企業(yè)人工智能戰(zhàn)略驅(qū)動因素研究

劉英鐸 陳奕

摘 要： 隨著人工智能技術(shù)的發(fā)展，越來越多的企業(yè)開始采用人工智能技術(shù)作為企業(yè)轉(zhuǎn)型發(fā)展的戰(zhàn)略，然而現(xiàn)有研究尚未很好解釋企業(yè)成功開展人工智能戰(zhàn)略的驅(qū)動因素。基于資源基礎(chǔ)理論，對內(nèi)外部環(huán)境中的分類變量進(jìn)行One-Hot編碼，將企業(yè)采用人工智能戰(zhàn)略前后CAGR的差值作為因變量，在對各變量進(jìn)行最大最小歸一化后構(gòu)建了LASSO回歸模型，通過LASSO模型篩選出47個具有顯著影響因素的變量，再用被篩選出的47個變量構(gòu)建CART算法的決策樹，探索企業(yè)人工智能戰(zhàn)略的條件。研究發(fā)現(xiàn)，企業(yè)在銷售凈利率、市凈率、是否為美元股票、每股現(xiàn)金流量凈額、每股凈資產(chǎn)、存貨周轉(zhuǎn)率、管理費(fèi)用占比、非流動負(fù)債占比、歸屬母公司的利潤占總利潤的比例以及總市值等方面滿足一定的條件，則更有可能成功開展人工智能戰(zhàn)略。

關(guān)鍵詞： 人工智能戰(zhàn)略;CAGR;LASSO回歸;CART決策樹;資源基礎(chǔ)理論

中圖分類號： F 27 ? 文獻(xiàn)標(biāo)志碼： A

Abstract： With the development of Artificial Intelligence technology， more and more companies adopt Artificial Intelligence strategy to improve their competitiveness. Based on Resources-Based View， this paper aims to explore the prerequisites of successfully carrying out Artificial Intelligence strategy. Using financial data of Fortune 500 companies who implemented this strategy， this paper uses quantitative modeling method. This paper first establishes a Lasso regression model with variables of the internal resources of the companies and the external environments as the independent variables， the difference of CAGR before and after the adopting of the Artificial Intelligence strategy as the dependent variables. As a result， 47 significant factors are selected by the regression model. Then these 47 factors are then set as the new variables in the CART decision tree model to explore the scenarios for companies to adopt Artificial Intelligence strategy. Through the analysis of the decision tree model， several potential conditions for companies to adopt Artificial Intelligence strategy are found， which are net profit margin， PB value， country. In conclusion， company with low profitability of its main business and sufficient cash flow is the ideal candidate for successful Artificial Intelligence strategy transformation.

Key words： AI strategy; CAGR; LASSO; CART decision tree; Resource-Based View

1 文獻(xiàn)綜述和理論基礎(chǔ)

1.1 文獻(xiàn)綜述

根據(jù)本文對人工智能戰(zhàn)略的定義，國內(nèi)外相關(guān)研究可以被分為三個層次。第一個層次主要探討了企業(yè)在實際的運(yùn)營和管理中對于人工智能技術(shù)的應(yīng)用，第二個層次則主要針對企業(yè)采用人工智能戰(zhàn)略時應(yīng)具備的條件，第三個層次研究了對目前企業(yè)開展人工智能效果的評價。

大量對于人工智能在企業(yè)運(yùn)營管理中應(yīng)用的研究集中在銷售、戰(zhàn)略決策、財務(wù)和風(fēng)險控制領(lǐng)域。Lee等人（2012）研究了便利店行業(yè)中應(yīng)用混合人工智能的銷售預(yù)測系統(tǒng)。Francisco等人（2013）概述了自20世紀(jì)70年代起，應(yīng)用于產(chǎn)業(yè)市場營銷的人工智能系統(tǒng)研究，并對這一領(lǐng)域未來的發(fā)展做出了預(yù)測。Gavai等人（2015）研究了對來自企業(yè)內(nèi)部社群和實時在線數(shù)據(jù)的內(nèi)部威脅進(jìn)行偵測的有監(jiān)督的和無監(jiān)督的方法。Chen等人（2010）探討了人工智能技術(shù)在虛擬企業(yè)風(fēng)險管理領(lǐng)域的應(yīng)用。Kosowski和Gola（2016）探討了應(yīng)用人工智能方法的基于風(fēng)險的制造訂單成本的估算方法。Pavlenko等人（2017）研究了人工智能方法在虛擬企業(yè)交通物流問題方面的應(yīng)用，并提供了一個解決方案。針對企業(yè)財務(wù)風(fēng)險問題，林穎華等人（2017）使用基于關(guān)聯(lián)規(guī)則挖掘的方法構(gòu)建新的分析模型，挖掘了企業(yè)風(fēng)險指標(biāo)的類型和規(guī)則數(shù)量，進(jìn)而探討了企業(yè)多個財務(wù)指標(biāo)之間的相互作用和聯(lián)系，并提出了關(guān)于企業(yè)財務(wù)風(fēng)險防范的建議。

