人工智能技术应用与上市企业市场价值※

内容提要：人工智能作为数字经济时代下的核心技术驱动力，能够对企业生产、发展产生重大影响。通过爬取中国上市企业年报文本(2007-2019年)内容，构建了人工智能技术应用程度指标，并检验其对企业市场价值的影响。研究发现，人工智能技术应用能够显著提升企业市场价值，并展现出了较强的双向行业溢出效应。特别地，非国有企业、高技术企业的人工智能技术应用更能够带来显著的价值增升效果。机制检验发现，人工智能技术应用能带来生产成本优化、劳动雇佣结构升级、创新效率提升以及内外部预期改善，这些都有助于企业市场价值的提高。此外，还基于经济政策不确定性水平进行深入探讨，发现当其水平较高时，企业基于人工智能技术的应用能带来更大的价值边际驱动力。研究结论有助于中国未来的人工智能政策的制定和实施，为推动资本市场企业保值增值提供了新的经验证据和政策建议。

一、 引 言

发展的本质在于捕捉驱动经济报酬递增的核心要素，而前沿技术变革是经济新动能加速集聚的潜在驱动力。在“十四五”新阶段，海量数据和前沿数字技术的双向融合赋予创新转型活动更大的加速度(蔡跃洲，2021)，原有依赖传统有形生产要素驱动经济发展的模式，将加快让位于前沿科技的“乘数”“倍增”机制。在其中，人工智能作为典型的通用目的技术，是新时代构建长期性核心技术竞争优势的关键(汤铎铎等，2020)，也是提升经济增长质量、效率和动力的重要工具。据《中国人工智能发展报告2020》显示，2020年中国已成为人工智能技术专利申请量第一大国(占比达74.7%)；同年，人工智能核心产业规模达到3251亿元，同比增长16.7%(数据源自《2021人工智能发展白皮书》)，已然成为数字经济发展提质加速的核心动力。习近平总书记指出，“加快发展新一代人工智能是赢得全球科技竞争主动权的重要战略抓手”。对此，中国政府对人工智能技术高度重视，并从政策层面持续为人工智能技术发展开拓空间(图1)。特别地，自2020年新冠肺炎疫情全球大流行以来，兼具“供给—需求”的双侧冲击本身也是新需求的催化剂，形成了数字化、智能化的演替新方向，人工智能技术的应用正逐步由拓展期进入深化期，全新的科技红利将催生新业态、新模式，为企业转型、产业优化乃至经济高质量发展添薪续力。

作为新时代新阶段下最具革命性的数字化技术，人工智能将实现产品生产、财务决策等一系列工作任务的自动化(吕越等，2020)，大面积推广的工业机器人则依照流线式的工艺开展高效率生产，不单促成了有效的劳动供给(Acemoglu和Restrepo，2020)，还实现了产出价格降低和劳动生产率增长的双重拟合，由此显著提升了企业生产率水平。在此基础上，何宇等(2021)发现，中国依旧可以通过创新激励政策、智能化技术培训等一系列组合拳推动人工智能技术的发展，借助历史机遇在新的赛道上进行追赶并有望完成“弯道超车”。然而，一个需要重点关注的现象是，同人工智能高速发展共存的特征事实，即是全球范围内数十年来的经济增长率放缓(Gordon，2018)。许多研究发现，人工智能技术发展对于生产效率和增加就业的“激励型”发展路径关注不多，反而是基于劳动力替代的“节约型”特征更为明显，自动化技术在很大程度上削弱了劳动力在经济增长中的贡献比值(Acemoglu和Restrepo，2020)，形成了较为强烈的替代效应。甚至有研究认为，现阶段人工智能尚未产生革命性的新业态新产业，对生产力的驱动作用也是缓慢的。从这个角度来看，实践中人工智能产业的发展势头迅猛，同理论研究中基于人工智能技术应用绩效观点不一形成了鲜明对比。

习近平总书记曾倡议，“将‘新技术应用及其影响’作为一项重点工作深入研究，认真探索合作思路和举措”。然而，目前的理论研究始终无法有效回应基于人工智能的经验数据与应用实践中的悖论。作为中国企业的核心力量，上市企业的人工智能技术应用绩效如何？其中的差异化特征和影响机制是什么？上述问题的回答，在理论上有助于基于中国本土情境下回应人工智能技术应用的绩效状况；在实践中能够为企业更好地利用前沿数字技术提供建议，助力中国在新一轮科技革命中增强核心竞争力。有鉴于此，本文试图构建“人工智能技术应用—上市企业市场价值”的框架，针对二者之间的关系存在性、结构特征以及机制等方面开展理论解读和经验分析。

本文的边际贡献在于：第一，采用年报文本大数据方式构造了企业人工智能技术应用程度变量，更为直观地刻画出中国上市企业在前沿技术上的应用状况；第二，基于“人工智能技术应用—企业市场价值”的影响关系和溢出效应展开分析，并基于生产成本优化、劳动雇佣结构升级、创新效率提升、内外预期改善四条路径进行检验，丰富了对人工智能技术作用渠道的理解；第三，考虑到不确定性因素是当前全球经济发展的重要特征，本文从经济政策不确定性视角出发，分析人工智能技术应用对企业市场价值发挥作用的重要外部条件，为理解资本市场企业价值的动因提供了新的视角。

