企業人工智能戰略驅動因素研究

劉英鐸 陳奕

摘 要： 隨著人工智能技術的發展，越來越多的企業開始采用人工智能技術作為企業轉型發展的戰略，然而現有研究尚未很好解釋企業成功開展人工智能戰略的驅動因素?；谫Y源基礎理論，對內外部環境中的分類變量進行One-Hot編碼，將企業采用人工智能戰略前后CAGR的差值作為因變量，在對各變量進行最大最小歸一化后構建了LASSO回歸模型，通過LASSO模型篩選出47個具有顯著影響因素的變量，再用被篩選出的47個變量構建CART算法的決策樹，探索企業人工智能戰略的條件。研究發現，企業在銷售凈利率、市凈率、是否為美元股票、每股現金流量凈額、每股凈資產、存貨周轉率、管理費用占比、非流動負債占比、歸屬母公司的利潤占總利潤的比例以及總市值等方面滿足一定的條件，則更有可能成功開展人工智能戰略。

關鍵詞： 人工智能戰略;CAGR;LASSO回歸;CART決策樹;資源基礎理論

中圖分類號： F 27 ? 文獻標志碼： A

Abstract： With the development of Artificial Intelligence technology， more and more companies adopt Artificial Intelligence strategy to improve their competitiveness. Based on Resources-Based View， this paper aims to explore the prerequisites of successfully carrying out Artificial Intelligence strategy. Using financial data of Fortune 500 companies who implemented this strategy， this paper uses quantitative modeling method. This paper first establishes a Lasso regression model with variables of the internal resources of the companies and the external environments as the independent variables， the difference of CAGR before and after the adopting of the Artificial Intelligence strategy as the dependent variables. As a result， 47 significant factors are selected by the regression model. Then these 47 factors are then set as the new variables in the CART decision tree model to explore the scenarios for companies to adopt Artificial Intelligence strategy. Through the analysis of the decision tree model， several potential conditions for companies to adopt Artificial Intelligence strategy are found， which are net profit margin， PB value， country. In conclusion， company with low profitability of its main business and sufficient cash flow is the ideal candidate for successful Artificial Intelligence strategy transformation.

Key words： AI strategy; CAGR; LASSO; CART decision tree; Resource-Based View

1 文獻綜述和理論基礎

1.1 文獻綜述

根據本文對人工智能戰略的定義，國內外相關研究可以被分為三個層次。第一個層次主要探討了企業在實際的運營和管理中對于人工智能技術的應用，第二個層次則主要針對企業采用人工智能戰略時應具備的條件，第三個層次研究了對目前企業開展人工智能效果的評價。

大量對于人工智能在企業運營管理中應用的研究集中在銷售、戰略決策、財務和風險控制領域。Lee等人（2012）研究了便利店行業中應用混合人工智能的銷售預測系統。Francisco等人（2013）概述了自20世紀70年代起，應用于產業市場營銷的人工智能系統研究，并對這一領域未來的發展做出了預測。Gavai等人（2015）研究了對來自企業內部社群和實時在線數據的內部威脅進行偵測的有監督的和無監督的方法。Chen等人（2010）探討了人工智能技術在虛擬企業風險管理領域的應用。Kosowski和Gola（2016）探討了應用人工智能方法的基于風險的制造訂單成本的估算方法。Pavlenko等人（2017）研究了人工智能方法在虛擬企業交通物流問題方面的應用，并提供了一個解決方案。針對企業財務風險問題，林穎華等人（2017）使用基于關聯規則挖掘的方法構建新的分析模型，挖掘了企業風險指標的類型和規則數量，進而探討了企業多個財務指標之間的相互作用和聯系，并提出了關于企業財務風險防范的建議。

