0 引言

隨著以人工智能（ArtificialIntelligence）、區(qū)塊鏈（Blockchain）、云計算（CloudComputing）、大數(shù)據(jù)（BigData）等為代表的“ABCD”技術(shù)的快速迭代和迅猛發(fā)展，全球經(jīng)濟社會正快速邁進一個數(shù)智化的全新時代?！丁笆奈濉睌?shù)字經(jīng)濟發(fā)展規(guī)劃》將人工智能作為數(shù)字經(jīng)濟發(fā)展的核心驅(qū)動力，并明確提出要推動AI技術(shù)與實體經(jīng)濟深度融合，尤其是在企業(yè)管理、智能制造、金融服務(wù)等領(lǐng)域的應(yīng)用。作為宏觀經(jīng)濟結(jié)構(gòu)的基礎(chǔ)單元，企業(yè)在宏觀數(shù)字經(jīng)濟的發(fā)展和轉(zhuǎn)型中扮演著至關(guān)重要的角色，以人工智能為代表的新興技術(shù)越來越普遍地被應(yīng)用到企業(yè)當(dāng)中[1]，助力企業(yè)的經(jīng)營管理決策。

人工智能可以從技術(shù)視角和能力視角來定義[2]：從技術(shù)視角看，人工智能是指在機器系統(tǒng)上獲取、表現(xiàn)及應(yīng)用知識的一組通用技術(shù)，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(rèn)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(shù)據(jù)且能從這些數(shù)據(jù)中學(xué)習(xí)，通過提升人類決策能力及解決問題能力來實現(xiàn)特定目標(biāo)和任務(wù)的“系統(tǒng)”能力[7-10]。已有研究表明，人工智能會對企業(yè)層面產(chǎn)生積極影響。人工智能通過大數(shù)據(jù)分析、機器學(xué)習(xí)和自然語言處理等技術(shù)手段，能夠快速處理和分析龐大的數(shù)據(jù)集[*]，挖掘其中隱藏的規(guī)律和關(guān)聯(lián)性，評估企業(yè)特征[12]。人工智能通過加速知識創(chuàng)造和技術(shù)溢出，提升企業(yè)的學(xué)習(xí)和吸收能力；同時，企業(yè)需要增加研發(fā)投入和人才投資來促進技術(shù)創(chuàng)新[13]。Muhl-roth和Grottke[14]構(gòu)建了基于人工智能的數(shù)據(jù)挖掘模型，幫助企業(yè)用比以往更高的自動化水平發(fā)現(xiàn)新興主題和把握發(fā)展趨勢。在商業(yè)模式創(chuàng)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(yè)在B2B（企業(yè)對企業(yè)）市場中創(chuàng)造共同價值。

投資效率是指企業(yè)投融資活動形成的資源配置狀態(tài)，是為企業(yè)帶來的運營業(yè)績和企業(yè)價值的提升狀況。投資活動是企業(yè)財務(wù)活動的核心，是企業(yè)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(yè)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(yè)可持續(xù)發(fā)展具有不可或缺的作用[17]。當(dāng)前，我國企業(yè)的投資重心正在逐漸從“投資規(guī)模”轉(zhuǎn)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(yè)的資本配置效率低下，從而產(chǎn)生了非效率投資現(xiàn)象。從微觀角度看，企業(yè)之所以總體投資效率較低[18]，一方面是因為企業(yè)盲目投入熱點產(chǎn)業(yè)、進行多元化經(jīng)營，出現(xiàn)過度投資；另一方面是因為融資約束造成部分企業(yè)未籌集到充裕的資金，被迫放棄高質(zhì)量投資項目，出現(xiàn)投資不足。

