人工智能企業(yè)創(chuàng)新績效影響因素識別與關鍵路徑提升分析

摘要：人工智能企業(yè)作為發(fā)展人工智能技術的主體，承載著人工智能發(fā)展壯大的重要使命。以人工智能企業(yè)為研究對象，針對研發(fā)基礎投入不足、產出效率低引起的創(chuàng)新績效不樂觀等問題，采用文獻計量方法構建人工智能企業(yè)創(chuàng)新績效影響因素庫，并利用fsQCA識別創(chuàng)新績效關鍵提升路徑。研究發(fā)現：（1）各影響因素對人工智能企業(yè)創(chuàng)新績效的作用程度不同，“研發(fā)投入”在單個因素構建人工智能企業(yè)高水平創(chuàng)新績效中的權重最高；（2）關鍵影響因素之間存在聯動效應，“企業(yè)規(guī)模-研發(fā)投入驅動型”“研發(fā)投入-政府補貼驅動型”兩個條件組態(tài)都可提升人工智能企業(yè)的創(chuàng)新績效，可以通過互相替代實現高創(chuàng)新績效水平，且兩條提升路徑分別適用于不同發(fā)展情況的人工智能企業(yè)。

關鍵詞：人工智能企業(yè)；創(chuàng)新績效；影響因素識別；提升路徑

中圖分類號：F273.1；F272.5文獻標識碼：ADOI：10.3969/j.issn.1003-8256.2025.01.005

基金項目：教育部人文社會科學研究規(guī)劃基金（23YJA790005）

在當今產業(yè)變革浪潮中，人工智能作為發(fā)展的核心驅動取得了迅猛發(fā)展，進一步上升至國家戰(zhàn)略的高度，并被廣泛視為提升國家競爭力至關重要的新動能?！蛾P于加快場景創(chuàng)新以人工智能高水平應用促進經濟高質量發(fā)展的指導意見》等各類相關產業(yè)政策對加速人工智能發(fā)展起到促進作用，提供長期政策支持。在諸多有利政策的助推下，創(chuàng)業(yè)熱情和投資熱潮在我國的人工智能行業(yè)內得以持續(xù)激發(fā)。中國的人工智能領域呈現出顯著的增長趨勢，截至2022年6月，該領域已有企業(yè)超過3 000家[1]。人工智能企業(yè)作為人工智能產業(yè)發(fā)展的主要承載者，為國家經濟增長注入新的動能，大規(guī)模創(chuàng)造就業(yè)機會，同時也在推動新興產業(yè)孕育和壯大方面發(fā)揮著關鍵作用，對技術、經濟和社會的全面發(fā)展產生著至關重要的影響。當前，新一輪科技革命蓬勃興起，作為引領中國經濟社會長遠發(fā)展的微觀經濟主體，深入剖析和探尋影響人工智能企業(yè)發(fā)展的因素以及創(chuàng)新績效提升路徑，對促進中國科技領域高質量發(fā)展具有重要的現實意義。

當下，多家企業(yè)在不同領域取得顯著的技術突破。這意味著我國不僅在人工智能的核心領域取得了突破，還在與之相關的技術和產業(yè)上取得了成功[2]，包括電子工程、物聯網、智能制造等多個領域。這些創(chuàng)新不僅對相關行業(yè)的轉型產生了深遠的影響，還推動了加工制造等領域的深層次改革。但令人警醒的是，我國人工智能產業(yè)發(fā)展仍存在研發(fā)投入低、產出效率低等關鍵問題，如在2022年全球人工智能企業(yè)的投資份額中，美國占比高達53%（270億美元），我國僅為10%（53億美元）；2021年，我國在人工智能領域的專利擁有總量位居全球之首，然而，其中多數屬于門檻較低的實用新型專利。與之形成鮮明對比的是，發(fā)明專利在我國的人工智能專利中所占比例相對較低，僅占總量的23%。這一數字與全球范圍內人工智能領域的發(fā)明專利占比相比，呈現出明顯的差距，全球范圍內發(fā)明專利占人工智能專利總量的比例高達93.15%。

