习近平总书记在考察河南洛阳轴承集团股份有限公司时指出，制造业是国民经济的重要支柱，推进中国式现代化必须保持制造业合理比重。这一重要论述为新时代制造业发展指明了方向。《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》提出要滚动实施制造业重点产业链高质量发展行动，促进制造业数智化转型。一系列顶层设计的出台，体现了国家推动制造业高质量发展的坚定决心，也为破解制造业发展瓶颈提供了政策依据。同时，我国虽作为全球制造业第一大国，但制造业仍面临大而不强的现实困境，关键核心技术领域对外依存度较高，研发投入强度低于发达国家平均水平，单位产值能耗仍高于发达国家，传统要素驱动模式难以为继，向效率驱动、创新驱动转型迫在眉睫。在此背景下，如何借助颠覆性技术突破发展瓶颈，推动制造业实现质量变革、效率变革、动力变革，成为学术界与产业界共同关注的重大课题。
生成式人工智能的发展，为制造业高质量发展注入了全新动能。工业和信息化部等八部门出台的《“人工智能+制造”专项行动实施意见》提出要推动大模型技术深度嵌入生产制造核心环节。而生成式人工智能作为人工智能领域的革命性突破，凭借大语言模型、深度学习算法等核心技术，具备从理解到生成再到优化的全链条能力，能够在数据和算法的驱动下自主完成产品设计、工艺优化、决策支持等复杂任务，打破了传统人工智能在制造业中的应用局限。与传统人工智能相比，生成式人工智能不仅能够处理结构化数据，更能深度挖掘非结构化数据的潜在价值，在缩短产品研发周期、生产线实时调度、数字孪生系统构建等方面实现从被动响应到主动创造的跨越，为破解制造业发展难题提供了全新路径。然而，生成式人工智能在制造业中的应用仍面临多重挑战，其一，技术适配性不足，通用大模型与制造业复杂场景的融合仍存在卡点，行业专用大模型研发滞后;其二，传导机制不清晰，现有研究多聚焦于生成式人工智能的直接影响，对其通过何种路径作用于制造业企业全要素生产率缺乏系统性研究;其三，应用不均衡问题突出，不同规模、不同技术水平、不同所有制企业在技术采纳与应用效果上存在显著差异。上述挑战使得生成式人工智能对制造业企业全要素生产率的影响尚未得到充分释放，亟须通过理论研究与实证分析予以回应。
现有学术研究为文章提供了重要基础。部分学者探讨了人工智能对制造业全要素生产率的促进作用。也有研究关注数字化转型、创新驱动等因素的传导机制效应，但总体来看，现有研究仍存在明显不足：一是对生成式人工智能的独特性关注不够，现有研究视角仅关注到企业的技术创新。大多数研究将其等同于传统人工智能，忽视了其在生成式创新、数据转化、场景适配等方面的差异化优势。二是传导机制的研究较为零散，缺乏对生成式人工智能到机制变量再到企业高质量发展的全链条系统性检验。三是异质性分析尚未深入，针对不同市场竞争程度、技术水平、企业性质下的的赋能差异缺乏细致考察。四是对调节因素的探讨不足，市场化环境、企业风险承担等外部与内部情境因素如何影响技术赋能效果，尚未得到充分解答。
基于此，文章以2008—2023年制造业A股上市公司为研究样本，系统探究生成式人工智能对制造业企业全要素生产率的影响效应、传导机制、异质性特征与调节因素。第一，考察生成式人工智能对制造业企业全要素生产率存在何种影响，在经过稳健性检验后，实证回归结果依旧具有稳健性。第二，重点分析生成式人工智能对制造业企业全要素生产率存在何种传导机制，本文不仅验证了生成式人工智能对制造业企业全要素生产率的积极影响，还深入探究了其传导机制，通过将企业创新水平、企业数字化转型、企业融资约束作为传导机制变量，揭示了生成式人工智能如何通过传导机制变量进而实现促进制造业企业高质量发展的重要目标。第三，文章对市场竞争程度、技术水平、企业所有制进行异质性分析，异质性分析结果显示，生成式人工智能对不同性质的企业的影响存在显著差异。第四，进一步分析中将市场化指数和企业风险承担水平作为调节变量，探究调节变量能否在生成式人工智能对制造业企业全要素生产率的影响过程中发挥调节作用。第五，针对不同类型企业的差异化需求，提出精准化的政策建议，助力政府部门完善人工智能赋能制造业的支持体系，推动制造强国建设迈向新台阶。
