人工智能與實體經濟“脫虛向實”

關鍵詞：人工智能；實體經濟；高質量發展

DOI：10.19313/j.cnki.cn10-1223/f.20241018.001

一、引言

自改革開放以來，中國經濟從1991-2010年間保持了持續的高增長。尤其是2001年中國加入世貿組織以來，由于外需和內需的迅速擴大，中國制造業不斷壯大，實體經濟固定資產投資率持續上升。然而在2008年全球金融危機后，中國經濟面臨制造業外需萎縮、內需轉向房地產和金融市場以及實體投資率下降等挑戰。據《2022年上市公司投資性房地產研報》統計，2022年全部上市公司（包括A股和H股）的投資性房地產總額為63689.43億元，同比增長9.9%。其中，制造業的投資性房地產占比為14.8%，僅次于房地產行業①。為了推動實體經濟健康發展，早在2017年，黨的十九大報告中就明確指出，要加快建設制造強國，加快發展先進制造業，推動互聯網、大數據、人工智能和實體經濟融合②。面對人工智能、大數據、云計算、區塊鏈等新一代ICT（Informationand Communication Technology）引領的新一輪科技革命和產業革命，制造業企業亟需利用新技術擺脫未來潛在勞動力不足、生產成本上升和產品利潤率低等困境，奪取行業制高點，實現效益和質量雙提升。根據艾瑞咨詢統計，相較于2020年，2021年全年中國制造業投融資市場迎來事件和金額的雙增長，其中投融資事件數增長46.5%，投融資金額增長31.9%，主要來自于生產控制類和AI 類軟件。鑒于此，人工智能等技術發展將為實體經濟“脫虛向實”提供新機遇。

為了說明這一問題，圖1 刻畫了2007-2022年中國A股非金融上市公司和制造業上市公司實物投資占比（實體投資率）和固定資產凈值占比以及美國非金融上市公司和制造業上市公司固定資產凈值占比的變化情況。其中，實體投資率的定義是企業“購建固定資產、無形資產和其他長期資產”項目占總資產的比重。從圖1 中可以看到，中國制造業企業和非金融實體企業的實體投資率在2008年左右到達頂峰后，呈持續下降的趨勢。直到2017年，中國實體企業實體投資率開始止跌回升，呈緩慢增長趨勢。無獨有偶，美國制造業固定資產凈值占比也從2018年開始呈上升趨勢。那么，是什么因素導致了國內和國際制造業企業實體投資率的提升？人工智能等新一代信息技術發展與實體投資上升之間是否存在關聯？

關于企業實體投資的影響因素，現有文獻主要從內生因素和外生因素兩類視角來研究。內生因素主要關注企業金融化和企業治理等。已有研究認為，金融渠道的高收益和企業管理層的代理問題會導致企業短視行為，進而改變投資策略，將資本從實體經濟投向金融業，導致資源不能支持企業設備更新和產品研發（Orhangazi，2008；Demir，2009；謝家智等，2014；Tori＆Onaran，2016）。張成思和張步曇（2016）研究了企業金融化對實體投資率下降的影響，發現經濟金融化顯著降低了企業的實業投資率，并弱化了貨幣政策提振實體經濟的效果。外生因素則關注政策環境、制度環境和技術創新等對企業實體投資率的影響。一是政策和制度環境會影響企業實體投資產生。已有研究發現，地區金融監管對非金融企業從事虛擬經濟（持有金融資產）具有顯著的抑制作用（馬思超和彭俞超，2019）。萬良勇（2013）關注法治環境對企業投資的影響，發現法制水平與企業投資效率呈正相關。此外，也有學者發現稅收競爭、國際資本流動、地理溢出因素和經濟政策不確定性等都會對企業實體投資產生影響（陳國進和王少謙，2016；張成思和劉貫春，2018；張國慶和李曉春，2019；金龍等，2020；萬曉瓊和孟祥慧，2021）。二是技術因素會影響實體投資，其中包括傳統產業技術升級和新興技術的影響。過去，學者們研究證實了一般性的技術進步和知識外溢對企業全要素生產率產生影響進而引起經濟增長方式的變化（顏鵬飛和王兵，2004；陳繼勇和盛楊懌，2008）。

近年來，人工智能等數字技術作為一種關鍵的新興技術，引起了廣泛的關注。林晨等（2020）通過構建一般均衡模型，研究人工智能對優化資本結構、擴大居民消費的影響，發現人工智能可以提高實體經濟的吸引力，擠出房地產和基建資本，進而促進居民消費。此外，孫早和侯玉琳（2021）發現人工智能會促進制造業全要素生產率的提升。而黃群慧等（2019）從行業、城市和企業層面研究了互聯網技術對制造業生產率的影響，得出了顯著促進的結論。吳非等（2021）研究發現，企業數字化轉型提升了實體企業在資本市場的表現。田秀娟和李睿（2022）通過建立多部門熊彼特內生增長模型，發現數字技術賦能生產部門和金融部門，將長期助力實體經濟轉型升級和高技術產業的發展。目前，人工智能與勞動力結構（Acemoglu & Restrepo，2020；閆雪凌等，2021）、產業結構（郭凱明，2019；Aghion et al.，2017）和收入差距（郭凱明和向風帆，2021）等方面的研究較為豐富。然而，關于人工智能技術對實體經濟投資率的影響的討論卻較為匱乏，且具體影響機制尚需深入研究。

