Supply Chain Spillover Effects of Enterprise Artificial Intelligence Technology Innovation

Huang Xinzhao1,Yang Tong1,Zhang Tianhua1,Zong Jiafeng2

(1. Institute of Regional Development,Jiangxi Normal University, Nanchang 330022,China; 2. Yangtze River Industrial Economic Research Institute, Nanjing University, Nanjing 210008, China)

Abstract：In an era marked by intensified global economic volatility, a complex and ever-changing trade environment, and heightened geopolitical risks, establishing a self-reliant and controllable industrial and supply chain has become a strategic priority for promoting high-quality development. Supply chain spillover effects have long been recognized as a crucial force driving corporate innovation. Nevertheless, whether artificial intelligence technology, characterized by its unique synergy and generative nature, can produce such spillover effects, as well as the differentiated mechanisms through which it exerts impacts on upstream suppliers and downstream customers, remains insufficiently explored in existing research. To fill this research gap, this study aims to investigate whether and through which pathways artificial intelligence (AI) technology innovation by focal enterprises can act as an external driver for supply chain partners to conduct AI technology innovation activities, so as to provide theoretical support and practical guidance for supply chain collaborative innovation.

Based on the theoretical analytical framework of "supplier-focal enterprise-customer", this study takes China's A-share listed manufacturing companies from 2007 to 2024 as research samples, and conducts an empirical analysis combined with manually compiled artificial intelligence patent data. Finally, 1 316 supplier-focal firm observations and 1 584 customer-focus firm observations are obtained. In the process of data processing and indicator construction, machine learning methods are employed to systematically develop indicators of AI technology innovation. First, AI-related patents are screened from the Incopat patent database using patent IPC codes and keyword matching, covering core technical fields such as machine learning, natural language processing, computer vision, and intelligent robots. Second, semantic features are extracted from patent texts via the BERT pre-trained language model, and a firm-level overall index of AI technology innovation is constructed by integrating patent citations, the number of patent claims, technological scope and other dimensions. On this basis, a technological disruption identification algorithm is further adopted to classify AI technology innovation into two categories:disruptive innovation and incremental innovation. Specifically, disruptive innovation is defined as dual breakthroughs in technology and market, meaning that patented technologies achieve a significant technological leap on the basis of existing knowledge and can open up new market application scenarios. Incremental innovation is characterized by the optimization and upgrading of existing technologies, focusing on performance improvement, scenario adaptation and process transformation of established AI technologies, so as to systematically compare the heterogeneous spillover pathways and mechanisms of the two types of innovation.

The empirical results show that AI technology innovation by focal enterprises exerts a significant positive spillover effect on both upstream and downstream enterprises in the supply chain, and this effect is mainly transmitted through incremental innovation, while the spillover effect of disruptive innovation is not verified. Mechanism analysis reveals heterogeneous transmission channels between the two. For upstream suppliers, AI technology innovation by focal enterprises forces them to increase AI investment, promote industry-university-research cooperation and optimize the financing ecosystem, forming a "forcing effect". For downstream customers, AI technology innovation by focal enterprises stimulates their AI investment, optimizes human resource structure and enhances informatization levels, generating a transmission effect. Heterogeneity tests further indicate that this spillover effect is more pronounced among small-scale suppliers and suppliers located in regions with lower government intervention.

This study makes three main contributions. First, it expands the research dimensions and analytical framework of supply chain spillover effects, extending the research on the impacts of AI technology innovation from the single-firm level to inter-organizational dynamic relationships, thus enriching the theoretical perspective of supply chain collaborative innovation. Second, it refines the classification of AI technology innovation types and constructs targeted measurement indicators, addressing the inadequacy of existing literature in examining the details of firm-level behavioral spillovers. Third, it reveals the differentiated spillover mechanisms of focal enterprises on upstream and downstream partners, providing theoretical support for enterprises to formulate precise cooperation strategies and promote supply chain collaborative innovation.

Key Words：Artificial Intelligence Technology Innovation; Focal Enterprises; Supply Chain Spillover Effect;Forcing Effect; Transmission Effect

收稿日期：2025-11-13

修回日期：2026-03-29

基金项目：国家社会科学基金项目(21BJY063);江西省高校人文社会科学研究项目(JJ24214)

作者简介：黄信灶(1984—),男,福建三明人,博士,江西师范大学区域发展研究院副教授、硕士生导师,研究方向为产业经济;杨彤(2001—),女,江西抚州人,江西师范大学区域发展研究院硕士研究生,研究方向为产业经济;张田华(1999—),男,江西景德镇人,江西师范大学区域发展研究院硕士研究生,研究方向为产业经济;踪家峰(1971—),男,江苏沛县人,博士,南京大学长江产业经济研究院研究员、博士生导师,研究方向为城市与区域经济、公共经济。

通讯作者：踪家峰。

DOI：10.6049/kjjbydc.D22025110329

开放科学(资源服务)标识码(OSID)：

中图分类号：F273.1

文献标识码：A

文章编号：1001-7348(2026)15-0085-12

0 引言

新一轮科技变革和产业优化升级背景下,人工智能(Artificial Intelligence,AI)已成为推动社会进步和行业发展的关键力量。2025年4月,习近平总书记在中共中央政治局第二十次集体学习时强调,“面对新一代人工智能技术快速演进的新形势,要充分发挥新型举国体制优势,坚持自立自强,突出应用导向,推动我国人工智能朝着有益、安全、公平方向健康有序发展”。人工智能技术凭借强协同性、自生成性等特征[1],在供应链采购、生产、物流等环节的应用日益深化。随着全球经济不确定性提升、国际贸易环境复杂多变以及地缘政治风险加剧,我国产业链供应链面临多重威胁与挑战。党的二十届三中全会强调“抓紧打造自主可控的产业链供应链”。自主可控产业链供应链构建,需要以产业创新能力作为基石,通过不断提升产业价值增值能力、增强产业国际竞争优势、强化产业链抗风险能力实现[2]。人工智能技术赋能供应链,为破解产业链供应链自主可控难题提供了新路径。

