《Current Oncology》：AI Adoption and Innovation Quality: Evidence from Chinese Manufacturing Companies
编辑推荐：
人工智能（Artificial Intelligence, AI）作为一种通用目的技术，正推动技术与产业转型。本研究基于对企业年报的文本分析构建了AI采纳指标，并以发明专利申请日起三年内累计的他引次数（剔除自引）来衡量企业层面的创新质量。基于2011–2021
人工智能（Artificial Intelligence, AI）作为一种通用目的技术，正推动技术与产业转型。本研究基于对企业年报的文本分析构建了AI采纳指标，并以发明专利申请日起三年内累计的他引次数（剔除自引）来衡量企业层面的创新质量。基于2011–2021年中国A股制造业上市公司样本，研究人员发现AI采纳与创新质量呈正向关联。这一结论在一系列缓解内生性问题的设定与稳健性检验中依然成立。探索性机制分析表明，这一正向关联可部分由三条渠道解释——研发投入、人力资本与研发效率——尽管这些结果应被视为关联性而非因果机制的证据。异质性分析进一步显示，该关联集中于规模较大的企业，且在金融化程度较低的企业与资产密集型行业中更为显著。然而，在不同所有制或区域分布的企业之间未观察到显著差异。本研究拓展了关于AI创新效应的文献，并为理解AI时代影响创新质量的因素提供了新见解。同时，研究对企业在利用AI培育高质量创新能力方面的管理实践以及公共政策制定具有启示意义，从而为产业升级与可持续发展提供知识基础。
一、研究背景与问题提出
在全球科技竞争日益激烈的背景下，提升创新能力已成为企业获取竞争优势和实现可持续发展的关键驱动力。中国虽然在专利数量上取得了快速增长，但创新质量仍落后于发达国家。与此同时，人工智能（Artificial Intelligence, AI）作为新一轮科技革命的核心驱动力，正在深刻改变企业的生产与创新模式。据统计，OECD国家中已有20.2%的企业在2025年采纳了AI，且AI采纳企业的营收与附加值显著高于非采纳企业。然而，现有研究多聚焦于AI对创新数量（如专利数量）的影响，较少关注其对创新质量的效应。此外，已有文献在机制探讨上往往局限于要素禀赋或研发效率的单一视角，缺乏统一的分析框架。在变量测度方面，多数研究采用工业机器人渗透率或大数据使用等指标，难以全面反映组织层面的AI采纳状况。因此，有必要系统考察AI采纳与企业创新质量之间的关系及其内在机制。
二、研究设计与主要发现
为弥补上述研究空白，研究人员以2011–2021年中国A股制造业上市公司为样本，共计18762个公司-年度观测值，系统考察了AI采纳与创新质量之间的关联。研究发现，AI采纳与创新质量呈显著正向关联，该结论在经过工具变量法、滞后自变量、倾向得分匹配（Propensity Score Matching, PSM）、安慰剂检验及多项稳健性测试后依然成立。机制分析表明，研发投入强度、人力资本（以非常规高技能劳动占比衡量）以及研发效率在其中发挥中介作用，其中研发效率渠道的解释力最强。异质性分析显示，该正向关联主要集中在大型企业和资产密集型企业中，而在金融化程度较高的企业中则有所减弱；不同所有制与区域分布的企业之间未呈现显著差异。
三、关键研究方法与技术路线
本研究采用了以下关键技术方法：（1）基于文本分析的AI采纳测度：构建包含73个AI相关词汇的词典，运用Python的“jieba”分词工具对A股制造业上市公司2011–2021年年报全文进行词频统计，取自然对数加1作为AI采纳指标，并通过与Zhou等人（2024）的机器学习方法构建的AI采纳指标进行相关性验证（相关系数0.6588）；（2）创新质量测度：从CNRDS平台获取发明专利他引数据，计算各发明专利自申请日起三年内的累计他引次数（剔除自引），按证券代码汇总至公司-年度层面后取自然对数加1；（3）固定效应面板回归模型，经Hausman检验拒绝随机效应假设后采用双向固定效应模型控制公司和年份固定效应，标准误在公司层面聚类；（4）内生性处理：以同行业其他企业的平均AI采纳水平作为工具变量进行两阶段最小二乘（Two-Stage Least Squares, 2SLS）估计，同时采用滞后一期和两期的自变量、1:1近邻倾向得分匹配（卡尺0.05，有放回匹配）等方法；（5）中介效应检验：采用Zhao等人（2010）提出的Bootstrap方法（1000次重抽样）检验间接效应，分别以研发支出占营业收入比、非常规高技能劳动占比、发明专利申请数与研发投入之比作为三个中介变量的代理指标。
