企業人工智能水平對非效率投資的影響

0 引言

隨著以人工智能（ArtificialIntelligence）、區塊鏈（Blockchain）、云計算（CloudComputing）、大數據（BigData）等為代表的“ABCD”技術的快速迭代和迅猛發展，全球經濟社會正快速邁進一個數智化的全新時代。《“十四五”數字經濟發展規劃》將人工智能作為數字經濟發展的核心驅動力，并明確提出要推動AI技術與實體經濟深度融合，尤其是在企業管理、智能制造、金融服務等領域的應用。作為宏觀經濟結構的基礎單元，企業在宏觀數字經濟的發展和轉型中扮演著至關重要的角色，以人工智能為代表的新興技術越來越普遍地被應用到企業當中[1]，助力企業的經營管理決策。

人工智能可以從技術視角和能力視角來定義[2]：從技術視角看，人工智能是指在機器系統上獲取、表現及應用知識的一組通用技術，可以通過各類算法和程序模擬、代替人類行為，如計算、解析、認知及感知等[36]；從能力視角看，人工智能是指一種能夠正確解釋外部數據且能從這些數據中學習，通過提升人類決策能力及解決問題能力來實現特定目標和任務的“系統”能力[7-10]。已有研究表明，人工智能會對企業層面產生積極影響。人工智能通過大數據分析、機器學習和自然語言處理等技術手段，能夠快速處理和分析龐大的數據集[*]，挖掘其中隱藏的規律和關聯性，評估企業特征[12]。人工智能通過加速知識創造和技術溢出，提升企業的學習和吸收能力；同時，企業需要增加研發投入和人才投資來促進技術創新[13]。Muhl-roth和Grottke[14]構建了基于人工智能的數據挖掘模型，幫助企業用比以往更高的自動化水平發現新興主題和把握發展趨勢。在商業模式創新方面，Sharma等[15]探究了不同類型的人工智能解決方案，以及這些方案如何支持企業在B2B（企業對企業）市場中創造共同價值。

投資效率是指企業投融資活動形成的資源配置狀態，是為企業帶來的運營業績和企業價值的提升狀況。投資活動是企業財務活動的核心，是企業最具能動性同時最有長期影響力的資源配置行為之一。企業價值的增加從根本上取決于投資效率的提高[16]，有效投資對企業可持續發展具有不可或缺的作用[17]。當前，我國企業的投資重心正在逐漸從“投資規模”轉向“投資效率”。但是，由于委托代理問題和信息不對稱問題的存在，企業的資本配置效率低下，從而產生了非效率投資現象。從微觀角度看，企業之所以總體投資效率較低[18]，一方面是因為企業盲目投入熱點產業、進行多元化經營，出現過度投資；另一方面是因為融資約束造成部分企業未籌集到充裕的資金，被迫放棄高質量投資項目，出現投資不足。

目前，學界關于企業投資效率的測度主要有3個模型。第一個模型是Fazzari等[19]構建的投資現金流敏感性模型。該模型把資金流動的敏感度和企業的投資效率結合起來，認為當企業將所持有的資金投人到凈現值（NPV）為正的項目后，將擁有更多自由現金流，導致企業傾向于利用過剩資金盲目投資。但投資現金流敏感性模型存在明顯缺陷，因為它難以識別投資現金流敏感性是源于過度投資還是源于投資不足。第二個模型是 Vogt^[20] 提出的現金流與投資機會交互項判別模型。該模型在上述現金流敏感性模型的基礎上進一步完善，建立現金流與投資機會的交互項，將“融資約束”和“代理沖突”納入考慮范圍。但該模型也存在明顯不足，即其雖然能夠反映非效率投資的方向，但是仍然不能具體反映企業過度投資及投資不足的程度。第三個模型是目前學界運用較為廣泛的Richard-son^[21] 提出的投資效率模型。它通過使用模型的回歸殘差表示企業非效率投資程度。當殘差值超過0時，表示企業投資過度；反之，當殘差值低于0時，表示企業投資不足。與前兩個模型相比，該模型有了較大的改善，不僅可以對企業的非效率投資進行方向上的判別（過度投資或投資不足），而且能對企業投資效率的影響程度進行度量，同時還能夠說明影響非效率投資的因素。