鑒于此，針對我國人工智能企業(yè)發(fā)展過程中存在的研發(fā)基礎投入不足、產出效率低、創(chuàng)新績效不樂觀等問題，本文結合文獻計量方法構建人工智能企業(yè)創(chuàng)新績效影響因素庫，并利用fsQCA識別人工智能企業(yè)創(chuàng)新績效的關鍵提升路徑，旨在為我國的人工智能企業(yè)提供有益的戰(zhàn)略建議和實踐參考。

1創(chuàng)新績效影響因素的識別與梳理

1.1文獻可視化分析

圍繞人工智能企業(yè)創(chuàng)新績效，學者們已經進行了諸多研究。本文圍繞“創(chuàng)新績效”“人工智能企業(yè)”核心關鍵詞，運用CiteSpace對2017年1月1日—2023年6月1日來自CSSCI數據庫的603篇中文文獻和2020年1月1日—2023年6月1日來自Web of Science核心數據庫的664篇英文文獻進行計量分析，結果如圖1（a）和圖1（b）所示。中文文獻中出現頻次較高的影響企業(yè)創(chuàng)新績效的因素有八個，分別是“吸收能力”“動態(tài)能力”“研發(fā)（創(chuàng)新）投入強度”“政府研發(fā)補助（補貼）”“人力資本”“產權性質”“稅收優(yōu)惠”“制度環(huán)境”。其中，頻次較高的共引關鍵詞通常反映研究領域內的研究方向和熱點，中心性則意味著關鍵詞在領域內的影響力[3]。英文文獻所現關鍵詞頻次有九個，分別是“absorbing ability”“innovation ability”“open innovation”“knowledge sharing”“knowledge management”“entrepreneurial orientation”“intellectual capital”“human capital”“ransformational leadership”。結合以上的信息可以發(fā)現，中英文文獻對影響企業(yè)創(chuàng)新績效的因素研究主要聚焦于技術進步、組織運行、環(huán)境支持三方面。

在學術文獻中頻繁共同引用的關鍵詞通常能夠反映出特定研究領域內的研究方向和熱點，中心性則意味著關鍵詞在領域內的影響力[3]。人工智能企業(yè)創(chuàng)新績效影響因素中文文獻的第一高頻關鍵詞是“研發(fā)投入”，頻次為38，這與投入產出理論不謀而合；“人力資本”“政府研發(fā)補貼”緊隨其后，頻次分別為29次和26次，說明企業(yè)技術進步與外部環(huán)境支持對創(chuàng)新績效有重要作用；“開放式創(chuàng)新”“制度環(huán)境”“產權性質”“企業(yè)規(guī)模”等也為高頻關鍵詞，充分說明組織運行和企業(yè)創(chuàng)新績效間的密切關系；此外，“創(chuàng)業(yè)導向”“變革型領導”也為高頻關鍵詞。因此根據CiteSpace呈現的知識圖譜，篩選出頻次大于15的關鍵詞，如表1所示。

再將人工智能企業(yè)創(chuàng)新績效中英文文獻的中心性進行整理統(tǒng)計。通常情況下，當一個關鍵詞的中心性達到或超過0.01時，可以合理地推斷該關鍵詞在研究領域中擔當著重要的關鍵節(jié)點的角色[18]，依據CiteSpace中介中心性的結果，稅收優(yōu)惠、產權性質、創(chuàng)業(yè)導向和變革型領導這些因素的中介中心性低于0.01，因此不將其作為主要影響因素。綜上，人工智能創(chuàng)新績效主要影響因素選取研發(fā)投入、人力資本、企業(yè)規(guī)模、政府研發(fā)補貼和開放式創(chuàng)新。

