人工智能企业抵御风险能力对融资成本的影响研究
——基于我国智能制造试点示范项目的证据

 

一、引言和研究假设

对于人工智能企业的概念，文献没有明确的界定，但是从人工智能涉及的领域看，随着“AI+”和跨界融合创新，人工智能几乎涵盖各行各业。从近年来国家政策和专业研究机构的报告可知，人工智能产业包括基础理论层、产品和技术应用层，而人工智能企业多为智能与实体经济相融合的企业，本文所述的企业也就是指此类企业（陈永伟，2018）。

根据赛迪研究院的统计数据，2016-2021年五年间，我国人工智能产业规模由239亿元增长到了818亿元，年均增长率达到了68.45%，由此可见我国人工智能产业的发展速度之快。尽管如此，从文献梳理中我们发现，过往文献对于人工智能与经济关系的研究总体上停留在理论层面，缺少实证方面的证据（程兴华，2015；陈永伟，2018）；对人工智能企业（包括科技类型）融资问题的研究，主要集中于进行理论分析、成因及建议方面的探讨，定量研究相对较少，仅有余倩和宋良荣（2023）是使用DEA数据包络分析法对人工智能企业的融资效率进行了分析；对一些影响融资的关键因素与融资能力的正负相关性，不同行业研究结果，不同学者的观点，也不尽统一。人工智能企业虽然属于科技型企业，但有其技术复杂程度更高、开发周期长等自身的特点，其融资问题也应有其个性。本文在此以2009-2021年我国沪深A股上市公司为样本，利用2015-2019年国家和省级“智能制造示范试点项目”企业名单，实证探讨了人工智能企业抗风险能力对其融资成本的影响，并提出了相关政策建议。与以往的研究相比，本文的研究特点不是来自政府或金融机构，而是从人工智能企业管理和融资的微观角度来分析其对融资成本的影响，这与主流文献的研究重点明显不同。本文可为解决成长中的人工智能企业融资问题提供线索，为人工智能产业的进一步发展提供贡献。

本文结合相关文献的论证思想，结合我国人工智能企业的现状，提出了我们的研究假设，即：人工智能企业抵御风险的能力可以显著降低企业的融资成本。

二、实证分析

本文在此以2015-2019年国家和省份层面“智能制造试点示范项目”名单中的上市公司为研究对象，以所有纳入名单公司在2012年至2021年十年间的观测值为样本，并以企业流动负债标准化后的流动资产，即企业的流动比率作为了人工智能企业抗风险能力指标；同时借鉴林钟高和丁茂桓（2017）以及钱雪松等（2019）的方法构建了债务融资成本的衡量指标，实证研究了企业抗风险能力对其债务融资成本的影响。在研究设计中，我们借鉴了陈海强等（2015）和李宪印等（2016）对中国企业技术效率和影响因素的研究思路，通过研究资本结构影响因素的方法，选择变量，建立了固定年份和固定公司的双固定效应模型。本文相关的财务指标来自于国泰安数据库（CSMAR），“智能制造试点示范项目”名单来自于国家工信部和各省工信部门官网。所有变量均进行了1%和99%的缩尾处理。

（一）变量

本文对被解释变量、解释变量和控制变量的选择和衡量方法见表1。

表1 变量的含义

 

（二）实证结果

本文通过描述性分析、相关分析和回归分析，分析了人工智能企业抵御风险能力对其融资能力的影响，并检验了变量的多重共线性和回归方程的稳健性。

1.描述性统计

本文的描述性统计结果如表2所示。

由表2可知，该样本的平均融资成本为0.091，说明大多数企业的融资成本处于适当的范围内。抵御风险能力的平均值为0.176，处于较低水平。样本中企业总规模的平均值为0.311。资产担保能力的平均值为0.370，说明本文试点人工智能的企业规模相对较小，资产保障能力也处于较低的水平。

表2 描述性统计

 

2.相关性分析

本文采用Pearson相关系数检验的方法，对试点示范人工智能企业抵御风险能力、融资成本及其它可能产生影响的因素进行了相关性分析。如表3所示，结果表明：融资成本与风险抵御能力之间的Pearson相关系数为-0.251，在5%显著水平上显著；融资成本与企业总规模、总资产收益率、企业担保能力和主营业务利润率之间的Pearson相关系数分别为-0.255、-0.223、-0.219和-0.240，且均在5%的显著水平上显著，即融资成本与此5个指标呈显著负相关。同时各变量之间相关系数的绝对值在0.098-0.299之间，基本不存在多重共线性。

表3 相关分析

注：*、**、***分别代表10%、5%和1%的显著性水平。

 

3.多重共线性检验

为了进一步检验多重共线性，本文还对各变量进行了方差展开因子（VIF）分析和容忍度（Tolerance）分析，最终结果显示方差展开因子均大于1，所有的容忍度均在0-1之间¹，即人工智能企业的各变量之间不存在多重共线性，因此可以进行回归分析。

1 限于篇幅,多重共线性检验结果不在此陈列。

4.回归分析

本文使用最小二乘法（OLS）的回归分析结果见表4。

表4 基准回归

注：*、**、***分别代表10%、5%和1%的显著性水平；括号为T值。

 

