人工智能的应用与绿色创新：基于广义随机森林的非线性视角分析

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：Artificial intelligence adoption and green innovation: Insights from a nonlinear perspective using generalized random forests

　　马丽梅|孙学林|李新毅|陈赞宇|梁亚东•人工智能通过流程与资源优化推动绿色创新。•我们运用广义随机森林方法揭示人工智能的非线性作用机制。•人工智能在促进绿色创新方面作用显著，但其效果因企业规模和所有权结构而异。•我们识别出三种传导路径：绿色全要素生产率、高技能劳动力以及数字经济与实体经济的融合。引言绿色创新已成为应对污染控制与经济发展双重压力、推动传统技术绿色转型的关键途径。然而，由于流程冗余和资源分配效率低下，企业往往难以实现绿色创新投入与产出的匹配，从而导致“绿色创新效率低下”问题。流程冗余会延长研发周期并增加成本，阻碍绿色技术的有效发展，进而延缓产业转型。资源分配失衡则会分散创新要素，导致核心资产利用率下降，削弱规模经济效应和协同效应，降低整体投入产出效率。在此背景下，以中国为代表的国家纷纷探讨利用人工智能来缓解绿色创新效率低下的问题。一些政策制定者主张通过提升人工智能应用水平来增强效率与竞争力，而另一些人则担心过度依赖人工智能可能会引发数字悖论和反噬效应，进而损害可持续性并加剧资源失衡（Gebauer等人，2020；陈等人，2024）。因此，核心争议在于人工智能能否有效提升企业的绿色创新能力。目前关于人工智能驱动绿色创新的研究涵盖了宏观制度层面与微观组织层面。从宏观视角来看，跨国制裁等外部冲击会限制绿色创新，尤其是在发展中国家（傅和常，2024）；从微观视角来看，人工智能作为重要的内部催化剂，与ESG治理和数字化转型相结合，能够提升企业的绿色创新能力，从而助力实现可持续发展目标（Saiyed等人，2025；易等人，2025）。不过，现有研究大多采用静态视角，忽视了人工智能赋能过程的非线性动态演变，这在相关研究中存在重要的理论缺口。尽管人们越来越认识到人工智能对绿色创新的重要性，但现有文献仍存在若干不足。首先，在解释人工智能在绿色创新驱动机制中的作用方式方面还存在空白，尤其是其在复杂系统中优化流程与资源分配的能力。作为人工智能优势的核心体现，流程与资源优化使得企业能够重新构建运营流程，并重新配置有形生产要素（Davenport和Ronanki，2018；Enholm等人，2022；Sj?din等人，2023）。其次，现有文献往往将人工智能视为具有线性效应的普通投入要素，忽视了不同应用水平所带来的非线性收益（Al Halbusi等人，2025；徐和林，2025）。人工智能的应用实际上是一个动态的重构过程，而非静态的资源。在初期，人工智能仅作为一种提升效率的工具；随着应用深入，它会融入企业日常运营中，提升企业识别市场机会和创造价值的能力。然而，现有研究并未充分探讨这一从“技术工具”到“动态能力”的非线性演变过程。第三，人工智能对不同企业特征的差异化影响尚未得到充分研究。现有研究主要采用传统的因果推断方法来估算平均处理效应，而忽视了企业层面的差异性（钟和宋，2025）。因此，研究非线性的条件处理效应对于明确人工智能带来经济与环境效益的边界条件至关重要，也能为企业制定差异化战略提供有力依据。鉴于上述研究缺口，中国的实践情境具有重要的理论与政策借鉴价值。中国已在全球人工智能领域迅速崛起，建立了完善的产业生态系统和强大的技术产出基础设施。然而，中国仍面临严峻的环境挑战，亟需通过技术发展与政策支持来解决这些问题。尤为重要的是，中国政府通过国家新一代人工智能创新应用试点区等战略推动产业数字化，并致力于实现2030年碳排放达峰、2060年碳中和的双碳目标（冯等人，2025）。因此，中国在绿色创新中应用人工智能不仅受市场效率驱动，还受到政策要求的推动，这为研究强有力的国家干预如何加速人工智能与可持续发展的结合提供了“天然实验室”。中国与其他发展中国家有许多相似之处，中国关于人工智能与绿色经济的研究成果，对于其他发展中国家借助人工智能技术发展绿色经济具有重要的实践意义（杨和刘，2024）。本文利用2007年至2024年间5079家中国上市公司的面板数据，研究了人工智能应用对企业绿色创新的影响。研究结果表明，人工智能通过流程优化和资源优化推动绿色创新，其作用机制包括互补效应、倍增效应以及知识溢出效应。具体而言，人工智能通过促进数字经济与实体经济的融合、提升企业的绿色全要素生产率以及增加对高技能劳动力的需求，来推动绿色创新。