AI语言大模型分析专利文本：《经济研究》最新成果

原文信息：

刘青,肖柏高.劳动力成本与劳动节约型技术创新——来自AI语言模型和专利文本的证据[J].经济研究,2023,58(02):74-90.

随着我国人口老龄化加剧、劳动力成本快速提升，各类劳动力替代技术创新与应用备受关注。然而，现有文献主要聚焦于劳动力替代技术的具体应用，较少关注企业开发劳动力替代技术的创新活动。开发劳动力替代技术创新活动不易观测的一个重要原因，是目前还缺乏识别劳动节约技术创新的有效指标。

面对这样的研究困境，本文作者通过BERT模型对专利文献进行自然语言处理，首次提出了一种基于语义识别劳动节约技术创新的方法。研究发现，BERT模型对人工编码后的样本，分类准确率可达90%。利用BERT模型识别出的劳动节约技术创新显著减少了低技能就业，而非劳动节约技术创新没有显著影响，这也验证了BERT模型识别结果的准确性。

论文以中国上市公司为样本，研究了劳动力成本上升如何影响企业的劳动节约技术创新。结果表明，劳动力成本上升显著提高了企业进行劳动节约技术创新的概率、数量、比例和质量。这暗示着，劳动力成本的上升打破了技术发展的偏差，推动企业利用技术替代昂贵的劳动力。深入分析发现，这种效应在劳动强度更高、低技能劳动比例更大以及平均工资更低的企业中更为显著。

在处理可能的内生性问题时，论文参考美国学者利用州界相邻县域的方法，但考虑到中国省界具有明显不同的特点。美国各州界线多为纬度经度划分，省界两侧地理经济差异不大。而中国省界多在长期历史演变中考虑地理经济要素形成。例如，多个省界以山脉河流为界。论文因此限制样本范围在华北平原几个省份。

本文提出的具体技术创新识别方法普适性强，在与技术创新相关的研究领域具有广阔的应用前景。技术创新被视为推动经济长期增长的重要动力，也是经济学核心研究领域。识别具体技术创新的原因在于，不同技术创新对经济的影响存在差异。例如，蒸汽机、电力、人工智能等通用技术对经济增长意义重大;劳动节约型和资本增强型技术与劳动收入问题密切相关;节能环保技术在低碳发展中发挥重要作用。而简单的专利总量或研发投入等创新指标，难以满足深入研究的需求。本文利用BERT成功基于语义识别出劳动节约型专利，这一方法原则上可推广应用于任何技术创新识别。

转自：“社科学术汇”微信公众号

如有侵权，请联系本站删除！