环境规制下绿色全要素生产率增长的驱动因素解析:环境保护税如何通过污染减排、要素配置与数字智能发挥作用

《Frontiers in Environmental Science》:Disentangling the drivers of green total factor productivity growth: how environmental protection tax acts through pollution reduction, factor allocation, and digital intelligence

【字体: 大 中 小 】 时间:2026年07月23日 来源:Frontiers in Environmental Science 4.4

编辑推荐:

  在高质量发展要求背景下,理解环境规制提升企业绿色全要素生产率(GTFP)的机制是一个关键研究优先事项。采用内生政策冲击视角,本研究考察了2013–2023年间中国A股上市公司。以2018年中国环境保护税法实施为准自然实验,研究人员运用双重差分(DID)模型系统

  
在高质量发展要求背景下,理解环境规制提升企业绿色全要素生产率(GTFP)的机制是一个关键研究优先事项。采用内生政策冲击视角,本研究考察了2013–2023年间中国A股上市公司。以2018年中国环境保护税法实施为准自然实验,研究人员运用双重差分(DID)模型系统评估环境税如何影响企业GTFP,同时考察人工智能(AI)应用和数字化转型(DIG)过程的调节作用。研究揭示了三个主要结果。第一,环境保护税显著提高了重污染企业的GTFP。这一改善主要源于更好的污染减排绩效,并由绿色技术进步驱动,而非运营效率提升。第二,该政策的积极影响在竞争激烈的行业以及受金融分析师关注较少的企业中更为显著。第三,AI应用和数字化转型显著增强了税收的有利效应。这些结果证实,税收主要通过鼓励末端污染控制措施的技术进步来提升GTFP。本文为文献提供了三个新贡献。在理论层面,研究人员采用双重分解方法,将投入产出变化与技术效率变化分离,从而清晰区分了污染削减效应与要素重新配置效应。这揭示了环境税如何通过基于末端解决方案的技术升级促进GTFP,为企业层面检验波特假说提供了新颖的分析框架。其次,研究引入了AI和数字化转型作为环境规制与GTFP关系中的关键调节因素。研究人员表明数字技术是政策有效性的强力放大器,为环境规则与数字创新交叉领域的研究开辟了有前景的新路径。最后,分析考察了政策影响如何随市场竞争程度和外部信息监督水平而变化。这些见解为设计更具针对性的环境政策提供了有用指导。从实践角度看,研究结果可为差异化税率设定、利用数字工具促进绿色转型的支持性政策制定,以及针对不同行业和信息环境企业的针对性措施实施提供信息。总体而言,本文开发的分析框架和实证证据为未来关于绿色创新、政策协调和数字赋能的研究提供了可复制的方法和研究模板,从而在学术界产生潜在的乘数效应。
**论文解读:环境保护税如何驱动绿色全要素生产率增长——基于污染减排、要素配置与数字智能的视角**

**研究背景与问题提出**

在21世纪全球面临气候破坏、生态恶化和资源稀缺的严峻挑战下,实现高质量发展成为各国核心议题。政府间气候变化专门委员会(IPCC)评估显示,2011–2020年全球变暖较工业化前水平约1.1°C,极端天气事件频发,凸显了温室气体与污染物排放对经济-生态耦合系统的不可逆人为影响。价格导向型规制工具,如污染税和碳税,被经济学界广泛认为能内部化环境外部性并优化污染治理的配置效率(Pigou, 1920; Fullerton and Stavins, 1998)。跨国证据表明此类工具既能削减排放又能提升企业生产率,通过创新驱动的合规成本降低,即“创新补偿机制”(Porter et al., 1995),该理论命题被称为“波特假说”(Porter hypothesis),认为适当校准的规制可在生态管理与竞争优势之间产生共赢(Ambec et al., 2013)。

作为全球最大的新兴经济体,中国在加速工业化过程中积累了显著的环境负债(Chen and Golley, 2014)。为追求生态现代化,中国于2018年颁布了《环境保护税法》,将前身排污费制度纳入法定框架,使排放外部性在经济上透明化。然而,关于此类定价信号如何跨行业和技术环境渗透至绿色全要素生产率(GTFP),尤其是数字化和人工智能(AI)等新兴技术是否调节这些关系,仍缺乏系统的实证记录。

