Intelligent Transformation, Economic Policy Uncertainty and Manufacturing Innovation: From the Perspective of Innovation Motivation
-
摘要: 智能化转型是推动数实融合、加速制造业创新发展的关键驱动力。采用2015—2022年沪深A股制造业上市企业数据，通过理论分析与实证检验，从创新动机视角出发，考察智能化转型对制造业创新的直接影响效果、经济政策不确定性的间接调节机制及多维度异质性特征。研究结果表明，智能化转型能促进企业创新，且对实质性创新的促进作用更强，该结论经过一系列稳健性处理后保持不变。进一步将智能化转型分为智能化转型广度和智能化转型深度进行分析，发现前者具有促进效应而后者具有抑制效应。机制分析表明，经济政策不确定性在智能化转型和企业创新之间具有调节作用，总体上会弱化智能化转型对企业创新的促进作用，但对谋求长期竞争优势的企业而言，反而能增强智能化转型对实质性创新的促进效果。异质性分析显示，处于生命周期衰退期阶段、高人力资本结构及国有股权性质的样本企业，其智能化转型对创新的促进作用更为显著。因而企业应着眼未来，以实质性创新打造长期竞争优势；政府应稳定政策预期，为企业创新营造良好环境。政企双向奔赴，方能推动制造业的智能化转型向纵深发展。Abstract: Intelligent transformation is the key driving force to promote the digital-real integration and accelerate the development of manufacturing innovation. Based on the data of listed manufacturing enterprises in Shanghai and Shenzhen A-share markets from 2015 to 2022, this paper investigates the direct impact of intelligent transformation on manufacturing innovation, the indirect regulation mechanism of economic policy uncertainty and the multi-dimensional heterogeneity from the perspective of innovation motivation through theoretical analysis and empirical testing. The findings indicate that intelligent transformation promotes corporate innovation and has a stronger role in fostering substantive innovation. This conclusion is maintained after a series of robustness tests. Intelligent transformation is further analyzed by dividing it into the breadth and the depth of intelligent transformation. In addition, it is found that the former has a facilitating effect while the latter has an inhibiting effect. The mechanism analysis reveals that economic policy uncertainty has a moderating effect between intelligent transformation and enterprise innovation, weakening the facilitating effect of intelligent transformation on enterprise innovation in general; however, it enhances the facilitating effect of intelligent transformation on substantive innovation for enterprises seeking long-term competitive advantage instead. The heterogeneity analysis shows that the promoting effect of intelligent transformation on innovation is more significant for sample enterprises with high-level human capital structure and state-owned equity structure in the decline stage of the life cycle. In conclusion, enterprises should focus on the future and create long-term competitive advantages with substantive innovation. The government should stabilize policy expectations and create a good environment for enterprise innovation. At the same time, both government and enterprises should reach out to each other, to promote in-depth development of intelligent transformation in manufacturing.
-
一、 引言
伴随着人工智能、大数据、云计算为代表的新一代信息技术与制造业的加速融合，我国正从“中国制造”逐步转向“中国智造”。与此同时，智能化日益成为企业创新的重要突破口。2021年底，工业和信息化部等八个部门联合印发了《“十四五”智能制造发展规划》，提出要以新一代信息技术与先进制造技术的深度融合为主线，深入实施智能制造工程，着力提升创新能力、供给能力、支撑能力和应用水平，充分体现了国家以科技创新推动产业创新的宏图构想。创新是驱动经济增长的关键引擎，是我国发展新质生产力、实现经济高质量发展的动力之源。根据科学技术部的统计数据，2022年我国全社会研发经费达到3.09万亿元，全球创新指数上升至世界第11位，创新实力明显提高①。然而在一些关键领域、关键技术方面，我国仍面临“卡脖子”难题，与科技发达国家相比，一些颠覆性技术和前沿技术的创新差距尤其明显。创新的落脚点在企业，企业如何创新是一项战略性决策，需要充分考虑内部资源与外部环境。创新本身所具有的高投入、高风险等特征，在很大程度上会限制企业创新活动的顺利进行(齐红倩等，2023)[1]。在数实融合背景下，如何通过智能化转型推动企业创新，是当前企业在高质量发展过程中亟需关注的重点问题。
① 参见：国新办举行“权威部门话开局”系列主题新闻发布会介绍“深入实施创新驱动发展战略，加快建设科技强国”有关情况，http://www.scio.gov.cn/xwfb/gwyxwbgsxwfbh/wqfbh_2284/49421/49612/index_m.html。
二、 文献综述及本文创新点
随着数字经济的崛起和人工智能技术的广泛应用，智能化转型成为学界关注的热点。关于智能化转型的经济效应，相关研究主要体现在三个方面。一是智能化转型对劳动力就业及其收入的影响。如Acemoglu和Restrepo(2020)[2]通过研究发现，智能化转型可能会减少劳动力就业；刘洋等(2023)[3]进一步提出，这一效应对非研发型劳动力的影响尤其明显；黄志和程翔(2023)[4]认为长期来看，智能化转型可提高劳动收入水平，缩小技能收入差距。二是智能化转型对企业发展的影响。如林熙等(2023)[5]提出，智能化可在促进生产技术与减排技术上“双管齐下”，有效推动企业绿色发展；沈坤荣等(2024)[6]认为，智能化转型能通过人力资本结构升级、强化企业信息化能力赋能企业高质量发展。三是智能化转型对企业绩效及价值链位置的影响。如岳宇君和顾萌(2023)[7]的研究发现，智能化转型能通过差异化战略、成本领先战略促进企业的业绩；祝树金等(2022)[8]提出，智能化发展有助于我国制造业企业实现转型升级和向全球价值链中高端攀升。
关于智能化转型的创新效应，多数文献认为，智能化转型能推动企业创新。如屈小博和吕佳宁(2022)[9]的研究发现，采用工业机器人的企业，其在创新投入、创新产出、创新潜能等方面更具优势，能更好助力企业创新；睢博和雷宏振(2021)[10]同样验证了工业智能化对企业创新的正向作用。但也有学者认为，智能化转型具有长期性和不确定性，投资成本在一定时期内可能会大于投资收益，从而企业创新绩效在前期可能出现下降现象(孟凡生等，2022)[11]；Haug等(2020)[12]的研究也发现，智能制造会引发生产与管理系统的刚性，从而妨碍企业创新绩效的提升。关于智能化转型对企业创新的作用机制，相关研究认为智能化转型主要通过缓解融资约束(尹洪英和李闯，2022)[13]、扩大研发费用支出(王磊等，2023)[14]、提高劳动多样性(邓悦和蒋琬仪，2022)[15]、优化要素配置结构(丁焕峰等，2023)[16]、促进产学研合作、提高创新效率(李逸飞，2023)[17]等途径促进企业创新。
已有研究对本文分析智能化转型与企业创新的关系具有重要启发，但存在以下两点不足：一是已有文献大多是基于总体角度探讨二者间的关系，而缺少从不同维度和企业创新的不同动机进行深入探究；二是已有文献多从企业内部探讨智能化转型影响企业创新的潜在渠道，而鲜有关注外部因素对二者关系的影响。鉴于此，本文一方面将从企业创新动机视角出发，分别探讨智能化转型对实质性创新和策略性创新的影响，并从智能化转型的深度与广度两个方面分析其影响效应；另一方面将从企业外部环境入手，进一步考察经济政策不确定性如何影响智能化转型与企业创新的关系。
三、 理论分析与研究假设
（一） 关于智能化转型与企业创新
在新一代信息技术的冲击下，智能技术与企业的融合程度不断加深。所谓智能化转型，是指传统制造业通过智能化技术、网络技术等新一代信息技术以及先进制造技术，对企业的生产经营和组织管理模式进行优化升级(孟凡生和赵刚，2018)[18]。智能化转型与企业创新的互动关系主要体现在三个方面。首先，企业智能化转型不仅可通过制造技术进步引致企业创新突破，通过优化企业的组织管理模式亦可为企业的创新决策赋能。如丁焕峰等(2023)[16]的研究发现，智能装备与传统制造业融合能直接促进生产效率的提升，有利于触发企业的创新活力；Haefner等(2021)[19]认为智能化转型打破了企业内部的信息处理约束，为各个部门搭建了信息桥梁；Pietronudo等(2022)[20]通过研究发现，跨部门的协作效率的提高，有利于实时整合研发决策信息，便于企业在创新过程中做出更精准高效的决策。其次，智能化转型能驱动企业人力资本结构“高级化”，增强企业的整体创新能力。如董明放和王郭(2024)[21]发现智能技术的应用能促使企业衍生出新的、要求更高的就业岗位，而为了匹配这些岗位，企业会雇佣更多的具有高级知识和技能的劳动力；杜善重等(2024)[22]发现高技能劳动力不仅具有良好的知识储备，而且能快速吸收新知识并加以应用，可以更好地助力企业创新。最后，智能化转型可通过“干中学”促进企业创新。如黄先海等(2023)[23]提出，智能化转型可视作一种内涵技术进步的资本投入，能帮助企业迅速进行知识积累；师博(2020)[24]的研究表明，通过强大的知识外溢能力可放大企业的“干中学”效应，增强企业的学习与实践能力，推动企业不断通过技术进步实现企业创新。
基于上述分析，本文提出假设：
H1：智能化转型能促进企业创新。
不同企业有着各自独特的创新动机，并会在很大程度上影响企业的创新行为，继而会衍生出不同的创新效果。如黎文靖和郑曼妮(2016)[25]在研究产业政策对企业创新的影响时，提出了两种不同动机的创新行为：实质性创新和策略性创新。其中，实质性创新是指新技术的发现与创造，是激发现有技术根本性变革的创新行为，独特的核心技术创新能为企业塑造长期竞争优势，促进企业的可持续发展。策略性创新则是出于某种特殊目的，如为了迎合政府政策(张泽南等，2023)[26]、应对资本市场压力(林志帆等，2021)[27]而进行的一种价值较低的创新行为。比较而言，实质性创新脱离了既有范式，需要依据创造性的想法研发出具有长远影响的新技术及新产品(刘博等，2024)[28]，因而创新难度较大。智能技术能有效整合企业创新资源，摆脱原有创新模式，挖掘新的创新点并进行转化，因而智能化转型对实质性创新具有不可替代的作用。而策略性创新只是在原有产品的基础上进行重复提炼，对企业的研发能力要求较低，故智能化转型对策略性创新的促进作用有限。
基于上述分析，本文提出假设：
H2：相较策略性创新，智能化转型对企业实质性创新的促进效果更强。
（二） 关于经济政策不确定性的调节作用
