人工智能与实体经济“脱虚向实”

关键词：人工智能；实体经济；高质量发展

DOI：10.19313/j.cnki.cn10-1223/f.20241018.001

一、引言

自改革开放以来，中国经济从1991-2010年间保持了持续的高增长。尤其是2001年中国加入世贸组织以来，由于外需和内需的迅速扩大，中国制造业不断壮大，实体经济固定资产投资率持续上升。然而在2008年全球金融危机后，中国经济面临制造业外需萎缩、内需转向房地产和金融市场以及实体投资率下降等挑战。据《2022年上市公司投资性房地产研报》统计，2022年全部上市公司（包括A股和H股）的投资性房地产总额为63689.43亿元，同比增长9.9%。其中，制造业的投资性房地产占比为14.8%，仅次于房地产行业①。为了推动实体经济健康发展，早在2017年，党的十九大报告中就明确指出，要加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济融合②。面对人工智能、大数据、云计算、区块链等新一代ICT（Informationand Communication Technology）引领的新一轮科技革命和产业革命，制造业企业亟需利用新技术摆脱未来潜在劳动力不足、生产成本上升和产品利润率低等困境，夺取行业制高点，实现效益和质量双提升。根据艾瑞咨询统计，相较于2020年，2021年全年中国制造业投融资市场迎来事件和金额的双增长，其中投融资事件数增长46.5%，投融资金额增长31.9%，主要来自于生产控制类和AI 类软件。鉴于此，人工智能等技术发展将为实体经济“脱虚向实”提供新机遇。

为了说明这一问题，图1 刻画了2007-2022年中国A股非金融上市公司和制造业上市公司实物投资占比（实体投资率）和固定资产净值占比以及美国非金融上市公司和制造业上市公司固定资产净值占比的变化情况。其中，实体投资率的定义是企业“购建固定资产、无形资产和其他长期资产”项目占总资产的比重。从图1 中可以看到，中国制造业企业和非金融实体企业的实体投资率在2008年左右到达顶峰后，呈持续下降的趋势。直到2017年，中国实体企业实体投资率开始止跌回升，呈缓慢增长趋势。无独有偶，美国制造业固定资产净值占比也从2018年开始呈上升趋势。那么，是什么因素导致了国内和国际制造业企业实体投资率的提升？人工智能等新一代信息技术发展与实体投资上升之间是否存在关联？

关于企业实体投资的影响因素，现有文献主要从内生因素和外生因素两类视角来研究。内生因素主要关注企业金融化和企业治理等。已有研究认为，金融渠道的高收益和企业管理层的代理问题会导致企业短视行为，进而改变投资策略，将资本从实体经济投向金融业，导致资源不能支持企业设备更新和产品研发（Orhangazi，2008；Demir，2009；谢家智等，2014；Tori＆Onaran，2016）。张成思和张步昙（2016）研究了企业金融化对实体投资率下降的影响，发现经济金融化显著降低了企业的实业投资率，并弱化了货币政策提振实体经济的效果。外生因素则关注政策环境、制度环境和技术创新等对企业实体投资率的影响。一是政策和制度环境会影响企业实体投资产生。已有研究发现，地区金融监管对非金融企业从事虚拟经济（持有金融资产）具有显著的抑制作用（马思超和彭俞超，2019）。万良勇（2013）关注法治环境对企业投资的影响，发现法制水平与企业投资效率呈正相关。此外，也有学者发现税收竞争、国际资本流动、地理溢出因素和经济政策不确定性等都会对企业实体投资产生影响（陈国进和王少谦，2016；张成思和刘贯春，2018；张国庆和李晓春，2019；金龙等，2020；万晓琼和孟祥慧，2021）。二是技术因素会影响实体投资，其中包括传统产业技术升级和新兴技术的影响。过去，学者们研究证实了一般性的技术进步和知识外溢对企业全要素生产率产生影响进而引起经济增长方式的变化（颜鹏飞和王兵，2004；陈继勇和盛杨怿，2008）。

近年来，人工智能等数字技术作为一种关键的新兴技术，引起了广泛的关注。林晨等（2020）通过构建一般均衡模型，研究人工智能对优化资本结构、扩大居民消费的影响，发现人工智能可以提高实体经济的吸引力，挤出房地产和基建资本，进而促进居民消费。此外，孙早和侯玉琳（2021）发现人工智能会促进制造业全要素生产率的提升。而黄群慧等（2019）从行业、城市和企业层面研究了互联网技术对制造业生产率的影响，得出了显著促进的结论。吴非等（2021）研究发现，企业数字化转型提升了实体企业在资本市场的表现。田秀娟和李睿（2022）通过建立多部门熊彼特内生增长模型，发现数字技术赋能生产部门和金融部门，将长期助力实体经济转型升级和高技术产业的发展。目前，人工智能与劳动力结构（Acemoglu & Restrepo，2020；闫雪凌等，2021）、产业结构（郭凯明，2019；Aghion et al.，2017）和收入差距（郭凯明和向风帆，2021）等方面的研究较为丰富。然而，关于人工智能技术对实体经济投资率的影响的讨论却较为匮乏，且具体影响机制尚需深入研究。

