周洺竹，綦建紅，2，張志彤

（1.山東大學(xué) 經(jīng)濟(jì)學(xué)院，山東 濟(jì)南 250100；2.山東大學(xué) 人工智能與經(jīng)濟(jì)研究中心，山東 濟(jì)南 250100）

一、引言

近年來，全球價值鏈（Global Value Chain，GVC）已成為國際生產(chǎn)最重要的組織形式之一。據(jù)《2019年全球價值鏈報告》統(tǒng)計，超過2/3的國際貿(mào)易是通過參與GVC完成的，GVC分工體系的重要性可見一斑。除GVC參與程度外，其分工位置也越發(fā)受到關(guān)注（Antràs和Chor，2021），這主要是因為GVC分工位置不僅影響一國在貿(mào)易中的獲利能力，而且能決定該國對GVC的控制程度與“經(jīng)濟(jì)話語權(quán)”（唐宜紅和張鵬楊，2018）。因此，如何更好地提升在GVC中的分工位置，成為世界各國共同的努力方向。令人欣喜的是，智能化時代的到來為GVC分工位置攀升帶來了嶄新的歷史機(jī)遇。人工智能作為新一輪科技發(fā)展中最有前途的技術(shù)之一，不僅為全球生產(chǎn)創(chuàng)造出新模式，而且不斷推動“傳統(tǒng)制造”向“智能制造”轉(zhuǎn)型（Goldfarb和Trefler，2018）。人工智能在生產(chǎn)中的運(yùn)用主要是通過工業(yè)機(jī)器人（以下簡稱機(jī)器人）來實現(xiàn)的（Bessen等，2019），無論是美國的制造業(yè)復(fù)興計劃和“工業(yè)互聯(lián)網(wǎng)”戰(zhàn)略、德國的工業(yè)4.0戰(zhàn)略，還是“中國制造2025”計劃等，均將機(jī)器人放在戰(zhàn)略性的核心位置，機(jī)器人使用成為推動人工智能普及的重要一環(huán)。

從已有研究來看，關(guān)于GVC影響因素的討論主要涉及內(nèi)在特征和外在環(huán)境等層面，鮮有文獻(xiàn)將包括機(jī)器人在內(nèi)的人工智能納入其中。在內(nèi)部特征方面，要素稟賦和技術(shù)創(chuàng)新均能顯著影響GVC。一方面，考慮到一國要素稟賦在GVC分工中的作用，世界各國不斷致力于實現(xiàn)產(chǎn)業(yè)升級，改變要素稟賦，這有助于提升其在GVC分工體系中的位置（蘇杭等，2017）；另一方面，提升技術(shù)創(chuàng)新水平是實現(xiàn)要素驅(qū)動向創(chuàng)新驅(qū)動轉(zhuǎn)變、改變“低端鎖定”現(xiàn)象的關(guān)鍵（Sturgeon和Kawakami，2011）。在外部環(huán)境方面，貿(mào)易成本、制度環(huán)境和外商投資等同樣是影響GVC不可或缺的因素。Aichele和Heiland（2018）表明，貿(mào)易成本變化能夠在一定程度上解釋2000—2007年間世界國內(nèi)增加值比率下降的原因。同理，諸如貿(mào)易壁壘等增加貿(mào)易成本的因素，會對GVC分工位置的攀升產(chǎn)生顯著負(fù)面影響（王孝松等，2017）；反之，諸如貿(mào)易自由化等減少貿(mào)易成本的因素，則可促進(jìn)GVC參與度（毛其淋和許家云，2019）。與之相比，制度環(huán)境的作用備受爭議。以Antràs等（2012）為代表的學(xué)者表明，制度環(huán)境的改善與熟練勞動力的增加會將制造業(yè)鎖定在低端產(chǎn)業(yè)價值鏈；但是以戴翔和劉夢（2018）為代表的學(xué)者卻認(rèn)為，人才、技術(shù)和制度之間的適宜性匹配在中國制造業(yè)GVC攀升進(jìn)程中發(fā)揮了重要作用。此外，外商投資可以通過增加對上游企業(yè)原材料的需求和下游企業(yè)國內(nèi)中間品的需求，實現(xiàn)GVC的參與和升級（Kee和Tang，2016）。

盡管關(guān)于GVC影響因素的研究已較為豐富，但令人遺憾的是，囿于數(shù)據(jù)可得性，人工智能之于GVC到底意味著什么，卻鮮有學(xué)者涉及。在為數(shù)不多的研究中，呂越等（2020）、劉斌和潘彤（2020）均肯定了機(jī)器人使用對GVC參與的促進(jìn)作用，但是前者僅考察了中國企業(yè)，后者雖然采用跨國制造業(yè)數(shù)據(jù)，卻又未考慮人工智能的技術(shù)溢出特征。為此，本文以人工智能在生產(chǎn)中的實現(xiàn)技術(shù)—機(jī)器人為例，考察了機(jī)器人對GVC分工位置的影響及其溢出效應(yīng)。研究發(fā)現(xiàn)，人工智能依托生產(chǎn)率提高、勞動力投入增加和產(chǎn)品質(zhì)量提升等作用渠道，能夠做到“獨(dú)善其身”，促進(jìn)所在國家、所在行業(yè)GVC分工位置的攀升，還能夠通過緩解同行業(yè)間的侵蝕性競爭、降低上游行業(yè)供給的中間品性價比，發(fā)揮“兼濟(jì)天下”的作用，對其他國家、其他行業(yè)的GVC分工位置產(chǎn)生橫向和前向溢出效應(yīng)。

本文可能的邊際貢獻(xiàn)在于：其一，在影響機(jī)制方面，與已有研究不同，本文首次量化了產(chǎn)品質(zhì)量這一作用渠道，并發(fā)現(xiàn)人工智能的質(zhì)量效應(yīng)因各行業(yè)產(chǎn)品質(zhì)量的平均水準(zhǔn)和波動程度不同而呈現(xiàn)出異質(zhì)性。嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)是加入GVC的先決條件之一，機(jī)器人往往用于承擔(dān)一系列重復(fù)性高和容錯率低的工作，以減少生產(chǎn)誤差，實現(xiàn)更高精度，提高產(chǎn)品質(zhì)量（DeStefano和Timmis，2021）。如果這種對質(zhì)量的改進(jìn)作用未被準(zhǔn)確捕獲，就會造成對人工智能經(jīng)濟(jì)效應(yīng)的低估（Korinek和Stiglitz，2017）。其二，在研究視角方面，本文不僅考察了機(jī)器人對所在國家、所在行業(yè)GVC分工位置的影響，還考察了機(jī)器人對其他國家、其他行業(yè)GVC的橫向和縱向溢出效應(yīng)與機(jī)理，為全面理解機(jī)器人技術(shù)的經(jīng)濟(jì)效應(yīng)提供了新的證據(jù)。

二、理論分析與研究假說

（一）人工智能對GVC分工位置的影響效應(yīng)

