稅收激勵與人工智能產出*

◆宋 迪

內容提要：人工智能技術作為新一輪企業轉型升級的核心驅動力，受到理論界和實務界的關注。文章借助2010—2019年A股上市公司樣本數據，實證檢驗稅收激勵對于人工智能產出的影響。研究發現，稅收激勵有助于提高人工智能產品產出，并且這一效應在經濟政策不確定性程度較高時更為顯著。通過機制檢驗發現，稅收激勵通過緩解融資約束水平、降低外部融資成本，促進了企業人工智能投資和產出的增加。基于公司特征的交互項分析發現，在激烈的行業競爭和優質的人力資本環境下以及在非國有企業中，稅收激勵強度與人工智能產品產出的正向關系更為顯著，稅收優惠更能激發企業投資人工智能技術。

一、引言

近年來，人工智能逐漸成為新一輪科技創新和產業變革的核心驅動力，正在對社會和經濟發展產生深刻的影響。為促進人工智能的發展，我國相繼出臺了多項戰略規劃和支持性政策，如2016年5月國家發改委、科技部、工業和信息化部、中央網信辦制定并發布《“互聯網+”人工智能三年行動實施方案》（發改高技〔2016〕1078號），2017年7月國務院印發《新一代人工智能發展規劃》（國發〔2017〕35號），2019年3月中央全面深化改革委員會第七次會議審議通過《關于促進人工智能和實體經濟深度融合的指導意見》等。與此同時，我國深化稅收改革的進程也在穩步推進，公司稅負逐漸降低，經濟活力不斷激發。基于上述背景，在人工智能時代，稅收激勵政策是否會促進公司投資人工智能技術？是否會促進公司人工智能產出？

本文選取2010—2019年A股上市公司數據作為研究樣本，通過檢驗發現：（1）稅收激勵有助于提高人工智能產品產出；（2）當經濟政策不確定性程度較高時，稅收激勵對促進人工智能技術創新，提高人工智能產品產出的效果更為明顯；（3）稅收激勵通過緩解公司融資約束水平、降低外部融資成本，激勵公司投資人工智能技術，實現相關收入的增加；（4）在激烈的行業競爭和優質的人力資本環境下以及在非國有企業中，稅收激勵強度與人工智能產品產出的正向關系更顯著，稅收優惠更能激發公司投資人工智能技術。本文的研究貢獻和可能的創新主要有以下兩方面：第一，創新公司投資人工智能技術的衡量方法。已有研究主要使用文本定義方法來衡量公司智能化、數字化水平，本文通過統計公司營業收入中與人工智能技術相關的收入占比，能夠更直接準確衡量公司人工智能水平。第二，擴充有關稅收激勵對智能化、數字化影響的研究。人工智能作為未來發展的重要領域，各行業均應重視并做好投資規劃，然而，鮮有研究從微觀角度分析影響公司投資人工智能的動因，而本文從稅收激勵角度對這一動因進行了闡釋。

二、文獻回顧

基于新制度經濟學理論的研究發現，稅收激勵政策可有效降低制度性交易成本，在具體路徑上，通過減免稅金、先征后返、先征后退等措施，提升公司現金流，降低外部融資成本，緩解融資約束，激勵公司創新研發投入（Bloom et al.，2002），提升創新項目投資回報率（Hall，1993）以及創新產出的數量和質量（Czarnitzki et al.，2011）。基于中國制度情景，部分學者認為，在分稅制改革框架下，企業實際所得稅稅率的降低，可促進創新投入與創新產出質量，而稅收優惠政策對企業研發創新的影響更為直接。劉詩源等（2020）發現相較于成長期和衰退期公司，稅收優惠政策可顯著增加成熟期公司的現金流，對成熟期公司研發創新的促進作用更顯著。吳怡俐等（2021）發現實行“留抵退稅”改革有助于增加公司內部現金流，降低財務成本，繼而促進公司投資優質項目，最終實現公司價值的提升。馮澤等（2019）通過對研發費用加計扣除政策的研究發現，該政策的出臺顯著提升公司的創新產出和創新效率。唐明和曠文雯（2021）進一步發現，研發費用加計扣除政策的創新激勵效應存在產權異質性，對民營企業和非高新技術公司中創新產出的激勵作用更為顯著（賀康等，2019）。

