本文摘要：摘要：基于 20092019 年省級面板數據，運用 DEA-Malmquist 指數法測算中國食品加工業全要素生產率及分解項，進一步在固定效應模型下檢驗人工智能和農業效率對全要素生產率的影響機制和影響程度。結果表明，研究期間食品加工業全要素生產率整體呈上升趨勢，主要由技術進
摘要：基于 2009—2019 年省級面板數據，運用 DEA-Malmquist 指數法測算中國食品加工業全要素生產率及分解項，進一步在固定效應模型下檢驗人工智能和農業效率對全要素生產率的影響機制和影響程度。結果表明，研究期間食品加工業全要素生產率整體呈上升趨勢，主要由技術進步拉動，但增長率呈波動式下降;分經濟區考察，南部沿海地區增長率最高，東北地區最低;人工智能促進技術進步，卻抑制了全要素生產率增長，中國食品加工業存在“生產率悖論”;農業效率通過正向影響技術效率，促進全要素生產率提高。據此提出以賦能食品加工業轉型升級、發展人工智能互補技術和建設現代農業為主要任務的對策建議。
關鍵詞：食品加工業;全要素生產率;人工智能;農業效率
食品加工業是農產品的直接上游行業之一，其在賦能鄉村振興、推動農村供給側結構性改革、一二三產業融合方面具有領頭作用，是為耕者謀利的制造業;習近平同志在逆全球化和新冠疫情的背景下提出了“雙循環”戰略，要求暢通國內大循環，食品加工業在實現農產品增值的同時為城鄉居民提供高質量消費品，是擴大國內需求、為人民謀福祉的民生產業。中共中央《十四五規劃建議》強調優先發展農業農村，資源要素向農村傾斜，2018 年農業部《關于實施農產品加工業提升行動的通知》明確了推動產業轉型升級的主要目標和重點任務。隨著中國經濟發展進入新常態，傳統資源和勞動密集型的產業要實現轉型升級就更要關注高質量發展，尋求除要素投入以外的新動能，很多學者認為全要素生產率(TFP)是中國未來經濟增長的決定因素。因此，實證研究近 10年中國食品加工業 TFP 的變化和影響因素具有重要意義。
1 研究現狀
中國學者對農產品加工業 TFP 變化趨勢和影響因素非常關注，對于更細分的食品加工業研究成果較少，但仍有極大的借鑒意義。農產品加工業TFP 的測算有兩類主流方法：非參數數據包絡模型(DEA-Malmquist)和隨機前沿模型(SFA)。戰炤磊等[1]、趙燃等[2]、龔新署等[3]基于行業面板數據測算中國農產品加工業 TFP 的變化趨勢，樣本階段雖各不相同，都得出了 TFP 年均上升的結論，并且主要由技術進步推動。
劉志雄等[4]使用 SFA 的方法估計生產函數測算技術效率的變化，發現雖然 1993—2005 年中國食品加工業技術效率逐年提高，卻存在顯著的技術損失，技術進步不明顯。很多學者實證分析了影響農產品加工業 TFP的因素，當前已被證實的影響因素分為兩大類：行業宏觀層面和公司微觀層面。產業集聚和外商直接投資在不同階段顯示出正外部性和負外部性[3];趙燃等[2]認為，國有控股企業相對“三資企業”在技術進步上更有優勢，資本密集度負向影響農產品加工業TFP 的提高。胡泉水等[5]從公司角度分析融資約束和技能結構失衡對 TFP 的抑制作用機理。但是人工智能在食品加工業生產效率中的作用還沒有學者研究，國內外學者關注“索洛悖論”在各國家制造業整體是否成立，并進行了大量實證研究。
食品加工論文：探究酶學技術在食品加工與食品質量檢測中的應用