對于企業開展人工智能戰略的條件主要還集中在商務智能應用的條件下。Kokin（2014）利用Smart-PLS軟件，采用統計分析方法和結構方程建模分析和檢驗了企業商務智能能力間的關系和企業智能能力對其商務智能應用成功的影響。Williams等人（2007）認為衡量一個企業是否具備應用商務智能的條件主要有以下幾個因素：企業戰略的配合、持續提升的企業文化、關于應用和分析信息的企業文化、商務智能投資組合的管理能力、決策流程工程化的文化、商業智能和數據倉庫的技術基礎，以及商業或信息技術的合作伙伴。徐貴寶（2018）認為，開展人工智能戰略必須有適合的場景，或可以將現有技術改造以適應場景，開展人工智能也必須有足夠的前期業務數據和流程數據的積累。劉玉然（2003）認為，開展人工智能戰略首先需要企業具備高水平的企業管理能力，其次是需要對企業的計算機應用系統進行集成，實現企業各部門之間的數據共享，最后是要具備在戰略數據規劃基礎上建設的主題數據庫。

對于人工智能戰略開展效果也存在較多研究。覃姍姍和鐘書華（2017）利用AHP層次分析法分析了中國33個上市企業開展人工智能戰略的效果，得出了企業智能專業化的排名。潘可可（2018）對人工智能企業科大訊飛的盈利質量進行了分析，研究表明科大訊飛的盈利能力不斷下降、盈利持續穩定性不足，其盈利質量存在隱憂。

可以發現，目前的研究主要集中于人工智能技術的開發和應用，缺少專門對于進行人工智能應用的企業所需具備的先決條件的研究。事實上，大量企業盲目開展人工智能方向的投資，其結果并不理想。采用人工智能戰略的確具備提升企業競爭力的功能，但由于缺乏關于如何開展以及如何評價人工智能戰略的研究，企業很難獲得是否投資于人工智能戰略的專業指導。中國的人工智能研究才剛剛起步，過分強調大數據、云計算、深度學習等技術而忽視了對于技術應用的主體企業的指導性研究，過度的重技術、輕管理很可能導致這一領域的研究事倍功半。

因此，本論文將著力于分析企業如何判斷是否具備開展人工智能戰略的條件，并利用量化分析的手段以求更為嚴謹地建立起相應的模型。

1.2 資源基礎理論

資源基礎理論誕生于80年代中期。Wernerfet（1984）認為，公司的內部資源對于公司的運營和獲利以及維持較強的競爭能力至關重要。Wernerfet的研究意味著資源基礎理論的誕生，他的觀點對此后多年的企業戰略理論研究產生了重要的影響。Conner（1991）在Wernerfet的基礎上完善并系統地闡述了企業資源學說，即考慮了企業外部的產業環境分析又考慮內部的資源分析的一種全新的企業理論。Collis和Montgomery（1995）強調了企業資源價值的評估不能局限于對于企業內部的分析，而應當結合其所在的產業環境展開全面的比較性分析。經過80年代末至90年代初的發展，資源基礎理論，也即企業資源學說，已經成為企業戰略管理理論中的一個重要分支。

根據Maijoor等人（1996）的定義，企業資源學說結合了內部組織能力理論與外部競爭戰略理論?；谄髽I資源學說，企業制定相關戰略需要考慮其具有的內部資源和其所處的外部環境，根據外部環境合理配置內部資源才能制定出切實有效的企業發展戰略。

Maijoor等人（1996）認為，基于資源基礎理論，資源可以被分為有形資源與無形資源，而能力則可以被定義為應對快速變化的外部環境，企業整合、配置與利用企業資源從而形成競爭優勢的能力。資源基礎理論認為企業的競爭力來自使得公司區別于競爭者的資源組合。因此，企業開展人工智能戰略是通過區別于其他競爭者的人工智能能力獲得優異效益的資源配置過程。

