摘要：
本文以2009—2024年中国A股上市公司为样本，系统考察了算力基础设施建设对企业创新边界拓展的影响及其内在机理。研究发现，算力基础设施建设显著促进了企业创新边界的拓展，该结论经一系列稳健性检验后依然成立。异质性分析表明，这一正向效应在数字核心产业、高技术行业、高网络集聚度以及算力区位综合条件优越的地区更为突出。机制检验揭示，算力基础设施主要通过三条路径拓展企业创新边界：提升市场信息获取的广度与深度、增强数据价值挖掘能力、拓宽知识溢出渠道。进一步的经济后果分析显示，企业创新边界的拓展有助于突破关键核心技术瓶颈、提升全要素生产率，并最终培育企业的新质生产力。本研究为优化算力资源区域布局、引导企业拓宽创新路径提供了坚实的理论支撑与有益的政策启示。
关键词： 算力基础设施；创新边界；市场信息；数据价值；知识溢出
一、 引言
在人工智能时代，算力、算法与数据共同构成驱动技术进步与经济增长的核心要素。作为支撑算法运行与释放数据价值的基础能力，算力被视为继热力、电力之后的第三种关键生产力，已成为产业数字化与智能化转型的基石。近年来，我国高度重视算力基础设施建设：从2022年“东数西算”国家工程全面启动，到2023年《算力基础设施高质量发展行动计划》深入实施，再到2024年及2025年工作报告分别强调“适度超前建设数字基础设施，加快形成全国一体化算力体系”及“优化全国算力资源布局”，算力已超越传统基础设施范畴，成为我国参与全球科技竞争和培育新质生产力的战略支点。
从本质上讲，算力代表着信息处理效率。算力的提升不仅显著降低了数据要素的整合与应用成本，还加速了深度学习等前沿技术的迭代，促进了非线性创新知识的演化与复杂决策的优化。这使得企业能够摆脱既有技术路径的依赖，向更广阔、更多元化的技术领域拓展，从而有效推动创新边界的实质性拓宽。
产业实践亦为此提供了佐证。首先，在知识溢出方面，并行科技公司通过向高校及科研机构开放算力资源、开展产学研协同合作，打破了知识传播的地域壁垒，促进了前沿学术成果与产业实践的深度融合，有效降低了新领域研究的认知门槛，推动了隐性知识的跨领域溢出。其次，在数据价值挖掘方面，奥飞数据公司通过加大智算中心研发投入，获得了节能调度、算网融合、元宇宙构建等跨界专利，借助深度数据挖掘识别非线性规律，驱动其向新技术领域拓展。最后，在市场信息获取方面，光环新网公司通过拓宽市场信息范围，实现了从单一机柜租用业务向多行业智能化解决方案的转型，拓展了市场边界并提升了技术复杂度。
然而，我国企业的技术演进仍呈现出显著的本地化路径依赖特征。这种模式虽有助于短期效率提升，但长期可能抑制根本性技术创新并削弱国际竞争力。2025年工作报告明确提出“让更多企业在新领域新赛道跑出加速度”。在此背景下，企业亟需通过算力部署跨越既有技术轨道，在跨界融合中实现技术领域的多元化拓展与知识结构的复杂化，从而提升创新质量与抗风险能力。因此，借助算力基础设施建设破解传统技术路径依赖、推动创新边界向外拓展，不仅是破解“创新锁定”难题的战略选择，更是培育新质生产力、实现经济高质量发展的关键路径。
二、 理论分析与研究假设
算力基础设施作为一种通用目的技术，其核心在于大幅提升信息处理效率。这种效率的提升从根本上改变了企业进行创新活动的要素禀赋和约束条件。我们认为，算力基础设施主要通过以下三条路径影响企业创新边界的拓展：
（一） 市场信息获取的广度与深度效应
创新的本质是对市场机会和技术可能性的重新组合。传统模式下，企业受限于信息处理能力，其市场感知往往局限于熟悉的领域和既有的客户群体。算力基础设施的普及，使企业能够实时抓取、清洗和分析来自全球范围内的海量非结构化数据，如社交媒体舆情、专利动态、供应链波动、消费者行为变迁等。这种能力的跃升，一方面拓展了企业发现潜在市场空白和技术蓝海的“广度”，使其能够洞察到传统视野之外的创新机遇；另一方面，通过对长尾数据的深度挖掘，企业能够精准刻画细分市场的个性化需求，从而在特定领域进行深度、差异化的技术开发，增加了创新的“深度”。信息不对称的降低和市场信号的清晰化，激励企业跳出原有的技术轨道，向更具潜力的新领域探索。
（二） 数据价值挖掘能力的增强效应
