引言

随着我国数字化转型加速，企业对人工智能的投资屡创新高，2023年我国企业AI领域投资规模已达1.5万亿元，但投资规模快速上涨的背后潜藏着现实困局，2024 年百度智能云与复旦大学联合调研显示，仅23%的企业实现AI技术与组织文化的有效契合，45%的企业面临“AI投入高而员工协作创新滞后”的尴尬，32%的企业遭遇“AI投资加大却缺失试错机制”的难题，不少企业因组织文化与AI适配失衡，难以释放AI创新潜力，严重制约了数字化转型的深度与广度，因此，探究 AI投资与创新文化的协同演化机制，成为企业突破转型瓶颈的重要课题。现有学术研究在人工智能应用方面成果丰硕，且证实了技术投资能通过改变组织工作模式等对组织产生深远影响，但聚焦 AI投资与创新文化关系的研究较少，且多忽略了AI投资软件与硬件的技术特性差异，而二者对文化的塑造路径截然不同。此外，传统研究未考虑行业技术特性的调节作用，科技行业以“知识密集型创新”为核心，制造行业以“优化流程型创新”为导向，这种差异可能导致AI投资的文化效应呈现显著行业异质性；本文的边际贡献在于：第一，构建出多维度创新文化综合指数，为衡量企业创新文化水平提供参考指标；第二，将AI投资拆解为软件投资与硬件投资两个维度，深入研究AI软件投资与硬件投资对企业创新的文化效应；第三，揭示了AI投资引起的文化效应存在行业异质性，为企业拟定科学合理的人工智能投资策略以及创新文化建设方案提供理论支撑。

一、研究设计

（一）研究假设

1.人工智能投资对创新文化的正向驱动作用

根据熊彼特在《经济发展理论》的论述，创新是对生产要素、生产条件做的“新组合”，此种组合有能力建立“新的生产函数”，进而推动经济社会的革新，新一代信息技术革命的核心为人工智能，而人工智能投资行为本质上是把算法、算力、数据等新型生产要素嵌入企业生产体系，这不仅能带动企业技术水平的提升，而且对企业创新文化有深远的影响。从文化进步的视角来看，人工智能技术的应用打破了传统意义上的组织边界和信息壁垒，推动了知识的迅速流动与共享，为创新文化的培育搭建了理想平台。

除此之外，基于资源基础的相关理论，企业的竞争优势源自其特有的资源与能力，人工智能投资赋予的算法优势、数据条件以及智能化生产实力，造就了企业的核心竞争力，企业为了充分挖掘这些资源的价值，势必会在组织内部营造与之贴合的创新文化，促使员工主动参与技术创新及业务变革。因此，本文提出如下假设：

H1：人工智能投资对创新文化有正向驱动作用，即企业人工智能投资规模越大，企业的创新文化水平越高。

2.人工智能软件投资与硬件投资均对企业创新文化具有正向作用

人工智能投资可以细分为软件投资跟硬件投资，不同种类投资对创新文化的塑造的差别十分显著，按照技术-组织协同理论，由于技术形态的不同，组织内部工作模式和协作方式会发生变化，从而影响到组织文化的形成。

软件投资主要包括算法研发、数据分析与机器学习的平台搭建等，在进行算法优化的过程中，要开展大量的试错试验与数据共享，这就要求企业营造开放包容的创新环境。AI软件投资规模的扩大，打破了信息孤岛，使组织成员能够实时获取多维度的数据支持，而依靠跨部门数据的流通及高频次的算法迭代，推动了组织的扁平化，企业中便逐渐形成了“敏捷试错”型的文化氛围，员工在这样的环境里勇于提出新想法、尝试新办法，企业以宽容的态度接纳失败，极大地唤起了创新活力，依照资源基础理论去看待，软件投资积攒起来的数据资源跟算法能力，成为引领企业创新的核心动力，进一步加强了企业间的创新文化。

硬件投资则着重于智能设备、自动化生产线等实体技术的部署工作，当企业引入工业机器人与智能传感设备的时候，由于员工需要跟机器展开深度配合，各部门就设备的运行、维护和升级事宜形成了紧密的技术交流网络。企业借助搭建数字化生产线，带动员工在人机协同作业里形成高效沟通、协同创新的文化氛围，而硬件投入引起的生产流程改变，需要企业员工不断学习新技能、去适应新的工作模式，这种持续的学习和协作的进程共同推动了“人机协同”文化形成，引导组织营造追求创新的氛围。因此，本文提出假设：