對于企業(yè)開展人工智能戰(zhàn)略的條件主要還集中在商務(wù)智能應(yīng)用的條件下。Kokin（2014）利用Smart-PLS軟件，采用統(tǒng)計分析方法和結(jié)構(gòu)方程建模分析和檢驗了企業(yè)商務(wù)智能能力間的關(guān)系和企業(yè)智能能力對其商務(wù)智能應(yīng)用成功的影響。Williams等人（2007）認(rèn)為衡量一個企業(yè)是否具備應(yīng)用商務(wù)智能的條件主要有以下幾個因素：企業(yè)戰(zhàn)略的配合、持續(xù)提升的企業(yè)文化、關(guān)于應(yīng)用和分析信息的企業(yè)文化、商務(wù)智能投資組合的管理能力、決策流程工程化的文化、商業(yè)智能和數(shù)據(jù)倉庫的技術(shù)基礎(chǔ)，以及商業(yè)或信息技術(shù)的合作伙伴。徐貴寶（2018）認(rèn)為，開展人工智能戰(zhàn)略必須有適合的場景，或可以將現(xiàn)有技術(shù)改造以適應(yīng)場景，開展人工智能也必須有足夠的前期業(yè)務(wù)數(shù)據(jù)和流程數(shù)據(jù)的積累。劉玉然（2003）認(rèn)為，開展人工智能戰(zhàn)略首先需要企業(yè)具備高水平的企業(yè)管理能力，其次是需要對企業(yè)的計算機(jī)應(yīng)用系統(tǒng)進(jìn)行集成，實現(xiàn)企業(yè)各部門之間的數(shù)據(jù)共享，最后是要具備在戰(zhàn)略數(shù)據(jù)規(guī)劃基礎(chǔ)上建設(shè)的主題數(shù)據(jù)庫。

對于人工智能戰(zhàn)略開展效果也存在較多研究。覃姍姍和鐘書華（2017）利用AHP層次分析法分析了中國33個上市企業(yè)開展人工智能戰(zhàn)略的效果，得出了企業(yè)智能專業(yè)化的排名。潘可可（2018）對人工智能企業(yè)科大訊飛的盈利質(zhì)量進(jìn)行了分析，研究表明科大訊飛的盈利能力不斷下降、盈利持續(xù)穩(wěn)定性不足，其盈利質(zhì)量存在隱憂。

可以發(fā)現(xiàn)，目前的研究主要集中于人工智能技術(shù)的開發(fā)和應(yīng)用，缺少專門對于進(jìn)行人工智能應(yīng)用的企業(yè)所需具備的先決條件的研究。事實上，大量企業(yè)盲目開展人工智能方向的投資，其結(jié)果并不理想。采用人工智能戰(zhàn)略的確具備提升企業(yè)競爭力的功能，但由于缺乏關(guān)于如何開展以及如何評價人工智能戰(zhàn)略的研究，企業(yè)很難獲得是否投資于人工智能戰(zhàn)略的專業(yè)指導(dǎo)。中國的人工智能研究才剛剛起步，過分強(qiáng)調(diào)大數(shù)據(jù)、云計算、深度學(xué)習(xí)等技術(shù)而忽視了對于技術(shù)應(yīng)用的主體企業(yè)的指導(dǎo)性研究，過度的重技術(shù)、輕管理很可能導(dǎo)致這一領(lǐng)域的研究事倍功半。

因此，本論文將著力于分析企業(yè)如何判斷是否具備開展人工智能戰(zhàn)略的條件，并利用量化分析的手段以求更為嚴(yán)謹(jǐn)?shù)亟⑵鹣鄳?yīng)的模型。

1.2 資源基礎(chǔ)理論

資源基礎(chǔ)理論誕生于80年代中期。Wernerfet（1984）認(rèn)為，公司的內(nèi)部資源對于公司的運(yùn)營和獲利以及維持較強(qiáng)的競爭能力至關(guān)重要。Wernerfet的研究意味著資源基礎(chǔ)理論的誕生，他的觀點(diǎn)對此后多年的企業(yè)戰(zhàn)略理論研究產(chǎn)生了重要的影響。Conner（1991）在Wernerfet的基礎(chǔ)上完善并系統(tǒng)地闡述了企業(yè)資源學(xué)說，即考慮了企業(yè)外部的產(chǎn)業(yè)環(huán)境分析又考慮內(nèi)部的資源分析的一種全新的企業(yè)理論。Collis和Montgomery（1995）強(qiáng)調(diào)了企業(yè)資源價值的評估不能局限于對于企業(yè)內(nèi)部的分析，而應(yīng)當(dāng)結(jié)合其所在的產(chǎn)業(yè)環(huán)境展開全面的比較性分析。經(jīng)過80年代末至90年代初的發(fā)展，資源基礎(chǔ)理論，也即企業(yè)資源學(xué)說，已經(jīng)成為企業(yè)戰(zhàn)略管理理論中的一個重要分支。

根據(jù)Maijoor等人（1996）的定義，企業(yè)資源學(xué)說結(jié)合了內(nèi)部組織能力理論與外部競爭戰(zhàn)略理論。基于企業(yè)資源學(xué)說，企業(yè)制定相關(guān)戰(zhàn)略需要考慮其具有的內(nèi)部資源和其所處的外部環(huán)境，根據(jù)外部環(huán)境合理配置內(nèi)部資源才能制定出切實有效的企業(yè)發(fā)展戰(zhàn)略。

