企业人工智能战略驱动因素研究

刘英铎 陈奕

摘 要： 随着人工智能技术的发展，越来越多的企业开始采用人工智能技术作为企业转型发展的战略，然而现有研究尚未很好解释企业成功开展人工智能战略的驱动因素。基于资源基础理论，对内外部环境中的分类变量进行One-Hot编码，将企业采用人工智能战略前后CAGR的差值作为因变量，在对各变量进行最大最小归一化后构建了LASSO回归模型，通过LASSO模型筛选出47个具有显著影响因素的变量，再用被筛选出的47个变量构建CART算法的决策树，探索企业人工智能战略的条件。研究发现，企业在销售净利率、市净率、是否为美元股票、每股现金流量净额、每股净资产、存货周转率、管理费用占比、非流动负债占比、归属母公司的利润占总利润的比例以及总市值等方面满足一定的条件，则更有可能成功开展人工智能战略。

关键词： 人工智能战略;CAGR;LASSO回归;CART决策树;资源基础理论

中图分类号： F 27   文献标志码： 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 文獻综述和理论基础

1.1 文献综述

根据本文对人工智能战略的定义，国内外相关研究可以被分为三个层次。第一个层次主要探讨了企业在实际的运营和管理中对于人工智能技术的应用，第二个层次则主要针对企业采用人工智能战略时应具备的条件，第三个层次研究了对目前企业开展人工智能效果的评价。

大量对于人工智能在企业运营管理中应用的研究集中在销售、战略决策、财务和风险控制领域。Lee等人（2012）研究了便利店行业中应用混合人工智能的销售预测系统。Francisco等人（2013）概述了自20世纪70年代起，应用于产业市场营销的人工智能系统研究，并对这一领域未来的发展做出了预测。Gavai等人（2015）研究了对来自企业内部社群和实时在线数据的内部威胁进行侦测的有监督的和无监督的方法。Chen等人（2010）探讨了人工智能技术在虚拟企业风险管理领域的应用。Kosowski和Gola（2016）探讨了应用人工智能方法的基于风险的制造订单成本的估算方法。Pavlenko等人（2017）研究了人工智能方法在虚拟企业交通物流问题方面的应用，并提供了一个解决方案。针对企业财务风险问题，林颖华等人（2017）使用基于关联规则挖掘的方法构建新的分析模型，挖掘了企业风险指标的类型和规则数量，进而探讨了企业多个财务指标之间的相互作用和联系，并提出了关于企业财务风险防范的建议。

对于企业开展人工智能战略的条件主要还集中在商务智能应用的条件下。Kokin（2014）利用Smart-PLS软件，采用统计分析方法和结构方程建模分析和检验了企业商务智能能力间的关系和企业智能能力对其商务智能应用成功的影响。Williams等人（2007）认为衡量一个企业是否具备应用商务智能的条件主要有以下几个因素：企业战略的配合、持续提升的企业文化、关于应用和分析信息的企业文化、商务智能投资组合的管理能力、决策流程工程化的文化、商业智能和数据仓库的技术基础，以及商业或信息技术的合作伙伴。徐贵宝（2018）认为，开展人工智能战略必须有适合的场景，或可以将现有技术改造以适应场景，开展人工智能也必须有足够的前期业务数据和流程数据的积累。刘玉然（2003）认为，开展人工智能战略首先需要企业具备高水平的企业管理能力，其次是需要对企业的计算机应用系统进行集成，实现企业各部门之间的数据共享，最后是要具备在战略数据规划基础上建设的主题数据库。

对于人工智能战略开展效果也存在较多研究。覃姗姗和钟书华（2017）利用AHP层次分析法分析了中国33个上市企业开展人工智能战略的效果，得出了企业智能专业化的排名。潘可可（2018）对人工智能企业科大讯飞的盈利质量进行了分析，研究表明科大讯飞的盈利能力不断下降、盈利持续稳定性不足，其盈利质量存在隐忧。

可以发现，目前的研究主要集中于人工智能技术的开发和应用，缺少专门对于进行人工智能应用的企业所需具备的先决条件的研究。事实上，大量企业盲目开展人工智能方向的投资，其结果并不理想。采用人工智能战略的确具备提升企业竞争力的功能，但由于缺乏关于如何开展以及如何评价人工智能战略的研究，企业很难获得是否投资于人工智能战略的专业指导。中国的人工智能研究才刚刚起步，过分强调大数据、云计算、深度学习等技术而忽视了对于技术应用的主体企业的指导性研究，过度的重技术、轻管理很可能导致这一领域的研究事倍功半。

