DML方法的提出源自Chernozhukov等（2018）[203]对“估计器偏误控制”与“高维协变量建模”的双重需求，其核心理念在于通过机器学习估计协变量相关的“扰动项”（nuisance parameters），再通过样本交叉拟合（cross-fitting）技术对主效应进行残差调整与稳健识别，从而实现对因果效应的准确估计。这一方法的精髓在于：将机器学习的预测力用于控制变量调整，但又避免将其非参数特征带入主效应估计，进而保障最终参数的收敛性与渐近正态性。这种“双重稳健”性质（Double Robustness）使得DML尤其适用于变量间交互复杂、控制变量高维且具有潜在内生性风险的研究场景。在本研究中，人工智能企业在开放科学、协作行为、先导能力等多维变量下构建的实证框架，天然符合DML方法的适用情境。
八、研究结论与未来展望
（一）研究结论
本研究首先在文献计量框架下进一步探究人工智能企业开放科学的相关规律。文献计量部分借助Citespace、VOSviwer、Gephi等软件的关键词共现、聚类分析、时间线图、热点突变等功能，对2006-2023年间企业开放科学的论文进行了知识图谱分析。其次在实证部分设计围绕“人工智能企业开放科学对开放协作的影响”展开，旨在揭示开放科学影响其开放协作的量化关系、机制传导路径与异质调节情况。研究以A股279家人工智能概念股的上市公司为样本，使用其2006-2022年21583篇论文的面板数据，选取并定义了开放科学、开放协作广度、开放协作深度、互补资产、学术联系、知识积累、战略布局、前沿创新等相关变量，并在计量经济的范式下依次进行了基于调节效应和中介效应的实证分析，揭示了在不同调节情况下企业开放科学对其开放协作的积极影响以及先导能力的中介作用。最后，为进一步减少内生性与加强因果性，本研究基于Python与Stata进行了基于堆叠双重机器学习的因果推断，在因果推断的范式下重新识别了人工智能企业中开放科学对开放协作的主效应、调节效应与中介效应，提升了因果识别的严谨性与推理的信度。通过以上具体分析，本研究得出以下详细结论：
第一，人工智能企业的开放科学已成为重要的创新竞争策略。近年来，国内外人工智能领军企业的研发投入不断加大，开放科学行为逐渐上升为核心战略。与某些传统行业的开放科学热度减弱（Arora等，2018）[64]形成鲜明对比，人工智能企业的论文发表数量逐年攀升，其中不乏重大技术突破以及对社会带来深远影响的颠覆性成果（Hartmann和Henkel，2020）[5]。研究发现，我国人工智能企业在科学论文方面的投入与表现，显著提升了其在全球科技竞争中的地位，产生了知识扩散和跨领域合作的溢出效应。通过文献计量分析可见，人工智能企业的基础研究论文在某些新兴技术领域已经逼近乃至超越了传统科研机构，使企业在技术前沿的竞争中获得了强大话语权（Fang等，2020）[79]。这些事实表明，人工智能领域的开放科学不再仅仅是“一种附加选项”，而已成为积极吸引高端人才、巩固学术影响和构建创新生态的重要手段。
第二，国家政策与政府支持为人工智能企业发展提供了发展导向。中国政府高度重视人工智能产业的战略意义，将其视为实现高水平科技自立自强和塑造新质生产力的关键支柱（张学文等，2023）[176]。纵观近十八年的政策轨迹，无论是早期的“新一代人工智能发展规划”，还是“十四五”期间关于数字经济和智慧社会的系列指导意见，都为人工智能企业的全面发展创造了良好的环境，也为开放科学的探索提供了多层次、宽领域的支撑。研究中，本研究发现政府在经费资助、平台搭建、知识产权保护、国际交流等多个层面持续加大投入，使得企业具备了更大的空间来进行基础研究和开放科学实践。通过文献计量分析发现，人工智能企业在政策利好下的科研产出呈显著增长态势，不仅论文数量保持持续上升，而且高被引论文和国际合作论文均有明显增加。这些成果说明，国家与政府层面的战略指引与规划，对我国人工智能企业的科研自主性与产业化协同具有深远影响。正是在这一系列政策环境的支撑下，人工智能企业能够在技术攻关、人才储备、产业生态建设等方面取得长足进展，为我国在全球范围内赢得核心竞争力奠定了坚实基础。
参考文献（略）
