人工智能采纳与企业数据资产化:基于系统视角的数据驱动价值创造——来自中国上市公司的证据

《Systems》:Artificial Intelligence Adoption and Corporate Data Assetization: A Systems Perspective on Data-Driven Value Creation—Evidence from Chinese Listed Firms

【字体: 大 中 小 】 时间:2026年09月21日 来源:Systems 3.8

编辑推荐:

  基于2018至2024年中国A股上市公司数据,本研究从系统视角考察了人工智能(AI)采纳对企业数据资产化的影响及其内在机制。研究发现,AI采纳与企业数据资产化呈显著正相关关系,该结论在企业固定效应、倾向得分匹配、工具变量估计以及排除COVID-19期间后依然稳

  
基于2018至2024年中国A股上市公司数据,本研究从系统视角考察了人工智能(AI)采纳对企业数据资产化的影响及其内在机制。研究发现,AI采纳与企业数据资产化呈显著正相关关系,该结论在企业固定效应、倾向得分匹配、工具变量估计以及排除COVID-19期间后依然稳健。中介效应分析表明,数字人力资本(Digital Human Capital, DHC)是一个中介渠道,而数据要素的市场化配置(Market-based Allocation of Data Factors, MAF)则表现出方向为正但统计上较弱的调节效应。异质性分析进一步揭示,AI对数据资产化的影响在所有制、技术密集度、竞争程度和地区层面大致具有普适性,唯一显著的边界条件是该效应在非制造业中强于制造业。本研究揭示了技术应用、组织能力与制度环境如何构成相互关联的系统,共同塑造数据资产化进程。模糊集定性比较分析(fsQCA)显示,高AI采纳、强数字人力资本与先进数据市场化的组合足以产生高水平的数据资产化,这佐证了组态系统视角。本研究为数字经济中AI如何赋能企业价值创造提供了微观层面的证据。
研究背景与问题提出
在数字经济时代,人工智能(AI)已成为驱动全球企业数字化转型与组织重构的关键力量。现有研究已广泛探讨AI对生产率、创新绩效和竞争优势的促进作用,但关于AI如何帮助企业将原始数据资源转化为可识别、可管理并能创造价值的战略性资产——即数据资产化(Data Assetization, DA)——这一重要议题尚缺乏充分的理论与实证关注。与此同时,数据作为新型生产要素,其价值实现面临碎片化数据体系、治理能力不足以及数字化人才匮乏等现实障碍。既有研究多采用还原论视角,孤立地考察AI、人力资本或制度因素的单一路径,忽视了技术采纳、组织能力与制度环境三者之间的系统性互动关系。因此,亟需从一个整合性的系统视角出发,探究AI采纳能否以及如何促进企业数据资产化,并厘清内部组织机制与外部制度条件在其中扮演的角色。
研究设计与核心发现
为填补上述研究空白,研究人员选取2018至2024年中国A股上市公司为样本,最终获得27798个观测值。研究聚焦三个核心问题:AI采纳是否正向关联企业数据资产化(假设H1);数字人力资本(Digital Human Capital, DHC)是否发挥中介作用(假设H2);数据要素市场化配置(Market-based Allocation of Data Factors, MAF)是否正向调节这一关系(假设H3)。基准回归结果表明,AI采纳与企业数据资产化呈显著正相关,AI采纳每增加一个单位,企业数据资产化水平提升约0.0220个单位,相当于样本均值的0.64%。这一结论在一系列稳健性检验——包括替换因变量与自变量测度方式、增加控制变量、剔除直辖市样本、排除COVID-19疫情期(2020—2022年)、倾向得分匹配(PSM)以及工具变量(IV)两阶段最小二乘估计——中均保持稳健。中介效应分析显示,数字人力资本是AI采纳促进数据资产化的部分中介渠道,间接效应约为总效应的2.7%。然而,数据要素市场化配置的调节效应虽方向为正,但在常规显著性水平上并不显著(交互项系数=0.0248, p=0.106),假设H3未获支持。异质性分析表明,AI对数据资产化的正向效应在所有制结构、技术密集度、市场竞争程度和区域分布上基本呈现普适性,唯一的显著边界条件是制造业与非制造业之分:非制造业中的效应显著强于制造业。
关键技术方法
