关于“人工智能技术、人工智能叙事与企业价值”研究的学术报告

第一， 研究作者、机构及发表信息 本研究由来自中国对外经济贸易大学商学院的邢晓强、张竹*、何伟轩三位学者合作完成。该研究以学术论文形式发表于国际期刊《Technovation》第149卷（2026年），文章识别码为103349。论文于2024年8月5日收稿，2025年7月8日修订，并于2025年8月21日被接受，最终于2025年8月29日在线发布。

第二， 学术背景与研究目的 本研究属于战略管理与创新管理交叉领域，具体聚焦于人工智能（Artificial Intelligence, AI）对企业价值影响的理论与实证研究。在当前数字经济时代，人工智能被视为重塑商业模式和行业格局的关键变革力量。然而，企业在推进人工智能战略时，普遍存在两种行为：一是实质性投入研发人工智能技术（AI Technology），二是通过沟通和宣传构建关于其人工智能努力的话语或故事（AI Narrative）。现实中，一些企业可能只说不做，或只做不说，导致“言行不一”（Decoupling）的现象。尽管资源基础观（Resource-Based View, RBV）已广泛应用于分析技术资源的价值，而意义建构与意义赋予理论（Sensegiving Theory）常用于解释组织叙事的影响，但现有研究鲜少同时探讨人工智能技术和人工智能叙事如何交互作用，共同影响企业价值。

因此，本研究旨在填补这一空白，核心研究问题是：人工智能技术和人工智能叙事如何相互作用并影响企业价值？具体目标包括：1）分别检验人工智能技术和人工智能叙事对企业价值的独立影响；2）探究两者之间的协同效应或脱耦效应；3）考察管理能力（Managerial Ability）和企业声誉（Firm Reputation）在上述关系中的调节作用。通过整合资源基础观和意义赋予理论，本研究试图为企业如何有效利用人工智能提升价值提供更全面的理论解释和实践指导。

第三， 详细研究流程与方法 本研究采用大样本面板数据分析，流程严谨，包含以下几个核心步骤：

步骤一：样本选择与数据收集。 研究选取2016年至2022年间中国A股上市公司作为初始样本。选择2016年为起点，是因为该年被广泛认为是人工智能发展的一个关键里程碑（如AlphaGo事件、中国“人工智能元年”）。数据来源多样化以确保全面性： * 人工智能技术数据： 从中国国家知识产权局、PatSnap数据库和Derwent Innovations Index数据库收集人工智能相关专利的申请数据，以衡量企业的实质性AI技术投入。 * 人工智能叙事数据： 从上市公司年度报告的“管理层讨论与分析”（MD&A）部分，通过文本挖掘技术提取人工智能相关关键词的出现频率，以此衡量企业对AI的沟通和宣传力度。 * 企业价值及其他财务数据： 主要来自中国证券市场与会计研究（CSMAR）数据库，企业价值以托宾Q值（Tobin‘s Q）度量。 * 企业声誉数据： 来自中国研究数据服务平台（CNRDS），通过计算每家公司的正面新闻报道数量来衡量。 * 管理能力数据： 采用Demerjian等人（2012）的方法，结合数据包络分析（DEA）和Tobit回归，从企业整体效率中剥离出管理者特有的能力部分。 在剔除数据缺失及被特殊处理（ST/*ST）的公司后，最终样本包含4,292家公司在7年间的18,953个公司-年度观测值。

步骤二：变量定义与度量。 这是本研究的创新点之一，对核心构念进行了精确操作化。 * 因变量：企业价值。 使用托宾Q值（市场价值/资产重置成本）衡量，因其能同时捕捉短期绩效和长期前景。 * 自变量1：人工智能技术。 基于中国国家知识产权局和世界知识产权组织的分类，构建了一个包含AI硬件平台、通用AI技术、关键AI技术和AI应用领域四大类别的关键词列表（详见附录A）。使用公司当年人工智能专利申请数量的自然对数（加1处理）作为度量指标。采用专利申请而非授权专利，是为了更及时、稳定地反映技术活动。 * 自变量2：人工智能叙事。 使用Python程序对上市公司年报MD&A部分进行文本挖掘，统计上述AI关键词出现的总频率，并取其自然对数（加1处理）作为度量指标。这反映了企业在官方沟通中对AI的强调程度。 * 调节变量1：管理能力。 如前所述，采用DEA-Tobit两阶段法计算出的残差值，代表剥离了公司特征影响后的管理者能力。 * 调节变量2：企业声誉。 使用CNRDS平台中公司正面新闻报道数量的自然对数（加1处理）来衡量。 * 控制变量： 包括杠杆率、流动性、盈利能力（资产回报率）、营运效率（总资产周转率）、两职合一、公司规模、公司年龄、产权性质（是否为国有企业），以及年度和行业固定效应，以控制其他潜在影响因素。

