区域教育-技术-人才政策协调如何影响企业对人工智能的投资？以中国为例

《Economic Analysis and Policy》：How Does Regional Education-Technology-Talent Policy Coordination Shape Corporate AI Investment? Evidence from China

　　张琳月|黄永植 韩国世宗大学商学院，首尔广津区农东路209号，邮编05006 摘要 在数字经济时代，区域政策协调能否有效促进企业的技术投资已成为创新治理领域的关键问题。本文聚焦城市层面教育、科技与人才政策之间的协同效应，及其对中国上市公司人工智能投资的影响。通过运用词典共现法分析省级政府工作报告，我们构建了教育-科技-人才政策协同指数，并将其与企业层面的面板数据相结合。双向固定效应和工具变量估计结果均表明，更强的跨领域政策协同能够显著推动企业对人工智能的投资。这一效应通过两个途径发挥作用：提升企业吸收创新人才的能力，以及增强其在产教研协作网络中的嵌入度。异质性分析显示，非国有企业对政策协同信号的响应更为明显。进一步分析发现存在倒U型关系，即跨部门协调的收益在超过一定范围后会下降。这些研究结果表明，区域政策对企业人工智能投资的促进作用不仅取决于各政策领域的强度，更关键在于它们之间的协同程度，从而将政策组合理论扩展到了教育、科技与人才系统之间的跨部门协同领域。引言 随着算法开始取代基于经验的判断来指导企业的生产和管理决策，工业机器人逐步承担起制造业中的重复性劳动，生成式人工智能则重新定义了知识工作的边界，以人工智能技术为核心的投资竞争正在全球范围内加速展开（Kopka和Fornahl，2024；Park等人，2026）。参与这场竞争的不仅有科技巨头和初创企业，还有大量传统制造业、服务业乃至农业领域的上市公司。这些企业正在投入越来越多的资源到人工智能领域，希望通过技术升级获得效率优势和先发优势。然而，企业对人工智能投资的规模和强度在不同地区之间存在显著差异。即便拥有相似的资源条件，企业在不同地区的投资行为也大相径庭。这种空间上的异质性表明，企业的人工智能投资决策并非仅由内部财务状况、技术能力或管理认知决定，区域层面的某些制度因素也在深刻影响着微观主体的技术投资行为（Lundvall和Rikap，2022；Mostafiz等人，2025）。中国经济的数字化转型进一步凸显了这一问题的紧迫性。过去十年间，数字技术渗透到各个经济领域的速度持续加快，数字经济对全要素生产率的非线性驱动作用已在省级和市级层面得到验证（Pan等人，2022；Li等人，2024）。在这一宏观进程中，地方政府并非被动旁观者，而是积极营造有利于数字技术应用和传播的区域环境的建设者，他们通过设计和实施涵盖教育培训、科学研究以及人才培养的政策体系来推动这一进程。数字技术的传播不仅重构了企业间的竞争关系，还改变了政策影响企业创新行为的传导路径和强度（Ferreira等人，2024）。供应链上下游企业之间的数字化溢出效应表明，数字技术的影响已远远超出单个企业的组织边界，延伸至更广泛的产业网络和区域范围（Geng等人，2024）。在此背景下，区域政策环境影响企业人工智能投资决策的机制变得愈发复杂，亟需深入研究。问题的核心在于，区域政策对企业人工智能投资的影响不能简单地归结为某一单一政策维度的边际效应。人工智能是一种典型的通用型技术，其成功应用需要知识基础、技术能力以及专业人才的紧密结合。如果企业决定投入资源发展人工智能，就需要招聘受过良好训练的算法工程师和数据科学家，获取区域内科研机构的前沿技术成果，同时在一个鼓励创新冒险的制度环境下开展周期长、不确定性高的研发活动。这些需求分别对应着教育系统的人才培养功能、科技政策的研发支持功能以及人才政策的要素配置功能（Gofman和Jin，2024；Akcigit等人，2025）。当这三类政策各自独立运作时，可能会出现教育系统培养出大量计算机科学毕业生，但该地区缺乏能够吸收这些人才的科技企业和研发平台的情况；或者科技政策虽在研发方面投入巨大，但由于高端人才外流而无法将研究成果转化为实际应用。只有当教育政策、科技政策和人才政策在目标定位、资源分配和实施节奏上实现有效协同，才能充分发挥它们共同推动企业人工智能投资的作用。政策组合理论为多种政策工具之间的相互作用提供了系统的理论解释。该理论在发展过程中，已从关注工具层面的组合，转向强调政策过程和制度协调（Flanagan等人，2011；Rogge和Reichardt，2016）。