因此，本研究在建立判斷企業是否具備開展人工智能戰略的條件的模型時，也將從考慮企業的外部競爭和內部能力出發。

衡量外部競爭的因素主要為企業所在行業和企業總部所在的國家或地區，不同的國家或地區和行業代表不同的市場，從而在一定程度上代表了企業所在市場的競爭格局以及人工智能的發展情況。姜勇等人（2007）在《企業戰略轉型的本質及其影響因素分析》中闡述了企業外部環境，包括企業所在國家或地區的政策因素，對于戰略轉型的影響。以美國為例，伊昊智（2017）等在《人工智能各國戰略解讀：美國人工智能報告解析》中提到，美國政府將在政府部門中推廣人工智能應用，加大政府在人工智能研究和人才培養方面的投入，并開發公共數據集。人工智能的國家戰略將會推動人工智能的發展，為企業開展人工智能戰略掃清障礙。

同時在企業所在行業方面，新興產業的企業可能會有更大的可能性適應人工智能戰略。徐貴寶（2018）認為開展人工智能戰略需要企業加快制定智能化發展戰略，加快人工智能技術的研究、應用和部署，積極進行智能化產品轉化，積極開拓智能化市場，加大投資力度，加快人才聚集。相較于傳統企業，新興企業更易于吸納人工智能人才，也更易于開展人工智能研究、應用和部署。

衡量內部能力的因素則主要在于企業的償債能力、盈利能力、經營效率以及市值等財務指標，通過這些財務指標可以看出企業面對風險和應對競爭的能力。對于企業的內部資源而言，企業的各項財務指標，包括償債能力、盈利能力、經營效率等，可以作為企業進行投資活動的重要影響因素。馮驍勇（2014）在《企業管理中的財務比率分析及運用》中論述了財務比率在企業管理中的重要作用。他認為財務比率可以為企業投資提供財務依據，通過合理的計算可以指導企業選擇合適的投資項目?？紤]到企業采用人工智能戰略，開展新的人工智能應用可以被視為一種投資活動，因此各項財務比率在判斷企業是否具備開展人工智能戰略的判斷上具有重要的指導作用。

2 研究一：影響企業成功采用人工智能戰略的因素

2.1 研究問題

根據資源基礎理論的分析，企業在決策人工智能戰略時需要考慮的內部和外部的因素多且范圍廣。為了更好地針對其中較為重要的因子進行選擇，本文建立了LASSO模型，通過實證分析篩選出對人工智能戰略影響較大的因素。

2.2 研究方法介紹

LASSO（least absolute shrinkage and selection operator）是一種回歸分析方法。LASSO在回歸系數絕對值之和小于某個給定常數的約束條件下最小化回歸模型的均方誤差，由此求得最終的回歸系數。由于上述約束，LASSO會產生一些值為0的回歸系數。LASSO繼承了嶺回歸的一些優點，同時也可以作為變量篩選的方法。LASSO可以有效降低多元回歸分析中多重共線性的負面影響，適合稀疏數據的分析處理，同時也具備了更強的可解釋性。

其中，βlasso為LASSO回歸方程中的回歸系數β的估計值。通過梯度下降等數值優化方法對上述目標函數進行計算，可以得到最終的回歸系數的估計值。LASSO在獲取更強的解釋性和魯棒性的同時，也付出了一定的代價，即作為一個參數模型，其參數估計是有偏的，且不具備相合性，因此可能存在模型相較普通最小二乘回歸均方誤差較大和R2較小的缺點。

LASSO所具備的特征表明，LASSO可以有效地從多個可能的自變量中提取出有效的（回歸系數不為0的）變量，進而可以用于進行變量篩選。本文中可能會對企業能否成功開展人工智能戰略產生影響的因素多達一百余個，其中可能存在部分不存在顯著影響作用的因素，因此使用LASSO模型可以有效去除這些無關或不顯著相關的因素。

