人工智能发展对制造业高质量发展的影响研究

1.引言

为了推动实体经济的稳健增长，构建更为完善的现代产业体系，实现经济质量的全面提升，我国在《我国制造 2025》中提出了“ 确保制造业高质量发展”这一核心战略方针，展现出了深远的战略眼光。习近平总书记亦曾强调，"智能制造"是提升国家制造业的综合竞争力不可或缺的驱动力。然而，当前我国制造业在实体经济发展中面临诸多挑战，尽管拥有显著的产业特色，但整体实力尚待加强。因此，智能制造是未来科技革命的核心，是制造业发展的主攻方向。所以制定了《我国制造 2025》的强国战略（李健，2025）。对于亟待转型和现代化的我国制造业，发展智能化是一个巨大的突破口。因此，智能制造既是我国制造业未来的发展趋势，也是提升我国制造业国际竞争力的必然选择。

影响制造业高质量发展的重要因素有很多。曹雯莉认为市场的大政策环境、智能技术发展环境、各企业组成的制造业环境都会对企业的现代化转型产生影响（曹雯莉，2022）。企业的人才技能水平、资金研发投入都会对制造企业的发展和现代化产生直接影响。学者们在对制造业高质量发展的内涵和特征进行分析时，给了较为详细系统的闸释。在经济全球化与新一轮工业革命的背景下，赫尔曼提出制造业可持续发展需要在根本上转变发展范式（Herrmann C，2014），赖福特认为高级服务化将转变为制造业的核心竞争优势（Howard L，2013）。吕铁认为制造业的高质量发展是供需协调、生产系统高效运行、区域协同和三产协同的高质量发展（吕铁，2019）。黄先海认为，与传统制造业相比，制造业的高质量发展主要包括四个方面：增强创新能力、提高生产效率、优化供给质量、提升环保发展水平（黄先海，2021）。张明志认为制造业高质量发展是经济高质量发展的必然条件，制造业高质量发展的重点是发展制造业技术创新、优化制造业结构、深化与数字技术融合（张明志，2020）。黄顺春在对制造业质量发展评价的相关文献进行梳理后可以看出，相对于先进制造业和新型制造业而言，制造业质量发展在经济效益、科技创新和绿色环境的基础上，在质量品牌和社会服务方面的重要性有所提升（黄顺春，2021）。

人工智能加速了制造业的生产恢复。人工智能实现了制造业自动化和智能化生产，助力产能的有序恢复，并且显著优化了资源要素配置（温湖炜，2021）。当前，一些企业已建设智能工厂，将人工智能技术融入生产全过程，并与企业信息化技术紧密融合。这些企业开发离散生产过程监控系统，建立智能工厂数据平台，为制造业的高质量智能发展提供有力支撑。尽管我国在智能化制造发展方面取得了一系列成果，但仍面临多样挑战（秦尊文，2025）。所以本文将在对人工智能对制造业高质量发展及主要影响因素进行探究，结合现有相关理论研究，设计及其影响因素的调研，理清人工智能对制造业高质量发展的作用机制，并构建面板数据模型研究人工智能对我国制造业高质量发展的影响。

2.人工智能对制造业高质量发展影响的理论机制

2.1 人工智能对制造企业的直接影响机制

企业内部推动我国制造业高质量发展的原因，主要分为制造企业对利润的驱动和对市场份额扩大的追求等方面。（1）企业利益驱动。获取高收益、实现利润最大化是企业经营的终极目标。制造企业对于收益的追求是制造业高质量发展的直接动力。制造业的高质量发展意味着产品附加价值的增加、生产流程的优化或者产业效率的提升，这些都可以带来高额收益。从制造业市场来看，升级使企业增强了产品的比较竞争优势，提高企业收益份额。随着社会的发展，经济的进步，更多的企业逐渐意识到，大批量无个性的产品难以满足消费需求，于是促使企业的发展逐渐向个性化、差异化产品以及相关服务转移。（2）企业对市场份额扩大的追求。企业的经营目标是为了获得高收益。而扩大市场份额则是企业获取高收益的主要途径之一。