二、 理论分析与假说提出

基于历史观的角度来看，技术创新实践中存在四种最为重要的通用目的技术，它们分别是蒸汽机、电力、内燃机和数字技术。作为当前主流数字技术市场的中坚力量，人工智能技术的发展呈现出典型的网络经济特征，在数字经济时代下突破了自身的发展临界点，形成了高密度技术创新集成体系。具体来看，人工智能的发展历经了数理逻辑推理、概率建模计算与深度学习三个阶段，无论其背后的支撑技术基础发生何种变化，都可以将其归类为信息通信技术(ICT)。这种技术具有典型的渗透性(与实体经济深度融合)、替代性(对非机械的生产要素替代)和协同性特征(提升多种生产要素匹配度)，由此形成了典型的经济创造性价值(蔡跃洲和陈楠，2019)。新一代的人工智能在解决经济社会实践中的专属复杂问题上具有较为突出的优势，其作用路径就在于“化繁就简”式地将系统性的复杂问题解构成为若干相对简单的预测归类任务，根据任务属性的不同来配置差异化的算法进行识别和处理，从而提高了工作针对性和解决问题的效率。在数字经济时代下，海量非结构化、非标准化数据积累以及计算机算力的跨越式演进，更是为人工智能技术应用的快速发展提供了数据基础与技术条件，由此提高了人工智能技术对企业的影响力。从人工智能驱动企业价值的角度来看，本文认为存在如下四条机制。

1. 人工智能技术应用与生产成本优化

从外部层面来看，人工智能技术能够有效帮助企业基于宏观、产业经济要素和市场消费者偏好变化等来评估、预测企业所面临的市场环境(Agrawal等，2019)，基于前沿数字技术形成的高精度预测结果能够帮助企业达成高效率的决策，如根据市场产品需求变化即时调整生产、销售、存储计划，以达到降低成本的合意效果(Bajari等，2019)。从内部层面来看，人工智能技术的应用能够改善企业内部的组织间信息传递问题，通过自动分类、规整信息并实现预测和调整，如在实践中企业可以借助人工智能技术应用来摸排和监控企业内部能耗级别较高的部门机构(或生产项目)，据此针对高消耗部门进行约束调整(或重新编排生产项目)，实现成本的有效降低。特别地，人工智能技术的应用能够有效驱动企业内部生产项目向自动化变革，用机器来替代一部分劳动力，实现人工成本降低和产出效率的提升，对于企业而言，实践中的生产成本优化，毫无疑问将提高企业的经营绩效，从而有助于企业提升其在资本市场中的价值。由此本文认为，人工智能技术应用能实现生产成本优化，进而促进企业市场价值的增长。

2. 人工智能技术应用与劳动雇佣结构升级

从劳动雇佣总规模视角来看，人工智能技术作为数字经济时代下的核心变革技术，本质上是人类机器自动化生产历史轨迹的延续(或更高级阶段)，考虑到人类特有的高度复杂性和创造性，即便是目前的高位阶的人工智能也只能基于人的部分功能(任务)进行替代或分担，其边界十分有限。历史经验也充分表明，在多次重大技术革命后引致“机器替代人”的悲观预测，似乎从未变成现实(蔡跃洲和陈楠，2019)。即前沿技术应用并没有威胁到实体经济的总劳动雇佣需求，反而是新技术兴起带来了许多新行业、新岗位，带动了微观企业乃至全社会的劳动雇佣总量增升。特别是人工智能技术应用带来的成本的降低，客观上增加了企业利润水平，引致了自身生产规模的扩张，企业有激励扩大劳动雇佣总量来推动生产可能性边界向外移动。Acemoglu和Restrepo(2020)还观测到，某单一企业的人工智能技术应用还会溢出到其他行业中去，从而推动其他行业劳动雇佣需求的增加。从劳动雇佣结构视角来看，人工智能技术作为当前最为前沿的数字技术，会衍生出一系列的新工种和新技术岗位，其在客观上对劳动力的吸纳具有相当的偏向性，一般会呈现要求雇佣大量具有数字化、智能化技术积累的高素质工作人群的具体现象，而对于低端技能劳动力群体而言往往侧重不多，人工智能技术甚至还会在一定层面上进行替代，从而腾挪出更多空间来吸纳高技能劳动力。由此，人工智能技术应用对企业的劳动力雇佣结构产生了显著优化效应。不难发现，企业劳动雇佣规模的扩张和雇佣结构优化的双重叠加效应，意味着企业可以利用人工智能技术来提升劳动生产要素的配置能力，最大限度释放劳动生产力的价值驱动红利。从这个角度来看，人工智能技术应用能实现劳动雇佣结构升级，进而促进企业市场价值的增长。

3. 人工智能技术应用与效率、创新的双提升

从生产效率的角度来看，人工智能技术应用能够在已有丰富数据要素积累下进行前瞻性分析，通过数据处理、方案识别、程序化管理和自动化纠错，使得企业内部供应链的协同拟合度大幅度提升，强化了信息和知识在企业内部的流动速率(杨虎涛，2020)，提高了内部资源的利用效率。特别地，人工智能技术的应用能够极大降低信息捕捉和分析成本，能够有效发现市场新需求的结构变化，并推动自身生产配置方向的优化调整，从而避免了无效生产和低效利用的可能，由此会显著提升企业的生产率水平。更为重要的是，人工智能技术的应用必然伴随着更多的资本积累深化(程文，2021)，此时的要素生产效率也会进一步提升。从创新产出的角度来看，人工智能技术本身就是内生创新型数字化技术，可以归结为“发明方法的发明”。这类智能化技术具备了自我优化的能力，能够在海量的信息和方案中搜寻匹配的要素组合模式，将企业“大海捞针”式的研发效率进一步提升，增强企业从已有技术创新方案中提炼新路径的能力(或说把握技术创新演变轨迹和重要节点)，也能够针对特定创新活动的风险衍生状况进行预测并作出反应方案。确实，形成一种创造新技术的新方法，往往能够对企业创新模式产生更为深远的影响，而人工智能技术的应用恰恰能够将企业的创新能力进行深度提升。从另外一个角度来看，人工智能技术应用在信息处理学习和反馈回路上相比人脑而言有着巨大的优势，可以帮助研发人员摆脱低质量的重复性工作，能够将注意力集中到更有创造性的研发活动中来，企业的技术创新产出效能提升也在情理之中。从这个角度来看，人工智能技术应用能实现效率与创新的双提升，进而促进企业市场价值增长。

