管理者短视主义与人工智能转型：理论与实证研究

Managerial Myopia and AI Transformation: Theoretical and Empirical Research

摘要: 在全球新一轮技术革命与产业变革的背景下，实施人工智能转型被视为提升公司竞争力的重要手段。作为企业的战略决策制定者，管理者的特质会对公司技术转型产生深远影响。基于此，本文基于理论和实证两个视角研究管理者短视主义对企业人工智能转型的影响。研究发现，管理者短视主义显著抑制企业人工智能转型。进一步研究发现，管理者短视主义抑制企业人工智能转型的效应在高新科技企业更为显著；降低研发投入和增加金融资产配置构成其中的中介变量。本文为政策制定者识别企业人工智能转型的关键因素以及促进经济高质量发展提供理论和实证依据。

Abstract: Against the backdrop of the latest wave of global technological revolution and industrial transformation, the adoption of artificial intelligence (AI) transformation has emerged as a pivotal strategy for enhancing corporate competitiveness. As strategic decision-makers, managerial characteristics exert a profound influence on corporate technological transitions. Building on this premise, this study investigates the impact of managerial myopia on AI transformation through dual theoretical and empirical lenses. The findings reveal that managerial myopia significantly inhibits corporate AI transformation. Further study reveals that the inhibitory effect of managerial myopia on AI transformation is more pronounced in high-tech enterprises; reducing R&D investment and increasing financial asset allocation constitute intermediary variables. This research provides theoretical and empirical foundations for policymakers to identify critical determinants of enterprise AI transformation and facilitates the advancement of high-quality economic development.

1. 引言

在全球新一轮技术革命与产业变革中，人工智能正深度重塑经济增长范式。普华永道研究表明，2030年人工智能技术对全球经济的潜在贡献将达到15.7万亿美元。作为全球第二大经济体，中国近些年来人工智能产业发展迅速。数据显示，人工智能能够给中国GDP带来7万亿美元收入的增量，约占2023年GDP的40%。2024年中国《政府工作报告》指出，要“深化大数据、人工智能等研发应用，开展‘人工智能+’行动，打造具有国际竞争力的数字产业集群”。综上所述，人工智能已成为推动经济高质量发展的重要动能，是未来国际竞争的焦点。在这一背景下，实施人工智能转型被视为提升企业竞争力的重要手段[1]。通过深度嵌入人工智能，可实现对海量数据的智能分析与处理，从而大幅提高生产效率和生产能力[2]，全方位改变传统的生产方式、组织形式以及商业模式，为公司实现短期业绩和长期价值增长提供强大的动能。

作为企业的战略决策制定者，管理者的特质会对公司技术转型产生深远影响。管理者短视主义起源于社会心理学的时间导向，是个人的内在稳定特质和潜意识过程[3]，具体表现为过度关注财务绩效、股价表现以及职业生涯等，而忽视企业长期价值的创造。人工智能转型作为典型的技术革新，具有周期长、见效慢、风险高等特点，那么管理者对于时间认知的特点能否影响企业人工智能转型？目前鲜有文献展开研究。本文基于理论和实证两个视角展开研究，一方面，通过将管理者短视主义作为内生变量嵌入到企业最优化函数，揭示高管特征与企业人工智能转型的内在逻辑。研究表明，企业人工智能转型内生驱动力之一来源于企业内部的高管特征。这一理论模型的构建为后续实证研究提供了清晰的研究假设。另一方面，本文以2009~2023年中国A股非金融类上市公司的大样本进行实证研究，研究发现，管理者短视主义显著抑制企业的人工智能转型。通过作用机制检验发现，降低研发支出与增加金融资产配置成为管理者短视主义影响企业的人工智能转型的中介变量。本文研究成果不仅从管理者短视主义视角扩展和完善高层梯队理论，同时丰富了企业人工智能转型的影响因素，为政策制定者识别企业人工智能转型的关键因素以及促进经济高质量发展提供实证依据。

