人工智能产业政策的创新促进效应—— 来自企业专利数据的证据

陈艳霞 张鹏

内容提要:利用2017年至2021年地市层面人工智能产业政策作为准自然实验,将企业基本信息与专利数据匹配构建月度面板数据,运用交错双重差分法进行创新促进效应估计后发现:人工智能产业政策对于地区、企业层面的创新水平均具有显著促进作用,具体的创新促进效应因政策类型、企业特征而存在异质性;机制检验表明,人工智能产业政策可以通过政府补贴、产学研协同和引致创业等路径激励企业积极从事创新活动。因此,地方政府应加快构建有利于人工智能产业高质量发展的政策支持体系,出台有针对性的产业政策配套实施细则,统筹利用供给型、需求型、环境型产业政策工具,加快建立与人工智能创新趋势相适应的配套监管机制和规范框架,促进人工智能企业的创新水平。

一、 引 言

人工智能作为驱动新一轮科技革命和产业变革的重要动力,已经成为社会主义现代化建设的关键布局。随着政府、行业的积极投入和技术的持续进步,2020年我国人工智能核心产业规模已超过4000亿元,企业数量超过3000家。(1)《工信部:我国人工智能核心产业规模超四千亿元 企业数量超三千家》,人民网http://finance.people.com.cn/n1/2022/0726/c1004-32485842.html,2022年7月26日。当然,在产业规模日趋庞大的同时,创新深度不足的问题同样显著,特别是产业基础层核心领域创新能力不足,技术发展与产业应用存在脱节。近年来,由ChatGPT引发的有关人工智能革命的讨论,也促使人们深刻思考如何构建有利于人工智能产业取得突破性创新应用的政策环境这一问题。

产业政策是政府向重点产业引导要素和配置资源的重要宏观调控手段,是中国前沿产业实现赶超进程中进行政府干预的有效路径(贺俊,2022)。然而,对于产业政策有效性这一重大问题,学界长期存在争议(林毅夫,2017)。一种倾向“产业政策有效”观点认为,政府通过财政补贴、税收减免、信贷优惠等形式实施的产业政策能够有序引导资本要素进入新兴产业领域,并通过一定的管制手段规避不正当竞争行为。另一种倾向“产业政策无效”观点则认为,由于信息不对称存在,产业政策可能会引起资源配置扭曲并催生寻租行为,或导致企业对扶持政策产生依赖,反而不利于产业有效运行,同时政府能力不完备和制度安排不完善也可能导致产业政策效果适得其反。

在产业政策有效性的争议中,一个关键问题是产业政策如何影响企业创新水平。当前的研究同样提供了产业政策的创新促进效应和创新抑制效应两方面的观点。产业政策对企业创新的促进效应可以从“能够”与“愿意”两个角度进行讨论:一方面,产业政策能够通过财政、税收、金融与行政管理等手段缓解企业进行创新时面临的融资约束,以及向外传递有利于企业融资的研发能力信号,使企业“能够”进行创新;另一方面,产业政策又能够通过引导市场需求、知识产权保护、促进人才集聚等途径改善创新发生的环境,使企业“愿意”创新。至于对创新的抑制效应,则与“产业政策无效”观点相呼应,具体体现在政府研发补贴对企业投入的挤出、信息不对称带来的“迎合式”或“策略式”创新等方面。

创新发展是人工智能产业的基本趋势,在促进产品重塑、流程重组、行业重构、效率提升等方面展现出“创造性破坏”的关键动力(吴非和徐斯旸,2022)。同时,人工智能产业的创新本身需要产业界、学术界和行业部门的协同推进。因此,在挖掘和释放人工智能“红利”的历史机遇期,瞄准核心创新能力、区域协同创新、创新场景开发、规范创新应用的一系列人工智能产业政策应运而生。从国际经验来看,人工智能产业政策可以为新兴领域的商业模式提供方向性引导,对特定行业提供资金和人力资本支持,并扩展知识传播节点及技术交流网络。然而,目前针对人工智能产业政策效果的讨论仍集中在产业结构升级、产品出口质量等方面(胡俊和杜传忠,2020;周科选和余林徽,2023),可见人工智能产业政策能否发挥以及如何发挥创新效应,仍然有待检验。

