全新视角！上市公司AI创新数据解析(2000-2025)

上市公司在人工智能技术领域的创新表现（2000-2025）

获取方式见文章结尾

数据概述

CNPaperData

人工智能技术指标，借助创新计量分析工具，通过IPC专利分类识别与统计方法计算企业每年的人工智能专利产出，并基于跨期对比，将其加1后取对数，作为衡量企业在人工智能领域创新投入与知识产出能力的参考依据。其核心在于利用专利数量的绝对值及其对数化的变化趋势，展现企业在技术前沿进行探索、积累和转化的创新力度与知识沉淀水平。

基于此，可开展多维度研究：一是探讨驱动人工智能创新的因素，分析不同产权属性、融资限制、管理层背景及行业竞争环境下，影响企业人工智能创新的关键差异，探究研发团队、数据资源、算力支持、产学研协作等内部要素，以及数字基础设施、技术外溢、产业政策、技术标准等外部条件的作用机制；二是动态追踪人工智能技术的发展轨迹，观察企业人工智能专利在技术子类（如机器学习、计算机视觉、自然语言处理、智能控制等）中的演变过程，揭示其呈现“渐进优化”、“跨界融合”或“颠覆性突破”等模式的特点，识别关键技术节点与路径依赖特征；三是评估人工智能创新的经济效应，验证技术积累对企业生产效率、市场估值、出口竞争力及长期增长潜力的推动作用，分析其通过成本削减、效率提升、产品革新或商业模式转型等中介路径发挥作用的条件与边界；四是研究人工智能创新的系统协同效应，探索企业微观层面的人工智能创新如何通过技术授权、人才流动、供应链协作与创新联盟等途径，形成中观层面的产业创新网络与区域创新体系，剖析人工智能知识的空间扩散、产业链传导与跨层级协作机制；五是评估与优化人工智能产业政策，考察政府研发补贴、数据开放、试点示范、伦理监管等干预措施对企业人工智能创新的激励效果、结构影响及可能的扭曲现象，为构建激励相容、审慎包容的人工智能创新政策体系提供实证支持。

本数据在参考Zu, X., Ni, G., & Hu, R. (2025) 研究框架的基础上，扩展了识别范围，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库”，即通过专利分类识别与面板数据处理方法提取标准化的企业人工智能创新强度信息，具体步骤如下：1、制定基于扩展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）等新兴领域的分类号，以更全面地覆盖人工智能技术生态；2、对企业面板专利数据进行清洗、年度汇总与公司匹配，筛选出申请年度在2000至2025年间的观测值；3、按企业和申请年度分组，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)。

数据详情

CNPaperData

数据