不難發現，以往研究多從企業內生的因素和外生的制度環境等出發，論述影響實體投資的因素。雖然有少量文獻關注了人工智能等新一代信息技術對實體經濟的影響，但多為理論層面的論證，缺乏企業層面直接探究的人工智能對實體投資率的影響，也缺乏從實證視角來揭示人工智能對實體投資影響的內在路徑研究。人工智能不僅是新一代信息技術的代表，更是與各行各業結合產生新的價值和創新的平臺，其能幫助傳統企業在生產、銷售、服務和金融供應鏈等方面形成智能制造的新生態，實現降本增效和轉型升級。因此，人工智能引領企業對ICT 資本的投資需求將促進實體經濟“脫虛向實”。與此同時，人工智能賦能傳統金融，緩解信息不對稱，拓展金融邊界，可提高中小企業資金可獲得性，滿足高技術企業實體投資的需要。鑒于此，本文嘗試從微觀企業視角研究人工智能對中國實體投資率的影響。本文可能的邊際貢獻在于：一是從宏觀和微觀兩個層面實證檢驗了人工智能與企業實體投資的關系，論證了人工智能等新一代信息技術對中國實體經濟“脫虛向實”的影響。二是創新性地利用上市公司年報詞頻統計技術，統計了超過17 000 份年報的人工智能關鍵詞的詞頻，作為微觀層面人工智能水平的代理變量，為其他學者研究關于人工智能代理變量方面提供新的參考。三是從提升企業全要素生產率和企業投資回報以及緩解企業信息不對稱的視角檢驗了人工智能對實體經濟“脫虛向實”的影響機制，為人工智能驅動產業結構轉型的理論機制提供了詳細的論證，為多角度理解實體經濟提供了新的支撐。

二、理論機制

（一）理論模型

當前學界在一般均衡模型方面，主要采用兩種思路刻畫人工智能：一種是Acemoglu andRestrepo（2018）、Aghion et al.（2017）等關注人工智能在生產過程中扮演的自動化和智能化角色，主要用于分析人工智能在產業結構、勞動力需求以及整體經濟效率方面的作用；另一種是Prettner（2019）等將人工智能視為區別于傳統資本的智能資本并將其引入生產函數。本文借鑒Prettne（2019）和郭凱明等（2019）等的方法，將人工智能視為智能資本，建立一般均衡模型分析人工智能對實體投資率的影響。

由上述模型可知，當人工智能對企業全要素生產率有正向影響時，即>0，最優實物投資水平將提高。關于人工智能提升企業全要素生產率，Graetz & Michaels（2018）和陳彥斌等（2019）分別通過實證分析和理論模型證明了人工智能對企業全要素生產率的促進作用。綜上所述，當>0，且其他條件不變時，企業實物投資中用于人工智能技術的投入越多，企業全要素生產率水平就越高，且會促進企業整體的實物投資水平的提升。基于上述分析可知，人工智能應用將提升企業實體投資水平，且企業的全要素生產率的提升是重要的影響因素。本文首先提出如下假說：

H1：人工智能將促進企業實體投資水平，提高實體投資率。

（二）理論機制分析

本文從需求和供給兩個角度來論述人工智能與實體投資的關系，具體的機制傳導如圖2所示：

1. 需求端刺激實體投資

需求效應是指人工智能發展通過影響相關企業對資本的需求進而影響實體經濟。當前，人工智能作為一種生產要素，將深刻改變企業的傳統生產方式，提升企業全要素生產率和投資回報，在不同行業間催生出新業態和新模式，引致資本流向實體經濟。

首先，人工智能可以提高企業全要素生產率，促進資本流向實體經濟。從企業生產端來看，面對人力成本不斷上漲的趨勢，人工智能將改變傳統制造業企業勞動密集型的生產方式，提高企業勞動生產效率。具體到相關行業，汽車、醫療、金融、數字政府等都是人工智能的應用領域，因此，大量工業機器人、數字機器人以及消費機器人在實體行業中的應用，勢必會引發企業對機器人等實體的投資需求。Graetz & Michaels（2018）在其研究中證實人工智能作為一種要素擴展型技術，對勞動生產率具有正向的促進作用。從企業研發端來看，人工智能與大數據、移動互聯網等技術的互動將大大提高企業研發效率，促進企業創新競爭力，而在智能化賦能的過程中，人工智能作為資本投入密集型的要素（Sachs & Kotlikoff，2012；Nordhaus，2021），必定會引起大量資本流向實體企業。

其次，人工智能帶來的企業投資回報率的上升會增加實體企業對資本的需求。人工智能將改進勞動生產率，提高企業投資回報，而回報率的提高必然促使企業家產生擴大生產規模的動機，進而產生對實體投資的需求。特別地，人工智能是一項國家戰略規劃，政府將數以萬億計的資本投入到人工智能、數字化等硬件基礎設施建設方面，如5G基站、超級計算機設備、大數據中心等，而國家數字化新型基礎設施建設將帶動大量的上下游實體企業生產和投資需求。此外，人工智能作為通用型外溢性技術，其技術外溢性必將推動諸如無人機、無人駕駛設備、虛擬現實和智能穿戴設備等相關未來產業的發展。而未來新興產業在初期需要大量研發投入和試產投入，因此，人工智能的不斷迭代更新，將為新興產業賦能，加速新興產業的成熟和應用，進而提高資本進入未來產業的速度。