不难发现，以往研究多从企业内生的因素和外生的制度环境等出发，论述影响实体投资的因素。虽然有少量文献关注了人工智能等新一代信息技术对实体经济的影响，但多为理论层面的论证，缺乏企业层面直接探究的人工智能对实体投资率的影响，也缺乏从实证视角来揭示人工智能对实体投资影响的内在路径研究。人工智能不仅是新一代信息技术的代表，更是与各行各业结合产生新的价值和创新的平台，其能帮助传统企业在生产、销售、服务和金融供应链等方面形成智能制造的新生态，实现降本增效和转型升级。因此，人工智能引领企业对ICT 资本的投资需求将促进实体经济“脱虚向实”。与此同时，人工智能赋能传统金融，缓解信息不对称，拓展金融边界，可提高中小企业资金可获得性，满足高技术企业实体投资的需要。鉴于此，本文尝试从微观企业视角研究人工智能对中国实体投资率的影响。本文可能的边际贡献在于：一是从宏观和微观两个层面实证检验了人工智能与企业实体投资的关系，论证了人工智能等新一代信息技术对中国实体经济“脱虚向实”的影响。二是创新性地利用上市公司年报词频统计技术，统计了超过17 000 份年报的人工智能关键词的词频，作为微观层面人工智能水平的代理变量，为其他学者研究关于人工智能代理变量方面提供新的参考。三是从提升企业全要素生产率和企业投资回报以及缓解企业信息不对称的视角检验了人工智能对实体经济“脱虚向实”的影响机制，为人工智能驱动产业结构转型的理论机制提供了详细的论证，为多角度理解实体经济提供了新的支撑。

二、理论机制

（一）理论模型

当前学界在一般均衡模型方面，主要采用两种思路刻画人工智能：一种是Acemoglu andRestrepo（2018）、Aghion et al.（2017）等关注人工智能在生产过程中扮演的自动化和智能化角色，主要用于分析人工智能在产业结构、劳动力需求以及整体经济效率方面的作用；另一种是Prettner（2019）等将人工智能视为区别于传统资本的智能资本并将其引入生产函数。本文借鉴Prettne（2019）和郭凯明等（2019）等的方法，将人工智能视为智能资本，建立一般均衡模型分析人工智能对实体投资率的影响。

由上述模型可知，当人工智能对企业全要素生产率有正向影响时，即>0，最优实物投资水平将提高。关于人工智能提升企业全要素生产率，Graetz & Michaels（2018）和陈彦斌等（2019）分别通过实证分析和理论模型证明了人工智能对企业全要素生产率的促进作用。综上所述，当>0，且其他条件不变时，企业实物投资中用于人工智能技术的投入越多，企业全要素生产率水平就越高，且会促进企业整体的实物投资水平的提升。基于上述分析可知，人工智能应用将提升企业实体投资水平，且企业的全要素生产率的提升是重要的影响因素。本文首先提出如下假说：

H1：人工智能将促进企业实体投资水平，提高实体投资率。

（二）理论机制分析

本文从需求和供给两个角度来论述人工智能与实体投资的关系，具体的机制传导如图2所示：

1. 需求端刺激实体投资

需求效应是指人工智能发展通过影响相关企业对资本的需求进而影响实体经济。当前，人工智能作为一种生产要素，将深刻改变企业的传统生产方式，提升企业全要素生产率和投资回报，在不同行业间催生出新业态和新模式，引致资本流向实体经济。

首先，人工智能可以提高企业全要素生产率，促进资本流向实体经济。从企业生产端来看，面对人力成本不断上涨的趋势，人工智能将改变传统制造业企业劳动密集型的生产方式，提高企业劳动生产效率。具体到相关行业，汽车、医疗、金融、数字政府等都是人工智能的应用领域，因此，大量工业机器人、数字机器人以及消费机器人在实体行业中的应用，势必会引发企业对机器人等实体的投资需求。Graetz & Michaels（2018）在其研究中证实人工智能作为一种要素扩展型技术，对劳动生产率具有正向的促进作用。从企业研发端来看，人工智能与大数据、移动互联网等技术的互动将大大提高企业研发效率，促进企业创新竞争力，而在智能化赋能的过程中，人工智能作为资本投入密集型的要素（Sachs & Kotlikoff，2012；Nordhaus，2021），必定会引起大量资本流向实体企业。

其次，人工智能带来的企业投资回报率的上升会增加实体企业对资本的需求。人工智能将改进劳动生产率，提高企业投资回报，而回报率的提高必然促使企业家产生扩大生产规模的动机，进而产生对实体投资的需求。特别地，人工智能是一项国家战略规划，政府将数以万亿计的资本投入到人工智能、数字化等硬件基础设施建设方面，如5G基站、超级计算机设备、大数据中心等，而国家数字化新型基础设施建设将带动大量的上下游实体企业生产和投资需求。此外，人工智能作为通用型外溢性技术，其技术外溢性必将推动诸如无人机、无人驾驶设备、虚拟现实和智能穿戴设备等相关未来产业的发展。而未来新兴产业在初期需要大量研发投入和试产投入，因此，人工智能的不断迭代更新，将为新兴产业赋能，加速新兴产业的成熟和应用，进而提高资本进入未来产业的速度。

