人工智能驱动制造新范式：一项关于行业可供性提升创新质量的研究深度报告
一、研究团队与发表信息
本项研究由燕山大学经济管理学院潘宏亮教授（兼任燕山大学创新与创业研究中心研究员）、顾航硕士研究生及叶璐讲师共同完成。其研究成果《人工智能行业可供性对制造企业创新质量的影响》已在中国学术期刊《科研管理》正式网络首发，网络首发日期为2025年12月12日。论文收稿日期为2024年12月22日，其最终版本已于2025年7月17日完成修回。该研究受到国家社会科学基金重点项目“数字产业集群多主体共生互馈行为的演化机理与保障策略研究”的资助。
二、学术背景与研究目的
本研究立足于创新管理与数字经济交叉领域，聚焦于人工智能技术在制造业的融合与应用。研究的核心动因在于，随着ChatGPT、DeepSeek等大模型深度渗透制造企业网络，传统的创新协作模式已被重构，仅凭单个企业难以满足创新质量所要求的新颖性、创造性与实用性。尽管现有文献已从产学研合作、专利补贴等外部视角探讨了企业创新质量，但这些研究未能充分支撑在人工智能应用新环境中制造企业实现创新高质量发展的现实需求。人工智能的颠覆性特质（如高精度记录、算法迁移）正在深化产业链协同，但一个关键的理论与实践问题尚未得到系统解答：同行业内其他企业的人工智能应用（即“行业可供性”）能否以及如何激发目标制造企业的创新活力，从而提升其创新质量？
为了回答这一问题，本研究引入了“可供性理论”。该理论源于生态心理学，在管理学中被引申为描述特定技术应用与用户使用动机之间互动兼容性的“行动潜能”。基于此，研究者提出了“人工智能行业可供性”这一核心概念，并将其定义为：同行企业的人工智能应用为制造企业实现预期目标所提供的行动潜能。这一概念包含两个维度：一是源于人工智能本身客观属性（如传递性、渗透性、连接性）的“技术可供性”；二是源于目标企业采纳应用以实现信息与竞争均衡的主观动机的“可供性实现”。研究旨在填补现有文献的两大空白：第一，将人工智能对制造企业创新的研究视角从企业内部应用拓展至外部行业生态的“可供性”关系；第二，系统探究在这一作用过程中，企业面临的压力表现（如破产风险、知识保护）如何影响其最终效果。最终，研究目标是通过理论与实证分析，全面揭示人工智能行业可供性影响制造企业创新质量的内在机制与边界条件，为政策制定与企业实践提供科学依据。
三、详细研究设计与工作流程
本研究遵循严谨的实证社会科学研究范式，工作流程主要包括理论假设构建、数据收集处理、变量测度、模型构建与多层次实证检验。
流程一：理论模型构建与假设提出 研究首先基于可供性理论，构建了“技术可供性 → 可供性实现 → 预期目标实现”的逻辑链条，并据此推导出核心研究假设。 1. 主效应假设（H1）：人工智能行业可供性能直接提升制造企业创新质量。其理论路径在于，行业可供性能构建行业数据网络、提炼数据价值，并形成行业技术标准，从而驱动企业进行互补式与差异式创新。 2. 中介机制假设（H2 & H3）：人工智能行业可供性通过两条路径间接提升创新质量。一是“吸收效应”（Absorption Effect），即通过促进企业对外部知识的搜寻、吸收与转化能力来实现；二是“同化效应”（Assimilation Effect），即通过促使企业模仿并加强自身人工智能应用水平来实现。 3. 调节效应假设（H4 & H5）：压力表现会强化上述主效应。具体分为“组织压力表现”和“技术压力表现”，分别以“破产风险压力”和“知识保护压力”作为代理变量。研究假设二者均能正向调节人工智能行业可供性与创新质量的关系。
流程二：研究样本与数据来源 研究选取2013年至2022年间中国A股上市制造企业作为初始样本。数据来源多元化：人工智能相关数据通过对企业年报进行文本分析获取；企业财务与治理数据来源于CSMAR和CNRDS数据库；专利数据用于计算创新质量及其他相关变量。为确保数据质量，研究剔除了ST/PT类公司、关键数据缺失的样本，并对所有连续变量进行了上下1%的缩尾处理。最终获得了涵盖10,735个“企业-年度”观测值的非平衡面板数据。
