点击蓝字 关注我们




 

/ 作者简介 /

      王佰川，中国社会科学院大学博士研究生。
      杜创，中国社会科学院经济研究所研究员，中国社会科学院大学教授，博士生导师，研究方向：互联网与数字经济，健康经济学。


   

摘要：本文基于中国A股上市公司年报文本数据，揭示了我国人工智能技术创新扩散的总体特征：（1）2016、2017年成为中国人工智能技术创新扩散的爆发期；（2）中国人工智能技术应用方向与国外有差异，智能安防成为应用最热的行业。基于总体特征，本文从微观角度分析了人工智能技术扩散的影响因素，并利用面板Probit模型进行实证分析。结果显示企业规模的影响呈倒U型；市场集中度表现出显著的负相关；企业研发能力没有显著影响；政府补贴具有正向促进作用。进一步分析发现，相关政府政策的正向作用机制主要在于推动上市公司整体形成新的市场预期，使技术应用走向正反馈循环。当前，我国经济已从高速增长转向高质量发展阶段，人工智能相关政策有必要实现从产业政策为主向竞争政策为主的转变，充分发挥市场在资源配置中的决定性作用。

关键词：人工智能；创新扩散；网络外部性；竞争政策




　　一、导  言
　　近年来，人工智能产业发展受到国家层面重视，相关政策频出。2017年国务院出台《新一代人工智能发展规划》，成为中国人工智能发展的指导性文件；国家发改委、中央网信办、工信部等部门陆续发布人工智能相关细则，部署人工智能发展计划；各地方政府积极响应中央政府号召，陆续制定人工智能相关行业发展的预期目标和配套的产业政策。新一代人工智能技术在中国的影响持续深入，不断催生新业态，赋能传统产业。
　　人工智能技术的经济影响也开始引起学界关注。在已有文献中，人工智能与经济学的研究主题集中在经济增长、劳动就业等领域。人工智能技术通过改善劳动、资本、技术进步带动经济增长，推动产业结构升级，引发就业结构和收入分配变化 (陈彦彬等，2019；蔡跃洲和陈楠，2019；郭敏和方梦然，2018；郭凯明，2019)。然而，相关的微观经济研究较少，尤其是尚未有文献从技术创新扩散角度研究人工智能产业的动态变化。
　　本文首先利用机器学习文本分析技术，基于沪深A股上市公司年报信息识别出人工智能上市公司名单，梳理了人工智能技术创新扩散的总体特征。一是2016、2017年是中国人工智能技术创新扩散的爆发期，无论主营业务涉及人工智能技术的上市公司数量，还是人工智能技术应用的行业广度，都出现了爆发性增长。二是中国人工智能技术应用方向与国外有差异，尤其是智能安防成为应用最热的行业；人工智能技术应用行业的头部效应明显，智能安防、智慧金融、智慧商业三个行业应用处于明显的第一梯队。
　　其次，基于总体特征，本文从微观视角规范分析了人工智能技术创新扩散的影响因素，并利用面板Probit模型进行实证分析。本文以“信息传输、软件和信息技术服务业”门类A股上市公司名单为基础，利用Wind数据库获取企业相关财务信息、行业信息，构建了2015—2019年的平衡面板数据，使用面板Probit模型实证分析企业使用人工智能技术的影响因素。研究表明，企业规模的影响呈倒U型，适度规模可以提升企业使用人工智能技术的概率。市场集中度表现出了显著的负相关，市场竞争性成分越大，企业越倾向于选择人工智能技术。企业研发能力的影响缺乏显著性，政府补贴则显著提升了企业使用人工智能技术的概率。
　　再次，本文重点讨论了政府在人工智能技术创新扩散中的作用。本文在计量模型中引入政府补贴与年份虚拟变量的交互项，结果显示，2018、2019年政府补贴显著提升了企业使用人工智能技术的概率。创新扩散总体特征也与政府政策因素密切相关。因此，有必要重点就政府在人工智能技术创新扩散中的作用加以讨论。政府可以通过政策导向影响市场预期。网络外部性是人工智能技术的一个重要特征，在创新扩散早期，网络外部性收益不足以吸引企业使用人工智能技术。2016、2017年人工智能发展受到国家层面重视，利好政策环境可以正面影响市场预期，带动了人工智能上市公司数量出现爆发式增长以及应用行业拓展。同时，我国各地方政府陆续颁布的人工智能产业政策具有强烈的产业化导向，通过补贴、税收优惠、土地政策等形式支持人工智能产业发展，导致2018、2019年出现因政策激励而转向使用人工智能技术的上市公司。但政府补贴等选择性产业政策能否起到激励企业创新的题中之义，仍然有待进一步研究，而且应当注意政府补贴、税收优惠等扶持性产业政策可能引发的各地人工智能产业重复建设、企业在低水平技术蜂拥而上的现象。当前，我国经济已从高速增长阶段转向高质量发展阶段，人工智能相关政策有必要实现从产业政策为主向竞争政策为主的转变，充分发挥市场在资源配置中的决定性作用。
　　本文的主要创新，一是在实证研究的方法上，已有文献大多直接使用金融数据网站提供的“人工智能企业”名单研究某一经济学问题，本文则借助机器学习文本分析技术，对涉及人工智能的上市公司做了机器筛选和精确筛选，形成人工智能上市公司名单。二是从实证角度系统分析了人工智能技术创新扩散中的影响因素。
　　二、人工智能技术创新扩散的总体特征
　　人工智能是一系列技术和应用的统称，既包括早期技术的拓展，如机器人技术，又包括全新的技术和应用，如人脸识别、语音识别、自动驾驶等。“人工智能”概念的宽泛性引发了两个问题：一是人工智能企业的界定缺乏标准，二是人工智能数据获取难度大。上述问题在人工智能与经济学的学术研究中也有所体现。宏观层面的研究中，更侧重于将人工智能技术看作一种数字化技术，研究数字化技术对经济增长、产业结构变迁的影响，相关参数设定和变量选择尚未过多涉及人工智能技术自身特性。由于人工智能数据可获得性差，经验研究相关文献多使用金融数据网站提供的“人工智能”企业名单研究某一经济学问题，但存在人工智能上市公司界定模糊等问题，所列上市公司主营业务并非都涉及到人工智能技术应用，“人工智能”可能仅作为概念体现在上市公司未来发展战略、投资布局中。并且，金融数据网站提供的“人工智能”企业名单为截面数据，不具有时间序列的特点，无助于从动态角度探究人工智能技术创新的扩散问题。
　　本文尝试利用沪深A股上市公司年报来识别人工智能上市公司。上市公司年报披露了公司上一年度的财务及经营状况、未来发展战略等相关信息，是上市公司信息披露的重要组成部分。人工智能机器学习技术在文本分析方面更有效率，能够在短时间内实现批量文本的筛选和分类，为本文的筛选工作提供了思路。
　　我们的具体数据分析程序如下。首先利用机器学习技术编写网络爬虫，从“巨潮资讯网”获取2011—2019年沪深A股上市公司年度报告文件。其次，借助机器学习文本识别技术，对2011—2019年A股上市公司年报文件进行全文关键词检索并分类，如果某一上市公司年报中含有“人工智能”关键词，则将该上市公司归类到候选名单中。[1]第三，本文将人工智能上市公司定义为“主营业务中有涉及到人工智能技术应用的上市公司”。本文基于关键词筛选结果进行精确筛选，剔除掉主营业务未涉及人工智能技术应用的上市公司。
　　（一）人工智能上市公司数量增长特征
　　图1列示了2011—2019年上市公司中人工智能相关公司数量变化。其中虚线是机器筛选结果，即年报中提到“人工智能”词汇的；实线是精确筛选结果，即主营业务涉及人工智能技术的上市公司数量。二者呈现出大致相似的发展趋势。2011年，共14家上市公司年报提到了“人工智能”概念，其中仅1家主营业务涉及人工智能技术。此后，两种定义下的“人工智能”相关公司逐年增长，但并非线性增长趋势，而是在2016和2017年出现了爆发。2016年机器筛选数量为281家，精确筛选数量为50家，增长率都在200%以上（上年分别为91家和16家）。2017年机器筛选数量722家，精确筛选数量119家，增长率仍分别达到156.94%和138%。2018年及之后虽仍有增长，但趋势已缓和下来，2019年机器筛选数量1123家，精确筛选数量336家，增长率分别为21.54%和73.19%。
【智库动态】王佰川 杜创：人工智能技术创新扩散的特征、影响因素及政府作用研究——基于A股上市公司数据
　　表1列示了历年沪深A股新增上市公司中人工智能企业数量的变化。在2017年以前，A股每年新增上市公司中，人工智能企业几乎为零，仅2014年新增一家人工智能上市公司。2017年开始，新增上市公司中人工智能企业数量开始增加，2019年新增人工智能上市公司数量达到了23家，占当年新增上市公司的比例达到11.33%。从转型和新增两个角度的对比可以看出，沪深A股人工智能上市公司以已上市的企业转型为主，新增上市公司为人工智能的比例相对较低。

