引言

当前，人工智能正成为新一轮科技革命和产业革命的核心，并且以前所未有的速度重塑这全球的产业格局和经济格局。人工智能不仅在提升企业信息处理能力，优化资源配置方面展现出巨大的潜力。人工智能基于对技术、劳动力、资本等要素的高效配置与充分利用，提高了企业生产效率，提升了企业全要素生产率，同时也助力了企业价值提升。人工智能依托其渗透性与协同性，提升企业对于既有资源禀赋的开发与利用效率，人工智能凭借其替代性与创造性，驱动企业对于既有资源结构的优化升级进程。在此背景下，越来越多的企业将人工智能技术嵌入到企业战略规划、运营管理和创新活动之中，试图通过利用人工智能获取市场先机。现有的研究大部分都集中于人工智能对企业创新绩效、全要素生产率等方面的影响，关于如何提升企业市场价值的研究较少。本文基于2015—2023年中国沪深A股上市公司面板数据，实证检验人工智能渗透度对企业市场价值的影响及其内在机制。为政策制定者完善数字时代创新激励机制、优化营商环境提供理论依据与实践参考。

理论分析与研究假设

（一）人工智能与企业市场价值

人工智能在推动劳动力结构优化升级，可以促使资本和劳动在不同产业间流动，带动产业结构优化，推动全要素生产率的上升。同时，随着人工智能技术的快速发展，其在企业方面的应用日益广泛。能够显著提升企业的信息处理能力、预测精度与运营效率。在国际竞争中，人工智能可以显著提高企业在全球价值链中的参与度、位置高度和竞争力。

此外，依据动态能力理论，人工智能通过数据要素驱动不仅可以促进企业成长与企业新质生产力提升，还能助力企业突破性技术创新，通过多路径提升创新效率与显著提升创新质量。同时，人工智能赋能的资源配置优化与治理透明度提升，改善企业ESG表现和调整劳动力技能结构进而提高企业生产效率，最终提升企业价值。人工智能通过强化企业的动态响应能力，将动态能力转化为企业市场价值的增量的来源。

最后，从信息经济学视角来看，人工智能发展可以减少企业内部的信息冗余，使企业环境更加透明。同时，人工智能通过大数据、云计算技术提高企业的信息搜集和处理能力，改善企业内部的信息环境，减少企业对外输出信息的损耗，从而提高企业的信息透明度、减少利益相关者之间的信息不对称。通过提升企业信息披露质量和透明度，人工智能技术有助于增强投资者信心，降低资本成本，从而对企业市场价值产生正向影响。据此，本文提出如下理论假说之一。

H1：人工智能应用有助于提升企业市场价值

（二）人工智能应用对企业市场价值的影响机制

1. 融资约束

融资约束主要来源于企业内外部之间的信息不对称问题。根据信息不对称理论，企业能否融资成功依赖于企业对公司前景的判断，企业融资困难会向市场发出“高风险”的信号。一些学者认为融资约束与企业价值显著负相关，高融资约束不但影响企业研发投入强度，还会降低企业价值，融资约束会对研发投入带来企业价值提升产生抑制效果。

在人工智能时代，人工智能应用有助于提高信贷决策效率，缓解企业融资约束。财税系统的升级，人工智能应用有效拓展传统服务范围和金融服务的可及性，偏远地区和中小企业通过人工智能联动降低融资成本，优化融资结构。人工智能还能够通过大语言模型、机器学习等技术整合企业内部资源，影响企业融资约束。企业获取资金的成本变低、效率变高，降低企业的融资约束风险。这些因素的改善可以缓解企业的融资约束，促进企业的创新绩效提升，进而提升企业价值。基于此，本文提出如下假设：

H2：人工智能应用通过缓解融资约束提升企业价值

2. 创新效率

企业进行相关人工智能并购后，其专利申请数量显著增加，平均创新水平也会有所提高。提升企业对外部环境变化的感知与响应速度，提高创新效率。人工智能通过机器学习、深度学习等技术手段，辅助企业在研发阶段快速筛选潜力方向、缩短研发周期，从而提升创新效率。人工智能对企业整体创新具有显著正向影响，人工智能的应用能有效提升企业创新效率，优化创新投入产出过程，增强企业响应市场和技术变化的能力。

