世界正在进入以新一代信息技术驱动发展的重塑时期,人工智能（AI,Artificial Intelligence）作为其中重要的势能技术,具有激活实体经济溢出带动性的“头雁效应”,对构筑国家科技影响力具有举足轻重的意义。中国于2017年发布《新一代人工智能发展规划》,将人工智能正式上升为提高国家竞争力的重大国家发展战略,其相关的经济形态进入快速发展的扩张期。2021年发布的《中国互联网发展报告》显示,中国人工智能企业数量增长迅速,2020年已累计1454家人工智能企业,数量在全球排名第二。然而,学术界对于人工智能的经济增长“效能”存在较大争议,存在悲观派和乐观派的分野,出现了众多破解生产率“索洛悖论2.0”的学术探讨。相对于现有宏观层面的研究,有必要对中国人工智能企业的全要素生产率进行系统全面的剖析,以便从微观层面就索洛悖论、时间延滞和科技平原等问题找到有效的破解对策。本文研究目的为从企业视角考察中国人工智能经济业态的发展水平、经验特征及异质性成因。论文以中国人工智能企业的全要素生产率为研究对象,在理论方面回顾了经济学中的经济增长理论与生产率悖论,梳理了国内外全要素生产率测算、收敛及影响因素等方面的研究成果,从而为实证检验奠定理论基础。在实证方面,论文将样本区间设定为2013-2019年,基于非径向SBM超效率模型的Malmquist生产率指数方法,测算了企业的全要素生产率水平,并利用σ-收敛和β-收敛等方法检验了人工智能企业全要素生产率的区域收敛情况;进一步地,还深入考察和探讨了研发投入以及政府补贴对企业全要素生产率影响的方向与程度,并讨论其作用机制;最后,根据研究内容与结论,有针对性地为推动中国人工智能企业全要素生产率的提升和人工智能技术的进步提供了相关对策建议。具体研究内容如下:第一章为绪论。首先阐述了人工智能发展的现实背景以及当前存在的问题,为后续研究的开展提供了一定的背景参考;其次,给出了研究的理论意义与现实意义,提出了具体的研究目标、研究方法以及研究思路;最后,结合国内外现有研究成果,总结了研究的创新之处与边际贡献。第二章为理论基础与文献综述。介绍了全要素生产率的理论基础,包括经济增长理论和生产率悖论,综合梳理了全要素生产率的国内外现有文献,并就全要素生产率的测算、收敛以及影响因素等三方面展开总结和评述,为后文的实证分析提供了研究支撑以及方法参考。第三章为研究设计:数据、变量与方法。展示了论文的研究设计过程,具体介绍了使用的数据、变量,并对相关指标进行了描述性统计分析,最后给出了全要素生产率的几类测算方法。第四章为人工智能企业全要素生产率的测度。主要运用基于产出的非径向SBM超效率模型,结合Malmquist指数对2013-2019年中国各省区的人工智能企业的技术效率和全要素生产率变动情况进行测度。最后,利用平均对数偏差（MLD）以及泰尔指数（TI）分析了省区间人工智能企业全要素生产率的差异。第五章为人工智能企业全要素生产率的收敛性。首先介绍了收敛理论与模型,并进一步基于经典文献中存在的两种收敛方式——σ收敛以及β收敛,依次对中国人工智能企业全要素生产率水平进行了 σ收敛性检验、绝对β收敛性检验以及条件β收敛性检验。第六章为研发投入对人工智能企业全要素生产率的影响。利用前文使用超效率SBM-Malmquist指数法测度的全要素生产率,考察了研发投入对人工智能全要素生产率的“索洛悖论”现象以及滞后效应,并从研发投入与人力资本匹配以及全要素生产率指数结构的视角对研发投入的“索洛悖论”现象进行了解释。第七章为政府补贴对人工智能企业全要素生产率的影响。首先基于对现有文献的研究,阐述了政府补贴对人工智能企业全要素生产率的可能影响,并提出了理论假设。其次,通过构建回归模型探究政府补贴对全要素生产率的影响机制,并将研发投入作为中介变量进行中介分析。