因此，从需求端视角看，人工智能将通过提高企业全要素生产率和企业投资回报率促进实体经济对资本的需求。综上所述，本文提出如下假说：

H1a：人工智能将通过提高企业全要素生产率进而促进资本流向实体部门。

H1b：人工智能通过提高企业投资回报率促进资本流向实体部门。

2. 供给端促进实体投资

供给效应是指人工智能与传统金融深度融合，催生出一系列新产品、新市场和新组织，进而促进金融普惠化和数字化，改善金融信息不对称和传统金融结构引致的中小型实体企业资金供给增加的问题。人工智能通过解决金融信息不对称以及监管不严导致的虚假信息识别等问题促进对上市实体企业的资金供给。首先，银企信息不对称一直是阻碍实体企业发展的重要因素（Caggese & Cunat，2013）。人工智能、大数据等底层技术可以爬取、存储、分析海量的共享数据，将借款人的互联网信息结构化，提高银企间的信息透明度，进而免除大银行所必需的、繁杂的审计流程，使优质的实体企业获得贷款，解决企业融资困难的问题（林毅夫和李永军，2001）。其次，人工智能的运用可以打击上市公司财务造假，推动建立信息互通机制，完善资本市场融资渠道。人工智能与大数据结合可以对上市公司历史业务和行业数据以及财务经营信息进行交叉对比，发现是否存在财务舞弊行为。最后，人工智能与大数据结合可以将上市公司经营涉及银行、税务、海关、能源用量等进行信息共享，提升监管部门打击上市公司财务造假的能力，提高投资者对资本市场的参与意愿，促进资本流向实体经济。因此，从供给端视角看，人工智能会畅通资本流向实体的渠道，加快实体经济发展。综上所述，本文提出如下假说：

H1c：人工智能通过改善信息不对称畅通资本流向实体部门的渠道。

（二）变量定义和数据选取

在宏观层面，本文以2010-2020年中国省级面板数据为依据，西藏自治区的数据缺失严重，故将其剔除。数据来源于“天眼查”企业数据库、《中国统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》《中国经济普查数据》《中国金融统计年鉴》《中国固定资产投资统计年鉴》《中国价格指数统计年鉴》等。在微观层面，鉴于数据的可得性和人工智能的发展轨迹，本文选取2015-2021年中国沪深A 股上市公司并剔除数据中的ST、ST*、房地产和金融业相关企业样本，最终得到17129家公司7年度观测值。数据来源于Wind 数据库和各上市公司年报。

各变量和数据处理方法如下所示，具体见表2：

（1）因变量：本文分别从省级和上市公司两个层面构造因变量。省级层面采用所有工业企业固定资产净额增速和所有工业企业固定资产投资额占总固定资产投资额比重来衡量。为了真实反映实体部门固定资产存量和投资额，本文剔除价格因素，以2010年为基期构造价格平减指数，对所有固定资产净额和投资额均作了价格平减处理。上市公司层面采用企业现金流量表中“购建固定资产、无形资产和其他长期资产”项目占总资产比重衡量。

（2）自变量：本文分别从省级层面和上市公司层面构造了两个自变量。省级层面参考李旭辉等（2021）的研究，从两个维度、五个一级指标和十六个二级指标出发，利用熵值法构造了省级人工智能发展水平。微观企业层面，本文创新性地利用Python 文本分析技术，获取了17129份上市公司年报；参考吴非等（2021）的方法对企业数字化转型的词频进行统计，选取人工智能相关热词，用于衡量企业层面人工智能发展水平，词汇表如表1 所示。此外，为了进一步提高本文实证结果的稳健性，本文利用“天眼查”数据库进行“人工智能”关键词检索，保留公司名称、产品服务或经营范围中出现以上关键词的样本。此外，为了防止出现空壳公司，本文剔除了社保参保人数低于1人、注册资本小于100 万以及吊销和注销的公司，构造省级人工智能企业数量指标。人工智能企业数量一定程度上能够反映地区人工智能发展的真实情况，因此将其纳入稳健性检验的范围是合理的。

