税收激励与人工智能产出*

◆宋 迪

内容提要：人工智能技术作为新一轮企业转型升级的核心驱动力，受到理论界和实务界的关注。文章借助2010—2019年A股上市公司样本数据，实证检验税收激励对于人工智能产出的影响。研究发现，税收激励有助于提高人工智能产品产出，并且这一效应在经济政策不确定性程度较高时更为显著。通过机制检验发现，税收激励通过缓解融资约束水平、降低外部融资成本，促进了企业人工智能投资和产出的增加。基于公司特征的交互项分析发现，在激烈的行业竞争和优质的人力资本环境下以及在非国有企业中，税收激励强度与人工智能产品产出的正向关系更为显著，税收优惠更能激发企业投资人工智能技术。

一、引言

近年来，人工智能逐渐成为新一轮科技创新和产业变革的核心驱动力，正在对社会和经济发展产生深刻的影响。为促进人工智能的发展，我国相继出台了多项战略规划和支持性政策，如2016年5月国家发改委、科技部、工业和信息化部、中央网信办制定并发布《“互联网+”人工智能三年行动实施方案》（发改高技〔2016〕1078号），2017年7月国务院印发《新一代人工智能发展规划》（国发〔2017〕35号），2019年3月中央全面深化改革委员会第七次会议审议通过《关于促进人工智能和实体经济深度融合的指导意见》等。与此同时，我国深化税收改革的进程也在稳步推进，公司税负逐渐降低，经济活力不断激发。基于上述背景，在人工智能时代，税收激励政策是否会促进公司投资人工智能技术？是否会促进公司人工智能产出？

本文选取2010—2019年A股上市公司数据作为研究样本，通过检验发现：（1）税收激励有助于提高人工智能产品产出；（2）当经济政策不确定性程度较高时，税收激励对促进人工智能技术创新，提高人工智能产品产出的效果更为明显；（3）税收激励通过缓解公司融资约束水平、降低外部融资成本，激励公司投资人工智能技术，实现相关收入的增加；（4）在激烈的行业竞争和优质的人力资本环境下以及在非国有企业中，税收激励强度与人工智能产品产出的正向关系更显著，税收优惠更能激发公司投资人工智能技术。本文的研究贡献和可能的创新主要有以下两方面：第一，创新公司投资人工智能技术的衡量方法。已有研究主要使用文本定义方法来衡量公司智能化、数字化水平，本文通过统计公司营业收入中与人工智能技术相关的收入占比，能够更直接准确衡量公司人工智能水平。第二，扩充有关税收激励对智能化、数字化影响的研究。人工智能作为未来发展的重要领域，各行业均应重视并做好投资规划，然而，鲜有研究从微观角度分析影响公司投资人工智能的动因，而本文从税收激励角度对这一动因进行了阐释。

二、文献回顾

基于新制度经济学理论的研究发现，税收激励政策可有效降低制度性交易成本，在具体路径上，通过减免税金、先征后返、先征后退等措施，提升公司现金流，降低外部融资成本，缓解融资约束，激励公司创新研发投入（Bloom et al.，2002），提升创新项目投资回报率（Hall，1993）以及创新产出的数量和质量（Czarnitzki et al.，2011）。基于中国制度情景，部分学者认为，在分税制改革框架下，企业实际所得税税率的降低，可促进创新投入与创新产出质量，而税收优惠政策对企业研发创新的影响更为直接。刘诗源等（2020）发现相较于成长期和衰退期公司，税收优惠政策可显著增加成熟期公司的现金流，对成熟期公司研发创新的促进作用更显著。吴怡俐等（2021）发现实行“留抵退税”改革有助于增加公司内部现金流，降低财务成本，继而促进公司投资优质项目，最终实现公司价值的提升。冯泽等（2019）通过对研发费用加计扣除政策的研究发现，该政策的出台显著提升公司的创新产出和创新效率。唐明和旷文雯（2021）进一步发现，研发费用加计扣除政策的创新激励效应存在产权异质性，对民营企业和非高新技术公司中创新产出的激励作用更为显著（贺康等，2019）。