劉亮等[6]基于中國制造業數據證偽了“索洛悖論”，認為人工智能主要通過提高技術效率提高制造業 TFP。付文宇等[7]認為人工智能通過技術創新和人力資本優化促進了地區制造業優化升級，而這種促進效果對中國東部地區和勞動密集型產業影響更顯著。工業智能化如何影響制造業高質量發展，唐曉華等[8]檢驗了工業智能化與制造業發展的 U 型關系，影響途徑是優化勞動力結構、提高生產效率與提升產品質量。郭敏等[9]結合國際經驗，驗證了人工智能對中國勞動生產率的抑制作用，原因是勞動生產率具有滯后性、錯誤的勞動生產率估算和人工智能不精確計量共同導致。雖然食品加工業是農業的直接上游行業，鮮有學者將第一產業與食品加工業納入同一研究框架分析。靖飛等[10]將省際主要農產品產量加入投入變量計算中國食品加工業 Malmquist 指數，用 DEA 方法計算技術效率未完全有效的省份在農產品利用效率上調整改進的程度。
張莉俠等[11]實證檢驗農業自身的效率并不會直接影響技術效率水平。上述關于使用 DEA-Mamlquist指數測算食品加工業全要素生產率已比較普遍，然而將人工智能、農業效率和食品加工業全要素生產率納入同一框架中的研究還未出現。鑒于食品加工業對推動國家經濟高質量發展、助推鄉村振興意義重大，為實現在新一輪科技革命階段抓住人工智能技術機遇、充分發揮食品加工業對農產品的增值作用，本研究擬從 2009—2019 年食品加工業 Malmquist 指數及其分解項的增長變動情況研究行業發展趨勢，并構建人工智能指標和農業效率指標，實證分析這 2 個因素在中國食品加工行業的影響效果和影響機制，以期豐富這一領域研究成果。
2 人工智能、農業效率對食品加工業全要素生產率的影響機制
2.1 人工智能對食品加工業技術進步和全要素生產率的影響機制人工智能在國家工業體系中具有知識溢出[12]和知識創造效應[13]。首先，智能化降低了企業間的信息傳遞成本，一定程度瓦解了企業間的技術壁壘從而促進知識共享，而人工智能技術作為通用目的的技術具有滲透性[6]，這種滲透性在區域產業集群中發揮知識溢出作用，推動食品加工業的技術進步。
另外，人工智能以人機交互為基本形式，以深度學習和大數據分析為代表的智能化信息技術輔助企業關聯和預測大量數據，在企業內部產生前向關聯溢出、后向關聯溢出，密切生產部門、研發部門和應用部門間的互動關系[14]，企業獲得庫存、生產、物流、營銷各關節點的準確信息，為制造業企業創造豐富的顯性知識，實現由數據到信息再到知識的價值轉化，也帶動制造業創新效率的提升，人工智能的知識創造效應有利于食品加工業的技術進步。諾貝爾經濟學獎獲得者索洛提出“除開生產率統計，無論何處，你都能目睹計算機的時代”，“信息技術生產率悖論”是否存在于中國的食品加工業，是文章需要探討的問題。
第一，人工智能的生產率效應存在時滯性，在人工智能發展的前期，各企業投入有形固定資產、高技術人力資源還有無法準確計量的無形資產后續支出，相應的這些資本積累在當期帶來的產出貢獻卻非常有限，通過 Malmquist指數計算 TFP 時通常以產值作為產出，這就導致了 TFP 被低估。如 2020 年國內對無人駕駛汽車的投資達95.4億元，卻尚未在汽車市場上形成最終產出，然而新技術帶來的市場潛力難以衡量，只有在未來趨向成熟時這些人工智能投資才能得到回報。第二，食品加工業屬于非技術密集型的輕工業，目前在行業內推廣使用的智能化設備如工業機器人、3D 打印、無人農機、智能檢測設備雖然在安裝量上大幅上升，但仍停留在形式層面，尤其是中低技術復雜度的傳統工業機器人對生產率貢獻有限[15]。
第三，人工智能具有技術狹隘性，其僅對國民經濟活動中的部分行業如廣告定位、金融資產交易和高技術制造業的促進作用明顯，而食品加工業在利用和發展人工智能技術時處于相對劣勢，同時，新技術的好處加劇行業間和企業間的不公平競爭，造成資源浪費[16]，破壞了新技術帶來的福利。鑒于人工智能具有生產率效應時滯性、技術狹隘性以及食品加工業在國民經濟所處的地位，本研究認為人工智不能促進全要素生產率提高，基于此提出假說 1。