从技术传导角度来看,人工智能技术有效赋能供应链实现自主可控,离不开供应链网络内部协同联动。焦点企业作为供应链关系中的核心主体和生产网络中的关键节点,其创新实践不仅可以驱动自身转型升级,还通过产业协同效应,对所处供应链网络上下游企业产生深远影响[3]。目前,学界主要围绕人工智能技术创新的宏观作用[4-5]、微观作用[6-7]等方面展开了研究,但对其在供应链层面的溢出效应尚未作出较为全面的解答。人工智能技术创新在供应链上是否具有溢出效应?不同类型人工智能技术是否存在差异化表现?焦点企业对上下游合作伙伴的影响机制是否一致?人工智能时代,对上述问题的解答具有一定的理论意义与现实价值。

本文聚焦上述核心研究议题,选取2007—2024年披露前五大供应商和客户的A股制造业上市公司为研究样本,结合手动整理的人工智能专利数据,从供应链视角深入探讨企业人工智能技术创新的溢出效应,系统揭示其作用机制及影响机理,并提出针对性的政策建议。本文的边际贡献如下:第一,拓展供应链溢出效应研究维度与分析框架。现有溢出效应研究多围绕传统创新展开,如绿色技术创新[8-9]、数字化转型[10-11]等,而本研究聚焦人工智能技术创新场景,基于“供应商—焦点企业—客户”分析框架,将企业人工智能技术创新对自身的影响扩展至供应链上下游层面[6,12],系统性揭示供应链关系对制造业企业人工智能技术创新的正向赋能作用,以期为供应链协同发展提供新的思路。第二,细化人工智能技术创新类型,丰富企业行为溢出效应研究。与以往聚焦于综合型创新的研究不同[2,13],本文运用机器学习方法构建企业人工智能技术创新指标,进一步区分颠覆式创新与渐进式创新,证实焦点企业人工智能技术创新的溢出效应在供应链上通过渐进式创新传导,而颠覆式创新的溢出效应不显著。第三,揭示差异化溢出机制,为企业实践提供精准指导。现有研究大多对供应链溢出效应的传导机制进行同质化处理[14-15],未能充分关注企业角色差异对机制路径的影响,导致理论对实践的指导缺乏针对性与实操性。本文立足于合作伙伴的角色特性,系统厘清焦点企业对供应商的倒逼式路径和对客户的传导式路径,以期为企业构建定制化合作模式、提升供应链整体稳定性提供参考。

1 理论分析与研究假设

1.1 人工智能技术创新的供应链溢出效应

随着产业协同程度持续提升,供应链企业间的关系形态正经历根本性变革,从传统供应商—客户的二元对立结构逐步演化为深度融合的战略共同体。同时,市场竞争也从企业间的单打独斗转化为以供应链系统为整体的竞争[8]。这种协同化趋势下,供应链中各企业行为的相互影响愈发显著,逐渐形成“一荣俱荣、一损俱损”的利益共同体。根据同群效应理论,个体行为会受到同一群体内其他成员的显著影响,进而呈现行为趋同特征[16]。Li等[17]研究发现,供应商和客户的创新能力与焦点企业创新能力呈正相关,进一步揭示了供应链创新活动的联动性。数字经济时代,人工智能已成为突破边界、激活创新的关键变量。作为引领性技术,人工智能技术具有显著溢出效应(郭凯明等,2019),且这一效应能够在具有经济关联的供应链企业间实现更高效地传导。Haefner等[18]指出,人工智能技术凭借加快供应链问题解决方案的生成与落地,成为引领创新流程的核心驱动力。

人工智能技术创新与技术应用不同,前者聚焦于企业自主研发人工智能相关技术的能力与水平,而后者侧重于反映技术在企业内部的应用程度(陈红等,2023)。根据技术价值与突破难度,目前学界主要将创新分为颠覆式创新和渐进式创新两类[19]。其中,颠覆式创新的本质是突破现有规则,对新技术领域进行突破,具有独占性与高壁垒性[20];渐进式创新侧重于对现有技术的改进,具有兼容性和低风险性[21]。当前,大多数企业人工智能技术创新是针对供应链具体环节的局部优化(如采购、物流等),一般不会改变企业自身核心业务模式。渐进式创新风险低且投入周期短,能够在供应链中实现更高效的传导,更易带动上下游企业参与创新实践,促进供应链协同发展。若焦点企业通过颠覆式创新向上下游溢出,则会要求企业进行系统性变革[22],如从传统制造转向AI全自动化生产。但多数企业受资金规模、技术壁垒等条件制约,难以承担较高的转换成本,进而引发供应链中断风险。这种创新超前性与接收能力滞后性的矛盾,导致颠覆式创新难以在供应链中有效传导。此外,颠覆式创新通常出现在技术萌芽期(李玉花等,2021),当焦点企业人工智能技术向上下游溢出时,往往已处于技术成熟阶段。此时,技术路径已基本定型,上下游企业难以实现新的突破。为维持竞争优势,焦点企业会有意限制技术开放性[11],进而导致上下游企业难以接触核心技术创新成果,只能开展渐进式改良。鉴于此,本文认为,焦点企业人工智能技术创新为供应链协同发展提供新的契机,以渐进式创新为主要路径,通过倒逼效应与传导效应分别对供应商和客户的人工智能技术创新产生影响。

