人工智能技術與企業創新績效

摘 要：人工智能技術具有強溢出效應，是實現技術進步和高質量發展的關鍵。新質生產力的提出為推進中國式現代化指明了方向。本文基于2015—2022年中國A股上市公司數據和測算得到的新質生產力指數，運用雙向固定效應模型實證檢驗了人工智能技術對企業創新績效的影響及作用機制，并驗證了新質生產力的賦能作用。研究結果表明，人工智能技術顯著提升企業創新績效，該結論在經過內生性處理和一系列穩健性檢驗后仍然成立。異質性分析結果表明，人工智能技術對企業創新績效的提升作用在新質生產力水平高的地區、民營企業、技術密集型行業和低污染行業中更為顯著。機制分析發現，人工智能技術通過增強企業自主創新能力和實現企業研發技能升級提升企業創新績效。新質生產力能夠賦能人工智能技術提升企業創新績效，該賦能作用具有長期動態影響效應。新質生產力的賦能作用主要源自科技創新、算力基礎和算法應用3個維度。本文的研究豐富了當前對于新質生產力的理論闡釋，為深刻理解新質生產力的重要作用提供了經驗證據。

關鍵詞：新質生產力；人工智能技術；企業創新績效；高質量發展

中圖分類號：F424.3 文獻標識碼：A 文章編號：1000-176X（2024）10-0067-14

一、問題的提出

2023年7月以來，習近平總書記在地方考察時提出新質生產力的概念和發展新質生產力的重大任務。2024年1月31日，習近平總書記在中共中央政治局第十一次集體學習中進一步強調“加快發展新質生產力，扎實推進高質量發展”，對新質生產力這一概念進行了系統性闡述，強調發展新質生產力是推動高質量發展的內在要求和重要著力點。新質生產力是創新起主導作用，擺脫傳統經濟增長方式、生產力發展路徑，具有高科技、高效能、高質量特征，符合新發展理念的先進生產力質態。這一概念一經提出，就引起學者的廣泛討論，現有研究分別從生成邏輯［1-2］、內涵特征［3-4］、演化路徑［5-6］、時代價值［7-8］等角度展開。在理論分析的基礎上，也有學者開展實證研究，探究新質生產力對提升全要素生產率［9］、增強供應鏈韌性［10］、推動全球價值鏈嵌入［11］等的影響。杜傳忠等［12］認為，新質生產力能夠通過提升生產要素質量、催生新型生產組織形態、推動產業結構優化等方式，有效促進科技創新，進而賦能經濟高質量發展。對于新質生產力的賦能作用，現有研究主要集中在理論探討方面，實證研究有待加強。

當前，以人工智能技術為代表的新一輪科技革命和產業革命蓬勃發展，并在市場應用過程中不斷迭代、趨于成熟［13］。在生產網絡中實現人工智能技術的采用和擴散，是實現技術進步和高質量發展的關鍵所在［14］。人工智能技術作為通用目的技術，其與實體經濟的深度融合能夠變革傳統產業的生產方式，推動產品的高端化和智能化［15］，帶來持續的顛覆性技術創新。在企業層面，人工智能技術的應用能夠有效提升企業的知識化、智能化水平［16］，在生產、銷售和管理等環節實現降本增效［17］，構成實現高質量發展的內在動能，促進全要素生產率的提升［18］。創新是企業持續發展的動力［19］，如何提升企業創新績效，是經濟管理領域常談常新的話題。近年來，隨著市場競爭日益激烈，通過增強自主創新能力提升企業創新績效已經成為企業可持續發展的必由之路［20］。一方面，外部資源獲取有利于減輕企業所面臨的市場壓力［21］，通過收集整合外部知識，能夠彌補企業創新資源的不足［22-23］；另一方面，內部研發也是企業提升創新能力的重要途徑［24］，且與外部知識獲取存在互補關系［25］，實現內外部知識的整合與利用是提升企業創新績效的重要途徑［26］。

本文基于2015—2022年中國A股上市公司數據和測算得到的新質生產力指數，從理論和實證兩個角度研究人工智能技術對企業創新績效的影響及作用機制，并驗證新質生產力的賦能作用。與現有研究相比，本文可能的邊際貢獻在于：其一，厘清了人工智能技術對企業創新績效的影響邏輯，并提出具體影響機制，通過實證研究加以驗證，進一步補充現有研究。其二，構建新質生產力指標體系，厘清了新質生產力賦能人工智能技術提升企業創新績效的作用機制，并從實證角度予以驗證，拓展了關于新質生產力作用機制的理論研究。

