数字人力资本投资如何驱动旅游与酒店企业的人工智能创新：数据资产与高层管理团队稳定性的作用

《International Journal of Hospitality Management》：How digital human capital investment drives AI innovation in tourism and hospitality firms: The roles of data assets and TMT stability

　　

摘要在旅游与酒店业中，人工智能的快速采用提升了数字人力资本投资的战略重要性。然而，关于此类投资是否以及如何驱动人工智能创新的证据仍然有限。基于资源基础观和动态能力理论，本研究将数字人力资本投资概念化为企业在数字密集环境中构建创新能力的战略性积累组织资源。使用 2012 年至 2023 年间上市旅游与酒店企业的面板数据，我们调查了数字人力资本投资对人工智能创新的影响，以及潜在的机制和边界条件。结果表明，数字人力资本投资通过增加研发投入和更高的风险承担倾向显著促进人工智能创新。这些效应在数据资产强度更高和高层管理团队更稳定的企业中更为显著。进一步分析显示，数字人力资本投资诱发的人工智能创新显著提高了企业的全要素生产率。通过强调人力、数据和管理资源的互补作用，本研究推进了动态资源编排视角，即企业如何在旅游与酒店业中产生人工智能创新。

1. 引言
人工智能正在重塑旅游与酒店业的竞争逻辑。从非接触式签到和智能客服到个性化行程推荐，人工智能不再仅仅是提高运营效率的工具；相反，它可以改变服务交付方式，重塑组织流程，并实现新型客户体验 (Ku and Chen, 2024)。现有研究主要关注旅游与酒店业中人工智能采用的前因，强调技术、组织和环境条件 (Nam et al., 2021)，以及运营、情感和环境决定因素 (Cozzio et al., 2025, Rasheed et al., 2024)。虽然这一系列研究提供了对企业为何采用人工智能的见解，但对企业人工智能创新的理解有限。

作为一种通用技术，人工智能在部署后不会自动产生价值 (Bresnahan and Trajtenberg, 1995)。其创新潜力只有在与领域知识、服务情境和互补资源相结合，从而转变为特定领域应用时才得以实现 (Agag et al., 2026, Shin et al., 2026)。这一挑战在旅游与酒店业中尤为突出，该行业的服务交付具有体验式、异质性和劳动密集型特征 (Kim and So, 2022)。为了满足个性化服务和实时响应的需求，人工智能必须通过流程重新设计和业务整合进行嵌入 (Gretzel, 2011, Tussyadiah, 2020)。在此过程中，数字技能员工的短缺已成为关键约束。经合组织 (OECD, 2024) 指出，数字化转型将增加旅游业对技术能力的需求，但在人工智能维护、机器人操作和数据分析方面仍存在巨大差距 (Ba?er et al., 2025)。因此，关注点应超越技术投资，转向企业是否持续投资人力资本以进行数字化转型。

在此背景下，本研究引入了数字人力资本投资的概念，定义为企业通过招聘、培训、分配和留住数字技能员工而开发的数字知识、技能和专长的积累存量 (Babina et al., 2024, Fedyk and Hodson, 2023)。与数字素养和能力等个体层面构念相比 (Cetindamar et al., 2024, Proksch et al., 2024, Sahibzada et al., 2025)，数字人力资本投资强调一种战略性且积累性的组织过程。因此，它解释了分散的数字能力如何转变为可用于创新的组织资源。

基于资源基础观，持续的竞争优势源于有价值的、稀有的和不可模仿的资源 (Barney, 1991, Wernerfelt, 1984)。通过长期积累和情境嵌入，数字人力资本投资成为一种战略有价值的组织资源 (Carlisle et al., 2023, Denysenko et al., 2024)。然而，资源基础观对于此类资源如何转化为创新成果提供的见解有限。为了解决这一缺口，本研究结合动态能力理论来补充资源基础观，该理论解释了企业如何在技术变革下重新配置其资源基础，将宝贵资源转化为创新成果 (Agag et al., 2026)。通过增强企业识别人工智能机会和管理不确定性的能力，数字人力资本投资可能通过研发投入和风险承担促进人工智能创新。其效应进一步受到互补条件的影响，特别是数据资产强度和高层管理团队稳定性。

在此背景下，本研究使用 2012 年至 2023 年中国上市企业的面板数据集，实证调查了数字人力资本投资对旅游与酒店企业人工智能创新的影响。基于资源基础观和动态能力理论，我们构建了一个框架，解释了数字人力资本投资作为一种战略性组织资源，如何在服务密集型环境中被动员和重新配置以支持人工智能创新。本研究进一步检查了潜在机制，重点关注研发投入和企业的风险承担倾向作为关键传递渠道。此外，它将数据资产强度和高层管理团队稳定性作为关键边界条件纳入，以捕捉资源互补性和战略协调如何塑造数字人力资本投资的有效性。最后，本研究扩展了分析，以评估其更广泛的经济意义，通过检查其与生产率的关联。

2. 文献综述与假设发展
2.1. 文献综述
2.1.1. 数字人力资本投资
人力资本理论认为，对教育、技能和经验的投资会产生生产率增益和长期经济回报 (Becker, 1964)。然而，在数字经济中，人力资本的价值越来越取决于员工获取、利用和适应数字技术的能力。研究表明，除非辅以能够有效利用数字技术的人力资本投资，否则单纯的技术投资很少产生预期的创新成果 (Fedyk and Hodson, 2023, Mhaske et al., 2025)。随着组织日益数字化，竞争优势不仅取决于对数字技术的获取，还取决于员工将数字资源转化为创新、运营改进和价值创造的能力 (Lenka et al., 2017, Wang and Zhang, 2025)。

为了解释员工在数字化转型中的作用，先前的研究引入了几个相关概念，包括数字素养、数字能力、数字导向和数字人才。数字人才指拥有信息技术相关知识、技能和能力的员工 (Gilch and Sieweke, 2021)。数字素养强调访问和使用数字技术所需的技能和知识 (Cetindamar et al., 2024, Warner and W?ger, 2019)，数字能力侧重于应用数字技术以实现组织目标的能力 (Heredia et al., 2022, Proksch et al., 2024)，而数字导向反映了个人拥抱数字技术和数字工作方式的意愿和倾向 (Arias-Pérez and Vélez-Jaramillo, 2022, Sahibzada et al., 2025)。虽然这些概念捕捉了员工数字相关属性的重要维度，但它们主要关注个体层面的能力、技能或行为倾向。因此，它们对组织如何战略性地吸引、培养、分配和留住数字技能员工，以及此类人才资源如何随时间积累以支持数字化转型和创新的见解有限。这一局限性突显了需要更广泛的组织层面视角 (Cetindamar et al., 2024)，而这正是数字人力资本概念所捕捉的。

在此背景下，越来越多的研究开始采用数字人力资本的概念。现有研究通常将数字人力资本定义为员工与软件开发、人工智能和机器学习等数字技术相关的知识、技能和能力 (Grimpe et al., 2023)，或作为访问、处理和利用数字信息的能力 (Mossberger et al., 2021)。虽然这些定义促进了对劳动力数字能力的理解，但它们很大程度上将数字人力资本概念化为个体属性，并忽视了人力资本理论所强调的投资和积累机制。换言之，它们关注员工拥有什么，而不是组织如何战略性地建设、部署和利用数字人才作为生产性资产。借鉴人力资本理论和数字化转型研究的新兴证据 (Agag et al., 2026, Babina et al., 2024, Fedyk and Hodson, 2023)，本研究通过将数字人力资本投资定义为企业组织积累的存量，扩展了现有的概念化，该存量由数字知识、技能、专长和技术能力组成，是通过持续投资于吸引、培养、分配和留住数字技能员工而开发的。