　　（二）人工智能技术应用方向特征

　　上市公司年报的“公司业务概要”与“经营情况讨论与分析”两个章节提供了上市公司详细的经营信息，包括人工智能技术的研发情况及具体行业应用情况。本文基于上述信息整理了2011—2019年人工智能技术的行业应用情况。见表2。
　　从表2可以看出我国上市公司人工智能技术应用的几个特征。
　　第一，智能安防已成为我国人工智能技术应用最热门的行业。虽然起步较晚，2014年才在上市公司出现第1例应用，但随即迅猛增长，到2019年有66家上市公司在智能安防行业应用人工智能技术。除智能安防外，与政府需求相关的应用行业中，2019年有40家上市公司提供智慧政务与便民服务应用，11家公司提供智慧城市应用。
　　第二，人工智能技术应用行业的头部效应明显，智能安防、智慧金融、智慧商业三个行业应用处于明显的第一梯队，到2019年均有60家以上上市公司提供该项人工智能技术应用服务。排在第四位和第五位分别为“智能制造”“智慧政务与便民服务”，上市公司数量与前三名差别明显。在第五名以下，则不太容易划分出梯队来。智能硬件、智慧能源、传媒出版、智慧物流、机器人、智慧农业等行业中，应用人工智能技术的上市公司数量相对偏少，而且大部分属于2016、2017年涌现出人工智能应用新行业。
　　第三，人工智能技术应用的行业广度也是在2016、2017年出现了大幅度增长。2011年，上市公司人工智能技术应用仅涉及智慧商业、智能家居、智能教育、电信4个行业；2014年增长到8个，2015年达到13个行业应用，2016年17个，2019年增至21个。
　　McKinsey（2017）大规模访谈发现了人工智能技术发展初期影响技术采用的特征。[2]这些特征与企业采用最新数字技术的模式大体一致。并非巧合的是，在早期数字化浪潮中处于领先地位的相同企业正在引领下一波浪潮——人工智能。早期的人工智能技术采用者来自已经在相关技术中大规模投资的部门，例如云服务和大数据。[3]高技术和电信部门、汽车、金融服务等部门较深度采纳了人工智能技术，排在技术应用的前三位。排在其后的依次是资源和公用事业、新闻娱乐业、交通物流、零售、教育、专业服务等，医疗卫生、建材和建筑、旅游等部门的采用则更少。2019、2020年McKinsey连续发布了人工智能全球报告。研究进一步证实，商业等数字化程度高的行业是人工智能技术应用成熟度最高的行业。[4]
　　对比分析表明，数字化程度高的行业人工智能技术应用成熟度高，如商业、金融，这是新一代人工智能技术特性使然。同时，智能安防在中国成为人工智能技术应用成熟度最高的行业，这与全球的人工智能产业应用存在差异。

————

[1] 本文仅选取“人工智能”作为筛选关键词，而未包括“AI”关键词，原因在于，年报中“AI”的识别会出现在英文单词中，无法精确识别“AI”关键词，如果“AI”同样作为筛选关键词，将会因不精确识别问题导致候选名单过多，影响后续精确筛选。本文认为，如果年关键词涉及到AI，也将提到“人工智能”关键词，故本文仅选取了“人工智能”作为关键词。