（3）控制变量：本文分别从省级层面和上市公司层面选择控制变量。省级层面，本文选取①外商投资水平（FDI）：用各省份实际利用外资额占GDP 的比重衡量；②财政支出水平（GOV）：用各省份一般预算支出占GDP 的比重衡量；③金融发展水平（FIN）：用各省份存贷款余额占GDP的比重衡量；④全要素生产率（TFP）：以2010 年为基期，构造了各省份全要素生产率来衡量；⑤工业发展水平（IND）：用各省份工业增加值占GDP 的比重衡量。上市公司层面，本文选取①净资产收益率（ROE）：用企业当年净利润与股东权益余额的比值衡量；②资产负债率（LEV）：用企业当年总负债与总资产的比值衡量；③现金流量（CASH）：用企业经营活动现金流量净额与总资产的比值衡量；④营业利润增长率（OPG）：以企业当年营业利润减去上一年营业利润差值除以上一年营业利润衡量；⑤企业规模（SIZE）：以企业当年总资产的自然对数衡量；⑥企业年龄（AGE）：以企

业实际经营年限衡量。

（4）机制变量：本文从需求端和供给端探究人工智能影响实体投资的机制。从需求端，本文将企业全要素生产率和资产报酬率作为机制变量；在供给端，本文将数字金融和信息不对称作为机制变量。①企业全要素生产率（TFP）：本文采用OP 法和LP 法计算企业全要素生产率作为代理变量；②资产回报率（ROA）：本文将利润和财务费用之合占企业总资产的比重作为代理变量；③信息不对称（ASY）：本文借鉴于蔚（2012）的方法，利用公司个股的交易资料来捕捉证券市场上非知情交易者与知情交易者关于企业价值的信息的不对称程度，并以此作为资金供给方与企业之间信息不对称程度的代理变量。

（三）描述性统计

本文选取2010-2020年中国省份数据和2015-2021年上市公司数据对假说进行验证，描述性统计结果如表3 所示，部分缺失数据用线性插值法补齐。

四、实证结果分析

（一）基准回归

根据上述计量模型，本文从省级和上市公司两个层面检验了人工智能对实体经济资本存量和投资的影响，基准回归结果见表4。表4 列（1）、列（2）报告了省级层面人工智能对实体经济资本存量增速的影响，在不加入控制变量和加入控制变量两种情况下，估计系数分别为0.1817 和0.2558，且均在1%水平下通过了显著性检验，说明人工智能可显著提高实体部门资本存量的积累速度。表4 列（3）、列（4）报告了省级层面人工智能对实体经济固定资产投资占比的影响，在不加入控制变量时，估计系数为0.172 9，且不显著，而在加入控制变量后，估计系数为0.182 2，且在5%水平下通过了显著性检验，说明人工智能可显著提高实体经济部门在固定资产投资方面的比重，使资本向实体部门倾斜。表4 列（5）、列（6）报告了企业微观层面人工智能对实体投资的影响，与不加入控制变量相比，加入控制变量后的估计系数变为0.0024，且均在1%水平下通过了显著性检验，说明人工智能可显著提高企业实体投资水平。从上述计量结果可知，人工智能可从促进实体经济资本积累速度和实体经济固定资产投资比重两方面影响资本对实体的支撑，验证了本文的假说1。

（二）内生性处理

1．工具变量法

在上述计量模型中，虽然本文尽可能去控制那些影响实体投资的影响因素，但是实证结果仍有可能受到不可观测因素的影响，此种遗漏变量将会导致本文核心解释变量估计系数出现偏误。此外，实体经济资本存量和固定资产投资额的变化也会影响人工智能的发展水平，即可能存在反向因果关系。为了缓解遗漏变量和双向因果带来的内生性问题，本文进一步采用工具变量法进行估计。

在宏观层面，本文借鉴Acemoglu和Restrepo（2020）的做法，选择德国工业机器人安装密度（DE_AI）作为工具变量，以2010-2020年德国各行业工业机器人数量与2010年中国各省份分行业的就业人数比例相乘，构建面板工具变量。选择该工具变量的逻辑在于：其一，工业机器人作为当前人工智能发展水平的衡量指标之一，已出现在大量文献中。其二，工业机器人作为人工智能在实体中的大规模应用已成为不可避免的趋势，相关国家的竞争和合作将使人工智能呈现一定的相关性。中德作为制造业大国和人工智能领域的引领者，在工业机器人应用领域必定具有趋同性和相关性。同时考虑到工具变量的外生性，本文利用2010 年中国各省份分行业就业人数作为历史变量，进而排除就业结构变化对实体投资的影响。此外，没有证据表明德国工业机器人使用会直接影响中国实体投资，其只能通过产业竞争间接影响中国人工智能发展水平，从而与中国实体投资发生关联。本文采用德国工业机器人安装密度作为工具变量（DE_AI），通过两阶段最小二乘法估计人工智能对实体投资的影响，检验结果如表5 所示。该工具变量基本满足相关性和外生性条件，从而有效缓解了内生性偏误的影响。表5 中列（1）报告了人工智能对实体经济资本存量增速的影响，估计系数为0.4619，且在5%水平下通过显著性检验；表5 中列（2）报告了人工智能对实体经济固定资产投资占比的影响，估计系数为0.3739，且在1%水平下通过显著性检验。上述回归结果表明，在缓解了潜在内生性后本文结论依然成立，且相较于基准回归结果系数有所上升。

