制造企业人工智能创新如何赋能高质量发展 ——来自中国上市公司的经验证据

黄东兵，王灵均，周承绪，刘 骏

(1.贵州财经大学 西部现代化研究中心；2.贵州财经大学 工商学院；3.贵州财经大学 管科学院，贵州 贵阳 550025)

0 引言

中共十九大报告指出，我国经济已由高速增长阶段转向高质量发展阶段，实现经济高质量发展成为我国迈入新时代的新追求。国家经济增长方式转变是集宏观、中观、微观于一体的系统化工程，而企业作为宏观经济活动和中观产业发展的微观主体，其创新发展水平直接关系到经济发展方式转变、经济结构优化和新旧动能转换的成败。因此，经济高质量发展必须落实到企业微观层面[1]。既有文献大多聚焦于行业及其它宏观层面的高质量发展机制，对企业层面高质量发展机制的理解存在差异[2]。此外，制造业是实体经济的主体，实体经济高质量发展离不开制造企业的支撑。因此，制造企业如何实现高质量发展是亟待研究的重要课题。

近年来，我国制造业面临人口红利褪去、产品附加值低、国际竞争日趋激烈等挑战，企业智能化转型成为制造业高质量发展的重要方向。人工智能(AI)作为战略性技术给经济社会中的众多领域带来颠覆性变革，其核心内容是数字化、信息化基础上的智能化发展。已有研究基于行业同质性假设，从经济发展[3]、产业结构[4]和就业结构[5]3个方面，探讨人工智能技术发展所带来的变化。由于不同行业在市场、技术等方面存在差异，导致不同类型企业在生产过程中对技术的需求、依赖程度、创新意愿和难度、创新成果转化与应用也不尽相同，上述差异往往导致AI技术对企业产生异质性影响[6]。基于此，本文探讨AI创新能力对处于不同行业、具有不同生产要素特征制造企业高质量发展的影响。

当前，企业外部环境充满不确定性和风险。企业内嵌于环境中，从外部环境获取资源和信息以实现技术创新，需要规避环境不确定性风险。因此，企业创新与外部情境密切相关。现有文献基于企业内部组织战略[7]、知识流动[8]等视角初步研究AI创新影响机制，深入剖析组织外部情境下AI创新与企业高质量发展间复杂关系对现阶段中国制造业的战略意义。本文进一步研究行业竞争情境下AI创新对制造企业高质量发展的权变影响。

基于上述理论和现实背景，本文在以下方面进行探索，即基于组织外部竞争和内部生产要素视角，探讨人工智能创新驱动制造企业高质量发展的内在机制和边界条件，试图解答以下问题：制造企业人工智能创新如何影响高质量发展？行业竞争对制造企业人工智能创新与高质量发展的关系是否具有影响？制造企业人工智能创新对高质量发展的影响是否具有行业异质性？不同生产要素特征的制造企业人工智能创新对高质量发展的影响是否存在差异？上述问题的解答有助于剖析人工智能的微观权变效用，为企业制定AI创新战略提供理论依据。

1 理论与假设

1.1 AI创新能力对高质量发展的影响

对于制造业而言，人口老龄化加剧、劳动力成本攀升以及新技术快速发展迫使制造企业实施智能化转型以维持竞争优势。资源基础观认为，企业具有独特、难以复制的资源与能力是核心竞争力提升的关键。因此，在人工智能领域，持续投入和技术积累能够促进企业高质量发展，这也是企业愿意开展AI创新的理论支撑。基于五大新发展理念，本文认为，人工智能可以促进企业高质量发展。首先，从创新理念看，AI能够有效提升制造企业创新能力[9]，企业将AI技术整合到业务中，从而获取创新效益和竞争优势；从协调理念看，制造企业能够采用AI技术提升信息处理能力[9]，通过对市场信息进行智能分析以辅助决策，从而快速优化消费结构和产业结构；从绿色理念看，企业采用AI技术能够提升环境管理效能并减少生产过程中的资源浪费[10]，例如智能识别和传感器能优精准防控废弃物污染或甲烷泄漏，智能节水系统能减少企业用水量等；从开放理念看，人工智能基于云计算和自主学习技术能够强化制造企业海外投资决策[11]，准确识别潜在海外投资风险，进一步增加对外开放发展成果；从共享理念看，企业采用人工智能技术创造新型共享平台[12]，实现资源合作和协同创新。基于以上分析，本文提出如下假设：