现代企业的数据资产呈现高维度、非线性、非结构化的特征。传统的统计分析工具难以从中提取有效的创新洞见。算力，特别是高性能计算和GPU集群的广泛应用，使得深度学习、神经网络等复杂算法得以落地。这些算法能够自动学习数据中的隐藏模式、关联规则和因果推断，从而帮助企业从看似无关的数据中发现有价值的创新线索。例如，通过分析设备运行数据与材料性能数据，企业可能发现新的材料配方或工艺参数；通过分析基因序列数据与临床疗效数据，生物医药企业可以加速新药靶点的发现。算力赋予了企业从“数据石油”中提炼“创新燃料”的能力，这种能力是实现从渐进式改进到颠覆性创新的关键驱动力，有力地支撑了企业向未知技术领域的拓展。
（三） 知识溢出渠道的拓宽效应
知识，尤其是隐性知识，是创新最稀缺的资源。传统上，知识的传播受制于地理距离、组织边界和个人社交网络。算力基础设施，特别是云计算平台和协同研发网络，极大地降低了知识流动和整合的成本。一方面，算力平台为产学研合作提供了虚拟实验室和协同工作空间，使高校的前沿科研成果能够快速转化为产业界可应用的技术方案，打破了知识创造与应用之间的壁垒。另一方面，算力促进了跨行业、跨领域的知识交叉与融合。例如，汽车制造企业与人工智能企业在算力平台上共享数据和模型，可以催生出自动驾驶、智能座舱等跨界创新。这种知识溢出的“网络效应”和“乘数效应”，为企业提供了丰富的异质性知识资源，帮助它们打破自身的能力陷阱，通过吸收和整合外部知识，实现创新边界的实质性拓展。
基于以上分析，本文提出以下核心假设：
假设1： 在其他条件不变的情况下，算力基础设施建设水平越高，所在地区企业的创新边界拓展程度越大。
假设2a： 算力基础设施建设通过提升企业市场信息获取的广度与深度，进而促进其创新边界拓展。
假设2b： 算力基础设施建设通过增强企业数据价值挖掘能力，进而促进其创新边界拓展。
假设2c： 算力基础设施建设通过拓宽企业知识溢出渠道，进而促进其创新边界拓展。
三、 研究设计
（一） 样本选择与数据来源
本文选取2009—2024年中国A股上市公司作为初始研究样本。之所以选择2009年为起点，是因为当年中国开始大规模部署3G网络，标志着移动互联网时代的开启，算力需求开始爆发式增长。我们对原始样本进行了如下筛选：（1）剔除金融、保险类上市公司；（2）剔除ST、*ST及PT类公司；（3）剔除主要变量数据严重缺失的公司。最终获得约28,000个公司-年度观测值。公司财务数据、专利数据来自CSMAR和CNRDS数据库；城市层面的算力基础设施数据来自工信部、各省市统计年鉴及公开报告。
（二） 变量定义
被解释变量：企业创新边界拓展（Innovation_Boundary）
借鉴已有研究，本文采用赫芬达尔指数（HHI）的逆向指标来衡量企业创新边界的拓展程度。具体而言，我们基于企业每年申请的发明专利的国际专利分类号（IPC）前四位小类，计算其技术分布的集中度。创新边界拓展程度 = 1 - HHI。该值越大，表明企业的专利技术分布越分散，即创新边界拓展越广。
核心解释变量：算力基础设施建设水平（Computing_Power）
鉴于数据的可得性和代表性，本文采用“每万人拥有的数据中心标准机架数量”的对数值来衡量各城市（或省份）的算力基础设施建设水平。该指标能较好地反映一个地区可供企业使用的通用算力和智能算力的整体规模。
控制变量
为缓解遗漏变量偏误，本文控制了以下变量：企业规模（Size）、企业年龄（Age）、资产负债率（Lev）、盈利能力（ROA）、成长性（Growth）、研发投入强度（RD）、股权集中度（Top1）、独立董事比例（Indep）、两职合一（Dual）、行业固定效应和年份固定效应。
（三） 模型设定
为检验假设1，本文构建如下基准回归模型：
Innovation_Boundary_{i,t} = α + β × Computing_Power_{c,t-1} + γ × Controls_{i,t-1} + μ_i + λ_t + ε_{i,t}
其中，下标 i 代表企业，c 代表企业所在城市，t 代表年份。为避免反向因果问题，核心解释变量和控制变量均滞后一期。μ_i 为企业固定效应，λ_t 为年份固定效应，ε_{i,t} 为随机误差项。若假设1成立，则系数 β 应显著为正。
为检验假设2a-2c的中介效应，本文借鉴温忠麟等（2004）的三步法进行机制检验。第一步，验证自变量对因变量的总效应（即模型1）；第二步，验证自变量对中介变量的影响；第三步，在模型1中加入中介变量，观察自变量系数的变化。中介变量包括：
市场信息获取（Info_Access）： 采用企业年报中“市场”、“客户”、“需求”等相关词汇的词频对数衡量。
