人工智能创新能否重塑企业的现金管理决策？基于大型语言模型文本分析的证据

《Pacific-Basin Finance Journal》：Can artificial intelligence innovation reshape corporate cash management decisions? Evidence from textual analysis using large language models

　　•基于BERT和GPT的大语言模型被用于识别人工智能创新。•人工智能创新显著降低了企业的现金持有量。•这种效应通过预防性动机和代理问题渠道发挥作用。•减少的现金会被重新用于研发和固定资产投资。

引言
在经济日益复杂且波动加大的背景下，由于现金具有无与伦比的流动性和灵活性，它在企业资产配置和风险管理中仍发挥着关键作用。保持适当的现金储备有助于企业应对突发冲击（如融资约束、宏观经济波动），同时维持运营稳定性和战略灵活性，以便抓住投资机会（Bates等人，2009年；Beuselinck等人，2021年；Hanlon等人，2017年）。因此，如何设计既能保证安全又能提升效率的现金持有政策，长期以来一直受到学者和实务界的关注。然而，技术变革的持续发展使得企业在决策过程中面临更复杂的数据、更高的环境不确定性以及更棘手的治理问题。在这些技术进步中，人工智能创新已成为推动企业技术升级和能力积累的关键力量，它从根本上改变了企业处理信息、分配资源以及制定战略决策的方式。这些发展改变了传统理论中所假设的决策条件，表明人工智能创新可能对企业现金管理产生重要影响。尽管人工智能创新的重要性日益凸显，但关于它是否以及如何影响企业现金持有决策的研究仍然不多。这一问题在中国背景下尤为重要。首先，中国的人工智能创新发展迅速（Lundvall和Rikap，2022年）。根据斯坦福大学发布的《2025年人工智能指数报告》，自2010年以来，中国授予的人工智能专利数量急剧增加，2017年已超过美国，到2023年则占全球所有人工智能专利的69.7%。如此大规模的发展为衡量企业的人工智能创新及其财务后果提供了丰富的企业间差异数据。其次，中国人工智能创新的快速发展伴随着企业运营能力和组织结构方面的实质性改进。因此，人工智能创新不仅通过技术发明本身影响企业，还通过其对信息处理、资源分配和业务运营的更广泛影响发挥作用。第三，这一背景与企业现金管理也密切相关。中国是一个典型的新兴市场，企业在此类市场中通常持有较高水平的现金，而且预防性动机和代理问题动机在企业现金政策中占据核心地位（Di等人，2020年；Han和Wang，2023年；Wang等人，2024年）。因此，中国的人工智能创新可能不仅通过创造新的投资需求影响现金决策，还能通过提升企业的信息处理能力、运营协调能力和内部治理水平来产生影响。这些特点使得中国成为研究人工智能创新是否以及为何影响企业现金持有的理想场所，因为其财务后果可能与成熟市场中的情况有所不同。

在此背景下，人工智能创新可能通过多种相互竞争的渠道影响企业现金持有。一方面，人工智能创新提升了企业对外部变化的响应能力及其预测能力，从而提高了投资和生产效率（Wang和Chen，2025年），并降低了运营不确定性，这可能会削弱企业持有现金的预防性动机。另一方面，通过优化内部控制机制和信息系统，人工智能技术可以提高治理透明度和监控效果（Qi和Su，2025年；Wu和Ge，2025年），从而遏制由管理层短期主义或控股股东自身利益驱动的过度现金持有行为（Dittmar和Mahrt-Smith，2007年；Jensen，1986年）。然而，人工智能创新也对要素投入和技术支持提出了更高要求。实施失败可能会增加运营成本，从而对现金储备造成上升压力。因此，人工智能创新对企业现金政策的影响在事前是不确定的，需要通过系统的实证研究来探讨。