首先，人工智能作為科學(xué)技術(shù)的最新產(chǎn)物，帶來了科技的高效和生產(chǎn)的個性，對生產(chǎn)率的提升作用已得到國內(nèi)外學(xué)者的普遍認(rèn)可（Graetz和Michaels，2018；楊飛和范從來，2020）。一方面，人工智能在生產(chǎn)中的運(yùn)用主要是通過機(jī)器人來實現(xiàn)的，而機(jī)器人與勞動力在生產(chǎn)中的角色不同，具有各自的生產(chǎn)優(yōu)勢（王永欽和董雯，2020），其中機(jī)器人主要用來從事一系列重復(fù)性、低技術(shù)含量的工作，在部分環(huán)節(jié)替代了人力，有效降低了生產(chǎn)成本，實現(xiàn)了生產(chǎn)環(huán)節(jié)的機(jī)械化和自動化，可以達(dá)到提高生產(chǎn)效率的目的（Acemoglu和Restrepo，2019）；另一方面，機(jī)器人作為資本投入的形式之一，不僅能形成當(dāng)期的生產(chǎn)優(yōu)勢，更能實現(xiàn)長期的資本積累，深化技術(shù)進(jìn)步，提高原有自動化任務(wù)中的機(jī)器生產(chǎn)率，實現(xiàn)在較長時期的生產(chǎn)率增長（Acemoglu和Restrepo，2018a；李磊等，2021）。而生產(chǎn)率在國際生產(chǎn)分工中舉足輕重，不同的生產(chǎn)率水平?jīng)Q定了各國或地區(qū)嵌入GVC分工體系的位置差異。已有研究也表明提高勞動生產(chǎn)率有助于GVC分工位置的攀升，且生產(chǎn)率較高的國家會從事生產(chǎn)的后期階段，位于GVC較高的環(huán)節(jié)；而生產(chǎn)率較低的國家則可能位于GVC較低的環(huán)節(jié)，從事進(jìn)口資本或者技術(shù)密集型生產(chǎn)環(huán)節(jié)（Costinot等，2013；劉斌和潘彤，2020）?；诖?，本文提出如下研究假設(shè)：

H1：人工智能會通過提高生產(chǎn)率來實現(xiàn)GVC分工位置的攀升。

其次，與生產(chǎn)率效應(yīng)形成鮮明對比的是，學(xué)者們對于人工智能的勞動力市場效應(yīng)（特別是就業(yè)效應(yīng)）眾說紛紜、意見不一?！疤娲摗闭J(rèn)為，機(jī)器人主要從事一系列重復(fù)性、低技術(shù)含量的工作，承擔(dān)以前由勞動力執(zhí)行的任務(wù)，因此會替代低技能勞動力，造成失業(yè)現(xiàn)象（Graetz和Michaels，2018；孔高文等，2020）。“創(chuàng)造論”則認(rèn)為，人工智能的使用能帶來經(jīng)濟(jì)增長，產(chǎn)生新任務(wù)，而人類在新的和更復(fù)雜的任務(wù)中具有相對優(yōu)勢，從而勞動力需求會增加（Acemoglu和Restrepo，2018a）。盡管兩種觀點(diǎn)爭執(zhí)不下，但是學(xué)者們逐漸認(rèn)同兩種效應(yīng)都會改變生產(chǎn)的任務(wù)內(nèi)容與勞動力，最后的總效應(yīng)由兩者綜合決定。相關(guān)研究也表明，處于中間層的程式化崗位、生產(chǎn)性工人、管理人員、低技能的勞動者更容易被替代（Graetz和Michaels，2018；李磊等，2021），“機(jī)器換人”無疑降低了無謂的生產(chǎn)成本損失；與此同時，機(jī)器人的使用更加強(qiáng)調(diào)生產(chǎn)中特定的工人技能，需要更多與之相輔相成的工作，如經(jīng)理、技術(shù)科學(xué)家或非生產(chǎn)工人，這些高技能工作崗位的就業(yè)增加，帶動了人力資本的提升（Meltzer，2018；Bonfiglioli等，2020）。毋庸置疑，無論是哪種效應(yīng)，都會帶來勞動力要素投入的變化，改變行業(yè)的競爭優(yōu)勢，從而影響其嵌入GVC分工體系（呂越等，2020）。據(jù)此，本文提出：

H2：人工智能可以通過影響勞動力投入（替代或創(chuàng)造就業(yè)）實現(xiàn)GVC分工位置的攀升。

最后，與勞動、資本等傳統(tǒng)生產(chǎn)要素不同，作為技術(shù)進(jìn)步的產(chǎn)物，人工智能將“智造”嵌于生產(chǎn)環(huán)節(jié)，成為推動國民經(jīng)濟(jì)“高質(zhì)量發(fā)展”的重要力量（王永欽和董雯，2020）。一方面，以機(jī)器人為典型代表的智能化技術(shù)，能夠使生產(chǎn)環(huán)節(jié)更加高效、生產(chǎn)標(biāo)準(zhǔn)更加統(tǒng)一、產(chǎn)品穩(wěn)定性和準(zhǔn)確性也更高，從而帶來產(chǎn)品質(zhì)量的提升；同時，機(jī)器人通常比非自動化機(jī)器需要更高質(zhì)量的投入，對高級生產(chǎn)要素的需求更大，高質(zhì)量要素相互碰撞，使生產(chǎn)過程事半功倍，生產(chǎn)出的最終產(chǎn)品也擁有更高的質(zhì)量。DeStefano和Timmis（2021）的最新研究也證實了機(jī)器人確實有助于提升產(chǎn)品質(zhì)量。另一方面，嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)往往是嵌入GVC的先決條件，產(chǎn)品質(zhì)量加固了各經(jīng)濟(jì)主體的競爭力，不僅有利于各國在已有的生產(chǎn)環(huán)節(jié)中更廣泛、更深層次地參與GVC分工（DeStefano和Timmis，2021），而且有效帶動后續(xù)生產(chǎn)環(huán)節(jié)分布在高附加值區(qū)域，實現(xiàn)向高端價值鏈的攀升，最終有助于擺脫“低端鎖定”的困局，實現(xiàn)高質(zhì)量發(fā)展（鄭江淮和鄭玉，2020）。因此，本文提出：

H3：人工智能能夠提升行業(yè)產(chǎn)品質(zhì)量，進(jìn)而促進(jìn)GVC分工位置的攀升。

（二）人工智能對GVC分工位置的溢出效應(yīng)

Goldfarb和Trefler（2018）率先將人工智能的經(jīng)濟(jì)效應(yīng)拓展到貿(mào)易領(lǐng)域，強(qiáng)調(diào)人工智能對貿(mào)易的規(guī)模效應(yīng)、競爭效應(yīng)、知識創(chuàng)造和知識擴(kuò)散等均會帶來深遠(yuǎn)的影響。在有關(guān)GVC的研究中，呂越等（2020）、劉斌和潘彤（2020）已經(jīng)初涉該領(lǐng)域，發(fā)現(xiàn)人工智能可以促進(jìn)價值鏈分工，但是并未考慮人工智能溢出的技術(shù)特點(diǎn)。事實上，Acemoglu等（2020）采用法國數(shù)據(jù)，發(fā)現(xiàn)采用機(jī)器人技術(shù)的企業(yè)降低了成本，并以犧牲競爭對手為代價進(jìn)行擴(kuò)張。無獨(dú)有偶，F(xiàn)aber（2020）也發(fā)現(xiàn)美國使用機(jī)器人會顯著降低墨西哥國內(nèi)的就業(yè)，即機(jī)器人使用會產(chǎn)生離岸業(yè)務(wù)回流。這些研究說明，人工智能具有明顯的技術(shù)溢出特性，因此在研究其對GVC的影響時，有必要將溢出效應(yīng)考慮在內(nèi)。