然而，也有部分学者研究认为企业可能存在机会主义倾向，通过操纵研发费用滥用税收减免优惠政策，进而导致创新效率降低。杨国超和芮萌（2020）发现，公司获得高新技术公司认定后，虽然创新投入提升，但创新产出的数量和质量均显著下降，认为公司增加创新投入可能仅仅为满足高新技术公司认定条件以享受所得税优惠，并没有真正进行创新研发。吴秋生和王婉婷（2020）发现，研发费用加计扣除政策会导致公司将更多费用确认为研发费用，从而虚增创新投入，导致创新效率降低。房飞和王大树（2021）发现，减税降费对激励小微企业加强科技研发投入产生了积极影响，但创新成果尚无明显的同步增长。罗斌元和刘玉（2020）研究发现，企业创新投入在税收优惠对企业高质量发展的影响中存在中介作用，同时在企业生命周期的不同阶段，税收优惠政策通过创新投入对企业高质量发展产生的影响存在显著差异。

通过上述文献可知，税收激励虽然能够在一定程度上促进公司的创新研发，提高创新效率，但也存在公司为享受税收优惠而操纵费用的可能。另外，人工智能属于高新技术领域，可享受的税收优惠政策较多。一方面，若被认定为高新技术公司，则可享受15%的所得税优惠。另一方面，研发费用可在税前加计扣除，形成的无形资产可在税前加计摊销，进一步降低应纳税所得额。此外，2018年开始实施的增值税留抵税额返还政策，使积压的大量进项税额释放出来，公司获得的税金返还可以补充现金流。因此，本文以人工智能技术为核心，关注税收激励能否真正有效地促进人工智能技术的发展，同时通过人工智能技术产品所带来的收入作为衡量公司的人工智能技术水平，从而更直观反映公司研发创新现状，规避公司操纵费用对本研究的可能影响。

三、研究假设与研究设计

（一）研究假设

人工智能领域是当前政策鼓励、市场追捧的高科技核心行业，但因为发展尚不成熟，存在项目投资成本高和盈利能力弱的现实问题。例如，格力电器近年来开始投资智能装备领域，在2018年和2019年智能装备产品收入额分别达31亿元和21亿元，但营业利润率仅为6.5%和5.9%，远低于15.64%和14.94%的公司整体营业利润率。并且，人工智能产品定价相对较高，如医学影像智能识别设备，已超出一般医院所能承担的范围，导致市场需求不足，无法形成规模经济，收入增长有限。由于人工智能产品的研发风险较高，预期收益不稳定，外部融资可获得性较低，融资约束水平较高，导致融资成本会更高。通过税收激励政策，公司可将获得的税金退返或节约的税金投入到人工智能技术研发，提升自有资金使用效率，降低外部融资需求和融资成本，从总体上降低投入成本，最终促进人工智能相关产品的产出。基于此，本文提出假设1：税收激励有助于提高人工智能产品产出。

近年来，国内外经济环境错综复杂，为适应经济高质量发展的要求，尤其是在后疫情时代，我国陆续出台或调整经济政策对经济发展进行调控，经济政策不确定性逐渐成为“主旋律”（刘贯春等，2019；田国强和李双建，2020）。从宏观角度看，经济政策不确定性会显著影响货币政策调控效果，进而削弱货币政策有效性，特别是在金融危机后，这一效应更加明显。从微观角度看，经济政策不确定性会显著提升银行信贷合约的违约风险（顾海峰和于家珺，2019），降低银行流动性创造（田国强和李双建，2020）。因此，经济政策不确定性会提高公司融资成本，增加管理者的决策成本，抑制公司创新投入和产出（Bhattacharya et al.，2017）。不确定性进一步抑制了公司进行外部融资动力，进而降低公司进行人工智能技术的投资热情。因此，在经济政策不确定性较高的环境中，公司将更多依靠相关政策支持，通过减免、退返、补贴等税收激励政策，实现人工智能项目的持续投入和研发，进而提升相关产品的产出。基于以上分析，提出本文假设2：当经济政策不确定性程度较高时，税收激励将更有助于提高人工智能产品产出。