(一)生成式人工智能对制造业企业全要素生产率的影响分析
生成式人工智能的核心应用目的是能够应用于多个生产部门，具有持续的技术改进空间，能催生大量互补性创新。而制造业企业全要素生产率的核心内涵是由要素驱动向效率驱动和创新驱动转变。生成式人工智能发展对制造业企业全要素生产率的影响首先从技术进步的角度看，由于制造业在产品投入、材料研发、工艺优化等核心研发环节具有高投入、长周期、高风险等特征，而生成式人工智能通过深度学习算法能够有效降低制造业企业的研发成本并缩短研发周期，进而推动制造业企业技术进步的发展。同时，生成式人工智能作为底层技术，能够与制造业的智能制造、工业互联网、数字孪生等跨领域技术深度融合，催生制造业企业产生颠覆性创新，进而以技术进步的形式来促进制造业企业全要素生产率的提升。其次从资源配置的角度，在劳动力配置方面，生成式人工智能驱动的智能系统能解决具有重复性且附加值低的劳动任务，将劳动力转向研发设计、市场拓展等高附加值环节，提高劳动力的边际生产率。数据要素配置上，生成式人工智能能够挖掘工业数据的潜在价值，将数据资源转化为数据资产，实现对数据要素的精准调度。同时，生成式人工智能能够通过大语言模型快速整合和分析要素市场信息，打破制造业在要素获取过程中所面临的信息壁垒。而信息不对称的缓解降低了要素配置的交易成本，提升了资源配置效率，进而提升制造业企业全要素生产率。根据上述理论分析，本文提出如下研究假设:
假设 H1: 生成式人工智能能够显著提升制造业企业全要素生产率
(二)生成式人工智能对制造业企业全要素生产率的传导机制分析
制造业企业创新水平提升的表现为制造业企业对现有产品、技术、工艺的优化升级和制造业企业突破传统技术路径，创造新的产品、市场或商业模式。首先分析生成式人工智能对制造业企业创新水平的影响，制造业企业在创新过程中容易受到高沉没成本、长周期、高试错成本的约束，而生成式人工智能能够替代创新过程中的重复性、低附加值的劳动，有效提升制造业企业规则化、重复性的任务效率，进而降低企业人力资源的配置成本并提升企业的渐进式创新水平。同时，生成式人工智能的通用性能够推动制造业的不同技术领域进行跨界融合，有效突破单一技术的创新瓶颈，创造出全新的产品品类和市场需求，实现制造业企业的颠覆性创新。其次分析企业创新水平提升对制造业企业全要素生产率的影响，当企业创新水平提升所带动的生产流程的优化能够降低资源的错配程度，进而提升要素的利用效率并促进企业全要素生产率的提升。同时，生成式人工智能赋能制造业所带来的工业智能化实现了颠覆性创新，而颠覆性创新的发展加快了企业全新技术的产生且要素边际生产率得到提升，进而提升制造业企业全要素生产率。
制造业企业数字化转型即制造业企业利用数字技术实现从研发设计、生产制造到服务维护的全链条数字变革过程。首先分析生成式人工智能对制造业企业数字化转型的影响，在技术层面，生成式人工智能所具备的大语言模型和深度学习能力，可以通过生成高质量信息来提升算法的制造业场景适配性，降低企业数字化转型的门槛，进而推动企业数字化转型。应用层面，生成式人工智能通过赋能智能制造平台赋予生产线自主决策和自我适应的能力，通过预测市场的动态需求变化，快速调整企业的生产计划并提升了生产系统的灵活性和效应速度，进而促进了生产制造环节的数字化转型。其次分析企业数字化转型对制造业企业全要素生产率的影响，技术进步方面，制造业企业数字化转型所带来的数字生产技术的升级，能够有效提升产品的良品率、缩短生产周期，直接提升制造业的生产技术水平。同时，数字化转型能够推动研发技术的创新，有效降低研发成本、缩短研发周期，加速新技术、新产品的商业化落地，体现了企业数字化转型对技术进步的推动作用，进而提升制造业企业全要素生产率。资源配置方面，企业数字化转型深化所带来的智能生产调度系统，能够实时匹配市场需求与生产要素，避免企业产能闲置，优化生产要素的动态分配并提升要素利用效率，进而提升制造业企业全要素生产率。
