超越可加性：数字技术与绿色发展的协同效应在可持续发展政策体系与企业环境、社会和治理（ESG）绩效中的应用 杨子瑶（Ziyao Yang）与陈黎明（Liming Chen）

《Systems》：Beyond Additivity: Digital–Green Synergy in Sustainable Development Policy Systems and Corporate ESG Performance Ziyao Yang and Liming Chen

　　摘要

在深化协调政策治理的背景下，数字化与绿色转型政策之间的系统协同效应及其对企业环境、社会和治理（ESG）绩效的影响已成为一个亟需探讨的关键问题。与现有研究侧重于单一政策效果不同，本文采用政策系统协同框架，系统地研究了大数据行政改革和低碳城市试点政策的协同实施对企业ESG绩效的影响。以2010至2022年间中国A股上市公司为样本，本文运用多期差分（DID）方法进行实证分析。研究结果表明，数字化与绿色政策之间的系统协同效应显著提升了企业ESG绩效，这种促进作用明显强于单一试点政策的效果。通过双重机器学习（DML）方法进行的进一步因果再识别验证了基线结论的稳健性。异质性分析表明，数字化与绿色政策的协同效应在数字化转型程度较高、 patience capital 较多以及税收负担较重的企业中更为显著。机制测试显示，数字化-绿色政策协同效应通过增强政府、社会和市场的外部监督、增加绿色政府补贴以及激励企业开展绿色创新来提升ESG绩效。同时，政策系统协同效应还降低了企业对经济政策的感知不确定性，稳定了其预期，进一步促进了ESG绩效的提升。本文从系统协同治理的角度扩展了对企业ESG绩效决定因素的研究，为理解数字化治理与绿色转型政策之间的互动机制提供了新的实证证据。

1. 引言

环境、社会和治理（ESG）是一个综合框架，用于评估企业在环境责任、社会参与和公司治理方面的表现。它反映了企业在实现经济增长与可持续发展及社会责任之间的平衡能力。自2004年正式提出以来，ESG概念逐渐成为评估企业可持续性的核心框架，也是资本市场评估企业长期价值的关键基准。在全球气候变化压力加剧和可持续发展议程日益重要的背景下，各国政府加强了制度工具和监管安排，引导企业和投资者更加重视ESG绩效[1]。顺应这一趋势，2022年初，上海和深圳证券交易所同时修订了股票上市规则，细化并规范了ESG信息披露的范围和要求，从而显著提高了信息披露机制的可操作性和执行力。现有研究进一步表明，良好的ESG绩效不仅降低了资本成本，提升了企业价值，还促进了企业转型和升级，同时改善了就业稳定性[2,3,4,5]。尽管如此，中国企业在ESG绩效方面的整体提升仍相对缓慢。根据华证ESG评级的统计数据，上市公司的ESG评级年均增长率长期徘徊在零附近，多数年份呈现负增长，表明提升趋势不稳定。国际比较显示，根据Refinitiv全球ESG评级数据，CSI 300成分企业的ESG评级年均增长约为0.5%，远低于S&P 500企业的约3%年增长率。这些差异表明，中国企业在ESG实践的深度、信息披露质量和治理能力方面仍落后于成熟市场，仍有较大的提升空间。

企业ESG绩效提升缓慢的一个重要原因在于其回报的明显时间依赖性[6]。与传统投资相比，节能、减排、绿色创新和社会责任方面的支出通常会增加短期成本并对当前利润造成压力[7,8]。然而，这些投入的回报主要体现在长期风险缓解、声誉资本积累和融资条件改善上，因此具有明显的时间滞后效应。在以短期绩效评估和资本市场定价机制为主导的背景下，企业不可避免地面临“当前成本与未来收益”之间的时间错配。当制度约束和激励机制未能有效内化长期回报时，理性企业更可能选择低成本合规披露，而非进行实质性的长期投资[9]。因此，如何通过制度设计缓解时间激励错配，并构建结合约束与激励的政策框架，已成为促进企业ESG绩效实质性提升的关键问题。本文的研究框架如图1所示。

基于此讨论，本文采用政策协同治理视角，以2010至2022年间中国A股上市公司为样本，研究大数据行政改革和低碳城市试点政策的协同实施对企业ESG绩效的影响。具体而言，本文（i）将数字化与绿色政策整合到一个统一的分析框架中，以识别其协同效应；（ii）采用多期差分方法结合双重机器学习，以提高因果推断的稳健性和可信度；（iii）从外部监督、政府绿色补贴和政策预期稳定性的角度探讨其背后的机制。这些要素共同阐明了研究目标、方法论方法和主要贡献，同时也完善了引言的整体结构。