政策工具之间的关系可能表现为互补、协同、冗余，甚至相互抵消，这取决于工具设计的一致性、实施过程中的协调程度以及目标群体的响应程度（Kivimaa和Kern，2016；Kern等人，2019）。在创新政策领域，设计合理的政策组合可以同时激活创新系统内的多个功能模块，而缺乏协调的工具叠加则容易导致政策拥挤和资源浪费（Greco等人，2022）。在多层治理体系中，地方的创新支持计划在特定条件下可以补充并放大国家层面的研发补贴效果，但也可能因层级间信息共享不足而产生重叠（Shi等人，2023）。供给侧工具与需求侧工具的组合方式也会根据企业的生命周期阶段产生不同的创新结果（Guo等人，2025；Zhang等人，2026）。跨部门政策是互补还是相互排斥同样备受关注，因为创新政策与环境法规的跨工具组合可能在推动绿色创新方面产生协同效应或冲突（Caloffi等人，2022；Zhang等人，2023）。在区域层面的政策组合分析中，还需考虑政策执行者在管理政策组合时的协调工作，因为政策工具之间的协调并非自动发生，而是依赖于具体的组织实践和执行主体的能动性（Rezaeian等人，2024）。尽管在理论深度和实证范围上都取得了持续进展，但几乎所有研究都集中在同一政策领域内不同工具的组合，或相邻两个领域之间的配对上。涉及不同行政体系、目标群体和政策周期的教育、科技与人才这三个领域之间的协同效应，至今仍未被纳入政策组合分析的核心议程。与此同时，近年来关于企业人工智能应用的微观实证研究迅速增多。人工智能投资对企业生产率的提升效应并非均匀分布，而是因行业技术特征和企业自身的创新吸收能力而存在显著差异（Chin等人，2025）。在劳动力市场层面，人工智能技术的普及正在重塑大都市区的技能需求结构。在人工智能创新最为活跃的地区，对高技能人工智能人才的需求尤为突出，这进一步加剧了地区间的人才分化现象（Choi和Leigh，2024）。中小企业通过将人工智能技术融入现有知识体系来实现追赶式增长的路径也逐渐清晰，不过这种追赶在很大程度上取决于企业获取外部知识资源的能力（Kopka和Fornahl，2024）。企业在人工智能领域的创新成功与其此前在信息技术领域积累的知识密切相关。学习效应和互补性知识资产在决定企业能否进入人工智能创新前沿方面起着关键作用（Igna和Venturini，2023）。此外，企业能够便捷地获取政府数据资源也是其进行人工智能创新的重要外部条件。企业为政府部门提供服务过程中获得的数据访问权限，可以有效地转化为商业领域的人工智能创新成果（Beraja等人，2023）。在创新生态系统中，资源整合能力和企业家的思维框架共同决定了企业采用和整合人工智能技术的过程（Mostafiz等人，2025）。然而，这些富有洞察力的微观研究发现，在上升至区域制度分析层面时却遇到了瓶颈。企业人工智能投资行为与区域政策环境之间的关系，尤其是多维度政策协同如何影响企业层面的投资决策，仍是学术研究中的重要空白。人力资本与企业技术采用之间的关系则处于上述两大研究领域的交叉点。区域人力资本的增加可以通过提升劳动力的技术适应能力来加速新技术的传播，这一效应在那些处于技术前沿的经济体中尤为显著（Fleisher等人，2010；M?nnasoo等人，2018）。中国上世纪90年代末开始的高等教育扩张为研究这一关系提供了宝贵的实证依据。高等教育扩张后，劳动力市场中受过高等教育的劳动者数量急剧增加，这使得那些技术发展更依赖高学历劳动力的行业实现了更高的生产率增长和创新成果产出（Che和Zhang，2018；Kong等人，2022）。人力资本的积累还通过推动企业的商标创新活动，拓展了品牌资产的价值边界（Shu和Wang，2023）。当教育激励措施和研发补贴同时作用于稀缺的创新人才时，人才流入高价值创新活动的效率就能得到更大程度的提升（Akcigit等人，2025）。区域层面的数字知识溢出效应和数字技能水平也对数字创新初创企业的出现频率和空间分布产生深远影响（Colombelli等人，2024）。智慧城市计划通过改善数字基础设施和优化吸引人才的环境，正在重塑城市作为人才和创新企业聚集地的竞争格局（Marchesani等人，2023）。所有这些研究结果共同指向了一个尚未被明确阐述的理论命题：如果人力资本的供给不仅受教育政策的影响，同时还受到科技政策所创造的研发机会结构以及人才政策所建立的激励和流动机制的影响，那么分析教育、科技与人才政策对企业技术投资行为的影响时，就不能仅仅考虑它们各自的独立效应，而必须将三者之间的协同关系纳入统一的分析框架之中。综上所述，现有文献中存在三个尚未得到充分解答的核心问题。