值得注意的是，非效率投資并非孤立現象，其本質是財務決策體系在復雜市場環境中的適應性失靈。因此，有必要從財務決策的底層邏輯重構入手，探索技術賦能下決策模式的創新路徑[22]。而以人工智能為代表的新興技術正推動財務決策從“經驗驅動”向“數據驅動”躍遷，為破解非效率投資難題提供了新的路徑。目前，鮮有研究從人工智能水平的角度深入探討其對企業投資效率的影響，以及財務決策在其中發揮的作用。綜上所述，本文采用Richardson投資效率模型來衡量企業的非效率投資水平，并聚焦人工智能對財務決策流程的重構效應：第一，構建企業級人工智能滲透指標，捕捉技術應用的異質性；第二，從輕資產轉型、無形資產的數智化應用兩個維度解構財務決策的機制作用。

本文的邊際貢獻在于：第一，在理論層面將技術賦能納入投資效率的分析框架，闡明數字時代財務決策演化的新規律；第二，在實踐層面為企業通過人工智能優化決策節點、實現“降本增效”提供可操作性路徑。

1理論分析和研究假設

1.1人工智能水平與企業非效率投資

人工智能技術能夠通過提升信息處理效率、增強數據分析能力和優化投資決策，影響企業投資效率。首先，人工智能能夠快速處理和分析大量復雜數據，幫助企業更精準地識別市場趨勢、客戶需求和潛在風險，從而制定更為科學、合理的投資策略。其次，人工智能驅動的自動化和智能化工具可以減少人為決策的偏差和錯誤，提高決策的準確性和效率。最后，人工智能還可以通過模擬不同場景下的投資回報，為企業提供更全面的投資評估，避免盲目投資和資源浪費。基于以上分析，提出假設1：

H1：企業人工智能水平的提高可以減少非效率投資。

1.2 財務決策的機制作用

基于以上分析，本文提出輕資產轉型和無形資產的數智化應用這兩條屬于財務決策的機制路徑來驗證“人工智能通過優化企業財務決策，從而減少非效率投資”這一機制。

第一，輕資產轉型。輕資產轉型是指企業通過降低固定資產比例，專注于核心業務，從而提高自身經營效率。從財務決策的角度來說，“輕資產戰略”的核心在于通過知識資本替代固定資產投人[23]。由于人工智能技術顯著增強了企業資產運用的通用性與靈活性，并通過技術替代效應有效弱化了企業對傳統專用性固定資產的依賴，所以會驅動企業降低其固定資產的比例[24]。同時，企業的固定資產過多會影響其投資效率，固定資產的減少則會促進企業進行有科技含量的創新性投資，進而提高投資效率，即企業固定資產比例的降低能優化其資產結構并提高其投資效率[25]。因此，在資產模式的選擇這一重要的企業財務決策中，通過實施輕資產轉型，企業能夠削減沉沒成本、增強投資靈活性，進而抑制其非效率投資。本文衡量輕資產轉型的指標是企業固定資產占比。

第二，無形資產的數智化應用。根據我國現行會計準則的規定，無形資產是企業擁有或控制的沒有實物形態的可辨認非貨幣性資產。在傳統財務決策中，由于無形資產的價值難以量化，且其貢獻往往具有滯后性和不確定性，因而往往被低估，甚至被忽視。

2023年8月，財政部頒布《企業數據資源相關會計處理暫行規定》，將部分數據資源納入無形資產進行處理，標志著企業的無形資產在種類、形態、確認方式和成本計量方面發生了重大變化。在此進程中，伴隨著人工智能技術的發展與支持，企業的財務決策數智化主要表現在通過數據挖掘和數據治理開展數據管理活動，將數據資源轉化為數據資產，并將其融人和貫穿財務決策全流程，實現數據資產化，提高數據管理和應用水平，從而在數據、技術和應用3個層面同步提高數智化水平，優化財務決策能力。因此，在企業財務決策中，無形資產的數智化應用空間得到了顯著拓展，其在財務決策中的地位也發生了根本性轉變。

本文衡量無形資產數智化應用的指標是托賓Q值，即市值與資產重置成本的比值。企業在無形資產范疇內進行的數據資產化操作，以及相關財務流程改造與優化，從本質上來說是一種財務決策行為，它會影響企業市值或資產重置成本，進而通過托賓Q值表現出來。基于以上理論分析，提出假設2：

H2：企業人工智能水平的提高可以優化財務決策，進而降低非效率投資水平。

2 研究設計

2.1數據來源與樣本選擇

本文選取2017—2023年中國A股上市公司數據作為樣本。其中，上市公司的財務數據和企業人工智能水平數據來源于國泰安數據庫（CSMAR）和各上市公司年報。由于金融行業財務數據具有特殊性，剔除了該行業企業樣本；為了確保數據的準確性和可靠性，刪除了關鍵變量數據缺失的樣本。此外，為消除異常值可能帶來的影響，對關鍵連續變量采取了 1% 水平的