Maijoor等人（1996）認(rèn)為，基于資源基礎(chǔ)理論，資源可以被分為有形資源與無形資源，而能力則可以被定義為應(yīng)對快速變化的外部環(huán)境，企業(yè)整合、配置與利用企業(yè)資源從而形成競爭優(yōu)勢的能力。資源基礎(chǔ)理論認(rèn)為企業(yè)的競爭力來自使得公司區(qū)別于競爭者的資源組合。因此，企業(yè)開展人工智能戰(zhàn)略是通過區(qū)別于其他競爭者的人工智能能力獲得優(yōu)異效益的資源配置過程。

因此，本研究在建立判斷企業(yè)是否具備開展人工智能戰(zhàn)略的條件的模型時，也將從考慮企業(yè)的外部競爭和內(nèi)部能力出發(fā)。

衡量外部競爭的因素主要為企業(yè)所在行業(yè)和企業(yè)總部所在的國家或地區(qū)，不同的國家或地區(qū)和行業(yè)代表不同的市場，從而在一定程度上代表了企業(yè)所在市場的競爭格局以及人工智能的發(fā)展情況。姜勇等人（2007）在《企業(yè)戰(zhàn)略轉(zhuǎn)型的本質(zhì)及其影響因素分析》中闡述了企業(yè)外部環(huán)境，包括企業(yè)所在國家或地區(qū)的政策因素，對于戰(zhàn)略轉(zhuǎn)型的影響。以美國為例，伊昊智（2017）等在《人工智能各國戰(zhàn)略解讀：美國人工智能報告解析》中提到，美國政府將在政府部門中推廣人工智能應(yīng)用，加大政府在人工智能研究和人才培養(yǎng)方面的投入，并開發(fā)公共數(shù)據(jù)集。人工智能的國家戰(zhàn)略將會推動人工智能的發(fā)展，為企業(yè)開展人工智能戰(zhàn)略掃清障礙。

同時在企業(yè)所在行業(yè)方面，新興產(chǎn)業(yè)的企業(yè)可能會有更大的可能性適應(yīng)人工智能戰(zhàn)略。徐貴寶（2018）認(rèn)為開展人工智能戰(zhàn)略需要企業(yè)加快制定智能化發(fā)展戰(zhàn)略，加快人工智能技術(shù)的研究、應(yīng)用和部署，積極進(jìn)行智能化產(chǎn)品轉(zhuǎn)化，積極開拓智能化市場，加大投資力度，加快人才聚集。相較于傳統(tǒng)企業(yè)，新興企業(yè)更易于吸納人工智能人才，也更易于開展人工智能研究、應(yīng)用和部署。

衡量內(nèi)部能力的因素則主要在于企業(yè)的償債能力、盈利能力、經(jīng)營效率以及市值等財務(wù)指標(biāo)，通過這些財務(wù)指標(biāo)可以看出企業(yè)面對風(fēng)險和應(yīng)對競爭的能力。對于企業(yè)的內(nèi)部資源而言，企業(yè)的各項財務(wù)指標(biāo)，包括償債能力、盈利能力、經(jīng)營效率等，可以作為企業(yè)進(jìn)行投資活動的重要影響因素。馮驍勇（2014）在《企業(yè)管理中的財務(wù)比率分析及運(yùn)用》中論述了財務(wù)比率在企業(yè)管理中的重要作用。他認(rèn)為財務(wù)比率可以為企業(yè)投資提供財務(wù)依據(jù)，通過合理的計算可以指導(dǎo)企業(yè)選擇合適的投資項目?？紤]到企業(yè)采用人工智能戰(zhàn)略，開展新的人工智能應(yīng)用可以被視為一種投資活動，因此各項財務(wù)比率在判斷企業(yè)是否具備開展人工智能戰(zhàn)略的判斷上具有重要的指導(dǎo)作用。

2 研究一：影響企業(yè)成功采用人工智能戰(zhàn)略的因素

2.1 研究問題

根據(jù)資源基礎(chǔ)理論的分析，企業(yè)在決策人工智能戰(zhàn)略時需要考慮的內(nèi)部和外部的因素多且范圍廣。為了更好地針對其中較為重要的因子進(jìn)行選擇，本文建立了LASSO模型，通過實證分析篩選出對人工智能戰(zhàn)略影響較大的因素。

2.2 研究方法介紹

LASSO（least absolute shrinkage and selection operator）是一種回歸分析方法。LASSO在回歸系數(shù)絕對值之和小于某個給定常數(shù)的約束條件下最小化回歸模型的均方誤差，由此求得最終的回歸系數(shù)。由于上述約束，LASSO會產(chǎn)生一些值為0的回歸系數(shù)。LASSO繼承了嶺回歸的一些優(yōu)點(diǎn)，同時也可以作為變量篩選的方法。LASSO可以有效降低多元回歸分析中多重共線性的負(fù)面影響，適合稀疏數(shù)據(jù)的分析處理，同時也具備了更強(qiáng)的可解釋性。

其中，βlasso為LASSO回歸方程中的回歸系數(shù)β的估計值。通過梯度下降等數(shù)值優(yōu)化方法對上述目標(biāo)函數(shù)進(jìn)行計算，可以得到最終的回歸系數(shù)的估計值。LASSO在獲取更強(qiáng)的解釋性和魯棒性的同時，也付出了一定的代價，即作為一個參數(shù)模型，其參數(shù)估計是有偏的，且不具備相合性，因此可能存在模型相較普通最小二乘回歸均方誤差較大和R2較小的缺點(diǎn)。