对于上游供应商而言,焦点企业技术需求升级与合作模式重构会倒逼其开展人工智能技术创新。一方面,得益于人工智能技术优势,焦点企业在供应链关系中的话语权和议价能力显著提升[11],借此重构供应链规则,形成“优胜劣汰”的制度环境。此背景下,焦点企业在数据响应及时性以及产品多元化、个性化和智能化等方面设定更高的标准,倒逼供应商提高产品供应质量[23]。此时,供应商不得不摆脱传统路径依赖,通过引入智能化设备、优化生产流程等方式开展渐进式创新,提升产品与服务的适配性。另一方面,焦点企业能够借助人工智能技术精准评估市场产品的价格波动与供需变化[24],推动相关信息和数据在供应链间高速流动,有效优化供应链信息环境。这一变化虽能降低供应商的信息收集与验证成本(李青原等,2023),但也压缩了其借助信息不对称而获得的缓冲空间。为避免因响应滞后而被替代,供应商“被动”借鉴、学习和模仿焦点企业高效的创新模式,以提升自身人工智能技术创新能力。

对于下游客户而言,焦点企业人工智能技术创新对其更多体现为“主动式扩散”的传导效应。相较于供应商,作为面对终端消费市场的需求承接方,客户的生产工序更为复杂,面临的非结构性挑战更多(俞荣建等,2025),因而对创新的需求也更高,其创新动力主要源自终端市场需求升级与供应链竞争压力。一方面,当焦点企业凭借人工智能技术优化产品性能、拓展智能应用场景时[25],会将融入人工智能技术的中间品提供给客户,进而传导至终端消费市场。随着终端消费者对智能产品的需求持续攀升,将直接刺激客户主动优化原有运营模式,开展渐进式创新以适配市场新需求。另一方面,根据供应链竞合理论,缺乏竞争优势和协作能力的成员会被淘汰[14]。当焦点企业通过人工智能技术创新释放战略变革信号时,客户能敏锐洞察这一趋势对自身市场地位的潜在影响,为抢占供应链协同创新先机,会主动模仿焦点企业人工智能技术创新模式,以维持自身竞争优势。综上,本文提出如下假设:

H1:焦点企业人工智能技术创新对供应链上下游企业均存在正向溢出效应,且这一溢出效应主要通过渐进式创新传导。

H1a:焦点企业人工智能技术创新对供应商具有倒逼效应;

H1b:焦点企业人工智能技术创新对客户具有传导效应。

1.2 焦点企业人工智能技术创新对供应链上下游企业溢出效应的机制分析

由前文理论分析可知,焦点企业人工智能技术创新会对其上下游企业产生正向溢出效应。这种溢出效应具体通过哪些渠道实现?上下游企业的机制路径是否存在差异?为解答上述问题,本研究基于上下游企业角色分工与位置差异,构建“共性+差异性”的“1+2”理论分析框架,系统剖析溢出效应的作用路径。

在共性机制方面,焦点企业人工智能技术创新会显著提升供应链协同的技术门槛与效率标准。为了保持与焦点企业高效合作,无论是供应商还是客户,均需要增加相应的人工智能投资。从成本维度看,技术适配能有效减少合作中的信息不对称问题,降低履约成本;从竞争角度看,增加对人工智能技术创新的投资有助于上下游企业提高议价能力与供应链参与度,避免焦点企业因话语权过高形成垄断,影响自身产出稳定性和利润最大化目标[11]。因此,增加人工智能投资是焦点企业人工智能技术创新向上下游溢出的共性渠道。

在供应商的差异性机制方面,具体体现如下:第一,产学研合作的资源共享效应。根据资源依赖理论,组织间资源不均衡会引发依赖关系与合作动机[13]。焦点企业作为技术创新的核心主体,为突破人工智能技术瓶颈,通常会与高校、科研机构构建产学研合作关系[26],其产出的创新成果具有明显外部性[9],为供应商的渐进式创新提供了可行路径。焦点企业通过产学研合作实现渐进式突破后,会带给供应商技术适配压力,倒逼其提升创新能力。当供应商研发能力不足时,将被动借鉴焦点企业创新行为,通过与相关高校及科研机构合作弥补自身技术短板,推动渐进式创新落地。同时,供应商还可以通过联合研发、资源对接等方式,共享焦点企业产学研资源。这种基于生产协同关系的资源共享,使得供应商产学研合作模式从“被动响应”转变为“主动参与”,进而有效加速其人工智能技术创新进程。第二,融资生态的风险稀释效应。创新活动具有周期长、资金需求高、不确定性高的特征,易引发信息不对称问题,进而导致企业面临严重的融资约束[27]。焦点企业人工智能技术创新能通过“风险可视化”机制优化供应商融资生态:从生产端看,人工智能技术使焦点企业对供应商生产环节的管理模式从事后检测转变为实时监控,有效降低供应商的违约风险;从交易端看,焦点企业借助智能协同平台倒逼供应商调整交易节奏,缓解“牛鞭效应”,进而保障供应商现金流的稳定性。这种借助人工智能技术创新带来的风险稀释效应,不仅使金融机构对供应商的信贷评估更乐观,在缓解融资压力的同时,更为其开展渐进式创新提供良好的财务生态[28]。

在客户的差异性机制方面,也可归纳为以下两点:第一,人员结构的技能升级效应。客户作为连接焦点企业与终端消费市场的枢纽,其人员结构需与人工智能时代的市场运营模式相匹配。焦点企业人工智能技术创新重塑了自身生产流程和业务模式,这些变革会沿着供应链向下游客户传导(李云鹤等,2022)。一方面,为适配焦点企业智能化协作要求,客户需主动优化人员结构,提升高技能员工雇佣比例[10];另一方面,焦点企业提供的优质、智能化中间品加大了下游产品制造难度,进一步提升了客户对高质量人力资本的需求(赵春明等,2019)。第二,信息化水平的系统升级效应。人工智能技术创新的有效落地,需要以完善的信息化基础建设为支撑。从技术传导角度来看,焦点企业在人工智能技术创新中形成的技术标准、数据接口规范以及智能化管理模式,会随着业务互动渗透至客户运营体系中。此时,客户需通过引进智能化高端设备或升级信息系统等渐进式方式[29],实现与焦点企业的技术兼容。从生产效率角度来看,焦点企业人工智能技术创新所展现出的降本增效优势[30],会对客户形成显著示范效应,激励其主动加大信息化建设力度,提升自身渐进式创新能力。综上,本文提出以下假设:

H2:焦点企业通过促进人工智能投资、推动产学研合作、优化融资生态等方式,倒逼供应商开展人工智能技术创新。

H3:焦点企业通过促进人工智能投资、优化人员结构、提升信息化水平等途径,驱动客户开展人工智能技术创新。

2 研究设计

2.1 数据来源

制造业企业行业分类明确、可比性强,便于准确测算人工智能技术创新指标,故本文选取2007—2024年披露前五大供应商和客户的A股制造业上市公司为研究样本。企业基本信息、相关财务数据以及供应链数据来源于国泰安(CSMAR)数据库和中国研究数据服务平台(CNRDS),人工智能专利数据来源于Incopat专利检索数据库。基于原始数据,本文进行如下处理:第一,剔除样本期内标记为ST、*ST的上市公司样本数据;第二,剔除财务数据和人工智能专利数据缺失的样本;第三,为避免极端值影响,对连续变量进行上下1%的缩尾处理。按照公司名称和时间,对上市公司供应商和客户数据与人工智能专利数据进行匹配,匹配完成后,将同年份同供应商或客户对应的所有焦点企业专利数据进行加总,以探究焦点企业对其上下游企业的综合影响。最终得到1 316个供应商—焦点企业观测值和1 584个客户—焦点企业观测值。

2.2 模型构建

为检验焦点企业人工智能技术创新的供应链溢出效应,本文设定基准回归模型如下:

AI_chaini,t=α0+α1AI_focusi,t+α2Controlsi,t+year+pro+εi,t

(1)

其中,i、t分别代表公司和年份;AI_chaini,t为被解释变量,表示供应商和客户的人工智能技术创新水平(SAI/CAI)、颠覆式创新水平(SAI_D/CAI_D)以及渐进式创新水平(SAI_J/CAI_J);AI_focusi,t为核心解释变量,表示焦点企业人工智能技术创新水平(AI)、颠覆式创新水平(AI_D)和渐进式创新水平(AI_J);year、pro、εi,t分别代表时间固定效应、省份固定效应和随机误差项。

2.3 变量设计

(1)核心解释变量:焦点企业人工智能技术创新水平(AI)。本文采用人工智能专利申请数量加1的对数值衡量,原因如下:第一,专利行为能直接反映企业技术研发方向与创新投入重点[31],申请的人工智能专利数量越多,意味着该企业人工智能技术创新产出越多;第二,专利申请流程具有显著时滞性[8],相较于专利授权量,专利申请量更能反映企业当年人工智能技术创新水平。为探讨焦点企业人工智能技术创新溢出效应的创新路径和影响范围,本文将人工智能技术创新进一步分为颠覆式创新(AI_D)和渐进式创新(AI_J)。

人工智能专利的处理流程如下:首先,借鉴黄先海等[31]的方法,利用自然语言处理技术测算人工智能专利的创新度指标,以此识别颠覆式人工智能专利与渐进式人工智能专利。具体而言,基于国家知识产权局发布的《战略性新兴产业分类与国际专利分类参照关系表(2021)(试行)》中的IPC分类号,通过Incopat专利检索数据库检索获得1985—2024年人工智能相关发明申请专利共83万余件,采用Python对摘要文本进行分词和去除停用词等预处理。鉴于专利摘要文本中包含大量特定技术领域的专业名词,本文对通用分词词典进行补充,增加相关术语词库,以实现对文本的精准分词。其次,将分词后的摘要文本作为语料库,使用Word2Vec模型中的Skip-Gram(Continuous Skip-gram Model)进行机器学习训练。再次,基于训练后的模型将匹配后的专利进行向量化,从而计算两两专利间的向量距离,即相似度。最后,一项专利的创新度(Innovativeness)被定义为其与近五年所有专利的平均语义相似度取倒数后的自然对数值,如式(2)所示。

(2)

其中,i、j代表专利,t代表年份,Bt代表前五年内所有专利的集合,Pij是两专利间的语义相似度,N为专利数量。创新度取值越大,表明该专利技术文本中对已有专利的重复性内容越少,原创性内容占比越高,其创新度越高。本文基于匹配后的人工智能专利数据,将创新度位于前5%的专利识别为颠覆性人工智能专利,其余专利识别为渐进性人工智能专利。值得注意的是,与姚加权等[6]匹配的人工智能专利文本相比,本文不仅匹配了母公司,还进一步匹配了其子公司,从而更全面地反映了企业专利布局。

(2)被解释变量:供应商人工智能技术创新水平(SAI/SAI_D/SAI_J)、客户人工智能技术创新水平(CAI/CAI_D/CAI_J)。采用对应企业专利申请数量加1的对数值衡量,具体测算方法与前文一致。

(3)控制变量。参考以往研究,本文选取以下变量作为企业层面的控制变量,具体包括企业负债水平(Lev):期末总负债与期末总资产的比值;企业盈利能力(Roe):净利润与股东权益余额的比值;存货周转率(Itr):营业成本与存货平均占用额的比值;企业成长性(Growth):本期营收与上期营收的差额除以上期营业收入;董事会监管层前三名薪酬水平(Salary):管理层前三名薪酬总额的对数值;两权分离率(Sep):实际控制人拥有的控制权比例减所有权比例;托宾Q值(Tbq):市值与总资产的比值;企业现金流(Cash):经营活动中的现金流净额与总资产的比值。

