Artificial Intelligence Application in Enterprise Value Chain Upgrading:Effects, Mechanisms and Contextual Heterogeneity
——Evidence from Text Analysis of Large Language Models

Fu Yehui1,2,Seng Jianfen1,2,Yue Kaidi1,2,Zhang Lijie1,2

(1.School of Economics and Management, Xinjiang University, Urumqi 830046, China; 2.Research Center for Xinjiang Macroeconomic High-quality Development, Urumqi 830046, China)

Abstract：The upgrading of enterprise value chains through artificial intelligence (AI) applications has become a pivotal concern for high-quality development. Viewed through the “smile curve”, this upgrading entails enhancing value-added capabilities in R&D/design, manufacturing, and marketing/service. However, two gaps persist: firm-level AI applications lack consistent measurement, and the micro-level mechanisms through which AI reshapes value creation remain underexplored. Therefore, this study proposes that AI applications can elevate the “smile curve” by strengthening value creation in upstream innovation, midstream operations, and downstream market activities, thereby facilitating the upgrading of enterprise value chains.

Using a panel dataset of Chinese A-share listed firms (2012-2024), the study constructs a novel AI application index via large language model (LLM)-based text analysis of annual reports. After rigorous data cleaning, the sample comprises 33 534 firm-year observations.Enterprise value chain upgrading is measured by firms' value-added performance (proxied by the value-added rate). AI application is designated as the core explanatory variable and measured through large language model (LLM)-based text analysis of annual reports.

Specifically, sentence-level narratives related to AI application are identified using a prompt-assisted annotation strategy; a classification model is then fine-tuned and validated before being applied to the full corpus to extract AI-related application sentences, which are subsequently aggregated at the firm level to construct an AI application index. Empirically, fixed-effects models are employed with comprehensive controls for firm characteristics and governance factors, while incorporating firm and year fixed effects and further controlling for industry-by-year effects. To enhance identification, this study additionally conducts instrumental-variable estimation and multiple matching-based approaches, and performs robustness checks with alternative specifications.

The empirical results indicate that AI application significantly promotes enterprise value chain upgrading, and the positive effect remains stable across different model specifications and robustness tests. Mechanism analyses further show that AI promotes upgrading through three channels: (1) improving innovation quality by expanding and deepening firms’ knowledge base, thereby strengthening upstream value creation;(2) enhancing production flexibility by facilitating digitalized, modular, and responsive operations and by increasing the effective use of IT and skilled human capital, thereby improving midstream efficiency and adaptability;and (3) enabling customized marketing through better demand prediction and customer profiling, strengthening downstream value capture and feeding market insights back into R&D and production decisions. Heterogeneity analyses based on the technology-organization-environment (TOE) framework suggest that the upgrading effect of AI is stronger for firms with richer data assets, stronger managerial incentives, and those located in regions with higher marketization levels, implying that complementary resources and institutional environments amplify AI-driven transformation. In addition, an extension analysis finds that AI application significantly enhances total factor productivity (TFP), providing evidence that the micro-level productivity effect of AI has begun to materialize.

This study contributes in four main innovative aspects. First, it develops an LLM-based measurement framework for firm AI application using unstructured annual report text, providing a scalable and replicable approach for capturing firms’ AI deployment intensity over a long time horizon. Second, it integrates the “smile curve” logic with firm-level empirical identification, clarifying how AI reshapes value creation across R&D, production, and marketing, and empirically verifying the “technology-process-market” linkage mechanism. Third, it systematically identifies key boundary conditions (data assets, incentive mechanisms, and market-oriented institutions), enriching the understanding of when and why AI more effectively translates into value chain upgrading. Fourth, by linking AI application to TFP improvement, it offers micro-level evidence supporting the realization of AI productivity gains, and provides practical implications for enterprise data governance, talent strategies, incentive alignment, and institutional support.

Key Words：Artificial Intelligence Application; Firm Value Chain; Text Analysis; Smile Curve; Large Language Model

收稿日期：2025-08-05

修回日期：2025-11-25

基金项目：国家社会科学基金西部项目(24XJL012)

作者简介：付业辉(1998—),男,河北沧州人,新疆大学经济与管理学院博士研究生,研究方向为公司金融;僧建芬(1992—),女,云南保山人,新疆大学经济与管理学院博士研究生,研究方向为公司金融;乐凯迪(1992—),女,新疆库尔勒人,博士,新疆大学经济与管理学院副教授,研究方向为产业经济;张立杰(1971—),男,新疆乌鲁木齐人,博士,新疆大学经济与管理学院教授,研究方向为产业经济、预测与决策技术。

通讯作者：张立杰。

DOI：10.6049/kjjbydc.D102025080089

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(2026)08-0026-11

0 引言

党的二十大报告指出,“推动战略性新兴产业融合集群发展,构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎”。改革开放以来,中国凭借要素禀赋与基础设施的比较优势跻身世界制造大国行列。然而,中国制造企业在全球价值链竞争中仍处于弱势地位[1],尤其在高端芯片、精密仪器等关键核心技术与中间品供给方面面临“卡脖子”难题[2]。近年来,人工智能技术加速向实体经济领域渗透,通过人工智能技术和产业应用的交叉融合,重塑企业价值创造模式[3],成为企业向价值链高端迈进的重要路径。此背景下,深入探究人工智能应用对企业价值链升级的影响效应及作用机制,具有重要理论意义与现实价值。