1.2文獻述評

學者們基于不同角度對創(chuàng)新績效進行研究，主要是將其從過程視角和結果視角進行探討。其中，過程視角主要強調對創(chuàng)新要素從“產出、投入到結果”的整個過程的描述，Janssen等[19]研究表明創(chuàng)新績效是一個新的想法從產生到出現到應用的過程，Laursen等[20]認為創(chuàng)新績效是創(chuàng)新從產生到應用實現商業(yè)化的一系列流程。結果視角則強調對創(chuàng)新結果的反應，我國學者將創(chuàng)新績效定義為“新產品的出現及市場份額的提升”，國外學者將創(chuàng)新績效歸納為企業(yè)的新穎且有用的產出。國內外學者對創(chuàng)新績效的研究核心都是探尋影響創(chuàng)新績效的因素以及如何提升創(chuàng)新績效，但經過分析發(fā)現，該領域仍存在值得進一步研究的空間：現有研究通常使用回歸分析方法來分析單個要素的獨立影響效應，忽略了各因素的聯動效應研究。本文基于整體的動態(tài)視角，運用適合復雜因果關系的定性分析研究方法（QCA）來分析人工智能企業(yè)創(chuàng)新績效影響因素多重條件組合，對各影響因素在創(chuàng)新中更好地發(fā)揮聯動效應進行深入研究。

2研究設計

2.1研究方法

fsQCA方法在探究前因和因果關系方面發(fā)揮了關鍵作用，研究表明，fsQCA方法注重探索前因的復雜性、多因素之間的相互作用和因果關系的非對稱性[21]，可以揭示多個因素之間的合作效應和相互關系[22]。不同因素之間的交互作用可以引發(fā)出許多不同的結果，這種復雜的關系網絡需要更深入地研究人工智能企業(yè)創(chuàng)新績效的內部機制[23]，這些因素之間可能存在相互替代或互補的關系，并且它們可以通過不同的路徑和模式來推動創(chuàng)新的發(fā)展。因此，本研究最終選用fsQCA方法，以探討人工智能企業(yè)創(chuàng)新績效的驅動模式和發(fā)展路徑。從組態(tài)角度，以100家人工智能企業(yè)為研究對象，研究涵蓋技術進步、環(huán)境支持和組織運行三個關鍵維度，揭示人工智能企業(yè)創(chuàng)新的驅動路徑。

2.2分析框架構建

人工智能企業(yè)的創(chuàng)新受到多種因素的相互影響，因此有必要建立一個研究框架，深入研究不同因素如何相互作用以影響企業(yè)的創(chuàng)新績效。通過文獻可視化分析和文獻整理驗證，可以系統(tǒng)性地研究技術進步、環(huán)境支持和組織運作三個因素如何相互關聯，以深入分析其對人工智能企業(yè)創(chuàng)新的主要影響因素和創(chuàng)新驅動路徑。

（1）結果變量

目前關于創(chuàng)新績效的衡量有很多方法，部分文獻采用當年專利申請總量代表創(chuàng)新績效[24]，也有文獻指出新產品銷售收入和企業(yè)利潤這兩個指標為可靠度量標準[25]。已有對專利創(chuàng)新產出的研究發(fā)現專利的關鍵價值不僅局限于創(chuàng)新技術研發(fā)階段，它還在較長時間范圍內對企業(yè)的競爭力和長期發(fā)展產生著深刻而廣泛的影響[26]，在創(chuàng)新績效的研究中具有更廣泛的應用。因此本文選用總專利申請量作為創(chuàng)新績效的衡量標準，取值為2019—2021三年平均值加1的對數。

（2）條件變量

條件變量包括政府研發(fā)補貼（Gsub）、研發(fā)投入強度（RD）、企業(yè)規(guī)模（Size）、人力資本（Labor）、開放式創(chuàng)新（Open）。各條件變量定義及測量方式、數據來源詳見表2，在實際數據計算中取值為2019—2021年三年平均值。

人工智能企業(yè)在追求創(chuàng)新時需要充分考慮各種因素之間的協(xié)同互動，這是實現公司創(chuàng)新績效提升的關鍵。本文從技術進步、組織運行和環(huán)境支持3個層面搭建分析框架，如圖2所示。

（3）樣本選擇與數據來源

選擇2019—2021年同花順人工智能概念股的上市公司（以人工智能相關產品、技術、服務和相關解決方案為主營業(yè)務或者正在進行人工智能技術的開發(fā)和應用的上市企業(yè)）為研究對象。理由有以下幾點：一是數據可靠性強。上市公司受到政府等有關部門更加嚴格的把控，公布的相關研發(fā)數據和專利數據等準確、完整。二是研究問題切合度高。人工智能企業(yè)的專利數據符合創(chuàng)新績效的測度標準，相關人工智能企業(yè)也是以人工智能相關產品、技術、服務和相關解決方案為主營業(yè)務或者正在進行人工智能技術的開發(fā)和應用的上市企業(yè)。同時，為了更準確的測量，對數據進行了初步篩選：剔除ST、*ST和PT等標志的業(yè)績較差的公司；剔除數據缺失或不全的公司。