2.1.2. 人工智能创新
人工智能创新引起了广泛行业的日益增长的学术关注。现有研究通常将人工智能创新概念化为企业将人工智能整合到生产、管理、流程、产品和服务等创新活动中的程度 (Xu et al., 2026)。先前的研究表明，人工智能创新可以提高运营效率 (Tian et al., 2026)，改善 ESG 绩效 (M. Yao et al., 2026)，支持可持续发展举措 (Roshid et al., 2026)，并产生竞争优势 (Sun and Ding, 2026)。最近的工作进一步表明，它使企业能够识别新兴机会、预测风险，并开发新产品、服务和商业模式 (Gama and Magistretti, 2025)。在旅游与酒店业中，创新对于行业发展同样关键 (Santa et al., 2025)，并从内部管理和外部环境视角进行了考察 (Sharma et al., 2024)。内部驱动因素包括市场选择和人力资源因素 (Ottenbacher and Gnoth, 2005)，而外部驱动因素涉及制度约束以及当地环境和文化背景 (Aguinis et al., 2023, Divisekera and Nguyen, 2018)。该行业的创新也与技术发展密切相关 (Aldebert et al., 2011)。

尽管对旅游与酒店业中的人工智能技术兴趣日益浓厚，但现有研究仍然主要集中于人工智能采用及其经济后果。先前的研究主要考察了人工智能采用的技术、组织和环境决定因素 (Nam et al., 2021)，以及塑造企业实施人工智能技术意愿的运营、情感和环境因素 (Cozzio et al., 2025, Rasheed et al., 2024)。因此，人工智能创新本身——特别是其在旅游与酒店业中的特定含义——获得的学术关注相对有限。Ku 和 Chen (2024) 是最早强调旅游与酒店企业人工智能创新重要性的研究者之一，为该研究流提供了重要基础；然而，其在这一情境下的概念化仍然发展不足。鉴于人工智能创新不仅需要技术资源，还需要互补的组织能力、管理支持和人力资本 (An et al., 2024, Gama and Magistretti, 2025)，这一缺口是显著的，突显了需要在旅游与酒店业中进行进一步情境化的需求。

在旅游与酒店业中，人工智能通常嵌入于面向客户的服务系统中，包括智能礼宾服务 (Gursoy, 2026)、服务机器人和虚拟助手 (Huang et al., 2024)、人脸识别签到系统 (Binesh and Baloglu, 2023)、推荐引擎 (Li et al., 2025) 和个性化旅行规划平台 (Lalicic and Weismayer, 2021)。通过这些应用，人工智能不仅提高了运营效率和服务质量，还重塑了客户体验和价值共创过程 (Kim et al., 2026)。因此，旅游与酒店业的人工智能创新可以理解为通用人工智能技术被适应、整合并转化为解决旅游与酒店服务独特运营和体验特征的行业特定创新的过程。

2.2. 假设发展
2.2.1. 数字人力资本投资与人工智能创新
根据资源基础观，企业持续的竞争优势源于其拥有稀有、有价值、不可模仿且不可替代的战略资源 (Barney, 1991, Wernerfelt, 1984)。数字人力资本投资作为一种关键战略资源，指的是组织通过数字技术识别、吸收和应用新知识的积累能力 (Babina et al., 2024, Fedyk and Hodson, 2023)。在以体验式、异质性和高互动性的服务交付为特征的旅游与酒店业中 (Kim and So, 2022)，人工智能创新不仅仅涉及采用通用人工智能技术。相反，它要求将这些技术适应并嵌入特定行业情境，以满足个性化服务和动态运营需求 (Gretzel, 2011, Tussyadiah, 2020)。高水平的数字人力资本投资促进通用人工智能技术向行业特定解决方案的转化，从而提高人工智能应用和创新效率。动态能力理论进一步解释了这种转化背后的机制 (Agag et al., 2026)。在此过程中，数字人力资本投资通过加强研发投入和增加风险承担倾向，促进旅游与酒店企业的人工智能创新。

一方面，动态能力理论认为，企业必须持续构建、整合和重新配置其资源基础以实现战略更新 (Teece, 2007; Yan Zhou et al., 2026)。

作为可重构资源，数字人力资本投资增强了企业的感知和捕捉能力，从而增加了研发投入（M. X. Yao et al., 2026）。具体而言，数字人力资本投资较高的旅游和酒店企业，通过持续的培训、发展和保留积累了一池具备数字技能的员工（Cetindamar et al., 2024, Si et al., 2026），能够更好地利用员工在数据分析、系统应用和跨职能协调方面的能力，更准确地识别旅游需求的波动和无接触服务模式的出现（Liu and Xin, 2026, Shang et al., 2025; Yan Zhou et al., 2026）。他们进一步分析客户数据、服务反馈和运营瓶颈，将其转化为可执行的研发方向，从而增强研发投入，并使研发资源更精准地分配给 AI 解决方案（Agag et al., 2026），最终促进 AI 驱动的创新（Ku and Chen, 2024, Platania et al., 2025）。另一方面，动态能力理论强调企业在不确定性下重构资源以捕捉机会的能力（Amin and Sivakumaran, 2026, Teece, 2007）。数字人力资本投资增强了组织学习和适应性，从而增加了企业的风险承担倾向（Al-Ahmed et al., 2026）。具体而言，旅游和酒店行业的 AI 应用通常伴随着巨大的财务投资、高实施壁垒和算法决策风险。例如，前台服务自动化和服务机器人可能导致服务不匹配、情感温度降低或品牌体验减弱（Choi et al., 2024, Kim et al., 2026）。在数字人力资本投资较高的企业中，员工更熟悉 AI 的功能边界和应用逻辑，能够更清晰地评估其在服务交付中的优势和局限性（Wang and Zhang, 2025）。这降低了感知的技术不确定性并增加了企业的风险承担倾向（Sahibzada et al., 2025）。更高的风险承担水平鼓励在 AI 相关技术上进行更多投资和探索，从而加强 AI 创新能力（Fu et al., 2026）。基于此，我们提出以下假设：
H1：数字人力资本投资对旅游和酒店企业的 AI 创新有积极影响。

2.2.2. 数据资产的调节效应
数据资产被定义为企业拥有或控制的具有潜在未来财务利益的数据资源（Wei et al., 2025），是旅游和酒店业 AI 创新的关键要素（Ku and Chen, 2024）。例如，旅游和酒店产品依赖于通过云系统处理的数据，包括访客行为和消费偏好（Schuhbert et al., 2024）。由于数字人力资本反映了员工应用数字知识的能力，数据资产的丰富程度可以显著影响数字人力资本投资与 AI 创新之间的关系。
在数据资产丰富的企业中，丰富的数据为员工在高频、体验密集型的旅游和酒店服务场景中有效应用数字技能提供了基础。一方面，数字人力资本可以利用高质量数据优化 AI 算法，例如旅行社利用访客偏好和消费数据训练聊天机器人，以提高行程推荐的准确性和个性化程度（Li et al., 2021），从而提升创新效率（Siddik et al., 2025）。另一方面，充足的数据资产降低了 AI 创新的试错成本；例如，酒店可以利用历史入住率和客户反馈数据来排查故障并完善基于 AI 的人脸识别入住系统，提高响应速度和识别准确性（Mahalakshmi and Bharath, 2025），促进数字人力资本转化为有形创新成果（Fedyk and Hodson, 2023）。
基于此，我们提出以下假设：
H2：数据资产正向调节数字人力资本投资与旅游和酒店企业 AI 创新之间的关系。