作为新一轮科技革命和产业革命的核心驱动力,人工智能技术自诞生起就被视为推动经济转型升级的重要力量[4]。作为智能化生产方式,人工智能通过与现有业务深度融合和创新应用,推动价值链向信息化、网络化、智能化方向转型,助力中国产业链升级和价值链重构。因此,应借助人工智能应用加速传统生产组织模式转型与创新生态系统形成[5],进而增强企业价值创造能力,推动企业价值链升级。

当前,数字化转型与企业价值链相关研究成果较为丰富[6-7]。区别于一般数字技术,人工智能技术的自适应学习性、创造性等特征,改变了企业价值创造模式[8],使其由要素投入驱动的粗放式增长,转向以精准识别与个性化满足为特征的智能化模式。就价值链升级路径而言,人工智能应用能够在研发、生产与营销环节,形成提升创新质量、赋能柔性生产及定制化营销的作用机制,发挥多环节协同升级效应。现有数字技术对价值链升级影响的研究作用多聚焦于研发环节与营销环节的两端攀升,对生产环节的作用机制识别不足。本文基于微观视角,结合“微笑曲线”理论,探究人工智能应用对企业价值链升级的影响,并尝试从价值链不同环节解析其中的作用机制。

本文边际贡献如下:第一,研究视角方面,将人工智能应用与企业价值链纳入统一分析框架,结合“微笑曲线”理论厘清人工智能推动企业价值链升级的作用机制,揭示人工智能在研发、生产、营销等环节的协同升级作用,有助于加深对人工智能重塑企业价值创造能力和竞争优势的理解。第二,指标测度方面,将大语言模型引入企业人工智能应用指标测度体系,从而为人工智能测度提供新的可行性方案。基于上市公司年报中MD&A文本,使用大语言模型从非结构化文本数据中提取信息,能够克服现有测度过程中以偏概全和误判漏问题。第三,现实意义方面,为推动企业人工智能转型,破解价值链低端锁定困局提供参考。

1 文献综述

1.1 人工智能应用的微观经济效应

随着数字技术革命深入推进,人工智能逐渐成为企业实现智能化转型的重要抓手。不同于一般数字技术的信息化与流程自动化,人工智能技术依托自学习、自适应与生成能力,能够在研发、生产、营销与管理等环节提供智能决策、预测优化与自动化内容生成等功能,从而对企业生产经营产生更深层次的影响[9]。围绕企业人工智能应用的经济影响,现有研究主要聚焦于促进技术创新、改善ESG表现、提高企业绿色全要素生产率以及增强企业韧性等方面[10-13]。相关研究从不同维度揭示了人工智能应用的微观价值,但基于价值链视角检验人工智能应用经济后果的研究相对不足。企业价值链升级是指企业对内部相互关联的价值活动链条进行改进、优化与延伸,进而创造更多新增价值的过程[2],能够在微观层面提升企业财务绩效、运营效率与竞争优势[13]。从理论上看,人工智能应用能够重塑企业价值创造活动,通过改变研发、生产与营销等环节经营模式提升企业价值链。

1.2 “微笑曲线”理论视角下的价值链升级

“微笑曲线”理论提出以来,逐渐成为分析企业价值链的有效工具。部分学者引入“微笑曲线”理论,尝试探究企业价值链升级的影响因素。例如,郭金花等[7]研究发现,企业数字化转型推动价值链向高附加值的研发设计与销售服务两端攀升;侯慧芳等[14]研究发现,数字贸易不仅能够推动价值链向两端攀升,还能使“微笑曲线”变得更陡峭。上述研究聚焦数字技术,对人工智能应用的关注较为有限,且忽视了人工智能应用对生产环节的赋能作用。“对偶微笑曲线”理论认为,可通过提升中间制造环节附加值使曲线中部趋于平坦,从而改变利益分配格局,实现价值链跃升[15]。这一思路,与人工智能应用通过增强企业生产环节的智能化与柔性生产能力提升生产环节附加值具有逻辑一致性。人工智能应用可通过优化生产效率、提升柔性生产能力等方式抬升中部曲线,并与两端攀升形成价值链协同升级效应(见图1),这为理解人工智能重塑企业价值创造能力和竞争优势提供了新思路。

1.3 人工智能应用测度方法评述

在人工智能应用测度层面,由于缺乏微观层面的人工智能应用数据,现有研究大多以工业机器人安装数量衡量企业人工智能应用水平[16]。工业机器人主要聚焦于生产环节,仅能反映自动化生产能力,难以衡量企业在算法支持、大数据分析、智能决策等方面的应用水平[9]。因此,简单采用工业机器人数量难以全面反映企业人工智能应用水平。姚加权等[17]基于年报信息披露视角,采用词典法构建企业人工智能衡量指标。该方法在一定程度上克服了以偏概全的问题,但仍存在局限性。一方面,词典法较为依赖所构建词典的准确性。若人工智能词典包含的关键词不完备,可能导致真实的人工智能应用数据未被统计,易引发第一类错误,即企业应用了人工智能技术但未被识别。另一方面,词典法难以判断关键词出现的具体语境,可能将战略规划、行业趋势分析等策略性披露识别为企业实质性应用,进而引发第二类错误,即年报文本中提及人工智能关键词但企业实际未应用。在现有研究的基础上,本文采用百度ERNIE大语言模型准确识别企业人工智能应用水平。该模型是人工智能领域的前沿成果,能够借助双向Transformer架构的自注意力模块有效捕捉文本中每个词汇上下文的长距离依赖性与复杂关系,从而在自然语言推理等语言任务中表现出优异性能。

