人工智能会改变制造企业的成本粘性吗？

岳宇君 顾 萌

(南京邮电大学 管理学院，江苏 南京 210003)

一、引言

“夫纤啬筋力，治生之正道也，而富者必用奇胜”(《史记·货殖列传》)，体现了考虑成本的重要性。成本粘性是成本的一种重要特征，它在一定程度上反映了企业管理的判断和选择。如果企业成本粘性过高，就会降低企业的经营效率，增加企业的经营风险[1]。人工智能作为第四次工业革命的核心驱动力，具有广泛渗透、数据驱动、系统智能等特征，为制造企业的技术改造、产业转型带来机遇，促进了制造企业高质量发展[2]。欧美日发达国家纷纷出台相关政策，推动人工智能在制造企业发展中的应用，旨在“智能制造”，重塑本国的制造业[3]。在此背景下，我国制造企业亦亟需转变发展模式，实现由大到强、由简单到复杂、由低端到高端的转移。为此，我国政府高度重视人工智能的发展和应用，并将其作为国家战略加以推进。然而，在宏观层面，受我国产业结构、发展阶段等因素影响，人工智能外溢条件发生变化，可能影响其经济效应[4-5]；在中观层面，由于我国制造业固定资产规模大、产业链长等原因，制造业与人工智能相结合，可能难以及时调整成本[6-7]；在微观层面，由于制造企业成本结构的复杂性，人工智能的经济特性是多样的，制造企业可能无法有效吸收新技术[8-9]。那么，人工智能对制造企业成本粘性有何影响，是提高还是降低，这是本文试图回答的问题。

目前关于人工智能的研究主要集中在人工智能的特征及其影响上，得出的结论如：人工智能具有渗透性、替代性、协同性和创造性的特点，能够促进国民经济各部门的高质量发展[10-11]；在技术领先、市场变化的行业，人工智能可以提高研发效率，准确预测与响应市场[12-13]；人工智能与制造业就业呈负相关，但当技术生产率超过门限值时，人工智能会促进制造业就业[14-15]。关于人工智能对经济管理影响的研究，已经从结论不统一转变为对其积极作用的肯定，已有研究不仅侧重于理论和模型的构建，还对影响路径进行了一些探讨，只是经济指标的构建主要集中在研发、就业两个方面。成本粘性作为一种经济现象，反映了企业成本随业务量变化的不对称性，表现为业务量上升时企业成本的变化率大于业务量下降时的变化率[16]。学者们通常将成本粘性的动因归纳为：(1)调整成本观点。作为管理者承诺的资源投入，向下调整的成本通常高于向上调整的成本，企业收益减少时管理者不愿意同比减少资源的投入，从而产生成本粘性[17-18]。(2)代理冲突观点。作为企业受托责任方，职业经理人在调整资源投入时会产生利己行为，倾向于在业务量增长时过多地增加资源投入，在业务量缩减时则拒绝减少资源投入，从而提高成本粘性[19-20]。(3)管理层乐观预期观点。管理层对企业未来的乐观预期导致成本随业务量涨跌的变化幅度呈现非对称性，从而产生成本粘性[21-22]。在现有的研究中，鲜有文献从信息技术的角度探讨企业成本粘性，更缺乏从人工智能对成本粘性的影响方面进行的研究。本文拟以2013—2019年沪深A股上市制造企业为研究对象，围绕人工智能与成本粘性进行研究，揭示人工智能对成本粘性的影响，并提出有针对性的建议对策，以期为制造企业的发展和研究提供启示。

二、研究设计

(一)研究假设

人工智能可以大大降低制造企业客户获取产品信息的成本，实现精准营销、定制化生产，提高企业产品质量[23]；人工智能产生一种新的生产模式，“干中学”和技术外溢降低企业硬件成本以及智能终端运营和维护成本[24]。随着人工智能的应用，企业的数据收集、信息分析及信息披露能力进一步增强，数据驱动的监督管理体系逐步形成，公司治理更加科学[25]；企业管理者可以更多地利用人工智能，实现对运营数据的精细分析，在企业成本控制和投资决策中做出更好的选择，这样有助于减小企业管理者的裁量权，缓解委托代理问题[26]。人工智能通过机器人、图像识别、自然语言处理、机器学习及专家系统等的综合应用，可以预测产品市场的发展趋势，合理规划企业的生产安排[27]；结合数字平台实现智能化管理，实现准确有效的成本控制，将资源的投入、处置与保留做出准确决策，从而降低企业管理层的乐观预期[28]。综上，人工智能可能有助于降低成本粘性，据此本文提出以下假设：

