人工智能与历史绩效预期差距：来自货币政策宽松调节作用的证据

《Economic Analysis and Policy》：Artificial Intelligence and the Historical Performance Expectation Gap: Evidence from the Moderating Role of Monetary Easing

企业人工智能参与度对历史业绩预期偏离的影响研究基于中国A股上市公司数据，构建了AI参与度指标，发现高AI参与度显著缩小历史业绩预期偏离，其机制通过供应链稳定和管理层稳定实现，且在宽松货币政策环境下效果增强。

　　

郑王 | 刘宏超

韩国大田梧松大学研究生院，34518

摘要

本研究探讨了人工智能应用是否以及如何影响企业偏离历史预期表现的情况。利用中国非金融A股上市公司的数据，本研究基于年度报告文本构建了一个企业层面的人工智能应用指标，并实证检验了其对历史表现预期差距的影响。分析进一步探讨了潜在的传导机制以及宏观经济政策环境的调节作用。结果表明，较高程度的人工智能应用与较小的偏离历史预期表现相关，表明人工智能提升了企业管理预期和使结果与历史基准对齐的能力。机制分析揭示，这种效应是通过提高供应链稳定性和高层管理团队的一致性来间接实现的，突显了人工智能在内部和外部维度上的双重治理价值。此外，调节效应分析发现，在宽松的货币政策环境下，人工智能的作用更加显著，表明支持性政策环境放大了基于人工智能的治理效果。本研究通过提供关于人工智能经济后果的微观层面治理视角，为相关文献做出了贡献，并为技术整合、预期管理和制度条件之间的动态互动提供了实证见解。

引言

在全球不确定性上升和技术范式持续转变的背景下，人工智能正迅速融入企业的生产、营销和治理流程，重塑了信息获取和决策方式（Han和Mao 2024；Choi等人2025）。然而，在企业层面，数字化和智能化的采用仍存在显著的效率低下和制度供给缺口（Zhang和Peng 2025）。管理层的决策不仅基于绝对表现，还参考了预期目标。当实际结果低于历史或行业预期时，管理者会重新分配资源并调整风险偏好，从而影响投资效率和权衡（Pankratz等人2023）。这些特征凸显了表现预期差距作为行为驱动因素的政策和治理相关性。在宏观层面上，宽松的货币政策作为一种逆周期工具，旨在修复实际需求并降低融资成本，同时可能通过信贷和资产价格渠道改变资金分配（Acharya和Plantin 2025）。通过降低借贷成本和放松流动性约束，宽松的货币政策环境还重塑了企业的资本结构和风险承担能力，进而影响管理者如何制定、传达和实现表现预期。更重要的是，管理者对预期变化的反应可能起到行为放大作用：在乐观的预期状态下，某些治理失败更难以被发现。这激发了我们研究人工智能如何通过稳定供应链和高层管理团队来缩小历史表现预期差距的动机。我们还确定了宽松货币政策的调节边界。该分析阐明了数字经济中的微观层面表现形成机制，并为旨在降低风险的宏观政策协调提供了可检验的企业层面证据。

现有研究沿着两条相关线索展开。第一条线索基于绩效反馈框架，研究表现预期差距如何重塑企业内部的资源分配和治理。证据表明，相对于历史或行业参考点的不足会促使管理者做出更高风险的选择，如投资和组织变革（Busenbark等人2022）。这些研究还与企业治理、行为调整和信息管理理论建立了更广泛的联系，有助于解释企业如何形成预期并应对偏离。第二条线索考察了宏观经济环境，发现宽松的货币政策可以通过信贷成本和资产价格渠道刺激实际投资和金融分配（Liu和Wang 2025）。目前尚不清楚哪种类型的投资扩张更多，以及这些变化如何规范内部预期和行为。在数字技术方面，最近的研究将政策驱动的数字金融与企业层面的大数据和人工智能应用联系起来。行业层面的预期差距似乎促使企业增加数字投资以恢复竞争优势（Kong等人2023；Li等人2025）。仍有三个问题有待解决。首先，现有文献主要集中在人工智能对创新和投资决策的影响上，而很少探讨人工智能如何影响管理者行为并有助于缩小历史表现预期差距。其次，关于宏观宽松政策的文献大多停留在投资结构的变化上，很少测试宽松货币政策是否调节人工智能对表现预期差距的治理效应。第三，微观传导机制尚未得到充分探索。关于供应链稳定性和高层管理团队稳定性的直接证据很少。治理研究通常关注薪酬敏感性和勾结约束，这些研究表明在有利预期下会有积极反应，但它们并未将这些反应与智能应用联系起来。基于这些空白，我们以人工智能应用为切入点，探讨人工智能如何通过稳定供应链和高层管理团队来缩小历史表现预期差距，并测试了宽松货币政策的调节作用。该分析为预期驱动的企业行为和技术采纳文献提供了新的识别和证据。