[3] 其他特征还包括：独立于行业，大公司倾向于更快地投资人工智能。这也是数字技术采用的典型情况，例如，中小型企业在投资新技术的决策中通常落后。早期采用者并不专注于一种技术。随着他们采用多种AI工具同时解决许多不同的用例，它们变得更加广泛。大规模投资AI的公司正在其核心业务中使用AI。大规模采用AI的早期采用者往往受到通过人工智能削减成本的潜力驱动。AI不仅涉及流程自动化，还被公司用作主要产品和服务创新的一部分。对于早期采用数字技术的情况就是如此，并表明人工智能驱动的创新将成为生产力的新来源，并可能进一步扩大高绩效企业与落后企业之间不断增长的生产力和收入差距。强有力的执行领导力与更强的人工智能采用密切相关。成功部署大规模人工智能技术的公司的受访者倾向于对高级管理人员的支持率几乎是未采用任何人工智能技术的公司的两倍。

[4] MGI (2019). Global AI Survey: AI proves its worth, but few scale impacts. McKinsey Global Institute. MGI (2020). Global survey: The state of AI in 2020. McKinsey Global Institute.

————


　　三、人工智能技术创新扩散影响因素的理论分析
　　人工智能技术创新的扩散受多种因素的影响，本节从微观视角系统梳理了人工智能技术创新扩散的影响因素。对企业而言，在决定是否使用人工智能技术时会考虑自身的特性，如规模、研发能力、财务风险、市场势力等因素，也包括行业层面因素如市场集中度、行业增长率，以及政策层面因素如体制机制、产业政策等因素的影响。结合已有文献研究，本文重点分析了企业规模、市场集中度、研发能力、政府补贴等因素对企业使用人工智能技术的影响，并提出相应假设。
　　（一）企业规模
　　Schumpeter（1942）认为企业规模与企业创新能力之间具有正相关关系，大企业具有更强的创新能力。创新活动具有不确定性，大企业风险分担能力更强，可以通过大规模多元化的研发创新消化失败。同时，大企业面临的融资渠道更多，尤其是处于垄断地位的企业，可以通过持续的垄断利润支持研发活动，能够承担得起高额研发费用。并且大企业在规模经济方面更有优势，创新成果的收获也需要企业具有某种市场控制能力。Galbraith（1956）、Kaplan（1954）提出，大企业是引致技术变化的最完整的工具，是技术创新的最有效的发明者和传播者。在实证研究方面，企业规模与创新关系并未形成一致结论。部分研究结论证实了企业创新与企业规模之间的正相关关系（Braga and Willmore, 1991；Blundell et al. 1995；周黎安和罗凯，2005），也有文献认为小企业承担了更大比例的创新（Freeman and Soete，1997）。另外，部分文献结果表明，企业规模与企业创新之间存在倒U型的关系（Scherer, 1965；Loeb and Lin, 1977；Soete, 1979），国内相关实证研究印证了企业规模与企业创新之间的倒U型关系（朱恒鹏，2006；吴延兵，2008；聂辉华等，2008）。
　　新一代人工智能致力于提升预测能力，实现机器智能化，为消费者提供个性化定制服务。McKinsey（2017）研究表明，大规模企业倾向于更快投资人工智能，中小企业在投资新技术方面相对滞后。Varian（2018）在讨论机器学习与企业最小效率规模（Minimum efficient scale）时提出，人工智能背景下企业最小效率规模的变化取决于固定成本与可变成本之间的关系。如果企业针对消费者提供高度定制化服务与产品需要高额成本，那意味着企业固定成本偏高，大规模企业有能力抵消这部分固定成本，小企业处于相对劣势地位。同时，在人工智能时代，云服务提供商可以为企业提供数据操作与分析的软硬件环境，以及提供公共数据与私人数据库接口，因此在云服务可获得的前提下，初创公司可以通过云服务获得软硬件设施，并集中精力进行核心能力的开发，因而在人工智能时代，机器学习技术有可能降低企业最小有效规模。基于以上文献梳理，本文提出如下假设：
　　假设1：企业规模与企业使用人工智能技术的概率之间存在非线形相关关系。
　　（二）市场集中度
　　市场结构是影响企业创新的重要因素。Schumpeter认为，完全竞争市场削弱了企业创新的回报，从而弱化创新激励，而拥有垄断势力的企业可以通过对技术垄断获取垄断利润，阻止创新被模仿，有更强的创新激励。Glibert and Newbery（1982）提出，垄断者获取的垄断利润大于竞争性市场结构的企业利润之和，更有积极性保护其垄断利润，因而拥有更强的创新激励。Jadlow（1981）、Kraft（1989）等实证研究结果支持了上述假说。
　　Arrow（1962）则提出相反的观点，强调竞争性市场结构更具有创新激励。由于企业引入新技术会替代旧技术，与竞争性厂商利润相比，垄断厂商由于在位利润更高，缺乏“逃离竞争”的激励，创新激励更低。Geroski（1994）、Nickell（1996）、Blundell et al.（1999）、 Broadberry et al.（2000）等人的研究验证了竞争性市场结构更有利于激励企业创新的结论。
　　市场集中度与企业创新激励之间也可能存在倒U型关系，即存在适度区间（Levin et al.，1985；Aghion et al.，2005）。国内关于市场结构与企业创新激励的结论是混合的，并未形成统一结论（吴延兵，2008；聂辉华等，2008；寇宗来和高琼，2013；孙早等，2016）。
　　人工智能技术所具备的学习能力能够大规模推广使用，并且持续升级更新，同时引发与之相配套的创新活动，具有通用技术的潜质。但人工智能技术在行业间的扩散并非同步,受市场因素的影响，企业对未来市场需求、未来采用该技术的成本以及利润不确定性的预期，都将影响企业使用人工智能技术的决策。根据以上文献研究，本文提出如下假设：
　　假设2:市场集中度与企业使用人工智能技术的概率存在线形相关关系。
　　（三）研发能力
　　新一代人工智能的关键技术特征是使用机器学习，尤其是深度学习，让计算机从经验中学习。深度学习即使用多层神经网络直接处理数据，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单概念之间的关系来定义。由此可以发现，深度学习技术的广泛应用有赖于算法、计算能力和数据三个因素。其中算法和算力突破涉及到技术问题，数字化技术研发能力强的企业在算法和算力突破方面具有优势，在大数据的加持下可以实现技术突破和商业应用。另外，新一代人工智能技术需要大量的数据进行模型训练和性能提升，使得数据成为企业间竞争的热点，大数据和云服务等数据密集型企业也可以借助成熟的算法实现技术商用。
　　McKinsey（2017）报告指出，早期的人工智能技术采用者来自已经在相关技术中大规模投资的部门，例如云服务和大数据。这些部门也处于数字资产和使用的前沿。这是一个至关重要的发现，因为它表明在数字化方面，各部门和公司的追赶很难，因为每一代新技术都建立在前一代技术之上。因此，研发能力越强的企业，更倾向于投资人工智能形成新的核心竞争力。基于人工智能技术特性，本文提出如下假设：
　　假设3:企业研发能力与企业使用人工智能技术的概率正相关。
　　（四）政府补贴
　　选择性产业政策主要运用财政、金融、外贸和制度干预、“行政指导”等手段，有选择地促进某些产业发展。政府补贴是选择性产业政策的一种手段，可以与其他选择性产业政策手段共同促进重点鼓励行业中企业的技术创新（余明桂等，2016），但政府补贴可能存在“适度空间”，即适度的补贴强度能够激励企业从事创新活动，过高的补贴强度会引诱企业为了获取补贴而创新（毛其淋和许家云，2015；安同良等，2009）。黎文靖和郑曼妮（2016）研究表明，受产业政策激励的上市公司新增专利主要集中在非发明专利领域，选择性产业政策的财税手段促使企业为了获取政策扶持而进行策略性创新，缺乏实质性创新，没有显著提升创新质量。
　　网络外部性是人工智能技术的一个重要特征，更多企业使用人工智能技术可以提升算法精度并产生新的训练数据，提升人工智能企业的外部性收益。在人工智能技术创新扩散早期，网络外部性收益不足以吸引企业采用人工智能技术。如果新旧技术不兼容，企业是否使用新技术取决于已有技术的网络外部性规模：如果已有技术具有较强的网络外部性，企业转向新技术需要承担较大的机会成本，而新技术在用户规模小的情况下无法为早期企业提供较高的收益，导致企业选择继续使用已有技术，延迟了创新的扩散（Farrell and Saloner，1986）。政府在技术扩散早期的积极作为可能是化解网络外部性带来的扩散延迟问题一种措施，政府的作用如同“泵中灌水”（Postrel，1986）。政府补贴等扶持性产业政策在一定程度上可以减轻早期人工智能企业的转换成本，缓解早期激励不足带来的技术创新扩散延迟问题。因此，在创新扩散早期，我们预期政府补贴可能会诱发更多企业转向使用人工智能技术。因此，本文提出如下假设：
　　假设4:政府补贴与企业使用人工智能技术的概率之间存在正相关关系。