在国内市场方面，企业高质量发展意味着新工艺的发明、先进生产设备的投入使用带来的生产效率的提升和创新产品的产生，一方面，会促进新产业的高速发展，拓宽企业产品市场的领域；另一方面，产生行业壁垒，巨大的比较优势使行业中的竞争对手失去原有市场，在两方面因素的作用下，高质量发展的企业实现扩大国内市场份额的目标。在国际市场上，我国已全面融入制造业价值链体系，制造企业的高质量发展将改变现有的全球分工体系，提升我国在国际价值链位置。同时制造企业将提供更优质的我国产品，满足国内外的市场需求；在出口贸易方面，制造企业的高质量发展，意味着我国的制造商品向精细化、高质量化发展，我国企业也获取了出口竞争优势，打响了“ 中国制造” 的品牌。

2.2 人工智能推动制造业高质量发展的协调机制

由产业的价值链理论可以得出，随着企业逐渐发展至成熟，市场对于原有的产品需求数量下降，需求趋于饱和。而人工智能等先进技术的应用给产业长期发展提供了转机，因为其可以改变生产要素的组合方式。当制造业中的某些产业与人工智能关联程度较低，那么该产业便会被人工智能应用度更高的产业所代替，反之，如果其与人工智能关联性较强，那么该产业将具备持续发展动力，带动制造业多元化发展。人工智能的出现增强了企业之间的技术经济联系，加快了信息在企业之间的流动传播，当某个企业由于地区优势获得快速发展时，会通过前后向关联推动产业链上各类企业的靠近，促进产业多样化集聚的形成（谭玉松2023，）。因此，无论是人工智能技术促进主导产业多元化，还是替代原有产业产生新兴产业，都会促进技术进步。人工智能对于推动制造业现代化至关重要。它通过精准优化产业结构，不仅显著提升了前沿产业的技术先进性，更进一步通过强化产业间的相互关联，催生了相关产业的技术革新与制造流程的革新，为整个制造业的高质量发展注入了强劲动力。

在人工智能推动制造业升级的产业协调机制下，当制造业产业与人工智能相关技术关联度不高时，其未来将被关联度高的企业替代；当产业与人工智能相关技术关联度高时，智能化技术将推动产业向高技术水平发展，并进一步提高产业关联性，带动技术创新和生产流程创新，进而促进产业升级。

3.数据与模型构建

3.1 指标选择和数据来源

本文建立的制造业高质量发展综合评价指标体系如表1 所示，包括5 个一级指标和 15 个二级指标。一级指标包括技术创新、绿色发展、开放程度、经济效益、产业协调；二级指标包括研发投入强度、人均发明专利数、研发人员投入力度、单位增加值能源消耗量、单位增加值二氧化硫排放量、单位增加值工业固体废物产生量、单位增加值废水化学含氧量、外贸开放度、外资开放度、制造业增长速度、制造业企业利润率、制造业劳动生产效率、制造业产值比重、制造业产业结构高级化、第三产业增加值占比等等（肖国东，2019）。

表1.制造业高质量发展构建指标

由于香港以及澳门、台湾、香港、西藏地区相关数据缺失较多，2023 年份后的部分数据还未统计，所以本文只分析我国 2020 年到 2022 年的30 个省、市、自治区制造业发展水平，本文的数据来源包括：一是各类年鉴，缺失省份数据利用临近值法予以补充。二是数据库，主要为国家统计局数据库。某些年度数据缺乏，采取插值补齐法。

3.2 变量选取和统计说明

3.2.1 变量的选取

（1）核心解释变量。人工智能发展（ai）。以2020 年—2022 年我国30 个省市工业机器人安装密度数据指标来衡量工业智能化水平。

（2）控制变量。 ① 人力资本（hum）。采用常用各地区高等学校学生数占当地总人口数的比重衡量人力资本。 ② 贸易开放度（open）。采用当地货物进出口总额*美元对人民币汇率与地区 GDP 之比来衡量贸易开放度。 ③ 政府干预度（gov）。本研究用各地方政府财政支出总额占各地区 GDP 的比重来进行衡量，取对数来表示政府干预度（李炎亭，2023）。 ④ 城镇化（city）。以城镇人口占地区总人口的比重来衡量城镇化水平。