H1a：人工智能对制造企业成本粘性具有降低效应。

然而，人工智能给企业的生产经营带来变革，如产品/服务创新、商业模式创新等，也可能损害企业原有的产业，影响企业现有的市场基础[29]。特别是在传统企业应用人工智能的初期，人工智能带来的创新不是简单的技术创新，而是破坏性创新[30]。人工智能可以改变企业的运作：(1)人工智能会增加企业经营的复杂性，这将增加股东对代理人的监督难度，诱发代理人的道德风险[31]；(2)人工智能会使企业业务的更加复杂，导致企业大股东和管理层的机会主义行为[32]。同时，人工智能要求企业做出变革，以应对智能化的发展，如改进风险管理，增强企业应对风险的能力；完善内部控制，增强企业对新发展的适应能力[33]。显然，风险管理、内部控制等方面的完善不是一朝一夕的事，需要企业花时间与金钱去构建。从企业生命周期的角度看，快速发展的企业更容易出现内部控制问题，从而导致企业经理人道德风险，加剧代理冲突[34]。综上，人工智能也可能提高成本粘性，据此本文提出以下假设：

H1b：人工智能对制造企业成本粘性具有提高效应。

(二)模型构建与变量定义

本文参考Anderson等关于成本粘性的经典研究思路[17]，并借鉴Jidong Zhang等的研究[35-37]，将基准回归模型初步设定为：

LgCoR=α0+α1LgInR+α2LgInR×D+ε

(1)

模型变量名称和取值方式如表1所示。被解释变量为总成本变动(LgCoR)，是企业当年与上年总成本比值的常用对数[17]。解释变量包括总收入变动(LgInR)、收入下降(D)、总收入变动与收入下降虚拟变量的交乘项(LgInR×D)以及人工智能(AI)、总收入变动与收入下降虚拟变量的交乘项(LgInR×D×AI)，其中，人工智能(AI)在制造企业中应用的量和度分别由“人工智能”关键词的披露次数(AI_N)和人工智能的行动指数(AI_I)表示[38-39]。为了减小回归模型的误差，加入经济增长(Gdp)、企业规模(Size)、资产负债率(Lev)、独立董事占比(Ind)、两职合一(Same)、管理层持股比例(Mhold)及上市年龄(Age)等控制变量[40-41]。

表1 研究变量的定义

在模型(1)中，加入人工智能(AI)、总收入变动与收入下降虚拟变量的交乘项(LgInR×D×AI)以及所有控制变量(ConVar)，得到本研究的回归模型：

LgCoR=α0+α1LgInR+α2LgInR×D+α3LgInR×D×AI+α4AI+∑ConVar+ε

(2)

在模型(2)中，若回归系数α2显著为负，则业务量增加时的成本增加高于业务量下降时的成本减少，即成本粘性存在；如果回归系数α3显著为正，则假设H1a成立，否则，假设H1b成立。

(三)数据来源与处理

本文选取2013—2019年沪深A股上市制造企业作为研究样本。因为2015年，《中国制造2025》的发布是我国人工智能与传统产业融合的重要节点，选取时间分别向前推两年和向后推四年(受限于数据可得性)，更能代表我国人工智能与制造业的融合阶段。为确保数据的代表性和精准性，剔除创业板企业和主要变量数据缺失的企业，获得6279个样本观测值。人工智能相关数据通过上市公司年报及相关资料获取，并进行手工处理、整理和分析；公司财务数据和公司治理数据主要来源于CSMAR数据库，所有连续型变量均做了上下1%的Winsorize处理。

AI_N变量数据生成方法如下：第一步，根据《新一代人工智能发展规划》《国家新一代人工智能标准体系建设指南》中提到的人工智能相关词源，初步确定文本检索的目标关键词[42]；第二步，进一步分析、选择相关关键词，包括人工智能、大数据、物联网、云计算、ICT、传感器、机器学习、计算机视觉、生物识别、虚拟现实等；第三步，借鉴Loughran和McDonald的思路[43]，利用python程序提取2013—2019年制造企业年报中人工智能关键词的统计数据；第四步，对提取获得的数据进行整理，只保留关键词肯定表达(关键词前不带有“不”“否”“避免”等)的统计结果；第五步，用人工智能关键词计数加1后(避免关键词计数为0取对数后结果为无穷大)取对数来衡量人工智能的实现程度。而AI_I是通过文本提取编程程序结合人工筛选，对各公司每年人工智能的应用情况进行统计分类生成的[37]：完全没有应用且也无意愿应用人工智能的观测样本，其AI_I为0；还未将人工智能投入生产经营中但已经进入人工智能建设阶段的观测样本，其AI_I为1；已经将人工智能投入生产经营中使用的观测样本，其AI_I为2。

