How Artificial Intelligence Empowers New Quality Productive Forces of Enterprises

Xu Hongdan, Wang Jiuhe

(School of Economics and Management, Yanshan University, Qinhuangdao 066004, China)

Abstract：Elevating the level of intelligence is a pivotal measure for enterprises to expedite the formation of new quality productive forces. As a new generation of digital technology, artificial intelligence has realized subversive innovation in production methods, production processes and models, accelerated the transformation of production factors to production capacity, and provided new momentum for developing new quality productivity. However, most existing research on artificial intelligence focuses on the macro level. More literature needs to be examining how artificial intelligence technology empowers the development of enterprises' new quality productive forces.

Therefore, this paper delves into artificial intelligence's empowerment path for enterprises' new quality productive forces. This study focuses on A-share listed companies from 2013 to 2022 to explore the impact of artificial intelligence on the new quality of productive forces within enterprises and the mechanisms that facilitate this influence. Drawing on the theoretical insights, it develops a regression model to assess the effects of AI and further examines the mechanisms through three key lenses: technology empowerment, efficiency empowerment, and information empowerment. To ensure the robustness of the findings, the study performs a series of rigorous checks. These include substituting variable indicators, applying the Propensity Score Matching (PSM) technique, conducting Two-Stage Least Squares (2SLS) regression analysis, and employing a quasi-experimental design centered on the smart transformation of pivotal industries. The results consistently demonstrate the robustness and reliability of our conclusions. Lastly, the empowering effect of artificial intelligence on new quality productive forces can significantly differ because of the distinct internal characteristics and external environment of enterprises. Consequently, the study conducts a heterogeneity analysis of the main effects across three core dimensions of enterprise-level,industry-level,and regional differences.

The study finds that artificial intelligence significantly enhances the development of enterprises' new quality productive forces. Mechanism analysis further reveals that this enhancement is achieved by strengthening digital innovation capabilities, improving the efficiency of supply chain, and mitigating the information asymmetry. Heterogeneity analysis demonstrates that there exist notable disparities in the enabling effects of artificial intelligence on new quality productive forces among different types of enterprises. Specifically, state-owned enterprises, labor-intensive enterprises, those situated in high-tech industries, and those located in regions with substantial fiscal support all exhibit more prominent improvements in their quality new productive forces, being empowered by artificial intelligence. This paper enhances the comprehension of the role of artificial intelligence in the production process at the micro-enterprise level, thereby providing valuable insights for promoting the efficient development of enterprises' new quality productive forces.

The innovations of this paper lie in the following three aspects: Firstly, this paper studies the impact of artificial intelligence level on enterprise development in micro-enterprises. Existing research on artificial intelligence primarily focuses on macro-level effects, such as its influence on regions, industries, and labor markets, with relatively scarce studies at the micro-enterprise level. Furthermore, previous works often measured the artificial intelligence level of enterprises using industrial robot penetration rates, whereas this paper employs text analysis and machine learning methods to construct an artificial intelligence index for enterprises. Secondly, this paper enriches the research on new quality productive forces in enterprises. As a newly proposed concept, the new quality productive forces have predominantly been studied qualitatively, exploring its connotations, characteristics, and formation logic. By leveraging data from listed companies, this paper empirically analyzes the influence of artificial intelligence technology on enterprises' new quality productive forces. Thirdly, this paper provides theoretical support for promoting the enhancement and development of enterprises' new quality productive forces. This paper delves into the mechanisms through which artificial intelligence empowers new quality productive forces from the perspectives of technology, efficiency, and information. The heterogeneous effect on the main effect is further discussed in relation to the differences at enterprise ,industry and regional levels. It offers valuable insights for upgrading enterprises' new quality productive forces.