制造业企业融资约束即制造业企业受限于内外部金融环境、企业自身条件或市场制度等因素限制，难以通过以合理的成本获取合理的资金。首先分析生成式人工智能对制造业企业融资约束的影响，基于信息不对称理论，生成式人工智能通过整合企业的财务数据能够有利于政府优惠政策或相关金融投资机构精准评估企业创新潜力与风险，缓解因信息不完备导致的信贷配给。同时，生成式人工智能通过生成并推荐高质量的融资方案，提升企业向金融机构传递信息的效率与可信度，降低投资者的信息获取成本，进而缓解制造业企业融资约束。基于资产专用性理论，生成式人工智能可以将制造业企业的技术专利、工艺数据、品牌价值等无形资产转化为标准化、可评估的标准报告，增强了企业的抵押能力，进而缓解企业融资约束。其次分析缓解制造业企业融资约束对制造业企业全要素生产率的影响，从直接路径看，当融资约束缓解后制造业企业将会扩大研发投入，并利用人工智能辅助设计和工艺优化，直接提升制造业企业的技术效率即提升制造业企业全要素生产率的核心组成部分。从间接路径看，当企业缓解融资约束后制造业企业的资源配置将得到优化，资金将会流向高效率的企业部门，减少资产错配问题的产生，改善资本配置效率。同时当融资约束得到缓解后，企业可以利用工业智能化培训员工、优化企业组织结构，提升人力资本与技术的协同效率，进而提升制造业企业全要素生产率。根据上述理论分析，文章提出如下研究假设。
假设 H2: 生成式人工智能通过促进企业创新水平提升进而促进制造业企业全要素生产率的提升
假设 H3: 生成式人工智能通过促进企业数字化转型进而促进制造业企业全要素生产率的提升
假设 H4: 生成式人工智能通过缓解企业融资约束进而促进制造业企业全要素生产率的提升
(一)样本和数据
文章选取 2008—2023 年的制造业 A 股上市公司数据为研究样本，并且为了能够保证研究结果的准确性，本文选择对是否发生 ST 以及 PT 类型、数据严重缺失的企业进行了剔除处理；并对数据中的所有连续变量实施 1% 和 99% 的缩尾处理。最终获得 28588 个企业数据样本。同时，本文的核心解释变量与控制变量均来自国泰安(CSMAR)数据库与 WIND 数据库。
(二) 模型构建
为了能够验证假设 H1 是否能够得到成立，本文选择构建模型(1)来验证生成式人工智能发展对制造业企业全要素生产率存在何种影响。
其中 TFPit 为本文被解释变量，体现了企业 i 在 t 期的全要素生产率； GenAIit 为本文核心解释变量，体现了企业 i 在 t 期的生成式人工智能水平； β2 则体现了企业生成式人工智能水平对制造业企业全要素生产率的实际影响效果； Controlit 为本文的控制变量； μi 为企业的个体固定效应； λt 为时间固定效应； εit 为随机误差项。
文章为能够有效探究企业生成式人工智能水平对制造业企业全要素生产率存在何种传导机制，选择参考江艇的做法，具体模型见式(2)所示：
其中 Mit 为机制变量，包括了企业创新水平、企业数字化转型程度、企业融资约束情况，其他解释变量与与式(1)相同。
(三)变量选取
文章的被解释变量为企业全要素生产率，参考谷城等的相关定义，企业高质量发展与企业的全要素生产率存在紧密联系，提升企业全要素生产率能够作为企业实现高质量发展目标的重要表现。因此，本文选择使用LP方法来计算企业全要素生产率进而来体现企业的高质量发展水平。
文章的核心解释变量为企业生成式人工智能水平，由于在企业上市公司年报中具有大量的经营与业务信息，能够较好地反映出企业在技术创新与技术应用方面的发展情况。为了能够有效衡量企业的生成式人工智能发展水平，参考乔朋华等关于企业生成式人工智能水平的测度，选择从企业上市公司年报入手，首先构建起以基础层、技术层、模型生态层为代表的企业生成式人工智能种子词搜索范围。并根据人工智能大模型概念与相关架构介绍，从上市公司年报中提取其前后文本，搜寻出现频率较高的文本组合，最后对相关关键词进行补充，形成企业生成式人工智能水平的分词词典。利用文本分析法统计出在上市公司年报中企业生成式人工智能的特征词词频数，并对特征词词频数实施加一取自然对数的处理进而来衡量企业生成式人工智能水平。