2.2.3. 高管团队稳定性的调节效应
高管团队在制定商业模式创新的战略方向方面发挥着核心作用（Angelshaug et al., 2025）。结构属性是组织资源利用的关键决定因素（Galbraith, 1973, Lawrence et al., 1967）。高管团队稳定性反映了成员的一致性和信任，可以通过确保战略连贯性和高效的资源分配来影响数字人力资本如何驱动 AI 创新（Deng et al., 2025）。在旅游和酒店企业中，员工队伍和创新发展与高管管理密切相关（Sharma et al., 2024）。
稳定的高管团队往往更具创造力、创新力且更容易接受变革（Angelshaug et al., 2025, Keck and Tushman, 1993），为数字人力资本发挥作用提供了支持性环境。首先，稳定的高管团队内部的长期合作培养了共同的战略理解（Walrave et al., 2024），确保了 AI 创新举措的连续性，防止数字人力资本部署的重复调整。其次，高管团队稳定性带来的信任和凝聚力（Amason, 1996, Huynh et al., 2022）促进了跨部门资源整合，赋予具备数字技能的员工更多参与 AI 创新项目的机会，从而增强数字人力资本对 AI 成果的影响。
基于此，我们提出以下假设：
H3：高管团队稳定性正向调节数字人力资本投资与旅游和酒店企业 AI 创新之间的关系。

3. 方法
3.1. 模型
在本研究中，鉴于使用了面板数据，考虑了固定效应和随机效应回归模型以评估模型对数据结构的适用性。豪斯曼检验表明固定效应模型比随机效应模型更合适；因此，采用固定效应回归来检验假设。遵循先前的研究（Sun et al., 2020），构建了模型（1）来考察数字人力资本投资对旅游和酒店企业 AI 创新的影响。
(1) AI_patent = β0 + β1 HR_digii,t + β2 Controlsi,t + μi + γt + εi,t
这里，下标 i 和 t 分别表示企业 i 和年份 t。因变量衡量企业的 AI 创新水平，这是本研究的主要结果。关键解释变量 HR_digi 表示企业 i 在年份 t 的数字人力资本投资，而 Controlsi,t——Size、Age、Wage、Lev、SOE、CFO 和 Tobin's Q——被纳入以考虑其他可能影响 AI 创新的因素。模型还纳入了企业固定效应 μi 以控制不随时间变化的企业特征，以及年份固定效应 γt 以捕捉宏观经济条件或时间趋势对 AI 创新的共同影响。我们主要关注模型（1）中 HR_digii,t 的系数 β1。

3.2. 变量定义和描述
3.2.1. 自变量
本研究关注企业层面的数字人力资本投资，并使用企业对数字职能岗位的招聘需求作为代理变量。这一操作化基于最近的研究建议，即数字和 AI 能力在很大程度上体现在专门的人力资本中，可以通过企业对数字技能劳动力的需求来代理（Babina et al., 2024, Jensen and Schneider, 2026）。先前的研究进一步表明，在线招聘信息反映了企业预期的技术采用和能力建设战略，因为组织需要招聘具备相关技能的员工来实施和利用数字技术（Deming and Kahn, 2018, Ruiz et al., 2024）。与传统的指标如 IT 支出或专利数量相比，基于招聘的衡量方法提供了更细致和及时的代理指标，用于衡量企业的数字技能积累（Jensen and Schneider, 2026）。
这一方法也得到了旅游和酒店文献中证据的支持，该文献使用招聘数据来代理 AI 相关的人力资本投资（Agag et al., 2026）。因此，HR_digi 捕捉了企业为获取数字人才和扩大数字人力资本基础而做出的资源承诺。虽然招聘信息并不直接捕捉受雇员工的利用率或生产率，但它们反映了嵌入员工队伍中的数字能力的强度（Agag et al., 2026）。测量程序如下：
(1) 工作嵌入。我们首先应用 Google 的开源 BERT-Base-Chinese 预训练语言模型，将原始招聘数据中的工作职能和《中华人民共和国职业分类大典》（2022 年版）中列出的所有职业进行嵌入，生成工作职能和职业的向量表示。
(2) 相似度计算。余弦相似度常用于衡量文本相似度（Song et al., 2014）。基于向量表示，我们计算了招聘数据中每个工作职能与分类中每个职业之间的余弦相似度。令 Similarity=COSθ=AB‖A‖‖B‖ 表示余弦相似度，生成一个相似度矩阵 A，其中每个元素 aij 代表工作职能 i 与职业 j 之间的相似度。
(3) 数字职能识别。在与数字职业的相似度超过 0.7 的任何工作职能 i 之后——经过测试多个阈值以平衡第一类和第二类错误——被分类为数字职能。
(4) 结果验证。为确保准确性，对自动识别的数字职能进行了人工审查，以移除误分类的非数字职能（第二类错误）并纠正遗漏的数字职能（第一类错误）。
(5) 数字人力资本投资指标构建。基于上述程序，使用数字职能岗位的年度招聘帖子数量来构建数字人力资本投资衡量指标（HR_digi）。遵循先前使用绝对数量作为解释变量的研究（Antón et al., 2025），生成了一个替代指标，即对 HR_digi 加一取自然对数（lnHR_digi），直接反映了企业投资规模和对数字人力资本的战略重视。

3.2.2. 因变量
虽然专利数据并不是衡量创新或创新产出的完美指标，但它们提供了对技术变革过程的独特见解（Griliches, 1998）。因此，基于专利的指标常用于评估 AI 相关研究中的创新（Grashof and Kopka, 2023, Kopka and Fornahl, 2024）。识别 AI 专利主要有两种方法：一种依赖于 CPC 或 IPC 分类（Fujii and Managi, 2018），另一种是基于文本的。
在旅游和酒店情境下，AI 相关创新通常嵌入在支持核心运营过程的数字系统和数据驱动解决方案中，包括服务优化、需求预测、个性化和智能资源分配（Agag et al., 2026）。在旅游和酒店行业，企业越来越多地通过知识产权保护来正式化此类创新活动。因此，专利数据在该部门已被广泛用于识别技术相关创新，包括人工智能相关发展（Kim et al., 2023）。
基于这一识别策略，我们通过结合基于分类和基于文本的方法来衡量 AI 创新。具体而言，我们首先使用一组经过策划的 AI 相关关键词筛选专利标题和摘要，然后使用遵循 WIPO (2019) 搜索框架的 IPC 代码对这些结果进行交叉验证。这种混合方法通过整合专利分类的结构一致性与基于文本检测的敏感性，提高了识别准确性，从而减少了依赖单一方法可能导致的遗漏。最后，AI 创新通过 AI 相关专利申请总数除以 100 来衡量（AI_patent1）。

3.2.3. 控制变量
在财务和运营指标中，托宾 Q 是衡量企业市场价值和增长潜力的关键指标，进而影响旅游和酒店企业投资 AI 创新的意愿和能力（Nguyen et al., 2021）。Lev 反映了企业的财务杠杆水平，而 CFO 比率捕捉了其现金流健康状况；这两个指标对于确保 AI 创新所需的稳定财务资源至关重要（Birch et al., 2021, Li et al., 2024）。
在企业层面，企业规模 (Size)、成立年限 (Age) 和国有企业 (SOE) 等特征在塑造旅游和酒店企业 AI 创新方面发挥着重要作用。企业规模和年龄影响资源的可用性以及实施 AI 驱动举措的复杂性（Grashof and Kopka, 2023），而所有权类型影响企业的创新决策逻辑（Hoskisson et al., 2002）。此外，工资 (Wage) 直接反映了支持 AI 创新的人力资本基础，是创新能力的必要决定因素（Fan et al., 2025）。
遵循既定的研究实践，企业规模 (Size)、成立年限 (Age) 和工资 (Wage) 变量在原始值上加一后取自然对数进行转换，以减轻因数值差异过大而产生的潜在扭曲（Ha et al., 2024, Heese et al., 2022）。此外，本研究采用双向固定效应模型，纳入企业和年份固定效应以控制不可观测的异质性。