因此，本论文将着力于分析企业如何判断是否具备开展人工智能战略的条件，并利用量化分析的手段以求更为严谨地建立起相应的模型。

1.2 资源基础理论

资源基础理论诞生于80年代中期。Wernerfet（1984）认为，公司的内部资源对于公司的运营和获利以及维持较强的竞争能力至关重要。Wernerfet的研究意味着资源基础理论的诞生，他的观点对此后多年的企业战略理论研究产生了重要的影响。Conner（1991）在Wernerfet的基础上完善并系统地阐述了企业资源学说，即考虑了企业外部的产业环境分析又考虑内部的资源分析的一种全新的企业理论。Collis和Montgomery（1995）强调了企业资源价值的评估不能局限于对于企业内部的分析，而应当结合其所在的产业环境展开全面的比较性分析。经过80年代末至90年代初的发展，资源基础理论，也即企业资源学说，已经成为企业战略管理理论中的一个重要分支。

根据Maijoor等人（1996）的定义，企业资源学说结合了内部组织能力理论与外部竞争战略理论。基于企业资源学说，企业制定相关战略需要考虑其具有的内部资源和其所处的外部环境，根据外部环境合理配置内部资源才能制定出切实有效的企业发展战略。

Maijoor等人（1996）认为，基于資源基础理论，资源可以被分为有形资源与无形资源，而能力则可以被定义为应对快速变化的外部环境，企业整合、配置与利用企业资源从而形成竞争优势的能力。资源基础理论认为企业的竞争力来自使得公司区别于竞争者的资源组合。因此，企业开展人工智能战略是通过区别于其他竞争者的人工智能能力获得优异效益的资源配置过程。

因此，本研究在建立判断企业是否具备开展人工智能战略的条件的模型时，也将从考虑企业的外部竞争和内部能力出发。

衡量外部竞争的因素主要为企业所在行业和企业总部所在的国家或地区，不同的国家或地区和行业代表不同的市场，从而在一定程度上代表了企业所在市场的竞争格局以及人工智能的发展情况。姜勇等人（2007）在《企业战略转型的本质及其影响因素分析》中阐述了企业外部环境，包括企业所在国家或地区的政策因素，对于战略转型的影响。以美国为例，伊昊智（2017）等在《人工智能各国战略解读：美国人工智能报告解析》中提到，美国政府将在政府部门中推广人工智能应用，加大政府在人工智能研究和人才培养方面的投入，并开发公共数据集。人工智能的国家战略将会推动人工智能的发展，为企业开展人工智能战略扫清障碍。

同时在企业所在行业方面，新兴产业的企业可能会有更大的可能性适应人工智能战略。徐贵宝（2018）认为开展人工智能战略需要企业加快制定智能化发展战略，加快人工智能技术的研究、应用和部署，积极进行智能化产品转化，积极开拓智能化市场，加大投资力度，加快人才聚集。相较于传统企业，新兴企业更易于吸纳人工智能人才，也更易于开展人工智能研究、应用和部署。

衡量内部能力的因素则主要在于企业的偿债能力、盈利能力、经营效率以及市值等财务指标，通过这些财务指标可以看出企业面对风险和应对竞争的能力。对于企业的内部资源而言，企业的各项财务指标，包括偿债能力、盈利能力、经营效率等，可以作为企业进行投资活动的重要影响因素。冯骁勇（2014）在《企业管理中的财务比率分析及运用》中论述了财务比率在企业管理中的重要作用。他认为财务比率可以为企业投资提供财务依据，通过合理的计算可以指导企业选择合适的投资项目。考虑到企业采用人工智能战略，开展新的人工智能应用可以被视为一种投资活动，因此各项财务比率在判断企业是否具备开展人工智能战略的判断上具有重要的指导作用。

2 研究一：影响企业成功采用人工智能战略的因素

2.1 研究问题

根据资源基础理论的分析，企业在决策人工智能战略时需要考虑的内部和外部的因素多且范围广。为了更好地针对其中较为重要的因子进行选择，本文建立了LASSO模型，通过实证分析筛选出对人工智能战略影响较大的因素。

2.2 研究方法介绍

LASSO（least absolute shrinkage and selection operator）是一种回归分析方法。LASSO在回归系数绝对值之和小于某个给定常数的约束条件下最小化回归模型的均方误差，由此求得最终的回归系数。由于上述约束，LASSO会产生一些值为0的回归系数。LASSO继承了岭回归的一些优点，同时也可以作为变量筛选的方法。LASSO可以有效降低多元回归分析中多重共线性的负面影响，适合稀疏数据的分析处理，同时也具备了更强的可解释性。