2. 文献综述

现有研究表明，依赖单一政策工具往往不足以系统地解决与企业ESG投资相关的多重约束[10]。ESG投资决策通常受到监管强度、激励结构和信息环境的影响，这些因素共同塑造了企业的行为反应。从环境监管的角度来看，先前的研究发现，监管政策可以通过增加违规成本和加强外部约束来影响企业ESG绩效[11]。然而，这些机制的有效性在很大程度上取决于监管机构准确识别企业实际ESG绩效的能力。当信息不对称性高且监管能力有限时，企业可能会进行战略性披露或象征性合规，从而削弱环境监管的实质性效果[12,13]。此外，关于数字化治理的研究表明，数字化改革可以提高监管效率、增强市场透明度并改善信息披露环境。然而，在缺乏明确的环境约束和激励机制的情况下，它们显著改变企业资源配置决策的能力可能仍然有限[14]。总体而言，现有文献表明，单一政策工具仅解决ESG约束的一个维度，不足以从根本上重塑企业的时间错配。

近期研究越来越多地关注多种政策工具在促进可持续企业行为方面的互动作用。中国同时推进绿色发展政策和数字化治理改革，为研究这种政策互补性提供了重要的制度背景。一方面，关于低碳城市试点政策的研究表明，该政策加强了减排目标，完善了环境评估机制，并提供了财政和金融支持，从而增加了企业绿色投资的监管压力和激励强度[15,16]。另一方面，关于大数据行政改革的研究表明，大数据治理机构的建立可以整合政府数据资源，提升数字化治理能力，并改善信息透明度，从而促进更有效的政策实施和加强市场认可机制[17,18]。综上所述，这些研究表明，环境监管和数字化治理可能通过互补渠道发挥作用——一种重塑成本-收益结构，另一种改善信息和监督条件。然而，现有文献缺乏关于它们联合效应的系统性实证证据。因此，本文进一步从政策协同的角度提出了假设。

3. 理论分析

3.1. 外部监管效应

大数据行政改革和低碳城市试点政策的协同实施并非简单的制度安排叠加，而是在治理结构层面产生了协同放大效应。大数据行政改革增强了政府整合信息资源的能力，实现了部门间的信息共享和动态监控企业能源消耗和排放数据，从而显著提高了监管执行的精准度和及时性[19]。在此基础上，低碳城市试点政策明确了减排目标和绩效评估指标，加强了地方政府在推动绿色发展方面的责任，并为监管行动提供了明确的方向和约束框架[20]。当两者共同实施时，增强的信息识别能力嵌入到强化的目标约束机制中，进一步提高了政府监督的频率、覆盖范围和执行效率。同时，信息透明度的提高降低了社会和市场监督的信息获取成本，使媒体、公众和投资者能够基于更全面的数据评估和规范企业的环境行为[21,22]。因此，政府监管、社会监督和市场纪律形成了相互强化的对外治理结构，加大了整体监管压力，对企业提升ESG绩效产生了持续的外部激励。

在外部监管强度显著增强的条件下，企业会调整其战略行为和资源配置逻辑，从而促进ESG绩效的提升。这种影响主要通过三个渠道发挥作用：首先，通过合规约束，更强的政府监管增加了环境违规的预期成本[23]。为了降低处罚和声誉损失的风险，企业倾向于增加环境保护和治理方面的投资，从而提升环境和治理绩效[24]。其次，通过声誉约束，加强的社会监督提高了声誉资本的重要性。在高度透明的信息环境中，企业的环境和社会责任表现更容易被公众识别和评估[25]。良好的ESG绩效增强了品牌信任和利益相关者的参与度，而较差的绩效可能引发公众批评和消费者抵制。第三，通过资本市场纪律，市场纪律通过资本成本和融资可获取性等渠道发挥作用。随着金融机构和投资者越来越多地将ESG指标纳入决策框架，ESG评级较高的企业更有可能获得绿色信贷、低成本融资和长期资本支持[26]。因此，增强的外部监管强度通过合规压力、声誉激励和资本市场纪律的综合作用，增强了企业提升ESG绩效的激励。