（二）研究设计

1.样本选择

鉴于一些公司可能为了“蹭热点”，在公告或财务报告中叙述与人工智能、数字化、大数据等相关的内容，但并未真正投资或生产此领域产品，导致使用文本定义的方法衡量会产生偏差。因此，本文在对人工智能技术衡量方式上进行改进，通过统计上市公司营业收入中与人工智能技术相关的收入占比对其人工能智能技术水平进行直接准确衡量。

首先，定义与人工智能产品或服务相关的名词。基于人工智能的发展及应用以及前瞻产业研究院发布的《2020年中国人工智能行业市场前瞻与投资战略规划分析报告》中关于人工智能行业的定义，本文搜集人工智能产品或服务的有关名词，例如机器人，智慧城市、智慧物联，智慧交通、智慧医疗、智慧生活等，智能装备、智能设备，自动驾驶，计算机视觉，人脸、人像、生物识别，车辆道路行为分析，无人商店、无人配送、无人机等。其次，根据公司财务报表附注中产品分类披露的收入类型统计整理与人工智能相关的收入金额。最后，计算各公司人工智能相关的收入金额占总营业收入的比例。

选取2010—2019年的上市公司（剔除金融、保险行业）作为研究样本，研究样本统计如表1所示。从表1可知，样本中转型投资人工智能技术的公司数量逐年升高，并且占比也逐年增高。这说明随着人工智能概念的普及，越来越多公司开始布局人工智能领域。税收激励以及其他公司财务数据、公司治理数据来自于CSMAR数据库。

表1 研究样本统计

2.研究模型与变量定义

基于前述研究假设，本文构造模型如下：

其中，被解释变量Alpercentt代表公司第t年人工智能领域收入规模，使用公司第t年人工智能产品或服务收入金额除以公司收入总额来反映。

解释变量EATRt代表公司第t年税收激励强度。借鉴Devereux和Griffith（2003）、贾俊雪和应世为（2016）、刘诗源等（2020）的方法计算公司前瞻性有效平均税率，用于反映税收激励水平。该指标利用名义税率、名义利率、折旧率、税基政策、贴现率等因素，通过估计公司投资的“税收楔子”（Tax Wedge）来测算前瞻性有效平均税率，能够有效反映税收对公司未来投资决策的激励作用。指标数值越低，说明税收激励强度越高。计算公式为EATR=（R*-R）（1+i）/p①其中，R*=（p-i）/（1+i）；R=｛（p+δ）（1+ φ）（1-τ）-[（1+r）-（1-δ）（1+ φ）]（1-B）｝y/（1+r）+F 。。

基于贾俊雪和应世为（2016）的计算方法，p为考虑所在地区与产权性质的投资回报率；i为实际利率，r为名义利率，用一年期存款基准利率表示；φ为由各省份各年CPI反映的通货膨胀率；τ为公司所得税税率；δ是折旧率，y是股票资本利得税和股息税间的税收楔子，参考贾俊雪和应世为（2016）、刘诗源等（2020）的做法，δ为0.1，y为0.1；F为公司加权平均融资成本；B为单位投资税收抵免额的净现值，T为折旧年限，折旧年限取10年，σ为税收扣除率，为折旧年限的倒数（0.1）。

调节变量为经济政策不确定性（EPU），参考已有研究（田国强和李双建，2020），本文使用Baker et al.（2016）构建的经济政策不确定性指数作为代理变量。进一步，采取年度算术平均值的计算方法，将月度经济政策不确定性指数转化为年度数据，然后除以100。当样本公司所处年度的经济政策不确定指数高于全体样本中位数，则经济政策不确定性较高，EPU取1，反之取0。