2.2 農業效率對食品加工業全要素生產率的影響
機制食品加工業是鏈接第一產業與第二產業、農村與城市的重要輕工業，現代農業發展水平為食品加工業提供原材料基礎，現代農業和智慧農業的推廣發展推動了農業效率提高，部分地區大力推進綠色農產品種植和營養強化型初級農產品研發，促進食品加工業現代種植技術、現代工業技術的推廣普及。對食品加工業來說，高質量農產品原料供給賦能企業降低農產品產后損失并提高資源利用效率，食品加工業能夠充分發揮農產品價值增加的作用。農業效率的提高促進了農產品加工業的技術效率，從而提高全要素生產率�；谏鲜龇治鎏岢黾僬f 2。H2：農業效率正向影響食品加工業全要素生產率。
3 食品加工業全要素生產率測算與分析
3.1 DEA-Malmquist指數法Fare等[17]指出 Malmquist指數有以下優點：不要求價格信息、不需要假設行為、便于計算。運用Malmquist 指數不僅可以測算 TFP 的變化還可以根據分解項得出增長的主要動力。因此，本研究選擇DEA-Malmquist指數方法測算中國食品加工業全要素生產率。
3.2 數據選取按照中國國民經濟二位數分類代碼(GB/T 4754—2017)，選取農副食品加工業、食品制造業和酒、飲料、茶制造業 3個子行業作為研究對象，后文稱食品加工業，研究階段為 2009—2019年。為保證數據連續性和可獲得性，選取中國 31 個省(市、自治區)食品加工業主營業務收入(2019 年為營業收入)作為產出指標，并用 2009年為基期各子行業相應的生產者出廠價格指數平減處理。模型的投入指標包括勞動投入和資本投入，勞動投入用行業平均用工人數表示，資本投入分為固定資本和流動資本投入，其中固定資本用行業固定資產凈值并以 2009 年為基期的固定資產投資價格指數平減，行業流動資產用工業生產者購進價格指數平減后的年均余額表示流動資 本 。 基 于 以 上 指 標 使 用 DEAP2.1 軟 件 計 算Malmquist指數及其分解項。數據來源于《中國統計年鑒》和《中國工業統計年鑒》，其中 2018年《中國工業統計年鑒》未出版，缺失數據用趨勢外推法估算補齊。
2009—2019 中國食品加工業 TFP 的平均變化率是 1.041，在這 10 年間平均提升 4.1%，但是 TFP 增長率呈波動式下降，僅研究期的起始年 2009—2010 年增長率達到 30%，之后的 8 年增長率在-10%~10% 浮動。其中，技術效率指數(EFFCH)和技術進步數(TECHCH)分別上升1.6% 和 2.5%，說明食品加工業 TFP的增長是技術效率提升和技術進步共同作用的結果，但技術進步的貢獻更明顯。TFP 與技術進步趨勢基本一致，2010—2017 年技術效率的變化不明顯，食品加工業 TFP 的波動主要是由技術進步引起的，尤其在 2017—2018年 TFP 大幅下降了 12.7個百分點，同時技術變化下降幅度高達 21.0%，拖累效應明顯，技術效率卻一改下降趨勢，呈現出 11.8% 的增長，可能原因：
�、賴医y計局在編訂 2019年《中國工業統計年鑒》時，修改了統計制度，將工業各行業“主營業務收入”指標調整為“營業收入”指標，致使2018 年食品加工業 3 個子行業的產出數值明顯下降，3個子行業收入下降幅度達 20% 以上。同時，由于 2018年新會計制度允許新購進 500萬元以下固定資產一次性計提折舊，固定資產凈值出現較大幅度的下降，但其他投入指標沒有明顯變化。②2018 年中國食品加工業規模以上企業數量增加，但 R&D 投入和 R&D 人員數量減少，專利申請數也有所降低，說明在 2018年企業更加規�；�，企業采取提高管理效率、調整產品結構等優化產業配置的措施，短暫忽略技術創新能力提升，使 2017—2018年食品加工業技術效率提升，尤其是規模效率的增幅達到 7.1個百分點，而技術進步出現了大幅降低。