H2：人工智能软件投资与创新文化强度存在显著的促进作用。

H3：人工智能硬件投资与创新文化强度存在显著的促进作用。

3.人工智能投资对创新文化效应的行业异质性

根据行业技术特性理论，行业竞争的特性，深刻影响着企业技术投资策略与企业文化之间适配的路径。从行业本质特性方面看，科技行业把知识创新和软件开发作为核心，产品体现出迭代周期短、技术更新快的特点，对算法优化、数据驱动决策高依赖；制造行业重点聚焦在实物产品生产方面，而生产效率与产品质量的提高，在很大程度上要靠硬件设备的升级，这种行业特性的差别，直接决定了人工智能投资类型跟行业业务逻辑的适配的走向，进而影响了创新文化形成的塑造路径。

从创新扩散理论视角分析，科技行业软件投资呈现出的高频试错、快速迭代的属性，与该行业的业务逻辑十分适配。在科技行业中，持续的软件资金投入促使研发人员不断拓展技术的边界，助力企业打造鼓励试验、迅速迭代的创新文化。相较之下，制造行业以生产效率与质量控制为首要目标，其创新活动更多围绕地工艺改进与流程优化展开。尽管 AI 软件投资能够辅助生产计划排程、供应链管理等环节，但仍难以直接触及制造企业一线的生产流程。

对制造行业这一领域，因为引入智能硬件设备，生产流程因此被重构，通过替代重复性劳动、提升工艺精度，显著改善生产效率与产品质量。引导生产部门员工养成严谨规范、讲究配合的认知，提高了跨团队协作的频率，促进了协同创新文化的形成。同时，由于制造企业生产流程的复杂性与连续性，要求人机之间建立稳定的协同机制，进一步强化了硬件投资对 “人机协同” 文化的塑造作用。因此，硬件投资可更好地与制造行业的环境相适配，带动创新文化的成长。但科技行业的核心业务活动多聚焦于虚拟产品开发与服务设计，难以像在制造行业那样对组织生产模式与员工行为规范产生根本性变革。

基于上述分析，本文提出假设：

H4：相较于制造行业,科技行业人工智能软件投资的文化效应更强。

H5：相较于科技行业,制造企业人工智能硬件投资的文化效应更强。

（二）研究方法

1.样本和数据来源

本研究选取 2019-2022 年 A 股上市公司作为研究样本，数据主要从CSMAR数据库、色诺芬数据库、企业年报及相关行业报告获取。关于人工智能投资数据的采集，将企业人工智能投资拆分为人工智能软件投资与人工智能硬件投资。在创新文化综合指数构建上，借鉴国内外针对创新文化研究的成熟量表，契合企业当下实际，借助研发投入强度、研发人员占比、专利申请活跃度三项核心指标进行表征。通过主成分分析法对这些指标进行标准化处理，计算得出创新文化综合指数。此外，为排除其他因素对研究结果的干扰，选取企业规模、资产负债率、企业年龄等作为控制变量。

同时，为让实证数据精准且有针对性，对样本数据进行了如下筛选：（1）剔除 ST、*ST 类公司，避免财务异常企业对研究结果的影响；（2）剔除数据缺失严重的企业，以确保研究数据的完整性；（3）由于金融行业的经营模式和技术应用与一般企业存在较大差异,剔除了金融行业企业。同时，为避免极端值对实证结果的影响，本文对所有连续变量均在95%分位数上进行缩尾处理（Winsorize）,经过筛选，最终获得有效样本2455个，为后续研究奠定了坚实的数据基础。

2.模型设计

为检验人工智能投资跟创新文化间的关系，证实研究假设，本文利用固定效应模型进行实证分析，固定效应模型可切实有效地控制个体不随时间变化的异质性因素，诸如企业特有的组织架构、管理手段等，从而更恰当地估计解释变量对被解释变量的影响，本文构建出如下固定效应模型：

