中美智能效率的差異及其來源的測量研究

吳淑娟　吳海民

摘 要：為了解答中美智能效率差距如何的疑問，采用中美兩國的智能上市公司數(shù)據(jù)，先后運用DEA-Malmquist指數(shù)分析法和回歸分析法測量兩國智能效率和來源及其與影響因素的關系。研究發(fā)現(xiàn)：在考察期內(nèi)兩國的智能效率均得到改善;我國智能效率均值高于美國，兩國的智能效率輪番升跌;我國智能效率主要來源于其規(guī)模效率，而美國智能效率則主要來源于其純技術效率;兩國企業(yè)的盈利質(zhì)量、資本結構和經(jīng)營能力對其智能效率的影響相近;稅收負擔、盈利能力和融資能力的作用卻迥異。

關 鍵 詞：中國;美國;智能產(chǎn)業(yè);智能效率;影響因素

DOI：10.16315/j.stm.2019.04.017

中圖分類號： F 061.3

文獻標志碼： A

Research on the gap of intelligence efficiency and their sources between China and the United States：based on listed companies data

WU Shu-juan， WU Hai-min

（Economy and Management College，Wuyi University， Jiangmen 529020， China）

Abstract：To answer the question about the gap of intelligence efficiency between China and US， by using the data of intelligent listed companies in China and US， DEA-Malmquist analysis method and multiple regression analysis method are adopted to evaluate the intelligence efficiency， its sources and influencing factors of the two countries respectively. It is found that， the intelligence efficiency in both countries are improved， the average value of the Chinese intelligence efficiency is higher than the US one; and the intelligence efficiency of the two countries has risen and fallen in turn; the intelligence efficiency of China mainly comes from scale efficiency， while the American one mainly comes from pure technological efficiency; corporate profit quality， capital structure and operational capacity have similar impact on the intelligence efficiency of China and US repectively， while the impact of tax burden， profitability and financing capacity is different to intelligence efficiency in the two countries.

Keywords：China; US; intelligent industry; intelligent efficiency; influencing factors

收稿日期： 2019-04-25

基金項目： 國家留學基金地方合作項目（201808440650）;教育部人文社會科學研究一般項目（19YJA790091）;廣東省普通高校特色創(chuàng)新類項目（2016WTSCX114）。

作者簡介： 吳淑娟（1977—），女，副教授，碩士;

吳海民（1976—），男，教授，博士.

美國對人工智能的基礎性研究始于20世紀60年代。經(jīng)過50多年的發(fā)展，美國智能產(chǎn)業(yè)在全球占領先地位。近年來，美國在國家戰(zhàn)略層面重點布局計算機軟硬件、金融、軍事和能源等領域，大力扶持技術研發(fā)機構和各類實驗室，為智能產(chǎn)業(yè)的發(fā)展提供政策、法律、資金、人才等多方面的保障，從而確保其地位。

長期以來，我國大量借鑒美國經(jīng)驗，在制訂和推進戰(zhàn)略規(guī)劃、構建研發(fā)促進機制等方面常對標美國。這引發(fā)了人們對中美智能經(jīng)濟的差距如何的討論。也出現(xiàn)了相關的成果。定性研究方面，中美兩國的比較研究鮮見。國內(nèi)的許亞倩[1]對中美人工智能產(chǎn)業(yè)進行比較全面的定性比較分析;顧暉[2]采用DEA方法比較了中美科技投入與產(chǎn)出效率。國內(nèi)多數(shù)學者并未全盤否定我國的智能產(chǎn)業(yè)，而是認為我國的智能產(chǎn)業(yè)有一定的優(yōu)勢。國外成果則重點圍繞中美兩國智能產(chǎn)業(yè)的核心地帶——硅谷進行研究。例如Steiber等[3]和菲利普·施塔布[4]研究我國應如何挑戰(zhàn)美國硅谷。他們認為我國具有強大的創(chuàng)新能力，其智能產(chǎn)業(yè)得到快速的發(fā)展;中美兩國硅谷的管理模式同中有異，我國智能產(chǎn)業(yè)仍與美國有一定的差距。