機(jī)器人偏向性技術(shù)進(jìn)步的特征使它們被應(yīng)用到生產(chǎn)時，扭曲原有的市場結(jié)構(gòu)，產(chǎn)生生產(chǎn)要素的流動，由于產(chǎn)業(yè)間關(guān)聯(lián)效應(yīng)的存在，引致了產(chǎn)業(yè)鏈上下游行業(yè)生產(chǎn)環(huán)節(jié)的調(diào)整，從而對其他行業(yè)產(chǎn)生溢出效應(yīng)（孔高文等，2020；楊飛和范從來，2020）。根據(jù)世界投入產(chǎn)出表，各個國家、各個行業(yè)之間幾乎都存在著投入和產(chǎn)出的聯(lián)系，這也導(dǎo)致某行業(yè)安裝機(jī)器人可能通過“連鎖效應(yīng)”關(guān)聯(lián)到其他主體，從而影響其他國家或行業(yè)的GVC分工位置。因此，某行業(yè)使用機(jī)器人不僅僅“獨(dú)善其身”，對自身的GVC分工位置產(chǎn)生影響，而且有可能產(chǎn)生“兼濟(jì)天下”的溢出效應(yīng)。而且，這種溢出效應(yīng)可以進(jìn)一步分為橫向溢出效應(yīng)和縱向溢出效應(yīng)，前者反映本行業(yè)使用機(jī)器人對其他國家同行業(yè)GVC分工位置的影響，后者則反映了本行業(yè)使用機(jī)器人對同國家其他行業(yè)GVC分工位置的影響?；诖耍疚奶岢鋈缦卵芯考僭O(shè)：

H4：人工智能有可能對其他國家或其他行業(yè)產(chǎn)生“兼濟(jì)天下”的溢出效應(yīng)。

三、典型事實

（一）數(shù)據(jù)來源

本文使用的數(shù)據(jù)是2000—2014年“國家—行業(yè)—年度”三維數(shù)據(jù)，來自國際機(jī)器人聯(lián)合會數(shù)據(jù)庫（IFR）、UIBEGVCIndicators數(shù)據(jù)庫和世界投入產(chǎn)出數(shù)據(jù)庫（WIOD）。其中，IFR提供了1993年以來機(jī)器人的安裝數(shù)據(jù)，覆蓋多個國家的多個行業(yè)類別，為當(dāng)前研究機(jī)器人提供了全面且細(xì)化的數(shù)據(jù)；UIBEGVCIndicators提供了有關(guān)增加值貿(mào)易核算和GVC的測算數(shù)據(jù)；2016版WIOD數(shù)據(jù)庫涵蓋了2000—2014年43個國家（地區(qū)）的世界投入產(chǎn)出表和基礎(chǔ)經(jīng)濟(jì)數(shù)據(jù)。

由于上述三個數(shù)據(jù)庫中的行業(yè)代碼并不完全一致，本文根據(jù)行業(yè)釋義將其統(tǒng)一為WIOD數(shù)據(jù)庫使用的ISICRev.4代碼，涉及C01—C56共56個行業(yè)，并將C56（域外組織和機(jī)構(gòu)的活動）予以刪除，最終得到41個國家（地區(qū)）、55個行業(yè)、15年的數(shù)據(jù)，觀測值共33 825個。

（二）機(jī)器人在各國各行業(yè)的安裝情況①限于篇幅，此處省略了機(jī)器人在世界、主要市場、國家和行業(yè)范圍內(nèi)的安裝情況。如有需要，可參看工作論文版本。

從1993—2018年全世界和三大主要市場（亞洲、歐洲、美洲）機(jī)器人的安裝流量情況來看，除個別年份存在波動外，全世界和三大主要市場每年安裝的機(jī)器人數(shù)量整體上呈明顯的上升態(tài)勢，其中亞洲市場的安裝數(shù)量遠(yuǎn)遠(yuǎn)高于其他市場，近年來已占據(jù)世界安裝總量的2/3。相同的增長之勢還出現(xiàn)在國家和行業(yè)范圍內(nèi)。就國家而言，報告期內(nèi)日本機(jī)器人存量位居世界首位，而中國自2013年已成為全球機(jī)器人安裝流量最多、增速最快的國家，這兩個國家為亞洲成為世界第一的機(jī)器人市場貢獻(xiàn)了絕對力量；就行業(yè)而言，安裝數(shù)量位居前五位的行業(yè)均屬于制造業(yè)范疇，據(jù)IFR數(shù)據(jù)顯示，制造業(yè)機(jī)器人的數(shù)量已經(jīng)占到總數(shù)量的80%以上。

（三）GVC分工位置指標(biāo)

本文的被解釋變量是世界各國、各行業(yè)在GVC中的分工位置。從已有研究來看，GVC分工位置的衡量指標(biāo)多種多樣，考察角度也各有側(cè)重，本文參照Antràs等（2012）和Fally（2012）的做法，采用GVC上游度指數(shù)來表征，②計算公式為其中，Yi表示行業(yè)i的總產(chǎn)出，F(xiàn)j 表示j行業(yè)作為最終需求的產(chǎn)出；dij表示生產(chǎn)每單位最終產(chǎn)品j所需要用到i行業(yè)的產(chǎn)出，等式右邊的數(shù)字（1—4）為權(quán)重，表示距離最終產(chǎn)品的“距離”。選取理由如下：一方面，上游度從產(chǎn)出角度出發(fā)，在一定程度上顯示了各行業(yè)對整體國民經(jīng)濟(jì)的帶動作用（Fally，2012），而本文在考察人工智能對GVC分工位置影響的基礎(chǔ)上，還基于整體視角考察了人工智能所帶來的溢出效應(yīng)，與上游度的經(jīng)濟(jì)含義最為吻合；另一方面，上游度能夠較好地揭示生產(chǎn)和貿(mào)易模式的演變，在GVC研究中已經(jīng)得到了廣泛應(yīng)用（唐宜紅和張鵬楊，2018；Antràs和Chor，2021）。當(dāng)然，考慮到GVC分工位置指標(biāo)的多樣性，本文在穩(wěn)健性檢驗中也使用了其他位置類指標(biāo)進(jìn)行替換，以期得到更加可信的結(jié)論。從理論上講，行業(yè)i的上游度是其從作為投入品進(jìn)入生產(chǎn)階段到最終需求所要經(jīng)歷的階段數(shù)的加權(quán)平均值，上游度指數(shù)越大，表明該生產(chǎn)環(huán)節(jié)距離最終消費(fèi)越遠(yuǎn)，越接近上游；反之，則越接近下游（Antràs等，2012；唐宜紅和張鵬楊，2018）。

四、基準(zhǔn)回歸與拓展分析

（一）模型設(shè)定

為了考察人工智能對GVC分工位置的影響，構(gòu)建基準(zhǔn)回歸模型如下：

其中，t、j和i分別表示年份、行業(yè)和國家；Pos_upijt代表上游度指數(shù)，衡量i國j行業(yè)t年在GVC體系中的分工位置；AIFijt是本文的核心解釋變量，反映了人工智能的應(yīng)用程度，采用機(jī)器人安裝流量的對數(shù)表示；Z代表控制變量，如上文分析，回歸同時控制了年份、行業(yè)和國家固定效應(yīng)（δt、λj和φi）；εijt為隨機(jī)擾動項。

參照王孝松等（2017）代表性文獻(xiàn)，選取如下控制變量：行業(yè)規(guī)模（Size），以行業(yè)總產(chǎn)出衡量；要素產(chǎn)出（FS），以各行業(yè)單位產(chǎn)出的勞動報酬表示；中間品使用狀況（II），以各行業(yè)中間投入衡量；資本勞動比（KL），以各行業(yè)資本存量和勞動人數(shù)之比衡量；資本深化（CD），以各行業(yè)資本存量與行業(yè)增加值之比衡量（楊飛和范從來，2020）；勞動力成本（Wage），以各行業(yè)勞動力人均工資表示。相關(guān)變量經(jīng)對數(shù)處理后納入回歸。①限于篇幅，此處刪除了詳細(xì)的描述性統(tǒng)計結(jié)果；若有需要，可向作者索取或參見本文的工作論文版本。