(四)描述性统计

主要变量描述性统计结果如表2所示，可以看到：(1)总成本变动(LgCoR)的均值为0.0561，总收入变动(LgInR)的均值为0.0529；(2)人工智能披露次数(AI_N)的均值2.7073，最小值为0，中位数为2.7726，最大值为5.3660；(3)人工智能行动指数(AI_I)的均值为 1.5944，最小值为 0，中位数为 2，最大值为 2。样本间存在较大差异，跟本研究样本覆盖范围较广有关，2013-2019年是人工智能导入的初始阶段：行业细分较多，企业规模差距较大，经营生产状况各不相同；制造企业对人工智能的接受程度存在差异，应用情况也有较大的不同。其余变量的取值均在合理范围内。

表2 主要变量的描述性统计

三、实证分析

(一)人工智能与成本粘性的主回归分析

人工智能与制造企业成本粘性的主回归分析结果见表3，各列回归的拟合优度较高(调整后的R方均在0.81—0.83之间)，表明模型设定较好。列(1)为模型(1)的回归结果，LgInR的回归系数为0.9197，LgInR×D的回归系数为-0.1527，两者在1%的水平上都是显著的，表明制造企业成本具有一定的粘性。列(2)为模型(1)加入控制变量后的回归结果，LgInR×D的回归系数为-0.1700，在1%的水平上显著，表明在考虑经济等因素后，制造企业的成本仍然具有一定的粘性。列(3)、列(4)为模型(2)中人工智能变量(AI)分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)且不使用控制变量的回归结果，列(5)与列(6)为分别在列(3)与列(4)的基础上加入控制变量的回归结果。列(3)至列(6)的人工智能(AI_N和AI_I)与成本粘性(LgInR×D)的交乘项系数分别在1%和5%的水平上显著为正，表明人工智能降低了制造企业的成本粘性。因此，假设H1a得到了验证。

(二)人工智能影响成本粘性的作用机制检验

上文理论分析表明，成本粘性的动因通常被归纳为调整成本、代理冲突及管理层乐观预期，人工智能在制造企业中的应用有助于通过调整成本、代理冲突及管理层乐观预期而影响成本粘性。因此，在人工智能影响成本粘性的作用机制检验中，本文主要进行调整成本路径检验、代理冲突路径检验及管理层乐观预期路径检验。

1.调整成本路径检验

企业的资产专用性越高，其变现损失就越大，调整成本也就越高。因此，本文选择企业当期固定资产、在建工程、无形资产及长期待摊费用之和除以总资产的比值来衡量资产专用性，并以资产专用性中位数将制造企业样本分为资产专用性强、资产专用性弱两组[44]，进行调整成本路径检验，结果见表4。列(1)、列(3)为资产专用性强分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.2201和-0.2636，都在1%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为0.0444和0.0423，分别在1%和5%的水平上显著。列(2)、列(4)为资产专用性弱分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.1651和-0.1102，都在1%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为-0.0148和-0.0029，均不显著。此外，Fisher’s Permutation检验显示，LgInR×D×AI_N和LgInR×D×AI_I系数的组间差异检验p值分别为0.021和0.032。以上结果表明按资产专用性强弱分组是合理的，人工智能对成本粘性的降低效应在资产专用性强的制造企业中更显著，支持了人工智能通过调整成本路径降低成本粘性的观点。