政策调整带来的不确定性通常会引致企业生产经营环境发生波动，进而会对智能化转型与企业创新之间的关系造成一定程度冲击。如Gulen等(2016)[29]提出，企业难以预判政府制定政策的动向，政府若做出改变企业经营环境的政策决定，必定会给企业的发展带来不确定性；康丽群等(2021)[30]通过研究发现，当经济政策不确定性水平上升时，创新决策所面临的信息量和复杂性增加，智能化转型带来的信息处理效应会受到一定程度的削弱，进而使得企业创新决策更为保守。经济政策不确定性增加还会对企业劳动力需求产生冲击，导致企业人力资本结构受损，不利于企业创新。如辛大楞(2018)[31]基于实物期权理论的研究指出，由于劳动雇佣及解雇成本的存在，经济政策不确定性水平上升会提高企业未来在劳动市场上雇佣行为的期权价值，企业会因此减少当前劳动力的雇佣，而人才聚集效应受损会减弱企业的创新能力。因此，经济政策不确定性水平上升会弱化智能化转型对企业创新的促进作用；反之则可对企业创新发挥更大促进作用。
基于上述分析，本文提出假设：
H3：总体来看，经济政策不确定性在智能化转型与企业创新之间发挥负向调节作用。即相同的智能化转型水平下，经济政策不确定性越高，越不利于企业的创新。
智能化转型对企业创新的影响还可能因企业创新的类型不同而有所不同。对实质性创新而言，经济政策不确定性水平上升，外部环境的动态性增强，可能会促使企业创新资源迅速迭代与更新，进而可推动新知识、新机会和新信息不断涌现，引发新的技术进步，促进企业的实质性创新(弋亚群等，2023)[32]。同时，致力于实质性创新的企业往往更偏好未来的价值创造，即使面临经济政策不确定性，它们依旧会持续进行创新。为分散经济政策的不确定性增加带来的风险，企业通常会主动与外部创新合作伙伴联结，以实现持续创新(王新成等，2021)[33]。事实上，智能化转型也为企业开辟了迅速接入外部创新资源的通道，使得企业能快速识别并结盟创新合作伙伴，通过资源共享与优势互补，有效分散创新风险，因而有利于企业展开实质性创新行为。而对策略性创新而言，企业是受政策激励而产生“被动式”的创新行为。当经济政策不确定性上升时，政府有关创新的补贴和优惠政策可能会发生变化(崔也光等，2021)[34]。由不确定性引起的环境复杂化会令智能化转型的信息处理效应受损，企业无法精准捕捉政府意向，因而出于规避风险的考虑，企业会持观望态度，进而减少策略性创新行为。
基于上述分析，本文提出假设：
H4：经济政策不确定性在智能化转型与企业实质性创新之间发挥正向调节作用。即相同智能化转型水平之下，经济政策不确定性越高，越有利于企业进行实质性创新；
H5：经济政策不确定性在智能化转型与企业策略性创新之间发挥负向调节作用。即相同智能化转型水平之下，经济政策不确定性越高，越不利于企业进行策略性创新。
四、 研究设计
（一） 模型构建
为检验智能化转型对制造业企业创新的直接效应，参考张泽南等(2023)[26]的做法，构建固定效应模型如下：
$$ innovation_{it}=\alpha_0+\alpha_1 int_{it}+\gamma K_{i t}+\delta_i+\varepsilon_t+\mu_{i t} $$ (1) 其中：innovationit为被解释变量，表示企业i在第t年的创新水平，具体包括企业实质性创新(inva_subst)、企业策略性创新(inva_strat)以及企业创新总量(inva_total)；intit为核心解释变量，表示企业i在第t年的智能化转型程度；Kit为控制变量集合，包括企业规模(scale)、政府补助(sub)、企业年龄(age)、托宾Q值(tq)、资产负债率(lev)、研发投入(invest)、现金流量水平(cash)以及资产收益率(roa)共8个；δi代表个体固定效应，εt代表时间固定效应，μit为随机扰动项。
（二） 变量测度
1. 解释变量：企业智能化转型(int)
企业智能化转型程度的测度目前主要有三种方法：一是以虚拟变量作为企业智能化转型的代理变量[15]；二是从投入与应用角度构建智能化指标体系(张吉昌等，2023)[35]；三是使用企业年报中与智能化有关的关键词词频来刻画(张树山和董旭达，2024；刘进和万志强，2023)[36-37]。但前两种方法均无法准确、全面地衡量企业的智能化水平。由于上市公司的年报能明确描述企业智能化转型特征(车帅和王军，2023)[38]，这里借鉴吴非等(2021)[39]的做法，采用文本分析法获取企业年报关键词词频，以此作为企业智能化转型的衡量指标。具体做法如下：首先，利用Python爬取2015—2022年的上市公司的年度报告，利用pdfplumber库对年报进行文本转换；其次，根据《新一代人工智能发展规划》《国家新一代人工智能标准体系建设指南》《国家智能制造标准体系建设指南》及《“十四五”智能制造发展规划》等国家发布的政策文件，筛选出有关智能化的关键词①，再利用Python语言进行词频统计，以智能化关键词词频总数来刻画企业智能化转型程度。因词频数据具有“右偏性”特征，再对其取对数。
① 这些关键词包括：5G、智能网联、人工智能、智能技术、深度学习、智能软件、物联网、云计算、边缘计算、智能传感器、数据存储及传输设备、智能芯片、系统软件、开发框架、机器学习、知识图谱、类脑智能计算、量子智能计算、模式识别、自然语言处理、智能语音、计算机视觉、生物特征识别、虚拟现实人机交互、仿真设计、混合建模、协同优化、智能感知、人机协作、供应链协同、数字孪生、跨媒体感知计算、智能计算、自主学习、神经网络芯片、开源开放平台、语音识别、视觉识别、混合智能、群体智能、自主智能、大数据智能、知识计算引擎、跨媒体分析推理、智能转型、商业智能、智能创新、智能设计、智能研发、智能机器人、智能载运、智能终端、智能服务、智能场景、智能车间、智能工厂、智能供应链、智能赋能、智能制造、智能生产、智能系统、智能仓储、信息感知、自主控制、系统协同、个性化定制、智能运维、过程优化、Chat GPT、智能软硬件、智能农业、智能交通、智能医疗、智能教育、智能商务、智能能源、智能物流、智能金融、智能家居、智能政务、智慧城市、智能环保、智能法庭、智能游戏、高端智能、工业智能、移动智能、智能控制、智能移动、智能管理、智能设备、智能化、自动控制、自动监测、自动监控、自动检测、自动生产数控、一体化、集成化、集成解决方案、集成控制、集成系统、工业云、未来工厂、智能故障诊断、生命周期管理、生产制造执行系统、虚拟化、虚拟制造、AI、CAD、CAM、计算机辅助设计、计算机辅助制造。
2. 被解释变量：企业创新(innovation)
衡量企业创新水平通常主要有创新投入和创新产出两大类指标。关于创新产出，多数文献以专利数量来衡量(蒋殿春和鲁大宇，2022)[40]。这是因为相比创新投入，专利数量能更直接地反映出企业创新活动的实际成效和创新质量。因而本文参考黎文靖和郑曼妮(2016)[25]等的做法，将专利申请数量作为企业创新的衡量指标。因专利有发明专利、实用新型专利和外观设计专利三类，本文将企业发明专利的申请数量表征为企业实质性创新(inva_subst)，将企业实用新型和外观设计专利申请数量即非发明专利申请数量表征为企业策略性创新(inva_strat)，将企业专利申请总量表征为企业创新总量(inva_total)。
3. 控制变量
为了更准确地识别智能化转型对企业创新的因果效应，借鉴段华友等(2023)[41]、岳宇君和顾萌(2023)[7]的研究，引入如下8个控制变量：企业规模(scale)，以企业资产总额取对数表示；政府补助(sub)，以政府补助金额取对数来表示；企业年龄(age)，以企业成立年龄加1取对数来表示；托宾Q值(tq)，以公司市值与净资产的比值来表示；资产负债率(lev)，以企业负债总额与资产总额的比值来表示；研发投入(invest)，以企业研发投入金额并取对数来表示；现金流量水平(cash)，以经营性现金净流量与营业总收入的比值来表示；资产收益率(roa)，以企业净利润与总资产的比值来表示。具体详见表 1。
表 1 变量与测量方式变量类型 具体变量 变量符号 变量测量 被解释变量 企业创新 inva_total ln(企业专利申请数量+1) 实质性创新 inva_subst ln(企业发明专利申请数量+1) 策略性创新 inva_strat ln(企业非发明专利申请数量+1) 解释变量 企业智能化转型 int ln (年报所含关键词词频总数+1) 控制变量 企业规模 scale ln(企业资产总额) 政府补助 sub ln(政府补助金额) 企业年龄 age ln(企业成立年龄+1) 托宾Q值 tq 市值/净资产 资产负债率 lev 负债总额/资产总额 研发投入 invest ln(企业研发投入金额) 现金流量水平 cash 经营性现金净流量/营业总收入 资产收益率 roa 净利润/总资产 （三） 样本选取与数据来源
鉴于“智能制造”是在2015年出台的《中国制造2025》中首次出现，并在此后成为我国经济发展大主题(史湘宁等，2022)[42]，本文选取2015—2022年中国A股制造业上市公司为研究样本，实证检验智能化转型对制造业企业创新的影响。具体数据的来源如下：企业智能化转型数据来源于上市公司年报；企业专利数据来源于中国研究数据服务平台(CNRDS)；企业财务及治理等相关数据来源于国泰安数据库(CSMAR)。为保证数据的完整性和准确性，剔除了变量缺失的样本企业以及被ST、*ST、PT和终止上市的企业，处理后共得到13 294个观测值。
五、 实证结果
（一） 描述性统计与分析
表 2展示了主要变量的统计特征。其中，企业创新总量(inva_total)的标准差为1.497 3，均值为3.512 8；企业实质性创新(inva_subst)的标准差为1.509 4，均值为2.514 5；企业策略性创新(inva_strat)标准差为1.525 4，均值为2.949 1。可见，不同创新动机的企业在创新上有着明显差异。智能化转型(int)的标准差为1.082 7，均值为2.738 3，说明不同企业的智能化转型水平也存在较大差异。
表 2 主要变量的统计特征变量 均值 标准差 最小值 最大值 inva_total 3.512 8 1.497 3 0 9.405 6 inva_subst 2.514 5 1.509 4 0 8.839 0 inva_strat 2.949 1 1.525 4 0 8.567 7 int 2.738 3 1.082 7 0.693 1 6.349 1 scale 22.220 1 1.212 0 19.612 3 27.621 1 sub 16.842 4 1.419 1 7.600 9 22.425 7 age 2.968 0 0.291 3 1.386 3 4.174 4 tq 2.291 3 1.531 4 0.724 7 23.394 5 lev 0.395 1 0.183 2 0.014 3 1.364 6 invest 18.348 3 1.393 0 7.719 7 23.761 4 cash 0.095 2 0.172 3 -2.506 7 11.386 0 roa 0.048 0 0.075 2 -0.742 6 1.284 8 （二） 基准回归
表 3回归结果展示了智能化转型对企业创新的影响效果，所有回归均控制了个体和时间固定效应。从列(1)可以看出，企业智能化转型(int)的估计系数在1%的水平上显著为正，表明企业智能化转型能显著促使企业进行创新。智能技术不仅直接作用于生产力引致企业创新，帮助企业在创新过程中做出合理决策，还能通过人才聚集效应及“干中学”效应帮助企业快速积累知识并加以应用，从而为企业创新能力的提高提供有效路径支持。从列(2)(3)可以看出，企业智能化转型(int)与企业实质性创新(inva_subst)、企业策略性创新(inva_strat)的回归系数分别为0.062 5和0.058 8，且均在1%的水平上显著为正。同时，列(2)(3)的平均边际效应之差对应的bootstrap结果的P值为0.034，由此可知int对应的AME系数的组间差异在5%的水平上显著。这一结果表明，智能化转型对企业实质性创新和策略性创新均起到了推动作用，但作用效果存在一定差异，智能化转型对企业实质性创新的推进效果更强。这是因为，实质性创新是对新技术的探索，因而更加注重创新的质量。企业可通过这类创新来构建独特的技术资源，进而获得长期发展优势，但这类创新需要更长的研发周期，面临的风险也相对较大。而策略性创新的实质是一种增量创新，是企业在原有创新的基础上做出提炼和改善，其对企业研发能力的要求较低。由此假说H1、H2得证。
表 3 基准回归结果变量 (1) (2) (3) inva_total inva_subst inva_strat int 0.067 9***(0.014 1) 0.062 5***(0.014 3) 0.058 8***(0.015 1) scale 0.324***(0.029 6) 0.335***(0.030 0) 0.321***(0.031 9) sub 0.049 7***(0.010 0) 0.064 1***(0.010 1) 0.046 3***(0.010 8) age -0.534***(0.204) -0.457**(0.207) -0.208(0.220) tq 0.011 6*(0.0066 8) 0.012 4*(0.0067 6) 0.016 2**(0.0071 8) lev -0.102(0.088 9) -0.189**(0.090 0) -0.070 7(0.095 5) invest 0.235***(0.017 6) 0.216***(0.017 8) 0.200***(0.018 9) cash -0.098 6**(0.044 7) 0.005 86(0.045 2) -0.126***(0.048 0) roa -0.267**(0.125) -0.265**(0.126) -0.272**(0.134) _cons -7.370***(0.844) -8.753***(0.854) -8.080***(0.906) N 13 294 13 294 13 294 R2 0.815 0.810 0.797 adj. R2 0.778 0.773 0.756 Firm 是 是 是 Year 是 是 是 注: ***、**、*分别表示变量系数通过1%、5%、10%的显著性检验。下表同。 （三） 内生性检验
