亚太地区人工智能驱动的创新与企业成长：关于监管环境的多层次与实验性证据

《TECHNOLOGY IN SOCIETY》：AI-enabled innovation and firm growth in the Asia–Pacific region: Multilevel and experimental evidence on regulatory climate

　　朱洲刘|翁哲|余世超
上海大学法学院，中国上海200444

摘要
本研究探讨在不同监管环境下，人工智能驱动的创新如何转化为企业生产力与经济增长。研究旨在阐明企业何时以及如何将人工智能驱动的创新转化为可衡量的生产力提升与持续增长，以及在何种监管环境下这些效应会得到强化或限制。基于制度论与权变视角，本研究通过两项互补的研究来检验一个调节的中介模型。研究1利用来自多个地区420家企业的多层调查数据，采用层次线性模型进行分析。结果表明，人工智能驱动的创新既可直接也可通过生产力提升间接促进企业增长，而创新与生产力之间的关联强度则取决于所在地区的监管环境。研究2采用实验设计，让360名管理者参与，以提供因果证据。通过操控监管的清晰度与支持力度，研究显示清晰且具有支持性的监管环境会提升企业对人工智能投资的意愿、生产力预期、应用速度及增长预期。中介分析证实，生产力预期起到了将监管条件的影响传递至企业增长的作用，而调节的中介分析结果表明，当监管环境兼具清晰性与支持性时，生产力提升的路径最为显著。总体而言，这些研究为制度环境可能放大人工智能应用带来的益处提供了有力证据，同时也为创新与监管政策制定了切实可行的建议，即强调监管清晰性、一致的执行力度以及鼓励试验的框架，对于帮助企业将人工智能投资转化为生产力提升与经济增长具有重要作用。

引言
人工智能日益被视为一种能够重塑行业格局、改变竞争态势并影响整体经济增长模式的变革力量（Trabelsi，2024）。据最新估算，未来十年内，人工智能驱动的技术将为全球GDP贡献数万亿美元，这凸显了其从根本上改变企业创造价值与维持增长方式的潜力（Gondauri，2025）。然而，尽管前景广阔，仍有一个问题亟待解答：虽然一些企业成功利用人工智能提升了生产力并促进了增长，但其他企业却难以从类似的投资中获得可观的回报。最近的实证研究表明，仅靠采用人工智能并不能确保所有企业都能获得一致的经济效益，企业间的成果存在显著差异（Babina等人，2025；Frimpong，2025）。理解为何人工智能驱动的创新成果会如此差异巨大，对于关注技术采用、企业绩效与制度环境之间关系的学者与实践者而言至关重要。

先前的研究已经证明，广义上的创新是推动生产力提升与经济增长的关键因素（Albis Salas等人，2023；Shen等人，2025）。在这一范畴中，人工智能驱动的创新因其能够自动化复杂流程、实现预测分析以及创造新的商业模式而具有特别强大的作用（Yi & Ayangbah，2024）。实证研究也开始显示出人工智能采用与企业绩效之间的正向关联，如效率提升、决策质量改善以及竞争优势增强（Giachino等人，2024；Rammer等人，2021；Wang等人，2024）。然而，相关证据仍然零散，且多局限于单层分析。因此，目前对于人工智能驱动的创新如何通过生产力提升等内部绩效机制转化为企业层面的经济增长，我们了解甚少（Filippucci等人，2024；Babina等人，2025）。

制度理论认为，外部环境——尤其是监管框架——在决定企业如何运用新技术方面起着关键作用（Rudko等人，2025）。具有支持性的监管环境能够降低不确定性、提供激励措施，并为创新赋予合法性，而模糊或惩罚性的监管手段则可能抑制风险承担行为，延缓技术采用进程（Fenwick等人，2018）。在人工智能领域，由于人们普遍担忧其伦理使用、数据隐私及系统性风险，监管条件显得尤为重要（Ridzuan等人，2024）。因此，企业不仅需要具备运用人工智能进行创新的内部能力，还需应对那些影响创新转化为实际绩效的外部制度约束与支持条件。近期的一些政策导向型研究指出，监管的清晰度与执行的一致性是决定人工智能投资能否带来生产力提升与经济增长的核心因素（Frimpong，2025；Erdmann & Toro-Dupouy，2025）。尽管这些因素非常重要，但目前关于监管环境如何与企业层面的创新相互作用以影响生产力提升与增长轨迹的实证证据仍然有限。

本研究旨在通过构建并检验一个关于人工智能驱动的创新与经济增长的多层调节中介模型，来弥补这些不足。具体而言，我们探讨生产力提升是否是连接人工智能采用与企业增长的关键机制，以及这些效应是否取决于企业所在地区监管支持的程度。通过这一研究，我们回应了关于人工智能驱动的创新何时才能转化为持续的经济发展成果而非仅仅是暂时的绩效提升的疑问（Babina等人，2025）。基于权变视角，我们认为虽然人工智能驱动的创新有望提升生产力与经济增长（Rudko等人，2021），但这些效应的幅度在很大程度上取决于所处的监管环境。那些拥有清晰、支持性政策的地区，更有可能放大人工智能创新带来的益处，而模糊或惩罚性的环境则可能削弱或延迟这些益处的实现。