Winsorize縮尾處理。

2.2 變量定義

2.2.1被解釋變量：企業非效率投資（Inefficency）

Richardson[20]提出的衡量投資效率的理論模型現已被廣泛用于公司金融研究，因此，本文也采用該模型度量企業投資效率。具體模型為

Inv_t=α₀+α₁Growth_t-1+α₂Lev_t-1+α₃Cash_t-1+

α₄Age_t-1+α₅Size_t-1+α₆Ret_t-1+α₇Inv_t-1+

式中，Inv為新增投資支出，具體計算方法為購建固定資產、無形資產及其他長期資產的現金支出/總資產；Growth為主營業務增長率；Lev為資產負債率；Cash為現金流量；Age為企業年齡；Size為企業規模，取企業總資產的對數；Ret為股票收益率； ε_t 為殘差項，其絕對值用以量化投資效率的偏離程度，殘差項絕對值越大，意味著非效率投資程度越高。本文采用殘差項的絕對值衡量企業非效率投資（Inefficen-cy）。此外，本文根據殘差值的正負將企業非效率投資分為投資過度（Overinvest）和投資不足（Underin-vest）兩種類型。

2.2.2解釋變量：人工智能水平（AI_Index）

企業年報是管理層向市場傳遞戰略意圖的核心載體，AI關鍵詞的密集使用表明企業將人工智能視為重要戰略方向[26]。高頻提及AI技術通常伴隨實際投入（如研發支出、人才招聘），詞頻與資源配置存在正向關聯。基于此，本文參考姚加權等2的做法，使用文本分析的方法，篩選上市公司人工智能關鍵詞，見表1。

具體地，本文先統計出年報中剔除圖片后人工智能關鍵詞出現的詞頻數（WordFrequency），再統計出年報中剔除圖片后的基于“jieba”分詞的總詞頻數（Annual ReportWord），最后用Word Frequency/AnnualReportWord構造出衡量上市公司人工智能水平的指標——AI_Index。

2.2.3 控制變量

為了控制人工智能以外其他因素對企業非效率投資的影響，參考孫海波等[28]、王馨和王營[29]關于企業投資效率研究的做法，選取以下控制變量：企業規模（Size）、財務杠桿（Lev）、現金比率（Cash）、賬面市值比（ Pb ）、營業收人增長率（Growth）、獨董比例（Rind）、董事會規模（Scale）、股權集中度（Topl）、兩職合一（Dual）、企業年齡（Age）、公司性質（Soe）。

變量及其定義見表2。

2.3 模型設定

為檢驗人工智能水平對企業非效率投資的影響，構建如下基準回歸模型

式中，被解釋變量Inefficencyi，為企業 i 在第 χ_t 年的非效率投資；核心解釋變量 為滯后1期的人工智能水平，用于衡量企業 i 在第t-1年的人工智能水平。本文將基準回歸模型中核心解釋變量 AI_- Index滯后1期，是出于時滯性的考慮。人工智能技術應用和效果的顯現通常需要一定的時間，即企業在第t-1年投入的人工智能研發和應用，可能需要在第 χ_t 年才體現出來。因此，使用滯后1期的人工智能水平能夠更準確地捕捉這種因果關系的時間滯后效應，并在一定程度上緩解反向因果的內生性問題，還可以減少其與當期誤差項的相關性。

模型中加入了行業固定效應∑Industry和年度固定效應￡Year，以分別控制不同行業和不同年度的非觀測異質性對效率的影響。行業固定效應可以捕捉不同行業由于技術特點、市場競爭結構等因素導致的系統性差異；年度固定效應則能夠控制宏觀經濟環境、政策變化等時間趨勢因素的影響。同時，模型采用穩健標準誤來調整估計結果，以提高統計推斷的可靠性，特別是在面對異方差性等問題時，能夠提供更為準確的標準誤估計，從而確保假設檢驗的有效性。本文預期核心解釋變量 的系數顯著為負，即企業人工智能水平的提高能夠顯著減少企業非效率投資。

