楊云飛 高婉瑩 張譯方 華連連

【摘 要】 基于我國(guó)2014—2018年30家人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率面板數(shù)據(jù)，從靜態(tài)視角出發(fā)，采用DEA模型對(duì)人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率進(jìn)行測(cè)算;結(jié)合Malmquist指數(shù)法，聚焦動(dòng)態(tài)視角，對(duì)人工智能上市公司經(jīng)營(yíng)效率動(dòng)態(tài)趨勢(shì)變化進(jìn)行測(cè)度分析;通過構(gòu)建Tobit回歸模型，深度分析人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率影響要素。研究結(jié)果表明：我國(guó)人工智能產(chǎn)業(yè)上市公司整體經(jīng)營(yíng)效率不高且處于下降趨勢(shì)，主要原因在于規(guī)模效率較低;總資產(chǎn)周轉(zhuǎn)率、上市年限與經(jīng)營(yíng)效率具有顯著相關(guān)性，二者是影響人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率的重要因素。根據(jù)實(shí)證研究結(jié)果，提出了促進(jìn)其經(jīng)營(yíng)效率提升的相關(guān)建議。

【關(guān)鍵詞】 人工智能產(chǎn)業(yè); 經(jīng)營(yíng)效率; DEA-Malmquist指數(shù); Tobit模型; 影響因素

【中圖分類號(hào)】 F272.3? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2020）14-0115-07

一、引言

人工智能是引領(lǐng)新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，加快發(fā)展新一代人工智能事關(guān)我國(guó)能否抓住新一輪科技革命和產(chǎn)業(yè)變革的機(jī)遇[ 1 ]。2017年7月8日，國(guó)務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》（國(guó)發(fā)〔2017〕35號(hào)），系統(tǒng)部署和規(guī)劃了面向2030年我國(guó)新人工智能發(fā)展的總體思路、戰(zhàn)略目標(biāo)和主要任務(wù)、保障措施，這表明人工智能已上升為國(guó)家戰(zhàn)略。2019年3月26日，中央全面深化改革委員會(huì)第七次會(huì)議審議通過了《關(guān)于促進(jìn)人工智能和實(shí)體經(jīng)濟(jì)深度融合的指導(dǎo)意見》，這對(duì)加快發(fā)展新一代人工智能，推進(jìn)人工智能與實(shí)體經(jīng)濟(jì)深度融合具有戰(zhàn)略性指導(dǎo)意義。國(guó)家對(duì)人工智能的重視，是當(dāng)代產(chǎn)業(yè)發(fā)展的必然趨勢(shì)。然而，我國(guó)人工智能產(chǎn)業(yè)發(fā)展尚處于初級(jí)階段，與發(fā)達(dá)國(guó)家相比仍存在差距。人工智能上市公司作為人工智能產(chǎn)業(yè)的主要組成部分，目前仍存在研發(fā)投入不足、關(guān)鍵核心技術(shù)與高端裝備對(duì)外依存度較高等諸多問題，因此人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)發(fā)展面臨巨大的壓力和挑戰(zhàn)。鑒于此，探究我國(guó)人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率及其關(guān)鍵影響因素，并針對(duì)性地提出相關(guān)發(fā)展建議，從而提升人工智能產(chǎn)業(yè)的核心競(jìng)爭(zhēng)力，是當(dāng)下亟需解決的重要問題。

目前，國(guó)內(nèi)外鮮有涉及人工智能產(chǎn)業(yè)經(jīng)營(yíng)效率的相關(guān)研究成果，而國(guó)內(nèi)外學(xué)者基于不同視角對(duì)經(jīng)營(yíng)效率則進(jìn)行了諸多研究。國(guó)外學(xué)者對(duì)經(jīng)營(yíng)效率的研究主要集中于以下兩個(gè)方面：一是采用DEA模型或DEA與Malmquist指數(shù)、Tobit等模型相結(jié)合對(duì)醫(yī)院[ 2 ]、木材行業(yè)[ 3 ]、航空公司[ 4 ]等不同研究對(duì)象經(jīng)營(yíng)效率進(jìn)行測(cè)度分析;二是探究質(zhì)量、運(yùn)營(yíng)成本、不良貸款等影響因素與經(jīng)營(yíng)效率的關(guān)系。Marta Arbelo-P■rez等[ 5 ]分析了產(chǎn)出質(zhì)量對(duì)酒店經(jīng)營(yíng)效率的影響，研究表明質(zhì)量對(duì)酒店成本效率有負(fù)向影響，對(duì)利潤(rùn)效率有正向影響。Sakthidharan等[ 6 ]探究了運(yùn)營(yíng)成本對(duì)印度航空公司效率的影響，研究發(fā)現(xiàn)與全方位服務(wù)運(yùn)營(yíng)商相比，低成本運(yùn)營(yíng)商呈現(xiàn)出更高的規(guī)模效率。Partovi等[ 7 ]對(duì)不良貸款與銀行效率之間的關(guān)系進(jìn)行探究，結(jié)果支撐了不良貸款對(duì)技術(shù)效率產(chǎn)生負(fù)面影響的觀點(diǎn)。

