基于中国上市公司数据的人工智能采用对企业创新的双重影响研究学术报告
一、 研究作者、机构及发表信息
本研究由来自浙江工业大学经济学院的程慧芳（Huifang Cheng）、林圣斌（Shengbin Lin）与浙江树人大学经济与管理学院的洪晨翔（Chenxiang Hong）*（通讯作者）合作完成。论文题为“Quantity or efficiency? The impact of AI adoption on firm innovation: evidence from Chinese listed companies”，发表于期刊 *Socio-Economic Planning Sciences*，于2026年2月18日在线发表。
二、 研究背景与目标
本研究属于创新管理与技术经济学交叉领域。随着人工智能（Artificial Intelligence, AI）技术的飞速发展，其作为第四次工业革命的关键驱动力，正深刻重塑创新格局。现有文献普遍关注AI对创新数量（如专利、新产品）的积极影响，视其为创新的“万能药”。然而，现实中存在一个引人深思的“数量-效率悖论”：一方面，全球创新产出总量持续增长；另一方面，创新效率却呈现下降趋势，发明家取得首次重大创新的年龄也在推迟。尽管有理论推测AI可能损害长期创新效率，但系统性的实证证据非常缺乏。
在此背景下，本研究旨在系统性地检验企业层面AI采用对创新绩效的双重影响，即同时考察其对创新数量（Innovation Quantity）和创新效率（Innovation Efficiency）的作用。研究核心目标是：1） 实证揭示AI采用是否以及如何导致“数量-效率悖论”；2） 深入剖析其背后的作用机制；3） 探讨这种影响的异质性及可能产生的负外部性。该研究试图弥补现有文献主要关注宏观、静态效应及正面影响的不足，提供一个关于AI发展与创新绩效之间复杂关系的更全面、更细致的理解。
三、 研究设计与详细工作流程
本研究是一项基于大样本面板数据的实证研究，工作流程严谨且具有创新性，主要包括以下几个核心步骤：
1. 研究样本与数据来源构建： * 研究对象： 2013年至2024年间在中国上海和深圳A股上市的非金融类公司。 * 样本处理： 剔除了被标记为ST或*ST的公司、存在重要数据缺失的公司，并对连续变量进行了1%和99%分位数的缩尾处理，以控制极端值影响。 * 最终样本： 形成了一个包含2,975家公司和14,538个公司-年度观测值的非平衡面板数据集。 * 数据来源： * AI采用数据： 通过Python网络爬虫从巨潮资讯网获取上市公司年度报告文本。 * 创新数据： 专利数据来自中国经济金融数据库（CCER）。 * 财务与公司治理数据： 来自Wind数据库。 * 夜间灯光数据： 使用NPP/VIIRS卫星遥感数据，用于构建加班强度等新颖变量。
2. 关键变量度量（方法创新是本研究亮点）： * 核心解释变量：企业AI采用水平（AI）。 本研究没有使用常见的行业机器人渗透率或AI专利计数，而是采用了文本挖掘技术，构建了一个更精细、更直接的企业层面度量指标。 * 步骤： a) 基于学术文献和权威行业报告，确定了“机器学习”、“自然语言处理”、“计算机视觉”、“知识表示”四个AI核心维度，并选取初始种子词。b) 利用Word2Vec模型（Skip-gram架构）在中文维基百科和20%的随机年报样本组成的混合语料库上进行训练，根据余弦相似度扩展种子词库，形成最终的AI应用词典（包含如“深度学习”、“人脸识别”、“工业互联网”等关键词）。c) 计算每家公司在某一年度报告中所有AI关键词的TF-IDF（词频-逆文档频率）权重之和，并取对数加一，得到AI采用水平指标。这种方法能捕捉企业披露的AI活动深度和独特性。 * 被解释变量： * 创新数量（Innovation_q）： 采用公司当年发明专利申请数量的对数（加一）来衡量。 * 创新效率（Innovation_e）： 为克服传统数据包络分析（DEA）在AI背景下的局限（如忽略人力投入、AI投资挤占研发支出），本研究创新性地使用“人均专利产出”来度量，即公司当年专利申请总数与研发人员数量的比值（取对数加一），更直接地反映研发人员的产出效率。 * 机制变量： * 时间效率（Efficiency1）： 创新性地结合了NPP/VIIRS夜间灯光数据与公司办公地经纬度，估算企业年度加班天数，再结合《中国劳动统计年鉴》中研究生学历员工的平均周工作时间，计算研发人员的实际年工作小时数。时间效率定义为专利产出与实际工作小时数的比值。 * 管理扩张（Manage）： 为避免高管兼任造成的测量扭曲，采用“高管人数增长率与研发人员增长率之比”的对数来衡量。 * 吸收能力（Absorb）： 采用“研发人员人均研发支出”的对数来衡量。 * 控制变量： 包括企业规模、员工规模、盈利能力（总资产收益率）、资产负债率、营业收入增长率、研发强度等。
3. 实证模型与分析方法： * 基准回归模型： 采用高维固定效应模型，分别以创新数量和创新效率为被解释变量，以滞后一期的AI采用水平为核心解释变量，并控制公司固定效应和年份固定效应，以缓解遗漏变量问题。 * 内生性处理： 研究进行了系统性的内生性检验。 * Heckman两阶段模型： 以高管海外背景作为排他性约束变量，处理样本选择偏差。 * Oster检验： 检验遗漏变量偏误，结果显示未观测变量需要比已观测变量强数倍的影响才能推翻基准结论。 * 工具变量法（IV-2SLS）： 构建了三个工具变量：1) 企业2009年AI采用水平与其他城市（非企业所在城市）第三产业增加值平均增长率的交互项；2) 互联网普及率与公共图书馆藏书量对数的交互项；3) AI采用水平的二阶滞后项。第一阶段回归显示工具变量与内生变量强相关，过度识别检验和弱工具变量检验均支持工具变量的有效性。 * 稳健性检验： 研究进行了多维度检验，包括：替换被解释变量（使用专利授权数、剔除未被引专利、使用DEA法重新计算效率）、替换解释变量（使用AI关键词占比、多次随机抽样构建词典）、调整样本范围（剔除新冠疫情后样本）、增加固定效应（行业、城市）、改变估计方法（采用Lasso和随机森林的双重机器学习方法）以及倾向得分匹配（PSM）等。所有检验均支持基准结论的稳健性。 * 机制检验： 采用中介效应模型，分别检验AI采用是否通过降低研发人员时间效率、加剧管理扩张、削弱研发人员吸收能力这三个渠道来影响创新效率。 * 异质性分析： 根据人力资本水平（研究生以上学历员工占比）、企业所有制（国有/非国有）、行业技术密集度（劳动密集型、资本密集型、技术密集型）进行分组回归。 * 拓展性分析： 使用分位数回归考察AI对研发人员产出和收入的边际效应；构建空间同群压力指数，探究AI采用是否加剧了邻近企业间的“内卷”（Race-to-the-Bottom）竞争。
四、 主要研究结果及其逻辑关联
1. 基准回归结果——“数量-效率悖论”的确证： 回归结果显示，在控制了公司特征、时间及个体固定效应后，企业AI采用水平对其创新数量具有显著的正向影响（系数显著为正），但对创新效率具有显著的负向影响（系数显著为负）。具体而言，AI采用水平每提高1%，企业专利数量平均增加约0.134%，而研发人员人均创新效率平均下降约0.021%。这一发现首次通过大规模实证数据，系统地揭示了AI采用在企业创新中引发的“数量-效率悖论”，验证了研究假设H1和H2。
2. 机制检验结果——三条抑制效率的路径： * 路径一：降低研发人员时间效率。 AI的采用显著降低了基于实际工作小时计算的研发人员时间效率（Efficiency1系数显著为负）。这表明，尽管AI可能自动化了部分任务，但也可能导致“时间挪用”（如非生产性活动）或引发员工心理疏离，从而减少了有效劳动投入，验证了假设H2a。 * 路径二：加剧管理扩张。 AI采用显著提高了“高管增长率/研发人员增长率”这一比值（Manage系数显著为正）。这意味着AI的引入伴随着管理层级的膨胀，可能给研发活动带来方向频繁变动、资源审批趋紧等压力，最终损害了研发效率和质量，验证了假设H2b。 * 路径三：侵蚀研发人员吸收能力。 AI采用显著降低了研发人员的人均研发支出（Absorb系数显著为负）。虽然AI驱动了企业整体研发投资的扩张，但也加速了研发团队的扩张。当人员增速超过经费增速时，人均资源被稀释，研发人员吸收和应用新知识的能力被削弱，验证了假设H2c。 这三条机制共同构成了AI抑制创新效率的微观基础，将影响从组织层面延伸至个体行为与资源分配层面。