（二）基準(zhǔn)回歸結(jié)果

表1列（1）匯報了式（1）的估計結(jié)果，AIF回歸系數(shù)在1%的水平上顯著為正，說明以機(jī)器人技術(shù)為代表的人工智能顯著促進(jìn)了各國、各行業(yè)GVC分工位置的攀升。考慮到各行業(yè)機(jī)器人安裝數(shù)量與其GVC分工位置之間可能存在逆向因果關(guān)系，即位于相對上游的國家和行業(yè)，越有可能安裝機(jī)器人來夯實其在GVC分工體系中的競爭優(yōu)勢，因此本文嘗試采用兩階段最小二乘法（2SLS）進(jìn)行估計，以加強(qiáng)結(jié)論的可信度。

對于工具變量，選取了如下兩個：一是各國居民專利申請量（L_IVPAT），考慮到專利數(shù)量并不能立刻見效，故進(jìn)行滯后一期處理，專利數(shù)據(jù)來自世界銀行。專利申請數(shù)量能夠反映一國的科技發(fā)展?fàn)顩r及其對科技的重視程度，與各國人工智能的發(fā)展密切相關(guān)，滿足相關(guān)性要求；且居民專利申請數(shù)量屬于居民或企業(yè)自身的創(chuàng)新行為，滯后一期的處理使其不會影響當(dāng)期各行業(yè)在GVC分工體系的位置，滿足排他性標(biāo)準(zhǔn)。二是參考Acemoglu和Restrepo（2020）、Artuc等（2018）的做法，使用相似收入國家行業(yè)層面的機(jī)器人安裝情況（L_IVAIF），考慮到行業(yè)之間可能存在溢出效應(yīng)，也進(jìn)行了滯后一期處理，使其在反映人工智能情況的同時，保持較好的排他性。表1的列（2）和列（4）匯報了第一階段的回歸結(jié)果，工具變量的回歸系數(shù)均在1%的水平上顯著為正，表明工具變量和核心解釋變量間存在正相關(guān)關(guān)系，且Kleibergen-Paaprk F值遠(yuǎn)大于臨界值16.38，排除弱工具變量的問題；列（3）和列（5）依次匯報了第二階段的結(jié)果，在消除內(nèi)生性問題后，AIF的估計系數(shù)仍顯著為正，證實了基準(zhǔn)結(jié)論。

表1 基準(zhǔn)回歸結(jié)果

（三）穩(wěn)健性檢驗①限于篇幅，未展示穩(wěn)健性檢驗結(jié)果；若有需要，可向作者索取或參見本文的工作論文版本。

1.更換核心變量。為了增強(qiáng)結(jié)果的穩(wěn)健性，避免由于變量測度產(chǎn)生的估計偏差，本文更換GVC分工位置和人工智能的衡量指標(biāo)。參照Wang等（2017）的做法，以前向價值鏈生產(chǎn)步長Plv和后向價值鏈生產(chǎn)步長Ply重新定義各行業(yè)在GVC中的分工位置，②數(shù)據(jù)來自UIBE GVC Indicators數(shù)據(jù)庫，計算公式為：。其中，V、B和Y分別為增加值系數(shù)矩陣、列昂惕夫逆矩陣和總產(chǎn)出矩陣，μ ′是1×N的單位向量，G為高斯逆矩陣。生產(chǎn)步長雖不是直接衡量位置的指標(biāo)，但其表示最初中間品投入與最終品生產(chǎn)之間的“距離”，能夠間接反映GVC分工位置的變化。另外，以機(jī)器人安裝存量AIS和機(jī)器人密度Density（Graetz和Michaels，2018）重新衡量人工智能情況。無論采用何種衡量方式，其結(jié)論均與前文保持一致。

2.改變樣本范圍。雖然IFR報告了日本和俄羅斯的機(jī)器人安裝數(shù)據(jù)，但是這些國家的數(shù)據(jù)經(jīng)歷了重大的重新分類，可能導(dǎo)致其報告的數(shù)字不具有橫向和縱向可比性。因此，本文參照Acemoglu和Restrepo（2018b）的做法，剔除這兩個國家的樣本觀測值后再次回歸。結(jié)果顯示，在剔除日本和俄羅斯樣本后，機(jī)器人對GVC分工位置的促進(jìn)作用仍然成立。

3.更換估計方法：多時點(diǎn)DID。為了進(jìn)一步解決基準(zhǔn)模型中可能存在的內(nèi)生性問題，本文構(gòu)造了多時點(diǎn)DID模型，將各國各行業(yè)安裝機(jī)器人作為事件沖擊，定義Du和Dt分別為行業(yè)是否安裝機(jī)器人的組別虛擬變量和時間虛擬變量。與此同時，考慮到Dt為二值虛擬變量，而GVC分工位置的變化可能并非只由是否安裝機(jī)器人所致，而可能歸因于同期其他因素，故本文還采用AIF與Du進(jìn)行交互，不僅可以解決時間虛擬變量的內(nèi)生性問題，而且還體現(xiàn)了外部沖擊的力度變化?；貧w結(jié)果再次證實了基準(zhǔn)結(jié)論的穩(wěn)健性。

4.更換估計方法：PSM-DID?？紤]到行業(yè)使用人工智能受到自身發(fā)展情況的影響，并非完全外生，必然會出現(xiàn)“自選擇”問題，為此本文采用傾向得分匹配結(jié)合倍差法（PSM-DID）的方法，先為每一個使用機(jī)器人的行業(yè)找到與之最具備可比性、但未使用機(jī)器人的行業(yè)后，再進(jìn)行DID分析。估計結(jié)果仍支持安裝機(jī)器人對GVC分工位置的促進(jìn)作用。

5.分位數(shù)回歸?；鶞?zhǔn)回歸是建立在均值回歸之上的，其結(jié)果反映了行業(yè)機(jī)器人安裝量對GVC分工位置的平均效果。然而，若機(jī)器人安裝的分布不對稱，這種平均效果就不能全面刻畫其對GVC分工位置的影響。相比之下，分位數(shù)回歸不僅能在GVC整體分布上呈現(xiàn)機(jī)器人的影響，而且不受GVC異常值的影響，對誤差項分布也沒有很強(qiáng)的假設(shè)條件。分位數(shù)的估計結(jié)果仍與基準(zhǔn)回歸保持一致，且我們發(fā)現(xiàn)AIF系數(shù)估計值隨分位點(diǎn)的增大而下降?？赡艿脑蛟谟谛袠I(yè)位于GVC低端位置時，擁有更廣闊的增長空間，機(jī)器人安裝的促進(jìn)作用更大；而行業(yè)GVC分工位置較高時，其技術(shù)已近乎飽和，機(jī)器人的促進(jìn)作用則相對有限。