控制变量的选取方面，为了避免其他可观测因素对企业全要素生产率可能会产生的情况干扰情况。参考相关文献对有关控制变量的选取，选择以下企业变量作为本文的控制变量包括：企业年龄(Age)、企业规模(Size)、资产负债率(Lev)、资产收益率(Roe)、固定资产占比(Fixed)、股权集中度(Top1)、独立董事占比(Indep)、两职合一(Dual)。
传导机制变量的选取，企业创新水平，参考陈思等关于企业创新水平变量的选取，选择企业发明专利申请数加1的自然对数来衡量企业创新水平(innovation1)。同时为了确保研究结论的稳健性，选择参考江山和孙光国对于企业创新水平的衡量，以上市公司年度研发支出占营业收入的比例来度量企业创新水平(innovation2)。
企业数字化转型程度，参考吴非等关于企业数字化转型的相关测度方法，利用文本分析方法从企业上市公司年报中提取企业数字化转型的相关关键词，并构建企业数字化转型的词频数进行加总处理。本文考虑到企业数字化转型的词频可能存在右偏的特征，最后选择对其进行对数化处理。
企业融资约束，参考冯梅等和韩宏华关于企业融资约束变量的选取，分别选取FC指数和SA指数来作为企业融资约束的衡量指标。其中当企业FC指数越大时，企业所面临融资约束情况较为严重。而当企业 SA 指数越小时，企业所面临的融资约束情况就越强。
根据表1描述性统计所示，制造业企业全要素生产率的平均值为8.219，标准差为0.974，最小值为4.403，最大值为11.953。说明不同的制造业企业在企业高质量发展水平层面存在较大的差异。同时包括核心解释变量企业生成式人工智能水平与控制变量在内的各分布层面均呈现了一定的差异性，为本文实证分析提供了有利条件。
表1 描述性统计
(一)基础回归
表 2 中的基础回归结果体现了模型(1)的相关回归结果，第(1)列汇报了不加入控制变量但引入了企业固定效应和时间固定效应的结果;第(2)列汇报了加入控制变量但控制时间固定效应的结果;第(3)列汇报了加入控制变量并控制企业固定效应和时间固定效应的结果。根据列(1)、列(2)、列(3)所示，Gen-AI 估计系数在 1% 的水平上显著为正;说明了企业生成式人工智能水平的提升能够显著促进制造业企业全要素生产率的提升即显著促进制造业企业高质量发展，假设 H1 得到验证。
表2 基础回归
(二)稳健性检验
1. 替换核心解释变量
选择根据在企业上市公司年报中披露企业经营状况中出现是否生成式人工智能的关键词，出现相关关键词则赋值为 1，否则赋值为 0，即获得新的生成式人工智能变量。根据表 3 第(1)列所示，在替换核心解释变量后，企业生成式人工智能水平仍能够显著提升制造业企业全要素生产率。
2. 替换被解释变量
参考石大千等的做法，选择使用 OP 方法来重新测度制造业企业全要素生产率，进而来实现替换被解释变量的目的。根据表 3 第(2)列所示，在替换被解释变量后，企业生成式人工智能水平依旧显著为正，稳健性检验得到了通过。
3.剔除异常年份
参考梁孝成等的研究观点，由于在2015年发生的中国股灾与2020年发生的突发公共卫生事件可能会对制造业企业的生产与经营造成一定的影响。因此，本文选择剔除了制造业企业在2015年与2020年的样本进行重新回归。根据表3第(3)列所示，在剔除异常年份样本后，核心解释变量仍旧保持显著为正，研究结论具有一定的稳健性。
4. 缩短样本周期
考虑到企业生成式人工智能发展在 2022 年后成为市场热点，在企业上市公司年报中可能增加生成式人工智能的相关表述，进而达到迎合资本市场、信息披露策略或叙事包装成分的目的。因此，选择将样本周期缩短到 2008—2021 年，根据表 3 第(4)列所示，在缩短样本周期后，企业生成式人工智能水平依旧显著为正，研究结论具有一定的稳健性。