尽管人工智能创新在理论上与企业现金持有相关，但研究这一问题面临的一个主要挑战是如何可靠地衡量企业的人工智能相关努力以及确定因果关系。最近的一些研究开始探索人工智能与现金持有之间的关系（Damle和Sinha，2025年），他们利用招聘数据来衡量企业的人工智能投资。这种方法有助于从劳动力投入的角度了解企业对人工智能人才的需求以及内部能力建设情况，但它可能无法直接反映实际实现的人工智能相关创新成果。另一种常用的方法是基于词典的方法，通过识别企业申请的人工智能相关专利来衡量企业的人工智能创新活动（Qi和Su，2025年；Yao等人，2024年）。虽然词典方法简单、透明且适用于各种情境，但它们可能存在较高的主观性且可验证性较差。此外，这类方法无法有效捕捉情境差异或否定情况，从而导致误报和遗漏（Miric等人，2023年）。相比之下，如果在使用准确标注的数据集进行训练，机器学习算法如BERT模型可以利用专利文本中的语义信息实现更精确的识别，从而大幅提高准确性（Fritsch等人，2025年；Zheng，2026年）。然而，传统的手动标注方法成本高昂且难以扩大规模。大型语言模型的快速发展近期缓解了这一难题，在保持高准确率的同时大幅降低了标注成本（de Kok，2025年；Lu等人，2025年）。基于这些进展，我们开发了一种新方法，将大型语言模型与BERT模型相结合来识别人工智能相关专利，进而构建企业人工智能创新的衡量指标。随后，我们使用固定效应模型来研究人工智能创新对企业现金持有的影响。我们的研究结果表明，人工智能创新显著降低了企业的现金持有量。机制分析的结果与预防性动机渠道一致，即人工智能创新通过降低运营不确定性和缓解融资约束来减少企业的现金持有。在运营方面，人工智能创新与投资效率低下和运营风险降低相关，同时也能提高生产效率并降低劳动杠杆率。在融资方面，人工智能创新与银行借款、政府补贴和贸易信用的增加有关，同时也能显著缓解融资约束。基于代理动机机制的分析表明，人工智能创新通过降低代理成本来减少现金持有，这体现在运营费用降低、过度在职消费减少、分析师关注度提高以及媒体报道增多等方面。横截面分析进一步显示，在竞争更为激烈的行业、人工智能创新程度较低的行业中，以及政府对人工智能支持力度更大、数字基础设施更为完善的地区，人工智能对现金持有的负面影响更为明显。进一步分析还发现，人工智能创新有助于提高管理层的薪酬和企业价值。最后，我们发现人工智能创新促使企业增加未来的研发和固定资产投资，这表明现金持有量的下降反映了现金分配效率的提升，而非企业财务灵活性的减弱。

我们进行了多项稳健性检验，以验证研究结果的可靠性。首先，为了解决企业可能为了资助人工智能投资而减少现金持有这一潜在的逆向因果问题，我们采用了工具变量法，结果依然稳健。其次，为减少仅依赖人工智能词典所带来的测量偏差，我们遵循Fan等人的方法（2025年），采用差分-差分法重新估算人工智能对现金持有的影响，再次得到了一致的结果。此外，我们还通过倾向得分匹配、替代性的解释变量衡量方法以及不同的模型设定来确认核心结论的稳健性。

本研究为相关文献做出了几项贡献。首先，它丰富了关于企业现金持有的研究，尤其是将技术与企业财务决策联系起来的研究领域。以往的研究已经考察了微观层面的决定因素，如财务特征、治理结构、管理者特质以及员工诉讼问题（Bui等人，2025年；Dittmar和Mahrt-Smith，2007年；Feng等人，2026年；Han和Qiu，2007年；Harford等人，2008年），以及宏观层面的因素，如行业特征、宏观经济状况和制度环境（Ahmad和Karpuz，2024年；Dudley和Zhang，2016年；Lee，2024年；Phan等人，2019年；Tian等人，2025年）。然而，这些研究都基于一个隐含的假设，即企业的技术能力保持稳定。在重大技术变革通常需要较长时间的情况下，这一假设是合理的。然而，近年来人工智能的快速发展已经深刻地改变了企业的生产和运营活动（Acemoglu等人，2022年），因此在分析企业现金持有决策时，有必要考虑人工智能的因素，以避免因过度持有现金而造成的价值损失。我们的研究结果表明，人工智能创新有助于减少企业现金持有，并促进研发和固定资产投资。

其次，本研究为日益增多的关于人工智能与企业绩效关系的研究做出了贡献。此前关于人工智能对企业影响的研究主要集中在劳动力调整、技术创新、生产效率和投资效率等方面（Babina等人，2024年；Fan等人，2025年；Wang和Chen，2025年；Yao等人，2024年）。与我们的研究最为相似的是Damle和Sinha（2025年）的研究，他们以美国上市企业为研究对象，发现人工智能投资与较高的企业现金持有量相关。相比之下，我们发现在中国背景下，人工智能创新反而会降低现金持有量。重要的是，这种差异不能仅仅归因于测量方法的不同，因为我们使用基于专利的人工智能创新指标和基于人工智能与员工的指标都得到了一致的结果。相反，这些不同的研究结果凸显出企业人工智能相关努力的财务后果在很大程度上取决于制度和战略背景。特别是，我们的证据表明，在以银行为主导的金融体系中，预防性动机和代理问题动机在现金管理中起着核心作用，人工智能创新主要作为一种提升效率、降低成本和改进治理的技术。而在美国这样的市场经济体中，企业持有现金更多是为了保持战略灵活性和抓住投资机会，人工智能投资可能具有更强的期权特性，且面临更大的熟练劳动力风险。总体而言，我们的研究补充并拓展了Damle和Sinha（2025年）的研究，证明了人工智能对企业现金持有的影响是受具体情境影响的，且受到金融发展水平、治理结构以及人工智能活动战略导向的差异影响。

