人工智能技术创新应用与企业ESG表现：来自国家人工智能创新应用先导区的证据

《Frontiers in Artificial Intelligence》：Artificial intelligence technology application and corporate ESG performance—evidence from national pilot zones for artificial intelligence innovation and application

本文基于2011-2022年中国上市公司数据，采用多期双重差分模型（DID）实证检验人工智能（AI）技术对企业环境、社会和治理（ESG）绩效的影响。研究发现AI技术通过缓解融资约束、促进绿色创新和强化信息披露三条路径显著提升企业ESG综合表现，尤其在环境（E）和治理（G）维度作用突出。股权集中度、媒体关注度和数据要素水平正向调节AI与ESG的关系。研究为技术驱动企业可持续转型提供了理论与实证支持。

　　

研究背景与意义

近年来，2008年金融危机遗留的系统性风险、疫情引发的供应链中断以及突出的社会生态危机，使ESG成为企业可持续发展的核心指标。随着数字化转型深入，人工智能技术正在重塑企业运营模式（如数据分析、环境监测），但AI影响ESG的具体机制——尤其是对环境（E）、社会（S）和治理（G）维度的差异化作用——缺乏系统性的实证研究。在中国"双碳"目标背景下，企业对ESG的需求日益增长，但长期以来更重视财务绩效，非财务信息披露较弱，因此探究AI如何通过缓解融资约束等途径影响ESG具有重要理论价值。

理论机制与研究假设

人工智能技术对企业ESG绩效的影响

研究构建了"技术赋能与治理重构"的双路径框架，整合AI治理和可持续发展经济学理论，系统阐释AI提升ESG绩效的内在机制。在环境维度，AI展现出显著的生态保护潜力。例如，AI驱动的动态资源管理平台可实时优化能源拓扑结构，大幅降低碳排放强度，并激发绿色技术创新。智能制造系统提升能源效率，显著削减工业碳排放。更重要的是，AI增强企业信息获取和处理能力，推动生产过程中能源质量要求的提升和能源结构的优化，促进定向技术变革。

在社会维度，AI帮助企业精准识别并响应利益相关方的多样化期望，推动社会责任实践落地。同时，通过提升算法透明度和问责制——这是AI治理的核心关切——AI强化企业与社会间的建设性互动。在治理维度，AI通过智能化管理生产流程和供应链，显著提升运营效率和适应性。同时，AI增强的数据整合与分析能力加强了ESG信息披露质量和合规监督有效性，从根本上改善公司治理结构。

基于此，提出假设H1：在其他条件不变的情况下，AI技术提升企业ESG绩效。

机制分析

融资约束机制

AI技术可优化企业供应链关系，帮助获取更充裕的商业信用。贸易信贷增加有效缓解企业面临的融资约束。近年来中国金融体系与实体经济呈现"资本过剩"与"融资难"并存的结构性矛盾，AI应用能有效扩大金融服务广度和深度。作为替代性融资方式，AI技术以更低成本提供多元化融资渠道，显著提升融资可获得性。ESG活动需要持续稳定的人力物力投入，在严重融资约束下，企业往往采取保守策略，减少长期ESG项目投资，必然制约ESG绩效提升。因此提出假设H2a：AI技术通过缓解融资约束提升企业ESG绩效。

绿色技术创新机制

基于AI的技术进步本质，其通过驱动绿色创新技术显著提升企业ESG绩效，揭示了技术赋能可持续发展的核心中介机制。研究表明实质性绿色创新与象征性创新对企业产生差异化影响：实质性创新在严格环境政策下通过提升企业环境适应性和资源整合效率，有效支持可持续发展目标实现。同时，AI作为关键使能工具，为制造企业提供绿色知识、信息和技朮资源，重构创新生态系统内的价值网络，并通过数字化和智能化变革整个创新生产过程，强化绿色价值创造与ESG实践的协同性。环境维度上，AI技术通过实时生产过程监控优化环境治理效能，直接促进污染物减排和资源消耗降低。 collectively，AI通过技术创新驱动企业环境（E）和治理（G）维度的深度优化，最终实现ESG整体绩效的系统性提升。由此提出假设H2b：AI技术通过提升企业绿色技术创新能力显著改善ESG绩效。

