摘要:人工智能已成为制造业转型升级的关键技术,但其对企业财务风险的影响尚不明晰。聚焦2012—2023年A股上市制造业企业,通过构建基准回归模型等实证检验发现,人工智能的应用会显著增加制造业企业的财务风险。机制分析表明,资产回报率在人工智能对企业财务风险影响中起到了中介作用,人工智能的应用通过降低制造业企业资产回报率进而增加企业财务风险。此外,小规模企业、小龄企业和非国有企业的财务风险受人工智能的冲击更显著。这一结论经内生性检验、稳健性检验及机制检验后依然稳健。

　　关键词:人工智能;制造业企业;财务风险;资产回报率

　　0引言

　　近年来,人工智能技术的突破性进展重塑了制造业的生产与管理模式,从智能排产系统、AI质检设备到数字化供应链平台,其应用场景不断深化。作为全球制造业规模最大的国家,我国实施“十四五”规划,大力推进智能制造转型。在制造业智能化转型浪潮中,人工智能与财务风险的关系错综复杂。

　　从资源基础理论视角看,人工智能技术本身具备独特性、稀缺性和难模仿性,可作为企业获取竞争优势的关键战略资源。理论上,其深度融入制造业应能显著提升运营效率、降低综合成本,进而优化整体财务状况。然而,制造业具有重资产投入、供应链复杂及成本敏感等特征,在技术迭代初期,企业往往面临高额固定成本投入与短期收益不匹配的困境。

　　动态能力理论为理解这一关系提供了另一重要思路。具备敏锐动态能力的企业,能够高效整合并利用人工智能技术,使其与现有资源体系实现无缝对接,从而充分发挥其技术优势,有效增强财务韧性。反之,若企业缺乏这种动态平衡与适应能力,在技术快速迭代的背景下下,对人工智能投入产出把控不力,易陷入资产回报率下滑、现金流恶化等财务困境。因此,如何科学评估人工智能对制造业财务风险的“双刃剑”效应,成为企业智能化转型中亟待解答的关键命题。

　　本研究选取2012—2023年A股上市制造业企业为研究样本,通过构建固定效应模型,实证分析人工智能应用对企业财务风险的直接影响及其作用机制,并进一步从企业规模、年龄与所有制性质等维度探讨其对财务风险的异质性影响。研究结论可为理解技术转型效率与财务稳健性之间的关系提供理论参考,并为中小企业优化资源配置及相关政府部门制定差异化政策提供实证依据。

　　1文献综述

　　近年来,人工智能技术通过自主学习、数据挖掘与智能决策等能力,深度渗透到制造业的研发、生产、管理等环节,成为推动产业变革的核心驱动力。人工智能不同于传统信息技术,其特有的渗透性、替代性、协同性和创新性等技术经济特征[1],使其能够广泛融入制造业各个领域,其主要通过以下几个核心机制作用于经济发展:第一,在生产效率提升方面,人工智能通过优化制造流程、提高生产效率、降低制造过程的能耗来显著提升全要素生产率,促进经济增长[2];第二,从创新驱动角度看,人工智能不仅推动企业采用创新型差异化竞争战略,还通过强化高管创新认知提升技术落地效率,加速产品迭代和开发个性化服务[3];第三,在区域经济协同层面,人工智能与制造业的深度融合加速了地区经济增长,高收入区域因技术集聚效应获益更为突出[1];第四,在产业链联动方面,通用人工智能通过产业链联动与数据共享,助力构建智能化、协同化的制造业新生态,从而推动跨行业的协同发展与资源整合[4]。作为新一代通用技术,人工智能展现出的广泛经济效应远超单一产业层面,其通过多重路径引发的综合经济效应,正在成为推动区域协调发展、促进技术普惠包容、以及支撑宏观经济长期向好的基础性力量。