3實證檢驗與結果分析

3.1 描述性統計與相關系數分析

3.1.1 描述性統計分析

變量描述性統計結果見表3。被解釋變量 Inefficency平均值為0.034，中位數為0.021，標準差為0.041，表明不同企業之間的非效率投資水平存在一定的差異，但總體波動幅度不大。核心解釋變量AI_Index的平均值為0.130，而中位數僅有0.002，標準差為0.310，說明不同企業在人工智能發展水平上存在顯著差異，大部分企業的人工智能發展水平較低。

3.1.2 相關性分析

變量Pearson相關系數見表4。 AI_- Index與Ineffi-cency的相關系數為-0.05，并且在 1% 水平上顯著，表明企業人工智能水平與非效率投資之間存在一定的負相關關系，初步反映了企業人工智能水平對非效率投資的抑制作用。各變量之間的相關系數基本都在正常范圍內，說明不存在嚴重的多重共線性問題。

3.2 基準回歸結果

本文采用逐步回歸的方法對H1進行檢驗。基準回歸結果見表5。其中，列（1）報告了僅包含核心解釋變量AI_Index的回歸結果，其系數為-6.339， χ_t 值為-7.00，表明在 1% 顯著性水平上拒絕原假設，即人工智能水平對非效率投資有顯著的負向影響。列（2）匯報了僅加入控制變量后， AI_- Index的系數變為-8.129，χ_t 值為-8.83，依然在 1% 水平上顯著。列（3）匯報了僅加入行業和年份固定效應結果，AI_Index的系數為-4.345，仍保持 1% 的顯著性水平。列（4）同時加入了控制變量與行業及年度固定效應，結果顯示AI_Index的系數為-3.957，在 1% 水平上負顯著。這表明即使控制了行業和年度的固定效應，同時加入控制變量，人工智能水平對非效率投資的負向影響依然穩健。

綜上所述，核心解釋變量AI_Index在所有模型中均表現出統計上的顯著性，并且系數為負，驗證了H1，說明人工智能水平與企業非效率投資之間存在負相關關系。

3.3 穩健性檢驗

3.3.1 傾向得分匹配法

傾向得分匹配法（PSM）通過匹配處理組和控制組的觀測值，使兩組在可觀測特征上具有相似的分布，從而減少樣本選擇偏差導致的估計偏誤。匹配后處理組和控制組的觀測值在統計上更加可比，能夠更準確地估計人工智能技術對非效率投資的因果關系。為緩解樣本選擇偏差對模型結果可能產生的偏誤，同時增強研究結果的穩健性與可靠性，采用1：1的卡尺匹配方法，確保匹配的質量，對實驗結論的穩健性進行進一步驗證。匹配前后兩組樣本各特征變量的平衡性檢驗結果見表6。從平衡性檢驗結果看，匹配后處理組和控制組在各控制變量上的平均值差異顯著減小，偏差率大幅降低，t檢驗的 p 值均大于0.05，表明兩組樣本在這些變量上達到了統計上的平衡。因此，可以認為平衡性檢驗通過。

處理組與控制組匹配前后樣本傾向得分的核密度分別見圖1和圖2。匹配前，處理組和控制組的傾向得分分布存在明顯差異；匹配后處理組和控制組的分布重合度明顯提高，傾向得分分布更加重合，兩組的核密度曲線在大部分區域都非常接近。這表明匹配過程有效減少了兩組樣本之間的系統性差異，使得后續的因果效應估計更加可靠。

3.3.2 替換核心解釋變量

專利數量是衡量企業創新能力的重要指標之一，特別是在人工智能領域。通過將專利數量作為核心解釋變量，可以更直接地反映企業在人工智能技術上的研發和創新能力。基于此，本文將核心解釋變量替換為“人工智能專利數量”，進行穩健性檢驗。

人工智能專利數量數據來源于CNRDS數據庫。觀察數據分布可以發現，許多企業的人工智能專利數量為0。因此，本文對企業人工智能專利數量進行加1后取對數處理，生成新的解釋變量Patent，進行穩健性檢驗。回歸結果如表7列（1）所示，替換后的核心解釋變量Patent對企業非效率投資具有負顯著影響，這與基準回歸中使用人工智能水平作為核心解釋變量的結果一致。這表明，無論是將人工智能水平指數作為核心解釋變量，還是將人工智能專利數量作為核心解釋變量，都對企業非效率投資具有顯著的負向影響，進一步增強了結論的穩健性。