步骤三：数据分析模型。 研究主要采用面板数据固定效应模型进行回归分析，以控制不随时间变化的公司异质性。通过Hausman检验确认了固定效应模型优于随机效应模型。为检验调节效应，研究构建了交互项（如AI技术×AI叙事、AI技术×管理能力、AI叙事×企业声誉）并纳入模型。此外，研究还通过分组回归（如按AI叙事或AI技术高低分组）来进一步验证交互作用。所有模型均进行了方差膨胀因子（VIF）检验，确认不存在严重的多重共线性问题。

步骤四：稳健性检验。 为确保研究结论的可靠性，作者进行了一系列严谨的稳健性检验： 1. 倾向得分匹配（PSM）： 为处理样本选择偏差，为高AI技术（或高AI叙事）公司匹配了特征相似的低AI技术（或低AI叙事）公司，重新回归后结果依然显著。 2. 工具变量两阶段最小二乘法（IV-2SLS）： 为缓解潜在的内生性问题（如企业价值高的公司更有资源投资AI），使用“同地区、同行业、同年度其他企业的数字化转型平均水平”作为工具变量。第一阶段显示工具变量与AI技术和AI叙事显著相关，第二阶段回归结果支持主结论。 3. 平均边际效应（AME）分析： 计算了AI技术和AI叙事对企业价值的平均边际效应，其置信区间均大于零，证实了正向影响的存在。 4. 滞后变量模型： 将核心自变量滞后三期，检验其长期效应，结果依然稳健。 5. 异方差稳健标准误及子样本检验： 调整标准误以应对异方差问题；并剔除了AI技术或AI叙事为零的观测值重新回归，主要结论不变。

第四， 主要研究结果及其逻辑关系 研究通过一系列模型检验，得出了丰富且层层递进的实证结果：

结果一：人工智能技术与人工智能叙事均能独立提升企业价值。 在控制了其他变量后，模型2显示，AI技术的系数显著为正（β = 0.607, p < 0.01），假设H1得到支持。这表明企业实质性的人工智能创新活动被市场认可，能够提升企业价值。模型3显示，AI叙事的系数也显著为正（β = 0.092, p < 0.01），假设H2得到支持。这意味着即使企业尚未取得大量AI技术成果，积极沟通其AI战略和愿景也能向利益相关者传递积极信号，从而获得更高的市场估值。这两个结果为后续分析两者交互作用奠定了基础。

结果二：人工智能技术与人工智能叙事存在显著的协同效应，脱耦（Decoupling）则会损害企业价值。 模型4中，AI技术与AI叙事的交互项系数显著为正（β = 0.334, p < 0.01）。这表明，当企业同时具备高水平的AI技术和高水平的AI叙事时，对企业价值的提升作用最强，即两者相互强化。为深入探究“言行不一”的影响，研究者构建了“AI脱耦”指标（衡量企业AI技术排名与AI叙事排名之间的绝对差距）。模型5显示，AI脱耦的系数显著为负（β = -0.002, p < 0.05）。这意味着，企业的AI实践与宣传之间的差距越大，企业价值越低。这从反面印证了协同的重要性。 进一步的子样本分析（表4）提供了更细致的证据：模型6显示，只有在高AI叙事组中，AI技术对企业价值的正向影响才显著；在低AI叙事组中则不显著（假设H3a得证）。模型7显示，只有在高AI技术组中，AI叙事对企业价值的正向影响才显著；在低AI技术组中则不显著（假设H3b得证）。这一结果逻辑清晰地表明：没有有效沟通的技术投入，其价值难以被市场充分感知；而没有技术支撑的空洞宣传，则无法获得市场的信任。两者必须匹配才能最大化价值。