四、人工智能技术创新扩散影响因素的计量分析

　　（一）计量模型设定
　　本节利用面板Probit模型进行实证分析。核心被解释变量为企业是否采用了人工智能技术，为虚拟变量。本文以Wind数据库提供的“信息传输、软件和信息技术服务业”[1]门类A股上市公司名单为基础，整理了上述A股上市公司2015—2019年的相关财务信息、所处行业大类信息，并删除掉数据缺失严重的样本，最终获取了288家上市公司5年的平衡面板数据。其中，2015—2019年人工智能上市公司数量分别为5家、21家、44家、73家和125家。
　　面板Probit模型属于非线性面板，在模型设定方面有一些技术性问题，需要加以说明。如果面板数据各期之间相互独立，可以应用线性概率模型（LPM）、混合Probit模型进行估计。但由于不可观测效应的存在，面板数据各期之间往往存在相关性，导致上述估计方法失效。一种思路是应用LPM，通过固定效应（FE）、一阶差分（FD）等方法消除掉不可观测效应的影响，但面板LPM对模型施加了非自然的约束（限制了的取值范围），并且存在预测结果可能超被解释变量取值范围、解释变量的边际影响固定不变等问题。
　　企业使用人工智能技术的决策要早于企业开始使用人工智能技术，本文将因变量“企业是否使用人工智能技术”视为企业上一期在各类影响因素下的期末决策，在本期表现为开始应用人工智能技术。在回归模型中体现为：解释变量取滞后一期值，而非当期值。这样可以在一定程度上避免被解释变量与解释变量当期值之间互为因果引发的内生性问题。
　　（二）变量设定与数据来源
　　本文的核心被解释变量为企业是否选择人工智能技术（AI），为虚拟变量，即第二节精确筛选所确定的人工智能上市公司名单，若上市公司当年选择了人工智能技术，则对应年份的AI赋值为1，否则赋值为0。
　　衡量企业规模的指标通常包括企业资产和销售收入。本文将企业资产规模作为企业规模的衡量指标，并取对数。考虑到企业规模对创新决策可能存在非线形影响，模型中加入了企业规模对数的二次项；并将企业销售收入作为企业规模的替代衡量指标，用于稳健性检验。
　　衡量市场结构的指标主要是市场集中度。本文将Wind数据库提供的“行业内销售额最大的3个企业销售份额占全行业销售额的比例”作为市场集中度的衡量指标。另外，市场势力也是影响企业创新决策的重要因素，但由于上市公司的边际成本无法获取，不能直接得到企业市场势力的勒纳指数。借鉴聂辉华等（2008）的思路，企业产品差异越小，市场竞争越激烈，从而市场势力更小，就更有激励做广告，本文利用Wind数据库提供的企业广告费用占销售收入的比例以及二次项作为市场势力的代理指标。
　　衡量企业研发能力的指标包括投入和产出两个层面。投入层面主要通过企业的研发投入来衡量，后者主要以专利数量来衡量。本文数据只包含了研发投入数据，因此我们对研发投入数据取对数，以衡量企业的研发能力。
　　政府补贴数据主要来源于Wind数据库。由于部分上市公司政府补贴数据为零，本文对所有政府补贴数据值+1并进行对数化处理。
　　另外，企业进行研发决策时会面临融资约束，本文在模型中控制了资产净利率、资产流动性、资产负债率等因素。此外，本文控制了企业年龄、所有制结构、所在地区虚拟变量、年份虚拟变量、所在省份GDP、所在省份市场化指数。在Chamberlain RE Probit模型估计中，与不可观测异质性相关的因素包括各样本企业的规模、市场力量、研发能力、资产净利率、资产流动性、资产负债率、所有权、年龄等2015—2019年的均值。

