人工智能通过技术赋能推动经济增长、产业变革与社会进步,其深度应用也将进一步提高生产效率,优化资源配置,并持续释放创新潜力。专精特新企业积极应用人工智能技术,对我国破解各种技术难题、实现高水平科技自立自强意义重大。基于2013—2022年937家中国专精特新上市企业的面板数据,实证检验人工智能技术对创新绩效的影响效应。
结果显示:人工智能技术能显著促进专精特新企业创新绩效的提升,且该结论在经过一系列内生性和稳健性检验后依然成立;机制分析表明,人工智能技术通过提升企业风险承担水平和缓解融资约束赋能专精特新企业创新;异质性分析发现,人工智能技术对非国有、大规模、高科技及东部和西部地区专精特新企业创新绩效的影响更为显著。研究结论为理解人工智能技术赋能专精特新企业创新绩效提供了新视角,同时为推动专精特新企业智能化转型提供了理论参考和决策建议。
数字经济时代,人工智能技术迅速发展,被视为增强经济竞争力和实现战略突破的核心支柱。推动人工智能与经济社会各领域深度融合,打造人工智能技术的先发优势并赋能创新活动,是形成新质生产力和促进经济高质量发展的关键。作为驱动各行业变革的新生动力,人工智能技术正全面渗透至企业运营的全流程,从根本上重塑企业原有的运营模式和创新方式,提高创新效率和有效性,进而影响企业的创新质量。
专精特新企业是指聚焦细分市场,具备专业化生产技术壁垒与精益管理能力,通过差异化特色产品及持续性技术创新实现高质量发展的中小企业群体。党的二十届四中全会将加快高水平科技自立自强、引领发展新质生产力作为战略任务进行专章部署,充分体现了党中央对科技创新的高度重视和殷切希望。在全球经济增速放缓、贸易保护主义盛行的国际形势下,掌握高精尖技术并不断提升自主创新能力是我国的必然选择。2021年1月,财政部、工业和信息化部联合印发《关于支持“专精特新”中小企业高质量发展的通知》,旨在支持中小企业创新,切实提升其自主创新能力,强化其创新主体地位,助力经济高质量发展。专精特新企业不仅展现出强劲的创新活力和发展潜能,还有助于提升我国产业链供应链的稳定性,从根本上增强经济韧性。然而,专精特新企业高质量创新发展面临一定的现实阻碍:其一,风险承受能力普遍较弱,有限的资源与较大的生存压力易引发管理层风险规避倾向,而高度专业化的技术路径依赖与狭窄的市场定位会进一步削弱其风险分散能力;其二,存在“融资难、融资贵”困境,由于自身可抵押资产较少、内部股权融资机制尚未完善等问题,企业难以获得有效资金支持以开展创新活动。因此,寻求推动专精特新企业创新发展的长效机制成为关键议题。人工智能技术可以促进企业的突破式创新和渐进式创新,显著提升企业的创新质量和创新绩效,并通过降低探索性学习的不确定性成本,提升解决方案的可行性。鉴于专精特新企业发展高度依赖持续创新,探讨人工智能技术对专精特新企业创新绩效的影响,对提升企业创新质量和国家整体科技创新水平具有重要的理论和实践意义。
现有针对专精特新企业创新绩效影响因素的研究大多聚焦公司治理、政策支持及产业环境等层面。企业推进数字化转型、聘用学术型高管、政府政策支持、扩大本土市场需求等均对专精特新企业创新绩效具有显著的促进作用;也有学者基于研发投入、研发能力、企业规模、资本结构、股权结构、融资环境及市场竞争力等7个前因条件,总结出专精特新中小企业创新绩效的提升路径。然而,鲜有学者探讨人工智能技术应用对专精特新企业创新绩效的具体影响。
