《Sustainability》：Does Smart City Development Foster Residents’ Social Capital? Quasi-Experimental Evidence from China
编辑推荐：
在高质量发展战略与制造业转型升级战略的驱动下，中国经济正逐步转向创新驱动增长模式。借助新一代人工智能（GAI）赋能企业提升创新质量，已成为产业发展与政策支持的核心要务。该文采用2012—2023年A股上市制造业企业的非平衡面板数据，运用双重机器学习（Doubl
在高质量发展战略与制造业转型升级战略的驱动下，中国经济正逐步转向创新驱动增长模式。借助新一代人工智能（GAI）赋能企业提升创新质量，已成为产业发展与政策支持的核心要务。该文采用2012—2023年A股上市制造业企业的非平衡面板数据，运用双重机器学习（Double Machine Learning，DML）模型，系统考察新一代人工智能对制造业企业创新质量的影响及其传导机制。研究结果表明，新一代人工智能能够显著提升制造业企业创新质量，且该核心结论在经过一系列稳健性检验后依然成立。机制检验证实，新一代人工智能促进企业人力资本结构升级、深化企业数字化转型、提高企业研发（R&D）投入强度，三条渠道协同作用，间接赋能企业创新质量提升。异质性分析表明，新一代人工智能的创新质量提升效应在区域、行业和环境规制情境下呈现显著的层次性差异。具体而言，新一代人工智能（GAI）的赋能效应在环境试点城市、南部沿海、东部沿海和北部沿海地区以及高技术制造业企业样本中显著更强；而在黄河中游和西北地区以及非高技术行业样本中，其正向驱动作用较弱或不显著。该文完善了人工智能赋能微观企业创新的理论分析框架，丰富了数字技术与企业创新的相关研究，为中国制造业借助智能技术突破创新瓶颈、实现全行业全面高质量创新发展提供了理论依据与实践启示。
一、研究背景与研究设计
中国经济已进入结构转型与提质增效的关键阶段，高质量发展成为经济增长的核心逻辑。传统依靠土地、低成本劳动力等要素投入的增长模式面临边际收益递减困境，制造业亟须通过技术突破转向创新驱动发展路径。随着《中国制造2025》和新一代人工智能发展规划等顶层战略的出台，新一代人工智能（GAI，即以生成式技术为代表的新一代智能技术）作为核心通用数字技术，如何重塑产业创新范式受到学界广泛关注。然而，既有研究存在明显不足：多数文献忽视了人工智能这一通用目的技术作为核心解释变量的作用，缺乏对智能化转型如何塑造创新质量的针对性讨论；机制检验较为零散，多仅验证单一传导渠道，未构建涵盖多重中介的整合框架；且多以专利总量衡量创新产出，难以剔除低质量渐进式创新的干扰。基于此，研究人员提出两个核心研究问题：新一代人工智能通过何种传导渠道作用于企业创新质量？这种影响是否受异质性条件与边界因素约束？该文发表于《Sustainability》，其研究为制定差异化智能产业政策提供了经验证据。
二、关键技术方法
研究人员以2012—2023年全部A股上市制造业企业为样本，构建包含19000余个观测值的非平衡面板数据集，数据来源于国泰安（CSMAR）数据库、上市公司年报及国家知识产权局（CNIPA）专利数据库。方法上采用双重机器学习（DML）框架构建部分线性模型，以随机森林（RF）算法估计主回归与辅助回归，并通过更换样本分割比例（1:2、1:7）、更换算法（Lasso回归、梯度提升、支持向量机）进行稳健性检验；以1984年末城市电话数量作为工具变量（IV），采用DML-IV模型缓解内生性问题。核心解释变量GAI水平通过Python 3.8文本挖掘年报中人工智能、机器学习、深度学习等关键词词频并取对数测度；被解释变量企业创新质量（EIQ）以发明专利申请数加一取对数衡量；机制变量涵盖人力资本结构升级（本科及以上学历员工占比HC1、专业技术人员占比HC2）、数字化转型深度（指数DT-A与DT-C）及研发投入强度（RD，研发支出与营业收入之比）；同时控制产权性质、企业规模、资产负债率、净资产收益率等企业层面变量，并纳入企业与年份双向固定效应。
三、研究结果