流程三：变量定义与测度方法 1. 被解释变量 - 制造企业创新质量：采用“专利知识宽度”指标进行衡量。该指标计算企业专利所覆盖的国际专利分类号（IPC）大类的分布均匀度，分布越广、越均匀，说明专利技术的复杂性和影响力越强，越能体现创新的质量。具体计算公式为赫芬达尔-赫希曼指数的变体，值越大代表创新质量越高。 2. 核心解释变量 - 人工智能行业可供性：测度分为两步。首先，使用文本分析法，统计企业年报中与人工智能相关的关键词词频，以此度量单个企业的人工智能应用水平。其次，计算同行业（基于证监会行业代码前三位分类）内除目标企业外所有其他企业人工智能应用水平的平均值，此平均值即代表目标企业所面临的“人工智能行业可供性”水平。 3. 中介变量： * 吸收效应：用企业年度引用其他企业专利的次数加1取对数来度量，引用越多，代表知识吸收能力越强。 * 同化效应：直接用目标企业自身的人工智能应用水平（即年报AI词频）来度量。 4. 调节变量： * 破产风险压力：采用经过调整的Altman Z值（取相反数）来度量，值越大代表破产风险压力越大。 * 知识保护压力：采用企业注册地所在省份的知识产权发展指数来度量，指数越高代表地区知识产权保护力度越强，企业面临的知识保护压力（或环境）越显著。 5. 控制变量：为控制其他潜在影响因素，模型引入了企业财务特征（资产负债率、资产回报率、现金流等）、公司治理特征（董事会规模、独立董事比例、股权集中度等）以及企业年龄等变量，并在回归中控制了企业个体、年份和行业固定效应。
流程四：实证模型构建与检验方法 1. 基准回归模型：构建双向固定效应模型，直接检验人工智能行业可供性对制造企业创新质量的影响。 2. 内生性处理与稳健性检验： * 工具变量法：为缓解反向因果关系（创新质量高的企业可能更主动构建AI生态），研究引入“地方互联网接入端口数”作为工具变量进行两阶段最小二乘估计。 * 倾向得分匹配法：将样本按行业中位数分为高/低AI可供性两组进行匹配，以缓解样本选择偏误。 * 其他检验：包括更换为Tobit模型、更换被解释变量为专利申请数或被引次数、调整行业分类标准、对解释变量进行滞后处理等。 3. 机制检验模型：采用逐步回归法，分别检验吸收效应和同化效应的中介作用是否显著。 4. 调节效应检验模型：在基准模型中加入人工智能行业可供性与调节变量（破产风险压力、知识保护压力）的交互项，检验其系数显著性。 5. 异质性分析：通过分组回归，考察企业内在特征（数字创新偏向性 vs. 实体创新偏向性）和外部情境（高系统风险时期 vs. 低系统风险时期）对主效应的影响差异。
四、主要研究结果及其逻辑关联
结果一：基准回归证实核心主效应 在控制了一系列变量和固定效应后，基准回归结果显示，人工智能行业可供性的系数为0.3193，且在1%的水平上显著为正。这意味着，同行业内其他企业的人工智能应用水平每提升一个单位，目标制造企业的创新质量将显著提升。这一结果为假设H1提供了强有力的初步支持。
结果二：稳健性检验巩固结论可靠性 一系列严谨的检验确保了结论的稳健性。工具变量法的第一阶段回归中，工具变量与内生变量显著相关，且通过了弱工具变量检验；第二阶段回归中，人工智能行业可供性对创新质量的影响依然显著为正。倾向得分匹配、更换模型与变量、滞后处理等所有稳健性检验均未改变核心结论。这些结果排除了反向因果、样本选择偏误和测量误差等内生性问题的干扰，使主效应的结论更加可信。此步骤从方法论上强化了结果一的可信度，为后续深入分析机制和边界条件奠定了坚实的基础。