因此，從需求端視角看，人工智能將通過提高企業全要素生產率和企業投資回報率促進實體經濟對資本的需求。綜上所述，本文提出如下假說：

H1a：人工智能將通過提高企業全要素生產率進而促進資本流向實體部門。

H1b：人工智能通過提高企業投資回報率促進資本流向實體部門。

2. 供給端促進實體投資

供給效應是指人工智能與傳統金融深度融合，催生出一系列新產品、新市場和新組織，進而促進金融普惠化和數字化，改善金融信息不對稱和傳統金融結構引致的中小型實體企業資金供給增加的問題。人工智能通過解決金融信息不對稱以及監管不嚴導致的虛假信息識別等問題促進對上市實體企業的資金供給。首先，銀企信息不對稱一直是阻礙實體企業發展的重要因素（Caggese & Cunat，2013）。人工智能、大數據等底層技術可以爬取、存儲、分析海量的共享數據，將借款人的互聯網信息結構化，提高銀企間的信息透明度，進而免除大銀行所必需的、繁雜的審計流程，使優質的實體企業獲得貸款，解決企業融資困難的問題（林毅夫和李永軍，2001）。其次，人工智能的運用可以打擊上市公司財務造假，推動建立信息互通機制，完善資本市場融資渠道。人工智能與大數據結合可以對上市公司歷史業務和行業數據以及財務經營信息進行交叉對比，發現是否存在財務舞弊行為。最后，人工智能與大數據結合可以將上市公司經營涉及銀行、稅務、海關、能源用量等進行信息共享，提升監管部門打擊上市公司財務造假的能力，提高投資者對資本市場的參與意愿，促進資本流向實體經濟。因此，從供給端視角看，人工智能會暢通資本流向實體的渠道，加快實體經濟發展。綜上所述，本文提出如下假說：

H1c：人工智能通過改善信息不對稱暢通資本流向實體部門的渠道。

（二）變量定義和數據選取

在宏觀層面，本文以2010-2020年中國省級面板數據為依據，西藏自治區的數據缺失嚴重，故將其剔除。數據來源于“天眼查”企業數據庫、《中國統計年鑒》《中國工業統計年鑒》《中國科技統計年鑒》《中國經濟普查數據》《中國金融統計年鑒》《中國固定資產投資統計年鑒》《中國價格指數統計年鑒》等。在微觀層面，鑒于數據的可得性和人工智能的發展軌跡，本文選取2015-2021年中國滬深A 股上市公司并剔除數據中的ST、ST*、房地產和金融業相關企業樣本，最終得到17129家公司7年度觀測值。數據來源于Wind 數據庫和各上市公司年報。

各變量和數據處理方法如下所示，具體見表2：

（1）因變量：本文分別從省級和上市公司兩個層面構造因變量。省級層面采用所有工業企業固定資產凈額增速和所有工業企業固定資產投資額占總固定資產投資額比重來衡量。為了真實反映實體部門固定資產存量和投資額，本文剔除價格因素，以2010年為基期構造價格平減指數，對所有固定資產凈額和投資額均作了價格平減處理。上市公司層面采用企業現金流量表中“購建固定資產、無形資產和其他長期資產”項目占總資產比重衡量。

（2）自變量：本文分別從省級層面和上市公司層面構造了兩個自變量。省級層面參考李旭輝等（2021）的研究，從兩個維度、五個一級指標和十六個二級指標出發，利用熵值法構造了省級人工智能發展水平。微觀企業層面，本文創新性地利用Python 文本分析技術，獲取了17129份上市公司年報；參考吳非等（2021）的方法對企業數字化轉型的詞頻進行統計，選取人工智能相關熱詞，用于衡量企業層面人工智能發展水平，詞匯表如表1 所示。此外，為了進一步提高本文實證結果的穩健性，本文利用“天眼查”數據庫進行“人工智能”關鍵詞檢索，保留公司名稱、產品服務或經營范圍中出現以上關鍵詞的樣本。此外，為了防止出現空殼公司，本文剔除了社保參保人數低于1人、注冊資本小于100 萬以及吊銷和注銷的公司，構造省級人工智能企業數量指標。人工智能企業數量一定程度上能夠反映地區人工智能發展的真實情況，因此將其納入穩健性檢驗的范圍是合理的。

