科技金融、人工智能应用与养老产业发展：来自中国上市公司的证据

《Finance Research Letters》：Sci-tech finance, artificial intelligence adoption, and eldercare industry development: Evidence from Chinese listed companies

　　

摘要

全球人口老龄化的加速推进，使养老产业的高质量发展成为重大政策与经济关切，在中国尤为突出。由于上市养老企业涵盖医疗护理、康复服务、智能设备和健康管理等核心领域，为观察该行业的整体发展提供了有价值的窗口。本研究采用2014年至2024年163家中国A股上市养老公司的面板数据，基于投入—过程—产出（IPO）模型和熵权法构建养老产业发展（ECID）指数，并结合基于文本的人工智能（AI）应用强度度量指标，考察科技金融（TF）如何影响ECID。相关实证结果有三方面。第一，TF通过缓解融资约束和减少信息不对称来促进ECID的高质量发展。第二，AI应用作为部分中介机制发挥作用，TF通过促进AI驱动的流程重组、提高全要素生产率，从而推动产业升级。第三，TF的赋能效应在非国有养老企业中更为显著，但在国有企业中则较弱。本研究揭示了"资本驱动—技术载体—产业升级"这一微观层面的传导链条，论证了差异化TF政策的必要性，并为面临类似老龄化压力的经济体发展数字智能养老生态系统提供了支持。

引言

人口老龄化、数字技术变革和人工智能正在重塑全球经济与社会格局。中国的科技金融和养老金融是关键任务。养老企业具有轻资产、长周期、数据丰富且缺乏抵押品的特点。AI的采纳面临效率与老年人接受度之间的张力。将TF、AI与ECID联系起来具有重要价值。

现有文献为此提供了基础。金融科技和数字金融运用大数据分析和算法模型，增强信息处理能力并重塑商业模式（Boot等人，2021；Gomber等人，2018），改善信用审批并缓解信息不对称（Fuster等人，2019；Tang，2019），但歧视（Bartlett等人，2022）和数据透明度（Berg等人，2020）方面的担忧依然存在。在中国，数字金融和TF降低了门槛并促进了普惠金融（Zhang，2024），加速了商业化进程（Wu和Liu，2026），缓解了融资约束，提高了全要素生产率（Tang等人，2020）。AI在养老领域的应用方面：工业机器人提高了全要素生产率，但减少了低技能劳动力需求（Graetz和Michaels，2018；Acemoglu和Restrepo，2020）；辅助系统改善了护理服务；智能家居提供了低成本的监测手段（Majumder等人，2017；Sapci和Sapci，2019），但面临交互方面的局限（Robinson等人，2014）。AI的采纳受到成本、隐私、技术焦虑和感知收益的影响（Peek等人，2014；Tsertsidis等人，2019），而信任和绩效期望是关键驱动因素（Pal等人，2018）。

然而，科技金融（TF）与人工智能（AI）在养老产业发展（ECID）中的协同作用尚未得到实证检验。本文利用2014—2024年163家中国A股上市养老企业的面板数据，构建了嵌入TF与AI的金融—技术—产业综合框架，并进行了实证检验。

各章节摘要

科技金融对养老产业发展的直接影响

我们的分类标准基于同花顺¹养老板块。预计到2050年，中国老年人口将达到4.8亿，消费潜力达106万亿元。基于金融发展和信息不对称理论，我们认为TF能够通过有针对性的措施从根本上缓解养老企业的外部融资约束。

样本选择与数据来源

本研究使用163家A股上市养老企业的公司年度面板数据（2014—2024），结合公司层面的财务和治理数据、城市层面的经济、金融和技术指标，以及养老企业名单。2014年标志着智能养老政策的密集出台。公司层面和城市层面数据来自CSMAR²数据库；养老企业名单来自同花顺数据库。我们剔除了ST、PT、金融类企业

描述性统计

表2报告了描述性统计结果。ECID显示整体水平较低，企业间差异显著。TF的渗透程度有限且不均衡。AI采纳呈现两极分化的格局。控制变量显示杠杆水平适中，盈利能力存在异质性，企业规模以中大型上市公司为主，增长率的平均值为正但企业间差异较大，董事会规模符合中国治理结构特征。

基准回归结果

表3依次展示了混合OLS估计、公司—年度固定效应模型以及完整

主要结论

本研究使用2014—2024年163家中国A股上市养老公司的面板数据，在人口老龄化与产业技术升级的交叉视角下，考察了TF对ECID的赋能路径。相关结论有三方面。第一，TF显著促进了ECID，该结论在稳健性和内生性检验后依然成立。第二，TF通过促使企业增加AI应用，间接提高了ECID的质量与效率，这一中介效应

伦理声明

本研究无需伦理审批，因为研究使用的是公司层面的二手数据，不涉及人类参与者、人体组织、动物或个人可识别信息。

数据可用性声明

本研究的基础原始数据为专有数据，来源于CSMAR和同花顺数据库，受许可协议约束，因此作者无法公开分发。衍生分析数据集以Excel格式提供，复现代码以Word格式提供，均直接提交给编辑委员会用于审稿流程。文章接收后，这些文件将由期刊保存用于编辑用途，并向符合资格的研究人员开放获取。

致谢与基金

本研究得到以下项目资助：甘肃省高校教师创新基金计划项目（编号2025A-080）"甘肃省农村养老金融发展困境与对策研究"；甘肃省研究生教育教学改革研究项目（编号YB142）"从AI融合视角看沉浸式金融科技教学的创新与实践"；甘肃省高层次人才项目（编号

作者声明

柴永东：概念构思、方法设计、正式分析、撰写—初稿。

徐之杰：数据整理、可视化、验证、调查。

李勤：资源获取、监督指导、可视化、软件支持、撰写—审阅与编辑。

所有作者均已审阅并批准最终提交的稿件。作者声明不存在竞争性经济利益关系。

CRediT作者贡献声明

柴永东：撰写—初稿、方法设计、正式分析、概念构思。徐之杰：可视化、验证、调查、数据整理。李勤：撰写—审阅与编辑、可视化、监督指导、软件支持、资源获取。

柴永东 | 徐之杰 | 李勤

兰州财经大学金融学院，中国