智能產(chǎn)業(yè)效率的定量研究方面，鑒于智能產(chǎn)業(yè)發(fā)展應該注重效率[5]，產(chǎn)業(yè)效率又是產(chǎn)業(yè)運行績效的重要評價指標，近年的相關研究日益增多。國內(nèi)以子行業(yè)的效率研究為主，重視智能企業(yè)的技術效率的測量和相關影響因素的實證研究。人工智能行業(yè)是熱點之一。侯志杰等[6]測度我國人工智能企業(yè)技術效率，實證了稅收負擔、獲利能力、政府補貼、資本結構、運營能力和企業(yè)規(guī)模等因素對技術效率的影響。物聯(lián)網(wǎng)行業(yè)是另一個熱點。周方召等[7]測量了我國物聯(lián)網(wǎng)上市企業(yè)的生產(chǎn)效率，檢驗了政府財稅補貼、風險投資參與等企業(yè)外界因素對企業(yè)生產(chǎn)效率的影響。王明哲等[8]在測算物聯(lián)網(wǎng)公司的技術效率、純技術效率和規(guī)模效率等的基礎上，分析企業(yè)內(nèi)部的財務指標對這些效率的影響的顯著性。此外，還有針對我國生態(tài)農(nóng)業(yè)上市企業(yè)[9]、互聯(lián)網(wǎng)企業(yè)[10]、智能電網(wǎng)效率評估方法[11]、大數(shù)據(jù)產(chǎn)業(yè)技術效率及其影響因素[12]、文化傳媒類上市公司科技創(chuàng)新效指數(shù)率[13]、創(chuàng)業(yè)環(huán)境對新創(chuàng)企業(yè)績效的影響等方面的研究[14]、高科技園區(qū)綜合發(fā)展要素及其作用的實證分析等[15]。國外注重資源效率的研究，尤其是注重如何提升能源效率。研究對象涵蓋了智能建筑[16-17]、智能電網(wǎng)[18]、智能交通[19]、智能家居[20]、智能生產(chǎn)等[21]諸多領域。

綜上所述，現(xiàn)有研究大多采用定性分析方法探討中美智能產(chǎn)業(yè)的距離。但單純的定性研究很難從本質(zhì)上全面判斷中美智能經(jīng)濟的差距。而定量研究多是研究智能產(chǎn)業(yè)或其子行業(yè)的技術進步變化、技術效率和能源效率，未能體現(xiàn)智能產(chǎn)業(yè)外部性正產(chǎn)出，難以說明我國與智能先行國家的效率距離如何。如此，其對策建議的針對性難免遭受質(zhì)疑。因此，本文綜合采用比較分析法和DEA-Malmquist模型等方法測量中美兩國的智能效率，探討中美智能效率的來源和影響因素，并提出優(yōu)化我國智能效率的政策啟示，以期能有利于我國智能經(jīng)濟建設和智能創(chuàng)新驅(qū)動戰(zhàn)略的深化實施。

文中的智能效率是指在智能生產(chǎn)活動中，生產(chǎn)要素的投入對包括知識產(chǎn)出、智慧產(chǎn)出和創(chuàng)意產(chǎn)出等知識性產(chǎn)出的總產(chǎn)出的比值。該效率把具有正外部性的知識產(chǎn)出、智慧產(chǎn)出和創(chuàng)意產(chǎn)出等納入到產(chǎn)出指標當中，反映在同樣的人力和資本投入條件下的傳統(tǒng)總產(chǎn)值和智能產(chǎn)出的情況。而該具有正外部性的智能產(chǎn)出正是智能產(chǎn)業(yè)優(yōu)于傳統(tǒng)產(chǎn)業(yè)之處，忽略之必將導致測量結果被低估。

1 中美智能效率的測量與對比

1.1 智能效率的測量

1）測量方法和實證過程。效率的測量方法有參數(shù)方法、半?yún)?shù)方法和非參數(shù)方法。因為兩國智能上市企業(yè)覆蓋的智能子行業(yè)多，且子行業(yè)差異較大，所以不宜采用參數(shù)方法和半?yún)?shù)方法。非參數(shù)方法中的DEA-Malmquist被廣泛運用于各行業(yè)生產(chǎn)效率的測算[22]。該法無需有關投入和產(chǎn)出的價格信息和行為假設，減少了條件限制，適用性頗強，因而為本文所用。該法已經(jīng)頗為流行，不再贅述。

關于實證過程，本文首先運用DEAP 2.0軟件對數(shù)據(jù)進行運算，測量出中美兩國智能企業(yè)的全要素生產(chǎn)率（TFP）指數(shù)值及其分解效率值，以TFP作為智能效率指標;然后對Malmquist函數(shù)模型取對數(shù)，得到TFP指數(shù)及其分解效率指數(shù)的關系模型。運用回歸分析法采用前述結果數(shù)據(jù)進行回歸分析測量TFP指數(shù)和其分解效率指數(shù)之間的關系，從而判斷TFP指數(shù)的來源;再采用合適的影響因素為自變量，以TFP為因變量，采用回歸分析方法實證TFP指數(shù)與影響因素間的關系;最后采用比較分析法探討中美兩國智能效率及其來源和影響因素的差異。