3.2.2 描述性统计

实施回归检验，在此之前进行描述性统计，在此以表3 的形式对具体每个变量的统计学特征进行汇总。

表2.相关变量描述性统计

从上表可以看出，2020-2022 年期间，我国各地区制造业高质量发展指数不尽相同，最小值为5.950，最大值为67.44，均值和标准差分别为20.72 和12.84，这可能在一定程度上反映了各省制造业高质量发展水平差异较大。在 2020 至2022 年的研究周期内，人工智能、人力资本、贸易开放度、国家调控力度以及城市化进程均展现出显著的变化。其中，人工智能与人力资本的发展尤为突出，其变化范围最为显著，从最小值 880 扩展至最大值 224062 。紧随其后的是贸易开放度，尽管其数值相对较小，但变化幅度亦不容小觑，最低值为0.000256，最高值则为0.938；波动幅度最小的是人力资源，最小值为0.0101，标准差为12.84，这可能在一定程度上反映出各省制造业高质量发展水平差异很大。人力资源，最小值为0.0125，最大值为 0.0436 。综合来看我国各省差异较大。

3.4 模型构建

为了让数据平稳性得到保证，避免出现异方差，将所有变量对数化。为了深入分析控制变量客观存在的前提之下，人工智能因素对制造业高质量发展水平的影响，设定如下回归模型：

|y=α₀+α₁ai+α₂lnhum+α₃|nopen+α₄lngov+α₅|ncity+d_t+v

其中，核心解释变量用ai 指代，是指制造业人工智能化水平； ln y 为被解释变量，表示制造业发展质量；控制变量包括人力资本 ln human 、贸易开放度ln open 、政府干预度 ln gov、城镇化 ln city ；i 为个体固定效应； ΔV_i 为随机误差项； d_t 为年份固定效应。

4.实证研究

4.1 结果分析

本文选取了2020 年到 2022 年我国30 省、市、自治区的相关面板数据，并构建了一个静态面板模型，并通过 Hausman 检验来确定最合适的模型形式。检验结果显示，p 值为0，这为我们后续的分析提供了坚实的统计基础。

为了进一步提高模型的稳健性和准确性，我们进一步考虑了年度固定效应，并成功引入了双向固定效应模型。这一调整有助于我们更好地控制潜在的内生性问题，确保研究结果的可靠性。最终的回归结果已详细呈现在表5 中，为后续的讨论和结论提供了有力的数据支持。

表3.人工智能对制造业高质量发展的回归影响

如表5 所示，在加入年度固定效应和控制变量后，系数均为正，且均在 1% 的水平上显著。这表明人工智能在促进制造业转型方面发挥了积极作用。

从第（1）列到第（4）列，逐步加入控制变量后基本解释变量的回归系数分别为 0.248、0.231、0.254、0.1720、0.158，且都在 1% 的显著性水平上通过了假设检验，说明人工智能对制造业高质量发展存在促进作用。在控制变量方面，值得关注的是城镇化和政府干预。

对第（5）列的数据进行一个简单分析，在所有回归中城镇化的系数变化可以知道城镇化程度可能会提高了生产效率，以此来推动制造业高质量发展发展。政府干预程度变量也为负且在 5% 的水平上显著，说明政府财政支出虽然可以直接拉高各地区的消费水平，但对直接推动各地区制造业高质量发展的作用可能较弱，政府应当做好角色转变，构建服务型政府，为当地提供完善的基础设施建设，打造便利的交通网和一小时经济圈。

4.2 稳健性检验

为增强研究的可靠性和结论的可信度，本文进行了稳健性检验。我采取了两种主要方法：首先，我们拓宽了研究的数据范围，将待检验数据的样本量从2018年扩展至2022 年，以涵盖更多元化的观察值。其次运用两阶段最小二乘法回归，借助工具变量（IV）法来进行内生性检验。我们选择了滞后一期的人工智能化水平作为工具变量，制造业高质量发展主要受当期技术水平的影响，滞后期的人工智能对当前制造业高质量发展有限，但人工智能当期与滞后期的发展水平相关，故而符合工具变量选取标准。

在考虑内生性问题后，人工智能对制造业韧性的促进作用仍然显著。这一选择主要基于一下考量：它能够反映出智能发展的潜在趋势；满足了工具变量外生性的条件，从而确保了检验的有效性和准确性。为了验证工具变量的有效性，分别进行过度识别检验和弱工具变量检验（王涛，2021）：