然而，也有部分學者研究認為企業可能存在機會主義傾向，通過操縱研發費用濫用稅收減免優惠政策，進而導致創新效率降低。楊國超和芮萌（2020）發現，公司獲得高新技術公司認定后，雖然創新投入提升，但創新產出的數量和質量均顯著下降，認為公司增加創新投入可能僅僅為滿足高新技術公司認定條件以享受所得稅優惠，并沒有真正進行創新研發。吳秋生和王婉婷（2020）發現，研發費用加計扣除政策會導致公司將更多費用確認為研發費用，從而虛增創新投入，導致創新效率降低。房飛和王大樹（2021）發現，減稅降費對激勵小微企業加強科技研發投入產生了積極影響，但創新成果尚無明顯的同步增長。羅斌元和劉玉（2020）研究發現，企業創新投入在稅收優惠對企業高質量發展的影響中存在中介作用，同時在企業生命周期的不同階段，稅收優惠政策通過創新投入對企業高質量發展產生的影響存在顯著差異。

通過上述文獻可知，稅收激勵雖然能夠在一定程度上促進公司的創新研發，提高創新效率，但也存在公司為享受稅收優惠而操縱費用的可能。另外，人工智能屬于高新技術領域，可享受的稅收優惠政策較多。一方面，若被認定為高新技術公司，則可享受15%的所得稅優惠。另一方面，研發費用可在稅前加計扣除，形成的無形資產可在稅前加計攤銷，進一步降低應納稅所得額。此外，2018年開始實施的增值稅留抵稅額返還政策，使積壓的大量進項稅額釋放出來，公司獲得的稅金返還可以補充現金流。因此，本文以人工智能技術為核心，關注稅收激勵能否真正有效地促進人工智能技術的發展，同時通過人工智能技術產品所帶來的收入作為衡量公司的人工智能技術水平，從而更直觀反映公司研發創新現狀，規避公司操縱費用對本研究的可能影響。

三、研究假設與研究設計

（一）研究假設

人工智能領域是當前政策鼓勵、市場追捧的高科技核心行業，但因為發展尚不成熟，存在項目投資成本高和盈利能力弱的現實問題。例如，格力電器近年來開始投資智能裝備領域，在2018年和2019年智能裝備產品收入額分別達31億元和21億元，但營業利潤率僅為6.5%和5.9%，遠低于15.64%和14.94%的公司整體營業利潤率。并且，人工智能產品定價相對較高，如醫學影像智能識別設備，已超出一般醫院所能承擔的范圍，導致市場需求不足，無法形成規模經濟，收入增長有限。由于人工智能產品的研發風險較高，預期收益不穩定，外部融資可獲得性較低，融資約束水平較高，導致融資成本會更高。通過稅收激勵政策，公司可將獲得的稅金退返或節約的稅金投入到人工智能技術研發，提升自有資金使用效率，降低外部融資需求和融資成本，從總體上降低投入成本，最終促進人工智能相關產品的產出。基于此，本文提出假設1：稅收激勵有助于提高人工智能產品產出。

近年來，國內外經濟環境錯綜復雜，為適應經濟高質量發展的要求，尤其是在后疫情時代，我國陸續出臺或調整經濟政策對經濟發展進行調控，經濟政策不確定性逐漸成為“主旋律”（劉貫春等，2019；田國強和李雙建，2020）。從宏觀角度看，經濟政策不確定性會顯著影響貨幣政策調控效果，進而削弱貨幣政策有效性，特別是在金融危機后，這一效應更加明顯。從微觀角度看，經濟政策不確定性會顯著提升銀行信貸合約的違約風險（顧海峰和于家珺，2019），降低銀行流動性創造（田國強和李雙建，2020）。因此，經濟政策不確定性會提高公司融資成本，增加管理者的決策成本，抑制公司創新投入和產出（Bhattacharya et al.，2017）。不確定性進一步抑制了公司進行外部融資動力，進而降低公司進行人工智能技術的投資熱情。因此，在經濟政策不確定性較高的環境中，公司將更多依靠相關政策支持，通過減免、退返、補貼等稅收激勵政策，實現人工智能項目的持續投入和研發，進而提升相關產品的產出。基于以上分析，提出本文假設2：當經濟政策不確定性程度較高時，稅收激勵將更有助于提高人工智能產品產出。

