Анализ статьи «Влияние инноваций в области ИИ на эффективность компаний пищевой промышленности»

1. Анализ статьи «Impact of artificial intelligence innovation on food company performance» «Влияние инноваций в области

искусственного интеллекта на
эффективность деятельности
компаний пищевой
промышленности»
Великосельская М., Коробова В., Нужная А., Тхаровская А.
КФиБА22-1

2. 01

Общая информация о статье
Название статьи: Impact of artificial intelligence innovation on food
company performance
Авторы статьи: Yongqin Wang, Fuxing Liu
Журнал: International Review of Financial Analysis, 103, 2025
Структура статьи:
Введение
01
Исследовательские гипотезы
02
Выборка, данные и методология
03
Результаты базовой модели и тесты на надежность
04
Механизмы влияния ИИ
05
Дополнительный анализ
06
Итоги и практические рекомендации
07

3. Общая информация о статье

Цель исследования: изучение влияния инноваций в области
искусственного интеллекта на стоимость компаний в пищевой
промышленности
Задачи исследования:
• Эмпирически проверить, повышает ли подача
патентов на ИИ стоимость пищевых компаний,
измеряемую с помощью Q Тобина;
• Выявить механизмы этого влияния: рост
рыночной капитализации, повышение
операционной эффективности и усиление
рыночной власти;
• Провести дополнительный анализ, учитывая
концентрацию рынка, отраслевую
неоднородность и тип патентов на ИИ.

4. Общая информация о статье

Научная новизна:
Экономические инновации заключаются в глубоком эмпирическом
анализе влияния ИИ-инноваций на стоимость пищевых компаний с
учетом рыночной концентрации и отраслевой неоднородности, а
методологические новации — применение панельных регрессионных
моделей с инструментальными переменными и высокоразмерными
фиксированными эффектами.
Пищевая промышленность сталкивается с вызовами: изменение
климата, волатильность торговли, растущие требования потребителей.
В то же время, потенциальная выгода от внедрения передовых
технологий, таких как ИИ, в этом традиционном секторе остается под
вопросом. Исследование призвано заполнить этот пробел.

5. Обзор литературы

Направление «Влияние ИИ на операционную эффективность и
производительность»
ИИ повышает производительность труда и общую факторную производительность (TFP) за
счет автоматизации, оптимизации цепочек поставок, улучшения управления инновациями
и изменения структуры спроса на труд.
Представители и выводы:
Yang (2022) – рост производительности в электронной промышленности Тайваня;
Wamba (2022) – агентность организации и клиента как медиаторы;
Zhai & Liu (2023) – рост TFP через снижение издержек и цифровую трансформацию;
Damioli et al. (2021) – рост производительности труда, особенно в МСП;
Gómez-Bengoechea & Jung (2024) – чем больше инструментов ИИ, тем выше
производительность.

6. Обзор литературы

Направление «Влияние ИИ на результаты деятельности компаний на
рынке капитала»
ИИ влияет на инвестиционную эффективность, прозрачность, внутренний контроль и, как
следствие, на стоимость компании и риск обвала акций.
Представители и выводы:
Zhang, Deng, & Wu (2024) – ИИ снижает риск обвала акций;
Zhao et al. (2024) – ИИ повышает инвестиционную эффективность.
Lui et al. (2022) обнаружили негативное влияние инвестиций в ИИ на рыночную стоимость,
особенно для не производственных компаний.

7. Гипотезы

Инновации в области ИИ повышают стоимость
H1: пищевых компаний.
Инновации в области ИИ повышают стоимость
H2: пищевых компаний за счет:
a) Увеличения их рыночной капитализации.
b) Повышения их операционной эффективности.
c) Усиления их рыночной власти.

8. Модель

Valueit – стоимость компании i в году t (Q Тобина);
AIit – бинарная переменная: 1, если компания подала заявку на
патент в области ИИ в году t, и 0 в противном случае;
Xit – контрольные переменные (возраст, размер, долговая
нагрузка, оборот активов, капитал);
vi​, μt – фиксированные эффекты по компаниям и годам.
Решение проблемы эндогенности:
Использован метод инструментальных переменных. Авторы взяли среднее
количество заявок на патенты ИИ всех других пищевых компаний в году t.