二、理論分析與研究假設

人工智能技術具有強溢出效應，能夠帶動產業變革，構筑核心競爭力［27］。習近平總書記指出，人工智能是引領這一輪科技革命和產業變革的戰略性技術，具有溢出帶動性很強的“頭雁”效應。應用人工智能技術，能夠幫助企業增強自身創新能力，提升核心競爭力，緩解市場競爭壓力。其一，人工智能技術能夠提高企業生產的自動化程度。一方面，通過使用工業機器人，企業生產流程更加標準化，生產效率更高，能夠釋放人力資本使企業創新活動更加活躍；另一方面，人工智能技術能夠替代重復性勞動，改善企業創新活動流程，將研發人員的工作重心集中在創新本身，從而提升企業創新績效。其二，傳統創新主要集中在產業鏈的上游和中游，且較為封閉，利用人工智能技術，企業可以通過數字化手段與下游客戶進行互動，對用戶市場的海量數據進行分析處理，更準確地把握市場需求、客戶偏好和行業動態，為創新活動提供更多的數據支持，從而提升企業創新績效。其三，在企業內部，企業運用人工智能技術對企業生產、銷售全流程進行監控和大數據分析，能夠進一步消除部門間數據要素流動的信息壁壘，有助于實現多個部門的協同創新，從而提升企業創新績效［28］?；诖?，本文提出如下假設：

假設1：人工智能技術能夠提升企業創新績效。

人工智能技術直接提升企業創新績效的同時，還能夠通過增強企業自主創新能力和實現企業研發技能升級間接作用于企業創新績效。企業自主創新能力的增強是企業外部技術知識獲取和企業內部知識積累共同演化的結果［29］。人工智能技術能夠幫助企業增強自主創新能力。一方面，人工智能技術使得跨組織邊界的知識分享更加頻繁［30］，企業能夠以低成本迅速獲取外部技術知識；另一方面，人工智能技術使得企業可以建立龐大的內部知識庫，高效地檢索所需知識［31］。同時，以大語言模型為代表的人工智能技術能夠幫助企業更有效地將企業外部技術知識和企業內部知識進行整合，為研發團隊提供更為便捷、高效的創新輔助支持以增強自主創新能力。研發技能升級是企業實現創新驅動發展，培植核心競爭力的關鍵，特別是近些年中國產業發展受到技術“卡脖子”的掣肘，微觀企業實現研發技能升級對中國經濟高質量發展意義重大。人工智能技術具有突出的創新性、顯著的賦能性和強大的自生成性［32］，能實現企業研發技能升級。人工智能技術能夠替代部分重復性、低技能的工作，使得研發人員專注于核心工作，以實現企業研發技能升級。人工智能技術使得企業生產向智能化轉變，減少生產環節的勞動要素投入［17］，將更多的人力資本配置在研發環節，實現研發技能升級?；诖?，本文提出如下假設：

假設2a：人工智能技術通過增強企業自主創新能力提升企業創新績效。

假設2b：人工智能技術通過實現企業研發技能升級提升企業創新績效。

新質生產力是馬克思主義生產力理論的創新發展。新質生產力代表著高水平的生產力質態，其具有系統性和綜合性的特征。每個微觀企業都可能是構成新質生產力的基礎。對于企業而言，新質生產力是外部環境條件，新質生產力水平高的地區，企業整體科技創新能力更強、新型基礎設施建設更完善、擁有更多面向未來產業的專業人才、集聚更為優質的創新資源。通過創新驅動、要素轉換和產業升級，新質生產力能夠為經濟高質量發展提供重要支撐［33］。因此，一個地區的新質生產力水平越高，越能為該地區內的企業應用人工智能技術提供便利的外部條件，增加了人工智能技術促進企業創新績效提升的可能性。新質生產力推動數字技術與實體經濟結合，類似于“放大器”或“增幅器”，可以賦能人工智能技術對企業創新績效的提升作用，這種影響類似于相融相長、耦合共生的產業生態系統對處于其中的企業產生的網絡外部性影響［34］?；诖?，本文提出如下假設：

假設3：新質生產力能夠賦能人工智能技術對企業創新績效的提升作用。

三、研究設計

（一） 數據來源與樣本選擇

本文數據來源如下：上市公司層面原始數據來自國泰安數據庫（CSMAR）。本文測算的新質生產力指數涉及的原始數據來自國泰安數據庫（CSMAR）、中經網統計數據庫、EPS數據平臺、中國研究數據服務平臺（CNRDS） 和根據省級政府文件手工整理的數據。本文以2015—2022年中國A股上市公司作為研究樣本，對原始數據進行如下篩選：剔除金融業和房地產行業樣本；剔除ST和*ST的樣本；剔除關鍵變量缺失的樣本。此外，由于中國港澳臺地區和西藏自治區部分指標缺失過多，因而測算的省級層面新質生產力指數不包含中國港澳臺地區和西藏自治區。經過處理后，本文共得到10 188個觀測值。

（二） 變量說明

⒈被解釋變量

本文的被解釋變量是企業創新績效（inv）。在基準回歸中，本文用專利授權（企業發明專利授權數的自然對數，inv1） 衡量企業創新績效?？紤]到從專利申請到專利授權需要一定的時間，因而本文在穩健性檢驗中用專利申請（企業發明專利申請數的自然對數，inv2） 衡量企業創新績效。

⒉解釋變量

本文的解釋變量是人工智能技術（AI_1）。參考吳非等［35］ 的研究，本文以上市公司年報中人工智能相關特征詞出現的詞頻衡量企業層面的人工智能技術?？紤]到該類數據的“右偏性”特征，本文用原始數據加1取自然對數來衡量。為了盡可能地緩解由反向因果帶來的內生性問題和考慮到人工智能技術對企業創新績效影響的滯后效應，本文采用滯后1期進行回歸分析。

