研究速递 | 人工智能、企业成长和产品创新

点击蓝字 关注我们

文献信息

人工智能、企业成长和产品创新

Artificial intelligence, firm growth, and product innovation

作者：Tania Babina, Anastassia Fedyk, Alex He, James Hodson

来源：Journal of Financial Economics, 2024

摘要

我们研究了人工智能技术的使用和经济影响。我们提出了一种利用员工简历来衡量企业级人工智能投资的新方法。我们的衡量方法揭示了各行各业人工智能投资的显著增长。

进行人工智能投资的企业在销售、就业和市场估值方面都有更高的增长。这种增长主要来自于产品创新的增加。如果利用企业对大学人工智能毕业生供应情况的了解程度作为人工智能投资的工具，我们的结果将是稳健的。人工智能推动的增长主要集中在大型企业中，并且与较高的行业集中度相关。我们的结果突出表明，人工智能等新技术可以通过产品创新促进增长和超级明星企业。

01

研究背景

技术变革是投资机会和经济增长的主要驱动力（Romer，1990；Aghion 和 Howitt，1992；Kogan 等人，2017）。过去十年出现了新的技术变革：人工智能（AI）技术的大幅发展及其广泛的商业应用（Furman and Seamans, 2019）。作为一种预测技术，人工智能使企业能够更好、更快地从海量数据中学习，并有可能显著改善商业决策。因此，人工智能可以成为一种通用技术，通过提高生产力和产品创新，在广泛的行业中创造增长（Aghion 等人，2017 年；Agrawal 等人，2019 年）。然而，人工智能能否改变经济并刺激经济增长仍是一个悬而未决的问题，因为在过去十年中，生产力的总体增长乏善可陈，这让人们担心人工智能的好处可能被过度夸大，或者需要更长的时间才能实现（Mihet 和 Philippon，2019 年；Brynjolfsson 等人，2019 年）。迄今为止，缺乏企业层面采用人工智能的全面数据，这是理解人工智能技术的采用模式和经济影响的关键挑战（Seamans 和 Raj，2018 年）。

02

研究思路

在本文中，我们提出了一种基于企业人工智能技能人力资本的人工智能技术投资新衡量标准。人工智能对人类专业技能的严重依赖，使得基于人力资本的方法特别适用于这一环境。我们利用独特的数据集组合来捕捉美国企业对人工智能技能员工的存量和需求：Cognism 公司的简历数据提供了全球 5.35 亿人的工作履历，Burning Glass 公司的职位发布数据捕捉了 1.8 亿个职位空缺。我们的新人工智能衡量标准使我们能够分析人工智能的采用模式，并研究其对采用企业和行业的潜在好处。

我们的主要结论是，对人工智能投资较多的公司会通过增加产品创新实现更高的增长，这可以从商标、产品专利和公司产品组合更新的增加中看出。我们的研究结果表明，迄今为止，人工智能的一阶效应是通过产品创新促进增长，这与人工智能降低了产品开发成本是一致的。

03

方法和创新

与现有文献相比，我们的研究有多项创新。

首先，我们引入了企业层面的人工智能技术投资的新衡量标准。我们的详细数据和衡量方法使我们能够研究人工智能技术对企业的影响，而其他研究侧重于人工智能对劳动力的影响（Acemoglu et al, 2022b），并倾向于从职业或总体层面进行研究（如 Felten et al, 2019）。我们提供了人工智能投资与企业增长相关的新证据，并探讨了这种增长的累积机制。

其次，我们能够衡量各行各业使用人工智能企业的人工智能采用情况，这是对近期以人工智能发明企业为重点的工作（Alderucci et al, 2020）的补充。我们广泛的行业覆盖面使我们能够研究人工智能投资对行业增长和集中度等总体趋势的影响。

第三，由于缺乏与工人个人职业相匹配的美国企业-工人行政数据，我们的Cognism简历数据提供了独一无二的美国职位覆盖范围，具有详细的职位描述，同时代表了截至2018年超过64%的全职美国就业。这使我们能够比较从招聘信息中识别出的人工智能劳动力需求和从简历中识别出的人工智能工人存量。

最后，关于企业人力资本的丰富数据使我们能够衡量和控制混杂因素，如非人工智能信息技术的使用，并捕捉外部人工智能解决方案和软件（如 IPSoft Amelia）的使用。

即使有了我们的详细数据，由于人工智能应用的多面性，识别企业的人工智能投资仍具有挑战性。我们提出了一种新的数据驱动方法来识别与人工智能相关的工作，这种方法不依赖于预先指定的关键字列表，从而规避了这一挑战。相反，我们的算法根据经验，从招聘信息的详细技能中学习每份工作的人工智能相关性。

首先，我们根据每项技能与人工智能核心技能——机器学习、计算机视觉和自然语言处理——的共同出现率来衡量招聘信息数据中每项技能的人工智能相关性。

其次，我们通过平均每个招聘信息所要求的所有技能的人工智能相关性，来衡量该招聘信息的人工智能相关性。

最后，我们利用从招聘信息数据中识别出的与人工智能最相关的技能，对结构化程度较低的简历数据中的人工智能员工进行分类。

对于每一位员工，我们都会考虑其职位名称、职位描述或工作期间发表的任何文章、获得的专利或奖项中是否出现了人工智能相关度最高的技能（如 "深度学习"）。这样，我们就能对每家公司每名员工在每个时间点的情况进行分类。我们将简历数据和招聘信息数据汇总到公司层面，并与 Compustat 数据库中的上市公司进行匹配。令人鼓舞的是，尽管人工智能投资的两个衡量指标基于两个独立的数据集，但它们高度相关，结果一致。

图1：2007年至2018年Cognism

简历数据中某一年所有员工中

被归类为AI相关职位的比例

图2：2007年和2010-2018年

Burning Glass数据中某一年

员工被归类为AI相关职位的比例

如何获取文献？

关注本公众号：图灵财经

点击“阅读原文”直达原文

来源：Journal of Financial Economics

时间：2024

精彩推荐

更多精彩内容