　　制造业企业的财务风险可归纳为外部环境、内部管理及新型风险三大维度。其外部因素主要包括宏观经济环境、行业周期波动及市场价格变动,直接影响企业的盈利能力和资金流动性[5]。此外,外部监管环境的变化、法律法规的调整也会带来合规压力和潜在的财务风险[6]。在内部因素方面,企业的组织架构、财务管理体系及内部控制机制的完善程度构成影响财务风险的重要变量。岗位配置不合理、职责不明确会导致资金监管不到位,财务流程不规范。此外,过度依赖被动规避策略或缺乏科学的风险评估方法,容易使风险管理变得被动和滞后[7]。新型风险则源自于数字化转型与人工智能的应用带来的信息不对称、认知偏差、网络安全威胁、数据隐私和法律合规等问题,这些新兴风险不仅影响企业的财务状况,还可能通过风险传导机制迅速放大[8]。

　　人工智能技术演进与应用拓展中产生的财务风险,正引发学术界的关注。现有研究大多聚焦于人工智能作为核心驱动力在制造业转型升级中提升效率、促进创新、优化区域协同与产业链联动的积极经济效应,同时,也识别了制造业企业财务风险的多重影响因素。然而,却鲜少有研究系统性探讨人工智能对企业财务风险的深层影响。尽管少数文献提及人工智能的潜在风险,如数据泄露、技术黑箱化[9],但这类讨论多停留在理论或现象描述层面,缺乏大样本企业数据的实证证据来量化人工智能应用对财务风险的实际影响程度和方向。更重要的是,现有研究鲜少探讨人工智能影响财务风险的具体传导机制,以及这种影响在不同类型企业间的差异化表现。因此,针对此问题,本文系统分析人工智能对制造业企业财务风险的净效应,揭示其作用机制,并考察关键企业特征带来的异质性影响。

　　2研究假设

　　随着人工智能技术的日益复杂和应用场景的不断扩大,相关的财务风险问题也逐渐受到学术界的关注。从数据安全角度看,人工智能系统依赖大量敏感财务数据运行,数据泄露或滥用可能直接导致经济损失与法律纠纷[10],尤其当财务数据涉及商业机密时,生成式人工智能的技术特性可能进一步放大安全漏洞[11]。技术层面,人工智能模型的决策黑箱化特性会降低结果可解释性,且数据清洗、存储及计算基础设施的高资源投入需求可能加剧技术实施风险[12]。部分研究指出,人工智能技术本身的不稳定性可能增加系统运行中的意外错误,而高额的技术开发与运维成本也会挤占企业其他关键资源[13],特别是在技术快速迭代的背景下,应用人工智能不仅需要应对持续升级的挑战,还迫使企业不断追加资金投入,进一步加重财务负担[14]。此外,企业认知与管理实践的不足也会进一步

　　加剧风险,部分管理者对人工智能存在片面理解,或过度依赖技术而忽视人工审核,导致风险防范意识弱化[15]。上述多维度问题表明,人工智能在提升效率的同时,仍然存在数据隐患、技术缺陷、管理滞后及制度约束等挑战。因此,本文提出假设1:

　　H1:人工智能的应用会加剧制造业企业的财务风险。

　　随着人工智能技术的快速发展,绝大多数制造企业正积极引用人工智能技术以提升竞争力,但实际落地过程中普遍面临“高投入、慢见效”的经营困境[16]。企业需要预先投入大量资金用于智能设备采购、生产线改造和技术团队建设,这些刚性支出会显著推高固定资产规模。但由于技术消化周期长、应用效果具有滞后性,短期难以形成相匹配的利润增长。当资产负债表上的固定资产比例持续攀升而盈利能力未能同步提升时,资产回报率就会出现明显下滑。这种投入产出效率的持续走低,可能导致企业面临现金流紧张、偿债能力下降等财务风险。基于此,本文提出假设2:

　　H2:人工智能的应用会通过降低制造业企业资产回报率进而增加企业财务风险。

　　基于上述假设,构建人工智能影响制造业企业财务风险的机制路径图,见图1。

　　3研究设计

　　3.1数据来源

　　本文选取2012—2023年A股上市制造业公司为初始样本,剔除样本期内∗ST、PT和ST的样本,剔除出现明显异常或重要指标缺失的公司样本,为避免极端值的影响,对连续型变量进行上下各1%的缩尾处理,最终获得24 129个观测值。所使用的数据来源于《中国统计年鉴》、国泰安数据库,以及上海证券交易所、深圳证券交易所披露的相关企业年报。