（3）控制變量：本文分別從省級層面和上市公司層面選擇控制變量。省級層面，本文選取①外商投資水平（FDI）：用各省份實際利用外資額占GDP 的比重衡量；②財政支出水平（GOV）：用各省份一般預算支出占GDP 的比重衡量；③金融發展水平（FIN）：用各省份存貸款余額占GDP的比重衡量；④全要素生產率（TFP）：以2010 年為基期，構造了各省份全要素生產率來衡量；⑤工業發展水平（IND）：用各省份工業增加值占GDP 的比重衡量。上市公司層面，本文選取①凈資產收益率（ROE）：用企業當年凈利潤與股東權益余額的比值衡量；②資產負債率（LEV）：用企業當年總負債與總資產的比值衡量；③現金流量（CASH）：用企業經營活動現金流量凈額與總資產的比值衡量；④營業利潤增長率（OPG）：以企業當年營業利潤減去上一年營業利潤差值除以上一年營業利潤衡量；⑤企業規模（SIZE）：以企業當年總資產的自然對數衡量；⑥企業年齡（AGE）：以企

業實際經營年限衡量。

（4）機制變量：本文從需求端和供給端探究人工智能影響實體投資的機制。從需求端，本文將企業全要素生產率和資產報酬率作為機制變量；在供給端，本文將數字金融和信息不對稱作為機制變量。①企業全要素生產率（TFP）：本文采用OP 法和LP 法計算企業全要素生產率作為代理變量；②資產回報率（ROA）：本文將利潤和財務費用之合占企業總資產的比重作為代理變量；③信息不對稱（ASY）：本文借鑒于蔚（2012）的方法，利用公司個股的交易資料來捕捉證券市場上非知情交易者與知情交易者關于企業價值的信息的不對稱程度，并以此作為資金供給方與企業之間信息不對稱程度的代理變量。

（三）描述性統計

本文選取2010-2020年中國省份數據和2015-2021年上市公司數據對假說進行驗證，描述性統計結果如表3 所示，部分缺失數據用線性插值法補齊。

四、實證結果分析

（一）基準回歸

根據上述計量模型，本文從省級和上市公司兩個層面檢驗了人工智能對實體經濟資本存量和投資的影響，基準回歸結果見表4。表4 列（1）、列（2）報告了省級層面人工智能對實體經濟資本存量增速的影響，在不加入控制變量和加入控制變量兩種情況下，估計系數分別為0.1817 和0.2558，且均在1%水平下通過了顯著性檢驗，說明人工智能可顯著提高實體部門資本存量的積累速度。表4 列（3）、列（4）報告了省級層面人工智能對實體經濟固定資產投資占比的影響，在不加入控制變量時，估計系數為0.172 9，且不顯著，而在加入控制變量后，估計系數為0.182 2，且在5%水平下通過了顯著性檢驗，說明人工智能可顯著提高實體經濟部門在固定資產投資方面的比重，使資本向實體部門傾斜。表4 列（5）、列（6）報告了企業微觀層面人工智能對實體投資的影響，與不加入控制變量相比，加入控制變量后的估計系數變為0.0024，且均在1%水平下通過了顯著性檢驗，說明人工智能可顯著提高企業實體投資水平。從上述計量結果可知，人工智能可從促進實體經濟資本積累速度和實體經濟固定資產投資比重兩方面影響資本對實體的支撐，驗證了本文的假說1。

（二）內生性處理

1．工具變量法

在上述計量模型中，雖然本文盡可能去控制那些影響實體投資的影響因素，但是實證結果仍有可能受到不可觀測因素的影響，此種遺漏變量將會導致本文核心解釋變量估計系數出現偏誤。此外，實體經濟資本存量和固定資產投資額的變化也會影響人工智能的發展水平，即可能存在反向因果關系。為了緩解遺漏變量和雙向因果帶來的內生性問題，本文進一步采用工具變量法進行估計。

在宏觀層面，本文借鑒Acemoglu和Restrepo（2020）的做法，選擇德國工業機器人安裝密度（DE_AI）作為工具變量，以2010-2020年德國各行業工業機器人數量與2010年中國各省份分行業的就業人數比例相乘，構建面板工具變量。選擇該工具變量的邏輯在于：其一，工業機器人作為當前人工智能發展水平的衡量指標之一，已出現在大量文獻中。其二，工業機器人作為人工智能在實體中的大規模應用已成為不可避免的趨勢，相關國家的競爭和合作將使人工智能呈現一定的相關性。中德作為制造業大國和人工智能領域的引領者，在工業機器人應用領域必定具有趨同性和相關性。同時考慮到工具變量的外生性，本文利用2010 年中國各省份分行業就業人數作為歷史變量，進而排除就業結構變化對實體投資的影響。此外，沒有證據表明德國工業機器人使用會直接影響中國實體投資，其只能通過產業競爭間接影響中國人工智能發展水平，從而與中國實體投資發生關聯。本文采用德國工業機器人安裝密度作為工具變量（DE_AI），通過兩階段最小二乘法估計人工智能對實體投資的影響，檢驗結果如表5 所示。該工具變量基本滿足相關性和外生性條件，從而有效緩解了內生性偏誤的影響。表5 中列（1）報告了人工智能對實體經濟資本存量增速的影響，估計系數為0.4619，且在5%水平下通過顯著性檢驗；表5 中列（2）報告了人工智能對實體經濟固定資產投資占比的影響，估計系數為0.3739，且在1%水平下通過顯著性檢驗。上述回歸結果表明，在緩解了潛在內生性后本文結論依然成立，且相較于基準回歸結果系數有所上升。

