解，并为在微观企业层面推动人工智能技术发展提供了建议。
【关键词】人工智能；企业生产率；劳动力技能结构调整；机器学习；人工智能词典
一、文章贡献
第一，人工智能与经济学的交叉研究是目前学术研究的前沿领域。本文从文本分析的角度，采用机器学习方法生成了人工智能词典，构建了微观企业层面的人工智能指标，为后续进行微观企业层面人工智能的相关研究提供了一个有效的工具和度量方法的借鉴。
第二，现有文献研究人工智能对生产率和劳动力的影响主要从宏观角度开展，重点考察了人工智能对中国的资本结构（林晨等，2020）、产业结构转型升级（郭凯明，2019）、劳动力供需（阿西莫格鲁、雷斯特雷波，2018a）、劳动收入分配（王林辉等，2020）等因素的影响。也有文献实证考察了工业机器人应用对中国劳动力市场的影响（王永钦、董雯，2020；余玲铮等，2021；李磊等，2021）。人工智能在微观企业层面的作用尚待进一步探索。本文着眼于微观企业层面，对人工智能如何影响企业的生产率进行了分析，并探讨了劳动力技能结构调整在其中发挥的重要作用。
在实践层面，党的二十大报告指出"加快建设现代化经济体系，着力提高全要素生产率"。在当前深化人工智能技术研发应用和壮大数字经济的背景下，本文加深了对微观企业生产过程中人工智能所扮演角色的认知和理解，为企业调整劳动力技能结构以更好地发挥人工智能的生产率效应提供指导，对如何在企业层面和政策层面发挥人工智能技术优势、提升企业全要素生产率给出了相关建议。
二、理论分析与假说
作为新一轮科技革命和产业变革的重要驱动力量，人工智能在提高企业生产率、推动经济增长方面具有重大潜力（布林约尔松等，2017；弗曼、西曼斯，2019）。本文基于文本分析方法构建了涵盖全行业（包括制造业）的企业层面的人工智能指标，从而更全面地捕捉人工智能技术因素，例如"机器学习"、"语音识别"、"自然语言处理"、"计算机视觉"等，考察了企业层面人工智能对生产率的影响。
从理论层面，本文基于人工智能对劳动力的替代效应和互补效应两方面，探讨人工智能如何影响企业的劳动力技能结构进而影响企业的生产效率。
一方面，人工智能技术能够用智能机器系统替代部分劳动力，实现智能化生产，从而降低企业的生产成本，提高生产效率。尤其对于高频、重复且规则明确的生产活动而言，智能设备的使用能够替代部分人工劳动，避免企业对相关劳动力的培训，降低成本，减少意外的人为错误，通过最小化差异保证生产过程和业务流程的一致性，这有利于提高企业的生产效率。
另一方面，人工智能技术能够促进非常规且创新型工作的技术水平，提高生产效率。人工智能以机器学习、深度学习算法为基础，通过更为复杂的逻辑思维过程，帮助企业免于认知和能力的限制，最终做出更加科学合理的决策（爱德华兹等，2000）。此外，随着资本积累和智能化程度的提高，人工智能技术与高技能劳动力结合还可能催生出更多新的就业岗位（阿西莫格鲁、雷斯特雷波，2018a，2019）。例如，人工智能工程技术人员和数字化管理师等。这些岗位使得人工智能技术能更好地应用于企业的生产经营活动，提高生产效率。结合以上分析，提出假说1。
****假说1：****人工智能有利于提高企业的生产效率。
该研究基于企业内部劳动力技能的视角，进一步从劳动力结构的角度分析人工智能与企业劳动力的关系。根据人工智能对劳动力技能的潜在影响，该研究将企业的劳动力划分为常规低技能劳动力（生产、业务、市场和财务人员）和非常规高技能劳动力（技术和研发人员）。其中，人工智能对于常规低技能劳动力主要体现为替代作用，对非常规高技能劳动力主要体现为互补作用。原因如下：