在微观层面，鉴于李唐等（2020）和宋德勇等（2022）文献中核心解释变量与本文企业层面人工智能水平构造方法相似，因此本文借鉴上述文献做法，基于Lewbel（1997）的研究思路为企业人工智能水平构造工具变量。 Lewbel（1997）提出的是一种不借助外部数据构建有效内部工具变量的方法，采用此方法构造的工具变量在一定程度上可以缓解内生性问题。具体做法即采用企业人工智能水平与按照申万宏源二位数行业代码和省份分类的数字水平均值差额的三次方作为工具变量（Lewbel_IV）。本文采用该工具变量，通过两阶段最小二乘法估计人工智能对企业实体投资的影响，结果如表5 列（3）所示。该工具变量基本满足相关性和外生性条件，有效缓解了内生性问题。微观层面上，人工智能发展对企业实体投资的影响估计系数为0.001 3，且在1%水平下通过显著性检验，进一步验证了本文的结论，即人工智能对企业实体投资具有促进作用。

本文利用省级面板数据和企业面板数据，从宏观和微观两个层面证实了人工智能能够增强实体经济的吸引力，促进资本流向实体经济，提升实体经济投资占比，基本验证了林晨等（2020）提出的人工智能能够优化资本结构、促进实体经济占比的观点。但是相较于他们的研究，本文创新性地使用实证数据验证了该影响效应。在探讨人工智能对实体投资的影响机制时，本文借鉴并扩展了林晨等（2020）和郭凯明（2019）的理论框架，认为人工智能不仅可以通过提高实体经济生产过程的智能化程度和催生出配套的创新产业吸引资本流向实体经济，还可以通过技术外溢性促进传统金融向数字金融转变，畅通资金进入实体渠道。由于现有文献对人工智能对实体投资影响机制的分析较少，本文将在后续章节进行深入分析。

2. 双重差分估计（Differences-in-Difference，DID）

本文进一步通过双重差分方法来缓解潜在的内生问题。2017 年7 月8 日国务院印发了《新一代人工智能发展规划》（以下简称“35 号文”）①，旨在构筑中国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。因此，2017 年也被称为中国人工智能发展的元年。文件的出台对各地区人工智能发展带来了一定程度的冲击，也为本文研究人工智能与实体投资受外生政策冲击的影响提供了契机。

借鉴Vig（2013）和宋敏等（2021）的处理方法，本文从各地区对《新一代人工智能发展规划》的异质性反应入手，构建对照组和实验组，按照2017 年文件印发的年份各地区人工智能发展水平的中位数，将低于中位数的省份记为控制组赋值为0，高于中位数的省份记为实验组赋值为1。在时间变量的处理上，本文将2017 年之后的时间点赋值为1，之前则赋值为0。其中treated 是实验组，post 是时间节点变量，treated post 的估计系数表明了政策影响。

检验结果如表6 所示。表6 列（1）中报告了35 号文对各地区人工智能发展水平的影响，其估计系数为0.062，且在1%水平下显著，说明受政策冲击较大的地区相比于对照组而言，人工智能发展水平显著提升了约6.2%。列（2）和列（3）报告了35 号文对实体部门资本流动的影响，其中该政策对实体经济资本存量增速影响不大，对实体经济固定资产投资比重有显著影响，即相比于对照组，受政策冲击较大的地区实体经济固定资产投资提升了约3.96%。表6 结果表明，35 号文的出台确实提升了地区人工智能发展水平，并进一步影响了地区的实体投资。

此外，为了检验政策冲击回归结果的稳健性，本文利用政策实施前5 期和后3 期的数据，将35 号文对固定资产投资占比的影响进行平行趋势检验。图3 结果表明，在政策实施以前，固定资产投资占比呈现显著下降的趋势，政策实施后固定资产投资占比系数估计由负值变为正值。这说明，35 号文对实体投资产生了显著的促进作用，本文主要结论进一步得到验证。

（三）稳健性检验

（1）替换人工智能衡量指标。在省级层面，本文创新性地使用“天眼查”数据库中各省份人工智能企业数量来衡量人工智能发展水平，对核心解释变量进行替换并检验。表7 列（1）、（2）结果显示，核心解释变量系数变化不大且显著，表明结果稳健。在上市公司层面，考虑到利用人工智能关键词构建衡量指标，本文剔除部分关键词，重新统计构建人工智能衡量指标并检验。表7 列（3）检验结果显示，核心解释变量系数变化不大且显著，表明结果稳健。

（2）考虑到直辖市在经济发展水平和技术水平以及政策优惠上要优于其他省份，因此剔除直辖市样本重新进行检验，结果如表7 列（4）（5）（6）所示，结果依然稳健。

（3）考虑到技术从研究成果到规模化应用存在一定的时间滞后效应，本文利用滞后一期人工智能衡量指标作为核心解释变量进行检验，如表7 列（7）（8）（9）所示，结果依然稳健。