在微觀層面，鑒于李唐等（2020）和宋德勇等（2022）文獻中核心解釋變量與本文企業層面人工智能水平構造方法相似，因此本文借鑒上述文獻做法，基于Lewbel（1997）的研究思路為企業人工智能水平構造工具變量。 Lewbel（1997）提出的是一種不借助外部數據構建有效內部工具變量的方法，采用此方法構造的工具變量在一定程度上可以緩解內生性問題。具體做法即采用企業人工智能水平與按照申萬宏源二位數行業代碼和省份分類的數字水平均值差額的三次方作為工具變量（Lewbel_IV）。本文采用該工具變量，通過兩階段最小二乘法估計人工智能對企業實體投資的影響，結果如表5 列（3）所示。該工具變量基本滿足相關性和外生性條件，有效緩解了內生性問題。微觀層面上，人工智能發展對企業實體投資的影響估計系數為0.001 3，且在1%水平下通過顯著性檢驗，進一步驗證了本文的結論，即人工智能對企業實體投資具有促進作用。

本文利用省級面板數據和企業面板數據，從宏觀和微觀兩個層面證實了人工智能能夠增強實體經濟的吸引力，促進資本流向實體經濟，提升實體經濟投資占比，基本驗證了林晨等（2020）提出的人工智能能夠優化資本結構、促進實體經濟占比的觀點。但是相較于他們的研究，本文創新性地使用實證數據驗證了該影響效應。在探討人工智能對實體投資的影響機制時，本文借鑒并擴展了林晨等（2020）和郭凱明（2019）的理論框架，認為人工智能不僅可以通過提高實體經濟生產過程的智能化程度和催生出配套的創新產業吸引資本流向實體經濟，還可以通過技術外溢性促進傳統金融向數字金融轉變，暢通資金進入實體渠道。由于現有文獻對人工智能對實體投資影響機制的分析較少，本文將在后續章節進行深入分析。

2. 雙重差分估計（Differences-in-Difference，DID）

本文進一步通過雙重差分方法來緩解潛在的內生問題。2017 年7 月8 日國務院印發了《新一代人工智能發展規劃》（以下簡稱“35 號文”）①，旨在構筑中國人工智能發展的先發優勢，加快建設創新型國家和世界科技強國。因此，2017 年也被稱為中國人工智能發展的元年。文件的出臺對各地區人工智能發展帶來了一定程度的沖擊，也為本文研究人工智能與實體投資受外生政策沖擊的影響提供了契機。

借鑒Vig（2013）和宋敏等（2021）的處理方法，本文從各地區對《新一代人工智能發展規劃》的異質性反應入手，構建對照組和實驗組，按照2017 年文件印發的年份各地區人工智能發展水平的中位數，將低于中位數的省份記為控制組賦值為0，高于中位數的省份記為實驗組賦值為1。在時間變量的處理上，本文將2017 年之后的時間點賦值為1，之前則賦值為0。其中treated 是實驗組，post 是時間節點變量，treated post 的估計系數表明了政策影響。

檢驗結果如表6 所示。表6 列（1）中報告了35 號文對各地區人工智能發展水平的影響，其估計系數為0.062，且在1%水平下顯著，說明受政策沖擊較大的地區相比于對照組而言，人工智能發展水平顯著提升了約6.2%。列（2）和列（3）報告了35 號文對實體部門資本流動的影響，其中該政策對實體經濟資本存量增速影響不大，對實體經濟固定資產投資比重有顯著影響，即相比于對照組，受政策沖擊較大的地區實體經濟固定資產投資提升了約3.96%。表6 結果表明，35 號文的出臺確實提升了地區人工智能發展水平，并進一步影響了地區的實體投資。

此外，為了檢驗政策沖擊回歸結果的穩健性，本文利用政策實施前5 期和后3 期的數據，將35 號文對固定資產投資占比的影響進行平行趨勢檢驗。圖3 結果表明，在政策實施以前，固定資產投資占比呈現顯著下降的趨勢，政策實施后固定資產投資占比系數估計由負值變為正值。這說明，35 號文對實體投資產生了顯著的促進作用，本文主要結論進一步得到驗證。

（三）穩健性檢驗

（1）替換人工智能衡量指標。在省級層面，本文創新性地使用“天眼查”數據庫中各省份人工智能企業數量來衡量人工智能發展水平，對核心解釋變量進行替換并檢驗。表7 列（1）、（2）結果顯示，核心解釋變量系數變化不大且顯著，表明結果穩健。在上市公司層面，考慮到利用人工智能關鍵詞構建衡量指標，本文剔除部分關鍵詞，重新統計構建人工智能衡量指標并檢驗。表7 列（3）檢驗結果顯示，核心解釋變量系數變化不大且顯著，表明結果穩健。

（2）考慮到直轄市在經濟發展水平和技術水平以及政策優惠上要優于其他省份，因此剔除直轄市樣本重新進行檢驗，結果如表7 列（4）（5）（6）所示，結果依然穩健。

（3）考慮到技術從研究成果到規模化應用存在一定的時間滯后效應，本文利用滯后一期人工智能衡量指標作為核心解釋變量進行檢驗，如表7 列（7）（8）（9）所示，結果依然穩健。

