第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No.

349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022


人工智能技术对企业数字创新的影响研究

1，
2
韩松岩
1
（ 中国社会科学院工业经济研究所 ，北京 102488）
2
（ 深圳大学中国经济特区研究中心 ，深圳 518000）

〔摘 要〕 随着数字化和智能化技术的深入应用，人工智能成为新一轮科技革命和产业变革的重要
驱动力。本文基于 2010 ～ 2020 年 30 个省（ 区、市） 面板数据实证检验中国整体以及三大经济区域人工智能
技术对企业数字创新的影响效应。研究结果发现： 从国家整体视角，人工智能技术对企业数字创新具有显
著促进作用； 从区域视角，东部与中部地区人工智能技术能够显著提升企业数字创新发展水平，西部地区
则不显著； 从空间视角，人工智能技术不仅对本地区企业数字创新存在正向空间直接效应，还对其他区域
企业数字创新存在正向的空间间接效应。对此，应制定发挥多方主体协同优势、增强区域联动效应、鼓励
企业跨省域数字创新合作等举措，以更好发挥人工智能技术对企业数字创新的促进作用。
〔关键词〕 人工智能技术 企业数字创新 空间溢出效应 双向固定效应模型 区域异质性 区域
联动效应
DOI： 10．3969 / j．issn．1004－910X．2022．11．002
〔中图分类号〕 F273. 1； F49 〔文献标识码〕 A

引 言 人工智能技术是近年来科技创新研究的热点 。
《中华人民共和国国民经济和社会发展第十 现阶段，国内外学者关于人工智能的影响研究主要
四个五年规划和 2035 年远景目标纲要》 中明确提 集中于以下几方面： 全要素生产率层面，Giacomo
出以数字化转型驱动企业生产、 管理、 治理方式 Damioli 等 （ 2021） ［3］利用 2000 ～ 2016 年申请人工
变革，强化企业数字创新能力。 然而， 据相关机 智能专利的 5257 家全球公司样本数据，实证发现
构研究测算，目前我国企业数字化转型比例仅为 当控制其他专利活动时， 人工智能专利申请对企
25%，且大多面临 “转型不深入，不转型被淘汰” 业全要素生产率具有正向促进作用， 且这一影响
［1］
的发展困境 。虽然政府大力推行普惠性发展政 效应主要集中于中小企业与服务业。 刘亮与胡国
［4］
策，但实现真正落实还存在重重阻碍， 且短期内 良 （ 2020） 基于中国制造业数据的实证结果发
企业数字创新运营成本仍居高不下， 难以形成高 现，人工智能技术对全要素生产率具有显著促进
效健康的数字创新发展新常态。 人工智能技术是 作用，且对高技术行业全要素生产率的影响作用
［5］
企业数字创新不可忽视的推动力 ， 具有适应性、 更加明显。 孙早与侯玉琳 （ 2021） 利用熊彼特
普惠性与竞争性发展优势， 能够为企业数字创新 创新模型实证分析人工智能技术对制造业全要素
发展提供高效、 专业、 便捷服务的同时， 也在激 生产率的影响，结果发现现阶段人工智能技术对服
活数字经济、优化企业创新模式、打造 AI 智慧场 装、设备等传统制造业全要素生产率具有显著促进
［2］
景等方面发挥重要作用 。值此背景下，探究人工 作用，但对医药、计算机制造等高端制造业的促进
［6］
智能技术对企业数字创新的影响效应，对于推动企 作用并不显著。人力资本层面，何勤等 （ 2020）
业数字创新发展具有重要理论价值与现实意义。 以 115 家制造业企业为研究对象， 分析人工智能
收稿日期： 2022－07－31
基金项目： 福建省中青年教师教育科研项目（ 社科类） 一般项目 “以民营制造业数字化转型为驱动促进福建省经济高质量发展的路径研
究” （ 项目经编号： JAS21469） 。
作者简介： 韩松岩，中国社会科学院工业经济研究所博士，深圳大学中国经济特区研究中心助理研究员。研究方向： 企业管理，市场
营销，产业经济。

— 13 —
第 11 期（ 总第 349 期）
2022 年 11 月 Journal of Industrial Technological Economics