2. 文献综述

2.1. 管理者短视主义相关综述

管理者短视主义指管理者为追求短期业绩目标而损害公司长期价值的决策倾向。从梳理文献来看，少量文献关注管理者短视主义的影响因素。例如，王新光和盛宇华[4]基于同机构投资者视角展开分析，研究发现，共同机构投资者能够抑制管理者短视主义。大量文献关注管理者短视主义所产生的经济后果：1) 探究管理者短视主义对公司信息披露行为的影响。例如，彭小珈和王亚蕾[5]的研究表明，管理者短视主义倾向越大，公司的ESG信息披露评级越低；田力[6]研究发现，管理者短视主义倾向越大，公司的真实盈余管理程度越大。2) 探究管理者短视主义对审计费用的影响。许宁宁等[7]研究发现，管理者短视主义与审计费用呈显著正相关，经营风险、控制风险以及盈余管理构成其中的影响机制。许金叶和樊淑贞[8]的研究同样证实了管理者短视主义与审计费用的正相关性，金融化和管理会计应用构成其中的影响机制。3) 研究管理者短视主义对公司资源配置效率的影响。陈奋强等[9]研究发现，管理者短视主义与公司的全要素生产率呈显著负相关。俞鸿琳[10]的研究表明，随着管理者短视主义倾向提升，公司金融资产配置规模越大，表现为“脱实向虚”的倾向。胡楠等[11]研究发现，管理者短视主义抑制了公司的长期资本支出和研发支出。4) 更多的文献是探讨管理者短视主义对企业长期发展的负面影响，如抑制公司的双元创新[12]和绿色创新[13]、降低企业数字化转型进程[14]、抑制企业高质量发展[15]等。

2.2. 人工智能相关综述

人工智能技术近年来迅速发展，已经成为推动科技跨越发展、产业结构优化升级、生产力整体跃升的重要驱动力量。现有文献主要从宏观和微观两个视角探究人工智能的经济后果。例如，从宏观视角分析，陈彦斌等[16]通过构建理论模型发现，人工智能技术能够提高生产效率，进而缓解人口老龄化对经济的影响。从微观视角分析，现有文献研究认为，人工智能能够对公司的治理水平[17]、创新能力[18]、全要素生产率[19] [20]、经营绩效[21]等方面产生积极影响，但鲜有文献研究企业人工智能转型的影响因素。

3. 理论模型分析

3.1. 生产函数

设定企业的柯布道格拉斯生产函数：

$Y_t=A_t{K}_t^a{L}_t^{1-a}$ (1)

其中，$Y_t$ 表示企业总产出，$A_t$ 为技术系数，$K_t$ 表示传统资本要素，$L_t$ 表示劳动力投入，$a\in \left(0,1\right)$ 。

3.2. AI转型投入与技术演进函数

$C\left(I\right)=\frac{1}{2}{I}^2$ (3)

$A_2=A_1\left(1+\varphi I\right)$ (4)

公式(3)为AI转型投入函数，符合凸函数特征，I表示投入强度。公式(4)为跨期技术演进函数，A₁表示AI初始资本，ϕ > 0。

3.3. 高管的跨期效用函数

$U={\pi }_1+\frac{{\pi }_2}{1+\rho }$ (5)

${\pi }_t$ 表示企业第t期利润，$\rho$ 表示管理者短视主义的贴现率，$\rho$ 越大，表示管理者短视主义越强，企业未来利润率的贴现值越小。企业跨期利润函数具体如下：

${\pi }_1=A_1{K}_1^a{L}_1^{1-a}-w{L}_1-r{K}_1-\frac{1}{2}{I}^2$ (6)

${\pi }_2=A_1\left(1+\varphi I\right)K_2^a{L}_2^{1-a}-w{L}_2-r{K}_2$ (7)

将公式(6)、(7)代入公式(5)得到：

$U=A_1{K}_1^a{L}_1^{1-a}-w{L}_1-r{K}_1-\frac{1}{2}{I}^2+\frac{A_1\left(1+\varphi I\right)K_2^a{L}_2^{1-a}-w{L}_2-r{K}_2}{1+\rho }$ (8)

对变量I求一阶导数

$\frac{dU}{dI}=-I+\frac{\varphi K_2^a{L}_2^{1-a}}{1+\rho }=0$ (9)

$I^{*}=\frac{\varphi K_2^a{L}_2^{1-a}}{1+\rho }$ (10)

由公式(10)可知，随着管理者短视主义$\rho$ 的增加，公司的人工智能转型I降低。

4. 实证分析

4.1. 回归模型

$AITR{A}_{i,t}={\beta }_0+{\beta }_{1}MAN\_MY{O}_{i,t}+{\displaystyle {\sum }_k{\beta }_k}Contro{l}_{i,t}^k+{\displaystyle \sum IND}+{\displaystyle \sum YEAR}+{\epsilon }_{i,t}$ (11)

