2292 上市公司人工智能技术创新（2000-2025）

人工智能技术变量，是依托创新计量分析技术，通过IPC专利分类识别与计数方法测算企业年度人工智能专利产出，并在跨期比较基础上，将其加1取对数值作为量化判断企业在人工智能技术领域创新投入与知识产出能力的分析视角，核心是通过专利产出的绝对数量与对数化边际变化，揭示企业在技术前沿进行探索、积累与转化的创新强度与知识积累水平。

基于此可展开多方面研究：一是人工智能创新的驱动因素研究，分析不同产权性质、融资约束、管理层背景与行业竞争环境下企业人工智能创新的影响因素差异，探究研发团队、数据资源、算力基础、产学研合作等内部要素与数字基建、技术溢出、产业政策、技术标准等外部环境对人工智能创新的差异化作用机制；二是人工智能技术轨迹的动态研究，追踪企业人工智能专利在技术子类（如机器学习、机器视觉、自然语言处理、智能控制等）的演变路径，揭示其呈现“渐进式改进”、“跨领域融合”或“颠覆式突破”等模式的规律，识别关键技术积累节点与路径依赖特征；三是人工智能创新对经济后果的影响研究，验证人工智能技术积累对企业生产率、市场估值、出口竞争力及长期增长绩效的促进作用，分析其通过成本降低、效率提升、产品创新或商业模式变革等中介路径产生影响的条件与边界；四是人工智能创新的系统联动与协同研究，探索企业微观人工智能创新如何通过技术许可、人才流动、供应链协同与创新联盟等渠道形成中观产业创新网络与区域创新体系，剖析人工智能知识的空间溢出、产业链传导与跨层级协同机制；五是人工智能产业政策的评估与优化研究，考察政府研发补贴、数据开放、试点示范、伦理规制等干预措施对企业人工智能创新的激励效果、结构影响与可能存在的扭曲，为构建激励相容、包容审慎的人工智能创新政策体系提供循证依据。

本数据在参照Zu, X., Ni, G., & Hu, R. (2025) 研究设计的基础上，对识别范围进行了扩展，基于上市公司专利申请数据构建“企业人工智能技术创新数据集”，即通过专利分类识别与面板数据处理方法提取标准化企业人工智能创新强度信息，步骤如下：1、构建基于扩展IPC分类号的人工智能专利识别规则，在原始清单（G06N, G05B, G06F, G06K, G06T, G10L, B25J, G01R, G05D, G08B, H04N, H04L）基础上，新增涵盖计算机视觉（G06V）、AI应用（G06Q, G16H）、医疗AI（A61B）、无人系统（B64C）、无线通信AI（H04W）及智能教育（G09B）等前沿领域的分类号，以更全面地捕捉人工智能技术生态；2、对企业面板专利数据进行清洗、年度归集与公司匹配，筛选申请年度在2000至2025年间的观测值；3、按企业与申请年度分组，统计每年每家公司的AI相关专利申请数量，并计算最终指标：AI_Tech_Innovation = Ln(1 + AI专利年度申请量)。

[1] Zu, X., Ni, G., & Hu, R. (2025). AI technology innovation, knowledge management and corporate environmental sustainability: Evidence from Chinese patent data. Technology in Society, 83, 102984.