國(guó)內(nèi)學(xué)者對(duì)經(jīng)營(yíng)效率的研究相對(duì)較多，聚焦于以下兩個(gè)方面：一方面是采用熵權(quán)法、主成分分析法、隨機(jī)前沿分析方法等對(duì)經(jīng)營(yíng)效率進(jìn)行分析研究。其中，郭小鈺[ 8 ]基于浙江義烏小商品城公司2002—2013年年報(bào)數(shù)據(jù)，采用熵權(quán)法對(duì)專業(yè)市場(chǎng)的經(jīng)營(yíng)績(jī)效進(jìn)行分析研究。羅曉芃等[ 9 ]在構(gòu)建影院經(jīng)營(yíng)績(jī)效評(píng)價(jià)指標(biāo)體系基礎(chǔ)上，采用主成分分析法對(duì)影響經(jīng)營(yíng)績(jī)效進(jìn)行研究。張大鵬等[ 10 ]采用隨機(jī)前沿分析方法測(cè)算了中國(guó)星級(jí)飯店的經(jīng)營(yíng)效率，提出了提升其經(jīng)營(yíng)效率的相關(guān)政策啟示。另一方面是基于DEA模型對(duì)保險(xiǎn)公司[ 11 ]、制造業(yè)上市公司[ 12 ]、生物科技類上市公司[ 13 ]等不同主體的經(jīng)營(yíng)效率進(jìn)行測(cè)度研究。

綜上所述，國(guó)外學(xué)者基于定量研究方法對(duì)產(chǎn)業(yè)經(jīng)營(yíng)效率及影響因素與經(jīng)營(yíng)效率之間的關(guān)系進(jìn)行了研究。相較于國(guó)外關(guān)于經(jīng)營(yíng)效率的研究，國(guó)內(nèi)學(xué)者更偏重于采用多種評(píng)價(jià)方法對(duì)產(chǎn)業(yè)經(jīng)營(yíng)效率進(jìn)行測(cè)度。然而，目前國(guó)內(nèi)外關(guān)于人工智能產(chǎn)業(yè)經(jīng)營(yíng)效率的研究鮮見。同時(shí)對(duì)人工智能產(chǎn)業(yè)的研究更多側(cè)重于定性分析視角，而基于定量視角的相關(guān)研究成果較為匱乏。

鑒于此，本文以人工智能產(chǎn)業(yè)上市公司為切入點(diǎn)，以經(jīng)營(yíng)效率面板數(shù)據(jù)為基礎(chǔ)，采用DEA-Malmquist指數(shù)，分別從靜態(tài)和動(dòng)態(tài)兩個(gè)角度對(duì)經(jīng)營(yíng)效率進(jìn)行測(cè)度研究;通過構(gòu)建Tobit回歸模型，探究影響人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率的關(guān)鍵因素，從而提出提升經(jīng)營(yíng)效率的相關(guān)發(fā)展建議。本研究對(duì)現(xiàn)有研究層面的推進(jìn)重點(diǎn)體現(xiàn)在：立足于實(shí)證研究，豐富并完善了人工智能產(chǎn)業(yè)研究的定量分析成果;結(jié)合橫向與縱向?qū)Ρ确治?，探析人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率發(fā)展趨勢(shì)，挖掘?qū)е陆?jīng)營(yíng)效率偏低的主要原因;結(jié)合上市公司經(jīng)營(yíng)效率特性與資本特性，從多元化視角出發(fā)，剖析影響人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率的主要因素，提出切實(shí)、可操作性的相關(guān)發(fā)展建議。

二、研究方法和數(shù)據(jù)來源

（一）研究方法

根據(jù)上文分析可知，國(guó)外學(xué)者[ 2-4 ]及國(guó)內(nèi)學(xué)者[ 11-13 ]基于DEA模型對(duì)不同產(chǎn)業(yè)經(jīng)營(yíng)效率進(jìn)行了測(cè)度研究，證明DEA模型能夠很好地解決經(jīng)營(yíng)效率測(cè)算問題，因此本文選取DEA模型來測(cè)度人工智能產(chǎn)業(yè)經(jīng)營(yíng)效率。