從各項指標的經濟學含義來看，技術變化指標為企業除投入要素以外對產出有影響的無形要素，包括技術進步、組織創新等。技術效率指標衡量在現有技術條件下，組織管理、產業結構等是否優化，純技術效率指標說明企業管理效率是否提高，規模效率指數說明現有規模是否達到了最優規模。中國食品加工業的技術效率進步不明顯，近 10年增長僅1.6%，主要是因為規模效率平均下降 0.04% 的拖累，規模效率僅在 2010年、2012年、2015年和 2018年是增長的，其他年份均下降，說明中國食品加工業規模經濟帶來的作用還沒有顯現。純技術效率增長也不明顯，食品加工業提高管理水平、提高資源利用效率和擴大經營規模是下一階段的重要努力方向，并在政策的支持下，鼓勵食品加工業提高市場集中度，注重食品質量并加快打響國際知名品牌，著重擴大國內市場。
3.4 各經濟區食品加工業全要素
生產率變動為進一步分析中國各省食品加工業全要素生產率的空間異質性，將 31個省(市、自治區)(下文稱為各地區)按照“十二五”期間區域規劃的“八大經濟區”進行劃分。其中，各個地區間資源稟賦、主導產業和經濟發展水平相似，尤其在農業專業化生產方面具有相似性，食品加工業與農業的關系最緊密，因此有必要進行經濟區層面的分析，以促進區域間的協調發展。2009—2019 年中國 27 個省(市、自治區)的食品加工業實現了 TFP 增長，8 個經濟區的平均增長率都是正值。
首先，南部沿海地區 TFP 增長幅度最大，達到近 9%，海南省和福建省 TFP 的增長分別位于全國的前 2 位，引領了該經濟區的生產前沿面，并且是源于技術效率和技術進步共同的推進作用。海南省是中國最大的熱帶作物、特色禽畜、水產品初加工基地之一，2018 年成為經濟特區后，其在生產技術發展、管理技術人員吸引、外資引進方面具有優勢，發展潛力巨大;農產品加工業是福建省重要支柱產業之一，依靠地理優勢和豐富的農產品優勢，福建省的糖果、罐頭和冷凍水產品產量位居全國前列。其次是大西南經濟區，5 個省份的食品加工業 TFP 平均增長 6.8%，貴州省、云南省、廣西均保持 7% 以上增長率，其中云南省 9.7% 的增長率由技術效率中的純技術效率主要貢獻，說明近 10年間云南省食品加工業的管理組織效率提升、產業結構不斷合理化，但是規模效率仍是下降趨勢。
東北地區和黃河中下游綜合經濟區的食品加工業 TFP 的年均增長率最低，主要因為技術進步拉動作用不足，其中吉林省和河南省 TFP年均下降 2%，作為重要的糧食大省，這 2個省應加大政策指引并擴大消費需求，提高本省優勢農業產品利用效率。此外，山東省、西藏和青海食品加工業 TFP 下降，均是由技術效率中規模效率變化的負增長拖累所致，青海和西藏地理環境阻礙制造業的發展，因此較難實現產業規�；�，但山東省是經濟發達地區，食品加工業產值高，應注重生產技術研發、抓住智能制造機遇，打造現代化食品加工業以促進地區經濟發展。
4 計量模型設定和變量選取
本研究核心解釋變量之一是人工智能指數 AI，參考季良玉[18]構建智能化水平測度體系的方法，從基礎設施層和生產應用層選取人工智能指標。李廉水等[12]強調從投入的角度衡量各地區智能化水平，本研究選取更有針對性的基礎設施投入指標如下：①C1：食品加工業 3 個子行業的內部 R&D 經費。R&D 經費主要用于高技術研發設備購進、研發人員工資發放，因此分別將經費的 50% 以當年固定資產投資價格指數平減，50% 以當年消費者價格指數平減，得到剔除價格因素后的 R&D內部支出。②C2：3個子行業的研發機構 R&D人員數量之和。③C3：高技術設備投入指標。一個地區的電信基礎設施完善程度為人工智能在制造業中的普遍應用提供條件，如 5G配套設施，因此選用電信固定資產投資作為高技術設備投入指標。生產應用層指標從食品加工行業內部和所在地區外部環境 2 方面分別選取如下：①C4：各地區食品加工業規模以上企業工業機器人的安裝數量。