2.3創(chuàng)新績效影響因素fsQCA組態(tài)效應分析

采用直接校準的方法用于處理模糊性和不確定性的變量，通過調整變量的隸屬度分布，更好地反映實際情況中的不確定性，將變量精確度校準為模糊集。在這一過程中，設定了五個條件變量和一個結果變量的隸屬度分布，同時確定了完全隸屬、轉折點和完全不隸屬的三個定性錨點，錨點的分位數值分別為90%、50%和10%[27]，各變量校準如表3所示。

在進行正式的QCA分析之前，首先進行各個前因條件變量對結果變量的必要性分析，研究數據如表4所示，所有前因條件的一致性均未達到0.9，因此單個前因條件（研發(fā)投入、政府補貼、企業(yè)規(guī)模、人力資本、開放式創(chuàng)新）均不構成結果變量（人工智能企業(yè)創(chuàng)新績效）的必要條件，說明單個條件變量對于企業(yè)創(chuàng)新績效的解釋較弱，進而將條件變量納入真值表分析，進一步探索產生高創(chuàng)新績效的組態(tài)。

采用fsQCA3.0軟件，利用集合理論模型，深入研究人工智能企業(yè)創(chuàng)新績效的多種條件和因素。通過對不同條件的組合進行分析，辨識出了關鍵條件和輔助條件（也被稱為邊緣條件），結果如表5所示。具體來講，QCA分析得到2種人工智能企業(yè)高創(chuàng)新績效的條件組態(tài)，每種組態(tài)的一致性水平以及總體一致性水平均高于0.75，超過可接受水平。兩種條件組態(tài)的總體一致性為0.870，表明該兩種條件組態(tài)可以解釋87%的樣本企業(yè)的高創(chuàng)新績效水平發(fā)展狀態(tài)。根據表5呈現的組態(tài)結果，對高創(chuàng)新績效組態(tài)進行詳細分析。

路徑一：組態(tài)H1中企業(yè)規(guī)模和研發(fā)投入強度是核心存在條件，開放式創(chuàng)新是核心缺失條件。在保證高強度的研發(fā)投入同時擁有龐大的企業(yè)規(guī)模優(yōu)勢，企業(yè)高創(chuàng)新績效才能得以實現，因此將該類驅動路徑命名為“企業(yè)規(guī)模-研發(fā)投入驅動型”，企業(yè)規(guī)模和研發(fā)投入雖起核心作用，但同時需要加大政府研發(fā)補貼的輔助作用。

路徑二：組態(tài)H2表明在企業(yè)人力資本投入較低的情況下，如果其研發(fā)投入水平較高、獲得政府研發(fā)補貼多，仍可使企業(yè)創(chuàng)新績效呈現高水平，將其命名為“研發(fā)投入-政府補貼驅動型”。高技術人才匱乏是導致低創(chuàng)新水平的必要條件，這條提升路徑適用于面對嚴峻政策形勢但資金集中于研發(fā)、專業(yè)技術人才較少的企業(yè)。

進一步對各組態(tài)深入比較分析，可以發(fā)現：（1）技術進步層面，研發(fā)投入強度（RD）存在于所有組態(tài)，實現人工智能企業(yè)高創(chuàng)新績效必須滿足較為充足的研發(fā)投入（組態(tài)H1與H2皆可說明），人力資本（Labor）的缺失對整體技術進步影響作用較弱。（2）組織運行層面，企業(yè)規(guī)模（Size）可以彌補開放式創(chuàng)新（Open）的劣勢，進一步表明企業(yè)規(guī)模在人工智能企業(yè)高創(chuàng)新績效發(fā)展中的重要作用。（3）環(huán)境支持層面，政府研發(fā)補貼（Gsub）是所有組態(tài)的存在條件，說明我國政府對人工智能企業(yè)的研發(fā)補貼投入在構建高水平創(chuàng)新績效的過程發(fā)揮著重要作用，人工智能企業(yè)發(fā)展需要政府的支持。（4）基于組態(tài)H1和H2的分析，說明了某些前因條件變量之間具有潛在替代關系，因此應根據自身發(fā)展情況靈活選擇不同路徑。