H1：制造企业AI创新能力对高质量发展具有促进作用。

1.2 行业竞争对AI创新能力与高质量发展关系的调节

探讨AI创新效应边界条件是本文研究目的，权变理论认为，企业活动要与其所处外部环境相适应。也就是说，当行业竞争处于不同水平时，企业AI创新所产生的成本和收益是动态变化的。具体而言，行业竞争程度是指整个行业内企业间的竞争激烈程度，包含产品同质化和价格竞争两个特征。其中，企业能够通过AI创新获取异质性资源并在同质化竞争中脱颖而出，而人工智能创造的虚拟劳动力作为新生产要素，能够大幅降低生产成本，提高生产效率，从而帮助企业在价格竞争中获取较高的市场份额[13]。

首先，企业创新活动会受外部行业影响，现有研究认为，行业竞争影响企业创新战略，行业竞争越激烈，企业创新强度[14]、创新扩散效率[15]越高，就越有利于AI赋能创新发展；其次，激烈的市场竞争条件下，企业需要应对市场不确定性风险并开发更多新业务，而AI技术能够帮助企业及时识别和分析市场信息，促进市场结构和消费结构协调发展[9]；再次，行业竞争越激烈，企业越倾向于履行环境责任[16]和开展海外投资活动[17]，从而实现绿色发展和开放发展；最后，行业竞争能够强化企业间合作研发意愿[18]并促进绩效提升[19]，激烈的市场竞争是企业间形成共享合作平台的必要条件[20]。基于以上分析，本文提出如下假设：

H2：行业竞争可以强化AI创新能力对高质量发展的促进作用。

1.3 AI创新能力对不同行业高质量发展的影响

近年来，我国产业体系不断优化升级，智能化和自动化发展促使行业间联系和差异日趋复杂。演化经济学派认为，不同环境下企业经济活动不可能遵循相同行为准则，必然存在一定的行业异质性。不同行业企业的市场类型和技术水平存在差异，具有不同研发重点和形式，其研发投入对企业绩效的影响也不同。从市场角度看，完全竞争市场需求的异质性和多样性较显著，行业竞争对企业研发活动具有逃离竞争效应，即企业通过研发新产品逃离与行业内其它企业竞争[21]。但非完全竞争市场中，产品生命周期较长，企业研发意愿[22]和研发效率较低[23]，由此限制AI创新效用发挥。从技术角度看，在高技术产业中，技术革新与老化速度较快，竞争壁垒不断被打破，企业面临更多发展机遇和技术过时风险，而AI技术能够有效提升制造企业技术研发能力[9]。相反，传统制造业具有稳定的技术发展轨迹，企业为了规避风险，倾向于从现有技术和产品中谋利(尹惠斌等，2014)，从而弱化AI创新对高质量发展的影响。基于以上分析，本文提出如下假设：