5.滞后一期回归
由于在企业生成式人工智能的发展过程中对制造业企业全要素生产率的影响可能存在一定的滞后性。因此，选择将被解释变量制造业企业全要素生产率实施滞后一期处理并进行回归。根据表3第(5)列所示，在实施滞后一期回归处理后，企业生成式人工智能水平的提升仍能够显著促进制造业企业全要素生产率的提升，体现了的研究结论是稳健的。
6. 控制行业固定效应
由于在基础回归中控制了企业个体固定效应，因此，在稳健性检验中选择控制行业固定效应。根据表3第(6)列所示，在控制行业固定效应后，核心解释变量依旧显著为正，说明研究结论是稳健的。
表3 稳健性检验
7.Heckman 两阶段模型回归
由于可能存在样本选择偏误问题，因此，选择采用 Heckman 两阶段模型来缓解可能存在的样本选择偏误问题。首先，选择基于企业全要素生产率的中位数来构建虚拟变量，并采用 Probit 模型估计制造业企业样本中倾向提升企业全要素生产率的概率，计算出逆米尔斯比率。其次，在第二阶段中将逆米尔斯比率作为控制变量代入本文的基准回归中。本文的 Heckman 两阶段回归见表 4 所示，核心解释变量企业生成式人工智能水平(Gen-AI)的回归系数在 1% 的水平上显著为正，同时逆米尔斯比率也显著为正，说明制造业企业样本中存在样本选择偏误问题。在控制了样本选择偏误问题后，企业生成式人工智能水平的提升仍能够显著提升制造业企业全要素生产率，从而体现了研究结论的稳健性。
表4 Heckman 两阶段回归
(三)内生性检验
由于研究结论可能会受到遗漏变量和反向因果的影响，进而产生内生性问题。因此，选择参考吕康银等的工具变量选取，将1984年各城市每百万人固定电话数量与全国人工智能企业存量的交互项作为工具变量。选择其作为工具变量有两方面原因:一方面，城市的数字信息基础设施能够对企业在生成式人工智能应用方面产生影响。同时，全国人工智能企业存量也能够较好地衡量人工智能在全国的整体发展水平，说明这两个变量的交互项作为工具变量符合相关性的特点。另一方面，由于各城市的每百万人固定电话数量为1984年的历史数据并不会对当下的制造业企业全要素生产率产生直接影响;同时，全国人工智能企业存量作为全国性的数据并不会对各城市的制造业企业产生直接影响，满足了对工具变量的外生性需求。根据内生性检验结果显示，在第一阶段回归中，工具变量与企业生成式人工智能水平具有高度相关的特征，且F值为35.07，说明弱工具变量问题并未发生。在第二阶段回归中，核心解释变量企业生成式人工智能水平(Gen-AI)的估计系数依旧显著为正，说明了在经过内生性检验后，企业生成式人工智能水平的提升仍能够显著提升制造业企业全要素生产率。
表5 内生性检验
(四)传导机制检验
依据上文的理论分析可知，企业生成式人工智能水平通过提升企业创新水平、促进企业数字化转型、缓解企业融资约束这三条传导路径，从而提升制造业企业全要素生产率。因此，选择对上述三条传导路径进行检验。根据表6列(1)和列(2)所示，企业生成式人工智能水平的估计系数为正，说明企业生成式人工智能水平的提升能够显著提升企业创新水平，进而提升制造业企业全要素生产率。根据表6列(3)所示，企业生成式人工智能水平的估计系数为正，说明企业生成式人工智能水平的提升能够显著促进企业数字化转型，进而促进制造业企业全要素生产率的提升。根据表6列(4)和列(5)所示，企业生成式人工智能水平的提升能够显著缓解企业的融资约束情况，进而提升制造业企业全要素生产率。根据上述传导机制检验结果，假设H2、H3、H4得到验证。
表6 传导机制检验
(五) 异质性分析
1. 竞争异质性