4. 人工智能技术应用与内外部预期改善

从企业内部预期来看，人工智能技术作为更高位阶的技术创新驱动力，更多地采用这类技术能够在生产、管理、决策、创新等多个维度实现重大优化，增强了企业的核心竞争力。前期研究指出，信息披露需求水平往往与企业的成长性水平呈正相关，企业内部的管理者所披露的信息也往往会具有更为浓厚的积极特性(吴非等，2021)。在此情境下，管理者会通过企业总结性质的年报文本更加主动地传达有关企业利用人工智能技术(及其绩效)的利好信号，从而增强了企业自身的积极预期和发展信心。从企业外部预期来看，在“十四五”规划和远景目标中，人工智能技术作为规划中的前沿科技之首，展现出了相当的重要性和政策支持红利。如若企业在生产发展实践中采用了更多的人工智能技术，则会带动企业外部的评价信息向好，减弱外部对于企业的不利评价和负面预期，从而显著改善企业所面临的外部舆论环境。进一步来看，在资本市场中的有效估值，离不开企业内外部所有信息集合形成的未来收益折现预期。从这个角度来看，人工智能技术应用能有效改善企业内外部的预期，进而促进企业市场价值增长。综合上述讨论，本文提出了如下核心假说：

假说：人工智能技术应用能够显著提升上市企业市场价值。

三、 研究设计

1. 数据来源

为研究人工智能技术应用对上市企业市场价值的影响，本文通过爬取中国上市企业财务指标和年报文本(2007-2019年)内容构建数据样本，其中财务数据爬取自国泰安数据库(CSMAR)、年报得自巨潮网。此外，本文对原始数据进行了如下清洗步骤：第一，剔除经营状态存在异常的企业(ST、*ST、PT及期间退市企业)；第二，剔除具有金融属性的企业；第三，剔除当年进行IPO的样本；第四，保留那些至少连续五年不存在数据缺失的样本；第五，对所有连续型(非比值)变量进行上下1%的缩尾处理。

2. 变量设定

(1) 被解释变量。上市企业市场价值(TobinQ)。在企业市场价值的测度上，本文采用了常见的刻画公司绩效和成长性指标(Morck等，1988； Bharadwaj等，1999)开展研究，即TobinQ=(总市值+总负债)/总资产。本文认为，传统的上市企业财务指标更多地是映射出过往生产、创新等行为的绩效，并不具备足够的前瞻性特征。而人工智能技术应用更多地同企业未来的核心竞争力和价值有关，因此托宾Q值相对于上述传统指标而言与本文所阐述的市场价值具有更高的匹配度。

(2) 核心解释变量。人工智能技术应用(AI)。人工智能技术应用是一个较为抽象的概念，在上市企业年报中也没有针对该技术应用进行专项的财务等信息数据的披露。囿于数据的可获得性，以往对于人工智能发展的度量只能局限于笼统的“工业机器人”规模作为近似代理变量(李磊等，2021)。上述处理方法所面临的问题在于，基于机器人安装数量(投入金额)的数据大多停留在省级层面，无法直接精准对应到企业层面中，并且这类机器人的技术布局大多局限在中低端领域，同人工智能这种前沿的数字技术还存有一定的差异。更为重要的是，人工智能技术应用具有较强的渗透性(Pervasiveness)，会对企业研发、生产、管理等多个环节形成智能化的冲击和改造优化，而机器人的应用仅能在生产制造环节中刻画其自动化水平，无法针对智能化的技术应用转型进行有效度量。因此，采用机器人数据刻度可能会存在一定的偏差，也无法透视企业层面的人工智能技术演变规律。

本文认为，人工智能技术作为数字经济时代下企业创新转型发展的重要抓手，该领域的技术建设需要企业的重点关注和大力投入，这类信息会更倾向于体现在具有总结和战略规划的年报文本表达中。姚加权等(2020)的研究认为，企业年报文本信息作为典型的非结构化特征数据，具有多类别信息交叉和多元渠道输出的特色，特别是在“高语境”为基本传播特征的中国资本市场中，企业年报文本中蕴藏着极大的信息量。基于此，本文从上市企业年报文本数据中提取有关“人工智能”相关的关键词词频来刻画企业人工智能技术应用。

从变量设计的文本挖掘技术来看，本文基于Python爬虫功能从巨潮资讯网下载归集了沪深两市A股上市企业的年度报告文本信息，为初步筛选形成数据池。在人工智能的特征词确定上，本文基于吴非等(2021)的研究，锁定了人工智能、商业智能、图像理解、投资决策辅助系统、智能数据分析、机器学习、深度学习、智能机器人、语义搜索、生物识别技术、人脸识别、语音识别、身份验证、自动驾驶、自然语言处理等15个特征词。进一步地，利用Jieba分词功能对数据池进行搜索、配对处理，得到了有关企业人工智能技术应用的分类关键词词频。最后，将这些分类词词频数进行加总，得到了最终的代理指标(对数化处理)。