企业风险承担水映其对风险的偏好程度和控制能力。风险承担水平较高的企业能够接受较大的投资风险,在投资项目时拥有更高的灵活度。现有研究普遍认为,企业风险承担水平的提升对创新绩效有积极作用。融资约束则是影响企业创新的另一重要因素。融资约束限制了企业获取资金的渠道,在一定程度上制约了企业创新能力和市场竞争力的提升。大量文献证实,融资约束对企业创新水平和创新绩效的提升具有显著的抑制作用,不利于企业的渐进式创新和激进式创新。然而,现有研究存在两方面不足:一是缺乏对人工智能技术如何影响专精特新企业风险承担水平及融资约束的探讨。虽有研究强调了数字经济和数字化转型对企业风险承担水平具有积极影响,且可通过提高企业信息透明度、降低融资成本等缓解融资约束,但作为数字化转型核心的人工智能技术,对企业风险承担水平与融资约束的影响机制尚未被深入挖掘。二是缺乏对企业风险承担水平和融资约束在人工智能技术影响专精特新企业创新绩效过程中的中介作用的揭示。人工智能技术既可通过数字化赋能企业创新能力,也能通过增加知识多样性、提高资源配置效率、促进知识溢出等方式,对企业创新产生积极影响。现有研究多从信息处理能力、动态适应性等视角解析其影响机制,较少将企业风险承担水平和融资约束纳为中介变量展开探讨。综上所述,人工智能技术与企业创新绩效的作用关系及影响路径仍存在诸多前沿性问题,亟待深入探索。
据此,本文基于风险偏好理论和动态能力理论,依托937家专精特新企业5 430个观测值,探讨人工智能技术对企业创新绩效的影响效应。本文可能的边际贡献如下:①阐明人工智能技术对专精特新企业风险承担水平和融资约束的影响,完善人工智能技术研究的理论框架,推动其与专精特新企业管理实践的深度融合;②结合风险偏好和动态能力理论,深入剖析专精特新企业人工智能技术应用对其创新绩效的影响效应及其中介机制,从而对既有研究形成重要补充;③将公司产权、规模、行业及区域等因素纳入模型进行异质性分析,为专精特新企业差异化发展指明方向。
人工智能技术是指以深度学习、强化学习与生成模型等机器学习算法为核心,通过数据驱动方式模拟人类学习、推理、决策等认知功能的技术集合体。企业主要借助自然语言处理、机器学习等技术,辅助或替代人脑完成预测或决策。而专精特新企业具有专业化、精细化、特色化和新颖化等典型特征,是积极应用人工智能技术以加速自身创新的活跃群体。
人工智能技术可以通过智能化手段优化传统业务流程和操作方式,释放人力资源,推动跨部门协作与信息共享,减少重复劳动和资源浪费,进而提升专精特新企业内部的资源配置效率;同时,人工智能技术的应用还能促进企业多类型资源的创新整合,提高企业对市场动态的适应能力,增强企业韧性。高韧性企业通常具备较强的学习适应能力,能够快速吸收新技术或新方法,加速技术创新进程。此外,人工智能技术重塑了市场现有的资源分配秩序,改变了市场竞争模式,倒逼企业持续寻求新的方法来解决技术开发过程中的问题,从而提高其创新效率。数据驱动决策通过客观分析突破决策者的理性局限,精准识别需求、预控风险,提升创新成功率并激发组织的创新动力。人工智能技术可以帮助专精特新企业有效识别和处理外部信息,支撑适配的技术管理决策。专精特新企业的发展高度依赖自主创新能力,而人工智能技术可以通过优化容错机制和增强知识吸收能力,提升其创新持续性。持续创新的企业能够及时捕捉市场需求和竞争环境的变化,不断在现有技术基础上深入研发,从而保持技术领先,提升创新绩效。基于此,提出如下假设。
企业风险承担水平是指其为追求更高利润而愿意承担由此带来的收益波动和潜在负面后果的意愿程度。专精特新企业专注于细分市场,其核心竞争力在于创新,而创新活动往往伴随高风险。风险偏好理论认为,风险厌恶型企业会因低估收益效用或高估损失概率而规避风险。大数据分析与技术预测模型等人工智能技术能够显著降低创新环境的不确定性,帮助专精特新企业更精准地识别技术机会与市场窗口,从而削弱管理者对创新风险的过度规避倾向;同时,智能知识管理系统能够加速内外部知识的获取、吸收与重组,显著提升知识整合效率,助力专精特新企业突破知识基础相对狭窄的瓶颈。随着人工智能技术应用的深入,企业风险监控与资源柔性配置能力增强,形成“可控风险区间”,进而提升专精特新企业对创新失败的承受力,激励其从事更高风险的突破式创新,提升对高风险项目的投资意愿。企业风险承担水平越高,其对不确定性高、回报周期长的项目的创新投入意愿就越强。专精特新企业的组织敏捷性及其在核心技术和细分领域的经验积累,使其在承担创新风险时具备独特优势。较强的风险承担能力可推动企业突破前沿技术、开拓新市场并激发人才创造力,进而在细分领域形成技术壁垒,占据市场先机,提高组织效能,最终将风险承担能力转化为可持续增长的创新绩效。