结果三：中介机制路径得到验证 机制检验揭示了人工智能行业可供性发挥作用的“黑箱”。 1. 吸收效应路径：首先，人工智能行业可供性显著正向影响企业的专利引用次数（吸收效应代理变量），系数为0.4729且显著。其次，当将吸收效应变量与AI可供性一同放入回归方程时，两者对创新质量的影响均显著为正。这证实了“AI行业可供性 → 增强知识吸收能力 → 提升创新质量”的传导链条，支持了假设H2。 2. 同化效应路径：首先，人工智能行业可供性显著正向影响企业自身的人工智能应用水平（同化效应代理变量），系数高达1.0346且显著。这表明行业标杆和标准确实产生了模仿与同化作用。其次，企业自身AI应用水平与创新质量显著正相关。这证实了“AI行业可供性 → 提升自身AI应用水平 → 提升创新质量”的另一条传导链条，支持了假设H3。 这两条机制检验结果是对结果一的深化解释，说明了行业可供性不仅是简单的“环境利好”，而是通过激发企业内在的“学习吸收”和“模仿升级”两种具体行为过程，最终催化了创新质量的提升。
结果四：压力表现的调节作用显著 调节效应检验发现了影响主效应强度的边界条件。 1. 破产风险压力的正向调节：交互项系数为0.0143且在1%水平上显著。这表明，当企业面临的破产风险压力越大时，人工智能行业可供性对创新质量的提升作用反而越强。这验证了“穷则思变”的倒逼机制，支持了假设H4。 2. 知识保护压力的正向调节：交互项系数为0.9675且在1%水平上显著。这与部分担忧相反，表明在知识产权保护力度强的环境中，人工智能行业可供性的积极作用更明显。这可能是因为强保护规范了知识转移，减少了机会主义行为，使得行业内的技术互动更加健康、可持续，从而支持了假设H5。 此部分结果将研究从“是否存在影响”推进到“在何种情境下影响更大”，揭示了企业所处的风险与制度环境如何塑造其利用行业AI资源的动机与效果，极大地丰富了理论内涵。
结果五：异质性分析揭示差异化影响 分组回归提供了更精细的管理启示。 1. 内部特征异质性：对于“数字创新偏向性”较高的企业（即数字技术专利占比较高的企业），人工智能行业可供性的促进效应更为明显。这是因为这类企业本身更关注数字技术，与行业AI生态的兼容性和利用效率更高。 2. 外部情境异质性：在“高系统风险”时期（以2018年中美经贸摩擦为界），人工智能行业可供性的促进效应更强。这表明在外部冲击下，企业更倾向于“抱团取暖”，通过加强与行业智能生态的联结来共同抵御风险、寻求创新突破。 异质性分析不仅验证了主效应的普适性，更重要的是，它指出了政策与实践需要关注的重点对象和关键时机，使研究结论更具操作性和指导价值。
五、研究结论与价值意义
本研究系统论证并得出了以下核心结论：人工智能行业可供性能够显著提升制造企业创新质量；其作用通过增强企业知识吸收能力（吸收效应）和强化企业自身人工智能应用基础（同化效应）两条并行机制实现；企业的破产风险压力与外部知识保护压力不仅不会削弱、反而会增强上述促进作用；数字创新偏向型企业及处于高系统风险环境中的企业，更能从人工智能行业可供性中获益。
本研究的科学价值在于：理论层面，首次将可供性理论系统应用于人工智能与制造企业创新质量的研究中，构建了“行业可供性→双中介机制→创新质量”的理论框架，并创新性地引入“压力表现”作为调节变量，揭示了压力转化为动力的条件，拓展了可供性理论和企业创新理论的研究边界。方法论层面，综合运用文本分析、面板数据模型、工具变量、机制与调节检验等多种方法，为类似议题提供了严谨的实证研究范例。
研究的应用价值与管理启示显著：对企业而言，应主动嵌入并善用行业人工智能生态，通过“向外吸收知识”和“向内同化技术”双轮驱动提升创新质量；应化压力为动力，将风险挑战视为利用行业智能资源进行变革的契机；数字技术基础好的企业应发挥带头作用。对政策制定者而言，应着力培育健康的行业人工智能生态，促进数据与知识的合规有序流动；完善知识产权保护体系，为技术创新提供稳定预期；在系统风险时期，应出台政策鼓励企业通过智能化协同创新共渡难关。
六、研究亮点