3.3. 样本和数据
我们的样本包括所有在中国证券交易所上市的旅游和酒店企业，使用中国股市的可用数据。数字人力资本投资使用招聘大数据来衡量，时间跨度为 2012 年至 2023 年；因此，研究期间定义为 2012–2023 年。

具体而言，遵循既定程序（Fan et al., 2025, Wu and Yin, 2025），本研究从三个来源收集并处理了数据：（1）来自 51job.com 的企业招聘数据；（2）来自 CSMAR 数据库的企业层面财务和基本信息；（3）从上海证券交易所和深圳证券交易所（SZSE）官方网站获取的上市酒店和旅游公司的年度报告。在样本选择过程中，我们剔除了关键变量缺失的观测值以确保数据完整性，移除了标记为 ST 或 PT 的企业以避免潜在的财务困境偏差，并对所有连续变量进行了 1% 和 99% 的缩尾处理，以减轻异常值的影响。最终样本包含 204 家符合所有选择标准的企业。

3.4. 描述性统计

表 1 展示了基于 2012 年至 2023 年中国上市旅游和酒店企业 1750 个企业 - 年观测值的本研究所用变量的描述性统计。数字人力资本投资（HR_digi）的平均值为 14.65，标准差为 25.98，范围从 0 到 136，表明企业在数字人力资本投资方面存在显著的异质性。同样，HR_digi_Wage 的平均值为 11.55，表明企业在数字人力资本的薪酬水平方面存在明显的差异。

表 1. 描述性统计。

| VARIABLES | N | Mean | Std | Min | Max |
| :--- | :--- | :--- | :--- | :--- | :--- |
| HR_digi | 1750 | 14.650 | 25.980 | 0 | 136.000 |
| lnHR_digi | 1750 | 2.338 | 0.903 | 1.099 | 4.934 |
| HR_digi_Wage | 1750 | 11.550 | 0.414 | 10.810 | 12.390 |
| AI_patent1 | 1750 | 0.023 | 0.043 | 0.010 | 0.240 |
| AI_patent2 | 1750 | 0.014 | 0.017 | 0 | 0.090 |
| AI_inv | 1750 | 14.550 | 1.396 | 10.200 | 18.090 |
| RD_inv | 1750 | 14.510 | 3.226 | 11.510 | 20.570 |
| Crt | 1715 | -3.653 | 0.375 | -4.462 | -1.616 |
| TFP_LP | 1750 | 8.698 | 1.261 | 5.407 | 11.600 |
| Size | 1750 | 22.690 | 1.393 | 19.100 | 26.010 |
| Age | 1750 | 2.518 | 0.832 | 0 | 3.401 |
| Wage | 1750 | 17.470 | 1.747 | 10.570 | 20.880 |
| Lev | 1750 | 0.493 | 0.207 | 0.065 | 1.217 |
| Soe | 1750 | 0.532 | 0.499 | 0 | 1 |
| Cfo | 1750 | 0.141 | 0.270 | -0.586 | 1.475 |
| TobinQ | 1750 | 1.775 | 1.252 | 0.830 | 8.626 |

关于人工智能创新，AI_patent1 和 AI_patent2 的平均值分别为 0.023 和 0.014。它们的最小值和最大值之间的差异表明旅游和酒店企业在人工智能创新活动方面存在相当大的变化，反映了行业内人工智能相关创新发展的不均衡。

控制变量表现出合理的变异，并且总体上与先前研究报道的结果一致。总体而言，描述性统计表明样本具有足够的横截面异质性，为后续的实证分析提供了合适的基础。

4. 结果

4.1. 基准回归结果

表 2 报告了公式（1）的基准回归结果，考察了数字人力资本投资对上市旅游和酒店企业人工智能创新的影响。第（1）列展示了仅包含企业和年份固定效应的结果。HR_digi 的系数为 0.0006，在 1% 的水平上显著为正，表明数字人力资本投资较大的企业往往表现出较高水平的人工智能创新。为了考虑潜在的遗漏变量偏差，第（2）列包含了几个企业层面的控制变量，包括 Size、Age、Wage、Lev、Soe、Cfo 和 TobinQ。HR_digi 的系数保持正数且在 1% 的水平上统计显著，幅度为 0.0004，这表明在控制企业特征后，数字人力资本投资对人工智能创新的积极影响依然稳健。从经济角度来看，数字人力资本投资增加一个标准差会导致人工智能创新上升 45.18%（0.0004*25.98/0.023=45.18%），表明其经济效应非常显著。这一巨大的幅度强调了增强企业的数字人力资本投资在刺激人工智能驱动的技术进步方面起着关键作用，从而为 H1 提供了有力的支持。

表 2. 回归结果。

| VARIABLES | (1) | (2) |
| :--- | :--- | :--- |
| | AI_patent1 | AI_patent1 |
| HR_digi | 0.0006*** | 0.0004*** |
| | (0.0001) | (0.0001) |
| Size | | 0.0154*** |
| | | (0.0020) |
| Age | | -0.0047 |
| | | (0.0030) |
| Wage | | -0.0033*** |
| | | (0.0011) |
| Lev | | -0.0061 |
| | | (0.0062) |
| Soe | | -0.0033 |
| | | (0.0043) |
| Cfo | | 0.0011 |
| | | (0.0036) |
| TobinQ | | 0.0012 |
| | | (0.0011) |
| Firm-fixed effects | Yes | Yes |
| Year-fixed effects | Yes | Yes |
| Constant | 0.0075*** | -0.2643*** |
| | (0.0027) | (0.0426) |
| R-squared | 0.0554 | 0.0912 |
| N | 1750 | 1750 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

4.2. 内生性检验

为了处理由遗漏变量和反向因果关系引起的潜在内生性问题，我们采用了两阶段最小二乘法（2SLS）估计策略。遵循 Jiang et al. (2025) 的方法，我们使用城市层面的数字人力资本强度（HR_digi_lncity）作为企业层面数字人力资本投资的基准工具变量。该工具变量的相关性源于当地的人才集聚，即数字人力资本禀赋较强的城市提供了更丰富的数字技能人才池，从而促进企业获取数字人才，塑造企业层面的 HR_digi。重要的是，这种城市层面的度量是基于招聘地点信息构建的，而不是同一城市内企业层面招聘的机械汇总，从而减轻了反射偏差的担忧。由于它反映的是当地劳动力市场状况而不是企业特定的创新冲击，它对企业层面的创新活动具有合理的外生性，并且主要通过企业获取数字人才的途径影响人工智能专利。

为了加强识别并解决潜在的区域溢出效应，我们通过两种方式扩展了基准设定。首先，遵循 Guo et al. (2026) 的方法，我们引入了企业层面数字人力资本的滞后值（L.HR_digi）作为额外的工具变量。由于企业人力资本积累的持续性，滞后项与当前的数字人力资本高度相关，满足了相关性条件，同时它是预先确定的，不受当期创新结果的直接影响，从而减轻了反向因果关系的担忧。其次，我们使用数字经济相关学科本科毕业生数量加一后的对数（Gdigital_stu）来控制区域人力资本供给，以考虑当地劳动力市场状况和潜在的区域溢出效应（Bonaccorsi et al., 2024）。