2）評價指標體系的構建。評價指標體系的構建需要考慮兩國上市公司年報的會計項目差異，還要包括通常的投入產(chǎn)出指標和智能產(chǎn)出指標，使測量結果能反映兩國的智能效率。采用的投入變量是資金投入（RADI），采用上市公司的研發(fā)投入金額代表。研發(fā)投入金額是智能企業(yè)的重要投入指標之一，其規(guī)模在一定程度上可以表明企業(yè)的技術水平。產(chǎn)出變量有產(chǎn)值產(chǎn)出（Y）和知識產(chǎn)出（ITA），分別用上市公司的主營業(yè)務收益額和無形資產(chǎn)額代表。無形資產(chǎn)是指企業(yè)擁有或者控制的沒有實物形態(tài)的可辨認的非貨幣性資產(chǎn)，其內(nèi)容包括專利權、非專利技術、管理軟件、商標權、專有技術等，基本上能體現(xiàn)企業(yè)的智能產(chǎn)出。

3）數(shù)據(jù)。數(shù)據(jù)來自我國的深圳證券交易所和上海證券交易所，美國的納斯達克交易所、紐約交易所和美國交易所的上市公司年報?？紤]到我國智能企業(yè)上市時間尚短，因而以2012—2017年為考察期。剔除數(shù)據(jù)缺失的樣本，又剔除B股和H股的樣本，得我國82家和美國66家智能上市企業(yè)的數(shù)據(jù)樣本。樣本覆蓋了無人機、智能電網(wǎng)、3D打印、北斗導航、智能機器、智能家居、智能穿戴、大數(shù)據(jù)、物聯(lián)網(wǎng)、移動支付、智慧城市、半導體零部件、智慧醫(yī)療等子行業(yè)，共計888條。數(shù)據(jù)描述，如表1所示。

1.2 結果的對比

通過對數(shù)據(jù)進行無量綱化，運用DEAP2.0軟件進行測量，再按年份對結果取均值，得到中美智能上市公司的DEA-Malmquist指數(shù)值的年均值，如表2所示。由表2可知：我國的智能效率在觀察期間內(nèi)升降交替。因為DEA-Malmquist指數(shù)為t與t+1期間的相對效率變化，2013年的智能效率值最低，因而2014年的智能效率值最高;美國的智能效率值相對比較平穩(wěn)，除了2017年，其他年份均保持在較高的水平;兩國的智能效率均得到改善，呈現(xiàn)出此消彼長的變化態(tài)勢。除2013年和2015年外，我國的智能效率高于美國。整體而言，我國的智能效率均值高于美國，表明我國近年智能效率改善優(yōu)于美國。這很可能與我國智能產(chǎn)業(yè)處于發(fā)展階段有關，產(chǎn)業(yè)整體尚未穩(wěn)定，容易受到各種因素的影響而波動。而美國智能產(chǎn)業(yè)已經(jīng)相對比較穩(wěn)定，其智能效率因而也更為穩(wěn)定。

2 效率來源的對比

2.1 模型構建、數(shù)據(jù)來源和檢驗

為了判斷中美智能效率的來源，對Malmquist函數(shù)的模型取對數(shù)，得：

TFP=C0+C1ln TECHCH+C2ln PECH+C3ln SECH。（1）

其中：TFP為智能效率，亦即Malmquist指數(shù)，TECHCH為技術進步指數(shù)，PECH為純技術效率變化指數(shù);SECH為規(guī)模效率變化指數(shù);C0為常數(shù)項，C1、C2、C3分別為相應變量的系數(shù)。

數(shù)據(jù)來源于前述智能效率的DEA-Malmquist實證分析。檢驗結果表明變量通過單位根檢驗，也存在協(xié)整關系，運用Eviews6.0進行固定效應回歸分析。