H3：制造企业AI创新能力对高质量发展的影响存在行业异质性。

1.4 AI创新能力对不同生产要素特征企业的影响

随着环境资源约束收紧和人口红利褪去，依赖大量生产要素投入的粗放型增长难以为继。内生增长理论认为，内生技术进步是确保企业持续发展的决定性因素，由此推断技术研发与异质性资源对企业高质量发展具有驱动作用。要实现我国制造企业高质量发展，必须由要素驱动、规模驱动向创新驱动转变。本文认为，企业生产要素对人工智能创新驱动具有异质性影响。具体而言，劳动密集型企业绩效增长主要来源于劳动力投入的规模效应，但人口老龄化加剧和用工成本上升迫使企业进行技术创新[24]，而人工智能技术创造的虚拟劳动力可以完成单调且重复的工作，进而提高企业生产效率，促进企业高质量发展[13]。技术密集型企业是人工智能技术创新的主要阵地，其技术创新强度越大，对自身高质量发展越有利[25]。此外，技术密集型企业本身具有较强的研发意愿和技术优势，AI技术研发难度较低[6]；资本密集型企业利润增长依赖于大量资本投入和先进设备更新，对技术依赖程度较低[26]。因此，AI创新对企业高质量发展的影响可能较为有限。基于以上分析，本文在行业异质性的基础上，进一步探讨具有不同生产要素特征的制造企业AI创新能力对高质量发展的影响，并提出如下假设：

H4：劳动密集型企业AI创新能力对高质量发展具有促进作用。

H5：技术密集型企业AI创新能力对高质量发展具有促进作用。

H6：资本密集型企业AI创新能力对高质量发展的作用不显著。

本文理论模型构建如图1所示。

图1 理论研究模型Fig.1 Theoretical research model

2 研究设计

2.1 数据来源

2015年国务院发布“中国制造2025”战略，将智能制造作为主攻方向。自此，我国智能化加速发展[27]，制造业作为人工智能技术的重要应用领域，企业层面的创新相关数据更加完整(专利年申请量超过4 500件)。考虑到人工智能发展进程，本文选取2015—2019年沪深A股制造业上市公司作为研究样本，其中涉及的企业财务数据主要来自国泰安数据库(CSMAR)，专利数据来自国家知识产权网专利数据库(CNIPA)，行业数据来自东方财富数据库(Eastmoney)。为剔除异常值对回归结果的影响，本文对除虚拟变量外的连续变量进行1%的缩尾处理(Winsorize)。

为确保数据的科学性和代表性，本研究按照如下步骤对样本进行严格筛选：①根据2020年第4季度证监会行业分类文件，选择含有C13-C43证券代码的31类制造业上市公司；②为了避免异常值的影响，剔除经营不善的企业样本，即将证券名称中ST、*ST样本删除；③结合AI创新能力、高质量发展水平等变量数据缺失情况，进一步剔除数据不完整样本，整理后得到时间长度为5年的非平衡面板数据集，包含来自26个子行业596家制造业上市公司，共计2 888条样本数据，样本特征如表1所示。

表1 样本特征Tab.1 Sample characteristics

在主效应的基础上，本研究进一步讨论行业异质性及生产要素特征对主效应的影响。按照2020年第4季度证监会行业分类文件，将已获得的制造企业样本分为26个子行业。为了避免误差，剔除样本企业数量不足10家或样本量不足50个的子行业，整理获得12个子行业，分别对其进行个体固定效应回归。此外，本文参考张晴[28]、张艳萍(2022)的研究成果，依据所处子行业生产要素密集特征将制造企业分为劳动密集型企业、技术密集型企业和资本密集型企业，分别进行个体固定效应回归，结果如表2所示。

表2 制造业子行业类型分类Tab.2 Classification of manufacturing industries

2.2 变量测量

2.2.1 因变量

本文因变量为企业高质量发展水平(HQD)。现有研究对企业高质量发展衡量方式尚未达成共识，部分学者采用全要素生产率衡量企业高质量发展水平[1]。企业高质量发展不仅意味着自身价值实现，而且蕴含着其创造的社会价值。因此，单一指标不能全面衡量企业高质量发展水平。一些学者基于多维指标体系对企业高质量发展水平进行评价[29]，但本文认为，现有评价体系缺少系统指导思想作为支撑。本研究深刻把握新发展理念的基本内涵，遵循科学性、代表性、数据可得性、完备性等原则，从创新、协调、绿色、开放、共享5个维度构建制造企业高质量发展评价体系。

