人工智能对企业环境、社会和治理（ESG）绩效的影响：来自中国的证据

人工智能技术采用显著提升企业ESG绩效，尤其在社交维度（S）表现突出，通过增强信息透明、缓解融资约束、推动绿色创新和提升全要素生产率四大机制实现。异质性分析显示，非国有企业、劳动密集型行业及东部、中部地区企业受益更显著。研究采用ERNIE 3.0大语言模型构建AI技术采用指数，并通过IV方法验证因果关系。

　　
人工智能技术采纳对企业环境、社会与治理（ESG）绩效的影响机制研究

摘要
本研究基于2010-2023年中国A股上市公司数据，创新性地采用ERNIE 3.0大语言模型构建企业AI技术采纳指数，系统考察AI技术采纳对ESG绩效的作用路径及异质性特征。研究发现：AI技术采纳通过提升信息透明度、缓解融资约束、促进绿色技术创新和增强全要素生产率四个渠道显著改善企业ESG绩效，其中社会维度的改善最为显著。进一步分析显示，该效应在非国有企业、非高科技企业、劳动密集型企业以及东部和中部地区表现尤为突出。研究为理解人工智能与可持续发展的内在关联提供了新的实证视角，对政策制定和企业管理具有现实指导意义。

1. 研究背景与意义
在数字化转型加速的背景下，人工智能技术正从实验室探索转向产业核心驱动力。中国作为全球AI研发投入第二大经济体，专利数量已超越美国，但现有研究多聚焦宏观层面或单一ESG维度，存在三方面局限：其一，传统测量方法（如机器人密度、专利数量）难以捕捉AI技术的深层应用场景；其二，现有文献对ESG各维度间的交互效应关注不足；其三，缺乏区域异质性研究。本研究通过构建多层级语义分析模型，首次系统解构AI技术采纳对ESG绩效的作用机制，填补了微观技术采纳与可持续发展关联研究的空白。

2. 创新性方法论
研究突破传统测量方法的局限，采用"三阶语义解析"技术构建AI采纳指数：
- 第一阶段：从上市公司年报的MD&A（管理层讨论与分析）章节提取文本数据，重点抓取技术战略规划、应用场景描述等核心内容
- 第二阶段：通过ERNIE 3.0模型进行细粒度语义分析，建立包含术语特征、短语结构、实体关系的多维度识别体系
- 第三阶段：引入动态知识图谱（集成行业术语库、技术分类标准等外部数据），实现语义理解的持续优化

该方法的创新性体现在：相比传统词典法（准确率仅72.3%），其模型在测试集上达到98.07%的准确率，同时能捕捉到"智能决策系统""过程优化算法"等新兴技术术语，有效解决AI应用场景描述中术语迭代快、语义复杂度高等问题。

3. 核心研究发现
3.1 主效应分析
- AI采纳使ESG综合评分提升0.045个单位（p<0.01），其中社会维度（S）提升幅度最大（0.076），环境维度（E）次之（0.035），治理维度（G）为0.040
- 机制验证显示：信息透明度每提升1个单位，ESG绩效增长1.49%；融资约束缓解1个单位，ESG绩效增长6.98%；绿色专利数量每增加1个对数单位，ESG绩效提升0.064个单位；全要素生产率每提高1个单位，ESG绩效增长0.059个单位

3.2 异质性分析
- 所有权结构：非国有企业ESG绩效提升幅度（0.049）是国有企业的16倍（0.003）
- 行业特征：劳动密集型行业ESG绩效提升达0.070（p<0.01），技术密集型行业仅0.024
- 区域差异：东部地区提升幅度（0.059）是西部地区的3倍，中部地区（0.067）接近东部水平
- 政策试点：基于"国家人工智能创新应用试点"的DID模型显示，试点企业ESG绩效提升幅度达0.189（p<0.01）

4. 作用机制解析
4.1 信息透明度提升机制
- AI技术使年报披露完整度提升37.2%，风险披露及时性提高42%
- 案例显示：某制造企业通过AI驱动的ESG数据平台，将环境信息披露颗粒度从年度报告扩展到季度数据，使投资者信心指数提升28%

4.2 融资约束缓解机制
- 采用SA指数（融资约束强度）测度发现，AI采纳使SA指数下降0.0038个标准差
- 实证检验显示：企业AI采纳后绿色债券发行成功率提升19.7%，平均融资成本降低1.2个百分点

4.3 绿色技术创新机制
- 绿色专利申请量年均增长23.6%，其中AI相关专利占比从2015年的5%提升至2023年的31%
- 典型案例：某新能源企业通过AI模拟技术将电池研发周期缩短40%，能耗降低18%

4.4 全要素生产率提升机制
- TFP指数显示，AI采纳企业生产效率年均增长2.3%，资源利用率提升19%
- 典型场景：某钢铁企业应用AI优化高炉参数，吨钢能耗下降12%，同时减少人工巡检需求67%

5. 政策启示与实践建议
5.1 制度建设层面
- 建议修订《上市公司信息披露管理办法》，要求年度报告必须包含AI技术应用的具体场景描述和量化指标
- 推动建立AI-ESG披露标准体系，参考欧盟《可持续发展报告指引》和国资委《人工智能产业发展指引》

5.2 产业扶持层面
- 对劳动密集型企业实施"AI+工匠"计划，提供智能化改造补贴（建议补贴比例不低于项目总投资的15%）
- 设立绿色AI创新基金，重点支持制造、能源等领域的AI技术应用研发

5.3 区域协调发展
- 东部地区应建设AI-ESG联合实验室，重点突破智能监测、决策优化等核心技术
- 中西部地区可依托"东数西算"工程，发展区域性AI算力中心，配套建设5G基础设施

5.4 风险防控体系
- 建立AI技术伦理审查委员会，制定算法公平性评估标准
- 推行"AI+ESG"双审计制度，将技术采纳效果纳入领导干部考核指标

6. 研究局限与未来方向
6.1 现有局限
- 数据来源主要集中于沪深交易所上市公司，对中小微企业覆盖不足（样本中规上企业占比达92.3%）
- 技术采纳的滞后效应未充分体现（研究期限为2010-2023，AI技术普及加速在2018年后）
- 未考虑技术采纳过程中的"数字鸿沟"效应，特别是传统行业数字化转型成本问题

6.2 未来研究方向
- 开发多模态AI评估体系，整合文本、图像、视频等多源数据
- 构建动态面板模型，捕捉技术采纳的长期累积效应
- 开展跨国比较研究，分析不同制度环境下AI-ESG关系的差异性

7. 结论
本研究验证了人工智能技术采纳与ESG绩效的显著正相关关系，并揭示了四维作用机制。其核心启示在于：AI技术通过"数据驱动决策-资源配置优化-价值创造升级"的传导链条，实质性地推动企业从被动合规向主动可持续发展的范式转变。特别是社会维度的提升，标志着AI技术正在重构企业社会责任的价值实现路径。研究为《"十四五"数字经济发展规划》中"人工智能赋能产业升级"目标提供了微观证据支持，建议将ESG绩效纳入人工智能产业发展的核心评估指标。