　　（三）估计结果
　　本文利用面板Probit模型进行回归，结果见表5。其中，第二、第三列为RE Probit的估计结果，第四、第五列为Chamberlain RE Probit估计结果。
　　企业规模与企业使用人工智能技术的概率存在显著的倒U型关系。RE Probit模型回归结果显示，企业规模项估计系数为正，企业规模二次项估计系数为负，说明适度规模可以提升企业使用人工智能技术的概率。在平均偏效应方面，平均而言企业规模每扩大一倍，使用人工智能技术的概率增加0.287。企业规模对响应概率影响的转折点为13.098。考虑到企业不可观测异质性可能与解释变量存在相关性，本文利用Chamberlain RE Probit模型进行了估计，模型回归结果支持企业规模的影响呈倒U型影响的结论，回归结果支持假设1。
　　市场集中度与企业使用人工智能技术的概率呈反向变动关系。两种模型的估计结果均显示出了显著的负相关关系，说明市场的竞争性成分越大，企业越有激励使用人工智能技术。回归结果支持假设2。从平均偏效应上看，允许不可观测的个体异质性与解释变量相关，进一步提升了市场集中度的边际影响。平均而言，市场集中度每增长1个百分点，企业使用人工智能技术的概率下降0.302个百分点。
　　研发能力与企业使用人工智能技术的概率没有显著的相关关系。RE Probit估计回归结果显示，在5%的显著性水平上，企业研发能力与企业转向使用人工智能技术的概率之间的正相关关系缺乏显著性。Chamberlain RE Probit模型同样没有得到显著的正相关关系，回归结果不支持假设3。
　　政府补贴与企业使用人工智能技术的概率成正相关关系。回归结果显示，政府补贴能够显著的提升企业使用人工智能技术的概率，说明政府补贴项对企业使用人工智能技术具有正向激励作用，模型估计结果同样支持假设4。平均偏效应方面，政府补贴因素两种回归模型下的边际影响基本一致。平均而言，政府补贴每增加一倍，企业使用人工智能技术的概率提升约0.03。

　　（四）稳健性检验
　　1.允许被解释变量之间存在序列相关性

　　2.更换解释变量的衡量指标
　　首先，将企业规模的衡量指标替换为企业销售收入数据，回归结果见表7。模型回归结果支持企业规模与企业使用人工智能技术概率的倒U型结论。其次，本文将“营业收入前5名占该行业营业收入比例”（cr5）作为市场集中度的衡量指标进行回归，结果见表8。回归结果同样显示出了呈负相关关系。第三，本文将企业研发人员数量占比（human_capital）作为衡量企业研发能力的替代指标，回归结果见表9。可以看出，企业研发能力项对企业使用人工智能技术的概率的正向影响并不显著。[4]上述各回归结果中，其他解释变量的影响与基本结论保持一致。
　　本文进一步用“营业收入前8名占该行业营业收入比例”（cr8）、“企业研发投入占销售收入的比例”分别衡量市场集中度、企业研发能力，回归结果与仍基本结论保持一致，限于篇幅未在正文汇报。

　　3.关于解释变量严格外生性的检验
　　上述分析过程都是在假定（2）成立的条件下分析的，即解释变量满足严格条件外生性。解释变量也可能存在相关性，如企业当期的利润率影响企业使用人工智能技术的决策（进而决定了下期是否开始使用人工智能技术），而企业是否使用人工智能技术又会影响到企业未来的利润率，导致利润率不满足严格外生性假定。本文借鉴Wooldridge(2010)的思路，如果怀疑某个解释变量不满足严格外生性，在模型中加入该解释变量的下一期值，并利用RE Probit模型或者Pooled Probit模型进行估计。在零假设下，下一期解释变量的系数应该不显著。本文遵循该思路，对各解释变量进行了Pooled Probit估计，在5%的显著性水平下，仅资产流动性不满足零假设，其余解释变量均满足原假设，基本可以认为模型设定满足严格外生性假定。

————

[1] 人工智能上市公司主要集中在“信息传输、软件和信息技术服务业”和“制造业”两大行业门类。但“制造业”门类涉及多种不同类型的制造业大类，存在较大的行业异质性，且“制造业”门类中人工智能上市公司与非人工智能上市公司数量差异大，故未使用“制造业”门类数据。

[2] Jeffrey M. Wooldridge. Econometric Analysis of Cross Section and Panel Data. [2 ed.]. MIT,2010. p612.

[3] Jeffrey M. Wooldridge. Econometric Analysis of Cross Section and Panel Data. [2 ed.]. MIT,2010. p613-619.

