《管理评论》前沿研究：AI如何赋能制造业新质生产力——基于动态能力理论的机制解析

一、 研究作者、机构与发表信息

本研究的主要作者为吉林大学商学与管理学院的郭润萍（教授、博士生导师）、王克彩（博士研究生，通讯作者）、卢晓璇（硕士研究生）和姜鹄（本科生）。该研究于2025年11月发表于中文核心期刊《管理评论》（Management Review）第37卷第11期。研究工作得到了国家自然科学基金项目（72072069; 72091315）和吉林省教育厅人文社会科学研究重大项目（jjkh20241358SK）的支持。

二、 学术背景与研究动机

本研究隶属于管理学与经济学交叉领域，核心关注企业战略管理、技术创新与生产力发展。其背景源于新一轮科技革命与产业变革的交汇点，特别是人工智能（AI）技术的迅猛发展与中国提出的“新质生产力”战略构想。

• 学术与现实背景：

  1. 国家战略需求：2023年，“新质生产力”概念被首次提出，其核心在于通过技术革命性突破和要素创新性配置，实现全要素生产率大幅提升。作为国家经济支柱的制造业，是培育和发展新质生产力的主战场。
  2. 技术驱动引擎：人工智能（AI）作为具有通用性、基础性和平台性特征的前沿技术，被视为驱动新质生产力跃升的关键引擎。它能够深度嵌入企业流程，催生新的生产要素、生产工具和生产关系。
  3. 理论“黑箱”待解：尽管学界已意识到AI对新质生产力的重要性，但现有研究存在明显缺口。多数研究停留在宏观层面，微观企业层面的机制探讨不足。虽有少数研究触及数字化能力，但尚未从系统、多维的动态能力（Dynamic Capabilities）视角出发，深入剖析AI影响新质生产力的具体路径。同时，现有研究常将动态能力视为普适优势，忽视了外部市场竞争环境对其作用效果的权变性影响。

• 研究目标： 基于以上背景，本研究旨在运用动态能力理论，系统性地打开“AI采用→新质生产力”这一作用过程的“黑箱”。具体目标包括：

  1. 实证检验AI采用对中国制造业企业新质生产力的直接影响。
  2. 探究动态能力（细分为创新能力、适应能力、吸收能力三个维度）在二者关系中的中介作用机制。
  3. 考察外部市场竞争强度（Market Competition Intensity）如何调节AI采用与新质生产力的关系，以及如何差异化地调节动态能力三个维度与新质生产力的关系。

三、 详细研究流程与方法

本研究采用了规范的实证分析流程，主要包含以下四个关键环节：

环节一：研究样本与数据准备 * 研究对象与样本量：研究以2015-2021年间中国A股上市制造业企业为初始研究对象。选择2015年为起点，是因为该年前后中国AI技术进入快速发展与应用阶段。根据证监会行业分类指引筛选制造业企业，并剔除ST/*ST、退市企业及关键数据严重缺失的样本。最终，研究获得了130家制造业企业、共计910个“企业-年度”有效观测值的面板数据。 * 数据来源：核心数据来源于国泰安（CSMAR）数据库和上市公司年度财务报告。 * 数据处理：对所有连续变量进行了1%和99%分位的缩尾处理（Winsorization），以减少极端值影响，并对部分缺失值采用插值法补充。

环节二：关键变量的测量与操作化 这是研究的核心基础，作者对每个关键概念都设计了具体的、可量化的指标： 1. 被解释变量：企业新质生产力（NQP）。借鉴已有研究，基于生产力二要素理论，构建了一个包含劳动力（如技术人员占比、员工薪酬）和生产工具（如无形资产、固定资产更新率）的多指标评价体系，并采用熵值法确定各指标权重，最终计算出一个综合得分。为便于展示，将得分乘以1000。 2. 解释变量：AI采用（AI）。鉴于工业机器人是AI在制造业的重要载体，且其应用与就业结构、劳动者收入密切相关，研究参考了学界通行做法，使用“企业机器设备人均账面价值”（机器设备净值/员工总数）的对数值来衡量企业AI技术的采用程度。 3. 中介变量：动态能力三个维度。 * 创新能力（IN）：用“技术人员占比”和“研发强度”（研发支出/营业收入）两个指标的标准化值加总衡量。 * 适应能力（AD）：指企业资源配置的灵活性。用企业年度研发支出、资本支出和广告支出这三项支出的变异系数的负值表示，变异系数越小（负值越大），说明资源配置越稳定、适应能力越强。 * 吸收能力（AB）：用企业“研发支出与营业收入之比”直接衡量，反映企业对外部知识进行投入和转化的倾向。 4. 调节变量：市场竞争强度（HHI）。采用赫芬达尔指数（Herfindahl-Hirschman Index）的倒数（1/HHI）来衡量。HHI指数反映行业集中度，其倒数越大，表明行业内企业数量越多、市场份额越分散，竞争越激烈。 5. 控制变量：为排除其他因素干扰，模型控制了企业规模、资产收益率、现金流量、存货占比、企业成长性、董事会规模、股权制衡度、管理费用率和管理层持股比例等可能影响新质生产力的因素。