9. Переменные

Категория
Переменная
Определение
Связь с гипотезами
Зависимая
Value (Q Тобина)
Рыночная стоимость / (Всего
активов – Нематериальные активы –
Гудвилл)
Итоговая гипотеза
Основная независимая
AI
Бинарная =1, если компания подала
патент ИИ в году t
Главный эффект для H1
Age
Натуральный логарифм возраста
компании
Контрольная
Size
Нат. логарифм общих активов
Контрольная
DA
Коэффициент долга: Обязательства /
Контрольная
Активы
TAT
Оборачиваемость активов:
Операционный доход / Активы
Контрольная
CAR
Коэффициент достаточности
капитала: Собственный капитал /
Активы
Контрольная
Контрольные

10. Переменные

Категория
Переменная
Зависимая
TMC
Value (Q Тобина)
Основная независимая
PB
AI
ROA
Age
Механизмы (H2)
Контрольные
Size
OCR
DA
MS
TAT
LI
CAR
Определение
Рыночная
стоимость
/ (Всего
Общая
рыночная
капитализация
активов
– Нематериальные
(цена
акции
* кол-во акций)активы –
Гудвилл)
P/B ratio (Цена акции / Балансовая
Бинарная =1,
компания подала
стоимость
наесли
акцию)
патент ИИ в году t
Рентабельность активов: Чистая
Связь с гипотезами
Проверка H2a
Итоговая гипотеза
Проверка H2a
Главный эффект для H1
Проверка H2b (прибыльность)
Натуральный
логарифм возраста
прибыль
/ Активы
Контрольная
компании
Коэффициент операционных затрат:
Нат. логарифм общих
активов
Контрольная
Операционные
затраты
/
Проверка
H2b (затраты)
Операционный
доход
Коэффициент долга: Обязательства /
Контрольная
Активы
Доля
рынка: Ln(Выручка компании /
Проверка H2c
Общая
выручка
подотрасли)
Оборачиваемость активов:
Контрольная
Операционный доход / Активы
Индекс Лернера:
(Выручка –
Коэффициент
достаточности
Операц.
– Коммерч.
и /
Проверка
H2c
капитала:затраты
Собственный
капитал
Контрольная
Управленч.
расходы) / Выручка
Активы

11. Использованные данные

Используется панельная регрессионная
модель для 209 китайских пищевых
компаний, котирующихся на бирже типа А,
за 2010–2023 гг.
После исключения наблюдений с
пропущенными значениями для
соответствующих переменных авторы
собрали 1661 наблюдение за год работы
компании.
Источники данных: База данных China Stock Market & Accounting Research
(CSMAR), База данных Государственного управления интеллектуальной
собственности Китая (CNIPA)

12. Описательная статистика

Только 12% компаний в выборке подавали патенты на ИИ, что говорит о
низком уровне внедрения.
Средний Q Тобина для пищевых компаний = 3.25 (выше, чем у непищевых).
Средний Q Тобина для компаний с патентами ИИ = 4.00 (на 24% выше, чем у
компаний без патентов), что указывает на предварительную положительную
корреляцию.

13. Результаты проверки гипотезы Н1

Коэффициент при
переменной AI является
статистически значимым и
положительным в базовой
регрессии. Инновации в области
ИИ увеличивает Q Тобина
пищевой компании примерно на
0.95. Этот результат соответствует
теоретическим ожиданиям H1.

14. Результаты тестов на надежность

Коэффициент ИИ остается значительно
положительным;
Для каждой дополнительной заявки на
патент на ИИ Q Тобина увеличивается
на 0,15;
Стоимость компаний, внедривших
инновации с использованием ИИ,
увеличилась на 20,5%, что является
существенным улучшением.
Вывод: инновации с использованием
ИИ продолжают значительно повышать
стоимость пищевых компаний,
независимо от того, как измеряются
переменные.
Пересчет стоимости
Годовое
путем деления рыночной количество
стоимости акций
заявок на
патенты в
компаний на их
области ИИ
совокупные активы
Натуральный
логарифм
значения

15. Результаты проверки механизма увеличения рыночной капитализации (Н2а)

Общая рыночная
капитализация
Результаты проверки
механизма увеличения
рыночной капитализации
(Н2а)
Коэффициенты ИИ значительно высокие, что
подтверждает тот факт, что инновации в
области ИИ повышают общую рыночную
капитализацию компаний пищевой
промышленности.
Гипотеза H2a подтверждается.
Коэффициент AI Invent значительно
положительный, в то время как коэффициент
AI non Invent незначителен. Эти результаты
показывают, что патенты на ИИ с более
высокой технологической сложностью
способствуют более значительному
увеличению рыночной капитализации
пищевых компаний, что еще больше
поддерживает H2.