1. 工具变量法
假设H1、H2中关于智能化转型与企业创新之间的关系可能因互为因果而存在内生性问题。即智能化转型可推动企业创新水平的提高，而企业通过创新获得更多利润后，也会加大对企业智能化转型的投入。为缓解以上内生性问题，参考郑浩天和靳卫东(2024)[43]的研究，将企业所在省份的地形起伏度与时间交叉项作为工具变量。因为地形起伏度越小，越有利于信息基础设施建设，也越有利于企业智能技术的应用，即可满足工具变量的相关性要求。同时，地形是长期形成的地理条件，与创新难以产生直接联系，因而又可满足工具变量的外生性要求。表 4的回归结果显示，第一阶段的回归结果显著为负①，满足相关性条件。第二阶段企业智能化转型的回归系数均显著为正，且企业实质性创新的回归系数更大；Kleibergen-Paap rk LM统计量为10.193，在1%的水平上显著，工具变量通过了识别不足检验；Kleibergen-Paap rk Wald F统计量为11.554，大于Stock-Yogo弱识别F检验在15%的临界值，工具变量通过了弱识别检验。因此选取的工具变量有效，基准结果稳健。
表 4 工具变量法变量 第一阶段 第二阶段 (1) (2) (3) (4) int inva_total inva_subst inva_strat slope×year -0.000 093 1**(0.000 039 4) int 1.868**(0.875) 2.296**(1.017) 1.695**(0.849) _cons -3.496***(0.610) -1.142(3.421) -0.581(3.977) -2.622(3.320) N 13 880 13 880 13 880 13 880 R2 0.823 0.484 0.298 0.535 adj. R2 0.789 0.385 0.164 0.446 控制变量 是 是 是 是 Firm 是 是 是 是 Year 是 是 是 是 ① 地形起伏度与智能化水平负相关，地形起伏度越小，越有利于智能技术发展。
2. Heckman两阶段法
假设H1、H2还可能存在样本选择偏差问题，即某些特定行业如计算机、通信和其他电子设备制造业企业更倾向于进行智能化转型，而这类企业恰巧创新水平比较高，进而导致结果产生一定偏差。下面，本文采用Heckman两阶段法以缓解上述选择性偏差。在第一阶段：先借鉴张吉昌等(2023)[35]的研究，根据int是否大于中位数设置被解释变量int_dum，int大于中位数，编码为1，否则为0；再借鉴张泽南等(2023)[26]等的研究，计算出企业智能化转型率(PLP)=同年份同行业智能化转型的企业数量/同年份同行业企业总数量；最后将int_dum、PLP以及原控制变量代入Probit模型，计算出逆米尔斯比率(IMR)。从表 5列(1)可知，PLP的系数在1%的水平上显著为正，说明该外生变量的选择有效。第二阶段的回归结果如表 5列(2)至(4)所示，由列(2)可知，企业智能化转型的回归系数在5%的水平上显著为正，从而验证了智能化转型对企业创新的促进作用。对比列(3)(4)发现，智能化转型对实质性创新的系数大于对策略性创新的系数，说明智能化转型对实质性创新的推进效果更强，与前文结果一致。以上结果说明，考虑了样本自选择问题之后的结论依旧稳健。
表 5 Heckman两阶段法回归结果变量 第一阶段 第二阶段 (1) (2) (3) (4) int_dum inva_total inva_subst inva_strat PLP 4.707 8***(12.526 8) int 0.058 0**(2.507 5) 0.114 0***(4.615 5) 0.022 5(0.913 2) IMR -0.010 0(-0.246 1) 0.046 6(1.076 9) -0.092 2**(-2.141 6) _cons -0.923 0(-1.121 2) -8.606 2***(-8.441 1) -9.069 9***(-8.332 4) -9.050 6***(-8.336 0) N 13 294 13 294 13 294 13 294 控制变量 是 是 是 是 Firm 是 是 是 是 Year 是 是 是 是 （四） 稳健性检验
1. 缩尾处理
为避免极端值的影响，对主要连续变量上下1%进行缩尾(Winsorize)处理，回归结果如表 6列(1)至(3)所示，此时智能化转型对企业创新的影响依旧显著为正，且智能化转型对企业实质性创新的回归系数高于对企业策略性创新的回归系数，即基准回归结果仍然稳健。
表 6 稳健性检验结果变量 (1) (2) (3) (4) (5) (6) (7) (8) (9) inva_total inva_subst inva_strat inva_total inva_subst inva_strat inva_total inva_subst inva_strat int 0.066 3*** 0.062 3*** 0.057 4*** 0.038 6** 0.043 3*** 0.025 4 (0.014 1) (0.014 2) (0.015 1) (0.017 3) (0.016 6) (0.018 8) other 0.044 0*** 0.062 9*** 0.027 8* int (0.013 7) (0.013 8) (0.014 7) _cons -7.105*** -8.487*** -7.859*** -7.275*** -8.600*** -8.029*** -8.992*** -10.45*** -9.604*** (0.864) (0.872) (0.930) (0.863) (0.871) (0.929) (1.437) (1.384) (1.564) N 13 294 13 294 13 294 13 294 13 294 13 294 7 629 7 629 7 629 R2 0.812 0.806 0.797 0.812 0.806 0.797 0.848 0.854 0.829 adj. R2 0.775 0.767 0.757 0.774 0.767 0.757 0.798 0.806 0.773 控制变量 是 是 是 是 是 是 是 是 是 Firm 是 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 是 2. 替换核心解释变量
参考韩峰与姜竹青(2023)[44]的做法，利用“词频—逆文本频率”方法重新测算企业智能化转型程度并进行回归，表 6列(4)至(6)的结果显示基准回归结果依旧成立。
3. 删除异常值年份
2020年开始爆发的新冠肺炎对企业创新行为造成一定影响，因此删除2020年以后的数据进行回归，表 6列(7)至(9)的结果显示基准归回结果依旧成立。
六、 进一步分析
（一） 细分智能化转型维度
智能化转型程度不同会潜移默化地影响企业的创新效果，并会对不同动机的企业创新产生不同影响效果。因此，本文试图从智能化转型深度和智能化转型广度两个视角出发，进一步探讨二者对企业创新的影响。参考余艳等(2023)[45]的做法，用每个智能化关键词数量与智能化关键词总量比值的平方和计算出企业智能化转型深度(depth)，即企业在某一领域深入推进智能化的水平；用年报中出现的不同智能化关键词数量衡量企业智能化转型广度(width)，即企业在各部门领域推进智能化的全面程度。表 7列(1)(2)显示，智能化转型深度系数在5%的水平上显著为负，智能化转型广度系数在1%的水平上显著为正，这说明智能化转型深度对企业创新具有负向作用，而智能化转型广度对企业创新具有正向作用。智能化转型深度反映了企业只集中于智能化转型的某些方面，而当企业仅从单一层面进行深度智能化挖掘时，智能化特征可能无法全面发挥作用，甚至会挤占企业研发创新活动的资源，从而对企业创新产生不利影响。相形之下，智能化转型广度能更全面地体现出智能化特征发挥的作用，更好地促进企业创新。表 7列(3)至(6)显示，智能化转型深度对企业实质性创新和策略性创新均呈现负向作用，而智能化转型广度则对企业实质性创新和策略性创新均呈正向作用，以上结论再次得到验证。
表 7 智能化转型深度和智能化转型广度的回归结果变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 智能化深度 智能化广度 智能化深度 智能化广度 智能化深度 智能化广度 depth -0.090 9** -0.044 1 -0.151*** (0.040 2) (0.040 6) (0.043 2) width 0.070 7*** 0.054 9*** 0.078 7*** (0.016 7) (0.016 9) (0.018 0) scale 0.287*** 0.280*** 0.308*** 0.302*** 0.290*** 0.283*** (0.030 1) (0.030 1) (0.030 4) (0.030 4) (0.032 3) (0.032 4) sub 0.054 0*** 0.053 0*** 0.067 6*** 0.066 6*** 0.051 6*** 0.051 0*** (0.010 8) (0.010 8) (0.010 9) (0.010 9) (0.011 6) (0.011 6) age -0.574*** -0.580*** -0.497** -0.502** -0.278 -0.283 (0.211) (0.210) (0.213) (0.213) (0.226) (0.226) tq 0.006 58 0.006 38 0.008 33 0.008 10 0.014 4* 0.014 3* (0.007 87) (0.007 87) (0.007 95) (0.007 95) (0.008 47) (0.008 47) lev -0.077 7 -0.073 2 -0.153* -0.149 -0.040 9 -0.037 2 (0.091 6) (0.091 6) (0.092 6) (0.092 5) (0.098 6) (0.098 5) invest 0.289*** 0.288*** 0.259*** 0.257*** 0.246*** 0.245*** (0.019 4) (0.019 4) (0.019 6) (0.019 6) (0.020 9) (0.020 9) cash -0.195*** -0.190*** -0.031 7 -0.0268 -0.282*** -0.279*** (0.069 5) (0.069 5) (0.070 2) (0.070 2) (0.074 7) (0.074 7) roa -0.299* -0.295* -0.300* -0.297* -0.300* -0.296* (0.155) (0.155) (0.157) (0.157) (0.167) (0.167) _cons -7.248*** -7.173*** -8.677*** -8.583*** -7.885*** -7.869*** (0.864) (0.863) (0.873) (0.872) (0.930) (0.929) N 13 294 13 294 13 294 13 294 13 294 13 294 R2 0.812 0.812 0.806 0.806 0.797 0.797 adj. R2 0.774 0.775 0.767 0.767 0.757 0.757 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是 （二） 机制检验
经济政策不确定性是宏观经济波动的重要影响因素，但对微观企业的创新行为同样会产生重要作用。因而参考巫强和姚雨秀(2023)[46]的做法，采用调节效应模型检验经济政策不确定性是否会对智能化转型和企业创新之间的关系产生影响。构建交互项模型如下：
$$ innovation_{it}=\beta_0+\beta_1 int_{it}+\beta_2 e p u_{i t}+\beta_3 int_{it} \times e p u_{i t}+\gamma^{\prime} K_{i t}+\delta_i+\varepsilon_t+\mu_{i t} $$ (2) 其中：epuit表示经济政策不确定性，借鉴王超等(2023)[47]的做法，采用《人民日报》和《光明日报》所构建的经济政策不确定性指标，对当年12个月的指数进行算术平均并除以100，得到当年经济政策不确定性的年度指标。如果经济政策不确定性加剧会减弱智能化转型对企业创新的促进关系，那么交互项系数β3为负，否则为正。