2.2 結果的對比

中美兩國智能效率與TECHCH、PECH和SECH的固定效應回歸分析結果，如表3所示。結果顯示：中美智能效率的來源比較相似，TECHCH、PECH和SECH的系數(shù)均十分相近。在微小的區(qū)別中，可以發(fā)現(xiàn)美國智能效率最大來源是純技術效率變化指數(shù)，其次是技術進步指數(shù)，最后是規(guī)模效率變化指數(shù)。而我國智能效率的最大來源是規(guī)模效率變化指數(shù)，其次是純技術效率變化指數(shù)，最后是技術進步指數(shù)。這表明我國智能產(chǎn)業(yè)規(guī)模擴張對智能效率提升有著重要的作用，智能產(chǎn)業(yè)尚處于產(chǎn)業(yè)規(guī)模擴張的階段。而美國的智能產(chǎn)業(yè)已經(jīng)具備一定的規(guī)模，“質(zhì)的提升”對產(chǎn)業(yè)發(fā)展有重要的促進作用。

3 影響因素的實證分析

借助2013—2017年中美智能效率值和上市公司年報中的影響因素數(shù)據(jù)，運用Stata 12.0軟件，分別采用多元線性回歸方法實證各因素對兩國智能TFP、TECHCH、PECH、SECH的影響程度。

3.1 影響因素的選擇

智能效率受諸多因素影響，包括宏觀的國家政策因素，中觀的行業(yè)因素和微觀的企業(yè)經(jīng)營管理因素等。本文參考文獻6，兼顧兩國上市公司數(shù)據(jù)的可獲得性和研究的可行性，選取以下因素：收益質(zhì)量（INQ）用企業(yè)經(jīng)營活動凈收益與利潤總額的比值表示;稅收負擔（TB）用企業(yè)應交稅費與營業(yè)收入比值表示;獲利能力（INA）用企業(yè)總資產(chǎn)報酬率表示;資本結構（CST）用企業(yè)非流動與總資產(chǎn)的比值表示;營運能力（BA）用企業(yè)總資產(chǎn)周轉率表示;企業(yè)規(guī)模（BS）用企業(yè)總資產(chǎn)的對數(shù)表示;企業(yè)融資能力（FA）用企業(yè)籌資活動產(chǎn)生的現(xiàn)金流量凈額表示。

3.2 實證過程和結果

選取2013—2017年間上述中美智能企業(yè)的年報數(shù)據(jù)。為確保測量結果的有效性，分別使用LLC、IPS、ADF-Fisher、PP-Fisher和Breitung 5種方法進行檢驗，綜合檢驗結果中的P值進行判斷，所有變量均不支持含有單位根的原假設，符合平穩(wěn)的計量要求。

協(xié)整檢驗結果表明，TFP分別與各個因素的Panel rho-Statistic、Panel PP-Statistic、Panel ADF-Statistic、Group PP-Statistic和Group ADF-Statistic檢驗結果均通過檢驗，表明變量之間存在協(xié)整關系。

3.3 實證結果及分析

1）實證結果。中美智能效率的影響因素的實證結果，如表4所示。由表4可知：

美國的智能效率與其經(jīng)營能力、收益質(zhì)量和籌資能力正相關;與資本投資結構、企業(yè)盈利能力和稅收負擔負相關;我國的智能效率與其收益質(zhì)量、稅收負擔、盈利能力和經(jīng)營能力正相關，其中經(jīng)營能力、稅收負擔和收益質(zhì)量的系數(shù)較大;與資本結構和融資能力負相關。

技術進步指數(shù)的影響因素方面，美國的技術進步指數(shù)與其稅收負擔、經(jīng)營能力和融資能力正相關，與收益質(zhì)量、盈利能力、資本結構負相關。我國的技術進步指數(shù)與其收益質(zhì)量、稅收負擔、盈利能力和融資能力正相關，與資本結構和經(jīng)營能力負相關。其中盈利質(zhì)量和稅收負擔的正相關系數(shù)較大，資本結構的負相關系數(shù)較大。

純技術效率變化指數(shù)的影響因素方面，美國的純技術效率變化指數(shù)與其收益質(zhì)量、獲利能力、經(jīng)營能力和融資能力正相關，與其稅收負擔和資本結構負相關。其中經(jīng)營能力的正相關系數(shù)較大。我國企業(yè)的純技術效率變化指數(shù)與其收益質(zhì)量、稅收負擔、資本結構和經(jīng)營能力正相關，與其盈利能力和融資能力負相關，其中盈利能力的負相關系數(shù)較大。

規(guī)模效率變化指數(shù)的影響因素方面，美國的規(guī)模效率變化指數(shù)與其稅收負擔、盈利能力正相關，與其收益質(zhì)量、資本結構、經(jīng)營能力和融資能力負相關，其中資本結構的負相關系數(shù)較大。我國的規(guī)模效率變化指數(shù)與資本結構正相關，與其收益質(zhì)量、稅收負擔、盈利能力、經(jīng)營能力和融資能力負相關。其中收益質(zhì)量和資本結構的正相關系數(shù)較大。