五、機制分析

接下來，本文探究一個關鍵性問題：人工智能影響實體投資的作用機制是什么？本文分別從需求端和供給端出發，探究全要素生產率、投資回報和信息不對稱在人工智能促進實體投資過程中發揮的機制效應。

（一）人工智能、企業全要素生產率與企業實體投資

根據前文的理論分析，人工智能可能通過提高企業全要素生產率影響實體投資。為驗證這一機制，本文采用LP和OP法測算企業全要素生產率（TFP）（G Steven et al.，1996；Levinsohn J &Petrin A，2003；魯曉東和連玉君，2012），用以驗證人工智能對實體企業全要素生產率的影響。在檢驗方法上，本文借鑒王鋒和葛星（2022）、田鴿和張勛（2022）的做法，先檢驗人工智能對實體企業全要素生產率的影響，接著檢驗全要素生產率對企業實體投資的影響，以驗證全要素生產率在本文主效應中的機制作用，結果如表8 所示。表8列（1）（2）報告了人工智能對企業全要素生產率影響的估計結果。結果顯示，TFP_OP 和TFP_LP的系數分別為0.0728和0.0996，且在1%水平下通過了顯著性檢驗，說明人工智能提高了企業全要素生產率。接著對全要素生產率影響企業實體投資進行檢驗，表8列（5）結果表明，TFP_LP 的估計系數為0.0015，且在10%水平下通過顯著性檢驗，這說明人工智能通過全要素生產率促進了企業實體投資，驗證了本文假說H1a。

（二）人工智能、投資回報與企業實體投資

人工智能對傳統實體的改造升級可能給企業帶來投資回報的提升，促進企業實體投資意愿。因此，本文采用資產回報率（ROA）衡量企業投資回報，利用上述相同方法驗證企業投資回報在其中發揮的作用。表8 列（3）報告了人工智能對企業投資回報率影響的估計結果，結果顯示投資回報率的估計系數為0.0056，且在5%水平下通過了顯著性檢驗，說明人工智能提高了企業投資回報率。表8列（6）結果表明，投資回報率對企業實體投資的估計系數為0.0162，且在5%水平下通過顯著性檢驗。這說明人工智能提高了企業投資回報率，進而促進了企業實體投資，驗證了本文假說H1b。

（三）人工智能、信息不對稱與企業實體投資

人工智能與大數據等技術結合能夠緩解金融信息不對稱問題暢通融資渠道進而促進資本流向實體。本文參考于蔚等（2012）的做法，基于金融市場微觀結構相關文獻，以及個股詳細交易數據，提取流動性比率、非流動性比率以及反轉指標的第一主成分來構建信息不對稱指標，該指標越大表明信息不對稱越嚴重。表9 列（1）報告了人工智能對信息不對稱影響的估計結果，信息不對稱的估計系數為-0.0164，且在10%水平下通過顯著性檢驗，說明人工智能發展會抑制外部投資者與企業之間的信息不對稱；表9 列（2）報告了信息不對稱對企業實體投資的影響，估計系數為-0.0005，說明信息不對稱抑制了企業對實體的投資。這表明人工智能“賦能”會抑制企業與投資者之間的信息不對稱，緩解信息不對稱對實體投資的影響。

六、異質性分析

（一）基于行業的異質性分析

在省級層面，本文將實體經濟部門定義為所有工業企業，即包括了采礦業、制造業以及水力、電力和熱力供應業。因此，本文對因變量進行行業分組，研究其異質性，將實體經濟部門中的制造業（M_lKS&M_rKS）和高技術制造業（G_lKS&G_rKS）區分開來。根據《中國高技術統計年鑒》的定義，高技術制造業包含了儀表儀器制造業、交通運輸設備制造業、計算機電子通訊制造業、醫藥制造業以及專用設備制造業。行業異質性分析結果如表10所示。從表10 列（1）和列（2）可知，人工智能對制造業資本存量增速和高技術制造業資本存量增速均產生了顯著的正向影響，與本文基準結果相比，人工智能對制造業和高技術制造業資本存量的拉動作用更加明顯，說明在人工智能促進資本流向實體過程中，制造業轉型升級、設備智能化以及新興產業的迅速崛起發揮了重要作用。從表10 列（3）和列（4）可知，人工智能對制造業固定資產投資和高技術制造業固定資產投資均產生了顯著的正向影響，表明人工智能促進了固定資產投資流向制造業和高技術產業，但制造業固定資產投資流入大于高技術產業。

在企業層面，本文將實體企業分為第一產業、第二產業和第三產業，探究人工智能對不同產業實體投資的影響。表10 列（5）（6）（7）分別報告了人工智能對各產業實體投資的影響，其中，第一產業估計系數為0.0087，未通過10%的顯著性檢驗。第二產業估計系數為0.0032，且在1%水平下顯著。第三產業估計系數為0.0001，同樣未通過10%顯著性檢驗。上述結果表明，人工智能引致實體投資在不同產業間存在差異，即人工智能促進了第二產業實體投資，但不影響第一產業和第三產業實體投資，可能原因是第二產業的制造業是企業智能化改造和智能設備制造的主力軍，因而受人工智能影響最大。