工業機器人代替了部分低技能勞動力，并貫穿生產的各階段，由于相關數據僅具體到工業二級行業全國安裝量，用各地區規模以上食品加工企業數量占全國總量的比重估計了各區域的安裝量。②C5：高技術產業發展水平。用各地區高技術制造業營業收入占制造業整體營業收入的比重表示。③C6：信息服務業發展水平。用各地區信息服務業營業收入占制造業整體營業收入的比重表示，營業收入用相應的行業生產者出廠價格指數換算成2009年的不變價格。以上 6個指標選取的樣本考察期均為 2009—2019年，并用熵值法測算出綜合評分作為各地區人工智能指數 AI，指數越大說明這個地區食品加工業的人工智能程度越高。
被解釋變量：前文測算了 31個地區 2009—2019年 Malmquist指數和分解結果，令 2009年的 TFPCH、TECHCH、EFFCH 指數為 1，之后年份換算成以 2009年為基期的累計值得到絕對全要素生產率。
3 個指數分別作為被解釋變量進行影響因素回歸分析。核心解釋變量：人工智能指數 AI和農業效率指數 AGRI。AI 的測度方法已在上一節敘述，農、林、牧、漁產業為食品加工業提供基本生產原材料，農產品初加工企業往往選用其所在區域的易腐易敗或運輸成本高的農業產品加工生產，一個地區農業效率高低一定程度決定了原材料供給能力。本研究用各地區第一產業增加值占農業總產值的比重作為農業效率指數 AGRI。控制變量：①外商投資依存度 FDI。開放經濟下外商投資進入制造業諸多行業，為行業帶來國外先進技術、設備和管理體系，食品加工業是中國最早引進外資的行業，FDI 的知識溢出效應有利于食品加工業的生產率提高，但是 FDI 在產業集群中會產生技術擠出效應，抑制東道國企業全要素生產率提高[3]，用外商直接投資規模以上企業的營業收入占整個食品加工業營業收入的比重表示。
②產業結構STR。一個地區 3個產業的比例不盡相同，工業增加值反映了這一地區制造業發展程度，用第二產業增加值與第三產業增加值的比重衡量地區產業結構。③行業規模 SCAL。如果食品加工業成為一個地區的支柱產業，容易形成專業化經濟的產業集群，有利于行業內技術和資源共享并獲得政策支持，提高全要素生產率，用食品加工業營業收入與從業人員數比值的對數表示。④產權特征 INST。鼓勵非公有所有制經濟的改革措施有效促進企業間自由競爭，從而促進技術進步，用國有控股食品加工企業營業收入占全部食品加工業營業收入的比重表示。以上產值指標均用各行業生產者出廠價格指數平減計算。上述省級產值數據、價格指數和規模以上企業數來源于 2010—2020年《中國統計年鑒》《中國工業統計年鑒》。人工智能指標相關數據來源于 2010—2020 年《中國科技統計年鑒》和《中國高技術產業統計年鑒》，工業機器人分行業安裝量來源于國際機器人聯盟(IFR)公布的統計數據。
5 人工智能、農業效率影響食品加工業全要素生產率的實證檢驗基于上文設定的模型(4)、模型(5)和模型(6)，使用 Stata14.0 軟件對省級面板數據進行豪斯曼檢驗，結果顯示 P分別為 0.0001、0.0006和 0.0001，均拒絕原假設，選用固定效應模型更有效。因此選擇控制個體效應的固定效應模型(FE)進行實證分析，并提供最小二乘法(OLS)的回歸結果，隨后修改被解釋變量證明實證結果的穩健性。