企业创新效率的提升，能够增强技术产出与资源配置能力，从而提升企业绩效。高效的创新资配置能够提升企业的技术产出和成果转化率，增强企业的核心竞争力和市场估值。企业在创新活动中将研发投入有效转化为专利产出的能力越强，其市场估值就会越高，就越能提升投资者对其的预期，并且通过提升研发投入转化效率，直接增强市场估值和盈利能力。综合而言，人工智能能够推动企业研发效率跃升，降低企业研发成本，显著放大企业的市场估值会和财务绩效。基于此，本文提出如下假设：

H3：人工智能应用通过提升创新效率影响企业价值

（3）知识产权保护的调节效应

知识产权保护通过法律机制对技术创新成果进行确权和保护，能够有效抑制技术外溢和其他企业的模仿行为，保障企业的创新成果和创新收益。知识产权通过提升绿色技术研发效率、吸引外商直接投资和出口国内附加值率等提升企业价值。知识产权制度的存在能够赋予创新者一定期限内的专利垄断权，让创新者在一定时间内独享创新效益。知识产权保护能够让企业放心的将人工智能应用于产品和服务中，还能通过专利转让和许可等方式扩大人工智能带来的先进技术的影响范围。知识产权保护制度的确立能够降低技术侵权风险，降低侵权的不确定性、保障人工智能算法、专利成果的权属清晰。基于此，本文提出如下假设：

H4：知识产权保护对人工智能应用影响企业市场价值具有正向调节作用

研究设计

（一）指标构建

1.解释变量

参考姚加权和张锟澎利用上市公司年报中人工智能词频的做法，本文利用CSMAR数据库中上市公司人工智能词频明细表中人工智能关键词数量作为企业人工智能发展水平的衡量指标。

2. 被解释变量

企业市场价值。参考吴非的做法，使用常见的刻画公司绩效和成长的指标，即TobingQ来作为上市公司市场价值的指标。考虑到稳健性的问题，使用上市企业市值和账面市值比重新度量企业市场价值。

3. 控制变量

本文参考袁淳的做法，引入了一系列可能对企业数字化转型产生影响的公司特征控制变量，具体控制变量包括：企业规模（Size）、现金持有率（Cash）、资产负债率（Lev）、固定资产占比（Fixed）、总资产周转率（Ato）以及上市年限（FirmAge）。

4. 中介变量

（1）融资约束：参考朱冠平的研究，参考现有衡量融资约束的指标，采用CSMARS数据库中的融资约束指数（SA指数、KZ指数、WW指数、FC指数）来从不同的角度衡量上市公司所受到的融资约束。

（2）创新效率：为科学衡量企业创新效率，参考石惠敏、李强做法，采用创新产出弹性指标测度企业的创新效率。

5. 调节变量

本文关于知识产权保护指标将从立法、执法、司法、和社会知识产权保护强度四个方面来构建。立法保护方面，地方知识产权条例数量可以用来测度地方知识产权保护法律完备度。执法保护方面，主要考察行政执法的效率和行政执法的强度，参考吴超鹏、刘维等人的做法，将知识产权保护专利侵权结案数量作为测量指标。司法保护方面，参考孙赫的做法，使用司法判案数量作为司法保护的代理指标。社会知识产权保护强度方面；参考已有文献的做法，使用每百万人律师数量、人均专利申请数量（各省每万人专利申请数量）、和省份知识产权服务公司数量作为社会层面知识产权保护强度的指标。

6. 数据来源

本文采用2015-2023年间中国沪深Ａ股上市公司作为初始样本，排除ST及*ST企业，剔删除存在缺失值或财务变量异常的企业。本文大部分数据主要来自于CSMAR数据库，上市公司专利申请数据来自中国知识产权保护局。