3. 异质性分析结果——影响的不均衡分布： * 人力资本： AI对创新效率的抑制作用在高人力资本企业中更为显著。这可能是因为高人力资本企业本已处于较高效率水平，AI的边际增益有限，而其引发的心理安全威胁、路径依赖以及对精英人才创造力的潜在束缚等负面影响更容易被放大。 * 企业所有制： 负面影响主要集中在非国有企业。国有企业因拥有政策支持、资源缓冲和稳定的研发环境，更能抵御AI带来的短期波动和效率侵蚀。 * 行业类型： 负面影响在技术密集型行业最为突出。这类行业竞争激烈、知识迭代快，AI的采用可能引发“技术拥抱技术”的路径依赖，并加剧企业间“军备竞赛”式的过度投资，导致资源错配和效率恶化。
4. 拓展性分析结果——外部性效应： * 对研发人员的影响： 分位数回归显示，随着AI采用水平提高，对研发人员人均创新效率的负向边际效应递增。同时，研发人员的人均研发资源投入也系统性下降，出现了“效率与资源双降”的局面，可能催生企业创新中的“马太效应”。 * 对企业整体运营效率的影响： AI采用显著降低了基于夜间灯光数据测算的企业过度加班强度，表明AI提升了企业的整体运营效率，为摆脱“内卷式增长”提供了可能。 * 对竞争环境的影响： AI采用水平高的企业，其周边网格在假日的夜间灯光强度也显著更高。这表明，当领先企业通过AI获得效率优势时，会引发竞争对手的防御性资源投入竞赛（如跟风加班），从而加剧了邻近企业间的“内卷”竞争，验证了假设H3，揭示了AI技术扩散可能带来的负外部性。
五、 研究结论与价值
本研究得出核心结论：企业采用人工智能在显著提升创新数量的同时，会抑制创新效率的提升，形成稳健的“数量-效率悖论”。这一悖论主要通过降低研发人员时间效率、加剧管理扩张、削弱研发人员吸收能力三条渠道实现，且在人力资本高、非国有、技术密集型的企业中更为明显。此外，AI虽提升整体运营效率，却可能降低研发人员个体产出与报酬，并加剧企业间的恶性竞争。
科学价值与应用价值： * 理论贡献： 首次将创新“数量”与“效率”明确区分并纳入统一分析框架，实证揭示了AI的“双刃剑”效应，丰富了关于技术赋能创新复杂性的理论认知。提出的三条微观机制（时间效率、管理扩张、吸收能力）拓展了AI影响创新的理论边界，并为其负外部性（人力资本利用、组织设计）提供了实证证据。 * 方法创新： 创新性地运用文本挖掘构建企业级AI指标，并首次将夜间灯光数据引入创新效率研究，构建了客观、高频的加班强度指标，克服了传统财务数据自我报告的局限。 * 政策与实践启示： 研究结论对多方具有重要指导意义： * 对企业： 需优化研发投入与评价体系，从追求数量转向注重人均效率和长期价值；制定针对性的人力资源政策（如长期激励、清晰的AI赋能职业路径），防止过度自动化侵蚀创造力；利用AI优化管理流程，防止层级膨胀。 * 对研发人员： 应合理利用AI处理常规任务，同时警惕过度依赖，保持独立思考和探索动力。 * 对政府： 需全面认识AI的“双刃剑”特性，在推广同时制定配套政策。包括：建立平衡数量与效率的治理框架和评估标准；加强知识产权保护和劳动者权益保障；通过制度引导，推动从纯粹竞争向协作、可持续的市场环境转变；设计和实施国家级的“AI技能提升计划”，加强产学研合作，系统性提升人才技能。
六、 研究亮点
七、 其他有价值内容
论文在讨论部分还指出，当前AI系统在应对前沿研究挑战方面存在固有局限，其“总有答案”的运作模式容易产生“生成式谬误”，这可能误导研发人员，尤其对依赖高端人才突破性创造的高人力资本企业伤害更大。这一观点将技术本身的特性与组织、个体因素结合，加深了对异质性影响的理解。此外，研究提出的政策建议非常具体且具有可操作性，如设立“AI技能提升计划”、共建实践导向培训模块等，体现了从学术发现到实践应用的完整思考。