人工智能技术通过数据驱动的资源整合与敏捷响应,提升企业应对不确定性的能力。基于人工智能技术的智能生产与供应链优化可提升企业运营效率,进而释放更多资源投入高风险创新活动。人工智能技术还可通过降低风险感知与提升决策信心,推动企业从“风险规避”转向“理性冒险”,并借助智能决策来强化企业的风险控制能力。动态能力的提升赋予企业承担风险的实力,而风险偏好的优化则增强企业承担风险的意愿,二者协同推动创新绩效的提升。人工智能技术凭借强大的数据处理和分析能力,能够帮助专精特新企业精准识别风险和机遇,进而提升其风险承担水平,促进创新绩效提升。具体而言,人工智能技术通过处理海量数据,增强企业感知机会与威胁的敏锐度,凭借对市场数据、技术趋势的深度挖掘与分析,精准预测市场变化与技术发展方向,帮助专精特新企业提前识别潜在风险,进而为其加大创新投入提供决策依据与信心支撑。此外,人工智能技术还能优化专精特新企业决策流程,基于模拟和仿真等技术对创新项目的潜在风险和收益进行精准评估,有效缓解市场不确定性引发的风险恐惧。依据可靠的决策建议,专精特新企业将更积极地承担风险,探索新的业务模式并开展产品与服务创新,最终实现创新绩效的持续提升。基于此,提出如下假设。
H2:人工智能技术的应用通过提高企业风险承担水平来提升专精特新企业创新绩效。
融资约束是指信息不对称与代理冲突等问题引发的资源获取障碍,即企业外部融资成本高于内部资本成本而产生的融资限制。融资约束反映了企业获取外部资金的难度与成本,不仅限制了企业获取资金的渠道,还在一定程度上影响企业的创新能力和市场竞争力。我国中小板企业的创新持续性明显受到外部融资约束的制约,表现为创新投资高度依赖内源性现金流,而外源融资渠道不畅则导致创新动能衰减。当企业无法获得足够的资金支持时,其往往会改变发展战略并减少创新投资。
专精特新企业的融资困境,本质上缘于其核心资产的无形化、创新过程的高度不确定性以及技术价值的专有性等特征共同导致的内外部信息不对称。风险偏好理论认为,金融机构的风险厌恶行为主要源自信息不对称下的静态风险评估;而动态能力理论强调,企业应具备应对不确定性的动态调整能力。智能化技术赋能企业构建财务与非财务信息的融合披露机制,借助机器学习算法对专利文本、研发记录、供应链数据等多源异构数据进行深度挖掘与智能分析,将企业内隐的技术能力与外显的创新潜力转化为可量化、可验证的信用资产,进而提升价值信息的透明度与可信度。通过自然语言处理与知识图谱技术,人工智能系统能够解析非结构化数据,生成客观的技术竞争力评估与动态风险画像,为专精特新企业提供高效的价值信号传递工具,大幅降低外部投资者的信息甄别成本;同时,算法决策的自动化能够消解传统信贷审批的时滞黏性,缩短信贷决策周期,从而降低融资成本。此外,人工智能技术能够打通企业与风险投资、产业基金等股权融资渠道之间的信息壁垒,精准匹配企业技术优势与投资者偏好,提高融资对接效率。通过对企业动态能力提升与风险偏好优化的协同赋能,人工智能技术构建起“信息透明化—评估精准化—融资多元化—风险可控化”的融资支持体系,有效破解专精特新企业的融资瓶颈。随着融资约束的缓解,企业信贷可得性增强且资本成本降低,能够直接提升专精特新企业的研发投入规模与强度;稳定的资金支持有助于引进高端创新人才与先进研发设备;改善后的现金流状况还能增强企业对外部知识资源的吸收能力,促进创新生态的构建,从而提升专精特新企业的创新绩效。基于此,提出如下假设。