3.中介變量

本文的中介變量是企業自主創新能力（RDinvest）和企業研發技能升級（RDperat）。參考王雄元和秦江緣［36］與李強等［37］的研究，本文用研發投資與（研發投資+一般投資） 之比衡量企業自主創新能力。其中，研發投資用企業研發費用衡量，一般投資用企業購建固定資產、無形資產和其他長期資產支付的現金流衡量?？紤]到人工智能技術需要由專業的研發人員來配合落地實現，本文用企業研發人員占比衡量企業研發技能升級。

4.調節變量

本文的調節變量是新質生產力（NQPF）?？萍紕撔率前l展新質生產力的核心要素，數字化浪潮是時代發展的主旋律。本文以科技創新和數字化浪潮對生產力發展的改變作為參考，從科技創新、算力基礎、數據支持和算法應用4個維度，考量勞動者、勞動資料和勞動對象三要素，采用熵權-TOPSIS法測算新質生產力指數，綜合評價指標體系如表1所示。新質生產力綜合指標體系由4個一級指標、9個二級指標、27個三級指標構成，更加綜合全面。特別需要說明的是，本文的解釋變量人工智能技術是通過對上市公司年報進行文本分析得到的，而工業機器人使用數反映省級層面工業自動化的現實發展情況，二者并不相同。

5.控制變量

本文選取如下控制變量：（1） 企業屬性控制變量。企業規模（lnsize），用企業員工數的自然對數衡量；企業年齡（lnage），用企業成立年限的自然對數衡量。（2） 企業財務信息控制變量。企業財務健康度（fin_heal），用企業經營活動產生的現金流凈額與總資產之比衡量；企業凈資產收益率（ROE），用企業凈利潤與股東權益余額之比衡量；托賓Q（TBQ），用企業凈利潤與股東權益余額之比衡量。（3） 企業治理特征控制變量。企業股權集中度（owner），用第一大股東持股比例衡量；兩職合一（dual），董事長和總經理兩職合一為1，否則為0。

（三） 模型構建

⒈基準回歸模型

為了檢驗人工智能技術能否提升企業創新績效，本文構建基準回歸模型，如下：

invit = α0 + α1AI_1it + γXit + μt + δj + εit （1）

其中，invit 表示企業i在第t年的創新績效，AI_1it 表示企業i在第t年人工智能技術滯后1期。Xit 表示一系列控制變量，μt 和δj 分別表示年份固定效應和行業固定效應，εit 表示隨機擾動項。

⒉中介效應模型

為了檢驗企業自主創新能力和企業研發技能升級的中介作用，本文采用兩步法，在基準回歸模型的基礎上構建中介效應模型，如下：

Medit = β0 + β1AI_1it + γXit + μt + δj + εit （2）

其中， Med 表示中介變量， 包括企業自主創新能力（RDinvest） 和企業研發技能升級（RDpersat），其余變量的定義與式（1） 相同。

⒊調節效應模型

為了檢驗新質生產力賦能人工智能技術對企業創新績效的提升作用，本文構建調節效應模型，如下：

invit = φ0 + φ1AI_1it + φ2NQPF_1it + φ3AI_1it × NQPF_1it + γXit + μt + δj + εit （3）

其中，NQPF_1it 為企業i所處省份在第t年的新質生產力滯后1期，其余變量定義與式（1）相同。

（四） 描述性統計

本文主要變量的描述性統計結果如表2所示。從中可以看出，以專利授權衡量的企業創新績效的最大值為6. 9441，以專利申請衡量的企業創新績效的最大值為9. 3364，說明企業專利申請與專利授權之間的時間差的確會導致其對企業創新績效的衡量存在明顯偏差。因此，本文以專利申請衡量的企業創新績效進行穩健性檢驗。人工智能技術的最大值為5. 1705，最小值為0. 0000，均值為0. 4631，說明人工智能技術在企業間的應用程度存在較大差異。新質生產力的最大值為0. 7112，最小值為0. 0047，說明新質生產力在不同省份間存在較大差異。其余變量的描述性統計結果與現有研究一致。

四、實證分析

（一） 基準回歸分析

運用式（1） 實證檢驗人工智能技術對企業創新績效影響的基準回歸結果如表3所示。從中可以看出，列（1） 至列（4） 中，人工智能技術的系數均在1%水平上顯著為正。在納入一系列控制變量和年份固定效應、行業固定效應后，人工智能技術的系數為0. 1408，且在1%水平上顯著。這說明人工智能技術能夠顯著提升企業創新績效。因此，假設1得到驗證。主要原因在于，人工智能技術具有很強的“頭雁”效應，有助于企業構筑核心競爭力。企業通過提高生產的自動化程度，釋放人力資本，改善創新活動流程，替代一般性重復勞動，促使研發人員全身心投入創新。同時，企業能夠運用人工智能技術獲取生產數據和用戶市場數據，為企業創新活動提供數據支撐，增強數據要素在部門間的流動，促進部門間協同創新，進而提升企業創新績效。