1.DEA模型

數(shù)據(jù)包絡(luò)分析法（DEA）是1978年由運(yùn)籌學(xué)家Charnes等[ 14 ]首次提出的一種系統(tǒng)評(píng)價(jià)研究方法，是測(cè)度多投入、多產(chǎn)出的決策單元（DMU）相對(duì)效率的一種非參數(shù)統(tǒng)計(jì)方法。

DEA模型最有代表性的是CCR模型和BCC模型。其中，DEA-CCR模型的應(yīng)用前提為DMU的規(guī)模報(bào)酬固定不變，而測(cè)算人工智能產(chǎn)業(yè)經(jīng)營(yíng)效率屬于可變規(guī)模報(bào)酬的情況。因此，本文選取考慮規(guī)模報(bào)酬的DEA-BCC模型。

DEA-BCC模型的基本形式如（1）所示：

其中，eT=（1，1，…，1）∈Em;eT=（1，1，…，1）∈Es。？著是非阿基米德無窮小量，s-、s+為松弛變量。

DMUj0為DEA有效的充要條件是上述約束問題的最優(yōu)解VD=1，且其最優(yōu)解λ0=（λ01，λ02，…，λ0n）T。s0-、s0+、？茲0均滿足VD=？茲0=1，s0-=0，s0+=0;若VD≠1，則DMUj0為非DEA有效[ 15 ]。

2.Malmquist指數(shù)

Malmquist生產(chǎn)率指數(shù)最初由Malmquist[ 16 ]提出，Caves等[ 17 ]學(xué)者在距離函數(shù)等理論基礎(chǔ)上，將該方法應(yīng)用到生產(chǎn)率變動(dòng)情況的測(cè)算，通過取幾何均值的方式來構(gòu)造表示生產(chǎn)率變化的Malmquist指數(shù)。借鑒Fare等[ 18 ]的思路及張悟移、楊云飛[ 15 ]的研究成果，將Malmquist指數(shù)以兩部分乘積的變換形式進(jìn)一步分解。

在規(guī)模收益不變的情形下，Malmquist指數(shù)可分解為技術(shù)效率變動(dòng)指數(shù)（effch）與技術(shù)進(jìn)步變動(dòng)指數(shù)（techch）：

在規(guī)模收益可變的情形下，Malmquist指數(shù)可進(jìn)一步分解為：

其中，以C代表不變規(guī)模收益，以V代表可變規(guī)模收益，（xt，yt）和（xt+1，yt+1）為t至t+1時(shí)期的投入產(chǎn)出向量，dtc/v和dt+1c/v為t至t+1時(shí)期的產(chǎn)出距離函數(shù)。

因此，Malmquist指數(shù)可分解為：

Mt，t+1v，c=（xt+1，yt+1，xt，yt）=effch×techch=pech×sech× techch? （6）

其中，Mt，t+1v，c表示生產(chǎn)率變動(dòng)情況，effch代表技術(shù)效率變動(dòng)指數(shù)，techch代表行業(yè)技術(shù)進(jìn)步情況，pech代表管理提升使技術(shù)效率發(fā)生的變化，sech代表DMU向最佳規(guī)模靠近。

3.Tobit模型

為了進(jìn)一步探究人工智能產(chǎn)業(yè)經(jīng)營(yíng)效率的影響因素，采用DEA-BCC模型測(cè)算出的綜合技術(shù)效率值為因變量（被解釋變量）、相關(guān)影響因素為自變量（解釋變量）建立回歸模型，從而分析各影響因素對(duì)經(jīng)營(yíng)效率的影響。由于DEA-BCC模型測(cè)算的效率值介于0～1之間，屬于截?cái)鄶?shù)據(jù)，若采用最小二乘法進(jìn)行回歸會(huì)產(chǎn)生偏差，且估計(jì)量是不一致的[ 19 ]，因此本文選取James Tobin[ 20 ]提出的受限因變量回歸模型（Tobit模型）進(jìn)行回歸分析。Tobit模型表示如下：