表 8报告了调节效应的检验结果，从列(1)可以看出，交互项int×epu的系数为负，且在5%的水平上显著，说明经济政策不确定性会弱化智能化转型对企业创新的促进作用。究其原因，可能是经济政策不确定性水平上升不仅会使企业所面临的信息量增大、复杂性上升，而且会对企业的劳动力需求产生冲击，智能化转型在促进企业创新的过程中，其信息处理效应以及人才聚集效应均会受损，从而减弱了企业的创新能力。列(2)的交互项int×epu的系数在5%的水平上显著为正，但列(3)交互项int×epu的系数在1%的水平上显著为负，这说明经济政策不确定性的提高会强化智能化转型与企业实质性创新之间的关系，但会弱化智能化转型对企业策略性创新的促进作用。究其原因，可能是相比策略性创新，经济政策不确定性的上升使外部环境动态性增强，会带来更多创新机遇，为智能化转型促进实质性创新提供了更好的发挥条件。此外，不确定性的上升还会促使企业进行实质性创新时寻求外部创新合作伙伴以分散风险，智能化转型为企业寻找合作伙伴提供了便利条件，因而有利于企业进行实质性创新。以上分析表明：总体来看，经济政策不确定性会弱化智能化转型对企业创新的促进作用；具体来看，经济政策不确定性会强化对企业实质性创新的激励作用，但会削弱对企业策略性创新的促进作用。即假设H3、H4、H5得到验证。
表 8 调节效应检验变量 (1) (2) (3) inva_total inva_subst inva_strat int 0.065 3***(0.014 1) 0.064 7***(0.014 3) 0.052 7***(0.015 2) epu -0.168***(0.037 5) -0.149***(0.038 0) -0.207***(0.040 3) int×epu -0.017 4**(0.007 21) 0.014 7**(0.007 29) -0.040 4***(0.007 73) scale 0.324***(0.029 6) 0.334***(0.030 0) 0.321***(0.031 8) sub 0.049 6***(0.010 0) 0.064 2***(0.010 1) 0.046 0***(0.010 8) age -0.509**(0.205) -0.479**(0.207) -0.148(0.220) tq 0.011 0(0.006 68) 0.013 0*(0.006 76) 0.014 7**(0.007 17) lev -0.094 5(0.088 9) -0.195**(0.090 0) -0.053 3(0.095 4) invest 0.236***(0.017 6) 0.215***(0.017 8) 0.202***(0.018 8) cash -0.096 0**(0.044 7) 0.003 63(0.045 2) -0.120**(0.048 0) roa -0.275**(0.125) -0.258**(0.126) -0.291**(0.134) _cons -7.289***(0.819) -8.553***(0.829) -8.062***(0.879) N 13 294 13 294 13 294 R2 0.815 0.810 0.797 adj. R2 0.779 0.773 0.757 Firm 是 是 是 Year 是 是 是 （三） 异质性分析
1. 按企业生命周期分组
企业的财务特征和所处环境会因企业所处生命周期的不同而不同，企业智能化转型效果及创新意愿也会由此产生差异。因而借鉴丁焕峰等(2023)[16]的做法，使用现金流模式法将企业划分为成长期、成熟期和衰退期三个阶段，进一步检验企业智能化转型对企业创新的影响效果是否会因企业所处生命周期不同而产生差异。表 9列(1)至(3)的结果表明，不论企业处于什么发展阶段，智能化对企业创新的影响均显著为正，但相较于成熟期的企业，智能化转型对衰退期企业的创新活动的促进作用更明显。究其原因，可能是因为处于衰退期的企业盈利能力下降，所面临的发展压力增大，企业转型迫在眉睫，此时智能化转型对其创新能力的积极影响更为显著。列(4)至(9)的结果表明，无论是实质性创新还是策略性创新，智能化转型对企业创新的促进作用均在衰退期的企业表现更为显著，从而再次验证了以上结论。
表 9 按企业生命周期分组回归变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) (7) (8) (9) 成长期 成熟期 衰退期 成长期 成熟期 衰退期 成长期 成熟期 衰退期 int 0.067 4*** 0.058 9** 0.102** 0.060 6*** 0.056 5** 0.0706* 0.058 9*** 0.043 3 0.078 9* (0.019 9) (0.024 7) (0.040 4) (0.020 8) (0.024 4) (0.040 0) (0.021 4) (0.027 0) (0.041 5) scale 0.358*** 0.266*** 0.245** 0.330*** 0.289*** 0.274** 0.363*** 0.276*** 0.352*** (0.045 2) (0.064 1) (0.108) (0.047 2) (0.063 2) (0.107) (0.048 7) (0.070 0) (0.111) sub 0.050 0*** 0.054 7*** 0.066 4** 0.082 3*** 0.062 0*** 0.052 3* 0.032 1* 0.048 8** 0.054 6* (0.016 1) (0.019 7) (0.028 0) (0.016 8) (0.019 4) (0.027 7) (0.017 4) (0.021 5) (0.028 8) age -0.200 -0.714* -0.651 -0.347 -0.767* -0.886 0.337 -0.315 -0.341 (0.309) (0.433) (0.727) (0.322) (0.427) (0.720) (0.333) (0.472) (0.747) tq 0.010 6 0.022 7** -0.003 49 0.014 4 0.019 0* 0.024 5 0.011 7 0.030 1** 0.008 59 (0.011 8) (0.011 3) (0.022 2) (0.012 4) (0.011 1) (0.022 0) (0.012 8) (0.012 3) (0.022 8) lev -0.147 -0.388** 0.460* -0.188 -0.362* 0.326 -0.0811 -0.373* 0.391 (0.133) (0.198) (0.278) (0.139) (0.195) (0.275) (0.144) (0.216) (0.286) invest 0.229*** 0.185*** 0.229*** 0.254*** 0.128*** 0.187*** 0.186*** 0.157*** 0.208*** (0.029 5) (0.030 7) (0.051 0) (0.030 7) (0.030 3) (0.050 4) (0.031 8) (0.033 5) (0.052 3) cash -0.124** 0.112 -0.353** -0.018 7 0.0157 -0.201 -0.112* -0.080 5 -0.413*** (0.056 9) (0.171) (0.155) (0.059 4) (0.168) (0.154) (0.061 4) (0.186) (0.159) roa -0.577*** -0.396 0.336 -0.497** -0.085 6 0.014 9 -0.502** -0.556* 0.178 (0.216) (0.262) (0.315) (0.225) (0.258) (0.312) (0.233) (0.286) (0.323) _cons -9.100*** -4.047** -6.656** -10.12*** -4.320** -6.318* -10.27*** -5.403*** -9.912*** (1.226) (1.849) (3.275) (1.279) (1.823) (3.240) (1.322) (2.019) (3.363) N 6 332 4 958 2 561 6 332 4 958 2 561 6 332 4 958 2 561 R2 0.853 0.870 0.888 0.843 0.869 0.887 0.838 0.853 0.884 adj. R2 0.780 0.794 0.770 0.766 0.793 0.768 0.758 0.767 0.760 Firm 是 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 是 AME系数组间差异检验① -0.057 5* 0.109 2** 0.015 8*** -0.059 5* -0.037 9* 0.093 2*** (0.031 2) (0.043 1) (0.000 9) (0.034 0) (0.021 2) (0.034 6) 费舍尔组合检验 -0.007 0.004 0.055** -0.019 -0.072*** 0.034 p=0.439 p=0.450 p=0.022 p=0.260 p=0.007 p=0.148 ① 对于AME系数组间差异检验，列(1)(4)(7)表示的是成长期与衰退期的组间系数差异，列(2)(5)(8)表示的是成熟期与衰退期的组间系数差异，费舍尔组合检验同上。
2. 按人力资本结构分组
智能化转型是信息技术驱动下的技术转型，因而企业技术人员水平会影响企业智能化转型的效果。根据技术人员占总员工人数的比重，以中位数为界将样本企业划分为高人力资本企业和低人力资本企业两组，以探究不同人力资本结构的企业是否会使智能化转型对企业创新的影响产生差异。表 10列(1)(2)的回归结果表明，智能化转型系数均在1%的水平上显著为正，但列(1)的系数显著大于列(2)的系数，这说明在人力资本结构高的企业其智能化转型对企业创新的促进作用更强。究其原因，可能是因为：一方面，技术人员是企业革新的主力军，技术人员数量越多，企业智能化转型越有优势，越有利于企业创新；另一方面，企业进行智能化转型均需要引进大量高精尖设备，技术人员占比高的企业有利于人机协同，推进企业创新活动的进行。因而人力资本结构高的企业其智能化转型对企业创新的促进作用更强。列(3)至列(6)的结果表明，无论是实质性创新还是策略性创新，智能化转型对企业创新的促进作用均在人力资本结构高的企业更为显著，从而再次验证了以上结论。
表 10 按企业人力资本结构分组回归变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 高人力资本 低人力资本 高人力资本 低人力资本 高人力资本 低人力资本 int 0.092 3*** 0.055 7*** 0.088 0*** 0.047 2** 0.075 2*** 0.050 0** (0.020 3) (0.021 2) (0.021 0) (0.021 2) (0.022 3) (0.022 6) scale 0.360*** 0.213*** 0.338*** 0.259*** 0.363*** 0.213*** (0.043 7) (0.046 9) (0.045 1) (0.046 8) (0.047 9) (0.049 9) sub 0.064 3*** 0.025 0 0.073 0*** 0.043 9*** 0.056 1*** 0.032 1* (0.015 7) (0.015 6) (0.016 2) (0.015 6) (0.017 2) (0.016 6) age -0.487 -0.673** -0.779** -0.140 0.025 4 -0.522 (0.298) (0.336) (0.307) (0.336) (0.326) (0.358) tq -0.003 30 0.015 6 0.010 1 0.005 99 0.005 94 0.019 5 (0.010 3) (0.013 2) (0.010 6) (0.013 2) (0.011 3) (0.014 0) lev -0.186 0.029 9 -0.195 -0.091 8 -0.087 5 -0.011 3 (0.128) (0.143) (0.132) (0.143) (0.141) (0.152) invest 0.269*** 0.273*** 0.259*** 0.216*** 0.237*** 0.234*** (0.030 4) (0.027 1) (0.031 3) (0.027 1) (0.033 3) (0.028 9) cash -0.213** -0.141 -0.030 6 -0.090 1 -0.281*** -0.236* (0.088 9) (0.117) (0.0917) (0.117) (0.097 4) (0.124) roa -0.348 -0.548** -0.428* -0.289 -0.254 -0.593** (0.213) (0.242) (0.220) (0.241) (0.234) (0.257) _cons -9.201*** -4.195*** -8.799*** -7.487*** -10.67*** -4.416*** (1.173) (1.434) (1.211) (1.433) (1.286) (1.527) N 6 898 6 396 6 898 6 396 6 898 6 396 R2 0.836 0.820 0.827 0.804 0.820 0.810 adj. R2 0.792 0.767 0.781 0.746 0.772 0.753 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是 AME系数组间差异检验 0.048 6*** 0.061 0** 0.025 9 (0.013 1) (0.028 4) (0.027 0) 费舍尔组合检验 0.051*** 0.040** 0.057*** p=0.003 p=0.017 p=0.008 3. 按企业股权性质分组