目前，學(xué)界關(guān)于企業(yè)投資效率的測度主要有3個模型。第一個模型是Fazzari等[19]構(gòu)建的投資現(xiàn)金流敏感性模型。該模型把資金流動的敏感度和企業(yè)的投資效率結(jié)合起來，認(rèn)為當(dāng)企業(yè)將所持有的資金投人到凈現(xiàn)值（NPV）為正的項目后，將擁有更多自由現(xiàn)金流，導(dǎo)致企業(yè)傾向于利用過剩資金盲目投資。但投資現(xiàn)金流敏感性模型存在明顯缺陷，因為它難以識別投資現(xiàn)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(xiàn)金流與投資機會交互項判別模型。該模型在上述現(xiàn)金流敏感性模型的基礎(chǔ)上進一步完善，建立現(xiàn)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(yè)過度投資及投資不足的程度。第三個模型是目前學(xué)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(yè)非效率投資程度。當(dāng)殘差值超過0時，表示企業(yè)投資過度；反之，當(dāng)殘差值低于0時，表示企業(yè)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(yè)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(yè)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(xiàn)象，其本質(zhì)是財務(wù)決策體系在復(fù)雜市場環(huán)境中的適應(yīng)性失靈。因此，有必要從財務(wù)決策的底層邏輯重構(gòu)入手，探索技術(shù)賦能下決策模式的創(chuàng)新路徑[22]。而以人工智能為代表的新興技術(shù)正推動財務(wù)決策從“經(jīng)驗驅(qū)動”向“數(shù)據(jù)驅(qū)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(yè)投資效率的影響，以及財務(wù)決策在其中發(fā)揮的作用。綜上所述，本文采用Richardson投資效率模型來衡量企業(yè)的非效率投資水平，并聚焦人工智能對財務(wù)決策流程的重構(gòu)效應(yīng)：第一，構(gòu)建企業(yè)級人工智能滲透指標(biāo)，捕捉技術(shù)應(yīng)用的異質(zhì)性；第二，從輕資產(chǎn)轉(zhuǎn)型、無形資產(chǎn)的數(shù)智化應(yīng)用兩個維度解構(gòu)財務(wù)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(shù)賦能納入投資效率的分析框架，闡明數(shù)字時代財務(wù)決策演化的新規(guī)律；第二，在實踐層面為企業(yè)通過人工智能優(yōu)化決策節(jié)點、實現(xiàn)“降本增效”提供可操作性路徑。

1理論分析和研究假設(shè)

1.1人工智能水平與企業(yè)非效率投資

人工智能技術(shù)能夠通過提升信息處理效率、增強數(shù)據(jù)分析能力和優(yōu)化投資決策，影響企業(yè)投資效率。首先，人工智能能夠快速處理和分析大量復(fù)雜數(shù)據(jù)，幫助企業(yè)更精準(zhǔn)地識別市場趨勢、客戶需求和潛在風(fēng)險，從而制定更為科學(xué)、合理的投資策略。其次，人工智能驅(qū)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(zhǔn)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(yè)提供更全面的投資評估，避免盲目投資和資源浪費?；谝陨戏治?，提出假設(shè)1：

H1：企業(yè)人工智能水平的提高可以減少非效率投資。

1.2 財務(wù)決策的機制作用

基于以上分析，本文提出輕資產(chǎn)轉(zhuǎn)型和無形資產(chǎn)的數(shù)智化應(yīng)用這兩條屬于財務(wù)決策的機制路徑來驗證“人工智能通過優(yōu)化企業(yè)財務(wù)決策，從而減少非效率投資”這一機制。

第一，輕資產(chǎn)轉(zhuǎn)型。輕資產(chǎn)轉(zhuǎn)型是指企業(yè)通過降低固定資產(chǎn)比例，專注于核心業(yè)務(wù)，從而提高自身經(jīng)營效率。從財務(wù)決策的角度來說，“輕資產(chǎn)戰(zhàn)略”的核心在于通過知識資本替代固定資產(chǎn)投人[23]。由于人工智能技術(shù)顯著增強了企業(yè)資產(chǎn)運用的通用性與靈活性，并通過技術(shù)替代效應(yīng)有效弱化了企業(yè)對傳統(tǒng)專用性固定資產(chǎn)的依賴，所以會驅(qū)動企業(yè)降低其固定資產(chǎn)的比例[24]。同時，企業(yè)的固定資產(chǎn)過多會影響其投資效率，固定資產(chǎn)的減少則會促進企業(yè)進行有科技含量的創(chuàng)新性投資，進而提高投資效率，即企業(yè)固定資產(chǎn)比例的降低能優(yōu)化其資產(chǎn)結(jié)構(gòu)并提高其投資效率[25]。因此，在資產(chǎn)模式的選擇這一重要的企業(yè)財務(wù)決策中，通過實施輕資產(chǎn)轉(zhuǎn)型，企業(yè)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(chǎn)轉(zhuǎn)型的指標(biāo)是企業(yè)固定資產(chǎn)占比。

