开放科学(资源服务)标识码(OSID)：
To achieve these objectives, this study employs a robust quasi-experimental research design, leveraging the phased, quasi-random rollout of the pilot zones across China from 2007 to 2023 as a series of exogenous policy shocks. This temporal and geographical variation allows for a credible identification strategy. The policy data are meticulously combined with a detailed longitudinal micro-dataset covering all A-share listed companies in China over the same period. The constructed dataset is highly comprehensive, integrating firm-level financial statements, patent application and grant records from the State Intellectual Property Office, R&D expenditure disclosures, and key regional indicators such as ICT infrastructure and university density. The primary econometric methodology is a multi-period difference-in-differences model, which effectively isolates the causal impact of the pilot zone policy by comparing the evolution of innovation outcomes between treated firms and a carefully selected control group of firms before and after the policy's implementation. To ensure the robustness and credibility of the causal inferences, the study employs a battery of stringent tests. These include parallel pre-trend analyses, placebo tests using fictitious policy announcement dates, and alternative variable constructions to mitigate measurement error concerns.
The empirical findings yield several nuanced and critical insights. First, the analysis confirms that the pilot zone policy has led to a statistically significant and economically meaningful increase in the output of high-quality AI-related patents among affected enterprises. This result validates the policy's primary objective of stimulating corporate engagement in cutting-edge AI research and development. Second, the analysis reveals significant heterogeneity in the policy's effects. The innovation-enhancing impact is markedly more substantial for enterprises that initially had lower levels of digital transformation, weaker pre-existing technological endowments, and those located in urban clusters with less developed intelligent infrastructure. This pattern suggests that the policy functions effectively as a form of compensatory support, providing a crucial "catch-up" mechanism for less-advanced firms and helping to reduce regional innovation disparities. A detailed mediation analysis further elucidates the dual channels through which the policy operates: it directly stimulates an increase in internal R&D investment by mitigating financial constraints and signaling strategic importance, and it indirectly fosters deeper and more formalized collaborative ties between industry, universities, and research institutions. This latter channel facilitates critical knowledge spillovers, access to specialized talent, and the shared use of advanced research infrastructure.
Furthermore, while the policy demonstrates clear success in boosting measured innovation, a more granular investigation uncovers the emergence of "innovation bubbles" in certain contexts. This phenomenon manifests as strategic corporate behaviors aimed at signaling compliance with policy goals rather than pursuing genuine technological breakthroughs. It includes both "execution-side" bubbles, where firms invest in superficial AI projects disconnected from their core business to secure subsidies, and "acquisition-side" bubbles, characterized by a focus on patent quantity over quality. This critical finding highlights the complex interplay between strong policy incentives and corporate governance, underscoring the need for sophisticated policy design that rewards substantive innovation rather than mere metric inflation. The study concludes by discussing the broader implications of these findings for innovation policy theory and practice, offering concrete recommendations for designing more effective and resilient AI innovation ecosystems that can truly empower the real economy.