不同股权性质的企业，其创新动机和决策效率存在差异，进而会影响智能化转型对企业创新的促进作用。因而将样本企业按股权性质划分为国有企业和非国有企业两组，就智能化转型对企业创新的影响作进一步分析。表 11列(1)(2)的结果表明，智能化转型系数均在1%的水平上显著为正，但列(1)的系数显著大于列(2)的系数，说明智能化转型对国有企业创新的促进作用更强。究其原因，可能是因为与非国有企业相比，国有企业大多处于关系国民经济命脉的关键行业，担负着提高自主创新能力、建设创新型国家的重任[27]，因而能更容易获得政府财政及政策的支持，企业的智能化转型与创新能获得更好的条件。列(3)至(6)的结果表明，无论是实质性创新还是策略性创新，智能化转型系数均显著为正，且国有企业的智能化转型系数明显高于非国企业，从而再次验证了上述结论。
表 11 按企业产权性质分组回归变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 国有 非国有 国有 非国有 国有 非国有 int 0.103*** 0.060 2*** 0.122*** 0.048 9*** 0.082 0** 0.053 9*** (0.029 1) (0.016 2) (0.029 4) (0.016 3) (0.031 9) (0.017 3) scale 0.467*** 0.208*** 0.488*** 0.234*** 0.456*** 0.222*** (0.060 6) (0.036 1) (0.061 1) (0.036 5) (0.066 3) (0.038 8) sub 0.073 8*** 0.046 1*** 0.070 5*** 0.068 5*** 0.091 0*** 0.035 6** (0.018 0) (0.013 4) (0.018 2) (0.013 6) (0.019 7) (0.014 4) age 0.345 -0.507** 0.337 -0.265 0.809 -0.373 (0.476) (0.250) (0.481) (0.253) (0.522) (0.268) tq -0.008 51 0.010 3 -0.006 69 0.012 4 -0.001 82 0.020 6** (0.017 0) (0.009 00) (0.017 2) (0.009 09) (0.018 7) (0.009 66) lev 0.070 9 -0.076 8 0.031 3 -0.122 0.065 2 -0.051 9 (0.203) (0.106) (0.205) (0.107) (0.222) (0.113) invest 0.115*** 0.366*** 0.111*** 0.317*** 0.105*** 0.310*** (0.031 5) (0.024 8) (0.031 7) (0.025 1) (0.034 4) (0.026 6) cash -0.011 1 -0.277*** -0.017 3 -0.071 6 -0.059 0 -0.382*** (0.138) (0.080 8) (0.139) (0.081 6) (0.151) (0.086 7) roa -0.021 5 -0.465*** 0.091 6 -0.474*** -0.073 5 -0.430** (0.361) (0.175) (0.364) (0.177) (0.395) (0.188) _cons -11.97*** -6.596*** -13.33*** -8.754*** -13.72*** -6.457*** (1.924) (1.213) (1.941) (1.226) (2.107) (1.302) N 3 232 10 062 3 232 10 062 3 232 10 062 R2 0.851 0.795 0.860 0.776 0.822 0.789 adj. R2 0.820 0.751 0.832 0.728 0.785 0.743 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是 AME系数组间差异检验 0.054 9*** 0.096 4** 0.036 1 (0.005 6) (0.040 2) (0.036 7) 费舍尔组合检验 0.053** 0.001 0.114*** p=0.009 p=0.480 p=0.000 七、 结论与启示
智能技术的兴起为制造业高质量发展提供了重要机遇。本文以企业创新动机为切入点，考察了智能化转型与企业创新二者之间的关系，并将经济政策不确定性作为权变因素，深入探讨了其在智能化转型与企业创新关系中的调节作用。研究发现，智能化转型能显著促进企业创新水平的提高，并且对实质性创新有更强的促进作用。在利用工具变量、Heckman两阶段法和其他稳健性方法进行处理后，这一结论依然成立。进一步细分智能化转型维度，发现智能化转型广度能促进企业创新，而智能化转型深度对企业创新具有抑制效应。调节分析表明，经济政策不确定性会弱化智能化转型对企业创新的促进作用，但对于注重实质性创新的企业而言，经济政策不确定性可发挥“垫脚石”作用，增强智能化转型对企业创新的促进作用。多种分组的回归分析发现，处于衰退期的企业、高人力资本结构企业及国有股权性质的企业，其智能化转型对创新的促进作用更为显著。
从以上结论可得出如下启示：第一，政府与企业应双向奔赴，加快智能技术与制造业相互融合，推动制造业智能化转型向纵深发展。政府应加大对5G设备、数据中心、算力中心、云计算平台等智能化基础设施建设的投入力度，并综合运用产业、财政、税收等政策，引导企业进行智能化转型。企业应当抓住政策机遇，把握智能技术的发展方向，因时制宜，选择符合自身需求的智能化转型道路，并将智能化转型战略与企业创新战略相结合，更好发挥智能化转型对创新的赋能作用。同时，企业还应充分利用智能技术强大的信息处理能力，整合内外部创新资源，及时洞察创新动向，合理进行创新决策，提高创新效率和创新质量。
第二，企业在智能化转型过程中要着眼未来，以实质性创新塑造长期竞争优势。实质性创新有助于形成独特的核心优势，使企业获得长远发展利益；策略性创新能帮助企业解决暂时问题，可获得眼前利益，但往往缺乏深度和可持续性，导致企业无法适应长期的行业技术变革。因此，企业在智能化转型过程中要立意高远，把握转型带来的实质性创新机会，集中人、财、物力进行技术攻关，以高质量创新成果形成新的竞争优势，进而占据有利的行业竞争地位。同时，鉴于企业自身特征的不同，智能化转型对企业创新的效应也存在差异，企业应系统审视自身特征，结合自身实际情况制定差异化的创新策略，精准有效地促进企业创新。
第三，政府要稳定政策预期，为企业创新营造良好环境条件。经济政策不确定性对企业创新既可能是“垫脚石”，也可能是“绊脚石”。为此，要加强政企之间的双向对接，提高政策透明度和前瞻性。一方面，政府应预判经济政策变动对企业决策的潜在影响，在制定和推出相关政策时，需全面考量政策的时效性、预期成效、期限以及实施强度等问题，为智能化转型与创新活动营造积极、公平、稳定、可预期的经济政策环境。另一方面，企业在进行智能化转型与创新决策时，则应根据宏观经济环境的变化，全面考虑不确定性可能带来的影响，审慎调整创新策略方向，优化各项创新决策。
致谢: 本文的写作感谢王心培、王恩泽、潘彤在讨论过程中给出的建设性意见，但文责自负。 -
表 1 变量与测量方式
变量类型 具体变量 变量符号 变量测量 被解释变量 企业创新 inva_total ln(企业专利申请数量+1) 实质性创新 inva_subst ln(企业发明专利申请数量+1) 策略性创新 inva_strat ln(企业非发明专利申请数量+1) 解释变量 企业智能化转型 int ln (年报所含关键词词频总数+1) 控制变量 企业规模 scale ln(企业资产总额) 政府补助 sub ln(政府补助金额) 企业年龄 age ln(企业成立年龄+1) 托宾Q值 tq 市值/净资产 资产负债率 lev 负债总额/资产总额 研发投入 invest ln(企业研发投入金额) 现金流量水平 cash 经营性现金净流量/营业总收入 资产收益率 roa 净利润/总资产 
下载: 导出CSV
表 2 主要变量的统计特征
变量 均值 标准差 最小值 最大值 inva_total 3.512 8 1.497 3 0 9.405 6 inva_subst 2.514 5 1.509 4 0 8.839 0 inva_strat 2.949 1 1.525 4 0 8.567 7 int 2.738 3 1.082 7 0.693 1 6.349 1 scale 22.220 1 1.212 0 19.612 3 27.621 1 sub 16.842 4 1.419 1 7.600 9 22.425 7 age 2.968 0 0.291 3 1.386 3 4.174 4 tq 2.291 3 1.531 4 0.724 7 23.394 5 lev 0.395 1 0.183 2 0.014 3 1.364 6 invest 18.348 3 1.393 0 7.719 7 23.761 4 cash 0.095 2 0.172 3 -2.506 7 11.386 0 roa 0.048 0 0.075 2 -0.742 6 1.284 8
下载: 导出CSV
表 3 基准回归结果
变量 (1) (2) (3) inva_total inva_subst inva_strat int 0.067 9***(0.014 1) 0.062 5***(0.014 3) 0.058 8***(0.015 1) scale 0.324***(0.029 6) 0.335***(0.030 0) 0.321***(0.031 9) sub 0.049 7***(0.010 0) 0.064 1***(0.010 1) 0.046 3***(0.010 8) age -0.534***(0.204) -0.457**(0.207) -0.208(0.220) tq 0.011 6*(0.0066 8) 0.012 4*(0.0067 6) 0.016 2**(0.0071 8) lev -0.102(0.088 9) -0.189**(0.090 0) -0.070 7(0.095 5) invest 0.235***(0.017 6) 0.216***(0.017 8) 0.200***(0.018 9) cash -0.098 6**(0.044 7) 0.005 86(0.045 2) -0.126***(0.048 0) roa -0.267**(0.125) -0.265**(0.126) -0.272**(0.134) _cons -7.370***(0.844) -8.753***(0.854) -8.080***(0.906) N 13 294 13 294 13 294 R2 0.815 0.810 0.797 adj. R2 0.778 0.773 0.756 Firm 是 是 是 Year 是 是 是 注: ***、**、*分别表示变量系数通过1%、5%、10%的显著性检验。下表同。
下载: 导出CSV
表 4 工具变量法
变量 第一阶段 第二阶段 (1) (2) (3) (4) int inva_total inva_subst inva_strat slope×year -0.000 093 1**(0.000 039 4) int 1.868**(0.875) 2.296**(1.017) 1.695**(0.849) _cons -3.496***(0.610) -1.142(3.421) -0.581(3.977) -2.622(3.320) N 13 880 13 880 13 880 13 880 R2 0.823 0.484 0.298 0.535 adj. R2 0.789 0.385 0.164 0.446 控制变量 是 是 是 是 Firm 是 是 是 是 Year 是 是 是 是
下载: 导出CSV
表 5 Heckman两阶段法回归结果
变量 第一阶段 第二阶段 (1) (2) (3) (4) int_dum inva_total inva_subst inva_strat PLP 4.707 8***(12.526 8) int 0.058 0**(2.507 5) 0.114 0***(4.615 5) 0.022 5(0.913 2) IMR -0.010 0(-0.246 1) 0.046 6(1.076 9) -0.092 2**(-2.141 6) _cons -0.923 0(-1.121 2) -8.606 2***(-8.441 1) -9.069 9***(-8.332 4) -9.050 6***(-8.336 0) N 13 294 13 294 13 294 13 294 控制变量 是 是 是 是 Firm 是 是 是 是 Year 是 是 是 是
下载: 导出CSV
表 6 稳健性检验结果