（二）回归模型建立

为公司第年的市场价值，为公司在年的人工智能水平，为一系列控制变量，为企业层面固定效应，为年份固定效应，为误差项。

实证结果与说明

（一）基准回归

基于上述收集的数据，结合基准回归模型设定，得到初步的实证回归结果。表中第一列为不加入控制变量的固定效应回归结果。在未纳入控制变量时，人工智能的回归系数为1.117。第二列为加入控制变量的回归结果。人工智能的回归系数为1.273。第三列为同时控制企业固定效应的回归结果。人工智能的回归系数为0.997。第四列为同时控制年份和行业固定效应的回归结果，回归系数为1.172。第五列为控制企业、年份、行业固定效应的回归结果，回归系数为0.989。以上回归结果均通过了1%显著性水平。通过以上分析的可以说明，人工智能能够有效提升上市企业的市场价值，这为本文的核心假说提供了重要支持。

	(1) tobinga	(2) tobinga	(3) tobinga	(4) tobinga	(5) tobinga
人工智能水平	1.117*** (0.126)	1.273*** (0.124)	0.997*** (0.273)	1.172*** (0.200)	0.989*** (0.250)
控制变量	否	是	是	是	是
企业固定效应	否	否	是	否	是
行业固定效应	否	否	否	是	是
年份固定效应	否	否	否	是	是
观测值	23405	23385	22965	23382	22962
R2	0.0157	0.0974	0.5737	0.2554	0.6381

注：*、**、***分别代表10%、5%、1%水平上的显著性，括号内为聚类稳健标准误。以下各表同。

（二）稳健性检验

本文的稳健性检验主要由以下几个部分组成。第一剔除样本。考虑到2015年股灾和2020年公共卫生事件冲击原因，剔除这两年的所有样本。考虑到省会城市会有许多上市企业聚集，企业发展人工智能可能是由于外部压力而非自主进行，故在样本中剔除所有省会城市的上市企业。第二，替换解释变量。对解释变量和被解释变量进行替换。使用上市公司账目市值比（MB）和TobingQ的其他计算方法作为被解释变量的替代变量，使用企业人工智能水平和管理层讨论中人工智能词频作为人工智能的替代变量。

1. 剔除部分样本

首先从时间维度剔除部分样本，考虑到2015年股灾和2020年公共卫生事件可能对上市公司市场价值造成系统性外生冲击，在样本中剔除这两年时间区间的样本。其次，从2019年开始，先后有三批试点城市成为人工智能试验区，在样本中将这些试点城市剔除。最后，考虑到省级城市存在较强的政治和经济特殊性，可能会导致内生性问题，基于此，在回归中剔除省会城市样本企业。经过上述删除样本回归后发现，原有人工智能对上市企业市场价值有正向影响的结论没有发生变化。

	(1) TobingQ	(2) TobingQ	(3) TobingQ
人工智能水平	0.939*** (0.246)	1.257*** (0.360)	1.038*** (0.343)
控制变量	是	是	是
企业/年份/行业固定效应	是	是	是
观测值	18476	14713	14217

2. 替换解释变量

在检验中，对核心变量进行替换。在被解释变量方面，使用上市公司的账目市值比作为企业价值的替代变量，从市场方面对公司的股权总价值进行评估，同时，考虑到TobingQ不同的计算方法，使用 (流通股市值+非流通股净资产价值+负债)/总资产作为TobingQ的计算方式。第二列为使用其他方法计算TobingQ的回归结果。

在解释变量方面，参考姚加权和张锟澎的做法，采用企业人工智能水平（上市企业人工智能词频/上市企业年报总文本长度）和管理层讨论(MD&A）问中人工智能词频作为人工智能的替代变量。经过回归发现，总体回归结果与基准回归结果基本一致，本文的核心假设得到了支持。