因此,本文旨在充分厘清产业政策创新促进效应发挥的实在性与局限性,通过区分政策类型和企业特征讨论创新促进效应的异质性,并试图挖掘创新激励机制的内在路径,为充分挖掘和释放人工智能“红利”、完善构建现代化产业体系所需的政策体系提供有益探讨。相较以往研究,本文作出的可能贡献如下:第一,本文聚焦人工智能产业这一特定重点产业,弥补了当前相对匮乏的人工智能产业政策有效性评估研究,研究视角较为独特;第二,本文基于微观专利数据库在企业和地区两个层面进行创新促进效应的实证检验,能够更为系统和全面地刻画政府干预与市场主体创新行为间的关系;第三,本文尝试阐释人工智能产业政策的创新促进效应因政策类型不同、被支持主体特征不同而产生的异质性影响,并深入讨论创新促进效应的作用路径,提出更具有针对性的政策建议。

二、 文献综述、政策背景与研究假设

1. 产业政策的创新效应

产业政策能够缓解企业进行创新投入的融资约束。第一,对于新兴企业来说,面临创新投入回报的不确定性和自身资金规模有限的问题,往往存在较高的研发投入融资约束,而针对某些特定行业产业政策能够向金融机构传递信号,促使其向特定企业提供贷款和审批方面的融资便利,使企业在股权融资、股权再融资和银行贷款方面的获得高于其他企业,有利于为企业投入研发活动形成宽松的外部融资环境(Brander等,2015)。第二,政策补贴作为产业政策的主要手段之一,能够直接降低企业进行创新活动的成本,尤其是对于战略性新兴产业来说,大力度的帮扶和补贴能够有效改善初创企业的资金不足问题(陆国庆等,2014),降低企业研发失败的边际成本。第三,税收优惠或减免等政策工具不仅能够降低企业创新的边际成本,也有助于企业自有资金的积累,并增加其持续投入创新活动的可用资金规模。

产业政策能够改善企业从事创新活动的市场环境。一方面,产业政策的支持会引导更多企业进入特定行业,客观上构建了更为激烈的竞争格局,从而激励企业凭借技术创新优势占据垄断地位以获取超额利润。另一方面,产业政策的实施还可以通过改善创新基础设施建设、完善产权保护制度的方式强化企业的创新意愿,创新活动的开展依托于技术共享和企业的积极性,而基础设施的改善能够有效提升企业组织创新活动和形成创新组合的能力,知识产权保护制度的健全则在于维护企业进行原始创新和突破性创新的内在动力(张杰等,2015)。同时,政策补贴的效应也会因创新环境的改善得到强化,如对于高科技、内部控制水平较高或所处营商法制环境较好的企业而言,创新补助的激励效应更为明显(李万福等,2017)。

当然,也需要认识到,产业政策也可能引发寻租行为、偏向性补贴、研发投入的挤出等问题。首先,政府对企业提供的补贴与税收优惠等主要表现为事后支持,此时寻租行为可能让企业将原本用于研发活动的资金和资源转移到其他非正规用途,从而挤出创新投入的规模(袁建国等,2015)。其次,产业政策的选择性补贴往往倾向于一定规模的、具有政治资源的企业,抑制了其他创新主体的积极性(吴伟伟和张天一,2021)。另外,企业也有可能为了达成政策目标从事大量的“策略式”和“迎合式”创新,在追求政策补贴的同时减少自主投资,不仅会导致创新规模大而创新质量低的情形,也会让原本应投入实质创新的资源被浪费(黎文靖和郑曼妮,2016)。因此,产业政策有可能诱导企业减少创新投入,或因让部分企业更容易获得支持而削弱其创新动力,此时政府和市场作用实际上形成相互抵消而非互补,这就需要观察不同类型企业在获得支持时的差异化创新响应行为。