2.4穩(wěn)健性檢驗

為了驗證結果的穩(wěn)健性，并排除可能由于閾值的設定不同而導致的潛在偏差，研究采用了另一組隸屬閾值來重新進行fsQCA分析。高創(chuàng)新績效的完全隸屬閾值由原來的90%分位數上升至95%分位數，而完全不隸屬的閾值則由原來的10%分位數降低至5%分位數，結果顯示輸出的兩個組態(tài)和H1、H2相同，覆蓋度和一致性僅發(fā)生輕微的波動，這些變化并不足以支撐具有明顯差異的實質性結論。根據Schneider等[28]提出的兩個QCA結果穩(wěn)健性評估標準，包括集合關系狀態(tài)和擬合參數的差異，研究結果表現出了穩(wěn)健性。受版面所限，過程數據不再展示，留存?zhèn)渌鳌?/p>

3結論與對策

3.1結論

人工智能企業(yè)作為發(fā)展人工智能技術和參與市場競爭的主體，專利產出的數量和質量對我國科技水平以及綜合國力的提升具有重要意義。運用CiteSpace文獻計量的方法對國內外1 267篇有關創(chuàng)新績效影響因素的文章做可視化處理，篩選出研究頻次大于15的影響因素，再根據中介中心性剔除稅收優(yōu)惠、產權性質、創(chuàng)業(yè)導向和變革型領導，共篩選出研發(fā)投入強度、開放式創(chuàng)新、政府研發(fā)補貼、人力資本和企業(yè)規(guī)模共5個關鍵影響因素；以同花順披露的人工智能概念股板塊的上市企業(yè)為研究對象，選取2019—2021年具有代表性的100家人工智能企業(yè)的數據，利用fsQCA總結歸納出不同企業(yè)的創(chuàng)新驅動模式，探討人工智能企業(yè)創(chuàng)新績效的組態(tài)效應及提升路徑。

通過上述研究，得出以下結論：（1）通過權重得出的各影響因素對創(chuàng)新績效的作用結果不同，單個影響因素中“研發(fā)投入”對創(chuàng)新績效的影響作用最高，“人力資本”次之。（2）人工智能企業(yè)存在2條高創(chuàng)新績效的驅動路徑，分別為“企業(yè)規(guī)模-研發(fā)投入驅動型”和“研發(fā)投入-政府補貼驅動型”；通過組態(tài)對比分析發(fā)現，研發(fā)投入是人工智能企業(yè)的高創(chuàng)新績效的關鍵驅動力，適當的人力資本與開放式創(chuàng)新缺失并不總是對高創(chuàng)新績效帶來負面影響，企業(yè)規(guī)模與政府研發(fā)補貼對企業(yè)創(chuàng)新績效的提升具有重要驅動作用。（3）各影響因素之間存在內在的相互聯系，在特定的客觀條件下，不同的創(chuàng)新績效驅動因素之間具備替代的特征，這意味著可以以各種方式相互替代，實現高效的創(chuàng)新績效水平。

3.2對策與建議

基于上述研究結果，提出以下對策與建議：

（1）從企業(yè)角度來講，針對人工智能企業(yè)高創(chuàng)新績效的形成模式，實施差異化的提升策略。具體而言，當企業(yè)資源能力有限時，企業(yè)應重點增加對研發(fā)投入強度的關注以盡量達到高創(chuàng)新績效的目標；當企業(yè)的資源能力可以同時對兩個及以上的因素進行投入時，基于人工智能企業(yè)不同的發(fā)展階段和當前制度環(huán)境，優(yōu)化自身資源配置、及時調整企業(yè)技術創(chuàng)新戰(zhàn)略，選擇適合企業(yè)本身的高創(chuàng)新績效的因素組合，從而抓住技術突破機會。初創(chuàng)階段的人工智能企業(yè)首要目標是讓企業(yè)在競爭激烈的市場中立住腳，需要將著力點放在提升自身創(chuàng)新能力，籌集研發(fā)資金，加大研發(fā)投入的比重；初具規(guī)模的人工智能企業(yè)需要重點關注擴大企業(yè)規(guī)模，繼續(xù)擴大產品市場占有率，在適當時機也可以采取中小企業(yè)合并等舉措，引進高水平研發(fā)人才，提高研發(fā)人員占比規(guī)模以提高創(chuàng)新績效；對市場地位較高、發(fā)展較為完備的人工智能企業(yè)來說，應增加研發(fā)投入、充分利用政府補貼政策形成強大競爭力，努力攻克“卡脖子”技術難關，持續(xù)推進高創(chuàng)新績效發(fā)展。