本研究在理论与实践层面均有所贡献。首先，它通过确定生产力提升作为核心中介机制，深化了我们对人工智能驱动的创新如何转化为经济成果的理解。其次，它拓展了制度理论的视野，表明监管环境会影响技术创新的效果，从而为我们提供了关于内部资源与外部环境之间互动关系的更为细致的见解。第三，它指出，要将人工智能投资转化为生产力提升，企业需要重新调整内部流程与惯例，这为解释为何不同企业会呈现不同成果提供了基于能力的解释，同时并未在此阶段扩大理论范畴（Babina等人，2025；Cimino等人，2025）。第四，它在方法上采用了多层实地数据与实验证据相结合的方式，从而增强了研究的收敛效度与因果推断的可靠性。最后，这些研究结果对于那些希望设计出既能鼓励创新又能确保人工智能负责任使用的监管框架的政策制定者，以及那些需要根据制度环境调整创新策略以获取最大收益的管理者而言，都具有重要的参考价值。

总而言之，本研究回答了这样一个紧迫的问题：人工智能驱动的创新为何以及在何时能与生产力提升与经济增长相联系。通过多元方法设计，将企业层面与制度层面结合起来，本研究全面且细致地分析了影响人工智能应用经济价值的各种机制与边界条件。

片段一：人工智能驱动的创新与生产力提升
人工智能驱动的创新指的是将人工智能技术战略性地整合到企业的产品、服务及运营过程中，以此创造价值（Yi & Ayangbah，2024）。随着人工智能不断重塑组织的常规运作与工作流程，那些将人工智能工具融入核心业务的企业，往往能在运营效率、流程精确度以及任务自动化方面取得显著提升（Li等人，2021）。这类创新有助于消除冗余环节。

片段二：支持创新的监管环境的调节作用
人工智能驱动的创新能否带来生产力提升，不仅取决于企业自身的能力，还取决于外部制度环境。根据制度理论，监管条件决定了企业如何运用并从技术创新中获益（Rudko等人，2025）。具有支持性创新特征的监管环境——表现为支持性政策、激励措施以及清晰的法律法规——能够降低不确定性，从而促进人工智能的采用（Li等人，2021）。

片段三：调节的中介作用：从人工智能驱动的创新到企业增长的路径
基于前述观点，人工智能驱动的创新与企业增长之间的关系可以理解为一种条件性的间接过程。具体而言，人工智能驱动的创新通过生产力提升转化为企业经济增长的程度，取决于所在地区的支持性创新监管环境的强度（Preacher等人，2007；Hayes，2015）。在具有支持性监管的环境中，企业更能够将人工智能投资转化为生产力提升。

样本与数据
本研究采用了混合方法设计，包括一项多层实地调查（研究1）和一项补充性的实验研究（研究2）。这两项研究虽采用不同的实证策略，但都旨在验证同一个理论模型：研究1基于组织数据，提供外部有效的证据；而研究2则通过实验操控监管条件，进一步提升研究的内部有效性与因果推断能力。

对于研究1，目标群体为……

模型设定
所假设的多层调节中介模型将企业（第一层）置于地区（第二层）之中。在第一层，生产力提升被设定为人工智能驱动的创新的函数；而企业经济增长则被设定为生产力提升与人工智能驱动的创新的共同函数。在第二层，允许不同地区的截距与斜率存在差异，且人工智能驱动的创新对生产力提升的斜率也被设定为该地区支持性创新程度的函数。

局限性
尽管本研究有一定贡献，但也存在若干局限性，这些局限性为未来的研究提供了方向。首先，虽然我们采用了双重研究设计以提高研究的稳健性与普适性，但这两组数据都属于横截面数据，这限制了我们得出明确因果结论的能力。未来的研究可以采用纵向或实验设计，以便更好地把握人工智能驱动的创新、生产力发展轨迹与经济成果之间的动态互动关系。

理论贡献
本研究通过证明人工智能驱动的创新对其对企业经济增长的影响主要是通过生产力提升实现的，而非仅仅依靠直接效应，从而深化了人们对这一现象的理解。通过将动态能力理论与制度理论纳入调节中介框架，研究结果为我们提供了更为细致的解释，说明内部效率提升与外部监管条件是如何共同塑造人工智能驱动的绩效成果的。

实践意义
对于实践者而言，这些研究结果具有重要的指导意义。

CRediT作者贡献声明
翁哲：写作——审阅与编辑，写作——初稿撰写，验证，软件使用，项目管理，调查研究，资金筹集，数据整理。
朱洲刘：写作——审阅与编辑，写作——初稿撰写，验证，软件使用，项目管理，调查研究，正式分析，概念构建。
余世超：写作——审阅与编辑，写作——初稿撰写，验证，软件使用，项目管理，调查研究，正式分析，概念构建。

未引用参考文献
Bliese，2000；DiMaggio和Powell，1983；Fornell和Larcker，1981；Giachino等人，2025；Hair等人，2019；Henseler等人，2015；Nunnally和Bernstein，1994；Rammer等人，2022；Rauf和Baolei，2025。

利益冲突声明
作者声明，在本文的发表过程中不存在任何利益冲突。