李力行：人工智能技术的影响因素与产业政策度量

题记：2024年6月16日，北大国发院【朗润·格政】第186期论坛在承泽园举行，主题为“新技术新产业新就业——人工智能对中国劳动力市场的潜在影响”。本文根据北大博雅青年学者、国发院经济学教授、中国公共财政研究中心主任李力行的演讲整理。

数字化技术的发展历程经历了多个阶段。从工业机器人代表的自动化技术，到互联网和软件引领的信息化技术，再到如今智能制造的崛起，特别是人工智能及其大语言模型的应用，这些变革都反映了技术进步的轨迹。

同时，相关的政策也在不断演进，如2013年提出的《关于推进工业机器人产业发展指导意见》，2015年《中国制造2025》强调智能制造，以及2017年首次出台的《新一代人工智能规划》，都标志着技术发展与政策支持的紧密结合。

数字技术的供给与需求存在相互作用

技术创新与技术采纳之间有相互作用。技术创新为产业提供了技术供给，而产业如何应用这些技术则反映了市场需求。这种供给与需求的相互作用决定了技术在现实中的应用程度。以工业机器人为例，随着劳动力成本上升、人口老龄化以及刘易斯拐点的到来，市场对替代劳动力的技术需求日益增加，推动了工业机器人技术的广泛采纳。在这里，工业机器人技术的发展主要受到需求方的推动。

此外，数字平台与灵活用工的结合则体现了技术创新在供给方面的推动作用。灵活用工早已有之，而以美团为代表的生活服务型数字平台，通过技术创新，使得供方、需方、商家、消费者和外卖员等各方能够通过掌上APP实现高效连接，进一步推动了灵活用工模式的发展。这一过程中，技术创新在供给方面发挥了关键作用。

在研究技术对劳动力的影响时，技术采纳无疑是一个关键因素。我们的研究团队构建了暴露指数这一框架，用以评估人工智能大语言模型在理论上能够替换各种职业或技能的程度。然而，实际替换过程涉及到采纳的问题。企业在决定是否采纳某种数字技术时，会综合考虑成本和收益。

在以前的分析中，我们曾经对不同行业的人工智能技术采纳率进行了预测，并预测了到2049年的采纳率，涵盖了低、中、高三个层次。其中，旅馆和住宿服务业的预测采纳率较高，达到50%、60%、80%不等。然而，对于科学研究等行业，当时的预测采纳率非常低，仅为9%、10%、13%左右。这一预测显然未充分考虑到最近一段时间大语言模型在科研领域的应用，它们实际上能够在很大程度上辅助或替代科研人员的工作。因此，准确预测技术采纳率是一项极具挑战性的任务。

在实际操作中，衡量技术采纳的最佳方式之一是分析招聘数据。招聘活动直接反映了用人单位对技术的需求，且涉及实际的资金投入。人工智能技术的特点在于其供给主导性，即创新主导型。目前，我们仍不确定大语言模型在日常生活中能够带来哪些具体变革，各大互联网公司也都在探索大语言模型的商业化应用，希望找到能够推动其落地的爆款应用。因此，从这一角度看，人工智能技术的发展可能并非由需求主导，而是由供给推动。我们期待这种供给能够创造出新的需求，并在此过程中，对采纳率背后的成本和收益进行深入分析。

技术创新受到多重因素的影响。

首先，技术创新取决于要素禀赋，这些要素包括企业家精神、资本投入等。要素禀赋的发达程度直接影响技术创新的可能性，其中科研人员的密集程度也是一个重要特征。当要素禀赋更为丰富时，新技术创新的出现就更加有条件。

其次，一般性质的制度环境也对技术创新有着重要的影响。例如，法治的完善能够更好地保护产权，而金融制度的发达，如VC等直接针对创新的融资方式，则能更有效地推动技术创新。

此外，营商环境的普遍改善也为技术创新提供了良好的环境。

人工智能产业政策的现状

产业政策本身是一个充满争议的话题。实施产业政策的经济学逻辑主要基于产业的正外部性和国家安全属性。由于产业的研发能够产生外部性，反哺其他行业，同时某些行业具有国家安全的属性，其市场价值与社会价值可能存在不一致，因此需要政府资助以平衡社会收益与边际市场收益。