技术对人力资本的影响作用， 研究发现人工智能
技术对制造业企业员工就业数量增长具有负向影
响，但对员工就业技能与收入具有正向影响。 其
中，资本偏好与产品研发在人工智能技术对人力资
本影响中存在显著中介效应。汪昕宇等 （ 2022）
利用基准回归模型实证检验人工智能技术对北京
市就业总量、 人员素质与工资水平的影响， 结果
发现人工智能技术对北京市就业总量具有替代效
应，对于人员素质提升具有推动效应， 对于人员
工资水平具有补偿效应。 产业结构层面，Fan 和
Liu （ 2021） ［8］基于 2005 ～ 2018 年省级面板数据实
证检验产业结构在人工智能发展水平与经济增长
中的中介作用， 研究发现人工智能通过抑制产业
结构升级提升经济增长速率。韦东明等 （ 2021）
基于 2006 ～ 2018 年省级面板数据实证检验人工智
能技术对中国产业结构的影响， 研究发现人工智
能技术对产业结构具有高效化促进效应， 且产业
结构优化升级效应在时间维度体现在德国 “工业
4. 0” 提出以后， 在区域维度体现在东部与中部
地区，在产业领域体现在高技术制造业、 生产性
［10］
服务业等领域。 罗书嵘 （ 2022）
析法，通过构建计量回归模型实证检验人工智能
技术对产业结构分化的影响，研究发现全国、东、
中、西部地区人工智能技术均对产业结构分化具
有显著影响。 其中， 东部地区的影响尤为显著，
西部地区人工智能技术对产业结构分化的影响作
用最弱。
综上所述，学者们对人工智能技术与全要素
生产率、人力资本、 产业结构等层面的关系研究
较为常见，但鲜有学者将人工智能技术与企业数
字创新纳入同一框架进行系统研究。 此外， 若人
工智能技术利于企业数字创新， 那具体是通过何
种机制影响？ 人工智能主要通过哪些机制影响企
业数字创新发展？ 不同经济基础下， 人工智能对
企业数字创新的影响程度是否存在区域异质性 ？
针对以上问题， 本文在现有文献基础上， 基于中
国 30 个省 （ 区、 市 ） 2010 ～ 2020 年面板数据， 实
证检验人工智能技术对企业数字创新的影响程度 ；
进一步将 30 个省 （ 区、 市 ） 划分为东、 中、 西部
— 14 —
工业技术经济 No. 11 （ General，No. 349）
Nov. 2022
地区，积极探索人工智能技术对企业数字创新的
区域异质性； 运用空间面板模型系统研究人工智
能技术对企业数字创新的直接与间接空间溢出效
应，旨在为充分发挥人工智能技术优化升级的正
［7］
外部性、提升企业数字创新能力提供基础参考 。
1 模型设定与数据来源
1. 1 模型设定
1. 1. 1 基准回归模型
本文 在 杨 伟 和 刘 健 （ 2021 ）
［11］
、张 光 宇 等
（ 2021） ［12］研究思路基础上，参考众多模型计算推
导方法
［13，
14］
，构建人工智能影响企业数字创新的
数理模型。假设企业生产函数属于柯布—道格拉
斯函数计算形式， 企业创新投入要素仅包含资本
［9］
与劳动两方面， 且满足企业规模报酬不变， 公式
如下：
f（ K，L） = K α L 1－α （ 1）
式中，K、L 分别代表企业资本要素投入与劳
动要素投入总额。
假设某企业创新生产方式分为两种： 智能生
产 X 与人工生产 Y。 企业在人工生产 Y 过程中会
运用主成分分 降低生产效率 Z， 相较于智能生产需要担负更多
生产成本费用。 追求数字创新生产且利益最大化
的经营企业， 不会盲目选择传统人工生产方式 ，
相反会制定合理化创新生产方案， 将比例为 μ 的
数字创新生产要素用于生产方式改良以实现成本
降低目的，μ 的取值范围为 0≤μ≤1。当 μ = 0 时，
意味着企业未将数字创新生产要素用于生产方式
改进过程，此时企业创新生产的潜在资本产量为
F； 当 0＜ μ ＜1 时， 意味着企业将比例为 μ 的数字
创新生产要素用于生产方式改进过程， 此时企业
智能生产 X 的实 际 产 量 为 （ 1 － μ ） F， 与 此 同 时，
企业在人工生产过程中降低生产效率 Z 的发展现
状依旧会发生。
假定生产效率 Z = φ （ μ ） F， 通过借鉴刘建秋
［15］
等 （ 2021） 、吴意云等 （ 2020） ［16］的研究成果，
企业提高生产效率函数公式如下 ：
1
（ 1 －μ） b
φ（ μ ） = （ 2）
A
式中，A 表示生产技术水平，参数 b∈（ 0，
1） 。
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

由此可得： 式中，szcx 表示企业数字创新能力，str、tech、
X = （ AZ） b（ F） 1－b
（ 3） scl 分别表示结构效应、技术效应与规模效应，van
在此基础上，可以进一步推出 X 的数字创新 表示影响企业数字创新的其他变量 。
生产函数，公式如下： 参考现有学术研究， 将经济发展水平、 产业
b 1－b
X = （ AZ） ［F（ K，L） ］ （ 4） 机构、企业盈利能力等已经证明对企业数字创新
由式 （ 4） 可以知悉， 企业可以通过遵循以 发展具有重要影响的变量作为具体回归分析的控
下两个步骤的先后顺序进行独立数字创新生产决 制变量。 进一步考虑到各研究变量间单位不同 ，
策： （ 1） 企业可以基于生产人员工资总额 s 和资 且为避免异方差问题对模型的不良影响， 在构建
本成本 r， 确定最优数字创新资本劳动比， 使得 模型之前需对除比值变量之外的其他研究变量取
企业潜在产出的数字创新生产成本 C F 控制在最低 对数，公式如下：
水平； （ 2） 企业可以基于人工生产成本 τ 和企业潜 lnszcx it = β 0 + β 1 ai + β 2 pgdp it + β 3 ind it + β 4 mar it +
在产出的数字创新生产成本 C F ，选择最优的人工 β 5 gov it +d i +γ t +ε it （ 12）
生产成本总额 Z 和潜在产出 F，将企业生产成本
式中，szcx it 表示第 i 个省（ 区、市） 第 t 年的企
C X 控制在最低水平。具体函数表现形式如下：
业数字创新能力，pgdp it 表示经济发展水平指数，
C F（ s，r） = min｛ sK X +rL X ，F（ K X ，L X ） = 1｝ （ 5）
ind it 表示产业结构，mar it 表示企业盈利能力，govit
C X（ τ ， （ AZ） b F1－b = 1｝ （ 6）
C F ） = min｛ μAZ +C F F，
表示企业规模，d i 表示各省 （ 区、市） 的个体固定
通过对式 （ 5） 和 （ 6） 进 行 最 优 化 求 解 计
效应，γ t 表示时间固定效应，ε it 代表随机扰动项。
算，可以知悉：
1. 1. 2 空间计量模型
F
本文将空间因素纳入回归模型以实证检验人
F X r
TRS K，L = = （ 7） 工智能对企业数字创新的空间效应。 参照已有研
F s
［17，
18］
F X 究 ，空间计 量 模 型 整 体 分 为 空 间 误 差 模 型
（ 1 －b） AZ C F （ SEM） 、空间杜宾模型 （ SDM） 与空间自相关模型
= （ 8）
bF μ （ SAR） 。空间模型可以对研究变量拟合优度、 自
假设企业智能生产 X 产品价格为 P X ，在完全 然对数函数值、残差空间相关性进行系统性检验 。
数字市场竞争下， 企业总利润为 0， 即总生产收 通过使用不同空间权重矩阵对模型进行 LM 实证
益等于总生产成本，由此可得： 检验可以知悉，LM －lag 和 R －LMLag 均在 1% 水平
P X X = C F F +μAF （ 9） 上显著，即存在较为明显的空间滞后效应，同时在
在此基础上，结合式 （ 8） 和 （ 9） 可得出智 测算过程中空间误差效应的 LM － error 和 R － LMerror
能化生产的表达公式如下： 测算结果也均在 10% 水平上显著。 因此， 选择空