2.3 研究指標的選取

2.3.1 自變量選取

本文搜集了財富500強上市公司的財務數據，其中145家曾在其官方白皮書或是年度報告中公布過其人工智能戰略計劃，因此本文選取這些公司作為分析的數據源。通過WIND金融終端，本文獲取了這些公司在其公布開展人工智能戰略的前一年的財務數據和這些公司總部所在的國家、公司所屬行業等，將這些數據作為自變量。各類自變量及其具體意義如表1所示。

其中，各類變量中國家（或地區）、貨幣和行業指標為分類變量，不能直接代入LASSO回歸模型計算，因此需要對這三類數據進行數值化編碼。為保證LASSO回歸模型的可解釋性，本文采用One-Hot編碼方法對其進行編碼，即對于n分類數據，將其編碼為n維向量，其中有且僅有一個分量取值為1，其余均為0。這一編碼將離散特征的取值擴展到了歐氏空間，離散特征的某個取值則對應歐氏空間的某個點，使得距離計算更為合理。通過這一編碼方式，原始數據得以擴充產生了較大的稀疏矩陣?？紤]到LASSO的稀疏學習能力，采用這一編碼方式可以被認為是相對合理的。

2.3.2 因變量的選取和意義

本文使用基于EPS（基本每股收益）的CAGR（compound annual growth rate）作為量化分析的因變量。CAGR即復合年均增長率，基于EPS的CAGR可以在一定程度上衡量企業在一定時期的增長情況。通過對于開展人工智能戰略之前的CAGR和開展人工智能戰略之后的CAGR做差，可以衡量企業是否成功地開展了人工智能戰略。若這一差值為正，可以認為企業的人工智能戰略是相對成功的，反之則認為其是相對失敗的?？紤]到EPS有可能為負數，傳統的CAGR可能無法得出有效數值，因此采用近似的CAGR，其計算方法如下：

考慮到不同企業開展人工智能戰略的時間不同，對于不同企業，CAGR計算的時段也不同。本文取企業宣布開展人工智能戰略當年到其截至2018年末最后一次公布年報的時間跨度為分析時段長度，計算公司開展人工智能戰略前后這一時段的CAGR并作差，將這一差值作為LASSO回歸模型的因變量代入模型進行計算。

2.3.3 數據清洗

由于各國采用的會計準則或是相關法律法規的差異，上述因素并非全部完整，部分變量存在一定的數據缺失情況。為減輕數據缺失對于最終回歸模型的影響，本文對數據進行了清洗工作。數據清洗方法為均值填充。本文分別計算了每個變量在每個行業中的平均值，對于缺失數據使用其公司所在行業的平均值進行填充。

2.3.4 回歸方程的計算

考慮到各個自變量的量綱不同，甚至可能存在數量級的差異，直接進行回歸計算得到的回歸系數無法直觀地比較各個因素的影響程度，從而難以選出具有較大影響的因素。因此，本文認為在計算回歸模型之前需要對數據進行歸一化處理。本文使用了最大最小歸一化方法對自變量和因變量進行處理，處理方法通過如下公式表示：

2.4 模型的建立

LASSO回歸模型需要指定一個超參數，即LASSO的L1正則項系數，該參數無法通過特定算法計算，具有的一定的主觀性。為避免過大的主觀性，本文使用3折交叉檢驗的方法選擇這一超參數。本文將所有數據分為三個部分，每次使用其中兩個部分作為訓練數據，剩余一個部分作為測試數據，計算測試數據訓練平均R2得分，從1/0.1/0.01/0.005/0.001/0.0005/0.0001中選取得分相對較高且通過模型篩選的變量個數相對合適的參數作為最終參數。

通過交叉檢驗，本文選擇0.0005作為LASSO回歸模型的L1正則項系數，在該系數的模型下，測試集平均R2得分為0.698，可以認為模型在較大程度上解釋了各個因素對于因變量的影響。在包含One-Hot編碼在內的107個自變量中，有60個自變量的回歸系數為0，因而拋去，剩余47個變量可以被認為是對于因變量有顯著影響的因素。但考慮到數據已經進行了歸一化處理，每個變量回歸系數絕對值的大小可以被理解為該變量對于因變量的影響程度，因此可以將回歸系數絕對值小于0.05的變量視為影響較小的因素，從最終模型中去除，進而得到以上回歸結果。