创新是制造企业高质量发展的新动力。创新高质量发展要求企业转换增长动能，加快从要素驱动、规模驱动向创新驱动转变，形成以创新为第一动力的全新发展模式。发明专利作为知识产权的重要载体和表现形式，是创新驱动高质量发展成果。其中，企业专利申请数是指企业当年向国家知识产权局提交申请的专利数量，专利授权数是指企业当年已被国家知识产权局授权的专利数量，上述两个指标通常被用于衡量企业创新活动成果产出。因此，本研究采用上述两个指标衡量企业创新发展水平[29]。

协调是制造企业高质量发展的新目标。高质量发展的主线是供给侧结构性改革，供需平衡是协调高质量发展的重点。企业应保持产业结构与消费结构间的弹性匹配和动态共享，避免因有效供给与实际需求不对称而产生的供需错配矛盾。存货周转率是企业一定时期内营业收入与存货平均占有额的比值，能够反映企业对产品供给与市场需求关系的协调。其它业务收入占比是其它业务收入与营业收入的比值，能够反映企业对多元化产业关系的协调。因此，本研究采用存货周转率和其它业务占比衡量企业协调发展水平(张涛，2020)。

绿色是制造企业高质量发展的新思维。绿色高质量发展是指以较高的生产效率和环境友好、资源节约等可持续方式满足人民需求的发展状态。本研究参考《上市公司环境信息披露指南》，从环保意识和环保行为两个方面构建绿色发展评价体系。其中，环保意识包括环保理念、环保目标以及在上市公司年报、社会责任报告、环境报告中披露环境相关信息，而环保行为包括环保教育培训、环保专项行动、环保荣誉奖励以及环保管理制度体系、环境事件应急机制、“三同时”制度披露。本研究将绿色发展指标进行量化汇总，最后得出绿色发展评价值，以此衡量企业绿色发展水平[29]。

开放是制造企业高质量发展的新态度。以更加开放的态度融入全球价值链，是推进制造业对外开放的战略抉择，也是新时代我国经济高质量发展的内在要求。在当前逆全球化背景下，制造企业要解决高质量发展的外部性问题，就必须进一步制定国际化战略，积极开拓海外市场，助力中国制造从“引进来”到“走出去”，实现更高水平的对外开放。海外业务收入和海外关联公司利润额能够反映企业对外开放取得的经济成果。因此，本研究采用上述两个指标衡量企业开放发展水平[29]。

共享是制造企业高质量发展的新格局。共享理念嵌入于高质量发展基本理论框架中，推动中国特色社会主义共同富裕理论创新，是高质量发展的出发点和落脚点，也是对高质量发展价值导向的必然回应。企业共享发展表现为企业间合作共享与协同发展，而制造企业间共享体现在业务环节上的资源相互依赖，以及技术合作关系上。联营、合营企业投资收益能够反映企业间资本合作[30]，而联合申请专利数量能够反映企业间技术合作[31]。因此，本文采用上述两个指标衡量企业共享发展水平。

综合考虑制造企业高质量发展现实情况与数据的客观性，本研究运用熵权法对指标进行赋权，并采用TOPSIS综合评价法(逼近理想值排序法)进行计算，将最终得到的评价值作为企业高质量发展水平值，数据处理通过R语言软件实现。制造企业高质量发展评价体系如表3所示。

表3 制造企业高质量发展评价体系Tab.3 High-quality development evaluation system of manufacturing companies

2.2.2 自变量

本研究自变量为企业AI创新能力。学者们在研究创新时，大多选择采用创新投入衡量创新能力，但创新投入与创新产出间的关系较为复杂，所得结论并不能揭示创新本身与其它变量的关系[32]。本研究选择上市公司人工智能相关专利数量衡量AI创新能力。虽然以专利衡量创新存在些许弊端(企业可能出于保护创新成果考虑而不申请重要专利)，但相比于其它测量方式具有很多优势，例如可以跨时空分析AI技术在经济发展过程中的使用和扩散情况[33]。而且，专利数量作为一个较为实用的创新能力指标，具有一定的普遍性和公开性。