3 实证结果与分析

3.1 描述性统计

本文描述性统计结果如表1所示,供应商人工智能技术创新水平(SAI)的均值为0.377,标准差为0.893;客户人工智能技术创新水平(CAI)的均值为0.719,标准差为1.279;与之对应的焦点企业人工智能技术创新水平的均值分别为0.171和0.103,标准差分别为0.522和0.373。通过数据对比可以发现,客户人工智能技术创新水平的均值高于供应商,这意味着在人工智能技术创新方面,客户端的表现更优。同时,企业人工智能技术创新水平的标准差均大于均值,表明不同企业间在人工智能技术创新活动上差异较大,存在明显离散性。

3.2 基准回归

表2报告了焦点企业人工智能技术创新活动对其上下游企业溢出效应的基准回归结果。其中,列(1)(5)仅引入时间固定效应和省份固定效应,其他列均在此基础上纳入了企业财务指标等一系列控制变量。

由表2的Panel A回归结果可知,焦点企业人工智能技术创新水平(AI)对供应商的估计系数为0.133,且通过5%的显著性水平检验,表明焦点企业人工智能技术创新水平提升,能推动供应商进行人工智能技术创新,形成倒逼效应。表2的Panel B结果显示,焦点企业人工智能技术创新水平(AI)系数在1%水平上显著为正,也证实了焦点企业人工智能技术创新能够正向驱动客户开展人工智能技术创新。

为进一步探讨焦点企业人工智能技术创新溢出效应的创新路径,本文分别对焦点企业颠覆式创新(AI_D)和渐进式创新(AI_J)进行回归检验。结果显示,不论是供应商还是客户,均不受焦点企业颠覆式创新(AI_D)的影响,但显著受其渐进式创新(AI_J)的影响。这一结果表明,焦点企业人工智能技术创新对供应链上下游企业的溢出效应主要依托渐进式创新实现,颠覆式创新的溢出效应不明显。综合来看,焦点企业人工智能技术创新对供应链上下游企业均具有显著溢出效应,且这一溢出效应主要通过渐进式创新传导,假设H1成立。

3.3 稳健性检验

(1)倾向得分匹配(PSM)。为进一步规避实证研究可能存在样本的自选择偏差,本文利用PSM方法寻找与处理组相邻的对照组。参考以往研究,选择本文所有控制变量作为匹配变量,以logit模型估计倾向得分,采用1∶3最近邻匹配法进行样本匹配。

(2)变换回归模型。考虑到专利数据具有零值堆积与离散分布特征,为避免传统OLS方法带来的估计偏误,本文采用Tobit模型和泊松伪最大似然估计(Poisson)模型对基准回归结果进行重新估计。

(3)剔除特殊样本。考虑到直辖市在经济、社会、政策层面具有一定特殊性,且这类地区经济发展起步较早,人工智能技术研发水平较高,可能会对研究结果产生干扰。本文参考徐维祥等[5]的研究,剔除注册地为四大直辖市的焦点企业、供应商及客户三类主体样本后,重新进行回归检验。

(4)缩短样本区间。2012年深度学习技术取得关键性突破,推动机器学习应用迈入全新发展阶段,许多学者将其视作人工智能发展的重要转折点。鉴于此,本研究进一步将样本区间缩小至2012—2024年,并重新匹配计算专利创新度,以此更精准地捕捉焦点企业人工智能技术创新的溢出效应。

上述稳健性检验结果如表3所示,各列回归结果均显著为正,进一步证实了焦点企业人工智能技术创新对上下游企业具有正向溢出效应,且这种溢出效应主要借助渐进式创新传导。由此,本文基准回归结果具有稳健性。

3.4 内生性检验

在稳健性检验的基础上,为缓解上下游企业与焦点企业间在人工智能技术创新行为上存在双向因果关系而引发的内生性问题,参考底璐璐等(2020)的研究,选取同年度同行业上市公司人工智能技术创新均值(iv1)、同年度同城市上市公司人工智能技术创新均值(iv2)以及同行业同城市上市公司人工智能技术创新均值(iv3)作为核心解释变量的工具变量。供应商和客户的工具变量检验结果如表4所示,其中,第一阶段的回归结果均显著为正,且均通过弱工具变量检验和不可识别检验,表明工具变量满足外生性要求;第二阶段的回归结果显示,在控制内生性后,焦点企业人工智能技术创新水平(AI)以及渐进式创新水平(AI_J)对供应商及客户仍具有正向溢出效应,进一步证实了基准回归结果的稳健性。

4 机制检验

为进一步探讨不同维度下人工智能技术溢出效应背后的驱动因素和影响路径,基于Baron等[32]的中介效应模型,本文采用逐步回归方式构建计量方程,具体模型如下:

Mi,t=β0+β1AI_focusi,t+β2Controlsi,t+year+pro+εi,t

(3)

AI_chaini,t=λ0+λ1AI_focusi,t+λ2Mi,t+λ3Controlsi,t+year+pro+εi,t

(4)

其中,Mi,t为中介变量,其余变量含义与式(1)一致。

4.1 焦点企业对供应商倒逼效应的作用机制

焦点企业对供应商的倒逼效应,主要源于其在供应链中的相对强势地位。当焦点企业人工智能水平提升时,将凭借自身影响力对供应商形成倒逼态势,迫使其在人工智能相关方面作出调整与改进,本部分将详细阐述这一倒逼效应的具体作用机制。

(1)人工智能投资。在共性机制层面,企业人工智能投资水平是最能体现企业对人工智能活动支持力度的关键指标,本文采用企业人工智能资产总额除以总资产的比值(AIInvest)衡量。通常而言,人工智能投资水平的数值越大,表明企业对人工智能技术创新活动的支持力度越大,反之亦然。中介效应模型的逐步回归结果如表5的Panel A所示。从回归结果可以看出,焦点企业人工智能技术创新水平(AI)提升显著促进了供应商人工智能投资水平(AIInvest)提升,表明当焦点企业人工智能技术创新水平提升时,会倒逼供应商增加对人工智能技术的投资,进而对供应商人工智能技术创新活动产生积极影响。