基准回归与稳健性检验。通过双重机器学习模型估计发现，GAI对企业创新质量的回归系数为0.2686，在1%水平上显著为正；加入控制变量二次项后系数为0.2691，替换被解释变量为三类专利授权总量指标（EIQ1）后系数为0.3052，均显著为正，表明新一代人工智能显著提升制造业企业创新质量，验证了假设1。
重置双重机器学习模型。通过调整训练集与验证集分割比例、更换核心预测算法（Lasso、梯度提升、支持向量机）进行多维稳健性检验，GAI系数在各设定下均保持显著为正且量级稳定；DML-IV估计中以历史电信基础设施作为工具变量，显著正向结论依然成立，进一步支持基准结果。
内生性检验。针对企业采用人工智能的自选择偏差、遗漏变量与反向因果问题，研究人员构建基于DML的部分线性工具变量模型，以1984年末城市电话数量作为工具变量。该变量作为早期通信基础设施的历史禀赋，满足外生性与相关性要求，估计结果与基准回归方向一致、量级相当，证实核心结论的稳健性。
机制分析——人力资本结构升级。检验显示GAI对HC1与HC2的系数分别为2.5285和2.7702，均在1%水平显著为正，表明新一代人工智能通过技能偏向效应推动企业雇佣高学历专业人才、提升员工创新效率，显著加速人力资本结构升级并间接提升创新质量，验证了假设2。
机制分析——数字化转型深度。GAI对DT-A和DT-C的系数分别为4.9598和9.7064，均在1%水平显著为正，表明人工智能通过技术渗透、数据驱动与流程再造显著深化企业数字化转型，打通数据要素流通、提升研发协同效率，间接赋能创新质量，验证了假设3。
机制分析——研发投入强度。GAI对RD的系数为0.0044，在1%水平显著为正，表明人工智能通过提高研发回报、降低创新风险、优化研发资源配置，激励企业扩大研发投入规模与持续性，为关键核心技术突破和高价值专利产出提供资金保障，验证了假设4。
异质性分析。分组回归显示：环境试点城市GAI系数为0.2711（1%水平显著），非试点城市系数为0.075且不显著，说明严格环境规制与绿色创新激励强化了人工智能的赋能效应；区域层面，南部沿海、东部沿海、北部沿海、中部、长江中游和西南地区系数显著为正，黄河中游和西北地区不显著，呈现明显的区域梯度差异，沿海地区凭借成熟的数字产业基础与充裕的创新要素赋能效应最强；行业层面，高技术制造业系数（0.2422）显著高于非高技术行业（0.1814），源于高技术行业将GAI深度嵌入机械仿真、新药研发、芯片底层研发等核心创新环节，而传统行业智能化投资主要用于自动化生产与降本，难以支撑原创性技术突破。
四、讨论与结论
讨论部分指出，该研究存在若干局限：样本仅限于A股上市制造业企业，未涵盖大量非上市中小制造企业，外部推广性受限；以发明专利申请数代理创新质量难以充分反映创新成果的商业化价值；基于年报词频的GAI测度可能与企业实际智能设备采购和AI研发投入存在偏离；DML-IV识别策略无法完全排除历史基础设施通过长期区域发展路径影响创新的潜在干扰；机制检验仅涵盖三条中介渠道，未纳入公司治理、供应链协同、数字金融等其他路径；且主要依赖静态面板估计，未考察长期滞后动态效应。未来研究可从扩大样本覆盖、整合多源微观数据优化变量测度、寻找更外生的工具变量或准自然实验、拓展中介—调节理论框架以及采用动态面板模型等方向推进。
研究结论部分可译为：在制造业高质量发展与"人工智能+"深度融合的战略背景下，探究新一代人工智能（GAI）如何赋能制造业企业创新质量具有重要实践意义。基于2012—2023年中国上市制造业企业面板数据，采用双重机器学习（DML）框架的系统研究表明：GAI对制造业企业创新质量具有显著的正向赋能效应，通过优化研发决策、提升运营创新效率和实现创新资源精准配置，有效增加企业高价值专利产出。在传导机制上，GAI通过三条中介路径间接提升创新质量：一是提高高学历员工与专业技术人员占比，推动人力资本结构升级，夯实企业创新的人才基础；二是深化数字化转型，借助数据畅通流通与智能流程再造优化研发范式、提升研发协同效率；三是提高研发投入强度，强化创新资金保障，从源头促进核心技术突破。此外，GAI的创新赋能效应呈现显著的区域与行业异质性，为差异化、精准化地推动制造业发展提供了理论依据。