第三，本研究也为将BERT模型和大型语言模型应用于金融领域的研究做出了贡献，尤其侧重于人工智能专利的识别。现有的基于词典的方法存在众所周知的局限性，包括高度的主观性、验证困难，以及无法考虑情境差异或否定情况（Miric等人，2023年）。相比之下，我们的方法利用了BERT模型的最新进展（Fritsch等人，2025年；Zheng，2026年），并结合了大型语言模型辅助的文本标注技术（de Kok，2025年；Lu等人，2025年），从而提供了一种可扩展且基于语义的方法，用于将专利分类到特定的技术类别中。除了专利识别之外，这一框架还为金融领域的文本识别任务提供了更广泛的方法论启示，因为在金融领域，准确分类复杂且不断变化的文本信息变得越来越重要。

最后，我们的研究给出了明确的政策建议。我们发现，人工智能创新不仅仅是一种技术策略，也是改善流动性管理和内部资源分配的重要工具。在全球经济不确定性加剧的背景下，这一发现有助于管理者更好地评估人工智能创新的财务影响，提高运营效率，缓解融资困境，并减轻代理问题。同时，政府也能通过更准确地了解人工智能创新的现实影响，来制定相应的政策，支持企业提升人工智能相关的技术能力。此外，我们的横截面分析表明，对于那些面临更大竞争压力、企业治理较为薄弱，以及所在地区政府支持力度较大的企业，人工智能创新对现金持有的负面影响尤为显著。这些发现为量身定制策略、最大化人工智能带来的好处提供了实用指导。

本文的其余部分安排如下：第2节介绍文献综述和假设提出；第3节阐述研究设计；第4节报告实证结果；第5节进行机制检验和异质性分析；第6节总结全文。从理论层面来看，学者们主要借助权衡理论、代理理论和优先顺序理论来解释企业现金持有行为的动机及其差异。权衡理论认为，企业通过权衡现金持有的边际收益与边际成本来确定最优的现金持有水平。我们的初始样本包括所有中国A股上市公司。由于中国在2010年左右开始出现大规模的人工智能创新活动，而上市公司的最新可用数据截至2024年，因此我们将2010年至2024年作为最终的研究时间区间。为减少异常值对研究结果的影响，我们采取了多项措施。首先，排除了金融类企业，因为它们的财务报表和现金持有动机与其他企业存在显著差异。

总结性统计量附录表B1展示了本研究主要变量的总结性统计量。核心因变量Cash1的平均值为0.219，这意味着样本中企业的现金及有价证券占总资产的21.9%。Cash2的含义类似。AI的平均值为0.618，标准差为1.104，这表明企业的人工智能创新水平存在较大差异。其他变量的描述性统计结果也显示了类似的特征。

机制检验与异质性分析上述结果表明，人工智能创新会显著降低企业的现金持有水平。接下来，我们将探讨其背后的机制以及可能存在的异质性。

结论基于预防动机和代理动机，我们构建了一个理论框架，用以分析人工智能创新与企业现金持有之间的关系。我们利用大型语言模型、BERT模型以及专利申请数据来衡量企业的人工智能创新水平，并以2010年至2024年中国A股上市公司的数据为依据，分析了人工智能创新对企业现金持有水平的影响机制。

实证研究结果显示，人工智能创新确实会显著降低企业的现金持有水平。

作者贡献说明田伟伦：写作——审阅与编辑、写作——初稿撰写、可视化、验证、监督、软件使用、资源协调、项目管理、方法设计、数据收集、资金筹措、正式分析、数据整理、概念构建。郭俊如：写作——审阅与编辑、写作——初稿撰写、可视化、验证、监督、软件使用、资源协调、项目管理、方法设计、数据收集、资金筹措、正式分析、数据整理。

伦理审批本稿件未同时提交给多家期刊审议。所提交的成果为原创内容，未曾以任何形式或语言在其它地方发表过（无论部分还是全部）。

致谢所有作者均为本文的同等贡献者，共同担任第一作者。我们感谢国家自然科学基金（72271130）、中央高校基本科研业务费（63252076）以及南开大学高级跨学科研究院（92515001）提供的财务支持。

田伟伦|郭俊如|韩伟健|王佳瑞