3.2. 绿色补贴效应

大数据行政改革和低碳城市试点政策的联合实施重塑了补贴分配机制，激励企业扩大绿色投资。首先，大数据行政改革整合了分散在不同部门的企业运营和环境数据，为精准的补贴分配和差异化支持提供了信息基础[27]。其次，低碳城市试点政策将绿色发展目标纳入地方政府绩效评估体系，增强了地方政府提供绿色补贴的内在激励，并在制度上增加了绿色支出的财政权重[28]。在这种双政策框架下，增强的信息识别能力和强化的目标约束机制产生了协同效应。一方面，增强的数据整合降低了补贴分配中的筛选和监控成本，从而减少了资源错配和寻租行为[29]。另一方面，基于绩效的评估机制提高了财政预算中绿色支出的优先级[30]。因此，数字化-绿色政策框架不仅扩大了绿色补贴的供应规模，还提高了财政资源分配的效率，为企业提升ESG绩效提供了持续的内部激励。

作为指导企业绿色转型的关键政策工具，绿色补贴通过缓解融资约束和优化激励结构来提升ESG绩效。从资源约束的角度来看，绿色投资通常涉及较高的前期成本、较长的回收期和较大的不确定性，缺乏外部支持时可能导致投资不足[31]。绿色补贴直接降低了环境设备购置和技术升级的成本，缓解了现金流压力，并提升了企业开展节能和环境治理活动的能力。从信号传递的角度来看，获得政府绿色补贴是企业信用的正面证明，增强了企业在资本市场的可信度，吸引了投资者关注，并进一步降低了融资成本[32]。此外，绿色补贴通常伴随着绩效评估和信息披露要求，加强了合规管理和内部控制体系，同时提高了治理透明度[33]。通过缓解财务约束、加强激励纪律和优化外部评估机制的综合途径，绿色补贴有助于提高企业的ESG表现。数字化与绿色政策之间的协同效应通过增加政府绿色补贴的力度，显著提升了企业的ESG表现。大数据行政改革与低碳城市试点政策的联合实施通过提高制度透明度和目标稳定性，增强了企业的政策预期稳定性，从而降低了他们对经济政策不确定性的主观感知。首先，从信息透明度的角度来看，大数据行政改革改善了部门间的数据整合和信息披露，提高了政策实施的透明度和可追溯性，减少了政策传递中的信息延迟和模糊性，使企业能够更准确地识别监管规则和发展方向，从而降低了对潜在政策变化的不确定性。其次，在目标稳定性方面，低碳城市试点政策明确了减排目标、实施路径和绩效评估标准，为企业提供了相对清晰和持续的绿色发展框架，增强了政策导向的一致性和可预测性。当这两项政策共同实施时，改进的信息基础设施提高了政策信号的清晰度和连贯性，而稳定的制度目标则增强了企业对长期绿色转型的信心。这些机制共同降低了企业对宏观经济政策不确定性的主观感知，改善了投资决策的时序环境。降低主观经济政策不确定性有助于长期ESG投资。根据不确定性理论，当企业感知到高政策不确定性时，它们倾向于推迟投资或采取保守的运营策略以规避潜在风险，从而显著抑制了绿色创新和社会责任倡议等长期投资。相反，稳定的政策预期鼓励更长期和更具战略性的投资决策，增加了环境治理和科技创新支出。较低的感知不确定性还降低了企业的风险溢价和融资成本，增强了资本市场对长期项目的支持，并为ESG相关投资提供了财务支持。此外，稳定的政策环境促进了内部治理结构和信息披露机制的改进，增强了企业与利益相关者之间的信任。通过减少预防性投资行为、改善融资条件以及强化长期战略导向，降低主观经济政策不确定性最终有助于提升企业的ESG表现。数字化与绿色政策之间的协同效应通过稳定政策预期显著提升了企业的ESG表现。

4. 研究设计
4.1. 计量经济模型构建
为了研究数字化与绿色政策协同效应对企业ESG表现的影响，本研究构建了一个差异-in-differences（DID）模型：
(1) 其中 表示企业ESG表现； 是一个虚拟变量，用于捕捉数字化-绿色政策协同效应的实施情况； 代表控制变量向量； 表示企业固定效应； 表示行业-年份交互固定效应； 是随机误差项。

4.2. 样本选择和数据来源
本研究使用2010年至2022年间在中国A股上市的公司作为研究样本。样本通过排除金融公司、ST和*ST公司以及关键变量缺失的观测值进行了筛选。企业ESG表现数据来自华证ESG评级。所有其他企业级和地区数据来源于CSMAR数据库和《中国城市统计年鉴》等权威出版物。为了减轻异常值对估计结果的影响，所有连续变量在两个尾部都进行了1%的水平Winsor化处理。

