《Systems》:Can Artificial Intelligence Adoption Mitigate the Green Innovation Bubble in Enterprises? Empirical Evidence from Chinese A-Share Listed Firms
编辑推荐:
人工智能(AI)作为现代时期的前沿技术,在促进生态与可持续发展方面发挥着关键作用。研究人员利用2014—2023年中国A股企业的纵向数据,实证考察了AI整合如何影响企业绿色创新泡沫及其作用机制。研究证据表明,AI采纳对这类泡沫具有显著抑制作用;AI使用水平每提
人工智能(AI)作为现代时期的前沿技术,在促进生态与可持续发展方面发挥着关键作用。研究人员利用2014—2023年中国A股企业的纵向数据,实证考察了AI整合如何影响企业绿色创新泡沫及其作用机制。研究证据表明,AI采纳对这类泡沫具有显著抑制作用;AI使用水平每提高1个标准差,绿色创新泡沫相应下降约0.108个标准差。该发现经过多重稳健性检验后仍然成立。机制分析显示,AI通过提升绿色全要素生产率(GTFP)并降低过度管理费用来缓解绿色创新泡沫。此外,数字金融环境的扩展与信息资产的开发强化了人工智能的这种抑制效应。异质性分析表明,这种影响在国有控股企业、非污染行业企业以及总部位于中国东部地区的企业中更为显著。总体而言,研究结果为AI采纳有助于治理低效且膨胀的绿色创新活动提供了较强的经验证据,但鉴于数据具有观察性特征且识别策略存在局限,对结果的因果解释仍需保持谨慎。
该文发表于《Systems》,聚焦数字经济背景下企业绿色转型中的一个关键现实问题:绿色创新并不必然等同于高质量绿色发展,企业可能在信息不对称、监管识别有限和市场评价偏重“可见产出”的条件下,形成“数量扩张快于质量提升”的绿色创新泡沫。论文指出,高质量绿色创新通常具有高资本投入、研发周期长和成功率较低等特征,而低质量绿色创新更容易以较低成本快速形成外部可见成果,例如绿色专利申请数量快速增长,但技术新颖性、商业化潜力与生态贡献不足。这一现象不同于一般意义上的漂绿,也不同于通常强调投入产出失衡的创新低效率,而是特指出现在产出端的“数量—质量错配”。在此背景下,研究人员关注人工智能(AI)这一新兴通用技术是否能够通过改善资源配置、提升治理效率而抑制企业绿色创新泡沫,这一问题具有重要的理论与政策意义,因为它关系到企业绿色创新究竟会走向实质性转型,还是沦为符号化环境表演。文章也据此回应了现有研究的不足:既有文献较多讨论环境规制、企业资源、管理者特征、企业社会责任与环境、社会和治理(ESG)表现对绿色创新的影响,但对绿色创新结果的质量分化关注不足,尤其缺少关于AI能否改善绿色创新真实性与有效性的系统经验证据。
在研究设计上,研究人员以2014—2023年中国A股上市公司为样本构建非平衡面板,剔除金融业、房地产业、ST与*ST企业及样本期内首次公开募股(IPO)企业,并对连续变量进行1%和99%分位数缩尾处理。企业财务数据来自Wind,专利数据来自CSMAR,年报文本来自沪深交易所官网,数字金融变量采用北京大学数字普惠金融指数。核心被解释变量为企业绿色创新泡沫,主要依据绿色专利申请数量与绿色专利授权数量之间的差异并标准化得到,同时构造行业—年份标准化申请—授权缺口、绿色专利授权率倒数指标、绿色发明专利授权率指标及两年前申请与当期授权匹配的队列转化率指标进行敏感性检验。核心解释变量为AI,依据企业年报中AI相关关键词频次构造,并辅以AI专利申请和按员工机器账面价值衡量的经营性AI采纳代理变量进行替代检验。计量上采用双向固定效应模型,并辅以工具变量两阶段最小二乘法(2SLS)、Oster系数稳定性检验、企业固定效应、系统广义矩估计(System GMM)与倾向得分匹配(PSM)识别内生性和选择偏误。机制变量包括绿色全要素生产率(GTFP)与过度管理费用,调节变量为数字金融(DIF)与数据资产(Data)。
研究结果部分围绕多个小标题逐步展开,并形成较为完整的经验证据链。
