马克集数摘要
摘要：人工智能正在改变技术创新范式以及对创新要素的要求，不断提升企业创新效率。人工智能对科技生产力具有显著的促进作用，但其提升创新效率的微观机制尚需进一步明确。本文提出了人工智能渗透率的概念，认为人工智能的应用和渗透是一个长期过程，对创新效率的影响具有阶段性差异，两者关系呈 U 型曲线特征。基于我国上市企业年报数据，本文利用 Python 爬虫功能提取和构建人工智能渗透率度量指标，从微观层面考察了人工智能渗透率对企业创新效率的作用机制。研究发现：人工智能渗透率显著提升了企业创新效率，该结论在经过内生性处理和一系列稳健性检验后仍然成立。调节效应分析表明，区域人力资本水平能够正向调节人工智能渗透率与创新效率之间的 U 型关系。在影响机制方面，人工智能渗透率主要通过提升企业绩效水平，扩大研发投入规模；优化人力资本结构，形成知识溢出效应和吸收能力；提升要素协同水平，补充或增强传统生产要素作用等机制影响企业创新效率。最后，本文认为人工智能发展处于通用智能的初始阶段，并提出了相关政策建议。
关键词： 数字经济；人工智能；人工智能渗透率；创新效率
一、论文选题背景和意义
在数字经济加速演进与通用人工智能兴起的背景下，企业创新的范式与要素结构发生深刻变化，人工智能通过数据、算法与算力的融合重塑创新流程与效率。论文指出，现有研究多确认人工智能促进创新，但对其提升创新效率的微观机制与阶段性特征缺乏清晰证据，亟需从企业层面给出可验证的度量与识别框架。
为此，文章提出“人工智能渗透率”概念，用以刻画人工智能在企业中的长期应用与扩散过程，并给出“先替代、后创造”的理论判断：渗透初期替代效应占优，抑制创新效率；渗透深化后创造效应占优，推动创新效率提升，整体呈 U 型关系。这一设定回应了“生产率消失之谜”等现实困惑，具有明确的政策启示。
二、论文主要内容
首先，论文提出总体假设：人工智能渗透率与企业创新效率之间存在 U 型关系。短期内替代效应导致负相关，长期内创造效应转为正相关并占优。
其次，在作用机制上，文章从三条赋能通道展开：一是研发投入赋能，人工智能通过节约成本、降低不确定性与提升利润，扩大研发投资规模；二是人力资本赋能，优化员工技能结构、增强知识溢出与吸收能力；三是要素协同赋能，提升劳动、资本与数据等要素的匹配效率，补充或增强传统要素作用。
再次，调节效应结果显示，区域人力资本水平强化 U 型关系：在渗透初期，人力资本培训等支出占用资源，短期抑制加深；在渗透深化后，高技能供给提升了人工智能的创造效应，使创新效率改善更显著。阈值检验表明拐点位于渗透率约0.173（Fieller区间位于样本范围内），拐点在高人力资本地区进一步左移。
三、论文实证设计
论文使用的数据来源包括：2007—2021年A股上市公司财务数据（CSMAR）；企业年报/半年报文本（东方财富、国泰安）用于构建人工智能渗透率词频指标；企业专利申请数据（CNRDS）；并结合省级人力资本指标（各省平均受教育年限）。样本剔除ST/*ST与非实体企业后得到3297家企业、17734个观测，连续变量进行1%双侧缩尾。
模型设计部分包括：
* 基准模型：以企业创新效率（DEA测得，滞后一期）为被解释变量，核心解释变量为人工智能渗透率及其二次项，控制企业、年份、行业、省份与个体固定效应，检验U型关系。
* 调节模型：引入“渗透率×区域人力资本”与“渗透率平方×区域人力资本”交互，检验不同人力资本水平下U型曲线的形态变化与阈值左移。
* 工具变量法：使用渗透率及其平方的一阶滞后、以及“互联网普及率×公共图书馆藏书”的交互作为外生工具，执行2SLS并通过识别性与过度识别检验；结果与基准一致。
* 稳健性：更换被解释变量口径、替代渗透率指标（人均机器设备价值）、控制省份×年份效应、灾变期子样本剔除等，结论稳健。
变量说明表格
| 变量名称 | 变量说明 |
|---|---|
| Inorate | 企业创新效率（DEA测算，滞后一期） |
| Ai | 人工智能渗透率（基于年报词频TF-IDF的综合指标） |
| Ai² | 渗透率二次项（识别U型关系） |
| Hcd | 区域人力资本水平（各省平均受教育年限） |
| Age | 企业年龄 |
| Size | 企业规模（总资产对数） |
| Growth | 投资机会（主营收入增长等口径） |
| Soe | 所有权性质（国有=1） |
| Roa | 总资产收益率 |
| TobinQ | 托宾Q |
| Lev | 资产负债率 |
| Board | 董事会规模 |
| Mfee | 管理费用率 |
（以上变量口径与构造均据论文原文）
四、论文结论与政策建议
研究结论表明：一是人工智能渗透率与创新效率存在显著U型关系，短期替代效应为负，长期创造效应为正且占优；二是研发投入、人力资本与要素协同三条通道显著成立；三是区域人力资本对U型关系具有强化与阈值左移效应，说明技能供给提升有助于更早释放人工智能红利。
政策建议包括：推进人工智能在企业中的长期渗透与场景落地，注重跨部门协同以放大要素协同赋能；加强高技能人才培养与流动以提升吸收能力与知识溢出；在治理层面完善数据与算法基础设施与规则体系，匹配不同渗透阶段的政策节奏，提升创新效率与全要素生产率。
五、边际贡献与未来拓展
论文的边际贡献在于：提出并量化“人工智能渗透率”，从企业层面验证其与创新效率的U型关系；构建“研发投入—人力资本—要素协同”三通道机制并给出实证支持；揭示人力资本对关系曲线的形态调节。未来可在更高频的一手数据、更多外生冲击与行业异质性维度，进一步识别动态机制与阈值区间的外推性。