此外，产业政策也旨在解决多重均衡下的协同失效问题，如产业链上下游之间可能存在的互相敲竹杠现象，通过第三方协调机制可以减少交易费用。

实施产业政策的手段多种多样，包括但不限于研发补贴、税收优惠、融资支持、土地优惠、公共品的有偏提供、关税和贸易保护、政府采购、投资目录以及强制规定等。这些手段通过多种方式促进产业发展和技术创新。

产业政策常受到质疑，其中主要原因在于，政府作为实施主体时，由于信息不足，难以准确识别并资助那些急需支持的企业，往往只能在事后进行奖励，而非及时提供雪中送炭般的支持。这种滞后性不仅限制了政府对高风险创新的及时支持，还容易引发寻租腐败，对市场竞争产生不利影响。

当前新产业政策经济学的研究焦点已从是否实施产业政策转向如何有效实施产业政策。

在讨论人工智能的产业政策时，我们必须认识到人工智能技术的高度不确定性，特别是在技术路线选择方面。例如，Google的技术路线未能成功，而OpenAI的路线却取得了显著成果，当前多数大模型均遵循OpenAI的技术路线。因此，政策制定者需要进行技术路线的甄别，鼓励前沿技术的研发，而这些技术往往掌握在科研机构手中。

此外，人工智能产业的发展需要多方面的协同，包括应用端和研发端，是典型的产学研高度协同的行业。过去，产业政策在4G通信技术和高铁等领域的成功应用，证明了在大规模系统集成方面，需要政府作为第三方进行统筹和协调的重要性。然而，对于需要大量市场试错的行业，政府往往难以提前选定。因此，我们应特别关注人工智能产业在产学研协同方面的特征。

人工智能产业政策的度量

为了度量产业政策的有效性，我们试图从地方政府实施产业政策的角度入手，通过分析地方政府工作报告，利用大语言模型等人工智能技术，识别并区分报告中提及的产业政策与实际实施的产业政策。这种方法使我们能够提取出与产学研协同、数据算力基础设施改善、传统行业智能化改造以及政府数字政务相关的特定产业政策，从而更准确地评估产业政策的影响和效果。

我们针对人工智能相关的创新进行了度量，具体做法是通过关键词搜索专利申请数据，筛选出具备人工智能特征的专利。同时，在研究公司和产业成长的过程中，我们也对人工智能的采纳程度进行了度量，主要依据招聘数据，分析不同城市、不同行业在职位描述中对人工智能技术的需求程度。此外，我们还利用上市公司数据，对企业在2013-2022年间的成长进行了度量。

首先，根据对地方政府工作报告的分析，我们发现自2017年提出人工智能规划后，大量政府工作报告中开始提及人工智能，形成了一条明显的增长趋势线。在此之前，报告中主要关注人工智能的具体应用，尤其是在智能制造领域，而在2016、2017年之后，提及量出现了显著增长。

其次，我们根据算法区分出了四类具体实施人工智能产业政策的类型，包括数据算力基础设施、产学研融合、政府人工智能场景，以及利用人工智能改造传统行业。其中，产学研协同创新的政策从2015至2016年开始呈现大规模上升趋势。特别值得一提的是，数字政务这一类别被提及较多，表明政府正在为人工智能提供应用场景，从需求侧推动人工智能的发展。

最后，我们关注了人工智能相关企业的进入情况。根据2017年战略新兴产业行业代码的发布，我们筛选出了新注册企业中属于人工智能行业的部分。数据显示，在2019至2020年之后，这些企业的数量出现了显著增长，显示出人工智能行业的蓬勃发展态势。

人工智能相关的职位招聘在总招聘平台发布的广告中所占的比重自2014年起呈现出逐渐上升的趋势，至2022年，大约10%的职位与人工智能相关。需要注意的是，这一相关性依赖于所使用的关键词库。一类关键词直接关联于人工智能、智能制造等领域；另一类则涵盖更广泛的应用软件，因为人工智能的工作需求主要集中于软件的应用。采用不同的关键词搜索策略会得到不同的比例，但大致维持在10%左右。