對于資本密集型和勞動密集型的制造業，人工智能沒有起到優化企業制造流程并提高管理效率的作用，食品加工業在智能化設備投入、研發支出方面不成熟，屬于低效率的資本投入和人力投入，在行業內部缺乏與人工智能技術相匹配的人才以充分發揮資本作用，于是在基礎投入層、生產應用層和產出層之間未實現環環相扣。這可能是由于中國的制造業正處于由大轉強、由高速發展向高質量發展的攻堅時期，食品加工企業在高技能勞動力配備和管理技術方面面臨瓶頸難以將人工智能投入向產出轉化。
Black等[19]認為即使在工廠車間廣泛應用信息技術，卻沒有相應的技術互補系統，如車間管理實踐、高質量產品創新和豐富技術經驗的勞動力，那么投資信息技術反而會抑制企業生產率提升，當前中國食品加工業也面臨著互補系統與人工智能生產應用不匹配的瓶頸，但是隨著新一輪的科技革命逐漸深化，人工智能技術趨向成熟、走向市場，食品加工企業應抓住智能制造機遇，參與重構全球食品產業結構，注重人工智能資本積累和成果轉化。農業效率對食品加工業全要素生產率和技術效率回歸系數分別為 4.281和 3.223，均通過 5% 和 10%的顯著性水平檢驗，但是對技術進步的影響不顯著，說明食品加工業所在地區的農業增效通過提高食品加工業技術效率促進了全要素生產率，驗證了假說2。農業效率的提高意味這個地區農業生產的專業化、標準化水平提高，并為食品加工業提供高質量的原材料供給，有利于降低產后損失并實現農產品增值。
從控制變量系數看，外商直接投資的技術擠出效應明顯，抑制了食品加工業的技術進步，促進技術效率提高，對 TFP 的影響為負但沒有通過顯著檢驗，原因是中國食品加工企業與外商投資企業技術水平差距不明顯，加之外商投資企業利用東道國的勞動力和資源優勢，僅將處于價值鏈下游的加工業務建立在中國，并且有意封鎖核心技術，這就使得食品加工業吸引的外資帶無法帶來技術溢出作用，但是外企擁有的管理技術優勢卻顯著提高了本國企業的管理效率;地區產業結構對于 3 個被解釋變量的影響均顯著為正，第二產業的發達程度有效促進食品加工業 TFP 逐漸提高;行業規模正向影響了全要素生產率及其分解項，說明提高食品加工業規模能夠吸引促進技術進步和技術效率的有利條件，對TFP 的提高產生積極作用;產權特征對 TFP 的影響不顯著，可能因為食品加工業子行業的產權特征差別明顯，酒制造業之中，國有控股企業占比高，有利于商品的對外貿易、控價，而農副食品加工業和食品制造業占比小，行業內自由競爭程度高，所以國有或“三私”食品加工企業 TFP 并不會因為產權特征的差別而發生變化。
穩健性檢驗結果為確保實證結果的穩健性，修改全要素生產率的計算方法，使用固定效應模型進行主要解釋變量對 TFP 的影響回歸分析。選用索洛余值法基于柯布-道格拉斯生產函數計算技術進步效率，在假設規模收益不變的前提下技術進步率代表了全要素生產率�；貧w結果與原模型相比，人工智能指數 AI和農業效率 AGRI系數值和顯著性沒有太大變化，人工智能對食品加工業 TFP 發生阻礙作用，農業效率起到促進作用。
6 小結與建議
本研究基于 2009—2019 年省級面板數據，計算了食品加工業的 DEA-Malmquist 指數及分解項，從基礎設施投入層和生產應用層構建了智能化指標，并構建農業效率指標，在固定效應模型下實證檢驗人工智能和農業效率對食品加工業全要素生產率的影響路徑，得出結論如下：①2009—2019 年中國食品加工業全要素生產率年均增長 4.1%，技術效率變動貢獻 1.6%，技術進步貢獻 2.5%，全要素生產率的變動趨勢與技術進步高度吻合，全要素生產率的增長率呈波動式下降。其中，2017—2018 年全要素生產率下降幅度較大，主要是規模擴大而技術變化負增長導致。②分經濟區來看，南部沿海地區和大西南地區生產率增長最快，而東北地區增長最慢。③在固定個體效應的模型下，人工智能顯著促進食品加工業技術進步，卻抑制了全要素生產率提高，說明在 2009—2019年的 10年間中國食品加工業存在“生產率悖論”。④農業效率水平正向影響食品加工業技術效率進而促進全要素生產率增長，且回歸系數較大。