　　3.2模型设计　　

　　3.3.2解释变量

　　解释变量为人工智能(AI),参考姚加权等[18]的做法,采用上市公司年报中人工智能关键词加1的自然对数来衡量。

　　3.3.3中介变量

　　中介变量为资产回报率(ROA),采用税后净利润占总资产的比值来衡量。

　　3.3.4控制变量

　　为了缓解遗漏变量问题导致的内生性干扰,选取营业收入增长率、股权集中度、企业价值、董事会规模、领导权结构和员工数量作为控制变量。各变量的具体定义见表1。

　　4实证分析

　　4.1基准回归分析

　　运用模型(1)检验人工智能水平对企业财务风险的影响,见表2。结果显著,说明人工智能的应用会增加制造业企业的财务风险,H1得到验证。

　　4.2内生性检验

　　为解决可能存在的内生性问题,本文参考朱力和江文奇[19]、杜传忠等[20]的研究,从以下两个维度构建工具变量:一是以相同城市同一行业其他企业的人工智能指标均值作为本企业人工智能水平的工具变量IV1;二是将人工智能滞后一期作为工具变量IV2。结果见表3。表3结果表明工具变量通过了不可识别检验和弱工具检验,且人工智能系数均显著为负,与基准回归一致。

　　4.3稳健性检验——排除政策影响

　　4.3.1排除政策影响

　　国家自2019年起陆续在部分城市实施“新一代人工智能创新发展试验区”政策,重点推动人工智能技术研发与产业融合,可能加速区域内企业的智能化进程。为控制该政策对财务风险的外生冲击,本文引入政策虚拟变量Treat,制造业企业所在地区实施了该政策取值为1,否则为0。回归结果见表4列(1)。加入政策变量后人工智能对企业财务风险的影响系数仍保持显著,且方向与基准回归一致,证明核心结论不受试验区政策干扰。

　　4.3.2解释变量滞后一期

　　考虑到人工智能的效果可能存在滞后性,本文将解释变量做滞后一期处理,并据此对实证结果重新进行评估。见表4列(2),ZScore依然显著为负,说明研究结论稳健。

　　4.3.3双重机器学习

　　本文进一步利用双重机器学习方法进行估计,参考张涛和李均超[21]的研究,将样本分割比例设置为1:4,依次加入控制变量一次项和二次项,借助随机森林算法执行回归预测,分析预测算法对本文结论的影响,结果见表4列(3)和列(4),结果证明原结论稳健。

　　4.4机制检验

　　为了分析资产回报率在人工智能对企业财务风险影响中的中介作用构建如下模型

　　回归结果见表5。表5列(1)显示,人工智能的应用显著降低制造业企业的资产回报率,列(2)显示ROA与财务风险正相关,即资产回报率下降会加剧财务风险。这表明人工智能的应用通过降低制造业企业的资产回报率间接推高了财务风险。为保证结果的稳健性,进一步采用Sobel和Bootstrap法进行检验,So-bel检验显示中介效应显著(Z=-3.55,P<0.01),Bootstrap检验的抽样次数为1 000次,间接效应的区间为[-0.003 117 9,-0.000 716 9],不包括0,与结论保持一致,假设H2得到验证。这一结果的现实逻辑可能在于:制造业企业实施人工智能需要大量前期投入,如设备购置、人员培训等,但短期难以形成收益转化,导致资产使用效率下降。资产回报率作为衡量盈利能力的核心指标,其降低会削弱企业偿债能力,增加资金链断裂风险。尤其制造业具有重资产特性,应用人工智能带来的成本压力更容易引发财务风险传导效应。