（二）基于地區的異質性分析

受區域經濟發展不協調以及區域間技術創新水平差異的影響，人工智能水平在中國東部沿海和內陸地區必然呈現出一定的差異。本文按照國家統計局的最新標準①，將樣本劃分為東部、中部、西部和東北部四個區域進行異質性分析，從企業層面研究區域間人工智能對實體投資的影響。由表11可知，東部和中部和東北部地區人工智能對企業實體投資促進作用明顯，而西部地區人工智能對企業實體投資的促進作用并未通過顯著性檢驗。通過地區異質性回歸結果證實了：由于東部、中部以及東北部地區制造業轉型升級早，技術創新能力強，因此其人工智能發展相比于西部地區更具優勢，且更能促進企業實體投資。

（三）基于企業規模的異質性分析

人工智能的發展往往在企業的規模方面也會表現出差異，因此，本文根據《中國工業統計年鑒》，將工業企業劃分為大型、中型和小型三類，進行異質性分析。回歸結果如表12所示。

列（1）（2）（3）分別報告了人工智能對大中小型工業企業資本存量增速的影響。從回歸系數可知，大型企業智能化改造的動機比中小型企業更為強烈，一方面是大型企業更容易獲得智能改造所需資金，另一方面是大型企業面臨的智能化轉型需求更為迫切。此外，中型企業的系數也要高于小型企業，表明企業規模會影響人工智能導致的資本存量增速。

七、進一步討論

前文分析了人工智能通過提高企業全要素生產率、投資回報率以及改善信息不對稱來促進資本流向實體部門。然而資本流向實體離不開市場化的金融體系支撐。吳曉求（2020）提出，當前中國應構建以市場為主導的現代金融體系，以滿足經濟轉型發展的需求，而發達的資本市場是市場化金融體系的重要特征。因此，本部分將探究市場化金融體系能否在人工智能引致實體投資過程中發揮資金流動的加速和放大作用。此外，關于實體企業金融化的討論也不絕于耳，而隨著人工智能賦能實體經濟的影響持續擴大，企業金融資產配置在人工智能引致實體投資中是發揮“擠出”作用還是“蓄水池”作用，也是本部分要討論的重點。

（一）市場化金融體系的調節作用

本文認為，市場化的金融體系可通過豐富融資渠道和弱化資產泡沫放大人工智能引領實體投資的作用。一方面，當前中國的產業結構正從資本密集型轉向創新密集型，人工智能發展正給微觀實體企業帶來全要素生產率和創新能力的持續提升，由此帶來的企業融資需求特征，從原有的大型金融國企壟斷的信貸抵押資金需求，轉向以新興企業未來投資收益現值為支撐的股權融資需求；另一方面，金融體系市場化能夠豐富金融市場產品，弱化資產泡沫形成的風險，為資金流向實體提供有力的支撐。當前中國房地產市場泡沫的積累與金融市場缺乏保險和保值的金融工具息息相關，完善的金融市場能夠擠出抵押品不足和風險對沖工具稀缺帶來的資產泡沫化，促進資本向實體流動（Caballero and Krishnamurthy，2006；Caballero et al.，2008）。

綜上所述，本文選取非金融企業境內股票融資額占社會融資規模的比重衡量金融體系市場化水平，該指標既能準確反映以市場為主導的現代金融體系的特征和功能，又能直觀表達資本市場作為實體部門資金蓄水池在資本供給方面給予的作用大小。在基礎回歸模型中，本文加入MFpAI 的交互項，并觀察交互項系數的變化，如果該系數顯著為正，則表示金融市場化放大了人工智能引致的實體投資水平。表13 列報告了調節效應檢驗結果。列（1）和列（2）交互項系數分別為2.2780和1.5760，且在1%水平下顯著，說明金融市場越發達，人工智能促進資本流向實體的作用越強。因此，加快構建以資本市場為核心的現代金融體系是適應當前中國產業創新和制造業升級的重要舉措，相關部門必須引起重視。

（二）企業金融資產配置水平的調節作用

當前，企業資產可以分為兩類：實體資產和金融資產。一方面，當金融資產配置過度時會對企業經營和生產造成不利影響（Stockhammer，2004），減少企業用于實體投資的資金（王永欽等，2016；杜勇等，2017）；另一方面，金融資產配置對于企業預防現金流沖擊和滿足融資需求起到了“蓄水池”作用（Keynes，1936）。人工智能作為巨大的發展機遇，會吸引大量具有進取精神的企業家不斷投入資金和人才。本文認為在人工智能大背景下，企業出于預防和儲蓄的目的進行金融資產配置不但不會擠出實體投資，反而會穩定企業資金水平，為促進企業智能化改造和實體投資發揮資金“蓄水池”作用。