H3:人工智能技术的应用通过缓解企业融资约束来提升专精特新企业创新绩效。
本文以我国A股专精特新上市企业为研究对象,数据采集时间为2013—2022年。为避免异常值带来的误差,对样本数据进行以下处理:首先,剔除ST、*ST类上市公司样本;其次,剔除金融业上市公司样本;再次,剔除关键变量数据缺失较多的样本企业;最后,剔除研究周期内具有唯一观测值的样本企业。同时,对所有连续型变量实施1%分位数的双边缩尾处理。经过上述处理后,最终获得涵盖937家专精特新企业的5 430个样本观测值。样本数据来源于巨潮资讯网、中国研究数据服务平台(CNRDS)及国泰安数据库(CSMAR)。
鉴于专精特新企业专注于细分领域且所面临的模仿风险较低,其专利申报数量往往高于其他类型企业。本文采用专精特新企业独立和联合申请的发明专利总数(加1后取对数),作为企业创新绩效水平的衡量指标。
本文借鉴姚加权等的研究,运用年报文本分析法,通过统计企业年报文本中“计算机视觉”“图像识别”等73个预设人工智能关键词的出现频次,构建专精特新企业人工智能技术应用水平的衡量指标。具体而言,该指标为企业年报中人工智能关键词总数量加1后的自然对数值。
借鉴宋建波等的研究,采用盈余波动性指标来衡量企业风险承担水平。本文基于盈余回报率ROA来计算盈余波动性。其中,ROA为公司息税前利润(EBIT)与年末总资产(Asset)的比值。为消除行业系统性波动的影响,将企业当年盈余回报率与同期所处行业盈余回报率平均值的差值作为经行业调整的盈余回报率(AdjRoa)。最后,以三年期滚动窗口(t-1年至t+1年),计算企业经行业调整后的盈余回报率在该窗口内的标准差,并将其作为企业盈余波动性指标。该指标数值越大,表明企业的风险承担水平越高。参考Faccio等的研究,将该变量乘以100,以优化回归系数的显示效果,且该操作不影响结果的显著性水平。具体计算公式如下。
融资约束的代表性测度方法有KZ指数、WW指数及SA指数等。本文参考鞠晓生等的做法,选取SA指数衡量企业的融资约束水平。该方法在计算企业融资约束水平时,仅需使用企业规模与企业年龄两个相对稳定且外生性较强的变量,能有效规避潜在的内生性问题。SA指数值越大,表明企业面临的融资约束问题越严重。具体计算公式如下。
本文选择企业规模(SIZE)、企业年龄(AGE)、资产负债率(LEV)、总资产净利润率(ROA)、总资产增长率(AG)、独立董事比例(INDP)、管理层持股比例(Mshare)及研发强度(Rdintensity)作为控制变量。各变量及其说明如表1所示。
式(4)中:i表示专精特新企业;t表示年份;Innov表示专精特新企业创新绩效;AIT表示专精特新企业人工智能技术应用水平;Control表示控制变量;yeart表示年份固定效应;μi表示企业固定效应;εi,t为随机扰动项。为避免样本数据中潜在的组内自相关问题对统计推断的干扰,本文所有回归模型均采用企业层面的聚类稳健标准误进行估计。
为克服使用逐步回归法检验中介效应时可能产生的内生性偏误等问题,本文通过构建中介效应模型,检验专精特新企业人工智能技术应用对创新绩效提升的潜在中介机制。具体而言,选取企业风险承担水平和融资约束作为中介变量,以判断在人工智能技术应用影响企业创新绩效的过程中,上述变量是否发挥中介作用。具体模型设定如下。
式(5)—(6)中:RiskT和SA为中介变量,分别表示专精特新企业的风险承担水平和融资约束程度;其他变量定义与式(4)相同。