Key Words：Artificial Intelligence; New Quality Productive Forces; Digital Innovation Capability; Supply Chain Efficiency

DOI：10.6049/kjjbydc.L2024XZ199

开放科学(资源服务)标识码(OSID)：

中图分类号：F272

文献标识码：A

文章编号：1001-7348(2025)07-0001-08

收稿日期：2024-04-09

修回日期：2024-08-16

作者简介：徐红丹(2000-),女,黑龙江哈尔滨人,燕山大学经济管理学院博士研究生,研究方向为企业绿色创新与高质量发展;王玖河(1968-),男,吉林榆树人,燕山大学经济管理学院教授、博士生导师,研究方向为企业运营与高质量发展。本文通讯作者:王玖河。

0 引言

新质生产力是对传统生产力的跃升,是生产力“新”和“质”的结合,以新要素、新技术和新产业为主导,更是生产力高质量、多质性和双质效发展[1-2]。科技创新是新质生产力发展的关键驱动要素,技术创新能促进传统生产力质态转变,进而创造生产力的新形态[3]。作为新一代数字技术,人工智能促使生产方式、生产流程和生产模式发生颠覆性变化,加速生产要素向生产能力转变,为新质生产力发展提供了新动能。因此,有必要探讨人工智能对新质生产力的影响,深入分析其作用机制,为企业推进新质生产力发展提供理论指导。

现有人工智能研究聚焦宏观层面,探讨人工智能对宏观经济增长、产业结构升级、劳动力结构及收入等方面的影响[4-6]。随着企业智能化转型的不断推进,越来越多的学者开始关注人工智能对企业的影响。例如,Li &Branstetter[7]研究发现,智能制造政策能够提升企业生产效率;辛大楞和邱悦[8]研究发现,人工智能通过融资效应和技能升级效应促进企业进口扩张;沈坤荣等[9]研究发现,智能制造政策通过信息化、人力资本和资金渠道促进企业生产效率提升;冯婉昕[10]实证检验国家人工智能先导区政策对企业金融配置的影响。部分研究以行业层面的工业机器人渗透度测量企业人工智能水平,探讨人工智能政策对企业的影响,鲜有文献利用机器学习构建企业人工智能指标体系以探究其对企业新质生产力的影响。

本文利用上市公司数据,实证检验人工智能对新质生产力的赋能路径,从企业、行业和地区差异性3个层面进行异质性分析。本文创新之处如下:第一,探讨人工智能对企业发展的影响。现有人工智能研究基于宏观层面关注人工智能对地区、行业和劳动力市场的影响,微观层面研究较少,本文利用文本分析和机器学习方法测度企业人工智能水平。第二,丰富企业新质生产力研究。本文利用上市公司数据实证分析人工智能对企业新质生产力的影响,以期拓展企业新质生产力研究。第三,为促进企业新质生产力发展提供理论支撑。目前,鲜有文献分析人工智能技术如何赋能企业新质生产力发展。本文从技术、效率和信息3个方面探究人工智能如何赋能企业新质生产力,以期为企业加快发展新质生产力提供启示。

1 理论分析与研究假设

从政治学视角看,新质生产力不仅是对马克思主义生产力理论的继承与发展,更是与数据要素深度融合的体现,其核心内涵在于劳动者、劳动对象与劳动资料的优化组合。新质生产力的提出不仅丰富了马克思主义生产力理论内涵,也为实现中国式现代化提供了理论支撑与实践指导。从经济学视角看,新质生产力以科技创新为驱动要素,以战略性新兴产业和未来产业为主要载体,是高质量发展的推动力。根据熊彼特的创新与内生增长理论,技术进步所发挥的“创造性破坏”作用能够促进经济增长[11]。人工智能技术有助于营造创造性破坏环境,在促进生产力和经济高质量发展方面具有重大潜力。另外,人工智能技术能够与经济社会深度融合,促使生产要素和生产关系向智能化方向发展,为生产力发展提供高素质劳动者以及高技术含量生产资料,进而促进生产力跃升。

具体到微观企业层面,人工智能通过如下渠道赋能企业新质生产力:其一,企业可以利用人工智能开展数字技术创新,实现技术赋能。其二,人工智能通过数据分析、预测与智能化决策等手段优化供应链流程,实现效率赋能。其三,人工智能能够快速获取和分析内外部信息,降低企业信息不对称程度,实现信息赋能。