( μbA)·( P X+P Y) （ 10）

bP X X PX X
G= = （ P X X +P Y Y）· 间杜宾模型（ SDM） 作为最终实证检验模型。 构建
μA X Y
公式如下：
式中， P X X + P Y Y 表 示 企 业 生 产 规 模 效 应， 30
lnszcx it = C i + ρ ∑j = 1 W ij lnszcx it + β 1 ai it + β 2 pgdp it +
PX X b
表示企业生产结构效应， 表示企业生 30 30
P X X +P Y Y μA β 3 ind it +β 4 mar it +β 5 gov it +∑j = 1 W ij ai it θ 1 +∑j = 1 W ij pgd-
产技术效应。 由此可知， 企业数字创新能力主要 30 30 30
p it θ 2 +∑j = 1 W ij ind it θ 3 +∑j = 1 W ij mar it θ 4 +∑j = 1 W ij gov it
由生产规模效应、 生产结构效应、 生产技术效应
共同影响决定。 因此， 企业数字创新的测算函数 θ 5 +d i +γ t +ε it （ 13）
公式如下： 在此基础上，本文利用 Moran's I 指数进行全
szcx = f（ str，tech，scl，van） （ 11） 局空间相关性实证检验， 进一步判断研究变量间
— 15 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

是否显著存在空间相关性，计算公式如下： 能技术影响企业数字创新的主要途径。 对此， 采
n n
用企业智能机器设备的生产价值作为衡量人工智
∑i = 1∑j = 1 W ij（ Yi －Y珔） （ Yj －Y珔）
Moran's I = n n
（ 14） 能技术发展程度的研究指标。
S 2 ∑i = 1∑j = 1 W ij
为缓减遗漏变量给研究带来的内生性问题 ，
1 n 1 n
2
其中，S = ∑i = 1 （ Y i －Y珔） ； Y珔= ∑j = 1 Y i 。Y i 参考有关企业数字创新的研究文献， 本文选取以
n n
下控制变量进行研究： 企业经济规模（ gov） 、企业
代表 i 地区综合经济产出； n 表示地区总数值，Wij
盈利能力（ mar） 、产业结构 （ ind） 、 经济发展水平
表示空间权重矩阵， 充分反映出区域间的空间相
（ pgdp） 。具体来看， 企业经济规模以企业总资产
关性程度。为进一步保障研究结论稳健性与科学
规模来表示； 企业盈利能力以上市公司的净生产
性，使用空间邻接矩阵、 地理距离矩阵与经济距
收益效率来反映。 企业盈利能力越好， 其对高技
离矩阵作为空间权重矩阵全面性进行实证检验 。
能劳动力的吸纳能力越强； 产业结构以第二产业
（ 1） 空间邻接矩阵主要是依照研究地区地理
与第三产业之间的增长数值比重衡量； 经济发展
是否相邻进行综合设定。 具体而言， 地理位置相
水平以进出口总额在总资产所占比重进行衡量 。
邻地区被赋予 “1”，其他不相邻地区被赋予 “0”，
经济发展水平越高， 吸引技术创新投资越多， 越
则该权重矩阵定义如下：
有助于企业数字创新发展。
{
0（ 地区 i 和地区 j 不相邻）
W1 ij = 1. 3 数据来源
1（ 地区 i 和地区 j 相邻）
既有研究表明， 人工智能技术与企业数字创
（ 2） 地理距离矩阵主要是根据两地区间地理
［21，
22］
新在发展过程中具有一定延续性特征 ， 故认
距离的倒数数值来进行测算设定， 两地区间距离
越近，则赋予其权重越大； 相反距离越小， 赋予 为 2020 年新冠肺炎疫情的影响在当期体现有限。

权重越小。具体定义如下： 因此，采用 2010 ～ 2020 年中国 30 个省 （ 区、 市 ）

{
0（ i = j） （ 考虑到数据的可获得性，不包含西藏以及港、澳、
W2 ij =
1 / d ij（ i≠j） 台地区 ） 的 省 级 面 板 数 据 进 行 实 证 分 析， 其 中，

经济距离矩阵主要是将两地区 GDP 之差的倒 企业数字创新指数均来源于 ORBIS 数据库。OR-

数数值组成矩阵乘以两地区间距离倒数矩阵 ， 这 BIS 数据库涵盖全球近 3. 9 亿家企业的财务、 行

考虑了地区地理距离特质， 也考虑经济发展的空 业、评级、效益等信息， 并提供可透明计算和可

间效应因素。定义如下： 实证检验的国家及省级企业数字创新发展信息数

W3 ij = W2 ij ×W eij 据。同时， 国内各省 （ 区、 市 ） 企业生产增长值、

1 T 进出口总额来自 EPS 数据库； 各省 （ 区、 市 ） 科研

其中，W ij =
e
，i ≠ j，g i =∑t = T g it / （ T －
g i －g j 0
投入总额与专利申请数量均来源于 《中国科技统
T0 ） 。g ij 表示省 （ 区、 市 ） i 第 t 年的人均 GDP。 当 计年鉴》。
i = j 时，Weij = 0。经反复实证检验，模型中每一年份 为方便测算，各省 （ 区、 市 ） 企业进出口总额
的 Moran's I 指数均显著，这充分证明研究变量间 根据各年货币汇率平均值综合调整为人民币计算
存在空间相关性特征（ Moran's I 检验结果数据略） 。 价值。当年汇率、各省 （ 区、市） 企业增加值指数、
1. 2 变量选取 地区企业生产总值指数均来源于 EPS 数据库。 为
以往学术研究中， 大多学者对人工智能技术 避免出现由于经济变量共同变化导致的伪回归问
（ ai） 的度量通常采用技术进步发展指数、 专利授 题，本文利用 IPS 检验和 Fisher － ADF 检验对所有
权总数、人均占有技术设备数量、 全要素技术生 研究数据进行平稳性检验。 不难发现， 所有研究
［19，
20］
产率等研究指标 。 目前， 我国人工智能技术 变量的一阶差分序列均在 5% 水平上显著，故所有
尚处于初步发展阶段， “机器替代人工” 是人工智 研究变量均属于一阶单证序列属性。在此基础上，
— 16 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