(3) 控制变量。参考既有文献，本文纳入了一系列可能对核心关系具有影响的变量。具体包括，企业总资产的对数值(Lnasset)、杠杆率水平(Lev)、营业盈利能力(Profit，营业利润与营业收入之比)、年龄及其平方项(Age、Age2)、第一大股东股权集中度(Share)、两职合一(Mega，董事长与总经理兼任时取1，否则为0)、审计意见(Audit，审计单位出具标准无保留意见取0，否则为1)、机构持股占比(Institution)、股票换手率(Turnover)等变量。

3. 模型设定与实证策略

为检验企业人工智能技术应用对市场价值的影响，本文设定了模型(1)加以检验：

TobinQi,t=φ0+φ1AIi,t-1+∑βCVsi,t+∑γInd+∑μYear+εi,t

(1)

其中，TobinQ为本文的被解释变量，AI为本文的核心解释变量，CVs则包括了前述的控制变量组，ε为随机误差项。有鉴于核心变量间影响效应的传导可能存在一定时滞，本文采用滞后1期的人工智能技术应用变量进行回归，以期缓解变量间互为因果的扰动。另外，时序上的宏观经济环境变化趋势以及行业特质信息会干扰到“人工智能技术应用—企业市场价值”之间的关系，为避免上述对模型结果的冲击，本文构建双重固定效应模型(“时间—行业”)来吸收不可观测因素的影响。

四、 实证结果与经济解释

1. 基准回归

表1对人工智能技术应用与上市企业价值的基本关系展开实证研究。结果发现，在未纳入控制变量集的检验中，人工智能技术变量(L.AI)的回归系数为0.051且通过了5%的统计显著性检验。在纳入控制变量集后，相关核心变量的回归系数弹性并未发生较大变化(0.049)，统计显著性由5%提升至1%；同时从经济意义来看，人工智能技术应用水平每增加1单位标准差(0.5116)，使得企业价值的平均提升幅度相当于样本标准差的1.54%(0.049×0.5116÷1.6296)。基于上述分析可以发现，人工智能技术应用能够有效带来上市企业价值水平的提升，应用强度越大，其在股票市场上的价值越高。这为本文的核心假说提供了坚实的经验证据支持。

表1 人工智能技术应用与上市企业价值

习近平总书记指出，“人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的‘头雁’效应”。这一效应可能带来外部企业的学习或模仿效应，进而影响企业市场价值，对这种溢出效应的检验则十分必要。具体来看，人工智能技术应用除了会对自身产生影响，也有可能会将这种效应溢出到外部企业中去。类似地，外部其他企业的人工智能技术应用也可能会对本企业产生影响。有鉴于此，本部分内容主要从上述两个方向的溢出效应来探索人工智能技术应用对企业市场价值的影响。首先，从“本企业对外部其他企业的溢出效应”维度展开检验。基于企业市场价值(TobinQ)，计算出同一行业内除了自身企业外所有企业的市场价值均值(TobinQ-Ind-1)，及其他各行业所有企业的市场价值均值(TobinQ-Ind-2)。其次，从“外部企业对本企业的溢出效应”维度展开检验。基于人工智能技术应用(AI)，计算得出同一行业内除自身企业外所有企业的人工智能技术应用均值(AI-Ind-1)，以及其他各行业所有企业的人工智能技术应用均值(AI-Ind-2)。

表2实证结果发现，本企业人工智能技术应用无论是对于本行业内的其他企业市场价值，抑或是其他各行业企业的市场价值都具有高度显著的正向影响(回归(1)和回归(2))，表明企业自身开展人工智能技术应用后所产生的经济福利，能够外溢至其他企业中(并且这种外溢效应对于本行业内其他企业而言更为突出)。从另一个角度来看，行业内部其他企业的人工智能技术应用能够带动本企业的市场价值提升(回归(3))，即便将行业口径放大至外部其他行业企业的人工智能技术应用来看(回归(4))，上述结论也同样成立(并且外部其他行业企业的人工智能技术应用所能形成的价值带动效应更大)。表2的实证研究，发现了企业人工智能技术应用对市场价值具有显著正向且双向溢出的效果，从而为理解人工智能技术应用的经济后果提供了更加丰富的视角和经验证据。

2. 稳健性检验与内生性处理

本文的稳健性检验由以下几个部分构成。第一，延长时间窗口，考察人工智能技术应用在口径更大的时间区间内的价值驱动效果。第二，剔除部分样本，针对样本中某些不可观测却可能实际影响核心关系的因素(样本)进行剔除。第三，边际效应分析，考察人工智能技术应用的单位变动所能造成的影响。第四，分位数识别检验，考察在不同的市场价值分位点上人工智能技术的影响。第五，更替变量结构，通过不同口径的变量换算和回归进行二次验证。第六，内生性检验，采用工具变量法来减弱模型的内生性问题。

(1) 延长回归时间窗口。表3的实证检验主要基于延长“被解释变量—核心解释变量”之间的时间窗口来识别其中可能的动态效应。在具体的处理上，本文首先针对人工智能技术应用变量进行了滞后2～4 期的处理，其次针对企业市场价值变量进行前置2～4期处理。实证结果发现，在人工智能技术应用的三组滞后项回归中，人工智能技术的回归系数均为正值(0.051、0.045、0.064)且至少通过了5%的统计显著性检验；在企业市场价值的三组前置项回归中，人工智能技术的回归系数变化差异并不明显(0.058、0.050、0.056)，也同样呈现出稳健的显著水平。这两部分实证结果充分表明，人工智能技术的应用具有较强的可持续特征，其对上市企业市场价值的驱动作用能在较长的时间段内维持，并形成了有效的正向叠加。从这个角度来看，重视人工智能技术的应用，对于企业市场价值潜力的增长而言有着非常重要的作用。