其中，y*是潛在因變量，xi是自變量，？茁是系數(shù)，誤差項(xiàng)？滋i獨(dú)立且服從正態(tài)分布：？滋i～N（0，σ2）。

（二）數(shù)據(jù)來源

人工智能產(chǎn)業(yè)是一種多投入、多產(chǎn)出的復(fù)雜系統(tǒng)，因此合理地選取投入產(chǎn)出指標(biāo)是人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率測(cè)算的關(guān)鍵。關(guān)于投入指標(biāo)，衡量上市公司投入水平一般是從人、財(cái)、物三個(gè)角度出發(fā)?；谌肆嵌龋鄶?shù)學(xué)者選取“員工人數(shù)”作為人工智能產(chǎn)業(yè)上市公司人力投入指標(biāo);基于財(cái)力、物力角度，“資產(chǎn)規(guī)?！笔巧鲜泄驹诮?jīng)營(yíng)活動(dòng)中投入資源規(guī)模的體現(xiàn)，能夠有效反映上市公司的財(cái)力、物力水平。此外，由于人工智能上市公司屬于技術(shù)密集型產(chǎn)業(yè)，研發(fā)是人工智能產(chǎn)業(yè)的核心驅(qū)動(dòng)力，因此選取“研發(fā)費(fèi)用”指標(biāo)作為投入指標(biāo)。關(guān)于產(chǎn)出指標(biāo)，立足于人工智能產(chǎn)業(yè)上市公司在生產(chǎn)經(jīng)營(yíng)活動(dòng)中產(chǎn)生的實(shí)際收益視角，選取“凈利潤(rùn)”“每股凈資產(chǎn)”及“經(jīng)營(yíng)活動(dòng)現(xiàn)金流量?jī)纛~”來衡量其產(chǎn)出水平。其中，“凈利潤(rùn)”能夠反映上市公司的真實(shí)盈利能力;“每股凈資產(chǎn)”體現(xiàn)了上市公司每股股票所具備的資產(chǎn)現(xiàn)值，是衡量上市公司內(nèi)在價(jià)值的關(guān)鍵指標(biāo)之一;“經(jīng)營(yíng)活動(dòng)現(xiàn)金流量?jī)纛~”是上市公司主營(yíng)業(yè)務(wù)收入創(chuàng)造的現(xiàn)金流量，反映了上市公司的真實(shí)價(jià)值。

綜上所述，本文選取的投入指標(biāo)為：?jiǎn)T工人數(shù)（單位：人）、資產(chǎn)規(guī)模（單位：億元）、研發(fā)費(fèi)用（單位：億元）;選取的產(chǎn)出指標(biāo)為：凈利潤(rùn)（單位：億元）、每股凈資產(chǎn)（單位：元）、經(jīng)營(yíng)活動(dòng)現(xiàn)金流量?jī)纛~（單位：億元）。

本文聚焦上市公司人工智能板塊，考慮數(shù)據(jù)的可得性和完備性，剔除ST股及數(shù)據(jù)缺失的樣本，選取30家人工智能上市公司為研究對(duì)象進(jìn)行實(shí)證研究。樣本數(shù)據(jù)主要源自于Wind數(shù)據(jù)庫、CSMAR、RESSET金融研究數(shù)據(jù)庫及上交所、深交所網(wǎng)站公布的上市公司年報(bào)，樣本時(shí)間序列為2014—2018年，各項(xiàng)指標(biāo)的描述性統(tǒng)計(jì)如表1所示。

由于DEA-Malmquist指數(shù)測(cè)算要求投入產(chǎn)出指標(biāo)值為正數(shù)，根據(jù)表1可知，凈利潤(rùn)、經(jīng)營(yíng)活動(dòng)現(xiàn)金流量?jī)纛~指標(biāo)數(shù)據(jù)為負(fù)數(shù)，因此本文采用式（8）對(duì)樣本中含有負(fù)數(shù)的數(shù)據(jù)指標(biāo)進(jìn)行無量綱化處理。

其中，xij為樣本數(shù)據(jù)中第j家上市公司的第i個(gè)指標(biāo)，xij為經(jīng)無量綱化處理后的指標(biāo)，■為第i個(gè)指標(biāo)中的最大值，■為第i個(gè)指標(biāo)中的最小值。

三、實(shí)證研究

（一）基于DEA-BCC模型的人工智能經(jīng)營(yíng)效率靜態(tài)分析

基于DEA-BCC模型，采用DEAP2.1軟件對(duì)2014—2018年人工智能30家上市公司投入產(chǎn)出數(shù)據(jù)進(jìn)行靜態(tài)效率測(cè)算，并對(duì)綜合效率、技術(shù)效率、規(guī)模效率測(cè)算數(shù)據(jù)取5年平均值，得到人工智能上市公司2014—2018年經(jīng)營(yíng)效率測(cè)算結(jié)果，如表2所示。