识别与AI技术相关的专利是一项复杂的工作。首先，现有研究尚未对人工智能构成和界限进行统一界定[33]。其次，与其它通用技术一样，人工智能在本质上是横向的，即跨越多个学科。基于此，本研究通过关键词对已有专利进行文本分析，最大程度地识别人工智能相关专利。国外学者总结了人工智能相关专利的英文关键词[33]，笔者邀请具有留学经历的信息系统领域专家将其翻译为中文，并与知网知识词条进行比对，最终确定158个人工智能中文关键词。基于关键词，通过对2015—2019年目标上市公司所有专利进行文本分析，提取出专利标题或摘要中含有关键词的专利共19 412条，剔除重复和失效专利后，得到1 648条有效数据。本研究专利数据均来自国家知识产权公共服务网(CNIPA)的专利检索与分析系统。

2.2.3 调节变量

本研究调节变量为行业竞争程度。从现有研究看，反映行业竞争程度的指标主要有行业集中度、赫芬达尔指数、勒纳指数、行业平均利润率和行业内企业数目等，使用最多的是赫芬达尔指数(HHI)。参考连燕玲等(2019)的研究成果，采用赫芬达尔指数衡量行业竞争程度，首先基于各行业所有企业营业收入计算出每个企业所占市场份额，再计算出行业内所有企业市场份额的平方和，得到该行业当年HHI。HHI指数计算公式如下：

HHI=∑(Xi/X)2

(1)

其中，Xi为某行业i公司营业收入；X是某行业营业收入总和。需要说明的是，HHI是一个反向指标，HHI越小表示该行业竞争越激烈。此外，本研究参考姜付秀等[34]的测量方法进行稳健性检验。

2.2.4 控制变量

资源基础观认为，企业是各种资源的集合体，资源基础的异质性决定其竞争优势和发展潜力。为了排除企业基础条件和财务状况对高质量发展的影响，本文控制以下变量：首先，规模较大企业会将丰富的资源和资本投入到生产运营过程中，进而影响企业高质量发展[35]，因而选择企业规模、企业资产作为控制变量。其次，现金流稳定的企业往往具有较强的创新能力，因而选择资产收益率作为控制变量[36]。最后，资产负债率较高的企业难以将大量资金用于研发新技术，不太可能通过额外投资促进高质量发展[32]，故将资产负债率作为控制变量。上述变量具体测量方法见表4。

表4 变量与测量方式Tab.4 Variables and measurement methods

3 实证分析

3.1 测量模型

本文数据是时间长度为5年的非平衡面板数据，包含不同数据来源(自变量来自国家知识产权网专利数据库，其它数据主要来源于国泰安数据库、东方财富数据库)，不同来源的面板数据可以有效避免方法上的偏差[32]。综合考虑本研究数据集，选用个体固定效应模型进行测量，主要原因在于：第一，各企业具有显著异质性，而本文关注的是企业内差异(组内差异)而非企业间差异(组间差异)，因而选择使用个体固定效应模型以消除组间差异。第二，采用固定效应模型处理未观察到内部不随时间变化的异质性。第三，分别进行F检验(p<0.01)和Hausman检验(p<0.01)，结果均显著，说明相比于随机效应模型和混合效应模型，固定效应模型更有效。具体回归方程如下：

HQDit=β1assetit+β2sizeit+β3roait+β4levit+cit+eit

(2)

HQDit=β1assetit+β2sizeit+β3roait+β4levit+β5AIit+cit+eit

(3)

HQDit=β1assetit+β2sizeit+β3roait+β4levit+β5AIit+β6HHIit+β7AIit*HHIit+cit+eit

(4)