（二） 內生性處理

⒈工具變量法

本文使用兩階段最小二乘法（2SLS） 解決由反向因果導致的內生性問題。本文構造的工具變量為同省份、同行業且同年份企業的人工智能技術平均詞頻數（IV_AI_1）。該工具變量刻畫了企業所處省份和行業對于人工智能技術的平均應用程度和示范效應。因此，特定的企業顯然會依據其所處環境的影響來決定是否應用人工智能技術，從而保證自身在與同省份、同行業企業競爭中不落下風。因此，該工具變量滿足相關性要求。同時，同省份、同行業對于人工智能技術的平均應用程度來說是一個環境變量，無法直接影響特定企業的創新績效，必須經過該企業自身對于人工智能技術的應用，增強自主創新能力和實現研發技能升級提升企業創新績效。因此，該工具變量滿足外生性要求。兩階段最小二乘法（2SLS） 的估計結果顯示，IV_AI_1的系數在1%水平上顯著為正，說明本文構造的工具變量能夠促進企業應用人工智能技術，證實了工具變量的相關性。K?P rk LM統計量在1%水平上拒絕原假設，說明工具變量滿足可識別性。K?P Wald F 統計量為168. 8900，大于Stock?Yogo在10%水平上的臨界值16. 3800，工具變量通過弱工具變量檢驗。因此，在采用工具變量進行回歸后，本文基準回歸結果仍然成立。

⒉采用滯后多期解決反向因果問題

本文在基準回歸中已經采用解釋變量滯后1期來盡量緩解由反向因果導致的內生性問題。進一步地，本文采用多期滯后項，即分別將人工智能技術的滯后2期（AI_2）、人工智能技術的滯后3期（AI_3）、人工智能技術的滯后4期（AI_4） 代入模型以緩解由反向因果導致的內生性問題。結果表明，解釋變量的系數均顯著為正。這不僅說明本文基準回歸結果穩健可信，而且說明人工智能技術在長期也會對企業創新績效產生積極影響。

⒊采用Heckman兩步法排除樣本選擇偏誤

為了排除潛在由樣本選擇偏誤導致的內生性問題，本文采用Heckman兩步法進行檢驗。在第一階段，引入省級政府工作報告中人工智能相關特征詞的詞頻為外生變量政府人工智能關注度（AI_gov），被解釋變量為企業是否應用人工智能技術的啞變量（AI_01）。當地政府對于人工智能技術關注程度越高，當地企業應用人工智能技術的可能性越大。在第二階段，本文加入逆米爾斯比率（IMR） 校正樣本選擇偏差。結果表明，政府人工智能關注度的系數為0. 0293，在1%水平上顯著，證實本文外生變量選擇科學合理。逆米爾斯比率在5%水平上顯著為正，證實存在由樣本選擇偏誤導致的內生性問題。人工智能技術的系數為0. 1124，在1%水平上顯著。這說明在采用Heckman兩步法排除樣本選擇偏誤導致的內生性問題后，本文基準回歸結果穩健可信。

（三） 穩健性檢驗

⒈替換被解釋變量

考慮到企業從申請專利到專利授權所需要的時間不確定，用發明專利授權衡量企業創新績效可能會在一定程度上低估企業創新績效。因此，本文用企業發明專利申請數的自然對數替換被解釋變量進行穩健性檢驗，所得結果與基準回歸結果一致。這說明本文基準回歸結果穩健可信。

⒉更改樣本范圍

本文采用五種更改樣本策略進行穩健性檢驗，具體如下：（1） 部分上市公司本身主營業務是向市場提供人工智能技術和服務，本文參考云財經平臺的人工智能板塊上市公司目錄，在剔除該人工智能板塊企業樣本后進行回歸，以防止夸大人工智能技術對企業創新績效的影響。（2） 考慮到企業在樣本期內存在時間過短會影響估計結果的準確性，本文剔除在樣本期內存在時間不足一半的企業進行穩健性檢驗。（3） 為了排除極端值對估計結果的影響，本文對所有連續變量進行雙側1%縮尾后進行穩健性檢驗。（4） 部分樣本企業未應用人工智能技術，本文剔除人工智能技術為0的樣本重新進行回歸，以防止其對估計結果產生影響。（5） 上述四種情況可能在疊加后影響估計結果，本文同時采用上述四種處理方法進行穩健性檢驗。上述五種穩健性檢驗所得估計結果與基準回歸結果一致，再次說明基準回歸結果穩健可信。

（四） 異質性分析

⒈新質生產力水平異質性

按照本文測算所得的省級層面新質生產力指數中位數，將樣本分為新質生產力水平高的地區和新質生產力水平低的地區考察地區異質性。新質生產力水平高的地區包含廣東、江蘇、浙江、山東、北京、上海和四川，其余省份為新質生產力水平低的地區，結果如表4列（1） 和列（2）所示。從中可以看出，在新質生產力水平高的地區，人工智能技術的系數為0. 1550，在1%水平上顯著；在新質生產力水平低的地區，人工智能技術的系數為0. 0959，在10%水平上顯著。這說明在新質生產力水平高的地區，人工智能技術對企業創新績效的提升作用更強。因為新質生產力水平高的地區的企業對前沿技術的重視程度更強，應用人工智能技術所需的人才、技術等資源更為豐富，人工智能技術提升企業創新績效的可能性更大。這也從側面證實發展新質生產力有助于企業高質量發展，能夠為企業實現創新發展提供強大動力。