由表2可知，2014—2018年人工智能產(chǎn)業(yè)綜合效率平均值為0.663、技術(shù)效率平均值為0.836、規(guī)模效率平均值為0.790，以上三者效率平均值均未達(dá)到有效前沿面，尤其是綜合效率5年平均值僅為0.663，與DEA有效水平差距較大，表明我國(guó)人工智能產(chǎn)業(yè)上市公司總體經(jīng)營(yíng)效率水平偏低。

從效率分解角度來看，基于綜合效率分析，我國(guó)人工智能產(chǎn)業(yè)上市公司僅有1家達(dá)到DEA有效水平，占樣本總量的3.33%;基于技術(shù)效率分析，有8家上市公司達(dá)到DEA有效水平，占樣本總量的26.67%;基于規(guī)模效率分析，僅有1家上市公司達(dá)到DEA有效水平，占樣本總量的3.33%。同時(shí)，為進(jìn)一步找出影響綜合效率提升的主要原因，對(duì)2014—2018年每年人工智能上市公司綜合效率、技術(shù)效率及規(guī)模效率的平均值進(jìn)行縱向?qū)Ρ确治?，如圖1所示。

根據(jù)圖1可知，2014—2018年我國(guó)人工智能產(chǎn)業(yè)上市公司綜合效率與規(guī)模效率走勢(shì)趨于同步，且總體呈下降趨勢(shì)，而技術(shù)效率總體呈上升趨勢(shì)。由此可見，導(dǎo)致人工智能上市公司綜合效率偏低的主要原因在于規(guī)模效率較低。

（二）基于Malmquist指數(shù)的人工智能經(jīng)營(yíng)效率動(dòng)態(tài)分析

對(duì)人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率進(jìn)行動(dòng)態(tài)分析，可以有效反映其時(shí)間序列變化情況。同時(shí)，Malmquist指數(shù)與DEA模型能夠有效結(jié)合，是測(cè)算效率動(dòng)態(tài)變化的有效方法。因此，本文對(duì)2014—2018年樣本數(shù)據(jù)進(jìn)行Malmquist指數(shù)測(cè)度，得到我國(guó)人工智能上市公司經(jīng)營(yíng)效率年度指數(shù)及其分解的計(jì)算結(jié)果，如表3所示。

基于Malmquist指數(shù)可知，除2016—2017年外，呈先上升后下降的發(fā)展趨勢(shì)。該指數(shù)平均值來看，2014—2018年均值為0.815，表明人工智能上市公司經(jīng)營(yíng)效率整體呈下降趨勢(shì)，且年均下降幅度為18.5%。

基于Malmquist指數(shù)分解可知，技術(shù)效率變動(dòng)（effch）均值為0.951，技術(shù)變動(dòng)水平（techch）均值為0.857，二者均小于1，表明人工智能上市公司經(jīng)營(yíng)效率下降受技術(shù)效率變動(dòng)及技術(shù)變動(dòng)水平二者共同影響。此外，由于技術(shù)效率變動(dòng)（effch）可進(jìn)一步分解為純技術(shù)效率變動(dòng)（pech）和規(guī)模效率變動(dòng)（sech），2014—2018年，純技術(shù)效率變動(dòng)（pech）大于1，表明隨著國(guó)家層面對(duì)人工智能產(chǎn)業(yè)的日益重視，人工智能上市公司自主創(chuàng)新能力不斷增強(qiáng)，促使其技術(shù)效率不斷提升，而規(guī)模效率（sech）小于1，平均值為0.939，表明人工智能上市公司目前尚未達(dá)到最優(yōu)生產(chǎn)規(guī)模階段。綜上可知，人工智能上市公司經(jīng)營(yíng)效率下降主要是由規(guī)模效率下降引起的。

為進(jìn)一步探究人工智能上市公司之間經(jīng)營(yíng)效率的差異水平，測(cè)算得到2014—2018年樣本公司經(jīng)營(yíng)效率平均Malmquist指數(shù)及分解情況（表4）。

從Malmquist指數(shù)來看，2014—2018年人工智能上市公司該指數(shù)大于1的僅有1家，而其他均為負(fù)增長(zhǎng)狀態(tài)。其中，0.9～1.0之間的有5家，0.8～<0.9之間的有10家，0.7～0.8之間的有11家，0.7以下的有3家，表明我國(guó)人工智能上市公司經(jīng)營(yíng)效率偏低且差異較為顯著。