其他可能影响公司审计决策的因素，主要包括公司规模（Size）、资产负债率（Lev）、总资产收益率（ROA）、营业收入增长率（Growth）、公司经营现金流负债比（Cash）、政府补助（Subsidy）、第一大股东持股比例（Top1）、独立董事规模（Indboard）、公司产权性质（SOE）、上市公司年龄（Age），在模型（1）均以概括，具体见变量定义表2。Year和Industry分别为年度和行业虚拟变量。

表2 变量定义

3.倾向得分匹配方法（PSM）

由于公司是否投资人工智能技术并非随机发生，而是与公司特征相关，为降低样本选择偏差，本文使用倾向得分匹配方法（PSM），以有人工智能产品产出的公司作为处理组，使用一对一匹配同年度同行业从未投资于人工智能领域的公司作为控制组。本文选取t-1年的如下变量作为协变量进行倾向匹配，包括公司规模（Size）、资产负债率（Lev）、总资产收益率（ROA）、营业收入增长率（Growth）、公司经营现金流负债比（Cash）、上市公司年龄（Age）、第一大股东持股比例（Top1）、独立董事规模（Indboard）、公司产权性质（SOE）。

经过倾向性得分匹配，本文最终得到样本2416个，其中处理组样本1208个，控制组样本1208个。通过表3单变量检验结果可知，有人工智能产品产出的公司其税收激励强度（EATR）显著高于没有人工智能产品产出的公司。而匹配后两组的协变量均没有显著差异，说明匹配过程有效，缓解样本选择偏差问题。此外，为了避免由于极端值造成的影响，本文对连续变量均进行上下各1%水平的Winsorize处理。

表3 单变量检验

四、实证分析

（一）描述性统计

表4报告了主要变量的描述性统计结果。人工智能收入比例（AIpercent）的平均值为0.166，说明倾向得分匹配后获得的样本中，人工智能收入占总收入比例为16.6%。虽然人工智能收入占总收入比例不高，但已初具规模。税收激励（EATR）均值为0.145，前瞻性有效平均税率为14.5%，低于当前一般公司所得税25%以及高新技术公司所得税15%，说明样本公司实际享受到了税收优惠。其他各变量均处于合理范围。

表4 描述性检验结果

Indboard 2416 0.380 0.054 0.333 0.333 0.364 0.429 0.571 SOE 2416 0.162 0.369 0.000 0.000 0.000 0.000 1.000

（二）假设检验与分析

1.假设检验

表5报告了假设检验回归分析结果。列（1）、（2）表明税收激励强度（EATR）与人工智能收入比例（AIpercent）在1%水平上显著负相关，列（1）未加入控制变量，列（2）加入控制变量。列（2）系数为-0.1855，这一结果表明，在其他变量不变的情况下，税收激励强度（EATR）提高一个单位，人工智能收入比例（AIpercent）可提高0.1855个单位。此回归结果表明税收激励有助于提高人工智能产品产出，假设1得证。列（3）、（4）表明税收激励强度和经济政策不确定性的交互项（EATR*EPU）与人工智能收入比例（AIpercent）在1%水平上显著负相关。这一结果表明，在面临经济政策不确定性时，税收激励更有助于提高人工智能产品产出。

表5 假设检验结果

2.机制检验

由于人工智能产品的研发风险高，预期收益不稳定，外部融资可获得性较低，导致较高的融资成本和融资约束水平。通过税收激励政策，公司可将获得的税金退返或节约的税金投入到人工智能技术研发，提升自有资金使用效率，降低外部融资需求和融资成本，从总体上降低了投入成本。因此本文将对税收激励影响人工智能产品产出的机制进行分析，即税收激励是否通过缓解公司融资约束水平、降低外部融资成本从而激励公司投资人工智能技术。本文引入两个新变量，一方面，用KZ指数来反映公司融资约束水平，此值越高说明公司融资约束水平越高；另一方面用Finance反映公司融资成本，Finance为公司利息支出占总收入的比值，此值越高说明外部融资成本越高。