从回归结果中，我们可以看到：

第一，回归的F值为68.77，在1%的显著性水平下通过了检验，说明解释变量可以很好地解释融资成本。并且我可以看到企业抵御风险能力与融资成本的相关系数为-0.240，且在1%的显著水平上显著，说明在本文样本中，人工智能企业的抵御风险能力的确可以显著降低企业的融资成本。

第二，在10%的显著性水平下，除了企业的市场竞争力外，其他方程参数的T统计量的绝对值均大于其临界值1.65，即T检验均通过。

第三，拟合优度R2的系数为0.810，调整后的拟合优度为0.459，说明回归方程的拟合优度相对较高。回归模型与原始数据吻合较好，融资能力与各种影响因素存在显著相关关系。

第四，D-W值为1.996，残差没有序列相关性，即该模型的设计总体上是合理的。

5.稳健性检验

在文献研究中，资产周转能力（主营业务收入/总资产）往往与企业的抗风险能力呈正相关。因此，为了进一步验证回归结果的稳定性，将模型中企业抵御风险的能力替换为资产周转能力进行回归分析，新的回归结果与之前的回归结果基本一致¹，表明了本文结论的稳健性。

1 限于篇幅，稳健性检验结果不在此陈列。

三、结论和建议

以上分析结果表明，企业的抗风险能力可以显著降低人工智能企业的融资成本。企业抵御风险的能力越强，会向外界释放企业还债能力良好的信号，从而降低外部资金供应者对企业所要求的风险溢价补偿，进而降低企业的融资成本，提升企业的融资能力。同时我们还可以看到，企业规模和企业担保能力与企业融资成本显著负相关，这一结果说明企业规模和资产担保价值的确是资本市场债务关系中资金提供者重点关注的指标。

根据以上结论，提出以下政策建议：

第一，提升企业的现金流水平。

较高的风险抵御能力可以反映出企业良好的资本运营状况，因此可以降低外部资金提供者对这类企业所要求的风险补偿，进而会降低这部分企业的融资成本，即我们可以通过提高企业抵御风险能力，即企业流动资产与流动负债的比率来提高企业的融资能力。而体现企业流动资产的一个重要方面就是企业的现金流持有数量，因此提升企业的现金流水平，对于企业融资成本的降低或融资能力的提高至关重要。

第二，创新、优化产业结构。

良好的企业风险抵御能力往往需要整个市场具有合理的产业结构。因此未来若想进一步提升资本市场企业的融资能力，政府应该从宏观层面密切关注市场需求，不断发展市场需求，开展产业升级转型，提高技术产品科技含量，根据当前供给侧结构调整要求，扩大企业规模；创新内控制度，增加主营业务，提高资产周转率，提高企业盈利能力，加强成本控制，提高净利润，以此来降低企业的融资成本，提高企业的融资能力。

第三，创新融资方式。

在加强企业内部治理的同时，我们要准确平衡企业的风险抵御能力与资本周转、盈利能力等其它因素的关系，引导企业走出民营借贷主导的圈子，将间接融资与股权、债权、投资等直接融资方式有机结合，拓宽融资渠道，通过并购增加企业总资产，扩大企业综合硬实力，以此降低企业的融资成本。

第四，创新政策措施，创造有利于人工智能企业发展的良好环境。

样本企业对信贷资金的依赖性较强，债权权益利用率较低。除了企业的主观偏好因素外，这一现象还与现行政策法规的约束有关。因此，在深化金融体系改革的同时，应积极推进以人工智能企业直接融资为重点的支持政策，最大程度地为人工智能企业的发展创造良好的环境。

 

参考文献

陈海强，韩乾，吴锴.融资约束抑制技术效率提升吗?——基于制造业微观数据的实证研究[J].金融研究，2015(10):148-162.

陈永伟.人工智能与经济学：近期文献的一个综述[J].东北财经大学学报，2018(03):6-21.

程兴华.中小民营企业融资创新研究：融资路径依赖与内生性契约构建[J].经济管理，2015(16):10-15.

李宪印，刘忠花，于婷.中国生态农业上市公司技术效率测度及政策研究——基于面板数据的实证分析[J].中国软科学，2016(07):162-171.

林钟高，丁茂桓.内部控制缺陷及其修复对企业债务融资成本的影响——基于内部控制监管制度变迁视角的实证研究[J].会计研究，2017(04):73-80.

钱雪松，代禹斌，陈琳琳，方胜.担保物权制度改革、融资约束与企业现金持有——基于中国《物权法》自然实验的经验证据[J].会计研究，2019(01):72-78.

余倩，宋良荣.基于人工智能产业的融资效率分析——DEA模型视角[J].经营与管理，2023(02):29-35.

 

赵烁，中国社会科学院工业经济研究所博士，助理研究员，研究方向为能源经济、公司治理。

 

赵烁.人工智能企业抵御风险能力对融资成本的影响研究——基于我国智能制造试点示范项目的证据[J].中国物价,2023,(08):106-108+124.