(1.北京大学国家发展研究院，北京100871；3.华中农业大学经济管理学院，湖北武汉430070；3.湖北科技学院经济与管理学院，湖北咸宁437100)
摘要人工智能是促进21世纪新一轮产业变革的核心技术，全面影响经济社会发展。结合人工智能在农业领域应用的现状，参考Acemoglu等的理论框架，以1991-2018年世界银行和国际机器人联合会的国别数据为样本，实证分析其对农业生产率的影响及其作用机制。实证结果表明：(1)以劳均农业产值为农业生产率衡量指标，人工智能对农业生产率具有正向促进作用；(2)在作用机制方面，对农业劳动力具有显著的替代效应，但对产业结构尚未发挥出显著影响。此外，在异质性分析方面，人工智能对高收入国家农业生产率具有显著促进作用，对中低收入国家具有抑制作用。因此，发展现代农业，需大力推动人工智能在农业领域的发展与应用，促进农业劳动力转移，提高农业生产率。
关键词人工智能；农业生产率；就业效应；产业结构效应
在全球老龄化条件下，加速农业机械技术与装备的智能化，是转变农业发展方式的客观要求。20世纪90年代，美国将全球定位系统安装到农业机械上，标志着智慧农业的开端。21世纪，农业机器人使部分劳动力从繁重、枯燥的劳动中解脱，加速全球农业产业结构转型，对农业全产业链产生重大影响[4]。农业生产实际表明，农业机器人应用仍面临一系列制约因素，例如高购买成本、农业生产季节性导致农业机器人投资的低收益，智能水平难以适应复杂农业生产环境的多变性，操作准确性有待提高。虽然人工智能正在改变农业生产方式，提高农业生产率，深化农业与市场的联系程度[5]，但似乎并未对农业就业产生显著影响[6]。从已有文献来看，相对于受气候、耕地条件等自然因素影响较大的农业而言，有关人工智能的研究成果主要集中于宏观经济、非农产业领域。
除生产率和经济增长之外，有学者在工业就业方面展开相应研究。现有研究更多地得出人工智能对劳动力具有替代效应，减少就业总量的结论[1,10-12]。例如，陈彦斌等认为，人工智能的自动化程度比传统机械更高，对劳动力的替代效应更大[12]。但这些成果忽视了人工智能发展水平难以满足部分非常规工作要求，且技术发展可能产生新的就业岗位，与企业层面广泛存在的“人机协作”现象不符[13]。此外，人工智能作为有偏的资本密集型技术，其替代作用主要取决于对劳动或资本的替代弹性、产业生产方式，对就业和产业结构的影响存在不确定性[14]。在当前人工智能尚处于弱人工智能阶段，Daugherty等研究发现人工智能并没有减少就业，或仅仅影响劳动力市场的就业结构[13]。在劳动力异质性方面，群体之间以及其内部存在较大的异质性，不同类型劳动力受到的影响存在较大差异。其中，Autor等、Acemoglu等学者证实存在“就业极化”(中等技能劳动力需求减少，而高技能和低技能的劳动力需求增多)[10-11]。
Acemoglu等提出封闭经济条件下技术进步影响经济的理论框架，即包括劳动力替代效应、生产率效应和产业结构效应的影响机制[11]。虽然该框架考察的是对就业的综合效益，但指明了技术进步影响经济发展的具体形式，对分析人工智能对农业生产率的影响具有重要参考价值。具体而言，该理论模型表述为：
(1)
在式(1)中，L为产业就业总量，i、c分别为地区、产业，i=1,…,n；θ为人工智能可以完成的工作量占比，0<θ≤1；α为人工智能投入的资本量占比，0<α<1；Y为产业c的产品总量，且σ为产业间产品的替代弹性系数；P为i地区c产业产品x的价格。(1)式表明对就业的综合效应可以分解为三部分，即替代效应、生产率效应、产业结构效应[11]。对式(1)移项后，可得到人工智能影响生产率的表达式，即：
(2)
(3)
基于式(2)可以发现，影响农业生产率的两个主要途径为就业效应和产业结构效应。为展开作用机制分析，将式(3)中的因变量分别替换为各国农业劳动就业占比、农业增加值占GDP比例，再进行实证检验。
本文采用世界银行和国际机器人联合会(IFR)的数据，主要是因为世界银行数据库在国别层面统计口径一致、具有较高的权威性；机器人是较为常用的人工智能衡量指标，而IFR是全球范围内有关机器人数据的最权威机构。基于数据可得性和一致性，本文选取1991年至2018年49个国家(国家的地区分布和具体名称，见表1)的数据作为样本。各变量解释说明如下：
表149个样本国家及其地域分布
注：资料系根据世界银行数据整理。
