在分裂的世界中打开机遇之门：资本市场自由化与人工智能创新

《Pacific-Basin Finance Journal》：Open doors in a fragmented world: Capital market liberalization and AI innovation

　　•资本市场自由化显著推动企业的人工智能创新。这一效应通过降低融资约束、增加分析师关注度以及提高信息透明度来实现。组织知识搜索能力提升了企业将金融开放转化为人工智能创新的能力。沪港通带来的融资优势主要集中在那些人工智能创新活动较为活跃的企业中。这些研究结果在双重差分法、差异混合模型、处理组控制差异双重差分法、赫克曼校正以及替代性人工智能创新衡量指标下依然稳健。引言在当代经济中，人工智能创新已成为推动企业差异化竞争和长期生产力增长的最重要因素之一（Ramoglou等人，2025年）。然而，其融资需求与其他技术投资有着本质不同。发展人工智能创新需要大量前期投入用于计算基础设施、专用数据以及专业人才，而回报则具有不确定性、非线性特征，且往往延迟出现（Huang等人，2025年；Yin等人，2026年）。由于价值创造依赖于企业无法控制的互补资产和市场接受条件（Amzil等人，2026年），企业在人工智能项目产生可见成果之前往往面临漫长的融资缺口。弥补这一缺口需要持续的外部融资，但人工智能发展的中间进展往往难以被外部投资者观察或验证。这些特点导致了管理者与资本提供者之间的严重信息摩擦，使得股权市场的质量成为决定人工智能创新能否以所需规模和时长获得融资的关键因素。对于那些市场深度不足或存在国际分割的股权市场中的企业而言，这会带来严重的结构性融资劣势（Song等人，2026a年）。因此，企业的人工智能创新面临着一个根本性的矛盾：那些最依赖外部资金的项目，恰恰是那些前期成本高、回报延迟且进展不透明的项目，而这类项目最难以得到传统国内股权市场的支持。然而，现有研究几乎未系统探讨这一矛盾。关于人工智能创新的研究大多集中在企业层面的推动因素上，如数据基础设施、计算能力、人才引进以及组织学习等，将外部金融环境视为背景条件而非实际的约束因素（Carayannis等人，2024年；Donaldson等人，2025年；Cimino等人，2025年）。在外部投资者看来，人工智能创新发展到中间阶段时，很难对其价值进行评估，因为此时的进展体现在专用模型能力和数据资产上，而非类似临床试验结果或半导体工艺改进那样的可观察里程碑上（Rao，2020年；Sj?din等人，2023年）。因此，持续的资本投入取决于能否找到一个足够深入、分析能力强大且具备长期视野的投资者群体，以承受人工智能创新所固有的估值不确定性。资本市场自由化通过向具备这些特征的外国机构投资者开放国内市场，为缓解上述融资约束提供了一种潜在的重要机制（Feng等人，2022年）。据此，我们提出以下问题：资本市场自由化是否能够推动企业的人工智能创新？如果是，它是通过何种机制起作用的？在什么条件下其效应最为显著？本研究以中国沪港通计划作为资本市场自由化的体现，该计划将上海和深圳的交易所与香港相连。作为一种受监管的制度性开放而非全面的金融放松管制，沪港通通过扩大国内投资者群体，直接解决了人工智能创新所面临的特定融资约束问题（Meng等人，2023年）。资本市场自由化对人工智能创新的重要性不仅在于它提供了更多资金，还通过多种途径缓解了资金密集型的瓶颈问题。通过提升流动性并扩大风险分担范围，自由化降低了股权的实际成本，从而有助于企业为人工智能创新所需的计算基础设施和数据投入大量资金（Bekaert等人，2011年）。来自不同地区的外国投资者的参与增强了企业的披露意愿和外部监督，减少了与不透明的人工智能相关研发活动相关的信息摩擦（Brown和Martinsson，2019年）。更广泛的参与还增加了对专业解读的需求，促使分析师更多地关注相关领域，将不透明的人工智能创新活动转化为可靠的信号，进而降低阻碍持续资本投入的估值不确定性（Qian等人，2019年）。资本市场自由化虽然能够扩大企业的融资渠道和可获取的市场信号范围，但也带来了实际的转化摩擦：更多的资金可能会加剧短期交易波动，增加业绩压力，还有可能使资金被错配到那些看似热门但实际上收益较低的项目上（Crouzet等人，2020年）。因此，我们引入“组织知识搜索”这一调节变量，用以衡量企业是否能够“利用”外部金融开放带来的机遇。知识搜索体现的是企业感知技术前沿动态的能力（Zakaryan，2023年），以及获取多样化信息来源并将零散的信息整合为连贯的人工智能创新投资策略的能力。我们利用中国沪港通逐步推出的特点作为准自然实验，并结合双重差分估计与基于双重机器学习的因果验证方法。企业层面的人工智能创新是通过专利摘要的关键词文本分析来衡量的，同时我们还通过基于IPC分类、财务报告中的投资披露内容以及管理层讨论与分析部分构建的三种替代性衡量指标来验证结果的稳健性。本研究有以下贡献。首先，我们填补了人工智能创新研究领域的空白，证明了资本市场质量并非仅仅是背景条件，而是决定企业能否满足人工智能创新所带来的特殊融资需求的至关重要的因素。现有研究大多聚焦于企业层面的推动因素，如数据基础设施、计算能力、人才引进以及组织学习等，将外部金融环境视为次要而非关键的约束因素（Carayannis等人，2024年；Donaldson等人，2025年；Cimino等人，2025年）。