LASSO所具備的特征表明，LASSO可以有效地從多個可能的自變量中提取出有效的（回歸系數(shù)不為0的）變量，進(jìn)而可以用于進(jìn)行變量篩選。本文中可能會對企業(yè)能否成功開展人工智能戰(zhàn)略產(chǎn)生影響的因素多達(dá)一百余個，其中可能存在部分不存在顯著影響作用的因素，因此使用LASSO模型可以有效去除這些無關(guān)或不顯著相關(guān)的因素。

2.3 研究指標(biāo)的選取

2.3.1 自變量選取

本文搜集了財富500強(qiáng)上市公司的財務(wù)數(shù)據(jù)，其中145家曾在其官方白皮書或是年度報告中公布過其人工智能戰(zhàn)略計劃，因此本文選取這些公司作為分析的數(shù)據(jù)源。通過WIND金融終端，本文獲取了這些公司在其公布開展人工智能戰(zhàn)略的前一年的財務(wù)數(shù)據(jù)和這些公司總部所在的國家、公司所屬行業(yè)等，將這些數(shù)據(jù)作為自變量。各類自變量及其具體意義如表1所示。

其中，各類變量中國家（或地區(qū)）、貨幣和行業(yè)指標(biāo)為分類變量，不能直接代入LASSO回歸模型計算，因此需要對這三類數(shù)據(jù)進(jìn)行數(shù)值化編碼。為保證LASSO回歸模型的可解釋性，本文采用One-Hot編碼方法對其進(jìn)行編碼，即對于n分類數(shù)據(jù)，將其編碼為n維向量，其中有且僅有一個分量取值為1，其余均為0。這一編碼將離散特征的取值擴(kuò)展到了歐氏空間，離散特征的某個取值則對應(yīng)歐氏空間的某個點(diǎn)，使得距離計算更為合理。通過這一編碼方式，原始數(shù)據(jù)得以擴(kuò)充產(chǎn)生了較大的稀疏矩陣?？紤]到LASSO的稀疏學(xué)習(xí)能力，采用這一編碼方式可以被認(rèn)為是相對合理的。

2.3.2 因變量的選取和意義

本文使用基于EPS（基本每股收益）的CAGR（compound annual growth rate）作為量化分析的因變量。CAGR即復(fù)合年均增長率，基于EPS的CAGR可以在一定程度上衡量企業(yè)在一定時期的增長情況。通過對于開展人工智能戰(zhàn)略之前的CAGR和開展人工智能戰(zhàn)略之后的CAGR做差，可以衡量企業(yè)是否成功地開展了人工智能戰(zhàn)略。若這一差值為正，可以認(rèn)為企業(yè)的人工智能戰(zhàn)略是相對成功的，反之則認(rèn)為其是相對失敗的?？紤]到EPS有可能為負(fù)數(shù)，傳統(tǒng)的CAGR可能無法得出有效數(shù)值，因此采用近似的CAGR，其計算方法如下：

考慮到不同企業(yè)開展人工智能戰(zhàn)略的時間不同，對于不同企業(yè)，CAGR計算的時段也不同。本文取企業(yè)宣布開展人工智能戰(zhàn)略當(dāng)年到其截至2018年末最后一次公布年報的時間跨度為分析時段長度，計算公司開展人工智能戰(zhàn)略前后這一時段的CAGR并作差，將這一差值作為LASSO回歸模型的因變量代入模型進(jìn)行計算。

2.3.3 數(shù)據(jù)清洗

由于各國采用的會計準(zhǔn)則或是相關(guān)法律法規(guī)的差異，上述因素并非全部完整，部分變量存在一定的數(shù)據(jù)缺失情況。為減輕數(shù)據(jù)缺失對于最終回歸模型的影響，本文對數(shù)據(jù)進(jìn)行了清洗工作。數(shù)據(jù)清洗方法為均值填充。本文分別計算了每個變量在每個行業(yè)中的平均值，對于缺失數(shù)據(jù)使用其公司所在行業(yè)的平均值進(jìn)行填充。

2.3.4 回歸方程的計算

考慮到各個自變量的量綱不同，甚至可能存在數(shù)量級的差異，直接進(jìn)行回歸計算得到的回歸系數(shù)無法直觀地比較各個因素的影響程度，從而難以選出具有較大影響的因素。因此，本文認(rèn)為在計算回歸模型之前需要對數(shù)據(jù)進(jìn)行歸一化處理。本文使用了最大最小歸一化方法對自變量和因變量進(jìn)行處理，處理方法通過如下公式表示：

2.4 模型的建立

LASSO回歸模型需要指定一個超參數(shù)，即LASSO的L1正則項系數(shù)，該參數(shù)無法通過特定算法計算，具有的一定的主觀性。為避免過大的主觀性，本文使用3折交叉檢驗的方法選擇這一超參數(shù)。本文將所有數(shù)據(jù)分為三個部分，每次使用其中兩個部分作為訓(xùn)練數(shù)據(jù)，剩余一個部分作為測試數(shù)據(jù)，計算測試數(shù)據(jù)訓(xùn)練平均R2得分，從1/0.1/0.01/0.005/0.001/0.0005/0.0001中選取得分相對較高且通過模型篩選的變量個數(shù)相對合適的參數(shù)作為最終參數(shù)。

