《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》是由姚加权、张锟澎、郭李鹏、冯绪（通讯作者）合作完成的研究论文，发表于《管理世界》2024年第2期。该研究聚焦人工智能（Artificial Intelligence, AI）技术对企业生产效率的影响机制，通过构建微观企业层面的AI指标，揭示了劳动力技能结构调整在AI生产率效应中的关键作用。以下是针对该研究的学术报告：
一、作者与发表信息
研究团队来自国内高校或科研机构（具体机构未明确标注），冯绪为通讯作者。论文发表于经济学领域权威期刊《管理世界》，属于实证类原创研究，旨在填补AI技术在微观企业层面影响的文献空白。
二、学术背景
科学领域：研究交叉人工智能与经济学，属于数字经济与生产率研究的范畴。
研究动机：尽管宏观研究表明AI促进经济增长（如林晨等2020；陈彦斌等2019），但微观层面AI如何通过劳动力结构调整影响企业生产率尚不明确。党的二十大报告强调“提高全要素生产率”，而企业作为经济基本单元，其AI应用效果亟待量化。
理论框架：基于任务偏向型技术进步理论（Task-Biased Technical Change），将劳动力划分为常规低技能（生产、业务、市场、财务人员）和非常规高技能（技术、研发人员），提出AI对前者的替代效应与后者的互补效应假说。
三、研究流程与方法
1. 数据收集与样本构建
- 样本范围：2007–2018年中国沪深A股上市公司，剔除金融、IT等特殊行业后，最终样本为18,106个观测值。
- 数据来源：
- 文本数据：上市公司年报（新浪财经）与专利文本（IRPDB数据库），分别反映AI应用信息与技术产出。
- 结构化数据：劳动力结构（RESSET）、财务指标（CSMAR）。
2. AI指标构建（核心创新）
- 人工智能词典生成：
- 种子词选取：整合学术文献（如Chen & Srinivasan 2020）与行业报告（如《科创板AI产业链全景图》），初选52个AI相关术语（如“机器学习”“自然语言处理”）。
- 语义扩展：通过Word2Vec模型（Skip-gram算法）对年报与专利文本训练，筛选73个高相关词（如“深度学习”“智能客服”），形成最终词典。
- 指标量化：
- 年报指标（lnwords）：统计年报中AI关键词频次的对数值。
- 专利指标（lnpatents）：基于专利标题/摘要匹配AI词典，计数企业年度AI专利数。
- 替代指标验证：包括管理层讨论部分（MD&A）文本分析、招聘广告数据（智联招聘）等，确保指标稳健性。
3. 生产率测算
- 方法：采用Olley & Pakes（1996）方法估计全要素生产率（TFP），解决传统OLS的同步性偏差问题。
- 变量定义：
- 产出（销售总额）、劳动力（员工数）、资本（固定资产净值）、投资（购建长期资产现金支出）。
4. 实证模型
- 基准回归：
TFP = β·AI指标 + γ·控制变量（企业规模、年龄、杠杆率等） + 固定效应（年份/行业/省份）
- 机制检验：中介效应模型（Baron & Kenny 1986），分析劳动力结构（常规/非常规劳动力占比）的中介作用。
- 内生性处理：
- 工具变量法：以清朝通商口岸历史（外生性）与全球AI专利趋势（时变性）构建交互项。
- PSM-DID：基于《智能制造发展规划（2016–2020年）》政策冲击，匹配实验组（重点产业）与对照组。
四、主要结果
1. AI显著提升企业生产率
- 基准回归：AI指标（lnwords）每提升1个标准差，TFP增加3.24%（β=0.038，p<0.05）。
- 稳健性检验：
- 工具变量回归（2SLS）系数达0.805（p<0.01），排除内生性干扰。
- PSM-DID显示政策冲击后，实验组TFP提升8.8%（p<0.01）。
2. 劳动力技能结构调整机制
- 替代效应：AI减少常规低技能劳动力需求（β=-0.031，p<0.01），中介效应占比28.24%。
- 互补效应：AI增加非常规高技能劳动力需求（β=0.021，p<0.01），中介效应占比17.51%。
3. 异质性分析
- 企业层面：AI效应在国有企业（资源优势）、技术型并购企业（快速获取人才）、治理优化企业（如技术型董事会）中更显著。
- 行业与地区：高技术行业、要素市场发达地区（如高政府支持）的AI生产率效应更强。
4. 延伸发现
AI还显著提升企业价值（Tobin’s Q），验证技术创新的市场溢价。
五、结论与价值
理论贡献：
1. 首创企业级AI量化方法，为微观实证提供新工具；
2. 揭示劳动力技能结构调整是AI提升生产率的核心路径，深化任务偏向型技术进步理论。
实践意义：
- 企业应优化人才结构，减少低技能岗位依赖，加强高技能人才储备；
- 政策需关注区域与行业差异，针对性支持AI技术落地。
六、研究亮点
- 方法创新：基于机器学习构建AI词典，突破传统调查问卷的数据局限；
- 视角新颖：首次系统分析AI在微观企业的“替代-互补”双路径机制；
- 政策关联：结合中国智能制造政策，提供本土化实证证据。
七、其他价值
研究团队公开了AI词典构建流程（见网络版附录），可供后续研究复现与拓展，推动学术资源共享。