使用 Kao 和 Pedroni 检验方法对其进行协整性检验， 趋于固定， 可以对随机扰动项是否存在自相关 、
结果得出所有研究变量间存在一定协整关系。同 异方差、截面等相关问题进行综合检验。 结果充
时，多重共线性检验结果显示各变量 VIF 数值均小 分显示确实与异方差、截面与自相关存在相关性，
于 10，故各研究变量间不存在多重共线性关系。 故本文利用基于 Driscoll Kraay 标准误的双向固定
2 实证结果分析 效应的估算方式， 避免出现自相关、 异方差、 截
2. 1 面板回归结果分析 面等相关性问题。
（ 1） 中国各省（ 区、市） 人工智能技术对企业 表 1 中列 （ 1） ～ （ 3） 包含了技术、规模、结构
数字创新的影响分析。 三大效应对企业数字创新的影响，运用的回归分析
首先，本文通过 Hausman 检验与 F 检验， 选 方法分别包括固定效应、随机效应和基于 Driscoll
取个体固定模型对数据进行计量分析。 同时， 由 Kraay 标准误的双向固定效应模型。 列 （ 4） ～ （ 5）
于选用 2010 ～ 2020 年省级面板数据作为研 究 对 陆续加入盈利能力、 经济发展水平控制变量， 采
象，时间跨度相对较大且理论上时间可以实现无 用测算方法均为基于 Driscoll Kraay 标准误的双向
限延长，而各省（ 区、市 ） 间个体数量较小且数量 固定效应模型。

表1 中国人工智能技术对企业数字创新的影响

（ 1） （ 2） （ 3） （ 4） （ 5）
FE RE FE－Driscoll Kraay FE－Driscoll Kraay FE－Driscoll Kraay
szcx 0. 224 ＊＊＊
（ 5. 49） 0. 192 ＊＊＊
（ 5. 13） 0. 224 ＊＊＊
（ 5. 64） 0. 192 ＊＊＊
（ 3. 45） 0. 235 ＊＊＊ （ 5. 35）
gov 11. 28 ＊＊＊ （ 9. 25） 11. 35 ＊＊＊ （ 9. 54） 11. 34 ＊＊＊ （ 4. 85） 8. 472 ＊＊＊ （ 7. 18） 8. 413 ＊＊＊ （ 6. 84）
ind 0. 895 ＊＊＊ （ 21. 67） 0. 851 ＊＊＊ （ 22. 87） 0. 886 ＊＊＊ （ 16. 42） 1. 157 ＊＊＊ （ 12. 49） 1. 295 ＊＊＊ （ 16. 21）
mar 0. 132 * （ 1. 52） 0. 129 ＊＊＊ （ 1. 68）
pgdp 0. 827 ＊＊＊ （ 4. 28）
_cons 1. 942 ＊＊＊ （ 7. 23） 1. 723 ＊＊＊ （ 6. 68） 1. 942 ＊＊＊ （ 4. 78） 4. 023 ＊＊＊ （ 6. 25） 5. 497 ＊＊＊ （ 8. 88）

时间固定 否 否 否 是 是

省份固定 是 否 是 是 是
2
R 0. 9019 0. 9016 0. 9019 0. 9246 0. 9315
注： 括号内测算数值为 t 值，＊＊＊、＊＊、* 分别代表在 1%、5%、10%水平上显著，下同。

由表 1 可以知悉， 人工智能技术的回归系数 程度， 进 一 步 采 用 固 定 效 应、 随 机 效 应 和 基 于

始终在 1% 水平上显著为正， 这充分表明人工智 Driscoll Kraay 标准误的双向固定效应模型对中国
能技术是推动我国企业实现数字化创新发展的有 东、中、 西 部 三 大 地 区 进 行 具 体 分 析 。 表 2 列
效途径。细究其因， 人工智能技术可以有效淘汰 （ 5） 分析结果显示， 东部地区人工智能技术发展
落后产能，提高企业生产效率， 推动其向高附加 指数每增加 1%， 该地区企业数字创新发展水平
值、高创新化方向转变， 有效提升企业数字创新 会提升 0. 218%， 这表明东部地区人工智能技术
［23］
能力 。同时，在加入其它控制变量之后，回归 优化升级是提高企业数字创新能力的有效途径 。
系数符号及显著性水平并未出现明显变化 ， 故回 同时，东部地区具备充足高技能人才资源和丰富
归分析结果具有较强稳健性特征 。 的数字需求市场， 共同促使企业实现数字化创新
（ 2） 东部地区人工智能技术对企业数字创新 发展，进一步减轻了东部地区企业对于高耗能 、
的影响分析。 高成本、重工业的生产依赖性， 低碳数字创新得
为更明晰人工智能技术对企业数字创新的影响 到长期有效发展。
— 17 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