3.3.3多重固定效應及交互固定效應

本文在基準回歸基礎上增加了省份固定效應，通過控制省份固定效應，可以進一步捕捉不同省份之間的區域差異對非效率投資的影響，如經濟發展水平、政策環境等。這有助于更全面地控制區域層面的異質性，提高模型的準確性。回歸結果如表7列（2）所示，系數顯著為負。

在多重固定效應基礎上，本文將省份和年度的交互項作為固定效應。省份和年份的交互固定效應可以捕捉不同省份在不同年度的特定效應。與僅控制省份和年度固定效應相比，這種方法能夠更細致地控制時間和區域的聯合影響，從而更準確地估計企業人工智能水平的效應。如果結論仍然是穩健的，則可進一步證明基準回歸結果的可靠性。回歸結果如表7列（3）所示，系數顯著為負。

4機制檢驗

為驗證企業人工智能水平對非效率投資的作用機制，構建如下機制模型

式中，Meditor為機制代理變量，對應兩條機制路徑，分別為：固定資產占比（FixAssRatio），計算方式為固定資產/資產總額 ×100% ；托賓Q值（TobinQ），計算方式為企業市值/企業重置價值。核心解釋變量是滯后1期的人工智能水平 。控制變量Controls與基準模型（2）保持一致。

4.1 輕資產轉型

基于人工智能驅動下的數字化轉型，企業能夠用智能合約降低履約成本、用數字孿生技術減少實體設備投入、用共享經濟平臺優化資產利用率等，推動企業輕資產轉型。輕資產模式強調通過技術和服務創新，而非依賴大量固定資產來提升企業的核心競爭力。本文選用固定資產占比（FixAssRatio）作為機制變量，對H2進行檢驗。

回歸結果見表8列（1）和列（2）。列（1）顯示，固定資產占比與人工智能水平的系數在 1% 水平上負顯著，即人工智能會驅動企業降低固定資產占比，進而優化其資本結構。列（2）顯示，企業非效率投資與固定資產占比的系數在 1% 水平上負顯著，即固定資產占比下降會抑制非效率投資，人工智能通過降低企業固定資產占比，使企業實現輕資產轉型，優化企業資產結構，進而降低企業非效率投資水平。人工智能應用水平提升之所以能夠降低固定資產占比，是因為人工智能可以部分替代傳統機械設備，如智能算法優化物流、降低倉儲設施需求、減少企業對廠房和生產線等固定資產的依賴，使企業從重資產結構向輕資產結構轉型，降低企業非效率投資水平。目前已有許多企業通過用云計算替代自建服務器、使用共享經濟平臺、減少實體資產投入等方式實現輕資產轉型，有效避免了資金沉淀于低效項目，減少了冗余投資，并且輕資產轉型之后企業的靈活性也得到了增強。資產輕型化使企業能夠更快地調整投資方向，利用人工智能數據分析精準捕捉新興機會，響應市場變化。

4.2無形資產的數智化應用

企業人工智能水平提升所推動的無形資產的數智化應用及其產生的財務決策優化，一方面使得企業能夠更精準地評估投資項目的潛在回報，優化資源配置，減少盲目投資；另一方面還能提升信息透明度，降低信息不對稱程度，從而降低投資風險。無形資產的數智化應用可能會影響企業的托賓Q值。托賓Q值是企業市值與資產重置成本的比率，反映了企業的投資機會和市場價值。如果人工智能的應用導致企業投資機會減少或市場對企業未來增長的預期降低，托賓Q值就可能下降。這可能使企業在投資決策時更加謹慎，減少非效率投資。

回歸結果見表8列（3）和列（4）。列（3）表明，企業人工智能水平與托賓Q值的系數在 1% 水平上顯著為負，說明人工智能水平的提高反而會降低企業的托賓Q值。從市值端看，人工智能的應用在投資初期的高支出可能壓縮短期利潤，市場估值暫時承壓;從資產重置成本端看，人工智能技術可能要求企業對無形資產進行更多投入，從而提高了資產重置成本，拉低了托賓Q值。列（4）表明，托賓Q值與企業非效率投資的系數在 1% 水平上顯著為正。這意味著隨著托賓Q值的下降，企業非效率投資水平也顯著下降。托賓Q值顯著降低表明市場認為企業缺乏高回報項目，管理層可能減少盲目擴張。此外，降低的托賓Q值可能提高外部融資成本，迫使企業聚焦于現金流穩健的核心項目。