	(1) MB	(2) Tobingq	(3) TobingQ	(4) TobingQ
Level	-0.326*** (0.079)	1.540*** (0.387)
MD&A.level			0.033** (0.014)
Enterprise AI				0.046** (0.018)
Controls	Yes	Yes	Yes	Yes
Id\Year\Industry	Yes	Yes	Yes	Yes
Observations	22962	22962	11368	11368

内生性问题

本文在研究人工智能与上市企业市场价值的关系时，可能存在遗漏变量和互为因果的内生性问题。即使控制了企业固定效应和年份固定效应，若遗漏一些重要变量，仍会导致估计偏差。其次，企业市场价值与人工智能应用可能存在反向因果关系。本文使用工具变量法、一阶差分检验和等方法缓解可能的内生性问题。

1. 工具变量法。参考王朔等的做法，使用当年企业同行业平均人工智能投资水平作为工具变量。同时参考吴非的做法，使用同一区域内上市公司的数量作为工具变量。综上所述，本文使用企业同行业平均人工智能投资水平和同一城市上市公司数量作为工具变量。

2. 一阶差分检验。人工智能对上市企业市场价值的影响可能会受到遗漏变量的影响，可能是未知的、未观测到的因素影响力企业数字化转型。本文借鉴甄红线使用一阶差分方法进行了稳健性检验。

表中工具变量的回归结果和一阶差分的回归，工具变量的有效性得到了回归结果的保证，回归结果与基准模型基本一致，这表面，经过内生性处理，原有的核心结论依然稳定。

	(1) TobinQ	(2) TobinQ	(3) D.Tobinga
D.Level			1.044*** (0.242)
Level	4.236** (1.661)	4.445*** (1.496)
IV	行业平均ai投资水平	同一城市上市企业数量
Kleibergen-Paap rk LM statisticP-val	0.0157	0.0000
Cragg-Donald Wald F statistic)	12.254	236.475
Controls	Yes	Yes	Yes
Id\Year\Industry	Yes	Yes	Yes
Observations	22900	22900	18538

人工智能对企业市场价值的机制分析

机制检验

根据上述理论分析，人工智能主要通过缓解融资约束效应和提升创新效率效应提升企业的市场价值。参考余骁的做法，本文使用如下模型进行机制检验。

为代理融资约束效应和创效效率效应的渠道变量，其余变量与基准回归模型相同。对于融资约束效应，使用SA指数作为中介变量，同时考虑到稳健性问题，使用CSMAR数据库WW指数的数据作为中介变量。本文参考Hadlock and Pierce(2010)，计算SA指数后取其绝对值，并乘以-1以使指标方向与融资宽松程度一致（即值越大，融资约束越弱）。结果如表中第（1）、（2）列。结果显示，总体上人工智能显著降低了企业融资约束，即人工智能通过降低融资约束提升企业市场价值。

对于创新效率效应，使用企业申请专利数量/企业研发投入来衡量。具体回归结果为表中（3）、（4）列。从回归结果看，总体上人工智能显著增强了企业创新，即人工智能通过增强企业创新效率提升企业市场价值。

	(1) SA指数	(2) WW指数	(3) 专利数量	(4) 创新效率
level	0.146*** (0.043)	-0.062** (0.028)	0.572*** (0.215)	0.022** (0.011)
Controls	Yes	Yes	Yes	Yes
Id\Year\Industry	Yes	Yes	Yes	Yes
Observations	23382	22962	19326	19326

（二）知识产权保护的调节效应

回归结果为表中第（1）列，人工智能的系数为依然显著，交互项系数为正数且显著。这说明知识产权保护对人工智能影响企业市场价值有着正向调节作用。知识产权保护为企业通过人工智能进行科技革命和产业变革提供了制度供给，这种制度供给为企业市场价值提升提供关键支撑。

在上述分析基础上，本文关注不同人工智能水平的企业受知识产权保护的调节效应是否存在不同。对此，本文参考余骁的做法，将处于下25分位的人工智能企业划分为低人工智能水平企业，处于其他部分的为高人工智能水平企业，进一步对知识产权的调节效应做分析。结果见表第（2）、（3）列，对低人工智能企业而言，知识产权保护的调节效应并不存在，对高人工智能企业来说，知识产权保护调节效应较为显著。