四、研究结果
4.1 基准回归分析
在控制公司和年份固定效应及一系列控制变量后，AI采纳（AI_adopt）的系数为0.074（p<0.01），表明AI采纳与创新质量之间存在显著的正向关联。
4.2 内生性处理
工具变量回归中，第一阶段Kleibergen-Paap rk LM统计量显著，Wald F统计量（27.23）超过10% Stock-Yogo临界值（16.38），排除弱工具变量问题；第二阶段AI_adopt系数显著为正（0.088，p<0.01）。在额外控制行业-年平均研发强度和勒纳指数后，结果依然稳健。滞后一期和两期自变量的系数分别为0.054（p<0.01）和0.034（p<0.10）。倾向得分匹配后的加权回归结果显示，AI采纳虚拟变量的系数为0.062（p<0.10）。
4.3 安慰剂检验
将AI_adopt在行业-年度组内随机重新赋值500次，得到的安慰剂系数均值接近零且绝大多数p值大于0.1，表明基准结果并非由不可观测的随机因素驱动。
4.4 稳健性检验
替换因变量为五年累计他引次数和平均每件发明专利的他引次数后，AI_adopt系数仍显著为正。替换自变量为管理层讨论与分析（MD&A）部分的AI词频和每千字AI词频密度后，结果一致。调整固定效应结构为“公司+行业-年”和“公司+省份-年”联合固定效应后，结论不变。采用固定效应泊松伪最大似然估计（Poisson Pseudo-Maximum Likelihood, PPML）并将发明专利数量作为暴露变量后，AI_adopt系数仍显著为正（0.050，p<0.10）。
4.5 机制分析
Bootstrap中介效应检验表明：研发投入强度的间接效应为0.006（95%CI=[0.002,0.008]），占总效应的7.58%；人力资本的间接效应为0.005（95%CI=[0.002,0.007]），占总效应的6.16%；研发效率的间接效应为0.044（95%CI=[0.023,0.064]），占总效应的66.56%。在将自变量和中介变量均滞后一期后，三条间接效应的置信区间仍不包含零。
4.6 异质性分析
所有权性质方面，国有企业与民营企业之间无显著差异。企业规模方面，AI_adopt×Size的交互项系数显著为正（0.021，p<0.10），表明大型企业中正向关联更强。金融化程度方面，AI_adopt×Finan的交互项系数显著为负（-0.202，p<0.10），表明金融化削弱了正向关联。区域分布方面，东部、中部与西部地区之间无显著差异。行业要素密集度方面，与资产密集型行业相比，技术密集型（交互项系数-0.094，p<0.05）和劳动密集型行业（交互项系数-0.121，p<0.05）中的正向关联显著更弱。
五、讨论与结论
讨论部分指出，本研究的发现与资源基础观、偏向型技术进步理论和技术创新理论相一致，揭示了AI采纳通过研发资源整合与配置以及研发效率提升两条路径影响创新质量的内在逻辑。其中，研发效率渠道的解释力远超研发投入强度和人力资本渠道，表明将AI应用于知识搜索、仿真建模和试错优化等研发活动本身，可能比将其应用于业务运营以间接影响要素投入更有助于提升创新质量。异质性分析结果有助于厘清AI采纳与创新质量正向关联的边界条件，为企业根据自身资源禀赋制定差异化的AI部署策略提供了依据，也为政府精准施策（如优先支持大型企业、低金融化企业和资产密集型企业）提供了参考。
研究结论：基于2011–2021年中国A股制造业上市公司样本，本研究考察了AI采纳与创新质量之间的关系。研究人员采用发明专利申请日起三年内累计他引次数（剔除自引）评估创新质量，通过文本分析方法测度AI采纳，并检验了二者之间的关联及其候选渠道与边界条件。研究发现：（1）AI采纳与创新质量呈正向关联，该结论在内生性缓解设定、安慰剂检验和稳健性检验中保持稳健；（2）探索性中介分析表明，该正向关联既可直接发挥作用，也可通过研发投入强度、人力资本和研发效率间接传导；（3）异质性分析表明，该正向关联主要集中于大型企业，并随金融化程度加深而减弱；相较于资产密集型企业，技术密集型和劳动密集型企业中的正向关联更弱。此外，国有与民营企业之间、东中西三大区域之间未呈现显著差异。
