隐形冠军国际研究中心（International Research Center for Hidden Champions），追踪隐形冠军、专精特新企业动态，解读国内外文章，助力企业高质量发展。 本期解读国外学者Alexander Kopka、Dirk Fornahl于2023年在期刊"Springer"发表的文章"Artificial intelligence and firm growth — catch-up processesof SMEs through integrating AI into their knowledge bases" 文章简介 文章表明人工智能被视为未来经济增长的关键技术，被认为是一种通用技术和发明方法的发明。AI能够创造技术机会，并通过这些机会带来创新和生产力增长。文章提出了“跨越式发展”假设，即后来者企业可以利用这些机会追赶上先行企业。通过结合企业层面数据和专利数据，进行了回归分析。研究表明，中小型企业在处于生产力前沿时通过AI实现生产力增长，这与跨越式发展假设相反。然而，对于规模较大且为后来者的企业，AI对创新的积极影响更为明显。 1. 理论背景与假设 AI作为GPT和IMI的理论基础。GPT被描述为具有广泛应用的技术，能够推动经济增长和创新。IMI是指那些能够激发进一步发明的方法或技术。企业可以通过利用AI产生的技术机会来促进自身的创新和生产力增长。 2. 数据和方法 数据来源： 包括ORBIS数据库中的企业数据和PATSTAT中的专利数据。 数据处理： AI专利识别：通过关键词搜索和CPC或IPC专利分类来识别AI专利。使用了世界知识产权组织（WIPO）的AI报告中定义的关键词，将AI专利分为AI方法和AI应用两类。 企业匹配：利用PATSTAT数据库中的专利申请数据，通过ORBIS数据库识别每个专利的关联组织，并匹配企业数据。 变量操作化： 生产力：通过劳动生产率来衡量。 创新产出：通过每年企业专利申请数量来衡量。 AI知识整合：如果企业在特定年份拥有AI专利，则认为该企业已将AI知识整合到其知识库中。通过计算AI方法专利和AI应用专利的数量来衡量企业拥有的AI知识量。 前沿企业与落后企业：使用行业特定的企业劳动生产率数据来确定。 控制变量: 专利总数：控制企业之前的R&D努力对劳动生产率的影响。 企业年龄：控制不同年龄的企业可能具有不同的专利活动和生产力。 行业部门：基于欧洲共同体经济活动分类，不同行业的特点对追赶过程的影响。 国家虚拟变量：控制国家特定环境和制度的影响。 统计方法: 倾向得分匹配（PSM）：用于处理潜在的选择性和同时性偏差，通过匹配AI发明企业与非AI发明企业来减少偏差。 普通最小二乘法（OLS）回归：用于分析AI对企业生产力和创新产出的影响，考虑到了AI应用和方法专利的总数以及控制变量。 结果呈现: 本文展示回归分析的结果，包括不同模型的估计系数、标准误、以及统计显著性水平，从而对假设进行检验。 3. 研究结果 AI对生产力的影响：AI整合对小型前沿企业的劳动生产率有正面影响。 AI对创新的影响：对于落后企业，尤其是规模较大的企业，AI对创新产出有积极影响，并且这种影响随着企业距离生产力前沿的增加而增强。 AI方法与应用的区分影响：AI方法专利（作为发明方法）对企业的创新产出有积极影响，尤其是对于那些距离生产力前沿较远的大型企业。而AI应用专利（作为通用技术的应用）对生产力的影响则取决于企业的大小和与生产力前沿的距离。 企业规模与AI整合的交互效应：小型企业从AI应用专利中获得的生产力增长似乎更多，而大型企业则从AI方法专利中获得更多的创新产出。 AI整合与生产力前沿的距离：企业距离生产力前沿越远，AI方法专利对创新产出的正面影响越大。对于前沿企业，AI应用专利可能带来最大的生产力和专利收益。