[4] 由于企业研发人数数量2014年样本缺失严重，导致滞后一期的解释变量2015年存在较多空值，因此在相应模型中，将面板时间限定为2016—2019年。

———


五、关于政府作用的进一步讨论

　　（一）政府补贴作用的进一步分析
　　本文进一步在模型中引入了政府补贴与年份虚拟变量的交互项，分析政府补贴作用的年度差异。回归结果见表10。RE Probit估计结果如表10第二、三列所示，2015—2017年交互项对企业使用人工智能技术的概率虽然存在正向影响，但在统计意义上不显著。2018、2019年政府补贴交互项则呈现出了显著的正相关关系，说明政府补贴项在2018年、2019年显著提升了对企业使用人工智能技术的概率。从边际效应上看，2018年政府补贴每增加一倍，企业使用人工智能技术的概率增加约0.035。其他解释变量的回归结果与基准回归结论保持一致。Chamberlain RE Probit估计结果同样支持上述结论。
　　上述分析表明，政府以补贴等形式推行的扶持性产业政策提升了企业使用人工智能技术的概率，在人工智能技术扩散早期起到了一定的积极作用。回顾第二节我国人工智能技术创新扩散的总体特征可以发现，不论是2016、2017年中国人工智能技术创新扩散出现爆发期，还是中国人工智能技术应用方向与国外有差异，也和政府在人工智能技术创新扩散中的作用有关。因此，本节重点探讨了政府在人工智能技术创新扩散中的作用，并论述了政府政策从产业政策为主向竞争政策为主转变的必要性。
　　（二）新一代人工智能创新技术特性
　　探讨政府在人工智能技术创新扩散中的作用，我们首先要从新一代人工智能的技术特征讲起。人工智能早期发展阶段，主要通过形式化的数学规则（语法规则）直接编程来使得计算机拥有某些人类的智能。这对于某些形式化程度高的任务是适合的，却难以胜任语音识别、图像识别这些人类凭直觉就可以解决、又很难形式化描述的任务。新一代人工智能的关键技术特征是使用机器学习，尤其是深度学习，让计算机从经验中学习。深度学习即使用多层神经网络直接处理数据，并根据层次化的概念体系来理解世界，而每个概念则通过与某些相对简单概念之间的关系来定义。由此我们可以发现，深度学习技术的广泛应用有赖于三个要素：一是算法，即具体的深度学习算法；二是是计算能力，即硬件基础；三是数据。其中算法和算力突破是技术问题，数据则构成了影响新一代人工智能技术扩散的关键要素。
　　新一代人工智能技术对数据的依赖产生了两个问题，一是技术扩散中的网络外部性，二是经济效率与隐私外部性之间的权衡。政府在人工智能技术创新扩散中的作用即与这两个问题有关。
　　（三）网络外部性、产业政策与市场预期
　　经济学上，外部性指一个经济主体的生产或消费直接影响到另一个经济主体的效用。网络外部性是外部性的特殊形式，即消费者得自某种商品（服务）的效用取决于消费这种商品（服务）的其他消费者数量。例如互联网技术服务具有网络外部性，用户使用互联网的收益取决于互联网已有用户的规模，用户规模越大，新用户使用互联网的收益就越大。人工智能技术服务同样具有网络外部性特征，人工智能技术需要海量数据做支撑，更多的企业采用人工智能技术将产生更多的训练数据，进一步提高预测性能，提升了人工智能企业的（外部性）收益。
　　经济学研究表明：在技术不兼容时，网络外部性会影响创新的扩散。在需求侧，如果多个创新技术相互竞争，用户是否使用新技术取决于已有技术的网络外部性规模。如果已有技术具有较强的网络外部性，用户转向新技术需要承担较大的机会成本，而新技术在用户规模小的情况下无法为早期用户提供较高的收益，导致用户选择继续使用已有技术，延迟了创新的扩散。在人工智能技术创新扩散早期，网络外部性规模小，收益不足以吸引企业采用人工智能技术，导致人工智能技术创新扩散缓慢。
　　政府在扩散早期的积极作为可能是化解创新扩散延迟的一种手段。本文通过梳理我国人工智能政策发现，政府政策的密集出台与人工智能技术创新扩散总体特征在时间上具有一致性。2016年以前，国家没有出台关于人工智能领域的专门性文件，在相关文件中零星提到人工智能产业发展问题。在缺乏利好的政策环境下，企业在人工智能技术应用所得收益存在较大的不确定性，面临高转换成本，缺乏足够的激励。2016、2017年前后，人工智能发展开始上升到国家层面的高度，2017年7月国务院发布《新一代人工智能发展规划》，对我国人工智能的发展进行了全面部署，被认为是我国人工智能发展的纲领性文件。随后，工信部、科技部陆续出台政策支持人工智能产业发展。人工智能相关政策文件数量持续增长，政策环境持续向好。各地方政府也纷纷响应国家号召，出台人工智能发展规划，抢占发展先机。截至2019年，北京、天津、江苏、上海、浙江、福建、广州等近20个省市先后发布人工智能政策。
　　利好的政策环境为人工智能技术在产业间的扩散提供了良好的基础。在算力支撑方面，我国相继有八座超级计算中心建成或正在建设，为人工智能提供了强有力的算力支撑。[1]在数据开放方面，在保证数据安全的前提下，部分行业数据可以向企业提供数据接口进行算法训练与性能提升，为推动人工智能技术应用提供了良好的软硬件支撑。政府在技术设施方面的投入建设降低了企业使用人工智能技术的投入成本，使人工智能技术应用有了数据、计算能力基础。另一方面，人工智能领域的政府补贴也在不断加大，各省、市、自治区已经开始利用财政和土地税收政策补贴等方式进行人工智能产业扶持。
　　政府关于人工智能技术相关政策频发，最重要的一点可能是政策传达出来的信号，即上市公司强烈感受到人工智能技术在政府强力支持下即将得到大规模应用，预期因之改变，进而推动技术应用的正反馈循环。在利好的发展环境下，2016、2017年，人工智能上市公司开始出现了增长拐点。2018、2019年，随着各地方政府人工智能相关政策的出台，政策补贴力度的不断加大也激励了更多上市公司开始使用人工智能技术。
　　另外，政府作为需求方，通过购买服务推进人工智能技术应用。人工智能应用需要在新技术带来的安全效率提高与可能侵犯隐私之间权衡，不同社会强调的重点不一样。总体特征二表明，智能安防成为我国人工智能技术落地成熟的行业，即在权衡中我们更强调了安防带来的安全效率提高。这有两方面的原因：随着城镇化建设的推进，我国城市规模不断扩大，人口流动性和密集性持续增加，对系统化、网格化的社会治安体系的要求不断提升；而处于发展中国家的现实，人均收入水平不高，使得我国社会对于隐私度的的强调相对要低于发达经济体。
　　（四）从产业政策转向竞争政策的必要性
　　本节关于政府在人工智能创新技术扩散中作用的讨论表明，在早期网络外部性规模比较小的情况下，政府利好政策的出台以及政府补贴等相关措施可能是化解企业使用人工智能技术激励不足的一种可行手段。但并不意味着政府应当持久干预人工智能技术创新的扩散，政府补贴等产业政策能否起到激励创新的题中之义，仍然有待进一步研究。而且应当注意政府补贴、税收优惠等扶持性产业政策可能引发的人工智能产业重复建设、企业在低水平技术蜂拥而上的现象，以及可能引发的产能过剩、产业结构失衡、地方政府债务积累等问题（陈小亮和陈彦彬，2019；宋伟和夏辉，2019）。为进一步实现人工智能技术创新与各产业深入融合，推进人工智能技术创新扩散，政府政策有必要从产业政策向竞争政策转变。
　　首先，人工智能技术发展的历史表明，技术突破具有高度偶然性，事前很难确定哪些技术会成为主流，哪些技术会成功实现商用。例如，当前这一轮人工智能热潮可追溯到学术界的一项进展：辛顿等人2006年成功训练了一类特殊的神经网络——深度信念网络，重新点燃了学术界对人工神经网络的热情与信心，辛顿也因此获得了计算机科学最高奖——图灵奖。但是，2012年以来在业界获得普遍应用的主流神经网络模型并不是深度信念网络，而是卷积神经网络和循环神经网络等。这表明，即使政府聘请顶尖的业内专家，也不一定能事先预测哪一类具体技术会成为市场应用的主流。
　　其次，从作者团体的调研经历看，人工智能是颠覆性的创新技术，其产业化应用面临一系列体制机制障碍，亟待更好发挥政府作用。例如，如何实现政府数据开放，兼顾效率与隐私；如何建立适应大数据、人工智能的监管体制等等，这些都需要制度创新。
　　再次，从国际经验看，发达国家关于人工智能的发展政策实际上不是传统的产业政策，而是竞争政策。例如，美国政府在制定与人工智能相关的政策时更加偏重于建设公平的市场环境，为企业发展扫除障碍，提供技术协助与发展机会。美国联邦政府2019年制定名为《美国人工智能倡议》的政府行政命令，而此文件实为框架性的产业战略，并没有详细的实施细则与明确规划。美国政府把更多政府资金和资源投入到人工智能的基础研究中，并积极建立以美国为首的人工智能产业国际标准，同时对美国工人的再培训展开新研究，以适应新发展态势的需求。
　　最后，从经济学原理分析，直接对相关企业进行财政补贴存在一系列弊端。例如，会扭曲资源配置，阻碍市场发挥资源配置的决定性作用，阻碍公平竞争。人工智能初创企业需要的巨额投资不是地方财政可以解决的，通过金融市场直接融资更有效率。
　　党的十八届三中全会提出“要发挥市场在资源配置中的决定性作用，更好发挥政府作用”。十九届四中全会在“加快完善社会主义市场经济体制”部分强调了“强化竞争政策基础地位”。当前，我国经济已由高速增长阶段转向高质量发展阶段。发展的这一阶段转变也适用于刚刚经历爆发期的人工智能行业。在人工智能技术创新扩散过程中，政府应当从产业政策向竞争政策转变，侧重提供良好的制度环境，即开放市场，保障数据、算力等资源公开开放的使用，建立标准等。