綜上所述，H2得到驗證。

5 異質性分析

為進一步揭示人工智能對企業非效率投資影響的差異化特征，本文從產權性質、非效率投資方向及是否屬于高科技企業3個維度進行異質性檢驗。

5.1 產權性質

為驗證人工智能水平對不同產權企業非效率投資的異質性表現，將樣本分為國有企業（ Soe=1 ）和非國有企業（ Soe=0 ），進行分組回歸[30]。結果如表9列（1）和列（2）所示，人工智能對企業投資效率的影響呈現顯著的產權異質性。在非國有企業樣本中，AI_Index的系數為-4.132，且在 1% 水平上顯著，表明人工智能水平的提高能顯著抑制企業非效率投資，而國有企業樣本的系數未通過顯著性檢驗。非國有企業通常具有更市場化的治理結構，決策鏈條較短，對技術變革的響應更敏捷[31]。人工智能的應用能夠直接優化投資決策流程，減少管理層短視行為。此外，非國有企業通常融資約束較高，傾向于通過強大的人工智能技術精準識別優質項目，避免資源浪費。而國有企業常承擔政策性任務，投資決策可能偏離效率導向。人工智能技術雖能優化流程，但難以觸及核心決策優化[32]

5.2 非效率投資方向

為驗證人工智能水平對企業非效率投資方向的異質性表現，以模型（1）中殘差項的正負為標準，將總樣本劃分為殘差項為正的公司樣本和殘差項為負的公司樣本。如果直接將殘差項為正的公司樣本視為投資過度、殘差項為負的公司樣本視為投資不足，那么所有上市公司都將是非效率投資企業，這顯然不合理。因此，先觀察兩組樣本的分布，然后使用中位數閾值法，將殘差項為正的組別中超過中位數閥值的企業劃分為投資過度（Overinv）子樣本，將殘差項為負的組別中低于中位數閾值的企業劃分為投資不足（Under-inv）子樣本。回歸結果如表9列（3）和列（4）所示，人工智能對兩類非效率投資的影響具有非對稱性。在投資過度組中，AI_Index的系數為-7.390，且在 1% 水平上顯著，表明人工智能技術能夠提高資本配置效率，顯著抑制過度投資行為。而投資不足組的AI_In-dex系數未呈現統計顯著性，這可能源于企業投資不足多由融資約束引致[33]，人工智能技術對其緩解作用存在局限性。

5.3是否屬于高科技企業

為驗證人工智能水平對不同企業類別（高科技企業與非高科技企業）的異質性表現，參照彭紅星和毛新述[34的方法，按照中國證監會2012年對我國上市公司的分類指引，將分類代碼屬于 C25～C29 、 C31～C32 、C34～C41 、 163～165 和 M73的公司定義為高科技企業，其余行業的公司則為非高科技企業，以此構建高科技企業虛擬變量。回歸結果如表9列（5）和列（6）所示。列（5）顯示，高科技企業組的AI_Index系數為-4.049，且在 1% 水平上顯著，表明人工智能對高科技企業的非效率投資有顯著的抑制作用。而列（6）表明，非高科技企業組的AI_Index系數不顯著。

這一差異符合技術吸收能力理論，即企業需要具備先驗知識儲備，才能有效識別、消化和應用新技術[35]高科技企業天然具備數字化基礎，人工智能技術與其核心業務深度融合，能有效提升投資精準度[36]。人工智能等相關技術通過緩解信息不對稱，加速技術迭代，降低研發風險，進而減少無效投資。非高科技企業有關人工智能的應用可能僅限于局部優化，難以影響戰略級投資決策，導致整體效率提升有限。同時，非高科技企業可能缺乏人工智能技術方面所需的專業人才和數據基礎設施，導致人工智能發揮的作用受限。

6 結語

本文探討了人工智能對企業非效率投資的影響及其作用機制。研究結果表明，人工智能水平的提升能夠顯著減少企業非效率投資。這一結論在傾向匹配得分法、替換核心解釋變量及多重固定效應等多種檢驗下依然成立。通過機制檢驗發現，人工智能主要通過企業優化財務決策來抑制非效率投資。具體地，企業通過輕資產轉型和無形資產的數智化應用這兩條路徑降低非效率投資。異質性分析結果揭示了人工智能對企業非效率投資影響的差異化特征。從產權性質看，人工智能對非國有企業非效率投資的抑制作用顯著，而在國有企業中的效果不顯著。這是由于非國有企業通常具有更市場化的治理結構和更敏捷的技術響應能力。從非效率投資方向看，人工智能對企業過度投資的抑制作用顯著，而對企業投資不足的影響不顯著。從企業類型看，人工智能對高科技企業的非效率投資抑制作用顯著，而非高科技企業由于缺乏人工智能技術應用的基礎和專業人才，其技術吸收能力有限，人工智能技術的應用效果相對較弱。