4.3. 变量定义
核心解释变量是“数字化-绿色政策”虚拟变量（DID），用于捕捉大数据管理体制改革政策和低碳城市试点政策协同实施对企业ESG表现的影响。该变量基于差异-in-differences（DID）识别策略构建，定义为政策处理变量（TR）和政策时机变量（PO）的交互项。
低碳城市试点政策是分批实施的，主要包括2010年和2017年的两轮试点城市。另一方面，大数据管理体制改革政策在2017年后逐步实施，因为各个城市相继建立了大数据管理机构或数据管理局。在本研究中，根据这两项政策的实施年份来识别城市层面的政策冲击。
如果一个城市被纳入低碳城市试点计划并在样本期间完成了大数据管理机构的改革，则政策处理变量（TR）从两项政策共同实施的年份起被赋予值1；否则，其值为0。政策时机变量（PO）是一个后政策虚拟变量，在两项政策共同实施的年份及以后年份取值1，否则为0。DID变量是TR和PO的交互项，用于识别两项政策协同实施产生的净效应。
因变量是ESG得分，使用华证ESG评级数据进行测量。具体控制变量见表1。

4.4. 描述性统计
表2报告了主要变量的描述性统计信息。样本包含33,113个企业-年份观测值，表明数据覆盖范围相对全面。核心解释变量DID的平均值为0.295，表明大约29.5%的观测值属于处理组，处理组和对照组之间的分布相对均衡。因变量ESG的平均值为4.203，标准差为0.822，表明企业ESG表现存在一定程度的横截面差异，但总体波动仍在合理范围内。所有变量的值范围和分布特征均较为稳定，没有明显的异常值，为后续的计量经济分析提供了可靠的数据基础。

5. 实证结果
5.1. 基线回归结果
数字化-绿色政策协同效应对企业ESG表现影响的基线回归结果见表3的第（1）-（6）列。所有回归都控制了企业固定效应和行业-年份交互固定效应，标准误差在城市层面聚类。第（1）-（2）列显示，无论是否包含控制变量，核心解释变量的估计系数在1%的显著性水平上均为显著正数，表明数字化与绿色政策之间的系统协同效应显著提升了企业ESG表现，这一结论在不同模型规格下均具有稳健性。
在此基础上，研究进一步探讨了数字化-绿色政策协同效应影响企业ESG表现的具体途径。分别以环境（E）、社会（S）和治理（G）子分为因变量进行回归，结果见表3的第（3）-（5）列。结果显示，核心解释变量仅在环境（E）维度上显著为正，而在社会（S）和治理（G）维度上不显著。这表明数字化-绿色政策协同效应主要通过提升企业的环境表现来增强整体ESG表现，其中环境维度是效应实现的关键渠道。
此外，为了测试数字化-绿色政策协同效应相对于单一试点政策的边际优势，研究排除了未实施这两项政策的城市，仅保留同时实施了这两项政策或其中一项政策的城市。具体而言，同时实施了两项政策的城市被定义为处理组，而只实施了一项政策的城市作为对照组，并重新进行了基线回归。表3的第（6）列显示，双重试点政策对企业ESG表现有显著正面影响，其效果明显强于单一试点政策，表明这两种政策之间存在显著的协同效应。
总体而言，结果不仅证实了数字化-绿色政策协同效应对企业ESG表现的系统性促进作用，还揭示了这种效应主要通过环境维度发挥作用，进一步验证了政策组合所产生的协同优势。

5.2. 平行趋势和动态效应检验
DID模型的有效性依赖于平行趋势假设，即处理组和对照组在政策实施前应表现出相似的趋势。如果这一条件不成立，则估计效应不能归因于政策冲击本身。
为了检验这一假设，本研究构建了一个事件研究模型，以政策实施前的年份作为基线期，并在95%的置信区间内估计动态系数。结果如图2所示。在政策实施之前，每个预处理时期的DID项的估计系数在统计上不显著，且围绕零波动，表明在政策冲击之前处理组和对照组之间没有系统性的趋势差异。这一发现支持了平行趋势假设的有效性。
进一步考察政策实施后的动态效应发现，核心解释变量的系数从政策实施后的第二年开始显著为正，且其幅度随时间逐渐增加。这表明数字化-绿色政策协同效应显著提升了企业ESG表现；然而，这种效应并非立即显现，而是呈现出滞后模式。
一个合理的解释是，企业需要时间来调整策略、重新分配资源，并根据政策激励和约束积累相关投资。因此，政策协同效应的好处是逐渐释放的，而不是瞬时发生的。