其中，βlasso为LASSO回归方程中的回归系数β的估计值。通过梯度下降等数值优化方法对上述目标函数进行计算，可以得到最终的回归系数的估计值。LASSO在获取更强的解释性和鲁棒性的同时，也付出了一定的代价，即作为一个参数模型，其参数估计是有偏的，且不具备相合性，因此可能存在模型相较普通最小二乘回归均方误差较大和R2较小的缺点。

LASSO所具备的特征表明，LASSO可以有效地从多个可能的自变量中提取出有效的（回归系数不为0的）变量，进而可以用于进行变量筛选。本文中可能会对企业能否成功开展人工智能战略产生影响的因素多达一百余个，其中可能存在部分不存在显著影响作用的因素，因此使用LASSO模型可以有效去除这些无关或不显著相关的因素。

2.3 研究指标的选取

2.3.1 自变量选取

本文搜集了财富500强上市公司的财务数据，其中145家曾在其官方白皮书或是年度报告中公布过其人工智能战略计划，因此本文选取这些公司作为分析的数据源。通过WIND金融终端，本文获取了这些公司在其公布开展人工智能战略的前一年的财务数据和这些公司总部所在的国家、公司所属行业等，将这些数据作为自变量。各类自变量及其具体意义如表1所示。

其中，各类变量中国家（或地区）、货币和行业指标为分类变量，不能直接代入LASSO回归模型计算，因此需要对这三类数据进行数值化编码。为保证LASSO回归模型的可解释性，本文采用One-Hot编码方法对其进行编码，即对于n分类数据，将其编码为n维向量，其中有且仅有一个分量取值为1，其余均为0。这一编码将离散特征的取值扩展到了欧氏空间，离散特征的某个取值则对应欧氏空间的某个点，使得距离计算更为合理。通过这一编码方式，原始数据得以扩充产生了较大的稀疏矩阵。考虑到LASSO的稀疏学习能力，采用这一编码方式可以被认为是相对合理的。

2.3.2 因变量的选取和意义

本文使用基于EPS（基本每股收益）的CAGR（compound annual growth rate）作为量化分析的因变量。CAGR即复合年均增长率，基于EPS的CAGR可以在一定程度上衡量企业在一定时期的增长情况。通过对于开展人工智能战略之前的CAGR和开展人工智能战略之后的CAGR做差，可以衡量企业是否成功地开展了人工智能战略。若这一差值为正，可以认为企业的人工智能战略是相对成功的，反之则认为其是相对失败的。考虑到EPS有可能为负数，传统的CAGR可能无法得出有效数值，因此采用近似的CAGR，其计算方法如下：

考虑到不同企业开展人工智能战略的时间不同，对于不同企业，CAGR计算的时段也不同。本文取企业宣布开展人工智能战略当年到其截至2018年末最后一次公布年报的时间跨度为分析时段长度，计算公司开展人工智能战略前后这一时段的CAGR并作差，将这一差值作为LASSO回歸模型的因变量代入模型进行计算。

2.3.3 数据清洗

由于各国采用的会计准则或是相关法律法规的差异，上述因素并非全部完整，部分变量存在一定的数据缺失情况。为减轻数据缺失对于最终回归模型的影响，本文对数据进行了清洗工作。数据清洗方法为均值填充。本文分别计算了每个变量在每个行业中的平均值，对于缺失数据使用其公司所在行业的平均值进行填充。

2.3.4 回归方程的计算

考虑到各个自变量的量纲不同，甚至可能存在数量级的差异，直接进行回归计算得到的回归系数无法直观地比较各个因素的影响程度，从而难以选出具有较大影响的因素。因此，本文认为在计算回归模型之前需要对数据进行归一化处理。本文使用了最大最小归一化方法对自变量和因变量进行处理，处理方法通过如下公式表示：

2.4 模型的建立

LASSO回归模型需要指定一个超参数，即LASSO的L1正则项系数，该参数无法通过特定算法计算，具有的一定的主观性。为避免过大的主观性，本文使用3折交叉检验的方法选择这一超参数。本文将所有数据分为三个部分，每次使用其中两个部分作为训练数据，剩余一个部分作为测试数据，计算测试数据训练平均R2得分，从1/0.1/0.01/0.005/0.001/0.0005/0.0001中选取得分相对较高且通过模型筛选的变量个数相对合适的参数作为最终参数。