(1)从技术创新赋能角度看,人工智能可为企业数字技术创新提供新的工具和手段,有助于企业基于海量数据和应用场景提升数字技术创新能力,从而促进新质生产力发展。一是人工智能具有知识溢出效应,在各领域应用可衍生出新的技术和解决方案[12-13]。企业利用人工智能进行研发和创新,开发智能化产品,提升数字技术创新能力。二是企业借助人工智能实现智能化生产和供应链管理,降低成本和提高竞争力,为创新活动营造良好环境[14]。三是人工智能在数据资源利用方面具有显著优势。通过数据分析、挖掘和预测等手段,企业能够深入洞察市场趋势和用户需求,制定决策实现业务升级,为创新提供有力支持。例如,通过分析用户行为,企业可以挖掘潜在创新机会。因此,本文认为人工智能可以增强企业数字创新能力,为技术创新提供技术支持、管理支持和数据支持,进而推动企业新质生产力发展。

(2)从效率赋能角度看,人工智能通过提升供应链效率、资源配置效率和生产效率促进新质生产力发展。第一,人工智能应用于实时数据处理和应用场景,有助于企业实时收集、处理和分析数据,为供应链运营提供智能化决策支持[15]。人工智能可自动调整库存、生产、物流等环节资源配置,确保供应链高效运行。通过优化资源配置,人工智能可降低企业运营成本,提高生产效率。第二,人工智能可推动生产模式智能化转变,实现生产精细化管理[16]。工业智能机器人的引入使得生产线高度数字化和智能化,减少人工干预,从而大幅提高企业生产效率。通过大数据分析和机器学习算法,人工智能可准确预测消费者需求,有助于企业实现个性化生产,从而满足市场多样化需求。第三,人工智能可促进“全链路”各参与者实现协同合作与资源共享[17]。利用区块链等先进技术建立数据共享和数字孪生平台,企业可实时了解供应链运行状态,发现潜在问题并及时解决。数据共享协同合作网络能够增强供应链的稳定性,提高供应链响应速度和灵活性。因此,本文认为,人工智能可提高供应链效率,推动企业实现智能化生产运营,从而提升企业生产效率。

(3)从信息赋能角度看,人工智能有助于企业提升内外部信息收集、整合和处理能力,降低因信息不对称带来的风险和成本,进而推动企业新质生产力发展。一是从企业内部角度看,人工智能有助于企业更好地获取和分析内部运营信息,进而优化资源配置[18]。通过智能化数据分析和预测,人工智能可深度挖掘企业内部海量数据,为企业提供决策支持和业务洞察。基于数据分析结果,人工智能可实现运营预测与优化,帮助企业合理配置资源、降低成本,从而提高生产效率[19]。二是从企业外部角度看,人工智能有助于企业更好地理解市场和客户需求,提高信息透明度和可访问性。借助智能化和数字化平台,人工智能可以分析大量市场和客户数据,提供市场洞察和客户洞察,有助于企业准确了解市场趋势和客户需求。借助智能化客户关系管理系统和数据挖掘技术,企业可实现客户个性化服务与精准营销,进而提高客户满意度和忠诚度[20]。同时,人工智能有助于企业应对外部竞争和市场变化,降低外部信息获取成本,提高自身市场适应能力和竞争优势。总之,人工智能可赋予企业高效获取信息的能力,降低生产经营中的信息不对称程度,从而促进企业新质生产力发展。

综上,本文提出如下研究假设:

H1:人工智能对企业新质生产力发展发挥显著赋能作用。

H2:人工智能可增强企业数字技术创新能力、提高供应链效率和降低信息不对称程度,从而赋能企业新质生产力发展。

2 研究设计

2.1 样本来源

本文选取2013—2022年中国沪深A股上市公司为样本,研究人工智能对企业新质生产力的影响。本文使用的企业年报数据来源于新浪财经网站;企业基本信息与财务数据来源于CSMAR和CNRDS数据库。为确保数据质量,本文对数据作如下处理:①剔除金融行业和房地产行业样本;②剔除ST和*ST状态的样本;③剔除企业年龄小于1和终止上市的样本;④剔除数据缺失样本;⑤对连续变量进行上下1%缩尾处理。最终,得到12 880个观测值。

2.2 变量说明

(1)被解释变量:新质生产力(NP)。参考宋佳等[21]的研究成果,本文基于生产力两要素理论,从劳动力和生产工具两个方面构建企业新质生产力评价指标体系。其中,劳动力由活劳动和劳动对象两个二级指标构成,生产工具由硬科技和软科技两个二级指标构成。本文采用熵值法得到各指标权重,采用线性加权法测算企业新质生产力。

(2)解释变量:人工智能(AI)。现有研究大多采用工业机器人渗透度测量企业人工智能,但工业机器人无法全面反映企业人工智能技术。借鉴姚加权等[22]的测度方法,本文收集上市公司年报文本数据,利用机器学习生成式人工智能词典,将年报中人工智能关键词数量加1并取自然对数作为企业人工智能测度指标。

(3)控制变量。本文选取如下控制变量:企业年龄(age),以企业成立年龄的自然对数衡量;企业规模(asset),使用企业总资产的自然对数衡量;资产负债率(lev),通过负债总额占资产总额的比重反映企业财务杠杆;净资产收益率(roe),采用净利润与净资产的比值衡量;现金流比率(cashflow),采用经营活动现金流量净额与总资产的比值衡量;股权集中度(top),采用第一大股东持股比例衡量;审计意见(opinion),若审计无保留意见为1,否则为0;独立董事占比(indep),采用独立董事人数占董事会总人数的比重衡量。

2.3 模型设计

为探究人工智能对新质生产力的影响,本文构建如下回归模型:

NPit=α0+α1AIit+α2Controlsit+year+ind+pro+εit

(1)

其中,i、t分别表示个体公司和时间;NP表示新质生产力;AI表示人工智能指标;Controls表示一系列控制变量;year、ind、pro分别表示时间固定效应、行业固定效应和省份固定效应;ε表示随机误差项。为避免不同行业间存在的异方差问题,针对模型中回归系数的标准误差,本文进行聚类处理。

基于江艇[23]的研究成果,本文构建传导机制模型,检验人工智能赋能新质生产力的机制路径,如式(2)所示。

MVit=β0+β1AIit+β2Controlsit+year+ind+pro+εit

(2)

其中,MV表示机制变量,分别代表人工智能赋能新质生产力的技术效应、效率效应和信息效应。

3 实证分析

3.1 描述性统计与相关性分析

相关变量描述性统计结果如表1所示。其中,NP的取值范围为1.068～13.932,平均值为5.230,其最小值和最大值存在显著差距,且最小值远低于平均值。由此表明,不同上市公司新质生产力发展情况呈现较大差异。整体来看,上市公司新质生产力存在较大发展空间。AI的取值范围介于0～1.415之间,平均值为0.133,表明大多数上市公司尚未应用人工智能技术。

表1显示,人工智能(AI)与新质生产力(NP)的相关系数为0.254,且在1%水平上显著,初步表明人工智能对企业新质生产力具有赋能作用。控制变量大多与企业新质生产力具有显著相关性,表明控制变量选取具有合理性;绝大多数控制变量间的相关系数小于0.4,表明本文选取的控制变量具有代表性。此外,各主要变量的VIF值介于1.00～1.54之间,由此排除变量间多重共线性问题。

3.2 基准回归结果

基准回归结果如表2所示。列(1)为被解释变量与解释变量间的直接回归结果,列(2)为仅控制固定效应的回归结果,列(3)只考虑控制变量对回归结果的影响,列(4)综合控制控制变量及年份、行业和省份固定效应。结果显示,在加入控制变量与控制固定效应前后,人工智能(AI)回归系数均在1%水平上显著为正。由此表明,人工智能可以推动企业新质生产力发展,假设H1得到验证。