开放科学(资源服务)标识码(OSID)：
人工智能作为新一轮科技革命与产业变革的增长引擎,已成为全球竞争的战略高地[1]。“十四五”规划明确提出培育壮大人工智能等新兴数字产业。自2019年首批国家新一代人工智能创新发展试验区设立以来,我国已在京津冀、长三角等地区布局多个人工智能创新高地,通过数据共享、产学研协同等显著提升企业创新能力[2]。政策激励的同时也伴随结构性矛盾的出现[3],国家新一代人工智能创新发展试验区设立虽然能加速技术扩散、助力企业突破“卡脖子”难题,其政策普惠性也可能诱发创新泡沫,出现研发投入虚增、专利成果降质等问题[4],反映出政策与市场适配性的失衡,亟需提升政策有效性。
现有人工智能政策研究考察了其对企业ESG表现[2,5]、劳动收入分配[1,6]、城市能源韧性[7]、绿色与数字创新[8-9]等方面的影响,相关研究多聚焦国家新一代人工智能创新发展试验区设立对企业创新的单向作用,较少关注资源配置扭曲风险对创新效率的抑制。作为一种政策保障,国家新一代人工智能创新发展试验区的融资、数据支持会激发企业的双重创新行为:一方面通过降低技术吸收门槛、深化产学研合作,拓宽创新边界[10],尤其在数字化转型领域“撬动”通用技术与跨领域技术的融合创新;另一方面,专利数量考核、普惠补贴等同质化政策可能诱发策略性创新[11],衍生创新泡沫与资源配置低效。因此,本文通过文本挖掘与专利分析方法,尝试揭示政策红利下企业创新行为的双重性,为校正政策执行偏差提供经验证据。
本文的边际贡献为:①研究设计上,构建了企业创新成效-创新泡沫的双维分析框架。既有文献探讨了国家新一代人工智能创新发展试验区设立对特定维度创新,如数字创新、绿色创新的影响[8-9],其在数据要素共享机制、算力基础设施普惠化等制度层面设计,特别是以实际场景和需求为核心的政策导向决定了国家新一代人工智能创新发展试验区设立对企业创新兼具激励与扭曲风险,因此本文构建的成效-泡沫双维分析框架有助于揭示其复合效应。②研究机制上,聚焦国家新一代人工智能创新发展试验区设立对场景驱动与制度赋能的作用机制,基于企业响应视角剖析政策激励通过增加研发投入与产学研深度协同两条路径对企业创新的激励效应,并进一步揭示集团母子公司如何借助国家新一代人工智能创新发展试验区资源重构创新网络与拓展创新边界,为政策激励扩大作用机制提供微观证据。③研究数据上,构建了国家新一代人工智能创新发展试验区-企业的合成面板数据,克服了传统区域数据难以捕捉试验区政策对微观企业差异化影响的局限性。此外,基于国家新一代人工智能创新发展试验区分批设立的外生政策冲击构建多时点双重差分模型,有效缓解异质性处理效应的偏误,实现对创新成效与创新泡沫的精准识别。
自2019年北京纳入首批国家新一代人工智能创新发展试验区(下文简称“试验区”)后,试验区历经数次扩容,截至2021年底已有18个城市(区县)获批。依据《国家新一代人工智能创新发展试验区建设工作指引》,其核心目标是通过布局试验区,在科技成果产出、政策工具创新、创新高地打造以及人工智能与经济社会融合模式探索等方面形成可复制经验,服务国家重大区域发展战略;推动人工智能产业从经济增长点转向转型核心动力,助力我国跻身创新型国家前列与世界经济强国。
从试点共性看,各试验区均围绕技术应用、制度环境、政府治理、条件支撑创新人工智能体系。技术应用上聚焦制造、医疗、教育等领域,推进人工智能与实体经济融合及民生领域应用;制度环境上围绕数据开放与安全、成果转化、国际合作探索,构建鼓励原始创新的体制机制;政府治理上通过社会实验评估人工智能的结构性社会影响,为智能时代治理提供方向指引;条件支撑上推进智能基建与研发平台建设,保障公共数据开放与安全以夯实创新基础。从试点特色看,各试验区因区域战略与禀赋差异而侧重点不同。北京依托科研资源,构建产学研用融合创新生态,服务京津冀协同发展;上海立足长三角经济中心定位,探索人工智能如何赋能金融科技、量子信息等战略性新兴产业,助力区域一体化;广州、深圳凭借市场经济活力与粤港澳大湾区建设,夯实数据开放共享与跨境应用基础;重庆、成都则结合地形特征,围绕智能制造、智慧交通探索山地城市智能化治理模式,支撑成渝双城经济圈建设;德清作为唯一的县域试点,依托自身良好的人工智能应用基础,探索自动驾驶、智慧农业引领县域经济发展与乡村振兴的路径。
图1展示2019-2023年各试验区人工智能企业数量变化特征。可以发现,多地企业数量实现跨越式增长,最低增幅达3.2倍,凸显政策扶持与市场需求的叠加效应,标志着试验区建设初见成效,也预示行业即将进入规模化应用阶段。总体而言,各试验区依托区位优势与产业基础,因地制宜地推进人工智能创新,持续发挥人工智能赋能城市经济治理、引领高质量发展的关键作用,形成板块化先进经验,为全国推广共享人工智能红利奠定了经验基础。
图1 2019年、2023年试验区人工智能企业数量
Fig.1 Numbers of artificial intelligence enterprises in the pilot zones in 2019 and 2023
技术制度协同演化理论揭示了技术进步与制度变革间的互促关系——技术进步推动制度革新以适应其特定需求,而新制度建立又为技术迭代提供了合规支持与发展方向[12],人工智能技术发展也遵循这一规律。从技术迭代条件来看,人工智能作为典型的技术密集型产业,其发展高度依赖于大规模的高质量数据、持续高强度的算力支持以及多样化的应用场景[13]。人工智能创新发展试验区的设立,正是为适应这一技术特性而设计的制度实践。
相较于一般性创新政策,试验区的制度创新主要体现在两方面:一是通过建立公共数据开放机制与集中建设算力中心,显著降低企业获取关键要素的壁垒与成本[9];二是通过专项基金、税收优惠与国有资本引导,针对性缓解由人工智能研发的高风险、长周期所引致的融资约束[5]。这些举措在数据共享、算力供给与融资支持方面形成协同效应,有效降低企业在关键环节的创新成本,提升研发投入强度[14]。同时,人工智能技术的高壁垒与多场景适用性,也有助于企业更易获得长期资本支持[15]。对于域内的上市企业,其规模优势在政策赋能下更突出,能够高效利用开放数据优化算法,加速技术迭代[2,7]。由此可见,试验区通过构建与人工智能技术特性相匹配的制度体系,回应其在数据、算力与场景方面的内在需求,实现技术与制度的良性互动。这一协同机制整合了融资便利、数据集成与基础设施支持等多维优势,为企业提升创新成效提供了有力支撑。因此,本文提出如下研究假设:
H1:人工智能创新发展试验区设立有效提升企业创新成效。
(1)研发投入的增长效应。试验区通过构建适配人工智能技术特性的制度环境,降低创新不确定性并改善市场预期,从而激励企业加大研发投入。在融资支持方面,针对人工智能研发的高风险与长周期特征,试验区不仅提供财政补贴与税收优惠[7],而且推动国有资本与市场化基金协同,引导社会资本精准支持相关项目,实现风险共担与融资渠道拓展[5],缓解企业研发资金压力。在市场预期方面,人工智能在制造、医疗和政务等领域的应用潜力尚未完全释放[16],试验区通过政策引导与数据开放,增强技术落地可行性,向企业传递清晰的盈利信号[17],激发其基于市场份额抢占动机提高研发强度。因此,在制度支持与市场前景双重驱动下,试验区企业有动力提高研发投入以提升创新成效。据此,本文提出如下研究假设:
H2a:人工智能创新发展试验区通过提高研发投入强度驱动企业创新成效提升。