表3 稳健性检验I：延长回归时间窗口

(2) 剔除部分样本。在表4的检验中，着重将某些特殊的样本进行删节，以排除某些不可观测因素对核心关系的干扰。本文从“时间—地区—企业”三个层面对总样本进行调整。一是从时间维度删节样本，考虑到样本期(2007-2019年)中存在两个重大外部不利金融冲击(国际金融危机，2008年；中国股灾，2015年)，这类冲击会显著干扰到资本市场上市企业的价值轨迹。因此，本文在回归(1)中仅保留了2010年以后的数据集(考虑到金融危机的后效性，下同)，在回归(2)中进一步剔除了2015年(含)以后的数据集。二是从空间维度删节样本，考虑到直辖市地区存在较强的政治、经济特殊性，该类地区企业的技术应用和价值决定往往与其特殊的地域属性有密切关联，进一步地，东部地区的经济发展成熟度较高，这往往也可能导致“人工智能技术应用—企业市场价值”中存在较强的内生性问题。有鉴于此，本文在回归(3)和回归(4)中分别剔除了直辖市和东部地区样本企业。三是从企业维度删节样本。考虑到本文的人工智能技术应用指标是基于上市企业年报文本大数据识别而来，而年报文本所透露的信息极有可能会“言过其实”抑或是“谨言慎行”，这些都不利于准确刻画企业的人工智能技术应用水平。为了最大限度提升文本识别的质量，本文选择了信息披露质量较高的年报样本作为分析载体。在回归(5)中，本文仅保留了那些经由证监会年报披露质量考核级别为A、B级的样本，在回归(6)中，则将年报锁定在经由“四大会计事务所”审计的样本中。经由上述样本删节变换后不难发现，原有核心结论“人工智能技术应用有助于提升上市企业市场价值”的核心结论依旧没有发生任何改变。

表4 稳健性检验II：剔除部分样本

(3) 边际效应分析。在前述实证检验中确证了人工智能技术应用对企业市场价值的正向效果，但尚未解读人工智能技术应用可能具有的边际弹性。于此，本文基于人工智能技术应用(AI)进行了边际分析(详细的实证结果可参见图2)。从图例可以发现，在每一个边际变动点上，其对企业市场价值的影响都保持着一个稳定的正斜率。这意味着，随着人工智能技术应用从较低程度(即图2的左半部分)到较大程度(图2的右半部分)，其对企业价值促进作用的边际弹性逐渐上升。应当说，本部分的研究结论，同“越高的人工智能技术应用水平带来了越高的市场价值”的核心假说在逻辑上是保持一致的。

图2 稳健性检验III：基于边际效应的分析 图3 稳健性检验IV：分位数检验

(4) 分位数检验。随着企业市场价值水平的提升，不同市场价值水平下的企业表现和行为可能存在较大的不同。对此，本身针对企业市场价值进行分位数层面的分析。从数据分析结果来看(图3)，人工智能技术应用在条件分布的差异化分位点上，对企业市场价值形成了不同的作用强度。但需要注意的是，作用强度的拟合线及其置信区间始终在横轴上方(这意味着人工智能技术应用一直保持着正向效果)，并且随着企业市场价值分位点逐步上升，这种作用强度所带来的价值驱动效应还有显著增强的趋势，从而展现出了一定的“锦上添花”的效果，这也为本文的核心结论提供了证据支持。

(5) 更替核心变量计算口径。在表5的检验中，其最大的变化在于调整了变量的计算口径，以重新核验原有的核心基本关系。从核心解释变量来看，针对原有的人工智能技术应用词频加总数，本文进一步考虑了年报文本的长短差异，以消除其中可能存在的规模效应。具体来看，针对AI的词频总数，本文将其分别除以年报中的词汇数和句子数，得到AI-W(人工智能词汇数与年报词汇数之比)和AI-S(人工智能词汇数与年报语句数之比)。从被解释变量来看，本文还采用了净资产收益率(ROE)来刻画企业价值。特别地，借鉴了杜勇等(2017)的研究，以(营业利润-投资收益-公允价值变动收益+对联营企业和合营企业的投资收益)/总资产的方式刻画了企业的未来主业发展业绩(Perf)。实证结果发现，经由上述变量口径的调整后，原有核心结论依旧没有发生任何改变。

表5 稳健性检验V：更替核心变量计算口径

(6) 内生性检验：工具变量法。在表6中呈现的是采用工具变量后的回归结果，本文具体采用的工具变量为同一区域内上市企业数量。本文认为该变量同时满足相关性与排他性这两个工具变量的基本要求：一方面特定区域内的上市企业数量越多(意味着集聚越大)，此类企业往往会面临更加激烈的竞争，为了获得更大的市场份额，企业往往有动力采用前沿数字技术(包括人工智能技术)来增强自身核心竞争力；另一方面辖域内的企业数目同企业在资本市场中的价值并没有显著关联。综上所述，本文基于“城市—省份”两个口径捕捉到了地区上市企业规模数量作为本部分研究的工具变量。