⒉所有權性質異質性

根據企業所有權性質，本文將企業分為民營企業和非民營企業兩個子樣本考察所有權性質異質性，結果如表4列（3） 和列（4） 所示。從中可以看出，在民營企業中，人工智能技術的系數為0. 1530，且在1%水平上顯著；在非民營企業中，人工智能技術的系數為0. 0934，且在5%水平上顯著。對比估計結果，人工智能技術在兩類企業中均能顯著提升企業創新績效，說明人工智能技術對企業創新績效的提升作用具有普遍性，但人工智能技術對企業創新績效的提升作用在民營企業中更強。這可能是因為，民營企業普遍具有更強的生存壓力，其對人工智能技術的涌現作出的反應更快，應用程度更高。因此，民營企業使用人工智能技術以求生存的需求也更大。

⒊行業技術水平異質性

參考周念利［38］與金祥義和張文菲［39］的研究，本文將企業所在的行業分為技術密集型行業和非技術密集型行業兩個子樣本考察行業技術水平異質性，結果如表4列（5） 和列（6） 所示。從中可以看出，在技術密集型行業中，人工智能技術的系數為0. 1570，且在1%水平上顯著；在非技術密集型行業中，人工智能技術的系數不顯著。這說明人工智能技術作為先進技術對企業創新績效的影響與企業所處行業的性質相關，技術密集型行業本身以技術為核心競爭力，對于應用人工智能技術具有先天優勢。這體現在更為強大的技術人員儲備和對于前沿技術的學習、跟蹤能力，能夠適應“技能偏向型”技術進步［40］，人工智能技術的應用本身存在行業偏向［41］。因此，人工智能技術對于企業創新績效的提升作用在技術密集型行業更為突出。

⒋行業污染水平異質性

參照《上市公司環境信息披露指南》，本文將火電、鋼鐵、水泥、電解鋁、煤炭、冶金、化工、石化、建材、造紙、釀造、制藥、發酵、紡織、制革和采礦業定義為高污染行業，其余定義為低污染行業，考察行業污染水平異質性，結果如表4列（7） 和列（8） 所示。從中可以看出，在低污染行業中，人工智能技術的系數為0. 1529，且在1%水平上顯著；在高污染行業中，人工智能技術的系數不顯著。這說明人工智能技術對企業創新績效的影響在低污染行業中更大。主要原因在于，一方面，高污染行業普遍是傳統行業，這些行業中人工智能技術的應用場景還不夠普遍，對于創新績效的提升作用不明顯；另一方面，低污染行業更傾向于采用清潔技術來實現環境友好型發展，而清潔技術的應用與自動化流程的推廣密不可分，高水平自動化生產離不開人工智能技術的廣泛應用。因此，在低污染行業中，人工智能技術對企業創新績效的提升作用更明顯。

五、中介效應分析

人工智能技術通過增強企業自主創新能力和實現研發技能升級提升企業創新績效的中介效應檢驗結果如表5所示。從中可以看出，列（1） 中，人工智能技術的系數為0. 0456，且在1%水平上顯著，說明人工智能技術能夠提升企業自主創新能力。人工智能技術使得企業能夠低成本便利地獲取外部知識、更好地整合內部知識，增強企業自主創新能力，進而提升企業創新績效。因此，假設2a得到驗證。列（2） 中，人工智能技術的系數為0. 0464，且在1%水平上顯著，說明人工智能技術能夠實現企業研發技能升級。人工智能技術有助于企業研發人員更便捷地追蹤和應用前沿技術、替代部分低技能工作，將企業的重心由生產環節轉向研發環節，實現研發技能升級，進而提升企業創新績效。因此，假設2b得到驗證。

六、調節效應分析：新質生產力的賦能作用

根據調節效應模型檢驗新質生產力對人工智能技術提升企業創新績效賦能作用的回歸結果如表6列（1） 所示。從中可以看出，人工智能技術與新質生產力交互項的系數為0. 2991，且在5%水平上顯著，說明新質生產力能夠賦能人工智能技術提升企業創新績效。因此，假設3得到驗證。主要原因在于，發展新質生產力能夠為企業應用前沿技術實現創新發展提供支持，便利企業應用人工智能技術，以達到賦能人工智能技術促進企業創新績效提升的作用。新質生產力賦能作用的動態影響效應的回歸結果如表6列（2） 所示。從中可以看出，人工智能技術與新質生產力滯后2期交互項的系數為0. 3183，且在10%水平上顯著，說明新質生產力的賦能作用具有動態影響效應，在長期仍然可以為人工智能技術促進企業創新績效提升提供持續支撐。這證實了新質生產力是當前和未來實現經濟高質量發展的強大動力，能夠為中國經濟的持續健康發展不斷注入新活力。新質生產力賦能作用時間異質性的回歸結果如表6列（3） 和列（4） 所示。從中可以看出，在2019年之前，人工智能技術與新質生產力交互項的系數不顯著；在2019年及之后，人工智能技術與新質生產力交互項的系數為0. 3491，且在5%水平上顯著，說明新質生產力培育到一定程度后，其對人工智能技術提升企業創新績效的賦能作用開始逐步顯現并逐年增強。