（四）異質(zhì)性檢驗

1.國家技術(shù)接受度。作為科學(xué)技術(shù)的最新產(chǎn)物，人工智能的應(yīng)用與推廣并非一蹴而就，而是取決于各國的接受程度與普及速度（Bonfiglioli等，2020），各國對技術(shù)的接受程度并不相同，使得機(jī)器人的作用可能存在異質(zhì)性。由于信息通信技術(shù)本身具備技術(shù)進(jìn)步的特性，并可以與其他生產(chǎn)要素產(chǎn)生互補(bǔ)性，引致后續(xù)技術(shù)進(jìn)步和結(jié)構(gòu)優(yōu)化（張三峰和魏下海，2019），因此本文以信息通信技術(shù)數(shù)據(jù)作為技術(shù)接受程度的代理變量，將樣本國家分為技術(shù)接受度（ICT）高、低兩個子樣本。ICT數(shù)據(jù)選取國際電信聯(lián)盟發(fā)布的移動蜂窩訂閱數(shù)量。選擇這一變量是因為，與機(jī)器人等人工智能技術(shù)類似，移動蜂窩也是新技術(shù)發(fā)展進(jìn)程中的產(chǎn)物之一，對其訂閱數(shù)量能夠在一定程度上反映新技術(shù)在各國的普及速度；另外，擁有廣泛移動蜂窩訂閱數(shù)量或者大規(guī)模安裝機(jī)器人的國家，在引進(jìn)新技術(shù)時，通常也擁有較適宜的技術(shù)與之匹配，否則難以消化新技術(shù)（余泳澤和張先軫，2015）。

根據(jù)表2列（1）可知，AIF×ICT估計系數(shù)顯著為正，表明人工智能對技術(shù)接受度更高的國家GVC分工位置攀升的促進(jìn)作用更加明顯?？赡茉蛴卸浩湟唬瑢π录夹g(shù)包容性強(qiáng)的國家會率先使用機(jī)器人投入生產(chǎn)，先行優(yōu)勢使其迅速建立起新生產(chǎn)模式，更快發(fā)揮機(jī)器人的經(jīng)濟(jì)效應(yīng)；其二，信息通信技術(shù)發(fā)達(dá)的國家，絕大部分屬于發(fā)達(dá)經(jīng)濟(jì)體，機(jī)器人普及有效解決了這些國家勞動力數(shù)量有限的瓶頸問題，而快速的人口結(jié)構(gòu)變化又帶來了更廣泛的機(jī)器人或自動化技術(shù)使用，能有效緩解人口紅利衰弱所帶來的沖擊（Acemoglu和Restrepo，2018b；陳彥斌等，2019），由此產(chǎn)生的促進(jìn)作用也更為明顯。

2.行業(yè)自動化程度。一方面，作為生產(chǎn)過程的重要投入要素，資本和勞動發(fā)揮著不同的作用，其要素配比影響著生產(chǎn)的效率和產(chǎn)品的性質(zhì)，機(jī)器人的投入改變了原有的資本勞動配比，會影響各行業(yè)嵌入GVC分工體系的位置；另一方面，作為新型的生產(chǎn)要素，機(jī)器人將智能化和自動化引入生產(chǎn)，革新了生產(chǎn)方式，創(chuàng)造了新生產(chǎn)模式（王永欽和董雯，2020），其滲透程度也影響著機(jī)器人效應(yīng)的發(fā)揮。借鑒Acemoglu等（2020）的做法，本文以可調(diào)整的機(jī)器人滲透率（APR指數(shù)）作為劃分標(biāo)準(zhǔn)，將行業(yè)分為高、低自動化行業(yè)，并構(gòu)建反映自動化程度的虛擬變量（Aut）與AIF的交互項。APR指數(shù)能夠反映資本對勞動的替代程度，較大的APR指數(shù)表明資本替代勞動的程度高，機(jī)器人的普及率更廣，相應(yīng)的行業(yè)自動化水平較高。

根據(jù)表2列（2）的結(jié)果可知，交互項系數(shù)顯著為正，表明在自動化程度高的行業(yè)中，人工智能對GVC分工位置的提升效應(yīng)更為顯著。一方面，人工智能能夠增加資本積累，將“智能”元素融入生產(chǎn)環(huán)節(jié)，有效提高生產(chǎn)的智能化和自動化程度，從而使生產(chǎn)過程中資本相對于勞動變得更加重要，資本回報率提升明顯（陳彥斌等，2019）；另一方面，新的自動化設(shè)備能降低生產(chǎn)成本，產(chǎn)生生產(chǎn)率效應(yīng)，深化自動化技術(shù)進(jìn)步，提高原有自動化任務(wù)中的機(jī)器生產(chǎn)率（Acemoglu和Restrepo，2018a），故在自動化程度較高的行業(yè)促進(jìn)作用更加顯著。

3.行業(yè)競爭程度。技術(shù)進(jìn)步往往是非中性的，即使行業(yè)內(nèi)各個企業(yè)均使用機(jī)器人，也可能會產(chǎn)生收益的差別，生產(chǎn)率高的“龍頭企業(yè)”、擁有規(guī)模和技術(shù)優(yōu)勢的大型企業(yè)往往增益更多（Autor等，2020）。換言之，行業(yè)競爭程度能夠帶來經(jīng)濟(jì)主體的市場勢力和收益的不同（王永欽和董雯，2020），可能影響這種非中性的增益效果。本文借鑒楊飛和范從來（2020）的做法，計算行業(yè)價格加成率作為行業(yè)競爭程度（Com）的代理變量，以其中位數(shù)作為劃分標(biāo)準(zhǔn)，將行業(yè)分為競爭程度高、低兩個子樣本，將Com與AIF相乘并納入模型。

表2列（3）的結(jié)果顯示，AIF×Com的系數(shù)估計值顯著為正，表明與競爭程度低的行業(yè)相比，人工智能更易影響競爭程度高的行業(yè)GVC分工位置。在高競爭性行業(yè)，更多的企業(yè)有動力在生產(chǎn)中使用機(jī)器人以降低生產(chǎn)成本，致使該行業(yè)的產(chǎn)品價格下降、需求增加，從而擴(kuò)大生產(chǎn)規(guī)模（王永欽和董雯，2020）；同時，在競爭性低、集中度較高的行業(yè)中，人工智能帶來的益處不能平等惠及每個企業(yè)，新一輪智能技術(shù)具有明顯的規(guī)模偏向，對擁有規(guī)模和技術(shù)優(yōu)勢的大型經(jīng)濟(jì)主體增益更多（Autor等，2020），產(chǎn)生內(nèi)部差異，甚至產(chǎn)生馬太效應(yīng)，不利于行業(yè)GVC的提升，故相較于競爭程度低的行業(yè)，人工智能的促進(jìn)效應(yīng)在競爭程度高的行業(yè)中更大。

4.GVC類型。在本文中，機(jī)器人覆蓋的55個行業(yè)既包括生產(chǎn)類行業(yè)，也包括服務(wù)類行業(yè)，其生產(chǎn)方式各具特點(diǎn)，與人工智能技術(shù)的融合程度也有所差別（郭凱明，2019）。同時，不同于生產(chǎn)類的機(jī)器人，服務(wù)業(yè)中的機(jī)器人個性化和專業(yè)化明顯，需要特殊定制，這些差異可能帶來異質(zhì)性影響。根據(jù)麥肯錫全球研究院2019年報告對行業(yè)價值鏈的分類方法，本文將樣本中的55個行業(yè)分為生產(chǎn)類GVC與服務(wù)類GVC，并構(gòu)建是否為生產(chǎn)類GVC行業(yè)的虛擬變量（Gvc）與核心解釋變量的交互項，以考慮不同GVC行業(yè)安裝機(jī)器人帶來的影響。

根據(jù)表2列（4）中交互項的系數(shù)可知，相較于服務(wù)類GVC行業(yè)，生產(chǎn)類GVC行業(yè)安裝機(jī)器人帶來的GVC攀升效果更顯著。究其原因，一方面，現(xiàn)階段機(jī)器人大多安裝在生產(chǎn)類GVC行業(yè)，服務(wù)類行業(yè)安裝數(shù)量很少，且服務(wù)貿(mào)易存在較多壁壘，導(dǎo)致發(fā)展中國家生產(chǎn)受限、發(fā)達(dá)國家決策改變，不利于GVC分工體系的完善（劉斌和趙曉斐，2020）；另一方面，機(jī)器人的安裝和使用雖然能夠替代勞動力，但并不能實現(xiàn)“無人工化”（Faber，2020），特別是不同于生產(chǎn)類的機(jī)器人，服務(wù)業(yè)中的機(jī)器人需要特殊定制，投入高、產(chǎn)出低，增益效果差。因此，當(dāng)機(jī)器人安裝數(shù)量增加時，該類價值鏈難以有效地將技術(shù)創(chuàng)新轉(zhuǎn)化為全球化增長的動力。