5.3. 基于双重机器学习的因果推断重新检验
传统的DID方法依赖于关于线性关系和函数形式规范的较强假设，这在复杂的经济环境中可能导致模型设定偏差。相比之下，双重机器学习（DML）框架通过灵活的数据驱动估计高维干扰成分，减轻了由错误函数形式假设引起的估计偏差。因此，本研究应用DML方法重新检验了数字化-绿色政策协同效应的因果效应。
基线部分线性模型如下：
(2) (3)
其中 表示数字化-绿色政策的系数； 是一个未知函数形式，用于捕捉控制变量和时间因素的联合效应，通过机器学习算法估计； 是条件均值为零的干扰项。
为了加速收敛并实现正交化，构建了以下辅助模型：
(4) (5)
其中 表示处理变量在控制变量集合上的回归函数，也使用机器学习方法估计； 是条件均值为零的误差项。
在实证实施过程中，本研究采用双重机器学习（DML）方法重新检验了基线结果。该方法使用机器学习技术估计高维控制变量对结果变量和处理变量的影响，并应用正交化程序来减少模型设定偏差。
关于算法选择，采用随机森林（Random Forest）和梯度提升（Gradient Boosting）作为基础学习器，以灵活捕捉潜在的非线性关系和变量间的复杂交互结构。在随机森林模型中，树的数量设置为500，最大树深度为10，每个叶节点的最小样本数为5。在梯度提升模型中，学习率设置为0.05，迭代次数为500，每棵树的最大深度为3。这些超参数是根据机器学习文献中的常见实践选择的，并在所有规格中保持不变，以确保结果的可比性。
所有机器学习程序均使用标准包（例如Python中的scikit-learn（版本3.12）/R中的DoubleML包（版本0.6.2）实现，这些包提供了成熟且可复制的算法实现。
为了避免过拟合，研究在估计过程中应用了交叉拟合技术。具体来说，首先将样本随机分为两个不重叠的子样本。然后在一个子样本中使用机器学习算法估计辅助函数E(Y|X)和E(D|X)，并将得到的模型应用于另一个子样本来计算残差项。随后，在残差变量之间进行线性回归以获得处理效应估计。之后交换训练样本和估计样本的角色，重复该过程。最终估计值是通过平均两个估计结果得到的。该程序遵循Chernozhukov等人（2018年）[38]提出的标准DML框架，确保了结果的正交性和对抗过拟合的鲁棒性。为了进一步检验在不同样本分割结构下结果的鲁棒性，还实施了三种随机分割比例——1:4、1:2和1:7。通过随机重采样重复进行100次估计过程，并报告平均估计结果。这种重复的样本分割策略有助于减轻单一分割引入的随机性，并提高估计的稳定性。此外，我们通过改变关键超参数（例如，树的数量和树深度）来进行敏感性检验，主要结果在质量上没有变化，进一步支持了研究结果的鲁棒性。表4中报告的估计结果表明，无论在何种样本分割比例和不同的机器学习算法下，数字-绿色政策的估计系数都保持显著正相关，且显著性水平稳定。这表明核心发现是稳健的。即使在放宽传统线性假设并允许控制变量与时间因素之间存在复杂非线性关系的情况下，数字-绿色政策的协同效应仍然对公司ESG绩效产生显著的积极影响。表4. 双重机器学习（DML）估计结果。这些结果表明，主要结论并非由特定的函数形式假设驱动，而是在更一般的半参数框架内仍然有效，从而进一步增强了所识别政策效应的可信度和解释力。

5.4. 安慰剂测试
鉴于数字-绿色政策协同效应的估计结果可能受到随机因素或样本特定冲击的影响，本研究进一步构建了一个混合安慰剂测试框架以加强因果识别。在保持整体样本结构不变的情况下，随机分配伪处理公司和伪处理时间点，以生成“虚假政策冲击”。随机分配和回归估计过程重复进行500次，以获得安慰剂效应的经验分布[39]。如图3所示，安慰剂回归系数主要分布在零附近，并且与基线估计有显著偏差。真实政策效应位于安慰剂分布的尾部区域，明显超出了随机干扰所能解释的范围。图3. 安慰剂测试。这些结果表明，数字-绿色政策协同效应对公司ESG绩效的积极影响不太可能是偶然的。即使在严格的反事实测试下，估计的政策效应仍然保持稳健，从而进一步增强了研究结论的可信度。

