人工智能对创新的影响研究——基于城市层面的实证分析

仝瑶瑶

一、引言

随着新一代人工智能技术的发展，以其为代表的新一轮技术革命正在兴起，人工智能技术除了应用于传统的计算机领域，也开始逐渐应用到其余各行业，如金融、医药、运输等领域，这对人类社会的生产生活方式产生了全局性的影响。而我国当前正处于经济转型的关键时期，在此背景下，准确评价人工智能应用对创新的影响，有助于判断人工智能是否能成为支撑经济新常态下我国创新能力提升的新支撑；理解人工智能对创新的影响机制，有助于高效利用人工智能来提高我国科技创新能力，这对促进我国经济结构优化和长期经济稳定增长具有重要意义。

在人工智能与创新两者关系的研究中，一方面，创新常被理解为一个中间机制，在人工智能对经济增长或劳动力市场的影响中起着中介传导作用。如程承坪和陈志（2021）研究发现人工智能可以通过促进创新和产业结构优化从而助推经济增长。何勤等（2020）通过制造业企业的微观数据，将创新作为一个中间传导机制，研究了人工智能技术应用对就业的影响，认为人工智能技术应用能够通过促进产品创新，对制造业员工数量、技能和收入产生影响等。

另一方面，在两者的直接关系研究中，有学者认为人工智能能够利用其学习能力，提供越来越精确的数据分析，促进创新资源流动，为创新提供新的方向参考等。也有学者认为，人工智能可以通过节省创新成本来加速创新过程，尤其在医药等行业，新产品通常创新周期长，风险高，而人工智能可以帮助人类缩短信息搜集和处理的周期，提供更多可行的思路或方法，由此加速创新的实现。如Aniket Kittur（2019）认为从其他领域寻找和应用类比的能力是人类在许多领域取得成就的基础。人们可以在给定适当数据的领域之间找到深层次的关系相似性，而人工智能越来越能够通过模拟人脑来实现这种能力，人工智能技术应用有助于克服原有认知、拓展研究思路、并支持具有多重约束的复杂问题。李晓华（2019）探析了前沿技术创新与新兴产业演进的内在规律，认为未来的创新与生产更可能是人工智能与人类的高度协作。也有学者进一步研究了人工智能产业内部的创新机理，或者从微观制造业企业层面分析“智能+”对创新绩效的影响机制。但总体来看研究较分散，研究还不够充分。

基于以上背景以及现有研究基础，本文研究的核心问题是人工智能应用对创新的影响。一方面，在理论上分析人工智能如何对创新产生影响及其传导机制，这完善了当前对两者关系研究的理论框架。另一方面，采用固定效应模型，对2003-2017 年中国288 个城市的面板数据进行实证分析。结果表明，人工智能对创新水平有显著正向影响，并且2010 年之后的正向作用更明显，这为未来我国提高创新能力提供了新的参考思路。

二、理论分析及模型构建

（一）理论分析及研究假说

首先，人工智能可以通过人机协作模式促进创新。在以往的创新过程中，计算机通常是作为一个辅助角色，可以帮助人类执行部分简单的重复性任务，但并不拥有分析、提取信息的能力。而人工智能使得信息搜集发生了质的改变，它能够帮助人类跨越信息处理的生理学界限，因为其天然的认知和学习能力，能够在海量非结构化数据中提取底层信息，帮助在不同概念和事件中建立联系，探索新的机会和模式，为人类进行创新决策提供全面帮助与参考。同时，人工智能再结合大数据与算法的优化，可以更好的了解消费者需求，了解市场动向与行业动态，提供更精准的创新方向，减少无效探索或降低试错成本，帮助人类更有效地进行创新活动。也就是说，在人工智能的协助下，创新主体能更容易地将碎片化的信息搜集整理，这促进了创新资源的有效整合与加工。由此便更容易催生出新技术、新产品或者新模式，推动创新的实现。

其次，人工智能可以通过节约劳动力资源促进创新。以企业为例，应用人工智能后，其特有的认知能力能够帮助提高企业内部以及企业之间的沟通效率，基础的日常问题便不再需要人工解决，人类即可以从任务型劳动中解放出来转而进行创造型劳动。Acemoglu（2018）曾研究指出，现阶段人工智能的出现更多的是对中等技能的劳动力进行替代，对于低技能和高技能的非重复性劳动的替代还较为困难。这种情况下，日常的任务型、重复型沟通协作可以交给人工智能机器完成，人力资本则可以专心从事更复杂的创新活动。