（二）研究設計

1.樣本選擇

鑒于一些公司可能為了“蹭熱點”，在公告或財務報告中敘述與人工智能、數字化、大數據等相關的內容，但并未真正投資或生產此領域產品，導致使用文本定義的方法衡量會產生偏差。因此，本文在對人工智能技術衡量方式上進行改進，通過統計上市公司營業收入中與人工智能技術相關的收入占比對其人工能智能技術水平進行直接準確衡量。

首先，定義與人工智能產品或服務相關的名詞。基于人工智能的發展及應用以及前瞻產業研究院發布的《2020年中國人工智能行業市場前瞻與投資戰略規劃分析報告》中關于人工智能行業的定義，本文搜集人工智能產品或服務的有關名詞，例如機器人，智慧城市、智慧物聯，智慧交通、智慧醫療、智慧生活等，智能裝備、智能設備，自動駕駛，計算機視覺，人臉、人像、生物識別，車輛道路行為分析，無人商店、無人配送、無人機等。其次，根據公司財務報表附注中產品分類披露的收入類型統計整理與人工智能相關的收入金額。最后，計算各公司人工智能相關的收入金額占總營業收入的比例。

選取2010—2019年的上市公司（剔除金融、保險行業）作為研究樣本，研究樣本統計如表1所示。從表1可知，樣本中轉型投資人工智能技術的公司數量逐年升高，并且占比也逐年增高。這說明隨著人工智能概念的普及，越來越多公司開始布局人工智能領域。稅收激勵以及其他公司財務數據、公司治理數據來自于CSMAR數據庫。

表1 研究樣本統計

2.研究模型與變量定義

基于前述研究假設，本文構造模型如下：

其中，被解釋變量Alpercentt代表公司第t年人工智能領域收入規模，使用公司第t年人工智能產品或服務收入金額除以公司收入總額來反映。

解釋變量EATRt代表公司第t年稅收激勵強度。借鑒Devereux和Griffith（2003）、賈俊雪和應世為（2016）、劉詩源等（2020）的方法計算公司前瞻性有效平均稅率，用于反映稅收激勵水平。該指標利用名義稅率、名義利率、折舊率、稅基政策、貼現率等因素，通過估計公司投資的“稅收楔子”（Tax Wedge）來測算前瞻性有效平均稅率，能夠有效反映稅收對公司未來投資決策的激勵作用。指標數值越低，說明稅收激勵強度越高。計算公式為EATR=（R*-R）（1+i）/p①其中，R*=（p-i）/（1+i）；R=｛（p+δ）（1+ φ）（1-τ）-[（1+r）-（1-δ）（1+ φ）]（1-B）｝y/（1+r）+F 。。

基于賈俊雪和應世為（2016）的計算方法，p為考慮所在地區與產權性質的投資回報率；i為實際利率，r為名義利率，用一年期存款基準利率表示；φ為由各省份各年CPI反映的通貨膨脹率；τ為公司所得稅稅率；δ是折舊率，y是股票資本利得稅和股息稅間的稅收楔子，參考賈俊雪和應世為（2016）、劉詩源等（2020）的做法，δ為0.1，y為0.1；F為公司加權平均融資成本；B為單位投資稅收抵免額的凈現值，T為折舊年限，折舊年限取10年，σ為稅收扣除率，為折舊年限的倒數（0.1）。

調節變量為經濟政策不確定性（EPU），參考已有研究（田國強和李雙建，2020），本文使用Baker et al.（2016）構建的經濟政策不確定性指數作為代理變量。進一步，采取年度算術平均值的計算方法，將月度經濟政策不確定性指數轉化為年度數據，然后除以100。當樣本公司所處年度的經濟政策不確定指數高于全體樣本中位數，則經濟政策不確定性較高，EPU取1，反之取0。