机制检验回归结果如表6所示。列（1）、（2）表明税收激励强度（EATR）分别与融资约束指数（KZ）和融资成本（Finance）在5%和1%水平上显著正相关，说明收激励强度越高，则融资约束水平越低，外部融资成本越低。列（3）、（4）表明税收激励强度和经济政策不确定性的交互项（EATR*EPU）分别与融资约束指数（KZ）和融资成本（Finance）在5%水平上显著正相关，说明当经济政策不确定性更高时，公司税收激励强度与融资约束水平和融资成本的关系更显著。从机制检验可证明，当公司税收激励较高时，公司自有现金充足，因此融资约束水平较低，融资成本也较低，能够进一步促进人工智能投资，提高人工智能产品的产出。

表6 机制检验结果

（三）稳健性检验

1.替换样本量回归

为降低样本中收入为0的样本的干扰，剔除人工智能收入为0的样本对假设检验重新进行回归分析，结果如表7列（1）和（2）所示。所有结果均与假设检验相同，说明结果具有稳健性，进一步支持本文假设。

表7 稳健性检验结果

2.替换自变量计算方法

人工智能技术属于公司研发创新的一个组成部分，因此本文使用研发支出税率（Tax Price of R&D）来专门衡量因研发创新而承担的税负。基于研发费用（费用化）和无形资产（资本化）税前摊销，参考Jia和Ma（2017）的计算方法，研发支出税率（R&DTax）为两类研发（费用化和资本化）税收成本的加权平均值。此值越小说明研发支出的税收激励强度越高。替换变量后的计算结果如表7列（3）和（4）所示。所有结果均与假设检验相同，说明结果具有稳健性，进一步支持本文假设。

3.双重差分模型

为推进减税降费工作，降低由于增值税留抵税额给公司带来的资金压力，2018年财政部和国家税务总局颁布《关于2018年退还部分行业增值税留抵税额有关税收政策的通知》，要求对装备制造等先进制造业和研发等现代服务业等18个大类行业的期末留抵税款进行退还，以提高公司自有资金的使用效率，降低融资成本，促进公司投资。因此本文将基于财政部和国家税务总局颁布的留抵退税这一外生事件，考察事件前后实验组和对照组人工智能产品产出的差异。如果事件发生后，实验组的人工智能收入相比对照组显著提升，则一定程度缓解了内生性问题，证明税收激励可以显著促进公司进行人工智能投资与产品生产。

本文构建如下模型进行回归分析。其中，Post为哑变量，2018年政策颁布之后取1，否则取0。Target为哑变量，研究样本属于2018年政策中所列示的试点行业公司，则取1，否则取0。

回归结果如表8所示。交互项（Target*Post）与当期审计费用（LNFEE）在1%水平上显著负相关，与人工智能收入比例（AIpercent）在1%水平上显著正相关，结果表明政策颁布之后，相比不属于留抵退税试点行业的公司，留抵退税试点行业的公司人工智能收入更高，与假设检验回归结果相同，说明回归结果稳健，进一步支持本文假设。

表8 双重差分模型检验结果

2416 Pseudo R2 0.7164 Prob 〉 chi2 0.0000 Observations

五、进一步研究

（一）行业竞争程度

当处于竞争程度较高的行业中，税收激励政策使公司获得更加充分的自有资金，公司则更有动力通过投资于人工智能领域寻找新的利润增长点。本文基于行业竞争程度进行交互回归分析，使用赫芬达尔-赫希曼指数（HHI）对行业竞争度进行度量，再根据HHI中位数，将行业竞争度分为高低两组，当样本公司处于高竞争组，HHI取1，否则取0。回归结果如表7中列（1）所示，税收激励强度和行业竞争强度的交互项（EATR*HHI）与人工智能收入比例（AIpercent）在1%水平上显著负相关，说明当行业竞争程度更高时，公司税收激励强度与人工智能产品产出的关系更显著，税收优惠更能激发公司投资人工智能技术。