其中，i、t分别代表企业和时间，β1-7代表各变量回归系数，cit为内生性，eit为误差项。以企业资产、企业规模、资产收益率和资产负债率作为控制变量，回归方程(2)单独检验各控制变量与高质量发展的关系，回归方程(3)检验AI创新能力与高质量发展的关系，回归方程(4)检验行业竞争程度对AI创新能力与高质量发展关系的调节作用。此外，模型可能存在的内生性问题主要有反向因果和变量遗漏，故本文将因变量滞后一个时间单位以缓解反向因果带来的内生性问题，并通过个体固定效应模型消除不随时间变化的内生性问题。因此，本研究模型中的内生性问题并不严重。

3.2 假设检验

本研究在回归分析前进行描述性统计分析(见表5)，结果表明，模型中自变量、因变量、调节变量和控制变量之间不存在明显多重共线性问题，且变量间的相关性较为显著，符合固定效应模型回归要求。为了进一步讨论共线性问题，本文进行VIF检验，结果表明，模型变量最大的VIF值为3.68，远小于 10，说明共线性问题不会对研究结论形成干扰。

表5 描述性统计分析结果Tab.5 Results for the descriptive statistical analysis

根据研究设计，选择个体固定效应进行回归，结果如表6所示。其中，Model1为控制变量与高质量发展水平关系回归，结果表明，各控制变量与高质量发展水平的关系较为显著。在此基础上，将自变量AI创新能力纳入回归模型，Model2结果表明，AI创新能力回归系数为 9.06(βAI= 9.06, p<0.01)，即制造企业AI创新能力可以显著促进自身高质量发展，假设H1得证。进一步地，将调节变量纳入回归方程，如Model3所示，AI创新能力与行业竞争程度的交互项系数为-9.56(βAI*HHI= -9.56, p<0.01)。研究设计中,行业竞争程度(HHI)为负向指标，Model3结果表明，行业竞争会强化AI创新能力对高质量发展的促进作用，假设H2得证。为了避免误差，剔除样本企业数量不足10或样本量不足50的子行业，整理获得12个子行业。分行业回归后发现，共6个子行业AI创新能力可以显著促进企业高质量发展(C26、C34、C35、C38、C39和C40)，没有任何子行业AI创新能力和高质量发展的关系呈负相关关系。如表6中Model4-Model9所示，这6个子行业AI创新能力均显著促进企业高质量发展，故假设H3得证。

表6 固定效应模型回归结果Tab.6 Results for the fixed effect regression model

遵循研究设计，本文根据生产要素特征将制造企业分为劳动密集型企业、技术密集型企业和资本密集型企业，分别进行个体固定效应回归，结果如表7所示。表7中Model1和Model2为劳动密集型企业回归结果，Model3和Model4为技术密集型企业回归结果，Model5和Model6为资本密集型企业回归结果。结果显示，劳动密集型企业AI创新能力可以显著促进企业高质量发展(βAI= 69.00, p<0.05)，假设H4得证；技术密集型企业AI创新能力显著促进企业高质量发展(βAI= 10.92, p<0.01)，假设H5得证；资本密集型企业AI创新能力对高质量发展的影响不显著(βAI= -0.25, p > 0.10),故假设H6得证。

表7 不同要素密集型企业分析结果Tab.7 Results for the different factor intensive enterprises analysis

3.3 稳健性检验

为了确保研究结果稳健，本文通过更换测量模型、滞后自变量和替换调节变量等测算方法进行稳健性检验，结果如表8所示。表8中Model1是个体时间固定效应模型回归结果，更换后回归结果没有发生显著性变化(βAI= 5.13, p<0.01)；Model2的测量模型为随机效应模型，更换后结果没有发生显著性变化(βAI=8.79, p<0.01)；Model3的测量模型为混合效应模型，更换后结果与之前一致(βAI= 7.44, p<0.01)；Model4、Model5中自变量分别滞后一年和两年，结果依然与前文一致，没有发生显著性变化(βAI= 10.05, p<0.01；βAI= 8.47, p<0.01)。本研究参考先前文献[37]，选择另一种行业竞争程度测量方式进行检验，结果如Model6-Model8所示。其中，Model6只替换调节变量测量方式，仍进行个体固定效应回归，结果依然显著。Model7、Model8分别采用个体时间固定效应模型和随机效应模型替换Model6中的测量模型，结果依然显著。因此，本研究假设再次得证，研究结果较为稳健。