变量 (1) (2) (3) (4) (5) (6) (7) (8) (9) inva_total inva_subst inva_strat inva_total inva_subst inva_strat inva_total inva_subst inva_strat int 0.066 3*** 0.062 3*** 0.057 4*** 0.038 6** 0.043 3*** 0.025 4 (0.014 1) (0.014 2) (0.015 1) (0.017 3) (0.016 6) (0.018 8) other 0.044 0*** 0.062 9*** 0.027 8* int (0.013 7) (0.013 8) (0.014 7) _cons -7.105*** -8.487*** -7.859*** -7.275*** -8.600*** -8.029*** -8.992*** -10.45*** -9.604*** (0.864) (0.872) (0.930) (0.863) (0.871) (0.929) (1.437) (1.384) (1.564) N 13 294 13 294 13 294 13 294 13 294 13 294 7 629 7 629 7 629 R2 0.812 0.806 0.797 0.812 0.806 0.797 0.848 0.854 0.829 adj. R2 0.775 0.767 0.757 0.774 0.767 0.757 0.798 0.806 0.773 控制变量 是 是 是 是 是 是 是 是 是 Firm 是 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 是
下载: 导出CSV
表 7 智能化转型深度和智能化转型广度的回归结果
变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 智能化深度 智能化广度 智能化深度 智能化广度 智能化深度 智能化广度 depth -0.090 9** -0.044 1 -0.151*** (0.040 2) (0.040 6) (0.043 2) width 0.070 7*** 0.054 9*** 0.078 7*** (0.016 7) (0.016 9) (0.018 0) scale 0.287*** 0.280*** 0.308*** 0.302*** 0.290*** 0.283*** (0.030 1) (0.030 1) (0.030 4) (0.030 4) (0.032 3) (0.032 4) sub 0.054 0*** 0.053 0*** 0.067 6*** 0.066 6*** 0.051 6*** 0.051 0*** (0.010 8) (0.010 8) (0.010 9) (0.010 9) (0.011 6) (0.011 6) age -0.574*** -0.580*** -0.497** -0.502** -0.278 -0.283 (0.211) (0.210) (0.213) (0.213) (0.226) (0.226) tq 0.006 58 0.006 38 0.008 33 0.008 10 0.014 4* 0.014 3* (0.007 87) (0.007 87) (0.007 95) (0.007 95) (0.008 47) (0.008 47) lev -0.077 7 -0.073 2 -0.153* -0.149 -0.040 9 -0.037 2 (0.091 6) (0.091 6) (0.092 6) (0.092 5) (0.098 6) (0.098 5) invest 0.289*** 0.288*** 0.259*** 0.257*** 0.246*** 0.245*** (0.019 4) (0.019 4) (0.019 6) (0.019 6) (0.020 9) (0.020 9) cash -0.195*** -0.190*** -0.031 7 -0.0268 -0.282*** -0.279*** (0.069 5) (0.069 5) (0.070 2) (0.070 2) (0.074 7) (0.074 7) roa -0.299* -0.295* -0.300* -0.297* -0.300* -0.296* (0.155) (0.155) (0.157) (0.157) (0.167) (0.167) _cons -7.248*** -7.173*** -8.677*** -8.583*** -7.885*** -7.869*** (0.864) (0.863) (0.873) (0.872) (0.930) (0.929) N 13 294 13 294 13 294 13 294 13 294 13 294 R2 0.812 0.812 0.806 0.806 0.797 0.797 adj. R2 0.774 0.775 0.767 0.767 0.757 0.757 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是
下载: 导出CSV
表 8 调节效应检验
变量 (1) (2) (3) inva_total inva_subst inva_strat int 0.065 3***(0.014 1) 0.064 7***(0.014 3) 0.052 7***(0.015 2) epu -0.168***(0.037 5) -0.149***(0.038 0) -0.207***(0.040 3) int×epu -0.017 4**(0.007 21) 0.014 7**(0.007 29) -0.040 4***(0.007 73) scale 0.324***(0.029 6) 0.334***(0.030 0) 0.321***(0.031 8) sub 0.049 6***(0.010 0) 0.064 2***(0.010 1) 0.046 0***(0.010 8) age -0.509**(0.205) -0.479**(0.207) -0.148(0.220) tq 0.011 0(0.006 68) 0.013 0*(0.006 76) 0.014 7**(0.007 17) lev -0.094 5(0.088 9) -0.195**(0.090 0) -0.053 3(0.095 4) invest 0.236***(0.017 6) 0.215***(0.017 8) 0.202***(0.018 8) cash -0.096 0**(0.044 7) 0.003 63(0.045 2) -0.120**(0.048 0) roa -0.275**(0.125) -0.258**(0.126) -0.291**(0.134) _cons -7.289***(0.819) -8.553***(0.829) -8.062***(0.879) N 13 294 13 294 13 294 R2 0.815 0.810 0.797 adj. R2 0.779 0.773 0.757 Firm 是 是 是 Year 是 是 是
下载: 导出CSV
表 9 按企业生命周期分组回归
变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) (7) (8) (9) 成长期 成熟期 衰退期 成长期 成熟期 衰退期 成长期 成熟期 衰退期 int 0.067 4*** 0.058 9** 0.102** 0.060 6*** 0.056 5** 0.0706* 0.058 9*** 0.043 3 0.078 9* (0.019 9) (0.024 7) (0.040 4) (0.020 8) (0.024 4) (0.040 0) (0.021 4) (0.027 0) (0.041 5) scale 0.358*** 0.266*** 0.245** 0.330*** 0.289*** 0.274** 0.363*** 0.276*** 0.352*** (0.045 2) (0.064 1) (0.108) (0.047 2) (0.063 2) (0.107) (0.048 7) (0.070 0) (0.111) sub 0.050 0*** 0.054 7*** 0.066 4** 0.082 3*** 0.062 0*** 0.052 3* 0.032 1* 0.048 8** 0.054 6* (0.016 1) (0.019 7) (0.028 0) (0.016 8) (0.019 4) (0.027 7) (0.017 4) (0.021 5) (0.028 8) age -0.200 -0.714* -0.651 -0.347 -0.767* -0.886 0.337 -0.315 -0.341 (0.309) (0.433) (0.727) (0.322) (0.427) (0.720) (0.333) (0.472) (0.747) tq 0.010 6 0.022 7** -0.003 49 0.014 4 0.019 0* 0.024 5 0.011 7 0.030 1** 0.008 59 (0.011 8) (0.011 3) (0.022 2) (0.012 4) (0.011 1) (0.022 0) (0.012 8) (0.012 3) (0.022 8) lev -0.147 -0.388** 0.460* -0.188 -0.362* 0.326 -0.0811 -0.373* 0.391 (0.133) (0.198) (0.278) (0.139) (0.195) (0.275) (0.144) (0.216) (0.286) invest 0.229*** 0.185*** 0.229*** 0.254*** 0.128*** 0.187*** 0.186*** 0.157*** 0.208*** (0.029 5) (0.030 7) (0.051 0) (0.030 7) (0.030 3) (0.050 4) (0.031 8) (0.033 5) (0.052 3) cash -0.124** 0.112 -0.353** -0.018 7 0.0157 -0.201 -0.112* -0.080 5 -0.413*** (0.056 9) (0.171) (0.155) (0.059 4) (0.168) (0.154) (0.061 4) (0.186) (0.159) roa -0.577*** -0.396 0.336 -0.497** -0.085 6 0.014 9 -0.502** -0.556* 0.178 (0.216) (0.262) (0.315) (0.225) (0.258) (0.312) (0.233) (0.286) (0.323) _cons -9.100*** -4.047** -6.656** -10.12*** -4.320** -6.318* -10.27*** -5.403*** -9.912*** (1.226) (1.849) (3.275) (1.279) (1.823) (3.240) (1.322) (2.019) (3.363) N 6 332 4 958 2 561 6 332 4 958 2 561 6 332 4 958 2 561 R2 0.853 0.870 0.888 0.843 0.869 0.887 0.838 0.853 0.884 adj. R2 0.780 0.794 0.770 0.766 0.793 0.768 0.758 0.767 0.760 Firm 是 是 是 是 是 是 是 是 是 Year 是 是 是 是 是 是 是 是 是 AME系数组间差异检验① -0.057 5* 0.109 2** 0.015 8*** -0.059 5* -0.037 9* 0.093 2*** (0.031 2) (0.043 1) (0.000 9) (0.034 0) (0.021 2) (0.034 6) 费舍尔组合检验 -0.007 0.004 0.055** -0.019 -0.072*** 0.034 p=0.439 p=0.450 p=0.022 p=0.260 p=0.007 p=0.148
下载: 导出CSV
表 10 按企业人力资本结构分组回归