表3 人工智能与成本粘性的主回归分析

表4 调整成本路径检验

2.代理冲突路径检验

经理人的权力越大，其与委托人的代理冲突越严重。因此，本文选择“董事会人数”、“总经理任期”和“管理层股权”三个指标来共同衡量管理层权力，并以管理层权力中位数将制造企业样本分为管理层权力大、管理层权力小两组[45]，进行代理冲突路径检验，结果见表5。列(1)、列(3)为管理层权力大分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.0600和-0.1599，分别为不显著和在1%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为0.0183和0.0082，都不显著。列(2)、列(4)为管理层权力小分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.3091和-0.2324，都在1%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为0.0366(在1%的水平上显著)和0.0387(在10%的水平上显著)。此外，Fisher’s Permutation检验显示，LgInR×D×AI_N和LgInR×D×AI_I系数的组间差异检验p值分别为0.019和0.037,表明按管理层权力大小分组是合理的，人工智能对成本粘性的降低效应在管理层权力小的制造企业中更显著，拒绝了人工智能通过代理冲突路径降低成本粘性的观点。

表5 代理冲突路径检验

3.管理层乐观预期路径检验

企业环境不确定程度越高，管理层越难掌握企业经营所需的信息，越容易产生乐观预期。因此，本文选择企业过去五年非正常销售收入(研究时间跨度内的销售收入与年度变量回归后的残差)的标准差与销售收入的均值之比来衡量环境不确定程度，并以环境不确定程度中位数将制造企业样本分为环境不确定程度高、环境不确定程度低两组[46]，进行管理层乐观预期路径检验，结果见表6。列(1)、列(3)为环境不确定程度高分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.2164和-0.2256，都在1%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为0.0270和0.0513，都在5%的水平上显著。列(2)、列(4)为环境不确定程度低分组，在模型(2)中分别选用人工智能披露次数(AI_N)和人工智能行动指数(AI_I)进行回归分析，LgInR×D的回归系数分别为-0.0261和-0.0038，都在10%的水平上显著；LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为-0.0857和-0.1391，都在1%的水平上显著。此外，Fisher’s Permutation检验显示，LgInR×D×AI_N和LgInR×D×AI_I系数的组间差异检验p值分别为0.046和0.021，表明按环境不确定程度高低分组是合理的，人工智能对成本粘性的降低效应在环境不确定程度高的制造企业中更显著，支持了人工智能通过管理层乐观预期路径降低成本粘性的观点。

表6 管理层乐观预期路径检验

(三)进一步讨论

1. 提高效应的再检验

调整成本路径检验和管理层乐观预期路径检验的结果显示，LgInR×D×AI_N和LgInR×D×AI_I的回归系数均出现了为负数的情形，在表4列(2)、列(4)中分别为-0.0148和-0.0029，均不显著；在表6列(2)、列(4)中分别为-0.0857和-0.1391，在1%的水平上显著。表明在资产专用性弱或环境不确定程度低的制造企业样本，人工智能对成本粘性具有提高效应。对资产专用性弱、环境不确定程度低的制造企业样本进行再检验，结果如表7中列(1)、列(2)所示，LgInR×D×AI_N和LgInR×D×AI_I的回归系数分别为-0.0756和-0.2011，都在1%的水平上显著，排除了调整成本路径和管理层乐观预期路径。那么，人工智能对制造企业成本粘性的提高效应可能来自于制造企业制度方面的缺陷，如内部控制等。采用DIB(迪博内部控制与风险管理数据库)提供的内部控制指数来衡量制造企业可能存在的制度缺陷，使用内部控制质量中位数将制造企业样本细分为高、低两组，进行回归比较。结果如表5中列(3)至列(6)所示，在内部控制质量高的制造企业样本中，人工智能对成本粘性的提高效应不再显著，表明人工智能对制造企业成本粘性的提高效应是存在的，这与企业制度问题有关。

表7 提高效应的再检验

2. 应用效果的持续性检验

为了检验人工智能的应用效果是否具有一定的持续性，本文将模型(2)中除AI_N和AI_I以外的其他变量分别采用滞后一期和滞后二期的数据进行回归，结果如表8。LgInR×D×AI_N、LgInR×D×AI_I的系数均显著为正，表明人工智能对制造企业成本粘性的降低效应具有一定的持续性。

表8 应用效果的持续性检验

3. 基于成本要素的分析

从成本要素的角度，将制造企业的总成本分为物质资源成本和人力资源成本，对人工智能和成本粘性进行回归，结果见表9，与人力资源相比，人工智能对物质资源成本粘性的降低效应更显著。

表9 成本要素、人工智能与成本粘性

(四)稳健性检验

1.引入工具变量

针对企业信息披露可能对人工智能度量指标产生的影响，选取制造企业所在地区的互联网用户增长率、互联网接口增长率作为工具变量进行回归分析。表10中列(1)、列(2)为2SLS回归结果，LgInR×D×AI_N和LgInR×D×AI_I的系数均显著为正，表明上文结论是稳健的。