　　4.5异质性分析

　　本文分别从企业规模、企业年龄及所有制性质三个层面进行异质性分析(见表6)。小规模企业、小龄企业和非国有企业的财务风险受人工智能的冲击更显著。可能的原因在于:资金紧张限制了小规模企业在人工智能转型上的投入,而人工智能转型需要大量资金且回报周期长,易加剧企业的短期现金流压力。同时,技术和专业人才的缺乏也阻碍了小规模企业推进供应链数字化,而供应链数字化又是人工智能在制造业中发挥效能、提升整体运营效率的关键环节。相比之下,规模较大企业凭借资源优势更易分摊技术升级成本并融入数字化程度更高的供应链体系,从而降低转型带来的财务风险。对于年轻企业而言,尽管它们对新技术的接受度可能更高,但在风险管理体系与组织韧性方面存在短板,面对技术迭代过程中的市场波动与经营不确定性时,应对能力相对较弱,成熟企业则依托历史经验积累形成更稳健的抗风险机制。至于非国有企业,它们通常处于市场化竞争前沿,其决策机制灵活但政策支持相对有限,与国有企业相比,非国有企业通常缺乏政府在资金补贴、税收优惠以及融资便利等方面的政策缓冲,人工智能应用中的试错成本会直接传导至财务系统,而国有企业由于国家政策的引导和支持,能享受到推动制造业数字化转型的资金支持和技术指导,其特有的政策缓冲与融资优势可有效缓解技术转型冲击,体现为财务风险波动幅度较小。

　　5研究结论与建议

　　5.1研究结论

　　本文探究人工智能应用对制造业企业财务风险的影响,得出以下结论:

　　第一,人工智能的应用显著增加了制造业企业的财务风险,尤其在短期内可能因技术不成熟或操作不当而带来额外的财务压力。

　　第二,资产回报率在人工智能对企业财务风险影响中起到了中介作用,人工智能的应用会通过降低制造业企业资产回报率进而增加企业财务风险,但同时也预示着企业未来在效率提升方面的改善空间。

　　第三,相较于大规模企业、大龄企业和国有企业,小规模企业、小龄企业和非国有企业的财务风险受人工智能的冲击更显著。

　　结论表明,企业在积极引入人工智能的同时,应充分认识其“双刃剑”的特性,结合长远布局,不断优化技术应用策略,以实现生产效率的提升和财务风险的有效控制,为制造业的可持续发展提供坚实保障。

　　5.2政策建议

　　基于研究结论,本文提出以下建议:

　　第一,建立差异化支持体系。对于中小企业,建议政府提供“人工智能专项补贴”或“技术转型贷款”,以缓解其在引入人工智能技术过程中面临的短期现金流压力,帮助企业平衡技术升级与财务安全;对于非国有企业,应加强市场化融资支持,推动市场化AI技术投资基金建设,引导企业通过多元化融资渠道稳定资金来源,推动技术应用的持续推进与风险控制。

　　第二,完善政府引导机制。政府应完善人工智能技术标准与风险评估框架,引导企业理性投资,搭建行业级技术共享平台,降低中小企业试错成本,防范潜在风险,促进制造业的健康可持续发展。

　　第三,优化企业风险管理。企业管理层应将财务风险管理提升到战略层面,建立科学的财务预警机制,实时监控财务状况;同时,通过优化生产流程、提高设备利用率和合理配置人力资源,提升资产回报率,从而降低人工智能应用所带来的财务风险;此外,由于人工智能技术更新迅速,企业在投资相关项目时要进行充分的市场调研和可行性研究,在投资前要综合考虑技术的成熟度、市场需求的稳定性及企业自身的财务承受能力等因素,不能盲目跟风。

　　6结语

　　本文基于2012—2023年A股上市制造业企业为样本,实证检验人工智能应用对企业财务风险的影响及内在机制,即人工智能应用因前期高投入与收益滞后,推高固定资产占比,短期抑制盈利,致资产回报率下降,进而放大财务风险。本文可能的创新性贡献在于:为人工智能对制造业企业财务风险的影响这一领域的研究提供了实证证明;验证了资产回报率的中介效应,丰富了现有研究在作用路径方面的内容;基于企业年龄、规模和所有制,深入分析了人工智能对制造业企业财务风险影响的差异化冲击。