(2)产学研合作的协同效应。人工智能技术固有的复杂性、前沿性,要求企业加强与高校、科研机构合作,深化产学研用结合[2,6]。试验区通过制度创新有效降低产学研用合作壁垒,提升协同合作效率。在合作机会方面,借助财税激励与公共数据共享机制[18],试验区缓解了数据与应用场景不足的问题,降低了企业知识获取成本,促进了知识流动与产学研合作[19]。而资源整合能力强的上市企业通过主导合作成果转化与专利布局,成为主要受益者[20]。在合作效率方面,试验区提供集中式算力与规范化数据平台,通过智能文献检索和自动化数据分析等人工智能技术应用取代传统研发中的低效环节,帮助高校聚焦核心领域创新,缩短技术转化周期[18],整体提升企业研发效率。因此,试验区通过构建适配人工智能技术特性的产学研协同制度环境,有效回应了技术发展对深度跨界协作的需求。据此,本文提出如下研究假设:
H2b:人工智能创新发展试验区通过深化产学研合作提升企业创新成效。
在探究人工智能创新发展试验区影响企业创新成效的作用机制基础上,本文进一步考察政策对企业创新边界的影响。由于人工智能技术具有显著的网络外部性与知识溢出特性,这意味着试验区政策的影响可能超越企业自身,通过重构创新网络与拓展技术应用范围而产生溢出效应。溢出效应的考察不仅有助于从理论上拓展对政策作用机制与影响边界的认知,也能为实践中更全面评估试验区建设的综合创新成效提供依据。因此,本文从集团内部与新技术领域两个维度,系统分析创新边界的溢出效应表现。
(1)集团内部的创新网络重构。人工智能技术研发具有集成性与高风险性,其创新过程往往依赖于跨组织协作与资源整合。从企业整体来看,试验区政策不仅对企业主体形成直接激励[8],而且通过降低集团内部协作成本、强化专业分工与优化风险共担机制,促进集团内部的知识流动与创新协同。在协作成本方面,集团成员可共享试验区提供的数据开放、算力支持等政策资源,形成内部资源池[21],降低要素获取壁垒与交易成本,推动技术许可等内部知识扩散[22]。在专业分工方面,集团依托已有分工基础,以企业为创新枢纽,通过模块化技术分解,与子公司形成核心—边缘式协作架构,提升整体创新效率[19,21]。在风险共担方面,试验区通过税收优惠与研发费用加计扣除等政策,降低集团内部研发协商成本[15],激励企业主导跨主体联合研发,实现风险分散。综上,试验区通过降低协作壁垒、重构集团内部创新网络,推动企业创新成效向集团成员溢出。据此,本文提出如下研究假设:
H3a:人工智能创新发展试验区有助于重构集团内部创新网络,推动企业创新成效溢出至集团其他成员企业。
(2)新技术领域的创新溢出。试验区不仅促进企业在人工智能领域的创新,而且借助人工智能技术的跨领域适配性,推动创新成果外溢至其它新技术领域。从应用场景看,试验区对城市治理等融合场景的应用需求倒逼企业突破原有技术边界[10],加速人工智能与新领域知识融合,催生交叉学科的创新产出[23]。从资源再配置角度看,试验区政策释放出对跨领域人才与资本的强烈需求[24],通过吸引人才与资本流入为企业拓展新技术领域提供资源支撑。从学习曲线的外溢效应与技术通用性看,随着企业对深度学习等核心技术的掌握日益成熟,其模型可迁移性与算法灵活性使得人工智能能够以较低成本适配至其他技术领域[18]。例如医疗影像识别模型经调整后可快速应用于工业质检,这种低成本的跨领域迁移能力为企业实现创新边界的结构性扩展创造了条件[23,25]。据此,本文提出如下假设:
H3b:人工智能创新发展试验区基于人工智能技术的跨领域适配性,有助于促进企业创新成效外溢至其它技术领域,实现创新边界的结构性延伸。
前述分析表明,人工智能创新发展试验区设立有助于提升企业创新成效,但政策激励在激发实质创新的同时,也可能伴生非预期后果。创新泡沫作为创新数量与质量脱节的现象,在强政策干预的背景下尤其值得警惕。若政策执行过于侧重短期可量化的产出,可能导致企业策略性迎合,造成创新资源错配与效率损失,长期内抑制真正有突破性的创新活动。因此,为全面评估试验区政策效果,本文进一步探讨是否存在衍生创新泡沫,为政策引导创新实现量质提升提供依据。具体而言,创新泡沫是指创新活动在数量增长与质量提升之间出现显著脱节的现象,表现为专利数、研发投入等量化指标快速上升,而成果的实际价值与转化效率未能同步提高[4,26]。尽管试验区的制度设计有助于促进企业创新,但也可能引发重数量、轻质量的策略性创新行为[27-28],带来创新泡沫等非预期后果。从形成机制看,政策激励扭曲与信息不对称是诱发创新泡沫形成的重要因素。研究表明,补贴政策在配置与验收环节可能扭曲企业创新导向,助长重量轻质的策略风向[29];而廉政建设有助于抑制此类政策扭曲带来的泡沫风险[28]。此外,智能化技术虽然有助于提升创新效率,但是在降低模仿成本的同时也加剧了专利泡沫化[30]。相关研究也证实了创新泡沫的存在,如ESG评级分化会加剧企业绿色创新泡沫出现[11],高校资源错配易导致专利质量下降。据此可推断,试验区对人工智能领域产生政策激励效应、提升创新成效的同时,也可能引发创新泡沫。
一是试验区设定的量化政策目标与短期考核压力可能引发激励扭曲。人工智能技术研发需长期投入与持续试错,但在明确的时间窗口期与产出要求下,部分企业可能倾向于选择技术门槛低、周期短且易于量化的项目进行策略性创新[26,29],以快速达成考核指标并获取财政补贴[27],从而出现“重数量、轻质量”的创新行为。二是试验区集中供给的数据、算力与资金资源可能诱发企业的信号投机行为。人工智能作为资本与技术密集型领域,其发展高度依赖关键要素支持,而政策资源投向向市场传递出企业发展向好的积极信号。部分企业会利用这些资源进行“虚假创新”,例如批量申请低质量专利[4],向资本市场释放技术进步信号,以谋求短期市场估值提升[17],而非致力于实质性研发突破。三是试验区监管体系的建设滞后可能滋生制度套利空间。人工智能技术迭代快速、应用场景多样,其监管的及时性与适应性要求高。在监管规则尚未成熟阶段,部分企业可能利用监管盲区,通过夸大技术成果、规避合规要求等方式,将未成熟技术推向市场,从而进行策略性套利。因此,本文提出以下研究假设:
H4:人工智能创新发展试验区在提升创新成效的同时,也衍生创新泡沫。
综上所述,本文构建理论研究框架如图2所示。
图2 理论框架
Fig.2 Theoretical framework
中国人工智能领域相关研究及专利于2007年后进入快速且稳定增长阶段,因此本文以2007-2023年中国沪深A股上市企业作为研究样本。其中,人工智能专利数据来自国家知识产权局中国专利数据库,人工智能词频数据来自新浪财经官网,其他企业数据来自国泰安经济金融数据库(CSMAR)。同时,剔除ST、*ST等异常样本和数据缺失过多样本,剔除样本占样本总量的4.689%,最终得到4 293家企业共46 955个公司—年度观测值。为减少极端值干扰,对连续变量做1%水平的缩尾处理。
3.2.1 企业创新成效
被解释变量:企业创新成效(Patent)。企业的专利拥有程度能较为准确地刻画企业创新成效,这一点已受到大多数研究的认可[3,31]。因此,人工智能专利授权数可以较好地反映企业在人工智能领域的创新成效。本文借鉴姚加权等[16]的做法,借助国家知识产权局中国专利数据库对上市企业的专利文本进行识别,将具有人工智能相关词频的专利逐年匹配至上市企业,以上市企业人工智能专利授权数代表企业创新成效。在替换被解释变量的稳健性检验部分,首先,采用上市企业人工智能专利的申请数替换授权数;其次,根据2021年国家知识产权局公布的人工智能国际专利分类号,借鉴寇宗来和刘学悦[31]的做法,在中国专利数据库中按分类号获取上市企业人工智能专利申请数量与授权数量,作为稳健性检验的进一步补充;最后,利用Python软件在新浪财经网站公布的上市企业年报中爬取人工智能词频,将其占年报总文本的比重作为稳健性检验中企业创新成效的另一测度指标。
3.2.2 人工智能创新发展试验区设立
核心解释变量:人工智能创新发展试验区设立。Treati×timet表示人工智能创新发展试验区设立的虚拟变量,其中,Treati为地区虚拟变量,如果上市企业的注册地城市属于人工智能创新发展试验区,则取值为1,否则为0;timet为时间虚拟变量,试验区设立年份及以后取值为1,否则为0。由于部分城市当年纳入试验区的时间较晚,影响了政策生效时间,因此对当年9-12月设立试点的城市,本文统一将政策生效时间设定为次年。
3.2.3 控制变量
控制变量:①盈利能力(Profit),即总资产净利润率;②融资约束(Fin),即融资约束SA指数;③资产负债率(Asset_debt),即总负债占总资产的比重;④投资回报率(TurbinQ),即托宾Q值,采用股票市场价值与资产重置成本的比值衡量;⑤股权结构(Top1),即第一大股东持股比例;⑥产业集中度(HHI),采用企业所有者权益与行业内所有者权益比值的平方累加值衡量;⑦技术进步(TFP),采用基于OP法测算得到的全要素生产率衡量;⑧资产效率(Roe),采用净利润与平均净资产的比值衡量。