表8 稳健性检验结果Tab.8 Results for the robustness test

4 进一步分析：AI双元创新效应

上文结果表明，制造企业AI创新对高质量发展具有促进作用，而行业竞争能够强化这一促进作用。必须注意的是，专利间应用价值差异导致专利数目与企业实际AI创新能力存在一定的偏差，企业AI创新能力有待进一步细化。双元创新理论将企业创新活动分为探索式创新和利用式创新，其中，探索式创新是指追求新的方法、业务和流程，研发新的技术和产品，而利用式创新是指在现有技术和市场的基础上，更新既有产品和服务。参考先前研究[38]，本文以IPC分类的发明专利和实用新型专利构建AI双元创新，并通过个体固定效应模型进一步检验AI双元创新与高质量发展、行业竞争间的关系，结果如表9所示。表9中Model1加入AI探索式创新(TS)和利用式创新(LY)，结果表明，AI探索式创新和利用式创新回归系数分别为 8.29、 9.91(βTS= 8.29,p<0.01；βLY= 9.91, p<0.05)，即AI探索式创新和利用式创新均能显著促进企业高质量发展。由于回归系数及其显著性存在差异，为检验AI探索式创新和利用式创新对高质量发展的影响是否存在显著差异，本文采用Z检验考察AI探索式创新和利用式创新间的回归系数，Z检验具体公式如下：

表9 AI双元创新效应分析结果Tab.9 Results for the AI dual innovation effect analysis

(5)

式中，b1、b2分别代表AI探索式创新和利用式创新回归系数，SEb1、SEb2分别为AI探索式创新和利用式创新的标准差。本文选择Z = 1.96(置信度 = 95%)作为临界值，经计算Z值为0.46。Z检验结果表明，AI探索式创新和利用式创新对高质量发展的影响不存在显著差异。将调节变量纳入回归方程，如Model2所示，AI探索式创新和行业竞争程度的交互项系数为 -10.36(βTS*HHI= -10.36, p<0.01)，结果表明，行业竞争能够显著强化AI探索式创新对高质量发展的促进作用。同理，如 Model3所示，AI利用式创新和行业竞争程度的交互项系数为 -21.04(βLY*HHI= -21.04, p<0.05)，即行业竞争能够显著强化AI利用式创新对高质量发展的促进作用。在此基础上，分别通过更换测量模型、滞后自变量和替换调节变量等测算方法检验研究结果的稳健性。Model4是随机效应模型回归结果，替换后结果与之前结果保持一致(βTS= 8.74, p<0.01；βLY= 8.32, p<0.01)；Model5中AI探索式创新和利用式创新均滞后一年，研究结果依然稳健(βTS= 8.20, p<0.01；βLY= 9.87,p<0.10)；Model6、Model7在替换另一种行业竞争程度测量方式后，结果均未发生显著性变化(βTS*HHI= -10.59, p<0.01；βLY*HHI= -22.76, p<0.05)。

5 结语

5.1 结论

本文基于组织外部竞争和内部生产要素视角，利用个体固定效应非平衡面板模型，探讨人工智能创新驱动制造企业高质量发展的内在机制和边界条件，并基于2015—2019年596家制造业上市公司数据进行实证分析，得出以下主要结论：