通過交叉檢驗，本文選擇0.0005作為LASSO回歸模型的L1正則項系數(shù)，在該系數(shù)的模型下，測試集平均R2得分為0.698，可以認(rèn)為模型在較大程度上解釋了各個因素對于因變量的影響。在包含One-Hot編碼在內(nèi)的107個自變量中，有60個自變量的回歸系數(shù)為0，因而拋去，剩余47個變量可以被認(rèn)為是對于因變量有顯著影響的因素。但考慮到數(shù)據(jù)已經(jīng)進(jìn)行了歸一化處理，每個變量回歸系數(shù)絕對值的大小可以被理解為該變量對于因變量的影響程度，因此可以將回歸系數(shù)絕對值小于0.05的變量視為影響較小的因素，從最終模型中去除，進(jìn)而得到以上回歸結(jié)果。

2.5 研究結(jié)果

借助python編程語言和相關(guān)數(shù)據(jù)分析包，本文得到了最終回歸模型。以圖片形式表示所有回歸系數(shù)絕對值大于0.05的自變量及其回歸系數(shù)，如圖1所示。

通過上述LASSO回歸模型的計算結(jié)果，可以看出少數(shù)幾個變量對于企業(yè)是否能夠開展人工智能戰(zhàn)略產(chǎn)生了較大的影響。因此，本文將嘗試對這些變量的影響作用進(jìn)行解釋。

每股現(xiàn)金流量凈額與企業(yè)總市值與人工智能戰(zhàn)略轉(zhuǎn)型的成效呈現(xiàn)正相關(guān)關(guān)系，這是符合常識的。充足的現(xiàn)金流和較高的市值可以保證企業(yè)能夠支撐人工智能戰(zhàn)略轉(zhuǎn)型所需的高額研發(fā)費(fèi)用，為企業(yè)的技術(shù)進(jìn)步保駕護(hù)航。

與因變量負(fù)相關(guān)性最大的變量為市凈率，即股價與其賬面價值的比率。這一比率越高則說明企業(yè)存在較高的無形資產(chǎn)或一定的風(fēng)險溢價，由于無形資產(chǎn)無法通過常規(guī)途徑變現(xiàn)，它從側(cè)面表明了企業(yè)可變現(xiàn)投入人工智能技術(shù)研究的資本相對不足，因而市凈率過高可能不利于企業(yè)的新技術(shù)轉(zhuǎn)型。

值得注意的是企業(yè)經(jīng)營性現(xiàn)金流、投資回報率、銷售毛利率以及權(quán)益回報率與人工智能戰(zhàn)略轉(zhuǎn)型的成效呈負(fù)相關(guān)關(guān)系，而營業(yè)外收入凈額在總收入的占比、管理費(fèi)用的占比則呈現(xiàn)出正相關(guān)關(guān)系。這一現(xiàn)象看似不符合直覺，但是是可以解釋的。企業(yè)經(jīng)營性現(xiàn)金流、投資回報率以及權(quán)益回報率較高而營業(yè)外收入凈額在總收入的占比較低，實際上表明了企業(yè)在現(xiàn)有主營業(yè)務(wù)下具有良好的收益，而可以進(jìn)一步發(fā)展的非主營業(yè)務(wù)收入較低，企業(yè)沒有開展基于人工智能技術(shù)的新業(yè)務(wù)的客觀必要性。盲目開展人工智能技術(shù)的研究可能會占用較大的貨幣資本和人力資源，從而對其傳統(tǒng)主營業(yè)務(wù)的正常運(yùn)轉(zhuǎn)造成擠壓，最終反而不利于企業(yè)的戰(zhàn)略轉(zhuǎn)型。企業(yè)的市銷率、稅項占比與因變量的正相關(guān)關(guān)系也在一定程度上印證了這一觀點(diǎn)，市銷率越高說明企業(yè)主營業(yè)務(wù)在總業(yè)務(wù)中的占比相對越低，稅項占比越高說明主營業(yè)務(wù)產(chǎn)生的稅務(wù)費(fèi)用相對較高，這兩點(diǎn)則從側(cè)面表明了企業(yè)開展新業(yè)務(wù)的客觀必要性。

除上述因素之外，企業(yè)的總資產(chǎn)周轉(zhuǎn)率與企業(yè)人工智能戰(zhàn)略轉(zhuǎn)型的成效呈現(xiàn)正相關(guān)關(guān)系，這說明了企業(yè)的償債能力是企業(yè)開展新技術(shù)研發(fā)的重要保證，良好的償債能力可以支撐企業(yè)獲取較多的貸款以進(jìn)行新技術(shù)的研發(fā)工作。

在行業(yè)和國家方面，上述回歸模型的結(jié)果顯示，運(yùn)輸業(yè)、航空航天和國防工業(yè)與最終人工智能戰(zhàn)略轉(zhuǎn)型的成效呈現(xiàn)明顯的正相關(guān)關(guān)系，因此可以認(rèn)為這兩個行業(yè)在當(dāng)前具有較好的人工智能技術(shù)應(yīng)用空間，開展人工智能戰(zhàn)略相較其他行業(yè)具有較高的發(fā)展前景，這與當(dāng)前人工智能技術(shù)的發(fā)展情況是相符的。值得注意的是以澳元作為上市貨幣的企業(yè)具有一定的發(fā)展優(yōu)勢，這可能與澳大利亞的相關(guān)政策有關(guān)，也有可能是澳大利亞上市公司的數(shù)據(jù)量過少造成的誤差，此處存疑。