第二，無形資產(chǎn)的數(shù)智化應(yīng)用。根據(jù)我國現(xiàn)行會計準(zhǔn)則的規(guī)定，無形資產(chǎn)是企業(yè)擁有或控制的沒有實物形態(tài)的可辨認(rèn)非貨幣性資產(chǎn)。在傳統(tǒng)財務(wù)決策中，由于無形資產(chǎn)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(yè)數(shù)據(jù)資源相關(guān)會計處理暫行規(guī)定》，將部分?jǐn)?shù)據(jù)資源納入無形資產(chǎn)進行處理，標(biāo)志著企業(yè)的無形資產(chǎn)在種類、形態(tài)、確認(rèn)方式和成本計量方面發(fā)生了重大變化。在此進程中，伴隨著人工智能技術(shù)的發(fā)展與支持，企業(yè)的財務(wù)決策數(shù)智化主要表現(xiàn)在通過數(shù)據(jù)挖掘和數(shù)據(jù)治理開展數(shù)據(jù)管理活動，將數(shù)據(jù)資源轉(zhuǎn)化為數(shù)據(jù)資產(chǎn)，并將其融人和貫穿財務(wù)決策全流程，實現(xiàn)數(shù)據(jù)資產(chǎn)化，提高數(shù)據(jù)管理和應(yīng)用水平，從而在數(shù)據(jù)、技術(shù)和應(yīng)用3個層面同步提高數(shù)智化水平，優(yōu)化財務(wù)決策能力。因此，在企業(yè)財務(wù)決策中，無形資產(chǎn)的數(shù)智化應(yīng)用空間得到了顯著拓展，其在財務(wù)決策中的地位也發(fā)生了根本性轉(zhuǎn)變。

本文衡量無形資產(chǎn)數(shù)智化應(yīng)用的指標(biāo)是托賓Q值，即市值與資產(chǎn)重置成本的比值。企業(yè)在無形資產(chǎn)范疇內(nèi)進行的數(shù)據(jù)資產(chǎn)化操作，以及相關(guān)財務(wù)流程改造與優(yōu)化，從本質(zhì)上來說是一種財務(wù)決策行為，它會影響企業(yè)市值或資產(chǎn)重置成本，進而通過托賓Q值表現(xiàn)出來?；谝陨侠碚摲治?，提出假設(shè)2：

H2：企業(yè)人工智能水平的提高可以優(yōu)化財務(wù)決策，進而降低非效率投資水平。

2 研究設(shè)計

2.1數(shù)據(jù)來源與樣本選擇

本文選取2017—2023年中國A股上市公司數(shù)據(jù)作為樣本。其中，上市公司的財務(wù)數(shù)據(jù)和企業(yè)人工智能水平數(shù)據(jù)來源于國泰安數(shù)據(jù)庫（CSMAR）和各上市公司年報。由于金融行業(yè)財務(wù)數(shù)據(jù)具有特殊性，剔除了該行業(yè)企業(yè)樣本；為了確保數(shù)據(jù)的準(zhǔn)確性和可靠性，刪除了關(guān)鍵變量數(shù)據(jù)缺失的樣本。此外，為消除異常值可能帶來的影響，對關(guān)鍵連續(xù)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(yè)非效率投資（Inefficency）

Richardson[20]提出的衡量投資效率的理論模型現(xiàn)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(yè)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(chǎn)、無形資產(chǎn)及其他長期資產(chǎn)的現(xiàn)金支出/總資產(chǎn)；Growth為主營業(yè)務(wù)增長率；Lev為資產(chǎn)負(fù)債率；Cash為現(xiàn)金流量；Age為企業(yè)年齡；Size為企業(yè)規(guī)模，取企業(yè)總資產(chǎn)的對數(shù)；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(yè)非效率投資（Inefficen-cy）。此外，本文根據(jù)殘差值的正負(fù)將企業(yè)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(yè)年報是管理層向市場傳遞戰(zhàn)略意圖的核心載體，AI關(guān)鍵詞的密集使用表明企業(yè)將人工智能視為重要戰(zhàn)略方向[26]。高頻提及AI技術(shù)通常伴隨實際投入（如研發(fā)支出、人才招聘），詞頻與資源配置存在正向關(guān)聯(lián)?；诖?，本文參考姚加權(quán)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(guān)鍵詞，見表1。

具體地，本文先統(tǒng)計出年報中剔除圖片后人工智能關(guān)鍵詞出現(xiàn)的詞頻數(shù)（WordFrequency），再統(tǒng)計出年報中剔除圖片后的基于“jieba”分詞的總詞頻數(shù)（Annual ReportWord），最后用Word Frequency/AnnualReportWord構(gòu)造出衡量上市公司人工智能水平的指標(biāo)——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(yè)非效率投資的影響，參考孫海波等[28]、王馨和王營[29]關(guān)于企業(yè)投資效率研究的做法，選取以下控制變量：企業(yè)規(guī)模（Size）、財務(wù)杠桿（Lev）、現(xiàn)金比率（Cash）、賬面市值比（ Pb ）、營業(yè)收人增長率（Growth）、獨董比例（Rind）、董事會規(guī)模（Scale）、股權(quán)集中度（Topl）、兩職合一（Dual）、企業(yè)年齡（Age）、公司性質(zhì)（Soe）。

