Hehson财经ESG评级中心提供包括资讯、报告、培训、咨询等在内的14项ESG服务，助力上市公司传播ESG理念，提升ESG可持续发展表现。点击查看【ESG评级中心服务手册】

（来源：中央财经大学绿色金融国际研究院）

原文标题：人工智能应用的绿色创新效应研究

原文作者：梅冬州　张弘正　程琳

期刊：经济学动态

关键词：人工智能　绿色创新　新质生产力　知识宽度　适应能力

一、研究背景

绿色创新是构建新发展格局的必由之路，人工智能是推动引领新一轮科技革命和产业变革的重要驱动力。探究人工智能如何推动企业绿色创新，对于明晰产业绿色升级的动力机制具有重要意义。

本文基于2007—2022年中国A股制造业上市企业数据考察了人工智能应用对绿色创新的影响与机制。研究发现，人工智能应用显著推动了企业绿色创新“提质增量”。本文的研究为构建以绿色化、智能化为趋势和特征的现代化产业体系提供了积极的启示，并为人工智能推动新质生产力的形成与跃迁提供了现实经验。

 二、理论分析与研究假设

人工智能作为技术进步与资本积累的双重角色，在绿色研发活动中发挥了独特的增量价值。具体来看，本文从知识宽度与适应能力两个维度梳理人工智能应用赋能企业绿色创新的作用渠道。

第一，人工智能通过数据-算法-算力体系外源性扩展企业认知，以提升知识宽度并驱动绿色创新：借助分布式爬虫与语义网络抓取全球专利、期刊与行业报告，构建跨领域知识图谱；利用自然语言处理和神经网络把能耗日志、工艺记录、技工经验等非结构化隐性知识显性化，形成可复用的标准化绿色知识库；再通过迁移学习将传统工艺共性模块迁移到清洁生产情境，并以自动化学习循环持续迭代技术图谱，使研发人员快速识别多领域技术关联，突破路径依赖，最终协同智能机器人与高端设备，扩大高技能劳动力的知识共享与协同效率，满足绿色创新对多元技术融合的需求。

第二，人工智能以数据-算法-决策三维协同强化企业适应能力，进而驱动绿色创新：NLP实时解析全球环保政策并量化合规指标，深度学习追踪消费者绿色偏好与竞争态势，智能算法监测供应链排污与研发风险并预警；仿真工具快速迭代绿色技术原型，区块链溯源促进供应链信息透明与战略同步，使企业能在政策、市场与生态风险的多变环境中迅速调整资源配置，缩短战略响应周期，保持绿色产品与技术先发优势。

综上所述，本文提出如下假设：

H1：人工智能应用能够有效推动企业绿色创新。

 三、研究设计

（一）数据来源与样本选择

本文以2007—2022年中国A股制造业上市企业为研究对象。绿色专利数据来源于中国研究数据服务平台（CNRDS）数据库与国家知识产权局。人工智能应用数据来自国泰安（CSMAR）数据库中财务报表附注披露的在建工程基本情况表。制造业上市企业的财务数据和基本特征均来自CSMAR。

（二）模型设定

本文以人工智能的引入作为准自然实验，使用双重差分法考察人工智能对企业绿色创新的影响，在有效避免因果识别中内生性问题的同时，识别实验冲击的净效应。由于各企业引入人工智能的时间存在差异，构建渐进式双重差分模型。基准回归模型如下：

其中，下标i和t分别表示企业个体与年份；被解释变量GRP表示绿色技术创新，包含总体的绿色技术创新（lnGRS）和绿色技术创新质量（lnGRQ）；Treati为人工智能引入的分组虚拟变量，若企业在样本时段内引入人工智能，则Treati取值为1，为处理组，否则为0，为对照组；Postt为人工智能引入的时间虚拟变量，若企业i在某年引入人工智能，则Postt在该年及以后的年份取值为1，该年之前的年份取值为0；μi表示个体固定效应；δt表示年份固定效应；εit表示随机误差项。系数β1为本研究的重点关注对象，若β1显著为正，则表示人工智能对企业绿色创新有显著的正向作用。为避免企业层面的聚集效应对标准误差的影响，使用企业层面聚类的稳健标准误。

 四、实证结果与分析

（一）基准回归分析

基准回归结果如表1所示。列（1）和列（2）显示，不论是否加入控制变量，Treat×Post的估计系数均在1%的水平上显著为正。列（2）显示，加入控制变量后Treat×Post的估计系数为0.097，即人工智能引入后，处理组企业每年度的绿色专利申请总量增加了9.7%，表明人工智能应用显著推动了企业绿色创新数量。列（3）和列（4）显示，不论是否加入控制变量，Treat×Post的估计系数均在1%的水平上显著为正。列（4）显示，加入控制变量后其系数为0.076，即人工智能引入后，处理组企业每年度的绿色发明专利申请数量增加了7.6%，表明人工智能的应用显著推动了企业绿色创新质量。由实证结果可知，人工智能应用实现了企业绿色创新的“提质增量”，假设H1成立。