本文的样本区间为2009~2023年中国A股非金融、非ST类上市公司，管理者短视主义数据来源于WinGO财经文本数据平台；其余数据来源于国泰安数据库(CSMAR)。公式(11)中，i表示公司，t表示年份。Control为控制变量集，选择规模(SIZE)、资产负债率(LEV)、公司年龄(LNAGE)、净资产收益率(ROE)、第一大股东持股比例(TOP1)、董事会规模(BORD)、两职合一(DUAL)为控制变量，IND为行业固定效应，YEAR为年度固定效应，$\epsilon$ 为随机扰动项。为避免极端值对回归结果的影响，本文对连续性变量做了1%和99%的缩尾处理。

AITRA为企业人工智能转型程度，等于上市公司当年申请的人工智能专利数量加1的自然对数。MAN_MYO为管理者短视主义，借鉴胡楠等[11]的研究，首先在年报中的管理者讨论与分析(MD&A)部分确定“短期主义”的直接类和间接类的种子词，直接类种子词包括“尽快”、“立刻”、“马上”、“天内”、“数月”、“年内”，间接类种子词包括“压力”、“考验”、“契机”、“之际”；其次，采用Word2Vec中的CBOW模型训练中文年度财务报告语料，获得拓充词集，包括“严峻”、“之时”、“关头”、“前夕”、“即刻”、“双重压力”、“困境”、“在即”、“恰逢”、“数天”、“日内”、“最晚”、“最迟”、“来临之际”、“正逢”、“立刻”、“适逢”、“通胀压力”、“遇上”、“随即”、“难度”、“马上”等。最后，将管理者短视主义的词频总和除以MD&A的总词频数后扩大100倍得到MAN_MYO。具体变量定义如表1所示。

Table 1. Definitions of main variables

表1. 主要变量定义

变量符号	变量名称	计算方法
AITRA	人工智能转型程度	Ln (人工智能专利数量 + 1)
MAN_MYO	管理者短视主义	(管理者短视主义词频总和/MD&A词频总和) × 100
SIZE	公司规模	总资产的自然对数
LEV	资产负债率	总负债除以总资产
LNAGE	公司年龄	Ln (当前年份 − 上市年份 + 1)
ROE	净资产收益率	净利润除以净资产
TOP1	第一大股东持股比例	第一大股东持股数量除以总股数
BORD	董事会规模	董事会人数的自然对数
DUAL	两职合一	若董事长与总经理兼任时取1，否则为0

4.2. 描述性统计

表2为主要变量的描述性统计特征。AITRA的均值为0.3147，表明样本中企业人工智能转型的平均程度接近0.3；AITRA标准差为0.7114，表明AITRA在样本中的离散程度相对适中；最大值为5.8348，最小值为0，表明企业人工智能转型程度存在差异。MAN_MYO的最大值为0.3185，最小值为0，表明样本中不同企业管理者短视主义存在差异。其余变量均保持在合理区间。

Table 2. Descriptive statistics

表2. 描述性统计

变量	样本数	均值	标准差	最小值	中位数	最大值
AITRA	35,404	0.3147	0.7114	0.0000	0.0000	5.8348
MAN_MYO	35,404	0.0723	0.0647	0.0000	0.0565	0.3185
RDV	35,404	4.8180	5.4600	0.0000	3.6000	31.7300
FIN	35,404	−0.5030	1.1240	−2.7375	−0.9412	12.2529
SIZE	35,404	22.0699	1.2624	19.1607	21.8663	27.1464
LEV	35,404	0.3967	0.2041	0.0505	0.3831	0.9618
LNAGE	35,404	1.8204	0.8911	0.0000	1.9459	3.2958
ROE	35,404	0.0517	0.1496	−0.9491	0.0695	0.3446
TOP1	35,404	0.3400	0.1481	0.0836	0.3187	0.7615
BORD	35,404	2.2287	0.1774	1.6094	2.3026	2.9444
DUAL	35,404	0.3282	0.4696	0.0000	0.0000	1.0000