其中，表示企业个体，表示年份；为被解释变量，代表企业在时期的创新文化综合指数；和分别为解释变量，即企业在时期的AI投资总额、软件投资金额和硬件投资金额；为控制变量集合，包含企业规模、资产负债率等；为个体固定效应，用于控制不随时间变化的企业个体特征；为随机扰动项，代表模型中未考虑到的其他随机因素。模型中，、和是本研究关注的核心系数。若显著为正，则表明人工智能投资对创新文化水平具有正向促进作用。若显著为正，则表明软件投资对创新文化水平具有正向促进作用，验证假设 H2；若显著为正，说明硬件投资能够提升企业创新文化水平，支持假设H3。

（三）变量选取

1.被解释变量

本研究的被解释变量为创新文化强度，综合采用研发投入强度、专利申请数活跃度、研发人员占比三项核心指标进行衡量。

研发投入强度是衡量企业创新资源投入力度的关键指标。参考 Schumpeter 的创新理论，较高的研发投入强度意味着企业愿意将更多资源倾注于技术研发与产品创新，反映出企业对创新活动的重视程度与长期战略布局，这是创新文化形成的物质基础。本文用研发支出/营业收入来衡量研发投入强度的大小。

研发人员作为创新活动的核心主体，其在企业员工总数中的占比，体现企业对创新人才的储备与集聚能力。依据人力资源理论，高素质研发人才是创新活动的核心主体，较高的研发人员占比意味着企业重视创新人才储备，因此更易形成鼓励探索的文化氛围。

专利申请数量反映企业在技术创新方面的积极探索与成果产出。专利申请活跃度高，表明企业内员工积极投身创新实践，并将实践转化为大量成果，是创新文化在员工行为层面的直观体现。

为综合体现创新文化的强度水平，本研究运用主成分分析方法对三项指标实施降维处理，经过提取主成分之后加权汇总，形成创新文化综合指数，该指数所对应的数值越高，反映企业创新文化氛围愈发浓郁，既囊括企业在资源投入方面对创新的支持水平，也反映出其在人才安排方面对创新的看重程度与企业创新的产出能力。

2.解释变量

本研究的解释变量包括人工智能投资水平（Aiinvesttotal），软件投资水平（Software）与硬件投资水平（Hardware）。软件投资金额通过系统梳理企业年报中算法研发成本、数据分析平台建设支出、人工智能软件采购费用等项目进行统计，重点关注在算法优化、用户数据分析系统开发等方面的资金投入；硬件投资金额则依据企业智能设备购置、自动化生产线建设、人工智能硬件设施部署等实际支出进行核算，如制造业企业的工业机器人采购、智能传感器安装等费用均纳入统计范畴。为了防止数值较大带来的异方差增大，解释变量的取值均取对数衡量。

3.控制变量

为排除其他因素对研究结果的干扰，本研究选取以下三个核心控制变量（详见表1）。

第一，企业规模( Size) ：由总资产的自然对数来表示，研发创新活动本身就是一个具有规模经济性的活动，在资本市场不完善的情况下，企业规模的差异影响着企业对于高风险的研发创新项目的保障程度。依据规模经济理论，大型企业通常具备更充裕的资源与更完善的创新体系，能够为创新文化建设提供坚实保障，但其庞大的组织架构也可能对文化变革形成阻力。第二，资产负债率（Lev）：采用总负债与总资产比值表示。较高的资产负债率意味着企业面临较大财务压力，可能削减创新投入，同时增加员工对企业创新前景的担忧，抑制创新文化发展。第三，企业年龄（Age）：以观测值当年年份减去企业成立年份得到。成立时间较长的企业虽积累了丰富经验，但可能形成文化惯性，创新变革难度较大；年轻企业则在文化塑造上更具灵活性与可塑性。

二、实证研究

（一）描述性统计

对主要变量进行描述性统计，结果显示（见表1），样本企业的创新文化综合指数存在较大差异，创新文化（Culture）均值为 0.024，标准差达 1.158，表明样本企业创新文化指数整体处于较低位置，且企业间创新文化程度差异较大，而人工智能硬件投资与软件投资水平离散程度相对较大，表明企业在人工智能两方面的投资水平参差不齐，为后续分析提供了基础。在控制变量上，相较于科技行业，制造业的企业规模更大，而资产负债率更高。

变量	均值	标准差	最小值	最大值
Culture	0.024	1.158	-1.911	9.070
Aiinvesttotal	16.958	1.531	12.660	22.261
Software	15.473	1.819	9.492	20.319
Hardware	16.433	1.603	11.982	21.524
Size	22.195	1.150	19.713	26.695
Lev	0.372	0.186	0.041	0.966
Age	7.782	7.727	0	32