表2 东部地区人工智能技术对企业数字创新的影响分析

（ 1） （ 2） （ 3） （ 4） （ 5）
FE RE FE－Driscoll Kraay FE－Driscoll Kraay FE－Driscoll Kraay
szcx 0. 341 ＊＊＊
（ 4. 37） 0. 367 ＊＊＊
（ 5. 76） 0. 341 ＊＊＊
（ 5. 07） 0. 327 ＊＊＊
（ 3. 51） 0. 218 ＊＊＊ （ 3. 11）
gov 11. 21 ＊＊＊ （ 5. 38） 11. 10 ＊＊＊ （ 5. 56） 11. 21 ＊＊＊ （ 4. 82） 8. 989 ＊＊ （ 2. 54） 6. 725 ＊＊＊ （ 3. 05）
ind 0. 918 ＊＊＊ （ 12. 16） 0. 946 ＊＊＊ （ 15. 42） 0. 918 ＊＊＊ （ 9. 94） 1. 402 ＊＊＊ （ 13. 88） 1. 337 ＊＊＊ （ 10. 18）
mar 0. 173 ＊＊ （ 1. 53） 0. 058 ＊＊＊ （ 0. 64）
pgdp 1. 498 ＊＊＊ （ 4. 42）
_cons 2. 154 ＊＊＊ （ 4. 18） 2. 348 ＊＊＊ （ 5. 48） 2. 154 ＊＊＊ （ 3. 12） 7. 064 ＊＊＊ （ 7. 15） 6. 968 ＊＊＊ （ 6. 58）
时间固定 否 否 否 是 是
省份固定 是 否 是 是 是
R2 0. 8937 0. 8936 0. 8939 0. 9323 0. 9486

（ 3） 中部地区人工智能技术对企业数字创新 与创新技术经验， 进一步提升自身劳动技术生产

的影响分析。 效率，实现资源有效配置。 在此基础上， 企业不
中部地区人工智能技术始终在 1% 水平上与 断优化传统生产技术， 进而淘汰自身落后产能，
企业数字创新呈现显著正相关 （ 见表 3） 。 这主要 有利于实现数字创新与发展。 与东部地区人工智
得益于中部地区大多省 （ 区、 市 ） 地势平坦、 交通 能技术回归系数 （ 0. 218） 相比， 中部地区人工智
便利。中部地区相较于西部地区距离东部地区更 能技术回归系数 （ 0. 558） 更大， 这充分表明中部
近，劳动技术要素较为丰富， 进而推动企业劳动 地区人工智能技术优化升级对企业数字创新发展
生产效率实现高效化发展。 同时， 中部地区承接 的促进作用更加强烈。 随着中部地区人工智能技
了东部地区由于人工智能技术升级转移而出的部 术优化升级指数大幅增加， 对企业数字创新的影
分产业。在承接东部地区部分人工智能技术发展 响作用逐步增强。
较高产业的过程中， 中部地区企业不断积累资本

表3 中部地区人工智能技术对企业数字创新的影响分析

（ 1） （ 2） （ 3） （ 4） （ 5）
FE RE FE－Driscoll Kraay FE－Driscoll Kraay FE－Driscoll Kraay
szcx 0. 514 ＊＊＊
（ 7. 38） 0. 473 ＊＊＊
（ 6. 94） 0. 514 ＊＊＊
（ 10. 02） 0. 382 ＊＊＊
（ 4. 34） 0. 558 ＊＊＊ （ 9. 89）
gov 8. 782 ＊＊＊ （ 3. 28） 9. 294 ＊＊＊ （ 3. 45） 8. 782 ＊＊＊ （ 5. 08） 0. 451 ＊＊＊ （ 0. 59） 0. 189 ＊＊＊ （ 2. 59）
ind 1. 125 ＊＊＊ （ 16. 53） 1. 085 ＊＊＊ （ 16. 28） 1. 124 ＊＊＊ （ 18. 64） 1. 108 ＊＊＊ （ 4. 61） 1. 675 ＊＊＊ （ 11. 37）
mar 0. 233 ＊＊＊ （ 2. 48） 0. 418 ＊＊＊ （ 1. 49）
pgdp 0. 853 ＊＊＊ （ 7. 79）
_cons 3. 481 ＊＊＊ （ 7. 46） 3. 209 ＊＊＊ （ 6. 73） 3. 481 ＊＊＊ （ 7. 85） 3. 571 * （ 2. 09） 8. 315 ＊＊＊ （ 7. 74）
时间固定 否 否 否 是 是
省份固定 是 否 是 是 是
2
R 0. 9415 0. 9416 0. 9416 0. 9628 0. 9712

（ 4） 西部地区人工智能技术对企业数字创新 西部地区人工智能技术对企业数字创新的回归系
的影响分析。 数均在 1% 水平上显著为正。 然而， 对研究数据
在对时间与个体效应未进行具体固定之前 ， 进行双向固定且增加控制变量之后， 人工智能对

— 18 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

企业数字创新的回归系数缺乏显著性影响特征 。 技创新技术、 全要素劳动效率持续走低， 未能形
细究其因，西部地区地势宽广但人口稀少， 教育 成全面化空间梯度技术发展模式， 致使西部地区
基础设施相对较为落后且高技术人力资本低 ， 而 在承接东部地区人工智能技术产业转移过程中丧
高技术人力资本又是人工智能技术优化升级的基 失关键发展动力与设施保障， 导致西部地区企业
础保障。此外， 西部地区经济发展相对落后， 科 数字创新发展长期趋于低水平发展阶段 。

表4 西部地区人工智能技术对企业数字创新的影响分析

（ 1） （ 2） （ 3） （ 4） （ 5）
FE RE FE－Driscoll Kraay FE－Driscoll Kraay FE－Driscoll Kraay

szcx 0. 172 ＊＊＊ （ 2. 79） 0. 113 * （ 1. 94） 0. 172 ＊＊＊ （ 4. 99） 0. 029 （ 0. 48） 0. 016 （ 0. 23）

gov 0. 841 ＊＊＊

（ 5. 44） 0. 894 ＊＊＊
（ 5. 38） 0. 458 ＊＊＊
（ 3. 39） 0. 418 ＊＊＊
（ 3. 69） 0. 514 ＊＊＊ （ 4. 15）
ind 0. 125 ＊＊＊ （ 4. 28） 0. 161 ＊＊＊ （ 4. 25） 0. 127 ＊＊＊ （ 9. 14） 0. 209 （ 0. 72） 0. 301 （ 1. 25）