变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 高人力资本 低人力资本 高人力资本 低人力资本 高人力资本 低人力资本 int 0.092 3*** 0.055 7*** 0.088 0*** 0.047 2** 0.075 2*** 0.050 0** (0.020 3) (0.021 2) (0.021 0) (0.021 2) (0.022 3) (0.022 6) scale 0.360*** 0.213*** 0.338*** 0.259*** 0.363*** 0.213*** (0.043 7) (0.046 9) (0.045 1) (0.046 8) (0.047 9) (0.049 9) sub 0.064 3*** 0.025 0 0.073 0*** 0.043 9*** 0.056 1*** 0.032 1* (0.015 7) (0.015 6) (0.016 2) (0.015 6) (0.017 2) (0.016 6) age -0.487 -0.673** -0.779** -0.140 0.025 4 -0.522 (0.298) (0.336) (0.307) (0.336) (0.326) (0.358) tq -0.003 30 0.015 6 0.010 1 0.005 99 0.005 94 0.019 5 (0.010 3) (0.013 2) (0.010 6) (0.013 2) (0.011 3) (0.014 0) lev -0.186 0.029 9 -0.195 -0.091 8 -0.087 5 -0.011 3 (0.128) (0.143) (0.132) (0.143) (0.141) (0.152) invest 0.269*** 0.273*** 0.259*** 0.216*** 0.237*** 0.234*** (0.030 4) (0.027 1) (0.031 3) (0.027 1) (0.033 3) (0.028 9) cash -0.213** -0.141 -0.030 6 -0.090 1 -0.281*** -0.236* (0.088 9) (0.117) (0.0917) (0.117) (0.097 4) (0.124) roa -0.348 -0.548** -0.428* -0.289 -0.254 -0.593** (0.213) (0.242) (0.220) (0.241) (0.234) (0.257) _cons -9.201*** -4.195*** -8.799*** -7.487*** -10.67*** -4.416*** (1.173) (1.434) (1.211) (1.433) (1.286) (1.527) N 6 898 6 396 6 898 6 396 6 898 6 396 R2 0.836 0.820 0.827 0.804 0.820 0.810 adj. R2 0.792 0.767 0.781 0.746 0.772 0.753 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是 AME系数组间差异检验 0.048 6*** 0.061 0** 0.025 9 (0.013 1) (0.028 4) (0.027 0) 费舍尔组合检验 0.051*** 0.040** 0.057*** p=0.003 p=0.017 p=0.008
下载: 导出CSV
表 11 按企业产权性质分组回归
变量 inva_total inva_subst inva_strat (1) (2) (3) (4) (5) (6) 国有 非国有 国有 非国有 国有 非国有 int 0.103*** 0.060 2*** 0.122*** 0.048 9*** 0.082 0** 0.053 9*** (0.029 1) (0.016 2) (0.029 4) (0.016 3) (0.031 9) (0.017 3) scale 0.467*** 0.208*** 0.488*** 0.234*** 0.456*** 0.222*** (0.060 6) (0.036 1) (0.061 1) (0.036 5) (0.066 3) (0.038 8) sub 0.073 8*** 0.046 1*** 0.070 5*** 0.068 5*** 0.091 0*** 0.035 6** (0.018 0) (0.013 4) (0.018 2) (0.013 6) (0.019 7) (0.014 4) age 0.345 -0.507** 0.337 -0.265 0.809 -0.373 (0.476) (0.250) (0.481) (0.253) (0.522) (0.268) tq -0.008 51 0.010 3 -0.006 69 0.012 4 -0.001 82 0.020 6** (0.017 0) (0.009 00) (0.017 2) (0.009 09) (0.018 7) (0.009 66) lev 0.070 9 -0.076 8 0.031 3 -0.122 0.065 2 -0.051 9 (0.203) (0.106) (0.205) (0.107) (0.222) (0.113) invest 0.115*** 0.366*** 0.111*** 0.317*** 0.105*** 0.310*** (0.031 5) (0.024 8) (0.031 7) (0.025 1) (0.034 4) (0.026 6) cash -0.011 1 -0.277*** -0.017 3 -0.071 6 -0.059 0 -0.382*** (0.138) (0.080 8) (0.139) (0.081 6) (0.151) (0.086 7) roa -0.021 5 -0.465*** 0.091 6 -0.474*** -0.073 5 -0.430** (0.361) (0.175) (0.364) (0.177) (0.395) (0.188) _cons -11.97*** -6.596*** -13.33*** -8.754*** -13.72*** -6.457*** (1.924) (1.213) (1.941) (1.226) (2.107) (1.302) N 3 232 10 062 3 232 10 062 3 232 10 062 R2 0.851 0.795 0.860 0.776 0.822 0.789 adj. R2 0.820 0.751 0.832 0.728 0.785 0.743 Firm 是 是 是 是 是 是 Year 是 是 是 是 是 是 AME系数组间差异检验 0.054 9*** 0.096 4** 0.036 1 (0.005 6) (0.040 2) (0.036 7) 费舍尔组合检验 0.053** 0.001 0.114*** p=0.009 p=0.480 p=0.000
下载: 导出CSV
-
[1] 齐红倩, 张佳馨, 陈苗. 数字普惠金融促进中小企业创新效率研究——基于创新价值链视角[J]. 宏观经济研究, 2023(10): 23-40. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGA202310002.htm [2] ACEMOGLU D, PASCUAL R. Robots and jobs: evidence from US labor markets[J]. Journal Of Political Economy, 2020, 128(6): 2188-2244. doi: 10.1086/705716 [3] 刘洋, 韩永辉, 王贤彬. 工业智能化能兼顾促增长和保民生吗?[J]. 数量经济技术经济研究, 2023(6): 69-90. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202306004.htm [4] 黄志, 程翔. 人工智能对劳动收入水平和收入差距的影响——理论解读与实证检验[J]. 经济理论与经济管理, 2023(1): 78-95. https://www.cnki.com.cn/Article/CJFDTOTAL-JJLL202301006.htm [5] 林熙, 刘啟仁, 冯桂媚. 智能制造与绿色发展: 基于工业机器人进口视角[J]. 世界经济, 2023(8): 3-31. https://www.cnki.com.cn/Article/CJFDTOTAL-SJJJ202308002.htm [6] 沈坤荣, 乔刚, 林剑威. 智能制造政策与中国企业高质量发展[J]. 数量经济技术经济研究, 2024(2): 5-25. https://www.cnki.com.cn/Article/CJFDTOTAL-SLJY202402001.htm [7] 岳宇君, 顾萌. 制造业企业智能化转型影响企业业绩实证研究[J]. 中央财经大学学报, 2023(2): 114-128. https://www.cnki.com.cn/Article/CJFDTOTAL-ZYCY202302010.htm [8] 祝树金, 谈晓静, 李丹. 劳动力需求视角下智能化影响制造业价值链攀升的实证研究[J]. 国际贸易问题, 2022(5): 51-68. https://www.cnki.com.cn/Article/CJFDTOTAL-GJMW202205004.htm [9] 屈小博, 吕佳宁. 机器人应用对企业生产率和创新的效应[J]. 学术探索, 2022(8): 90-99. https://www.cnki.com.cn/Article/CJFDTOTAL-YXST202208011.htm [10] 睢博, 雷宏振. 工业智能化能促进企业技术创新吗?——基于中国2010—2019年上市公司数据的分析[J]. 陕西师范大学学报(哲学社会科学版), 2021(3): 130-140. https://www.cnki.com.cn/Article/CJFDTOTAL-SXSS202103011.htm [11] 孟凡生, 徐野, 赵刚. "智能+"对制造企业创新绩效的影响机制研究[J]. 科研管理, 2022(9): 109-118. https://www.cnki.com.cn/Article/CJFDTOTAL-KYGL202209013.htm [12] HAUG A, WICKSTRM K A, STENTOFT J, et al. The impact of information technology on product innovation in SMEs: the role of technological orientation[J]. Journal of Small Business Management, 2020(7): 1-27. [13] 尹洪英, 李闯. 智能制造赋能企业创新了吗?——基于中国智能制造试点项目的准自然试验[J]. 金融研究, 2022(10): 98-116. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202210006.htm [14] 王磊, 肖倩, 邓芳芳. 人工智能对中国制造业创新的影响研究——来自工业机器人应用的证据[J]. 财经论丛, 2023(9): 14-24. https://www.cnki.com.cn/Article/CJFDTOTAL-CJLC202309002.htm [15] 邓悦, 蒋琬仪. 智能化转型何以激发企业创新?——基于制造业劳动力多样性的解释[J]. 改革, 2022(9): 108-122. https://www.cnki.com.cn/Article/CJFDTOTAL-REFO202209009.htm [16] 丁焕峰, 张蕊, 周锐波. 制造业企业智能化转型及其创新效应研究——基于企业生命周期理论的视角[J]. 产业经济研究, 2023(2): 83-96. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202302006.htm [17] 李逸飞, 苏盖美, 牛芮等. 智能化与制造业企业创新[J]. 经济与管理研究, 2023(8): 3-16. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYG202308001.htm [18] 孟凡生, 赵刚. 中国制造企业创新柔性与智能化转型关系的实证研究——基于商业模式创新和环境动态性的中介调节效应[J]. 预测, 2018(6): 1-8. https://www.cnki.com.cn/Article/CJFDTOTAL-YUCE201806001.htm [19] HAEFNER N, WINCENT J, PARIDA V, GASSMANN O. Artificial intelligence and innovation management: a review, framework, and research agenda[J]. Technological Forecasting and Social Change, 2021, 162: 120392. [20] PIETRONUDO M C, SCHIAVONE F, PHILLIPS F. A solution looking for problems? a systematic literature review of the rationalizing influence of artificial intelligence on decision-making in innovation management[J]. Technological Forecasting and Social Change, 2022, 182: 121828. [21] 董明放, 王郭. 工业智能化如何提升制造企业创新意愿[J/OL]. 科技进步与对策, (2024-01-23) [2024-05-05]. http://kns.cnki.net/kcms/detail/42.1224.G3.20240123.0936.002.html .[22] 杜善重, 李卓, 马连福. 机器人应用如何影响企业技术创新——来自中国制造业上市公司的经验证据[J]. 系统工程理论与实践, 2024(2): 485-502. https://www.cnki.com.cn/Article/CJFDTOTAL-XTLL202402005.htm [23] 黄先海, 虞柳明, 袁逸铭. 工业机器人与企业创新——基于人力资本视角[J]. 