3.3 稳健性检验

3.3.1 替换被解释变量

本文将企业全要素生产率(TFP)作为新质生产力的替代指标,并采用LP方法计算全要素生产率。表3列(1)显示,人工智能应用对企业新质生产力发挥显著赋能作用。

3.3.2 替换解释变量

参考王永钦和董雯[24]的研究,本文用企业工业机器人渗透度(AI-ROB)衡量人工智能,回归结果如表3列(2)所示。结果表明,基准回归结果具有稳健性。此外,上市公司年报中MD&A部分为非财务信息分析的重点,包含企业发展方向和重要决策并涉及人工智能技术的讨论。因此,本文采用上市公司年报MD&A部分人工智能关键词数量加1后取自然对数测度企业人工智能(AI-MDA)。表3列(2)显示,AI-MDA的系数在1%水平上显著为正,由此支持假设H1。

3.3.3 变更样本

为降低异常年份对研究结果的影响,本文剔除2020—2022年数据,回归结果如表3列(3)所示。为消除企业所在城市对回归结果的潜在干扰,本文剔除4个直辖市样本数据进行回归分析,结果如表3列(4)所示。上述结果表明,在剔除异常样本后,人工智能对企业新质生产力发展仍然发挥显著促进作用。

3.3.4 倾向得分匹配法

本文采用倾向得分匹配法(Propensity Score Matching,简称PSM)缓解样本自选择偏差带来的问题。首先,根据企业年报中是否涉及人工智能关键词,将样本细分为处理组与控制组。其次,在不进行样本放回的前提下,采用1∶1最近邻匹配方法将所有控制变量作为协变量进行匹配。再次,进行平衡性检验。结果显示,所有协变量标准化后的偏离程度均有效控制在5%以下并通过T检验,表明匹配效果良好。最后,基于匹配后的样本数据进行回归分析,证实基准回归模型的稳健性,结果如表3列(5)所示。

3.3.5 工具变量法

为确保研究结果的稳健性,本文采用工具变量法进行内生性检验。参考戴翔和王如雪[25]的研究方法,选取解释变量滞后一期作为工具变量,采用两阶段最小二乘(2SLS)方法进行回归分析,结果如表4列(1)(2)所示。列(1)显示,工具变量系数显著为正,同时Cragg-Donald Wald F 统计量超过10,表明工具变量选择合理,不存在弱工具变量问题。列(2)显示,AI系数在1%水平上显著为正,假设H1再次得到验证。

3.3.6 PSM-DID检验

本文以《中国制造2025》中提出的重点产业智能转型为准实验,采用PSM-DID方法缓解模型中的内生性问题,并构建DID模型如式(3)所示。

NPit=λ0+λ1treat×post+λ2Controlsit+year+ind+pro+εit

(3)

其中,treat表示企业所在行业是否属于十大重点领域行业,若是则赋值为1,否则为0;若年份大于或等于2015年(《中国制造2025》由国务院于2015年印发)则post=1,否则为0。本文将样本划分为处理组和控制组,将所有控制变量作为协变量。表4列(3)(4)为匹配前后的回归结果,treat×post的系数在匹配前后均显著为正。由此表明,在考虑内生性问题后,人工智能依然能够促进企业新质生产力发展。

4 作用机制检验

4.1 技术赋能机制检验

人工智能通过智能算法优化、自适应系统以及智能辅助工具提升企业数字技术创新能力。数字技术持续创新能够降低经济活动中的搜索、传递、跟踪以及验证成本,进而促进企业新质生产力发展。