环节三：模型构建与统计检验 研究构建了一系列固定效应面板回归模型，并运用Stata 17.0软件进行分析。所有模型均控制了年份和个体固定效应。 * 主效应检验（H1）：构建模型直接回归AI采用（AI）对新质生产力（NQP）的影响。 * 中介效应检验（H2a, H2b, H2c）：采用逐步回归法，分别检验AI采用是否先显著影响创新能力（IN）、适应能力（AD）、吸收能力（AB），再检验这三个能力是否显著影响NQP（同时控制AI）。为进一步确证，还使用了Bootstrap法重复抽样检验间接效应的显著性。 * 调节效应检验（H3, H4a, H4b, H4c）：在模型中引入AI与市场竞争强度（HHI）的交互项，检验HHI对主关系的调节作用；分别引入三个动态能力维度与HHI的交互项，检验HHI对每个中介路径后半段的调节作用。

环节四：稳健性与内生性检验 为确保研究结论的可靠性，作者进行了严谨的额外检验： * 稳健性检验： 1. 替换被解释变量：使用LP法测算的全要素生产率（TFP）作为新质生产力的替代指标，结论不变。 2. 更换检验模型：使用普通最小二乘法（OLS）代替固定效应模型，结论稳健。 3. 更换样本区间：将研究时段缩短为2017-2021年（以《新一代人工智能发展规划》发布为节点），结论依然成立。 4. 控制行业效应：在模型中进一步加入行业虚拟变量，结论不变。 * 内生性处理：考虑到可能的反向因果（生产力高的企业更有意愿采用AI）和遗漏变量问题，研究采用工具变量法（2SLS）进行检验。选取核心解释变量“AI采用”的一期滞后项作为工具变量。两阶段回归结果显示，在控制内生性后，AI采用的系数依然显著为正，且工具变量通过了不可识别检验和弱工具变量检验，表明核心结论是稳健的。

四、 主要研究发现与逻辑链条

研究的实证结果清晰地揭示了各变量间复杂的作用机制，形成了一条完整的逻辑链。

1. 主效应成立：AI采用直接驱动新质生产力提升（证实H1） 基准回归结果显示，在控制了一系列变量和固定效应后，AI采用的系数为1.592，且在1%的水平上高度显著。这意味着制造业企业的AI采用程度每提升一个单位，其新质生产力发展水平将显著提升。这验证了AI作为新型生产工具和要素，通过促进知识创造、优化资源配置、催生新型生产关系等途径，直接赋能制造业转型升级的核心假设。

2. 中介路径打通：动态能力是核心传导机制（证实H2a, H2b, H2c） 中介效应检验是本研究的关键发现。逐步回归和Bootstrap法的结果均表明：

   • 创新能力路径（AI → IN → NQP）：AI采用显著提升了企业的创新能力（技术人员占比和研发强度），而更强的创新能力直接促进了新产品、新市场的开发，丰富了创新性生产要素，从而提升了新质生产力。间接效应系数为0.025，置信区间不含0。
   • 适应能力路径（AI → AD → NQP）：AI采用增强了企业识别和利用市场机会的适应能力（资源配置更灵活），这使得企业能更快调整生产对象和优化资源组合，以适应外部变化，进而提升新质生产力。间接效应系数为0.042。
   • 吸收能力路径（AI → AB → NQP）：AI采用显著提高了企业对外部信息的吸收能力（研发转化倾向），这有助于企业更好地获取、内化新知识，实现资源组合的跃升，最终推动新质生产力发展。此路径的间接效应最强，系数达0.098。 这三条中介路径的证实，系统地揭示了“技术输入（AI）→能力构建（动态能力）→绩效产出（新质生产力）”的内在逻辑，成功打开了作用机制的“黑箱”。