鉴于此，本文提出如下研究假说：

H1：人工智能应用能够促进创新水平的提高。

（二）计量模型设定

根据现有文献研究及上述分析，本文采用双向固定效应模型进行实证检验，模型设定如下：

其中，LnY 为本文的被解释变量创新水平，LnAI 为核心解释变量人工智能应水平，X 为一系列控制变量，具体包括：X1 研发投入；X2 人力资本水平；X3 城市化水平以及X4 市场活力。λi为个体固定效应，μt为时间固定效应，εi,t为随机扰动项。

（三）变量选取及数据来源

本文选取2003-2017 年全国288 个城市的面板数据进行实证分析。数据来源于国家统计局历年统计年鉴、《中国城市和产业创新力报告2017》、国际机器人联合会（IFR）等。

创新水平（Y）为本文的被解释变量，采用各城市创新指数来表示（寇宗来，刘学悦，2017）。该指数综合了专利数量、专利价值以及城市创新创业活跃程度等因素。相比以往单一的专利申请授权数量能更全面的反应地区的创新水平。

人工智能（AI）是本文的核心解释变量，但因为人工智能的发展应用时间至今还较短，难以在统计年鉴中找到直接的衡量指标，于是本文借鉴当前大多数学者的做法，用各地区的工业机器人密度来表示各地区人工智能应用水平。具体计算方法借鉴韩民春等学者（2020），将全国行业层面的机器人数据根据各区域各行业就业人数匹配到城市层面，由此得到城市层面的机器人渗透度指标。

一系列控制变量（X）包括：研发投入，采用R&D投入强度来表示。人力资本，用劳动年龄人口平均受教育年限来表示。城市化水平，用常住人口城镇化率表示。市场活力，用非国有企业员工占比来表示。

三、实证检验

（一）实证结果及分析

逐步回归结果如表1 所示。第一列为仅包括人工智能水平的单变量回归结果，可以看到人工智能对创新的影响显著为正。为了模型的稳健性，第二列为加入一系列控制变量后的回归结果，此时核心解释变量人工智能对创新的影响依旧显著为正。进一步，第三列为同时考虑控制变量以及时间和地区固定效应后的结果，人工智能对创新的正向作用在1%的水平上显著，且系数为正，验证了前文的假设1，即人工智能可以促进社会创新水平的提高。在控制变量方面，研发投入（X1）强度越大，表明可以用于创新的资源越多，也就越能促进创新；人力资本水平（X2）越高，意味着能够参与创新的高素质人才就越多，有助于推动创新的实现；城市化（X3）和市场活力（X4）一定程度上可以体现出某地区创新要素流动的效率，因此对创新水平也会造成显著影响。

表1 人工智能对创新的影响

（二）异质性分析

为了探究不同时间段内人工智能对创新的影响，进一步以2010 年为分界线，进行分组回归，结果如表2 所示。列1 表示2010 年及之前的回归结果，列2 表示2010年之后的回归结果。可以看到，两个时间段内，人工智能应用对创新的影响都在1%的水平上显著为正，而且2010 年之后的影响系数大于2010 年及之前的系数。这可能是由于2010 年之前，人工智能整体处于初步发展阶段，其助推创新的作用也由有限；而2010 年之后，我国人工智能研发和应用水平逐渐有了较大的提升，并且随着数据越来越丰富，算法不断优化，人工智能对创新也就带来了更大的影响。

表2 分时间段回归结果

（三）稳健性检验

为了尽可能的使实证结果稳健，上文中已经采用城市层面的面板数据以及双向固定效应模型进行检验。为了进一步减少极端值对结果的影响，本文继续对样本进行1%分位数上的双边截尾处理，随后继续采用固定效应模型进行回归。结果显示，核心解释变量人工智能依旧在1%的水平上显著为正，说明上文的实证结果较为可靠，有一定的现实意义。

四、结论与建议

本文通过理论分析与实证检验，研究了人工智能对创新的影响，得出了人工智能应用能够促进创新的结论，并且随着2010 年之后人工智能应用水平的提高，这种促进作用更加明显。这意味着抓住此次第四次科技革命的机遇，发展人工智能产业，对于助推社会创新水平的提高具有重要意义，进而也有助于推动实现科技强国战略，实现我国经济高质量发展。由此引申出以下几点建议：

首先，要通过一系列措施助推人工智能的发展应用，瞄准全球人工智能核心技术前沿，前瞻性地布局人工智能基础研究，增加人工智能基础性研发相关的支撑平台建设、资金投入等等，助推人工智能应用水平的进步，发挥人工智能的作用来推动创新水平的提高。其次，要注重培育人工智能相关人才，推动人机协作创新模式发展，更好的利用人工智能这一重要合作伙伴，以实现更高效率的创新。