表 3 报告了 2SLS 估计结果。第（1）列显示，在第一阶段回归中，HR_digi_lncity 与 HR_digi 在 1% 的水平上显著正相关，证实了工具变量的相关性。Cragg–Donald Wald F 统计量为 1538.202，进一步表明该工具变量不是弱工具变量。在第（2）列中，滞后变量（L.HR_digi）在第一阶段也表现出在 1% 水平上正且统计显著的效果，进一步支持了相关性条件。在第（3）列报告的第二阶段估计中，HR_digi 在解释 AI_patent1 时保持正数且在 1% 的水平上统计显著，这表明数字人力资本投资显著促进了旅游和酒店企业的人工智能创新。在考虑区域人力资本条件和替代工具变量后，估计效应依然稳健。

表 3. 工具变量回归。

| VARIABLES | (1) | (2) | (3) |
| :--- | :--- | :--- | :--- |
| | HR_digi | HR_digi | AI_patent1 |
| HR_digi_lncity | 1.3275*** | | |
| | (0.0024) | | |
| L.HR_digi | | 0.5588*** | |
| | | (0.0183) | |
| HR_digi | | | 0.0004*** |
| | | | (0.0001) |
| Gdigital_stu | 0.9579 | 12.8699* | -0.0636* |
| | (0.6325) | (6.9989) | (0.0344) |
| Size | 0.0152 | 2.8279*** | 0.0149*** |
| | (0.0377) | (0.4121) | (0.0021) |
| Age | -0.0014 | 0.1642 | -0.0046 |
| | (0.0541) | (0.5995) | (0.0029) |
| Wage | -0.0063 | 0.7906*** | -0.0032*** |
| | (0.0193) | (0.2122) | (0.0010) |
| Lev | -0.1033 | -1.3864 | -0.0056 |
| | (0.1134) | (1.2558) | (0.0062) |
| Soe | -0.0363 | 0.2804 | -0.0031 |
| | (0.0779) | (0.8636) | (0.0042) |
| Cfo | 0.0008 | 0.2861 | 0.0008 |
| | (0.0659) | (0.7296) | (0.0036) |
| TobinQ | -0.0105 | 0.3206 | 0.0013 |
| | (0.0192) | (0.2128) | (0.0010) |
| Firm-fixed effects | Yes | Yes | Yes |
| Year-fixed effects | Yes | Yes | Yes |
| Constant | -6.8133 | -181.615*** | 0.3218 |
| | (5.6604) | (62.5388) | (0.8097) |
| R-squared | 0.9956 | 0.4594 | 0.0932 |
| N | 1750 | 1750 | 1750 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

鉴于使用了多个工具变量，我们进行了 Sargan 过度识别检验。检验统计量为 1.457，p 值为 0.2274，表明不能拒绝所有工具变量都是外生的原假设。该结果进一步支持了工具变量策略的有效性，并支持了排他性约束的合理性。总体而言，这些发现提供了数字人力资本投资对人工智能创新具有正且统计显著影响的证据，与 H1 一致。

4.3. 稳健性检验

4.3.1. 核心解释变量的替代性度量

为了进一步评估我们基准发现的稳健性，我们将数字人力资本投资的原始度量（HR_digi）替换为其对数变换，即对 HR_digi 加 1 后取自然对数（lnHR_digi）。对数变换减少了极端值的影响，同时加 1 确保了零值在估计中被保留。我们使用 lnHR_digi 重新估计了基准模型，结果报告在表 4 中。如第（2）列所示，在控制相关协变量后，lnHR_digi 的系数为正且在 10% 的水平上统计显著。

表 4. 核心解释变量的替代性度量。

| VARIABLES | (1) | (2) | (3) | (4) |
| :--- | :--- | :--- | :--- | :--- |
| | AI_patent1 | AI_patent1 | AI_patent1 | AI_patent1 |
| lnHR_digi | 0.0143*** | 0.0059* | | |
| | (0.0026) | (0.0032) | | |
| HR_digi_Wage | | | 0.7000*** | 0.6802*** |
| | | | (0.0400) | (0.0394) |
| Size | 0.0154*** | 0.0149*** | | |
| | (0.0022) | (0.0018) | | |
| Age | -0.0043 | -0.0020 | | |
| | (0.0030) | (0.0027) | | |
| Wage | -0.0033*** | -0.0031*** | | |
| | (0.0011) | (0.0010) | | |
| Lev | -0.0067 | -0.0112* | | |
| | (0.0062) | (0.0057) | | |
| Soe | -0.0034 | -0.0015 | | |
| | (0.0043) | (0.0039) | | |
| Cfo | 0.0011 | 0.0012 | | |
| | (0.0036) | (0.0033) | | |
| TobinQ | 0.0014 | 0.0008 | | |
| | (0.0011) | (0.0010) | | |
| Firm-fixed effects | Yes | Yes | Yes | Yes |
| Year-fixed effects | Yes | Yes | Yes | Yes |
| Constant | -0.0176*** | -0.2742*** | -7.6407*** | -7.6937*** |
| | (0.0064) | (0.0455) | (0.4377) | (0.4298) |
| R-squared | 0.0531 | 0.0844 | 0.1951 | 0.2320 |
| N | 1750 | 1750 | 1750 | 1750 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

其次，我们构建了一个基于工资的替代性度量来表示数字人力资本投资。具体而言，HR_digi_Wage 被衡量为数字相关职位平均年薪的自然对数。这一度量基于人力资本和劳动经济学文献，这些文献将工资解释为企业为获取、留住和激励熟练劳动力进行投资的货币表达（Maestas et al., 2023），来自旅游和酒店的证据进一步表明，数字相关人力资本投资反映在薪酬结构中（Agag et al., 2026）。

因此，HR_digi_Wage 作为数字人力资本投资强度的基于市场的代理变量，补充了基于招聘的数量度量。如表 4 的第（4）列所示，在控制企业层面协变量后，HR_digi_Wage 的系数保持正数且在 1% 的水平上统计显著，与基准结果一致。总体而言，结果在替换核心解释变量后依然稳健，进一步支持了 H1。

4.3.2. 被解释变量的替代性度量

在我们的稳健性检查中，我们采用母公司层面的人工智能专利申请（AI_patent2）作为人工智能创新的替代性度量。先前的研究将专利数量视为企业层面创新的标准代理变量（Hall et al., 2000），并且通常将子公司层面的专利重新分配给母公司或最终所有者，以减少受让人噪音并更准确地捕捉集团层面的发明能力（Arora et al., 2021）。旅游和酒店企业通常通过多层结构运营，人工智能专利可能分布在子公司或附属实体中（Kim et al., 2023; Tang et al., 2019），使用企业层面专利总数（AI_patent1）可能会因所有权分散而引入测量噪音。通过将专利重新分配给母公司，我们更好地反映了集团的真实创新能力，同时捕捉了母公司可传输给下属旅游和酒店企业的发明产出（Kwon and Park, 2018）。因此，母公司层面的专利数量（AI_patent2）为旅游和酒店企业的人工智能创新提供了一个在理论和经验上都合理的替代企业层面专利总数（AI_patent1）的度量。

为了解决基于专利的度量可能无法完全捕捉旅游和酒店企业人工智能相关活动的担忧，我们进一步采用人工智能（AI）投资作为人工智能创新结果的替代性代理变量。先前的研究表明，人工智能相关投资提供了对企业致力于数字和智能技术的更直接度量，同时也通过企业在研发相关资源分配中反映了人工智能创新的水平（Liu and Xin, 2026, Meng et al., 2026）。遵循先前的文献（Liu and Xin, 2026; Yang Zhou et al., 2026），我们根据财务报表披露，将企业的总资本分解为硬件和软件组件来构建人工智能投资。具体而言，固定资产被解释为人工智能相关硬件投资，而无形资产被视为人工智能相关软件投资，经过总资产标准化以确保企业间的可比性。应用基于关键词的分类方法来识别这两个类别中与人工智能相关的资产项目，并通过汇总硬件和软件组件来获得总人工智能投资。