3. 环境权变影响：市场竞争强度的差异化调节作用 研究进一步发现，外部环境显著影响了上述机制的作用强度：

   • 对主效应的调节（证实H3）：市场竞争强度（HHI）正向调节AI采用与新质生产力的关系。即，在竞争越激烈的市场环境中，企业采用AI技术所带来的新质生产力提升效果越明显。因为高竞争压力迫使企业更积极地利用AI分析市场、协同创新，以获取竞争优势。
   • 对中介路径的差异化调节：这是本研究最精细的发现之一。
     • 正向调节创新能力路径（证实H4a）：市场竞争强度强化了创新能力对新质生产力的促进作用。激烈竞争倒逼企业将创新成果快速转化为市场竞争力。
     • 负向调节吸收能力路径（证实H4c）：市场竞争强度反而削弱了吸收能力对新质生产力的促进作用。这是因为在高竞争环境下，企业倾向于快速利用同质化知识应对即时挑战，而吸收能力所依赖的对外部异质性知识的深度获取、消化和转化是一个相对缓慢的过程，与快节奏竞争存在冲突。
     • 对适应能力路径调节作用不显著（H4b不成立）：适应能力对新质生产力的作用不受市场竞争强度的显著影响。作者从中国经济新常态、传统文化中注重调整与风险规避、企业对政策环境敏感、制造业自身重资产长周期特性等角度进行了解释，认为适应能力在中国制造业企业中可能是一种相对稳定和基础性的生存能力。

五、 研究结论与价值意义

本研究得出核心结论：AI采用能够显著提升中国制造业企业的新质生产力发展水平，这一过程主要通过提升企业的创新能力、适应能力和吸收能力这三类动态能力来实现。同时，外部市场竞争环境扮演着重要的权变角色，它整体上强化了AI的赋能效果，但对动态能力不同维度的影响方向不同，尤其会抑制吸收能力作用的发挥。

• 理论价值：

  1. 构建并验证了整合性理论框架：研究首次将动态能力理论系统性地引入AI与新质生产力的研究情境，构建了“AI采用—动态能力（三维度）—新质生产力”的整合模型，为理解数字技术赋能企业高质量发展的微观机制提供了清晰的理论透镜。
  2. 深化了动态能力理论的情境化研究：通过细分动态能力的维度并考察其差异化的中介与调节作用，研究突破了将动态能力视为“普适优势”的局限，揭示了其不同组成部分在特定技术背景（AI）和制度环境（中国市场竞争）下的复杂作用机制，增进了对动态能力作用边界的理解。
  3. 丰富了新质生产力的前因研究：响应了学界对新质生产力微观基础研究的呼吁，从企业能力视角为其前因研究提供了扎实的实证证据，推动了该领域从理论探讨向实证检验的深入。

• 实践价值：

  1. 为制造业企业提供战略指引：研究明确指出，企业不能仅停留在“拥有AI技术”的层面，必须同步培育和提升与之匹配的动态能力，特别是创新能力和适应能力，才能将技术潜力充分转化为实际生产力。
  2. 为应对外部竞争提供决策参考：企业需意识到，在不同竞争环境下，能力建设的侧重点应有所不同。在高度竞争的市场中，应更聚焦于通过AI加速创新迭代；同时，需要设计机制以克服竞争对深度知识吸收过程的潜在抑制。
  3. 为政策制定提供依据：政府在设计推动AI与制造业深度融合、培育新质生产力的政策时，除了鼓励技术投入，还应构建有利于企业动态能力（尤其是创新能力）生长的生态系统，并理解不同市场竞争结构下政策的差异化效果。

六、 研究亮点与创新

1. 研究视角的系统性与精细性：首次从动态能力三维度（创新、适应、吸收）的细分视角，系统揭示了AI赋能新质生产力的多重中介路径，机制分析更为深入和立体。
2. 理论模型的整合性与情境化：成功将技术采纳、组织能力与外部环境纳入一个统一的分析框架，构建了“有调节的中介”模型，深刻揭示了AI作用发挥的边界条件，增强了理论的解释力和现实贴合度。
3. 实证设计的严谨性：基于中国上市公司面板数据，测量方法有据可依，并综合运用了多种稳健性检验和工具变量法处理内生性问题，保证了研究结论的可靠性。
4. 对独特情境的深刻阐释：对“适应能力的调节作用不显著”这一“非显著结果”进行了基于中国经济、文化和行业特性的合理解读，体现了本土管理研究的深度思考，而非简单套用西方理论。

七、 其他有价值内容

本研究在引言和讨论部分，对“新质生产力”的内涵进行了基于文献的界定，强调了其“创新驱动、要素跃升”的核心特征，为后续实证测量奠定了概念基础。同时，研究也客观指出了自身局限，如样本局限于上市公司、动态能力的测量虽有改进但仍可进一步完善等，为未来研究指明了方向。此外，研究支持了“人工智能与管理者协同决策”、“人机互补式创新”等前沿观点，为组织管理与AI融合的讨论提供了实证注脚。