摘要 人工智能（AI）有望变革工业生产力，但关于其在新兴经济体采纳的证据仍然稀缺。本文利用哥伦比亚国家统计局（DANE）2019–2020年期间的普查数据，涵盖12,765个企业-年度观测值，对哥伦比亚制造业中的人工智能采纳进行了特征刻画。研究结果表明，6.1
摘要 人工智能（AI）有望变革工业生产力，但关于其在新兴经济体采纳的证据仍然稀缺。本文利用哥伦比亚国家统计局（DANE）2019–2020年期间的普查数据，涵盖12,765个企业-年度观测值，对哥伦比亚制造业中的人工智能采纳进行了特征刻画。研究结果表明，6.1%的制造企业已采纳AI，其中2.2%自行开发解决方案，4.4%获取第三方应用。根据TOE-RBV（技术-组织-环境-资源基础观）框架组织的分析识别出与发达经济体证据一致的模式：规模较大的企业采纳率显著更高；创新型和拥有专利的企业表现出明显更高的采纳概率；并且在技术密集型行业以及经济活动更活跃的部门或地理区域存在显著集中。这些发现来自生成式AI出现之前的时期，为理解中等收入背景下通用技术的扩散提供了基线，并可为促进制造业数字化转型的政策提供信息。
人工智能（AI）作为通用目的技术（general-purpose technology），有望通过提升生产率推动经济增长，但新兴经济体在AI采纳方面的微观证据仍然稀缺。哥伦比亚制造业面临去工业化问题，GDP占比从2005–2016年的9.3%降至2016–2022年的7%，亟需通过数字化战略实现转型。然而，企业层面AI采纳的驱动因素尚未被充分刻画，尤其是在拉丁美洲地区。为填补这一空白，研究人员（Juan Miguel Gallego Acevedo等）利用哥伦比亚国家统计局（DANE）的普查数据，结合年度制造业调查（EAM）、技术发展与创新调查（EDIT）和信息通信技术调查（ENTIC），构建了2019–2020年期间12765个企业-年观测值，覆盖所有拥有10名及以上雇员的正式制造企业。研究采用集成技术-组织-环境（TOE）框架与资源基础观（RBV）的TOE-RBV视角，通过probit回归模型分析采纳概率，并加入部门、地区和年份固定效应，标准误聚类在部门层面。该研究发表于《Digital Business》。
研究方法方面，主要关键技术包括：1）数据来源：采用哥伦比亚国家统计局（DANE）的三个调查数据（EAM、EDIT、ENTIC），构成2019–2020年经济普查，涵盖12765个企业-年观测值；2）分析框架：基于TOE-RBV（技术-组织-环境-资源基础观）集成框架，将变量分为技术、组织和环境三个维度；3）计量模型：采用probit回归，报告边际效应，并加入部门、地区和年份固定效应，标准误聚类在部门层面，以识别条件关联而非因果效应。
5.1 Who adopts artificial intelligence in Colombias manufacturing sector? 通过描述性统计发现，6.1%的制造企业已采纳AI，其中2.2%内部开发，4.4%获取第三方解决方案。大型企业（>
250名员工）采纳率高达20.7%，微型企业（
<10名员工）仅2.7%。年轻企业（
<5年）内部开发倾向更高（3.5% vs 总体2.2%）。技术密集型行业采纳率7.0%。应用集中在生产流程（2.9%），文本处理技术（2.9%）最为常见，机器学习（1.5%）和计算机视觉（1.2%）次之。这表明第三方获取是主要模式，且规模梯度与国际证据一致。
5.2 Where is AI being adopted in Colombias manufacturing sector? 通过地理和部门分布分析，发现近80%的采纳企业集中在五个省份：波哥大（28.8%）、安蒂奥基亚（22.3%）、考卡山谷（10.8%）、昆迪纳马卡（9.4%）和大西洋（7.0%），反映经济集聚效应。部门层面，技术密集型行业如计算机、电子和光学产品（18.5%）、饮料（14.6%）、医药（10.9%）采纳率最高，但饮料行业的异常高采纳提示传统分类可能不充分。第三方解决方案在领先省份占主导，而小省份采购模式更分散，表明AI服务提供商生态发展不均。
5.3 What factors are associated with AI adoption in Colombian manufacturing firms? 通过probit回归的边际效应，企业规模（log员工数）是最强且最一致的预测因子（边际效应+0.18***）。人力资本（大学学历员工比例）显著正相关（+0.76***），管理质量（+0.70***）同样重要。创新活动（边际效应+11个百分点）和专利持有（+42个百分点，主要由内部开发驱动）与采纳概率强相关。数字存在（社交媒体）显著正相关（+0.32***）。外国资本仅与内部开发正相关（+0.27**），年龄无总体效应，但年轻企业更可能内部开发（-0.11**）。销售增长无显著关联。伪R2介于0.12–0.22，表明可观测变量解释了部分变异，但遗漏互补技术（如云计算）可能解释剩余部分。
5.4 Summary of findings 通过表格整合各维度发现：组织维度中规模效应最强，年龄区分采纳模式；技术维度中吸收能力（人力资本、管理质量、创新、专利、数字存在）均显著关联；环境维度中地理集中显著，部门异质性存在但饮料行业异常。这些模式与TOE-RBV框架一致，并支持AI采纳决定因素在发展水平间的普遍性。
讨论部分：研究人员指出，横截面数据无法支持因果推断，但基于普查的全面描述性策略优先于狭窄的因果识别，提供了有价值的基线。未来研究需构建纵向面板以建立时间优先序，并探索AI与创新的互补性。理论层面，TOE-RBV框架在中等收入环境中的适用性得到验证，且相同决定因素在不同发展水平国家间的规律性表明这些关联并非依赖特定制度情境。政策含义上，结果可为促进数字转型的政策设计提供依据，但需注意因果关系的局限。