2）結果分析 。綜上所述，各因素對中美各效率或效率變化指數(shù)的影響異同并存。各影響因素對我國智能效率的影響具體如下：

盈利質(zhì)量對我國智能效率的正效應主要源于對其純技術效率和技術進步的正效應。這與路妍等[23]針對商業(yè)銀行的研究發(fā)現(xiàn)一致。我國智能企業(yè)的盈利質(zhì)量對其智能效率的正效應高于對美國智能效率的正效應，這可能與中美智能經(jīng)濟發(fā)展的階段有關。美國的智能經(jīng)濟較發(fā)達。隨著要素投入的積累和產(chǎn)業(yè)規(guī)模的擴張，規(guī)模效率對美國智能效率的邊際效應遞減。相對美國，我國的智能企業(yè)正處于規(guī)模擴張期，提升收益質(zhì)量有利于我國智能企業(yè)追加研發(fā)投入，形成更大的規(guī)模效率，從而對智能效率帶來更強的正效應。

稅收負擔對我國智能效率的正效應主要源于對其純技術效率變化和技術進步的正效應。它對美國智能效率的負效應主要源于對其純技術效率變化的負效應。通常，為保證企業(yè)資金的有效運轉和持續(xù)盈利，實現(xiàn)企業(yè)技術創(chuàng)新能力的提高，企業(yè)需要低利息和低稅收來維持低成本[24]。文中稅收負擔對我國智能效率的正效應似乎有違常理。侯志杰等的研究也發(fā)現(xiàn)稅收負擔對人工智能企業(yè)技術效率起到了明顯的抑制作用。這可能是因為考察期間、數(shù)據(jù)和研究的效率指標的差異而致。而中美兩國智能效率的系數(shù)差異很可能是因為稅收負擔與智能效率之間存在倒U型關系。朱玉飛等[25]的研究正好印證了此觀點。他們利用固定效應模型和門檻模型發(fā)現(xiàn)企業(yè)實際稅負與TFP之間存在明顯的倒U型關系，即當企業(yè)實際稅負處于較低水平時，TFP隨實際稅負增加而逐漸提高，而當實際稅負超過某一水平時，TFP隨之降低。中美的綜合稅負水平孰高這一問題學界爭議較大。根據(jù)經(jīng)合組織統(tǒng)計，在2011—2015年間，美國綜合稅負從23.9%上升到26.4%。而據(jù)我國國稅總局數(shù)據(jù)，2016年中國綜合稅負29%，2017年下降0.07%。因此兩國的綜合稅負水平比較靠近。但是我國政策場景和落地更好[26]，中央和地方政策對智能產(chǎn)業(yè)的稅收優(yōu)惠陸續(xù)出臺。我國智能企業(yè)的實際稅負很可能低于美國。

盈利能力對我國的正效應非常強，這主要是源于對其技術進步指數(shù)的正效應。它對美國智能效率的負效應主要源于對其技術進步指數(shù)的負效應。于海龍等[27]針對乳業(yè)的研究也有類似的發(fā)現(xiàn)。至于盈利能力對美國智能效率有負效應卻對我國的智能效率有正效應的原因可能是盈利能力與智能效率存在倒U型關系，即當企業(yè)盈利能力處于較低水平時，TFP隨著盈利能力增加而逐漸提高，而當盈利能力超過某一水平時，TFP則隨之降低。

資本結構對我國智能效率的負效應主要源于對其技術進步指數(shù)的負效應。它對美國智能效率有負效應，且其負效應更大，這主要源于對其技術進步、規(guī)模效率變化和純技術效率變化的負效應。羅寅等[28]對房地產(chǎn)公司的研究已經(jīng)表明企業(yè)的資產(chǎn)結構與其效率有著莫大的關系。資本結構與中美兩國的智能效率的負相關關系說明中美兩國的智能企業(yè)的非流動資產(chǎn)比重過大，不利于中美兩國的智能效率的提升。

經(jīng)營能力對我國智能效率的正效應主要源于對其純技術效率變化的正效應。它對美國的正效應主要源于其對純技術效率變化和技術進步的正效應。它對我國的效應較美國的大。此發(fā)現(xiàn)與TFP指數(shù)往往是反映企業(yè)盈利能力和發(fā)展能力的一個重要指標[29]的觀點相吻合。

