《Sustainability》:Artificial Intelligence and Carbon Emissions of Manufacturing Enterprises in China
编辑推荐:
研究人员考察了人工智能应用与中国制造业企业碳排放之间的关系。研究发现,人工智能能够抑制制造业企业的碳排放强度。人工智能水平每增加一个单位,碳排放强度平均下降0.009个单位。具体而言,人工智能通过促进制造业企业的绿色创新、全要素生产率和分析师监督,从而抑制其企
研究人员考察了人工智能应用与中国制造业企业碳排放之间的关系。研究发现,人工智能能够抑制制造业企业的碳排放强度。人工智能水平每增加一个单位,碳排放强度平均下降0.009个单位。具体而言,人工智能通过促进制造业企业的绿色创新、全要素生产率和分析师监督,从而抑制其企业碳排放强度。异质性分析表明,人工智能的抑制效应在国有企业、污染企业和存在融资约束的企业中更为显著。总体而言,本研究为发展中国家平衡工业化进程与气候责任提供了政策启示。
**研究背景与问题**
在全球气候变化背景下,碳排放已成为影响国际话语权的关键议题。制造业作为全球碳排放的核心部门,其排放具有根本性和大规模特征,涵盖了从资源开采到产品交付的整个价值链。然而,现有学术研究多采用宏观分析范式,对制造业微观运行机制探讨不足;制造业脱碳长期依赖传统工艺优化和能效提升技术,面临工艺布局僵化、改造成本高昂、边际减排效益递减等固有约束。人工智能作为通用目的颠覆性技术,已深度融入工业生产、创新和运营全链条,但其在碳排放治理中的应用仍缺乏系统性理论框架。因此,研究人员以中国制造业上市公司为样本,考察人工智能技术对碳排放的功能机制,旨在揭示技术驱动减排路径的优化潜力,为碳治理提供科学依据。
**研究内容与结论**
研究人员基于2010—2022年中国制造业上市公司数据,通过文本分析构建企业人工智能发展水平指标,实证检验了人工智能对碳排放的影响。研究发现,人工智能能够显著抑制制造业企业的碳排放强度:人工智能水平每增加一个单位,碳排放强度平均下降0.009个单位。机制分析表明,人工智能通过技术赋能(促进绿色创新)、生产赋能(提升全要素生产率)和监管赋能(增强分析师关注)三条路径降低碳排放。异质性分析显示,人工智能的抑制效应在国有企业、污染企业以及融资约束较强的企业中更为显著。该研究发表于《Sustainability》,其重要意义在于:拓展了人工智能经济后果的文献,将其与企业财务、绿色金融相结合;证实了新兴技术通过工业实践抑制企业碳排放的效果;为制造业绿色转型提供了方法论指导,有助于政府制定差异化产业政策。
**主要关键技术方法**
研究人员选取2010—2022年中国沪深两市制造业上市公司为样本,企业碳排放数据及控制变量数据来源于CSMAR(中国股票市场与会计研究数据库)。人工智能水平以企业年报中人工智能相关关键词的披露频率度量,并采用人工智能投资额和专利数量作为替代变量进行稳健性检验。模型设定为OLS回归模型,控制行业和年份固定效应,标准误聚类在企业-年份层面。内生性处理采用宽带中国战略作为工具变量,以及倾向得分匹配法。机制分析以绿色专利数据(CNRDS)、全要素生产率(LP半参数法)和分析师关注度(CSMAR)为中介变量。
**研究结果**
**4.1 描述性统计**:结果显示,碳排放强度(CE)均值为0.418,最小值为0.037,最大值为2.286,表明不同企业间碳排放水平差异明显。人工智能水平(AI)均值为0.254,最小值为0,最大值为2.773,说明人工智能应用状况在样本企业中差异较大。
**4.2 相关性分析**:AI与CE的相关系数为-0.185,在1%水平上显著,表明人工智能与碳排放之间存在显著负相关。所有变量间相关系数绝对值均未超过0.7,不存在严重多重共线性。
**4.3 主回归**:基准回归结果(表4)显示,在控制年份和行业固定效应后,逐步加入企业特征和治理特征控制变量,AI的回归系数始终显著为负。列(3)表明,AI每增加一个单位,碳排放强度平均下降0.009个单位,验证了假设H1,即人工智能能显著抑制制造业企业碳排放。
**4.4 内生性检验:工具变量法**:利用2013年国务院发布的宽带中国战略,定义虚拟变量Broadband,企业位于示范城市且观测年份在正式设立年份及之后取1,否则取0。第一阶段回归(表5列(1))显示Broadband显著促进企业人工智能发展;第二阶段回归(列(2))显示拟合值AI_fitted显著抑制碳排放。Kleibergen-Paap rk LM统计量和F检验均确认Broadband不是弱工具变量。
**4.5 内生性检验:倾向得分匹配**:按AI中位数将样本分为处理组和对照组,以所有控制变量为协变量进行1:1最近邻匹配,基于匹配样本的回归(表6)中AI系数仍显著为负,缓解了内生性偏误。
