人工智能与中小企业竞争力：来自新兴经济体的技术—证据关联框架与区域时间序列预测

《Frontiers in Artificial Intelligence》：Artificial intelligence and small-business competitiveness in an emerging economy

　　

中小型企业（SMEs）是发展中经济体的驱动力，但其在实施人工智能（AI）方面仍受资源限制，且关于AI采用与该地区（尤其是中亚）小企业增长相关联的经验证据仍然很少。本研究作出两项贡献。第一，研究人员提出了一个简明框架，将AI技术类别与中小企业（SME）竞争力特征联系起来，并将机器学习（machine learning）、自然语言处理（NLP）和生成式人工智能（generative AI）确定为资源受限企业的低成本、快速回报优先领域。第二，利用乌兹别克斯坦布哈拉地区2010—2025年的16年数据，研究人员针对每个指标估计了自回归积分移动平均（ARIMA）模型，并将八项小企业指标预测至2030年。预计小企业产出将以约16%的稳定速度增长至2030年，其中数字技术采用和优惠信贷支持表现为与长期增长相关的指标。人力资本指标的预测准确度较高，产出指标的预测准确度可接受。证据是关联性的而非因果性的：该框架与预测共同收敛于一个谨慎表述的命题——低成本AI的采用与中小企业的可持续竞争力存在可测量的关联，为发展中国家制定区域性AI政策提供了实用的、基于证据的起点。

**解读：人工智能与中小企业竞争力——来自布哈拉地区的框架与预测证据**

中小型企业（SMEs）是发展中经济体的重要引擎，但长期面临资金不足、人才短缺和大企业竞争等结构性约束。经典竞争理论（如波特定位、资源基础观、动态能力）能够解释竞争优势的来源，却未明确人工智能（AI）在其中的作用。现有AI与中小企业研究多集中于发达经济体，且多为横截面或企业层面，缺乏区域增长证据；中亚地区尤其缺少将AI技术结构与可测量的区域结果相联系的研究。为此，研究人员基于乌兹别克斯坦布哈拉地区2010—2025年的官方统计数据，尝试回答两个问题：哪些AI技术对资源受限企业回报最高？AI/数字技术采用是否与区域小企业增长经验相关？

研究人员首先通过结构化叙述性文献综述构建了“面向中小企业竞争力的人工智能技术框架”，将机器学习、深度学习、自然语言处理（NLP）、专家系统、计算机视觉、强化学习、自主智能体/机器人、生成式AI等九类技术与中小企业的六个运营领域相匹配，并按成本和时间价值分为入门级与高级。随后，研究人员利用16年年度数据，对八项区域小企业指标分别建立自回归积分移动平均（ARIMA）模型，预测至2030年。研究得出核心结论：小企业产出预计到2030年增长约16%，数字技术采用和优惠信贷支持是与长期增长相关的指标；低成本AI采用与中小企业可持续竞争力之间存在可测量的关联。该证据是关联性而非因果性的，但为发展中国家制定区域性AI政策提供了基于证据的框架。

在关键技术方法上，研究人员采用文献综述法识别技术类别与优先级，经验分析则使用经典ARIMA(p,d,q)模型。样本为乌兹别克斯坦布哈拉地区中小企业部门2010—2025年的官方年度宏观数据（n=16），来源于乌兹别克斯坦共和国国家及地区统计报告。模型阶数通过最小化赤池信息准则（AIC）选择，并限制为低阶（p,q≤2）；预测期为2026—2030年，以符合ARIMA短周期性质。模型质量用AIC、贝叶斯信息准则（BIC）、平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）评估；残差用Ljung-Box检验自相关、Jarque-Bera（JB）检验正态性。

研究结果如下。3.1 面向中小企业竞争力的人工智能技术框架：通过文献综述，研究识别出机器学习、NLP和生成式AI为低成本、快速回报的入门级技术，主要作用于营销销售、客户服务和财务管理渠道；计算机视觉、专家系统、自主智能体等高级技术则需较强基础设施。框架提出三个可检验命题（H1—H3），其中H3（区域数字采用与小企业产出协同变动）可由后续数据分析检验。3.2 区域小企业动态（2010—2025）：基于16年数据，优惠信贷额（X₆）从512亿苏姆增至2320亿苏姆，数字技术采用指标（X₇）从61%升至145%，但路径非单调，呈现2021年峰值、2022—2023年下降、2024—2025年恢复的特征，表明数字转型是渐进且受制度调节的过程；持续上升趋势及2023—2025年结构断裂验证了采用差分时间序列方法的必要性。3.3 至2030年预测与描述性关联：ARIMA预测显示，产出Y将从2025年的11250.0十亿苏姆增至2030年的13041.9十亿苏姆，增幅约16%；投资（X₁）、生产量（X₂）、总增加值（X₃）和高学历员工数（X₅）均呈上升趋势。X₇将增至152.4%，X₆增至262.4十亿苏姆。描述性分析表明，X₁、X₂、X₃、X₆与产出密切相关，而创新支出（X₄）和数字采用（X₇）具有最持久的上升轨迹，被解读为伴随产出长期增长的指标；因此数字采用不是被动的增长相关变量，而是与可持续性相关的因素之一。3.4 模型质量：人力资本指标X₅的预测精度最高（MAPE≈3.0%，ARIMA(2,0,1)），产出Y可接受（MAPE≈9.2%，ARIMA(1,0,2)）。所有序列的Ljung-Box检验p值≥0.97，表明残差基本无自相关；但多个序列偏离正态性，其中X₇的JB检验p≈0.63，最接近正态。投资序列X₁由于2023年崩塌和2024年反弹，MAPE≈189%，仅作完整性报告，不支撑实质性论断。总体而言，核心产出和就业预测可靠，而数字采用指标是统计上最稳健且与长期增长关联的序列。

讨论部分总结了研究的理论意义、政策含义与局限性。理论上，该框架为动态能力理论补充了操作层：机器学习和NLP成为具体的感知与获取能力；研究还重新定义了“AI鸿沟”，认为其主要由技能和制度支持而非技术成本造成。政策上，入门级AI技术兼具最低成本和最高回报，提高数字采用可成为区域竞争力的低成本高杠杆工具；非单调采用路径表明补贴、孵化器、目标信贷和技能项目等制度支持至关重要。局限性包括：样本量小（n=16）、存在结构断裂、无因果识别、聚合数据掩盖企业异质性、外部效度有限以及方法传统；未来研究应结合企业级调查、动态面板数据因果检验、多元机器学习预测器及跨区域复制。

最后，研究结论如下：一小部分负担得起的AI技术为资源受限的中小企业提供了一条可信的竞争力提升路径，布哈拉地区的区域数据与数字采用不是被动关联而是与小企业可持续增长相关的因素之一这一观点一致。通过识别每个竞争力通道所提供的AI能力，并用透明的区域预测检验这一逻辑，该研究为发展中国家的AI采用政策提供了实用且基于证据的框架，并为后续企业层面的因果分析设定了清晰的研究议程。