2. 人工智能产业政策背景

中国自2015年就开始重视人工智能技术在新兴产业领域的布局。2015年国务院印发的《关于积极推进“互联网+”行动的指导意见》提出通过产业链协作提升制造业的智能化水平。同年,《中国制造2025》发布,旨在以智能技术引领制造业变革。2016年发布的“十三五”规划纲要首次提到人工智能是新一代信息技术产业创新的新增长点,能够支持战略性新兴产业的发展。此时的政策视野中,人工智能本身仅仅作为一种技术而非产业化实体存在。直到2017年国务院印发《新一代人工智能发展规划》,将人工智能明确为“新一轮产业变革的核心驱动力”,这是详细论述人工智能发展重点任务和战略目标的纲领性文件。此后,根据《新一代人工智能发展规划》的总体设计,《促进新一代人工智能产业发展三年行动计划(2018-2020年)》《高等学校人工智能创新行动计划》《国家新一代人工智能标准体系建设指南》《国家新一代人工智能创新发展试验区建设工作指引》《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》等陆续出台,形成了引导产业创新方向、支撑产业创新落地的一系列政策组合。

与此同时,各地区也纷纷响应《新一代人工智能发展规划》要求,因地制宜出台了发展规划或行动计划,形成了中央指导、地方协同、多元共治的人工智能产业政策体系。从对地方性政策实践的梳理中,可以发现与以往产业政策相比,人工智能产业政策体系具有创新导向性、地方性、渐进协同性、监管规范并重的典型特征。第一,尤其注重创新导向。关注创新结果是各国实施人工智能产业政策的基本共识,也是中国中央和地方人工智能产业政策的共同主题,无论是针对产业链上游的基础设施建设,或是针对产业链中游的技术转化,还是针对产业链下游的市场需求引导,都以研发创新产品、开发创新场景和保护创新成果为最终导向。第二,具有明显地方特色。各地在发展过程中根据自身产业基础和比较优势出台了因地制宜的产业政策措施,如北京重视产业集群的整体提升,上海注重培育特定领域的核心竞争力,贵州侧重依托数据资源提升算力基础,深圳突出人工智能创新对其他行业的增益与赋能。第三,进行渐进式协同配套。如上海先通过实施意见规划人工智能产业创新的具体方向,在此基础上又出台实施细则对深度融合人工智能核心技术的项目进行无偿资助,而后又通过引导民间投资支持民营企业广泛参与人工智能基础设施建设,形成了系统性创新激励机制。第四,监管与规范并重。为应对人工智能应用潜在的隐私侵犯等风险和科技伦理问题,通过法规或条例实现对创新主体的监管和创新模式的监督,以及通过行业的自发规范探索人工智能产业创新的原则和边界,形成人工智能领域监管与创新互动的新型治理模式。

3. 研究假设

首先,人工智能产业政策的创新促进效应是较为明确的。第一,指导性、规划性产业政策能够向市场主体传递积极的资源配置信号,这不仅有利于消解企业对创新产出不确定性的担忧,也能够引导行业内外人力资本和研发资金的重新配置。第二,补贴性产业政策能够直接缓解具有创新意愿的市场主体的融资约束,使研发投入中的企业投资更接近于社会最优水平。第三,平台性、定点性专项产业政策能够通过要素的集聚和共享加快市场主体间的知识流动,并通过加剧竞争以促进创新。由此,本文提出假设:

假设1:人工智能产业政策能够显著提高地区、企业层面的人工智能创新能力和创新产出。

其次,按照Rothwell和Zegveld(1985)的政策工具分类,可以将产业政策划分为供给型、需求型和环境型政策。尽管三者对于创新活动的预期影响方向是一致的,但考虑到上述各类政策工具的实施强度,对研发和创新过程的影响力度,以及与创新主体政策需要的匹配程度均不明确,本文提出有关创新效应在政策层面存在异质性的假设:

假设2:供给型、需求型和环境型人工智能产业政策的创新促进效应存在差异。

再次,地方实施的产业政策往往因企业身份、禀赋而存在特定偏好或指向性,这可能会影响到不同企业获取要素支持的可及性(熊勇清和王溪,2020),而且不同性质、规模的企业也可能因其预算约束和要素利用能力,对政府同等的资源投入形成不同的创新响应(Liang等,2012),由此,本文提出有关创新效应在企业层面存在异质性的假设:

假设3:人工智能产业政策对企业层面人工智能创新的影响会因企业所有制类型和规模的不同而发生变化。

最后,针对人工智能产业创新效应的具体影响路径,研发补贴固然是产业政策中最为普遍和具有针对性的扶持措施,但政府的研发投入是否能够通过缓解企业融资约束促进创新,抑或导致自主创新的挤出或寻租行为,尚未得到一致结论,因此政府补贴效应成为本文尝试识别的主要机制。同时,推动企业与高校、科研院所的产学研协同创新已经成为环境型产业政策的一个重要方面,为企业接触和转化前沿技术提供了路径和机会,因此高等教育或科研机构将潜在提高产学研合作、创新平台建设等具体措施的可落实程度,从而形成产学研协同效应。另外,以往研究也指出,一些产业政策能够降低企业进入某一行业或某一市场的成本,进而促进新兴产业规模的增长,其中隐含的机制是,地区创新水平提升可能会体现在增加创新主体的广延边际上,因此本文同样对产业政策的创业引致效应进行检验。由此提出假设:

假设4:人工智能产业政策可能通过政府补贴效应、产学研协同效应和创业引致效应对创新能力和创新产出产生影响。

三、 数据说明与模型设定

1. 数据来源

本文采用的主要数据来源于国家知识产权局自2017年1月1日至2021年12月31日公示的专利数据(2)本文以2017年为数据收集的初始年份,是因为《新一代人工智能发展规划》(国发〔2017〕35号)于2017年7月正式发布。,包括专利申请人、发明人、专利权人、申请及授权公告日、专利分类代码、简要说明等信息。根据对现有产品、方法的不同改进和应用程度,可以分为发明专利、实用新型专利及外观设计专利三大类,由于本文关注的人工智能创新是对现有技术的显著进步或突破,所以剔除了实用新型专利和外观设计专利样本,并将发明专利申请数量和授权数量按申请人和专利权人分别加总到企业层面。同时,本文在参考历年专精特新中小企业公示名单、国家高新技术企业公示名录、WIND新一代战略新兴产业数据库的基础上形成人工智能企业名录,依据全国工商企业信用信息公示数据,通过关键词、行业上下游识别出人工智能企业共6242家,包含企业存续年限、企业所在地区、企业所有制性质等基本信息。最后,通过企业注册信息数据库中企业名称与专利数据库进行匹配,共得到人工智能企业专利申请信息16.27万条、专利授权信息5.98万条。为了与月度政策库进行匹配,本文将专利申请数量和授权数量分别按企业加总到月度层面。

本文手工整理了2017-2021年地市(含直辖市)层面人工智能产业政策,并将其发布或实施时间(3)若为规划性、指导性文件,以其发布日期所在月为准;若为实际的支持政策细则,以其实施日期所在月为准;若未列明生效或实施日期,以其发布日期所在月为准。定位到月度层面。在收集过程中,本文将政策文件名称的关键词设置为“人工智能”“智能制造”“机器人”“新一代信息技术”等,最终在样本期内得到有关71个城市182份产业政策文件。另外,本文使用的控制变量主要来源于全国工商企业信用信息公示数据及《中国城市统计年鉴》,对于部分缺失数据采用线性插值法补全。

2. 变量说明

(1) 被解释变量创新能力和创新产出。本文将发明专利申请数量作为衡量人工智能企业创新能力(Innovation_Ability)的核心指标,这是因为专利的研发过程和结果均需要企业的研发投入和人员配置,是对创新能力的综合体现。相应地,本文将发明专利授权数量视为衡量实际创新产出(Innovation_Outcome)的核心指标,这是因为只有专利获得授权才意味着企业创新能力获得审查当局的认同,但授权本身需要经过一个较为漫长的审查期,也因审查、年费等而存在更多不确定性,因此专利申请数量是一个更为准确和稳定的指标。当然,无论是创新能力还是实际产出,都需要政府和企业进行研发投入,因此本文将两个指标同时纳入创新效应的估计模型。为了避免异方差带来的估计偏误,本文对上述两个变量均取对数处理。此外,考虑到人工智能产业政策实施的指向性和针对性,在对地区层面的创新促进效应进行估计时,将被解释变量设置为人工智能企业发明专利申请量或授权量在企业所在城市层面的加总,同样取对数处理。