在“Descriptive Analysis”部分,研究人员首先报告变量分布特征。企业绿色创新泡沫均值为负、最大值较高,说明不同企业间绿色创新泡沫程度存在显著差异;AI变量呈右偏分布,且标准差较大,反映企业AI采纳水平存在明显异质性。这为后续识别AI与绿色创新泡沫之间的关系提供了样本基础。
在“Correlation Analysis”部分,主要变量相关性分析显示,AI与绿色创新泡沫之间存在显著负相关,初步支持AI可能抑制绿色创新泡沫的判断。同时,控制变量之间的最大相关系数较低,平均方差膨胀因子(VIF)为1.23,表明模型不存在显著多重共线性问题。这一部分的作用在于从统计关联层面为后续回归结果提供预备性支持。
在“Baseline Regression”部分,文章给出了核心结论。无论是否加入控制变量、年份固定效应、行业固定效应,以及是否按企业层面聚类稳健标准误,AI系数始终显著为负,说明AI采纳能够有效抑制企业绿色创新泡沫,并支持更具实质性的绿色创新发展。就经济意义而言,AI采纳提高1个标准差,与绿色创新泡沫下降约0.108个标准差相关,这一变化约相当于样本均值的29.6%,表明该影响不仅在统计上显著,在经济上也具有较强意义。这一部分实证支持了假设H1,即人工智能对企业绿色创新泡沫具有抑制作用。
在“Robustness Test”部分,研究人员从多个角度检验结论稳定性。其一,在“Measurement Robustness”中,同时替换解释变量与被解释变量,发现当采用技术导向较强的AI测度以及基于绿色发明专利授权率的泡沫指标时,AI的抑制效应依旧成立,但并非在所有测度方案下都完全一致,因此文章强调主结论具有条件性稳健,而不宜被过度泛化。其二,在“Exclude Some Years”中,剔除2021—2022年这一特殊公共卫生事件影响期后,结果依然显著。其三,在“Exclude the Samples of Enterprises in Special Cities”中,剔除北京、重庆、上海和天津四个直辖市样本后,结果仍显著为负。其四,在“Add Provincial Fixed Effects”中,进一步控制省份固定效应后,AI系数仍然显著。其五,在“Addressing Endogeneity”中,文章综合采用同省其他企业AI平均水平与企业AI两期滞后值作为工具变量,辅以Oster检验、企业固定效应、系统GMM和PSM。Oster检验结果表明遗漏变量偏误不足以推翻主结论;PSM匹配后处理组与对照组可比性明显提高,AI系数仍显著为负。系统GMM中AI系数方向与基准回归一致但未达到常规显著性水平,研究人员据此保持审慎,不做过强因果推断。整体上,这些检验增强了主结论的可信度,也体现出作者对识别局限的克制态度。
在“Inspection of Mechanism Channels”部分,文章检验了两条机制路径。第一条路径是绿色全要素生产率(GTFP)。回归结果表明,AI显著提升企业GTFP,说明AI有助于提高资源利用效率、强化环境监测与污染控制、支持绿色产业发展并推动清洁能源应用。然而,中介效应结果仅提供了有限支持,即虽然更高的GTFP可能帮助企业将更多高质量资源配置至绿色创新活动,但其作为AI抑制绿色创新泡沫的稳健传导渠道,证据相对较弱,因此假设H2仅获得启示性支持而非强支持。第二条路径是过度管理费用。结果显示,AI显著降低过度管理费用,且这一机制能够解释AI对绿色创新泡沫的抑制效应。论文据此认为,AI通过提升内部信息透明度、削弱股东与管理层之间的代理冲突、减少管理层寻租与异常支出,同时释放内部现金流用于支持高质量绿色创新,从而抑制绿色创新泡沫,假设H3因此获得支持。