首先，尽管政策组合研究已经建立了用于分析多种政策工具相互作用作用的成熟理论框架，但其应用范围很少扩展到教育、科技与人才这三个具体政策领域的协同分析。与同一领域内研发补贴与税收激励的组合关系不同，教育、科技与人才政策涉及完全不同的行政体系、目标群体和政策周期。三者之间的协同机制在理论上更为复杂，实际协调难度也更大。其次，作为数字经济时代最具战略意义的技术投资行为之一，企业人工智能投资的相关区域制度决定因素尚未被系统地纳入实证分析框架。微观层面的企业能力视角与宏观层面的政策分析之间存在明显的脱节，区域政策环境如何突破组织边界并转化为企业的投资激励，仍然是一个未知数。第三，从方法论的角度来看，教育-科技-人才政策协同程度的衡量长期以来一直依赖于结构化统计数据及主观加权方法。这些传统方法难以捕捉政策文本中所蕴含的丰富语义信息及跨主题关联特征，从而成为动态监测和政策协同性精细分析的技术障碍。基于这些观察，本文提出了四个相互关联的研究问题。第一个问题是：区域教育、科技与人才政策协同性是否促进了该区域内上市公司的人工智能投资？第二个问题是：如果存在此类效应，它是通过何种内部机制传导至企业层面的？第三个问题是：当部门间协调超出合理范围时，协同性的边际贡献是呈单调上升趋势，还是会减弱？第四个问题是：鉴于国有企业和非国有企业以及制造业企业和非制造业企业对区域政策信号的感知和反应方式存在系统性差异，这种效应在不同企业所有权类型和行业类别中有何不同？为解答这些问题，本文采用区域创新生态系统理论作为分析框架，将教育、科技和人才政策视为区域创新生态系统内占据不同制度生态位的关键子系统。从区域创新生态系统的视角来看，创新并非单一因素或线性过程的产物，而是特定地理和制度环境下多个主体及多维度因素相互作用、耦合共生所产生的系统性涌现结果（Khizar等人，2025）。数字技术的融入从根本上改变了创新生态系统内的知识传递路径和价值共创模式（Zheng等人，2025）。在该系统中，教育、科技和人才政策分别承担着知识供给、技术演化及能力匹配的功能。当这三方面的政策目标、资源分配和实施节奏实现有效协同时，生态系统就能释放出更强的要素整合能力和结构优化潜力。在实证分析方面，本文采用词典共现法对中国地级市政府工作报告进行文本定量分析，构建了教育-科技-人才政策协同性指数，并将其与上市公司的人工智能投资数据相结合。通过双向固定效应模型来探究区域政策协同性对企业人工智能投资的因果影响。在机制识别层面，本文依据区域创新生态系统中的两条核心路径——要素流动性和网络连通性，确定了创新人才吸收能力和协同创新网络嵌入度作为两个关键的传导渠道。前者反映了企业如何通过增加研发人员比例来应对区域人才供应环境的改善，后者则体现了企业如何通过深化产教研合作来融入区域协同创新网络。这两条机制路径分别从人力资本要素和知识网络结构两个维度，构成了区域政策协同性与企业投资行为之间的传导链条。本研究在三个方面做出了理论贡献。首先，本文将政策组合理论从传统的同一领域内工具组合拓展到教育、科技和人才这三个跨部门政策领域的协同性分析，从而拓宽了政策组合研究的应用范围（Rogge和Reichardt，2016；Meissner和Kergroach，2021）。与那些关注同一领域内不同工具组合效应的方法不同，本文强调不同政策领域间的生态位互补性和制度耦合性，揭示了教育-科技-人才政策协同性作为一种系统性制度安排，是如何影响企业技术投资行为的。区域政策协同性的有效性不仅取决于单个工具的设计质量，更关键的是取决于各政策领域之间的结构契合程度。这一发现丰富了政策组合理论关于政策间相互依赖关系的分析维度（Kern等人，2019；Caloffi等人，2022）。其次，本文回应了学界关于企业人工智能应用决定因素的持续讨论，将分析视角从企业内部资源和能力拓展到区域制度环境（Beraja等人，2023；Igna和Venturini，2023）。通过构建从区域政策到企业投资的跨层级分析框架，并确定创新人才吸收能力和协同创新网络嵌入度为两大传导路径，本文揭示了区域制度安排如何突破组织边界成为企业的投资激励因素，进而加深了对人工智能投资决策形成机制的理解，也为区域创新生态系统理论的微观基础提供了企业行为层面的实证支持。第三，本文运用文本分析技术对大规模政策文本进行量化处理，克服了传统结构化统计数据及主观加权方法在捕捉政策协同性语义特征方面的局限性，为动态监测区域政策协同性水平提供了可扩展的方法路径（Liu和Yao，2026）。本文的其余结构如下：第二部分构建理论框架并提出研究假设；第三部分介绍研究设计及变量设定；第四部分呈现实证结果；第五部分探讨研究结论的理论意义和政策启示，并对全文进行总结。