(2) 产学研合作。一般而言,高校与科研机构的研究往往具备前瞻性,企业通过与其合作可以提前进入相关前沿领域,在未来市场竞争中占据优势地位(刘斐然等,2020)。产学研合作是企业进行人工智能技术创新的重要渠道。本文采用“人工检索+文本挖掘”相结合的方式,通过以下渠道收集数据:第一,抓取高校和科研院所官网校企合作信息,提取校企合作公告、项目动态等公开信息。第二,通过企业官方网站收集企业披露的产学研合作相关信息。第三,借助搜索引擎交叉检索,将样本企业全称与“产学研”“战略联盟”“大学”“科研机构”等关键词进行组合检索,经人工核实后予以补充。第四,运用Python批量抓取企业年报全文,定位“大学”“学院”“研究院”“研究所”等关键词,截取关键词所在段落文本片段,从中识别科研机构名称,同时剔除仅涉及高管教育背景等无关文本。将收集的数据进行清洗、整理,交叉核验并去除重复信息,得到样本企业产学研合作的数据信息。考虑到企业合作关系的持续性,本文将合作时间窗口定义为5年。最终采用收集的产学研合作数据总数加1后的对数值衡量企业产学研合作程度(IURC)。回归结果如表5的Panel B所示,焦点企业人工智能技术创新水平(AI)在5%水平上对供应商的产学研合作程度(IURC)具有正向影响,表明焦点企业人工智能技术创新能通过提高供应商产学研合作程度,倒逼其开展人工智能技术创新。

(3)融资生态。作为研发投入的重要来源,外部融资对企业创新活动至关重要。受到信息不对称以及抵押物品缺乏等因素的制约,企业往往难以顺利获得创新所需资金。由前文理论分析可知,焦点企业人工智能技术创新能倒逼供应商优化财务系统,缓解其融资压力。基于此,本文参考张同斌等[2]的研究,选取应付账款周转率(Apt)这一指标衡量供应商面临的融资约束,该指标数值越小,表示供应商融资约束程度越低。表5的Panel C报告了具体回归结果,其中,焦点企业人工智能技术创新水平(AI)对供应商融资约束(Apt)的回归系数显著为负,意味着供应商偿付应收账款的速度减慢,还款压力降低;加入机制变量后,焦点企业人工智能技术创新水平(AI)、渐进式创新水平(AI_J)的回归系数仍显著为正,进一步证明焦点企业人工智能技术创新能够通过缓解供应商融资约束实现对供应商人工智能技术创新的正向溢出。

4.2 焦点企业对客户传导效应的作用机制

焦点企业对客户的传导效应,更多体现为一种基于业务关联的正向影响传递。焦点企业人工智能水平提升带来的技术、模式等方面的变化沿着供应链向下游客户传导,进而影响客户人工智能技术创新,具体传导机制如下:

(1)人工智能投资。本文用企业人工智能资产总额除以总资产的比值(AIInvest)对客户人工智能投资水平进行量化,具体回归结果如表6的Panel A所示。回归结果显示,焦点企业人工智能水平提升同样促进了客户人工智能投资水平提升,从而证实了提升人工智能投资水平是焦点企业对上下游企业人工智能技术溢出效应的共性机制。

(2)人员结构。随着焦点企业人工智能水平提升,其新兴生产方式和业务模式会以产品形式向下游客户传导。此时,客户需相应调整对人员结构的需求偏好以保持与焦点企业的高效协同(杨金玉等,2022)。本文参考姚加权等[6]的研究,采用技术和研发人员数量除以员工总人数衡量企业高技能劳动力(High_tech)。表6的Panel B结果表明,焦点企业人工智能水平提升能够刺激客户调整自身人员结构,提升其高技能劳动力的占比。此外,焦点企业人工智能技术创新水平(AI)与客户高技能劳动力(High_tech)的系数均在1%水平上高度显著,进一步验证焦点企业可通过促使客户优化人员结构,推动其进行人工智能技术创新。

(3)信息化水平。借助供应链传导效应,焦点企业人工智能技术水平提升有助于下游客户增强信息处理能力,降低形成“信息孤岛”的风险[30]。当下游客户信息化水平提升时,意味着其在硬件设备、信息系统、数据积累等方面得到优化。其中,完善的硬件和系统为其开展人工智能创新提供了技术支撑,丰富的数据为其训练人工智能模型提供了素材。由此可见,客户人工智能技术创新能力增强,会使其更主动地进行人工智能技术创新。本文参考权小锋等[29]的研究,采用客户软硬件投资期末净额取自然对数刻画信息化水平(ITA),其中硬件资本用企业电子设备、通讯设备和计算机及辅助设备的期末净值表示,软件资本用软件资产的期末净值表示。信息化水平(ITA)的数值越大,表明企业信息化投入越多,信息处理能力越强。回归结果如表6的Panel C所示,其中,焦点企业人工智能技术创新水平(AI)与客户信息化水平(ITA)的系数均显著为正。这一结果表明,焦点企业人工智能技术水平提升通过提升客户信息化水平,强化其开展人工智能技术创新的动机。

5 异质性分析

5.1 企业规模

不同规模企业在组织架构、资源配置以及约束条件等方面存在显著差异,这些差异可能导致它们在面对焦点企业人工智能技术创新水平提升时有不同表现。本文根据企业规模的中位数将供应商和客户分别划分为大规模组与小规模组进行回归,结果如表7所示。对于供应商而言,焦点企业人工智能技术创新水平提升对小规模供应商的影响显著,而对大规模供应商无显著影响。原因在于:小规模供应商的技术与资源配套相对薄弱,更需要通过适配焦点企业人工智能技术创新活动维持合作关系。此外,小规模供应商的组织灵活性更高,业务模式调整成本也更低,能更快速响应焦点企业技术变革。反观大规模供应商,自身具备较强的技术实力与较大的供应链话语权,对焦点企业的依赖度较低,因而所受影响并不显著。基于客户视角,无论规模大小,受焦点企业人工智能技术创新的影响均显著。这可能源于客户在供应链中处于需求端,焦点企业人工智能技术创新能够直接提升客户服务效率或优化响应速度,从而消除了企业规模带来的差异化影响。