基于以上研究結論，本文提出以下政策建議：

第一，進一步加快企業人工智能的應用，構建分層推進的數字化轉型政策體系。政府部門應完善人工智能基礎設施配套政策，通過財稅補貼、專項基金等方式降低中小企業技術應用門檻，重點支持傳統行業通過輕資產轉型實現智能化升級。針對非國有企業與高科技企業的技術敏感優勢，可設立“人工智能 + 產業”協同創新示范區，加速技術擴散；針對國有企業與低技術企業，強化數據治理標準與數字人才培養，彌合“技術應用鴻溝”，推動“技術一數據—資本”的深度耦合。同時，相關部門還應優化資本市場估值體系，將人工智能技術應用的效率改善指標（如非效率投資降低幅度）納入ESG（環境、社會和公司治理）評級，引導投資者關注長期價值而非短期托賓Q值波動。

第二，進一步優化財務決策機制，構建人工智能賦能的動態治理框架。企業需建立“數據驅動一人機協同”的智能財務決策系統，整合供應鏈、投融資與現金流數據，通過機器學習動態優化財務決策。針對該問題，可利用人工智能構建投資項目全流程監控模塊，譬如智能可行性分析、風險預警閾值設定等，抑制管理層非理性擴張沖動；針對投資不足的融資約束困境，可探索基于區塊鏈的智能合約融資模式，提升供應鏈金融響應效率。

參考文獻

[1]BAHOO S，CUCCULELLI M，QAMAR D. Artificial intelligence and corporate innovation：a review and research agenda [J/OL]. Technological Forecasting and Social Change，2O23，188： 122264 [2025-04-10 ] . https： //www. sciencedirect. com/science/article/abs/pii/S0040162522007855？ via%3Dihub.

[2] MUSIOLIK J，MARKARD J，HEKKERT M，et al. Creating innovation systems：how resource constellations affect the strategies ofsystem builders[J/OL].Technological Forecasting and Social Change，2020，153：119209[2025-04-10].https：//www. sciencedirect.com/science/article/abs/pii/S0040162517300562？ via%3Dihub.

[3] ABIOYE S O，OYEDELE L O，AKANBI L， et al. Artificial intelligence in the construction industry： a review of present status， opportunities and future challenges [J/OL]. Journal of Building Engineering，2021，44：103299［2025-04-10].https：// www. sciencedirect. com/science/article/pii/S2352710221011578？ via%3Dihub.

[4]TRUONG Y，PAPAGIANNIDIS S. Artificial intelligence as an enabler for innovation：a review and future research agenda [J/OL]. Technological Forecasting and Social Change，2O22，183： 121852 [2025-04-10 ] . https： //www. sciencedirect.com/science/article/abs/pii/S0040162522003766？ via%3Dihub.

[5］郭凱明．人工智能發展、產業結構轉型升級與勞動收入份額 變動［J].管理世界，2019，35（7）：60-77，202-203.

[6］丁玲，楊明春，吳金希，等．企業向人工智能創新生態系統演化研究［J]．科學學與科學技術管理，2022，43（1）：138-158.

[7]HAENLEIN M， KAPLAN A. A brief history of artificial inteligence：on the past， present，and future of artificial intelligence [J].California management review，2019，61（4）：5-14.

[8] MUSTAK M， SALMINEN J，PLE L， et al. Artificial intelligence in marketing： topic modeling， scientometric analysis，and research agenda ［J]. Journal of Business Research，2O21，124： 389-404.

[9］束超慧，王海軍，金姝彤，等．人工智能賦能企業顛覆性創新 的路徑分析[J]．科學學研究，2022，40（10）：1884-1894.

［10］王烽權，江積海，王若瑾．人工智能如何重構商業模式匹 配性？新電商拼多多案例研究［J]．外國經濟與管理， 2020，42 （7）： 48-63.

[11] ZHANG B， ZHU J， SU H. Toward the third generation artificial intellgence [ J/OL] .Science China Information Sciences， 2023，66 （2）：121101[2025-04-10]. htps：/link.springer. com/article/10.1007/s11432-021-3449-x.

[12] ZHU C. Big data as a governance mechanism [J]. The Review of Financial Studies，2019，32（5）：2021-2061.