————
[1] 八座超级计算中心分别是天津、长沙、深圳、济南、广州、无锡、郑州、昆山。http:// www. js. xin huanet. com/ 2020- 12/02/c_ 11268 10008. htm.
————

六、总结

　　本文利用机器学习文本分析技术识别出的人工智能上市公司名单，梳理了中国人工智能技术创新扩散的总体特征。一是人工智能上市公司数量和人工智能技术的行业应用广度在2016、2017年出现爆发性增长；二是在行业应用方面，智能安防成为人工智能技术应用成熟度最高的行业，与国外应用存在差异。基于创新扩散的总体特征，本文进一步从微观视角规范分析了人工智能技术创新扩散的影响因素，并利用面板Probit模型进行实证分析，结果表明，企业规模的影响呈倒U型关系，适度的企业规模有助于提升企业转向使用人工智能技术的概率。市场集中度与企业人工智能转型的概率呈负相关，行业竞争性成分越多，企业越倾向于转向使用人工智能技术。企业研发能力的影响缺乏显著性。政府补贴因素能够与企业使用人工智能技术的概率呈正相关关系，并具有年度差异。
　　在人工智能技术创新扩散中，政府作用具有两面性，一方面，政府密集出台利好政策能够推动上市公司形成新的市场预期，推动技术应用的正反馈循环，带动人工智能技术创新扩散呈现出上述总体特征。另一方面，我国的人工智能政策具有选择性产业政策特征，随着各地方政府人工智能相关产业政策的出台，政策补贴力度不断加大，开始出现了一些因政策激励而转向使用人工智能技术的上市公司；但是选择性产业政策对提升创新能力、实现重大核心技术突破、推动技术进步的激励作用不足。因此，政府政策在导向上有必要从产业政策向竞争政策转型，更好发挥市场在资源配置中的决定性作用。具体建议如下。第一，政府不在人工智能或其细分领域以倾斜政策扶持所谓“龙头企业”、“领军企业”，文件不再提“龙头企业”、“领军企业”。“龙头企业”、“领军企业”应该是市场竞争的结果。第二，政府不强调人工智能核心产业或带动产业的具体规模、产值。第三，落实公平竞争审查制度，清理已出台人工智能和高科技相关政策文件中妨碍公平竞争、束缚民营企业发展、有违内外资一视同仁的政策措施，严格做好新出台文件的审查。第四，在政府与企业之间建立缓冲地带，政府补贴研发的专项资金主要投向大学、科研院所、独立实验室，不直接补贴企业。第五，避免以财政资金直接投资主导或撬动产业投资基金。