绿色全要素生产率(GTFP)在传统全要素生产率(TFP)基础上纳入非期望产出(如SO2、CO2等污染物),从而联合评估经济扩张与环境绩效的动态关系(Oh, 2010)。学术界关于环境规制对GTFP影响仍存在分歧:部分研究验证了波特框架,记录了技术进步和资源重新配置带来的生产率提升(Costantini and Mazzanti, 2012);而对立观点强调合规负担增加可能挤占研发和资本形成,导致生产率拖累(Greenstone et al., 2012; Albrizio et al., 2017)。尽管新兴研究探讨了规制对GTFP的效应及异质性,Wang et al. (2022)发现污染密集型行业中存在显著的生产率提升,且具有空间和创新相关变异,但缺乏分解分析。

作为通用目的技术,数字化转型和AI是可持续生产范式的重要推动力(Bresnahan and Trajtenberg, 1995)。AI架构通过机器学习算法、预测性维护协议和流程优化促进资源节约(Rolnick et al., 2022)。现有研究探讨了数字化与AI对生态创新的直接关联:Zheng and Zhang (2023)记录了数字化转型提升绿色创新能力;Zhang et al. (2025)展示了通过数字基础设施的环境数据收集引导创新轨迹;Li (2025)分析了AI在企业可持续转型中的催化作用,发现效率和技术进步均有改善;Fu et al. (2024)进一步表明AI驱动的创新增益在更严格规制下被放大。然而,数字化和AI如何调节价格型环境规制与GTFP之间的关系仍严重缺乏探索。

关于环境规制与绿色全要素生产率(GTFP)的文献十分丰富,但仍存在三个关键局限:第一,多数研究仅考察规制的总体影响,很少分解GTFP增长的确切来源,技术进步与效率提升的各自作用仍不清晰;第二,对外部条件如何塑造政策结果关注不足,市场竞争和分析师关注等因素可能改变企业响应方式;第三,对数字化转型和AI的研究主要考察其对绿色创新和环境绩效的直接效应,很少将这些技术视为强化或弱化规制与GTFP联系的因素。

为填补这些空白,本文旨在回答三个核心问题:环境保护税究竟如何提升企业绿色全要素生产率?数字和AI技术以何种方式强化这一提升?在哪些外部条件下效应最强?研究提出了三个可检验命题:命题1(路径分解假设):税收主要通过改善污染减排绩效提升GTFP,且当GTFP分解为技术进步和效率变化时,增益主要来自绿色技术进步而非现有技术更高效利用;命题2(情境异质性假设):当企业面临更大外部压力时(如高度竞争行业、分析师关注较少的企业),税收对GTFP的正向效应更强;命题3(技术赋能假设):AI应用和数字化转型强化了税收对GTFP的正向效应。

**研究设计与方法**

本研究以2013–2023年中国A股沪深两市上市公司为初始样本,企业层面数据来自中国研究数据服务平台(CNRDS)和国泰安数据库(CSMAR),城市层面数据来自CEIC、中国城市统计年鉴及省/市统计资料。样本筛选后得到18,301个平衡面板观测值,连续变量经1%双边缩尾处理。主要方法包括:采用加权Russell方向距离函数与双期参考集构建Luenberger生产率指数度量GTFP,并利用其可加性分解为投入产出成分及技术变化(GTC)与效率变化(GEC)子维度;以2018年环境保护税法实施为准自然实验,构建双重差分(DID)模型评估政策效应;采用倾向得分匹配双重差分(PSM-DID)、排除其他政策干扰、增加固定效应等稳健性检验;通过交乘项分析AI和数字化转型的调节作用。

**研究结果**

**1. 基准回归结果与路径分解**

基准DID回归显示,环境保护税使重污染企业GTFP显著提升约0.25个百分点(系数0.0025,1%显著),支持假设1。对GTFP进行投入产出成分分解发现,政策效应主要来自非期望产出(工业废水、SO2、工业烟尘)的减排生产率提升,而资本、劳动、能源投入及期望产出生产率影响不显著,验证了假设2(税收主要通过污染减排渠道提升GTFP)。进一步将非期望产出生产率分解为绿色技术变化(GTC)和绿色效率变化(GEC),发现税收显著提升了三种污染物的GTC,而GEC影响不显著甚至为负,表明税收驱动的“技术推动型”特征——企业通过引进末端治理技术而非优化现有技术效率实现减排,符合波特假说的创新补偿机制。