研究发现(表6)，工具变量的有效性得到了回归结果的保证，其识别既无过度也无不足。同时在两种口径的工具变量调整下，具体回归结果与基准模型基本一致(且显著)。这表明，经过内生性的处理，原有的核心结论依旧是确当的。

表6 内生性处理：工具变量法

3. 异质性检验

本文认为，具有不同属性特征的企业，自身在利用前沿数字技术时会存在一定的差异偏好，使得在相同强度的人工智能技术应用转化成为企业价值时，可能会有非对称的效果，基于这种差异的探讨，有助于形成更具针对性的政策导向。有鉴于此，本文在全样本的基础上，以企业的产权属性和科技属性进行了分样本的实证检验。

(1) 产权属性差异检验。表7针对企业产权属性特征差异(国有，非国有)展开了实证检验。研究发现，人工智能技术应用指标在国有企业组别中的回归系数为-0.025，但t值偏小，无法通过任何惯常水平下的统计显著性检验；而在非国有企业组别中，人工智能技术应用则有着明显的价值驱动效应(L.AI的回归系数为0.076且通过了1%的统计显著性检验)。在交互项识别检验中，L.AI×L.SOE的系数为负值且通过了5%的统计显著性检验，这也表明产权性质在其中扮演着负向调节的作用。

表7 异质性检验I：产权属性差异检验

进一步地，本文采用预测边际法进行异质性检验(图4)。研究发现，对于两类企业而言，随着人工智能技术应用水平的提升，其对市场价值的预测边际值都呈现上升趋势。但具体来看，非国有企业预测边际值的拟合线在更高的起点上有着相对陡峭的斜率，且置信区间更窄(意味着实证结果更加可靠)。上述多重手段均表明，人工智能技术对于非国有企业而言具有更为显著的价值驱动效应。

图4 企业产权属性差异下人工智能技术应用对市场价值的非对称效果

本文认为，国有企业基于国家信誉嵌入形成的制度优势，有助于国有企业保障其优势竞争地位，这类企业往往无需面对激烈的市场竞争，本身所具有的创新动能相对较弱，对于转型创新领域的前沿技术也往往运用不足，这使得国有企业无法借助这类技术来服务企业自身的发展。相比之下，非国有企业往往需要通过有效竞争来占领市场份额，维系自身的生存与发展，借助于前沿技术增强核心竞争力，成为这类企业重点关注的领域。因此，非国有企业的人工智能技术应用相对更好，能够在资本市场中形成有效的正向反馈回路，助推市场价值水平的显著提升。

(2) 科技属性差异检验。表8针对企业科技属性特征差异(高科技，非高科技)展开了实证检验。研究发现，人工智能技术应用指标在高科技企业组别中的回归系数显著为正，而在非高科技企业组别中，人工智能技术应用指标并未通过统计显著性检验(t值仅为1.18)。在交互项识别检验中，L.AI×L.HT的系数同样显著为正，这也表明科技属性在其中扮演着正向调节的作用。

表8 异质性检验II：科技属性差异检验

进一步地，本文采用预测边际法进行异质性检验(图5)。研究发现，对于两类企业而言，随着人工智能应用水平的提升，其对市场价值的边际预测值都保持正斜率状态。但具体来看，高科技企业的预测边际值的拟合线在更高的起点上有着更为陡峭的斜率，且置信区间更窄。上述多重手段均表明，人工智能技术对于高科技企业而言具有更为显著的价值驱动效应。

图5 企业科技属性差异下人工智能技术应用对市场价值的非对称效果

本文认为，高科技企业本身的科技创新特色导向与前沿的人工智能技术之间本就存在较大的相容性，作为数字经济时代下的重要发展方向，人工智能技术也往往为高技术企业所重点关注。更为重要的是，高技术企业本身的组织架构、决策模式乃至创新的基础软硬件条件都更为适配前沿技术研发、应用和拓展，其在人工智能技术的使用和效力释放上具有更为明显的优势，能够将其有效转化成为企业的真实价值(绩效)。相比之下，非高技术企业本身的发展导向就不在于锐意创新，自身的客观条件与人工智能技术应用之间也存在一定的错配。由此，这类企业的企业价值难以得到人工智能技术应用的有效驱动。

五、 人工智能技术应用对企业价值的影响机制

前述实证检验基于人工智能技术应用与企业价值的关系及其异质性特征展开，虽内容丰富，但并未打开其中的机制黑箱。因此在本部分中将针对这一机制进行识别和确证。顺延前文理论逻辑，本文从“生产成本优化”“劳动雇佣结构升级”“创新效率提升”以及“内外预期改善”四个维度进行识别检验。

1. 生产成本优化路径

在表征“生产成本优化”这一路径的变量中，本文选取营业成本率(O-Cost)与管理费用率(M-Cost)作为机制变量。具体来看，营业成本基于营业成本/ 营业收入计算得出；管理费用率则通过管理费用/主营业务收入得到。

在表9的实证检验中，采用递进式的方法(首先不纳入控制变量，进而再引入，下文同)开展研究。结果发现，无论是在以营业成本率抑或是管理费用率为机制变量的检验中，人工智能技术变量的回归系数均为负值且显著性水平都较高，说明人工智能技术应用能够有效降低企业的营业成本和管理费用。本文认为，人工智能技术的应用能够在大量数据中开展建模和学习，不单能够降低企业内部不同部门之间的信息传导不对称性，还能寻找到适配企业特征的生产、管理的最优路径，通过自动化的方式提高效率并减少生产管理活动中的差错，降低经营管理实践中的摩擦(如销售和生产储备之间的错配等)，由此释放出更多的人力资本来开展更具战略性的生产工作，由此显著降低了企业在经营管理过程中衍生出的各类成本。不难理解，成本率的降低为企业的生产发展打开了更广阔的空间，也为企业在资本市场中的表现奠定了成本基础，带来了企业价值的提升。