本文根据国家统计局发布的《数字经济及其核心产业统计分类(2021)》,匹配专利主分类号,精确计算上市公司数字专利申请数量,以数字专利申请数量加1后取自然对数衡量数字技术创新能力(Dig)[26]。表5列(1)显示,人工智能通过促进数字技术创新赋能企业新质生产力。经过检验发现,Sobel检验的P值远小于0.05,上述结果证实数字技术创新中介效应存在。

4.2 效率赋能机制检验

人工智能技术正全方位渗透并重塑企业全业务流程,提升供应链各环节数字化水平,实现资源互联互通、弹性互补和有效配置,从而提升供应链运作效率[27]。

参考张倩肖和段义学[28]的研究,本文基于库存周转角度刻画企业供应链效率(Effi)。表5列(2)显示,AI系数在1%水平上显著为正,表明供应链效率在人工智能与企业新质生产力之间发挥显著中介作用。为进一步验证上述中介效应,本文进行Sobel检验,结果显示P值远小于0.05。由上述结果可知,人工智能通过提高供应链效率赋能企业新质生产力。

4.3 信息赋能机制检验

通过人工智能技术可以快速获取和分析企业生产经营数据信息,提高企业信息处理能力,进而降低内部信息不对称程度[9]。信息透明度提高有助于企业提升运营效率,与外部组织实现协同创新,进而促进企业新质生产力发展。

参考于蔚等[29]的研究方法,本文采用计算流动性比率指标、非流动性比率指标和反转指标的第一主成分综合衡量信息不对称程度(Asy),数值越大,表明企业信息不对称程度越高。表5列(3)显示,人工智能能显著降低信息不对称程度,推动企业新质生产力发展。

5 进一步分析

5.1 企业特征对人工智能赋能新质生产力的影响

5.1.1 产权性质

与非国有企业相比,国有企业与政府联系更紧密,通常能够迅速响应政府政策导向。此外,国有企业拥有丰富的资源和较强的风险承担能力,上述优势使其在市场竞争中占据有利地位。根据不同产权性质,本文对样本进行分类,即国有企业组和非国有企业组,检验结果如表6所示。列(1)(2)显示,AI系数均显著为正。通过对比分析发现,在国有企业组,AI回归系数更大。Chow检验结果表明,组间系数差异统计显著性水平达到0.007。由此表明,人工智能对新质生产力的影响在国有企业组和非国有企业组差异显著。这意味着人工智能可以赋能国有企业和非国有企业新质生产力,但对国有企业新质生产力的赋能效果更显著。

5.1.2 劳动密集程度

劳动力密集程度较高企业自动化水平较低,因而对劳动力需求量较大。企业通过引入智能设备和优化人力资本结构提升创新能力与运营效率。因此,本文认为人工智能对劳动密集程度较高企业的影响更显著。借鉴黄勃等[26]的研究方法,采用企业员工总数与固定资产总额的比值衡量劳动密集程度。基于这一指标中位数,本文将样本划分为劳动力密集程度高组和劳动力密集程度低组。表6列(3)(4)显示,AI系数显著为正,表明人工智能对不同劳动密集程度企业新质生产力均发挥显著赋能作用。由Chow检验得到的组间系数差异P值可知,相较于劳动密程度较低企业,人工智能对劳动密集程度较高企业新质生产力的赋能作用更显著。

5.2 行业特征对人工智能赋能新质生产力的影响

参考彭红星和毛新述[30]的研究,根据中国证监会发布的《上市公司行业分类指引》(2012年修订),本文将样本划分为高技术行业企业与非高技术行业企业,检验结果如表7所示。表7列(1)(2)显示,人工智能对新质生产力的赋能作用主要聚焦于高技术行业。

5.3 地区特征对人工智能赋能新质生产力的影响

本文采用财政一般预算支出占地区生产总值的比重衡量财政支持力度,并依据该指标中位数将样本细分为财政支持力度较强组和财政支持力度较弱组,结果如表7列(3)(4)所示。结果发现,在财政支持力度较大地区,人工智能对企业新质生产力的赋能作用更显著。上述结果说明,政府应加大基础设施投资力度,引导企业应用数字技术促进企业新质生产力发展。

