人工智能、能源转型与企业绩效：来自上市能源公司的证据

《Sustainable Energy Technologies and Assessments》：Artificial intelligence, energy transition, and firm performance: evidence from listed energy companies

　　摘要
人工智能正迅速推高全球电力需求，使能源部门成为数字化与低碳转型的核心交汇点。本研究区分了与人工智能相关信息中两个概念上不同的维度：人工智能显著性（AI salience），反映人工智能日益增长的经济重要性；以及人工智能经济不确定性（AIEU），捕捉围绕其经济后果的不确定性。利用2015–2023年公开上市能源公司的非平衡面板数据，我们考察了这两个维度对资产回报率（ROA）、净资产回报率（ROE）和市净率（MB）的影响。实证分析采用企业固定效应模型，配合Driscoll–Kraay标准误，在控制企业异质性和可观测宏观经济条件的同时，处理了截面相关性、异方差性和序列相关性。聚类稳健估计和一期滞后安慰剂检验证实了结果的稳健性。结果显示，AI相关信息与能源企业绩效之间存在对比鲜明的条件关联。AI显著性与ROA（β = 0.188, p = 0.067）、ROE（β = 0.203, p = 0.066）和市净率（β = 1.867, p = 0.048）呈正相关。这些关系与投资者将日益增长的AI关注度与未来电力需求机会相联系的可能性一致，但更广泛的技术和宏观经济发展也不能排除。相比之下，AI经济不确定性主要呈现负向基线关联，尤其是与市净率（β = -0.779, p = 0.005）。然而，AIEU与ROA的关系在替代设定中并不稳健，AIEU与MB的关联对估计方法敏感。这些发现与不确定性相关的估值渠道一致，但并未证明AI特有的经济不确定性会独立增加融资风险或降低企业绩效。上述结果表明，AI显著性与AI经济不确定性捕捉的是概念上不同的信息维度，与能源企业绩效的不同模式相关联。这些关系仍是条件性的而非因果性的，凸显了在AI驱动的能源转型背景下评估能源企业时，区分技术机会预期与经济不确定性的重要性。

引言
过去几年中，人工智能的扩张已从一种软件和算法现象演变为一种物理基础设施现象，而这一转变在能源领域的影响尤为深远[1]。大语言模型的训练与部署、生成式AI应用的普及以及超大规模数据中心的建设，已将电力供应从一种背景性的公用事业投入转变为制约AI发展速度本身的战略性约束[2]。最新证据表明，AI驱动的计算基础设施是全球增长最快的电力需求来源之一，这一发展使能源企业及其定价的资本市场处于持续数字化转型的中心而非边缘[3]。传统上技术与能源的关系被颠倒过来——如今能源部门决定着一场技术革命的可行性，而不仅仅是响应技术革命——这使上市能源企业的财务表现从行业特定问题上升为对投资者、政策制定者和更广泛宏观金融体系具有系统性意义的问题[4]。因此，理解围绕人工智能的不确定性如何传导至预期供应这一需求的企业的盈利能力和市场估值，并非狭隘的实证好奇心，而是处于当前经济时期两大决定性结构力量——能源转型与AI转型——交汇处的问题[5]。

预期AI不确定性影响能源企业绩效的理论基础借鉴了两条迄今大致平行发展的文献脉络[6]。第一条是企业金融与宏观金融领域关于经济政策不确定性的文献，该文献确立：不确定性——区别于可测量的风险——会抑制企业投资、削弱企业绩效，并通过不可逆投资决策下的等待激励提高必要回报率[7]。这一基于实物期权理论的研究预测，面临外部驱动因素不确定性上升的企业将理性地延迟资本承诺，市场也将相应折价其股权，这一效应已通过经济政策不确定性指标及相关扩展被广泛记录[8]。第二条文献涉及数字基础设施增长的能源经济学后果，迄今主要关注AI驱动电力需求的物理和环境维度，包括电网脱碳压力、数据中心冷却造成的水资源压力以及区域电力采购模式的重塑，而未将分析延伸至这一变化需求环境中运营的能源企业的财务表现[9]。

两条文献都尚未直接处理的一个可能性是：AI不确定性并非单一同质构念，而是由至少两个概念上不同的维度组成，每个维度对企业绩效可能具有不同甚至相反的含义[10]。AI显著性，通过媒体对人工智能关注度的测量，可能作为一种显著性信号发挥作用，与对AI日益增长的经济重要性的认知相关，而非仅与下行风险相关[11]。相比之下，AI特有的经济不确定性更接近风险溢价机制，经济政策不确定性正是通过该机制被证明会压低估值和绩效[6]。实物期权框架预测，这两个构念不必以相同方向影响企业绩效：对需求生成型技术的更高关注度可能与盈利信号改善同时出现，即使围绕其经济后果的不确定性仍具价值破坏性[12]。这一理论区分在实证文献中仍基本未被检验，它促使我们有意识地将AI显著性与AI经济不确定性分开，而非将它们视为同一潜在现象的可互换代理变量。在此基础上，第2.1节建立了一个明确的传导框架，将AI相关信息与电力需求预期、能源部门投资决策、预期盈利能力和市场估值联系起来。

相关文献的进一步脉络涉及更狭义地决定能源企业绩效的企业金融因素，其中企业价值和派发结果被证明随风险暴露条件和公司层面财务特征而变化，支持使用企业规模、资本结构和股利政策等控制变量[13]。同样，关于可再生能源转型和更广泛能源市场条件的能源经济学文献表明，宏观层面力量仍是决定能源部门结果的重要因素，独立于任何技术特定需求冲击，这为在AI不确定性指标之外将其作为宏观经济控制变量纳入提供了依据[9]。综合来看，这些文献为预期AI不确定性与能源企业绩效之间存在关系，并在控制更广泛企业层面和宏观层面影响的框架内估计该关系提供了理论依据。

