数字智能如何驱动企业绿色创新：来自中国证据

《Structural Change and Economic Dynamics》：How Digital Intelligence Drives Corporate Green Innovation: Evidence from China

　　

# 摘要

企业绿色创新是实现可持续发展的必要条件，但企业通常面临高技术不确定性、创新周期长和内部能力约束等问题。本研究利用2007年至2023年中国A股上市公司数据，考察数字智能（DI）对企业绿色创新的影响。研究利用GPT-4从年报全文中构建企业层面的DI指数，并采用基于梯度提升的双重机器学习框架来控制高维和非线性混杂因素。为缓解内生性问题，以历史通信基础设施与滞后国家互联网发展冲击的交互项作为工具变量，开展工具变量DML分析。结果表明，DI显著促进了企业绿色创新，包括绿色发明专利和绿色实用新型专利。机制分析表明，DI通过缓解不确定性感知、人力资本升级和环境管理能力提升促进绿色创新。调节效应分析表明，区域数字基础设施和区域创新能力增强了DI的促进作用。异质性分析进一步表明，该效应在大型企业、制造企业、下游企业和高新技术企业中更为显著。这些发现为DI在促进企业绿色创新和数绿融合中的作用提供了新证据。

# 引言

企业绿色创新是环境可持续性的微观基础，但企业在开展绿色技术活动时往往面临持续的结构约束。与一般创新不同，绿色创新具有双重外部性特征，企业需要承担私人研发成本，而环境和社会效益则部分由社会共享（Campiglio等，2024；Arqué-Castells和Spulber，2022）。此外，绿色创新还面临更高的技术、政策和市场不确定性，因为绿色项目通常需要大量前期投入、较长的开发周期和回报滞后（Bettarelli等，2024；De Weerdt等，2023）。这些特征可能削弱企业将稀缺资源配置于高风险环境技术的动机，并进一步加剧资源错配和组织惰性（He等，2022；Luetkehaus，2025）。尽管环境监管能为绿色创新提供外部压力，但可能无法完全解决限制企业创新效率和战略调整的内部能力约束问题（Benatti等，2024）。在此背景下，数字智能（DI）可能为企业提供了一种重要的内部能力，以减少创新不确定性、提高决策质量并将资源配置导向绿色技术发展。

数字化和智能化构成了DI的技术基础。数字化是指将数字技术应用于企业的生产、运营、管理及其他业务活动，使业务流程以数字形式表达和重组，从而创造新的价值来源（Chen和Liu，2021）。其核心功能是提高数据生成能力、信息连通性和流程可见性。智能化进一步将人工智能、机器学习、智能设备和算法系统引入业务流程，使企业能够进行自动化分析、预测、学习和决策支持（Mikalef和Gupta，2021）。因此，数字化主要提供数据和系统基础，而智能化则增强了企业的分析和预测能力。

DI代表数字化和智能化的整合与升级，越来越多地被视作超越传统数字化的新阶段（Zhao等，2025；Hao等，2025）。在数字化建立的数据基础上，DI整合以人工智能为代表的智能技术，以挖掘数据价值、升级生产和管理流程并支持决策优化（Hao等，2025；Shan等，2021）。在本研究中，DI被定义为一种整合性数字智能能力，即企业利用数据、算法和基于人工智能的智能系统来支持预测、决策优化、流程升级和组织协调。与基础数字化或孤立的智能技术采纳不同，DI强调将数据资源、智能分析和组织协调系统地整合到企业的组织流程和战略决策中。关于数字化、人工智能与DI的详细比较见附录表A1。

已有研究表明数字技术能够促进企业绿色创新，但文献在不同技术视角上仍存在分歧。数字化转型研究主要强调数字技术通过提高信息可获得性、流程可见性、资源配置和组织控制来促进绿色创新（Fang和Li，2024；Wu等，2025；Zhao等，2024）。关于人工智能采纳和智能化转型的研究进一步强调了智能技术在预测、环境监测、清洁生产、能源管理和绿色创新效率方面的作用（Wang等，2024；Xu和Lin，2025a）。近期关于DI的研究将DI与绿色供应链管理、能源密集型企业绿色转型和低碳转型风险联系起来（Wu等，2024；Hao等，2025；Wang等，2025）。然而，关于DI与企业绿色创新之间关系的直接企业层面证据仍然有限，DI影响绿色创新的机制也尚未得到充分检验。本研究通过考察DI对企业绿色创新的影响并进一步识别其企业层面的传导渠道来弥补这些研究空白。

