《Computation》:Digital Economies and Artificial Intelligence: Unlocking Eco-Innovation in Asian Firms
编辑推荐:
人工智能(AI)正在日益改变企业的创新过程,并为可持续发展创造新的机遇;然而,关于企业层面AI能力在不同数字环境下如何影响生态创新的实证证据仍然有限。基于自然资源基础观(NRBV)和动态能力理论(DCT),本研究考察了AI能力对企业层面生态创新的影响,并探讨了
人工智能(AI)正在日益改变企业的创新过程,并为可持续发展创造新的机遇;然而,关于企业层面AI能力在不同数字环境下如何影响生态创新的实证证据仍然有限。基于自然资源基础观(NRBV)和动态能力理论(DCT),本研究考察了AI能力对企业层面生态创新的影响,并探讨了国家数字经济发展是否加强了这一关系。分析使用了2017-2024年间来自15个亚洲经济体的5564家上市公司的非平衡面板数据。采用企业固定效应模型作为主要估计方法,同时补充系统广义矩估计(System GMM)、倾向得分匹配(PSM)和赫克曼两步估计(Heckman two-step)进行调节效应分析,以解决潜在的内生性和样本选择问题。AI能力通过基于文本分析(从企业年报和可持续发展报告中提取)的披露指数来衡量。结果表明,AI能力与生态创新正相关,并且这种关系在数字经济发展水平较高的国家中显著更强。这些发现表明,支持性的数字生态系统增强了企业将AI能力转化为可持续创新成果的能力。本研究通过证明国家数字经济发展是塑造企业层面AI能力在促进生态创新方面有效性的重要背景条件,为文献做出了贡献。
**论文解读:数字经济与人工智能如何驱动亚洲企业生态创新**
**研究背景与问题**
随着可持续发展成为全球核心议题,工业化、环境退化与气候变化加剧了对平衡经济增长与环境保护的创新路径的需求。在亚洲经济体,快速经济增长、能源需求上升、环境脆弱性以及数字转型加速并存,使得这一区域成为研究人工智能(AI)驱动可持续创新的理想场所。尽管AI被视为一种通用技术,能够通过优化资源配置、强化组织学习和提升运营效率来促进绿色创新,然而现有实证证据主要集中于单一国家(尤其是中国),缺乏跨国家、跨制度环境的比较。此外,研究多关注AI或数字化的独立效应,鲜有从多层面视角将企业层面AI能力与国家层面数字经济发展相结合,探讨两者如何共同影响生态创新(eco-innovation)。因此,本研究旨在填补上述空白,考察企业AI能力对生态创新的直接影响,并检验国家数字经济发展是否作为边界条件强化这一关系。
**研究内容与结论**
本研究基于自然资源基础观(NRBV)和动态能力理论(DCT),提出两个假设:AI能力正向影响企业生态创新(H1),数字经济发展正向调节这一关系(H2)。研究人员利用2017-2024年15个亚洲经济体5564家上市公司的非平衡面板数据,采用企业固定效应模型作为基准估计,并通过系统广义矩估计(System GMM)、倾向得分匹配(PSM)和赫克曼两步法(Heckman two-step)处理内生性与样本选择偏差。AI能力通过文本分析企业年报与可持续发展报告构建披露指数,生态创新采用Refinitiv Eikon的生态创新评分(EIS)取对数,数字经济发展则基于数字技能、基础设施、商业数字化和数字公共系统四维度,通过主成分分析(PCA)构建综合指数。结果表明,AI能力与生态创新显著正相关(β=0.121, p<0.01),支持H1;AI能力与数字经济发展的交互项显著为正(β=0.047-0.052, p<0.01),表明在数字经济发展水平更高的国家,AI能力对生态创新的促进作用更强,支持H2。异质性分析显示,大企业以及高数字经济发展水平国家的企业,AI能力对生态创新的效应更大。该研究发表在《Computation》。