(2) 核心解释变量地市层面人工智能产业政策发布情况。根据双重差分的基本思路,本文先设置识别在样本期内是否有产业政策发布的虚拟变量Treat,以及识别政策发布或实施时间的虚拟变量Post,核心解释变量AIpoicy是地区和时间的交互项(Treat×Post),实施组取1,对照组取0。对于在样本期内发布了多份人工智能产业政策的地市,以最早发布的政策时间为准。

(3) 控制变量。创新水平差异首先可能体现在不同特征的企业之间,因此本文将企业成立年限、所有制、注册资本金数额纳入控制变量,从而区分企业规模、资本性质的影响。企业创新水平还不可避免地会受到所在城市各类创新环境或基础设施的影响,因此本文控制了描述经济、就业、通信等城市特征的人均地区生产总值、人均工资、产业结构、宽带用户接入数。

根据描述性统计结果,可以发现人工智能企业在样本期内平均申请发明专利26.06个,授权发明专利9.58个,申请授权比为2.72∶1。具体地,这些人工智能企业样本的平均存续年限为8.25年,注册资本金数额在10万元至55亿元间不等,其中国有企业占比约为38.6%,民营企业占比约为57.6%,外资企业占比约为3.7%。

表1 变量定义及描述性统计

3. 模型设定

由于产业政策和创新行为本质上是宏观和微观两个层面的行为,本文将人工智能产业政策的实施视为对企业创新的外生冲击,且政策发布存在地区、时间层面的横向及先后差异,这为将产业政策实施视为准自然实验并构建实施组和对照组提供了可能。因此,本文采用交错双重差分(Staggered DID)对人工智能产业政策的创新净效应进行估计,企业微观层面的基准回归模型设定如下:

Innovationict=β0+β1AIPolicyct+β2Controli,c,t-1+Fc+Ft+εict

(1)

其中,i表示企业个体,c表示地市,t表示年份;被解释变量Innovationit即i企业在t年申请或授权的专利数量;核心解释变量AIPolicyct即表明地市层面人工智能政策实施情况的交互项(实施组为1,对照组为0),β1是关键参数,衡量了企业创新能力和实际产出在人工智能产业政策实施前后的平均差异。考虑到专利审查期的影响,本文在将被解释变量转换为表示创新产出的专利授权量时,观察的是政策发生2年后的情况。Controli,c,t-1表示有关企业规模、所有制性质、行业性质等特征的控制变量集合,为了减少潜在的内生性影响,将地区层面的控制变量滞后1年处理。此外,本文采用地区固定效应Fc和年份固定效应Ft来捕捉地区间和年份间难以观测的遗漏变量,扰动项为εict。同时,为了避免序列相关和异方差问题,本文将标准误聚类到地市-年份层面。

为了实现对产业政策创新促进效应的具体影响机制的识别,本文通过加入与政策实施虚拟变量的交互项,对政府补贴效应、产学研协同效应和引致创业效应进行估计,模型设定如下:

Innovationict=γ0+γ1AIPolicyct×Featurect+γ2Controli,c,t-1+Fc+Ft+εict

(2)

其中,Featurect表示地区层面的是否出台专项资金补助、高等教育机构数量、当年新增人工智能企业数量;γ1表示在上述变量的作用下,产业政策的创新效应能够在何种程度上得到加强或抑制;其他控制变量与固定效应的设定与模型(1)一致。

进一步地,本文还利用事件分析法进行平行趋势检验,利用倾向得分匹配、调整样本等方法进行稳健性检验。

四、 实证结果与讨论

1. 基准回归结果

表2Panel 1列(1)列(2)报告了地市层面产业政策对微观层面企业创新的影响,可以发现产业政策实施对企业创新能力和创新产出的影响系数均显著为正,说明在其他条件不变的情况下,相较于企业所在城市未实施人工智能产业政策的样本,能够享受产业政策红利的企业在月度层面的专利申请量要高出2.4%,本文的研究假设1即产业政策的创新促进效应得到检验。考虑到专利审查期可能导致对创新产出影响的低估,产业政策发布2年后,能够显著提高企业创新产出1.9%。在Panel 1列(3)列(4)中,加入了个体固定效应以消除企业层面其他不可观测因素的影响,结果显示创新促进效应仍然均显著为正。