2 理论分析与研究假设

2.1 人工智能应用与企业价值链升级

人工智能应用渗透于企业研发、生产、营销等全链条多环节,能够重塑企业竞争格局与价值创造模式。本文参考Melitz等[18]的研究,将人工智能应用与企业产品附加值纳入理论分析框架,探讨人工智能应用推动企业价值链升级的内在逻辑。

2.1.1 消费者偏好与需求

假设代表性消费者偏好可采用如下拟线性偏好函数表示:

(1)

其中,表示消费者对同质性产品的消费量,表示消费者对i种异质性产品的消费量。α、η、γ分别度量消费者对产品整体效用的偏好强度、异质性商品间的可替代程度,以及异质性商品与同质性产品间的替代关系。Ω表示异质性商品种类集合。本文假设消费者对同质性产品具有正需求可得到异质性商品i的反需求函数:

(2)

其中,令Ω*⊂Ω,表示实际被消费的品种集合是Ω的一个子集。将式(2)反转可得线性市场需求函数:

(3)

其中,N表示Ω*中被消费的异质性商品种类数量,为市场规模。当消费者需求为正时,可得市场中商品的最高价格为:

(4)

2.1.2 企业生产行为

假定劳动力是唯一生产要素,在竞争性市场中无弹性供应。由于创新具有不确定性,新产品成本难以在研发前确定。企业只有在支付创新所需的固定投资fe后,才能从成本概率分布函数G(c)中获知自身边际成本ci∈[0,cm]。进入成本为沉没成本,只有可覆盖自身边际成本的企业才能存续并开展生产,其余企业则退出行业。存续企业依据市场需求函数(式(3))获取最大化利润;在市场竞争呈现连续性的情况下,单个企业将市场平均价格与产品种类N视为外生给定,从而得到典型垄断竞争模型。在垄断竞争市场中,当企业利润降至零时,达到停止经营的临界值,其成本如下:

(5)

人工智能应用初期,企业需投入较高固定成本。随着应用程度加深,通过机器视觉、预测性维护等人工智能算法能够显著提升生产效率,以减少单位工时和资源浪费。此外,人工智能技术在信息搜寻、智能决策等方面的优势也能够提升企业研发与营销效率。本文借鉴韩民春等[19]的研究,假定企业成本函数为:

(6)

其中,qici反映未应用人工智能时的可变成本;反映企业人工智能应用初期的固定资本投入;-δqilog(1+Ai)表示人工智能技术具有节约成本的作用,且呈现边际效应递减趋势。θ、δ分别表示企业人工智能的生产研发效率和要素投入利用效率,且均大于零。因此,企业边际成本为:

(7)

在给定企业人工智能投入Ai的情况下,企业产品定价表示为:

(8)

企业价值链升级在产品层面表现为相对于其成本所能实现的价值增值空间[20],通常反映为价格与边际成本的差额。因此,本文采用产品附加值表征企业价值链位置,表达式如下:

(9)

在式(9)的基础上,对产品附加值μi关于人工智能投入Ai求导,可得∂μi/∂Ai>0,其经济意义为增加企业人工智能投入有助于提升产品与服务附加值。因此,本文提出如下研究假设:

H1:人工智能应用能够推动企业价值链升级。

2.2 人工智能应用推动企业价值链升级的作用机制

企业价值链升级的本质要求,在于增加产品与服务的附加值,这与“微笑曲线”理论具有内在一致性。“微笑曲线”理论认为,企业价值链升级存在两条路径:一条是向“微笑曲线”两端攀升,即生产、加工等低附加值环节向研发创新和市场营销等高附加值环节转移[7];另一条是“微笑曲线”中间部分向上凸起,即生产过程高端化[6]。因此,基于“微笑曲线”理论,本文认为人工智能应用能够通过研发、生产、营销3个环节协同推动企业价值链升级。

2.2.1 研发环节

随着市场需求日益多元化,创新质量在助力企业优化产品功能与提升消费者服务体验方面的作用越来越显著。高质量创新可催生新产品、服务和技术[21],帮助企业扩大竞争优势,促进可持续价值创造,进而推动企业价值链升级。基于知识基础观与吸收能力理论,高质量创新取决于企业对外部知识的搜索广度,以及对内外部知识的整合深度[22]。人工智能可通过降低信息搜寻与匹配成本,提升表示学习与语义理解能力,在知识广度上增强跨领域知识获取渠道与获取能力,在知识深度上强化对已有知识的抽象、推理与结构化整合能力。一方面,知识宽度提升有助于企业发现不同行业间的关联与交叉点,促进不同学科知识交叉融合,促进创意碰撞与交流[23],从而挖掘新的市场机会。另一方面,知识深度提升使企业创新成果所蕴含的知识更丰富,能够提高竞争对手模仿难度与消费者满意度,从而帮助企业获得更大溢价空间。基于此,本文提出如下研究假设:

H2:研发环节,人工智能应用通过提升创新质量推动企业价值链升级。

2.2.2 生产环节

受“科学管理”思想和卖方市场影响,传统企业多采取“大规模同质化”的刚性生产模式。同质化产品供给使企业陷入“内卷式”价格竞争,利润空间不断压缩,从而导致生产环节被锁定在价值链最低端。根据模块化理论,模块化生产能够快速调整生产流程,匹配客户个性化需求,提升生产环节附加值[24]。在人工智能优化与调度算法支持下,企业能够将流程固化的刚性生产模式,重构为以任务单元为核心的模块化生产架构,将复杂生产流程分解为相互关联和相互依存的模块集合(黄卓等,2024)。不同模块可根据任务与需求灵活组合,形成“按需组装、按单生产”的柔性响应机制。借助人工智能的数据感知和算法调度优势,企业能以较低成本重构生产流程,完成差异化与个性化的生产任务。同时,人工智能的自我学习能力可不断挖掘工序间隐含的依赖关系与资源配置瓶颈,进而优化工序排列与模块组合,推动生产环节向高度柔性化与智能化迈进[25]。基于此,本文提出如下研究假设:

H3:生产环节,人工智能应用通过赋能柔性生产推动企业价值链升级。

2.2.3 营销环节

传统企业采取“大水漫灌”式营销策略[26],使营销内容覆盖尽可能广泛的受众,以获取更多关注并实现客户转化。但这种营销模式缺乏针对性,可能引发资源浪费、客户响应速度慢等问题,进而导致营销效率低下。基于市场导向理论,精准识别并匹配目标客户,有助于企业推动营销环节从“以产品为中心”向“以客户为中心”的定制化转型。借助大数据分析、用户画像等人工智能技术,企业能够精准识别不同用户群体需求与偏好,进而为其推送定制化营销内容[27]。这不仅提升企业对市场需求的响应速度,还通过将营销资源聚焦于高潜力目标群体,提升客户匹配效率,实现营销资源优化配置。此外,定制化营销策略还能弱化企业营销、生产、创新环节的“信息孤岛”效应(许宪春等,2019)。定制化营销所衍生的消费者偏好与潜在需求等信息,能够为企业研发设计和优化生产提供数据支撑,从而降低企业与市场间的信息不对称,有助于企业向客户提供差异化、高质量产品与服务,从而实现价值链前后端协同升级。基于此,本文提出如下研究假设:

H4:营销环节,人工智能应用通过定制化营销推动企业价值链升级。

3 研究设计

3.1 样本选择与数据来源

本文以2012—2024年中国A股上市公司为研究样本,并对其进行如下处理:①剔除ST或PT类样本;②剔除金融保险行业样本;③剔除关键变量数据缺失样本;④对连续变量进行上下1%的缩尾处理。最终,得到33 534个公司年度样本。企业年报来自巨潮资讯网,其余财务数据均来源于国泰安(CSMAR)数据库和万德(WIND)数据库。

3.2 变量测度

3.2.1 被解释变量:企业价值链升级(VAR)

参考刘天琦等[2]、吴莹[6]的研究,采用企业增加值率度量企业价值链升级(VAR),计算方法为企业增加值除以总投入乘100,该指标越大,表明企业产品及服务附加值越高,价值链升级程度越高。

3.2.2 解释变量:人工智能应用(AI)

参考金星晔等[28]研究,采用大语言模型对企业年报管理层分析与讨论部分(MD&A)涉及人工智能相关论述进行文本语义识别,从而构建企业人工智能应用指标。基于此,本文利用百度公司开发的ERNIE大语言模型,采取有监督的机器学习方法对文本进行分类。考虑到MD&A中大多数语句与人工智能无关,若对全部文本进行训练,可能因文本冗余而降低分类性能。因此,参考姚加权等[17]的研究,并结合《人工智能行业应用建设发展参考架构》《新一代人工智能发展规划》等政策文件,构建包含238个关键词的人工智能词典。通过文本筛选,最终得到621 928条待分类语句。

模型训练流程主要包括数据标注、模型训练、模型判断及输出等。首先,本文通过设计“人机对话问答”提示,使用生成式人工智能模型ChatGLM与ChatGPT对随机抽取的5%语句进行标注,并按照8∶2的比例划分训练集与测试集。其次,将训练集数据用于ERNIE大语言模型训练,并将测试集数据用于验证模型分类表现。最后,将剩余文本论述输入模型中,完成分类任务。具体技术流程如图2所示。

本文通过以下改进措施提高模型分类精度:第一,因人工标注效率较低且易受标注者主观判断影响,故使用两种主流生成式人工智能代替人工标记,以获得更高质量的标注样本。第二,在模型选取方面,使用百度公司推出的ERNIE大语言模型。与传统BERT模型相比,ERNEI语言模型通过知识掩码策略进行学习,增强语言表示,在中文文本分类任务中表现出更强的性能。通过上述改进,本文构建的大语言模型表现出优异性能。在测试集中,预测的准确率(accuracy)、精确度(precision)、召回率(recall)、F1-Score分别为90.81%、91.03%、86.64%、88.78%。使用训练好的ERNIE语言模型对剩余文本进行判断,得到251 799句能够真实反映企业人工智能的文本论述,将其汇总至企业层面得到人工智能应用水平,通过加1取自然对数得到企业人工智能应用的代理变量。