如表2所示,专精特新企业创新绩效的均值与标准差分别为2.291和1.177,表明样本企业间发明专利申请数量存在显著差异,反映出企业创新发展具有不平衡、不对称特征;人工智能技术应用水平的均值为1.245,标准差为1.406,表明样本企业在人工智能技术应用方面同样存在较大差异。相关性检验发现,人工智能技术应用水平与企业创新绩效呈显著正相关关系(r=0.214,P0.01),该结果在一定程度上验证了假设H1成立。同时,鉴于所有变量的方差膨胀因子(VIF)均小于临界值2,据此可判断模型不存在严重的多重共线 基准回归结果
基准回归结果如表3所示。本文采用递进式回归策略进行检验:列(1)为不加入控制变量且不控制固定效应的回归结果,显示人工智能技术对专精特新企业创新绩效的回归系数在1%的水平上显著为正,初步验证了假设H1;列(2)(加入控制变量)、列(3)(控制企业和年份固定效应)及列(4)(同时加入控制变量并控制企业和年份固定效应)的结果表明,人工智能技术对专精特新企业创新绩效的回归系数始终显著为正,证实了人工智能技术对专精特新企业创新绩效的促进作用具有稳健性,进一步验证了假设H1。
①工具变量法。人工智能技术与专精特新企业创新绩效之间可能存在互为因果关系及遗漏变量问题,均可能导致模型产生内生性偏误。一般而言,同地区、同行业且同期的其他上市企业的人工智能技术应用,虽会影响本企业的相关技术应用,但通常不会直接作用于本企业的创新绩效。基于此,本文选取同行业、同地区及同年度内所有专精特新企业人工智能技术水平的平均值作为工具变量,并采用两阶段最小二乘法(2SLS)进行回归分析,结果如表4中列(1)—(2)所示。工具变量相关检验结果表明:工具变量与内生变量数量一致;Kleibergen-Paap rk LM统计量显示工具变量不存在过度识别问题;Kleibergen-Paap rk Wald F统计量则显示其通过弱识别检验。这说明本文选取的工具变量具有有效性。列(1)的回归结果显示,工具变量在1%的显著性水平上对内生自变量存在正向影响;列(2)的回归结果显示,在处理了内生性问题后,人工智能技术对专精特新企业创新绩效的回归系数仍在5%的水平上显著为正。这说明人工智能技术与专精特新企业创新绩效之间的正相关关系依然成立,该结论与基准回归结果保持一致。
②倾向得分匹配法。本文以企业人工智能技术应用水平的均值为临界值,划分处理组和对照组;同时,选取企业规模、企业年龄、资产负债率、董事会规模、独立董事比例作为协变量,采用1∶1近邻非放回的逐年匹配方法,最终获得倾向得分匹配(PSM)结果。平衡性检验结果显示,匹配后所有协变量的T检验结果均不显著,表明处理组与对照组的协变量已无显著差异;此外,所有变量的标准差显著缩小,且标准化偏差均小于10%的经验临界值,说明PSM结果有效。基于匹配样本对模型(4)重新进行回归检验,结果如表4中列(3)所示,人工智能技术对专精特新企业创新绩效仍具有显著的促进效应。
①替换计量模型。考虑到企业创新绩效测度中,发明专利申请数据可能存在缺失,进而导致数据呈现左截尾分布(存在大量0值),本文采用Tobit模型进行稳健性检验。结果如表5中列(1)所示,更换回归模型后,人工智能技术的回归系数仍在5%的水平上显著为正,表明核心结论不受模型设定偏误的干扰,具备统计稳健性。
③剔除新冠疫情影响。在全球新冠疫情冲击下,技术研发受阻、供应链断裂、实验室运转受限等问题不仅延缓了人工智能技术的发展进程,也对企业创新绩效产生了负面影响。为排除该外部冲击的干扰,本文剔除新冠疫情影响年份,仅截取2013—2019年的样本数据进行检验,结果如表5中列(3)所示。在剔除新冠疫情影响后,人工智能技术对专精特新企业创新绩效的回归系数仍在10%的水平上显著,该结论与前文一致。
