人工智能如何影响企业的环境、社会和治理（ESG）表现？数字技术创新的追赶效应

《Journal of Innovation & Knowledge》：How does artificial intelligence impact corporate ESG performance? The catching?up effect of digital technological innovation

企业环境、社会与治理（ESG）绩效受人工智能（AI）政策驱动，通过数字转型、绿色创新和CSR信息披露等机制实现提升，尤其在数字基础设施薄弱地区及企业中体现“数字赶超效应”。基于中国A股上市公司2009-2023年数据，差分差分模型验证AI政策显著提升ESG绩效，且对低数字水平企业和区域影响更显著，机制涉及技术吸收、市场参与及动态能力构建。

　　### 深度融合数字经济发展与企业可持续发展的背景下AI政策对ESG表现的影响研究

在当今全球范围内，数字经济发展与企业可持续发展的深度融合已成为一个不可忽视的趋势。随着人工智能（AI）技术的快速发展，其对企业的环境、社会和治理（ESG）表现的影响逐渐受到学界和政策制定者的关注。本文以中国国家级的新一代人工智能创新和产业发展试点区（AI_IDPZ）政策为切入点，通过准自然实验方法，系统分析了AI政策对企业的ESG表现及其内在机制的促进作用。同时，研究还揭示了数字技术创新在ESG升级中的“追赶效应”，为政策制定者优化区域支持策略、为企业设计数字ESG提升路径提供了理论依据和实证证据。

AI政策不仅推动了企业的数字化转型，还通过绿色创新和企业社会责任（CSR）信息披露等多重路径，提升了企业的ESG表现。这一过程体现为在数字经济发展水平较低的地区和数字化转型基础较弱的企业中，AI技术能够发挥显著的“追赶效应”，帮助这些企业迅速缩小与行业领先者的差距，实现ESG绩效的跨越式提升。这一现象的核心在于，AI技术的模块化特性降低了ESG技术的采纳门槛，使得资源有限的企业能够通过政策支持，直接采用先进的ESG管理工具，从而在可持续发展领域取得突破。

此外，AI技术在促进企业绿色创新方面也发挥了重要作用。它通过数据驱动的方式，帮助企业分析海量的环境数据，识别绿色技术研发的关键路径，降低技术创新的试错成本。在具体应用场景中，AI算法优化了清洁能源生产流程，推动了废弃物回收技术的突破，使企业从被动的污染控制转向主动的生态技术创新。AI还支持了区块链技术的发展，构建了绿色供应链的协同治理体系，通过实时共享上下游环境数据和智能合约执行，放大了“技术-环境”协同效应。

在企业社会责任信息披露方面，AI通过提升信息透明度，减少了代理成本，增强了外部投资者的信心。自然语言处理技术使企业能够自动化分析非结构化数据，生成标准化的ESG绩效评估模型，提升了披露内容的可比性和可信度。AI的实时监控和早期预警功能，进一步帮助企业调整战略，提升治理效率，确保企业社会责任实践与治理目标保持一致。

### 理论基础与研究假设

本文基于“双转型”理论和ESG理论，构建了一个整合的理论框架，探讨AI政策如何通过数字化转型推动企业ESG表现。根据“双转型”理论，绿色和数字化转型是相互促进而非独立的过程。在企业层面，这种协同效应依赖于数字技术对绿色战略的嵌入支持，包括智能资源配置、信息透明度提升和流程绿色化。AI作为数字化转型的核心工具，具有强大的潜力推动“绿色-数字化”协同，特别是在那些数字基础设施薄弱的企业中，AI政策能够通过制度化的技术赋能，实现ESG表现的显著提升。

ESG理论则强调非财务绩效的战略价值，包括环境管理、社会责任和治理质量。AI通过提升数据处理和披露能力，增强了企业在环境、社会和治理三个维度上的ESG表现。通过将这些理论视角结合，本文揭示了AI政策如何与企业绿色治理结合，激活企业社会责任，提高治理透明度，从而明确AI驱动可持续转型的逻辑和边界条件。