3.2.3 控制变量

本文参考现有研究[17],选取如下控制变量:企业资产报酬率(Roa)、企业资产负债率(Lev)、企业成长性(Growth)、企业规模(Size)、企业年龄(FirmAge)、股权集中度(Top10)、两权分离(Seperate)、独立董事占比(Indep)。本文主要变量描述性统计结果如表1所示。

3.3 模型设定

为验证研究假设,本文构建以下固定效应模型:

(10)

其中,VARi,t为企业价值链升级程度,AIi,t为企业人工智能应用水平,表示上述一系列控制变量,Year、ID分别表示年份和企业固定效应。此外,考虑到企业所处行业环境变化,本文进一步控制行业与时间固定效应。

4 实证结果与分析

4.1 基准回归

表2报告了企业人工智能应用与企业价值链升级关系基准回归结果。列(1)为未加入控制变量与固定效应的单变量回归结果,人工智能应用(AI)的系数为1.397,在1%水平上显著。列(2)为加入控制变量的回归结果,人工智能应用(AI)的系数为1.594,在1%水平上显著。列(3)为同时加入控制变量与固定效应的回归结果,人工智能应用(AI)的系数为0.514,在1%水平上显著。以上结果表明,人工智能应用显著提升企业增加值率,推动企业价值链升级。由此,假设H1得到验证。

4.2 稳健性检验

4.2.1 工具变量法

本文采用工具变量法缓解可能存在的双向因果问题,将企业人工智能应用与同行业同省份企业人工智能应用水平差额的三次方作为工具变量(IV)。表3列(1)(2)报告了工具变量估计结果。列(1)显示,本文选取工具变量与企业人工智能应用高度相关。列(2)显示,人工智能应用对企业价值链升级的影响仍显著为正,与基准回归结果一致,证明前文估计结果稳健。

4.2.2 PSM匹配法与熵平衡匹配法

为缓解样本偏误导致的内生性问题,本文使用倾向得分匹配法(PSM)和熵平衡匹配法(EBM)对样本进行处理。根据企业是否应用人工智能,将样本划分为实验组与对照组,以所有控制变量作为协变量,在两组样本中进行倾向得分匹配与熵平衡匹配以提高样本可比性。表3列(3)(4)报告了匹配后的估计结果,与基准回归结果一致。在校正样本自选择问题后,仍支持基准估计结果。

4.2.3 考虑遗漏变量

本文在基准回归中加入一系列控制变量与固定效应,但仍可能存在遗漏变量导致的内生性问题。基于此,表3列(5)加入城市固定效应,以排除不同城市经济发展水平带来的干扰,回归结果表明,结论依然稳健。列(6)中,进一步增加大股东资金占用、是否为“四大”审计、托宾Q值等控制变量,以排除相关因素对本文结论的影响。同样地,估计结果依然稳健。参考Altonji等[29]的研究,开展遗漏变量偏误检验,结果如表4所示,在无控制变量和无固定效应的情况下,估计系数的差异比率远小于1,意味着遗漏变量会导致严重的估计偏误。由此表明,本文控制变量与固定效应选取具有合理性。在其余两种情况下,差异比率介于1.541～3.770之间,表明若要使基准结果有偏,则遗漏变量的解释力度至少需要比基准回归的解释力度大1.541倍以上。因此,遗漏变量导致估计偏误的可能性较小。

4.2.4 其他稳健性检验

(1)替换变量衡量方式。首先,使用BERT大语言模型替代ERNIE模型测度企业人工智能应用水平。其次,采用会计法计算得到的企业加成率替换企业增加值率,以衡量企业价值链升级。

(2)剔除特殊样本。首先,考虑企业策略性披露行为,根据深交所公开的企业信息披露质量考评结果,剔除披露质量“不合格”样本。其次,剔除北京、上海、天津、重庆直辖市企业样本。最后,2017年7月,国务院发布《新一代人工智能发展规划》,从战略规划层面布局人工智能产业。因此,本文剔除2017年之前企业样本。

(3)控制时间趋势。分别构建控制变量与时间虚拟变量、时间趋势三阶多项式的交互项,并将其引入基准回归中,以缓解控制变量随时间变动导致的估计偏误。

(4)双重聚类标准误。本文进一步对标准误进行企业层面与时间层面的双重聚类,以有效缓解时间相关性与个体相关性引起的标准误被低估问题。上述稳健性检验结果如表5所示。

5 作用机制检验

5.1 提升创新质量

人工智能应用能够优化企业知识储备,拓展企业知识宽度与知识深度,使其知识体系适配市场多样化需求,从而提升企业创新质量。参考孟凡生等[30]的研究,利用滚动窗口法计算前5年的知识宽度(KB)和知识深度(KD)作为企业创新质量衡量指标。其中,采用前5年企业发明与实用新型申请专利的技术小类(IPC分类号前4位)个数表示知识宽度,采用前5年企业发明与实用新型申请专利各技术小类下的专利总数除以技术小类总数表示知识深度。表6列(1)(2)报告了提升创新质量机制检验结果,人工智能应用的估计系数分别在1%、10%水平上显著为正,说明人工智能应用通过提升企业创新质量推动企业价值链升级,由此验证了H2。