采用江艇的中介效应两步法进行检验:第一步,检验人工智能技术对专精特新企业创新绩效的直接效应,该步骤已在前文基准回归中完成;第二步,检验人工智能技术对中介变量(专精特新企业风险承担水平)的影响,结果如表6中列(1)所示。结果显示,人工智能技术对专精特新企业风险承担水平的回归系数为0.187,且在10%的水平上显著,表明人工智能技术能够显著提升专精特新企业的风险承担水平。已有研究证实,企业风险承担水平提升能够有效促进其创新绩效提升。从作用路径看,较高的风险承担水平能够推动专精特新企业主动投资不确定性高的研发项目,探索新兴技术和利基市场,更早捕获突破性机会并构建技术壁垒;同时,通过驱动技术试错与迭代、强化组织动态适应能力,助力企业在快速变化的环境中高效转化技术成果,进而提升创新活动产出效率,增强企业竞争优势,最终实现创新绩效的持续提升。综上,假设H2得到验证。
采用两步检验法:第一步,检验人工智能技术对专精特新企业创新绩效的直接效应,该步骤已在前文基准回归中完成;第二步,检验人工智能技术对中介变量(融资约束)的影响,结果如表6中列(2)所示。结果显示,人工智能技术对专精特新企业融资约束的回归系数为-0.268,且在10%的水平上显著,表明人工智能技术能有效缓解专精特新企业面临的内外部融资困境,降低融资成本并提高融资水平。现有文献表明,较低的融资约束会显著促进创新绩效提升。对专精特新企业而言,较低的融资约束是创新活动的关键保障,能为其提供充裕的内部资金和顺畅的外部融资渠道,进而有效缓解创新投资的长期性与不确定性带来的资源压力。这使得专精特新企业能够持续投资高风险研发项目,避免因短期资金不足中断有价值的长期探索,为创新绩效提升提供支撑。综上,假设H3得到验证。
4.1 产权异质性不同产权性质的专精特新企业在发展战略、融资约束、组织结构和经营方式等方面存在系统性差异。这种差异可能会影响企业创新的决策导向与实施路径,最终导致创新绩效的差异化表现。为检验该差异,本文将样本企业划分为国有企业和非国有企业两组进行回归,结果如表7所示。从列(1)—(2)中可以看出,人工智能技术对国有企业创新绩效的影响系数为负且不显著,对非国有企业的创新绩效则存在显著的正向促进作用。究其原因:国有企业管理层可能缺乏长期创新意愿,且企业内部激励相容机制缺位、监督问责制度不完善,导致企业创新动能系统性衰减,必赢国际437官方人工智能技术难以有效转化为创新绩效的提升;而非国有企业面临基于市场竞争的生存压力,其强烈的主动创新意愿与灵活的响应机制能充分激活人工智能技术的赋能价值,进而形成“技术—市场”双轮驱动的创新绩效动态提升路径。
专精特新企业虽以中小企业为主,但也包含规模较大的龙头企业,如中华老字号企业片仔癀、锂电池隔膜领域的恩捷股份等。本文以样本企业规模的中位数为界,将规模大于或等于中位数的企业划分为大规模企业,规模小于中位数的企业归为小规模企业,并再次进行回归分析,结果如表7所示。从列(3)—(4)中可以看出,仅在大规模企业中,专精特新企业应用人工智能技术对创新绩效存在显著的正向影响。究其原因:其一,大规模企业掌握大部分人工智能资源,且在细分领域具备技术积累与资源整合优势,使得人工智能可精准赋能其专业化创新;其二,由于小规模企业的资源获取能力有限,人工智能资源的垄断不仅提高了其获取关键技术的交易成本,还加剧了知识解码难度;其三,大规模企业组织架构成熟、数据治理完善,人工智能技术更易融入核心业务、强化创新链协同,从而显著促进创新绩效提升。
鉴于人工智能技术对专精特新企业创新绩效可能存在行业异质性影响,本文依据《上市公司行业分类指引》(2012年修订)与《国家重点支持的高新技术领域》两大标准,将样本企业划分为高科技企业和非高科技企业两类,实证检验人工智能技术对不同行业专精特新企业的差异化创新效应,回归结果如表7所示。从列(5)—(6)中可以看出,高科技企业应用人工智能技术对创新绩效的影响系数在5%的水平上显著;非高科技企业应用人工智能技术对创新绩效的影响系数虽为正,但未通过显著性检验。究其原因,高科技行业的专精特新企业拥有更丰富的技术人才、更完善的研究条件及标准化程度更高的专业数据积累,可通过吸收行业层面溢出的知识并整合高阶创新资源,进而显著提升创新绩效。