籌資能力對我國智能效率的負效應主要源于對其純技術效率變化和規(guī)模效率的負效應。它對美國的正效應主要源于其對純技術效率變化和技術進步的正效應。理論上，企業(yè)融資能力及其資本配置離不開金融業(yè)的發(fā)展;金融資產(chǎn)配置的優(yōu)化有助于提升經(jīng)濟發(fā)展效率?；I資能力對我國智能效率的負效應很可能與當前我國智能企業(yè)的籌資環(huán)境有關。當前我國的資本市場欠完善，外部融資成本大于內(nèi)部融資成本，企業(yè)投資受到約束，存在融資約束問題[30]。我國智能企業(yè)的融資方式不利于智能技術效率的改進和規(guī)模效率的提升也很可能是另一個重要的原因。而美國的融資渠道相對更為完善，對智能產(chǎn)業(yè)的資金支持更充足，從而有利于提升企業(yè)的融資能力。

4 結論與對策啟示

4.1 結論

針對當前智能經(jīng)濟迅猛發(fā)展，逐漸成為我國經(jīng)濟發(fā)展的新動力的現(xiàn)實背景，本文采用中美智能上市公司數(shù)據(jù)，運用DEA-Malmquist分析方法測量了中美兩國的智能效率，運用回歸分析法檢驗了兩國的智能效率的來源及其影響因素，得以下結論：在考察期內(nèi)，中美兩國的智能效率均得到改善;我國智能效率值相對更高但更不穩(wěn)定，與美國的智能效率值輪番升跌。我國智能效率主要來源于規(guī)模效率變化，而美國智能效率主要來源于純技術效率變化。企業(yè)盈利質(zhì)量和經(jīng)營能力對中美的智能效率均有促進作用，資本結構抑制中美的智能效率。稅收負擔、盈利能力和融資能力對兩國智能效率的效應不同。稅收負擔和盈利能力抑制我國的智能效率，卻促進美國的智能效率。融資能力促進我國的智能效率，卻抑制美國的智能效率。

4.2 對策啟示

基于上述研究，我國發(fā)展智能經(jīng)濟，應該進一步優(yōu)化智能產(chǎn)業(yè)的規(guī)模效率，發(fā)揮規(guī)模效率對智能效率的促進作用;優(yōu)化純技術效率，逐漸實現(xiàn)智能產(chǎn)業(yè)“質(zhì)的提升”;注重改善負面因素的影響。今后應該重點做好以下幾點工作：

提升規(guī)模效率，優(yōu)化企業(yè)的籌資能力，加大產(chǎn)業(yè)規(guī)模。國家已經(jīng)規(guī)劃加大智能產(chǎn)業(yè)規(guī)模，提出到2020年我國人工智能核心產(chǎn)業(yè)規(guī)模要達到1 500億元。但是，我國智能企業(yè)的融資能力約束了規(guī)模效率的提升。加上產(chǎn)業(yè)智能化進程中，“大型企業(yè)唱戲，中小型企業(yè)圍觀”的局面難以打破，中小企業(yè)不具有大型企業(yè)的實力，較難通過自行研發(fā)或是引進國外先進生產(chǎn)線，快速實現(xiàn)規(guī)模擴張的能力較弱。中小型新生智能企業(yè)數(shù)量較多，因而要注重中小企業(yè)融資方式的創(chuàng)新。這可以參考美國硅谷的融資模式和方式，完善創(chuàng)新融資法律制度，放寬融資方式，放寬民營資本準入限制。目前，國家已發(fā)布《十六部門關于印發(fā)發(fā)揮民間投資作用推進實施制造強國戰(zhàn)略指導意見的通知》。今后在完善相應的實施方案的基礎上，促進政策落地，改善智能產(chǎn)業(yè)的資本集中度過高的問題。拓寬中小型智能企業(yè)的融資渠道，支持中小智能企業(yè)利用PE、VC和政府的科技創(chuàng)新基金等風險投資基金;鼓勵商業(yè)銀行創(chuàng)新產(chǎn)品和服務模式，為智能企業(yè)提供更為靈活的融資支持;支持具備條件的中小型智能企業(yè)上市，有效利用金融市場資金。還要加強科技金融服務，為中小型智能企業(yè)開拓融資渠道。推動政府股權基金投向種子期、初創(chuàng)期智能企業(yè)，允許智能企業(yè)回購政府投資基金所持股權。鼓勵科技研發(fā)保險，包括開發(fā)專利執(zhí)行險、專利被侵權損失險等保險產(chǎn)品，從而降低創(chuàng)新主體的被侵權損失。