基于此理论框架，本文提出以下三个研究假设：

**假设1**：AI通过数字化转型驱动的结构调整、绿色创新赋能和加强企业社会责任信息披露，系统性地提升了企业的ESG表现。

**假设2**：AI对低数字化企业的ESG促进效应体现了数字技术创新的“追赶效应”。

**假设3**：技术创新和市场参与共同构成了数字技术创新在AI驱动ESG提升中的“追赶效应”。

### 研究设计

为了验证上述假设，本文采用双重差分（DID）模型，利用中国A股上市公司2009年至2023年的面板数据，识别AI_IDPZ政策对ESG表现的因果影响。DID方法在政策评估和准自然实验中广泛应用，能够通过控制未观察到的时间不变异质性，比较政策实施前后处理组和对照组在ESG表现上的变化，从而估计政策效果。

与普通最小二乘法（OLS）或固定效应模型不同，DID框架不依赖于处理变量随机分配的假设，而是基于平行趋势假设，即在没有政策干预的情况下，处理组和对照组在政策实施前的ESG趋势是相似的。本文通过图形分析和统计方法对这一假设进行了实证检验，结果显示处理组和对照组在政策实施前的ESG趋势基本平行，增强了因果推断的可靠性。

此外，本文还引入了倾向得分匹配（PSM）-DID方法，以缓解DID模型中可能存在的选择偏差问题。通过匹配处理组和对照组的可观测特征，确保在政策实施前两者在ESG表现上具有可比性。同时，为了排除其他相似政策对ESG表现的干扰，本文还引入了“宽带中国”政策和大数据综合试点区政策进行稳健性检验，结果显示这些政策并未显著影响企业的ESG表现，进一步验证了AI_IDPZ政策的独立性和有效性。

### 实证分析

#### 基准回归分析

基准回归结果表明，AI_IDPZ政策对企业的ESG表现具有显著的正向影响。在未控制任何变量的情况下，DID系数为0.1768，显著性水平为1%。在加入企业层面的控制变量后，DID系数略有下降，但仍保持在1%的显著性水平，标准误差也有所缩小。当同时加入企业层面和城市层面的控制变量后，DID系数进一步微调，但仍显著。这表明，区域经济发展水平和产业结构差异并未改变AI_IDPZ政策对ESG表现的作用机制。

#### 稳健性检验

为了进一步验证研究结论的稳健性，本文进行了多项稳健性检验，包括平行趋势检验、安慰剂检验和PSM-DID分析。平行趋势检验显示，在政策实施前的12年中，处理组和对照组的ESG表现趋势基本一致，政策实施后的2-4年中，处理组的ESG表现显著提升，这表明AI_IDPZ政策的正向效应随着时间的推移而逐渐显现。安慰剂检验则显示，如果采用虚构的政策时间点，ESG表现的系数大多集中在零附近，p值较高，没有显著的分布模式，这说明研究结果并非由偶然因素或模型设定偏差导致。

PSM-DID分析进一步验证了研究结论的稳健性。即使在严格控制选择偏差的情况下，DID系数仍然保持显著，表明政策对ESG表现的影响是由政策本身驱动的，而非由处理组和对照组的初始差异所致。

#### 机制分析

通过中介效应模型，本文分析了AI政策对ESG表现的传导路径。结果显示，AI政策通过促进数字化转型、推动绿色创新和加强企业社会责任信息披露，对ESG表现产生了显著的中介效应。其中，数字化转型的中介效应系数为0.0027，显著性水平为1%；绿色创新的中介效应系数为0.0074，显著性水平为1%；企业社会责任信息披露的中介效应系数为0.1372，显著性水平为1%。这些结果验证了AI政策通过多种机制促进ESG表现的理论假设。

### 进一步分析：数字技术追赶效应及其驱动因素

#### 区域数字经济发展水平的异质性分析

根据Song等（2025）的研究，本文将样本划分为高、低数字经济发展水平的地区和企业，分析AI政策对不同群体的异质性影响。结果显示，在低数字经济发展水平的地区，AI政策对ESG表现的影响更为显著，DID系数为0.2119，显著性水平为1%。这表明，数字技术追赶效应在这些地区尤为突出，政策干预能够有效缩小ESG差距。而在高数字经济发展水平的地区，AI政策对ESG表现的影响则相对较小，DID系数为0.0353，不显著。这符合技术追赶理论，即在技术基础较弱的地区，政策干预能够更有效地促进技术进步，实现ESG表现的跨越式提升。

#### 技术创新类型的异质性分析

本文还分析了技术创新类型对企业ESG表现的异质性影响。结果显示，高科技行业企业的DID系数为0.1903，显著性水平为1%，表明AI政策对技术领先者具有显著的促进作用。而非高科技行业企业的DID系数为0.1435，显著性水平为1%，略低于高科技行业企业，但仍然显著。这说明，尽管非高科技企业初始技术创新能力较弱，但政策驱动的数字化技术采纳仍能有效提升其ESG表现，实现“补偿性改进”。