地域国家地域国家大洋洲(2个)澳大利亚、新西兰北美洲(3个)美国、加拿大、墨西哥欧洲(28个)奥地利、比利时、瑞士、捷克、德国、丹麦、西班牙、爱沙尼亚、芬兰、法国、英国、希腊、匈牙利、爱尔兰、冰岛、意大利、立陶宛、荷兰、挪威、波兰、葡萄牙、罗马尼亚、俄罗斯、斯洛伐克、斯洛文尼亚、瑞典、土耳其、乌克兰亚洲(12个)南美洲(3个)非洲(1个)中国、印度尼西亚、印度、伊朗、以色列、日本、韩国、马来西亚、菲律宾、新加坡、泰国、越南阿根廷、巴西、智利南非
(2)解释变量人工智能。其是一种新型的通用信息技术，具有渗透性、替代性、协同性、创造性的经济-技术特征，能够广泛用于经济社会的各方面[1]。目前，国内外普遍缺乏有效的人工智能统计数据，参考Agrawal等、陈彦斌等采用机器人数量作为替代变量的作法[12,17]。本文中的“机器人”是根据国际标准化组织(ISO)的定义：自动化控制、可编程、多功能、由三个及以上转轴的固定或可移动的工业装置。结合数据整理过程，需要特别说明以下问题：第一，针对部分国家保有量数据缺失，结合后续年份到港机器人数量，采用2018年IFR修订后的统计方法——当年机器人保有量等于近12年积累量，补齐2016—2017年16个主要国家(3)这16个国家为美国、加拿大、墨西哥、巴西、中国、印度、日本、韩国、泰国、越南、法国、德国、意大利、西班牙、英国、南非。的缺失数据；第二，《WorldRobotics2008》中仅统计北美地区保有量，没有细分2005-2007年美国、加拿大、墨西哥的保有量，分别采用2004年三国GDP占北美地区总量的比例，乘以对应年份北美机器人保有总量得出。同理，针对2004—2007年的荷兰、比利时、卢森堡三国作为一个整体统计，采用类似方法得出荷兰、比利时的机器人保有量。
(3)控制变量。老龄化率，即65岁和65岁以上的人口占总人口的百分比，总人口是根据实际存在的人口定义确定。老龄化会降低劳动参与率和生产率，减少社会的储蓄和投资，减缓资本积累速度，制约经济增长[12]。因此，为应对这种人口结构变迁对产业和经济发展的不利影响，面临老龄化的国家会增加人工智能的应用，弥补本国劳动力供给不足[10]。
总生育率，为假设妇女度过整个生育期，并按照当期的年龄组别生育率所生育的孩子数。
人均GDP，采用国内生产总值(GDP)除以对应国别年中人口数获得该指标。GDP为经济体内所有居民生产者创造的增加值总和，加上产品税，并减去不包括在产品价值中的补贴。其中，计算时未扣除资产折旧或自然资源损耗和退化，并按2010年不变美元价格计算。
高等教育入学率，即按国际教育分类标准(ISCED)，不论年龄大小，第三级教育第一阶段(ISCED5)和第二阶段(ISCED6)的大学在校生总数，占中学之后5年学龄人口总数的百分比。人工智能发展的现实表明，高技能劳动力的数量及其占比相对更为重要，此处以高等教育入学率作为受教育水平的替代指标。针对部分国家2014—2018年的高等教育入学率数据缺失，采用均值插值法得出这5年的数据。
通货膨胀率为GDP隐含价格平减指数。具体是按照现价本币计算的GDP与按照不变价本币计算的GDP之比，其年增长率反映整个经济体的价格变动率。
此外，为展开作用机制分析，选取农业劳动就业占比、农业增加值占GDP的比重，分别作为衡量就业、产业结构的因变量。在遵循统计口径一致性、合理补齐少数缺失数据的情况下，以上各变量的描述性统计情况，见表2。
表2样本数据描述性统计N=919
变量名称符号单位均值标准差最小值最大值农业生产率Productivity美元25815.9635349.55451.03392306.05农业就业占比employment_ratio%14.9416.360.1968.58农业增加值占比Rateofagriculture%5.845.970.0440.49人工智能(台数)AI-23866.6570275.360.00632415.00老年化率ageingrate%11.904.913.0827.05总体预期寿命(实际岁数)lifeexpectancy-74.665.7252.5784.10总生育率totalfertility%1.860.621.084.25人均GDPGDPP美元23607.7118699.25448.0391617.28出口额export亿美元2632.833819.7243.2524958.26进口额import亿美元2631.243489.9238.2423105.53税收比重taxRate%17.726.253.8635.09高等院校入学率highereducation%46.1022.611.53111.75通货膨胀率inflationrate%24.56176.76-3.903334.80