變量及其定義見表2。

2.3 模型設(shè)定

為檢驗人工智能水平對企業(yè)非效率投資的影響，構(gòu)建如下基準(zhǔn)回歸模型

式中，被解釋變量Inefficencyi，為企業(yè) 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(yè) i 在第t-1年的人工智能水平。本文將基準(zhǔn)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(shù)應(yīng)用和效果的顯現(xiàn)通常需要一定的時間，即企業(yè)在第t-1年投入的人工智能研發(fā)和應(yīng)用，可能需要在第 χ_t 年才體現(xiàn)出來。因此，使用滯后1期的人工智能水平能夠更準(zhǔn)確地捕捉這種因果關(guān)系的時間滯后效應(yīng)，并在一定程度上緩解反向因果的內(nèi)生性問題，還可以減少其與當(dāng)期誤差項的相關(guān)性。

模型中加入了行業(yè)固定效應(yīng)∑Industry和年度固定效應(yīng)￡Year，以分別控制不同行業(yè)和不同年度的非觀測異質(zhì)性對效率的影響。行業(yè)固定效應(yīng)可以捕捉不同行業(yè)由于技術(shù)特點、市場競爭結(jié)構(gòu)等因素導(dǎo)致的系統(tǒng)性差異；年度固定效應(yīng)則能夠控制宏觀經(jīng)濟環(huán)境、政策變化等時間趨勢因素的影響。同時，模型采用穩(wěn)健標(biāo)準(zhǔn)誤來調(diào)整估計結(jié)果，以提高統(tǒng)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(zhǔn)確的標(biāo)準(zhǔn)誤估計，從而確保假設(shè)檢驗的有效性。本文預(yù)期核心解釋變量 的系數(shù)顯著為負(fù)，即企業(yè)人工智能水平的提高能夠顯著減少企業(yè)非效率投資。

3實證檢驗與結(jié)果分析

3.1 描述性統(tǒng)計與相關(guān)系數(shù)分析

3.1.1 描述性統(tǒng)計分析

變量描述性統(tǒng)計結(jié)果見表3。被解釋變量 Inefficency平均值為0.034，中位數(shù)為0.021，標(biāo)準(zhǔn)差為0.041，表明不同企業(yè)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(shù)僅有0.002，標(biāo)準(zhǔn)差為0.310，說明不同企業(yè)在人工智能發(fā)展水平上存在顯著差異，大部分企業(yè)的人工智能發(fā)展水平較低。

3.1.2 相關(guān)性分析

變量Pearson相關(guān)系數(shù)見表4。 AI_- Index與Ineffi-cency的相關(guān)系數(shù)為-0.05，并且在 1% 水平上顯著，表明企業(yè)人工智能水平與非效率投資之間存在一定的負(fù)相關(guān)關(guān)系，初步反映了企業(yè)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(guān)系數(shù)基本都在正常范圍內(nèi)，說明不存在嚴(yán)重的多重共線性問題。

3.2 基準(zhǔn)回歸結(jié)果

本文采用逐步回歸的方法對H1進行檢驗?；鶞?zhǔn)回歸結(jié)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(jié)果，其系數(shù)為-6.339， χ_t 值為-7.00，表明在 1% 顯著性水平上拒絕原假設(shè)，即人工智能水平對非效率投資有顯著的負(fù)向影響。列（2）匯報了僅加入控制變量后， AI_- Index的系數(shù)變?yōu)?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(yè)和年份固定效應(yīng)結(jié)果，AI_Index的系數(shù)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(yè)及年度固定效應(yīng)，結(jié)果顯示AI_Index的系數(shù)為-3.957，在 1% 水平上負(fù)顯著。這表明即使控制了行業(yè)和年度的固定效應(yīng)，同時加入控制變量，人工智能水平對非效率投資的負(fù)向影響依然穩(wěn)健。

綜上所述，核心解釋變量AI_Index在所有模型中均表現(xiàn)出統(tǒng)計上的顯著性，并且系數(shù)為負(fù)，驗證了H1，說明人工智能水平與企業(yè)非效率投資之間存在負(fù)相關(guān)關(guān)系。