	（1）	（2）	（3）
	Ipr	Low AI	High AI
Level×ipr	0.528** (0.262)	-3.662 (6.377)	0.488* (0.275)
Level/Ipr/ Controls	Yes	Yes	Yes
Id\Year\Industry	Yes	Yes	Yes
Observations	22962	5401	17060

结论

本文基于2015-2023年中国沪深A股上市公司数据，系统分析了人工智能对企业市场价值的影响机制及边界条件。本文的研究结果发现：人工智能显著正向影响企业市场价值。这一影响主要通过两条渠道机制来实现：一是缓解大多数企业面临的主要问题——融资约束，增加企业外部资金可得性，提升资本市场对企业的认可度；二是提升企业创新效率，在控制研发投入的同时产出更多的高质量专利。提升企业在创新过程中的资金使用效率。最后，各省的知识产权保护强度在上述影响机制中发挥了正向的调节作用，在知识产权保护完善的地区，人工智能对企业市场价值的提升效应更为显著。同时，在对比知识产权保护对不同人工智能水平企业调节作用差异时发现：高人工智能水平企业受到调节效应更为显著，低人工智能水平企业受到的调节作用不显著。

基于此，本文提出如下政策启示：一，强化政府对企业人工智能应用的制度激励。降低企业使用人工智能技术的成本与风险，尤其是低人工智能企业和融资约束较强的企业。二、优化知识产权保护体系，强化知识产权保护的调节作用，知识产权保护不仅能保障企业的合理回报，也会增强对企业进行投资的信心。三、引导企业从“使用技术”走向“能力内化”。企业不应仅仅将人工智能作为辅助性工具，而应该将其纳入到公司创新战略和未来发展之中，提升人机协同效率和持续学习的机制，实现从有人工智能到用好人工智能的跃迁。