2.5 研究結果

借助python編程語言和相關數據分析包，本文得到了最終回歸模型。以圖片形式表示所有回歸系數絕對值大于0.05的自變量及其回歸系數，如圖1所示。

通過上述LASSO回歸模型的計算結果，可以看出少數幾個變量對于企業是否能夠開展人工智能戰略產生了較大的影響。因此，本文將嘗試對這些變量的影響作用進行解釋。

每股現金流量凈額與企業總市值與人工智能戰略轉型的成效呈現正相關關系，這是符合常識的。充足的現金流和較高的市值可以保證企業能夠支撐人工智能戰略轉型所需的高額研發費用，為企業的技術進步保駕護航。

與因變量負相關性最大的變量為市凈率，即股價與其賬面價值的比率。這一比率越高則說明企業存在較高的無形資產或一定的風險溢價，由于無形資產無法通過常規途徑變現，它從側面表明了企業可變現投入人工智能技術研究的資本相對不足，因而市凈率過高可能不利于企業的新技術轉型。

值得注意的是企業經營性現金流、投資回報率、銷售毛利率以及權益回報率與人工智能戰略轉型的成效呈負相關關系，而營業外收入凈額在總收入的占比、管理費用的占比則呈現出正相關關系。這一現象看似不符合直覺，但是是可以解釋的。企業經營性現金流、投資回報率以及權益回報率較高而營業外收入凈額在總收入的占比較低，實際上表明了企業在現有主營業務下具有良好的收益，而可以進一步發展的非主營業務收入較低，企業沒有開展基于人工智能技術的新業務的客觀必要性。盲目開展人工智能技術的研究可能會占用較大的貨幣資本和人力資源，從而對其傳統主營業務的正常運轉造成擠壓，最終反而不利于企業的戰略轉型。企業的市銷率、稅項占比與因變量的正相關關系也在一定程度上印證了這一觀點，市銷率越高說明企業主營業務在總業務中的占比相對越低，稅項占比越高說明主營業務產生的稅務費用相對較高，這兩點則從側面表明了企業開展新業務的客觀必要性。

除上述因素之外，企業的總資產周轉率與企業人工智能戰略轉型的成效呈現正相關關系，這說明了企業的償債能力是企業開展新技術研發的重要保證，良好的償債能力可以支撐企業獲取較多的貸款以進行新技術的研發工作。

在行業和國家方面，上述回歸模型的結果顯示，運輸業、航空航天和國防工業與最終人工智能戰略轉型的成效呈現明顯的正相關關系，因此可以認為這兩個行業在當前具有較好的人工智能技術應用空間，開展人工智能戰略相較其他行業具有較高的發展前景，這與當前人工智能技術的發展情況是相符的。值得注意的是以澳元作為上市貨幣的企業具有一定的發展優勢，這可能與澳大利亞的相關政策有關，也有可能是澳大利亞上市公司的數據量過少造成的誤差，此處存疑。

3 研究二：企業如何判斷是否具備開展人工智能戰略的條件

3.1 研究問題

由于LASSO本質上仍是線性回歸，它只能揭示自變量與因變量之間的線性關系或是趨勢關系，對于非線性關系可能無法得到較好的成果，并且這一模型在指導企業決策方面不夠直觀。因此，本文的研究二基于研究一得出的47個重要因子建立決策樹模型，對企業開展人工智能戰略的成效進行進一步分析。