3.3 穩(wěn)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(dǎo)致的估計偏誤。匹配后處理組和控制組的觀測值在統(tǒng)計上更加可比，能夠更準(zhǔn)確地估計人工智能技術(shù)對非效率投資的因果關(guān)系。為緩解樣本選擇偏差對模型結(jié)果可能產(chǎn)生的偏誤，同時增強研究結(jié)果的穩(wěn)健性與可靠性，采用1：1的卡尺匹配方法，確保匹配的質(zhì)量，對實驗結(jié)論的穩(wěn)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(jié)果見表6。從平衡性檢驗結(jié)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(tǒng)計上的平衡。因此，可以認(rèn)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(qū)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(tǒng)性差異，使得后續(xù)的因果效應(yīng)估計更加可靠。

3.3.2 替換核心解釋變量

專利數(shù)量是衡量企業(yè)創(chuàng)新能力的重要指標(biāo)之一，特別是在人工智能領(lǐng)域。通過將專利數(shù)量作為核心解釋變量，可以更直接地反映企業(yè)在人工智能技術(shù)上的研發(fā)和創(chuàng)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(shù)量”，進行穩(wěn)健性檢驗。

人工智能專利數(shù)量數(shù)據(jù)來源于CNRDS數(shù)據(jù)庫。觀察數(shù)據(jù)分布可以發(fā)現(xiàn)，許多企業(yè)的人工智能專利數(shù)量為0。因此，本文對企業(yè)人工智能專利數(shù)量進行加1后取對數(shù)處理，生成新的解釋變量Patent，進行穩(wěn)健性檢驗?；貧w結(jié)果如表7列（1）所示，替換后的核心解釋變量Patent對企業(yè)非效率投資具有負(fù)顯著影響，這與基準(zhǔn)回歸中使用人工智能水平作為核心解釋變量的結(jié)果一致。這表明，無論是將人工智能水平指數(shù)作為核心解釋變量，還是將人工智能專利數(shù)量作為核心解釋變量，都對企業(yè)非效率投資具有顯著的負(fù)向影響，進一步增強了結(jié)論的穩(wěn)健性。

3.3.3多重固定效應(yīng)及交互固定效應(yīng)

本文在基準(zhǔn)回歸基礎(chǔ)上增加了省份固定效應(yīng)，通過控制省份固定效應(yīng)，可以進一步捕捉不同省份之間的區(qū)域差異對非效率投資的影響，如經(jīng)濟發(fā)展水平、政策環(huán)境等。這有助于更全面地控制區(qū)域?qū)用娴漠愘|(zhì)性，提高模型的準(zhǔn)確性。回歸結(jié)果如表7列（2）所示，系數(shù)顯著為負(fù)。

在多重固定效應(yīng)基礎(chǔ)上，本文將省份和年度的交互項作為固定效應(yīng)。省份和年份的交互固定效應(yīng)可以捕捉不同省份在不同年度的特定效應(yīng)。與僅控制省份和年度固定效應(yīng)相比，這種方法能夠更細(xì)致地控制時間和區(qū)域的聯(lián)合影響，從而更準(zhǔn)確地估計企業(yè)人工智能水平的效應(yīng)。如果結(jié)論仍然是穩(wěn)健的，則可進一步證明基準(zhǔn)回歸結(jié)果的可靠性?；貧w結(jié)果如表7列（3）所示，系數(shù)顯著為負(fù)。

4機制檢驗

為驗證企業(yè)人工智能水平對非效率投資的作用機制，構(gòu)建如下機制模型

式中，Meditor為機制代理變量，對應(yīng)兩條機制路徑，分別為：固定資產(chǎn)占比（FixAssRatio），計算方式為固定資產(chǎn)/資產(chǎn)總額 ×100% ；托賓Q值（TobinQ），計算方式為企業(yè)市值/企業(yè)重置價值。核心解釋變量是滯后1期的人工智能水平 ?？刂谱兞緾ontrols與基準(zhǔn)模型（2）保持一致。

4.1 輕資產(chǎn)轉(zhuǎn)型

基于人工智能驅(qū)動下的數(shù)字化轉(zhuǎn)型，企業(yè)能夠用智能合約降低履約成本、用數(shù)字孿生技術(shù)減少實體設(shè)備投入、用共享經(jīng)濟平臺優(yōu)化資產(chǎn)利用率等，推動企業(yè)輕資產(chǎn)轉(zhuǎn)型。輕資產(chǎn)模式強調(diào)通過技術(shù)和服務(wù)創(chuàng)新，而非依賴大量固定資產(chǎn)來提升企業(yè)的核心競爭力。本文選用固定資產(chǎn)占比（FixAssRatio）作為機制變量，對H2進行檢驗。