3.2.4 机制变量
上述探讨了人工智能发展试验区影响企业创新成效的作用机制,选取机制变量指标如下:①研发绝对投入(RD1),即企业人工智能研发投入总金额;②研发相对投入(RD2),即企业人工智能研发投入占无形资产投入的比重,同时,根据人工智能投资用途分为硬件投入与软件投入;③产学研合作机会(Chance),即企业是否存在产学研合作;④产学研合作效率(Efficiency),即产学研合作专利数量。
3.2.5 企业创新泡沫
企业创新泡沫包括创新执行泡沫(Bub1)与创新实际泡沫(Bub2)。企业创新泡沫本质上源于创新信号传递与实际创新产出间的偏差。传统测度多局限于当年专利申请量与授权量之差[11],这一测度方式因忽视了专利审查周期而存在局限性。根据创新过程阶段理论,创新可分为“执行-转化-宣传”三个阶段,分别对应专利申请、专利授权和年报披露。创新泡沫既可能产生于“执行-宣传”间的差距,也可能源于“转化-宣传”间的差距,而传统测度因未区分阶段差异,难以精准识别泡沫产生的具体环节。基于上述理论框架,本文将创新泡沫细分为创新执行泡沫(Bub1)与创新实际泡沫(Bub2)。引入上市企业年报中人工智能词频占比衡量宣传阶段的创新成效,年报作为法定信息披露文件于次年年初发布,完整总结了上一年度创新成效。从阶段视角看,从专利申请至授权通常存在2～3年的审查周期,这一客观时滞被传统测度误判为创新泡沫,而年报披露因反映上年创新成效,与专利申请、授权处于同一时间维度,能有效克服客观时滞的影响。在具体指标构建上,创新执行泡沫(Bub1)被定义为“标准化年报词频占比减去标准化专利申请数量”,用于衡量“执行-宣传”口径的泡沫。专利申请是创新意图转变为实际行动的关键步骤,若其与年报披露水平不符,则反映出企业可能存在言行不一的策略性披露行为,有助于识别“执行-宣传”阶段的泡沫。创新实际泡沫(Bub2)则被定义为“标准化年报词频占比减去标准化专利授权数量”,用以捕捉“转化-宣传”口径的泡沫。专利授权作为创新成果的最终验证,若与年报披露水平差距显著,则反映出创新的实际转化效率不足。
具体而言,通过标准化处理去除量纲影响,对各指标的处理如下:
(1)
其中,ηij为第i个企业第j年的人工智能年报披露水平aij的标准化结果,max(aij)、min(aij)分别为所有企业样本中第j年的人工智能年报披露水平最大值与最小值。同理,φij、ρij分别为第i个企业第j年的人工智能专利申请数bij与人工智能专利授权数cij的标准化结果,max(bij)、max(cij)与min(bij)、min(cij)分别为所有企业样本中第j年同一指标的最大值与最小值。将标准化后的人工智能年报披露水平分别与人工智能专利申请数、授权数作差,即可得到企业人工智能领域的执行泡沫(Bub1)与实际泡沫(Bub2),具体如下:
(2)
为降低单一测度的不确定性,本文还构造了三类稳健性指标:①按专利价值区分的测度。根据发明专利价值更高的结论[26],将人工智能专利授权数区分为发明专利与实用新型专利并做标准化处理,分别得到年报披露水平与发明专利授权数之差(Auh_inv)、年报披露水平与实用新型专利授权数之差(Auh_pac)。②抵消主观偏差的测度。年报披露水平与专利申请量均会受到主观动机影响且主观性同向,两者作差可抵消部分主观性影响,故将人工智能专利申请数区分为发明专利申请数与实用新型专利申请数并做标准化处理,分别得到年报披露水平与发明专利申请数之差(Apl_inv)、年报披露水平与实用新型专利申请数之差(Apl_pac)。③参照传统方法的测度。借鉴Geng等[11]的思路,以标准化后的专利申请数与专利授权数之差(Apl_Auh)测度创新泡沫,与改进指标形成对比。
本文变量描述性统计结果如表1所示。可以发现,企业创新成效均值远低于标准差,且最大值24远高于均值0.023,表明多数企业的人工智能创新产出较低,少数头部企业主导人工智能创新,这符合人工智能作为新兴领域的特征。人工智能发展试验区的均值表明实验组与对照组样本量比为1∶4.868,符合双重差分法的样本要求。
表1 变量描述性统计结果
Table 1 Variable descriptive statistics
变量名称变量符号均值标准差最小值最大值企业创新成效Patent0.0230.2610.00024.000人工智能创新发展试验区设立Treat×time0.1700.3760.0001.000盈利能力Profit0.0400.071-0.2660.233融资约束Fin-3.7990.278-4.447-2.763资产负债率Asset_debt0.4320.2130.0520.967投资回报率TurbinQ2.0651.3690.8409.018股权结构Top134.20914.9238.33074.300产业集中度HHI0.1500.1520.0330.957技术进步TFP6.6370.9254.4759.169资产效率Roe0.0570.169-0.9430.432研发绝对投入RD10.1460.1720.0000.815研发相对投入RD20.0020.0000.0010.003产学研合作机会Chance0.0380.1920.0001.000产学研合作效率Efficiency0.2706.0400.000618.000创新执行泡沫Bub10.0110.038-0.9340.673创新实际泡沫Bub20.0110.039-0.9570.670
注:由于数据可得性,研发绝对投入(RD1)、研发相对投入(RD2)样本量分别为40 700和38 670,其余变量样本量均为46 955
为了考察设立人工智能创新发展试验区对企业创新成效的影响,构建回归模型:
Patentit=α+βTreati×timei+δXit+μi+ρt+εit
(3)
其中,i和t分别表示企业、年份,被解释变量Patentit代表企业创新成效,Treati表示试点地区的虚拟变量,timet表示试点年份的虚拟变量,二者相乘构成人工智能创新发展试验区的代理变量,Xit为控制变量,包括企业财务特征与股权特征。α为截距项,β为Treati×timet的系数,反映人工智能创新发展试验区对企业创新成效的影响。同时,模型还控制了年份固定效应ρt和公司个体固定效应μi,εit为随机干扰项。
本文重点考察人工智能创新发展试验区设立对企业创新成效的影响,表2展示实证结果。其中,列(1)仅控制公司个体固定效应,列(2)(3)依次纳入控制变量与年份固定效应,列(4)控制了双向固定效应与所有控制变量。结果显示,人工智能创新发展试验区设立在1%水平上显著增加企业人工智能专利授权量,表明企业创新成效得到显著提升,验证了研究假设H1。
表2 基准回归结果
Table 2 Baseline regression results
变量(1)(2)(3)(4)PatentPatentPatentPatentTreat×time0.068***0.064***0.019***0.028***(9.059)(7.219)(2.749)(3.186)_cons0.011***0.0020.220***0.959***(8.461)(0.066)(4.377)(5.541)ControlsNoYesYesYesYear FENoNoYesYesFirm FEYesYesNoYesAdj.R20.0240.0260.0580.074N46 95546 95546 95546 955
注:括号内为聚类到企业层面的t值,*、**、***分别代表10%、5%和1%的显著性水平,下同
4.2.1 平行趋势假设评估
双重差分法的应用前提是满足平行趋势假设,本文借鉴Jacobson等[32]的研究,运用事件研究法验证该假设,以试验区设立前一年为基期。图3(a)的结果表明,设立前估计系数呈平行变化,置信区间均含0值;设立后,试点地区企业创新成效显著高于非试点地区企业,由此判定平行趋势假设成立。
图3 交错双重差分法适用性检验
Fig.3 Applicability test of the staggered DID method
4.2.2 安慰剂检验
鉴于人工智能创新发展试验区设立时间不同,本文采用交错双重差分法作为估计模型。为确保基准回归结果非随机,借鉴陈强等[33]的研究,采用安慰剂检验方法,实施有约束的交错DID混合安慰剂检验以排除偏误。图3(b)的结果表明,安慰剂效应系数呈正态分布且集中在0值附近,所有取值均小于基准估计值0.028,表明虚拟试点Treat×time未对企业创新成效产生显著影响,从而证实企业创新成效提升源于人工智能创新发展试验区设立,安慰剂检验通过。
