在數字化轉型背景下，人工智能技術創(chuàng)新對企業(yè)高質量發(fā)展的影響備受關注。本文基于能力基礎觀，構建包含效益水平、創(chuàng)新活力等六維度的企業(yè)高質量發(fā)展指標，利用中國上市企業(yè)數據，實證檢驗人工智能技術創(chuàng)新的作用效果及內外部情境的調節(jié)效應。研究發(fā)現，人工智能技術創(chuàng)新通過培育核心能力、整體能力和動態(tài)能力，顯著提升企業(yè)高質量發(fā)展水平，且在營商環(huán)境較差、企業(yè)成長性好、融資約束輕及業(yè)務復雜度高的情境下效應更強。研究為企業(yè)利用人工智能技術驅動高質量發(fā)展提供了理論與實踐參考。

　　中國經濟已轉向高質量發(fā)展階段，企業(yè)作為微觀主體，其高質量發(fā)展是宏觀經濟轉型的基礎。人工智能技術創(chuàng)新作為數字化技術的前沿領域，不僅能提升生產效率，還可能通過重塑企業(yè)能力體系驅動綜合發(fā)展。然而，現有研究多聚焦人工智能應用或單維績效，缺乏對技術創(chuàng)新維度的深入分析，且未系統探討企業(yè)能力的中介作用及內外部情境的調節(jié)效應。本文基于能力基礎觀，構建多維指標體系，探究人工智能技術創(chuàng)新對企業(yè)高質量發(fā)展的影響機制與邊界條件。

　　二、理論分析與研究假設

　　2.1 能力基礎觀與企業(yè)高質量發(fā)展

　　能力基礎觀認為，企業(yè)競爭優(yōu)勢源于核心能力、整體能力和動態(tài)能力的協同作用：

　　核心能力：人工智能技術創(chuàng)新通過深度學習、自然語言處理等技術，優(yōu)化人才識別、知識創(chuàng)造和技術整合效率，強化企業(yè)核心業(yè)務競爭力。

　　整體能力：借助智能數據分析和供應鏈協同，人工智能技術創(chuàng)新延伸企業(yè)價值鏈，提升客戶管理、供應鏈整合及內部人力資源配置能力。

　　動態(tài)能力：通過市場信號感知、資源重構等功能，人工智能技術創(chuàng)新增強企業(yè)應對環(huán)境變化的敏捷性，維持競爭優(yōu)勢。

　　假設H1：人工智能技術創(chuàng)新能顯著促進企業(yè)高質量發(fā)展。

　　2.2 調節(jié)效應

　　營商環(huán)境：良好的營商環(huán)境提供資源支撐，但可能弱化企業(yè)創(chuàng)新的邊際需求;較差環(huán)境下，技術創(chuàng)新成為突破瓶頸的關鍵。

　　假設H2：營商環(huán)境負向調節(jié)人工智能技術創(chuàng)新與企業(yè)高質量發(fā)展的關系。

　　資源豐裕度：高成長性和低融資約束的企業(yè)具備更充足資源支持創(chuàng)新轉化，強化技術創(chuàng)新的正向效應。

　　假設H3a：企業(yè)成長性正向調節(jié)二者關系;假設H3b：融資約束負向調節(jié)二者關系。

　　業(yè)務復雜度：復雜業(yè)務結構加劇資源協調難度，人工智能技術創(chuàng)新通過優(yōu)化資源分配和監(jiān)督機制，緩解管理效率問題。

　　假設H4：業(yè)務復雜度正向調節(jié)二者關系。

　　三、研究設計

　　3.1 樣本與數據

　　選取20162022年A股上市企業(yè)，剔除金融、ST類企業(yè)及數據缺失樣本，最終得到4000家企業(yè)的18082個觀測值。數據來源于國泰安數據庫、國家知識產權局等。

　　3.2 變量測量

　　被解釋變量：企業(yè)高質量發(fā)展(Hqd)，從效益水平、創(chuàng)新活力、綠色發(fā)展、開放程度、價值共享、風險管控六維度構建指標體系，采用熵權法賦權計算綜合得分。

　　解釋變量：人工智能技術創(chuàng)新(AI)，以企業(yè)人工智能相關專利申請量加1的自然對數衡量。

　　調節(jié)變量：營商環(huán)境(BusEnvr)、企業(yè)成長性(Growth)、融資約束(FinConst)、業(yè)務復雜度(BusComp)。