参考文献：

1. [1] 刘备,邱兆轩,任保平.人工智能与企业高质量发展:来自国家新一代人工智能创新发展试验区的经验证据[J].中国软科学,2025(06):166-176.
2. [2] 陈彦斌,林晨,陈小亮.人工智能、老龄化与经济增长[J].经济研究,2019,54(07):47-63.
3. [3] 郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动[J].管理世界,2019,35(07):60-77+202-203.
4. [4] 吕越,谷玮,包群.人工智能与中国企业参与全球价值链分工[J].中国工业经济,2020(05):80-98.
5. [5] 吕镯,张恒鑫,李连伟.人工智能对企业成长的影响研究[J].科研管理,2025,46(05):55-63.
6. [6] 金国峰,杨毅豪,潘英杰.人工智能对企业新质生产力的影响研究——基于技术创新理论的中介效应分析[J].调研世界,2025(06):3-16.
7. [7] 赵剑波,刘钊.人工智能渗透率对企业创新效率的影响研究[J].经济学动态,2025(05):55-69.
8. [8] 谢捷.人工智能对企业创新质量的影响分析——基于2013—2022年我国沪深A股上市公司的实证检验[J].企业科技与发展,2025(09):39-48.
9. [9] 陈燕萍,邵云飞,黄乐仪.人工智能能力对企业突破性技术创新的影响[J].技术经济,2025,44(06):28-39.
10. [10] 余少龙,石虹.人工智能政策对企业ESG表现的影响——来自国家人工智能创新应用先导区的经验证据[J].西部论坛,2025,35(04):52-67.
11. [11] 姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率？——基于劳动力技能结构调整的视角[J].管理世界,2024,40(02):101-116+133+117-122.
12. [12] 戚聿东,肖旭.数字经济时代的企业管理变革[J].管理世界,2020,36(06):135-152+250.
13. [13] 聂兴凯,王稳华,裴璇.企业数字化转型会影响会计信息可比性吗[J].会计研究,2022(05):17-39.
14. [14] 吴景泰,杨丽霞.会计稳健性、融资约束与企业价值[J].财会通讯,2018(15):11-14.
15. [15] 潘雅琼,邹亚霏.金融危机冲击、融资约束与企业价值研究[J].财会通讯,2016(36):32-35.
16. [16] 王吕蓉.融资约束条件下企业研发投入对企业价值的影响研究[J].财会通讯,2017(27):54-57.
17. [17] 徐珍珍.融资约束、研发投入和我国制造业企业价值[J].经营与管理,2023(02):36-41.
18. [18] 朱冠平,庄文翔.人工智能应用与资本市场表现——基于股票流动性视角[J].工业技术经济,2025,44(10):138-147.
19. [19] 王敬勇,孙彤,李珮,等.数字化转型与企业融资约束——基于中小企业上市公司的经验证据[J].科学决策,2022(11):1-23.
20. [20] 王原,陈志斌.人工智能可供性对企业数字化转型的影响[J].西南民族大学学报(人文社会科学版),2025,46(01):104-114.
21. [21] 敖日格乐,秦英.政策激励对高新技术企业创新绩效影响机制研究——基于研发投入与融资约束的中介效应[J].价格理论与实践,2025(04):135-140.
22. [22] 王彩萍,任金洋,黄志宏.证券监管市场化提高了企业并购绩效——基于高管联结的视角[J].经济学(季刊),2025,25(05):1274-1289.
23. [23] 李斌,薛希萌,张琪睿,等.人工智能对企业创新韧性的影响——基于技术能力适应性视角[J].研究与发展管理,2025,37(06):53-65.
24. [24] 李学彦,李鑫.人工智能驱动企业高质量发展的机制与效应——基于技术创新与成本控制双重视角[J].技术经济与管理研究,2025(11):142-150.
25. [25] 刘霞,宋治达,白静.智慧资本、创新效率与企业绩效[J].财会通讯,2023(14):34-39+101.
26. [26] 蒋大富,张海龙.创新资源配置效率对企业价值的影响研究[J].商业观察,2025,11(29):72-77+86.
27. [27] 文淑惠,刘聪.股权结构对企业市场价值影响研究——基于技术创新效率中介效应的视角[J].江苏商论,2024(03):75-79+83.
28. [28] 欧哲琳,陈昊.新质生产力对企业绩效的影响研究——创新效率的中介作用与数字化转型的调节作用[J].国际商务财会,2025(15):19-24.
29. [29] 蔡书芳.新质生产力、知识产权保护与企业全球价值链嵌入[J].技术经济与管理研究,2025(10):95-101.
30. [30] 苏平,喻涵.知识产权保护对制造业企业绿色创新效率的影响研究——基于两阶段创新价值链视角[J].创新科技,2025,25(05):81-92.
31. [31] 唐宜红,张鹏杨.全球价值链嵌入对贸易保护的抑制效应:基于经济波动视角的研究[J].中国社会科学,2020(07):61-80+205.
32. [32] 吴文俊.知识产权保护对人工智能产业创新的影响研究[J].云南财经大学学报,2025,41(11):1-17
33. [33] 王德夫.论人工智能算法的知识产权保护[J].知识产权,2021(11):50-70.
34. [34] 吴非,徐斯旸.人工智能技术应用与上市企业市场价值[J].现代经济探讨,2022(11):77-92.
35. [35] 石惠敏,李强.创新氛围与企业创新能力——基于企业周边高校特征的视角[J].财会月刊,2019(06):125-135.
36. [36] 吴超鹏,唐菂.知识产权保护执法力度、技术创新与企业绩效——来自中国上市公司的证据[J].经济研究,2016,51(11):125-139.
37. [37] 刘维,许春明.中国知识产权保护强度类型比较实证研究[C]//专利法研究（2014）.上海大学知识产权学院.2017.
38. [38] 孙赫.我国知识产权保护执法水平的度量及分析[J].科学学研究,2015,33(09):1372-1380.