表 5 报告了使用人工智能创新替代性度量的稳健性检验。在第（1）列和第（2）列中，母公司层面的人工智能专利申请（AI_patent2）被用作因变量。HR_digi 在第（1）列中在 1% 的水平上显著为正，在纳入企业层面控制变量后，第（2）列中依然显著为正且在 5% 的水平上统计显著。在第（3）列和第（4）列中，人工智能创新分别由人工智能投资（AI_inv）度量。HR_digi 同样显著为正，且在控制企业特征后结果依然稳健。

表 5. 被解释变量的替代性度量。

| VARIABLES | (1) | (2) | (3) | (4) |
| :--- | :--- | :--- | :--- | :--- |
| | AI_patent2 | AI_patent2 | AI_inv | AI_inv |
| HR_digi | 0.0001*** | 0.0001** | 0.0191*** | 0.0094** |
| | (0.0000) | (0.0000) | (0.0042) | (0.0044) |
| Size | 0.0036*** | 0.5715*** | | |
| | (0.0009) | (0.0902) | | |
| Age | -0.0031** | -0.0538 | | |
| | (0.0013) | (0.1306) | | |
| Wage | -0.0013*** | 0.0303 | | |
| | (0.0005) | (0.0464) | | |
| Lev | -0.0015 | -0.0505 | | |
| | (0.0028) | (0.2734) | | |
| Soe | -0.0007 | -0.4173** | | |
| | (0.0019) | (0.1880) | | |
| Cfo | 0.0007 | 0.1058 | | |
| | (0.0016) | (0.1587) | | |
| TobinQ | 0.0003 | 0.1076** | | |
| | (0.0005) | (0.0463) | | |
| Firm-fixed effects | Yes | Yes | Yes | Yes |
| Year-fixed effects | Yes | Yes | Yes | Yes |
| Constant | 0.0108*** | -0.0405** | 14.0503*** | 1.2219 |
| | (0.0012) | (0.0192) | (0.1182) | (1.8744) |
| R-squared | 0.0160 | 0.0300 | 0.0467 | 0.0791 |
| N | 1750 | 1750 | 1750 | 1750 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

4.4. 调节效应检验

4.4.1. 数据资产

为了解决基于文本或披露的代理变量可能反映的是修辞强调而不是实质性资源禀赋的担忧，我们通过采用一种更具会计视角的数据资产度量来进一步完善我们的测量。这种方法基于这样一种观点，即企业的无形和数据相关投资通常嵌入在会计记录中。无形投资经常被费用化（Green et al., 2022）。因此，遵循先前的基于会计的研究（Yu and Cong, 2026; Z. Zhou et al., 2026），我们通过直接提取和汇总企业财务报表附注中披露的相关项目来构建数据资产的度量。具体而言，我们手动识别和分类财务报表附注中披露的与数据相关的无形资产项目，包括“软件”、“信息系统”、“网络平台”和“数字管理系统”等条目，并汇总其记录的账面价值。因此，这种基于会计的度量反映了已实现的资源承诺，与年度报告中的叙述性披露相比，为企业潜在的数据资产基础提供了更可靠的代理变量。

分组回归结果报告在表 6 中。如第（1）列所示，对于数据资产水平较高的企业，HR_digi 的系数为正且在 1% 的水平上统计显著。相反，如第（2）列所示，对于数据资产水平较低的企业，系数变得不显著。这些发现表明，在数据资产基础更丰富的旅游和酒店企业中，数字人力资本投资更有效地转化为人工智能创新结果，从而支持了假设 H2。

表 6. 数据资产的调节效应。

| VARIABLES | (1) | (2) |
| :--- | :--- | :--- |
| | 较高数据资产 | 较低数据资产 |
| HR_digi | 0.0014*** | 0.0001 |
| | (0.0002) | (0.0001) |
| Size | 0.0183*** | 0.0104*** |
| | (0.0030) | (0.0031) |
| Age | -0.0070 | 0.0063 |
| | (0.0060) | (0.0039) |
| Wage | -0.0063*** | -0.0003 |
| | (0.0016) | (0.0015) |
| Lev | 0.0158 | -0.0221*** |
| | (0.0099) | (0.0084) |
| Soe | -0.0098 | -0.0024 |
| | (0.0064) | (0.0063) |
| Cfo | 0.0034 | 0.0024 |
| | (0.0050) | (0.0054) |
| TobinQ | 0.0012 | 0.0009 |
| | (0.0015) | (0.0015) |
| Firm-fixed effects | Yes | Yes |
| Year-fixed effects | Yes | Yes |
| Constant | -0.2978*** | -0.2127*** |
| | (0.0638) | (0.0641) |
| R-squared | 0.2287 | 0.0662 |
| N | 773 | 977 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

4.4.2. 高层管理团队稳定性

作为旅游和酒店等服务密集型和季节性敏感行业的关键决策者，高层管理团队在决定企业采用新技术和创新结果方面发挥着核心作用（Gu et al., 2017）。因此，准确衡量高层管理团队稳定性（TMTS）是评估决策连续性的基本前提（Deng et al., 2025）。

仅将稳定性衡量为“样本期间内持续任职的高管人数”，无法涵盖旅游和酒店业中常见的团队规模动态调整——如季节性扩张、新业务模式推出或淡季裁员（Radlińska and Gardziejewska, 2022）。因此，我们遵循 Crutchley 等人（2002）的方法论（Crutchley et al., 2002），采用加权计算，纳入团队规模变化和人员流动，从而更精确地捕捉高层管理团队的稳定性。稳定指数的计算公式如下：

STMTt,t+1 = [ (Mt ? #ManagerOn,tOff,t+1) / Mt ] × [ (Mt+1) / (Mt + Mt+1) ] + [ (Mt+1 ? #ManagerOn,t+1Off,t) / Mt+1 ] × [ (Mt) / (Mt + Mt+1) ]

其中，#ManagerOn,tOff,t+1 表示在 t 年任职但在 t+1 年离开的高管人数，#ManagerOn,t+1Off,t 表示在 t 年未任职但在 t+1 年新任命的高管人数，Mt 为 t 年的高管总数，Mt+1 为 t+1 年的总数。STMT 指数的取值范围为 0 到 1，数值越高表明高层管理团队的稳定性越强。

表 7 报告了子组回归的结果。第（1）列显示，对于高层管理团队稳定性较高的企业，HR_digi 的系数为正，且在 1% 的水平上统计显著。第（2）列表明，对于高层管理团队稳定性较低的企业，HR_digi 的系数不显著。这些发现表明，当高层管理团队稳定性较高时，数字人力资本对旅游和酒店企业人工智能创新的积极影响更强，支持了假设 H3。

表 7. 高层管理团队稳定性的调节效应。

| VARIABLES | (1) | (2) |
| :--- | :--- | :--- |
| | 高层管理团队稳定性较高 | 高层管理团队稳定性较低 |
| HR_digi | 0.0004*** | 0.0002 |
| | (0.0001) | (0.0004) |
| Size | 0.0202*** | 0.0056** |
| | (0.0039) | (0.0025) |
| Age | -0.0115* | 0.0006 |
| | (0.0059) | (0.0027) |
| Wage | -0.0071*** | -0.0002 |
| | (0.0020) | (0.0011) |
| Lev | -0.0105 | -0.0052 |
| | (0.0132) | (0.0051) |
| Soe | -0.0002 | 0.0003 |
| | (0.0072) | (0.0041) |
| Cfo | 0.0110 | -0.0010 |
| | (0.0089) | (0.0028) |
| TobinQ | 0.0001 | 0.0004 |
| | (0.0025) | (0.0010) |
| 企业固定效应 | Yes | Yes |
| 年份固定效应 | Yes | Yes |
| Constant | -0.3018*** | -0.1049** |
| | (0.0867) | (0.0506) |
| R-squared | 0.1323 | 0.0345 |
| N | 899 | 851 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