科学学研究, 2023(2): 356-368. https://www.cnki.com.cn/Article/CJFDTOTAL-KXYJ202302017.htm [24] 师博. 人工智能助推经济高质量发展的机理诠释[J]. 改革, 2020(1): 30-38. https://www.cnki.com.cn/Article/CJFDTOTAL-REFO202001002.htm [25] 黎文靖, 郑曼妮. 实质性创新还是策略性创新?——宏观产业政策对微观企业创新的影响[J]. 经济研究, 2016(4): 60-73. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYJ201604005.htm [26] 张泽南, 钱欣钰, 曹新伟. 企业数字化转型的绿色创新效应研究: 实质性创新还是策略性创新?[J]. 产业经济研究, 2023(1): 86-100. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ202301007.htm [27] 林志帆, 杜金岷, 龙晓旋. 股票流动性与中国企业创新策略: 流水不腐还是洪水猛兽?[J]. 金融研究, 2021(3): 188-206. https://www.cnki.com.cn/Article/CJFDTOTAL-JRYJ202103011.htm [28] 刘博, 刘超, 刘新梅. 组织创造力与创新绩效: 长期导向与战略柔性的联合调节作用[J]. 当代经济科学, 2024(1): 131-140. https://www.cnki.com.cn/Article/CJFDTOTAL-DJKX202401010.htm [29] GULEN, HUSEYIN, MIHAI ION. Policy uncertainty and corporate investment[J]. The Review of Financial Studies, 2016, 29(3): 523-564. [30] 康丽群, 刘汉民, 钱晶晶. 高管长期导向对企业绿色创新的影响研究: 环境动态性的调节作用与战略学习能力的中介效应[J]. 商业经济与管理, 2021(10): 34-48. https://www.cnki.com.cn/Article/CJFDTOTAL-SYJG202110003.htm [31] 辛大楞. 经济政策不确定性与工业企业就业[J]. 产业经济研究, 2018(5): 89-100. https://www.cnki.com.cn/Article/CJFDTOTAL-CYJJ201805008.htm [32] 弋亚群, 牛方妍, 张雪丹. 资源整合与新产品开发绩效——管理者威胁解释和环境动态性的调节作用[J]. 研究与发展管理, 2023(6): 125-137. https://www.cnki.com.cn/Article/CJFDTOTAL-YJYF202306010.htm [33] 王新成, 李垣, 马凤连, 等. 环境动态性与创新战略选择——企业创业导向和技术能力的调节作用[J]. 研究与发展管理, 2021(4): 111-120. https://www.cnki.com.cn/Article/CJFDTOTAL-YJYF202104010.htm [34] 崔也光, 王肇, 鹿瑶. 创新动机会影响品牌成长吗?——基于经济政策不确定性调节作用的实证研究[J]. 经济与管理研究, 2021(4): 133-144. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYG202104010.htm [35] 张吉昌, 龙静, 王泽民. 智能化转型如何赋能制造企业高质量发展?[J]. 经济与管理研究, 2023(4): 3-20. https://www.cnki.com.cn/Article/CJFDTOTAL-JJYG202304001.htm [36] 张树山, 董旭达. 智能化转型、组织韧性与制造业企业高质量发展[J]. 中国流通经济, 2024(1): 104-114. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGLT202401010.htm [37] 刘进, 万志强. 智能化转型与劳动力成本粘性——来自制造业上市公司的经验证据[J]. 安徽大学学报(哲学社会科学版), 2023(3): 133-144. https://www.cnki.com.cn/Article/CJFDTOTAL-ADZS202303015.htm [38] 车帅, 王军. 数字赋能是"生产导向"还是"环境友好"——来自企业数字化转型的微观证据[J]. 广东财经大学学报, 2023(3): 82-97. https://www.cnki.com.cn/Article/CJFDTOTAL-SONG202303006.htm [39] 吴非, 胡慧芷, 林慧妍, 等. 企业数字化转型与资本市场表现——来自股票流动性的经验证据[J]. 管理世界, 2021(7): 130-144. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202107013.htm [40] 蒋殿春, 鲁大宇. 供应链关系变动、融资约束与企业创新[J]. 经济管理, 2022(10): 56-74. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU202210004.htm [41] 段华友, 杨兴柳, 董峰. 数字化转型、融资约束与企业创新[J]. 统计与决策, 2023(5): 164-168. https://www.cnki.com.cn/Article/CJFDTOTAL-TJJC202305030.htm [42] 史湘宁, 房超, 李辉, 等. 我国人工智能关键技术体系演化路径及发展研究——基于科学计量视角[J]. 科学管理研究, 2022(3): 2-11. https://www.cnki.com.cn/Article/CJFDTOTAL-KXGY202203001.htm [43] 郑浩天, 靳卫东. 数字经济发展与劳动收入份额变动——兼论数字技术进步的"生产率悖论"[J]. 经济评论, 2024(1): 90-104. https://www.cnki.com.cn/Article/CJFDTOTAL-JJPL202401006.htm [44] 韩峰, 姜竹青. 集聚网络视角下企业数字化的生产率提升效应研究[J]. 管理世界, 2023(11): 54-77. https://www.cnki.com.cn/Article/CJFDTOTAL-GLSJ202311004.htm [45] 余艳, 王雪莹, 郝金星, 等. 酒香还怕巷子深?制造企业数字化转型信号与资本市场定价[J/OL]. 南开管理评论, (2023-08-01) [2024-05-05]. http://kns.cnki.net/kcms/detail/12.1288.f.20230801.1031.002.html .[46] 巫强, 姚雨秀. 企业数字化转型与供应链配置: 集中化还是多元化[J]. 中国工业经济, 2023(8): 99-117. https://www.cnki.com.cn/Article/CJFDTOTAL-GGYY202308006.htm [47] 王超, 余典范, 龙睿. 经济政策不确定性与企业数字化——垫脚石还是绊脚石?[J]. 经济管理, 2023(6): 79-100. https://www.cnki.com.cn/Article/CJFDTOTAL-JJGU202306005.htm 期刊类型引用(1)
1. 符小华. 战略性新兴产业集聚、地区技术多样化与企业新质生产力. 统计与决策. 2025(02): 161-166 . 
百度学术其他类型引用(0)
-
下载:
![](data:image/svg+xml,<svg xmlns='http://www.w3.org/2000/svg' width='210' height='179'><foreignObject width='2000' height='100%'><div xmlns='http://www.w3.org/1999/xhtml' style='font-size:16px;font-family:Helvetica'><table>
<thead>
<tr>
<td align="center" class="table_top_border">变量类型</td>
<td align="center" class="table_top_border">具体变量</td>
<td align="center" class="table_top_border">变量符号</td>
<td align="center" class="table_top_border">变量测量</td>
</tr>
</thead>
<tbody>
<tr>
<td align="center" class="table_top_border2">被解释变量</td>
<td align="center" class="table_top_border2">企业创新</td>
<td align="center" class="table_top_border2"><i>inva</i>_<i>total</i></td>
<td align="center" class="table_top_border2">ln(企业专利申请数量+1)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">实质性创新</td>
<td align="center"><i>inva</i>_<i>subst</i></td>
<td align="center">ln(企业发明专利申请数量+1)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">策略性创新</td>
<td align="center"><i>inva</i>_<i>strat</i></td>
<td align="center">ln(企业非发明专利申请数量+1)</td>
</tr>
<tr>
<td align="center">解释变量</td>
<td align="center">企业智能化转型</td>
<td align="center"><i>int</i></td>
<td align="center">ln (年报所含关键词词频总数+1)</td>
</tr>
<tr>
<td align="center">控制变量</td>
<td align="center">企业规模</td>
<td align="center"><i>scale</i></td>
<td align="center">ln(企业资产总额)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">政府补助</td>
<td align="center"><i>sub</i></td>
<td align="center">ln(政府补助金额)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">企业年龄</td>
<td align="center"><i>age</i></td>
<td align="center">ln(企业成立年龄+1)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">托宾Q值</td>
<td align="center"><i>tq</i></td>
<td align="center">市值/净资产</td>
</tr>
<tr>
<td align="center">
</td><td align="center">资产负债率</td>
<td align="center"><i>lev</i></td>
<td align="center">负债总额/资产总额</td>
</tr>
<tr>
<td align="center">
</td><td align="center">研发投入</td>
<td align="center"><i>invest</i></td>
<td align="center">ln(企业研发投入金额)</td>
</tr>
<tr>
<td align="center">
</td><td align="center">现金流量水平</td>
<td align="center"><i>cash</i></td>
<td align="center">经营性现金净流量/营业总收入</td>
</tr>
<tr>
<td align="center" class="table_bottom_border">
</td><td align="center" class="table_bottom_border">资产收益率</td>
<td align="center" class="table_bottom_border"><i>roa</i></td>
<td align="center" class="table_bottom_border">净利润/总资产</td>
</tr>
</tbody>
</table></div></foreignObject></svg>)