表3人工智能对农业生产率的影响
变量(1)固定效应(2)固定效应(3)OLS(4)滞后解释变量lnAI0.0073***(0.0025)0.0077***(0.0029)0.0121***(0.0046)0.0068**(0.0029)ageingrate-0.0451***(0.0100)0.0382***(0.0091)-0.0433***(0.0102)lifeexpectancy0.0031(0.0083)0.0158***(0.0043)-0.0012(0.0086)totalfertility0.2105***(0.0502)0.6375***(0.0775)0.2049***(0.0515)lnGDPP0.2918***(0.1063)0.7836***(0.0329)0.2809**(0.1106)lnexport0.1988***(0.0725)-0.4766***(0.1200)0.2450***(0.0745)lnimport-0.2115***(0.0719)0.3815***(0.1061)-0.2306***(0.0725)taxRate0.0014(0.0041)0.0181***(0.0070)-0.0000(0.0042)highereducation0.0036***(0.0011)0.0085***(0.0012)0.0035***(0.0012)inflationrate-0.0001(0.0000)-0.0002***(0.0001)-0.0001(0.0000)常数项9.3468***(0.0305)6.3756***(0.8922)-1.0915***(0.2383)6.6494***(0.9396)固定效应控制控制—控制N919919919875AdjustedR20.97160.97460.77130.9765
(1)稳健性检验。为了检验实证结果的稳健性，进一步采用基于OLS方法混合回归、替换人工智能变量为其滞后一期(滞后解释变量模型)实证分析，得出表3第(3)和(4)列的实证结果。结果发现，与表3第(2)列的固定效应模型估计相比，OLS、滞后解释变量模型的解释变量及控制变量的系数在方向、大小、显著性水平方面基本一致。与此同时，在后续部分将样本分为高收入国家、中低收入国家两类样本，实证结果满足“事实性显著”的特征，此处暂不做过多的说明。总之，这些结果均说明以上本文的估计具有稳健性。
表4人工智能的就业效应
变量(1)固定效应(2)固定效应(3)OLS(4)滞后解释变量lnAI-0.4342***(0.0241)-0.2532***(0.0249)-0.3493***(0.0582)-0.2489***(0.0246)常数项20.1739***(0.2990)100.9493***(7.6893)89.9878***(3.9408)101.0697***(8.0079)控制变量不控制控制—控制固定效应控制控制—控制N919919919875AdjustedR20.98190.98750.81290.9885
(2)产业结构效应。人工智能属于具有新型基础设施属性的通用技术，对劳动或资本可能产生有偏的替代，在不同产业的应用前景存在较大差异，其应用会引起产业结构变迁[14]。为分析人工智能经由产业结构效应对农业生产率的影响，以农业增加值占GDP的比例为衡量产业结构的指标。然后，采用固定效应模型、OLS方法以及滞后解释变量模型，得出的实证结果如表5，均说明人工智能发展会降低农业GDP占比，但该系数在添加控制变量后变得不显著。具体就农业领域而言，人工智能的发展及其产业化应用范围还比较有限，并未实现对农业生产方式的革命性变革，减少农业劳动力需求。因为在产业化应用过程中，规模经济可以降低人工智能的应用成本，促进生产率提高和要素替代，加速生产要素流向人工智能替代弹性更低的生产部门[14]。农业是自然再生产和经济再生产相统一的过程，其受自然因素的影响较大、生产的标准化程度低于非农产业，人工智能的使用水平及其对农业生产要素的替代效应均较低。因此，在当前的科技发展背景下，由于人工智能在农业中的应用较为滞后，其对农业GDP占比的影响还未显现。
表5人工智能的产业结构效应