3 研究二：企業(yè)如何判斷是否具備開展人工智能戰(zhàn)略的條件

3.1 研究問題

由于LASSO本質(zhì)上仍是線性回歸，它只能揭示自變量與因變量之間的線性關(guān)系或是趨勢關(guān)系，對于非線性關(guān)系可能無法得到較好的成果，并且這一模型在指導(dǎo)企業(yè)決策方面不夠直觀。因此，本文的研究二基于研究一得出的47個重要因子建立決策樹模型，對企業(yè)開展人工智能戰(zhàn)略的成效進(jìn)行進(jìn)一步分析。

3.2 研究方法介紹

本文使用基于Gini系數(shù)的CART決策樹模型，即分類回歸數(shù)（classification and regression tree）。決策樹通過對不同屬性或自變量的節(jié)點(diǎn)的劃分，把樣本經(jīng)過多層判斷，劃分至不同的類別之中。CART模型在每個節(jié)點(diǎn)的判斷只考慮二分類情況，其判斷標(biāo)準(zhǔn)為Gini系數(shù)，Gini系數(shù)的計算方法如下：

式中：V表示屬性a所有的可能取值;D表示樣本集;Dv表示屬性a取值為v的樣本的集合;|Dv||D|表示屬性a取為v時的樣本數(shù)量和總體樣本數(shù)量的比值。通過這一準(zhǔn)則遞歸劃分?jǐn)?shù)據(jù)集，直至子數(shù)據(jù)集都屬于同一類或者所有特征用光，最終得到完整的決策樹模型。為避免過擬合，在決策樹建立完畢后會進(jìn)行剪枝，以確保模型的魯棒性，并通過交叉檢驗驗證模型的泛化能力。

這一部分本文所研究的問題為企業(yè)如何判斷其是否具備成功開展人工智能戰(zhàn)略的條件，這是一個二分類問題，并且回答這一問題所采用的量化模型需要具備一定的可解釋性和良好的泛化能力，以指導(dǎo)企業(yè)判斷自身是否具備該條件?？紤]到?jīng)Q策樹在分類問題中的優(yōu)秀表現(xiàn)和其較其他分類方法更高的可解釋性和魯棒性，本文決定使用決策樹模型嘗試解決這一問題。

3.3 模型的建立

本文將通過LASSO篩選的全部47個變量作為CART決策樹模型的自變量，以目標(biāo)公司開展人工智能戰(zhàn)略前后CAGR的差值為基礎(chǔ)對數(shù)據(jù)進(jìn)行標(biāo)注，借助Python編程語言和相關(guān)數(shù)據(jù)分析程序包進(jìn)行CART決策樹模型的建立。此模型為二分類模型，本文將所有開展人工智能戰(zhàn)略前后CAGR的差值為正的標(biāo)注為類別“1”，開展人工智能戰(zhàn)略前后CAGR的差值為負(fù)的標(biāo)注為類別“0”?？紤]到模型的可解釋性，本文設(shè)置CART決策樹最大深度不超過5層，最大葉節(jié)點(diǎn)個數(shù)不超過25個。

經(jīng)過計算，本文得出了一個最大深度為5、最大葉節(jié)點(diǎn)數(shù)為25的決策樹模型，如圖2所示。

這一模型以樹狀結(jié)構(gòu)描述了企業(yè)判斷能否開展人工智能戰(zhàn)略的決策步驟。針對決策樹中所用到的各類屬性，本文借助Gini系數(shù)計算了各個屬性的重要性程度，并按照這一程度進(jìn)行了排序，各屬性的重要性如圖3所示。

本文使用交叉驗證的方法對模型進(jìn)行檢驗，以確保模型沒有陷入過擬合，保證決策樹具有一定的泛化能力和魯棒性。本文從所有數(shù)據(jù)中隨機(jī)抽取30%作為測試數(shù)據(jù)，其余的作為訓(xùn)練數(shù)據(jù)，進(jìn)行交叉驗證所需的數(shù)據(jù)劃分。

考慮到衡量分類器性能不能單純運(yùn)用分類正確率作為標(biāo)準(zhǔn)，因為可能會受到類別不均衡問題的較大影響，因此本文選擇使用ROC曲線（receiver operating characteristic curve）作為模型在測試集上的性能度量。ROC同時考慮了模型的查準(zhǔn)率和查全率，以真陽性率作為縱坐標(biāo)、假陽性率作為橫坐標(biāo)繪制，這一曲線越靠近左上角說明模型的可靠性越高。本文通過計算ROC曲線下側(cè)面積（AUC）的方式量化模型的可靠性，AUC大于0.5說明模型具有一定的正確性，這一數(shù)值越接近1說明這一模型越可靠。上述模型的ROC曲線如圖4所示。

該模型的ROC曲線明顯向左上角凸出，說明模型具有一定的正確性，模型的AUC達(dá)到了0.7583，可以證明這一模型具備一定的可靠性，可以在一定程度上指導(dǎo)公司判斷其是否已經(jīng)具備了開展人工智能戰(zhàn)略的條件。

3.4 研究結(jié)果

如圖3所示，決策樹最終采用的屬性主要為銷售凈利率、市凈率、是否為美元股票、每股現(xiàn)金流量凈額、每股凈資產(chǎn)、存貨周轉(zhuǎn)率、管理費(fèi)用占比、非流動負(fù)債占比、歸屬母公司的利潤占總利潤的比例以及總市值。