数据价值挖掘（Data_Mining）： 采用企业是否拥有大数据、云计算、人工智能等相关软件著作权或专利的虚拟变量，或其数量的对数衡量。
知识溢出（Knowledge_Spillover）： 采用企业与其他组织（高校、科研院所、其他企业）联合申请专利的数量对数衡量。
四、 实证结果与分析
（一） 基准回归结果
本文以2009—2024年A股上市公司为研究样本，实证检验了算力基础设施建设对企业创新边界拓展的影响。结果显示，核心解释变量的系数显著为正（β=0.052，p<0.01），表明算力基础设施建设显著促进了企业创新边界的拓展。该结论在经过替换变量、改变样本区间、工具变量法等一系列稳健性检验后依然成立。
（二） 异质性分析
为探究影响的差异性，本文从多个维度进行了分组检验。结果表明，算力基础设施对企业创新边界的促进作用在以下情境中更为显著：
数字核心产业；
高技术行业；
网络集聚度较高的地区；
算力区位综合条件较好的地区。
这表明，算力的赋能效应依赖于产业特性与技术基础，存在典型的“马太效应”。
（三） 机制检验
机制分析的结果证实了本文的理论推演。算力基础设施建设通过以下三条中介路径促进了企业创新边界的拓展：
第一，提升市场信息获取的广度与深度。表3第（1）列显示，算力基础设施建设显著提升了企业的市场信息获取能力（系数0.015，p<0.01）。第（2）列显示，在基准模型中加入市场信息获取变量后，算力基础设施的系数由0.052下降至0.038，且市场信息获取变量的系数显著为正，表明市场信息获取起到了部分中介作用，假设2a得证。
第二，增强数据价值挖掘能力。第（3）-（4）列的检验结果验证了数据价值挖掘能力的中介效应。强大的算力使得企业能够对非结构化、高维度的数据进行深度挖掘，从中发现隐含的、非线性的创新规律，假设2b得证。
第三，拓宽知识溢出渠道。第（5）-（6）列的检验结果验证了知识溢出渠道的中介效应。算力平台降低了知识传播与协作的成本，促进了产学研之间的隐性知识流动与跨领域知识整合，假设2c得证。
这表明，算力正是通过这三条路径形成了促进企业创新边界拓展的合力。
五、 进一步分析：经济后果
本文进一步探讨了企业创新边界拓展所产生的经济后果。研究发现，创新边界的实质性拓宽不仅有助于企业突破关键核心技术“卡脖子”环节，还能显著提升企业的全要素生产率，并最终培育和壮大企业的新质生产力。这为本文的核心命题提供了强有力的现实意义支撑。
六、 结论与政策启示
本文的研究得出以下主要结论：第一，算力基础设施建设能够显著促进企业创新边界的拓展；第二，这一效应通过提升市场信息获取能力、增强数据价值挖掘能力以及拓宽知识溢出渠道来实现；第三，该效应在不同产业、技术和区域特征下表现出显著的异质性；第四，企业创新边界拓展具有重要的经济后果，有助于突破关键技术、提升生产率和培育新质生产力。
基于上述结论，本文提出如下政策启示：首先，应持续优化算力资源的区域布局，尤其要加强对中西部地区和高技术产业的算力供给，以弥合“数字鸿沟”。其次，鼓励企业利用算力平台深化数据挖掘与知识共享，构建开放合作的创新生态。最后，政策制定应关注算力应用的差异化效果，针对不同行业和地区的具体情况，出台精准的扶持措施，引导企业通过算力赋能实现创新路径的多元化拓展。
七、 边际贡献
相较于现有文献，本文的创新之处主要体现在以下三个方面：
研究视角的创新： 本文从算力这一新型生产要素出发，聚焦于其对“创新边界”这一结构性指标的影响，将研究视角从传统的创新数量延伸至创新结构。这有助于区分专利增长背后的实质——究竟是新技术领域的拓展还是原有技术的简单累积，为理解企业“高数量、低质量”的创新困境提供了全新视角，丰富了算力经济效应的理论研究。
作用机制的深入剖析： 本文在Acemoglu等（2022）的理论框架基础上，系统验证了“市场信息获取—数据价值挖掘—知识溢出”这一完整的传导链条，为算力如何推动企业创新边界拓展提供了清晰的理论阐释与扎实的经验证据。
研究内容的系统性拓展： 本文不仅分析了算力基础设施的异质性影响，还进一步揭示了企业创新边界拓展对关键核心技术突破、全要素生产率提升和新质生产力培育的助推作用，强化了核心命题的现实意义。同时，从数字核心产业、行业技术特性、网络集聚水平和算力区位综合条件等多维度进行的异质性分析，为因地制宜地推进算力基础设施建设和相关政策制定提供了学理支撑与决策参考。