表9 机制识别检验I：营业成本与管理费用

2. 劳动雇佣结构升级

在表征“劳动雇佣结构升级”这一路径的变量中，本文选取企业雇佣员工总规模(LnEmployee)与雇佣员工结构(Employee-stru)。具体来看，企业雇佣员工总规模以企业劳动力总雇佣人数的对数值进行测度(王永钦和董雯，2020)；企业雇佣员工结构则参照了已有文献的做法(Acemoglu，2002；宁光杰和林子亮，2014)，以员工的本科学历为界限，高于本科学历的员工划分为高技能员工组别，低于本科学历的则归类到低技能员工组别中，并采用本科及以上学历的员工数与专科及以下学历的员工数的比值来刻画劳动雇佣结构的优化程度。

在表10的实证检验中发现，人工智能技术的应用对于企业的员工雇佣总规模而言并未产生所谓“替代效应”。相反，L.AI的回归系数均为正值且呈现出高度显著的状态，这意味着人工智能技术应用显著增加了企业的劳动雇佣规模。进一步从劳动雇佣结构来看，人工智能技术应用指标显著提升了高技能员工的占比强度，带来了劳动雇佣结构的显著优化。本文认为，人工智能技术的应用能够有效实现降成本和提效率，为激励企业扩张提供了客观条件，企业将有着更大的需求雇佣更多劳动力来进行生产。特别地，人工智能技术应用会创造出更多类型的生产业态，从而有更多的工作岗位需求。进一步地，人工智能技术的应用也会提升企业对于高技能岗位互补的劳动力需求，使得企业内部劳动雇佣的结构得到优化和提升。顺延上述逻辑，当企业实现了雇佣总规模和结构的双重优化时，意味着企业对自身的劳动要素禀赋配置和使用都达到了一个较好的水平，这能够显著改善企业的经营绩效，有助于企业市场价值水平的提升。

表10 机制识别检验II：企业雇佣员工规模与雇佣结构

3. 创新效率提升路径

在表征“创新效率提升”这一路径的变量中，本文选取企业全要素生产率(TFP)和发明专利创新产出(Lnpati)作为机制变量。具体来看，采用Levinsohn和Petrin(2003)的LP法来计算全要素生产率；并使用特定企业当年专利申请数量表征其创新水平(龙小宁和林志帆，2018)。

在表11的实证检验中发现，人工智能技术的应用一方面有效提升了企业的全要素生产率，另一方面也增强了企业的创新动能(L.AI在这两个组别中的回归系数均为正值且高度显著)。本文认为，人工智能技术的应用能够在海量数据的基础上帮助企业预测最优决策，并基于自动化转型实现低端生产要素的节约和替代，实现生产要素的最优配置和重新排产，改善了生产效率。顺延上述逻辑，人工智能技术的应用会强化要素之间的耦合效果，实现“降成本”和“提效率”的双重优化，这为企业内部的技术创新提供了良好的技术基础和生产条件。显然当企业全要素生产率上升则意味着企业的生产质量和要素配置能力得以加强，这反映在资本市场中，便是其价值水平的提升。同理，在企业拥有了更强的创新潜能时，自身的核心竞争力往往更加强化，由此也能为企业市场价值增升带来内在驱动力。

表11 机制识别检验III：全要素生产率与技术创新

4. 内外预期改善路径

在表征“内外预期改善”这一路径的变量中，本文选取年报正向语调(Tone-P)与新闻负面评价占比(News-N)。具体来看，年报正向语调是在归集企业年报文本信息基础上，参考Loughran和McDonald(2011)形成的LM词典，锁定年报中的词汇性质和总词汇数，并计算出企业正向的积极净语调Tone-P=(积极词汇数—消极词汇数)/年报词汇数得来；新闻负面评价占比则借鉴了杜金岷等(2020)的方法，基于《中国重要报纸全文数据库》进行报道基调的分类，计算出负面报道占据总报告的比重来进行刻画。

在表12的实证检验中发现，一方面，人工智能技术的应用使得企业年报的语调更加积极乐观；另一方面，人工智能技术应用也降低了外部网络新闻对企业的负面评价比例。这是因为，人工智能技术作为数字经济时代下的一个关键性突破技术，由该项技术应用形成的链式创新日益活跃，无论是政府部门、产业部门抑或是科研部门，都将人工智能技术作为提升核心竞争力的重要抓手。企业基于人工智能技术开展应用，会使得企业内部对未来的预期向好，也会消解部分外界对企业抱有的负面评价。从这个角度来看，上市企业市场价值的一个重要影响因素即在于市场主体的预期，当这种预期在内外部都具有显著改善时，能够带来企业价值的有效提升。