從Malmquist指數(shù)分解來看，2014—2018年，恒生電子、浙大網(wǎng)新等15家上市公司技術(shù)效率變動(dòng)指數(shù)（effch）大于等于1，大華股份、航天信息等5家上市公司技術(shù)效率變動(dòng)指數(shù)位于0.9～1.0之間，表明我國(guó)人工智能上市公司技術(shù)研發(fā)水平整體處于良好發(fā)展態(tài)勢(shì)。技術(shù)變動(dòng)水平（techch）均呈不同程度的下降趨勢(shì)，表明伴隨國(guó)家戰(zhàn)略層面對(duì)人工智能產(chǎn)業(yè)的重視和支持，我國(guó)人工產(chǎn)業(yè)技術(shù)研發(fā)水平不斷提升，但是技術(shù)進(jìn)步增長(zhǎng)速度放緩，集約化、精細(xì)化已經(jīng)成為引領(lǐng)技術(shù)創(chuàng)新和核心研發(fā)的主導(dǎo)趨勢(shì)。從技術(shù)效率變動(dòng)分解來看，有26家人工智能上市公司純技術(shù)效率變動(dòng)（pech）呈增長(zhǎng)態(tài)勢(shì)，而17家上市公司規(guī)模效率變動(dòng)（sech）呈不同程度負(fù)增長(zhǎng)態(tài)勢(shì)，進(jìn)一步表明我國(guó)人工智能上市公司經(jīng)營(yíng)效率下降的主要原因在于規(guī)模效率降低。

（三）基于Tobit模型的人工智能經(jīng)營(yíng)效率影響因素分析

為了進(jìn)一步探究人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率的影響因素，本文以DEA-BCC模型測(cè)算得到的綜合效率值為被解釋變量，以經(jīng)營(yíng)效率影響要素面板數(shù)據(jù)為解釋變量，通過構(gòu)建Tobit回歸模型，對(duì)我國(guó)人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率影響要素進(jìn)行實(shí)證研究。

假設(shè)一：總資產(chǎn)周轉(zhuǎn)率與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。本文選取總資產(chǎn)周轉(zhuǎn)率（TAT）衡量人工智能產(chǎn)業(yè)上市公司的營(yíng)運(yùn)能力。

假設(shè)二：股權(quán)集中度與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。本文采用第一大股東持股比例（MSR）表示人工智能產(chǎn)業(yè)上市公司的股權(quán)結(jié)構(gòu)。

假設(shè)三：現(xiàn)金流量債務(wù)比與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。本文選取現(xiàn)金流量債務(wù)比（CFDR）衡量人工智能產(chǎn)業(yè)上市公司的償債能力。

假設(shè)四：主營(yíng)業(yè)務(wù)收入增長(zhǎng)率與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。本文選取主營(yíng)業(yè)務(wù)收入增長(zhǎng)率（MBIGR）衡量人工智能產(chǎn)業(yè)上市公司的成長(zhǎng)能力。

假設(shè)五：上市年限與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。本文選取上市年限（LP，取對(duì)數(shù)）對(duì)人工智能產(chǎn)業(yè)上市公司在經(jīng)營(yíng)管理方面存在的差異予以刻畫。

基于上述理論假設(shè)，構(gòu)建Tobit回歸模型如下：

CRSTEit=C + ？茁1TAT + ？茁2MSR + ？茁3CFDR + ？茁4MBIGR +

？茁5LP+？滋it

其中：CRSTE代表綜合效率，即人工智能產(chǎn)業(yè)上市公司的經(jīng)營(yíng)效率;C為截距項(xiàng);i代表第i家上市公司（i=1，2，3，…，30）;t代表時(shí)期（t=1，2，3，4，5）;，…，表示回歸系數(shù);？滋it表示殘差。

本文采用EVIEWS 8.0統(tǒng)計(jì)分析軟件對(duì)人工智能上市公司經(jīng)營(yíng)效率影響因素進(jìn)行Tobit回歸分析，結(jié)果如表5所示。

