《Sustainability》：Artificial Intelligence Adoption and Corporate Biodiversity Concern: Evidence from Chinese Listed Firms
编辑推荐：
鉴于生物多样性丧失带来的日益增长的生态和经济风险，本研究利用2010年至2023年中国A股上市公司的面板数据，采用去偏机器学习方法，实证考察了人工智能（AI）采用对企业生物多样性关注（CBC）的影响及其内在机制。结果表明，AI采用显著提高了CBC。机制分析表明
鉴于生物多样性丧失带来的日益增长的生态和经济风险，本研究利用2010年至2023年中国A股上市公司的面板数据，采用去偏机器学习方法，实证考察了人工智能（AI）采用对企业生物多样性关注（CBC）的影响及其内在机制。结果表明，AI采用显著提高了CBC。机制分析表明，AI采用通过增强绿色知识管理能力、提升绿色创新能力和增加分析师关注度来提升CBC。调节效应的进一步分析显示，对于面临较高气候风险、位于环境监管强度较高地区以及数字化转型水平较高的企业，AI采用对CBC的正向影响更为显著。本研究为数字技术在推进企业生物多样性治理中的作用提供了经验证据。
**论文解读：人工智能采用与企业生物多样性关注的机制与边界条件——基于中国上市公司的实证研究**
**一、研究背景与问题提出**
全球生物多样性正以前所未有的速度下降，这一趋势主要由人类活动驱动，包括栖息地破坏、资源过度开发、污染排放和气候变化。生物多样性的持续丧失不仅削弱生态系统的结构稳定性和恢复力，导致授粉、水质净化、气候调节等关键生态功能退化，还加剧粮食安全风险、公共卫生压力和社会经济不平等，对全球可持续发展和人类福祉构成系统性威胁。企业生产运营活动高度依赖生物多样性和生态系统服务，同时生物多样性相关风险通过扰乱供应链稳定性、增加合规成本，对企业经营施加显著约束。在外部监管趋严和社会压力增强的制度环境下，企业生物多样性管理已从自愿实践演变为具有制度要求的治理活动。
然而，生物多样性作为复杂且空间异质的环境议题，具有多维性、高度不确定性和难以量化的特征，给企业在信息获取、数据处理以及环境结果测量和归因方面带来巨大挑战。人工智能作为通用目的技术，正在重塑企业在复杂环境中的信息处理和决策过程，可能通过缓解监管不确定性、减少运营摩擦、改进测量和归因能力来影响企业对生物多样性议题的关注。但现有研究尚未充分探讨AI如何影响企业对生物多样性这一复杂环境议题的披露行为，也缺乏对其内在机制的系统分析。为此，本研究利用2010—2023年中国A股上市公司面板数据，采用去偏机器学习（DDML）方法，实证分析AI采用对企业生物多样性关注（CBC）的影响及其传导机制。
**二、研究内容与主要结论**
本研究发现，AI采用显著提高了CBC，这一结论在多种稳健性检验下依然成立。机制分析表明，AI采用通过三条渠道发挥作用：增强绿色知识管理能力、提升绿色创新能力和增加分析师关注度。调节效应分析进一步显示，对于面临较高气候风险、位于环境监管强度较高地区以及数字化转型水平较高的企业，AI采用对CBC的正向影响更为显著。研究的理论贡献在于：将AI纳入企业生物多样性关注的分析框架，拓展了相关文献；从企业层面识别了AI影响CBC的微观机制；采用DDML方法提供了更可靠的因果估计。
**三、关键技术与数据方法**
本研究采用的主要技术方法包括：（1）文本分析法：基于企业年报构建生物多样性词典和AI关键词词典，分别统计关键词字符占比和词频，衡量CBC和AI采用程度；（2）去偏机器学习（DDML）方法：结合正交化和交叉拟合技术，放松函数形式假设，缓解高维控制变量带来的正则化偏误，提供稳健的因果推断；（3）中介效应模型：构建三阶段回归检验机制变量；（4）调节效应模型：引入交互项分析边界条件。数据来源包括：中国A股上市公司年报文本、中国国家知识产权局专利数据（绿色专利依据WIPO 2010年环境友好型国际专利分类标准识别）、Wind数据库、商道融绿ESG评级数据库、百度搜索指数、中国税务年鉴、CSMAR数据库（含城市光纤密度、行业数字技术强度、公司财务数据）等。
**四、研究结果**
**4.1 基准模型估计结果**。采用DDML模型，样本分割比例为1:4，使用LASSO算法进行预测。结果显示AI系数为0.002，在1%水平上显著，表明AI采用显著提高CBC。加入控制变量平方项和双向固定效应后结果依然稳健，支持假设H1。
**4.2 稳健性分析**。通过改变样本分割比例（1:3和1:7）、替换机器学习算法（随机森林和神经网络）以及替换变量测度方式（CBC1、CBC2、AI专利数）进行检验，核心系数保持稳定，表明基准结果高度稳健。
**4.3 机制分析**。（1）绿色知识管理能力：采用绿色专利知识广度指标（基于IPC分类的逆赫芬达尔指数），发现AI显著提升企业绿色知识管理能力，支持假设H2。（2）绿色创新能力：以绿色专利申请数（GPA）和绿色专利授权数（GPG）为代理变量，AI系数显著为正，支持假设H3。（3）分析师关注度：以分析师人数（Analyst）和分析师报告数（Report）为代理变量，AI系数显著为正，支持假设H4。
**4.4 调节效应分析**。（1）气候风险：采用年报中气候风险相关词频构建物理风险（CR）和转型风险（CTR）指数，交互项系数显著为正，表明气候风险强化AI的正向效应。（2）区域环境监管强度：以公众环境关注度（PEA）和排污费/环境税水平（ER）衡量，交互项系数显著为正。（3）企业数字化转型水平：以数字化转型程度（DT）和数字应用水平（DTA）为调节变量，交互项系数在1%水平显著为正。
**五、讨论与结论**
研究结论表明，AI采用通过提升绿色知识管理能力、增强绿色创新和增加分析师关注三条路径促进CBC，且这一效应在气候风险高、环境监管强、数字化转型程度高的企业中更突出。管理启示方面，企业应将AI纳入自然资本管理核心能力，建立整合遥感数据、供应链跟踪数据和内部运营数据的生态信息平台。政策启示方面，政府应增强生物多样性政策的透明度和稳定性，推动跨区域跨行业数据标准建设，加强公共生态数据基础设施开发。研究局限在于：CBC测量基于年报文本，可能无法完全反映实际管理实践；AI测量为总体水平，未区分技术类型和应用场景；未考虑AI采用可能带来的能源消耗等负面环境影响。未来研究可整合多源数据构建多维测量框架，并纳入AI的环境成本进行综合分析。