第八章为结论与建议。梳理并总结了在中国人工智能企业全要素生产率的测算、收敛与影响因素研究过程中所得到的研究结论。其次,在研究结论的基础上,围绕企业创新管理、政府补贴投入、人才培养与扶持以及区域协调发展等方面,对推动中国人工智能企业全要素生产率的提高提出了针对性的建议。最后,本章还从全要素生产率的测算方法和样本选择等方面总结了本研究存在的不足及展望。通过系统地分析中国人工智能企业全要素生产率水平及其收敛性与影响因素的作用机制,本文得到以下研究结论:（1）总体来看,现阶段中国人工智能企业的全要素生产率与技术效率水平相对较低,但在时间上呈现出了动态增长的趋势。中国人工智能企业的全要素生产率水平呈“N”形变化,且这种变化主要来自于技术效率的变化。从全国各省区市范围内来看,天津市的人工智能全要素生产率增长率高达11.83%,位居全国第一,超出全国平均水平10.24%。（2）在时间、空间和产业层级方面,中国人工智能企业的技术效率和全要素生产率存在着明显的差异。在空间上,东部的技术效率水平明显高于中西部地区;在人工智能产业层级中,应用层的技术效率和全要素生产率均处于所有层级最高水平。然而,人工智能企业全要素生产率的总体差异呈现缩小趋势,区域差距正在逐年缩小。此外,同一区域内各人工智能企业的差异是造成人工智能企业全要素生产率总体差异的关键。（3）人工智能企业全要素生产率并不存在显著的σ收敛趋势,但具有β绝对收敛趋势,反映了区域间人工智能企业全要素生产率的差距不会随着时间的推移而逐渐消失。从全国整体来看,随着人工智能技术的持续提高以及产业结构的优化升级,人工智能企业全要素生产率平均水平较低的区域对生产率水平较高的区域具有追赶效应,所有区域会随着时间变化逐渐趋于同一稳态水平。（4）研发投入对全要素生产率的影响存在“索洛悖论”现象和滞后效应。基于人力资本视角,发现人力资本的连续投入不足是产生研发投入的“索洛悖论”现象的原因之一;基于全要素生产率结构视角,讨论研发投入的持续增加对技术效率提升的抑制作用,及其最终对全要素生产率提升的抑制作用。此外,研发投入对人工智能企业全要素生产率的提升存在一定程度时间滞后效应。（5）政府补贴显著抑制了人工智能企业全要素生产率的提升,这主要可能是因为政府补贴鼓励了人工智能企业加大研发投入,从而降低了企业的全要素生产率。此外,企业研发投入在政府补贴对企业全要素生产率的影响机制中发挥了部分中介作用。本文的创新点主要体现在以下方面:（1）补充了中国人工智能企业的筛选标准。现有研究往往直接使用数据库所披露的企业,这可能会因企业的重大调整导致结果存在偏误。因此,本文选取了东方财富网所披露的人工智能板块的上市企业,并逐个筛查发生重大变动的企业是否仍符合人工智能企业定义,从而保证研究对象选取的准确性。（2）确立了人工智能企业全要素生产率测算的新范式。不同于以往研究,本文采用超效率SBM模型结合Malmquist指数测算中国人工智能企业的全要素生产率,不仅对测算方法的选取依据进行了较为详细的理论论证,而且从区域和产业技术层级等方面对测算结果进行了比较分析。（3）拓展了企业全要素生产率收敛性检验的研究范围。现有研究主要集中于制造业、工业等传统行业以及宏观层面,而对于微观层面的人工智能企业而言,尚未形成完整的研究体系。本文参考常用的收敛性检验方法,对中国人工智能企业全要素生产率的收敛作用进行检验与分析。（4）完善了各生产要素对人工智能企业全要素生产率影响因素的作用机制分析。在当前的人工智能企业全要素生产率影响因素研究中,影响因素的选取具有较强的主观性,且缺乏对全要素生产率影响机制的系统分析。为此,本文重点探讨了研发投入和政府补贴对人工智能企业全要素生产率的影响,并进一步检验了研发投入、政府补贴对全要素生产率影响的作用机制。