4.5. 机制分析

为了探索数字人力资本投资影响人工智能创新的潜在渠道，本研究考察了两种可能的机制：研发投入（RD_inv）和企业风险承担（Crt）。

首先，遵循既往研究，RD_inv 用于捕捉企业的创新投入强度。其次，Crt 通过每日股票回报年化标准差的日志值来衡量，这在文献中被广泛用作企业风险承担行为的市场代理变量，因为它受会计规则约束较少，能更好地反映企业面临的不确定性（Ding et al., 2021, Durnev et al., 2004）。

表 8 报告了机制分析的结果。由于某些企业 - 年份观测值缺少股票回报数据，风险承担指标的样本量减少至 1715。在第（1）列中，HR_digi 与 RD_inv 在 1% 的显著性水平上呈正相关，表明数字人力资本投资显著增加了企业的研发投入。在第（2）列中，RD_inv 与 AI_patent1 在 10% 的水平上进一步呈正相关，表明研发投入促进了人工智能创新。关于风险承担增强机制，在第（3）列中，HR_digi 与 Crt 在 5% 的显著性水平上呈正相关，意味着数字人力资本投资增强了企业的风险承担倾向。在第（4）列中，Crt 与 AI_patent1 在 10% 的水平上呈正相关，表明更强的风险承担倾向促进了人工智能创新。

表 8. 机制分析结果。

| VARIABLES | (1) | (2) | (3) | (4) |
| :--- | :--- | :--- | :--- | :--- |
| | RD_inv | AI_patent1 | Crt | AI_patent1 |
| HR_digi | 0.0232*** | 0.0004*** | 0.0019** | 0.0004*** |
| | (0.0056) | (0.0001) | (0.0009) | (0.0001) |
| RD_inv | | 0.0009* | | |
| | | (0.0005) | | |
| Crt | | | | 0.0058* |
| | | | | (0.0030) |
| Size | 0.4223*** | 0.0151*** | -0.0252 | 0.0152*** |
| | (0.1147) | (0.0021) | (0.0177) | (0.0021) |
| Age | -0.6545*** | -0.0041 | -0.3038*** | -0.0008 |
| | (0.1660) | (0.0030) | (0.0262) | (0.0032) |
| Wage | 0.3018*** | -0.0035*** | -0.0046 | -0.0032*** |
| | (0.0590) | (0.0011) | (0.0091) | (0.0011) |
| Lev | -0.6783* | -0.0055 | 0.2939*** | -0.0095 |
| | (0.3477) | (0.0062) | (0.0539) | (0.0063) |
| Soe | -0.7825*** | -0.0026 | -0.0159 | -0.0034 |
| | (0.2390) | (0.0043) | (0.0368) | (0.0043) |
| Cfo | 0.0341 | 0.0011 | 0.0483 | 0.0011 |
| | (0.2018) | (0.0036) | (0.0314) | (0.0036) |
| TobinQ | 0.0977* | 0.0011 | 0.0512*** | 0.0007 |
| | (0.0589) | (0.0011) | (0.0091) | (0.0011) |
| 企业固定效应 | Yes | Yes | Yes | Yes |
| 年份固定效应 | Yes | Yes | Yes | Yes |
| Constant | 1.1159 | -0.2653*** | -2.7264*** | -0.2435*** |
| | (2.3833) | (0.0425) | (0.3678) | (0.0433) |
| R-squared | 0.4343 | 0.0933 | 0.5004 | 0.0956 |
| N | 1750 | 1750 | 1715 | 1715 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

总体而言，结果表明数字人力资本投资通过加强研发投入和增加风险承担倾向，促进了旅游和酒店企业的人工智能创新，这与假设 H1 一致。

4.6. 经济后果测试：全要素生产率

基于前文关于数字人力资本投资对旅游和酒店企业人工智能创新积极影响的分析，自然产生了一个问题：此类投资能否进一步提升全要素生产率（TFP）？TFP 反映了经济体内资本、劳动、技术和知识等资源的均衡利用效率。内生增长理论认为，技术创新是长期生产率增长的主要驱动力（Romer, 1990）。既往研究已证实，数字化转型（Pan et al., 2022, Zhang and Dong, 2023）和技术创新（Fan et al., 2025, Min, 2010）是改善企业级 TFP 的关键渠道。因此，评估数字人力资本投资是否通过促进人工智能创新来提升旅游和酒店企业的 TFP，对于剖析此类投资的实际价值至关重要。

既往研究使用 Olley–Pakes 和 Levinsohn–Petrin 方法估计全要素生产率（TFP）。然而，鉴于 OP 方法可能导致样本大量流失并可能引入选择偏差，我们使用 LP 方法进行实证分析。LP 方法使用中间投入作为代理变量，通过运营、销售、行政和财务费用（扣除折旧和摊销）以及员工现金薪酬来捕捉生产活动。这种设定使我们能够在有效解决潜在内生性问题的同时保留更大的样本量（You et al., 2025）。

表 9 展示了数字人力资本投资、人工智能创新与企业生产力之间的关系。第（1）列显示，在基准 TFP_LP 设定中，数字人力资本（HR_digi）与企业生产力在 10% 的显著性水平上呈正相关。第（2）列进一步表明，人工智能创新与生产力呈正相关且显著。最重要的是，当在第（3）列中加入人工智能创新时，HR_digi 的系数从 0.0045 下降至 0.0037，其显著性从 5% 水平减弱至 10% 水平，而人工智能创新仍然高度显著。这些结果提供了实证证据，表明数字人力资本至少部分通过人工智能创新提升了企业生产力。

表 9. 经济后果测试结果。

| VARIABLES | (1) | (2) | (3) |
| :--- | :--- | :--- | :--- |
| | TFP_LP | TFP_LP | TFP_LP |
| HR_digi | 0.0045** | | 0.0037* |
| | (0.0019) | | (0.0019) |
| AI_patent1 | | 2.1080*** | 2.0152*** |
| | | (0.4858) | (0.4877) |
| Size | 0.5469*** | 0.5328*** | 0.5158*** |
| | (0.0393) | (0.0388) | (0.0398) |
| Age | -0.3653*** | -0.3546*** | -0.3558*** |
| | (0.0568) | (0.0566) | (0.0566) |
| Wage | 0.0665*** | 0.0782*** | 0.0732*** |
| | (0.0202) | (0.0200) | (0.0202) |
| Lev | -0.2121* | -0.2044* | -0.1998* |
| | (0.1190) | (0.1185) | (0.1184) |
| Soe | 0.1517* | 0.1568* | 0.1584* |
| | (0.0818) | (0.0815) | (0.0814) |
| Cfo | 0.1553** | 0.1539** | 0.1531** |
| | (0.0691) | (0.0688) | (0.0687) |
| TobinQ | 0.0363* | 0.0361* | 0.0338* |
| | (0.0202) | (0.0200) | (0.0201) |
| 企业固定效应 | Yes | Yes | Yes |
| 年份固定效应 | Yes | Yes | Yes |
| Constant | -4.0623*** | -3.9456*** | -3.5297*** |
| | (0.8157) | (0.7939) | (0.8216) |
| R-squared | 0.2768 | 0.2830 | 0.2848 |
| N | 1750 | 1750 | 1750 |