表2 異質(zhì)性考察

五、影響機(jī)制

人工智能有利于各國、各行業(yè)在GVC體系中分工位置的提升，而這一促進(jìn)作用背后的影響機(jī)制如何，尚待進(jìn)一步考察。與呂越等（2020）的研究不同，本文認(rèn)為人工智能影響GVC分工位置的途徑至少包括三個方面：行業(yè)生產(chǎn)率（Prod）、勞動力投入（Labor）和產(chǎn)品質(zhì)量（Quality）。同時，為了克服傳統(tǒng)三步法中介效應(yīng)檢驗存在的內(nèi)生性問題，本文參考Liu和Lu（2015）的做法，在機(jī)制檢驗的每一步均嵌入工具變量進(jìn)行處理，具體模型構(gòu)建如下：

（一）行業(yè)生產(chǎn)率

前文的理論假說已經(jīng)表明，生產(chǎn)率可能是人工智能促進(jìn)GVC分工位置攀升的機(jī)制之一。參照王孝松等（2017）的做法，選取人均增加值指數(shù)來衡量行業(yè)生產(chǎn)率。根據(jù)表3列（1）的結(jié)果可知，人工智能顯著促進(jìn)了行業(yè)生產(chǎn)率的提高；而列（2）的結(jié)果進(jìn)一步表明，行業(yè)生產(chǎn)率的提高顯著促進(jìn)了其GVC分工位置的攀升。這和預(yù)期一致，表明人工智能的生產(chǎn)率效應(yīng)確實存在，從而驗證了研究假說H1。

（二）勞動力投入

正如已有文獻(xiàn)所述，人工智能對就業(yè)的總效應(yīng)取決于替代效應(yīng)和創(chuàng)造效應(yīng)的大小，但不同技能的勞動力對機(jī)器人使用的敏感程度可能并不相同，這就使得機(jī)器人對勞動力市場的影響不僅僅體現(xiàn)在數(shù)量層面，還體現(xiàn)在勞動力質(zhì)量層面。使用就業(yè)人數(shù)占總?cè)藬?shù)的比重衡量勞動力投入，以檢驗勞動力數(shù)量變化在機(jī)器人影響GVC分工位置中的作用。由表3列（3）可知，人工智能的使用顯著擴(kuò)大了各國、各行業(yè)的就業(yè)水平，創(chuàng)造效應(yīng)帶來的就業(yè)大于因替代效應(yīng)帶來的失業(yè)；列（4）的估計結(jié)果則進(jìn)一步說明，勞動力投入的增加帶來GVC的攀升。究其原因，一方面，機(jī)器人使用的替代效應(yīng)主要體現(xiàn)在替代低技能勞動力（Bonfiglioli等，2020；孔高文等，2020），而創(chuàng)造效應(yīng)則更多地帶來高技能工人就業(yè)增加，如經(jīng)理、技術(shù)科學(xué)家或非生產(chǎn)工人（Meltzer，2018；Bonfiglioli等，2020）。①鑒于2016版WIOD數(shù)據(jù)庫并未報告與勞動力技能相關(guān)的數(shù)據(jù)，故為論證該觀點(diǎn)的成立，我們重新匹配了2013版WIOD數(shù)據(jù)，對高技能、中技能、低技能勞動報酬及其工作時數(shù)進(jìn)行了分析。結(jié)果顯示，使用機(jī)器人后，高技能勞動力的報酬占比和工時數(shù)占比均出現(xiàn)顯著上升，而低技能勞動力的報酬占比和工時數(shù)顯著減少。這一結(jié)果與預(yù)期結(jié)論相符，也與已有文獻(xiàn)保持一致，證實了機(jī)器人使用對低技能勞動力的替代效應(yīng)和對高技能勞動力的創(chuàng)造效應(yīng)。限于篇幅，人工智能對不同技能勞動力的影響的回歸結(jié)果未報告；若有需要，可向作者索取或參見本文的工作論文版本。通過替代低技能勞動力和創(chuàng)造高技能勞動力就業(yè)，機(jī)器人有效地提升了行業(yè)的人力資本水平，優(yōu)化了勞動力質(zhì)量結(jié)構(gòu)，這對于嵌入GVC分工體系至關(guān)重要（呂越等，2020）。另一方面，對勞動力的創(chuàng)造使原有的生產(chǎn)要素配比改變，配合智能化設(shè)備的使用，更容易將增加的“人口紅利”轉(zhuǎn)化為“人才紅利”，從而實現(xiàn)GVC的攀升（戴翔和劉夢，2018）。上述結(jié)果支持了研究假說H2，即人工智能可以通過影響勞動力投入（主要是創(chuàng)造新就業(yè)）來實現(xiàn)GVC分工位置的攀升。

表3 影響機(jī)制

（三）產(chǎn)品質(zhì)量

盡管人工智能可能通過其他機(jī)制變量影響到質(zhì)量，進(jìn)而影響GVC分工位置，但也可以直接通過質(zhì)量發(fā)揮作用，故與已有文獻(xiàn)不同，本文首次將產(chǎn)品質(zhì)量也納入作用渠道，產(chǎn)品質(zhì)量以單位產(chǎn)出的增加值衡量。同時，為了增強(qiáng)結(jié)論的可信性，本文還借鑒Manova和Yu（2017）的做法，以單位價值表示產(chǎn)品質(zhì)量，并選取各國、各行業(yè)的增加值價格和產(chǎn)出價格分別表征行業(yè)產(chǎn)品的單位價值。①限于篇幅，以單位價值表示產(chǎn)品質(zhì)量的回歸結(jié)果未報告；若有需要，可向作者索取或參見本文的工作論文版本。表3列（5）和列（6）的估計結(jié)果支持產(chǎn)品質(zhì)量是機(jī)器人實現(xiàn)各國、各行業(yè)GVC分工位置攀升的途徑，論證了研究假說H3。

雖然提高產(chǎn)品質(zhì)量是人工智能促進(jìn)GVC分工位置攀升的途徑，但是這并不意味著所有行業(yè)都會走上以質(zhì)量取勝的道路。為探究哪些行業(yè)更能把握住人工智能所帶來的質(zhì)量效應(yīng)，本文從質(zhì)量的平均水準(zhǔn)和波動程度兩個角度入手，以期更全面理解人工智能的質(zhì)量效應(yīng)。根據(jù)各行業(yè)產(chǎn)品質(zhì)量均值的分位數(shù)水平，將行業(yè)劃分為低質(zhì)量（＜50%）、中等質(zhì)量（50%—90%）、高質(zhì)量（〉90%）三個組別。表4列（1）—列（3）顯示，低質(zhì)量和高質(zhì)量組的系數(shù)顯著為正，而中等質(zhì)量組的系數(shù)卻顯著為負(fù)，這表明由于質(zhì)量的差異，出現(xiàn)了偏向兩端的生產(chǎn)模式，質(zhì)量高的行業(yè)傾向于使用機(jī)器人繼續(xù)夯實優(yōu)勢，質(zhì)量低的行業(yè)致力于利用機(jī)器人的質(zhì)量效應(yīng)擺脫“低端鎖定”的困境。觀其系數(shù)大小，低質(zhì)量組的系數(shù)明顯大于基準(zhǔn)回歸（0.009）和高質(zhì)量組（0.005），表明低質(zhì)量組能夠最大限度地發(fā)揮人工智能的提質(zhì)作用，這也在一定程度上肯定了質(zhì)量機(jī)制的存在。與此同時，后兩列報告了根據(jù)質(zhì)量方差中位數(shù)分組的結(jié)果，方差反映了質(zhì)量的波動程度，波動程度大代表行業(yè)的生產(chǎn)不穩(wěn)定，產(chǎn)品流程未形成完備規(guī)模。根據(jù)回歸結(jié)果可知，質(zhì)量波動小的行業(yè)往往能利用機(jī)器人提升質(zhì)量，而波動程度大的行業(yè)生產(chǎn)不夠穩(wěn)定，生產(chǎn)環(huán)節(jié)有待完善，使用機(jī)器人還不能充分發(fā)揮其優(yōu)勢。