（二）回归结果分析

采用面板数据固定效应模型，对人工智能投资与创新文化之间的关系展开检验。人工智能投资水平系数为0.12且在1%水平上显著，证明人工智能水平对企业创新文化起到正向驱动作用，验证了假设H1。而根据表2基准回归结果显示，在列（1）中，核心解释变量软件投资系数为0.05，在1%水平上显著为正；列（2）进一步加入企业规模、资产负债率、企业年龄等控制变量后，软件投资系数仍保持在0.04，且显著性水平不变。硬件投资系数在两列回归中分别为0.07和0.06，同样在1%水平上显著为正。这充分表明，人工智能软件投资与硬件投资均能显著促进企业创新文化建设，有力验证了假设H2和H3。

全面剖析其作用机制，软件投资依靠推动数据共享及高频度试错，推动企业创新迭代的步伐，企业在增大算法研发等软件投资规模后，支持跨部门数据开展流通，开展多次的算法迭代实验，慢慢培育出了“敏捷试错”的文化氛围。硬件投资是借助人机协作模式，对生产流程实施重构优化工作。企业借助引入智能生产线，致使员工在跟智能设备共同操作的过程中，催生了高效对话、协同创新的工作模式，进而推动企业员工之间的协同创新。两者携手带动企业形成鼓励创新的文化局面。

变量	Culture
	（1）		(2)
Software	0.05*** （0.014）	0.04*** （0.015）
Hardware	0.07*** （0.029）	0.06*** （0.033）
Size		-0.14** （0.057）
Lev		-0.13** （0.203）
Age		0.05* （0.016）
年份固定效应	Yes	Yes
行业固定效应	Yes	Yes
样本量	2455	2455
调整R方值	0.594	0.598

注：***、**、*分别表示在1%、5%和10%水平上显著，括号中的值为稳健标准误。

（三）稳健性检验

为确保研究结果的可靠性，采用替换变量法，将被解释变量更改为研发投入强度、研发人员比例与专利申请活跃度进行稳健性检验。回归结果显示，人工智能软件投资与硬件投资系数均大于0且具有较高的显著性，核心结论依然成立。

此外，研究中剔除了2019 年数据，结果显示剩余 3 年数据回归结果与全样本基本一致，显著性水平不变。说明本研究结果具有较好的稳健性，人工智能软件投资与硬件投资均能显著促进企业创新文化建设。

（四）质性分析

为检验假设 H4、H5 中行业异质性，本文采用2012年证监会行业分类，将 “信息传输、软件和信息技术服务业”“科学研究和技术服务业” 归为科技行业（I类）；“制造业”归为制造行业（C类），将样本严格划分为科技行业与制造行业两大组别，研究过程中首先对创新文化指数进行独立样本 t 检验，结果显示，样本企业创新文化综合指数呈现出不同水平，科技行业的创新文化指数均值高于制造行业，为这表明不同类型的企业在人工智能投资与创新文化建设方面存在显著差距。

进一步分析，将原模型引入行业虚拟变量构成交叉项，科技行业赋值为1，制造企业赋值为0，构建以上固定效应模型进行分组回归分析，以此比较不同行业中软件投资和硬件投资系数的大小及显著性差异，从而探究科技行业与制造行业在人工智能投资对创新文化影响上的差异。回归结果显示，科技行业软件投资交叉项系数为0.112，较制造行业的0.082高出36.6%；制造行业硬件投资交叉项系数为0.113，较科技行业的0.045 高出52.2%，这一结果成功验证了假设H4和H5。

三、主要研究结论及政策启示

（一）主要研究结论

本研究基于2019-2022年A股上市公司数据，深入探究人工智能投资与创新文化的协同演化机制，通过实证分析得出以下核心结论：

人工智能投资对创新文化具有显著正向驱动作用。本研究将人工智能投资细分为软件投资与硬件投资，运用固定效应模型验证发现，两类投资均能有效提升企业创新文化强度。软件投资通过数据共享与高频试错，推动企业形成“敏捷试错”型文化；硬件投资借助人机协作与流程优化，促进“人机协同”型文化发展，证实了假设 H1、H2与 H3，明确了人工智能投资作为创新文化塑造关键驱动力的地位。