根據(jù)表5回歸分析結(jié)果，研究發(fā)現(xiàn)：

第一，研究假設(shè)一論斷不成立?？傎Y產(chǎn)周轉(zhuǎn)率與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈顯著負(fù)相關(guān)關(guān)系，與研究預(yù)期并不一致，事實(shí)上這正符合人工智能上市公司目前的經(jīng)營(yíng)現(xiàn)狀。人工智能上市公司為了防止資金周轉(zhuǎn)困難，必然會(huì)加強(qiáng)信用管理，導(dǎo)致銷售收入下滑，因此造成短期內(nèi)總資產(chǎn)周轉(zhuǎn)率下降。此外，人工智能上市公司為了提升公司研發(fā)水平，強(qiáng)化競(jìng)爭(zhēng)優(yōu)勢(shì)，通常會(huì)加大對(duì)科技研發(fā)設(shè)備的投入，導(dǎo)致行業(yè)內(nèi)普遍存在“重資產(chǎn)、慢周轉(zhuǎn)”的問題，這必然造成公司總資產(chǎn)周轉(zhuǎn)率下降。因此，總資產(chǎn)周轉(zhuǎn)率下降是影響人工智能上市公司經(jīng)營(yíng)效率的重要原因。

第二，研究假設(shè)二論斷成立。股權(quán)集中度與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈顯著正相關(guān)關(guān)系。人工智能產(chǎn)業(yè)上市公司股權(quán)集中度高，公司決策層能夠針對(duì)市場(chǎng)變化快速做出反應(yīng)，有利于公司把握市場(chǎng)機(jī)遇，獲取更多的市場(chǎng)份額，從而提升公司的經(jīng)營(yíng)效率。然而，股權(quán)集中度也并非越高越好，公司的股權(quán)集中度過高，易產(chǎn)生“一股獨(dú)大”的問題，不利于公司的有效治理及長(zhǎng)遠(yuǎn)發(fā)展，從而阻礙了公司經(jīng)營(yíng)效率的穩(wěn)步提升。

第三，研究假設(shè)三論斷成立?，F(xiàn)金流量債務(wù)比與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。人工智能產(chǎn)業(yè)上市公司現(xiàn)金流量債務(wù)比高，表明公司的短期償債能力強(qiáng)，有利于提升公司的支付現(xiàn)金能力及償還債務(wù)能力，能夠?yàn)楣竟芾碚咦龀稣_的投資決策提供有效保障，因此現(xiàn)金流量債務(wù)比對(duì)人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率的提升具有正向影響作用。

第四，研究假設(shè)四論斷成立。主營(yíng)業(yè)務(wù)收入增長(zhǎng)率與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈正相關(guān)關(guān)系。主營(yíng)業(yè)務(wù)收入增長(zhǎng)率是衡量公司成長(zhǎng)能力的關(guān)鍵所在，我國(guó)人工智能產(chǎn)業(yè)上市公司目前正處于快速發(fā)展期，主營(yíng)業(yè)務(wù)收入增長(zhǎng)率高，反映出公司產(chǎn)品的市場(chǎng)需求度高，市場(chǎng)拓展能力強(qiáng)，能夠保持良好的增長(zhǎng)趨勢(shì)和可持續(xù)發(fā)展態(tài)勢(shì)，因此對(duì)公司經(jīng)營(yíng)效率的提升具有正向推動(dòng)作用。

第五，研究假設(shè)五論斷不成立。上市年限與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈顯著負(fù)相關(guān)關(guān)系。一般而言，公司的上市年限越長(zhǎng)，表明經(jīng)營(yíng)管理水平高，資本積累程度高，產(chǎn)品品牌價(jià)值高，規(guī)模效應(yīng)與市場(chǎng)競(jìng)爭(zhēng)地位凸顯。然而，人工智能產(chǎn)業(yè)屬于新興產(chǎn)業(yè)，上市年限長(zhǎng)的公司往往是在原有產(chǎn)業(yè)基礎(chǔ)上的轉(zhuǎn)型升級(jí)，在高新產(chǎn)品研發(fā)、技術(shù)創(chuàng)新等方面并不具備核心優(yōu)勢(shì)，且易存在創(chuàng)新能力不足、產(chǎn)品更新升級(jí)能力弱等問題，導(dǎo)致公司在市場(chǎng)競(jìng)爭(zhēng)環(huán)境中處于不利地位，阻礙了公司經(jīng)營(yíng)效率的提升。

四、結(jié)論與建議

本文采用DEA-Malmquist指數(shù)及Tobit模型對(duì)2014—2018年我國(guó)30家人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率及其影響因素進(jìn)行了分析。研究結(jié)論如下：第一，基于靜態(tài)視角分析可知，我國(guó)人工智能產(chǎn)業(yè)上市公司總體經(jīng)營(yíng)效率水平偏低，其主要原因在于規(guī)模效率較低;第二，基于動(dòng)態(tài)視角分析，我國(guó)人工智能上市公司經(jīng)營(yíng)效率呈波動(dòng)趨勢(shì)且差異較顯著，但整體處于下降趨勢(shì)，這主要是由于規(guī)模效率降低引起的;第三，基于影響因素視角分析，總資產(chǎn)周轉(zhuǎn)率、上市年限與人工智能產(chǎn)業(yè)上市公司經(jīng)營(yíng)效率呈顯著負(fù)相關(guān)，股權(quán)集中度與經(jīng)營(yíng)效率呈顯著正相關(guān)，現(xiàn)金流量債務(wù)比、主營(yíng)業(yè)務(wù)收入增長(zhǎng)率與經(jīng)營(yíng)效率正相關(guān)。