基于此，本文選取金融資產占總資產的比重衡量企業金融資產配置水平①，該指標能從微觀層面探究企業金融資產配置是否對人工智能促進企業實體投資產生正向調節作用。根據調節效應模型，本文關注FIVfAI 的交互項系數變化，如果該系數顯著為正，則表明企業金融資產配置放大了人工智能對企業實體投資的促進作用。表13列（3）報告了調節效應檢驗結果，在不引入人工智能作為交乘項前，金融資產配置對實體投資率顯著抑制，而人工智能與金融資產配置的交互項系數為0.0053且在5%水平下顯著，表明在人工智能賦能實體企業過程中，企業金融資產配置水平越高，人工智能對實體投資的促進作用越強。因此，豐富投融資產品種類以滿足企業金融資產配置需求，是促進實體企業穩健經營的必要舉措。

八、結論和政策建議

（一）結論

本文從宏觀和微觀兩個層面考察人工智能對實體經濟的影響，分別利用2010-2020年省級面板數據和2015-2021年上市公司微觀數據，構建了人工智能發展水平衡量指標，探究了人工智能對實體投資的影響，考察了金融發展在人工智能引致資本流向實體中的機制效應，為人工智能環境下中國資本結構優化、實體經濟健康發展提供了實證支撐。研究發現：①無論在宏觀還是微觀層面，人工智能發展均顯著促進了資本流向實體經濟，即人工智能提高了實體部門資本存量增長率和企業實體投資占比。在考慮內生性問題以及更換人工智能發展指標、剔除相關樣本等一系列穩健性檢驗后，該結論仍然成立。②機制分析表明，人工智能可以通過促進全要素生產率、投資回報率和降低信息不對稱來推動資本流向實體。③異質性分析結果表明，在不同行業中，人工智能對高技術制造業的實體投資促進作用相比一般制造業更為明顯；在不同地區中，人工智能促進實體投資過程，東中部地區促進效應明顯優于西部和東北部地區；在不同企業規模中，人工智能對大型工業企業的實體投資促進效應最為明顯。④進一步討論結果表明，資本市場發展水平和企業金融資產配置水平越高，人工智能引致的實體投資的作用越強。

（二）政策啟示

本文根據結論得出如下政策啟示：

（1）加大人工智能基礎設施投入，完善人工智能支持政策體系。新一代人工智能與實體經濟深度融合是中國經濟轉型升級和現代經濟體系建設的必由之路，然而當前中國人工智能基礎設施如大數據中心、AI 芯片、云計算中心、數據采集等仍不足以支撐實體企業智能升級。因此，各級政府應加強對人工智能基礎設施的投入。此外，人工智能支持政策體系的完善勢在必行。其一，應設立人工智能創新基金，為有潛力的實體企業提供資金支持，對在人工智能領域有突出貢獻的企業，提供相應的稅收優惠政策。其二，應鼓勵高校和培訓機構開設與人工智能相關的課程和培訓項目，鼓勵企業引進國內外優秀人才，提升企業在人工智能領域的研發和應用能力。其三，應搭建產學研合作平臺，促進實體企業、高校和研究機構之間的深度合作，推動人工智能技術的轉化和應用。其四，推動建立數據共享平臺，鼓勵企業間數據的開放共享，促進合作創新。最后，應建立“政府-企業”對接制度，各級政府應組建產業專家團隊，深入實地了解企業的運營情況、現有技術水平以及智能化改造的需求，幫助企業克服智能化改造中的困難，推動企業更快地實現智能化升級。

（2）加強人工智能賦能實體企業，穩步推進企業自身轉型升級。以制造業為核心的實體企業率先實現智能化是增強中國制造國際競爭力的必然路徑。當前，企業在智能化改造中面臨著一系列問題，如技術選型難、人才短缺、資金投入不足等。因此，其一，應制定明確的智能化戰略，根據自身需求和現有技術水平，確定定制化的技術整合規劃，包括評估哪些任務適合人工智能執行、哪些需要人類的判斷和創造力。其二，應優化生產全流程。在產品研發環節，運用數字化、信息化手段搭建產品智能設計平臺，滿足客戶需求；在產品生產環節，實現機械重復勞動的機器換人；在產品供應鏈管理和產品服務環節，建立定制化機器學習系統，精確計算產品利潤，推進智能化售后服務。其三，應關注員工培訓和變革管理，為員工提供必要的技術適應培訓，使其能夠理解和運用新的人工智能工具，同時探索靈活用工模式，鼓勵跨部門協作，將人工智能和人類的優勢結合起來，在引入新技術時，企業應確保員工的權益不受損害。最后，應積極探索多元化的融資渠道，如銀行貸款、股權融資、債券發行等，以滿足智能化投資的資金需求。

（3）以人工智能為突破口，加速金融科技創新，強化金融對中小實體企業的支撐。中小企業是實體經濟的生力軍，在促進就業、激發創新、刺激增長等方面發揮重要作用，人工智能、大數據等底層通用技術“賦能”金融可以改善實體企業面臨的融資約束、信息不對稱等問題。因此，其一，應加快以大數據共享、智能風險分析為基石的新型企業征信體系建設。其二，應利用人工智能算法，開發適合中小企業的智能金融產品，如智能風險管理工具、供應鏈金融方案等，滿足不同企業的融資需求，提高金融服務的精準性。其三，應加大數字金融復合人才的培養，培養一批能夠利用人工智能、大數據等技術服務實體企業的金融人才。最后，應強化人工智能在資本市場監管、企業財務審查、信貸監管等方面的應用，營造良好的融資環境。