在对常规低技能劳动力影响方面，（1）生产人员。与其他工作相比，生产人员的工作更具常规性、重复性和低技能的特点。企业可以使用机器设备或者智能系统替代生产人员的工作，而且人工智能还能实现柔性生产和全天候生产，并通过降低人为错误、改善生产工艺、提升成品率、降低劳动成本等途径提高生产效率。（2）业务人员。业务人员主要指从事辅助性工作的员工，例如仓库管理员、人力资源职员等。人工智能技术进行大数据分析，能够实现从智能感知、分析决策到执行的全智能化过程，减少企业对支持性员工的需求，提高业务效率。（3）市场人员。对于市场人员而言，企业技术研发部门提供的人工智能技术通过收集客户交易、消费、网络浏览等行为数据，利用深度学习相关算法建模，有助于将销售渠道、人员、产品、客户等环节相连通，从而覆盖更多用户群体，并实现精准化和个性化服务。（4）财务人员。财务人员主要指从事会计和财务管理等工作的员工。人工智能衍生的商业智能和机器人流程自动化（RPA）可以运用到财务和会计领域，其具备的智能软件、机器学习和自然语言处理技术降低了企业对基础性财务工作人员的需求，并通过减少财务业务的操作时间，降低错误率的方式有效提升了财务工作的效率。
在对非常规高技能劳动力影响方面，非常规高技能劳动力以企业的技术和研发人员为主。其被智能机器替代的可能性较低。与其他职业相比，技术和研发人员需要具备更多的逻辑思维能力和想象力，并具备认知性和创新性的技能。人工智能技术在高技术部门创造了大量新的技术岗位（王林辉等，2020）。此外，人工智能还带来了持续的技术创新以及多应用领域的创新（布林约尔松等，2017；戈德法布等，2023），这同样促进了企业对技术和研发人员的需求。结合以上分析，提出假说2。
****假说2：****企业会通过减少对常规低技能劳动力需求、增加对非常规高技能劳动力需求的方式，实现劳动力技能结构的调整，进而促进企业生产效率提升。
三、研究设计
1、人工智能指标
该研究采用机器学习的方法生成了人工智能词典，进而分别基于上市公司年报和专利文本构建企业人工智能指标。为了验证本文构建的企业人工智能技术水平指标的有效性，该研究采用 4 种方法考察了上市公司年报中人工智能词频与企业人工智能技术水平之间的关系。
该研究还基于上市公司年报"管理层讨论与分析"（MD&A）部分构建企业人工智能的替代指标。
此外，企业申请的人工智能专利代表企业已经拥有的人工智能技术，反映了企业人工智能技术的产出情况，能够与年报相互印证企业的人工智能技术水平。
2、企业生产率
该研究采用全要素生产率（TFP）作为企业生产率的指标，全要素生产率不仅与技术进步相关，还反映了物质生产的知识水平、管理技能、制度环境以及计算误差等因素（鲁晓东、连玉君，2012），能够较好地衡量人工智能的生产率效应。全要素生产率的计算以柯布道格拉斯生产函数为基础进行估算：
其中，Y、L和K分别代表企业的产出、劳动力投入和资本投入，A 即为企业全要素生产率。
3、人工智能生产率效应的研究模型
为了考察人工智能的生产率效应，该研究建立如下回归模型：
其中，i和t分别代表公司和年份，TFP为企业全要素生产率，AI为人工智能指标，在基准回归中采用上市公司年报中人工智能关键词词频（Lnwords）衡量，在替代指标检验中采用上市公司年报MD&A部分人工智能关键词词频（Lnwords_MD&A）以及上市公司当年申请的人工智能专利数量（Lnpatents）作为替代指标。根据假说1，该研究预测回归系数β显著为正。ε为随机误差项，year、ind和pro分别代表年度固定效应、行业固定效应和省份固定效应。Controls代表控制变量，该研究纳入了如下控制变量：
公司规模（Size）、公司年龄（Age）、资产负债率（Leverage）、企业成长性（Growth）、董事会规模 （BoardSize）、董事长与总经理是否两职合一（Dual）、股权集中度（Top1）、技术创新（Lnallpats）。
四、实证分析
1、描述性统计
描述性统计结果如表2所示
2、人工智能的生产率效应
该研究考察了人工智能的生产率效应。结果表明，在其他条件一定的情况下，人工智能能够显著提高企业全要素生产率，这在一定程度上否认了索洛（1987）的"生产率悖论"，假说1得到验证。控制变量的回归结果与先前文献基本一致（赵健宇、陆正飞，2018；叶康涛、孙苇杭，2019）。例如，规模更大、资产负债率更高、成长能力更好以及股权集中度更高的企业的生产效率更高。
3、稳健性检验
3.1 倾向得分匹配法