表4.弱工具变量检验

根据表 6 的数据，P 值为 0.001，这一显著结果强烈表明所选的工具变量与 模型中的解释变量之间存在显著的相关关系。并且 F 值超过 10 这一标准，有力证明了该工具变量并非弱工具变量，从而确保了模型估计的有效性和可靠性。

表5.过度识别检验

从表 7 的数据来看，该工具变量满足了恰好识别的条件，不存在过度识别的 问题（吴鹏，2022）。这一结果表明，我们在研究中选取的工具变量是合理且有效的，为模型的准确估计提供了有力支撑。

表6.稳健性检验回归结果

由表8 中的回归结果可知：列（1）为扩大样本量下的回归结果，2018-2022年间的工业智能化水平回归系数为0.223且在 1% 的显著性水平下通过假设检验；列（2）为更换估计方法下的回归结果，回归系数为 0.528 且在 10% 的显著性水平下通过假设检验。这体现出在考虑模型内生性前提之下，人工智能仍可促进制造业高质量发展。

5 结论

在深入剖析相关文献后，本文参考田时中等人的做法构建了一个综合评价体系，该体系从技术创新、绿色发展、开放程度、经济效益四个维度构建了制造业高质量发展综合评价指标体系。研究发现：（1）人工智能技术的应用程度与制造业优质增长之间存在显著的正向联系。（2）稳健性检验显示：即便在样本量扩增并审慎考虑内生性因素的背景下，人工智能技术与制造业发展之间的正向关系依然稳固。这表明研究结果具有较高的可靠性。（3）积极推动生产流程：智能化发展对于推动制造业迈向高质量发展具有不可或缺的重要性。同时要素禀赋的变化和创新驱动的需求促使企业进行智能化更新，以提升企业自身生产效率和市场竞争力。（4）产业协调机制：人工智能技术的应用改变了生产要素的组合方式，促进了产业结构的优化和升级。在产业协调机制下，与人工智能技术关联度高的产业更有可能实现技术进步和产业升级。

参考文献

[1]李健，孟纹羽，公雪.产业政策是否提升了制造业产业链自主可控能力？——基 于 《 中 国 制 造 2025 》 的 准 自 然 实 验 [J]. 经 济 与 管 理 评论，2025，41（02）：150-160.DOI：10.13962/j.cnki.37-1486/f.2025.02.012.

[2]曹雯莉. 智能化发展对制造业高质量发展的影响研究[D]. 南昌大学，2022.

[3]Herrmann C ，Schmidt C ，Kurle D ， et al. Sustainability in manufacturing and factories of the future [J]. International Journal of Precision Engineering and Manufacturing-Green Technology， 2014， 1 （4）： 283-292.

[4]Howard L ，Tim B ，Palie S . The servitization of manufacturing：A systematic literature review of interdependent trends [J]. International Journal of Operations & Production Management， 2013， 33 （11/12）： 1408-1434.

[5]吕铁，刘丹. 制造业高质量发展：差距、问题与举措 [J]. 学习与探索， 2019，（01）： 111-117.

[6]黄先海，诸竹君. 生产性服务业推动制造业高质量发展的作用机制与路径选择 [J]. 改革， 2021， （06）： 17-26.

[7]张明志，姚鹏. 产业政策与制造业高质量发展 [J]. 科学学研究， 2020， 38（08）： 1381-1389.

[8]黄顺春，张书齐. 中国制造业高质量发展评价指标体系研究综述 [J]. 统计与决策， 2021， 37 （02）： 5-9.

[9]温湖炜，钟启明.智能化发展对企业全要素生产率的影响——来自制造业上市公司的证据[J]. 我国科技论坛，2021， （01）：84-94.

[10]秦尊文.《“ 两业” 融合与中国制造业高质量发展》评介[J].地理学报，2025，80（06）：1719.

[11]谭玉松，任保平，师博．人工智能影响产业协同集聚的效应研究［J］． 成都：经济学家，2023，（6）：66 －77．

[12]肖国东. 我国制造业高质量发展评价及影响因素研究[D]. 吉林大学，2019.

[13]李炎亭，李柯.数字金融与制造业高质量发展：理论分析与实证检验[J].[1]兰州大学经济学院， 2023.

[14]王涛.人工智能对制造业高质量发展的影响研究[D]. 浙江财经大学，2021.

[15]吴鹏. 实体企业金融化对主营业务业绩的影响[D]. 四川大学， 2022.