其他可能影響公司審計決策的因素，主要包括公司規模（Size）、資產負債率（Lev）、總資產收益率（ROA）、營業收入增長率（Growth）、公司經營現金流負債比（Cash）、政府補助（Subsidy）、第一大股東持股比例（Top1）、獨立董事規模（Indboard）、公司產權性質（SOE）、上市公司年齡（Age），在模型（1）均以概括，具體見變量定義表2。Year和Industry分別為年度和行業虛擬變量。

表2 變量定義

3.傾向得分匹配方法（PSM）

由于公司是否投資人工智能技術并非隨機發生，而是與公司特征相關，為降低樣本選擇偏差，本文使用傾向得分匹配方法（PSM），以有人工智能產品產出的公司作為處理組，使用一對一匹配同年度同行業從未投資于人工智能領域的公司作為控制組。本文選取t-1年的如下變量作為協變量進行傾向匹配，包括公司規模（Size）、資產負債率（Lev）、總資產收益率（ROA）、營業收入增長率（Growth）、公司經營現金流負債比（Cash）、上市公司年齡（Age）、第一大股東持股比例（Top1）、獨立董事規模（Indboard）、公司產權性質（SOE）。

經過傾向性得分匹配，本文最終得到樣本2416個，其中處理組樣本1208個，控制組樣本1208個。通過表3單變量檢驗結果可知，有人工智能產品產出的公司其稅收激勵強度（EATR）顯著高于沒有人工智能產品產出的公司。而匹配后兩組的協變量均沒有顯著差異，說明匹配過程有效，緩解樣本選擇偏差問題。此外，為了避免由于極端值造成的影響，本文對連續變量均進行上下各1%水平的Winsorize處理。

表3 單變量檢驗

四、實證分析

（一）描述性統計

表4報告了主要變量的描述性統計結果。人工智能收入比例（AIpercent）的平均值為0.166，說明傾向得分匹配后獲得的樣本中，人工智能收入占總收入比例為16.6%。雖然人工智能收入占總收入比例不高，但已初具規模。稅收激勵（EATR）均值為0.145，前瞻性有效平均稅率為14.5%，低于當前一般公司所得稅25%以及高新技術公司所得稅15%，說明樣本公司實際享受到了稅收優惠。其他各變量均處于合理范圍。

表4 描述性檢驗結果

Indboard 2416 0.380 0.054 0.333 0.333 0.364 0.429 0.571 SOE 2416 0.162 0.369 0.000 0.000 0.000 0.000 1.000

（二）假設檢驗與分析

1.假設檢驗

表5報告了假設檢驗回歸分析結果。列（1）、（2）表明稅收激勵強度（EATR）與人工智能收入比例（AIpercent）在1%水平上顯著負相關，列（1）未加入控制變量，列（2）加入控制變量。列（2）系數為-0.1855，這一結果表明，在其他變量不變的情況下，稅收激勵強度（EATR）提高一個單位，人工智能收入比例（AIpercent）可提高0.1855個單位。此回歸結果表明稅收激勵有助于提高人工智能產品產出，假設1得證。列（3）、（4）表明稅收激勵強度和經濟政策不確定性的交互項（EATR*EPU）與人工智能收入比例（AIpercent）在1%水平上顯著負相關。這一結果表明，在面臨經濟政策不確定性時，稅收激勵更有助于提高人工智能產品產出。

表5 假設檢驗結果

2.機制檢驗

由于人工智能產品的研發風險高，預期收益不穩定，外部融資可獲得性較低，導致較高的融資成本和融資約束水平。通過稅收激勵政策，公司可將獲得的稅金退返或節約的稅金投入到人工智能技術研發，提升自有資金使用效率，降低外部融資需求和融資成本，從總體上降低了投入成本。因此本文將對稅收激勵影響人工智能產品產出的機制進行分析，即稅收激勵是否通過緩解公司融資約束水平、降低外部融資成本從而激勵公司投資人工智能技術。本文引入兩個新變量，一方面，用KZ指數來反映公司融資約束水平，此值越高說明公司融資約束水平越高；另一方面用Finance反映公司融資成本，Finance為公司利息支出占總收入的比值，此值越高說明外部融資成本越高。