人工智能投资影响创新文化的路径呈现差异化特征。软件投资主要通过优化企业知识管理流程发挥作用。企业在算法研发、数据分析过程中，打破了部门壁垒，实现数据互通，促使员工在频繁的试错与知识共享中形成开放包容的创新意识；硬件投资则侧重于生产流程重塑，智能设备的引入要求员工掌握新技能并加强跨部门协作，进而推动企业进行协同创新。这一发现揭示了不同类型人工智能投资对创新文化的独特影响机制。

人工智能投资的文化效应存在显著行业异质性。研究表明，科技行业软件投资对创新文化的促进效应较制造行业强36%，制造行业硬件投资对创新文化的推动作用较科技行业高52%，验证了假设H4、H5。科技企业以知识创新和软件开发为核心，软件投资契合其业务特性，更易塑造创新文化；制造企业依赖硬件设备升级提升生产效率，硬件投资对其文化变革影响更为显著，为不同行业制定差异化发展策略提供了依据。

（二）政策启示

基于上述研究结论，为推动企业实现人工智能投资与创新文化的深度融合，提出以下政策建议。

第一，企业要结合行业技术特性及类型，差异化配置AI投资并匹配文化建设途径。科技企业需突出算法研发、数据分析平台等软件投资对创新文化的驱动，构建“快速试错” 氛围，可通过建立跨部门数据共享机制、推行研发流程高频迭代，将数据驱动决策融入研发全周期，配套弹性考核制度，激发员工探索热情。制造企业要强化智能设备、自动化产线等硬件投资与“人机协同”文化的结合，开展员工技能升级与组织流程革新，组建跨层级协作团队、拟定标准化操作规章，推动知识共享，营造协同创新格局。企业管理者应将AI投资与文化建设纳入战略规划，定期评估文化适配度，确保技术与文化同步发展。

第二，政府应发挥政策导向作用，加大人工智能领域投资，化解技术投资与企业文化适配的结构性矛盾，营造协同演化的制度空间，实行分类激励。对科技企业，通过税收优惠、专项基金引导资源向算法创新、数据治理等软件领域聚集；对制造企业，给予智能硬件采购补贴、技改贷款贴息等支持，并将创新文化建设纳入政策申请条件。各地政府要依据区域产业特性细化AI技术落地路径，组建动态监控评估体系，及时优化政策工具及资源配置，搭建行业互动平台，分享实践经验，加大AI基础设施投入，降低企业应用成本，完善产业生态。

第三，社会各界要共同营造创新文化发展环境，助力跨行业协同创新及人才体系整合，创建技术与文化交融的产业生态，提升AI投资协同成效与文化传播效率。鼓励科技与制造企业共建联合研发中心或产业联盟，加强软硬件技术融合运用，聚焦共性技术攻关与文化理念交流，促进创新文化相互借鉴，催生跨领域创新模式。形成跨行业人才认证标准及柔性流动机制，支持科技研发人才参与制造业技改，鼓励制造业工程师投身AI算法优化，推动高校与企业合作开设交叉学科课程，培养复合型人才，为各行业AI投资与文化适配提供人才支撑。

四、结语

本文通过对2019-2022年A股上市公司的实证分析，证实了人工智能投资对创新文化的正向驱动作用，揭示了软件投资催生“敏捷试错”文化、硬件投资培育“人机协同”文化的差异化路径，且发现了科技企业软件投资的文化效应较制造企业强，而制造企业硬件投资的文化效应相较科技企业更强的行业异质性。本研究为企业制定适配的AI投资与文化建设策略提供了依据，但由于样本周期有限，未深入探讨不同企业生命周期的影响。未来可延长观测期，结合企业成长阶段细化研究，为数字化转型中的技术-文化协同提供更精准的理论支撑。

参考文献：

1. [1] 韩松岩.人工智能技术对企业数字创新的影响研究[J].工业技术经济,2022,41(11):13-22．
2. [2] 束超慧,王海军,金姝彤,等.人工智能赋能企业颠覆性创新的路径分析[J].科学学研究,2022,40(10):1884－1894.
3. [3] 谢伟丽,石军伟,张起帆.人工智能、要素禀赋与制造业高质量发展：来自中国208个城市的经验证据[J].经济与管理研究,2023,44(04):21-38．
4. [4] 约瑟夫·熊彼特.经济发展理论[M].郭武军,吕阳,译.北京:华夏出版社,2015.