括号内为标准误
* p < 0.1, ** p < 0.05, *** p < 0.01

5. 结论

5.1. 主要结论

本研究使用 2012 年至 2023 年中国旅游和酒店企业的面板数据集，考察了数字人力资本投资对人工智能创新的影响。基于资源基础观，我们将数字人力资本投资概念化为一种战略性组织资源，使企业能够构建异质性创新能力。结合动态能力理论扩展这一视角，我们进一步论证，在快速演变的数字环境中，这些资源必须得到有效部署和重构以产生创新成果。结果显示，数字人力资本投资通过增加研发投入和增强风险承担倾向，显著促进了旅游和酒店企业的人工智能创新。

异质性分析为这种关系的边界条件提供了进一步证据。在数据资产强度较高的企业中，数字人力资本投资的影响更为显著，这表明丰富的数据资源通过支持更有效的 AI 模型开发和提高创新精度，与数字人力资本形成互补，符合资源基础观的互补逻辑。此外，在管理层稳定性较高的企业中，该影响更强，表明稳定的领导层有助于战略连续性和资源编排，从而增强数字人力资本向创新成果的转化，符合动态能力理论。

最后，我们发现数字人力资本投资通过人工智能创新提高了全要素生产率，这表明 AI 驱动的知识溢出和效率提升将创新成果转化为更广泛的生产率改进。

5.2. 理论贡献

首先，本研究响应了近期对服务业中人工智能创新进行更精细概念化的呼吁（Ku and Chen, 2024），从而为旅游和酒店业的 AI 创新文献做出了贡献。既往研究主要关注 AI 采纳的决定因素（如 Nam et al., 2021; Cozzio et al., 2025）或其经济后果（如 Tian et al., 2026; Roshid et al., 2026）。相比之下，本研究通过强调 AI 作为通用技术，必须嵌入、适应和重构以适应服务密集型和体验驱动的情境（Kim and So, 2022），从而转化为领域特定应用，进一步阐明了 AI 创新（Agag et al., 2026, Ku and Chen, 2024）。在此过程中，它突出了旅游和酒店业中 AI 创新的独特性，并扩展了既往关于该领域未充分探索驱动因素的研究。

其次，本研究通过结合人力资本理论、资源基础观和动态能力理论，开发了一个更整合的理论框架。虽然既往研究主要将数字人力资本概念化为个体层面的属性（Cetindamar et al., 2024, Sahibzada et al., 2025），但本研究符合旅游和酒店业的新兴研究，将数字人力资本投资视为一种组织积累的战略资源（Agag et al., 2026），使企业能够构建创新能力。从资源基础观来看，此类投资为 AI 创新提供了基础资源基础，而动态能力理论进一步解释了这些资源如何在不确定性下被部署、重构并转化为创新成果（Agag et al., 2026）。实证上，研究结果表明数字人力资本投资通过增加研发投入和增强风险承担倾向促进 AI 创新，从而通过揭示数字人力资源催化 AI 创新的过程导向行为机制，弥合了资源基础观和动态能力理论。

第三，本研究通过识别数据资产强度和高层管理团队稳定性作为关键边界条件，扩展了关于 AI 创新的权变视角。从资源基础观来看，数据资产作为决定数字人力资本生产力的关键互补资源（Wei et al., 2025, Babina et al., 2024）。拥有更丰富数据资产的企业能够更好地利用员工的数字技能来训练 AI 模型并提高算法准确性（Li et al., 2021, Mahalakshmi and Bharath, 2025），从而通过资源互补性增强数字人力资本投资的有效性。从动态能力理论的角度来看，TMT 稳定性反映了高层管理者之间战略认知和协调的一致性，能够更有效地编排数字资源。稳定的 TMT 结构有助于战略连续性，减少资源重构中的摩擦，并增强跨职能协调（Walrave et al., 2024），从而加速数字人力资本向 AI 创新的转化（Sharma et al., 2024）。总体而言，这些调节效应表明，当嵌入在一个由互补数据资产和稳定的战略领导层构成的连贯资源系统中时，数字人力资本能创造更大的价值。

5.3. 实践启示

首先，旅游和酒店企业应将数字人力资本战略性地视为 AI 创新的核心组织资源，并建立结构化的人才管道以增强能力形成。企业不应依赖非结构化的招聘方式，而应设计一个整合外部获取和内部发展的两阶段架构（Dias et al., 2026）。在招聘阶段，企业应优先考虑结合 AI 专业知识和旅游特定知识的混合型人才，并加强与大学和职业机构的合作，建立专门的人才管道。在发展阶段，应实施分层培训系统：一线员工应接受 AI 赋能服务工具的实操培训，而中层管理者应具备 AI 驱动的创新思维和场景化决策能力。重要的是，企业应建立机制将员工的洞察转化为结构化的研发投入管道，系统将服务数据和运营观察转化为正式的 AI 相关研发项目和实验计划。为了提高保留率和积极性，企业可以引入数字技能溢价、基于 AI 项目的奖金以及针对数字技能员工的明确晋升通道。此外，将员工嵌入 AI 赋能的服务流程和跨职能团队中，可以刺激实验并增强风险承担倾向，从而加速 AI 创新成果。

其次，企业应加强数据资产的互补作用，并设计稳定的高层管理团队治理结构，以确保数字人力资本有效转化为 AI 创新。从资源编排的角度来看，企业应建立综合数据治理系统，将内部运营数据（如预订、客户反馈、服务日志）和外部市场情报整合到可互操作的平台中。确保数据质量、可访问性和合规性对于在 AI 模型训练和服务优化中有效应用数字技能至关重要。同时，企业应提高组织各层面的数据素养，以改善对数据资源的吸收性利用。在治理层面，保持 TMT 稳定性对于维持 AI 转型中的战略连续性至关重要。稳定的领导层减少了协调摩擦，确保数字人力资本部署优先级的一致性，并促进 IT、运营和营销之间的跨职能整合，从而加速创新绩效。

第三，鉴于数字人力资本投资通过人工智能创新提高了全要素生产率，管理者和政策干预都应加强数字能力的生产力转化渠道（Gu and Yang, 2026）。在企业层面，管理者应将 AI 应用嵌入运营工作流、培训系统和跨职能协作平台，以确保创新成果在流程中的扩散。在政策层面，政府应通过税收优惠、研发补贴、共享数字基础设施和公共 AI 平台支持旅游和酒店业的数字化转型。

能够促进安全数据共享和负责任 AI 采用的监管框架，可以进一步增强企业将数字人力资本转化为生产力收益的能力，从而强化数字投资、AI 创新与生产力增长之间的良性循环。

5.4. 局限性与未来研究建议

本研究存在若干局限性。首先，样本集中于中国上市公司；未来研究可扩展至其他国家，以考察数字人力资本对 AI 创新影响的普遍性和异质性，特别是在不同的政策环境下——中国的政策驱动背景与欧洲和美国的市场驱动演变形成对比（Xiong et al., 2025）。其次，数字人力资本投资的测量侧重于企业需求侧，忽略了实际的供给侧状况，这可能会影响准确性。第三，AI 创新的识别依赖于专利数据；尽管采用了针对旅游与酒店业定制的组合分类和关键词方法，但在捕捉创新方面可能仍存在一定滞后。未来研究可采用先进方法来提高测量精度。最后，与文献中的近期呼吁一致（Hu and Li, 2026, Zhang and Liu, 2026），未来研究可纳入更多变量以进一步丰富理论框架。例如，数字领导力、技术动荡和企业间合作可能在塑造数字人力资本如何转化为 AI 创新成果方面发挥重要作用。

CRediT 作者贡献声明

Ke Zhang：概念化、数据整理、方法论、监督、写作 – 审阅与编辑。Dewen Wang：形式分析、写作 – 初稿。Bing Hu：概念化、资金获取、项目管理、资源、监督、写作 – 审阅与编辑。

Ke Zhang|Dewen Wang|Bing Hu
南昌大学旅游学院，中国南昌市红谷滩新区学府路 999 号，330031