16. Результаты проверки механизма повышения операционной эффективности (Н2b)

Результаты в столбце (1) показывают,
что коэффициент AI существенно
положителен, что указывает на то, что
инновации в области ИИ значительно
повышают рентабельность активов
пищевых компаний.
В столбце (2) коэффициент AI
существенно отрицателен, что
свидетельствует о том, что инновации в
области ИИ значительно снижают
операционные расходы пищевых
компаний.

17. Результаты проверки механизма повышения рыночной власти (Н2с)

Результаты, приведенные в столбце (1),
показывают, что инновации с
использованием ИИ увеличивают
рыночную долю компаний пищевой
промышленности примерно на 10%.
Результаты, приведенные в столбце (2),
показывают, что инновации с
использованием ИИ повышают
прибыль компаний пищевой
промышленности на 0,02.
Рыночная власть
Индекс Лернера

18. Методология исследования на языке Python

19. Дополнительная модель

С целью изучения влияния ИИ инноваций на стоимость пищевых
компаний при различных уровнях концентрации рынка,
разработана следующая регрессионая модель:
Valueit – стоимость компании i в году t (Q Тобина);
AIit – бинарная переменная: 1, если компания подала заявку на патент в
области ИИ в году t, и 0 в противном случае;
HHIit - индекс Херфиндаля-Хиршмана для пищевой промышленности за
каждый год
Xit – контрольные переменные (возраст, размер, долговая нагрузка, оборот
активов, капитал);
vi​, μt – фиксированные эффекты по компаниям и годам.

20. Дополнительные выводы

Эффект ИИ сильнее в более
концентрированных
рынках (положительный и значимый
коэффициент взаимодействия AI × HHI).
Эффект ИИ сильнее проявляется в производственных
подотраслях (пищевое производство FM, производство
алкоголя, напитков и чая ABRM), чем в переработке
сельхозпродукции ASFP

21. Результаты проверки гипотез

Гипотеза H1 (Инновации в области ИИ повышают стоимость
пищевых компаний) подтверждена: коэффициенты AI
положительны и значимы во всех спецификациях.
Гипотеза Н2 (механизмы воздействия) подтверждена по трем
каналам:
a) Рыночная капитализация и цена к балансовой стоимости
растут с увеличением ИИ-инноваций (TMC и PB значимы
положительно).
b) Операционная эффективность повышается (рост ROA и
снижение операционных издержек).
c) Рыночная власть усиливается (рост доли рынка и индекса
Лернера)

22. Дискуссия

Совпадение результатов:
Основная гипотеза (H1) согласуется с большинством исследований
(например, Zhai & Liu, 2023; Damioli et al., 2021; Zhong et al., 2024), которые
находят положительное влияние ИИ на производительность и стоимость
компаний пищевой промышленности.
Расхождение результатов:
Исследование противоречит выводам Lui et al. (2022), которые обнаружили
негативное влияние инвестиций в ИИ на рыночную стоимость. Авторы
текущего исследования могут объяснить это различием в выборке (так как в
исследовании были использованы данные только по пищевым компаниям) и
методологии измерения ИИ.

23. Ограничения

01
Патенты не охватывают все инновации ИИ (нетехнологические или
незапатентованные внедрения)
02
Невозможность напрямую проверить механизм
цепочки поставок из-за отсутствия данных.
оптимизации
03
Выборка ограничена китайскими публичными компаниями, что
может ограничивать обобщаемость

24. Практическое применение

Для правительства
Стимулировать ИИ-инновации в пищевой отрасли через налоговые льготы,
государственно-частные партнерства, прямое финансирование и усиление
защиты интеллектуальной собственности.
Для регуляторов
Проводить реформы для облегчения выхода на IPO пищевых компаний с
сильным ИИ-потенциалом
Для компаний
Разрабатывать поэтапные дорожные карты внедрения ИИ (оценка,
пилот, оптимизация, полная интеграция, оценка).

25. Пути дальнейшего исследования

01
Использовать более детальные данные о внедрении ИИ (например,
опросы, данные о затратах на ИИ)
02
Непосредственно изучить роль ИИ в оптимизации цепочек поставок
пищевых продуктов
03
Исследовать
социально-этические
последствия
(например,
дискриминационное ценообразование, доступность продуктов
питания)