5.2 政府干预程度

不同地区政府对企业的干预程度具有显著差异,且不同地区在经济基础与政策支持力度上也各具特点,部分地区可能在资金补贴、技术创新等方面投资不足,从而影响企业开展人工智能技术创新活动的积极性。参考冯诗雨等(2026)的研究,本文采用地区政府财政支出与地区生产总值的比值衡量政府干预程度,并依据中位数将样本分为政府干预程度低组和政府干预程度高组进行回归,结果如表8所示。焦点企业人工智能技术创新对供应商的影响会因政府干预程度差异而呈现差异化特征,而对客户的影响与政府干预程度无显著关系。原因在于:供应商处于供应链前端,其创新行为高度依赖外部因素。当政府干预程度较高时,供应商可借助政策支持、财政补贴等途径降低对焦点企业的依赖,使焦点企业对合作伙伴的创新活动敏感性降低,进而弱化溢出效应;当政府干预程度较低时,由于缺乏政策红利,供应商生存发展高度依赖与焦点企业的合作关系。为避免在竞争中被替代,供应商不得不积极响应焦点企业创新活动,因而溢出效应更显著。客户的核心职能是对接市场需求,其创新动力更受竞争压力、消费者偏好等市场化因素的影响。焦点企业传导的人工智能技术能够直接帮助客户优化产品性能、抢占市场份额,这种直观的显性收益使得政府干预不会影响客户创新决策,因而焦点企业人工智能技术创新对客户的溢出效应与政府干预程度无显著关系。

6 结论与政策启示

6.1 研究结论

本文以2007—2024年A股上市公司中的制造业企业为研究样本,基于供应链关系视角探究焦点企业人工智能技术创新对其上下游企业的影响及作用机制,得出以下结论:

(1)焦点企业人工智能技术创新对供应链上下游企业均存在显著正向溢出效应,且这一效应主要通过渐进式创新实现,颠覆式创新的溢出作用尚未得到验证。

(2)焦点企业人工智能技术创新对上下游企业的溢出机制存在显著差异化特征:对于供应商,焦点企业人工智能技术创新的溢出效应以倒逼效应为主,通过促进人工智能投资、推动产学研合作、优化融资生态三条路径,迫使供应商被动适配创新需求;对于客户,焦点企业人工智能技术创新主要借助传导效应向下游传导,通过促进人工智能投资、优化人员结构以及提高信息化水平三条路径,驱动客户主动承接人工智能技术创新成果。

(3)异质性分析发现,焦点企业人工智能技术创新的溢出效应仅在供应商层面存在显著差异。具体地,小规模供应商因资源依赖度高、组织灵活性强,受溢出效应的影响更为显著。此外,政府干预程度较低地区的供应商因缺乏政策红利,对焦点企业创新活动的响应也更为积极。客户无论规模大小、所在地区政府干预程度高低,均受到溢出效应的显著影响。

6.2 政策启示

(1)积极打造人工智能供应链,精准施策提升创新效能。对于上游供应商,需积极推动焦点企业联合高校、科研机构共享创新成果,引导金融机构基于供应链协同数据推出专项创新基金,以弥补技术与资金的不足。对于下游客户,需鼓励焦点企业开放人工智能应用场景与技术标准,开展定制化培训,助力客户优化人员结构。同时,政府部门可以通过减税、财政补贴等方式激励客户加大信息化投入力度,使其更好地吸收来自焦点企业人工智能创新的技术溢出,实现供应链协同发展。

(2)畅通技术传导路径,全面提升供应链整体竞争力。受供应链环境制约,焦点企业人工智能技术创新主要以渐进式创新的形式溢出。基于这一特征,焦点企业在与供应商、客户合作过程中需制定更符合自身发展特点的合作模式。具体而言,焦点企业可以通过降低技术参与门槛、优化技术资源配置等途径,使人工智能技术创新的溢出效应沿着供应链逐级渗透。此外,供应商与客户也需前瞻性布局颠覆式创新的技术储备与协同研发机制,通过共建联合实验室、分阶段技术转化等方式,逐步突破颠覆式创新传导壁垒,进而研发新技术,提高供应链整体核心竞争力。

(3)关注不同类型企业的差异化影响,实现供应链协同发展。中小型企业是开展创新活动的主力军,也是众多创新技术的主要来源。相较于大规模企业,焦点企业人工智能技术创新的溢出效应对中小企业更为显著。因此,需加强政策引导,对供应链龙头企业实施有效监督,避免龙头企业因话语权过高而损害中小企业利益,促进各类企业形成协同创新的良性生态格局。此外,不同地区政府干预程度存在差异,供应链溢出效应的传导逻辑与效果也有所不同。在政府干预程度较低地区,需充分发挥焦点企业的创新引领作用,以企业协同效应弥补政策短板,保障人工智能技术创新成果沿供应链顺畅流通。在政府干预程度较高地区,需注重政策与市场需求精准对接,避免外部环境对创新生态的过度干预。

6.3 不足与展望

本文存在以下不足:第一,研究样本聚焦制造业上市公司,未覆盖服务业、高新技术产业等非制造业领域,结论普适性受限。未来可扩大样本范围,纳入多行业主体与非上市企业,拓展研究结论的适用边界。第二,对人工智能技术的划分较为宏观,分为渐进式创新与颠覆式创新,未深入探究计算机视觉、自然语言处理等不同技术场景下的溢出效应差异。未来可细化技术分类,对比不同类型人工智能技术的溢出机制与效果差异。第三,研究视角以国内供应链上中下游关系为主,未拓展至跨国供应链与复杂价值链网络场景,对不同制度环境下的溢出路径探讨不足。未来可开展跨国供应链比较研究,结合制度环境差异剖析跨境技术溢出的异质性特征。

参考文献：

[1] 杜传忠, 张榕, 刘书彤. 人工智能全面赋能我国现代化产业体系的机制与路径探析[J].经济纵横, 2024,40(11):36-45.