（2）從其他角度來講，政府應加大政策扶持力度，政府的研發(fā)補貼可對人工智能企業(yè)的技術創(chuàng)新績效產生顯著影響，促進人工智能企業(yè)良性發(fā)展；政府及銀行等金融機構也應建立健全政策對象的選擇機制，如果采用“廣撒網”的方式，可能導致資源浪費，只有合理選擇政策對象，才能高效實現政策目標。對此，政府和銀行等金融機構可以積極推動合作、知識共享，以促進整個人工智能產業(yè)的發(fā)展，更多地關注和支持那些能夠發(fā)揮特殊和重要作用、具備發(fā)展?jié)摿Φ珪簳r面臨困難的人工智能企業(yè)，通過更有針對性的政策和更廣泛的合作，更好地支持人工智能企業(yè)，實現高質量的創(chuàng)新和持續(xù)的發(fā)展。

參考文獻：

[1]中國新一代人工智能發(fā)展戰(zhàn)略研究院.中國新一代人工智能科技產業(yè)發(fā)展報告2023[R/OL].（2023-05-19）[2023-10-15]. https：//cingai.nankai.edu.cn/2023/0519/c10232a512669/page.htm，2023.

[2]王東旭，白全民，張茹瑩，等.技術創(chuàng)新進入時機對企業(yè)績效的影響：以人工智能領域為例[J].科學與管理，2023，43（2）：10-17.

[3]張宇婷，孫換.外來者劣勢研究脈絡與展望：基于CiteSpace的分析[J].科技進步與對策，2021，38（3）：151-160.

[4]劉晨，崔鵬.研發(fā)投入、企業(yè)規(guī)模與人工智能企業(yè)的生產效率：基于三階段DEA模型與Tobit模型的二階段分析[J].財貿研究，2022，33（5）：45-55.

[5]巴曙松，吳麗利，熊培瀚.政府補助、研發(fā)投入與企業(yè)創(chuàng)新績效[J].統(tǒng)計與決策，2022，38（5）：166-169.

[6]方竹蘭，徐騰達.人力資本制度與區(qū)域創(chuàng)新績效：基于模糊集定性比較分析（fsQCA）的研究[J].經濟理論與經濟管理，2021，41（11）：23-34.

[7]裴政，羅守貴.人力資本要素與企業(yè)創(chuàng)新績效：基于上?？萍计髽I(yè)的實證研究[J].研究與發(fā)展管理，2020，32（4）：136-148.

[8]WUA. Improvingtourisminnovationperformance：linking perspectives of asset specificity，intellectual capital，and absorptive capacity[J].Journal of Hospitality Tourism Research，2020，44（6）：908-930.

[9]陳紅，張玉，劉東霞.政府補助、稅收優(yōu)惠與企業(yè)創(chuàng)新績效：不同生命周期階段的實證研究[J].南開管理評論，2019，22（3）：187-200.

[10]ZHAO J. The relationship between coupling open innovation and innovation performance：the moderating effect of platform openness[J].Technology Analysis Strategic Management，2023，35（2）：137-152.

[11]歐春堯，劉貽新，戴海聞，等.人工智能企業(yè)顛覆性創(chuàng)新的影響因素及其作用路徑研究[J].軟科學，2021，35（4）：55-60，111.

[12]董坤坤，王琦.社會資本、融資約束與人工智能企業(yè)創(chuàng)新績效[J].調研世界，2021（12）：43-50.

[13]池仁勇，於珺，阮鴻鵬.企業(yè)規(guī)模、研發(fā)投入對創(chuàng)新績效的影響研究：基于信用環(huán)境與知識存量視角[J].華東經濟管理，2020，34（9）：43-54.

