人工智能驱动激进式创新的机制与边界条件：一项基于中国A股上市公司的实证研究
一、 研究团队与发表信息
本研究由华中科技大学管理学院的三位学者Zongjun Wang、Xian Zhang、Xiying Song以及湖南农业大学商学院学者Jinrong Huang（通讯作者）共同完成。该研究于2025年8月15日发表在学术期刊*Systems*上，论文标题为“Unlocking AI’s Radical Innovation Potential: The Contingent Roles of Digital Foundation and Government Subsidy”（解锁人工智能的激进式创新潜力：数字基础与政府补贴的权变作用）。
二、 学术背景与研究目标
1. 科学领域与研究背景： 本研究属于技术创新管理、战略管理与信息系统交叉领域，核心关注人工智能（Artificial Intelligence, AI）这一前沿通用技术如何影响企业的激进式创新（Radical Innovation）。激进式创新源于先前不相关知识的全新组合，具有高度复杂性和不确定性，是推动产业变革和建立长期竞争优势的关键。尽管AI在提升企业创新效率方面已获普遍认可，但其能否以及如何驱动根本性的、突破性的创新，现有研究尚缺乏充分的实证证据，且存在理论与实践上的矛盾现象（如华为“盘古”AI平台的成功与GE“Predix”平台的挫折）。同时，现有文献多将AI视为独立变量，忽视了其与企业内部资源基础（如数字基础）和外部制度环境（如政府补贴）的交互作用。
2. 理论基础： 本研究整合了资源基础观（Resource-Based View, RBV）与技术-组织-环境（Technology-Organization-Environment, TOE）框架，构建了一个系统的理论模型。资源基础观强调AI作为一种具有稀缺性、难以模仿性和组织嵌入性的战略资源的价值。TOE框架则提供了分析技术采纳与创新行为的系统性视角，强调技术（T）、组织（O）和环境（E）三个维度因素的共同作用。
3. 研究目标： 本研究旨在填补以下研究空白： * 核心关系验证： 实证检验企业AI采纳是否以及如何促进激进式创新。 * 内部边界条件探究： 从技术协同视角，探究企业数字基础（分为“程度”和“速率”两个维度）如何调节AI与激进式创新的关系。 * 外部边界条件探究： 从制度环境视角，探究政府补贴如何调节上述关系。 * 采纳策略异质性分析： 超越将AI采纳视为静态统一行为的视角，考察AI采纳的时机（早期 vs. 晚期）和速度（快速 vs. 缓慢）对激进式创新影响的差异性。
三、 研究设计与详细流程
本研究采用严谨的实证研究方法，流程如下：
1. 数据与样本： * 研究对象： 2007年至2023年间中国上海和深圳证券交易所的A股上市公司。 * 样本筛选： 剔除了金融行业公司、被标记为ST或*ST的公司以及存在重大数据缺失的观测值。 * 数据来源： 企业年报文本数据来自巨潮资讯网；公司基本信息和财务数据来自CSMAR数据库；专利数据来自中国国家知识产权局（NIPA）和中国研究数据服务平台（CNRDS）。 * 最终样本量： 在基准回归中，观测值数量为22,291个公司-年度数据点。
2. 变量测量： * 因变量 - 激进式创新（RI）： 采用“重组式创新”概念，基于专利IPC（国际专利分类）代码的组合新颖性进行测量。具体方法为：提取企业每年申请专利的所有四位IPC代码组合，若某组合在过去五年（t-5至t-1）未曾出现，则判定该专利为激进式创新专利。最终变量为激进式创新专利数量加1后取自然对数。为消除构念污染，研究中剔除了被官方分类为AI技术的专利。 * 自变量 - AI采纳（AI）： 采用文本分析法，基于包含73个AI关键词的词典（见附录A表A1），统计上市公司年度报告中AI相关关键词的出现频率，并取“频率+1”的自然对数作为衡量指标。