6 结语

6.1 研究结论

本文基于2013—2022年上市公司数据分析人工智能技术对企业新质生产力的影响,得出以下主要结论:

(1)我国上市公司新质生产力发展存在较大差异,上市公司整体新质生产力发展程度偏低,存在较大发展空间。

(2)人工智能对企业新质生产力发挥显著赋能作用。

(3)机制检验表明,人工智能通过增强数字技术创新能力、提高供应链效率和降低信息不对称程度赋能企业新质生产力。

(4)异质性分析表明,在企业特征层面,人工智能对国有企业和劳动密集程度较高企业新质生产力的赋能作用更显著。在行业和地区特征层面,在高技术行业和财政支持力度较大地区,人工智能对企业新质生产力的赋能效果更好。

6.2 政策建议

(1)引导和支持企业智能化发展,加快新质生产力生成。我国上市公司人工智能应用差距较大,多数上市公司并未应用人工智能技术。因此,有必要推动企业智能化发展,帮助企业解决转型过程中“无法转型”“缺乏转型能力”等问题。一是构建资金支持体系。设立智能化产业发展基金或专项资金,引导企业加强智能技术研发和应用投入。二是推动产学研深度融合。引导企业与高校、科研机构等开展深度合作,共同推进智能化技术研发与应用,加快新技术孵化与转化。三是拓展示范项目。政府可与部分领先企业开展合作,拓展智能化生产示范项目,通过成功案例鼓励其它企业跟进。

(2)利用人工智能技术重塑企业生产经营模式,推动新质生产力发展。机制检验结果表明,数字技术创新能力、供应链效率和信息透明度是人工智能赋能新质生产力的重要途径。因此,企业需要利用人工智能技术重塑生产经营模式,赋能新质生产力发展。首先,企业应利用人工智能强化数字技术创新能力,积极开展技术研发,探索新的数字技术应用场景和解决方案,包括研发新的软件、硬件、算法、平台等,满足市场需求以提升自身竞争力。其次,借助数据分析和人工智能技术,提升企业供应链运行效率。借助人工智能技术分析海量数据,企业能够精准预测市场需求,实现供应链全面可视化与高效管理。人工智能可以优化库存管理、物流路径和配送策略,以及供应商关系管理体系,提高供应链运行效率,进而助力企业新质生产力发展。企业应采用先进数字技术获取市场需求信息以及业务流程和提高生产效率。同时,通过数字平台构建协同创新网络,实现数据和资源共享,降低信息不对称程度。最后,企业应加强内部管理,将人工智能与企业发展战略相融合,增强内部控制和组织韧性,从而推动企业业务创新与可持续发展。

(3)政府应加大财政支持力度,注重新质生产力可持续发展。一是推行创新券和补贴政策,激励企业加大科技研发投入,推动新技术应用,最终提升产业创新能力。二是实施税收优惠政策,对符合条件的高新技术企业、创新型企业给予税收优惠,降低企业创新成本,从而促进新质生产力发展。三是建设科技园区,加强科技园区建设和发展,提供场地租金补贴、设施设备补贴、科技服务补贴等支持措施,为企业新质生产力发展营造良好环境。

6.3 不足与展望

在本研究的基础上,未来可以对行业进一步细分,如探究人工智能对制造行业、服务行业和高污染行业新质生产力的影响。此外,可基于资源错配和资源编排等视角,深入分析人工智能赋能新质生产力的作用路径。

参考文献：

[1] 蒋永穆,乔张媛.新质生产力:逻辑、内涵及路径[J].社会科学研究,2024,46(1):10-18,211.

[2] 任保平,豆渊博.新质生产力:文献综述与研究展望[J].经济与管理评论,2024,40(3):5-16.

[3] 周文,许凌云.再论新质生产力:认识误区、形成条件与实现路径[J].改革,2024,41(3):26-37.

[4] 陈彦斌,林晨,陈小亮.人工智能、老龄化与经济增长[J].经济研究,2019,54(7):47-63.

