1637

《管理世界》|【论文复刻】人工智能如何提升企业生产效率

数据来源

数据皮皮侠团队整理

时间跨度

2007-2022年

数据范围

基础数据和代码

注:参考本篇论文的做法,在收集上市公司的样本数据时,进行了如下处理:

(1)剔除了金融行业公司

(2)剔除了信息传输、软件和信息技术服务业以及科学研究和技术服务行业

(3)剔除当年处于 ST 和*ST 状 态的样本

指标说明

本文选取的变量如以下数据指标体系所示:

注:在本数据集中,非常规高技能劳动力表示为上市公司的研发人员占公司总体员工的比重(%),常规低技能劳动力则表示为100%-非常规高技能劳动力。本数据集将收集到的四个季度的托宾Q的值取算数平均后,做为了企业价值的替代变量。

本数据在收集过程中,研发人员占企业总员工人数数据并不完整,所以非常规高技能劳动力与常规低技能劳动力数据在部分企业和年份存在缺失。

此外,本数据集在进行上市公司年报以及MD&A中人工智能词频分析时,选取的人工智能词典也列示如下。

变量名称

变量符号

变量描述

全要素生产率

TFP

根据奥利和帕克斯(1996)的方法计算

年报人工智能关键词词频

Lnwords

上市公司年报中人工智能关键词数量加1,取自然对数

年报中MD&A部分人工智
 能关键词词频

Lnwords_MD&A

上市公司年报中MD&A部分人工智能关键词数量加1,取自然对数

人工智能专利数量

Lnpatent

上市公司当年申请的人工智能专利数量加1,取自然对数

常规低技能劳动力

Routine

上市公司生产、业务、市场和财务人员数量,除以企业员工人数

非常规高技能劳动力

Non_routine

上市公司技术和研发人员数量,除以企业员工人数

企业价值

Tobinq

企业市场价值/(资产总计-无形资产净额-商誉净额)

公司规模

Size

公司员工总数,取自然对数

公司年龄

Age

公司成立年龄,取自然对数

资产负债率

Leverage

总负债/总资产

成长性

Growth

销售收入增长率,取自然对数

董事会规模

BoardSize

董事会人数,取自然对数

两职合一

Dual

董事长与总经理两职合一时取1,否则取0

股权集中度

Top1

第一大股东持股比例

技术创新

Lnallpats

企业申请专利总数加1,取自然对数

图片

人工智能词典

年份

股票代码

公司名称

总词频

词频加1取对数

人工智能

计算机视觉

图像识别

知识图谱

智能教育

增强现实

智能政务

特征提取

商业智能

智能养老

支持向量机(SVM)

知识表示

模式识别

物联网

人机对话

AI产品

人机交互

数据挖掘

智慧银行

智能客服

虚拟现实

自动驾驶

无人驾驶

智慧金融

大数据营销

长短期记忆(LSTM)

智能芯片

边缘计算

云计算

深度神经网络

AI芯片

深度学习

特征识别

智能保险

智能零售

智能医疗

智能运输

智能家居

循环神经网络

大数据风控   

机器人流程自动化

可穿戴产品

大数据平台

增强智能

大数据运营   

机器翻译

神经网络

语音合成

人机协同

智能农业

智能音箱

卷积神经网络

问答系统

强化学习

大数据分析

自然语言处理

大数据管理

智能计算

语音交互

机器学习

生物识别

语音识别

智能监管

智能投顾

智能语音

声纹识别

人脸识别

智能体

大数据处理

分布式计算

智能传感器   

智能搜索

智能环保

参考文献

姚加权,张锟澎,郭李鹏,等.人工智能如何提升企业生产效率?——基于劳动力技能结构调整的视角[J].管理世界,2024,40(02):101-116+133+117-122.

Logo

更多推荐