企业引入人工智能并不是随机的，而是由人力资本、管理实践和技术水平等公司特征和外部环境的变化所决定，因此实证研究中可能存在样本的自选择偏差问题。为此，本文采用倾向得分匹配法（PropensityScoreMatching，PSM）缓解内生性问题。具体地，我们根据年报中有无人工智能关键词将样本划分为实验组和对照组，以模型（3）中的控制变量作为匹配的标准，使用1∶1有放回的最邻近匹配方法进行匹配。
对匹配后样本的检验结果如表3列（3）所示，该结果说明在缓解自选择偏差问题的情况下，本文的研究结论依然稳健。
3.2利用工具变量缓解内生性
本文进一步采用工具变量来缓解可能存在的内生性问题。基于清朝通商的历史事件构造企业人工智能的工具变量，具体工具变量的处理及合理性说明如下：参考范等（2013）、林建浩和赵子乐（2017）以及蔡贵龙等（2018），我们采用 1840 年至清朝末期该城市是否开设通商口岸（SEA_PORT）构建工具变量。一个城市是否曾经作为通商口岸可能影响当地企业技 术的应用，而不会直接影响现阶段当地企业的生产效率，因此该变量满足工具变量的相关性和外生性条件。具体地，企业所在城市自 1840 年至清朝末期被开设为通商口岸则定义 SEA_PORT 为 1，否则为 0。
本文采用SEA_PORT和样本中t-1年全球人工智能专利的申请数量自然对数的交乘项（SEA_PORT×LnAI）作为工具变量。另外，在回归模型中还控制了城市人均GDP以避免城市经济发展水平的影响。表4为两阶段最小二乘估计方法（2SLS）的回归结果，第一阶段回归结果显示，工具变量（SEA_PORT×LnAI）的回归系数为0.024，在1%水平上显著。此外，Cragg-DonaldWaldF统计量明显大于Stock-Yogo弱工具变量检验的临界值，说明模型不存在弱工具变量问题。AndersonLM检验显著拒绝"工具变量识别不足"的原假设，说明模型不存在识别不足问题，工具变量对内生变量具有较强的解释力。第二阶段回归结果显示，Instrumented_Lnwords的回归系数显著为正。该结果再次印证本文的研究结论是稳健的。
3.3基于PSM-DID 的检验
本文进一步采用《智能制造发展规划（2016-2020年）》中提出的重点产业智能转型作为准自然实验，采用PSM-DID方法缓解人工智能与企业生产率的内生性问题。2016 年我国工业和信息化部、财政部联合制定的 《智能制造发展规划（2016-2020 年）》指出，有条件、有基础的重点产业智能转型要取得明显进展。该政策推动了重点产业的智能转型，为所属重点产业的企业引入人工智能技术提供了战略支撑和保障。DID模型如模型（4）所示：
《智能制造发展规划（2016-2020年）》文件中提到，要推动高档数控机床与工业机器人、航空装备、海洋工程装备及高技术船舶等重点产业的智能转型。据此，将所属重点产业的企业归为实验组，定义Treat为1，将其他企业归为对照组，定义Treat为0。选取政策文件颁布前后3年的样本数据作为测试数据，将政策文件颁布前的样本定义Post=0，政策文件颁布后的样本定义Post=1。由于模型中控制了行业固定效应ind和年度固定效应year，因此不再控制Treat和Post虚拟变量，控制变量Controls的设定同前文所述一致。在大幅度降低实验组和对照组企业的特征差异后，采用匹配后的样本进行回归，回归结果显示，采用PSM前后，Treat×Post的回归系数分别为0.065和0.088，均显著为正，该结果表明在缓解内生性问题后人工智能提高企业生产率的研究结论依然保持稳健。
4、人工智能生产率效应的机制研究
人工智能技术对常规、重复性劳动岗位具有替代作用，对非常规、非重复性劳动岗位具有互补作用，因此企业会通过降低对常规低技能劳动力的需求，提高对非常规高技能劳动力的需求的方式发挥人工智能的生产率效应。
具体研究模型如下：