提升純技術效率，利用包括稅收政策在內(nèi)的宏觀政策促進智能企業(yè)加強科研管理，加強產(chǎn)業(yè)層面的市場調(diào)研，輔助智能企業(yè)優(yōu)化盈利質(zhì)量。2018年，國家發(fā)布提高企業(yè)研究開發(fā)費用稅前加計扣除比例的政策，進一步激勵企業(yè)加大研發(fā)投入，支持科技創(chuàng)新。這將更加精準為企業(yè)科技創(chuàng)新進行減稅，進一步激勵企業(yè)加大研發(fā)投入。今后要在檢驗稅收政策的有效性的基礎上，進一步完善和加強稅收優(yōu)惠政策，使稅收優(yōu)惠政策能真正起到鼓勵技術研發(fā)、技術轉移和激發(fā)市場活力的作用。另一方面，加強對技術研發(fā)的市場需求側的調(diào)研，實現(xiàn)智能技術市場的供需對接，加快智能技術研發(fā)與生產(chǎn)和服務的結合，促進產(chǎn)品創(chuàng)新，滿足求異求新消費者的需求，從而改善企業(yè)的盈利質(zhì)量。

鑒于資本結構對智能效率有較強的負效應，今后應該助力企業(yè)調(diào)整資本結構，優(yōu)化其技術進步指數(shù)。企業(yè)的流動資產(chǎn)與非流動資產(chǎn)的比例、債務占資產(chǎn)比例在很大程度上影響著企業(yè)的效益。調(diào)整企業(yè)的資本結構，主要包括3個方面的工作：一是通過改善融資方式和渠道，增加融資投資，減少債務占比，這是當前比較穩(wěn)妥的方式，能保障智能企業(yè)所有權的穩(wěn)定性;二是要注重對企業(yè)技術創(chuàng)新的影響。鑒于帶有銷售管理色彩的企業(yè)研發(fā)管理方式、境外研發(fā)資金以及行業(yè)外資對技術創(chuàng)新效率提升的作用，今后可以以銷售管理色彩的研發(fā)管理方式，積極引入境外研發(fā)資金和行業(yè)外資。三是加強公共研發(fā)機構和實驗室等公共研發(fā)平臺的建設和完善工作，通過公共研發(fā)平臺研究具有共性的基礎技術，減輕企業(yè)研發(fā)所需的固定資產(chǎn)投入，加強企業(yè)資本的流動性。

本文研究不足之處：上市公司財務數(shù)據(jù)在反映政府行為時有一定的局限性，因此局限于企業(yè)內(nèi)部影響因素的分析，而未能全面考察企業(yè)內(nèi)外部因素的影響。中美智能經(jīng)濟統(tǒng)計數(shù)據(jù)的日益豐富能有助于進一步深入和全面的探討;美國有相當數(shù)量的智能企業(yè)并未上市，本文的研究對象僅限于中美兩國的上市公司，其研究結果不能全面代表中美兩國智能產(chǎn)業(yè)。但是在中美兩國智能經(jīng)濟統(tǒng)計不足的情況下，以上市公司為研究對象是現(xiàn)有條件下的次優(yōu)選擇。

參考文獻：

[1] 許亞倩. 中美人工智能差距何在[J].中國經(jīng)濟報告， 2017（11）：123.

[2] 顧暉.中美科技投入與產(chǎn)出效率的比較研究[D].上海：東華大學，2016：1.

[3] STEIBER，ANNIKA.China versus silicon valley： comparison and implications[M].Cham：Springer，2018：93.

[4] 菲利普·施塔布.中國如何挑戰(zhàn)硅谷[J].國外社會科學，2018（2）：155.

[5] 陳立樞.智慧產(chǎn)業(yè)發(fā)展與中國產(chǎn)業(yè)轉型升級研究[J].改革與戰(zhàn)略，2016（10）：72.

[6] 侯志杰，朱承亮.中國人工智能企業(yè)技術效率及其影響因素研究[J].工業(yè)技術經(jīng)濟，2018，296（6）：31.

[7] 周方召，仲深，王雷.財稅補貼、風險投資與高新技術企業(yè)的生產(chǎn)效率：來自中國物聯(lián)網(wǎng)板塊上市公司的經(jīng)驗證據(jù)[J].軟科學，2013，27（3）：100.

[8] 王明哲，冉倫，張增博.基于DEA-Malmquist和Tobit Regression的物聯(lián)網(wǎng)上市公司效率評價[J].數(shù)學的實踐與認識，2017，47（11）：74.

