国际书号

技术创新方向优秀论文范文参考——人工智能技术创新与中国企业高质量发展

分类:期刊常识 时间: 2025年7月25日 星期五 热度:744

  在数字化转型背景下,人工智能技术创新对企业高质量发展的影响备受关注。本文基于能力基础观,构建包含效益水平、创新活力等六维度的企业高质量发展指标,利用中国上市企业数据,实证检验人工智能技术创新的作用效果及内外部情境的调节效应。研究发现,人工智能技术创新通过培育核心能力、整体能力和动态能力,显著提升企业高质量发展水平,且在营商环境较差、企业成长性好、融资约束轻及业务复杂度高的情境下效应更强。研究为企业利用人工智能技术驱动高质量发展提供了理论与实践参考。

技术创新方向优秀论文范文

  中国经济已转向高质量发展阶段,企业作为微观主体,其高质量发展是宏观经济转型的基础。人工智能技术创新作为数字化技术的前沿领域,不仅能提升生产效率,还可能通过重塑企业能力体系驱动综合发展。然而,现有研究多聚焦人工智能应用或单维绩效,缺乏对技术创新维度的深入分析,且未系统探讨企业能力的中介作用及内外部情境的调节效应。本文基于能力基础观,构建多维指标体系,探究人工智能技术创新对企业高质量发展的影响机制与边界条件。

  二、理论分析与研究假设

  2.1 能力基础观与企业高质量发展

  能力基础观认为,企业竞争优势源于核心能力、整体能力和动态能力的协同作用:

  核心能力:人工智能技术创新通过深度学习、自然语言处理等技术,优化人才识别、知识创造和技术整合效率,强化企业核心业务竞争力。

  整体能力:借助智能数据分析和供应链协同,人工智能技术创新延伸企业价值链,提升客户管理、供应链整合及内部人力资源配置能力。

  动态能力:通过市场信号感知、资源重构等功能,人工智能技术创新增强企业应对环境变化的敏捷性,维持竞争优势。

  假设H1:人工智能技术创新能显著促进企业高质量发展。

  2.2 调节效应

  营商环境:良好的营商环境提供资源支撑,但可能弱化企业创新的边际需求;较差环境下,技术创新成为突破瓶颈的关键。

  假设H2:营商环境负向调节人工智能技术创新与企业高质量发展的关系。

  资源丰裕度:高成长性和低融资约束的企业具备更充足资源支持创新转化,强化技术创新的正向效应。

  假设H3a:企业成长性正向调节二者关系;假设H3b:融资约束负向调节二者关系。

  业务复杂度:复杂业务结构加剧资源协调难度,人工智能技术创新通过优化资源分配和监督机制,缓解管理效率问题。

  假设H4:业务复杂度正向调节二者关系。

  三、研究设计

  3.1 样本与数据

  选取20162022年A股上市企业,剔除金融、ST类企业及数据缺失样本,最终得到4000家企业的18082个观测值。数据来源于国泰安数据库、国家知识产权局等。

  3.2 变量测量

  被解释变量:企业高质量发展(Hqd),从效益水平、创新活力、绿色发展、开放程度、价值共享、风险管控六维度构建指标体系,采用熵权法赋权计算综合得分。

  解释变量:人工智能技术创新(AI),以企业人工智能相关专利申请量加1的自然对数衡量。

  调节变量:营商环境(BusEnvr)、企业成长性(Growth)、融资约束(FinConst)、业务复杂度(BusComp)。

  控制变量:企业规模、年龄、股权结构、治理特征及地区经济指标等。

  3.3 模型设定

  基准模型: [Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + ext{Controls}_{i,t1} + lambda_{ind} + lambda_t + varepsilon_{i,t}]

  调节效应模型: [Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + alpha_2 ext

  3.3 模型设定

  调节效应模型:

  [Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + alpha_2 ext{Moderator}_{i,t1} + alpha_3 AI_{i,t1} imes ext{Moderator}_{i,t1} + ext{Controls}_{i,t1} + lambda_{ind} + lambda_t + varepsilon_{i,t}]

  其中,( ext{Moderator}) 代表营商环境、企业成长性、融资约束及业务复杂度等调节变量。

  四、实证结果分析

  4.1 描述性统计

  高质量发展(Hqd):均值0.448,标准差0.091,企业间差异显著。

  人工智能技术创新(AI):均值0.197,标准差0.570,表明企业间技术创新水平分化明显。

  相关性分析:AI与Hqd显著正相关((p<0.01)),变量间无严重多重共线性。

  4.2 基准回归结果

  表5显示,无论是否控制变量,AI系数均显著为正((eta=0.0076),(p<0.01)),支持假设H1,即人工智能技术创新显著促进企业高质量发展。

  4.3 调节效应

  营商环境(BusEnvr):交互项系数显著为负((eta=0.0092),(p<0.1)),表明营商环境较差时,AI对高质量发展的促进作用更强,与假设H2一致。

  企业成长性(Growth)与融资约束(FinConst):Growth交互项显著正((eta=0.0045),(p<0.1)),FinConst交互项显著负((eta=0.0124),(p<0.01)),验证假设H3a和H3b。

  业务复杂度(BusComp):交互项系数显著正((eta=0.0002),(p<0.01)),支持假设H4。

  4.4 稳健性检验

  倾向得分匹配(PSM):匹配后AI系数仍显著为正((eta=0.0084),(p<0.01))。

  工具变量法:采用滞后电话普及率与互联网端口数交乘作为工具变量,两阶段回归显示AI拟合值系数显著正((eta=0.0438),(p<0.1)),排除弱工具变量问题。

  安慰剂检验与变量替换:随机分配AI值或替换Hqd测度方法(如TOPSIS、全要素生产率),结果稳健。

  五、结论与启示

  5.1 研究结论

  1. 直接效应:人工智能技术创新通过培育核心能力、整体能力和动态能力,显著提升企业高质量发展水平。

  2. 调节效应:

  外部营商环境较差时,AI的促进作用更显著;

  企业成长性高、融资约束轻或业务复杂度高时,AI的正向效应更强。

  3. 理论贡献:拓展了人工智能技术创新的经济后果研究,丰富了能力基础观的实证应用,完善了企业高质量发展的多维测度体系。

  5.2 实践启示

  战略层面:企业应重视人工智能技术创新的战略投入,尤其在资源丰裕或业务复杂时,需强化技术与业务的深度融合。

  环境适配:在营商环境薄弱地区,企业需更依赖技术创新突破发展瓶颈;在资源充足时,需优化资源配置以最大化AI效能。

  管理策略:结合业务复杂度,利用AI优化资源分配与监督机制,提升动态响应能力。

  5.3 研究局限与展望

  未区分人工智能技术创新与应用的差异,未来可对比两者效应;

  能力机制未通过实证检验,后续可结合问卷调查深入分析;

  可探索更多调节变量(如行业特征、政策支持)对AI效能的影响。

* 请认真填写需求信息,我们会在24小时内与您取得联系。

最新学术问答

高端学术 品质服务 符合规范 安全放心

点击咨询

sci期刊目录