[2] 张同斌, 刘文龙, 王蕾. 高质量创新的溢出效应:企业供应链的视角[J].经济研究, 2024, 59(11):38-54.

[3] ACEMOGLU D, AKCIGIT U, KERR W R. Innovation network[J].Proceedings of the National Academy of Sciences of the United States of America, 2016, 113(41):11483-11488.

[4] 潘珊, 李剑培, 顾乃华. 人工智能、产业融合与产业结构转型升级[J].中国工业经济, 2025,42(2):23-41.

[5] 徐维祥, 牟雅倩, 周建平, 等. 人工智能技术创新对产业链现代化的影响效应及作用机制[J].科技进步与对策, 2025, 42(13):14-24.

[6] 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.

[7] ACEMOGLU D, RESTREPO P. Robots and jobs:evidence from US labor markets[J].Journal of Political Economy, 2020, 128(6):2188-2244.

[8] 蔡庆丰, 严唯唯, 舒少文. 绿色创新的供应链溢出——基于核心企业与供应商协同发展的视角[J].经济管理, 2024, 46(6):43-59.

[9] 王健, 李明操, 蒋忠中, 等. 企业绿色技术创新的供应链溢出效应研究[J].管理科学学报, 2025, 28(1):77-99.

[10] 李斌, 杨冉, 卢娟, 等. 企业数字化转型、供应链溢出与劳动力技能偏向[J].数量经济技术经济研究, 2024,41(8):133-153.

[11] 张鹏杨, 肖音, 刘会政, 等. 数字化转型对供应链上下游产出波动的非对称影响研究[J].世界经济, 2024, 47(7):123-152.

[12] 孟凡生, 赵艳, 冯耀辉, 等. 人工智能专利网络对企业智能化发展的影响[J].科研管理, 2024, 45(7):118-126.

[13] 俞荣建, 王妮娜, 何新伟, 等. 产业链上下游组织间双向创新溢出机制研究——组织间依赖视角[J].南开管理评论, 2025, 28(10):197-208.

[14] 张涛, 李雷. 企业数字化转型的供应链溢出效应——客户与供应商双重视角[J].科技进步与对策, 2024, 41(12):82-92.

[15] 范合君, 吴婷, 何思锦. 企业数字化的产业链联动效应研究[J].中国工业经济, 2023,41(3):115-132.

[16] ADHIKARI B K, AGRAWAL A. Peer influence on payout policies[J].Journal of Corporate Finance, 2018, 48:615-637.

[17] LI J, XIA J, ZAJAC E J. On the duality of political and economic stakeholder influence on firm innovation performance:theory and evidence from Chinese firms[J].Strategic Management Journal, 2018, 39(1):193-216.

[18] HAEFNER N, WINCENT J, PARIDA V, et al. Artificial intelligence and innovation management:a review, framework, and research agenda[J].Technological Forecasting and Social Change, 2021, 162:120392.

[19] HENDERSON R M, CLARK K B. Architectural innovation:the reconfiguration of existing product technologies and the failure of established firms[J].Administrative Science Quarterly, 1990, 35(1):9-30.

[20] AKCIGIT U, KERR W R. Growth through heterogeneous innovations[J].Journal of Political Economy, 2018, 126(4):1374-1443.

[21] ACEMOGLU D, AKCIGIT U, CELIK M A. Radical and incremental innovation:the roles of firms, managers, and innovators[J].American Economic Journal:Macroeconomics, 2022, 14(3):199-249.

[22] 田秀娟, 李睿. 数字技术赋能实体经济转型发展——基于熊彼特内生增长理论的分析框架[J].管理世界, 2022, 38(5):56-71.

[23] 孙早, 曹源圆. 人工智能引领新质生产力发展助力现代化产业体系建设[J].国际金融研究, 2025,42(4):3-14.

[24] POURNADER M, GHADERI H, HASSANZADEGAN A, et al. Artificial intelligence applications in supply chain management[J].International Journal of Production Economics, 2021, 241:108250.

[25] MEHDIZADEH M. Integrating ABC analysis and rough set theory to control the inventories of distributor in the supply chain of auto spare parts[J].Computers &Industrial Engineering, 2020, 139:105673.

[26] 王钰莹, 原长弘. 产学研融合促进中小制造企业高质量发展了吗?——中介效应与调节效应分析[J].管理工程学报, 2023, 37(6):94-107.

[27] HALL B H. The financing of research and development[J].Oxford Review of Economic Policy, 2002, 18(1):35-51.

[28] 陈丽姗, 傅元海. 融资约束条件下技术创新影响企业高质量发展的动态特征[J].中国软科学, 2019,33(12):108-128.

[29] 权小锋, 李闯. 智能制造与成本粘性——来自中国智能制造示范项目的准自然实验[J].经济研究, 2022, 57(4):68-84.

[30] 刘亦文, 邓楠, 胡宗义. 智能制造对企业碳减排的影响效应与作用机制[J].中国人口·资源与环境, 2025, 35(4):38-48.

[31] 黄先海, 王瀚迪, 孙涌铭, 等. 数字技术与企业出口质量升级——来自专利文本机器学习的证据[J].数量经济技术经济研究, 2023, 40(12):69-89.

[32] BARON R M, KENNY D A.The moderator-mediator variable distinction in social psychological research:conceptual, strategic, and statistical considerations[J].Journal of Personality and Social Psychology,1986,51(6):1173-1182.

(责任编辑：张 悦)