通过交叉检验，本文选择0.0005作为LASSO回归模型的L1正则项系数，在该系数的模型下，测试集平均R2得分为0.698，可以认为模型在较大程度上解释了各个因素对于因变量的影响。在包含One-Hot编码在内的107个自变量中，有60个自变量的回归系数为0，因而抛去，剩余47个变量可以被认为是对于因变量有显著影响的因素。但考虑到数据已经进行了归一化处理，每个变量回归系数绝对值的大小可以被理解为该变量对于因变量的影响程度，因此可以将回归系数绝对值小于0.05的变量视为影响较小的因素，从最终模型中去除，进而得到以上回归结果。

2.5 研究结果

借助python编程语言和相关数据分析包，本文得到了最终回归模型。以图片形式表示所有回归系数绝对值大于0.05的自变量及其回归系数，如图1所示。

通过上述LASSO回归模型的计算结果，可以看出少数几个变量对于企业是否能够开展人工智能战略产生了较大的影响。因此，本文将尝试对这些变量的影响作用进行解释。

每股现金流量净额与企业总市值与人工智能战略转型的成效呈现正相关关系，这是符合常识的。充足的现金流和较高的市值可以保证企业能够支撑人工智能战略转型所需的高额研发费用，为企业的技术进步保驾护航。

与因变量负相关性最大的变量为市净率，即股价与其账面价值的比率。这一比率越高则说明企业存在较高的无形资产或一定的风险溢价，由于无形资产无法通过常规途径变现，它从侧面表明了企业可变现投入人工智能技术研究的资本相对不足，因而市净率过高可能不利于企业的新技术转型。

值得注意的是企业经营性现金流、投资回报率、销售毛利率以及权益回报率与人工智能战略转型的成效呈负相关关系，而营业外收入净额在总收入的占比、管理费用的占比则呈现出正相关关系。这一现象看似不符合直觉，但是是可以解释的。企业经营性现金流、投资回报率以及权益回报率较高而营业外收入净额在总收入的占比较低，实际上表明了企业在现有主营业务下具有良好的收益，而可以进一步发展的非主营业务收入较低，企业没有开展基于人工智能技术的新业务的客观必要性。盲目开展人工智能技术的研究可能会占用较大的货币资本和人力资源，从而对其传统主营业务的正常运转造成挤压，最终反而不利于企业的战略转型。企业的市销率、税项占比与因变量的正相关关系也在一定程度上印证了这一观点，市销率越高说明企业主营业务在总业务中的占比相对越低，税项占比越高说明主营业务产生的税务费用相对较高，这两点则从侧面表明了企业开展新业务的客观必要性。

除上述因素之外，企业的总资产周转率与企业人工智能战略转型的成效呈现正相关关系，这说明了企业的偿债能力是企业开展新技术研發的重要保证，良好的偿债能力可以支撑企业获取较多的贷款以进行新技术的研发工作。

在行业和国家方面，上述回归模型的结果显示，运输业、航空航天和国防工业与最终人工智能战略转型的成效呈现明显的正相关关系，因此可以认为这两个行业在当前具有较好的人工智能技术应用空间，开展人工智能战略相较其他行业具有较高的发展前景，这与当前人工智能技术的发展情况是相符的。值得注意的是以澳元作为上市货币的企业具有一定的发展优势，这可能与澳大利亚的相关政策有关，也有可能是澳大利亚上市公司的数据量过少造成的误差，此处存疑。

3 研究二：企业如何判断是否具备开展人工智能战略的条件

3.1 研究问题

由于LASSO本质上仍是线性回归，它只能揭示自变量与因变量之间的线性关系或是趋势关系，对于非线性关系可能无法得到较好的成果，并且这一模型在指导企业决策方面不够直观。因此，本文的研究二基于研究一得出的47个重要因子建立决策树模型，对企业开展人工智能战略的成效进行进一步分析。

3.2 研究方法介绍

本文使用基于Gini系数的CART决策树模型，即分类回归数（classification and regression tree）。决策树通过对不同属性或自变量的节点的划分，把样本经过多层判断，划分至不同的类别之中。CART模型在每个节点的判断只考虑二分类情况，其判断标准为Gini系数，Gini系数的计算方法如下：