回歸結(jié)果見表8列（1）和列（2）。列（1）顯示，固定資產(chǎn)占比與人工智能水平的系數(shù)在 1% 水平上負(fù)顯著，即人工智能會驅(qū)動企業(yè)降低固定資產(chǎn)占比，進而優(yōu)化其資本結(jié)構(gòu)。列（2）顯示，企業(yè)非效率投資與固定資產(chǎn)占比的系數(shù)在 1% 水平上負(fù)顯著，即固定資產(chǎn)占比下降會抑制非效率投資，人工智能通過降低企業(yè)固定資產(chǎn)占比，使企業(yè)實現(xiàn)輕資產(chǎn)轉(zhuǎn)型，優(yōu)化企業(yè)資產(chǎn)結(jié)構(gòu)，進而降低企業(yè)非效率投資水平。人工智能應(yīng)用水平提升之所以能夠降低固定資產(chǎn)占比，是因為人工智能可以部分替代傳統(tǒng)機械設(shè)備，如智能算法優(yōu)化物流、降低倉儲設(shè)施需求、減少企業(yè)對廠房和生產(chǎn)線等固定資產(chǎn)的依賴，使企業(yè)從重資產(chǎn)結(jié)構(gòu)向輕資產(chǎn)結(jié)構(gòu)轉(zhuǎn)型，降低企業(yè)非效率投資水平。目前已有許多企業(yè)通過用云計算替代自建服務(wù)器、使用共享經(jīng)濟平臺、減少實體資產(chǎn)投入等方式實現(xiàn)輕資產(chǎn)轉(zhuǎn)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(chǎn)轉(zhuǎn)型之后企業(yè)的靈活性也得到了增強。資產(chǎn)輕型化使企業(yè)能夠更快地調(diào)整投資方向，利用人工智能數(shù)據(jù)分析精準(zhǔn)捕捉新興機會，響應(yīng)市場變化。

4.2無形資產(chǎn)的數(shù)智化應(yīng)用

企業(yè)人工智能水平提升所推動的無形資產(chǎn)的數(shù)智化應(yīng)用及其產(chǎn)生的財務(wù)決策優(yōu)化，一方面使得企業(yè)能夠更精準(zhǔn)地評估投資項目的潛在回報，優(yōu)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(fēng)險。無形資產(chǎn)的數(shù)智化應(yīng)用可能會影響企業(yè)的托賓Q值。托賓Q值是企業(yè)市值與資產(chǎn)重置成本的比率，反映了企業(yè)的投資機會和市場價值。如果人工智能的應(yīng)用導(dǎo)致企業(yè)投資機會減少或市場對企業(yè)未來增長的預(yù)期降低，托賓Q值就可能下降。這可能使企業(yè)在投資決策時更加謹(jǐn)慎，減少非效率投資。

回歸結(jié)果見表8列（3）和列（4）。列（3）表明，企業(yè)人工智能水平與托賓Q值的系數(shù)在 1% 水平上顯著為負(fù)，說明人工智能水平的提高反而會降低企業(yè)的托賓Q值。從市值端看，人工智能的應(yīng)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(chǎn)重置成本端看，人工智能技術(shù)可能要求企業(yè)對無形資產(chǎn)進行更多投入，從而提高了資產(chǎn)重置成本，拉低了托賓Q值。列（4）表明，托賓Q值與企業(yè)非效率投資的系數(shù)在 1% 水平上顯著為正。這意味著隨著托賓Q值的下降，企業(yè)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(rèn)為企業(yè)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(yè)聚焦于現(xiàn)金流穩(wěn)健的核心項目。

綜上所述，H2得到驗證。

5 異質(zhì)性分析

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

5.1 產(chǎn)權(quán)性質(zhì)

為驗證人工智能水平對不同產(chǎn)權(quán)企業(yè)非效率投資的異質(zhì)性表現(xiàn)，將樣本分為國有企業(yè)（ Soe=1 ）和非國有企業(yè)（ Soe=0 ），進行分組回歸[30]。結(jié)果如表9列（1）和列（2）所示，人工智能對企業(yè)投資效率的影響呈現(xiàn)顯著的產(chǎn)權(quán)異質(zhì)性。在非國有企業(yè)樣本中，AI_Index的系數(shù)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(yè)非效率投資，而國有企業(yè)樣本的系數(shù)未通過顯著性檢驗。非國有企業(yè)通常具有更市場化的治理結(jié)構(gòu)，決策鏈條較短，對技術(shù)變革的響應(yīng)更敏捷[31]。人工智能的應(yīng)用能夠直接優(yōu)化投資決策流程，減少管理層短視行為。此外，非國有企業(yè)通常融資約束較高，傾向于通過強大的人工智能技術(shù)精準(zhǔn)識別優(yōu)質(zhì)項目，避免資源浪費。而國有企業(yè)常承擔(dān)政策性任務(wù)，投資決策可能偏離效率導(dǎo)向。人工智能技術(shù)雖能優(yōu)化流程，但難以觸及核心決策優(yōu)化[32]