信息披露机制

ESG作为信息传递渠道，展示企业在环境、社会和治理领域的良好实践，获得社会认可和市场信任，减轻生产经营中的支持和成本负担，最终推动企业发展与价值提升。关于利益相关者价值与企业社会责任（CSR）保险功能的互惠关系，企业经营者在往往优先追求财务回报最大化而降低社会责任成本，如刻意降低信息披露质量、选择性披露环保信息、存在一定"洗绿"行为。AI技术的实施使企业行为可记录、可追溯，增强内部信息透明度，降低利益相关者与企业间的信息不对称。这加剧了外部对企业的监督压力，迫使企业遵守ESG原则。因此，AI技术提升企业ESG信息质量和管理能力，降低ESG信息管理与披露成本，从而增强企业改善内部治理和履行社会责任的内在动机。提出假设H2c：AI技术通过提高信息披露质量和透明度显著增强企业ESG绩效。

调节效应

股权集中度

股权集中度作为公司治理结果的重要方面，通过影响内部控制机制、资源配置效率和战略决策稳定性，深刻影响企业ESG表现。当股权集中于大股东时，这些控制股东有更强动力最大化企业价值，因为任何企业价值提升都直接增加其个人财富。ESG绩效提升不仅增强企业长期价值，还提升其声誉资本，进一步放大大股东的投资回报。此外，高股权集中度通常意味着更稳定的公司治理框架，帮助企业建立对AI和ESG举措的长期战略关注，减少因股权分散导致的决策频繁变更和短期倾向，确保AI相关项目持续进展和企业ESG绩效提升。因此提出假设H3a：股权集中度对AI技术与企业ESG绩效的关系起正向调节作用。

媒体关注

媒体作为非正式制度监管者，扮演市场观察者角色，促进时间推移。信息透明度提高帮助投资者、消费者、监管机构等利益相关方更准确评估企业经营状况和社会责任表现，形成更理性的市场预期。在AI技术发展领域，公众监督通过声誉机制深刻影响企业行为：当企业污染行为被媒体曝光，通常对企业环境获取举措产生不利影响。因此，媒体监督可限制企业污染行为并促进企业社会责任。然而，负面媒体报道也可能显著削弱技术创新改善环境绩效的积极效应，使企业面临更严峻的外部压力。同时，媒体关注降低信息不对称程度，发挥媒体治理有效性，督促企业履行社会责任。因此提出假设H3b：媒体关注对AI技术与企业ESG绩效的关系起正向调节作用。

数据要素

数据要素作为企业决策的基础，优化业务流程，提高生产、运营和管理效率。创新理论认为持续经济发展根本源于生产要素的重新整合和高效配置，该框架表明公共数据的合理利用有效拓宽了当前生产函数参数，为企业创新 endeavor 提供前瞻性和实证研究工具及决策基础。在数据生产力驱动下，企业研发模式、组织成果和资源方法论演进，不断扩展价值创造轨迹，鼓励企业在创新中增强ESG实践。同时，随着AI技术提升企业ESG实践，数据片的丰富性、多样性和先进决策能力得以充分实现，通过精确数据预测立即提升企业效率，帮助识别和实施理想制造方法，大幅提升产品质量。因此提出假设H3c：数据要素对AI技术与企业ESG绩效的关系起正向调节作用。

研究设计与数据

识别策略与模型设定

研究以中国国家人工智能创新应用先导区的设立作为准自然实验，构建多期DID模型：ESG_i.t = β₀ + β₁AI_i,t + ∑_jβ_jControls_j,i,t + v_i + u_t + ε_i,t。其中AI_i,t表示处理组与时间虚拟变量的交互项，处理组指企业是否位于先导区，时间虚拟变量以政策实施年份为界。先导区包括2019年设立的上海浦东新区、深圳、济南-青岛，2021年设立的北京、天津滨海新区、杭州、广州、成都，以及2022年设立的南京、武汉、长沙共12个区域。