结果三：管理能力与企业声誉是关键的情境调节因素。 模型8（表5）显示，AI技术与管理能力的交互项系数显著为正（β = 0.674, p < 0.05），支持假设H4。这表明，高水平的管理者能够更有效地识别、配置和重组AI技术资源，将其转化为难以模仿的竞争优势，从而放大AI技术对企业价值的积极影响。模型9显示，AI叙事与企业声誉的交互项系数显著为正（β = 0.047, p < 0.05），支持假设H5。这表明，拥有良好声誉的企业，其发布的AI叙事更具可见度和可信度，更能获得利益相关者的认同与支持，从而增强了AI叙事提升企业价值的效果。

结果四：补充分析发现“技术先行”策略可能更具优势。 在探讨脱耦的具体形态时，研究进一步分析了“高AI技术-低AI叙事”和“低AI技术-高AI叙事”两种策略的绩效差异。通过计算“AI战略”指标（AI技术排名减去AI叙事排名），模型10（表6）显示该指标系数显著为正（β = 0.002, p < 0.01）。这表明，相对于“说得多做得少”的企业，“做得多说得少”（即技术能力领先于宣传力度）的企业市场表现更优。这暗示了在AI领域，扎实的技术积累是根本，其价值最终会被市场发现和认可。

第五， 研究结论与价值意义 本研究得出核心结论：人工智能技术和人工智能叙事均是企业价值的重要驱动因素，但二者必须协同一致、避免脱钩，才能实现价值最大化。管理能力和企业声誉是强化这两条路径的关键边界条件。

理论贡献： 1. 拓展了AI研究视角： 首次在实证研究中明确区分并同时度量了AI技术（“做”）和AI叙事（“说”）两个维度，揭示了它们独立及交互影响企业价值的复杂机制，弥补了现有文献多关注单一维度的不足。 2. 深化了资源基础观（RBV）： 不仅将AI技术视为一种战略资源，还阐明了管理能力这一无形资源在将AI技术转化为可持续竞争优势过程中的关键互补作用，丰富了资源利用和资源编排理论在数字化情境下的应用。 3. 延伸了意义赋予理论（Sensegiving Theory）： 将原本用于解释战略变革中意义沟通的理论，成功应用于AI这一具体的技术创新情境。研究表明，AI叙事是企业在AI变革中进行意义赋予的重要手段，而企业声誉则增强了这种沟通的可信度和有效性。

实践启示： 1. “言行合一”是关键： 企业管理者应避免在AI战略上“只做不说”或“只说不做”。必须将实质性的技术研发与清晰、持续的战略沟通相结合，以建立信任并最大化价值。 2. 提升管理能力是支撑： 企业需要培养和引进具备AI洞察力和资源整合能力的管理者。卓越的管理能力是解锁AI技术潜力、实现人机协同创造独特优势的必要条件。 3. 维护企业声誉是放大器： 良好的声誉是AI叙事发挥效用的“信用背书”。企业应将声誉管理融入整体战略，确保其关于AI的承诺和叙事被视为可靠，从而更有效地获取外部资源和支持。

第六， 研究亮点 1. 概念创新与精细度量： 创新性地提出并操作化了“人工智能叙事”这一构念，并开发了基于专利和文本挖掘的量化方法，分别精确衡量企业的AI技术实力和AI宣传力度，为后续研究提供了可借鉴的测量工具。 2. 理论整合与机制深化： 成功整合了资源基础观（侧重内部资源）和意义赋予理论（侧重外部沟通），构建了一个解释AI如何影响企业价值的整合性理论框架，并深入揭示了“技术-叙事”协同、管理能力调节、声誉调节等多重作用机制。 3. 严谨的实证设计与稳健结论： 基于大规模、多来源的中国上市公司面板数据，采用固定效应模型、PSM、IV-2SLS等多种计量方法系统处理内生性问题，结论稳健可靠。对“脱耦”现象及其不同表现形式的深入分析，体现了研究的细致与深度。 4. 情境化洞察： 研究基于中国市场的样本，为理解新兴经济体中企业如何通过AI获取竞争优势提供了重要的实证证据，具有独特的情境价值。

第七， 其他有价值的内容 本研究在讨论部分坦诚指出了其局限性，并为未来研究指明了方向：1）样本局限于中国企业，未来可拓展至其他新兴或发达市场进行跨文化比较；2）主要关注公司层面因素，未来可纳入行业或地区层面的调节变量；3）未区分AI叙事的情绪（正面/负面），未来可引入情感分析进行更细致的探讨；4）主要关注财务价值（托宾Q），未来可研究AI对非财务绩效（如创新产出、社会责任）的长期影响。这些思考体现了研究的科学性和开放性。