5.2 非效率投資方向

為驗證人工智能水平對企業(yè)非效率投資方向的異質(zhì)性表現(xiàn)，以模型（1）中殘差項的正負(fù)為標(biāo)準(zhǔn)，將總樣本劃分為殘差項為正的公司樣本和殘差項為負(fù)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(fù)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(yè)，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(shù)閾值法，將殘差項為正的組別中超過中位數(shù)閥值的企業(yè)劃分為投資過度（Overinv）子樣本，將殘差項為負(fù)的組別中低于中位數(shù)閾值的企業(yè)劃分為投資不足（Under-inv）子樣本。回歸結(jié)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(shù)為-7.390，且在 1% 水平上顯著，表明人工智能技術(shù)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(shù)未呈現(xiàn)統(tǒng)計顯著性，這可能源于企業(yè)投資不足多由融資約束引致[33]，人工智能技術(shù)對其緩解作用存在局限性。

5.3是否屬于高科技企業(yè)

為驗證人工智能水平對不同企業(yè)類別（高科技企業(yè)與非高科技企業(yè)）的異質(zhì)性表現(xiàn)，參照彭紅星和毛新述[34的方法，按照中國證監(jiān)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(yè)，其余行業(yè)的公司則為非高科技企業(yè)，以此構(gòu)建高科技企業(yè)虛擬變量。回歸結(jié)果如表9列（5）和列（6）所示。列（5）顯示，高科技企業(yè)組的AI_Index系數(shù)為-4.049，且在 1% 水平上顯著，表明人工智能對高科技企業(yè)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(yè)組的AI_Index系數(shù)不顯著。

這一差異符合技術(shù)吸收能力理論，即企業(yè)需要具備先驗知識儲備，才能有效識別、消化和應(yīng)用新技術(shù)[35]高科技企業(yè)天然具備數(shù)字化基礎(chǔ)，人工智能技術(shù)與其核心業(yè)務(wù)深度融合，能有效提升投資精準(zhǔn)度[36]。人工智能等相關(guān)技術(shù)通過緩解信息不對稱，加速技術(shù)迭代，降低研發(fā)風(fēng)險，進而減少無效投資。非高科技企業(yè)有關(guān)人工智能的應(yīng)用可能僅限于局部優(yōu)化，難以影響戰(zhàn)略級投資決策，導(dǎo)致整體效率提升有限。同時，非高科技企業(yè)可能缺乏人工智能技術(shù)方面所需的專業(yè)人才和數(shù)據(jù)基礎(chǔ)設(shè)施，導(dǎo)致人工智能發(fā)揮的作用受限。

6 結(jié)語

本文探討了人工智能對企業(yè)非效率投資的影響及其作用機制。研究結(jié)果表明，人工智能水平的提升能夠顯著減少企業(yè)非效率投資。這一結(jié)論在傾向匹配得分法、替換核心解釋變量及多重固定效應(yīng)等多種檢驗下依然成立。通過機制檢驗發(fā)現(xiàn)，人工智能主要通過企業(yè)優(yōu)化財務(wù)決策來抑制非效率投資。具體地，企業(yè)通過輕資產(chǎn)轉(zhuǎn)型和無形資產(chǎn)的數(shù)智化應(yīng)用這兩條路徑降低非效率投資。異質(zhì)性分析結(jié)果揭示了人工智能對企業(yè)非效率投資影響的差異化特征。從產(chǎn)權(quán)性質(zhì)看，人工智能對非國有企業(yè)非效率投資的抑制作用顯著，而在國有企業(yè)中的效果不顯著。這是由于非國有企業(yè)通常具有更市場化的治理結(jié)構(gòu)和更敏捷的技術(shù)響應(yīng)能力。從非效率投資方向看，人工智能對企業(yè)過度投資的抑制作用顯著，而對企業(yè)投資不足的影響不顯著。從企業(yè)類型看，人工智能對高科技企業(yè)的非效率投資抑制作用顯著，而非高科技企業(yè)由于缺乏人工智能技術(shù)應(yīng)用的基礎(chǔ)和專業(yè)人才，其技術(shù)吸收能力有限，人工智能技術(shù)的應(yīng)用效果相對較弱。