　　本文存在的局限性在于:第一,人工智能尚处于高速发展阶段,本研究结果可能主要反映了人工智能实施初期的高投入与转型阵痛对财务风险的负面影响,未能探究其是否存在潜在的长期降本增效与风险缓释效益,未来研究可延长观测窗口,追踪人工智能的长期影响;第二,不同类型的人工智能在研发投入强度、价值转化周期方面可能存在差异,本研究未对人工智能进行细分,可能放大其对财务风险的估计偏差,未来研究可按技术类型与应用场景建立细分维度,降低估计偏差。

　　总之,本研究深化了对人工智能应用与制造业企业财务风险关系的理解,为政府差异化扶持和企业风险前置管理提供了理论依据与实践指南,旨在帮助制造业企业合理利用人工智能技术,增强抗风险能力,实现效率提升与财务安全的双赢,为制造业的转型升级提供有力保障。

参考文献

　　[1]朱兰,冷宇辰,张彤进.人工智能与制造业深度融合:空间分布、经济效应与影响因素[J].宏观质量研究,2025,13(2):42-54.

　　[2]魏巍.充分利用人工智能优势赋能创新发展有效推动我国制造业高质量“智造”转型[J].中国经贸导刊,2025(3):83-84.

　　[3]王锋正,刘曦萌.人工智能、高管创新认知与制造企业差异化竞争战略[J].企业经济,2025,44(3):16-26.

　　[4][吴海军,杨登宇.通用人工智能推动制造业高质量发展:理论机制与实现路径[J].北京工业大学学报(社会科学版),2025,25(4):75-86.

　　[5]金黄荣.制造业企业财务风险控制策略探讨[J].投资与创业,2025,36(2):41-43.

　　[6]李冬生,曹磊,罗玲.减税降费对企业财务风险的影响及作用机制研究[EB/OL].(2025-10-22)[2025-10-23].

　　[7]万红玲.企业财务风险管理的问题及对策研究[J].市场周刊,2025,38(15):131-134.

　　[8]左洋.数字化转型对企业财务风险的影响与应对[J].商场现代化,2025(11):180-182.

　　[9]李晓华.人工智能与中国式现代化:推动作用及风险挑战[J].东北财经大学学报,2025(2):17-30.

　　[10]赵浩.人工智能时代下的企业财务风险管理优化探讨[J].财会学习,2024(31):62-64.

　　[11]王方芳,张甫.生成式人工智能赋能企业财务管理的机遇、风险及应对[J].中国市场,2025(8):110-113.

　　[12]许左言,王悦.基于人工智能的企业财务风险防控机制探究[J].产业创新研究,2024(22):142-144.

　　[13]魏凌波.基于人工智能的财务风险防范机制研究[J].经济师,2024(11):70-71.

　　[14]汪周武.人工智能时代企业战略管理的优化策略探讨[J].老字号品牌营销,2025(5):143-145.
       [15]程林.探析人工智能背景下企业财务管理风险防控问题及策略[J].中国科技投资,2025(2):94-96.

　　[16]苏敏,陈佳馨,夏杰长.DeepSeek等通用人工智能涌现中企业新质生产力的发展路径[J].人文杂志,2025(3):35-45.

　　[17]ALTMAN E.Financial ratio,discriminant analysis andthepredic-tion of corporate bankruptcy[J].The Journal of Finance,1968,23(4):589-609.

　　[18]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(2):101-116,133,117-122.

　　[19]朱力,江文奇.人工智能、ESG表现与企业绿色治理水平[J].技术经济与管理研究,2024(12):71-76.

　　[20]杜传忠,曹效喜,任俊慧.人工智能影响我国全要素生产率的机制与效应研究[J].南开经济研究,2024(2):3-24.

　　[21]张涛,李均超.网络基础设施、包容性绿色增长与地区差距:基于双重机器学习的因果推断[J].数量经济技术经济研究,2023,40(4):113-135.