其中，Labor为企业劳动力指标，参考奥特等（2003），包括常规低技能劳动力（Routine）和非常规高技能劳动力（Non_routine），其中常规低技能劳动力采用生产、业务、市场和财务人员数量除以企业员工人数衡量，非常规高技能劳动力采用技术和研发人员数量除以企业员工人数衡量。AI为人工智能指标，用人工智能关键词词频（Lnwords）衡量。ε为随机误差项，year、ind和pro分别代表年度固定效应、行业固定效应和省份固定效应。控制变量Controls的设定同前文所述一致。
五、进一步研究
上述结论发现人工智能技术通过对常规低技能劳动力的替代效应和对非常规高技能劳动力的互补效应，提高企业的生产效率。考虑到企业之间在产权性质、人才获取方式、劳动力保障、治理结构、行业属性以及地区特征等方面存在显著差异，本部分探讨了人工智能的生产率效应在异质的企业、行业和地区中的不同表现。
1、企业异质性分析
人工智能的生产率效应在国有企业和非国有企业之间可能存在差异。与非国有企业相比，国有企业在执行政府政策时更加坚决，对政府政策的引导更有行动力。此外，企业技术研发部门研究和开发人工智能技术不仅需要硬件的投入，更需要掌握人工智能技术的高端人才，这提高了企业的资金压力和人才需求。国有企业具有更丰富的资源和更高的风险承担水平，因此国有企业更有能力加强人工智能的互补性投资以提升人工智能的生产率效应。基于此，我们根据实际控制人属性，将企业划分为国有企业和非国有企业。表8的列（1）和列（2）中Lnwords的回归系数均显著为正，但相比非国有企业，国有企业的Lnwords回归系数明显较大，经由Bootstrap法1000次得到的组间回归系数差异的经验p值为0.000，这证实了Lnwords回归系数在国有企业和非国有企业之间具有显著性差异。以上结果表明，人工智能对国有企业和非国有企业的全要素生产率均有提升，其中对国有企业的提升作用更显著。
2、行业异质性分析
不同行业中，人工智能的生产率效应也可能存在差异。高技术行业中，技术创新是其核心竞争力。政府的财税激励政策和税收优惠政策也对高技术行业的研发创新和产业增长产生了积极影响（张同斌、高铁梅，2012）。与低技术行业相比，高技术行业往往具备更多的高技能劳动力、更先进的技术和知识以及更快的研发速度。因此，在高技术行业中，人工智能能够与更多的高技能劳动力相结合从而提高企业生产效率。
分组回归的结果结果进一步印证了人工智能通过与高技能劳动力形成互补效应，进而促进企业生产效率的提高。
3、地区异质性分析
中国各地区的要素市场发育程度和政策支持力度具有较大差异，不同地区的经济基础和资源禀赋也不同，这很可能导致部分地区的企业在资金、人力资本、技术创新等方面的投资不足，最终影响人工智能的生产率效应。对此，本文从要素市场发育程度和政策支持力度两个方面进行分组检验。
分组回归的结果显示，在要素市场发育程度低的地区和政府支持力度小的地区，人工智能对企业的生产率没有显著影响，而在要素市场发育程度高的地区和政府支持力度大的地区，人工智能显著促进了企业的生产率。另外，人工智能的生产率效应需要政府相关政策的扶持，政府应在资金、人才和技术方面提供更多的优惠政策，积极主动地加大新型基础设施建设的开发和投资，促进人工智能的稳步发展。
4、人工智能与企业价值
前文探究了人工智能的生产率效应，以及企业劳动力技能结构调整的过程。与此相关的另一个重要问题是，人工智能是否能够有效提升企业价值？对这一问题进行研究有助于更全面地评估人工智能的经济效应。因此，市场投资者应该对人工智能技术水平更高的企业给予更高的估值。我们构建模型 （8）来考察人工智能对企业价值的影响：
该结果表明，市场投资者识别了人工智能技术在企业长期发展中发挥的积极作用，人工智能技术有助于企业调整劳动力技能结构进而提高企业生产效率，最终提升企业价值。
六、研究结论与ZC启示
.....
下载链接：
参考资料（免费）：https://download.csdn.net/download/li514006030/89155160
复现数据：https://download.csdn.net/download/li514006030/89155162
回归代码：https://download.csdn.net/download/li514006030/89155161