**4.6 稳健性检验**:①更换人工智能测度方法,以人工智能投资与资产之比(AI2)和人工智能专利申请数(AI3)作为代理变量,系数均显著为负(表7列(1)(2));②更换碳排放测度方法,以碳排放总量自然对数(CE2)为因变量,AI系数显著为负(列(3));③改变样本时间范围,剔除2019—2021年受COVID-19影响的观测,AI系数仍显著为负(列(4));④更换固定效应,将行业固定效应替换为企业固定效应,AI系数显著为负(列(5))。
**4.7 机制分析**:①技术赋能:以绿色技术创新(GI)为中介变量,AI显著促进绿色创新(表8列(1));将GI纳入基准回归(列(2)),AI系数显著性下降(t值从-6.599降至-6.378),绝对值从0.009降至0.0088,表明绿色创新是部分中介。②生产赋能:以全要素生产率(TFP)为中介变量,AI显著提升TFP(列(3));将TFP纳入基准回归(列(4)),AI系数t值降至-5.829,绝对值降至0.0087,TFP为部分中介。③监管赋能:以分析师关注度(Analyst)为中介变量,AI显著增加分析师关注(列(5));将Analyst纳入基准回归(列(6)),AI系数t值降至-3.499,绝对值降至0.006,Analyst为部分中介。
**4.8 异质性分析**:①企业产权属性:构建交互项AI_SOE,系数显著为负(表9列(1));分组回归显示,国有企业子样本中AI系数绝对值更大(列(2)(3)),表明人工智能对碳排放的抑制效应在国有企业中更显著。②企业污染属性:构建交互项AI_Pollu,系数显著为负(表10列(1));分组回归显示,污染企业子样本中AI系数绝对值更大(列(2)(3)),表明抑制效应在污染企业中更显著。③企业融资约束:构建交互项AI_Finan,系数显著为负(表11列(1));分组回归显示,高融资约束企业子样本中AI系数绝对值更大(列(2)(3)),表明抑制效应在融资约束较强企业中更显著。
**总结讨论与结论**
**5.1 结论**:研究人员以中国制造业上市公司为样本,发现人工智能能够显著抑制碳排放。进一步发现,人工智能主要通过技术赋能、生产赋能和监管赋能三条路径降低碳排放,具体表现为促进绿色创新、提升全要素生产率和增强分析师关注。最后,重点关注企业性质与财务资源条件带来的协同效应,发现人工智能的抑制效应在国有企业、污染企业和融资约束较强的企业中更为显著。
**5.2 讨论**:现代社会发展遵循以人为本理念,生态环境与碳治理是可持续社会的核心保障。本研究与Zhou和Shao [145]及He和Chen [146]等文献密切相关,三者均从微观企业层面讨论数字技术的碳减排效益,并提供基于中国情境的经验证据。本研究将研究范围聚焦于人工智能这一数字化转型的核心前沿技术,在TOE框架下系统梳理了人工智能的碳减排逻辑。与Zhou和Shao [145]的广义数字化转型路径(以制造业服务化为中介)不同,本研究识别出三条独立的传导路径(技术赋能、生产赋能、监管赋能),并从异质性角度新增了企业污染强度和资源禀赋两个分组维度。与He和Chen [146]的纯经验视角相比,本研究通过TOE理论框架深化了数字技术与碳排放的理论解释,将三个赋能机制与TOE框架的三个核心情境层一一对应,构建了统一的分析标准。总体而言,本研究从研究内容、机制识别和理论构建三个维度拓展了现有关于数字化转型与企业碳排放的文献,为制造业企业推进智能化低碳升级提供了政策参考。
**5.3 理论启示**:本研究通过分析人工智能对碳减排的多维赋能效应,扩展和补充了TOE框架。具体而言,本研究从碳排放管理视角补充了TOE框架的三个核心情境层:通过将技术情境与企业绿色创新联系起来,扩展了技术情境;通过将组织情境与全要素生产率增长联系起来,丰富了组织情境;通过将环境情境与分析师监督强化联系起来,延伸了环境情境。多维机制的清晰阐述提升了TOE框架在企业低碳转型和数字脱碳研究中的理论价值。
**5.4 实践启示**:本研究为实现可持续发展目标提供了重要路径,对促进制造业绿色转型具有重要实践意义。首先,政府应重点支持高污染行业建立人工智能应用示范项目,通过专项资金和税收优惠加速推广绿色生产技术。其次,国有企业应率先将人工智能的减排效果纳入绩效考核体系,带动产业链协同减排。最后,金融监管机构需完善绿色信贷政策,为采用人工智能减排技术的企业提供融资便利。
**5.5 局限与未来研究**:本研究以企业碳排放总量除以营业收入的比值度量碳排放强度,数据来源于CSMAR数据库。该指标存在以下可补充之处:产品价格可能产生干扰;通货膨胀可能扭曲年度间碳强度比较;基于实物产出的指标能更好反映生产侧可比性;此外,部分企业不可观测的固有特征可能未被模型捕捉。未来随着企业环境与运营信息披露规则的完善,可通过多种计量标准进行交叉验证;同时,微观企业数据将日益丰富,后续研究可纳入更多企业层面特征,以减少遗漏变量偏误,提高因果识别精度。