基于以上研究結(jié)論，本文提出以下政策建議：

第一，進一步加快企業(yè)人工智能的應(yīng)用，構(gòu)建分層推進的數(shù)字化轉(zhuǎn)型政策體系。政府部門應(yīng)完善人工智能基礎(chǔ)設(shè)施配套政策，通過財稅補貼、專項基金等方式降低中小企業(yè)技術(shù)應(yīng)用門檻，重點支持傳統(tǒng)行業(yè)通過輕資產(chǎn)轉(zhuǎn)型實現(xiàn)智能化升級。針對非國有企業(yè)與高科技企業(yè)的技術(shù)敏感優(yōu)勢，可設(shè)立“人工智能 + 產(chǎn)業(yè)”協(xié)同創(chuàng)新示范區(qū)，加速技術(shù)擴散；針對國有企業(yè)與低技術(shù)企業(yè)，強化數(shù)據(jù)治理標(biāo)準(zhǔn)與數(shù)字人才培養(yǎng)，彌合“技術(shù)應(yīng)用鴻溝”，推動“技術(shù)一數(shù)據(jù)—資本”的深度耦合。同時，相關(guān)部門還應(yīng)優(yōu)化資本市場估值體系，將人工智能技術(shù)應(yīng)用的效率改善指標(biāo)（如非效率投資降低幅度）納入ESG（環(huán)境、社會和公司治理）評級，引導(dǎo)投資者關(guān)注長期價值而非短期托賓Q值波動。

第二，進一步優(yōu)化財務(wù)決策機制，構(gòu)建人工智能賦能的動態(tài)治理框架。企業(yè)需建立“數(shù)據(jù)驅(qū)動一人機協(xié)同”的智能財務(wù)決策系統(tǒng)，整合供應(yīng)鏈、投融資與現(xiàn)金流數(shù)據(jù)，通過機器學(xué)習(xí)動態(tài)優(yōu)化財務(wù)決策。針對該問題，可利用人工智能構(gòu)建投資項目全流程監(jiān)控模塊，譬如智能可行性分析、風(fēng)險預(yù)警閾值設(shè)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(qū)塊鏈的智能合約融資模式，提升供應(yīng)鏈金融響應(yīng)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(fā)展、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)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(yè)向人工智能創(chuàng)新生態(tài)系統(tǒng)演化研究［J]．科學(xué)學(xué)與科學(xué)技術(shù)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(yè)顛覆性創(chuàng)新 的路徑分析[J]．科學(xué)學(xué)研究，2022，40（10）：1884-1894.

［10］王烽權(quán)，江積海，王若瑾．人工智能如何重構(gòu)商業(yè)模式匹 配性？新電商拼多多案例研究［J]．外國經(jīng)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(huán)境、投資承載力與企業(yè)投資效率：基于我國上市公司的實證研究［J]．管理科學(xué)學(xué)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(yè)創(chuàng)新行為：基于資產(chǎn)專用性視角［J]．南開經(jīng)濟研究，2024（9）：130-149.

[25］許愛榮．地區(qū)數(shù)字化水平、公司治理與企業(yè)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(quán)，張錕澎，郭李鵬，等．人工智能如何提升企業(yè)生產(chǎn)效率？基于勞動力技能結(jié)構(gòu)調(diào)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(shù)字化轉(zhuǎn)型與企業(yè)投資效率［J]．上海財經(jīng)大學(xué)學(xué)報，2024，26（6）：62-77.

[29］王馨，王營．綠色信貸政策增進綠色創(chuàng)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(chuàng)新質(zhì)量的影響：基于中國A股上市公司的證據(jù)［J].社會科學(xué)，2024（11）：122-137.

[31］孫慧，羅添，夏學(xué)超．人工智能如何影響企業(yè)創(chuàng)新質(zhì)量[J].產(chǎn)業(yè)經(jīng)濟評論，2025（3）：1-24.

[32］王姝文．中國式法治現(xiàn)代化視域下國有企業(yè)類別股制度研究［J]．河南大學(xué)學(xué)報（社會科學(xué)版），2025，65（1）：65-71，154.

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

[34］彭紅星，毛新述．政府創(chuàng)新補貼、公司高管背景與研發(fā)投入：來自我國高科技行業(yè)的經(jīng)驗證據(jù)［J]．財貿(mào)經(jīng)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(shù)字化轉(zhuǎn)型、技術(shù)創(chuàng)新與制造企業(yè)投資績效間的關(guān)聯(lián)分析[J]．現(xiàn)代工業(yè)經(jīng)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(fēng)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。