本文通过赫芬达尔—赫希曼指数来对市场竞争程度进行划分，当该指数相对较低时，则说明制造业企业正面临着较高的市场竞争程度。反之，当该指数相对较高时，制造业企业则就面临着较低的市场竞争程度。根据表7所示，相较于低市场竞争程度的制造业企业，生成式人工智能更能够显著提升高市场竞争程度的制造业企业全要素生产率。可能存在的解释是:依据竞争驱动型技术采纳理论，高市场竞争环境下企业更有动机通过颠覆性技术进而获取竞争优势，避免被市场淘汰的情况发生。而生成式人工智能技术作为新型技术的一种，能够帮助企业快速迭代产品设计并降低生产成本，进而提升制造业企业全要素生产率。而低市场竞争程度的企业在缺乏竞争威胁的同时创新能力也存在不足，更倾向于维持当前现状。
2. 技术异质性
参考余良如和于渤关于技术异质性的划分，将信息化学品、医疗设备、电子设备、计算机、航空、医药定位为高技术制造业，而其余则定义为低技术制造业。依据表7所示，生成式人工智能能够显著促进高技术行业的制造业企业全要素生产率，而对低技术行业的制造业企业全要素生产率不显著。可能存在的解释是：高技术行业的核心活动是设计研发与创新迭代。因此，依据技术互补性理论，企业生成式人工智能与高技术行业的互补性相对较高。企业通过发展生成式人工智能能够实现从设计到生产的流程优化，进而推进生产流程的数字化与智能化。而低技术行业大部分属于劳动密集型产业，具有成本控制与熟练劳动力的特点，生产式人工智能与低技术行业的互补性相对较低，难以取得有效的突破性创新，进而影响企业全要素生产率的提升。
3.企业性质异质性
将企业样本划分为国有企业与非国有企业进而来探究企业性质存在何种异质性。根据表7所示，生成式人工智能能够显著促进国有制造业企业的全要素生产率，而对非国有制造业企业全要素生产率不显著。可能存在的解释是：基于资源基础观与制度理论，国有企业在生成式人工智能应用中相较于技术转化效率在资源可得性方面更具有显著优势。数据与算力资源优势，生成式人工智能的训练与部署需要大规模工业数据、高算力基础设施与长期资金投入。国有企业在国民经济领域布局更广，更容易获得算力支持、行业数据共享权限与财政补贴，能够承担大模型研发、工业场景适配等高投入、高风险环节。同时，国有企业在技术采纳后的应用效率与边际产出可能低于非国有企业，但在资源可得性与要素配置的优势覆盖了效率损失，最终体现为对国有制造业企业全要素生产率的正向作用。而非国有企业受限于资金、算力、数据获取成本与合规成本，难以规模化部署生成式人工智能，因此对非国有制造业企业全要素生产率的赋能效果不显著。
表7 异质性分析
为探究生成式人工智能对制造业企业全要素生产率的影响是否可能同时受到其他的变量影响，参考赵云辉等的变量选取以财政支出占GDP比重、私营企业与个体行业从业人数加总占从业总人数比重、企业数、服务业从业人数占总人口比重、每万名科研人员专利授权量为代表通过熵值赋权法构建省级市场化指数(Market)。同时参考何瑛等的变量选取，以企业的盈余波动性来衡量企业风险承担水平(Riskbearing)。同时选择分别构建生成式人工智能(Gen-AI)与市场化指数(Market)、企业风险承担水平(Riskbearing)的调节变量，根据表8所示当市场化指数和企业风险承担水平提升时分别能够显著提升制造业企业的生成式人工智能水平与全要素生产率。
其中可能存在的相关解释:首先，市场化指数的内涵是市场在资源配置中所起决定性的程度，而企业的生成式人工智能发展需要资本、技术、人才要素的密集投入，同时，市场化指数提升的本质则是要素配置效率的提升。资本要素方面，资本市场化所带来的多元融资渠道能有效缓解企业融资约束，降低制造业企业研发与应用生成式人工智能的成本。技术要素方面，技术市场化程度的提高会加速人工智能技术的扩散与交易，制造业企业通过技术市场购买与合作开放等方式能够获取生成式人工智能的核心技术，降低相关技术研发门槛。人才要素方面，劳动力市场化的提升将加快人才要素流动，打破人才流动的地域与行业壁垒，让具备人工智能技术与工业场景应用背景的高端人才向制造业集聚。市场化指数通过缓解上述资源约束来提升企业生成式人工智能水平。同时市场化指数的提升能够实现资源配置效率的最优化，推动资本、劳动、技术等要素通过市场竞争流向边际生产率更高的制造业企业。该要素的再配置效应能够有效降低制造业的资源错配程度，在淘汰落后产能的同时也放大高效产业的产出规模，最终提升制造业企业全要素生产率。