在方法上，本研究改进了企业DI的测度。以往研究使用问卷调查、设备指标和年报文本挖掘等方法来测度数字智能转型（Gal等，2019；Zhai等，2022）。年报提供了企业战略方向、技术应用和未来发展规划的标准化且公开可用的信息，是文本测量方法的重要数据来源（Osborne等，2001；Zhai等，2022）。现有基于文本的研究通常从年报中提取和统计与数字相关的关键词来构建数字化转型指标（Fang和Li，2024；Wu等，2025）。这种方法有助于捕捉企业公开披露对数字技术的关注度，但对语义背景、应用场景和实施深度的信息提供有限。为克服这一局限，本研究从年报全文中构建基于大语言模型的DI指数。通过利用GPT-4评估数字化、智能化及其整合程度，该指数比传统的关键词词频测度更全面地捕捉了企业数字智能转型的可观测深度。

基于2007年至2023年中国A股上市公司样本，本研究考察了DI对企业绿色创新的影响。采用基于梯度提升的双重机器学习框架来控制高维和非线性混杂因素。分析进一步考察了三个传导机制：缓解不确定性感知、人力资本升级和环境管理能力提升。为缓解内生性问题，以历史通信基础设施与滞后国家互联网发展冲击的交互项构建工具变量。还从企业规模、行业部门、供应链位置和技术属性等方面考察了异质性。

本研究主要有三点贡献。首先，将DI概念化为一种不同于一般数字化转型和孤立人工智能应用的企业层面整合能力，从而拓展了数字技术与绿色创新的文献。其次，通过从年报全文中构建基于GPT-4的指数来改进企业DI的测度，这比传统的关键词词频测度能够更精细地评估企业的数字智能转型。第三，本研究通过识别三个传导渠道——缓解不确定性感知、人力资本升级和环境管理能力提升——揭示了DI与绿色创新关系背后的机制。这些发现加深了我们对DI能力如何转化为企业绿色创新成果的理解。

本文其余部分的安排如下。第2节回顾文献并提出假设。第3节详细介绍基于大语言模型的测度和DML/IV策略。第4节呈现描述性事实和基准因果估计。第5节通过机制检验和异质性探索深入分析。第6节总结并提出政策启示。本研究的研究框架如图1所示。

## 章节片段

### 数字智能与绿色创新

传统数字化主要关注信息连通性、流程信息化和信息不对称的减少（Tian等，2022）。相比之下，DI代表一种更先进的组织能力，由人工智能、机器学习、大数据分析和智能决策系统所支撑（Yeke，2023）。DI不仅仅是简单地数字化现有业务流程，而是将数字技术与智能分析和组织协调整合在一起。

### DML估计

为识别企业DI对绿色创新的因果影响，本研究采用Chernozhukov等人（2018）提出的DML框架。传统线性模型假设严格的线性关系，在高维数据中选择控制变量时可能面临正则化偏差，而DML通过结合正交化和交叉拟合有效缓解了这些问题。具体而言，本研究设定一个部分线性模型来捕捉这种关系：

ln(GreenPatit) = θ0DIit + g(Xit) + εit, E(εit | DIit, Xit) = 0

### 企业数字智能的时空演化

为提供关于基于大语言模型DI测度代表性的描述性证据，本研究首先考察样本期内企业DI水平的时空演化。图2展示了2007年和2023年中国上市公司DI水平的空间分布。2007年，高DI企业相对较少且地理上高度集中，主要出现在北京、上海和深圳等沿海主要城市及一线城市。大多数企业位于低至中等DI类别。

### 中介效应分析

为进一步考察DI如何促进企业绿色创新，本研究调查了三个传导渠道：缓解不确定性感知、人力资本升级和环境管理能力提升。相应的回归结果见表7。

## 结论与政策启示

本研究利用2007年至2023年中国上市公司面板数据考察企业DI是否促进绿色创新。本研究基于大语言模型构建了语义丰富的DI指数，并使用由基于历史基础设施的工具变量策略补充的DML框架识别DI的因果效应。

本研究获得了三个主要发现。首先，DI对企业绿色创新具有显著正向影响。该效应在绿色发明专利和绿色实用新型专利中均成立。

### CRediT作者贡献声明

冯同：审阅与编辑、初稿撰写、可视化、验证、监督、软件、资源、项目管理、方法论、调查、经费获取、形式分析、数据整理、概念化。

王孝敏：审阅与编辑、初稿撰写、可视化、验证、监督、软件、资源、项目管理、方法论、调查、经费获取、形式分析、数据整理。

冯同|王孝敏|王天馨|李群|郭磊

天津财经大学公共财政与公共管理学院，中国天津300222