式中：V表示属性a所有的可能取值;D表示样本集;Dv表示属性a取值为v的样本的集合;|Dv||D|表示属性a取为v时的样本数量和总体样本数量的比值。通过这一准则递归划分数据集，直至子数据集都属于同一类或者所有特征用光，最终得到完整的决策树模型。为避免过拟合，在决策树建立完毕后会进行剪枝，以确保模型的鲁棒性，并通过交叉检验验证模型的泛化能力。

这一部分本文所研究的问题为企业如何判断其是否具备成功开展人工智能战略的条件，这是一个二分类问题，并且回答这一问题所采用的量化模型需要具备一定的可解释性和良好的泛化能力，以指导企业判断自身是否具备该条件。考虑到决策树在分类问题中的优秀表现和其较其他分类方法更高的可解释性和鲁棒性，本文决定使用决策树模型尝试解决这一问题。

3.3 模型的建立

本文将通过LASSO筛选的全部47个变量作为CART决策树模型的自变量，以目标公司开展人工智能战略前后CAGR的差值为基础对数据进行标注，借助Python编程语言和相关数据分析程序包进行CART决策树模型的建立。此模型为二分类模型，本文将所有开展人工智能战略前后CAGR的差值为正的标注为类别“1”，开展人工智能战略前后CAGR的差值为负的标注为类别“0”。考虑到模型的可解释性，本文设置CART决策树最大深度不超过5层，最大叶节点个数不超过25个。

经过计算，本文得出了一个最大深度为5、最大叶节点数为25的决策树模型，如图2所示。

这一模型以树状结构描述了企业判断能否开展人工智能战略的决策步骤。针对决策树中所用到的各类属性，本文借助Gini系数计算了各个属性的重要性程度，并按照这一程度进行了排序，各属性的重要性如图3所示。

本文使用交叉验证的方法对模型进行检验，以确保模型没有陷入过拟合，保证决策树具有一定的泛化能力和鲁棒性。本文从所有数据中随机抽取30%作为测试数据，其余的作为训练数据，进行交叉验证所需的数据划分。

考虑到衡量分类器性能不能单纯运用分类正确率作为标准，因为可能会受到类别不均衡问题的较大影响，因此本文选择使用ROC曲线（receiver operating characteristic curve）作为模型在测试集上的性能度量。ROC同时考虑了模型的查准率和查全率，以真阳性率作为纵坐标、假阳性率作为横坐标绘制，这一曲线越靠近左上角说明模型的可靠性越高。本文通过计算ROC曲线下侧面积（AUC）的方式量化模型的可靠性，AUC大于0.5说明模型具有一定的正确性，这一数值越接近1说明这一模型越可靠。上述模型的ROC曲线如图4所示。

该模型的ROC曲线明显向左上角凸出，说明模型具有一定的正确性，模型的AUC达到了0.7583，可以证明这一模型具备一定的可靠性，可以在一定程度上指导公司判断其是否已经具备了开展人工智能战略的条件。

3.4 研究结果

如图3所示，决策树最终采用的属性主要为销售净利率、市净率、是否为美元股票、每股现金流量净额、每股净资产、存货周转率、管理费用占比、非流动负债占比、归属母公司的利润占总利润的比例以及总市值。

上述指标有部分在LASSO模型中回归系数小于0.05，被认为存在相关性但相关性相对不够明显。造成差异的原因可能在于，LASSO模型作为线性统计模型只能衡量各变量之间的线性相关性或趋势相关性，对于非线性问题可能表现不足。相对而言层数较深的决策树则可以在一定程度上应对非线性可分问题。

决策树模型显示，判断企业是否具备开展人工智能战略的条件应当首先考虑销售净利率。也就是说当主营业务发展良好的情况下，应当更谨慎地考虑人工智能战略转型，因为作为新兴技术，研发人工智能应用需要付出大量的人力物力成本，因而有可能造成对于主营业务的挤压，战略转型具有较大的机会成本，短期内有可能弊大于利。

若主营业务相对盈利能力不足，则说明企业进行人工智能战略转型具有一定客观必要性。在这样的情况下，企业应当注重其存货周转率，当周转率较高时可能暗示着盲目进行人工智能技术研究可能会影响企业的正常活动进而导致失败。若周转率相对不算太高，则应考虑母公司获取收益的占比。若母公司可以获取较高的收益，则说明母公司有能力主导整个企业，因而有利于开展公司层面的人工智能战略转型。若这一比率较低则需要考虑每股净资产，若净资产较高，则更易于获取较高的人工智能战略转型成效，反之则应当考虑市销率，市销率较高则说明企业更有可能成功开展人工智能战略。