**2. 情境异质性分析**

**市场竞争强度异质性**:以赫芬达尔指数(HHI)衡量竞争程度,将样本分为高、低竞争组。回归结果显示,高竞争组中did系数为0.0037(1%显著),低竞争组中为-0.0002(不显著),组间差异p=0.013(5%显著)。在控制融资约束和所有制差异后结果稳健。这表明市场竞争与环境税存在互补性:激烈竞争迫使企业通过绿色技术创新应对合规成本压力,而低竞争环境中税收仅被视为合规支出,无法激发创新补偿。

**分析师关注异质性**:以分析师跟踪人数对数衡量关注度,分组回归显示低关注组中did系数为0.0041(1%显著),高关注组中为0.0015(不显著),组间差异p=0.043(5%显著)。在控制媒体监督和机构持股后结果稳健。这表明分析师关注与环境税存在替代性:高关注企业已受市场监督压力,税收边际激励有限;低关注企业缺乏外部监督,税收成为主要驱动力。

**3. 技术赋能机制:AI与数字化转型的调节作用**

通过构造交乘项did×AI和did×DIG检验调节效应。结果显示:did×AI1系数0.0009(5%显著),did×AI2系数0.0013(5%显著);did×DIG1系数0.0008(10%显著),did×DIG2系数0.0847(10%显著)。经济显著性分析表明:AI每增加一个标准差,政策效应增强约51%–55%;数字化每增加一个标准差,政策效应增强约45%–78%。假设3和假设4得到验证。AI通过流程优化与资源重配、加速绿色技术创新、精准监测与合规能力强化等渠道发挥放大作用;数字化转型通过数据驱动环境治理、供应链生态协同、知识传播与技术吸收等渠道增强政策效果。

**4. 机制检验:研发投入强度**

对GTFP的分解表明税收主要通过绿色技术进步(GTC)发挥作用,但缺乏创新投入的直接证据。为此检验税收对研发投入强度的影响,以研发支出/滞后总资产(LRDsz)和研发支出/滞后营收(LRDincome)为因变量。结果显示did系数分别为0.0018(1%显著)和0.0031(1%显著),表明税收显著增加了重污染企业的研发投入强度,为技术驱动路径提供了直接投入侧证据。

**讨论与结论**

**讨论部分**:本研究核心发现——环境保护税显著提升重污染企业GTFP,且主要源于污染减排绩效改善和绿色技术进步——与近期多项实证研究一致(Lu et al., 2025; Li J. et al., 2025; Yang et al., 2024)。方法上通过加权Russell方向距离函数和Luenberger指数可加分解,更精确地识别了政策效应的来源,突出了“末端治理”路径而非要素配置优化。异质性分析中,市场竞争与税收的互补性、分析师关注与税收的替代性,分别与Li and Jin (2024)和Zhao and Yang (2023)的结论相呼应。AI和数字化转型作为政策放大器的发现,与Li L. et al. (2025)和Yin et al. (2023)的研究一致,表明数字技术可显著增强环境规制的绿色创新效应。

**研究结论部分**:本研究回答了三个核心因果问题:环境保护税如何提升企业绿色全要素生产率(GTFP)?在哪些外部条件下效应更强?数字智能技术如何放大该效应?主要发现如下:第一,税收显著提高了重污染企业的GTFP,增益主要来自污染减排绩效改善,尤其是SO2和工业废水排放的显著降低,而资本、劳动、能源投入生产率改善有限。当GTFP进一步分解为技术变化(GTC)和效率变化(GEC)时,全部正向效应由绿色技术进步(GTC)驱动,效率改进(GEC)可忽略甚至为负,表明税收短期内通过“末端解决方案驱动技术升级”发挥作用,而非压榨现有方法,这支持了波特假说的创新补偿机制。第二,税收对GTFP的正向影响在竞争激烈的行业和分析师覆盖较少的企业中更强,且两种效应均通过技术进步渠道运行。第三,AI应用和数字化转型均正向调节税收对GTFP的效应,交互项(did×AI和did×DIG)显著为正,表明数字智能能力更强的企业更有效地将规制压力转化为生产率增益。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号