mar 0. 061 ＊＊＊

（ 5. 61） 0. 019 ＊＊＊ （ 3. 08）
pgdp 0. 621 （ 1. 54）

_cons 2. 181 ＊＊＊

（ 5. 48） 1. 778 ＊＊＊
（ 4. 56） 2. 181 ＊＊＊
（ 6. 13） 2. 689 （ 1. 45） 1. 312 （ 0. 65）

时间固定 否 否 否 是 是

省份固定 是 否 是 是 是

R2 0. 9133 0. 9129 0. 9131 0. 9387 0. 9392

2. 2 人工智能技术对企业数字创新的空间溢出效 区人工智能技术优化升级代表本地区企业生产效
应分析 率得到提升，人工智能技术的溢出将最先惠及相
考虑到人工智能技术、 经济发展水平以及企 对空间距离较短的地区， 从而进一步提高临近地
业数字创新在地理位置相邻近地区间具有一定空 区企业的生产效率， 实现企业数字创新发展。 除
间效应影响，故本文采用空间面板数据模型对中 此之外，在数字经济蓬勃发展的当下， 人工智能
国整体人工智能技术对企业数字创新的空间溢出 技术和企业数字创新已成为中央政府考察地方政
效应进行深入研究 （ 见表 5） 。 对于空间直接影响 绩的重要衡量指标。当某一区域内省 （ 区、 市 ） 成
效应，本地区人工智能技术的优化升级能够有效 功优化人工智能技术而促进地区企业实现数字化
提高企业数字创新发展水平。 在模型 （ 1） ～ （ 6） 创新发展目标，则对该区域内其他省 （ 区、 市 ） 也
中相关影响系数均在 0. 432 ～ 0. 594 数值范围内， 存在正向激励作用。同时， 临近省 （ 区、 市 ） 也会
且研究结果均在 1% 水平上显著。 空间效应模型 借此实施更为严格的优化政策并努力追赶企业数
的结果与基准回归模型研究结果相比， 人工智能 字创新发展较好的省（ 区、市） 。
技术对企业数字创新的促进作用更强。 就控制变 3 研究结论与政策建议
量而言，经济发展水平的提升能够明显提高本地 为通过优化人工智能技术促进经济高质量发
区企业数字创新发展。企业经济规模、盈利能力、 展，本文基于 2010 ～ 2020 年 30 个省 （ 区、 市 ） 的
产业结构的优化升级对本地区企业数字创新起到 面板数据，研究中国人工智能技术对企业数字创
正向空间溢出作用。 空间间接影响效应研究结果 新的影响，主要研究结论如下： （ 1） 从中国整体
显示，本地区人工智能技术优化升级会提升邻近省 视角出发，人工智能技术升级有助于实现企业数
（ 区、市） 企业的数字创新发展水平。在模型 （ 1） ～ 字创新发展； （ 2） 在三大区域中、 东部与中部地
（ 6） 中，本地区人工智能技术每提升 1%，邻近地 区人工智能技术可以显著促进企业数字创新 ， 而
区企业数字创新能力从 0. 104 提升到 1. 299。本地 西部地区影响作用不显著； （ 3） 空间溢出效应结
— 19 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

表5 中国人工智能技术对企业数字创新的空间溢出效应
（ 1） （ 2） （ 3） （ 4） （ 5） （ 6）
模型
SDM SDM SDM SAR SAR SAR
权重矩阵
地区经济距离 地区地理距离 地区空间距离 地区经济距离 地区地理距离 地区空间距离
空间直接影响效应

0. 432 ＊＊＊ 0. 474 ＊＊＊ 0. 594 ＊＊＊ 0. 503 ＊＊＊ 0. 530 ＊＊＊ 0. 578 ＊＊＊
szcx
（ 3. 74） （ 4. 17） 5. 18 （ 4. 67） （ 4. 94） （ 5. 31）

0. 728 ＊＊＊ 0. 803 ＊＊＊ 0. 102 ＊＊＊ 0. 816 ＊＊＊ 0. 812 ＊＊＊ 0. 894 ＊＊＊
gov
（ 4. 06） （ 3. 94） （ 5. 16） （ 4. 65） （ 4. 65） （ 5. 02）

0. 659 ＊＊＊ 0. 602 ＊＊＊ 0. 688 ＊＊＊ 0. 628 ＊＊＊ 0. 595 ＊＊＊ 0. 678 ＊＊＊
ind
（ 11. 12） （ 9. 58） （ 12. 25） （ 17. 74） （ 14. 30） （ 17. 39）

0. 045 0. 056 * 0. 148 ＊＊＊ 0. 097 * 0. 089 ＊＊ 0. 114 ＊＊

mar
（ 0. 72） （ 0. 99） （ 2. 61） （ 1. 93） （ 1. 57） （ 2. 23）

0. 914 ＊＊＊ 0. 698 ＊＊＊ 0. 727 ＊＊＊ 0. 786 ＊＊＊ 0. 837 ＊＊＊ 0. 849 ＊＊＊
pgdp
（ 3. 78） （ 3. 19） （ 3. 24） （ 3. 84） （ 4. 09） （ 4. 05）

