0 引言 近年来，深度数字化驱动下的人工智能技术迅猛发展，已成为经济增长的新引擎和推动未来产业发展的重要力量[1-2]。我国高度重视人工智能技术的战略价值，积极推动人工智能技术创新与应用，培育壮大智能产业，加快发展新质生产力，为高质量发展提供新动能。截至2023年，我国人工智能核心产业规模已达5000亿元，相关企业超过4400家，体现出其强劲的发展潜力①。 人工智能对企业创新的影响已成为当前学术热点，但研究结论尚存争议[3]。一方面，已有研究肯定人工智能能够通过数据分析、流程优化等方式提高企业创新能力，降低创新成本和风险[4-5]。另一方面，也有学者质疑人工智能在所有情境下促进高质量创新的有效性，指出人工智能可能弱化知识隐性优势，甚至降低创新收益[6-7]。还有研究结论显示，约85％的人工智能应用项目未达预期目标[8]。以上研究结论的分野进一步引发了学术界围绕企业类型差异、企业所在行业差异和企业生命周期阶段差异等方面开展深入思考[9]。 众多学者基于企业生命周期视角对企业创新绩效进行了深入研究，现有研究表明，企业生命周期与企业创新能力具有重要联系[10]。对文献的梳理进一步揭示了企业在不同生命周期阶段的创新表现各不相同[11]，这种差异源于生命周期阶段对研发能力[12-13]、发展特点、战略组合[14]和数字策略[15]的影响。例如，成长期企业倾向快速获取市场机会，强调研发效率；成熟期企业关注资源整合与运营效率；而衰退期企业则受限于核心刚性和能力退化，创新转化困难，数字化转型效果有限[12]。作为数字化转型的新兴工具和重要组成部分，人工智能技术也可能在不同生命周期阶段表现出差异化的影响。然而，现有研究往往忽视了企业生命周期变化与人工智能技术应用之间的复杂互动关系。这种互动关系不仅影响企业如何利用人工智能促进创新，还决定了不同阶段人工智能技术的应用效果[16]。 目前的研究多聚焦于企业横向比较，缺乏从企业生命周期动态演变视角深入分析人工智能技术应用对企业创新能力的影响，且学术界对于人工智能促进企业高质量创新的效能尚未达成一致[3，12]。为填补上述研究空白，本研究提出核心问题：人工智能技术在企业不同生命周期阶段如何影响创新能力?为回答这一问题，本文基于权变理论和资源基础观开展研究。其中，权变视角为理解企业如何在不同环境中创新方面提供思路，有利于更好地探索多种企业属性和动态环境变化的影响。此外，人工智能技术本质上是一种新的、独特的创新资源，企业如何充分进行资源和能力的配置，是其在数字智能化时代获取竞争优势的关键。本文基于2016至2021年间1103家制造业高新技术上市企业的人工智能专利数据，结合现金流模式法将企业分类为成长期、成熟期和衰退期，运用机器学习算法和回归分析方法，揭示人工智能技术对企业创新绩效的影响。 1 研究设计 1.1 数据来源及样本筛选 近年来，我国出台了一系列人工智能领域相关政策，促使众多企业积极引入人工智能技术，进行数字化转型和创新，进一步推动产业繁荣和发展。高新技术企业处于技术前沿，在技术研发和市场应用方面具有显著优势，且不断展现出在人工智能领域的活跃态势和创新能力。因此，本文以中国高新技术制造业上市公司作为研究样本，研究企业人工智能技术水平对企业创新的影响。具体而言，本文选取了制造业上市公司，并排除了标记为ST和PT的公司，以确保研究对象的质量和研究结果的稳定性。随后，作者利用天眼查官网对上述筛选出的企业进行详细检索，并特别关注高新技术企业，将其作为本文的研究对象。 在确定研究样本后，本文对2016—2021年制造业高新技术上市企业数据进行处理与筛选。具体步骤如下： (1)对变量的缺失值进行填补，剔除记录不足3年的企业，具体方法如下：如果子数组两端都缺失，则使用靠近两端的两个数值的均值进行填充；如果子数组开头或末尾缺失，则使用最近的一个非缺失值进行填充；对于子数组中间的缺失值，本文采用拉格朗日插值法进行填充。 (2)由于本文在评估人工智能能力时采用企业年报数据，为确保数据的连续性与完整性，舍弃了2016年之后新成立的企业。 基于上述规则，本文选取了2016—2021年的1103家企业共6618个观测值进行研究。 1.2 变量定义与测度方式 为确保读者充分理解所采用的度量方法，本节简要介绍关键研究变量的测度方法： (1)企业创新。专利授权数是创新的直接输出，能够反映企业在技术研发和创新方面的投入成果。高专利授权数通常意味着企业在技术研发上的领先地位，而这往往与企业市场份额、品牌知名度和盈利能力正相关。因此，本文通过企业专利授权数来度量企业创新。 (2)企业人工智能技术水平。上市公司年报描述了企业对人工智能技术的应用情况，而上市公司申请的人工智能专利代表企业已经拥有的人工智能技术，反映了企业人工智能技术的产出情况，二者能够相互印证企业的人工智能技术水平[17]。因此，本文使用专利数据衡量企业人工智能技术水平，并通过年报中的文本内容对其进行验证。由于专利申请在新技术或发明初次出现时即提交，因此具有很强的时效性，被视为合适的衡量标准[18]。但同时，由于人工智能技术在众多行业和领域中受到广泛应用，且涉及多种技术，这使得基于特定IPC对人工智能技术进行识别和分类存在挑战[19]。为了解决这一难题，Rathi等[20]采用了关键字匹配方法，通过搜索包含特定关键词和IPC标号的专利，从而将专利数量作为人工智能技术水平的度量标准。因此，结合上述研究，本文将每个企业在对应年份拥有的人工智能相关IPC标号的专利申请数量定义为“人工智能专利申请数”，并以此作为衡量企业人工智能技术水平的方法。同时，本文参考以往研究中的人工智能相关关键词，将2016—2021年企业年报中的关键词出现总次数作为“人工智能能力”的度量标准，作为对企业人工智能技术水平的另一种度量，用作稳健性检验。这些关键词包括：“人工智能”“机器学习”“机器人”“神经网络”“卷积神经网络”“递归神经网络”“循环神经网络”“脉冲神经网络”“遗传算法”“机器视觉”“路径规划”“模式识别”“自然语言处理”“认知计算”“模糊逻辑”“专家系统”“情感分析”。