[13]LIU J， CHANG H， FORREST J Y L， et al. Influence of artificial intelligence on technological innovation：evidence from the panel data of China’s manufacturing sectors [J/OL]. Technological Forecasting and Social Change，2020，158：120142 [ 2025-04-10].ttps：//www.sciencedirect.com/science/article/abs/pii/S0040162520309689？ via% 3Dihub.

[14]MUHLROTH C，GROTTKE M. Artificial intelligence in innovation：how to spot emerging trends and technologies[[J]. IEEE Transactions on Enginering Management， 2020，69（2）： 493-510.

[15] SHARMA R， SHISHODIA A， GUNASEKARAN A， et al. The role of artificial intelligence in supply chain management：mapping the territory [J]. International Journal of Production Research，2022，60（24）： 7527-7550.

[16］牟小麗，楊孝安．投資效率文獻綜述［J]．中國證券期貨， 2012 （7） ： 227.

[17] DING S，KNIGHT J， ZHANG X. Does China overinvest？ Evidence from a panel of Chinese firms [J]. The European Journal

ofFinance，2019，25（6）：489-507.

[18］姚立杰，陳雪穎，周穎，等．管理層能力與投資效率［J].會計研究，2020（4）：100-118.

[19]FAZZARI S M， HUBBARD R G， PETERSEN B C. Financingconstraints and corporate investment [J]. Brookings Papers on E-conomic Activity，1988：141-206.

[20] VOGT S C. The cash flow/investment relationship： evidence fromU. S. manufacturing firms [J]. Journal of Financial and Quanti-tativeAnalysis，1994，29（4）：559-582.

[21]RICHARDSON S. Over-investment of free cash flow [J]. Reviewof Accounting Studies，2006，11 （2/3）： 159-189.

[22］劉娟，唐加福．營商環境、投資承載力與企業投資效率：基于我國上市公司的實證研究［J]．管理科學學報，2022，25 （4） ： 88-106.

[23]WURGLER J. Financial markets and the allocation of capital[J].Journal of Financial Economics，2000，58：187-214.

[24］邵慰，劉嘉慧，曹可欣．人工智能如何影響了企業創新行為：基于資產專用性視角［J]．南開經濟研究，2024（9）：130-149.

[25］許愛榮．地區數字化水平、公司治理與企業投資效率［J].財會通訊，2025（6）：44-49.

[26]LOUGHRAN T， MCDONALD B. Textual analysis in accountingand finance：a survey [J]. Journal of Accounting Research，2016，54 （4）：1187-1230.

[27］姚加權，張錕澎，郭李鵬，等．人工智能如何提升企業生產效率？基于勞動力技能結構調整的視角［J]．管理世界，2024，40（2）：101-116，133，117-122.

[28］孫海波，曹迪，劉忠璐．氣候政策不確定性、數字化轉型與企業投資效率［J]．上海財經大學學報，2024，26（6）：62-77.

[29］王馨，王營．綠色信貸政策增進綠色創新研究［J]．管理世界，2021，37（6）：173-188，11.

[30］李猛，李涵．人工智能對科技創新質量的影響：基于中國A股上市公司的證據［J].社會科學，2024（11）：122-137.

[31］孫慧，羅添，夏學超．人工智能如何影響企業創新質量[J].產業經濟評論，2025（3）：1-24.

[32］王姝文．中國式法治現代化視域下國有企業類別股制度研究［J]．河南大學學報（社會科學版），2025，65（1）：65-71，154.

［33］征海洋，陳園．內部控制、融資約束與非效率投資［J]．國際商務財會，2025（6）：10-17.

[34］彭紅星，毛新述．政府創新補貼、公司高管背景與研發投入：來自我國高科技行業的經驗證據［J]．財貿經濟，2017，38（3）： 147-161.

[35]COHEN W M，LEVINTHAL D A. Absorptive capacity：a newperspective on learning and innovation [J].Administrative Sci-enceQuarterly，1990，35（1）：128-152.

[36］雷嬌.數字化轉型、技術創新與制造企業投資績效間的關聯分析[J]．現代工業經濟和信息化，2025，15（2）：94-97.

收稿日期：2025-04-16

作者簡介：

張戡，男，1970年生，博士研究生，副教授，主要研究方向：公司金融和金融工程。

王風清揚，女，2001年生，碩士研究生在讀，主要研究方向：公司金融和金融工程。

曾磊，男，2001年生，碩士研究生在讀，主要研究方向：公司金融和金融工程。