4.3. 相关性系数矩阵

表3为相关系数矩阵。AITRA和MAN_MYO的相关系数为−0.049 (1%置信水平)，初步表明管理者短视主义与企业人工智能转型呈负相关，其中的因果关系和作用机制需要进一步检验。另外，其余变量之间不存在严重共线性，数据结构较为合理。

Table 3. Correlation coefficient matrix

表3. 相关系数矩阵

变量	AITRA	MAN_MYO	SIZE	LEV	LNAGE	ROE	TOP1	BORD	DUAL
AITRA	1
MAN_MYO	−0.049^***	1
SIZE	0.140^***	0.038^***	1
LEV	0.027^***	0.106^***	0.480^***	1
LNAGE	−0.024^***	0.114^***	0.416^***	0.388^***	1
ROE	0.065^***	−0.048^***	0.090^***	−0.235^***	−0.147^***	1
TOP1	0.025^***	0.071^***	0.167^***	0.027^***	−0.117^***	0.149^***	1
BORD	0.016^***	0.102^***	0.250^***	0.145^***	0.121^***	0.044^***	0.021^***	1
DUAL	0.017^***	−0.103^***	−0.178^***	−0.152^***	−0.220^***	0.007	−0.049^***	−0.189^***	1

注：^***表示显著性水平(p值) < 0.01，即在1%显著性水平上显著(非常显著)。

4.4. 基准回归结果

表4的第(1)列回归模型仅控制行业固定效应和年度固定效应，第(2)列在此基础上加入控制变量，MAN_MYO的回归系数均显著为负(1%置信水平)。研究表明，管理者短视主义显著抑制企业人工智能转型。潜在影响渠道如下：管理者短视主义的存在会影响企业的战略决策，由于人工智能转型存在周期长、见效慢、风险高等特点，转型的不确定性不仅会降低企业的研发投入水平，还可能诱发企业过度关注短期资产收益，而忽视长期价值。综上，本文的实证结论与理论模型结论相一致。

Table 4. Benchmark regression results

表4. 基准回归结果

变量	(1)	(2)
	AITRA	AITRA
MAN_MYO	−0.3061^***	−0.2707^***
	(0.0982)	(0.0938)
SIZE		0.1211^***
		(0.0121)
LEV		−0.0072
		(0.0395)
LNAGE		−0.0419^***
		(0.0092)
ROE		0.1524^***
		(0.0341)
TOP1		0.1096^*
		(0.0589)
BORD		0.0381
		(0.0486)
DUAL		0.0173
		(0.0156)
Constant	−0.0024	−2.6369^***
	(0.0497)	(0.2666)
Observations	35,404	35,404
IND	YES	YES
YEAR	YES	YES
Adjust R^2	0.110	0.149

注：^*、^**、^***分别表示在10%、5%、1%的置信水平上显著，括号内为公司层面的聚类稳健标准误，下同。

4.5. 稳健性检验

为了更精准测度出管理者短时主义影响公司人工智能转型的净处理效应，并缓解实证结果的潜在内生性问题，本文采用倾向得分匹配法(PSM)进行检验。PSM的基本思路是将研究样本分为处理组(存在人工智能转型的公司)和控制组(不存在人工智能转型的公司)，运用Logit模型并控制公司特征的关键协变量，并估计出公司进行人工智能转型的倾向得分(即人工智能转型的概率)，进而基于倾向得分进行匹配，这一处理方式能够使本文涉及的因果关系随机化，从而能够有效缓解内生性问题。具体地，本文将AITRA_DUM作为被解释变量(若存在人工智能转型，则AITRA_DUM取值为1，否则为0)，协变量与主回归保持一致，将处理组和控制组按照最近邻1比1、1比2的法则进行匹配。匹配效果如图1~3所示，在样本匹配前，处理组和控制组的密度重心存在差异。经过匹配后，处理组和控制组密度函数图基本重合，表明匹配效果较好。PSM匹配后的回归结果如表5所示，MAN_MYO的回归系数均显著为负(1%置信水平)，故本文的结论依然稳健。

Figure 1. Before matching

图1. 匹配前

Figure 2. 1:1 matching

图2. 1:1匹配

Figure 3. 1:2 matching

图3. 1:2匹配

Table 5. Robustness test of propensity score matching (PSM)