[5] 柴正猛,张培铎,韩先锋.工业智能化能成为产业结构升级的新动能吗[J].科技进步与对策,2024,41(19):56-66.

[6] 赵儒煜,高明宇.工业智能化如何影响劳动力技能结构[J].财经科学,2024,68(2):107-118.

[7] LI G, BRANSTETTER L G. Does "Made in China 2025" work for China? evidence from Chinese listed firms[J]. Research Policy, 2024, 53(6): 105009.

[8] 辛大楞,邱悦.人工智能对进口扩张的影响研究:来自中国微观企业层面的证据[J].世界经济研究,2023,39(11):11-25,135.

[9] 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,2024,41(2):5-25.

[10] 冯婉昕.人工智能与企业金融资产配置——来自国家人工智能创新应用先导区的经验证据[J].当代财经,2024,45(4):141-152.

[11] AGHION P, HOWITT P. A Model of growth through creative destruction [J]. Econometrica, 1992, 60(2): 323-351.

[12] 黄东兵,王灵均,周承绪,等.制造企业人工智能创新如何赋能高质量发展——来自中国上市公司的经验证据[J].科技进步与对策,2022,39(8):110-120.

[13] 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,2023,39(9):14-24.

[14] 张夏恒,肖林.数字化转型赋能新质生产力涌现:逻辑框架、现存问题与优化策略[J].学术界,2024,39(1):73-85.

[15] 武宪云,苏敬勤,杨道虹,等.数字技术可供性实现下的数字化转型企业组织惯性构建机制研究[J].科研管理,2024,45(5):34-42.

[16] WAN J, LI X, DAI H N, et al. Artificial-intelligence-driven customized manufacturing factory: key technologies, applications, and challenges[J]. Proceedings of the IEEE, 2020, 109(4): 377-398.

[17] 吴群,陈倩.基于智能制造的新质生产力形成逻辑与跃迁路径研究[J].当代财经,2024,45(9):3-12.

[18] DOU R, ZHUANG G, LIU X, et al. Potential of AI for service performance of manufacturers: analytical and empirical insights[J]. Advanced Engineering Informatics, 2024, 60(1): 102383.

[19] 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,2022,65(10):98-116.

[20] MANSER PAYNE E H, DAHL A J, PELTIER J. Digtal servitization value co-creation framework for AI services: a research agenda for digital transformation in financial service ecosystems[J]. Journal of Research in Interactive Marketing, 2021, 15(2): 200-222.

[21] 宋佳,张金昌,潘艺.ESG发展对企业新质生产力影响的研究——来自中国A股上市企业的经验证据[J].当代经济管理,2024,46(6):1-11.

[22] 姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率——基于劳动力技能结构调整的视角[J].管理世界,2024,40(2):101-116,133.

[23] 江艇.因果推断经验研究中的中介效应与调节效应[J].中国工业经济,2022,40(5):100-120.

[24] 王永钦,董雯.机器人的兴起如何影响中国劳动力市场——来自制造业上市公司的证据[J].经济研究,2020,55(10):159-175.

[25] 戴翔,王如雪.人工智能条件下人口老龄化对全球价值链攀升的影响[J].经济管理,2023,45(3):28-43.

[26] 黄勃,李海彤,刘俊岐,等.数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J].经济研究,2023,58(3):97-115.

[27] 谭永生.数字赋能助推现代化产业体系建设研究[J].宏观经济研究,2024,46(1):75-86.

[28] 张倩肖,段义学.数字赋能、产业链整合与全要素生产率[J].经济管理,2023,45(4):5-21.

[29] 于蔚,汪淼军,金祥荣.政治关联和融资约束:信息效应与资源效应[J].经济研究,2012,47(9):125-139.

[30] 彭红星,毛新述.政府创新补贴、公司高管背景与研发投入——来自我国高科技行业的经验证据[J].财贸经济,2017,38(3):147-161.

(责任编辑：张 悦)