5.5. 额外的鲁棒性测试
在进行了平行趋势和安慰剂测试以初步验证DID识别策略之后，本研究进一步进行了一系列鲁棒性检验，以应对潜在的识别威胁，包括测量误差、遗漏变量偏差、样本选择偏差和宏观经济冲击。首先，为了检验结果是否依赖于因变量的测量，用彭博社的ESG评分替换了ESG指标，以测试估计的数字-绿色政策协同效应在不同数据源之间是否一致。其次，为了应对可能由不可观察因素引起的遗漏变量偏差，本研究应用了已建立的敏感性分析方法来评估未观察到的混杂因素对基线估计的影响程度。第三，考虑到处理组和对照组之间在政策暴露方面的潜在系统差异，采用了熵平衡方法来重新加权样本，从而减轻样本选择偏差并改善协变量平衡。最后，鉴于样本期间COVID-19大流行造成的重大宏观经济冲击，引入了额外的控制变量，以考虑其对公司ESG绩效的共同影响，确保估计的政策协同效应不会受到疫情相关因素的干扰。表5的第（1）-（4）列报告了在这些不同规格下的回归结果。在所有鲁棒性检验中，核心解释变量的系数仍然显著为正。此外，未观察变量的估计敏感性参数为12.1012，远高于传统的阈值1，表明未观察到的混杂因素需要施加难以置信的强影响才能推翻主要发现。表5. 额外的鲁棒性测试。总体而言，在多个鲁棒性框架下，核心结果保持稳定，证实了数字化和绿色政策之间的协同作用对公司ESG绩效具有稳健且具有经济意义的积极影响。

6. 进一步分析
6.1. 机制分析
6.1.1. 监管强度
根据假设H1，数字-绿色政策协同效应通过加强多主体监管框架来提升公司ESG绩效。为了验证这一机制，在政府、市场和社会层面构建了监管强度指标。在政府层面，数字-绿色政策协同效应通过应用数字技术提高了监管效率和精准度，使当局能够扩大执法范围并增加处罚力度。因此，本研究使用城市层面的环境行政处罚案件数量的对数来衡量政府监管强度[40]。表6的第（1）列显示，数字-绿色政策协同效应显著增加了环境处罚的数量，表明政府执法强度得到了加强。表6. 机制分析。在市场层面，信息透明度的提高有助于减少信息不对称性，并增强资本市场对公司环境和社会责任绩效的关注。随着数字-绿色协同效应的推进，企业信息披露变得更加全面，使投资者和分析师能够更高效地获取相关数据，并加深对ESG绩效的监控。市场监管强度通过研究报告数量和对公司进行跟踪的分析师数量的对数来衡量[41]。表6的第（2）和（3）列报告了显著正的系数，表明资本市场监控功能得到了加强。在社会层面，数字信息环境的改善提高了信息传播和公众参与渠道的效率。媒体和公众因此能够更好地及时获取和传播公司层面的信息，增强了声誉和公众舆论压力。社会监管强度通过报道该公司的媒体报告数量的对数来衡量[42]。表6的第（4）列表明，数字-绿色政策协同效应显著增加了媒体报道的数量，从而加强了社会监督压力。总体而言，结果表明数字-绿色政策协同效应加强了政府执法，增强了资本市场监督，并加强了媒体监督，形成了一个多主体外部监督系统。通过这种机制，公司的ESG绩效得到了显著提升，为假设H1提供了实证支持。

