《Sustainability》:Artificial Intelligence and Firms’ Environmental Cost Pressures: Mechanisms, Spillover Effects, and Optimization Pathways
编辑推荐:
在日益严格的全球环境约束和不断上升的企业环境成本压力背景下,人工智能(AI)为绿色降本和转型提供了新途径。然而,由于转型成本、技术兼容性和行业标准等限制,AI能否有效降低成本并赋能企业仍不确定。基于此,本研究以2018-2024年中国沪深A股上市公司面板数据为
在日益严格的全球环境约束和不断上升的企业环境成本压力背景下,人工智能(AI)为绿色降本和转型提供了新途径。然而,由于转型成本、技术兼容性和行业标准等限制,AI能否有效降低成本并赋能企业仍不确定。基于此,本研究以2018-2024年中国沪深A股上市公司面板数据为样本,系统实证检验了AI对企业环境成本压力的影响、传导机制、边界条件及空间溢出特征。研究发现,AI能显著缓解企业环境成本压力,该结论在多重稳健性检验和内生性检验后依然成立。调节效应表明,企业绿色治理意愿和区域数字监管环境能正向强化其降本效应。在机制层面,AI可通过促进绿色技术创新和优化生产要素配置两条路径间接降低企业环境成本。进一步研究证实,AI具有显著的正向空间溢出效应,能助力区域企业实现环境成本协同降低。本研究从数字赋能视角丰富了企业环境成本治理的理论框架,为企业的绿色数字化转型、政府数字-绿色支持政策的细化以及新兴经济体的低碳发展提供了经验参考和实践启示。
**论文解读:人工智能赋能企业环境成本压力的机制与优化路径研究**
**1. 研究背景与问题**
在全球气候恶化、资源枯竭及环境污染加剧的背景下,生态环境治理已成为全球经济可持续发展的核心议题。联合国2030年可持续发展议程及各国碳中和战略的推进,正迫使全球工业体系加速向绿色低碳转型。环境合规、污染治理、节能减排等逐渐成为企业运营的强制性要求,导致环境成本内生化成为企业发展的必然趋势。传统的高能耗、高排放、粗放型经营模式难以为继,企业面临的环境成本压力持续攀升,严重挤压了利润空间与发展韧性。如何有效缓解环境成本压力,实现绿色低碳与经济效益的协同发展,成为当前企业转型发展的核心挑战。
数字经济和绿色经济的深度融合为解决企业环境成本困境提供了新路径。人工智能(AI)作为新一代数字技术的核心载体,凭借实时感知、数据建模、智能调度、精准预测等优势,正在重塑企业环境治理模式与成本形成逻辑。然而,企业在依赖AI缓解环境成本压力时,仍面临诸多现实约束,如智能绿色技术研发投入大、传统企业数字化基础薄弱、AI赋能环境治理的标准体系不完善以及数据安全等潜在风险,导致AI对企业环境成本压力的缓释效果存在不确定性。因此,厘清AI与企业环境成本压力的内在关系、探讨赋能机制、优化转型路径,具有重要的现实紧迫性。
目前学术界关于AI绿色赋能效应的研究,多聚焦于企业整体绿色绩效和减排效果,缺乏专门针对环境成本压力这一核心维度的系统性分析,且结论存在分歧,未能形成统一的理论分析框架。基于此,本研究的核心问题聚焦于:AI能否显著缓解企业环境成本压力?其核心传导机制是什么?赋能效应在不同企业、行业及制度背景下是否存在异质性?如何构建最优路径以最大化AI的降本增效价值?