3.2 研究方法介紹

本文使用基于Gini系數的CART決策樹模型，即分類回歸數（classification and regression tree）。決策樹通過對不同屬性或自變量的節點的劃分，把樣本經過多層判斷，劃分至不同的類別之中。CART模型在每個節點的判斷只考慮二分類情況，其判斷標準為Gini系數，Gini系數的計算方法如下：

式中：V表示屬性a所有的可能取值;D表示樣本集;Dv表示屬性a取值為v的樣本的集合;|Dv||D|表示屬性a取為v時的樣本數量和總體樣本數量的比值。通過這一準則遞歸劃分數據集，直至子數據集都屬于同一類或者所有特征用光，最終得到完整的決策樹模型。為避免過擬合，在決策樹建立完畢后會進行剪枝，以確保模型的魯棒性，并通過交叉檢驗驗證模型的泛化能力。

這一部分本文所研究的問題為企業如何判斷其是否具備成功開展人工智能戰略的條件，這是一個二分類問題，并且回答這一問題所采用的量化模型需要具備一定的可解釋性和良好的泛化能力，以指導企業判斷自身是否具備該條件?？紤]到決策樹在分類問題中的優秀表現和其較其他分類方法更高的可解釋性和魯棒性，本文決定使用決策樹模型嘗試解決這一問題。

3.3 模型的建立

本文將通過LASSO篩選的全部47個變量作為CART決策樹模型的自變量，以目標公司開展人工智能戰略前后CAGR的差值為基礎對數據進行標注，借助Python編程語言和相關數據分析程序包進行CART決策樹模型的建立。此模型為二分類模型，本文將所有開展人工智能戰略前后CAGR的差值為正的標注為類別“1”，開展人工智能戰略前后CAGR的差值為負的標注為類別“0”?？紤]到模型的可解釋性，本文設置CART決策樹最大深度不超過5層，最大葉節點個數不超過25個。

經過計算，本文得出了一個最大深度為5、最大葉節點數為25的決策樹模型，如圖2所示。

這一模型以樹狀結構描述了企業判斷能否開展人工智能戰略的決策步驟。針對決策樹中所用到的各類屬性，本文借助Gini系數計算了各個屬性的重要性程度，并按照這一程度進行了排序，各屬性的重要性如圖3所示。

本文使用交叉驗證的方法對模型進行檢驗，以確保模型沒有陷入過擬合，保證決策樹具有一定的泛化能力和魯棒性。本文從所有數據中隨機抽取30%作為測試數據，其余的作為訓練數據，進行交叉驗證所需的數據劃分。

考慮到衡量分類器性能不能單純運用分類正確率作為標準，因為可能會受到類別不均衡問題的較大影響，因此本文選擇使用ROC曲線（receiver operating characteristic curve）作為模型在測試集上的性能度量。ROC同時考慮了模型的查準率和查全率，以真陽性率作為縱坐標、假陽性率作為橫坐標繪制，這一曲線越靠近左上角說明模型的可靠性越高。本文通過計算ROC曲線下側面積（AUC）的方式量化模型的可靠性，AUC大于0.5說明模型具有一定的正確性，這一數值越接近1說明這一模型越可靠。上述模型的ROC曲線如圖4所示。

該模型的ROC曲線明顯向左上角凸出，說明模型具有一定的正確性，模型的AUC達到了0.7583，可以證明這一模型具備一定的可靠性，可以在一定程度上指導公司判斷其是否已經具備了開展人工智能戰略的條件。

3.4 研究結果

如圖3所示，決策樹最終采用的屬性主要為銷售凈利率、市凈率、是否為美元股票、每股現金流量凈額、每股凈資產、存貨周轉率、管理費用占比、非流動負債占比、歸屬母公司的利潤占總利潤的比例以及總市值。

上述指標有部分在LASSO模型中回歸系數小于0.05，被認為存在相關性但相關性相對不夠明顯。造成差異的原因可能在于，LASSO模型作為線性統計模型只能衡量各變量之間的線性相關性或趨勢相關性，對于非線性問題可能表現不足。相對而言層數較深的決策樹則可以在一定程度上應對非線性可分問題。