研究通过相关性分析和预测性回归（以AI相关专利数和AI相关资产投资额为效标）验证了该文本指标的效度。 * 调节变量： * 数字基础程度（DF_D）： 基于包含63个基础数字关键词的词典（见附录A表A2），统计年报中相关词频，取对数后衡量企业数字基础设施和流程的完备性（静态积累）。 * 数字基础速率（DF_R）： 定义为数字基础程度（DF_D）的年度增长率，衡量企业数字化变革的动态速度。 * 政府补贴（SUB）： 从财务报表附注的“政府补助明细”中手工提取并筛选与创新相关的补贴，计算其与公司总资产的比值。 * 控制变量： 包括公司规模（Size）、年龄（Age）、资产收益率（ROA）、资产负债率（Lev）、现金流比率（Cash）、研发强度（RDI）以及董事长与CEO是否两职合一（Dual）。
3. 实证模型： * 基准回归模型： 采用包含行业和年份固定效应的面板数据模型，检验AI采纳对激进式创新的主效应。 * 调节效应模型： 在基准模型中加入调节变量及其与AI的交互项，分别检验数字基础程度、数字基础速率和政府补贴的调节作用。 * 内生性处理： 研究采用了多种方法应对潜在内生性问题： * 工具变量法（2SLS）： 使用了两个工具变量：（1）同行业同年份其他公司的AI平均水平（IV1，捕捉同伴效应）；（2）城市级光缆线路长度（IV2，代表外生的数字基础设施）。两阶段最小二乘法回归结果支持了主效应的稳健性。 * Heckman两阶段法： 用于纠正样本选择偏差（如AI采纳的非随机性），计算逆米尔斯比率（IMR）并纳入回归，结果依然稳健。 * 滞后回归： 将自变量和控制变量分别滞后一至三期，以缓解反向因果关系，结果显示AI的积极效应具有持续性。 * 稳健性检验： * 替换自变量度量： 使用AI相关专利数（AI_patent）和AI相关资产占比（AI_asset）作为AI采纳的替代指标，结果稳健。 * 替换因变量度量： 使用高被引专利（申请后五年内被引次数前1%）数量作为激进式创新的替代指标（RI_new），结果稳健。 * 控制高维固定效应： 在模型中进一步加入省份固定效应、省份-年份交互固定效应和行业-年份交互固定效应，结果稳健。 * 缩窄研究期间： 将样本期限定在AI发展关键的2014-2023年，结果稳健。 * 异质性分析： * 采纳时机： 以2017年（中国发布《新一代人工智能发展规划》）为界，将公司分为早期采纳者（2017年前）和晚期采纳者（2017年及以后），进行分组回归。 * 采纳速度： 计算公司从首次提及AI关键词起，累计AI词频与累计年数的比值，以此衡量采纳速度。根据该比值的25%和75%分位数，将样本分为快速采纳组和慢速采纳组，进行分组回归。
四、 主要研究结果
1. 基准回归结果： AI采纳（AI）的系数在1%的水平上显著为正（系数=0.0600）。这表明，在控制了一系列公司特征以及行业和年份效应后，企业AI采纳显著促进了其激进式创新水平，假设H1得到支持。
2. 调节效应结果： * 数字基础程度的调节作用： AI与数字基础程度（DF_D）的交互项（AI × DF_D）系数为-0.0307，在1%的水平上显著为负。这意味着，企业的数字基础越成熟、越完备，AI对激进式创新的正向促进作用反而会被削弱。这支持了假设H2a，表明高度的数字化可能带来路径依赖、组织惯性和高协调成本，从而抑制AI驱动根本性变革的能力。 * 数字基础速率的调节作用： AI与数字基础速率（DF_R）的交互项（AI × DF_R）系数为0.0402，在10%的水平上显著为正。这表明，企业数字化变革的速度越快，AI对激进式创新的促进作用就越强。这支持了假设H2b，说明快速的数字化转型反映了企业更强的技术整合能力和组织敏捷性，能够放大AI的创新潜力。 * 政府补贴的调节作用： AI与政府补贴（SUB）的交互项（AI × SUB）系数为0.0260，在5%的水平上显著为正。这表明，政府补贴强化了AI采纳对激进式创新的积极影响，假设H3得到验证。政府补贴不仅直接缓解了企业的资源约束，还通过政策“背书”增强了企业的资源安全感并吸引了外部优质资源。