上述指標(biāo)有部分在LASSO模型中回歸系數(shù)小于0.05，被認(rèn)為存在相關(guān)性但相關(guān)性相對不夠明顯。造成差異的原因可能在于，LASSO模型作為線性統(tǒng)計模型只能衡量各變量之間的線性相關(guān)性或趨勢相關(guān)性，對于非線性問題可能表現(xiàn)不足。相對而言層數(shù)較深的決策樹則可以在一定程度上應(yīng)對非線性可分問題。

決策樹模型顯示，判斷企業(yè)是否具備開展人工智能戰(zhàn)略的條件應(yīng)當(dāng)首先考慮銷售凈利率。也就是說當(dāng)主營業(yè)務(wù)發(fā)展良好的情況下，應(yīng)當(dāng)更謹(jǐn)慎地考慮人工智能戰(zhàn)略轉(zhuǎn)型，因為作為新興技術(shù)，研發(fā)人工智能應(yīng)用需要付出大量的人力物力成本，因而有可能造成對于主營業(yè)務(wù)的擠壓，戰(zhàn)略轉(zhuǎn)型具有較大的機(jī)會成本，短期內(nèi)有可能弊大于利。

若主營業(yè)務(wù)相對盈利能力不足，則說明企業(yè)進(jìn)行人工智能戰(zhàn)略轉(zhuǎn)型具有一定客觀必要性。在這樣的情況下，企業(yè)應(yīng)當(dāng)注重其存貨周轉(zhuǎn)率，當(dāng)周轉(zhuǎn)率較高時可能暗示著盲目進(jìn)行人工智能技術(shù)研究可能會影響企業(yè)的正常活動進(jìn)而導(dǎo)致失敗。若周轉(zhuǎn)率相對不算太高，則應(yīng)考慮母公司獲取收益的占比。若母公司可以獲取較高的收益，則說明母公司有能力主導(dǎo)整個企業(yè)，因而有利于開展公司層面的人工智能戰(zhàn)略轉(zhuǎn)型。若這一比率較低則需要考慮每股凈資產(chǎn)，若凈資產(chǎn)較高，則更易于獲取較高的人工智能戰(zhàn)略轉(zhuǎn)型成效，反之則應(yīng)當(dāng)考慮市銷率，市銷率較高則說明企業(yè)更有可能成功開展人工智能戰(zhàn)略。

若主營業(yè)務(wù)相對具有較高的營業(yè)能力，則公司進(jìn)行人工智能戰(zhàn)略轉(zhuǎn)型面臨失敗的可能性相對較大。此時若市凈率較低，企業(yè)進(jìn)行人工智能戰(zhàn)略轉(zhuǎn)型成功的可能性相對較低，反之則較高。這與LASSO模型的結(jié)論產(chǎn)生了沖突，究其原因可能在于此問題并非線性可分問題，而對于回歸模型而言，部分樣本點(diǎn)對回歸曲線產(chǎn)生的影響可能較大。因而該模型仍有改進(jìn)空間，AUC僅為0.75也說明此模型仍存在錯誤分類的可能。因此，這一決策樹模型只能作為企業(yè)的參考，而不能盲目相信其量化分析結(jié)果。

對于市凈率較高的企業(yè)，公司經(jīng)營使用貨幣主要為美元則更有可能獲取人工智能戰(zhàn)略的成功。可能原因是美國作為人工智能技術(shù)領(lǐng)先的國家，其又有較為完善的人工智能國家層面的戰(zhàn)略支持，開展人工智能戰(zhàn)略相對面臨的壓力較小。而對于非美元國家，總資產(chǎn)周轉(zhuǎn)率過低意味著長期償債能力較差，可能容易造成新技術(shù)研發(fā)過大的資金壓力，進(jìn)而難以成功開展人工智能戰(zhàn)略，反之則更易于成功。

4 結(jié)論

4.1 結(jié)論與建議

對于考慮人工智能轉(zhuǎn)型的企業(yè)而言，本文通過量化實證研究主要提出了以下幾點(diǎn)建議：

1. 企業(yè)需要具備充足的現(xiàn)金流和較高的市值，以保證企業(yè)能夠支撐人工智能戰(zhàn)略轉(zhuǎn)型所需的高額研發(fā)費(fèi)用，為企業(yè)的技術(shù)進(jìn)步保駕護(hù)航。

2. 如果企業(yè)的經(jīng)營性現(xiàn)金流、投資回報率以及權(quán)益回報率較高而營業(yè)外收入凈額在總收入的占比較低，實際上表明了企業(yè)在現(xiàn)有主營業(yè)務(wù)下具有良好的收益，企業(yè)沒有開展基于人工智能技術(shù)的新業(yè)務(wù)的客觀必要性。盲目開展人工智能技術(shù)的研究可能會占用較多的貨幣資本和人力資源從而對其傳統(tǒng)主營業(yè)務(wù)的正常運(yùn)轉(zhuǎn)造成擠壓，最終反而不利于企業(yè)的戰(zhàn)略轉(zhuǎn)型。

3. 若主營業(yè)務(wù)相對盈利能力不足，則說明企業(yè)進(jìn)行人工智能戰(zhàn)略轉(zhuǎn)型可能具有一定的客觀必要性。在這樣的情況下，企業(yè)應(yīng)當(dāng)注重其存貨周轉(zhuǎn)率，當(dāng)周轉(zhuǎn)率較高時可能暗示著盲目進(jìn)行人工智能技術(shù)研究可能會影響企業(yè)的正?；顒舆M(jìn)而導(dǎo)致失敗。