**关键技术方法(不超过250字)**
样本来自15个亚洲经济体(2017-2024年)5564家上市公司的面板数据,共44,512个公司-年观测值。企业层面数据来自Refinitiv Eikon ESG与公司财务数据库,国家层面指标来自世界银行、国际电信联盟(ITU)、联合国电子政务发展指数(UN EGDI)和世界经济论坛网络就绪指数(NRI)。AI能力测量:基于文本分析,从年报和可持续发展报告中提取AI相关关键词(如机器学习、深度学习等)的频率,除以总词数并标准化。生态创新(ECOINN):采用Refinitiv Eikon生态创新评分(EIS),经对数转换(ln(1+EIS/100))。数字经济发展(DIG_ECO):通过PCA从数字技能、基础设施、商业数字化和数字公共系统指标中提取第一主成分。主要方法:企业固定效应模型(基准),辅以系统GMM、PSM(最近邻匹配)和Heckman两步法处理内生性和选择偏差,均控制了年份、行业和国家固定效应。
**研究结果**
**4.3 基线回归结果**
基于固定效应模型,在控制企业规模、盈利能力、研发强度、ESG表现、数字能力等变量后,AI能力(AI_CAP)的系数为0.121(p<0.01),表明AI能力每增加一个标准差,生态创新(ECOINN)提升0.121个单位,验证了H1。模型拟合优度(R2)从仅含控制变量的0.18提升至0.36,说明AI能力显著增强了解释力。
**4.4 调节效应分析**
在基线模型中加入AI能力与数字经济发展(DIG_ECO)的交互项后,交互项系数为0.047-0.052(p<0.01),且AI能力的主效应仍显著。这表明数字经济发展水平越高,AI能力对生态创新的正向影响越强,支持H2。引入国家固定效应后结果稳健,模型R2从0.36提升至0.41。
**4.5 交互效应图示**
通过绘制条件边际效应图,在低数字经济发展水平(均值-1个标准差)下,AI能力对生态创新的斜率较平缓;在高数字经济发展水平(均值+1个标准差)下,斜率显著增大,直观验证了数字经济发展的调节作用。
**5. 稳健性检验:控制内生性**
- **系统GMM**:动态面板估计中,滞后一期生态创新显著(β≈0.30, p<0.01),AI能力仍显著正相关(β=0.028, p<0.05),且交互项显著(β=0.015, p<0.05),Hansen检验和AR(2)检验通过。
- **PSM**:将企业按AI能力中位数分为高AI组与低AI组,匹配后AI能力及其交互项均显著,表明结果不受可观测特征的选择偏差影响。
- **Heckman两步法**:第一阶段Probit模型估计高AI概率,第二阶段纳入逆米尔斯比率(IMR)后,AI能力与交互项仍显著,且IMR不显著,排除样本选择偏差。
**6. 异质性分析**
- **企业规模异质性**:大企业子样本中AI能力系数(β=0.041, p<0.01)显著大于小企业(β=0.019, p<0.05),说明大企业凭借资源与吸收能力更能将AI转化为生态创新。
- **数字经济发展异质性**:高数字经济发展水平国家中AI能力系数(β=0.046, p<0.10)大于低水平国家(β=0.018, p<0.05),表明数字基础设施与知识网络强化了AI能力的效果。
**总结讨论与结论**
研究证明了AI能力对生态创新的正向作用,且数字经济发展作为重要调节变量,强化了这一关系。该发现支持了NRBV(将AI视为战略资源)和DCT(强调动态能力与环境互动),并整合了制度理论与国家创新系统(NIS)视角。研究强调,AI的环境效益不仅取决于企业自身技术能力,更有赖于国家数字生态系统的支持。
**结论翻译**:本研究考察了AI能力对企业生态创新的影响以及数字经济发展的调节作用,利用2017-2024年亚洲上市公司的平衡面板数据。研究结果提供了稳健证据:AI能力正向影响生态创新,且这一关系在不同模型规格、调节分析、异质性分析和多重稳健性检验中保持一致。研究贡献包括:首先,AI能力更强的企业实现更高水平的生态创新,表明AI能提升资源效率、优化环境决策并开发可持续产品与流程。其次,AI能力的正向效应在数字经济发展更先进的国家更强,表明数字基础设施、连接性和创新生态系统强化了企业将AI投资转化为环境可持续创新的能力。第三,异质性分析显示大企业中AI能力效应更大,突显组织资源、技术准备度和吸收能力在最大化AI环境效益中的重要性。总体而言,AI的可持续价值不仅取决于企业技术能力,还取决于周围数字生态系统的质量。本研究通过提供整合企业层面AI能力与国家层面数字经济发展的多层面视角,为数字转型、可持续性和创新文献做出了贡献,并扩展了NRBV和DCT。