本文從構成新質生產力的科技創新（innov）、算力基礎（com_base）、數據支持（data_sup）和算法應用（alg_app） 4個維度分別檢驗新質生產力對人工智能技術提升企業創新績效的賦能作用，回歸結果如表6列（5） 至列（8） 所示。從中可以看出，列（5） 中，人工智能技術與科技創新交互項的系數為0. 3155，且在5%水平上顯著。列（6） 中，人工智能技術與算力基礎交互項的系數為0. 3070，且在5%水平上顯著。列（7） 中，人工智能技術與數據支持交互項的系數為0. 1907，但不顯著。列（8） 中，人工智能技術與算法應用交互項的系數為0. 2224，且在10%水平上顯著?？萍紕撔率峭苿有沦|生產力發展的“牛鼻子”，其與人工智能技術交互項的系數最大，對于人工智能技術提升企業創新績效的賦能作用最大。攻堅核心技術、推進科技創新成果轉化、提高關鍵領域自主創新能力，將大力賦能人工智能技術對企業創新績效的提升作用。算力基礎是數字化浪潮中的發展基石，促進算力基礎水平提升是大力發展以人工智能技術為代表的各項數字技術的關鍵，能增強人工智能技術對企業創新績效的提升作用。算法應用是數字化浪潮中數字技術轉化落地的關鍵，該維度對于人工智能技術提升企業創新績效的賦能作用相對較弱，說明當前數字技術轉化落地的應用場景還不夠豐富，需要進一步拓展，增強其對于人工智能技術促進企業創新績效提升的賦能作用。上述結果說明，新質生產力對人工智能技術提升企業創新績效的賦能作用主要來自科技創新、算力基礎和算法應用3個維度。

七、研究結論與政策建議

（一） 研究結論

人工智能技術具有溢出帶動性很強的“頭雁”效應，是實現技術進步和高質量發展的關鍵。人工智能技術的迅速發展和普及，對經濟高質量發展具有重要意義。新質生產力的提出為推進中國式現代化指明了方向?，F有研究多從理論闡釋角度對新質生產力開展研究，對新質生產力作用機制的量化分析尚顯不足。本文將人工智能技術、企業創新績效和新質生產力納入同一分析框架開展系統性分析。本文選取2015—2022年中國A股上市公司數據和測算得到的新質生產力指數，運用雙向固定效應模型實證檢驗了人工智能技術對企業創新績效的影響及作用機制，并進一步檢驗了新質生產力的賦能作用。基準回歸結果表明，人工智能技術顯著提升企業創新績效，在進行內生性問題處理和一系列穩健性檢驗后，結論穩健可信。異質性分析結果表明，人工智能技術對企業創新績效的提升作用在新質生產力水平高的地區、民營企業、技術密集型行業和低污染行業中更為顯著。中介效應檢驗結果表明，人工智能技術通過增強企業自主創新能力和實現企業研發技能升級提升企業創新績效。調節效應檢驗結果表明，新質生產力能夠賦能人工智能技術提升企業創新績效，這一賦能作用具有動態影響效應，新質生產力在長期仍能為人工智能技術促進企業創新績效提升提供支撐，對新質生產力的分維度檢驗發現，當前新質生產力的賦能作用主要源自科技創新、算力基礎和算法應用3個維度。

（二） 政策建議

基于上述研究結論，本文提出如下政策建議：

第一，持續加強對人工智能技術研發與創新的支持。本文研究發現，人工智能技術顯著提升企業創新績效。人工智能技術是數字經濟時代最為核心的前沿技術，且仍在快速發展中，持續加強對人工智能技術研發與創新的支持有利于增強中國在數字經濟時代的國際競爭力，為實現經濟高質量發展提供強大動能。中國應該加大對于人工智能技術領域基礎研究和應用研究的支持力度。首先，以公共財政牽頭，增加市場和社會資本的多元化投入，擴大對人工智能技術的支持范圍。其次，要進一步鼓勵相關企業增強與高校、科研院所的合作，面向產業一線的研發需求，集中科研力量攻關，使科技創新成果更好地服務于現實經濟發展需要，切實提高科技成果落地轉化率。最后，應重點加強人工智能技術人才隊伍的建設，尤其要在全球范圍內吸引最優秀的人工智能技術人才，為中國人工智能技術發展提供人才支撐。

第二，繼續推動人工智能技術與實體經濟深度融合。本文研究發現，人工智能技術對企業創新績效的提升作用在民營企業、技術密集型行業和低污染行業中更為顯著。中國應該持續推動人工智能技術與實體經濟融合，為實體經濟發展增添數字技術新動能，并為不同特征的企業提供異質性的政策支持。具體來說，首先，應進一步開展并落實“人工智能+”行動，支持企業與高校、科研院所開展產學研創新聯合體建設，推進人工智能技術產業化，促進企業應用人工智能前沿技術，解決企業對于人工智能技術“不愿用、不會用、不能用”的現實困境，進一步挖掘和拓展企業應用人工智能技術的應用場景。特別是對于傳統產業，要重視對于企業管理者的數字化思維引導，強調當前數字經濟時代人工智能技術的重要性，梳理潛在的人工智能技術應用場景，挖掘企業數字化轉型的潛能，通過落實“人工智能+”為企業降本增效、提高競爭力。其次，應針對不同行業和企業制定差異化、針對性的人工智能技術推進政策，對于民營企業，通過拓寬融資渠道、簡化行政審批，增強民營企業應用人工智能技術的動力；對于技術密集型行業，通過制定行業普惠性的稅收減免政策，支持企業利用人工智能技術進行產品創新；對于低污染行業，通過環保補貼、提供綠色專項信貸等方式，激勵企業應用人工智能技術促進其實現綠色可持續發展。