表2 基准回归结果

(续表)

考虑到产业政策实施在地区层面的整体性,本文将人工智能企业发明专利申请数和授权数分别加总到城市层面后进行回归,表2Panel 2列(3)列(4)汇报了相应的结果,产业政策实施组城市相较控制组城市的人工智能创新水平更高,地区层面的创新能力和实际产出分别要高出2.8%和2.1%,证明城市层面产业政策的创新促进效应仍然存在。Panel 2列(1)列(2)也汇报了控制城市层面控制变量而非采用固定效应的结果,回归系数仍然呈现正向显著,可见对于人工智能产业政策创新促进效应的估计是稳健的。

2. 异质性分析

(1) 政策类型的异质性分析。本文将政府通过资金、信息、技术、人力资本等要素支持直接扩大供给的产业政策识别为供给型政策,政策文本关键词为“研发经费补助”“扶持资金”“数据共享”“人才团队”等;将政府通过采购、贸易等措施减少市场不确定性或直接引致需求的产业政策识别为需求型政策,关键词为“关税优惠”“政府专项采购”“转化应用”“政务模块”等;将政府通过财政、规制、平台等政策影响人工智能企业培育与市场环境的产业政策识别为环境型政策,关键词为“产业集聚园区”“税收抵免”“研发费用扣除”“创新平台”等。

表3汇报了不同类型产业政策对企业创新能力、产出的异质性影响。供给型政策实施会导致城市内人工智能企业专利申请量和授权量分别提高3.3%和2.7%,明显高于基准回归结果,说明供给型政策带来的资金、人才、信息等要素支持能够更直接地作用于企业创新水平提升,如帮助企业降低信贷约束和研发投入成本、匹配更高技能的人力资本等。环境型政策对于专利授权量的促进更为明显,考虑到环境型政策本身更注重基础设施、营商环境的改善,对于企业的影响是系统而长期的,因此可以理解其为何更显著地体现在创新产出的长期促进效应中。需求型政策能够显著提高企业创新能力,但在创新产出层面没有得到具有统计意义的结果,这也许是由于需求型政策对产业整体的预期和短期产品需求产生作用,但政府采购的落实仍需要进行严格的市场筛选和招标程序,并不能作用于大部分企业,因此需求型政策的创新促进效应有限。

表3 政策异质性分析结果

(2) 企业特征异质性分析。本文按照企业股权占比最大股东的法人性质将企业所有制类型划分为国有企业、民营企业和外资企业(含港澳台资),按照注册资本金200万元以下、200万～1000万元、1000万元以上将企业规模划分为小型、中型、大型三类,分别进行产业政策创新效应的异质性检验。

表4列(1)至列(6)显示,国有企业、民营企业和外资/港澳台企业的创新能力均会因产业政策而得到显著提升,且民营企业表现更为明显,受到人工智能产业政策扶持的民营企业的专利申请量和授权量相较于未实施政策地区的企业分别要高出6.2%和4.3%。然而,产业政策的创新促进效应并未显著体现在国有企业的专利授权量上,这也和以往研究结果类似,即国有企业往往具有更雄厚的资金基础,对产业政策的依赖并不高,而民营企业由于时常面临自身获取外部资源的能力不足或融资难,受益于产业政策带来的资源补偿和预期激励,容易形成更为积极的创新行为反馈。

表4 企业特征异质性分析结果

表4列(7)至列(12)展示了人工智能产业政策对不同规模企业的创新促进效应。在创新能力方面,可以发现估计系数随着企业规模扩大先增加后减少,这与以往研究中企业规模与创新间存在倒U型关系的结论是一致的(聂辉华等,2008),也侧面印证了相对较大规模的企业本身具有足够的研发投入能够支持创新活动,具有从事创新的丰富经验和规模效应,但当企业进入成熟期以后,出于垄断等因素的影响,其创新水平未必会持续提升。值得注意的是,尽管小型企业中产业政策的创新促进效应的估计系数较小,但在实际创新产出水平方面的显著提升可能说明了小型企业或初创期企业在获得资源扶持以后从事了更多高质量的实质性创新活动,这也意味着产业政策应适当向小规模企业倾斜,以更好发挥其激励作用。