基于此提出以下建議。
1)發揮政策引領、加強頂層設計，賦能食品加工業轉型升級。近 10 年食品加工業 TFP 增長速度遠低于學者測算的制造業 TFP 增長速度，2019 年中國食品加工業產值占工業總產值的 7.8%，卻仍處于大而不強的地位。新常態下，各地政府應加快食品加工業轉型升級，推動量質齊增的發展方式，通過技術創新、管理創新提高資源利用效率，改變資源消耗式的增長動力。在現有政策文件的支持下，各地區明確“十四五”時期食品加工業發展方向，落實農產品加工園區規劃建設，農業發達地區充分發揮特色農產品比較優勢，經濟發達地區則積極引進先進生產技術和設備，吸引高技術人才，開拓國內市場暢通國內大循環。全國范圍內統籌規劃初加工、精深加工和副產品綜合利用，實現食品加工業高質量發展。
2)發展人工智能互補性技術，吸引高技術人才。人工智能在現階段還無法促進食品加工業的生產率提升，但是這種負向影響不會一直持續。食品加工企業應抓住智能制造機遇，充分發揮人工智能的知識溢出和知識創造效應，雖然企業進行人工智能的有形投資和無形投資是昂貴的，在現階段對生產率的促進作用有限，然而這些通用型的技術和設備可以幫助企業實現互補性創新。企業著重推進經營策略變革、高素質人才培養、管理水平提升，實施技術培訓和輪崗制提升工人的高技術設備操作能力。當企業內部配備與人工智能匹配的技術和人才時，這些前期的投資才能夠體現在生產率的提高上。
3)加快建設現代農業，保證農產品高效供給�，F代農業是中國農業發展的方向。農業現代化是應用現代科學技術、裝備、先進管理理念和營銷方式，推動傳統小農經濟向產供銷相結合轉化，打造一二三產業融合的新型產業，延伸產業鏈條，促進食品加工業與農業緊密聯系進而實現農產品多環節增值。同時，食品加工企業與當地農戶采取“產品定制”交易，既為農民創收又保證食品加工企業獲得高質量原材料供應。
參考文獻：
[1]戰炤磊，王 凱 .產業集聚、企業規模與農產品加工業全要素生產率——來自江蘇的證據[J].中南財經政法大學學報，2012(5)：134-140.
[2]趙 燃，駱 樂，韓 鵬 .中國農產品加工業技術效率、技術進步與生產率增長[J].中國農村經濟，2008(4)：24-32.
[3]龔新蜀，韓俊杰 .中國農產品加工業全要素生產率增長解析——基于集聚與 FDI互動視角[J].農業經濟與管理，2019(6)：28-38.
[4]劉志雄，何忠偉 .中國食品加工業的技術效率及變化趨勢——跨省隨機前沿分析[J].中國科技論壇，2009(2)：43-47.
[5]胡泉水，王振華，張廣勝.農產品加工企業全要素生產率低下的解釋：基于融資約束和技能結構失衡視角[J].農村經濟，2021(3)：119-127.
[6]劉 亮，胡國良 .人工智能與全要素生產率——證偽“生產率悖論”的中國證據[J].江海學刊，2020(3)：118-123.
[7]付文宇，李 彥，趙景峰 .人工智能如何影響地區制造業優化升級?——基于雙重中介效應的研究[J].經濟體制改革，2020(4)：187-193.
作者：申丹虹，趙筱楠
轉載請注明來自發表學術論文網：http://www.cnzjbx.cn/jjlw/30196.html