表12 机制识别检验IV：年报正向语调与新闻负面评价

六、人工智能技术应用影响企业价值的外部条件：经济政策不确定性视角

自2008年以来，一系列重大的政治经济事件对中国经济增长带来了结构性的影响，使得经济环境不确定性陡增；加之2020年新冠肺炎疫情爆发和蔓延，更是冲击了市场中“供给—需求”两端的稳定。这一不确定性的压力或许能提升竞争强度，倒逼企业变革，甚至激发其对前沿技术应用(如人工智能)的需求。Knight(1921)的“不确定性主张”认为，不确定性本质上是企业利润的源头，这种不确定性下蕴含的巨大收益，是企业创新变革的潜在驱动力。面对数字经济高质量发展的新趋势新导向，以及不确定性环境下衍生出的人工智能技术新需求，显然会对企业的市场价值造成影响。基于现有文献来看，经济政策不确定性能够借助激励和选择效应来驱动企业创新(顾夏铭等，2018)。也有文献认为不确定性下的企业会更加偏好脱实向虚并抑制创新，从而降低了企业生产效率(王丽纳等，2020)。在理论上，现有文献对于经济政策不确定性下的企业创新发展持有的观点并不一致，在这种情景下对企业市场价值的影响并不明确，而在实践中，不确定性高企的大环境将在很长一段时间内成为全球发展的重要态势。基于此，在“人工智能技术应用—企业市场价值”关系中嵌入经济政策不确定性元素，具有深刻的理论意义和实践指导价值。

为了回答上述问题，本文借鉴Baker等(2016)的方法，手动计算相关指数来衡量中国经济政策不确定性(EPU)，并开展边际预测值检验(图6)。研究发现，在不确定性水平较低的区域，人工智能技术应用对企业市场价值的边际效应处在低位；反之人工智能技术应用对企业市场价值的边际驱动力则开始显著上升。整体来看，随着经济政策不确定性的增加，人工智能技术应用对企业价值的边际效应也是逐步增加的，并且在这一贯的过程中，这种边际效应都保持着较为显著的状态(置信区间较窄)。本文认为，在经济政策不确定性较大的情形下，企业有着较大的动机应用前沿的人工智能新技术，以求在不确定环境中寻求到新的利润点，这显著带动了前沿技术的开发、应用和拓展，并由此对企业的长远发展和市场价值起到了显著的裨益。本部分实证结果从外部宏观环境的不确定性特征出发，进一步论证了人工智能技术的应用能够深度打开企业发展空间，在新时代构建新发展格局的重大战略目标下，为企业发展转型指明了方向。

图6 人工智能技术应用、经济政策不确定性与企业市场价值

七、研究结论和政策建议

人工智能技术作为数字经济时代下前沿技术发展的重要抓手，会对中国企业产生重要影响。本文基于中国上市企业2007-2019年的年报文本信息，锁定了与人工智能技术应用有关的词频图谱，并基于大数据爬虫技术构建上市企业人工智能技术应用的刻度指标。在此基础上，本文研究了人工智能技术应用对上市企业市场价值的影响、结构特征、渠道机制以及外部重要条件等问题，为理解人工智能与实体经济的深度融合提供了经验数据的支撑。

研究发现，第一，企业人工智能技术的应用能够显著提升企业价值，本文通过延长回归时间窗口、边际分析、分位数分析、变更变量计算口径以及工具变量法等一系列处理方式，进一步确证了前述核心结论的稳健性。特别地，企业的人工智能技术应用对企业价值的提升作用还有显著的双向行业溢出效应。第二，不同特征的企业在受到人工智能技术驱动时的市场价值具有异质性影响。具体来看，非国有和高科技类别的企业在人工智能技术应用的驱动下，其市场价值呈现出显著的上升趋势，反之则并无明显的变动。第三，人工智能技术应用能够有效优化生产成本(营业成本、管理成本的双降低)，促进企业内部劳动雇佣结构升级(规模总量、高技能员工占比的双提升)，提升效率与创新水平(全要素生产率与专利申请的双提升)，改善企业内外部预期(年报文本积极语调提升与新闻负面评价减少)，为上市企业市场价值水平提升提供基础。第四，人工智能的驱动作用将受到经济政策不确定性水平的显著影响。当其水平较高时，人工智能技术应用对企业市场价值的驱动力反而更为强劲。

上述结论具有如下政策意涵与启示：第一，人工智能技术的应用切实强化了企业的市场价值，推动前沿人工智能技术与实体企业的深度融合，具有高度的实践价值。中国政府应当顺应数字经济发展大趋势，抓住可信前沿数字技术突破的关键机遇期，为企业创新转型提供良好支撑。应进一步加快数字政府、数字社会建设步伐，通过数字中国建设来撬动微观企业的前沿数字技术的研发、应用与拓展。应进一步加大对人工智能技术基础研发领域的支持，运用多类别政策工具(税收、金融、保险等)，支持上市企业开展技术攻关和科技成果转移转化。第二，实行差异化的政策分类供给，以针对性地最大限度释放人工智能所蕴含的技术红利。一方面，要加强对企业特征禀赋差异的识别，针对非国有企业和高科技企业进行专项的大力度技术研发支持和政策鼓励，优化其人工智能技术的创新和应用模式，从根本上提高人工智能技术应用的绩效。另一方面，要积极引导国有企业、非高科技企业进行前沿技术应用的初步探索，打破体制机制障碍，在科学技术研发创新、平台建设等内容上进行引导支持。政府部门在制定有关人工智能技术应用的鼓励政策时，特别需要考量企业属性差异所带来的影响，提供更具有精准导向的政策支持。第三，重点打造新型技术基础设施建设，以促进企业人工智能技术应用的扩散，推动数字经济高质量发展。政府部门应将基础设施建设导向逐步向物联网、人工智能等领域倾斜，最大限度降低人工智能技术在各企业、各行业中研发、应用和拓展的成本，从而加快人工智能技术外溢效应的扩散，打通人工智能技术作用于上市企业的渠道机制，推动企业内部生产、技术结构的优化升级，为企业高质量发展提供全新技术驱动力。