3. 机制分析

本文将人工智能产业政策实施与是否针对企业设置专项资金(包括直接补助、研发补助、产业基金等)的交互项AIPolicy×Specific_Fund设定为识别政府补贴效应的变量,将人工智能产业政策实施与城市拥有的高校数量的交互项AIPolicy×City_Uninum设定为识别产学研协同效应的变量,将人工智能产业政策实施与当年新增人工智能企业数量的交互项AIPolicy×Entre_newly设定为识别创业引致效应的变量,分别检验人工智能产业政策发挥创新促进作用的可能机制。

表5列(1)显示交互效应的估计系数高于主效应,说明具有专项资金扶持的产业政策能够显著提升创新促进效果,相较那些实施产业政策但没有专项资金扶持的地区,对当地企业进行直接或间接资金支持的地区创新能力要高出约3.9%。列(3)列(4)的结果显示产学研协同效应相较资金支持表现出了更为明显的创新能力和创新产出提升效果,这充分佐证了人工智能产业的复合性特征,即涵盖多个学科领域,需要专业人才的分工协作,同时也需要众多要素的衔接配合,而构建有利于人工智能企业创新的协同平台、沟通机制和创新环境,将有利于形成驱动企业创新的内生动力。列(5)显示出创业引致效应能够显著强化原有的创新促进效果,但仍要小于专项资金扶持的改良幅度。另外未发现实际的创新产出因当地存在专项资金支持和新增人工智能企业而出现显著的增长,这可能说明对发明专利的审查过程及标准还是相对严格和外生的,也可能说明要素支持和市场竞争的创新促进效应体现在数量而非质量上。

表5 人工智能产业政策影响企业创新的机制分析结果

4. 稳健性检验

(1) 平行趋势检验。为了确保政策实施满足随机性假设,也为了避免政策实施组和对照组的事前差异影响对政策效应的观测,本文进行平行趋势的检验。同时,本文观察的政策在地市层面相继出台,属于交错双重差分的设定,因此参考Sun和Abraham(2021)的做法,对以下模型进行事件分析法估计:

(3)

在窗宽的构建和选择中,本文采用1个自然季度=3个自然月=90个自然日,构建了相对政策干预发生时点前后8个自然季度的平衡样本。其中,∂t表示出台人工智能产业政策的地区在政策实施前8个自然季度和后8个自然季度的变化情况;t0是各地市发布或实施人工智能产业政策的基准月份,发布多份政策文件的以最早发布的时间为准;Treatj×t是实施组特有的时间趋势项;控制变量和双向固定效应的设置与模型(1)保持一致。

图1展示了对创新能力和创新产出影响系数的估计结果,可以发现在人工智能产业政策发布以前,系数均不显著异于0,说明处理组和控制组在政策实施前的创新水平并不存在显著差异,符合平行趋势假设。在政策实施后,受到产业政策支持的企业创新能力在10%的显著性水平上高于控制组企业,且这种创新促进效应的提升在此后2年内仍然存在。在右图创新产出的结果中,可以发现在接近政策实施2年以后,人工智能企业的创新产出开始受到政策的影响且影响效应显著为正,结果与基准回归结果一致。

图1 事件研究法估计结果注:横轴为距离政策发布的自然季度数,纵轴为估计系数和90%置信区间。

(2) 倾向得分匹配。本文采用倾向得分匹配法(PSM)构建对照组以克服样本自选择问题。首先利用企业特征变量估计并得到人工智能企业可能受到地区性产业政策扶持的概率和倾向得分,采用最邻测度匹配一比一配对得到未受到产业政策扶持的对照组企业。表6列(1)列(2)的结果与基准回归结果的估计系数方向相同且数值相近。

表6 人工智能产业政策对企业创新影响的稳健性检验结果

(3) 以年度为统计单元。尽管以月度为统计单元能够更为及时地识别政策效应,且较高频度数据带来的渐进一致性能够减小估计偏误,但同样更容易受到时间趋势的影响,如企业可能在某一段时期内对发明专利进行集中申报,因此,本文将各类变量加总至年份层面进行估计,结果如表6列(3)列(4)所示。产业政策在年度层面带来的创新能力提升幅度约20.4%,对创新产出提升幅度约17.5%,与以往研究中对产业规划的技术创新效应(19%～23%)、开发区政策的技术创新效应(15%～21%)的估计结果相近(余明桂等,2016;吴敏等,2021)。