5.2 赋能柔性生产

人工智能应用赋予企业生产环节更强的灵活性和柔性特征,通过将流程固化的刚性生产模式,重构为以任务单元为核心的模块化生产结构,企业能够以较低成本实现“按需组装、按单生产”的柔性响应,从而促进生产环节产品附加值提升。首先,参考刘飞等[31]的研究,采用信息化硬件和软件资产占总资产的比值(InfAssets)衡量企业柔性生产能力。其次,参考黄卓等(2024)的研究,从企业人力资本结构方面刻画柔性生产能力。本文认为,高技能员工在应对技术革新时更具适应力,能够更快对市场需求变化作出反应。因此,本文将技术人员视为高技能劳动力,使用高技能人员占比(SkillStru)衡量企业柔性生产能力。表6列(3)(4)报告了赋能柔性生产机制检验结果,人工智能应用的估计系数均在1%水平上显著为正,说明人工智能应用能够通过提升企业柔性生产水平推动企业价值链升级,由此验证了H3。

5.3 定制化营销

凭借大数据分析、用户画像等人工智能技术,企业营销策略实现从“以产品为中心”向“以客户为中心”的定制化转型,通过精准识别不同用户群体的需求与偏好,为其推送定制化营销内容,实现营销资源优化配置。考虑到传统结构化数据难以反映企业营销策略及营销行为的转变,故本文尝试使用文本挖掘方式构建相关指标。具体而言,基于企业年报MD&A文本内容,计算“定制”“个性”和“互动”等相关表述的词频,将其加1取自然对数,以此作为企业定制化营销(Customize)的度量指标。此外,通过人工智能分析技术,企业能够更了解不同消费者差异化需求,从而针对性地推送营销内容,降低自身与市场间的信息不对称程度。因此,本文通过对流动性比率、非流动性比率以及反转指标进行主成分分析,构建信息不对称(ASY)的代理变量。表6列(5)(6)报告了定制化营销机制检验结果,人工智能应用的估计系数分别在1%、5%水平上显著为正,说明人工智能应用能够通过促使企业采取定制化营销策略推动企业价值链升级,由此验证了H4。

6 基于TOE框架的情境异质性分析

“技术—组织—环境”(TOE)框架是综合性分析工具,适用于不同情境下企业行为决策的归因分析。基于此,本文从技术、组织和环境3个层面,分别考察人工智能应用推动企业价值链升级的异质性影响。

6.1 技术层面

作为高度依赖数据驱动的通用技术,人工智能应用成效很大程度上取决于数据要素数量与质量[32]。受益于数据要素的边际报酬递增与非竞争性特征,企业拥有的数据要素越多,人工智能模型的性能表现越优,进而提升其在研发、生产、营销等环节的应用效果。由此本文推断,当企业数据资产较多时,人工智能应用对企业价值链升级的促进作用更显著。参考路征等[33]的研究,计算企业市场价值与固定资产、金融资产、无形资产的差额,以此作为企业数据资产的代理变量。本文以数据资产指标的中位数为依据,将样本划分为高数据资产组与低数据资产组,分别进行回归,结果如表7列(1)(2)所示,人工智能应用对企业价值链升级的促进作用在高数据资产企业显著,在低数据资产企业不显著,从而验证上述推断。

6.2 组织层面

管理层激励能够通过改变企业风险承担意愿,影响人工智能应用效果。人工智能应用具有高投入和高不确定性特征,部分企业对人工智能应用持观望态度,进而限制人工智能的技术潜力。基于委托代理理论,高水平激励能够降低管理者的短视主义与风险规避倾向,提高其风险承担意愿,从而推动人工智能与业务流程深度融合,释放人工智能的发展红利。由此本文推断,当高管激励水平较高时,人工智能应用对企业价值链升级的促进作用更显著。参考宋婷婷等[34]的研究,采用当期前3名高管薪酬总额衡量管理层激励水平。本文以管理层激励指标的中位数为依据,将样本分为高管理层激励组与低管理层激励组,分别进行回归,结果如表7列(3)(4)所示,人工智能应用对企业价值链升级的促进作用在高管理层激励企业显著,在低管理层激励企业不显著,从而验证上述推断。

6.3 环境层面

市场化水平较高地区,经济自由度和开放性更高,监管环境与市场机制也更健全和完善。因此,这类地区具备成熟的要素市场、透明的信息披露环境以及完善的产权保护机制,能够为企业人工智能应用营造良好的制度环境。由此本文推断,当企业所处地区市场化水平较高时,人工智能应用对企业价值链升级的促进作用更显著。本文使用樊纲指数衡量地区市场化水平,并将其匹配至企业层面,以樊纲指数的中位数为依据,将样本划分为高市场化水平组与低市场化水平组,分别进行回归,结果如表7列(5)(6)所示,人工智能应用对企业价值链升级的促进作用在高市场化地区企业显著,在低市场化地区企业不显著,从而验证上述推断。

7 进一步分析

从通用技术扩散视角看,人工智能作为典型通用技术,其应用与扩散存在滞后效应,导致生产率增长经历较长时间,由此带来“索洛悖论”[35]。人工智能应用初期,企业面临较高的调整成本,技术变革收益也尚未兑现,因而短期内无法提升生产率。随着技术不断扩散,人工智能技术逐步嵌入企业价值链的核心环节,其生产率红利逐渐显现[36]。因此,本文采用LP法测度上市公司全要素生产率,检验人工智能应用是否已超越“索洛悖论”,带来生产率红利。此外,本文还使用OLS法与FE法测度的全要素生产率验证结论稳健性。表8显示,人工智能应用显著提升企业全要素生产率,表明当前我国人工智能应用已跨过初期探索阶段,其生产率红利开始在微观层面显现。