关于人工智能相关职位招聘在行业和城市间的分布，数据显示，芜湖、苏州、北京等城市是人工智能职位招聘较为集中的城市。而在行业层面，电信、仪表、计算机通信、电器、机械等行业则显示出较高的人工智能职位需求。

在专利方面，人工智能相关的专利申请数量稳步上升，尤其在2017年和2020年出现了显著的增长。为了探讨人工智能产学研协同发展政策与专利申请之间的关系，我们采用了事件分析法。分析结果显示，在人工智能产学研协同政策提出之后，当地注册企业所申请的相关专利数量显著增加，平均增长率高达23.6%。

为了进一步研究人工智能产学研协同政策在何种情境下效果更佳，我们进行了回归分析，发现高等学校的数量，特别是“211工程”高校的数量，与该政策的效果呈正相关。即，一个城市的高等学校越多，尤其是“211工程”学校越多，人工智能产学研协同政策的效果就越明显。此外，我们还讨论了合作专利的申请情况，发现包括学校和企业在内的不同机构之间的校企合作在专利申请方面表现出显著的重要性。

经过分析我们发现，人工智能产学研政策与政府其他相关政策，尤其是那些侧重于需求侧的政策，如算力基础设施的提供和政府公共数据平台的开放，具有正向的协同作用。这体现了供需两侧政策在推动人工智能产业发展中的共同作用。

为了更深入地理解这些政策的影响，我们尝试区分了人工智能产业在政策中被提及与具体实施的差异，并探讨了“说”与“做”在其中的重要性。初步结果显示“做”相对于“说”更为重要，但这仍需进一步的研究和验证。

我们还对比了与人工智能相关的专利和无关专利的申请情况。发现与人工智能不相关的专利确实未受到显著影响，这在一定程度上验证了我们的分析框架的有效性。

我们利用上市公司的数据探讨了人工智能技术的采纳与企业成长之间的关系。在此，我们定义解释变量AI为城市行业招聘广告中人工智能相关职业的占比，而被解释变量则包括上市公司的营收、就业和市值等关键指标。根据分析，我们观察到显著关系。此外，我们还进行了事件分析，并探讨了这一关系对全要素生产率的影响。

为了更全面地理解这一关系，我们将分析结果与美国的相关研究进行了对比。具体而言，一项2022年的研究发现，在2010-2018年的八年间，当人工智能的暴露度增加一个标准差时，与之相关的工作空缺会增加16%。而另一项2024年的研究则表明，在相同的时间段内，公司在人工智能上的投资上升一个标准差，会导致公司雇员人数上升21.9%。

对比我们的研究，我们发现在2015-2022年的七年间，中国城市行业层面的人工智能招聘职位占比上升一个标准差时，对应的企业层面的雇佣人数能够上升6.1%。尽管这一影响略小于美国研究中职位暴露度和企业投资所产生的系数，但整体上两者是可比的。

需要指出的是，这些研究主要揭示了相关关系，而非直接的因果关系。对于因果关系的识别，需要更深入地考虑长期差分的影响，即基于2010年或2015年的暴露度和投资数据，对未来七八年的变化进行预测和分析。

总结而言，我们初步发现了一些关于人工智能产业发展的相关关系。

首先，各地人工智能产业政策与人工智能专利申请之间存在正向关系。

其次，人工智能技术的采纳与相关企业增长之间也呈现出相关性。然而，需要明确的是，这些关系目前仅限于相关性分析，尚不能直接推断出因果关系。

此外，这些关系的存在也受到选择效应的影响，即并非所有企业都会无差别地采纳人工智能技术。那些采纳了人工智能技术的企业往往具有较强的需求，或较低的采纳成本。

因此，我们不能简单地将这些结果推广至整个产业或全国范围，认为所有企业都会采纳人工智能技术并因此实现增长。为了更深入地理解这些关系的本质和机制，我们还需要进行更多深入细致的研究。

整理：何又夕

编辑：王贤青 白尧