五、机制分析

接下来，本文探究一个关键性问题：人工智能影响实体投资的作用机制是什么？本文分别从需求端和供给端出发，探究全要素生产率、投资回报和信息不对称在人工智能促进实体投资过程中发挥的机制效应。

（一）人工智能、企业全要素生产率与企业实体投资

根据前文的理论分析，人工智能可能通过提高企业全要素生产率影响实体投资。为验证这一机制，本文采用LP和OP法测算企业全要素生产率（TFP）（G Steven et al.，1996；Levinsohn J &Petrin A，2003；鲁晓东和连玉君，2012），用以验证人工智能对实体企业全要素生产率的影响。在检验方法上，本文借鉴王锋和葛星（2022）、田鸽和张勋（2022）的做法，先检验人工智能对实体企业全要素生产率的影响，接着检验全要素生产率对企业实体投资的影响，以验证全要素生产率在本文主效应中的机制作用，结果如表8 所示。表8列（1）（2）报告了人工智能对企业全要素生产率影响的估计结果。结果显示，TFP_OP 和TFP_LP的系数分别为0.0728和0.0996，且在1%水平下通过了显著性检验，说明人工智能提高了企业全要素生产率。接着对全要素生产率影响企业实体投资进行检验，表8列（5）结果表明，TFP_LP 的估计系数为0.0015，且在10%水平下通过显著性检验，这说明人工智能通过全要素生产率促进了企业实体投资，验证了本文假说H1a。

（二）人工智能、投资回报与企业实体投资

人工智能对传统实体的改造升级可能给企业带来投资回报的提升，促进企业实体投资意愿。因此，本文采用资产回报率（ROA）衡量企业投资回报，利用上述相同方法验证企业投资回报在其中发挥的作用。表8 列（3）报告了人工智能对企业投资回报率影响的估计结果，结果显示投资回报率的估计系数为0.0056，且在5%水平下通过了显著性检验，说明人工智能提高了企业投资回报率。表8列（6）结果表明，投资回报率对企业实体投资的估计系数为0.0162，且在5%水平下通过显著性检验。这说明人工智能提高了企业投资回报率，进而促进了企业实体投资，验证了本文假说H1b。

（三）人工智能、信息不对称与企业实体投资

人工智能与大数据等技术结合能够缓解金融信息不对称问题畅通融资渠道进而促进资本流向实体。本文参考于蔚等（2012）的做法，基于金融市场微观结构相关文献，以及个股详细交易数据，提取流动性比率、非流动性比率以及反转指标的第一主成分来构建信息不对称指标，该指标越大表明信息不对称越严重。表9 列（1）报告了人工智能对信息不对称影响的估计结果，信息不对称的估计系数为-0.0164，且在10%水平下通过显著性检验，说明人工智能发展会抑制外部投资者与企业之间的信息不对称；表9 列（2）报告了信息不对称对企业实体投资的影响，估计系数为-0.0005，说明信息不对称抑制了企业对实体的投资。这表明人工智能“赋能”会抑制企业与投资者之间的信息不对称，缓解信息不对称对实体投资的影响。

六、异质性分析

（一）基于行业的异质性分析

在省级层面，本文将实体经济部门定义为所有工业企业，即包括了采矿业、制造业以及水力、电力和热力供应业。因此，本文对因变量进行行业分组，研究其异质性，将实体经济部门中的制造业（M_lKS&M_rKS）和高技术制造业（G_lKS&G_rKS）区分开来。根据《中国高技术统计年鉴》的定义，高技术制造业包含了仪表仪器制造业、交通运输设备制造业、计算机电子通讯制造业、医药制造业以及专用设备制造业。行业异质性分析结果如表10所示。从表10 列（1）和列（2）可知，人工智能对制造业资本存量增速和高技术制造业资本存量增速均产生了显著的正向影响，与本文基准结果相比，人工智能对制造业和高技术制造业资本存量的拉动作用更加明显，说明在人工智能促进资本流向实体过程中，制造业转型升级、设备智能化以及新兴产业的迅速崛起发挥了重要作用。从表10 列（3）和列（4）可知，人工智能对制造业固定资产投资和高技术制造业固定资产投资均产生了显著的正向影响，表明人工智能促进了固定资产投资流向制造业和高技术产业，但制造业固定资产投资流入大于高技术产业。

在企业层面，本文将实体企业分为第一产业、第二产业和第三产业，探究人工智能对不同产业实体投资的影响。表10 列（5）（6）（7）分别报告了人工智能对各产业实体投资的影响，其中，第一产业估计系数为0.0087，未通过10%的显著性检验。第二产业估计系数为0.0032，且在1%水平下显著。第三产业估计系数为0.0001，同样未通过10%显著性检验。上述结果表明，人工智能引致实体投资在不同产业间存在差异，即人工智能促进了第二产业实体投资，但不影响第一产业和第三产业实体投资，可能原因是第二产业的制造业是企业智能化改造和智能设备制造的主力军，因而受人工智能影响最大。