決策樹模型顯示，判斷企業是否具備開展人工智能戰略的條件應當首先考慮銷售凈利率。也就是說當主營業務發展良好的情況下，應當更謹慎地考慮人工智能戰略轉型，因為作為新興技術，研發人工智能應用需要付出大量的人力物力成本，因而有可能造成對于主營業務的擠壓，戰略轉型具有較大的機會成本，短期內有可能弊大于利。

若主營業務相對盈利能力不足，則說明企業進行人工智能戰略轉型具有一定客觀必要性。在這樣的情況下，企業應當注重其存貨周轉率，當周轉率較高時可能暗示著盲目進行人工智能技術研究可能會影響企業的正?；顒舆M而導致失敗。若周轉率相對不算太高，則應考慮母公司獲取收益的占比。若母公司可以獲取較高的收益，則說明母公司有能力主導整個企業，因而有利于開展公司層面的人工智能戰略轉型。若這一比率較低則需要考慮每股凈資產，若凈資產較高，則更易于獲取較高的人工智能戰略轉型成效，反之則應當考慮市銷率，市銷率較高則說明企業更有可能成功開展人工智能戰略。

若主營業務相對具有較高的營業能力，則公司進行人工智能戰略轉型面臨失敗的可能性相對較大。此時若市凈率較低，企業進行人工智能戰略轉型成功的可能性相對較低，反之則較高。這與LASSO模型的結論產生了沖突，究其原因可能在于此問題并非線性可分問題，而對于回歸模型而言，部分樣本點對回歸曲線產生的影響可能較大。因而該模型仍有改進空間，AUC僅為0.75也說明此模型仍存在錯誤分類的可能。因此，這一決策樹模型只能作為企業的參考，而不能盲目相信其量化分析結果。

對于市凈率較高的企業，公司經營使用貨幣主要為美元則更有可能獲取人工智能戰略的成功。可能原因是美國作為人工智能技術領先的國家，其又有較為完善的人工智能國家層面的戰略支持，開展人工智能戰略相對面臨的壓力較小。而對于非美元國家，總資產周轉率過低意味著長期償債能力較差，可能容易造成新技術研發過大的資金壓力，進而難以成功開展人工智能戰略，反之則更易于成功。

4 結論

4.1 結論與建議

對于考慮人工智能轉型的企業而言，本文通過量化實證研究主要提出了以下幾點建議：

1. 企業需要具備充足的現金流和較高的市值，以保證企業能夠支撐人工智能戰略轉型所需的高額研發費用，為企業的技術進步保駕護航。

2. 如果企業的經營性現金流、投資回報率以及權益回報率較高而營業外收入凈額在總收入的占比較低，實際上表明了企業在現有主營業務下具有良好的收益，企業沒有開展基于人工智能技術的新業務的客觀必要性。盲目開展人工智能技術的研究可能會占用較多的貨幣資本和人力資源從而對其傳統主營業務的正常運轉造成擠壓，最終反而不利于企業的戰略轉型。

3. 若主營業務相對盈利能力不足，則說明企業進行人工智能戰略轉型可能具有一定的客觀必要性。在這樣的情況下，企業應當注重其存貨周轉率，當周轉率較高時可能暗示著盲目進行人工智能技術研究可能會影響企業的正?；顒舆M而導致失敗。