4.2.3 Goodman-Bacon分解
由于交错双重差分法可能因异质性处理导致估计结果有偏,本文根据Goodman-Bacon[34]的分解思路,检验异质性效应是否存在。图3(c)的结果表明,晚处理组与早处理组的比较效应、时变处理组与始终处理组的比较效应权重分别对应2.2%和5%,说明这两类处理效应的异质性不明显,支持本文使用交错双重差分法作为基准模型。
4.3.1 工具变量估计
2020年科技部印发《国家新一代人工智能创新发展试验区建设工作指引(修订版)》,明确试验区申报需满足科教资源、产业基础等要求,即设立城市具备较好的人工智能发展基础。为解决反向因果与遗漏变量引发的内生性,本文采用两阶段最小二乘法(2SLS),以前置一期人工智能企业数量与“211工程”院校数量的交乘项(Num_firm×school)作为工具变量。其中,人工智能企业数量反映当地产业基础,“211工程”院校数量体现科教资源,二者构成人工智能产学研用前期条件,是试验区获得批复的重要指标且前置一期企业数量不受当期创新成效影响,同时,“211工程”院校数量外生于企业行为,理论上满足工具变量的相关性与外生性要求。结果如表3列(1)(2)所示,第一阶段中,工具变量显著提升试验区设立概率,K-P rk LM统计量与K-P rk W F统计量均在1%水平上通过不可识别和弱工具变量检验,表明工具变量有效;第二阶段中,Treat×time系数显著为正,且绝对值较基准回归膨胀,验证了假设H1。
表3 内生性处理结果
Table 3 Endogeneity treatment results
变量(1)(2)2SLSTreat×timePatent(3)PSM-DIDPatent(4)(5)剔除同类政策样本PatentPatentNum_firm×school0.008***(47.61)Treat×time0.063***0.015**0.061***0.031***(4.01)(2.01)(3.30)(3.25)_cons0.841***0.978***1.000***(4.96)(4.90)(5.58)ControlsYesYesYesYesYesYear FEYesYesYesYesYesFirm FEYesYesYesYesYesK-P rk LM681.98K-P rk W F2 266.31Adj.R20.0060.0060.0870.0620.070N46 95546 95541 58341 19345 450
4.3.2 倾向得分匹配-双重差分法
考虑到城市在经济基础、要素禀赋等方面的差异可能导致样本自选择偏误,本文基于PSM方法筛选与实验组高度匹配的对照组,增强试点与非试点地区的可比性。具体步骤为:首先,通过Logit模型预测各地区成为试验区的概率;其次,以1∶3近邻匹配为实验组逐期匹配合适的对照样本,以缓解自选择偏误引发的内生性;最后,对匹配后样本进行交错DID回归。由图4可知,匹配后处理组与对照组的核密度曲线偏差缩小,基线水平达到良好平衡。表3中列(3)结果显示,Treat×time系数在5%水平上显著为正,表明考虑自选择偏误后,假设H1仍然成立。
图4 倾向得分匹配核密度分布
Fig.4 Kernel density distribution of propensity score matching
4.3.3 剔除同类政策样本
同期多项同类政策可能干扰试验区政策效应识别,为获取其净效应,需排除其他政策干扰,故剔除同期同类政策样本,仅保留试验区与无政策冲击样本。此期间数智类政策主要包括人工智能创新应用先导区(下称“先导区”)与国家级知识产权示范区(下称“示范区”)。先导区以强化人工智能应用导向、加速技术产品落地为目标,与试验区子目标重合,故剔除11个先导区样本后重新回归;示范区以加强知识产权保护、促进科技创新为目标,可能激励企业申请专利,将统计出的6批次共77个示范区样本剔除后再次回归。表3中列(4)(5)显示,排除同类政策影响后,试验区对企业创新成效的正向影响仍显著,再次验证假设H1成立。
4.4.1 替换估计模型
(1)异质性处理效应检验(csdid)。双向固定效应模型中,交错DID的估计系数是多组标准DID估计的加权平均值。若各组处理结果随时间呈现异质性,表明DID估计产生偏差[34]。鉴于不同企业在不同时间被纳入试点,处理效应可能存在差异,故本文借鉴Callaway&Anna[35]的研究,采用加权DID方法对两个时期处理组与对照组的结果变化进行无偏误估计,结果如表4列(1)(2)所示。列(1)显示,纳入试点后,政策冲击对企业创新成效仍有显著正向影响;列(2)进一步呈现处理组前后的政策效应,其显著变化不仅印证交错DID估计所支持的假设H1成立,而且验证了平行趋势假设评估的有效性。
表4 稳健性检验:替换估计模型
Table 4 Robustness test: replacing the estimation model
变量(1)(2)(3)csdidcsdiddid2sTreat×time0.025***0.026***(3.47)(3.98)Pre_average0.000 2(0.51)Post_average0.024***(3.76)ControlsYesYesYesYear FEYesYesYesFirm FEYesYesYesN46 95546 95546 955
(2)两阶段双重差分法(did2s)。两阶段双重差分法(did2s)的核心逻辑为:第一阶段识别组别效应与时期效应并予以消除,第二阶段对处理变量进行回归,该方法有助于缓解交错DID的异质性与负权重问题。两阶段双重差分结果如表4列(3)所示。结果显示,纳入试验区后,政策冲击对样本企业创新成效的正向影响显著,进一步证实了本文交错DID估计结果的稳健性。
4.4.2 替换被解释变量
为验证试验区设立对企业创新成效影响的结论是否依赖特定评估指标,本文通过替换被解释变量开展稳健性检验:一是选择按关键词识别的人工智能专利申请数替换原变量;二是借鉴寇宗来和刘学悦[31]的方法,采用按分类号识别的人工智能专利授权数与申请数指标;三是参考姚加权等[16]的人工智能词典,以人工智能词频占上市企业年报全文长度的比例衡量创新成效。研究结果显示,Treat×time系数至少在5%水平上显著为正,表明假设H1依然成立,结论具有稳健性。
4.4.3 排除其他政策干扰
为进一步减少同类政策对试验区政策效应识别的干扰,本文将同类政策设为虚拟变量纳入模型,可得到更精确的企业创新成效。除人工智能创新应用先导区与国家级知识产权示范区外,还考虑智慧城市试点与宽带中国试点的干扰。智慧城市试点分3批共290个地区,利用信息技术打造良好城市形态,与试验区技术环境支撑功能相似;宽带中国试点共117个城市,通过基建赋能信息化,与试验区目标存在重合,故同时将先导区、示范区政策变量纳入模型。研究结果显示,上述4项政策均未对企业创新成效产生显著影响,且控制后试验区对创新成效的正向影响仍显著,说明即便考虑同期其他政策,人工智能创新发展试验区对提升地区企业创新成效的驱动效应依然显著存在。
4.4.4 其他稳健性检验
一是剔除上市年份小于5年的样本,避免短期的上市企业样本干扰政策的长期有效性;二是纳入行业-年份交互固定效应以控制行业年度不可观测因素,纳入城市固定效应以控制城市不可观测特征;三是剔除北京、上海、重庆等直辖市样本,排除城市样本特殊性的干扰;四是考虑政策传导时滞,采用滞后一期的Treat×time回归。结果显示,人工智能创新发展试验区对企业创新成效的影响依然显著。
4.5.1 数字化转型程度差异
前文已验证人工智能创新发展试验区对企业创新成效的提升作用,考虑到企业本身的数智化属性可能导致数字化水平差异,进而影响政策效果异质性,本文以样本期内公司数字化转型程度均值的中位数为界,将样本分为高、低数字化转型两组。研究发现,Treat×time系数在低数字化转型子样本中显著为正,在高数字化子样本中不显著。原因在于,二者的创新激励与路径锁定存在差异。高数字化企业已具备技术基础与数字化能力,创新聚焦技术领先性与市场份额,政策的直接撬动作用有限,且企业在数据共享、产学研合作等方面已领先其他企业,因而试验区设立的边际贡献低;低数字化企业技术吸收能力弱,长期受数据“孤岛”、人才资金短缺制约,试验区的资源与政策支持则能提供有效激励,故而边际效应显著。此外,高数字化企业因技术路径依赖难以调整创新方向,与人工智能技术也存在兼容性问题,故试验区设立的影响力有限;低数字化企业缺少固定技术路径,更易借助试验区设立实现人工智能领域的专利扩张。