4. 運(yùn)輸業(yè)、航空航天和國防工業(yè)在當(dāng)前具有較好的人工智能技術(shù)應(yīng)用空間，開展人工智能戰(zhàn)略相較其他行業(yè)具有較好的發(fā)展前景。

4.2 研究的不足

本文也存在以下幾點(diǎn)不足：

1. 影響企業(yè)成功采用人工智能戰(zhàn)略的內(nèi)部因素主要集中于財務(wù)指標(biāo)，但可能存在其他無法用財務(wù)指標(biāo)衡量的因素。

2. 影響企業(yè)成功采用人工智能戰(zhàn)略的外部因素僅有企業(yè)所在國家或地區(qū)、所屬行業(yè)和股票發(fā)行所使用的貨幣，但可能存在其他重要因素。

3. 樣本量相對較少且均為大型企業(yè)，可能缺乏一定的代表性。

4. 不同的人工智能戰(zhàn)略可能存在差異，本文未探討人工智能戰(zhàn)略的差異性。

4.3 未來研究展望

未來的研究可以集中在財務(wù)比率以外擴(kuò)展可能影響人工智能戰(zhàn)略發(fā)展的因子，例如企業(yè)組織構(gòu)架對于人工智能轉(zhuǎn)型的影響。同時，隨著人工智能應(yīng)用的不斷細(xì)分，可以將企業(yè)的人工智能戰(zhàn)略劃分為多種，例如基于人工智能本身的商業(yè)模式和在原有商業(yè)模式加入人工智能等。

參考文獻(xiàn)：

[1] TURING A M. Computing machinery and intelligence[J]. Mind， 1950（59）：433-460.

[2] BODEN M A. Artificial intelligence and natural man[M]. New York： Basic Books， 1997.

[3] MCCULLOCH W S， PITTS W. A logical calculus of the ideas immanent in nervous activity[J]. Bulletin of Mathematical Biophysics， 1943（5）： 115-137.

[4] 倪義芳，吳曉波.論企業(yè)戰(zhàn)略管理思想的演變[J].經(jīng)濟(jì)管理，2001（6）：4-11.

[5] 高瑩.人工智能背景下企業(yè)財務(wù)轉(zhuǎn)型探索[J].現(xiàn)代商業(yè)，2019（6）：155-156.

[6] 孫威.人工智能技術(shù)在企業(yè)招投標(biāo)領(lǐng)域的應(yīng)用研究[J].中國招標(biāo)，2018（48）：23-24.

[7] 熊虎.人工智能時代企業(yè)財務(wù)審計的應(yīng)用[J].現(xiàn)代營銷（下旬刊），2019（3）：224-225.

[8] 梁婉容.人工智能在企業(yè)財務(wù)管理中的應(yīng)用及展望[J].國際商務(wù)財會，2018（6）：91-93.

[9] LEE W I， SHIH B Y， CHEN C Y. A hybrid artificial intelligence sales-forecasting system in the convenience store industry[J]. Human Factors and Ergonomics in Manufacturing & Service Industries， 2012，22（3）：188-196.

[10] FRANCISCO J. Artificial intelligence-based systems applied in industrial marketing： an historical overview， current and future insights[J]. Industrial Marketing Management， 2013（42）： 489-495.

[11] GAVAI G， SRICHARAN K， GUNNING D， et al. Supervised and unsupervised methods to detect Insider threat from enterprise social and online activity data journal of wireless mobile networks[J]. Ubiquitous Computing， and Dependable Applications， 2015，6（4）：47-63.

[12] CHEN H N， ZHU Y L， HU K Y， et al. Virtual enterprise risk management using artificial intelligence[J]. Publishing Corporation Mathematical Problems in Engineering Volume， 2010： 20.

[12] KOSOWSKI G， GOLA A. Risk-based estimation of manufacturing order costs with artificial intelligence[J]. Proceedings of the Federated Conference on Computer Science and Information Systems，2016：729-732.

[13] VITALIY P， TETIANA P， OLGA M， et al. Solving transport logistics problems in a virtual enterprise through artificail intelligence methods[J]. Problemy Transportu，2017（12）： 2-4.

[14] 林穎華，陳長鳳.基于關(guān)聯(lián)規(guī)則的企業(yè)財務(wù)風(fēng)險評價研究[J].會計之友，2017（1）：32-35.

[15] SERGEY K. BI能力對BI成功影響機(jī)理研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[16] WILLIAMS S， WILLIAMS N. The profit impact of business intelligence[M].San Francisco： Morgan Kaufmann Publishers， 2007.

[17] 徐貴寶.企業(yè)如何把人工智能戰(zhàn)略落到實處[J].信息通信技術(shù)與政策，2018（8）：54-56.

[18] 劉玉然.談?wù)勅斯ぶ悄茉谄髽I(yè)管理中的應(yīng)用[J].價值工程，2003（4）：95-96.

[19] 覃姍姍，鐘書華.我國人工智能企業(yè)智慧專業(yè)化評價——基于33個上市公司截面數(shù)據(jù)[J].科技與經(jīng)濟(jì)，2017，30（5）：6-10.

[18] 潘可可.人工智能企業(yè)盈利質(zhì)量分析——以科大訊飛為例[J].中國市場，2018（18）：189-190.