第三，促進企業人工智能領域自主創新能力提升和研發技能升級。本文研究發現，人工智能技術通過增強企業自主創新能力和實現企業研發技能升級提升企業創新績效。中國應鼓勵企業在人工智能領域增強自主創新能力和實現研發技能升級，促進企業培植核心競爭力，實現高質量發展。具體來說，首先，應設立人工智能技術的公共創新平臺，為企業提供技術交流、資源共享的機會，進一步降低企業獲取人工智能技術相關知識的成本。其次，通過設置專項資金，鼓勵企業加大對于人工智能技術的研發和應用，為企業內部積累人工智能技術相關知識提供助力。再次，引導高校進一步完善人工智能領域人才培養體系，增加人工智能相關專業招生名額，優化專業課程設置，提高課程教學質量，培養和引進高水平專業教師，培養既有扎實的理論基礎，又有豐富的實踐技能的人工智能技術高素質人才。最后，加強人工智能技術的知識產權保護，確保企業在人工智能技術相關領域的創新成果權益得到充分保障，激勵企業持續在自主創新能力提升和研發技能升級中加大投入。

第四，堅持加快發展新質生產力。本文研究發現，新質生產力能夠賦能人工智能技術提升企業創新績效且人工智能技術對企業創新績效的提升作用在新質生產力水平高的地區更強。進一步發展和提升新質生產力水平，是當前和未來推進中國式現代化的重要途徑。具體來說，首先，在新質生產力水平較高的地區，要強調鍛長板，側重加強對重點產業的政策支持和資金支持，鼓勵重點產業中的企業應用人工智能技術促進高質量發展。對于新質生產力水平低的地區，要強調補短板，加強新型數字基礎設施建設，加大人才引進力度，增加人工智能技術培訓，提升地區的發展潛力。其次，中國應進一步全面深化改革，塑造與新質生產力相適應的生產關系。聚焦重點領域，破除制約科技創新的思想障礙和制度藩籬，推進科技創新和制度創新的“雙輪驅動”，促進各類優質生產要素向新質生產力流動，實現高質量發展。

第五，因地制宜發展新質生產力，優化區域發展策略。加快形成和發展新質生產力能夠為當前和未來中國經濟實現持續增長、結構優化、高質量發展提供不竭動力，針對中國地區之間新質生產力發展不平衡的現狀，各地要因地制宜發展新質生產力，優化區域發展策略。新質生產力的賦能作用并不是一蹴而就的，當前應大力發展新質生產力、提升新質生產力水平，以新質生產力的發展賦能企業發展，助力傳統產業改造升級、促進新興產業快速發展、培育未來產業茁壯成長，以新質生產力的發展推動經濟高質量發展，從而實現中國式現代化。

參考文獻：

［1］ 程恩富，陳健.大力發展新質生產力加速推進中國式現代化［J］.當代經濟研究，2023（12）：14-23.

［2］ 高帆“. 新質生產力”的提出邏輯、多維內涵及時代意義［J］.政治經濟學評論，2023，14（6）：127-145.

［3］ 周文，許凌云.論新質生產力：內涵特征與重要著力點［J］.改革，2023（10）：1-13.

［4］ 劉志彪，凌永輝，孫瑞東.新質生產力下產業發展方向與戰略——以江蘇為例［J］.南京社會科學，2023（11）：59-66.

［5］ 沈坤榮，金童謠，趙倩.以新質生產力賦能高質量發展［J］.南京社會科學，2024（1）：37-42.

［6］ 石建勛，徐玲.加快形成新質生產力的重大戰略意義及實現路徑研究［J］.財經問題研究，2024（1）：3-12.

［7］ 楊丹輝.科學把握新質生產力的發展趨向［J］.人民論壇，2023（21）：31-33.

［8］ 蒲清平，黃媛媛.習近平總書記關于新質生產力重要論述的生成邏輯、理論創新與時代價值［J］.西南大學學報（社會科學版），2023，49（6）：1-11.

［9］ 蔡湘杰，賀正楚.新質生產力何以影響全要素生產率：科技創新效應的機理與檢驗［J/OL］.當代經濟管理，（2024-05-10）［2024-06-24］.http：//kns.cnki.net/kcms/detail/13.1356.f.20240509.1637.009.html.

［10］ 王煜昊，馬野青.新質生產力、企業創新與供應鏈韌性：來自中國上市公司的微觀證據［J］.新疆社會科學，2024（3）：68-82+177.

［11］ 張彭.數字新質生產力與全球價值鏈嵌入：理論機制與實證檢驗［J］.當代經濟研究，2024（5）：75-86.