变量(1)固定效应(2)固定效应(3)OLS(4)滞后解释变量lnAI-0.1444***(0.0171)-0.0007(0.0177)-0.0978***(0.0224)-0.0039(0.0160)常数项7.5793***(0.2129)34.2695***(5.4647)30.8991***(1.4927)43.2040***(5.2044)控制变量不控制控制—控制固定效应控制控制—控制N919919919875AdjustedR20.93100.95250.80660.9618
此外，人工智能对农业具有负向的产业结构效应，也可能是由于收入变动、相对生产率变化等因素。“恩格尔定律”表明在收入增长过程中，收入需求弹性导致在内生性的需求结构中，富有弹性的产品消费增加，进而影响产业结构和技术创新偏向[24]。就收入需求弹性系数而言，农产品基本属于生活必需品、弹性系数较小，因此，随着人工智能技术提高人类生活水平，农产品的消费和价格增长滞后于其他产品。然而，产品之间的相对价格在一定程度上反映了产业间TFP的相对变动状况[21]，而相对生产率变化是导致农业产业结构变迁的重要因素。具体而言，农业面临的地理条件和自然环境更为复杂，对技术应用的要求更高，使得该领域的人工智能产业化应用不及其他产业。此外，资本积累、技术创新的强度和偏向会影响要素投入结构及其边际生产率，引致产业结构变迁[19]。
人工智能作为一项融合多种前沿技术、不断完善的新型信息技术，影响就业的广度和深度甚于传统技术。对非农产业的研究发现，人工智能对不同收入水平国家、产业、性别的劳动力具有异质性的影响[17]。为分析其潜在的异质性影响，考虑到样本量的国别差异，将样本国家分为高收入国家、中低收入国家。其中，按照世界银行分类标准，前者对应“高收入国家”，后者包括按“中上收入国家”“中下收入国家”和“低收入国家”三类国家。
基于以上样本分类的实证分析结果(如表6)，表明在纳入控制变量后，人工智能对高收入国家、中低收入国家生产率的弹性系数分别为0.0294和-0.0057，即现阶段其对以上两类国家分别具有显著的正向促进作用和负向抑制作用。这可能源于以下两方面的原因：高收入国家是人工智能的研发和应用的主要推动者，高收入国家具有更多的高人力资本劳动力，能够实现高技能劳动力有效供给，满足人工智能发展和应用的人力资本要求，随着人工智能应用过程中生产率提高，其与中低收入国家的农业生产率差距进一步扩大；中低收入国家由于人力资本积累水平相对较低，特别是在农业生产领域，劳动与人工智能存在错配，不利于农业生产效率的提高。
表6人工智能对农业生产率的异质性影响
变量高收入国家(1)固定效应(2)固定效应(3)滞后解释变量中低收入国家(4)固定效应(5)固定效应(6)滞后解释变量lnAI0.0195***(0.0065)0.0294***(0.0060)0.0257***(0.0061)-0.0085***(0.0028)-0.0057**(0.0029)-0.0045(0.0029)常数项9.9786***(0.1018)13.3897***(3.8886)10.8873***(3.9664)8.5147***(0.0239)4.6086***(0.7026)5.3658***(0.7321)控制变量不控制控制控制不控制控制控制固定效应控制控制控制控制控制控制N494494471425425404AdjustedR20.86980.90680.90760.97990.98420.9856
人力资本优势是导致人工智能对高收入国家农业生产率促进作用更显著的重要原因。从以高等教育入学率作为衡量指标来看，高收入国家在人力资本方面具有比较优势，能够促进本国人工智能等高科技发展和应用。以世界银行2017年数据为例(8)其中，高收入国家数量为35个，中低收入国家11个，乌克兰、土耳其、越南3个国家的数据缺失。，当年高收入国家的平均高等教育入学率为76.87%，而中低收入国家为42.95%，其中，中高收入国家、中低收入国家、低收入水平国家的平均高等教育入学率分别为46.66%、38.66%和27.44%。21世纪以来，人工智能应用使劳动力需求表现出“就业极化”现象[1,10]。在这种背景下，高收入国家的人力资本优势进一步凸显，能够提供数量更多的、与人工智能相匹配的高技能劳动力，促进生产率提高。此外，高等教育入学率也表明高收入国家的人力资本状况，整体优于中低收入国家，在机械化和自动化水平原本高于中低收入国家的情况下，较高的高等教育入学率能够为人工智能技术在高收入国家农业领域的应用创造更有利的现实条件。
参考文献
[1]蔡跃洲,陈楠.新技术革命下人工智能与高质量增长、高质量就业[J].数量经济与技术经济研究，2019(5):3-22.