(1)人工智能创新能够有效促进制造企业高质量发展，且AI双元创新效应无显著差异。因此，制造企业应加强AI技术创新，加快AI技术在运营管理方面的应用，提升企业数字化、智能化发展水平，为AI创新赋能高质量发展提供硬件基础。尽管国内外学者们已经证实，人工智能可以有效提升制造企业生产率[13]，但本土情境下，高质量发展不能完全由单一指标加以衡量，人工智能创新赋能企业高质量发展有待实证检验。本文揭示AI创新在制造企业高质量发展过程中的积极作用，拓展人工智能应用边界，可为企业智能化转型升级提供实证支持。此外，与现有指标体系相比[29]，本文严格遵循五大发展理念构建制造企业高质量发展评价体系，进一步拓展了微观视角下高质量发展分析框架。

(2)行业竞争能够强化人工智能创新对制造企业高质量发展的积极影响。因此，企业应根据自身及所处行业竞争环境制定AI创新规划，以市场为导向合理配置资源，建立以人工智能为核心的竞争优势，进而推动自身高质量发展。已有文献从内部组织战略角度探讨研发投入对AI创新与绩效关系的调节作用[7]，但创新是一项复杂决策，组织外部情境对企业创新活动的影响不可忽视(连燕玲等，2019)。因此，本文引入行业竞争作为调节变量，考察外部竞争对AI创新赋能高质量发展的影响，结果表明，外部竞争有助于企业发挥AI创新效应，从理论上丰富人工智能创新情境变量，为人工智能领域研究提供了新的视角。

(3)制造业不同子行业的人工智能创新对高质量发展具有差异化影响。因此，制造企业应充分考虑自身AI技术开发难度、应用前景及所在行业发展阶段，分阶段、按步骤地实现AI创新。在初期，专注现有核心业务，通过应用领域和规模较小的AI项目积累经验，逐步实现复杂商业模式智能化转型。既有文献基于省级面板数据证实，人工智能发展对不同行业全要素生产率的影响存在差异[39]。本研究基于微观企业数据进一步探讨AI创新赋能高质量发展的行业异质性，结果表明，智能化发展并非无往不利，尤其是对于那些缺乏技术基因的传统产业。AI创新赋能高质量发展效果最显著的6个子行业均为国家统计局划定的高技术产业(C26、C34、C35、C38、C39和C40)。现阶段，AI技术在高技术产业应用较为广泛，而传统制造业大量企业有待进一步转型升级。这一现象揭示了AI创新效应的行业异质性，拓展了人工智能领域研究框架。

(4)生产要素特征对企业人工智能创新和高质量发展具有显著异质性影响，其中，劳动密集型企业和技术密集型企业AI创新能够促进企业高质量发展，而资本密集型企业AI创新对企业高质量发展的影响并不显著。因此，劳动密集型企业应积极发挥AI替代效应，提高劳动生产率，加快生产要素结构转型；技术密集型企业应继续发挥AI创新效应，增强核心竞争优势，加强AI先进技术研发与合作；资本密集型企业应优化资本要素配置，合理规划AI创新投入，促进AI创新成果转化。现有文献表明，相较于资本型产业，智能化发展对劳动密集型产业生产率的影响更为显著[27]。本文进一步研究不同生产要素下企业AI创新效应差异，发现劳动密集型企业和技术密集型企业能更好地发挥AI创新效应，对创新赋能高质量发展存在行业异质性这一单维度结论进行了有益的补充，进一步拓展了AI创新应用边界。

5.2 局限与展望

本研究存在以下不足之处：首先，未能体现最具创新活力的中小企业发展情况。目前，人工智能发展处于初级阶段，中小企业AI专利数据难以统计。因此，本文选择A股上市公司作为研究对象。其次，本文采用专利数量衡量AI创新能力，忽略了AI应用能力。未来研究可以基于问卷数据衡量企业AI应用能力，并考察AI应用能力在AI创新与高质量发展间的中介效应。最后，现有企业高质量发展度量指标具有主观性，国内外学者们的衡量标准不统一，本文对企业高质量发展水平的衡量方法不可避免地受限。在考虑数据可得性的前提下，后续研究可以结合更多指标全面探讨企业高质量发展。