#### 企业所有权结构的异质性分析

在企业所有权结构方面，非国有企业（非SOEs）的DID系数为0.1893，显著性水平为1%，显著高于国有企业的DID系数0.1102，显著性水平为10%。这表明，非SOEs在市场参与驱动下，更能够通过政策支持实现ESG表现的提升。非SOEs面临更强的市场竞争压力，因此更倾向于采用AI技术以提升市场竞争力。这种市场参与驱动的机制，使得政策提供的数字工具能够转化为有效的ESG管理策略，形成“政策引导-市场竞争-创新追赶”的传导路径。

### 研究结论、政策启示与研究局限

#### 关键发现与理论比较

本文的研究发现，AI_IDPZ政策对企业的ESG表现具有显著的正向影响，尤其在数字化基础薄弱的企业和数字经济发展水平较低的地区。这一结果不仅验证了技术赋能的制度逻辑，还提供了从中国经验出发的政策启示。与以往研究相比，本文通过严格的稳健性检验和整合的理论框架，进一步丰富了技术与可持续发展的理论理解，并揭示了AI政策在不同企业特征和区域背景下的异质性影响。

#### 实践启示与政策建议

本文的研究结论对不同利益相关方具有重要的实践启示。对于地方政府而言，应优化政策实施的精准性和包容性，优先支持那些数字化基础薄弱但绿色转型压力较大的企业，促进数字技术向传统行业和中小企业的渗透。同时，应根据不同地区的经济发展阶段和产业结构，制定差异化的政策工具包，以减少数字不平等和ESG表现差异。此外，应加强跨区域政策协调和经验共享，以增强政策的系统性和可扩展性。

对于中央监管机构和政策制定者而言，应推动数字技术与可持续治理的深度融合。一方面，加快ESG披露系统的数字化转型，构建基于AI和大数据的绿色金融基础设施，提升监管透明度和数据可及性。另一方面，应将AI技术纳入ESG评级体系、碳披露机制和环境风险监测工具，以发展更加科学、透明和可验证的评估标准。同时，建议建立动态评估机制，以持续跟踪和调整政策效果，确保技术扩展与ESG目标同步推进。

对于企业管理者而言，应将ESG战略嵌入数字化转型路径，构建以可持续发展为导向的治理能力。首先，管理者应认识到AI与ESG之间的战略协同，将ESG表现视为长期价值创造和风险缓解的重要组成部分。其次，企业应投资绿色研发、智能管理系统和ESG披露平台，以建立可持续的数据驱动治理结构。最后，企业应积极响应监管趋势和市场期望，主动参与ESG披露和评级倡议，将社会责任与激励机制相结合，以增强企业的韧性和竞争力，从被动合规转向主动领导。

#### 研究局限与未来研究方向

尽管本文的研究提供了重要的实证证据，但仍存在一些局限性。首先，本文的样本仅限于中国A股上市公司，而未涵盖非上市企业，特别是中小企业。这些企业在数字化基础设施、技术吸收能力和ESG实施路径上可能存在显著差异，未来研究可以扩展样本范围，以提高研究结论的外部适用性。

其次，中国在数字政策实施、经济治理模式等方面具有独特性，例如政府强大的组织能力和集中资源分配机制可能放大政策对ESG表现的影响。相比之下，在更多元化的制度和治理环境中，AI政策与企业可持续发展的关系可能有所不同。因此，未来研究可以采用跨国比较视角，探讨不同制度和治理背景下AI政策对ESG表现的影响机制。

最后，本文主要关注AI政策对ESG表现的静态影响和异质性机制，未来研究可以进一步探讨政策影响的动态演变过程。例如，可以分析AI技术在企业内部的扩散如何逐步转化为长期的ESG能力提升。此外，随着ESG评级标准的多样化和数据透明度的提高，未来研究可以利用多源ESG数据进行交叉验证，以增强研究结果的稳健性和解释力。

### 作者贡献声明

**Yinghao Song**：资金获取、写作审查与编辑、写作初稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、正式分析、数据整理、概念设计。
**Long Mi**：验证。
**Zhaian Bian**：验证、监督、方法论。
**Wei Tu**：验证、监督。
**Juan He**：验证、项目管理、正式分析。