（二）事件研究法

1.双向固定效应模型（TWFE）事件研究法

本文进一步采取基于双向固定效应模型（TWFE）的事件研究法评估人工智能应用对企业绿色创新的动态处理效应，并检验引入人工智能前处理组与对照组企业绿色创新的变动是否满足平行趋势假定。参考黄卓等（2024）、王敏和李敏丽（2024）的研究，构建如下模型进行平行趋势与动态效应检验：

动态效应检验如图1所示。由图1可知，在引入人工智能之前，处理组和对照组的绿色专利总量和绿色发明专利数量随时间变化趋势基本没有显著的分化。但是在引入人工智能之后，处理组企业的绿色专利总量与绿色发明专利数量均有了显著的提高，尤其在第四期及以后，相比对照组企业有了大幅的提升。此外，不论对绿色创新数量还是绿色创新质量，随着人工智能工程建设的不断推动，回归的估计系数值逐渐增大。这意味着，人工智能的深入发展对绿色创新存在动态且长期的正向持续性影响。

2.异质性处理效应检验

缓解异质性处理效应后的估计量动态效应检验结果如图2和图3所示，其中加入传统TWFE动态效应检验作为对比，绘制为五图合一的形式。不难发现，引入人工智能后企业绿色创新能力有了明显的提升。

（三）内生性检验

1.引入人工智能项目企业选取的随机性问题

为了解决本文实验场景中可能存在的选择偏差及其导致的内生性问题，本文使用PSM方法为每一个处理组样本匹配特定的对照组样本，使得准自然实验近似随机。第一，采用1∶2近邻匹配的方法为处理组企业匹配适宜的对照样本。第二，进行平衡性检验。匹配后协变量取值在处理组和对照组之间无明显的差异，说明匹配后的样本适用于进行双重差分回归。随后，本文使用匹配后的样本进行DID回归，包括权重不为空样本回归（PSM1）、满足共同支撑假设样本回归（PSM2）和频数加权回归（PSM3）。结果如表2所示，Treat×Post的系数均在1%的水平上显著为正，且与基准回归系数值大小较为接近。这说明在解决部分样本选择偏差问题后，基准回归结果仍然稳健。

2.引入人工智能项目时间的随机性问题

本文在既有控制变量的基础上纳入其他可能影响企业进行人工智能建设的关键因素，然后，为了避免控制事后变量可能导致的回归估计偏误，本文将上述变量作为前定变量与时间趋势项进行交乘并纳入回归方程，以解决可能存在的内生性问题。前文数据统计显示，处理组企业中有85.59%（730家）在2015年及以后第一次引入人工智能建设项目。因此，在总样本中剔除2015年以前引入人工智能建设项目企业（133家）的全部样本，将2014年上述变量作为前定控制变量与时间趋势三阶多项式f（t）的交互项纳入回归方程，具体形式如式（3）所示：

相关结果如表3列（5）和列（6）所示，在考虑时变混淆因子后，核心结果仍然稳健。

（四）稳健性检验

本研究通过安慰剂检验、熵平衡检验、替换核心变量、剔除某些行业样本、剔除其他因素的干扰以及考虑绿色创新的长周期性之后，发现人工智能对绿色创新的积极作用仍十分显著，与基准回归结果基本一致。

 五、机制路径的识别检验

（一）人工智能应用与知识宽度

本文以专利IPC前四位小类去重计数衡量企业绿色知识宽度：先抓取企业当年全部绿色发明和实用新型专利，按小类去重后得“绿色知识宽度”GIW1，对发明专利单独计算得GIW1_N，并以部层面去重做稳健性检验GIW2、GIW2_N，回归显示Treat×Post在1%显著为正，说明人工智能显著拓宽了企业绿色创新的技术领域范围。

（二）人工智能应用与适应能力

以研发、资本和销售三个方面支出的变异系数来反映企业资源配置的灵活程度，进而度量企业的适应能力（ACV）。将该系数取负值以保持与适应能力方向一致，调整后的变异系数值越大，则企业适应能力越强。回归结果如表5列（5）所示，Treat×Post的系数在1%的水平上显著为正，这说明人工智能应用显著提高了企业适应能力。