8 结语

8.1 研究结论

本文聚焦新一轮人工智能技术变革中的企业价值链升级问题,利用大语言模型对2012-2024年A股上市公司年报的非结构文本进行分析,构建企业人工智能应用指标,并结合“微笑曲线”理论探讨人工智能应用对企业价值链升级的影响,得出以下主要结论:

(1)人工智能应用能够推动企业价值链升级。经过一系列内生性及稳健性检验后,该结论依然成立。

(2)人工智能应用通过提升研发、生产、营销环节附加值牵引企业“微笑曲线”整体上移,进而推动企业价值链升级,其作用方式包括提升企业创新质量、赋能柔性生产和定制化营销。

(3)在高数据资产、高管理层激励以及市场化水平较高地区企业中,人工智能应用对企业价值链升级的促进作用更显著。

(4)在微观层面,我国人工智能应用已超越“索洛悖论”,实现生产效率显著提升。

8.2 理论贡献

(1)拓展了人工智能应用与企业价值链升级相关研究。现有企业价值链升级相关研究聚焦于传统数字技术,鲜有探究人工智能技术对企业生产经营及战略决策过程的影响。本文采用前沿大语言模型识别方法,实证检验了人工智能应用对企业价值链升级的影响效应。

(2)现有研究普遍认为,数字技术对企业价值链的影响主要体现在上下游两端,忽视了人工智能技术对生产环节的赋能作用。本文结合“微笑曲线”理论,将价值链升级的分析视角从“两端攀升”,拓展为“研发、生产、营销”三环节协同升级的分析框架,丰富了既有相关研究。

(3)基于TOE研究框架,揭示了数据资产、管理层激励与市场化水平对人工智能应用推动企业价值链升级的适用边界,同时表明人工智能应用成效依赖于企业技术、组织、环境等多重因素。

8.3 管理启示

(1)引导企业坚定人工智能转型方向,释放人工智能的发展红利。针对企业出台相应激励措施,从技术指导、税收优惠及资金补助等方面,支持企业开展人工智能创新、应用,引导企业坚定智能化转型方向,合理运用人工智能前沿技术,抓住新一轮科技革命和产业革命的机遇。

(2)推动人工智能与企业业务流程深度融合,避免低端锁定导致路径依赖。企业可借助人工智能技术重构现有业务流程,推动其与研发、生产、营销等业务流程深度融合,进而实现企业价值链升级。在研发环节,依托知识图谱、语义检索等人工智能工具,提升知识发现与知识创造效率,进而发现潜在市场机会;在生产环节,以过程智能化为核心,加强制造流程柔性化设计,提高生产线切换速度,进而提高运营效率与市场响应速度;在营销环节,聚焦于需求识别与定制化服务,推进客户分群、智能报价与服务知识库建设,锚定差异化营销策略。

(3)完善企业数据资产管理体系。加强对研发、生产、营销等环节数据采集与整合,扩大数据覆盖面,提升数据时效性,构建可持续的数据资产体系。此外,构建标准化数据管理体系,完善数据清洗、分类、权限管理与合规审查等制度,确保数据资产的真实性、安全性与可用性。

(4)优化企业治理结构,以适应人工智能技术变革。构建合理的激励体系,通过设立合理的企业人工智能发展目标,推动管理层利益与企业长期发展目标相契合,在企业内部形成治理合力,制定符合企业长远利益的决策安排。同时,优化管理层与董事会结构,适度引入具备人工智能相关背景的高管与独立董事,以提升企业监督与决策能力。

8.4 不足与展望

本文存在以下不足:首先,在指标测度层面,企业人工智能应用指标构建依赖于对企业年报MD&A文本的语义分析,难以完全消除选择性披露与表述风格等因素对实证结果的影响,未来可通过引入岗位招聘信息等多源数据进行交叉验证。其次,在因果识别方面,尽管本研究已使用多维固定效应模型和工具变量法进行实证分析,但反向因果与遗漏变量问题仍可能存在,未来可基于国家新一代人工智能创新发展试验区等政策试点开展进一步研究,强化因果识别的外生性。

参考文献：

[1] 黄晓燕, 陈李强. 中国OFDI能提升东道国与中国的价值链关联吗?——基于前后向关联视角[J]. 南方经济, 2023,41(7):112-134.

[2] 刘天琦, 傅卿. 双循环中的结构性“托举效应”与制造业价值链高端攀升——基于创新能力提升视角[J]. 中国工业经济, 2025,43(8):121-139.

[3] 叶阳平, 马文聪, 吴小节, 等. 人工智能与产业技术融合对制造业企业产品创新绩效的影响研究[J]. 中国工业经济, 2025,43(11):150-168.

[4] 许家云, 沈含雨, 周新博, 等. 人工智能发展与企业ESG表现[J].世界经济研究, 2024, 43(9): 120-134.

[5] 郑琼洁, 王高凤. 人工智能驱动制造业价值链攀升: 何以可能, 何以可为[J].江海学刊, 2021, 64(4): 132-138.