6.1.2. 绿色激励
如假设H2所述，数字-绿色政策协同效应不仅通过加强多主体监督来改善外部治理环境，还通过优化政策工具和资源分配来促进公司ESG绩效，从而建立了更精确和有效的绿色激励机制。在数字化和绿色转型的协调推进下，政府利用大数据平台和信息共享机制来提高识别和筛选具有强大绿色转型潜力和创新能力公司的能力。这提高了政策工具的协调性和实施效率。基于这一逻辑，本研究在政府激励和企业行为层面构建了测试指标。在政府层面，绿色财政支持的强度通过环境保护补贴与总资产的比例来衡量。在企业层面，绿色创新通过绿色发明专利申请与总专利申请的比例来衡量，从创新成果的角度反映了企业的绿色投入和技术产出。表7的第（1）和（2）列显示，数字-绿色政策协同效应对公司获得的绿色补贴及其绿色创新水平都有显著积极影响。这些结果表明，在数字-绿色协调下，政府绿色补贴的分配更加有针对性，政策资源更有效地流向了表现出更强意愿和能力进行绿色转型的公司。同时，增加的绿色补贴缓解了与绿色研发活动相关的财务约束和融资压力，从而增强了企业参与绿色技术创新的激励。表7. 机制分析。总体而言，实证发现支持假设H2，表明数字-绿色政策协同效应通过优化激励机制和资源分配结构来促进企业绿色创新和ESG绩效。

6.1.3. 稳定预期
企业ESG投资通常具有较大的前期资本支出、较长的回报期和较强的不可逆性。一旦做出投资决策，企业在短期内面临较高的调整或退出成本。因此，此类战略性投资对宏观经济政策的稳定性非常敏感。根据不确定性理论，当企业感知到较高的经济政策不确定性时，管理者倾向于采取观望态度或减少长期投资，以保持流动性和战略灵活性。这种“实物期权”或“等待”效应显著抑制了对环境治理、绿色研发和社会责任项目的持续投资。假设H3提出，数字-绿色政策协同效应通过提高制度透明度和政策稳定性来减少企业对经济政策不确定性的主观感知。一方面，数字赋能提高了政策实施的透明度和一致性；另一方面，数字赋能提高了政策实施的一致性，减少了地方层面政策波动引起的制度摩擦。另一方面，加强的信息披露和监管协调提高了政策的可预测性和连续性，为市场参与者提供了清晰稳定的信号。这些制度安排有助于改善企业的预期环境并减少感知的不确定性。遵循Zhang等人（2025年）[43]的方法，本研究构建了企业层面的经济政策不确定性感知度量指标，以捕捉企业对政策波动的主观评估。详细变量定义和测量方法见附录A。表7的第（3）列显示，核心解释变量的系数显著为负，表明数字-绿色政策的实施显著降低了企业对经济政策不确定性的感知。总之，数字-绿色政策协同效应提高了制度透明度和政策稳定性，从而改善了企业的预期环境，并增强了它们进行长期ESG投资的信心和激励。这些发现为假设H3提供了实证支持。

6.2. 异质性分析
鉴于企业在技术禀赋、资本结构和财务约束方面的系统差异，数字-绿色政策协同效应对ESG绩效的影响不太可能是同质的。政策冲击是否转化为ESG改善取决于企业将外部制度约束内化到治理和投资决策中的能力，以及它们进行长期资源分配的结构条件。忽略企业异质性可能会掩盖政策效应的真实边际来源，并削弱识别机制。因此，在基线估计的基础上，本研究从三个维度进行了异质性分析：能力基础、资本成熟度和资源约束的强度。首先，关于能力基础，企业的数字化水平通过数字无形资产与总无形资产的比例来衡量，并基于样本中位数进行了子样本回归[44]。该指标反映了企业在信息系统和数字技术上的投资，反映了它们的信息处理、资源整合和流程优化能力。理论上，数字化水平较高的企业更有能力通过数据整合和智能分析将政策要求嵌入生产和运营及公司治理过程中，从而提高ESG绩效。表8的第（1）-（2）列的实证结果表明，数字-绿色政策协同效应在数字化水平较高的企业中具有更强的促进作用。这一发现突出了能力基础在促进政策传递中的调节作用。表8. 异质性分析。其次，在资本成熟度方面，耐心资本通过长期负债与总负债的比例来衡量[45]。较高的长期融资比例意味着更大的财务稳定性和较低的短期偿还压力，从而支持长期战略投资。鉴于ESG改进——特别是绿色技术升级——涉及长期投资周期和延迟回报，具有更多耐心资本的企业更能维持与政策激励相关的ESG投资。表8的第（3）-（4）列的子样本结果表明，政策效应仅在具有较高耐心资本的企业中显著。这表明长期融资结构增强了数字-绿色政策协同效应对ESG绩效的积极影响。最后，关于税收负担，企业根据所得税费用与总利润的比例进行分类[46]。面临较高税收负担的企业通常内部资金更为有限，财务约束更为严格，因此更依赖外部政策支持。表8的第（5）-（6）列显示，数字-绿色政策协同效应在税收负担较高的企业中更为显著。这表明政策激励和支持机制有助于缓解财务约束，并提高企业将资源用于提升环境、社会和公司治理（ESG）水平的能力。总体而言，异质性分析显示，在数字化能力更强、耐心资本更多且税收负担更重的企业中，数字-绿色政策协同效应更为显著，这突显了内部能力和财务结构在塑造政策效果方面的重要性。7. 结论与政策建议在推进“双碳”目标和加速数字经济发展的背景下，通过制度安排实现数字化转型和绿色发展的协调进展已成为促进高质量经济增长的核心问题。现有研究大多采用单一政策视角，分别考察数字政策或绿色政策对企业行为和绩效的影响。虽然这类研究为个别政策工具提供了有价值的见解，但往往忽略了多项政策同时实施可能产生的协同效应。实际上，数字化和绿色发展政策通常是并行实施的，它们之间的互动和制度耦合程度可能显著影响企业的资源配置决策和可持续性战略。