表5. PSM稳健性检验

变量	(1)	(2)
	1:1匹配	1:2匹配
	AITRA	AITRA
MAN_MYO	−0.5223^***	−0.4906^***
	(0.1961)	(0.1611)
SIZE	0.1362^***	0.1340^***
	(0.0194)	(0.0175)
LEV	−0.0021	−0.0050
	(0.0772)	(0.0650)
LNAGE	−0.0063	−0.0174
	(0.0169)	(0.0147)
ROE	0.1617^**	0.1369^*
	(0.0819)	(0.0719)
TOP1	0.2126^**	0.2258^**
	(0.1013)	(0.0882)
BORD	0.1393^*	0.0912
	(0.0841)	(0.0742)
DUAL	−0.0075	0.0017
	(0.0273)	(0.0243)
Constant	−3.2565^***	−3.0846^***
	(0.4320)	(0.3871)
Observations	12,657	18,238
IND	YES	YES
YEAR	YES	YES
Adjust R^2	0.209	0.196

4.6. 异质性检验

高新科技行业具有竞争强度大、风险高、产品技术更新速度较快等特点。因此，技术创新和生产效率的提升对于高新科技企业尤为重要。然而，在面临激烈的行业竞争情况下，由于人工智能转型具有周期长、见效慢、风险高等特点，企业无法把更多的资源投入到转型中。若高新科技企业的管理者存在较强的短视倾向，行业特征加上短视主义决策，将进一步使其过度关注短期资产收益，而忽视长期价值，最终降低企业的人工智能转型。为此验证上述异质性，本文将样本分成高新科技企业和非高新科技企业，分组回归结果如表6所示，在高新科技企业中MAN_MYO的回归系数在1%置信水平显著为负，而在非高新科技企业中MAN_MYO的回归系数为负但不显著。研究表明，管理者短视主义抑制人工智能转型的效应在高新科技企业更为显著。

Table 6. Heterogeneity test

表6. 异质性检验

变量	(1)	(2)
	高新科技企业	非高新科技企业
	AITRA	AITRA
MAN_MYO	−0.5459^***	−0.1663
	(0.1576)	(0.1119)
SIZE	0.1341^***	0.1212^***
	(0.0245)	(0.0139)
LEV	0.0383	−0.0275
	(0.0692)	(0.0481)
LNAGE	−0.0605^***	−0.0328^***
	(0.0156)	(0.0112)
ROE	0.1551^**	0.1524^***
	(0.0642)	(0.0391)
TOP1	0.0808	0.1323^**
	(0.1115)	(0.0672)
BORD	0.1015	0.0148
	(0.0889)	(0.0570)
DUAL	−0.0399^*	0.0509^**
	(0.0236)	(0.0205)
Constant	−2.8298^***	−2.6397^***
	(0.5720)	(0.2944)
Observations	12,076	23,328
IND	YES	YES
YEAR	YES	YES
Adjust R^2	0.167	0.153

4.7. 作用机制检验

为进一步检验管理者短视主义影响企业人工智能转型的作用机制，本文使用中介效应模型进行检验[22]。本文选择研发投入和金融资产配置作为中介变量。一方面，由于人工智能转型存在周期长、见效慢、风险高等问题，管理者短视主义的存在极有可能降低企业的研发投入水平，进而降低人工智能转型。另一方面，短视主义往往会诱发管理者过度关注短期利益，显著特征之一是增加金融资产配置，使得公司“脱实向虚”。具体地，首先，本文使用企业研发支出总额与营业收入的比值(RDV)以测度企业的研发强度；其次，借鉴杜勇等[23]的方法，将企业从金融渠道获利的收益进行标准化，即企业金融化程度(FIN) = (金融渠道获利 − 营业利润)/营业利润的绝对值。

结合本文分析，第一阶段检验为本文的公式(11)。通过表4的基准回归结果，研究表明管理者短视主义显著抑制企业人工智能转型，剩余两阶段模型具体如下：

$MEDIA{N}_{i,t}={\beta }_0+{\beta }_{1}MAN\_MY{O}_{i,t}+{\displaystyle {\sum }_k{\beta }_k}Contro{l}_{i,t}^k+IND+YEAR+{\epsilon }_{i,t}$ (12)

$AITR{A}_{i,t}={\beta }_0+{\beta }_{1}MEDIA{N}_{i,t}+{\beta }_{2}MAN\_MY{O}_{i,t}+{\displaystyle {\sum }_k{\beta }_k}Contro{l}_{i,t}^k+IND+YEAR+{\epsilon }_{i,t}$ (13)