利用2013年至2023年中国沪深A股上市公司的数据，我们将人工智能应用作为核心解释变量，研究其对历史表现预期差距的治理效应。我们报告了三个主要结果：首先，更高程度的人工智能应用与企业层面历史表现预期差距的显著缩小在统计和经济上均具有显著性；其次，机制测试表明人工智能通过提高供应链稳定性和高层管理团队稳定性发挥作用；第三，在宽松货币政策期间，这种缩小效应被放大。这些结果在解决内生性问题并进行广泛稳健性检验后仍然成立。

本文有三项贡献。首先，我们将人工智能应用和企业历史表现预期差距置于一个统一的分析框架内。我们利用文本分析和计量经济模型，实证检验了人工智能通过何种因果链缩小这一差距，从而扩展了相关文献的范围。其次，从企业稳定性的角度出发，我们考察了供应链稳定性和高层管理团队稳定性作为核心机制，展示了人工智能如何通过加强外部合作和内部治理来缩小预期差距。这一视角扩展了绩效反馈理论，并补充了治理和创新文献。第三，我们将人工智能应用置于宽松货币政策的边界条件下，强调了宽松货币政策环境如何塑造人工智能对预期差距的影响，为协调宏观政策与企业层面的智能策略提供了可行的建议。阐明这一联系有助于绩效管理和行为决策理论的发展，并为数字转型和宏观-金融协调背景下的企业和监管机构提供了政策启示。

文献综述

首先，本研究与企业绩效和行为调整的文献相关。现有证据表明，企业不仅对绝对表现作出反应；相对于历史或行业参考点形成的表现预期也会引发投资调整，尽管方向相反但同样低效（Guedes等人2025）。一方面，风险规避导致长期正净现值项目的削减；另一方面，风险追求则推动短期行为。

人工智能对历史预期表现差距的直接影响

企业历史表现预期差距是指实际结果与其自身历史形成的预期之间的偏差。它是未来增长潜力和市场信心的重要信号，也是管理者预测能力和战略执行效率的核心指标（Masoud 2017）。这一差距往往会放大行为偏差。当实际表现低于历史预期时，企业可能会通过采取某些措施“追逐目标”。

因变量：历史表现预期差距（gap）

本研究将历史表现预期差距定义为$\left(gap\right)，该变量反映了企业实际运营表现与基于历史信息形成的预期表现之间的偏差。该变量旨在反映企业相对于其历史趋势的表现不佳情况，特别关注负面偏差。根据Chen（2008）的方法，历史预期表现$是通过加权方式构建的。

主要变量的基本特征

表2展示了本研究中使用的主要变量的描述性统计信息。样本涵盖2013年至2023年的数据，共计31,792个企业-年度观测值。

关于因变量，历史表现预期差距（gap）的平均值为0.211，标准差为0.409，数值范围从0到2.392。这些结果表明，样本中的企业平均存在一定程度的负面偏差。

为进一步探讨人工智能应用如何影响历史表现预期差距的传导机制，本文引入了两个中介变量，反映企业内部和外部稳定性。第一个变量衡量供应链稳定性（stability），反映了企业与主要客户或供应商之间关键关系的持续性；第二个变量衡量高层管理团队的稳定性（stmt）。

结论

在日益复杂的宏观经济环境和企业面临的外部不确定性上升的背景下，提高企业绩效的稳定性和可预测性已成为战略管理和资本市场监管的核心关注点。在当前频繁发生财务误报事件和市场波动加剧的背景下，这一问题尤为突出。识别与历史表现偏差相关的风险至关重要。

未引用的参考文献

Li等人，2025；Shi等人，2024

CRediT作者贡献声明

郑王：项目管理、方法论、调查、资金获取、正式分析、数据整理、概念化。刘宏超：撰写——审稿与编辑、初稿撰写、可视化、验证、监督、软件使用、资源协调。