[14]李劍，龔玉霞.高管團隊特征、企業(yè)規(guī)模與創(chuàng)新績效的關系研究：基于人工智能上市企業(yè)的實證分析[J].企業(yè)科技與發(fā)展，2023（3）：106-110.

[15]彭云峰，薛嬌，孟曉華.創(chuàng)業(yè)導向對創(chuàng)新績效的影響：環(huán)境動態(tài)性的調節(jié)作用[J].系統(tǒng)管理學報，2019，28（6）：1014-1020.

[16]ODURO S.Entrepreneurial orientation and innovation performance of social enterprises in an emerging economy[J]. Journal of Research in Marketing and Entrepreneurship，2022，24（2）：312-336.

[17]SHEEHAN M，GARAVAN T N，MORLEY M J. Transformational leadershipandworkunitinnovation：adyadictwo-wave investigation[J].Journal of Business Research，2020，109：399-412.

[18]邵云飛，劉露遙，孔維嘉.企業(yè)數字化轉型的研究現狀及趨勢：基于CiteSpace的可視化分析[J].電子科技大學學報（社科版）， 2023，25（5）：34-45.

[19]JANSSEN O，JOB D. Perceptions of effort-reward fairness and innovative work behaviour[J]. Journal of Occupational and Organizational Psychology，2000，73（3）：287-302.

[20]LAURSEN K，SALTER A.Open for innovation：the role of openness in explaining innovation performance among UK manufacturing firm[J].Strategic Management Journal，2006，27（2）：131-150.

[21]杜運周，賈良定.組態(tài)視角與定性比較分析（QCA）：管理學研究的一條新道路[J].管理世界，2017（6）：155-167.

[22]MORGAN S.Redesigning social inquiry：fuzzy sets and beyond[M]. Raleigh：University of North Carolina Press，2010：23-30.

[23]蘇屹，劉艷雪.國內外區(qū)域創(chuàng)新研究方法綜述[J].科研管理，2019，40（9）：14-24.

[24]李晨光，邱禎君.技術融合對現代制造企業(yè)創(chuàng)新績效的影響：知識基的中介效用[J].技術經濟，2022，41（12）：50-61.

[25]丘東，王維才，謝宗曉.RD投入對地區(qū)創(chuàng)新績效的影響：企業(yè)RD投入的中介效應[J].科技進步與對策，2016，33（8）：41-48.

[26]馬文聰，葉陽平，李小轉，等.政府科技資助對企業(yè)研發(fā)產出的影響：基于我國大中型工業(yè)企業(yè)的實證研究[J].管理評論，2019，31（11）：94-107.

[27]張明，杜運周.組織與管理研究中QCA方法的應用：定位、策略和方向[J].管理學報，2019，16（9）：1312-1323.

[28]SCHNEIDER C，WAGEMANN C. Set-theoretic methods for the social sciences：a guide to qualitative comparative analysis[J]. International Journal of Social Research Methodology，2013，16（2）：165-169.

Identification of Factors Influencing Innovation Performance of Artificial Intelligence Enterprises and Analysis of Key Path Improvement

CHEN Huiying，LIU Tonghui，WANG Jiakun

（College of Economics and Management，Shandong University of Science and Technology，Qingdao 266590，China）

Abstract：The artificial intelligence industry，serving as the main body for the development of AI technology，carries a crucial mission for the growth of artificial intelligence.Focusing on AI enterprises，the article addresses issues such as insufficient RD investment and low innovation performance.It first employs a literature-based approach to construct a library of factors influencing innovation performance in AI enterprises.Secondly，it utilizes fsQCA to identify key paths for enhancing innovation performance.The study reveals：（1）Various factors have varying degrees of impact on AI enterprise innovation performance，with“RD investment”having the highest weight in constructing high-level innovation performance.（2）There are interlocking effects among key factors；conditions like“enterprise size-RD investmentdriven”and“RD investment-government subsidy-driven”can enhance AI enterprise innovation performance. These pathways can achieve high innovation performance levels through mutual substitution，each applicable to AI enterprises in different development situations.

Keywords：artificial intelligence enterprises；innovation performance；identification of influencing factors；upgrade path