参考文献

[1]安同良、周绍东和皮建才，2009，《R&D补贴对中国企业自主创新的激励效应》，《经济研究》第10期，第87～98页。

[2]蔡跃洲和陈楠，2019，《新技术革命下人工智能与高质量增长、高质量就业》，《数量经济技术经济研究》第5期，第3～22页。

[3]陈小亮和陈彦彬，2019，《发展人工智能的产业政策存在的问题与调整思路》，《人文杂志》第11期，第25～32页。

[4]陈彦彬、林晨和陈小亮，2019，《人工智能、老龄化与经济增长》，《经济研究》第7期，第47～63页。

[5]郭敏和方梦然，2018，《人工智能与生产率悖论: 国际经验》，《经济体制改革》第5期，第171～178页。

[6]郭凯明，2019，《人工智能发展、产业结构转型升级与劳动收入份额变动》，《管理世界》第7期，第60～77页。

[7]古德费洛，2017，《深度学习》，人民邮电出版社，2017年中文版（赵申剑等译）。

[8]寇宗来和高琼，2013，《市场结构、市场绩效与企业的创新行为——基于中国工业企业层面的面板数据分析》，《产业经济研究》第3期，第1～11页。

[9]黎文靖和郑曼妮，2016，《实质性创新还是策略性创新？——宏观产业政策对微观企业创新的影响》，《经济研究》第4期，第60～73页。

[10]毛其淋和许家云，2015，《政府补贴对企业新产品创新的影响——基于补贴强度“适度区间”的视角》，《中国工业经济》第6期，第94～107页。

[11]聂辉华、谭松涛和王宇锋，2008，《创新、企业规模和市场竞争——基于中国企业层面的面板数据分析》，《世界经济》第7期，第57～66页。

[12]宋伟和夏辉，2019，《地方政府人工智能产业政策文本量化研究》，《科技管理研究》第10期，第192～199页。

[13]孙早、郭林生和肖利平，2016，《企业规模与企业创新倒 U 型关系再检验——来自中国战略性新兴产业的经验证据》，《上海经济研究》第9期，第33～42页。

[14]吴延兵，2007，《企业规模、市场力量与创新：一个文献综述》,《经济研究》第 5期，第125～138页。

[15]吴延兵，2008，《创新的决定因素——基于中国制造业的实证研究》，《世界经济文汇》第2期，第46～58页。

[16]余明桂、范蕊和钟慧洁，2016，《中国产业政策与企业技术创新》，《中国工业经济》第12期，第5～22页。

[17]周黎安和罗凯，2005，《企业规模与创新:来自中国省级水平的经验证据》,《经济学(季刊)》第3期，第624～638页。

[18]朱恒鹏，2006，《企业规模、市场力量与民营企业创新行为》，《世界经济》第12期，第41～52页。

[19] Aghion, Philippe, Nick Bloom, Richard Blundell, Rachel Griffith, and Peter Howitt. 2005. “Competition and innovation: An inverted-U relationship”, Quarterly Journal of Economics, 120(2) : 701~728.

[20] Arrow, Kenneth J. 1962. “Economic Welfare and the Allocation of Resources for Invention”, in Richard R. Nelson(ed.). The Rate and Direction of Inventive Activity, Princeton University Press.

[21] Blundell, R., R. Griffith and J. Van Reenen. 1995. “Dynamic Count Data Models of Technological Innovation”, Economic Journal, 105(429): 333~344.

[22] Blundell R., R. Griffith and J. Van Reenen. 1999. “Market Share, Market Value and Innovation in a Panel of British Manufacturing Firms”, Review of Economic Studies, 66(3): 529~554.

[23] Braga, H. and L. Willmore. 1991. “Technological imports and Technological Effort：An Analysis of their Determinants in Brazilian Firms”, Journal of Industrial Economics, 39(4): 421~432.

[24] Broadberry, S. and N. Crafts. 2000. “Competition and Innovation in 1950’s Britain”, Economic History Working Papers 22381, London School of Economics & Political Science, Department of Economic History.

[25] Farrell, J. and G. Saloner. 1986. “Installed Base and Compatibility: Innovation, Product Preannouncements, and Predation”, American Economic Review, 76(5): 940~955.

[26] Freeman, C. and L. Soete. 1997. The Economics of Industrial Innovation [3 ed], London & Washington.

[27] Galbraith, J.K. 1956. American Capitalism, Revised edition, Boston: Houghton Mifflin.

[28] Geroski, P. A. 1994. Market structure, Corporate Performance and Innovative Activity，Oxford: Clarendon Press.

[29] Gilbert, R. J. and Newbery D. M. G. 1982. “Preemptive patenting and the persistence of monopoly”, American Economic Review, 72(3): 514~526.

[30] Jadlow, J. M. 1981. “New Evidence on Innovation and Market Structure”, Managerial and Decision Economics, 2(2):91~96.

[31] Kaplan, A. D. 1954. Big Enterprise in a Competitive System, Washington D. C.

[32] Kraft, K. 1989. “Market Structure, Firm Characteristics and Innovative Activity”, Journal of Industrial Economics, 37(3):329~336.

[33] Levin, R. C., W. M. Coben and D. C. Mowery. 1985. “R&D Appropriability, Opportunity and Market Structure: New Evidence on some Schumpeterian Hypotheses”, American Economic Review, 75(2): 20~24.

[34] Loeb, P.D. and V. Lin, 1977, “Research and Development in the Pharmaceutical Industry-A Specification Error Approach”, Journal of Industrial Economics, 26(1):45~51.

[35] Nickell S. J. 1996. “Competition and corporate performance”, Journal of political economy，104(4): 724-746.

[36] Postrel, S. 1986. “Bandwagons and the Coordination of Standardized Behavior”. Mimeo, MIT.

[37] Scherer F. M. 1965. “Firm size, Market Structure, Opportunity, and the Output of Patented Inventions”, American Economic Review, 55(5): 1097-1125.

[38] Schumpeter, F. M. 1942. Capitalism, Socialism and Democracy. New York Harper & Brothers.

[39] Soete, L. L. G. 1979. “Firm Size and Innovation Activity”, European Economic Review, 12(4): 319~340.

[40] Varian, H. 2018. “AI, Economics and Industrial Organization”. NBER Working Paper No. 24839.

[41] Wooldridge, J. M., 2010. Econometric Analysis of Cross Section and Panel Data [2 ed.], MIT Press.


推荐阅读

中国政治经济学智库 ｜ 长按关注