变量定义与数据来源

被解释变量为企业ESG绩效，采用华证ESG评级得分衡量，该体系包含14个主题类别、26个三级指标和130多个底层数据点，兼顾国际标准与中国特色制度背景。核心解释变量为先导区政策虚拟变量。控制变量包括企业规模（Size）、资产负债率（Lev）、总资产收益率（ROA）、现金流比率（Cash）、托宾Q值（TobinQ）、机构投资者持股比例（Inst）、员工数量（Employee）、管理层年龄（Age）和高管海外背景（Oversea_tmt）。研究样本为2011-2022年沪深A股上市公司，剔除ST和*ST企业后获得18,667个公司-年度观测值，数据来自Wind、CNRDS和CSMAR数据库。

实证结果分析

基准回归结果

研究表明AI技术对企业ESG绩效产生显著正向影响。无论是否加入控制变量，AI的系数均显著为正。在考虑政策制定前的预定变量（如科教资源、产业集聚度、基础设施、国际化程度、政策支持和经济发展的影响后，AI技术仍然显著提升企业ESG绩效。

稳健性检验

平行趋势检验显示政策实施前处理组与对照组ESG绩效变化趋势无显著差异，满足平行趋势假设。政策实施后回归系数显著为正且呈持续上升趋势。安慰剂检验通过500次随机抽样模拟表明，基准回归系数（0.569）显著区别于零且远离虚假系数分布，排除偶然因素干扰。更换华证ESG评分為彭博ESG评分和数值化评级结果依然稳健。缩短样本期至2015-2022年、控制绿色金融改革试点和低碳城市试点等同期政策、排除2022年新设先导区样本等测试均证实结论可靠性。PSM-DID方法通过混合匹配和逐期匹配缓解样本选择偏差，匹配后回归结果依然支持主结论。

机制检验结果

融资约束缓解机制

AI技术显著降低企业融资约束（SA指数），进而提升ESG整体绩效。分维度检验发现，融资约束缓解主要影响环境（E）和治理（G）责任：环境责任系数为-5.632（1%水平显著），改善融资条件使企业能够大力投资环境管理和技术；治理（G）也显示显著改善，因为财务压力减轻使企业加强治理结构（如董事会独立性和内部控制）。社会责任（S）影响统计不显著，支持假设H2a。

绿色技术创新机制

AI通过促进绿色技术创新（以绿色专利申请量衡量）显著改善企业ESG绩效。绿色技术创新对ESG的影响主要通过环境（E）和治理（G）维度实现：环境责任系数为0.402（1%水平显著），绿色创新直接增强环境管理（如减排和能效技术）；同时通过加强合规监督和改进ESG披露机制推动更好治理。社会责任（S）影响统计不显著，支持假设H2b。

信息披露机制

AI通过改善企业披露实践提升ESG绩效。披露对环境责任（E）影响最强（1%水平显著），源于环境指标的高监管审查度和可量化性；透明披露增加合规风险和市場反应暴露，促使企业优先环境改善。社会（S）和治理（G）责任影响不显著，可能由于缺乏标准化测量和治理改革的长期结构性質。假设H2c得到验证。

调节效应分析

股权集中度的调节作用

股权集中度（以第一大股东持股比例GQJZ衡量）发挥显著正向调节作用：交互项AI×GQJZ系数为0.026（p<0.01），表明股权集中度每增加一单位，AI技术对ESG绩效的边际效应提高2.6个百分点。控制股东通过集中决策权加速AI技术资源向ESG举措配置，为避免环境违规引发的控制利益损失（如股价崩盘），大股东优先批准AI驱动的ESG风险监控系统，将技术实施周期缩短30%。同时其内部融资能力缓解信贷约束，确保持续投资AI基础设施，直接提升污染监测精度和治理合规性。假设H3a成立。