在“Test of Moderating Effect”部分,研究人员考察外部金融与内部信息资源条件是否强化AI作用。结果显示,AI与数字金融(DIF)的交互项显著为负,表明数字金融会增强AI对绿色创新泡沫的抑制作用,支持假设H4。文章解释为,数字金融能够纠正传统金融体系中的金融资源错配,缓解融资约束,为企业AI部署和高质量绿色创新战略提供资金支持。与此同时,AI与数据资产(Data)的交互项也显著为负,说明数据资产积累越充分,AI的治理作用越强,支持假设H5。数据资产有助于降低代理问题、提升内外部资源配置效率,并强化企业间信息传递与协同,为AI有效应用创造更优的信息环境。进一步的整合分析表明,数字金融的调节作用存在区域边界:在东部地区,AI × DIF并不显著,而在中西部地区显著为负,意味着数字金融并非在东部机械性更强,而是在传统融资和信息基础设施相对薄弱的中西部地区,其对AI的互补作用更为突出。
在“Heterogeneity Analysis”部分,文章分别从企业规模、所有制、污染强度与区域四个维度识别差异。首先,在“Firm Size Heterogeneity”中,AI对大型企业和中小企业的绿色创新泡沫均表现出显著负向影响,但组间差异不显著,说明AI的泡沫抑制作用在不同规模企业中总体可比。其次,在“Ownership Heterogeneity”中,AI在国有企业(SOEs)中的抑制效应显著强于民营企业,且交互差异检验在5%水平显著。文章认为,这可能与国有企业面临更强的环保考核和公众监督、同时拥有更优资源禀赋和更标准化的AI实施条件有关。再次,在“Pollution Intensity Heterogeneity”中,AI对清洁行业企业的抑制作用强于重污染行业,组间差异在1%水平显著,表明重污染行业的绿色创新泡沫更多受合规压力与监管约束塑造,刚性更强,对AI驱动的效率改善反应相对较弱;而清洁行业中的泡沫更可能源于信息摩擦和预期驱动,因此AI的信息处理与甄别能力更易发挥作用。最后,在“Regional Heterogeneity”中,AI对东部地区企业的抑制作用强于中西部地区,组间差异边际显著。这说明东部地区更成熟的数字基础设施与AI应用条件,有助于企业更有效监督创新过程并提升创新质量。
论文的讨论与结论部分对上述发现进行了系统收束。研究人员认为,AI作为新一轮技术进步和产业升级的核心驱动力,已经深度嵌入企业创新轨迹,并显著重塑了中国企业的绿色创新实践。基于2014—2023年中国A股上市公司数据的实证分析显示,AI显著抑制企业绿色创新泡沫,这一结论在多种稳健性检验下总体成立;同时,AI主要通过降低过度管理费用发挥较为清晰的治理作用,而通过提升绿色全要素生产率产生的中介作用证据相对有限;此外,数字金融发展和数据资产积累能够进一步强化AI的泡沫抑制效应。总体来看,文章支持这样一种判断:AI采纳有助于治理膨胀且低效的绿色创新活动,但由于样本属于观察性数据、工具变量排除性限制无法被直接验证、系统GMM结果仅具补充性质,因此对因果关系的解释必须保持审慎。
结论部分可译述为:作为新一轮技术进步与产业升级的核心驱动力,人工智能(AI)已深度嵌入企业创新进程,并深刻重塑中国企业的绿色创新实践。基于2014—2023年中国A股上市公司纵向数据,研究人员实证检验了AI对企业绿色创新泡沫的影响及其作用机制。结果表明:第一,AI显著抑制企业绿色创新泡沫,且该结论在多种稳健性检验下依然成立;第二,AI通过提升绿色全要素生产率(GTFP)与抑制过度管理费用来缓解绿色创新泡沫;第三,数字金融的发展与数据资产的积累进一步放大了AI的泡沫抑制效应。总体而言,现有证据支持AI采纳有助于治理膨胀且低效的绿色创新活动,但对研究发现仍应作出适度审慎的解释。
从学术意义看,该研究将AI研究从一般数字化赋能、效率提升与绿色创新促进,进一步推进到“绿色创新质量治理”层面,强调不仅要关注企业是否开展绿色创新,更要识别其是否具有真实技术深度与环境价值;同时,文章也揭示了数字金融和数据资产在AI治理效应中的互补性作用。就政策启示而言,论文主张推动“AI+绿色创新”深度融合,重构可持续创新协同体系,并完善数字金融支持机制,从而引导企业绿色创新由数量扩张转向质量提升。不过,文章也明确指出样本外推性、AI测度精度、绿色创新泡沫识别方式与因果识别等方面仍存在局限,未来研究可结合跨国面板、更丰富的企业级AI投入数据以及专利引用、专利维持期、商业化结果和环境绩效等信息,进一步增强对绿色创新泡沫的刻画与识别。