[6] 吴莹. 数字化转型对企业价值链升级的影响[J].湖南科技大学学报(社会科学版), 2022, 25(5): 97-103.

[7] 郭金花, 朱承亮. 数字化转型、人力资本结构调整与制造业企业价值链升级[J].经济管理, 2024, 46(1): 47-67.

[8] 沈路,钞小静.人工智能对制造业企业韧性的影响机制及其供应链溢出效应研究[J].南开经济研究,2025, 41(5):271-288.

[9] OBREJA D M, RUGHINIS R, ROSNER D. Mapping the conceptual structure of innovation in artificial intelligence research: a bibliometric analysis and systematic literature review[J].Journal of Innovation &Knowledge, 2024, 9(1): 100465.

[10] 王寅, 李梦琦, 贾翠雪, 等. 人工智能应用如何促进企业双元数字创新——基于资源编排理论[J].科技进步与对策, 2025, 42(15): 24-34.

[11] TIAN H W, WANG J K, CAI Y. Artificial intelligence adoption and corporate ESG performance[J].Business Strategy and the Environment, 2025, 34(7): 8922-8945.

[12] YANG K Y, KUANG J S. How artificial intelligence applications enhance enterprise green total factor productivity? a perspective on human-machine matching and labor skill structure[J].Economic Analysis and Policy, 2025, 87: 926-947.

[13] 王鹏, 陈蝶欣. 人工智能技术应用与企业韧性——来自机器学习构建AI词典的经验证据[J].经济学动态, 2025, 66(9): 98-117.

[14] 侯慧芳, 张少军, 谌瑞华. 数字贸易、数字产业价值链与产业结构升级——基于发展中国家的经验检验[J].经济管理, 2024, 46(10): 5-24.

[15] 孙黎, 许唯聪. 数字经济对地区全球价值链嵌入的影响——基于空间溢出效应视角的分析[J].经济管理, 2021, 43(11): 16-34.

[16] XIA L, HAN Q J, YU S. Industrial intelligence and industrial structure change: effect and mechanism[J].International Review of Economics &Finance, 2024, 93: 1494-1506.

[17] 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.

[18] MELITZ M J, OTTAVIANO G I P. Market size, trade, and productivity[J].The Review of Economic Studies, 2008, 75(1): 295-316.

[19] 韩民春, 宋昌昊, 袁瀚坤. 数字化转型、供应链韧性与企业加成率[J].经济学动态, 2025, 66(1): 111-127.

[20] 吴翟, 王文晓. 增值税转型与企业全球价值链分工位置升级[J].中国经济问题, 2023, 65(6): 37-51.

[21] 王钰, 唐要家. 人工智能应用如何影响企业创新宽度?[J].财经问题研究, 2024, 46(2): 38-50.

[22] GRANT R M. Toward a knowledge-based theory of the firm[J].Strategic Management Journal, 1996, 17: 109-122.

[23] 王嫒名, 祝志勇. 技术标准制定如何推动“专精特新”企业突破式创新——基于知识宽度与创新效率的机制检验[J].科技进步与对策, 2025, 42(16): 82-90.

[24] 王海军, 赵惠妍, 金姝彤, 等. 模块化如何赋能企业智能制造升级? 一个探索性案例研究[J].科技进步与对策, 2024, 41(1): 149-160.

[25] WAN J F, LI X M, DAI H N, et al. Artificial-intelligence-driven customized manufacturing factory: key technologies, applications, and challenges[J].Proceedings of the IEEE, 2021, 109(4): 377-398.

[26] 胡振雄. 数智化时期制造业发展的空间转向: 理论基础、经济逻辑及实现机制[J].经济学家, 2025, 37(5): 47-57.

[27] GAI P J, KLESSE A K. Making recommendations more effective through framings: impacts of user- versus item-based framings on recommendation click-throughs[J].Journal of Marketing, 2019, 83(6): 61-75.

[28] 金星晔, 左从江, 方明月, 等. 企业数字化转型的测度难题: 基于大语言模型的新方法与新发现[J].经济研究, 2024, 59(3): 34-53.

[29] ALTONJI J, ELDER T, TABER C. Selection on observed and unobserved variables: assessing the effectiveness of Catholic schools[J].Journal of Political Economy, 2005, 113(1): 151-184.

[30] 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.

[31] 刘飞, 田高良. 信息技术是否替代了就业——基于中国上市公司的证据[J].财经科学, 2019, 63(7): 95-107.

[32] 朱家琦, 任剑新. 数据要素与人工智能技术融合对区域经济发展差距的影响——基于30个省份的实证研究[J].科技进步与对策, 2025, 42(15): 1-10.

[33] 路征, 周婷, 王理, 等. 数据资产与企业发展——来自中国上市公司的经验证据[J].产业经济研究, 2023, 22(4): 128-142.

[34] 宋婷婷, 熊爱华. 国有资本参股对民营企业绿色创新的影响研究——环境规制与高管激励的调节作用[J].科学决策, 2023, 30(11): 89-105.

[35] 程文. 人工智能、索洛悖论与高质量发展: 通用目的技术扩散的视角[J].经济研究, 2021, 56(10): 22-38.

[36] BRYNJOLFSSON E, ROCK D, SYVERSON C. The productivity J-curve[J].American Economic Journal: Macroeconomics, 2021, 13(1): 333-372.

(责任编辑：张 悦)