媒体关注的调节作用

媒体关注显著放大AI技术对企业ESG绩效的积极影响（AI×Media β=0.43, p<0.01）。这种调节效应源于媒体监督触发的声誉惩戒机制：媒体曝光度提升大幅增加ESG违规潜在成本（如环境事件），通过加强监管处罚、融资成本和消费者反弹。为缓解这些声誉风险，管理层主动重新分配AI资源投向ESG举措，例如部署实时污染监测系统预防环境事故，或利用自然语言处理进行自动化可持续发展报告。假设H3b成立。

数据要素的调节作用

数据要素（通过企业年报中AI技术、区块链技术、云计算技术、大数据技术和大数据技术应用五个指标披露程度汇总衡量）呈现显著调节作用：交互项AI×Data系数为0.286（1%水平显著），表明AI技术对企业ESG绩效的影响依赖于数据要素。数据要素为企业实施AI技术提供全面信息基础，使其更精准分析ESG相关数据，例如利用AI技术评估环境绩效并制定更有效减排策略，从而改善环境方面的ESG表现。假设H3c成立。

研究结论与政策建议

主要发现

人工智能作为数字经济的主要催化剂，已成为变革性生产和技术进步的基本力量，不仅为企业提供新增长动力，也为ESG实践提升创造新机遇。研究表明AI技术显著提升企业ESG绩效，通过缓解融资约束、促进绿色技术创新和加强信息披露三条机制实现。调节效应表明股权集中度、媒体关注度和数据要素水平正向影响先导区政策对企业ESG的作用。

政策建议

首先，建立促进AI技术无缝整合的有利制度框架，完善相关法规治理AI技术应用开发的有效性和透明度，增强企业对AI的信任并鼓励主动投资应用。同时促进部门间协作确保政策执行一致性，特别是在数据隐私设计和AI技术应用认可方面。

其次，企业在积极推广AI技术应用时，需制定符合环境责任（E）、社会责任（S）和公司治理（G）具体目标的定制化ESG战略，有目的地加强国家AI创新应用先导区建设，解决融资约束、促进绿色创新和改善信息披露。同时关注先导区建立过程中过度优先经济利益而忽视社会责任的问题，强调ESG子成分在战略、文化、政策和时间方面的整体推进。

第三，重视人才培养与引进提升企业AI应用能力。先导区政府应制定全面人才培养计划，提供专业技能培训，建立相关研究设施和实验室，与高校合作增加员工技能获取机会并优化劳动力结构。同时加强与国际人才交流协作，引进海外优秀专业人员到本地企业，吸纳先进技术和管理 expertise。

第四，非先导区应认真吸收先导区政策经验，逐步将AI技术融入企业内部发展，促进当地实体经济快速进步。同时，非先导区企业可充分吸收先导区企业政策实施方法和程序，制定更符合区域发展的针对性AI战略，并将其与自身ESG战略结合，促进企业可持续发展和价值提升。

研究局限与未来方向

本研究虽系统阐明AI提升企业ESG绩效的机制，但仍存在若干局限。首先，仅关注中国上市公司存在情境约束，鉴于政策干预对这些企业ESG实践的强烈影响，将研究发现推广到非上市公司或制度框架迥异经济体需谨慎。其次，依赖代理变量（如SA指数和绿色专利数）衡量中介机制可能无法捕捉技术整合过程中的隐性实施成本。未来研究应结合实地调查加强微观层面实证证据。本研究发现的股权集中度和数据要素调节效应呈现明显的制度依賴特征，在ESG监管较弱地区可能变化。后续研究可探索生成式AI对ESG治理范式的变革性影响，推动跨文化比较分析。最后，虽描述性考察了行业、企业规模和所有权类型的异质性，未来研究应采用更严谨的调节模型（如在DID规范中加入政策变量与组别特征的交互项）为这些差异提供更直接、稳健的统计检验。