[9] 李憲印，劉忠花，于婷.中國生態(tài)農(nóng)業(yè)上市公司技術效率測度及政策研究：基于面板數(shù)據(jù)的實證分析[J].中國軟科學，2016（7）：162.

[10] 陳濤，黨興華，賈竇潔，等.互聯(lián)網(wǎng)企業(yè)負債融資對技術效率的動態(tài)耦合效應[J].科研管理，2016，37（12）：132.

[11] 韓冬，嚴正，李磊.基于隨機前沿模型的智能電網(wǎng)效率評估方法[J].電網(wǎng)技術，2015，39（7）：1963.

[12] 韓先鋒，惠寧.中國大數(shù)據(jù)產(chǎn)業(yè)技術效率及其影響因素分析[J].科技管理研究，2016，36（14）：107.

[13] 李葳，李丹.文化傳媒類上市公司科技創(chuàng)新效率研究[J].科技與管理，2012，14（6）：97.

[14] 杜海東，李業(yè)明.創(chuàng)業(yè)環(huán)境對新創(chuàng)企業(yè)績效的影響：基于資源中介作用的深圳硅谷創(chuàng)業(yè)園實證研究[J].中國科技論壇，2012（9）：77.

[15] 湯匯浩.高科技園區(qū)綜合發(fā)展要素及其作用實證分析：以張江高科技園區(qū)與美國硅谷的比較研究為例[J].中國科技論壇，2011（6）：87.

[16] DE PAOLA A，ORTOLANI M，LO RE G，et al.Intelligent management systems for energy efficiency in buildings：a survey[J].ACM Computing Surveys（CSUR），2014，47（1）：13.

[17] PAN J，JAIN R，PAUL S.A survey of energy efficiency in buildings and microgrids using networking technologies[J].IEEE Communications Surveys & Tutorials，2014，16（3）：1709.

[18] XIE W，PAN B，LI Y，et al.A new energy efficiency management and control strategy of grid-friendly-based intelligent electricity[C]//International Conference on Power System.IEEE，2014.

[19] VOVK Y.Resource-efficient intelligent transportation systems as a basis for sustainable development overview of initiatives and strategies[J].Journal of Sustainable Development of Transport and Logistics，2016，1（1）：6.

[20] LI W，LOGENTHIRAN T，WOO W L.Intelligent multi-agent system for smart home energy management[C]//Innovative Smart Grid Technologies-Asia.IEEE，2015.

[21] HOLUBEK R，RUZAROVSKY R.The methods for increasing of the efficiency in the intelligent assembly cell[J].Applied Mechanics and Materials.2014，470：729.

[22] 夏恩君，魏星，周亮錦.基于DEA-Malmquist指數(shù)的中國鐵路運輸業(yè)全要素生產(chǎn)率研究[J].科技與管理，2017，19（4）：69.

[23] 路妍，李剛.后危機時代中國商業(yè)銀行全要素生產(chǎn)率研究：基于DEA模型的Malmquist指數(shù)分析[J].山西大學學報（哲學社會科學版），2018，41（5）：94.

[24] 陳文靜.企業(yè)稅負影響技術創(chuàng)新的機理與實證研究[D].蚌埠：安徽財經(jīng)大學，2017：1.

[25] 朱玉飛，安磊.企業(yè)實際稅負與全要素生產(chǎn)率：一個倒U型關系[J].中南財經(jīng)政法大學學報，2018（5）：9.

[26] 搜狐網(wǎng).北京的人工智能公司，享受稅收低洼地優(yōu)惠政策，合理納稅！[EB/OL].[2018-07-04][2019-02-02]https：//www.sohu.com/a/239311691_100190804.

[27] 于海龍，李秉龍.中國乳業(yè)的全要素生產(chǎn)率及影響因素分析：基于DEA-Tobit模型分析[J].西安財經(jīng)學院學報，2012，25（5）：33.

[28] 羅寅，王洪衛(wèi).宏觀調(diào)控下房地產(chǎn)上市公司資本結構調(diào)整效率研究：基于不同政策環(huán)境與調(diào)整路徑的交叉分析[J].現(xiàn)代財經(jīng)—天津財經(jīng)大學學報，2014（6）：3.

[29] 袁桂秋，胡佐.全要素生產(chǎn)率指數(shù)對企業(yè)經(jīng)營能力的解釋力分析[J].財會月刊，2009（30）：52.

[30] 陳靜. 創(chuàng)業(yè)板制造業(yè)企業(yè)全要素生產(chǎn)率變動與融資約束的關系研究[D].青島：中國海洋大學，2015：1.

[編輯：厲艷飛]