为进一步探究非线性和差异化效应，我们采用广义随机森林框架重新估计了二者之间的关系。与传统计量经济模型相比，广义随机森林无需预设线性函数形式，因此在捕捉人工智能对绿色创新影响的非线性关系、复杂交互效应以及差异化响应方面更具灵活性。此外，作为一种基于多棵决策树的集成方法，它能够获得更稳定的估计结果。同时，其递归分割框架在估计条件平均处理效应方面尤为有效，非常适合用于分析差异化因果效应。该方法的诚实估计流程将样本分割与叶级效应估计分开，从而降低了自适应偏差，提升了统计推断的可信度。机制分析显示，三大传导路径存在显著差异：在绿色全要素生产率较高的企业中，人工智能的处理效应更为显著；与高技能劳动力相关的效应在较低水平时较强，但超过一定阈值后会逐渐减弱；而随着数字经济与实体经济融合程度的提高，人工智能对绿色创新的处理效应则会出现下降。本文结构如下：第二部分阐述本研究的假设与理论框架；第三部分介绍模型构建、变量说明及数据来源；第四部分呈现研究结果；第五部分进行差异化分析；第六部分分析研究中的作用机制；第七部分对研究结果进行综合讨论；第八部分给出结论。研究假设与理论框架作为一种变革性的技术范式，人工智能通过打破传统生产模式，促使闲置资源向高效、高附加值的活动流动，从而创造价值（Wang等人，2025b）。绿色创新正是这种技术驱动的价值创造过程的典型体现。与此同时，人工智能的应用也深刻改变了企业与其外部环境的互动方式以及内部运营模式（Martínez-Caro等人，2020；宁等人，2023）。因变量：绿色创新本文的因变量为企业绿色创新。根据Hussain等人的研究（2024），绿色创新可通过上市公司提交的绿色发明专利申请数量来衡量。为增强结果的稳健性，研究还采用了其他衡量指标，包括已获批的绿色发明专利数量，以及绿色专利的申请量和获批量。核心解释变量：人工智能应用由于缺乏企业层面的人工智能使用数据，我们采用了基于机器学习的方法来进行分析。基线结果表2展示了企业人工智能技术应用程度与其绿色创新绩效之间关系的基线回归结果。估计结果显示，人工智能应用每增加1%，企业的绿色创新产出平均增长约0.08%。这一正相关关系表明，人工智能的整合提升了企业的创新效率与环境绩效，为假设1提供了初步支持。为进一步探究……基于非线性估计的差异化分析TWFE模型能够捕捉总体层面的平均处理效应，但却无法考虑企业间的差异性。相比之下，广义随机森林框架可以估算个体处理效应，从而更细致地理解不同企业的差异化反应。图3展示了人工智能对绿色创新影响效应的分布情况。大多数观测值集中在0到0.2之间，表明存在积极且集中的处理效应。该分布……机制分析为更深入地了解人工智能影响绿色创新的潜在机制，我们分析了三种可能的传导路径：数字经济与实体经济的融合（AI_real）、绿色全要素生产率（GTFP）以及高技能劳动力（Labor_p）。数字经济与实体经济的融合程度通过当年引用非数字技术专利的人工智能专利申请数量来衡量，数据来源于Wind和IncoPat数据库。绿色全要素生产率则采用非辐射型Slacks-Based方法进行测量。制度约束与社会影响在中国背景下，人工智能的应用并非单纯由市场驱动，而是受到自上而下的制度设计影响，并依托强大的国家力量得以实现。与完全依赖市场机制配置资源的自由主义范式不同，中国将市场作为工具，使企业的技术应用与国家的可持续发展目标相契合（Sigley，2006）。政府设定的严格“双碳”目标——2030年实现碳排放达峰、2060年实现碳中和——为人工智能在绿色创新中的应用设置了明确的约束条件。研究发现总结基于2007年至2024年中国上市公司的面板数据，本研究通过文本分析量化了企业层面的人工智能应用程度，并采用广义随机森林方法对差异化效应进行了估算。实证研究结果可总结如下：首先，人工智能应用提升了企业的绿色创新绩效，而且随着企业对人工智能技术应用深度的增加，绿色创新方面的收益也会大幅上升。其次，非线性差异化分析表明，人工智能对绿色创新的影响存在……贡献声明马丽梅：撰写——审阅与编辑、撰写——初稿、监督、项目管理。孙学林：撰写——审阅与编辑、撰写——初稿、方法论、概念构建。李新毅：方法论、数据整理、概念构建。陈赞宇：形式分析、数据整理、概念构建。梁亚东：撰写——审阅与编辑、撰写——初稿、形式分析、数据整理、验证。资金来源本研究得到了中国国家社会科学基金[24FJYB040]以及深圳大学中国经济特区研究中心[CCSEZR2026]的资助。马丽梅（第一作者）是深圳大学中国经济特区研究中心的副教授，她拥有中国社会科学院的管理学博士学位，主要研究领域为环境经济学和能源经济学。