根據(jù)實(shí)證研究結(jié)論，為了進(jìn)一步提升我國(guó)人工智能產(chǎn)業(yè)上市公司的經(jīng)營(yíng)效率，實(shí)現(xiàn)持續(xù)、穩(wěn)定、高質(zhì)量的發(fā)展方式，筆者提出如下建議：一是適度擴(kuò)大發(fā)展規(guī)模，推進(jìn)產(chǎn)業(yè)融合發(fā)展。在人工智能產(chǎn)業(yè)現(xiàn)有發(fā)展規(guī)?；A(chǔ)上，人工智能上市公司可以拓展“人工智能+”應(yīng)用層面，推進(jìn)人工智能與實(shí)體經(jīng)濟(jì)深度融合，將應(yīng)用布局向全方位、多領(lǐng)域方向延伸，促進(jìn)我國(guó)人工智能發(fā)展規(guī)模進(jìn)一步擴(kuò)大。此外，人工智能龍頭企業(yè)可以采取兼并、收購(gòu)等資本運(yùn)作方式，實(shí)現(xiàn)產(chǎn)品經(jīng)營(yíng)與資本運(yùn)營(yíng)的有效協(xié)同，從而適度擴(kuò)大公司的發(fā)展規(guī)模。二是提高總資產(chǎn)周轉(zhuǎn)率和資金利用率。人工智能產(chǎn)業(yè)上市公司可以適時(shí)采取資產(chǎn)盤活、變現(xiàn)等方式，對(duì)多余、閑置資產(chǎn)進(jìn)行有效處置;同時(shí)，采取定期清理資產(chǎn)方式，對(duì)有效資產(chǎn)、無效資產(chǎn)、租賃資產(chǎn)等進(jìn)行合理分類，從而進(jìn)一步加快公司的資產(chǎn)周轉(zhuǎn)速度，提高資金利用率。三是優(yōu)化經(jīng)營(yíng)管理理念，進(jìn)一步提高研發(fā)創(chuàng)新能力。我國(guó)人工智能產(chǎn)業(yè)上市公司可以借鑒發(fā)達(dá)國(guó)家人工智能產(chǎn)業(yè)發(fā)展經(jīng)驗(yàn)，從戰(zhàn)略視角出發(fā)制定合理的發(fā)展規(guī)劃，在管理理念、模式等方面與時(shí)俱進(jìn)。同時(shí)，強(qiáng)化產(chǎn)業(yè)間技術(shù)協(xié)同，推進(jìn)人工智能上市公司上下游產(chǎn)業(yè)鏈互動(dòng)合作，進(jìn)一步提高產(chǎn)品研發(fā)創(chuàng)新能力，延伸人工智能產(chǎn)業(yè)鏈條，提高我國(guó)人工智能產(chǎn)業(yè)的核心競(jìng)爭(zhēng)力。

【參考文獻(xiàn)】

[1] 吳月輝.人工智能改變未來[N].人民日?qǐng)?bào)，2018- 11-30（020）.

[2] PAI D， HOSSEINI H. Analyzing operational and financial performance of US hospitals using two-stage production process[J].Contemporary Perspectives in Data Mining，2018（3）：49-65.

[3] KROPIVSEK J， PERIC I， BARCIC A P， et al. A comparative evaluation of operational efficiency of wood industry using data envelopment analysis and malmquist productivity index： the cases of Slovenia and Croatia[J]. Drvna Industrija，2019，70（3）：287-298.

[4] MHLANGA O， STEYN J， SPENCER J. The airline industry in South Africa：drivers of operational efficiency and impacts[J].Tourism Review，2018，73（3）：389-400.

[5] ARBELO-P■REZ M， ARBELO A， P■REZ-G■MZE P. Impact of quality on estimations of hotel efficiency[J]. Tourism Management，2017，61：200-208.

[6] SAKTHIDHARN V，SIVARAMAN S. Impact of operating cost components on airline efficiency in India：a DEA approach[J].Asia Pacific Management Review，2018，23（4）：258-267.