尽管关于AI、不确定性和能源市场的文献日益增多，但有关AI相关信息如何影响上市能源企业财务表现的直接证据仍然有限[14]。现有研究主要考察AI相关金融不确定性或传统的政策与监管不确定性，而未区分AI显著性与围绕AI经济后果的不确定性[15]。这留下了一个重要缺口，因为对AI的更高关注度可能强化对电力需求和增长机会的预期，而AI特有的经济不确定性则可能延迟不可逆投资并增加感知风险[12]。因此，本研究考察这两个维度是否与能源企业的盈利能力和市场估值存在不同的关联。

本研究对文献做出三项主要贡献。第一，本研究将基于媒体的AI显著性渠道与AI特有的经济不确定性区分开来，而非将基于报纸的AI指标视为技术采用的直接度量。这一概念区分通过表明信息关注度和经济不确定性可能对能源企业绩效产生不同含义，为新兴的AI-金融文献做出贡献。因此，贡献在于识别并在实证上分离这两个信息渠道，而非将AI显著性解释为已实现的技术扩散[14]。这一区分还通过将AI特有的经济不确定性与更广泛的经济政策不确定性分离，扩展了传统不确定性文献，认识到AI可以同时重塑生产技术、能源需求结构、基础设施要求和竞争动态。第二，本研究使用三种不同的绩效指标考察这一关系：资产回报率、净资产回报率和市净率。这使得分析能够区分那些立即反映在市场估值中的效应与那些随后反映在会计结果中的效应。这与近期将AI与企业绩效、市场份额和资产定价结果相联系的研究一致[16]。第三，本研究对基线关联进行一期滞后安慰剂检验，旨在排除反向因果和预期定价，为估计关联的时间敏感性提供了超越固定效应面板估计本身所能支持的额外评估，这一逻辑与近期安慰剂检验和观测性因果框架一致[17]。

本研究并不声称不确定性对企业投资或估值的影响本身是新颖的，因为近期证据持续表明不确定性会实质性地影响投资时机、资本配置和企业价值[18]。相反，贡献在于考察AI背景是否在关注一种可能产生大量电力需求的技术与围绕同一技术经济后果的不确定性之间引入具有经济意义的区分，尤其是在AI密集型计算日益重塑电力需求和能源系统规划之际[19]。因此，AIEU可被视为更广泛不确定性传统的AI特定延伸，而实证新颖性在于将其与上市能源企业财务表现中的AI显著性分离开来。

实证分析基于2015年至2023年公开上市能源公司的面板数据，将企业层面财务和市场数据与宏观层面能源及不确定性指标相结合，这一方法与近期结合企业或国家结果与能源、油价和不确定性变量进行多年样本分析的面板研究一致[20]。基线关系采用Driscoll-Kraay固定效应回归估计，以处理截面相关性，并与基于固定效应的替代稳健性估计器交叉核对，再通过安慰剂式证伪检验进一步验证，这与近期能源、金融和政策不确定性面板研究的当前实践相符[21]。近期研究也使用Driscoll-Kraay修正，专门处理多国或多企业设定中的截面相关性、异方差性、序列相关性及相关面板数据问题[22]。相关研究进一步证实，在联合分析不确定性、金融和能源转型变量时，带Driscoll-Kraay标准误的固定效应估计常与敏感性或稳健性检验配对使用[23]。

本文结构如下。第2节详述数据来源、变量构建和计量方法。第3节呈现描述性统计、诊断检验和估计结果。第4节讨论这些发现的经济解释，考虑上述理论框架。第5节以研究贡献及其对投资者、能源企业管理者和政策制定者应对AI驱动能源转型金融维度的启示的综述作为结论。

章节片段
数据与方法
实证策略将企业层面财务信息与AI相关指数和宏观经济控制变量相结合。方法部分描述理论框架、样本构建、变量定义、诊断检验、基线估计和稳健性程序。

结果
结果按照第2节方法所构建的证明顺序呈现，从样本的基本统计特性出发，经过决定适当估计量的诊断检验，到基线和稳健性估计，最后到涉及因果性的安慰剂检验。这一排序是有意而非惯例性的，因为每个表格的相关性直接取决于前一个表格所确立的内容。按顺序阅读，各表格累积成一个

讨论
本节根据理论框架解释AI显著性、AIEU与能源企业绩效之间的对比关联。特别关注会计盈利与市场估值之间的差异、估计对替代设定的敏感性，以及所提出传导机制的局限性。讨论将实证关联与需要进一步研究的理论解释区分开来。

结论
利用2015–2023年上市能源公司的国际面板数据，本研究考察了AI显著性、AI经济不确定性与企业财务表现之间的关系。结果显示，AI显著性与盈利能力和市场估值之间存在正向基线关联，而AIEU主要呈现负向系数，尤其是对市净率。然而，部分估计对替代设定敏感，且总体

CRediT作者贡献声明
Asaad Sendi：写作——初稿、正式分析、概念化。Kamel Si Mohammed：验证、软件、数据管理。Hind Alofaysan：写作——初稿、调查、正式分析、概念化。Samariddin Makhmudov：写作——审阅与编辑、可视化、验证、监督。

利益冲突声明
作者声明，他们不存在已知的竞争性财务利益或个人关系，可能影响本报告所述工作。

致谢
本研究由Princess Nourah bint Abdulrahman大学研究人员支持项目资助，项目编号（PNURSP2026R548），沙特阿拉伯利雅得，Princess Nourah bint Abdulrahman大学。

Asaad Sendi | Kamel Si Mohammed | Hind Alofaysan | Samariddin Makhmudov