（二）基于地区的异质性分析

受区域经济发展不协调以及区域间技术创新水平差异的影响，人工智能水平在中国东部沿海和内陆地区必然呈现出一定的差异。本文按照国家统计局的最新标准①，将样本划分为东部、中部、西部和东北部四个区域进行异质性分析，从企业层面研究区域间人工智能对实体投资的影响。由表11可知，东部和中部和东北部地区人工智能对企业实体投资促进作用明显，而西部地区人工智能对企业实体投资的促进作用并未通过显著性检验。通过地区异质性回归结果证实了：由于东部、中部以及东北部地区制造业转型升级早，技术创新能力强，因此其人工智能发展相比于西部地区更具优势，且更能促进企业实体投资。

（三）基于企业规模的异质性分析

人工智能的发展往往在企业的规模方面也会表现出差异，因此，本文根据《中国工业统计年鉴》，将工业企业划分为大型、中型和小型三类，进行异质性分析。回归结果如表12所示。

列（1）（2）（3）分别报告了人工智能对大中小型工业企业资本存量增速的影响。从回归系数可知，大型企业智能化改造的动机比中小型企业更为强烈，一方面是大型企业更容易获得智能改造所需资金，另一方面是大型企业面临的智能化转型需求更为迫切。此外，中型企业的系数也要高于小型企业，表明企业规模会影响人工智能导致的资本存量增速。

七、进一步讨论

前文分析了人工智能通过提高企业全要素生产率、投资回报率以及改善信息不对称来促进资本流向实体部门。然而资本流向实体离不开市场化的金融体系支撑。吴晓求（2020）提出，当前中国应构建以市场为主导的现代金融体系，以满足经济转型发展的需求，而发达的资本市场是市场化金融体系的重要特征。因此，本部分将探究市场化金融体系能否在人工智能引致实体投资过程中发挥资金流动的加速和放大作用。此外，关于实体企业金融化的讨论也不绝于耳，而随着人工智能赋能实体经济的影响持续扩大，企业金融资产配置在人工智能引致实体投资中是发挥“挤出”作用还是“蓄水池”作用，也是本部分要讨论的重点。

（一）市场化金融体系的调节作用

本文认为，市场化的金融体系可通过丰富融资渠道和弱化资产泡沫放大人工智能引领实体投资的作用。一方面，当前中国的产业结构正从资本密集型转向创新密集型，人工智能发展正给微观实体企业带来全要素生产率和创新能力的持续提升，由此带来的企业融资需求特征，从原有的大型金融国企垄断的信贷抵押资金需求，转向以新兴企业未来投资收益现值为支撑的股权融资需求；另一方面，金融体系市场化能够丰富金融市场产品，弱化资产泡沫形成的风险，为资金流向实体提供有力的支撑。当前中国房地产市场泡沫的积累与金融市场缺乏保险和保值的金融工具息息相关，完善的金融市场能够挤出抵押品不足和风险对冲工具稀缺带来的资产泡沫化，促进资本向实体流动（Caballero and Krishnamurthy，2006；Caballero et al.，2008）。

综上所述，本文选取非金融企业境内股票融资额占社会融资规模的比重衡量金融体系市场化水平，该指标既能准确反映以市场为主导的现代金融体系的特征和功能，又能直观表达资本市场作为实体部门资金蓄水池在资本供给方面给予的作用大小。在基础回归模型中，本文加入MFpAI 的交互项，并观察交互项系数的变化，如果该系数显著为正，则表示金融市场化放大了人工智能引致的实体投资水平。表13 列报告了调节效应检验结果。列（1）和列（2）交互项系数分别为2.2780和1.5760，且在1%水平下显著，说明金融市场越发达，人工智能促进资本流向实体的作用越强。因此，加快构建以资本市场为核心的现代金融体系是适应当前中国产业创新和制造业升级的重要举措，相关部门必须引起重视。

（二）企业金融资产配置水平的调节作用

当前，企业资产可以分为两类：实体资产和金融资产。一方面，当金融资产配置过度时会对企业经营和生产造成不利影响（Stockhammer，2004），减少企业用于实体投资的资金（王永钦等，2016；杜勇等，2017）；另一方面，金融资产配置对于企业预防现金流冲击和满足融资需求起到了“蓄水池”作用（Keynes，1936）。人工智能作为巨大的发展机遇，会吸引大量具有进取精神的企业家不断投入资金和人才。本文认为在人工智能大背景下，企业出于预防和储蓄的目的进行金融资产配置不但不会挤出实体投资，反而会稳定企业资金水平，为促进企业智能化改造和实体投资发挥资金“蓄水池”作用。

基于此，本文选取金融资产占总资产的比重衡量企业金融资产配置水平①，该指标能从微观层面探究企业金融资产配置是否对人工智能促进企业实体投资产生正向调节作用。根据调节效应模型，本文关注FIVfAI 的交互项系数变化，如果该系数显著为正，则表明企业金融资产配置放大了人工智能对企业实体投资的促进作用。表13列（3）报告了调节效应检验结果，在不引入人工智能作为交乘项前，金融资产配置对实体投资率显著抑制，而人工智能与金融资产配置的交互项系数为0.0053且在5%水平下显著，表明在人工智能赋能实体企业过程中，企业金融资产配置水平越高，人工智能对实体投资的促进作用越强。因此，丰富投融资产品种类以满足企业金融资产配置需求，是促进实体企业稳健经营的必要举措。