 六、异质性分析

（一）基于企业微观特征的异质性分析

1. 企业技术要素密集程度

分组检验表明，人工智能显著提升了技术密集型企业绿色创新数量和质量，而对非技术密集型企业仅提升数量、对质量无显著作用，原因在于前者知识禀赋与人才优势充足、对AI底层技术吸收强，后者多依赖外包设备、缺乏底层技术掌控，凸显了AI底层布局对绿色创新质量的关键意义。

2. 企业绿色改造需求

重污染企业受信贷限制、硬件薄弱和人才短缺掣肘，AI仅显著提升其绿色创新数量而非质量，非重污染企业则在1%水平同步提升数量与质量，凸显融资约束与信息化基础对重污染企业绿色转型的关键作用。

（二）基于绿色创新应用领域的异质性分析

将绿色专利细分为经营管理与设计、生产节能、末端治理三类后发现，人工智能对三类绿色创新均呈正向作用，但力度依次递减：生产节能最大，因AI与能源效率提升天然契合；经营管理与设计次之，源于数字技术重塑流程带来的结构化绿色转型；末端治理最弱，因其经济回报低、政府主导、资源投入不足。

 七、进一步研究

（ （一）人工智能对持续绿色创新的影响 

以绿色专利申请量的环比增长率衡量持续绿色创新发现，Treat×Post在5%水平显著为正，表明人工智能不仅带动当期渐进绿色改进，还通过拓宽知识宽度储备多元技术能力，促成后续突破性跃迁，显著提升企业持续绿色创新能力。

（ （二）人工智能与企业漂绿行为

为了分析人工智能应用所引起的环保行为变化，本文建立如下模型：

被解释变量Y为企业漂绿程度，其余各项如控制变量、固定效应维度等均与式（1）相同。本文利用企业在同行业间的相对策略性环境披露程度来衡量企业漂绿程度，计算公式如下：

表7列(2)~(4)显示，人工智能在1%水平上显著抑制企业漂绿及行业同构压力，但对行业内漂绿同构无显著影响；列(4)表明绿色创新在10%以上水平显著抑制地区漂绿同构，说明AI虽难破行业同构，却可通过区域差异缓解漂绿。

 八、研究结论与政策启示

基于2007—2022年A股制造企业的多期DID证据，本文发现人工智能显著增加并提升绿色创新数量与质量，其机制在于拓宽知识宽度、增强适应能力；技术密集、非重污染企业受益更大，且对经营管理、设计及生产节能类创新的推动依次递减，同时提高持续创新并抑制漂绿。鉴此，政策应通过财税优惠、示范基地、工业互联网平台与复合型人才培养，加快AI与制造业深度融合，并依托数据治理、供应链协同和市场化机制重构企业绿色创新生态，加速绿色低碳转型。

 九、原文摘要

绿色创新是构建新发展格局的必由之路，人工智能是推动引领新一轮科技革命和产业变革的重要驱动力。探究人工智能如何推动企业绿色创新，对于明晰产业绿色升级的动力机制具有重要意义。本文基于2007—2022年中国A股制造业上市企业数据考察了人工智能应用对绿色创新的影响与机制。研究发现，人工智能应用显著推动了企业绿色创新“提质增量”。机制分析显示，扩宽企业知识宽度与提升适应能力是企业人工智能应用推动绿色创新的重要机制。在异质性分析中，基于企业微观特征来看，人工智能应用对绿色创新的推动作用在技术密集型企业和非重污染企业更明显；基于绿色创新的应用领域来看，人工智能应用对经营管理与设计类、生产节能类绿色创新具有更为显著的推动作用。进一步研究发现，人工智能应用有效提升了企业进行绿色创新的持续性并且抑制了企业的漂绿行为。本文的研究为构建以绿色化、智能化为趋势和特征的现代化产业体系提供了积极的启示，并为人工智能推动新质生产力的形成与跃迁提供了现实经验。

作者：

聂炜欣中央财经大学金融学院硕士研究生

指导老师：

王    遥  中央财经大学绿色金融国际研究院院长

新媒体编辑：浦晶

　　Hehson财经ESG评级中心简介

　　Hehson财经ESG评级中心是业内首个中文ESG专业资讯和评级聚合平台，致力于宣传和推广可持续发展，责任投资，与ESG（环境、社会和公司治理）价值理念，传播ESG的企业实践行动和榜样力量，推动中国ESG事业的发展，促进中国ESG评估标准的建立和企业评级的提升。

　　依托ESG评级中心，Hehson财经发布多只ESG创新指数，为关注企业ESG表现的投资者提供更多选择。同时，Hehson财经成立中国ESG领导者组织论坛，携手中国ESG领导企业和合作伙伴，通过环境、社会和公司治理理念，推动建立适合中国时代特征的ESG评价标准体系，促进中国资产管理行业ESG投资发展。