3. 异质性分析结果： * 采纳时机的影响： 分组回归显示，AI对激进式创新的促进作用在晚期采纳者中（系数=0.0691）显著强于早期采纳者（系数=0.0242），且组间系数差异检验高度显著。这表明AI为后来者提供了通过激进式创新实现“追赶”甚至“超越”的机会，体现了“后发优势”。 * 采纳速度的影响： 分组回归显示，AI对激进式创新的促进作用在慢速采纳组中（系数=0.1049）显著强于快速采纳组（系数=0.0361），且组间系数差异显著。这表明“慢工出细活”，相对缓慢的采纳速度可能让企业有更充分的时间进行技术与业务的深度融合及知识积累，从而更有效地将AI投资转化为激进式创新成果。
4. 内生性检验与稳健性检验结果： 所有内生性处理（工具变量法、Heckman法、滞后回归）和稳健性检验（替换变量度量、控制高维固定效应、缩窄样本期）的结果均表明，AI对激进式创新的正向主效应以及各调节变量的作用方向是稳健可靠的。
五、 研究结论与价值
1. 主要结论： 本研究系统揭示了AI驱动企业激进式创新的机制与边界条件。核心结论包括： * AI采纳是企业实现激进式创新的重要驱动因素。 * AI的创新赋能效果受到企业内部数字基础的权变影响：高程度的数字基础可能因路径依赖而产生抑制效应，而高速度的数字化进程则通过提升组织敏捷性产生增强效应。 * 外部制度环境中的政府补贴能够有效强化AI对激进式创新的促进作用。 * AI采纳的策略特征（时机与速度）对创新效果具有异质性影响：晚期采纳者和慢速采纳者可能从AI中获得更大的激进式创新收益。
2. 理论价值： * 丰富了技术协同视角： 通过区分数字基础的“程度”与“速率”两个维度并检验其调节作用，揭示了AI与组织现有数字基础协同效应的复杂性，深化了对多技术融合背景下激进式创新路径的理解。 * 拓展了外部情境研究： 实证检验了政府补贴在“AI-激进式创新”路径中的积极调节角色，为理解宏观制度环境如何影响前沿技术创新价值实现提供了新的证据。 * 提供了动态采纳视角： 超越了将AI采纳视为静态事件的传统视角，从采纳时机和速度两个动态维度揭示了其创新后果的差异性，为AI采纳战略研究提供了更精细的见解。
3. 实践启示： * 对企业管理者： 应将AI整合进激进式创新战略；需警惕高度成熟数字基础可能带来的创新惰性，积极保持组织灵活性；应加速数字化迭代以提升敏捷性；应积极争取并善用政府补贴；在制定AI采纳策略时，需结合自身情况权衡“早晚”与“快慢”的利弊。 * 对政策制定者： 应优化补贴机制，重点支持涉及关键AI技术或高风险的激进式创新项目；持续优化科技创新生态系统；针对不同采纳类型的企业（早/晚期、快/慢速）制定差异化的支持策略。
六、 研究亮点
七、 其他有价值的内容
研究在讨论部分坦诚指出了本研究的局限性，并为未来研究指明了方向，体现了科学的严谨性： 1. 测量方法局限： AI采纳和数字基础的文本分析指标可能受年报披露选择性影响。未来可结合招聘信息、技术采购公告、实地调研等多源数据。 2. 创新度量局限： 专利数据可能无法完全捕捉商业模式、服务等非技术维度的激进式创新。未来可结合文本挖掘等方法构建更全面的指标。 3. 样本普适性： 研究基于中国公司，结论在其他国家（尤其是数字化程度更高的发达经济体）的普适性有待检验。 4. 机制黑箱： 本研究主要关注边界条件，未深入探讨AI影响激进式创新的中介路径（如知识重组过程、组织学习机制等），这是未来研究的重要方向。
这些局限性与未来展望的阐述，使得本研究不仅是一个完整的实证发现报告，也成为了推动该领域后续研究的一个承前启后的重要节点。