［12］ 杜傳忠，疏爽，李澤浩.新質生產力促進經濟高質量發展的機制分析與實現路徑［J］.經濟縱橫，2023（12）：20-28.

［13］ 謝伏瞻.論新工業革命加速拓展與全球治理變革方向［J］.經濟研究，2019，54（7）：4-13.

［14］ 程文.人工智能、索洛悖論與高質量發展：通用目的技術擴散的視角［J］.經濟研究，2021，56（10）：22-38.

［15］ 陳龍，劉剛，戚聿東，等.人工智能技術革命：演進、影響和應對［J/OL］.國際經濟評論，（2024-05-21）［2024-06-24］.http：//kns.cnki.net/kcms/detail/11.3799.F.20240520.1636.002.html.

［16］ 杜傳忠，曹效喜，任俊慧.人工智能影響我國全要素生產率的機制與效應研究［J］.南開經濟研究，2024（2）：3-24.

［17］ 任英華，劉宇釗，李海彤.人工智能技術創新與企業全要素生產率［J］.經濟管理，2023，45（9）：50-67.

［18］ 劉艷霞.數字經濟賦能企業高質量發展——基于企業全要素生產率的經驗證據［J］.改革，2022（9）：35-53.

［19］ 錢錫紅，楊永福，徐萬里.企業網絡位置、吸收能力與創新績效——一個交互效應模型［J］.管理世界，2010，26（5）：118-129.

［20］ 唐源，邵云飛，陳一君.跨界行為、知識整合能力對企業創新績效的影響研究：基于知識獲取和資源損耗的作用［J］.預測，2020，39（4）：31-37.

［21］ 趙立雨.內部RD投入、外部資源獲取與績效關系研究［J］.科研管理，2016，37（9）：11-19.

［22］ CALANTONE R J，STANKO M A. Drivers of outsourced innovation： an exploratory study［J］. Journal of product innovation management， 2007，24（3）：230-241.

［23］ 陳勁，陽銀娟.外部知識獲取與企業創新績效關系研究綜述［J］.科技進步與對策，2014，31（1）：156-160.

［24］ LOS B，VERSPAGEN B. R&D spillovers and productivity： evidence from U. S. manufacturing microdata［J］.Empirical economics， 2000，25（1）：127-148.

［25］ 陳鈺芬，陳勁.開放式創新促進創新績效的機理研究［J］.科研管理，2009，30（4）：1-9+28.

［26］ 張公一，孫曉歐.科技資源整合對企業創新績效影響機制實證研究［J］.中國軟科學，2013（5）：92-99.

［27］ 呂越，谷瑋，包群.人工智能與中國企業參與全球價值鏈分工［J］.中國工業經濟，2020（5）：80-98.

［28］ 羅佳，張蛟蛟，李科.數字技術創新如何驅動制造業企業全要素生產率？——來自上市公司專利數據的證據［J］.財經研究，2023（2）：95-109+124.

［29］ 余義勇，楊忠.從追趕到前沿：后發企業自主創新能力演化路徑研究——基于“政府—市場”雙元驅動視角［J］.南京社會科學，2023（12）：25-35.

［30］ 顧麗敏，李嘉.人工智能對企業知識管理的影響研究［J］.學海，2020（6）：39-44.

［31］ 張省，周燕.人工智能環境下知識管理模式構建［J］.情報理論與實踐，2019，42（10）：57-62.

［32］ 杜傳忠，疏爽.人工智能與經濟高質量發展：機制、成效與政策取向［J］.社會科學戰線，2023（12）：78-87+281.

［33］ 周文，劉守英，鄭紅亮，等.專題筆談：發展新質生產力的理論與實踐問題［J］.東北財經大學學報，2024（4）：3-18.

［34］ 郭晗，侯雪花.新質生產力推動現代化產業體系構建的理論邏輯與路徑選擇［J］.西安財經大學學報，2024，37（1）：21-30.

［35］ 吳非，胡慧芷，林慧妍，等.企業數字化轉型與資本市場表現——來自股票流動性的經驗證據［J］.管理世界，2021，37（7）：130-144+10.

［36］ 王雄元，秦江緣.創新競爭與企業高質量創新模式選擇——來自專利被無效宣告的經驗證據［J］.經濟研究，2023，58（11）：80-98.

［37］ 李強，紀佳君，曾勇.RD投資、一般性資本支出與股票收益：增長期權的視角［J］.管理工程學報，2018，32（1）：196-203.

［38］ 周念利.中國服務業改革對制造業微觀生產效率的影響測度及異質性考察——基于服務中間投入的視角［J］.金融研究，2014（9）：84-98.

［39］ 金祥義，張文菲.人工智能與企業出口擴張：貿易革命的技術烙?。跩］.國際貿易問題，2022（9）：70-87.

［40］ 張三峰，徐心悅“. 技能偏向型”技術進步、就業結構升級與勞動力成本上漲［J］.閱江學刊，2022，14（2）：121-132+175.

［41］ 姜昊，董直慶.人工智能技術應用會存在選擇性偏向嗎？——行業屬性與就業偏向［J］.南方經濟，2023（12）：37-61.

（責任編輯：巴紅靜）