表4 人工智能質(zhì)量效應(yīng)的進(jìn)一步檢驗

在上述分析基礎(chǔ)上，本文參照Liu和Lu（2015）的處理方法，對上述三條作用機(jī)制進(jìn)行了比較，即根據(jù)各機(jī)制變量效應(yīng)與總效應(yīng)的差距值（三個機(jī)制分別為0.0025、0.0003和0.0637）判斷其作用程度，發(fā)現(xiàn)機(jī)器人主要通過促進(jìn)勞動力投入影響GVC分工位置，其次是提高生產(chǎn)率，最后是提高產(chǎn)品質(zhì)量。盡管這三種機(jī)制的作用程度有大小之分，但其系數(shù)差距的較小量級表明在機(jī)器人實現(xiàn)GVC分工位置攀升的過程中，生產(chǎn)率、勞動力和產(chǎn)品質(zhì)量均發(fā)揮了重要作用。

六、溢出效應(yīng)

（一）是否存在溢出效應(yīng)

正如上文研究假說H4所述，某行業(yè)使用機(jī)器人可能對其他國家或其他行業(yè)的GVC分工位置產(chǎn)生橫向或縱向溢出效應(yīng)。參照Acemoglu等（2020）的做法，本文構(gòu)建模型（4）來檢驗機(jī)器人使用過程中產(chǎn)生的橫向溢出效應(yīng)和縱向溢出效應(yīng)：

表5列（1）—列（3）的結(jié)果顯示，無論是單獨(dú)考慮還是同時考慮橫向溢出效應(yīng)和縱向溢出效應(yīng)，AIH的系數(shù)始終顯著為正，AIV的系數(shù)始終顯著為負(fù)，表明某行業(yè)使用機(jī)器人對他國同一行業(yè)產(chǎn)生了正向溢出效應(yīng)，而對本國其他行業(yè)產(chǎn)生了負(fù)向溢出效應(yīng)。考慮到可能的逆向因果內(nèi)生性問題，即某行業(yè)在GVC中的位置越高，越有可能帶來橫向溢出效應(yīng)與縱向溢出效應(yīng)，本文還選取工具變量進(jìn)行處理。根據(jù)表5列（4）—列（6）的結(jié)果，估計系數(shù)的符號和顯著性未發(fā)生改變，再次證實兩種溢出效應(yīng)的存在。

表5 是否存在溢出效應(yīng)的檢驗

（二）為何存在溢出效應(yīng)

1.橫向溢出效應(yīng)。Acemoglu等（2020）發(fā)現(xiàn)，企業(yè)采用機(jī)器人技術(shù)后，在對自身產(chǎn)生積極就業(yè)效應(yīng)的同時，卻會對同行業(yè)競爭對手的就業(yè)產(chǎn)生負(fù)面溢出效應(yīng)。進(jìn)一步擴(kuò)展至國際市場，同一行業(yè)提供的往往是相似或相同產(chǎn)品，在需求疲軟的情況下，這種同業(yè)競爭就會演變?yōu)榍治g性競爭（侯欣裕等，2020），此時各行業(yè)必然會采取相應(yīng)措施，以沖抵侵蝕性競爭的影響。而安裝機(jī)器人的諸多好處夯實和加強(qiáng)了自身的競爭優(yōu)勢，帶來產(chǎn)品生產(chǎn)的差異化，改變原有的同業(yè)競爭狀態(tài)。換言之，這種同行業(yè)的競爭效應(yīng)決定了機(jī)器人的使用不僅僅影響本行業(yè)GVC的分工位置，而且有可能對其他國家同行業(yè)的GVC分工位置產(chǎn)生橫向溢出效應(yīng)。

參考侯欣裕等（2020）的做法，本文計算了行業(yè)層面的產(chǎn)品重合度指標(biāo)（SIC）作為同業(yè)競爭的表征，以考察同業(yè)競爭在橫向溢出中的作用。表6列（1）的結(jié)果顯示，在使用工具變量消除內(nèi)生性后，AIH通過了1%顯著性水平檢驗，表明了橫向溢出效應(yīng)的存在；列（2）和列（3）的結(jié)果顯示，安裝機(jī)器人能夠顯著降低行業(yè)產(chǎn)品的重合度，降低侵蝕性競爭壓力，不斷提升各行業(yè)在GVC中的分工位置，以保持在同業(yè)中的競爭優(yōu)勢。

表6 橫向溢出效應(yīng)影響渠道

2.縱向溢出效應(yīng)。盡管機(jī)器人對本國其他行業(yè)產(chǎn)生了負(fù)向溢出效應(yīng)，但考慮到生產(chǎn)中的上下游關(guān)系可能干擾此效應(yīng)，本文采用完全消耗系數(shù)和完全分配系數(shù)θij′t作為權(quán)重，進(jìn)一步區(qū)分了行業(yè)間的上下游關(guān)系，將溢出效應(yīng)分解為前向溢出效應(yīng)和后向溢出效應(yīng)，構(gòu)建包含緊密程度的機(jī)器人數(shù)量指標(biāo)，即，以探析上（下）游行業(yè)使用機(jī)器人對下（上）游行業(yè)GVC的影響。其中，以前者為權(quán)重時，AIV衡量上游行業(yè)機(jī)器人安裝數(shù)量；以后者為權(quán)重時，AIV衡量下游行業(yè)機(jī)器人安裝數(shù)量。

機(jī)器人之所以有可能對上下游行業(yè)產(chǎn)生溢出效應(yīng)，主要在于：就前向溢出效應(yīng)來說，上游行業(yè)為下游行業(yè)提供生產(chǎn)和服務(wù)所需的中間品，而上游行業(yè)使用機(jī)器人后，可能改變供給中間品的狀況，進(jìn)而影響下游行業(yè)的GVC分工位置；就后向溢出效應(yīng)來說，下游行業(yè)在使用機(jī)器人的過程中不斷提高生產(chǎn)效率，有可能改變對上游行業(yè)產(chǎn)品或服務(wù)的需求數(shù)量，促使上游行業(yè)改變要素投入及其產(chǎn)出數(shù)量，進(jìn)而改變其嵌入GVC的分工位置。

表7列（1）和列（2）的估計結(jié)果顯示，考察前向溢出效應(yīng)和后向溢出效應(yīng)時，AIV的估計系數(shù)分別顯著為負(fù)和不顯著，表明某國某行業(yè)機(jī)器人的安裝和使用，不利于其下游行業(yè)的GVC分工位置攀升，而對其上游行業(yè)的GVC無影響，即存在負(fù)的前向溢出效應(yīng)，而不存在后向溢出效應(yīng)。