其次，企业风险承担水平指的是企业愿意投入高风险、高回报项目的程度。而发展生成式人工智能项目在研发与应用的环境中可能面临算力不足与场景化应用困难的问题，导致该项目在风险规避型企业中容易得到否决，而风险承担水平较高的企业更倾向于容忍短期的研发失败，追求长期的技术红利。同时，生成式人工智能在制造业的价值实现，需要进行制造业场景的实际应用，该过程同样隐含较高的风险。当生成式人工智能对现有生产流程改造的过程中短期生产中断可能发生，进而造成企业面临研发周期延长、市场接受不确定的风险。而风险承担水平较高的企业能够更愿意承担场景化应用落地的风险，推动生成式人工智能与制造业的深度融合并提升企业生成式人工智能水平。制造业企业全要素生产率的核心源泉是技术进步，而技术进步的本质是突破现有的技术边界。当企业风险承担水平提升，意味着企业将更多资源投入到颠覆性技术创新而非渐进式改进中。风险承担水平较高的企业还会布局前沿领域的创新，前沿创新又能够直接提升企业的生产技术水平，从而推动制造业全要素生产率的提升。
表8 进一步分析
成式人工智能应用对推进制造业高质量发展具有重要意义。鉴于此，本文基于2008—2023年制造业A股上市公司数据为样本，实证检验生成式人工智能对制造业企业全要素生产率的影响效应、传导机制以及异质性特征。研究发现：生成式人工智能能显著提升制造业企业全要素生产率。企业创新水平、企业数字化转型程度、企业融资约束作为传导机制变量，在生成式人工智能对制造业企业全要素生产率的影响中起到了传导机制作用，生成式人工智能分别通过提升企业创新水平、促进企业数字化转型、缓解企业融资约束来提升制造业企业全要素生产率。在异质性分析中，生成式人工智能能够显著提升高市场竞争、高技术、国有企业的制造业企业全要素生产率，体现了生成式人工智能对制造业企业全要素生产率的影响效应中存在异质性特征，在不同类型企业中呈现差异化表现。进一步分析中将市场化指数与企业风险承担水平作为调节变量，调节效应发现当市场化指数和企业风险承担水平提升时分别能够显著提升制造业企业的生成式人工智能水平与企业全要素生产率。基于上述结论，本文提出如下政策建议。
一、完善人工智能技术创新与供给政策。聚焦生成式人工智能关键核心技术突破，统筹各级财政引导与社会资本参与，设立人工智能赋能制造业的专项基金，重点扶持制造业通用大模型、行业专用模型以及工业智能体研发，对高技术制造业企业的生成式人工智能研发投入实施加计扣除、研发补贴等税收激励政策。依托国家制造业创新中心搭建跨学科技术攻关平台，推动生成式人工智能与工业软件、工业机器人、工业母机等关键领域深度融合，破解核心技术“卡脖子”瓶颈，强化其对制造业企业全要素生产率的有效支撑。同时，强化对算力部署和大模型应用的普惠性支持，降低中小企业生成式人工智能的应用门槛，弥合技术赋能差距。
二、聚焦核心机制路径。推动生成式人工智能驱动创新升级，深化其在研究设计、工艺改进、专利转化中的应用，提升制造业企业创新水平。依托生成式人工智能搭建企业数字化平台，整合全流程数据，实现生产、管理、决策智能化，加速数字化转型进程。积极运用人工智能优化财务管控和提升信用等级，精准对接金融资源来缓解融资约束，将资金优先投入到生成式人工智能的研发与应用。适度提升企业风险承担水平，在可控范围内提升生成式人工智能项目风险承担意愿，加大前沿技术与创新场景投入。结合企业类型与发展阶段，合理规划生成式人工智能的投资规模与进度，避免企业盲目跟风。
三、差异化布局生成式人工智能应用。国有企业应发挥数据与算力优势，在核心生产环节率先推广生成式人工智能，探索规模化赋能模式，带动产业链协同转型，强化示范效应。高技术企业聚焦核心技术融合，借助生成式人工智能优化研发流程，提升企业创新效率。高市场竞争企业以应用生成式人工智能为核心竞争抓手，通过促进产品创新和降低生产成本来促进企业高质量发展。低竞争、低技术企业应优先完成企业数字化转型，逐步探索生成式人工智能在标准化流程中的应用，适配自身发展阶段。