4. 運輸業、航空航天和國防工業在當前具有較好的人工智能技術應用空間，開展人工智能戰略相較其他行業具有較好的發展前景。

4.2 研究的不足

本文也存在以下幾點不足：

1. 影響企業成功采用人工智能戰略的內部因素主要集中于財務指標，但可能存在其他無法用財務指標衡量的因素。

2. 影響企業成功采用人工智能戰略的外部因素僅有企業所在國家或地區、所屬行業和股票發行所使用的貨幣，但可能存在其他重要因素。

3. 樣本量相對較少且均為大型企業，可能缺乏一定的代表性。

4. 不同的人工智能戰略可能存在差異，本文未探討人工智能戰略的差異性。

4.3 未來研究展望

未來的研究可以集中在財務比率以外擴展可能影響人工智能戰略發展的因子，例如企業組織構架對于人工智能轉型的影響。同時，隨著人工智能應用的不斷細分，可以將企業的人工智能戰略劃分為多種，例如基于人工智能本身的商業模式和在原有商業模式加入人工智能等。

參考文獻：

[1] TURING A M. Computing machinery and intelligence[J]. Mind， 1950（59）：433-460.

[2] BODEN M A. Artificial intelligence and natural man[M]. New York： Basic Books， 1997.

[3] MCCULLOCH W S， PITTS W. A logical calculus of the ideas immanent in nervous activity[J]. Bulletin of Mathematical Biophysics， 1943（5）： 115-137.

[4] 倪義芳，吳曉波.論企業戰略管理思想的演變[J].經濟管理，2001（6）：4-11.

[5] 高瑩.人工智能背景下企業財務轉型探索[J].現代商業，2019（6）：155-156.

[6] 孫威.人工智能技術在企業招投標領域的應用研究[J].中國招標，2018（48）：23-24.

[7] 熊虎.人工智能時代企業財務審計的應用[J].現代營銷（下旬刊），2019（3）：224-225.

[8] 梁婉容.人工智能在企業財務管理中的應用及展望[J].國際商務財會，2018（6）：91-93.

[9] LEE W I， SHIH B Y， CHEN C Y. A hybrid artificial intelligence sales-forecasting system in the convenience store industry[J]. Human Factors and Ergonomics in Manufacturing & Service Industries， 2012，22（3）：188-196.

[10] FRANCISCO J. Artificial intelligence-based systems applied in industrial marketing： an historical overview， current and future insights[J]. Industrial Marketing Management， 2013（42）： 489-495.

[11] GAVAI G， SRICHARAN K， GUNNING D， et al. Supervised and unsupervised methods to detect Insider threat from enterprise social and online activity data journal of wireless mobile networks[J]. Ubiquitous Computing， and Dependable Applications， 2015，6（4）：47-63.

[12] CHEN H N， ZHU Y L， HU K Y， et al. Virtual enterprise risk management using artificial intelligence[J]. Publishing Corporation Mathematical Problems in Engineering Volume， 2010： 20.

[12] KOSOWSKI G， GOLA A. Risk-based estimation of manufacturing order costs with artificial intelligence[J]. Proceedings of the Federated Conference on Computer Science and Information Systems，2016：729-732.

[13] VITALIY P， TETIANA P， OLGA M， et al. Solving transport logistics problems in a virtual enterprise through artificail intelligence methods[J]. Problemy Transportu，2017（12）： 2-4.

[14] 林穎華，陳長鳳.基于關聯規則的企業財務風險評價研究[J].會計之友，2017（1）：32-35.

[15] SERGEY K. BI能力對BI成功影響機理研究[D].哈爾濱：哈爾濱工業大學，2014.

[16] WILLIAMS S， WILLIAMS N. The profit impact of business intelligence[M].San Francisco： Morgan Kaufmann Publishers， 2007.

[17] 徐貴寶.企業如何把人工智能戰略落到實處[J].信息通信技術與政策，2018（8）：54-56.

[18] 劉玉然.談談人工智能在企業管理中的應用[J].價值工程，2003（4）：95-96.

[19] 覃姍姍，鐘書華.我國人工智能企業智慧專業化評價——基于33個上市公司截面數據[J].科技與經濟，2017，30（5）：6-10.

[18] 潘可可.人工智能企業盈利質量分析——以科大訊飛為例[J].中國市場，2018（18）：189-190.