研究人员采用了多种计量经济学方法与组态分析方法。首先,使用企业固定效应模型(Firm Fixed-Effects Model)进行基准回归,并加入年度固定效应以控制宏观经济冲击。其次,采用三步法中介效应模型检验数字人力资本的中介路径,辅以Sobel检验和聚类自助法(Cluster-Bootstrap)验证间接效应的统计显著性。再次,通过交互项模型检验数据要素市场化配置的调节作用。为应对潜在的内生性问题,研究人员选取1984年地级市人均固定电话数与同城同行业其他企业平均AI专利水平的交互项作为工具变量,运用两阶段最小二乘法(2SLS)进行估计。此外,还采用倾向得分匹配(PSM)缓解自选择偏误。最后,引入模糊集定性比较分析(fsQCA),从组态视角识别导致高数据资产化的充分条件组合。
研究结果
4.1 基准回归
采用企业固定效应模型,逐步加入控制变量和年度固定效应后,AI采纳的估计系数在完全模型中为0.0220(t=5.86, p<0.001),表明AI采纳水平越高,企业数据资产化水平也越高,假设H1得到验证。
4.2 稳健性检验
通过替换因变量为词频比率法、替换自变量为基于年报文本的频率指标和AI投资占比指标、增加固定资产比例和营收增长率两个额外控制变量、剔除四个直辖市样本、排除COVID-19疫情期间观测值等一系列检验,AI采纳的系数始终显著为正,证实基准结果的稳健性。
4.3 内生性检验
使用工具变量两阶段最小二乘法,第一阶段工具变量高度显著(系数=0.5339, F统计量=205.51),第二阶段AI采纳的系数仍显著为正(系数=0.0370, z=5.91),进一步支持AI对数据资产化的正向因果效应。
4.4 中介效应分析
AI采纳显著正向关联数字人力资本(系数=0.3919, p<0.01),数字人力资本又显著正向关联数据资产化(系数=0.0016, p<0.01)。Sobel检验确认间接效应显著(间接效应=0.0006, z=2.48, p=0.013),聚类自助法验证了这一结果,表明数字人力资本是部分中介渠道,假设H2成立。
4.5 调节效应分析
AI与数据要素市场化配置的交互项系数为0.0248(t=1.62, p=0.106),方向为正但未达统计显著水平,假设H3未被线性框架支持。其作用更适合在后续组态分析中加以刻画。
4.6 异质性分析
通过正式交互项检验发现,AI对数据资产化的效应在所有制(国企vs非国企)、技术密集度(高科技vs非高科技)、市场竞争(竞争型vs非竞争型)和区域(东部vs中西部)维度上均无显著组间差异。唯一的显著边界是行业类别:制造业中的效应(系数=0.0144)显著弱于非制造业(系数=0.0303),交互项系数为-0.0317(p<0.001)。
4.7 组态分析:模糊集QCA方法
必要性分析显示,没有任何单一条件达到0.90的一致性阈值,表明高数据资产化不能归因于任何单一子系统。充分性分析揭示,高AI采纳、高数字人力资本与先进数据市场化的组合(AI×DHC×MAF)是高数据资产化的充分条件,一致性为0.837,覆盖度为0.413。分时段(2018—2020年和2021—2024年)再分析验证了该组态的跨时间稳定性。
讨论与结论
讨论部分总结:本研究的四项主要发现拓展了既有文献。第一,AI采纳显著正向关联企业数据资产化,表明AI不仅是生产端技术,更是资源编排机制,强化了企业在数字经济中的动态能力。第二,数字人力资本是重要的中介渠道,说明AI的价值创造并非仅通过自动化和技术替代实现,而是通过与人力资本的协同演化过程完成。第三,数据要素市场化配置虽在线性调节模型中不显著,但在组态分析中作为必要条件之一进入充分条件组合,表明制度环境以组态而非线性方式发挥作用。第四,异质性分析揭示AI效应在多数情境下具有普适性,仅制造业因面临更高的“数字化门槛”而效应较弱。
研究结论翻译:利用2018至2024年中国A股上市公司面板数据,本研究在一个统一的系统框架内考察了AI采纳是否、如何以及在何种条件下与企业数据资产化相关联。实证结果支持前两个假设:AI采纳与企业数据资产化呈显著正相关(H1),部分通过数字人力资本的升级发挥作用(H2)。数据要素市场化配置的调节作用方向为正但统计上较弱,因此H3在常规显著性水平上未获支持。正式的跨组检验进一步揭示,该关系在所有制、技术密集度、市场竞争和地区层面基本具有普适性,制造业与非制造业的区分是唯一的显著边界条件。模糊集定性比较分析从组态视角佐证了这些发现,表明高AI采纳、强数字人力资本与先进数据市场化的组合是高数据资产化的充分条件。总之,AI采纳通过一个涵盖技术赋能(AI)、组织能力建设(数字人力资本)和制度支持(数据市场化)的多层次系统与企业数据资产化相关联。这三个子系统并非独立运作,而是形成“技术采纳—能力建设—制度支持”的一体化组态,共同决定企业在数据资产化方面的成功。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号