(4) 调整样本。考虑到专精特新企业和高新技术企业本身相对其他企业会受到更为广泛和直接的政策扶持,例如上海市浦东新区对新认定的专精特新企业给予一次性资助,并对上一年度研发费用加计扣除额的10%给予资助,浙江省对省内国家高新技术企业减按15%税率征收所得税。为了排除是这些高新技术产业政策而非人工智能产业专项政策带来了企业创新水平提升的外溢效应,本文依据国家和地方专精特新中小企业名录和国家高新技术企业名录剔除了3644个样本并重新进行双重差分估计,结果如表6列(5)列(6)所示,可见创新促进效应仍然显著,但相较基准回归结果偏小,说明不同产业政策的影响可能确实存在叠加,当然人工智能产业政策的影响依然是稳健的。

五、 结论与政策建议

本文利用各地市相继出台的人工智能产业政策作为准自然实验检验了特定战略新兴领域产业政策的创新促进效应,发现产业政策的实施在地区、企业层面均能够显著提升创新能力和创新产出,在调整样本等稳健性检验中均未发现创新抑制效应。动态分析结果表明,产业政策对于创新能力的提升是持续而长期的。本文也发现了不同类型产业政策带来的异质性影响,直接提供要素支持的供给型产业政策能够同时显著提升企业创新能力和创新产出,环境型产业政策的作用更显著地体现在对企业长期的实际创新产出和创新质量上,需求型产业政策对于创新产出的影响不明显。在不同企业特征的比较中,民营企业受到产业政策激励而开展创新活动、提升创新水平的效应更为明显,产业政策的创新促进效应随着企业规模的增加呈现先上升后下降的趋势,其中小型企业的实际创新产出的正向提升值得关注。在具体作用机制的识别中,政府补贴效应、产学研协同效应和引致创业效应均能够显著提升企业的创新能力,且产学研协同效应能够有效提高企业的实际创新水平。

基于上述结论,本文提出以下政策建议:第一,应进一步推动地方政府出台针对性的产业政策配套实施细则。本文得出的人工智能产业政策显著促进企业创新的结论,有力佐证了战略新兴产业领域政府干预的必要性,需要因势利导把握产业政策的创新促进效应,并在厘清企业需求和创新促进异质性的基础上,出台针对小微企业、民营企业创新激励的有效措施,培育一批具有突出创新能力、引领能力和竞争力的前沿人工智能企业。第二,应统筹利用供给型、需求型、环境型政策工具,重视环境型产业政策工具的应用。鉴于本文的政策异质性分析和机制检验结果,可以发现除了对于企业主体和创新成果的直接资金支持以外,建立和改善有利于创新的产学研协同环境能够更为有效地提升企业实际创新产出,因此需要重视创新环境、基础设施的作用,以应用场景创新激发企业创新活力。第三,应加快建立与人工智能创新趋势相适应的配套监管机制和规范框架。创新往往与风险相伴共生,特定领域出于商业动机进行的激进式创新活动也很有可能引发伦理和创新失范问题。因此,应当在兼顾市场创新与公共利益的治理框架内,形成对人工智能产业市场主体进行扶持、激励、调节及监管的相互促进、相互规范的政策体系。

遗憾的是,受限于数据可得性等原因,本文在识别策略、机制检验方面仍存在不足。第一,其他诸如科技型中小企业政策等带来溢出效应仍然可能同时影响创新水平,导致估计结果有偏;第二,可以进一步构建地区层面的人工智能产业赫芬达尔指数,以厘清市场竞争对政策创新效应的调节作用;第三,在对国有企业、大型企业的回归中均未发现产业政策对企业实际创新产出形成促进,是否说明产业政策只能带来创新数量而非质量的提升,或者说部分企业为获取资源而做出了“迎合”或“策略”创新行为,这需要运用更多描述专利质量如引用量等指标和利用更长期追踪样本的分析。