4.5.2 技术禀赋差异
企业技术禀赋决定其人工智能应用主动性,进而影响创新成效。本文参考《高技术产业分类(2017/2018)》,按是否为高技术产业将样本分为高、低技术禀赋两组。研究发现,Treat×time系数在低技术禀赋子样本中显著为正,在高技术禀赋子样本中不显著。原因在于,行业间存在创新边际效应差异。其中,ICT、生物医药等高技术企业本身处于人工智能研发应用前沿,创新行为持续且投入高、专业化程度强,试验区的公共支持相较其固有研发投入与技术路线的边际效应有限,故企业对试验区设立的依赖度较低;而对于传统制造、零售等非高技术企业,人工智能为新技术领域,试验区以推动人工智能与实体经济融合、赋能传统产业升级为目标,提供的普适性支持能大幅降低这类企业人工智能应用门槛与风险,带来从无到有的突破,故试验区设立的边际效应更显著。
4.5.3 城市群差异
依据“十四五”规划,城市群协作有助于人工智能产城融合。本文按上市企业注册地,将试验区企业按5大城市群分类,与非试验区企业构成异质性样本,以评估创新效应,研究发现,Treat×time系数在环渤海、长江中游城市群显著为正,其他区域不显著。原因在于,不同城市群的产业基础存在差异。其中,环渤海、长江中游起步晚、集群度低,技术积累与市场化资源获取能力弱,后发优势使其能最大化政策资源配置效率,因此政策边际贡献高于市场;长三角、珠三角因人工智能产业基础好与资源丰富,试验区的资源投入易加剧资源冗余,反而抑制创新效率提升。《中国人工智能区域竞争力研究报告(2024)》数据显示,华东地区人工智能资本投入指数居于全国首位,但资本密集度与创新效率显著低于其他区域,其量化结果亦提供了经验证据。
5.1.1 研发投入的增长效应
当前人工智能应用场景有待拓展,高盈利预期虽然有助于驱动企业入市,但考虑到研发风险与融资压力,企业多处于观望状态。试验区设立有助于破解融资难题、降低研发风险,从而减轻企业研发压力、促进创新投入。本文验证其是否通过优化融资环境促进企业加大研发投入,重点考察试验区对企业绝对与相对研发投入的影响,通过细化智能化投资软硬件分配比例并采用Bootstrap检验机制路径,结果如表5所示。研究发现,绝对和相对研发投入在试验区与企业创新成效间的链式中介效应均至少在1%水平上显著,且Bootstrap=1 000的95%置信区间不含0,表明中介效应稳健,同时,试验区设立有助于提升软硬件投资,且相比之下硬件投资比例显著下降、软件比例增长。这源于人工智能硬件通用化、软件专用化的发展趋势,试验区集中提供算力基础设施,降低企业自建硬件必要性,减少重复投资,企业转而投向互补性软件。硬件通用性增强促使软件创新成为利润核心,进一步推动企业加大研发投入,由此验证假设H2a。
表5 机制分析:研发投入与产学研合作
Table 5 Mechanism analysis: R&D investment and industry-university-research cooperation
路径间接效应估计Bootstrap标准误下限(95%CI)上限(95%CI)人工智能试点—研发绝对投入—企业创新成效0.001 83***0.000 710.000 440.003 23人工智能试点—研发相对投入—企业创新成效0.010 02***0.001 610.006 860.013 18人工智能试点—硬件投入比例—企业创新成效-0.000 69**0.000 32-0.001 32-0.000 05人工智能试点—软件投入比例—企业创新成效0.002 24***0.000 470.001 320.003 16人工智能试点—产学研合作机会—企业创新成效0.000 47**0.000 200.000 070.000 09人工智能试点—产学研合作效率—企业创新成效0.000 64**0.000 280.000 090.001 18
5.1.2 产学研合作的协同效应
产学研合作是企业持续获取创新成效的关键外部力量,因此需考察试验区是否深化产学研用合作,本文重点分析试验区对产学研合作机会与效率的影响,结果如表5所示。结果表明,产学研合作机会和效率在试验区与企业创新成效间的链式中介效应均在5%水平上显著,且95%置信区间不含0,证实试验区通过深化产学研合作,促进试验区企业创新成效提升,即假设H2b得到验证。
5.2.1 集团内部创新网络重构
上市企业所属集团依托子公司专业化分工与资源互补形成创新网络,子公司虽独立经营但受母公司控制,协同支撑集团创新战略。因此,本文以子公司按关键词识别的人工智能专利授权数衡量其创新成效,并用按关键词识别的专利申请数、按分类号识别的专利授权数与申请数做稳健性检验,考察试验区设立对子公司创新成效的影响,结果如表6所示。结果显示,Treat×time系数均显著为正,表明相较于非试验区企业,试验区企业不仅自身专利数增加,子公司专利产出也同步增长。这说明试验区政策激励与促进了集团内部创新资源共享与研发风险共担,推动形成专业化创新网络,促成跨主体创新行为,假设H3a得到验证。
表6 技术溢出效应:集团内部溢出
Table 6 Technology spillover effect: spillover within the group
(1)(2)(3)(4)变量子公司授权专利数-按关键词子公司申请专利数-按关键词子公司授权专利数-按分类号子公司申请专利数-按分类号Patent_ZPatentb_ZPatenta_ZPatentc_ZTreat×time0.026***0.042***0.037***0.069***(3.824)(3.163)(4.269)(3.997)_cons0.591***1.195***0.641***2.154***(5.552)(5.125)(5.886)(5.779)ControlsYesYesYesYesYear FEYesYesYesYesFirm FEYesYesYesYesAdj.R20.0520.5000.1960.454N46 95546 95546 95546 955
5.2.2 新技术领域的创新外溢
人工智能技术的跨领域适配性与企业复合型人才储备,为实现跨领域技术创新提供了可能。因此,本文将考察试验区设立在促进原有技术领域创新的同时,是否会实现跨领域的技术溢出效应。考虑到政策对原有领域创新存在滞后性,且新领域知识转化需要经历一定时间,故本文将政策滞后1～2期以贴合实际,采用企业在新技术领域专利申请数的自然对数(lnNewpat)衡量其技术溢出效应,并借鉴沈坤荣等[10]的做法,采用企业层面知识宽度(Breadth)和国际专利分类号新增数的自然对数(lnIPC)做稳健性检验。构建企业知识宽度衡量方式如下所示:
Breadth=1-∑IPC2
(4)
其中,IPC表示某IPC分类号专利数占企业当年申请专利总数的比例。企业知识宽度越大,意味着向新领域的技术溢出作用越明显。结果如表7所示,滞后1期政策变量(Treat×time_1)的系数均不显著,滞后2期政策变量(Treat×time_2)的系数均显著为正,表明试验区对企业新技术领域存在创新外溢效应且具有滞后性。这是因为企业进行跨领域知识学习与转化,必须经过完整的技术转化周期(如优化资源配置、提升人工智能适配性)才能突破原有领域,实现技术外溢,从而假设H3b得到验证。
表7 技术溢出效应:新技术领域溢出
Table 7 Technology spillover effect: spillover in new technology fields
变量(1)(2)(3)(4)(5)(6)lnNewpatlnNewpatBreadthBreadthlnIPClnIPCTreat×time_1-0.0050.005-0.005(-0.265)(0.724)(-0.289)Treat×time_20.046**0.014*0.037**(2.353)(1.791)(2.172)_cons0.3220.3360.485***0.539***0.2380.216(1.119)(1.101)(5.169)(5.295)(0.978)(0.824)ControlsYesYesYesYesYesYesYear FEYesYesYesYesYesYesFirm FEYesYesYesYesYesYesAdj.R20.4330.4420.5910.5960.4530.461N42 61337 90442 61337 90442 61337 904
5.3.1 试验区设立对企业创新泡沫的影响