本研究以2010年至2022年间中国A股上市公司为样本，运用差异-in-差异（DID）框架系统地分析了数字-绿色政策协同对企业ESG绩效的影响。结果表明，政策协同显著提升了ESG绩效，并且这一结论在多次稳健性检验中均保持稳健。异质性分析进一步发现，在数字化转型程度更高、耐心资本更多且税收负担更重的企业中，这种效应更为明显。机制分析表明，数字-绿色政策协同通过三个主要渠道促进ESG绩效的提升：加强外部监管力度、增加绿色政府补贴以及稳定企业的政策预期。基于这些发现，提出以下政策建议：

首先，研究发现，数字化与绿色治理的协调发展显著提升了企业的ESG绩效，并推动了绿色转型。这一发现与先前强调数字化转型与环境治理互补关系的研究结果一致。先前的研究表明，数字技术可以提高环境监测效率和资源分配，从而促进绿色发展。在此基础上，我们的研究进一步表明，数字经济战略与绿色转型目标在政策层面的协调对于增强这种协同效应至关重要。因此，加强数字政策和绿色政策的协同推进是必要的。在顶层制度设计层面，应将数字经济战略与绿色低碳转型目标相结合，以提高政策目标的一致性和约束结构的协调性。这有助于避免因政策工具分散或目标不一致而导致的资源错配。建立跨部门协调和数据共享机制，可以促进数字基础设施发展、数据要素流动和绿色治理系统的整合，从而推动技术和环境绩效的同步提升。此外，加强事前政策评估和事后反馈机制，可以确保数字政策与绿色政策在实施时机和激励强度上的动态协调，形成协同的制度框架。

其次，实证结果表明，数字技术显著增强了监管能力，并提高了与ESG相关的政策激励的有效性。这一结果与现有研究一致，这些研究强调了数字工具在提升环境治理效率和减少监管机构与企业之间信息不对称方面的作用。与主要关注数字监控功能的早期研究相比，本研究进一步展示了数字技术在监管执法和激励配置方面的系统性赋能效应。因此，利用数字技术在监管执法和激励配置中的系统性赋能效应尤为重要。应利用大数据、人工智能和区块链等技术，建立系统化、高频且可追溯的环境信息披露和监督平台，以减轻企业与监管机构之间的信息不对称。在激励机制设计方面，应根据企业的ESG绩效数据构建差异化的补贴和税收优惠机制。这种方法将资源分配与减排绩效和绿色创新成果联系起来，从而提高财政资源利用效率和激励措施的边际效果。

第三，研究结果还表明，政策的稳定性和透明度显著影响企业参与长期ESG投资和绿色创新的意愿。这一结果与先前研究一致，这些研究强调政策不确定性会削弱企业进行可持续投资的动力。在此基础上，我们的分析进一步表明，有效的政策预期管理和精心设计的政策工具组合可以减轻制度不确定性，增强ESG治理的长期效果。因此，优化政策预期管理和政策工具组合的配置至关重要。通过明确界定中长期绿色发展目标和政策路径，应提高政策的连续性和透明度，减少制度不确定性对企业投资决策的抑制作用。建立标准化的信息披露和政策评估机制，可以提高政策调整的可预测性和稳定性，从而增强企业对绿色投资和科技创新的长期预期。此外，根据企业规模、行业特征和融资约束的差异，应实施系统化、分层和分类的政策工具组合。这种方法将增强ESG政策的长期激励效应和制度效率。