我们通过将资本市场自由化视为一种补偿性制度机制，挑战了这种观点，认为它能够系统地缓解那些处于市场深度不足或孤立状态中的企业所面临的结构性融资劣势。通过将中国沪港通视为一种受监管的制度性开放，我们证明了它能够通过缓解融资和信息方面的摩擦，重新分配资本和信息资源，从而支持人工智能创新（Meng等人，2023年；Aiyar等人，2023年）。其次，我们揭示了资本开放如何通过三种具体的中介机制与人工智能创新相关联：融资约束、分析师关注度以及信息透明度。现有研究通常强调金融开放对流动性、治理结构或创新投资的广泛影响。我们则进一步指出，人工智能创新不仅需要更多资金，还需要一个能够支持和评估那些不透明且具有长期前景的技术投资的市场环境。资本开放通过提升流动性和扩大风险分担范围，缓解了融资约束，帮助企业为大规模的人工智能投资筹集资金（Bekaert等人，2011年）。它还增加了分析师的关注度，使外部中介机构能够解读与人工智能相关的活动，从而降低投资者的不确定性（Qian等人，2019年；Dubey等人，2025年）。此外，资本开放还通过增强企业披露意愿和对外部监督的力度，提高了人工智能相关研发活动的信息透明度（Brown和Martinsson，2019年）。这样一来，我们就明确了沪港通是如何通过融资约束、分析师关注度以及信息透明度来支持人工智能创新的，而不仅仅是通过提供资金支持（Cai等人，2025年）。第三，我们证明了资本市场自由化的价值取决于企业将外部金融信号转化为实际人工智能投资的能力。否则，资本开放可能会带来短期交易压力和资金错配风险（Crouzet等人，2020年；Mo和Ouyang，2025年）。通过引入“组织知识搜索”这一概念，我们表明那些具备更强外部搜索能力的企业，更能有效地吸收市场资源并将其投入到富有成效的人工智能创新中（Zakaryan，2023年）。我们进一步发现，在那些人工智能创新活动较为活跃的企业中，沪港通能够降低PEG值，这说明资本开放提升了市场的估值效率，而不仅仅是刺激投机行为。综上所述，这些研究结果明确了在何种情况下金融开放能够真正推动实质性的人工智能创新，以及在何种情况下其益处取决于企业的知识搜索能力和估值自律性。章节节选人工智能创新作为一种特殊形式的技术投资人工智能创新代表了经济活动组织方式的一次范式转变，与传统的软件开发以及早期几波信息技术发展有着本质区别。Bresnahan和Trajtenberg（1995年）将通用技术定义为那些具有广泛应用性、具备持续技术改进潜力，并能在不同行业催生出诸多互补性创新的技术。相比之下，当代人工智能更完全符合这一特征。数据与样本我们的分析使用了2007年至2024年间在上海和深圳证券交易所上市的A股企业的非平衡面板数据，这一时间跨度涵盖了沪港通实施前后。我们主要从CSMAR数据库中获取了企业层面的财务和治理变量以及地区控制变量。我们的因变量“人工智能创新”是通过针对专利摘要量身定制的文本挖掘方法得出的（详见衡量指标部分）。描述性统计表2列出了主要变量的汇总统计信息。因变量“AI_abstract”的平均值为0.1871，标准差为0.544，这表明不同企业在人工智能创新方面的强度存在明显差异：许多企业年度的数据显示人工智能相关活动较为有限，而有一部分企业则表现出相对活跃的创新成果，这与前沿技术传播过程中出现的阶段性差异现象相符。[数学处理错误]“Open”变量的平均值为0.2112，这意味着大约21%的企业年度观测值被纳入分析范围。讨论我们的实证分析表明，资本市场自由化显著推动了企业的人工智能创新，这一结论拓展了以往将金融环境视为技术投资背景条件而非关键约束因素的研究成果（Carayannis等人，2024年；Donaldson等人，2025年）。这一发现的理论意义在于，人工智能具有独特的经济属性、信息特征、金融开放程度以及金融特性。政策建议新兴经济体的政策制定者应重视维护并深化基于规则的资本市场开放，将其作为宏观层面的韧性保障机制。沪港通带来的融资优势不仅体现在资本规模的增加上，还体现在外国机构投资者参与所带来的信息和治理方面的积极效应。政策制定者应致力于通过透明且稳定的标准，扩大符合条件的企业范围，同时加强对于CRediT作者贡献声明的监管。作者贡献Fangzhou Song：撰写——初稿、可视化、软件工具、方法论、正式分析、数据整理、概念构建。Chengkun Liu：撰写——审阅与编辑、方法论。Binyu Wei：软件工具。Fujuan Zhang：撰写——审阅与编辑、资金筹集。Yang Huang：撰写——审阅与编辑、数据整理、概念构建、资金筹集、方法论。资金支持本研究得到了四川省哲学社会科学基金[项目编号：SCJJ25ND196]以及中国国家社会科学基金[项目编号：22BJY033]的支持。利益冲突声明作者声明自己没有已知的、可能影响本文研究结果的财务利益或个人关系。致谢Yang Huang感谢中国国家社会科学基金[项目编号：22BJY033]提供的资金支持；Fujuan Zhang感谢四川省哲学社会科学基金[项目编号：SCJJ25ND196]提供的资金支持。Fangzhou Song|Chengkun Liu|Binyu Wei|Fujuan Zhang|Yang Huang