空间间接影响效应

0. 690 ＊＊ 1. 299 ＊＊ 0. 496 ＊＊ 0. 184 ＊＊＊ 0. 224 ＊＊＊ 0. 104 ＊＊＊

szcx
（ 2. 78） （ 2. 19） （ 1. 98） （ 3. 42） （ 3. 09） （ 2. 56）

0. 054 0. 475 0. 368 0. 298 ＊＊＊ 0. 345 ＊＊＊ 0. 158 ＊＊＊

gov
（ 0. 46） （ 0. 82） （ 1. 13） （ 3. 58） （ 3. 26） （ 2. 76）

0. 131 0. 375 * 0. 061 0. 228 ＊＊＊ 0. 249 ＊＊＊ 0. 119 ＊＊＊

ind
（ 1. 23） （ 1. 73） （ 0. 62） （ 5. 78） （ 4. 95） （ 3. 49）

0. 127 0. 258 0. 078 0. 228 ＊＊＊ 0. 249 ＊＊＊ 0. 119 ＊＊＊

mar
（ 1. 25） （ 1. 29） （ 0. 66） （ 5. 78） （ 4. 98） （ 3. 49）

0. 545 0. 288 0. 060 1. 077 ＊＊＊ 1. 223 ＊＊＊ 0. 512 ＊＊＊

pgdp
（ 0. 98） （ 0. 35） （ 0. 15） （ 4. 79） （ 3. 98） （ 3. 12）

0. 274 ＊＊＊ 0. 194 0. 216 ＊＊＊ 0. 280 ＊＊＊ 0. 304 ＊＊＊ 0. 158 ＊＊＊
Spatialrho
（ 3. 89） （ 1. 56） （ 3. 47） （ 6. 49） （ 5. 68） （ 3. 59）

1. 628 ＊＊＊ 1. 554 ＊＊＊ 1. 578 ＊＊＊ 1. 645 ＊＊＊ 1. 631 ＊＊＊ 1. 707 ＊＊＊
lgt_theta
（ 10. 05） （ 9. 25） （ 8. 95） （ 10. 32） （ 10. 16） （ 10. 72）

0. 048 ＊＊＊ 0. 049 ＊＊＊ 0. 050 ＊＊＊ 0. 048 ＊＊＊ 0. 049 ＊＊＊ 0. 051 ＊＊＊
sigma2_e
（ 16. 78） （ 16. 84） （ 16. 74） （ 16. 83） （ 16. 84） （ 16. 84）

AIC 59. 4509 57. 8662 79. 6941 51. 9948 60. 4076 77. 7609

BIC 182. 5649 180. 9803 202. 8112 147. 7274 157. 1397 174. 4632

果显示，人工智能技术不仅能够促进省 （ 区、 市 ） 键共性技术体系， 对企业实现数字化创新具有重

内企业 数 字 创 新 发 展， 还 可 以 促 进 邻 近 省 （ 区、 要意义。对此， 国家需要在重点前沿领域探索布
市） 企业实现高质量数字创新。 局，发挥中国技术数据多、 虚拟场景全、 使用基
根据上述研究结论，提出以下政策建议： 数大等优势， 力争在专业端口、 实践方法、 使用
（ 1） 发挥多方主体协同优势， 创设人工智能 工具等关键共性技术研发中取得颠覆性变革 ， 系
关键共性技术体系。 建构开放协同的人工智能关 统性增强人工智能关键共性技术创新发展能力 。

— 20 —
第 11 期（ 总第 349 期）
2022 年 11 月

同时，政府需要发挥政策引导职能， 促进产学研
相结合，建立政府、 企业、 机构关键共性技术发
展联盟，加强在标准创新、 技术攻关等多方面的
协调配合，以人工智能技术带动多方参与主体创
新发展。此外， 企业需要坚持产品开发、 技术创
新、研发攻关 “三位一体 ”， 充分调动企业生产、
流通、研发等环节关键技术创新积极性， 多方发
力、多方出资， 系统性前瞻打造一批新时代人工
智能关键科技项目。
（ 2） 增强区域联动效应， 实现人工智能产业
链融通发展。应对人工智能技术对各地区企业创
新发展的影响，国家需要基于区域联动发展视角 ，
通过推动东中部地区与西部地区产业结构深层次
协调发展，进一步破解人工智能技术与区域企业
数字创新的结构性矛盾。 企业内部形成人工智能
产业链协作体系， 在东部与中部地区间形成更大
规模人工智能产业集群战略基地， 以人工智能技
术为指导，推动东中部企业实现深度融合创新发
展； 破除阻碍技术资本要素充分流动的制度性障
碍，推动区域性高技能人才向西部地区流动。 各
地政府可以充分释放东、 中部地区高技能人力资
本的溢出效应， 以高端化人才流动引领西部地区
企业数字创新发展。
（ 3） 鼓励企业跨省域数字创新合作， 强化省
域间企业人工智能创新耦合力度。 针对上述人工
智能技术不仅能够促进省 （ 区、 市 ） 内企业数字创
新发展，还可驱动邻近省 （ 区、 市 ） 企业实现数字
创新研究结论。 国家可充分利用这一人工智能技
术发展优势， 在相邻省域企业间建设云网融合 、
绿色低碳、安全可控的智能化综合性数字信息平
台，推进人工智能技术与相关企业融合创新发展 。
同时，企业加强数字化、 智能化信息基础设施建
设，推动人工智能技术在企业不同生产领域实现
数字化集成应用。 此外， 依托国家新一代人工智
能技术创新试验区，企业可以在省 （ 区、 市 ） 内或
省域间大力开展智能技术试点工作与实验 ， 形成
一种人工智能与跨省企业深度创新融合的发展模
式。
参 考 文 献
［1］ 李小青，李秉廉，何玮萱，等． 基于扎根理论的企业数字化
工业技术经济 No. 11 （ General，No. 349）
Journal of Industrial Technological Economics Nov. 2022
创新形成路径———一个多案例研究 ［J］． 科技进步与对策，
2022，（ 5） ： 117 ～ 126．
［2］ 郑琼洁，王高凤． 人工智能技术应用与中国制造业企业生产
率———兼对 “生产率悖论”的再检验 ［J］． 学习与实践，2021，
（ 11） ： 59 ～ 69．
［3］ Giacomo Damioli，Vincent Van Roy， Daniel Vertesy． The Im-
pact of Artificial Intelligence on Labor Productivity ［J］． Eurasian
Business Review，2021，（ 11） ： 1 ～ 25．
［4］ 刘亮，胡国良． 人工智能与全要素生产率———证伪 “生产率
悖论” 的中国证据 ［J］． 江海学刊，2020，（ 3） ： 118 ～ 123．
［5］ 孙早，侯玉琳． 人工智能发展对产业全要素生产率的影响———
一个基于中国制造业的经验研究 ［J］． 经济学家，2021， （ 1） ：
32 ～ 42．
［6］ 何勤，李雅宁，程雅馨，等． 人工智能技术应用对就业的影
响及作用机制研究———来自制造业企业的微观证据 ［J］． 中
国软科学，2020，（ S1） ： 213 ～ 222．
［7］ 汪昕宇，谢玉，彭莹莹，等． 人工智能技术对就业的影响及
趋势预测： 基于北京市工业机器人安装量的数据 ［J］． 中国
人力资源开发，2022，（ 1） ： 119 ～ 133．
［8］ Fan D C，Liu K R． The Relationship Between Artificial Intelli-
gence and China's Sustainable Economic Growth： Focused on the
Mediating Effects of Industrial Structural Change ［J］． Sustai-
nability，2021，13 （ 20） ： 11542 ～ 11545．
［9］ 韦东明，顾乃华，韩永辉． 人工智能推动了产业结构转型升
级吗———基于中国工业机器人数据的实证检验 ［J］． 财经科
学，2021，（ 10） ： 70 ～ 83．
［10］ 罗书嵘． 人工智能对产业分化的影响 ［J］． 技术经济与管
理研究，2022，（ 2） ： 116 ～ 123．
［11］ 杨伟，刘健． 基于生态流量的数字创新生态系统演化模式———
人工智能行业的探索性研究 ［J］． 技术经济，2021， （ 9） ： 34 ～
44．
［12］ 张光宇，欧春尧，刘贻新，等． 人工智能企业何以实现颠覆
性创新？ ———基于扎根理论的探索 ［J］． 科学学研究，2021，
（ 4） ： 738 ～ 748，757．
［13］ 孙忠娟，谢伟，舒曾宣． 企业数字化创新实现的跨层机制
模型 ［J］． 科技管理研究，2021，（ 23） ： 205 ～ 212．
［14］ 张国锋，毛北行，杜虎兵． 风险决策的情绪数理模型 ［J］．
工业工程，2021，（ 5） ： 77 ～ 88．
［15］ 刘建秋，李四海，王飞雪，等． “论资排辈” 式高管薪酬与
企业生产效率研究 ［J］． 南开管理评论，2021， （ 1） ： 120 ～
128，147，129 ～ 130．
［16］ 吴意云，刘晔，朱希伟． 产业集群发展与企业生产效率———
基于拓展 DO 指数的分析 ［J］． 浙江学刊，2020， （ 5） ： 115 ～
123．
［17］ 刘建华，王明照，姜照华． 基于空间计量模型的河南省创新
能力时空演化及影响因素研究 ［J］． 地域研究与开发，2020，
— 21 —
第 11 期（ 总第 349 期） 工业技术经济 No. 11 （ General，No. 349）
2022 年 11 月 Journal of Industrial Technological Economics Nov. 2022