八、结论和政策建议

（一）结论

本文从宏观和微观两个层面考察人工智能对实体经济的影响，分别利用2010-2020年省级面板数据和2015-2021年上市公司微观数据，构建了人工智能发展水平衡量指标，探究了人工智能对实体投资的影响，考察了金融发展在人工智能引致资本流向实体中的机制效应，为人工智能环境下中国资本结构优化、实体经济健康发展提供了实证支撑。研究发现：①无论在宏观还是微观层面，人工智能发展均显著促进了资本流向实体经济，即人工智能提高了实体部门资本存量增长率和企业实体投资占比。在考虑内生性问题以及更换人工智能发展指标、剔除相关样本等一系列稳健性检验后，该结论仍然成立。②机制分析表明，人工智能可以通过促进全要素生产率、投资回报率和降低信息不对称来推动资本流向实体。③异质性分析结果表明，在不同行业中，人工智能对高技术制造业的实体投资促进作用相比一般制造业更为明显；在不同地区中，人工智能促进实体投资过程，东中部地区促进效应明显优于西部和东北部地区；在不同企业规模中，人工智能对大型工业企业的实体投资促进效应最为明显。④进一步讨论结果表明，资本市场发展水平和企业金融资产配置水平越高，人工智能引致的实体投资的作用越强。

（二）政策启示

本文根据结论得出如下政策启示：

（1）加大人工智能基础设施投入，完善人工智能支持政策体系。新一代人工智能与实体经济深度融合是中国经济转型升级和现代经济体系建设的必由之路，然而当前中国人工智能基础设施如大数据中心、AI 芯片、云计算中心、数据采集等仍不足以支撑实体企业智能升级。因此，各级政府应加强对人工智能基础设施的投入。此外，人工智能支持政策体系的完善势在必行。其一，应设立人工智能创新基金，为有潜力的实体企业提供资金支持，对在人工智能领域有突出贡献的企业，提供相应的税收优惠政策。其二，应鼓励高校和培训机构开设与人工智能相关的课程和培训项目，鼓励企业引进国内外优秀人才，提升企业在人工智能领域的研发和应用能力。其三，应搭建产学研合作平台，促进实体企业、高校和研究机构之间的深度合作，推动人工智能技术的转化和应用。其四，推动建立数据共享平台，鼓励企业间数据的开放共享，促进合作创新。最后，应建立“政府-企业”对接制度，各级政府应组建产业专家团队，深入实地了解企业的运营情况、现有技术水平以及智能化改造的需求，帮助企业克服智能化改造中的困难，推动企业更快地实现智能化升级。

（2）加强人工智能赋能实体企业，稳步推进企业自身转型升级。以制造业为核心的实体企业率先实现智能化是增强中国制造国际竞争力的必然路径。当前，企业在智能化改造中面临着一系列问题，如技术选型难、人才短缺、资金投入不足等。因此，其一，应制定明确的智能化战略，根据自身需求和现有技术水平，确定定制化的技术整合规划，包括评估哪些任务适合人工智能执行、哪些需要人类的判断和创造力。其二，应优化生产全流程。在产品研发环节，运用数字化、信息化手段搭建产品智能设计平台，满足客户需求；在产品生产环节，实现机械重复劳动的机器换人；在产品供应链管理和产品服务环节，建立定制化机器学习系统，精确计算产品利润，推进智能化售后服务。其三，应关注员工培训和变革管理，为员工提供必要的技术适应培训，使其能够理解和运用新的人工智能工具，同时探索灵活用工模式，鼓励跨部门协作，将人工智能和人类的优势结合起来，在引入新技术时，企业应确保员工的权益不受损害。最后，应积极探索多元化的融资渠道，如银行贷款、股权融资、债券发行等，以满足智能化投资的资金需求。

（3）以人工智能为突破口，加速金融科技创新，强化金融对中小实体企业的支撑。中小企业是实体经济的生力军，在促进就业、激发创新、刺激增长等方面发挥重要作用，人工智能、大数据等底层通用技术“赋能”金融可以改善实体企业面临的融资约束、信息不对称等问题。因此，其一，应加快以大数据共享、智能风险分析为基石的新型企业征信体系建设。其二，应利用人工智能算法，开发适合中小企业的智能金融产品，如智能风险管理工具、供应链金融方案等，满足不同企业的融资需求，提高金融服务的精准性。其三，应加大数字金融复合人才的培养，培养一批能够利用人工智能、大数据等技术服务实体企业的金融人才。最后，应强化人工智能在资本市场监管、企业财务审查、信贷监管等方面的应用，营造良好的融资环境。