2. 双重差分检验

针对研究中可能因遗漏变量而产生内生性的问题，进行双重差分稳健性检验：(1)确定实验组和控制组。实验组由上一年未应用而当年应用了人工智能的制造企业组成，控制组由上年和当年都未应用人工智能的制造企业组成，treat值分别为1、0；(2)制造企业应用人工智能是否是“从未应用到应用”。若制造企业在某年应用了人工智能，则post为1，否则为0；(3)构建DID(双重差分)模型。在模型(2)中，加入虚拟变量treat和post，得到DID模型(即模型(3))。模型(3)的回归结果如表10所示，α3为0.0783，在5%的水平上显著，即上文结论依然是稳健的。

LgcoR=α0+α1LgInR+α2LgInR×D+α3LgInR×D×treat×post+α4treat×post+∑ConVar+λi+φt+ε

(3)

3.控制个体固定效应

针对制造企业可能存在不随时间变化且难以量化的个体效应可能产生的影响，控制个体固定效应重新进行回归分析，结果如表10中列(4)、列(5)所示，结论依然没有发生实质性变化。

表10 稳健性检验

四、结论与建议

本文根据沪深A股上市制造企业在2013—2019年期间的样本数据，研究了人工智能对制造企业成本粘性的影响。对人工智能与成本粘性进行主回归分析，然后进行人工智能影响成本粘性的作用机制检验(包括调整成本路径、代理冲突路径及管理层乐观预期路径)，再进行提高效应再检验、持续性检验和基于成本要素的分析，最后进行稳健性检验(引入工具变量、双重差分检验及控制个体固定效应)。人工智能与成本粘性的主回归分析结果表明，人工智能对制造企业成本粘性具有降低效应；人工智能影响成本粘性的作用机制检验结果表明，人工智能通过调整成本路径、管理层乐观预期路径降低成本粘性的观点得到支持，而人工智能通过代理冲突路径降低成本粘性的观点被拒绝；提高效应再检验的结果表明，在资产专用性弱、环境不确定性低的企业中，人工智能提高了成本粘性，但此情形只出现在内部控制质量较低的样本中；持续性检验的结果表明，人工智能对制造企业成本粘性的降低效应具有一定的持续性；基于成本要素检验的结果表明，人工智能对物质资源成本粘性的降低效应大于对人力资源成本粘性的降低效应。

针对上述研究结论，提出如下建议：

(1)提高企业管理者对成本粘性的认识。着眼于人工智能对企业发展的长期影响，管理者应该对制造企业成本粘性有一个更全面、更理性的认识和判断：虽然人工智能对一般制造企业的成本粘性有降低效应，但在内部控制质量较低的样本中，人工智能对成本粘性的提高效应也是客观存在的。需要认识到的是，管理层的机会主义行为是影响人工智能对成本粘性降低效应的主要因素，而这种机会主义行为的产生源于制造企业制度建设的滞后。为了适应人工智能带来的新的商业模式和组织结构，有必要完善制造企业的风险管理、内部控制等，尤其在对专用性资产进行管理时。

(2)制造企业要正确选择和应用人工智能。制造企业要积极抓住人工智能带来的机遇，根据具体需要，结合自身业务特点，加强企业要素投入的合理配置，将人工智能融入企业生产经营管理，从而达到降低成本、提高效率的目的。由于成本粘性是制造企业经营管理的结果，因此可以根据企业的实际情况或战略安排进行成本管理，以降低人工智能对成本粘性的提高效应。制造企业要积极升级优化，不断深入地将人工智能融入制造企业的实践，重资产型的制造企业要更加重视人工智能的应用。

(3)政府为人工智能应用提供必要的支持。人工智能与制造企业成本粘性的结论，在一定程度上证明了“智能制造”战略的正确性。政府应加快智能基础设施体系建设，完善人工智能公共服务体系，统筹布局人工智能创新平台体系。同时，要加强对制造企业合理投资、智能化转型升级的引导，构建良好的内部控制结构，提高生产经营效率和质量，如：加强人工智能基础研究，在降低制造企业人工智能研发、应用成本方面发挥积极作用；在人才培育、产学研互动等方面提供支持，促进制造企业智能化发展，实现产业升级。