（二）公司人力资本质量

已有研究认为，只有当公司具备充足的高质量员工时才能有效提升公司现有生产技术、促进公司创新能力（Andersen和Dalgaard，2011）。因此，本文基于公司人力资本交互回归分析，使用公司专业技术人员占总员工比例来反映公司人力资本质量（刘啟仁和赵灿，2020），当公司技术员工占比高于行业中位数时，Hightech取1，否则取0。回归结果如表9中列（2）所示，税收激励强度和人力资本质量的交互项（EATR*Hightech）与人工智能收入比例（AIpercent）在1%水平上显著负相关，说明当人力资本质量更高时，公司税收激励强度与人工智能产品产出的关系更显著，税收优惠更能激发公司投资人工智能技术。

表9 交互项检验结果

Size -0.0076（-1.2707）-0.0077（-1.2904）-0.0073（-1.2189）Lev 0.0628*（1.7727）0.0691*（1.9494）0.0622*（1.7553）ROA 0.0950（1.0554）0.0962（1.0695）0.0198*（1.6683）Subsidy 0.4046**（2.5087）0.0992（1.1020）Growth 0.0202*（1.7033）0.0184（1.5547）0.4823*（1.7862）0.4007**（2.4950）Cash 3.5217*（1.7173）3.3616*（1.6907）3.5084*（1.7110）Age -0.0025**（-2.4262）-0.0025**（-2.4552）-0.0126（-0.2683）Indboard -0.3036***（-3.0203）-0.0025**（-2.3750）Top1 -0.0156（-0.3332）-0.0144（-0.3091）-0.3065***（-3.0525）-0.3051***（-3.0356）SOE 0.0177（1.0317）0.2109（0.9350）Observations 2416 2416 2416 Pseudo R2 0.7318 0.7374 0.7320 Prob 〉 chi2 0.0000 0.0000 0.0000 0.0159（0.9320）Constant 0.2205（0.9780）0.1911（0.8472）

（三）产权性质

国有公司除了要追求经济效益，同时还承担着吸纳就业、提供税收等社会责任，因此一定程度会影响研发所需要的资源。此外，相对于民营公司，国有公司的融资约束问题较低，可获得的外部资金更充分（黎文靖和李茫茫，2017），对税收激励政策的反映程度可能与民营企业存在差异。因此，本文基于产权性质（SOE）交互回归分析，回归结果如表9中列（3）所示，税收激励强度和产权性质的交互项（EATR*SOE）与人工智能收入比例（AIpercent）在5%水平上显著正相关，说明当公司为非国有公司时，公司税收激励强度与人工智能产品产出的关系更显著，税收优惠更能激发公司投资人工智能技术。

六、结论与启示

本文选取2010—2019年中国上市A股公司数据作为研究样本，通过检验发现公司税收激励有助于提高人工智能产品产出，这一效应在面临经济政策不确定性时表现更为明显。通过机制检验发现，税收激励通过缓解公司融资约束水平、降低外部融资成本促进人工智能产品收入的提升。基于公司特征的交互项分析发现，在所处行业竞争激烈、人力资本优质以及非国有公司中，税收激励强度与人工智能产品产出的关系更显著，税收优惠更能激发公司投资人工智能技术。

基于上述研究发现，可以得到如下管理启示和政策建议：一方面，人工智能属于高新技术领域，可享受的税收优惠政策较多，但鉴于一些公司可能为了“蹭热点”，而在公告或财务报告中叙述与人工智能、数字化、大数据等相关的内容，但并未真正投资或生产此领域产品，监管部门应加强对高科技企业的认定，更直观反映公司现状，抑制公司为享受税收优惠政策而操纵费用或“蹭热点”的机会主义动机。另一方面，在错综复杂的外部环境中，各级职能部门应坚持将“减税降费”政策落到实处，通过补充企业自有资金促进其加大创新投入，不断提高企业发展质量。