为验证试验区设立取得创新成效的同时是否伴随创新泡沫,本文进行实证检验,结果如表8所示。研究发现,无论是创新执行泡沫还是创新实际泡沫,列(1)(2)中Treat×time系数均在1%水平上显著为正,即相较于非试验区,试验区的设立的确导致区域内企业产生创新泡沫,不仅包括宣传与执行间的差距,而且包括宣传与转化间的差距,列(3)～(7)结果进一步支持该结论。这表明企业在政策优惠支持下虽然取得实质性创新成效,但短期内仍会衍生创新泡沫,验证了假设H4。
表8 人工智能试点对企业创新泡沫的影响效应
Table 8 Enterprise innovation bubbles in artificial intelligence pilot zones
变量(1)(2)(3)(4)(5)(6)(7)Bub1Bub2Auh_invAuh_pacApl_invApl_pacApl_AuhTreat×time0.003***0.003***0.003***0.004***0.003***0.003***0.001**(3.092)(4.036)(3.471)(4.272)(2.763)(3.523)(2.504)_cons-0.128***-0.114***-0.137***-0.105***-0.155***-0.106***0.014***(-9.027)(-9.040)(-9.479)(-8.416)(-8.280)(-8.388)(3.301)ControlsYesYesYesYesYesYesYesYear FEYesYesYesYesYesYesYesFirm FEYesYesYesYesYesYesYesAdj.R20.6900.6830.6970.6800.6830.6840.007N46 95546 95546 95546 95546 95546 95546 955
5.3.2 企业创新泡沫的差异化表现
进一步考察企业智能化禀赋对创新泡沫的差异化影响,以公司上市以来人工智能专利授权数均值的中位数为界,将样本分为高、低人工智能发展水平两组,考察试验区政策对不同水平企业创新泡沫的影响,结果如表9所示。可以发现,无论是执行泡沫还是实际泡沫,Treat×time系数在低人工智能发展水平子样本中显著为正,在高水平子样本中不显著,反映出低水平企业可能存在资源错配与政策套利行为。这是因为其技术吸收能力不足,难以有效利用试验区数据、算力资源进行技术重构,易陷入政策依赖-能力退化循环,故短期通过虚增研发项目、释放创新信号以追求微创新,表现为实用新型专利占比过高、发明专利占比低,而高水平企业则无此类现象。
表9 企业创新泡沫的差异化表现
Table 9 Differentiated manifestations of enterprise innovation bubbles
变量执行泡沫高AI水平低AI水平Bub1Bub1实际泡沫高AI水平低AI水平Bub2Bub2Treat×time-0.0060.005***-0.0010.005***(-1.466)(5.880)(-0.268)(5.931)_cons-0.384***-0.085***-0.352***-0.085***(-5.273)(-8.272)(-5.230)(-8.187)ControlsYesYesYesYesYear FEYesYesYesYesFirm FEYesYesYesYesAdj.R20.6910.7030.6750.704N5 87941 0765 87941 076系数差异P值0.000***0.000***
5.3.3 集团内部创新泡沫的转移行为
为考察创新泡沫对企业持续创新能力的影响,进一步计算集团内部上市公司及子公司的创新泡沫,探究创新泡沫是否在企业创新网络中延伸转移,结果如表10所示。可以发现,试验区产生的创新泡沫不仅发生于上市企业,而且对集团下属的子公司也具有扩散作用,且该影响对执行泡沫与实际泡沫均成立。显然,这是上市企业的政策套利行为与技术能力局限在子公司中的溢出表现,受制于母公司的市值管理与考核压力,子公司倾向于采取形式化创新,通过批量申请低价值专利满足创新要求,而集团内部监督机制的缺乏进一步导致创新泡沫泛滥。
表10 集团内部创新泡沫的转移行为
Table 10 Transfer behavior of the innovation bubbles within the groups
变量执行泡沫上市公司子公司Bub1_LBub1_Z实际泡沫上市公司子公司Bub2_LBub2_ZTreat×time0.004***0.003***0.004***0.003***(5.505)(3.138)(5.553)(3.650)_cons-0.099***-0.106***-0.090***-0.108***(-7.696)(-8.511)(-7.793)(-8.364)ControlsYesYesYesYesYear FEYesYesYesYesFirm FEYesYesYesYesAdj.R20.7110.7130.7130.686N46 95546 95546 95546 955
发展人工智能是落实国家创新驱动发展战略、培育新质生产力的关键路径,通过赋能传统产业智能化转型与新兴产业协同创新进而构建全球竞争优势,是现阶段中国实现高水平科技自立自强和高质量发展的核心任务。因此,探究人工智能创新发展试验区设立背景下企业如何借助政策支持优化企业创新能力,进而实现人工智能赋能高质量发展具有重要意义。本文基于2007-2023年中国沪深A股上市企业数据与人工智能试验区设立情况,考察试验区企业创新成效以及企业创新表象下政策红利和市值管理引致的创新泡沫现象。研究发现:①试验区设立促进企业人工智能专利授权数增加,印证了政策的技术激励有效性,这一结论经多种稳健性检验后依然成立;②试验区的政策效应呈现补偿特征,在数字化转型水平低、非高新技术产业和城市群智能化基础不足企业中其创新成效更显著,揭示出智能化基础不足企业的迫切转型需求与边际效应优势;③研发投入扩张与产学研深度协同是试验区设立驱动企业创新成效提升的核心路径,反映出试验区制度赋能与场景驱动的真实性;④企业创新存在组织与技术维度的双重溢出效应,即试验区提供的资源不仅有助于重构集团内部研发网络、连带提升子公司创新能力,而且通过人工智能的技术通用性拓展企业创新边界,催生跨领域技术融合;⑤试验区取得创新成效提升的同时伴随泡沫风险,即企业为套取政策红利与市值管理,会在执行端与获得端滋生创新泡沫,且泡沫在集团内转移传导。
本研究通过实证分析揭示了人工智能创新发展试验区设立对企业创新成效与创新泡沫的双重影响,为进一步优化人工智能创新政策体系、赋能实体经济高质量发展提供了重要启示。基于研究结论,本文提出以下政策建议:
(1)建立以创新质量为导向的政策评估与引导机制。研究发现,试验区设立在促进企业人工智能专利数量增长的同时,也滋生创新泡沫风险。这反映出当前试验区的考核过于侧重专利数量指标,容易导致企业为获取政策红利而追求“重数量、轻质量”的创新策略。为此,应考虑构建多维度创新评价体系,将专利转化率、技术成熟度和产业链协同效果等质量指标纳入政策考核范围,并通过设立差异化补贴阶梯机制,对高质量创新成果给予更高奖励,引导企业从追求数量转向注重实效,避免政策激励扭曲导致的创新资源错配。
(2)实施差异化支持策略,推动区域与企业间的梯度协同发展。研究表明,试验区对数字化基础薄弱的企业和城市群具有更显著的边际促进效应。因此,应根据企业禀赋特征和区域基础条件实施分类指导,对技术基础较好的东部地区,鼓励其开展大模型、智能芯片等前沿技术攻关,并通过开放工业数据集、建立技术共享平台等方式促进技术外溢;对中西部等基础薄弱区域,则应优先布局数据中心、算力平台等数字基础设施,重点推广轻量化、易部署的智能应用,形成“东部研发-中西部转化”的梯度发展格局,实现资源优化配置与区域协同创新。
(3)构建产学研深度融合的创新生态系统,提升创新体系的可持续性。研发投入增长与产学研合作深化是试验区驱动企业创新的核心路径,但同时也需警惕集团内部可能存在的创新泡沫转移现象。可参考苏州工业园区等成功经验,通过建设信创适配平台、工业软件集成验证中心等公共技术载体,降低中小企业创新试错成本。同时,构建创新成果溯源与监督机制,明确创新活动的真实性与贡献度,对集团内部创新成果交易进行规范化管理,有效抑制策略性创新行为,确保创新体系可持续发展。
[1] 郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界,2019,35(7):60-77,202-203.