機制檢驗回歸結果如表6所示。列（1）、（2）表明稅收激勵強度（EATR）分別與融資約束指數（KZ）和融資成本（Finance）在5%和1%水平上顯著正相關，說明收激勵強度越高，則融資約束水平越低，外部融資成本越低。列（3）、（4）表明稅收激勵強度和經濟政策不確定性的交互項（EATR*EPU）分別與融資約束指數（KZ）和融資成本（Finance）在5%水平上顯著正相關，說明當經濟政策不確定性更高時，公司稅收激勵強度與融資約束水平和融資成本的關系更顯著。從機制檢驗可證明，當公司稅收激勵較高時，公司自有現金充足，因此融資約束水平較低，融資成本也較低，能夠進一步促進人工智能投資，提高人工智能產品的產出。

表6 機制檢驗結果

（三）穩健性檢驗

1.替換樣本量回歸

為降低樣本中收入為0的樣本的干擾，剔除人工智能收入為0的樣本對假設檢驗重新進行回歸分析，結果如表7列（1）和（2）所示。所有結果均與假設檢驗相同，說明結果具有穩健性，進一步支持本文假設。

表7 穩健性檢驗結果

2.替換自變量計算方法

人工智能技術屬于公司研發創新的一個組成部分，因此本文使用研發支出稅率（Tax Price of R&D）來專門衡量因研發創新而承擔的稅負。基于研發費用（費用化）和無形資產（資本化）稅前攤銷，參考Jia和Ma（2017）的計算方法，研發支出稅率（R&DTax）為兩類研發（費用化和資本化）稅收成本的加權平均值。此值越小說明研發支出的稅收激勵強度越高。替換變量后的計算結果如表7列（3）和（4）所示。所有結果均與假設檢驗相同，說明結果具有穩健性，進一步支持本文假設。

3.雙重差分模型

為推進減稅降費工作，降低由于增值稅留抵稅額給公司帶來的資金壓力，2018年財政部和國家稅務總局頒布《關于2018年退還部分行業增值稅留抵稅額有關稅收政策的通知》，要求對裝備制造等先進制造業和研發等現代服務業等18個大類行業的期末留抵稅款進行退還，以提高公司自有資金的使用效率，降低融資成本，促進公司投資。因此本文將基于財政部和國家稅務總局頒布的留抵退稅這一外生事件，考察事件前后實驗組和對照組人工智能產品產出的差異。如果事件發生后，實驗組的人工智能收入相比對照組顯著提升，則一定程度緩解了內生性問題，證明稅收激勵可以顯著促進公司進行人工智能投資與產品生產。

本文構建如下模型進行回歸分析。其中，Post為啞變量，2018年政策頒布之后取1，否則取0。Target為啞變量，研究樣本屬于2018年政策中所列示的試點行業公司，則取1，否則取0。

回歸結果如表8所示。交互項（Target*Post）與當期審計費用（LNFEE）在1%水平上顯著負相關，與人工智能收入比例（AIpercent）在1%水平上顯著正相關，結果表明政策頒布之后，相比不屬于留抵退稅試點行業的公司，留抵退稅試點行業的公司人工智能收入更高，與假設檢驗回歸結果相同，說明回歸結果穩健，進一步支持本文假設。

表8 雙重差分模型檢驗結果

2416 Pseudo R2 0.7164 Prob 〉 chi2 0.0000 Observations

五、進一步研究

（一）行業競爭程度

當處于競爭程度較高的行業中，稅收激勵政策使公司獲得更加充分的自有資金，公司則更有動力通過投資于人工智能領域尋找新的利潤增長點。本文基于行業競爭程度進行交互回歸分析，使用赫芬達爾-赫希曼指數（HHI）對行業競爭度進行度量，再根據HHI中位數，將行業競爭度分為高低兩組，當樣本公司處于高競爭組，HHI取1，否則取0。回歸結果如表7中列（1）所示，稅收激勵強度和行業競爭強度的交互項（EATR*HHI）與人工智能收入比例（AIpercent）在1%水平上顯著負相關，說明當行業競爭程度更高時，公司稅收激勵強度與人工智能產品產出的關系更顯著，稅收優惠更能激發公司投資人工智能技術。