　　控制變量：企業(yè)規(guī)模、年齡、股權結構、治理特征及地區(qū)經濟指標等。

　　3.3 模型設定

　　基準模型： [Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + ext{Controls}_{i,t1} + lambda_{ind} + lambda_t + varepsilon_{i,t}]

　　調節(jié)效應模型： [Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + alpha_2 ext

　　3.3 模型設定

　　調節(jié)效應模型：

　　[Hqd_{i,t} = alpha_0 + alpha_1 AI_{i,t1} + alpha_2 ext{Moderator}_{i,t1} + alpha_3 AI_{i,t1} imes ext{Moderator}_{i,t1} + ext{Controls}_{i,t1} + lambda_{ind} + lambda_t + varepsilon_{i,t}]

　　其中，( ext{Moderator}) 代表營商環(huán)境、企業(yè)成長性、融資約束及業(yè)務復雜度等調節(jié)變量。

　　四、實證結果分析

　　4.1 描述性統計

　　高質量發(fā)展(Hqd)：均值0.448，標準差0.091，企業(yè)間差異顯著。

　　人工智能技術創(chuàng)新(AI)：均值0.197，標準差0.570，表明企業(yè)間技術創(chuàng)新水平分化明顯。

　　相關性分析：AI與Hqd顯著正相關((p<0.01))，變量間無嚴重多重共線性。

　　4.2 基準回歸結果

　　表5顯示，無論是否控制變量，AI系數均顯著為正((eta=0.0076)，(p<0.01))，支持假設H1，即人工智能技術創(chuàng)新顯著促進企業(yè)高質量發(fā)展。

　　4.3 調節(jié)效應

　　營商環(huán)境(BusEnvr)：交互項系數顯著為負((eta=0.0092)，(p<0.1))，表明營商環(huán)境較差時，AI對高質量發(fā)展的促進作用更強，與假設H2一致。

　　企業(yè)成長性(Growth)與融資約束(FinConst)：Growth交互項顯著正((eta=0.0045)，(p<0.1))，FinConst交互項顯著負((eta=0.0124)，(p<0.01))，驗證假設H3a和H3b。

　　業(yè)務復雜度(BusComp)：交互項系數顯著正((eta=0.0002)，(p<0.01))，支持假設H4。

　　4.4 穩(wěn)健性檢驗

　　傾向得分匹配(PSM)：匹配后AI系數仍顯著為正((eta=0.0084)，(p<0.01))。

　　工具變量法：采用滯后電話普及率與互聯網端口數交乘作為工具變量，兩階段回歸顯示AI擬合值系數顯著正((eta=0.0438)，(p<0.1))，排除弱工具變量問題。

　　安慰劑檢驗與變量替換：隨機分配AI值或替換Hqd測度方法(如TOPSIS、全要素生產率)，結果穩(wěn)健。

　　五、結論與啟示

　　5.1 研究結論

　　1. 直接效應：人工智能技術創(chuàng)新通過培育核心能力、整體能力和動態(tài)能力，顯著提升企業(yè)高質量發(fā)展水平。

　　2. 調節(jié)效應：

　　外部營商環(huán)境較差時，AI的促進作用更顯著;

　　企業(yè)成長性高、融資約束輕或業(yè)務復雜度高時，AI的正向效應更強。

　　3. 理論貢獻：拓展了人工智能技術創(chuàng)新的經濟后果研究，豐富了能力基礎觀的實證應用，完善了企業(yè)高質量發(fā)展的多維測度體系。

　　5.2 實踐啟示

　　戰(zhàn)略層面：企業(yè)應重視人工智能技術創(chuàng)新的戰(zhàn)略投入，尤其在資源豐?；驑I(yè)務復雜時，需強化技術與業(yè)務的深度融合。

　　環(huán)境適配：在營商環(huán)境薄弱地區(qū)，企業(yè)需更依賴技術創(chuàng)新突破發(fā)展瓶頸;在資源充足時，需優(yōu)化資源配置以最大化AI效能。

　　管理策略：結合業(yè)務復雜度，利用AI優(yōu)化資源分配與監(jiān)督機制，提升動態(tài)響應能力。

　　5.3 研究局限與展望

　　未區(qū)分人工智能技術創(chuàng)新與應用的差異，未來可對比兩者效應;

　　能力機制未通過實證檢驗，后續(xù)可結合問卷調查深入分析;

　　可探索更多調節(jié)變量(如行業(yè)特征、政策支持)對AI效能的影響。

如果您現在遇到期刊選擇、論文內容改善、論文投稿周期長、難錄用、多次退修、多次被拒等問題，可以告訴學術顧問，解答疑問同時給出解決方案 。