其中，MEDIAN为中介变量，包括研发支出强度(RDV)和金融化程度(FIN)。其余变量与主回归保持一致。回归结果如表7所示，第(1)列为研发支出中介变量的第二阶段回归结果，MAN_MYO的回归系数显著为负(1%置信水平)，表明管理者短视主义显著抑制企业的研发支出；第(2)列为第三阶段回归结果，RDV的回归系数显著为正(1%置信水平)，MAN_MYO的回归系数显著为负(5%置信水平)，表明研发支出构成管理者短视主义影响企业人工智能转型的中介变量。第(3)列为金融化中介变量的第二阶段回归结果，MAN_MYO的回归系数显著为正(1%置信水平)，表明管理者短视主义与公司金融化呈显著正相关；第(4)列为第三阶段回归结果，FIN的回归系数显著为负(5%置信水平)，MAN_MYO的回归系数均显著为负(1%置信水平)，表明金融化构成管理者短视主义影响企业人工智能转型的中介变量。

Table 7. Mechanism test

表7. 作用机制检验

变量	(1)	(2)	(3)	(4)
	RDV	AITRA	FIN	AITRA
RDV		0.0138^***
		(0.0018)
FIN				−0.0104^**
				(0.0048)
MAN_MYO	−2.6211^***	−0.2346^**	0.3485^***	−0.2671^***
	(0.5528)	(0.0920)	(0.1220)	(0.0934)
SIZE	0.1845^***	0.1186^***	−0.0412^***	0.1207^***
	(0.0537)	(0.0120)	(0.0096)	(0.0121)
LEV	−6.3253^***	0.0799^**	0.2636^***	−0.0045
	(0.3457)	(0.0399)	(0.0541)	(0.0397)
LNAGE	−0.4895^***	−0.0351^***	0.1662^***	−0.0402^***
	(0.0634)	(0.0092)	(0.0100)	(0.0092)
ROE	−4.0814^***	0.2086^***	−2.6887^***	0.1244^***
	(0.3215)	(0.0342)	(0.0623)	(0.0331)
TOP1	−2.9808^***	0.1507^***	−0.1682^***	0.1079^*
	(0.3754)	(0.0582)	(0.0534)	(0.0590)
BORD	0.1699	0.0358	0.0297	0.0384
	(0.3192)	(0.0481)	(0.0485)	(0.0486)
DUAL	0.5498^***	0.0098	0.0058	0.0174
	(0.1109)	(0.0155)	(0.0144)	(0.0156)
Constant	0.2404	−2.6402^***	0.4225^*	−2.6325^***
	(1.2063)	(0.2653)	(0.2177)	(0.2663)
Observations	35,404	35,404	35,404	35,404
IND	YES	YES	YES	YES
YEAR	YES	YES	YES	YES
Adjust R^2	0.378	0.156	0.189	0.149

5. 研究结论与启示

5.1. 研究结论

在全球新一轮技术革命与产业变革中，人工智能正深度重塑经济增长范式。在企业人工智能过程中，管理者特征起着关键性作用。本文以2009~2023年中国A股非金融类上市公司为样本，从理论和实证两个角度探究管理者短视主义对企业人工智能转型的影响。研究发现，管理者短视主义显著抑制企业人工智能转型。异质性检验发现，管理者短视主义抑制企业人工智能转型的效应在高新科技企业更为显著。作用机制检验发现，降低研发投入和增加金融资产配置构成其中的中介变量。

5.2. 政策启示

首先，企业在聘任高管时应重点考察战略前瞻性思维和可持续发展价值观，进而有效防范管理短视倾向对企业长期价值的侵蚀。此外，应进一步完善和丰富内部考核机制，将人工智能转型等技术革新纳入到考核指标，使管理层的考核融入到企业的长期发展中，这有助于抑制管理层“脱实向虚”的资源配置决策。其次，由于人工智能转型具有周期长、见效慢、风险高等特点，政策制定者应不断完善人工智能行业发展的政策环境，为技术革新企业提供税收优惠、财政补贴、研发资助等激励措施。与此同时，政府应提高用于技术革新补贴的绩效，防止企业利用政府补贴进行非技术革新的短期投资。

基金项目

广西重点研发计划项目基金(编号：AB25069188)。

NOTES

^*通讯作者。