（ 4） ： 35 ～ 40． ［21］ 束超慧，王海军，金姝彤，等． 人工智能赋能企业颠覆性创
［18］ 王群勇，王西贝． 高铁网络对区域产业结构的影响———基 新的路径分析 ［J］． 科学学研究，2022，（ 10） ： 1884～ 1894．
于社会 网 络 与 空 间 计 量 模 型 的 分 析 ［J］． 现 代 经 济 探 讨， ［22］ 欧春尧，刘贻新，戴海闻，等． 人工智能企业颠覆性创新的
2021，（ 5） ： 82 ～ 91． 影响因素及其作用路径研究 ［J］． 软科学，2021， （ 4） ： 55 ～
［19］ 陈欣然，李国正，崔一迪，等． 基于专利计量的全球人工 60，111．

智能技术在医疗健康领域应用发展态势分析 ［J］． 科技管理 ［23］ 俞伯阳． 人工智能技术促进了中国劳动力结构优化吗？ ———

研究，2021，（ 3） ： 139 ～ 147． 基于省级面板数据的经验分析 ［J］． 财经问题研究，2020，

［20］ 吴集，梁江海，刘书雷． 运用科学计量学的人工智能安全 （ 3） ： 94 ～ 102．

技术评估 ［J］． 国防科技大学学报，2021，（ 3） ： 73 ～ 78．

Research on the Influence of Artificial Intelligence

Technology on Enterprise Digital Innovation

Han Songyan 1，2

（ 1． Institute of Industrial Economics of CASS，Beijing 102488，China；
2． China Center for Special Economic Zone Research，Shenzhen University，Shenzhen 518000，China）

〔Abstract〕 With the application of digital and intelligent technologies，artificial intelligence has become an important driving
force of the new round of scientific and technological revolution and industrial transformation． Based on the panel data of 30 pro-
vinces from 2010 to 2020，this paper empirically examines the impact of artificial intelligence technology on enterprise digital inno-
vation in China as a whole and in three economic regions by using benchmark regression model and spatial econometric model． The
results show that： from the perspective of the whole country，artificial intelligence technology has a significant role in promoting en-
terprise digital innovation． From the regional perspective，artificial intelligence technology can significantly improve the development
level of enterprise digital innovation in the eastern and central regions，while the influence of the western region is not significant．
From a spatial perspective，artificial intelligence technology not only has a positive spatial direct effect on digital innovation of enter-
prises in this region，but also has a positive spatial indirect effect on digital innovation of enterprises in other regions． In this re-
gard，measures such as giving full play to the synergistic advantages of multiple entities，enhancing regional linkage effects，and
encouraging enterprises to cooperate in cross－provincial digital innovation should be formulated，so as to better play the role of arti-
ficial intelligence technology in promoting digital innovation of enterprises．
〔Key words 〕 artificial intelligence technology； enterprise digital innovation； spatial spillover effect； bidirectional fixed
effects model； regional heterogeneity； regional linkage effect
〔Jel classification〕 O33； L86
（ 责任编辑： 张舒逸）

— 22 —