（二）公司人力資本質量

已有研究認為，只有當公司具備充足的高質量員工時才能有效提升公司現有生產技術、促進公司創新能力（Andersen和Dalgaard，2011）。因此，本文基于公司人力資本交互回歸分析，使用公司專業技術人員占總員工比例來反映公司人力資本質量（劉啟仁和趙燦，2020），當公司技術員工占比高于行業中位數時，Hightech取1，否則取0。回歸結果如表9中列（2）所示，稅收激勵強度和人力資本質量的交互項（EATR*Hightech）與人工智能收入比例（AIpercent）在1%水平上顯著負相關，說明當人力資本質量更高時，公司稅收激勵強度與人工智能產品產出的關系更顯著，稅收優惠更能激發公司投資人工智能技術。

表9 交互項檢驗結果

Size -0.0076（-1.2707）-0.0077（-1.2904）-0.0073（-1.2189）Lev 0.0628*（1.7727）0.0691*（1.9494）0.0622*（1.7553）ROA 0.0950（1.0554）0.0962（1.0695）0.0198*（1.6683）Subsidy 0.4046**（2.5087）0.0992（1.1020）Growth 0.0202*（1.7033）0.0184（1.5547）0.4823*（1.7862）0.4007**（2.4950）Cash 3.5217*（1.7173）3.3616*（1.6907）3.5084*（1.7110）Age -0.0025**（-2.4262）-0.0025**（-2.4552）-0.0126（-0.2683）Indboard -0.3036***（-3.0203）-0.0025**（-2.3750）Top1 -0.0156（-0.3332）-0.0144（-0.3091）-0.3065***（-3.0525）-0.3051***（-3.0356）SOE 0.0177（1.0317）0.2109（0.9350）Observations 2416 2416 2416 Pseudo R2 0.7318 0.7374 0.7320 Prob 〉 chi2 0.0000 0.0000 0.0000 0.0159（0.9320）Constant 0.2205（0.9780）0.1911（0.8472）

（三）產權性質

國有公司除了要追求經濟效益，同時還承擔著吸納就業、提供稅收等社會責任，因此一定程度會影響研發所需要的資源。此外，相對于民營公司，國有公司的融資約束問題較低，可獲得的外部資金更充分（黎文靖和李茫茫，2017），對稅收激勵政策的反映程度可能與民營企業存在差異。因此，本文基于產權性質（SOE）交互回歸分析，回歸結果如表9中列（3）所示，稅收激勵強度和產權性質的交互項（EATR*SOE）與人工智能收入比例（AIpercent）在5%水平上顯著正相關，說明當公司為非國有公司時，公司稅收激勵強度與人工智能產品產出的關系更顯著，稅收優惠更能激發公司投資人工智能技術。

六、結論與啟示

本文選取2010—2019年中國上市A股公司數據作為研究樣本，通過檢驗發現公司稅收激勵有助于提高人工智能產品產出，這一效應在面臨經濟政策不確定性時表現更為明顯。通過機制檢驗發現，稅收激勵通過緩解公司融資約束水平、降低外部融資成本促進人工智能產品收入的提升。基于公司特征的交互項分析發現，在所處行業競爭激烈、人力資本優質以及非國有公司中，稅收激勵強度與人工智能產品產出的關系更顯著，稅收優惠更能激發公司投資人工智能技術。

基于上述研究發現，可以得到如下管理啟示和政策建議：一方面，人工智能屬于高新技術領域，可享受的稅收優惠政策較多，但鑒于一些公司可能為了“蹭熱點”，而在公告或財務報告中敘述與人工智能、數字化、大數據等相關的內容，但并未真正投資或生產此領域產品，監管部門應加強對高科技企業的認定，更直觀反映公司現狀，抑制公司為享受稅收優惠政策而操縱費用或“蹭熱點”的機會主義動機。另一方面，在錯綜復雜的外部環境中，各級職能部門應堅持將“減稅降費”政策落到實處，通過補充企業自有資金促進其加大創新投入，不斷提高企業發展質量。