若主营业务相对具有较高的营业能力，则公司进行人工智能战略转型面临失败的可能性相对较大。此时若市净率较低，企业进行人工智能戰略转型成功的可能性相对较低，反之则较高。这与LASSO模型的结论产生了冲突，究其原因可能在于此问题并非线性可分问题，而对于回归模型而言，部分样本点对回归曲线产生的影响可能较大。因而该模型仍有改进空间，AUC仅为0.75也说明此模型仍存在错误分类的可能。因此，这一决策树模型只能作为企业的参考，而不能盲目相信其量化分析结果。

对于市净率较高的企业，公司经营使用货币主要为美元则更有可能获取人工智能战略的成功。可能原因是美国作为人工智能技术领先的国家，其又有较为完善的人工智能国家层面的战略支持，开展人工智能战略相对面临的压力较小。而对于非美元国家，总资产周转率过低意味着长期偿债能力较差，可能容易造成新技术研发过大的资金压力，进而难以成功开展人工智能战略，反之则更易于成功。

4 结论

4.1 结论与建议

对于考虑人工智能转型的企业而言，本文通过量化实证研究主要提出了以下几点建议：

1. 企业需要具备充足的现金流和较高的市值，以保证企业能够支撑人工智能战略转型所需的高额研发费用，为企业的技术进步保驾护航。

2. 如果企业的经营性现金流、投资回报率以及权益回报率较高而营业外收入净额在总收入的占比较低，实际上表明了企业在现有主营业务下具有良好的收益，企业没有开展基于人工智能技术的新业务的客观必要性。盲目开展人工智能技术的研究可能会占用较多的货币资本和人力资源从而对其传统主营业务的正常运转造成挤压，最终反而不利于企业的战略转型。

3. 若主营业务相对盈利能力不足，则说明企业进行人工智能战略转型可能具有一定的客观必要性。在这样的情况下，企业应当注重其存货周转率，当周转率较高时可能暗示着盲目进行人工智能技术研究可能会影响企业的正常活动进而导致失败。

4. 运输业、航空航天和国防工业在当前具有较好的人工智能技术应用空间，开展人工智能战略相较其他行业具有较好的发展前景。

4.2 研究的不足

本文也存在以下几点不足：

1. 影响企业成功采用人工智能战略的内部因素主要集中于财务指标，但可能存在其他无法用财务指标衡量的因素。

2. 影响企业成功采用人工智能战略的外部因素仅有企业所在国家或地区、所属行业和股票发行所使用的货币，但可能存在其他重要因素。

3. 样本量相对较少且均为大型企业，可能缺乏一定的代表性。

4. 不同的人工智能战略可能存在差异，本文未探讨人工智能战略的差异性。

4.3 未来研究展望

未来的研究可以集中在财务比率以外扩展可能影响人工智能战略发展的因子，例如企业组织构架对于人工智能转型的影响。同时，随着人工智能应用的不断细分，可以将企业的人工智能战略划分为多种，例如基于人工智能本身的商业模式和在原有商业模式加入人工智能等。

参考文献：

[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] 倪义芳，吴晓波.论企业战略管理思想的演变[J].经济管理，2001（6）：4-11.

[5] 高莹.人工智能背景下企业财务转型探索[J].现代商业，2019（6）：155-156.

[6] 孙威.人工智能技术在企业招投标领域的应用研究[J].中国招标，2018（48）：23-24.

[7] 熊虎.人工智能时代企业财务审计的应用[J].现代营销（下旬刊），2019（3）：224-225.

[8] 梁婉容.人工智能在企业财务管理中的应用及展望[J].国际商务财会，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] 林颖华，陈长凤.基于关联规则的企业财务风险评价研究[J].会计之友，2017（1）：32-35.

[15] SERGEY K. BI能力对BI成功影响机理研究[D].哈尔滨：哈尔滨工业大学，2014.

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

[17] 徐貴宝.企业如何把人工智能战略落到实处[J].信息通信技术与政策，2018（8）：54-56.

[18] 刘玉然.谈谈人工智能在企业管理中的应用[J].价值工程，2003（4）：95-96.

[19] 覃姗姗，钟书华.我国人工智能企业智慧专业化评价——基于33个上市公司截面数据[J].科技与经济，2017，30（5）：6-10.

[18] 潘可可.人工智能企业盈利质量分析——以科大讯飞为例[J].中国市场，2018（18）：189-190.