表7 縱向溢出效應(yīng)及其影響渠道

進(jìn)一步解讀產(chǎn)生縱向溢出效應(yīng)的潛在原因。一方面，引入行業(yè)中間品價格（For_M）考察前向溢出效應(yīng)產(chǎn)生的原因，鑒于價格指標(biāo)的最大優(yōu)勢在于它能同時反映成本和質(zhì)量雙特征，即中間品價格不僅反映成本，也可作為中間品質(zhì)量的代理變量（Manova和Yu，2017），故能夠反映上游行業(yè)提供中間品的“性價比”；另一方面，引入行業(yè)的資本投入（Back_M1）和勞動力投入（Back_M2）考察后向溢出的機(jī)制，以此作為下游行業(yè)安裝機(jī)器人引致上游行業(yè)改變自身生產(chǎn)的代理變量，資本投入以資本報酬占比表征，勞動力投入沿用前文指標(biāo)。

表7列（3）和列（4）的結(jié)果顯示，在使用了工具變量后，仍存在負(fù)的前向溢出效應(yīng)，且不存在后向溢出效應(yīng)。究其原因，盡管上文已表明人工智能存在生產(chǎn)率效應(yīng)和質(zhì)量效應(yīng)，但自動化的好處并不必然導(dǎo)致產(chǎn)品價格下跌，消費(fèi)者（此時為下游行業(yè)）的部分收益會被加價所抵消（Bonfiglioli等，2020），即上游行業(yè)安裝機(jī)器人的好處并不能完全轉(zhuǎn)嫁至下游，中間品性價比的下降，對下游行業(yè)的GVC產(chǎn)生負(fù)面的溢出效應(yīng)，這與列（5）和列（6）的回歸結(jié)果相一致；列（7）和列（8）的結(jié)果顯示，Back_M1和Back_M2的系數(shù)均不顯著，表明下游行業(yè)使用機(jī)器人后，并不會產(chǎn)生足夠的需求促進(jìn)上游行業(yè)的GVC分工位置攀升，故不存在后向的溢出效應(yīng)，這可能是因為樣本期間機(jī)器人安裝尚處初期，還不足以引致上游行業(yè)規(guī)模變動。

七、結(jié)論與啟示

本文通過合并WIOD數(shù)據(jù)庫、UIBEGVCIndicators數(shù)據(jù)庫和IFR機(jī)器人安裝數(shù)據(jù)庫，采用2000—2014年跨國、跨行業(yè)的機(jī)器人和GVC數(shù)據(jù)，考察了以機(jī)器人為代表的人工智能對GVC分工位置的影響及其作用渠道，并重點(diǎn)考察了這一影響在“獨(dú)善其身”的同時，能否對其他國家、其他行業(yè)的GVC帶來溢出效應(yīng)，即能否“兼濟(jì)天下”。研究結(jié)果表明：其一，人工智能有利于相關(guān)國家和行業(yè)在GVC體系中分工位置的攀升，即存在“獨(dú)善其身”的促進(jìn)效應(yīng)，且這一結(jié)果在進(jìn)行內(nèi)生性處理、更換變量、改變樣本范圍、更換估計方法、分位數(shù)回歸等穩(wěn)健性檢驗之后依然成立。其二，人工智能對GVC分工位置的促進(jìn)作用因國家、行業(yè)和GVC類型不同而存在異質(zhì)性，對技術(shù)接受程度較高的國家、自動化高的行業(yè)、競爭激烈的行業(yè)和生產(chǎn)類價值鏈的提升作用更為明顯。其三，人工智能不僅可以通過提高行業(yè)生產(chǎn)率和創(chuàng)造新勞動，而且還可通過提升產(chǎn)品質(zhì)量促進(jìn)GVC分工位置的攀升，位于質(zhì)量平均水平兩端和質(zhì)量方差波動較小的行業(yè)更傾向于發(fā)揮人工智能的質(zhì)量效應(yīng)。其四，人工智能對GVC分工位置的影響存在“兼濟(jì)天下”的促進(jìn)效應(yīng)，其中橫向溢出效應(yīng)的存在主要是緩解產(chǎn)品重合度而引發(fā)同業(yè)侵蝕性競爭所致；上游行業(yè)使用人工智能對下游行業(yè)產(chǎn)生的負(fù)面前向溢出效應(yīng)，主要在于供給的中間品性價比降低，而下游行業(yè)使用機(jī)器人對上游行業(yè)并不存在后向溢出效應(yīng)。

根據(jù)上述研究結(jié)論，本文可以得到的政策啟示主要有：在對內(nèi)以國內(nèi)“內(nèi)循環(huán)”擴(kuò)大內(nèi)需，對外以“雙循環(huán)”有序發(fā)展的今天，中國需要以“智造”代替“制造”，充分把握人工智能時代的嶄新機(jī)遇，擺脫“低端鎖定”的困局。首先，鑒于人工智能的使用能夠顯著提升GVC的分工位置，因此中國加快人工智能、大數(shù)據(jù)、5G等“新基建”的投入可謂明智之舉；同時，考慮到這種作用具有行業(yè)異質(zhì)性，政府應(yīng)根據(jù)各個行業(yè)的特點(diǎn)適時調(diào)整，建立健全激勵智能設(shè)備應(yīng)用的政策體系，通過財政補(bǔ)貼、稅收優(yōu)惠等經(jīng)濟(jì)手段精準(zhǔn)施策，有的放矢地推進(jìn)人工智能在高自動化行業(yè)、高競爭程度行業(yè)和生產(chǎn)類GVC行業(yè)的率先應(yīng)用。其次，應(yīng)高度重視對智能化的研發(fā)和創(chuàng)新，既要加大研發(fā)力度，把握人工智能發(fā)展的關(guān)鍵核心技術(shù)，著力解決技術(shù)“卡脖子”難題，也要增加對基礎(chǔ)性研究的重視，為新技術(shù)的普及創(chuàng)造良好的環(huán)境。再次，盡管機(jī)器人可能帶來就業(yè)的增加（尤其是高技能勞動力的就業(yè)），但是在“機(jī)器換人”和擺脫GVC“低端鎖定”的過程中，人工智能對勞動力的替代效應(yīng)仍需防范。政府應(yīng)制定相關(guān)教育、就業(yè)政策，健全人才培養(yǎng)體系，培育與人工智能相匹配的就業(yè)人才團(tuán)隊，以充分發(fā)揮人工智能的經(jīng)濟(jì)效益。同時，進(jìn)一步完善失業(yè)人員保障體系，加大對教育和就業(yè)再培訓(xùn)的引導(dǎo)和投入，鼓勵通過培訓(xùn)、實踐等方式提高低技能勞動者的素質(zhì)和工作能力，幫助他們實現(xiàn)再就業(yè)，平衡好提升GVC分工位置和低技能勞動者就業(yè)之間的關(guān)系。最后，由于人工智能在一定程度上具有“兼濟(jì)天下”的溢出特點(diǎn)，中國應(yīng)當(dāng)利用“一帶一路”經(jīng)貿(mào)合作、自貿(mào)區(qū)建設(shè)等跨國交流平臺，促進(jìn)高素質(zhì)勞動力、高新技術(shù)等先進(jìn)生產(chǎn)要素在國際間的充分流動，強(qiáng)化國家之間的科技研發(fā)合力，營造有利于科技創(chuàng)新和智能應(yīng)用的良好制度環(huán)境，共建共享人工智能領(lǐng)域的最新成果，為世界各國在國際舞臺上共同發(fā)展繼續(xù)貢獻(xiàn)中國力量。