[2]GOLLIND,LAGAKOSD,WAUGHM.Theagriculturalproductivitygap[J].Quarterlyjournalofeconomics，2014,129(2):939-993.
[3]蔡昉.农业劳动力转移潜力耗尽了吗[J].中国农村经济,2018(9):2-13.
[4]UKRAS.Agriculturalrobotics:thefutureofroboticagriculture[C].UKRASNetworkWhitePapers,2018.
[5]LELEU,GOSWAMIS.Thefourthindustrialrevolution,agriculturalandruralinnovation,andimplicationsforpublicpolicyandinvestments：acaseofIndia[J].Agriculturaleconomics,2017,48(S1)：87-100.
[6]FREYCB,OSBORNEMA.Thefutureofemployment：howsusceptiblearejobstocomputerization[J].Technologicalforecastingandsocialchange,2017(114):254-280.
[7]王林辉,胡晟明,董直庆.人工智能技术会诱致劳动收入不平等吗——模型推演与分类评估[J].中国工业经济，2020(4):97-115.
[8]ACEMOGLUD,RESPTREPOP.Artificialintelligence,automationandwork[C].NBERworkingpaper,No.24196,2018.
[9]CHENGH,JIAR,LID,LIH.TheriseofrobotsinChina[J].Journalofeconomicperspectives,2019,33(2):71-88.
[10]AUTORDH,DROND.Thegrowthoflow-skillservicejobsandthepolarizationoftheU.S.labormarket[J].Americaneconomicreview,2013,103(5):1553-1597.
[11]ACEMOGLUD,RESPTREPOP.Robotsandjobs:evidencefromUSlabormarkets[J].Journalofpoliticaleconomy,2020,128(6):2188-2244.
[12]陈彦斌,林晨,陈小亮.人工智能、老龄化与经济增长[J].经济研究,2019(7)：47-63.
[13]DAUGHERTYP,WILSONJ.Human+Machine:reimaginingworkintheageofAI[M].Boston,MA:HarvardBusinessReviewPress,2018.
[14]郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界,2019(7):60-77,200.
[15]ROMERP.Endogenoustechnologicalchange[J].Journalofpoliticaleconomy,1990,98(5):71-102.
[16]TOMBET.Themissingfoodproblem:trade,agriculture,andinternationalproductivitydifferences[J].Americaneconomicjournal:macroeconomics,2015,7(3):226-258.
[17]AGRAWALA,GANSJS,GOLDFARBA.Artificialintelligence:theambiguouslabormarketimpactofautomatingprediction[J].Journalofeconomicperspectives,2019,33(2):31-50.
[18]CERVELLATIM,SUNDEU.Lifeexpectancy,schooling,andlifetimelaborsupply:theoryandevidencerevisited[J].Econometrica,2013,81(5):2055-2086.
[19]HERRENDORFB,HERRINGTONC,VALENTINYIA.Sectoraltechnologyandstructuraltransformation[J].Americaneconomicjournal:macroeconomics,2015,7(4):104-133.
[20]CORREIAS.Afeasibleestimatorforlinearmodelswithmulti-wayfixedeffects[C].WorkingpaperofDukeUniversity,2016.
[21]NGAILR,PISSARIDESCA.Structuralchangeinamultisectormodelofgrowth[J].Americaneconomicreview,2007,97(1):429-443.
[22]杨伟国,邱子童,吴清军.人工智能应用的就业效应研究综述[J].中国人口科学,2018(5):109-119,128.
[23]ATHEYSC,BRYANKA,GANSJS.Theallocationofdecisionauthoritytohumanandartificialintelligence[J].AEA:papersandproceedings,2020(110):80-84.
[24]MATSUYAMAK.Engel’slawintheglobaleconomy:demand-inducedpatternsofstructuralchange,innovation,andtrade[J].Econometrica,2019,87(2):497-528.
中图分类号：F313
文献标识码：A
DOI编码:10.13300/j.cnki.hnwkxb.2021.05.017
收稿日期：2021-03-28
基金项目：国家自然科学基金青年项目“中国的农业机械化模式及其对农户收入增长与差距的影响研究”(72003089)；2020年度全国统计科学研究一般项目“机器人应用与工业转型升级匹配效应的统计分析与对策研究”(2020LY078)。