**2. 研究方法**
本研究以2018-2024年中国沪深A股上市公司为样本,构建了涵盖多行业的面板数据集,最终获得13,684个有效年度-企业观测值。主要采用了以下关键技术方法:
* **文本挖掘与指标合成法**:通过文本挖掘上市公司年报中AI相关关键词词频,并结合企业AI研发投入、智能设备投资及AI专利数据,采用熵权法合成企业AI应用水平的综合指标。
* **多维综合评价体系构建**:利用熵权法综合污染治理支出、环保设备折旧、能源采购成本、固废处置费等显性成本指标,以及合规风险成本、声誉损失、绿色融资约束成本等隐性成本,合成了企业环境成本压力(ECP)的综合指数。
* **计量经济学模型**:构建了包含行业和年份双向固定效应的基准回归模型,以检验AI对企业环境成本压力的直接效应。同时,引入了交互项模型检验绿色治理意愿(GGC)和区域数字监管环境(DRE)的调节效应,并采用逐步回归法和Bootstrap法检验了绿色技术创新(GTI)和生产要素配置优化(FAC)的中介效应。
* **空间计量模型**:采用全局莫兰指数(Moran's I)检验空间自相关性,并构建了双向固定效应的空间杜宾模型(SDM),通过偏微分分解方法将总效应分解为直接效应和间接效应(空间溢出效应),以检验AI的空间溢出特征。
* **内生性处理**:采用行业层面(同行业其他企业AI平均应用水平)和区域层面(同区域其他企业AI平均应用水平)的双层工具变量,运用两阶段最小二乘法(2SLS)纠正内生性偏误。
**3. 研究结果**
**3.1. 基准回归与稳健性检验**
基准回归结果表明,在逐步加入控制变量、年份固定效应和行业固定效应后,AI的系数始终在1%水平上显著为负,验证了假设H1:AI技术的应用能够显著缓解企业的环境成本压力。经济意义上,AI应用水平每提高一个标准差,企业环境成本压力相对于样本均值降低11.3%。通过平行趋势检验、随机安慰剂检验以及使用行业和区域双层工具变量的2SLS回归,进一步证实了该结论的稳健性和因果关系的真实性。
**3.2. 调节效应检验**
* **企业绿色治理意愿(GGC)的正向调节作用**:交互项AI×GGC的系数显著为负(-0.042),表明企业绿色治理意愿能正向强化AI的降本效应。分组回归显示,在GGC高的组别中,AI的降本效应更强(-0.182 vs -0.265),验证了假设H2。
* **区域数字监管环境(DRE)的正向调节作用**:交互项AI×DRE的系数显著为负(-0.035),表明区域数字监管环境能正向强化AI的降本效应。分组回归显示,在DRE高的组别中,AI的降本效应更显著(-0.195 vs -0.268),验证了假设H3。
**3.3. 中介效应检验**
* **绿色技术创新(GTI)的中介作用**:AI对GTI的回归系数显著为正(0.316),表明AI能显著促进企业绿色技术创新。在同时加入AI和GTI后,AI系数绝对值下降,GTI系数显著为负,且Bootstrap检验显示中介效应占比为33.60%,验证了假设H4:AI通过驱动绿色技术创新间接降低企业环境成本。
* **生产要素配置优化(FAC)的中介作用**:AI对FAC的回归系数显著为正(0.283),表明AI能显著优化要素配置效率。在同时加入AI和FAC后,AI系数绝对值下降,FAC系数显著为负,Bootstrap检验证实了中介效应,验证了假设H5:AI通过优化要素配置间接降低企业环境成本。
**3.4. 空间溢出效应检验**
全局莫兰指数(Moran's I)检验显示,2018-2024年期间,AI应用水平和企业环境成本压力均表现出显著的正向空间集聚特征。空间杜宾模型(SDM)的效应分解结果显示,AI的直接效应(-0.238)和间接效应(-0.046)均显著为负,表明AI不仅降低本企业环境成本,还能通过技术扩散和产业协同对邻近区域企业产生正向空间溢出效应,验证了假设H6。
**3.5. 异质性分析**
* **区域位置异质性**:AI的降本效应在东部地区显著,而在中西部地区不显著。
* **行业属性异质性**:AI的降本效应在重污染行业中更为显著和强烈。
* **企业规模异质性**:AI的降本效应在大中型企业中更为显著,而在中小微企业中较弱。
**4. 研究结论与讨论**
本研究基于2018-2024年中国沪深A股上市公司面板数据,系统考察了人工智能对企业环境成本压力的影响。研究结论表明,AI能显著缓解企业环境成本压力,该效应通过促进绿色技术创新和优化生产要素配置两个中介路径实现,并受到企业绿色治理意愿和区域数字监管环境的正向调节。此外,AI的降本效应具有显著的正向空间溢出效应,且在东部地区、重污染行业及大中型企业中更为突出。
基于上述结论,研究提出了差异化的优化路径:企业应根据自身规模、行业属性和排污特征,走差异化、低成本的智能绿色转型之路;政府应实施差异化扶持与配套治理政策,精准助力企业智能绿色转型。本研究的样本仅覆盖A股上市公司,未涉及中小微企业,且未区分AI技术类型,未来可扩大样本范围、丰富技术异质性分析,并引入动态阈值模型,进一步探究AI绿色赋能的动态边界与最优区间。