考虑到区域异质性可能影响结论,本文依据专精特新企业所属省份,将样本划分为东部地区、中部地区和西部地区企业等3组进行回归分析。表7中列(7)—(9)的回归结果显示:人工智能技术对专精特新企业创新绩效的促进作用在东部和西部地区更为显著,且均通过了10%水平的显著性检验;而在中部地区,该促进作用未通过显著性检验,即影响不显著。①从企业分布看,大多数专精特新上市企业集中于东部地区。该区域经济发达、数字化基础扎实且企业技术吸收能力较强,人工智能技术与高端制造、数字经济深度融合,直接赋能研发设计、供应链优化等核心环节,创新转化效率高。因此,人工智能技术渗透可显著促进东部地区专精特新企业创新绩效提升。②西部地区虽整体数字化水平较低,但在“双循环”“西部大开发”等政策的推动下,部分省份聚焦特色产业,通过人工智能技术精准突破农业等细分领域的技术瓶颈,形成“小而精”的赋能场景。因此,人工智能技术对西部地区专精特新企业创新绩效的影响同样较为显著。③中部地区专精特新企业可能仍以传统制造与中端加工为主,数字化转型投入相对不足,导致人工智能技术应用多停留在局部环节,难以系统性渗透至完整创新链。因此,人工智能技术对中部地区专精特新企业创新绩效的影响不显著。
5.1 研究结论和实践启示本文基于风险偏好理论和动态能力理论,探究人工智能技术对专精特新企业创新绩效的影响效应,得出如下结论:①人工智能技术对专精特新企业创新绩效具有显著的正向影响,即人工智能技术应用水平越高,专精特新企业创新绩效的提升越明显;②人工智能技术可通过提升风险承担水平和缓解融资约束赋能专精特新企业创新绩效提升;③异质性分析表明,人工智能技术对创新绩效的促进作用在非国有、大规模、高科技及东部和西部地区企业中更显著。
在政策端,构建覆盖技术基础、制度保障与政策支撑的三维赋能体系,推动人工智能技术与专精特新企业深度融合;在创新端,深化产学研协同,鼓励高校院所专利资源向企业流动;在产业端,加速数智化改造并强化产业链协同,推动链主企业向专精特新企业开放应用场景与供应链资源。
一是加大研发投入,开展人工智能技术行业大模型的研发,提升企业智能化水平;二是积极拓展应用场景,将人工智能技术应用于生产、管理、服务等各个环节,促进企业创新绩效提升,进而提高企业的市场竞争力;三是加强与高校、科研机构等创新主体的合作,引进先进技术与人才,优化内部管理,同步提升员工人工智能应用方面的素养。
利用人工智能技术深度赋能专精特新企业创新流程,通过预测市场趋势、优化研发路线、智能管控项目风险,增强对不确定性创新活动的管理能力,进而提升风险承担水平。在缓解融资约束方面,利用人工智能技术助力专精特新企业构建数字化风控体系,将专利、人才等“软信息”转化为可量化、可追溯的信用资产,以解决信息不对称问题;同时,依托人工智能数据,结合政府搭建的融资对接平台和创新金融产品,更精准地评估企业技术价值,并据此提供适配的信贷支持,突破融资瓶颈,最终形成“技术提升—风险管控—资金匹配”的良性循环。
本文仍存在一定的局限性。一方面,以A股专精特新上市企业为研究对象,探讨人工智能技术对创新绩效的影响效应,未涵盖专精特新非上市企业。未来研究可进一步搜集该类企业数据,提升研究的普适性。另一方面,采用年报文本分析法测度专精特新企业人工智能技术应用水平,可能存在年报虚假陈述或数据披露不足等问题,导致解释变量衡量不准确。未来研究可进一步探索更精准的测量指标,以提高测度的准确性。
本文来源于《创新科技》2025年第10期。潘宏亮,燕山大学经济管理学院教授,博士生导师;闫程程,燕山大学经济管理学院硕士研究生。文章观点不代表主办机构立场。