[2] LIN B, ZHU Y. Does AI elevate corporate ESG performance a supply chain perspective[J]. Business Strategy and the Environment,2025,34(1):586-597.
[3] 陈强远,林思彤,张醒.中国技术创新激励政策:激励了数量还是质量[J].中国工业经济,2020,37(4):79-96.
[4] YANG S H, JIANG R A, SU Z L, et al. High-quality innovation and low-quality innovation bubbles: addressing challenges through R&D cooperation and citation spillover[EB/OL].https://doi.org/10.1007/s10961-025-10254-2.
[5] HUANG Y, LIU S, GAN J, et al. How does the construction of new generation of national AI innovative development pilot zones drive enterprise ESG development empirical evidence from China[J]. Energy Economics,2024,140:108011.
[6] FAN X, WU Y, ZHOU Y, et al. How does artificial intelligence shock affect labor income distribution evidence from China[J]. Pacific-Basin Finance Journal,2025,90:102691.
[7] JIANG M, YU X. Enhancing the resilience of urban energy systems: the role of artificial intelligence[J]. Energy Economics,2025,144:108313.
[8] GUO X, XU J. Can urban digital intelligence transformation promote corporate green innovation evidence from China[J]. Journal of Environmental Management,2024,371:123245.
[9] 张瑞琛,唐慧,周国琛.城市数智化转型对企业数字创新的影响——以国家新一代人工智能创新发展试验为准自然实验[J].经济问题,2025,47(4):49-58.
[10] 沈坤荣,林剑威,傅元海.网络基础设施建设、信息可得性与企业创新边界[J].中国工业经济,2023,40(1):57-75.
[11] GENG Y, CHEN J, LIU R. ESG rating disagreement and corporate green innovation bubbles: evidence from Chinese A-share listed firms[J]. International Review of Financial Analysis,2024,95:103495.
[12] LEWIN A Y, VOLBERDA H W. Prolegomena on coevolution: a framework for research on strategy and new organizational forms[J]. Organization Science,1999,10(5):519-690.
[13] 董直庆,姜昊,王林辉.“头部化”抑或“均等化”:人工智能技术会改变企业规模分布吗[J].数量经济技术经济研究,2023,40(2):113-135.
[14] 张嘉望,彭晖,李博阳.地方政府行为、融资约束与企业研发投入[J].财贸经济,2019,40(7):20-35.
[15] ZHOU X, LI G, WANG Q, et al. Artificial intelligence, corporate information governance and ESG performance: Quasi-experimental evidence from China[J]. International Review of Financial Analysis,2025,102:104807.
[16] 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.
[17] ANDREOU P C, DRIVAS K, PHILIP D, et al. Technology rhetoric and institutional ownership[J]. Cambridge Journal of Economics,2025,49(1):67-93.
[18] ROSSI F, DE S M, BAINES N, et al. Long-term innovation outcomes of university-industry collaborations: the role of 'Bridging' vs 'Blurring' boundary-spanning practices[J]. British Journal of Management,2022,33(1):478-501.
[19] WELLINGTON R F, LAZARO J C, MACHADO D D Q, et al. Collaborative network of SMEs innovation projects: influence of scientific and technological institutions[J]. Journal of Technology Management &Innovation,2022,17(2):11-20.
[20] 胡山,余泳泽.数字经济与企业创新:突破性创新还是渐进性创新[J].财经问题研究,2022,44(1):42-51.
[21] 郑丽,陈志军,徐英杰.集团内部资本交易、市场依赖性与子公司创新[J].管理评论,2021,33(8):104-115.
[22] 黄宏斌,许晨辉,孙雅妮.设立研发子公司促进了企业集团的协同创新吗[J].经济管理,2023,45(1):125-143.
[23] UBISCH S,WANG P.Innovation on technological "islands":domain contrast, boundary spanning, knowledge depth and breadth[J]. Industrial and Corporate Change,2023,32(5):1023-1045.
[24] 刘潇,李家宝.人工智能创新生态系统中的技术互补与协同创新[J].科技进步与对策,2025,42(3):14-26.
[25] 李磊,刘常青,韩民春.信息化建设能够提升企业创新能力吗——来自“两化融合试验区”的证据[J].经济学(季刊),2022,22(3):1079-1100.
[26] 徐蔼婷,程彩娟,祝瑜晗.一种新的专利价值综合测度方法与应用研究[J].数量经济技术经济研究,2022,39(3):130-151.
[27] 申宇,黄昊,赵玲.地方政府“创新崇拜”与企业专利泡沫[J].科研管理,2018,39(4):83-91.
[28] 朱桂龙,陈字理,欧阳芳.廉政建设能否提高创新补贴对企业专利的激励效应[J].科学学与科学技术管理,2025,46(3):61-77.
[29] 应千伟,何思怡.政府研发补贴下的企业创新策略:“滥竽充数”还是“精益求精”[J].南开管理评论,2022,25(2):57-69.
[30] 赵亚楠,谢永平.核心企业知识溢出对创新网络成员新质生产力的影响[J].科技进步与对策,2025,42(1):1-9.
[31] 寇宗来,刘学悦.中国企业的专利行为:特征事实以及来自创新政策的影响[J].经济研究,2020,55(3):83-99.
[32] JACOBSON L S, LALONDE R J, SULLIVAN D G. Earnings losses of displaced workers[J]. American Economic Review,1993,83(4):685-709.
[33] 陈强,齐霁,颜冠鹏.双重差分法的安慰剂检验:一个实践的指南[J].管理世界,2025,41(2):181-220.
[34] GOODMAN-BACON A.Difference-in-differences with variation in treatment timing[J].Journal of Econometrics,2021,225(2):254-277.
[35] CALLAWAY B SANT,ANNA P H C. Difference-in-differences with multiple time periods[J].Journal of Econometrics,2021,225(2):200-230.